CN111882229B - 一种车辆零部件库存风险预测方法、装置及设备 - Google Patents

一种车辆零部件库存风险预测方法、装置及设备 Download PDF

Info

Publication number
CN111882229B
CN111882229B CN202010760372.XA CN202010760372A CN111882229B CN 111882229 B CN111882229 B CN 111882229B CN 202010760372 A CN202010760372 A CN 202010760372A CN 111882229 B CN111882229 B CN 111882229B
Authority
CN
China
Prior art keywords
parts
data
inventory
training
vehicle
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
Application number
CN202010760372.XA
Other languages
English (en)
Other versions
CN111882229A (zh
Inventor
徐冠奇
金忠孝
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.)
Secco Intelligent Technology Shanghai Co ltd
Original Assignee
Secco Intelligent Technology Shanghai 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 Secco Intelligent Technology Shanghai Co ltd filed Critical Secco Intelligent Technology Shanghai Co ltd
Priority to CN202010760372.XA priority Critical patent/CN111882229B/zh
Publication of CN111882229A publication Critical patent/CN111882229A/zh
Application granted granted Critical
Publication of CN111882229B publication Critical patent/CN111882229B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种车辆零部件库存风险预测方法、装置及设备，为了解决传统方案不能准确预测出订单变动对车辆整个下游生产中零部件计划和库存造成的影响的技术问题。该方法首先将订单变更之前和之后的零部件需求数据输入至预先构建的车辆零部件库存预测模型，预测出整车生产计划数据；然后将零部件的扰动数据输入至该模型，并根据整车生产计划数据，预测出零部件的使用计划数据；接着，将零部件的预订信息数据和物流信息数据输入至该模型，并根据零部件的使用计划数据，预测出零部件的库存计划数据；再将该库存计划数据与实际零部件的库存计划数据进行对比，进而能够根据对比结果更加准确的预测出零部件的库存变化以及可能出现的零部件库存风险。

Description

一种车辆零部件库存风险预测方法、装置及设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种车辆零部件库存风险预测方法、装置及设备。
背景技术
伴随着社会经济的不断高速发展，我国机动车数量在逐年增加，在车辆的实际生产过程中，由于汽车零部件种类繁多、多款车型共用零件，以及不同零件的不良率、装配公差差异等影响因素，导致难以人工制定零部件使用计划和估测所有零部件的库存风险，只有在实际生产中零部件库存逐步降低到报警线附近时，才能在线上提供反馈。因此，需要***不同订单变更情况对车辆生产下游各环节的影响，从而为变更后的整车生产计划制定较为合理的排产方案，以减少零部件库存报警。
目前，通常采用基于统计的方法，将零部件需求量抽象为具有一定分布形态的随机变量，在库存大于安全库存量的限制下，求解使得库存费用最小的订货方案。但这种方法仅能够在一定程度上反映市场对于商品需求的长周期波动，而市场的复杂程度远超于此，如果短期内出现剧烈的市场波动，势必需要修改已经制定的整车生产计划。尤其在车市整体下行的时期，主机厂需要对市场的波动产生快速反应。往往根据市场的反馈，频繁修改整车生产计划，从而导致了两个主要问题的产生：一是市场需求往往是短时间周期剧烈变化的，给定概率分布的统计量无法预测短期需求变动，因而使用这种方法，不能快速响应市场变化；二是这种方法割裂了车辆生产和物流仓储，仅考虑了仓储成本，根据仓储来制定零部件采购计划，但对于当前需求来说，合理调配仓储和物流资源，满足变动的生产订单才是首要任务。因此，现有方法还是不能准确的预测出订单变动对车辆整个下游生产中零部件计划和零部件库存造成的影响。
发明内容
本申请实施例的主要目的在于提供一种车辆零部件库存风险预测方法、装置及设备，能够在订单变更时准确预测出零部件的库存变化，进而预测出可能出现的零部件库存风险，得到准确性更高的预测结果。
本申请实施例提供了一种车辆零部件库存风险预测方法，包括：
将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；
将所述零部件的扰动数据输入至所述车辆零部件库存预测模型，并根据所述整车生产计划数据，预测出所述零部件的使用计划数据；所述零部件的扰动数据至少包含所述零部件的不良率，和/或，所述零部件的共用信息，和/或，所述零部件的安装误差率；
将所述零部件的预订信息数据和物流信息数据输入至所述车辆零部件库存预测模型，并根据所述零部件的使用计划数据，预测出所述零部件的库存计划数据；
将所述零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对所述零部件的库存风险进行预测，得到预测结果。
在一种可能的实现方式中，构建所述车辆零部件库存预测模型，包括：
获取零部件的训练数据；
利用所述零部件的训练数据，对预先构建的初始车辆零部件库存预测模型进行训练，得到所述车辆零部件库存预测模型；
其中，所述零部件的训练数据包括多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据、零部件的扰动训练数据、以及零部件的预订信息训练数据和物流信息训练数据。
在一种可能的实现方式中，所述初始车辆零部件库存预测模型为状态空间模型，且所述初始车辆零部件库存预测模型包含整车生产排程模块、零部件使用规划模块和零部件库存规划模块；
所述利用所述零部件的训练数据，对预先构建的初始车辆零部件库存预测模型进行训练，得到所述车辆零部件库存预测模型，包括:
S1：将多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据输入至所述初始车辆零部件库存预测模型中的整车生产排程模块，以输出第一训练状态数据；
S2：将所述零部件的扰动训练数据输入至所述车辆零部件库存预测模型中的零部件使用规划模块，并根据所述第一训练状态数据，输出第二训练状态数据；
S3：将所述零部件的预订信息训练数据和物流信息训练数据输入至所述车辆零部件库存预测模型中的零部件库存规划模块，并根据所述第二训练状态数据，输出第三训练状态数据；
S4：当不满足预设停止条件时，重新获取零部件的训练数据，并重复执行步骤S1-S3，直至达到所述预设停止条件，并将达到所述预设停止条件时的模型作为所述车辆零部件库存预测模型。
在一种可能的实现方式中，所述方法还包括：
获取实际零部件的库存计划数据；
将所述实际零部件的库存计划数据输入至所述车辆零部件库存预测模型，以预测出可行的整车生产计划数据、可行的零部件的使用计划数据和可行的零部件的库存计划数据。
本申请实施例还提供了一种车辆零部件库存风险预测装置，包括：
第一输入单元，用于将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；
第二输入单元，用于将所述零部件的扰动数据输入至所述车辆零部件库存预测模型，并根据所述整车生产计划数据，预测出所述零部件的使用计划数据；所述零部件的扰动数据至少包含所述零部件的不良率，和/或，所述零部件的共用信息，和/或，所述零部件的安装误差率；
第三输入单元，用于将所述零部件的预订信息数据和物流信息数据输入至所述车辆零部件库存预测模型，并根据所述零部件的使用计划数据，预测出所述零部件的库存计划数据；
第一预测单元，用于将所述零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对所述零部件的库存风险进行预测，得到预测结果。
在一种可能的实现方式中，所述装置还包括：
第一获取单元，用于获取零部件的训练数据；
训练单元，用于利用所述零部件的训练数据，对预先构建的初始车辆零部件库存预测模型进行训练，得到所述车辆零部件库存预测模型；
其中，所述零部件的训练数据包括多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据、零部件的扰动训练数据、以及零部件的预订信息训练数据和物流信息训练数据。
在一种可能的实现方式中，所述初始车辆零部件库存预测模型为状态空间模型，且所述初始车辆零部件库存预测模型包含整车生产排程模块、零部件使用规划模块和零部件库存规划模块；所述训练单元包括：
第一输入子单元，用于将多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据输入至所述初始车辆零部件库存预测模型中的整车生产排程模块，以输出第一训练状态数据；
第二输入子单元，用于将所述零部件的扰动训练数据输入至所述车辆零部件库存预测模型中的零部件使用规划模块，并根据所述第一训练状态数据，输出第二训练状态数据；
第三输入子单元，用于将所述零部件的预订信息训练数据和物流信息训练数据输入至所述车辆零部件库存预测模型中的零部件库存规划模块，并根据所述第二训练状态数据，输出第三训练状态数据；
训练子单元，用于当不满足预设停止条件时，重新获取零部件的训练数据，并重复调用第一输入子单元、第二输入子单元和第三输入子单元，直至达到所述预设停止条件，并将达到所述预设停止条件时的模型作为所述车辆零部件库存预测模型。
在一种可能的实现方式中，所述装置还包括：
第二获取单元，用于获取实际零部件的库存计划数据；
第二预测单元，用于将所述实际零部件的库存计划数据输入至所述车辆零部件库存预测模型，以预测出可行的整车生产计划数据、可行的零部件的使用计划数据和可行的零部件的库存计划数据。
本申请实施例还提供了一种车辆零部件库存风险预测设备，包括：处理器、存储器、***总线；
所述处理器以及所述存储器通过所述***总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述车辆零部件库存风险预测方法中的任意一种实现方式。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述车辆零部件库存风险预测方法中的任意一种实现方式。
本申请实施例提供的一种车辆零部件库存风险预测方法、装置及设备，首先将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；然后将零部件的扰动数据输入至车辆零部件库存预测模型，并根据整车生产计划数据，预测出零部件的使用计划数据；接着，再将零部件的预订信息数据和物流信息数据输入至车辆零部件库存预测模型，并根据零部件的使用计划数据，预测出零部件的库存计划数据；进而，可以将零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对零部件的库存风险进行预测，得到预测结果。可见，由于本申请实施例预先利用状态空间法，将订单变更对整车生产计划、对零部件使用计划、对零部件库存的影响按照车辆生产过程向下传递，并将这三级整合到同一个车辆零部件库存预测模型。这样就能够在订单变更时，将订单变更的影响逐级向下传递，直至传入零部件库存。从而能够准确预测出零部件的库存变化，进而预测出可能出现的零部件库存风险，得到准确性更高的预测结果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种车辆零部件库存风险预测方法的流程示意图；
图2为本申请实施例提供的车辆零部件库存预测模型的结构示意图之一；
图3为本申请实施例提供的自整车生产排程模块向零部件使用规划模块进行状态转换的流程示例图；
图4为本申请实施例提供的车辆零部件库存预测模型的结构示意图之二；
图5为本申请实施例提供的一种车辆零部件库存风险预测装置的组成示意图。
具体实施方式
在现有的车辆整车制造中，指定了整车生产的排产之后，需要安排相应的零部件物流，使得对应零部件能够在生产排程给定的时间之前到达主机厂。但在实际生产中，常常因为出现紧急订单或市场需求的变化而需要变更整车生产订单，而整车生成订单的变更会影响到下游零部件使用计划和零部件的采购以及物流，造成可能出现零部件库存报警风险，而紧急的零部件采购订单也会使得零部件物流非平准化，增加零部件物流成本。
对此，当前主机厂采用的做法通常是根据排产的月计划、7+7周计划和3+1天计划，先根据订单给出排产计划，然后再用排产软件计算出零部件计划，接着，根据零部件计划对照现有零部件库存和排产日期内的零部件物流情况，推测可能出现的零部件库存风险。
但是在实际生产过程中，由于车辆零部件种类繁多、多款车型共用零件，以及不同零件的不良率、装配公差差异等等影响因素，导致难以人工制定零部件使用计划和估测所有零部件的库存风险，只有在实际生产中零部件库存逐步降低到报警线附近时，才能在线上提供反馈。因此，需要***不同订单变更情况对车辆生产下游各环节的影响，从而为变更后的整车生产计划制定较为合理的排产方案，以减少零部件库存报警。
对此，目前通常采用一定分布的统计量抽象表示需求波动，虽然这种方法仅能够在一定程度上反映市场对于商品需求的长周期波动，但市场的复杂程度远超于此，如果短期内出现剧烈的市场波动，势必需要修改已经制定的整车生产计划。尤其在车市整体下行的时期，主机厂需要对市场的波动产生快速反应。往往根据市场的反馈，频繁修改整车生产计划，从而导致了两个主要问题的产生：一是市场需求往往是短时间周期剧烈变化的，给定概率分布的统计量无法预测短期需求变动，因而使用这种方法，不能快速响应市场变化；二是这种方法割裂了车辆生产和物流仓储，仅考虑了仓储成本，根据仓储来制定零部件采购计划，但对于当前需求来说，合理调配仓储和物流资源，满足变动的生产订单才是首要任务。因此，现有方法还是不能准确的预测出订单变动对车辆整个下游生产中零部件计划和零部件库存造成的影响。
为解决上述缺陷，本申请实施例提供了一种车辆零部件库存风险预测方法，首先将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；然后将零部件的扰动数据输入至车辆零部件库存预测模型，并根据整车生产计划数据，预测出零部件的使用计划数据；接着，再将零部件的预订信息数据和物流信息数据输入至车辆零部件库存预测模型，并根据零部件的使用计划数据，预测出零部件的库存计划数据；进而，可以将零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对零部件的库存风险进行预测，得到预测结果。
可见，由于本申请实施例预先利用状态空间法，将订单变更对整车生产计划、对零部件使用计划、对零部件库存的影响按照车辆生产过程向下传递，并将这三级整合到同一个车辆零部件库存预测模型。这样就能够在订单变更时，将订单变更的影响逐级向下传递，直至传入零部件库存。从而能够准确预测出零部件的库存变化，进而预测出可能出现的零部件库存风险，得到准确性更高的预测结果，以减少零部件库存报警。
为使本申请实施例的目的、技术方案和优点更加清楚，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，本领域普通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。
第一实施例
参见图1，为本实施例提供的一种车辆零部件库存风险预测方法的流程示意图，该方法包括以下步骤：
S101：将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据。
在本实施例中，为了能够在订单变更时准确预测出零部件的库存变化，进而预测出可能出现的零部件库存风险，得到准确性更高的预测结果。预先构建了车辆零部件库存预测模型，如图2所示，该车辆零部件库存预测模型是由整车生产排程模块、零部件使用规划模块和零部件库存规划模块组成的一个状态空间模型。且该模型中的状态变量(即生产计划，如整车和零部件的生产、使用计划等)可以在这三个模块中从上游到下游进行传递。
这样，在获取到未变更的整车生产订单(其中包含订单变更之前车辆生产时零部件的需求数据)，以及由于出现紧急订单或市场需求的变化而变更后的整车生产订单(其中包含订单变更之后的车辆生产时零部件的需求数据)之后，可以将这些订单数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据，即规划出整车生产方案。一种可选的实现方式是，如图2所示，可以将之前未发生变更的订单数据和变更后的订单数据输入至车辆零部件库存预测模型的整车生产排程模块，以预测出订单发生变更之后的整车生产方案。
S102：将零部件的扰动数据输入至车辆零部件库存预测模型，并根据整车生产计划数据，预测出零部件的使用计划数据；其中，零部件的扰动数据至少包含零部件的不良率，和/或，零部件的共用信息，和/或，零部件的安装误差率。
需要说明的是，在本实施例预先构建的车辆零部件库存预测模型中，状态变量(即生产计划，如整车和零部件的生产、使用计划等，此处将其定义为x)在自整车生产排程模块逐级向后续两个模块进行状态转移的过程中，三个模块的输入和输出数据的计算公式如下：
在公式(1)中，表示第k个模块(即整车生产排程模块、零部件使用规划模块和零部件库存规划模块中的一个)中的生产计划，/>表示之前未发生变更的订单中的生产计划；/>表示在加入第k个模块输入的信息后，输出的生产计划；/>表示生产计划/>在从上游传入第k个模块后的状态变化，例如，从整车生产排程模块根据物料清单表(Bill of Material，简称BOM)传入到零部件使用规划模块中对应的状态变化；/>表示生产过程中对第k个模块施加的影响，即，生产过程中输入到第k个模块的***性扰动数据，如在利用零部件使用规划模块制定零部件使用计划时，需要考虑的零部件互用影响、不良率以及装配误差带来的影响等；/>表示整车生产过程中的随机扰动。
基于此，在获取到零部件的不良率，和/或，零部件的共用信息，和/或，零部件的安装误差率等零部件的扰动数据后，可以将这些零部件的扰动数据输入至车辆零部件库存预测模型，并根据上游的整车生产排程模块输出的整车生产计划数据，预测出零部件的使用计划数据。一种可选的实现方式是，如图2所示，可以将获取到的零部件的不良率，和/或，零部件的共用信息，和/或，零部件的安装误差率等零部件的扰动数据输入至车辆零部件库存预测模型中的零部件使用规划模块，再结合上游的整车生产排程模块输入的整车生产计划数据，即可预测出零部件的使用计划数据。
具体来讲，首先，将第k个模块取为整车生产排程模块、第k+1个模块取为零部件使用规划模块，然后，可以按照上述公式(1)，进行整车生产排程模块到零部件使用规划模块之间的状态转换，具体转换公式如下：
其中，自整车生产排程模块向零部件使用规划模块进行状态转换时，将的维度设置为m×1，表示整车生产计划中包含有m种车型；将/>的维度设置为n×1，表示整车厂的零部件品种类型共有n种；矩阵A的维度为n×m，且矩阵A的每列元素代表了整车生产计划中每一类车型在生产时所需要的零部件数，如元素aij代表生产1台整车计划中规定的车型j所需的零部件i的个数，如图3所示，箭头左侧的数据表示一个生产两类车型(即车型1和车型2)的整车生产计划，其中包含了两个车型的生产数量(即r台车型1、s台车型2)以及生产1台两种车型各自所需的零部件类型和个数，进而可以根据生产每台每种车型所需的零部件类型和个数，预测出对应的零部件的使用计划数据，图3中箭头右侧的公式中，x(1)1＝r，x(1)2＝s，即对应于整车计划中这两种车型的生产数量。
表示零部件的扰动数据，可以是零部件的不良率，和/或，零部件的共用信息，和/或，零部件的安装误差率等，并且/>维度和/>相同，即n×1，中的每个元素分别表示受到扰动(如零部件的不良率)影响后，需要额外使用的零部件数量。
举例说明：将中的B(k)设置为/>并假设所有零部件中，进货批次最多的零部件共进货p批，则B(k)的维度为n×p，且其中每一行代表了对该零件批次中各个零件抽查所得不良率。即，元素Bij的含义为零部件i的第j个批次的到货中不良品出现的概率。
D(k)表示各零件各批次的补货数量信息，维度为p×n，例如，可以将D(k)设置为其中，每一列都代表了一个零件在不同进货批次中的数量，即，元素Dij的含义为零部件j在第i个批次中的到货数量。
需要说明的是，B(k)和D(k)中可以包含0元素，比如，当某一批次并未为某个零部件补货时，其对应的补货数量和抽查得到的不良率即都为0。
diag矩阵表示从方阵中抽取对角线元素，并排列为一个向量。即的第i个分量的值等于方阵B(k)D(k)第i行第i列上的对角线元素。
表示整车生产过程中的随机扰动。可由生产线长期统计中获取的统计量来表示，例如，工人安装中由于操作失误引起的零部件报废、主机厂内运输导致的零部件压坏等等。与表示零部件的扰动数据/>造成的***性影响不同的是，随机扰动很难用准确模型来表达，例如，工人的操作失误频率可能随工人经验增加而降低，随班次不同而有所差异(日班中操作失误概率往往低于夜班)，因此，对于随机扰动，通常可采用专家评估的方式预先确定零部件的余量。
在上述公式(2)中，C(k)表示第k个模块在输出前对状态信息的整合，由于输出零部件计划时，往往会更关注关键零部件，而对于备货充足的紧固件等，则无需将其信息输入到零部件计划中，因此，C(k)的取值仅为0或1这两种元素，用以筛选需要输出的关键信息。
表示对第k模块中状态向量的观测，其与和第k模块中状态向量的变化是无关的，第k模块中状态向量/>的状态变化会影响到第k+1个模块中的状态向量/>也就会影响对第k+1个模块的观测值(即/>)。比如，以零部件使用计划为例，从第一级的整车生产排程模块通过映射，生成了零部件生成计划x(2)，然后对零部件生成计划进行观测，得到y(2)。
S103：将零部件的预订信息数据和物流信息数据输入至车辆零部件库存预测模型，并根据零部件的使用计划数据，预测出零部件的库存计划数据。
在本实施例中，在获取到零部件的预订信息数据和物流信息数据后，可以将这些数据输入至车辆零部件库存预测模型，并根据上游的零部件使用规划模块输出的零部件的使用计划数据，预测出零部件的库存计划数据。一种可选的实现方式是，如图2所示，可以将获取到的零部件的预订信息数据和物流信息数据输入至车辆零部件库存预测模型中的零部件库存规划模块，再结合上游的零部件使用规划模块输入的零部件的使用计划数据，通过上述公式(1)，即可预测出零部件的库存计划数据。具体实现过程与上述步骤S102介绍的实现过程类似，在此不再一一赘述。
S104：将零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对零部件的库存风险进行预测，得到预测结果。
在本实施例中，通过步骤S103预测出零部件的库存计划数据后，进一步可以将该零部件的库存计划数据与当前实际零部件的库存计划数据进行对比，并根据对比结果，以及预先设定的风险管控条件，预测出零部件可能存在的库存不足的风险，进而可进行报警。比如，预先设定的风险管控条件为当预测出的零部件的库存计划与当前实际零部件的库存计划的比值大于0.95，则确定可能存在的库存不足的风险，需要进一步进行库存风险报警。需要说明的是，具体的根据对比结果进行库存风险预测的方式和判断条件均可根据实际情况进行设定，本申请实施例对此不进行限定。
在本实施例的一种可能的实现方式中，在预先构建了车辆零部件库存预测模型后，进一步可以将实际零部件的库存计划数据作为模型的输入数据，通过模型反向预测出整车生产计划数据、零部件的使用计划数据以及零部件的库存计划数据，具体可以包括下述步骤(1)-(2)：
步骤(1)：获取实际零部件的库存计划数据。
步骤(2)：将实际零部件的库存计划数据输入至车辆零部件库存预测模型，以预测出可行的整车生产计划数据、可行的零部件的使用计划数据和可行的零部件的库存计划数据。
具体来讲，在本实现方式中，如图4所示，在获取到实际零部件的库存计划数据后，可以将其输入至车辆零部件库存预测模型中，使得状态向量自零部件库存规划模块向前面两个模块进行状态转移(即数据传递)，以通过这三个模块分别预测出可行的整车生产计划数据、可行的零部件的使用计划数据和可行的零部件的库存计划数据，具体的计算公式如下：
其中，A+为上述矩阵A的广义逆(Moore-Penrose)矩阵，具体计算公式为：
A+＝(AHA)-1AH (5)
其中，AH为上述矩阵A的共轭转置。
接下来，本实施例将对车辆零部件库存预测模型的构建过程进行介绍，具体可以包括下述步骤A-B：
步骤A：获取零部件的训练数据。
在本实施例中，为了构建车辆零部件库存预测模型，需要预先进行大量的准备工作，比如，收集大型整车制造厂在生成车辆过程各个阶段对应的生产数据。并且，获取到的零部件的训练数据可以包括多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据、零部件的扰动训练数据、以及零部件的预订信息训练数据和物流信息训练数据。
步骤B：利用零部件的训练数据，对预先构建的初始车辆零部件库存预测模型进行训练，得到车辆零部件库存预测模型。
在本实施例中，可以预先构建一个初始的车辆零部件库存预测模型，并初始化模型参数，比如图2所示的车辆零部件库存预测模型。该车辆零部件库存预测模型为状态空间模型，且包含了整车生产排程模块、零部件使用规划模块和零部件库存规划模块。其中，初始的车辆零部件库存预测模型用于在订单变更时，将订单变更的影响逐级向下传递，直至传入零部件库存。然后，可以利用通过步骤A获取到的零部件的训练数据对初始的车辆零部件库存预测模型进行训练，以得到车辆零部件库存预测模型，具体实现过程可以包括以下步骤S1-S4：
步骤S1：将多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据输入至初始车辆零部件库存预测模型中的整车生产排程模块，以输出第一训练状态数据。
在本实施例中，通过步骤A获取到零部件的训练数据后，首先可以将其中的获取到的多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据输入至初始车辆零部件库存预测模型中的整车生产排程模块，以预测出整车生产计划数据，此处将其定义为第一训练状态数据，用以执行后续步骤S2。具体实现过程可参见上述步骤S101中的相关介绍，只是将其中的待处理数据对应替换为对应的训练数据即可，在此不再赘述。
步骤S2：将零部件的扰动训练数据输入至车辆零部件库存预测模型中的零部件使用规划模块，并根据第一训练状态数据，输出第二训练状态数据。
在获取到零部件的训练数据后，可以将其中零部件的不良率，和/或，零部件的共用信息，和/或，零部件的安装误差率等零部件的扰动训练数据后，可以将这些零部件的扰动训练数据输入至初始车辆零部件库存预测模型中的零部件使用规划模块，并结合上游的整车生产排程模块输出的第一训练状态数据，预测出零部件的使用计划数据，此处将其定义为第二训练状态数据，用以执行后续步骤S3。具体实现过程可参见上述步骤S102中的相关介绍，只是将其中的待处理数据对应替换为对应的训练数据即可，在此不再赘述。
步骤S3：将零部件的预订信息训练数据和物流信息训练数据输入至车辆零部件库存预测模型中的零部件库存规划模块，并根据第二训练状态数据，输出第三训练状态数据。
在获取到零部件的训练数据后，可以将其中零部件的预订信息数据和物流信息数据输入至初始车辆零部件库存预测模型中的零部件库存规划模块，再结合上游的零部件使用规划模块输出的第二训练状态数据，预测出零部件的库存计划数据，此处将其定义为第三训练状态数据，用以执行后续步骤S4。具体实现过程可参见上述步骤S103中的相关介绍，只是将其中的待处理数据对应替换为对应的训练数据即可，在此不再赘述。
步骤S4：当不满足预设停止条件时，重新获取零部件的训练数据，并重复执行步骤S1-S3，直至达到预设停止条件，并将达到预设停止条件时的模型作为车辆零部件库存预测模型。
在本实施例中，通过上述步骤S1-S3利用训练数据对初始车辆零部件库存预测模型进行多轮模型训练时，每次训练后还需要判断是否满足预设的停止条件，比如，需要训练次数是否达到预设阈值等，当仍不满足预设停止条件时，则需要根据当前一轮模型训练的结果，重新获取零部件的训练数据，并重复执行上述步骤S1-S3，对模型进行再次的重新训练。直至达到预设停止条件，并将达到预设停止条件时的模型作为车辆零部件库存预测模型。
综上，在本实施例提供的车辆零部件库存风险预测方法中，先将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；然后将零部件的扰动数据输入至车辆零部件库存预测模型，并根据整车生产计划数据，预测出零部件的使用计划数据；接着，再将零部件的预订信息数据和物流信息数据输入至车辆零部件库存预测模型，并根据零部件的使用计划数据，预测出零部件的库存计划数据；进而，可以将零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对零部件的库存风险进行预测，得到预测结果。
可见，由于本申请实施例预先利用状态空间法，将订单变更对整车生产计划、对零部件使用计划、对零部件库存的影响按照车辆生产过程向下传递，并将这三级整合到同一个车辆零部件库存预测模型。这样就能够在订单变更时，将订单变更的影响逐级向下传递，直至传入零部件库存。从而能够准确预测出零部件的库存变化，进而预测出可能出现的零部件库存风险，得到准确性更高的预测结果。
第二实施例
本实施例将对一种车辆零部件库存风险预测装置进行介绍，相关内容请参见上述方法实施例。
参见图5，为本实施例提供的一种车辆零部件库存风险预测装置的组成示意图，该装置500包括：_
第一输入单元501，用于将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；
第二输入单元502，用于将所述零部件的扰动数据输入至所述车辆零部件库存预测模型，并根据所述整车生产计划数据，预测出所述零部件的使用计划数据；所述零部件的扰动数据至少包含所述零部件的不良率，和/或，所述零部件的共用信息，和/或，所述零部件的安装误差率；
第三输入单元503，用于将所述零部件的预订信息数据和物流信息数据输入至所述车辆零部件库存预测模型，并根据所述零部件的使用计划数据，预测出所述零部件的库存计划数据；
第一预测单元504，用于将所述零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对所述零部件的库存风险进行预测，得到预测结果。
在本实施例的一种实现方式中，所述装置还包括：
第一获取单元，用于获取零部件的训练数据；
训练单元，用于利用所述零部件的训练数据，对预先构建的初始车辆零部件库存预测模型进行训练，得到所述车辆零部件库存预测模型；
其中，所述零部件的训练数据包括多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据、零部件的扰动训练数据、以及零部件的预订信息训练数据和物流信息训练数据。
在本实施例的一种实现方式中，所述初始车辆零部件库存预测模型为状态空间模型，且所述初始车辆零部件库存预测模型包含整车生产排程模块、零部件使用规划模块和零部件库存规划模块；所述训练单元包括：
第一输入子单元，用于将多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据输入至所述初始车辆零部件库存预测模型中的整车生产排程模块，以输出第一训练状态数据；
第二输入子单元，用于将所述零部件的扰动训练数据输入至所述车辆零部件库存预测模型中的零部件使用规划模块，并根据所述第一训练状态数据，输出第二训练状态数据；
第三输入子单元，用于将所述零部件的预订信息训练数据和物流信息训练数据输入至所述车辆零部件库存预测模型中的零部件库存规划模块，并根据所述第二训练状态数据，输出第三训练状态数据；
训练子单元，用于当不满足预设停止条件时，重新获取零部件的训练数据，并重复调用第一输入子单元、第二输入子单元和第三输入子单元，直至达到所述预设停止条件，并将达到所述预设停止条件时的模型作为所述车辆零部件库存预测模型。
在本实施例的一种实现方式中，所述装置还包括：
第二获取单元，用于获取实际零部件的库存计划数据；
第二预测单元，用于将所述实际零部件的库存计划数据输入至所述车辆零部件库存预测模型，以预测出可行的整车生产计划数据、可行的零部件的使用计划数据和可行的零部件的库存计划数据。
综上，在本实施例提供的车辆零部件库存风险预测装置中，首先将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；然后将零部件的扰动数据输入至车辆零部件库存预测模型，并根据整车生产计划数据，预测出零部件的使用计划数据；接着，再将零部件的预订信息数据和物流信息数据输入至车辆零部件库存预测模型，并根据零部件的使用计划数据，预测出零部件的库存计划数据；进而，可以将零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对零部件的库存风险进行预测，得到预测结果。
可见，由于本申请实施例预先利用状态空间法，将订单变更对整车生产计划、对零部件使用计划、对零部件库存的影响按照车辆生产过程向下传递，并将这三级整合到同一个车辆零部件库存预测模型。这样就能够在订单变更时，将订单变更的影响逐级向下传递，直至传入零部件库存。从而能够准确预测出零部件的库存变化，进而预测出可能出现的零部件库存风险，得到准确性更高的预测结果。
进一步地，本申请实施例还提供了一种车辆零部件库存风险预测设备，包括：处理器、存储器、***总线；
所述处理器以及所述存储器通过所述***总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述车辆零部件库存风险预测方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述车辆零部件库存风险预测方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述车辆零部件库存风险预测方法的任一种实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种车辆零部件库存风险预测方法，其特征在于，包括：
将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；
将所述零部件的扰动数据输入至所述车辆零部件库存预测模型，并根据所述整车生产计划数据，预测出所述零部件的使用计划数据；所述零部件的扰动数据至少包含所述零部件的不良率，和/或，所述零部件的共用信息，和/或，所述零部件的安装误差率；
将所述零部件的预订信息数据和物流信息数据输入至所述车辆零部件库存预测模型，并根据所述零部件的使用计划数据，预测出所述零部件的库存计划数据；
将所述零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对所述零部件的库存风险进行预测，得到预测结果；
其中，所述车辆零部件库存预测模型为状态空间模型，所述状态空间模型中的状态变量为所述整车生产计划数据、所述零部件的使用计划数据和所述零部件的库存计划数据。
2.根据权利要求1所述的方法，其特征在于，构建所述车辆零部件库存预测模型，包括：
获取零部件的训练数据；
利用所述零部件的训练数据，对预先构建的初始车辆零部件库存预测模型进行训练，得到所述车辆零部件库存预测模型；
其中，所述零部件的训练数据包括多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据、零部件的扰动训练数据、以及零部件的预订信息训练数据和物流信息训练数据。
3.根据权利要求2所述的方法，其特征在于，所述初始车辆零部件库存预测模型为状态空间模型，且所述初始车辆零部件库存预测模型包含整车生产排程模块、零部件使用规划模块和零部件库存规划模块；
所述利用所述零部件的训练数据，对预先构建的初始车辆零部件库存预测模型进行训练，得到所述车辆零部件库存预测模型，包括:
S1：将多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据输入至所述初始车辆零部件库存预测模型中的整车生产排程模块，以输出第一训练状态数据；
S2：将所述零部件的扰动训练数据输入至所述车辆零部件库存预测模型中的零部件使用规划模块，并根据所述第一训练状态数据，输出第二训练状态数据；
S3：将所述零部件的预订信息训练数据和物流信息训练数据输入至所述车辆零部件库存预测模型中的零部件库存规划模块，并根据所述第二训练状态数据，输出第三训练状态数据；
S4：当不满足预设停止条件时，重新获取零部件的训练数据，并重复执行步骤S1-S3，直至达到所述预设停止条件，并将达到所述预设停止条件时的模型作为所述车辆零部件库存预测模型。
4.一种车辆零部件库存风险预测装置，其特征在于，包括：
第一输入单元，用于将订单变更之前的零部件的需求数据和订单变更之后的零部件的需求数据输入至预先构建的车辆零部件库存预测模型，以预测出整车生产计划数据；
第二输入单元，用于将所述零部件的扰动数据输入至所述车辆零部件库存预测模型，并根据所述整车生产计划数据，预测出所述零部件的使用计划数据；所述零部件的扰动数据至少包含所述零部件的不良率，和/或，所述零部件的共用信息，和/或，所述零部件的安装误差率；
第三输入单元，用于将所述零部件的预订信息数据和物流信息数据输入至所述车辆零部件库存预测模型，并根据所述零部件的使用计划数据，预测出所述零部件的库存计划数据；
第一预测单元，用于将所述零部件的库存计划数据与实际零部件的库存计划数据进行对比，并根据对比结果对所述零部件的库存风险进行预测，得到预测结果；
其中，所述车辆零部件库存预测模型为状态空间模型，所述状态空间模型中的状态变量为所述整车生产计划数据、所述零部件的使用计划数据和所述零部件的库存计划数据。
5.根据权利要求4所述的装置，其特征在于，所述装置还包括：
第一获取单元，用于获取零部件的训练数据；
训练单元，用于利用所述零部件的训练数据，对预先构建的初始车辆零部件库存预测模型进行训练，得到所述车辆零部件库存预测模型；
其中，所述零部件的训练数据包括多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据、零部件的扰动训练数据、以及零部件的预订信息训练数据和物流信息训练数据。
6.根据权利要求5所述的装置，其特征在于，所述初始车辆零部件库存预测模型为状态空间模型，且所述初始车辆零部件库存预测模型包含整车生产排程模块、零部件使用规划模块和零部件库存规划模块；所述训练单元包括：
第一输入子单元，用于将多个训练车辆在订单变更之前的零部件的需求训练数据、订单变更之后的零部件的需求训练数据输入至所述初始车辆零部件库存预测模型中的整车生产排程模块，以输出第一训练状态数据；
第二输入子单元，用于将所述零部件的扰动训练数据输入至所述车辆零部件库存预测模型中的零部件使用规划模块，并根据所述第一训练状态数据，输出第二训练状态数据；
第三输入子单元，用于将所述零部件的预订信息训练数据和物流信息训练数据输入至所述车辆零部件库存预测模型中的零部件库存规划模块，并根据所述第二训练状态数据，输出第三训练状态数据；
训练子单元，用于当不满足预设停止条件时，重新获取零部件的训练数据，并重复调用第一输入子单元、第二输入子单元和第三输入子单元，直至达到所述预设停止条件，并将达到所述预设停止条件时的模型作为所述车辆零部件库存预测模型。
7.一种车辆零部件库存风险预测设备，其特征在于，包括：处理器、存储器、***总线；
所述处理器以及所述存储器通过所述***总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-3任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-3任一项所述的方法。
CN202010760372.XA 2020-07-31 2020-07-31 一种车辆零部件库存风险预测方法、装置及设备 Active CN111882229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010760372.XA CN111882229B (zh) 2020-07-31 2020-07-31 一种车辆零部件库存风险预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010760372.XA CN111882229B (zh) 2020-07-31 2020-07-31 一种车辆零部件库存风险预测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111882229A CN111882229A (zh) 2020-11-03
CN111882229B true CN111882229B (zh) 2024-06-18

Family

ID=73205961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010760372.XA Active CN111882229B (zh) 2020-07-31 2020-07-31 一种车辆零部件库存风险预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111882229B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379291B (zh) * 2021-06-25 2022-12-06 东风柳州汽车有限公司 试装自动化方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010176159A (ja) * 2009-01-27 2010-08-12 Toyota Motor Corp 在庫予想装置及び在庫予想プログラム
CN110796487A (zh) * 2019-10-18 2020-02-14 上海钧正网络科技有限公司 数量预测方法、装置、计算机设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002244711A (ja) * 2001-02-13 2002-08-30 Toshiba Corp 受注組立生産システム、及び受注組立生産方法
US20030126005A1 (en) * 2002-01-02 2003-07-03 Yi-Ming Liao Method of claiming obsolescence
CN108510154A (zh) * 2018-02-12 2018-09-07 黑龙江省科学院自动化研究所 一种面向家具柔性化生产的物联网感知方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010176159A (ja) * 2009-01-27 2010-08-12 Toyota Motor Corp 在庫予想装置及び在庫予想プログラム
CN110796487A (zh) * 2019-10-18 2020-02-14 上海钧正网络科技有限公司 数量预测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111882229A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111915254A (zh) 一种适用于汽车售后配件的库存优化控制方法和***
Hajej et al. Quality issue in forecasting problem of production and maintenance policy for production unit
CN109508885A (zh) 备件的调配方法及装置、存储介质、处理器
CN111882229B (zh) 一种车辆零部件库存风险预测方法、装置及设备
Leão et al. Cost-benefit analysis methodology for PHM applied to legacy commercial aircraft
CN113065714A (zh) 一种多项目式多目标集中采购决策优化方法及***
Haddad et al. Redistributed manufacturing of spare parts: an agent-based modelling approach
Zhu et al. Customer-centric policies for environmentally sustainable manufacturing of deteriorating items with varying quality control practices under disruptions
Tannock et al. Manufacturing disruption costs due to quality loss
Hafidi et al. Joint optimization of production and maintenance for multi-machines subject to degradation and subcontracting constraints
Viswanadham et al. Bullwhip effect in integrated manufacturing and service networks
CN114091770A (zh) 物料需求计划的预测分析方法、装置、设备及存储介质
KR102013882B1 (ko) 폴리머 생산 스케줄링 방법 및 스케줄링 장치
Uhlmann et al. Production Rescheduling for Contract Manufacturing Industry based on Delivery Risks
Marie et al. Production System Disturbances of Heavy Equipment Component Industry
Syahputra et al. System Analysis and Design of Fishery Supply Chain Risk in Aceh: A Case Study
Sadeghiamirshahidi et al. Improving the efficiency of manufacturing supply chain using system dynamic simulation
US20060100729A1 (en) Method for determination of a lead time
WO2003056480A2 (de) Verfahren und system zur dynamischen, modellbasierten planung und optimierung von produktionsprozessen, sowie zur ablaufplanerstellung
WO2024065779A1 (en) Method for manufacturing operation management, edge device, cloud device, and storage medium
Park et al. Efficiency consideration of generalized age replacement policy
Farahani et al. A hierarchical demand-driven production planning and control framework for the FMCG industry: An SAP-based approach
CN115809794B (zh) 基于瓶颈设备能力评估的生产计划管理方法、设备及介质
CN113762763B (zh) 一种工程变更数据处理方法、装置和存储介质
Huanhuan et al. Research on After-Sales Information System And Data Of Automotive OEMs

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