CN116050987A - 用于物料补货的预测方法、装置、存储介质及处理器 - Google Patents

用于物料补货的预测方法、装置、存储介质及处理器 Download PDF

Info

Publication number
CN116050987A
CN116050987A CN202211689052.5A CN202211689052A CN116050987A CN 116050987 A CN116050987 A CN 116050987A CN 202211689052 A CN202211689052 A CN 202211689052A CN 116050987 A CN116050987 A CN 116050987A
Authority
CN
China
Prior art keywords
time period
predicted
replenishment
stock
prediction model
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
CN202211689052.5A
Other languages
English (en)
Inventor
贺俊
叶萌
郑旷
吴旺林
杨帆
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.)
Zhongke Yungu Technology Co Ltd
Original Assignee
Zhongke Yungu 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 Zhongke Yungu Technology Co Ltd filed Critical Zhongke Yungu Technology Co Ltd
Priority to CN202211689052.5A priority Critical patent/CN116050987A/zh
Publication of CN116050987A publication Critical patent/CN116050987A/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
    • G06Q10/08—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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种用于物料补货的预测方法、装置、处理器及存储介质。方法包括：获取待预测产品在预设时间段内的实际消耗量和当前库存量；确定构成待预测产品所需的目标物料；将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量，其中，物料参数包括目标物料的物料名称、采购成本、预设备货时间段以及单位消耗参数；根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量。本发明通过设置一种预测模型，有效实现了对生产制造仓储的补货需求精准预测。

Description

用于物料补货的预测方法、装置、存储介质及处理器
技术领域
本申请涉及生资产制造工业技术领域，具体涉及一种用于物料补货的预测方法、装置、存储介质及处理器。
背景技术
制造企业的生产制造以库存为核心保障货品物料供应的持续性和稳定性成为供应链的首要目标之一。传统制造业仓储备货物料种类繁多，物料上万种，供应商繁多，严重依赖生产计划中的台套方案，生产制造的工艺改进的变更以及制造过程中的物料损耗变化将导致物料库存消耗的变化，物料从采购到投料供应周期较长，因此完全依赖生产计划的仓储备货将面临某些物料缺料，补货不及时，某些物料又过多，呆滞率上升，大大的增加了仓储人员的作业难度以及工作效率。
现有制造业的仓储人员主要依赖自身经验定期执行补货操作。而由于人工的精力有限，往往只能关注一些产能消耗排行靠前货品，导致货品覆盖率可能偏低。此外，由于人工掌握的信息不全或人为失误，还会导致部分货品物料的预测较精确、部分却偏差较大，精确率存在波动，影响补货效率。
发明内容
本申请实施例的目的是提供一种用于物料补货的预测方法、装置、存储介质及处理器。
为了实现上述目的，本申请第一方面提供一种用于物料补货的预测方法，包括：
获取待预测产品在预设时间段内的实际消耗量和当前库存量；
确定构成待预测产品所需的目标物料；
将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量，其中，物料参数包括目标物料的物料名称、采购成本、预设备货时间段以及单位消耗参数；
根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量。
在一个实施例中，预测方法还包括预测模型的训练步骤，训练步骤包括：分别确定样本产品在第一历史时间段内的第一历史实际消耗量，和在多个第二历史时间段内的第二历史实际消耗量，其中，第一历史时间段早于第二历史时间段，每个第二历史时间段的时间长短不同；确定构成样本产品所需的样本物料；将每个样本物料在第一历史时间段内对应的物料参数输入至预测模型，以通过训练模型输出针对每个样本物料在每个第二历史时间段内的第一预测备货量；将每个第一预测备货量与第二历史实际消耗量进行对比；在第一预测备货量与第二历史实际消耗量之间的方差或标准差符合预设范围的情况下，确定预测模型训练完毕。
在一个实施例中，预测方法还包括：在任意一个第一预测备货量与第二历史实际消耗量之间的方差或标准差不符合预设范围的情况下，调整预测模型的模型参数，并回到将每个样本物料在第一历史时间段内对应的物料参数输入至预测模型的步骤，以再次对预测模型进行训练。
在一个实施例中，根据每个样本物料的库存最低保有量、库存箱规参数、最小的起定量以及仓库的覆盖优先级中的至少一者重新设定模型参数。
在一个实施例中，将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量包括：在将每个目标物料对应的物料参数输入至预测模型之后，预测模型根据预设规则将每个目标物料进行分类；对进行分类的目标物料选择对应的算法模型；根据算法模型输出针对每个目标物料在预设备货时间段内的预测备货量。
在一个实施例中，预测方法还包括：在根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量之后，将需求补货量进行组合加工，以得到与需求补货量对应的需求预测报表，以使用户根据需求预测报表进行备货。
本申请第二方面提供一种处理器，被配置成执行上述的用于物料补货的预测方法。
本申请第三方面提供用于物料补货的预测装置，包括：
数据管理模块，用于确定待预测产品在预设时间段内的实际消耗量和当前库存量；
数据解析模块，用于确定构成待预测产品所需的目标物料；
预测模块，用于将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量；
策略模块，用于根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量。
在一个实施例中，用于物料补货的预测装置还包括：
训练模块，用于训练预测模型。
本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于物料补货的预测方法。
通过上述技术方案，有效实现了对生产制造仓储的补货需求精准预测。用户将待预测产品和预测备货时间输入后，则可通过预测模型精准确定出待预测产品的每个目标物料在预测备货时间段内的预测备货量，预测结果精准，有效提高了补货效率。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的用于物料补货的预测方法的流程示意图；
图2示意性示出了根据本申请实施例的用于物料补货的预测装置的结构框图；
图3示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1示意性示出了根据本申请实施例的用于物料补货的预测方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种用于物料补货的预测方法，包括以下步骤：
步骤101，获取待预测产品在预设时间段内的实际消耗量和当前库存量。
步骤102，确定构成待预测产品所需的目标物料。
步骤103，将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量，其中，物料参数包括目标物料的物料名称、采购成本、预设备货时间段以及单位消耗参数。
步骤104，根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量。
生产制造进行采购的主要目的之一是用于原材料物料货品补货，而如果此时需要补充的货品未能按生产计划周期供应补给，这不仅会影响产能导致货品缺料停产，也会造成成品制造不足，最终导致交付订单周期加长，导致生产制造商的成本增加与利润降低。另一方面，如果盲目为了最大化保障供应率，而将一大批物料囤积在仓库中进行备货，则有可能导致库存周转成本增加，货品呆滞率提升，增加了库存周转时间和滞销率，降低了供应的效率。因此，供应链补货预测的目标是通过供应方式例如供应时间、供应数量、供应周期、生产计划以及生产节拍等决策，达到仓库中需求和供给的平衡，使得仓库中货品的库存既可以最大化满足用户的需求，也能将库存周转时间控制在一定范围之内，保证供应的效率。通过供应链智能补货预测，达到库存平衡。
本技术方案建立一个仓储备货策略计算系统，提供备料规划、库存仿真、库存预测一体化服务，拉通备件仓储各环节信息与数据，为用户打造柔性敏捷的数字化备料营销体系，全面提升库存管理水平，改善库存周转效率。改计算系统采用一种基于分布式利用大数据计算库存补货的方法，可以让用户根据实际生产执行物料消耗运算场景选择不同的备料方案，并通过多台机器并行进行大数据智能算法进行数据分析计算，从而提升补货计算各条件因子下的计算的运行效率。
进一步地，用户根据实际需求确定需要进行备货的产品、需要备货的备货时间段，例如产品A，需要备货的时间段为未来三个月。在用户确定好产品和备货时间段后，将产品和备货时间段输入至系统中。处理器在接收到用户输入的产品之后，通过调用数据库可以知道此产品从上一次补货到当下这个时间段内的实际消耗量和剩余的库存量。其中，预设时间段可以是指一个产品从最后一次补货的时间点到当下时间点这个时间段内的总时长。同时，处理器也可通过调用数据库解析出生产该产品所需要的目标物料类型，以及每个目标物料的物料参数包括每个物料的名称、采购成本以及单位消耗参数。其中，目标物料可以是指原材料，目标物料类型即原材料种类，单位消耗参数可以是指原材料在预设时间段内的消耗量。例如，如若生产产品A需要使用到的原材料有三种分别为原材料b、原材料c以及原材料d。在处理器解析出待预测产品的原材料种类之后，则将每个原材料对应的原料参数输入至预测模型中，预测模型则可以预测出在预设备货时间段内例如未来三个月内每一种原材料的预测备货量。其中，预测模型是由用户根据历史数据反复测试、训练设计出来的一种计算模型。处理器在接收到预测模型的预测结果即每一种原材料的预测备货量之后，则可以根据该产品当前的库存量和预测备货量计算出每一种原材料在预设备货时间段内例如未来三个月内的需求补货量。
通过上述技术方案，有效实现了对生产制造仓储的补货需求精准预测。用户将待预测产品和预测备货时间输入后，则可通过预测模型精准确定出待预测产品的每个目标物料在预测备货时间段内的预测备货量，预测结果精准，有效提高了补货效率。
图1为一个实施例中用于物料补货的预测方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，预测模型是由用户根据历史数据反复测试、训练设计出来的一种计算模型，一个合格且优秀的预测模型能够使得产品的预测更精准。因此，如何对预测模型进行测试和训练使得预测模型预测的结果精准显得尤为重要。在本技术方案中，在对预测模型进行测试和训练时，首先，通过调用历史数据库，在历史生产的产品中选择一个样品产品。在确定好样品产品之后，选择两个历史时间段包括第一历史时间段和第二历史时间段，其中，第一历史时间段早于第二历史时间段，每个第二历史时间段的时间长短不同。例如，选择样品产品A，第一历史时间段为去年一至三月份，第二历史时间段为去年四至八月份。同时，可以通过数据库记载的数据获取到样品产品分别在这两个选定的历史时间段内的实际消耗量。在选定好样品产品之后，处理器则可以解析出样品产品的原材料种类，同时，可以确定出每一种原材料在第一个历史时间段内的物料参数包括物料名称、采购成本以及在第一个历史时间段内的消耗量。
进一步地，将每一种样品原材料在第一个时间段内物料参数即物料名称、采购成本以及在第一个历史时间段内的消耗量输入至预测模型中，预测模型输出预测结果即每一种样品原材料在第二个历史时间段内的预测备货量。具体地，将每一种原材料在去年一至三月内的物料参数输入至预测模型中，预测模型输出每一种原材料在去年四至八月内的预测备货量。在预测模型输出预测结果之后，通过预设方差或标准差的计算公式计算出预测备货量和第二历史实际消耗量两者之间的方差或者标准差。在两者之间的方差和标准差符合预设范围的情况下，可以认为预测模型预测结果较为精准符合需求，则可以终止预测模型的训练。
进一步地，方差的计算公式决定着预测模型是否符合预设需求，因此，在设置方差的计算公式时，需要综合以下四个方面进行设置，包括：第一方面，经销商在考虑每一次补货采购选择时，其依据是某一门店或工厂目标库存与安全库存物料消耗的概率分布。第二方面，经销商是根据备件的期望备件率估测物料供给组合的缺料风险。第三方面，采购者的决定仅仅是依据经销商的缺料风险与补货需求。第四方面，在一定的风险水平上，经销售期望收益最大即库存周转率高，库存呆滞率较低，相对应的是在一定的收益，备料成本水平上，采购希望风险最小达到库存供销平衡。根据上述基本假设的四个方面，可以确定出在设置方差的计算公式时，要以收益最大化、风险最小化进行设置。
在一个实施例中，将每一种原材料在去年一至三月内的物料参数输入至预测模型中，预测模型输出每一种原材料在去年四至八月内的预测备货量。在预测模型输出预测结果之后，通过预设方差或标准差的计算公式计算出预测备货量和第二历史实际消耗量两者之间的方差或者标准差。在两者之间的方差和标准差不符合预设范围的情况下，可以认为预测模型预测结果不精准不符合需求，则需要对模型的参数进行修改，根据每个样本物料的库存最低保有量、库存箱规参数、最小的起定量以及仓库的覆盖优先级中的至少一者重新设定预测模型的参数。在重新设定参数之后，再重新将样本数据输入至模型中进行预测训练，直至修改参数后的预测模型的预测结果与实际消耗量之间的方差或标准差符合预设范围时，则训练结束。
进一步地，在预测模型以往的预测结果精准的情况下，如若当下原材料供应商所处地域出现不可抗拒因素，例如疫情、地质灾害以及自然灾害等，则需要对预测模型进行训练。对预测模型的参数进行修改，并进行反复训练，以保证在不可抗拒因素存在的情况下，通过预测模型依旧能输出较为精准的预测结果。
在一个实施例中，用户根据实际需求确定需要进行备货的产品、需要备货的备货时间段。在用户确定好产品和备货时间段后，将产品和备货时间段输入至系统中。处理器在接收到用户输入的产品之后，通过调用数据库可以知道此产品从上一次补货到当下这个时间段内的实际消耗量和剩余的库存量。其中，预设时间段可以是指一个产品从最后一次补货的时间点到当下时间点这个时间段内的总时长。同时，处理器也可通过调用数据库解析出生产该产品所需要的目标物料类型，以及每个目标物料的物料参数包括每个物料的名称、采购成本以及单位消耗参数。其中，目标物料可以是指原材料，目标物料类型即原材料种类，单位消耗参数可以是指原材料在预设时间段内的消耗量。在处理器解析出待预测产品的原材料种类之后，则将每个原材料对应的原料参数输入至预测模型中，预测模型则可以预测出在预设备货时间段内每一种原材料的预测备货量。具体地，预测模型会根据每一种原材料类型的行业特点将每一种原材料进行分类，例如，根据每一种原材料的波动性、单价以及消耗量进行分类。在分类之后，根据每一类的特点自动匹配最优的算法模型，通过算法模型计算出每一种原材料在预设备货时间段内的预测补货量。处理器在接收到预测模型的预测结果即每一种原材料的预测备货量之后，则可以根据该产品当前的库存量和预测备货量计算出每一种原材料在预设备货时间段内的需求补货量。
进一步地，在处理器计算出待预测产品每一种原材料在预设备货时间段内的需求补货量之后，处理器将需求补货量进行组合加工，根据系统预设展示界面的需求预测报表展示预测结果给用户，用户则可以根据展示的结果进行备货。
上述技术方案，利用智能算法，数字建模技术，建立了一个实现生产制造企业原材料供给补货需求预测的计算方法，该方法有效实现了对生产制造仓储的补货需求预测，大幅度提升备料及时率、准确率、库存周转效率以及生产效率，从而达到供销平衡，成本降低。同时，针对运算效率、准确性这一问题，设计了一种数字建模方法，该方法基于自研计算框架，可以实现快捷数学模型转化与生成，快速生成结果指导生产制造的仓储补货作业集成营销、制造、供应链及运营管理要求，帮助企业提升效率降低成本，通过可视化数据分析，助力企业看得见、管得住。以数据互联、可视为核心技术服务，结合区块链分布式存储、共识机制等技术，保证了仓储库存信息共享、数据真实可靠。满足客户物料精细管理、需求精准预测、全程可视追溯、智慧决策支持等多维度管理需求。同时，以库存为核心“枢纽”，横向打通供应商、产线、客户产供销数据链条，纵向实现公司、车间、产线多级库存互联，构建需求可预测、存量可预警，响应可即时的高效协同供应链生态。
在一个实施例中，提供了一种处理器，被配置成执行用于物料补货的预测方法。
在一个实施例中，如图2所示，提供了一种用于物料补货的预测装置，包括：
数据管理模块210，用于确定待预测产品在预设时间段内的实际消耗量和当前库存量。
数据解析模块220，用于确定构成待预测产品所需的目标物料。
预测模块230，用于将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量。
策略模块240，用于根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量。
在一个实施例中，如图2所示，用于物料补货的预测装置200，还包括：
训练模块250，用于训练预测模型。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对用于物料补货的预测方法。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于物料补货的预测方法。
本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述用于物料补货的预测方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现一种用于物料补货的预测方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取待预测产品在预设时间段内的实际消耗量和当前库存量；确定构成待预测产品所需的目标物料；将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量，其中，物料参数包括目标物料的物料名称、采购成本、预设备货时间段以及单位消耗参数；根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量。
在一个实施例中，预测方法还包括预测模型的训练步骤，训练步骤包括：分别确定样本产品在第一历史时间段内的第一历史实际消耗量，和在多个第二历史时间段内的第二历史实际消耗量，其中，第一历史时间段早于第二历史时间段，每个第二历史时间段的时间长短不同；确定构成样本产品所需的样本物料；将每个样本物料在第一历史时间段内对应的物料参数输入至预测模型，以通过训练模型输出针对每个样本物料在每个第二历史时间段内的第一预测备货量；将每个第一预测备货量与第二历史实际消耗量进行对比；在全部的第一预测备货量与第二历史实际消耗量之间的方差或标准差符合预设范围的情况下，确定预测模型训练完毕。
在一个实施例中，预测方法还包括：在任意一个第一预测备货量与第二历史实际消耗量之间的方差或标准差不符合预设范围的情况下，调整预测模型的模型参数，并回到将每个样本物料在第一历史时间段内对应的物料参数输入至预测模型的步骤，以再次对预测模型进行训练。
在一个实施例中，根据每个样本物料的库存最低保有量、库存箱规参数、最小的起定量以及仓库的覆盖优先级中的至少一者重新设定模型参数。
在一个实施例中，将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量包括：在将每个目标物料对应的物料参数输入至预测模型之后，预测模型根据预设规则将每个目标物料进行分类；对进行分类的目标物料选择对应的算法模型；根据算法模型输出针对每个目标物料在预设备货时间段内的预测备货量。
在一个实施例中，预测方法还包括：在根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量之后，将需求补货量进行组合加工，以得到与需求补货量对应的需求预测报表，以使用户根据需求预测报表进行备货。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取待预测产品在预设时间段内的实际消耗量和当前库存量；确定构成待预测产品所需的目标物料；将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量，其中，物料参数包括目标物料的物料名称、采购成本、预设备货时间段以及单位消耗参数；根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量。
在一个实施例中，预测方法还包括预测模型的训练步骤，训练步骤包括：分别确定样本产品在第一历史时间段内的第一历史实际消耗量，和在多个第二历史时间段内的第二历史实际消耗量，其中，第一历史时间段早于第二历史时间段，每个第二历史时间段的时间长短不同；确定构成样本产品所需的样本物料；将每个样本物料在第一历史时间段内对应的物料参数输入至预测模型，以通过训练模型输出针对每个样本物料在每个第二历史时间段内的第一预测备货量；将每个第一预测备货量与第二历史实际消耗量进行对比；在全部的第一预测备货量与第二历史实际消耗量之间的方差或标准差符合预设范围的情况下，确定预测模型训练完毕。
在一个实施例中，预测方法还包括：在任意一个第一预测备货量与第二历史实际消耗量之间的方差或标准差不符合预设范围的情况下，调整预测模型的模型参数，并回到将每个样本物料在第一历史时间段内对应的物料参数输入至预测模型的步骤，以再次对预测模型进行训练。
在一个实施例中，根据每个样本物料的库存最低保有量、库存箱规参数、最小的起定量以及仓库的覆盖优先级中的至少一者重新设定模型参数。
在一个实施例中，将每个目标物料对应的物料参数输入至预测模型，以通过预测模型输出针对每个目标物料在预设备货时间段内的预测备货量包括：在将每个目标物料对应的物料参数输入至预测模型之后，预测模型根据预设规则将每个目标物料进行分类；对进行分类的目标物料选择对应的算法模型；根据算法模型输出针对每个目标物料在预设备货时间段内的预测备货量。
在一个实施例中，预测方法还包括：在根据当前库存量和预测备货量确定每个目标物料在备货时间段内的需求补货量之后，将需求补货量进行组合加工，以得到与需求补货量对应的需求预测报表，以使用户根据需求预测报表进行备货。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种用于物料补货的预测方法，其特征在于，所述预测方法包括：
获取待预测产品在预设时间段内的实际消耗量和当前库存量；
确定构成所述待预测产品所需的目标物料；
将每个目标物料对应的物料参数输入至预测模型，以通过所述预测模型输出针对每个目标物料在预设备货时间段内的预测备货量，其中，所述物料参数包括所述目标物料的物料名称、采购成本、所述预设备货时间段以及单位消耗参数；
根据所述当前库存量和所述预测备货量确定每个目标物料在所述备货时间段内的需求补货量。
2.根据权利要求1所述的用于物料补货的预测方法，其特征在于，所述预测方法还包括所述预测模型的训练步骤，所述训练步骤包括：
分别确定样本产品在第一历史时间段内的第一历史实际消耗量，和在多个第二历史时间段内的第二历史实际消耗量，其中，所述第一历史时间段早于所述第二历史时间段，每个第二历史时间段的时间长短不同；
确定构成所述样本产品所需的样本物料；
将每个样本物料在所述第一历史时间段内对应的物料参数输入至预测模型，以通过所述训练模型输出针对每个样本物料在每个第二历史时间段内的第一预测备货量；
将每个第一预测备货量与所述第二历史实际消耗量进行对比；
在所述第一预测备货量与所述第二历史实际消耗量之间的方差或标准差符合预设范围的情况下，确定所述预测模型训练完毕。
3.根据权利要求2所述的用于物料补货的预测方法，其特征在于，所述预测方法还包括：
在任意一个第一预测备货量与所述第二历史实际消耗量之间的方差或标准差不符合所述预设范围的情况下，调整所述预测模型的模型参数，并回到将每个样本物料在所述第一历史时间段内对应的物料参数输入至预测模型的步骤，以再次对所述预测模型进行训练。
4.根据权利要求3所述的用于物料补货的预测方法，其特征在于，根据每个样本物料的库存最低保有量、库存箱规参数、最小的起定量以及仓库的覆盖优先级中的至少一者重新设定所述模型参数。
5.根据权利要求1所述的用于物料补货的预测方法，其特征在于，所述将每个目标物料对应的物料参数输入至预测模型，以通过所述预测模型输出针对每个目标物料在预设备货时间段内的预测备货量包括：
在将每个目标物料对应的物料参数输入至预测模型之后，所述预测模型根据预设规则将每个目标物料进行分类；
对进行分类的目标物料选择对应的算法模型；
根据所述算法模型输出针对每个目标物料在预设备货时间段内的预测备货量。
6.根据权利要求1所述的用于物料补货的预测方法，其特征在于，所述预测方法还包括：
在根据所述当前库存量和所述预测备货量确定每个目标物料在所述备货时间段内的需求补货量之后，将所述需求补货量进行组合加工，以得到与所述需求补货量对应的需求预测报表，以使用户根据所述需求预测报表进行备货。
7.一种处理器，其特征在于，被配置成执行根据权利要求1至6中任意一项所述的用于物料补货的预测方法。
8.一种用于物料补货的预测装置，其特征在于，包括：
数据管理模块，用于确定待预测产品在预设时间段内的实际消耗量和当前库存量；
数据解析模块，用于确定构成所述待预测产品所需的目标物料；
预测模块，用于将每个目标物料对应的物料参数输入至预测模型，以通过所述预测模型输出针对每个目标物料在预设备货时间段内的预测备货量；
策略模块，用于根据所述当前库存量和所述预测备货量确定每个目标物料在所述备货时间段内的需求补货量。
9.根据权利要求8所述的用于物料补货的预测装置，其特征在于，所述预测装置还包括：
训练模块，用于训练所述预测模型。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至6中任一项所述的用于物料补货的预测方法。
CN202211689052.5A 2022-12-27 2022-12-27 用于物料补货的预测方法、装置、存储介质及处理器 Pending CN116050987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211689052.5A CN116050987A (zh) 2022-12-27 2022-12-27 用于物料补货的预测方法、装置、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211689052.5A CN116050987A (zh) 2022-12-27 2022-12-27 用于物料补货的预测方法、装置、存储介质及处理器

Publications (1)

Publication Number Publication Date
CN116050987A true CN116050987A (zh) 2023-05-02

Family

ID=86121059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211689052.5A Pending CN116050987A (zh) 2022-12-27 2022-12-27 用于物料补货的预测方法、装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN116050987A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993271A (zh) * 2023-09-26 2023-11-03 无锡容智技术有限公司 一种基于大数据的打印机零件移仓方法及系统
CN117172867A (zh) * 2023-08-08 2023-12-05 上海朗晖慧科技术有限公司 一种基于人工智能的线上自助交易管理系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172867A (zh) * 2023-08-08 2023-12-05 上海朗晖慧科技术有限公司 一种基于人工智能的线上自助交易管理系统及方法
CN117172867B (zh) * 2023-08-08 2024-07-09 上海朗晖慧科技术有限公司 一种基于人工智能的线上自助交易管理系统及方法
CN116993271A (zh) * 2023-09-26 2023-11-03 无锡容智技术有限公司 一种基于大数据的打印机零件移仓方法及系统
CN116993271B (zh) * 2023-09-26 2023-12-15 无锡容智技术有限公司 一种基于大数据的打印机零件移仓方法及系统

Similar Documents

Publication Publication Date Title
Oluyisola et al. Designing and developing smart production planning and control systems in the industry 4.0 era: a methodology and case study
Uzsoy et al. A survey of semiconductor supply chain models Part II: demand planning, inventory management, and capacity planning
Martínez-Costa et al. A review of mathematical programming models for strategic capacity planning in manufacturing
Yang et al. Integrated multi-period dynamic inventory classification and control
Ketter et al. Real-time tactical and strategic sales management for intelligent agents guided by economic regimes
CA2684304C (en) Predictive modeling
Zhuang et al. Deciding product mix based on time-driven activity-based costing by mixed integer programming
US20150032512A1 (en) Method and system for optimizing product inventory cost and sales revenue through tuning of replenishment factors
Claypool et al. Modeling risk in a design for supply chain problem
US9990597B2 (en) System and method for forecast driven replenishment of merchandise
CN116050987A (zh) 用于物料补货的预测方法、装置、存储介质及处理器
JP2021163485A (ja) スマートサプライチェーンシステム
WO2021105770A1 (en) Orchestrated intelligent supply chain optimizer
US20150066569A1 (en) Balancing supply and demand using demand-shaping actions
CN102890799A (zh) 业务成效权衡仿真器
US20230306347A1 (en) Systems and methods for supply chain optimization with channel saliency
JP6536028B2 (ja) 発注計画決定装置、発注計画決定方法および発注計画決定プログラム
Chien et al. Smart semiconductor manufacturing for pricing, demand planning, capacity portfolio and cost for sustainable supply chain management
Lee et al. Aggregate demand forecast with small data and robust capacity decision in TFT-LCD manufacturing
WO2015168338A1 (en) Framework for assessing the sensitivity of productivity measures to exogenous factors and operational decisions
US20090048889A1 (en) Manufacturing portfolio flexibility planning
US11948163B2 (en) User interface for visualizing output from supply chain replenishment simulation
Finco et al. Applying the zero-inflated Poisson regression in the inventory management of irregular demand items
JP4812269B2 (ja) 需要変動リスク最小生産計画生成方法
CN113469397A (zh) 智慧供应链系统及服务器平台

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