CN113627662A - 库存数据预测方法、装置、设备和存储介质 - Google Patents
库存数据预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113627662A CN113627662A CN202110888423.1A CN202110888423A CN113627662A CN 113627662 A CN113627662 A CN 113627662A CN 202110888423 A CN202110888423 A CN 202110888423A CN 113627662 A CN113627662 A CN 113627662A
- Authority
- CN
- China
- Prior art keywords
- data
- shop
- inventory
- purchase
- historical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种库存数据预测方法、装置、设备和存储介质,其中,方法包括:响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询仓库终端的历史发货数据中的店铺信息;查询述店铺信息中一个店铺的历史采购数据;根据历史采购数据生成店铺的预测采购订单;查询预测采购订单中商品SKU的采购数量;判断采购数量是否小于仓库终端的历史发货数据中该店铺的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量;根据预测发货数量生成发送至仓库终端的预测库存数量。本申请的有益之处在于通过基于人工智能的店铺订单预测结果针对性的对于库存数据进行预测。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种库存数据预测方法、装置、设备和存储介质。
背景技术
在相关技术中,通过互联网平台的方式,将多个店铺的订单进行汇集,然后再向供应商进行统一的采购和物流取货,然后再由承运车辆按照采购订单配送至对应的店铺,以降低诸如便利店等店铺的仓储成本,提高采购的灵活度。
因为以上模式采购数量存在一定随机性,所以供应商往往无法进行有效库存估算从而导致库存紧张或库存积压。
发明内容
本申请的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本申请的一些实施例提出了库存数据预测方法、装置、电子设备和计算机存储介质,来解决以上背景技术部分提到的技术问题。
作为本申请的第一方面,本申请的一些实施例提供了一种库存数据预测方法,包括:响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询仓库终端的历史发货数据中的店铺信息;查询述店铺信息中一个店铺的历史采购数据;根据历史采购数据生成店铺的预测采购订单;查询预测采购订单中商品SKU的采购数量;判断采购数量是否小于仓库终端的历史发货数据中该店铺的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量;如果否则计算采购数量与店铺最大发货数量的差值;判断差值是否小于等于该店铺的历史采购数据中其他仓库的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量,如果否则将仓库终端的历史发货数据中该店铺的最大发货数量作为该店铺的预测发货数量;根据预测发货数量生成发送至仓库终端的预测库存数量。
作为本申请的第二方面,本申请的一些实施例提供了一种库存数据预测装置,包括:第一查询模块,用于响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询仓库终端的历史发货数据中的店铺信息;第二查询模块,用于查询述店铺信息中一个店铺的历史采购数据;预测模块,用于根据历史采购数据生成店铺的预测采购订单;第三查询模块,用于查询预测采购订单中商品SKU的采购数量;第一判断模块,用于判断采购数量是否小于仓库终端的历史发货数据中该店铺的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量;如果否则计算采购数量与店铺最大发货数量的差值;第二判断模块,用于判断差值是否小于等于该店铺的历史采购数据中其他仓库的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量,如果否则将仓库终端的历史发货数据中该店铺的最大发货数量作为该店铺的预测发货数量;输出模块,用于根据预测发货数量生成发送至仓库终端的预测库存数量。
作为本申请的第三方面,本申请的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,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上述第一方面任一实现方式所描述的方法。
作为本申请的第四方面,本申请的一些实施例提供了一种计算机存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本申请的有益效果在于:通过基于人工智能的店铺订单预测结果针对性的对于库存数据进行预测。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。
另外,贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
在附图中:
图1是根据本申请一种实施例的库存数据更新方法的流程图;
图2是根据本申请一种实施例的库存数据预测方法中一部分步骤的流程图;
图3是根据本申请一种实施例的库存数据预测方法中一部分步骤的流程图;
图4是根据本申请一种实施例的库存数据预测方法中一部分步骤的流程图;
图5是根据本申请一种实施例的库存数据预测装置的结构图;
图6是根据本申请一种实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现, 而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要注意,本申请中提及的“ 第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的, 而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本申请。
参照1所示,本申请的库存数据预测方法包括如下步骤:
S1:响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询仓库终端的历史发货数据中的店铺信息。
S2:查询述店铺信息中一个店铺的历史采购数据。
S3:根据历史采购数据生成店铺的预测采购订单。
S4:查询预测采购订单中商品SKU的采购数量。
S5:判断采购数量是否小于仓库终端的历史发货数据中该店铺的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量;如果否则计算采购数量与店铺最大发货数量的差值。
S6:判断差值是否小于等于该店铺的历史采购数据中其他仓库的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量,如果否则将仓库终端的历史发货数据中该店铺的最大发货数量作为该店铺的预测发货数量。
S7:根据预测发货数量生成发送至仓库终端的预测库存数量。
作为具体方案,仓库终端可以为智能手机或其他形式的智能设备。库存预测请求可以是定时请求也可以是基于用户操作的即时请求。
继续参照图2所示,步骤S1具体包括如下步骤:根据一个查询时间范围查询仓库终端收到的取货订单对应的送货订单;根据送货订单中的地址数据查询店铺信息。因为拼单模式,在***中取货订单和送货订单并不具有直接的对应关系。
继续参照图3所示,步骤S3具体包括如下步骤:
采集店铺的库存数据和销售数据;
根据店铺的库存数据和销售数据生成店铺状态特征数据;
将店铺状态特征数据输入至一个订单预测模型以使订单预测模型输出一个推荐采购数据和对应的预测置信度;
判断预测置信度是否大于预设的预测置信度阈值,如果预测置信度大于预测置信度阈值,则根据推荐采购数据生成预测采购订单。
作为具体方案,采集店铺的店铺库存数据和店铺销量数据为采集店铺当日的店铺库存数据和店铺销量数据。
为了能够及时的为店铺提供采购订单的建议,作为优选方案,***触发执行本申请的自动化订单生成方法的频次为每日,即***每日按照用户设定或***设定运行该程序。作为可选方案,***可以使不同店铺有不同的接收预测采购订单时间,避免集中操作造成锁定库存的异常。
作为另一种优选方案,可以设置触发条件,当触发条件满足后,自动执行实现自动化订单生成方法的程序。
比如,当店铺经过每日盘点后上传店铺库存数据和店铺销量数据后,自动触发程序;或者,店铺用户使用用户终端向服务器发出需要自动化订单需求的请求时(用户可以点击用户终端APP界面中推荐按钮)触发程序。
需要说明的是,店铺库存数据和店铺销量数据可以采用***平台的程序进行管理,也可以由***提供开发的数据端口对接店铺自有的其他货物统计程序。
这里所指的店铺库存数据和销售数据分别是指库存中或当天销售的商品的SKU码和对应的数量的数据。
按照一般的分析方案,一般会采用历史的店铺库存数据和销售数据分别训练机器学习模块,然后分别进行店铺库存数据和销售数据的预测,然后根据预测结果再判断可能取货的情况,然后再根据缺货情况生成对应订单建议等。
但是,由于销售数据存在不确定性,除非将所有商品均涵盖到输入数据中,但这样造成输入数据庞大且无效数据较多,最终导致所训练的机器学习模型无法收敛。
另外,虽然相对销售数据而言,店铺库存数据相对稳定,但是由于店铺库存数据一样存在商品类目较多的问题,也会导致机器学习模型无法收敛。
基于以上的原因,直接采用店铺库存数据和销售数据进行机器学习模型训练以及预测存在较大技术阻碍。
基于以上,本申请的技术方案采用一种新的技术构思,具体而言,作为其中一种方案,在采集了店铺库存数据和店铺销量数据后;从销售数据(当日)中获取销售数量位于前五位的商品SKU和销售数量,以及这前五位商品对应的现有库存数量,构成一个五行三列的矩阵,将该矩阵作为店铺状态特征数据。
作为扩展方案,可以根据店铺规模的大小设置矩阵的行数,对于交易额较大的店铺而言,其每日售卖商品的品类较多,可以将矩阵的行数设为十几行或几十行。
作为一种优选方案,店铺库存中商品品类总数为S,计算头部值M=S×K,其中K为头部百分比,其根据S所处于的数值区间进行确定。
当300≥S>0时,头部百分比的取值范围为7%;当1000≥S>300时,头部百分比的取值范围为15%;当300≥S>0时,头部百分比的取值范围为20%。矩形行数N等于头部值M的四舍五入值。
订单预测模型可以采用两种方案进行训练,输入均为以上所介绍的店铺状态特征数据。区别在于训练集中输出数据的来源。
第一种方式:对店铺的历史数据处理,将实际历史采购订单作为输出数据,输出数据为采购订单中商品SKU和采购数量构成的矩阵,该矩阵确定具有两列,具体有多少行按照采购订单实际情况生成,将实际历史采购订单发生前一日的店铺状态特征数据作为输入数据,从而构成一组训练数据。采用这样的方案,订单预测模型输出为商品SKU和采购数量构成的矩阵。
这样的方案好处在于能够直接生成采购订单的方式,但是由于输出矩阵的不确定性,订单预测模型相当于是一个经验型模型,在训练时输入训练集的顺序以及模型参数的设定均对最终输出构成较大的影响,准确率起伏较大,并且需要设置较高的置信度阈值才能保证输出有参考意义,这样又在运行时造成程序循环的问题。在这种方式时,作为优选方案,订单预测模型可以选用CNN神经网络模型。
第二种方式:将订单预测模型构建为预测类机器学习模型,即当日之前的店铺状态特征数据作为输入数据,以当日的店铺状态特征数据作为输出数据,对订单预测模型进行模型训练,这样输出数据和输出数据均为规整数据和确定的矩阵,较为容易训练收敛。在这种方式时,作为优选方案,订单预测模型可以选用BP神经网络模型。
作为优选方案,采用第二种方式构建订单预测模型,此时输出虽然并非为直接的采购订单数据,而是如前所介绍的明日的店铺状态特征数据(实为矩阵),在该矩阵中,预测了第二日可能出现的排在前列的商品SKU、销售数量和库存数量。
***历遍预测矩阵中所有商品的销售数量和库存数量数据,判断它们是否满足预设相对关系。具体而言,相关关系具体为店铺销售数量>店铺库存数量×平衡系数;其中,平衡系数取值范围为0.27至0.7。
比如,平衡系数取值为0.5,此时,相关关系判断具体为销售数量大于库存数量的50%时,将该商品选入采购订单。
作为具体方案,为每个店铺均训练一个订单预测模型,即一个订单预测模型对应一个店铺或一个店铺终端设备(一个店铺可能有多个终端设备)。每个店铺的数据输入到对应的订单预测模型中。
作为优选方案,如果预测置信度小于等于预测置信度阈值,则返回至采集店铺库存数据和销售数据的步骤,即再次利用订单预测模型进行处理,输出新的输出数据和置信度。
作为优选方案,如果预测置信度始终不能满足预测置信度阈值,比如超过预设次数后仍不满足,则直接根据当日的店铺状态特征数据生成采购订单。
步骤S4和S5的判断是为了避免,店铺可能存在多个供货商,如果仅根据预测采购订单的数目可能会溢出店铺对当前仓库的真实供货需求,导致较大的预测误判。
继续参考图4所示,步骤S7具体包括如下步骤:计算店铺信息中所有店铺的预测发货数量的合计值作为商品SKU的库存消耗总量;计算商品SKU的现有库存数量和库存消耗总量的差值作为商品SKU的预测库存数量。
继续参考图5所示,作为实施例的库存数据预测装置,包括:第一查询模块,用于响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询仓库终端的历史发货数据中的店铺信息;第二查询模块,用于查询述店铺信息中一个店铺的历史采购数据;预测模块,用于根据历史采购数据生成店铺的预测采购订单;第三查询模块,用于查询预测采购订单中商品SKU的采购数量;第一判断模块,用于判断采购数量是否小于仓库终端的历史发货数据中该店铺的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量;如果否则计算采购数量与店铺最大发货数量的差值;第二判断模块,用于判断差值是否小于等于该店铺的历史采购数据中其他仓库的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量,如果否则将仓库终端的历史发货数据中该店铺的最大发货数量作为该店铺的预测发货数量;输出模块,用于根据预测发货数量生成发送至仓库终端的预测库存数量。
如图6所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806:包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808:以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本申请的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的一些实施例包括一种计算机程序产品,其包括承载在计算机存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM802被安装。在该计算机程序被处理装置801执行时,执行本申请的一些实施例的方法中限定的上述功能。
需要说明的是,本申请的一些实施例上述的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请的一些实施例中,计算机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。而在本申请的一些实施例中,计算机可读信号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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机存储介质,该计算机可读信号介质可以发送、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。计算机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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机存储介质可以是上述电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。上述计算机存储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该电子设备执行时,使得该电子设备:响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询仓库终端的历史发货数据中的店铺信息;查询述店铺信息中一个店铺的历史采购数据;根据历史采购数据生成店铺的预测采购订单;查询预测采购订单中商品SKU的采购数量;判断采购数量是否小于仓库终端的历史发货数据中该店铺的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量;如果否则计算采购数量与店铺最大发货数量的差值;判断差值是否小于等于该店铺的历史采购数据中其他仓库的最大发货数量,如果是则将采购数量作为该店铺的预测发货数量,如果否则将仓库终端的历史发货数据中该店铺的最大发货数量作为该店铺的预测发货数量;根据预测发货数量生成发送至仓库终端的预测库存数量。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言―诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。
例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本申请的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种库存数据预测方法,包括:
响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询所述仓库终端的历史发货数据中的店铺信息;
查询述店铺信息中一个店铺的历史采购数据;
根据所述历史采购数据生成店铺的预测采购订单;
查询所述预测采购订单中所述商品SKU的采购数量;
判断所述采购数量是否小于所述仓库终端的历史发货数据中该店铺的最大发货数量,如果是则将所述采购数量作为该店铺的预测发货数量;如果否则计算所述采购数量与所述店铺最大发货数量的差值;
判断所述差值是否小于等于该店铺的历史采购数据中其他仓库的最大发货数量,如果是则将所述采购数量作为该店铺的所述预测发货数量,如果否则将所述仓库终端的历史发货数据中该店铺的最大发货数量作为该店铺的预测发货数量;
根据所述预测发货数量生成发送至所述仓库终端的预测库存数量。
2.根据权利要求1所述的库存数据预测方法,其中,所述响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询所述仓库终端的历史发货数据中的店铺信息,包括:
根据一个查询时间范围查询所述仓库终端收到的取货订单对应的送货订单;
根据所述送货订单中的地址数据查询所述店铺信息。
3.根据权利要求1所述的库存数据预测方法,其中,所述根据所述历史采购数据生成店铺的预测采购订单,包括:
采集店铺的库存数据和销售数据;
根据店铺的库存数据和销售数据生成店铺状态特征数据;
将店铺状态特征数据输入至一个订单预测模型以使订单预测模型输出一个推荐采购数据和对应的预测置信度;
判断预测置信度是否大于预设的预测置信度阈值,如果预测置信度大于预测置信度阈值,则根据推荐采购数据生成预测采购订单。
4.根据权利要求3所述的库存数据预测方法,其中,所述订单预测模型为BP神经网络模型。
5.根据权利要求3所述的库存数据预测方法,其中,所述订单预测模型为CNN神经网络模型。
6.根据权利要求1所述的库存数据预测方法,其中,所述根据所述预测发货数量生成发送至所述仓库终端的预测库存数量,包括:
计算所述店铺信息中所有店铺的所述预测发货数量的合计值作为所述商品SKU的库存消耗总量。
7.根据权利要求6所述的库存数据预测方法,其中,所述根据所述预测发货数量生成发送至所述仓库终端的预测库存数量,包括:
计算所述商品SKU的现有库存数量和所述库存消耗总量的差值作为所述商品SKU的预测库存数量。
8.一种库存数据预测装置,包括:
第一查询模块,用于响应于一个仓库终端发送的关于一个商品SKU的库存预测请求,查询所述仓库终端的历史发货数据中的店铺信息;
第二查询模块,用于查询述店铺信息中一个店铺的历史采购数据;
预测模块,用于根据所述历史采购数据生成店铺的预测采购订单;
第三查询模块,用于查询所述预测采购订单中所述商品SKU的采购数量;
第一判断模块,用于判断所述采购数量是否小于所述仓库终端的历史发货数据中该店铺的最大发货数量,如果是则将所述采购数量作为该店铺的预测发货数量;如果否则计算所述采购数量与所述店铺最大发货数量的差值;
第二判断模块,用于判断所述差值是否小于等于该店铺的历史采购数据中其他仓库的最大发货数量,如果是则将所述采购数量作为该店铺的所述预测发货数量,如果否则将所述仓库终端的历史发货数据中该店铺的最大发货数量作为该店铺的预测发货数量;
输出模块,用于根据所述预测发货数量生成发送至所述仓库终端的预测库存数量。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述处理器实现如权利要求1至7任意一项所述的方法。
10.一种计算机存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888423.1A CN113627662B (zh) | 2021-08-03 | 2021-08-03 | 库存数据预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888423.1A CN113627662B (zh) | 2021-08-03 | 2021-08-03 | 库存数据预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627662A true CN113627662A (zh) | 2021-11-09 |
CN113627662B CN113627662B (zh) | 2024-05-28 |
Family
ID=78382583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110888423.1A Active CN113627662B (zh) | 2021-08-03 | 2021-08-03 | 库存数据预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627662B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018221164A1 (ja) * | 2017-05-31 | 2018-12-06 | ベンダーサービス株式会社 | 在庫管理発注装置および在庫管理発注方法、ならびにコンピュータプログラム |
CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、***以及存储介质 |
CN110880084A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东振世信息技术有限公司 | 一种仓库补货的方法和装置 |
CN112308681A (zh) * | 2020-11-16 | 2021-02-02 | 杭州拼便宜网络科技有限公司 | 一种库存处理方法、装置、电子设备和存储介质 |
CN112396365A (zh) * | 2019-08-14 | 2021-02-23 | 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 |
-
2021
- 2021-08-03 CN CN202110888423.1A patent/CN113627662B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018221164A1 (ja) * | 2017-05-31 | 2018-12-06 | ベンダーサービス株式会社 | 在庫管理発注装置および在庫管理発注方法、ならびにコンピュータプログラム |
CN110880084A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东振世信息技术有限公司 | 一种仓库补货的方法和装置 |
CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、***以及存储介质 |
CN112396365A (zh) * | 2019-08-14 | 2021-02-23 | 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 |
CN112308681A (zh) * | 2020-11-16 | 2021-02-02 | 杭州拼便宜网络科技有限公司 | 一种库存处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113627662B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544076B (zh) | 用于生成信息的方法和装置 | |
CN110109901B (zh) | 筛选目标对象的方法和装置 | |
CN112184100A (zh) | 物品库存监控方法、装置、电子设备和计算机可读介质 | |
CN113763093A (zh) | 一种基于用户画像的物品推荐方法和装置 | |
CN113658597B (zh) | 语音下单方法、装置、电子设备和计算机可读介质 | |
CN117217669A (zh) | 一种基于大数据的订单和物流匹配方法、***及存储介质 | |
CN113554400A (zh) | 库存数据更新方法、装置、设备和存储介质 | |
CN113887783A (zh) | 仓储补货预测方法、装置、设备和存储介质 | |
CN114663015A (zh) | 补货方法和装置 | |
CN114493750A (zh) | 推荐物品信息发送方法、装置、设备和计算机可读介质 | |
US20220114548A1 (en) | Systems and methods for dynamic balancing of virtual bundles | |
CN116562772A (zh) | 物品补货信息生成方法、装置、设备、介质和程序产品 | |
CN112102043A (zh) | 物品推荐页面生成方法、装置、电子设备和可读介质 | |
CN113780650B (zh) | 运力锁定方法、装置、设备和存储介质 | |
CN113627662B (zh) | 库存数据预测方法、装置、设备和存储介质 | |
CN111242532A (zh) | 一种采购管理方法、装置和电子设备 | |
CN115525665A (zh) | 一种信息处理方法、装置、电子设备及计算机可读介质 | |
CN113554493A (zh) | 交互下单方法、装置、电子设备和计算机可读介质 | |
CN110880119A (zh) | 一种数据处理方法和装置 | |
CN110838019A (zh) | 确定试用品发放人群的方法和装置 | |
US20230053859A1 (en) | Method and apparatus for outputting information | |
CN115271582A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 | |
CN111861293A (zh) | 用于发送信息的方法和装置 | |
CN110084541B (zh) | 用于预测供应商送货时长的方法和装置 | |
CN111932191A (zh) | 货架调度方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |