一种基于预测引擎的智能排刀分切优化方法及系统与流程

1.本发明涉及人工智能领域，具体而言，涉及一种基于预测引擎的智能排刀分切优化方法及系统。


背景技术：

2.随着计算机技术的日益发展和普及，当今社会已经从信息化时代进入大数据时代。每个人的一举一动都在产生大量的数据，这些数据被不同的信息系统收集着。企业需要根据收集到的数据分析用户的不同行为与喜好，为用户提供更好的服务，但当收集的数据达到tb、pb甚至eb级别时大多数信息系统都无法确保其收集的数据质量能满足用户的需求。影响数据质量的因素主要有：数据缺失、数据过时、数据错误、数据重复、数据冲突等。为了提高数据的质量，数据清洗技术至关重要。数据清洗为企业运营提供高质量的数据服务，也为数据挖掘提供可靠的数据基础。
3.传统的数据分析技术是以描述分析和报表为主，只看到发生了什么，bi工具仍然只适合少数人使用，源自内部、结构化的少量数据，没人关注您的分析结果，“密室”里的分析团队，以it团队为主，远离决策层，支持企业内部决策，而统计方法得到基准预测线仅占准确度的50％；
4.从生产模式变化看造纸业供应链的运营困扰，存在以下问题：
5.1.产品品种越来越多
6.2.生产批量越来越小
7.3.设计变更频繁
8.4.交货周期越来越短
9.5.生产周期越来越长
10.6.生产异常越来越频繁
11.7.库存越来越大
12.如何做到快速响应市场变化、执行过程中计划频繁变更、不断纠偏调整、得到反馈持续改善，快速响应客户多样化、个性化需求的能力，取得差异化竞争优势是本领域技术人员亟需解决的技术问题。


技术实现要素：

13.本发明的目的在于提供一种基于预测引擎的智能排刀分切优化方法，其能够对历史需求数据的模型拟合，将数据、分析和业务知识融会贯通，为企业提供一个结合数据、分析和业务知识的结构化预测方案。
14.本发明的另一目的在于提供一种基于预测引擎的智能排刀分切优化系统，其能够运行一种基于预测引擎的智能排刀分切优化方法。
15.本发明的实施例是这样实现的：
16.第一方面，本技术实施例提供一种基于预测引擎的智能排刀分切优化方法，其包
括获取历史销售出库收集数据；对收集数据中的不合规数据进行数据清洗；将清洗后的数据输入至定义好的预测模型中进行产品预测；通过产品预测的决策结果给出数据决策进行智能排刀精度调优。
17.在本发明的一些实施例中，上述获取历史销售出库收集数据包括：获取计划变更、实际产量、历史产量、历史销售出库的数据。
18.在本发明的一些实施例中，上述对收集数据中的不合规数据进行数据清洗包括：建立数据规则库，数据规则库至少包括纸种、克重、幅宽指定的约束业务规则，并对需清洗的不合规数据进行预处理。
19.在本发明的一些实施例中，上述还包括：对预处理后的不合规数据进行数据划分，得到spark集群的多个清洗数据，将每一个清洗数据映射到产品预测引擎上。
20.在本发明的一些实施例中，上述将清洗后的数据输入至定义好的预测模型中进行产品预测包括：根据清洗后的数据建立初始预测模型并利用建模数据训练网络模型得到预测模型，然后进行模型预测效果的分析。
21.在本发明的一些实施例中，上述还包括：对初步建立的预测模型进行参数、结构的逐一优化然后通过adaboost迭代算法优化bp网络的初始权、阈值，得到优化后的预测模型。
22.在本发明的一些实施例中，上述通过产品预测的决策结果给出数据决策进行智能排刀精度调优包括：根据产品+客户的组合预测未来预设的时间段内的销量及销量变化的幅度和销货成本变化的幅度，然后使用what-if智能模拟和情景规划来塑造和积极推动需求。
23.第二方面，本技术实施例提供一种基于预测引擎的智能排刀分切优化系统，其包括数据采集模块，用于获取历史销售出库收集数据；
24.数据清洗模块，用于对收集数据中的不合规数据进行数据清洗；
25.建模模块，用于将清洗后的数据输入至定义好的预测模型中进行产品预测；
26.决策模块，用于通过产品预测的决策结果给出数据决策进行智能排刀精度调优。
27.在本发明的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：数据采集模块、数据清洗模块、建模模块及决策模块。
28.第三方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种基于预测引擎的智能排刀分切优化方法中任一项的方法。
29.相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
30.通过对历史需求数据的模型拟合，将数据、分析和业务知识融会贯通，为企业提供一个结合数据、分析和业务知识的结构化预测方案；智能的库存优化有效管理上百万的sku数据；智能预测系统根据纸种+克重+幅宽等指定的约束，实现多级库存优化，在整个价值链中计算最佳库存水平和策略。通过智能销售预测引擎可以达到全新的分析和计算能力，“数据科学家”的出现，开发出产品，而非报表展现。还可以自动选择最优预测模型，传统分析及大数据的无缝交融分析成为决策资产，人工智能及机器学习技术实用化，达到企业文化的改变：将分析嵌入决策及操作流程中。
附图说明
31.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
32.图1为本发明实施例提供的一种基于预测引擎的智能排刀分切优化方法步骤示意图；
33.图2为本发明实施例提供的一种基于预测引擎的智能排刀分切优化方法详细步骤示意图；
34.图3为本发明实施例提供的一种基于预测引擎的智能排刀分切优化系统模块示意图；
35.图4为本发明实施例提供的一种电子设备。
36.图标：10-数据采集模块；20-数据清洗模块；30-建模模块；40-决策模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
37.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
38.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
39.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
40.需要说明的是，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
41.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
42.实施例1
43.请参阅图1，图1为本发明实施例提供的一种基于预测引擎的智能排刀分切优化方法步骤示意图，其如下所示：
44.步骤s100，获取历史销售出库收集数据；
45.在一些实施方式中，历史销售出库收集数据包括基于历史销售订单、销售出库、安全库存等多个数据，获取关联于多数据的每个数据源的相关信息，相关信息包括属性信息
和数据信息。
46.步骤s110，对收集数据中的不合规数据进行数据清洗；
47.在一些实施方式中，待清洗的不合规数据中的训练样本也可以是待清洗的不合规数据的集合，待清洗的训不合规数据可以在经过数据清洗后，用于有监督的模型的训练。其中，数据清洗方法的执行主体，即数据清洗设备可以通过有线连接方式或者无线连接方式从其他电子设备、网络云或者本地获取待清洗的训练样本集合。
48.步骤s120，将清洗后的数据输入至定义好的预测模型中进行产品预测；
49.在一些实施方式中，预测模型可以有arima时间序列、knn最近邻、decision_tree决策树、svm向量机、random_forest随机森林、adaboost迭代算法、xgboost回归树、lightgbm直方图决策树。
50.在一些实施方式中，arima模型全称为自回归积分滑动平均模型(autoregressive integratedmoving average model,简记arima)。其中arima(p，d，q)称为差分自回归移动平均模型，ar是自回归，p为自回归项；ma为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓arima模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。arima模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(ma)、自回归过程(ar)、自回归移动平均过程(arma)以及arima过程。
51.灰色预测是一种对含有不确定因素的系统进行预测的方法。灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。
52.步骤s130，通过产品预测的决策结果给出数据决策进行智能排刀精度调优。
53.在一些实施方式中，以某纸机一天生产1900吨卷筒为例，提升0.27％裁切率，将可产生4.8吨的收益，排刀时间由原来的2小时变成2分钟左右。
54.在一些实施方式中，按机台、纸种、克重建立合理的分切范围，按交期的先后顺序产生分切的先后顺序。排刀算法：考虑母卷的使用率，不足部分采用排刀优化常规品库补充；考虑交货时间。
55.实施例2
56.请参阅图2，图2为本发明实施例提供的一种基于预测引擎的智能排刀分切优化方法详细步骤示意图，其如下所示：
57.步骤s200，获取计划变更、实际产量、历史产量、历史销售出库的数据。
58.步骤s210，建立数据规则库，数据规则库至少包括纸种、克重、幅宽指定的约束业务规则，并对需清洗的不合规数据进行预处理。
59.步骤s220，对预处理后的不合规数据进行数据划分，得到spark集群的多个清洗数据，将每一个清洗数据映射到产品预测引擎上。
60.步骤s230，根据清洗后的数据建立初始预测模型并利用建模数据训练网络模型得到预测模型，然后进行模型预测效果的分析。
61.步骤s240，对初步建立的预测模型进行参数、结构的逐一优化然后通过adaboost
迭代算法优化bp网络的初始权、阈值，得到优化后的预测模型。
62.步骤s250，根据产品+客户的组合预测未来预设的时间段内的销量及销量变化的幅度和销货成本变化的幅度，然后使用what-if智能模拟和情景规划来塑造和积极推动需求。
63.在一些实施方式中，适用于造纸、塑料薄膜、钢铁、无纺布、铜箔、铝箔等行业。运用先进的优化算法，将不同规格尺寸的订单进行自动优化编组，生成最佳分切方案；可考虑库存，优先使用库存、再使用机台产能；可与erp进行无缝集成，实现信息共享，也可作为一个独立系统运行。
64.在一些实施方式中，通过排刀优化引擎，提高母卷利用率、作业人员排刀效率，减少作业人员排刀时间，提高母卷的裁切率；根据计划变更、实际产量，实时产生新的排刀计划；实现数据串联，建立订单-计划-排刀-制造双向完整数据流。
65.实施例3
66.请参阅图3，图3为本发明实施例提供的一种基于预测引擎的智能排刀分切优化系统模块示意图，其如下所示：
67.数据采集模块10，用于获取历史销售出库收集数据；
68.数据清洗模块20，用于对收集数据中的不合规数据进行数据清洗；
69.建模模块30，用于将清洗后的数据输入至定义好的预测模型中进行产品预测；
70.决策模块40，用于通过产品预测的决策结果给出数据决策进行智能排刀精度调优。
71.如图4所示，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
72.还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
73.其中，存储器101可以是但不限于，随机存取存储器101(random access memory，ram)，只读存储器101(read only memory，rom)，可编程只读存储器101(programmable read-only memory，prom)，可擦除只读存储器101(erasable programmable read-only memory，eprom)，电可擦除只读存储器101(electric erasable programmable read-only memory，eeprom)等。
74.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(central processing unit，cpu)、网络处理器102(network processor，np)等；还可以是数字信号处理器102(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
75.在本技术所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它
的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
76.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
77.另一方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器101(rom，read-only memory)、随机存取存储器101(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
78.综上所述，本技术实施例提供的一种基于预测引擎的智能排刀分切优化方法及系统，通过对历史需求数据的模型拟合，将数据、分析和业务知识融会贯通，为企业提供一个结合数据、分析和业务知识的结构化预测方案；智能的库存优化有效管理上百万的sku数据；智能预测系统根据纸种+克重+幅宽等指定的约束，实现多级库存优化，在整个价值链中计算最佳库存水平和策略。通过智能销售预测引擎可以达到全新的分析和计算能力，“数据科学家”的出现，开发出产品，而非报表展现。还可以自动选择最优预测模型，传统分析及大数据的无缝交融分析成为决策资产，人工智能及机器学习技术实用化，达到企业文化的改变：将分析嵌入决策及操作流程中。
79.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
80.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于预测引擎的智能排刀分切优化方法，其特征在于，包括：获取历史销售出库收集数据；对收集数据中的不合规数据进行数据清洗；将清洗后的数据输入至定义好的预测模型中进行产品预测；通过产品预测的决策结果给出数据决策进行智能排刀精度调优。2.如权利要求1所述的一种基于预测引擎的智能排刀分切优化方法，其特征在于，所述获取历史销售出库收集数据包括：获取计划变更、实际产量、历史产量、历史销售出库的数据。3.如权利要求1所述的一种基于预测引擎的智能排刀分切优化方法，其特征在于，所述对收集数据中的不合规数据进行数据清洗包括：建立数据规则库，数据规则库至少包括纸种、克重、幅宽指定的约束业务规则，并对需清洗的不合规数据进行预处理。4.如权利要求3所述的一种基于预测引擎的智能排刀分切优化方法，其特征在于，还包括：对预处理后的不合规数据进行数据划分，得到spark集群的多个清洗数据，将每一个清洗数据映射到产品预测引擎上。5.如权利要求1所述的一种基于预测引擎的智能排刀分切优化方法，其特征在于，所述将清洗后的数据输入至定义好的预测模型中进行产品预测包括：根据清洗后的数据建立初始预测模型并利用建模数据训练网络模型得到预测模型，然后进行模型预测效果的分析。6.如权利要求5所述的一种基于预测引擎的智能排刀分切优化方法，其特征在于，还包括：对初步建立的预测模型进行参数、结构的逐一优化然后通过adaboost迭代算法优化bp网络的初始权、阈值，得到优化后的预测模型。7.如权利要求1所述的一种基于预测引擎的智能排刀分切优化方法，其特征在于，所述通过产品预测的决策结果给出数据决策进行智能排刀精度调优包括：根据产品+客户的组合预测未来预设的时间段内的销量及销量变化的幅度和销货成本变化的幅度，然后使用what-if智能模拟和情景规划来塑造和积极推动需求。8.一种基于预测引擎的智能排刀分切优化系统，其特征在于，包括：数据采集模块，用于获取历史销售出库收集数据；数据清洗模块，用于对收集数据中的不合规数据进行数据清洗；建模模块，用于将清洗后的数据输入至定义好的预测模型中进行产品预测；决策模块，用于通过产品预测的决策结果给出数据决策进行智能排刀精度调优。9.如权利要求8所述的一种基于预测引擎的智能排刀分切优化系统，其特征在于，包括：用于存储计算机指令的至少一个存储器；与所述存储器通讯的至少一个处理器，其中当所述至少一个处理器执行所述计算机指令时，所述至少一个处理器使所述系统执行：数据采集模块、数据清洗模块、建模模块及决策模块。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

技术总结
本发明提出了一种基于预测引擎的智能排刀分切优化方法及系统，涉及人工智能领域。一种基于预测引擎的智能排刀分切优化方法包括：获取历史销售出库收集数据；对收集数据中的不合规数据进行数据清洗；将清洗后的数据输入至定义好的预测模型中进行产品预测；通过产品预测的决策结果给出数据决策进行智能排刀精度调优。其能够对历史需求数据的模型拟合，将数据、分析和业务知识融会贯通，为企业提供一个结合数据、分析和业务知识的结构化预测方案。此外本发明还提出了一种基于预测引擎的智能排刀分切优化系统，包括：数据采集模块、数据清洗模块、建模模块及决策模块。建模模块及决策模块。建模模块及决策模块。


技术研发人员：朱雪梅
受保护的技术使用者：湖南正然智能系统科技有限公司
技术研发日：2021.12.14
技术公布日：2022/3/8