CN115130894A - 基于人工智能的生产规划方法、装置、计算机设备及介质 - Google Patents
基于人工智能的生产规划方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN115130894A CN115130894A CN202210815947.2A CN202210815947A CN115130894A CN 115130894 A CN115130894 A CN 115130894A CN 202210815947 A CN202210815947 A CN 202210815947A CN 115130894 A CN115130894 A CN 115130894A
- Authority
- CN
- China
- Prior art keywords
- predicted
- yield
- sales
- inventory
- time period
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 112
- 238000009826 distribution Methods 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/04—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
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的生产规划方法、装置、计算机设备及介质。该方法将历史销售数据输入销量预测模型得到预测销量,将预测销量和生产信息输入产量预测模型得到预测产量,确定预测产量与预测销量的差值为预测库存量,在预测库存量不满足预设条件时,通过变分自编码器中得到优化产量,确定优化产量与预测销量的差值为优化库存量,并根据满足预设条件的优化库存量确定生产量,通过库存量对产量进行评估,避免在生产时出现库存超限,造成额外的损失,提高了生产规划的准确性,同时采用变分自编码器生成优化产量,能够对预测产量微调,防止多项产品的生产量由于库存限制存在对抗关系,从而提高了生产规划的效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的生产规划方法、装置、计算机设备及介质。
背景技术
目前,产品的销售模式通常采用预售模式,以避免产品在销售过程中出现滞销或者脱销的情况,并根据预售情况确定产品的生产规划,然而,预售模式将导致购买方需要经历产品的等待周期,在等待周期期间可能出现购买方流失的情况,产品的竞争力较低,因此制造方在生产产品前,通常由相应的规划人员根据历史销售信息和企业的历史生产信息对产品进行生产规划。
但是,由于销售信息与生产信息具有较强的耦合性,规划人员在处理相关信息时,难以准确描述销售信息和生产信息的关系,导致生产规划的准确率较低,并且在应用过程中需要根据企业的库存能力对各产品的生产计划进行微调,采用人为方式难以快速且有效地调整生产规划,导致生产规划的效率较低,因此,如何在保证生产规划准确率的情况下,提高生产规划的效率成为亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于人工智能的生产规划方法、装置、计算机设备及介质,以解决在保证生产规划准确率的情况下,生产规划的效率较低的问题。
第一方面,本发明实施例提供一种基于人工智能的生产规划方法,所述生产规划方法包括:
获取待生产产品在采样时间段的历史销售数据,将所述历史销售数据输入训练好的销量预测模型,得到目标时间段的预测销量;
获取待生产产品在所述目标时间段的生产信息,将所述预测销量和所述生产信息输入训练好的产量预测模型,得到所述目标时间段的预测产量;
计算所述预测产量与所述预测销量的差值,确定所述差值为预测库存量,并检测所述预测库存量是否满足所述预设条件,若所述预测库存量不满足预设条件,则将所述预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量,N为大于零的整数;
将N个优化产量分别与所述预测销量进行差值计算,确定对应优化产量的计算结果为对应的优化库存量,并根据N个优化库存量中满足所述预设条件的优化库存量,确定所述待生产产品在所述目标时间段的生产量,所述生产量用于指导生产者进行生产规划。
第二方面,本发明实施例提供一种基于人工智能的生产规划装置,所述生产规划装置包括:
销量预测模块,用于获取待生产产品在采样时间段的历史销售数据,将所述历史销售数据输入训练好的销量预测模型,得到目标时间段的预测销量;
产量预测模块,用于获取待生产产品在所述目标时间段的生产信息,将所述预测销量和所述生产信息输入训练好的产量预测模型,得到所述目标时间段的预测产量;
产量优化模块,用于计算所述预测产量与所述预测销量的差值,确定所述差值为预测库存量,并检测所述预测库存量是否满足预设条件,若所述预测库存量不满足所述预设条件,则将所述预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量,N为大于零的整数;
生成规划模块,用于将N个优化产量分别与所述预测销量进行差值计算,确定对应优化产量的计算结果为对应的优化库存量,并根据N个优化库存量中满足所述预设条件的优化库存量,确定所述待生产产品在所述目标时间段的生产量,所述生产量用于指导生产者进行生产规划。
第三方面,本发明实施例提供一种计算机设备,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的生产规划方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的生产规划方法。
本发明实施例与现有技术相比存在的有益效果是:
获取待生产产品在采样时间段的历史销售数据,将历史销售数据输入训练好的销量预测模型,得到目标时间段的预测销量,获取待生产产品在目标时间段的生产信息,将预测销量和生产信息输入训练好的产量预测模型,得到目标时间段的预测产量,计算预测产量与预测销量的差值,确定差值为预测库存量,并检测预测库存量是否满足预设条件,若预测库存量不满足预设条件,则将预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量,N为大于零的整数,将N个优化产量分别与预测销量进行差值计算,确定对应优化产量的计算结果为对应的优化库存量,并根据N个优化库存量中满足预设条件的优化库存量,确定待生产产品在目标时间段的生产量,生产量用于指导生产者进行生产规划,通过库存量对产量进行评估,避免在生产时出现库存超限的情况,造成额外的损失,从而提高了生产规划的准确性,同时采用变分自编码器生成优化产量,对预测产量进行微调,防止多项产品的产量预测结果由于库存量限制存在对抗关系导致难以确定合理的生产规划,从而提高了生产规划的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于人工智能的生产规划方法的一应用环境示意图;
图2是本发明实施例一提供的一种基于人工智能的生产规划方法的流程示意图;
图3是本发明实施例二提供的一种基于人工智能的生产规划方法的流程示意图;
图4是本发明实施例三提供的一种基于人工智能的生产规划装置的结构示意图;
图5是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明实施例一提供的一种基于人工智能的生产规划方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant,PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2,是本发明实施例一提供的一种基于人工智能的生产规划方法的流程示意图,上述生产规划方法可以应用于图1中的客户端,客户端对应的计算机设备在接收到待生产产品的生成规划指令后,访问服务端获取待生产产品的历史销售数据以及生产信息,以进行待生产产品的销量预测和产量预测,客户端内存储有实时的库存量限制信息,用以判断预测销量和预测产量是否满足库存量限制。如图2所示,该生产规划方法可以包括以下步骤:
步骤S201,获取待生产产品在采样时间段的历史销售数据,将历史销售数据输入训练好的销量预测模型,得到目标时间段的预测销量。
其中,待生产产品可以是指需要进行生产规划以进行生产的产品,采样时间段可以是指预设的获取待生产产品历史销售数据的时间段,历史销售数据可以是指待生产产品在历史销售时的数据,在一采样时间段的历史销售数据可以包括在该采样时间段内待生产产品的总购买次数、在该采样时间段内待生产产品的被同一客户连续购买的次数、该采样时间段内待生产产品被同一客户购买的次数、该采样时间段内待生产产品被客户投诉质量问题次数、该采样时间段内待生产产品收集的客户反馈信息。
销量预测模型可以是指神经网络模型、逻辑回归模型等端到端模型。
目标时间段可以是指待规划的生成时间段,预测销量可以是指在目标时间段内预测的销售数量。
具体地,采样时间段可以包括M个采样时间点和一个初始时间点,M为大于一的整数,对于第m个采样时间点,m的取值范围为[1,M]内的整数,第m个采样时间点对应的历史销售数据为第m-1个采样时间点到第m个采样时间点之间销售数据的统计结果,需要说明的是,若m为1,则第1个采样时间点对应的历史销售数据为初始时间点到第1个采样时间点之间销售数据的统计结果。
一采样时间点对应的销售数据的表现形式可以是向量形式,即向量中的元素分别对应于一类历史销售数据,例如,在本实施例中,向量的尺寸为1*5,也即一行五列,其中,第一列的元素对应于在该采样时间点待生产产品的总购买次数、第二列的元素对应于在该采样时间点待生产产品的被同一客户连续购买的次数、第三列的元素对应于该采样时间点待生产产品被同一客户购买的次数、第四列的元素对应于该采样时间点待生产产品被客户投诉质量问题次数、第五列的元素对应于该采样时间点待生产产品收集的客户反馈信息。
在本实施例中,一采样时间段对应的销售数据的表现形式可以是矩阵形式,矩阵的尺寸为M*5,也即M行5列,其中第m行代表第m个采样时间点采集的销售数据。
将一采样时间段对应的销售数据对应的矩阵作为训练好的销量预测模型的输入,得到目标时间段的预测销量,目标时间段可以是指采样时间段之后相邻的时间段。
在一实施方式中,一采样时间段对应的销售数据的表现形式也可以是向量形式,向量的尺寸为1*5M,也即1行5M列,其中第5m-4列到第5m列表示第m个采样时间点采集的销售数据。
可选的是,销量预测模型包括第一编码器和第一全连接层,以样本产品在样本采样时间段的历史销售数据作为销量预测模型训练时的训练样本,以样本产品在样本目标时间段的实际销量作为销量预测模型训练时的标签,以均方误差损失作为销量预测模型训练时的损失函数;
销量预测模型的训练过程包括:
将训练样本输入第一编码器进行特征提取,得到样本特征张量;
将样本特征张量输入第一全连接层进行特征映射,得到样本目标时间段的样本预测销量;
根据样本预测销量和实际销量,计算均方误差损失,以均方误差损失为根据,采用梯度下降法反向更新销量预测模型的参数,直至均方误差损失收敛,得到训练好的销量预测模型。
其中,第一编码器可以用于提取历史销量数据的特征,第一全连接层可以用于将第一编码器提取的特征映射至输出空间,样本产品可以是指当前已投入生产的产品,样本采样时间段可以是指对样本产品设置的采样时间段。
实际销量即为样本产品在样本目标时间段实际销售的数量。
具体地,在选择样本产品时,建议选择与待生产产品类型类似的产品作为样本产品,以避免产品销售行情差异对销量预测造成影响,相应地,为了避免时间不同导致的产品销售行情不同,建议样本采样时间段与采样时间段一致,需要说明的是,上述样本产品选择过程会导致销量预测模型的泛化能力较小,实施者在资源允许的情况下,建议在每类产品类型中均选择若干个已生产产品作为样本产品,以提高销量预测模型的泛化能力。
本实施例提供了两种样本产品确定方式,从而适应不同的训练时间和训练资源,提高了训练好的销量预测模型在进行待生产产品的销量预测时的准确率。
上述获取待生产产品在采样时间段的历史销售数据,将历史销售数据输入训练好的销量预测模型,得到目标时间段的预测销量的步骤,通过多维度历史销售数据对目标时间段的预测销量进行预测,能够使销售数据的特征更为丰富,提高销量预测的准确率,进而提高生产规划的准确率。
步骤S202,获取待生产产品在目标时间段的生产信息,将预测销量和生产信息输入训练好的产量预测模型,得到目标时间段的预测产量。
其中,生产信息可以是指待生产产品在生产过程中的生产因素,生产因素可以包括待生产产品的生产周期、资源占用率、生产效率等。
产量预测模型可以是指神经网络模型、逻辑回归模型等预测模型,预测产量可以是指待生产产品在目标时间段的产量预测值。
具体地,生产信息的表现形式可以是向量形式,向量中每个元素表示一类生产因素,例如,向量尺寸为1*3,也即一行三列,则第一列元素表示待生产产品的生产周期、第二列元素表示待生产产品的资源占用率、第三列元素表示待生产产品的生产效率。
产量预测模型包含第二全连接层和两个特征提取分支,第一个分支为销量特征提取分支,第二个分支为生产信息特征提取分支,销量特征提取分支的输入为预测销量,输出为销量特征张量,生产信息特征提取分支的输入为生产信息,输出为生产信息特征张量,两个分支的输出特征张量经联结处理后,将联结后的特征张量输入第二全连接层进行特征映射,得到待生产产品在目标时间段的预测产量。
上述获取待生产产品在目标时间段的生产信息,将预测销量和生产信息输入训练好的产量预测模型,得到目标时间段的预测产量的步骤,通过将预测销量和生产信息对应的特征融合,提高特征的表征能力,提高产量预测的准确率,从而提高生产规划的准确率。
步骤S203,计算预测产量与预测销量的差值,确定差值为预测库存量,并检测预测库存量是否满足预设条件,若预测库存量不满足预设条件,则将预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量。
其中,N为大于零的整数,预测库存量可以是指按照预测产量与预测销量进行生产后可能作为库存的产品量,预设条件可以用于判断预测库存量是否满足实际库存的限制。
变分自编码器可以用于优化产量的生成,变分自编码器包括第二编码器和解码器,采样生成可以是指对变分自编码器中第二编码器提取的隐变量分布进行采样后,将采样结果重构,实现数据生成的效果,优化产量可以是指对预测产量进行微调后的产量。
具体地,变分自编码器在训练时,以样本产品的实际产量作为训练样本,以优化损失作为训练时的损失函数,优化损失具体为:
L=d(x,x′)+e-d(x,x′)
其中,x表示训练样本,x′表示训练样本输入变分自编码器后输出的重构样本,d(x,x′)表示训练样本和重构样本的欧式距离,该优化损失的目的为,令重构样本尽可能接近训练样本,但又确保重构样本与训练样本不同,以起到优化的作用。当d(x,x′)靠近0时,优化损失更关注e-d(x,x′),此时为了降低损失,训练过程将使d(x,x′)增大,也即使重构样本与训练样本不同,当d(x,x′)较大时,e-d(x,x′)接近0,优化损失更关注d(x,x′),此时为了降低损失,训练过程将使d(x,x′)减小,也即令重构样本尽可能接近训练样本。
可选的是,检测预测库存量是否满足预设条件包括:
检测预测库存量是否小于预设的库存上限;
若预测库存量小于库存上限,则检测预测库存量是否大于预设的库存下限;
若预测库存量大于库存下限,则确定预测库存量满足预设条件,否则,确定预测库存量不满足预设条件。
其中,库存上限和库存下限由实际库存信息确定,库存上限可以是指实际库存的剩余可存储量,库存下限可以是指实际库存的最低存储量。
具体地,设置库存上限的目的在于避免库存超限,设置库存下限的目的在于避免库存空间利用率过低,降低销售灵活性。
需要说明的是,可以将多个待生产产品的预测库存量联合进行预设条件判断,从而更为合理地进行库存分配。
本实施例根据实际库存信息确定预测库存量的预设条件,从而避免库存超限,造成额外损失,同时避免库存空间利用率过低,提高了销售的灵活性。
可选的是,将预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量包括:
将预测销量和预测产量输入训练好的分布预测模型,得到预测采样分布;
根据预测采样分布,由预训练好的变分自编码器进行N次采样,并根据N次采样结果,得到N个优化产量。
其中,分布预测模型可以用于预测变分自编码器中的采样分布,预测采样分布可以是指在采样时各个采样位置的权重分布。
具体地,预测采样分布与变分自编码器得到的隐变量分布范围一致,将预测采样分布与变分自编码器得到的隐变量分布相乘,从而调整隐变量分布各位置被采样到的概率,另采样过程存在偏好性,从而避免无效采样。
本实施例通过预测采样分布调整隐变量分布各位置被采样到的概率,提高有效采样的概率,从而减少优化产量不符合预设条件的情况,提高了生产规划的效率。
可选的是,以样本产品在样本目标时间段的实际销量和在样本目标时间段的实际产量作为分布预测模型训练时的第二训练样本,以交叉熵损失作为分布预测模型训练时的损失函数;
分布预测模型的训练过程包括:
获取每个对应样本产品的保留的优化库存量在预训练好的变分自编码器中采样时对应的采样值,并将采样值转化为采样向量;
将所有采样向量叠加,采用归一化指数函数对叠加结果中每个元素进行归一化,得到采样概率分布,确定采样概率分布为标签;
将第二训练样本输入分布预测模型,得到样本分布;
根据样本分布和采样概率分布,计算交叉熵损失,以交叉熵损失为根据,采用梯度下降法反向更新分布预测模型的参数,直至交叉熵损失收敛,得到训练好的分布预测模型。
其中,采样值可以是指采样结果,采样向量可以是指各采样位置的采样结果构成的向量,例如,采样向量为1*Q尺寸,表示有Q个采样位置,其中第q个为1,其他均为0,表示第q个位置被采样到。
采样概率分布可以包括每个采样位置被采样到的概率。
具体地,将所有采样向量逐点叠加,再采用归一化指数函数(Softmax函数)对叠加结果归一化,即可得到每个元素的概率值构成的采样概率分布。
本实施例通过满足预设条件的优化库存量对应的采样值构成采样概率分布,以采样概率分布为标签对分布预测模型进行训练,能够更好地适应分布预测任务,提高分布预测的准确性。
上述计算预测产量与预测销量的差值,确定差值为预测库存量,并检测预测库存量是否满足预设条件,若预测库存量不满足预设条件,则将预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量的步骤,通过变分自编码器生成优化产量,无需再次对生产信息、预测销量进行分析,而是直接通过对产量进行优化以使后续优化库存量符合预设条件,极大降低了分析成本,提高了生产规划的效率。
步骤S204,将N个优化产量分别与预测销量进行差值计算,确定对应优化产量的计算结果为对应的优化库存量,并根据N个优化库存量中满足预设条件的优化库存量,确定待生产产品在目标时间段的生产量。
其中,优化库存量可以是指通过优化产量和预测销量确定的库存量,生产量用于指导生产者进行生产规划。
具体地,目标时间段内包含若干个目标时间点,目标时间段的生产量包含各个目标时间点对应的生产量,实施者可以对目标时间段的生产量进行分析评估,确定生产量是合理的情况下,可以以生产量直接作为待生产产品的生产规划,也可以以生产量作为参考,由规划人员确定待生产产品的生产规划,采用以生产量作为参考的方式也能有效提高生产规划的效率。
可选的是,目标时间段包括至少两个目标时间点;
根据N个优化库存量中满足预设条件的优化库存量,确定待生产产品在目标时间段的生产量包括:
针对任一满足预设条件的优化库存量,计算优化库存量内所有对应目标时间点的子库存量的方差;
确定方差最小的优化库存量为目标库存量,并根据目标库存量内所有对应目标时间点的优化子产量,确定待生产产品在目标时间段的生产量。
其中,子库存量可以是指各目标时间点对应的库存量,目标库存量可以是指最稳定的优化库存量,优化子产量可以是指各目标时间点对应的优化产量。
具体地,为了避免库存量起伏过大导致难以合理分配各待生产产品的库存量,采用方差衡量各个优化库存量的稳定性,确定最稳定的优化库存量为目标库存量。
本实施例采用方差衡量各个优化库存量的稳定性,从而确定目标库存量,避免库存量起伏过大,简化了库存分配的流程,能够有效提高生产规划的合理性。
上述将N个优化产量分别与预测销量进行差值计算,确定对应优化产量的计算结果为对应的优化库存量,并根据N个优化库存量中满足预设条件的优化库存量,确定待生产产品在目标时间段的生产量的步骤,根据满足预设条件的优化库存量确定生产量,能够有效克服库存超限或者库存供应不足的情况,提高库存的利用效率,进而提高生产规划的准确率。
本实施例中,通过库存量对产量进行评估,避免在生产时出现库存超限的情况,造成额外的损失,从而提高了生产规划的准确性,同时采用变分自编码器生成优化产量,对预测产量进行微调,防止多项产品的产量预测结果由于库存量限制存在对抗关系导致难以确定合理的生产规划,从而提高了生产规划的效率。
参见图3,是本发明实施例二提供的一种基于人工智能的生产规划方法的流程示意图,该生产规划方法中,目标时间段包含K个目标时间点,可以将预测销量和生产信息输入训练好的产量预测模型,直接得到目标时间段的预测产量,此时预测产量为1*K尺寸的向量,向量中的元素对应目标时间点的预测产量,也可以将预测销量和生产信息输入训练好的产量预测模型,通过迭代方式得到目标时间段的预测产量,此时预测产量为单个数值。
直接得到向量形式的目标时间段预测产量的过程,可参见实施例一,在此不作赘述。
通过迭代方式得到数值形式的的目标时间段预测产量的过程时,预测销量包括目标时间段内K个对应目标时间点的销量元素,K为大于零的整数;
将预测销量和生产信息输入训练好的产量预测模型,得到目标时间段的预测产量包括:
步骤S301,根据K个销量元素的时序,确定首个销量元素为输入元素,并确定总产量的初始值为零,迭代次数的初始值为1;
步骤S302,将输入元素、生产信息和总产量输入训练好的产量预测模型,得到输出产量,并将迭代次数增加1;
步骤S303,检测输出产量对应的时间段是否为目标时间段,若输出产量对应的时间段不为目标时间段,则按照时序,确定下一个销量元素为输入元素,并确定输出产量为总产量,再次执行将输入元素、生产信息和总产量输入训练好的产量预测模型的步骤,直至输出产量对应的时间段为目标时间段或者迭代次数为K,确定对应目标时间段的输出产量为目标时间段的预测产量。
其中,K个对应目标时间点的销量元素符合时间顺序,并按照从左至右顺序排列,则首个销量元素为最左边的销量元素,输入元素可以是指当前输入产量预测模型的元素,总产量可以是指当前预测产量的总和,迭代次数可以是指产量的预测次数。
具体地,销量元素和总产量以嵌入向量的形式添加至产量预测模型,嵌入向量为1*2尺寸,即一行二列,向量中第一列的元素表示销量元素,向量中第二列的元素表示总产量。
生产信息通过第三编码器提取特征,得到生产信息特征张量,在得到生产信息特征张量之后,将生产信息特征张量与嵌入向量进行联结,实现特征融合,再将联结后的特征张量输入第三全连接层进行特征映射,得到输出产量,输出产量对应于所输入销量元素的目标时间点。
检测输出产量对应的时间段是否为目标时间段,也即检测当前迭代过程中的输出产量对应的目标时间点是否为目标时间段内最后一个目标时间点。
迭代终止条件为输出产量对应的时间段为目标时间段或者迭代次数为K,该条件为互证条件,即输出产量对应的时间段为目标时间段时,其迭代次数也应当为K,若迭代终止时只满足其中一个条件,说明检测阶段存在异常,从而便于实施者进行运维,提高运维效率。
需要说明的是,实施者可以自定义迭代终止条件,从而提高迭代效率,例如,实施者可以设置迭代终止条件为输出产量对应的时间段为预设时间段或者迭代次数为K,此时当输出产量对应的时间段为预设时间段时,即停止迭代,该方式需要设置预设时间段在目标时间段内,否则仍是得到目标时间段的预测产量后才终止。
本实施例通过迭代方式进行产量预测,从而在每个迭代过程中均以前次迭代的输出作为参考信息,将预测销量、预测产量以及总产量进行合理解耦,从而提高了特征表征能力,提高了产量预测的准确率。
对应于上文实施例的基于人工智能的生产规划方法,图4示出了本发明实施例三提供的基于人工智能的生产规划装置的结构框图,上述生产规划装置应用于客户端,客户端对应的计算机设备在接收到待生产产品的生成规划指令后,访问服务端获取待生产产品的历史销售数据以及生产信息,以进行待生产产品的销量预测和产量预测,客户端内存储有实时的库存量限制信息,用以判断预测销量和预测产量是否满足库存量限制。为了便于说明,仅示出了与本发明实施例相关的部分。
参见图4,该生产规划装置包括:
销量预测模块41,用于获取待生产产品在采样时间段的历史销售数据,将历史销售数据输入训练好的销量预测模型,得到目标时间段的预测销量;
产量预测模块42,用于获取待生产产品在目标时间段的生产信息,将预测销量和生产信息输入训练好的产量预测模型,得到目标时间段的预测产量;
产量优化模块43,用于计算预测产量与预测销量的差值,确定差值为预测库存量,并检测预测库存量是否满足预设条件,若预测库存量不满足预设条件,则将预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量,N为大于零的整数;
生成规划模块44,用于将N个优化产量分别与预测销量进行差值计算,确定对应优化产量的计算结果为对应的优化库存量,并根据N个优化库存量中满足预设条件的优化库存量,确定待生产产品在目标时间段的生产量,生产量用于指导生产者进行生产规划。
可选的是,销量预测模型包括第一编码器和第一全连接层,以样本产品在样本采样时间段的历史销售数据作为销量预测模型训练时的训练样本,以样本产品在样本目标时间段的实际销量作为销量预测模型训练时的标签,以均方误差损失作为销量预测模型训练时的损失函数;
上述生产规划装置还包括:
样本编码模块,用于将训练样本输入第一编码器进行特征提取,得到样本特征张量;
样本销量预测模块,用于将样本特征张量输入第一全连接层进行特征映射,得到样本目标时间段的样本预测销量;
销量模型训练模块,用于根据样本预测销量和实际销量,计算均方误差损失,以均方误差损失为根据,采用梯度下降法反向更新销量预测模型的参数,直至均方误差损失收敛,得到训练好的销量预测模型。
可选的是,预测销量包括目标时间段内K个对应目标时间点的销量元素,K为大于零的整数;
上述产量预测模块42包括:
初始化单元,用于根据K个销量元素的时序,确定首个销量元素为输入元素,并确定总产量的初始值为零,迭代次数的初始值为1;
迭代预测单元,用于将输入元素、生产信息和总产量输入训练好的产量预测模型,得到输出产量,并将迭代次数增加1;
迭代终止单元,用于检测输出产量对应的时间段是否为目标时间段,若输出产量对应的时间段不为目标时间段,则按照时序,确定下一个销量元素为输入元素,并确定输出产量为总产量,再次执行将输入元素、生产信息和总产量输入训练好的产量预测模型的步骤,直至输出产量对应的时间段为目标时间段或者迭代次数为K,确定对应目标时间段的输出产量为目标时间段的预测产量。
可选的是,上述产量优化模块43包括:
上限检测单元,用于检测预测库存量是否小于预设的库存上限;
下限检测单元,用于若预测库存量小于库存上限,则检测预测库存量是否大于预设的库存下限;
条件确定单元,用于若预测库存量大于库存下限,则确定预测库存量满足预设条件,否则,确定预测库存量不满足预设条件。
可选的是,上述产量优化模块43包括:
分布预测单元,用于将预测销量和预测产量输入训练好的分布预测模型,得到预测采样分布;
分布采样单元,用于根据预测采样分布,由预训练好的变分自编码器进行N次采样,并根据N次采样结果,得到N个优化产量。
可选的是,以样本产品在样本目标时间段的实际销量和在样本目标时间段的实际产量作为分布预测模型训练时的第二训练样本,以交叉熵损失作为分布预测模型训练时的损失函数;
上述产量优化模块43还包括:
采样向量获取单元,用于获取每个对应样本产品的保留的优化库存量在预训练好的变分自编码器中采样时对应的采样值,并将采样值转化为采样向量;
标签确定单元,用于将所有采样向量叠加,采用归一化指数函数对叠加结果中每个元素进行归一化,得到采样概率分布,确定采样概率分布为标签;
样本分布预测单元,用于将第二训练样本输入分布预测模型,得到样本分布;
分布模型训练单元,用于根据样本分布和采样概率分布,计算交叉熵损失,以交叉熵损失为根据,采用梯度下降法反向更新分布预测模型的参数,直至交叉熵损失收敛,得到训练好的分布预测模型。
可选的是,目标时间段包括至少两个目标时间点;
上述生成规划模块44包括:
方差计算单元,用于针对任一满足预设条件的优化库存量,计算优化库存量内所有对应目标时间点的子库存量的方差;
产量确定单元,用于确定方差最小的优化库存量为目标库存量,并根据目标库存量内所有对应目标时间点的优化子产量,确定待生产产品在目标时间段的生产量。
需要说明的是,上述模块、单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5为本发明实施例四提供的一种计算机设备的结构示意图。如图5所示,该实施例的计算机设备包括:至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个生产规划方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图5仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的生产规划方法,其特征在于,所述方法包括:
获取待生产产品在采样时间段的历史销售数据,将所述历史销售数据输入训练好的销量预测模型,得到目标时间段的预测销量;
获取所述待生产产品在所述目标时间段的生产信息,将所述预测销量和所述生产信息输入训练好的产量预测模型,得到所述目标时间段的预测产量;
计算所述预测产量与所述预测销量的差值,确定所述差值为预测库存量,并检测所述预测库存量是否满足预设条件,若所述预测库存量不满足所述预设条件,则将所述预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量,N为大于零的整数;
将N个优化产量分别与所述预测销量进行差值计算,确定对应优化产量的计算结果为对应的优化库存量,并根据N个优化库存量中满足所述预设条件的优化库存量,确定所述待生产产品在所述目标时间段的生产量,所述生产量用于指导生产者进行生产规划。
2.根据权利要求1所述的生产规划方法,其特征在于,所述销量预测模型包括第一编码器和第一全连接层,以样本产品在样本采样时间段的历史销售数据作为所述销量预测模型训练时的训练样本,以所述样本产品在样本目标时间段的实际销量作为所述销量预测模型训练时的标签,以均方误差损失作为所述销量预测模型训练时的损失函数;
所述销量预测模型的训练过程包括:
将所述训练样本输入所述第一编码器进行特征提取,得到样本特征张量;
将所述样本特征张量输入所述第一全连接层进行特征映射,得到所述样本目标时间段的样本预测销量;
根据所述样本预测销量和所述实际销量,计算所述均方误差损失,以所述均方误差损失为根据,采用梯度下降法反向更新所述销量预测模型的参数,直至所述均方误差损失收敛,得到训练好的销量预测模型。
3.根据权利要求1所述的生产规划方法,其特征在于,所述预测销量包括目标时间段内K个对应目标时间点的销量元素,K为大于零的整数;
所述将所述预测销量和所述生产信息输入训练好的产量预测模型,得到所述目标时间段的预测产量包括:
根据K个销量元素的时序,确定首个销量元素为输入元素,并确定总产量的初始值为零,迭代次数的初始值为1;
将所述输入元素、所述生产信息和所述总产量输入所述训练好的产量预测模型,得到输出产量,并将迭代次数增加1;
检测所述输出产量对应的时间段是否为所述目标时间段,若所述输出产量对应的时间段不为所述目标时间段,则按照所述时序,确定下一个销量元素为输入元素,并确定所述输出产量为总产量,再次执行所述将所述输入元素、所述生产信息和所述总产量输入所述训练好的产量预测模型的步骤,直至所述输出产量对应的时间段为所述目标时间段或者所述迭代次数为K,确定对应所述目标时间段的输出产量为所述目标时间段的预测产量。
4.根据权利要求1所述的生产规划方法,其特征在于,所述检测所述预测库存量是否满足预设条件包括:
检测所述预测库存量是否小于预设的库存上限;
若所述预测库存量小于所述库存上限,则检测所述预测库存量是否大于预设的库存下限;
若所述预测库存量大于所述库存下限,则确定所述预测库存量满足预设条件,否则,确定所述预测库存量不满足预设条件。
5.根据权利要求1所述的生产规划方法,其特征在于,将所述预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量包括:
将所述预测销量和所述预测产量输入训练好的分布预测模型,得到预测采样分布;
根据所述预测采样分布,由所述预训练好的变分自编码器进行N次采样,并根据N次采样结果,得到N个优化产量。
6.根据权利要求1所述的生产规划方法,其特征在于,以所述样本产品在所述样本目标时间段的实际销量和在所述样本目标时间段的实际产量作为所述分布预测模型训练时的第二训练样本,以交叉熵损失作为所述分布预测模型训练时的损失函数;
所述分布预测模型的训练过程包括:
获取每个对应样本产品的保留的优化库存量在所述预训练好的变分自编码器中采样时对应的采样值,并将所述采样值转化为采样向量;
将所有采样向量叠加,采用归一化指数函数对叠加结果中每个元素进行归一化,得到采样概率分布,确定所述采样概率分布为标签;
将所述第二训练样本输入所述分布预测模型,得到样本分布;
根据所述样本分布和所述采样概率分布,计算所述交叉熵损失,以所述交叉熵损失为根据,采用梯度下降法反向更新所述分布预测模型的参数,直至所述交叉熵损失收敛,得到训练好的分布预测模型。
7.根据权利要求1至6任一项所述的生产规划方法,其特征在于,所述目标时间段包括至少两个目标时间点;
所述根据N个优化库存量中满足所述预设条件的优化库存量,确定所述待生产产品在目标时间段的生产量包括:
针对任一满足所述预设条件的优化库存量,计算所述优化库存量内所有对应目标时间点的子库存量的方差;
确定方差最小的所述优化库存量为目标库存量,并根据所述目标库存量内所有对应目标时间点的优化子产量,确定所述待生产产品在所述目标时间段的生产量。
8.一种基于人工智能的生产规划装置,其特征在于,所述生成规划装置包括:
销量预测模块,用于获取待生产产品在采样时间段的历史销售数据,将所述历史销售数据输入训练好的销量预测模型,得到目标时间段的预测销量;
产量预测模块,用于获取待生产产品在所述目标时间段的生产信息,将所述预测销量和所述生产信息输入训练好的产量预测模型,得到所述目标时间段的预测产量;
产量优化模块,用于计算所述预测产量与所述预测销量的差值,确定所述差值为预测库存量,并检测所述预测库存量是否满足预设条件,若所述预测库存量不满足所述预设条件,则将所述预测产量输入预训练好的变分自编码器中进行N次采样生成,得到N个优化产量,N为大于零的整数;
生成规划模块,用于将N个优化产量分别与所述预测销量进行差值计算,确定对应优化产量的计算结果为对应的优化库存量,并根据N个优化库存量中满足所述预设条件的优化库存量,确定所述待生产产品在所述目标时间段的生产量,所述生产量用于指导生产者进行生产规划。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的生成规划方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的生成规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210815947.2A CN115130894A (zh) | 2022-07-12 | 2022-07-12 | 基于人工智能的生产规划方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210815947.2A CN115130894A (zh) | 2022-07-12 | 2022-07-12 | 基于人工智能的生产规划方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130894A true CN115130894A (zh) | 2022-09-30 |
Family
ID=83384379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210815947.2A Pending CN115130894A (zh) | 2022-07-12 | 2022-07-12 | 基于人工智能的生产规划方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130894A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579722A (zh) * | 2023-07-14 | 2023-08-11 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
CN117333110A (zh) * | 2023-11-24 | 2024-01-02 | 广东中大管理咨询集团股份有限公司 | 一种基于人工智能的数据分析系统及方法 |
-
2022
- 2022-07-12 CN CN202210815947.2A patent/CN115130894A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579722A (zh) * | 2023-07-14 | 2023-08-11 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
CN116579722B (zh) * | 2023-07-14 | 2023-09-19 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
CN117333110A (zh) * | 2023-11-24 | 2024-01-02 | 广东中大管理咨询集团股份有限公司 | 一种基于人工智能的数据分析系统及方法 |
CN117333110B (zh) * | 2023-11-24 | 2024-03-15 | 广东中大管理咨询集团股份有限公司 | 一种基于人工智能的数据分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
CN109919684A (zh) | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 | |
CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN110474808B (zh) | 一种流量预测方法及装置 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
CN114240555A (zh) | 训练点击率预测模型和预测点击率的方法和装置 | |
CN111461757B (zh) | 信息处理方法及装置、计算机存储介质、电子设备 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN114360027A (zh) | 一种特征提取网络的训练方法、装置及电子设备 | |
CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
CN116777452B (zh) | 智能电表的预付费系统及其方法 | |
CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
CN114756720B (zh) | 时序数据的预测方法及装置 | |
CN112785111A (zh) | 生产效率预测方法、装置、存储介质与电子设备 | |
CN115516490A (zh) | 基于机器学习的股票趋势分析方法、装置 | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN114997419A (zh) | 评分卡模型的更新方法、装置、电子设备及存储介质 | |
US20220138786A1 (en) | Artificial intelligence (ai) product including improved automated demand learning module | |
CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 |
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 |