CN113469595A - 智慧供应链***及服务器平台 - Google Patents
智慧供应链***及服务器平台 Download PDFInfo
- Publication number
- CN113469595A CN113469595A CN202010241084.3A CN202010241084A CN113469595A CN 113469595 A CN113469595 A CN 113469595A CN 202010241084 A CN202010241084 A CN 202010241084A CN 113469595 A CN113469595 A CN 113469595A
- Authority
- CN
- China
- Prior art keywords
- sales
- prediction
- model
- data
- long
- 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.)
- Pending
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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一种智慧供应链***及服务器平台,对多种商品的供应链进行管理,其特征在于,具备:商品分类装置,基于历史数据,对多种商品进行分类;销售预测装置,基于历史数据以及所述商品分类装置针对多种商品的分类结果,按每种商品进行销售预测;以及智能补货装置,基于所述销售预测装置的预测结果,应用自动补货模型,生成补货决策,所述销售预测装置基于长短时记忆网络进行所述销售预测。由此,能够有效融合商品分类、销售预测与智能补货这三大重要板块。进而,能够充分地融合各相关信息,提供高效、准确地预测商品需求的自动化预测技术。
Description
技术领域
本发明涉及智慧供应链***及服务器平台,尤其涉及智慧供应链的布局方式。
背景技术
近年来,迫切需要对生产厂商、供应商、销售门店之间的供应链进行有效的管理。具体而言,在供应链管理中,首先需要对商品进行科学地分类与定位,然后再对不同类别的商品采取相应的销售与库存策略。其次,需要更准确的销售预测,作为商品数量的驱动器,以此为核心的需求计划可支持各个环节的计划制定,每提升1%的预测准确率可以带来数倍运营成本的降低。最后,需要将自动补货模型应用到特定的场景去优化库存结构,使库存持续保持健康水平,在入库情况下,定位到满足此次补货条件的所有SKU(库存保有单位),依据补货任务跑模型得出补货量的建议,最终生成补货决策给到生产。
然而,现有技术中并没有提出满足上述需求的供应链管理方案,迫切需要能够满足上述需求的智慧供应链的布局方式。
其中如上所述,销售预测即商品需求预测是一个重要课题,各类商品未来一段时间的销量将影响商家补货、安排促销和调整生产等各个环节。零售企业会销售许多不同种类的商品,每种商品的销售规律也复杂多变,经常需要人为分析商品销售规律,商品销售有许多临时提报、营销企划等人为因素,手动分析商品销售规律并得到各类商品的需求量会带来巨大的工作量。专利文献1(CN110490670A)提供了一种自适应商品销售规律的需求预测***。然而,在专利文献1中,采取了传统的时间序列模型,无法利用额外信息提高预测准确率。此外,专利文献1中使用的模型依然需要人工干预,自动化程序不够高。
因此,还迫切需要能够高效、准确地预测商品需求的自动化预测技术。
发明内容
本发明针对现有技术中上述技术问题,其目的在于,提供能够高效、准确地预测商品需求的智慧供应链***及服务器平台。
本发明的一个实施方式提供一种智慧供应链***,对多种商品的供应链进行管理,其特征在于,具备:商品分类装置,基于历史数据,对多种商品进行分类;销售预测装置,基于历史数据以及所述商品分类装置针对多种商品的分类结果,按每种商品进行销售预测;以及智能补货装置,基于所述销售预测装置的预测结果,应用自动补货模型,生成补货决策,所述销售预测装置基于长短时记忆网络进行所述销售预测。
由此,能够有效融合商品分类、销售预测与智能补货这三大重要板块。进而,能够充分地融合各相关信息,提供高效、准确地预测商品需求的自动化预测技术。
上述智慧供应链***也可以是,所述销售预测装置基于长短时记忆网络,按每种商品预测与多个不同的预测时间分别对应的销量。
由此,能够针对不同时间粒度的销量进行估计(如日销量、周销量、月销量)。
上述智慧供应链***也可以是,所述销售预测装置具备:数据收集部,针对由所述商品分类装置分类为需要确认需求预测结果的每种商品,收集历史数据;数据处理部,针对由所述数据收集部收集的数据,至少进行数据探查、特征工程与数据聚合、样本调整,生成训练样本;模型构建部,构建长短时记忆网络模型,利用所述训练样本来训练所构建的模型,得到预测结果;模型评价部,利用机器学习评价指标评价预测结果;以及模型部署部,部署由所述模型评价部评价为满足用户需求的模型,针对预测结果进行与应用对象相应的处理后输出。
由此,能够建立全自动的销售预测装置,适于投入生产。
上述智慧供应链***也可以是,所述数据处理部在所述数据探查中,探查由所述数据收集部收集的数据与商品的销量之间的相关性,使用特征选择法筛选出高相关性且不冗余的特征,所述数据处理部在所述特征工程中,通过领域知识构建衍生特征,
所述数据处理部在所述数据聚合中,将所述数据按预测时间聚合为所述训练样本,所述数据处理部在所述样本调整中,针对所述训练样本进行重采样。
由此,通过对收集的数据进行数据处理、样本调整,能够进一步提升预测效果。
上述智慧供应链***也可以是,所述模型构建部构建由遗忘门、输入门和输出门组成的长短时记忆网络模型,利用循环结构一次处理各时间点的信息。
由此,通过使用长短时记忆网络这种先进的循环神经网络,能够充分地融合各相关信息,提供高效、准确地预测商品需求的自动化预测技术。
上述智慧供应链***也可以是,所述模型构建部以预测结果小于真实值时的权重大于预测结果大于真实值时的权重的方式,构建有偏的损失函数。
由此,能够更为准确地评估损失,进一步提高预测精度。
上述智慧供应链***也可以是,所述模型构建部使用函数值域大于等于0的激活函数,对所述长短时记忆网络模型的输出结果进行修正。
由此,保证商品需求量不可能小于0的特性,能够随着模型的训练使输出结果收敛到正确销量的数值。
上述智慧供应链***也可以是,所述智慧供应链***的应用对象包括销售门店、供应商和生产厂商之中的至少一个,所述销售预测装置根据所述智慧供应链***的应用对象是销售门店、供应商和生产厂商之中的哪一个,选择基于长短时记忆网络进行所述销售预测的预测时间,在所述应用对象为销售门店的情况下,所述销售预测装置基于长短时记忆网络的销售预测模型,按每种商品输出与中周期对应的销售预测结果,在所述应用对象为供应商的情况下,所述销售预测装置基于长短时记忆网络的销售预测模型,按每种商品输出与中周期和长期分别对应的销售预测结果,在所述应用对象为生产厂商的情况下,所述销售预测装置基于长短时记忆网络的销售预测模型,按每种商品输出与长期对应的销售预测结果。
由此,能够与应用对象的需求相应地,提供与中周期、长期等不同预测时间对应的预测结果。
上述智慧供应链***也可以是,在所述应用对象为销售门店的情况下,基于长短时记忆网络的销售预测模型预测的所述与中周期对应的销售预测结果,用于生成补货计划和销售完成情况,在所述应用对象为供应商的情况下,基于长短时记忆网络的销售预测模型预测的所述与中周期和长期分别对应的销售预测结果,用于生成供货量预测和商品缺货预测,在所述应用对象为生产厂商的情况下,基于长短时记忆网络的销售预测模型预测的所述与长期对应的销售预测结果,用于生成出货量预测和生产计划。
由此,能够基于与应用对象相应的不同预测时间的长短时记忆网络预测结果,按每个应用对象生成不同的计划。
本发明的一个实施方式还提供一种服务器平台,对多种商品的供应链进行管理,具备处理器、存储器和接口,能够经由所述接口与客户端设备进行数据通信,其特征在于,所述处理器通过执行所述存储器中存储的程序,执行如下处理:商品分类处理,基于历史数据,对多种商品进行分类;销售预测处理,基于历史数据以及所述商品分类处理针对多种商品的分类结果,按每种商品进行销售预测;以及智能补货处理,基于所述销售预测处理的预测结果,应用自动补货模型,生成补货决策,所述销售预测处理基于长短时记忆网络进行所述销售预测,所述销售预测处理的结果及/或所述补货决策经由所述接口被发送给所述客户端设备。
本发明的智慧供应链***的上述各具体方式及其效果,也能够通过上述服务器平台、上述智慧供应链***所执行的方法、使计算机执行上述方法的程序、或者存储了上述程序的记录介质实现。
附图说明
图1是表示本发明的第一实施方式的智慧供应链***能够被应用的应用对象的概念图。
图2是表示本发明的第一实施方式的智慧供应链***的功能结构框图。
图3是表示本发明的第一实施方式的智慧供应链***的硬件结构的一例的框图。
图4是表示本发明的第一实施方式的智慧供应链***的硬件结构的另一例的框图。
图5是表示本发明的第一实施方式的智慧供应链***所执行的方法的流程图。
图6是表示本发明的第二实施方式的智慧供应链***中的销售预测装置的功能结构框图。
图7是表示本发明的第二实施方式的智慧供应链***中的销售预测装置所利用的销售预测模型的示意图。
图8是表示本发明的具体例1中智慧供应链***所执行的方法的流程图。
附图标记说明:
100:智慧供应链***;10:商品分类装置;20:销售预测装置;21:数据收集部;22:数据处理部;23:模型构建部;24:模型评价部;25:模型部署部;30:智能补货装置;110、110A、110B:处理器;120、120A、120B:存储器;130、130A、130B:接口;140:输入设备;150:显示部;160、160A、160B:总线;100A:服务器平台;100B:客户端设备;200:数据库。
具体实施方式
以下结合附图、实施方式及具体例对本发明进行更详细的说明。其中,下述说明只是为了方便理解本发明而举出的例子,不用于限定本发明的范围。在具体实施方式中,装置和***所具备的部件可以根据实际情况变更、删减或追加,方法的步骤可以根据实际情况变更、删减、追加或改变顺序。
(第一实施方式)
首先,说明本实施方式的智慧供应链***100能够被应用的应用对象。图1是表示本发明的第一实施方式的智慧供应链***能够被应用的应用对象的概念图。智慧供应链***100的应用对象包括销售门店、供应商、生产厂商中的至少一个,其中销售门店、供应商、生产厂商的关系如图1所示,其中箭头表示货物流向。在此示出了销售门店1、销售门店2、销售门店3这三个销售门店,供应商1、供应商2这两个供应商,生产厂商1、生产厂商2、生产厂商3这三个生产厂商,但销售门店、供应商、生产厂商的数量和关系不限于此,实际可能存在大量销售门店、供应商、生产厂商以及更为复杂的关系。
其中,销售门店需要监控各个商品的销量情况,从而制定销售与库存策略。供应商从不同生产厂商处取货,将取得的货物供应给多家销售门店,因此需要向生产厂商进行订货,同时安排下一阶段为销售门店的配送计划。生产厂商生产商品供给给多个不同的供应商,以供供应商将商品供应给销售门店,每种商品所处的生命周期不同,需要预测商品在未来的需求,以指导未来生产计划。
针对上述需求之中的至少一个,本实施方式提供智慧供应链***100。图2是表示本发明的第一实施方式的智慧供应链***100的功能结构框图。如图2所示,该智慧供应链***100具备商品分类装置10、销售预测装置20和智能补货装置30,对例如图1所示的多种商品的供应链进行管理。各装置既可以通过处理器执行存储器中存储的应用程序作为功能模块实现,也可以通过各自独立的硬件结构实现。关于具体的实现方式,后文中说明两个具体例。
如图2所示,商品分类装置10基于历史数据,对多种商品进行分类。例如,商品分类装置10在传统的ABC分类法的基础之上,追加考虑商品的时间特性。例如,追加最近销售时间间隔作为分析维度,以基于作为历史数据的销量数据的ABC分类结果和最近销售时间间隔为两个维度,作为R-ABC分类法对多种商品进行分类。由此,进一步细化了ABC分类,从而能够从传统的ABC分类中挑选出更有价值的商品。
进而,为了进一步明确商品的销售特性,商品分类装置10也可以还基于历史数据,计算各商品的商品特性分析指标。商品特性分析指标例如包括如下指标中的至少一个:需求概率、销售频次、变动系数、变动幅度、客户集中度、销售节拍、发售间隔等。由此,基于上述改进的R-ABC分类法的分类结果(初步的分类结果),使用计算出的各项商品特性分析指标,进行多维度的细分,作为最终的分类结果。进而,基于细分结果,提取需要由销售人员确认需求预测结果的商品。由此,通过有效地结合销售人员的业务经验,能够提高需求预测的精度。
销售预测装置20基于历史数据以及商品分类装置10针对多种商品的分类结果,按每种商品进行销售预测。例如,销售预测装置20基于商品分类装置10的分类结果,例如针对商品分类装置10提取出的需要确认需求预测结果的商品,按每种商品预测规定时间(例如1日、1周、1个月、1年等)的销量。
在此,历史数据例如包括商品信息、销售门店/仓库/生产厂商信息。历史数据根据需要也可以包括其他数据。另外,由于对于供应商/生产厂商来说,对某客户的“出库”就是相当于“销售”,因此在本说明书中将供应商/生产厂商中的“出库”和销售门店的“销售”统一用“销售”来表现。例如“销售时间”不仅包括销售门店中的销售时间,还包括供应商/生产厂商中的出库时间,“销量”不仅包括销售门店中的销量,还包括供应商/生产厂商中的出库量。
具体而言,销售预测装置20可以基于长短时记忆网络进行销售预测,进行数据收集、数据处理、模型构建、模型评价和模型部署,输出与至少一个预测时间对应的销售预测结果。由此,能够针对不同时间粒度的销量进行估计(如日销量、周销量、月销量)。
智能补货装置30基于销售预测装置20的预测结果以及商品特性评价指标,应用自动补货模型,生成补货决策。例如,智能补货装置30基于销售预测装置20的长短时记忆网络预测结果,生成定期不定量或不定期不定量的补货决策。通过基于长短时记忆网络预测结果生成定期不定量或不定期不定量的补货决策,能够提供更加灵活的补货策略。
其中,图2示出了智慧供应链***100与外部的数据库200连接,从外部的数据库200取得历史数据的例子。但本实施方式不限于此,数据库200也可以由智慧供应链***100的内置存储设备保存。另外,智慧供应链***100与外部的数据库200之间的连接方式可以是各种有线或无线连接,在此不作限定。
根据本实施方式的智慧供应链***100,能够有效融合商品分类、销售预测与智能补货这三大重要板块。进而,伴随着大数据和人工技术的兴起,自动化的商品需求预测成为了可能。企业积累的长期大量销售数据为自动化预测提供了数据基础,而日新月异的机器学习算法为高效、准确的预测提供了算法保障。由于商品的销售预测本质是时间序列预测问题,通过使用长短时记忆网络这种先进的循环神经网络,能够充分地融合各相关信息,利用企业销售数据,经过数据处理、模型训练、结果输出等步骤构建了一套商品需求预测***,提供高效、准确地预测商品需求的自动化预测技术。
在本实施方式中,销售预测装置20可以基于长短时记忆网络,按每种商品预测与多个不同的预测时间(时间粒度)分别对应的销量。由于补货周期、产品生产周期的不同,企业需要对不同时间粒度的产品销量进行估计,所以本实施方式所提供的完备的需求预测***能针对不同时间粒度的销量进行估计(如日销量、周销量、月销量)。
以下说明本实施方式的智慧供应链***100的硬件结构的两个具体例。图3是表示本发明的第一实施方式的智慧供应链***100的硬件结构的一例的框图。如图3所示,智慧供应链***100通过具有处理器110、存储器120、接口130、输入设备140和显示部150的计算机***,实现如图2所示的各功能模块。其中,处理器110、存储器120、接口130、输入设备140和显示部150相互之间通过总线160连接。
具体而言,处理器110例如是CPU、微处理器等,通过执行存储器120中存储的应用程序,实现智慧供应链***100的各装置的功能。接口130例如是通信接口,能够与数据库200进行数据通信。输入设备140例如是键盘、鼠标、麦克风等输入设备,供用户输入指令。显示部150例如是液晶显示器,能够显示与智慧供应链***100的处理过程和结果相关的画面。
基于本例的硬件结构的智慧供应链***100例如可以设置于作为应用对象的销售门店、供应商、生产厂商处,由作为用户的销售门店、供应商、生产厂商使用。
图4是表示本发明的第一实施方式的智慧供应链***100的硬件结构的另一例的框图。如图4所示,智慧供应链***100包括相互能够进行数据通信的服务器平台100A和客户端设备100B。服务器平台100A具有通过总线160A相互连接的处理器110A、存储器120A和接口130A,客户端设备100B具有通过总线160B相互连接的处理器110B、存储器120B、接口130B、输入设备140和显示部150。
具体而言,服务器平台100A的处理器110A例如是CPU、微处理器等,通过执行存储器120A中存储的应用程序,实现智慧供应链***100的各装置的功能。另外,服务器平台100A的接口130A例如是通信接口,能够与客户端设备100B的接口130B及/或数据库200进行数据通信。
客户端设备100B的处理器110B例如是CPU、微处理器等,通过执行存储器120B中存储的应用程序,实现用户界面的功能。输入设备140例如是键盘、鼠标、麦克风等输入设备,供用户输入指令。显示部150例如是液晶显示器,能够显示与智慧供应链***100的处理过程和结果相关的画面。
基于本例的硬件结构的智慧供应链***100中,服务器平台100A可以设置于服务提供商处,客户端设备100B可以设置于作为应用对象的销售门店、供应商、生产厂商处。由此,由服务提供商向作为用户的销售门店、供应商、生产厂商提供智慧供应链***100的上述功能。
以下说明由本实施方式的智慧供应链***100执行的方法。图5是表示本发明的第一实施方式的智慧供应链***100所执行的方法的流程图。在此,具体说明本实施方式的智慧供应链***100执行的方法的一个例子,但本实施方式的智慧供应链***100执行的方法不限于下述例子。
如图5所示,在步骤S1中,商品分类装置100对商品进行分类,以便对不同类别的商品采取相应的销售与库存策略。具体而言,在上述R-ABC分类法的基础之上,结合各项商品特性分析指标,将商品细分,从中挑选出需要销售人员确认需求预测结果的商品。
在步骤S2中,销售预测装置20进行销售预测,以便制定需求计划。如上所述,销售预测装置20基于步骤S1中的分类结果,对需要确认需求预测结果的商品,例如基于长短时记忆网络进行销售预测。
在步骤S3中,智能补货装置30将自动补货模型应用到特定的场景,以便生成补货决策。如上所述,智能补货装置30可以基于步骤S2中生成的长短时记忆网络预测结果,生成定期不定量或不定期不定量的补货决策。
(第二实施方式)
以下具体说明本发明的第二实施方式。图6是表示本发明的第二实施方式的智慧供应链***100中的销售预测装置20的功能结构框图。如图6所示,本实施方式的销售预测装置20在第一实施方式的基础上,具有数据收集部21、数据处理部22、模型构建部23、模型评价部24和模型部署部25作为功能模块。以下具体说明。
数据收集部21例如针对由商品分类装置10分类为需要确认需求预测结果的每种商品,收集历史数据。例如,可以收集三方面历史数据。一是商品信息,如品牌、价格、样式、销量、促销情况等;二是门店/仓库/厂商信息,如城市、客流量等;三是可选的对销量预测有利的外部信息,如节假日、天气、经济环境信息等。
对于销售门店与供应商,可选信息还包括:各SKU(库存保有单位)厂商库存、各门店库存、物流成本等。对于生产厂商,可选信息还包括:各SKU在库库存、各SKU产能、仓储成本等。
数据处理部22针对由数据收集部21收集的数据,至少进行数据探查、特征工程与数据聚合、样本调整,生成训练样本。数据探查主要进行异常值、缺失值替换,探索数据收集阶段所得信息与销量的相关性,使用特征选择算法筛选出高相关性且不冗余特征,使用的方法如皮尔逊系数、relief算法、最大相关最小冗余(mRMR)算法。特征工程主要通过领域知识构建衍生特征,通过模型准确率。数据聚合将数据按不同的时间粒度聚合成训练样本。在样本调整中,由于销量数据的稀疏性对模型训练效果有较大影响,进行重采样有助于模型训练。由此,通过对收集的数据进行数据处理、样本调整,能够进一步提升预测效果。
模型构建部23构建长短时记忆网络模型,利用训练样本来训练所构建的模型,得到预测结果。例如,利用python的深度学习库keras构建长短时记忆网络模型。
图7是表示本发明的第二实施方式的智慧供应链***100中的销售预测装置20所利用的销售预测模型的示意图。如图7所示,模型的基本单元由遗忘门、输入门、输出门组成。该网络利用循环结构一次处理各时间点的信息,遗忘门决定了上一时刻的单元状态保留到当前时刻的比例,输入门决定了当前时刻网络的输入保存到单元状态的比例,输出门控制单元状态的当前输出值。通过使用长短时记忆网络这种先进的循环神经网络,能够充分地融合各相关信息,提供高效、准确地预测商品需求的自动化预测技术。
进而,模型构建部23以预测结果小于真实值时的权重大于预测结果大于真实值时的权重的方式,构建有偏的损失函数。例如,损失函数为:
其中y_truth为真实值,y_pred为预测结果,w为预先设定的权重,w>1。上式只是有偏的损失函数的一例,本实施方式的损失函数不限于此。
以往,机器学习常用的损失函数对每种预测结果的权重是相等的。但在商品需求预测中,预测值小于真实值的损失远大于预测值大于真实值的情况,例如预测值过小,无法及时补货,造成客户流失,而预测值过大只是增加了存储成本。通过构建有偏的损失函数,能够更为准确地评估损失,进一步提高预测精度。
进而,模型构建部23使用激活函数保证预测结果大于等于0。由于商品需求量不可能小于0的特性,因此可以定义激活函数为relu(x)=max(x,0),该函数值域大于等于0。由此,保证商品需求量不可能小于0的特性,能够随着模型的训练使输出结果收敛到正确销量的数值。
最后,模型构建部23例如利用adam优化方法训练模型。adam优化方法是一种可以替代传统随机梯度下降(SGD)过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重,其主要优势是收敛速度快,训练所得的模型精度较好。
模型评价部24利用机器学***均绝对误差)、MSE(均方误差)、SMAPE(对称平均绝对百分比误差)、MAPE(平均绝对百分比误差)等。
模型部署部25部署由模型评价部24评价为满足用户需求的模型,针对预测结果进行与应用对象相应的处理后输出。例如,模型部署部25为以上处理建立全自动的处理程序,包括数据处理***、模型滚动训练***、结果存储与输出***,将模型投入生产中。
其中,数据处理***对接各业务***数据库,对数据进行抽取、处理。模型滚动训练***利用新获取的数据对模型进行更新,保证预测准确性不伴随时间流逝而降低。结果存储与输出***对预测结果保存到数据库中,方便查取,预测结果根据预测主体的不同进行相应后处理后,以网页、报表等合适形式输出。由此,能够建立全自动的销售预测装置,适于投入生产。
如上所述,智慧供应链***100的应用对象可以包括销售门店、供应商和生产厂商之中的至少一个。其中,模型部署部25可以根据智慧供应链***100的应用对象是销售门店、供应商和生产厂商之中的哪一个,选择基于长短时记忆网络进行销售预测的预测时间,并输出相应的预测结果。
例如,对于销售门店,可输出中周期销量预测结果,补货量等。对于供应商可输出中长期销量预测结果,急需调货的SKU及调货量等。对于生产厂商,可输出长期销量预测结果、急需生产的SKU及需求缺口等。由此,能够与智慧供应链的应用对象相应地,针对不同时间粒度的销量进行预测。
(具体例1)
以下说明本发明的一个具体例。本具体例能够在上述第一实施方式和第二实施方式的基础上实施。另外,本具体例既可以适用于图3所示的硬件结构,也可以适用于图4所示的硬件结构。
本事例用于说明模型在销售门店中的应用。某公司拥有205家商品销售门店,每家门店都销售532种商品,现在利用历史数据对各门店、各商品进行周销量预测。
即,在应用对象为销售门店的情况下,销售预测装置20基于长短时记忆网络的销售预测模型,按每种商品输出与中周期(周)对应的销售预测结果。对于销售门店,结合中周期的需求数据,能够制定商品促销计划,及时通知厂家备货,避免缺货导致的损失。
图8是表示本发明的具体例1中智慧供应链***100所执行的方法的流程图。另外,在本具体例中,省略关于商品分类处理和智能补货处理的说明。
如图8所示,在步骤S10中,销售预测装置20进行数据收集,获取各门店2018年10月1日至2019年10月31日销售历史数据,共计4402417条。其属性如表1。
表1:
在步骤S20中,销售预测装置20进行数据处理。首先,进行探查,探查方式可能包括:将销量为负的样本(表示退货)以0填充;若历史数据中没有记录某商品某天销量,则以0填充;价格缺失可使用均值或最近一天的销量进行填充。继续探索数据收集阶段所得信息与销量的相关性,计算销量与各属性的相关性大小,发现各属性与销量的相关性满足模型构建需要。
接着,进行特征工程主要通过领域知识构建衍生特征,包括当天是否为工作日/周末/公众假日/特殊促销日(如双十一),利用门店位置衍生出门店是否位于郊区特征。
接着,进行数据聚合,将数据按不同的时间粒度聚合成训练样本。本次进行的是周预测,预测未来数周每一周销量情况。根据历史数据划分计算出周ID,第一周ID为1,如此递增。以(门店ID,商品ID,周ID)为主键构建周销量样本,即经过聚合后,每一周中每一个门店的每一个商品都有唯一一条样本。同时构建聚合属性包括:周总销量、周价格均值、周价格方差、周价格最大值、周价格最小值、本周销售不为0的天数、本周是否进行降价、本周是否进行升价、本周价格改变次数,本周是工作日/周末/公众假日/特殊促销日的天数。不同样本的销量差异过大,为保证下一步构建的模型更快收敛,对销量进行对数变换y=log(y+1),y和y分别是变换前后的销量。由于神经网络模型不接受类别型变量,对商品ID、门店ID等类别型变量进行one-hot编码。
模型利用前8周的历史数据预测后4周的销量情况,因此利用时间滑窗生成训练样本,即一个训练样本包括前8周销量、门店信息以及上一步所构建的相关特征,将被预测后4周销量,时间滑窗的间隔为4周。
接着,进行样本调整。主要是因为销量数据的稀疏性对模型训练效果有较大影响,进行重采样有助于模型训练。可以发现,由于每个门店、每一天只能卖出小部分类别的商品,这样导致了生成的数据集销量为0的样本(正样本)多,销量不为0的样本(负样本)少,数据集类别不平衡情况严重,因此按正样本:负样本=1:5对负样本进行抽样,使得数据集类别趋于平衡。
以41周作为分界,前41周作为训练集训练模型,42周-56周作为测试集评价模型有效性。生成训练集样本137766条,测试集样本108950条,样本使用npy格式进行存储。
在步骤S30中,销售预测装置20进行模型构建,例如利用keras搭建一个长短时记忆网络模型,其输出使用relu函数进行修正,保证商品需求量不可能小于0的特性。
进而,设计一种有偏的损失函数,提高预测精度。其想法是过往机器学习常用的损失函数对每种预测结果的权重是相等的,但在商品需求预测中,预测值小于真实值的损失远大于预测值大于真实值的情况,因为预测值过小,无法及时补货,造成客户流失,而预测值过大只是增加了存储成本,其定义为
各项含义与第二实施方式中说明的相同。本例使用参数w=5。
接着,利用Adam优化方法训练模型,相关参数:学习率等于0.001,批次样本数为32,训练轮数为15。
在步骤S40中,销售预测装置20进行模型评价,利用机器学习评价指标判断预测结果是否满足客户需求,为模型部署提供保证。指标如MAE、MSE、精度。评价结果如表2。
表2:
采用训练时长进行性能评价,数据聚合时长4349秒,模型训练时长2865秒,模型预测时长4.32秒,性能可满足一般需求。
在步骤S50中,销售预测装置20模型部署,为以上步骤建立全自动的处理程序,包括数据处理***、模型滚动训练***、结果存储与输出***,将模型投入生产中。
其中,数据处理***对接各业务***数据库,对数据进行抽取、处理。编写SQL脚本,每2个月将数据从企业数据库中进行抽取。模型滚动训练***利用新获取的数据对模型进行更新,保证预测准确性不伴随时间流逝而降低,本例中模型每两个月重新训练一次。结果存储与输出***对预测结果保存到数据库中,方便查取。本例中,在数据库构建预测结果表,其字段包括:门店ID、商品ID、预测开始日期、预测结束日期、预测生成时间、预测销量。
预测结果根据预测主体的不同进行相应后处理后,以网页、报表等合适形式输出。本例中,根据各门店各商品期初库存以及预测结果构建表3所示的补货计划表和表4所示的销售完成情况表。
表3:
门店ID | 商品ID | 期初库存 | 预计销量 | 需补货数量 |
1002 | 7402703255 | 50 | 83 | 33 |
1050 | 7402704321 | 55 | 41 | 0 |
表4:
门店ID | 商品ID | 预计销量 | 原计划销量 | 预计完成率 |
1001 | 7402703927 | 53 | 40 | 132.5% |
1001 | 7402703288 | 98 | 130 | 75.38% |
补货计划表用于指定门店如何进行补货,包括各商品补货量。销售完成情况表用于说明某个商品销售完成情况,门店可以考虑对销售完成情况差的商品进行促销。
根据本具体例1,在应用对象为销售门店的情况下,基于长短时记忆网络的销售预测模型预测的与中周期(例如周)对应的销售预测结果,用于生成补货计划和销售完成情况。由此,能够基于与应用对象(销售门店)相应的预测时间的长短时记忆网络预测结果,生成销售门店所需的计划。
(具体例2)
以下说明本发明的一个具体例。本具体例能够在上述第一实施方式和第二实施方式的基础上实施。另外,本具体例既可以适用于图3所示的硬件结构,也可以适用于图4所示的硬件结构。
本事例用于说明模型在供应商中的应用。某供应商从不同厂商处取货,将取得的货物供应给多家门店,因此供应商需要预测未来各门店对于不同产品的需求,结合自身库存情况与为门店供货历史记录,求出未来缺货的情况,向厂商进行订货,同时安排下一阶段为门店的配送计划。由于供应商联系厂商与门店两端,需要了解产品的长期需求与短期需求。例如,对每个门店产品需求状况同时进行周预测与月预测。此处构建2个模型分别进行周预测与月预测,而不是直接将周预测的结果求和作为月预测结果的原因是,需求的长期趋势与短期趋势有差异,进行不同时间粒度的预测有助于发现不同趋势。
即,在应用对象为供应商的情况下,销售预测装置30基于长短时记忆网络的销售预测模型,按每种商品输出与中周期(周)和长期(月)分别对应的销售预测结果,由此,对于供应商,可进行中长周期的需求预测,结合各门店库存情况,进行配送货规划,实现降低物流成本与存储成本。
仍然参照图8进行说明。如图8所示,在步骤S10中,销售预测装置20进行数据收集,获取供应商为不同门店供货历史数据。其属性如表5。
表5:
在步骤S20中,销售预测装置20进行数据处理。首先,进行数据探查,探查方式可能包括:将销量为负的样本(表示退货)以0填充;若历史数据中没有记录某商品某天销量,则以0填充;价格缺失可使用均值或最近一天的销量进行填充。继续探索数据收集阶段所得信息与销量的相关性,计算销量与各属性的相关性大小,发现各属性与销量的相关性满足模型构建需要。
接着,进行数据聚合,将数据按不同的时间粒度聚合成训练样本。本次是同时进行的是周预测与月预测。根据历史数据,划分计算月ID,第一个月ID为1,如此递增。以(产品ID,门店ID,月ID)为主键构建月出货量样本,即经过聚合后,每一个月中每一个门店的每一个产品都有唯一一条样本。同时构建聚合属性包括:月总销量、月出货价格均值、月出货价格方差、月出货价格最大值、月出货价格最小值、本月出货次数、本月是否进行降价、本月是否进行升价、本月价格改变次数。根据历史数据,划分计算周ID,第一个周ID为1,如此递增。以(产品ID,门店ID,周ID)为主键构建周供货货量样本,即经过聚合后,每一周中每一个门店的每一个产品都有唯一一条样本。同时构建聚合属性包括:周总销量、周出货价格均值、周出货价格方差、周出货价格最大值、周出货价格最小值、本周出货次数、本周是否进行降价、本周是否进行升价、本周价格改变次数。不同样本的供货量差异过大,为保证下一步构建的模型更快收敛,对销量进行对数变换y=log(y+1),y和y分别是变换前后的供货量。由于神经网络模型不接受类别型变量,对产品ID、门店ID等类别型变量进行one-hot编码。
模型1利用前5个月的历史数据预测后3个月的供货量情况,因此利用时间滑窗生成训练样本,即一个训练样本包括前5个月出货量、门店信息以及上一步所构建的相关特征,将被预测后3个月的出货量,时间滑窗的间隔为1个月。以第12个月作为分界,前12月作为训练集训练模型,后8个月作为测试集评价模型有效性。
模型2利用前8周的历史数据预测后4周的供货量情况,因此利用时间滑窗生成训练样本,即一个训练样本包括前5个月出货量、门店信息以及上一步所构建的相关特征,将被预测后4周的出货量,时间滑窗的间隔为4周。以第40周作为分界,前40周作为训练集训练模型,后20周作为测试集评价模型有效性。
在步骤S30中,销售预测装置20进行模型构建,利用keras搭建2个长短时记忆网络模型,其输出使用relu函数进行修正,保证商品需求量不可能小于0的特性。两模型结构大致相同,只是输出神经元个数有差异,模型1进行未来3个月预测,输出神经元个数为3;模型2进行未来4周预测,输出神经元个数为4。
另外,设计一种有偏的损失函数,以提高预测精度,其定义为:
各项含义与第二实施方式中说明的相同。本例模型1使用参数w=2,模型2使用参数w=5。
另外,利用Adam优化方法训练模型,相关参数:学习率等于0.001,批次样本数为32,训练轮数为15。
在步骤S40中,销售预测装置20进行模型评价,利用机器学习评价指标判断预测结果是否满足客户需求,为模型部署提供保证。指标如MAE、MSE、精度。
在步骤S50中,销售预测装置20进行模型部署,为以上步骤建立全自动的处理程序,包括数据处理***、模型滚动训练***、结果存储与输出***,将模型投入生产中。
数据处理***对接各业务***数据库,对数据进行抽取、处理。编写SQL脚本,每1个月将数据从企业数据库中进行抽取。模型滚动训练***利用新获取的数据对模型进行更新,保证预测准确性不伴随时间流逝而降低,本例中模型每两个月重新训练一次。结果存储与输出***对预测结果保存到数据库中,方便查取。本例中,在数据库构建预测结果表,其字段包括:门店ID、产品(商品)ID、预测开始日期、预测结束日期、预测生成时间、预测供货量、预测粒度(月预测/周预测)。
预测结果根据预测主体的不同进行相应后处理后,以网页、报表等合适形式输出。本例中,根据各门店各产品期初库存以及预测结果构建表6和表7。其中,由模型1获得各门店对每种产品的月需求量,求和的每种产品的月需求量,构建表6所示的商品缺货预测表。
表6:
商品缺货预测表用于通知生产厂商提前生产,备好货源,以便供应商每月从厂商处获得充足货源。
表7所示的供货量预测表由模型2输出结果构造,描述每个门店对每一产品的周需求量。供货量预测表用于每周为各门店进行供货。
表7:
即,在应用对象为供应商的情况下,基于长短时记忆网络的销售预测模型预测的与中周期(周)和长期(月)分别对应的销售预测结果,用于生成供货量预测和商品缺货预测。由此,能够基于与应用对象(供应商)相应的不同预测时间的长短时记忆网络预测结果,生成供应商所需的计划。
(具体例3)
以下说明本发明的一个具体例。本具体例能够在上述第一实施方式和第二实施方式的基础上实施。另外,本具体例既可以适用于图3所示的硬件结构,也可以适用于图4所示的硬件结构。
本事例用于说明模型在生产厂商中的应用。某品牌生产厂商现时主要生产12种产品,供应给多个不同供应商,由供应商将产品供应给销售门店。每种产品所处的生命周期不同,现需预测产品在未来的需求,以指导未来生产计划。由于每批次生产所得商品数量大,可以为一段长周期进行供货,因此我们进行产品月需求量预测。
即,在应用对象为生产厂商的情况下,销售预测装置30基于长短时记忆网络的销售预测模型,按每种商品输出与长期(月)对应的销售预测结果,由此,对于生产厂商,可进行长周期的需求预测,指导下一周期所生产的产品以及产量。
仍然参照图8进行说明。如图8所示,在步骤S10中,销售预测装置20进行数据收集,获取厂商各产品销售数据。其属性如表8。
表8:
在步骤S20中,销售预测装置20进行数据处理。首先,进行数据探查,探查方式可能包括:将销量为负的样本(表示退货)以0填充;若历史数据中没有记录某商品某天销量,则以0填充;价格缺失可使用均值或最近一天的销量进行填充。继续探索数据收集阶段所得信息与销量的相关性,计算销量与各属性的相关性大小,发现各属性与销量的相关性满足模型构建需要。
接着,进行特征工程主要通过领域知识构建衍生特征,包括利用产品上市时间、预计退市时间计算产品生命指数。
接着,进行数据聚合,将数据按不同的时间粒度聚合成训练样本。本次进行的是月预测,预测未来数月每月出货情况。根据历史数据,划分计算月ID,第一个月ID为1,如此递增。以(产品ID,供应商ID,月ID)为主键构建月出货量样本,即经过聚合后,每一个月中每一个供应商的每一个产品都有唯一一条样本。同时构建聚合属性包括:月总销量、月出货价格均值、月出货价格方差、月出货价格最大值、月出货价格最小值、本月出货次数、本月是否进行降价、本月是否进行升价、本月价格改变次数,本月其他厂商对比机型出货量。不同样本的出货量差异过大,为保证下一步构建的模型更快收敛,对销量进行对数变换y=log(y+1),y和y分别是变换前后的出货量。由于神经网络模型不接受类别型变量,对产品ID、供应商ID等类别型变量进行one-hot编码。
模型利用前5个月的历史数据预测后3个月的出货量情况,因此利用时间滑窗生成训练样本,即一个训练样本包括前5个月出货量、供应商信息以及上一步所构建的相关特征,将被预测后3个月的出货量,时间滑窗的间隔为1个月。
以第12个月作为分界,前12个月作为训练集训练模型,后8个月作为测试集评价模型有效性。生成训练集样本1598条,测试集样本989条,样本使用npy格式进行存储。
在步骤S30中,销售预测装置20进行模型构建,利用keras搭建一个长短时记忆网络模型,其输出使用relu函数进行修正,保证商品需求量不可能小于0的特性。模型结构与具体例1相同。
另外,设计一种有偏的损失函数,以提高预测精度,其定义为
各项含义与第二实施方式中说明的相同。本例使用参数w=2。
另外,利用Adam优化方法训练模型,相关参数:学习率等于0.001,批次样本数为32,训练轮数为15,训练过程如事例1。
在步骤S40中,销售预测装置20进行模型评价,利用机器学习评价指标判断预测结果是否满足客户需求,为模型部署提供保证。指标如MAE、MSE、精度。结果如表9。
表9:
时间 | 精度 | MAE | MSE |
第一个月 | 0.9725 | 0.0477 | 0.37853 |
第二个月 | 0.9578 | 0.05952 | 0.9742 |
第三个月 | 0.9836 | 0.077816 | 0.15875 |
采用训练时长进行性能评价,数据聚合时长12秒,模型训练时长135秒,模型预测时长1.8秒,性能满足客户需求。
在步骤S50中,销售预测装置20进行模型部署,为以上步骤建立全自动的处理程序,包括数据处理***、模型滚动训练***、结果存储与输出***,将模型投入生产中。
数据处理***对接各业务***数据库,对数据进行抽取、处理。编写SQL脚本,每1个月将数据从企业数据库中进行抽取。模型滚动训练***利用新获取的数据对模型进行更新,保证预测准确性不伴随时间流逝而降低,本例中模型每两个月重新训练一次。结果存储与输出***对预测结果保存到数据库中,方便查取。本例中,在数据库构建预测结果表,其字段包括:供应商ID、产品ID、预测开始日期、预测结束日期、预测生成时间、预测出货量。
预测结果根据预测主体的不同进行相应后处理后,以网页、报表等合适形式输出。本例中,根据各门店各产品期初库存以及预测结果构建如表10所示的出货量预测表和如表11所示的生产计划表。生产计划表用于指导生产厂商进行生产。
表10:
供应商ID | 产品ID | 预计出货量 |
102 | 22 | 8315 |
100 | 23 | 41444 |
表11:
产品ID | 预计出货量 | 在库产品数 | 需生产数量 |
22 | 525453 | 60000 | 0 |
24 | 9881 | 1531 | 8350 |
即,在应用对象为生产厂商的情况下,基于长短时记忆网络的销售预测模型预测的与长期(月)对应的销售预测结果,用于生成出货量预测和生产计划。由此,能够基于与应用对象(生产厂商)相应的预测时间的长短时记忆网络预测结果,生成生产厂商所需的计划。
以上参照附图说明了本发明的具体实施方式和具体例。其中,以上说明的具体实施方式和具体例仅是本发明的具体例子,用于理解本发明,而不用于限定本发明的范围。本领域技术人员能够基于本发明的技术思想对具体实施方式和具体例进行各种变形、组合和要素的合理省略,由此得到的方式也包括在本发明的范围内。例如,上述各实施方式和具体例皆可以相互组合,其组合而成的实施方式也包含在本发明的范围中。
Claims (10)
1.一种智慧供应链***,对多种商品的供应链进行管理,其特征在于,具备:
商品分类装置,基于历史数据,对多种商品进行分类;
销售预测装置,基于历史数据以及所述商品分类装置针对多种商品的分类结果,按每种商品进行销售预测;以及
智能补货装置,基于所述销售预测装置的预测结果,应用自动补货模型,生成补货决策,
所述销售预测装置基于长短时记忆网络进行所述销售预测。
2.如权利要求1所述的智慧供应链***,其特征在于,
所述销售预测装置基于长短时记忆网络,按每种商品预测与多个不同的预测时间分别对应的销量。
3.如权利要求2所述的智慧供应链***,其特征在于,
所述销售预测装置具备:
数据收集部,针对由所述商品分类装置分类为需要确认需求预测结果的每种商品,收集历史数据;
数据处理部,针对由所述数据收集部收集的数据,至少进行数据探查、特征工程与数据聚合、样本调整,生成训练样本;
模型构建部,构建长短时记忆网络模型,利用所述训练样本来训练所构建的模型,得到预测结果;
模型评价部,利用机器学习评价指标评价预测结果;以及
模型部署部,部署由所述模型评价部评价为满足用户需求的模型,针对预测结果进行与应用对象相应的处理后输出。
4.如权利要求3所述的智慧供应链***,其特征在于,
所述数据处理部在所述数据探查中,探查由所述数据收集部收集的数据与商品的销量之间的相关性,使用特征选择法筛选出高相关性且不冗余的特征,
所述数据处理部在所述特征工程中,通过领域知识构建衍生特征,
所述数据处理部在所述数据聚合中,将所述数据按预测时间聚合为所述训练样本,
所述数据处理部在所述样本调整中,针对所述训练样本进行重采样。
5.如权利要求4所述的智慧供应链***,其特征在于,
所述模型构建部构建由遗忘门、输入门和输出门组成的长短时记忆网络模型,利用循环结构一次处理各时间点的信息。
6.如权利要求5所述的智慧供应链***,其特征在于,
所述模型构建部以预测结果小于真实值时的权重大于预测结果大于真实值时的权重的方式,构建有偏的损失函数。
7.如权利要求6所述的智慧供应链***,其特征在于,
所述模型构建部使用函数值域大于等于0的激活函数,对所述长短时记忆网络模型的输出结果进行修正。
8.如权利要求1至7中任一项所述的智慧供应链***,其特征在于,
所述智慧供应链***的应用对象包括销售门店、供应商和生产厂商之中的至少一个,
所述销售预测装置根据所述智慧供应链***的应用对象是销售门店、供应商和生产厂商之中的哪一个,选择基于长短时记忆网络进行所述销售预测的预测时间,
在所述应用对象为销售门店的情况下,所述销售预测装置基于长短时记忆网络的销售预测模型,按每种商品输出与中周期对应的销售预测结果,
在所述应用对象为供应商的情况下,所述销售预测装置基于长短时记忆网络的销售预测模型,按每种商品输出与中周期和长期分别对应的销售预测结果,
在所述应用对象为生产厂商的情况下,所述销售预测装置基于长短时记忆网络的销售预测模型,按每种商品输出与长期对应的销售预测结果。
9.如权利要求8所述的智慧供应链***,其特征在于,
在所述应用对象为销售门店的情况下,基于长短时记忆网络的销售预测模型预测的所述与中周期对应的销售预测结果,用于生成补货计划和销售完成情况,
在所述应用对象为供应商的情况下,基于长短时记忆网络的销售预测模型预测的所述与中周期和长期分别对应的销售预测结果,用于生成供货量预测和商品缺货预测,
在所述应用对象为生产厂商的情况下,基于长短时记忆网络的销售预测模型预测的所述与长期对应的销售预测结果,用于生成出货量预测和生产计划。
10.一种服务器平台,对多种商品的供应链进行管理,具备处理器、存储器和接口,能够经由所述接口与客户端设备进行数据通信,其特征在于,
所述处理器通过执行所述存储器中存储的程序,执行如下处理:
商品分类处理,基于历史数据,对多种商品进行分类;
销售预测处理,基于历史数据以及所述商品分类处理针对多种商品的分类结果,按每种商品进行销售预测;以及
智能补货处理,基于所述销售预测处理的预测结果,应用自动补货模型,生成补货决策,
所述销售预测处理基于长短时记忆网络进行所述销售预测,
所述销售预测处理的结果及/或所述补货决策经由所述接口被发送给所述客户端设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241084.3A CN113469595A (zh) | 2020-03-31 | 2020-03-31 | 智慧供应链***及服务器平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241084.3A CN113469595A (zh) | 2020-03-31 | 2020-03-31 | 智慧供应链***及服务器平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469595A true CN113469595A (zh) | 2021-10-01 |
Family
ID=77865284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010241084.3A Pending CN113469595A (zh) | 2020-03-31 | 2020-03-31 | 智慧供应链***及服务器平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469595A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780904A (zh) * | 2021-11-12 | 2021-12-10 | 中国信息通信研究院 | 一种供应链管理***和方法 |
CN115829695A (zh) * | 2023-02-16 | 2023-03-21 | 中信联合云科技有限责任公司 | 基于数据处理的电商线上线下货物调配方法和装置 |
CN116151861A (zh) * | 2023-04-21 | 2023-05-23 | 杭州比智科技有限公司 | 基于间断时间序列样本构建的销量预测模型及构建方法 |
-
2020
- 2020-03-31 CN CN202010241084.3A patent/CN113469595A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780904A (zh) * | 2021-11-12 | 2021-12-10 | 中国信息通信研究院 | 一种供应链管理***和方法 |
CN115829695A (zh) * | 2023-02-16 | 2023-03-21 | 中信联合云科技有限责任公司 | 基于数据处理的电商线上线下货物调配方法和装置 |
CN116151861A (zh) * | 2023-04-21 | 2023-05-23 | 杭州比智科技有限公司 | 基于间断时间序列样本构建的销量预测模型及构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110392899B (zh) | 用于模型生成的动态特征选择 | |
CN113553540A (zh) | 一种商品销量的预测方法 | |
US7080026B2 (en) | Supply chain demand forecasting and planning | |
CN111652657A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
US8010324B1 (en) | Computer-implemented system and method for storing data analysis models | |
JP7402791B2 (ja) | 需要予測パラメータの最適化 | |
US20050065863A1 (en) | Dynamic cost accounting | |
US20220309436A1 (en) | Orchestrated intelligent supply chain optimizer | |
CN108764974A (zh) | 一种基于深度学习的商品采购量预测方法及装置 | |
Wang et al. | Improving inventory effectiveness in RFID-enabled global supply chain with Grey forecasting model | |
CN113469595A (zh) | 智慧供应链***及服务器平台 | |
US20140207705A1 (en) | Residual risk analysis system, method and computer program product therefor | |
CN109767032A (zh) | 一种基于数据分析的企业财务运营数字化管理优化*** | |
Bounou et al. | Inventory models for spare parts management: a review | |
CN113469597A (zh) | 智慧供应链***及服务器平台 | |
CN113469598A (zh) | 智慧供应链***及服务器平台 | |
US12008497B2 (en) | Demand sensing and forecasting | |
CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及*** | |
CA3231785A1 (en) | Ai-based hyperparameter tuning in simulation-based optimization | |
CN114548871A (zh) | 一种大数据驱动的供应链ai智能补货*** | |
CN118076967A (zh) | 基于优化树集成的需求模型 | |
Krapp et al. | Using forecasts and managerial accounting information to enhance closed-loop supply chain management | |
CN113469397A (zh) | 智慧供应链***及服务器平台 | |
CN117670018A (zh) | 汽车制造中的风险预测以及交互式风险减轻的***及方法 | |
JP2001134643A (ja) | 需要予測装置及び需要予測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211001 |
|
WD01 | Invention patent application deemed withdrawn after publication |