CN114066491A - 基于多周期的预测总销量确定物品补货策略的方法、装置 - Google Patents

基于多周期的预测总销量确定物品补货策略的方法、装置 Download PDF

Info

Publication number
CN114066491A
CN114066491A CN202010742505.0A CN202010742505A CN114066491A CN 114066491 A CN114066491 A CN 114066491A CN 202010742505 A CN202010742505 A CN 202010742505A CN 114066491 A CN114066491 A CN 114066491A
Authority
CN
China
Prior art keywords
sales
probability distribution
determining
distribution data
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.)
Pending
Application number
CN202010742505.0A
Other languages
English (en)
Inventor
吕骥图
柯俞嘉
王晶
张潆尹
许哲民
郭雨佳
金虹希
王本玉
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.)
Shanghai Shunrufenglai Technology Co ltd
Original Assignee
Shanghai Shunrufenglai Technology 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 Shanghai Shunrufenglai Technology Co ltd filed Critical Shanghai Shunrufenglai Technology Co ltd
Priority to CN202010742505.0A priority Critical patent/CN114066491A/zh
Publication of CN114066491A publication Critical patent/CN114066491A/zh
Pending legal-status Critical Current

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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Cash Registers Or Receiving Machines (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于多周期的预测总销量确定物品补货策略的方法、装置。该方法包括：获取物品销量的历史销量数据；将历史销量数据输入至分位数预测模型，根据分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；根据各第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；基于联合概率分布的计算方法，根据每个周期的第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；根据第二累积概率分布数据确定各设定数量周期的物品总销量的预测值；根据物品总销量的预测值确定对应物品的补货策略数据。采用本方法能够提高供应链物品补货数据准确性。

Description

基于多周期的预测总销量确定物品补货策略的方法、装置
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于多周期的预测总销量确定物品补货策略的方法、装置、计算机设备和存储介质。
背景技术
物品销量预测是供应链领域的重要技术，广泛应用于供应链领域的补货、库存管理、物流管理、成本控制的各个方面，尤其是物品销量的分位数预测，可以给出物品需求量的变化范围与出现概率，对于库存优化尤其有用。供应链领域通常会考虑外推未来多个周期(如，天、周、月)，需要多个周期销量和的分位数预测结果，而物品销量预测时，习惯以一个周期为单位进行，但多个周期销量的分位数之和并不等于多个周期销量和的分位数，因此，需要一种有效的方法预测多个周期销量和的分位数。
然而，目前对多周期物品销量和进行预测采用均值预测，即根据多个周期的均值预测求和得到多个周期和的均值，无法得到分位数预测结果；或者通过假设物品销量服从正态分布，依据正态分布的可加性计算多个周期和的分位数，但实际场景中物品销量很可能不服从正态分布，使多周期得物品总销量预测准确性低，导致供应链物品补货数据不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高供应链物品补货数据准确性的基于多周期的预测总销量确定物品补货策略的预测方法、装置、计算机设备和存储介质。
一种基于多周期的预测总销量确定物品补货策略的方法，所述方法包括：
获取物品销量的历史销量数据；
将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；
根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；
基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；
根据所述第二累积概率分布数据确定各所述设定数量周期的物品预测总销量的预测值；
根据所述物品总销量的预测值确定对应物品的补货策略数据。
在其中一个实施例中，所述将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据，包括：
将所述历史销量数据输入至分位数预测模型，确定设定数量周期中每个周期中各分位点对应的物品销量的预测值的累积概率值；
根据各所述分位点对应的物品销量的预测值和累积概率值，确定物品销量在设定数量周期中每个周期的第一累积概率分布数据。
在其中一个实施例中，所述根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据，包括：
基于概率分布和累积概率分布的转换关系，根据各所述分位点的累积概率值确定对应物品销量预测值的预测概率值，得到各周期内物品销量的第一概率分布数据。
在其中一个实施例中，所述基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据，包括：
基于联合概率分布的计算方法，根据各所述第一概率分布数据确定所有设定数量周期的物品总销量的第二概率分布数据；
基于概率分布和累积概率分布的转换关系，根据各设定数量周期的物品总销量的第二概率分布数据确定对应的物品总销量的第二累积概率分布数据。
在其中一个实施例中，所述基于联合概率分布的计算方法，根据各所述第一概率分布数据确定所有设定数量周期的物品总销量的第二概率分布数据，包括：
基于联合概率分布的计算方法，对各所述第一概率分布数据中对应的物品销量的预测概率值进行加权计算，得到设定数量周期的所有物品总销量的概率值；
对所述设定数量周期的物品总销量相同的概率值聚合，得到所有设定数量周期的物品总销量的第二概率分布数据。
在其中一个实施例中，所述方法还包括：
对设定数量周期中每个周期中物品销量的预测值进行预设次数采样，得到采样物品销量集；
对所述采样物品销量集进行仿真，得到仿真结果集；
确定所述仿真结果集对应的经验分位数，根据所述经验分位数确定各所述设定数量周期的物品总销量的预测值。
在其中一个实施例中于，所述根据所述物品总销量的预测值确定对应物品的补货策略数据，包括：
获取物品的当前库存余量；
根据各所述设定数量周期的物品总销量的预测值更新所述当前库存余量。
一种基于多周期的预测总销量确定物品补货策略的装置，所述装置包括：
获取模块，用于获取物品销量的历史销量数据；
预测模块，用于将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型的分位数参数值确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；
第一确定模块，用于根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；
第二确定模块，用于基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据第一概率分布数据；
第三确定模块，用于根据所述第二累积概率分布数据确定各所述设定数量周期的物品总销量的预测值；
第四确定模块，用于根据所述物品预测总销量值确定对应物品的补货策略数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取物品销量的历史销量数据；
将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；
根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；
基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；
根据所述第二累积概率分布数据确定各所述设定数量周期的物品预测总销量的预测值；
根据所述物品总销量的预测值确定对应物品的补货策略数据。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取物品销量的历史销量数据；
将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；
根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；
基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；
根据所述第二累积概率分布数据确定各所述设定数量周期的物品预测总销量的预测值；
根据所述物品总销量的预测值确定对应物品的补货策略数据。
上述基于多周期的预测总销量确定物品补货策略的方法、装置、计算机设备和存储介质；通过获取物品销量的历史销量数据；将历史销量数据输入至分位数预测模型，根据分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；根据各第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；基于联合概率分布的计算方法，根据每个周期的第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；根据第二累积概率分布数据确定各设定数量周期的物品总销量的预测值；根据物品总销量的预测值确定对应物品的补货策略数据；即通过分位数预测模型对单周期的物品销量进行预测，可以获取任意多周期物品销量和的任意分位数，根据分位数结果确定多周期的物品总销量，提高多周期得物品总销量预测准确性，进而提高供应链物品补货数据的准确性。
附图说明
图1为一个实施例中基于多周期的预测总销量确定物品补货策略的方法的流程示意图；
图2为一个实施例中分位数预测模型预测分位点的流程示意图；
图3为另一个实施例中基于多周期的预测总销量确定物品补货策略方法的流程示意图；
图4为一个实施例中基于多周期的预测总销量确定物品补货策略装置的结构框图；
图5为另一个实施例中基于多周期的预测总销量确定物品补货策略装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于多周期的预测总销量确定物品补货策略的方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的***，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取物品销量的历史销量数据。
其中，历史销量数据是具有时间粒度属性的数据，时间粒度包括天、周、月等；例如，获取物品销量的历史销量数据可以是以天为时间粒度的历史销量数据，也可以是以周为时间粒度的历史销量数据，本实施例中，以天为时间粒度为例进行说明。
步骤104，将历史销量数据输入至分位数预测模型，根据分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据。
其中，分位数预测模型用于预测物品在未来H个周期(如，天、周或月)的中每个周期在给定的N个分位点的物品销量值；例如，根据分位数预测模型根据历史销量数据预测物品在未来一个周期内5分位点、25分位点、50分位点、75分位点和95分位点的物品销量的预测值分别是10、20、45、80和98件；其中，N个分位点中每个分位点的取值为1/N，2/N，...，N/N。N的取值根据需要的累积概率分布的精度调整；例如N取4，那么就有25、50、75、100分位点的值；如果N取10，那么就有10、20、30、40、50、60、70、80、90、100分位点的值，根据N个分位点可以确定单个周期内物品销量的累计概率值分布数据。累积概率分布概率数据用FX(x)＝P(X≤x)表示，表示物品销量预测值X取值不大于x的概率。例如，获取预测未来第3天物品的销量情况，取4个分位点，第3个分位点的取值为3/4，即75％，对应的预测物品销量值为55，可知，预测未来第3天物品的销量不大于55的概率为75％。
具体地，将历史销量数据输入至分位数预测模型之前，根据历史销量数据的时间粒度确定要预测物品销量数据的时间粒度、设定数量周期H和分位点的个数N；将历史销量数据输入至分位数预测模型，得到H个周期中每个周期N个分位点中各分位点的物品销量的预测值，根据每个分位点的取值和对应物品销量预测值确定物品销量在H个周期中每个周期的第一累积概率分布数据。例如，如图2所示，为一个实施例中，通过分位数预测模型预测分位点的物品销量预测值的示意图，获取物品销量的历史销量数据是以天为时间粒度，将历史销量数据输入至分位数预测模型中，进行物品分位数预测未来H天，N个不同分位点的预测值，得到H*N个预测值，根据每天的N个分位点，可以确定当天的第一累积概率分布数据，一共H天，即得到H组第一累积概率分布数据。
步骤106，根据各第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据。
具体地，基于概率分布和累积概率分布的转换关系，根据各所述分位点的累积概率值确定对应物品销量预测值的预测概率值，得到各周期内物品销量的第一概率分布数据，即根据第一累积概率分布数据，分位数预测模型给定的N个分位点，
Figure BDA0002607226110000071
表示第i个分位点对应的累积概率，
Figure BDA0002607226110000072
表示未来第h(h<H)个周期需求预测的第i个分位点值，即物品销量预测值，
Figure BDA0002607226110000073
表示则物品销量落在区间
Figure BDA0002607226110000074
的概率，基于概率分布和累积概率分布的转换关系，根据各所述分位点的累积概率值确定对应物品销量预测值的预测概率值，即当
Figure BDA0002607226110000075
时，
Figure BDA0002607226110000076
即表示物品销量为
Figure BDA0002607226110000077
的概率，即可得
Figure BDA0002607226110000078
得到物品销量为
Figure BDA0002607226110000079
的概率为
Figure BDA00026072261100000710
即确定周期内物品销量的第一概率分布数据，同理可获取未来H个周期物品销量的第一概率分布数据。例如，分位数预测模型给定的4个分位点，累积概率25％对应的物品销量为1，累积概率50％对应的物品销量为2，累积概率75％对应的物品销量为3，累积概率100％对应的物品销量为4；基于概率分布和累积概率分布的转换关系，可以确定物品销量1，2，3，4的预测概率值为25％，得到该周期内物品销量的第一概率分布数据。
步骤108，基于联合概率分布的计算方法，根据每个周期的第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据。
具体地，基于联合概率分布的计算方法，根据各第一概率分布数据确定所有设定数量周期的物品总销量的第二概率分布数据；即基于联合概率分布的计算方法，对各第一概率分布数据中对应的物品销量的预测概率值进行加权计算，得到设定数量周期的所有物品总销量的概率值；对设定数量周期的物品总销量相同的概率值聚合，得到所有设定数量周期的物品总销量的第二概率分布数据。
可选地，根据获取的H个周期中每个周期的物品销量的第一概率分布数据，基于联合概率分布计算方法，根据各第一概率分布数据确定所有设定数量h(1≤h≤H)周期的物品总销量的第二概率分布数据。以
Figure BDA0002607226110000081
表示第1周期销量为
Figure BDA0002607226110000082
的概率，根据
Figure BDA0002607226110000083
未来第1周期销量为
Figure BDA0002607226110000084
第2周期销量为
Figure BDA0002607226110000085
第h周期销量为
Figure BDA0002607226110000086
的概率，可得，未来h周期的物品总销量的概率为：
Figure BDA0002607226110000087
以这样的方式，随着h由1增加到H，计算未来h个周期销量的各种销量组合出现的概率，得到1-H天总销量的第二概率分布数据。基于概率分布和累积概率分布的转换关系，根据各设定数量周期的物品总销量的第二概率分布数据确定对应的物品总销量的第二累积概率分布数据。
例如，根据第一概率分布数据确定物品销量有50％的概率销量为1，有50％的概率销量为2，假设H天物品销量概率都是物品销量有50％的概率销量为1，有50％的概率销量为2。当h＝1时，表示1天销量和的概率分布为：P(1)＝50％，物品销量是1的概率是50％；P(2)＝50％；当h＝2时，物品销量是2的概率是50％；可确定两天销量和的概率分布为：
P(1，2)＝50％*50％，第一天销量1，第二天销量2；
P(2，1)＝50％*50％，第一天销量2，第二天销量1；
P(2，2)＝50％*50％，第一天销量2，第二天销量2；
对两天内物品总销量相同的概率值聚合，得到两天总销量的第二概率分布数据为：
P(2)＝25％，两天销量一共为2的概率是25％；
P(3)＝50％，两天销量一共为3的概率是50％；
P(4)＝25％，两天销量一共为4的概率是25％。
基于概率分布和累积概率分布的转换关系，根据关系式：
FX(x)＝P(X≤x)
上述关系式表示，对于每个销量值，它的累计概率等于所有不大于它的销量的概率和，如销量3的累积概率＝销量2的概率+销量为3的概率，即F(3)＝P(X≤3)＝P(2)+P(3)，
则根据两天总销量的第二概率分布数据确定对应的第二累积概率分布数据为：
F(2)＝25％，即两天总销量不超过2的概率是25％；
F(3)＝75％，两天总销量不超过3的概率是75％；
F(4)＝100％，两天总销量不超过4的概率是100％。
步骤110，根据第二累积概率分布数据确定各设定数量周期的物品总销量的预测值。
具体地，根据第二累积概率分布数据可以得到任意分位点的分位数结果，即各设定数量周期的物品总销量的预测值。例如75％分位数结果是3。
步骤112，根据物品总销量的预测值确定对应物品的补货策略数据。
具体地，根据设定数量周期的物品总销量的预测值以及预测值的概率确定对应物品的补货策略数据。例如，未来两天和销量不超过2的概率是25％，总销量不超过3的概率是75％；总销量不超过4的概率是100％，根据概率值的数值大小和物品当前的库存余量确定两天总销量的补货数量。
上述基于多周期的预测总销量确定物品补货策略的方法中，通过获取物品销量的历史销量数据；将历史销量数据输入至分位数预测模型，根据分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；不需要对分位数预测模型的参数、周期进行调整以及不需要考虑物品销量数据的分布；根据各第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；基于联合概率分布的计算方法，根据每个周期的第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；根据第二累积概率分布数据确定各设定数量周期的物品总销量的预测值；根据物品总销量的预测值确定对应物品的补货策略数据；即通过分位数预测模型对单周期的物品销量进行预测，可以获取任意多周期物品销量和的任意分位数，根据分位数结果确定多周期的物品总销量，提高多周期得物品总销量预测准确性，进而提高供应链物品补货数据的准确性。
在另一个实施例中，如图3所示，提供了一种基于多周期的预测总销量确定物品补货策略的方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的***，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤302，获取物品销量的历史销量数据。
步骤304，将历史销量数据输入至分位数预测模型，根据分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据。
步骤306，根据各第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据。
具体地，基于概率分布和累积概率分布的转换关系，根据各所述分位点的累积概率值确定对应物品销量预测值的预测概率值，得到各周期内物品销量的第一概率分布数据。
步骤308，对设定数量周期中每个周期中物品销量的预测值进行预设次数采样，得到采样物品销量集。
步骤310，对采样物品销量集进行仿真，得到仿真结果集。
具体地，根据各周期的物品销量的第一概率分布数据，如，h个周期内每个周期的物品销量的概率分布区，根据概率的大小对每个周期的物品销量进行随机采样，每个周期采样一次，得到的h个采样结果，即采样物品销量集。对h个采样结果进行加权计算，得到加和结果，将加和结果输入至仿真器中，得到一次仿真结果；通过仿真器对加和结果进行M次仿真，得到仿真结果集。其中，M可以但不仅限于为500次。
步骤312，确定仿真结果集对应的经验分位数，根据经验分位数确定各设定数量周期的物品总销量的预测值。
具体地，根据数值从小到大的顺序对仿真结果集进行排序，以经验统计的方式确定仿真结果集对应的经验分位数，根据经验分位数确定各设定数量周期的物品总销量的预测值。可选地，可以调整h和分数预测模型中的分位点，即可获取[1，H]个周期总销量和经验分位数。
步骤314，获取物品的当前库存余量。
步骤316，根据各设定数量周期的物品总销量的预测值更新当前库存余量。
上述基于多周期的预测总销量确定物品补货策略的方法中，通过获取物品销量的历史销量数据，将历史销量数据输入至分位数预测模型，根据分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；根据各第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；对设定数量周期中每个周期中物品销量的预测值进行预设次数采样，得到采样物品销量集；对采样物品销量集进行仿真，得到仿真结果集；确定仿真结果集对应的经验分位数，根据经验分位数确定各设定数量周期的物品总销量的预测值；获取物品的当前库存余量；根据各设定数量周期的物品总销量的预测值更新当前库存余量；随着预测周期数量的增多，能够提高终端的处理性能和提高设定数量周期的物品总销量的预测值的准确性。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种基于多周期的预测总销量确定物品补货策略装置，包括：获取模块402、预测模块404、第一确定模块406、第二确定模块408、第三确定模块410和第四确定模块412，其中：
获取模块402，用于获取物品销量的历史销量数据。
预测模块404，用于将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型的分位数参数值确定物品销量在设定数量周期中每个周期的第一累积概率分布数据。
第一确定模块406，用于根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据。
第二确定模块408，用于基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据。
第三确定模块410，用于根据所述第二累积概率分布数据确定各所述设定数量周期的物品总销量的预测值。
第四确定模块412，用于根据所述物品预测总销量值确定对应物品的补货策略数据。
上述基于多周期的预测总销量确定物品补货策略装置中，通过获取物品销量的历史销量数据；将历史销量数据输入至分位数预测模型，根据分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；不需要对分位数预测模型的参数、周期进行调整以及不需要考虑物品销量数据的分布；根据各第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；基于联合概率分布的计算方法，根据每个周期的第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；根据第二累积概率分布数据确定各设定数量周期的物品总销量的预测值；根据物品总销量的预测值确定对应物品的补货策略数据；即通过分位数预测模型对单周期的物品销量进行预测，可以获取任意多周期物品销量和的任意分位数，根据分位数结果确定多周期的物品总销量，提高多周期得物品总销量预测准确性，进而提高供应链物品补货数据的准确性。
在另一个实施例中，如图5所示，提供了一种基于多周期的预测总销量确定物品补货策略装置，除包括：获取模块402、预测模块404、第一确定模块406、第二确定模块408、第三确定模块410和第四确定模块412之外，还包括：加权模块414、采样模块416和仿真模块418，其中：
加权模块414，用于基于联合概率分布的计算方法，对各第一概率分布数据中对应的物品销量的预测概率值进行加权计算，得到设定数量周期的所有物品总销量的概率值；对设定数量周期的物品总销量相同的概率值聚合，得到所有设定数量周期的物品总销量的第二概率分布数据。
采样模块416，用于对设定数量周期中每个周期中物品销量的预测值进行预设次数采样，得到采样物品销量集。
仿真模块418，用于对采样物品销量集进行仿真，得到仿真结果集。
在一个实施例中，预测模块404还用于将历史销量数据输入至分位数预测模型，确定设定数量周期中每个周期中各分位点对应的物品销量的预测值的累积概率值；根据各分位点对应的物品销量的预测值和累积概率值，确定物品销量在设定数量周期中每个周期的第一累积概率分布数据。
在一个实施例中，第一确定模块406还用于基于概率分布和累积概率分布的转换关系，根据各分位点的累积概率值确定对应物品销量预测值的预测概率值，得到各周期内物品销量的第一概率分布数据。
在一个实施例中，第二确定模块408还用于基于联合概率分布的计算方法，根据各第一概率分布数据确定所有设定数量周期的物品总销量的第二概率分布数据；基于概率分布和累积概率分布的转换关系，根据各设定数量周期的物品总销量的第二概率分布数据确定对应的物品总销量的第二累积概率分布数据。
在一个实施例中，第三确定模块410还用于确定仿真结果集对应的经验分位数，根据经验分位数确定各设定数量周期的物品总销量的预测值。
在一个实施例中，通过获取物品销量的历史销量数据，将历史销量数据输入至分位数预测模型，根据分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；根据各第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；对设定数量周期中每个周期中物品销量的预测值进行预设次数采样，得到采样物品销量集；对采样物品销量集进行仿真，得到仿真结果集；确定仿真结果集对应的经验分位数，根据经验分位数确定各设定数量周期的物品总销量的预测值；获取物品的当前库存余量；根据各设定数量周期的物品总销量的预测值更新当前库存余量；随着预测周期数量的增多，能够提高终端的处理性能和提高设定数量周期的物品总销量的预测值的准确性。
关于基于多周期的预测总销量确定物品补货策略装置的具体限定可以参见上文中对于基于多周期的预测总销量确定物品补货策略的方法的限定，在此不再赘述。上述基于多周期的预测总销量确定物品补货策略装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于多周期的预测总销量确定物品补货策略的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取物品销量的历史销量数据；
将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；
根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；
基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；
根据所述第二累积概率分布数据确定各所述设定数量周期的物品预测总销量的预测值；
根据所述物品总销量的预测值确定对应物品的补货策略数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述历史销量数据输入至分位数预测模型，确定设定数量周期中每个周期中各分位点对应的物品销量的预测值的累积概率值；
根据各所述分位点对应的物品销量的预测值和累积概率值，确定物品销量在设定数量周期中每个周期的第一累积概率分布数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于概率分布和累积概率分布的转换关系，根据各所述分位点的累积概率值确定对应物品销量预测值的预测概率值，得到各周期内物品销量的第一概率分布数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于联合概率分布的计算方法，根据各所述第一概率分布数据确定所有设定数量周期的物品总销量的第二概率分布数据；
基于概率分布和累积概率分布的转换关系，根据各设定数量周期的物品总销量的第二概率分布数据确定对应的物品总销量的第二累积概率分布数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于联合概率分布的计算方法，对各所述第一概率分布数据中对应的物品销量的预测概率值进行加权计算，得到设定数量周期的所有物品总销量的概率值；
对所述设定数量周期的物品总销量相同的概率值聚合，得到所有设定数量周期的物品总销量的第二概率分布数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对设定数量周期中每个周期中物品销量的预测值进行预设次数采样，得到采样物品销量集；
对所述采样物品销量集进行仿真，得到仿真结果集；
确定所述仿真结果集对应的经验分位数，根据所述经验分位数确定各所述设定数量周期的物品总销量的预测值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取物品的当前库存余量；
根据各所述设定数量周期的物品总销量的预测值更新所述当前库存余量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取物品销量的历史销量数据；
将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；
根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；
基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；
根据所述第二累积概率分布数据确定各所述设定数量周期的物品预测总销量的预测值；
根据所述物品总销量的预测值确定对应物品的补货策略数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述历史销量数据输入至分位数预测模型，确定设定数量周期中每个周期中各分位点对应的物品销量的预测值的累积概率值；
根据各所述分位点对应的物品销量的预测值和累积概率值，确定物品销量在设定数量周期中每个周期的第一累积概率分布数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于概率分布和累积概率分布的转换关系，根据各所述分位点的累积概率值确定对应物品销量预测值的预测概率值，得到各周期内物品销量的第一概率分布数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于联合概率分布的计算方法，根据各所述第一概率分布数据确定所有设定数量周期的物品总销量的第二概率分布数据；
基于概率分布和累积概率分布的转换关系，根据各设定数量周期的物品总销量的第二概率分布数据确定对应的物品总销量的第二累积概率分布数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于联合概率分布的计算方法，对各所述第一概率分布数据中对应的物品销量的预测概率值进行加权计算，得到设定数量周期的所有物品总销量的概率值；
对所述设定数量周期的物品总销量相同的概率值聚合，得到所有设定数量周期的物品总销量的第二概率分布数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对设定数量周期中每个周期中物品销量的预测值进行预设次数采样，得到采样物品销量集；
对所述采样物品销量集进行仿真，得到仿真结果集；
确定所述仿真结果集对应的经验分位数，根据所述经验分位数确定各所述设定数量周期的物品总销量的预测值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取物品的当前库存余量；
根据各所述设定数量周期的物品总销量的预测值更新所述当前库存余量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于多周期的预测总销量确定物品补货策略的方法，其特征在于，所述方法包括：
获取物品销量的历史销量数据；
将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；
根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；
基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据；
根据所述第二累积概率分布数据确定各所述设定数量周期的物品预测总销量的预测值；
根据所述物品总销量的预测值确定对应物品的补货策略数据。
2.根据权利要求1所述的方法，其特征在于，所述将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型中分位点的个数确定物品销量在设定数量周期中每个周期的第一累积概率分布数据，包括：
将所述历史销量数据输入至分位数预测模型，确定设定数量周期中每个周期中各分位点对应的物品销量的预测值的累积概率值；
根据各所述分位点对应的物品销量的预测值和累积概率值，确定物品销量在设定数量周期中每个周期的第一累积概率分布数据。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据，包括：
基于概率分布和累积概率分布的转换关系，根据各所述分位点的累积概率值确定对应物品销量预测值的预测概率值，得到各周期内物品销量的第一概率分布数据。
4.根据权利要求1所述的方法，其特征在于，所述基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据，包括：
基于联合概率分布的计算方法，根据各所述第一概率分布数据确定所有设定数量周期的物品总销量的第二概率分布数据；
基于概率分布和累积概率分布的转换关系，根据各设定数量周期的物品总销量的第二概率分布数据确定对应的物品总销量的第二累积概率分布数据。
5.根据权利要求4所述的方法，其特征在于，所述基于联合概率分布的计算方法，根据各所述第一概率分布数据确定所有设定数量周期的物品总销量的第二概率分布数据，包括：
基于联合概率分布的计算方法，对各所述第一概率分布数据中对应的物品销量的预测概率值进行加权计算，得到设定数量周期的所有物品总销量的概率值；
对所述设定数量周期的物品总销量相同的概率值聚合，得到所有设定数量周期的物品总销量的第二概率分布数据。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对设定数量周期中每个周期中物品销量的预测值进行预设次数采样，得到采样物品销量集；
对所述采样物品销量集进行仿真，得到仿真结果集；
确定所述仿真结果集对应的经验分位数，根据所述经验分位数确定各所述设定数量周期的物品总销量的预测值。
7.根据权利要求1所述的方法，其特征在于，所述根据所述物品总销量的预测值确定对应物品的补货策略数据，包括：
获取物品的当前库存余量；
根据各所述设定数量周期的物品总销量的预测值更新所述当前库存余量。
8.一种基于多周期的预测总销量确定物品补货策略的装置，其特征在于，所述装置包括：
获取模块，用于获取物品销量的历史销量数据；
预测模块，用于将所述历史销量数据输入至分位数预测模型，根据所述分位数预测模型的分位数参数值确定物品销量在设定数量周期中每个周期的第一累积概率分布数据；
第一确定模块，用于根据各所述第一累积概率分布数据确定对应周期内物品销量的第一概率分布数据；
第二确定模块，用于基于联合概率分布的计算方法，根据每个周期的所述第一概率分布数据确定所有设定数量周期的物品预测总销量的第二累积概率分布数据第一概率分布数据；
第三确定模块，用于根据所述第二累积概率分布数据确定各所述设定数量周期的物品总销量的预测值；
第四确定模块，用于根据所述物品预测总销量值确定对应物品的补货策略数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010742505.0A 2020-07-29 2020-07-29 基于多周期的预测总销量确定物品补货策略的方法、装置 Pending CN114066491A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010742505.0A CN114066491A (zh) 2020-07-29 2020-07-29 基于多周期的预测总销量确定物品补货策略的方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010742505.0A CN114066491A (zh) 2020-07-29 2020-07-29 基于多周期的预测总销量确定物品补货策略的方法、装置

Publications (1)

Publication Number Publication Date
CN114066491A true CN114066491A (zh) 2022-02-18

Family

ID=80226701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010742505.0A Pending CN114066491A (zh) 2020-07-29 2020-07-29 基于多周期的预测总销量确定物品补货策略的方法、装置

Country Status (1)

Country Link
CN (1) CN114066491A (zh)

Similar Documents

Publication Publication Date Title
Aytac et al. Characterization of demand for short life-cycle technology products
US8578023B2 (en) Computer resource utilization modeling for multiple workloads
CN112598248B (zh) 负荷预测方法、装置、计算机设备和存储介质
KR20110005224A (ko) 마케팅 모델 결정 시스템
Ökmen et al. Construction cost analysis under uncertainty with correlated cost risk analysis model
Brander et al. Lot sizes in a capacity constrained facility—a simulation study of stationary stochastic demand
Kacar et al. A comparison of multiple linear regression approaches for fitting clearing functions to empirical data
CN115689018A (zh) 物资需求预测方法、装置、设备、存储介质和程序产品
CN114926305A (zh) 电力物资管控方法、装置、计算机设备、存储介质
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
CN108764553B (zh) 用户规模预测方法、装置及计算机设备
Cobb et al. Accurate lead time demand modeling and optimal inventory policies in continuous review systems
CN112686470A (zh) 电网饱和负荷预测方法、装置及终端设备
CN112819507A (zh) 一种服务推送方法、装置、电子设备以及可读存储介质
CN111626789A (zh) 房屋价格预测方法、装置、设备及存储介质
Yang et al. Bayesian geoadditive modelling of climate extremes with nonparametric spatially varying temporal effects
Desmet et al. Safety stock optimisation in two-echelon assembly systems: normal approximation models
CN111768246A (zh) 一种数据处理方法、模型建立方法、装置及电子设备
CN114066491A (zh) 基于多周期的预测总销量确定物品补货策略的方法、装置
CN112132498A (zh) 库存管理方法、装置、设备及存储介质
CN113837782B (zh) 时间序列模型的周期项参数优化方法、装置、计算机设备
CN114925919A (zh) 业务资源处理方法、装置、计算机设备和存储介质
CN108471362B (zh) 资源分配预测方法和装置
JP2004272674A (ja) 予測システム及び予測方法
CN113743994A (zh) 一种供应商的旺季预测方法、***、设备及存储介质

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