CN117314505B - 一种基于arima模型的大数据处理方法和系统 - Google Patents
一种基于arima模型的大数据处理方法和系统 Download PDFInfo
- Publication number
- CN117314505B CN117314505B CN202311604808.6A CN202311604808A CN117314505B CN 117314505 B CN117314505 B CN 117314505B CN 202311604808 A CN202311604808 A CN 202311604808A CN 117314505 B CN117314505 B CN 117314505B
- Authority
- CN
- China
- Prior art keywords
- data
- sales
- production
- raw material
- prediction data
- 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.)
- Active
Links
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract description 61
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 228
- 239000002994 raw material Substances 0.000 claims abstract description 90
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000011065 in-situ storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 84
- 230000015654 memory Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 4
- 239000013589 supplement Substances 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于计算机领域，提供了一种基于ARIMA模型的大数据处理方法和系统，所述方法包括：获取产品的历史销售大数据，筛选随着时间变化的历史销售数据，所述销售数据包括销量；根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据；计算第一销售预测数据中相邻两期的销售数据的增量，当所述增量达到预设阈值时，根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据；根据原料增加数据收集预设距离范围内若干第二生产区的原料结余数据，本申请实施例的技术方案，可以得到较为准确的销售数据估计，能够满足下一期的销售预测数据增加条件下的产品销售需求，方案适用性强。
Description
技术领域
本发明属于计算机领域，尤其涉及一种基于ARIMA模型的大数据处理方法和系统。
背景技术
数据分析作为目前企业经营中发现问题、调整策略和优化方向的重要依据手段，已经逐渐在各个行业部门被重视起来。
销售数据作为经营状况的直观体现，更需要深入分析，当前，可以按照时间维度，例如按周、月、年分析数据情况的变化，对比不同时间范围内的销售情况，以及按照区域维度分析完成率、时间进度等，对于根据不同情况，及时调整销售策略，但是现有技术对销售数据变化的估计不够准确，导致在产品的销量势头较好的情况下，生产可能来不及进行调整和准备，导致不能满足实际的销量增加需求。
发明内容
本发明实施例的目的在于提供一种基于ARIMA模型的大数据处理方法和系统，旨在解决上述背景技术中提出的问题。
本发明实施例是这样实现的，一方面，一种基于ARIMA模型的大数据处理方法，所述方法包括以下步骤：
获取产品的历史销售大数据，筛选随着时间变化的历史销售数据，所述销售数据包括销量；
根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据；
计算第一销售预测数据中相邻两期的销售数据的增量，当所述增量达到预设阈值时，根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据；
根据原料增加数据收集预设距离范围内若干第二生产区的原料结余数据；
按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发，所述生产分配指令用于指示根据原料结余数据就地生产满足基础数量的产品；
基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果，根据比较结果，确定是否对所述基础数量的产品进行预留。
作为本发明的进一步方案，所述获取产品的历史销售大数据，筛选随着时间变化的历史销售数据包括：
获取设定历史时段内产品的历史销售大数据；
基于设定历史时段，选取与当前设定销售时段处于同时期的所有时段；
筛选历史销售大数据中所有时段的历史销售数据。
作为本发明的再进一步方案，所述根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据包括：
根据所有时段的历史销售数据，建立ARIMA模型，生成符合第一拟合条件的第一拟合曲线；
根据第一拟合曲线向后预测若干期的销售数据，得到第一销售预测数据。
作为本发明的又进一步方案，所述根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据包括：
获取增量中单个产品的生产原料构成；
根据生产原料构成和增量中产品总数，计算第一生产区的原料增加数据，所述原料增加数据包括生产原料的对应增加数量。
作为本发明的进一步方案，所述按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发包括：
以第一生产区为中心，将预设距离范围按照从近到远的顺序进行阶段性划分，得到若干处于预设子范围内的子区域；
选定每个子区域内第二生产区，根据每个子区域内第二生产区的原料结余数据，确定每个子区域内差值处于设定阈值内的基础子数量，确定每个子区域内满足基础子数量的第二生产区，得到若干第二生产区，其中若干第二生产区的基础子数量之和大于等于基础数量；
基于若干第二生产区和每个第二生产区的基础子数量，生成生产分配指令并下发。
作为本发明的进一步方案，所述基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果包括：
根据最新一期的销售数据，对ARIMA模型进行更新，生成符合第二拟合条件的第二拟合曲线；
识别第二拟合曲线中下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的浮动比较，生成比较结果。
作为本发明的进一步方案，所述根据比较结果，确定是否对所述基础数量的产品进行预留包括：
当第二销售预测数据和第一销售预测数据中下一期的销售预测数据的差值在预设差值内，生成基于若干第二生产区进行分发的第一指令，以对基础数量的产品进行全部预留；
当第二销售预测数据小于第一销售预测数据中下一期的销售预测数据，且二者的差值大于预设差值，根据若干第二生产区中基础数量的产品，生成集成和预留并存指令，以使得若干第二生产区中至少一个第二生产区对除自身之外的其他第二生产区进行部分产品集成，对至少一个第二生产区中基础数量的产品进行预留；
当第二销售预测数据大于第一销售预测数据中下一期的销售预测数据，且二者的差值大于预设差值，生成对若干第二生产区进行分发的第二指令，以对基础数量的产品进行全部预留。
作为本发明的进一步方案，另一方面，一种基于ARIMA模型的大数据处理系统，所述系统包括：
获取模块，用于获取产品的历史销售大数据，筛选随着时间变化的历史销售数据，所述销售数据包括销量；
预测模块，用于根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据；
计算模块，用于计算第一销售预测数据中相邻两期的销售数据的增量，当所述增量达到预设阈值时，根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据；
数据收集模块，用于根据原料增加数据收集预设距离范围内若干第二生产区的原料结余数据；
分配模块，用于按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发，所述生产分配指令用于指示根据原料结余数据就地生产满足基础数量的产品；
更新和确定模块，用于基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果，根据比较结果，确定是否对所述基础数量的产品进行预留。
进一步可选的，所述分配模块包括：
划分单元，用于以第一生产区为中心，将预设距离范围按照从近到远的顺序进行阶段性划分，得到若干处于预设子范围内的子区域；
选定单元，用于选定每个子区域内第二生产区，根据每个子区域内第二生产区的原料结余数据，确定每个子区域内差值处于设定阈值内的基础子数量，确定每个子区域内满足基础子数量的第二生产区，得到若干第二生产区，其中若干第二生产区的基础子数量之和大于等于基础数量；
生成单元，用于基于若干第二生产区和每个第二生产区的基础子数量，生成生产分配指令并下发。
本发明实施例提供的一种基于ARIMA模型的大数据处理方法和系统，通过基于ARIMA模型进行产品的销售数据的预测以及更新预测，得到较为准确的销售数据估计，在下一期的销售预测数据增加的情况下，可以基于第一生产区的副生产区（第二生产区）进行提前补充准备，并且由于第二生产区是经过原料增加数据和预设距离范围的条件筛选的，补充生产的产品调运时间可以尽可能短，以满足下一期的销售预测数据增加条件下的产品销售需求，并且可以结合最新的更新预测和第一次预测的对比，确定是否对所述基础数量的产品进行预留，方案适用性强。
附图说明
图1是一种基于ARIMA模型的大数据处理方法的主流程图。
图2是一种基于ARIMA模型的大数据处理方法中获取产品的历史销售大数据，筛选随着时间变化的历史销售数据的流程图。
图3是一种基于ARIMA模型的大数据处理方法中将生产分配指令基于若干第二生产区进行分发的流程图。
图4是一种基于ARIMA模型的大数据处理方法中根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果的流程图。
图5是一种基于ARIMA模型的大数据处理方法中根据比较结果，确定是否对所述基础数量的产品进行预留的流程图。
图6是一种基于ARIMA模型的大数据处理系统的主结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
本发明提供的一种基于ARIMA模型的大数据处理方法和系统，解决了背景技术中的技术问题。
如图1所示，为本发明的一个实施例提供的一种基于ARIMA模型的大数据处理方法的主流程图，所述一种基于ARIMA模型的大数据处理方法包括：
步骤S10：获取产品的历史销售大数据，筛选随着时间变化的历史销售数据，所述销售数据包括销量；
选取与当前设定销售时段处于同时期的所有时段，便可以历史销售大数据中筛选出满足所有时段的历史销售数据；历史销售大数据一般针对同一种产品，此时产品作为商品存在；
步骤S11：根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据；
ARIMA模型是一种流行且广泛使用的时间序列预测统计方法，简单而言，即根据已有的历史时间数据，预测未来的趋势走向；因而可以用来预测即将到来的时间段内若干期的销售数据，得到第一销售预测数据，
步骤S12：计算第一销售预测数据中相邻两期的销售数据的增量，当所述增量达到预设阈值时，根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据；
第一销售预测数据包括最新一期和下一期的销售预测数据；也即相邻两期的销售数据；
在确定销量增加的情况下，如果增量达到预设阈值，则按照原来的生产原料的存储情况，可能无法满足下一期的销售预测数据的需求；因此，考虑动用第二生产区进行尽可能的补充；根据对应关系，单个产品的生产原料构成（比例构成）是固定的，因此只要得到增量中产品总数，便可以对应计算生产这些数量增量的产品所需的每种原料的量；
步骤S13：根据原料增加数据收集预设距离范围内若干第二生产区的原料结余数据；
第二生产区作为第一生产区的副生产区，可以独立进行生产，并且可以对第一生产区进行生产补充，适用于多生产厂址的类型，每个第二生产区各有侧重，具有其主打的生产产品，并且均可以生产用于对第一生产区进行生产补充的产品；对于多个第二生产区而言，若干第二生产区中存在原料结余（可以是从其主打的生产产品的原料所剩余的），因此可以收集满足设定量的原料结余数据；这个设定量的原料进行累加，在理论上可以生产满足基础数量的产品；
步骤S14：按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发，所述生产分配指令用于指示根据原料结余数据就地生产满足基础数量的产品；
若干第二生产区中确定了，基于这些若干第二生产区的原料结余数据，生产一定的产品，累加后在理论上可以生产满足基础数量；也即生产分配指令的作用所在；以上可以实现在近距离范围（距离第一生成中心预设距离范围）下对第二生产区的补充产品的生产进行分配；
步骤S15：基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果，根据比较结果，确定是否对所述基础数量的产品进行预留。
随着时间的进行，可以得到最新一期的实际销售数据，将最新一期的实际销售数据代入ARIMA模型，也即历史销售数据中增加了一组最新的数据，重新进行曲线拟合，因此得到便可以得到第二销售预测数据，主要是第二销售预测量；因此将其与第一销售预测数据进行关于下一期的对比，看销售预测量升高还是降低了，也即浮动比较，以及升高或者降低的值是多少，例如，如果升高或者降低的值不大，因此应当保留若干第二生产区中基础数量的产品，也即前期为增量所做的准备是正确的。
以上基于ARIMA模型进行产品的销售数据的预测以及更新预测，得到较为准确的销售数据估计，在下一期的销售预测数据增加的情况下，可以基于第一生产区的副生产区（第二生产区）进行提前补充准备，并且由于第二生产区是经过原料增加数据和预设距离范围的条件筛选的，补充生产的产品调运时间可以尽可能短，以满足下一期的销售预测数据增加条件下的产品销售需求，并且可以结合最新的更新预测和第一次预测的对比，确定是否对所述基础数量的产品进行预留，方案适用性强。
如图2所示，作为本发明的一种可选的实施例，所述获取产品的历史销售大数据，筛选随着时间变化的历史销售数据包括：
步骤S101：获取设定历史时段内产品的历史销售大数据；
步骤S102：基于设定历史时段，选取与当前设定销售时段处于同时期的所有时段；
步骤S103：筛选历史销售大数据中所有时段的历史销售数据。
可以理解的是，设定历史时段要求足够长，且足够完整（包含同时期的时段），因此在设定历史时段中，选取与当前设定销售时段处于同时期的所有时段，确定了所述所有时段后，便可以筛选出历史销售大数据中所有时段的历史销售数据；该步骤相当于进行数据准备和初步筛选。
作为本发明的一种可选的实施例，所述根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据包括：
步骤：根据所有时段的历史销售数据，建立ARIMA模型，生成符合第一拟合条件的第一拟合曲线；
步骤：根据第一拟合曲线向后预测若干期的销售数据，得到第一销售预测数据。
ARIMA模型经典的自回归模型，其建立的步骤包括：对历史销售数据进行预处理→数据平滑处理→平稳性检验→时间序列定阶→信息准则定阶→模型构建→模型评价等步骤，其属于现有成熟技术；拟合条件中，利用SSE（误差平方和） 来进行拟合度的检验；此值越小，表示模型的拟合越准确；不同拟合条件对应不同的拟合度；向后预测若干期的销售数据时，输入若干期的时间（如按月输入，按照周输入等），即可得到第一销售预测数据，第一销售预测数据包括最新一期和下一期的销售预测数据。
作为本发明的一种可选的实施例，所述根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据包括：
步骤：获取增量中单个产品的生产原料构成；
步骤：根据生产原料构成和增量中产品总数，计算第一生产区的原料增加数据，所述原料增加数据包括生产原料的对应增加数量。
应当理解的是，单个产品的生产原料构成（比例构成）是固定的，因此只要得到增量中产品总数，便可以对应计算生产原料的对应增加数量，也即生产这些数量增量的产品所需的每种原料的量。
如图3所示，作为本发明的一种可选的实施例，所述按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发包括：
步骤S141：以第一生产区为中心，将预设距离范围按照从近到远的顺序进行阶段性划分，得到若干处于预设子范围内的子区域；
从近到远的顺序进行阶段性划分，也即将预设距离范围由近到远划分为若干预设子距离范围，每个预设子范围内均覆盖有子区域；例如5km范围内，按照每相隔2.5km进行划分，则距离第一生产区0-2.5km、2.5-5km分别为不同的子区域（也即等距划分）；或者进行非等距划分；
步骤S142：选定每个子区域内第二生产区，根据每个子区域内第二生产区的原料结余数据，确定每个子区域内差值处于设定阈值内的基础子数量；
每个子区域内存在多个第二生产区，第二生产区作为第一生产区的副生产第二生产区；根据原料结余数据（结余量），选取中位数，以此确定原料的量不低于该中位数的第二生产区；这些第二生产区通过不低于中位数的已有的原料的量，能够生产满足设定阈值内的基础子数量的产品；每个阶段性子范围之间的中位数可以相同或者不同；
步骤S143：确定每个子区域内满足基础子数量的第二生产区，得到若干第二生产区，其中若干第二生产区的基础子数量之和大于等于基础数量；
也即从多个第二生产区中确定若干第二生产区；并且若干第二生产区的基础子数量之和大于等于基础数量，基础数量是尽量满足增量的最大产品数量；
步骤S144：基于若干第二生产区和每个第二生产区的基础子数量，生成生产分配指令并下发。
若干第二生产区中每个第二生产区确定了，基础子数量也确定了，因此，可以基于这些若干第二生产区的原料结余数据，生产基础子数量的产品，也即生产分配指令的作用所在；以上可以实现在近距离范围内基于第二生产区的产品补充生产分配。
如图4所示，作为本发明的一种可选的实施例，所述基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果包括：
步骤S1511：根据最新一期的销售数据，对ARIMA模型进行更新，生成符合第二拟合条件的第二拟合曲线；
步骤S1512：识别第二拟合曲线中下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的浮动比较，生成比较结果。
可以理解的是，随着时间的进行，可以得到最新一期的实际销售数据，将最新一期的实际销售数据代入ARIMA模型，重新进行曲线拟合，也即历史销售数据中增加了一组最新的数据，因此得到符合第二拟合条件的第二拟合曲线，与第一拟合条件相类似的，利用SSE（误差平方和） 来进行拟合度的检验；此值越小，表示模型的拟合越准确；得到第二拟合曲线后，输入下一期的时间，便可以得到第二销售预测数据，主要是第二销售预测量；因此将其与第一销售预测数据进行关于下一期的对比，看销售预测量升高还是降低了，也即浮动比较，以及升高或者降低的值是多少，由此得到比较结果。
如图5所示，作为本发明的一种可选的实施例，所述根据比较结果，确定是否对所述基础数量的产品进行预留包括：
步骤S1521：当第二销售预测数据和第一销售预测数据中下一期的销售预测数据的差值在预设差值内，生成基于若干第二生产区进行分发的第一指令，以对基础数量的产品进行全部预留；
第二销售预测数据和第一销售预测数据中下一期的销售预测数据的差值在预设差值内，不论是前者大于后者，还是后者大于前者，只要二者的差值处于预设差值内，表明下一期销售预测数据在前后两次基于ARIMA模型的预测下相差不大，因此应当保留若干第二生产区中基础数量的产品；
步骤S1522：当第二销售预测数据小于第一销售预测数据中下一期的销售预测数据，且二者的差值大于预设差值，根据若干第二生产区中基础数量的产品，生成集成和预留并存指令，以使得若干第二生产区中至少一个第二生产区对除自身之外的其他第二生产区进行部分产品集成，对至少一个第二生产区中基础数量的产品进行预留；其他第二生产区一般较小，例如5%的占比，以使得另外95%第二生产区的产品优先满足第一生产区的第二销售预测数据；
当第二次预测数据比第一次的要低，由于第二次预测相对更准，且二者的差值大于预设差值，此时部分第二生产区中基础数量中产品可以得到利用，另一部分可以进行集成，为至少一个第二生产区所利用，例如A第二生产区的20个产品用于满足第二销售预测数据；但是并非所有的第二生产区均被利用，由于每个子区域内差值处于设定阈值内的基础子数量，因此如果A第二生产区后来产生额外产品需求，可以基于较近的其他第二生产区进行产品利用，例如利用C第二生产区15个和D第二生产区内的5个；其他第二生产区应当优先从距离第一生产区的最远的第二生产区获取，保证距离第一生产区较近的第二生产区的产品为第一生产区的第二销售预测数据所预留；
步骤S143：当第二销售预测数据大于第一销售预测数据中下一期的销售预测数据，且二者的差值大于预设差值，生成对若干第二生产区进行分发的第二指令，以对基础数量的产品进行全部预留。
第三种情况，显然需要增加产品数量，以满足第二销售预测数据，因此在前述已经准备的情况下，应该将若干第二生产区中基础数量的产品进行全部预留。
以上区分各种情况，实现对第二销售预测数据的尽可能满足，同时如果不需要全部的预留产品，可以通过较近的第二生产区进行“集成借用”；满足产品预留和借用均是处于预设距离内，且优先满足近距离的产品预留，也即方案适用性强。
如图6所示，作为本发明的另一种可选的实施例，另一方面，一种基于ARIMA模型的大数据处理系统，所述系统包括：
获取模块100，用于获取产品的历史销售大数据，筛选随着时间变化的历史销售数据，所述销售数据包括销量；
预测模块200，用于根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据；
计算模块300，用于计算第一销售预测数据中相邻两期的销售数据的增量，当所述增量达到预设阈值时，根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据；
数据收集模块400，用于根据原料增加数据收集预设距离范围内若干第二生产区的原料结余数据；
分配模块500，用于按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发，所述生产分配指令用于指示根据原料结余数据就地生产满足基础数量的产品；
更新和确定模块600，用于基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果，根据比较结果，确定是否对所述基础数量的产品进行预留。
可选的，所述分配模块500包括：
划分单元，用于以第一生产区为中心，将预设距离范围按照从近到远的顺序进行阶段性划分，得到若干处于预设子范围内的子区域；
选定单元，用于选定每个子区域内第二生产区，根据每个子区域内第二生产区的原料结余数据，确定每个子区域内差值处于设定阈值内的基础子数量，确定每个子区域内满足基础子数量的第二生产区，得到若干第二生产区，其中若干第二生产区的基础子数量之和大于等于基础数量；
生成单元，用于基于若干第二生产区和每个第二生产区的基础子数量，生成生产分配指令并下发。
需要说明的是，参照前述实施例中对一种基于ARIMA模型的大数据处理方法的具体实施描述，本系统与该方法的实施方法完全对应，在此不再叙述。
本发明上述实施例中提供了一种基于ARIMA模型的大数据处理方法，并基于该基于ARIMA模型的大数据处理方法提供了一种基于ARIMA模型的大数据处理系统，基于ARIMA模型进行产品的销售数据的预测以及更新预测，得到较为准确的销售数据估计，在下一期的销售预测数据增加的情况下，可以基于第一生产区的副生产区（第二生产区）进行提前补充准备，并且由于第二生产区是经过原料增加数据和预设距离范围的条件筛选的，补充生产的产品调运时间可以尽可能短，以满足下一期的销售预测数据增加条件下的产品销售需求，并且可以结合最新的更新预测和第一次预测的对比，确定是否对所述基础数量的产品进行预留，方案适用性强。
为了能够加载上述方法和系统能够顺利运行，该系统除了包括上述各种模块之外，还可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线、处理器和存储器等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，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)、现成可编程门阵列(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。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，上述处理器是上述系统的控制中心，利用各种接口和线路连接各个部分。
上述存储器可用于存储计算机以及系统程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等。存储数据区可存储根据泊位状态显示系统的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述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。
以上所述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本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。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于ARIMA模型的大数据处理方法，其特征在于，所述方法包括：
获取产品的历史销售大数据，筛选随着时间变化的历史销售数据，所述销售数据包括销量；
根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据；
计算第一销售预测数据中相邻两期的销售数据的增量，当所述增量达到预设阈值时，根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据；
根据原料增加数据收集预设距离范围内若干第二生产区的原料结余数据；
按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发，所述生产分配指令用于指示根据原料结余数据就地生产满足基础数量的产品；
基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果，根据比较结果，确定是否对所述基础数量的产品进行预留；
所述按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发包括：
以第一生产区为中心，将预设距离范围按照从近到远的顺序进行阶段性划分，得到若干处于预设子范围内的子区域；
选定每个子区域内第二生产区，每个子区域内存在多个第二生产区，根据每个子区域内第二生产区的原料结余数据选取中位数，确定原料的量不低于该中位数的第二生产区，该第二生产区通过不低于该中位数的已有的原料的量，能够生产满足设定阈值内的基础子数量的产品；
确定每个子区域内满足基础子数量的第二生产区，得到若干第二生产区，其中若干第二生产区的基础子数量之和大于等于基础数量；
基于若干第二生产区和每个第二生产区的基础子数量，生成生产分配指令并下发。
2.根据权利要求1所述的基于ARIMA模型的大数据处理方法，其特征在于，所述获取产品的历史销售大数据，筛选随着时间变化的历史销售数据包括：
获取设定历史时段内产品的历史销售大数据；
基于设定历史时段，选取与当前设定销售时段处于同时期的所有时段；
筛选历史销售大数据中所有时段的历史销售数据。
3.根据权利要求2所述的基于ARIMA模型的大数据处理方法，其特征在于，所述根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据包括：
根据所有时段的历史销售数据，建立ARIMA模型，生成符合第一拟合条件的第一拟合曲线；
根据第一拟合曲线向后预测若干期的销售数据，得到第一销售预测数据。
4.根据权利要求3所述的基于ARIMA模型的大数据处理方法，其特征在于，所述根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据包括：
获取增量中单个产品的生产原料构成；
根据生产原料构成和增量中产品总数，计算第一生产区的原料增加数据，所述原料增加数据包括生产原料的对应增加数量。
5.根据权利要求3所述的基于ARIMA模型的大数据处理方法，其特征在于，所述基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果包括：
根据最新一期的销售数据，对ARIMA模型进行更新，生成符合第二拟合条件的第二拟合曲线；
识别第二拟合曲线中下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的浮动比较，生成比较结果。
6.根据权利要求1或5所述的基于ARIMA模型的大数据处理方法，其特征在于，所述根据比较结果，确定是否对所述基础数量的产品进行预留包括：
当第二销售预测数据和第一销售预测数据中下一期的销售预测数据的差值在预设差值内，生成基于若干第二生产区进行分发的第一指令，以对基础数量的产品进行全部预留；
当第二销售预测数据小于第一销售预测数据中下一期的销售预测数据，且二者的差值大于预设差值，根据若干第二生产区中基础数量的产品，生成集成和预留并存指令，以使得若干第二生产区中至少一个第二生产区对除自身之外的其他第二生产区进行部分产品集成，对至少一个第二生产区中基础数量的产品进行预留；
当第二销售预测数据大于第一销售预测数据中下一期的销售预测数据，且二者的差值大于预设差值，生成对若干第二生产区进行分发的第二指令，以对基础数量的产品进行全部预留。
7.一种基于ARIMA模型的大数据处理系统，其特征在于，所述系统包括：
获取模块，用于获取产品的历史销售大数据，筛选随着时间变化的历史销售数据，所述销售数据包括销量；
预测模块，用于根据历史销售数据建立ARIMA模型，并向后预测若干期的销售数据，得到第一销售预测数据；
计算模块，用于计算第一销售预测数据中相邻两期的销售数据的增量，当所述增量达到预设阈值时，根据所述增量和生产原料之间的对应关系，计算第一生产区的原料增加数据；
数据收集模块，用于根据原料增加数据收集预设距离范围内若干第二生产区的原料结余数据；
分配模块，用于按照原料结余数据生成生产分配指令，将生产分配指令基于若干第二生产区进行分发，所述生产分配指令用于指示根据原料结余数据就地生产满足基础数量的产品；
更新和确定模块，用于基于ARIMA模型补充最新一期的实际销售数据，并获取下一期的第二销售预测数据，根据第一销售预测数据和第二销售预测数据进行下一期的比较，生成比较结果，根据比较结果，确定是否对所述基础数量的产品进行预留；
所述分配模块包括：
划分单元，用于以第一生产区为中心，将预设距离范围按照从近到远的顺序进行阶段性划分，得到若干处于预设子范围内的子区域；
选定单元，用于选定每个子区域内第二生产区，每个子区域内存在多个第二生产区，根据每个子区域内第二生产区的原料结余数据选取中位数，确定原料的量不低于该中位数的第二生产区，该第二生产区通过不低于该中位数的已有的原料的量，能够生产满足设定阈值内的基础子数量的产品；确定每个子区域内满足基础子数量的第二生产区，得到若干第二生产区，其中若干第二生产区的基础子数量之和大于等于基础数量；
生成单元，用于基于若干第二生产区和每个第二生产区的基础子数量，生成生产分配指令并下发。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604808.6A CN117314505B (zh) | 2023-11-29 | 2023-11-29 | 一种基于arima模型的大数据处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604808.6A CN117314505B (zh) | 2023-11-29 | 2023-11-29 | 一种基于arima模型的大数据处理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117314505A CN117314505A (zh) | 2023-12-29 |
| CN117314505B true CN117314505B (zh) | 2024-03-05 |
Family
ID=89286897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311604808.6A Active CN117314505B (zh) | 2023-11-29 | 2023-11-29 | 一种基于arima模型的大数据处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314505B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014130468A (ja) * | 2012-12-28 | 2014-07-10 | Mitsubishi Heavy Ind Ltd | 生産輸送計画立案装置、生産輸送計画立案方法、プログラム、及び記録媒体 |
| CN109767114A (zh) * | 2019-01-08 | 2019-05-17 | 腾燊嘉诚(上海)信息科技股份有限公司 | 一种智能排产系统 |
| CN111754066A (zh) * | 2019-03-27 | 2020-10-09 | 三星电子株式会社 | 浮动工厂、制造服务设备的操作方法和集成产品管理系统 |
| CN113269445A (zh) * | 2021-05-28 | 2021-08-17 | 杉数科技(北京)有限公司 | 一种产品的排产方法及装置 |
| CN116205676A (zh) * | 2023-01-10 | 2023-06-02 | 北京大为家具集团有限公司 | 一种大数据家具供应链处理系统及处理方法 |
| CN116308029A (zh) * | 2023-01-18 | 2023-06-23 | 国网河北省电力有限公司物资分公司 | 一种基于区块链的电力物资动态调度方法 |
| CN116542456A (zh) * | 2023-04-25 | 2023-08-04 | 秒优大数据科技(杭州)有限公司 | 一种智能派单方法、装置和设备 |
-
2023
- 2023-11-29 CN CN202311604808.6A patent/CN117314505B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014130468A (ja) * | 2012-12-28 | 2014-07-10 | Mitsubishi Heavy Ind Ltd | 生産輸送計画立案装置、生産輸送計画立案方法、プログラム、及び記録媒体 |
| CN109767114A (zh) * | 2019-01-08 | 2019-05-17 | 腾燊嘉诚(上海)信息科技股份有限公司 | 一种智能排产系统 |
| CN111754066A (zh) * | 2019-03-27 | 2020-10-09 | 三星电子株式会社 | 浮动工厂、制造服务设备的操作方法和集成产品管理系统 |
| CN113269445A (zh) * | 2021-05-28 | 2021-08-17 | 杉数科技(北京)有限公司 | 一种产品的排产方法及装置 |
| CN116205676A (zh) * | 2023-01-10 | 2023-06-02 | 北京大为家具集团有限公司 | 一种大数据家具供应链处理系统及处理方法 |
| CN116308029A (zh) * | 2023-01-18 | 2023-06-23 | 国网河北省电力有限公司物资分公司 | 一种基于区块链的电力物资动态调度方法 |
| CN116542456A (zh) * | 2023-04-25 | 2023-08-04 | 秒优大数据科技(杭州)有限公司 | 一种智能派单方法、装置和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117314505A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9569804B2 (en) | Systems and methods for energy consumption and energy demand management | |
| EP2391961B1 (en) | System and method for integrating capacity planning and workload management | |
| CN110188970B (zh) | 共享车辆管理装置以及共享车辆管理方法 | |
| US20190087232A1 (en) | System and method for distributed resource requirement and allocation | |
| CN107025137B (zh) | 一种资源查询方法及装置 | |
| JPH0922435A (ja) | 在庫におけるパーツのユニット数を管理するシステムおよび方法 | |
| Afsharian et al. | A DEA-based incentives system for centrally managed multi-unit organisations | |
| JP7125491B2 (ja) | 機械分析 | |
| US20230229486A1 (en) | Virtual machine workload prediction method, virtual machine management method having the same and virtual machine management system implementing the same | |
| Altendorfer et al. | Periodical capacity setting methods for make-to-order multi-machine production systems | |
| CN117314505B (zh) | 一种基于arima模型的大数据处理方法和系统 | |
| CN109922212B (zh) | 一种时段话务量占比的预测方法及装置 | |
| Kuzgunkaya et al. | Economic and strategic perspectives on investing in RMS and FMS | |
| Jarrah et al. | Cash flow projections for selected TxDoT highway projects | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| CN111311015A (zh) | 个性化点击率预测方法、设备及可读存储介质 | |
| CN116128402A (zh) | 订单数据处理方法、装置、介质及电子设备 | |
| JP2002109401A (ja) | サービスレベル制御方法および装置 | |
| Scheller et al. | Entity-oriented multi-level energy system optimization modeling | |
| Liu et al. | Finish them on the fly: An incentive mechanism for real-time spatial crowdsourcing | |
| Bartelsman | From new technology to productivity | |
| Ngueveu et al. | Lower and upper bounds for scheduling energy-consuming tasks with storage resources and piecewise linear costs | |
| US7707575B2 (en) | System and method for selecting a portfolio of resources in a heterogeneous data center | |
| CN117332157B (zh) | 一种基于大数据的讯息推送方法及系统 | |
| JP6935040B2 (ja) | 部品管理システム、部品管理方法および部品管理プログラム |
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 |