CN108764704A - 一种基于人工智能的货源分配的方法 - Google Patents
一种基于人工智能的货源分配的方法 Download PDFInfo
- Publication number
- CN108764704A CN108764704A CN201810507950.1A CN201810507950A CN108764704A CN 108764704 A CN108764704 A CN 108764704A CN 201810507950 A CN201810507950 A CN 201810507950A CN 108764704 A CN108764704 A CN 108764704A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- source
- goods
- dimension
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 17
- 241000208125 Nicotiana Species 0.000 claims abstract description 14
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000000644 propagated effect Effects 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于人工智能的货源分配的方法，涉及烟草资源分配、人工智能技术，充分利用烟草行业数据，结合人工智能算法，利用人工智能中BP神经网络模型的自主学习能力，深度挖掘各指标之间深层关联关系，实现了零售户货源策略的自动分配。首先，选取卷烟营销中市场维度和客户订单维度的主要指标，利用人工智能中BP神经网络模型的自主学习能力，经过信号的前向传播和误差的反向传播两个过程，构建各指标之间的关联关系。然后，进行多次反复模型训练，将利用模型训练得到的参数，结合历史各维度指标数据作为BP神经网络模型的入参，自动计算零售客户的货源分配量。本发明减少货源分配过程中人为因素的影响，提高货源分配结果与客户需求的吻合度。
Description
技术领域
本发明涉及烟草资源分配、人工智能技术，具体的说是一种基于人工智能的货源分配的方法。
背景技术
我国烟草行业的专卖体制决定了卷烟不能完全按照市场需求进行生产和销售，这意味着工业公司生产的货源不能完全满足商业公司的需求，这也必然导致商业公司不能完全满足卷烟零售客户的市场销售需求。如何将有限的货源更合理、有效的分配到零售客户，是烟草商业公司运营过程中一直在探索解决的重要问题。
烟草行业中传统的货源分配方法，通常使用零售户订购量结合订足率、订足面等指标，选择一个相对简单的数学算法来计算零售户的投放量。烟草行业这种传统的资源分配方法中，计算过程参考维度较少，数学算法有一定局限，计算出的投放量难以完全匹配零售户的订货需求。同时，数学算法对于不同输入参数、不同参考时间计算出来的结果存在一定差异。在货源分配过程中，人为因素对分配结果较大影响。鉴于此种问题，需要选择一种可以参考更广泛数据范围，能够将人为因素干扰降低到最低的新算法。
发明内容
本发明针对目前技术发展的需求和不足之处，提供一种一种基于人工智能的货源分配的方法。
本发明所述一种基于人工智能的货源分配的方法，解决上述技术问题采用的技术方案如下：所述一种基于人工智能的货源分配的方法，充分利用烟草行业数据，结合人工智能算法，利用人工智能中BP神经网络模型的自主学习能力，深度挖掘各指标之间深层关联关系，实现了零售户货源策略的自动分配。
具体的，所述烟草行业数据具体指卷烟营销中市场维度和客户订单维度的主要指标。
具体的，所述卷烟营销中市场维度和客户订单维度的主要指标，包括社会销量、社会库存、市场价格、客户货源分配量、订单需求量、订单订购量、卷烟订购户数、订足户数、订足率、订足面。
具体的，选取卷烟营销中市场维度和客户订单维度的主要指标，利用人工智能中BP神经网络模型的自主学习能力，经过信号的前向传播和误差的反向传播两个过程，构建各指标之间的关联关系。
具体的，在实际运用中进行多次反复模型训练，通过实际数据对训练结果进行验证，直到验证结果与实际偏差最小，此时得到参数即可为货源分配模型的参数。
具体的，将利用模型训练得到的参数，结合历史各维度指标数据作为BP神经网络模型的入参，即可自动计算零售客户的货源分配量。
本发明所述一种基于人工智能的货源分配的方法，与现有技术相比具有的有益效果是：本发明摒弃了传统货源分配过程中根据经验选择计算模型的弊端，充分利用烟草行业数据，结合人工智能算法，通过模型的自主学习能力，深度挖掘各指标之间深层关联关系，实现了零售户货源策略的自动分配；减少货源分配过程中人为因素的影响，提高货源分配结果与客户需求的吻合度。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清查、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。
实施例
本实施例提出一种基于人工智能的货源分配的方法，摒弃传统货源分配过程中根据经验选择计算模型的弊端，充分利用烟草行业数据，结合人工智能算法，通过模型的自主学习能力，深度挖掘各指标之间深层关联关系，实现了零售户货源策略的自动分配。
这里，烟草行业数据具体指卷烟营销中市场维度和客户订单维度的主要指标；卷烟营销中市场维度和客户订单维度的主要指标，一般包括包括社会销量、社会库存、市场价格、客户货源分配量、订单需求量、订单订购量、卷烟订购户数、订足户数、订足率、订足面等。
结合人工智能算法，通过模型的自主学习能力，主要是利用人工智能中BP神经网络模型的自主学习能力；经过信号的前向传播和误差的反向传播两个过程，构建各指标之间的关联关系。这里，BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，其算法称为BP算法。BP神经网络的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。基本BP算法包括信号的前向传播和误差的反向传播两个过程。
此外，为了得到货源分配模型的参数，在实际运用中进行多次反复模型训练，通过实际数据对训练结果进行验证，直到验证结果与实际偏差最小，此时得到的模型参数即可作为货源分配模型的参数。然后，将上述利用模型训练得到的参数，结合历史各维度指标数据作为BP神经网络模型的入参，即可自动计算零售客户的货源分配量。
本实施例基于人工智能的货源分配的方法，具体实现流程包括：1)选取卷烟营销中市场维度和客户订单维度的主要指标(包括社会销量、社会库存、市场价格、客户货源分配量、订单需求量、订单订购量、卷烟订购户数、订足户数、订足率、订足面等)，2)利用人工智能中BP神经网络模型的自主学习能力，经过信号的前向传播和误差的反向传播两个过程，构建各指标之间的关联关系；3)在实际运用中支持多次反复模型训练，通过实际数据对训练结果进行验证，直到验证结果与实际偏差最小，此时的模型参数即可作为货源分配模型的参数；4)利用模型训练得到的参数，结合历史各维度指标数据作为BP神经网络模型的入参，即可自动计算零售客户的货源分配量。综上可见，本实施例基于人工智能中BP神经网络模型算法，结合卷烟市场信息、零售户订单信息实现货源策略的自动分配。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容，并不用于限制本发明的保护范围，本发明的技术方案不限制于上述具体实施方式内。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。
Claims (6)
1.一种基于人工智能的货源分配的方法，其特征在于,充分利用烟草行业数据，结合人工智能算法，利用人工智能中BP神经网络模型的自主学习能力，深度挖掘各指标之间深层关联关系，实现了零售户货源策略的自动分配。
2.根据权利要求1所述一种基于人工智能的货源分配的方法，其特征在于，所述烟草行业数据具体指卷烟营销中市场维度和客户订单维度的主要指标。
3.根据权利要求2所述一种基于人工智能的货源分配的方法，其特征在于，所述卷烟营销中市场维度和客户订单维度的主要指标，包括社会销量、社会库存、市场价格、客户货源分配量、订单需求量、订单订购量、卷烟订购户数、订足户数、订足率、订足面。
4.根据权利要求3所述一种基于人工智能的货源分配的方法，其特征在于，选取卷烟营销中市场维度和客户订单维度的主要指标，利用人工智能中BP神经网络模型的自主学习能力，经过信号的前向传播和误差的反向传播两个过程，构建各指标之间的关联关系。
5.根据权利要求4所述一种基于人工智能的货源分配的方法，其特征在于，在实际运用中进行多次反复模型训练，通过实际数据对训练结果进行验证，直到验证结果与实际偏差最小，此时得到参数即可为货源分配模型的参数。
6.根据权利要求5所述一种基于人工智能的货源分配的方法，其特征在于，将利用模型训练得到的参数，结合历史各维度指标数据作为BP神经网络模型的入参，即可自动计算零售客户的货源分配量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810507950.1A CN108764704A (zh) | 2018-05-24 | 2018-05-24 | 一种基于人工智能的货源分配的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810507950.1A CN108764704A (zh) | 2018-05-24 | 2018-05-24 | 一种基于人工智能的货源分配的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108764704A true CN108764704A (zh) | 2018-11-06 |
Family
ID=64005420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810507950.1A Pending CN108764704A (zh) | 2018-05-24 | 2018-05-24 | 一种基于人工智能的货源分配的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764704A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636444A (zh) * | 2018-11-17 | 2019-04-16 | 贵州省烟草公司黔南州公司 | 一种卷烟货源自动测算及投放系统 |
| CN110276495A (zh) * | 2019-06-26 | 2019-09-24 | 东莞市盟大塑化科技有限公司 | 基于人工智能的商品订购方法、装置、计算机和存储介质 |
| CN110490529A (zh) * | 2019-08-29 | 2019-11-22 | 浪潮软件集团有限公司 | 一种卷烟配货管理方法及系统 |
| CN110717628A (zh) * | 2019-10-09 | 2020-01-21 | 浪潮软件股份有限公司 | 一种货源优配模型构建方法、优配模型以及优配方法 |
| CN112001774A (zh) * | 2020-08-12 | 2020-11-27 | 浪潮软件股份有限公司 | 基于神经网络的烟草投放量研判方法及系统 |
| CN114219390A (zh) * | 2021-11-22 | 2022-03-22 | 厦门中构新材料科技股份有限公司 | 一种智能销售订单管理分配系统及其装置 |
| CN117934063A (zh) * | 2024-03-22 | 2024-04-26 | 四川省烟草公司凉山州公司 | 卷烟品规年度布局优化方法、存储装置 |
-
2018
- 2018-05-24 CN CN201810507950.1A patent/CN108764704A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636444A (zh) * | 2018-11-17 | 2019-04-16 | 贵州省烟草公司黔南州公司 | 一种卷烟货源自动测算及投放系统 |
| CN110276495A (zh) * | 2019-06-26 | 2019-09-24 | 东莞市盟大塑化科技有限公司 | 基于人工智能的商品订购方法、装置、计算机和存储介质 |
| CN110490529A (zh) * | 2019-08-29 | 2019-11-22 | 浪潮软件集团有限公司 | 一种卷烟配货管理方法及系统 |
| CN110717628A (zh) * | 2019-10-09 | 2020-01-21 | 浪潮软件股份有限公司 | 一种货源优配模型构建方法、优配模型以及优配方法 |
| CN110717628B (zh) * | 2019-10-09 | 2023-05-23 | 浪潮软件股份有限公司 | 一种货源优配模型构建方法、优配模型以及优配方法 |
| CN112001774A (zh) * | 2020-08-12 | 2020-11-27 | 浪潮软件股份有限公司 | 基于神经网络的烟草投放量研判方法及系统 |
| CN112001774B (zh) * | 2020-08-12 | 2024-10-22 | 浪潮软件股份有限公司 | 基于神经网络的烟草投放量研判方法及系统 |
| CN114219390A (zh) * | 2021-11-22 | 2022-03-22 | 厦门中构新材料科技股份有限公司 | 一种智能销售订单管理分配系统及其装置 |
| CN114219390B (zh) * | 2021-11-22 | 2024-09-17 | 厦门中构新材料科技股份有限公司 | 一种智能销售订单管理分配系统及其装置 |
| CN117934063A (zh) * | 2024-03-22 | 2024-04-26 | 四川省烟草公司凉山州公司 | 卷烟品规年度布局优化方法、存储装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764704A (zh) | 一种基于人工智能的货源分配的方法 | |
| CN109740793B (zh) | 一种基于概率需求分布的库存优化方法 | |
| Lengnick | Agent-based macroeconomics: A baseline model | |
| Jiang et al. | Information sharing and bullwhip effect in smart destination network system | |
| CN103514566A (zh) | 一种风险控制系统及方法 | |
| CN109636213A (zh) | 订单分配、评价方法及装置、电子设备及存储介质 | |
| CN103455874B (zh) | 基于货架价值地图的超市货架陈列方法 | |
| CN110415002A (zh) | 客户行为预测方法及系统 | |
| CN105096011A (zh) | 一种基于改进型染色体编码的物流运输调度方法 | |
| CN108536536A (zh) | 一种基于量子遗传算法的云制造环境下资源整合与优化系统及方法 | |
| CN106952161A (zh) | 一种基于长短期记忆深度学习网络的股票近期走势预测方法 | |
| CN109934364B (zh) | 一种基于遗传模拟退火算法的刀具准时化配送方法 | |
| CN109636444A (zh) | 一种卷烟货源自动测算及投放系统 | |
| Ziotti et al. | Improving commitment to agreements: The role of group decision-making methods in the perception of sense of justice and satisfaction as commitment predictors | |
| CN110516873A (zh) | 一种航空公司舱位分配优化方法 | |
| CN107748937A (zh) | 一种基于moead的比例区间偏好引导多目标决策优化方法 | |
| Stevic et al. | Supplier selection in furniture production company using rough AHP and rough TOPSIS | |
| Fedorova et al. | Value of the decision-making mechanism in business management | |
| Vecchione | Deliberating beyond evidence: lessons from Integrated Assessment Modelling | |
| Fakhrzad et al. | Dual-channel supply chain synchronization with deterministic and stochastic demand under cost-sharing contract | |
| Zhang et al. | A multi-index pricing model for emergency material procurement based on constraint theory | |
| Frantsev et al. | Finding optimal strategies in multi-period Stackelberg games using an evolutionary framework | |
| Relich et al. | Material demand forecasting: an ERP system perspective | |
| Ghodratnama et al. | A fuzzy goal programming approach to solve a novel supply chain multi-objective mathematical model under uncertainty | |
| Zou et al. | Improvement of genetic algorithm and the application in computer simulation model of O2O delivery strategies |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |