CN115239017A - 油品采购策略优化方法、装置、设备及存储介质 - Google Patents

油品采购策略优化方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115239017A
CN115239017A CN202210971217.1A CN202210971217A CN115239017A CN 115239017 A CN115239017 A CN 115239017A CN 202210971217 A CN202210971217 A CN 202210971217A CN 115239017 A CN115239017 A CN 115239017A
Authority
CN
China
Prior art keywords
information
oil
cost
inventory
vehicle owner
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
CN202210971217.1A
Other languages
English (en)
Inventor
于槟晖
戴宏浩
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.)
STRONGUNION TECHNOLOGY CO LTD
Original Assignee
STRONGUNION 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 STRONGUNION TECHNOLOGY CO LTD filed Critical STRONGUNION TECHNOLOGY CO LTD
Priority to CN202210971217.1A priority Critical patent/CN115239017A/zh
Publication of CN115239017A publication Critical patent/CN115239017A/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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于数据分析技术领域，公开了一种油品采购策略优化方法、装置、设备及存储介质。该方法包括：采集车主加油信息；根据所述车主加油信息进行用户需求预测，得到未来需求预测结果；根据所述未来需求预测结果构建库存管理系统；根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息；根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。通过上述方式，实现了基于车主加油信息对用户需求进行预测，然后基于未来需求预测结果构建库存管理系统，再从库存管理系统中确定构建的虚拟油库的仓单信息和成本信息，最后根据仓单信息和成本信息对油品的采购策略进行优化，从而使得库存成本最小，减少油库的运营成本。

Description

油品采购策略优化方法、装置、设备及存储介质
技术领域
本发明涉及数据分析技术领域，尤其涉及一种油品采购策略优化方法、装置、设备及存储介质。
背景技术
从长期的角度看，在能源行业的中下游领域，产能过剩，双边市场分散失衡的问题有待解决，炼化企业，大区公司，销售企业的库存以及销售信息都是孤立，当下游市场急需资源时，依然是一级一级通过电话询问方式解决，得到的是延迟信息。然而，终端油站的成品油需求呈现高变化，非高斯以及强噪声的特点，需求的变化沿着低效率的成品油信息传递系统，很容易产生供应链的“牛鞭效应”。并且成品油供应链中效益相对独立，这种独立利益驱动的供应链体系造成整体的效益低下。
不同于一般商品的供应链，成品油的供应链对成品油的批发价格以及零售价格高度敏感，成品油的批发价格直接决定油站以及油库的不同批次的标准仓单下的存储成本，而零售价格销售政策的调整又对车主的需求产生极大的影响。然而，依赖模型来预测批发价格以及零售价格的波动又近乎缺乏说服力。随着物联网技术的发展，油站已经普遍实现对成品油销售情况的实时监控，通过销售端的大数据精确识别客户消费模式，从而达到以采定销。但是依然没有很好的方法可以基于销售端的数据对采购策略进行调整以降低油品的库存成本。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种油品采购策略优化方法、装置、设备及存储介质，旨在解决现有技术难以最大化的优化加油站的库存成本的技术问题。
为实现上述目的，本发明提供了一种油品采购策略优化方法，所述方法包括以下步骤：
采集车主加油信息；
根据所述车主加油信息进行用户需求预测，得到未来需求预测结果；
根据所述未来需求预测结果构建库存管理系统；
根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息；
根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。
可选地，所述根据所述车主加油信息进行用户需求预测，得到未来需求预测结果，包括：
根据所述车主加油信息确定油品销售数据；
根据所述油品销售数据对预设车主需求进行聚类，得到多个聚类行为模式；
通过回归预测模型对各聚类行为模式进行需求预测，得到未来需求预测结果。
可选地，所述根据所述油品销售数据对预设车主需求进行聚类，得到多个聚类行为模式，包括：
根据所述油品销售数据确定时间轴销售数据；
对预设车主需求进行聚类，得到聚类结果数据；
根据所述时间轴销售数据对所述聚类结果数据对车主群体进行分类，得到车主群体分类结果；
根据所述车主群体分类结果确定多个聚类行为模式。
可选地，所述通过回归预测模型对各聚类行为模式进行需求预测，得到未来需求预测结果之前，还包括：
获取输入的零售价格调整信息；
根据所述油品销售数据确定各油品的历史零售价数据和历史销售量数据；
根据所述零售价格调整信息、所述历史零售价数据和历史销售量数据确定调整权重系数；
根据所述调整权重系数对预设回归模型进行覆盖，得到回归预测模型。
可选地，所述根据所述未来需求预测结果构建库存管理系统，包括：
获取油库基本信息；
根据所述油库基本信息在虚拟空间中进行模型构建，得到多个实体油库对应的数字化镜像模型；
基于所述未来需求预测结果对各数字化镜像模型进行整合，得到赛博空间里的库存管理系统。
可选地，所述根据所述仓单信息和所述成本信息对油品的采购策略进行优化，包括：
根据所述仓单信息确定各虚拟油库的标准仓单信息；
根据所述标准仓单信息确定各标准仓单的固定成本信息；
根据所述成本信息确定库存成本信息；
获取库存成本权重系数和固定成本权重系数；
根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数以及所述固定成本权重系数构建以最小库存成本为目标函数的优化算法；
根据所述优化算法求得最小库存成本时的油品的采购策略，作为优化采购策略。
可选地，所述根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数以及所述固定成本权重系数构建以最小库存成本为目标函数的优化算法，包括：
根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数和固定成本权重系数构建以最小库存成本为目标的目标函数；
获取供给油站信息；
根据所述供给油站信息、所述固定成本信息和库存成本信息确定供给油站库存成本和供给油站固定成本；
根据所述供给油站库存成本和所述供给油站固定成本确定所述优化算法的奖惩函数；
根据所述奖惩函数对所述目标函数进行优化，得到优化算法。
此外，为实现上述目的，本发明还提出一种油品采购策略优化装置，所述油品采购策略优化装置包括：
信息采集模块，用于采集车主加油信息；
需求预测模块，用于根据所述车主加油信息进行用户需求预测，得到未来需求预测结果；
系统构建模块，用于根据所述未来需求预测结果构建库存管理系统；
信息处理模块，用于根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息；
策略优化模块，用于根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。
此外，为实现上述目的，本发明还提出一种油品采购策略优化设备，所述油品采购策略优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的油品采购策略优化程序，所述油品采购策略优化程序配置为实现如上文所述的油品采购策略优化方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有油品采购策略优化程序，所述油品采购策略优化程序被处理器执行时实现如上文所述的油品采购策略优化方法的步骤。
本发明采集车主加油信息；根据所述车主加油信息进行用户需求预测，得到未来需求预测结果；根据所述未来需求预测结果构建库存管理系统；根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息；根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。通过这种方式，实现了基于车主加油信息对用户需求进行预测，然后基于未来需求预测结果构建库存管理系统，再从库存管理系统中确定构建的虚拟油库的仓单信息和成本信息，最后根据仓单信息和成本信息对油品的采购策略进行优化，从而使得库存成本最小，减少油库的运营成本。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的油品采购策略优化设备的结构示意图；
图2为本发明油品采购策略优化方法第一实施例的流程示意图；
图3为本发明油品采购策略优化方法第二实施例的流程示意图；
图4为本发明油品采购策略优化方法第三实施例的流程示意图；
图5为本发明油品采购策略优化装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的油品采购策略优化设备结构示意图。
如图1所示，该油品采购策略优化设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对油品采购策略优化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及油品采购策略优化程序。
在图1所示的油品采购策略优化设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明油品采购策略优化设备中的处理器1001、存储器1005可以设置在油品采购策略优化设备中，所述油品采购策略优化设备通过处理器1001调用存储器1005中存储的油品采购策略优化程序，并执行本发明实施例提供的油品采购策略优化方法。
本发明实施例提供了一种油品采购策略优化方法，参照图2，图2为本发明一种油品采购策略优化方法第一实施例的流程示意图。
本实施例中，所述油品采购策略优化方法包括以下步骤：
步骤S10：采集车主加油信息。
需要说明的是，本实施例的执行主体为一个集成管理系统，或者一个服务器(可以为云服务器或者实体服务器)，或者其他能实现此功能的设备，本实施例对此不加以限制。
应理解的是，目前对于成品油或者油品的供应链的监控仅仅限于数据层面的监测，但是并不能基于车主的需求以及批发、零售价格精准的判断油品的存储和采购策略，使得增加了油站和油库的运营成本。而本实施例的方案基于车主加油信息对用户需求进行预测，然后基于未来需求预测结果构建库存管理系统，再从库存管理系统中确定构建的虚拟油库的仓单信息和成本信息，最后根据仓单信息和成本信息对油品的采购策略进行优化，从而使得库存成本最小，减少油库的运营成本。
在具体实施中，车主加油信息包括但不限于加油的时间点，加油量，油品型号信息，油站周边消费信息，以及连同车主会员信息采集并且存储在云平台，并且可以自动实时上传至云平台并且通过PC端的自行开发的智能驾驶舱系统进行可视化操作，并且数据采集平台可以自动存储车主销售信息，所有的数据采集输入，输出和删除，操作人员均为企业，油站主以及系统管理员。
步骤S20：根据所述车主加油信息进行用户需求预测，得到未来需求预测结果。
需要说明的是，用户需求预测是基于K-Means的聚类算法实现的，然后结合车主加油信息可以得到准确的对于用户和市场的未来需求预测结果。
步骤S30：根据所述未来需求预测结果构建库存管理系统。
应理解的是，库存管理系统指的是由各个实体油库构建的虚拟油库组成的虚拟网络系统。
进一步地，为了构建准确的库存管理系统，步骤S30包括：获取油库基本信息；根据所述油库基本信息在虚拟空间中进行模型构建，得到多个实体油库对应的数字化镜像模型；基于所述未来需求预测结果对各数字化镜像模型进行整合，得到赛博空间里的库存管理系统。
在具体实施中，油库基本信息包括但并不限于各个实体油库在标准仓单形式下的库存油品的批发价格、零售价格等。
需要说明的是，根据所述油库基本信息在虚拟空间中进行模型构建，得到多个实体油库对应的数字化镜像模型指的是：根据油库基本信息首先确定各个实体油库的相关信息，然后在虚拟空间进行模型构建，得到实体油库对应在数字空间的镜像模型，即为虚拟油库。
应理解的是，基于所述未来需求预测结果对各数字化镜像模型进行整合，得到赛博空间里的库存管理系统指的是：通过整合未来预测需求结果，将各个虚拟油库进行组合和连接，建立起赛博(Cyber)空间里的库存管理系统，在满足需求端的波动同时，通过标准仓单的形式监测数字空间里面的库存油品的批发价格以及零售价格，从而整合成为虚拟油库的库存成本，并且对每标准仓单的运输成本以及采购成本进行监测。
通过这种方式，实现了准确的构建库存管理系统，使得可以准确的监测各个虚拟油库的数据表花，使得在数字空间下进行数据和信息的检测更加方便且便于数据提取。
步骤S40：根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息。
在具体实施中，仓单信息指的是各个虚拟油库的仓单相关信息，包括但不限于各个虚拟油库的标准仓单的仓单数，以及各个标准仓单的固定成本信息。
需要说明的是，成本信息中包括但不限于各个虚拟油库目前的库存占用的成本等相关信息。
应理解的是，虚拟油库即为在库存管理系统中的各个实体油库的投影和虚拟目标。实体油库可以为任意的加油站或者存储成品油的场所，本实施例对此不加以限制。
步骤S50：根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。
在具体实施中，根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本指的是：构建一个以最小库存成本为目标函数的算法模型，然后将仓单信息和成本信息代入，从而可以求得实现最小库存成本时的采购策略。
本实施例通过采集车主加油信息；根据所述车主加油信息进行用户需求预测，得到未来需求预测结果；根据所述未来需求预测结果构建库存管理系统；根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息；根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。通过这种方式，实现了基于车主加油信息对用户需求进行预测，然后基于未来需求预测结果构建库存管理系统，再从库存管理系统中确定构建的虚拟油库的仓单信息和成本信息，最后根据仓单信息和成本信息对油品的采购策略进行优化，从而使得库存成本最小，减少油库的运营成本。
参考图3，图3为本发明一种油品采购策略优化方法第二实施例的流程示意图。
基于上述第一实施例，本实施例油品采购策略优化方法在所述步骤S20包括：
步骤S201：根据所述车主加油信息确定油品销售数据。
需要说明的是，油品销售数据中包括了各个成品油的产品的标准仓单的批发价与零售价，以及每个用户的加油的时间点，加油量，油品型号信息。
步骤S202：根据所述油品销售数据对预设车主需求进行聚类，得到多个聚类行为模式。
应理解的是，预设车主需求指的是预先输入的各种加油车辆的车主对于油品和实体油库的需求，包括但不限于油品价格、加油站点位置等相关需求。
在具体实施中，聚类行为模式指的是在聚类结果之后基于用户群体的分类得到的多种车主群体分类对应的行为模式。
进一步地，为了得到聚类行为模式，步骤S202包括：根据所述油品销售数据确定时间轴销售数据；对预设车主需求进行聚类，得到聚类结果数据；根据所述时间轴销售数据对所述聚类结果数据对车主群体进行分类，得到车主群体分类结果；根据所述车主群体分类结果确定多个聚类行为模式。
需要说明的是，时间轴销售信息指的是各个油站的销售过程中在日时间轴，周时间轴以及月时间轴上的销售数据。时间轴销售信息的时间窗口选择原则由油站进油周期，油品种类，零售价调整窗口期决定。
应理解的是，对预设车主需求进行聚类，得到聚类结果数据指的是：通过K-Means的聚类算法对预设车主需求进行聚类，得到了最终的聚类数据即为聚类结果数据，而由于油品销售有基于时间序列的高重叠和强噪音的特点，所以采用了K-Means的方式进行聚类。
在具体实施中，根据所述时间轴销售数据对所述聚类结果数据对车主群体进行分类，得到车主群体分类结果指的是：根据时间轴销售数据对聚类结果数据赋予人群实际意义，也就是基于用户群体的不同进行分类，具体的，可以分为：车队用户，运输货车用户，出租车网约车用户，普通通勤小车用户，普通家庭小车用户以及其余用户等分类。
需要说明的是，根据所述车主群体分类结果确定多个聚类行为模式包括：当确定了各个车主群体分类结果之后，再基于车主群体分类结果中的车主分类不同构建行为模式，最终得到了多个聚类行为模式。
通过这种方式，实现了基于油品销售数据对车主的需求进行聚类，并且基于车主的群体分类获得了多个细分的聚类行为模式，使得后续进行需求预测和分析更加准确，且可以涵盖各种车主分类，使得预测更加准确。
步骤S203：通过回归预测模型对各聚类行为模式进行需求预测，得到未来需求预测结果。
应理解的是，回归预测模型是预先设定并调整的回归算法模型，然后将各个聚类行为模型输入到回归预测模型。从而得到未来需求预测结果。
进一步地，为了构建更加合理的回归预测模型，步骤S203之前，还包括：获取输入的零售价格调整信息；根据所述油品销售数据确定各油品的历史零售价数据和历史销售量数据；根据所述零售价格调整信息、所述历史零售价数据和历史销售量数据确定调整权重系数；根据所述调整权重系数对预设回归模型进行覆盖，得到回归预测模型。
在具体实施中，零售价格调整信息指的是输入的零售价格调整因素，包括了不同的油品的零售价格调整的政策、时间等相关信息。
需要说明的是，历史零售价数据指的是不同型号的油品的零售价格的调整历史数据，包括了不同油品在不同的时间段的零售价格。
应理解的是，历史销售量数据指的是不同油品在不同的时间段的零售价格。
在具体实施中，根据所述零售价格调整信息、所述历史零售价数据和历史销售量数据确定调整权重系数指的是：根据历史零售价数据和历史销售量数据计算用于调整预设回归模型的调整权重系数，即根据成品油零售价格与销售量的历史数据的敏感度分析计算出调整权重系数。
需要说明的是，预设回归模型指的是预先设定的用于计算未来需求预测结果的模型，是用户或者管理员预先输入的回归模型，可以为能实现此功能的任意模型，本实施例对此不加以限制。预设回归模型的选取基于参数销售价格调整政策，然后从未来销售油价上行、销售油价下行、销售油价几乎不变三种油价模式选取一种进行预测，通过两个预测指标进行选取最终模型。
通过这种方式，实现了准确的确定回归预测模型。使得回归预测模型可以基于聚类行为模式准确的得到未来需求预测结果。
本实施例通过根据所述车主加油信息确定油品销售数据；根据所述油品销售数据对预设车主需求进行聚类，得到多个聚类行为模式；通过回归预测模型对各聚类行为模式进行需求预测，得到未来需求预测结果。通过这种方式，实现了基于聚类分析和回归预测模型对车主的需求进行分析和预测，使得得到最贴切和准确的未来需求预测结果，从而使得对于油品采购策略的优化更加准确。
参考图4，图4为本发明一种油品采购策略优化方法第三实施例的流程示意图。
基于上述第一实施例，本实施例油品采购策略优化方法在所述步骤S50包括：
步骤S501：根据所述仓单信息确定各虚拟油库的标准仓单信息。
需要说明的是，标准仓单信息中包括了各个虚拟油库中的标准仓单的数量、固定成本信息等相关信息。
步骤S502：根据所述标准仓单信息确定各标准仓单的固定成本信息。
应理解的是，固定成本信息指的是各个油库在运行中的每个标准仓单产生的固定成本，通常是按照批次固定的采购成本与货物数量无关，以及每次采购时发生的损耗折算费用。
步骤S503：根据所述成本信息确定库存成本信息。
在具体实施中，库存成本信息指的是每个虚拟油库的当前的库存成本的相关信息。
步骤S504：获取库存成本权重系数和固定成本权重系数。
需要说明的是，库存成本权重系数和固定成本权重系数是预先设定的固定系数，在不明确运行状态情况下，可以设置为默认值1。
步骤S505：根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数以及所述固定成本权重系数构建以最小库存成本为目标函数的优化算法。
应理解的是，根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数以及所述固定成本权重系数构建以最小库存成本为目标函数的优化算法指的是：首先基于固定成本信息、库存成本信息、库存成本权重系数和固定成本权重系数构建目标函数，然后再对目标函数进行优化，得到优化算法。
进一步地，为了能够先得到目标函数，然后对目标函数进行优化，得到最终的优化算法，步骤S505包括：根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数和固定成本权重系数构建以最小库存成本为目标的目标函数；获取供给油站信息；根据所述供给油站信息、所述固定成本信息和库存成本信息确定供给油站库存成本和供给油站固定成本；根据所述供给油站库存成本和所述供给油站固定成本确定所述优化算法的奖惩函数；根据所述奖惩函数对所述目标函数进行优化，得到优化算法。
在具体实施中，目标函数为：
Figure BDA0003796011150000111
其中，i为单个油库中标准仓单，n为当前持有仓单总数，Hi(t)为库存成本，Fi(t)为固定成本，α为库存成本权重系数，β为固定成本权重系数。
需要说明的是，供给油站信息中包括但不限于各个为油库进行供油和运输的供给的油站的位置、编号等相关信息。
应理解的是，奖惩函数为：
Figure BDA0003796011150000121
其中，j为虚拟油库供给的平台油站，也就是供给油站。有时对于油站而言，固定采购成本较低或者经常被折算进单位成品油库存成本中，所以可以将Fi，j(t)＝0。
通过这种方式，可以通过奖惩函数对目标函数进行优化，使得可以追求中下游成品油市场的整体库存最优共赢。
步骤S506：根据所述优化算法求得最小库存成本时的油品的采购策略，作为优化采购策略。
在具体实施中，当得到优化算法之后，根据优化算法的公式，求得当最小库存成本时的其他参数的值，从而可以得到此时油品采购策略作为优化采购策略。
本实施例通过根据所述仓单信息确定各虚拟油库的标准仓单信息；根据所述标准仓单信息确定各标准仓单的固定成本信息；根据所述成本信息确定库存成本信息；获取库存成本权重系数和固定成本权重系数；根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数以及所述固定成本权重系数构建以最小库存成本为目标函数的优化算法；根据所述优化算法求得最小库存成本时的油品的采购策略，作为优化采购策略。通过这种方式，实现了构建准确的目标函数以及优化算法，使得可以在追求各个虚拟油库对应的实体油库的最小库存成本的前提下对采购策略进行优化，降低了市场运营的成本。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有油品采购策略优化程序，所述油品采购策略优化程序被处理器执行时实现如上文所述的油品采购策略优化方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不一一赘述。
参照图5，图5为本发明油品采购策略优化装置第一实施例的结构框图。
如图5所示，本发明实施例提出的油品采购策略优化装置包括：
信息采集模块10，用于采集车主加油信息。
需求预测模块20，用于根据所述车主加油信息进行用户需求预测，得到未来需求预测结果。
系统构建模块30，用于根据所述未来需求预测结果构建库存管理系统。
信息处理模块40，用于根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息。
策略优化模块50，用于根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。
本实施例通过采集车主加油信息；根据所述车主加油信息进行用户需求预测，得到未来需求预测结果；根据所述未来需求预测结果构建库存管理系统；根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息；根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。通过这种方式，实现了基于车主加油信息对用户需求进行预测，然后基于未来需求预测结果构建库存管理系统，再从库存管理系统中确定构建的虚拟油库的仓单信息和成本信息，最后根据仓单信息和成本信息对油品的采购策略进行优化，从而使得库存成本最小，减少油库的运营成本。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
在一实施例中，所述需求预测模块20，还用于根据所述车主加油信息确定油品销售数据；根据所述油品销售数据对预设车主需求进行聚类，得到多个聚类行为模式；通过回归预测模型对各聚类行为模式进行需求预测，得到未来需求预测结果。
在一实施例中，所述需求预测模块20，还用于根据所述油品销售数据确定时间轴销售数据；对预设车主需求进行聚类，得到聚类结果数据；根据所述时间轴销售数据对所述聚类结果数据对车主群体进行分类，得到车主群体分类结果；根据所述车主群体分类结果确定多个聚类行为模式。
在一实施例中，所述需求预测模块20，还用于获取输入的零售价格调整信息；根据所述油品销售数据确定各油品的历史零售价数据和历史销售量数据；根据所述零售价格调整信息、所述历史零售价数据和历史销售量数据确定调整权重系数；根据所述调整权重系数对预设回归模型进行覆盖，得到回归预测模型。
在一实施例中，所述系统构建模块30，还用于获取油库基本信息；根据所述油库基本信息在虚拟空间中进行模型构建，得到多个实体油库对应的数字化镜像模型；基于所述未来需求预测结果对各数字化镜像模型进行整合，得到赛博空间里的库存管理系统。
在一实施例中，所述策略优化模块50，还用于根据所述仓单信息确定各虚拟油库的标准仓单信息；根据所述标准仓单信息确定各标准仓单的固定成本信息；根据所述成本信息确定库存成本信息；获取库存成本权重系数和固定成本权重系数；根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数以及所述固定成本权重系数构建以最小库存成本为目标函数的优化算法；根据所述优化算法求得最小库存成本时的油品的采购策略，作为优化采购策略。
在一实施例中，所述策略优化模块50，还用于根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数和固定成本权重系数构建以最小库存成本为目标的目标函数；获取供给油站信息；根据所述供给油站信息、所述固定成本信息和库存成本信息确定供给油站库存成本和供给油站固定成本；根据所述供给油站库存成本和所述供给油站固定成本确定所述优化算法的奖惩函数；根据所述奖惩函数对所述目标函数进行优化，得到优化算法。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的油品采购策略优化方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种油品采购策略优化方法，其特征在于，所述油品采购策略优化方法包括：
采集车主加油信息；
根据所述车主加油信息进行用户需求预测，得到未来需求预测结果；
根据所述未来需求预测结果构建库存管理系统；
根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息；
根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。
2.如权利要求1所述的方法，其特征在于，所述根据所述车主加油信息进行用户需求预测，得到未来需求预测结果，包括：
根据所述车主加油信息确定油品销售数据；
根据所述油品销售数据对预设车主需求进行聚类，得到多个聚类行为模式；
通过回归预测模型对各聚类行为模式进行需求预测，得到未来需求预测结果。
3.如权利要求2所述的方法，其特征在于，所述根据所述油品销售数据对预设车主需求进行聚类，得到多个聚类行为模式，包括：
根据所述油品销售数据确定时间轴销售数据；
对预设车主需求进行聚类，得到聚类结果数据；
根据所述时间轴销售数据对所述聚类结果数据对车主群体进行分类，得到车主群体分类结果；
根据所述车主群体分类结果确定多个聚类行为模式。
4.如权利要求2所述的方法，其特征在于，所述通过回归预测模型对各聚类行为模式进行需求预测，得到未来需求预测结果之前，还包括：
获取输入的零售价格调整信息；
根据所述油品销售数据确定各油品的历史零售价数据和历史销售量数据；
根据所述零售价格调整信息、所述历史零售价数据和历史销售量数据确定调整权重系数；
根据所述调整权重系数对预设回归模型进行覆盖，得到回归预测模型。
5.如权利要求1所述的方法，其特征在于，所述根据所述未来需求预测结果构建库存管理系统，包括：
获取油库基本信息；
根据所述油库基本信息在虚拟空间中进行模型构建，得到多个实体油库对应的数字化镜像模型；
基于所述未来需求预测结果对各数字化镜像模型进行整合，得到赛博空间里的库存管理系统。
6.如权利要求1所述的方法，其特征在于，所述根据所述仓单信息和所述成本信息对油品的采购策略进行优化，包括：
根据所述仓单信息确定各虚拟油库的标准仓单信息；
根据所述标准仓单信息确定各标准仓单的固定成本信息；
根据所述成本信息确定库存成本信息；
获取库存成本权重系数和固定成本权重系数；
根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数以及所述固定成本权重系数构建以最小库存成本为目标函数的优化算法；
根据所述优化算法求得最小库存成本时的油品的采购策略，作为优化采购策略。
7.如权利要求6所述的方法，其特征在于，所述根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数以及所述固定成本权重系数构建以最小库存成本为目标函数的优化算法，包括：
根据所述固定成本信息、所述库存成本信息、所述库存成本权重系数和固定成本权重系数构建以最小库存成本为目标的目标函数；
获取供给油站信息；
根据所述供给油站信息、所述固定成本信息和库存成本信息确定供给油站库存成本和供给油站固定成本；
根据所述供给油站库存成本和所述供给油站固定成本确定所述优化算法的奖惩函数；
根据所述奖惩函数对所述目标函数进行优化，得到优化算法。
8.一种油品采购策略优化装置，其特征在于，所述油品采购策略优化装置包括：
信息采集模块，用于采集车主加油信息；
需求预测模块，用于根据所述车主加油信息进行用户需求预测，得到未来需求预测结果；
系统构建模块，用于根据所述未来需求预测结果构建库存管理系统；
信息处理模块，用于根据所述库存管理系统确定各虚拟油库的仓单信息和成本信息；
策略优化模块，用于根据所述仓单信息和所述成本信息对油品的采购策略进行优化，以得到最小库存成本。
9.一种油品采购策略优化设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的油品采购策略优化程序，所述油品采购策略优化程序配置为实现如权利要求1至7中任一项所述的油品采购策略优化方法。
10.一种存储介质，其特征在于，所述存储介质上存储有油品采购策略优化程序，所述油品采购策略优化程序被处理器执行时实现如权利要求1至7任一项所述的油品采购策略优化方法。
CN202210971217.1A 2022-08-12 2022-08-12 油品采购策略优化方法、装置、设备及存储介质 Pending CN115239017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210971217.1A CN115239017A (zh) 2022-08-12 2022-08-12 油品采购策略优化方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210971217.1A CN115239017A (zh) 2022-08-12 2022-08-12 油品采购策略优化方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115239017A true CN115239017A (zh) 2022-10-25

Family

ID=83678706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210971217.1A Pending CN115239017A (zh) 2022-08-12 2022-08-12 油品采购策略优化方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115239017A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1741053A (zh) * 2005-09-22 2006-03-01 上海交通大学 物流仓储决策支持系统
CN111915254A (zh) * 2020-07-30 2020-11-10 上海数策软件股份有限公司 一种适用于汽车售后配件的库存优化控制方法和系统
CN114118503A (zh) * 2020-08-26 2022-03-01 上海顺如丰来技术有限公司 供应链库存优化方法、装置、设备和存储介质
CN114418602A (zh) * 2020-10-28 2022-04-29 华中科技大学 一种基于需求预测的在线零售商产品库存决策方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1741053A (zh) * 2005-09-22 2006-03-01 上海交通大学 物流仓储决策支持系统
CN111915254A (zh) * 2020-07-30 2020-11-10 上海数策软件股份有限公司 一种适用于汽车售后配件的库存优化控制方法和系统
CN114118503A (zh) * 2020-08-26 2022-03-01 上海顺如丰来技术有限公司 供应链库存优化方法、装置、设备和存储介质
CN114418602A (zh) * 2020-10-28 2022-04-29 华中科技大学 一种基于需求预测的在线零售商产品库存决策方法和系统

Similar Documents

Publication Publication Date Title
Fikar et al. A decision support system to investigate dynamic last-mile distribution facilitating cargo-bikes
CN110009400A (zh) 商品定价方法、终端及计算机可读存储介质
US20190205905A1 (en) Machine Learning-Based Systems and Methods of Determining User Intent Propensity from Binned Time Series Data
US8429019B1 (en) System and method for scheduled delivery of shipments with multiple shipment carriers
JP5963861B2 (ja) 中古車両価格設定データの分析、および提示のためのシステムおよび方法
CA3028646A1 (en) Machine learned shopper intent propensity
US20150363855A1 (en) Systems and Methods for Automatic Popular Configuration Generation
Luo et al. Physical Internet-enabled customised furniture delivery in the metropolitan areas: digitalisation, optimisation and case study
Wasesa et al. The seaport service rate prediction system: Using drayage truck trajectory data to predict seaport service rates
CN113469597A (zh) 智慧供应链系统及服务器平台
US20160162920A1 (en) Systems and methods for purchasing price simulation and optimization
CN111292149A (zh) 一种生成退货处理信息的方法和装置
CN111353094A (zh) 一种信息推送方法及装置
US20160117703A1 (en) Large-Scale Customer-Product Relationship Mapping and Contact Scheduling
US20090276290A1 (en) System and method of optimizing commercial real estate transactions
EP3675020A1 (en) Distribution service providing method connecting initial provider and buyer via mid-distribution man
Andrew-Munot et al. Development and analysis of mathematical and simulation models of decision-making tools for remanufacturing
CN110992083A (zh) 用于确定票价的数据处理方法及装置、存储介质、终端
CN113469615A (zh) 订单分配方法、装置、设备及存储介质
Hung et al. Capacity rationing decision procedures with order profit as a continuous random variable
CN113469598A (zh) 智慧供应链系统及服务器平台
CN116595390A (zh) 商品信息处理方法及电子设备
CN115239017A (zh) 油品采购策略优化方法、装置、设备及存储介质
US20160300173A1 (en) Oscillation detection and reduction in supply chain
Schön Optimal dynamic price selection under attraction choice models

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