CN114742257A - 物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质 - Google Patents

物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质 Download PDF

Info

Publication number
CN114742257A
CN114742257A CN202210160394.1A CN202210160394A CN114742257A CN 114742257 A CN114742257 A CN 114742257A CN 202210160394 A CN202210160394 A CN 202210160394A CN 114742257 A CN114742257 A CN 114742257A
Authority
CN
China
Prior art keywords
material consumption
consumption prediction
prediction
warehouse
prediction result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210160394.1A
Other languages
English (en)
Inventor
杨磊
李宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Junzheng Network Technology Co Ltd
Original Assignee
Shanghai Junzheng Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Junzheng Network Technology Co Ltd filed Critical Shanghai Junzheng Network Technology Co Ltd
Priority to CN202210160394.1A priority Critical patent/CN114742257A/zh
Publication of CN114742257A publication Critical patent/CN114742257A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质，涉及仓库物料调拨决策领域；本发明所要解决的技术问题是如何提高物料采购和调拨效率，以降低仓库的缺货率和积压率；根据第一预测模型中得到未第一物料消耗预测结果；根据第二预测模型得到第二物料消耗预测结果；根据第三预测模型得第三物料消耗预测结果；比较第一物料消耗预测结果、第二物料消耗预测结果和第三物料消耗预测结果，确定最优物料消耗预测结果。本发明提高了物料采购和调拨效率，降低了仓库的缺货率和积压率。

Description

物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备 和存储介质
技术领域
本发明涉及仓库物料调拨决策领域，尤其涉及物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质。
背景技术
随着互联网技术的发展，物流运输已经渗透到各个行业中，通过物流调拨决策可以实现物料以及产品的调拨转移，例如，共享车辆为人们提供了一种新型的车辆租赁方式，在全国各个大、中型城市兴起的共享车辆几乎随处可见，不仅方便了民众的出行，而且极大的缓解了交通压力。但随着使用频次的增加和使用时间的累计，共享车辆会发生损耗，车辆的损耗不仅降低翻台率，而且会对使用民众的人生安全产生风险；因此需要在各个运营城市设置维修仓库，设置合理的决策方案，用以将维修物料周转运送，实现损坏不能正常运营的车辆返库维修；而现有技术中的仓储物流决策系统存在采购、调拨效率低，使某些仓库积压率增加，而使某些仓库的缺货率增加，造成物料决策不平衡的问题。
因此，本领域的技术人员致力于开发一种物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何提高物料采购和调拨效率，以降低仓库的缺货率和积压率。
为实现上述目的，本发明第一方面提供了物料消耗预测方法，包括如下步骤：
SA1、获取特征，处理所述特征；
SA21、将处理后的特征输入第一预测模型中，得到未来一个周期的第一物料消耗预测结果Q1；
SA22、将处理后的特征中的平稳时序特征和连续特征输入第二预测模型中，得到未来一个周期的第二物料消耗预测结果Q2；
SA23、获取所述处理后的特征中的仓库历史消耗数据，将所述仓库历史消耗数据输入第三预测模型中，得到未来一个周期的第三物料消耗预测结果Q3；
SA3、比较所述第一物料消耗预测结果Q1、所述第二物料消耗预测结果Q2和所述第三物料消耗预测结果Q3，确定最优物料消耗预测结果Qm。
在本发明的一个较佳实施例中，所述特征的处理方法包括：
设定当前时刻t为分割点，设定特征集合R＝{Rt-n，Rt-(n-1)，…，Rt-1}，其中,Rt-i为当前时刻t之前第i个周期的特征，i＝1，2，…，n，以当前时刻t之后一个周期的物料消耗数量Qt+1为标签，处理后的特征集合R`＝{R`t-n，R`t-(n-1)，…，R`t-1},R`t-i为当前时刻t之前第i个周期的处理后的特征，i＝1，2，…， n，；
处理连续特征，设定阈值Pccs，计算特征Rt-i中的连续特征与物料消耗数量 Qt+1的皮尔森相关系数Pcci，筛选满足|Pcci|＞Pccs时的连续特征；
处理离散特征，将特征Rt-i中的每个离散特征进行独热编码处理，对特征Rt-i进行社区发现，将特征Rt-i划分成Z个模块，将每个模块进行降维处理达到1 维；
处理平稳时序特征，将特征Rt-i中的非平稳时序特征转化为平稳时序特征。
在本发明的一个较佳实施例中，所述特征包括仓库画像特征、车辆画像特征、城市画像特征、天气画像特征、计划特征画像特征、时间画像特征和股票指数特征，所述股票指数特征包括在当前时刻t之前的第1个周期至第n个周期内的趋势类指标、随机指标和相对强弱指标。
在本发明的一个较佳实施例中，所述将处理后的特征输入第一预测模型中，得到未来一个周期的第一物料消耗预测结果Q1：
SA211、构建第一预测模型，所述第一预测模型包括n个结构相同且依次排序的预测单元n、预测单元n-1、…和预测单元1，所述预测单元包括注意力机制模块、CNN模块和LSTM模块，所述注意力机制模块进行权重分配，CNN模块学习空间特征，LSTM模块学习时序特征；
SA212、将特征R`t-n作为预测单元n的输入，得到输出结果n；
SA213、令n＝n-1；
SA214、将特征R`t-(n-1)和输出结果n共同作为预测单元n-1的输入，得到输出结果n-1；
SA215、重复执行步骤SA213，直至得到当前时刻t之后一个周期的第一物料消耗预测结果Q1。
在本发明的一个较佳实施例中，所述将处理后的特征中的平稳时序特征和连续特征输入第二预测模型中，得到未来一个周期的第二物料消耗预测结果 Q2，包括：
SA221、构建第二预测模型，所述第二预测模型包括注意力机制模块、时序加权模块、连续特征加权模块和LightGBM模块；
SA222、通过注意力机制模块对特征集合R`中的特征进行权重分配；
SA223、将特征R`t-n中的平稳时序特征输入时序加权模块中；
SA224、将特征R`t-n中连续特征输入连续特征加权模块中；
SA225、将时序加权模块和连续特征加权模块的输出结果输入LightGBM模块得到当前时刻t之后一个周期的第二物料消耗预测结果Q2。
在本发明的一个较佳实施例中，所述将所述仓库历史消耗数据输入第三预测模型中，得到未来一个周期的第三物料消耗预测结果Q3，包括：
SA231、获取单位时间，建立由若干连续的单位时间构成的参考时间集合 T＝{T1，T2，…，TN}；
SA232、获取所述参考时间集合T中的各单位时间内的物料消耗值，并建立物料消耗值集合Q`＝{Q`1，Q`2，…，Q`N}，其中Q`N为单位时间TN内的物料消耗值；
SA233、剔除所述物料消耗值集合Q`中小于等于0的物料消耗值，得到余下s个物料消耗值的中值Q`z；
SA234、获取单位时间的平均物料消耗值Q`s＝Q`z*s/N；
SA235、获取当前时刻t之后一个周期的第三物料消耗预测结果 Q3＝Q`s*Tm，其中，Tm为周期时长。
在本发明的一个较佳实施例中，所述步骤SA3包括：
SA31、计算各物料消耗预测结果Ql的准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl，l＝1,2,3；
SA32、对所述准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl进行归一化处理；
SA33、计算归一化处理后准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl的和值Xl，l＝1,2,3；
SA34、比较和值X1、和值X2和和值X3，选择数值最大的和值所对应的物料消耗预测结果Ql为最优物料消耗预测结果Qm。
本发明的第二方面提供了一种调拨方法，包括如下步骤：
SB1、设定调拨区域和调拨阈值K，所述调拨区域内包括若干仓库；
SB2、根据权利要求1-7任意权利要求所述的物料消耗预测方法预测所述仓库中一段时间内的不同物料消耗量，进而预测不同物料的积压仓和缺货仓；
SB3、选择第j个积压仓Gj和第k个缺货仓Xk匹配线路，判定是否有合单线路，若有，执行SB4，若无，执行步骤SB5；
SB4、计算每条线路的配送时间d、供应重量级h和供应总价值与运费的比值m，执行步骤SB7；
SB5、判断是否有其他线路，若有，执行步骤SB4，若无，执行步骤SB6；
SB6、输出没有线路这一调拨结果；
SB7、比较每条线路的供应总价值与运费的比值m与调拨阈值K的大小，当线路的供应总价值与运费的比值m大于调拨阈值K时，执行步骤SB8，当线路的供应总价值与运费的比值m小于等于调拨阈值K时，剔除该线路；
SB8、计算排序系数r；
SB9、按照排序系数最大的线路调拨；
SB10、更新积压仓Gj和缺货仓Xk。
本发明的第三方面提供了一种决策方法，包括如下步骤：
SC1、确定决策区域；
SC2、根据所述的物料消耗预测方法确定所述决策区域内各仓库的物料消耗预测结果；
SC3、将所述各仓库的物料消耗预测结果推送至相应的仓库进行确认；
SC4、根据决策区域内各仓库的确认结果确定决策区域内的积压仓和缺货仓；
SC5、根据所述调拨方法得到调拨方案；
SC6、执行所述调拨方案，积压仓出库并调整库存明细，缺货仓入库并调整库存明细。
在本发明的一个较佳实施例中，包括审核所述调拨方案的步骤，当所述调拨方案审核通过后，执行步骤SC6。
本发明的第四方面提供了一种决策系统，包括：
区域确定单元，用以确定决策区域；
物料消耗预测单元，用以所述的物料消耗预测方法确定所述决策区域内各仓库的物料消耗预测结果；
确认单元，用以将所述各仓库的物料消耗预测结果推送至相应的仓库进行确认；
积压仓和缺货仓确定单元，用以根据决策区域内各仓库的确认结果确定决策区域内的积压仓和缺货仓；
方案生成单元，用以根据所述调拨方法得到调拨方案；
方案执行单元，用以执行所述调拨方案，积压仓出库并调整库存明细，缺货仓入库并调整库存明细。
在本发明的一个较佳实施例中，包括：
审核单元，用以审核所述调拨方案，当所述调拨方案审核通过后，执行方案执行单元。
本发明的第五方面提供了一种电子设备，所述包括处理器和存储器，所述存储器中存储计算机程序，所述处理器执行所述计算机程序时实现本发明第一方面所述的物料消耗预测方法的步骤，或者实现本发明第二方面所述的调拨方法的步骤。
本发明的第六方面提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现本发明第一方面所述的物料消耗预测方法的步骤。
本发明的第七方面提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现本发明第二方面所述的调拨方法的步骤。
本发明第八方面提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现本发明第三方面所述的决策方法的步骤。
本发明的一种物料消耗预测方法、调拨方法、决策方法、决策系统和存储介质具有以下技术效果：
1、本发明的物料消耗预测方法综合考虑不同特征，根据不同的特征建立不同的预测模型，再对所有预测模型的预测结果择优，大大提高了物料消耗预测的准确率和鲁棒性。
2、与现有技术中仅考虑仓库本身特征的物料消耗预测方法相比，本发明综合考虑更多维度特征，例如仓库、车辆、城市、天气、计划、时间以及股票指数等相关特征，以应对不同运营城市车辆维修的不同需求，进一步提高了物料消耗预测的准确性。
3、本发明的调拨方法考虑了合单度、发收必要度、补货及时性、仓库的发收成本等相关因素，达到降本增效增收这一要求。
4、本发明的决策方法和系统，一方面具有通用性，另一方面与城市基本状况结合，提高决策方案的效率和收益；为了进一步减少决策错误，增加最后审核，与物料消耗预测算法、调拨算法想配合，更佳提高了决策准确性。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明一具体实施例的物料消耗预测方法的流程图；
图2是本发明一具体实施例第一模型的结构原理图；
图3是本发明一具体实施例的获取第一物料消耗预测结果Q1的方法流程图；
图4是本发明一具体实施例的第二模型的机构原理图；
图5是本发明一具体实施例的获取第二物料消耗预测结果Q2的方法流程图；
图6是本发明一具体实施例的第三模型的机构原理图；
图7是本发明一具体实施例的获取第三物料消耗预测结果Q3的方法流程图；
图8是本发明一具体实施例的最优物料消耗预测结果Qm的获取方法流程图；
图9是本发明一具体实施例的调拨方法流程图；
图10是本发明一具体实施例的决策方法流程图；
图11是本发明一具体实施例的决策系统原理图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
为了阐释的目的而描述了本发明的一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。
如图1所示，本发明第一方面提供了一种物料消耗预测方法，包括如下步骤：
SA1、获取特征，处理所述特征；
由于不同地理位置的运营区域的车辆维修场景不同，影响的因素也可能不不同，传统的物料预测通常只考虑仓库相关特征，但特征的单一会影响物料消耗的预测结果，因此需要综合考时间特征、空间特征、计划特征、环境特征以及经济特征等各个维度的特征综合反映当前的运营区域，在本发明的一个实施例中，所述特征包括：
仓库画像特征，包括物料历史消耗领用数据、仓库维修数据、仓库维修产能、仓库库存数据、物料与仓库、车辆的映射关系和物料的消耗比例；
车辆画像特征，包括车型、车龄、车里程、车辆维修数据、车辆订单数据、车辆运营状态数据、车辆故障度和活跃度；
城市画像特征，包括车型配比数据、可用车辆数、乘凉的故障、失联、暂停、在城管仓、维修的数量和比例、车龄、车均工单和车均订单的分布和趋势、物料与车辆的库存配比、消耗配比；
天气画像特征，包括温度、湿度和天气的变化趋势；
计划特征画像特征，撤城撤仓计划、专项维修计划、整体维修计划、城管仓取车计划、投车转运计划、物料的汰换和替换计划；
时间画像特征，包括节假日和物流紧张期；
股票指数特征，物料消耗的趋势与股票波动的趋势有相像的地方，如随机性、非线性、影响因素多且易受到突发情况的影响，因此股票市场中的一些成熟指标也作为用于预测物料消耗的特征，所述股票指数特征包括趋势类指标 MACD，随机指标KDJ，以及相对强弱指标RSI。
由于上述特征较多，但在后续的模型训练和预测过程中，只需要正向有用的特征，因此需要提出冗余数据，构建积极有效数据，在一具体实施例中，所述特征的处理方法包括：
设定当前时刻t为分割点，设定特征集合R＝{Rt-n，Rt-(n-1)，…，Rt-1}为样本，其中,Rt-i为当前时刻t之前第i个周期的特征，i＝1，2，…，n，以当前时刻 t之后一个周期的物料消耗数量Qt+1为标签，正样本为消耗>0的样本，负样本为消耗＝0的样本，正负样本10:1；在一具体实施例中，周期时间为一周，n的取值为8，即R＝{Rt-8，Rt-7，…，Rt-1}，特征集合处理后的特征集合R`＝{R`t-8， R`t-7，…，R`t-1},R`t-i为当前时刻t之前第i周的处理后的特征，i＝1，2，…，8；
处理连续特征，设定阈值Pccs，计算特征Rt-i中的连续特征与物料消耗数量 Qt+1的皮尔森相关系数Pcci，筛选满足|Pcci|＞Pccs时的连续特征；
所述皮尔森相关系数的绝对值越大，表明该特征与模型的相关性也越大，对模型的影响也越大，在一具体实施例中，阈值pccs＝0.5，该数值可以根据需要进行设定，进而筛选出想要的连续特征。
处理离散特征，将特征Rt-i中的每个离散特征进行独热编码处理，对特征Rt-i进行社区发现，将特征Rt-i划分成Z个模块，将每个模块进行降维处理达到1 维；
在一具体实施例中，所述Z的取值为5，则8周的离散特征得到5*8个特征。
处理平稳时序特征，将特征Rt-i中的非平稳时序特征转化为平稳时序特征。
在一具体实施例中，采用ARIMA模型学习物料消耗中的平稳非白噪声序列数据，在当前时刻t之前的第1周期至第8周期，内得到预测数据作为平稳时序特征。
SA21、将处理后的特征输入第一预测模型中，得到未来一个周期的第一物料消耗预测结果Q1；如图3所示，具体包括：
SA211、构建第一预测模型；
如图2所示，所述第一预测模型为深度学习模型，所述第一预测模型包括8 个结构相同且依次排序的预测单元8、预测单元7、…和预测单元1，所述预测单元包括注意力机制模块、CNN模块和LSTM模块，所述注意力机制模块进行权重分配，用以确定对第一预测模型最有影响的特征，CNN模块学习空间特征，LSTM模块学习时序特征；
SA212、令n＝8，即将特征R`t-8中的连续特征、离散特征、股票指数特征和平稳时序特征作为预测单元8的输入，得到当前时刻t之前第8周的物料消耗结果；
SA213、令n＝n-1；
SA214、将特征R`t-(n-1)和输出结果n共同作为预测单元n-1的输入，得到当前时刻t之前第n-1周的物料消耗结果；
SA215、重复执行步骤SA213，直至得到当前时刻t之后一周的第一物料消耗预测结果Q1。
SA22、将处理后的特征中的平稳时序特征和连续特征输入第二预测模型中，得到未来一个周期的第二物料消耗预测结果Q2，如图5所示，具体包括：
SA221、构建第二预测模型，如图4所示，所述第二预测模型包括注意力机制模块、时序加权模块、连续特征加权模块和LightGBM模块；
所述注意力机制模块用以得到各个特征的权重分配，针对连续特征，越大 Pcc值的特征设置权重越大；针对时序特征，越靠近t的周特征设置越大的权重。
SA222、通过注意力机制模块对特征集合R`中的特征进行权重分配；
SA223、将特征R`t-n中的平稳时序特征输入时序加权模块中；
SA224、将特征R`t-n中连续特征输入连续特征加权模块中；
SA225、将时序加权模块和连续特征加权模块的输出结果输入LightGBM模块得到当前时刻t之后一个周期的第二物料消耗预测结果Q2。
上述所述意力机制模块、CNN模块、LSTM模块、时序加权模块、连续特征加权模块和LightGBM模块均可以采用现有技术中的相关程序模块予以实现，由于该部分不是本发明的重点，所以在此不再赘述。
SA23、将所述特征中的仓库历史消耗数据，将所述仓库历史消耗数据输入第三预测模型得到未来一个周期的第三物料消耗预测结果Q3，如图7所示，具体包括：
SA231、获取单位时间，建立由若干连续的单位时间构成的参考时间集合 T＝{T1，T2，…，TN}；在一具体实施例中，所述单位时间为天，N取值为10。
SA232、获取所述参考时间集合T中的各单位时间内的物料消耗值，并建立物料消耗值集合Q`＝{Q`1，Q`2，…，Q`N}，其中Q`N为单位时间TN内的物料消耗值；在一具体实施例中，过去10的物料消耗值集合Q`为{0、1、0、2、-1、 3、0、4、0、100}；
SA233、建立如图6所示的中值均值预测模型，剔除所述物料消耗值集合Q` 中小于等于0的物料消耗值，得到余下s个物料消耗值的中值Q`z；
上述物料消耗值集合Q`中剔除0和-1两个值，剩余值为1、2、3、4、 100，得到中值为3；
SA234、获取单位时间的平均物料消耗值Q`s＝Q`z*s/N，上述物料消耗值Q` 中的日均消耗量为3*5/10＝1.5。
SA235、获取当前时刻t之后一个周期的第三物料消耗预测结果 Q3＝Q`s*Tm，其中，Tm为周期时长，则上根据述物料消耗值Q`得到第三物料消耗预测结果为1.5*7。
第三预测模型采用中值求均值的策略，直观的计算仓库下一周的物料消耗预测值，但实际计算中数据量可能会比较庞大，其中会有极端值或错误值，采用中值求均值的方法可以避免这些错误值的影响。
SA3、比较所述第一物料消耗预测结果Q1、所述第二物料消耗预测结果Q2和所述第三物料消耗预测结果Q3，确定最优物料消耗预测结果Qm，如图8所示，具体包括：
SA31、计算各物料消耗预测结果Ql的准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl，l＝1,2,3；
其中，准确率Ac＝预测中满足需求物料总价值/预测物料总价值；
召回率Re＝预测中满足需求物料总价值/需求物料总价值；
SA32、对所述准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl进行归一化处理；
SA33、计算归一化处理后准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl的和值Xl，l＝1,2,3；
SA34、比较和值X1、和值X2和和值X3，选择数值最大的和值所对应的物料消耗预测结果Ql为最优物料消耗预测结果Qm。
在一具体实施例中，通过对三个和值进行排序，和值最大的赋予权重1，其他赋予权重0。
如图9所示，一种调拨方法，包括如下步骤：
SB1、设定调拨区域和调拨阈值K，所述调拨区域内包括若干仓库；
所述调拨区域可以根据需要进行划分，可以为某一个城市，也可以为几个城市构成的一个区域，用以实现物料的调拨。
SB2、根据所述的物料消耗预测方法预测所述仓库一段时间内的仓库中不同物料消耗量，进而预测不同物料的积压仓和缺货仓；
SB3、选择第j个积压仓Gj和第k个缺货仓Xk匹配线路，判定是否有合单线路，若有，执行SB4，若无，执行步骤SB5；
因为在共享车辆维修的场景里，修理一辆车可能需要多种物料，因此需要考虑合单度的问题，即调拨物料种类越多越好，实现决策的高效。
SB4、计算每条线路的配送时间d、供应重量级h和供应总价值与运费的比值m，执行步骤SB7；
SB5、判断是否有其他线路，若有，执行步骤SB4，若无，执行步骤SB6；
SB6、输出没有线路这一调拨结果；
SB7、比较线路的供应总价值与运费的比值m与调拨阈值K的大小，当供应总价值与运费的比值m大于调拨阈值K时，执行步骤SB8，当线路供应总价值与运费的比值m小于等于调拨阈值K时，剔除该线路；
物料调拨除了考虑是否可以合单，还要考虑供应总价值与运费的比值m，让供应总价值小于运费时，表明此时没有调拨的必要，没有必要进行物料调拨，该线路则可以剔除。
SB8、计算排序系数r；
当存在多条具有调拨价值线路时，需要从这些线路中选择一条最有线路，因此，通过计算排序系数确定最优的调拨线路；所述最优线路需综合考虑补货及时性和仓库的发收成本等因素，因此，在一具体实施例中，所述排序系数为调拨线路的配送时间d、供应重量级h和供应总价值与运费的比值m三个因素的加权和，排序系数r越大，表明线路越具有优越性。
SB9、按照排序系数最大的线路调拨；
SB10、更新积压仓Gj和缺货仓Xk。
本发明的调拨方法综合考虑了合单度、发收必要度、补货及时性、仓库的发收成本等相关特征，仓库缺物料时无法修车出库，物料调拨需要尽快到达，即具有补货及时性；调拨线路可能存在发收很多单，但是每单的量级很小，就需要经常发收单，会增高发收成本。
如图10所示，一种决策方法，根据上述物料消耗预测方法与调拨方法可以提供整体的决策方案，但由于选择的特征样本以及其他外界影响因素的存在，通过模型预测得到的结果还是会出现不准确的地方，为了增加决策的准确性，具体的决策方法包括如下步骤：
SC1、确定决策区域；
SC2、根据所述物料消耗预测方法确定所述决策区域内各仓库的物料消耗预测结果；
SC3、将所述各仓库的物料消耗预测结果推送至相应的仓库进行确认；
SC4、根据决策区域内各仓库的确认结果确定决策区域内的积压仓和缺货仓；
SC5、根据所述调拨方法得到调拨方案；
SC6、执行所述调拨方案，积压仓出库并调整库存明细，缺货仓入库并调整库存明细。
在决策方法中增加了城市仓确认环节，防止物料消耗预测出现过大的偏差；
为了进一步增加预测的准去性，所述决策方法包括审核所述调拨方案的步骤，当所述调拨方案审核通过后，执行步骤SC6，即将通过总部进行最后的审核，使决策方案准确高效。
如图11所示，一种决策系统，包括：
区域确定单元，用以确定决策区域；
物料消耗预测单元，用以根据所述的物料消耗预测方法确定所述决策区域内各仓库的物料消耗预测结果；
确认单元，用以将所述各仓库的物料消耗预测结果推送至相应的仓库进行确认；
积压仓和缺货仓确定单元，用以根据决策区域内各仓库的确认结果确定决策区域内的积压仓和缺货仓；
方案生成单元，用以根据所述调拨方法得到调拨方案；
方案执行单元，用以执行所述调拨方案，积压仓出库并调整库存明细，缺货仓入库并调整库存明细。
在本发明的一个较佳实施例中，包括：
审核单元，用以审核所述调拨方案，当所述调拨方案审核通过后，执行方案执行单元。
所述决策系统的各个单元在实际应用中，可以根据需要将上述功能分配由不同的功能单元、模块实现，上述单元模块可以集成在同一个软件单元中，也可以是各个单元单独物理存在，也可以由两个或两个以上单元集成在一个物理单元中。
在一具体实施例中，提供了一种电子设备，包括处理器和存储器，所述存储器中存储计算机程序，所述处理器执行所述计算机程序时实现所述的物料消耗预测方法的步骤，或者实现所述的调拨方法的步骤。
在一具体实施例中，提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现本发明所述的物料消耗预测方法的步骤。
在一具体实施例中，提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现本发明所述的调拨方法的步骤。
在一具体实施例中，提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现本发明所述的决策方法的步骤。
所述存储介质可以存储多条指令，所述指令适用于由处理器加载并执行本发明第一方面所述的物料消耗预测方法的步骤、本发明第二方面所述的调拨方法的步骤和本发明第三方面所述的决策方法的步骤，具体执行过程可以参见上图，在此不再赘述。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (13)

1.物料消耗预测方法，其特征在于，包括如下步骤：
SA1、获取特征，处理所述特征；
SA21、将处理后的特征输入第一预测模型中，得到未来一个周期的第一物料消耗预测结果Q1；
SA22、将处理后的特征中的平稳时序特征和连续特征输入第二预测模型中，得到未来一个周期的第二物料消耗预测结果Q2；
SA23、获取所述处理后的特征中的仓库历史消耗数据，将所述仓库历史消耗数据输入第三预测模型中，得到未来一个周期的第三物料消耗预测结果Q3；
SA3、比较所述第一物料消耗预测结果Q1、所述第二物料消耗预测结果Q2和所述第三物料消耗预测结果Q3，确定最优物料消耗预测结果Qm。
2.如权利要求1所述的物料消耗预测方法，其特征在于，所述特征的处理方法包括：
设定当前时刻t为分割点，设定特征集合R＝{Rt-n，Rt-(n-1)，…，Rt-1}，其中,Rt-i为当前时刻t之前第i个周期的特征，i＝1，2，…，n，以当前时刻t之后一个周期的物料消耗数量Qt+1为标签，处理后的特征集合R`＝{R`t-n，R`t-(n-1)，…，R`t-1},R`t-i为当前时刻t之前第i个周期的处理后的特征，i＝1，2，…，n，；
处理连续特征，设定阈值Pccs，计算特征Rt-i中的连续特征与物料消耗数量Qt+1的皮尔森相关系数Pcci，筛选满足|Pcci|＞Pccs时的连续特征；
处理离散特征，将特征Rt-i中的每个离散特征进行独热编码处理，对特征Rt-i进行社区发现，将特征Rt-i划分成Z个模块，将每个模块进行降维处理达到1维；
处理平稳时序特征，将特征Rt-i中的非平稳时序特征转化为平稳时序特征。
3.如权利要求1所述的物料消耗预测方法，其特征在于，所述特征包括仓库画像特征、车辆画像特征、城市画像特征、天气画像特征、计划特征画像特征、时间画像特征和股票指数特征，所述股票指数特征包括在当前时刻t之前的第1个周期至第n个周期内的趋势类指标、随机指标和相对强弱指标。
4.如权利要求2所述的物料消耗预测方法，其特征在于，所述将处理后的特征输入第一预测模型中，得到未来一个周期的第一物料消耗预测结果Q1，包括：
SA211、构建第一预测模型，所述第一预测模型包括n个结构相同且依次排序的预测单元n、预测单元n-1、…和预测单元1，所述预测单元包括注意力机制模块、CNN模块和LSTM模块，所述注意力机制模块进行权重分配，CNN模块学习空间特征，LSTM模块学习时序特征；
SA212、将特征R`t-n作为预测单元n的输入，得到输出结果n；
SA213、令n＝n-1；
SA214、将特征R`t-(n-1)和输出结果n共同作为预测单元n-1的输入，得到输出结果n-1；
SA215、重复执行步骤SA213，直至得到当前时刻t之后一个周期的第一物料消耗预测结果Q1。
5.如权利要求4所述的物料消耗预测方法，其特征在于，所述将处理后的特征中的平稳时序特征和连续特征输入第二预测模型中，得到未来一个周期的第二物料消耗预测结果Q2，包括：
SA221、构建第二预测模型，所述第二预测模型包括注意力机制模块、时序加权模块、连续特征加权模块和LightGBM模块；
SA222、通过注意力机制模块对特征集合R`中的特征进行权重分配；
SA223、将特征R`t-n中的平稳时序特征输入时序加权模块中；
SA224、将特征R`t-n中的连续特征输入连续特征加权模块中；
SA225、将时序加权模块和连续特征加权模块的输出结果输入LightGBM模块得到当前时刻t之后一个周期的第二物料消耗预测结果Q2。
6.如权利要求1所述的物料消耗预测方法，其特征在于，所述将所述仓库历史消耗数据输入第三预测模型中，得到未来一个周期的第三物料消耗预测结果Q3，包括：
SA231、获取单位时间，建立由若干连续的单位时间构成的参考时间集合T＝{T1，T2，…，TN}；
SA232、获取所述参考时间集合T中的各单位时间内的物料消耗值，并建立物料消耗值集合Q`＝{Q`1，Q`2，…，Q`N}，其中Q`N为单位时间TN内的物料消耗值；
SA233、剔除所述物料消耗值集合Q`中小于等于0的物料消耗值，得到余下s个物料消耗值的中值Q`z；
SA234、获取单位时间的平均物料消耗值Q`s＝Q`z*s/N；
SA235、获取当前时刻t之后一个周期的第三物料消耗预测结果Q3＝Q`s*Tm，其中，Tm为周期时长。
7.如权利要求1所述的物料消耗预测方法，其特征在于，所述步骤SA3包括：
SA31、计算各物料消耗预测结果Ql的准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl，l＝1,2,3；
SA32、对所述准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl进行归一化处理；
SA33、计算归一化处理后的准确率Acl、召回率Rel、平均绝对误差MAEl和平均绝对百分比误差MAPEl的和值Xl，l＝1,2,3；
SA34、比较和值X1、和值X2和和值X3，选择数值最大的和值所对应的物料消耗预测结果Ql为最优物料消耗预测结果Qm。
8.一种调拨方法，其特征在于，包括如下步骤：
SB1、设定调拨区域和调拨阈值K，所述调拨区域内包括若干仓库；
SB2、根据权利要求1-7任意权利要求所述的物料消耗预测方法预测所述仓库中一段时间内的不同物料消耗量，进而预测不同物料的积压仓和缺货仓；
SB3、选择第j个积压仓Gj和第k个缺货仓Xk匹配线路，判定是否有合单线路，若有，执行SB4，若无，执行步骤SB5；
SB4、计算每条线路的配送时间d、供应重量级h和供应总价值与运费的比值m，执行步骤SB7；
SB5、判断是否有其他线路，若有，执行步骤SB4，若无，执行步骤SB6；
SB6、输出没有线路这一调拨结果；
SB7、比较每条线路的供应总价值与运费的比值m与调拨阈值K的大小，当线路的供应总价值与运费的比值m大于调拨阈值K时，执行步骤SB8，当线路的供应总价值与运费的比值m小于等于调拨阈值K时，剔除该线路；
SB8、计算排序系数r；
SB9、按照排序系数最大的线路调拨；
SB10、更新积压仓Gj和缺货仓Xk。
9.一种决策方法，其特征在于，包括如下步骤：
SC1、确定决策区域；
SC2、根据权利要求1-7任意一项权利要求所述的物料消耗预测方法确定所述决策区域内各仓库的物料消耗预测结果；
SC3、将所述各仓库的物料消耗预测结果推送至相应的仓库进行确认；
SC4、根据决策区域内各仓库的确认结果确定决策区域内的积压仓和缺货仓；
SC5、根据权利要求8所述调拨方法得到调拨方案；
SC6、执行所述调拨方案，积压仓出库并调整库存明细，缺货仓入库并调整库存明细。
10.根据权利要求9所述决策方法，其特征在于，包括审核所述调拨方案的步骤，当所述调拨方案审核通过后，执行步骤Sc6。
11.一种决策系统，其特征在于，包括：
区域确定单元，用以确定决策区域；
物料消耗预测单元，用以根据权利要求1-7任一权利要求所述的物料消耗预测方法确定所述决策区域内各仓库的物料消耗预测结果；
确认单元，用以将所述各仓库的物料消耗预测结果推送至相应的仓库进行确认；
积压仓和缺货仓确定单元，用以根据决策区域内各仓库的确认结果确定决策区域内的积压仓和缺货仓；
方案生成单元，用以根据权利要求8所述调拨方法得到调拨方案；
方案执行单元，用以执行所述调拨方案，积压仓出库并调整库存明细，缺货仓入库并调整库存明细。
12.一种电子设备，其特征在于，所述包括处理器和存储器，所述存储器中存储计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任意一项权利要求所述的物料消耗预测方法的步骤，或者实现权利要求8所述的调拨方法的步骤。
13.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1-7任意一项权利要求所述的物料消耗预测方法的步骤，或者实现权利要求8所述的调拨方法的步骤。
CN202210160394.1A 2022-02-22 2022-02-22 物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质 Pending CN114742257A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210160394.1A CN114742257A (zh) 2022-02-22 2022-02-22 物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210160394.1A CN114742257A (zh) 2022-02-22 2022-02-22 物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114742257A true CN114742257A (zh) 2022-07-12

Family

ID=82275961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210160394.1A Pending CN114742257A (zh) 2022-02-22 2022-02-22 物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114742257A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118172122A (zh) * 2024-05-11 2024-06-11 上海赢链通网络科技有限公司 仓储消耗价值确定方法、装置、设备、介质和程序产品

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118172122A (zh) * 2024-05-11 2024-06-11 上海赢链通网络科技有限公司 仓储消耗价值确定方法、装置、设备、介质和程序产品

Similar Documents

Publication Publication Date Title
Wang et al. Static green repositioning in bike sharing systems with broken bikes
Shevchenko et al. Multi‐attribute analysis of investments risk alternatives in construction
CN103034933B (zh) 一种基于多级仓储的物流管理方法
CN111047264B (zh) 一种物流任务分配方法及装置
Ketsarapong et al. An experience-based system supporting inventory planning: A fuzzy approach
Miao et al. Data-driven distributionally robust optimization for vehicle balancing of mobility-on-demand systems
CN114742257A (zh) 物料消耗预测方法、调拨方法、决策方法、决策系统、电子设备和存储介质
CN115409439A (zh) 基于改进蚁群算法的多车型供应链调度方法及电子设备
Shang et al. The sorted-waste capacitated location routing problem with queuing time: A cross-entropy and simulated-annealing-based hyper-heuristic algorithm
CN112082566A (zh) 电动汽车路径规划方法、装置、终端及存储介质
Mahmoodirad et al. Uncertain location–allocation decisions for a bi‐objective two‐stage supply chain network design problem with environmental impacts
Wang et al. Two‐Echelon Location‐Routing Problem with Time Windows and Transportation Resource Sharing
Feng et al. Multi-objective optimization of recycling and remanufacturing supply chain logistics network with scalable facility under uncertainty
CN116934200A (zh) 一种基于大数据的物流运输监管系统和方法
Wu et al. Pareto truck fleet sizing for bike relocation with stochastic demand: Risk-averse multi-stage approximate stochastic programming
Baradaran et al. DETERMINING NUMBER OF WITHDRAWAL KANBAN USING BI-LEVEL OPTIMIZATION AND SIMULATION APPROACHES.
Hua et al. Large-scale dockless bike sharing repositioning considering future usage and workload balance
CN115204482A (zh) 一种基于多变量lstm的铁路货运运价浮动预测方法
CN116029637A (zh) 跨境电商物流渠道智能推荐方法及装置、设备、存储介质
Ng et al. Chassis inventory management at US container ports: Modelling and case study
Razghonov et al. BUILDING MODELS TO OPTIMIZE VEHICLE DOWNTIME IN MULTIMODAL TRANSPORTATION.
CN112837001A (zh) 物流网络规划方法、装置及计算机可读存储介质
Tsamboulas et al. Methodology for estimating freight volume shift in an international intermodal corridor
Ma et al. An optimization approach to the scale of port cold-chain dedicated terminals considering uncertainties
WO2023082315A1 (zh) 电子固废回收全流程智能解析方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination