CN114757630A - 仓储管理模型确定方法、装置及计算机设备 - Google Patents
仓储管理模型确定方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN114757630A CN114757630A CN202210681405.0A CN202210681405A CN114757630A CN 114757630 A CN114757630 A CN 114757630A CN 202210681405 A CN202210681405 A CN 202210681405A CN 114757630 A CN114757630 A CN 114757630A
- Authority
- CN
- China
- Prior art keywords
- data
- warehouse
- product
- model
- candidate
- 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
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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本说明书实施方式提供一种仓储管理模型确定方法、装置及计算机设备。该方法通过获取包括有若干个源机器学习模型的候选模型集合,并根据源机器学习模型与仓储管理模型之间的特征相关性参数、时间相关性参数在所述候选模型集合中确定所述仓储管理模型,从数据特征维度和时间序列特征两个角度筛选出适合仓储管理场景的源机器学习模型,作为仓储管理模型,从而可以基于迁移学习对仓储管理模型进行训练,使其可以快速应用于仓储产品补货策略,不仅可以减少人力成本和时间成本,而且可以提升补货策略的准确性。
Description
技术领域
本说明书实施方式涉及计算机技术领域,具体涉及一种仓储管理模型确定方法、装置及计算机设备。
背景技术
随着社会经济发展和人民生活水平的日益提升,零售行业越来越被社会大众所关注。其中,零售行业为线下实体行业,为用户在实体门店选择购买实体商品提供服务。
对于零售行业来说,为了保障商品的正常供应,需要实体门店对商品进行预存储。然而,在传统技术中,主要依据实体门店工作人员的主观评测制定补货策略。
发明内容
有鉴于此,本说明书实施方式致力于提供一种仓储管理模型确定方法、装置及计算机设备,以在一些源机器学习模型中确定需要迁移学习的仓储管理模型,实现仓储管理模型能够快速应用于仓储产品补货策略的技术效果。
本说明书实施方式提供了一种仓储管理模型确定方法,用于训练所述仓储管理模型的仓储产品数据集合对应有仓储产品的第一数据特征维度;所述方法包括:获取候选模型集合;其中,所述候选模型集合中包括有若干个源机器学习模型;用于训练所述源机器学习模型的候选产品数据集合对应有候选产品的第二数据特征维度;确定所述第一数据特征维度与所述第二数据特征维度之间的特征相关性参数;比较所述候选产品数据集合的时间窗口数据与所述仓储产品数据集合的时间窗口数据,得到时间相关性参数;根据所述特征相关性参数和所述时间相关性参数的融合结果,在所述候选模型集合中确定所述仓储管理模型。
本说明书实施方式提供一种仓储管理模型确定装置,用于训练所述仓储管理模型的仓储产品数据集合对应有仓储产品的第一数据特征维度;所述装置包括:模型集合获取模块,用于获取候选模型集合;其中,所述候选模型集合中包括有若干个源机器学习模型;用于训练所述源机器学习模型的候选产品数据集合对应有候选产品的第二数据特征维度;特征参数确定模块,用于确定所述第一数据特征维度与所述第二数据特征维度之间的特征相关性参数;时间窗口比较模块,用于比较所述候选产品数据集合的时间窗口数据与所述仓储产品数据集合的时间窗口数据,得到时间相关性参数;仓储模型确定模块,用于根据所述特征相关性参数和所述时间相关性参数的融合结果,在所述候选模型集合中确定所述仓储管理模型。
本说明书实施方式提供一种计算设备,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上述实施方式中的方法步骤。
本说明书实施方式提供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上述实施方式中的方法步骤。
本说明书实施方式提供一种计算机程序产品,所述计算机程序产品中包括指令,所述指令被计算机设备的处理器执行时,使得所述计算机设备能够执行上述实施方式中的方法步骤。
本说明书实施方式,通过获取包括有若干个源机器学习模型的候选模型集合,并根据源机器学习模型与仓储管理模型之间的特征相关性参数、时间相关性参数在所述候选模型集合中确定所述仓储管理模型,从数据特征维度和时间序列特征两个角度筛选出适合仓储管理场景的源机器学习模型,作为仓储管理模型,从而可以基于迁移学习对仓储管理模型进行训练,使其可以快速应用于仓储产品补货策略,不仅可以减少人力成本和时间成本,而且可以提升补货策略的准确性。
附图说明
图1所示为一实施方式提供的场景示例中药品补货系统的示意框图。
图2所示为一实施方式提供的仓储管理模型确定方法的流程示意图。
图3所示为一实施方式提供的仓储管理模型确定方法的流程示意图。
图4a为一实施方式提供的药品的第一数据特征维度的示意图。
图4b所示为一实施方式提供的仓储管理模型确定方法的流程示意图。
图4c所示为一实施方式提供的采购计划审批方法的流程示意图。
图4d所示为一实施方式提供的供应商配送流程方法的流程示意图。
图5为一实施方式提供的仓储管理模型确定装置的结构框图。
图6为一实施方式提供的计算机设备的内部结构图。
具体实施方式
下面将结合本说明书实施方式中的附图,对本说明书实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅是本说明书一部分实施方式,而不是全部的实施方式。基于本说明书中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本说明书保护的范围。
请参阅图1。在一个具体的场景示例中,仓储产品以连锁药店售卖的药品为例进行说明。仓储管理模型可以应用在药品补货系统中,用于根据药品的历史销量数据进行预测,得到药品的预测销量数据。
本场景示例中,药品补货系统连接有采购量计算系统,采购量计算系统上部署有互补药品库和替代药品库。如果药品A和药品B是互补品的关系,则因为药品A的销量变化会引起药品B的销量变化,比如药品A销售较多,药品B作为药品A的互补药品也会销售较多。如果药品A和药品C是替代品的关系,则在药品A库存不足的情况下,消费者可以购买药品C用作替代药品。
本场景示例中,从互补药品库中获取药品的互补品的库存数据,从替代药品库获取药品的替代品的库存数据。利用互补品的库存数据、替代品的库存数据对药品的预测销量数据进行调整,得到药品的补货数量。
本场景示例中,采购量计算系统连接有采购计划生成和审批系统,该系统可以根据需要采购的数量生成对应药店的采购计划,并由药店工作人员(比如门店店长)发送采购计划到连锁药店总部进行审批,确保数据的准确性。
本场景示例中,在连锁药店总部对采购计划确认之后,可以基于采购计划生成采购订单(包括药品名称和药品的补货数量)。药店工作人员向多个药品供应商发送采购订单,并接收各药品供应商针对采购订单的报价进行比对,从中选择性价比高的供应商进行合作。供应商针对采购订单进行配送。
本场景示例中,在配送前,仓库配送系统会获取供应商仓库和药店门店之间的距离,采用动态规划算法,得出对应的最短距离方案,以节约配送成本和时间。
本场景示例中,在门店接收到采购订单上的药品时,药店工作人员可以使用门店收货系统,可以对采购订单上的药品进行清点,确定出合格品、不合格品、待处理品,并完成验收、入库,以对该药品进行销售。
本场景示例中通过建立从补货量预测、采购量计算、采购计划生成与总部审批、仓库配送、门店收货等系列流程,为连锁药店提供了一种新型高效的智能补货解决方案。
在另一个具体的场景示例中,说明药品的仓储管理模型的生成过程。具体地,为了减少训练仓储管理模型所花费的人工成本和时间成本,采用迁移学习的方式。迁移学习是一种机器学习方法,机器学习是把为任务A开发的模型作为初始点,重新使用在为任务B开发模型的过程中。获取若干个开源的深度学习模型,作为候选模型集合。候选模型集合中的深度学习模型可以包括天气预测模型、服装销量预测模型、共享单车用量预测模型、食品销量预测模型、图书销量预测模型。从候选模型集合中选择在合适的模型X,将模型X作为仓储管理模型的初始点,减少仓储管理模型的训练工作。
通常开发者在公开深度学习模型的同时,也会公开训练深度学习模型的样本集合。天气预测模型对应的样本集合可以是气象数据集合。气象数据集合包括气象特征数据样本,数据特征维度可以包括气温、气压、风、湿度、云、降水。服装流行预测模型对应的样本集合可以是服装数据集合。服装数据集合包括服装特征数据样本,数据特征维度可以包括服装类型、服装名称、时间、季节、地理位置、出售状态、销量、价格、排名。共享单车用量预测模型对应的样本集合可以是单车使用数据集合。单车使用数据集合包括单车出行参数数据样本,数据特征维度可以包括时间、天气、气温、日期、季节、注册城市、骑行时间、节假日。食品销量预测模型对应的样本集合可以是食品销量数据集合。食品销量数据集合包括食品销售数据样本,数据特征维度可以包括价格、销售量、库存量、商品属性、促销活动、销售区域或通路商位置、赠品。汽车销量预测模型对应的样本集合可以是汽车销量数据集合。汽车销量数据集合包括汽车销售数据样本,数据特征维度可以包括评论数据、汽车品牌、汽车参数、汽车价格。
在训练仓储管理模型之前,可以准备训练仓储管理模型的药品数据集合。药品数据集合包括药品数据,数据特征维度包括药品属性特征、药品设计特征、药品价格特征、药品使用者的用户特征。药品属性特征包括药品性能特征、药品用途特征、药品品牌特征;药品设计特征包括药品剂量特征、药品定位特征。可以从药品的这些数据特征维度中选择药品的性能、用途、品牌、包装剂量、用药人特征、销售价格等特征维度,利用选择的特征维度构建药品数据,药品数据可以理解为用于训练仓储管理模型的药品数据集合中训练样本。将药品数据集合中训练样本与各深度学习模型的训练样本进行比较,对药品数据集合中训练样本中数据进行归一化处理,对各深度学习模型的训练样本中的数据同样进行归一化处理,利用归一化处理结果确定两者之间的特征相关性参数。
进一步地,药品数据集合具有时间窗口数据。深度学习模型的样本集合也具有时间窗口数据。比较药品数据集合的时间窗口数据与样本集合的时间窗口数据,根据比较结果确定时间相关性参数。示例性地,计划使用药品半个月内的销量数据预测药品销量,则药品数据集合的时间窗口数据为半个月。而天气预测模型一般使用过去一年时间内的历史气象数据预测天气,则气象数据集合的时间窗口数据为一年。
在得到各深度学习模型的特征相关性参数和时间相关性参数之后,预先已经针对特征相关性参数的权重占比为50%,时间相关性参数的权重占比也为50%。将50%*特征相关性参数与50%*时间相关性参数之和作为选择仓储管理模型与深度学习模型之间的最终相关参数。最终相关参数越大,表明对应的深度学习模型越适合用于仓储管理模型。因此,将最大最终相关参数对应的深度学习模型用作仓储管理模型。示例性地,在这些深度学习模型中,若食品销量预测模型的最终相关参数最大,则将食品销量预测模型确定为仓储管理模型。
本说明书实施方式提供一种仓储管理模型确定系统,且本说明书提供的仓储管理模型确定方法应用于该仓储管理模型确定系统。该仓储管理模型确定系统可以包括由服务器形成的硬件环境。其中,服务器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。随着科学技术的发展,可能会出现一些新型计算设备,比如量子计算服务器,这些新型计算设备也可以应用于本说明书的实施方式中。
请参阅图2,本说明书实施方式提供一种仓储管理模型确定方法。用于训练仓储管理模型的仓储产品数据集合对应有仓储产品的第一数据特征维度。该仓储管理模型确定方法包括以下步骤。
步骤S210:获取候选模型集合。
本实施方式中,候选模型集合中包括有若干个源机器学习模型。源机器学习模型可以是开发者在开源网站公开的机器学习模型。源机器学习模型可以是时间序列预测模型,比如长短期记忆模型LSTM、KNN模型(K-Nearest Neighbors)。源机器学习模型可以是回归预测模型,比如XGBoost(ExtremeGradientBoosting,极端梯度提升树)。用于训练源机器学习模型的候选产品数据集合对应有候选产品的第二数据特征维度。候选产品数据集合可以是开发者所公开的用于训练源机器学习模型的训练样本集合。候选产品数据集合包括若干个候选产品训练样本,各候选产品训练样本具有多个第二数据特征维度。
本实施方式中,仓储管理模型可以是能够为线下门店制定仓储产品的补货策略提供参考数据的机器学习模型。仓储管理模型可以是基于历史销量数据预测未来销量数据的时间序列模型,也可以是基于外界影响因素对仓储产品价格进行预测的回归模型。仓储产品数据集合包括若干个仓储产品训练样本,各仓储产品训练样本具有多个第一数据特征维度。
在一些情况下,线下门店的补货计划是由工作人员依据主观想法或者定期定量补货策略而制定的,该补货计划与实际销售情况可能差距较大,从而导致频繁采购或者滞销,造成人力和仓储空间的浪费。近年来,在仓储管理场景中开始采用机器学习模型对销售数据或者补货数据进行预测,为线下门店提供准确的补货方案。但是,一方面,对线下门店的操作人员人说,机器学习模型的训练需要较强的计算机背景,另一方面,机器学习模型的训练需要高昂的CPU和GPU设备成本。因此,本实施方式中采用迁移学习的思想在候选模型集合中确定仓储管理模型。具体地,可以从开源网站抓取若干个源机器学习模型,构成候选模型集合。也可以预先已经收集一些源机器学习模型,作为候选模型集合存储在计算机设备本地,从直接从计算机本地获取候选模型集合。
步骤S220:确定第一数据特征维度与第二数据特征维度之间的特征相关性参数。
本实施方式中,仓储产品数据可以是仓储产品在各第一数据特征维度上的数据。若仓储产品是药品,则第一数据特征维度可以包括药品属性特征、药品设计特征、药品价格特征、药品使用者的用户特征。示例性地,药品属性特征所涉及的数据可以包括药品性能、药品用途、药品品牌等中的至少一个。药品设计特征所涉及的数据包括药品剂量。药品价格特征所涉及的数据可以包括药品进价、药品售价中至少一个。用户特征所涉及的数据可以包括成年人、儿童中至少一个。若仓储产品是食品,则第一数据特征维度可以包括食品属性特征、食品设计特征、食品价格特征、食品使用者的用户特征。示例性地,食品属性特征所涉及的数据可以包括食品营养成分、食品配料、食品品牌等中的至少一个。食品设计特征所涉及的数据可以包括食品包装规格。食品价格特征所涉及的数据包括食品进价、食品售价中至少一个。用户特征所涉及的数据可以包括6-12个月婴儿、12月-36个月幼儿、3岁以上儿童、成人中至少一个。
本实施方式中,候选产品数据可以是候选产品在各第二数据特征维度上的数据。候选产品可以源机器学习模型所涉及的产品,比如服装,第二数据特征维度可以是服装类型特征、时间特征、季节特征、位置特征。服装类型特征所涉及的数据可以包括男服、女服、中老年人服。时间特征所涉及的数据可以包括12月至2月、3月至4月等。季节特征所涉及的数据可以包括春秋季、夏季、冬季。位置特征所涉及的数据可以包括华南地区、华东地区、华北地区、中原地区等。
在一些情况下,不同的源机器学习模型具有各自的特点,并不是任意一个源机器学习模型都可以在仓储管理场景中,因此需要对候选模型集合中的源机器学习模型进行筛选。具体地,已经预先定义了仓储管理模型的仓储产品数据集合,其包括若干个仓储产品训练样本,同样知悉仓储管理模型训练样本所涉及的第一数据特征维度。而且开发者已经公开了候选产品数据集合,对候选产品数据集合进行分析,可以知道各候选产品训练样本所涉及的多个第二数据特征维度。因此,在一些实施方式中,可以对第一数据特征维度上的仓储产品数据进行赋值或者打分,将其转化为可计算的与仓储产品对应的数值。对第二数据特征维度上的候选产品数据进行赋值或者打分,将其转化为可计算的与候选产品对应的数值。比较与仓储产品对应的数值、与候选产品对应的数值,根据两者之间的差异值确定特征相关性参数。在一些实施方式中,可以对第一数据特征维度上的仓储产品数据进行嵌入处理,得到与仓储产品对应的嵌入向量。也可以对第二数据特征维度上的候选产品数据进行嵌入处理,得到与候选产品对应的嵌入向量。计算与仓储产品对应的嵌入向量、与候选产品对应的嵌入向量之间的余弦相似度,将该余弦相似度作为特征相关性参数。
步骤S230:比较候选产品数据集合的时间窗口数据与仓储产品数据集合的时间窗口数据,得到时间相关性参数。
本实施方式中,时间窗口数据可以是仓储产品数据集合或者候选产品数据集合在时间序列上的时间跨度的长短。时间窗口数据可以是一年,可以是一周,也可以是两周,还可以是一月。
在一些情况下,考虑到仓储产品在时间上表现有时间序列性,因此,在对候选模型集合中的源机器学习模型进行筛选时,还需要考虑到候选产品数据集合的时间窗口数据的表现。具体地,可以将候选产品数据集合的时间窗口数据与仓储产品数据集合的时间窗口数据在单位上进行归一化处理,使得候选产品数据集合的时间窗口数据的单位与仓储产品数据集合的时间窗口数据的单位相同,比较两者的时间窗口数据。在单位统一之后,可以计算两者时间窗口数据之差,或者计算两者时间窗口数据之商,从而得到时间相关性参数。
步骤S240:根据特征相关性参数和时间相关性参数的融合结果,在候选模型集合中确定仓储管理模型。
具体地,可以结合实际情况为特征相关性参数、时间相关性参数设置相同的或者不同的权重占比。针对任一源机器学习模型,已经得知其对应的特征相关性参数和时间相关性参数。根据设置的权重占比对特征相关性参数、时间相关性参数进行融合处理,得到各源机器学习模型的融合结果。根据融合结果的大小进行排序,将排序最靠前的源机器学习模型作为仓储管理模型。在一些实施方式中,也可以将排序最靠前N个的源机器学习模型作为仓储管理模型。比如N可以取值2、3。
上述仓储管理模型方法,通过获取包括有若干个源机器学习模型的候选模型集合,并根据源机器学习模型与仓储管理模型之间的特征相关性参数、时间相关性参数在候选模型集合中确定仓储管理模型,从数据特征维度和时间序列特征两个角度筛选出适合仓储管理场景的源机器学习模型,作为仓储管理模型,从而可以基于迁移学习对仓储管理模型进行训练,使其可以快速应用于仓储产品补货策略,不仅可以减少人力成本和时间成本,而且可以提升补货策略的准确性。
在一些实施方式中,请参阅图3,确定第一数据特征维度与第二数据特征维度之间的特征相关性参数,可以包括以下步骤。
步骤S310:对第一数据特征维度上的仓储产品数据进行归一化处理,得到第一数据特征向量。
步骤S320:对第二数据特征维度上的候选产品数据进行归一化处理,得到第二数据特征向量。
步骤S330:对第一数据特征向量和第二数据特征向量之间的相关性进行计算,得到特征相关性参数。
在一些情况下,将第一数据特征维度上的仓储产品数据与第二数据特征维度上的候选产品数据进行特征相似比较,以在候选模型集合中确定仓储管理模型,可以采用Pearson相关系数从多个数据特征维度进行比对,通过建模分数设置横纵坐标,计算候选产品数据集合与仓储产品数据集合的距离。其中,距离越近,说明相关程度越高。具体地,将第一数据特征维度上的仓储产品数据转换为数值,并对其进行归一化处理,得到第一数据特征向量。将第二数据特征维度上的候选产品数据转化为数据,并对其进行归一化处理,得到第二数据特征向量。计算第一数据特征向量和第二数据特征向量之间的相关性,比如计算两者之间的余弦相似度,得到特征相关性参数。
本实施方式中,采用归一化处理的方式使得数据特征维度上的数据可计算,从而得到特征相关性参数,实现对源机器学习模型与仓储管理模型之间相关程度的量化评价,利用筛选出准确的仓储管理模型。
在一些实施方式中,仓储产品数据集合的生成方式,包括:获取针对仓储产品的初始仓储产品数据集合;在初始仓储产品数据集合在任意第一数据特征维度上存在数据缺失的情况下,在任意第一数据特征维度上进行插值处理以补充缺失值,得到仓储产品数据集合。
在一些情况下,仓储产品数据是由门店工作人员对仓储产品的销售行为进行记录而产生,不可避免地由于人为因素(比如忘记记录、遗漏部分数据项)、数据采集设备故障、存储介质故障、传输媒体故障中地至少一个导致数据丢失,从而导致初始仓储产品数据是不完整的。因此,需要对初始仓储产品数据的缺失数据进行补充。
具体地,线下门店销售仓储产品的过程中产生有数据集合,数据集合可以存储在计算机本地,也可以存在与其通信连接的计算机设备中。数据集合中包括有许多数据特征维度,为了防止特征过多导致过拟合,从数据集合的许多数据特征维度选择第一数据特征维度,并获取第一数据特征维度上的仓储产品数据,构成针对仓储产品的初始仓储产品数据集合。判断初始仓储产品数据集合中在各第一数据特征维度上是否存在数据缺失,在任意第一数据特征维度上存在数据缺失的情况下,利用相邻的仓储产品数据对任意第一数据特征维度上进行插值处理,得到仓储产品数据集合。在一些实施方式中,部分种类的仓储产品会存在季节性变动,可以采用季节性调整的方式和插值处理进行缺失数据的补充。比如仓储产品为药品,药品在季节交替时期,感冒药的销量会上升,因此,可以采用季节性调整的方式和插值处理进行缺失药品数据的补充。比如仓储产品为冷饮食品,冷饮食品在夏季销量会上升,因此,可以采用季节性调整的方式和插值处理进行缺失冷饮食品数据的补充。需要说明的是,季节性变动(或短周期变动)常指年度内的变动情况,通常与季节变换有关,也季节性变动具有一定的循环性。
本实施方式中,通过对初始仓储产品数据集合进行插值处理,得到准确的仓储产品数据集合,为训练仓储管理模型提供准确的训练样本,从而提升仓储管理模型的预测能力,得到准确的预测结果。
在一些实施方式中,该仓储管理模型确定方法还可以包括:对仓储管理模型的模型结构和/或模型参数进行调整,得到调整后的模型;利用仓储产品数据集合对调整后的模型进行训练,得到目标仓储管理模型。
在一些情况下,将在候选模型集合中确定的仓储管理模型应用于仓储管理场景之前,需要利用仓储产品数据集合对仓储管理模型进行训练。具体地,在一些实施方式中,可以直接利用仓储产品数据集合对仓储管理模型进行训练,无需对仓储管理模型的模型结构和模型参数进行调整。在一些实施方式中,可以为仓储管理模型的模型参数增加扰动以调整模型参数。利用仓储产品数据集合对模型参数调整后的仓储管理模型进行训练。在一些实施方式中,由于仓储管理模型为多层融合的深度学习模型,可以从中删除部分层以调整仓储管理模型的模型结构,利用仓储产品数据集合对模型结构调整后的仓储管理模型进行训练。示例性地,仓储管理模型为具有8层神经网络的深度学习模型。可以从中选取第1至5层的神经网络搭建新的模型,得到调整后的模型。也可以从中选取第1至3、5、6层的神经网络搭建新的模型,得到调整后的模型。
本实施方式中,可以将仓储产品数据集合划分为训练集、验证集、测试集。其中,训练集用于模型拟合的数据样本,用于调试模型中神经网络的参数。测试集用于评估最终模型的泛化能力,但不能作为调参、选择特征等算法相关的选择依据,测试集的作用体现在测试过程中。验证集用于查看训练效果,查看模型训练效果是否朝着坏的方向进行。验证集的作用体现在训练的过程,通过查看训练集和验证集的损失值看出模型是否过拟合,可以及时停止训练,并根据实际情况调整模型结构和超参数,节省模型训练时间。
在一些实施方式中,目标仓储管理模型用于预测药品的销量数据;第一数据特征维度包括药品属性特征、药品设计特征、药品价格特征、药品使用者的用户特征。
具体地,由于药品存在特殊性,需要考虑药品的性能、用途、品牌度、包装剂量、用药人特征、销售价格等作为目标仓储管理模型的输入特征,同时又要避免特征过多导致过拟合,因此,针对药品,第一数据特征维度包括药品属性特征、药品设计特征、药品价格特征、药品使用者的用户特征。进一步地,在一些实施方式中,药品属性特征可以包括药品性能特征、药品用途特征、药品品牌特征。药品设计特征可以包括药品剂量特征。示例性地,药品的第一数据特征维度可以采用图4a所示的部分或者全部。
在一些实施方式中,该仓储管理模型确定方法还可以包括:获取仓储产品的历史销量数据。将历史销量数据输入至目标仓储管理模型进行预测,得到仓储产品的预测销量数据。
在一些情况下,仓储补货策略对于线下门店特别重要,不良的补货策略可以引起缺货,导致门店丧失潜在的销售机会,造成利润的下降。或者引起库存积压,浪费仓储空间。因此,目标仓储管理模型可以用于仓储补货策略的制定中,以提升补货策略的准确性,减少缺货概率或者库存积压发生的几率。具体地,补货策略可以依据预测销量数据和仓储产品的库存数据制定。因此,首先需要确定出未来的销量数据,而目标仓储管理模型可以用于销量数据的预测。获取仓储产品的历史销量数据,将历史销量数据输入至目标仓储管理模型进行预测,得到仓储产品的预测销量数据。进一步地,可以获取仓储产品的库存数据,利用预测销量数据减去库存数据,依据两者之差制定补货策略。
本实施方式中,通过目标仓储管理模型得到仓储产品的预测销量数据,提升了预测销量数据的准确性,减少预测误差,利于生成合适的补货策略,实现库存优化。
在一些实施方式中,请参阅图4b,该仓储管理模型确定方法还可以包括以下步骤。
步骤S410:将预测销量数据与仓储产品的库存数据之间的差值作为仓储产品的初始补货数量。
步骤S420:获取仓储产品的互补品的库存数据以及仓储产品的替代品的库存数据。
步骤S430:利用互补品的库存数据、替代品的库存数据对初始补货数量进行调整,得到仓储产品的目标补货数量。
在一些情况下,由于仓储产品存在一些替代品和互补品,替代品和互补品会对仓储产品的销售产生一定影响,因此,在制定补货策略时,除了预测销量数据与库存数据之外,需要进一步考虑到互补品的库存数据、替代品的库存数据。具体地,利用预测销量数据减去仓储产品的库存数据,得到仓储产品的初始补货数量。可以预先建立有仓储产品与互补品之间的互补对应关系,形成互补品库。也可以预先建立有建立仓储产品与替代品之间的替换对应关系,形成替代品库。根据仓储产品在互补品库进行查询,得到仓储产品的互补品的库存数据。根据仓储产品在替代品库进行查询,得到仓储产品的替代品的库存数据。利用互补品的库存数据、替代品的库存数据对初始补货数量进行调整,得到仓储产品的目标补货数量。可以基于目标补货数量生成补货策略。
示例性地,市面上药品的功效和种类繁多,药品的功效和禁忌都标注在说明书上,可以根据类目区分不同药品的互补功效和替代功效,并建立互补药品库和同类替代药品库。比如感冒药往往和治鼻塞的药互补,布洛芬分散片和布洛芬缓释胶囊互为替代品。在制定感冒药的补货策略时,可以考虑治鼻塞的药的库存数据。在制定布洛芬分散片的补货策略时,可以考虑布洛芬缓释胶囊的库存数据。
本实施方式中,利用互补品的库存数据、替代品的库存数据对初始补货数量进行调整,得到更加准确的目标补货数量,保证仓储产品的库存量,减少门店断货风险。
在一些实施方式中,利用互补品的库存数据、替代品的库存数据对初始补货数量进行调整,得到仓储产品的目标补货数量,至少包括以下之一:根据互补品的库存数据与替补库存数据之间的商对初始补货数量进行修正,得到仓储产品的目标补货数量。或者,根据替代品的库存数据与替补库存数据之间的商对初始补货数量进行修正,得到仓储产品的目标补货数量。
其中,替补库存数据是对互补品的库存数据与替代品的库存数据进行求和得到的。在一些情况下,由于互补品对仓储产品的销量具有正面影响,或者说,互补品的销量可以对应地增大仓储产品的销量。而且替代品对仓储产品的销量具有负面影响,或者说,替代品的销量可以对应地减少仓储产品的销量,因此,可以根据互补品的库存数据增大初始补货数量,可以根据替代品的库存数据减少初始补货数量。具体地,为了制定准确的补货策略,同时考虑互补品的库存数据和替代品的库存数据,因此对互补品的库存数据与替代品的库存数据进行求和,得到替补库存数据。计算互补品的库存数据与替补库存数据之间的比值,利用该比值为初始补货数量增加同样的百分比,减少门店断货风险。计算替代品的库存数据与替补库存数据之间的比值,利用该比值为初始补货数量减少同样的百分比,优化库存,降低库存积压的风险,减少仓储成本。
示例性地,可以根据以下公式确定目标补货数量X。
X=a*(b/(b+c)+1)
X=a*(1-c/(b+c))
其中,a代表初始补货数量,b代表互补品的库存数据,c代表替代品的库存数据。
在一些实施方式中,针对采购计划生成与审批系统,根据需要采购的数量生成对应门店的采购计划,并由已授权的工作人员上传到连锁药店总部进行审批,确保数据的准确性和安全性。请参阅图4c,整体流程可以包括以下步骤:门店生成采购计划,店长确认采购,提交总部,总部分配审批人,二次确认信息,若审批通过,则通知工作人员采购,若没有通过,则反馈拒绝采购意见,门店修改采购计划,再次提交,跳转到店长确认采购步骤。
在一些实施方式中,针对仓库配送系统,请参阅图4d,首先需要对采购订单进行数量和药品核对,再由药店工作人员对供应商给出的报价进行比对,选出性价比最高的供应商进行合作。接着供应商对药品订单进行配送,获取供应商仓库和药店门店距离,采用动态规划算法得出不同门店的最短距离方案以降低配送成本和时间。本实施方式中,动态规划算法通过计算上一个状态的最短路径来计算当前状态的最短路径,再遍历所有情况来找到最短路径。
应该理解的是,虽然上述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,上述流程图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。
请参阅图5,本说明书实施方式提供了一种仓储管理模型确定装置,用于训练所述仓储管理模型的仓储产品数据集合对应有仓储产品的第一数据特征维度。该装置包括模型集合获取模块、特征参数确定模块、时间窗口比较模块和仓储模型确定模块。
模型集合获取模块,用于获取候选模型集合;其中,所述候选模型集合中包括有若干个源机器学习模型;用于训练所述源机器学习模型的候选产品数据集合对应有候选产品的第二数据特征维度。
特征参数确定模块,根据所述第一数据特征维度上的仓储产品数据与所述第二数据特征维度上的候选产品数据,确定所述第一数据特征维度与所述第二数据特征维度之间的特征相关性参数。
时间窗口比较模块,用于比较所述候选产品数据集合的时间窗口数据与所述仓储产品数据集合的时间窗口数据,得到时间相关性参数。
仓储模型确定模块,用于根据所述特征相关性参数和所述时间相关性参数的融合结果,在所述候选模型集合中确定所述仓储管理模型。
关于仓储管理模型确定装置的具体限定可以参见上文中对于仓储管理模型确定方法的限定,在此不再赘述。上述仓储管理模型确定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。
在一些实施方式中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种仓储管理模型确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本说明书所公开方案相关的部分结构的框图,并不构成对本说明书所公开方案所应用于其上的计算机设备的限定,具体地,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。
在一些实施方式中,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上述实施方式中的方法步骤。
在一些实施方式中,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上述实施方式中的方法步骤。
在一些实施方式中,还提供一种计算机程序产品,所述计算机程序产品中包括指令,上述指令可由计算机设备的处理器执行时实现上述实施方式中的方法步骤。
本领域普通技术人员可以理解实现上述实施方式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方式的流程。其中,本说明所提供的各实施方式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-Only Memory,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。
以上实施方式的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施方式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。
以上所述仅为本说明书的较佳实施方式而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所作的任何修改、等同替换等,均应包含在本说明书的保护范围之内。
Claims (11)
1.一种仓储管理模型确定方法,其特征在于,用于训练所述仓储管理模型的仓储产品数据集合对应有仓储产品的第一数据特征维度;所述方法包括:
获取候选模型集合;其中,所述候选模型集合中包括有若干个源机器学习模型;用于训练所述源机器学习模型的候选产品数据集合对应有候选产品的第二数据特征维度;
确定所述第一数据特征维度与所述第二数据特征维度之间的特征相关性参数;
比较所述候选产品数据集合的时间窗口数据与所述仓储产品数据集合的时间窗口数据,得到时间相关性参数;
根据所述特征相关性参数和所述时间相关性参数的融合结果,在所述候选模型集合中确定所述仓储管理模型。
2.根据权利要求1所述的方法,其特征在于,所述确定所述第一数据特征维度与所述第二数据特征维度之间的特征相关性参数,包括:
对所述第一数据特征维度上的仓储产品数据进行归一化处理,得到第一数据特征向量;
对所述第二数据特征维度上的候选产品数据进行归一化处理,得到第二数据特征向量;
对所述第一数据特征向量和所述第二数据特征向量之间的相关性进行计算,得到所述特征相关性参数。
3.根据权利要求1所述的方法,其特征在于,所述仓储产品数据集合的生成方式,包括:
获取针对仓储产品的初始仓储产品数据集合;
在所述初始仓储产品数据集合在任意第一数据特征维度上存在数据缺失的情况下,在所述任意第一数据特征维度上进行插值处理以补充缺失值,得到所述仓储产品数据集合。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述仓储管理模型的模型结构和/或模型参数进行调整,得到调整后的模型;
利用所述仓储产品数据集合对所述调整后的模型进行训练,得到目标仓储管理模型。
5.根据权利要求4所述的方法,其特征在于,所述目标仓储管理模型用于预测药品的销量数据;所述第一数据特征维度包括药品属性特征、药品设计特征、药品价格特征、药品使用者的用户特征。
6.根据权利要求5所述的方法,其特征在于,所述药品属性特征包括药品性能特征、药品用途特征、药品品牌特征;所述药品设计特征包括药品剂量特征。
7.根据权利要求4至6中任一项所述的方法,其特征在于,所述方法包括:
获取所述仓储产品的历史销量数据;
将所述历史销量数据输入至所述目标仓储管理模型进行预测,得到所述仓储产品的预测销量数据。
8.根据权利要求7所述的方法,其特征在于,所述方法包括:
将所述预测销量数据与所述仓储产品的库存数据之间的差值作为所述仓储产品的初始补货数量;
获取仓储产品的互补品的库存数据以及所述仓储产品的替代品的库存数据;
利用所述互补品的库存数据、所述替代品的库存数据对所述初始补货数量进行调整,得到所述仓储产品的目标补货数量。
9.根据权利要求8所述的方法,其特征在于,所述利用所述互补品的库存数据、所述替代品的库存数据对所述初始补货数量进行调整,得到所述仓储产品的目标补货数量,至少包括以下之一:
根据所述互补品的库存数据与替补库存数据之间的商对所述初始补货数量进行修正,得到所述仓储产品的目标补货数量;其中,所述替补库存数据是对所述互补品的库存数据与所述替代品的库存数据进行求和得到的;
根据所述替代品的库存数据与所述替补库存数据之间的商对所述初始补货数量进行修正,得到所述仓储产品的目标补货数量。
10.一种仓储管理模型确定装置,其特征在于,用于训练所述仓储管理模型的仓储产品数据集合对应有仓储产品的第一数据特征维度;所述装置包括:
模型集合获取模块,用于获取候选模型集合;其中,所述候选模型集合中包括有若干个源机器学习模型;用于训练所述源机器学习模型的候选产品数据集合对应有候选产品的第二数据特征维度;
特征参数确定模块,用于确定所述第一数据特征维度与所述第二数据特征维度之间的特征相关性参数;
时间窗口比较模块,用于比较所述候选产品数据集合的时间窗口数据与所述仓储产品数据集合的时间窗口数据,得到时间相关性参数;
仓储模型确定模块,用于根据所述特征相关性参数和所述时间相关性参数的融合结果,在所述候选模型集合中确定所述仓储管理模型。
11.一种计算机设备,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9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681405.0A CN114757630B (zh) | 2022-06-16 | 2022-06-16 | 仓储管理模型确定方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681405.0A CN114757630B (zh) | 2022-06-16 | 2022-06-16 | 仓储管理模型确定方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757630A true CN114757630A (zh) | 2022-07-15 |
CN114757630B CN114757630B (zh) | 2022-10-14 |
Family
ID=82336250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210681405.0A Active CN114757630B (zh) | 2022-06-16 | 2022-06-16 | 仓储管理模型确定方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757630B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496449A (zh) * | 2022-09-30 | 2022-12-20 | 珠海乐活公社网络科技有限公司 | 仓储布局优化辅助决策方法及交互显示方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197660A (zh) * | 2018-01-17 | 2018-06-22 | 中国科学院上海高等研究院 | 多模型特征融合方法/系统、计算机可读存储介质及设备 |
CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
US20200012938A1 (en) * | 2018-07-09 | 2020-01-09 | Tata Consultancy Services Limited | Systems and methods for classification of multi-dimensional time series of parameters |
US20200065772A1 (en) * | 2018-08-21 | 2020-02-27 | Job Market Maker, Llc | Machine learning systems for predictive targeting and engagement |
CN111783650A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 模型训练方法、动作识别方法、装置、设备以及存储介质 |
CN111832993A (zh) * | 2020-07-13 | 2020-10-27 | 深圳市今天国际物流技术股份有限公司 | 一种仓储物流系统的预测维护方法及相关组件 |
CN113705628A (zh) * | 2021-08-06 | 2021-11-26 | 北京百度网讯科技有限公司 | 预训练模型的确定方法、装置、电子设备以及存储介质 |
CN113821587A (zh) * | 2021-06-02 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 文本相关性确定方法、模型训练方法、装置及存储介质 |
CN114219147A (zh) * | 2021-12-13 | 2022-03-22 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的配电站故障预测方法 |
CN114428677A (zh) * | 2022-01-28 | 2022-05-03 | 北京百度网讯科技有限公司 | 任务处理方法、处理装置、电子设备及存储介质 |
-
2022
- 2022-06-16 CN CN202210681405.0A patent/CN114757630B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197660A (zh) * | 2018-01-17 | 2018-06-22 | 中国科学院上海高等研究院 | 多模型特征融合方法/系统、计算机可读存储介质及设备 |
US20200012938A1 (en) * | 2018-07-09 | 2020-01-09 | Tata Consultancy Services Limited | Systems and methods for classification of multi-dimensional time series of parameters |
CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
US20200065772A1 (en) * | 2018-08-21 | 2020-02-27 | Job Market Maker, Llc | Machine learning systems for predictive targeting and engagement |
CN111783650A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 模型训练方法、动作识别方法、装置、设备以及存储介质 |
CN111832993A (zh) * | 2020-07-13 | 2020-10-27 | 深圳市今天国际物流技术股份有限公司 | 一种仓储物流系统的预测维护方法及相关组件 |
CN113821587A (zh) * | 2021-06-02 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 文本相关性确定方法、模型训练方法、装置及存储介质 |
CN113705628A (zh) * | 2021-08-06 | 2021-11-26 | 北京百度网讯科技有限公司 | 预训练模型的确定方法、装置、电子设备以及存储介质 |
CN114219147A (zh) * | 2021-12-13 | 2022-03-22 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的配电站故障预测方法 |
CN114428677A (zh) * | 2022-01-28 | 2022-05-03 | 北京百度网讯科技有限公司 | 任务处理方法、处理装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
游凤芹等: "中文多类别情感分类模型中特征选择方法", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496449A (zh) * | 2022-09-30 | 2022-12-20 | 珠海乐活公社网络科技有限公司 | 仓储布局优化辅助决策方法及交互显示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114757630B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11922440B2 (en) | Demand forecasting using weighted mixed machine learning models | |
US11599753B2 (en) | Dynamic feature selection for model generation | |
Chan et al. | A review of coordination studies in the context of supply chain dynamics | |
TW542982B (en) | Dynamic pricing system | |
CN101777147B (zh) | 预测建模 | |
US11216850B2 (en) | Predictive platform for determining incremental lift | |
US20210110429A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
CA3177530A1 (en) | Systems and methods with integrated gaming engines and smart contracts | |
CN105225129B (zh) | 移动o2o推荐方法及其系统 | |
US20220309436A1 (en) | Orchestrated intelligent supply chain optimizer | |
US20230306347A1 (en) | Systems and methods for supply chain optimization with channel saliency | |
US20220383316A1 (en) | Trust platform | |
CN113793091A (zh) | 冷链供应链可信监控与冷链仓储智能决策方法 | |
CN114707771B (zh) | 基于大数据的医药供应链管理方法及平台 | |
CN114757630B (zh) | 仓储管理模型确定方法、装置及计算机设备 | |
JP2017117152A (ja) | 取引管理システム、取引管理方法及び取引管理プログラム | |
US20230419184A1 (en) | Causal Inference Machine Learning with Statistical Background Subtraction | |
Hua et al. | Markdowns in e-commerce fresh retail: A counterfactual prediction and multi-period optimization approach | |
Fazlollahtabar | Supply chain management models: forward, reverse, uncertain, and intelligent foundations with case studies | |
US11861882B2 (en) | Systems and methods for automated product classification | |
Stephen et al. | An intelligent cloud-based customer relationship management system to determine flexible pricing for customer retention | |
CN111242532A (zh) | 一种采购管理方法、装置和电子设备 | |
Sleiman et al. | Forecasting Sales Profiles of Products in an Exceptional Context: COVID-19 Pandemic | |
Chornous et al. | Modeling and Forecasting Dynamic Factors of Pricing in E-commerce. | |
Onokoy et al. | Modern approaches to building recommender systems for online stores |
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 |