CN115271256A - 一种多维分类下的智能化订货方法 - Google Patents

一种多维分类下的智能化订货方法 Download PDF

Info

Publication number
CN115271256A
CN115271256A CN202211145227.6A CN202211145227A CN115271256A CN 115271256 A CN115271256 A CN 115271256A CN 202211145227 A CN202211145227 A CN 202211145227A CN 115271256 A CN115271256 A CN 115271256A
Authority
CN
China
Prior art keywords
inventory
demand
type
gate
data
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.)
Granted
Application number
CN202211145227.6A
Other languages
English (en)
Other versions
CN115271256B (zh
Inventor
李卓群
蔡子诚
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202211145227.6A priority Critical patent/CN115271256B/zh
Publication of CN115271256A publication Critical patent/CN115271256A/zh
Application granted granted Critical
Publication of CN115271256B publication Critical patent/CN115271256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Landscapes

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

Abstract

本发明公开了一种多维分类下的智能化订货方法，该方法包括：S1、采集历史需求数据；S2、基于需求数据，按照多维库存分类法对产品进行分类；S3、采用长短期记忆人工神经网络对产品需求数据进行预测；S4、以最大化服务水平为优化目标，构建库存控制模型；S5、基于步骤S3得到的需求预测量，对步骤S4构建的库存控制模型进行求解，获得不同需求类别下对应的库存控制参数及每一期的订货量。本发明的有益效果是：弥补了传统订货方法中决策步骤需人工计算、工作量大的缺点，解决了库存需求类别不明确，库存决策效果不理想的难题，能够快速、智能地给出量化的库存决策建议，为决策者提供订货决策支持。

Description

一种多维分类下的智能化订货方法
技术领域
本发明属于库存控制的分析领域，具体涉及一种多维分类下的智能化订货方法。
背景技术
在企业的日常生产和运营中，经常要处理许多不同的产品和库存保有单位（SKU），这些不同SKU的生产和库存策略受到产品特征的影响，企业在制定库存策略时需要对SKU进行分类。库存分类是根据需求特征将库存单位分类或分组的过程，使公司能针对特定的一组SKU而不是每个SKU做出决策。企业采用的库存分类模型大多数都是一维的，他们根据一个特定的特征来区分SKU，例如ABC分类法，它是传统的物料分类法之一，主要按照库存物品所占资金数量进行分类，没有考虑到采购难易度、采购提前期等因素，具有一定的片面性。虽然该模型有利于财务分析，但它没有考虑SKU的其他特征，如需求变化，因此不适合进行库存控制，特别是对于需求不规则的SKU，更需要考虑需求变化特征进行库存决策。在多维库存分类中，考虑了产品成本、提前期、订单规模、需求分布、库存能力等因素，将库存分类设为多个维度。选择需求频率和需求规模对SKU进行分类，有助于确定最合适的库存预测和库存控制方法。
根据SKU的需求数据，采用多维分类模型对SKU进行分类能更好的进行库存决策方案的制定。库存策略取决于库存状况和订购策略，这两者中都与均方误差（MSE）和平均绝对误差（MAE）等类似的因素无关，这类指标没有考虑库存不足和库存过剩的情况。因此，需要以库存绩效作为预测方法的指标，选出最优的库存策略。目前大部分研究人员对库存分类、库存需求预测的研究成果丰富，但对这二者的研究相对独立，本技术以服务水平为库存绩效评价指标，通过结合库存分类和库存预测方法，为决策者提供智能化的决策方案，此方法不仅能大大降低决策者处理历史需求数据的时间，而且能够给出不同需求类别SKU的量化订货策略，使最终得到的库存决策方案获得较高的服务水平。
发明内容
针对现有技术中的不足，本发明提供了一种多维分类下的智能化订货方法，以期能够改善传统库存控制方法中服务水平低的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一种多维分类下的智能化订货方法，包括以下步骤：
S1、采集库存历史需求数据；
S2、基于库存历史需求数据，按照多维库存分类法对产品进行分类；
S3、采用长短期记忆人工神经网络对产品库存历史需求数据进行预测，得到需求预测量；
S4、以最大化服务水平为优化目标，构建库存控制模型；
S5、基于步骤S3得到的需求预测量，对步骤S4构建的库存控制模型进行求解，获得不同需求类别下对应的库存控制参数及每一期的订货量。
作为上述订货方法的进一步的改进，步骤S1中采集历史需求数据为采集决策单位前N期内各个产品每天的订单需求量D，表示为：
Figure 205428DEST_PATH_IMAGE001
其中，
Figure 190964DEST_PATH_IMAGE002
表示商品i在第t天的需求量，
Figure 50335DEST_PATH_IMAGE003
表示商品i在第N期的需求量。
作为上述订货方法的进一步的改进，步骤S2中多维库存分类法相关变量包括变异 系数的平方
Figure 721488DEST_PATH_IMAGE004
和平均需求区间ADI；变异系数的平方
Figure 832664DEST_PATH_IMAGE005
，表示为
Figure 905662DEST_PATH_IMAGE006
其中，l表示非零需求周期的个数，
Figure 437400DEST_PATH_IMAGE007
表示第i个非零需求周期；
平均需求区间ADI，表示为
Figure 861428DEST_PATH_IMAGE008
其中，
Figure 635349DEST_PATH_IMAGE009
表示序列有个i周期，
Figure 562853DEST_PATH_IMAGE010
表示序列中非零周期的数量；
基于库存历史需求数据，将库存分为四种需求类型，分别为：平滑型需求类型、间断型需求类型、不稳定型需求类型以及波动型需求类型，四种需求类型对应的规则具体为：
当
Figure 531072DEST_PATH_IMAGE011
时，为平滑型需求类型；当
Figure 176817DEST_PATH_IMAGE012
时，为间断 型需求类型；当
Figure 20008DEST_PATH_IMAGE013
时，为不稳定型需求类型；当
Figure 802019DEST_PATH_IMAGE014
时， 为波动型需求类型。
作为上述订货方法的进一步的改进，步骤S3中采用长短期记忆人工神经网络（LSTM）对产品库存历史需求数据进行预测，引入了三个门，即输入门、遗忘门和输出门，表达式分别为：
输入门：
Figure 315040DEST_PATH_IMAGE015
遗忘门：
Figure 937827DEST_PATH_IMAGE016
输出门：
Figure 53550DEST_PATH_IMAGE017
其中，
Figure 955647DEST_PATH_IMAGE018
为激活函数，
Figure 498624DEST_PATH_IMAGE019
表示给定时间步t的输入，
Figure 620426DEST_PATH_IMAGE020
为
Figure 539841DEST_PATH_IMAGE021
时间步的隐藏状态，
Figure 296444DEST_PATH_IMAGE022
表示输入数据与输入门连接的参数、
Figure 275901DEST_PATH_IMAGE023
表示隐藏状态下输入数据与输入门连接的参数、
Figure 885000DEST_PATH_IMAGE024
表示输入门与遗忘门连接的参数、
Figure 608105DEST_PATH_IMAGE025
表示隐藏状态下输入门与遗忘门连接的参数、
Figure 484794DEST_PATH_IMAGE026
表示 遗忘门与输出数据连接的参数、
Figure 369573DEST_PATH_IMAGE027
表示隐藏状态下遗忘门与输出数据连接的参数、
Figure 200388DEST_PATH_IMAGE028
表示 输入数据经过输入门的激活函数后计算得到的值、
Figure 461606DEST_PATH_IMAGE029
表示输入数据经过遗忘门的激活函数 后计算得到的值、
Figure 192801DEST_PATH_IMAGE030
表示输入数据经过输出门的激活函数后计算得到的值。
使用长短期记忆人工神经网络对步骤S1采集的库存历史需求数据进行预测得到 的需求预测量表示为
Figure 389427DEST_PATH_IMAGE031
。
作为上述订货方法的进一步的改进，步骤S4中构建库存控制模型中的相关变量包 括第t周期的库存
Figure 471653DEST_PATH_IMAGE032
、到货量
Figure 772446DEST_PATH_IMAGE033
、时间延迟L、运输延迟量
Figure 358149DEST_PATH_IMAGE034
、订货量
Figure 850310DEST_PATH_IMAGE035
、货品的在途量
Figure 419831DEST_PATH_IMAGE036
、 需求预测量
Figure 524316DEST_PATH_IMAGE037
、库存调整量
Figure 371049DEST_PATH_IMAGE038
、库存调整系数
Figure 627587DEST_PATH_IMAGE039
、在途调整量
Figure 559771DEST_PATH_IMAGE040
、在途调整系数
Figure 966481DEST_PATH_IMAGE041
、目 标库存系数a；
以库存服务水平最大化为优化目标，构建库存控制模型，各库存需求类型的服务水平函数表示为：
Figure 28241DEST_PATH_IMAGE042
Figure 862204DEST_PATH_IMAGE043
其中，SLR为各库存需求类型的服务水平函数，N表示总期数，
Figure 140739DEST_PATH_IMAGE044
为本期缺货情况， 0表示缺货，1表示不缺货，
Figure 85561DEST_PATH_IMAGE045
表示
Figure 267406DEST_PATH_IMAGE046
时间步决策单位的库存量；
订货量公式表示为：
Figure 413217DEST_PATH_IMAGE047
。作为上述订货方法的进一步的改进，步 骤S5中基于步骤S3中得到的需求预测量
Figure 913468DEST_PATH_IMAGE048
，对步骤S4构建的库存控制模型进行求解，得到 最大库存服务水平状态下，各库存需求类型每一期的订货量
Figure 661981DEST_PATH_IMAGE049
以及最优的库存控制参数
Figure 196868DEST_PATH_IMAGE050
和
Figure 151397DEST_PATH_IMAGE051
作为库存决策方案。
本发明具有以下有益效果：
（1）本发明从历史数据入手，对多种类型的库存商品按照其历史需求特征进行分类，并使用智能算法和库存控制模型联合对历史数据进行处理，大大减少了决策者逐一对库存商品指定决策方案的繁琐工作；
（2）本发明构建的多维分类下的智能化订货方法，减少了决策者选取合适的模型的时间，提高了决策者对各类库存商品指定的库存决策的精确度；
（3）本发明构建的多维分类下的智能化订货方法能够根据库存需求的动态变化，智能化地提出更加符合现实场景的库存决策方案，为决策者做出库存决策方案提供了理论基础，并提高了决策方案的灵活性，因此该方法更具有现实意义。
附图说明
图1是本发明的多维分类下的智能化订货方法流程图。
图2是本发明的多维分类库存决策方案结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施仅用以解释本发明，并不用于限定本发明。
参照图1，本发明实施了一种多维分类下的智能化订货方法，包括步骤S1至S5：
S1、采集历史需求数据。
在本实施例中，采集决策单位当天前N期内各SKU每天的需求量D，表示为
Figure 138945DEST_PATH_IMAGE052
其中，
Figure 691149DEST_PATH_IMAGE053
表示商品i在第t天的需求量，
Figure 955908DEST_PATH_IMAGE054
表示商品i在第N期的需求量。
本发明采集的历史需求数据在一定程度上能够反映需求的变化趋势，从而为决策者做出最优决策提供有效信息。
S2、基于需求数据，按照多维库存分类法对产品进行分类。
在本实施例中，多维库存分类法相关变量包括变异系数的平方
Figure 302576DEST_PATH_IMAGE055
和平均需求区 间ADI。库存需求类型分别为：平滑型、间断型、不稳定型以及波动型。下面对多维库存分类 法相关变量和多维库存分类规则进行详细说明。
变异系数的平方
Figure 278884DEST_PATH_IMAGE056
，表示为
Figure 634779DEST_PATH_IMAGE057
其中， l表示非零需求周期的个数，
Figure 878679DEST_PATH_IMAGE058
表示第i个非零需求周期；
平均需求区间ADI，表示为
Figure 396248DEST_PATH_IMAGE059
其中，
Figure 125432DEST_PATH_IMAGE060
表示序列有个i周期，
Figure 894804DEST_PATH_IMAGE061
表示序列中非零周期的数量；
多维库存分类规则具体为：
当
Figure 258790DEST_PATH_IMAGE062
时，为平滑型需求类型；当
Figure 681681DEST_PATH_IMAGE063
时，为间断型 需求类型；当
Figure 396696DEST_PATH_IMAGE064
时，为不稳定型需求类型；当
Figure 595858DEST_PATH_IMAGE065
时，为波 动型需求类型。
S3、采用长短期记忆人工神经网络对产品需求数据进行预测。
在本实施例中，使用长短期记忆人工神经网络（LSTM）对步骤S1采集的历史需求数据进行预测，引入了三个门，即输入门、遗忘门和输出门，表达式分别为
输入门：
Figure 17612DEST_PATH_IMAGE015
遗忘门：
Figure 142563DEST_PATH_IMAGE016
输出门：
Figure 79295DEST_PATH_IMAGE066
其中，
Figure 816569DEST_PATH_IMAGE067
为激活函数，
Figure 155147DEST_PATH_IMAGE019
表示给定时间步t的输入，
Figure 326365DEST_PATH_IMAGE020
为
Figure 750393DEST_PATH_IMAGE021
时间步的隐藏状态，
Figure 524314DEST_PATH_IMAGE022
表示输入数据与输入门连接的参数、
Figure 218863DEST_PATH_IMAGE023
表示隐藏状态下输入数据与输入门连接的参数、
Figure 420037DEST_PATH_IMAGE068
表示输入门与遗忘门连接的参数、
Figure 65782DEST_PATH_IMAGE025
表示隐藏状态下输入门与遗忘门连接的参数、
Figure 643394DEST_PATH_IMAGE026
表示 遗忘门与输出数据连接的参数、
Figure 831930DEST_PATH_IMAGE069
表示隐藏状态下遗忘门与输出数据连接的参数、
Figure 705470DEST_PATH_IMAGE028
表示 输入数据经过输入门的激活函数后计算得到的值、
Figure 104091DEST_PATH_IMAGE029
表示输入数据经过遗忘门的激活函数 后计算得到的值、
Figure 485393DEST_PATH_IMAGE030
表示输入数据经过输出门的激活函数后计算得到的值。
使用长短期记忆人工神经网络对步骤S1采集的库存历史需求数据进行预测得到 的需求预测量表示为
Figure 387490DEST_PATH_IMAGE031
。
S4、以最大化服务水平为优化目标，构建库存控制模型。
库存控制模型相关变量包括第t周期的库存
Figure 431932DEST_PATH_IMAGE070
、到货量
Figure 786690DEST_PATH_IMAGE071
、时间延迟L、运输延迟量
Figure 971684DEST_PATH_IMAGE072
、订货量
Figure 869232DEST_PATH_IMAGE073
、货品的在途量
Figure 583110DEST_PATH_IMAGE074
、需求预测量
Figure 180490DEST_PATH_IMAGE037
、库存调整量
Figure 903595DEST_PATH_IMAGE075
、库存调整系数
Figure 514705DEST_PATH_IMAGE076
、在途 调整量
Figure 930643DEST_PATH_IMAGE077
、在途调整系数
Figure 27037DEST_PATH_IMAGE078
、目标库存系数a。
下面对库存控制相关变量的具体含义进行说明；
第t周期的库存
Figure 429200DEST_PATH_IMAGE079
由本期到货量
Figure 894816DEST_PATH_IMAGE080
和本期需求量
Figure 481655DEST_PATH_IMAGE081
决定，表示为
Figure 298302DEST_PATH_IMAGE082
。
到货量
Figure 599095DEST_PATH_IMAGE083
由
Figure 184797DEST_PATH_IMAGE084
期的运输延迟量
Figure 942538DEST_PATH_IMAGE085
决定，表示为
Figure 980901DEST_PATH_IMAGE086
。
运输延迟表示为
Figure 85385DEST_PATH_IMAGE087
。
订货量
Figure 56752DEST_PATH_IMAGE088
表达式为
Figure 595181DEST_PATH_IMAGE089
。
货品的在途量
Figure 651999DEST_PATH_IMAGE090
，表达式为
Figure 793130DEST_PATH_IMAGE091
。
库存调整量
Figure 854889DEST_PATH_IMAGE092
，表达式为
Figure 688853DEST_PATH_IMAGE093
。
在途调整量
Figure 967388DEST_PATH_IMAGE094
，表达式为
Figure 912210DEST_PATH_IMAGE095
。
以库存服务水平最大化为优化目标，构建库存控制模型，各库存需求类型的服务水平函数表示为：
Figure 94055DEST_PATH_IMAGE096
Figure 98920DEST_PATH_IMAGE097
其中，SLR为各库存需求类型的服务水平函数，
Figure 599171DEST_PATH_IMAGE098
为本期缺货情况，0表示缺货，1 表示不缺货，N表示总期数、
Figure 223051DEST_PATH_IMAGE099
表示
Figure 23517DEST_PATH_IMAGE100
时间步决策单位的库存量。
库存控制模型中完整的订货量公式为
Figure 700748DEST_PATH_IMAGE101
。
S5、基于步骤S3得到的需求预测量，对步骤S4构建的库存控制模型进行求解，获得不同需求类别下对应的库存控制参数及每一期的订货量。
在本实施例中，上述模型求解过程具体包括：
将步骤S3得到的需求预测量
Figure 688295DEST_PATH_IMAGE102
代入步骤S4构建的库存控制模型，设定库存控制参 数选取范围，
Figure 240499DEST_PATH_IMAGE103
。求解后，分别得到四种库存需求类型对应的最优的库 存控制参数
Figure 629893DEST_PATH_IMAGE104
，以此作为各库存需求类型的库存决策方案，如图2所示。
下面本发明针对具体实例对发明方法的库存控制效果进行说明。
设定提前期L=1，库存调整系数
Figure 117506DEST_PATH_IMAGE105
，在途调整系数
Figure 359393DEST_PATH_IMAGE106
，目标库存系数a=1。表1为使用传统库存控制策略（即
Figure 184130DEST_PATH_IMAGE107
）得到的结果，表2为使用本发明提出 的方法得到的结果。
表1 各需求类型库存采用传统库存控制方法下的服务水平
Figure 693609DEST_PATH_IMAGE108
表2 各需求类型库存采用本发明方法下的服务水平
Figure 211178DEST_PATH_IMAGE109
求解后得到的各需求类型的库存控制方案如图2所示，平滑型对应的库存控制方 案为
Figure 686501DEST_PATH_IMAGE110
，间断型对应的库存控制方案为
Figure 580508DEST_PATH_IMAGE111
，不稳定型对应的 库存控制方案为
Figure 819859DEST_PATH_IMAGE112
，波动型对应的库存控制方案为
Figure 773909DEST_PATH_IMAGE113
。
通过编写python程序求解步骤S4构建的多维库存控制模型，能够快速得到每种需求类型的SKU最优的订货策略。结果表明，使用本技术提出的一种多维分类下的智能化订货方法，相较于传统库存控制方法，能够有效提高库存服务水平。
本发明从区分库存的需求类型出发，按照四种不同的需求类型对采集到库存历史需求数据进行分类处理，使用智能算法长短期记忆人工神经网络（LSTM）对历史需求数据进行预测，并构建库存控制模型，通过编写python程序快速求解模型，得到各库存需求类型相对应的库存决策方案，为决策者提供理论基础。本发明的多维分类下的智能化订货方法具有动态性、灵活性和连续性的优势，为多维库存订货管理研究带来了新的视角与方法。

Claims (6)

1.一种多维分类下的智能化订货方法，其特征是：包括以下步骤：
S1、采集库存历史需求数据；
S2、基于库存历史需求数据，按照多维库存分类法对产品进行分类；
S3、采用长短期记忆人工神经网络对产品库存历史需求数据进行预测，得到需求预测量；
S4、以最大化服务水平为优化目标，构建库存控制模型；
S5、基于步骤S3得到的需求预测量，对步骤S4构建的库存控制模型进行求解，获得不同需求类别下对应的库存控制参数及每一期的订货量。
2.根据权利要求1所述的一种多维分类下的智能化订货方法，其特征是：
步骤S1中采集历史需求数据为采集决策单位前N期内各个产品每天的订单需求量D，表示为：
Figure 566270DEST_PATH_IMAGE001
其中，
Figure 946436DEST_PATH_IMAGE002
表示商品i在第t天的需求量，
Figure 25512DEST_PATH_IMAGE003
表示商品i在第N期的需求量。
3.根据权利要求1所述的一种多维分类下的智能化订货方法，其特征是：
步骤S2中多维库存分类法相关变量包括变异系数的平方
Figure 73103DEST_PATH_IMAGE004
和平均需求区间ADI；变异 系数的平方
Figure 179599DEST_PATH_IMAGE005
，表示为
Figure 312640DEST_PATH_IMAGE006
其中，l表示非零需求周期的个数，
Figure 664249DEST_PATH_IMAGE007
表示第i个非零需求周期；
平均需求区间ADI，表示为
Figure 566346DEST_PATH_IMAGE008
其中，
Figure 109323DEST_PATH_IMAGE009
表示序列有个i周期，
Figure 401764DEST_PATH_IMAGE010
表示序列中非零周期的数量；
基于库存历史需求数据，将库存分为四种需求类型，分别为：平滑型需求类型、间断型需求类型、不稳定型需求类型以及波动型需求类型，四种需求类型对应的规则具体为：
当
Figure 790020DEST_PATH_IMAGE011
时，为平滑型需求类型；当
Figure 325386DEST_PATH_IMAGE012
时，为间断型需求类 型；当
Figure 39264DEST_PATH_IMAGE013
时，为不稳定型需求类型；当
Figure 678056DEST_PATH_IMAGE014
时，为波动型需 求类型。
4.根据权利要求1所述的一种多维分类下的智能化订货方法，其特征是：
步骤S3中采用长短期记忆人工神经网络对产品库存历史需求数据进行预测，引入了三 个门，即输入门
Figure 135582DEST_PATH_IMAGE015
、遗忘门
Figure 248157DEST_PATH_IMAGE016
和输出门
Figure 132936DEST_PATH_IMAGE017
，表达式分别为：
输入门：
Figure 462287DEST_PATH_IMAGE018
遗忘门：
Figure 395607DEST_PATH_IMAGE019
输出门：
Figure 126803DEST_PATH_IMAGE020
其中，
Figure 683949DEST_PATH_IMAGE021
为激活函数，
Figure 235016DEST_PATH_IMAGE022
表示给定时间步t的输入，
Figure 299924DEST_PATH_IMAGE023
为
Figure 885626DEST_PATH_IMAGE024
时间步的隐藏状态，
Figure 613673DEST_PATH_IMAGE025
表示 输入数据与输入门连接的参数、
Figure 714353DEST_PATH_IMAGE026
表示隐藏状态下输入数据与输入门连接的参数、
Figure 317372DEST_PATH_IMAGE027
表示 输入门与遗忘门连接的参数、
Figure 492002DEST_PATH_IMAGE028
表示隐藏状态下输入门与遗忘门连接的参数、
Figure 827168DEST_PATH_IMAGE029
表示遗忘 门与输出数据连接的参数、
Figure 182188DEST_PATH_IMAGE030
表示隐藏状态下遗忘门与输出数据连接的参数、
Figure 588899DEST_PATH_IMAGE031
表示输入 数据经过输入门的激活函数后计算得到的值、
Figure 883614DEST_PATH_IMAGE032
表示输入数据经过遗忘门的激活函数后计 算得到的值、
Figure 389682DEST_PATH_IMAGE033
表示输入数据经过输出门的激活函数后计算得到的值；
使用长短期记忆人工神经网络对步骤S1采集的库存历史需求数据进行预测得到的需 求预测量表示为
Figure 904102DEST_PATH_IMAGE034
。
5.根据权利要求1所述的一种多维分类下的智能化订货方法，其特征是：
步骤S4中构建库存控制模型中的相关变量包括第t周期的库存
Figure 583345DEST_PATH_IMAGE035
、到货量
Figure 998146DEST_PATH_IMAGE036
、时间延迟L、运输延迟量
Figure 3011DEST_PATH_IMAGE037
、订货量
Figure 801465DEST_PATH_IMAGE038
、货品的在途量
Figure 549978DEST_PATH_IMAGE039
、需求预测量
Figure 819285DEST_PATH_IMAGE040
、库存调整量
Figure 995052DEST_PATH_IMAGE041
、库存调整 系数
Figure 218485DEST_PATH_IMAGE042
、在途调整量
Figure 505110DEST_PATH_IMAGE043
、在途调整系数
Figure 566607DEST_PATH_IMAGE044
、目标库存系数a；
以库存服务水平最大化为优化目标，构建库存控制模型，各库存需求类型的服务水平函数表示为：
Figure 382116DEST_PATH_IMAGE045
Figure 856960DEST_PATH_IMAGE046
其中，SLR为各库存需求类型的服务水平函数，N表示总期数，
Figure 437021DEST_PATH_IMAGE047
为本期缺货情况，0表示 缺货，1表示不缺货，
Figure 680921DEST_PATH_IMAGE048
表示
Figure 995228DEST_PATH_IMAGE049
时间步决策单位的库存量；
订货量公式表示为：
Figure 691788DEST_PATH_IMAGE050
。
6.根据权利要求1所述的一种多维分类下的智能化订货方法，其特征是：
步骤S5中基于步骤S3中得到的需求预测量
Figure 821681DEST_PATH_IMAGE051
，对步骤S4构建的库存控制模型进行求解， 得到最大库存服务水平状态下，各库存需求类型每一期的订货量
Figure 920087DEST_PATH_IMAGE052
以及最优的库存控制参 数
Figure 608557DEST_PATH_IMAGE053
和
Figure 57993DEST_PATH_IMAGE054
作为库存决策方案。
CN202211145227.6A 2022-09-20 2022-09-20 一种多维分类下的智能化订货方法 Active CN115271256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211145227.6A CN115271256B (zh) 2022-09-20 2022-09-20 一种多维分类下的智能化订货方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211145227.6A CN115271256B (zh) 2022-09-20 2022-09-20 一种多维分类下的智能化订货方法

Publications (2)

Publication Number Publication Date
CN115271256A true CN115271256A (zh) 2022-11-01
CN115271256B CN115271256B (zh) 2022-12-16

Family

ID=83756273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211145227.6A Active CN115271256B (zh) 2022-09-20 2022-09-20 一种多维分类下的智能化订货方法

Country Status (1)

Country Link
CN (1) CN115271256B (zh)

Citations (22)

* 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
US20120253995A1 (en) * 2011-03-31 2012-10-04 Amit Boob System and method for merchandise inventory management to maximize gross margin
CN105556558A (zh) * 2013-09-20 2016-05-04 日本电气株式会社 订货量确定设备、订货量确定方法、记录介质和订货量确定系统
CN107563705A (zh) * 2017-09-25 2018-01-09 四川长虹电器股份有限公司 利用大数据分析家电产品安全库存及再订货的系统和方法
US20180218322A1 (en) * 2017-01-27 2018-08-02 Wal-Mart Stores, Inc. System and method for optimizing inventory replenishment
AU2018101512A4 (en) * 2018-10-11 2018-11-15 Dong, Xun Miss A comprehensive stock trend predicting method based on neural networks
CN108876050A (zh) * 2018-06-27 2018-11-23 东北大学 一种钢铁企业合同主制程的设定与自动转换方法
CN110322203A (zh) * 2019-07-05 2019-10-11 江苏云脑数据科技有限公司 零售业库存优化分析方法
CN110990608A (zh) * 2019-12-03 2020-04-10 哈尔滨工业大学 一种基于Siamese结构双向长短时记忆网络的三维模型检索方法
JP2020187416A (ja) * 2019-05-10 2020-11-19 アスクル株式会社 物流管理システム
CN112494020A (zh) * 2020-11-26 2021-03-16 苏州润迈德医疗科技有限公司 获取感兴趣的主动脉压力曲线的方法及存储介质
CN113469397A (zh) * 2020-03-31 2021-10-01 株式会社日立制作所 智慧供应链系统及服务器平台
CN113869938A (zh) * 2021-09-09 2021-12-31 杭州铭信信息科技有限公司 一种日清生鲜门店智能订货方法
CN114078024A (zh) * 2020-08-18 2022-02-22 腾讯科技（深圳）有限公司 广告库存的预估方法、装置、介质以及电子设备
CN114219169A (zh) * 2021-12-23 2022-03-22 上海颖幡技术有限公司 颖幡供应链销售和库存预测算法模型和应用系统
CN114219154A (zh) * 2021-12-17 2022-03-22 迈创企业管理服务股份有限公司 一种手机备件目标库存确定方法
CN114297265A (zh) * 2021-12-31 2022-04-08 重庆钢铁集团电子有限责任公司 基于物联技术的智能运维方法
CN114548871A (zh) * 2022-02-24 2022-05-27 深圳九章数据科技有限公司 一种大数据驱动的供应链ai智能补货系统
CN114581181A (zh) * 2022-03-03 2022-06-03 重庆享丰实业有限公司 一种图片中商品的处理方法
CN114742278A (zh) * 2022-03-17 2022-07-12 西安建筑科技大学 一种基于改进lstm的建筑能耗预测方法及系统
CN114861995A (zh) * 2022-04-20 2022-08-05 深圳供电局有限公司 电力物资的需求预测方法、装置和计算机设备
CN114926305A (zh) * 2022-05-31 2022-08-19 深圳供电局有限公司 电力物资管控方法、装置、计算机设备、存储介质

Patent Citations (22)

* 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
US20120253995A1 (en) * 2011-03-31 2012-10-04 Amit Boob System and method for merchandise inventory management to maximize gross margin
CN105556558A (zh) * 2013-09-20 2016-05-04 日本电气株式会社 订货量确定设备、订货量确定方法、记录介质和订货量确定系统
US20180218322A1 (en) * 2017-01-27 2018-08-02 Wal-Mart Stores, Inc. System and method for optimizing inventory replenishment
CN107563705A (zh) * 2017-09-25 2018-01-09 四川长虹电器股份有限公司 利用大数据分析家电产品安全库存及再订货的系统和方法
CN108876050A (zh) * 2018-06-27 2018-11-23 东北大学 一种钢铁企业合同主制程的设定与自动转换方法
AU2018101512A4 (en) * 2018-10-11 2018-11-15 Dong, Xun Miss A comprehensive stock trend predicting method based on neural networks
JP2020187416A (ja) * 2019-05-10 2020-11-19 アスクル株式会社 物流管理システム
CN110322203A (zh) * 2019-07-05 2019-10-11 江苏云脑数据科技有限公司 零售业库存优化分析方法
CN110990608A (zh) * 2019-12-03 2020-04-10 哈尔滨工业大学 一种基于Siamese结构双向长短时记忆网络的三维模型检索方法
CN113469397A (zh) * 2020-03-31 2021-10-01 株式会社日立制作所 智慧供应链系统及服务器平台
CN114078024A (zh) * 2020-08-18 2022-02-22 腾讯科技（深圳）有限公司 广告库存的预估方法、装置、介质以及电子设备
CN112494020A (zh) * 2020-11-26 2021-03-16 苏州润迈德医疗科技有限公司 获取感兴趣的主动脉压力曲线的方法及存储介质
CN113869938A (zh) * 2021-09-09 2021-12-31 杭州铭信信息科技有限公司 一种日清生鲜门店智能订货方法
CN114219154A (zh) * 2021-12-17 2022-03-22 迈创企业管理服务股份有限公司 一种手机备件目标库存确定方法
CN114219169A (zh) * 2021-12-23 2022-03-22 上海颖幡技术有限公司 颖幡供应链销售和库存预测算法模型和应用系统
CN114297265A (zh) * 2021-12-31 2022-04-08 重庆钢铁集团电子有限责任公司 基于物联技术的智能运维方法
CN114548871A (zh) * 2022-02-24 2022-05-27 深圳九章数据科技有限公司 一种大数据驱动的供应链ai智能补货系统
CN114581181A (zh) * 2022-03-03 2022-06-03 重庆享丰实业有限公司 一种图片中商品的处理方法
CN114742278A (zh) * 2022-03-17 2022-07-12 西安建筑科技大学 一种基于改进lstm的建筑能耗预测方法及系统
CN114861995A (zh) * 2022-04-20 2022-08-05 深圳供电局有限公司 电力物资的需求预测方法、装置和计算机设备
CN114926305A (zh) * 2022-05-31 2022-08-19 深圳供电局有限公司 电力物资管控方法、装置、计算机设备、存储介质

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
ZHONGQUN SUN 等: "Long short-term memory network-based emission models for conventional and new energy buses", 《INTERNATIONAL JOURNAL OF SUSTAINABLE TRANSPORTATION》 *
刘婷: "山东省物流需求组合预测方法及其应用研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
宁特等: "快速消费品经销商库存管理优化研究", 《内蒙古科技与经济》 *
宋毅斐等: "基于库存模型法的药品采购与库存控制策略", 《中国药房》 *
宋芳媛: "多周期非平稳库存控制模型比较分析", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
李卓群: "基于需求预测技术弱化牛鞭效应影响研究", 《山西大同大学学报(自然科学版)》 *
李卓群等: "考虑服务水平和成本的复杂非线性库存控制系统动态行为分析", 《系统工程》 *
李卓群等: "随机提前期下非线性供应链库存优化策略选择", 《计算机集成制造系统》 *
殷悦媛: "H化妆品公司需求预测与库存控制策略研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
聂晓洁: "A公司卷烟销售预测与库存控制策略研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
蒲忠等: "非常规天然气MRO多维库存分类和控制方法构建", 《物流科技》 *
金亚楠: "基于需求预测的U公司汽车零部件库存管理优化研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
陈燕燕: "汽车零部件的需求预测与库存策略应用研究", 《中小企业管理与科技(上旬刊)》 *

Also Published As

Publication number Publication date
CN115271256B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
Yang et al. Evaluation of robustness of supply chain information-sharing strategies using a hybrid Taguchi and multiple criteria decision-making method
Dorich et al. ToTEM II: An updated version of the Bank of Canada’s quarterly projection model
CN109741083B (zh) 一种基于企业mrp的物料需求加权预测方法
CN110163427A (zh) 一种门店库存优化的方法
Xue et al. Cost optimization control of logistics service supply chain based on cloud genetic algorithm
Saha et al. Demand forecasting of a multinational retail company using deep learning frameworks
CN114548871A (zh) 一种大数据驱动的供应链ai智能补货系统
Zhang et al. A Back Propagation Neural Network‐Based Method for Intelligent Decision‐Making
CN115271256B (zh) 一种多维分类下的智能化订货方法
Cholodowicz et al. Impact of control system structure and performance of inventory goods flow system with long-variable delay
Kharkyanen et al. Development of information technology for supporting the process of adjustment of the food enterprise assortment
Yoon et al. Methodology for Improving the Performance of Demand Forecasting Through Machine Learning
Xu An Intelligent Classification Method of Multisource Enterprise Financial Data Based on SAS Model
Li et al. Research on Ordering and Transportation of Raw Materials in Production Enterprises Based on Goal Programming
Feng Sales Forecast of Marketing Brand Based on BP Neural Network Model
Feng et al. Research on replenishment decision of vegetable commodities based on genetic algorithm
Zhu et al. Vegetable Pricing and Restocking with Markov Models
Raj et al. Entropy based optimization of decentralized supply chain networks
Rane et al. Energy Consumption Forecasting using a Deep Learning Energy-Level Based Prediction
Chen et al. Research on Material Ordering and Transportation Issues Based on RBF Neural Network and 0-1 Planning Model
Hastuti et al. ANALYSIS OF RICE INVENTORY CONTROL AT PT. DAYA TANI SEMBADA NGAWI DISTRICT
Zhang et al. Research on Production Ordering and Transportation Issues Based on Smart Evaluation Model and AHP-CRITIC Coupling
Pierros et al. and Ioannis Vlahavas D Intelligent Systems Lab, Aristotle University of Thessaloniki, 54154 Thessaloniki, Greece {ipierros, elefthenk, dimitriz, vlahavas}@ csd. auth. gr
Chołodowicz et al. Neural Network Control of Perishable Inventory with Fixed Shelf Life Products and Fuzzy Order Refinement under Time-Varying Uncertain Demand
Liu et al. Dynamic optimal decision making for manufacturers with limited attention based on sparse dynamic programming.

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
GR01 Patent grant
GR01 Patent grant