CN116911717A - 一种用于城市贸易中的运力分配方法及系统 - Google Patents
一种用于城市贸易中的运力分配方法及系统 Download PDFInfo
- Publication number
- CN116911717A CN116911717A CN202311175082.9A CN202311175082A CN116911717A CN 116911717 A CN116911717 A CN 116911717A CN 202311175082 A CN202311175082 A CN 202311175082A CN 116911717 A CN116911717 A CN 116911717A
- Authority
- CN
- China
- Prior art keywords
- trade
- predicted
- commodity
- sequence
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 abstract description 5
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004088 simulation 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于城市贸易中的运力分配方法及系统，涉及城市贸易运力分配技术领域，通过收集城市贸易数据、预测周期时长序列以及每个贸易中心各类商品的历史售卖数据，训练出售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长，并获得下一预测周期中，每种商品预测的补货量；基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案；保证了商品供应的效率，并可量化地降低商品运输成本。
Description
技术领域
本发明涉及城市贸易运力分配技术领域，具体是一种用于城市贸易中的运力分配方法及系统。
背景技术
对于城市贸易中的各个贸易中心，消费者需求的不确定性是影响商品售卖量预测的一个关键因素。消费者购买行为受到个体偏好、市场趋势等多种因素的影响，这导致了商品需求的波动不稳定；而对商品的售卖量的预测极大地影响到对商品的提前供应，即当供应过多可能会导致商品浪费甚至最终过期，而供应过少可能会导致商品供不应求，从而带来利润损失；因此，更为准确的提供各类商品的补货量成为一项亟须解决的问题；
为此，本发明提出一种用于城市贸易中的运力分配方法及系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种用于城市贸易中的运力分配方法及系统，保证了商品供应的效率，并可量化地降低商品运输成本。
为实现上述目的，根据本发明的实施例1提出一种用于城市贸易中的运力分配方法，包括以下步骤：
步骤一：收集城市贸易数据，并收集预测周期时长序列；
步骤二：基于预测周期时长序列，收集每个贸易中心各类商品的历史售卖数据，基于历史售卖数据训练出售卖量预测模型集合；
步骤三：对于每个贸易中心的每种商品，基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长，并获得下一预测周期中，每种商品预测的补货量；
步骤四：基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案；
所述收集城市贸易数据的方式为：
收集城市中各个贸易中心的地理位置、配送中心的地理位置以及贸易无向图；在所述贸易无向图中，点集合包括所有贸易中和配送中心，边集合包括点集合中任意两个点之间的最短距离路线；
所述城市贸易数据包括贸易无向图；
所述收集预测周期时长序列的方式为：
预先人工设置若干预测周期时长，组成预测周期时长序列；每个预测周期时长代表一段统计时长，每个贸易中心每隔统计时长进行商品售卖量的统计；
所述收集每个贸易中心各类商品的历史售卖数据的方式为：
对于预测周期时长序列中的每个预测周期时长，每个贸易中心每隔该预测周期时长作为一次预测周期，统计每个预测周期中，每种商品的售卖量；
将每个贸易中心的编号标记为i，将每种商品类型的编号标记为j，将预测周期时长序列中的预测周期时长的编号标记为t；
对于第i个贸易中心，第j种商品类型的第t个预测周期时长，生成商品售卖量序列；所述商品售卖量序列中每个元素对应该商品在一个预测周期的售卖量，且商品售卖量序列中的售卖量按时间先后顺序进行排列；
所述历史售卖数据包括所有贸易中心的所有商品类型的所有商品售卖量序列；
所述基于历史售卖数据训练出售卖量预测模型集合的方式为：
设置预测时间步长为1、预设滑动步长以及滑动窗口长度；
对于第i个贸易中心，第j种商品类型的第t个预测周期时长，将对应的商品售卖量序列使用滑动窗口方法转化为若干个售卖量预测样本，将每组售卖量预测样本作为售卖量预测模型的输入，售卖量预测模型以未来的预测时间步长的商品售卖量序列作为输出，每个售卖量预测样本后续预测时间步长内的商品售卖量序列作为预测目标，对售卖量预测模型进行训练；生成预测商品售卖量的售卖量预测模型；
所述售卖量预测模型集合包括所有训练完成的售卖量预测模型；
基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长的方式为：
对于第i个贸易中心，第j种商品类型的第t个预测周期时长对应的售卖量预测模型，将最近一次预测周期中该商品的售卖量标记为SRijt，将最近一次预测周期中，该商品的预测的售卖量标记为SPijt；
所述该商品的预测的售卖量的获得方式为：将最近一次预测周期之前的长度为滑动窗口长度的商品售卖量序列输入至对应的售卖量预测模型中，获得该售卖量预测模型输出的最近一次预测周期的预测的售卖量；
计算第t个预测周期时长的综合预测偏差Lt；其中，所述综合预测偏差Lt的计算方式为：；
从预测周期时长序列中的所有预测周期时长中筛选出综合预测偏差Lt最小的预测周期时长作为下一预测周期时长；
获得下一预测周期中，每种商品预测的补货量的方式为：
将下一预测周期时长的编号标记为t0；从第i个贸易中心，第j种商品类型的第t0个预测周期时长对应的商品售卖量序列中，截取出最近的长度为滑动窗口长度的商品售卖量序列，将截取出的商品售卖量序列作为对应的售卖量预测模型的输入，获得输出的下一个预测周期的预测的售卖量Sijt0；
统计第i个贸易中心中，第j种商品类型的库存量Kij；
将第i个贸易中心中第j种商品类型预测的补货量标记为Bij；则预测的补货量Bij的计算公式为：Bij=max(Sijt0-Kij+a0,0)，其中，a0为预设的调整系数，max()为取最大值函数；
基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案的方式为：
将贸易无向图中的贸易中心对应的节点的编号标记为u，将贸易无向图中的配送中心对应的节点标记为v；
为第u个节点设置运输顺序变量yuxf；所述运输顺序变量yuxf为值为0/1的二值变量，当运输顺序变量yuxf=1时，表示第u个节点为第x条运输路线中经过的第f个贸易中心，其中，x=1,2…|U|，f=1,2,3…|U|，U为所有贸易中心对应的节点的集合；
设置目标优化函数g；所述目标优化函数g的函数表达式为
；
其中，Duv为第i个节点距离节点v的距离，Du1u2为第u1个节点与第u2个节点的距离；
设计约束目标集合Z；所述约束目标集合Z包括：
；
以最小化优化目标函数g为整数规划问题的优化目标，以约束目标集合Z作为整数规划问题的约束目标集合，使用整数规划求解工具对所述整数规划问题进行求解，得到解集合；从该解集合中筛选出所有值为1的运输顺序变量yuxf，从值为1的运输顺序变量yuxf中获得运输路线的条数以及每条运输路线的运输顺序；
计算每条运输线路中，经过的所有贸易中心的所有类型商品的补货量的总数，基于该总数与使用的运输车辆的容量，计算出需要的运输车辆的数量；则在每条运输路线，分配对应的需要的运输车辆数量，且分配的运输车辆按照该运输路线进行运输。
根据本发明的实施例2提出一种用于城市贸易中的运力分配系统，包括训练数据收集模块、模型训练模块以及运力分配模块；其中，各个模块之间电性连接；
其中，所述训练数据收集模块主要用于收集城市贸易数据、预测周期时长序列，以及基于预测周期时长序列，收集每个贸易中心各类商品的历史售卖数据，并将历史售卖数据发送至模型训练模块，将城市贸易数据发送至运力分配模块；
其中，所述模型训练模块主要用于基于历史售卖数据训练出售卖量预测模型集合，并将售卖量预测模型集合发送至运力分配模块；
其中，所述运力分配模块主要用于对于每个贸易中心的每种商品，基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长，并获得下一预测周期中，每种商品预测的补货量，基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案。
与现有技术相比，本发明的有益效果是：
本发明通过预先收集城市贸易数据，并收集预测周期时长序列，基于预测周期时长序列，收集每个贸易中心各类商品的历史售卖数据，基于历史售卖数据训练出售卖量预测模型集合，对于每个贸易中心的每种商品，基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长，并获得下一预测周期中，每种商品预测的补货量，基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案；每次选择预测准确率最大的预测周期时长，保证了商品供应的效率，并通过将供应问题设计为规划问题，可量化地降低商品运输成本。
附图说明
图1为本发明的实施例1中的用于城市贸易中的运力分配方法的流程图；
图2为本发明的实施例2中的用于城市贸易中的运力分配系统的模块连接关系图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种用于城市贸易中的运力分配方法，包括以下步骤：
步骤一：收集城市贸易数据，并收集预测周期时长序列；
步骤二：基于预测周期时长序列，收集每个贸易中心各类商品的历史售卖数据，基于历史售卖数据训练出售卖量预测模型集合；
步骤三：对于每个贸易中心的每种商品，基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长，并获得下一预测周期中，每种商品预测的补货量；
步骤四：基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案；
优选地，所述收集城市贸易数据的方式为：
收集城市中各个贸易中心的地理位置、配送中心的地理位置以及贸易无向图；在所述贸易无向图中，点集合包括所有贸易中和配送中心，边集合包括点集合中任意两个点之间的最短距离路线；可以理解的是，最短距离路线可以使用地图软件获得；
所述城市贸易数据包括贸易无向图；
优选地，所述收集预测周期时长序列的方式为：
预先人工设置若干预测周期时长，组成预测周期时长序列；每个预测周期时长代表一段统计时长，每个贸易中心每隔统计时长进行商品售卖量的统计；例如：预测周期时长可以是一天、一周、两周、三周或一月等；
进一步地，所述收集每个贸易中心各类商品的历史售卖数据的方式为：
对于预测周期时长序列中的每个预测周期时长，每个贸易中心每隔该预测周期时长作为一次预测周期，统计每个预测周期中，每种商品的售卖量；
将每个贸易中心的编号标记为i，将每种商品类型的编号标记为j，将预测周期时长序列中的预测周期时长的编号标记为t；
对于第i个贸易中心，第j种商品类型的第t个预测周期时长，生成商品售卖量序列；所述商品售卖量序列中每个元素对应该商品在一个预测周期的售卖量，且商品售卖量序列中的售卖量按时间先后顺序进行排列；
所述历史售卖数据包括所有贸易中心的所有商品类型的所有商品售卖量序列；
所述基于历史售卖数据训练出售卖量预测模型集合的方式为：
设置预测时间步长为1、预设滑动步长以及滑动窗口长度；
对于第i个贸易中心，第j种商品类型的第t个预测周期时长，将对应的商品售卖量序列使用滑动窗口方法转化为若干个售卖量预测样本，将每组售卖量预测样本作为售卖量预测模型的输入，售卖量预测模型以未来的预测时间步长的商品售卖量序列作为输出，每个售卖量预测样本后续预测时间步长内的商品售卖量序列作为预测目标，对售卖量预测模型进行训练；生成预测商品售卖量的售卖量预测模型；优选的，所述售卖量预测模型为RNN神经网络模型；需要说明的是，售卖量预测模型中的其他参数，诸如训练步长、收敛条件、学习率、epoch、网络层数以及神经元数据均根据实际需求和实验效果进行设置调节；
所述售卖量预测模型集合包括所有训练完成的售卖量预测模型；
需要说明的是，滑动窗口方法作为时间序列预测模型（RNN神经网络模型）的常规技术手段，本发明在此不再做原理性说明；但为了本发明更便于实施，本发明提供如下的关于滑动窗口方法的示例：
假设我们要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型，设置预测时间步长为1，滑动步长设置1以及滑动窗口长度设置为3；则生成3组训练数据和对应的预测目标数据：[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据，以[4]、[5]以及[6]分别作为预测目标；
基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长的方式为：
对于第i个贸易中心，第j种商品类型的第t个预测周期时长对应的售卖量预测模型，将最近一次预测周期中该商品的售卖量标记为SRijt，将最近一次预测周期中，该商品的预测的售卖量标记为SPijt；
需要说明的是，所述该商品的预测的售卖量的获得方式为：将最近一次预测周期之前的长度为滑动窗口长度的商品售卖量序列输入至对应的售卖量预测模型中，获得该售卖量预测模型输出的最近一次预测周期的预测的售卖量；
计算第t个预测周期时长的综合预测偏差Lt；其中，所述综合预测偏差Lt的计算方式为：；可以理解的是，/>表达的是，上一个预测周期中，对第i个贸易中心，第j种商品类型的售卖量的预测偏差；
从预测周期时长序列中的所有预测周期时长中筛选出综合预测偏差Lt最小的预测周期时长作为下一预测周期时长；可以理解的是，下一预测周期时长是预测最为准确的预测周期时长，从而提高了对商品进行补货的准确率；
获得下一预测周期中，每种商品预测的补货量的方式为：
将下一预测周期时长的编号标记为t0；从第i个贸易中心，第j种商品类型的第t0个预测周期时长对应的商品售卖量序列中，截取出最近的长度为滑动窗口长度的商品售卖量序列，将截取出的商品售卖量序列作为对应的售卖量预测模型的输入，获得输出的下一个预测周期的预测的售卖量Sijt0；
统计第i个贸易中心中，第j种商品类型的库存量Kij；
将第i个贸易中心中第j种商品类型预测的补货量标记为Bij；则预测的补货量Bij的计算公式为：Bij=max(Sijt0-Kij+a0,0)，其中，a0为预设的调整系数，以预留部分商品用于应急，max()为取最大值函数；
基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案的方式为：
将贸易无向图中的贸易中心对应的节点的编号标记为u，将贸易无向图中的配送中心对应的节点标记为v；
为第u个节点设置运输顺序变量yuxf；所述运输顺序变量yuxf为值为0/1的二值变量，当运输顺序变量yuxf=1时，表示第u个节点为第x条运输路线中经过的第f个贸易中心，其中，x=1,2…|U|，f=1,2,3…|U|，U为所有贸易中心对应的节点的集合；
设置目标优化函数g；所述目标优化函数g的函数表达式为
；
其中，Duv为第i个节点距离节点v的距离，Du1u2为第u1个节点与第u2个节点的距离；
表达的是，从配送中心出发，运输至各条运输路线中第一个节点的总距离；/>=1时，表示第u2个节点为第x条运输路线中，经过的第f-1个贸易中心，而第u1个节点为第x条运输路线中，经过的第f个贸易中心，即先运输至u2后运输至u1；从而/>表达的是所有运输路线中，从经过的第2个贸易中心开始，后续运输的总的运输距离；从而目标优化函数g表达的是从配送中心向所有贸易中心进行补货所需要的总运输距离；
设计约束目标集合Z；所述约束目标集合Z包括：
；
其中，用于限制每个节点只能在一条运输路线中，且只能经过一次；/>用于限制第x条运输路线中，在经过第f个贸易中心之前，需要存在经过的第f-1个贸易中心；/>为二值限制；
以最小化优化目标函数g为整数规划问题的优化目标，以约束目标集合Z作为整数规划问题的约束目标集合，使用整数规划求解工具对所述整数规划问题进行求解，得到解集合；从该解集合中筛选出所有值为1的运输顺序变量yuxf，从值为1的运输顺序变量yuxf中获得运输路线的条数即所有变量编号中不同的x值的数量，以及每条运输路线的运输顺序，即对具有相同的x值运输顺序变量，按f的值的顺序进行排序；
计算每条运输线路中，经过的所有贸易中心的所有类型商品的补货量的总数，基于该总数与使用的运输车辆的容量，计算出需要的运输车辆的数量；则在每条运输路线，分配对应的需要的运输车辆数量，且分配的运输车辆按照该运输路线进行运输。
实施例2
如图2所示，一种用于城市贸易中的运力分配系统，包括训练数据收集模块、模型训练模块以及运力分配模块；其中，各个模块之间电性连接；
其中，所述训练数据收集模块主要用于收集城市贸易数据、预测周期时长序列，以及基于预测周期时长序列，收集每个贸易中心各类商品的历史售卖数据，并将历史售卖数据发送至模型训练模块，将城市贸易数据发送至运力分配模块；
其中，所述模型训练模块主要用于基于历史售卖数据训练出售卖量预测模型集合，并将售卖量预测模型集合发送至运力分配模块；
其中，所述运力分配模块主要用于对于每个贸易中心的每种商品，基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长，并获得下一预测周期中，每种商品预测的补货量，基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种用于城市贸易中的运力分配方法，其特征在于，包括以下步骤：
收集城市贸易数据，并收集预测周期时长序列；
基于预测周期时长序列，收集每个贸易中心各类商品的历史售卖数据，基于历史售卖数据训练出售卖量预测模型集合；
对于每个贸易中心的每种商品，基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长，并获得下一预测周期中，每种商品预测的补货量；
基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案。
2.根据权利要求1所述的一种用于城市贸易中的运力分配方法，其特征在于，所述收集城市贸易数据的方式为：
收集城市中各个贸易中心的地理位置、配送中心的地理位置以及贸易无向图；在所述贸易无向图中，点集合包括所有贸易中和配送中心，边集合包括点集合中任意两个点之间的最短距离路线；
所述城市贸易数据包括贸易无向图。
3.根据权利要求2所述的一种用于城市贸易中的运力分配方法，其特征在于，所述收集每个贸易中心各类商品的历史售卖数据的方式为：
对于预测周期时长序列中的每个预测周期时长，每个贸易中心每隔该预测周期时长作为一次预测周期，统计每个预测周期中，每种商品的售卖量；
将每个贸易中心的编号标记为i，将每种商品类型的编号标记为j，将预测周期时长序列中的预测周期时长的编号标记为t；
对于第i个贸易中心，第j种商品类型的第t个预测周期时长，生成商品售卖量序列；所述商品售卖量序列中每个元素对应该商品在一个预测周期的售卖量，且商品售卖量序列中的售卖量按时间先后顺序进行排列；
所述历史售卖数据包括所有贸易中心的所有商品类型的所有商品售卖量序列。
4.根据权利要求3所述的一种用于城市贸易中的运力分配方法，其特征在于，所述基于历史售卖数据训练出售卖量预测模型集合的方式为：
设置预测时间步长为1、预设滑动步长以及滑动窗口长度；
对于第i个贸易中心，第j种商品类型的第t个预测周期时长，将对应的商品售卖量序列使用滑动窗口方法转化为若干个售卖量预测样本，将每组售卖量预测样本作为售卖量预测模型的输入，售卖量预测模型以未来的预测时间步长的商品售卖量序列作为输出，每个售卖量预测样本后续预测时间步长内的商品售卖量序列作为预测目标，对售卖量预测模型进行训练；生成预测商品售卖量的售卖量预测模型；
所述售卖量预测模型集合包括所有训练完成的售卖量预测模型。
5.根据权利要求4所述的一种用于城市贸易中的运力分配方法，其特征在于，基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长的方式为：
对于第i个贸易中心，第j种商品类型的第t个预测周期时长对应的售卖量预测模型，将最近一次预测周期中该商品的售卖量标记为SRijt，将最近一次预测周期中，该商品的预测的售卖量标记为SPijt；
所述该商品的预测的售卖量的获得方式为：将最近一次预测周期之前的长度为滑动窗口长度的商品售卖量序列输入至对应的售卖量预测模型中，获得该售卖量预测模型输出的最近一次预测周期的预测的售卖量；
计算第t个预测周期时长的综合预测偏差Lt；其中，所述综合预测偏差Lt的计算方式为：；
从预测周期时长序列中的所有预测周期时长中筛选出综合预测偏差Lt最小的预测周期时长作为下一预测周期时长。
6.根据权利要求5所述的一种用于城市贸易中的运力分配方法，其特征在于，获得下一预测周期中，每种商品预测的补货量的方式为：
将下一预测周期时长的编号标记为t0；从第i个贸易中心，第j种商品类型的第t0个预测周期时长对应的商品售卖量序列中，截取出最近的长度为滑动窗口长度的商品售卖量序列，将截取出的商品售卖量序列作为对应的售卖量预测模型的输入，获得输出的下一个预测周期的预测的售卖量Sijt0；
统计第i个贸易中心中，第j种商品类型的库存量Kij；
将第i个贸易中心中第j种商品类型预测的补货量标记为Bij；则预测的补货量Bij的计算公式为：Bij=max(Sijt0-Kij+a0,0)，其中，a0为预设的调整系数，max()为取最大值函数。
7.根据权利要求6所述的一种用于城市贸易中的运力分配方法，其特征在于，基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案的方式为：
将贸易无向图中的贸易中心对应的节点的编号标记为u，将贸易无向图中的配送中心对应的节点标记为v；
为第u个节点设置运输顺序变量yuxf；所述运输顺序变量yuxf为值为0/1的二值变量，当运输顺序变量yuxf=1时，表示第u个节点为第x条运输路线中经过的第f个贸易中心，其中，x=1,2…|U|，f=1,2,3…|U|，U为所有贸易中心对应的节点的集合；
设置目标优化函数g；所述目标优化函数g的函数表达式为
；
其中，Duv为第i个节点距离节点v的距离，Du1u2为第u1个节点与第u2个节点的距离；
设计约束目标集合Z；所述约束目标集合Z包括：
；
以最小化优化目标函数g为整数规划问题的优化目标，以约束目标集合Z作为整数规划问题的约束目标集合，使用整数规划求解工具对所述整数规划问题进行求解，得到解集合；从该解集合中筛选出所有值为1的运输顺序变量yuxf，从值为1的运输顺序变量yuxf中获得运输路线的条数以及每条运输路线的运输顺序；
计算每条运输线路中，经过的所有贸易中心的所有类型商品的补货量的总数，基于该总数与使用的运输车辆的容量，计算出需要的运输车辆的数量；则在每条运输路线，分配对应的需要的运输车辆数量，且分配的运输车辆按照该运输路线进行运输。
8.一种用于城市贸易中的运力分配系统，其基于权利要求1-7任意一项所述的用于城市贸易中的运力分配方法实现，其特征在于，
包括训练数据收集模块、模型训练模块以及运力分配模块；其中，各个模块之间电性连接；
其中，所述训练数据收集模块主要用于收集城市贸易数据、预测周期时长序列，以及基于预测周期时长序列，收集每个贸易中心各类商品的历史售卖数据，并将历史售卖数据发送至模型训练模块，将城市贸易数据发送至运力分配模块；
其中，所述模型训练模块主要用于基于历史售卖数据训练出售卖量预测模型集合，并将售卖量预测模型集合发送至运力分配模块；
其中，所述运力分配模块主要用于对于每个贸易中心的每种商品，基于售卖量预测模型集合，从预测周期时长序列中筛选出下一预测周期时长，并获得下一预测周期中，每种商品预测的补货量，基于城市贸易数据和各类商品预测的补货量，获得运力分配调度方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311175082.9A CN116911717B (zh) | 2023-09-13 | 2023-09-13 | 一种用于城市贸易中的运力分配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311175082.9A CN116911717B (zh) | 2023-09-13 | 2023-09-13 | 一种用于城市贸易中的运力分配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116911717A true CN116911717A (zh) | 2023-10-20 |
| CN116911717B CN116911717B (zh) | 2023-12-08 |
Family
ID=88353517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311175082.9A Active CN116911717B (zh) | 2023-09-13 | 2023-09-13 | 一种用于城市贸易中的运力分配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911717B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745170A (zh) * | 2024-02-20 | 2024-03-22 | 中国标准化研究院 | 一种在途物流的生鲜农产品运输质量监测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010100178A (ko) * | 2001-10-24 | 2001-11-14 | 정경훈 | 차기 또는 미래 수출 운송 물량 총량 예측을 통한 집단운송 중개 방법 및 시스템 |
| US20170024751A1 (en) * | 2015-07-23 | 2017-01-26 | Wal-Mart Stores, Inc. | Fresh production forecasting methods and systems |
| CN106952042A (zh) * | 2017-03-23 | 2017-07-14 | 北京恒华龙信数据科技有限公司 | 一种售电量预测方法及装置 |
| CN111401973A (zh) * | 2020-04-24 | 2020-07-10 | 中储南京智慧物流科技有限公司 | 一种多影响因素下商品需求预测信息预测系统及方法 |
| CN113553540A (zh) * | 2020-04-24 | 2021-10-26 | 株式会社日立制作所 | 一种商品销量的预测方法 |
| CN113743721A (zh) * | 2021-07-29 | 2021-12-03 | 深圳市东信时代信息技术有限公司 | 营销策略生成方法、装置、计算机设备及存储介质 |
| CN114782065A (zh) * | 2022-01-21 | 2022-07-22 | 北京数势云创科技有限公司 | 一种基于模型组合的商品销量预测方法、装置及存储介质 |
-
2023
- 2023-09-13 CN CN202311175082.9A patent/CN116911717B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010100178A (ko) * | 2001-10-24 | 2001-11-14 | 정경훈 | 차기 또는 미래 수출 운송 물량 총량 예측을 통한 집단운송 중개 방법 및 시스템 |
| US20170024751A1 (en) * | 2015-07-23 | 2017-01-26 | Wal-Mart Stores, Inc. | Fresh production forecasting methods and systems |
| CN106952042A (zh) * | 2017-03-23 | 2017-07-14 | 北京恒华龙信数据科技有限公司 | 一种售电量预测方法及装置 |
| CN111401973A (zh) * | 2020-04-24 | 2020-07-10 | 中储南京智慧物流科技有限公司 | 一种多影响因素下商品需求预测信息预测系统及方法 |
| CN113553540A (zh) * | 2020-04-24 | 2021-10-26 | 株式会社日立制作所 | 一种商品销量的预测方法 |
| CN113743721A (zh) * | 2021-07-29 | 2021-12-03 | 深圳市东信时代信息技术有限公司 | 营销策略生成方法、装置、计算机设备及存储介质 |
| CN114782065A (zh) * | 2022-01-21 | 2022-07-22 | 北京数势云创科技有限公司 | 一种基于模型组合的商品销量预测方法、装置及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745170A (zh) * | 2024-02-20 | 2024-03-22 | 中国标准化研究院 | 一种在途物流的生鲜农产品运输质量监测系统 |
| CN117745170B (zh) * | 2024-02-20 | 2024-04-30 | 中国标准化研究院 | 一种在途物流的生鲜农产品运输质量监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116911717B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adulyasak et al. | Benders decomposition for production routing under demand uncertainty | |
| CN116911717B (zh) | 一种用于城市贸易中的运力分配方法及系统 | |
| KR20010053593A (ko) | 자산 집중형 제조회사를 위한 컴퓨터로 구현된 가치 경영도구 | |
| CN108805623B (zh) | 一种快销产品供给预测方法 | |
| Cano-Belmán et al. | Deterministic allocation models for multi-period demand fulfillment in multi-stage customer hierarchies | |
| Kamsopa et al. | Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area | |
| Mathew et al. | Demand forecasting for economic order quantity in inventory management | |
| CN118076967A (zh) | 基于优化树集成的需求模型 | |
| Wang et al. | Order acceptance and scheduling considering lot-spitting in seru production system | |
| KR20210014432A (ko) | 원자재 수요예측시스템을 이용한 원자재 수요예측 정확도 향상방법 | |
| Wu et al. | Pareto truck fleet sizing for bike relocation with stochastic demand: Risk-averse multi-stage approximate stochastic programming | |
| Cao et al. | A multiobjective multiperiod mixed-integer programming optimization model for integrated scheduling of supply chain under demand uncertainty | |
| Grether et al. | Effects of a simple mode choice model in a large-scale agent-based transport simulation | |
| CN111383055B (zh) | 租车中心仓选品方法、装置、设备及计算机可读存储介质 | |
| Rabbani et al. | A new AATP model with considering supply chain lead-times and resources and scheduling of the orders in flowshop production systems: A graph-theoretic view | |
| JPH0798741A (ja) | 生販物統合管理方法 | |
| JPH0973491A (ja) | 部品在庫計画立案支援システム | |
| De Kok | Buffering against uncertainty in high-tech supply chains | |
| Biel | Optimal day-ahead orders using stochastic programming and noise-driven recurrent neural networks | |
| Bounif et al. | Decision support technique for supply chain management | |
| CN108399212A (zh) | 物联网终端的时间序列数据处理和神经网络趋势预测方法 | |
| CN113762842A (zh) | 仓库调度方法、服务器和系统 | |
| Rouzafzoon et al. | Developing logistics and supply chain management by using agent-based simulation | |
| CN118333237B (zh) | 一种基于时序调配的物资预购的预测方法 | |
| Kumar et al. | Integrated production distribution problem in a partial backorder and order refusal environment |
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 |