CN116993271A - 一种基于大数据的打印机零件移仓方法及系统 - Google Patents
一种基于大数据的打印机零件移仓方法及系统 Download PDFInfo
- Publication number
- CN116993271A CN116993271A CN202311245001.8A CN202311245001A CN116993271A CN 116993271 A CN116993271 A CN 116993271A CN 202311245001 A CN202311245001 A CN 202311245001A CN 116993271 A CN116993271 A CN 116993271A
- Authority
- CN
- China
- Prior art keywords
- sub
- warehouse
- data
- representing
- demand
- 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 46
- 230000008901 benefit Effects 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 230000001502 supplementing effect Effects 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 14
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement 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
- 238000010606 normalization Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
Abstract
本发明公开了一种基于大数据的打印机零件移仓方法及系统，属于资源分配技术领域，方法包括：采集子仓库的历史数据；对历史数据进行数据清洗；将数据清洗后的历史数据按预设间隔时长组成时间序列，创建基于自回归积分滑动平均模型的零件需求预测模型；利用需求预测模型对子仓库进行需求预测，得到各子仓库的预测需求量；获取子仓库的历史极值，并基于历史极值对预测需求量进行校正；获取总仓库存量，若总仓库存量大于各子仓库的预测需求量之和，按预测需求量对各子仓库进行补仓，否则，以经济收益最大为第一目标，以各子仓库的缺货量最小为第二目标，构建零件调度模型；通过零件调度模型向各子仓库进行补仓。实现多目标的库存管理最佳化。
Description
技术领域
本发明属于资源分配技术领域，具体涉及一种基于大数据的打印机零件移仓方法及系统。
背景技术
打印机零件是构成打印机设备的组成部分，它们可以是物理零件或电子元件，用于使打印机能够完成打印任务，打印机零件的种类和功能因不同类型的打印机而异。移仓是指将总仓库的位置从一个地点搬迁到另一个子仓库的过程。现有的打印机销售行业，一般会考虑多种因素选择重要地点作为子仓库，进而确保打印机销售过程中能够减少交货时长，减轻物流压力。
现有技术中，打印机零件移仓过程往往是基于人工经验做出的决策，不能充分利用历史数据做出合理决策，局限性大，而且在打印机零件的移仓决策做出之前，考虑因素单一，导致在出现突发情况时无法同时权衡多个子仓库的调配量，影响企业发展。
发明内容
为了解决现有技术存在的打印机零件移仓过程往往是基于人工经验做出的决策，不能充分利用历史数据做出合理决策，局限性大，而且在打印机零件的移仓决策做出之前，考虑因素单一，导致在出现突发情况时无法同时权衡多个子仓库的调配量，影响企业发展的技术问题，本发明提供一种基于大数据的打印机零件移仓方法及系统。
第一方面
本发明提供了一种基于大数据的打印机零件移仓方法，包括：
S101：采集子仓库的历史数据，其中，历史数据包括历史库存数据和历史销售数据；
S102：对历史数据进行数据清洗；
S103：将数据清洗后的历史数据按预设间隔时长组成时间序列，创建基于自回归积分滑动平均模型的零件需求预测模型；
S104：利用需求预测模型对子仓库进行需求预测，得到各子仓库的预测需求量；
S105：获取子仓库的历史极值，并基于历史极值对预测需求量进行校正；
S106：获取总仓库存量，在总仓库存量大于各子仓库的预测需求量之和的情况下，按预测需求量对各子仓库进行补仓，否则，进入S106；
S107：以经济收益最大为第一目标，以各子仓库的缺货量最小为第二目标，构建零件调度模型；
S108：通过零件调度模型向各子仓库进行补仓。
第二方面
本发明提供了一种基于大数据的打印机零件移仓系统，用于执行第一方面中的基于大数据的打印机零件移仓方法。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，将各个子仓库的历史数据进行数据清洗后作为大数据基础，组成符合客观情况的时间序列，创建基于自回归积分滑动平均模型的零件需求预测模型，利用各个子仓库的历史库存数据和历史销售数据，识别数据中的趋势、季节性和周期性变化，从而提供可靠的预测，使企业能够更准确地规划库存、优化供应链，降低库存成本，提升客户满意度，同时减少了因过量库存或缺货而导致的损失，为企业决策提供了有力支持，促进了业务的稳健发展。另外，为了避免零件需求预测模型脱离实际情况，通过获取子仓库的历史极值对所述预测需求量进行校正，提升模型的预测准确度。其次，为了解决总仓库存量不可能时刻满足所有子仓库的预测需求量的情况，创建以经济收益最大为第一目标，以各所述子仓库的缺货量最小为第二目标的零件调度模型，既充分利用资源以提高经济效益，又最大程度地减少了可能的库存缺货情况，实现多目标的库存管理最佳化，解决人工决策的不合理性和局限性，提供可持续的企业管理策略，提升打印机销售企业竞争力。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于大数据的打印机零件移仓方法的流程示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中，参考说明书附图1，示出了本发明提供的基于大数据的打印机零件移仓方法的流程示意图。
本发明提供的一种基于大数据的打印机零件移仓方法，包括：
S101：采集子仓库的历史数据。
其中，历史数据包括历史库存数据和历史销售数据。
需要说明的是，历史库存数据和历史销售数据是反应子仓库中打印机存量和经济效益的最佳指标。历史库存数据是指过去一段时间内，特定零件或产品在仓库中的数量记录，这些数据通常包括了每天、每周或每月的库存数量，以及库存的变化情况，如进货、出货和损耗等，历史库存数据提供了有关库存水平的详细信息，可以帮助企业了解库存的波动趋势、季节性变化和峰值需求。历史销售数据是指过去一段时间内，特定零件或产品的销售情况的记录，这些数据通常包括了销售数量、销售日期、销售地点和销售渠道等信息，历史销售数据用于跟踪产品的市场需求，分析销售趋势，识别最畅销的产品和最佳销售地点，以及预测未来的销售需求。将历史库存数据和历史销售数据结合在一起，可以帮助企业更好地理解其产品的库存需求和销售动态。这些数据可以用于制定库存管理策略、优化供应链流程、预测库存需求、降低库存持有成本，并确保产品供应能够满足市场需求，同时减少库存浪费和库存缺货的风险。
S102：对历史数据进行数据清洗。
其中，数据清洗是数据处理流程中的一个重要步骤，旨在识别和纠正数据集中的错误、不一致性、缺失值和异常值等问题，以确保数据的质量、可用性和准确性。
在一种可能的实施方式中，S102具体包括：
S1021：对历史数据进行缺失值填充、重复记录删除和异常值修正处理；
S1022：将历史数据中的日期字段转换为统一的日期时间格式，统一大小写并去除特殊字符；
S1023：利用移动平均法对历史数据进行平滑处理；
S1024：对平滑处理后的历史数据进行归一化处理，完成历史数据的数据清洗。
可以理解的是，对数据进行包括填充缺失值、删除重复记录、修正异常值、统一日期格式、大小写和去除特殊字符等的数据清洗操作，确保数据的准确性、一致性和完整性，为后续的分析和建模提供可靠的数据基础，这个步骤有助于消除数据中的噪音和不规范之处，使数据更具可用性和可信度。
S103：将数据清洗后的历史数据按预设间隔时长组成时间序列，创建基于自回归积分滑动平均模型的零件需求预测模型。
其中，时间序列是一组按照时间顺序排列的数据点，它们在不同时刻（如小时、天、月等）的取值。时间序列通常用于分析随时间变化的趋势、季节性、周期性和随机性的模式。通过对时间序列进行分析和建模，可以预测未来的数值趋势，从而支持决策和规划。自回归积分滑动平均模型是一种用于时间序列分析和预测的统计模型，可用于在时间序列中识别和建模趋势、季节性和周期性等模式，从而实现对未来数值的预测。将经过清洗的历史数据组织成时间序列，并使用自回归积分滑动平均模型模型进行需求预测，使企业能够更好地理解零件需求的趋势和模式，从而做出更有针对性的供应链和库存管理决策，这有助于提高库存效率、降低库存成本，并确保产品供应的及时性。
需要说明的是，本领域技术人员可以根据实际需要设置预设间隔时长的大小，本发明在此不做限定。
在一种可能的实施方式中，S103具体包括：
S1031：根据时间序列创建零件需求预测模型：
其中，表示子仓库的下一时刻零件需求量，/>表示子仓库的前一时刻时间序列值， />表示自回归系数，p表示自回归系数的阶数，/>表示滑动平均系数，q表示滑动平均系数的阶数，d表示差分阶数，/>表示服从正态分布/>的白噪声序列。
S1032：通过贝叶斯信息准则法确定零件需求预测模型的自回归阶数和滑动平均阶数：
其中，表示零件需求预测模型的残差方差，N表示时间序列中的样本长度。
其中，贝叶斯信息准则法是一种用于模型选择的统计方法，它结合了模型的拟合优度和模型的复杂性来帮助确定最适合的模型。贝叶斯信息准则法的主要思想是惩罚模型的复杂性，随着模型参数数量的增加，贝叶斯信息准则法的值会增加，因此它倾向于选择更简单的模型，防止过度拟合数据，这对于提高模型的泛化能力非常重要，使得模型更适用于未来的预测。此外，贝叶斯信息准则法考虑了模型的似然度和模型的复杂性之间的权衡，它旨在找到一个既能很好地拟合数据又不会过于复杂的模型，这有助于避免选择具有太多参数的模型，这些参数可能会导致模型对噪音数据过于敏感。而且，贝叶斯信息准则法提供了一种自动选择最佳模型的方法，无需手动尝试多个模型配置，它可以帮助节省时间和减少主观偏见，从而更可靠地确定零件需求预测模型的阶数，以便提升零件需求预测的准确性和模型的预测泛化能力。
S1033：将自回归阶数和滑动平均阶数带入零件需求预测模型，完成零件需求预测模型的创建。
具体地，首先，基于历史时间序列数据，建立了一个时间序列模型，该模型考虑了时间序列的自回归（AR）和滑动平均（MA）成分，以及差分（I）阶数。这个模型会用来预测未来的零件需求。接下来，使用贝叶斯信息准则法，根据模型的残差方差和时间序列样本长度，确定了合适的自回归阶数（p）和滑动平均阶数（q）。贝叶斯信息准则法惩罚了模型复杂性，倾向于选择对数据拟合得好但不过于复杂的模型。最后，确定了自回归和滑动平均的阶数后，这些参数被带入时间序列模型，从而完成了零件需求预测模型的创建。这个模型现在可以用于预测未来时刻的零件需求，通过考虑过去的数据和模型中的参数，实现更准确的需求预测。通过将历史时间序列数据用于构建时间序列模型，然后使用贝叶斯信息准则法自动选择最佳的自回归和滑动平均阶数，最终创建一个有效的零件需求预测模型，有助于企业更准确地预测零件需求，以支持库存管理和供应链决策。
在一种可能的实施方式中，在S103之后，还包括：
S103A：间隔预设时长对需求预测模型进行更新。
可以理解的是，时间序列中的数据往往会受到季节性、周期性和趋势的影响，这些影响可能会随着时间而变化，通过定期更新模型，可以捕捉到这些数据漂移，并根据最新的趋势和模式来调整需求预测，以确保预测的准确性。零件需求预测模型的定期性更新，这意味着不仅仅在创建模型时进行一次性的训练，而是在固定的时间间隔内，例如每个月或每个季度，重新评估模型以反映最新的数据和趋势。定期更新有助于提高模型的鲁棒性，如果模型不定期更新，可能会导致它逐渐失去对新数据的适应能力，从而降低了预测的准确性，通过定期的模型更新，可以确保模型始终反映当前的市场条件。
需要说明的是，本领域技术人员可以根据实际需要设置预设时长的大小，本发明在此不做限定。
S104：利用需求预测模型对子仓库进行需求预测，得到各子仓库的预测需求量。
在一种可能的实施方式中，S104具体包括：
S1041：获取子仓库的历史数据；
S1042：以相同的方式对历史数据进行数据清洗；
S1043：将数据清洗后的子仓库的历史数据输入至零件需求预测模型，得到各子仓库在下一时刻的预测需求量。
S105：获取子仓库的历史极值，并基于历史极值对预测需求量进行校正。
其中，历史极值指的是子仓库过去历史数据中的最小值和最大值，通常是库存或销售量的极值，根据这些历史极值，可以建立校正函数或规则，用于调整预测需求量。例如，如果当前的需求预测值高于历史最大极值，那么可以将预测值降低到历史最大极值，以避免超出仓库的实际容量或市场需求的上限。相反，如果预测值低于历史最小极值，可以将其增加到历史最小极值，以确保有足够的库存或供应满足最低需求。历史极值的考虑有助于更好地调整和校正需求预测，以确保预测结果在实际情况下合理且可行，避免出现不切实际的极端数值，从而支持有效的库存管理和供应链规划。
在一种可能的实施方式中，S105具体包括：
S1051：判断预测需求量是否在历史极值的范围，若是，则进入S1054，否则，进入S1052；
S1052：结合历史极值，构建校正函数：
其中，表示校正函数，/>表示由最小二乘法计算得到的待定参数，/>表示历史最小极值，/>表示历史最大极值，/>表示当前时刻的时间序列值，/>表示截至当前时刻的历史平均值；
S1053：结合预测需求量和校正函数计算得到的校正量，得到校正后的预测需求量：
其中，表示校正后的预测需求量；
S1054：结束预测需求量的校正。
需要说明的是，相对于传统的需求预测方法，这个步骤提供了一个机制来主动校正需求预测量，以确保它们在历史数据的合理范围内，传统方法可能会忽略这种校正，导致不切实际的预测结果，而这个步骤可以有效避免这种情况。
这个步骤利用历史极值作为依据来进行校正，考虑了子仓库过去的极端情况，这相对于仅仅依赖基于平均值的方法更为灵活，因为历史极值能够更好地反映子仓库的真实情况。使用最小二乘法计算校正函数的参数，这是一种统计方法，可以更准确地拟合历史数据和校正需求预测量，相对于基于经验规则或启发式方法的校正，这个方法更为科学和精确，提高需求预测的准确性和可行性，通过将需求预测校正到历史数据的范围内，可以减少过度估计或低估，从而更好地满足库存和供应链管理的实际需求，适应性更强。
S106：获取总仓库存量，在总仓库存量大于各子仓库的预测需求量之和的情况下，按预测需求量对各子仓库进行补仓，否则，进入S106。
其中，总仓库代表了与打印机销售公司的生产地距离最近的总调配仓库，所有的子仓库的打印机零件均由该总仓库进行合理调配。
可以理解的是，为了最大化公司效益，在得到预测需求量之后，如果总仓库的存量能够满足所有的子仓库预测需求量，则按预测需求量直接调配即可，但是，总仓库存量往往不可能同时满足所有子仓库的预测需求，这时就需要对总仓库的现有存量进行合理的调配，以期实现公司的利益最大化和对各个子仓库的影响最小。
S107：以经济收益最大为第一目标，以各子仓库的缺货量最小为第二目标，构建零件调度模型。
可以理解的是，为了确保整个供应链运作在经济效益最大化的基础上，通过优化库存和物流的调度，可以最大程度地减少库存成本、运输成本和资本占用成本，从而提高了企业的利润。这意味着在满足客户需求的同时，最大程度地降低了运营成本，使企业能够更具竞争力和可持续性。尽管经济收益最大化是首要目标，但对各子仓库的缺货量最小化也是非常重要的次要目标，客户的满意度和忠诚度通常与能够按时交付产品或服务相关联，因此减少缺货的情况对于维持客户关系至关重要，通过将缺货量最小化作为次要目标，零件调度模型确保了及时满足客户需求，避免了可能导致客户不满意或失去的情况。综合了企业经济效益和客户满意度的考虑，使得供应链管理更加综合和优化，旨在实现商业成功和客户满意，这种综合性的目标考虑有助于平衡经济效益与客户服务水平之间的权衡，从而使供应链运营更加有效和可持续。
在一种可能的实施方式中，S107具体包括：
S1071：获取子仓库中各个零件的销售利润，以经济收益最大为第一目标构建第一函数：
其中，表示第一函数，/>表示第i个子仓库的零件调度量，/>表示第i个子仓库，/>表示第m类零件的类别数量，/>表示第m类零件的销售利润；
S1072：以各子仓库的缺货量最小为第二目标构建第二函数：
其中，表示第二函数，/>表示t时刻第i个子仓库的预测需求量，/>表示t时刻第i个子仓库的库存量；
S1073：确定以第一函数和第二函数构建的零件调度模型的约束条件：
其中，表示物流最大调配能力，/>表示第i个子仓库调配零件的物流调配消耗，τ表示调配零件的距离参数。
具体地，通过获取各个子仓库中零件的销售利润信息，以构建第一目标函数，这个目标函数的目的是在有限资源下，使得总销售利润最大化。同时，通过我们考虑了第二目标函数，即最小化各子仓库的缺货量，以保证客户的满意度。随后，我们引入了约束条件，这些条件包括物流最大调配能力、零件调配的消耗和距离参数等，以确保调度模型在实际操作中可行和可控。
综合这些步骤，整个流程实现了一个综合考虑经济效益和客户服务水平的零件调度模型，通过权衡各子仓库的销售利润、预测需求和库存量，以及物流调配的成本和能力，该模型可以为企业提供一个优化的零件调度方案，以实现最大化经济效益和最小化缺货风险的双重目标，这有助于提高供应链的运营效率，同时保证了客户的满意度和忠诚度。
在一种可能的实施方式中，S107还包括：
S1074：利用帕累托算法求解零件调度模型。
其中，帕累托算法是一种多目标优化方法，旨在找到一组解，这组解在多个目标之间实现了最佳的权衡，在这种情况下，目标是经济收益最大和缺货量最小。
具体地，零件调度模型的解代表了不同的零件调度策略，每个策略在经济收益和缺货量之间存在权衡，这些解可以包括不同的库存分配、零件补货计划等。对于每个解，系统将计算其经济收益和缺货量，根据定义的第一和第二目标函数。帕累托算法将根据这些目标值的权衡关系，确定哪些解位于帕累托前沿，帕累托前沿是一组解，它们在某个目标下无法进一步改进，而且在其他目标下也无法同时改进，这些解被认为是最优的，因为它们实现了最佳的多目标权衡。最终，根据帕累托前沿中的解，系统将选择最适合业务需求的解，这通常是在经济效益和缺货量之间找到最佳平衡的解。
通过使用帕累托算法，企业可以更好地理解和权衡不同的库存管理策略，避免了移仓决策过程中由于人工决策导致的策略局限性，以实现多目标优化，从而提高供应链的效率和绩效，这种方法有助于在不同目标之间做出明智的决策，而不仅仅是追求单一目标，帕累托算法的使用可以使零件调度模型更灵活、智能，适应不同的业务需求和变化的市场条件。
S108：通过零件调度模型向各子仓库进行补仓。
在一种可能的实施方式中，在S108之后，还包括：
S108A：对补仓数据进行监控，在补仓数据出现异常补仓的情况下，发出警报。
需要说明的是，监控与库存补仓相关的数据，这些数据包括哪些零件被补充、补充的数量、补货的时间等，这些信息通常会被记录和跟踪，以便系统可以对库存的变化有完整的记录。系统定期或实时地分析补仓数据，以检测是否存在异常情况，其中，异常补仓可能包括以下情况：大规模的库存补充，超过了正常范围；不合理的补货频率，例如短时间内多次补货；补货零件的选择与实际需求不符。如果系统检测到异常补仓情况，触发警报机制，这可以通过电子邮件、短信、通知或其他适当的方式进行，警报通知相关的管理人员或团队，以便他们能够及时采取行动。一旦警报被触发，管理团队可以采取适当的纠正措施。确保企业可以更好地监督库存补仓活动，确保它们符合计划和业务需求，同时在出现异常情况时能够及时采取纠正措施，从而减少库存成本、提高库存效率，并确保供应链的稳定性，这有助于实现库存管理的持续改进和优化。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，将各个子仓库的历史数据进行数据清洗后作为大数据基础，组成符合客观情况的时间序列，创建基于自回归积分滑动平均模型的零件需求预测模型，利用各个子仓库的历史库存数据和历史销售数据，识别数据中的趋势、季节性和周期性变化，从而提供可靠的预测，使企业能够更准确地规划库存、优化供应链，降低库存成本，提升客户满意度，同时减少了因过量库存或缺货而导致的损失，为企业决策提供了有力支持，促进了业务的稳健发展。另外，为了避免零件需求预测模型脱离实际情况，通过获取子仓库的历史极值对所述预测需求量进行校正，提升模型的预测准确度。其次，为了解决总仓库存量不可能时刻满足所有子仓库的预测需求量的情况，创建以经济收益最大为第一目标，以各所述子仓库的缺货量最小为第二目标的零件调度模型，既充分利用资源以提高经济效益，又最大程度地减少了可能的库存缺货情况，实现多目标的库存管理最佳化，解决人工决策的不合理性和局限性，提供可持续的企业管理策略，提升打印机销售企业竞争力。
实施例2
在一个实施例中，本发明提供的一种基于大数据的打印机零件移仓系统，用于执行实施例1中的基于大数据的打印机零件移仓方法。
本发明提供的一种基于大数据的打印机零件移仓系统可以实现上述实施例1中的基于大数据的打印机零件移仓方法的步骤和效果，为避免重复，本发明不再赘述。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，将各个子仓库的历史数据进行数据清洗后作为大数据基础，组成符合客观情况的时间序列，创建基于自回归积分滑动平均模型的零件需求预测模型，利用各个子仓库的历史库存数据和历史销售数据，识别数据中的趋势、季节性和周期性变化，从而提供可靠的预测，使企业能够更准确地规划库存、优化供应链，降低库存成本，提升客户满意度，同时减少了因过量库存或缺货而导致的损失，为企业决策提供了有力支持，促进了业务的稳健发展。另外，为了避免零件需求预测模型脱离实际情况，通过获取子仓库的历史极值对所述预测需求量进行校正，提升模型的预测准确度。其次，为了解决总仓库存量不可能时刻满足所有子仓库的预测需求量的情况，创建以经济收益最大为第一目标，以各所述子仓库的缺货量最小为第二目标的零件调度模型，既充分利用资源以提高经济效益，又最大程度地减少了可能的库存缺货情况，实现多目标的库存管理最佳化，解决人工决策的不合理性和局限性，提供可持续的企业管理策略，提升打印机销售企业竞争力。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于大数据的打印机零件移仓方法，其特征在于，用于包括：
S101：采集子仓库的历史数据，其中，所述历史数据包括历史库存数据和历史销售数据；
S102：对所述历史数据进行数据清洗；
S103：将数据清洗后的历史数据按预设间隔时长组成时间序列，创建基于自回归积分滑动平均模型的零件需求预测模型；
S104：利用所述需求预测模型对所述子仓库进行需求预测，得到各所述子仓库的预测需求量；
S105：获取所述子仓库的历史极值，并基于所述历史极值对所述预测需求量进行校正；
S106：获取总仓库存量，在所述总仓库存量大于各所述子仓库的预测需求量之和的情况下，按所述预测需求量对各所述子仓库进行补仓，否则，进入S106；
S107：以经济收益最大为第一目标，以各所述子仓库的缺货量最小为第二目标，构建零件调度模型；
S108：通过所述零件调度模型向各所述子仓库进行补仓；
其中，所述S102具体包括：
S1021：对所述历史数据进行缺失值填充、重复记录删除和异常值修正处理；
S1022：将所述历史数据中的日期字段转换为统一的日期时间格式，统一大小写并去除特殊字符；
S1023：利用移动平均法对所述历史数据进行平滑处理；
S1024：对平滑处理后的历史数据进行归一化处理，完成所述历史数据的数据清洗；
所述S103具体包括：
S1031：根据所述时间序列创建所述零件需求预测模型：
;
其中，表示所述子仓库的下一时刻零件需求量，/>表示所述子仓库的前一时刻时间序列值， />表示自回归系数，p表示自回归系数的阶数，/>表示滑动平均系数，q表示滑动平均系数的阶数，d表示差分阶数，/>表示服从正态分布/>的白噪声序列；
S1032：通过贝叶斯信息准则法确定所述零件需求预测模型的自回归阶数和滑动平均阶数：
;
其中，表示所述零件需求预测模型的残差方差，N表示所述时间序列中的样本长度；
S1033：将所述自回归阶数和所述滑动平均阶数带入所述零件需求预测模型，完成所述零件需求预测模型的创建。
2.根据权利要求1所述的基于大数据的打印机零件移仓方法，其特征在于，所述S104具体包括：
S1041：获取所述子仓库的历史数据；
S1042：以相同的方式对所述历史数据进行数据清洗；
S1043：将数据清洗后的所述子仓库的历史数据输入至所述零件需求预测模型，得到各所述子仓库在下一时刻的预测需求量。
3.根据权利要求1所述的基于大数据的打印机零件移仓方法，其特征在于，所述S105具体包括：
S1051：判断所述预测需求量是否在所述历史极值的范围，若是，则进入S1054，否则，进入S1052；
S1052：结合所述历史极值，构建校正函数：
;
其中，表示所述校正函数，/>表示由最小二乘法计算得到的待定参数，/>表示历史最小极值，/>表示历史最大极值，/>表示当前时刻的时间序列值，/>表示截至当前时刻的历史平均值；
S1053：结合所述预测需求量和所述校正函数计算得到的校正量，得到校正后的预测需求量：
;
其中，表示校正后的预测需求量；
S1054：结束所述预测需求量的校正。
4.根据权利要求1所述的基于大数据的打印机零件移仓方法，其特征在于，所述S107具体包括：
S1071：获取所述子仓库中各个零件的销售利润，以经济收益最大为第一目标构建第一函数：;
其中，表示所述第一函数，/>表示第i个子仓库的零件调度量，/>表示第i个子仓库，/>表示第m类零件的类别数量，/>表示第m类零件的销售利润；
S1072：以各所述子仓库的缺货量最小为第二目标构建第二函数：
;
其中，表示所述第二函数，/>表示t时刻第i个子仓库的预测需求量，/>表示t时刻第i个子仓库的库存量；
S1073：确定以所述第一函数和所述第二函数构建的零件调度模型的约束条件：
;
其中，表示物流最大调配能力，/>表示第i个子仓库调配零件的物流调配消耗，τ表示调配零件的距离参数。
5.根据权利要求4所述的基于大数据的打印机零件移仓方法，其特征在于，所述S107还包括：
S1074：利用帕累托算法求解所述零件调度模型。
6.根据权利要求1所述的基于大数据的打印机零件移仓方法，其特征在于，在所述S103之后，还包括：
S103A：间隔预设时长对所述需求预测模型进行更新。
7.根据权利要求1所述的基于大数据的打印机零件移仓方法，其特征在于，在所述S108之后，还包括：
S108A：对补仓数据进行监控，在所述补仓数据出现异常补仓的情况下，发出警报。
8.一种基于大数据的打印机零件移仓系统，其特征在于，用于执行权利要求1至7中任一项所述的基于大数据的打印机零件移仓方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311245001.8A CN116993271B (zh) | 2023-09-26 | 2023-09-26 | 一种基于大数据的打印机零件移仓方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311245001.8A CN116993271B (zh) | 2023-09-26 | 2023-09-26 | 一种基于大数据的打印机零件移仓方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116993271A true CN116993271A (zh) | 2023-11-03 |
| CN116993271B CN116993271B (zh) | 2023-12-15 |
Family
ID=88532485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311245001.8A Active CN116993271B (zh) | 2023-09-26 | 2023-09-26 | 一种基于大数据的打印机零件移仓方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116993271B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080162270A1 (en) * | 2006-12-29 | 2008-07-03 | Edward Kim | Method and system for forecasting future order requirements |
| US20180075401A1 (en) * | 2016-09-13 | 2018-03-15 | International Business Machines Corporation | Allocating a product inventory to an omnichannel distribution supply chain |
| CN108629436A (zh) * | 2017-03-15 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种估算仓库拣货能力的方法和电子设备 |
| CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
| CN112330236A (zh) * | 2020-03-25 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 补货控制方法、装置和计算机可读存储介质 |
| CN112884404A (zh) * | 2021-02-08 | 2021-06-01 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
| CN113283671A (zh) * | 2021-06-22 | 2021-08-20 | 润联软件系统(深圳)有限公司 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
| CN113361745A (zh) * | 2021-05-07 | 2021-09-07 | 云南电网有限责任公司曲靖供电局 | 一种配电网物资需求预测方法及系统 |
| CN114066107A (zh) * | 2022-01-14 | 2022-02-18 | 首都医科大学附属北京友谊医院 | 血液需求量预测方法及装置、血液管理方法及系统 |
| CN115511590A (zh) * | 2022-10-20 | 2022-12-23 | 秦皇岛职业技术学院 | 一种基于大数据应用的财务数据管理系统 |
| CN115953110A (zh) * | 2022-12-23 | 2023-04-11 | 小米科技(武汉)有限公司 | 补货方法、装置及电子设备 |
| CN116050987A (zh) * | 2022-12-27 | 2023-05-02 | 中科云谷科技有限公司 | 用于物料补货的预测方法、装置、存储介质及处理器 |
| CN116720811A (zh) * | 2023-08-10 | 2023-09-08 | 山东水发大正物联科技有限公司 | 一种基于物联网的仓储库管理方法及系统 |
-
2023
- 2023-09-26 CN CN202311245001.8A patent/CN116993271B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080162270A1 (en) * | 2006-12-29 | 2008-07-03 | Edward Kim | Method and system for forecasting future order requirements |
| US20180075401A1 (en) * | 2016-09-13 | 2018-03-15 | International Business Machines Corporation | Allocating a product inventory to an omnichannel distribution supply chain |
| CN108629436A (zh) * | 2017-03-15 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种估算仓库拣货能力的方法和电子设备 |
| CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
| CN112330236A (zh) * | 2020-03-25 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 补货控制方法、装置和计算机可读存储介质 |
| CN112884404A (zh) * | 2021-02-08 | 2021-06-01 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
| CN113361745A (zh) * | 2021-05-07 | 2021-09-07 | 云南电网有限责任公司曲靖供电局 | 一种配电网物资需求预测方法及系统 |
| CN113283671A (zh) * | 2021-06-22 | 2021-08-20 | 润联软件系统(深圳)有限公司 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
| CN114066107A (zh) * | 2022-01-14 | 2022-02-18 | 首都医科大学附属北京友谊医院 | 血液需求量预测方法及装置、血液管理方法及系统 |
| CN115511590A (zh) * | 2022-10-20 | 2022-12-23 | 秦皇岛职业技术学院 | 一种基于大数据应用的财务数据管理系统 |
| CN115953110A (zh) * | 2022-12-23 | 2023-04-11 | 小米科技(武汉)有限公司 | 补货方法、装置及电子设备 |
| CN116050987A (zh) * | 2022-12-27 | 2023-05-02 | 中科云谷科技有限公司 | 用于物料补货的预测方法、装置、存储介质及处理器 |
| CN116720811A (zh) * | 2023-08-10 | 2023-09-08 | 山东水发大正物联科技有限公司 | 一种基于物联网的仓储库管理方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| WANG HAO 等: "Refined load forecasting of distribution network based on ARIMA model with multi-factor combination analysis", 2021 IEEE 4TH INTERNATIONAL ELECTRICAL AND ENERGY CONFERENCE, pages 1 - 4 * |
| 叶利 等: "面向大数据的电力安全库存预估模型研究", 电力信息与通信技术, no. 4, pages 40 - 43 * |
| 罗艳辉 等: "基于ARMA的混合卷烟销售预测模型", 计算机应用研究, vol. 26, no. 7, pages 2664 - 2668 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116993271B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11093893B2 (en) | Apparatus and method of maintaining accurate perpetual inventory information | |
| US10872309B2 (en) | System and method for root cause analysis and early warning of inventory problems | |
| US8827151B2 (en) | Method of and apparatus for forecasting cash demand and load schedules for money dispensers | |
| US8392228B2 (en) | Computer program product and method for sales forecasting and adjusting a sales forecast | |
| US8738425B1 (en) | Apparatus, system and method for processing, analyzing or displaying data related to performance metrics | |
| US10311455B2 (en) | Computer program product and method for sales forecasting and adjusting a sales forecast | |
| US11087261B1 (en) | Apparatus, system and method for processing, analyzing or displaying data related to performance metrics | |
| KR20210116435A (ko) | 재고 관리 및 최적화를 위한 시스템 및 방법 | |
| US8352300B2 (en) | System, computer program and method for implementing and managing a value chain network | |
| US20080086392A1 (en) | Managing distribution of constrained product inventory from a warehouse | |
| Babai et al. | On the empirical performance of (T, s, S) heuristics | |
| JP7105336B2 (ja) | スマートサプライチェーンシステム | |
| JP2007200185A (ja) | 最適在庫量／発注量を指示する発注指示システム | |
| US20200342379A1 (en) | Forecasting methods | |
| CA2821678A1 (en) | Methods for improved production and distribution | |
| Hrybkov et al. | Development of information technology for planning order fulfillment at a food enterprise | |
| JP2009043291A (ja) | 商品需要予測システム、商品の売上数調整システム | |
| CN116993271B (zh) | 一种基于大数据的打印机零件移仓方法及系统 | |
| JP4296026B2 (ja) | 商品需要予測システム、商品の売上数調整システム | |
| JP4988687B2 (ja) | 商品需要予測システムおよび年末年始の商品需要予測システム | |
| CN117217804A (zh) | 一种智能定价与库存管理方法及系统 | |
| US9678487B1 (en) | System and method for allocating a fixed quantity distributed over a set of quantities | |
| JP4296027B2 (ja) | 商品需要予測システム | |
| Belliawan et al. | Aggregate planning to meet the frozen tuna demand with minimum cost | |
| CN117974013A (zh) | 一种电商仓储库存管理的监控方法及系统 |
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 |