CN111680955A - 用于库存信息处理的方法、计算设备和计算机存储介质 - Google Patents

用于库存信息处理的方法、计算设备和计算机存储介质 Download PDF

Info

Publication number
CN111680955A
CN111680955A CN202010798570.5A CN202010798570A CN111680955A CN 111680955 A CN111680955 A CN 111680955A CN 202010798570 A CN202010798570 A CN 202010798570A CN 111680955 A CN111680955 A CN 111680955A
Authority
CN
China
Prior art keywords
inventory
data
purchased
management device
operation request
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
CN202010798570.5A
Other languages
English (en)
Other versions
CN111680955B (zh
Inventor
倪述荣
孙欣然
王佳斐
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 Juyin Information Technology Co ltd
Nanjing Yunlian Digital Technology Co ltd
Original Assignee
Shanghai Juyin Information Technology Co ltd
Nanjing Yunlian Digital Technology 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 Juyin Information Technology Co ltd, Nanjing Yunlian Digital Technology Co ltd filed Critical Shanghai Juyin Information Technology Co ltd
Priority to CN202010798570.5A priority Critical patent/CN111680955B/zh
Publication of CN111680955A publication Critical patent/CN111680955A/zh
Application granted granted Critical
Publication of CN111680955B publication Critical patent/CN111680955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/08—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

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

Abstract

本公开涉及一种用于库存信息处理的方法、计算设备和计算机存储介质。该方法包括：在终端设备处，响应于检测到关于订单的预定操作，生成与订单相关联的库存操作请求；向管理设备发送库存操作请求，以用于管理设备基于库存操作请求和与待购商品标识相关联的当前可销售库存来锁定待操作数量；响应于确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息，获取与待购商品标识相关联的、未来预定时间的预测库存；以及响应于确定与待购商品标识相关联的预测库存大于或者等于预定阈值，生成关于库存操作请求的第一操作结果，以用于订单的生成。本公开能够实现不仅在网络质量不稳定的情况下能够生成订单，而且能够避免超售。

Description

用于库存信息处理的方法、计算设备和计算机存储介质
技术领域
本公开总体上涉及机器学习，并且具体地，涉及用于库存信息处理的方法、计算设备和计算机存储介质。
背景技术
传统的库存信息处理的方案例如是：为了避免出现超售（即终端设备所发的订单的商品数量大于可销售库存），通常通过服务器（例如商品销售方的ERP系统）的对外接口统一根据待购商品的数量来锁定库存，然后根据订单实际支付情况来释放被锁定库存或者修改库存数量。
在上述传统的库存信息处理的方案中，需要在终端设备与服务器之间经由网络来交互关于库存的信息，因此对于网络质量依赖较高，当出现网络质量不稳定的情况，很容易因无法锁定库存而造成订单长时间无法生成，进而影响商品销售，不利于用户体验。
综上，传统的库存信息处理的方案存在网络质量不稳定的情况下，为了避免超售而无法生成订单的不足之处。
发明内容
本公开提供一种用于库存信息处理的方法、计算设备和计算机存储介质，能够实现不仅在网络质量不稳定的情况下能够生成订单，而且能够避免超售。
根据本公开的第一方面，提供了一种用于库存信息处理的方法。该方法包括：在终端设备处，响应于检测到关于订单的预定操作，生成与订单相关联的库存操作请求，库存操作请求至少指示与待购商品标识相关联的待操作数量；向管理设备发送库存操作请求，以用于管理设备基于库存操作请求和与待购商品标识相关联的当前可销售库存来锁定待操作数量；响应于确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息，获取与待购商品标识相关联的、未来预定时间的预测库存，与待购商品标识相关联的预测库存是经由神经网络模型基于库存时序特征而预测的，神经网络模型被配置在管理设备处、并且是经由关于历史库存时序特征的多个样本数据训练的；以及响应于确定与待购商品标识相关联的预测库存大于或者等于预定阈值，生成关于库存操作请求的第一操作结果，以用于订单的生成。
根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得设备执行本公开的第一方面的方法。
根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。
在一些实施例中，用于库存信息处理的方法还包括：响应于确认以下至少一项条件满足，确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息：检测到用于指示终端设备超时的信息；检测到用于指示管理设备超时的信息；检测到用于指示终端设备和管理设备之间的通信传输链路超时的信息；以及确定第一预定时间间隔达到并且没有检测到来自管理设备的、关于库存操作请求的第二操作结果。
在一些实施例中，用于库存信息处理的方法还包括：确认是否检测到第一操作结果或者来自管理设备的、关于库存操作请求的第二操作结果；响应于确认检测到第一操作结果或者第二操作结果，使得订单可被支付；以及响应于确定网络质量符合预定条件，向管理设备发送经支付的订单，以用于管理设备在与待购商品标识相关联的总库存和锁定库存中分别扣减待操作数量。
在一些实施例中，用于库存信息处理的方法还包括：响应于确定第二预定时间间隔达到，确认网络质量是否符合预定条件；以及响应于确认网络质量符合预定条件，从管理设备获取关于多个商品的未来预定时间的预测库存。
在一些实施例中，用于库存信息处理的方法还包括：在管理设备处，获取库存变更数据，库存变更数据至少指示与商品标识相关联的库存变更事件、库存变更数量和库存变更时间。基于库存变更数据，生成库存时序数据；生成与商品标识相关联的时序特征数据；以及基于库存时序数据和时序特征数据，生成库存时序特征，以用于输入神经网络模型。
在一些实施例中，获取与待购商品标识相关联的、未来预定时间的预测库存包括：基于待购商品标识、当前时间和关于多个商品的未来预定时间的预测库存，获取与待购商品标识相关联的、未来预定时间的预测库存。
在一些实施例中，生成时序特征数据包括：基于日期信息、节假日信息、促销活动信息、天气信息和商品属性数据，生成时序特征数据，时序特征数据与商品标识相关联。
在一些实施例中，基于库存时序数据和时序特征数据生成库存时序特征包括：基于预定统计周期和预定统计周期内的历史库存数据，计算关于库存的同比数据和环比数据；以及基于商品标识，拼接与商品标识相关联的时序特征数据、时序特征数据、关于库存的同比数据和环比数据，以便生成库存时序特征。
在一些实施例中，库存变更事件包括采购入库、退货入库、调拨入库、销售出库和调拨出库中的至少一个, 神经网络模型是基于均方差损失函数而优化的。
在一些实施例中，管理设备基于库存操作请求和与待购商品标识相关联的当前可销售库存来锁定待操作数量包括：在管理设备处，响应于接收到库存操作请求，确认待购商品标识相关联的当前可销售库存是否大于待操作数量；响应于确认待购商品标识相关联的当前可销售库存大于待操作数量，生成用于锁定待操作数量的锁；以及向终端设备发送关于库存操作请求的第二库存操作结果。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
图1示出了根据本公开的实施例的用于实施用于库存信息处理的方法的系统的示意图。
图2示出了根据本公开的实施例的用于库存信息处理的方法的流程图。
图3示出了根据本公开实施例的神经网络模型的网络结构示意图。
图4示出了根据本公开的实施例的用于生成库存时序特征的方法的流程图。
图5示出了根据本公开的实施例的用于锁定待操作数量的方法的流程图。
图6示意性示出了适于用来实现本公开实施例的电子设备的框图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述，传统的用于库存信息处理的方法为了避免出现超售，需要在终端设备与服务器之间经由网络通信传输链路交互关于库存的信息，以用于服务器根据待购商品的数量来锁定库存，并根据订单实际支付情况来释放被锁定库存或者修改库存数量。因此对于网络质量依赖较高，当出现网络质量不稳定的情况，为了避免超售，会因无法锁定库存而造成订单无法生成。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于库存信息处理的方案。该方案包括：在终端设备处，响应于检测到关于订单的预定操作，生成与订单相关联的库存操作请求，库存操作请求至少指示与待购商品标识相关联的待操作数量；向管理设备发送库存操作请求，以用于管理设备基于库存操作请求和与待购商品标识相关联的当前可销售库存来锁定待操作数量；响应于确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息，获取与待购商品标识相关联的、未来预定时间的预测库存，与待购商品标识相关联的预测库存是经由神经网络模型基于库存时序特征而预测的，神经网络模型被配置在管理设备处、并且是经由关于历史库存时序特征的多个样本数据训练的；以及响应于确定与待购商品标识相关联的预测库存大于或者等于预定阈值，生成关于库存操作请求的第一操作结果，以用于订单的生成。
在上述方案中，通过向管理设备发送库存操作请求以用于管理设备基于当前可销售库存来锁定待操作数量；如果终端设备确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息，则判断与待购商品标识相关联的预测库存是否大于或者等于预定阈值，以及在预测库存大于或者等于预定阈值的情况下生成用于允许订单的生成的第一操作结果，本公开能够在网络质量好的时候管理设备基于关于待售商品的当前可销售库存来锁定待操作数量；而在长时间未成功锁定待操作数量时（例如网络不稳定导致的），终端设备基于关于待售商品的预测库存来确定是否允许订单的生成。因此，本公开能够实现不仅在网络质量不稳定的情况下也能生成订单，而且能够避免超售。
图1示出了根据本公开的实施例的用于实施用于库存信息处理的方法的系统100的示意图。如图1所示，系统100包括：多个终端设备110（图1中未示出其他终端设备）、管理设备130、网络150。多个终端设备110、管理设备130、可以通过网络150进行数据交互。终端设备110例如包括：数据获取单元112、库存操作请求生成单元114、库存操作请求发送单元116、成功锁定判断单元118、待购商品预测库存获取单元120、第一操作结果生成单元122。管理设备130例如包括：数据接收单元132、待操作数量锁定单元134、第二库存操作结果发送单元136、库存时序特征生成单元138、神经网络模型140、预测库存发送单元142、待操作数量扣减单元144。
终端设备110用于生成并发送关于订单的库存操作请求，以用于管理设备130基于库存操作请求和与待购商品标识相关联的当前可销售库存来锁定待操作数量；确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息时，确定与待购商品标识相关联的预测库存是否大于或者等于预定阈值；以及如果确定预测库存是否大于或者等于预定阈值，生成关于库存操作请求的第一操作结果，以用于订单的生成。终端设备110例如而不限于服务器、笔记本、台式计算机、手机、PDA等。终端设备110也可以具有一个或多个处理单元，包括诸如图像处理单元GPU、现场可编程门阵列FPGA和专用集成电路ASIC等的专用处理单元以及诸如中央处理单元CPU的通用处理单元。。
关于数据获取单元112，其用于获取或者接收来自管理设备130或通信传输链路的交互数据。例如关于多个商品的未来预定时间的预测库存、以及关于库存操作请求的第二操作、用于指示终端设备和管理设备之间的通信传输链路超时的信息、或者用于指示管理设备超时的信息。例如，如果终端设备110确定第二预定时间间隔达到并且网络质量是否符合预定条件时，从管理设备130获取关于多个商品的未来预定时间的预测库存。
关于库存操作请求生成单元114，其用于在检测到关于订单的预定操作之后，生成与订单相关联的库存操作请求，库存操作请求至少指示与待购商品标识相关联的待操作数量。
关于库存操作请求发送单元116，其用于向管理设备发送库存操作请求，以用于管理设备基于库存操作请求和与待购商品标识相关联的当前可销售库存来锁定待操作数量。
关于成功锁定判断单元118，其用于确定是否在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息。
关于待购商品预测库存获取单元120，其用于在确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息时，获取与待购商品标识相关联的、未来预定时间的预测库存。
关于第一操作结果生成单元122，其用于如果确定与待购商品标识相关联的、未来预定时间的预测库存大于或者等于预定阈值，生成关于库存操作请求的第一操作结果，以用于订单的生成。
管理设备130用于基于所接收的库存操作请求和与待购商品标识相关联的当前可销售库存来锁定待操作数量；以及如果确认接收到经支付的订单，在待购商品标识相关联的总库存和锁定库存中分别扣减待操作数量；以及确认接收到订单被取消的信息，释放被锁定库存。管理设备130还用于基于库存时序数据和时序特征数据，生成库存时序特征，以用于输入神经网络模型来预测多个商品的未来预定时间的预测库存；以及向终端设备110提供所预测的多个商品的未来预定时间的预测库存。在一些实施例中，管理设备130也可以通过经训练的回归树、随机森林、梯度提升等模型来预测多个商品的未来预定时间的预测库存。
关于数据接收单元132，其用于接收来自多个终端设备的库存操作请求、经支付的订单和订单被取消的信息、库存变更数据等等。
关于待操作数量锁定单元134，其用于在接收到库存操作请求时，确认待购商品标识相关联的当前可销售库存是否大于待操作数量；如果确认待购商品标识相关联的当前可销售库存大于待操作数量，生成用于锁定待操作数量的锁。
关于第二库存操作结果发送单元136，其用于在待操作数量锁定单元134生成用于锁定待操作数量的锁之后，向终端设备110发送关于库存操作请求的第二库存操作结果。第二库存操作结果例如指示待操作数量已被成功锁住，以用于订单的生成。
关于库存时序特征生成单元138，获取库存变更数据，库存变更数据至少指示与商品标识相关联的库存变更事件、库存变更数量和库存变更时间；基于库存变更数据，生成库存时序数据；生成与商品标识相关联的时序特征数据；以及基于库存时序数据和时序特征数据，生成库存时序特征，以用于输入神经网络模型140。
关于神经网络模型140，其用于基于库存时序特征来预测与关于多个商品的、未来预定时间的预测库存。神经网络模型被配置在管理设备处、并且是经由关于历史库存时序特征的多个样本数据训练的。
关于预测库存发送单元142，其用于提供关于多个商品的、未来预定时间的预测库存。例如一个或者多个终端设备110如果确定第二预定时间间隔达到，确认网络质量是否符合预定条件；以及如果确认网络质量符合预定条件，从管理设备130的预测库存发送单元142获取（例如拉取）关于多个商品的未来预定时间的预测库存。
关于待操作数量扣减单元144，其用于在确认接收到经支付的订单，在待购商品标识相关联的总库存和锁定库存中分别扣减待操作数量。
以下将结合图2描述根据本公开的实施例的用于库存信息处理的方法200。图2示出了根据本公开的实施例的用于库存信息处理的方法200的流程图。应当理解，方法200例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的终端设备110处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤202处，终端设备110确认检测到关于订单的预定操作。预定操作例如是终端设备110用于处的下单操作。
如果终端设备110确认检测到关于订单的预定操作，在步骤204处，生成与订单相关联的库存操作请求，库存操作请求至少指示与待购商品标识相关联的待操作数量。
在步骤206处，终端设备110向管理设备发送库存操作请求，以用于管理设备基于库存操作请求和与待购商品标识相关联的当前可销售库存来锁定待操作数量。
与待购商品标识相关联的当前可销售库代表了终端设备110用于在页面显示的并且判断所下订单是否有货的库存数。一般而言，只有与待购商品标识相关联的当前可销售库存大于待操作数量时，才能下单成功。以下结合公式（1）来说明与待购商品标识相关联的当前可销售库存的计算方式。
可销售库存＝总库存-已锁定库存 （1）
根据上述公式（1）可知，与待购商品标识相关联的当前可销售库存不包括该待购商品已被锁定的（例如因其他订单或促销活动而被锁定）库存。例如，在做拼团、秒杀等等促销活动的时候，一般需要从相关商品的可销售库存中划出一部分库存用来锁定库存。
一般在网络质量稳定的情况下，管理设备130检测到由终端设备110发送的库存操作请求后，如果判断待购商品标识相关联的当前可销售库存大于待操作数量，则会向终端设备110发送关于库存操作请求的第二操作结果，用于指示库存有货以允许订单生成。此外，在管理设备130检测到与已锁定库存相关的订单被支付之后，可以针对与该订单已购商品的总库存进行扣减待操作数量的操作，针对锁定库存进行扣减待操作数量的操作，以及针对已销售库存进行增加待操作数量的操作。在管理设备130检测到与已锁定库存相关的订单被撤销之后，会释放与订单的待购商品标识相关联的已锁定的库存。
在网络质量不稳定的情况下，管理设备130可能无法检测到由终端设备110发送的库存操作请求，或者终端设备110无法接收到管理设备130所发送的关于库存操作请求的第二操作结果。
在步骤208处，终端设备110确定是否在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息。
如果终端设备110确认检测到用于指示终端设备超时的信息、检测到用于指示管理设备超时的信息、检测到用于指示传输链路超时的信息、和/或者确定第一预定时间间隔达到并且没有检测到来自管理设备的、关于库存操作请求的第二操作结果，则终端设备110确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息。
关于终端设备超时或者管理设备超时，在一些实施例中，例如，终端设备110可以通过配置 “超时设置”功能来控制何时生成用于指示管理设备超时的信息。例如，将终端设备的“超时设置”设置为2000ms，当超过2000ms时并且终端设备110未捕获异常时，则生成用于指示终端设备超时的信息。在一些实施例中，用于指示管理设备超时的信息例如是管理设备130返回的服务器超时信息，例如状态码408。在管理设备130已经设置超时的情况下依然使得终端设备110设置“超时设置”，这是因为虽然当库存操作请求因网络质量不稳定而未达管理设备时可以触发传输链路超时，但该传输链路超时的时间一般很长，终端设备110如果不设置超时可能会导致等待时间较长。因此，本公开采用上述手段有利于快速确定是否未成功锁定待操作数量的指示信息，避免用户等待时间较长。
关于终端设备与管理设备之间的通信传输链路超时，例如，传输链路通常包括：管理设备（服务器）网关、运营商的路由、网关等设备。传输链路超时设定都会导致相关接口调用由于传输链路超时而失败。例如终端设备通过axios调用并且未捕获异常时，可能检测到错误信息（例如Network Error）。该错误信息例如指示传输链路超时。
如果终端设备110确定在第一预定时间间隔内检测到关于未成功锁定待操作数量的指示信息，在步骤210处，获取与待购商品标识相关联的、未来预定时间的预测库存，与待购商品标识相关联的预测库存是经由神经网络模型基于库存时序特征而预测的，神经网络模型被配置在管理设备处、并且是经由关于历史库存时序特征的多个样本数据训练的。
在一些实施例中，终端设备110可以定期从管理设备130获取关于多个商品的未来预定时间的预测库存。例如，如果终端设备110确定第二预定时间间隔达到，确认网络质量是否符合预定条件；如果确认网络质量符合预定条件，从管理设备获取关于多个商品的未来预定时间的预测库存。然后，终端设备110再基于商品标识，拼接与商品标识相关联的时序特征数据、时序特征数据、关于库存的同比数据和环比数据，以便生成库存时序特征。
关于未来预定时间，其可以是预先设定的，例如而不限于是：当前时间之后的一个小时或者当前时间之后的10分钟。该未来预定时间距离当前时间的时间间隔可以大于库存时序特征的单位时间间隔（例如5分钟）。由此，可以提高预测库存的准确性。
关于神经网络模型，其例如而不限于是基于BP神经网络模型而构建的。BP神经网络模型为多层的前馈神经网络，其信号是前向传播的，而误差是反向传播的。以下结合图3来说明神经网络模型的网络结构。图3示出了根据本公开实施例的神经网络模型的网络结构示意图。神经网络模型包括输入层310、多个隐藏层320（图3中仅是示意性示例了1个隐藏层）和输出层330。输入层310例如包括多个神经元312，每一个隐藏层320例如包括多个神经元322，输出层330例如包括多个神经元332。
关于神经网络模型的输入，其例如是库存时序特征。下文将结合图4说明库存时序特征的生成方法。在此，不再赘述。
关于神经网络模型的输出，其例如为关于商品的未来预定时间的预测库存。在一些实施例中，神经网络模型输出关于商品的多个预测库存的概率值。可以基于概率值而确定与关于该商品的、未来预定时间的预测库存。
关于神经网络模型的多个样本数据，其例如是关于历史库存时序特征的多个样本，即，关于库存所涉多个商品中的每一个商品的历史库存时序特征的多个样本。每一个历史库存时序特征的样本例如被标注了未来预定时间（例如未来一小时、未来10分钟）的实际库存。每一个历史库存时序特征例如是由相关联的商品标识，与该商品标识相关联的历史时序特征数据（例如去年的历史时序特征数据）、历史时序特征数据（例如去年的时序特征数据）、关于库存的同比数据和环比数据拼接而生成的。关于库存时序特征、时序特征数据、同比数据和环比数据，下文将结合图4进行具体说明，在此，不再赘述。
关于神经网络模型的激活函数，其例如是Sigmoid函数，用于将神经元的输入通过加权、求和后，被作用在激活函数上以映射到输出端。采用Sigmoid函数作为激活函数的原因在于该函数本身及其导数都是连续的，因而在处理上十分便捷。例如，Sigmoid函数输出映射在(0,1)之间，单调连续，具有优化稳定并且求导容易的优势。以下结合公式（2）来说明神经网络模型的激活函数。
Figure 309889DEST_PATH_IMAGE001
（2）
在上述公式（2）中，
Figure 210849DEST_PATH_IMAGE002
代表激活函数的输出。
Figure 304707DEST_PATH_IMAGE003
代表激活函数的输入。
关于神经网络模型的损失函数，其例如而不限于是均方差损失函数。以下结合公式（3）来说明神经网络模型的损失函数。
Figure 508286DEST_PATH_IMAGE004
（3）
在上述公式（3）中，
Figure 648280DEST_PATH_IMAGE005
代表关于商品的未来预定时间的预测库存。
Figure 962718DEST_PATH_IMAGE006
代表关于该商品的未来预定时间的真实库存（标签值）。该真实库存例如是经由人工标注或者利用标注软件进行自动标注。
Figure 504558DEST_PATH_IMAGE007
代表样本数量。
Figure 879038DEST_PATH_IMAGE008
代表均方差值。
关于神经网络模型的训练方法例如包括：用随机值初始化神经网络模型前向计算公式的参数；将关于多种商品中的每一个商品的历史库存时序特征的多个样本数据输入神经网络模型，以用于生成输出，即关于该多种商品中的每一个商品的未来预定时间的预测库存。基于损失函数计算预测库存和真实库存（标签值）的误差；根据损失函数的导数，沿梯度最小方向将误差回传，以用于修正神经网络模型前向计算公式中的各权重值；然后将商品的历史库存时序特征的其他样本数据输入神经网络模型，计算所输出的预测库存和真实库存（标签值）的均方差值，直到均方差值小于或者等于预定误差阈值，停止迭代。记录此时神经网络模型的网络参数。
在步骤212处，终端设备110确定与待购商品标识相关联的、未来预定时间的预测库存是否大于或者等于预定阈值。该预定阈值例如是预先设定的安全库存。
如果终端设备110确定与待购商品标识相关联的、未来预定时间的预测库存大于或者等于预定阈值，在步骤214处，生成关于库存操作请求的第一操作结果，以用于订单的生成。
在上述方案中，本公开能够在网络质量好的时候通过利用管理设备基于关于待售商品的当前可销售库存来锁定待操作数量；而在长时间未成功锁定待操作数量时（例如网络不稳定导致的），终端设备可以基于关于待售商品的预测库存来确定是否允许订单的生成。因此，本公开能够实现不仅在网络质量不稳定的情况下也能生成订单，而且能够避免超售。
以下将结合图4描述根据本公开的实施例的用于生成库存时序特征的方法400。图4示出了根据本公开的实施例的用于生成库存时序特征的方法400的流程图。应当理解，方法400例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的管理设备130处执行。应当理解，方法400还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤402处，管理设备130获取库存变更数据，库存变更数据至少指示与商品标识相关联的库存变更事件、库存变更数量和库存变更时间。管理设备130例如基于库存流水数据来获取库存变更数据。库存变更数据中所包括的库存变更事件例如包括：采购入库、退货入库、调拨入库、销售出库和调拨出库中的至少一个。
在步骤404处，管理设备130基于库存变更数据，生成库存时序数据。例如，以下表一示例了管理设备130基于库存流水数据而获取的库存变更数据。
表一
Figure 506329DEST_PATH_IMAGE009
表二示例了管理设备130基于表一的库存变更数据及其库存变更时间、预定时序间隔（例如5分钟）而生成的库存时序数据。
表二
Figure 424125DEST_PATH_IMAGE010
在步骤406处，管理设备130生成与商品标识相关联的时序特征数据。例如，管理设备130基于日期信息、节假日信息、促销活动信息、天气信息和商品属性数据，生成时序特征数据，时序特征数据与商品标识相关联。节假日信息和促销活动信息与库存变化存在一定的相关性。例如在促销活动期间，因为订单较多，库存容易快速较少。天气信息例如是下雪信息、下雨信息、晴天信息、雾霾信息。该天气信息与特定商品的销售量和库存变化存在一定相关性。商品属性例如是药品、食品、日用清洁用品等商品类别。例如，下雪信息与商品属性为感冒药品的销售量和库存变化存在一定相关性。
在步骤408处，管理设备130基于库存时序数据和时序特征数据，生成库存时序特征，以用于输入神经网络模型。
例如，管理设备130基于预定统计周期和预定统计周期内的历史库存数据，计算关于库存的同比数据和环比数据；以及基于商品标识，拼接与商品标识相关联的时序特征数据、时序特征数据、关于库存的同比数据和环比数据，以便生成库存时序特征。同比数据例如包括：关于库存的同比、同比增长率、周同比增长率、日同比增长率等特征值的一个或多个。环比数据例如包括：关于库存的环比、周环比、日环比、环比增长率等特征值中的一个或多个。环比用于表示连续2个统计周期（比如连续两月）内的量的变化比。周环比用于表示连续2周内的量的变化比、日环比用于表示连续2日内的量的变化比。同比用于表示与历史统计周期比较的量的变化比。周环比用于表示与历史同周比较的量的变化比、日环比用于表示与历史同日比较的量的变化比。以下结合公式（4）和（5）说明环比增长率和同比增长率的计算方式。
环比增长率=（Nt -Nt-1）/Nt×100%。（4）
同比增长率=（Nt -Mt）/|Mt |×100%。（5）
在上述公式（4）和（5）中，Nt代表本统计周期t的库存。Nt-1代表上一统计周期t-1的库存。Mt代表历史上（例如去年）相同统计周期t的库存。通过在库存时序特征包括关于库存的同比数据和环比数据，使得神经网络模型能够学习到库存的周期性变化特征，进而使得关于未来预定时间的预测库存更为准确。
在一些实施例中，库存时序特征例如是（X1,X2,X3,X4,X5,X6,X7,X8,X9,X10）。X1例如代表特征标识（例如是本条记录的标识），X2例如代表时间信息，X3例如代表商品标识，X4例如代表促销活动价格，X5例如代表非促销活动时的售价，X6例如代表天气信息，X7例如代表同比数据，X8例如代表环比数据，X9例如代表剩余保质期数据，X10例如代表商品属性。
以下将结合图5描述根据本公开的实施例的用于锁定待操作数量的方法500。图5示出了根据本公开的实施例的用于锁定待操作数量的方法500的流程图。应当理解，方法500例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的管理设备130处执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤502处，管理设备130确定是否接收到库存操作请求。管理设备130例如接收到来自多个终端设备110中多个库存操作请求。每个库存操作请求分别指示与不同待购商品标识相关联的各待操作数量。
如果管理设备130确认接收到库存操作请求，在步骤504处，确认待购商品标识相关联的当前可销售库存是否大于待操作数量。
如果管理设备130确认待购商品标识相关联的当前可销售库存大于待操作数量，在步骤506处，生成用于锁定待操作数量的锁。
在步骤508处，向终端设备发送关于库存操作请求的第二库存操作结果，以用于订单的生成。如果终端设备确认检测到第一操作结果或者第二操作结果，允许订单生成并且使得订单可被支付；如果终端设备确定网络质量符合预定条件，向管理设备发送经支付的订单，以用于管理设备在与待购商品标识相关联的总库存和锁定库存中分别扣减待操作数量。
在一些实施例中，为了避免因出现并发的扣减库存而导致的超卖，可以先在redis中进行扣减库存。因为redis是单线程，是高速串行执行，可以避免因出现并发的扣减库存而导致的超卖。
图6示意性示出了适于用来实现本公开实施例的电子设备（或者计算设备）600的框图。设备600可以是用于实现执行图2、图4至图5所示的方法200、400至500的设备。如图6所示，设备600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的计算机程序指令或者从存储单元608加载到随机访问存储器（RAM）603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608，处理单元601执行上文所描述的各个方法和处理，例如执行方法200、400至500例如，在一些实施例中，方法200、400至500可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU601执行时，可以执行上文描述的方法200、400至500的一个或多个操作。备选地，在其他实施例中，CPU 601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法200、400至500的一个或多个动作。
需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解，流程图和/或步骤图的每个方步骤以及流程图和/或步骤图中各方步骤的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。
附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、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，流程图或步骤图中的每个方步骤可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令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。在有些作为替换的实现中，方步骤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，两个连续的方步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，步骤图和/或流程图中的每个方步骤、以及步骤图和/或流程图中的方步骤的组合，可以用执行规定的功能或动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例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。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种用于库存信息处理的方法，包括：
在终端设备处，响应于检测到关于订单的预定操作，生成与所述订单相关联的库存操作请求，所述库存操作请求至少指示与待购商品标识相关联的待操作数量；
向管理设备发送所述库存操作请求，以用于所述管理设备基于所述库存操作请求和与所述待购商品标识相关联的当前可销售库存来锁定所述待操作数量；
响应于确定在第一预定时间间隔内检测到关于未成功锁定所述待操作数量的指示信息，获取与所述待购商品标识相关联的、未来预定时间的预测库存，与所述待购商品标识相关联的预测库存是经由神经网络模型基于库存时序特征而预测的，所述神经网络模型被配置在所述管理设备处、并且是经由关于历史库存时序特征的多个样本数据训练的；以及
响应于确定与所述待购商品标识相关联的预测库存大于或者等于预定阈值，生成关于所述库存操作请求的第一操作结果，以用于所述订单的生成。
2.根据权利要求1所述的方法，还包括：
响应于确认以下至少一项条件满足，确定在第一预定时间间隔内检测到关于未成功锁定所述待操作数量的指示信息：
检测到用于指示所述终端设备超时的信息；
检测到用于指示所述管理设备超时的信息；
检测到用于指示所述终端设备和所述管理设备之间的通信传输链路超时的信息；以及
确定第一预定时间间隔达到并且没有检测到来自所述管理设备的、关于所述库存操作请求的第二操作结果。
3.根据权利要求2所述的方法，还包括：
确认是否检测到所述第一操作结果或者来自所述管理设备的、关于所述库存操作请求的第二操作结果；
响应于确认检测到所述第一操作结果或者所述第二操作结果，使得所述订单可被支付；以及
响应于确定网络质量符合预定条件，向所述管理设备发送经支付的所述订单，以用于所述管理设备在与所述待购商品标识相关联的总库存和锁定库存中分别扣减所述待操作数量。
4.根据权利要求1所述的方法，还包括：
响应于确定第二预定时间间隔达到，确认网络质量是否符合预定条件；以及
响应于确认网络质量符合预定条件，从所述管理设备获取关于多个商品的未来预定时间的预测库存。
5.根据权利要求1所述的方法，还包括：
在管理设备处，获取库存变更数据，所述库存变更数据至少指示与商品标识相关联的库存变更事件、库存变更数量和库存变更时间；
基于所述库存变更数据，生成库存时序数据；
生成与商品标识相关联的时序特征数据；以及
基于所述库存时序数据和所述时序特征数据，生成所述库存时序特征，以用于输入所述神经网络模型。
6.根据权利要求4所述的方法，其中获取与所述待购商品标识相关联的、未来预定时间的预测库存包括：
基于所述待购商品标识、当前时间和关于多个商品的未来预定时间的预测库存，获取与所述待购商品标识相关联的、未来预定时间的预测库存。
7.根据权利要求5所述的方法，其中生成时序特征数据包括：
基于日期信息、节假日信息、促销活动信息、天气信息和商品属性数据，生成所述时序特征数据，所述时序特征数据与商品标识相关联。
8.根据权利要求5所述的方法，其中基于所述库存时序数据和所述时序特征数据生成所述库存时序特征包括：
基于预定统计周期和预定统计周期内的历史库存数据，计算关于库存的同比数据和环比数据；以及
基于商品标识，拼接与所述商品标识相关联的时序特征数据、时序特征数据、关于库存的同比数据和环比数据，以便生成所述库存时序特征。
9.根据权利要求5所述的方法，其中所述库存变更事件包括采购入库、退货入库、调拨入库、销售出库和调拨出库中的至少一个, 所述神经网络模型是基于均方差损失函数而优化的。
10.根据权利要求1所述的方法，其中所述管理设备基于所述库存操作请求和与所述待购商品标识相关联的当前可销售库存来锁定所述待操作数量包括：
在所述管理设备处，响应于接收到所述库存操作请求，确认所述待购商品标识相关联的当前可销售库存是否大于所述待操作数量；
响应于确认所述待购商品标识相关联的当前可销售库存大于所述待操作数量，生成用于锁定所述待操作数量的锁；以及
向所述终端设备发送关于所述库存操作请求的第二库存操作结果。
11.一种计算设备，包括：
至少一个处理单元；
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据权利要求1至10任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现根据权利要求1至10中任一项所述的方法。
CN202010798570.5A 2020-08-11 2020-08-11 用于库存信息处理的方法、计算设备和计算机存储介质 Active CN111680955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010798570.5A CN111680955B (zh) 2020-08-11 2020-08-11 用于库存信息处理的方法、计算设备和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010798570.5A CN111680955B (zh) 2020-08-11 2020-08-11 用于库存信息处理的方法、计算设备和计算机存储介质

Publications (2)

Publication Number Publication Date
CN111680955A true CN111680955A (zh) 2020-09-18
CN111680955B CN111680955B (zh) 2020-11-20

Family

ID=72458201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010798570.5A Active CN111680955B (zh) 2020-08-11 2020-08-11 用于库存信息处理的方法、计算设备和计算机存储介质

Country Status (1)

Country Link
CN (1) CN111680955B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561449A (zh) * 2020-12-25 2021-03-26 云汉芯城（上海）互联网科技股份有限公司 一种库存信息同步的方法和系统
CN113723892A (zh) * 2021-09-13 2021-11-30 北京沃东天骏信息技术有限公司 数据处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120179638A1 (en) * 2011-01-11 2012-07-12 National Tsing Hua University Relative variable selection system and selection method thereof
CN107038629A (zh) * 2017-06-13 2017-08-11 舒达家居用品（深圳）有限公司 一种商品交易中的订单处理方法、装置及服务器
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
CN111160834A (zh) * 2019-12-30 2020-05-15 江苏智融高科信息科技有限公司 一种基于日常订单与库存的库存预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120179638A1 (en) * 2011-01-11 2012-07-12 National Tsing Hua University Relative variable selection system and selection method thereof
CN107038629A (zh) * 2017-06-13 2017-08-11 舒达家居用品（深圳）有限公司 一种商品交易中的订单处理方法、装置及服务器
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
CN111160834A (zh) * 2019-12-30 2020-05-15 江苏智融高科信息科技有限公司 一种基于日常订单与库存的库存预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561449A (zh) * 2020-12-25 2021-03-26 云汉芯城（上海）互联网科技股份有限公司 一种库存信息同步的方法和系统
CN112561449B (zh) * 2020-12-25 2022-05-10 云汉芯城（上海）互联网科技股份有限公司 一种库存信息同步的方法和系统
CN113723892A (zh) * 2021-09-13 2021-11-30 北京沃东天骏信息技术有限公司 数据处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111680955B (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
US11468457B2 (en) Logistic demand forecasting
US8473316B1 (en) System and method for order processing state management
US11715066B2 (en) System and method for management of perpetual inventory values based upon customer product purchases
US11501251B2 (en) System and method for determination and management of root cause for inventory problems
US20200134545A1 (en) Supply chain forecasting system
CN111680955B (zh) 用于库存信息处理的方法、计算设备和计算机存储介质
CN108701286A (zh) 确定多种产品类型的交货日期
US11900430B2 (en) Turning predicted abandoned BOPIS orders into same-day delivery
US11334846B1 (en) Systems and computer-implemented methods for inventory management
CN113902370A (zh) 信息处理方法、装置、设备及存储介质
US20200057978A1 (en) Consolidated deferred fulfillment with reduced shipping resource consumption
US11620610B2 (en) Machine learning to predict impending abandonment of BOPIS orders
US12008590B2 (en) Machine learning model trained to predict conversions for determining lost conversions caused by restrictions in available fulfillment windows or fulfillment cost
US20200242644A1 (en) System and method using a dynamic pricing engine to determine pricing for goods
CN112051843A (zh) 基于订单预估的路径规划方法、装置、机器人和存储介质
CN113627662B (zh) 库存数据预测方法、装置、设备和存储介质
US20240135400A1 (en) Method and system to reduce food waste and optimize markdowns and control prices in retail
US20240070609A1 (en) Generating and providing notifications and indications identifying items that are likely to be restocked
US20230289707A1 (en) Asynchronous automated correction handling in concierge system of incorrectly sorted items using point-of-sale data
US20240070747A1 (en) Item availability model producing item verification notifications
US11875394B2 (en) Machine learning model for determining a time interval to delay batching decision for an order received by an online concierge system to combine orders while minimizing probability of late fulfillment
US20240005381A1 (en) Automation engine using a hyperparameter learning model to optimize sub-systems of an online system
US20240104569A1 (en) Enhanced security mechanisms for bypass checkout systems
CN116167677A (zh) 运单处理方法和装置、存储介质、电子设备
CN115456534A (zh) 库存数据处理方法、装置、设备和存储介质

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