CN115879645A - 一种农产品供应链优化决策方法和装置 - Google Patents
一种农产品供应链优化决策方法和装置 Download PDFInfo
- Publication number
- CN115879645A CN115879645A CN202310061593.1A CN202310061593A CN115879645A CN 115879645 A CN115879645 A CN 115879645A CN 202310061593 A CN202310061593 A CN 202310061593A CN 115879645 A CN115879645 A CN 115879645A
- Authority
- CN
- China
- Prior art keywords
- agricultural product
- supply chain
- week
- contract
- data information
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000010354 integration Effects 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 241001123248 Arma Species 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005309 stochastic process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧农业技术领域,特别是指一种农产品供应链优化决策方法和装置,所述方法包括:S1、获取农产品的初始数据信息;S2、对所述初始数据信息进行数据整合,得到整合后的农产品数据信息;S3、根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链。与传统的凭借农民的经验来决策相比,采用本发明可以有助于管理人员为农产品供应链做出更好的决策。
Description
技术领域
本发明涉及智慧农业技术领域,特别是指一种农产品供应链优化决策方法和装置。
背景技术
智慧农业是智慧经济重要的组成部分;智慧农业是智慧经济主要的组成部分,是实现后发优势、经济发展后来居上、实现赶超战略的主要途径。
智慧农业就是将物联网技术运用到传统农业中去,运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制,使传统农业更具有"智慧"。除了精准感知、控制与决策管理外,从广泛意义上讲,智慧农业还包括农业电子商务、食品溯源防伪、农业休闲旅游、农业信息服务等方面的内容。
当下,随着农业物联网(Internet of agriculture,IOA)的发展,新鲜农产品的生产和销售之间的关系发生了根本性变化,并且由于新鲜农产品的特殊特性,比如容易腐烂性和存在多周期生产的问题,如何更好地确定农产品的供应链成为亟需解决的问题。
发明内容
本发明提供了一种农产品供应链优化决策方法和装置,用以对农产品供应链进行优化决策。所述技术方案如下:
一方面,提供了一种农产品供应链优化决策方法,其特征在于,所述方法包括:
S1、获取农产品的初始数据信息;
S2、对所述初始数据信息进行数据整合,得到整合后的农产品数据信息;
S3、根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链。
可选地,所述S2的对所述初始数据信息进行数据整合,得到整合后的农产品数据信息,具体包括:
基于平稳随机过程处理所述初始数据信息中的异常数据,所述平稳随机过程包括:宽平稳检验和严格平稳时间序列检验;
使用预设ARMA时间序列模型将去除异常数据后的农产品的数据信息,整合成周相关的数据信息。
可选地,所述S3的农产品供应链优化决策模型的数学表达式如下式(1)所示:
表示收益最大值,/>为第h周在合同农业中的合同价格,/>为第h周通过批发的方式售卖农产品的价格,/>为第h周通过零售方式售卖农产品的价格,/>为第h周合同农业供应量,/>为第h周批发配送量,/>为第h周零售配送量,/>第j周作物种植面积,/>为每公顷生产成本,/>为每公顷物联网设备的运营成本,/>为物联网设备的折旧成本,其中/>表示种植每公顷农产品所需要的物联网设备运营成本,/>为每人每周雇佣成本,/>表示第h周零售摊位数量,设J={1,2,...,n}为种植周的集合,其中n表示种植期的总周数,设H={1,2,...,v }为销售周的集合,v为销售期的总周数,j和h为生产和销售周的指数,j∈J,h∈H。
可选地,所述农产品供应链优化决策模型的约束条件,包括以下至少一种:
可选地,所述S3的根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链,具体包括:
另一方面,提供了一种农产品供应链优化决策装置,所述装置包括:
获取模块,用于获取农产品的初始数据信息;
整合模块,用于对所述初始数据信息进行数据整合,得到整合后的农产品数据信息;
确定模块,用于根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链。
可选地,所述农产品供应链优化决策模型的数学表达式如下式(1)所示:
表示收益最大值,/>为第h周在合同农业中的合同价格,/>为第h周通过批发的方式售卖农产品的价格,/>为第h周通过零售方式售卖农产品的价格,/>为第h周合同农业供应量,/>为第h周批发配送量,/>为第h周零售配送量,/>第j周作物种植面积,/>为每公顷生产成本,/>为每公顷物联网设备的运营成本,/>为物联网设备的折旧成本,其中/>表示种植每公顷农产品所需要的物联网设备运营成本,/>为每人每周雇佣成本,/>表示第h周零售摊位数量,设J={1,2,...,n}为种植周的集合,其中n表示种植期的总周数,设H={1,2,...,v }为销售周的集合,v为销售期的总周数,j和h为生产和销售周的指数,j∈J,h∈H。
可选地,所述农产品供应链优化决策模型的约束条件,包括以下至少一种:
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述农产品供应链优化决策方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述农产品供应链优化决策方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明能够帮助农民处理农产品供应链中的复杂决策问题,与传统的凭借农民的经验来决策相比,采用本发明可以有助于管理人员为农产品供应链做出更好的决策,特别是生产和销售的联合决策,最终目标是减少农民不必要的损失,使收益最大化,贯彻落实乡村振兴战略。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例提供的一种农产品供应链优化决策方法流程图;
图2是本发明实施例提供的一种农产品供应链优化决策装置框图;
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
如图1所示,本发明实施例提供了一种农产品供应链优化决策方法,所述方法包括:
S1、获取农产品的初始数据信息;
S2、对所述初始数据信息进行数据整合,得到整合后的农产品数据信息;
S3、根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链。
下面详细说明本发明实施例的一种农产品供应链优化决策方法。
本发明实施例的一种农产品供应链优化决策方法,所述方法包括:
S1、获取农产品的初始数据信息;
所述初始数据信息为后续的农产品供应链优化决策模型需要的参数信息,包括但不限于:每一周的作物种植面积、合同农业供应量、传统零售配送量以及批发配送量。
所述初始数据信息可以由使用本发明实施例的农产品供应链优化决策模型,帮助农民确定所述农产品的供应链的管理人员输入。
所述合同农业为新型农业种植销售模式,也叫订单农业,有别于传统的“先种后卖”生产模式,在保证农民合理收益、抵御市场风险等方面起到了重要作用,体现了合同农业优势。签约的一方为企业或中介组织包括经纪人和运销户,另一方为农民或农民群体代表。合同农业具有市场性、契约性、预期性和风险性。订单中规定的农产品收购数量、质量和最低保护价,使双方享有相应的权利、义务和约束力,不能单方面毁约。也就是说先签多少合约产量,再种多少亩地。
S2、对所述初始数据信息进行数据整合,得到整合后的农产品数据信息;
可选地,所述S2的对所述初始数据信息进行数据整合,得到整合后的农产品数据信息,具体包括:
基于平稳随机过程处理所述初始数据信息中的异常数据,所述平稳随机过程包括:宽平稳检验和严格平稳时间序列检验;
使用预设ARMA时间序列模型将去除异常数据后的农产品的数据信息,整合成周相关的数据信息。
一种可行的实施方式中,本发明实施例调用内部嵌入的PyCharm,PyCharm是一种Python集成开发环境(Python Integrated Development Environment,PythonIDE),带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具,本发明实施例可以为社区版,版本号2022.1,对数据整合。
ARMA平稳是ARMA时间序列模型的必要条件,因此对于时间序列,首先要保证应用自回归的n阶差分序列是平稳的,因此,需要先对数据或者数据的n阶差分进行平稳检验,而一种常见的方法就平稳随机过程。
所述的基于平稳随机过程处理所述初始数据信息中的异常数据,利用python中的statsmodels 模块,导入adfuller函数,原理如下:
在数学中,平稳随机过程,是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程:即随机过程的统计特性不随时间的推移而变化。这样,数学期望和方差这些参数也不随时间和位置变化。
在检验中,第一步利用宽平稳的方法,其数学定义为:
异常数据被处理后,基于数据时间相关性通过预设ARMA时间序列模型,依托***内嵌的Flink分布式计算平台运算,将去除异常数据后的农产品的数据信息,整合成周相关的数据信息。
所述周相关的数据信息为后续的农产品供应链优化决策模型所需要的数据形式。
S3、根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链。
可选地,所述S3的农产品供应链优化决策模型的数学表达式如下式(1)所示:
表示收益最大值(单位为元),可以为一个合同农业的合同规定的期限内的总收益最大值,/>为第h周在合同农业中的合同价格(单位为元),在合同农业的合同中会规定每周的合同价格,/>为第h周通过批发的方式售卖农产品的价格(单位为元),/>为第h周通过零售方式售卖农产品的价格(单位为元),/>为第h周合同农业供应量(单位为吨),为第h周批发配送量(单位为吨),/>为第h周零售配送量(单位为吨),/>第j周作物种植面积(单位为公顷),/>为每公顷生产成本(单位为元),/>为每公顷物联网设备的运营成本(单位为元),/>为物联网设备的折旧成本,其中/>表示种植每公顷农产品所需要的物联网设备运营成本(单位为元),/>为每人每周雇佣成本(单位为元),/>表示第h周零售摊位数量(单位为个),设J={1,2,...,n}为种植周的集合,其中n表示种植期的总周数,设H={1,2,...,v }为销售周的集合,v为销售期的总周数,j和h为生产和销售周的指数,j∈J,h∈H。
可选地,所述农产品供应链优化决策模型的约束条件,包括以下至少一种:
约束条件(3)可以确保农民在种植计划中的产量满足合同农业的要求,也就是说,农民生产必须达到合同农业中规定的最低产品供应量,以避免农民违约。
约束条件(4)可以确保农民在最大可用营运资金范围内制定决策计划。
可选地,所述S3的根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链,具体包括:
可选地,对于单纯依赖合同农业的销售方式,可以将模型中与传统零售批发相关的参数取值为0。
可选地,所述农产品供应链优化决策模型还能显示预期销售额。
一种可行的实施方式中,所述农产品供应链优化决策模型还能显示预期销售额。
鉴于新鲜农产品的生产和销售之间的密切关系,本发明实施例建立了包括生产和销售两个环节之间的数学模型,以解决生产和销售的联合规划问题。
其中包括劳动力和农业物联网设备成本等的约束,这样得到的决策不仅基于价格估计和资源可用性,而且还基于农业物联网设备成本的影响的特殊要求。旨在为管理人员向农民提供最优的决策方案,以实现农民收入最大化,在乡村振兴的大背景下,切实防止规模性返贫、致贫。此外,通过所述农产品供应链优化决策模型,还可以初步评估所决策的因素对农民收入的影响。
如图2所示,本发明实施例还提供一种农产品供应链优化决策装置,所述装置包括:
获取模块210,用于获取农产品的初始数据信息;
整合模块220,用于对所述初始数据信息进行数据整合,得到整合后的农产品数据信息;
确定模块230,用于根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链。
可选地,所述农产品供应链优化决策模型的数学表达式如下式(1)所示:
表示收益最大值,/>为第h周在合同农业中的合同价格,/>为第h周通过批发的方式售卖农产品的价格,/>为第h周通过零售方式售卖农产品的价格,/>为第h周合同农业供应量,/>为第h周批发配送量,/>为第h周零售配送量,/>第j周作物种植面积,/>为每公顷生产成本,/>为每公顷物联网设备的运营成本,/>为物联网设备的折旧成本,其中/>表示种植每公顷农产品所需要的物联网设备运营成本,/>为每人每周雇佣成本,/>表示第h周零售摊位数量,设J={1,2,...,n}为种植周的集合,其中n表示种植期的总周数,设H={1,2,...,v }为销售周的集合,v为销售期的总周数,j和h为生产和销售周的指数,j∈J,h∈H。
可选地,所述农产品供应链优化决策模型的约束条件,包括以下至少一种:
约束条件(3)可以确保农民在种植计划中的产量满足合同农业的要求,也就是说,农民生产必须达到合同农业中规定的最低产品供应量,以避免农民违约。
约束条件(4)可以确保农民在最大可用营运资金范围内制定决策计划。
本发明实施例提供的一种农产品供应链优化决策装置,其功能结构与本发明实施例提供的一种农产品供应链优化决策方法相对应,在此不再赘述。
图3是本发明实施例提供的一种电子设备300的结构示意图,该电子设备300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)301和一个或一个以上的存储器302,其中,所述存储器302中存储有至少一条指令,所述至少一条指令由所述处理器301加载并执行以实现上述农产品供应链优化决策方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述农产品供应链优化决策方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种农产品供应链优化决策方法,其特征在于,所述方法包括:
S1、获取农产品的初始数据信息;
S2、对所述初始数据信息进行数据整合,得到整合后的农产品数据信息;
S3、根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链。
2.根据权利要求1所述的方法,其特征在于,所述S2的对所述初始数据信息进行数据整合,得到整合后的农产品数据信息,具体包括:
基于平稳随机过程处理所述初始数据信息中的异常数据,所述平稳随机过程包括:宽平稳检验和严格平稳时间序列检验;
使用预设ARMA时间序列模型将去除异常数据后的农产品的数据信息,整合成周相关的数据信息。
3.根据权利要求1所述的方法,其特征在于,所述S3的农产品供应链优化决策模型的数学表达式如下式(1)所示:
表示收益最大值,/>为第h周在合同农业中的合同价格,/>为第h周通过批发的方式售卖农产品的价格,/>为第h周通过零售方式售卖农产品的价格,/>为第h周合同农业供应量,/>为第h周批发配送量,/>为第h周零售配送量,/>第j周作物种植面积,/>为每公顷生产成本,/>为每公顷物联网设备的运营成本,/>为物联网设备的折旧成本,其中/>表示种植每公顷农产品所需要的物联网设备运营成本,/>为每人每周雇佣成本,/>表示第h周零售摊位数量,设J={1,2,...,n}为种植周的集合,其中n表示种植期的总周数,设H={1,2,...,v }为销售周的集合,v为销售期的总周数,j和h为生产和销售周的指数,j∈J,h∈H。
6.一种农产品供应链优化决策装置,其特征在于,所述装置包括:
获取模块,用于获取农产品的初始数据信息;
整合模块,用于对所述初始数据信息进行数据整合,得到整合后的农产品数据信息;
确定模块,用于根据所述整合后的农产品数据信息,采用预先构建的农产品供应链优化决策模型,确定所述农产品的供应链。
7.根据权利要求6所述的装置,其特征在于,所述农产品供应链优化决策模型的数学表达式如下式(1)所示:
表示收益最大值,/>为第h周在合同农业中的合同价格,/>为第h周通过批发的方式售卖农产品的价格,/>为第h周通过零售方式售卖农产品的价格,/>为第h周合同农业供应量,/>为第h周批发配送量,/>为第h周零售配送量,/>第j周作物种植面积,/>为每公顷生产成本,/>为每公顷物联网设备的运营成本,/>为物联网设备的折旧成本,其中/>表示种植每公顷农产品所需要的物联网设备运营成本,/>为每人每周雇佣成本,/>表示第h周零售摊位数量,设J={1,2,...,n}为种植周的集合,其中n表示种植期的总周数,设H={1,2,...,v }为销售周的集合,v为销售期的总周数,j和h为生产和销售周的指数,j∈J,h∈H。
9.一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,其特征在于,所述至少一条指令由所述处理器加载并执行以实现如权利要求1-5任一项所述农产品供应链优化决策方法。
10.一种计算机可读存储介质,所述存储介质中存储有至少一条指令,其特征在于,所述至少一条指令由处理器加载并执行以实现如权利要求1-5任一项所述农产品供应链优化决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061593.1A CN115879645A (zh) | 2023-01-21 | 2023-01-21 | 一种农产品供应链优化决策方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061593.1A CN115879645A (zh) | 2023-01-21 | 2023-01-21 | 一种农产品供应链优化决策方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879645A true CN115879645A (zh) | 2023-03-31 |
Family
ID=85758697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310061593.1A Pending CN115879645A (zh) | 2023-01-21 | 2023-01-21 | 一种农产品供应链优化决策方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879645A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260791A (zh) * | 2015-09-25 | 2016-01-20 | 苏州携优信息技术有限公司 | 基于农业物联网和大数据分析的种植计划优化***和方法 |
CN106228325A (zh) * | 2016-07-20 | 2016-12-14 | 安徽朗坤物联网有限公司 | 基于物联网的农产品供应链管理*** |
CN112085518A (zh) * | 2020-08-05 | 2020-12-15 | 河南农业大学 | 一种农产品新供应链定价方法和装置 |
CN112085516A (zh) * | 2020-08-05 | 2020-12-15 | 河南农业大学 | 一种农产品定价方法、装置和计算机可读存储介质 |
-
2023
- 2023-01-21 CN CN202310061593.1A patent/CN115879645A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260791A (zh) * | 2015-09-25 | 2016-01-20 | 苏州携优信息技术有限公司 | 基于农业物联网和大数据分析的种植计划优化***和方法 |
CN106228325A (zh) * | 2016-07-20 | 2016-12-14 | 安徽朗坤物联网有限公司 | 基于物联网的农产品供应链管理*** |
CN112085518A (zh) * | 2020-08-05 | 2020-12-15 | 河南农业大学 | 一种农产品新供应链定价方法和装置 |
CN112085516A (zh) * | 2020-08-05 | 2020-12-15 | 河南农业大学 | 一种农产品定价方法、装置和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vlontzos et al. | Assess and prognosticate green house gas emissions from agricultural production of EU countries, by implementing, DEA Window analysis and artificial neural networks | |
Huh et al. | Optimal crop choice, irrigation allocation, and the impact of contract farming | |
Gorgulho et al. | Applying a GA kernel on optimizing technical analysis rules for stock picking and portfolio composition | |
US20170213284A1 (en) | Methods and systems for computing trading strategies for use in portfolio management and computing associated probability distributions for use in option pricing | |
TWI769763B (zh) | 資料處理方法及裝置 | |
CN110276668A (zh) | 理财产品智能推送、匹配度确定的方法及*** | |
CN106462794A (zh) | 用于产生及选择用于金融市场中的大数据交易的交易算法的***及方法 | |
CN110400184A (zh) | 用于生成信息的方法和装置 | |
Antona et al. | Economic theory of renewable resource management: A multi-agent system approach | |
WO2023245549A1 (zh) | 基于人工智能的基金组合更新方法、装置、设备及介质 | |
US20200184564A1 (en) | Dynamically-Generated Electronic Database for Portfolio Selection | |
Hamidoğlu | A game-theoretical approach on the construction of a novel agri-food supply chain model supported by the government | |
CN110334309A (zh) | 期权数据分析方法及装置 | |
Seidel et al. | Estimating a dual value function as a meta-model of a detailed dynamic mathematical programming model | |
Shi et al. | Optimal strategies for a capital constrained contract-farming supply chain with yield insurance | |
JP7392725B2 (ja) | 交渉システム、交渉方法および交渉プログラム | |
Scheufele et al. | Pricing biodiversity protection: Payments for environmental services schemes in Lao PDR | |
Lindsey et al. | Online pricing and capacity sourcing for third-party logistics providers | |
CN115879645A (zh) | 一种农产品供应链优化决策方法和装置 | |
US20110264602A1 (en) | Computer-Implemented Systems And Methods For Implementing Dynamic Trading Strategies In Risk Computations | |
Meyer | Modelling the market outlook and policy alternatives for the wheat sector in South Africa | |
EP2767949A1 (en) | Financial Instrument, methods and systems to hedge options | |
Pitakaso et al. | A decision support system based on an artificial multiple intelligence system for vegetable crop land allocation problem | |
CN109472704A (zh) | 基于神经网络的基金产品的筛选方法、终端设备及介质 | |
JP2004094662A (ja) | 信用リスク管理の最適化モデル適用方法及び装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230331 |