CN113537850A - 仓储优化方法、装置、计算机设备和存储介质 - Google Patents
仓储优化方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113537850A CN113537850A CN202010288397.4A CN202010288397A CN113537850A CN 113537850 A CN113537850 A CN 113537850A CN 202010288397 A CN202010288397 A CN 202010288397A CN 113537850 A CN113537850 A CN 113537850A
- Authority
- CN
- China
- Prior art keywords
- shipment
- warehouse
- long
- optimization
- stock
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 38
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 238000004140 cleaning Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012384 transportation and delivery Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种仓储优化方法、装置、计算机设备和存储介质。所述方法通过获取仓储优化请求；查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据；根据所述历史出货记录确定所述库存品中的长尾库存品；根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果；根据所述第一出货预期结果对所述仓储优化请求对应仓库内长尾库存品进行仓储优化。本申请通过仓库的历史出货记录，来确定库存品中的长尾库存品，而后对长尾库存品进行专门分析，并以此进行仓储优化，能对仓库的库内库存品进行有效管理，更有效地将仓储设置与出货需求相匹配。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种仓储优化方法、装置、计算机设备和存储介质。
背景技术
随着工业互联网技术的发展，出现了C2M(Customer-to-Manufacturer，用户直连制造)技术，C2M是一种新型的工业互联网电子商务的商业模式，又被称为“短路经济”。C2M具体是指现代制造业中由用户驱动生产的反向生产模式。C2M模式基于互联网、大数据、人工智能，以及通过生产线的自动化、定制化、节能化、柔性化，运用庞大的计算机***随时进行数据交换，按照客户的产品订单要求，设定供应商和生产工序，最终生产出个性化产品的工业化定制模式。C2M的蔓延导致OTD(Order On-time delivery rate，订单及时交付率)和生产方式发生变革，大波动和短周期的订单成为常态。而一些周期长，货运量小，种类多的商品(如一些高价值汽车售后件)占用资源量较大。
传统技术中，一般是总结这些商品历史的销量数据，而后通过历史均值方法来预测这些商品未来销售量，进而进行本地仓库的仓储设置。
然而，目前这种通过历史均值方法进行仓储设置的方法，对于出货量较小的长尾库存品并不适用，无法对仓库的库内库存品进行有效管理。
发明内容
基于此，有必要针对上述技术问题，提供一种能够更有效地对仓库的库内库存品进行有效管理的仓储优化方法、装置、计算机设备和存储介质。
一种仓储优化方法，所述方法包括：
获取仓储优化请求；
查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据；
根据所述历史出货记录确定所述库存品中的长尾库存品；
根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果；
根据所述第一出货预期结果对所述仓储优化请求对应仓库内长尾库存品进行仓储优化。
在其中一个实施例中，所述根据所述历史出货记录确定所述库存品中的长尾库存品之后，还包括：通过加权滑动平均法结合LGB预测，对除所述长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果；根据所述第二出货预期结果对所述仓储优化请求对应仓库内除所述长尾库存品之外的库存品进行仓储优化。
在其中一个实施例中，所述查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据包括：查找所述仓储优化请求对应仓库内各库存品的历史出货记录；对所述历史出货记录中的出货数据进行数据清洗以及数据转换处理；对所述数据清洗以及数据转换处理后的出货数据进行特征工程处理，获取出货特征数据。
在其中一个实施例中，所述对所述数据清洗以及数据转换处理进行特征工程处理，获取出货特征数据包括：对所述数据清洗以及数据转换处理进行特征工程处理，获取工程特征数据；通过时序稳定性对所述工程特征数据进行特征筛选，获取出货特征数据。
在其中一个实施例中，所述通过加权滑动平均法结合LGB预测，对除所述长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果之前，还包括：
获取出货记录训练数据；
提取所述出货记录训练数据对应的出货特征数据；
以所述出货记录训练数据对应的出货特征数据为训练参数，以第二出货预期结果的平均绝对百分比误差为模型优化目标参数，通过贝叶斯优化的参数搜索对初始预测模型进行训练，获取出货量预测模型，所述初始预测模型基于加权滑动平均法结合LGB预测构建；
所述通过加权滑动平均法结合LGB预测，对除所述长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果包括：将除所述长尾库存品之外的库存品对应的出货特征数据输入所述出货量预测模型，获取第二出货预期结果。
在其中一个实施例中，所述根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果包括：当所述长尾库存品对应的出货量数据低于或等于预设出货量阈值时，获取所述长尾库存品对应的库存品类别，根据所述库存品类别获取所述长尾库存品对应的第一出货预期结果；当所述长尾库存品对应的出货量数据高于预设出货量阈值时，获取所述长尾库存品对应的出货量平滑均值，根据所述平滑均值对应的泊松分布获取所述长尾库存品对应的第一出货预期结果。
一种仓储优化装置，所述装置包括：
请求获取模块，用于获取仓储优化请求；
特征数据获取模块，用于查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据；
长尾筛选模块，用于根据所述历史出货记录确定所述库存品中的长尾库存品；
第一分析模块，用于根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果；
第一优化模块，用于根据所述第一出货预期结果对所述仓储优化请求对应仓库内长尾库存品进行仓储优化。
在其中一个实施例中，还包括第二优化模块，用于：通过加权滑动平均法结合LGB(LightGBM)预测，对除所述长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果；根据所述第二出货预期结果对所述仓储优化请求对应仓库内除所述长尾库存品之外的库存品进行仓储优化。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取仓储优化请求；
查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据；
根据所述历史出货记录确定所述库存品中的长尾库存品；
根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果；
根据所述第一出货预期结果对所述仓储优化请求对应仓库内长尾库存品进行仓储优化。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取仓储优化请求；
查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据；
根据所述历史出货记录确定所述库存品中的长尾库存品；
根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果；
根据所述第一出货预期结果对所述仓储优化请求对应仓库内长尾库存品进行仓储优化。
上述仓储优化方法、装置、计算机设备和存储介质，通过获取仓储优化请求；查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据；根据所述历史出货记录确定所述库存品中的长尾库存品；根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果；根据所述第一出货预期结果对所述仓储优化请求对应仓库内长尾库存品进行仓储优化。本申请通过仓库的历史出货记录，来确定库存品中的长尾库存品，而后对长尾库存品进行专门分析，并以此进行仓储优化，能对仓库的库内库存品进行有效管理。
附图说明
图1为一个实施例中仓储优化方法的应用环境图；
图2为一个实施例中仓储优化方法的流程示意图；
图3为另一个实施例中仓储优化方法的流程示意图；
图4为一个实施例中图3中步骤203的子流程示意图；
图5为一个实施例中仓储优化装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的仓储优化方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与仓储优化服务器104通过网络进行通信。当用户希望对某个仓库的库存品结构进行优化时，可以通过终端102向仓储优化服务器104发送仓储优化请求，该仓储优化请求携带有该仓库对应的身份信息，仓储优化服务器104从终端102获取仓储优化请求；查找仓储优化请求对应仓库内各库存品的历史出货记录，并获取历史出货记录对应的出货特征数据；根据历史出货记录确定库存品中的长尾库存品；通过预设长尾出货预测算法对长尾库存品对应的出货特征数据进行分析，获取第一出货预期结果；根据第一出货预期结果对仓储优化请求对应仓库内长尾库存品进行仓储优化。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，仓储优化服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种仓储优化方法，以该方法应用于图1中的仓储优化服务器104端为例进行说明，包括以下步骤：
步骤201，获取仓储优化请求。
其中，仓储优化请求携带有仓储优化对应的目标仓库信息。目标仓库具体可以是指一个仓库，或者是负责向相同地区供应库存品的仓库集群。
具体地，仓库内的库存品的存量与该商品在仓库所在地的销售情况关系密切，当用户希望对某个仓库内库存品的存量进行结构优化，以确保该仓库的库存品可以跟实际的出库量需要相符合时，可以通过终端102向仓储优化服务器104发送对应的仓储优化请求，来请求仓储优化服务器对目标仓库内的各个库存品进行定量分析，以确保仓储设置与出货需求相匹配。在其中一个实施例中，仓储优化请求还可以包括仓储优化的周期设置，具体包括长周期、中周期以及短周期，在不同的优化周期内，对该仓库的仓储进行优化所用的模型、模型的输入数据以及得出的优化结果都各不相同。
步骤203，查找仓储优化请求对应仓库内各库存品的历史出货记录，并获取历史出货记录对应的出货特征数据。
其中，库存品可以以SKU(Stock Keeping Unit，库存保有单位)的形式来进行分类，库存保有单位是对每一个产品和服务的唯一标示符，通过使用SKU的值根于数据管理，使公司能够跟踪***，如仓库和零售商店或产品的库存情况。而仓储优化请求对应仓库即是指仓储优化的目标仓库，如果仓库内的库存品被销售出去了，那么该库存品就会从仓库出库，并转运到库存品购买者的手中。此时仓库会生成对应的库存品出货记录。而对于没有出货记录的库存品，则可以直接进行填0处理。而出货特征数据具体包括了出货量、出货时间、出货运输的目标地点以及历史记录中不同时间段的出货频率等等数据。
具体地，在接收到仓储优化请求后，仓储优化服务器104可以解析仓储优化请求，以确定仓储优化请求对应的仓库，而后直接查找该仓库对应的库存品出货记录。在其中一个实施例中，该出货记录与仓储优化的周期设置向对应，对于不同的周期，提取的出货记录的跨时也各不相同，对于越长的仓储优化周期，其对应的出货记录跨时也越长。当得到库存品的历史出货记录，为了更有效地来对仓储的优化进行设置，可以从历史出货记录中提取出相应的出货特征数据，通过对出货特征数据的分析，来得到相应的库存优化设置结果。
步骤205，根据历史出货记录确定库存品中的长尾库存品。
其中长尾库存品是指具备长尾效应的库存品。从人们需求的角度来看，大多数的需求会集中在头部，而这部分被称之为流行，而分布在尾部的需求是个性化的，零散的小量的需求。而这部分差异化的、少量的需求会在需求曲线上面形成一条长长的“尾巴”，这部分需求就是长尾。长尾库存品一般出货量以及出货频率都较低。在其中一个实施例中，仓库的库存品具体可以为汽车售后件，对于相同品牌的汽车售后件，仓库内库存的sku可以多达上万种，而大部分的sku年出货量低于10件，月均出货量低于1件，此时，可以将这些sku视为长尾库存品。
具体的，仓储优化服务器104可以根据历史出货记录，确定库存品中哪些库存品是出货频率与出货量较低的长尾库存品。而后对长尾库存品进行专门分析，对这些长尾库存品在未来的出货量进行估计，继而优化目标仓库内的仓储结构。
步骤207，根据长尾库存品对应的出货特征数据，获取第一出货预期结果。
其中，第一出货预期结果具体是指根据仓储优化请求为仓库内各个长尾库存品未来的出库情况进行预测，而得出的结果。如预计库存品A在未来1个月内的出货量为1件，库存品B在未来一个月的出货量3件。
具体地，仓储优化服务器可以对目标仓库的历史出货记录进行分析，来对目标仓库内的长尾库存品未来的出货情况进行详细分析，以对目标仓库内各个长尾库存品的库存量进行优化。
步骤209，根据第一出货预期结果对仓储优化请求对应仓库内长尾库存品进行仓储优化。
具体地，第一出货预期结果是指目标仓库内各库存品未来的出货量，而根据第一出货预期结果对仓储优化请求对应仓库内长尾库存品进行仓储优化，具体包括，先确定仓库内各个长尾库存品的现有存量，而后根据未来的出货量确定对仓库内的长尾库存品进行补货，或者将多余的长尾库存品转移到其他仓库的数量。通过仓储的优化，可以有效减少在途的货量，继而提高长尾库存品工厂的生产效率。
上述仓储优化方法，通过获取仓储优化请求；查找仓储优化请求对应仓库内各库存品的历史出货记录，并获取历史出货记录对应的出货特征数据；根据历史出货记录确定库存品中的长尾库存品；根据长尾库存品对应的出货特征数据，获取第一出货预期结果；根据第一出货预期结果对仓储优化请求对应仓库内长尾库存品进行仓储优化。本申请通过仓库的历史出货记录，来确定库存品中的长尾库存品，而后对长尾库存品进行专门分析，并以此进行仓储优化，能对仓库的库内库存品进行有效管理。
在一个实施例中，如图3所示，步骤209之后，还包括：
步骤302，通过加权滑动平均法结合LGB预测，对除长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果。
步骤304，根据第二出货预期结果对仓储优化请求对应仓库内除长尾库存品之外的库存品进行仓储优化。
其中，加权滑动平均法就是根据同一个移动段内不同时间的数据对预测值的影响程度，分别给予不同的权数，然后再进行平均移动以预测未来值。加权移动平均法不像简单移动平均法那样，在计算平均值时对移动期内的数据同等看待，而是根据愈是近期数据对预测值影响愈大这一特点，不同地对待移动期内的各个数据。对近期数据给予较大的权数，对较远的数据给予较小的权数，这样来弥补简单移动平均法的不足。LGB预测即通过LigthGBM进行预测，LigthGBM是boosting集合模型中的新进成员，它和XGBoost一样是对GBDT的高效实现，原理上它和GBDT及XGBoost类似，都采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。而本申请中的LGB预测，则具体可以为一个根据所需要出货预期的时间长短设置的一个滚动预测算法，在其中一个实施例中，LGB预测可以滚动28天，在这段时间内对库存品的出货量进行估计。
具体地，由于仓库内的库存品除了长尾库存品外，还有相当一部分的非长尾库存品，对于这部分库存品，可以通过加权滑动平均法结合LGB预测来对它未来一段时间内的出货预期进行估计。在其中一个实施例中，可以基于加权滑动平均法结合LGB预测来构建一个预测模型，而后通过将获得的出货特征数据输入预测模型，来对第二出货预期结果进行预测，该预测模型具体为线性回归模型结合LGB模型以及prophet模型来实现。本实施例中，通过对除长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果，进而对仓库内除长尾库存品之外的库存品进行优化，可以进一步优化仓库内的库存品的存量结构，能更有效地将仓储设置与出货需求相匹配。
如图4所示，在其中一个实施例中，步骤203包括：
步骤401，查找仓储优化请求对应仓库内各库存品的历史出货记录。
步骤403，对历史出货记录中的出货数据进行数据清洗以及数据转换处理。
步骤405，对数据清洗以及数据转换处理后的出货数据进行特征工程处理，获取出货特征数据。
其中，数据清洗具体是指去除历史出货记录数据中的无效数据，比如历史出货数据中的某些数据与未来的出货预测无关，可以直接通过数据清洗将其取出。而数据转换则是指对历史出货数据中的空值以及无意义数据进行数据转换，当仓库内的库存品包含大量的长尾库存品时，可能在某段时间内某个库存品的出货数量为0，这时可以数据转换，将与其对应的出货数据进行填0处理。而特征工程处理则是指提取出货数据中包含的特征，而后仓储优化服务器104可以直接根据特征进行后续的预测。特征工程具体可以包括box-cox变换，提取滑窗时序统计量，特征交叉等处理过程。
具体地，仓储优化服务器104可以直接获得用户仓储优化请求对应仓库内各库存品的历史出货记录，而后对历史出货记录中的出货数据进行相应的数据清洗以及数据转换处理，来保证数据的有效性，而后通过特征工程对出货数据进行进一步地处理，来提取出货特征中包含的可用于未来库存品出货预测的出货特征数据。本实施例中，通过对历史出货记录进行数据清洗、数据转换以及特征工程等处理，得到出货特征数据，可以有效保证出货特征数据的有效性，从而提高后续出货预测过程的预测准确性。
在其中一个实施例中，步骤405包括：对数据清洗以及数据转换处理进行特征工程处理，获取工程特征数据；通过时序稳定性对工程特征数据进行特征筛选，获取出货特征数据。
时序平稳性就是要求经由样本时间序列所得到的特征的拟合曲线在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去；如果数据非平稳，则说明样本拟合曲线的形态不具有“惯性”延续的特点。而基于时序稳定性对工程特征数据进行筛选则是指保留具有时序稳定性的工程特征数据，并将其作为出货特征数据。此外还可以通过递归式特征消除等方式来进行特征筛选，或者通过基于树模型***次数和***增益排序的方法来对得到的出货特征的重要性进行排序处理。本实施例中，通过对特征筛选等处理，得到出货特征数据，可以有效保证用于出货量分析的出货特征数据的有效性，从而提高后续出货预测过程的预测准确性。
在其中一个实施例中，步骤302之前，还包括：获取出货记录训练数据；
提取出货记录训练数据对应的出货特征数据；以出货记录训练数据对应的出货特征数据为训练参数，以第二出货预期结果的平均绝对百分比误差为模型优化目标参数，通过贝叶斯优化的参数搜索对初始预测模型进行训练，获取出货量预测模型，初始预测模型基于加权滑动平均法结合LGB预测构建；步骤302包括：将除长尾库存品之外的库存品对应的出货特征数据输入出货量预测模型，获取第二出货预期结果。
其中出货记录训练数据具体可以是当前预测日前一段时间内的历史出货数据。用于对预测模型进行训练。这部分数据依旧需要通过数据清洗以及数据转换等处理。训练参数具体可以包括训练集数据，测试集数据以及验证集数据，具体地，可以通过时序分层和随机抽样法来对数据清洗以及数据转换完的数据进行处理，来获得可用的训练数据，并将其分为训练集数据，测试集数据以及验证集数据。在得到训练数据后，以出货记录训练数据对应的出货特征数据为训练参数，以第二出货预期结果的平均绝对百分比误差为模型优化目标参数，通过贝叶斯优化的参数搜索对初始预测模型进行训练，获取出货量预测模型。而该初始预测模型是基于加权滑动平均法结合LGB预测构建。当需要对第二出货预期结果进行估计时，则可以直接将除长尾库存品之外的库存品对应的出货特征数据输入出货量预测模型，直接获得相应的第二出货预期结果。在本实施例中，通过仓库对应的历史出货记录
在其中一个实施例中，出货特征数据包括出货量数据，步骤207包括：当长尾库存品对应的出货量数据低于或等于预设出货量阈值时，获取长尾库存品对应的库存品类别，根据库存品类别获取长尾库存品对应的第一出货预期结果；当长尾库存品对应的出货量数据高于预设出货量阈值时，获取长尾库存品对应的出货量平滑均值，根据平滑均值对应的泊松分布获取长尾库存品对应的第一出货预期结果。
其中，预设出货量阈值具体可以是一个很小的数值，比如为0或者为1，当长尾库存品对应的出货量数据低于或等于该预设出货量阈值时，则可以认定为是该长尾库存品对应的长尾销量数据过低，此时可以直接根据该长尾库存品的类别，为他分配对应的库存量指标。而当长尾库存品对应的出货量数据高于预设出货量阈值时，则可以认定为其对应的销量数据可以进行进一步的估计，此时可以获取长尾库存品对应的出货量平滑均值，根据平滑均值对应的泊松分布获取长尾库存品对应的第一出货预期结果。在另一个实施例中，还可以基于出货量平滑均值，通过SAA(Sample Average Approximation，抽样平均近似)的方法来进行后续的出货量估计。本实施例中，根据长尾库存品的实际出货情况，对不同种类的长尾库存品进行不同的出货量估计，可以有效保证出货量估计过程的准确性。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种仓储优化装置，包括：请求获取模块501、特征数据获取模块503、长尾筛选模块505、第一分析模块507和第一优化模块509，其中：
请求获取模块501，用于获取仓储优化请求。
特征数据获取模块503，用于查找仓储优化请求对应仓库内各库存品的历史出货记录，并获取历史出货记录对应的出货特征数据。
长尾筛选模块505，用于根据历史出货记录确定库存品中的长尾库存品。
第一分析模块507，用于根据长尾库存品对应的出货特征数据，获取第一出货预期结果。
第一优化模块509，用于根据第一出货预期结果对仓储优化请求对应仓库内长尾库存品进行仓储优化。
在其中一个实施例中，还包括第二优化模块，用于：通过加权滑动平均法结合LGB预测，对除长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果；根据第二出货预期结果对仓储优化请求对应仓库内除长尾库存品之外的库存品进行仓储优化。
在其中一个实施例中，特征数据获取模块503用于：查找仓储优化请求对应仓库内各库存品的历史出货记录；对历史出货记录中的出货数据进行数据清洗以及数据转换处理；对数据清洗以及数据转换处理后的出货数据进行特征工程处理，获取出货特征数据。
在其中一个实施例中，特征数据获取模块503还用于：对数据清洗以及数据转换处理进行特征工程处理，获取工程特征数据；通过时序稳定性对工程特征数据进行特征筛选，获取出货特征数据。
在其中一个实施例中，还包括模型训练模块，用于：获取出货记录训练数据；提取出货记录训练数据对应的出货特征数据；以出货记录训练数据对应的出货特征数据为训练参数，以第二出货预期结果的平均绝对百分比误差为模型优化目标参数，通过贝叶斯优化的参数搜索对初始预测模型进行训练，获取出货量预测模型，初始预测模型基于加权滑动平均法结合LGB预测构建。第二优化模块具体用于：将除长尾库存品之外的库存品对应的出货特征数据输入出货量预测模型，获取第二出货预期结果。
在其中一个实施例中，第一分析模块具体用于：当长尾库存品对应的出货量数据低于或等于预设出货量阈值时，获取长尾库存品对应的库存品类别，根据库存品类别获取长尾库存品对应的第一出货预期结果；当长尾库存品对应的出货量数据高于预设出货量阈值时，获取长尾库存品对应的出货量平滑均值，根据平滑均值对应的泊松分布获取长尾库存品对应的第一出货预期结果。
关于仓储优化装置的具体限定可以参见上文中对于仓储优化方法的限定，在此不再赘述。上述仓储优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储仓储优化数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种仓储优化方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取仓储优化请求；
查找仓储优化请求对应仓库内各库存品的历史出货记录，并获取历史出货记录对应的出货特征数据；
根据历史出货记录确定库存品中的长尾库存品；
根据长尾库存品对应的出货特征数据，获取第一出货预期结果；
根据第一出货预期结果对仓储优化请求对应仓库内长尾库存品进行仓储优化。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过加权滑动平均法结合LGB预测，对除长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果；根据第二出货预期结果对仓储优化请求对应仓库内除长尾库存品之外的库存品进行仓储优化。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：查找仓储优化请求对应仓库内各库存品的历史出货记录；对历史出货记录中的出货数据进行数据清洗以及数据转换处理；对数据清洗以及数据转换处理后的出货数据进行特征工程处理，获取出货特征数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对数据清洗以及数据转换处理进行特征工程处理，获取工程特征数据；通过时序稳定性对工程特征数据进行特征筛选，获取出货特征数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取出货记录训练数据；提取出货记录训练数据对应的出货特征数据；以出货记录训练数据对应的出货特征数据为训练参数，以第二出货预期结果的平均绝对百分比误差为模型优化目标参数，通过贝叶斯优化的参数搜索对初始预测模型进行训练，获取出货量预测模型，初始预测模型基于加权滑动平均法结合LGB预测构建。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当长尾库存品对应的出货量数据低于或等于预设出货量阈值时，获取长尾库存品对应的库存品类别，根据库存品类别获取长尾库存品对应的第一出货预期结果；当长尾库存品对应的出货量数据高于预设出货量阈值时，获取长尾库存品对应的出货量平滑均值，根据平滑均值对应的泊松分布获取长尾库存品对应的第一出货预期结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取仓储优化请求；
查找仓储优化请求对应仓库内各库存品的历史出货记录，并获取历史出货记录对应的出货特征数据；
根据历史出货记录确定库存品中的长尾库存品；
根据长尾库存品对应的出货特征数据，获取第一出货预期结果；
根据第一出货预期结果对仓储优化请求对应仓库内长尾库存品进行仓储优化。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过加权滑动平均法结合LGB预测，对除长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果；根据第二出货预期结果对仓储优化请求对应仓库内除长尾库存品之外的库存品进行仓储优化。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：查找仓储优化请求对应仓库内各库存品的历史出货记录；对历史出货记录中的出货数据进行数据清洗以及数据转换处理；对数据清洗以及数据转换处理后的出货数据进行特征工程处理，获取出货特征数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对数据清洗以及数据转换处理进行特征工程处理，获取工程特征数据；通过时序稳定性对工程特征数据进行特征筛选，获取出货特征数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取出货记录训练数据；提取出货记录训练数据对应的出货特征数据；以出货记录训练数据对应的出货特征数据为训练参数，以第二出货预期结果的平均绝对百分比误差为模型优化目标参数，通过贝叶斯优化的参数搜索对初始预测模型进行训练，获取出货量预测模型，初始预测模型基于加权滑动平均法结合LGB预测构建。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当长尾库存品对应的出货量数据低于或等于预设出货量阈值时，获取长尾库存品对应的库存品类别，根据库存品类别获取长尾库存品对应的第一出货预期结果；当长尾库存品对应的出货量数据高于预设出货量阈值时，获取长尾库存品对应的出货量平滑均值，根据平滑均值对应的泊松分布获取长尾库存品对应的第一出货预期结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种仓储优化方法，所述方法包括：
获取仓储优化请求；
查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据；
根据所述历史出货记录确定所述库存品中的长尾库存品；
根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果；
根据所述第一出货预期结果对所述仓储优化请求对应仓库内长尾库存品进行仓储优化。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史出货记录确定所述库存品中的长尾库存品之后，还包括：
通过加权滑动平均法结合LGB预测，对除所述长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果；
根据所述第二出货预期结果对所述仓储优化请求对应仓库内除所述长尾库存品之外的库存品进行仓储优化。
3.根据权利要求2所述的方法，其特征在于，所述查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据包括：
查找所述仓储优化请求对应仓库内各库存品的历史出货记录；
对所述历史出货记录中的出货数据进行数据清洗以及数据转换处理；
对所述数据清洗以及数据转换处理后的出货数据进行特征工程处理，获取出货特征数据。
4.根据权利要求3所述的方法，其特征在于，所述对所述数据清洗以及数据转换处理进行特征工程处理，获取出货特征数据包括：
对所述数据清洗以及数据转换处理进行特征工程处理，获取工程特征数据；
通过时序稳定性对所述工程特征数据进行特征筛选，获取出货特征数据。
5.根据权利要求4所述的方法，其特征在于，所述通过加权滑动平均法结合LGB预测，对除所述长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果之前，还包括：
获取出货记录训练数据；
提取所述出货记录训练数据对应的出货特征数据；
以所述出货记录训练数据对应的出货特征数据为训练参数，以第二出货预期结果的平均绝对百分比误差为模型优化目标参数，通过贝叶斯优化的参数搜索对初始预测模型进行训练，获取出货量预测模型，所述初始预测模型基于加权滑动平均法结合LGB预测构建；
所述通过加权滑动平均法结合LGB预测，对除所述长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果包括：
将除所述长尾库存品之外的库存品对应的出货特征数据输入所述出货量预测模型，获取第二出货预期结果。
6.根据权利要求1所述的方法，其特征在于，所述出货特征数据包括出货量数据，所述根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果包括：
当所述长尾库存品对应的出货量数据低于或等于预设出货量阈值时，获取所述长尾库存品对应的库存品类别，根据所述库存品类别获取所述长尾库存品对应的第一出货预期结果；
当所述长尾库存品对应的出货量数据高于预设出货量阈值时，获取所述长尾库存品对应的出货量平滑均值，根据所述平滑均值对应的泊松分布获取所述长尾库存品对应的第一出货预期结果。
7.一种仓储优化装置，其特征在于，所述装置包括：
请求获取模块，用于获取仓储优化请求；
特征数据获取模块，用于查找所述仓储优化请求对应仓库内各库存品的历史出货记录，并获取所述历史出货记录对应的出货特征数据；
长尾筛选模块，用于根据所述历史出货记录确定所述库存品中的长尾库存品；
第一分析模块，用于根据所述长尾库存品对应的出货特征数据，获取第一出货预期结果；
第一优化模块，用于根据所述第一出货预期结果对所述仓储优化请求对应仓库内长尾库存品进行仓储优化。
8.根据权利要求7所述的装置，其特征在于，还包括第二优化模块，用于：
通过加权滑动平均法结合LGB预测，对除所述长尾库存品之外的库存品对应的出货特征数据进行分析，获取第二出货预期结果；根据所述第二出货预期结果对所述仓储优化请求对应仓库内除所述长尾库存品之外的库存品进行仓储优化。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010288397.4A CN113537850A (zh) | 2020-04-14 | 2020-04-14 | 仓储优化方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010288397.4A CN113537850A (zh) | 2020-04-14 | 2020-04-14 | 仓储优化方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537850A true CN113537850A (zh) | 2021-10-22 |
Family
ID=78088055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010288397.4A Pending CN113537850A (zh) | 2020-04-14 | 2020-04-14 | 仓储优化方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537850A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187176A (zh) * | 2022-09-07 | 2022-10-14 | 国连科技(浙江)有限公司 | 一种优化货物存放空间的货物转移方法及装置 |
| CN115965140A (zh) * | 2022-12-27 | 2023-04-14 | 北京航天智造科技发展有限公司 | 一种库存最优规划方法、***、设备和存储介质 |
| CN116703301A (zh) * | 2023-06-15 | 2023-09-05 | 山东盛太锆业资源有限公司 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
| TWI826043B (zh) * | 2022-10-12 | 2023-12-11 | 緯創資通股份有限公司 | 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1386234A (zh) * | 2000-08-30 | 2002-12-18 | 本田技研工业株式会社 | 零件库存***中预测未来定单的方法 |
| CN108389013A (zh) * | 2017-02-03 | 2018-08-10 | 北京京东尚科信息技术有限公司 | 仓储数据动态处理方法及装置 |
| US20180285902A1 (en) * | 2017-03-31 | 2018-10-04 | Walmart Apollo, Llc | System and method for data-driven insight into stocking out-of-stock shelves |
| CN110298613A (zh) * | 2019-05-31 | 2019-10-01 | 江苏苏宁物流有限公司 | 一种仓储领域中提高商品拣选效率的处理方法及*** |
| CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
| CN110400103A (zh) * | 2019-05-08 | 2019-11-01 | 深圳壹账通智能科技有限公司 | 补货量确定方法、装置、计算机装置及存储介质 |
| CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
-
2020
- 2020-04-14 CN CN202010288397.4A patent/CN113537850A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1386234A (zh) * | 2000-08-30 | 2002-12-18 | 本田技研工业株式会社 | 零件库存***中预测未来定单的方法 |
| CN108389013A (zh) * | 2017-02-03 | 2018-08-10 | 北京京东尚科信息技术有限公司 | 仓储数据动态处理方法及装置 |
| US20180285902A1 (en) * | 2017-03-31 | 2018-10-04 | Walmart Apollo, Llc | System and method for data-driven insight into stocking out-of-stock shelves |
| CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
| CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
| CN110400103A (zh) * | 2019-05-08 | 2019-11-01 | 深圳壹账通智能科技有限公司 | 补货量确定方法、装置、计算机装置及存储介质 |
| CN110298613A (zh) * | 2019-05-31 | 2019-10-01 | 江苏苏宁物流有限公司 | 一种仓储领域中提高商品拣选效率的处理方法及*** |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187176A (zh) * | 2022-09-07 | 2022-10-14 | 国连科技(浙江)有限公司 | 一种优化货物存放空间的货物转移方法及装置 |
| TWI826043B (zh) * | 2022-10-12 | 2023-12-11 | 緯創資通股份有限公司 | 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 |
| CN115965140A (zh) * | 2022-12-27 | 2023-04-14 | 北京航天智造科技发展有限公司 | 一种库存最优规划方法、***、设备和存储介质 |
| CN116703301A (zh) * | 2023-06-15 | 2023-09-05 | 山东盛太锆业资源有限公司 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
| CN116703301B (zh) * | 2023-06-15 | 2023-12-08 | 山东盛太锆业资源有限公司 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
| US10504120B2 (en) | Determining a temporary transaction limit | |
| Epp et al. | A discrete-time queueing network approach to performance evaluation of autonomous vehicle storage and retrieval systems | |
| CN110135878B (zh) | 用于确定销售价格的方法及装置 | |
| Siregar et al. | Forecasting of raw material needed for plastic products based in income data using ARIMA method | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN113743971A (zh) | 一种数据处理方法和装置 | |
| CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
| CN113850439A (zh) | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 | |
| CN116827950A (zh) | 云资源的处理方法、装置、设备及存储介质 | |
| CN115202847A (zh) | 任务的调度方法和装置 | |
| CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
| CN110516123A (zh) | 数据查询耗时评估方法、装置、计算机设备和存储介质 | |
| KR102340179B1 (ko) | 머신러닝 기반 수요예측을 이용한 피킹 로케이션 보충 서비스 제공 방법 | |
| CN113837783A (zh) | 时间序列模型参数优化方法、装置、计算机设备 | |
| CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
| CN116228284A (zh) | 货品需求预测方法、训练方法、装置、计算机***及介质 | |
| CN115718740A (zh) | 用于稀疏时间序列数据集的数据插补的方法和装置 | |
| CN110415006B (zh) | 广告点击率预估方法和装置 | |
| CN112085566A (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
| CN111915347A (zh) | 一种促销采购价有效存储应用方法、装置及*** | |
| CN112884391A (zh) | 收派件规划方法、装置、电子设备及存储介质 | |
| CN112906723A (zh) | 一种特征选择的方法和装置 | |
| CN116187895B (zh) | 一种智能仓储货流规划方法、***及电子设备 | |
| CN112749821B (zh) | 快递派件量预测方法、装置、计算机设备和存储介质 |
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 |