[发明专利]基于大数据的供应链需求预测与智能决策方法

权利要求书

1.一种基于大数据的供应链需求预测与智能决策方法，其特征在于，包括以下步骤：

S01：通过Hadoop将企业零售端的每笔非结构化销售记录进行结构化处理，得出产品的每天的销售记录；

S02：将产品结构化数据通过多种预测算法进行产品需求预测，并与实际数据镜像对比，选择误差最小的预测算法作为预测的模型算法，得到需求预测数据；

S03：将企业资源进行数学建模；创建决策变量，根据创建的决策变量，以主生产计划为基准，创建有约束的产能目标函数和无约束的产能目标函数，根据不同的产能目标函数构建相应的约束条件；所述数学建模包括构建集合和参数，所述集合包括，产品列表集合P’，产线列表集合S’，机器列表集合M’，工具列表集合T’，工艺路线列表集合R’，计划周期列表集合B’；

所述参数包括，产品P在第B个月的计划BP(p，b)，产品P在第B个月的计划产率BPRatio(p，b)，产品P在第B个月在产线S的机器M上的产率UPH(p，m，s，b)，产线S在第B个月的生产效率OEE(m，s，b)，产品P在第B个月在产线S产出率Yield(p，m，s，b)，第B个月机器M的库存数量MQty(m，b)，机器M的价格UMPrice(m)，工具T在第B个月在产线S的机器M上的数量TQty(t，m，s，b)，第B个月的工作日数量WDays(b)；

所述决策变量包括：

ProdIn(p，m，s，r，b)：产品P通过工艺路线R在第B个月在产线S，机器M上的生产数量；

UnderBP(p，b)：在第B个月，产品P没有满足计划的数量；

OverBP(p，b)：在第B个月，产品P超过计划的数量；

UnderBPRatio(p，b)：在第B个月，产品P相对于计划的负偏移；

OverBPRatio(p，b)：在第B个月，产品P相对于计划的正偏移；

UnderMHrs(m，b)：在第B个月，机器M空闲小时数；

AddMQty(m，b)：在第B个月需要添加的机器M的数量；

UnderTHrs(t，m，s，b)：在第B个月产线S上机器M中工具T的空闲小时数；

AddTQty(t，m，s，b)：在第B个月产线S上机器M中工具T需要添加的数量；

UTPrice(t，m，s，b)：在第B个月产线S上机器M中工具T的价格；

WeightUnderBP_p，b：为UnderBP(p，b)的权重参数；

WeightOverBP_p，b：为OverBP(p，b)的权重参数；

WeigthUnderBPRatio_p，b：为UnderBPRatio(p，b)的权重参数；

WeightOverBPRatio_p，b：为OverBPRatio(p，b)的权重参数；

WeightAddMachine_m，b：为添加机器M数量权重参数；

WeightAddTooling_{t，m，s，b}：为添加工具T产量权重参数；

所述有约束的产能目标函数为：

所述无约束的产能目标函数为：

S04：根据需求预测数据和调整求解参数得到满足企业运营计划的资源分配方式或者需求资源。

2.根据权利要求1所述的基于大数据的供应链需求预测与智能决策方法，其特征在于，所述步骤S02中的预测算法包括一次指数平滑法，二次指数平滑法和三次指数平滑法。

3.根据权利要求1所述的基于大数据的供应链需求预测与智能决策方法，其特征在于，所述步骤S04还包括，

针对供应链流程中的随机因素，引入约束条件并运用仿真技术构建出若干个相互关联的供应链场景模型；

以真实供应链管理的情景为参照物，进行模拟、比较以及优化，并通过反复的计算，模拟动态经营决策。