基于多渠道的动态排程方法、装置、设备及产线与流程

本技术涉及车辆生产，尤其涉及一种基于多渠道的动态排程方法、装置、设备及产线。

背景技术：

1、随着汽车行业竞争加剧，汽车企业普遍采用直营模式（direct-to-consumer，d2c），消费者通过汽车企业的品牌方直接运营的渠道直接下单。直营模式下，订单数据从传统的经销商层级汇总模式转变为终端实时直达模式，消费者对车辆的配置偏好的快速变化对生产系统的响应能力提出更高要求。

2、相关技术中，车辆的生产排程系统，以月或周为排程周期接收销售数据和销售预测数据，并根据排程周期的销售数据和销售预测数据，制定产能和车型规划，对车辆的生产进行排程。这种方式，存在生产端无法及时准确的进行产能分配的问题，导致热销车型缺货、滞销车型积压，进而引发产销脱节、库存积压或产能浪费。

技术实现思路

1、本技术实施例提供基于多渠道的动态排程方法、装置、设备及产线，用以达到准确、高效的产能分配的效果。

2、第一方面，本技术实施例提供一种基于多渠道的动态排程方法，包括：

3、获取本次调整周期直营终端内多个渠道的事件流，事件流的类型包括正式订单、意向订单和浏览行为；

4、对事件流进行标准化映射与去重处理，得到目标事件流；

5、基于意向订单和浏览行为，按照预设的二级置信度递进规则进行转化率预测，得到本次调整周期各车型配置的预测订单，其中，意向订单的概率权重高于浏览行为的概率权重；

6、将预测订单与正式订单中尚未排产的未生产订单进行数据融合，得到本次调整周期各车型配置的订单需求；

7、基于各车型配置的订单需求，通过滚动时域策略执行动态排程处理，得到本次调整周期各车型配置的生产排程计划。

8、在一种可能的实施方式中，对事件流进行标准化映射与去重处理，得到目标事件流，包括：

9、基于签名表映射机制，将不同渠道的事件流进行统一映射，得到表述一致的标准事件流，签名表映射机制包括车型配置映射和用户标识映射；

10、将标准事件流，进行时间戳对齐，并在同一去重窗口内对时间戳、配置签名以及用户标识均相同的事件流进行去重处理，得到目标事件流。

11、在一种可能的实施方式中，基于意向订单和浏览行为，按照预设的二级置信度递进规则进行转化率预测，得到本次调整周期各车型配置的预测订单，包括：

12、基于事件流中意向订单和浏览行为的时间戳，确定本次调整周期意向订单的第一时延和浏览行为的第二时延；

13、若第一时延和第二时延不满足时延条件，则将上一调整周期各车型配置的预测订单，作为本调整周期的预测订单，其中，时延条件包括第一时延均小于第一时延阈值，且，第二时延均小于第二时延阈值；

14、若第一时延和第二时延满足时延条件，则基于意向订单和浏览行为，通过订单转化率预测模型按照预设的二级置信度递进规则进行转化率预测，得到本次调整周期各车型配置的预测订单。

15、在一种可能的实施方式中，预测订单包括：意向需求和需求修正因子，基于意向订单和浏览行为，通过订单转化率预测模型按照预设的二级置信度递进规则进行转化率预测，得到本次调整周期各车型配置的预测订单，包括：

16、基于订单转化率预测模型，对意向订单的转化率进行预测，得到第一概率权重，和，对浏览行为的转化率进行预测，得到低于第一概率权重的第二概率权重；

17、基于第一概率权重对意向订单内各车型配置的数量进行加权，得到各车型配置的意向需求；

18、基于第二概率权重对浏览行为内各车型配置的数量进行加权，得到各车型配置的需求修正因子；

19、将各车型配置的意向需求和需求修正因子的和，作为本次调整周期各车型配置的预测订单。

20、在一种可能的实施方式中，获取本次调整周期直营终端内多个渠道的事件流之后，基于多渠道的动态排程方法，还包括：

21、获取异常检测窗口内对应的历史事件流；

22、将历史事件流内对应车型配置的均值与预设权重的标准差作和，得到各车型配置的异常阈值；

23、若事件流表征的车型配置的数量大于或等于异常阈值，则判定事件流的数据存在异常，将事件流数据标记为异常并触发人工审核。

24、在一种可能的实施方式中，基于各车型配置的订单需求，通过滚动时域策略执行动态排程处理，得到本次调整周期各车型配置的生产排程计划，包括：

25、基于各车型配置的订单需求，通过固定滚动周期和排程时域执行动态排程，得到排程结果；

26、若排程结果满足产线约束，将排程结果作为生产排程计划，其中产线约束包括产能约束、物料齐套约束、工艺路线约束、交期约束和人员排班约束；

27、若排程结果不满足产线约束，则通过固定滚动周期和排程时域重新执行动态排程，直至排程结果满足产线约束，或，动态排程的重算次数达到预设阈值。

28、在一种可能的实施方式中，基于各车型配置的订单需求，通过滚动时域策略执行动态排程处理，得到本次调整周期各车型配置的生产排程计划之后，基于多渠道的动态排程方法，还包括：

29、在产线上执行生产排程计划；

30、采集产线执行生产排程计划的执行状态，计算排程计划与实际执行的偏差率；

31、当偏差率超过动态阈值时，触发动态排程重算，并更新订单转化率预测模型。

32、第二方面，本技术实施例提供一种基于多渠道的动态排程装置，包括：

33、获取模块，用于获取本次调整周期直营终端内多个渠道的事件流，事件流的类型包括正式订单、意向订单和浏览行为；

34、处理模块，用于对事件流进行标准化映射与去重处理，得到目标事件流；基于意向订单和浏览行为，按照预设的二级置信度递进规则进行转化率预测，得到本次调整周期各车型配置的预测订单，其中，意向订单的概率权重高于浏览行为的概率权重；将预测订单与正式订单中尚未排产的未生产订单进行数据融合，得到本次调整周期各车型配置的订单需求；基于各车型配置的订单需求，通过滚动时域策略执行动态排程处理，得到本次调整周期各车型配置的生产排程计划。

35、在一种可能的实施方式中，处理模块，具体用于：基于签名表映射机制，将不同渠道的事件流进行统一映射，得到表述一致的标准事件流，签名表映射机制包括车型配置映射和用户标识映射；将标准事件流，进行时间戳对齐，并在同一去重窗口内对时间戳、配置签名以及用户标识均相同的事件流进行去重处理，得到目标事件流。

36、在一种可能的实施方式中，处理模块，具体用于：基于事件流中意向订单和浏览行为的时间戳，确定本次调整周期意向订单的第一时延和浏览行为的第二时延；若第一时延和第二时延不满足时延条件，则将上一调整周期各车型配置的预测订单，作为本调整周期的预测订单，其中，时延条件包括第一时延均小于第一时延阈值，且，第二时延均小于第二时延阈值；若第一时延和第二时延满足时延条件，则基于意向订单和浏览行为，通过订单转化率预测模型按照预设的二级置信度递进规则进行转化率预测，得到本次调整周期各车型配置的预测订单。

37、在一种可能的实施方式中，预测订单包括：意向需求和需求修正因子，处理模块，还用于：基于订单转化率预测模型，对意向订单的转化率进行预测，得到第一概率权重，和，对浏览行为的转化率进行预测，得到低于第一概率权重的第二概率权重；基于第一概率权重对意向订单内各车型配置的数量进行加权，得到各车型配置的意向需求；基于第二概率权重对浏览行为内各车型配置的数量进行加权，得到各车型配置的需求修正因子；将各车型配置的意向需求和需求修正因子的和，作为本次调整周期各车型配置的预测订单。

38、在一种可能的实施方式中，获取本次调整周期直营终端内多个渠道的事件流之后，处理模块，还用于：获取异常检测窗口内对应的历史事件流；将历史事件流内对应车型配置的均值与预设权重的标准差作和，得到各车型配置的异常阈值；若事件流表征的车型配置的数量大于或等于异常阈值，则判定事件流的数据存在异常，将事件流数据标记为异常并触发人工审核。

39、在一种可能的实施方式中，处理模块，具体用于：基于各车型配置的订单需求，通过固定滚动周期和排程时域执行动态排程，得到排程结果；若排程结果满足产线约束，将排程结果作为生产排程计划，其中产线约束包括产能约束、物料齐套约束、工艺路线约束、交期约束和人员排班约束；若排程结果不满足产线约束，则通过固定滚动周期和排程时域重新执行动态排程，直至排程结果满足产线约束，或，动态排程的重算次数达到预设阈值。

40、在一种可能的实施方式中，基于各车型配置的订单需求，通过滚动时域策略执行动态排程处理，得到本次调整周期各车型配置的生产排程计划之后，处理模块，还用于：在产线上执行生产排程计划；采集产线执行生产排程计划的执行状态，计算排程计划与实际执行的偏差率；当偏差率超过动态阈值时，触发动态排程重算，并更新订单转化率预测模型。

41、第三方面，本技术实施例提供一种基于多渠道的动态排程设备，包括：存储器，处理器；

42、存储器存储计算机执行指令；

43、处理器执行存储器存储的计算机执行指令，使得处理器执行如上第一方面和/或第一方面各种可能的实施方式。

44、第四方面，本技术实施例提供一种动态排程产线，动态排程产线上部署有如上第三方面和/或第三方面各种可能的实施方式提供的基于多渠道的动态排程设备，其中：

45、动态排程产线用于基于多渠道的动态排程设备执行如上第一方面和/或第一方面各种可能的实施方式的基于多渠道的动态排程方法后生成的生产排程计划，对产线上的各车型装配任务进行作业分配与节拍控制。

46、第五方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

47、第六方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式。

48、本技术实施例提供的基于多渠道的动态排程方法、装置、设备及产线，通过获取本次调整周期直营终端内多个渠道的事件流，并对事件流进行标准化映射与去重处理，能够汇聚并净化来自正式订单、意向订单和浏览行为的多源需求信息。之后，通过基于意向订单和浏览行为得到各车型配置的预测订单，并将预测订单与正式订单中尚未排产的未生产订单进行数据融合，能够形成更全面且更贴近实际变化的订单需求。进而，基于各车型配置的订单需求，采用滚动时域策略执行动态排程处理，能够提高生产排程的实时性、准确性及对终端需求波动的匹配能力。