运输和配送需求预测

此解决方案构想使用历史需求数据来预测各个客户、产品和目的地在将来时段的需求。

体系结构

下载此体系结构的 Visio 文件。

数据流

有关与本文中描述的解决方案类似的运输和配送需求预测解决方案示例，请参阅 Azure AI 库。 诸如此处提出的需求预测解决方案的一般特征是：

• 在一个或多个类别级别下汇总了多种具有不同数量的商品。
• 过去每个时间的商品数都有可用的历史记录。
• 商品数量大不相同，有时可能有大量商品的数量为零。
• 商品历史记录显示趋势和季节性，可能采用多个时间跨度。
• 承诺或退回的数量对价格不是很敏感。 换句话说，配送公司无法通过价格的短期变化来强烈影响数量，但可能还有其他决定因素（例如天气）会对数量产生影响。

在这些情况下，可以利用在不同商品的时序中形成的层次结构。 通过强制执行一致性以使层次结构中较低的数量（例如单个产品数量）与上面的数量（客户产品总数）相加，可以提高整体预测的准确性。 如果将单个商品分组到类别中，即使对于重叠的类别，同样的构想也适用。 例如，你可能对按位置、按产品类别或按客户预测所有产品的总体需求感兴趣。

AI 库解决方案计算层次结构中每个指定时间段内所有聚合级别的预测。 请记住，部署需求预测解决方案将产生所使用服务的消耗费用。 请使用定价计算器预测成本。 不再使用已部署的解决方案时，请将其删除以停止产生费用。

组件

此需求预测解决方案构想使用 Azure 中托管和管理的以下资源：

• 持久性存储的 Azure SQL 数据库实例，用于存储预测和历史配送数据
• Azure 机器学习 Web 服务，用于托管预测代码
• Azure Blob 存储，用于对生成的预测进行中间存储
• Azure 数据工厂，用于协调 Azure 机器学习模型的常规运行
• Power BI 仪表板，用于显示和向下钻取预测

方案详细信息

此解决方案使用历史需求数据来预测客户、产品和目的地的需求。 此解决方案的一个用例是，当运输或配送公司希望预测其客户要求在未来的不同地点进行配送的不同产品的数量时。 该公司可以使用需求预测作为分配工具的输入。 然后，分配工具可以优化运营，例如配送车辆路线或规划较长期的容量。 一个相关的示例是当供应商或保险公司想知道由于故障而退回的产品数量时。

可能的用例

此解决方案中所述的需求预测过程可以在 Microsoft AI 平台中操作和部署。 Microsoft AI 平台具有用于数据引入、数据存储、计划和高级分析的高级分析工具。 这些工具都是用于运行可与当前生产系统集成的需求预测解决方案的基本工具。

此解决方案针对零售和制造业进行了优化。

后续步骤

请参阅产品文档：

• 详细了解数据工厂
• 详细了解 Power BI

了解：

• Azure AI 库中的运输和配送需求预测解决方案

相关资源

请参阅相关 Azure 体系结构中心文章：

• 需求预测和价格优化
• 使用 Azure 流分析和机器学习进行需求预测