CN117035623A - 基于流转量预测的车辆库存控制预警方法、计算机设备 - Google Patents
基于流转量预测的车辆库存控制预警方法、计算机设备 Download PDFInfo
- Publication number
- CN117035623A CN117035623A CN202311293937.8A CN202311293937A CN117035623A CN 117035623 A CN117035623 A CN 117035623A CN 202311293937 A CN202311293937 A CN 202311293937A CN 117035623 A CN117035623 A CN 117035623A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- circulation
- inventory
- target
- 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 42
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012546 transfer Methods 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 description 33
- 238000007726 management method Methods 0.000 description 22
- 238000012216 screening Methods 0.000 description 20
- 230000004044 response Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000007306 turnover Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q30/0278—Product appraisal
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了基于流转量预测的车辆库存控制预警方法、计算机设备。该方法的一具体实施方式包括:根据目标车辆信息对应的历史车辆流转量信息,生成车辆流转间隔信息和车辆流转量信息;根据车辆流转间隔信息,生成车辆流转间隔波动信息;根据车辆流转量信息,生成车辆流转量波动信息;根据车辆流转间隔波动信息和车辆流转量波动信息,确定车辆流转类型;根据车辆流转类型和对应目标车辆信息的库存周期信息,确定流转量信息;根据流转量信息,生成在预设未来时间段内的车辆预测量信息;根据车辆预测量信息,生成库存处理策略信息;根据库存处理策略信息,执行车辆库存控制操作。该实施方式提高库存管控效率,避免车辆缺货或车辆积压。
Description
技术领域
本公开的实施例涉及车辆库存领域,具体涉及基于流转量预测的车辆库存控制预警方法、计算机设备。
背景技术
目前,随着汽车行业的发展,汽车转移模式(面向用户售卖模式、面向企业售卖模式、面向政府售卖模式)对应的汽车的库存管理成为当前供应链的重要管理方面。对于汽车转移模式对应的车辆的库存管理,通常采用的方式为:将汽车转移模式对应的车辆与剩下汽车转移模式的车辆进行共同库存管理。然而,进行共同库存管理经常会以下问题:1,目标汽车转移模式对应的车辆与剩下汽车转移模式对应的车辆之间的需求存在差异,共同库存管理导致库存管理效率低下,容易导致出现车辆缺货或车辆积压;2,由于汽车具有流转量的间断性和波动性,造成传统的机器学习模型或指数平滑法预测得到的汽车流转量存在较大的误差,预测的车辆流转量较多时,容易造成车辆积压较多。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于流转量预测的车辆库存控制预警方法、计算机设备和计算机可读存储介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种基于流转量预测的车辆库存控制预警方法,该方法包括:获取每个车辆流转节点的车辆信息组,得到车辆信息组集;对于上述车辆信息组集中的每个车辆信息组,执行如下处理步骤:从上述车辆信息组中选择出满足车辆转移条件的车辆信息为目标车辆信息,得到目标车辆信息组,其中,上述车辆转移条件为:车辆信息对应的转移模式为目标转移模式;对于上述目标车辆信息组中的每个目标车辆信息,执行如下执行步骤:根据上述目标车辆信息对应的历史车辆流转量信息,生成对应上述目标车辆信息的车辆流转间隔信息和车辆流转量信息;根据上述车辆流转间隔信息,生成车辆流转间隔波动信息;根据上述车辆流转量信息,生成车辆流转量波动信息;根据上述车辆流转间隔波动信息和上述车辆流转量波动信息,确定上述目标车辆信息的车辆流转类型;根据上述车辆流转类型和对应上述目标车辆信息的库存周期信息,确定对应上述库存周期信息的流转量信息;根据上述流转量信息,生成上述目标车辆信息对应的车辆在预设未来时间段内的车辆预测量信息;根据上述车辆预测量信息,执行车辆价值预警操作;根据上述车辆预测量信息,生成对应的库存处理策略信息与库存预警信息;根据上述库存处理策略信息与上述库存预警信息,执行车辆库存控制操作与预警操作。
第二方面,本公开还提供一种计算机设备,上述计算机设备包括处理器、存储器、以及存储在上述存储器上并可被上述处理器执行的计算机程序,其中上述计算机程序被上述处理器执行时,实现如上述第一方面任一实现方式所描述的方法。
第三方面,本公开还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有计算机程序,其中上述计算机程序被处理器执行时,实现如上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于流转量预测的车辆库存控制预警方法,避免了车辆缺货或车辆积压。首先,获取每个车辆流转节点的车辆信息组,得到车辆信息组集。由此,可以确定不同车辆流转节点(例如,展厅节点、车行节点)的车辆流转情况,便于解析不同车辆流转节点的流转量与库存情况。其次,对于上述车辆信息组集中的每个车辆信息组,执行如下处理步骤:从上述车辆信息组中选择出满足车辆转移条件的车辆信息为目标车辆信息,得到目标车辆信息组。其中,上述车辆转移条件为:车辆信息对应的转移模式为目标转移模式。由此,可以通过从车辆信息集中筛选出目标车辆信息,以实现针对目标转移模式的车辆信息的选择,不仅对目标转移模式的车辆信息进行针对性库存管理,后续还针对每个车辆信息进行库存细致性管理,解决了同库存管理所带来的库存管理效率低下的问题。接着,对于上述目标车辆信息组中的每个目标车辆信息,执行如下执行步骤:首先,根据上述目标车辆信息对应的历史车辆流转量信息,生成对应上述目标车辆信息的车辆流转间隔信息和车辆流转量信息。由此,可以确定目标车辆信息的车辆流转间隔信息和车辆流转量信息。其次,根据上述车辆流转间隔信息,生成车辆流转间隔波动信息。根据上述车辆流转量信息,生成车辆流转量波动信息。由此,根据生成的车辆流转量波动信息,可以确定上述目标车辆是否为流转量间隔时间波动较大的车辆。接着,根据上述车辆流转间隔波动信息和上述车辆流转量波动信息,确定上述目标车辆信息的车辆流转类型。由此,可以通过上述目标车辆信息的流转量间隔时间的波动性以及流转量的波动性,确定上述目标车辆是否属于流转量变化较大的车辆。再接着,根据上述车辆流转类型和对应上述目标车辆信息的库存周期信息,确定对应上述库存周期信息的流转量信息。由此,可以通过上述目标车辆的库存周期以及上述目标车辆的流转量变化情况,确定上述目标车辆在库存周期内预测流转的数量。然后,根据上述流转量信息,生成上述目标车辆信息对应的车辆在预设未来时间段内的车辆预测量信息。由此,根据历史车辆流转量信息,确定了上述目标车辆的波动信息,从而可以确定上述目标车辆的流转量变化情况。也因为可以根据上述目标车辆的流转量变化情况以及库存周期,确定库存周期内的车辆流转量,进而可以基于车辆流转量的间断性和波动性,确定上述目标车辆的预测量。之后,根据上述车辆预测量信息,执行车辆价值预警操作。再之后,根据上述车辆预测量信息,生成对应的库存处理策略信息与库存预警信息;根据上述库存处理策略信息与上述库存预警信息,执行车辆库存控制操作与预警操作。由此,可以实现对目标转移模式的车辆高效地进行库存管控,提高库存管控效率,避免车辆缺货或车辆积压。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的基于流转量预测的车辆库存控制预警方法的一些实施例的流程图;
图2是本公开实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的基于流转量预测的车辆库存控制预警方法的一些实施例的流程图。示出了根据本公开的基于流转量预测的车辆库存控制预警方法的一些实施例的流程100。该基于流转量预测的车辆库存控制预警方法,包括以下步骤:
步骤101,获取每个车辆流转节点的车辆信息组,得到车辆信息组集。
在一些实施例中,基于流转量预测的车辆库存控制预警的执行主体(例如计算设备)可以通过有线连接或无线连接的方式从终端设备中获取每个车辆流转节点的车辆信息组,得到车辆信息组集。车辆流转节点可以表示单一独立的车辆销售的节点。例如,车辆流转节点可以表示独立一家汽车销售店或汽车销售展厅。车辆信息组中的车辆信息可以表示某一种车辆的基本信息与转移模式信息。车辆的基本信息可以包括:名称、价值、性能属性。再例如,车辆流转节点可以是网络内车辆流转节点(A公司-B公司-属于同一品牌)、目标客户流转节点(VIP客户-类似于学校)、代交车流转节点(第三方-政府)。网络内车辆流转节点可以表示车辆在A车辆公司与B车辆公司之间流转,且A车辆公司与B车辆公司属于同一品牌。目标客户流转节点可以是专门向VIP客户(类似于学校)供给车辆的节点。代交车流转节点可以是指第三方公司给政府采购车辆的节点。
步骤102,对于上述车辆信息组集中的每个车辆信息组,执行如下处理步骤:
步骤1021,从车辆信息组中选择出满足车辆转移条件的车辆信息为目标车辆信息,得到目标车辆信息组。
在一些实施例中,上述执行主体可以从车辆信息集中选择出满足车辆转移条件的车辆信息为目标车辆信息,得到目标车辆信息组。其中,上述车辆转移条件为:车辆信息对应的转移模式为目标转移模式。转移模式可以包括:面向B端(企业端)的车辆销售模式,面向C端(用户端)的车辆销售模式,面向G端(政府端)的车辆销售模式。目标转移模式可以是面向B端(企业端)的车辆销售模式。车辆信息可以表示某一车辆的基本信息与转移模式信息。车辆的基本信息可以包括:名称、价值、性能属性。
实践中,上述执行主体可以通过以下步骤从车辆信息集中选择出满足车辆转移条件的车辆信息为目标车辆信息:
第一步,从上述车辆信息组中筛选出满足预设转移模式条件的车辆信息,作为候选车辆信息,得到候选车辆信息集。预设转移模式条件可以是车辆的流转量(销量)满足至少一个转移模式特征的车辆信息。上述转移模式特征可以是车辆营销特征。例如,上述转移模式特征可以包括:车辆流转量(销量),车辆价格。预设转移模式条件可以是车辆流转量大于等于预设流转量,车辆价格小于等于预设车辆价格。
其中,上述第一步,可以包括以下子步骤:
子步骤1,根据至少一个车辆转移模式筛选模型,生成针对上述车辆信息集的至少一个车辆筛选结果。车辆转移模式筛选模型可以是筛选出转移模式车辆(即目标车辆信息对应的车辆)的模型。实践中,上述车辆转移模式筛选模型可以是数理统计类判断模型,也可以是神经网络模型。例如,数理统计类判断模型可以是筛选车辆对应需求数量大于预定需求数值的模型,还可以是筛选出车辆对应的出库量大于预定出库数值的模型。神经网络模型可以是孤立森林(Isolation Forest)模型。首先,上述执行主体可以获取车辆信息集中的每个车辆信息对应的车辆特征,得到车辆特征集。然后,上述执行主体可以将车辆特征集输入至每个车辆转移模式筛选模型中,以输出车辆筛选结果,得到至少一个车辆筛选结果。
子步骤2,确定上述至少一个车辆转移模式筛选模型中每个车辆转移模式筛选模型对应的模型权重,得到至少一个模型权重。至少一个车辆转移模式筛选模型可以包括:A模型,B模型,C模型。上述A模型对应的模型权重可以是“0.4”。上述B模型对应的模型权重可以是“0.3”。上述C模型对应的模型权重可以是“0.2”。
子步骤3,确定上述至少一个车辆筛选结果与上述至少一个模型权重之间的加权车辆筛选结果。可以以至少一个模型权重为准,来对至少一个车辆筛选结果进行集成投票,以生成加权车辆筛选结果。
子步骤4,根据上述加权车辆筛选结果,从上述车辆信息集中筛选出候选车辆信息。可以以加权车辆筛选结果为准,对车辆信息集中的车辆信息进行筛选,筛选出的车辆信息确定为候选车辆信息
第二步,对于上述候选车辆信息集中的每个候选车辆信息,确定目标候选车辆对应转移模式仓库的仓库信息。其中,上述目标候选车辆与上述候选车辆信息对应。仓库信息可以表征仓库标识。转移模式仓库可以是面向B端(企业端)的车辆销售模式的车辆的仓库。
第三步,根据确定的各个仓库信息,从上述候选车辆信息集中选择出目标车辆信息。可以确定仓库信息对应的仓库特征的仓库特征信息。其中,上述仓库特征包括:仓库存储容量,仓库存储成本,仓库运输成本。然后,可以确定候选车辆信息集中的每个候选车辆信息对应的车辆特征,得到车辆特征集。接着,根据车辆特征集和仓库特征信息集,利用仓库成本识别模型,以识别出每个车辆信息对应的仓库成本。仓库成本识别模型可以是识别仓库成本的模型。例如,上述仓库成本识别模型可以是卷积神经网络模型。最后,从上述候选车辆信息集中筛选出对应仓库成本低于预设数值的目标车辆信息。
步骤1022,对于上述目标车辆信息组中的每个目标车辆信息,执行如下执行步骤:
S1,根据上述目标车辆信息对应的历史车辆流转量信息,生成对应上述目标车辆信息的车辆流转间隔信息和车辆流转量信息。
在一些实施例中,上述执行主体可以根据上述目标车辆信息对应的历史车辆流转量信息,生成对应上述目标车辆信息的车辆流转间隔信息和车辆流转量信息。可选地,上述历史车辆流转量信息包括车辆流转周期。历史车辆流转量信息可以表示上述目标车辆信息对应的目标车辆在历史时间段内的流转量(例如销量)信息。上述车辆流转间隔信息可以为表征上述目标车辆在历史时间段内连续流转量为0的天数的集中趋势的信息。车辆流转量信息可以为表征上述目标车辆每日的销量信息。上述历史车辆流转量信息包括:车辆颜色、库存周期(车辆的库存周期)与当前市场车辆价值总量(该车辆对应的当前市场变化GDP)。上述历史车辆流转量信息还包括:车辆颜色对应的价格、库存周期对应的车辆价格。可选地,历史车辆流转量信息还可以包括:展厅车辆销量、代交车销量、新车毛利(卖出一辆车裸车的毛利率)、新车综合毛利(卖出一辆车以及车辆的关联产品的毛利率)。可选地,历史车辆流转量信息还可以包括:新车赠送成本(卖出一辆车赠送礼物的成本)、车辆保险价值(车辆保险单价)。
实践中,上述执行主体可以通过以下步骤生成对应上述目标车辆信息的车辆流转间隔信息和车辆流转量信息:
第一步,根据上述历史车辆流转量信息,生成对应上述目标车辆信息的车辆流转间隔天数均值作为车辆流转间隔信息。首先,上述执行主体可以确定上述历史车辆流转量信息中流转量为0的各个连续天数。最后,上述执行主体可以将上述各个连续天数的均值确定为车辆流转间隔天数均值。
第二步,根据上述历史车辆流转量信息,生成对应上述目标车辆信息的车辆流转量均值作为车辆流转量信息。首先,上述执行主体可以确定上述历史车辆流转量信息中的各个流转量。最后,上述执行主体可以将上述各个流转量的均值确定为车辆流转量均值。
S2,根据上述车辆流转间隔信息,生成车辆流转间隔波动信息。
在一些实施例中,上述执行主体可以根据上述车辆流转间隔信息,生成车辆流转间隔波动信息。
实践中,上述执行主体可以通过以下步骤生成车辆流转间隔波动信息:
第一步,根据上述历史车辆流转量信息,确定对应上述目标车辆信息的车辆流转连续间隔天数标准差。可以将上述各个连续天数的标准差确定为车辆流转连续间隔天数标准差。
第二步,根据上述车辆流转连续间隔天数标准差和上述车辆流转间隔天数均值,生成车辆流转间隔波动信息。可以将上述车辆流转连续间隔天数标准差与上述车辆流转间隔天数均值的比值确定为车辆流转间隔波动信息。
S3,根据上述车辆流转量信息,生成车辆流转量波动信息。
在一些实施例中,上述执行主体可以根据上述车辆流转量信息,生成车辆流转量波动信息。
实践中,上述执行主体可以通过以下步骤生成车辆流转量波动信息:
第一步,根据上述历史车辆流转量信息,确定对应上述目标车辆信息的车辆流转量标准差。可以将上述各个流转量的标准差确定为对应上述目标车辆信息的车辆流转量标准差。
第二步,根据上述车辆流转量标准差和上述车辆流转量均值,生成车辆流转量波动信息。可以将上述车辆流转量标准差与上述车辆流转量均值的比值确定为车辆流转量波动信息。
步骤S4,根据上述车辆流转间隔波动信息和上述车辆流转量波动信息,确定上述目标车辆信息的车辆流转类型。
在一些实施例中,上述执行主体可以根据上述车辆流转间隔波动信息和上述车辆流转量波动信息,确定上述目标车辆信息对应车辆的车辆流转类型。上述车辆流转类型可以为表征上述目标车辆的流转量的稳定性的类型。例如,车辆流转类型可以表征以下任意一项:“双稳定”,“稳定流转量波动”,“波动流转量稳定”,“双波动”。
在实际的应用场景中,当上述车辆流转间隔波动信息对应的车辆流转间隔波动值小于预设车辆间隔波动值,且上述车辆流转量波动信息对应的车辆流转量波动值小于预设车辆流转量波动值,上述执行主体可以将“双稳定”确定为上述目标车辆信息的车辆流转类型。当上述车辆流转间隔波动信息对应的车辆流转间隔波动值大于等于上述预设车辆间隔波动值,且上述车辆流转量波动信息对应的车辆流转量波动值小于上述预设车辆流转量波动值,可以将“波动流转量稳定”确定为上述目标车辆信息的车辆流转类型。当上述车辆流转间隔波动信息对应的车辆流转间隔波动值小于上述预设车辆间隔波动值,且上述车辆流转量波动信息对应的车辆流转量波动值大于等于上述预设车辆流转量波动值,可以将“稳定流转量波动”确定为上述目标车辆信息的车辆流转类型。当上述车辆流转间隔波动信息对应的车辆流转间隔波动值大于等于上述预设车辆间隔波动值,且上述车辆流转量波动信息对应的车辆流转量波动值大于等于上述预设车辆流转量波动值,可以将“双波动”确定为上述目标车辆信息的车辆流转类型。上述预设间隔波动值可以为预先设置的车辆间隔波动值。上述预设流转量波动值可以为预先设置的车辆流转量波动值。
步骤S5,根据上述车辆流转类型和对应上述目标车辆信息的库存周期信息,确定对应上述库存周期信息的流转量信息。
在一些实施例中,上述执行主体可以根据上述车辆流转类型和对应上述目标车辆信息的库存周期信息,确定对应上述库存周期信息的流转量信息。库存周期信息可以为表征上述目标车辆每次备货所消耗的时间的信息。例如,上述库存周期信息可以为“备货周期为30天”。
实践中,上述执行主体可以通过以下步骤确定对应上述库存周期信息的流转量信息:
第一步,根据对应上述目标车辆信息的车辆备货信息集,生成预测车辆备货天数。上述车辆备货信息可以为表征单次运输车辆的数量和消耗时间的信息。例如,上述车辆备货信息可以包括:单次运输车辆数量和单次运输天数。上述预测备货天数可以为预测的每次运送车辆消耗的天数。首先,对于上述车辆备货信息集中的每个车辆备货信息,上述执行主体可以执行以下步骤:1,可以确定上述车辆备货信息包括的单次运输天数与上述车辆备货信息对应的预设预测值的差值绝对值。2,可以确定上述差值绝对值与上述单次运输天数的比值。3,可以确定上述比值与上述车辆备货信息包括的单次运输车辆数量的乘积。然后,上述执行主体可以将所确定的各个乘积的和确定为第一数据。接着,可以将各个车辆备货信息包括的各个单次运输车辆数量的总和确定为第二数据。最后,上述执行主体可以将上述第一数据和上述第二数据的比值确定为预测车辆备货天数。
第二步,根据上述车辆流转周期和上述预测车辆备货天数,生成库存周期信息。可以将上述车辆备货周期与上述预测车辆备货天数的和确定为库存周期信息。
第三步,根据上述车辆流转类型和上述库存周期信息,确定对应上述库存周期信息的流转量信息。
在另一个应用场景中,上述执行主体还可以通过以下步骤确定对应上述库存周期信息的流转量信息:
第一步,根据上述车辆流转类型,从预设的车辆流转量信息预测模型组中选择对应上述车辆流转类型的车辆流转量信息预测模型作为目标车辆流转量信息预测模型。上述车辆流转量信息预测模型可以为预先训练的以日期和库存周期信息、车辆信息包括的车辆历史流转量序列为输入,以车辆流转量信息为输出的机器学习模型。例如,上述车辆流转量信息预测模型可以为CNN(Convolutional Neural Networks,卷积神经网络)模型。
实践中,上述执行主体可以通过以下子步骤从预设的车辆流转量信息预测模型组中选择对应上述车辆流转类型的车辆流转量信息预测模型作为目标车辆流转量信息预测模型:
第一子步骤,从上述车辆流转量信息预测模型组中选择出对应上述车辆流转类型的各个车辆流转量信息预测模型作为备选车辆流转量信息预测模型组。上述车辆流转量信息预测模型组中的各车辆流转量信息预测模型可以根据复杂程度划分为四个车辆流转量信息预测模型子组。上述四个车辆流转量信息预测模型子组中的各个车辆流转量信息预测模型子组分别对应“双稳定”、“稳定流转量波动”、“波动流转量稳定”和“双波动”。
第二子步骤,对于上述备选车辆流转量信息预测模型组中的每个备选车辆流转量信息预测模型,执行如下处理步骤:
1、对于设定日期序列包括的每个设定日期,根据上述备选车辆流转量信息预测模型和上述设定日期,生成对应上述设定日期的流转量信息。其中,上述流转量信息包括车辆流转量。其中,上述设定日期序列可以为预先设置的历史时间段内的各个历史日期。实践中,上述执行主体可以将上述预设日期和上述库存周期信息输入至上述备选车辆流转量信息预测模型,得到对应上述设定日期的流转量信息。
2、根据上述设定日期序列和每个设定日期对应的流转量信息,生成上述设定日期对应的剩余库存量,得到剩余库存量序列。上述剩余库存量可以为上述设定日期当天剩余的车辆的数量。可以通过仿真方法根据上述设定日期序列和每个设定日期对应的流转量信息,生成上述设定日期对应的剩余库存量,得到剩余库存量序列。例如,上述仿真方法可以为连续系统仿真方法。
实践中,首先,将上述设定日期序列中满足预设日期条件的设定日期确定为目标设定日期,将上述目标设定日期对应的车辆流转量作为目标车辆库存量,执行如下处理步骤:
第一、根据目标设定日期,确定当前车辆库存量。预设日期条件可以为设定日期为上述设定日期序列中第一个设定日期。当前车辆库存量可以为当前存储的车辆的数量。首先,响应于确定目标设定日期满足到货日期条件,可以将到货车辆数量与目标车辆库存量的和确定为当前车辆库存量。其中,上述到货日期条件可以为目标设定日期为预订的车辆送达的日期。
第二、根据目标设定日期和当前车辆库存量,确定车辆持有量。首先,可以确定目标设定日期是否满足预设补货日期条件。其中,上述预设补货日期条件可以为目标设定日期为能够补货的日期(例如,目标设定日期为下单日)。然后,可以获取在途库存车辆数量。其中,上述在途库存车辆数量可以为运输中的车辆的数量。最后,响应于确定目标设定日期满足上述预设补货日期条件,可以将当前车辆库存量和在途库存车辆数量的和确定为车辆持有量。
第三、根据车辆持有量和目标车辆库存量,生成车辆补货量信息。响应于确定车辆持有量满足预设补货量条件,上述执行主体可以将目标车辆库存量与车辆持有量的差值绝对值确定为车辆补货量信息。其中,上述预设补货量条件可以为车辆持有量小于目标车辆库存量。
第四、将车辆补货量信息发送至相关联的终端。相关联的终端可以为车行终端。
第五、根据对应目标设定日期的车辆流转量和当前车辆库存量,生成目标设定日期对应的当前车辆剩余库存量。其中,上述目标设定日期的车辆流转量可以为目标设定日期内车辆流转的数量。上述当前车辆库存量可以为目标设定日期结束后剩余的车辆的数量。首先,可以确定对应目标设定日期的当天车辆流转量。然后,响应于确定当天车辆流转量满足预设流转量条件,可以将现有库存量与当天车辆流转量的差值绝对值确定为目标设定日期对应的当前车辆剩余库存量。其中,上述预设流转量条件可以为当天车辆流转数量小于现有库存数量。
然后,响应于确定目标日期满足上述预设日期条件,将所生成的各个当前车辆剩余库存量确定为剩余库存量序列。
最后,响应于确定目标设定日期不满足上述预设日期条件,将上述设定日期序列中对应当前日期的下一个设定日期作为目标设定日期,将当前车辆剩余库存量作为目标车辆库存量,再次执行上述处理步骤。
第三子步骤,根据所得到的各个剩余库存量序列,从上述车辆流转量信息预测模型组中选择出满足剩余库存量条件的车辆流转量信息预测模型作为目标车辆流转量信息预测模型。剩余库存量条件可以为车辆流转量信息预测模型对应的剩余库存量序列包括的为零的剩余库存量的数量最少。
实践中,上述执行主体可以通过以下步骤从上述车辆流转量信息预测模型组中选择出满足剩余库存量条件的车辆流转量信息预测模型作为目标车辆流转量信息预测模型:
1、对于所确定的各个剩余库存量序列中的每个剩余库存量序列,执行以下步骤:
第一,将上述剩余库存量序列包括的满足预设剩余量条件的剩余库存量的数量确定为车辆库存天数。预设剩余量条件可以为当天剩余库存量为零。
第二,根据上述车辆库存天数,生成车辆现货率。可以将上述剩余库存量序列包括的剩余库存量的数量确定为总天数。最后,可以将上述车辆库存天数与上述总天数的比值确定为车辆现货率。
第三,根据上述剩余库存量序列中的各个剩余库存量和对应上述目标车辆信息的价值信息,生成车辆库存总价值。上述车辆库存总价值可以为预设时间段内每日剩余库存各个车辆的价值的和。对于上述剩余库存量序列中每个剩余库存量,可以将上述剩余库存量与上述目标车辆的价值(售价)的乘积确定为当天库存价值。最后,可以将所确定的各个当天库存价值的和确定为车辆库存总价值。
第四,根据各个目标设定日期对应的各个车辆流转量和上述价值信息,生成车辆流转总价值。上述车辆流转总价值可以为预设时间段内流转的各个车辆的总价值。首先,对于各个目标设定日期中的每个目标设定日期,可以将上述目标设定日期对应的车辆流转量与上述目标车辆对应的价值的乘积确定为当前车辆流转价值。最后,可以将所确定的各个当前车辆流转价值的和确定为物品车辆流转总价值。
第五,根据上述车辆库存总价值和上述车辆流转总价值,生成车辆库存周转率。可以将车辆库存总价值和上述车辆流转总价值的比值确定为车辆库存周转率。
第六,根据所确定的各个车辆现货率和各个车辆库存周转率,从上述车辆流转量信息预测模型组中筛选出满足目标条件的车辆流转量信息预测模型作为目标车辆流转量信息预测模型。目标条件可以为车辆流转量信息预测模型对应的车辆现货率最小,和/或车辆流转量信息预测模型对应的车辆库存周转率最小。
第二步,根据上述目标车辆流转量信息预测模型和上述库存周期信息,生成流转量信息。
在一个实际的场景中,上述第二步可以包括以下子步骤:
第一子步骤,将上述目标车辆信息包括的车辆历史流转量序列与上述库存周期信息确定为模型输入数据。这里,车辆历史流转量序列可以是指预设历史时间段内的各个车辆流转量。每一车辆历史流转量对应预设历史时间段的一个时间粒度。预设历史时间段的时长与预设未来时间段的时长相同。预设历史时间段的时间粒度与预设未来时间段的时间粒度相同。
第二子步骤,对上述目标车辆流转量信息预测模型进行模型解析,以确定上述目标车辆流转量信息预测模型中各个算子对应的参数信息和各个算子之间的连接关系,分别作为算子参数信息集和算子连接关系信息。其中,上述算子参数信息集中的算子参数信息可以是算子对应函数的参数信息。对应函数是目标动态链接库中的函数。上述算子连接关系信息可以是上述模型文件对应模型中各个算子之间的前后关联关系信息。例如,目标车辆流转量信息预测模型对应的算子信息集包括;算子信息1,算子信息2,算子信息3,算子信息4,算子信息5,算子信息6,算子信息7。其中,算子信息1可以是算子信息2的前层算子信息,算子信息2可以是算子信息1的后层算子信息。算子信息V1可以是起始算子位置的信息。算子信息7可以是结尾算子位置的信息。算子信息1对应的至少一个后层算子信息为算子信息2和算子信息3。算子信息4、算子信息5和算子信息6对应的至少一个后层算子信息为算子信息7。算子信息7对应的至少一个前层算子信息为算子信息4、算子信息5和算子信息6。例如,上述算子信息为算子信息3,至少一个前层算子信息为算子信息1。至少一个后层算子为算子信息6和算子信息5。
第三子步骤,将上述模型输入数据作为输入,根据上述算子连接关系信息、上述算子参数信息集和对应上述目标车辆流转量信息预测模型的目标动态链接库,执行基于算子推理数据预测操作,以生成流转量信息。其中,上述流转量信息可以是针对上述模型输入数据对应的预测结果。例如,流转量信息可以是预测的目标车辆信息对应的车辆在预设未来时间段内的总流转量。
上述第三子步骤,可以包括以下操作流程:
1、基于每条目标算子信息链对应的算子顺序,依次将至少一条目标算子信息链对应的各个算子信息添加至算子处理队列,得到添加算子处理队列。其中,每条目标算子信息链中的第一位置的算子信息对应的前层算子信息集为空。上述第一位置可以是目标算子信息链中第一个算子信息的位置。上述目标算子信息链对应的算子顺序可以是上述目标算子信息链中包括的至少一个算子信息之间的顺序。算子处理队列可以是包括各个待执行的算子对应的算子信息。根据算子处理队列中各个算子信息的顺序,依次执行对应各个算子对应的算子逻辑。目标算子信息链可以是第一位置的算子信息对应的前层算子信息集为空的算子信息链。上述目标算子信息链可以是出度和入度为目标数值的链。前层算子信息集可以是算子信息表的形式。即每个算子信息在初始时都存在对应的前向算子信息表和后向算子信息表。前向算子信息表中的各个前向算子信息可以是执行顺序位于算子信息之前的、且后向算子为算子信息的算子信息。随着前向算子信息集中的前向算子信息变少,表征算子信息之前的前向算子执行依次执行完成。同样地,后向算子信息集中的各个后向算子信息为与算子信息相连接的、后续待执行的算子的信息。
2、对于至少一条目标算子信息链中的每条目标算子信息链, 根据上述算子参数信息集和上述目标动态链接库,依次执行添加算子处理队列中的、与目标算子信息链相关联的各个算子信息,得到算子执行结果。
首先,对于添加算子处理队列中的与上述目标算子信息链相关联的算子信息,执行以下结果生成步骤:
第一结果生成步骤,利用上述算子参数信息集和上述目标动态链接库,确定算子信息对应的调用函数。首先,上述执行主体可以确定上述目标动态链接库包括的函数信息对应的函数集中与算子信息对应的函数,作为待调用函数。然后,可以利用上述算子参数信息集中与算子信息对应的算子参数信息,确定上述待调用函数的参数,以更改上述待调用函数的参数,得到算子信息对应的调用函数。函数集中的函数可以是各个损失函数。例如,合页损失函数、均方误差损失函数。
第二结果生成步骤,响应于确定算子信息存在对应的至少一个历史前层算子信息,将算子信息对应至少一个前层预测结果输入至上述调用函数,得到当前预测结果。其中,至少一个前层预测结果是算子信息对应至少一个前层算子信息对应的至少一个当前预测结果。至少一个历史前层算子信息可以是与算子信息的输入相关的、历史已执行完的至少一个前层算子的算子信息。
第三结果生成步骤,响应于确定算子信息不存在对应的至少一个历史前层算子信息,将上述模型输入数据输入至上述调用函数,得到当前预测结果。
第四结果生成步骤,从对应的目标算子处理队列中去除算子信息,得到去除算子处理队列。其中,上述目标算子处理队列不包括上述目标算子信息链中的、在算子信息之前的至少一个算子信息。目标算子处理队列不包括链中位置位于算子信息之前的算子信息。
第五结果生成步骤,响应于确定算子信息为相关联的目标算子信息链中的、第二位置的算子信息,将当前预测结果确定为算子执行结果。上述第二位置可以是链中最后一个算子信息对应的位置。
然后,响应于确定去除算子处理队列不为空,将上述目标算子信息链中的上述算子信息对应的下一算子信息确定为算子信息,再次执行结果生成步骤。
3、根据所得到的至少一个算子执行结果,生成流转量信息。诸如,上述执行主体可以响应于确定至少一个目标算子信息中每个目标算子信息对应的后层算子信息集为空,将至少一个目标算子信息对应的至少一个算子执行结果合并为流转量信息。其中,上述至少一个目标算子信息中的目标算子信息是至少一条目标算子信息链中目标算子信息链中的、第二位置的算子信息。
可选地,目标动态链接库可以是通过以下步骤生成的:
第一步,对上述目标车辆流转量信息预测模型进行解析,以确定上述目标车辆流转量信息预测模型中各个算子的算子类型,得到算子类型集。上述算子类型可以是表征算子的类别。实践中,算子类型集可以是目标车辆流转量信息预测模型使用的所有算子的算子类别集。针对模型使用多个相同的算子,这里算子类型集包括的各个算子类型间可以存在重复的算子类型。例如,算子类型可以是卷积算子类型,还可以是傅里叶变换算子类型。上述算子类型集中的算子类型可以是算子的类型。上述算子类型集中的算子类型可以是算子的算子类别类型。例如,上述算子类型集中的算子类型可以是卷积算子类型
第二步,根据算子类型集,生成目标动态链接库。其中,上述目标动态链接库可以是支持对函数进行调用的库。例如,上述目标动态链接库支持调用的函数可以包括:针对车辆销量预测的函数。首先,可以确定上述算子类型集中各个算子类型对应的调用函数,得到调用函数集(可以包含各个损失函数)。然后,可以将上述调用函数集中各个调用函数对应的定义函数信息和源文件进行打包,以生成目标动态链接库。其中,上述定义函数信息可以是对调用函数定义的信息。上述源文件可以是使用调用函数的源文件。例如,上述定义函数信息可以是对调用函数定义数量的信息。
对于背景技术提及的“由于汽车具有流转量的间断性和波动性,造成传统的机器学习模型或指数平滑法预测得到的汽车流转量存在较大的误差,预测的车辆流转量较多时,容易造成车辆积压较多。”。可以通过以下步骤解决:首先,从上述车辆流转量信息预测模型组中选择出对应上述车辆流转类型的各个车辆流转量信息预测模型作为备选车辆流转量信息预测模型组。由此,可以初步选择出对应上述车辆流转类型的车辆流转量信息预测模型。然后,对于上述备选车辆流转量信息预测模型组中的每个备选车辆流转量信息预测模型,执行如下处理步骤:对于设定日期序列包括的每个设定日期,根据上述备选车辆流转量信息预测模型和上述设定日期,生成对应上述设定日期的流转量信息,其中,上述流转量信息包括车辆流转量;根据上述设定日期序列和每个设定日期对应的流转量信息,生成上述设定日期对应的剩余库存量,得到剩余库存量序列。最后,根据所得到的各个剩余库存量序列,从上述车辆流转量信息预测模型组中选择出满足剩余库存量条件的车辆流转量信息预测模型作为目标车辆流转量信息预测模型。体现了根据仿真得到的剩余库存量筛选出的车辆流转量信息预测模型。由此,可以筛选出准确性更高的车辆流转量信息预测模型,进一步提高预测得到的车辆流转量的准确性。从而避免因流转量误差较大而带来的车辆积压。
步骤S6,根据上述流转量信息,生成上述目标车辆信息对应的车辆在预设未来时间段内的车辆预测量信息。
在一些实施例中,上述执行主体可以根据上述流转量信息,生成上述目标车辆信息对应的车辆在预设未来时间段内的车辆预测量信息。车辆预测量信息可以表征仓库待补充车辆的数量的信息。首先,上述执行主体可以从车辆仓库中获取实时库存量。其中,上述实时库存量可以为当前时间下车辆仓库中目标车辆的数量。可以将上述流转量信息表征的流转量与上述实时库存量的差值确定为车辆预测量信息。
步骤S7,根据上述车辆预测量信息,执行车辆价值预警操作。
在一些实施例中,上述执行主体可以根据上述车辆预测量信息,执行车辆价值预警操作。即,可以根据上述车辆预测量信息所表征的车辆预测量,确定对应的车辆价值区间。然后,再确定上述车辆价值区间对应的车辆价值预警信息。最后,可以将上述车辆价值预警信息发送至上述目标车辆信息对应的车辆流转节点的终端。即,每个车辆预测量对应一个车辆价值区间。每个车辆价值区间对应一个车辆价值预警信息。车辆预测量对应的车辆价值区间可以是预先设定的。车辆价值区间对应的车辆价值预警信息可以是预先设定的。车辆价值预警信息可以是用于预警提示工作人员某一车辆最低的报价信息。
步骤S8,根据上述车辆预测量信息,生成对应的库存处理策略信息与库存预警信息。
在一些实施例中,上述执行主体可以根据上述车辆预测量信息,生成对应的库存处理策略信息与库存预警信息。例如,可以根据车辆预测量信息对应的车辆预测量,确定对应的库存处理策略信息。库存处理策略信息可以是目标车辆信息对应车辆所处转移模式仓库的仓库管理策略的策略信息。例如,确定车辆预测量所在的数量区间。再确定数量区间对应的库存处理策略信息。即每一库存处理策略信息存在对应的数量区间。库存处理策略信息包括:库存网络布局策略信息,库存管理模式策略信息,需求处理策略信息,车辆供应管理策略信息。其中,库存网络布局策略信息可以是目标车辆信息对应仓库的网络设备布局策略的策略信息。上述网络设备布局策略可以是网络设备布局的具体执行步骤集。库存管理模式策略信息可以包括:对于供应商管理的库存(VMI,Vendor Managed Inventory)管理,长直库存模式,联合库存管理模式,协同式供应链库存管理模式。上述未来需求最优处理信息对应的需求处理策略信息可以是库存补货策略的策略信息。上述库存补货策略可以是库存补货的具体执行步骤集。车辆供应管理策略信息可以是针对供应商的协同管理策略的策略信息。上述针对供应商的协同管理策略可以是协同管理的具体执行步骤集。具体地,由于目标车辆信息需求波动大的特殊性,在此可差异化的单独评估供应商对于目标车辆的供给稳定性。即在销售多峰值的情况下,供应商的供给是否稳定满足。并基于供给情况,调整协同策略。如在供给不稳定的情况下,增加预测输出长度,调高供应商的备货厚度。
之后,上述执行主体可以确定上述车辆预测量信息对应的库存成本区间。接着,再确定上述库存成本区间对应的库存预警信息。这里,每个车辆预测量信息表征的车辆预测量对应一个库存成本区间。每个库存成本区间对应一个库存预警信息。车辆预测量对应的库存成本区间可以是预先设定的。库存成本区间对应的库存预警信息可以是预先设定的。库存预警信息可以是用于预警提示工作人员某一批车辆最长放置在库存的时间,当某一车辆放置在库存的时间超过预设时间时,则提醒工作人员,库存成本增加。
步骤S9,根据上述库存处理策略信息与上述库存预警信息,执行车辆库存控制操作与预警操作。
在一些实施例中,上述执行主体可以根据上述库存处理策略信息与上述库存预警信息,执行车辆库存控制操作与预警操作。即,首先,可以根据库存处理策略信息,确定库存的运输信息,供货方式,再进行车辆运输等操作。然后,可以将上述库存预警信息发送至车辆流转节点的终端设备进行展示预警。
图2为本公开实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。
如图2所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于流转量预测的车辆库存控制预警方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于流转量预测的车辆库存控制预警方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图2中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元 (Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,上述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:获取每个车辆流转节点的车辆信息组,得到车辆信息组集;对于上述车辆信息组集中的每个车辆信息组,执行如下处理步骤:从上述车辆信息组中选择出满足车辆转移条件的车辆信息为目标车辆信息,得到目标车辆信息组,其中,上述车辆转移条件为:车辆信息对应的转移模式为目标转移模式;对于上述目标车辆信息组中的每个目标车辆信息,执行如下执行步骤:根据上述目标车辆信息对应的历史车辆流转量信息,生成对应上述目标车辆信息的车辆流转间隔信息和车辆流转量信息;根据上述车辆流转间隔信息,生成车辆流转间隔波动信息;根据上述车辆流转量信息,生成车辆流转量波动信息;根据上述车辆流转间隔波动信息和上述车辆流转量波动信息,确定上述目标车辆信息的车辆流转类型;根据上述车辆流转类型和对应上述目标车辆信息的库存周期信息,确定对应上述库存周期信息的流转量信息;根据上述流转量信息,生成上述目标车辆信息对应的车辆在预设未来时间段内的车辆预测量信息;根据上述车辆预测量信息,执行车辆价值预警操作;根据上述车辆预测量信息,生成对应的库存处理策略信息与库存预警信息;根据上述库存处理策略信息与上述库存预警信息,执行车辆库存控制操作与预警操作。
本公开实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有计算机程序,上述计算机程序中包括程序指令,上述程序指令被执行时所实现的方法可参照本公开基于流转量预测的车辆库存控制预警方法的各个实施例。
其中,上述计算机可读存储介质可以是前述实施例上述的计算机设备的内部存储单元,例如上述计算机设备的硬盘或内存。上述计算机可读存储介质也可以是上述计算机设备的外部存储设备,例如上述计算机设备上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于流转量预测的车辆库存控制预警方法,其特征在于,上述方法包括:
获取每个车辆流转节点的车辆信息组,得到车辆信息组集;
对于所述车辆信息组集中的每个车辆信息组,执行如下处理步骤:
从所述车辆信息组中选择出满足车辆转移条件的车辆信息为目标车辆信息,得到目标车辆信息组,其中,所述车辆转移条件为:车辆信息对应的转移模式为目标转移模式;
对于所述目标车辆信息组中的每个目标车辆信息,执行如下执行步骤:
根据所述目标车辆信息对应的历史车辆流转量信息,生成对应所述目标车辆信息的车辆流转间隔信息和车辆流转量信息;
根据所述车辆流转间隔信息,生成车辆流转间隔波动信息;
根据所述车辆流转量信息,生成车辆流转量波动信息;
根据所述车辆流转间隔波动信息和所述车辆流转量波动信息,确定所述目标车辆信息的车辆流转类型;
根据所述车辆流转类型和对应所述目标车辆信息的库存周期信息,确定对应所述库存周期信息的流转量信息;
根据所述流转量信息,生成所述目标车辆信息对应的车辆在预设未来时间段内的车辆预测量信息;
根据所述车辆预测量信息,执行车辆价值预警操作;
根据所述车辆预测量信息,生成对应的库存处理策略信息与库存预警信息;
根据所述库存处理策略信息与所述库存预警信息,执行车辆库存控制操作与预警操作。
2.根据权利要求1所述的方法,其特征在于,其中,所述历史车辆流转量信息包括:车辆颜色、库存周期与当前市场车辆价值总量;以及
所述根据所述目标车辆信息对应的历史车辆流转量信息,生成对应所述目标车辆信息的车辆流转间隔信息和车辆流转量信息,包括:
根据所述历史车辆流转量信息,生成对应所述目标车辆信息的车辆流转间隔天数均值作为车辆流转间隔信息;
根据所述历史车辆流转量信息,生成对应所述目标车辆信息的车辆流转量均值作为车辆流转量信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述车辆流转间隔信息,生成车辆流转间隔波动信息,包括:
根据所述历史车辆流转量信息,确定对应所述目标车辆信息的车辆流转连续间隔天数标准差;
根据所述车辆流转连续间隔天数标准差和所述车辆流转间隔天数均值,生成车辆流转间隔波动信息。
4.根据权利要求2所述的方法,其特征在于,所述根据所述车辆流转量信息,生成车辆流转量波动信息,包括:
根据所述历史车辆流转量信息,确定对应所述目标车辆信息的车辆流转量标准差;
根据所述车辆流转量标准差和所述车辆流转量均值,生成车辆流转量波动信息。
5.根据权利要求1所述的方法,其特征在于,所述历史车辆流转量信息包括车辆流转周期;以及
所述根据所述车辆流转类型和对应所述目标车辆信息的库存周期信息,确定对应所述库存周期信息的流转量信息,包括:
根据对应所述目标车辆信息的车辆备货信息集,生成预测车辆备货天数;
根据所述车辆流转周期和所述预测车辆备货天数,生成库存周期信息;
根据所述车辆流转类型和所述库存周期信息,确定对应所述库存周期信息的流转量信息。
6.根据权利要求5所述的方法,其特征在于,所述根据所述车辆流转类型和对应所述目标车辆信息的库存周期信息,确定对应所述库存周期信息的流转量信息,包括:
根据所述车辆流转类型,从预设的车辆流转量信息预测模型组中选择对应所述车辆流转类型的车辆流转量信息预测模型作为目标车辆流转量信息预测模型;
根据所述目标车辆流转量信息预测模型和所述库存周期信息,生成流转量信息。
7.一种计算机设备,其中,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1-6中任一所述的方法的步骤。
8.一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1-6中任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293937.8A CN117035623B (zh) | 2023-10-09 | 2023-10-09 | 基于流转量预测的车辆库存控制预警方法、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293937.8A CN117035623B (zh) | 2023-10-09 | 2023-10-09 | 基于流转量预测的车辆库存控制预警方法、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035623A true CN117035623A (zh) | 2023-11-10 |
CN117035623B CN117035623B (zh) | 2023-12-22 |
Family
ID=88632275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311293937.8A Active CN117035623B (zh) | 2023-10-09 | 2023-10-09 | 基于流转量预测的车辆库存控制预警方法、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035623B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210016786A1 (en) * | 2018-03-27 | 2021-01-21 | We Predict Limited | Predictive Vehicle Diagnostics Method |
CN112765281A (zh) * | 2020-12-30 | 2021-05-07 | 优车库网络科技发展(深圳)有限公司 | 车辆流转系统及方法、计算机设备和存储介质 |
CN113609349A (zh) * | 2021-07-24 | 2021-11-05 | 浙江吉利控股集团有限公司 | 租赁车辆库存检测方法、装置及介质 |
CN114037139A (zh) * | 2021-11-04 | 2022-02-11 | 华东师范大学 | 一种基于注意力机制的货运车辆仓库逗留时长预测方法 |
CN115981522A (zh) * | 2023-03-16 | 2023-04-18 | 北京北汽鹏龙汽车服务贸易股份有限公司 | 预警车辆流转信息处理方法、设备与计算机介质 |
CN116523446A (zh) * | 2022-01-20 | 2023-08-01 | 多点(深圳)数字科技有限公司 | 物品流转量信息发送方法、装置、设备和计算机可读介质 |
CN116562772A (zh) * | 2023-04-07 | 2023-08-08 | 北京沃东天骏信息技术有限公司 | 物品补货信息生成方法、装置、设备、介质和程序产品 |
-
2023
- 2023-10-09 CN CN202311293937.8A patent/CN117035623B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210016786A1 (en) * | 2018-03-27 | 2021-01-21 | We Predict Limited | Predictive Vehicle Diagnostics Method |
CN112765281A (zh) * | 2020-12-30 | 2021-05-07 | 优车库网络科技发展(深圳)有限公司 | 车辆流转系统及方法、计算机设备和存储介质 |
CN113609349A (zh) * | 2021-07-24 | 2021-11-05 | 浙江吉利控股集团有限公司 | 租赁车辆库存检测方法、装置及介质 |
CN114037139A (zh) * | 2021-11-04 | 2022-02-11 | 华东师范大学 | 一种基于注意力机制的货运车辆仓库逗留时长预测方法 |
CN116523446A (zh) * | 2022-01-20 | 2023-08-01 | 多点(深圳)数字科技有限公司 | 物品流转量信息发送方法、装置、设备和计算机可读介质 |
CN115981522A (zh) * | 2023-03-16 | 2023-04-18 | 北京北汽鹏龙汽车服务贸易股份有限公司 | 预警车辆流转信息处理方法、设备与计算机介质 |
CN116562772A (zh) * | 2023-04-07 | 2023-08-08 | 北京沃东天骏信息技术有限公司 | 物品补货信息生成方法、装置、设备、介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN117035623B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rao et al. | Multi-product inventory planning with downward substitution, stochastic demand and setup costs | |
Kutanoglu et al. | An inventory sharing and allocation method for a multi-location service parts logistics network with time-based service levels | |
Rivera et al. | Anticipatory freight selection in intermodal long-haul round-trips | |
Easwaran et al. | A closed-loop supply chain network design problem with integrated forward and reverse channel decisions | |
Wangphanich et al. | Analysis of the bullwhip effect in multi-product, multi-stage supply chain systems–a simulation approach | |
US8494916B2 (en) | Managing fresh-product inventory | |
Abdelmaguid et al. | A genetic algorithm approach to the integrated inventory-distribution problem | |
Caglar et al. | Two-echelon spare parts inventory system subject to a service constraint | |
Axsäter et al. | A distribution inventory model with transshipments from a support warehouse | |
US20150254589A1 (en) | System and Method to Provide Inventory Optimization in a Multi-Echelon Supply Chain Network | |
US11321650B2 (en) | System and method for concurrent dynamic optimization of replenishment decision in networked node environment | |
Thürer et al. | Workload control release mechanisms: from practice back to theory building | |
Benjaafar et al. | Production‐inventory systems with imperfect advance demand information and updating | |
Bozer et al. | Performance evaluation of small-batch container delivery systems used in lean manufacturing–Part 1: system stability and distribution of container starts | |
Wadhwa et al. | Decision knowledge sharing: flexible supply chains in KM context | |
WO2018200546A1 (en) | System and method for establishing regional distribution center inventory levels for new third party products | |
US20160110681A1 (en) | Big data sourcing simulator | |
Choi | Internet based elastic logistics platforms for fashion quick response systems in the digital era | |
Altendorfer et al. | A comparison of make-to-stock and make-to-order in multi-product manufacturing systems with variable due dates | |
Çapar et al. | A decision rule for coordination of inventory and transportation in a two-stage supply chain with alternative supply sources | |
Van der Heide et al. | Dynamic shipments of inventories in shared warehouse and transportation networks | |
CN109377291A (zh) | 任务价格预测方法、装置、电子设备及计算机存储介质 | |
CN114118503A (zh) | 供应链库存优化方法、装置、设备和存储介质 | |
Nakandala et al. | Strategic hybrid lateral transshipment for cost-optimized inventory management | |
Atan et al. | Transshipment policies for systems with multiple retailers and two demand classes |
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 |