CN109840730B - 用于数据预测的方法及装置 - Google Patents
用于数据预测的方法及装置 Download PDFInfo
- Publication number
- CN109840730B CN109840730B CN201711222407.9A CN201711222407A CN109840730B CN 109840730 B CN109840730 B CN 109840730B CN 201711222407 A CN201711222407 A CN 201711222407A CN 109840730 B CN109840730 B CN 109840730B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- commodity
- commodities
- order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种用于数据预测的方法及装置。涉及计算机信息处理领域,该方法包括:获取预定时间内的订单数据,所述订单数据包括商品的相关信息;将所述订单数据进行聚合处理以提取聚合指标数据;将所述聚合指标数据输入预测模型以获取所述商品的评分;以及通过所述评分对所述商品的销量进行预测。本申请公开的用于数据预测的方法及装置,能够预测并控制仓库内商品数量和库存成本,并在此基础上最大化提高商品配送时效,提高顾客满意度。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种用于数据预测的方法及装置。
背景技术
供应链管理涵盖了产品流动、信息流动和资金流动等各个方面,其目标是在满足顾客需要的前提下,最大化降低物流和库存成本。在电子商务行业,提高顾客满意度的关键之一在于降低送货时长,因此电商公司都会选择在距离顾客较近的位置建立自己的仓库,以便在顾客下单后有最短的送货距离和最快的实效。而在现实问题中,距离顾客较近的位置仅有很少的地理空间,导致开设的仓库仓容较小,无法存放所有的SKU(Stock keepingunit,商品最小单元),所以怎样选择一部分可以容纳的SKU存放在距离顾客比较近的仓库,以达到在保证库存成本的前提下最大化满足顾客需求的目的是本项专利解决的问题。
现有技术中,通常根据历史订单中聚合每个SKU的销量,按照销量由大到小排序,选择排名靠前的部分SKU作为白名单。但是实际业务比较复杂,根据上述对现有技术的描述,可以发现现有技术会存在以下四方面缺点:第一,顾客在下单时经常会同时购买多个SKU,会发生同时购买低销量SKU和高销量SKU的情况,在这种情况下该顾客的订单仍然不能完全由临近顾客的仓库发货,导致履约实效增加。第二,有些销量大的SKU是由某一个或某几个顾客购买的,如果把这样的SKU放在仓库,也只能提升小部分顾客的满意度,可例如,有两个SKU,SKU1有两个用户分别购买50份,一共卖出100份;SKU2,有六十个客户分别购买一份,一共购卖出了60份。如果按照高销量SKU进入白名单的规则,SKU1会进入最终确定的白名单,而SKU2则不会,但是在这种情况下,只能满足两个顾客的订单,而损失了60个顾客的满意度。第三,现有技术基于一个假设:每个SKU的历史销量排序和未来销量排序一致,即历史上销量较大排名靠前的SKU,在未来的订单中销量也比较大。但是在实际情况下,由于促销和季节等原因,历史和未来的情况并不完全一致,所以现有技术存在较大偏差。第四,基于历史不同于未来的假设,可以认为影响每个SKU未来订单量的因素有很多,而现有技术只考虑了SKU历史销量的信息。
因此,需要一种新的用于数据预测的方法及装置。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种用于数据预测的方法及装置,能够预测并控制仓库内商品数量和库存成本,并在此基础上最大化提高商品配送时效,提高顾客满意度。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提出一种用于数据预测的方法,该方法包括:获取预定时间内的订单数据,所述订单数据包括商品的相关信息;将所述订单数据进行聚合处理以提取聚合指标数据;将所述聚合指标数据输入预测模型以获取所述商品的评分;以及通过所述评分对所述商品的销量进行预测。
在本公开的一种示例性实施例中,还包括:通过所述商品的评分,调整仓库内商品的数量及种类。
在本公开的一种示例性实施例中,所述通过所述商品的评分,调整仓库内商品的数量及种类,包括:将仓库内的商品按照所述评分依次排序;以及依据所述排序选取预定个数量的商品作为仓库的库存。
在本公开的一种示例性实施例中,还包括:通过历史订单数据与历史库存数据建立所述预测模型。
在本公开的一种示例性实施例中,所述通过历史订单数据与历史库存数据建立所述预测模型,包括:将历史订单数据作为机器学习算法的输入特征;将历史库存数据作为机器学习算法的标记值;以及通过所述机器学习算法生成所述预测模型。
在本公开的一种示例性实施例中,所述通过所述机器学习算法生成所述预测模型,包括:通过梯度提升决策树算法生成所述预测模型。
在本公开的一种示例性实施例中,所述通过历史订单数据与历史库存数据建立所述预测模型,还包括:获取第一历史时间内的订单数据;以及将所述第一历史时间内的订单数据进行聚合处理以生成所述历史订单数据。
在本公开的一种示例性实施例中,所述通过历史订单数据与历史库存数据建立所述预测模型,还包括:获取第二历史时间内的库存数据;计算所述第二历史时间内的库存数据的最优解;以及通过所述最优解生成所述历史库存数据。
在本公开的一种示例性实施例中,所述计算所述第二历史时间内的库存数据的最优解,包括以下至少一者:通过0-1整数规划算法获取所述最优解;以及通过近似最优解算法获取所述最优解。
在本公开的一种示例性实施例中,包括:
xj,ξi∈{0,1};
其中,xj=1代表第j个商品被选中,aij=1代表第i个订单包含第j个商品,ξi=1代表第i个订单被满足,α为订单满足率,M为总订单量。
根据本发明的一方面,提出一种用于数据预测的装置,该装置包括:数据模块,用于获取预定时间内的订单数据,所述订单数据包括商品的相关信息;聚合模块,用于将所述订单数据进行聚合处理以提取聚合指标数据;评分模块,用于将所述聚合指标数据输入预测模型以获取所述商品的评分;以及预测模块,用于通过所述评分对所述商品的销量进行预测。
在本公开的一种示例性实施例中,还包括:处理模块,用于通过所述商品的评分,调整仓库内商品的数量及种类。
根据本发明的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本发明的一方面,提出一种计算机可读介质,其上存储有计算机程序,其特征在于,程序被处理器执行时实现如上文中的方法。
根据本发明的用于数据预测的方法及装置,能够预测并控制仓库内商品数量和库存成本,并在此基础上最大化提高商品配送时效,提高顾客满意度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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的附图。
图1是根据一示例性实施例示出的一种用于数据预测的方法的***框图。
图2是根据一示例性实施例示出的一种用于数据预测的方法的流程图。
图3是根据另一示例性实施例示出的一种用于数据预测的方法的流程图。
图4是根据一示例性实施例示出的一种用于数据预测的装置的框图。
图5是根据另一示例性实施例示出的一种用于数据预测的装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
图1是根据一示例性实施例示出的一种用于数据预测的方法的***框图。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台数据储存服务器。后台服务器可以对接收到的商品购买的相关信息进行分析等处理,并将处理结果(例如商品销售数据、商品销售预测数据等)反馈给终端设备。
需要说明的是,本申请实施例所提供的消息生成方法一般由服务器105执行,相应地,网页生成装置一般设置于客户端101中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2是根据一示例性实施例示出的一种用于数据预测的方法的流程图。
如图2所示,在S202中,获取预定时间内的订单数据,所述订单数据包括商品的相关信息。可例如,以当前时间为参考,获取向前三个月的历史订单数据。订单数据中包括用户购买的商品信息,可例如包括购买时间,购买商品名称(SKU名称),种类。购买商品的数量等详细信息。
历史订单明细数据可例如下表所示:
其中,order_id代表每个订单的唯一编码,每个order_id代表一个不同的订单,相同的订单有相同的order_id user_id代表下单的用户编码,每个user_id代表一个不同的顾客,相同的顾客有相同的user_id。
sale_qtty代表该顾客在该订单中购买某一SKU的数量;
sale_ord_dt代表顾客下单日期;
delv_center_num代表该顾客的收货地所归属的配送仓库;
sku_id代表该顾客在该订单中购买的SKU的唯一编码。
在S204中,将所述订单数据进行聚合处理以提取聚合指标数据。将订单数据进行聚合处理,提取数据中有价值的信息,主要抽取的信息可例如如下表所示:
在S206中,将所述聚合指标数据输入预测模型以获取所述商品的评分。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。可例如,通过机器学习算法中的梯度提升决策树算法生成所述预测模型。
梯度提升决策树(Gradient Boosting Decision Tree,GBDT),是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力较强的算法。GBDT中的树是回归树(不是分类树),GBDT用来做回归预测,调整后也可以用于分类。在GBDT中,通过M次迭代,每次迭代产生一个回归树模型,在每次迭代时通过向损失函数的负梯度方向移动来使得损失函数越来越小,这样就可以得到越来越精确的模型。
将上文中获得的集合指标数据输入通过梯度提升决策树算法生成所述预测模型中,输入所述商品的评分。
在S208中,通过所述评分对所述商品的销量进行预测。评分可例如为概率的形式输出,概率越大则表示,在未来一段时期内,该商品被销售的可能性越高。
根据本发明的用于数据预测的方法,利用梯度决策树算法建立预测模型,并将历史订单数据输入该模型,进而获取未来商品销量预测的方式,能够预测并控制仓库内商品数量和库存成本,并在此基础上最大化提高商品配送时效,提高顾客满意度。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种用于数据预测的方法的流程图。图3是建立所述预测模型的流程的示例性描述。
在S302中,将历史订单数据作为机器学习算法的输入特征。其中,获取第一历史时间内的订单数据;以及将所述第一历史时间内的订单数据进行聚合处理以生成所述历史订单数据。历史订单数据的聚合处理可示例性参考S202中的步骤,在此不再赘述。
在S304中,将历史库存数据作为机器学习算法的标记值。其中,获取第二历史时间内的库存数据;计算所述第二历史时间内的库存数据的最优解;以及通过所述最优解生成所述历史库存数据。
库存记录明细数据可例如如下表所示:
sku_id | delv_center_num | stock_qtty | dt |
4879844 | 4 | 20 | 2017-09-27 |
4609868 | 4 | 100 | 2017-09-27 |
4510588 | 2 | 1099 | 2017-09-27 |
3510478 | 2 | 321 | 2017-09-27 |
4461494 | 4 | 1089 | 2017-09-27 |
3510478 | 2 | 222 | 2017-09-27 |
2600248 | 4 | 20 | 2017-09-27 |
4371862 | 10 | 0 | 2017-09-27 |
4507940 | 10 | 10 | 2017-09-27 |
4507940 | 4 | 19 | 2017-09-27 |
其中,delv_center_num代表该SKU所在的仓库;
sku_id代表SKU的唯一编码;
stock_qtty代表该SKU在该仓库现有的库存数量;
dt代表该库存数量记录日期。
上下柜状态明细数据可例如如下表所示:
sku_id | delv_center_num | dt | status |
4879844 | 4 | 2017-09-27 | 0 |
4609868 | 4 | 2017-09-27 | 1 |
4510588 | 2 | 2017-09-27 | 2 |
3510478 | 2 | 2017-09-27 | 2 |
4461494 | 4 | 2017-09-27 | 1 |
3510478 | 2 | 2017-09-27 | 1 |
2600248 | 4 | 2017-09-27 | 1 |
4371862 | 10 | 2017-09-27 | 1 |
4507940 | 10 | 2017-09-27 | 0 |
4507940 | 4 | 2017-09-27 | 0 |
其中,delv_center_num代表该SKU所在的仓库;
sku_id代表SKU的唯一编码;
dt代表该库存数量记录日期;
status代表该SKU在该仓库的上下柜状态编码:0下柜,1上柜,2待上柜。
因为历史的订单属于已知信息,可例如使用每个SKU的订单数据,计算出为达到一定的订单满足率所需要的最少SKU的数量,即如果这些SKU在历史的白名单中,那么历史的订单满足率将达到最大。为求解这一问题,可例如使用运筹优化领域的0-1整数规划方法。
运筹学:运筹学是现代管理学的一门重要专业基础课。它是20世纪30年代初发展起来的一门新兴学科,其主要目的是在决策时为管理人员提供科学依据,是实现有效管理、正确决策和现代化管理的重要方法之一。该学科是应用数学和形式科学的跨领域研究,利用统计学、数学模型和算法等方法,去寻找复杂问题中的最佳或近似最佳的解答。
线性规划:线性规划(Linear programming,简称LP)是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支,它是辅助人们进行科学管理的一种数学方法。研究线性约束条件下线性目标函数的极值问题的数学理论和方法。
整数规划:整数规划是指规划中的变量(全部或部分)限制为整数,若在线性模型中,变量限制为整数,则称为整数线性规划。
决策变量:是决策者为实现规划目标采取的方案、措施,是问题中药确定的未知量。
在本申请实施例中,根据以上内容,可例如设定目标函数与约束条件为如下形式:
xj,ξi∈{0,1};
其中,xj=1代表第j个商品被选中,aij=1代表第i个订单包含第j个商品,ξi=1代表第i个订单被满足,α为订单满足率,M为总订单量。
目标函数:指问题要达到的目的要求,表示为决策变量的函数。在以上公式中,考虑仓容和SKU数量的条件,本实施例的目标函数为最小化白名单中SKU的数量。
约束条件:只决策变量取值时受到的各种可用资源的限制,表示为含决策变量的等式或不等式。在本实施例中,约束条件分别为:
对每一个订单,如果该订单可以被满足(ξi=1),则订单中的所有SKU都在白名单中,否则该订单不能被满足(ξi=0);
理论满足率大于等于要达到的订单满足率(α);
商品是否被选中和订单是否被满足都是0-1变量(0-是;1-否)通过以上方法,可以确定每个SKU理论上是否应该出现在历史的白名单中。
在S306中,通过所述机器学习算法生成所述预测模型。将历史订单数据作为机器学习算法的输入特征,将历史库存数据作为机器学习算法的标记值,通过机器学习算法对数据进行训练,进而生成所述预测模型。
在本公开的一种示例性实施例中,还包括:通过所述商品的评分,调整仓库内商品的数量及种类。将仓库内的商品按照所述评分依次排序;以及依据所述排序选取预定个数量的商品作为仓库的库存。评分可例如为概率的形式输出,概率越大表示该SKU越有可能出现在未来的白名单中,也即该SKU在未来的订单量可能较大。在本实施例中,白名单可例如指的是在临近顾客的仓库中存放的SKU集合。
在本公开的一种示例性实施例中,可例如,决策者需要根据仓库仓容大小或该仓库覆盖区域需求量大小确定该仓库可能容纳的SKU数量,记作A。模型输出每个SKU在未来订单量较大的概率,将概率值由大到小排序,输出排名靠前的前A个SKU作为未来的白名单。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图4是根据一示例性实施例示出的一种用于数据预测的装置的框图。如图4所示,用于数据预测的装置40包括:数据模块402,聚合模块404,评分模块406,以及预测模块408。
数据模块402用于获取预定时间内的订单数据,所述订单数据包括商品的相关信息。所述订单数据包括商品的相关信息。可例如,以当前时间为参考,获取向前三个月的历史订单数据。订单数据中包括用户购买的商品信息,可例如包括购买时间,购买商品名称(SKU名称),种类。购买商品的数量等详细信息。
聚合模块404用于将所述订单数据进行聚合处理以提取聚合指标数据。将订单数据进行聚合处理,提取数据中有价值的信息。
评分模块406用于将所述聚合指标数据输入预测模型以获取所述商品的评分。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。可例如,通过机器学习算法中的梯度提升决策树算法生成所述预测模型。
预测模块408用于通过所述评分对所述商品的销量进行预测。评分可例如为概率的形式输出,概率越大则表示,在未来一段时期内,该商品被销售的可能性越高。
在本公开的一种示例性实施例中,用于数据预测的装置40还包括:处理模块(图中未示出)用于通过所述商品的评分,调整仓库内商品的数量及种类。通过所述商品的评分,调整仓库内商品的数量及种类。将仓库内的商品按照所述评分依次排序;以及依据所述排序选取预定个数量的商品作为仓库的库存。
图5是根据另一示例性实施例示出的一种用于数据预测的装置的框图。用于数据预测的装置50包括:数据采集模块502,数据处理模块504,历史最优解计算模块506,训练模型模块508,以及输出模型模块510。
其中,数据采集模块502用于获取预定时间内的订单数据。数据处理模块504用于将所述订单数据进行聚合处理以提取聚合指标数据。历史最优解计算模块506,因为历史的订单属于已知信息,我们可以使用每个SKU的订单数据,计算出为达到一定的订单满足率所需要的最少SKU的数量,即如果这些SKU在历史的白名单中,那么历史的订单满足率将达到最大。为求解这一问题,可例如使用历史最优解计算模块506寻求最优解。训练模型模块508,将历史订单数据作为机器学习算法的输入特征,将历史库存数据作为机器学习算法的标记值,通过训练模型模块508对数据进行训练,输出模型模块510,输出最后的训练模型。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图2中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取预定时间内的订单数据,所述订单数据包括商品的相关信息;将所述订单数据进行聚合处理以提取聚合指标数据;将所述聚合指标数据输入预测模型以获取所述商品的评分;以及通过所述评分对所述商品的销量进行预测。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。
Claims (11)
1.一种用于数据预测的方法,其特征在于,包括:
获取预定时间内的订单数据,所述订单数据包括商品的相关信息;所述商品的相关信息包括商品名称、种类;
将所述订单数据进行聚合处理以提取聚合指标数据;所述聚合指标数据包括上柜天数、下柜天数、上柜且有货天数、距离最近一次上柜天数;
将所述聚合指标数据输入预测模型以获取所述商品的评分;通过历史订单数据与历史库存数据建立所述预测模型;将历史订单数据作为机器学习算法的输入特征;将历史库存数据作为机器学习算法的标记值;以及通过所述机器学习算法生成所述预测模型;获取第二历史时间内的库存数据;
计算所述第二历史时间内的库存数据的最优解;以及通过所述最优解生成所述历史库存数据;以及
通过所述评分对所述商品的销量进行预测,以控制所述商品的库存数量。
2.如权利要求1所述的方法,其特征在于,还包括:
通过所述商品的评分,调整仓库内商品的数量及种类。
3.如权利要求2所述的方法,其特征在于,所述通过所述商品的评分,调整仓库内商品的数量及种类,包括:
将仓库内的商品按照所述评分依次排序;以及
依据所述排序选取预定个数量的商品作为仓库的库存。
4.如权利要求1所述的方法,其特征在于,所述通过所述机器学习算法生成所述预测模型,包括:
通过梯度提升决策树算法生成所述预测模型。
5.如权利要求1所述的方法,其特征在于,所述通过历史订单数据与历史库存数据建立所述预测模型,还包括:
获取第一历史时间内的订单数据;以及
将所述第一历史时间内的订单数据进行聚合处理以生成所述历史订单数据。
6.如权利要求1所述的方法,其特征在于,所述计算所述第二历史时间内的库存数据的最优解,包括以下至少一者:
通过0-1整数规划算法获取所述最优解;以及
通过近似最优解算法获取所述最优解。
8.一种用于数据预测的装置,其特征在于,包括:
数据模块,用于获取预定时间内的订单数据,所述订单数据包括商品的相关信息;所述商品的相关信息包括商品名称、种类;
聚合模块,用于将所述订单数据进行聚合处理以提取聚合指标数据;所述聚合指标数据包括上柜天数、下柜天数、上柜且有货天数、距离最近一次上柜天数;
评分模块,用于将所述聚合指标数据输入预测模型以获取所述商品的评分;通过历史订单数据与历史库存数据建立所述预测模型;将历史订单数据作为机器学习算法的输入特征;将历史库存数据作为机器学习算法的标记值;以及通过所述机器学习算法生成所述预测模型;获取第二历史时间内的库存数据;计算所述第二历史时间内的库存数据的最优解;以及通过所述最优解生成所述历史库存数据;以及
预测模块,用于通过所述评分对所述商品的销量进行预测,以控制所述商品的库存数量。
9.如权利要求8所述的装置,其特征在于,还包括:
处理模块,用于通过所述商品的评分,调整仓库内商品的数量及种类。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222407.9A CN109840730B (zh) | 2017-11-29 | 2017-11-29 | 用于数据预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222407.9A CN109840730B (zh) | 2017-11-29 | 2017-11-29 | 用于数据预测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840730A CN109840730A (zh) | 2019-06-04 |
CN109840730B true CN109840730B (zh) | 2021-06-29 |
Family
ID=66881756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711222407.9A Active CN109840730B (zh) | 2017-11-29 | 2017-11-29 | 用于数据预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840730B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400064A (zh) * | 2019-07-10 | 2019-11-01 | 江苏博子岛智能科技有限公司 | 一种具备人工智能的物流控制***及方法 |
CN112396365B (zh) * | 2019-08-14 | 2024-07-02 | 顺丰科技有限公司 | 一种库存单品预测方法、装置、计算机设备及存储介质 |
CN111310977A (zh) * | 2020-01-20 | 2020-06-19 | 重庆亚德科技股份有限公司 | 基于大数据的药品库存预测***及方法 |
CN113379173B (zh) * | 2020-03-09 | 2023-11-07 | 北京京东振世信息技术有限公司 | 为仓库商品标记标签的方法和装置 |
CN111831675A (zh) * | 2020-07-07 | 2020-10-27 | 平安科技(深圳)有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
CN114186903A (zh) * | 2020-09-14 | 2022-03-15 | 上海顺如丰来技术有限公司 | 仓库选品方法、装置、计算机设备和存储介质 |
CN112183969A (zh) * | 2020-09-15 | 2021-01-05 | 北京每日优鲜电子商务有限公司 | 针对供货单的支付设备操作控制方法、装置、电子设备 |
CN113554457A (zh) * | 2021-07-04 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 适用于电商平台的智能海报生成方法、装置及存储介质 |
CN115130858B (zh) * | 2022-06-27 | 2024-01-26 | 上海聚水潭网络科技有限公司 | 一种基于多目标启发式的订单聚合方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN105825354A (zh) * | 2016-03-11 | 2016-08-03 | 北京小米移动软件有限公司 | 仓储调度方法和装置 |
CN106504067A (zh) * | 2016-11-03 | 2017-03-15 | 北京挖玖电子商务有限公司 | 商品智能排序装置 |
CN107230035B (zh) * | 2017-06-29 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
-
2017
- 2017-11-29 CN CN201711222407.9A patent/CN109840730B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109840730A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840730B (zh) | 用于数据预测的方法及装置 | |
US20230334570A1 (en) | Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history | |
TWI612488B (zh) | 用於預測商品的市場需求的計算機裝置與方法 | |
US20170017900A1 (en) | System and method for feature generation over arbitrary objects | |
WO2019072128A1 (zh) | 对象识别方法及其*** | |
Papadopoulos et al. | A DSS for the buffer allocation of production lines based on a comparative evaluation of a set of search algorithms | |
JP2019079302A (ja) | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム | |
US11367117B1 (en) | Artificial intelligence system for generating network-accessible recommendations with explanatory metadata | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
Zhang et al. | Learning to select supplier portfolios for service supply chain | |
Hadi-Vencheh | A new nonlinear model for multiple criteria supplier-selection problem | |
US20220391783A1 (en) | Stochastic demand model ensemble | |
CN111695024A (zh) | 对象评估值的预测方法及***、推荐方法及*** | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
Ferencek et al. | Data quality assessment in product failure prediction models | |
US11334935B2 (en) | Method, system, and manufacture for light hypergraph based recommendation | |
CN110880119A (zh) | 一种数据处理方法和装置 | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
Bai | A Hierarchical Model of E-Commerce Sellers Based on Data Mining. | |
CN113935529A (zh) | 客户生命周期价值的确定方法、装置、设备及介质 | |
CN113449175A (zh) | 热点数据的推荐方法和装置 | |
CN111105274A (zh) | 数据处理方法、装置、介质及电子设备 | |
Yu | Design of Drug Sales Forecasting Model Using Particle Swarm Optimization Neural Networks Model | |
Upreti et al. | Artificial intelligence and its effect on employment and skilling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |