CN116362607B - 一种物资储备效能评估方法及装置 - Google Patents
一种物资储备效能评估方法及装置 Download PDFInfo
- Publication number
- CN116362607B CN116362607B CN202310331470.5A CN202310331470A CN116362607B CN 116362607 B CN116362607 B CN 116362607B CN 202310331470 A CN202310331470 A CN 202310331470A CN 116362607 B CN116362607 B CN 116362607B
- Authority
- CN
- China
- Prior art keywords
- information
- model
- result
- trained
- value
- 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 289
- 238000011156 evaluation Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims description 121
- 238000012549 training Methods 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 230000032683 aging Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 23
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 18
- 238000007726 management method Methods 0.000 description 24
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013506 data mapping Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000011232 storage material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 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
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物资储备效能评估方法及装置,该方法包括:获取物资储备基础数据信息;物资储备基础数据信息表征物资储备效能评估指标对应的数据;对物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息;利用物资储备效能预测模型对物资特征信息进行评估处理,得到物资储备效能预测评估结果;物资储备效能预测评估结果用于对物资储备的分析决策。可见,本发明有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
Description
技术领域
本发明涉及评估预测技术领域,尤其涉及一种物资储备效能评估方法及装置。
背景技术
物资储备效能是直观衡量物资储备工作价值与成效的重要评判依据,直接关系到物资储备目的和作用的实现。研究物资储备效能评估问题,探索物资储备效能构成要素,建立科学的物资储备效能预测模型,是提升储备物资管理效益的客观需求,对考评物资储备效能、优化物资储备方案都具有重要意义。目前的物资储备效能评估相对粗放,精准度有待提高。因此,提供一种物资储备效能评估方法及装置,以提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
发明内容
本发明所要解决的技术问题在于,提供一种物资储备效能评估方法及装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
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物资储备效能评估方法,所述方法包括:
获取物资储备基础数据信息;所述物资储备基础数据信息表征物资储备效能评估指标对应的数据;
对所述物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息;
利用物资储备效能预测模型对所述物资特征信息进行评估处理,得到物资储备效能预测评估结果;所述物资储备效能预测评估结果用于对物资储备的分析决策。
作为一种可选的实施方式,在本发明实施例第一方面中,所述物资储备基础数据信息包括单数值信息、定性数据信息和多数值信息;
所述对所述物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息,包括:
对所述定性数据信息进行评分量化处理,得到量化数据信息;
对所述多数值信息进行计算处理,得到目标多数值信息;
利用预设的结构化向量对所述单数值信息、所述量化数据信息和所述目标多数值信息进行结构化处理,得到物资特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述多数值信息包括双数值信息和时效数值信息;所述双数值信息包括3个物资轮换数据信息;每个所述物资轮换数据信息包括2个数据值;所述时效数值信息包括历史轮换时间信息和轮换计划耗时信息;所述历史轮换时间信息包括至少2个数据值;所述轮换计划耗时信息包括至少2个数据值;
所述目标多数值信息包括目标双数值信息和目标时效数值信息;
所述对所述多数值信息进行计算处理,得到目标多数值信息,包括:
利用第一数值模型对所述双数值信息进行计算处理,得到所述目标双数值信息;
其中,所述第一数值模型为
式中,Z为所述目标双数值信息中的数据值;a为所述物资轮换数据信息中的已处理物资数量;N为所述物资轮换数据信息中的物资需求数量;
利用第二数值模型对所述时效数值信息进行计算处理,得到所述目标时效数值信息;
其中,所述第二数值模型为
式中,Z为所述目标时效数值信息中的数据值;ti为所述历史轮换时间信息中的数据值;Ti为所述轮换计划耗时信息中的数据值;n为所述历史轮换时间信息中数据值的数量;t*为所述历史轮换时间信息中所有数据值的均值;T*为所述轮换计划耗时信息中所有数据值的均值。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用物资储备效能预测模型对所述物资特征信息进行评估处理,得到物资储备效能预测评估结果,包括:
利用物资储备效能预测模型中所有的分类算法模型对所述物资特征信息进行分类处理,得到预测结果标签信息;所述预测结果标签信息包括至少1个预测结果标签;
利用所述物资储备效能预测模型中的类别投票器对所述预测结果标签信息进行统计识别处理,得到物资储备效能预测评估结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述物资储备效能预测模型中的类别投票器对所述预测结果标签信息进行统计识别处理,得到物资储备效能预测评估结果,包括:
利用所述物资储备效能预测模型中的类别投票器对所述预测结果标签信息中所有的预测结果标签进行投票统计,得到标签数量统计结果;所述标签数量统计结果表征所述预测结果标签的得票数量值;
判断所述标签数量统计结果中最大的得票数量值的数量是否为1,得到数量判断结果;
当所述数量判断结果为是时,确定所述最大的得票数量值对应的所述预测结果标签的评估等级信息为物资储备效能预测评估结果;
当所述数量判断结果为否时,基于所述预测结果标签的优先级,确定出所述物资储备效能预测评估结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述基于所述预测结果标签的优先级,确定出所述物资储备效能预测评估结果,包括:
将所有所述最大的得票数量值对应的所述预测结果标签进行提取处理,得到待选结果标签集合;所述待选结果标签集合包括至少2个待选结果标签;每个所述待选结果标签对应于唯一一个所述预测结果标签;
按所述预测结果标签的优先级从低到高对所述待选结果标签集合中的所有所述待选结果标签进行排序,得到标签序列;
选取所述标签序列中排序第一的所述待选结果标签为目标结果标签;
确定所述目标结果标签对应的评估等级信息为所述物资储备效能预测评估结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述物资储备效能预测模型是基于以下步骤得到的:
获取待训练模型和训练集;
对于所述待训练模型中的任一待训练分类模型,从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
判断所述训练次数是否等于训练阈值,得到第一判断结果;该待训练分类模型包括1个待训练算法分类模型和1个类别投票器;
当所述第一判断结果为否时,利用所述第一备用分类模型中的第一备用算法分类模型对该待训练分类模型中的所述待训练算法分类模型进行更新,并触发执行所述从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当所述第一判断结果为是时,确定所述第一备用分类模型中的第一备用算法分类模型为第二备用算法分类模型;
基于所有所述第二备用算法分类模型和1个所述类别投票器构建待评估分类模型;
利用评估指标模型对所述待评估分类模型进行评估,得到模型评估结果值和评估次数;
判断所述模型评估结果值是否收敛,得到第二判断结果;
当所述第二判断结果为否时,判断所述评估次数是否等于评估阈值,得到第三判断结果;
当所述第三判断结果为否时,触发执行所述对于所述待训练模型中的任一待训练分类模型,从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当所述第三判断结果为是时,选取最大的所述模型评估结果值对应的所述待评估分类模型为目标模型;
当所述第二判断结果为是时,确定所述模型评估结果值对应的所述待评估分类模型为所述目标模型;
基于所述目标模型构建所述物资储备效能预测模型。
本发明实施例第二方面公开了一种物资储备效能评估装置,装置包括:
获取模块,用于获取物资储备基础数据信息;所述物资储备基础数据信息表征物资储备效能评估指标对应的数据;
第一处理模块,用于对所述物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息;
第二处理模块,用于利用物资储备效能预测模型对所述物资特征信息进行评估处理,得到物资储备效能预测评估结果;所述物资储备效能预测评估结果用于对物资储备的分析决策。
本发明第三方面公开了另一种物资储备效能评估装置,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物资储备效能评估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可读存储介质,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,用于执行本发明实施例第一方面公开的物资储备效能评估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,获取物资储备基础数据信息;物资储备基础数据信息表征物资储备效能评估指标对应的数据;对物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息;利用物资储备效能预测模型对物资特征信息进行评估处理,得到物资储备效能预测评估结果;物资储备效能预测评估结果用于对物资储备的分析决策。可见,本发明有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
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物资储备效能评估方法的流程示意图;
图2是本发明实施例公开的一种物资储备效能评估装置的结构示意图;
图3是本发明实施例公开的另一种物资储备效能评估装置的结构示意图;
图4是本发明实施例公开的一种物资储备效能预测模型的结构示意图。
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。
本发明公开了一种物资储备效能评估方法及装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。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物资储备效能评估方法的流程示意图。其中,图1所描述的物资储备效能评估方法应用于仓储管理系统中,如用于仓储物流物资储备效能评估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,该物资储备效能评估方法可以包括以下操作:
101、获取物资储备基础数据信息。
本发明实施例中,物资储备基础数据信息表征物资储备效能评估指标对应的数据。
102、对物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息。
103、利用物资储备效能预测模型对物资特征信息进行评估处理,得到物资储备效能预测评估结果。
本发明实施例中,物资储备效能预测评估结果用于对物资储备的分析决策。
需要说明的是,物资储备效能是一个复杂的动态问题,易受到很多不确定因素的影响,精确评估预测物资储备效能,有助于促进物资储备决策方式和手段的变革,本实施例所描述的物资储备效能评估方法可为物资储备决策支持系统的开发提供重要的理论依据支撑。
可见,实施本发明实施例所描述的物资储备效能评估方法有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在一个可选的实施例中,上述物资储备基础数据信息包括单数值信息、定性数据信息和多数值信息;
对物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息,包括:
对定性数据信息进行评分量化处理,得到量化数据信息;
对多数值信息进行计算处理,得到目标多数值信息;
利用预设的结构化向量对单数值信息、量化数据信息和目标多数值信息进行结构化处理,得到物资特征信息。
需要说明的是,上述结构化向量为包括20个元素的向量。进一步的,上述结构化处理为将单数值信息、量化数据信息和目标多数值信息依据与各数值相对应的序号依次替换结构化向量中的各原始元素。
可选的,上述单数值信息包括评估指标常规物资种类A11、物资组套种类A12、评估指标常规物资数量A21、物资组套数量A22、评估指标临近保质期物资数量A31、临近保养期物资数量A32、临近轮换期物资数量A33、评估指标实物储备比例A51、企业代储比例A52和合同储备比例A53,本发明实施例不做限定。
需要说明的是,每个定性数据信息中的定性数据对应于量化数据信息中的一个量化数据。
在该可选的实施例中,作为一种可选的实施方式,上述对定性数据信息进行评分量化处理,得到量化数据信息,包括:
对于定性数据信息中的任一定性数据,对该定性数据进行等级评定,得到该定性数据对应的数据等级;
依据量化数据映射关系对该定性数据对应的数据等级进行数据值转换,得到该定性数据对应的量化数据。
进一步的,量化数据映射关系可为如下表所示的对应关系:
数据等级 | 好 | 较好 | 一般 | 较差 | 差 |
量化数据 | 100 | 80 | 60 | 40 | 20 |
可见,实施本发明实施例所描述的物资储备效能评估方法有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在另一个可选的实施例中,多数值信息包括双数值信息和时效数值信息;双数值信息包括3个物资轮换数据信息;每个物资轮换数据信息包括2个数据值;时效数值信息包括历史轮换时间信息和轮换计划耗时信息;历史轮换时间信息包括至少2个数据值;轮换计划耗时信息包括至少2个数据值;
目标多数值信息包括目标双数值信息和目标时效数值信息;
对多数值信息进行计算处理,得到目标多数值信息,包括:
利用第一数值模型对双数值信息进行计算处理,得到目标双数值信息;
其中,第一数值模型为
式中,Z为目标双数值信息中的数据值;a为物资轮换数据信息中的已处理物资数量;N为物资轮换数据信息中的物资需求数量;
利用第二数值模型对时效数值信息进行计算处理,得到目标时效数值信息;其中,第二数值模型为
式中,Z为目标时效数值信息中的数据值;ti为历史轮换时间信息中的数据值;Ti为轮换计划耗时信息中的数据值;n为历史轮换时间信息中数据值的数量;t*为历史轮换时间信息中所有数据值的均值;T*为轮换计划耗时信息中所有数据值的均值。
需要说明的是,上述物资轮换数据信息包括物资轮换更新程度、物资维护保养程度、物资使用补充程度,本发明实施例不做限定。
可见,实施本发明实施例所描述的物资储备效能评估方法有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在又一个可选的实施例中,利用物资储备效能预测模型对物资特征信息进行评估处理,得到物资储备效能预测评估结果,包括:
利用物资储备效能预测模型中所有的分类算法模型对物资特征信息进行分类处理,得到预测结果标签信息;预测结果标签信息包括至少1个预测结果标签;
利用物资储备效能预测模型中的类别投票器对预测结果标签信息进行统计识别处理,得到物资储备效能预测评估结果。
可选的,上述分类算法模型可以是基于朴素贝叶斯的模型,也可以是基于支持向量机的模型,还可以是基于随机森林的模型,也还可以是基于深度神经网络的模型,本发明实施例不做限定。
可见,实施本发明实施例所描述的物资储备效能评估方法有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在又一个可选的实施例中,利用物资储备效能预测模型中的类别投票器对预测结果标签信息进行统计识别处理,得到物资储备效能预测评估结果,包括:
利用物资储备效能预测模型中的类别投票器对预测结果标签信息中所有的预测结果标签进行投票统计,得到标签数量统计结果;标签数量统计结果表征预测结果标签的得票数量值;
判断标签数量统计结果中最大的得票数量值的数量是否为1,得到数量判断结果;
当数量判断结果为是时,确定最大的得票数量值对应的预测结果标签的评估等级信息为物资储备效能预测评估结果;
当数量判断结果为否时,基于预测结果标签的优先级,确定出物资储备效能预测评估结果。
可选的,上述预测结果标签的优先级依次为强、较强、一般、较弱、弱,其分别对应的标签数量统计结果为D1、D2、D3、D4和D5。
举例来说,分类算法模型的数量为5,则预测结果标签为5个,预测结果标签信息为{D1,D1,D1,D1,D2},则类别投票器[D1,D2,D3,D4,D5]对应结果为[4,1,0,0,0],即通过投票计数D1标签有4个,D2标签有1个,则物资储备效能评估预测模型输出结果为D1,对应的标签为“强”;假如选取4个分类算法模型其预测结果标签信息为{D1,D1,D2,D2},则类别投票器[D1,D2,D3,D4,D5]对应结果为[2,2,0,0,0],即通过投票计数D1标签有2个,D2标签有2个,根据级别低优先输出原则,则物资储备效能评估预测模型输出结果为D2,对应的标签为“较强”。
可见,实施本发明实施例所描述的物资储备效能评估方法有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在一个可选的实施例中,上述基于预测结果标签的优先级,确定出物资储备效能预测评估结果,包括:
将所有最大的得票数量值对应的预测结果标签进行提取处理,得到待选结果标签集合;待选结果标签集合包括至少2个待选结果标签;每个待选结果标签对应于唯一一个预测结果标签;
按预测结果标签的优先级从低到高对待选结果标签集合中的所有待选结果标签进行排序,得到标签序列;
选取标签序列中排序第一的待选结果标签为目标结果标签;
确定目标结果标签对应的评估等级信息为物资储备效能预测评估结果。
可见,实施本发明实施例所描述的物资储备效能评估方法有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在另一个可选的实施例中,物资储备效能预测模型是基于以下步骤得到的:
获取待训练模型和训练集;
对于待训练模型中的任一待训练分类模型,从训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
判断训练次数是否等于训练阈值,得到第一判断结果;该待训练分类模型包括1个待训练算法分类模型和1个类别投票器;
当第一判断结果为否时,利用第一备用分类模型中的第一备用算法分类模型对该待训练分类模型中的待训练算法分类模型进行更新,并触发执行从训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当第一判断结果为是时,确定第一备用分类模型中的第一备用算法分类模型为第二备用算法分类模型;
基于所有第二备用算法分类模型和1个类别投票器构建待评估分类模型;
利用评估指标模型对待评估分类模型进行评估,得到模型评估结果值和评估次数;
判断模型评估结果值是否收敛,得到第二判断结果;
当第二判断结果为否时,判断评估次数是否等于评估阈值,得到第三判断结果;
当第三判断结果为否时,触发执行对于待训练模型中的任一待训练分类模型,从训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当第三判断结果为是时,选取最大的模型评估结果值对应的待评估分类模型为目标模型;
当第二判断结果为是时,确定模型评估结果值对应的待评估分类模型为目标模型;
基于目标模型构建物资储备效能预测模型。
需要说明的是,上述待训练模型包括若干个待训练分类模型。
需要说明的是,上述待训练算法分类模型对应于分类算法模型。
可选的,上述训练次数和评估次数是依次累积叠加的。
具体的,上述评估指标模型为:
式中,F为模型评估结果值;TP为预测正确的类别标签的数量,FP为预测错误的类别标签的数量,FN为未预测出的类别标签的数量。
如图4所示,在该可选的实施例中,作为一种可选的实施方式,上述基于目标模型构建物资储备效能预测模型,包括:
将目标模型中的所有的已训练的待训练算法分类模型进行并列分布设置;
将所有已训练的待训练算法分类模型依次连接于同一个类别投票器;
依次汇总串联设置好所有的已训练的待训练算法分类模型,得到物资储备效能预测模型。
可见,实施本发明实施例所描述的物资储备效能评估方法有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
实施例二
请参阅图2,图2是本发明实施例公开的一种物资储备效能评估装置的结构示意图。其中,图2所描述的装置能够应用于仓储管理系统中,如用于仓储物流物资储备效能评估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,用于获取物资储备基础数据信息;物资储备基础数据信息表征物资储备效能评估指标对应的数据;
第一处理模块202,用于对物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息;
第二处理模块203,用于利用物资储备效能预测模型对物资特征信息进行评估处理,得到物资储备效能预测评估结果;物资储备效能预测评估结果用于对物资储备的分析决策
可见,实施图2所描述的物资储备效能评估装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在另一个可选的实施例中,如图2所示,物资储备基础数据信息包括单数值信息、定性数据信息和多数值信息;
第一处理模块202对物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息,包括:
对定性数据信息进行评分量化处理,得到量化数据信息;
对多数值信息进行计算处理,得到目标多数值信息;
利用预设的结构化向量对单数值信息、量化数据信息和目标多数值信息进行结构化处理,得到物资特征信息。
可见,实施图2所描述的物资储备效能评估装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在又一个可选的实施例中,如图2所示,多数值信息包括双数值信息和时效数值信息;双数值信息包括3个物资轮换数据信息;每个物资轮换数据信息包括2个数据值;时效数值信息包括历史轮换时间信息和轮换计划耗时信息;历史轮换时间信息包括至少2个数据值;轮换计划耗时信息包括至少2个数据值;
目标多数值信息包括目标双数值信息和目标时效数值信息;
第一处理模块202对多数值信息进行计算处理,得到目标多数值信息,包括:
利用第一数值模型对双数值信息进行计算处理,得到目标双数值信息;
其中,第一数值模型为
式中,Z为目标双数值信息中的数据值;a为物资轮换数据信息中的已处理物资数量;N为物资轮换数据信息中的物资需求数量;
利用第二数值模型对时效数值信息进行计算处理,得到目标时效数值信息;其中,第二数值模型为
式中,Z为目标时效数值信息中的数据值;ti为历史轮换时间信息中的数据值;Ti为轮换计划耗时信息中的数据值;n为历史轮换时间信息中数据值的数量;t*为历史轮换时间信息中所有数据值的均值;T*为轮换计划耗时信息中所有数据值的均值。
可见,实施图2所描述的物资储备效能评估装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在又一个可选的实施例中,如图2所示,第二处理模块203利用物资储备效能预测模型对物资特征信息进行评估处理,得到物资储备效能预测评估结果,包括:
利用物资储备效能预测模型中所有的分类算法模型对物资特征信息进行分类处理,得到预测结果标签信息;预测结果标签信息包括至少1个预测结果标签;
利用物资储备效能预测模型中的类别投票器对预测结果标签信息进行统计识别处理,得到物资储备效能预测评估结果。
可见,实施图2所描述的物资储备效能评估装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在又一个可选的实施例中,如图2所示,第二处理模块203利用物资储备效能预测模型中的类别投票器对预测结果标签信息进行统计识别处理,得到物资储备效能预测评估结果,包括:
利用物资储备效能预测模型中的类别投票器对预测结果标签信息中所有的预测结果标签进行投票统计,得到标签数量统计结果;标签数量统计结果表征预测结果标签的得票数量值;
判断标签数量统计结果中最大的得票数量值的数量是否为1,得到数量判断结果;
当数量判断结果为是时,确定最大的得票数量值对应的预测结果标签的评估等级信息为物资储备效能预测评估结果;
当数量判断结果为否时,基于预测结果标签的优先级,确定出物资储备效能预测评估结果。
可见,实施图2所描述的物资储备效能评估装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在又一个可选的实施例中,如图2所示,第二处理模块203基于预测结果标签的优先级,确定出物资储备效能预测评估结果,包括:
将所有最大的得票数量值对应的预测结果标签进行提取处理,得到待选结果标签集合;待选结果标签集合包括至少2个待选结果标签;每个待选结果标签对应于唯一一个预测结果标签;
按预测结果标签的优先级从低到高对待选结果标签集合中的所有待选结果标签进行排序,得到标签序列;
选取标签序列中排序第一的待选结果标签为目标结果标签;
确定目标结果标签对应的评估等级信息为物资储备效能预测评估结果。
可见,实施图2所描述的物资储备效能评估装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
在又一个可选的实施例中,如图2所示,物资储备效能预测模型是基于训练模块204执行以下步骤得到的:
获取待训练模型和训练集;
对于待训练模型中的任一待训练分类模型,从训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
判断训练次数是否等于训练阈值,得到第一判断结果;该待训练分类模型包括1个待训练算法分类模型和1个类别投票器;
当第一判断结果为否时,利用第一备用分类模型中的第一备用算法分类模型对该待训练分类模型中的待训练算法分类模型进行更新,并触发执行从训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当第一判断结果为是时,确定第一备用分类模型中的第一备用算法分类模型为第二备用算法分类模型;
基于所有第二备用算法分类模型和1个类别投票器构建待评估分类模型;
利用评估指标模型对待评估分类模型进行评估,得到模型评估结果值和评估次数;
判断模型评估结果值是否收敛,得到第二判断结果;
当第二判断结果为否时,判断评估次数是否等于评估阈值,得到第三判断结果;
当第三判断结果为否时,触发执行对于待训练模型中的任一待训练分类模型,从训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当第三判断结果为是时,选取最大的模型评估结果值对应的待评估分类模型为目标模型;
当第二判断结果为是时,确定模型评估结果值对应的待评估分类模型为目标模型;
基于目标模型构建物资储备效能预测模型。
可见,实施图2所描述的物资储备效能评估装置,有利于提高物资储备效能评估的精准度,进而提升物资储备管理的智能化水平。
实施例三
请参阅图3,图3是本发明实施例公开的又一种物资储备效能评估装置的结构示意图。其中,图3所描述的装置能够应用于仓储管理系统中,如用于仓储物流物资储备效能评估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物资储备效能评估方法中的步骤。
实施例四
本发明实施例公开了一种计算机可读读存储介质,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物资储备效能评估方法中的步骤。
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物资储备效能评估方法中的步骤。
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物资储备效能评估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 (7)
1.一种物资储备效能评估方法,其特征在于,所述方法包括:
获取物资储备基础数据信息;所述物资储备基础数据信息表征物资储备效能评估指标对应的数据;
对所述物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息;所述物资储备基础数据信息包括单数值信息、定性数据信息和多数值信息;
其中,所述对所述物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息,包括:
对所述定性数据信息进行评分量化处理,得到量化数据信息;
对所述多数值信息进行计算处理,得到目标多数值信息;所述多数值信息包括双数值信息和时效数值信息;所述双数值信息包括3个物资轮换数据信息;每个所述物资轮换数据信息包括2个数据值;所述时效数值信息包括历史轮换时间信息和轮换计划耗时信息;所述历史轮换时间信息包括至少2个数据值;所述轮换计划耗时信息包括至少2个数据值;所述目标多数值信息包括目标双数值信息和目标时效数值信息;
利用预设的结构化向量对所述单数值信息、所述量化数据信息和所述目标多数值信息进行结构化处理,得到物资特征信息;
其中,所述对所述多数值信息进行计算处理,得到目标多数值信息,包括:
利用第一数值模型对所述双数值信息进行计算处理,得到所述目标双数值信息;
其中,所述第一数值模型为
式中,Z1为所述目标双数值信息中的数据值;a为所述物资轮换数据信息中的已处理物资数量;N为所述物资轮换数据信息中的物资需求数量;
利用第二数值模型对所述时效数值信息进行计算处理,得到所述目标时效数值信息;
其中,所述第二数值模型为
式中,Z2为所述目标时效数值信息中的数据值;ti为所述历史轮换时间信息中的数据值;Ti为所述轮换计划耗时信息中的数据值;n为所述历史轮换时间信息中数据值的数量;t*为所述历史轮换时间信息中所有数据值的均值;T*为所述轮换计划耗时信息中所有数据值的均值;
利用物资储备效能预测模型对所述物资特征信息进行评估处理,得到物资储备效能预测评估结果;所述物资储备效能预测评估结果用于对物资储备的分析决策;
其中,所述物资储备效能预测模型是基于以下步骤得到的:
获取待训练模型和训练集;
对于所述待训练模型中的任一待训练分类模型,从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
判断所述训练次数是否等于训练阈值,得到第一判断结果;该待训练分类模型包括1个待训练算法分类模型和1个类别投票器;
当所述第一判断结果为否时,利用所述第一备用分类模型中的第一备用算法分类模型对该待训练分类模型中的所述待训练算法分类模型进行更新,并触发执行所述从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当所述第一判断结果为是时,确定所述第一备用分类模型中的第一备用算法分类模型为第二备用算法分类模型;
基于所有所述第二备用算法分类模型和1个所述类别投票器构建待评估分类模型;
利用评估指标模型对所述待评估分类模型进行评估,得到模型评估结果值和评估次数;
判断所述模型评估结果值是否收敛,得到第二判断结果;
当所述第二判断结果为否时,判断所述评估次数是否等于评估阈值,得到第三判断结果;
当所述第三判断结果为否时,触发执行所述对于所述待训练模型中的任一待训练分类模型,从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当所述第三判断结果为是时,选取最大的所述模型评估结果值对应的所述待评估分类模型为目标模型;
当所述第二判断结果为是时,确定所述模型评估结果值对应的所述待评估分类模型为所述目标模型;
基于所述目标模型构建所述物资储备效能预测模型;
其中,所述基于所述目标模型构建物资储备效能预测模型,包括:
将所述目标模型中的所有的已训练的待训练算法分类模型进行并列分布设置;
将所有所述已训练的待训练算法分类模型依次连接于同一个所述类别投票器;
依次汇总设置好所有的所述已训练的待训练算法分类模型,得到物资储备效能预测模型。
2.根据权利要求1所述的物资储备效能评估方法,其特征在于,所述利用物资储备效能预测模型对所述物资特征信息进行评估处理,得到物资储备效能预测评估结果,包括:
利用物资储备效能预测模型中所有的分类算法模型对所述物资特征信息进行分类处理,得到预测结果标签信息;所述预测结果标签信息包括至少1个预测结果标签;
利用所述物资储备效能预测模型中的类别投票器对所述预测结果标签信息进行统计识别处理,得到物资储备效能预测评估结果。
3.根据权利要求2所述的物资储备效能评估方法,其特征在于,所述利用所述物资储备效能预测模型中的类别投票器对所述预测结果标签信息进行统计识别处理,得到物资储备效能预测评估结果,包括:
利用所述物资储备效能预测模型中的类别投票器对所述预测结果标签信息中所有的预测结果标签进行投票统计,得到标签数量统计结果;所述标签数量统计结果表征所述预测结果标签的得票数量值;
判断所述标签数量统计结果中最大的得票数量值的数量是否为1,得到数量判断结果;
当所述数量判断结果为是时,确定所述最大的得票数量值对应的所述预测结果标签的评估等级信息为物资储备效能预测评估结果;
当所述数量判断结果为否时,基于所述预测结果标签的优先级,确定出所述物资储备效能预测评估结果。
4.根据权利要求3所述的物资储备效能评估方法,其特征在于,所述基于所述预测结果标签的优先级,确定出所述物资储备效能预测评估结果,包括:
将所有所述最大的得票数量值对应的所述预测结果标签进行提取处理,得到待选结果标签集合;所述待选结果标签集合包括至少2个待选结果标签;每个所述待选结果标签对应于唯一一个所述预测结果标签;
按所述预测结果标签的优先级从低到高对所述待选结果标签集合中的所有所述待选结果标签进行排序,得到标签序列;
选取所述标签序列中排序第一的所述待选结果标签为目标结果标签;
确定所述目标结果标签对应的评估等级信息为所述物资储备效能预测评估结果。
5.一种物资储备效能评估装置,其特征在于,所述装置包括:
获取模块,用于获取物资储备基础数据信息;所述物资储备基础数据信息表征物资储备效能评估指标对应的数据;
第一处理模块,用于对所述物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息;所述物资储备基础数据信息包括单数值信息、定性数据信息和多数值信息;
其中,所述对所述物资储备基础数据信息进行特征信息提取和计算处理,得到物资特征信息,包括:
对所述定性数据信息进行评分量化处理,得到量化数据信息;
对所述多数值信息进行计算处理,得到目标多数值信息;所述多数值信息包括双数值信息和时效数值信息;所述双数值信息包括3个物资轮换数据信息;每个所述物资轮换数据信息包括2个数据值;所述时效数值信息包括历史轮换时间信息和轮换计划耗时信息;所述历史轮换时间信息包括至少2个数据值;所述轮换计划耗时信息包括至少2个数据值;所述目标多数值信息包括目标双数值信息和目标时效数值信息;
利用预设的结构化向量对所述单数值信息、所述量化数据信息和所述目标多数值信息进行结构化处理,得到物资特征信息;
其中,所述对所述多数值信息进行计算处理,得到目标多数值信息,包括:
利用第一数值模型对所述双数值信息进行计算处理,得到所述目标双数值信息;
其中,所述第一数值模型为
式中,Z1为所述目标双数值信息中的数据值;a为所述物资轮换数据信息中的已处理物资数量;N为所述物资轮换数据信息中的物资需求数量;
利用第二数值模型对所述时效数值信息进行计算处理,得到所述目标时效数值信息;
其中,所述第二数值模型为
式中,Z2为所述目标时效数值信息中的数据值;ti为所述历史轮换时间信息中的数据值;Ti为所述轮换计划耗时信息中的数据值;n为所述历史轮换时间信息中数据值的数量;t*为所述历史轮换时间信息中所有数据值的均值;T*为所述轮换计划耗时信息中所有数据值的均值;
第二处理模块,用于利用物资储备效能预测模型对所述物资特征信息进行评估处理,得到物资储备效能预测评估结果;所述物资储备效能预测评估结果用于对物资储备的分析决策;
其中,所述物资储备效能预测模型是基于以下步骤得到的:
获取待训练模型和训练集;
对于所述待训练模型中的任一待训练分类模型,从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
判断所述训练次数是否等于训练阈值,得到第一判断结果;该待训练分类模型包括1个待训练算法分类模型和1个类别投票器;
当所述第一判断结果为否时,利用所述第一备用分类模型中的第一备用算法分类模型对该待训练分类模型中的所述待训练算法分类模型进行更新,并触发执行所述从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当所述第一判断结果为是时,确定所述第一备用分类模型中的第一备用算法分类模型为第二备用算法分类模型;
基于所有所述第二备用算法分类模型和1个所述类别投票器构建待评估分类模型;
利用评估指标模型对所述待评估分类模型进行评估,得到模型评估结果值和评估次数;
判断所述模型评估结果值是否收敛,得到第二判断结果;
当所述第二判断结果为否时,判断所述评估次数是否等于评估阈值,得到第三判断结果;
当所述第三判断结果为否时,触发执行所述对于所述待训练模型中的任一待训练分类模型,从所述训练集中确定出目标训练样本对该待训练分类模型进行训练,得到第一备用分类模型和训练次数;
当所述第三判断结果为是时,选取最大的所述模型评估结果值对应的所述待评估分类模型为目标模型;
当所述第二判断结果为是时,确定所述模型评估结果值对应的所述待评估分类模型为所述目标模型;
基于所述目标模型构建所述物资储备效能预测模型;
其中,所述基于所述目标模型构建物资储备效能预测模型,包括:
将所述目标模型中的所有的已训练的待训练算法分类模型进行并列分布设置;
将所有所述已训练的待训练算法分类模型依次连接于同一个所述类别投票器;
依次汇总设置好所有的所述已训练的待训练算法分类模型,得到物资储备效能预测模型。
6.一种物资储备效能评估装置,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1-4任一项所述的物资储备效能评估方法。
7.一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1-4任一项所述的物资储备效能评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310331470.5A CN116362607B (zh) | 2023-03-30 | 2023-03-30 | 一种物资储备效能评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310331470.5A CN116362607B (zh) | 2023-03-30 | 2023-03-30 | 一种物资储备效能评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362607A CN116362607A (zh) | 2023-06-30 |
CN116362607B true CN116362607B (zh) | 2023-11-03 |
Family
ID=86919681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310331470.5A Active CN116362607B (zh) | 2023-03-30 | 2023-03-30 | 一种物资储备效能评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362607B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562746B (zh) * | 2023-07-10 | 2024-01-16 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
CN117973684A (zh) * | 2024-01-29 | 2024-05-03 | 中国人民解放军军事科学院系统工程研究院 | 装备体系效能的智能评估装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069316A (zh) * | 2020-09-03 | 2020-12-11 | 常州微亿智造科技有限公司 | 情绪识别方法和装置 |
CN112116225A (zh) * | 2020-09-07 | 2020-12-22 | 中国人民解放军63921部队 | 装备系统的作战效能评估方法、装置和存储介质 |
CN113052509A (zh) * | 2021-04-30 | 2021-06-29 | 中国工商银行股份有限公司 | 模型评估方法、模型评估装置、电子设备和存储介质 |
WO2021151296A1 (zh) * | 2020-07-22 | 2021-08-05 | 平安科技(深圳)有限公司 | 多任务分类方法、装置、计算机设备及存储介质 |
CN114785563A (zh) * | 2022-03-28 | 2022-07-22 | 中国矿业大学(北京) | 一种软投票策略的加密恶意流量检测方法 |
CN114912741A (zh) * | 2022-03-23 | 2022-08-16 | 武汉工程大学 | 一种作战体系结构效能评估方法、装置以及存储介质 |
-
2023
- 2023-03-30 CN CN202310331470.5A patent/CN116362607B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021151296A1 (zh) * | 2020-07-22 | 2021-08-05 | 平安科技(深圳)有限公司 | 多任务分类方法、装置、计算机设备及存储介质 |
CN112069316A (zh) * | 2020-09-03 | 2020-12-11 | 常州微亿智造科技有限公司 | 情绪识别方法和装置 |
CN112116225A (zh) * | 2020-09-07 | 2020-12-22 | 中国人民解放军63921部队 | 装备系统的作战效能评估方法、装置和存储介质 |
CN113052509A (zh) * | 2021-04-30 | 2021-06-29 | 中国工商银行股份有限公司 | 模型评估方法、模型评估装置、电子设备和存储介质 |
CN114912741A (zh) * | 2022-03-23 | 2022-08-16 | 武汉工程大学 | 一种作战体系结构效能评估方法、装置以及存储介质 |
CN114785563A (zh) * | 2022-03-28 | 2022-07-22 | 中国矿业大学(北京) | 一种软投票策略的加密恶意流量检测方法 |
Non-Patent Citations (2)
Title |
---|
Joint Classification and Prediction CNN Framework for Automatic Sleep Stage Classification;Huy Phan等;IEEE Transactions on Biomedical Engineering;第66卷(第5期);第1285-1296页 * |
战备物资储备军民融合建设效益评价;高桂清等;兵器装备工程学报;第39卷(第10期);第110-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362607A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116362607B (zh) | 一种物资储备效能评估方法及装置 | |
CN111401609B (zh) | 车流量时间序列的预测方法及预测装置 | |
CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
CN112734135B (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN116187524B (zh) | 一种基于机器学习的供应链分析模型对比方法及装置 | |
CN113449463A (zh) | 一种基于lstm-dnn的设备寿命预测方法及装置 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN115689334A (zh) | 仓库管理系统的效率分析方法、系统及计算机设备 | |
CN113807758B (zh) | 一种数据生成方法和装置 | |
CN117010942B (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
CN115856694B (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
CN116629716A (zh) | 一种智能交互系统工效分析方法 | |
CN108305174B (zh) | 资源处理方法、装置、存储介质和计算机设备 | |
CN112949951A (zh) | 数据预测方法、装置、电子设备及存储介质 | |
CN117808024B (zh) | 基于自适应调控的读写器设备管理方法及系统 | |
CN118071212B (zh) | 基于模型的物流效率指标智能分析及优化方法及系统 | |
CN115249166B (zh) | 出清电价预测方法、装置、计算机设备和存储介质 | |
CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 | |
CN113379125B (zh) | 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法 | |
CN117217763A (zh) | 一种基于神经网络算法的供应商智能推荐方法及系统 |
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 |