CN111461628A - 一种设备租赁的动态库存预测方法 - Google Patents
一种设备租赁的动态库存预测方法 Download PDFInfo
- Publication number
- CN111461628A CN111461628A CN202010358486.1A CN202010358486A CN111461628A CN 111461628 A CN111461628 A CN 111461628A CN 202010358486 A CN202010358486 A CN 202010358486A CN 111461628 A CN111461628 A CN 111461628A
- Authority
- CN
- China
- Prior art keywords
- inventory
- data
- day
- current
- period
- 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
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
- G06Q10/087—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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种设备租赁的动态库存预测方法,所述方法包括以下步骤:步骤1,实时采集***中所有对库存有影响的影响因子,包括不限于意向数据、订单数据、各种服务工单、库存数据、在租数据等等;步骤2,对通过利用现有技术Apache Flink加Spark SQL技术对影响因子实时进行计算分析;步骤3,根据当前已知的库存数据,加上当天的影响因子,来滚算未来一年的库存数据,计算后的数据推送到ElasticSearch上供使用方查询;步骤4,分析人员查询最新库存预测数据生成调拨、补货计划;步骤5,再循环到步骤1,实时校准确保未来库存的及时和准确性。该方案基于大数据强大的数据处理分析能力,实时预测未来一年每天各站点实时库存情况。
Description
技术领域
本发明涉及一种预测方法,具体涉及一种设备租赁的动态库存预测方法,涉及通过大 数据技术来预测未来实时库存的方法,属于租赁行业实时库存相关技术领域。
背景技术
租赁行业中,由于客户需求、租赁周期、不同站点的服务能力等各种不确定性导致未 来库存余量不可知,从而销售人员只能对近1-3天的租赁需求才能确定是否能供货,超出 这个时间段的租赁需求销售人员则无法做出承诺,同样线上在线预订时***一样无法确定 是否能确保供货。
后台分析人员只能通过定期收集一线销售人员最新客户需求信息、在租最新归还日期 等数据来分析未来一段时间内各站点的库存情况,从而制定各站点的调拨、采购计划。但 是这种方式存在很明显缺点,线下统计效率比较低,实时性比较差。存在分析报告刚做出 来,影响因子已经发生较大变化导致分析报告不具备参考价值的情况。因此,迫切的需要 一种新的方案解决上述技术问题。
发明内容
本发明正是针对现有技术中存在的问题,提供一种设备租赁的动态库存预测方法,该 技术方案动态库存预测方法,本发明基于大数据强大的数据处理分析能力,处理动态变化 的各种影响因子,实时预测未来一年每天各站点实时库存情况。
为了实现上述目的,本发明的技术方案如下,一种设备租赁的动态库存预测方法,所 述方法包括以下步骤:
步骤1,实时采集***中所有对库存有影响的影响因子,包括不限于意向数据、订单 数据、各种服务工单、库存数据、在租数据等等;
步骤2,对通过利用Apache Flink加Spark SQL技术对影响因子实时进行计算分析, 得到未来时间段内即将产生的工单和基于服务人员人力模型计算的工单完成周期,将所有 因子根据起止时间分摊到到具体未来的某一天;
步骤3,根据当前已知的库存数据,加上当天的影响因子,来滚算未来一年的库存数 据,计算后的数据推送到ElasticSearch上供使用方查询;
步骤4,分析人员查询最新库存预测数据生成调拨、补货计划;在线预订预订***查 询最新库存预测数据,实现库存实时日历,供在线预订客户查询下单;
步骤5,再循环到步骤1,实时校准确保未来库存的及时和准确性。
作为本发明的一种改进,所述步骤1具体包括如下过程:
对于业务数据不存在物理删除的情况,采用增量采集,根据数据的更新时间采集增量 更新和新增的数据提升采集效率;
对于业务数据有物理删除情况当业务数据不多考虑全量采集,反之考虑通过数据库 binlog加消息通知实现数据采集;
最终将数据存储在大数据的ODS层,作为分析源数据。
作为本发明的一种改进,所述步骤2中对影响因子计算分析,步骤2具体包括如下过 程:
利用Flink加Spark SQL分布式对于每一个影响因子进行流计算,通过现有所有订单 中需求数量、使用周期计算租赁物归还时间,再根据归还时间和站点的服务人力模型计算 租赁物归还整备完成后重新上架待租的时间;其中服务人力模型根据各站点服务人力变化 情况、历史一个月中每天处理整备工单数量,计算个站点每天处理整备工单数量,模型每 天重新计算一次确保模型准确性;
最后将每一个影响因子分布在未来的某一天或某一段时间,存储在Hive临时表中。
作为本发明的一种改进,所述步骤3中对未来库存进行滚动计算,步骤3具体包括如 下过程:
通过站点当前库存累加第二天的影响因子得到第二天预测库存,第三天根据第二天预 测库存加第三天影响因子得到第三天预测库存,以此类推滚算未来一年的库存数据;
涉及部分公式:
当期新增需求=当期意向需求+当前订单需求;
当期待租=上期库存余量(当天取当天实时库存余量);
当期可用库存=当期待租+当前导致库存增加的影响因子;
当期按实际库存测算在租=上期实际库存测算在租-当期导致库存减少影响因子+当期导致库存增加影响因子;
当期按最大需求测算在租=上期实际库存测算在租+当期新增需求;
当期库存余量=当期可用库存-当期新增需求;
当期按最大需求出租率=当期按最大需求测算在租/当期总设备数;
当期按实际库存出租率=当期实际库存测算在租/当期总设备数;
滚算完成后,将滚算结果存储到Hive库中持久化,并推送至ElasticSearch供使用方查询。
作为本发明的一种改进,所述步骤4中对已生成的预测数据做相应业务决策,步骤4 具体包括如下过程:
根据库存预测数据,可以查看到未来一年的以时、天、周、月、年维度的待租、库存余量等关键数据,通过这些关键数据制定不同站点之前的调拨计划、采购计划等;
在线预订***根据天实时预测数据展示每天的库存日历,帮助客户下单占库。
相对于现有技术,本发明的优点如下:
1)首次提出现有业务数据加大量计算预测未来库存概念,设备租赁行业中由于各种不 确定因素导致对于未来库存余量都是未知和不确定的,给企业管理层决策和计划制定带来 很大困扰,该发明通过大量的数据采集并计算预测未来库存,帮助解决这一痛点;
2)本发明通过实时采集、计算确保了未来库存数据的准确性和实时性,对比线下手工 统计数据质量有质的飞跃并节省大量人力,为企业降本增效;
3)本发明利用大数据强大的数据处理、分析能力,为租赁类业务实时预测未来库存, 指导企业内部制定更加合理的调拨、采购计划,最大限度的避免了因为经验导致未来库存 不足从而损失订单或者库存过剩影响公司现金流等情况;
4)依赖该技术可以帮助C端客户查看未来一年的实时库存,预订下单并锁定库存,减 小因库存变化等因素导致的订单流失。
5)该方案实现了利用大数据技术实时分析库存影响因子,库存预测相关计算滚算等公 式,利用库存预测结果指导调拨、采购计划,利用库存预测结果实现在线预订的未来库存 日历,帮助客户下单占库。
附图说明
图1为本发明整体结构示意图。
具体实施方式:
为了加深对本发明的理解,下面结合附图对本实施例做详细的说明。
实施例1:参见图1,一种设备租赁的动态库存预测方法,所述方法包括以 下步骤:
步骤1,实时采集***中所有对库存有影响的影响因子,包括不限于意向数据、订单数据、 各种服务工单、库存数据、在租数据等等;
步骤2,对通过利用现有技术Apache Flink加Spark SQL技术对影响因子实时进行计算分 析,得到未来时间段内即将产生的工单和基于服务人员人力模型计算的工单完成周期,将 所有因子根据起止时间分摊到到具体未来的某一天;
步骤3,根据当前已知的库存数据,加上当天的影响因子,来滚算未来一年的库存数据, 计算后的数据推送到ElasticSearch上供使用方查询;
步骤4,分析人员查询最新库存预测数据生成调拨、补货计划;在线预订预订***查询最 新库存预测数据,实现库存实时日历,供在线预订客户查询下单;
步骤5,再循环到步骤1,实时校准确保未来库存的及时和准确性。
所述步骤1具体包括如下过程:
采集业务数据(以一种租赁物、部分站点、部分影响因子为例),我们定义站点服务人员数量为SP,库存为S,意向租赁数为I,订单租赁数为O,在租数量为R,退租数量为 OR,整备数量为P,例如采集到某一时刻的业务数据如下表1所示:
所述步骤2中对影响因子计算分析,步骤2具体包括如下过程:
通过计算分析每个站点历史一年内从客户发起退租到租赁物回到仓库分布情况,来计 算出退租分布模型(简称:ORM),模型固定周期刷新确保模型准备性,如下表2所示
表2退租分布模型
通过对最近一周内站点服务人员处理保养租赁物的时长进行分析,计算出个站点租赁 物整备的人力模型(简称:PM),模型固定周期刷新确保模型准备性,如下表3所示
整备人力模型 | 每人每天整备数量 |
站点A | 2 |
站点B | 3 |
站点C | 2 |
表3整备人力模型
根据退租数量加退租模型计算出每天真实退场数量(简称ROR),公式如下,括号中数 字代表第N天(后续沿用该规则,不再特殊说明)
当天真实退场数量ROR(0)=OR(0)*ORM(0)
未来1天真实退场数量ROR(1)=OR(0)*ORM(1)+OR(1)*ORM(0)
未来2天真实退场数量ROR(2)=OR(0)*ORM(2)+OR(1)*ORM(1)+
OR(1)*ORM(0)
以站点A为例
站点A当天真实退场数量ROR(0)为10*50%=5
站点A未来1天真实退场数量ROR(1)为10*20%+10*50%=7
站点A未来2天真实退场数量ROR(2)为10*20%+10*20%+12*50%=10 根据真实退租数量加当前已有整备数量依据整备人力模型计算出每天真实完成整备 的数量(简称:RP)每天剩余的整备数量(简称:LP),公式如下
当天真实完成整备的数量RP(0)=SP(0)*PM>P(0)+ROR(0)?P(0)+ROR(0):
SP(0)*PM
当天剩余的整备数量LP(0)=P(0)+ROR(0)–RP(0)
未来1天真实完成整备的数量RP(1)=SP(1)*PM>LP(0)+ROR(1)?
LP(0)+ROR(1):SP(1)*PM
未来1天剩余的整备数量LP(1)=LP(0)+ROR(1)–RP(1)
未来2天真实完成整备的数量RP(2)=SP(2)*PM>LP(1)+ROR(2)?
LP(1)+ROR(2):SP(2)*PM
未来2天剩余的整备数量LP(2)=LP(1)+ROR(2)–RP(2)
以站点A为例
站点A当天真实完成整备的数量RP(0)为5*2>20+5?20+5:5*2=10
站点A当天剩余的整备数量LP(0)为20+5-10=15
站点A未来1天真实完成整备的数量RP(1)为5*2>15+5?15+5:5*2=10
站点A未来1天剩余的整备数量LP(1)为15+7-10=12
站点A未来2天真实完成整备的数量RP(2)为5*2>12+10?12+10:5*2=10
未来2天剩余的整备数量LP(2)=12+10-10=12
按照上述公式将每一个影响因子分布在未来的某一天或某一段时间,并存储在Hive 临时表中。
所述步骤3中对未来库存进行滚动计算,步骤3具体包括如下过程:
通过站点当前库存累加第二天的影响因子得到第二天预测库存,第三天根据第二天预 测库存加第三天影响因子得到第三天预测库存,以此类推滚算未来一年的库存数据;
滚算未来库存和在租公式如下:
当天库存RS(0)=S(0)-I(0)-O(0)+RP(0)
未来1天库存RS(1)=RS(0)-I(1)-O(1)+RP(1)
未来2天库存RS(2)=RS(1)-I(2)-O(2)+RP(2)
当天最大需求在租RR(0)=R(0)+I(0)+O(0)-ROR(0)
未来1天最大需求在租RR(1)=RR(0)+I(1)+O(1)-ROR(1)
未来2天最大需求在租RR(2)=RR(1)+I(2)+O(2)-ROR(2)
以站点A为例
站点A当天库存RS(0)为1000-12-15+10=983
站点A未来1天库存RS(1)为983-20-40+10=933
站点A未来2天库存RS(2)为933-15-10+10=918
站点A当天最大需求在租RR(0)为800+12+15-5=822
站点A未来1天最大需求在租RR(1)为822+20+40-7=889
站点A未来2天最大需求在租RR(2)为889+15+10-10=904
滚算完成后,涉及统计部分公式如下:
当期新增需求=当期意向需求+当前订单需求;
当期待租=上期库存余量(当天取当天实时库存余量);
当期可用库存=当期待租+当前导致库存增加的影响因子;
当期按实际库存测算在租=上期实际库存测算在租-当期导致库存减少影响因子+当期导致库存增加影响因子;
当期按最大需求测算在租=上期实际库存测算在租+当期新增需求;
当期库存余量=当期可用库存-当期新增需求;
当期按最大需求出租率=当期按最大需求测算在租/当期总设备数;
当期按实际库存出租率=当期实际库存测算在租/当期总设备数;
滚算完成后,将滚算结果存储到Hive库中持久化,并推送至ElasticSearch供使用方查询。
所述步骤4中对已生成的预测数据做相应业务决策,步骤4具体包括如下过程:
根据库存预测数据,可以查看到未来一年的以时、天、周、月、年维度的待租、库存余量等关键数据,通过这些关键数据制定不同站点之前的调拨计划、采购计划等;
在线预订***根据天实时预测数据展示每天的库存日历,帮助客户下单占库。
需要说明的是上述实施例仅仅是本发明的较佳实施例,并没有用来限定本发明的保护范围, 在上述技术方案的基础上做出的等同替换或者替代均属于本发明的保护范围。
Claims (5)
1.一种设备租赁的动态库存预测方法,其特征在于,所述方法包括以下步骤:
步骤1,实时采集***中所有对库存有影响的影响因子,包括不限于意向数据、订单数据、各种服务工单、库存数据、在租数据等等;
步骤2,对通过利用现有技术Apache Flink加Spark SQL技术对影响因子实时进行计算分析,得到未来时间段内即将产生的工单和基于服务人员人力模型计算的工单完成周期,将所有因子根据起止时间分摊到到具体未来的某一天;
步骤3,根据当前已知的库存数据,加上当天的影响因子,来滚算未来一年的库存数据,计算后的数据推送到ElasticSearch上供使用方查询;
步骤4,分析人员查询最新库存预测数据生成调拨、补货计划;在线预订预订***查询最新库存预测数据,实现库存实时日历,供在线预订客户查询下单;
步骤5,再循环到步骤1,实时校准确保未来库存的及时和准确性。
2.根据权利要求1所述的一种设备租赁的动态库存预测方法,其特征在于,所述步骤1具体包括如下过程:
对于业务数据不存在物理删除的情况,采用增量采集,根据数据的更新时间采集增量更新和新增的数据提升采集效率;
对于业务数据有物理删除情况当业务数据不多考虑全量采集,反之考虑通过数据库binlog加消息通知实现数据采集;
最终将数据存储在大数据的ODS层,作为分析源数据。
3.根据权利要求1所述的一种设备租赁的动态库存预测方法,其特征在于,所述步骤2中对影响因子计算分析,步骤2具体包括如下过程:
利用Flink加Spark SQL分布式对于每一个影响因子进行流计算,通过现有所有订单中需求数量、使用周期计算租赁物归还时间,再根据归还时间和站点的服务人力模型计算租赁物归还整备完成后重新上架待租的时间;其中服务人力模型根据各站点服务人力变化情况、历史一个月中每天处理整备工单数量,计算个站点每天处理整备工单数量,模型每天重新计算一次确保模型准确性;
最后将每一个影响因子分布在未来的某一天或某一段时间,存储在Hive临时表中。
4.根据权利要求1所述的一种设备租赁的动态库存预测方法,其特征在于,所述步骤3中对未来库存进行滚动计算,步骤3具体包括如下过程:
通过站点当前库存累加第二天的影响因子得到第二天预测库存,第三天根据第二天预测库存加第三天影响因子得到第三天预测库存,以此类推滚算未来一年的库存数据;
涉及部分公式:
当期新增需求=当期意向需求+当前订单需求;
当期待租=上期库存余量(当天取当天实时库存余量);
当期可用库存=当期待租+当前导致库存增加的影响因子;
当期按实际库存测算在租=上期实际库存测算在租-当期导致库存减少影响因子+当期导致库存增加影响因子;
当期按最大需求测算在租=上期实际库存测算在租+当期新增需求;
当期库存余量=当期可用库存-当期新增需求;
当期按最大需求出租率=当期按最大需求测算在租/当期总设备数;
当期按实际库存出租率=当期实际库存测算在租/当期总设备数;
滚算完成后,将滚算结果存储到Hive库中持久化,并推送至ElasticSearch供使用方查询。
5.根据权利要求2所述的一种设备租赁的动态库存预测方法,其特征在于,所述步骤4中对已生成的预测数据做相应业务决策,步骤4具体包括如下过程:
根据库存预测数据,可以查看到未来一年的以时、天、周、月、年维度的待租、库存余量等关键数据,通过这些关键数据制定不同站点之前的调拨计划、采购计划等;
在线预订***根据天实时预测数据展示每天的库存日历,帮助客户下单占库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010358486.1A CN111461628B (zh) | 2020-04-29 | 2020-04-29 | 一种设备租赁的动态库存预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010358486.1A CN111461628B (zh) | 2020-04-29 | 2020-04-29 | 一种设备租赁的动态库存预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461628A true CN111461628A (zh) | 2020-07-28 |
CN111461628B CN111461628B (zh) | 2022-05-03 |
Family
ID=71684106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010358486.1A Active CN111461628B (zh) | 2020-04-29 | 2020-04-29 | 一种设备租赁的动态库存预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461628B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734082A (zh) * | 2020-12-17 | 2021-04-30 | 北京中智软创信息技术有限公司 | 一种库存预测方法 |
CN117455351A (zh) * | 2023-09-06 | 2024-01-26 | 广州箭头信息科技有限公司 | 基于Saas平台设备租赁仓库智能管理方法及*** |
CN117608865A (zh) * | 2024-01-23 | 2024-02-27 | 江西科技学院 | 基于云计算的外卖送餐平台的数学模型服务方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529869A (zh) * | 2016-10-27 | 2017-03-22 | 国网天津市电力公司 | 一种物资库存物料动态特征分析平台及其分析方法 |
CN107609747A (zh) * | 2017-08-18 | 2018-01-19 | 刘英学 | 基于预测和预订模式的连锁零售店运营***及方法 |
CN110750549A (zh) * | 2019-10-17 | 2020-02-04 | 青岛鲁诺电子科技有限公司 | 一种基于大数据的车辆库存管理*** |
CN110781242A (zh) * | 2019-09-29 | 2020-02-11 | 江苏华泽微福科技发展有限公司 | 一种基于大数据分析的福利信息处理***及方法 |
-
2020
- 2020-04-29 CN CN202010358486.1A patent/CN111461628B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529869A (zh) * | 2016-10-27 | 2017-03-22 | 国网天津市电力公司 | 一种物资库存物料动态特征分析平台及其分析方法 |
CN107609747A (zh) * | 2017-08-18 | 2018-01-19 | 刘英学 | 基于预测和预订模式的连锁零售店运营***及方法 |
CN110781242A (zh) * | 2019-09-29 | 2020-02-11 | 江苏华泽微福科技发展有限公司 | 一种基于大数据分析的福利信息处理***及方法 |
CN110750549A (zh) * | 2019-10-17 | 2020-02-04 | 青岛鲁诺电子科技有限公司 | 一种基于大数据的车辆库存管理*** |
Non-Patent Citations (2)
Title |
---|
徐欢: "需求预测与库存决策的集成研究", 《上海管理科学》 * |
杨亚璪: "基于顾客选择行为的租赁车辆存量动态控制稳健模型", 《工业工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734082A (zh) * | 2020-12-17 | 2021-04-30 | 北京中智软创信息技术有限公司 | 一种库存预测方法 |
CN117455351A (zh) * | 2023-09-06 | 2024-01-26 | 广州箭头信息科技有限公司 | 基于Saas平台设备租赁仓库智能管理方法及*** |
CN117455351B (zh) * | 2023-09-06 | 2024-05-17 | 广州箭头信息科技有限公司 | 基于Saas平台设备租赁仓库智能管理方法及*** |
CN117608865A (zh) * | 2024-01-23 | 2024-02-27 | 江西科技学院 | 基于云计算的外卖送餐平台的数学模型服务方法及*** |
CN117608865B (zh) * | 2024-01-23 | 2024-04-05 | 江西科技学院 | 基于云计算的外卖送餐平台的数学模型服务方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111461628B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461628B (zh) | 一种设备租赁的动态库存预测方法 | |
US5799286A (en) | Automated activity-based management system | |
US5970476A (en) | Method and apparatus for industrial data acquisition and product costing | |
CN106296087A (zh) | 一种面向制造业的备件库存管理*** | |
CN112488612A (zh) | 一种基于可视化的全量库存资源监测与展示方法 | |
CN109583806A (zh) | 一种基于智能调整下单重量后的车辆调度取件方法及*** | |
CN115630945A (zh) | 一种低压态势感知指挥*** | |
CN115456217A (zh) | 一种智能船物联网数据资产管理方法与*** | |
CN115345564A (zh) | 基于自动预测的库存管理方法 | |
US20020019762A1 (en) | Electric power demand prediction method and system therefor | |
CN111340536A (zh) | 模型训练方法、客座率进度预测方法、***、设备及介质 | |
CN113409028A (zh) | 一种电网物资审查*** | |
CN111882693A (zh) | 员工外勤工作的信息处理方法、装置、电子设备与介质 | |
Cramer et al. | Performance measurements on mass transit: case study of New York City transit authority | |
CN116227872A (zh) | 一种基于项目设备实际使用分析的企业设备管理方法及*** | |
CN110659882A (zh) | 一种人力资源综合管理大数据监管服务*** | |
DE102011112411A1 (de) | Vorrichtung und Verfahren zum Kosten-Nutzen optimierten Disponieren und Ausführen von Service-Leistungen an Kraftfahrzeugen | |
CN112508390B (zh) | 一种协同制造支撑***及方法 | |
CN114971582A (zh) | 一种基于供应链管理***的物资需求跟踪*** | |
CN111445051B (zh) | 快件业务量预测方法、预测***和快件员工的排班方法 | |
CN113076302A (zh) | 电网数据的管理方法、装置、设备和介质 | |
Ali et al. | The applicability of just-in-time in United Arab Emirates construction projects | |
CN109165745A (zh) | 一种动车组检修成本信息自动化管理方法及*** | |
CN118313561A (zh) | 一种基于大数据的智能工程造价管理*** | |
US20180075497A1 (en) | Database management system |
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 |