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 PDFInfo
- 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
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
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:
平均需求区间ADI,表示为
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:
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:
其中,为激活函数,表示给定时间步t的输入,为时间步的隐藏状态,
表示输入数据与输入门连接的参数、表示隐藏状态下输入数据与输入门连接的参数、
表示输入门与遗忘门连接的参数、表示隐藏状态下输入门与遗忘门连接的参数、表示
遗忘门与输出数据连接的参数、表示隐藏状态下遗忘门与输出数据连接的参数、表示
输入数据经过输入门的激活函数后计算得到的值、表示输入数据经过遗忘门的激活函数
后计算得到的值、表示输入数据经过输出门的激活函数后计算得到的值。
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、到货量、时间延迟L、运输延迟量、订货量、货品的在途量、
需求预测量、库存调整量、库存调整系数、在途调整量、在途调整系数、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:
订货量公式表示为:
。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,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以及最优的库存控制参数
和作为库存决策方案。
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
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。
平均需求区间ADI,表示为
多维库存分类规则具体为:
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
其中,为激活函数,表示给定时间步t的输入,为时间步的隐藏状态,
表示输入数据与输入门连接的参数、表示隐藏状态下输入数据与输入门连接的参数、
表示输入门与遗忘门连接的参数、表示隐藏状态下输入门与遗忘门连接的参数、表示
遗忘门与输出数据连接的参数、表示隐藏状态下遗忘门与输出数据连接的参数、表示
输入数据经过输入门的激活函数后计算得到的值、表示输入数据经过遗忘门的激活函数
后计算得到的值、表示输入数据经过输出门的激活函数后计算得到的值。
S4、以最大化服务水平为优化目标,构建库存控制模型。
下面对库存控制相关变量的具体含义进行说明;
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:
库存控制模型中完整的订货量公式为
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:
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。
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
表2 各需求类型库存采用本发明方法下的服务水平
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。
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:
其中,为激活函数,表示给定时间步t的输入,为时间步的隐藏状态,表示
输入数据与输入门连接的参数、表示隐藏状态下输入数据与输入门连接的参数、表示
输入门与遗忘门连接的参数、表示隐藏状态下输入门与遗忘门连接的参数、表示遗忘
门与输出数据连接的参数、表示隐藏状态下遗忘门与输出数据连接的参数、表示输入
数据经过输入门的激活函数后计算得到的值、表示输入数据经过遗忘门的激活函数后计
算得到的值、表示输入数据经过输出门的激活函数后计算得到的值;
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)
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 |
-
2022
- 2022-09-20 CN CN202211145227.6A patent/CN115271256B/zh active Active
Patent Citations (22)
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)
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 |