CN116433158A - 一种基于云计算的商品库存动态管理系统及方法 - Google Patents
一种基于云计算的商品库存动态管理系统及方法 Download PDFInfo
- Publication number
- CN116433158A CN116433158A CN202310555851.1A CN202310555851A CN116433158A CN 116433158 A CN116433158 A CN 116433158A CN 202310555851 A CN202310555851 A CN 202310555851A CN 116433158 A CN116433158 A CN 116433158A
- Authority
- CN
- China
- Prior art keywords
- commodity
- consumption
- period
- inventory
- current type
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000007726 management method Methods 0.000 claims description 111
- 238000004364 calculation method Methods 0.000 claims description 49
- RJURFGZVJUQBHK-IIXSONLDSA-N actinomycin D Chemical compound C[C@H]1OC(=O)[C@H](C(C)C)N(C)C(=O)CN(C)C(=O)[C@@H]2CCCN2C(=O)[C@@H](C(C)C)NC(=O)[C@H]1NC(=O)C1=C(N)C(=O)C(C)=C2OC(C(C)=CC=C3C(=O)N[C@@H]4C(=O)N[C@@H](C(N5CCC[C@H]5C(=O)N(C)CC(=O)N(C)[C@@H](C(C)C)C(=O)O[C@@H]4C)=O)C(C)C)=C3N=C21 RJURFGZVJUQBHK-IIXSONLDSA-N 0.000 claims description 43
- 230000001351 cycling effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005058 diapause Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于云计算的商品库存动态管理系统及方法,所述系统包括贴附在商品上用于存储商品信息的IoT标签、设置在仓库入口处用于读取所述IoT标签的IoT设备网关、用于存储库存管理数据的数据中心、用于运行库存管理应用程序的库存管理服务器以及用于提供云计算服务的云计算服务器,所述库存管理服务器被配置为在到达库存信息动态更新时间时对数据中心中的每种类型的商品的实际库存商品消耗量和预测的商品消耗量进行对比,在两者的差值大于阈值时通过云计算服务器重新计算并更新相应类型商品的安全库存和期初目标库存,以在合适的时机能够按照期初目标库存进行下单备货,从而实现商品库存的精细化管理,降低企业的库存风险。
Description
技术领域
本发明涉及库存管理技术领域,特别涉及一种基于云计算的商品库存动态管理系统及方法。
背景技术
以购销为主的商贸企业所面临的诸多经营风险中,库存风险是其中的重中之生,库存风险又分为成本(库存积压)风险以及断货(库存不足)风险。商品库存是把双刃剑,库存太多,会造成库存成本过高、占用企业过多的资金,一旦出现商品滞销导致商品积压、市场价格下降导致商品贬值又或者库存商品过期/损毁/报废等情况,对企业的财务情况会产生较大的冲击;反之,如果库存太少,则会导致断货,从而丧失销售机会,严重的甚至会令客户对企业的供应能力失去信心,无法继续合作等。因此如何做好精准的库存管理,是商贸企业在经营管理中需要非常重视的环节。
目前较为常见的库存管理方法有基于商品价值管理的ABC分类法(ActivityBased Classification,基于活动的分类/帕累托分析法)和基于商品需求可预测性的XYZ分类法(Analysis based on the dynamics of consumption,基于消费动态的分析)。在库存管理中,ABC分类法是根据不同的指标值将商品分为A、B、C三类(也可以多于三类),对每类商品采用不同的库存管理策略,A类商品作为重点加强管理与控制,B类商品按照通常的方法进行管理和控制,C类商品品种数量繁多,但价值不大,可以采用最简便的方法加以管理和控制,常用的分类指标包括销售额、销量、商品特点、利润贡献率、库存价值等。XYZ分类法是通过对商品的消耗率和变动率进行分析,将商品分为三类:X类商品是需求量高、变动率大的商品;Y类商品是需求量中等、变动率适中的商品;Z类商品是需求量低、变动率小的商品,其中X类商品的需求连续且稳定,可以按照经典的库存公式计算一定缺货概率下的库存要求,并且采用连续的定期订货管理方法,Y类商品的需求量具有一定的波动幅度,需求稳定性较差,可以分析其波动的规律来对其需求进行预测,从而制定相应的库存管理策略,Z类商品的需求稳定性极差,其需求量不具可预测性,只能根据实际情况进行应对。
ABC分类法和XYZ分类法虽然能够在一定程度上帮助企业降低库存风险,但仍然存在非常大的缺陷。ABC分类法的本质在于将价值不同的商品进行区别对待,是在无法实现全盘精细化管理的情况下的一种妥协方案,其不可避免的后果是会逐渐导致企业失去低价值商品的市场、关闭低价值商品的商品线,不利于企业多元化市场策略的执行,使企业的商品逐步单一化,降低企业的生命力。而无论是ABC分类法还是XYZ分类法,其分类标准比较单一,具有一定的片面性,以XYZ分类法为例,其分类需要参照一定时期的历史数据,越接近现在的数据越能反映商品的当前价值,因此对于近期的数据采用更大的评价权重,对于远期的数据采用更加的评价权重,而这个近期和远期是没有固定划分标准的,采用不同的划分标准,分类结果就会有非常大的差异,而如果无法得到一个匹配企业实际经营情况的分类,应用这些分类法来进行库存管理仍然容易发生商品积压或者断货的风险。
发明内容
本发明正是基于上述问题,提出了一种基于云计算的商品库存动态管理系统及方法,能够实现商品库存的精细化管理,降低企业的库存风险。
有鉴于此,本发明的第一方面提出了一种基于云计算的商品库存动态管理系统,包括贴附在商品上用于存储商品信息的IoT标签、设置在仓库入口处用于读取所述IoT标签的IoT设备网关、用于存储库存管理数据的数据中心、用于运行库存管理应用程序的库存管理服务器以及用于提供云计算服务的云计算服务器,所述库存管理服务器被配置为:
配置每种商品的消耗周期ConT和备货周期LeaTi,其中i=(1,2,…,n),n为数据中心中的商品类型的数量,所述备货周期LeaTi为所述消耗周期ConT的整数倍,所述消耗周期ConT为用于统计商品库存消耗量的统计周期,所述备货周期LeaTi为从采购下单时间到商品入库的周期;
配置库存信息动态更新时间,所述库存信息动态更新时间为在每一个所述消耗周期内的一个时间点;
在任一个消耗周期内到达库存信息动态更新时间时,循环遍历所述数据中心中的商品类型以对每种类型的商品以执行以下步骤:
从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi,以及上一个库存信息动态更新时间所预测的当前类型商品的商品消耗量中对应所述当前结算周期的预测商品消耗量PreDi,所述当前类型商品为在循环遍历数据中心中的商品类型的过程中当前遍历变量i指向的商品类型的商品;
计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差:
ΔDi=|PreDi-ActDi|
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据库中心获取所述当前类型商品的库存计算数据,所述库存计算数据包括目标服务水平SerL、所述当前类型商品的备货周期LeaTi、预设长度的历史时间段的第一离散消耗时间序列HisT[]i以及所述历史时间段内的所述当前类型商品的历史消耗量序列HisD[]i,所述历史时间段的终点为所述当前结算周期的结束时间,所述历史消耗量序列HisD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的实际商品消耗量ActDi的合集;
将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
判断当前消耗周期是否为所述当前类型商品的备货周期内的第一个消耗周期;
在当前消耗周期不是所述当前类型商品的备货周期内的第一个消耗周期时,根据所述云计算服务器返回的计算结果更新所述数据中心中所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
在当前消耗周期为所述当前类型商品的备货周期内的第一个消耗周期时,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi;
根据所述下单数量OrdQi向采购服务器发送所述当前类型商品的备货申请。
进一步的,在上述的商品库存动态管理系统中,在循环遍历数据中心中的商品类型以对每种类型的商品的步骤之前,所述库存管理服务器还被配置为:
通过IoT设备网关读取贴附在出库商品或入库商品上的IoT标签以获取所述出库商品或所述入库商品的出库、入库信息,所述出库、入库信息包括所述出库商品或所述入库商品的出库进间或入库时间;
实时将所述出库商品或所述入库商品的出库、入库信息更新到所述数据中心。
进一步的,在上述的商品库存动态管理系统中,在从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi的步骤之前,所述库存管理服务器还被配置为:
从所述数据中心获取预先配置的最低服务水平SerLmin;
从所述数据中心获取上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi;
将所述最低服务水平SerLmin、上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi发送给所述云计算服务器计算所述偏差阈值ThrDi。
进一步的,在上述的商品库存动态管理系统中,在将所述最低服务水平SerLmin和上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi发送给所述云计算服务器计算所述偏差阈值ThrDi的步骤之后,所述云计算服务器被配置为:
根据所述最低服务水平SerLmin确定与其相对应的最小安全系数αmin;
根据所述最小安全系数αmin、所述当前类型商品的安全库存SavSi以及所述备货周期LeaTi计算所述当前类型商品的偏差阈值:
进一步的,在上述的商品库存动态管理系统中,在将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi的步骤之后,所述云计算服务器还被配置为:
确定用于预测所述当前类型商品的商品消耗量的目标时间段,所述目标时间段的起点为所述当前结算周期的结束时间,终点为下一个备货周期的结束时间;
生成对应所述目标时间段的第二离散消耗时间序列PreT[]i;
将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序量HisD[]i以及所述第二离散消耗时间序列PreT[]i输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i。
进一步的,在上述的商品库存动态管理系统中,所述库存计算数据还包括所述当前类型商品的历史预测量序列HPreD[]i,所述历史预测量序列HPreD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的最后一次预测得到的预测商品消耗量PreDi的合集,在将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序列HisD[]i以及所述离散消耗时间序列输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i的步骤之后,所述云计算服务器还被配置为:
计算所述历史预测量序列HPreD[]i和所述历史消耗量序列HisD[]i的标准偏差:
根据所述服务水平SerL确定与其相对应的安全系数α;
根据所述当前类型商品的标准偏差StaDi、所述安全系数α以及所述备货周期LeaTi计算所述当前类型商品的安全库存:
从所述目标商品消耗量序列PreD[]i中获取对应所述当前结算周期的商品消耗量PreDi;
根据所述当前结算周期的商品消耗量PreDi、所述备货周期LeaTi以及所述安全库存SavSi计算所述期初目标库存:
TarLi=PreDi·LeaTi+SavSi。
进一步的,在上述的商品库存动态管理系统中,在根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi的步骤中,所述库存管理服务器还被配置为:
从所述数据中心获取所述当前类型商品的在库数量OnHi;
根据所述期初目标库存TarLi以及所述在库数量OnHi计算所述当前类型商品的下单数量:
OrdQi=TarLi-OnHi。
进一步的,在上述的商品库存动态管理系统中,在计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差的步骤之后,所述库存管理服务器还被配置为:
将所述偏差ΔDi保存到所述数据中心;
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据中心获取当前类型商品的所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi的超阈值次数ThrCi;
将所述当前类型商品的超阈值次数ThrCi进行累加后保存到所述数据中心;
当所述超阈值次数ThrCi大于预设值时,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练;
将所述当前类型商品的超阈值次数ThrCi进行归零后保存到所述数据中心。
进一步的,在上述的商品库存动态管理系统中,在从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练的步骤中,所述库存管理服务器还被配置为:
获取预先配置的样本数据量k;
以所述当前结算周期的结束时间为终点确定样本数据获取时间段,所述样本数据获取时间段包括k个消耗周期;
从所述数据中心获取所述样本数据获取时间段内每个消耗周期的实际商品消耗量ActDi以生成对应的第三离散消耗时间序列SamT[]i以及对应的实际商品消耗量序列ActD[]i;
将所述第三离散消耗时间序列SamT[]i以及所述实际商品消耗量序列ActD[]i发送给所述云计算服务器以使所述云计算服务器对所述商品消耗量预测模型进行重新训练。
本发明的第二方面提出了一种基于云计算的商品库存动态管理方法,包括:
配置每种商品的消耗周期ConT和备货周期LeaTi,其中i=(1,2,…,n),n为数据中心中的商品类型的数量,所述备货周期LeaTi为所述消耗周期ConT的整数倍,所述消耗周期ConT为用于统计商品库存消耗量的统计周期,所述备货周期LeaTi为从采购下单时间到商品入库的周期;
配置库存信息动态更新时间,所述库存信息动态更新时间为在每一个所述消耗周期内的一个时间点;
在任一个消耗周期内到达库存信息动态更新时间时,循环遍历所述数据中心中的商品类型以对每种类型的商品以执行以下步骤:
从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi,以及上一个库存信息动态更新时间所预测的当前类型商品的商品消耗量中对应所述当前结算周期的预测商品消耗量PreDi,所述当前类型商品为在循环遍历数据中心中的商品类型的过程中当前遍历变量i指向的商品类型的商品;
计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差:
ΔDi=|PreDi-ActDi|
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据库中心获取所述当前类型商品的库存计算数据,所述库存计算数据包括目标服务水平SerL、所述当前类型商品的备货周期LeaTi、预设长度的历史时间段的第一离散消耗时间序列HisT[]i以及所述历史时间段内的所述当前类型商品的历史消耗量序列HisD[]i,所述历史时间段的终点为所述当前结算周期的结束时间,所述历史消耗量序列HisD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的实际商品消耗量ActDi的合集;
将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
判断当前消耗周期是否为所述当前类型商品的备货周期内的第一个消耗周期;
在当前消耗周期不是所述当前类型商品的备货周期内的第一个消耗周期时,根据所述云计算服务器返回的计算结果更新所述数据中心中所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
在当前消耗周期为所述当前类型商品的备货周期内的第一个消耗周期时,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi;
根据所述下单数量OrdQi向采购服务器发送所述当前类型商品的备货申请。
进一步的,在上述的商品库存动态管理方法中,在循环遍历数据中心中的商品类型以对每种类型的商品的步骤之前,还包括:
通过IoT设备网关读取贴附在出库商品或入库商品上的IoT标签以获取所述出库商品或所述入库商品的出库、入库信息,所述出库、入库信息包括所述出库商品或所述入库商品的出库进间或入库时间;
实时将所述出库商品或所述入库商品的出库、入库信息更新到所述数据中心。
进一步的,在上述的商品库存动态管理方法中,在从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi的步骤之前,还包括:
从所述数据中心获取预先配置的最低服务水平SerLmin;
从所述数据中心获取上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi;
将所述最低服务水平SerLmin、上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi发送给所述云计算服务器计算所述偏差阈值ThrDi。
进一步的,在上述的商品库存动态管理方法中,在将所述最低服务水平SerLmin和上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi发送给所述云计算服务器计算所述偏差阈值ThrDi的步骤之后,还包括:
根据所述最低服务水平SerLmin确定与其相对应的最小安全系数αmin;
根据所述最小安全系数αmin、所述当前类型商品的安全库存SavSi以及所述备货周期LeaTi计算所述当前类型商品的偏差阈值:
进一步的,在上述的商品库存动态管理方法中,在将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi的步骤之后,还包括:
确定用于预测所述当前类型商品的商品消耗量的目标时间段,所述目标时间段的起点为所述当前结算周期的结束时间,终点为下一个备货周期的结束时间;
生成对应所述目标时间段的第二离散消耗时间序列PreT[]i;
将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序量HisD[]i以及所述第二离散消耗时间序列PreT[]i输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i。
进一步的,在上述的商品库存动态管理方法中,所述库存计算数据还包括所述当前类型商品的历史预测量序列HPreD[]i,所述历史预测量序列HPreD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的最后一次预测得到的预测商品消耗量PreDi的合集,在将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序列HisD[]i以及所述离散消耗时间序列输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i的步骤之后,还包括:
计算所述历史预测量序列HPreD[]i和所述历史消耗量序列HisD[]i的标准偏差:
根据所述服务水平SerL确定与其相对应的安全系数α;
根据所述当前类型商品的标准偏差StaDi、所述安全系数α以及所述备货周期LeaTi计算所述当前类型商品的安全库存:
从所述目标商品消耗量序列PreD[]i中获取对应所述当前结算周期的商品消耗量PreDi;
根据所述当前结算周期的商品消耗量PreDi、所述备货周期LeaTi以及所述安全库存SavSi计算所述期初目标库存:
TarLi=PreDi·LeaTi+SavSi。
进一步的,在上述的商品库存动态管理方法中,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi的步骤具体包括:
从所述数据中心获取所述当前类型商品的在库数量OnHi;
根据所述期初目标库存TarLi以及所述在库数量OnHi计算所述当前类型商品的下单数量:
OrdQi=TarLi-OnHi。
进一步的,在上述的商品库存动态管理方法中,在计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差的步骤之后,还包括:
将所述偏差ΔDi保存到所述数据中心;
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据中心获取当前类型商品的所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi的超阈值次数ThrCi;
将所述当前类型商品的超阈值次数ThrCi进行累加后保存到所述数据中心;
当所述超阈值次数ThrCi大于预设值时,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练;
将所述当前类型商品的超阈值次数ThrCi进行归零后保存到所述数据中心。
进一步的,在上述的商品库存动态管理方法中,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练的步骤具体包括:
获取预先配置的样本数据量k;
以所述当前结算周期的结束时间为终点确定样本数据获取时间段,所述样本数据获取时间段包括k个消耗周期;
从所述数据中心获取所述样本数据获取时间段内每个消耗周期的实际商品消耗量ActDi以生成对应的第三离散消耗时间序列SamT[]i以及对应的实际商品消耗量序列ActD[]i;
将所述第三离散消耗时间序列SamT[]i以及所述实际商品消耗量序列ActD[]i发送给所述云计算服务器以使所述云计算服务器对所述商品消耗量预测模型进行重新训练。
本发明提出了一种基于云计算的商品库存动态管理系统及方法,所述系统包括贴附在商品上用于存储商品信息的IoT标签、设置在仓库入口处用于读取所述IoT标签的IoT设备网关、用于存储库存管理数据的数据中心、用于运行库存管理应用程序的库存管理服务器以及用于提供云计算服务的云计算服务器,所述库存管理服务器被配置为在到达库存信息动态更新时间时对数据中心中的每种类型的商品的实际库存商品消耗量和预测的商品消耗量进行对比,在两者的差值大于阈值时通过云计算服务器重新计算并更新相应类型商品的安全库存和期初目标库存,以在合适的时机能够按照期初目标库存进行下单备货,从而实现商品库存的精细化管理,降低企业的库存风险。
附图说明
图1是本发明一个实施例提供的一种基于云计算的商品库存动态管理系统的示意图;
图2是本发明一个实施例提供的一种基于云计算的商品库存动态管理方法的流程图;
图3A-图3C是本发明一个实施例提供的一种基于云计算的商品库存动态管理方法中的当前消耗周期和当前结算周期的示意图;
图4A是本发明一个实施例提供的一种基于云计算的商品库存动态管理方法中确定所述目标时间段的示意图;
图4B是本发明一个实施例提供的一种基于云计算的商品库存动态管理方法中生成所述目时间段的第二离散消耗时间序列的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
在本发明的描述中,术语“多个”则指两个或两个以上,除非另有明确的限定,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本说明书的描述中,术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
下面参照附图来描述根据本发明一些实施方式提供的一种基于云计算的商品库存动态管理系统及方法。
如图1所示,本发明的第一方面提供一种基于云计算的商品库存动态管理系统,包括贴附在商品上用于存储商品信息的IoT标签、设置在仓库入口处用于读取所述IoT标签的IoT设备网关、用于存储库存管理数据的数据中心、用于运行库存管理应用程序的库存管理服务器以及用于提供云计算服务的云计算服务器。
具体的,IoT(Internet of Things,物联网)是互联网的延伸,通过无线感知技将计算机设备之间的互联网拓展到物与物、物与计机设备之间的信息联通与控制。物联网包括感知层、传输层、平台层与应用层的四层架构,在本发明的技术方案中,所述IoT标签即为布署在感知层的传感器件,所述IoT标签可以为NFC(Near Field Communication,近距离无线信)标签、RFID(Radio Frequency Identification,射频识别)标签或者蓝牙标签等,相应的,所述IoT设备网关即为NFC网关、RFID网关或者蓝牙网关,如图1所示,所述IoT设备网关与所述库存管理服务器连接,用于将商品的出入库信息实时通过所述库存管理服务器传递给所述数据中心。
所述云计算服务器上运行有云计算服务应用程序,所述云计算服务器与用于提供算力的分布式计算机集群(图中未示出)连接以作为统一的云计算服务入口对外提供云计算服务,如图1所示,所述库存管理服务器与所述云计算服务器连接以通过所述云计算服务器使用云计算服务。
如图2所示,在上述基于云计算的商品库存动态管理系统中,所述库存管理服务器被配置为:
配置每种商品的消耗周期ConT和备货周期LeaTi,其中i=(1,2,…,n),n为数据中心中的商品类型的数量,所述备货周期LeaTi为所述消耗周期ConT的整数倍,所述消耗周期ConT为用于统计商品库存消耗量的统计周期,所述备货周期LeaTi为从采购下单时间到商品入库的周期;
配置库存信息动态更新时间,所述库存信息动态更新时间为在每一个所述消耗周期内的一个时间点;
在任一个消耗周期内到达库存信息动态更新时间时,循环遍历所述数据中心中的商品类型以对每种类型的商品以执行以下步骤:
从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi,以及上一个库存信息动态更新时间所预测的当前类型商品的商品消耗量中对应所述当前结算周期的预测商品消耗量PreDi,所述当前类型商品为在循环遍历数据中心中的商品类型的过程中当前遍历变量i指向的商品类型的商品;
计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差:
ΔDi=|PreDi-ActDi|
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据库中心获取所述当前类型商品的库存计算数据,所述库存计算数据包括目标服务水平SerL、所述当前类型商品的备货周期LeaTi、预设长度的历史时间段的第一离散消耗时间序列HisT[]i以及所述历史时间段内的所述当前类型商品的历史消耗量序列HisD[]i,所述历史时间段的终点为所述当前结算周期的结束时间,所述历史消耗量序列HisD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的实际商品消耗量ActDi的合集;
将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
判断当前消耗周期是否为所述当前类型商品的备货周期内的第一个消耗周期;
在当前消耗周期不是所述当前类型商品的备货周期内的第一个消耗周期时,根据所述云计算服务器返回的计算结果更新所述数据中心中所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
在当前消耗周期为所述当前类型商品的备货周期内的第一个消耗周期时,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi;
根据所述下单数量OrdQi向采购服务器发送所述当前类型商品的备货申请。
如图2所示,在遍历所述数据中心中的商品类型时,将i初始化为1,并在每一次循环时对i进行类加,即图中的i++,当i≤n时继续处理下一种类型的商品,当i>n时结束循环。
具体的,在本发明的技术方案中,通常以天为单位评价库存消耗量,因此一般使用1天作为消耗周期。备货周期由多个时间要素组成,包括决策周期、生产周期和运输周期等,因此备货周期较长,一般以周为单位。无论是决策周期、生产周期还是运输周期,其往往都不是固定的,会在一定范围内波动,因此在本发明的配置消耗预测周期和备货周期的步骤中,所述备货周期为按历史经验数据配置的经验值。
在本发明的技术方案中,所述当前结算周期为其中一个消耗周期。所述库存信息动态更新时间通常配置在非工作时间段内,例如午夜或凌晨,在非工作时间段内,库存数量发生变化的概率较低。如图3A所示,可以将所述库存信息动态更新时间设置在每个消耗周期开始时间或结束时间或临近每个消耗周期开始时间或结束时间的时间,例如图中的A线位置或者B线位置。以1天的消耗周期为例,如图3B所示,可以将每天晚上的24点整或者当前消耗周期的24点之前临近24点的时间配置为库存信息动态更新时间,如图中的B线位置,所称的当前消耗周期是指当前库存信息动态更新时间所落入的消耗周期,在该实施方式中,将当前消耗周期确定为当前结算周期。当然,也可以在当前消耗周期的开始时间或开始时间之后临近开始时间的时间配置为库存信息动态更新时间,例如在每天的凌晨1点等,如图3C所示,在该实施方式中,将上一消耗周期确定为当前结算周期。
在本发明的技术方案中,在配置消耗周期和备货周期以及配置库存信息动态更新时间之后,还包括将所述消耗周期、备货周期以及库存信息动态更新时间发送给所述数据中心保存。
在上述实施方式的技术方案中,对所有类型的商品采用统一的消耗周期、库存信息动态更新时间以及服务水平。应当知道的是,可以令所有品类的商品使用相同的消耗周期、库存信息动态更新时间和服务水平,也可以为每一种商品分别配置独立的消耗周期、库存信息动态更新时间和服务水平。当然,也可以在任一个消耗周期内到达所述库存信息动态更新时间后,顺序更新每种商品的安全库存和期初目标库存。而由于每种商品的生产周期、运输周期等的差异,需要为每种商品分别配置独立的备货周期。
当所述偏差小于所述偏差阈值时,保持数据中心中的每种商品的安全库存和期初目标库存不变,执行判断当前消耗周期是否为当前类型商品的备货周期内的第一个消耗周期的步骤。采用该实施方式,在所述偏差小于所述偏差阈值时,确定通过所述云计算服务器预测的所述当前类型商品的预测商品消耗量与实际消耗量相符,从而跳过后续的再次预测和计算安全库存、期初目标库存的步骤。
在本发明的技术方案中,所述库存管理服务器包括处理器和存储器,上述实施方式的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理系统中,在循环遍历数据中心中的商品类型以对每种类型的商品的步骤之前,所述库存管理服务器还被配置为:
通过IoT设备网关读取贴附在出库商品或入库商品上的IoT标签以获取所述出库商品或所述入库商品的出库、入库信息,所述出库、入库信息包括所述出库商品或所述入库商品的出库进间或入库时间;
实时将所述出库商品或所述入库商品的出库、入库信息更新到所述数据中心。
具体的,从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量的步骤具体为根据所述当前类型商品的出库信息统计出库时间落入所述当前结算周期内的出库商品的数量,同样的,上述实施方式的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理系统中,在从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi的步骤之前,所述库存管理服务器还被配置为:
从所述数据中心获取预先配置的最低服务水平SerLmin;
从所述数据中心获取上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi;
将所述最低服务水平SerLmin、上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi发送给所述云计算服务器计算所述偏差阈值ThrDi。
具体的,上述实施方式的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理系统中,在将所述最低服务水平SerLmin和上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi发送给所述云计算服务器计算所述偏差阈值ThrDi的步骤之后,所述云计算服务器被配置为:
根据所述最低服务水平SerLmin确定与其相对应的最小安全系数αmin;
根据所述最小安全系数αmin、所述当前类型商品的安全库存SavSi以及所述备货周期LeaTi计算所述当前类型商品的偏差阈值:
在本发明的技术方案中,所述云计算服务器包括处理器和存储器,根据所述最小安全系数、所述当前类型商品的安全库存和期初目标库存计算所述当前类型商品的偏差阈值的方法步骤由所述云计算服务器的处理器执行其存储器中的计算机程序实现。具体的,所述云计算服务器的存储器中存储有服务水平和安全系数的对应关系表,在所述对应关系表中,所述服务水平和所述安全系数具有一一对应关系。所述云计算服务器在根据所述最小安全系数αmin、所述当前类型商品的安全库存SavSi和期初目标库存TarLi计算所述当前类型商品的偏差阈值ThrDi的步骤之后,还包括将所述偏差阈值ThrDi返回给所述库存管理服务器,以使所述库存管理服务器将所述当前类型商品的偏差阈值ThrDi保存到所述数据中心。
在本发明的另一些实施方式中,所述服务水平和安全系数的对应关系表也可以存储在所述数据中心或者所述库存管理服务器中,上述计算所述偏差阈值ThrDi的方法步骤也可以直接由所述库存管理服务器的处理器执行其存储器中的计算机程序实现,而无需通过云计算服务器。
进一步的,在上述的商品库存动态管理系统中,在将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi的步骤之后,所述云计算服务器还被配置为:
确定用于预测所述当前类型商品的商品消耗量的目标时间段,所述目标时间段的起点为所述当前结算周期的结束时间,终点为下一个备货周期的结束时间;
生成对应所述目标时间段的第二离散消耗时间序列PreT[]i;
将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序量HisD[]i以及所述第二离散消耗时间序列PreT[]i输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i。
图4A示出了确定所述目标时间段的示意图,从图4A可以看到,所述目标时间段的起点为所述当前结算周期的结束时间点,以当前备货周期后的相邻备货周期为下一备货周期,将下一备货周期的结束时间点确定为所述目标时间段的终点。
图4B示出了以2018年06月03日为所述当前结算周期的示例,在图中,以1天为消耗周期,以2018年06月04日为所述目标时间段的起点,以2018年07月15日为所述目标时间段的终点(也是下一个备货周期的结束时间),则可以生成所述目时间段的第二离散消耗时间序列如下:
{20180604,20180605,20180606,…,20180715}。
具体的,上述计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi的方法步骤由所述云计算服务器的处理器执行其存储器中的计算机程序实现。所述云计算服务器在将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序量HisD[]i以及所述第二离散消耗时间序列PreT[]i输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i的步骤之后,还包括将所述目标商品消耗量序列PreD[]i返回给所述库存管理服务器,以使所述库存管理服务器将所述当前类型商品的目标商品消耗量序列PreD[]i保存到所述数据中心。
进一步的,在上述的商品库存动态管理系统中,所述库存计算数据还包括所述当前类型商品的历史预测量序列HPrrD[]i,所述历史预测量序列HPrrD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的最后一次预测得到的预测商品消耗量PreDi的合集,在将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序列HisD[]i以及所述离散消耗时间序列输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i的步骤之后,所述云计算服务器还被配置为:
计算所述历史预测量序列HPreD[]i和所述历史消耗量序列HisD[]i的标准偏差:
根据所述服务水平SerL确定与其相对应的安全系数α;
根据所述当前类型商品的标准偏差StaDi、所述安全系数α以及所述备货周期LeaTi计算所述当前类型商品的安全库存:
从所述目标商品消耗量序列PreD[]i中获取对应所述当前结算周期的商品消耗量PreDi;
根据所述当前结算周期的商品消耗量PreDi、所述备货周期LeaTi以及所述安全库存SavSi计算所述期初目标库存:
TarLi=PreDi·LeaTi+SavSi。
具体的,上述计算所述标准偏差StaDi、所述安全库存SavSi以及所述期初目标库存TarLi的方法步骤由所述云计算服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理系统中,在根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdOi的步骤中,所述库存管理服务器还被配置为:
从所述数据中心获取所述当前类型商品的在库数量OnHi;
根据所述期初目标库存TarLi以及所述在库数量OnHi计算所述当前类型商品的下单数量:
OrdQi=TarLi-OnHi。
具体的,上述计算所述下单数量OrdQi的方法步骤可以由所述云计算服务器或者所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理系统中,在计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差的步骤之后,所述库存管理服务器还被配置为:
将所述偏差ΔDi保存到所述数据中心;
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据中心获取当前类型商品的所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi的超阈值次数ThrCi;
将所述当前类型商品的超阈值次数ThrCi进行累加后保存到所述数据中心;
当所述超阈值次数ThrCi大于预设值时,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练;
将所述当前类型商品的超阈值次数ThrCi进行归零后保存到所述数据中心。
具体的,上述实施方式中保存所述偏差ΔDi、所述超阈值次数ThrCi的累计或归零以及从所述数据中心获取训练样本数据的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理系统中,在从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练的步骤中,所述库存管理服务器还被配置为:
获取预先配置的样本数据量k;
以所述当前结算周期的结束时间为终点确定样本数据获取时间段,所述样本数据获取时间段包括k个消耗周期;
从所述数据中心获取所述样本数据获取时间段内每个消耗周期的实际商品消耗量ActDi以生成对应的第三离散消耗时间序列SamT[]i以及对应的实际商品消耗量序列ActD[]i;
将所述第三离散消耗时间序列SamT[]i以及所述实际商品消耗量序列ActD[]i发送给所述云计算服务器以使所述云计算服务器对所述商品消耗量预测模型进行重新训练。
具体的,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。所述样本数据量k可以保存在所述数据中心,也可以保存在所述库存管理服务器或者所述云计算服务器。优选的,所述样本数据量k保存在所述云计算服务器。由于所述模型的训练、测试和使用均通过所述云计算服务器实现,将训练、测试等相关参数保存在所述云计算服务器中有利于所述商品消耗量预测模型的调整、优化等变更,其中包括样本数据量等模型训练参数的调整或优化,而无需在模型相关数据变更后将这些参数同步到所述库存管理服务器或者所述数据中心。在该实施方式的技术方案中,所述获取预先配置的样本数据量k的步骤具体为所述库存管理服务器从所述云计算服务器获取所述样本数据量k。
如图2所示,本发明的第二方面提供一种基于云计算的商品库存动态管理方法,包括:
配置每种商品的消耗周期ConT和备货周期LeaTi,其中i=(1,2,…,n),n为数据中心中的商品类型的数量,所述备货周期LeaTi为所述消耗周期ConT的整数倍,所述消耗周期ConT为用于统计商品库存消耗量的统计周期,所述备货周期LeaTi为从采购下单时间到商品入库的周期;
配置库存信息动态更新时间,所述库存信息动态更新时间为在每一个所述消耗周期内的一个时间点;
在任一个消耗周期内到达库存信息动态更新时间时,循环遍历所述数据中心中的商品类型以对每种类型的商品以执行以下步骤:
从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi,以及上一个库存信息动态更新时间所预测的当前类型商品的商品消耗量中对应所述当前结算周期的预测商品消耗量PreDi,所述当前类型商品为在循环遍历数据中心中的商品类型的过程中当前遍历变量i指向的商品类型的商品;
计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差:
ΔDi=|PreDi-ActDi|
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据库中心获取所述当前类型商品的库存计算数据,所述库存计算数据包括目标服务水平SerL、所述当前类型商品的备货周期LeaTi、预设长度的历史时间段的第一离散消耗时间序列HisT[]i以及所述历史时间段内的所述当前类型商品的历史消耗量序列HisD[]i,所述历史时间段的终点为所述当前结算周期的结束时间,所述历史消耗量序列HisD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的实际商品消耗量ActDi的合集;
将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
判断当前消耗周期是否为所述当前类型商品的备货周期内的第一个消耗周期;
在当前消耗周期不是所述当前类型商品的备货周期内的第一个消耗周期时,根据所述云计算服务器返回的计算结果更新所述数据中心中所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
在当前消耗周期为所述当前类型商品的备货周期内的第一个消耗周期时,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi;
根据所述下单数量OrdQi向采购服务器发送所述当前类型商品的备货申请。
如图2所示,在遍历所述数据中心中的商品类型时,将i初始化为1,并在每一次循环时对i进行类加,即图中的i++,当i≤n时继续处理下一种类型的商品,当i>n时结束循环。
具体的,在本发明的技术方案中,通常以天为单位评价库存消耗量,因此一般使用1天作为消耗周期。备货周期由多个时间要素组成,包括决策周期、生产周期和运输周期等,因此备货周期较长,一般以周为单位。无论是决策周期、生产周期还是运输周期,其往往都不是固定的,会在一定范围内波动,因此在本发明的配置消耗预测周期和备货周期的步骤中,所述备货周期为按历史经验数据配置的经验值。
在本发明的技术方案中,所述当前结算周期为其中一个消耗周期。所述库存信息动态更新时间通常配置在非工作时间段内,例如午夜或凌晨,在非工作时间段内,库存数量发生变化的概率较低。如图3A所示,可以将所述库存信息动态更新时间设置在每个消耗周期开始时间或结束时间或临近每个消耗周期开始时间或结束时间的时间,例如图中的A线位置或者B线位置。以1天的消耗周期为例,如图3B所示,可以将每天晚上的24点整或者当前消耗周期的24点之前临近24点的时间配置为库存信息动态更新时间,如图中的B线位置,所称的当前消耗周期是指当前库存信息动态更新时间所落入的消耗周期,在该实施方式中,将当前消耗周期确定为当前结算周期。当然,也可以在当前消耗周期的开始时间或开始时间之后临近开始时间的时间配置为库存信息动态更新时间,例如在每天的凌晨1点等,如图3C所示,在该实施方式中,将上一消耗周期确定为当前结算周期。
在本发明的技术方案中,在配置消耗周期和备货周期以及配置库存信息动态更新时间之后,还包括将所述消耗周期、备货周期以及库存信息动态更新时间发送给所述数据中心保存。
在上述实施方式的技术方案中,对所有类型的商品采用统一的消耗周期、库存信息动态更新时间以及服务水平。应当知道的是,可以令所有品类的商品使用相同的消耗周期、库存信息动态更新时间和服务水平,也可以为每一种商品分别配置独立的消耗周期、库存信息动态更新时间和服务水平。当然,也可以在任一个消耗周期内到达所述库存信息动态更新时间后,顺序更新每种商品的安全库存和期初目标库存。而由于每种商品的生产周期、运输周期等的差异,需要为每种商品分别配置独立的备货周期。
当所述偏差小于所述偏差阈值时,保持数据中心中的每种商品的安全库存和期初目标库存不变,执行判断当前消耗周期是否为当前类型商品的备货周期内的第一个消耗周期的步骤。采用该实施方式,在所述偏差小于所述偏差阈值时,确定通过所述云计算服务器预测的所述当前类型商品的预测商品消耗量与实际消耗量相符,从而跳过后续的再次预测和计算安全库存、期初目标库存的步骤。
在本发明的技术方案中,所述库存管理服务器包括处理器和存储器,上述实施方式的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理方法中,在循环遍历数据中心中的商品类型以对每种类型的商品的步骤之前,还包括:
通过IoT设备网关读取贴附在出库商品或入库商品上的IoT标签以获取所述出库商品或所述入库商品的出库、入库信息,所述出库、入库信息包括所述出库商品或所述入库商品的出库进间或入库时间;
实时将所述出库商品或所述入库商品的出库、入库信息更新到所述数据中心。
具体的,从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量的步骤具体为根据所述当前类型商品的出库信息统计出库时间落入所述当前结算周期内的出库商品的数量,同样的,上述实施方式的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理方法中,在从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi的步骤之前,还包括:
从所述数据中心获取预先配置的最低服务水平SerLmin;
从所述数据中心获取上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi;
将所述最低服务水平SerLmin、上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi发送给所述云计算服务器计算所述偏差阈值ThrDi。
具体的,上述实施方式的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理方法中,在将所述最低服务水平SerLmin和上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi发送给所述云计算服务器计算所述偏差阈值ThrDi的步骤之后,还包括:
根据所述最低服务水平SerLmin确定与其相对应的最小安全系数αmin;
根据所述最小安全系数αmin、所述当前类型商品的安全库存SavSi以及所述备货周期LeaTi计算所述当前类型商品的偏差阈值:
在本发明的技术方案中,所述云计算服务器包括处理器和存储器,根据所述最小安全系数、所述当前类型商品的安全库存和期初目标库存计算所述当前类型商品的偏差阈值的方法步骤由所述云计算服务器的处理器执行其存储器中的计算机程序实现。具体的,所述云计算服务器的存储器中存储有服务水平和安全系数的对应关系表,在所述对应关系表中,所述服务水平和所述安全系数具有一一对应关系。所述云计算服务器在根据所述最小安全系数αmin、所述当前类型商品的安全库存SavSi和期初目标库存TarLi计算所述当前类型商品的偏差阈值ThrDi的步骤之后,还包括将所述偏差阈值ThrDi返回给所述库存管理服务器,以使所述库存管理服务器将所述当前类型商品的偏差阈值ThrDi保存到所述数据中心。
在本发明的另一些实施方式中,所述服务水平和安全系数的对应关系表也可以存储在所述数据中心或者所述库存管理服务器中,上述计算所述偏差阈值ThrDi的方法步骤也可以直接由所述库存管理服务器的处理器执行其存储器中的计算机程序实现,而无需通过云计算服务器。
进一步的,在上述的商品库存动态管理方法中,在将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi的步骤之后,还包括:
确定用于预测所述当前类型商品的商品消耗量的目标时间段,所述目标时间段的起点为所述当前结算周期的结束时间,终点为下一个备货周期的结束时间;
生成对应所述目标时间段的第二离散消耗时间序列PreT[]i;
将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序量HisD[]i以及所述第二离散消耗时间序列PreT[]i输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i。
图4A示出了确定所述目标时间段的示意图,从图4A可以看到,所述目标时间段的起点为所述当前结算周期的结束时间点,以当前备货周期后的相邻备货周期为下一备货周期,将下一备货周期的结束时间点确定为所述目标时间段的终点。
图4B示出了以2018年06月03日为所述当前结算周期的示例,在图中,以1天为消耗周期,以2018年06月04日为所述目标时间段的起点,以2018年07月15日为所述目标时间段的终点(也是下一个备货周期的结束时间),则可以生成所述目时间段的第二离散消耗时间序列如下:
{20180604,20180605,20180606,…,20180715}。
具体的,上述计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi的方法步骤由所述云计算服务器的处理器执行其存储器中的计算机程序实现。所述云计算服务器在将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序量HisD[]i以及所述第二离散消耗时间序列PreT[]i输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i的步骤之后,还包括将所述目标商品消耗量序列PreD[]i返回给所述库存管理服务器,以使所述库存管理服务器将所述当前类型商品的目标商品消耗量序列PreD[]i保存到所述数据中心。
进一步的,在上述的商品库存动态管理方法中,所述库存计算数据还包括所述当前类型商品的历史预测量序列HPreD[]i,所述历史预测量序列HPreD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的最后一次预测得到的预测商品消耗量PreDi的合集,在将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序列HisD[]i以及所述离散消耗时间序列输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i的步骤之后,还包括:
计算所述历史预测量序列HPreD[]i和所述历史消耗量序列HisD[]i的标准偏差:
根据所述服务水平SerL确定与其相对应的安全系数α;
根据所述当前类型商品的标准偏差StaDi、所述安全系数α以及所述备货周期LeaTi计算所述当前类型商品的安全库存:
从所述目标商品消耗量序列PreD[]i中获取对应所述当前结算周期的商品消耗量PreDi;
根据所述当前结算周期的商品消耗量PreDi、所述备货周期LeaTi以及所述安全库存SavSi计算所述期初目标库存:
TarLi=PreDi·LeaTi+SavSi。
具体的,上述计算所述标准偏差StaDi、所述安全库存SavSi以及所述期初目标库存TarLi的方法步骤由所述云计算服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理方法中,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi的步骤具体包括:
从所述数据中心获取所述当前类型商品的在库数量OnHi;
根据所述期初目标库存TarLi以及所述在库数量OnHi计算所述当前类型商品的下单数量:
OrdQi=TarLi-OnHi。
具体的,上述计算所述下单数量OrdQi的方法步骤可以由所述云计算服务器或者所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理方法中,在计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差的步骤之后,还包括:
将所述偏差ΔDi保存到所述数据中心;
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据中心获取当前类型商品的所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi的超阈值次数ThrCi;
将所述当前类型商品的超阈值次数ThrCi进行累加后保存到所述数据中心;
当所述超阈值次数ThrCi大于预设值时,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练;
将所述当前类型商品的超阈值次数ThrCi进行归零后保存到所述数据中心。
具体的,上述实施方式中保存所述偏差ΔDi、所述超阈值次数ThrCi的累计或归零以及从所述数据中心获取训练样本数据的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。
进一步的,在上述的商品库存动态管理方法中,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练的步骤具体包括:
获取预先配置的样本数据量k;
以所述当前结算周期的结束时间为终点确定样本数据获取时间段,所述样本数据获取时间段包括k个消耗周期;
从所述数据中心获取所述样本数据获取时间段内每个消耗周期的实际商品消耗量ActDi以生成对应的第三离散消耗时间序列SamT[]i以及对应的实际商品消耗量序列ActD[]i;
将所述第三离散消耗时间序列SamT[]i以及所述实际商品消耗量序列ActD[]i发送给所述云计算服务器以使所述云计算服务器对所述商品消耗量预测模型进行重新训练。
具体的,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练的方法步骤由所述库存管理服务器的处理器执行其存储器中的计算机程序实现。所述样本数据量k可以保存在所述数据中心,也可以保存在所述库存管理服务器或者所述云计算服务器。优选的,所述样本数据量k保存在所述云计算服务器。由于所述模型的训练、测试和使用均通过所述云计算服务器实现,将训练、测试等相关参数保存在所述云计算服务器中有利于所述商品消耗量预测模型的调整、优化等变更,其中包括样本数据量等模型训练参数的调整或优化,而无需在模型相关数据变更后将这些参数同步到所述库存管理服务器或者所述数据中心。在该实施方式的技术方案中,所述获取预先配置的样本数据量k的步骤具体为所述库存管理服务器从所述云计算服务器获取所述样本数据量k。
应当说明的是,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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
依照本发明的实施例如上文所述,这些实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施例。显然,根据以上描述,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于云计算的商品库存动态管理系统,其特征在于,包括贴附在商品上用于存储商品信息的IoT标签、设置在仓库入口处用于读取所述IoT标签的IoT设备网关、用于存储库存管理数据的数据中心、用于运行库存管理应用程序的库存管理服务器以及用于提供云计算服务的云计算服务器,所述库存管理服务器被配置为:
配置每种商品的消耗周期ConT和备货周期LeaTi,其中i=(1,2,…,n),n为数据中心中的商品类型的数量,所述备货周期LeaTi为所述消耗周期ConT的整数倍,所述消耗周期ConT为用于统计商品库存消耗量的统计周期,所述备货周期LeaTi为从采购下单时间到商品入库的周期;
配置库存信息动态更新时间,所述库存信息动态更新时间为在每一个所述消耗周期内的一个时间点;
在任一个消耗周期内到达库存信息动态更新时间时,循环遍历所述数据中心中的商品类型以对每种类型的商品以执行以下步骤:
从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi,以及上一个库存信息动态更新时间所预测的当前类型商品的商品消耗量中对应所述当前结算周期的预测商品消耗量PreDi,所述当前类型商品为在循环遍历数据中心中的商品类型的过程中当前遍历变量i指向的商品类型的商品;
计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差:
ΔDi=|PreDi-ActDi|
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据库中心获取所述当前类型商品的库存计算数据,所述库存计算数据包括目标服务水平SerL、所述当前类型商品的备货周期LeaTi、预设长度的历史时间段的第一离散消耗时间序列HisT[]i以及所述历史时间段内的所述当前类型商品的历史消耗量序列HisD[]i,所述历史时间段的终点为所述当前结算周期的结束时间,所述历史消耗量序列HisD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的实际商品消耗量ActDi的合集;
将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
判断当前消耗周期是否为所述当前类型商品的备货周期内的第一个消耗周期;
在当前消耗周期不是所述当前类型商品的备货周期内的第一个消耗周期时,根据所述云计算服务器返回的计算结果更新所述数据中心中所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
在当前消耗周期为所述当前类型商品的备货周期内的第一个消耗周期时,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi;
根据所述下单数量OrdQi向采购服务器发送所述当前类型商品的备货申请。
2.一种基于云计算的商品库存动态管理方法,其特征在于,包括:
配置每种商品的消耗周期ConT和备货周期LeaTi,其中i=(1,2,…,n),n为数据中心中的商品类型的数量,所述备货周期LeaTi为所述消耗周期ConT的整数倍,所述消耗周期ConT为用于统计商品库存消耗量的统计周期,所述备货周期LeaTi为从采购下单时间到商品入库的周期;
配置库存信息动态更新时间,所述库存信息动态更新时间为在每一个所述消耗周期内的一个时间点;
在任一个消耗周期内到达库存信息动态更新时间时,循环遍历所述数据中心中的商品类型以对每种类型的商品以执行以下步骤:
从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi,以及上一个库存信息动态更新时间所预测的当前类型商品的商品消耗量中对应所述当前结算周期的预测商品消耗量PreDi,所述当前类型商品为在循环遍历数据中心中的商品类型的过程中当前遍历变量i指向的商品类型的商品;
计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差:
ΔDi=|PreDi-ActDi|
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据库中心获取所述当前类型商品的库存计算数据,所述库存计算数据包括目标服务水平SerL、所述当前类型商品的备货周期LeaTi、预设长度的历史时间段的第一离散消耗时间序列HisT[]i以及所述历史时间段内的所述当前类型商品的历史消耗量序列HisD[]i,所述历史时间段的终点为所述当前结算周期的结束时间,所述历史消耗量序列HisD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的实际商品消耗量ActDi的合集;
将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
判断当前消耗周期是否为所述当前类型商品的备货周期内的第一个消耗周期;
在当前消耗周期不是所述当前类型商品的备货周期内的第一个消耗周期时,根据所述云计算服务器返回的计算结果更新所述数据中心中所述当前类型商品的安全库存SavSi和期初目标库存TarLi;
在当前消耗周期为所述当前类型商品的备货周期内的第一个消耗周期时,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi;
根据所述下单数量OrdQi向采购服务器发送所述当前类型商品的备货申请。
3.根据权利要求2所述的商品库存动态管理方法,其特征在于,在循环遍历数据中心中的商品类型以对每种类型的商品的步骤之前,还包括:
通过IoT设备网关读取贴附在出库商品或入库商品上的IoT标签以获取所述出库商品或所述入库商品的出库、入库信息,所述出库、入库信息包括所述出库商品或所述入库商品的出库进间或入库时间;
实时将所述出库商品或所述入库商品的出库、入库信息更新到所述数据中心。
4.根据权利要求2所述的商品库存动态管理方法,其特征在于,在从数据中心获取当前类型商品在当前结算周期内的实际库存商品消耗量ActDi的步骤之前,还包括:
从所述数据中心获取预先配置的最低服务水平SerLmin;
从所述数据中心获取上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi;
将所述最低服务水平SerLmin、上一个消耗周期更新或保持的所述当前类型商品的安全库存SavSi以及所述当前类型商品的备货周期LeaTi发送给所述云计算服务器计算所述偏差阈值ThrDi。
6.根据权利要求2所述的商品库存动态管理方法,其特征在于,在将所述库存计算数据发送给云计算服务器以计算所述当前类型商品的安全库存SavSi和期初目标库存TarLi的步骤之后,还包括:
确定用于预测所述当前类型商品的商品消耗量的目标时间段,所述目标时间段的起点为所述当前结算周期的结束时间,终点为下一个备货周期的结束时间;
生成对应所述目标时间段的第二离散消耗时间序列PreT[]i;
将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序量HisD[]i以及所述第二离散消耗时间序列PreT[]i输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i。
7.根据权利要求6所述的商品库存动态管理方法,其特征在于,所述库存计算数据还包括所述当前类型商品的历史预测量序列HPreD[]i,所述历史预测量序列HPreD[]i为所述当前类型商品在所述历史时间段内的每个消耗周期的最后一次预测得到的预测商品消耗量PreDi的合集,在将所述第一离散消耗时间序列HisT[]i、所述历史消耗量序列HisD[]i以及所述离散消耗时间序列输入预先训练好的商品消耗量预测模型中预测所述目标时间段的目标商品消耗量序列PreD[]i的步骤之后,还包括:
计算所述历史预测量序列HPreD[]i和所述历史消耗量序列HisD[]i的标准偏差:
根据所述服务水平SerL确定与其相对应的安全系数α;
根据所述当前类型商品的标准偏差StaDi、所述安全系数α以及所述备货周期LeaTi计算所述当前类型商品的安全库存:
从所述目标商品消耗量序列PreD[]i中获取对应所述当前结算周期的商品消耗量PreDi;
根据所述当前结算周期的商品消耗量PreDi、所述备货周期LeaTi以及所述安全库存SavSi计算所述期初目标库存:
TarLi=PreDi·LeaTi+SavSi。
8.根据权利要求2所述的商品库存动态管理方法,其特征在于,根据所述期初目标库存TarLi计算所述当前类型商品的下单数量OrdQi的步骤具体包括:
从所述数据中心获取所述当前类型商品的在库数量OnHi;
根据所述期初目标库存TarLi以及所述在库数量OnHi计算所述当前类型商品的下单数量:
OrdQi=TarLi-OnHi。
9.根据权利要求2所述的商品库存动态管理方法,其特征在于,在计算所述当前类型商品在所述当前结算周期内的预测商品消耗量PreDi与实际商品消耗量ActDi之间的偏差的步骤之后,还包括:
将所述偏差ΔDi保存到所述数据中心;
当所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi时,从所述数据中心获取当前类型商品的所述偏差ΔDi大于当前类型商品的偏差阈值ThrDi的超阈值次数ThrCi;
将所述当前类型商品的超阈值次数ThrCi进行累加后保存到所述数据中心;
当所述超阈值次数ThrCi大于预设值时,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练;
将所述当前类型商品的超阈值次数ThrCi进行归零后保存到所述数据中心。
10.根据权利要求9所述的商品库存动态管理方法,其特征在于,从所述数据中心获取所述当前类型商品的样本数据对所述商品消耗量预测模型进行重新训练的步骤具体包括:
获取预先配置的样本数据量k;
以所述当前结算周期的结束时间为终点确定样本数据获取时间段,所述样本数据获取时间段包括k个消耗周期;
从所述数据中心获取所述样本数据获取时间段内每个消耗周期的实际商品消耗量ActDi以生成对应的第三离散消耗时间序列SamT[]i以及对应的实际商品消耗量序列ActD[]i;
将所述第三离散消耗时间序列SamT[]i以及所述实际商品消耗量序列ActD[]i发送给所述云计算服务器以使所述云计算服务器对所述商品消耗量预测模型进行重新训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555851.1A CN116433158A (zh) | 2023-05-16 | 2023-05-16 | 一种基于云计算的商品库存动态管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555851.1A CN116433158A (zh) | 2023-05-16 | 2023-05-16 | 一种基于云计算的商品库存动态管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116433158A true CN116433158A (zh) | 2023-07-14 |
Family
ID=87092779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310555851.1A Withdrawn CN116433158A (zh) | 2023-05-16 | 2023-05-16 | 一种基于云计算的商品库存动态管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433158A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911742A (zh) * | 2023-08-04 | 2023-10-20 | 杭州聚水潭网络科技有限公司 | 一种电商补货方法、系统及设备 |
CN117910986A (zh) * | 2024-03-20 | 2024-04-19 | 通亿(泉州)轻工有限公司 | 一种基于erp系统的仓储管理方法及相关设备 |
-
2023
- 2023-05-16 CN CN202310555851.1A patent/CN116433158A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911742A (zh) * | 2023-08-04 | 2023-10-20 | 杭州聚水潭网络科技有限公司 | 一种电商补货方法、系统及设备 |
CN117910986A (zh) * | 2024-03-20 | 2024-04-19 | 通亿(泉州)轻工有限公司 | 一种基于erp系统的仓储管理方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110392899B (zh) | 用于模型生成的动态特征选择 | |
CN113228068B (zh) | 用于库存管理和优化的系统和方法 | |
CN116433158A (zh) | 一种基于云计算的商品库存动态管理系统及方法 | |
CN102968670B (zh) | 预测数据的方法和装置 | |
US8494916B2 (en) | Managing fresh-product inventory | |
US7644863B2 (en) | Agent using detailed predictive model | |
CN111295681A (zh) | 使用加权混合机器学习模型进行需求预测 | |
JP7105336B2 (ja) | スマートサプライチェーンシステム | |
JP7402791B2 (ja) | 需要予測パラメータの最適化 | |
US20220284386A1 (en) | Computerized inventory redistribution control system | |
CN111815198B (zh) | 一种门店补货方法、装置和设备 | |
JP2023520086A (ja) | 自動化されたアウトバウンドプロファイル生成のためのシステムおよび方法 | |
KR20210014432A (ko) | 원자재 수요예측시스템을 이용한 원자재 수요예측 정확도 향상방법 | |
CN116258444A (zh) | 一种短保质期商品的库存管理方法及系统 | |
Arifoğlu et al. | Inventory management with random supply and imperfect information: A hidden Markov model | |
EP3376445A1 (en) | Method and system for retail stock allocation | |
KR20220149074A (ko) | 심층신경망 기반 재고 예측 알고리즘을 이용한 적정 재고 유지 시스템 | |
KR20220048968A (ko) | 가상 번들의 동적 밸런싱을 위한 시스템 및 방법 | |
CN117273599A (zh) | 一种商品需求的预测和商品补货数量的确定方法与系统 | |
US20230096633A1 (en) | Optimized tree ensemble based demand model | |
Cholodowicz et al. | Impact of control system structure and performance of inventory goods flow system with long-variable delay | |
Li et al. | Dynamic inventory allocation for seasonal merchandise at dillard’s | |
KR102047277B1 (ko) | TaaS 기반의 자산조달관리 장치 | |
CN113469397A (zh) | 智慧供应链系统及服务器平台 | |
Lee et al. | Case Fill Rate Prediction |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230714 |