CN109064274A - 一种基于机器学习的智慧电商页面缺货管理方法及系统 - Google Patents

Abstract

本发明涉及机器学习技术领域,公开一种电商页面缺货原因的自动推断、跟踪处理、补货供应的管理方法，实现通过算法模型最大程度地消除缺货。其特征在于将一种深度神经网络模型及持续进化机制的方法应用于电商行业,包括：多源异构数据获取及处理；基于神经网络的模式分析推理；自动工作流任务指派；多维度数据分析；知识管理及模型进化等。本发明基于商品页面状态、库存、订单、物流、人员等信息提取模式编码；算法模型对该编码进行自动识别及推断；基于结果及知识库为缺货事件建立工作流；而预测模型能产生缺货预警、触发补货事件。本发明有效处理电商页面缺货，分析推断准确率高，监测未知的缺货原因，实现从事后处理转化为事前预防。

Description

一种基于机器学习的智慧电商页面缺货管理方法及系统

技术领域

本发明涉及机器学习技术领域，更具体地说，涉及一种基于机器学习的智慧电商页面缺货管理方法及系统。

背景技术

随着电子商务在中国取得了迅猛发展，中国电商零售市场交易规模早已达到万亿级，于2015年位居世界第一。网购用户规模的快速扩张为网购市场的发展奠定了良好的用户基础，释放着巨大的市场潜力。同时也对电商的运营能力提出更高要求和挑战。电商页面缺货是指商品的购买页面提示缺货，包括商品类别缺货，区域性缺货和全面缺货和下架状态等消费者无法进行购买的情况。页面缺货会导致潜在的销售损失，流失老客户和失去新客户的机会，甚至伤害品牌形象。因此，这逐渐成为电商运营最棘手也最迫切解决的问题提之一。

现代电商供应链上的物理流和信息流链条长、环节多，涉及多个相关利益相关方从而导致页面缺货的原因复杂多变，难以快速定位问题环节以及识别相关负责人。常规的供应链管理系统和库存管理系统，无法实现缺货原因的自动分析，以及生成相应的处理策略。

现有的相关专利技术，专利号CN106384271A描述了一种订单匹配的方法和系统，该发明通过订单信息的流通匹配，来达到减少商品缺货、补货导致的订单延时处理的问题，从而提高订单处理的效率。专利号CN106447264A描述了一种商品调配方法，在某一供应商的商品缺货时，从预先创建的统一库存池中获取其他供应商该商品的库存信息；根据所述库存信息创建缺货补货单；根据所述缺货补货单从对应的供应商对商品补货。该发明实现对缺货商品的自动调配，加快了商品处理流程，解决因商品订单供应商缺货，所引起的订单处理延迟、时效差的问题。专利号CN106156880A描述了一种预测库存分配比例的方法、装置及电子设备，通过获取待分配商品在待分配仓库的与销量相关的特征数据，作为预测用特征数据；并根据所述预测用特征数据和预先生成的预测模型，生成所述待分配商品在所述待分配仓库的库存分配比例的预测值。该发明申请综合评估待分配商品在待分配仓库的分配比例，从而改善分配比例的预测准确度，避免过多依赖人力进行库存分配，达到减低商品缺货率提高库存周转水平和消费者体验的效果。专利号US20170300852Al提出一种生产物料缺货管理系统，通过监测实时库存水平和生产线物料的消耗情况，分析产生物料缺货的模式，从而优化物料资源的配置情况。

现有的相关专利技术主要着眼于页面缺货产生以后的商品供应处理或忽略供应链因素仅着眼于销售端、库存配比等，通过关联和匹配订单信息、库存信息和供应方信息等关系来提高补货调配的过程效率。然而，现代电商供应链的物理流和信息流链条日渐复杂，涉及多个相关利益相关方从而导致页面缺货的原因复杂多变，直接基于商品调配和订单匹配的直接方法难以从跟上电商平台运营的节奏(尤其是促销、品牌活动等特殊窗口，如6.18，双十一等)，无法从根本上解决问题。因此，对于页面缺货的智能化原因推断(找出问题关键点)、处理跟踪(相应负责人的指派和处理)以及预防策略(缺货预测及供应规划策略)仍然是行业内最关键也亟待解决的问题。

发明内容

针对上述问题及不足，本发明目的是提出一种基于机器学习的复杂、多源异构数据的智慧型计算机信息处理方法。通过该方法实现电商商品页面缺货的自动原因推理诊断、缺货跟踪处理、商品补货及供应的管理；并通过预测模型减低缺货率,从而逐步实现最大程度地消除电商页面缺货。本发明同时也适用于线下快消品相关行业供应链和业务流程诊断和优化管理。

一种基于机器学习的智慧电商页面缺货管理系统，包括：

(1)数据源定义及管理:用于提供多源异构数据的高灵活性定义和配置管理方法，包括数据源的基本信息、接入方式、数据的详细格式、数据模板以及数据间的关联映射关系；

(2)异构多数据源处理:用于对导入数据进行清洗、分类及归并和基于规则的逻辑校验运算；

(3)知识及学习机制:用于推理的原因结构定义、特征及模式定义、工作流定义，以及机器学习模型配置、训练进化及参数管理；

(4)基于深度学习的原因推理:基于预先定义和配置完成的人工智能模型及运算机制，对获取到的事件及相关数据信息进行自动分析和推理；

(5)缺货预测告警及整理:基于预先定义和配置完成的人工智能模型及运算机制，对获取到的产品及其数据进行分析并预测可能出现缺货的时间窗。

优选地，该系统还包括有知识仓库；所述数据源定义及管理通过图形化界面完成异构数据源的定义描述、接入方式、数据格式以及数据间的映射关系配置，并将数据源详细信息保存于知识仓库中。

优选地，所述异构多数据源处理用于将数据清洗、数据分类归并及逻辑运算处理方法以模块化算子或者类SQL语句描述形式保存在知识仓库中。

优选地，所述知识及学习机制用于集中实时管理数据预处理规则、深度神经网络模型、学习机制及训练更新周期、缺货原因结构以及动态工作流。

优选地，该系统还包括有数据库；所述基于深度学习的原因推理(105)基于Tensorflow的深度神经网络模型建立推理引擎，根据实际业务增长需求进行动态配置，并以线上实时推理，线下训练的学习机制实现自我学习升级，且自动原因推断过程数据和结果保存于数据库，并衔接工作流引擎进行事件跟踪处理。优选地，所述缺货预测告警及整理通过有选择的配置提取产品多维度业务信息特征，定义深度神经网络模型结构，实现训练并运算输出预测缺货时间窗出现缺货的概率。

一种基于机器学习的智慧电商页面缺货管理方法，使用所述的一种基于机器学习的智慧电商页面缺货管理系统，具体步骤包括：S1、先通过异构多数据源处理提取商品页面状态、库存、订单、物流、相关人员状态的信息特征并形成模式编码；S2、通过知识及学习机制调取基于深度学习的原因推理对模式编码进行识别及原因推断，基于推断结果及知识仓库为缺货事件建立处理工作流，并分析显示缺货原因；S3、通过知识及学习机制调取缺货预测告警及管理对模式编码和缺货原因进行分析判断，产生缺货预警以及触发补货事件。

优选地，在步骤S2中，所述基于深度学习的原因推理包括有缺货推断深度神经网络模型，该缺货推断深度神经网络模型由缺货推断输入层、缺货推断输出层和3个缺货推断隐藏层组成；该缺货推断输入层有34个输入神经元、中间缺货推断隐藏层神经元分别为32，64和128，缺货推断输出层由9个输出神经元构成；且该缺货推断输入层神经元的特征包括产品订单特征维度、产品出货特征维度、产品基础数据特征维度、以及供应链特征维度；该缺货推断隐藏层的激活函数均由Rectified Linear Unit实现，该缺货推断输出层采用Softmax作为激活函数。

优选地，在步骤S3中，所述缺货预测告警及管理包括有缺货预测深度神经网络模型，该缺货预测深度神经网络模型由缺货预测输入层和缺货预测输出层组成；该缺货预测输入层包括有产品订单特征维度、产品出货特征维度、电商页面库存特征维度以及产品供应特征维度；所述缺货预测输出层由三个神经元按预测时间窗展开，由SOFTMAX激活函数输出。

本发明与现有的技术和方法相比，具有的有益效果是：

(1)基于深度神经网络的算法模型实现智能根本原因分析和推理，通过对历史数据的分析学习更能识别隐藏的缺货模式以及处理逻辑。通过机器学习算法代替人为分析，自动完成原来需要复杂供应链专业知识以及计算的过程，极大的减低了缺货原因分析和知识传承的难度，随着使用过程的不断学习和更新，模型具备持续提升进化的能力。

(2)动态工作流实现对缺货事件的跟踪与管理，自定义的工作流将根据推理结果动态地生成实例，并自动匹配各个节点的实际责任人。

(3)基于深度神经网络模型的缺货预测，实现电商商品供应能力提升：从事后处理转化为事前预防。

(4)通过可定义、可配置的数据源和预处理规则管理机制实现高扩展性的信息汇入、清洗、归并及逻辑处理。

附图说明

图1：为本发明实施例所提供的一种基于机器学习的智慧电商页面缺货管理方法及系统的整体结构框图。

图2:为本发明实施例所提供的一种基于机器学习的智慧电商页面缺货管理方法及系统的步骤流程框图。

图3:为本发明实施例所提供的基于深度学习的原因推理中缺货推断深度神经网络模型图。

图4:为本发明实施例所提供的缺货预测告警及管理中缺货预测深度神经网络模型图。

图5:为本发明实施例所提供的一种基于机器学习的智慧电商页面缺货管理方法及系统的数据汇入及预处理机制运行框图。

图6:为本发明实施例所提供的一种基于机器学习的智慧电商页面缺货管理方法及系统的整体运行逻辑框图。

图中：101-数据源定义管理；102-知识及学习机制；103-知识仓库；104-异构多数据源处理；105-基于深度学习的原因推理；106-缺货预测告警及管理；107-页面缺货跟踪及管理；108-自适应多维度数据分析；109-处理策略库；110-数据库。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所述的附图作简单地介绍，显而易见，下面的描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

具体实施方式

以下所述是通过实施例对本发明的上述内容的具体说明，特别指出，在基于本发明原理之下，还可以作出若干的调整和改进，这些调整和改进也视为本发明实施例的保护范围。

根据本发明所公开的一种基于机器学习的智慧电商页面缺货管理方法及系统，如图1-6所示，本发明具体公开了以下具体实施例：

一种基于机器学习的智慧电商页面缺货管理系统，包括有数据源定义管理101、异构多数据源处理104、知识及学习机制102、基于深度学习的原因推理105以及缺货预测告警及管理106；其中，数据源定义管理101用于提供多源异构数据的高灵活性定义和配置管理方式；所述异构多数据源处理104用于实现导入数据的清洗、分类及归并；所述知识及学习机制102用于管理推理的原因结构定义、特征及模式定义、工作流定义、以及机器学习模型配置、训练进化及参数管理；所述基于深度学习的原因推理105对获取到的事件及相关数据信息进行自动分析和推理判断缺货原因；所述缺货预测告警及管理106对获取到的事件及其相关数据信息进行分析并预测可能出现缺货的时间窗；该管理系统的工作过程为：先利用数据源定义管理101确定数据信息的输入格式及关联映射关系，然后利用异构多数据源处理104对数据信息进行分类归并，然后利用知识及学习机制102建立并监控深度神经网络，调用基于深度学习的原因推理105分析判断页面缺货状态以及缺货原因，最后调用缺货预测告警及管理106对获取到的事件及其相关数据信息进行分析并预测可能出现缺货的时间窗。还包括有知识仓库103；所述知识仓库103用于存储数据源相关的详细信息。其中，该数据源相关的详细信息包括有数据格式、数据类别以及数据间的关系映射。该系统还包括有处理策略库109，所述处理策略库109用于存储缺货原因结构以及动态工作流。在此处，该处理策略库109主要的用途是储存缺货原因的动态分析过程数据信息以及动态的工作流信息，便于知识及学习机制102随时调用提取处理策略库109中的缺货原因的动态分析过程数据信息以及动态的工作流信息。该系统还包括有数据库110，所述数据库110用于存储缺货原因推断过程数据及结果信息。在此处，该数据库110主要的用途是储存缺货原因的推断过程数据信息以及结果数据信息，便于知识及学习机制102随时调用提取处理策略库109中的缺货原因的推断过程数据信息以及结果数据信息。此外，在本发明中，该系统还包括有页面缺货跟踪及管理107和自适应多维度数据分析108；其中，所述页面缺货跟踪及管理107用于随时跟进数据信息，所述自适应多维度数据分析108用于对数据信息进行分析，并根据数据分析信息随时自适应调整所述基于深度学习的原因推理105和缺货预测告警及管理106中的深度学习网络参数，使得该系统得以迭代更新。本系统先利用数据源定义管理101对输入的数据信息进行规范化管理，然后利用异构多数据源处理104对输入的数据信息进行分类汇总，实时获取页面数据信息；然后利用页面缺货跟踪及管理107对页面数据进行实时跟踪管理，并利用基于深度学习的原因推理105分析判断缺货原因，并将缺货原因储存到缺货预测告警及管理106中，然后利用知识及学习机制102和自适应多维度数据分析108对缺货原因进行分析判断，实时推断出缺货预测信息并输出，并实时迭代更新所述基于深度学习的原因推理105和缺货预测告警及管理106中的深度学习网络参数，使得该系统得以迭代更新。

具体地，该异构多数据源处理104根据预设的优先级对输入的数据信息进行运算,按照配置好的参数对数据进行汇入、保存以及聚类，按照预先定义的逻辑对数据执行计算以作为缺货模式特征保存到所述知识仓库103中。该基于深度学习的原因推理105基于深度神经网络模型建立推理引擎，以线上实时推理，线下训练的学习机制实现自我学习升级，并将自动原因推断过程数据和结果保存于数据库110中，并衔接工作流引擎进行事件跟踪处理。该缺货预测告警及管理106通过有选择的配置提取产品多维度业务信息特征，定义深度神经网络模型结构，实现训练并运算输出预测缺货时间窗中各个时间段内出现缺货的概率。

更具体地，所述基于深度学习的原因推理105包括有缺货推断深度神经网络模型，该缺货推断深度神经网络模型由一个输入层、一个输出层及三个隐藏层组成。输入层特征来自出货量信息、订单信息、物流信息、库存和主数据信息，经由预处理模块进行特征提取，并最终形成一个34维的特征向量。其中，前17维特征为订单出货信息与缺货报告日期的相对时间点映射，即以页面产生时间点为起点，由过往14天和将来2天的时间窗口的出货量情况映射成一个17维特征；类似的，中间的13维特征由订单信息与缺货报告日期的相对时间点映射产生；后面的4维特征包括：主数据信息完备标记、二维的内部缺货标记、以及停售标记组成。

所述异构多数据源处理104主要用于原始数据和信息的汇入、清洗、预处理、特征提取进而将特征向量输入神经网络引擎中，其中，信息可以从数据文件，数据库访问或者API(接入方式，数据信息的汇入过程引用预先定义完成的数据模板对数据源进行类型和持久化方式匹配，具体表现为：获取数据源的相应的数据模板描述，根据描述和映射关系对数据源进行持久化；数据信息会基于配置的策略进行数据清洗和校验，包括清洗、校验规则、多主键唯一性规则、和去重规则，具体表现为：通过唯一性主键配置确定数据记录的唯一性判断，从而进行数据去重。校验规则根据模板间的字段映射关系进行数据逻辑比对，通过关键索引字段在不同数据源间验证数据的逻辑连通性和数据的完备性；预处理和特征提取可以根据模型输入所涉及的数据源进行归并及组合抽取，具体过程可通过算子和类SQL描述语两种方式具体实现，如前所述本发明的缺货推断深度神经网络模型由一个34维的特征向量组成,特征向量将直接作为模型的输入，进行神经网络前向计算并获得模型结果输出。

所述缺货预测告警及管理106包括有缺货预测深度神经网络模型，该缺货预测深度神经网络模型由5层组成：输入层为32维的向量，其中前30维信息与原因推断模型一致，由出货单量与缺货报告日期的相对时间点映射和电商供货量与缺货报告日期的相对时间点映射产生组成，最后2维是该SKU在该电商平台该位置的库存量和对应的流转率；中间分别由32个神经元、64个神经元和128个神经元的隐藏层构成；输出层由3个神经元的SOFTMAX函数激活输出，分别代表3天内，一周内及两周内产生页面缺货的可能性。

一种基于机器学习的智慧电商页面缺货管理方法，具体步骤包括：S1、先通过异构多数据源处理104提取商品页面状态、库存、订单、物流、相关人员状态的信息特征并形成模式编码；S2、通过知识及学习机制102调取基于深度学习的原因推理105对模式编码进行识别及原因推断，基于推断结果及知识仓库103为缺货事件建立处理工作流，并分析显示缺货原因；S3、通过知识及学习机制102调取缺货预测告警及管理106对模式编码和缺货原因进行分析判断，产生缺货预警以及触发补货事件。

在步骤S2中，所述基于深度学习的原因推理105包括有缺货推断深度神经网络模型，该缺货推断深度神经网络模型由缺货推断输入层、缺货推断输出层和3个缺货推断隐藏层组成；该缺货推断输入层有34个输入神经元、中间缺货推断隐藏层神经元分别为32，64和128，缺货推断输出层由9个输出神经元构成；且该缺货推断输入层神经元的特征包括产品订单特征维度、产品出货特征维度、产品基础数据特征维度、以及供应链特征维度；该缺货推断隐藏层的激活函数均由Rectified Linear Unit实现，该缺货推断输出层采用Softmax作为激活函数。

在步骤S3中，所述缺货预测告警及管理106包括有缺货预测深度神经网络模型，该缺货预测深度神经网络模型由缺货预测输入层和缺货预测输出层组成；该缺货预测输入层包括有产品订单特征维度、产品出货特征维度、电商页面库存特征维度以及产品供应特征维度；所述缺货预测输出层由三个神经元按预测时间窗展开，由SOFTMAX激活函数输出。

图1为本发明实施例所提供的一种基于机器学习的智慧电商页面缺货管理方法及系统的整体结构框图。从图1可获知：系统组成具体为：数据源定义及管理：多源、异构数据的结构定义、关联关系配置等；异构数据处理：对不同数据源的数据信息进行自动获取、归并及预处理实现缺货特征分析提取；知识及学习机制管理：知识管理及模型学习进化等；缺货预警管理：根据库存、订单、物流及流转率等信息对潜在缺货进行预警；基于神经网络的推理引擎：实现页面缺货模式分析及根本原因推理；缺货跟踪管理：自动生成处理工作流及任务指派；数据分析及报表：提供可配置的多维度分析功能，并生成多视图报表。

图3为本发明实施例所提供的基于深度学习的原因推理中缺货推断深度神经网络模型图。从图3中可以获知：此处的深度神经网络模型由一个输入层、一个输出层及三个隐藏层组成。输入层特征来自出货量信息、订单信息、物流信息、库存和主数据信息，经由预处理模块进行特征提取，并最终形成一个34维的特征向量。其中，前17维特征为订单出货信息与缺货报告日期的相对时间点映射，即以页面产生时间点为起点，由过往14天和将来2天(包括缺货产生的时间点，一共为17天)时间窗口的出货量情况(按单量按天累积)映射成一个17维特征；类似的，中间的13维特征由订单信息与缺货报告日期的相对时间点映射产生；后面的的4维特征包括：主数据信息完备标记、内部缺货标记(2维)、以及停售标记组成。

图4为本发明实施例所提供的缺货预测告警及管理中缺货预测深度神经网络模型图。从图4中可以获知：该模型的结构同样由5层组成：输入层为32维的向量，其中前30维信息与原因推断模型一致，由出货单量与缺货报告日期的相对时间点映射和电商供货量与缺货报告日期的相对时间点映射产生组成，最后2维是该SKU在该电商平台该位置的库存量和对应的流转率；中间分别由32个神经元、64个神经元和128个神经元的隐藏层构成；输出层由3个神经元的SOFTMAX函数激活输出，分别代表3天内，一周内及两周内产生页面缺货的可能性。

本发明通过提取商品页面状态、库存、出货、订单、物流、相关人员状态等信息特征输入神经网络模型，从而实现自动进行缺货原因推断；基于推断结果及知识仓库103为缺货事件动态生成相应的处理工作流并派工；缺货预测模型产生缺货预警、触发补货事件；知识管理及模型进化包括新模式识别及学习，可配置、扩展的工作流管理，以及模型管理。具体实施主要步骤将阐述如下：

知识及模型管理：a、缺货原因定义：原因结构为2层，并以树形结构展开。第一层为domain reason，包括“企业原因”，“产品数据问题”，“分销商原因”，“电商采购原因”等，并支持根据业务动态定义扩展。Domain Reason下级由各类型详细的业务原因组成，用户可以按需配置。b、工作流配置：工作流的定义由俩部分组成，一部分是该工作流的基本信息，包括Action Code，Action Name，详细描述以及相应的工作流在线制作、编辑修改入口；另一部分则是通过图形化拖拉方式对生成工作流模型，并可以为每个动作节点配置执行人角色，在实例化时实现动态匹配人员。c、预处理逻辑定义:预处理部分实现将原始数据转化成模型的输入，除了数据校验清洗，主要的功能是通过信息整合以及映射转换逻辑实现从原始数据提取模型输入特征值的过程。每一条处理规则都以类SQL语言的方式在数据层进行ETL。d、深度学习模型定义：神经网络模型可通过GUI配置关键参数，系统将自动生成JSONString描述模型结构。本发明的深度学习模型以Tensorflow为backend，结构描述包括模型的类型，每一层的神经元个数，learning rate，动量，误差评估机制等。训练过程利用交叉熵算法衡量相应的误差(loss值)，通过动量优化梯度计算方法，并更新深度学习神经网络的模型参数。后端引擎则根据JSON配置信息生成神经网络模型实例。

深度学习模型训练:一般情况下，训练样本的规模根据业务问题的具体情况而定，重要的是保证各种样本类型的数量分布的均衡性,比如5000个训练样本，有5种类型的输出结果，则每一种类型保证约1000个样本。聚类和标记机制如下：对于每一个历史缺货事件均进行上述的特征提取，即计算及提取状态、库存、订单、物流信息等，并标记其缺货原因类型。标记完成的数据再输入神经网络模型进行训练,训练量样本与测试样本的比例为7：3。模型训练结果及收敛的权重保存于数据库，并生成模型的H5文件。

数据源管理:数据源管理包括基本信息描述及其模板信息。用户可以根据业务需求扩展和配置新的数据源。

数据汇入:数据汇入模式分别有API和数据文件两种方式。数据的汇入时，需指定步骤3定义好的数据模板，即用户根据业务数据的类型选择对应的预定义的数据源进行数据汇入。本发明将按预先定义好的模板描述及字段对应关系进行数据写入和数据清洗和归并。

如图5所述的一种基于机器学习的智慧电商页面缺货管理方法及系统的数据汇入及预处理机制运行框图。从图5可知，数据信息通过API接口与数据文件接口注入到系统中，然后从数据源管理中获取相对应的数据模块，对数据信息进行清洗并验证数据格式信息准确性，然后系统通过知识仓库获取相对应的处理机制，对数据信息进行必要的数据信息整合并提取相对应的数据信息特征，并将特征注入到深度学习网络中进行神经网络的迭代更新，从而完成了数据汇入及预处理机制运行框图。

缺货原因推理：将数据源汇入后经过归并和预处理，转化成特征向量并输入深度学习模型。

数据分析报告：本发明提供了多个维度的分析报表满足不同层级的用户的数据需求，根据用户的查询条件自动生成分布饼图，并提供报表导出功能。

缺货预测管理机制：与原因推理模型的不同，主要在特征的数据源和提取方面，特征向量中最后2维分别是细化到单品层级的库存信息，以及对应的库存流转天数。具体的特征提取及意义见本发明的模型描述部分。

在线生产离线训练机制：本发明的模型运作机制由多个服务之间的协作实现。每个模型均独立运行，并由主服务协调及生命周期管理。模型的运转由如下几部分实现：模型配置服务，特征工程计算部分，深度学习模型实例运算，模型结果输出关联模块，和人工智能运算环境。MCCS负责实现模型的定义和配置，每个定义完成的模型，并且均配置相应的特征提取机制由独立的DPSS子服务根据业务需要自主运行，而所有的DPSS的生命周期由DPMS管理。而模型运算实例运行于AI Runtime Environment，并由MCS管理其生命周期。运算结构将通过MCRS输出给订阅了的其他业务服务。如图6所述的一种基于机器学习的智慧电商页面缺货管理方法及系统的整体运行逻辑框图。从图6中可知，系统先获取缺货报告、订单信息、ship-to信息、主数据信息、供应链信息、以及出货信息，通过数据源导入流程，将六个数据源信息注入到数据源整合服务中；然后再通过缺货报告流程，将数据源信息注入到数据预处理主服务中，然后利用模型运算配置服务，通过模型同步与线程维护流程，将数据源分配到数据预处理子服务中；然后再次利用模型运算配置服务，通过模型同步与线程维护流程，将数据预处理子服务中的数据源预处理结果注入到模型运行服务中；然后通过线程维护与任务派送流程，在基于Python的运行环境中调取基于深度学习的原因推理105和缺货预测告警及管理106，对数据源的预处理结果进行分析判断得到缺货信息的最终结果注入到模型运算结果服务中；然后模型运算结果服务通过缺货案件建立与归并流程，将缺货信息的最终结果注入缺货处理服务中，最后，缺货处理服务通过数据分析与报告流程，利用数据可视化模型，将缺货信息的最终结果进行数据可视化显示，从而完成了整个系统的数据源信息处理过程，实现了系统在线生产离线训练机制高效运行的目的。

本发明公开了一种电商商品页面缺货的原因推理诊断、缺货跟踪处理、商品补货及供应的管理方法，从而最终实现通过预测模型减低缺货率并逐步最大程度地消除电商页面缺货。通过提取商品页面状态、库存、订单、物流、相关人员状态等信息特征并形成模式编码；神经网络模型对模式编码自动进行识别及原因推断；基于推断结果及知识仓库103为缺货事件建立处理工作流并派工；缺货预测模型产生缺货预警、触发补货事件；知识管理及模型进化包括新模式识别及学习，可配置、扩展的工作流管理，以及模型管理。本发明能实时处理电商页面缺货及有效的工作流管理，分析推断准确率高，且能帮助发现未知的缺货原因、模式，实现从事后处理转化为事前预防。

本发明公开了电商商品页面缺货的原因推理诊断、缺货跟踪处理、商品补货及供应的管理方案，从而最终实现通过预测模型减低缺货率并逐步最大程度地消除电商页面缺货。通过提取商品页面状态、库存、订单、物流、相关人员状态等信息特征并形成模式编码；神经网络模型对模式编码自动进行识别及原因推断；基于推断结果及知识库为缺货事件建立处理工作流并派工；缺货预测模型产生缺货预警、触发补货事件；知识管理及模型进化包括新模式识别及学习，可配置、扩展的工作流管理，以及模型管理。本发明能实时处理电商页面缺货及有效的工作流管理，分析推断准确率高，且能帮助发现未知的缺货原因、模式，实现从事后处理转化为事前预防。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于机器学习的智慧电商页面缺货管理系统，其特征在于，包括：

(1)数据源定义及管理(101):用于提供多源异构数据的高灵活性定义和配置管理方法，包括数据源的基本信息、接入方式、数据的详细格式、数据模板以及数据间的关联映射关系；

(2)异构多数据源处理(104):用于对导入数据进行清洗、分类及归并和基于规则的逻辑校验运算；

(3)知识及学习机制(102):用于推理的原因结构定义、特征及模式定义、工作流定义，机器学习模型配置、以及训练进化与参数管理；

(4)基于深度学习的原因推理(105):基于预先定义和配置完成的人工智能模型及运算机制，对获取到的事件及相关数据信息进行自动分析和推理；

(5)缺货预测告警及整理(106):基于预先定义和配置完成的人工智能模型及运算机制，对获取到的产品及相关数据信息进行分析并预测可能出现缺货的时间窗。

2.如权利要求1所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，该系统还包括有还包括有知识仓库(103)；所述数据源定义及管理(101)通过图形化界面完成异构数据源的定义描述、接入方式、数据格式以及数据间的映射关系配置，并将数据源详细信息保存于知识仓库(103)中。

3.如权利要求2所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，所述异构多数据源处理(104)用于将数据进行清洗、分类归并及逻辑运算处理方法以模块化算子或者类SQL语句描述形式保存在知识仓库(103)中。

4.如权利要求1所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，所述知识及学习机制用于集中实时管理数据预处理规则、深度神经网络模型、学习机制及训练更新周期、缺货原因结构以及动态工作流。

5.如权利要求1所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，该系统还包括有还包括有数据库(110)；所述基于深度学习的原因推理(105)基于Tensorflow的深度神经网络模型建立推理引擎，根据实际业务增长需求进行动态配置，并以线上实时推理，线下训练的学习机制实现自我学习升级，且自动原因推断过程数据和结果保存于数据库(110)，并衔接工作流引擎进行事件跟踪处理。

6.如权利要求1所述的基于机器学习的智慧电商页面缺货管理系统，其特征在于，所述缺货预测告警及整理(106)通过有选择的配置提取产品多维度业务信息特征，定义深度神经网络模型结构，实现训练并运算输出预测缺货时间窗出现缺货的概率。

7.一种基于机器学习的智慧电商页面缺货管理方法，其特征在于，使用权利要求1-5中任一项权利要求所述的一种基于机器学习的智慧电商页面缺货管理系统，具体步骤包括：S1、先通过异构多数据源处理(104)提取商品页面状态、库存、订单、物流、相关人员状态的信息特征并形成模式编码；S2、通过知识及学习机制(102)调取基于深度学习的原因推理对模式编码进行识别及原因推断，基于推断结果及知识仓库(103)为缺货事件建立处理工作流，并分析显示缺货原因；S3、通过知识及学习机制(102)调取缺货预测告警及管理(106)对模式编码和缺货原因进行分析判断，产生缺货预警以及触发补货事件。

8.如权利要求7所述的一种基于机器学习的智慧电商页面缺货管理方法，其特征在于，在步骤S2中，所述基于深度学习的原因推理(105)包括有缺货推断深度神经网络模型，该缺货推断深度神经网络模型由缺货推断输入层、缺货推断输出层和3个缺货推断隐藏层组成；该缺货推断输入层有34个输入神经元、中间缺货推断隐藏层神经元分别为32，64和128，缺货推断输出层由9个输出神经元构成；且该缺货推断输入层神经元的特征包括产品订单特征维度、产品出货特征维度、产品基础数据特征维度、以及供应链特征维度；该缺货推断隐藏层的激活函数均由Rectified Linear Unit实现，该缺货推断输出层采用Softmax作为激活函数。

9.如权利要求8所述的一种基于机器学习的智慧电商页面缺货管理方法，其特征在于，在步骤S3中，所述缺货预测告警及管理(106)包括有缺货预测深度神经网络模型，该缺货预测深度神经网络模型由缺货预测输入层和缺货预测输出层组成；该缺货预测输入层包括有产品订单特征维度、产品出货特征维度、电商页面库存特征维度以及产品供应特征维度；所述缺货预测输出层由三个神经元按预测时间窗展开，由SOFTMAX激活函数输出。