CN115130954A - 一种基于多分散网点的供应预测方法 - Google Patents
一种基于多分散网点的供应预测方法 Download PDFInfo
- Publication number
- CN115130954A CN115130954A CN202210703568.4A CN202210703568A CN115130954A CN 115130954 A CN115130954 A CN 115130954A CN 202210703568 A CN202210703568 A CN 202210703568A CN 115130954 A CN115130954 A CN 115130954A
- Authority
- CN
- China
- Prior art keywords
- goods
- stock
- data
- model
- supply
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 7
- 235000013305 food Nutrition 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 241000531116 Blitum bonus-henricus Species 0.000 claims description 3
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000003446 memory effect Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多分散网点的供应预测方法，其包括如下步骤：S1：获取目标区域内的用户购买历史数据、所有无人便利餐柜的货品存量、多功能便利车位置和便利车内货品存量、以及货物中央/分区仓库的位置及库存量数据；S2：将上述数据输入人工智能预测模型进行训练，通过训练好的模型预测在一天之中便利车如何分配，一周之中分区或中央仓库如何配货，以及一年之中不同季节用户对货品的时令需求；S3：基于上述预测结果，配送车在最佳时间内补充好库存，找到食材保鲜和存货充足的最佳平衡点。本发明通过对目标区域内的数据进行处理，不仅可以得到目前各分散网点和便利车的货品存量状态，还可以预判未来的货品的最优补充方案。
Description
技术领域
本发明涉及大数据应用与机器学习技术领域，尤其是涉及一种基于多分散网点的供应预测方法。
背景技术
货品的供应链管理对于市场上任何一家想要增强核心竞争力的实体企业都至关重要，传统店面对于供应链中的货品的库存数量的判断极大依赖于店长个人的经验积累，而经验不足会导致库存堆积或备货不足等问题的出现。对于传统供应预测的方法主要有加权平均法、滑动平均法、时间序列法等，但此类方法预测精度较低，且具有一定的滞后性。近年来，随着以机器学习为代表的人工智能技术的快速发展，人工神经网络、支持向量机等机器学习方法蓬勃发展，但它们往往采取单一的类型特征进行机器学习，会使得货品供应预测的精度不够准确，进而无法优化配给。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于多分散网点的供应预测方法，以解决现有技术中存在的问题。
为了实现上述目的，本发明采用以下技术方案：
一种基于多分散网点的供应预测方法，所述方法包括如下步骤：
S1：获取目标区域内的用户购买历史数据、所有无人便利餐柜的货品存量、多功能便利车位置和便利车内货品存量、以及货物中央/分区仓库的位置及库存量数据；
S2：将上述数据输入人工智能预测模型进行训练，通过训练好的模型预测在一天之中便利车如何分配，一周之中分区或中央仓库如何配货，以及一年之中不同季节用户对货品的时令需求；
S3：基于上述预测结果，配送车在最佳时间内补充好库存，找到食材保鲜和存货充足的最佳平衡点。
优选地，步骤S1具体为：
各分散网点通过数据传输模块上传数据，部署在云服务器中的控制总台的数据传输模块将获取到目标区域内的用户购买历史数据、单个供货点的所有货品存量、多功能便利车位置数据和便利车各货品存量、以及货物中央/分区仓库的位置及库存量数据；
在预处理模块中将数据按照结构化组织存放入***数据库中，供人工智能算法程序调用及便利车内大屏上实时可视化附近供应点库存状态；数据库中的每一条记录包括分散供应点的位置和库存信息以及客户的订单信息；数据库存放在云服务器中的存储模块中。
优选地，步骤S2具体为：
人工智能预测模型的实现算法部署在云服务器控制总台的人工智能单元；预测模型为一个深度神经网络结构，包括输入层、LSTM层、全连接层和输出层；其中，所述输入层的数据来自于数据库，通过接口将数据库中的特征数据输入的模型中，可以将数据库中的一部分数据保留用于模型验证或者使用未来时间的数据进行模型验证；所述LSTM层具有记忆效应，将预测的数据输入所述全连接层，模型将综合分析其他网点库存及用户订单的影响，最终在所述输出层给出目标供应网点目标货品的库存状况；人工智能预测模型的表达式为：
yt+1＝f(wiLi(xt)+bi)
其中yt+1为未来目标网点货品的库存数量，f表示全连接神经网络，Li表示LSTM神经单元，Xt表示输入层的时间序列数据特征向量，bi表示全连接神经单元的偏置值；
为了确保训练模型的准确可靠需要定期甚至实时对模型进行修正，方法是利用最新获取的分散网点库存信息和智能模型的预测结果进行比对，计算预测误差，当误差大于设定阈值时，需要对模型再次训练修正，直至误差小于阈值；供应预测误差的计算公式如下所示：
其中ε为预测的相对误差值，小数表示；
为模型预测的该时间点目标供应网点某货品的库存数量，yreal为改时间点目标供应网点的库存数量，相对误差ε对正负值敏感，当ε为正值时，表示预测值大于实际库存状态，对库存估计乐观，预计要补充的货品数量比实际应补充的少；同理，当ε为负值时，预计要补充的货品数量比实际应补充的多；为了保险起见，模型会偏好于多备货；因而模型对ε为负值时，容忍度会大；
验证后的模型用于预测各供应网点不同货品的库存状态，***将预测结果发送至便利车，在便利车的大数据显示屏上不但可以显示当前各分散供应网点的货品库存状况，还可以获悉未来一段时间的货品库存状况；对于库存低于警戒线的货品***将生成报表推送给便利车管理人员。
优选地，步骤S3具体为：
基于目标供应网点目标货品的库存预测状况，进行短中长期的库存预测，同时基于分散网点和便利车的坐标，***依次规划科学的配送方案；在一天之中，当短缺供应网点的便利车内正好有相应货品时，***将下达补货任务和行程路径；根据每周预测，***通知分区或中央仓库提前备货；在一年之中，***将预测不同季节用户对货品的时令需求，并提前通知农场安排种植。
采用上述技术方案，本发明具有如下有益效果：
本发明通过对目标区域内的数据进行处理，不仅可以得到目前各分散网点和便利车的货品存量状态，还可以预判未来的货品的最优补充方案。在保障数据真实和快速更新的情况下，方法的预测结果将实时与真实数据比对验证，动态更新模型，进一步保证了预测模型的准确性，进而大幅度提高供应链的及时性、准确性和高效性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的基于多分散网点的供应预测方法的***架构图；
图2为本发明实施例提供的基于多分散网点的供应预测方法的流程图；
图3为本发明实施例提供的人工智能预测模型结构模型图；
图4为本发明实施例提供的云服务器控制总台结构框图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的优选实施例，本发明的范围由权利要求书限定。
本发明的上述发明内容并不意欲描述本发明中的每个公开的实施方式或每种实现方式。如下描述更具体地举例说明示例性实施方式。在整篇申请中的多处，通过一系列实施例提供了指导，这些实施例可以以各种组合形式使用。在各个实例中，所述列举仅作为代表性组，不应解释为穷举。为了更好地理解本发明，下面结合附图对根据本发明实施例进行详细描述。
结合图1所示，本实施例提供了一种基于多分散网点的供应预测方法，该方法包括：获取目标区域内的用户购买历史数据(包括一天、一周和年之中不同时间段的购买活跃度)、分散散供货点(无人便利餐柜)的位置及货品存量、多功能便利车位置数据和便利车各货品存量、以及货物中央/分区仓库的位置及库存量等数据；基于以上所有数据进行统筹分析，可以预测在一天之中便利车如何分配，一周之中分区或中央仓库如何配货，以及一年之中不同季节用户对货品的时令需求。基于预测结果，***给便利车配置货品的补货时间、地点和补货量，找到食材保鲜和存货充足的最佳平衡点。本发明通过对目标区域内的数据采集并进行智能化处理，不仅可以在便利车大屏上实时可视化出目前各分散供货网点和便利车的货品存量状态，还可以预判未来的货品的库存状态，进而优化补充方案。在保障数据真实和快速更新的情况下，该智能化***的预测结果将及时与后期的真实数据比对，进一步保证了预测模型的准确性，进而大幅度提高供应链的及时性、准确性和高效性。
结合图2至图4所示，本发明的基于多分散网点的供应预测方法具体流程如下：
(1)数据收集和预处理
***各分散网点通过数据传输模块上传数据，部署在云服务器中的控制总台的数据传输模块将获取到目标区域内的用户购买历史数据(包括一天、一周和年之中不同时间段的购买活跃度)、单个供货点(无人便利餐柜)的所有货品存量、多功能便利车位置数据和便利车各货品存量、以及货物中央/分区仓库的位置及库存量等数据等。程序对于货品异常历史库存数据进行标记剔除和记录，例如货品库存为负值，货品的历史库存数据日期上不连续，进行补全等数据预处理操作。
(2)建立供应预测结构化数据库
在图4预处理模块中将数据按照结构化组织存放入***数据库中，供人工智能算法程序调用及便利车内大屏上实时可视化附近供应点库存状态。数据库中的每一条记录包括分散供应点(智能餐柜、中央仓库、便利车)的位置和库存信息(货品类型、数量等)以及客户的订单信息。数据库存放在图4的存储模块中。
(3)用于供应预测的人工智能模型训练
人工智能模型的实现算法部署在云服务器控制总台的人工智能单元，本专利的人工智能模型结构如图3所示。预测模型为一个深度神经网络结构，分为输入层、LSTM层、全连接层和输出层。其中输入层的数据来自于数据库，通过接口将数据库中的特征数据输入的模型中，可以将数据库中的一部分数据保留用于模型验证或者使用未来时间的数据进行模型验证。LSTM层具有记忆效应，特别适合时间序列数据的预测，将预测的数据输入全连接层，模型将综合分析其他网点库存及用户订单等因素的影响，最终在输出层给出目标供应网点目标货品的库存状况。模型的表达式可以写为下列形式：
yt+1＝f(wiLi(xt)+σi)
其中yt+1为未来目标网点货品的库存数量，f表示全连接神经网络，Li表示LSTM神经单元，Xt表示输入层的时间序列数据特征向量，bi表示全连接神经单元的偏置值。
(4)供应预测模型验证
为了确保训练模型的准确可靠需要定期甚至实时对模型进行修正，方法是利用最新获取的分散网点库存信息和智能模型的预测结果进行比对，计算预测误差，当误差大于设定阈值时，需要对模型再次训练修正，直至误差小于阈值。供应预测误差的计算公式如下所示：
其中ε为预测的相对误差值，小数表示；
为模型预测的该时间点目标供应网点某货品的库存数量，yreal为改时间点目标供应网点的库存数量，相对误差ε对正负值敏感，当ε为正值时，表示预测值大于实际库存状态，对库存估计乐观，预计要补充的货品数量比实际应补充的少；同理，当ε为负值时，预计要补充的货品数量比实际应补充的多；为了保险起见，模型会偏好于多备货；因而模型对ε为负值时，容忍度会大一些。
(5)预测模型应用
验证后的模型可以用于预测各供应网点不同货品的库存状态，***可将预测结果发送至智能车，在智能车的大数据显示屏上不但可以显示当前各分散供应网点的货品库存状况，还可以获悉未来一段时间的货品库存状况。对于库存低于警戒线的货品***将生成报表推送给便利车管理人员。
(6)供应链优化
基于目标供应网点目标货品的库存预测状况，可以进行短中长期的库存预测，同时基于分散网点和便利车的坐标，***可以依次规划科学的配送方案。在一天之中当短缺供应网点的便利车内正好有相应货品时，***将下达补货任务和行程路径。根据每周预测，***会通知分区或中央仓库提前备货。在一年之中，***将预测不同季节用户对货品的时令需求，并提前通知农场安排种植。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种基于多分散网点的供应预测方法，其特征在于，所述方法包括如下步骤：
S1：获取目标区域内的用户购买历史数据、所有无人便利餐柜的货品存量、多功能便利车位置和便利车内货品存量、以及货物中央/分区仓库的位置及库存量数据；
S2：将上述数据输入人工智能预测模型进行训练，通过训练好的模型预测在一天之中便利车如何分配，一周之中分区或中央仓库如何配货，以及一年之中不同季节用户对货品的时令需求；
S3：基于上述预测结果，配送车在最佳时间内补充好库存，找到食材保鲜和存货充足的最佳平衡点。
2.根据权利要求1所述的基于多分散网点的供应预测方法，其特征在于，步骤S1具体为：
各分散网点通过数据传输模块上传数据，部署在云服务器中的控制总台的数据传输模块将获取到目标区域内的用户购买历史数据、单个供货点的所有货品存量、多功能便利车位置数据和便利车各货品存量、以及货物中央/分区仓库的位置及库存量数据；
在预处理模块中将数据按照结构化组织存放入***数据库中，供人工智能算法程序调用及便利车内大屏上实时可视化附近供应点库存状态；数据库中的每一条记录包括分散供应点的位置和库存信息以及客户的订单信息；数据库存放在云服务器中的存储模块中。
3.根据权利要求1所述的基于多分散网点的供应预测方法，其特征在于，步骤S2具体为：
人工智能预测模型的实现算法部署在云服务器控制总台的人工智能单元；预测模型为一个深度神经网络结构，包括输入层、LSTM层、全连接层和输出层；其中，所述输入层的数据来自于数据库，通过接口将数据库中的特征数据输入的模型中，可以将数据库中的一部分数据保留用于模型验证或者使用未来时间的数据进行模型验证；所述LSTM层具有记忆效应，将预测的数据输入所述全连接层，模型将综合分析其他网点库存及用户订单的影响，最终在所述输出层给出目标供应网点目标货品的库存状况；人工智能预测模型的表达式为：
yt+1＝f(wiLi(xt)+bi)
其中yt+1为未来目标网点货品的库存数量，f表示全连接神经网络，Li表示LSTM神经单元，Xt表示输入层的时间序列数据特征向量，bi表示全连接神经单元的偏置值；
为了确保训练模型的准确可靠需要定期甚至实时对模型进行修正，方法是利用最新获取的分散网点库存信息和智能模型的预测结果进行比对，计算预测误差，当误差大于设定阈值时，需要对模型再次训练修正，直至误差小于阈值；供应预测误差的计算公式如下所示：
其中ε为预测的相对误差值，小数表示；
为模型预测的该时间点目标供应网点某货品的库存数量，yreal为改时间点目标供应网点的库存数量，相对误差ε对正负值敏感，当ε为正值时，表示预测值大于实际库存状态，对库存估计乐观，预计要补充的货品数量比实际应补充的少；同理，当ε为负值时，预计要补充的货品数量比实际应补充的多；为了保险起见，模型会偏好于多备货；因而模型对ε为负值时，容忍度会大；
验证后的模型用于预测各供应网点不同货品的库存状态，***将预测结果发送至便利车，在便利车的大数据显示屏上不但可以显示当前各分散供应网点的货品库存状况，还可以获悉未来一段时间的货品库存状况；对于库存低于警戒线的货品***将生成报表推送给便利车管理人员。
4.根据权利要求1所述的基于多分散网点的供应预测方法，其特征在于，步骤S3具体为：
基于目标供应网点目标货品的库存预测状况，进行短中长期的库存预测，同时基于分散网点和便利车的坐标，***依次规划科学的配送方案；在一天之中，当短缺供应网点的便利车内正好有相应货品时，***将下达补货任务和行程路径；根据每周预测，***通知分区或中央仓库提前备货；在一年之中，***将预测不同季节用户对货品的时令需求，并提前通知农场安排种植。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210703568.4A CN115130954A (zh) | 2022-06-21 | 2022-06-21 | 一种基于多分散网点的供应预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210703568.4A CN115130954A (zh) | 2022-06-21 | 2022-06-21 | 一种基于多分散网点的供应预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115130954A true CN115130954A (zh) | 2022-09-30 |
Family
ID=83379449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210703568.4A Pending CN115130954A (zh) | 2022-06-21 | 2022-06-21 | 一种基于多分散网点的供应预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115130954A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057719A (zh) * | 2023-10-10 | 2023-11-14 | 长沙市三知农业科技有限公司 | 一种基于大数据的预制食品仓储补货管理方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880084A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东振世信息技术有限公司 | 一种仓库补货的方法和装置 |
| WO2021017224A1 (zh) * | 2019-07-31 | 2021-02-04 | 深圳正品创想科技有限公司 | 商品的流通信息处理方法、装置、服务器及其信息处理*** |
| CN113469598A (zh) * | 2020-03-31 | 2021-10-01 | 株式会社日立制作所 | 智慧供应链***及服务器平台 |
| JP2021163485A (ja) * | 2020-03-31 | 2021-10-11 | 株式会社日立製作所 | スマートサプライチェーンシステム |
| CN114372735A (zh) * | 2020-10-14 | 2022-04-19 | 上海顺如丰来技术有限公司 | 一种物流供应链中缓冲库存数量数据的确定方法以及装置 |
-
2022
- 2022-06-21 CN CN202210703568.4A patent/CN115130954A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880084A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东振世信息技术有限公司 | 一种仓库补货的方法和装置 |
| WO2021017224A1 (zh) * | 2019-07-31 | 2021-02-04 | 深圳正品创想科技有限公司 | 商品的流通信息处理方法、装置、服务器及其信息处理*** |
| CN113469598A (zh) * | 2020-03-31 | 2021-10-01 | 株式会社日立制作所 | 智慧供应链***及服务器平台 |
| JP2021163485A (ja) * | 2020-03-31 | 2021-10-11 | 株式会社日立製作所 | スマートサプライチェーンシステム |
| CN114372735A (zh) * | 2020-10-14 | 2022-04-19 | 上海顺如丰来技术有限公司 | 一种物流供应链中缓冲库存数量数据的确定方法以及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057719A (zh) * | 2023-10-10 | 2023-11-14 | 长沙市三知农业科技有限公司 | 一种基于大数据的预制食品仓储补货管理方法及*** |
| CN117057719B (zh) * | 2023-10-10 | 2023-12-22 | 长沙市三知农业科技有限公司 | 一种基于大数据的预制食品仓储补货管理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Allahviranloo et al. | Selective vehicle routing problems under uncertainty without recourse | |
| Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
| KR20210076132A (ko) | 생산 스케줄링을 위한 심층 강화 학습 | |
| CN107831685B (zh) | 一种群体机器人的控制方法和*** | |
| Lu et al. | Study on construction material allocation policies: A simulation optimization method | |
| CN113743876B (zh) | 一种用于核电装备的数字孪生无人仓库管理*** | |
| US20210158259A1 (en) | Orchestrated intelligent supply chain optimizer | |
| Ghannadpour et al. | A multi-objective vehicle routing and scheduling problem with uncertainty in customers’ request and priority | |
| Rabbouch et al. | Efficient implementation of the genetic algorithm to solve rich vehicle routing problems | |
| Tian et al. | The Internet of Things enabled manufacturing enterprise information system design and shop floor dynamic scheduling optimisation | |
| AU2019250212A1 (en) | System and method for concurrent dynamic optimization of replenishment decision in networked node environment | |
| CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
| Alinaghian et al. | A bi-objective fleet size and mix green inventory routing problem, model and solution method | |
| Verma et al. | Intelligent Physarum Solver for Profit Maximization in Oligopolistic Supply Chain Networks | |
| US20240086726A1 (en) | Systems and methods for big data analytics | |
| Eickemeyer et al. | Validation of data fusion as a method for forecasting the regeneration workload for complex capital goods | |
| KR20130107369A (ko) | 개선된 생산 및 분배를 위한 방법들 | |
| Fakhar et al. | A survey of smart home energy conservation techniques | |
| Phiboonbanakit et al. | A hybrid reinforcement learning-based model for the vehicle routing problem in transportation logistics | |
| CN115130954A (zh) | 一种基于多分散网点的供应预测方法 | |
| Seo et al. | Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning | |
| Hanafizadeh et al. | Designing fuzzy-genetic learner model based on multi-agent systems in supply chain management | |
| CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
| CN110619407A (zh) | 对象销量的预测方法及***、电子设备和存储介质 | |
| CN114757448B (zh) | 一种基于数据空间模型的制造环节间最优价值链构建方法 |
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 |