CN109544076A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109544076A CN109544076A CN201811436099.4A CN201811436099A CN109544076A CN 109544076 A CN109544076 A CN 109544076A CN 201811436099 A CN201811436099 A CN 201811436099A CN 109544076 A CN109544076 A CN 109544076A
- Authority
- CN
- China
- Prior art keywords
- target
- product
- warehouse
- duration
- information
- 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
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
-
- 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
- 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
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取待存储于目标仓库的、待下单的目标产品的产品信息;基于产品信息,确定目标产品在预设时间段内的预测需求量;确定目标产品的预测物流时效时长;基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。该实施方式通过产品的预测需求量和预测物流时效时长,得到了产品的下单提前时长和产品下单数量,从而提高了信息生成的灵活性,有助于帮助仓库管理员、产品配置人员等相关人员确定更为准确的下单提前时长和产品下单数量,有助于降低仓库的库存成本。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
通常,库存(Inventory)是一种为了满足未来需要而暂时闲置的资源。其中,库存成本可以包含:固定成本,包含产品价值成本(例如产品购买成本)等确定的成本;订货成本,订货行为产生的时间成本与物流成本;库存持有成本,产品存放在仓库产生的成本,包含固定的仓库管理成本,通常与仓库规模相关,越大规模仓库的仓库租赁、管理人员工资等成本越高;缺货成本,订单缺货对产品销售的损失,一般以订单流失率表示。
库存成本的大小依赖于库存管理方式。现有的库存管理方式一般包括如下两种:
方式一:在不允许缺货的前提下,库存下降到一定程度(如一半),立即订货;在允许缺货的前提下,一旦缺货则立即订货。
方式二:按一定的周期,定量订货。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取待存储于目标仓库的、待下单的目标产品的产品信息;基于产品信息,确定目标产品在预设时间段内的预测需求量;确定目标产品的预测物流时效时长;基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
在一些实施例中,确定目标产品的预测物流时效时长,包括:从预先确定的供货仓库集合中,确定待为目标仓库供货的供货仓库作为目标供货仓库;确定目标供货仓库待为目标仓库提供目标产品的预测物流时效时长作为目标产品的预测物流时效时长。
在一些实施例中,确定目标供货仓库待为目标仓库提供目标产品的预测物流时效时长,包括:确定目标供货仓库待为目标仓库提供目标产品的时间的时间信息的时间特征;将时间特征输入至物流时效时长预测模型,得到目标供货仓库待为目标仓库提供目标产品的物流时效时长作为预测物流时效时长,其中,物流时效时长预测模型是针对目标供货仓库和目标仓库预先训练的,用于表征时间特征和物流时效时长之间的对应关系。
在一些实施例中,物流时效时长预测模型为回归模型。
在一些实施例中,物流时效时长预测模型为逻辑回归模型。
在一些实施例中,物流时效时长预测模型是通过如下步骤训练得到的:获取目标供货仓库为目标仓库提供目标产品的历史订单的订单信息,得到订单信息集合;对于订单信息集合中的订单信息,提取生成该订单信息的时间的时间信息的时间特征,以及确定该订单信息对应的目标产品的物流时效时长,以获得训练样本,其中,训练样本包括所提取的时间特征和所确定的物流时效时长;利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为输入,将与输入的时间特征对应的物流时效时长作为期望输出,训练得到物流时效时长预测模型。
在一些实施例中,基于产品信息,确定目标产品在预设时间段内的预测需求量,包括:将产品信息输入至针对目标仓库预先训练的需求量预测模型,得到目标产品在预设时间段内的需求量作为预测需求量,其中,需求量预测模型用于表征目标产品的产品信息和目标产品在预设时间段内的需求量之间的对应关系。
在一些实施例中,需求量预测模型是通过如下步骤训练得到的:获取目标仓库存储的目标产品的历史订单的订单信息,得到订单信息集合;对于订单信息集合中的订单信息,生成该订单信息对应的训练样本,其中,训练样本包括输入数据和输出数据,输入数据包括以下至少一项:生成该订单信息的时间的时间信息的时间特征,以该订单信息指示的订单的生成时间为终点的预设历史时间段内目标产品的需求量,目标产品的属性信息,与目标产品具有相同的属性信息的其他产品的需求量,输出数据为目标产品在预设时间段内的下单数量;利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为输入,将与输入的输入数据对应的输出数据作为期望输出,训练得到需求量预测模型。
在一些实施例中,需求量预测模型为随机森林分位点回归模型。
在一些实施例中,需求量预测模型的损失函数是关于需求量预测模型期望输出的下单数量和实际输出的下单数量的函数,期望输出的下单数量的权重与实际输出的下单数量的权重之和为1。
在一些实施例中,基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量,包括:采用遗传算法,基于预先确定的预设时长内目标仓库的总库存成本关系式、预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:获取单元,被配置成获取待存储于目标仓库的、待下单的目标产品的产品信息;第一确定单元,被配置成基于产品信息,确定目标产品在预设时间段内的预测需求量;第二确定单元,被配置成确定目标产品的预测物流时效时长;生成单元,被配置成基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
在一些实施例中,第二确定单元包括:第一确定模块,被配置成从预先确定的供货仓库集合中,确定待为目标仓库供货的供货仓库作为目标供货仓库;第二确定模块,被配置成确定目标供货仓库待为目标仓库提供目标产品的预测物流时效时长作为目标产品的预测物流时效时长。
在一些实施例中,确定第二确定模块包括:确定子模块,被配置成确定目标供货仓库待为目标仓库提供目标产品的时间的时间信息的时间特征;输入子模块,被配置成将时间特征输入至物流时效时长预测模型,得到目标供货仓库待为目标仓库提供目标产品的物流时效时长作为预测物流时效时长,其中,物流时效时长预测模型是针对目标供货仓库和目标仓库预先训练的,用于表征时间特征和物流时效时长之间的对应关系。
在一些实施例中,物流时效时长预测模型为回归模型。
在一些实施例中,物流时效时长预测模型为逻辑回归模型。
在一些实施例中,物流时效时长预测模型是通过如下步骤训练得到的:获取目标供货仓库为目标仓库提供目标产品的历史订单的订单信息,得到订单信息集合;对于订单信息集合中的订单信息,提取生成该订单信息的时间的时间信息的时间特征,以及确定该订单信息对应的目标产品的物流时效时长,以获得训练样本,其中,训练样本包括所提取的时间特征和所确定的物流时效时长;利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为输入,将与输入的时间特征对应的物流时效时长作为期望输出,训练得到物流时效时长预测模型。
在一些实施例中,第一确定单元包括:输入模块,被配置成将产品信息输入至针对目标仓库预先训练的需求量预测模型,得到目标产品在预设时间段内的需求量作为预测需求量,其中,需求量预测模型用于表征目标产品的产品信息和目标产品在预设时间段内的需求量之间的对应关系。
在一些实施例中,需求量预测模型是通过如下步骤训练得到的:获取目标仓库存储的目标产品的历史订单的订单信息,得到订单信息集合;对于订单信息集合中的订单信息,生成该订单信息对应的训练样本,其中,训练样本包括输入数据和输出数据,输入数据包括以下至少一项:生成该订单信息的时间的时间信息的时间特征,以该订单信息指示的订单的生成时间为终点的预设历史时间段内目标产品的需求量,目标产品的属性信息,与目标产品具有相同的属性信息的其他产品的需求量,输出数据为目标产品在预设时间段内的下单数量;利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为输入,将与输入的输入数据对应的输出数据作为期望输出,训练得到需求量预测模型。
在一些实施例中,需求量预测模型为随机森林分位点回归模型。
在一些实施例中,需求量预测模型的损失函数是关于需求量预测模型期望输出的下单数量和实际输出的下单数量的函数,期望输出的下单数量的权重与实际输出的下单数量的权重之和为1。
在一些实施例中,生成单元包括:生成模块,被配置成采用遗传算法,基于预先确定的预设时长内目标仓库的总库存成本关系式、预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
第三方面,本申请实施例提供了一种用于生成信息的电子设备,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,当上述一个或多个程序被上述一个或多个处理器执行,使得该一个或多个处理器实现如上述用于生成信息的方法中任一实施例的方法。
第四方面,本申请实施例提供了一种用于生成信息的计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上述用于生成信息的方法中任一实施例的方法。
本申请实施例提供的用于生成信息的方法和装置,通过获取待存储于目标仓库的、待下单的目标产品的产品信息,然后,基于产品信息,确定目标产品在预设时间段内的预测需求量,随后,确定目标产品的预测物流时效时长,最后,基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量,从而基于产品的预测需求量和预测物流时效时长,得到了产品的下单提前时长和产品下单数量,提高了信息生成的灵活性,有助于帮助仓库管理员、产品配置人员等相关人员确定更为准确的下单提前时长和产品下单数量,有助于降低仓库的库存成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。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。
需要说明的是,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。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息(例如服务器105可以通过网络104,从终端设备101、102、103获取产品的产品信息)等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持数据传输的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的数据进行处理的后台服务器。后台服务器可以基于获取到的产品信息,确定产品在预设时间段内的预测需求量。
需要说明的是,本申请实施例所提供的用于生成信息的方法可以由服务器105执行,相应地,用于生成信息的装置可以设置于服务器105中。此外,本申请实施例所提供的用于生成信息的方法也可以由终端设备101、102、103执行,相应地,用于生成信息的装置也可以设置于终端设备101、102、103中。可选地,本申请实施例所提供的用于生成信息的方法还可以由终端设备101、102、103和服务器105配合执行,相应地,用于生成信息的装置还可以设置于终端设备101、102、103和服务器105中(例如,用于生成信息的装置所包括的多个单元中的一部分单元设置于终端设备101、102、103中,另一部分单元设置于服务器105中)。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当用于生成信息方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括用于生成信息方法运行于其上的电子设备。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取待存储于目标仓库的、待下单的目标产品的产品信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器或终端设备)可以获取待存储于目标仓库的、待下单的目标产品的产品信息。
上述目标仓库可以是用于存储上述目标产品的仓库。该目标仓库的数量可以是一个也可以是多个。
上述目标产品可以是下单后,存储于上述目标仓库中的产品。
上述产品信息可以包括但不限于上述目标产品的如下信息中的至少一项:产品的类别信息、产品的订单信息、产品的标识信息等等。
作为示例,假设当前甲仓库存储的甲产品处于缺货状态,那么,该甲仓库负责订货的人员可以对存储于甲仓库的甲产品进行下单,以对甲产品进行补充。在此场景下,上述甲仓库可以是步骤201中的目标仓库,上述甲产品可以是上述步骤201中的目标产品。
步骤202,基于产品信息,确定目标产品在预设时间段内的预测需求量。
在本实施例中,基于步骤201中得到的产品信息,上述执行主体可以确定目标产品在预设时间段内的预测需求量。
上述预设时间段可以是技术人员预先设置的时间段。例如,上述预设时间段可以是一天、一周等等。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下步骤执行该步骤202:将产品信息输入至针对目标仓库预先训练的需求量预测模型,得到目标产品在预设时间段内的需求量作为预测需求量。
在这里,上述需求量预测模型可以用于表征目标产品的产品信息和目标产品在预设时间段内的需求量之间的对应关系。
在本实施例的一些可选的实现方式中,上述需求量预测模型可以是上述执行主体或者其他电子设备,通过如下步骤训练得到的:
步骤一,获取目标仓库存储的目标产品的历史订单的订单信息,得到订单信息集合。
在这里,上述订单信息可以包括以下至少一项:生成订单信息的时间(即下单时间)的时间信息,产品信息(例如产品数量信息、产品所属类目信息,产品功能信息)等等。
步骤二,对于订单信息集合中的订单信息,生成该订单信息对应的训练样本。
其中,上述训练样本可以包括输入数据和输出数据。输入数据可以包括以下至少一项:生成该订单信息的时间的时间信息的时间特征,以该订单信息指示的订单的生成时间为终点的预设历史时间段内目标产品的需求量,目标产品的属性信息,与目标产品具有相同的属性信息的其他产品的需求量。输出数据可以为目标产品在预设时间段内的下单数量。
作为示例,在这里,如果生成订单信息的时间为“2018年11月19日”,那么,生成该订单信息的时间的时间信息的时间特征可以是“201811190”。其中,上述时间特征中的前4位可以表征“年”,第5、6位可以表征“月”,第7、8位可以表征“日”,最后一位可以表征生成该订单信息的时间是否为周末,如果是,则最后一位可以是“1”,如果不是,则最后一位可以是“0”。
上述预设历史时间段可以是预先设置的、以该订单信息指示的订单的生成时间为终点的时间段。例如,该预设历史时间段可以包括如下至少一项:该订单信息指示的订单的生成时间前一周,该订单信息指示的订单的生成时间前15天,该订单信息指示的订单的生成时间前1个月,该订单信息指示的订单的生成时间前3个月等等。
上述属性信息可以是目标产品所属的类目(例如男装类、女装类、家具类等)的信息,也可以是表征目标产品所具有的功能(例如减肥、消灭蟑螂等)的信息。
作为示例,训练样本包括的输入数据可以是“201811190070015003000900010000”。其中,该训练样本的前4位可以表征生成该订单信息的时间所属的年份,第5、6位可以表征生成该订单信息的时间所属的月份,第7、8位可以表征生成该订单信息的时间所属于的日期,第9位可以表征生成该订单信息的时间是否为周末,如果是,则第9位可以是“1”,如果不是,则第9位可以是“0”。第10-13位可以表征订单信息指示的订单的生成时间前一周之内目标产品的需求量。第14-17位可以表征订单信息指示的订单的生成时间前15天之内目标产品的需求量。第18-21位可以表征订单信息指示的订单的生成时间前一个月之内目标产品的需求量。第22-25位可以表征订单信息指示的订单的生成时间前3个月之内目标产品的需求量。第26-30位可以用于表征目标产品所属的类目。在这里,第26-30位为“10000”,可以根据预先确定的二维表,来确定该位所表征的类目。上述二维表可以用于表征数字与产品所属的类目之间的对应关系。该训练样本包括的输出数据可以是“1000”,表征目标产品在预设时间段(例如10天)内的下单数量为“1000”。
步骤三,利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为输入,将与输入的输入数据对应的输出数据作为期望输出,训练得到需求量预测模型。
在这里,上述执行主体可以利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为初始模型(例如逻辑回归模型、卷积神经网络等)的输入,将与输入的输入数据对应的输出数据作为上述初始模型的期望输出,训练得到需求量预测模型。
在这里,输入数据与其对应的输出数据可以包含于同一个训练样本中。
需要说明的是,上述利用机器学习算法,基于训练样本对初始模型进行训练的方法为目前广泛研究的公知技术,在此不再赘述。
可选的,上述需求量预测模型也可以是存储有目标产品的产品信息和目标产品在预设时间段内的需求量的二维表或者数据库。
在本实施例的一些可选的实现方式中,上述需求量预测模型可以为回归模型。
在本实施例的一些可选的实现方式中,上述需求量预测模型为随机森林分位点回归模型。
在本实施例的一些可选的实现方式中,上述需求量预测模型的损失函数是关于需求量预测模型期望输出的下单数量和实际输出的下单数量的函数,期望输出的下单数量的权重与实际输出的下单数量的权重之和为1。
示例性的,上述需求量预测模型的损失函数可以为如下函数式:
其中,Lj(q)为产品在j仓库,分位点为q时的损失函数。j为目标仓库的标识,q为分位点(当上述需求量预测模型为随机森林分位点回归模型时)。为在t时间,分位点为q时,需求量预测模型对于j目标仓库实际输出的下单数量,yjt为训练样本包括的、对应实际输出的下单数量的期望输出的下单数量。t为时间标识。T为订货间隔,即本次订货时间与上次订货时间的时间差。
可以理解,对于上述损失函数,当大于yjt时,则使用(1-q)作为权重,反之使用q作为权重,一般q可以为0.5至1之间的数值。由此,可以使得缺货惩罚更重,这样可以使得最终预测结果更倾向于加大仓库订单需求的概率以减少缺货概率。
可选的,上述执行主体还可以将与上述预设时间段等时长的历史时间段内,上述目标产品的历史需求量确定为上述目标产品在预设时间段内的预测需求量。
例如,如果当前时间为2018年11月19日。上述预设时间段为2018年11月19日至2018年11月29日。上述目标产品在2018年11月9日至2018年11月19日的需求量为“1000”。那么,上述执行主体可以将上述目标产品在2018年11月9日至2018年11月19日的需求量(即1000),确定为上述目标产品在上述预设时间段(即2018年11月19日至2018年11月29日)内的预测需求量。由此得到上述目标产品在上述预设时间段(即2018年11月19日至2018年11月29日)内的预测需求量为“1000”。
步骤203,确定目标产品的预测物流时效时长。
在本实施例中,上述执行主体可以确定上述目标产品的预测物流时效时长。
在这里,上述预测物流时效时长可以是采用各种方式预测得到的物流时效时长。上述物流时效时长可以是从下单开始,到产品送达截止,这段时间段的时间长度。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤执行该步骤203:
步骤一,从预先确定的供货仓库集合中,确定待为目标仓库供货的供货仓库作为目标供货仓库。
在这里,上述供货仓库可以是提供产品的仓库。实践中,可以从供货仓库将目标产品发送至上述目标仓库。上述执行主体可以将预先确定的供货仓库集合中,为上述目标仓库供货过(即已经提供过产品)的供货仓库作为目标供货仓库。也可以将上述供货仓库集合中,距离目标仓库最近的供货仓库作为目标供货仓库。可以理解,上述待为目标仓库供货的供货仓库是相对于本次对目标产品进行下单而言的,换言之,待为目标仓库供货的供货仓库并非指从未为目标仓库提供过目标产品的仓库。
步骤二,确定目标供货仓库待为目标仓库提供目标产品的预测物流时效时长,将所确定的预测物流时效时长作为目标产品的预测物流时效时长。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下方式执行该步骤二:
首先,确定目标供货仓库待为目标仓库提供目标产品的时间的时间信息的时间特征。
在这里,上述目标供货仓库待为目标仓库提供目标产品的时间,可以是下单时间。
作为示例,如果目标供货仓库待为目标仓库提供目标产品的时间为“2018年11月19日”,那么,该时间的时间信息的时间特征可以是“201811190”。其中,上述时间特征中的前4位可以表征“年”,第5、6位可以表征“月”,第7、8位可以表征“日”,最后一位可以表征生成该订单信息的时间是否为周末,如果是,则最后一位可以是“1”,如果不是,则最后一位可以是“0”。
然后,将时间特征输入至物流时效时长预测模型,得到目标供货仓库待为目标仓库提供目标产品的物流时效时长作为预测物流时效时长。其中,上述物流时效时长预测模型是针对目标供货仓库和目标仓库预先训练的,用于表征时间特征和物流时效时长之间的对应关系。
在本实施例的一些可选的实现方式中,上述物流时效时长预测模型可以是上述执行主体或者其他电子设备,通过如下步骤训练得到的:
步骤一,获取目标供货仓库为目标仓库提供目标产品的历史订单的订单信息,得到订单信息集合。
上述订单信息可以包括但不限于以下至少一项:订单创建时间的时间信息,订单指示的目标产品的产品下单数量,订单指示的目标产品的物流时效时长等等。
步骤二,对于订单信息集合中的订单信息,提取生成该订单信息的时间的时间信息的时间特征,以及确定该订单信息对应的目标产品的物流时效时长,以获得训练样本。其中,训练样本包括所提取的时间特征和所确定的物流时效时长。
作为示例,如果生成该订单信息的时间为“2018年11月19日”,那么,该时间的时间信息的时间特征可以是“201811190”。其中,上述时间特征中的前4位可以表征“年”,第5、6位可以表征“月”,第7、8位可以表征“日”,最后一位可以表征生成该订单信息的时间是否为周末,如果是,则最后一位可以是“1”,如果不是,则最后一位可以是“0”。该订单信息对应的目标产品的物流时效时长可以是从对历史订单进行下单操作开始,到该历史订单送达目标仓库为止的时间段的长度。
步骤三,利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为输入,将与输入的时间特征对应的物流时效时长作为期望输出,训练得到物流时效时长预测模型。
具体地,上述执行主体可以利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为初始模型(例如回归模型,卷积神经网络等)的输入,将与输入的时间特征对应的物流时效时长作为初始模型期望输出,训练得到物流时效时长预测模型。
在这里,时间特征与其对应的物流时效时长可以包含于同一个训练样本中。
需要说明的是,上述利用机器学习算法,基于训练样本对初始模型进行训练的方法为目前广泛研究的公知技术,在此不再赘述。
可选的,上述物流时效时长预测模型还可以是存储有时间特征和物流时效时长的二维表或数据库。
在本实施例的一些可选的实现方式中,上述物流时效时长预测模型可以为回归模型。作为示例,上述回归模型可以是线性回归模型,多项式回归模型等等。
在本实施例的一些可选的实现方式中,上述物流时效时长预测模型可以为逻辑回归模型。
在这里,在目标供货仓库是上述供货仓库集合中,为上述目标仓库供货过(即已经提供过产品)的仓库的情况下,上述执行主体还可以将目标供货仓库为目标仓库供货的历史订单的物流时效时长的平均值确定为目标产品的预测物流时效时长。
可以理解,采用物流时效时长预测模型的方式,可以得到更为准确的预测物流时效时长。从而可以方便仓库管理人员管理仓库,一定程度上在降低缺货情况发生的前提下,降低了仓库的管理成本。
步骤204,基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
在本实施例中,上述执行主体可以基于步骤202确定的预测需求量和步骤203确定的预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
上述下单提前时长可以用于表征提前下单的时间。该下单提前时长可以以天为单位。作为示例,上述下单提前时长可以是上述预测物流时效时长。
上述产品下单数量可以是通过订单预定产品的数量。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤执行该步骤204:采用遗传算法,基于预先确定的预设时长内目标仓库的总库存成本关系式、预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
具体地,对于仓库j(j为目标仓库的标识)的目标产品,可以得到订货间隔T(本次下单的时间与上次下单的时间的时间差,以天为单位)与目标库存量S(即,下单前目标仓库剩余的目标产品的数量与产品下单数量之和)。基于此,上述预设时长内目标仓库的总库存成本关系式可以包括如下关系式(包括公式(1)和公式(2)):
其中,TC(S,T)为仓库j(j为目标仓库的标识)待下单的目标产品在时间段T(订货间隔,即本次下单的时间与上次下单的时间的时间差,以天为单位)并以S(下单前目标仓库剩余的目标产品的数量,与产品下单数量之和)为目标库存量的成本。P为目标产品的单价。D为步骤202得到的预测需求量。A为单次订货成本(例如物流成本)。H为单位仓储费用(单位面积目标仓库存储目标产品的费用)。为预先确定的、目标仓库所能存储的目标产品的数量。R由订货间隔T的序列组成。可以理解,针对R所取得的上述序列中的每个值,上述关系式可以求得对应该值的TC(S,T)的值。B为预先确定的固定百分比。M为在时间段T(即订货间隔)内对目标产品的需求量。f(M,T)为订货间隔T内目标产品的需求量为M的概率。在这里,可以选择正态分布作为概率来求得f(M,T)。
可以理解,上述单次订货成本A,可以根据步骤203得到的预测物流时效时长来确定。作为示例,上述执行主体或者其他电子设备可以根据预先确定的公式,求得单次订货成本A。其中,上述预先确定的公式可以用于表征单次订货成本与步骤203得到的预测物流时效时长之间的对应关系。可选的,上述执行主体或者其他电子设备还可以在预先建立的二维表中查找对应步骤203得到的预测物流时效时长的单次订货成本,其中,上述预先建立的二维表可以用于表征单次订货成本与预测物流时效时长之间的对应关系。
基于此,则总库存成本可以通过如下公式(2)表征:
TR=∑TC(S,T) (2)
其中,上述TR表征在时间段R表征的时间范围内目标仓库的总库存成本。该公式(2)中的R与上述公式(1)中的R表征相同的含义,该公式(2)中的TC(S,T)、S、T分别与上述公式(1)中的TC(S,T)、S、T表征相同的含义。
可以理解,上述TR为针对R所取得的上述序列中的每个值对应的TC(S,T)的值的和,即TR可以表示目标仓库在时间段R内的总库存成本。在这里,R可以表征本实施例的可选的实现方式中的预先确定的预设时长。
在这里,上述执行主体可以采用遗传算法,求解上述问题(即如何生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量)的优化目标可以为最小化总库存成本(即公式(2)中的函数值TR)。
需要说明的是,上述公式(1)和公式(2)中的D(即步骤202得到的预测需求量)与T(即订货间隔,本次下单的时间与上次下单的时间的时间差,以天为单位)有依赖关系。例如,D可以是订货间隔T表征的时间段内每天所有目标产品的需求量之和。此外,TR为一个仓库在一段时期R内库存成本总和,时期R包含一个订货间隔T的序列{T1,T2…Tn},其中,上述序列中,相邻两时间段(例如T1和T2)的时间间隔为T。并且满足T1+T2+...+Tn=R。
具体地,上述执行主体采用遗传算法,求解上述最优解的步骤如下:
步骤一,编码。限定解为整数,将仓库的订货间隔T与目标库存量S(即,下单前目标仓库剩余的目标产品的数量与产品下单数量之和)编码为二进制串进行组合。
步骤二,初始化。将订货间隔T的初始值确定为历史订单的订货间隔的平均值,将目标库存量S(即,下单前目标仓库剩余的目标产品的数量与产品下单数量之和)的初始值确定为历史订单的订货量均值。
步骤三,采用如下适应度函数,来评估种群的适应度:
其中,F(X)表征适应度函数的函数值,当TRmax大于TR时,F(X)的取值为TRmax与TR的差,当TRmax小于等于TR时,F(X)的取值为0。TRmax为适应度最高的种群组合,TRmax的初始值为TR。该适应度函数中的TR与上述公式(2)中的TR表征相同的含义。
步骤四,执行选择运算、交叉运算、变异运算,以得到下一代群体。
步骤五,在满足终止条件的情况下,以进化过程中所得到的具有最大适应度个体作为最优解(一段时期R内目标库存量S与订货间隔T的组合序列)输出,终止计算。例如,上述终止条件可以是经过100轮演化(分别执行100次步骤四和步骤三)。
可以理解,上述采用遗传算法求出的解,可以安排一段时期内仓库的订货间隔T与目标库存S,从而可以安排为目标仓库订货的下单提前时长和产品下单数量。
可选的,上述执行主体还可以将预测需求量和预测物流时效时长输入至预先训练的下单模型,得到下单提前时长作为待存储于目标仓库的、目标产品的下单提前时长,以及得到产品下单数量作为待存储于目标仓库的、目标产品的产品下单数量。其中,上述下单模型可以用于表征预测需求量、预测物流时效时长,下单提前时长、产品下单数量之间的对应关系。
上述下单模型可以是利用机器学习算法,基于训练样本对初始模型(例如回归模型、卷积神经网络)进行训练而得到的模型,也可以是存储有预测需求量、预测物流时效时长,下单提前时长、产品下单数量的二维表或者数据库。上述利用机器学习算法,基于训练样本对初始模型进行训练的方法为目前广泛研究的公知技术,在此不再赘述。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,终端设备310首先获取到了待存储于目标仓库的、待下单的目标产品(例如空调)的产品信息301(例如产品的订单信息)。然后,终端设备310基于产品信息301,确定目标产品在预设时间段内的预测需求量。例如,终端设备310可以将产品信息301输入至针对目标仓库预先训练的需求量预测模型302,得到目标产品在预设时间段(例如10天)内的需求量作为预测需求量304。其中,需求量预测模型可以用于表征产品的产品信息和产品的需求量之间的对应关系。随后,上述终端设备310可以确定目标产品的预测物流时效时长305。例如,终端设备310可以将产品信息301输入至预先训练的物流时效时长预测模型303,得到物流时效时长作为目标产品的预测物流时效时长305。其中,物流时效时长预测模型可以用于表征产品信息和预测物流时效时长之间的对应关系。最后,终端设备310可以基于预测需求量304和预测物流时效时长305,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量306。
本申请的上述实施例提供的方法,通过获取待存储于目标仓库的、待下单的目标产品的产品信息,然后,基于产品信息,确定目标产品在预设时间段内的预测需求量,随后,确定目标产品的预测物流时效时长,最后,基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量,从而基于产品的预测需求量和预测物流时效时长,得到了产品的下单提前时长和产品下单数量,提高了信息生成的灵活性,有助于帮助仓库管理员、产品配置人员等相关人员确定更为准确的下单提前时长和产品下单数量,有助于降低仓库的库存成本。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,从预先确定的供货仓库集合中,确定待为目标仓库供货的供货仓库作为目标供货仓库。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器或终端设备)可以从预先确定的供货仓库集合中,确定待为目标仓库供货的供货仓库作为目标供货仓库。
在这里,上述供货仓库可以是提供产品的仓库。实践中,可以从供货仓库将目标产品发送至上述目标仓库。上述执行主体可以将预先确定的供货仓库集合中,为上述目标仓库供货过(即已经提供过产品)的供货仓库作为目标供货仓库。也可以将上述供货仓库集合中,距离目标仓库最近的供货仓库作为目标供货仓库。可以理解,上述待为目标仓库供货的供货仓库是相对于本次对目标产品进行下单而言的,换言之,待为目标仓库供货的供货仓库并非指从未为目标仓库提供过目标产品的仓库。上述目标仓库可以是用于存储上述目标产品的仓库。该目标仓库的数量可以是一个也可以是多个。
步骤402,获取目标供货仓库为目标仓库提供目标产品的历史订单的订单信息,得到订单信息集合。
在本实施例中,上述执行主体可以从本地或者远程,获取目标供货仓库为目标仓库提供目标产品的历史订单的订单信息,得到订单信息集合。
上述目标产品可以是下单后,存储于上述目标仓库中的产品。
上述订单信息可以包括但不限于以下至少一项:订单创建时间的时间信息,订单指示的目标产品的产品下单数量,订单指示的目标产品的物流时效时长,产品信息(例如产品数量信息、产品所属类目信息,产品功能信息)等等。
步骤403,对于订单信息集合中的订单信息,提取生成该订单信息的时间的时间信息的时间特征,以及确定该订单信息对应的目标产品的物流时效时长,以获得训练样本。
在本实施例中,对于订单信息集合中的订单信息,上述执行主体可以提取生成该订单信息的时间的时间信息的时间特征,以及确定该订单信息对应的目标产品的物流时效时长,以获得训练样本。其中,训练样本包括所提取的时间特征和所确定的物流时效时长。
作为示例,如果生成该订单信息的时间为“2018年11月19日”,那么,该时间的时间信息的时间特征可以是“201811190”。其中,上述时间特征中的前4位可以表征“年”,第5、6位可以表征“月”,第7、8位可以表征“日”,最后一位可以表征生成该订单信息的时间是否为周末,如果是,则最后一位可以是“1”,如果不是,则最后一位可以是“0”。该订单信息对应的目标产品的物流时效时长可以是从对历史订单进行下单操作开始,到该历史订单送达目标仓库为止的时间段的长度。
步骤404,利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为输入,将与输入的时间特征对应的物流时效时长作为期望输出,训练得到逻辑回归模型。
在本实施例中,上述执行主体可以利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为初始逻辑回归模型的输入,将与输入的时间特征对应的物流时效时长作为初始逻辑回归模型期望输出,训练得到逻辑回归模型。
在这里,时间特征与其对应的物流时效时长可以包含于同一个训练样本中。
需要说明的是,上述利用机器学习算法,基于训练样本对初始逻辑回归模型进行训练的方法为目前广泛研究的公知技术,在此不再赘述。
可以理解,上述逻辑回归模型可以用于表征时间特征和物流时效时长之间的对应关系。
步骤405,获取目标仓库存储的目标产品的历史订单的订单信息,得到订单信息集合。
在本实施例中,上述执行主体可以从本地或从远程获取目标仓库存储的目标产品的历史订单的订单信息,得到订单信息集合。
步骤406,对于订单信息集合中的订单信息,生成该订单信息对应的训练样本。
在本实施例中,上述执行主体还可以对于订单信息集合中的订单信息,生成该订单信息对应的训练样本。其中,训练样本包括输入数据和输出数据,输入数据包括以下至少一项:生成该订单信息的时间的时间信息的时间特征,以该订单信息指示的订单的生成时间为终点的预设历史时间段内目标产品的需求量,目标产品的属性信息,与目标产品具有相同的属性信息的其他产品的需求量,输出数据为目标产品在预设时间段内的下单数量。
在这里,如果生成订单信息的时间为“2018年11月19日”,那么,生成该订单信息的时间的时间信息的时间特征可以是“201811190”。其中,上述时间特征中的前4位可以表征“年”,第5、6位可以表征“月”,第7、8位可以表征“日”,最后一位可以表征生成该订单信息的时间是否为周末,如果是,则最后一位可以是“1”,如果不是,则最后一位可以是“0”。
上述预设历史时间段可以是预先设置的、以该订单信息指示的订单的生成时间为终点的时间段。例如,该预设历史时间段可以包括如下至少一项:该订单信息指示的订单的生成时间前一周,该订单信息指示的订单的生成时间前15天,该订单信息指示的订单的生成时间前1个月,该订单信息指示的订单的生成时间前3个月等等。
上述属性信息可以是表征目标产品所属的类目(例如男装类、女装类、家具类等)的信息,也可以是表征目标产品所具有的功能(例如减肥、消灭蟑螂等)。
步骤407,利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为输入,将与输入的输入数据对应的输出数据作为期望输出,训练得到随机森林分位点回归模型。
在本实施例中,上述执行主体可以利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为初始随机森林分位点回归模型的输入,将与输入的输入数据对应的输出数据作为上述初始随机森林分位点回归模型的期望输出,训练得到随机森林分位点回归模型。
在这里,输入数据与其对应的输出数据可以包含于同一个训练样本中。
需要说明的是,上述利用机器学习算法,基于训练训练样本对初始随机森林分位点回归模型进行训练的方法为目前广泛研究的公知技术,在此不再赘述。
可以理解,上述随机森林分位点回归模型可以用于表征目标产品的产品信息和目标产品在预设时间段内的需求量之间的对应关系。
步骤408,获取待存储于目标仓库的、待下单的目标产品的产品信息。
在本实施例中,步骤408与图2对应实施例中的步骤201基本一致,这里不再赘述。
步骤409,将产品信息输入至针对目标仓库预先训练的随机森林分位点回归模型,得到目标产品在预设时间段内的需求量作为预测需求量。
在本实施例中,上述执行主体可以将产品信息输入至针对目标仓库预先训练的随机森林分位点回归模型,得到目标产品在预设时间段内的需求量作为预测需求量。在这里,上述需求量预测模型可以用于表征目标产品的产品信息和目标产品在预设时间段内的需求量之间的对应关系。
步骤410,确定目标供货仓库待为目标仓库提供目标产品的时间的时间信息的时间特征。
在本实施例中,上述执行主体可以确定目标供货仓库待为目标仓库提供目标产品的时间的时间信息的时间特征。
在这里,上述目标供货仓库待为目标仓库提供目标产品的时间,可以是下单时间。
作为示例,如果目标供货仓库待为目标仓库提供目标产品的时间为“2018年11月19日”,那么,该时间的时间信息的时间特征可以是“201811190”。其中,上述时间特征中的前4位可以表征“年”,第5、6位可以表征“月”,第7、8位可以表征“日”,最后一位可以表征生成该订单信息的时间是否为周末,如果是,则最后一位可以是“1”,如果不是,则最后一位可以是“0”。
步骤411,将时间特征输入至逻辑回归模型,得到目标供货仓库待为目标仓库提供目标产品的物流时效时长作为预测物流时效时长作为目标产品的预测物流时效时长。
在本实施例中,上述执行主体可以将时间特征输入至步骤404得到的逻辑回归模型,得到目标供货仓库待为目标仓库提供目标产品的物流时效时长,以及将所得到的物流时效时长确定为预测物流时效时长作为目标产品的预测物流时效时长。
步骤412,采用遗传算法,基于预先确定的预设时长内目标仓库的总库存成本关系式、预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
在本实施例中,上述执行主体可以采用遗传算法,基于预先确定的预设时长内目标仓库的总库存成本关系式、预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
需要说明的是,除上述所记载的特征和效果之外,图4所示的方法实施例还可以包括与图2所示的方法实施例相同或相应的特征和效果。在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400采用逻辑回归模型得到预测物流时效时长,采用随机森林分位点回归模型得到预测需求量,采用遗传算法得到下单提前时长和产品下单数量。由此,本实施例描述的方案可以提高所得到的下单提前时长和产品下单数量的准确程度,可以进一步帮助仓库管理员、产品配置人员等相关人员管理仓库,降低仓库的库存存本。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,除下面所记载的特征和效果之外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征和效果。该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:获取单元501、第一确定单元502、第二确定单元503和生成单元504。其中,获取单元501被配置成获取待存储于目标仓库的、待下单的目标产品的产品信息;第一确定单元502被配置成基于产品信息,确定目标产品在预设时间段内的预测需求量;第二确定单元503被配置成确定目标产品的预测物流时效时长;生成单元504被配置成基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
在本实施例中,用于生成信息的装置500的获取单元501可以获取待存储于目标仓库的、待下单的目标产品的产品信息。
上述目标仓库可以是用于存储上述目标产品的仓库。该目标仓库的数量可以是一个也可以是多个。
上述目标产品可以是下单后,存储于上述目标仓库中的产品。
上述产品信息可以包括但不限于上述目标产品的如下信息中的至少一项:产品的类别信息、产品的订单信息、产品的标识信息等等。
在本实施例中,基于接收单元501得到的网址,上述第一确定单元502可以确定目标产品在预设时间段内的预测需求量。
上述预设时间段可以是技术人员预先设置的时间段。例如,上述预设时间段可以是一天、一周等等。
在本实施例中,上述第二确定单元503可以确定上述目标产品的预测物流时效时长。
在这里,上述预测物流时效时长可以是采用各种方式预测得到的物流时效时长。上述物流时效时长可以是从下单开始,到产品送达截止,这段时间段的时间长度。
在本实施例中,上述生成单元504可以基于第一确定单元502确定的预测需求量和第二确定单元503确定的预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
在本实施例的一些可选的实现方式中,第二确定单元503包括:第一确定模块(图中未示出)被配置成从预先确定的供货仓库集合中,确定待为目标仓库供货的供货仓库作为目标供货仓库;第二确定模块(图中未示出)被配置成确定目标供货仓库待为目标仓库提供目标产品的预测物流时效时长作为目标产品的预测物流时效时长。
在这里,上述供货仓库可以是提供产品的仓库。实践中,可以从供货仓库将目标产品发送至上述目标仓库。上述执行主体可以将预先确定的供货仓库集合中,为上述目标仓库供货过(即已经提供过产品)的供货仓库作为目标供货仓库。也可以将上述供货仓库集合中,距离目标仓库最近的供货仓库作为目标供货仓库。可以理解,上述待为目标仓库供货的供货仓库是相对于本次对目标产品进行下单而言的,换言之,待为目标仓库供货的供货仓库并非指从未为目标仓库提供过目标产品的仓库。
在本实施例的一些可选的实现方式中,确定第二确定模块(图中未示出)包括:确定子模块(图中未示出)被配置成确定目标供货仓库待为目标仓库提供目标产品的时间的时间信息的时间特征;输入子模块(图中未示出)被配置成将时间特征输入至物流时效时长预测模型,得到目标供货仓库待为目标仓库提供目标产品的物流时效时长作为预测物流时效时长,其中,物流时效时长预测模型是针对目标供货仓库和目标仓库预先训练的,用于表征时间特征和物流时效时长之间的对应关系。
在本实施例的一些可选的实现方式中,物流时效时长预测模型为回归模型。作为示例,上述回归模型可以是线性回归模型,多项式回归模型等等。
在本实施例的一些可选的实现方式中,物流时效时长预测模型为逻辑回归模型。
在本实施例的一些可选的实现方式中,物流时效时长预测模型是通过如下步骤训练得到的:获取目标供货仓库为目标仓库提供目标产品的历史订单的订单信息,得到订单信息集合;对于订单信息集合中的订单信息,提取生成该订单信息的时间的时间信息的时间特征,以及确定该订单信息对应的目标产品的物流时效时长,以获得训练样本,其中,训练样本包括所提取的时间特征和所确定的物流时效时长;利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为输入,将与输入的时间特征对应的物流时效时长作为期望输出,训练得到物流时效时长预测模型。
在本实施例的一些可选的实现方式中,第一确定单元502包括:输入模块(图中未示出)被配置成将产品信息输入至针对目标仓库预先训练的需求量预测模型,得到目标产品在预设时间段内的需求量作为预测需求量,其中,需求量预测模型用于表征目标产品的产品信息和目标产品在预设时间段内的需求量之间的对应关系。
在本实施例的一些可选的实现方式中,需求量预测模型是通过如下步骤训练得到的:获取目标仓库存储的目标产品的历史订单的订单信息,得到订单信息集合;对于订单信息集合中的订单信息,生成该订单信息对应的训练样本,其中,训练样本包括输入数据和输出数据,输入数据包括以下至少一项:生成该订单信息的时间的时间信息的时间特征,以该订单信息指示的订单的生成时间为终点的预设历史时间段内目标产品的需求量,目标产品的属性信息,与目标产品具有相同的属性信息的其他产品的需求量,输出数据为目标产品在预设时间段内的下单数量;利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为输入,将与输入的输入数据对应的输出数据作为期望输出,训练得到需求量预测模型。
在本实施例的一些可选的实现方式中,需求量预测模型为随机森林分位点回归模型。
在本实施例的一些可选的实现方式中,需求量预测模型的损失函数是关于需求量预测模型期望输出的下单数量和实际输出的下单数量的函数,期望输出的下单数量的权重与实际输出的下单数量的权重之和为1。
在本实施例的一些可选的实现方式中,生成单元504包括:生成模块(图中未示出)被配置成采用遗传算法,基于预先确定的预设时长内目标仓库的总库存成本关系式、预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
本申请的上述实施例提供的装置,通过获取单元501获取待存储于目标仓库的、待下单的目标产品的产品信息,然后第一确定单元502基于产品信息,确定目标产品在预设时间段内的预测需求量,之后第二确定单元503确定目标产品的预测物流时效时长,最后生成单元505基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量,从而基于产品的预测需求量和预测物流时效时长,得到了产品的下单提前时长和产品下单数量,提高了信息生成的灵活性,有助于帮助仓库管理员、产品配置人员等相关人员确定更为准确的下单提前时长和产品下单数量,有助于降低仓库的库存存本。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,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,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读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。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读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、或半导体的系统、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系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的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。计算机可读的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可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Python、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系统、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系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一确定单元、第二确定单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待存储于目标仓库的、待下单的目标产品的产品信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的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。上述计算机可读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:获取待存储于目标仓库的、待下单的目标产品的产品信息;基于产品信息,确定目标产品在预设时间段内的预测需求量;确定目标产品的预测物流时效时长;基于预测需求量和预测物流时效时长,生成待存储于目标仓库的、目标产品的下单提前时长和产品下单数量。
以上描述仅为本申请的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 (24)
1.一种用于生成信息的方法,包括:
获取待存储于目标仓库的、待下单的目标产品的产品信息;
基于所述产品信息,确定所述目标产品在预设时间段内的预测需求量;
确定所述目标产品的预测物流时效时长;
基于所述预测需求量和所述预测物流时效时长,生成待存储于所述目标仓库的、所述目标产品的下单提前时长和产品下单数量。
2.根据权利要求1所述的方法,其中,所述确定所述目标产品的预测物流时效时长,包括:
从预先确定的供货仓库集合中,确定待为所述目标仓库供货的供货仓库作为目标供货仓库;
确定所述目标供货仓库待为所述目标仓库提供所述目标产品的预测物流时效时长作为所述目标产品的预测物流时效时长。
3.根据权利要求2所述的方法,其中,所述确定所述目标供货仓库待为所述目标仓库提供所述目标产品的预测物流时效时长,包括:
确定所述目标供货仓库待为所述目标仓库提供所述目标产品的时间的时间信息的时间特征;
将所述时间特征输入至物流时效时长预测模型,得到所述目标供货仓库待为所述目标仓库提供所述目标产品的物流时效时长作为预测物流时效时长,其中,所述物流时效时长预测模型是针对所述目标供货仓库和所述目标仓库预先训练的,用于表征时间特征和物流时效时长之间的对应关系。
4.根据权利要求3所述的方法,其中,所述物流时效时长预测模型为回归模型。
5.根据权利要求3所述的方法,其中,所述物流时效时长预测模型为逻辑回归模型。
6.根据权利要求3所述的方法,其中,所述物流时效时长预测模型是通过如下步骤训练得到的:
获取所述目标供货仓库为所述目标仓库提供所述目标产品的历史订单的订单信息,得到订单信息集合;
对于所述订单信息集合中的订单信息,提取生成该订单信息的时间的时间信息的时间特征,以及确定该订单信息对应的所述目标产品的物流时效时长,以获得训练样本,其中,训练样本包括所提取的时间特征和所确定的物流时效时长;
利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为输入,将与输入的时间特征对应的物流时效时长作为期望输出,训练得到物流时效时长预测模型。
7.根据权利要求1所述的方法,其中,所述基于所述产品信息,确定所述目标产品在预设时间段内的预测需求量,包括:
将所述产品信息输入至针对所述目标仓库预先训练的需求量预测模型,得到所述目标产品在预设时间段内的需求量作为预测需求量,其中,所述需求量预测模型用于表征所述目标产品的产品信息和所述目标产品在所述预设时间段内的需求量之间的对应关系。
8.根据权利要求7所述的方法,其中,所述需求量预测模型是通过如下步骤训练得到的:
获取所述目标仓库存储的所述目标产品的历史订单的订单信息,得到订单信息集合;
对于所述订单信息集合中的订单信息,生成该订单信息对应的训练样本,其中,训练样本包括输入数据和输出数据,输入数据包括以下至少一项:生成该订单信息的时间的时间信息的时间特征,以该订单信息指示的订单的生成时间为终点的预设历史时间段内所述目标产品的需求量,所述目标产品的属性信息,与所述目标产品具有相同的属性信息的其他产品的需求量,输出数据为所述目标产品在预设时间段内的下单数量;
利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为输入,将与输入的输入数据对应的输出数据作为期望输出,训练得到需求量预测模型。
9.根据权利要求7所述的方法,其中,所述需求量预测模型为随机森林分位点回归模型。
10.根据权利要求7所述的方法,其中,所述需求量预测模型的损失函数是关于所述需求量预测模型期望输出的下单数量和实际输出的下单数量的函数,所述期望输出的下单数量的权重与所述实际输出的下单数量的权重之和为1。
11.根据权利要求1-10之一所述的方法,其中,所述基于所述预测需求量和所述预测物流时效时长,生成待存储于所述目标仓库的、所述目标产品的下单提前时长和产品下单数量,包括:
采用遗传算法,基于预先确定的预设时长内所述目标仓库的总库存成本关系式、所述预测需求量和所述预测物流时效时长,生成待存储于所述目标仓库的、所述目标产品的下单提前时长和产品下单数量。
12.一种用于生成信息的装置,包括:
获取单元,被配置成获取待存储于目标仓库的、待下单的目标产品的产品信息;
第一确定单元,被配置成基于所述产品信息,确定所述目标产品在预设时间段内的预测需求量;
第二确定单元,被配置成确定所述目标产品的预测物流时效时长;
生成单元,被配置成基于所述预测需求量和所述预测物流时效时长,生成待存储于所述目标仓库的、所述目标产品的下单提前时长和产品下单数量。
13.根据权利要求12所述的装置,其中,所述第二确定单元包括:
第一确定模块,被配置成从预先确定的供货仓库集合中,确定待为所述目标仓库供货的供货仓库作为目标供货仓库;
第二确定模块,被配置成确定所述目标供货仓库待为所述目标仓库提供所述目标产品的预测物流时效时长作为所述目标产品的预测物流时效时长。
14.根据权利要求13所述的装置,其中,所述确定所述第二确定模块包括:
确定子模块,被配置成确定所述目标供货仓库待为所述目标仓库提供所述目标产品的时间的时间信息的时间特征;
输入子模块,被配置成将所述时间特征输入至物流时效时长预测模型,得到所述目标供货仓库待为所述目标仓库提供所述目标产品的物流时效时长作为预测物流时效时长,其中,所述物流时效时长预测模型是针对所述目标供货仓库和所述目标仓库预先训练的,用于表征时间特征和物流时效时长之间的对应关系。
15.根据权利要求14所述的装置,其中,所述物流时效时长预测模型为回归模型。
16.根据权利要求14所述的装置,其中,所述物流时效时长预测模型为逻辑回归模型。
17.根据权利要求14所述的装置,其中,所述物流时效时长预测模型是通过如下步骤训练得到的:
获取所述目标供货仓库为所述目标仓库提供所述目标产品的历史订单的订单信息,得到订单信息集合;
对于所述订单信息集合中的订单信息,提取生成该订单信息的时间的时间信息的时间特征,以及确定该订单信息对应的所述目标产品的物流时效时长,以获得训练样本,其中,训练样本包括所提取的时间特征和所确定的物流时效时长;
利用机器学习算法,将所获得的多个训练样本中的训练样本包括的时间特征作为输入,将与输入的时间特征对应的物流时效时长作为期望输出,训练得到物流时效时长预测模型。
18.根据权利要求12所述的装置,其中,所述第一确定单元包括:
输入模块,被配置成将所述产品信息输入至针对所述目标仓库预先训练的需求量预测模型,得到所述目标产品在预设时间段内的需求量作为预测需求量,其中,所述需求量预测模型用于表征所述目标产品的产品信息和所述目标产品在所述预设时间段内的需求量之间的对应关系。
19.根据权利要求18所述的装置,其中,所述需求量预测模型是通过如下步骤训练得到的:
获取所述目标仓库存储的所述目标产品的历史订单的订单信息,得到订单信息集合;
对于所述订单信息集合中的订单信息,生成该订单信息对应的训练样本,其中,训练样本包括输入数据和输出数据,输入数据包括以下至少一项:生成该订单信息的时间的时间信息的时间特征,以该订单信息指示的订单的生成时间为终点的预设历史时间段内所述目标产品的需求量,所述目标产品的属性信息,与所述目标产品具有相同的属性信息的其他产品的需求量,输出数据为所述目标产品在预设时间段内的下单数量;
利用机器学习算法,将所获得的多个训练样本中的训练样本包括的输入数据作为输入,将与输入的输入数据对应的输出数据作为期望输出,训练得到需求量预测模型。
20.根据权利要求18所述的装置,其中,所述需求量预测模型为随机森林分位点回归模型。
21.根据权利要求18所述的装置,其中,所述需求量预测模型的损失函数是关于所述需求量预测模型期望输出的下单数量和实际输出的下单数量的函数,所述期望输出的下单数量的权重与所述实际输出的下单数量的权重之和为1。
22.根据权利要求12-21之一所述的装置,其中,所述生成单元包括:
生成模块,被配置成采用遗传算法,基于预先确定的预设时长内所述目标仓库的总库存成本关系式、所述预测需求量和所述预测物流时效时长,生成待存储于所述目标仓库的、所述目标产品的下单提前时长和产品下单数量。
23.一种电子设备,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,使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。
24.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-11中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436099.4A CN109544076B (zh) | 2018-11-28 | 2018-11-28 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436099.4A CN109544076B (zh) | 2018-11-28 | 2018-11-28 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544076A true CN109544076A (zh) | 2019-03-29 |
CN109544076B CN109544076B (zh) | 2021-06-18 |
Family
ID=65851848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811436099.4A Active CN109544076B (zh) | 2018-11-28 | 2018-11-28 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544076B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046861A (zh) * | 2019-04-24 | 2019-07-23 | 北京百度网讯科技有限公司 | 库存管理方法和装置、电子设备、计算机可读介质 |
CN111144822A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 出库时长确定方法、装置、计算机设备及存储介质 |
CN111144743A (zh) * | 2019-12-26 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 资源调配方法、装置、服务器以及计算机可读存储介质 |
CN111768132A (zh) * | 2019-04-01 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 应用于无人仓的货存调整方法和装置 |
CN112258224A (zh) * | 2020-10-19 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 信息生成方法、装置、终端、系统和存储介质 |
CN112950240A (zh) * | 2019-11-26 | 2021-06-11 | 北京沃东天骏信息技术有限公司 | 一种分发方法和装置 |
CN113762844A (zh) * | 2020-10-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 确定物品上架时间的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
CN103617459A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种多影响因素下商品需求信息预测方法 |
CN106127329A (zh) * | 2016-06-16 | 2016-11-16 | 北京航空航天大学 | 订单预测方法与装置 |
CN107958297A (zh) * | 2016-10-17 | 2018-04-24 | 华为技术有限公司 | 一种产品需求预测方法及产品需求预测装置 |
CN108537365A (zh) * | 2018-03-16 | 2018-09-14 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法及装置 |
-
2018
- 2018-11-28 CN CN201811436099.4A patent/CN109544076B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
CN103617459A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种多影响因素下商品需求信息预测方法 |
CN106127329A (zh) * | 2016-06-16 | 2016-11-16 | 北京航空航天大学 | 订单预测方法与装置 |
CN107958297A (zh) * | 2016-10-17 | 2018-04-24 | 华为技术有限公司 | 一种产品需求预测方法及产品需求预测装置 |
CN108537365A (zh) * | 2018-03-16 | 2018-09-14 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768132A (zh) * | 2019-04-01 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 应用于无人仓的货存调整方法和装置 |
CN110046861A (zh) * | 2019-04-24 | 2019-07-23 | 北京百度网讯科技有限公司 | 库存管理方法和装置、电子设备、计算机可读介质 |
CN112950240A (zh) * | 2019-11-26 | 2021-06-11 | 北京沃东天骏信息技术有限公司 | 一种分发方法和装置 |
CN111144743A (zh) * | 2019-12-26 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 资源调配方法、装置、服务器以及计算机可读存储介质 |
CN111144822A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 出库时长确定方法、装置、计算机设备及存储介质 |
CN112258224A (zh) * | 2020-10-19 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 信息生成方法、装置、终端、系统和存储介质 |
CN113762844A (zh) * | 2020-10-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 确定物品上架时间的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109544076B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544076A (zh) | 用于生成信息的方法和装置 | |
WO2019100637A1 (zh) | 用于输出储位信息的方法和装置 | |
CN107908740A (zh) | 信息输出方法和装置 | |
CN110443533A (zh) | 商品分仓入库方法、装置、电子设备及计算机可读介质 | |
CN109840734A (zh) | 信息输出方法和装置 | |
CN107909261A (zh) | 订单推送方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN108985694A (zh) | 用于确定配送中心地址的方法和装置 | |
CN109961306A (zh) | 一种物品的库存分配方法和装置 | |
CN108776692A (zh) | 用于处理信息的方法和装置 | |
CN108388563A (zh) | 信息输出方法和装置 | |
CN108921323A (zh) | 用于生成信息的方法和装置 | |
CN110020162A (zh) | 用户识别方法和装置 | |
CN110033337A (zh) | 订单生产的方法和装置 | |
CN107451785A (zh) | 用于输出信息的方法和装置 | |
CN109684624A (zh) | 一种自动识别订单地址路区的方法和装置 | |
CN109241033A (zh) | 创建实时数据仓库的方法和装置 | |
CN110070382A (zh) | 用于生成信息的方法和装置 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN109345166A (zh) | 用于生成信息的方法和装置 | |
CN109242551A (zh) | 基于区块链的销售线索管理方法、装置、介质及电子设备 | |
CN109948965A (zh) | 控制方法和装置 | |
CN109934427A (zh) | 生成物品分配方案的方法和装置 | |
CN110378546A (zh) | 用于生成信息的方法和装置 | |
CN109840724A (zh) | 用于输出信息的方法和装置 |
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 |