CN117035607A - 一种基于物联网的仓储容量预测管理系统及方法 - Google Patents
一种基于物联网的仓储容量预测管理系统及方法 Download PDFInfo
- Publication number
- CN117035607A CN117035607A CN202310965174.0A CN202310965174A CN117035607A CN 117035607 A CN117035607 A CN 117035607A CN 202310965174 A CN202310965174 A CN 202310965174A CN 117035607 A CN117035607 A CN 117035607A
- Authority
- CN
- China
- Prior art keywords
- commodity
- storage
- warehouse
- proportioning
- combining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008859 change Effects 0.000 claims description 71
- 238000004458 analytical method Methods 0.000 claims description 58
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000007726 management method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004044 response 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明涉及物联网领域,具体为一种基于物联网的仓储容量预测管理系统及方法,所述方法包括仓库商品存储数据监测模块、区段配比分析模块、拟合配比值试运营模块以及预警模块,所述区段配比分析模块用于结合仓库商品存储数据监测模块处理的数据,分析待监测区域内商品存储仓库对应的商品的存储量变化趋势,并结合变化趋势生成区段配比模型,本发明通过分析历史数据中待监测区域内存储仓库的商品配比情况,结合配比值以及对应商品的销售情况进行捆绑组合,通过对各个配比值进行评估,建立最优商品配比值,将最优商品配比值作为当前仓库商品配比方案,进而实现了商业领域的效益最大化。
Description
技术领域
本发明涉及物联网领域,具体为一种基于物联网的仓储容量预测管理系统及方法。
背景技术
仓储中心是整个物流供应链的核心环节,无论是零售商还是电子商务,无论是生成物料管理还是物流配送中心,都必须通过仓库这个环节,所以仓库管理作为一个中枢的位置对整个供应链有着很大的作用,在当下竞争激烈的市场中,对仓储容量的管理直接关系到商品响应速度以及客户满意程度,现有技术中将仓储容量信息实时反馈至物联网中,基于商品存储量的变化趋势反映商品的热度情况,但是由于仓储中心商品的配比问题导致热度低的商品存在滞留甚至出现过期现象,因此仓储中心的商品配比合理化仍然是当前需要关注的问题。
发明内容
本发明的目的在于提供一种基于物联网的仓储容量预测管理系统及方法,以解决上述背景技术中提出的问题,本发明提供如下技术方案:
一种基于物联网的仓储容量预测管理方法,所述方法包括以下步骤:
S1、通过历史数据获取待监测区域内商品存储仓库的商品存储报告信息以及商品变动信息报告,并对获取的报告中数据进行预处理;
S2、结合S1中报告中数据预处理结果分析待监测区域内商品存储仓库的对应商品的存储量变化趋势,生成区段配比模型;
S3、结合S2中区段配比模型分析结果进行优先级分析,并设定当前存储仓库商品存储量最佳配比值;
S4、实时监测当前仓库商品存储量的变化趋势,结合变化趋势设定预警信号条件值,并根据预警信号实时调整商品的配比方案。
进一步的,所述S1的方法包括以下步骤:
步骤1001、获取待监测区域内第a个商品存储仓库中商品种类,记为集合A,
其中表示待监测区域内第a个商品存储仓库中第n种类的商品,n表示待监测区域内第a个商品存储仓库中商品种类总个数;
步骤1002、获取待监测区域内第a个商品存储仓库中各种类商品的存储数量信息,并结合历史数据查询待监测区域内第a个商品存储仓库中各种类商品的商品流通信息,所述商品流通表示相应商品进货和出货数量的变更情况;
步骤1003、结合步骤1001与步骤1002中的数据信息,将待监测区域内第a个商品存储仓库中各种类商品与对应存储数量以及商品流通信息变更情况进行捆绑,记为集合B,
其中表示第n种类商品在第m个自检周期内商品存储数量的变更情况,m表示自检周期的个数,其中每个自检周期由b天组成,b为数据库预设值,
其中表示第n种类商品在第m个自检周期内第b天的商品存储数量。
本发明通过分析历史数据中待监测区域内对应存储仓库的商品种类,并结合商品种类对商品进行划分,并将待监测区域内对应商品存储仓库中各种类商品与对应存储数量以及商品流通信息变更情况进行捆绑,分析对应商品在自检周期内的存储数量变更情况,为后续构建商品配比提供数据参照。
进一步的,所述S2的方法包括以下步骤:
步骤2001、以点o作为原点,天数作为x轴,商品存储量作为y轴,构建第一平面直角坐标系,在第一平面直角坐标系中获取第n种类商品在第m个自检周期内每日商品的存储数量分别对应的坐标点,并在第一平面直角坐标系中标注各个坐标点;
步骤2002、依次计算相邻两个坐标点之间的商品存储量差值,
若存在yc-yd<0,0<c<d<b的情况时,则将商品存储量为yd对应的坐标点与商品存储量为yc对应的坐标点作为参考切断点,将商品存储量为yc对应的坐标点作为前一个拟合曲线的最后一个点,将商品存储量为yd对应的坐标点作为后一个拟合曲线的初始点,依次连接关联坐标点生成对应拟合曲线,其中e表示切断点的个数,yc表示第n种类商品在第m个自检周期内第c天商品的存储量,yd表示第n种类商品在第m个自检周期内第d天商品的存储量,所述切断点表示第n种类商品在第m个自检周期内存在补货现象,
若不存在yc-yd>0的情况时,则依次连接两个相邻坐标点生成拟合曲线;
步骤2003、结合步骤2002分析结果,将第n种类商品在第m个自检周期内的商品销售率记为
其中yi表示待监测区域内第a个商品存储仓库中第n种类的商品在第i个切断点对应初始存储量,y0表示待监测区域内第a个商品存储仓库中第n种类的商品的初始存储量,(y0-yi)表示待检测区域内第i个切断点对应商品的销售量情况,Ti表示第i个切断点前对应商品存储量初始存储量对应天数到切断点对应天数所需总天数;
步骤2004、重复步骤2001至步骤2003得到待监测区域内第a个商品存储仓库中不同种类商品在各个自检周期内对应商品销售率情况,将对应商品销售率情况以及对应产品配比情况进行捆绑组合,记为其中/>表示待监测区域内第a个商品存储仓库中第m个自检周期内商品配比情况,/>表示待监测区域内第a个商品存储仓库第m个自检周期内各个商品的商品销售率情况;
步骤2005、结合步骤2004分析结果通过数据库预置表单对各个捆绑组合进行匹配评估值,结合对应捆绑组合相应的评估值生成区段配比模型,记为Ga。
本发明通过将待监测区域内存储仓库中商品存储量每日变化趋势映射到平面直角坐标系中,通过平面直角坐标系能够直观了解商品存储量的变化趋势,并且根据所述变化趋势能够了解到对应商品在自检周期内的补货时间段,将补货时间段进行切断,通过分析计算商品在自检周期内的销售率,并对计算结果进行评估,生成区段配比模型,为后续设定配比优先级以及分析选择的配比值与当前仓库的融洽度提供数据参照。
进一步的,所述S3的方法包括以下步骤:
步骤3001、获取步骤2005分析结果,将待监测区域内第a个商品存储仓库中各个自检周期内商品配比情况的评估按由大到小序列排列,
若存在待监测区域内第a个商品存储仓库中不同自检周期内商品配比情况的评估值存在相同(完全相同或部分相同)时,将相同评估值对应捆绑组合中商品的配比均值作为对应评估值的配比结果,合并序列中评估值相同部分,结合新的配比结果对序列进行更新;
若存在待监测区域内第a个商品存储仓库中不同自检周期内商品配比情况的评估值均不相同时,正常按由大到小序列进行排序;
步骤3002、结合步骤3001排序结果,并将排序后的结果作为当前存储仓库商品存储量配比值的方案选择列表,将序列中评估值最大值对应的商品配比值作为当前存储仓库商品存储量的临时最佳配比值。
本发明通过提取区段配比模型中的评估值,将配比值分析结果按评估值进行优先级序列排序,并将评估值最大对应的配置值作为当前仓库商品的配比值,并实时监测当前配比值与当前仓库的融洽程度,为后续判断选择的配比值是否需要调整提供数据参照。
进一步的,所述S4的方法包括以下步骤:
步骤4001、任意提取一个周期内当前仓库对应商品的存储量变化趋势,并将所述变化趋势映射到第一平面直角坐标系中,生成拟合曲线Ntruex,结合区段配比模型匹配当前时间段对应的商品存储量变化趋势记为Nmatex;
步骤4002、结合步骤4001分析结果,将当前仓库对应商品的存储量变化趋势与区段配比模型匹配结果对应的商品存储量的变化趋势之间差异关系记为
其中u表示对应时间段的总天数;
步骤4003、获取步骤4002分析结果,结合分析结果判定预警信号的条件值,
若则表明当前商品配比值不符合当前仓库,发出预警信号,并根据步骤3001中的序列进行更换配比方案,将当前选择的方案后续一个方案作为新的临时最佳配比值,重复步骤4001-步骤4002直至新的临时最佳配比值符合当前仓库,
若则表明当前商品配比值符合当前仓库,不发出预警信号,并将当前采取的商品配比值作为最佳配置值。
本发明通过实时监测当前仓库对应商品的存储量变化趋势,并将当前仓库对应商品的存储量变化趋势与同一时间段对应区段配比模型中对应商品的存储量变化趋势进行比对,结合比对结果设定预警信号条件值,并根据预警信号判断是否需要对当前商品配比值进行校准。
一种基于物联网的仓储容量预测管理系统,所述方法包括以下步骤:
仓库商品存储数据监测模块:所述仓库商品存储数据监测模块用于获取当前仓库的历史数据报告信息,通过分析历史数据报告信息中对应商品存储量的变化情况,并结合分析结果对提取的数据进行预处理;
区段配比分析模块:所述区段配比分析模块用于结合仓库商品存储数据监测模块处理的数据,分析待监测区域内商品存储仓库对应的商品的存储量变化趋势,并结合变化趋势生成区段配比模型;
拟合配比值试运营模块:所述拟合配比值试运营模块用于基于区段配比分析模块对待监测区域内存储仓库中的商品配比值进行评估,结合评估结果设定配比值优先顺序;
预警模块:所述预警模块用于结合拟配比值试运营模块的分析结果,实时监测当前仓库对应商品的存储量变化趋势,结合变化趋势实时分析,并根据分析结果发出预警信号,并根据预警信号实时调整商品的配比方案。
进一步的,所述仓库商品存储数据监测模块包括数据分类单元以及数据分析单元:
所述数据分类单元用于获取待监测区域内对应存储仓库中的商品信息,并将获取的商品信息按商品类别进行划分;
所述数据分析单元用于结合数据分类单元的分析结果,分析不同商品在不同自检周期内的商品流通信息变更情况。
进一步的,所述区段配比分析模块包括商品存储量变更分析单元以及区段配比模型构建单元:
所述商品存储量变更分析单元用于结合数据分析单元的分析结果,分析待监测区域内对应存储仓库商品在自检周期内的商品销售率情况;
所述区段配比模型构建单元用于结合商品存储量变更分析单元的分析结果,通过将商品销售率情况以及对应时间段存储仓库中对应商品的配比进行捆绑组合,结合处理结果构建区段配比模型。
进一步的,所述拟合配比值试运营模块包括优先级序列设定单元以及最佳配比值选择单元:
所述优先级序列设定单元用于结合区段配比模型构建单元的分析结果,对待监测区域内存储仓库对应的商品不同自检周期报告中的配比情况进行评估,并结合评估值进行优先级序列设定;
所述最佳配比值选择单元用于结合优先级序列设定单元的分析结果,将序列中评估值最大值对应的配比值作为当前仓库的商品配比值,并进行区段试运营。
进一步的,所述预警模块包括配比预警单元以及配比值校准单元:
所述配比预警单元用于分析当前仓库对应商品的存储量变化趋势与同一时间段对应区段配比模型中对应商品的存储量变化趋势之间的差异关系,结合分析结果设定预警信号;
所述配比值校准单元用于接收配比预警单元的预警信号,并根据预警信号对当前仓库商品的配比方案进行调整。
本发明通过分析历史数据中待监测区域内存储仓库的商品配比情况,结合配比值以及对应商品的销售情况进行捆绑组合,通过对各个配比值进行评估,建立最优商品配比值,将最优商品配比值作为当前仓库商品配比方案,进而实现了商业领域的效益最大化。
附图说明
图1是本发明一种基于物联网的仓储容量预测管理方法的流程示意图;
图2是本发明一种基于物联网的仓储容量预测管理系统的模块示意图。
具体实施方式
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他实施例,都属于本发明保护的范围。
实施例1:请参阅图1,本实施例中:
实现了一种基于物联网的仓储容量预测管理方法,所述方法包括以下步骤:
S1、通过历史数据获取待监测区域内商品存储仓库的商品存储报告信息以及商品变动信息报告,并对获取的报告中数据进行预处理;
所述S1的方法包括以下步骤:
步骤1001、获取待监测区域内第a个商品存储仓库中商品种类,记为集合A,
其中表示待监测区域内第a个商品存储仓库中第n种类的商品,n表示待监测区域内第a个商品存储仓库中商品种类总个数;
步骤1002、获取待监测区域内第a个商品存储仓库中各种类商品的存储数量信息,并结合历史数据查询待监测区域内第a个商品存储仓库中各种类商品的商品流通信息,所述商品流通表示相应商品进货和出货数量的变更情况;
步骤1003、结合步骤1001与步骤1002中的数据信息,将待监测区域内第a个商品存储仓库中各种类商品与对应存储数量以及商品流通信息变更情况进行捆绑,记为集合B,
其中表示第n种类商品在第m个自检周期内商品存储数量的变更情况,m表示自检周期的个数,其中每个自检周期由b天组成,b为数据库预设值,
其中
其中表示第n种类商品在第m个自检周期内第b天的商品存储数量。
S2、结合S1中报告中数据预处理结果分析待监测区域内商品存储仓库的对应商品的存储量变化趋势,生成区段配比模型;
所述S2的方法包括以下步骤:
步骤2001、以点o作为原点,天数作为x轴,商品存储量作为y轴,构建第一平面直角坐标系,在第一平面直角坐标系中获取第n种类商品在第m个自检周期内每日商品的存储数量分别对应的坐标点,并在第一平面直角坐标系中标注各个坐标点;
步骤2002、依次计算相邻两个坐标点之间的商品存储量差值,
若存在yc-yd<0,0<c<d<b的情况时,则将商品存储量为yd对应的坐标点与商品存储量为yc对应的坐标点作为参考切断点,将商品存储量为yc对应的坐标点作为前一个拟合曲线的最后一个点,将商品存储量为yd对应的坐标点作为后一个拟合曲线的初始点,依次连接关联坐标点生成对应拟合曲线,其中e表示切断点的个数,yc表示第n种类商品在第m个自检周期内第c天商品的存储量,yd表示第n种类商品在第m个自检周期内第d天商品的存储量,
若不存在yc-yd>0的情况时,则依次连接两个相邻坐标点生成拟合曲线;
步骤2003、结合步骤2002分析结果,将第n种类商品在第m个自检周期内的商品销售率记为
其中yi表示待监测区域内第a个商品存储仓库中第n种类的商品在第i个切断点对应初始存储量,y0表示待监测区域内第a个商品存储仓库中第n种类的商品的初始存储量,(y0-yi)表示待检测区域内第i个切断点对应商品的销售量情况,Ti表示第i个切断点前对应商品存储量初始存储量对应天数到切断点对应天数所需总天数;
步骤2004、重复步骤2001至步骤2003得到待监测区域内第a个商品存储仓库中不同种类商品在各个自检周期内对应商品销售率情况,将对应商品销售率情况以及对应产品配比情况进行捆绑组合,记为其中/>表示待监测区域内第a个商品存储仓库中第m个自检周期内商品配比情况,/>表示待监测区域内第a个商品存储仓库第m个自检周期内各个商品的商品销售率情况;
步骤2005、结合步骤2004分析结果通过数据库预置表单对各个捆绑组合进行匹配评估值,结合对应捆绑组合相应的评估值生成区段配比模型,记为Ga。
S3、结合S2中区段配比模型分析结果进行优先级分析,并设定当前存储仓库商品存储量最佳配比值;
所述S3的方法包括以下步骤:
步骤3001、获取步骤2005分析结果,将待监测区域内第a个商品存储仓库中各个自检周期内商品配比情况的评估按由大到小序列排列,
若存在待监测区域内第a个商品存储仓库中不同自检周期内商品配比情况的评估值存在相同时,将相同评估值对应捆绑组合中商品的配比均值作为对应评估值的配比结果,合并序列中评估值相同部分,结合新的配比结果对序列进行更新;
若存在待监测区域内第a个商品存储仓库中不同自检周期内商品配比情况的评估值均不相同时,正常按由大到小序列进行排序;
步骤3002、结合步骤3001排序结果,并将排序后的结果作为当前存储仓库商品存储量配比值的方案选择列表,将序列中评估值最大值对应的商品配比值作为当前存储仓库商品存储量的临时最佳配比值。
S4、实时监测当前仓库商品存储量的变化趋势,结合变化趋势设定预警信号条件值,并根据预警信号实时调整商品的配比方案。
所述S4的方法包括以下步骤:
步骤4001、任意提取一个周期内当前仓库对应商品的存储量变化趋势,并将所述变化趋势映射到第一平面直角坐标系中,生成拟合曲线Ntruex,结合区段配比模型匹配当前时间段对应的商品存储量变化趋势记为Nmatex;
步骤4002、结合步骤4001分析结果,将当前仓库对应商品的存储量变化趋势与区段配比模型匹配结果对应的商品存储量的变化趋势之间差异关系记为
其中u表示对应时间段的总天数;
步骤4003、获取步骤4002分析结果,结合分析结果判定预警信号的条件值,
若则表明当前商品配比值不符合当前仓库,发出预警信号,并根据步骤3001中的序列进行更换配比方案,将当前选择的方案后续一个方案作为新的临时最佳配比值,重复步骤4001-步骤4002直至新的临时最佳配比值符合当前仓库,
若则表明当前商品配比值符合当前仓库,不发出预警信号,并将当前采取的商品配比值作为最佳配置值。
本实施例中:
公开了一种基于物联网的仓储容量预测管理系统(如图2所示),所述系统用于实现方法的具体方案内容。
实施例2:设定历史数据中最佳商品配比值作为当前季度仓库A的商品配临时最佳比值进行试运营,其中试运营时长为30天,设定3个自检周期,平均10天为一个自检周期,并获取一次仓库各商品存储量变更情况,设定第一个自检周期中仓库A中的商品不存在补货情况,第二个自检周期中仓库A中的商品存在补货情况,第三个自检周期中仓库A中的商品不存在补货情况,
获取第一个自检周期中仓库A的商品变更情况,并将所述变更情况映射到第一平面直角坐标系中,生成拟合曲线Ntrue1x,通过查询区段配比模型中得到历史数据中对应季度中对应自检周期中对应商品存储量的变化趋势记为Nmate1x,根据公式计算分析得到当前商品配比情况正常,表达式为,
采用分析得到第二个自检周期中仓库A的商品变更情况与历史数据中对应季度中对应自检周期中对应商品存储量的变化趋势的差异值不在预设区间范围内,则表明当前采用的商品配比值不符合当前仓库,发出预警信号,并将当前配置值后续一个配比值作为当前临时最佳配比值继续试运营。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
需要说明的是,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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联网的仓储容量预测管理方法,其特征在于,所述方法包括以下步骤:
S1、通过历史数据获取待监测区域内商品存储仓库的商品存储报告信息以及商品变动信息报告,并对获取的报告中数据进行预处理;
S2、结合S1中报告中数据预处理结果分析待监测区域内商品存储仓库的对应商品的存储量变化趋势,生成区段配比模型;
S3、结合S2中区段配比模型分析结果进行优先级分析,并设定当前存储仓库商品存储量最佳配比值;
S4、实时监测当前仓库商品存储量的变化趋势,结合变化趋势设定预警信号条件值,并根据预警信号实时调整商品的配比方案。
2.根据权利要求1所述的一种基于物联网的仓储容量预测管理方法,其特征在于,所述S1的方法包括以下步骤:
步骤1001、获取待监测区域内第a个商品存储仓库中商品种类,记为集合A,
其中表示待监测区域内第a个商品存储仓库中第n种类的商品,n表示待监测区域内第a个商品存储仓库中商品种类总个数;
步骤1002、获取待监测区域内第a个商品存储仓库中各种类商品的存储数量信息,并结合历史数据查询待监测区域内第a个商品存储仓库中各种类商品的商品流通信息,所述商品流通表示相应商品进货和出货数量的变更情况;
步骤1003、结合步骤1001与步骤1002中的数据信息,将待监测区域内第a个商品存储仓库中各种类商品与对应存储数量以及商品流通信息变更情况进行捆绑,记为集合B,
其中表示第n种类商品在第m个自检周期内商品存储数量的变更情况,m表示自检周期的个数,其中每个自检周期由b天组成,b为数据库预设值,
其中
其中表示第n种类商品在第m个自检周期内第b天的商品存储数量。
3.根据权利要求2所述的一种基于物联网的仓储容量预测管理方法,其特征在于,所述S2的方法包括以下步骤:
步骤2001、以点o作为原点,天数作为x轴,商品存储量作为y轴,构建第一平面直角坐标系,在第一平面直角坐标系中获取第n种类商品在第m个自检周期内每日商品的存储数量分别对应的坐标点,并在第一平面直角坐标系中标注各个坐标点;
步骤2002、依次计算相邻两个坐标点之间的商品存储量差值,
若存在yc-yd<0,0<c<d<b的情况时,则将商品存储量为yd对应的坐标点与商品存储量为yc对应的坐标点作为参考切断点,将商品存储量为yc对应的坐标点作为前一个拟合曲线的最后一个点,将商品存储量为yd对应的坐标点作为后一个拟合曲线的初始点,依次连接关联坐标点生成对应拟合曲线,其中e表示切断点的个数,yc表示第n种类商品在第m个自检周期内第c天商品的存储量,yd表示第n种类商品在第m个自检周期内第d天商品的存储量,
若不存在yc-yd>0的情况时,则依次连接两个相邻坐标点生成拟合曲线;
步骤2003、结合步骤2002分析结果,将第n种类商品在第m个自检周期内的商品销售率记为
其中yi表示待监测区域内第a个商品存储仓库中第n种类的商品在第i个切断点对应初始存储量,y0表示待监测区域内第a个商品存储仓库中第n种类的商品的初始存储量,(y0-yi)表示待检测区域内第i个切断点对应商品的销售量情况,Ti表示第i个切断点前对应商品存储量初始存储量对应天数到切断点对应天数所需总天数;
步骤2004、重复步骤2001至步骤2003得到待监测区域内第a个商品存储仓库中不同种类商品在各个自检周期内对应商品销售率情况,将对应商品销售率情况以及对应产品配比情况进行捆绑组合,记为其中/>表示待监测区域内第a个商品存储仓库中第m个自检周期内商品配比情况,/>表示待监测区域内第a个商品存储仓库第m个自检周期内各个商品的商品销售率情况;
步骤2005、结合步骤2004分析结果通过数据库预置表单对各个捆绑组合进行匹配评估值,结合对应捆绑组合相应的评估值生成区段配比模型,记为Ga。
4.根据权利要求3所述的一种基于物联网的仓储容量预测管理方法,其特征在于,所述S3的方法包括以下步骤:
步骤3001、获取步骤2005分析结果,将待监测区域内第a个商品存储仓库中各个自检周期内商品配比情况的评估按由大到小序列排列,
若存在待监测区域内第a个商品存储仓库中不同自检周期内商品配比情况的评估值存在相同时,将相同评估值对应捆绑组合中商品的配比均值作为对应评估值的配比结果,合并序列中评估值相同部分,结合新的配比结果对序列进行更新;
若存在待监测区域内第a个商品存储仓库中不同自检周期内商品配比情况的评估值均不相同时,正常按由大到小序列进行排序;
步骤3002、结合步骤3001排序结果,并将排序后的结果作为当前存储仓库商品存储量配比值的方案选择列表,将序列中评估值最大值对应的商品配比值作为当前存储仓库商品存储量的临时最佳配比值。
5.根据权利要求4所述的一种基于物联网的仓储容量预测管理方法,其特征在于,所述S4的方法包括以下步骤:
步骤4001、任意提取一个周期内当前仓库对应商品的存储量变化趋势,并将所述变化趋势映射到第一平面直角坐标系中,生成拟合曲线Ntrue(x),结合区段配比模型匹配当前时间段对应的商品存储量变化趋势记为Nmate(x);
步骤4002、结合步骤4001分析结果,将当前仓库对应商品的存储量变化趋势与区段配比模型匹配结果对应的商品存储量的变化趋势之间差异关系记为
其中u表示对应时间段的总天数;
步骤4003、获取步骤4002分析结果,结合分析结果判定预警信号的条件值,
若则表明当前商品配比值不符合当前仓库,发出预警信号,并根据步骤3001中的序列进行更换配比方案,将当前选择的方案后续一个方案作为新的临时最佳配比值,重复步骤4001-步骤4002直至新的临时最佳配比值符合当前仓库,
若则表明当前商品配比值符合当前仓库,不发出预警信号,并将当前采取的商品配比值作为最佳配置值。
6.一种基于物联网的仓储容量预测管理系统,其特征在于,所述方法包括以下步骤:
仓库商品存储数据监测模块:所述仓库商品存储数据监测模块用于获取当前仓库的历史数据报告信息,通过分析历史数据报告信息中对应商品存储量的变化情况,并结合分析结果对提取的数据进行预处理;
区段配比分析模块:所述区段配比分析模块用于结合仓库商品存储数据监测模块处理的数据,分析待监测区域内商品存储仓库对应的商品的存储量变化趋势,并结合变化趋势生成区段配比模型;
拟合配比值试运营模块:所述拟合配比值试运营模块用于基于区段配比分析模块对待监测区域内存储仓库中的商品配比值进行评估,结合评估结果设定配比值优先顺序;
预警模块:所述预警模块用于结合拟配比值试运营模块的分析结果,实时监测当前仓库对应商品的存储量变化趋势,结合变化趋势实时分析,并根据分析结果发出预警信号,并根据预警信号实时调整商品的配比方案。
7.根据权利要求6所述的一种基于物联网的仓储容量预测管理系统,其特征在于,所述仓库商品存储数据监测模块包括数据分类单元以及数据分析单元:
所述数据分类单元用于获取待监测区域内对应存储仓库中的商品信息,并将获取的商品信息按商品类别进行划分;
所述数据分析单元用于结合数据分类单元的分析结果,分析不同商品在不同自检周期内的商品流通信息变更情况。
8.根据权利要求7所述的一种基于物联网的仓储容量预测管理系统,其特征在于,所述区段配比分析模块包括商品存储量变更分析单元以及区段配比模型构建单元:
所述商品存储量变更分析单元用于结合数据分析单元的分析结果,分析待监测区域内对应存储仓库商品在自检周期内的商品销售率情况;
所述区段配比模型构建单元用于结合商品存储量变更分析单元的分析结果,通过将商品销售率情况以及对应时间段存储仓库中对应商品的配比进行捆绑组合,结合处理结果构建区段配比模型。
9.根据权利要求8所述的一种基于物联网的仓储容量预测管理系统,其特征在于,所述拟合配比值试运营模块包括优先级序列设定单元以及最佳配比值选择单元:
所述优先级序列设定单元用于结合区段配比模型构建单元的分析结果,对待监测区域内存储仓库对应的商品不同自检周期报告中的配比情况进行评估,并结合评估值进行优先级序列设定;
所述最佳配比值选择单元用于结合优先级序列设定单元的分析结果,将序列中评估值最大值对应的配比值作为当前仓库的商品配比值,并进行区段试运营。
10.根据权利要求9所述的一种基于物联网的仓储容量预测管理系统,其特征在于,所述预警模块包括配比预警单元以及配比值校准单元:
所述配比预警单元用于分析当前仓库对应商品的存储量变化趋势与同一时间段对应区段配比模型中对应商品的存储量变化趋势之间的差异关系,结合分析结果设定预警信号;
所述配比值校准单元用于接收配比预警单元的预警信号,并根据预警信号对当前仓库商品的配比方案进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965174.0A CN117035607A (zh) | 2023-08-02 | 2023-08-02 | 一种基于物联网的仓储容量预测管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965174.0A CN117035607A (zh) | 2023-08-02 | 2023-08-02 | 一种基于物联网的仓储容量预测管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035607A true CN117035607A (zh) | 2023-11-10 |
Family
ID=88636530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310965174.0A Pending CN117035607A (zh) | 2023-08-02 | 2023-08-02 | 一种基于物联网的仓储容量预测管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035607A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312617A (zh) * | 2023-11-29 | 2023-12-29 | 山东优控智能技术有限公司 | 基于污水数据监测的实时污水处理方法及系统 |
CN117709856A (zh) * | 2024-02-06 | 2024-03-15 | 成都铭亿嘉科技有限公司 | 供应链对接优化方法 |
-
2023
- 2023-08-02 CN CN202310965174.0A patent/CN117035607A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312617A (zh) * | 2023-11-29 | 2023-12-29 | 山东优控智能技术有限公司 | 基于污水数据监测的实时污水处理方法及系统 |
CN117312617B (zh) * | 2023-11-29 | 2024-04-12 | 山东优控智能技术有限公司 | 基于污水数据监测的实时污水处理方法及系统 |
CN117709856A (zh) * | 2024-02-06 | 2024-03-15 | 成都铭亿嘉科技有限公司 | 供应链对接优化方法 |
CN117709856B (zh) * | 2024-02-06 | 2024-04-26 | 成都铭亿嘉科技有限公司 | 供应链对接优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117035607A (zh) | 一种基于物联网的仓储容量预测管理系统及方法 | |
US7225140B2 (en) | Method of and system for forecasting future orders in parts inventory system | |
US6834266B2 (en) | Methods for estimating the seasonality of groups of similar items of commerce data sets based on historical sales data values and associated error information | |
CN109284948A (zh) | 物流对象选择方法、物流对象选择装置和电子装置 | |
Dey et al. | A new approach to deal with learning in inspection in an integrated vendor-buyer model with imperfect production process | |
CN111415193A (zh) | 基于关联商品的门店相似度的品类销售提升度计算方法 | |
CN115860800A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
JP4386973B2 (ja) | 階層的予測モデル構築装置及びその方法 | |
Boguslauskas et al. | Evaluation of criteria for the classification of enterprises | |
CN112132343B (zh) | 一种商品采购预测方法及系统、可读存储介质 | |
Bhadury et al. | Constructing a Coincident Economic Indicator for India: How Well Does It Track Gross Domestic Product? | |
CN106779843B (zh) | 一种基于客户群体特征的商户竞合关系分析的方法和装置 | |
Wielenga | Identifying and overcoming common data mining mistakes | |
Chou et al. | A DEMAND FORECAST METHOD FOR THE FINAL ORDERING PROBLEM OF SERVICE PARTS. | |
CN112418652A (zh) | 一种风险识别方法及相关装置 | |
CN113283967A (zh) | 基于物联网的零售购物选择方法及系统 | |
CN113780799A (zh) | 一种商品经销商服务弱项的识别评估方法及装置 | |
CN113298291A (zh) | 快递件量预测方法、装置、设备及存储介质 | |
Kabanova et al. | ABC-XYZ inventory analysis accounting for change points | |
CN113240353B (zh) | 一种面向跨境电商的出口工厂分类方法及装置 | |
JPH08212191A (ja) | 商品販売予測装置 | |
CN115131070B (zh) | 一种在线商品预定量虚标的识别及处理方法及装置 | |
Zarmehri et al. | Improving data mining results by taking advantage of the data warehouse dimensions: a case study in outlier detection | |
Rizqya et al. | Prototype Development of a traceability system for coconut palm sugar supply chain in Indonesia | |
CN116957631B (zh) | 一种税务发票数据智能识别方法、系统和介质 |
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 |