(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211108563.3 (22)申请日 2022.09.13 (71)申请人 中国科学技术大学 地址 230026 安徽省合肥市包河区金寨路 96号 (72)发明人 罗飞　周垂日　吕昊　胡炜　 陈恭彦　王答明　 (74)专利代理 机构 合肥金安专利事务所(普通 合伙企业) 341 14 专利代理师 金惠贞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/10(2012.01) G06Q 30/02(2012.01) G06F 30/27(2020.01) (54)发明名称 一种需求不确定性情况下的生产与排产处 理系统及处 理方法 (57)摘要 本发明涉及一种需求不确定性情况下的生 产与排产处理系统及处理方法， 属于物流及供应 链技术领域。 处理系统包括： （1） 数据处理模块、 （2） 需求预测模块、 （3） 生产计划模块和 （4） 排产 排程模块。 操作步骤： （1） 输入各产品的历史销售 数据； （2） 数据处理与特征工程； （3） 需求分位数 值预测； （4） 主 生产计划的鲁棒优化建模与求解； （5） 排产计划建模与求解。 利用分位数预测模型， 获得不同分位数下的需求预测结果； 根据需求分 位数预测结果， 利用鲁棒优化方法， 获得需求不 确定性时更具有可行性和鲁棒性的生产计划； 根 据生产计划， 获得各产品的排产计划。 通过该系 统及处理方法定制生产与排产计划， 减少需求不 确定性带来的成本损失。 权利要求书2页 说明书6页 附图3页 CN 115423193 A 2022.12.02 CN 115423193 A 1.一种需求 不确定性情况 下的生产与排产处 理系统， 其特 征在于， 包括以下模块： （1） 数据处理模块： 首先我们需要收集企业要生产的各个SKU的产品在过去一段时间的 历史销售数据， 包括了SKU_ID， 日期， 销量， 内部因素 （如： 价格， 促销等） ， 外部因素 （如： 节假 日， 天气， 工作日等） ； 对于原始数据， 我们需要进行数据清理和数据处理， 以免对模型的预 测效果造成负面影响， 包括异常值的丢弃， 缺失值的丢弃或用均值填充， 非数值型数据 的 onehot编码等； 其次， 我们还需要构建一些 统计特征 （如： 上一个周期内的5%和95%需求分位 数等） 以提高模型的预测效果； 该模块的输出为已处 理好的各产品历史数据； （2） 需求预测模块： 该模块将 （1） 处理好的数据作 为输入， 需要预测需求的分位数值， 而 不仅仅是需求均值， 而分位数预测模型能够弥补传统单点预测方法的不 足； 因此， 该模块使 用分位数预测的深度学习模型， 如DeepAR， Temporal  Fusion Transformer(TFT)等； 通过对 模型进行训练和调参， 尽可能的使模型预测效果更加准确， 并输出在未来一个周期T内的每 个时期t （t=1,  2,  …, T） 的各SKU不同分位数 下的需求预测值； （3） 生产计划模块： 该模块将 （2） 输出的未来一个周期T内的每个时期t （t=1,  2,  …,  T） 的各SKU的均值作为期望值， 结合不同的服务水平选取相应的上下分位数预测值作为不 确定性需求区间的上下界； 以最小化总生产成本为目标， 其中， 总生产成本包括了缺货成 本、 库存成本、 可变生产成本 （主要与实际生产产品种类与数量直接相关） ； 结合业务场景的 约束， 包括每时期t的各产线产能约束 （每时期t的各产品总 产量为非负， 且不超过产能） ， 每 时期t末的各产品库存/缺货量与其本期的产量和需求， 以及t ‑1时期的库存/缺货量之间的 供需和库存平衡约束等， 建立相应运筹学模型； 该模块使用鲁棒优化方法， 包括普通鲁棒优 化、 可调仿射鲁棒优化、 分布式鲁棒优化等方法， 通过定义不确定性需求区间的上下界和需 求期望值来定义需求的不确定集或模糊集， 使得求解得到的生产计划为当前服务水平下的 需求不确定集合中最坏情况下的最优解 （即worst ‑case的optimal） ， 输出未来一个周期T内 的每个时期t （t=1,  2,  …, T） 的各SKU的产量作为主生产计划； （4） 排产排程模块： 该模块将 （3） 输出的未来一个周期T内的每个时期t （t=1,  2,  …,  T） 的各SKU的产量作为主生产计划作为输入； 以最小化最晚完工时间为目标； 结合业务场景 的约束， 包括各产线的产能约束、 各产品生产的工序顺序约束、 工序开始和完成时间的合理 性约束 （例如， 同一产品的下一个工序开始 时间不能早于上一工序的完成时间） 、 产线上 的 产品生产切换约束等， 建立相应运 筹学模型； 该模块使用精确解法或启发式算法进行求解， 对于产品种类和产线规模小的数据集可 以用精确解法更快求解最优解， 对于产品种类和产线规模大的数据集可以用启发式算法在 较短时间能取 得一个近似最优解， 以弥补精确解法在求 解大规模问题的时间问题； 输出每个时期t （t=1,  2,  …, T） 的各SKU在各个产线上的排产排程方案， 作为最终的 生产方案， 并输出 可视化的产品排产甘特图。 2.根据权利要求1所述一种需求不确定性情况下的生产与排产处理系统的处理方法， 其特征在于， 操作步骤如下： （1） 输入各产品的历史销售数据； （2） 数据处 理与特征工程； （3） 需求分位数值预测； （4） 主生产计划的鲁棒优化建模与求 解；权　利　要　求　书 1/2 页 2 CN 115423193 A 2（5） 排产计划建模与求 解。权　利　要　求　书 2/2 页 3 CN 115423193 A 3