CN115564497B - 一种基于大数据的芯片供应管理系统及方法 - Google Patents

一种基于大数据的芯片供应管理系统及方法 Download PDF

Info

Publication number
CN115564497B
CN115564497B CN202211400393.6A CN202211400393A CN115564497B CN 115564497 B CN115564497 B CN 115564497B CN 202211400393 A CN202211400393 A CN 202211400393A CN 115564497 B CN115564497 B CN 115564497B
Authority
CN
China
Prior art keywords
chip
downstream
manufacturer
demand
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.)
Active
Application number
CN202211400393.6A
Other languages
English (en)
Other versions
CN115564497A (zh
Inventor
周江锋
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.)
Dingshan Technology Co ltd
Original Assignee
Dingshan 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 Dingshan Technology Co ltd filed Critical Dingshan Technology Co ltd
Priority to CN202211400393.6A priority Critical patent/CN115564497B/zh
Publication of CN115564497A publication Critical patent/CN115564497A/zh
Application granted granted Critical
Publication of CN115564497B publication Critical patent/CN115564497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的芯片供应管理系统及方法，属于芯片供应管理技术领域。本系统包括：芯片供应数据模块、预测数据处理模块、时间分割模块、供应预警模块；所述芯片供应数据模块的输出端与所述预测数据处理模块的输入端相连接；所述预测数据处理模块的输出端与所述时间分割模块的输入端相连接；所述时间分割模块的输出端与所述供应预警模块的输入端相连接。本发明能够提高应对芯片供应变化的能力，基于本系统能够维持芯片大环境市场的稳定，提振国内半导体行业的发展，帮助国内半导体企业向价值链上游攀升，以及提高全球竞争力。

Description

一种基于大数据的芯片供应管理系统及方法
技术领域
本发明涉及芯片供应管理技术领域，具体为一种基于大数据的芯片供应管理系统及方法。
背景技术
芯片是半导体元件产品的统称，在目前的技术发展中，占据着不可替代的位置，其是微处理器或多核处理器的核心，可以控制计算机、手机等电子产品的一切。
也正由于其的核心重要性，芯片供应也是一个亟待解决的问题，在目前的市场上，芯片供应通常是以时间周期为准，下游厂商递交需求至芯片上游供应商，供应商进行制造、分销，而随着市场经济的不断变化，时间周期初始的计划供应链并不能满足各类突发情况，例如芯片市场的突然短缺或者突然火热，而芯片的研发、生产、测试又非短时间内即可完成，因此一家优秀的芯片上游供应商需要有把控全局市场的能力，然而在目前的技术手段中，缺乏对于在固定时间周期下对芯片供应的预测，和解决市场突发问题的能力。
发明内容
本发明的目的在于提供一种基于大数据的芯片供应管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的芯片供应管理方法，该方法包括以下步骤：
S1、芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链；
S2、根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；
S3、设置概率阈值，若存在出现新增芯片下游厂商的概率大于概率阈值，对时间周期T进行分割；
S4、构建芯片供应预警模型，基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口。
根据上述技术方案，所述芯片供应链包括：
构建时间周期T；
获取芯片下游厂商发送的芯片需求数据，选取在时间周期T内需要芯片供应的芯片下游厂商，并记录需求时间与需求数量；
根据需求时间与需求数量，生成时间周期T下的芯片供应链。
根据上述技术方案，所述构建芯片下游厂商新增模型包括：
获取历史数据中在计划供应链下出现芯片下游厂商新增情况的数据，所述计划供应链指在历史数据的某一周期中，根据初始获取的需求时间与需求数量生成的芯片供应链；
获取计划供应链中的芯片下游厂商的需求数量增长比例值；所述需求数量增长比例计算如下：
其中，Kn代表第n个时间周期下的任一芯片下游厂商的需求数量增长比例值；mn代表第n个时间周期下的任一芯片下游厂商的芯片需求数量；mn-1代表第n-1个时间周期下的任一芯片下游厂商的芯片需求数量；
设置需求数量增长比例范围值[a1、b1]，其中a1为需求数量负增长的最大值，为负值；b1为需求数量正增长的最小值，为正值；
分别计算历史数据下任一周期中的全部芯片下游厂商的需求数量增长比例值，选取不在需求数量增长比例范围值[a1、b1]的数据作为自变量，以芯片下游厂商新增概率为因变量，构建芯片下游厂商新增模型：
其中，y代表芯片下游厂商新增的概率；Pn，i代表第n个时间周期下的第i家芯片下游厂商的需求数量增长比例值；h1代表负增长影响系数，h1＜0；h2代表正增长影响系数，h2＞0；v代表芯片下游厂商总数量；代表误差因子；若存在Pn，i小于0，则(Pn，i-b1)*h2的值取0；Pn，i大于0，则(Pn，i-a1)*h1的值取0；
获取时间周期T下的芯片下游厂商的需求数量增长比例值，若存在不在需求数量增长比例范围值[a1、b1]的数据占比超出数量阈值M时，将全部芯片下游厂商的需求数量增长比例值数据代入芯片下游厂商新增模型中，预测在时间周期T内出现新增芯片下游厂商的概率。
根据上述技术方案，所述对时间周期T进行分割包括：
获取历史数据下芯片下游厂商新增的时间处于时间周期T的比例值；
根据时间序列，以移动平均分析：
建立公式如下：
Ud+1＝ed+fd*β
其中，Ud+1代表预测的下一次芯片下游厂商新增的时间处于时间周期T的比例值；ed为预测截距；fd为预测斜率；β为预测次数；d代表参与分析的历史数据下芯片下游厂商新增的数据组数；
ed＝2w1-w2
其中，w1代表一次移动平均值；w2代表二次移动平均值；r代表参与移动的数据组数；
获取输出的Ud+1，计算芯片下游厂商新增的预测时间；
以芯片下游厂商新增的预测时间为基准，将时间周期T分割成两部分。
根据上述技术方案，所述构建芯片供应预警模型包括：
获取芯片生产需求时间，记为T0；
芯片下游厂商新增的预测时间记为T1，时间周期T的终点时间记为T2；
获取在时间周期T下的芯片供应链中，处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和；
若存在出现新增芯片下游厂商的概率大于概率阈值，且处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和低于库存调节阈值时，输出预警信息至管理员端口；
所述库存调节阈值为系统设置。
一种基于大数据的芯片供应管理系统，该系统包括：芯片供应数据模块、预测数据处理模块、时间分割模块、供应预警模块；
所述芯片供应数据模块用于获取芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链，存储芯片需求数据的历史数据；所述预测数据处理模块用于根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；所述时间分割模块用于设置概率阈值，若存在出现新增芯片下游厂商的概率大于概率阈值，对时间周期T进行分割；所述供应预警模块用于构建芯片供应预警模型，基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口；
所述芯片供应数据模块的输出端与所述预测数据处理模块的输入端相连接；所述预测数据处理模块的输出端与所述时间分割模块的输入端相连接；所述时间分割模块的输出端与所述供应预警模块的输入端相连接。
根据上述技术方案，所述芯片供应数据模块包括需求数据采集单元、存储单元；
所述需求数据采集单元用于获取芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链；所述存储单元用于存储芯片需求数据的历史数据。
根据上述技术方案，所述预测数据处理模块包括预测模型构建单元、概率数据输出单元；
所述预测模型构建单元用于根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型；所述概率数据输出单元用于根据芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；
所述预测模型构建单元的输出端与所述概率数据输出单元的输入端相连接。
根据上述技术方案，所述时间分割模块包括阈值判断单元、时间分割单元；
所述阈值判断单元用于设置概率阈值，判断出现新增芯片下游厂商的概率是否大于概率阈值；所述时间分割单元用于存在出现新增芯片下游厂商的概率大于概率阈值时，对时间周期T进行分割；
所述阈值判断单元的输出端与所述时间分割单元的输入端相连接。
根据上述技术方案，所述供应预警模块包括预警模型构建单元、输出单元；
所述预警模型构建单元用于构建芯片供应预警模型；所述输出单元用于基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口；
所述构建芯片供应预警模型包括：
获取芯片生产需求时间，记为T0；
芯片下游厂商新增的预测时间记为T1，时间周期T的终点时间记为T2；
获取在时间周期T下的芯片供应链中，处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和；
若存在出现新增芯片下游厂商的概率大于概率阈值，且处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和低于库存调节阈值时，输出预警信息至管理员端口；所述库存调节阈值为系统设置。
与现有技术相比，本发明所达到的有益效果是：
在本申请中，利用芯片上游供应商的历史数据中的芯片需求数据，预测在时间周期T内出现新增芯片下游厂商的概率，构建芯片供应预警模型，基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口，提高应对芯片供应变化的能力，基于本系统能够维持芯片大环境市场的稳定，提振国内半导体行业的发展，帮助国内半导体企业向价值链上游攀升，以及提高全球竞争力。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明一种基于大数据的芯片供应管理系统及方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，在本实施例一中：
芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链；
所述芯片供应链包括：
构建时间周期T；
获取芯片下游厂商发送的芯片需求数据，选取在时间周期T内需要芯片供应的芯片下游厂商，并记录需求时间与需求数量；
根据需求时间与需求数量，生成时间周期T下的芯片供应链。
例如，时间周期为1年(2019-2020年)，有芯片下游厂商A、B、C分别发送了需求数据为2019年6月1000套、2019年8月1000套、2019年10月1000套；那么生成的时间周期T下的芯片供应链就应包括6月、8月、10月三个时间点，以及标注对应的芯片需求数量。
根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；
所述构建芯片下游厂商新增模型包括：
获取历史数据中在计划供应链下出现芯片下游厂商新增情况的数据，所述计划供应链指在历史数据的某一周期中，根据初始获取的需求时间与需求数量生成的芯片供应链；
获取计划供应链中的芯片下游厂商的需求数量增长比例值；所述需求数量增长比例计算如下：
其中，Kn代表第n个时间周期下的任一芯片下游厂商的需求数量增长比例值；mn代表第n个时间周期下的任一芯片下游厂商的芯片需求数量；mn-1代表第n-1个时间周期下的任一芯片下游厂商的芯片需求数量；
例如n＝3(指2019年)，一个时间周期为1年，那么同一家芯片下游厂商A的mn就为1000套，对应的mn-1就是2018年的芯片需求数量，这里即便2018年没有出现芯片下游厂商新增的情况也是一样的，仅仅考虑需求数量的变化；
设置需求数量增长比例范围值[a1、b1]，其中a1为需求数量负增长的最大值，为负值；b1为需求数量正增长的最小值，为正值；
在需求数量增长比例范围值中，若存在需求数量负增长，例如2019年需求量为1000套，而2018年需求量却为5000套，需求数量呈现负增长，若出现负增长的值在需求数量不在增长比例范围值[a1、b1]内，则说明本年度芯片市场整体处于低迷状态，容易导致比较弱小的芯片上游供应商产量锐减甚至出现关闭或倒闭的情况，市场出现大量零散芯片下游厂商，从而导致出现芯片下游厂商新增的概率增加；若存在需求数量正增长，例如2019年需求量为1000套，而2018年需求量却为100套，需求数量呈现正增长，且正增长的值不在需求数量增长比例范围值[a1、b1]内，则说明本年度芯片市场整体处于兴奋状态，因此会出现新客户进入芯片市场，容易出现芯片下游厂商新增；
分别计算历史数据下任一周期中的全部芯片下游厂商的需求数量增长比例值，选取不在需求数量增长比例范围值[a1、b1]的数据作为自变量，以芯片下游厂商新增概率为因变量，构建芯片下游厂商新增模型：
其中，y代表芯片下游厂商新增的概率；Pn，i代表第n个时间周期下的第i家芯片下游厂商的需求数量增长比例值；h1代表负增长影响系数，h1＜0；h2代表正增长影响系数，h2＞0；v代表芯片下游厂商总数量；代表误差因子；若存在Pn，i小于0，则(Pn，i-b1)*h2的值取0；Pn，i大于0，则(Pn，i-a1)*h1的值取0；
获取时间周期T下的芯片下游厂商的需求数量增长比例值，若存在不在需求数量增长比例范围值[a1、b1]的数据占比超出数量阈值M时，将全部芯片下游厂商的需求数量增长比例值数据代入芯片下游厂商新增模型中，预测在时间周期T内出现新增芯片下游厂商的概率。
设置概率阈值，若存在出现新增芯片下游厂商的概率大于概率阈值，对时间周期T进行分割；
所述对时间周期T进行分割包括：
获取历史数据下芯片下游厂商新增的时间处于时间周期T的比例值；
例如时间周期为1年，芯片下游厂商新增时间为2019年3月，则比例为四分之一；
根据时间序列，以移动平均分析：
建立公式如下：
Ud+1＝ed+fd*β
其中，Ud+1代表预测的下一次芯片下游厂商新增的时间处于时间周期T的比例值；ed为预测截距；fd为预测斜率；β为预测次数；d代表参与分析的历史数据下芯片下游厂商新增的数据组数；
ed＝2w1-w2
其中，w1代表一次移动平均值；w2代表二次移动平均值；r代表参与移动的数据组数；
获取输出的Ud+1，计算芯片下游厂商新增的预测时间；
以芯片下游厂商新增的预测时间为基准，将时间周期T分割成两部分。
构建芯片供应预警模型：
获取芯片生产需求时间，记为T0；
芯片下游厂商新增的预测时间记为T1，时间周期T的终点时间记为T2；
获取在时间周期T下的芯片供应链中，处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和；
若存在出现新增芯片下游厂商的概率大于概率阈值，且处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和低于库存调节阈值时，输出预警信息至管理员端口；
所述库存调节阈值为系统设置。
在上述方案中，若存在出现新增芯片下游厂商的概率大于概率阈值，即代表会大概率出现新增芯片下游厂商，在这样的情况下，若后续原本的供应链中存在芯片需求数量总和高于库存调节阈值，则可以在出现新增芯片下游厂商的时间点上，先调用后续的芯片需求；若低于，则应在时间周期初始就进行相应的补货操作，提高库存。
在本实施例二中，提供一种基于大数据的芯片供应管理系统，该系统包括：芯片供应数据模块、预测数据处理模块、时间分割模块、供应预警模块；
所述芯片供应数据模块用于获取芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链，存储芯片需求数据的历史数据；所述预测数据处理模块用于根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；所述时间分割模块用于设置概率阈值，若存在出现新增芯片下游厂商的概率大于概率阈值，对时间周期T进行分割；所述供应预警模块用于构建芯片供应预警模型，基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口；
所述芯片供应数据模块的输出端与所述预测数据处理模块的输入端相连接；所述预测数据处理模块的输出端与所述时间分割模块的输入端相连接；所述时间分割模块的输出端与所述供应预警模块的输入端相连接。
所述芯片供应数据模块包括需求数据采集单元、存储单元；
所述需求数据采集单元用于获取芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链；所述存储单元用于存储芯片需求数据的历史数据。
所述预测数据处理模块包括预测模型构建单元、概率数据输出单元；
所述预测模型构建单元用于根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型；所述概率数据输出单元用于根据芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；
所述预测模型构建单元的输出端与所述概率数据输出单元的输入端相连接。
所述时间分割模块包括阈值判断单元、时间分割单元；
所述阈值判断单元用于设置概率阈值，判断出现新增芯片下游厂商的概率是否大于概率阈值；所述时间分割单元用于存在出现新增芯片下游厂商的概率大于概率阈值时，对时间周期T进行分割；
所述阈值判断单元的输出端与所述时间分割单元的输入端相连接。
所述供应预警模块包括预警模型构建单元、输出单元；。
所述预警模型构建单元用于构建芯片供应预警模型；所述输出单元用于基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口；
所述构建芯片供应预警模型包括：
获取芯片生产需求时间，记为T0；
芯片下游厂商新增的预测时间记为T1，时间周期T的终点时间记为T2；
获取在时间周期T下的芯片供应链中，处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和；
若存在出现新增芯片下游厂商的概率大于概率阈值，且处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和低于库存调节阈值时，输出预警信息至管理员端口；所述库存调节阈值为系统设置。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于大数据的芯片供应管理方法，其特征在于：该方法包括以下步骤：
S1、芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链；
S2、根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；
S3、设置概率阈值，若存在出现新增芯片下游厂商的概率大于概率阈值，对时间周期T进行分割；
S4、构建芯片供应预警模型，基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口；
所述构建芯片下游厂商新增模型包括：
获取历史数据中在计划供应链下出现芯片下游厂商新增情况的数据，所述计划供应链指在历史数据的某一周期中，根据初始获取的需求时间与需求数量生成的芯片供应链；
获取计划供应链中的芯片下游厂商的需求数量增长比例值；所述需求数量增长比例计算如下：
其中，Kn代表第n个时间周期下的任一芯片下游厂商的需求数量增长比例值；mn代表第n个时间周期下的任一芯片下游厂商的芯片需求数量；mn-1代表第n-1个时间周期下的任一芯片下游厂商的芯片需求数量；
设置需求数量增长比例范围值[a1、b1]，其中a1为需求数量负增长的最大值，为负值；b1为需求数量正增长的最小值，为正值；
分别计算历史数据下任一周期中的全部芯片下游厂商的需求数量增长比例值，选取不在需求数量增长比例范围值[a1、b1]的数据作为自变量，以芯片下游厂商新增概率为因变量，构建芯片下游厂商新增模型：
其中，y代表芯片下游厂商新增的概率；Pn，i代表第n个时间周期下的第i家芯片下游厂商的需求数量增长比例值；h1代表负增长影响系数，h1＜0；h2代表正增长影响系数，h2＞0；v代表芯片下游厂商总数量；代表误差因子；若存在Pn，i小于0，则(Pn，i-b1)*h2的值取0；Pn，i大于0，则(Pn，i-a1)*h1的值取0；
获取时间周期T下的芯片下游厂商的需求数量增长比例值，若存在不在需求数量增长比例范围值[a1、b1]的数据占比超出数量阈值M时，将全部芯片下游厂商的需求数量增长比例值数据代入芯片下游厂商新增模型中，预测在时间周期T内出现新增芯片下游厂商的概率；
所述构建芯片供应预警模型包括：
获取芯片生产需求时间，记为T0；
芯片下游厂商新增的预测时间记为T1，时间周期T的终点时间记为T2；
获取在时间周期T下的芯片供应链中，处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和；
若存在出现新增芯片下游厂商的概率大于概率阈值，且处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和低于库存调节阈值时，输出预警信息至管理员端口；
所述库存调节阈值为系统设置。
2.根据权利要求1所述的一种基于大数据的芯片供应管理方法，其特征在于：所述芯片供应链包括：
构建时间周期T；
获取芯片下游厂商发送的芯片需求数据，选取在时间周期T内需要芯片供应的芯片下游厂商，并记录需求时间与需求数量；
根据需求时间与需求数量，生成时间周期T下的芯片供应链。
3.根据权利要求2所述的一种基于大数据的芯片供应管理方法，其特征在于：所述对时间周期T进行分割包括：
获取历史数据下芯片下游厂商新增的时间处于时间周期T的比例值；
根据时间序列，以移动平均分析：
建立公式如下：
Ud+1＝ed+fd*β
其中，Ud+1代表预测的下一次芯片下游厂商新增的时间处于时间周期T的比例值；ed为预测截距；fd为预测斜率；β为预测次数；d代表参与分析的历史数据下芯片下游厂商新增的数据组数；
ed＝2w1-w2
其中，w1代表一次移动平均值；w2代表二次移动平均值；r代表参与移动的数据组数；
获取输出的Ud+1，计算芯片下游厂商新增的预测时间；
以芯片下游厂商新增的预测时间为基准，将时间周期T分割成两部分。
4.一种基于大数据的芯片供应管理系统，其特征在于：该系统包括：芯片供应数据模块、预测数据处理模块、时间分割模块、供应预警模块；
所述芯片供应数据模块用于获取芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链，存储芯片需求数据的历史数据；所述预测数据处理模块用于根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；所述时间分割模块用于设置概率阈值，若存在出现新增芯片下游厂商的概率大于概率阈值，对时间周期T进行分割；所述供应预警模块用于构建芯片供应预警模型，基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口；
所述芯片供应数据模块的输出端与所述预测数据处理模块的输入端相连接；所述预测数据处理模块的输出端与所述时间分割模块的输入端相连接；所述时间分割模块的输出端与所述供应预警模块的输入端相连接；
所述构建芯片下游厂商新增模型包括：
获取历史数据中在计划供应链下出现芯片下游厂商新增情况的数据，所述计划供应链指在历史数据的某一周期中，根据初始获取的需求时间与需求数量生成的芯片供应链；
获取计划供应链中的芯片下游厂商的需求数量增长比例值；所述需求数量增长比例计算如下：
其中，Kn代表第n个时间周期下的任一芯片下游厂商的需求数量增长比例值；mn代表第n个时间周期下的任一芯片下游厂商的芯片需求数量；mn-1代表第n-1个时间周期下的任一芯片下游厂商的芯片需求数量；
设置需求数量增长比例范围值[a1、b1]，其中a1为需求数量负增长的最大值，为负值；b1为需求数量正增长的最小值，为正值；
分别计算历史数据下任一周期中的全部芯片下游厂商的需求数量增长比例值，选取不在需求数量增长比例范围值[a1、b1]的数据作为自变量，以芯片下游厂商新增概率为因变量，构建芯片下游厂商新增模型：
其中，y代表芯片下游厂商新增的概率；Pn，i代表第n个时间周期下的第i家芯片下游厂商的需求数量增长比例值；h1代表负增长影响系数，h1＜0；h2代表正增长影响系数，h2＞0；v代表芯片下游厂商总数量；代表误差因子；若存在Pn，i小于0，则(Pn，i-b1)*h2的值取0；Pn，i大于0，则(Pn，i-a1)*h1的值取0；
获取时间周期T下的芯片下游厂商的需求数量增长比例值，若存在不在需求数量增长比例范围值[a1、b1]的数据占比超出数量阈值M时，将全部芯片下游厂商的需求数量增长比例值数据代入芯片下游厂商新增模型中，预测在时间周期T内出现新增芯片下游厂商的概率；
所述供应预警模块包括预警模型构建单元、输出单元；
所述预警模型构建单元用于构建芯片供应预警模型；所述输出单元用于基于对时间周期T进行分割的结果，判断是否输出预警信息至管理员端口；
所述构建芯片供应预警模型包括：
获取芯片生产需求时间，记为T0；
芯片下游厂商新增的预测时间记为T1，时间周期T的终点时间记为T2；
获取在时间周期T下的芯片供应链中，处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和；
若存在出现新增芯片下游厂商的概率大于概率阈值，且处于时间范围[T0+T1，T2]内的芯片下游厂商的芯片需求数量总和低于库存调节阈值时，输出预警信息至管理员端口；所述库存调节阈值为系统设置。
5.根据权利要求4所述的一种基于大数据的芯片供应管理系统，其特征在于：所述芯片供应数据模块包括需求数据采集单元、存储单元；
所述需求数据采集单元用于获取芯片上游供应商通过芯片下游厂商发送的芯片需求数据，构建时间周期T下的芯片供应链；所述存储单元用于存储芯片需求数据的历史数据。
6.根据权利要求4所述的一种基于大数据的芯片供应管理系统，其特征在于：所述预测数据处理模块包括预测模型构建单元、概率数据输出单元；
所述预测模型构建单元用于根据历史数据中的芯片需求数据，构建芯片下游厂商新增模型；所述概率数据输出单元用于根据芯片下游厂商新增模型，预测在时间周期T内出现新增芯片下游厂商的概率；
所述预测模型构建单元的输出端与所述概率数据输出单元的输入端相连接。
7.根据权利要求4所述的一种基于大数据的芯片供应管理系统，其特征在于：所述时间分割模块包括阈值判断单元、时间分割单元；
所述阈值判断单元用于设置概率阈值，判断出现新增芯片下游厂商的概率是否大于概率阈值；所述时间分割单元用于存在出现新增芯片下游厂商的概率大于概率阈值时，对时间周期T进行分割；
所述阈值判断单元的输出端与所述时间分割单元的输入端相连接。
CN202211400393.6A 2022-11-09 2022-11-09 一种基于大数据的芯片供应管理系统及方法 Active CN115564497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211400393.6A CN115564497B (zh) 2022-11-09 2022-11-09 一种基于大数据的芯片供应管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211400393.6A CN115564497B (zh) 2022-11-09 2022-11-09 一种基于大数据的芯片供应管理系统及方法

Publications (2)

Publication Number Publication Date
CN115564497A CN115564497A (zh) 2023-01-03
CN115564497B true CN115564497B (zh) 2023-08-15

Family

ID=84767888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211400393.6A Active CN115564497B (zh) 2022-11-09 2022-11-09 一种基于大数据的芯片供应管理系统及方法

Country Status (1)

Country Link
CN (1) CN115564497B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046364A (zh) * 2015-07-27 2015-11-11 南京邮电大学 一种基于供应链的多周期库存优化管理方法
CN110751462A (zh) * 2019-10-17 2020-02-04 中国葛洲坝集团装备工业有限公司 一种基于工业互联网的供应链管理系统
CN112884404A (zh) * 2021-02-08 2021-06-01 中国科学技术大学 一种智能供应链库存中转优化及异动预警系统
CN113469596A (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
CN113869584A (zh) * 2021-09-28 2021-12-31 大汉电子商务有限公司 一种基于下游生产商需求的钢材供应预测系统
CN114266473A (zh) * 2021-12-21 2022-04-01 工品行(苏州)数字科技有限公司 一种基于数据分析的供应链需求预测系统及方法
US11403573B1 (en) * 2015-06-03 2022-08-02 Blue Yonder Group, Inc. Method and system of demand forecasting for inventory management of slow-moving inventory in a supply chain
CN115018207A (zh) * 2022-08-04 2022-09-06 共幸科技(深圳)有限公司 一种基于上下游的供应链管理方法、系统和设备
CN115063079A (zh) * 2022-06-28 2022-09-16 重庆长安汽车股份有限公司 一种对芯片供应链的监测预警系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200725451A (en) * 2005-12-28 2007-07-01 Inst Information Industry Method for generating supply chain planning information and system thereof
US20080312978A1 (en) * 2007-06-12 2008-12-18 Binney Blair A System and Mechanism for Proactive Supplier Hub Management

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11403573B1 (en) * 2015-06-03 2022-08-02 Blue Yonder Group, Inc. Method and system of demand forecasting for inventory management of slow-moving inventory in a supply chain
CN105046364A (zh) * 2015-07-27 2015-11-11 南京邮电大学 一种基于供应链的多周期库存优化管理方法
CN110751462A (zh) * 2019-10-17 2020-02-04 中国葛洲坝集团装备工业有限公司 一种基于工业互联网的供应链管理系统
CN113469596A (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
CN112884404A (zh) * 2021-02-08 2021-06-01 中国科学技术大学 一种智能供应链库存中转优化及异动预警系统
CN113869584A (zh) * 2021-09-28 2021-12-31 大汉电子商务有限公司 一种基于下游生产商需求的钢材供应预测系统
CN114266473A (zh) * 2021-12-21 2022-04-01 工品行(苏州)数字科技有限公司 一种基于数据分析的供应链需求预测系统及方法
CN115063079A (zh) * 2022-06-28 2022-09-16 重庆长安汽车股份有限公司 一种对芯片供应链的监测预警系统及方法
CN115018207A (zh) * 2022-08-04 2022-09-06 共幸科技(深圳)有限公司 一种基于上下游的供应链管理方法、系统和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱岩 等.《采购与供应管理》.北京理工大学出版社,2019,第51-53页. *

Also Published As

Publication number Publication date
CN115564497A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
Bhattacharya et al. A review of the causes of bullwhip effect in a supply chain
Zou et al. Data-driven modeling and real-time distributed control for energy efficient manufacturing systems
CN111813624A (zh) 基于时长分析的机器人执行时长的预估方法及其相关设备
CN108898300B (zh) 供应链网络风险级联模型的构建方法
Wang et al. Anticipated rationing policy for two demand classes under service level constraints
Jin et al. Optimal control problem of the uncertain second‐order circuit based on first hitting criteria
Kacar et al. A comparison of multiple linear regression approaches for fitting clearing functions to empirical data
Tang Managing finished-goods inventory under capacitated delayed differentiation
CN108268351B (zh) 一种进程运行状态精确监控方法及系统
Yin et al. Energy saving in flow-shop scheduling management: an improved multiobjective model based on grey wolf optimization algorithm
CN115564497B (zh) 一种基于大数据的芯片供应管理系统及方法
Yu et al. Evaluation system and correlation analysis for determining the performance of a semiconductor manufacturing system
Jiang et al. Coping with shortages caused by disruptive events in automobile supply chains
CN115147136A (zh) 天然气供需差额确定方法、装置、计算机设备及存储介质
CN110689163B (zh) 一种节假日期间货量智能预测方法和系统
Li et al. Performance prediction and evaluation based on the variability theory in production lines using arena simulation
US7006885B2 (en) Method for generating a suggestive dispatch lot list that considers upstream/downstream stage requirements
US20210192642A1 (en) Power charge/discharge control method and apparatus for controlling energy storage apparatus by using short-term power consumption amount
CN114462298A (zh) 电力计量资产管理方法、装置、设备及存储介质
CN114138597A (zh) 一种操作系统性能调优装置、方法、设备及存储介质
Hall et al. Prediction regions for bivariate extreme events
US6823228B2 (en) Fabricator capacity analysis
Chen Asymmetric cycle time bounding in semiconductor manufacturing: an efficient and effective back-propagation-network-based method
CN112182885A (zh) 一种基于高斯混合模型的燃油消耗偏差预测方法及系统
Dhouib et al. Throughput assessment of mixed-model flexible transfer lines with unreliable machines

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