2021年6月 供应链预测算法及应用 王桐 阿里巴巴-数字供应链事业部 Outline： • 预测场景及特性 • 预测算法研发路线及结果 • 预测应用案例 GMV预测 预测标的：GMV 提前期：未来1个月、一年 颗粒度： 行业*天*全国，行业 *月*全国 用途：支持整体经营计划（KPI制定，营销资源分配，供 应链资源分配） 评估口径：达成率 real/fcst （离线）商品销量预测：支持补货、调拨决策 （离线）商品销量预测：支持补货、调拨决策 （离线）仓单量预测：支持仓库、配送产能（人力）准备 （离线）GMV预测：支持长期经营计划 销量预测 预测标的：销量（需求） 提前期：未来1~8周 颗粒度： 货品*天*仓 用途：支持采购、补货、调拨决策 评估口径：minmax，加权平均 单量预测 预测标的：交易单/物流单数量 提前期：未来1天，未来1周 颗粒度： 货主*天*仓，行业 *天*仓 用途：支持仓库端人力准备 评估口径：1-MAPE，加权平均 供应链预测场景及特性 T T-1h T-1d T-1w T-4w T-8w T-1y 预测场景细分方式： • 预测标的：GMV、销量、单量、客服呼叫量、云计算请求量等各种不确定的需求 • 提前期：离线（长期（y, m）、中期(w)、短期(d)）、实时(h) • 颗粒度：预测对象颗粒度（店铺、行业、类目；商品、sku、货品；货主、行业）*

1 实现降本增效 By ：施耐德电气 梅峰 建材及矿业能力中心经理 如何通过预测与控制 智能工厂 智能工厂建设目标： 5 个方向 故障维修 预防维护 人工操作 机器操作 事后统计 质量预控 人工经验 智能决策 资源效率 安环第一 人 机 料 法 环 3 战略决策 持续发展 设备效率 业务运营 能效管理 生产工艺控制 设备级 生产级 控制级 企业级 山 实时性 4 层架 构 智能化的三层深度 数字化 3 2 1 • 信息的记录、存储、查询、汇总、展示 • 移动 APP 访问信息 • 便于数据的追溯、比对、分析、总结 •智能预测 •智能分析 •智能决策 •让机器替代人形成强大劳动力 信息化 智能化 物理工厂 人的经验 经验知识化 知识模型化 模型算法化 算法代码化 代码软件化 软件使用 • 质量 • • 物流 • 书面信息数字化 • 智能设备 自 动 数 据 采 集 • 自 动取样 • 在线分析 • 自 动感知 人 智 ” 到 “ 智机 3 层深 度 5 APC 智能预测与控制 6 借助于智能控制，可以消除人与人的差别 操作员不同，造成成本和质量上的差异 288 万 每月能耗成本节约 24 万 每年能耗节约 288 万 CO2 减排 8400

项目编号： 钢铁行业预测 AI 大模型 应 用 方 案 目 录 1. 引言...............................................................................................................6 1.1 钢铁行业现状............................ .........................................109 6.1.2 故障预测与诊断.......................................................................110 6.2 质量控制与预测...................................................... 2 产品质量预测模型...................................................................117 6.3 供应链管理.......................................................................................119 6.3.1 需求预测.......

图形 1 AI+ 设备（预测性维护）方案 图形 1 背景 加入星球获取更多更全的数智化解决方案 预测性维护是工业大数据和人工智能结合落地的重要应用场景 ，为企业带来多方 面效益 预测性维护（ Predictive Maintenance ，简称 PDM ）是以设备状态为依据的新兴的维护方式 ，在设备运行时对其主要部位进行周期性 或 持续监测 ，判定其所处的状态 ，预测状态未来的发展趋势 ，并依据该状态发展趋势和可能的故障模式 ，并依据该状态发展趋势和可能的故障模式 ，预先制定维修计划 ，确定机器应该修 理的时间、 内容、方式。预测性维护可以为企业带来以下效益： ☐ 降低维保成本 ☐ 延长设备寿命 ☐ 提高设备使用率 ☐ 减少库存成本 ☐ 提升生产安全 维护触发点 固定周期，不考虑设备实际 状态，可能带来过度维护 必要时，预留足够应对时间 给一线人员在故障前做出应对 维护方式 根据零部件的平均损坏率进行维护， 不考虑实际运行状态 根据设备的实际运行状态 决定维护方式及关注点 维护成本 维护成本高， 停机停产时间较长 维护成本低， 停机停产时间较短 使用场景 无法准确获得单体 设备运行状态时 单体设备状态可获知时 预测性维护与预防性维护虽然只有一字 之差 ，在理念上却截然不同。预防性维 护不考虑系统设备当前的运行状态和健 康状态 ，是按照已经安排好的时间来完 成计划内的维护工作 ，会引起过度维护

预测性维护 03.2021 上海 / 中国 罗兰贝格 洞见 数字化运维的制胜基石 1 随着互联技术的革新、大数据的应用与积累、计算能力的提 升及相关模型理论的高速发展，人工智能的应用场景逐渐丰 富，并在近几年逐步过渡到实操落地。各行各业正积极探索 通过人工智能赋能的运营模式，并以此推动产业升级及长期 的运营转型。 在政策端，从2017年7月国务院印发的《新一代人工智能发 展 备品备件销售、设备维护及维修等）作为制造业的重要组成 元素，通过工业互联网及人工智能的深度融合打造出创新的 应用场景，并实现持续降本增效的趋势目标。 运维服务的发展进程主要分为四个阶段： 01 预测性维护是什么？ 我们为什么需要它？ 封面图片： koto_feja 01 / 运维服务的发展进程 从需求侧来看，完整的数字化运维服务将成为企业选择运维 服务供应商的主要考量维度之一。罗兰贝格针对全球领先制 能赋能的数字化运维解决方案将是新的趋势。 资料来源：罗兰贝格 基于故障 预测的维护 响应式 维修 计划性 维护 基于条件 的维护 "故障后维护" "预防性维护" "预测性维护" "状态监控式维护" 2 02 / 预测性维护运作原理 1.消极维护：这是运维服务最原始的方式，通常指当机械故 障后安排技术人员到场维修。由于此维护方式通常发生在 设备故障后，具有高度不可预测性及突发性，且设备本身 的损伤程度较高，易造成修理时间及费用垫高等情况，还

研究报告 2025 年全球感知技术十大趋势预测 2 前言 在当今时代，人工智能、大数据、物联网以及新型通信技术正以前所未有的速度蓬勃发展。 这些技术的不断进步，犹如一股强大的推动力，为感知技术的发展带来了前所未有的机遇。感知 技术，作为科技领域的关键一环，正站在变革的十字路口。 传统的单一传感模式，在智能化时代的浪潮下，逐渐暴露出其局限性。它已难以满足环境认 知、精确定 市场前景以及丰富的商业落地案例。我们力求为读者呈现一幅全景式的未来感知技术图谱，让读 者能够清晰地了解感知技术的发展脉络和未来走向。 研究报告 2025 年全球感知技术十大趋势预测 3 目录 前言...................................................................................... .................................................................... 23 研究报告 2025 年全球感知技术十大趋势预测 4 二、 商业案例 ....................................................................................

腾讯 以 Deep5eek 为代表 的 在能源行业的应用 前景预测 贾德香 博士、正高 国网规划计划领军人才、 国网能源院高级专家 注册电气师、 咨询师 OT Deep5eek 等 RI 大模型简介 Deep5eek 在能源应用前景 预测 0 3 挑战与应对策略 Deep5eek 等 RI 大 模型简介 20 世纪 50 ~ 70 年代是人工智能技术的萌芽时期。 集群、分布式训练框架等。 二、 AI 大模型的核心技术与特 点 Te n c e n 腾 讯 Te n c e n 腾 讯 02,Deep5eek 等 RI 大 模型在能源应用前景 预测 n 国网光明电力大模型：（开源与闭源并举） 发输变配用、调度、交易 规划、建设、运行、检修、营销 n 南网，大瓦特 n 三峡集团“大禹”大模型 n 中核集团龙吟大模型 n 中国广核，“锦书”大模型 RI 大 模型在能源应用前景 预测 能源生产与管理 n 新能源发电优化： 1 、精准的功率预测： DeepSeek 可构建更精准的新能源发电预测模型，对太阳能、风能等发电功率进行提前预测。例如， 针对某风光装 机占比达 58% 的省级电网， DeepSeek 通过构建考虑新能源场站波动特性的动态安全域模型，将弃光率从 19% 降至 3.2% ，日前预测精 度提高 至 94.7% 。

9 ◼ 新能源发电优化： 1、精准的功率预测：DeepSeek可构建更精准的新能源发电预测模型，对太阳能、风能等发电功率进行提前预测。例如，针对某风光装 机占比达58%的省级电网，DeepSeek通过构建考虑新能源场站波动特性的动态安全域模型，将弃光率从19%降至3.2%，日前预测精度提高 至94.7%。 2、优化调度决策：基于精准的发电预测，AI 大模型可以综合考虑电网的负荷需求、不同 市场供需分析与预测： 1、需求预测：根据经济发展、人口增长、产业结构变化等因素，Deepseek可以对能源的市场需求进行准确预测。例如， 通过分析城市的人口增长趋势、工业发展规划以及居民生活方式的变化，预测城市未来的电力需求增长情况，为电力企 业的规划和投资提供依据。 2、供应分析：对于能源的供应端， Deepseek可以分析能源生产 企业的产能、设备运行状况、资源储备等信息，预测能源的供应 能力和供应稳定性。例如，在石油和天然气行业，模型可以根据 油田的产量数据、设备的维护情况以及新的勘探开发计划，预测 未来的油气供应情况，帮助交易商和供应商提前做好应对措施。 3、供需平衡分析：综合考虑能源的市场需求和供应情况， Deepseek可以对能源市场的供需平衡进行分析和预测。有助于市场监管部 门及时发现供需失衡的情况，并采取相应的调控措施，如调整能源价格、增加能源供应或引导需求侧管理，以维护能源市场的稳定。

将会产生巨大的经济效益。 本文 以重型装备制造企业的节能减排为需求， 介绍了重型装 备制造企业能源管理系统的设计与实现。 该能源管理系 统主要对能源介质、 能耗设备、 计量设备、 计量数据、 能耗统计、 能源消耗预测进行管理。 1 系统设计 1.1 系统设计思想 （1）能源消耗统计。 本系统以能耗设备为统计单位， 对能耗设备基础数据进行统计分析， 可以实现车间、 能 源介质、 设备等统计对象在任意（年、季、月、日）时间单 C# 和 SQL Server 数据库的交互通过 ADO.NET 实 现。 （2）能源消耗预测。 在能耗统计基础上可以进行能源 消耗预测， 能源消耗预测是基于历年各个产品的产量和 当年的能源消耗量来进行的， 给定预测年份各个产品的 产量， 采用最小二乘法， 即可得到该预测年份的能源消 耗预测值。 矩阵 A 为 6×5 维度的由 a11～a65 组成， 即为往年各个 产品数量矩阵， 矩阵 天然气/ 煤气使用累积量 （EnergyConsume） x1～x5 为产品一到产品五在预测年份（如 2013 年）的产品 单耗， 通过矩阵计算求出矩阵 X， 得到 x1～x5 的值。 矩 阵 P 为 1×5 维度的由 p1～p5 组成， p1 到 p5 为产品一到产 品五在预测年份的产品数量， 预测年份的总能耗为 E： E=p1x1+p2x2+p3x3+p4x4+p5x5。 矩阵计算如下：

智能决策支持......................................................................................53 4.4.1 预测模型.....................................................................................56 4.4.2 优化算法 ........125 1. 引言 随着全球气候变化和人口增长的双重压力，水资源管理和利用 日益成为各国面临的重大挑战。传统的水利工程在应对复杂多变的 自然环境时，往往显得力不从心，尤其是在预测、监控和决策支持 方面存在明显不足。为了提升水利工程的智能化水平和综合管理能 力，引入先进的 DeepSeek 技术成为了一种切实可行的解决方 案。DeepSeek 作为最新一代的人工智能平台，具备强大的数据处 根据多源数据（如降雨量、水库水位、用水需求等）构建动态模 型，优化水资源的分配和调度，确保水资源的合理利用。 - 基础设 施健康诊断：通过对大坝、渠道等水利基础设施的结构数据进行深 度学习，DeepSeek 能够预测潜在的故障风险，并提出针对性的维 护建议。 - 环境生态管理：DeepSeek 还可以结合生态数据，评估 水利工程对生态环境的影响，并为生态修复提供科学依据。 为更直观地展示 DeepSeek