一种数据驱动的多周期产品订货方法技术

本发明专利技术公开了一种数据驱动的多周期产品订货方法，该方法包括：S1、设定多周期产品订货相关变量；S2、采集历史需求数据；S3、以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型；S4、基于历史需求数据进行多周期产品订货模型的优化求解。本发明专利技术通过数据驱动的方法，直接从需求数据出发，构建了多周期产品的订货方法；本发明专利技术弥补了传统模型驱动方法依赖需求分布的不足，为决策者更准确地订货提供了理论支撑。

A data driven multi period product ordering method

【技术实现步骤摘要】
一种数据驱动的多周期产品订货方法
本专利技术属于多周期产品订货的分析领域，具体涉及一种数据驱动的多周期产品订货方法。
技术介绍
需求不确定问题是供应链管理实践和研究中的重大挑战。特别地，库存管理中解决需求风险的重要方法是考虑一种可靠的产品订货方法，部署安全库存。更多地，决策者订货时只关心每周期的订货成本最小或利润最大，但从长远的角度来看，只关心当期成本最小或利润最大的订货方法并不是最优的。实际上，当期的订货决策会影响当期的期末库存(下一期的期初库存)，进而影响下一期的订货决策。因此，考虑多周期产品订货方法更具有现实意义。传统地，多周期产品订货模型假设了一种具体的需求分布。然而现实生活中，真实的需求分布往往无法获得，甚至可能随时间发生改变。一旦估计了有偏差的需求分布，就可能导致高度失真的订货决策。因此，基于需求分布假设的订货方法很难对多周期产品的需求做到精确预测，也无法得到最优的订货决策。
技术实现思路
针对现有技术中的上述不足，本专利技术提供了一种数据驱动的多周期产品订货方法，以期能够改善传统模型驱动方法依赖需求分布假设导致订货误差大的问题，并在模型中引入折现因子来刻画时间价值因素，使得本专利技术更具有现实意义。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种数据驱动的多周期产品订货方法，包括以下步骤：S1、设定多周期产品订货相关变量；S2、采集各周期不同情形下消费者的历史需求数据；S3、根据各个周期不同情形的库存状态，构建库存状态转移方程，并结合各个周期不同情形的利润函数，以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型；S4、基于需求数据对步骤S3构建的多周期产品订货模型进行优化求解。作为上述多周期产品订货方法的进一步改进，所述步骤S1中多周期产品订货相关变量包括单位订货成本c、单位零售价p、每周期期末单位缺货成本s、每周期期末单位持有成本h、单周期折现因子α、第t周期期末第i种情形的库存状态第t周期第i种情形的需求量第t周期的订购量qt。作为上述多周期产品订货方法的进一步改进，所述S2具体采集前T周期内消费者每周期的需求量di，表示为其中，表示第t周期第i种情形的需求量。作为上述多周期产品订货方法的进一步改进，所述步骤S3中根据各个周期不同情形的库存状态，构建库存状态转移方程，表示为其中，X0表示期初库存，qk表示第k周期的订购量，表示第k周期第i种情形的需求量。作为上述多周期产品订货方法的进一步改进，所述步骤S3中各个周期不同情形的利润函数表示为其中，πt为利润函数。作为上述多周期产品订货方法的进一步改进，所述步骤S3中以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型，具体为以多周期期望折现总利润最大化为优化目标，通过需求数据的均值估计随机需求的期望，得到目标函数，表示为数据驱动的多周期产品订货模型的约束条件表示为qt≥0其中，N表示每个周期内的需求情形数。本专利技术具有以下有益效果：(1)本专利技术从历史需求数据入手，直接跳过了模型驱动中模型假设与分布拟合，不仅大大减少了管理者处理选取和拟合模型的繁琐工作，也解决了真实需求分布获取难和需求分布随时间改变的难题；(2)本专利技术通过构建数据驱动的多周期产品订货模型，提高了决策者在多周期内订货决策的精准度；(3)本专利技术在模型中引入折现因子来刻画时间价值因素，更具有现实意义。附图说明图1是本专利技术的数据驱动的多周期产品订货方法流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。参照图1，本专利技术实施例提供了一种数据驱动的多周期产品订货方法，包括步骤S1至S4：S1、设定多周期产品订货相关变量。在本实施例中，多周期产品订货相关变量包括单位订货成本c、单位零售价p、每周期期末单位缺货成本s、每周期期末单位持有成本h、单周期折现因子α、第t周期期末第i种需求情形的库存状态第t周期第i种情形的需求量第t周期的订购量qt。下面对多周期产品订货相关变量的具体含义进行说明：单位订货成本c指决策者向上游供应商订购产品的单位价格；单位零售价p指决策者向下游消费者销售产品的单位价格；每周期期末单位缺货成本s指每周期期末决策者没有满足消费者需求时受到的单位缺货损失；每周期期末单位持有成本h指每周期期末决策者满足消费者需求后剩余产品的持有成本；第t周期期末第i种需求情形的库存状态指若则表示第t周期期末第i种需求情形的需求为缺货状态；若则表示第t周期期末第i种需求情形的需求为产品剩余状态。S2、采集各周期不同情形下消费者的历史需求数据。在本实施例中，通过情形(scenarios)来刻画需求是不确定的。决策者在知道第t期真实需求前做出决策，然后该期的真实需求发生；进而基于第t期真实需求做出第t+1期的决策；再基于第t期和第t+1期的真实需求做出第t+2期的决策，依此类推，决策者在做当期决策时，不知道当期的真实需求情况，但可以基于过去的历史需求数据做出决策。基于此，本专利技术采集各周期不同情形下消费者的真实历史需求数据，即当期之前T周期内消费者每周期的需求量di，表示为其中，表示第t周期第i种情形的需求量。本专利技术采集的历史需求数据在一定程度上能够反映需求的变化趋势，从而为决策者做出最优决策提供有效信息。本专利技术从历史需求数据入手，不需要提前设定需求必须符合正态分布、T分布或者其他诸如此类的分布假定，直接跳过了模型驱动中模型假设与分布拟合，这不仅大大减少了管理者处理选取和拟合模型的繁琐工作，也解决了真实需求分布获取难和需求分布随时间改变的难题。S3、根据各个周期不同情形的库存状态，构建库存状态转移方程，并结合各个周期不同情形的利润函数，以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型。在本实施例中，假设周期为T个周期，每周期内可能有N种情形的需求情况，期初库存为X0；第1周期期末第i种需求情形的库存状态为第2周期期末第i种需求情形的库存状态为依此类推第t周期期末第i种需求情形的库存状态为从而构建库存状态转移方程，表示为其中，等价于其中，qk表示第k周期的订购量，表示第k周期第i种情形的需求量；本专利技术再结合第t周期第i种情形的利润函数，表示为其中，πt为利润函数。等价于再等价于然后，本专利技术以多周期期望折现总利润最大化为优化目标，通过需求数据的均值估计随机需求的期望，得到目本文档来自技高网...

【技术保护点】
1.一种数据驱动的多周期产品订货方法，其特征在于，包括以下步骤：/nS1、设定多周期产品订货相关变量；/nS2、采集各周期不同情形下消费者的历史需求数据；/nS3、根据各个周期不同情形的库存状态，构建库存状态转移方程，并结合各个周期不同情形的利润函数，以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型；/nS4、基于需求数据对步骤S3构建的多周期产品订货模型进行优化求解。/n

【技术特征摘要】
1.一种数据驱动的多周期产品订货方法，其特征在于，包括以下步骤：
S1、设定多周期产品订货相关变量；
S2、采集各周期不同情形下消费者的历史需求数据；
S3、根据各个周期不同情形的库存状态，构建库存状态转移方程，并结合各个周期不同情形的利润函数，以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型；
S4、基于需求数据对步骤S3构建的多周期产品订货模型进行优化求解。


2.如权利要求1所述的数据驱动的多周期产品订货方法，其特征在于，所述步骤S1中多周期产品订货相关变量包括单位订货成本c、单位零售价p、每周期期末单位缺货成本s、每周期期末单位持有成本h、单周期折现因子α、第t周期期末第i种情形的库存状态第t周期第i种情形的需求量第t周期的订购量qt。


3.如权利要求2所述的数据驱动的多周期产品订货方法，其特征在于，所述S2具体采集前T周期内消费者每周期的需求量di，表示为



其中，表示第t周期第i种情形的需求量。...

【专利技术属性】
技术研发人员：陈旭，杨茗芳，罗政，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51