CN109902847A - 预测分库订单量的方法和装置 - Google Patents
预测分库订单量的方法和装置 Download PDFInfo
- Publication number
- CN109902847A CN109902847A CN201711306928.2A CN201711306928A CN109902847A CN 109902847 A CN109902847 A CN 109902847A CN 201711306928 A CN201711306928 A CN 201711306928A CN 109902847 A CN109902847 A CN 109902847A
- Authority
- CN
- China
- Prior art keywords
- library
- order volume
- point
- order
- probability
- 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
Abstract
本发明公开了一种预测分库订单量的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:对于由原库分成的多个分库中的任一,获取该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率,根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量;利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量。该实施方式能够根据分库所存放物品在原库中的概率分布确定分库的分配订单量,从而实现分库未来订单量的准确预测。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种预测分库订单量的方法和装置。
背景技术
在现代仓储规划与运作中,需要准确地预测仓库未来的出库订单量,以提前规划仓库的人力、设备及容量等资源,从而实现效率最大化。同时,实际应用中,随着业务量的增长,一个仓库往往难以有效管理存放物品,因此需要拆分为多个分库,将多种物品转移到多个分库中。这样,如何准确预测分库的未来订单量成为亟待解决的问题。
现有技术中,一般通过以下步骤预测分库的未来订单量:
1.利用数据库技术、Excel办公软件等获取原库(各分库对应的原有仓库)在拆分前某一时间段的历史订单量与物品总销量。
2.确定某一分库存放的物品在该时间段的销量,计算该销量与原库物品总销量的比值。
3.将原库的历史订单量与该比值的乘积作为该分库在该时间段的订单量。
4.根据该分库在拆分前多个时间段的订单量、同比环比增长率以及人工经验预测该分库的未来订单量。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
1.由于一个订单中往往含有多种物品,因此物品销量与订单量并不是简单的正比关系,这使得现有技术对分库的拆分前订单量的估计准确性较低,进而影响未来订单量的预测。
2.现有技术在很大程度上依赖人工经验,其计算耗时较长,预测效率较低,无法满足业务需求。
发明内容
有鉴于此,本发明实施例提供一种预测分库订单量的方法和装置,能够根据分库所存放物品在原库中的概率分布确定分库的分配订单量,从而实现分库未来订单量的准确预测。
为实现上述目的,根据本发明的一个方面,提供了一种预测分库订单量的方法。
本发明实施例的预测分库订单量的方法包括:对于由原库分成的多个分库中的任一,获取该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率,根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量;利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量。
可选地,所述根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量包括:将所述概率中的最大值与所述历史订单的数量的乘积确定为该分库在该时间间隔的基础订单量;根据所述概率以及所述历史订单的数量获取该分库在该时间间隔的附加订单量;以及,将基础订单量与附加订单量的和确定为该分库在该时间间隔的分配订单量。
可选地,所述根据所述概率以及所述历史订单的数量获取该分库在该时间间隔的附加订单量包括:将所述历史订单的数量与基础订单量的差值、和基础订单量对应的概率的对立值的乘积确定为附加基数;在所述该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率中,将除基础订单量对应的概率之外的概率确定为普通概率,将每一普通概率对立值的乘积的对立值确定为附加因子;以及,将附加基数与附加因子的乘积确定为附加订单量。
可选地,所述利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量包括:基于该分库在多个时间间隔的分配订单量,利用时间序列算法预测该分库的未来订单量。
可选地,原库或任一分库存放的每一种物品对应唯一的库存量单位SKU编码,预设时间间隔为一天。
为实现上述目的,根据本发明的又一方面,提供了一种预测分库订单量的装置。
本发明实施例的预测分库订单量的装置可包括:统计模块,可用于对于由原库分成的多个分库中的任一,获取该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率;分配订单量计算模块,可用于根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量;以及,预测模块,可用于利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量。
可选地,分配订单量计算模块可进一步用于:将所述概率中的最大值与所述历史订单的数量的乘积确定为该分库在该时间间隔的基础订单量;根据所述概率以及所述历史订单的数量获取该分库在该时间间隔的附加订单量;将基础订单量与附加订单量的和确定为该分库在该时间间隔的分配订单量。
可选地,分配订单量计算模块可进一步用于:将所述历史订单的数量与基础订单量的差值、和基础订单量对应的概率的对立值的乘积确定为附加基数;在所述该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率中,将除基础订单量对应的概率之外的概率确定为普通概率,将每一普通概率对立值的乘积的对立值确定为附加因子;将附加基数与附加因子的乘积确定为附加订单量。
可选地,预测模块可进一步用于:基于该分库在多个时间间隔的分配订单量,利用时间序列算法预测该分库的未来订单量。
可选地,原库或任一分库存放的每一种物品对应唯一的库存量单位SKU编码,预设时间间隔为一天。
为实现上述目的,根据本发明的又一方面,提供了一种电子设备。
本发明的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,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本发明所提供的预测分库订单量的方法。
为实现上述目的,根据本发明的再一方面,提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明所提供的预测分库订单量的方法。
根据本发明的技术方案,上述发明中的一个实施例具有如下优点或有益效果:利用分库所存放物品在原库中的概率分布确定分库的分配订单量,作为分库历史订单量的合理估计,从而为未来订单量的预测建立可靠的数据基础;在确定分库的分配订单量时,将基础订单量与附加订单量相结合,这样既考虑物品在订单中出现的次数,又兼顾不同物品出现在同一订单的情形,提升了分配订单量的可信度;在根据分配订单量预测未来订单量时,采用时间序列算法代替现有技术中依赖于人工经验的预测方法,可提高订单量预测速度,满足业务需求。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明实施例中预测分库订单量方法的主要步骤示意图;
图2是本发明第一实施例中预测分库订单量方法的具体实现示意图;
图3是本发明实施例中预测分库订单量装置的主要部分示意图;
图4是根据本发明实施例可以应用于其中的示例性系统架构图;
图5是用来实现本发明实施例的预测分库订单量方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本发明实施例的技术方案中,利用分库所存放物品在原库中的概率分布确定分库的分配订单量,作为分库历史订单量的合理估计,从而为未来订单量的预测建立可靠的数据基础;在确定分库的分配订单量时,将基础订单量与附加订单量相结合,这样既考虑物品在订单中出现的次数,又兼顾不同物品出现在同一订单的情形,提升了分配订单量的可信度;在根据分配订单量预测未来订单量时,采用时间序列算法代替现有技术中依赖于人工经验的预测方法,可提高订单量预测速度,满足业务需求。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是本发明实施例中预测分库订单量方法的主要步骤示意图。
如图1所示,本发明实施例的预测分库订单量的方法可具体执行以下步骤:
步骤S101:对于由原库分成的多个分库中的任一,获取该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率,根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量。
在本发明实施例中,由于业务量的增加,原库往往需要拆分成多个分库以提高仓库运作效率。在此过程中,原库存放的每一种物品均分配到某一个分库中继续存放。较佳地,不同种类的物品可根据物品的库存量单位SKU(Stock Keeping Unit)编码进行区分,即对于原库或分库存放的每一种物品,均有唯一的SKU编码与之对应。实际应用中,也可以利用其它标识区分不同种类的物品,本发明对此不作限制。下面以SKU编码为例介绍本发明的技术方案。
在本步骤中,时间间隔指的是根据应用环境预设的、原库拆分前的一段时间,如一天、一周、一个月等。每一种物品在原库的预设时间间隔的历史订单中出现的概率可以是:在所述历史订单中,含有该种物品的订单数量与历史订单总数的比值。例如:原库在3月8日的产生10个历史订单,其中含有SKU1的订单为5个,则SKU1在原库3月8日历史订单中出现的概率为5/10=0.5。
实际应用场景中,任一分库均为原库拆分后形成,分库的订单也是在原库拆分后产生,也就是说,分库中并不存在原库拆分前的历史订单。但是,为了预测分库的未来订单量,需要确定分库在原库拆分前的历史订单量的合理估计值。在本发明实施例中,分配订单量即是根据原库中订单状态计算得到的所述合理估计值。
具体场景中,某分库在预设时间间隔的分配订单量可以是该分库在该时间间隔的基础订单量与附加订单量之和。其中,基础订单量为:不同SKU在原库该时间间隔的历史订单中出现的概率的最大值与该历史订单数量的乘积,也即原库该时间间隔的历史订单中出现某一SKU的订单数量的最大值。例如:原库在3月8日的历史订单为10个,分库存放SKU1、SKU2、SKU3、SKU4四种物品,四者在历史订单中出现的概率分别为0.1、0.3、0.5、0.5(也即:SKU1在一个历史订单中出现,SKU2在三个历史订单中出现,SKU3、SKU4分别在五个历史订单中出现),可选取SKU3的概率0.5作为概率的最大值,则分库在3月8日的基础订单量为10*0.5=5。基础订单量能够体现物品在历史订单中出现次数对分配订单量的影响。
具体应用中,一个订单往往含有多种物品,为了体现不同物品出现在同一订单的情形对于分库分配订单量的影响,需要利用原库历史订单数据确定附加订单量以提高分配订单量的计算精度。实际场景中,可以利用分库存放的每一SKU在原库预设时间间隔的历史订单中出现的概率,结合历史订单的数量计算附加订单量。
作为一个优选方案,可通过以下步骤计算附加订单量:
1.计算历史订单的数量与基础订单量的差值,将该差值与基础订单量对应的概率的对立值的乘积确定为附加基数。
其中,基础订单量对应的概率指的是获得基础订单量时所依据的概率。例如:在上例中,基础订单量对应的概率为SKU3的概率0.5。需要说明的是,上例中SKU4的概率虽然也是0.5,但其并不是基础订单量对应的概率。某一概率的对立值指的是1与该概率的差值,显然,任一对立值均在0与1之间,某概率与其对立值的和为1。
以下继续利用上例对本步骤加以说明。在上例中,历史订单的数量与基础订单量的差值为10-5=5,基础订单量对应的概率为SKU3的概率0.5,其对立值为1-0.5=0.5,则附加基数为5*0.5=2.5。
2.在该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率中,将除基础订单量对应的概率之外的概率确定为普通概率,将每一普通概率对立值的乘积的对立值确定为附加因子。
例如:在上例中,SKU1的概率0.1、SKU2的概率0.3、SKU4的概率0.5均为普通概率,附加因子为1-[(1-0.1)*(1-0.3)*(1-0.5)]=0.685。
3.将附加基数与附加因子的乘积确定为附加订单量。
例如:在上例中,附加订单量为2.5*0.685=1.7125。实际应用中,可以对计算结果取整作为最终的附加订单量。如上述计算结果取整后形成的附加订单量为2,附加订单量2与基础订单量5之和7即为该分库在3月8日的分配订单量。
可以理解的是,如果分库中只存放一个SKU,则其附加因子为零,附加订单量也是零。如果分库中存放两个SKU,则其只具有一个普通概率,附加因子即为该普通概率。
以下将以具体公式展示分配订单量的计算过程:
若原库在某时间间隔的历史订单数量为N,原库拆分后形成的某分库存放原库的n+1种SKU:SKU11、SKU12、SKU13......SKU1n、SKUxx,若其在历史订单中出现的概率分别为p11、p12、p13......p1n、pxx,而pxx为其中的最大值,则该分库在该时间间隔的基础订单量为N*pxx。附加订单量为:
(N-N*pxx)*(1-pxx)*[1-(1-p11)*(1-p12)*……*(1-p1n)]
将基础订单量与附加订单量相加即可得到该分库在该时间间隔的分配订单量。
根据以上步骤可得到多个时间间隔的分配订单量。例如:获取分库在2014年到2016年每一天的分配订单量,用于预测该分库的未来订单量。这样,本发明实现了:利用分库所存放物品在原库中的概率分布确定分库的分配订单量,作为分库历史订单量的合理估计,从而为未来订单量的预测建立可靠的数据基础;在确定分库的分配订单量时,将基础订单量与附加订单量相结合,这样既考虑物品在订单中出现的次数,又兼顾不同物品出现在同一订单的情形,提升了分配订单量的可信度。
步骤S102:利用分库在多个时间间隔的分配订单量预测该分库的未来订单量。
在本步骤中,得到分库多个时间间隔的多个分配订单量之后,可利用时间序列算法如Holt-Winters算法预测该分库的未来订单量。其中,未来订单量指的是:在原库拆分为多个分库后,某一分库形成的出货订单量。未来订单量可以天、周、月、年等作为单位。
在利用Holt-Winters算法预测时,可根据分库在多个时间间隔的分配订单量确定Holt-Winters模型的时间基线部分、时间趋势部分以及季节性部分,将三部分结合即可进行未来订单量的预测。本发明由此可避免现有技术中对人工经验的依赖,提高订单量预测速度,满足业务需求。
实际应用中,可以利用分库在过去一到三年的分配订单量预测未来29天或81天的订单量,从而可提前进行分库资源的配置与优化,提高分库运作效率。
图2是本发明第一实施例中预测分库订单量方法的具体实现示意图。
如图2所示,数据源对接单元用于对接仓库数据库或Hadoop(一种分布式系统基础架构)平台,从中提取原库的各种订单数据。历史订单统计单元用于进一步从各种订单数据中统计每天的历史订单数据以及分库存放的每一SKU在历史订单中出现的概率。分库分配订单量计算单元用于根据历史订单统计单元的统计数据计算分配订单量,具体地:
如果原库存放有五个SKU:A、B、C、D、E,分库后A、B、C存放在第一分库,D、E存放在第二分库,各SKU在原库某天的历史订单分布如下表所示:
则历史订单数量n=10,各SKU出现在历史订单的概率分别为:pA=0.5,pB=0.5,pC=0.4,pD=0.2,pE=0.4,第一分库的基础订单量为QA=n*pA=5,第二分库的基础订单量为QE=n*pE=4。
第一分库的附加订单量为:
(10-QA)*(1-pA)[1-(1-pB)*(1-pC)]=1.75≈2;
第一分库的附加订单量为:
(10-QE)*(1-pE)*pD=0.72≈1;
则第一分库的分配订单量为5+2=7,第二分库的分配订单量为4+1=5。
分库未来订单量预测单元用于利用分库多天的分配订单量,根据Holt-Winters算法进行未来订单量的预测。具体地,Holt-Winters模型为:
Y预测=Lt+Tt+St-m
其中,模型右侧的三项分别为时间基线部分、时间趋势部分与季节性部分。
预测结果输出单元用于将预测结果通过网络或数据平台输出,管理单元用于管理整个流程,并提供人机管理接口。
这样,通过本实施例展示的预测分库订单量的方法,能够避免对现有技术中人工经验的依赖,有效提高未来订单量的预测速度与准确性。
图3是本发明实施例中预测分库订单量装置的主要部分示意图。
如图3所示,本发明实施例的预测分库订单量的装置300可包括:统计模块301、分配订单量计算模块302以及预测模块303。其中:
统计模块301可用于对于由原库分成的多个分库中的任一,获取该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率;
分配订单量计算模块302可用于根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量;
预测模块303可用于利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量。
较佳地,在本发明实施例中,分配订单量计算模块302可进一步用于:将所述概率中的最大值与所述历史订单的数量的乘积确定为该分库在该时间间隔的基础订单量;根据所述概率以及所述历史订单的数量获取该分库在该时间间隔的附加订单量;将基础订单量与附加订单量的和确定为该分库在该时间间隔的分配订单量。
作为一个优选方案,分配订单量计算模块302可进一步用于:将所述历史订单的数量与基础订单量的差值、和基础订单量对应的概率的对立值的乘积确定为附加基数;在所述该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率中,将除基础订单量对应的概率之外的概率确定为普通概率,将每一普通概率对立值的乘积的对立值确定为附加因子;将附加基数与附加因子的乘积确定为附加订单量。
实际应用中,预测模块303可进一步用于:基于该分库在多个时间间隔的分配订单量,利用时间序列算法预测该分库的未来订单量。此外,原库或任一分库存放的每一种物品对应唯一的库存量单位SKU编码,预设时间间隔为一天。
根据本发明实施例的技术方案,可避免现有技术中对人工经验的依赖,有效提高分库未来订单量的预测速度与精度,较好应对业务需求的迅速增长。
图4示出了可以应用本发明实施例的预测分库订单量的方法或预测分库订单量的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405(此架构仅仅是示例,具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的预测分库订单量的方法一般由服务器405执行,相应地,预测分库订单量的装置一般设置于服务器405中。
应该理解,图4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。
本发明还提供了一种电子设备。本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,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本发明所提供的预测分库订单量方法。
下面参考图5,其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有计算机系统500操作所需的各种程序和数据。CPU501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;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507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510上,以便从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如,本发明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主要步骤图所示的方法的程序代码。在上述实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。在本发明中,计算机可读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、光信号或上述任意合适的组合。计算机可读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。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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,这根据所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图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。
描述于本发明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:一种处理器包括统计模块、分配订单量计算模块以及预测模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,统计模块还可以被描述为“向分配订单量计算模块提供分库物品在原库历史订单中出现概率的模块”。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中的。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设备执行时,使得该设备执行的步骤包括:对于由原库分成的多个分库中的任一,获取该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率,根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量;利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量。
根据本发明实施例的技术方案,可避免现有技术中对人工经验的依赖,有效提高分库未来订单量的预测速度与精度,较好应对业务需求的迅速增长。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种预测分库订单量的方法,其特征在于,包括:
对于由原库分成的多个分库中的任一,获取该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率,根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量;
利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量包括:
将所述概率中的最大值与所述历史订单的数量的乘积确定为该分库在该时间间隔的基础订单量;
根据所述概率以及所述历史订单的数量获取该分库在该时间间隔的附加订单量;以及
将基础订单量与附加订单量的和确定为该分库在该时间间隔的分配订单量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述概率以及所述历史订单的数量获取该分库在该时间间隔的附加订单量包括:
将所述历史订单的数量与基础订单量的差值、和基础订单量对应的概率的对立值的乘积确定为附加基数;
在所述该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率中,将除基础订单量对应的概率之外的概率确定为普通概率,将每一普通概率对立值的乘积的对立值确定为附加因子;以及
将附加基数与附加因子的乘积确定为附加订单量。
4.根据权利要求1所述的方法,其特征在于,所述利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量包括:
基于该分库在多个时间间隔的分配订单量,利用时间序列算法预测该分库的未来订单量。
5.根据权利要求1-4任一所述的方法,其特征在于,原库或任一分库存放的每一种物品对应唯一的库存量单位SKU编码,预设时间间隔为一天。
6.一种预测分库订单量的装置,其特征在于,包括:
统计模块,用于对于由原库分成的多个分库中的任一,获取该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率;
分配订单量计算模块,用于根据所述概率以及所述历史订单的数量确定该分库在该时间间隔的分配订单量;以及
预测模块,用于利用该分库在多个时间间隔的分配订单量预测该分库的未来订单量。
7.根据权利要求6所述的装置,其特征在于,分配订单量计算模块进一步用于:
将所述概率中的最大值与所述历史订单的数量的乘积确定为该分库在该时间间隔的基础订单量;根据所述概率以及所述历史订单的数量获取该分库在该时间间隔的附加订单量;将基础订单量与附加订单量的和确定为该分库在该时间间隔的分配订单量。
8.根据权利要求7所述的装置,其特征在于,分配订单量计算模块进一步用于:
将所述历史订单的数量与基础订单量的差值、和基础订单量对应的概率的对立值的乘积确定为附加基数;在所述该分库存放的每一种物品在原库的预设时间间隔的历史订单中出现的概率中,将除基础订单量对应的概率之外的概率确定为普通概率,将每一普通概率对立值的乘积的对立值确定为附加因子;将附加基数与附加因子的乘积确定为附加订单量。
9.根据权利要求6所述的装置,其特征在于,预测模块进一步用于:
基于该分库在多个时间间隔的分配订单量,利用时间序列算法预测该分库的未来订单量。
10.根据权利要求6-9任一所述的装置,其特征在于,原库或任一分库存放的每一种物品对应唯一的库存量单位SKU编码,预设时间间隔为一天。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711306928.2A CN109902847B (zh) | 2017-12-11 | 2017-12-11 | 预测分库订单量的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711306928.2A CN109902847B (zh) | 2017-12-11 | 2017-12-11 | 预测分库订单量的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902847A true CN109902847A (zh) | 2019-06-18 |
CN109902847B CN109902847B (zh) | 2022-04-12 |
Family
ID=66942029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711306928.2A Active CN109902847B (zh) | 2017-12-11 | 2017-12-11 | 预测分库订单量的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902847B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242349A (zh) * | 2019-12-30 | 2020-06-05 | 北京顺达同行科技有限公司 | 配送员调度方法、装置、可读存储介质和计算机设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1138179A (zh) * | 1995-03-24 | 1996-12-18 | 潘杜伊特公司 | 控制库存中的成分单位数的系统和方法 |
CN1790395A (zh) * | 2004-12-18 | 2006-06-21 | 鸿富锦精密工业(深圳)有限公司 | 通路协同作业系统 |
CN101452548A (zh) * | 2007-12-07 | 2009-06-10 | 株式会社日立制作所 | 供应链评价系统、方法以及程序 |
CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
CN103426072A (zh) * | 2013-07-16 | 2013-12-04 | 无限极(中国)有限公司 | 一种高并发竞争库存的订单处理系统及其处理方法 |
US8738421B1 (en) * | 2013-01-09 | 2014-05-27 | Vehbi Koc Foundation Koc University | Driver moderator method for retail sales prediction |
CN104680240A (zh) * | 2013-12-03 | 2015-06-03 | 冯卫星 | 一种轻量级信息共享的供应链库存优化方法 |
CN105117777A (zh) * | 2015-07-28 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
CN106203682A (zh) * | 2016-06-29 | 2016-12-07 | 东南大学 | 酒店一次性用品需求预测方法及订单系统 |
CN106327116A (zh) * | 2015-07-09 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 对目标物品进行区域性库存分配的方法及装置 |
CN106384219A (zh) * | 2016-10-13 | 2017-02-08 | 北京京东尚科信息技术有限公司 | 仓储分仓辅助分析方法及装置 |
CN106709692A (zh) * | 2017-02-24 | 2017-05-24 | 北京远大宏略科技股份有限公司 | 一种物流中心储位分配方法 |
CN107016515A (zh) * | 2016-01-28 | 2017-08-04 | 株式会社日立制作所 | 仓库布局的优化方法及其装置 |
CN107392723A (zh) * | 2017-07-27 | 2017-11-24 | 深圳市云智数据服务有限公司 | 基于多功能触摸屏的交互式鞋类销售管理系统及实现方法 |
-
2017
- 2017-12-11 CN CN201711306928.2A patent/CN109902847B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1138179A (zh) * | 1995-03-24 | 1996-12-18 | 潘杜伊特公司 | 控制库存中的成分单位数的系统和方法 |
CN1790395A (zh) * | 2004-12-18 | 2006-06-21 | 鸿富锦精密工业(深圳)有限公司 | 通路协同作业系统 |
CN101452548A (zh) * | 2007-12-07 | 2009-06-10 | 株式会社日立制作所 | 供应链评价系统、方法以及程序 |
US8738421B1 (en) * | 2013-01-09 | 2014-05-27 | Vehbi Koc Foundation Koc University | Driver moderator method for retail sales prediction |
CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
CN103426072A (zh) * | 2013-07-16 | 2013-12-04 | 无限极(中国)有限公司 | 一种高并发竞争库存的订单处理系统及其处理方法 |
CN104680240A (zh) * | 2013-12-03 | 2015-06-03 | 冯卫星 | 一种轻量级信息共享的供应链库存优化方法 |
CN106327116A (zh) * | 2015-07-09 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 对目标物品进行区域性库存分配的方法及装置 |
CN105117777A (zh) * | 2015-07-28 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
CN107016515A (zh) * | 2016-01-28 | 2017-08-04 | 株式会社日立制作所 | 仓库布局的优化方法及其装置 |
CN106203682A (zh) * | 2016-06-29 | 2016-12-07 | 东南大学 | 酒店一次性用品需求预测方法及订单系统 |
CN106384219A (zh) * | 2016-10-13 | 2017-02-08 | 北京京东尚科信息技术有限公司 | 仓储分仓辅助分析方法及装置 |
CN106709692A (zh) * | 2017-02-24 | 2017-05-24 | 北京远大宏略科技股份有限公司 | 一种物流中心储位分配方法 |
CN107392723A (zh) * | 2017-07-27 | 2017-11-24 | 深圳市云智数据服务有限公司 | 基于多功能触摸屏的交互式鞋类销售管理系统及实现方法 |
Non-Patent Citations (2)
Title |
---|
T. SUESUT; S. GULPHANICH; P. NILAS; P. ROENGRUEN; K. TIRASESTH: "Demand forecasting approach inventory control for warehouse automation", 《2004 IEEE REGION 10 CONFERENCE TENCON 2004.》 * |
于世荣: "基于需求与供应能力匹配的仓库优化设计", 《科学咨询(科技·管理)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242349A (zh) * | 2019-12-30 | 2020-06-05 | 北京顺达同行科技有限公司 | 配送员调度方法、装置、可读存储介质和计算机设备 |
CN111242349B (zh) * | 2019-12-30 | 2023-08-18 | 北京顺达同行科技有限公司 | 配送员调度方法、装置、可读存储介质和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109902847B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751497A (zh) | 一种商品补货方法和装置 | |
CN109447355B (zh) | 仓库货物的配送优化方法、装置、介质和计算设备 | |
CN109003028A (zh) | 用于划分物流区域的方法和装置 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN109961306B (zh) | 一种物品的库存分配方法和装置 | |
CN109961198A (zh) | 关联信息生成方法和装置 | |
CN110689157A (zh) | 一种确定调拨关系的方法和装置 | |
CN113259144A (zh) | 一种仓储网络规划方法和装置 | |
CN110019367A (zh) | 一种统计数据特征的方法和装置 | |
CN110276652A (zh) | 用于推送信息的方法和装置 | |
CN113537861A (zh) | 补货方法和补货装置 | |
CN114663015A (zh) | 补货方法和装置 | |
CN111044062B (zh) | 路径规划、推荐方法和装置 | |
CN109002925A (zh) | 业务量预测方法和装置 | |
CN110858332B (zh) | 订单生产方法和装置 | |
CN112418258A (zh) | 一种特征离散化方法和装置 | |
CN109978421B (zh) | 信息输出方法和装置 | |
US20220058590A1 (en) | Equipment maintenance in geo-distributed equipment | |
CN113780912A (zh) | 一种确定安全库存的方法及装置 | |
CN108985805A (zh) | 一种选择性执行推送任务的方法和装置 | |
CN109902847A (zh) | 预测分库订单量的方法和装置 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN110837907A (zh) | 一种预测波次订单量的方法和装置 | |
CN113780914A (zh) | 库存调配方法和装置 | |
CN113780611A (zh) | 一种库存管理方法和装置 |
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 |