The embodiment of the present invention provides a method and device for predicting material demand, which relates to the field of communication technology and can improve the accuracy of predicting target material demand. The method includes: obtaining the historical consumption data of the target material in the historical period; determining the demand interval of the target material according to the historical consumption data; determining a subset of the demand interval as the target material in the target period of demand interval, the starting time of the target period is later than the historical period. According to the target demand interval, the target demand of the target material in the target period is predicted, which belongs to the target demand interval.
【技术实现步骤摘要】
一种物料需求量的预测方法及装置
本专利技术实施例涉及通信
,尤其涉及一种物料需求量的预测方法及装置。
技术介绍
供应链系统是指为终端用户提供商品、服务或信息时,从最初的物料供应商一直到最终用户的整条链上流程和关系的一种集成。在供应链系统中,物料需求量的预测是一个重要的环节。如果预测值偏小,会造成因某些关键物料欠料而导致生产停滞;而如果预测值过大,会导致物料浪费和库存积压。某段时间内一种目标物料的目标需求量一般与其关联物料的数量和权重相关,例如,当目标物料Y为鼠标时,与其相关的关联物料包括笔记本电脑X1和台式电脑X2,一个笔记本电脑通常配备一个鼠标,一个台式电脑通常也配备一个鼠标,即笔记本电脑X1的权重a1为1,台式电脑X2的权重a2为1。那么,当X1=2,X2=3时,可以计算出此时鼠标的目标需求量但是,关联物料的数量和权重也是随着时间和不同应用场景变化的,以一年十二个月为例,每个月份关联物料的数量和权重都可能出现变化,即Xi和ai的值均在一个较大的取值范围内变化,那么,根据每个月Xi和ai的这些历史数据预测出的目标物料的目标需求量也会在一个较大的取值范围内波动,使得预测出的目标物料的目标需求量的准确率降低。
技术实现思路
本专利技术的实施例提供一种物料需求量的预测方法及装置,可提高预测目标物料的目标需求量时的准确率。为达到上述目的,本专利技术的实施例采用如下技术方案:第一方面,本专利技术的实施例提供一种物料需求量的预测方法,包括:获取目标物料在历史时段内的历史消耗数据;根据该历史消耗数据确定目标物料的需求量区间;将该需求量区间的一个子集确定为目标物料在目 ...
【技术保护点】
1.一种物料需求量的预测方法,其特征在于,包括:获取目标物料在历史时段内的历史消耗数据;根据所述历史消耗数据确定所述目标物料的需求量区间;将所述需求量区间的一个子集确定为所述目标物料在目标时段内的目标需求区间,所述目标时段的开始时间晚于所述历史时段的结束时间;根据所述目标需求区间预测所述目标物料在所述目标时段内的目标需求量,所述目标需求量属于所述目标需求区间。
【技术特征摘要】
1.一种物料需求量的预测方法,其特征在于,包括:获取目标物料在历史时段内的历史消耗数据;根据所述历史消耗数据确定所述目标物料的需求量区间;将所述需求量区间的一个子集确定为所述目标物料在目标时段内的目标需求区间,所述目标时段的开始时间晚于所述历史时段的结束时间;根据所述目标需求区间预测所述目标物料在所述目标时段内的目标需求量,所述目标需求量属于所述目标需求区间。2.根据权利要求1所述的方法,其特征在于,所述历史消耗数据包括至少一组样本数据,每组样本数据包括该样本内所述目标物料的实际消耗量以及该样本内所述目标物料的N个关联物料的实际消耗量,N为大于或等于1的整数;其中,所述根据所述历史消耗数据确定所述目标物料的需求量区间,包括:对每组样本数据执行数据标准化操作,以获取该组样本数据中所述目标物料的标准消耗量;将所有样本数据中标准消耗量的最大值和最小值形成的区间作为所述目标物料的需求量区间。3.根据权利要求2所述的方法,其特征在于,所述对每组样本数据执行数据标准化操作,包括:根据该组样本数据中N个关联物料的实际消耗量计算关联向量的范数,所述关联向量由所述N个关联物料的实际消耗量构成;用该组样本数据中目标物料的实际消耗量除以所述关联向量的范数,以获取该组样本数据中所述目标物料的标准消耗量。4.根据权利要求2或3所述的方法,其特征在于,在所述对每组样本数据执行数据标准化操作之前,还包括:根据预置的第一关系表和/或预置的第二关系表,从所述历史消耗数据中包含的M个原始物料中确定所述目标物料的N个关联物料,所述第一关系表用于指示所述目标物料的至少一个关联物料,所述第二关系表用于指示实际使用中所述目标物料与M个原始物料中至少一个原始物料的相关度,M为大于N的整数。5.根据权利要求2-4中任一项所述的方法,其特征在于,所述将所述需求量区间的一个子集确定为所述目标物料在目标时段内的目标需求区间,包括:对所述需求量区间执行数据离散化操作,以获取L个连续的离散区间,其中,所述L个离散区间中的每一个离散区间为所述需求量区间的一个子集,L为大于或等于1的整数;将所述L个离散区间中的一个离散区间确定为所述目标物料在所述目标时段内的目标需求区间。6.根据权利要求5所述的方法,其特征在于,所述将所述L个离散区间中的一个离散区间确定为所述目标物料在所述目标时段内的目标需求区间,包括:获取所述目标物料的N个关联物料在所述目标时段内的需求量;确定由所述需求量构成的需求向量;通过预置的深度神经网络DNN模型训练所述历史消耗数据,以确定所述N个关联物料的消耗量与所述L个离散区间之间的对应关系;根据所述N个关联物料的消耗量与所述L个离散区间之间的对应关系,确定与所述需求向量对应的所述目标物料在所述目标时段内的目标需求区间。7.根据权利要求6所述的方法,其特征在于,所述根据所述目标需求区间预测所述目标物料在所述目标时段内的目标需求量,包括:在所述目标需求...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。