CN115965324A - 一种基于自动售货机的商品销售方法及*** - Google Patents
一种基于自动售货机的商品销售方法及*** Download PDFInfo
- Publication number
- CN115965324A CN115965324A CN202310251675.2A CN202310251675A CN115965324A CN 115965324 A CN115965324 A CN 115965324A CN 202310251675 A CN202310251675 A CN 202310251675A CN 115965324 A CN115965324 A CN 115965324A
- Authority
- CN
- China
- Prior art keywords
- vending machine
- shipment
- delivery
- goods
- commodity
- 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
Images
Landscapes
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
本发明提供一种基于自动售货机的商品销售方法及***,属于自动售货机技术领域,具体包括:当自动售货机在设定时间内未完成目标商品的出货且顾客未离开时,基于最近的预设时间内的出货成功率、出货成功时的单次平均出货尝试次数、出货成功时的单次平均出货时间确定出货成功可能率,并当出货成功可能率大于一定值时,再次进行目标商品的出货,当且仅当顾客已离开且未完成出货时,输出其处于异常状态,并基于自动售货机的出货成功可能率、最近的预设时间内出货商品与目标商品的不一致次数、未完成出货次数得到运行状态,并据此对自动售货机进行管理,从而进一步减少了货损率。
Description
技术领域
本发明属于自动售货机技术领域,尤其涉及一种基于自动售货机的商品销售方法及***。
背景技术
为了实现基于自动售货机的商品的销售管理,在授权发明专利授权公告号CN110838205B《自动售货方法、自动售货机及服务器》中通过接收出货指令;出货指令包括发送时间和出货指示;计算出货指令的接收时间与发送时间的时间差;在时间差大于时间差阈值时,返回包含出货状态为失败的出货结果;在时间差不大于时间差阈值时,根据出货指示进行出货操作,并返回出货状态为成功的出货结果,但是却存在以下技术问题:
1、未考虑结合用户的历史购物情况进行推荐的商品的输出,在购物时,若不能根据用户的历史购物的商品种类或者类型进行商品的推荐,则会导致用户的购物体验会有所降低。
2、未考虑对顾客状态的识别,在某些情形下,虽然未在规定时间内完成出货,但是顾客有可能仍在等待状态,因此若不能根据顾客状态的识别情况,进行停止出货的尝试,同样有可能会导致货损或者顾客购物体验较差的问题的出现。
3、未考虑基于出货商品与目标商品的不一致的次数、出货成功时的出货商品的单次的平均尝试出货次数、出货商品的单次的平均出货时间、出货商品的未正确出货次数进行自动售货机的运行状态的判断,当自动售货机虽然每次都完成了出货,但是平均尝试出货次数或者平均出货时间较长时,或者由于未正确完成出货次数较多或者不一致的次数较多时,若不能通过对自动售货机的运行状态的判断,并根据运行状态的情况进行针对性的处理,同样有可能会导致购物效率不佳或者货损等问题的出现。
针对上述技术问题,本发明提供了一种基于自动售货机的商品销售方法及***。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于自动售货机的商品销售方法。
一种基于自动售货机的商品销售方法,其特征在于,具体包括:
S11基于用户的购物历史数据进行商品的推荐,并判断自动售货机是否在设定时间内完成了目标商品的出货,若是,则进入步骤S12,若否,则进入步骤S13;
S12判断出货商品是否与所述目标商品一致,若是,则输出出货成功,若否,则进入步骤S16;
S13基于自动售货机的摄像装置实时获取顾客的状态,判断所述顾客是否未离开,若是,则进入步骤S14,若否,则进入步骤S16;
S14基于最近的预设时间内的所述自动售货机的出货成功率、出货成功时的单次平均出货尝试次数、出货成功时的单次平均出货时间得到出货成功可能率,并基于所述出货成功可能率判断是否运行正常,若是,则进入步骤S15,若否,则进入步骤S16;
S15基于所述自动售货机再次进行所述目标商品的出货,当且仅当所述顾客已离开且所述自动售货机未完成出货时,进入步骤S16;
S16输出自动售货机处于异常状态,无法完成出货,并基于所述自动售货机的出货成功可能率、最近的预设时间内的出货商品与所述目标商品的不一致次数、未完成出货次数,采用基于机器学习算法的运行状态评估模型,得到所述自动售货机的运行状态,并根据所述运行状态对所述自动售货机进行管理。
通过对出货商品与目标商品的一致性判断以及对顾客的状态的获取,从而保证了出货商品与目标商品的一致性,减少了由于出货商品与目标商品不一致所导致的货损问题的出现,并通过对顾客的状态的获取,在保证不存在异常的货损的基础上,也提升了顾客的购物体验。
通过对自动售货机的出货成功率、最近的预设时间内的出货成功时的单次平均出货尝试次数、最近的预设时间内的出货成功时的单次平均出货时间得到出货成功可能率,从而实现了从多角度对自动售货机本次出货成功可能性的判断,避免了不必要的尝试和货损,同时也提升了顾客的购物体验。
通过对自动售货机的运行状态的判断,从而避免了原有的单次故障完毕后,仍然继续售货导致的货损增加以及购物体验不佳的技术问题,实现了对自动售货机的运行状态的准确且全面的评价,避免了自动售货机运行故障导致的货损或者出货效率较差的技术问题
另一方面,本申请实施例中提供一种计算机***,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能 够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时上述的一种基于自动售货机的商品销售方法。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于自动售货机的商品销售方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显;
图1是根据实施例1的一种基于自动售货机的商品销售方法的流程图;
图2是根据实施例1的确定所述出货商品是否与所述目标商品一致的具体步骤的流程图;
图3是根据实施例1的得到出货成功可能率的具体步骤的流程图;
图4是根据实施例1的确定所述自动售货机的运行状态的具体步骤的流程图;
图5是根据实施例3的一种计算机存储介质的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式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方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
在原有的自动售货机的商品销售过程中,通过对出货时间的判断,来进行自动售货机的故障状态的判断,并减少了货损的发生,但是却忽略了对顾客状态以及出货货物的识别,即便在设定时间内,但是如果出货货物不一致或者顾客已经离开,同样会导致货损问题的出现,同时未考虑对自动售货机的状态进行评估,进一步导致了货损等问题的产生。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种基于自动售货机的商品销售方法,其特征在于,具体包括:
S11基于用户的购物历史数据进行商品的推荐,判断自动售货机是否在设定时间内完成了目标商品的出货,若是,则进入步骤S12,若否,则进入步骤S13;
具体的,所述设定时间根据所述自动售货机在出货成功时的单次平均出货时间进行确定,其中所述自动售货机在出货成功时的单次平均出货时间越长,则设定时间越大。
具体的举个例子,通过出货口的视频监控装置,或者重力感应装置,实现对目标商品的出货的状态的判断,当生成出货指令与完成目标的出货的时间为10s时,则进入步骤S12,若10s内未完成目标商品的出货,则需要进入步骤S13,进行顾客状态的判断。
S12判断出货商品是否与所述目标商品一致,若是,则输出出货成功,若否,则进入步骤S16;
具体的,如图2所示,确定所述出货商品是否与所述目标商品一致的具体步骤为:
S21基于所述自动售货机的图像识别装置获取所述出货商品的图像;
具体的举个例子,图像识别装置可以放置于出货商品的出货通道中或者最后的出货商品的存放处,实现对出货商品的图像的获取。
S22进行所述出货商品的图像的HOG特征的提取得到出货商品的HOG特征;
具体的,除了进行HOG特征的提取,还可以将出货商品的图像传输至基于CNN算法的图像识别模型之中,得到出货商品的商品种类,并根据自动售货机的指令的目标商品的商品种类,实现两者一致性的判断。
S23基于所述出货商品的HOG特征与所述目标商品的原始图像的HOG特征,进行所述出货商品与所述目标商品的一致的判断。
具体的,当两者的图像的HOG特征的相似度大于一定的阈值时,确定出货商品与所述目标商品属于一致的。
通过对出货商品与目标商品的一致性判断以及对顾客的状态的获取,从而保证了出货商品与目标商品的一致性,减少了由于出货商品与目标商品不一致所导致的货损问题的出现,并通过对顾客的状态的获取,在保证不存在异常的货损的基础上,也提升了顾客的购物体验。
S13基于自动售货机的摄像装置实时获取顾客的状态,判断所述顾客是否未离开,若是,则进入步骤S14,若否,则进入步骤S16;
具体的举个例子,可以通过红外感应装置或者摄像装置实现对顾客的状态的判断。
S14基于最近的预设时间内的所述自动售货机的出货成功率、出货成功时的单次平均出货尝试次数、出货成功时的单次平均出货时间得到出货成功可能率,并基于所述出货成功可能率判断是否运行正常,若是,则进入步骤S15,若否,则进入步骤S16;
具体的,如图3所示得到出货成功可能率的具体步骤为:
S31基于最近的预设时间内的所述自动售货机的出货成功率确定所述自动售货机是否运行正常,若是,则基于所述自动售货机的出货成功率作为所述自动售货机的出货成功可能率,若否,则进入步骤S32;
具体的举个例子,若自动售货机的出货成功率为97%,当其大于96%时,则确定其运行正常,并经所述自动售货机的出货成功可能率为97%。
S32判断是否最近的预设时间内的出货成功时的单次平均出货尝试次数小于预设次数或者最近的预设时间内的出货成功时的单次平均出货时间小于设定时间,若是,则进入步骤S33,若否,则进入步骤S34;
具体的举个例子,若最近的预设时间内的出货成功时的单次平均出货尝试次数为3次,预设次数为5次,或者最近的预设时间内的出货成功时的平均单次出货时间为20s,设定时间为30s,则进入步骤S33。
S33基于最近的预设时间内的所述自动售货机的出货成功率确定所述自动售货机是否运行可靠,若是,则基于最近的预设时间内的出货成功时的单次平均出货尝试次数与最近的预设时间内的出货成功时的单次平均出货时间构建出货成功可能性修正量,并基于所述出货成功可能性修正量与所述出货成功率构建所述自动售货机的出货成功可能率,若否,则进入步骤S34;
具体的举个例子,若自动售货机的出货成功率为95.5%,第二成功率阈值为95%,则确定所述自动售货机运行可靠,基于最近的预设时间内的出货成功时的单次平均出货尝试次数与最近的预设时间内的出货成功时的单次平均出货时间构建出货成功可能性修正量。
具体的举个例子,自动售货机的出货成功可能率的计算公式为:
其中t2、T2分别为最近的预设时间内的出货成功时的单次平均出货尝试次数与最近的预设时间内的出货成功时的单次平均出货时间,P1为出货成功率,tlimit、Tlimit分别为最近的预设时间内的出货成功时的单次平均出货尝试次数的阈值与最近的预设时间内的出货成功时的单次平均出货时间的阈值,K1、K2均为小于1的整数,K2大于K1,K1+K2<1,min()为取最小值函数。
S34基于最近的预设时间内的所述自动售货机的出货成功率、出货成功时的单次平均出货尝试次数、出货成功时的单次平均出货时间构建输入集,采用基于HHO-GRU算法的预测模型得到出货成功可能率。
具体的举个例子,输入集为X={P1、T1、t1},其中P1、T1、t1分别为最近的预设时间内的所述自动售货机的出货成功率、最近的预设时间内的出货成功时的单次平均出货尝试次数、最近的预设时间内的出货成功时的单次平均出货时间。
具体的举个例子,所述基于HHO-GRU算法的预测模型构建的具体步骤为:
步骤 1:初始化参数,包括算法的种群个体规模N、问题变量的维度D、算法最大迭代次数Tmax。
步骤2:确定适应函数,以及GRU训练后的LOSS损失函数,计算均方差以得到评价指标。
步骤3:在参数向量空间内,进行最佳的GRU参数搜索。
步骤4:完成HHO算法的寻优过程,获取最优解。并将结果作为参数导入GRU神经网络中,完成对数据的预测。
步骤5:根据预测结果,计算误差值,并将误差值返回给HHO作为评价指标,在根据评价指标进行最优解位置的更新。
为了清晰的表现出预测数据与真实值的误差情况,引入MSE 函数和LOSS函数即用于表达预测结果数值与原始数值间的差距;该函数的语言描述为通过计算预测数据和原始数据对应点位上距离的平方和;其中评价指标的计算公式为:
其中,参数n表示样本的个数,参数yi表示第i个位置的样本真实值,表示通过模型预测得到的第i个位置的预测数值,几何意义表示在同一点位上,真实值与预测值的距离,在这里用来衡量预测值与真值之间的差距,当预测值与真值之间的差距很大时,无论是正差距还是负差距,都会得到很大的数值,即表示偏离真值很远;在本算法中,MSE的结果值将会被作为评价函数,将数值反馈给改进的哈里斯鹰寻优算法,用于当前寻优结果值的评价判断,寻优算法通过该评价结果,判断当前位置是否优于历史点位,以便决定是否要更新当前点位。
步骤6:迭代步骤3、步骤4、步骤5直到满足迭代要求或者达到最大迭代次数为止。
步骤7:得到最优解网络参数,导入神经网络中,完成模型训练。
具体的举个例子,GRU神经合结果可能出现过拟合和欠拟合两种情况,而对这两种结果有影响的参数有神经网络的学习率、和drop参数;当这类参数的配置不合适当前网络结构和数据属性时就会出现较大的预测误差。
步骤8:使用模型对测试数据进行预测分析。
步骤9:得到预测结果数值。
具体的举个例子,对于基于群体智能的元启发式算法来说,全局搜索能力标志着算法最优解的不稳定,即算法在对区域搜索时,恰巧躲避开了最优解所在的局部区域,导致算法在迭代过程中没有捕获到最优解;HHO 算法中,猎物能量Escaping_Energy 的大小反映哈里斯鹰算法对问题最优解查找能力,E 越大表示 HHO 算法对全局范围的搜索能力越强,反之则对局部范围查找能力越强;当全局范围很大时,有限空间的搜索,使得算法无法充分的探索求解空间,从而使得全局搜索能力进一步减弱。最终,导致算法寻优能力不足。
具体的举个例子,所述HHO算法的E值的计算公式为:
其中,E0为猎物的初始逃跑能量,每次迭代中,在(-1,1)范围内随机取值,T为最大代次数,t为当前迭代次数。
具体的,所述出货成功可能率的取值范围在0到1之间,其中所述出货成功可能率越大,则所述自动售货机能够正常完成出货的可能性就越大。
具体的,所述第一成功率阈值大于第二成功率阈值,所述第一成功率阈值、所述第二成功率阈值根据所述自动售货机的货品均价、所述自动售货机的历史货损率进行确定,其中所述自动售货机的货品均价越高、历史货损率越大,则所述第一成功率阈值、第二成功率阈值越大。
具体的举个例子,在实际的操作过程中,可以采用专家打分或者专家***的方式亦或者根据神经网络算法的方式实现对第一成功率阈值和第二成功率阈值的构建。
通过对自动售货机的出货成功率、最近的预设时间内的出货成功时的单次平均出货尝试次数、最近的预设时间内的出货成功时的单次平均出货时间得到出货成功可能率,从而实现了从多角度对自动售货机本次出货成功可能性的判断,避免了不必要的尝试和货损,同时也提升了顾客的购物体验。
S15基于所述自动售货机再次进行所述目标商品的出货,当且仅当所述顾客已离开且所述自动售货机未完成出货时,进入步骤S16;
S16输出自动售货机处于异常状态,无法完成出货,并基于所述自动售货机的出货成功可能率、最近的预设时间内的出货商品与所述目标商品的不一致次数、未完成出货次数,采用基于机器学习算法的运行状态评估模型,得到所述自动售货机的运行状态,并根据所述运行状态对所述自动售货机进行管理。
具体的,如图4所示,确定所述自动售货机的运行状态的具体步骤为:
S41基于所述最近的预设时间内的出货商品与所述目标商品的不一致次数、未完成出货次数、所述自动售货机的货损价值,采用基于GRU算法的故障评估模型,得到所述自动售货机的故障状态值;
具体的举个例子,自动售货机的故障状态值的取值范围在0到1之间,其中故障状态值越大,则所述自动收获机存在故障的可能性就越大。
S42基于所述自动售货机的故障状态值确定所述自动售货机是否存在疑似故障,若否,则进入步骤S43,若是,则进入步骤S44;
具体的举个例子,当自动售货机的故障状态值为0.4时,当其小于0.6时,则确定其并未存在疑似故障,进入步骤S43,继续进行自动售货成功率的判断。
S43基于所述自动售货机的自动出货成功率确定所述售货机是否运行正常,若是,则判断所述自动售货机运行状态正常,正常开启使用,若否,则进入步骤S44;
需要说明的是,当其自动出货成功率大于一定值时,确定其运行正常。
S43基于所述故障状态值、所述自动售货机的出货成功可能率构建输入集,采用基于HHO-GRU算法的状态评估模型,得到所述自动售货机的故障概率评估值。
具体的举个例子,故障概率评估值的取值范围在0到1之间,其中故障概率评估值越大,则自动售货机的故障概率越大。
具体的,当所述自动售货机的故障概率评估值大于第一概率阈值时,确定所述自动售货机的运行状态存在异常,并将所述自动售货机设置为故障状态,并将所述自动售货机进行锁定,不再进行售货;当所述自动售货机的故障概率评估值小于或者等于第一概率阈值时,则确定所述自动售货机的运行状态处于正常运行状态,并将所述自动售货机开启,重新开启售货。
通过对自动售货机的运行状态的判断,从而避免了原有的单次故障完毕后,仍然继续售货导致的货损增加以及购物体验不佳的技术问题,实现了对自动售货机的运行状态的准确且全面的评价,避免了自动售货机运行故障导致的货损或者出货效率较差的技术问题。
实施例2
本申请实施例中提供一种计算机***,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能 够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时上述的一种用于油浸变压器内部组件的基于自动售货机的商品销售方法。
具体的,本实施例还提供了一种计算机***,该计算机***包括通过***总线连接的处理器、存储器、网络接口和数据库;其中,该计算机***的处理器用于提供计算和控制能力;该计算机***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上述的一种用于油浸变压器内部组件的基于自动售货机的商品销售方法。
实施例3
如图5所示,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种用于油浸变压器内部组件的基于自动售货机的商品销售方法。
具体的,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,所述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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM (PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括 随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得, 诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强 型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM (RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、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,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方式中,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,两个连续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动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于自动售货机的商品销售方法,其特征在于,具体包括:
S11基于用户的购物历史数据进行商品的推荐,判断自动售货机是否在设定时间内完成了目标商品的出货,若是,则进入步骤S12,若否,则进入步骤S13;
S12判断出货商品是否与所述目标商品一致,若是,则输出出货成功,若否,则进入步骤S16;
S13基于自动售货机的摄像装置实时获取顾客的状态,判断所述顾客是否未离开,若是,则进入步骤S14,若否,则进入步骤S16;
S14基于最近的预设时间内的所述自动售货机的出货成功率、出货成功时的单次平均出货尝试次数、出货成功时的单次平均出货时间得到出货成功可能率,并基于所述出货成功可能率判断是否运行正常,若是,则进入步骤S15,若否,则进入步骤S16;
S15基于所述自动售货机再次进行所述目标商品的出货,当且仅当所述顾客已离开且所述自动售货机未完成出货时,进入步骤S16;
S16输出自动售货机处于异常状态,无法完成出货,并基于所述自动售货机的出货成功可能率、最近的预设时间内的出货商品与所述目标商品的不一致次数、未完成出货次数,采用基于机器学习算法的运行状态评估模型,得到所述自动售货机的运行状态,并根据所述运行状态对所述自动售货机进行管理。
2.如权利要求1所述的基于自动售货机的商品销售方法,其特征在于,所述设定时间根据所述自动售货机在出货成功时的单次平均出货时间进行确定,其中所述自动售货机在出货成功时的单次平均出货时间越长,则设定时间越大。
3.如权利要求1所述的基于自动售货机的商品销售方法,其特征在于,确定所述出货商品是否与所述目标商品一致的具体步骤为:
基于所述自动售货机的图像识别装置获取所述出货商品的图像;
进行所述出货商品的图像的HOG特征的提取得到出货商品的HOG特征;
基于所述出货商品的HOG特征与所述目标商品的原始图像的HOG特征,进行所述出货商品与所述目标商品的一致的判断。
4.如权利要求1所述的基于自动售货机的商品销售方法,其特征在于得到出货成功可能率的具体步骤为:
S31基于最近的预设时间内的所述自动售货机的出货成功率确定所述自动售货机是否运行正常,若是,则基于所述自动售货机的出货成功率作为所述自动售货机的出货成功可能率,若否,则进入步骤S32;
S32判断是否最近的预设时间内的出货成功时的单次平均出货尝试次数小于预设次数或者最近的预设时间内的出货成功时的单次平均出货时间小于设定时间,若是,则进入步骤S33,若否,则进入步骤S34;
S33基于最近的预设时间内的所述自动售货机的出货成功率确定所述自动售货机是否运行可靠,若是,则基于最近的预设时间内的出货成功时的单次平均出货尝试次数与最近的预设时间内的出货成功时的单次平均出货时间构建出货成功可能性修正量,并基于所述出货成功可能性修正量与所述出货成功率构建所述自动售货机的出货成功可能率,若否,则进入步骤S34;
S34基于最近的预设时间内的所述自动售货机的出货成功率、出货成功时的单次平均出货尝试次数、出货成功时的单次平均出货时间构建输入集,采用基于HHO-GRU算法的预测模型得到出货成功可能率。
5.如权利要求4所述的基于自动售货机的商品销售方法,其特征在于,所述出货成功可能率的取值范围在0到1之间,其中所述出货成功可能率越大,则所述自动售货机能够正常完成出货的可能性就越大。
6.如权利要求4所述的基于自动售货机的商品销售方法,其特征在于,所述第一成功率阈值大于第二成功率阈值,所述第一成功率阈值、所述第二成功率阈值根据所述自动售货机的货品均价、所述自动售货机的历史货损率进行确定,其中所述自动售货机的货品均价越高、历史货损率越大,则所述第一成功率阈值、第二成功率阈值越大。
7.如权利要求1所述的基于自动售货机的商品销售方法,其特征在于,确定所述自动售货机的运行状态的具体步骤为:
S41基于所述最近的预设时间内的出货商品与所述目标商品的不一致次数、未完成出货次数、所述自动售货机的货损价值,采用基于GRU算法的故障评估模型,得到所述自动售货机的故障状态值;
S42基于所述自动售货机的故障状态值确定所述自动售货机是否存在疑似故障,若是,则进入步骤S43,若否,则进入步骤S44;
S43基于所述自动售货机的自动出货成功率确定所述售货机是否运行正常,若是,则判断所述自动售货机运行状态正常,正常开启使用,若否,则进入步骤S44;
S43基于所述故障状态值、所述自动售货机的出货成功可能率构建输入集,采用基于HHO-GRU算法的状态评估模型,得到所述自动售货机的故障概率评估值。
8.如权利要求1所述的基于自动售货机的商品销售方法,其特征在于,当所述自动售货机的故障概率评估值大于第一概率阈值时,确定所述自动售货机的运行状态存在异常,并将所述自动售货机设置为故障状态,并将所述自动售货机进行锁定,不再进行售货;当所述自动售货机的故障概率评估值小于或者等于第一概率阈值时,则确定所述自动售货机的运行状态处于正常运行状态,并将所述自动售货机开启,重新开启售货。
9.一种计算机***,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-8任一项所述的一种基于自动售货机的商品销售方法。
10.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8任一项所述的一种基于自动售货机的商品销售方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251675.2A CN115965324B (zh) | 2023-03-16 | 2023-03-16 | 一种基于自动售货机的商品销售方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251675.2A CN115965324B (zh) | 2023-03-16 | 2023-03-16 | 一种基于自动售货机的商品销售方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965324A true CN115965324A (zh) | 2023-04-14 |
CN115965324B CN115965324B (zh) | 2023-06-06 |
Family
ID=85899691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310251675.2A Active CN115965324B (zh) | 2023-03-16 | 2023-03-16 | 一种基于自动售货机的商品销售方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965324B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130013107A1 (en) * | 2010-03-29 | 2013-01-10 | Pascal Felique | Method and Apparatus for Controlling and Monitoring a Vending Machine |
US20160019741A1 (en) * | 2014-07-15 | 2016-01-21 | International Business Machines Corportation | Networked High Availability and Redundancy Among Vending Devices |
CN108961541A (zh) * | 2018-07-19 | 2018-12-07 | 中瑞福宁机器人(沈阳)有限公司 | 一种自动售货机出货方法、装置及*** |
CN208314905U (zh) * | 2018-07-10 | 2019-01-01 | 安徽豆智智能装备制造有限公司 | 一种基于图像识别的自助售货柜*** |
CN109166007A (zh) * | 2018-08-23 | 2019-01-08 | 深圳码隆科技有限公司 | 一种基于自动售货机的商品推荐方法及其装置 |
CN109658207A (zh) * | 2019-01-15 | 2019-04-19 | 深圳友朋智能商业科技有限公司 | 自动售货机的商品推荐方法、***及装置 |
CN109920135A (zh) * | 2019-01-25 | 2019-06-21 | 广州富港万嘉智能科技有限公司 | 基于自动售货机的预约下单方法、自动售货机及*** |
CN110633939A (zh) * | 2016-06-09 | 2019-12-31 | 藤泽和则 | 商品出货管理方法以及存储介质 |
CN110689153A (zh) * | 2019-08-13 | 2020-01-14 | 北京友宝在线科技股份有限公司 | 自助售货机预约取货方法、装置、计算机设备和存储介质 |
CN110838205A (zh) * | 2019-11-21 | 2020-02-25 | 大连开尔文科技有限公司 | 自动售货方法、自动售货机及服务器 |
CN111429651A (zh) * | 2020-03-25 | 2020-07-17 | 新石器慧通(北京)科技有限公司 | 无人售卖机的控制方法、无人售卖机及存储介质 |
CN111696267A (zh) * | 2019-11-04 | 2020-09-22 | 深圳友宝科斯科技有限公司 | 自动出货方法、自动售货机、服务器及出货*** |
CN112466036A (zh) * | 2019-09-09 | 2021-03-09 | 阿里健康科技(杭州)有限公司 | 售货机、售货机出货检测方法及装置 |
CN112927419A (zh) * | 2019-12-08 | 2021-06-08 | 威海新北洋数码科技有限公司 | 自动售货机及其出货方法 |
CN113888254A (zh) * | 2021-09-13 | 2022-01-04 | 青岛颐中科技有限公司 | 货架商品管理方法和电子设备 |
-
2023
- 2023-03-16 CN CN202310251675.2A patent/CN115965324B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130013107A1 (en) * | 2010-03-29 | 2013-01-10 | Pascal Felique | Method and Apparatus for Controlling and Monitoring a Vending Machine |
US20160019741A1 (en) * | 2014-07-15 | 2016-01-21 | International Business Machines Corportation | Networked High Availability and Redundancy Among Vending Devices |
CN110633939A (zh) * | 2016-06-09 | 2019-12-31 | 藤泽和则 | 商品出货管理方法以及存储介质 |
CN208314905U (zh) * | 2018-07-10 | 2019-01-01 | 安徽豆智智能装备制造有限公司 | 一种基于图像识别的自助售货柜*** |
CN108961541A (zh) * | 2018-07-19 | 2018-12-07 | 中瑞福宁机器人(沈阳)有限公司 | 一种自动售货机出货方法、装置及*** |
CN109166007A (zh) * | 2018-08-23 | 2019-01-08 | 深圳码隆科技有限公司 | 一种基于自动售货机的商品推荐方法及其装置 |
CN109658207A (zh) * | 2019-01-15 | 2019-04-19 | 深圳友朋智能商业科技有限公司 | 自动售货机的商品推荐方法、***及装置 |
CN109920135A (zh) * | 2019-01-25 | 2019-06-21 | 广州富港万嘉智能科技有限公司 | 基于自动售货机的预约下单方法、自动售货机及*** |
CN110689153A (zh) * | 2019-08-13 | 2020-01-14 | 北京友宝在线科技股份有限公司 | 自助售货机预约取货方法、装置、计算机设备和存储介质 |
CN112466036A (zh) * | 2019-09-09 | 2021-03-09 | 阿里健康科技(杭州)有限公司 | 售货机、售货机出货检测方法及装置 |
CN111696267A (zh) * | 2019-11-04 | 2020-09-22 | 深圳友宝科斯科技有限公司 | 自动出货方法、自动售货机、服务器及出货*** |
CN110838205A (zh) * | 2019-11-21 | 2020-02-25 | 大连开尔文科技有限公司 | 自动售货方法、自动售货机及服务器 |
CN112927419A (zh) * | 2019-12-08 | 2021-06-08 | 威海新北洋数码科技有限公司 | 自动售货机及其出货方法 |
CN111429651A (zh) * | 2020-03-25 | 2020-07-17 | 新石器慧通(北京)科技有限公司 | 无人售卖机的控制方法、无人售卖机及存储介质 |
CN113888254A (zh) * | 2021-09-13 | 2022-01-04 | 青岛颐中科技有限公司 | 货架商品管理方法和电子设备 |
Non-Patent Citations (2)
Title |
---|
曹利红;叶杨;: "自动售货机的实时监控设计与实现", 北京工商大学学报(自然科学版), no. 02 * |
舒新峰;: "无线网络自动售货机***设计", 西安邮电学院学报, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN115965324B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210042824A1 (en) | Methods, systems, and apparatuses for improved fraud detection and reduction | |
WO2019001120A1 (zh) | 商品动态定价数据处理方法和*** | |
CN111178767B (zh) | 风险控制方法及***、计算机设备及计算机可读存储介质 | |
CN113487359B (zh) | 基于多模态特征的商品销量预测方法、装置及相关设备 | |
CN112132618A (zh) | 一种商品价格确定方法、装置、设备及可读存储介质 | |
CN111144899B (zh) | 识别虚假交易的方法及装置和电子设备 | |
US20220222545A1 (en) | Generation method, non-transitory computer-readable storage medium, and information processing device | |
CN111105244B (zh) | 基于退款的服务方案确定方法及装置 | |
US20220207420A1 (en) | Utilizing machine learning models to characterize a relationship between a user and an entity | |
CN115965324A (zh) | 一种基于自动售货机的商品销售方法及*** | |
CN117422306A (zh) | 基于动态神经网络的跨境电商风险控制方法及*** | |
US11288691B2 (en) | Systems and methods for price markdown optimization | |
CN115713389A (zh) | 理财产品推荐方法及装置 | |
JP6754283B2 (ja) | 取引支援装置および取引支援方法 | |
US20220222580A1 (en) | Deterioration detection method, non-transitory computer-readable storage medium, and information processing device | |
KR102340867B1 (ko) | 수산물의 판매량을 추정하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 | |
CN109976934B (zh) | 设备使用异常判定方法、装置以及计算机存储介质 | |
WO2022079527A1 (en) | Goods receipt management system and method | |
CN111428698A (zh) | 一种模型样本采集方法、更新方法、电子设备及存储介质 | |
CN116433242B (zh) | 基于注意力机制的欺诈检测方法 | |
CN111461866B (zh) | 一种数据分析方法及装置 | |
CN116862561B (zh) | 基于卷积神经网络的产品热度分析方法和*** | |
US20220222579A1 (en) | Deterioration detection method, non-transitory computer-readable storage medium, and information processing device | |
US20230351420A1 (en) | Machine learning technologies to predict opportunities for special pricing agreements | |
US20230316223A1 (en) | System and processes for optimizing inventory |
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 |