CN109558991B - 基于自贩机的货道量推荐方法、装置、设备及存储介质 - Google Patents
基于自贩机的货道量推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109558991B CN109558991B CN201811545204.8A CN201811545204A CN109558991B CN 109558991 B CN109558991 B CN 109558991B CN 201811545204 A CN201811545204 A CN 201811545204A CN 109558991 B CN109558991 B CN 109558991B
- Authority
- CN
- China
- Prior art keywords
- replenishment
- vending machine
- data
- current
- replenishment time
- 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.)
- Expired - Fee Related
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
- G06Q10/04—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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Abstract
本发明公开了一种基于自贩机的货道量推荐方法、装置、设备及存储介质，该方法包括：按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；获取当前自贩机的状态数据；对物品余量、补货时间以及状态数据进行数据抽取，获得补货特征集；对补货特征集进行数据挖掘，建立货道量预测模型；获取当前自贩机在上一日的交易记录与补货记录；根据交易记录计算当前自贩机内每条货道中物品的上一日销量；根据补货记录计算当前自贩机的补货时间间隔；根据货道量预测模型、上一日销量以及补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量。本发明能够准确预测自贩机的货道量，从而提高自贩机补货的合理性，降低运维成本。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于自贩机的货道量推荐方法、装置、设备及计算机可读存储介质。
背景技术
自贩机指的是一种由顾客自助取货、自助付款的机器，在各大商场及大型的公共场所均能见到自助售货机，自助售货机给人们的出行带来了很多方便。
自贩机货道是指陈放寄售商品的物理轨道，一台自贩机有几十甚至上百个货道。自贩机工控系统通过硬件驱动程序，下发出货指令，驱动货道中的电机，推动商品从轨道中推出或掉落。
传统技术中，自助售货机的补货通常是由运营人员依靠自身直觉和经验判断哪些机器需要补货以及补货的时间，运维成本高，而且这种补货方法可能与实际合理补货时间存在较大差异，补货频次不合理。
发明内容
基于此，本发明实施例提供了一种基于自贩机的货道量推荐方法、装置、设备及计算机可读存储介质，其能准确预测自贩机的货道量，从而提高自贩机补货的合理性，降低运维成本。
第一方面，本发明实施例提供了一种基于自贩机的货道量推荐方法，包括以下步骤：
按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；
获取当前自贩机的状态数据；
对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；
对所述补货特征集进行数据挖掘，建立货道量预测模型；
获取当前自贩机在上一日的交易记录与补货记录；
根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；
根据所述补货记录计算当前自贩机的补货时间间隔；
根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量。
优选地，所述状态数据包括：当前自贩机的场景数据、营销数据、各物品的历史交易记录、各物品在当前自贩机上占用的货道总量和物品总量。
优选地，所述对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集，具体包括：
通过Sqoop工具将获取的所述物品余量、所述补货时间以及所述状态数据转移到数据进行数据抽取与清洗，获得补货特征集；
根据预设的数据仓库模型，将所述补货特征集加载到数据仓库。
优选地，所述对所述补货特征集进行数据挖掘，建立货道量预测模型，具体包括：
在Spark框架下对所述数据仓库中存储的补货特征集进行分布式并行计算，建立货道量预测模型。
优选地，所述根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：
根据所述补货记录，获取上一日的最后一次补货时间；
根据所述补货时间间隔与所述最后一次补货时间，计算下一补货时间；
判断所述下一补货时间是否在当前日期内；
当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量。
优选地，所述当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：
获取所述下一补货时间对应的预设场景数据以及预设营销数据；
将所述上一日销量、所述下一补货时间对应的预测天气数据、预设场景数据以及预设营销数据作为所述货道量预测模型的输入值，获得当前自贩机内每条货道中物品的所需物品总量。
优选地，所述场景数据包括当前自贩机的场所属性、日期属性、天气数据以及节日活动属性；所述营销数据包括当前自贩机内各物品的价格折扣属性。
第二方面，本发明实施例提供了一种基于自贩机的货道量推荐装置，包括：
货道数据获取模块，用于按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；
状态数据获取模块，用于获取当前自贩机的状态数据；
数据抽取模块，用于对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；
数据挖掘模块，用于对所述补货特征集进行数据挖掘，建立货道量预测模型；
交易记录获取模块，用于获取当前自贩机在上一日的交易记录与补货记录；
销量计算模块，用于根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；
补货时间间隔计算模块，用于根据所述补货记录计算当前自贩机的补货时间间隔；
货道量预测模块，用于根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量。
第三方面，本发明实施例提供了一种基于自贩机的货道量推荐设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的基于自贩机的货道量推荐方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的基于自贩机的货道量推荐方法。
相对于现有技术，以上实施例具有如下有益效果：
按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；获取当前自贩机的状态数据；对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；对所述补货特征集进行数据挖掘，建立货道量预测模型；获取当前自贩机在上一日的交易记录与补货记录；根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；根据所述补货记录计算当前自贩机的补货时间间隔；根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量。相对于传统技术中由运营人员根据经验及直觉进行判断，通过对自贩机的物品销量、补货时间以及状态数据进行大数据挖掘与分析，能够准确预测自贩机的下一补货时间及其对应的货道量，从而提高自贩机补货的合理性，避免货道长时间空置造成的资源浪费，同时降低运维成本。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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。
图1是本发明第一实施例提供的基于自贩机的货道量推荐方法的流程示意图；
图2是本发明第二实施例提供的基于自贩机的货道量推荐装置的结构示意图；
图3是本发明第三实施例提供的基于自贩机的货道量推荐设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。
大数据技术(Hadoop)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要用特有的大数据技术来处理，才能得到具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
下面对自贩机的应用场景进行说明：
各自贩机设有物联网通信组件，所述物联网通信组件包括安装有数据采集应用程序(APP)的采集客户端以及数据传输应用程序(APP)的传输客户端，通过物联网通信组件，将自贩机的自身数据上报到大数据分析组件。同时大数据分析组件还通过一采集平台采集自贩机对应的状态数据，例如场所属性、天气数据、节日活动属性等。所述大数据分析组件设有数据存储服务和机器学习服务。
请参照图1，本发明第一实施例提供了一种基于自贩机的货道量推荐方法，其可由基于自贩机的货道量推荐设备来执行，并包括以下步骤：
在本发明实施例中，所述基于自贩机的货道量推荐设备可为电脑、手机、平板电脑、笔记本电脑或者服务器等计算设备，所述基于自贩机的货道量推荐方法可作为其中一个功能模块集成与所述基于自贩机的货道量推荐设备上，由所述基于自贩机的货道量推荐设备来执行。
S11：按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；
自贩机通过获取补货人员在补货时设置当前物品的物品余量并记录，自贩机在每售出一件物品时，通过计数器对售出物品对应的物品余量自动减一并记录。之后采集客户端通过每个15-60分钟获取当前自贩机记录的每条货道的物品余量以及补货时间，通过传输客户端，实时的把每条货道的物品余量以及补货时间回传给大数据组件存储服务。
S12：获取当前自贩机的状态数据；
每台自贩机都储存了各自的场景数据、营销数据、各物品的历史交易记录、各物品在当前自贩机上占用的货道总量和物品总量。所述场景数据包括当前自贩机的场所属性(如商场)、日期属性(例如周末、工作日)、天气数据(例如晴天、雨天、阴天)以及节日活动属性(例如情人节)；所述营销数据包括当前自贩机内各物品的价格折扣属性(例如5折优惠)。
S13：对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；
S14：对所述补货特征集进行数据挖掘，建立货道量预测模型；
S15：获取当前自贩机在上一日的交易记录与补货记录；
在本实施例中，在每日00：00获取上一日的交易记录与补货记录作为预测下一次补货时间和所需货道总量的数据依据。
所述交易记录包括每次交易的时间、物品类型、数量、金额等；所述补货记录包括每次补货的时间、物品类型、数量等。
S16：根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；
在本实施例中上一日销量＝上一日的交易记录中任一物品的数量ⅹ金额。
S17：根据所述补货记录计算当前自贩机的补货时间间隔；
在本是实施例中，提取所述补货记录中每次补货的时间点，并计算相邻两个补货的时间点的时长；对相邻两个补货的时间点对应的时长求平均，得到步骤S17中所述的补货时间间隔。
S18：根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量。
通过对自贩机的物品销量、补货时间以及状态数据进行大数据挖掘与分析，通过每次数据分析迭代，会逐渐接近推算出每个物品的最佳寄售货道量，准确预测自贩机的下一补货时间及其对应的货道量，从而提高自贩机补货的合理性，从而降低货道空置率和补货运维频次，合理利用货道资源，使物品销量最大化，同时降低运维成本。
结合物联网技术，对接入物联网的自贩机群，采用上述方法能够对大量的自贩机预测下一补货时间及其对应的货道量，能够极大地降低人工成本和管理成本，从而提高经营收入；由于不需要专业的运营人员，可以降低运营自贩机的门槛。
在一种可选的实施例中，所述状态数据包括：当前自贩机的场景数据、营销数据、各物品的历史交易记录、各物品在当前自贩机上占用的货道总量和物品总量。
在一种可选的实施例中，所述对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集，具体包括：
通过Sqoop工具将获取的所述物品余量、所述补货时间以及所述状态数据转移到数据进行数据抽取与清洗，获得补货特征集；
Sqoop是传统数据库与Hadoop之间数据同步的工具，解决的是传统数据库和Hadoop之间数据的迁移问题。主要包括一下两个方面：1、将关系型数据库的数据导入到Hadoop及其相关的系统中，如Hive和HBase。2、将数据从Hadoop系统里抽取并导出到关系型数据库。Sqoop可以高效、可控地利用资源，通过调整任务数来控制任务的并发度。另外它还可以配置数据库的访问时间等等；可以自动的完成数据类型映射与转换；支持多种数据库，比如，Mysql、Oracle和PostgreSQL等等数据库。
数据抽取与清洗，即ETL处理主要包括以下几个步骤：
1、数值化处理；将不同格式的所述物品余量、所述补货时间以及所述状态数据转化为预设标准格式。由于所述物品余量、所述补货时间以及所述状态数据的数据形式不同，例如字符型、数值型；而后续需要预设标准格式为数值型，则对其进行标准化操作。例如对字符串取值，按照ANSI码值求和得到字符串的值，得到数值型的数据。
2、标准化处理(min-max标准化)；将数值化处理后的所述物品余量、所述补货时间以及所述状态数据进行归一化处理，获得相同维度下的物品余量、补货时间以及状态数据。由于所述物品余量、所述补货时间以及所述状态数据各个维度之间的数值往往相差很大，比如一个维度的最小值是0.01，另一个维度最小值却是1000，那么在数据分析的时候，后者会掩盖了前者的作用。通过对所述物品余量、所述补货时间以及所述状态数据进行归一化工作，将所述物品余量、所述补货时间以及所述状态数据都映射到一个指定的数值区间，避免数据维度的不同对后续的数据分析产生的影响。
3、降维处理；例如通过主成分分析法对标准化处理后的所述物品余量、所述补货时间以及所述状态数据进行降维处理，从所述物品余量、所述补货时间以及所述状态数据中提取有效数据。
根据预设的数据仓库模型，将所述补货特征集加载到数据仓库。
预设的数据仓库模型主要包括预先定义的概念模型、预先定义的逻辑模型、预先定义的物理模型；所述概念模型，用于对所述补货特征进行主题划分；所述逻辑模型，用于建立各补货特征之间的关联关系；所述物理模型，用于在数据库，用于对各补货特征建立数据库表与索引。
在一种可选的实施例中，所述对所述补货特征集进行数据挖掘，建立货道量预测模型，具体包括：
在Spark框架下对所述数据仓库中存储的补货特征集进行分布式并行计算，建立货道量预测模型。
Spark是UC Berkeley AMP lab开源的通用并行计算框架。它具有低延迟、支持DAG和分布式内存计算等优势。Spark整合了机器学习(MLib)、图算法(GraphX)、流式计算(Spark Streaming)和数据仓库(Spark SQL)，通过计算引擎Spark，弹性分布式数据集(RDD)，架构出一个大数据应用平台。
Spark以HDFS、S3、Techyon为底层存储引擎，以Yarn、Mesos和Standlone作为资源调度引擎；使用Spark，可以实现MapReduce应用；基于Spark，Spark SQL可以实现即席查询，Spark Streaming可以处理实时应用，MLib可以实现机器学习算法，GraphX可以实现图计算，SparkR可以实现复杂数学计算。通过spark能够对数据仓库中存的海量补货特征进行数据挖掘分析，处理效率更加高效。所述机器学习算法包括：决策树算法、随机森林算法、逻辑回归算法、SVM(support vector machine，支持向量机)、朴素贝叶斯算法、K最近邻算法、K均值算法、Adaboost算法(Adaptive Boosting，自适应增强)、神经网络、马尔可夫算法、三次指数平滑算法等。
在整合了机器学习算法、图算法、流式计算的Spark框架下对所述数据仓库中存储的补货特征集进行分布式并行计算，在补货特征集的训练下，充分挖掘各个数据特征之间的关联关系，并最终建立货道量预测模型。
在一种可选的实施例中，所述根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：
根据所述补货记录，获取上一日的最后一次补货时间；
根据所述补货时间间隔与所述最后一次补货时间，计算下一补货时间；
判断所述下一补货时间是否在当前日期内；
例如，最后一次补货时间是2018年11月20日14点，补货时间间隔为12小时，则预计下一次补货时间为2018年11月21日2点。而当前日期为2018年11月21日，则可以判断下一补货时间在当前日期内，需要在2018年11月21日2点通知补货人员进行补货。
当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量。
进一步地，所述方法还包括：根据当前自贩机内每条货道中物品的所需物品总量以及所述下一补货时间，生成补货通知信息，并将补货通知信息发送至智能终端，以使得所述智能终端将所述补货通知信息推送给补货人员。
在一种可选的实施例中，所述当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：
获取所述下一补货时间对应的预测天气数据、预设场景数据以及预设营销数据；
将所述上一日销量、所述下一补货时间对应的预设场景数据以及预设营销数据作为所述货道量预测模型的输入值，获得当前自贩机内每条货道中物品的所需物品总量。
所述预设场景数据包括预测天气数据、预设场所属性、预设节日活动属性以及当前日期对应的日期属性；所述预设营销数据包括当前日期内各物品的预设价格折扣属性。
在一种可选的实施例中，所述场景数据包括当前自贩机的场所属性、日期属性、天气数据以及节日活动属性；所述营销数据包括当前自贩机内各物品的价格折扣属性。
相对于现有技术，以上实施例具有如下有益效果：
按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；获取当前自贩机的状态数据；对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；对所述补货特征集进行数据挖掘，建立货道量预测模型；获取当前自贩机在上一日的交易记录与补货记录；根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；根据所述补货记录计算当前自贩机的补货时间间隔；根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量。相对于传统技术中由运营人员根据经验及直觉进行判断，通过对自贩机的物品销量、补货时间以及状态数据进行大数据挖掘与分析，能够准确预测自贩机的下一补货时间及其对应的货道量，从而提高自贩机补货的合理性，避免货道长时间空置造成的资源浪费，同时降低运维成本。
请参阅图2，本发明第二实施例提供了一种基于自贩机的货道量推荐装置，包括：
货道数据获取模块1，用于按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；
状态数据获取模块2，用于获取当前自贩机的状态数据；
数据抽取模块3，用于对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；
数据挖掘模块4，用于对所述补货特征集进行数据挖掘，建立货道量预测模型；
交易记录获取模块5，用于获取当前自贩机在上一日的交易记录与补货记录；
销量计算模块6，用于根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；
补货时间间隔计算模块7，用于根据所述补货记录计算当前自贩机的补货时间间隔；
货道量预测模块8，用于根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量。
在一种可选的实施例中，所述状态数据包括：当前自贩机的场景数据、营销数据、各物品的历史交易记录、各物品在当前自贩机上占用的货道总量和物品总量。
在一种可选的实施例中，所述数据抽取模块3包括：
数据清洗单元，用于通过Sqoop工具将获取的所述物品余量、所述补货时间以及所述状态数据转移到数据进行数据抽取与清洗，获得补货特征集；
数据加载单元，用于根据预设的数据仓库模型，将所述补货特征集加载到数据仓库。
在一种可选的实施例中，所述数据挖掘模块4包括：
Spark计算单元，用于在Spark框架下对所述数据仓库中存储的补货特征集进行分布式并行计算，建立货道量预测模型。
在一种可选的实施例中，所述货道量预测模块8包括：
补货时间获取单元，用于根据所述补货记录，获取上一日的最后一次补货时间；
补货时间计算单元，用于根据所述补货时间间隔与所述最后一次补货时间，计算下一补货时间；
补货时间判断单元，用于判断所述下一补货时间是否在当前日期内；
物品总量预测单元，用于当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量。
在一种可选的实施例中，所述物品总量预测单元包括：
预测数据获取单元，用于获取所述下一补货时间对应的预设场景数据以及预设营销数据；
物品总量计算单元，用于将所述上一日销量、所述下一补货时间对应的预测天气数据、预设场景数据以及预设营销数据作为所述货道量预测模型的输入值，获得当前自贩机内每条货道中物品的所需物品总量。
在一种可选的实施例中，所述场景数据包括当前自贩机的场所属性、日期属性、天气数据以及节日活动属性；所述营销数据包括当前自贩机内各物品的价格折扣属性。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
参见图3，是本发明第三实施例提供的基于自贩机的货道量推荐设备的示意图。如图3所示，该基于自贩机的货道量推荐设备包括：至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；
程序152。
具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的基于自贩机的货道量推荐方法，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如货道数据获取模块。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于自贩机的货道量推荐设备中的执行过程。
所述基于自贩机的货道量推荐设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于自贩机的货道量推荐设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于自贩机的货道量推荐设备的示例，并不构成对基于自贩机的货道量推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
所称处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器11是所述基于自贩机的货道量推荐设备的控制中心，利用各种接口和线路连接整个基于自贩机的货道量推荐设备的各个部分。
所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于自贩机的货道量推荐设备的各种功能。所述存储器15可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器15可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于自贩机的货道量推荐设备集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例中任意一项所述的基于自贩机的货道量推荐方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于自贩机的货道量推荐方法，其特征在于，包括以下步骤：
按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；
获取当前自贩机的状态数据；
对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；
对所述补货特征集进行数据挖掘，建立货道量预测模型；
获取当前自贩机在上一日的交易记录与补货记录；
根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；
根据所述补货记录计算当前自贩机的补货时间间隔；
根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：根据所述补货记录，获取上一日的最后一次补货时间；根据所述补货时间间隔与所述最后一次补货时间，计算下一补货时间；判断所述下一补货时间是否在当前日期内；当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量。
2.根据权利要求1所述的基于自贩机的货道量推荐方法，其特征在于，所述状态数据包括：当前自贩机的场景数据、营销数据、各物品的历史交易记录、各物品在当前自贩机上占用的货道总量和物品总量。
3.根据权利要求1所述的基于自贩机的货道量推荐方法，其特征在于，所述对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集，具体包括：
通过Sqoop工具将获取的所述物品余量、所述补货时间以及所述状态数据转移到数据进行数据抽取与清洗，获得补货特征集；
根据预设的数据仓库模型，将所述补货特征集加载到数据仓库。
4.根据权利要求1所述的基于自贩机的货道量推荐方法，其特征在于，所述对所述补货特征集进行数据挖掘，建立货道量预测模型，具体包括：
在Spark框架下对数据仓库中存储的补货特征集进行分布式并行计算，建立货道量预测模型。
5.根据权利要求1所述的基于自贩机的货道量推荐方法，其特征在于，所述当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：
获取所述下一补货时间对应的预设场景数据以及预设营销数据；
将所述上一日销量、所述下一补货时间对应的预测天气数据、预设场景数据以及预设营销数据作为所述货道量预测模型的输入值，获得当前自贩机内每条货道中物品的所需物品总量。
6.根据权利要求2所述的基于自贩机的货道量推荐方法，其特征在于，所述场景数据包括当前自贩机的场所属性、日期属性、天气数据以及节日活动属性；所述营销数据包括当前自贩机内各物品的价格折扣属性。
7.一种基于自贩机的货道量推荐装置，其特征在于，包括：
货道数据获取模块，用于按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；
状态数据获取模块，用于获取当前自贩机的状态数据；
数据抽取模块，用于对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；
数据挖掘模块，用于对所述补货特征集进行数据挖掘，建立货道量预测模型；
交易记录获取模块，用于获取当前自贩机在上一日的交易记录与补货记录；
销量计算模块，用于根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；
补货时间间隔计算模块，用于根据所述补货记录计算当前自贩机的补货时间间隔；
货道量预测模块，用于根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：根据所述补货记录，获取上一日的最后一次补货时间；根据所述补货时间间隔与所述最后一次补货时间，计算下一补货时间；判断所述下一补货时间是否在当前日期内；当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量。
8.一种基于自贩机的货道量推荐设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的基于自贩机的货道量推荐方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的基于自贩机的货道量推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811545204.8A CN109558991B (zh) | 2018-12-17 | 2018-12-17 | 基于自贩机的货道量推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811545204.8A CN109558991B (zh) | 2018-12-17 | 2018-12-17 | 基于自贩机的货道量推荐方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109558991A CN109558991A (zh) | 2019-04-02 |
| CN109558991B true CN109558991B (zh) | 2021-02-19 |
Family
ID=65870286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811545204.8A Expired - Fee Related CN109558991B (zh) | 2018-12-17 | 2018-12-17 | 基于自贩机的货道量推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109558991B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210907A (zh) * | 2019-06-10 | 2019-09-06 | 文良均 | 一种自动售卖的数据分析补货系统 |
| CN111145433A (zh) * | 2019-12-27 | 2020-05-12 | 深圳市智莱科技股份有限公司 | 一种自动售卖机的售卖方法 |
| CN111859281B (zh) * | 2020-05-29 | 2023-09-08 | 石化盈科信息技术有限责任公司 | 物品补给时间预测方法、装置、存储介质及电子设备 |
| CN112581182B (zh) * | 2020-12-24 | 2023-04-07 | 山东新北洋信息技术股份有限公司 | 自动售货设备的销售管理方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719392A (zh) * | 2016-01-15 | 2016-06-29 | 浙江大学 | 基于神经网络的可预测自学习的智能售货机 |
| CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
| CN108171531A (zh) * | 2017-12-08 | 2018-06-15 | 广州云印信息科技有限公司 | 一种基于数据挖掘的售货机智能管理系统及方法 |
| CN108280930B (zh) * | 2017-12-30 | 2021-06-15 | 深圳友宝科斯科技有限公司 | 自助售货机的补货方法、装置、存储介质和计算机设备 |
| CN108932636A (zh) * | 2018-07-05 | 2018-12-04 | 上海信颐信息技术有限公司 | 一种商品零售预测方法及设备 |
-
2018
- 2018-12-17 CN CN201811545204.8A patent/CN109558991B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN109558991A (zh) | 2019-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109558991B (zh) | 基于自贩机的货道量推荐方法、装置、设备及存储介质 | |
| CN109767255B (zh) | 一种通过大数据建模实现智能运营及精准营销的方法 | |
| Bi et al. | A big data clustering algorithm for mitigating the risk of customer churn | |
| CN107590688A (zh) | 目标客户的识别方法及终端设备 | |
| CN110837587A (zh) | 一种基于机器学习的数据匹配方法和系统 | |
| CN109558992A (zh) | 基于自贩机的销售峰值预测方法、装置、设备及存储介质 | |
| CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
| CN103701934A (zh) | 一种资源优化调度方法及虚拟机宿主机优化选择方法 | |
| CN113064866A (zh) | 一种电力业务数据整合系统 | |
| CN109324905A (zh) | 数据库操作方法、装置、电子设备及存储介质 | |
| CN105279158A (zh) | 基于复杂查询条件下的酒店价格排序方法 | |
| CN111489201A (zh) | 一种客户价值分析的方法、设备、存储介质 | |
| CN113657901B (zh) | 欠费用户的催收管理方法、系统、终端及介质 | |
| CN108133390A (zh) | 用于预测用户行为的方法和装置以及计算设备 | |
| CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
| CN110322093A (zh) | 信息处理方法、信息显示方法、装置及计算设备 | |
| CN115423289A (zh) | 智能板材加工车间数据处理方法及终端 | |
| US10055469B2 (en) | Method and software for retrieving information from big data systems and analyzing the retrieved data | |
| CN113361980A (zh) | 一种大数据资产价值评估的系统和方法 | |
| CN109635961B (zh) | 基于自贩机的运维调度方法、装置、设备及存储介质 | |
| CN117036001A (zh) | 交易业务的风险识别处理方法、装置、设备及存储介质 | |
| CN116308494A (zh) | 供应链需求预测方法 | |
| US20230259846A1 (en) | Communications apparatus and method for estimating potential demand for improved forecasting and resource management | |
| CN108460064B (zh) | 基于任务维度的关闭方法、装置、存储介质及终端 | |
| Xu et al. | Data-driven Procurement Optimization in Fresh Food Distribution Market under Demand Uncertainty: A Two-stage Stochastic Programming Approach |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210219 Termination date: 20211217 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |