CN114862017B - 一种基于状态预测的纺织业库存调整方法及系统 - Google Patents

Abstract

本发明公开了一种基于状态预测的纺织业库存调整方法及系统，所述方法包括：采集货物需求方在预设周期内的历史仓储变化信息；并进行供求关系分析，获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合；对第一时间节点集合和第二时间节点集合对应的需求敏感要素进行探索分析，获得敏感要素集合；将其作为逻辑自变量，将历史仓储变化信息作为逻辑因变量，构建货物仓储变化逻辑关系，并搭建货物库存预测模型；采集获得实时需求影响要素集合，并输入至货物库存预测模型进行回归预测训练，获得未来预设周期内的预期库存变化信息；继而对仓储进行动态调整。

Description

一种基于状态预测的纺织业库存调整方法及系统

技术领域

本发明涉及数据处理领域，尤其涉及一种基于状态预测的纺织业库存调整方法及系统。

背景技术

纺织业是一个劳动人数密集度高和对外依赖程度大的产业，纺织品出口率持续稳定增长直接影响中小纺织公司的可持续性发展。而存货是中小纺织企业流动资产的重要组成部分,对中小纺织公司的生产经营有着重要影响。公司存货的数量以及存货结构是否合理不仅对稳定生产,销售时机有不可或缺的作用,而且对公司资金流动,经营收益有重大的意义。尤其是纺织公司,属于传统行业,产品供大于求,市场竞争特别激烈。

然而，现有技术中存在对纺织业库存进行管理时，无法针对复杂多变的需求端环境，对纺织品仓库存储进行动态的平衡管理，导致出现供不应求或供大于求的库存状态，严重影响了纺织企业的生产进度的技术问题。

发明内容

本发明的目的是提供一种基于状态预测的纺织业库存调整方法及系统，用以解决现有技术中对纺织业库存进行管理时，无法针对复杂多变的需求端环境，对纺织品仓库存储进行动态的平衡管理，导致出现供不应求或供大于求的库存状态，严重影响了纺织企业的生产进度的技术问题。

鉴于上述问题，本发明提供了一种基于状态预测的纺织业库存调整方法及系统。

第一方面，本发明提供了一种基于状态预测的纺织业库存调整方法，所述方法包括：基于大数据，采集货物需求方在预设周期内的历史仓储变化信息；对所述历史仓储变化信息进行供求关系分析，获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合；基于探索式分析技术，对所述第一时间节点集合和所述第二时间节点集合对应的需求敏感要素进行探索分析，获得敏感要素集合；将所述敏感要素集合作为逻辑自变量，将所述历史仓储变化信息作为逻辑因变量，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系；基于所述货物仓储变化逻辑关系，搭建所述货物需求方的货物库存预测模型；采集获得所述货物需求方的实时需求影响要素集合，并输入至搭建好的所述货物库存预测模型进行回归预测训练，获得所述货物需求方在未来预设周期内的预期库存变化信息；基于所述预期库存变化信息，对所述货物需求方的仓储进行动态调整。

另一方面，本发明还提供了一种基于状态预测的纺织业库存调整系统，用于执行如第一方面所述的一种基于状态预测的纺织业库存调整方法，其中，所述系统包括：第一采集单元，所述第一采集单元用于基于大数据，采集货物需求方在预设周期内的历史仓储变化信息；第一分析单元，所述第一分析单元用于对所述历史仓储变化信息进行供求关系分析，获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合；第二分析单元，所述第二分析单元用于基于探索式分析技术，对所述第一时间节点集合和所述第二时间节点集合对应的需求敏感要素进行探索分析，获得敏感要素集合；第一构建单元，所述第一构建单元用于将所述敏感要素集合作为逻辑自变量，将所述历史仓储变化信息作为逻辑因变量，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系；第一搭建单元，所述第一搭建单元用于基于所述货物仓储变化逻辑关系，搭建所述货物需求方的货物库存预测模型；第二采集单元，所述第二采集单元用于采集获得所述货物需求方的实时需求影响要素集合，并输入至搭建好的所述货物库存预测模型进行回归预测训练，获得所述货物需求方在未来预设周期内的预期库存变化信息；第一调整单元，所述第一调整单元用于基于所述预期库存变化信息，对所述货物需求方的仓储进行动态调整。

第三方面，一种电子设备，其中，包括处理器和存储器；

该存储器，用于存储；

该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。

第四方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。

本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过对需求商的历史货物仓储信息进行采集，进而对其进行供求关系分析，对库存供不应求的状态和供大于求的状态进行时间节点采集，进而对采集到的时间节点进行需求敏感要素的探索分析，可获得影响货物库存的敏感要素集合，通过检索各敏感要素集合与货物仓储变化的关联性逻辑关系，同时搭建货物库存预测模型，可对需求商所处的实时的需求敏感要素值进行预测分析，从而基于分析得到的未来预设时段的库存变化信息，预先的对货物仓储进行动态调整，达到了对供不应求或供大于求的库存状态进行预先响应，对纺织品仓库存储进行动态的平衡管理，确保纺织企业的生产进度正常推进的技术效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明一种基于状态预测的纺织业库存调整方法的流程示意图；

图2为本发明一种基于状态预测的纺织业库存调整方法中获得敏感要素集合的流程示意图；

图3为本发明一种基于状态预测的纺织业库存调整方法中构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系的流程示意图；

图4为本发明一种基于状态预测的纺织业库存调整系统的结构示意图；

图5为本发明示例性电子设备的结构示意图。

附图标记说明：

第一采集单元11，第一分析单元12，第二分析单元13，第一构建单元14，第一搭建单元15，第二采集单元16，第一调整单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。

具体实施方式

本发明通过提供一种基于状态预测的纺织业库存调整方法及系统，解决现有技术中在对纺织业库存进行管理时，无法针对复杂多变的需求端环境，对纺织品仓库存储进行动态的平衡管理，导致出现供不应求或供大于求的库存状态，严重影响了纺织企业的生产进度的技术问题。

本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

本发明提供了一种基于状态预测的纺织业库存调整方法，所述方法包括：通过对需求商的历史货物仓储信息进行采集，进而对其进行供求关系分析，对库存供不应求的状态和供大于求的状态进行时间节点采集，进而对采集到的时间节点进行需求敏感要素的探索分析，可获得影响货物库存的敏感要素集合，通过检索各敏感要素集合与货物仓储变化的关联性逻辑关系，同时搭建货物库存预测模型，可对需求商所处的实时的需求敏感要素值进行预测分析，从而基于分析得到的未来预设时段的库存变化信息，预先的对货物仓储进行动态调整，达到了对供不应求或供大于求的库存状态进行预先响应，对纺织品仓库存储进行动态的平衡管理，确保纺织企业的生产进度正常推进的技术效果。

在介绍了本发明基本原理后，下面将结合说明书附图来具体介绍本发明的各种非限制性的实施方式。

实施例一

请参阅附图1，本发明提供了一种基于状态预测的纺织业库存调整方法，所述方法具体包括如下步骤：

步骤S100：基于大数据，采集货物需求方在预设周期内的历史仓储变化信息；

步骤S200：对所述历史仓储变化信息进行供求关系分析，获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合；

具体而言，纺织业是一个劳动人数密集度高和对外依赖程度大的产业，纺织品出口率持续稳定增长直接影响中小纺织公司的可持续性发展。而存货是中小纺织企业流动资产的重要组成部分,对中小纺织公司的生产经营有着重要影响。公司存货的数量以及存货结构是否合理不仅对稳定生产,销售时机有不可或缺的作用,而且对公司资金流动,经营收益有重大的意义。尤其是纺织公司,属于传统行业,产品供大于求,市场竞争特别激烈。

由于现有技术中，在对纺织业库存进行管理时，无法针对复杂多变的需求端环境，对纺织品仓库存储进行动态的平衡管理，导致出现供不应求或供大于求的库存状态，严重影响了纺织企业的生产进度的技术问题。

为了解决此类问题，本申请提出了一种基于状态预测的纺织业库存调整方法。通过对需求商的历史货物仓储信息进行采集，进而对其进行供求关系分析，对库存供不应求的状态和供大于求的状态进行时间节点采集，进而对采集到的时间节点进行需求敏感要素的探索分析，可获得影响货物库存的敏感要素集合，通过检索各敏感要素集合与货物仓储变化的关联性逻辑关系，同时搭建货物库存预测模型，可对需求商所处的实时的需求敏感要素值进行预测分析，从而基于分析得到的未来预设时段的库存变化信息，预先的对货物仓储进行动态调整，达到了对供不应求或供大于求的库存状态进行预先响应，对纺织品仓库存储进行动态的平衡管理，确保纺织企业的生产进度正常推进的技术效果。

具体的，所述货物需求方即为需要进行库存管理的纺织企业，他们通过采购纺织所需的物料，而后进行一定的物料加工，使得生产出客户所需的纺织成品，并进行出售，期间，需要对纺织企业的库存物料进行动态的监测和调整，所述预设周期可立即为该企业在去年一年内的时间周期，所述历史仓储变化信息即为该企业在去年一年内的物料库存监测信息，包括物料的供不应求或供大于求等存储状态。

通过对采集的历史仓储变化信息进行供求关系分析，可获得物料处于供不应求状态的时间节点集合、处于供大于求状态的时间节点集合，其中，所述第一供求关系可表征为供不应求状态，即货物供给方的供给数量无法满足货物需求方的需求数量，使得货物出现供不应求的状态，所述第一时间节点集合即为货物出现供不应求状态所处的时间节点集合，通常包括但不限于因气候等要素影响，使得物料产出变少等时间节点；所述第二供求关系可表征为供大于求状态，即货物供给方的供给数量远远超出货物需求方的需求数量，使得货物出现供大于求的状态，所述第二时间节点集合即为货物出现供大于求状态所处的时间节点集合，通常包括但不限于因市场发展受阻，导致生产的货物成品无法进行畅销，进而导致货物需求方的需求数量降低的时间节点集合。

步骤S300：基于探索式分析技术，对所述第一时间节点集合和所述第二时间节点集合对应的需求敏感要素进行探索分析，获得敏感要素集合；

进一步的，如图2所示，步骤S300包括：

步骤S310：基于时间发展先后顺序，对所述第一时间节点集合和所述第二时间节点集合进行时间节点的重新排列，且对所述历史仓储变化信息进行对应匹配，生成时间发展-仓储变化逻辑线；

步骤S320：对所述时间发展-仓储变化逻辑线进行连续时间的自定义逻辑关系截取，获得第一仓储变化曲线，其中，所述第一仓储变化曲线的初始点满足所述第一供求关系、终点满足所述第二供求关系；

步骤S330：基于第一分析逻辑，对所述第一仓储变化曲线进行回归预测分析，生成第一曲线斜率，且获得所述第一曲线斜率投映的第一曲线变化时段；

步骤S340：对所述第一曲线斜率和所述第一曲线变化时段进行特征升级分析，生成所述第一仓储变化曲线的第一高级特征；

步骤S350：基于所述第一高级特征，对所述第一仓储变化曲线中的需求敏感要素进行探索分析；

步骤S360：将所述第一仓储变化曲线的所述终点作为新的曲线初始点，对所述时间发展-仓储变化逻辑线进行自定义逻辑关系截取，获得第二仓储变化曲线；

步骤S370：所述第二仓储变化曲线的所述新的曲线初始点满足所述第二供求关系、新的曲线终点满足所述第一供求关系；

步骤S380：根据所述第一分析逻辑，对所述第二仓储变化曲线进行回归预测分析，直至生成所述第二仓储变化曲线的第二高级特征；

步骤S390：以此递归，对所述预设周期内的历史仓储变化信息进行遍历的需求敏感要素进行探索分析，直至获得所述敏感要素集合。

具体而言，在获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合之后，可对其进行需求敏感要素进行探索分析。具体的，所述时间发展先后顺序可理解为，根据去年的从第一季度-第二季度-第三季度-第四季度的时间发展顺序，对所述第一时间节点集合和所述第二时间节点集合进行时间节点的重新排列，换言之，重新排列之前的第一时间节点集合为满足供不应求关系的各个时间节点集合而成、第二时间节点集合为满足供大于求关系的各个时间节点集合而成，通过对其进行时间的重新排列，使得第一时间节点集合和第二时间节点集合中的各个时间节点对应回自身所处的时间节点，以便于对各个分时间节点进行先后关联式的存储状态分析，所述时间发展-仓储变化逻辑线，即反映了随着时间的正向发展，各个分时间节点的货物仓储变化逻辑线。

进而，对所述时间发展-仓储变化逻辑线进行连续时间的自定义逻辑关系截取，其中，所述自定义逻辑关系可理解为根据上述逻辑线的数据发展规律，对其进行自定义的截取，后面会有详述。具体的，所述第一仓储变化曲线即为自定义截取的结果，其初始点满足第一供求关系，即供不应求状态，终点满足第二供求关系，即供大于求状态，则所述第一仓储变化曲线反映了仓储物料从供不应求状态发展到供大于求状态的仓储变化过程。所述第一分析逻辑，即为对自定义截取的曲线进行回归预测分析，直至后续的数据处理过程。通过对所述第一仓储变化曲线进行回归预测分析，即根据各个时间节点对应的物料仓储数量值的离散分布状态，对其进行回归预测分析，其中，所述第一仓储变化曲线距离上述的各个物料仓储数量值的垂直距离为最短距离设定。回归分析预测法是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，通过对所述第一仓储变化曲线进行时间节点-物料仓储数量值的相关性分析，可建立变量之间的回归方程，进而根据回归方程确定第一曲线斜率，所述第一曲线斜率反映了仓储物料从供不应求状态发展到供大于求状态的仓储变化速度，所述第一曲线变化时段即反映了仓储物料从供不应求状态发展到供大于求状态的仓储变化所需时间，举例如，当市场发展规模不景气，使得对纺织所需物料的急剧减少，因物料的正常供给数量是一定的，使得出现物料的供大于求状态；反之，当市场发展转劣为优时，由于气候因素，使得纺织所需物料的产量供给降低，但纺织企业正常需求量一定，使得出现物料的供不应求状态，其中，市场要素和气候要素即为影响物料仓储变化的需求敏感要素，通过对其进行特征升级分析，可生成第一高级特征，所述第一高级特征即为对市场要素和气候要素进行特征融合的结果，同样也是对第一仓储变化曲线中的需求敏感要素进行探索分析得到的结果。

以此类推，为了对各个分时间节点进行先后关联式的存储状态分析，可将所述第一仓储变化曲线的所述终点作为新的曲线初始点，对所述时间发展-仓储变化逻辑线进行自定义逻辑关系截取，获得第二仓储变化曲线，其中，所述第二仓储变化曲线的所述新的曲线初始点满足所述第二供求关系、新的曲线终点满足所述第一供求关系，即所述第二仓储变化曲线反映了物料仓储从供大于求状态发展到下一次的供不应求状态的变化过程，进而根据上述的第一分析逻辑，对第二仓储变化曲线进行同样的回归预测分析，直至生成第二仓储变化曲线的第二高级特征，其中，所述第二高级特征为对第二仓储变化曲线中的需求敏感要素进行探索分析得到的结果，可以是季节要素或位置要素等的特征融合结果，举例如，在北方时，由于冬天室内供暖，使得对棉被的需求量减少，但由于棉花的供给量是一定的，使得出现物料仓储供大于求的状态，但到了停暖的时候，由于室内温度的骤降，使得对棉被的需求量加大，进而出现物料仓储的供不应求的状态。因此，所述第二高级特征即为季节要素和位置要素的特征融合结果。通过对所述预设周期内的历史仓储变化信息进行遍历的需求敏感要素进行探索分析，可获得任一仓储变化曲线的敏感要素高级特征，使得所述敏感要素集合即为各敏感要素高级特征集合而成，反映了货物需求方在去年一年的仓储变化所受的需求敏感要素集合。

步骤S400：将所述敏感要素集合作为逻辑自变量，将所述历史仓储变化信息作为逻辑因变量，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系；

进一步的，如图3所示，步骤S400包括：

步骤S410：基于所述历史仓储变化信息，搭建事务数据库D，将所述敏感要素集合定义为项目集合A；

步骤S420：基于关联规则算法，计算所述项目集合A中的各项目子集在所述事务数据库D中出现的次数，获得所述各项目子集对所述事务数据库D的项目支持度分布；

步骤S430：预设所述事务数据库D的最小支持度阈值；

步骤S440：判断所述项目支持度分布是否超过所述最小支持度阈值；

步骤S450：若所述项目支持度分布超过所述最小支持度阈值，将超过部分的项目支持度定义为频繁项集；

步骤S460：对所述频繁项集进行支持度的递减排序，获得最小支持度min_sup；

步骤S470：调用所述事务数据库D和所述最小支持度min_sup，搭建频繁模式树；

步骤S480：判断所述频繁模式树的生长路径是否为简单路径；

步骤S490：如果所述频繁模式树的生长路径为所述简单路径，对所述频繁项集中，大于所述最小支持度min_sup的剩余支持度进行任意组合，生成期望频繁模式，且所述期望频繁模式构成所述货物仓储变化逻辑关系。

具体而言，在获得所述敏感要素集合后，可将其作为逻辑自变量，因包括市场要素、季节要素、气候要素以及位置要素等需求敏感要素会引起物料仓储的变化，因此可将所述历史仓储变化信息作为逻辑因变量，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系，换言之，构建货物仓储变化逻辑关系的过程同为找寻自变量-因变量之间的关联规则的过程，所谓关联规则，反映一个事物与其他事物之间的相互依存性和关联性，如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。

具体的，可根据所述历史仓储变化信息，搭建事务数据库D，其中，所述事务数据库D为包括去年一年内，任一时间节点的物料仓储变化状态，且每个物料仓储变化状态是受一定的敏感要素影响的，同时将敏感要素集合定义为项目集合A，通过关联规则算法，计算所述项目集合A中的各项目子集在所述事务数据库D中出现的次数，通过出现的次数可反映出自变量与因变量之间的关联度大小，若出现次数较多，即为强关联度，若出现次数较少，即为弱关联度，直至获得所述各项目子集对所述事务数据库D的项目支持度分布，其中，项集A在事务数据库D中出现的次数占D中总事务的百分比叫做项集的支持度。进而，所述最小支持度阈值即为预设的事务数据库D中最小支持度阈值，在此以20%为例进行说明。通过判断所述项目支持度分布是否超过所述最小支持度阈值，即是否超出预设的最小支持度阈值20%，如果有超出，则将超过部分的项目支持度定义为频繁项集，所述频繁项集即为支持度超过20%的敏感要素集合，在此可以频繁项集中，各敏感要素项目的具体支持度构建货物仓储变化逻辑关系，即找寻自变量-因变量之间的关联规则。

通过对所述频繁项集进行支持度的递减排序，获得最小支持度min_sup，其中，所述最小支持度min_sup一定大于等于20%，进而调用所述事务数据库D和所述最小支持度min_sup，搭建频繁模式树，即以所述最小支持度min_sup作为树的根节点，事务数据库D中的频繁项集中的其他分布支持度作为树的叶节点，通过判断所述频繁模式树的生长路径是否为简单路径，即判断实际搭建出的频繁模式树的叶节点的各个分支生长是否足够茂盛，换言之，叶节点的分支生长状况反映了除却最小支持度对应的最小敏感要素之外的其他敏感要素的支持度，当叶节点的分支生长越茂盛，说明支持度越大，出现的次数越多，使得该叶节点对应的敏感要素与物料仓储之间存在强关联度，如果所述频繁模式树的生长路径为所述简单路径，即不满足上述的“实际搭建出的频繁模式树的叶节点的各个分支生长足够茂盛”要求，说明上述的“以所述最小支持度min_sup作为树的根节点”的搭建逻辑太过宽泛，不够精细，此时，可对所述频繁项集中，大于所述最小支持度min_sup的剩余支持度进行任意组合，生成期望频繁模式，即对最小支持度min_sup进行一定的升阶，通过对大于最小支持度min_sup的剩余支持度进行任意组合，并将组合结果作为新的根节点，以此重新搭建频繁模式树，则新的频繁模式树的发展模式即为所述期望频繁模式，所述期望频繁模式同样精细的对该企业在去年的物料仓储状态所受的敏感要素进行展示，由此可基于新搭建的频繁模式树，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系。

步骤S500：基于所述货物仓储变化逻辑关系，搭建所述货物需求方的货物库存预测模型；

步骤S600：采集获得所述货物需求方的实时需求影响要素集合，并输入至搭建好的所述货物库存预测模型进行回归预测训练，获得所述货物需求方在未来预设周期内的预期库存变化信息；

进一步的，步骤S500包括：

步骤S510：将所述货物仓储变化逻辑关系作为模型框架，将所述仓储变化信息作为说服数据，搭建初始货物库存预测模型；

步骤S520：对所述初始货物库存预测模型进行残差检验分析，获得第一升级参数；

步骤S530：根据所述第一升级参数，对所述初始货物库存预测模型进行模型升级，生成所述货物库存预测模型。

具体而言，在构建好所述货物需求方在所述预设周期内的货物仓储变化逻辑关系之后，可基于此搭建货物库存预测模型。具体的，可将构建好的所述货物仓储变化逻辑关系作为模型框架，将所述仓储变化信息作为说服数据，搭建初始货物库存预测模型，所述初始货物库存预测模型可对输入的需求敏感要素进行预测训练，使得训练出该需求敏感要素引起的物料仓储变化信息，需要注意的是，所述初始货物库存预测模型为一个初步模型，若要进行正式的训练使用，还需对其进行残差检验分析。其中，所述残差检验分析，即残差是因变量未被自变量解释的部分，线性模型要求残差服从独立同分布，且分布类型为正态分布。通过一系列方法判断残差是否符合这一要求，可以达到检验模型是否符合相应假设的目的。举例如，某个仓储变化值所受的敏感要素未在上述的频繁项集进行展示，即表明该初始模型存在预测残差现象，可基于尺度-位置图等方式对模型进行残差分析。

具体的，若模型满足同方差假设，则拟合值处于不同位置时残差的分布范围应该基本相同，即没有明显的集聚性或离散性，这一点可以直观的通过观察尺度-位置图，该图的纵坐标为标准化残差绝对值的平方根，若满足假设，则趋势线应该基本呈水平状；反之，如果不满足假设，可根据不同位置的残差分布距离该趋势线的垂直距离确定校验参数，即为上述的校验参数的平均值定义为所述第一升级参数，进而，对所述初始货物库存预测模型进行模型升级，生成所述货物库存预测模型，所述货物库存预测模型修正了初始模型的预测残差现象，使得该模型可对输入的需求敏感要素进行精准的预测训练。

在搭建完所述货物需求方的货物库存预测模型之后，可正式的基于此进行数据的预测训练。具体的，采集获得所述货物需求方的实时需求影响要素集合，所述实时需求影响要素集合可表征为该纺织企业目前实际面临的影响物料仓储的需求敏感要素集合，通过货物库存预测模型对其进行预测训练，可获得所述货物需求方在未来预设周期内的预期库存变化信息，其中，所述未来预设周期即为目前的数据对后面影响的所属时间，所述预期库存变化信息即为上述的需求敏感要素集合对该企业的物料仓储库存影响数据，便于对该企业的目前仓储状态进行动态调整。

步骤S700：基于所述预期库存变化信息，对所述货物需求方的仓储进行动态调整。

进一步的，步骤S700包括：

步骤S710：搭建第三方库存物料协调数据库；

步骤S720：对各个货物需求方的货物盈亏量值进行自定义采集，并上传至所述第三方库存物料协调数据库，生成第一物料协调方案；

步骤S730：根据所述第一物料协调方案，对所述货物需求方的仓储进行动态调整。

具体而言，在获得所述货物需求方在未来预设周期内的预期库存变化信息之后，可基于此对所述货物需求方的仓储进行动态调整。具体的，通过搭建第三方库存物料协调数据库，其中，所述搭建第三方库存物料协调数据库区别于各个货物需求方之外，相当于一个虚拟的库存物料协调数据库，其中，各个货物需求方通过对自身仓储库存进行可使用物料范围的统计时候，可将各自的货物盈亏量值进行自定义采集，举例如，某种用于纺织的布料现有库存100匹，当前纺织任务所需80匹，则对于可使用物料范围可宽泛到85匹，其中多出的5匹用于自由支配的生产任务，以备不时之需，因此，可将盈余的10匹进行自定义采集，并将采集数据上传至所述第三方库存物料协调数据库进行后台的物料协调，当其他的货物需求方恰好对于用于纺织的布料存在量亏时，可基于所述第三方库存物料协调数据库，向物料有所盈余的企业发起物料协调请求，进而生成第一物料协调方案，其中，所述第一物料协调方案用于协调不同货物需求方之间的物料协调，以此，可实现对货物需求方的仓储进行动态调整。

综上所述，本发明所提供的一种基于状态预测的纺织业库存调整方法具有如下技术效果：

1、通过对需求商的历史货物仓储信息进行采集，进而对其进行供求关系分析，对库存供不应求的状态和供大于求的状态进行时间节点采集，进而对采集到的时间节点进行需求敏感要素的探索分析，可获得影响货物库存的敏感要素集合，通过检索各敏感要素集合与货物仓储变化的关联性逻辑关系，同时搭建货物库存预测模型，可对需求商所处的实时的需求敏感要素值进行预测分析，从而基于分析得到的未来预设时段的库存变化信息，预先的对货物仓储进行动态调整，达到了对供不应求或供大于求的库存状态进行预先响应，对纺织品仓库存储进行动态的平衡管理，确保纺织企业的生产进度正常推进的技术效果。

2、通过对所述预设周期内的历史仓储变化信息进行遍历的需求敏感要素进行探索分析，可获得任一仓储变化曲线的敏感要素高级特征，使得所述敏感要素集合即为各敏感要素高级特征集合而成，反映了货物需求方在去年一年的仓储变化所受的需求敏感要素集合。实现对纺织物料库存进行需求敏感要素的探索分析。

3、根据关联规则算法，将敏感要素集合作为逻辑自变量，将历史仓储变化信息作为逻辑因变量，以此构建货物需求方在预设周期内的货物仓储变化逻辑关系，便于构建货物仓储变化逻辑关系的自变量-因变量之间的关联规则，以此搭建频繁模式树，对该企业在去年的物料仓储状态所受的敏感要素进行展示。

实施例二

基于与前述实施例中一种基于状态预测的纺织业库存调整方法，同样发明构思，本发明还提供了一种基于状态预测的纺织业库存调整系统，请参阅附图4，所述系统包括：

第一采集单元11，所述第一采集单元11用于基于大数据，采集货物需求方在预设周期内的历史仓储变化信息；

第一分析单元12，所述第一分析单元12用于对所述历史仓储变化信息进行供求关系分析，获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合；

第二分析单元13，所述第二分析单元13用于基于探索式分析技术，对所述第一时间节点集合和所述第二时间节点集合对应的需求敏感要素进行探索分析，获得敏感要素集合；

第一构建单元14，所述第一构建单元14用于将所述敏感要素集合作为逻辑自变量，将所述历史仓储变化信息作为逻辑因变量，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系；

第一搭建单元15，所述第一搭建单元15用于基于所述货物仓储变化逻辑关系，搭建所述货物需求方的货物库存预测模型；

第二采集单元16，所述第二采集单元16用于采集获得所述货物需求方的实时需求影响要素集合，并输入至搭建好的所述货物库存预测模型进行回归预测训练，获得所述货物需求方在未来预设周期内的预期库存变化信息；

第一调整单元17，所述第一调整单元17用于基于所述预期库存变化信息，对所述货物需求方的仓储进行动态调整。

进一步的，所述系统还包括：

第一排列单元，所述第一排列单元用于基于时间发展先后顺序，对所述第一时间节点集合和所述第二时间节点集合进行时间节点的重新排列，且对所述历史仓储变化信息进行对应匹配，生成时间发展-仓储变化逻辑线；

第一截取单元，所述第一截取单元用于对所述时间发展-仓储变化逻辑线进行连续时间的自定义逻辑关系截取，获得第一仓储变化曲线，其中，所述第一仓储变化曲线的初始点满足所述第一供求关系、终点满足所述第二供求关系；

第三分析单元，所述第三分析单元用于基于第一分析逻辑，对所述第一仓储变化曲线进行回归预测分析，生成第一曲线斜率，且获得所述第一曲线斜率投映的第一曲线变化时段；

第四分析单元，所述第四分析单元用于对所述第一曲线斜率和所述第一曲线变化时段进行特征升级分析，生成所述第一仓储变化曲线的第一高级特征；

第五分析单元，所述第五分析单元用于基于所述第一高级特征，对所述第一仓储变化曲线中的需求敏感要素进行探索分析。

进一步的，所述系统还包括：

第二截取单元，所述第二截取单元用于将所述第一仓储变化曲线的所述终点作为新的曲线初始点，对所述时间发展-仓储变化逻辑线进行自定义逻辑关系截取，获得第二仓储变化曲线；

第一确定单元，所述第一确定单元用于所述第二仓储变化曲线的所述新的曲线初始点满足所述第二供求关系、新的曲线终点满足所述第一供求关系；

第六分析单元，所述第六分析单元用于根据所述第一分析逻辑，对所述第二仓储变化曲线进行回归预测分析，直至生成所述第二仓储变化曲线的第二高级特征；

第七分析单元，所述第七分析单元用于以此递归，对所述预设周期内的历史仓储变化信息进行遍历的需求敏感要素进行探索分析，直至获得所述敏感要素集合。

进一步的，所述系统还包括：

第二搭建单元，所述第二搭建单元用于基于所述历史仓储变化信息，搭建事务数据库D；

第一定义单元，所述第一定义单元用于将所述敏感要素集合定义为项目集合A；

第一计算单元，所述第一计算单元用于基于关联规则算法，计算所述项目集合A中的各项目子集在所述事务数据库D中出现的次数，获得所述各项目子集对所述事务数据库D的项目支持度分布；

第一预设单元，所述第一预设单元用于预设所述事务数据库D的最小支持度阈值；

第一判断单元，所述第一判断单元用于判断所述项目支持度分布是否超过所述最小支持度阈值；

第二定义单元，所述第二定义单元用于若所述项目支持度分布超过所述最小支持度阈值，将超过部分的项目支持度定义为频繁项集。

进一步的，所述系统还包括：

第一获得单元，所述第一获得单元用于对所述频繁项集进行支持度的递减排序，获得最小支持度min_sup；

第一调用单元，所述第一调用单元用于调用所述事务数据库D和所述最小支持度min_sup，搭建频繁模式树；

第二判断单元，所述第二判断单元用于判断所述频繁模式树的生长路径是否为简单路径；

第一组合单元，所述第一组合单元用于如果所述频繁模式树的生长路径为所述简单路径，对所述频繁项集中，大于所述最小支持度min_sup的剩余支持度进行任意组合，生成期望频繁模式，且所述期望频繁模式构成所述货物仓储变化逻辑关系。

进一步的，所述系统还包括：

第三搭建单元，所述第三搭建单元用于将所述货物仓储变化逻辑关系作为模型框架，将所述仓储变化信息作为说服数据，搭建初始货物库存预测模型；

第八分析单元，所述第八分析单元用于对所述初始货物库存预测模型进行残差检验分析，获得第一升级参数；

第一升级单元，所述第一升级单元用于根据所述第一升级参数，对所述初始货物库存预测模型进行模型升级，生成所述货物库存预测模型。

进一步的，所述系统还包括：

第四搭建单元，所述第四搭建单元用于搭建第三方库存物料协调数据库；

第三采集单元，所述第三采集单元用于对各个货物需求方的货物盈亏量值进行自定义采集，并上传至所述第三方库存物料协调数据库，生成第一物料协调方案；

第二调整单元，所述第二调整单元用于根据所述第一物料协调方案，对所述货物需求方的仓储进行动态调整。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于状态预测的纺织业库存调整方法和具体实例同样适用于本实施例的一种基于状态预测的纺织业库存调整系统，通过前述对一种基于状态预测的纺织业库存调整方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于状态预测的纺织业库存调整系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

示例性电子设备

下面参考图5来描述本发明的电子设备。

图5图示了根据本发明的电子设备的结构示意图。

基于与前述实施例中一种基于状态预测的纺织业库存调整方法的发明构思，本发明还提供一种基于状态预测的纺织业库存调整系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于状态预测的纺织业库存调整方法的任一方法的步骤。

其中，在图5中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本发明提供了一种基于状态预测的纺织业库存调整方法，所述方法包括：基于大数据，采集货物需求方在预设周期内的历史仓储变化信息；对所述历史仓储变化信息进行供求关系分析，获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合；基于探索式分析技术，对所述第一时间节点集合和所述第二时间节点集合对应的需求敏感要素进行探索分析，获得敏感要素集合；将所述敏感要素集合作为逻辑自变量，将所述历史仓储变化信息作为逻辑因变量，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系；基于所述货物仓储变化逻辑关系，搭建所述货物需求方的货物库存预测模型；采集获得所述货物需求方的实时需求影响要素集合，并输入至搭建好的所述货物库存预测模型进行回归预测训练，获得所述货物需求方在未来预设周期内的预期库存变化信息；基于所述预期库存变化信息，对所述货物需求方的仓储进行动态调整。解决了现有技术中在对纺织业库存进行管理时，无法针对复杂多变的需求端环境，对纺织品仓库存储进行动态的平衡管理，导致出现供不应求或供大于求的库存状态，严重影响了纺织企业的生产进度的技术问题。达到了对供不应求或供大于求的库存状态进行预先响应，对纺织品仓库存储进行动态的平衡管理，确保纺织企业的生产进度正常推进的技术效果。

本发明还提供一种电子设备，其中，包括处理器和存储器；

该存储器，用于存储；

该处理器，用于通过调用，执行上述实施例一中任一项所述的方法。

本发明还提供一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本发明为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random AccessMemory，简称RAM）、磁盘存储器、只读光盘（Compact Disc Read-Only Memory，简称CD-ROM）、光学存储器等各种可以存储程序代码的介质。

本发明是参照本发明的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于状态预测的纺织业库存调整方法，其特征在于，所述方法包括：

基于大数据，采集货物需求方在预设周期内的历史仓储变化信息；

对所述历史仓储变化信息进行供求关系分析，获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合；

基于探索式分析技术，对所述第一时间节点集合和所述第二时间节点集合对应的需求敏感要素进行探索分析，获得敏感要素集合，其中包括：基于时间发展先后顺序，对所述第一时间节点集合和所述第二时间节点集合进行时间节点的重新排列，且对所述历史仓储变化信息进行对应匹配，生成时间发展-仓储变化逻辑线；对所述时间发展-仓储变化逻辑线进行连续时间的自定义逻辑关系截取，获得第一仓储变化曲线，其中，所述第一仓储变化曲线的初始点满足所述第一供求关系、终点满足所述第二供求关系；基于第一分析逻辑，对所述第一仓储变化曲线进行回归预测分析，生成第一曲线斜率，且获得所述第一曲线斜率投映的第一曲线变化时段；对所述第一曲线斜率和所述第一曲线变化时段进行特征升级分析，生成所述第一仓储变化曲线的第一高级特征；基于所述第一高级特征，对所述第一仓储变化曲线中的需求敏感要素进行探索分析；

将所述敏感要素集合作为逻辑自变量，将所述历史仓储变化信息作为逻辑因变量，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系；

基于所述货物仓储变化逻辑关系，搭建所述货物需求方的货物库存预测模型；

采集获得所述货物需求方的实时需求影响要素集合，并输入至搭建好的所述货物库存预测模型进行回归预测训练，获得所述货物需求方在未来预设周期内的预期库存变化信息；

基于所述预期库存变化信息，对所述货物需求方的仓储进行动态调整。

2.如权利要求1所述的方法，其特征在于，所述方法包括：

将所述第一仓储变化曲线的所述终点作为新的曲线初始点，对所述时间发展-仓储变化逻辑线进行自定义逻辑关系截取，获得第二仓储变化曲线；

所述第二仓储变化曲线的所述新的曲线初始点满足所述第二供求关系、新的曲线终点满足所述第一供求关系；

根据所述第一分析逻辑，对所述第二仓储变化曲线进行回归预测分析，直至生成所述第二仓储变化曲线的第二高级特征；

以此递归，对所述预设周期内的历史仓储变化信息进行遍历的需求敏感要素进行探索分析，直至获得所述敏感要素集合。

3.如权利要求1所述的方法，其特征在于，所述构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系，包括：

基于所述历史仓储变化信息，搭建事务数据库D；

将所述敏感要素集合定义为项目集合A；

基于关联规则算法，计算所述项目集合A中的各项目子集在所述事务数据库D中出现的次数，获得所述各项目子集对所述事务数据库D的项目支持度分布；

预设所述事务数据库D的最小支持度阈值；

判断所述项目支持度分布是否超过所述最小支持度阈值；

若所述项目支持度分布超过所述最小支持度阈值，将超过部分的项目支持度定义为频繁项集。

4.如权利要求3所述的方法，其特征在于，所述方法包括：

对所述频繁项集进行支持度的递减排序，获得最小支持度min_sup；

调用所述事务数据库D和所述最小支持度min_sup，搭建频繁模式树；

判断所述频繁模式树的生长路径是否为简单路径；

如果所述频繁模式树的生长路径为所述简单路径，对所述频繁项集中，大于所述最小支持度min_sup的剩余支持度进行任意组合，生成期望频繁模式，且所述期望频繁模式构成所述货物仓储变化逻辑关系。

5.如权利要求1所述的方法，其特征在于，所述搭建所述货物需求方的货物库存预测模型，包括：

将所述货物仓储变化逻辑关系作为模型框架，将所述仓储变化信息作为说服数据，搭建初始货物库存预测模型；

对所述初始货物库存预测模型进行残差检验分析，获得第一升级参数；

根据所述第一升级参数，对所述初始货物库存预测模型进行模型升级，生成所述货物库存预测模型。

6.如权利要求1所述的方法，其特征在于，所述对所述货物需求方的仓储进行动态调整，包括：

搭建第三方库存物料协调数据库；

对各个货物需求方的货物盈亏量值进行自定义采集，并上传至所述第三方库存物料协调数据库，生成第一物料协调方案；

根据所述第一物料协调方案，对所述货物需求方的仓储进行动态调整。

7.一种基于状态预测的纺织业库存调整系统，其特征在于，所述系统包括：

第一采集单元，所述第一采集单元用于基于大数据，采集货物需求方在预设周期内的历史仓储变化信息；

第一分析单元，所述第一分析单元用于对所述历史仓储变化信息进行供求关系分析，获得第一供求关系对应的第一时间节点集合、第二供求关系对应的第二时间节点集合；

第二分析单元，所述第二分析单元用于基于探索式分析技术，对所述第一时间节点集合和所述第二时间节点集合对应的需求敏感要素进行探索分析，获得敏感要素集合；

第一排列单元，所述第一排列单元用于基于时间发展先后顺序，对所述第一时间节点集合和所述第二时间节点集合进行时间节点的重新排列，且对所述历史仓储变化信息进行对应匹配，生成时间发展-仓储变化逻辑线；

第一截取单元，所述第一截取单元用于对所述时间发展-仓储变化逻辑线进行连续时间的自定义逻辑关系截取，获得第一仓储变化曲线，其中，所述第一仓储变化曲线的初始点满足所述第一供求关系、终点满足所述第二供求关系；

第三分析单元，所述第三分析单元用于基于第一分析逻辑，对所述第一仓储变化曲线进行回归预测分析，生成第一曲线斜率，且获得所述第一曲线斜率投映的第一曲线变化时段；

第四分析单元，所述第四分析单元用于对所述第一曲线斜率和所述第一曲线变化时段进行特征升级分析，生成所述第一仓储变化曲线的第一高级特征；

第五分析单元，所述第五分析单元用于基于所述第一高级特征，对所述第一仓储变化曲线中的需求敏感要素进行探索分析；

第一构建单元，所述第一构建单元用于将所述敏感要素集合作为逻辑自变量，将所述历史仓储变化信息作为逻辑因变量，构建所述货物需求方在所述预设周期内的货物仓储变化逻辑关系；

第一搭建单元，所述第一搭建单元用于基于所述货物仓储变化逻辑关系，搭建所述货物需求方的货物库存预测模型；

第二采集单元，所述第二采集单元用于采集获得所述货物需求方的实时需求影响要素集合，并输入至搭建好的所述货物库存预测模型进行回归预测训练，获得所述货物需求方在未来预设周期内的预期库存变化信息；

第一调整单元，所述第一调整单元用于基于所述预期库存变化信息，对所述货物需求方的仓储进行动态调整。

8.一种电子设备，其特征在于，包括处理器和存储器；

所述存储器，用于存储程序和/或指令；

所述处理器，用于通过调用所述程序和/或指令执行权利要求1~6中任一项所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序和/或指令，其特征在于，该计算机程序和/或指令被处理器执行时实现权利要求1~6中任一项所述方法的步骤。

Images