CN117436793A - 一种用于资产管理的物体追踪方法 - Google Patents

一种用于资产管理的物体追踪方法 Download PDF

Info

Publication number
CN117436793A
CN117436793A CN202311752988.2A CN202311752988A CN117436793A CN 117436793 A CN117436793 A CN 117436793A CN 202311752988 A CN202311752988 A CN 202311752988A CN 117436793 A CN117436793 A CN 117436793A
Authority
CN
China
Prior art keywords
circulation
asset
type
node
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
Application number
CN202311752988.2A
Other languages
English (en)
Other versions
CN117436793B (zh
Inventor
黄立平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Jinhe Washing Co ltd
Original Assignee
Shaanxi Jinhe Washing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Jinhe Washing Co ltd filed Critical Shaanxi Jinhe Washing Co ltd
Priority to CN202311752988.2A priority Critical patent/CN117436793B/zh
Publication of CN117436793A publication Critical patent/CN117436793A/zh
Application granted granted Critical
Publication of CN117436793B publication Critical patent/CN117436793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及资产管理技术领域，尤其涉及一种用于资产管理的物体追踪方法，包括：对于一种资产类型，获取每种流转类型的损耗模型；追踪目标资产的流转过程以获取目标资产的流转链路；响应于流转链路获取新增流转节点，基于新增流转节点的流转时刻计算相邻流转节点的持续时间，并预测目标资产的剩余寿命，剩余寿命为目标资产在新增流转节点对应流转类型中的可使用时长；基于剩余寿命更新目标资产类型的库存量，实现资产管理，库存量包括目标资产类型在每种流转类型的可使用量。本申请能够能确定每种资产的库存量，实现资产的精准管理。

Description

一种用于资产管理的物体追踪方法
技术领域
本申请一般地涉及资产管理技术领域，尤其涉及一种用于资产管理的物体追踪方法。
背景技术
在智慧酒店或智慧宾馆中，来往的顾客和工作人员众多，不可避免地涉及被子、工作服、拖鞋、吹风机等资产的流转。比如，在智慧宾馆中，在顾客入住结束后，需对房间中的被子、床单等资产进行更换并流转入清洗环节，清洗后流转入入库存储环节；当任意一个房间需要使用被子时，将入库存储中的被子取出，放置于房间中，此时被子流转到使用环节。
目前，公布号为CN106651120A的专利申请文件公开了一种智慧酒店的物资供应链管控系统，对酒店内的所有物资进行标签配置，并通过标签扫描监控物资的位置和数量，实现供应商、采购、库存、物资流转和固定资产的管理；进一步地，根据物资的统计信息对物资进行过期识别、定位追踪和分析决策，实现智慧酒店内的资产管理和物资供应链管控。
然而，上述方法依据酒店内的不同物资的统计信息实现资产管理，但是无法在出现物资不足的情况之前，预测不同物资能够使用的库存量，资产的管理具有滞后性，不能实现资产的精准管理。
发明内容
为了解决现有技术中的上述技术问题，本申请提供了一种用于资产管理的物体追踪方法，能确定每种资产的库存量，实现资产的精准管理。
本发明提供了一种用于资产管理的物体追踪方法，包括：对于一种资产类型，获取每种流转类型的损耗模型，一种资产类型对应多种流转类型，所述流转类型至少包括借出使用和归还入库，其中所述损耗模型满足关系式：
其中，为资产类型/>中流转类型/>的增量系数，/>为资产类型/>的任意资产处于流转类型/>的持续时间，/>为所述任意资产的损耗程度增量；追踪目标资产的流转过程以获取所述目标资产的流转链路，所述流转链路包括多个流转节点，一个流转节点对应一个所述目标资产的损耗程度，所述流转节点包括流转类型和流转时刻；响应于所述流转链路获取新增流转节点，基于所述新增流转节点的流转时刻计算相邻流转节点的持续时间，所述相邻流转节点为所述流转链路中所述新增流转节点上一个相邻的流转节点；基于所述新增流转节点的流转类型、所述目标资产类型以及所述相邻流转节点的流转类型、持续时间和损耗程度预测所述目标资产的剩余寿命，所述剩余寿命为所述目标资产在所述新增流转节点对应流转类型中的可使用时长，所述目标资产类型为所述目标资产对应的资产类型，所述目标资产的剩余寿命满足关系式：
其中，为设定损耗阈值，/>为相邻流转节点的损耗程度，/>为目标资产类型中相邻流转节点/>对应流转类型的增量系数，/>为相邻流转节点/>的持续时间，为目标资产类型/>中新增流转节点/>对应流转类型的增量系数，/>为所述目标资产的剩余寿命；基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理。
在一些实施例中，所述对于一种资产类型，获取每种流转类型的损耗模型包括：获取一种资产类型对应的训练完毕的质量分类网络，所述质量分类网络的输入为所述资产类型的图像信息，输出为所述资产类型的异常概率；在所述资产类型的任意资产对应的历史流转过程中，采集进入一个流转类型之前的第一图像信息，并将所述第一图像信息输入训练完毕的质量分类网络，得到第一异常概率，所述第一异常概率为所述流转类型之前所述资产的异常概率；响应于所述流转类型结束，采集所述流转类型的持续时间以及所述流转类型结束之后的第二图像信息，将所述第二图像信息输入训练完毕的质量分类网络，得到第二异常概率，所述第二异常概率为所述流转类型结束之后所述资产的异常概率；将所述第一异常概率、所述第二异常概率和所述持续时间作为所述资产类型中所述流转类型的一组样本数据；采集多组训练样本以获取所述资产类型中所述流转类型的损耗模型。
在一些实施例中，所述采集多组训练样本以获取所述资产类型中所述流转类型的损耗模型包括：依据所述多组训练样本确定所述资产类型中所述流转类型的增量系数，所述增量系数满足关系式：
其中，和/>为第/>组训练样本中的第二异常概率和第一异常概率，/>为第组训练样本中的持续时间，/>为训练样本的数量，/>为资产类型/>中流转类型/>的增量系数；依据所述增量系数获取所述资产类型中所述流转类型的损耗模型。
在一些实施例中，所述获取一种资产类型对应的训练完毕的质量分类网络包括：采集所述资产类型的多张样本图像，并获取每张样本图像的类别标签；将一个训练批次的样本图像输入质量分类网络，输出所述训练批次中每张样本图像的预测结果，所述预测结果为样本图像属于异常的异常概率；基于所述预测结果和所述类别标签计算损失函数，所述损失函数为二分类交叉熵函数；利用梯度下降法更新所述质量分类网络，完成一次训练；迭代地训练所述质量分类网络，直至所述损失函数的取值小于设定损失，或所述训练次数达到设定次数时，停止训练，得到所述资产类型对应的训练完毕的质量分类网络。
在一些实施例中，所述追踪目标资产的流转过程以获取所述目标资产的流转链路包括：在追踪所述目标资产的流转过程中，响应于所述目标资产流转入任意流转类型，储存流转时刻和所述流转类型以生成流转节点，并将所述流转节点/>连接至上一个相邻的流转节点/>的后端；基于所述流转节点/>的损耗程度计算所述流转节点/>的损耗程度，所述流转节点/>的损耗程度满足关系式：
其中，为流转节点/>的损耗程度，/>为目标资产类型/>中流转节点对应流转类型的增量系数，/>为流转节点/>和流转节点/>之间流转时刻的时间间隔，/>为所述流转节点/>的损耗程度；追踪目标资产的流转过程以不断生成流转节点，构建所述目标资产的流转链路；其中，响应于所述流转节点为初始节点，将所述流转节点对应的损耗程度为0。
在一些实施例中，基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理包括：计算所述目标资产类型在目标流转类型的平均持续时间，其中所述目标流转类型为所述新增流转节点对应的流转类型；获取所述目标资产类型的库存量，所述库存量包括所述目标资产类型在每种流转类型的可使用量；对比所述剩余寿命与所述平均持续时间，响应于所述剩余寿命小于所述平均持续时间，将所述目标资产类型在目标流转类型的可使用量减1，以更新所述库存量。
在一些实施例中，基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理还包括：响应于所述剩余寿命小于所述平均持续时间，将所述目标资产舍弃，并将所述目标资产类型的其它资产流转入所述目标流转类型，直至所述目标流转类型的数量达到设定需求量，其中，所述其它资产的剩余寿命不小于所述平均持续时间。
本申请实施例提供的上述一种用于资产管理的物体追踪方法，首先每种资产类型对应多种流转类型，根据历史流转过程构建每种资产类型在每种流转类型下的损耗模型，该损耗模型可依据在流转类型内的持续时间预测损耗程度增量；进一步地，对每一个资产构建能够反映流转过程的流转链路，响应于流转链路存在新增流转节点，依据损耗模型预测该资产在新增流转节点的剩余寿命，并依据剩余寿命更新对应资产类型的库存量，库存量中包括了资产类型在每种流转类型的可使用量，能够确定每种资产的库存量，实现资产的精准管理。
进一步地，依据不同资产的历史流转过程构建多个损耗模型，一个资产类型的一种流转类型对应一个损耗模型；根据损耗模型可准确预测任意资产在任意一种流转类型结束后该资产对应的损耗程度增量。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是根据本申请实施例的一种用于资产管理的物体追踪方法的流程图；
图2是根据本申请实施例的目标资产的流转链路的示意图；
图3是根据本申请实施例的目标资产类型的库存量的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面，本申请提供了一种用于资产管理的物体追踪方法，用于对智慧酒店或智慧宾馆中的被套、工作服、拖鞋等资产的流转过程进行追踪，实现智慧酒店或智慧宾馆的资产管理。
请参阅图1所示，为本申请较佳实施方式提供的一种用于资产管理的物体追踪方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
S11，对于一种资产类型，获取每种流转类型的损耗模型，所述资产类型至少包括服装和被套，一种资产类型对应多种流转类型，所述流转类型至少包括借出使用和归还入库。
在一个实施例中，资产类型至少包括服装和被套，还包括毛巾、吹风机、充电宝等可循环使用的资产；一种资产类型对应多种流转类型，且不同资产对应的流转类型不同。比如，对于资产类型“被套”而言，其流转类型包括借出使用、清洗、归还入库、杀菌消毒；对于资产类型“充电宝”而言，其流转类型包括借出使用和归还入库。
在一个实施例中，一种资产类型对应多种流转类型，对于每种资产类型，获取对应每种流转类型的损耗模型，所述损耗模型的输入为资产类型对应的任意资产处于流转类型的持续时间，输出为该资产的损耗程度增量。所述损耗模型的数量与资产类型和每种资产类型对应的流转类型有关，比如，智慧酒店中共包括5种资产类型，且每种资产类型各对应6种流转类型，则可构建30个损耗模型。
具体地，所述对于一种资产类型，获取每种流转类型的损耗模型包括：获取一种资产类型对应的训练完毕的质量分类网络，所述质量分类网络的输入为所述资产类型的图像信息，输出为所述资产类型的异常概率；在所述资产类型的任意资产对应的历史流转过程中，采集进入一个流转类型之前的第一图像信息，并将所述第一图像信息输入训练完毕的质量分类网络，得到第一异常概率，所述第一异常概率为所述流转类型之前所述资产的异常概率；响应于所述流转类型结束，采集所述流转类型的持续时间以及所述流转类型结束之后的第二图像信息，将所述第二图像信息输入训练完毕的质量分类网络，得到第二异常概率，所述第二异常概率为所述流转类型结束之后所述资产的异常概率；将所述第一异常概率、所述第二异常概率和所述持续时间作为所述资产类型中所述流转类型的一组样本数据；采集多组训练样本以获取所述资产类型中所述流转类型的损耗模型。
其中，所述采集多组训练样本以获取所述资产类型中所述流转类型的损耗模型包括：依据所述多组训练样本确定所述资产类型中所述流转类型的增量系数，所述增量系数满足关系式：
其中，和/>为第/>组训练样本中的第二异常概率和第一异常概率，/>为第组训练样本中的持续时间，/>为训练样本的数量，/>为资产类型/>中流转类型/>的增量系数；依据所述增量系数获取所述资产类型中所述流转类型的损耗模型。
可以理解地，为流转类型开始前和结束后的损耗程度增量，且满足关系：/>。
在确定所述资产类型中所述流转类型的增量系数后，即可获取对应的损耗模型，所述损耗模型满足关系式：
其中，为资产类型/>中流转类型/>的增量系数，/>为资产类型/>的任意资产处于流转类型/>的持续时间，/>为所述任意资产的损耗程度增量。
在一个实施例中，所述获取一种资产类型对应的训练完毕的质量分类网络包括：采集所述资产类型的多张样本图像，并获取每张样本图像的类别标签；将一个训练批次的样本图像输入质量分类网络，输出所述训练批次中每张样本图像的预测结果，所述预测结果为样本图像属于异常的异常概率；基于所述预测结果和所述类别标签计算损失函数，所述损失函数为二分类交叉熵函数；利用梯度下降法更新所述质量分类网络，完成一次训练；迭代地训练所述质量分类网络，直至所述损失函数的取值小于设定损失，或所述训练次数达到设定次数时，停止训练，得到所述资产类型对应的训练完毕的质量分类网络。
其中，所述质量分类网络为ResNet、DenseNet等任意一种现有的图像分类网络；所述设定损失为0.001；所述设定次数为6000。
如此，依据不同资产的历史流转过程构建多个损耗模型，一个资产类型的一种流转类型对应一个损耗模型；根据损耗模型可准确预测任意资产在任意一种流转类型结束后该资产对应的损耗程度增量。
S12，追踪目标资产的流转过程以获取所述目标资产的流转链路，所述流转链路包括多个流转节点，一个流转节点对应一个所述目标资产的损耗程度，所述流转节点包括流转类型和流转时刻。
在一个实施例中，目标资产为需要管理的任意一个资产。所述追踪目标资产的流转过程以获取所述目标资产的流转链路包括：在追踪所述目标资产的流转过程中，响应于所述目标资产流转入任意流转类型，储存流转时刻和所述流转类型以生成流转节点，并将所述流转节点/>连接至上一个相邻的流转节点/>的后端；基于所述流转节点/>的损耗程度计算所述流转节点/>的损耗程度，所述流转节点/>的损耗程度满足关系式：
其中，为流转节点/>的损耗程度，/>为目标资产类型/>中流转节点对应流转类型的增量系数，/>为流转节点/>和流转节点/>之间流转时刻的时间间隔，/>为所述流转节点/>的损耗程度；追踪目标资产的流转过程以不断生成流转节点，构建所述目标资产的流转链路；其中，响应于所述流转节点为初始节点，将所述流转节点对应的损耗程度为0。
示例性地，请参见图2，是根据本申请实施例的目标资产的流转链路的示意图。流转节点1为目标资产流转过程的起始节点，故流转节点1对应于初始节点，流转节点1对应的损耗程度1的取值为0；随着流转流程的开始，目标资产的流转链路会不断增长，每当目标资产流转入一个环节时，均会在原有的流转链路的末端新增一个流转节点，且流转节点中储存着对应的流转时刻和流转类型。
如此，通过构建流转链路实现每个资产流转过程的实时追踪。
在其它可选的实施例中，由于智慧酒店或智慧宾馆中的资产的数量众多，每个资产均会对应一个流转链路，随着资产流转时间的增长，流转链路的长度也在逐渐增长，即流转链路中的数据变的越来越多；如果对每个资产对应流转链路中的数据进行储存，会占据大量的存储空间，增加硬件设备的负载，故可剔除流转链路中对资产管理没有价值的数据。具体地，对于每个资产的流转链路中，储存所述流转链路中末端的流转节点及其对应的损耗程度，所述流转节点包括流转时刻和流转类型。
示例性地，在图2所示出的流转链路中，仅需存储流转节点5及其对应的损耗程度5即可，流转节点1至流转节点4均为历史流转过程，属于对资产管理没有价值的数据。
S13，响应于所述流转链路获取新增流转节点，基于所述新增流转节点的流转时刻计算相邻流转节点的持续时间，所述相邻流转节点为所述流转链路中所述新增流转节点上一个相邻的流转节点。
在一个实施例中，当目标资产转入下一个环节时，会在目标资产的流转链路的末端生成一个新的流转节点，将所述新的流转节点记为新增流转节点。
获取新增流转节点和相邻流转节点的流转时刻，将两个流转时刻之间的时间间隔作为相邻流转节点的持续时间；其中相邻流转节点为所述流转链路中新增流转节点上一个相邻的流转节点。
S14，基于所述新增流转节点的流转类型、所述目标资产类型以及所述相邻流转节点的流转类型、持续时间和损耗程度预测所述目标资产的剩余寿命，所述目标资产类型为所述目标资产对应的资产类型，所述剩余寿命为所述目标资产在所述新增流转节点对应流转类型中的可使用时长。
在一个实施例中，基于所述目标资产的资产类型（即目标资产类型）以及所述相邻流转节点的流转类型、持续时间和损耗程度计算新增流转节点对应的损耗程度，损耗程度/>满足关系式：
其中，为相邻流转节点的损耗程度，/>为目标资产类型/>中相邻流转节点对应流转类型的增量系数，/>为相邻流转节点/>的持续时间，/>为新增流转节点对应的损耗程度。
可以理解地，为依据损耗模型计算的相邻流转节点对应的损耗程度增量，/>为相邻流转节点的损耗程度，则/>为新增流转节点对应的损耗程度，也即为新增流转节点对应流转时刻的损耗程度。
其中，响应于目标资产的损耗程度达到设定损耗阈值时，表示目标资产无法再次投入使用。在计算新增流转节点对应的损耗程度之后，依据设定损耗阈值、新增流转节点的流转类型和所述目标资产类型计算目标资产的剩余寿命，所述剩余寿命满足关系式：
其中，为设定损耗阈值，/>为相邻流转节点的损耗程度，/>为目标资产类型中相邻流转节点/>对应流转类型的增量系数，/>为相邻流转节点/>的持续时间，为目标资产类型/>中新增流转节点/>对应流转类型的增量系数，/>为所述目标资产的剩余寿命。
可以理解地，为新增流转节点对应流转时刻的损耗程度，为目标资产无法再次投入使用时对应的损耗程度余量，/>则表示目标资产在所述新增流转节点对应流转类型中的可使用时长。
如此，获取一个新增流转节点后，即可预测目标资产在新增流转节点对应流转类型中的剩余寿命。
S15，基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理。
在一个实施例中，基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理包括：计算所述目标资产类型在目标流转类型的平均持续时间，其中所述目标流转类型为所述新增流转节点对应的流转类型；获取所述目标资产类型的库存量，所述库存量包括所述目标资产类型在每种流转类型的可使用量；对比所述剩余寿命与所述平均持续时间，响应于所述剩余寿命小于所述平均持续时间，将所述目标资产类型在目标流转类型的可使用量减1，以更新所述库存量。
其中，所述目标资产类型的平均持续时间可依据该资产类型的任意资产对应的历史流转获取。所述目标资产类型的库存量中，包括该资产类型对应的每种流转类型的可使用量，比如，若目标资产类型的流转类型包括6种，则目标资产类型的库存量的示意图如图3所示。
在另一个实施例中，基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理还包括：响应于所述剩余寿命小于所述平均持续时间，将所述目标资产舍弃，并将所述目标资产类型的其它资产流转入所述目标流转类型，直至所述目标流转类型的数量达到设定需求量，其中，所述其它资产的剩余寿命不小于所述平均持续时间。
示例性地，若所述目标流转类型为借出使用，且目标资产类型为被套，所述目标流转类型对应的设定需求量为15，即需借出使用15个被套；当目标资产的剩余寿命小于借出使用的平均持续时间，则目标资产不进入借出使用，将其它被套（剩余寿命小于借出使用的平均持续时间）进入借出使用环节，直至进入借出使用环节的被套的数量等于15。
如此，可实时更新不同资产类型的库存量，确定每种资产的库存量，实现资产的精准管理。
本申请实施例提供的上述一种用于资产管理的物体追踪方法，首先每种资产类型对应多种流转类型，根据历史流转过程构建每种资产类型在每种流转类型下的损耗模型，该损耗模型可依据在流转类型内的持续时间预测损耗程度增量；进一步地，对每一个资产构建能够反映流转过程的流转链路，响应于流转链路存在新增流转节点，依据损耗模型预测该资产在新增流转节点的剩余寿命，并依据剩余寿命更新对应资产类型的库存量，库存量中包括了资产类型在每种流转类型的可使用量，能够确定每种资产的库存量，实现资产的精准管理。
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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种用于资产管理的物体追踪方法，其特征在于：
对于一种资产类型，获取每种流转类型的损耗模型，一种资产类型对应多种流转类型，所述流转类型至少包括借出使用和归还入库，其中所述损耗模型满足关系式：
其中，为资产类型/>中流转类型/>的增量系数，/>为资产类型/>的任意资产处于流转类型/>的持续时间，/>为所述任意资产的损耗程度增量；
追踪目标资产的流转过程以获取所述目标资产的流转链路，所述流转链路包括多个流转节点，一个流转节点对应一个所述目标资产的损耗程度，所述流转节点包括流转类型和流转时刻；
响应于所述流转链路获取新增流转节点，基于所述新增流转节点的流转时刻计算相邻流转节点的持续时间，所述相邻流转节点为所述流转链路中所述新增流转节点上一个相邻的流转节点；
基于所述新增流转节点的流转类型、所述目标资产类型以及所述相邻流转节点的流转类型、持续时间和损耗程度预测所述目标资产的剩余寿命，所述剩余寿命为所述目标资产在所述新增流转节点对应流转类型中的可使用时长，所述目标资产类型为所述目标资产对应的资产类型，所述目标资产的剩余寿命满足关系式：
其中，为设定损耗阈值，/>为相邻流转节点的损耗程度，/>为目标资产类型/>中相邻流转节点/>对应流转类型的增量系数，/>为相邻流转节点/>的持续时间，/>为目标资产类型/>中新增流转节点/>对应流转类型的增量系数，/>为所述目标资产的剩余寿命；
基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理。
2.如权利要求1所述的一种用于资产管理的物体追踪方法，其特征在于，所述对于一种资产类型，获取每种流转类型的损耗模型包括：
获取一种资产类型对应的训练完毕的质量分类网络，所述质量分类网络的输入为所述资产类型的图像信息，输出为所述资产类型的异常概率；
在所述资产类型的任意资产对应的历史流转过程中，采集进入一个流转类型之前的第一图像信息，并将所述第一图像信息输入训练完毕的质量分类网络，得到第一异常概率，所述第一异常概率为所述流转类型之前所述资产的异常概率；
响应于所述流转类型结束，采集所述流转类型的持续时间以及所述流转类型结束之后的第二图像信息，将所述第二图像信息输入训练完毕的质量分类网络，得到第二异常概率，所述第二异常概率为所述流转类型结束之后所述资产的异常概率；
将所述第一异常概率、所述第二异常概率和所述持续时间作为所述资产类型中所述流转类型的一组样本数据；
采集多组训练样本以获取所述资产类型中所述流转类型的损耗模型。
3.如权利要求2所述的一种用于资产管理的物体追踪方法，其特征在于，所述采集多组训练样本以获取所述资产类型中所述流转类型的损耗模型包括：
依据所述多组训练样本确定所述资产类型中所述流转类型的增量系数，所述增量系数满足关系式：
其中，和/>为第/>组训练样本中的第二异常概率和第一异常概率，/>为第/>组训练样本中的持续时间，/>为训练样本的数量，/>为资产类型/>中流转类型/>的增量系数；
依据所述增量系数获取所述资产类型中所述流转类型的损耗模型。
4.如权利要求2所述的一种用于资产管理的物体追踪方法，其特征在于，所述获取一种资产类型对应的训练完毕的质量分类网络包括：
采集所述资产类型的多张样本图像，并获取每张样本图像的类别标签；
将一个训练批次的样本图像输入质量分类网络，输出所述训练批次中每张样本图像的预测结果，所述预测结果为样本图像属于异常的异常概率；
基于所述预测结果和所述类别标签计算损失函数，所述损失函数为二分类交叉熵函数；
利用梯度下降法更新所述质量分类网络，完成一次训练；
迭代地训练所述质量分类网络，直至所述损失函数的取值小于设定损失，或所述训练次数达到设定次数时，停止训练，得到所述资产类型对应的训练完毕的质量分类网络。
5.如权利要求1所述的一种用于资产管理的物体追踪方法，其特征在于，所述追踪目标资产的流转过程以获取所述目标资产的流转链路包括：
在追踪所述目标资产的流转过程中，响应于所述目标资产流转入任意流转类型，储存流转时刻和所述流转类型以生成流转节点，并将所述流转节点/>连接至上一个相邻的流转节点/>的后端；
基于所述流转节点的损耗程度计算所述流转节点/>的损耗程度，所述流转节点/>的损耗程度满足关系式：
其中，为流转节点/>的损耗程度，/>为目标资产类型/>中流转节点/>对应流转类型的增量系数，/>为流转节点/>和流转节点/>之间流转时刻的时间间隔，/>为所述流转节点/>的损耗程度；追踪目标资产的流转过程以不断生成流转节点，构建所述目标资产的流转链路；
其中，响应于所述流转节点为初始节点，将所述流转节点对应的损耗程度为0。
6.如权利要求1所述的一种用于资产管理的物体追踪方法，其特征在于，基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理包括：
计算所述目标资产类型在目标流转类型的平均持续时间，其中所述目标流转类型为所述新增流转节点对应的流转类型；
获取所述目标资产类型的库存量，所述库存量包括所述目标资产类型在每种流转类型的可使用量；
对比所述剩余寿命与所述平均持续时间，响应于所述剩余寿命小于所述平均持续时间，将所述目标资产类型在目标流转类型的可使用量减1，以更新所述库存量。
7.如权利要求6所述的一种用于资产管理的物体追踪方法，其特征在于，基于所述剩余寿命更新所述目标资产类型的库存量以实现资产管理还包括：
响应于所述剩余寿命小于所述平均持续时间，将所述目标资产舍弃，并将所述目标资产类型的其它资产流转入所述目标流转类型，直至所述目标流转类型的数量达到设定需求量，其中，所述其它资产的剩余寿命不小于所述平均持续时间。
CN202311752988.2A 2023-12-20 2023-12-20 一种用于资产管理的物体追踪方法 Active CN117436793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311752988.2A CN117436793B (zh) 2023-12-20 2023-12-20 一种用于资产管理的物体追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311752988.2A CN117436793B (zh) 2023-12-20 2023-12-20 一种用于资产管理的物体追踪方法

Publications (2)

Publication Number Publication Date
CN117436793A true CN117436793A (zh) 2024-01-23
CN117436793B CN117436793B (zh) 2024-03-08

Family

ID=89556862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311752988.2A Active CN117436793B (zh) 2023-12-20 2023-12-20 一种用于资产管理的物体追踪方法

Country Status (1)

Country Link
CN (1) CN117436793B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021932A (zh) * 2006-12-31 2007-08-22 深圳市中科新业信息科技发展有限公司 酒店信息管理系统及其方法
CN103413211A (zh) * 2013-08-22 2013-11-27 国家电网公司 一种物资管理方法及装置
CN104657837A (zh) * 2015-02-13 2015-05-27 国家电网公司 基于仓储erp的班组一体化作业管理系统
CN105809326A (zh) * 2016-02-26 2016-07-27 孟军贤 智慧酒店后台mgx信息化管理系统
CN106651120A (zh) * 2016-11-07 2017-05-10 成都科曦科技有限公司 一种智慧酒店的物资供应链管控系统
CN111325639A (zh) * 2020-02-18 2020-06-23 北京蓝天清科控股有限公司 用于酒店布草管理的数据处理方法及装置
CN111448811A (zh) * 2018-01-02 2020-07-24 康维达无线有限责任公司 管理物联网和类似设备的网络登记和重定向
US20220109498A1 (en) * 2020-10-01 2022-04-07 Viavi Solutions Inc. Modular cell site installation, testing, measurement, and maintenance tool
CN115907606A (zh) * 2022-11-01 2023-04-04 航天信息系统工程(北京)有限公司 一种基于大数据的器材管理系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021932A (zh) * 2006-12-31 2007-08-22 深圳市中科新业信息科技发展有限公司 酒店信息管理系统及其方法
CN103413211A (zh) * 2013-08-22 2013-11-27 国家电网公司 一种物资管理方法及装置
CN104657837A (zh) * 2015-02-13 2015-05-27 国家电网公司 基于仓储erp的班组一体化作业管理系统
CN105809326A (zh) * 2016-02-26 2016-07-27 孟军贤 智慧酒店后台mgx信息化管理系统
CN106651120A (zh) * 2016-11-07 2017-05-10 成都科曦科技有限公司 一种智慧酒店的物资供应链管控系统
CN111448811A (zh) * 2018-01-02 2020-07-24 康维达无线有限责任公司 管理物联网和类似设备的网络登记和重定向
CN111325639A (zh) * 2020-02-18 2020-06-23 北京蓝天清科控股有限公司 用于酒店布草管理的数据处理方法及装置
US20220109498A1 (en) * 2020-10-01 2022-04-07 Viavi Solutions Inc. Modular cell site installation, testing, measurement, and maintenance tool
CN115907606A (zh) * 2022-11-01 2023-04-04 航天信息系统工程(北京)有限公司 一种基于大数据的器材管理系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
程颖;: "试论固定资产核算对高校资产信息质量的影响", 科技视界, no. 15, 25 May 2013 (2013-05-25) *
范理: "酒店企业存货管理存在的问题及改进", 《大众投资指南》, no. 2, 15 January 2020 (2020-01-15) *
赵玉丽;: "试析新医院财务会计制度背景下的固定资产核算与管理", 中国乡镇企业会计, no. 07, 15 July 2016 (2016-07-15) *

Also Published As

Publication number Publication date
CN117436793B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Li et al. An integrated location-inventory problem in a closed-loop supply chain with third-party logistics
Russo et al. An information-theoretic analysis of thompson sampling
Ormoneit et al. Kernel-based reinforcement learning
JP5890629B2 (ja) データセンター顧客費用決定メカニズム
Müller Generalized linear models
Dou et al. Optimisation for multi-part flow-line configuration of reconfigurable manufacturing system using GA
US20070244747A1 (en) Method and system for recommending products to consumers by induction of decision trees
Papadopoulos et al. Minimizing WIP inventory in reliable production lines
Chadès et al. A primer on partially observable Markov decision processes (POMDPs)
Jackson et al. The combination of discrete-event simulation and genetic algorithm for solving the stochastic multi-product inventory optimization problem
Putsis Parameter variation and new product diffusion
CN113537850A (zh) 仓储优化方法、装置、计算机设备和存储介质
Chaudhuri et al. Regret minimisation in multi-armed bandits using bounded arm memory
Koşucuoğlu et al. Material handling considerations in the FMS loading problem with full routing flexibility
CN115563858A (zh) 一种工作机稳态性能提升的方法、装置、设备及介质
CN117436793B (zh) 一种用于资产管理的物体追踪方法
Cipriotti et al. Nonparametric upscaling of stochastic simulation models using transition matrices
Pardikes et al. Simulated tri-trophic networks reveal complex relationships between species diversity and interaction diversity
Chen A bulk arrival queueing model with fuzzy parameters and varying batch sizes
Ioannidis et al. Joint production, inventory rationing, and order admission control of a stochastic manufacturing system with setups
CN107463486A (zh) 系统性能分析方法、装置及服务器
Arnold et al. Evolutionary optimization of a multi-location inventory model with lateral transshipments
CN114693352A (zh) 一种客户访问量预测方法及装置
Naderi et al. A Multiobjective Iterated Greedy Algorithm for Truck Scheduling in Cross‐Dock Problems
Manjupriya et al. Customer churn prediction in the mobile telecommunication industry using decision tree classification algorithm

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