CN111401636B - 实现连锁商家智能补货的方法及系统 - Google Patents
实现连锁商家智能补货的方法及系统 Download PDFInfo
- Publication number
- CN111401636B CN111401636B CN202010183266.XA CN202010183266A CN111401636B CN 111401636 B CN111401636 B CN 111401636B CN 202010183266 A CN202010183266 A CN 202010183266A CN 111401636 B CN111401636 B CN 111401636B
- Authority
- CN
- China
- Prior art keywords
- restocking
- branch
- replenishment
- route
- cost
- 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.)
- Active
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供了一种实现连锁商家智能补货的方法及系统。所述方法包括:获取训练数据集;基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价。根据所述方法及系统,能够得到实现连锁商家智能补货的机器学习模型,且通过该机器学习模型得到的补货方案能够使补货总成本最低。
Description
技术领域
本发明总体说来涉及人工智能领域,更具体地讲,涉及一种实现连锁商家智能补货的方法及系统。
背景技术
连锁商家的货品通常统一储备,每隔固定时间会派遣配送车辆从货仓出发依次经过所有需要补货的分店来为这些分店补货。目前,虽然可以预测商家的每类货品在未来的销售量,但仍然需要相关人员根据经验来确定每次补货时各个分店的补货量。
发明内容
本发明的示例性实施例在于提供一种实现连锁商家智能补货的方法及系统,其能够得到用于预测连锁商家的各个分店每次需要的补货量的机器学习模型,从而实现连锁商家智能补货,无需人工估计补货量。
根据本发明的示例性实施例,提供一种实现连锁商家智能补货的方法,其中,所述方法包括:获取训练数据集;基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价。
可选地,所述方法还包括:获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量;将获取的当前库存量及预测销售量输入到训练好的所述机器学习模型,以得到各个分店本次需要的补货量,其中,每次补货时由至少一辆运输工具统一为各个分店配送。
可选地,补货代价基于以下项之中的至少一项计算得到:配送运输代价、存货代价、以及供不应求导致的空置代价;未补货代价基于空置代价计算得到。
可选地,每次补货的补货总代价基于以下项之中的至少一项计算得到:各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。
可选地,所述训练数据集包括:历史真实数据和/或构造数据,其中,所述构造数据包括:在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。
可选地,所述方法还包括:根据各个分店本次需要的补货量,确定本次补货的配送路线。
可选地,根据各个分店本次需要的补货量确定本次补货的配送路线的步骤包括:获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线;或者从最优配送路线中去掉本次不需要补货的分店,以得到本次补货的配送路线,其中,所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。
可选地,获取能够经过所有需要补货的分店且使得运输路程最短的路线的步骤包括:使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线;其中,所述最优配送路线通过使用遗传算法预先得到。
根据本发明的另一示例性实施例,提供一种实现连锁商家智能补货的系统,其中,所述系统包括:训练数据获取装置,适于获取训练数据集;训练装置,适于基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价。
可选地,所述系统还包括:数据获取装置,适于获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量;预测装置,适于将获取的当前库存量及预测销售量输入到训练好的所述机器学习模型,以得到各个分店本次需要的补货量,其中,每次补货时由至少一辆运输工具统一为各个分店配送。
可选地,补货代价基于以下项之中的至少一项计算得到:配送运输代价、存货代价、以及供不应求导致的空置代价;未补货代价基于空置代价计算得到。
可选地,每次补货的补货总代价基于以下项之中的至少一项计算得到:各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。
可选地,所述训练数据集包括:历史真实数据和/或构造数据,其中,所述构造数据包括:在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。
可选地,所述系统还包括:路线规划装置,适于根据各个分店本次需要的补货量,确定本次补货的配送路线。
可选地,路线规划装置适于获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线;或者路线规划装置适于从最优配送路线中去掉本次不需要补货的分店,以得到本次补货的配送路线,其中,所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。
可选地,路线规划装置适于使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线;其中,所述最优配送路线通过使用遗传算法预先得到。
根据本发明的另一示例性实施例,提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统,其中,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如上所述的实现连锁商家智能补货的方法。
根据本发明的另一示例性实施例,提供一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如上所述的实现连锁商家智能补货的方法。
根据本发明示例性实施例的实现连锁商家智能补货的方法及系统,能够得到实现连锁商家智能补货的机器学习模型,且通过该机器学习模型得到的补货方案能够使补货总成本最低。进一步地,还能够基于得到的补货方案提供最低运输成本的补货路线。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述,本发明示例性实施例的上述和其他目的和特点将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的实现连锁商家智能补货的方法的流程图;
图2示出根据本发明的另一示例性实施例的实现连锁商家智能补货的方法的流程图;
图3示出根据本发明的示例性实施例的实现连锁商家智能补货的方法的示例;
图4示出根据本发明的示例性实施例的实现连锁商家智能补货的方法的另一示例;
图5示出根据本发明示例性实施例的实现连锁商家智能补货的系统的框图;
图6示出根据本发明的另一示例性实施例的实现连锁商家智能补货的系统的框图。
具体实施方式
现将详细参照本发明的实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
图1示出根据本发明示例性实施例的实现连锁商家智能补货的方法的流程图。这里,作为示例,所述方法可通过计算机程序来执行,也可由专门的用于实现连锁商家智能补货的硬件设备或软硬件资源的集合体来执行。
参照图1,在步骤S10中,获取训练数据集。
在步骤S20中,基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型。
这里,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价。
作为示例,所述机器学习模型的输入量可为:本次补货之前各个分店的库存量(例如,各类货品的库存量)、以及本次补货之后各个分店未来第二预设时长内的销售量(例如,各类货品的销售量);所述机器学习模型的输出量可为:针对本次补货各个分店需要的补货量(例如,各类货品的补货量)。这里,所述机器学习模型的输入量和输出量均可通过向量来表示。第一预设时长和第二预设时长的长度可相同。
作为示例,本次补货之后各个分店未来第二预设时长(例如,未来N天)内的销售量可具体为:本次补货之后各个分店未来第二预设时长内每个时间间隔(例如,每天)内的销售量。作为示例,所述时间间隔可与补货的间隔/频率有关,例如,如果该连锁商家补货的固定频率为每天补货一次,则所述时间间隔可为每天。应该理解,第二预设时长的长度大于所述时间间隔的长度。
作为示例,在训练所述机器学习模型的过程中,可通过下述方式计算第一预设时长内各次补货的补货总代价的累积值:先计算第一预设时长内每次补货的补货总代价,然后对各次补货的补货总代价求和得到该累积值。实际上,第一预设时长内的补货次数与补货的间隔有关,补货的间隔越短,第一预设时长内补货的次数越多。
作为示例,所述训练数据集可包括:历史真实数据和/或构造数据。
作为示例,所述训练数据集中的历史真实数据可包括:历史上每次补货之前各个分店的库存量、每次补货之后各个分店未来第二预设时长内的销售量、根据人工经验得到的各个分店每次补货的补货量、以及每次补货的配送路线。
作为示例,连锁商家每次补货时可由至少一辆运输工具统一为各个分店配送,例如,可由一辆运输工具从仓库装上所有待补货的货品,然后依次为各个分店配送货品。
作为示例,所述训练数据集中的构造数据可包括:在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。这里,可根据实际应用情况来设置符合实际的第一预设范围和第二预设范围。本发明考虑到所述历史真实数据可能无法涵盖所有可能出现的情况,通过随机生成构造数据用于训练所述机器学习模型,能够使所述机器学习模型学习到更多情况进而提升其预测效果。
作为示例,在训练所述机器学习模型的过程中,可先使用所述历史真实数据对所述机器学习模型进行预训练;接下来,可进入下一个训练阶段:先将所述构造数据输入到预训练完成的所述机器学习模型,以得到所述机器学习模型输出的各个分店每次补货需要的补货量,并基于得到的补货量规划配送路线,然后,基于得到的补货量和配送路线,计算每次补货的补货总代价,进而得到第二预设时长内各次补货的补货总代价的累积值来迭代更新预训练完成的所述机器学习模型。
作为示例,补货代价可基于以下项之中的至少一项计算得到:配送运输代价、存货代价、以及供不应求导致的空置代价。作为示例,未补货代价可基于空置代价计算得到。
具体说来,配送运输费用(运输距离越大,费用越高)等造成配送运输代价;货品太多无法全部卖出使得货品滞留,由于滞留货品的新鲜度、保质期等因素带来的存货折旧损耗等造成存货代价;货品配送的太少导致供不应求,客户不满意、少卖出货品等造成空置代价。
作为示例,每次补货的补货总代价可基于以下项之中的至少一项计算得到:各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。例如,可基于该次补货的配送路线,计算该次补货的配送运输代价;可基于各个分店该次补货的补货量、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量来计算各个分店该次补货的存货代价和空置代价。
作为示例,可通过对每次配送的配送运输代价、存货代价、以及空置代价进行加权求和,来得到该次配送的配送总代价,各项对应的权重可适应性地设置。
例如,基于优化目标,所述机器学习模型在训练过程中可能会学到某一个分店本次补货需要补充某类货品3天的量,因为该分店距离仓库太远,配送运输代价比存货代价更高。
根据本发明的示例性实施例,通过对能够产生补货总成本的各个方面、不同补货量会相应产生多少补货成本、如何能够使补货总成本最低等方面进行充分考虑,以补货方案的补货总成本最低为优化目标来训练机器学习模型,从而能够使训练出的机器学习模型的预测结果带来最低的补货总成本。
图2示出根据本发明的另一示例性实施例的实现连锁商家智能补货的方法的流程图。
参照图2,在步骤S30,获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量。
作为示例,可通过各种适当的方法来得到各个分店未来第二预设时长内的销售量。例如,可训练用于预测销售量的机器学习模型来得到各个分店未来第二预设时长内每个时间间隔内的销售量。
在步骤S40,将获取的当前库存量及预测销售量输入到训练好的所述用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到各个分店本次需要的补货量。
作为示例,可每隔所述时间间隔使用所述机器学习模型来得到各个分店需要的补货量,即,每隔所述时间间隔执行一次步骤S30和S40。所述时间间隔即补货间隔,例如,如果该连锁商家补货的固定频率为每天补货一次,则可每天执行一次步骤S30和S40,从而按照步骤S40得到的各个分店本次需要的补货量,来进行本次补货。
作为示例,根据本发明的另一示例性实施例的实现连锁商家智能补货的方法还可包括:根据各个分店本次需要的补货量,确定本次补货的配送路线。
作为示例,可获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线。作为示例,可使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线。
作为另一示例,可从最优配送路线中去掉本次不需要补货的分店,以得到本次补货的配送路线,其中,所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。作为示例,所述最优配送路线可通过使用遗传算法预先得到。
由于每次补货时并不一定每个分店都需要补货,因此,可从预先得到的最优配送路线中去掉不补货的分店,以实现快速规划路线。例如,最优配送路线是a分店→b分店→c分店→d分店→e分店,如果本次补货的补货量为(1,2,0,1,2),其中,每一维分别表示abcde五个分店本次需要的补货量,则本次补货的配送路线可快速地规划为a分店→b分店→d分店→e分店。
作为示例,可基于所有分店以及仓库之中每两个之间的运输距离、或所有分店和仓库的地理位置,来确定每次补货的配送路线或最优配送路线。
相应地,在使用构造数据来训练所述机器学习模型时,也可通过上述方法来得到相应的配送路线。
根据本发明的示例性实施例,能够为每次补货提供运输成本最低的补货路线。
此外,作为示例,可周期性地对已训练好的所述机器学习模型进行更新。例如,可基于步骤S40得到的数据(即,实际应用中预测得到的数据),对所述机器学习模型进行迭代更新。
图3示出根据本发明的示例性实施例的实现连锁商家智能补货的方法的示例。如图3所示,连锁商家以固定频率(例如,每天补货一次)为各个分店补货,智能补货系统(即,执行如图2示出的实现连锁商家智能补货的方法的系统)可在每次补货之前输出每个分店本次需要的补货量(也即,每个分店的送货量)及配送路线,然后由运输工具从仓库取到需要为各个分店配送的货品,并按照规划的配送路线依次为本次需要补货的分店进行配送。
图4示出根据本发明的示例性实施例的实现连锁商家智能补货的方法的另一示例。如图4所示,可使用历史真实数据和构造数据对用于预测连锁商家的各个分店本次需要的补货量的机器学习模型进行训练,所述机器学习模型训练好后,可使用该机器学习模型预测各个分店每次补货需要的补货量,并基于预测的补货量和已使用遗传算法预先生成的最优配送路线得到本次补货的配送路线;然后,按照每个分店本次需要的补货量和配送路线,为本次需要补货的分店进行补货,并且,还可基于本次补货的数据对所述机器学习模型进行更新。
图5示出根据本发明示例性实施例的实现连锁商家智能补货的系统的框图。
如图5所示,根据本发明示例性实施例的实现连锁商家智能补货的系统包括:训练数据获取装置10和训练装置20。
具体说来,训练数据获取装置10适于获取训练数据集。
训练装置20适于基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价。
作为示例,补货代价可基于以下项之中的至少一项计算得到:配送运输代价、存货代价、以及供不应求导致的空置代价;未补货代价可基于空置代价计算得到。
作为示例,每次补货的补货总代价可基于以下项之中的至少一项计算得到:各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。
作为示例,所述训练数据集可包括:历史真实数据和/或构造数据,其中,所述构造数据包括:在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。
图6示出根据本发明的另一示例性实施例的实现连锁商家智能补货的系统的框图。
如图6所示,根据本发明的另一示例性实施例的实现连锁商家智能补货的系统包括:数据获取装置30和预测装置40。
具体说来,数据获取装置30适于获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量。
预测装置40适于将获取的当前库存量及预测销售量输入到训练好的所述用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到各个分店本次需要的补货量,其中,每次补货时由至少一辆运输工具统一为各个分店配送。
作为示例,根据本发明的另一示例性实施例的实现连锁商家智能补货的系统还可包括:路线规划装置(未示出),路线规划装置适于根据各个分店本次需要的补货量,确定本次补货的配送路线。
作为示例,路线规划装置可适于获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线。作为示例,路线规划装置可适于使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线。
作为另一示例,路线规划装置可适于从最优配送路线中去掉本次不需要补货的分店,以得到本次补货的配送路线,其中,所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。例如,所述最优配送路线可通过使用遗传算法预先得到。
应该理解,根据本发明示例性实施例的实现连锁商家智能补货的系统的具体实现方式可参照结合图1到图4描述的相关具体实现方式来实现,在此不再赘述。
根据本发明示例性实施例的实现连锁商家智能补货的系统所包括的装置可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如,这些装置可对应于专用的集成电路,也可对应于纯粹的软件代码,还可对应于软件与硬件相结合的模块。此外,这些装置所实现的一个或多个功能也可由物理实体设备(例如,处理器、客户端或服务器等)中的组件来统一执行。
应理解,根据本发明示例性实施例的实现连锁商家智能补货的方法可通过记录在计算可读介质上的程序来实现,例如,根据本发明的示例性实施例,可提供一种实现连锁商家智能补货的计算机可读介质,其中,在所述计算机可读介质上记录有用于执行以下方法步骤的计算机程序:获取训练数据集;基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价。
上述计算机可读介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,应注意,所述计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理,这些附加步骤和进一步处理的内容已经参照图1到图4进行了描述,这里为了避免重复将不再进行赘述。
应注意,根据本发明示例性实施例的实现连锁商家智能补货的系统可完全依赖计算机程序的运行来实现相应的功能,即,各个装置与计算机程序的功能架构中与各步骤相应,使得整个系统通过专门的软件包(例如,lib库)而被调用,以实现相应的功能。
另一方面,根据本发明示例性实施例的实现连锁商家智能补货的系统所包括的各个装置也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时,用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中,使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
例如,本发明的示例性实施例还可以实现为计算装置,该计算装置包括存储部件和处理器,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行实现连锁商家智能补货的方法。
具体说来,所述计算装置可以部署在服务器或客户端中,也可以部署在分布式网络环境中的节点装置上。此外,所述计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
这里,所述计算装置并非必须是单个的计算装置,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子装置。
在所述计算装置中,处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
根据本发明示例性实施例的实现连锁商家智能补货的方法中所描述的某些操作可通过软件方式来实现,某些操作可通过硬件方式来实现,此外,还可通过软硬件结合的方式来实现这些操作。
处理器可运行存储在存储部件之一中的指令或代码,其中,所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,所述网络接口装置可采用任何已知的传输协议。
存储部件可与处理器集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储部件可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器能够读取存储在存储部件中的文件。
此外,所述计算装置还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
根据本发明示例性实施例的实现连锁商家智能补货的方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而,这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。
例如,如上所述,根据本发明示例性实施例的实现连锁商家智能补货的计算装置可包括存储部件和处理器,其中,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行下述步骤:获取训练数据集;基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价。
例如,如上所述,根据本发明示例性实施例的实现连锁商家智能补货的计算装置可包括存储部件和处理器,其中,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行下述步骤:获取训练数据集;基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价。
以上描述了本发明的各示例性实施例,应理解,上述描述仅是示例性的,并非穷尽性的,本发明不限于所披露的各示例性实施例。在不偏离本发明的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此,本发明的保护范围应该以权利要求的范围为准。
Claims (16)
1.一种实现连锁商家智能补货的方法,其中,所述方法包括:
获取训练数据集;
基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,
其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,所述第一预设时长的长度大于补货周期,
其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价,
其中,补货代价基于以下项之中的至少一项计算得到:配送运输代价、存货代价、以及供不应求导致的空置代价;未补货代价基于空置代价计算得到。
2.如权利要求1所述的方法,其中,所述方法还包括:
获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量;
将获取的当前库存量及预测销售量输入到训练好的所述机器学习模型,以得到各个分店本次需要的补货量,
其中,每次补货时由至少一辆运输工具统一为各个分店配送。
3.如权利要求1所述的方法,其中,每次补货的补货总代价基于以下项之中的至少一项计算得到:
各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。
4.如权利要求1所述的方法,其中,所述训练数据集包括:历史真实数据和/或构造数据,
其中,所述构造数据包括:在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。
5.如权利要求2所述的方法,其中,所述方法还包括:
根据各个分店本次需要的补货量,确定本次补货的配送路线。
6.如权利要求5所述的方法,其中,根据各个分店本次需要的补货量确定本次补货的配送路线的步骤包括:
获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线;或者
从最优配送路线中去掉本次不需要补货的分店,以得到本次补货的配送路线,其中,所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。
7.如权利要求6所述的方法,其中,获取能够经过所有需要补货的分店且使得运输路程最短的路线的步骤包括:使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线;
其中,所述最优配送路线通过使用遗传算法预先得到。
8.一种实现连锁商家智能补货的系统,其中,所述系统包括:
训练数据获取装置,适于获取训练数据集;
训练装置,适于基于训练数据集,利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型,以得到训练好的所述机器学习模型,
其中,所述强化学习算法的优化目标是:第一预设时长内各次补货的补货总代价的累积值最小,所述第一预设时长的长度大于补货周期,
其中,每次补货的补货总代价包括:该次补货的分店的补货代价和该次未补货的分店的未补货代价,
其中,补货代价基于以下项之中的至少一项计算得到:配送运输代价、存货代价、以及供不应求导致的空置代价;未补货代价基于空置代价计算得到。
9.如权利要求8所述的系统,其中,所述系统还包括:
数据获取装置,适于获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量;
预测装置,适于将获取的当前库存量及预测销售量输入到训练好的所述机器学习模型,以得到各个分店本次需要的补货量,
其中,每次补货时由至少一辆运输工具统一为各个分店配送。
10.如权利要求8所述的系统,其中,每次补货的补货总代价基于以下项之中的至少一项计算得到:
各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。
11.如权利要求8所述的系统,其中,所述训练数据集包括:历史真实数据和/或构造数据,
其中,所述构造数据包括:在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。
12.如权利要求9所述的系统,其中,所述系统还包括:
路线规划装置,适于根据各个分店本次需要的补货量,确定本次补货的配送路线。
13.如权利要求12所述的系统,其中,路线规划装置适于获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线;或者
路线规划装置适于从最优配送路线中去掉本次不需要补货的分店,以得到本次补货的配送路线,其中,所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。
14.如权利要求13所述的系统,其中,路线规划装置适于使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线;
其中,所述最优配送路线通过使用遗传算法预先得到。
15.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统,其中,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1到7中的任一权利要求所述的实现连锁商家智能补货的方法。
16.一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1到7中的任一权利要求所述的实现连锁商家智能补货的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010183266.XA CN111401636B (zh) | 2020-03-16 | 2020-03-16 | 实现连锁商家智能补货的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010183266.XA CN111401636B (zh) | 2020-03-16 | 2020-03-16 | 实现连锁商家智能补货的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401636A CN111401636A (zh) | 2020-07-10 |
CN111401636B true CN111401636B (zh) | 2023-10-17 |
Family
ID=71431045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010183266.XA Active CN111401636B (zh) | 2020-03-16 | 2020-03-16 | 实现连锁商家智能补货的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401636B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815198B (zh) * | 2020-07-27 | 2022-07-08 | 创优数字科技(广东)有限公司 | 一种门店补货方法、装置和设备 |
CN115310895B (zh) * | 2022-07-05 | 2023-05-12 | 南京邮电大学 | 一种基于大数据平台的仓库补货方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673382A (zh) * | 2009-10-21 | 2010-03-17 | 北京交通大学 | 一种农资连锁经营物流配送配载组合优化方法 |
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 |
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 |
CN109919541A (zh) * | 2019-02-27 | 2019-06-21 | 华南理工大学 | 一种多级定位库存路径问题的建模求解方法 |
CN110348635A (zh) * | 2019-07-12 | 2019-10-18 | 创新奇智(成都)科技有限公司 | 基于端对端学习的智能补货方法、存储介质、系统及装置 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN110400103A (zh) * | 2019-05-08 | 2019-11-01 | 深圳壹账通智能科技有限公司 | 补货量确定方法、装置、计算机装置及存储介质 |
CN110458347A (zh) * | 2019-07-30 | 2019-11-15 | 深圳市天维思信息技术有限公司 | 快餐品补货方法、终端及计算机可读存储介质 |
CN110516998A (zh) * | 2019-08-14 | 2019-11-29 | 广州淘通科技股份有限公司 | 一种基于供应链需求关联的智能补货系统 |
CN110610289A (zh) * | 2019-08-05 | 2019-12-24 | 石化盈科信息技术有限责任公司 | 加油站成品油补货量预测方法、计算机存储介质及计算机设备 |
CN110689157A (zh) * | 2018-07-04 | 2020-01-14 | 北京京东尚科信息技术有限公司 | 一种确定调拨关系的方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8032406B2 (en) * | 2005-07-28 | 2011-10-04 | Sap Ag | System and method of assortment, space, and price optimization in retail store |
US20150032512A1 (en) * | 2013-07-26 | 2015-01-29 | Teradata Corporation | Method and system for optimizing product inventory cost and sales revenue through tuning of replenishment factors |
EP3754546A1 (en) * | 2018-01-10 | 2020-12-23 | Trax Technology Solutions Pte Ltd. | Automatically monitoring retail products based on captured images |
US20190370731A1 (en) * | 2018-05-29 | 2019-12-05 | International Business Machines Corporation | Method to analyze perishable food stock prediction |
US10956859B2 (en) * | 2018-06-01 | 2021-03-23 | International Business Machines Corporation | Avoidance of product stockouts through optimized routing of online orders |
-
2020
- 2020-03-16 CN CN202010183266.XA patent/CN111401636B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673382A (zh) * | 2009-10-21 | 2010-03-17 | 北京交通大学 | 一种农资连锁经营物流配送配载组合优化方法 |
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 |
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 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN110689157A (zh) * | 2018-07-04 | 2020-01-14 | 北京京东尚科信息技术有限公司 | 一种确定调拨关系的方法和装置 |
CN109919541A (zh) * | 2019-02-27 | 2019-06-21 | 华南理工大学 | 一种多级定位库存路径问题的建模求解方法 |
CN110400103A (zh) * | 2019-05-08 | 2019-11-01 | 深圳壹账通智能科技有限公司 | 补货量确定方法、装置、计算机装置及存储介质 |
CN110348635A (zh) * | 2019-07-12 | 2019-10-18 | 创新奇智(成都)科技有限公司 | 基于端对端学习的智能补货方法、存储介质、系统及装置 |
CN110458347A (zh) * | 2019-07-30 | 2019-11-15 | 深圳市天维思信息技术有限公司 | 快餐品补货方法、终端及计算机可读存储介质 |
CN110610289A (zh) * | 2019-08-05 | 2019-12-24 | 石化盈科信息技术有限责任公司 | 加油站成品油补货量预测方法、计算机存储介质及计算机设备 |
CN110516998A (zh) * | 2019-08-14 | 2019-11-29 | 广州淘通科技股份有限公司 | 一种基于供应链需求关联的智能补货系统 |
Non-Patent Citations (3)
Title |
---|
潘祥武.不确定条件下缺货不补货的库存模型分析.物流科技.2010,(第undefined期),第65-67页. * |
熊峰 ; 吴兵 ; .配送系统中库存柔性的优化模型.武汉理工大学学报.2009,(10),第150-153页. * |
生产-分销物流系统中考虑缺货成本时的存贮路径问题研究;廖金稳;周永务;;合肥工业大学学报(自然科学版)(第08期);75-79 * |
Also Published As
Publication number | Publication date |
---|---|
CN111401636A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20170078722A (ko) | 이행 센터들의 계층구조로부터의 전자 상거래 주문을 이행하는 시스템 및 방법 | |
CN111401636B (zh) | 实现连锁商家智能补货的方法及系统 | |
CN110633820B (zh) | 仓库地址的推荐方法、装置及计算机可读存储介质 | |
US20190378066A1 (en) | Machine for labor optimization for efficient shipping | |
CN111242524A (zh) | 一种确定单品补货量的方法、系统、设备及存储介质 | |
JP6536028B2 (ja) | 発注計画決定装置、発注計画決定方法および発注計画決定プログラム | |
CN111915238A (zh) | 用于处理订单的方法和装置 | |
JP2016181039A (ja) | 計画決定方法、計画決定プログラムおよび計画決定装置 | |
US20190042995A1 (en) | Automated Item Assortment System | |
JP6435803B2 (ja) | 発注量決定装置、発注量決定方法および発注量決定プログラム | |
WO2023056115A1 (en) | Optimized tree ensemble based demand model | |
CN114663015A (zh) | 补货方法和装置 | |
Shakya et al. | Reinforcement learning approach for multi-period inventory with stochastic demand | |
Madsen et al. | Real-time multi-agent forecasting and replenishment solution for legos branded retail outlets | |
Hendrix et al. | On computing optimal policies in perishable inventory control using value iteration | |
CN112347417A (zh) | 补货量确定方法和装置 | |
US11995669B2 (en) | Method and system for simulating fulfillment of digital orders | |
CN116228069A (zh) | 库存路径规划方法及其装置、电子设备及存储介质 | |
US20160055438A1 (en) | System and method for empty container reposition resistant to disruptions | |
Das et al. | Pack size effects on retail store inventory and storage space needs | |
CN112085441A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
Transchel et al. | Dynamic pricing and replenishment in the warehouse scheduling problem—A common cycle approach | |
Shin et al. | MDP formulation and solution algorithms for inventory management with multiple suppliers and supply and demand uncertainty | |
JP6424568B2 (ja) | 発注量決定プログラム、発注量決定方法および発注量決定装置 | |
US20240346530A1 (en) | Method and system for simulating fulfillment of digital orders |
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 |