CN110363454A - 用于确定商品补货量的方法及装置 - Google Patents

用于确定商品补货量的方法及装置 Download PDF

Info

Publication number
CN110363454A
CN110363454A CN201810309365.0A CN201810309365A CN110363454A CN 110363454 A CN110363454 A CN 110363454A CN 201810309365 A CN201810309365 A CN 201810309365A CN 110363454 A CN110363454 A CN 110363454A
Authority
CN
China
Prior art keywords
inventory
commodity
stock
replenished
replenishment
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
Application number
CN201810309365.0A
Other languages
English (en)
Other versions
CN110363454B (zh
Inventor
王谦
王曦
薛飞
王子卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shanshu Network Technology Co Ltd
Shanshu Science And Technology (suzhou) Co Ltd
Shanshu Science And Technology (beijing) Co Ltd
Original Assignee
Shanghai Shanshu Network Technology Co Ltd
Shanshu Science And Technology (suzhou) Co Ltd
Shanshu Science And Technology (beijing) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Shanshu Network Technology Co Ltd, Shanshu Science And Technology (suzhou) Co Ltd, Shanshu Science And Technology (beijing) Co Ltd filed Critical Shanghai Shanshu Network Technology Co Ltd
Priority to CN201810309365.0A priority Critical patent/CN110363454B/zh
Publication of CN110363454A publication Critical patent/CN110363454A/zh
Application granted granted Critical
Publication of CN110363454B publication Critical patent/CN110363454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种用于确定商品补货量的方法，包括：获取待补货商品的属性信息，所述属性信息至少包括历史销量时序信息、当前库存量和在途库存量；基于所获取的历史销量时序信息，利用需求预测模型来预测所述待补货商品在预测时间段内的未来需求量及其概率分布；以及基于所预测的未来需求量及其概率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补货商品的补货量。利用该方法，通过获取未来需求量及概率分布并基于该未来需求量及概率分布来确定商品补货量，可以准确地刻画未来需求情形，并且提高商品补货效率。

Description

用于确定商品补货量的方法及装置
技术领域
本申请通常涉及计算机技术领域，更具体地，涉及一种用于确定商品 补货量的方法及装置。
背景技术
在商品销售商家的日常经营中，由于每天的商品销售，商家可用于销 售的商品数量会逐渐减少，为了满足日后的商品销售，商家需要对商品进 行补货操作。
在现有的商品补货方案中，对于单个商品的补货量预测，通常是由工 作人员根据商品的历史销量来人工地评估该商品的补货量。然而，随着商 品销售方式的多变性和商品销售种类的多样性，使得工作人员无法根据商 品的历史销量来对补货量进行准确地预测，从而会导致补货量过大或过小 的情形经常发生。如果补货量过大，则会增加商品周转天数、库存成本和 产品过期成本。如果补货量过小，则会产生由于商品缺货而带来的损失，比如延期付货、由于缺货而导致的失销等。
因此，如何高效准确地确定商品补货量以提高商品补货效率成为亟需 解决的问题。
发明内容
鉴于上述问题，本申请提供了一种用于确定商品补货量的方法及装置。 利用该方法及装置，通过获取未来需求量及概率分布并基于该未来需求量 及概率分布来确定商品补货量，可以准确地刻画未来需求量情形，并且提 高商品补货效率。
根据本申请的一个方面，提供了一种用于确定商品补货量的方法，包 括：获取待补货商品的属性信息，所述属性信息至少包括历史销量时序信 息、当前库存量和在途库存量；基于所获取的历史销量时序信息，利用需 求预测模型来预测所述待补货商品在预测时间段内的未来需求量及其概率 分布，其中，所述预测时间段内的未来需求预测是以预测时间颗粒度为单 位来预测的；以及基于所预测的未来需求量及其概率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补货商品的补货量。
利用该方法，通过基于商品的历史销量时序信息获取未来需求量及概 率分布，并基于待补货商品的当前库存量和在途库存量来确定所述待补货 商品的补货量，可以准确地刻画未来需求量情形，并且使得所确定的商品 补货量更加合理，从而提高商品补货效率。
可选地，在上述方面的一个示例中，所述待补货商品的属性信息还可 以包括所述待补货商品的到货时长和补货周期，以及所述预测时间段是基 于所述到货时长和所述补货周期确定的。
可选地，在上述方面的一个示例中，所述到货时长和所述补货周期是 所述预测时间颗粒度的整数倍，以及所述预测时间段的持续时间为所述到 货时长和所述补货周期之和。
利用上述可选方案，通过基于所述到货时长和所述补货周期来确定预 测时间段，可以使得用于商品补货量确定的未来需求量及其概率分布更加 准确，由此提高商品补货量确定的准确性。
可选地，在上述方面的一个示例中，基于所预测的未来需求量及其概 率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补货商 品的补货量可以包括：基于所预测的未来需求量及其概率分布，所述待补 货商品的当前库存量和在途库存量以及所述补货量的各个候选取值，确定 与所述补货量的各个候选取值对应的自当前时间点起经过所述预测时间段 后的各个可能库存量集合，其中，每个可能库存量集合包括在该补货量候 选取值下的所有可能库存量；以及将满足预定条件的可能库存量集合所对 应的补货量的候选取值，确定为所述待补货商品的补货量。
可选地，在上述方面的一个示例中，基于所预测的未来需求量及其概 率分布，所述待补货商品的当前库存量和在途库存量以及所述补货量的各 个取值，确定与所述补货量的各个候选取值对应的自当前时间点起经过所 述预测时间段后的各个可能库存量集合可以包括：基于所述到货时长和补 货周期，获取库存状态点序列，所述库存状态点序列中的相邻库存状态点 之间间隔一个预测时间颗粒度；基于所预测的未来需求量及其概率分布， 利用样本生成算法生成各个库存状态点处的未来需求量样本；利用所生成 的各个库存状态点处的未来需求量样本、起始库存状态点对应的当前库存 量和在途库存量，构建所述库存状态点序列中的各个库存状态点之间的库 存量转移关系样本路径图；以及利用所构建的库存量转移关系样本路径图 以及所述补货量的各个候选取值，确定与所述补货量的各个候选取值对应 的自当前时间点起经过所述预测时间段后的各个可能库存量集合以及每个 可能库存量集合中的各个可能库存量的样本发生数。
可选地，在上述方面的一个示例中，所述样本生成算法是蒙特卡罗算 法。
可选地，在上述方面的一个示例中，所述预定条件包括：库存成本最 小；或者达到预定现货率。
可选地，在上述方面的一个示例中，在所述预定条件是库存成本最小 时，将满足预定条件的可能库存量集合所对应的补货量的候选取值，确定 为所述待补货商品的补货量包括：针对各个补货量的候选取值，基于自当 前时间点起经过所述预测时间段后的可能库存量集合中的各个可能库存量 的样本发生数，确定各个可能库存量的发生概率；获取该补货量的候选取 值所对应的自当前时间点起经过所述预测时间段后的可能库存量集合中的 各个可能库存量的库存成本；基于所获取的各个可能库存量的库存成本以 及所确定的该可能库存量的发生概率，确定与该补货量的候选取值对应的 可能库存量集合的库存成本，以及将所确定的可能库存量集合的库存成本 中的最小库存成本所对应的补货量的候选取值，确定为所述待补货商品的 补货量。
可选地，在上述方面的一个示例中，所述库存成本包括库存持货成本 和库存缺货成本，所述库存持货成本是指自当前时间点起经过所述预测时 间段后的库存量大于零时发生的库存成本，以及所述库存缺货成本是指自 当前时间点起经过所述预测时间段后的库存量小于零时发生的库存成本。
可选地，在上述方面的一个示例中，在所述预定条件是达到预定现货 率时，将满足预定条件的可能库存量集合所对应的补货量的候选取值，确 定为所述待补货商品的补货量包括：针对各个补货量的候选取值，基于自 当前时间点起经过所述预测时间段后的可能库存量集合中的各个可能库存 量的样本发生数，确定是否达到预定现货率；以及将所确定出的达到所述 预定现货率的补货量的候选取值中的最小候选取值，确定为所述待补货商 品的补货量。
可选地，在上述方面的一个示例中，基于所预测的未来需求量及其概 率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补货商 品的补货量还可以包括：获取所述补货量的各个候选取值。
利用上述可选方案，通过基于所预测的未来需求量及其概率分布，所 述待补货商品的当前库存量和在途库存量以及所述补货量的各个候选取 值，确定与所述补货量的各个候选取值对应的自当前时间点起经过预测时 间段后的各个可能库存量集合，并且选择满足预定条件的可能库存量集合 所对应的补货量的候选取值作为所述待补货商品的补货量，从而可以实现 满足不同业务要求的补货策略。
可选地，在上述方面的一个示例中，所述待补货商品的属性信息还包 括所述待补货商品的辅助需求预测关联变量信息，以及基于所获取的历史 销量时序信息，利用需求预测模型来预测所述待补货商品在预测时间段内 的未来需求量及其概率分布包括：基于所获取的历史销量时序信息和所述 辅助需求预测关联变量信息，利用需求预测模型来预测所述待补货商品在 预测时间段内的未来需求量及其概率分布。在一个示例中，所述辅助需求 预测关联变量信息可以包括促销信息、价格信息等。
利用上述可选方案，通过增加所述待补货商品的辅助需求预测关联变 量信息作为未来需求量及其概率分布的影响因子来进行预测，可以使得未 来需求量及其概率分布的预测更加准确。
可选地，在上述方面的一个示例中，所述需求预测模型包括多种需求 预测模型，所述方法还可以包括：基于所获取的待补货商品的历史销量时 序信息，获取所述待补货商品的销量水平和销量波动系数；根据所获取的 待补货商品的销量水平和销量波动系数，确定所述待补货商品的销售类型； 从所述多种需求预测模型中选取与所确定的销售类型对应的需求预测模 型，以及基于所获取的历史销量时序信息，利用需求预测模型来预测所述待补货商品在预测时间段内的未来需求量及其概率分布可以包括：基于所 获取的历史销量时序信息，利用所选取的需求预测模型来预测所述待补货 商品在预测时间段内的未来需求量及其概率分布。
可选地，在上述方面的一个示例中，所述销量水平包括日均销量水平 和零销量占比。
可选地，在上述方面的一个示例中，所述销量类型可以包括：平稳热 销类型、波动热销类型、平稳普通类型、波动普通类型、平稳滞销类型、 波动滞销类型和离散型销量类型。
可选地，在上述方面的一个示例中，所述需求预测模型可以包括下述 中的一种或多种：可加性模型(Additive模型，Additive Model)、自回归移 动平均模型(ARIMX模型，Autoregressive Integrated Moving Average Model)、三次指数平滑模型(Holt Winters模型，Holt Winters Model)、季 节性自回归移动平均模型(SARIMA模型，SeasonalAutoregressive Integrated Moving Average Model)、移动平均模型(Moving Average模型，Moving Average Model)、泊松模型(Possion模型，Possion Model)、稳健模型(Robust模型，Robust Model)、随机森林模型(RF模型，Random Forecast Model)、 极度梯度下降模型(eXtreme Gradient Boosting模型，eXtreme Gradient Boosting Model)和分位数随机森林模型(QRF模型，Quantile Random Forecast Model)，以及每个销量类型与所述需求预测模型集中的一种或多种 模型对应。
利用上述可选方案，通过基于待补货商品的历史销量时序信息来确定 待补货商品的销售类型，并从多种需求预测模型中选择与该销售类型匹配 的需求预测模型来预测待补货商品在预测时间段内的未来需求量及其概率 分布，可以提高未来需求量及其概率分布的预测准确性。
根据本申请的另一方面，提供了一种用于确定商品补货量的装置，包 括：属性信息获取单元，用于获取待补货商品的属性信息，所述属性信息 至少包括历史销量时序信息、当前库存量和在途库存量；预测单元，用于 基于所获取的历史销量时序信息，利用需求预测模型来预测所述待补货商 品在预测时间段内的未来需求量及其概率分布，其中，所述预测时间段内 的未来需求预测是以预测时间颗粒度为单位来预测的；以及补货量确定单元，用于基于所预测的未来需求量及其概率分布、所述待补货商品的当前 库存量和在途库存量，确定所述待补货商品的补货量。
可选地，在上述方面的一个示例中，所述待补货商品的属性信息还可 以包括所述待补货商品的到货时长和补货周期，以及所述装置还可以包括： 预测时间段确定单元，用于基于所述到货时长和所述补货周期确定所述预 测时间段。
可选地，在上述方面的一个示例中，所述到货时长和所述补货周期是 所述预测时间颗粒度的整数倍，以及所述预测时间段的持续时间为所述到 货时长和所述补货周期之和。
可选地，在上述方面的一个示例中，所述补货量确定单元可以包括： 可能库存量确定模块，用于基于所预测的未来需求量及其概率分布，所述 待补货商品的当前库存量和在途库存量以及所述补货量的各个候选取值， 确定与所述补货量的各个候选取值对应的自当前时间点起经过所述预测时 间段后的各个可能库存量集合，其中，每个可能库存量集合包括在该补货 量候选取值下的所有可能库存量；以及补货量确定模块，用于将满足预定条件的可能库存量集合所对应的补货量的候选取值，确定为所述待补货商 品的补货量。
可选地，在上述方面的一个示例中，所述可能库存量确定模块可以包 括：库存状态点序列获取子模块，用于基于所述到货时长和补货周期，获 取库存状态点序列，所述库存状态点序列中的相邻库存状态点之间间隔一 个预测时间颗粒度；未来需求量样本生成子模块，用于基于所预测的未来 需求量及其概率分布，利用样本生成算法来生成各个库存状态点处的未来 需求量样本；构建子模块，用于利用所获得的各个库存状态点处的未来需求量样本、起始库存状态点对应的当前库存量和在途库存量，构建所述库 存状态点序列中的各个库存状态点之间的库存量转移关系样本路径图；以 及可能库存量确定子模块，用于利用所构建的库存量转移关系样本路径图 以及所述补货量的各个候选取值，确定与所述补货量的各个候选取值对应 的自当前时间点起经过所述预测时间段后的各个可能库存量集合以及每个 可能库存量集合中的各个可能库存量的样本发生数。
可选地，在上述方面的一个示例中，所述预定条件可以包括：库存成 本最小；或者达到预定现货率。
可选地，在上述方面的一个示例中，在所述预定条件是库存成本最小 时，所述补货量确定模块用于：针对各个补货量的候选取值，基于自当前 时间点起经过所述预测时间段后的可能库存量集合中的各个可能库存量的 样本发生数，确定各个可能库存量的发生概率；获取该补货量的候选取值 所对应的自当前时间点起经过所述预测时间段后的可能库存量集合中的各 个可能库存量的库存成本；基于所获取的各个可能库存量的库存成本以及 所确定的该可能库存量的发生概率，确定与该补货量的候选取值对应的可 能库存量集合的库存成本，以及将所确定的可能库存量集合的库存成本中 的最小库存成本所对应的补货量的候选取值，确定为所述待补货商品的补 货量。
可选地，在上述方面的一个示例中，在所述预定条件是达到预定现货 率时，所述补货量确定模块用于：针对各个补货量的候选取值，基于自当 前时间点起经过所述预测时间段后的可能库存量集合中的各个可能库存量 的样本发生数，确定是否达到预定现货率；以及将所确定出的达到所述预 定现货率的补货量的候选取值中的最小候选取值，确定为所述待补货商品 的补货量。
可选地，在上述方面的一个示例中，所述待补货商品的属性信息还可 以包括所述待补货商品的辅助需求预测关联变量信息，以及所述预测单元 用于：基于所获取的历史销量时序信息和所述辅助需求预测关联变量信息， 利用需求预测模型来预测所述待补货商品在预测时间段内的未来需求量及 其概率分布。
可选地，在上述方面的一个示例中，所述需求预测模型包括多种需求 预测模型，所述装置还包括：销售水平及销量波动系数获取单元，用于基 于所获取的待补货商品的历史销量时序信息，获取所述待补货商品的销量 水平和销量波动系数；销售类型确定单元，用于根据所获取的待补货商品 的销量水平和销量波动系数，确定所述待补货商品的销售类型；选取单元， 用于从所述多种需求预测模型中选取与所确定的销售类型对应的需求预测 模型，以及所述预测单元用于：基于所获取的历史销量时序信息，利用所 选取的需求预测模型来预测所述待补货商品在预测时间段内的未来需求量 及其概率分布。
可选地，在上述方面的一个示例中，所述销量类型可以包括：平稳热 销类型、波动热销类型、平稳普通类型、波动普通类型、平稳滞销类型、 波动滞销类型和离散型销量类型，所述需求预测模型包括下述中的至少两 种：可加性模型、自回归移动平均模型、三次指数平滑模型、季节性自回 归移动平均模型、移动平均模型、泊松模型、稳健模型、随机森林模型、 极度梯度下降模型和分位数随机森林模型，以及所述装置还可以包括：存 储单元，用于存储所述销量类型与所述需求预测模型之间的对应关系，其 中，所述销量类型与所述需求预测模型中的一种或多种模型相对应。
根据本申请的另一方面，提供了一种计算设备，包括：一个或多个处 理器，以及与所述一个或多个处理器耦合的存储器，所述存储器存储指令， 当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器 执行如上所述的用于确定商品补货量的方法。
根据本申请的另一方面，提供了一种非暂时性机器可读存储介质，其 存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用 于确定商品补货量的方法。
附图说明
通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一 步理解。在附图中，类似组件或特征可以具有相同的附图标记。
图1示出了根据本申请的用于确定商品补货量的方法的流程图；
图2示出了图1中的用于基于待补货商品的未来需求量及概率分布、 当前库存量和在途库存量来确定待补货商品的补货量的过程的一个实现示 例的流程图；
图3示出了图2中的用于基于待补货商品的未来需求量及概率分布、 当前库存量和在途库存量来确定各个可能库存量集合的过程的一个实现示 例的流程图；
图4A示出了根据本申请的库存量转移关系样本路径图的一个实现示 例的示意图；
图4B示出了根据本申请的库存量转移关系样本路径图的另一实现示 例的示意图；
图5示出了根据本申请的在预定条件是库存成本最小时确定商品补货 量的过程的一个实现示例的流程图；
图6示出了根据本申请的在预定条件是达到预定现货率时确定商品补 货量的过程的一个实现示例的流程图；
图7示出了根据本申请的用于从多种需求预测模型中选取需求预测模 型的过程的流程图；
图8示出了根据本申请的用于确定商品补货量的装置的方框图；
图9示出了图8中的补货确定单元的一个实现示例的方框图；
图10示出了图9中的可能库存量确定模块的一个实现示例的方框图； 和
图11示出了根据本申请的用于确定商品补货量的计算设备的方框图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些 实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述 的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限 制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功 能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过 程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描 述的特征在其它例子中也可以进行组合。
如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包 括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例” 和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至 少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对 象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中 明确地指明，否则一个术语的定义在整个说明书中是一致的。
如本文中所使用的，术语“预测时间颗粒度”是在预测时间段内的未 来需求量值中的每一个需求预测值是多长时间内的需求预测值。例如，假 设预测时间段为3周，预测时间颗粒度为1周，则以预测时间颗粒度为单 位进行预测所得到的需求预测值为：自当前时间点(即，预测开始时间点) 起第一周内的需求预测值、自当前时间点起第二周内的需求预测值以及自 当前时间点起第三周内的需求预测值。
图1示出了根据本申请的用于确定商品补货量的方法的流程图。
如图1所示，在块S110，获取待补货商品的属性信息，所述属性信息 至少包括历史销量时序信息、当前库存量和在途库存量。所述历史销量时 序信息是指用于描述该商品随时间变化的历史销量的信息，比如，在一个 示例中，历史销量时序信息可以是离散数据信息，例如，{(第一周，100 件)，(第二周，50件)，(第三周，80件)，……}。在另一示例中，历史销 量时序信息可以是连续数据信息，例如，由各个离散数据点拟合出的连续 曲线，即，历史销量随时间变化的曲线。当前库存量是指在当前时刻点的 商品库存量。在途库存量是指在当前时刻点之前商家已经发起订货单但在 该当前时刻点时该订货单的商品仍未到店(即，在途)的商品数量。所述 在途库存量可以包括多个订货单所涉及的商品数量。
可选地，在本申请的一个示例中，待补货商品的属性信息还可以包括 到货时长和补货周期。所述到货时长是用于描述从订货单确认时刻起到所 订商品到订货商户所需时长的属性信息。所述补货周期是用于描述订货商 户的订货间隔的属性信息。
可选地，在本申请的另一示例中，待补货商品的属性信息还可以包括 辅助需求预测关联变量信息。所述辅助需求预测关联变量信息是用于描述 可对需求预测产生影响的其他辅助关联变量的属性信息。所述辅助需求预 测关联变量信息例如可以是促销信息、价格信息等。
表1示出了根据本申请的待补货商品的属性信息列表的示意图。如表1 中所示，在所例示的属性信息中，历史销量时序信息、当前库存量和在途 库存量是必选属性信息，而到货时长、补货周期和辅助需求预测关联变量 信息、最小补货量和最小补货单位是可选属性信息。
表1
在获取到待补货商品的历史销量时序信息后，在块S120，基于所获取 的历史销量时序信息，利用需求预测模型来预测所述待补货商品在预测时 间段内的未来需求量及其概率分布，其中，所述预测时间段内的未来需求 预测是以预测时间颗粒度为单位来预测的。例如，假设预测时间段为3周， 预测时间颗粒度为1周，则在所述预测时间段内的未来需求预测是指自当 前时间点起第一周内的未来需求预测，自当前时间点起第二周内的未来需 求以及自当前时间点起第三周内的未来需求预测。在本申请中，针对每个 预测时间颗粒度，利用需求预测模型所预测的所述待补货商品在预测时间 段内的未来需求量可以存在多种未来需求量取值，比如自当前时间点起第 一周的需求量可能为20、30、50和100，并且每个需求量取值对应一个概 率，例如，需求量为20的概率为0.2，需求量为30的概率为0.2，需求量 为50的概率为0.5，以及需求量为100的概率为0.1。此外，利用需求预测 模型所预测出的所有需求量的概率之和等于1。
在本申请的一个示例中，所述预测时间段可以是基于所述到货时长和 所述补货周期来确定。此外，可选地，所述到货时长和所述补货周期是所 述预测时间颗粒度的整数倍，以及所述预测时间段的持续时间为所述到货 时长和所述补货周期之和。所述预测时间颗粒度可以为一天、一周、一个 月、一个季度或者一个其它时间间隔。
在如上预测出所述待补货商品在预测时间段内的未来需求量及其概率 分布之后，在块S130，基于所预测的未来需求量及其概率分布、所述待补 货商品的当前库存量和在途库存量，确定所述待补货商品的补货量。
图2示出了图1中的用于基于待补货商品的未来需求量及概率分布、 当前库存量和在途库存量来确定待补货商品的补货量的过程的一个实现示 例的流程图。
如图2所示，首先，在块S131，获取待补货商品的补货量的各个候选 取值。在一个示例中，补货量的各个候选取值可以是基于所预测的未来需 求量确定出的取值范围中的各个正整数值。例如，假设未来需求量的最大 值为50件，最小值为10件，则取值范围可以是基于未来需求量的最小值 和/或最大值来确定出的，例如，该取值范围为[10，50]，[10，100]，[1， 50]，或[1，100]。或者，在另一示例中，补货量的取值或取值范围可以是 由商品商家从外部输入的。
在获取补货量的各个候选取值后，在块S133，基于所预测的未来需求 量及其概率分布，所述待补货商品的当前库存量和在途库存量以及所述补 货量的各个候选取值，确定与所述补货量的各个候选取值对应的自当前时 间点起经过所述预测时间段后的各个可能库存量集合。这里，每个可能库 存量集合包括在该补货量候选取值下的所有可能库存量。例如，假设预测 时间段为3周，则所确定的库存量集合是与各个候选取值对应的自当前时间点起3周后的各个可能库存量集合。
图3示出了图2中的用于基于待补货商品的未来需求量及概率分布、 当前库存量和在途库存量来确定各个可能库存量集合的过程的一个实现示 例的流程图。
参见图3，在块S1331，基于所述到货时长和补货周期，获取库存状态 点序列，所述库存状态点序列中的相邻库存状态点之间间隔一个预测时间 颗粒度。这里，库存状态点序列中的库存状态点的个数为将所述到货时长 与补货周期之和(即，所述预测时间段)除以预测时间颗粒度所得到的个 数加1。例如，假设到货时长为1周，补货周期为1周，预测时间颗粒度为 1周，则库存状态点序列包括库存状态点T1、T2和T3，其中，T1为当前 时刻(例如，为当前周的周一)，T2为与该当前时刻间隔一周的时刻(即， 下一周的周一)，以及T3为经过预测时间段后的时刻，即，自当前时刻其 经过2周后的时刻(下一周的周末)，T3对应的时刻是第二周的未来需求已 经发生但在途库存量仍未到达的时刻。在这种情况下，利用需求预测模型 所预测的是自T1时刻起未来第一周的未来需求量及其概率分布(即，从 T1到T2之间的未来需求量及其概率分布，假设存在两种未来需求量D11和D12以及对应概率P11和P12，比如{(D11，P11)、(D12，P12)})，以及自 T1时刻起未来第二周的未来需求量及其概率分布(即，从T2到T3之间的 未来需求量及其概率分布，同样，假设存在两种未来需求量D21和D22以及 对应概率P21和P22，比如{(D21，P21)、(D22，P22)})。
接着，在块S1333，基于所预测的未来需求量及其概率分布，利用样本 生成算法来生成各个库存状态点处的未来需求量样本。例如，库存状态点 T1为起始库存状态点，其未来需求量样本为0。库存状态点T2处的未来需 求量样本是利用样本生成算法来基于T1到T2之间的未来需求量及其概率 分布生成的，即，利用样本生成算法来基于D11和D12以及对应概率P11和 P12来生成。例如，假设D11为10，P11为0.8，D12为20，P12为0.2，所生成 的总样本为1000个，则T2处的未来需求量为10的样本个数为接近于800 的一个随机数，以及T2处的未来需求量为20的样本个数为总样本数减去 未来需求量为10的样本个数。同样，库存状态点T3处的未来需求量样本 是利用样本生成算法来基于T2到T3之间的未来需求量及其概率分布生成 的，即，利用样本生成算法来基于D21和D22以及对应概率P21和P22来生成。 例如，假设D21为30，P21为0.3，D22为50，P22为0.7，所生成的总样本为 1000个，则T3处的未来需求量为30的样本个数为接近于300的一个随机 数，以及T3处的未来需求量为50的样本个数为总样本数减去未来需求量 为30的样本个数。在本申请的一个示例中，所述样本生成算法可以是蒙特 卡罗算法。
然后，在S1335，利用所获得的各个库存状态点处的未来需求量样本、 起始库存状态点对应的当前库存量和在途库存量，构建所述库存状态点序 列中的各个库存状态点之间的库存量转移关系样本路径图。这里，一条样 本路径是指利用库存状态起始点，给定补货量的一个候选值和中间每一个 库存状态点对应的一个需求样本，得到的库存状态序列中所有库存状态点 的库存量取值序列。
在一个示例中，如图4A所示，假设样本生成算法所生成的样本总数为 1000，则在从T1到T2的转移中，T2处生成1000个样本{T2,1， T2,2，……T2,1000}，在该1000个样本中，未来需求量为10的样本个数为798， T2处的未来需求量为20的样本个数为202。由此在从T1到T2的转移中， 存在1000个转移路径，即，从T1分别转移到T2,1，T2,2，……T2,1000，每条 转移路径对应一个在T2处的当前库存量样本，即，总共1000个当前库存 量样本。同理，在从T2到T3的转移中，T3处生成1000个样本{T3,1， T3,2，……T3,1000}，在该1000个样本中，未来需求量为30的样本个数为305， 以及未来需求量为50的样本个数为695。类似地，T2处的1000个样本中的每个样本分别转移到T3,1，T3,2，……T3,1000，由此，在T2和T3之间存在 1000×1000条转移路径，每条转移路径对应一个在T3处的当前库存量样本， 即，总共1000000个当前库存量样本。在图4A中示出的从T1经过T2到 T3的一条转移路径称为库存量转移关系样本路径。
在另一示例中，如图4B所示，假设样本生成算法所生成的样本总数为 1000，则在从T1到T2的转移中，T2处生成1000个样本{T2,1， T2,2，……T2,1000}，在该1000个样本中，未来需求量为10的样本个数为798， T2处的未来需求量为20的样本个数为202。由此在从T1到T2的转移中， 存在1000个转移路径，即，从T1分别转移到T2,1，T2,2，……T2,1000，每条 转移路径对应一个在T2处的当前库存量样本，即，总共1000个当前库存 量样本。接着，在从T2到T3的转移中，T3处生成1000个样本{T3,1， T3,2，……T3,1000}，在该1000个样本中，未来需求量为30的样本个数为305， 以及未来需求量为50的样本个数为695。在从T2到T3的转移时，将T2 处的1000个当前库存量样本与T3中的1000个未来需求量样本两两随机配 对，由此，在T2和T3之间形成1000条转移路径，每条转移路径对应一个 在T3处的当前库存量样本，即，总共1000个当前库存量样本。
这里，在上述库存量转移关系样本路径图中，初始库存状态点的当前 库存量是初始当前库存量；中间库存状态点中的每个库存状态点处的当前 库存量样本对应的当前库存量是将前一库存状态点处的当前库存量减去在 该样本转移路径上的与该库存状态点对应的未来需求量之后进行取正操作 后再与在该库存状态点处到达的在途库存量进行求和后得到的；以及结束 库存状态点处的当前库存量样本对应的当前库存量是将前一库存状态点处 的当前库存量减去在该样本转移路径上的与该库存状态点对应的未来需求 量之后得到的。下面采用一个示例来进行说明。
假设待补货商品的预测时间颗粒度为1周，补货周期是1周，到货时 长L为2周，即L＝2，则库存状态点序列为T1、T2、T3和T4，其中T1 是起始库存状态点，T4为结束库存状态点，以及T2和T3是中间库存状态 点。为了描述简便，为每个库存状态点设定一个库存状态变量，例如可以 将起始库存状态点T1的库存状态变量定义为Xt＝(Xt，1，Xt，2)，其中Xt，1表示当 前库存量(即，第t周)，Xt，2表示在途库存量(上一周，即t-1周的补货量， 它将于t+1周到货)。
如果第t周的补货量和需求量分别是Qt，Dt，那么库存状态点T2(即， 第t+1周)的库存状态变量为Xt+1＝((Xt，1-Dt)++Xt，2，Qt)，即，第t+1周的当 前库存量等于第t周期末剩余的库存量加上第t+1周到达的在途库存量，即， (xt,1-Dt)++Xt,2。这里，“+”操作是取正操作，其中如果Xt，1＞Dt，那么 (Xt，1-Dt)+＝Xt，1-Dt；否则(Xt，1-Dt)+＝0。具体地，如果第t周的库存量大于需 求量，那么库存状态点T2的当前库存量等于xt,1-Dt+Xt,2，否则如果第t周 的库存量小于需求量，那么库存状态点T2的当前库存量等于Xt,2。同理， 可以计算出库存状态点T3的当前库存量为((xt,1-Dt)++Xt,2-Dt+1)++Qt，以及 库存状态点T4的当前库存量为((xt,1-Dt)++Xt,2-Dt+1)++Qt-Dt+2。如果 ((xt,1-Dt)++Xt,2-Dt+1)++Qt-Dt+2大于0，则表示第t+2周的库存量满足第t+2 周的未来需求量，否则表示第t+2周没有满足第t+2周的未来需求量，这些 需求将会由于库存量不足而流失。
在如上构建出库存量转移关系样本路径图后，在块S1337，利用所构建 的库存量转移关系样本路径图以及所述补货量的各个候选取值，确定与所 述补货量的各个候选取值对应的自当前时间点起经过所述预测时间段后的 各个可能库存量集合以及每个可能库存量集合中的各个可能库存量的样本 发生数。这里，自当前时间点起经过所述预测时间段后的各个可能库存量 集合以及每个可能库存量集合中的各个可能库存量的样本发生数是如上面 描述的库存量转移关系样本路径图中的结束库存状态点所对应的可能库存 量集合以及每个可能库存量集合中的各个可能库存量的样本发生数。
这里要说明的是，在本申请的一个示例中，也可以不需要执行块S1331 的操作。在这种情况下，补货量的各个候选取值可以是大于等于1的所有 正整数。
然后，在块S135，将满足预定条件的自当前时间点起经过所述预测时 间段后的可能库存量集合所对应的补货量的候选取值，确定为所述待补货 商品的补货量。在本申请的一个示例中，所述预定条件可以包括：库存成 本最小；或者达到预定现货率。在本申请中，库存成本包括库存持货成本 和库存缺货成本，所述库存持货成本是指自当前时间点起经过所述预测时 间段后的库存量(即，T4处的库存量)大于零时发生的库存成本，以及所 述库存缺货成本是指自当前时间点起经过所述预测时间段后的库存量(即， T4处的库存量)小于零时发生的库存成本。现货率是指商家满足订单(即， 未来需求)的概率。现货率通常利用满足订单的样本数除以总样本数来表 示，其通常为百分数。
图5示出了根据本申请的在预定条件是库存成本最小时确定商品补货 量的过程的一个实现示例的流程图。
如图5所示，执行块S510到S540的操作，直到针对补货量的每个候 选取值都计算出了对应的库存成本。
具体地，在块S510，基于当前候选取值对应的自当前时间点起经过所 述预测时间段后的可能库存量集合中的各个可能库存量的样本发生数，确 定各个可能库存量的发生概率。这里，发生概率是将该可能库存量的样本 发生数除以总样本数得到的。
接着，在块S520，获取该补货量的候选取值所对应的自当前时间点起 经过所述预测时间段后的可能库存量集合中的各个可能库存量的库存成 本。具体地，当自当前时间点起经过所述预测时间段后的可能库存量大于0 时，计算库存持货成本，以及当自当前时间点起经过所述预测时间段后的 可能库存量小于0时，计算库存缺货成本。
在本申请中，库存持货成本可以包括商品库存占用的资金成本，库存 服务成本(保险和税费)，仓储成本以及库存风险成本。在一个示例中，该 库存持货成本可以利用采购成本乘以一个系数(如30％/年)来计算出。在 另一示例中，库存持货成本也可以采用本领域中的其他适用方法来计算出。 库存缺货成本可以包括由于供应不足所导致的失销成本或延期交货及名誉 损失成本。在一个示例中，该库存持货成本可以利用平均商品毛利乘以一 个系数(如1.5)来计算出。在另一示例中，库存缺货成本也可以采用本领 域中的其他适用方法来计算出。
然后，在块S530，基于所获取的各个可能库存量的库存成本以及所确 定的该可能库存量的发生概率，确定与该补货量的候选取值对应的可能库 存量集合的库存成本。例如，将各个可能库存量的库存成本与其对应发生 概率相乘后，然后将所得到的乘积求和来得到与该候选取值对应的可能库 存量集合的库存成本。
接着，在块S540，判断是否针对所有候选取值都计算出对应的库存成 本。如果判断结果为否，则返回到块S510，针对下一候选取值，重行执行 库存成本计算过程。如果判断结果为是，则进行到块S550。
在块550，将所确定的可能库存量集合的库存成本中的最小库存成本所 对应的补货量的候选取值，确定为所述待补货商品的补货量。
图6示出了根据本申请的在预定条件是达到预定现货率时确定商品补 货量的过程的一个实现示例的流程图。
如图6所示，在块S610，针对各个补货量的候选取值，基于自当前时 间点起经过所述预测时间段后的可能库存量集合中的各个可能库存量的样 本发生数，确定是否达到预定现货率。例如，将自当前时间点起经过所述 预测时间段后的可能库存量集合中的大于0的可能库存量的样本发生数相 加，然后将相加之后得到的和值除以总样本数得到当前现货率。接着，将 所得到的当前现货率与预定现货率进行比较，以确定是否达到预定现货率。
然后，在块S620，将所确定出的达到所述预定现货率的补货量的候选 取值中的最小候选取值，确定为所述待补货商品的补货量。
在本申请中，所述需求预测模型可以包括下述需求预测模型中的一种 或多种：Additive模型、ARIMX模型、Holt Winters模型、SARIMA模型、 Moving Average模型、Possion模型、Robust模型、RF模型、eXtreme Gradient Boosting模型和QRF模型。这里，预测预测时间段内的未来需求量及其概 率分布例如是预测自当前时刻起的预测时间段内的未来需求量及其概率分 布，比如自当前时刻起的未来第一周的未来需求量及其概率分布、未来第 二周的未来需求量及其概率分布、未来第三周的未来需求量及其概率分布 等，如此类似。在上面的描述中，是以一周为预测时间颗粒度。在其它示 例中，也可以以其它时间间隔为预测时间颗粒度。
在上述需求预测模型中，Additive模型、ARIMAX模型、HoltWinter 模型、SARIMA模型和Moving Average模型适用于基于正态分布假设来预 测未来需求量的均值和标准差，从而确定未来需求量及其概率分布。Possion 模型适用于基于泊松分布来预测未来需求量及其概率分布。Robust算法适 用于利用分位数估计来预测未来需求量及其概率分布。RF算法和XgBoost 算法适用于利用仿真方法来预测未来需求量及其概率分布。QRF模型适用 于利用分位数估计来预测未来需求量及其概率分布。
此外，通过研究可知，上述需求预测模型中的每种需求预测模型适合 于针对一种或多种特定商品销售类型的预测。表2示出了根据本申请的销 售类型与需求预测模型的对应关系。
销售类型 对应预测模型
平稳热销 Additive/ARIMAX
波动热销 HoltWinter/SARIMA/RF/XgBoost/QRF
平稳普通 Additive/ARIMAX/QRF
波动普通 Moving Average/Robust/RF/XgBoost/QRF
平稳滞销 Moving Average/Robust/QRF
波动滞销 Robust
离散型销量 Possion/Robust
表2
在需求预测模型包括多种需求预测模型的情况下，在利用需求预测模 型预测所述待补货商品在预测时间段内的未来需求量及其概率分布之前， 根据本申请的方法还可以包括用于从多种需求预测模型中选取需求预测模 型的过程。图7示出了根据本申请的用于从多种需求预测模型中选取需求 预测模型的过程的流程图。
如图7所示，在块S710，基于所获取的待补货商品的历史销量时序信 息，获取所述待补货商品的销量水平和销量波动系数。在一个示例中，所 述销量水平可以包括日均销量水平和零销量占比。所述销量波动系数是用 于反映销量波动的参数，其可以利用历史销量时序数据的标准差除以均值 来计算出。
接着，在块S720，根据所获取的待补货商品的销量水平和销量波动系 数，确定所述待补货商品的销售类型。在一个示例中，所述销量类型可以 包括：平稳热销类型、波动热销类型、平稳普通类型、波动普通类型、平 稳滞销类型、波动滞销类型和离散型销量类型。表3示出了销售类型及其 对应定义的一个示例。
表3
在本申请的一个示例中，第一预定销量例如为100，第二预定销量例如 为10，第一预定值例如为1，以及第二预定值例如为0.5。
然后，在S730中，从所述多种需求预测模型中选取与所确定的销售类 型对应的需求预测模型。这里，需求预测模型可以与销售类型对应地存储 在补货量确定装置中。
在如上选取出需求预测模型后，在块S120，基于所获取的历史销量时 序信息，利用所选取的需求预测模型来预测所述待补货商品在预测时间段 内的未来需求量及其概率分布。
如上参照图1到图7描述了根据本申请的用于确定商品补货量的方法。 下面将结合图8到图10描述根据本申请的用于确定商品补货量的装置。
图8示出了根据本申请的用于确定商品补货量的装置(下文中称为补 货量确定装置800)的方框图。如图8所示，补货量确定装置800包括属性 信息获取单元810、预测单元820和补货量确定单元830。
属性信息获取单元810用于获取待补货商品的属性信息，所述属性信 息至少包括历史销量时序信息、当前库存量和在途库存量。属性信息获取 单元810的操作类似于上面参照图1中的块S110的操作。
预测单元820用于基于所获取的历史销量时序信息，利用需求预测模 型来预测所述待补货商品在预测时间段内的未来需求量及其概率分布，其 中，所述预测时间段内的未来需求预测是以预测时间颗粒度为单位来预测 的。预测单元820的操作类似于上面参照图1中的块S120的操作。
补货量确定单元830用于基于所预测的未来需求量及其概率分布、所 述待补货商品的当前库存量和在途库存量，确定所述待补货商品的补货量。 补货量确定单元830的操作类似于上面参照图1中的块S130的操作。
图9示出了图8中的补货确定单元830的一个实现示例的方框图。如 图8所示，补货确定单元830包括可能库存量确定模块831和补货量确定 模块833。
可能库存量确定模块831用于基于所预测的未来需求量及其概率分布， 所述待补货商品的当前库存量和在途库存量以及所述补货量的各个候选取 值，确定与所述补货量的各个候选取值对应的自当前时间点起经过预测时 间段后的各个可能库存量集合，其中，每个可能库存量集合包括在该补货 量候选取值下的所有可能库存量。可能库存量确定模块831的操作类似于 上面参照图2中的块S133的操作。
补货量确定模块833用于将满足预定条件的可能库存量集合所对应的 补货量的候选取值，确定为所述待补货商品的补货量。补货量确定模块833 的操作类似于上面参照图2中的块S135的操作。
图10示出了图9中的可能库存量确定模块831的一个实现示例的方框 图。如图10所示，可能库存量确定模块831包括库存状态点序列获取子模 块835、未来需求量样本生成模块836、构建子模块837和可能库存量确定 子模块838。
库存状态点序列获取子模块835用于基于所述到货时长和补货周期， 获取库存状态点序列，所述库存状态点序列中的相邻库存状态点之间间隔 一个预测时间颗粒度。库存状态点序列获取子模块835的操作类似于上面 参照图3描述的块S1331的操作。
未来需求量样本生成子模块836用于基于所预测的未来需求量及其概 率分布，利用样本生成算法来生成各个库存状态点处的未来需求量样本。 未来需求量样本生成子模块836的操作类似于上面参照图3描述的块S1333 的操作。
构建子模块837用于利用所获得的各个库存状态点处的未来需求量样 本、起始库存状态点对应的当前库存量和在途库存量，构建所述库存状态 点序列中的各个库存状态点之间的库存量转移关系样本路径图。构建子模 块837的操作类似于上面参照图3描述的块S1335的操作。
可能库存量确定子模块838用于利用所构建的库存量转移关系样本路 径图以及所述补货量的各个候选取值，确定与所述补货量的各个候选取值 对应的自当前时间点起经过预测时间段后的各个可能库存量集合以及每个 可能库存量集合中的各个可能库存量的样本发生数。可能库存量确定子模 块838的操作类似于上面参照图3描述的块S1337的操作。
此外，在所述待补货商品的属性信息还包括所述待补货商品的到货时 长和补货周期时，补货量确定装置800还可以包括预测时间段确定单元840， 用于基于所述到货时长和所述补货周期确定所述预测时间段。
此外，可选地，所述到货时长和所述补货周期是所述预测时间颗粒度 的整数倍，以及所述预测时间段的持续时间为所述到货时长和所述补货周 期之和。
此外，可选地，所述预定条件可以包括：库存成本最小；或者达到预 定现货率。
此外，可选地，在所述预定条件是库存成本最小时，补货量确定模块 833用于：针对各个补货量的候选取值，基于自当前时间点起经过预测时间 段后的可能库存量集合中的各个可能库存量的样本发生数，确定各个可能 库存量的发生概率；获取该补货量的候选取值所对应的自当前时间点起经 过预测时间段后的可能库存量集合中的各个可能库存量的库存成本；基于 所获取的各个可能库存量的库存成本以及所确定的该可能库存量的发生概 率，确定与该补货量的候选取值对应的可能库存量集合的库存成本，以及 将所确定的可能库存量集合的库存成本中的最小库存成本所对应的补货量 的候选取值，确定为所述待补货商品的补货量。
此外，可选地，在所述预定条件是达到预定现货率时，补货量确定模 块833用于：针对各个补货量的候选取值，基于自当前时间点起经过预测 时间段后的可能库存量集合中的各个可能库存量的样本发生数，确定是否 达到预定现货率；以及将所确定出的达到所述预定现货率的补货量的候选 取值中的最小候选取值，确定为所述待补货商品的补货量。
此外，可选地，补货量确定单元830还可以包括获取模块(未示出)， 用于获取所述补货量的各个候选取值。
此外，可选地，所述待补货商品的属性信息还包括所述待补货商品的 辅助需求预测关联变量信息。在所述待补货商品的属性信息包括所述待补 货商品的辅助需求预测关联变量信息时，预测单元820用于：基于所获取 的历史销量时序信息和所述辅助需求预测关联变量信息，利用需求预测模 型来预测所述待补货商品在预测时间段内的未来需求量及其概率分布。
此外，可选地，在需求预测模型包括多种需求预测模型时，补货量确 定装置800还可以包括销售水平及销量波动系数获取单元850、销售类型确 定单元860和选取单元870。
销售水平及销量波动系数获取单元850用于基于所获取的待补货商品 的历史销量时序信息，获取所述待补货商品的销量水平和销量波动系数。 销售水平及销量波动系数获取单元850的操作类似于上面参照图7描述的 块S710的操作。
销售类型确定单元860用于根据所获取的待补货商品的销量水平和销 量波动系数，确定所述待补货商品的销售类型。销售类型确定单元860的 操作类似于上面参照图7描述的块S720的操作。
选取单元870用于从所述多种需求预测模型中选取与所确定的销售类 型对应的需求预测模型。选取单元870的操作类似于上面参照图7描述的 块S730的操作。
在选取单元870选取出需求预测模型后，预测单元820基于所获取的 历史销量时序信息，利用所选取的需求预测模型来预测所述待补货商品在 预测时间段内的未来需求量及其概率分布。
此外，可选地，所述销量类型可以包括：平稳热销类型、波动热销类 型、平稳普通类型、波动普通类型、平稳滞销类型、波动滞销类型和离散 型销量类型。所述需求预测模型可以包括下述中的一种或多种：可加性模 型、自回归移动平均模型、三次指数平滑模型、季节性自回归移动平均模 型、移动平均模型、泊松模型、稳健模型、随机森林模型、极度梯度下降 模型和分位数随机森林模型。相应地，补货量确定装置800还可以包括存 储单元880，用于存储所述销量类型与所述需求预测模型之间的对应关系， 其中，所述销量类型与所述需求预测模型集中的一种或多种模型相对应。
如上参照图1到图10，对根据本申请的用于确定商品补货量的方法和 装置的实施例进行了描述。上面的商品补货量确定装置可以采用硬件实现， 也可以采用软件或者硬件和软件的组合来实现。
在本申请中，商品补货量确定装置可以利用计算设备实现。图11示出 了根据本申请的实施例的用于确定商品补货量的计算设备1100的方框图。 根据一个实施例，计算设备1100可以包括一个或多个处理器1110，该一个 或多个处理器1110执行在计算机可读存储介质(即，存储器1120)中存储 或编码的一个或多个计算机可读指令(即，上述以软件形式实现的元素)。
在一个实施例中，在存储器1120中存储计算机可执行指令，其当执行 时使得一个或多个处理器1110：获取待补货商品的属性信息，所述属性信 息至少包括历史销量时序信息、当前库存量和在途库存量；基于所获取的 历史销量时序信息，利用需求预测模型来预测所述待补货商品在预测时间 段内的未来需求量及其概率分布，其中，所述预测时间段内的未来需求预 测是以预测时间颗粒度为单位来预测的；以及基于所预测的未来需求量及其概率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补 货商品的补货量。
应该理解，在存储器1120中存储的计算机可执行指令当执行时使得一 个或多个处理器1110进行本申请的各个实施例中以上结合图1-10描述的各 种操作和功能。
根据一个实施例，提供了一种比如非暂时性机器可读介质的程序产品。 非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)， 该指令当被机器执行时，使得机器执行本申请的各个实施例中以上结合图 1-10描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统 或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功 能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存 储在该可读存储介质中的指令。
在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中 任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存 储介质构成了本发明的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、 CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、 非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或 云上下载程序代码。
本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明 实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附 的权利要求书来限定。
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元 都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺 序不是固定的，可以根据需要进行调整。上述各实施例中描述的装置结构 可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体 实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独 立设备中的某些部件共同实现。
以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。 例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如 专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元或处理器还可 以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软 件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用 的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示 可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明 书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着 比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目 的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况 下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实 现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进 行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范 围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开 内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新 颖性特征的最广范围相一致。

Claims (30)

1.一种用于确定商品补货量的方法，包括：
获取待补货商品的属性信息，所述属性信息至少包括历史销量时序信息、当前库存量和在途库存量；
基于所获取的历史销量时序信息，利用需求预测模型来预测所述待补货商品在预测时间段内的未来需求量及其概率分布，其中，所述预测时间段内的未来需求预测是以预测时间颗粒度为单位来预测的；以及
基于所预测的未来需求量及其概率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补货商品的补货量。
2.如权利要求1所述的方法，其中，所述待补货商品的属性信息还包括所述待补货商品的到货时长和补货周期，以及所述预测时间段是基于所述到货时长和所述补货周期确定的。
3.如权利要求2所述的方法，其中，所述到货时长和所述补货周期是所述预测时间颗粒度的整数倍，以及所述预测时间段的持续时间为所述补货周期和所述到货时长之和。
4.如权利要求2所述的方法，其中，基于所预测的未来需求量及其概率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补货商品的补货量包括：
基于所预测的未来需求量及其概率分布，所述待补货商品的当前库存量和在途库存量以及所述补货量的各个候选取值，确定与所述补货量的各个候选取值对应的自当前时间点起经过所述预测时间段后的各个可能库存量集合，其中，每个可能库存量集合包括在该补货量候选取值下的所有可能库存量；以及
将满足预定条件的可能库存量集合所对应的补货量的候选取值，确定为所述待补货商品的补货量。
5.如权利要求4所述的方法，其中，基于所预测的未来需求量及其概率分布，所述待补货商品的当前库存量和在途库存量以及所述补货量的各个候选取值，确定与所述补货量的各个取值对应的自当前时间点起经过所述预测时间段后的各个可能库存量集合包括：
基于所述到货时长和补货周期，获取库存状态点序列，所述库存状态点序列中的相邻库存状态点之间间隔一个预测时间颗粒度；
基于所预测的未来需求量及其概率分布，利用样本生成算法来生成各个库存状态点处的未来需求量样本；
利用所生成的各个库存状态点处的未来需求量样本、起始库存状态点对应的当前库存量和在途库存量，构建所述库存状态点序列中的各个库存状态点之间的库存量转移关系样本路径图；以及
利用所构建的库存量转移关系样本路径图以及所述补货量的各个候选取值，确定与所述补货量的各个候选取值对应的自当前时间点起经过所述预测时间段后的各个可能库存量集合以及每个可能库存量集合中的各个可能库存量的样本发生数。
6.如权利要求5所述的方法，其中，所述样本生成算法是蒙特卡罗算法。
7.如权利要求5所述的方法，其中，所述预定条件包括：
库存成本最小；或者
达到预定现货率。
8.如权利要求7所述的方法，其中，在所述预定条件是库存成本最小时，将满足预定条件的可能库存量集合所对应的补货量的候选取值，确定为所述待补货商品的补货量包括：
针对各个补货量的候选取值，
基于自当前时间点起经过预测时间段后的可能库存量集合中的各个可能库存量的样本发生数，确定各个可能库存量的发生概率；
获取该补货量的候选取值所对应的自当前时间点起经过预测时间段后的可能库存量集合中的各个可能库存量的库存成本；
基于所获取的各个可能库存量的库存成本以及所确定的该可能库存量的发生概率，确定与该补货量的候选取值对应的可能库存量集合的库存成本，以及
将所确定的可能库存量集合的库存成本中的最小库存成本所对应的补货量的候选取值，确定为所述待补货商品的补货量。
9.如权利要求8所述的方法，其中，所述库存成本包括库存持货成本和库存缺货成本，所述库存持货成本是指自当前时间点起经过预测时间段后的库存量大于零时发生的库存成本，以及所述库存缺货成本是指自当前时间点起经过预测时间段后的库存量小于零时发生的库存成本。
10.如权利要求7所述的方法，其中，在所述预定条件是达到预定现货率时，将满足预定条件的可能库存量集合所对应的补货量的候选取值，确定为所述待补货商品的补货量包括：
针对各个补货量的候选取值，基于自当前时间点起经过预测时间段后的可能库存量集合中的各个可能库存量的样本发生数，确定是否达到预定现货率；以及
将所确定出的达到所述预定现货率的补货量的候选取值中的最小候选取值，确定为所述待补货商品的补货量。
11.如权利要求4所述的方法，基于所预测的未来需求量及其概率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补货商品的补货量还包括：
获取所述补货量的各个候选取值。
12.如权利要求1所述的方法，其中，所述待补货商品的属性信息还包括所述待补货商品的辅助需求预测关联变量信息，以及
基于所获取的历史销量时序信息，利用需求预测模型来预测所述待补货商品在所述预测时间段内的未来需求量及其概率分布包括：
基于所获取的历史销量时序信息和所述辅助需求预测关联变量信息，利用需求预测模型来预测所述待补货商品在所述预测时间段内的未来需求量及其概率分布。
13.如权利要求1所述的方法，其中，所述需求预测模型包括多种需求预测模型，所述方法还包括：
基于所获取的待补货商品的历史销量时序信息，获取所述待补货商品的销量水平和销量波动系数；
根据所获取的待补货商品的销量水平和销量波动系数，确定所述待补货商品的销售类型；
从所述多种需求预测模型中选取与所确定的销售类型对应的需求预测模型，以及
基于所获取的历史销量时序信息，利用需求预测模型来预测所述待补货商品在所述预测时间段内的未来需求量及其概率分布包括：
基于所获取的历史销量时序信息，利用所选取的需求预测模型来预测所述待补货商品在所述预测时间段内的未来需求量及其概率分布。
14.如权利要求13所述的方法，其中，所述销量水平包括日均销量水平和零销量占比。
15.如权利要求14所述的方法，其中，所述销量类型包括：平稳热销类型、波动热销类型、平稳普通类型、波动普通类型、平稳滞销类型、波动滞销类型和离散型销量类型。
16.如权利要求15所述的方法，其中，所述需求预测模型包括下述中的一种或多种：可加性模型、自回归移动平均模型、三次指数平滑模型、季节性自回归移动平均模型、移动平均模型、泊松模型、稳健模型、随机森林模型、极度梯度下降模型和分位数随机森林模型，以及每个销量类型与所述需求预测模型中的一种或多种模型对应。
17.一种用于确定商品补货量的装置，包括：
属性信息获取单元，用于获取待补货商品的属性信息，所述属性信息至少包括历史销量时序信息、当前库存量和在途库存量；
预测单元，用于基于所获取的历史销量时序信息，利用需求预测模型来预测所述待补货商品在预测时间段内的未来需求量及其概率分布，其中，所述预测时间段内的未来需求预测是以预测时间颗粒度为单位来预测的；以及
补货量确定单元，用于基于所预测的未来需求量及其概率分布、所述待补货商品的当前库存量和在途库存量，确定所述待补货商品的补货量。
18.如权利要求17所述的装置，其中，所述待补货商品的属性信息还包括所述待补货商品的到货时长和补货周期，以及所述装置还包括：
预测时间段确定单元，用于基于所述到货时长和所述补货周期确定所述预测时间段。
19.如权利要求18所述的装置，其中，所述到货时长和所述补货周期是预测时间颗粒度的整数倍，以及所述预测时间段的持续时间为所述到货时长和所述补货周期之和。
20.如权利要求19所述的装置，其中，所述补货量确定单元包括：
可能库存量确定模块，用于基于所预测的未来需求量及其概率分布，所述待补货商品的当前库存量和在途库存量以及所述补货量的各个候选取值，确定与所述补货量的各个候选取值对应的自当前时间点起经过所述预测时间段后的各个可能库存量集合，其中，每个可能库存量集合包括在该补货量候选取值下的所有可能库存量；以及
补货量确定模块，用于将满足预定条件的可能库存量集合所对应的补货量的候选取值，确定为所述待补货商品的补货量。
21.如权利要求20所述的装置，其中，所述可能库存量确定模块包括：
库存状态点序列获取子模块，用于基于所述到货时长和补货周期，获取库存状态点序列，所述库存状态点序列中的相邻库存状态点之间间隔一个预测时间颗粒度；
未来需求量样本生成子模块，用于基于所预测的未来需求量及其概率分布，利用样本生成算法来生成各个库存状态点处的未来需求量样本；
构建子模块，用于利用所获得的各个库存状态点处的未来需求量样本、起始库存状态点对应的当前库存量和在途库存量，构建所述库存状态点序列中的各个库存状态点之间的库存量转移关系样本路径图；以及
可能库存量确定子模块，用于利用所构建的库存量转移关系样本路径图以及所述补货量的各个候选取值，确定与所述补货量的各个候选取值对应的自当前时间点起经过所述预测时间段后的各个可能库存量集合以及每个可能库存量集合中的各个可能库存量的样本发生数。
22.如权利要求21所述的装置，其中，所述预定条件包括：
库存成本最小；或者
达到预定现货率。
23.如权利要求22所述的装置，其中，在所述预定条件是库存成本最小时，所述补货量确定模块用于：
针对各个补货量的候选取值，
基于自当前时间点起经过预测时间段后的可能库存量集合中的各个可能库存量的样本发生数，确定各个可能库存量的发生概率；
获取该补货量的候选取值所对应的自当前时间点起经过预测时间段后的可能库存量集合中的各个可能库存量的库存成本；
基于所获取的各个可能库存量的库存成本以及所确定的该可能库存量的发生概率，确定与该补货量的候选取值对应的可能库存量集合的库存成本，以及
将所确定的可能库存量集合的库存成本中的最小库存成本所对应的补货量的候选取值，确定为所述待补货商品的补货量。
24.如权利要求22所述的装置，其中，在所述预定条件是达到预定现货率时，所述补货量确定模块用于：
针对各个补货量的候选取值，基于自当前时间点起经过预测时间段后的可能库存量集合中的各个可能库存量的样本发生数，确定是否达到预定现货率；以及
将所确定出的达到所述预定现货率的补货量的候选取值中的最小候选取值，确定为所述待补货商品的补货量。
25.如权利要求20所述的装置，其中，所述补货量确定单元还包括：
获取模块，用于获取所述补货量的各个候选取值。
26.如权利要求17所述的装置，其中，所述待补货商品的属性信息还包括所述待补货商品的辅助需求预测关联变量信息，以及
所述预测单元用于：
基于所获取的历史销量时序信息和所述辅助需求预测关联变量信息，利用需求预测模型来预测所述待补货商品在预测时间段内的未来需求量及其概率分布。
27.如权利要求17所述的装置，其中，所述需求预测模型包括多种需求预测模型，所述装置还包括：
销售水平及销量波动系数获取单元，用于基于所获取的待补货商品的历史销量时序信息，获取所述待补货商品的销量水平和销量波动系数；
销售类型确定单元，用于根据所获取的待补货商品的销量水平和销量波动系数，确定所述待补货商品的销售类型；
选取单元，用于从所述多种需求预测模型中选取与所确定的销售类型对应的需求预测模型，以及
所述预测单元用于：
基于所获取的历史销量时序信息，利用所选取的需求预测模型来预测所述待补货商品在所述预测时间段内的未来需求量及其概率分布。
28.如权利要求27所述的装置，其中，所述销量类型包括：平稳热销类型、波动热销类型、平稳普通类型、波动普通类型、平稳滞销类型、波动滞销类型和离散型销量类型，所述需求预测模型包括下述中的至少两种：可加性模型、自回归移动平均模型、三次指数平滑模型、季节性自回归移动平均模型、移动平均模型、泊松模型、稳健模型、随机森林模型、极度梯度下降模型和分位数随机森林模型，以及所述装置还包括：
存储单元，用于存储所述销量类型与所述需求预测模型之间的对应关系，其中，所述销量类型与所述需求预测模型中的一种或多种模型相对应。
29.一种计算设备，包括：
一个或多个处理器，以及
与所述一个或多个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1到16中任一所述的方法。
30.一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到16中任一所述的方法。
CN201810309365.0A 2018-04-09 2018-04-09 用于确定商品补货量的方法及装置 Active CN110363454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810309365.0A CN110363454B (zh) 2018-04-09 2018-04-09 用于确定商品补货量的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810309365.0A CN110363454B (zh) 2018-04-09 2018-04-09 用于确定商品补货量的方法及装置

Publications (2)

Publication Number Publication Date
CN110363454A true CN110363454A (zh) 2019-10-22
CN110363454B CN110363454B (zh) 2022-01-11

Family

ID=68213498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810309365.0A Active CN110363454B (zh) 2018-04-09 2018-04-09 用于确定商品补货量的方法及装置

Country Status (1)

Country Link
CN (1) CN110363454B (zh)

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062669A (zh) * 2019-12-20 2020-04-24 北京每日优鲜电子商务有限公司 业务处理方法、装置、存储介质及服务器
CN111062756A (zh) * 2019-12-17 2020-04-24 深圳市承和润文化传播股份有限公司 一种销售数据分析方法及系统
CN111242531A (zh) * 2020-01-03 2020-06-05 秒针信息技术有限公司 一种原料管控方法、装置和电子设备
CN111260142A (zh) * 2020-01-19 2020-06-09 杭州网易再顾科技有限公司 商品指标数据预测方法、装置、存储介质及电子设备
CN111310977A (zh) * 2020-01-20 2020-06-19 重庆亚德科技股份有限公司 基于大数据的药品库存预测系统及方法
CN111401636A (zh) * 2020-03-16 2020-07-10 第四范式（北京）技术有限公司 实现连锁商家智能补货的方法及系统
CN111445133A (zh) * 2020-03-26 2020-07-24 珠海随变科技有限公司 一种材料管理方法、装置、计算机设备和存储介质
CN111680955A (zh) * 2020-08-11 2020-09-18 南京云联数科科技有限公司 用于库存信息处理的方法、计算设备和计算机存储介质
CN111915261A (zh) * 2020-08-10 2020-11-10 辉岭加拿大有限公司 一种医学实验室耗材定数管理算法
CN111932187A (zh) * 2020-09-24 2020-11-13 北京每日优鲜电子商务有限公司 库存相关信息显示方法、装置、电子设备和可读介质
CN112085442A (zh) * 2020-08-27 2020-12-15 北京每日优鲜电子商务有限公司 设备操作方法、装置、电子设备和计算机可读介质
CN112581057A (zh) * 2020-12-15 2021-03-30 深圳千岸科技股份有限公司 智能备货方法、装置、计算机设备及存储介质
CN112581182A (zh) * 2020-12-24 2021-03-30 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
CN112598096A (zh) * 2020-12-15 2021-04-02 广州若羽臣科技股份有限公司 一种基于商品大数据的电子价签更新方法及系统
CN112712222A (zh) * 2019-10-24 2021-04-27 北京沃东天骏信息技术有限公司 物品调度方法和系统
CN112884393A (zh) * 2020-03-19 2021-06-01 上海爱奇尔贸易有限公司 一种库存补货方法、装置和电子设备
CN112884389A (zh) * 2019-11-29 2021-06-01 北京沃东天骏信息技术有限公司 数据处理方法和装置
CN112906925A (zh) * 2019-11-19 2021-06-04 北京沃东天骏信息技术有限公司 货物补充方法、装置和计算机可读存储介质
CN112950267A (zh) * 2021-02-26 2021-06-11 北京京东乾石科技有限公司 一种信息生成方法、装置、终端设备及存储介质
CN113177824A (zh) * 2021-05-06 2021-07-27 北京沃东天骏信息技术有限公司 补货任务处理方法、装置、计算机系统和可读存储介质
CN113298546A (zh) * 2020-05-29 2021-08-24 阿里巴巴集团控股有限公司 销量预测方法及装置、商品处理方法及装置
CN113450047A (zh) * 2020-03-27 2021-09-28 北京沃东天骏信息技术有限公司 用于电子补货设备的处理方法和装置、电子补货设备
CN113450042A (zh) * 2020-03-25 2021-09-28 北京京东乾石科技有限公司 一种确定补货量的方法和装置
CN113537861A (zh) * 2020-04-16 2021-10-22 北京京东振世信息技术有限公司 补货方法和补货装置
CN113537850A (zh) * 2020-04-14 2021-10-22 顺丰科技有限公司 仓储优化方法、装置、计算机设备和存储介质
CN113537890A (zh) * 2021-07-16 2021-10-22 国网江苏省电力有限公司 电力仓储中安全库存的计算方法
CN113592153A (zh) * 2021-07-07 2021-11-02 杉数科技(北京)有限公司 一种分货方法、装置、介质及计算机设备
CN113657667A (zh) * 2021-08-17 2021-11-16 北京沃东天骏信息技术有限公司 一种数据处理方法、装置、设备及存储介质
CN113743862A (zh) * 2021-08-06 2021-12-03 杉数科技(北京)有限公司 基于产品分类的产品目标库存确定方法及系统
CN113763001A (zh) * 2020-08-24 2021-12-07 北京沃东天骏信息技术有限公司 数据显示方法及装置
CN113762885A (zh) * 2021-06-30 2021-12-07 北京京东振世信息技术有限公司 补货量确定方法、装置、设备、存储介质及程序产品
CN113762832A (zh) * 2020-08-10 2021-12-07 北京沃东天骏信息技术有限公司 库存信息处理方法、装置、存储介质及电子设备
CN113780611A (zh) * 2020-12-10 2021-12-10 北京沃东天骏信息技术有限公司 一种库存管理方法和装置
CN113823395A (zh) * 2021-11-25 2021-12-21 天津医药集团众健康达医疗器械有限公司 一种医用耗材的备货方法、系统、终端设备及存储介质
CN113822610A (zh) * 2020-06-19 2021-12-21 上海顺如丰来技术有限公司 库存优化方法、装置、计算机设备和存储介质
CN113902188A (zh) * 2021-10-08 2022-01-07 国网江苏省电力有限公司镇江供电分公司 一种电能计量物资需求预测方法
CN113919764A (zh) * 2020-07-07 2022-01-11 上海顺如丰来技术有限公司 仓内补货量确定方法、装置、计算机设备及存储介质
CN113935672A (zh) * 2020-07-13 2022-01-14 上海顺如丰来技术有限公司 自动补货方法、装置、计算机设备及存储介质
CN113947341A (zh) * 2020-07-17 2022-01-18 上海顺如丰来技术有限公司 供应链补货方法、装置、计算机设备和存储介质
CN113988768A (zh) * 2021-12-27 2022-01-28 北京京东振世信息技术有限公司 一种库存的确定方法和装置
CN114139825A (zh) * 2021-12-09 2022-03-04 国连科技(浙江)有限公司 一种基于商品易货稳定性的易货库存管理方法及装置
CN114757703A (zh) * 2022-04-14 2022-07-15 荃豆数字科技有限公司 一种中药商品的补货方法、装置、电子设备及存储介质
WO2023093567A1 (zh) * 2021-11-25 2023-06-01 北京京东振世信息技术有限公司 物品库存的控制方法、装置、设备及介质
CN116342042A (zh) * 2023-05-25 2023-06-27 北京京东乾石科技有限公司 一种补货方法及装置、存储介质
CN116911742A (zh) * 2023-08-04 2023-10-20 杭州聚水潭网络科技有限公司 一种电商补货方法、系统及设备
CN116993271A (zh) * 2023-09-26 2023-11-03 无锡容智技术有限公司 一种基于大数据的打印机零件移仓方法及系统
CN117273599A (zh) * 2023-08-22 2023-12-22 昆仑数智科技有限责任公司 一种商品需求的预测和商品补货数量的确定方法与系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1453720A (zh) * 2002-04-25 2003-11-05 株式会社日立制作所 库存计划方法
US7552066B1 (en) * 2001-07-05 2009-06-23 The Retail Pipeline Integration Group, Inc. Method and system for retail store supply chain sales forecasting and replenishment shipment determination
CN104766184A (zh) * 2015-04-30 2015-07-08 刘决飞 大数据生产计划方法和系统
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
CN106991550A (zh) * 2016-01-21 2017-07-28 阿里巴巴集团控股有限公司 商品对象补货信息处理方法及装置
CN107122928A (zh) * 2016-02-24 2017-09-01 阿里巴巴集团控股有限公司 一种供应链资源需求计划配置方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7552066B1 (en) * 2001-07-05 2009-06-23 The Retail Pipeline Integration Group, Inc. Method and system for retail store supply chain sales forecasting and replenishment shipment determination
CN1453720A (zh) * 2002-04-25 2003-11-05 株式会社日立制作所 库存计划方法
CN104766184A (zh) * 2015-04-30 2015-07-08 刘决飞 大数据生产计划方法和系统
CN106991550A (zh) * 2016-01-21 2017-07-28 阿里巴巴集团控股有限公司 商品对象补货信息处理方法及装置
CN107122928A (zh) * 2016-02-24 2017-09-01 阿里巴巴集团控股有限公司 一种供应链资源需求计划配置方法及装置
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

Cited By (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712222A (zh) * 2019-10-24 2021-04-27 北京沃东天骏信息技术有限公司 物品调度方法和系统
CN112906925A (zh) * 2019-11-19 2021-06-04 北京沃东天骏信息技术有限公司 货物补充方法、装置和计算机可读存储介质
CN112884389A (zh) * 2019-11-29 2021-06-01 北京沃东天骏信息技术有限公司 数据处理方法和装置
CN111062756B (zh) * 2019-12-17 2021-10-22 深圳市承和润文化传播股份有限公司 一种销售数据分析方法及系统
CN111062756A (zh) * 2019-12-17 2020-04-24 深圳市承和润文化传播股份有限公司 一种销售数据分析方法及系统
CN111062669A (zh) * 2019-12-20 2020-04-24 北京每日优鲜电子商务有限公司 业务处理方法、装置、存储介质及服务器
CN111242531A (zh) * 2020-01-03 2020-06-05 秒针信息技术有限公司 一种原料管控方法、装置和电子设备
CN111260142B (zh) * 2020-01-19 2023-06-09 杭州网易再顾科技有限公司 商品指标数据预测方法、装置、存储介质及电子设备
CN111260142A (zh) * 2020-01-19 2020-06-09 杭州网易再顾科技有限公司 商品指标数据预测方法、装置、存储介质及电子设备
CN111310977A (zh) * 2020-01-20 2020-06-19 重庆亚德科技股份有限公司 基于大数据的药品库存预测系统及方法
CN111401636B (zh) * 2020-03-16 2023-10-17 第四范式（北京）技术有限公司 实现连锁商家智能补货的方法及系统
CN111401636A (zh) * 2020-03-16 2020-07-10 第四范式（北京）技术有限公司 实现连锁商家智能补货的方法及系统
CN112884393A (zh) * 2020-03-19 2021-06-01 上海爱奇尔贸易有限公司 一种库存补货方法、装置和电子设备
CN113450042A (zh) * 2020-03-25 2021-09-28 北京京东乾石科技有限公司 一种确定补货量的方法和装置
CN111445133A (zh) * 2020-03-26 2020-07-24 珠海随变科技有限公司 一种材料管理方法、装置、计算机设备和存储介质
CN113450047A (zh) * 2020-03-27 2021-09-28 北京沃东天骏信息技术有限公司 用于电子补货设备的处理方法和装置、电子补货设备
CN113537850A (zh) * 2020-04-14 2021-10-22 顺丰科技有限公司 仓储优化方法、装置、计算机设备和存储介质
CN113537861B (zh) * 2020-04-16 2024-03-05 北京京东振世信息技术有限公司 补货方法和补货装置
CN113537861A (zh) * 2020-04-16 2021-10-22 北京京东振世信息技术有限公司 补货方法和补货装置
CN113298546A (zh) * 2020-05-29 2021-08-24 阿里巴巴集团控股有限公司 销量预测方法及装置、商品处理方法及装置
CN113822610A (zh) * 2020-06-19 2021-12-21 上海顺如丰来技术有限公司 库存优化方法、装置、计算机设备和存储介质
CN113919764A (zh) * 2020-07-07 2022-01-11 上海顺如丰来技术有限公司 仓内补货量确定方法、装置、计算机设备及存储介质
CN113935672A (zh) * 2020-07-13 2022-01-14 上海顺如丰来技术有限公司 自动补货方法、装置、计算机设备及存储介质
CN113947341A (zh) * 2020-07-17 2022-01-18 上海顺如丰来技术有限公司 供应链补货方法、装置、计算机设备和存储介质
CN111915261A (zh) * 2020-08-10 2020-11-10 辉岭加拿大有限公司 一种医学实验室耗材定数管理算法
CN111915261B (zh) * 2020-08-10 2023-07-18 辉岭加拿大有限公司 一种医学实验室耗材定数管理算法
CN113762832A (zh) * 2020-08-10 2021-12-07 北京沃东天骏信息技术有限公司 库存信息处理方法、装置、存储介质及电子设备
CN111680955B (zh) * 2020-08-11 2020-11-20 南京云联数科科技有限公司 用于库存信息处理的方法、计算设备和计算机存储介质
CN111680955A (zh) * 2020-08-11 2020-09-18 南京云联数科科技有限公司 用于库存信息处理的方法、计算设备和计算机存储介质
CN113763001A (zh) * 2020-08-24 2021-12-07 北京沃东天骏信息技术有限公司 数据显示方法及装置
CN112085442B (zh) * 2020-08-27 2023-12-22 太原市万尺云数智科技有限公司 设备操作方法、装置、电子设备和计算机可读介质
CN112085442A (zh) * 2020-08-27 2020-12-15 北京每日优鲜电子商务有限公司 设备操作方法、装置、电子设备和计算机可读介质
CN111932187A (zh) * 2020-09-24 2020-11-13 北京每日优鲜电子商务有限公司 库存相关信息显示方法、装置、电子设备和可读介质
CN113780611A (zh) * 2020-12-10 2021-12-10 北京沃东天骏信息技术有限公司 一种库存管理方法和装置
CN112598096B (zh) * 2020-12-15 2021-07-20 广州若羽臣科技股份有限公司 一种基于商品大数据的电子价签更新方法及系统
CN112598096A (zh) * 2020-12-15 2021-04-02 广州若羽臣科技股份有限公司 一种基于商品大数据的电子价签更新方法及系统
CN112581057A (zh) * 2020-12-15 2021-03-30 深圳千岸科技股份有限公司 智能备货方法、装置、计算机设备及存储介质
CN112581182A (zh) * 2020-12-24 2021-03-30 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
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
CN112950267A (zh) * 2021-02-26 2021-06-11 北京京东乾石科技有限公司 一种信息生成方法、装置、终端设备及存储介质
CN113177824A (zh) * 2021-05-06 2021-07-27 北京沃东天骏信息技术有限公司 补货任务处理方法、装置、计算机系统和可读存储介质
CN113762885A (zh) * 2021-06-30 2021-12-07 北京京东振世信息技术有限公司 补货量确定方法、装置、设备、存储介质及程序产品
CN113762885B (zh) * 2021-06-30 2023-12-05 北京京东振世信息技术有限公司 补货量确定方法、装置、设备、存储介质及程序产品
CN113592153B (zh) * 2021-07-07 2022-06-17 杉数科技(北京)有限公司 一种分货方法、装置、介质及计算机设备
CN113592153A (zh) * 2021-07-07 2021-11-02 杉数科技(北京)有限公司 一种分货方法、装置、介质及计算机设备
CN113537890A (zh) * 2021-07-16 2021-10-22 国网江苏省电力有限公司 电力仓储中安全库存的计算方法
CN113537890B (zh) * 2021-07-16 2024-02-02 国网江苏省电力有限公司 电力仓储中安全库存的计算方法
CN113743862A (zh) * 2021-08-06 2021-12-03 杉数科技(北京)有限公司 基于产品分类的产品目标库存确定方法及系统
CN113657667A (zh) * 2021-08-17 2021-11-16 北京沃东天骏信息技术有限公司 一种数据处理方法、装置、设备及存储介质
CN113902188A (zh) * 2021-10-08 2022-01-07 国网江苏省电力有限公司镇江供电分公司 一种电能计量物资需求预测方法
CN113902188B (zh) * 2021-10-08 2023-12-22 国网江苏省电力有限公司镇江供电分公司 一种电能计量物资需求预测方法
WO2023093567A1 (zh) * 2021-11-25 2023-06-01 北京京东振世信息技术有限公司 物品库存的控制方法、装置、设备及介质
CN113823395A (zh) * 2021-11-25 2021-12-21 天津医药集团众健康达医疗器械有限公司 一种医用耗材的备货方法、系统、终端设备及存储介质
CN114139825A (zh) * 2021-12-09 2022-03-04 国连科技(浙江)有限公司 一种基于商品易货稳定性的易货库存管理方法及装置
WO2023124363A1 (zh) * 2021-12-27 2023-07-06 北京京东振世信息技术有限公司 库存的确定方法和装置
CN113988768A (zh) * 2021-12-27 2022-01-28 北京京东振世信息技术有限公司 一种库存的确定方法和装置
CN114757703A (zh) * 2022-04-14 2022-07-15 荃豆数字科技有限公司 一种中药商品的补货方法、装置、电子设备及存储介质
CN116342042A (zh) * 2023-05-25 2023-06-27 北京京东乾石科技有限公司 一种补货方法及装置、存储介质
CN116342042B (zh) * 2023-05-25 2024-04-19 北京京东乾石科技有限公司 一种补货方法及装置、存储介质
CN116911742A (zh) * 2023-08-04 2023-10-20 杭州聚水潭网络科技有限公司 一种电商补货方法、系统及设备
CN117273599A (zh) * 2023-08-22 2023-12-22 昆仑数智科技有限责任公司 一种商品需求的预测和商品补货数量的确定方法与系统
CN116993271B (zh) * 2023-09-26 2023-12-15 无锡容智技术有限公司 一种基于大数据的打印机零件移仓方法及系统
CN116993271A (zh) * 2023-09-26 2023-11-03 无锡容智技术有限公司 一种基于大数据的打印机零件移仓方法及系统

Also Published As

Publication number Publication date
CN110363454B (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN110363454A (zh) 用于确定商品补货量的方法及装置
CN108351999B (zh) 用于为零售商提供多渠道库存分配途径的系统和方法
Veinott Jr Optimal policy for a multi-product, dynamic, nonstationary inventory problem
Tiemessen et al. Dynamic demand fulfillment in spare parts networks with multiple customer classes
TWI714113B (zh) 外匯交易量預測方法和裝置
TW578071B (en) System and method for allocating the supply of critical material components and manufacturing capacity
WO2005059685A2 (en) Method and system for estimating price elasticity of product demand
Kouvelis et al. Flexible capacity investments and product mix: Optimal decisions and value of postponement options
WO2020024718A1 (zh) 外汇交易量预测方法和装置
Noordhoek et al. A simulation–optimization approach for a service-constrained multi-echelon distribution network
Hellermann et al. Options contracts with overbooking in the air cargo industry
CN109308632A (zh) 基于断点的产品推送方法、装置、计算机设备和存储介质
Mascle et al. Inventory management maximization based on sales forecast: case study
US20150347942A1 (en) Systems and methods for retail labor budgeting
Zhao et al. System dynamics simulation‐based model for coordination of a three‐level spare parts supply chain
Özdemir‐Akyıldırım et al. Allocation of returned products among different recovery options through an opportunity cost–based dynamic approach
Hu et al. (s, S) inventory systems with correlated demands
US20140278707A1 (en) Commodity Procurement System
US20160283897A1 (en) Days of inventory determination based on constraints
CN113469397A (zh) 智慧供应链系统及服务器平台
JP2000306015A (ja) レンタル品管理装置およびレンタル品管理方法
Nyhuis et al. Model-based logistic controlling of converging material flows
Cardona-Valdés et al. A capacitated lot-sizing problem in the industrial fashion sector under uncertainty: a conditional value-at-risk framework
Di Domenico et al. Supply chain management analysis: a simulation approach of the value chain operations reference model (VCOR)
Wang Supply chain management: Supplier financing schemes and inventory 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
GR01 Patent grant
GR01 Patent grant