TWI826043B - 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 - Google Patents
預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 Download PDFInfo
- Publication number
- TWI826043B TWI826043B TW111138712A TW111138712A TWI826043B TW I826043 B TWI826043 B TW I826043B TW 111138712 A TW111138712 A TW 111138712A TW 111138712 A TW111138712 A TW 111138712A TW I826043 B TWI826043 B TW I826043B
- Authority
- TW
- Taiwan
- Prior art keywords
- shipment
- time point
- past
- target time
- value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 91
- 230000004044 response Effects 0.000 claims abstract description 21
- 230000001186 cumulative effect Effects 0.000 claims description 57
- 238000001914 filtration Methods 0.000 claims description 23
- 241000492493 Oxymeris Species 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
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
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Finance (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
一種預測值決策的方法和電子裝置及其電腦可讀取記錄媒體。首先,啟動模型操作介面,並響應於通過模型操作介面接收到操作,而執行下述步驟。基於歷史出貨數據來計算目標時間點的出貨預測值。接著,以目標時間點對應的出貨預測值以及目標時間點先前的多個時間點的多個先前出貨預測值,計算目標時間點對應的變動比例尺度。並且,基於歷史出貨數據計算對應於目標時間點的過去變動比例尺度平均值。最後,基於對應於目標時間點的過去變動比例尺度平均值與變動比例尺度提供預測表現提示。
Description
本發明是有關於一種計算機運算機制,且特別是有關於一種預測值決策的方法和電子裝置及其電腦可讀取記錄媒體。
在產品生產後,業務單位(business unit)會基於人員經驗並依據客戶訂單先出貨至各倉庫儲存並於月底統一進行配送。為了確保月底出貨量能達到客戶需求,業務單位會依據庫存數量、人力與物料之可用資源與生產計畫來訂定月底出貨標準量,並換算出每日平均標準出貨量來即時監控產品生產數量之效率。然而,目前用來估計月底出貨標準量的方法並無科學性的量測與監督機制,且直至月底才能確認出貨標準量的準確度,不利於提前控管原料採購數量、最大化工廠製造產能與即時監控出貨目標之完成進度,同時會需要維持較高的庫存量以降低失去銷售機會的風險,導致增加庫存成本以及降低庫存周轉效率與盈利能力。
本發明提供一種預測值決策的方法和電子裝置及其電腦可讀取記錄媒體,可提高預測值的信賴度。
本發明的預測值決策的方法,其是利用處理器來執行,所述方法包括啟動模型操作介面,並響應於通過模型操作介面接收到操作,而執行下述步驟。基於歷史出貨數據來計算目標時間點的出貨預測值。以目標時間點對應的出貨預測值以及目標時間點先前的多個時間點的多個先前出貨預測值,計算目標時間點對應的變動比例尺度。基於歷史變動比例尺度計算對應於目標時間點的過去變動比例尺度平均值。基於對應於目標時間點的過去變動比例尺度平均值與變動比例尺度提供預測表現提示。
在本發明的一實施例中,基於歷史出貨數據來計算目標時間點的出貨預測值的步驟包括:自歷史出貨數據中取出在目前時間區間內截至目標時間點之前所包括的T個過去時間點的實際累積出貨量,來計算目標時間點的出貨預測值,其中目標時間點的出貨預測值=(實際累積出貨量÷T)×D,D為目前時間區間內的總時間點數量。
在本發明的一實施例中,基於歷史出貨數據來計算目標時間點的出貨預測值的步驟包括:自歷史出貨數據中取出過去時間區間內所包括的m1個過去時間點的第一實際累積出貨量;自歷史出貨數據中取出目前時間區間內的截至目標時間點之前所包括
的m2個時間點的第二實際累積出貨量;以及基於第一實際累積出貨量以及第二實際累積出貨量,計算目標時間點的出貨預測值,其中
目標時間點的出貨預測值=[(第一實際累積出貨量+第二實際累積出貨量)÷(m1+m2)]×(m1+D)-第一實際累積出貨量,D為該目前時間區間內的總時間點數量。
在本發明的一實施例中,基於歷史出貨數據來計算目標時間點的出貨預測值的步驟包括:自歷史出貨數據中取出在目前時間區間內截至目標時間點之前所包括的T個過去時間點的實際累積出貨量;基於歷史出貨數據預估出貨佔比;以及基於實際累積出貨量與出貨佔比來計算目標時間點的出貨預測值。
在本發明的一實施例中,計算目標時間點對應的變動比例尺度的步驟包括:基於權重值、目標時間點的出貨預測值、以及目標時間點前一個時間點的加權平均值,計算目標時間點的加權平均值,其中目標時間點為目前時間區間內的第n+1個時間點至最後一個時間點的其中一者,目前時間區間內的第n個時間點的加權平均值為第1個時間點至第n個時間點的n個出貨預測值的平均值;基於權重值、目標時間點與其先前時間點的出貨預測值與所有加權平均值,計算目標時間點的加權標準差;以及基於目標時間點對應的加權平均值以及出貨預測值,計算變動比例尺度,其中變動比例尺度=(加權標準差×指定倍率)÷出貨預測值,指定倍率1。
在本發明的一實施例中,所述預測值決策的方法更包括:將目標時間點的出貨預測值加上固定比例尺度作為預測出貨範圍的上限值,將目標時間點的出貨預測值減去固定比例尺度作為預測出貨範圍的下限值。
在本發明的一實施例中,所述預測值決策的方法更包括:基於歷史出貨數據所包括的多個過去時間區間的實際出貨數據以及位於目前時間區間內的每個時間點的預測出貨範圍,計算目前時間區間於每個時間點的未命中率;基於每一過去時間區間的出貨預測值,計算的每一過去時間區間所包括的多個過去時間點的多個過去變動比例尺度,其中基於一時間單位來設定目前時間區間內的所有時間點以及每一過去時間區間內的所有過去時間點;基於所述過去時間區間所包括的所有過去變動比例尺度,計算每一個時間單位對應的過去變動比例尺度平均值;以及基於每一個時間單位對應的未命中率或命中率以及過去變動比例尺度平均值,自目前時間區間所包括的全部時間點中擇一作為最佳參考點。
在本發明的一實施例中,基於每一個時間單位對應的未命中率以及過去變動比例尺度平均值,自該目前時間區間所包括的全部時間點中擇一作為該最佳參考點的步驟包括:以目前時間區間的時間點作為橫軸,所述未命中率作為縱軸,繪製第一曲線;以所述過去時間點作為橫軸,所述過去變動比例尺度平均值作為縱軸,繪製第二曲線;以時間順序來疊合第一曲線與第二曲線,
以找出第一曲線與第二曲線的交叉點;響應於獲得的交叉點的數量大於或等於2,在所獲得的交叉點中將未命中率大於第一閾值的交叉點濾除;響應於經由第一閾值濾除後剩餘的交叉點的數量大於或等於2,將時間大於第二閾值之後的交叉點濾除;以及將經由第二閾值濾除後剩餘的各交叉點作為最佳參考點。
在本發明的一實施例中,響應於變動比例尺度小於或等於過去變動比例尺度平均值,在模型操作介面上提供表示預測穩定的預測表現提示;以及響應於變動比例尺度大於過去變動比例尺度平均值,在模型操作介面上提供表示預測不穩定的預測表現提示。
本發明的用於預測值決策的電子裝置,包括:儲存設備,包括歷史出貨數據以及模型操作介面;以及處理器,耦接至儲存設備,經配置以實現上述預測值決策的方法。
本發明的非暫態電腦可讀取記錄媒體,用於儲存程式碼,所述程式碼被處理器執行時,使得處理器執行下述步驟:基於歷史出貨數據來計算目標時間點的出貨預測值;以目標時間點對應的出貨預測值以及目標時間點先前的多個時間點的多個先前出貨預測值,計算目標時間點對應的變動比例尺度;基於歷史變動比例尺度計算對應於目標時間點的過去變動比例尺度平均值;以及基於對應於該目標時間點的該過去變動比例尺度平均值與變動比例尺度提供預測表現提示。
基於上述,本揭露通過模型操作介面所接收的操作進而
對應地計算出目標時間點的出貨預測值,並且進一步提供預測表現提示,供人員來目前所獲的出貨預測值的穩定度,使得人員具有更多時間來調整生產出貨相關進度,減少不必要之成本資源與提高管理模式之效率。
100:電子裝置
110:處理器
120:儲存設備
121:資料庫
130:輸出設備
C1:第一曲線
C2:第二曲線
P3~P4:交叉點
S201~S220:預測值決策的方法的步驟
圖1是依照本發明一實施例的用於預測值決策的電子裝置的方塊圖。
圖2是依照本發明一實施例的預測值決策的方法流程圖。
圖3是依照本發明一實施例的第一曲線與第二曲線的比較示意圖。
圖4是依照本發明一實施例的模型操作介面的示意圖。
圖5是依照本發明一實施例的比較結果的示意圖。
圖1是依照本發明一實施例的用於預測值決策的電子裝置的方塊圖。請參照圖1,電子裝置100包括處理器110、儲存設備120以及輸出設備130。處理器110耦接至儲存設備120以及輸出設備130。
處理器110例如為中央處理單元(Central Processing Unit,CPU)、物理處理單元(Physics Processing Unit,PPU)、可
程式化之微處理器(Microprocessor)、嵌入式控制晶片、數位訊號處理器(Digital Signal Processor,DSP)、特殊應用積體電路(Application Specific Integrated Circuits,ASIC)或其他類似裝置。
儲存設備120例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合。儲存設備120包括一或多個程式碼片段,上述程式碼片段在被安裝後,會由處理器110來執行,以獲得用以預測值決策的預測模型。儲存設備120還包括有資料庫121,用以儲存歷史出貨數據。
輸出設備130例如為顯示器、印表機等,用以輸出最終的結果。例如,透過輸出設備130顯示模型操作介面,輸出出貨預測值、變動比例尺度、預測出貨範圍、最佳參考點中的至少一者。所述電子裝置100可應用於人工智慧(artificial intelligence,AI)系統,不僅能掌握過去發生的事實,還能進一步有效地預測未來。
圖2是依照本發明一實施例的預測值決策的方法流程圖。請參照圖1及圖2,在步驟S201中,處理器110啟動模型操作介面。接著,響應於通過模型操作介面接收到操作,而執行下述步驟S205~S220。例如,所述電子裝置100可用於倉儲系統。在一實施例中,在儲存設備120中事先安裝倉儲系統的應用程式(application,APP),由此APP來提供模型操作介面。在致能此
APP後,便自動啟動模型操作介面,藉此來進行一連串的預測處理。
在步驟S205中,處理器110計算目標時間點的出貨預測值。在此,可利用權重估計法、比例估計(ratio estimation)法或移動縮放(moving scale)法來計算出貨預測值。或者,可結合比例估計法與移動縮放法來計算出貨預測值。例如,每個月12號以前(包含12號)使用比例估計法,12號以後(不包含12號)使用移動縮放法。或者,可結合權重估計法與比例估計法來計算出貨預測值。例如,每個月的1號至10號使用權重估計法,10號以後(不包含10號)使用比例估計法。
權重估計法的概念是利用截至目前(目標時間點)的當月的實際累積出貨量除以平均累積百分比預測值來作為這個月月底的出貨預測值。平均累積百分比預測值為線性迴歸模型(Linear Regression Model),使用參數有當天之日期及各產品之標記。平均累積百分比預測值是利用歷史出貨數據所獲得的出貨佔比,簡單來說就是將這個產品的歷史出貨數據(產品標記、每日的實際累積出貨量)利用線性回歸模型預測占比。例如,假設10/8的實際累積出貨量為100件,由歷史出貨數據以及線性回歸可知每月8日的實際累積出貨量會達到月底出貨量的50%(出貨佔比)。據此,權重估計法在10/8這天預測的這個月月底的出貨預測值100/0.5。
比例估計法是一種縮放概念。例如,假設目前時間區間
為一個月,比例估計法為根據當月的實際累積出貨量來估算在目標時間點的出貨預測值(月底的總出貨量)。處理器110可取這個月的截至目標時間點之前所包括的T個過去時間點的實際累積出貨量來預估這個月月底的出貨預測值。即,出貨預測值=(實際累積出貨量÷T)×D,其中D為目前時間區間內的總時間點數量(例如,當月總天數)。
假設以目標時間點為11/13而言,取出自11/1至11/12的實際累積出貨量為467,731來預估這個月月底的出貨預測值。比例估計法是以截至11/12的當月的實際累積出貨量做伸縮,計算每一天的平均出貨後,再去作放大。例如,12日的實際累積出貨量放大至30日為×30。以此類推,可獲得11/13-11/30對應的出貨預測值,如表1所示。
移動縮放法為比例估計法的變化型,其不僅將過去時間
區間的歷史出貨數據作為參考,同時也將目前時間區間的實際累積出貨量作為參考。處理器110自歷史出貨數據中取出過去時間區間內所包括的m1個過去時間點的第一實際累積出貨量AcuSpast(m1)。接著,自歷史出貨數據中取出目前時間區間內的截至目標時間點之前所包括的m2個時間點的第二實際累積出貨量AcuScur(m2)。之後,基於第一實際累積出貨量AcuSpast(m1)以及第二實際累積出貨量AcuScur(m2),計算目標時間點的出貨預測值P。在此,目標時間點的出貨預測值P=[(AcuSpast(m1)+AcuScur(m2))÷(m1+m2)]×(m1+D)-AcuSpast(m1)。
舉例來說,以計算11月的出貨預測值為例,m1=20,m2=12進行說明。即,取10月後20天(10/12至10/31)的歷史出貨數據以及11月前12天的已出貨的出貨數據作為參考。假設10/1至10/12的實際累積出貨量為372,220,10/1至10/31的實際累積出貨量為1,322,045,則10/12至10/31的第一實際累積出貨量AcuSpast(20)為949,825(=1,322,045-372,220)。並且假設11/1至11/12的第二實際累積出貨量AcuScur(12)為467,731。基於10/12至10/31的實際累積出貨量AcuSpast(20)以及11/1至11/12的實際累積出貨量AcuScur(12)計算11/13的月總出貨預測值,基於10/12至10/31的實際累積出貨量AcuSpast(20)以及11/1至11/13的實際累積出貨量AcuScur(13)計算11/14的月總出貨預測值,以此類推而獲得如表2所示的結果。
在其他實施例中,可將目前時間區間內時間點畫分為前後兩部分,針對前一部份的各時間點(例如該月份12號以前(包含12號)的各天)使用比例估計法計算出貨預測值,針對後一部分的各時間點(例如該月份12號以後(不包含12號)的各日)使用移動縮放法計算出貨預測值。
接著,在步驟S210中,計算變動比例尺度。具體而言,處理器110以目標時間點對應的出貨預測值以及目標時間點先前的多個時間點的多個先前出貨預測值,計算目標時間點對應的變動比例尺度。在一實施例中,處理器110先計算出目標時間點的加權平均值,接著計算目標時間點的加權標準差,之後再計算變動比例尺度。
在一實施例中,處理器110基於權重值、目標時間點的出貨預測值、以及目標時間點前一個時間點的加權平均值,計算目標時間點的加權平均值。權重值的計算公式如下:α=2÷(w+1),α為權重值。假設w=7,則α=2÷(7+1)=0.25。接著,以此權重值來計算各時間點的加權平均值。
為便於說明,將目前時間區間與過去時間區間的單位設定為「月」,將時間點的時間單位設定為「天」進行說明。在此,假設w=7,其表示時間移動段為7天,每7天可得到對應的加權平均值與加權標準差。在此,w=7僅為舉例說明,並不以此為限。由於時間移動段為7天,因此不會針對前7天(即目前時間區間的第1天至第7天)來計算變動比例尺度。目標時間點可以是目前時間區間內的第8天至最後一個天的其中一者。由於第1天至第7天並無法來計算出加權平均值,故,取第1天至第7天的簡單移動平均值(simple moving average,SMA)來作為第7天的加權平均值,以作為第8天的參考基礎。即,第7天的加權平均值為第1天至第7天的月總出貨預測值的平均值(SMA)。底下搭配表3、表4來說明。第1天至第7天的SMA為(5+15+25+30+34+38+42)÷7=27。將「27」設定為第7天的加權平均值。
第8天至第30天的加權平均值的計算公式為:wAvg(i)=α(P(i)-wAvg(i-1))+wAvg(i-1);其中,wAvg(i)為第i天的加權平均值,wAvg(i-1)為第i-1天的加權平均值,α為權重值,P(i)為在第i天所計算出之當月累計至月底的出貨預測值,i=8,9,....,30。
以此類推,計算出第11天至第30天的每一天各自的加權標準差。
然後,基於第8天至第30天每一天對應的加權平均值以及出貨預測值,計算第8天至第30天每一天的變動比例尺度。變動比例尺度的計算公式如下:變動比例尺度=(加權標準差×指定倍率)÷出貨預測值,指定倍率1。例如,假設指定倍率=1,第8天的變動比例尺度=7.36÷44=16.7%。
在上述實施例中,每個月只使用當月的數值(只到30號)來計算當月的變動比例尺寸,因此下個月的1~7號不會去使用上個月月底倒數7天的數值。而在其他實施例中,下個月的前面7天可以使用上個月月底倒數7天的數值來計算變動比例尺寸。例如,以連續計算7/1~8/31號來進行說明的話,7/1~7/7(前7天)無法來計算出加權平均值,但是在8/1預測8月底的出貨預測值時,可參考7/25~7/31的數值,因此,在7/1~8/31中只有最前面7天(7/1~7/7)無法計算變動比例尺度,後續其他日期皆可計算變動比例尺度。
另外,在步驟S215中,處理器110會基於歷史變動比例
尺度計算對應於目標時間點的過去變動比例尺度平均值。接著,在步驟S220中,基於對應於目標時間點的過去變動比例尺度平均值與變動比例尺度提供預測表現提示。響應於變動比例尺度小於或等於過去變動比例尺度平均值,在模型操作介面上提供表示預測穩定的預測表現提示。響應於變動比例尺度大於過去變動比例尺度平均值,在模型操作介面上提供表示預測不穩定的預測表現提示。
例如,假設目前時間區間為2021年8月,取2020年5月至2021年7月來做為15個過去時間區間,目標時間點為一個月的第18日,則比較預測2021年8月18日當天所獲得的變動比例尺度,以及對應於18日這一天過去15個月的過去變動比例尺度平均值。即,以過去15個月的出貨預測值來算出15個月在18日這一天的歷史變動比例尺度(其計算方式與步驟S210相同),之後再計算18日所對應的過去15個月的15筆歷史變動比例尺度的平均,而獲得對應於18日過去變動比例尺度平均值。
在一實施例中,可基於變動比例尺度以及過去變動比例尺度平均值來判斷目標時間點的出貨預測值的穩定度。例如,在變動比例尺度小於過去變動比例尺度平均值的情況下,判定出貨預測值較以往更為穩定。
另外,在一實施例中,還可設定一比較閾值來判斷目標時間點的出貨預測值的穩定度。例如,在計算出每一日的變動比例尺度之後,判斷變動比例尺度是否小於比較閾值。響應於變動
比例尺度小於比較閾值,則判定出貨預測值為穩定,表示此出貨預測值的準確度較高(即,出貨預測值較接近實際出貨值)。於一實施例中,響應於變動比例尺度小於比較閾值,處理器110將其對應的時間點作為最佳參考點。響應於變動比例尺度未小於比較閾值,則判定出貨預測值為不穩定,表示此出貨預測值的準確度不高。
另外,還可進一步決定一固定比例尺度,藉此來計算每一天的預測出貨範圍。固定比例尺度可設定為5%、10%、15%或20%等。每一天會使用相同的固定比例尺度來計算預測出貨範圍。例如,將目標時間點的出貨預測值加上固定比例尺度作為預測出貨範圍的上限值,將出貨預測值減去固定比例尺度作為預測出貨範圍的下限值。以表4中的第8天為例來進行說明,假設固定比例尺度為15%,則第8天的預測出貨範圍為44-(44×15%)~44+(44×15%)。
另外,在獲得目前時間區間內各天的預測出貨範圍之後,還可進一步基於過去時間區間的實際出貨數據以及目前時間區間內各天的預測出貨範圍,來選擇最佳參考點。在此,為便於說明,將目前時間區間與過去時間區間的單位設定為「月」,將時間點的時間單位設定為「天」進行說明。歷史出貨數據中還記錄了多個過去月份的實際出貨數據。
具體而言,處理器110自歷史出貨數據中取出多個過去月份的實際出貨數據,基於過去月份內每一天的出貨數據以及當
月內的每一天的預測出貨範圍,計算每一天的未命中率。例如,取過去15個月(假設這15個月所包括的天數相同,皆為30天)的實際出貨數據來說明,並且以第15天來作為說明,假設過去15個月的實際出貨數據落在當月的第15天的預測出貨範圍內的共有5筆,而另外10筆不在當月的第15天的預測出貨範圍內,則第15天的未命中率即為10/15,命中率為5/15。於一實施例中,當月的第15天的未命中率低於一預設比率或命中率高於一預設比率,處理器110推薦當月的第15天為最佳參考點。
並且,基於過去15個月的出貨預測值,計算出這15個月內各天的變動比例尺度(底下稱為「歷史變動比例尺度」),計算過去15個月的第8天至第30天的加權平均值、加權標準差以及變動比例尺度,其計算過程可參照步驟S210的說明。而在計算出過去15個月內每天的歷史變動比例尺度之後,基於過去15個月所包括的全部歷史變動比例尺度,計算每一個時間單位對應的過去變動比例尺度平均值。例如,以第15天而言,將過去15個月中的第15天的過去變動比例尺度相加後取平均即可獲得第15天對應的過去變動比例尺度平均值,於一實施例中,如第15天對應的過去變動比例尺度平均值大於一預設值時,處理器110推薦每月的第15天為最佳參考點。
接著,基於每一個時間單位對應的未命中率、命中率以及過去變動比例尺度平均值,自當月所包括的天數中擇一作為最佳參考點。
舉例來說,以過去時間點作為橫軸,所述未命中率(或命中率)作為縱軸,繪製第一曲線。並且,以過去時間點作為橫軸,過去變動比例尺度平均值作為縱軸,繪製第二曲線。之後,以時間順序來疊合第一曲線與第二曲線,以找出第一曲線與第二曲線的交叉點。響應於所獲得的交叉點的數量大於或等於2,在所獲得的交叉點中將未命中率大於第一閾值的交叉點濾除。這是因為,未命中率越低,代表出貨預測值的準確度越高。響應於經由第一閾值濾除後剩餘的交叉點的數量大於或等於2,將時間大於第二閾值之後的交叉點濾除。這是因為時間越往後越會壓縮到出貨準備的時間,因此,設定第二閾值來限定時間。最後,將經由第二閾值濾除後剩餘的各交叉點作為最佳參考點。
圖3是依照本發明一實施例的第一曲線與第二曲線的比較示意圖。請參照圖3,第一曲線C1是將過去時間區間的時間點(例如日期1號、2號、...、30號)作為橫軸,未命中率作為縱軸而獲得。第二曲線C2是以過去時間區間的時間點(例如日期1號、2號、...、30號)作為橫軸,過去變動比例尺度平均值作為縱軸而獲得。在本實施例中,第一曲線C1與第二曲線C2共享X軸(橫軸),左邊Y軸(縱軸)對應至未命中率,右邊Y軸對應至過去變動比例尺度平均值。Y軸的對應是以固定最高點與最低點的方式進行等比對應。例如,假設第一曲線C1的未命中率位於r1~r2之間,第二曲線C2的過去變動比例尺度平均值位於avg1~avg2之間,則r1對應至avg1,r2對應至avg2。
第一曲線C1與第二曲線C2具有2個交叉點P3、P4。先以未命中濾來進行第一次濾除,再以時間來進行第二次濾除。由於未命中率越低越好,故,將未命中率大於第一閾值的交叉點濾除。例如,第一閾值設定為(r2-r1)/3,則在第一次濾除中交叉點P3、P4皆會被保留。接著,將時間大於第二閾值之後的交叉點濾除。例如,第二閾值設定為第20天,則在第二次濾除中僅交叉點P3會被保留。故,將交叉點P3(第18天)作為最佳參考點。即,第18天之後的出貨預測值皆為可信。
另,在其他實施例中,可以時間來進行第一次濾除,再以未命中濾來進行第二次濾除。例如,以第二閾值設定為第20天,則在第一次濾除中僅交叉點P3會被保留,後續便不用再以未命中濾來進行第二次濾除。
舉例而言,當時間移動段與加權標準差的指定倍率分別設定為7日與3個,在2020年5月至2021年8月期間,18號與30號僅有2次的實際出貨數據未落在當月該天的預測出貨範圍,代表這兩天是相對穩定且高命中率之日期。若固定比例尺度設定為15%,即可假設可接受的變動比例尺度不可大於15%,因此符合的日期位於17號過後。綜合考量命中率、風險程度與即時性,在第18日的出貨預測值為最適解(最佳參考點)。
透過決定固定比例尺度來找到可接受的命中率,以及模擬各種時間移動段與加權標準差的指定倍率來量化每日的出貨預測值的風險程度,不僅可驗證移動縮放法用於每月整體表現趨勢
有較高的精準度,也額外提供每日的出貨預測值可被信任的高低程度,提升人員對於移動縮放法的信任與可使用性。底下以表5、表6來說明。
表5所示為:在設定固定比例尺度後,基於移動縮放法、人員經驗估計以及利用移動縮放法作為人員經驗的二次估計值(例如,18號以前為人為經驗預測,18號以後則是利用預測模型進行預測),將所對應的命中率呈現於表5。表6所示為:設定固定的命中率,將基於移動縮放法、人員經驗估計以及利用移動縮放法作為人員經驗的二次估計值,其對應的固定比例尺度呈現於表6。
表5中的第4欄是用來表示,倘若18號以前都使用人員經驗預測,在18號以後才使用預測模型進行預測,則還是能夠改善與提升出貨量命中率。此外,由於利用人員經驗在18號左右有時候會有二次修改出貨預測值的設置,因此在當下倘若改為使用預測模型所獲得的第18天的預測結果而非純人員經驗,則能夠改
善與提升出貨量命中率。只要把人員經驗預測的出貨預測值在第18天後都改為由預測模型進行預測,再去看其對應的區間命中實際值的次數佔總次數多少比例,即可計算出命中率。
由表5、表6可以得知,固定比例尺度越高,命中率越高;且進一步驗證了移動縮放法對於整體表現趨勢有較高的精準度。並且,可進一步透過固定比例尺度來找到可接受的命中率。
圖4是依照本發明一實施例的模型操作介面的示意圖。在圖4所示的模型操作介面中,使用者可在多個計算方法中選擇一種來計算出貨預測值。在此,提供5種計算方法,即,權重估計法、比例估計法、移動縮放法、比例估計法+移動縮放法、權重估計法+比例估計法。在選定之後,會在模型操作介面中,以值方圖來顯示目前時間區間(2021年8月份)每一日的出貨預測值。並且,也可進一步在模型操作介面中,以曲線圖的方式來同時呈現多個過去時間區間(2020年8月至2021年7月)各自對應
的實際出貨量以及目前時間區間所獲得的推薦的出貨預測值(例如13.1k)。
模型操作介面還進一步提供了關於變動比例尺度的參數調整。例如,使用者可在模型操作介面設定時間移動段以及加權標準差的指定倍率。在選定時間移動段以及加權標準差的指定倍率之後,在模型操作介面中進一步顯示一對照圖,即,以直條方式來呈現目前這個月每一天的變動比例尺度,並且以曲線方式來呈現對應於每一日由過去多個月份的過去變動比例尺度平均值。
在本實施例中,所獲得的模型使用日(最佳參考點)為第18日,以第18日而言,2021年8月18日的變動比例尺度為7.8%,而過去15個月每個18日的過去變動比例尺度平均值為10.0%。其中“相較實際平均值”所指為:2021年8月18日的變動比例尺度相較於18日的過去變動比例尺度平均值的差。在此例中,為下降2.2%。並且,可進一步基於“相較實際平均值”來決定預測表現提示。例如,“相較實際平均值”為下降的情況,顯示“預測表現提示較以往穩定”。另外,可設定為“相較實際平均值”為上升的情況,顯示“預測表現提示不穩定”。另外還可進一步僅顯示近一周對應的變動比例尺度(圖4的最下方)。例如,當下日期為2021年8月18日,則以直方圖方式來顯示2021年8月12日至8月18日的變動比例尺度。
另外,模型操作介面還可另外提供如圖5所示的比較結果。圖5是依照本發明一實施例的比較結果的示意圖。例如,可
直接在如圖4所示的顯示畫面上疊加上圖5所示的顯示畫面。請參照圖5,左欄顯示了該月份的推薦日(最佳參考點)為第18天,第18天的未命中率為28%,過去變動比例尺度平均值為10%。
綜上所述,本揭露不同於僅依賴業務單位的人員經驗,利用實際出貨量的歷史數據來建立模型,不僅可獲得每日的預測出貨範圍,也能在每一日便可得知月底的出貨預測值,使得出貨預測值更具有逐日趨近每月出貨實際值之性質。並且,可決定使用哪一天作為最佳參考點,提供了具科學邏輯的量化指標,導致此預測模型不僅具有高準確度,也具有高信任度。
據此,可在目前時間區間的最後一個時間點之前來獲得最佳參考點,使得人員具有更多時間來調整生產出貨相關進度,減少不必要之成本資源與提高管理模式之效率。並且,能夠減少因低估出貨量太多而導致出貨不足的風險、或高估出貨量太多而導致庫存累積的問題。
針對預測資訊的人員而言,找出最適解(最佳參考點)可幫助預測模型的建立者持續追蹤與監測預測模型的表現。例如,假設第一次獲得的最適解為第18天,則在模型訓練時,發現預測模型迭代後開始從18號往前面的日子移動,代表預測模型越來越精準,那如果是從18號後移動,代表預測模型開始不精準,則需要開發人員手動來優化預測模型,故,最適解也可以做為預測模型表現的監測方法之一。
S201~S220:預測值決策的方法的步驟
Claims (17)
- 一種預測值決策的方法,其是利用一處理器來執行,該方法包括:啟動一模型操作介面,並響應於通過該模型操作介面接收到一操作,而執行下述步驟:基於一歷史出貨數據來計算一目標時間點的一出貨預測值;以該目標時間點對應的該出貨預測值以及該目標時間點先前的多個時間點的多個先前出貨預測值,計算該目標時間點對應的一變動比例尺度;基於歷史變動比例尺度計算對應於該目標時間點的一過去變動比例尺度平均值;以及基於對應於該目標時間點的該過去變動比例尺度平均值與該變動比例尺度提供一預測表現提示,其中計算該目標時間點對應的該變動比例尺度的步驟包括:基於一權重值、該目標時間點的該出貨預測值、以及該目標時間點前一個時間點的加權平均值,計算該目標時間點的加權平均值,其中該目標時間點為一目前時間區間內的第n+1個時間點至最後一個時間點的其中一者,該目前時間區間內的第n個時間點的加權平均值為第1個時間點至第n個時間點的n個出貨預測值的平均值;基於該權重值、該目標時間點與其先前時間點的出貨預測值與所有加權平均值,計算該目標時間點的加權標準差;以及 基於該目標時間點對應的該加權平均值以及該出貨預測值,計算該變動比例尺度,其中該變動比例尺度=(該加權標準差×指定倍率)÷該出貨預測值,該指定倍率1。
- 如請求項1所述的預測值決策的方法,其中基於該歷史出貨數據來計算該目標時間點的該出貨預測值的步驟包括:自該歷史出貨數據中取出在一目前時間區間內截至該目標時間點之前所包括的T個過去時間點的一實際累積出貨量,來計算該目標時間點的該出貨預測值,其中該目標時間點的該出貨預測值=(該實際累積出貨量÷T)×D,D為該目前時間區間內的總時間點數量。
- 如請求項1所述的預測值決策的方法,其中基於該歷史出貨數據來計算該目標時間點的該出貨預測值的步驟包括:自該歷史出貨數據中取出一過去時間區間內所包括的m1個過去時間點的一第一實際累積出貨量;自該歷史出貨數據中取出一目前時間區間內的截至該目標時間點之前所包括的m2個時間點的一第二實際累積出貨量;以及基於該第一實際累積出貨量以及該第二實際累積出貨量,計算該目標時間點的該出貨預測值,其中該目標時間點的該出貨預測值=[(該第一實際累積出貨量+該第二實際累積出貨量)÷(m1+m2)]×(m1+D)-該第一實際累積出貨量,D為該目前時間區間內的總時間點數量。
- 如請求項1所述的預測值決策的方法,其中基於該歷史出貨數據來計算該目標時間點的該出貨預測值的步驟包括:自該歷史出貨數據中取出在一目前時間區間內截至該目標時間點之前所包括的T個過去時間點的一實際累積出貨量;基於該歷史出貨數據預估一出貨佔比;以及基於該實際累積出貨量與該出貨佔比來計算該目標時間點的該出貨預測值。
- 如請求項1所述的預測值決策的方法,更包括:將該目標時間點的該出貨預測值加上一固定比例尺度作為一預測出貨範圍的上限值,將該目標時間點的該出貨預測值減去將該固定比例尺度作為該預測出貨範圍的下限值。
- 如請求項5所述的預測值決策的方法,更包括:基於該歷史出貨數據所包括的多個過去時間區間的實際出貨數據以及位於一目前時間區間內的每個時間點的該預測出貨範圍,計算該目前時間區間於每個時間點的未命中率或命中率;基於每一該些過去時間區間的出貨預測值,計算每一該些過去時間區間所包括的多個過去時間點的多個過去變動比例尺度,其中基於一時間單位來設定該目前時間區間內的所有時間點以及每一該些過去時間區間內的所有過去時間點;基於該些過去時間區間所包括的所有過去變動比例尺度,計算每一個時間單位對應的該過去變動比例尺度平均值;以及基於每一個時間單位對應的該未命中率或該命中率以及該過 去變動比例尺度平均值,自該目前時間區間所包括的全部時間點中擇一作為一最佳參考點。
- 如請求項6所述的預測值決策的方法,其中基於每一個時間單位對應的該未命中率以及該過去變動比例尺度平均值,自該目前時間區間所包括的全部時間點中擇一作為該最佳參考點的步驟包括:以該目前時間區間的時間點作為橫軸,每個時間點對應的該未命中率作為縱軸,繪製一第一曲線;以該些過去時間點作為橫軸,該些過去變動比例尺度平均值作為縱軸,繪製一第二曲線;以時間順序來疊合該第一曲線與該第二曲線,以找出該第一曲線與該第二曲線的交叉點;響應於獲得的交叉點的數量大於或等於2,在所獲得的交叉點中將該未命中率大於一第一閾值的交叉點濾除;響應於經由該第一閾值濾除後剩餘的交叉點的數量大於或等於2,將時間大於一第二閾值之後的交叉點濾除;以及將經由該第二閾值濾除後剩餘的各交叉點作為該最佳參考點。
- 如請求項1所述的預測值決策的方法,其中提供該預測表現提示的步驟包括:響應於該變動比例尺度小於或等於該過去變動比例尺度平均值,在該模型操作介面上提供表示預測穩定的預測表現提示;以 及響應於該變動比例尺度大於該過去變動比例尺度平均值,在該模型操作介面上提供表示預測不穩定的預測表現提示。
- 一種用於預測值決策的電子裝置,包括:一儲存設備,包括一歷史出貨數據以及一模型操作介面;以及一處理器,耦接至該儲存設備,執行:啟動該模型操作介面,並響應於通過該模型操作介面接收到一操作,執行:基於一歷史出貨數據來計算一目標時間點的一出貨預測值;以該目標時間點對應的該出貨預測值以及該目標時間點先前的多個時間點的多個先前出貨預測值,計算該目標時間點對應的一變動比例尺度;基於歷史變動比例尺度計算對應於該目標時間點的一過去變動比例尺度平均值;以及基於對應於該目標時間點的該過去變動比例尺度平均值與該變動比例尺度提供一預測表現提示,其中計算該目標時間點對應的該變動比例尺度的步驟包括:基於一權重值、該目標時間點的該出貨預測值、以及該目標時間點前一個時間點的加權平均值,計算該目標時間點的加權平均值,其中該目標時間點為一目前時間區間內的第n+1個時間點至最後一個時間點的其中一者,該目前時間區間內的第n個時間 點的加權平均值為第1個時間點至第n個時間點的n個出貨預測值的平均值;基於該權重值、該目標時間點與其先前時間點的出貨預測值與所有加權平均值,計算該目標時間點的加權標準差;以及基於該目標時間點對應的該加權平均值以及該出貨預測值,計算該變動比例尺度,其中該變動比例尺度=(該加權標準差×指定倍率)÷該出貨預測值,該指定倍率1。
- 如請求項9所述的電子裝置,其中該處理器執行:自該歷史出貨數據中取出在一目前時間區間內截至該目標時間點之前所包括的T個過去時間點的一實際累積出貨量,來計算該目標時間點的該出貨預測值,其中該目標時間點的該出貨預測值=(該實際累積出貨量÷T)×D,D為該目前時間區間內的總時間點數量。
- 如請求項9所述的電子裝置,其中該處理器執行:自該歷史出貨數據中取出一過去時間區間內所包括的m1個過去時間點的一第一實際累積出貨量;自該歷史出貨數據中取出一目前時間區間內的截至該目標時間點之前所包括的m2個時間點的一第二實際累積出貨量;以及基於該第一實際累積出貨量以及該第二實際累積出貨量,計算該目標時間點的該出貨預測值,其中該目標時間點的該出貨預測值=[(該第一實際累積出貨量+該第二實際累積出貨量)÷(m1+m2)]×(m1+D)-該第一實際累積出貨 量,D為該目前時間區間內的總時間點數量。
- 如請求項9所述的電子裝置,其中該處理器執行:自該歷史出貨數據中取出在一目前時間區間內截至該目標時間點之前所包括的T個過去時間點的一實際累積出貨量;基於該歷史出貨數據預估一出貨佔比;以及基於該實際累積出貨量與該出貨佔比來計算該目標時間點的該出貨預測值。
- 如請求項9所述的電子裝置,其中該處理器執行:將該目標時間點的該出貨預測值加上一固定比例尺度作為一預測出貨範圍的上限值,將該目標時間點的該出貨預測值減去該固定比例尺度作為該預測出貨範圍的下限值。
- 如請求項13所述的電子裝置,其中該處理器執行:基於該歷史出貨數據所包括的多個過去時間區間的實際出貨數據以及位於一目前時間區間內的每個時間點的該預測出貨範圍,計算該目前時間區間於每個時間點的未命中率或命中率;基於每一該些過去時間區間的出貨預測值,計算每一該些過去時間區間所包括的多個過去時間點的多個過去變動比例尺度,其中基於一時間單位來設定該目前時間區間內的所有時間點以及每一該些過去時間區間內的所有過去時間點;基於該些過去時間區間所包括的所有過去變動比例尺度,計 算每一個時間單位對應的該過去變動比例尺度平均值;以及基於每一個時間單位對應的該未命中率或該命中率以及該過去變動比例尺度平均值,自該目前時間區間所包括的全部時間點中擇一作為一最佳參考點。
- 如請求項14所述的電子裝置,其中該處理器執行:以該目前時間區間的時間點作為橫軸,每個時間點對應的該未命中率作為縱軸,繪製一第一曲線;以該些過去時間點作為橫軸,該些過去變動比例尺度平均值作為縱軸,繪製一第二曲線;以時間順序來疊合該第一曲線與該第二曲線,以找出該第一曲線與該第二曲線的交叉點;響應於獲得的交叉點的數量大於或等於2,在所獲得的交叉點中將該未命中率大於一第一閾值的交叉點濾除;以及響應於經由該第一閾值濾除後所獲得的剩餘交叉點的數量大於或等於2,將時間大於一第二閾值之後的交叉點濾除後,將剩餘的交叉點作為該最佳參考點。
- 如請求項9所述的電子裝置,其中該處理器執行:響應於該變動比例尺度小於或等於該過去變動比例尺度平均值,在該模型操作介面上提供表示預測穩定的預測表現提示;以及響應於該變動比例尺度大於該過去變動比例尺度平均值,在 該模型操作介面上提供表示預測不穩定的預測表現提示。
- 一種非暫態電腦可讀取記錄媒體,用於儲存一程式碼,該程式碼被一處理器執行時,使得該處理器執行下述步驟:基於一歷史出貨數據來計算一目標時間點的一出貨預測值;以該目標時間點對應的該出貨預測值以及該目標時間點先前的多個時間點的多個先前出貨預測值,計算該目標時間點對應的一變動比例尺度;基於歷史變動比例尺度計算對應於該目標時間點的一過去變動比例尺度平均值;以及基於對應於該目標時間點的該過去變動比例尺度平均值與該變動比例尺度提供一預測表現提示,其中計算該目標時間點對應的該變動比例尺度的步驟包括:基於一權重值、該目標時間點的該出貨預測值、以及該目標時間點前一個時間點的加權平均值,計算該目標時間點的加權平均值,其中該目標時間點為一目前時間區間內的第n+1個時間點至最後一個時間點的其中一者,該目前時間區間內的第n個時間點的加權平均值為第1個時間點至第n個時間點的n個出貨預測值的平均值;基於該權重值、該目標時間點與其先前時間點的出貨預測值與所有加權平均值,計算該目標時間點的加權標準差;以及基於該目標時間點對應的該加權平均值以及該出貨預測值,計算該變動比例尺度,其中該變動比例尺度=(該加權標準差×指定 倍率)÷該出貨預測值,該指定倍率1。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111138712A TWI826043B (zh) | 2022-10-12 | 2022-10-12 | 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 |
CN202211376909.8A CN117933871A (zh) | 2022-10-12 | 2022-11-04 | 预测值决策的方法和电子装置及其计算机可读存储介质 |
US18/077,182 US20240127167A1 (en) | 2022-10-12 | 2022-12-07 | Method and electronic apparatus for predictive value decision and computer-readable recording medium thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111138712A TWI826043B (zh) | 2022-10-12 | 2022-10-12 | 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI826043B true TWI826043B (zh) | 2023-12-11 |
TW202416189A TW202416189A (zh) | 2024-04-16 |
Family
ID=90053269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111138712A TWI826043B (zh) | 2022-10-12 | 2022-10-12 | 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240127167A1 (zh) |
CN (1) | CN117933871A (zh) |
TW (1) | TWI826043B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2407184A (en) * | 2003-10-17 | 2005-04-20 | Makor Issues & Rights Ltd | A system for profit maximization |
US8935198B1 (en) * | 1999-09-08 | 2015-01-13 | C4Cast.Com, Inc. | Analysis and prediction of data using clusterization |
CN105556557A (zh) * | 2013-09-20 | 2016-05-04 | 日本电气株式会社 | 出货量预测设备、出货量预测方法、记录介质和出货量预测系统 |
CN105556558A (zh) * | 2013-09-20 | 2016-05-04 | 日本电气株式会社 | 订货量确定设备、订货量确定方法、记录介质和订货量确定系统 |
CN110414880A (zh) * | 2018-04-26 | 2019-11-05 | 株式会社日立物流 | 库存管理装置、库存管理方法和存储介质 |
CN113537850A (zh) * | 2020-04-14 | 2021-10-22 | 顺丰科技有限公司 | 仓储优化方法、装置、计算机设备和存储介质 |
CN114971083A (zh) * | 2022-06-30 | 2022-08-30 | 鑫洋互联网科技(广州)有限公司 | 一种货物购买预测出售的方法 |
-
2022
- 2022-10-12 TW TW111138712A patent/TWI826043B/zh active
- 2022-11-04 CN CN202211376909.8A patent/CN117933871A/zh active Pending
- 2022-12-07 US US18/077,182 patent/US20240127167A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8935198B1 (en) * | 1999-09-08 | 2015-01-13 | C4Cast.Com, Inc. | Analysis and prediction of data using clusterization |
GB2407184A (en) * | 2003-10-17 | 2005-04-20 | Makor Issues & Rights Ltd | A system for profit maximization |
CN105556557A (zh) * | 2013-09-20 | 2016-05-04 | 日本电气株式会社 | 出货量预测设备、出货量预测方法、记录介质和出货量预测系统 |
CN105556558A (zh) * | 2013-09-20 | 2016-05-04 | 日本电气株式会社 | 订货量确定设备、订货量确定方法、记录介质和订货量确定系统 |
CN110414880A (zh) * | 2018-04-26 | 2019-11-05 | 株式会社日立物流 | 库存管理装置、库存管理方法和存储介质 |
CN113537850A (zh) * | 2020-04-14 | 2021-10-22 | 顺丰科技有限公司 | 仓储优化方法、装置、计算机设备和存储介质 |
CN114971083A (zh) * | 2022-06-30 | 2022-08-30 | 鑫洋互联网科技(广州)有限公司 | 一种货物购买预测出售的方法 |
Also Published As
Publication number | Publication date |
---|---|
US20240127167A1 (en) | 2024-04-18 |
TW202416189A (zh) | 2024-04-16 |
CN117933871A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609289B (zh) | 基于bim模型的结构加固工程的建材成本管控方法以及系统 | |
CA2712569C (en) | Adaptive analytics multidimensional processing system | |
Levén et al. | Inventory control with a modified Croston procedure and Erlang distribution | |
US8346516B2 (en) | Predictive modeling | |
EP2273431B1 (en) | Model determination system | |
CN116384595B (zh) | 一种基于成本联动的工程项目进度预测分析方法 | |
US20150379110A1 (en) | Automated methods and systems for calculating hard thresholds | |
EP2290603A1 (en) | Model optimization system using variable scoring | |
EP2556470A2 (en) | Trust rating metric for future event prediction of an outcome | |
US10450841B2 (en) | Methods for statistical prediction of well production and reserves | |
WO2017037881A1 (ja) | オンライン予測システムおよび方法 | |
US20160086201A1 (en) | Methods and apparatus to manage marketing forecasting activity | |
CN112215546A (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
JP6435803B2 (ja) | 発注量決定装置、発注量決定方法および発注量決定プログラム | |
TWI826043B (zh) | 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 | |
CN110378516A (zh) | 分析师画像生成方法、装置、设备及计算机可读存储介质 | |
JP4777941B2 (ja) | 需要予測方法および装置 | |
CN114066078A (zh) | 一种补货量预估方法、装置、存储介质及电子设备 | |
JP2021189833A5 (zh) | ||
CN116307121B (zh) | 一种储备物资轮换期限预测方法及装置 | |
JP2010061574A (ja) | 商品需要予測システム及びプログラム並びに記録媒体 | |
AU2012254863B2 (en) | Adaptive analytics multidimensional processing system | |
CN111353692A (zh) | 一种工业装置的评估方法及系统 | |
CN111445095A (zh) | 一种基于指数平滑法的年度出库金额预测方法 | |
CN115658932A (zh) | 书籍培育晋级方法、电子设备及存储介质 |