CN116307121B - 一种储备物资轮换期限预测方法及装置 - Google Patents
一种储备物资轮换期限预测方法及装置 Download PDFInfo
- Publication number
- CN116307121B CN116307121B CN202310153558.2A CN202310153558A CN116307121B CN 116307121 B CN116307121 B CN 116307121B CN 202310153558 A CN202310153558 A CN 202310153558A CN 116307121 B CN116307121 B CN 116307121B
- Authority
- CN
- China
- Prior art keywords
- information
- rotation
- value
- regression coefficient
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 28
- 239000011232 storage material Substances 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 107
- 239000013077 target material Substances 0.000 claims description 40
- 238000013139 quantization Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 18
- 238000013507 mapping Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种储备物资轮换期限预测方法及装置,该方法包括:获取储备物资储存信息;利用轮换影响因子模型对储备物资储存信息进行计算处理,得到轮换影响因子;利用轮换期限预测模型对储备物资储存信息和轮换影响因子进行处理,得到目标轮换期限;目标轮换期限用于指示对储备物资的更换。可见,本发明有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种储备物资轮换期限预测方法及装置。
背景技术
储备物资是应对各种危机的重要物质基础,客观上需要长期储存并确保质量状态完好、随时可用。但受环境因素的影响,绝大部分物资具有特定的储存寿命,不能无限期储存。储备物资寿命周期一般可分为生产期—储备期—使用期—报废期,为确保储备物资的整体质量状态,充分发挥储备物资的作用效益,就需要在恰当的时间对库存物资进行轮换,用旧存新。这个物资轮换时机选择非常重要:物资轮换时机点过迟则减短了使用期,浪费了使用价值;时机点过早则增加轮换成本。由于物资轮换是一个复杂的动态过程,涉及数据多、更新快、收集汇总难,如何准确及时地掌控储备物资的状态信息,尤其是对储备物资轮换期限的准确把握,是影响物资管理部门轮换决策的重要依据。目前储备物资轮换仍然是被动式、突击式的,各部门在组织储备物资轮换工作时存在较大的随机性和盲目性。因此,提供一种储备物资轮换期限预测方法及装置,以精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
发明内容
本发明所要解决的技术问题在于,提供一种储备物资轮换期限预测方法及装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
为了解决上述技术问题,本发明实施例第一方面公开了一种储备物资轮换期限预测方法,所述方法包括:
获取储备物资储存信息;
利用轮换影响因子模型对所述储备物资储存信息进行计算处理,得到轮换影响因子;
利用轮换期限预测模型对所述储备物资储存信息和所述轮换影响因子进行处理,得到目标轮换期限;所述目标轮换期限用于指示对储备物资的更换。
作为一种可选的实施方式,在本发明实施例第一方面中,所述储备物资储存信息包括储备物资类型;
所述利用轮换期限预测模型对所述储备物资储存信息和所述轮换影响因子进行处理,得到目标轮换期限,包括:
从物资耗损价值阈值信息集合的物资耗损价值阈值信息中筛选出与所述储备物资类型相匹配的物资耗损价值阈值信息作为目标物资耗损价值阈值信息;所述物资耗损价值阈值信息为由所述储备物资类型与物资耗损价值阈值构建的二元数据组;
利用轮换期限预测模型对所述目标物资耗损价值阈值信息中的目标物资耗损价值阈值和所述轮换影响因子进行计算,得到目标轮换期限;
其中,所述轮换期限预测模型为:
式中,t*为所述目标轮换期限;β*为所述目标物资耗损价值阈值;r*为所述轮换影响因子。
作为一种可选的实施方式,在本发明实施例第一方面中,所述储备物资储存信息包括物资基础数据信息和储备物资类型;所述物资基础数据信息包括L个物资基础数据值;所述物资基础数据值对应的数据属性是不相一致的;所述L为正整数;
所述利用轮换影响因子模型对所述储备物资储存信息进行计算处理,得到轮换影响因子,包括:
基于所述物资基础数据值对应的数据属性,将所述物资基础数据信息填充至预设的物资数据值向量,得到目标物资数据值向量;所述目标物资数据值向量中向量元素的数量大于所述物资基础数据信息中物资基础数据值的数量;
基于随机误差区间和所述储备物资类型,确定出随机误差值;
利用利用轮换影响因子模型对所述目标物资数据值向量进行计算,得到轮换影响因子;
其中,所述轮换影响因子模型为:
r*=XK+μ;
式中,r*为所述轮换影响因子;X为所述目标物资数据值向量;K为回归系数向量;μ为所述随机误差值。
作为一种可选的实施方式,在本发明实施例第一方面中,所述回归系数向量和所述随机误差区间是基于以下步骤得到的:
获取储备物资历史数据信息;所述储备物资历史数据信息包括M个物资轮换数据集合;每个所述物资轮换数据集合中包含的数据量是相一致的;所述M为大于所述L的正整数;
基于影响因子计算模型和所述储备物资历史数据信息,确定出回归系数计算式子信息;所述回归系数计算式子信息包括N个回归系数计算式子;所述N为大于所述L的正整数;
对所述回归系数计算式子信息进行解析,得到回归系数值集合和所述随机误差区间;所述回归系数值集合包括P个回归系数值;所述P为小于所述N的正整数;
基于所述回归系数值集合,确定出所述回归系数向量。
作为一种可选的实施方式,在本发明实施例第一方面中,所述基于影响因子计算模型和所述储备物资历史数据信息,确定出回归系数计算式子信息,包括:
对所述储备物资历史数据信息中的非数值数据进行量化处理,得到历史数据值信息;
将所述历史数据值信息依序归类至历史数据表,得到目标历史数据表;
按序从所述目标历史数据表中进行数据提取,得到影响因素信息集合;所述影响因素信息集合中的数据量小于所述目标历史数据表中的数据量;所述影响因素信息集合包括所述N个影响因素信息;每个所述影响因素信息包括所述L个依序排列的影响因素值;
对于任一所述影响因素信息,将该影响因素信息中的影响因素值输入至影响因子模型,得到该影响因素信息对应的回归系数计算式子。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述回归系数计算式子信息进行解析,得到回归系数值集合和所述随机误差区间,包括:
依序从所述目标历史数据表对历史轮换时间进行提取,得到历史轮换时间信息;所述历史轮换时间信息包括所述N个历史轮换时间;所述历史轮换时间表征所述储备物资已被更换的历史时间间隔;
基于所述历史轮换时间信息和储备物资累积价值耗损模型,确定出物资累计损耗计算式子信息;所述物资累计损耗计算式子信息包括若干个物资累计损耗计算式子;
其中,所述储备物资累积价值耗损模型为:
式中,F(ti)为储备物资累积价值耗损值;ri为第i个影响因子;ti为第i个历史轮换时间;
获取解析约束条件信息;
对于任一所述回归系数计算式子,基于该回归系数计算式子、该回归系数计算式子对应的物资累计损耗计算式子和所述解析约束条件信息,确定出该回归系数计算式子对应的目标解析函数;
对所述目标解析函数进行计算处理,得到该回归系数计算式子对应的影响因子值;
利用所有所述影响因子值对所述回归系数计算式子信息中的影响因子进行更新;
对更新后的所述回归系数计算式子信息进行迭代求解,得到回归系数值集合和所述随机误差区间;所述随机误差区间为以0为中间值的对称数值区间。
作为一种可选的实施方式,在本发明实施例第一方面中,所述基于所述回归系数值集合,确定出所述回归系数向量,包括:
获取初始系数向量;
对于所述初始系数向量中的任一初始系数元素,对于所述回归系数值集合中的任一所述回归系数值,判断该回归系数值对应的系数属性与该初始系数元素对应的系数属性是否相一致,得到属性判断结果;
当所述属性判断结果为是时,利用该回归系数值对该初始系数元素进行替换;
判断所述初始系数向量中是否存在未被替换的初始系数元素,得到替换判断结果;
当所述替换判断结果为是时,确定所述初始系数向量为所述回归系数向量。
本发明实施例第二方面公开了一种储备物资轮换期限预测装置,装置包括:
获取模块,用于获取储备物资储存信息;
第一处理模块,用于利用轮换影响因子模型对所述储备物资储存信息进行计算处理,得到轮换影响因子;
第二处理模块,用于利用轮换期限预测模型对所述储备物资储存信息和所述轮换影响因子进行处理,得到目标轮换期限;所述目标轮换期限用于指示对储备物资的更换。
本发明第三方面公开了另一种储备物资轮换期限预测装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的储备物资轮换期限预测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的储备物资轮换期限预测方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取储备物资储存信息;利用轮换影响因子模型对储备物资储存信息进行计算处理,得到轮换影响因子;利用轮换期限预测模型对储备物资储存信息和轮换影响因子进行处理,得到目标轮换期限;目标轮换期限用于指示对储备物资的更换。可见,本发明有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种储备物资轮换期限预测方法的流程示意图;
图2是本发明实施例公开的一种储备物资轮换期限预测装置的结构示意图;
图3是本发明实施例公开的另一种储备物资轮换期限预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种储备物资轮换期限预测方法及装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种储备物资轮换期限预测方法的流程示意图。其中,图1所描述的储备物资轮换期限预测方法应用于物资管理系统中,如用于储备物资轮换期限预测管理的本地服务器或云端服务器等,本发明实施例不做限定。如图1所示,该储备物资轮换期限预测方法可以包括以下操作:
101、获取储备物资储存信息。
102、利用轮换影响因子模型对储备物资储存信息进行计算处理,得到轮换影响因子。
103、利用轮换期限预测模型对储备物资储存信息和轮换影响因子进行处理,得到目标轮换期限。
本发明实施例中,目标轮换期限用于指示对储备物资的更换。
需要说明的是,本申请的储备物资轮换期限预测方法利用了从多因素综合影响角度考虑的轮换期限预测模型来测算储备物资的轮换期限,避免了传统物资轮换期限预测仅考虑单因素问题,更避免了传统“一刀切”方式按照储存寿命的一定比例计算确定所有物资的轮换期限的问题,使储备物资轮换期限预测更为精确,更有利于储备物资的科学管理。
可见,实施本发明实施例所描述的储备物资轮换期限预测方法有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在一个可选的实施例中,上述储备物资储存信息包括储备物资类型;
利用轮换期限预测模型对储备物资储存信息和轮换影响因子进行处理,得到目标轮换期限,包括:
从物资耗损价值阈值信息集合的物资耗损价值阈值信息中筛选出与储备物资类型相匹配的物资耗损价值阈值信息作为目标物资耗损价值阈值信息;物资耗损价值阈值信息为由储备物资类型与物资耗损价值阈值构建的二元数据组;
利用轮换期限预测模型对目标物资耗损价值阈值信息中的目标物资耗损价值阈值和轮换影响因子进行计算,得到目标轮换期限;
其中,轮换期限预测模型为:
式中,t*为目标轮换期限;β*为目标物资耗损价值阈值;r*为轮换影响因子。
可选的,上述储备物资类型包括电子元件类,和/或,易耗品类,本发明实施例不做限定。
可选的,上述二元数据组可以是二元向量,也可以是二元表格,本发明实施例不做限定。
可见,实施本发明实施例所描述的储备物资轮换期限预测方法有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在另一个可选的实施例中,储备物资储存信息包括物资基础数据信息和储备物资类型;物资基础数据信息包括L个物资基础数据值;物资基础数据值对应的数据属性是不相一致的;L为正整数;
利用轮换影响因子模型对储备物资储存信息进行计算处理,得到轮换影响因子,包括:
基于物资基础数据值对应的数据属性,将物资基础数据信息填充至预设的物资数据值向量,得到目标物资数据值向量;目标物资数据值向量中向量元素的数量大于物资基础数据信息中物资基础数据值的数量;
基于随机误差区间和储备物资类型,确定出随机误差值;
利用利用轮换影响因子模型对目标物资数据值向量进行计算,得到轮换影响因子;
其中,轮换影响因子模型为:
r*=XK+μ;
式中,r*为轮换影响因子;X为目标物资数据值向量;K为回归系数向量;μ为随机误差值。
需要说明的是,上述数据属性包括数据名称,和/或,数据序号,和/或,数据编号,本发明实施例不做限定。
可选的,上述物资数据值向量可以为[xi1,xi2,xi3,xi4,xi5,xi6],其中xi1,xi2,xi3,xi4,xi5,xi6为向量元素。进一步的,每个向量元素对应于一个数据属性。
需要说明的是,根据储备物资类型可获取储备物资的稳定性规律情况,进而从随机误差区间中确定出随机误差值。
可见,实施本发明实施例所描述的储备物资轮换期限预测方法有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在又一个可选的实施例中,回归系数向量和随机误差区间是基于以下步骤得到的:
获取储备物资历史数据信息;储备物资历史数据信息包括M个物资轮换数据集合;每个物资轮换数据集合中包含的数据量是相一致的;M为大于L的正整数;
基于影响因子计算模型和储备物资历史数据信息,确定出回归系数计算式子信息;回归系数计算式子信息包括N个回归系数计算式子;N为大于L的正整数;
对回归系数计算式子信息进行解析,得到回归系数值集合和随机误差区间;回归系数值集合包括P个回归系数值;P为小于N的正整数;
基于回归系数值集合,确定出回归系数向量。
具体的,上述影响因子计算模型为:
r=k0+k1x1+…+kmxm+μ;
式中,r为影响因子;k0,k1,…,km为回归系数,x1,x2,…,xm为历史数据值。
优选的,上述M为7。
可选的,上述物资轮换数据集合对应的数据类型包括贮存环境条件数据、防护包装程度、可使用标准寿命、物资轮换期限,本发明实施例不做限定。
进一步的,上述贮存环境条件数据包括温度、湿度、电磁等级、灰尘含量。
可见,实施本发明实施例所描述的储备物资轮换期限预测方法有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在又一个可选的实施例中,基于影响因子计算模型和储备物资历史数据信息,确定出回归系数计算式子信息,包括:
对储备物资历史数据信息中的非数值数据进行量化处理,得到历史数据值信息;
将历史数据值信息依序归类至历史数据表,得到目标历史数据表;
按序从目标历史数据表中进行数据提取,得到影响因素信息集合;影响因素信息集合中的数据量小于目标历史数据表中的数据量;影响因素信息集合包括N个影响因素信息;每个影响因素信息包括L个依序排列的影响因素值;
对于任一影响因素信息,将该影响因素信息中的影响因素值输入至影响因子模型,得到该影响因素信息对应的回归系数计算式子。
在该可选的实施例中,作为一种可选的实施方式,上述对储备物资历史数据信息中的非数值数据进行量化处理,得到历史数据值信息,包括:
从储备物资历史数据信息筛选出非数值数据的物资轮换数据集合作为待量化数据集合;
对于任一待量化数据集合,从量化数据库中筛选出与该待量化数据集合相匹配的量化映射关系作为目标量化映射关系;
对于该待量化数据集合中的任一待量化数据,利用目标量化映射关系将该待量化数据进行数值转换,得到该待量化数据对应的量化数值;
按待量化数据的排列顺序对所有量化数值进行排序,得到该待量化数据集合对应的量化数值集合;
对所有量化数值集合和储备物资历史数据信息中的数值数据进行融合,得到历史数据值信息。
需要说明的,上述量化映射关系表征非数值数据与量化数值之间的唯一对应关系。举例来说,上述量化映射关系可如下量化映射表所示:
等级 | E1 | E2 | E3 |
分值 | 1 | 3 | 5 |
量化映射表中的E1表示适用于良好防护措施或处于低能量级的电磁腐蚀贮存环境,E2表示适用于一般防护措施或处于中等能量级的电磁辐射贮存环境,E3表示适用于未采取防护措施或处于高能量级的电磁辐射贮存环境。当待量化数据为E1时,根据量化映射表可得到该待量化数据对应的量化数值为1。
需要说明的是,上述目标历史数据表包括数据值对应的编号、数据属性和数据值。举例来说,目标历史数据表可以为:
需要说明的,上述影响因素信息中影响因素值的排列顺序与目标历史数据表中数据值从左到右的顺序是相一致的。
可见,实施本发明实施例所描述的储备物资轮换期限预测方法有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在一个可选的实施例中,上述对回归系数计算式子信息进行解析,得到回归系数值集合和随机误差区间,包括:
依序从目标历史数据表对历史轮换时间进行提取,得到历史轮换时间信息;历史轮换时间信息包括N个历史轮换时间;历史轮换时间表征储备物资已被更换的历史时间间隔;
基于历史轮换时间信息和储备物资累积价值耗损模型,确定出物资累计损耗计算式子信息;物资累计损耗计算式子信息包括若干个物资累计损耗计算式子;
其中,储备物资累积价值耗损模型为:
式中,F(ti)为储备物资累积价值耗损值;ri为第i个影响因子;ti为第i个历史轮换时间;
获取解析约束条件信息;
对于任一回归系数计算式子,基于该回归系数计算式子、该回归系数计算式子对应的物资累计损耗计算式子和解析约束条件信息,确定出该回归系数计算式子对应的目标解析函数;
对目标解析函数进行计算处理,得到该回归系数计算式子对应的影响因子值;
利用所有影响因子值对回归系数计算式子信息中的影响因子进行更新;
对更新后的回归系数计算式子信息进行迭代求解,得到回归系数值集合和随机误差区间;随机误差区间为以0为中间值的对称数值区间。
具体的,上述目标解析函数为:
式中,β为累积价值耗损阈值。
优选的,上述累积价值耗损阈值为0.6。
优选的,上述对称数值区间为[-0.015,0.015]。
可见,实施本发明实施例所描述的储备物资轮换期限预测方法有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在另一个可选的实施例中,基于回归系数值集合,确定出回归系数向量,包括:
获取初始系数向量;
对于初始系数向量中的任一初始系数元素,对于回归系数值集合中的任一回归系数值,判断该回归系数值对应的系数属性与该初始系数元素对应的系数属性是否相一致,得到属性判断结果;
当属性判断结果为是时,利用该回归系数值对该初始系数元素进行替换;
判断初始系数向量中是否存在未被替换的初始系数元素,得到替换判断结果;
当替换判断结果为是时,确定初始系数向量为回归系数向量。
需要说明的是,上述系数属性包括名称,和/或,编号,和/或,特征符号,本发明实施例不做限定。
需要说明的,上述初始系数元素可以是任意数值,也可是空缺符号,本发明实施例不做限定。
可见,实施本发明实施例所描述的储备物资轮换期限预测方法有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
实施例二
请参阅图2,图2是本发明实施例公开的一种储备物资轮换期限预测装置的结构示意图。其中,图2所描述的装置能够应用于物资管理系统中,如用于储备物资轮换期限预测管理的本地服务器或云端服务器等,本发明实施例不做限定。如图2所示,该装置可以包括:
获取模块201,用于获取储备物资储存信息;
第一处理模块202,用于利用轮换影响因子模型对储备物资储存信息进行计算处理,得到轮换影响因子;
第二处理模块203,用于利用轮换期限预测模型对储备物资储存信息和轮换影响因子进行处理,得到目标轮换期限;目标轮换期限用于指示对储备物资的更换。
可见,实施图2所描述的储备物资轮换期限预测装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在另一个可选的实施例中,如图2所示,储备物资储存信息包括储备物资类型;
第一处理模块202利用轮换期限预测模型对储备物资储存信息和轮换影响因子进行处理,得到目标轮换期限,包括:
从物资耗损价值阈值信息集合的物资耗损价值阈值信息中筛选出与储备物资类型相匹配的物资耗损价值阈值信息作为目标物资耗损价值阈值信息;物资耗损价值阈值信息为由储备物资类型与物资耗损价值阈值构建的二元数据组;
利用轮换期限预测模型对目标物资耗损价值阈值信息中的目标物资耗损价值阈值和轮换影响因子进行计算,得到目标轮换期限;
其中,轮换期限预测模型为:
式中,t*为目标轮换期限;β*为目标物资耗损价值阈值;r*为轮换影响因子。
可见,实施图2所描述的储备物资轮换期限预测装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在又一个可选的实施例中,如图2所示,储备物资储存信息包括物资基础数据信息和储备物资类型;物资基础数据信息包括L个物资基础数据值;物资基础数据值对应的数据属性是不相一致的;L为正整数;
第二处理模块203利用轮换影响因子模型对储备物资储存信息进行计算处理,得到轮换影响因子,包括:
基于物资基础数据值对应的数据属性,将物资基础数据信息填充至预设的物资数据值向量,得到目标物资数据值向量;目标物资数据值向量中向量元素的数量大于物资基础数据信息中物资基础数据值的数量;
基于随机误差区间和储备物资类型,确定出随机误差值;
利用利用轮换影响因子模型对目标物资数据值向量进行计算,得到轮换影响因子;
其中,轮换影响因子模型为:
r*=XK+μ;
式中,r*为轮换影响因子;X为目标物资数据值向量;K为回归系数向量;μ为随机误差值。
可见,实施图2所描述的储备物资轮换期限预测装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在又一个可选的实施例中,如图2所示,回归系数向量和随机误差区间是基于确定模块204执行以下步骤得到的:
获取储备物资历史数据信息;储备物资历史数据信息包括M个物资轮换数据集合;每个物资轮换数据集合中包含的数据量是相一致的;M为大于L的正整数;
基于影响因子计算模型和储备物资历史数据信息,确定出回归系数计算式子信息;回归系数计算式子信息包括N个回归系数计算式子;N为大于L的正整数;
对回归系数计算式子信息进行解析,得到回归系数值集合和随机误差区间;回归系数值集合包括P个回归系数值;P为小于N的正整数;
基于回归系数值集合,确定出回归系数向量。
可见,实施图2所描述的储备物资轮换期限预测装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在又一个可选的实施例中,如图2所示,确定模块204基于影响因子计算模型和储备物资历史数据信息,确定出回归系数计算式子信息,包括:
对储备物资历史数据信息中的非数值数据进行量化处理,得到历史数据值信息;
将历史数据值信息依序归类至历史数据表,得到目标历史数据表;
按序从目标历史数据表中进行数据提取,得到影响因素信息集合;影响因素信息集合中的数据量小于目标历史数据表中的数据量;影响因素信息集合包括N个影响因素信息;每个影响因素信息包括L个依序排列的影响因素值;
对于任一影响因素信息,将该影响因素信息中的影响因素值输入至影响因子模型,得到该影响因素信息对应的回归系数计算式子。
可见,实施图2所描述的储备物资轮换期限预测装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在又一个可选的实施例中,如图2所示,确定模块204对回归系数计算式子信息进行解析,得到回归系数值集合和随机误差区间,包括:
依序从目标历史数据表对历史轮换时间进行提取,得到历史轮换时间信息;历史轮换时间信息包括N个历史轮换时间;历史轮换时间表征储备物资已被更换的历史时间间隔;
基于历史轮换时间信息和储备物资累积价值耗损模型,确定出物资累计损耗计算式子信息;物资累计损耗计算式子信息包括若干个物资累计损耗计算式子;
其中,储备物资累积价值耗损模型为:
式中,F(ti)为储备物资累积价值耗损值;ri为第i个影响因子;ti为第i个历史轮换时间;
获取解析约束条件信息;
对于任一回归系数计算式子,基于该回归系数计算式子、该回归系数计算式子对应的物资累计损耗计算式子和解析约束条件信息,确定出该回归系数计算式子对应的目标解析函数;
对目标解析函数进行计算处理,得到该回归系数计算式子对应的影响因子值;
利用所有影响因子值对回归系数计算式子信息中的影响因子进行更新;
对更新后的回归系数计算式子信息进行迭代求解,得到回归系数值集合和随机误差区间;随机误差区间为以0为中间值的对称数值区间。
可见,实施图2所描述的储备物资轮换期限预测装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
在又一个可选的实施例中,如图2所示,确定模块204基于回归系数值集合,确定出回归系数向量,包括:
获取初始系数向量;
对于初始系数向量中的任一初始系数元素,对于回归系数值集合中的任一回归系数值,判断该回归系数值对应的系数属性与该初始系数元素对应的系数属性是否相一致,得到属性判断结果;
当属性判断结果为是时,利用该回归系数值对该初始系数元素进行替换;
判断初始系数向量中是否存在未被替换的初始系数元素,得到替换判断结果;
当替换判断结果为是时,确定初始系数向量为回归系数向量。
可见,实施图2所描述的储备物资轮换期限预测装置,有利于精确测算储备物资轮换期限,进而提高储备物资轮换管理精准度和效率。
实施例三
请参阅图3,图3是本发明实施例公开的又一种储备物资轮换期限预测装置的结构示意图。其中,图3所描述的装置能够应用于物资管理系统中,如用于储备物资轮换期限预测管理的本地服务器或云端服务器等,本发明实施例不做限定。如图3所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的储备物资轮换期限预测方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的储备物资轮换期限预测方法中的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的储备物资轮换期限预测方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种储备物资轮换期限预测方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (4)
1.一种储备物资轮换期限预测方法,其特征在于,所述方法包括:
获取储备物资储存信息;
利用轮换影响因子模型对所述储备物资储存信息进行计算处理,得到轮换影响因子;
其中,所述储备物资储存信息包括物资基础数据信息和储备物资类型;所述物资基础数据信息包括L个物资基础数据值;所述物资基础数据值对应的数据属性是不相一致的;所述L为正整数;
所述利用轮换影响因子模型对所述储备物资储存信息进行计算处理,得到轮换影响因子,包括:
基于所述物资基础数据值对应的数据属性,将所述物资基础数据信息填充至预设的物资数据值向量,得到目标物资数据值向量;所述目标物资数据值向量中向量元素的数量大于所述物资基础数据信息中物资基础数据值的数量;
基于随机误差区间和所述储备物资类型,确定出随机误差值;
利用轮换影响因子模型对所述目标物资数据值向量进行计算,得到轮换影响因子;
其中,所述轮换影响因子模型为:
r*=XK+μ;
式中,r*为所述轮换影响因子;X为所述目标物资数据值向量;K为回归系数向量;μ为所述随机误差值;
其中,所述回归系数向量和所述随机误差区间是基于以下步骤得到的:
获取储备物资历史数据信息;所述储备物资历史数据信息包括M个物资轮换数据集合;每个所述物资轮换数据集合中包含的数据量是相一致的;所述M为大于所述L的正整数;
基于影响因子计算模型和所述储备物资历史数据信息,确定出回归系数计算式子信息;所述回归系数计算式子信息包括N个回归系数计算式子;所述N为大于所述L的正整数;
其中,所述影响因子计算模型为:
r=k0+k1x1+…+kmxm+μ;
式中,r为影响因子;k0,k1,…,km为回归系数,x1,x2,…,xm为历史数据值;
对所述回归系数计算式子信息进行解析,得到回归系数值集合和所述随机误差区间;所述回归系数值集合包括P个回归系数值;所述P为小于所述N的正整数;
基于所述回归系数值集合,确定出所述回归系数向量;
其中,所述基于影响因子计算模型和所述储备物资历史数据信息,确定出回归系数计算式子信息,包括:
对所述储备物资历史数据信息中的非数值数据进行量化处理,得到历史数据值信息;
将所述历史数据值信息依序归类至历史数据表,得到目标历史数据表;
按序从所述目标历史数据表中进行数据提取,得到影响因素信息集合;所述影响因素信息集合中的数据量小于所述目标历史数据表中的数据量;所述影响因素信息集合包括所述N个影响因素信息;每个所述影响因素信息包括所述L个依序排列的影响因素值;
对于任一所述影响因素信息,将该影响因素信息中的影响因素值输入至所述影响因子计算模型,得到该影响因素信息对应的回归系数计算式子;
其中,所述对所述回归系数计算式子信息进行解析,得到回归系数值集合和所述随机误差区间,包括:
依序从所述目标历史数据表对历史轮换时间进行提取,得到历史轮换时间信息;所述历史轮换时间信息包括所述N个历史轮换时间;所述历史轮换时间表征所述储备物资已被更换的历史时间间隔;
基于所述历史轮换时间信息和储备物资累积价值耗损模型,确定出物资累计损耗计算式子信息;所述物资累计损耗计算式子信息包括物资累计损耗计算式子;
其中,所述储备物资累积价值耗损模型为:
式中,F(ti)为储备物资累积价值耗损值;ri为第i个影响因子;ti为第i个历史轮换时间;
获取解析约束条件信息;
对于任一所述回归系数计算式子,基于该回归系数计算式子、该回归系数计算式子对应的物资累计损耗计算式子和所述解析约束条件信息,确定出该回归系数计算式子对应的目标解析函数;
对所述目标解析函数进行计算处理,得到该回归系数计算式子对应的影响因子值;
利用所有所述影响因子值对所述回归系数计算式子信息中的影响因子进行更新;
对更新后的所述回归系数计算式子信息进行迭代求解,得到回归系数值集合和所述随机误差区间;所述随机误差区间为以0为中间值的对称数值区间;
其中,所述基于所述回归系数值集合,确定出所述回归系数向量,包括:
获取初始系数向量;
对于所述初始系数向量中的任一初始系数元素,对于所述回归系数值集合中的任一所述回归系数值,判断该回归系数值对应的系数属性与该初始系数元素对应的系数属性是否相一致,得到属性判断结果;
当所述属性判断结果为是时,利用该回归系数值对该初始系数元素进行替换;
判断所述初始系数向量中是否存在未被替换的初始系数元素,得到替换判断结果;
当所述替换判断结果为是时,确定所述初始系数向量为所述回归系数向量;
利用轮换期限预测模型对所述储备物资储存信息和所述轮换影响因子进行处理,得到目标轮换期限;所述目标轮换期限用于指示对储备物资的更换;
其中,所述储备物资储存信息包括储备物资类型;
所述利用轮换期限预测模型对所述储备物资储存信息和所述轮换影响因子进行处理,得到目标轮换期限,包括:
从物资耗损价值阈值信息集合的物资耗损价值阈值信息中筛选出与所述储备物资类型相匹配的物资耗损价值阈值信息作为目标物资耗损价值阈值信息;所述物资耗损价值阈值信息为由所述储备物资类型与物资耗损价值阈值构建的二元数据组;
利用轮换期限预测模型对所述目标物资耗损价值阈值信息中的目标物资耗损价值阈值和所述轮换影响因子进行计算,得到目标轮换期限;
其中,所述轮换期限预测模型为:
式中,t*为所述目标轮换期限;β*为所述目标物资耗损价值阈值;r*为所述轮换影响因子。
2.一种储备物资轮换期限预测装置,其特征在于,所述装置包括:
获取模块,用于获取储备物资储存信息;
第一处理模块,用于利用轮换影响因子模型对所述储备物资储存信息进行计算处理,得到轮换影响因子;
其中,所述储备物资储存信息包括物资基础数据信息和储备物资类型;所述物资基础数据信息包括L个物资基础数据值;所述物资基础数据值对应的数据属性是不相一致的;所述L为正整数;
所述利用轮换影响因子模型对所述储备物资储存信息进行计算处理,得到轮换影响因子,包括:
基于所述物资基础数据值对应的数据属性,将所述物资基础数据信息填充至预设的物资数据值向量,得到目标物资数据值向量;所述目标物资数据值向量中向量元素的数量大于所述物资基础数据信息中物资基础数据值的数量;
基于随机误差区间和所述储备物资类型,确定出随机误差值;
利用利用轮换影响因子模型对所述目标物资数据值向量进行计算,得到轮换影响因子;
其中,所述轮换影响因子模型为:
r*=XK+μ;
式中,r*为所述轮换影响因子;X为所述目标物资数据值向量;K为回归系数向量;μ为所述随机误差值;
其中,所述回归系数向量和所述随机误差区间是基于以下步骤得到的:
获取储备物资历史数据信息;所述储备物资历史数据信息包括M个物资轮换数据集合;每个所述物资轮换数据集合中包含的数据量是相一致的;所述M为大于所述L的正整数;
基于影响因子计算模型和所述储备物资历史数据信息,确定出回归系数计算式子信息;所述回归系数计算式子信息包括N个回归系数计算式子;所述N为大于所述L的正整数;
其中,所述影响因子计算模型为:
r=k0+k1x1+μ+kmxm+μ;
式中,r为影响因子;k0,k1,μ,km为回归系数,x1,x2,…,xm为历史数据值;
对所述回归系数计算式子信息进行解析,得到回归系数值集合和所述随机误差区间;所述回归系数值集合包括P个回归系数值;所述P为小于所述N的正整数;
基于所述回归系数值集合,确定出所述回归系数向量;
其中,所述基于影响因子计算模型和所述储备物资历史数据信息,确定出回归系数计算式子信息,包括:
对所述储备物资历史数据信息中的非数值数据进行量化处理,得到历史数据值信息;
将所述历史数据值信息依序归类至历史数据表,得到目标历史数据表;
按序从所述目标历史数据表中进行数据提取,得到影响因素信息集合;所述影响因素信息集合中的数据量小于所述目标历史数据表中的数据量;所述影响因素信息集合包括所述N个影响因素信息;每个所述影响因素信息包括所述L个依序排列的影响因素值;
对于任一所述影响因素信息,将该影响因素信息中的影响因素值输入至所述影响因子计算模型,得到该影响因素信息对应的回归系数计算式子;
其中,所述对所述回归系数计算式子信息进行解析,得到回归系数值集合和所述随机误差区间,包括:
依序从所述目标历史数据表对历史轮换时间进行提取,得到历史轮换时间信息;所述历史轮换时间信息包括所述N个历史轮换时间;所述历史轮换时间表征所述储备物资已被更换的历史时间间隔;
基于所述历史轮换时间信息和储备物资累积价值耗损模型,确定出物资累计损耗计算式子信息;所述物资累计损耗计算式子信息包括物资累计损耗计算式子;
其中,所述储备物资累积价值耗损模型为:
式中,F(ti)为储备物资累积价值耗损值;ri为第i个影响因子;ti为第i个历史轮换时间;
获取解析约束条件信息;
对于任一所述回归系数计算式子,基于该回归系数计算式子、该回归系数计算式子对应的物资累计损耗计算式子和所述解析约束条件信息,确定出该回归系数计算式子对应的目标解析函数;
对所述目标解析函数进行计算处理,得到该回归系数计算式子对应的影响因子值;
利用所有所述影响因子值对所述回归系数计算式子信息中的影响因子进行更新;
对更新后的所述回归系数计算式子信息进行迭代求解,得到回归系数值集合和所述随机误差区间;所述随机误差区间为以0为中间值的对称数值区间;
其中,所述基于所述回归系数值集合,确定出所述回归系数向量,包括:
获取初始系数向量;
对于所述初始系数向量中的任一初始系数元素,对于所述回归系数值集合中的任一所述回归系数值,判断该回归系数值对应的系数属性与该初始系数元素对应的系数属性是否相一致,得到属性判断结果;
当所述属性判断结果为是时,利用该回归系数值对该初始系数元素进行替换;
判断所述初始系数向量中是否存在未被替换的初始系数元素,得到替换判断结果;
当所述替换判断结果为是时,确定所述初始系数向量为所述回归系数向量;
第二处理模块,用于利用轮换期限预测模型对所述储备物资储存信息和所述轮换影响因子进行处理,得到目标轮换期限;所述目标轮换期限用于指示对储备物资的更换;
其中,所述储备物资储存信息包括储备物资类型;
所述利用轮换期限预测模型对所述储备物资储存信息和所述轮换影响因子进行处理,得到目标轮换期限,包括:
从物资耗损价值阈值信息集合的物资耗损价值阈值信息中筛选出与所述储备物资类型相匹配的物资耗损价值阈值信息作为目标物资耗损价值阈值信息;所述物资耗损价值阈值信息为由所述储备物资类型与物资耗损价值阈值构建的二元数据组;
利用轮换期限预测模型对所述目标物资耗损价值阈值信息中的目标物资耗损价值阈值和所述轮换影响因子进行计算,得到目标轮换期限;
其中,所述轮换期限预测模型为:
式中,t*为所述目标轮换期限;β*为所述目标物资耗损价值阈值;r*为所述轮换影响因子。
3.一种储备物资轮换期限预测装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1所述的储备物资轮换期限预测方法。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1所述的储备物资轮换期限预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153558.2A CN116307121B (zh) | 2023-02-17 | 2023-02-17 | 一种储备物资轮换期限预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153558.2A CN116307121B (zh) | 2023-02-17 | 2023-02-17 | 一种储备物资轮换期限预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307121A CN116307121A (zh) | 2023-06-23 |
CN116307121B true CN116307121B (zh) | 2023-08-29 |
Family
ID=86825047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310153558.2A Active CN116307121B (zh) | 2023-02-17 | 2023-02-17 | 一种储备物资轮换期限预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307121B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002133036A (ja) * | 2000-10-23 | 2002-05-10 | Nec System Technologies Ltd | 緊急災害用物資分散管理システム及びその方法 |
JP6295004B1 (ja) * | 2017-10-30 | 2018-03-14 | 株式会社かんでんエルハート | 災害用備蓄物資包括管理システム |
CN108830434A (zh) * | 2018-01-30 | 2018-11-16 | 广东电网有限责任公司中山供电局 | 一种变电设备消缺物资的需求预测方法 |
CN115619016A (zh) * | 2022-10-11 | 2023-01-17 | 大连海事大学 | 一种海上溢油应急物资优化调度方法 |
-
2023
- 2023-02-17 CN CN202310153558.2A patent/CN116307121B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002133036A (ja) * | 2000-10-23 | 2002-05-10 | Nec System Technologies Ltd | 緊急災害用物資分散管理システム及びその方法 |
JP6295004B1 (ja) * | 2017-10-30 | 2018-03-14 | 株式会社かんでんエルハート | 災害用備蓄物資包括管理システム |
CN108830434A (zh) * | 2018-01-30 | 2018-11-16 | 广东电网有限责任公司中山供电局 | 一种变电设备消缺物资的需求预测方法 |
CN115619016A (zh) * | 2022-10-11 | 2023-01-17 | 大连海事大学 | 一种海上溢油应急物资优化调度方法 |
Non-Patent Citations (1)
Title |
---|
战备储备物资轮换期限测算方法;周京京;《军事交通学院学报》;第17卷(第3期);第68-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307121A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615226B (zh) | 一种运营指标异常监测方法 | |
CN106250306A (zh) | 一种适用于企业级运维自动化平台的性能预测方法 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN115658695A (zh) | 基于建筑工程项目的管理表单智能生成方法 | |
Proietti et al. | Euromind‐: A Density Estimate of Monthly Gross Domestic Product for the Euro Area | |
CN116307121B (zh) | 一种储备物资轮换期限预测方法及装置 | |
CN109583773A (zh) | 一种纳税信用积分确定的方法、系统及相关装置 | |
CN116166655B (zh) | 大数据清洗系统 | |
CN108491432A (zh) | 基于消息摘要的电力系统累计量存储及抽取方法、电子设备和存储介质 | |
CN116362607A (zh) | 一种物资储备效能评估方法及装置 | |
CN105701027B (zh) | 数据存储量的预测方法和预测装置 | |
CN111768282B (zh) | 数据分析方法、装置、设备及存储介质 | |
CN115017969A (zh) | 一种数值型标签的数据质量监测方法、装置及电子设备 | |
CN114548479A (zh) | 一种基于指数平滑的时序数据预测方法 | |
CN109615095B (zh) | 一种设备管理方法及装置 | |
CN105589950A (zh) | 事件属性语句确定及基于事件属性语句预警方法和装置 | |
CN109615232A (zh) | 一种信用积分预测的方法、系统及相关装置 | |
CN112365070B (zh) | 一种电力负荷预测方法、装置、设备及可读存储介质 | |
CN110363897B (zh) | 一种客户热度图生成方法及装置 | |
CN113986898A (zh) | 一种数据质量检测方法、装置、设备及可读存储介质 | |
CN107562553A (zh) | 数据中心管理方法和设备 | |
Pantazopoulos et al. | New methods for combining forecasts | |
CN118095805A (zh) | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 | |
Qiu | Research on Decision Optimization Based on Big Data Analysis and Calculation | |
CN110401727A (zh) | 一种ip地址分析方法和装置 |
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 |