CN111768139A - 备货处理方法、装置、设备及存储介质 - Google Patents
备货处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111768139A CN111768139A CN201910565007.0A CN201910565007A CN111768139A CN 111768139 A CN111768139 A CN 111768139A CN 201910565007 A CN201910565007 A CN 201910565007A CN 111768139 A CN111768139 A CN 111768139A
- Authority
- CN
- China
- Prior art keywords
- resource
- stock
- data
- bin
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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]
- G06Q30/0631—Item recommendations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种备货处理方法、装置、设备及存储介质,该方法包括:接收备货调整请求,所述备货调整请求包括资源仓标识;基于所述资源仓标识,在资源仓备货信息中查询并确定与所述资源仓标识对应的备货调整信息,所述备货调整信息包括资源标识及对应的资源备货量;所述资源仓备货信息是基于预定时期内资源相关特征数据以及训练好的分类模型确定的,所述分类模型包括预设轮数的二分类模型;反馈所述备货调整信息,以便根据所述备货调整信息进行资源仓备货处理。可以准确地预测未来一定时间内不同区域的资源仓的备货调整信息,使资源仓及时备货,提高配送效率,从而提高用户购物体验。
Description
技术领域
本申请涉及电子商务技术领域,尤其涉及一种备货处理方法、装置、设备及存储介质。
背景技术
随着电商平台业务的不断壮大,各区域的大件仓库备货量也在逐渐增多,比如存放空调、冰箱、洗衣机等的仓库,大仓的压力逐渐显现,尤其是在大促阶段,并且客户方面更加注重自己的购买体验,希望下单后货品能够及时送达。为了缓解大仓的压力,减少配送时效,提高客户体验,减少运营成本,电商平台在不同区域建立了前置仓库业务,这些前置仓库(也可称为资源仓)主要可以存放大件货物,是距离用户更近的一种仓库,在日常运营中,这些前置仓库可以提前进行选品备货,如果本区域的用户下单后,可以优先从本区域的前置仓库进行定位、出库。
但是,这些前置仓库需要备哪些货物、各种货物需要备多少件,既能满足前置仓库的库存量,同时又能较高几率销售出去而不滞留在前置仓库,成为关键的技术问题。
发明内容
本申请提供一种备货处理方法、装置、设备及存储介质,以解决现有技术选品备货推荐不准确等缺陷。
本申请第一个方面提供一种备货处理方法,包括:
接收备货调整请求,所述备货调整请求包括资源仓标识;
基于所述资源仓标识,在资源仓备货信息中查询并确定与所述资源仓标识对应的备货调整信息,所述备货调整信息包括资源标识及对应的资源备货量;所述资源仓备货信息是基于预定时期内资源相关特征数据以及训练好的分类模型确定的,所述分类模型包括预设轮数的二分类模型;
反馈所述备货调整信息,以便根据所述备货调整信息进行资源仓备货处理。
可选地,基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,包括:
对于每个资源仓标识,将所述资源仓标识对应区域的资源相关特征数据输入到各轮的二分类模型,获得所述预设轮数的分类结果;根据所述预设轮数的分类结果,确定所述资源仓标识对应的备货调整信息;
将各资源仓标识对应的备货调整信息进行存储,形成所述资源仓备货信息。
可选地,根据所述预设轮数的分类结果,确定所述资源仓标识对应的备货调整信息,包括:
对于确定的每个资源标识,根据所述预设轮数的分类结果,选取其中最大数量作为该资源标识对应的资源备货量。
可选地,在基于所述资源仓标识,在资源仓备货信息中查询并确定与所述资源仓标识对应的备货调整信息之前,所述方法还包括:
获取训练特征数据及各轮的标签数据;
基于所述训练特征数据及各轮的标签数据,对预先建立的所述预设轮数的二分类网络进行训练,获得所述分类模型。
可选地,所述获取训练特征数据,包括:
获取预设的历史资源训练数据,所述历史资源训练数据至少包括销量数据、评论数据、流量数据、配送中心库存、资源信息、促销数据中的一种;
对所述历史资源训练数据进行特征提取,获得所述训练特征数据。
可选地,对所述历史资源训练数据进行特征提取,获得所述训练特征数据,包括:
采用皮尔森相关系数确定所述历史资源训练数据中各特征的相关性;
采用主成分分析算法PCA对所述历史资源训练数据中的多维特征进行降维处理,获得降维后的特征;
采用one-hot编码对降维后的特征进行特征提取,获得所述训练特征数据。
本申请第二个方面提供一种备货处理装置,包括:
接收模块,用于接收备货调整请求,所述备货调整请求包括资源仓标识;
处理模块,用于基于所述资源仓标识,在资源仓备货信息中查询并确定与所述资源仓标识对应的备货调整信息,所述备货调整信息包括资源标识及对应的资源备货量;所述资源仓备货信息是基于预定时期内资源相关特征数据以及训练好的分类模型确定的,所述分类模型包括预设轮数的二分类模型;
发送模块,用于反馈所述备货调整信息,以便根据所述备货调整信息进行资源仓备货处理。
可选地,所述处理模块,具体用于:
对于每个资源仓标识,将所述资源仓标识对应区域的资源相关特征数据输入到各轮的二分类模型,获得所述预设轮数的分类结果;根据所述预设轮数的分类结果,确定所述资源仓标识对应的备货调整信息;
将各资源仓标识对应的备货调整信息进行存储,形成所述资源仓备货信息。
可选地,所述处理模块,具体用于:
对于确定的每个资源标识,根据所述预设轮数的分类结果,选取其中最大数量作为该资源标识对应的资源备货量。
可选地,所述处理模块,还用于:
获取训练特征数据及各轮的标签数据;
基于所述训练特征数据及各轮的标签数据,对预先建立的所述预设轮数的二分类网络进行训练,获得所述分类模型。
可选地,所述处理模块,具体用于:
获取预设的历史资源训练数据,所述历史资源训练数据至少包括销量数据、评论数据、流量数据、配送中心库存、资源信息、促销数据中的一种;
对所述历史资源训练数据进行特征提取,获得所述训练特征数据。
可选地,所述处理模块,具体用于:
采用皮尔森相关系数确定所述历史资源训练数据中各特征的相关性;
采用主成分分析算法PCA对所述历史资源训练数据中的多维特征进行降维处理,获得降维后的特征;
采用one-hot编码对降维后的特征进行特征提取,获得所述训练特征数据。
本申请第三个方面提供一种计算机设备,包括:至少一个处理器和存储器;
所述存储器存储计算机程序;所述至少一个处理器执行所述存储器存储的计算机程序,以实现第一个方面提供的方法。
本申请第四个方面提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,所述计算机程序被执行时实现第一个方面提供的方法。
本申请实施例提供的备货处理方法、装置、设备及存储介质,通过接收备货调整请求,备货调整请求包括资源仓标识,基于资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息,反馈备货调整信息,以便根据备货调整信息进行资源仓备货处理,而资源仓备货信息是基于预定时期内资源相关特征数据以及训练好的分类模型确定的,分类模型包括预设轮数的二分类模型,从而可以准确地确定未来一定时间内不同资源仓需要备货的资源类型及对应的资源备货量,使各资源仓及时备货,提高配送效率,从而提高用户购物体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的备货处理方法的流程示意图;
图2为本申请另一实施例提供的备货处理方法的流程示意图;
图3为本申请再一实施例提供的备货处理方法的流程示意图;
图4为本申请一实施例提供的示例的最终的测试结果;
图5为本申请一实施例提供的模型训练及预测的示意图;
图6为本申请一实施例提供的示例性的输出结果;
图7为本申请一实施例提供的资源仓业务的流程示意图;
图8为本申请一实施例提供的备货处理装置的结构示意图;
图9为本申请一实施例提供的计算机设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先对本申请所涉及的名词进行解释:
选品备货:是指选择商品的类型以及不同类型的商品的备货数量。
SKU:商品的最小单元,如商品的颜色不同SKU的id就不同。
皮尔森相关系数:(Pearson correlation coefficient)也称皮尔森积矩相关系数(Pearson product-moment correlation coefficient),是一种线性相关系数。皮尔森相关系数是用来反映两个变量线性相关程度的统计量。
PCA:Principal Component Analysis,主成分分析算法,是一种使用最广泛的数据压缩算法。在PCA中,数据从原来的坐标系转换到新的坐标系,由数据本身决定。转换坐标系时,以方差最大的方向作为坐标轴方向,因为数据的最大方差给出了数据的最重要的信息。第一个新坐标轴选择的是原始数据中方差最大的方法,第二个新坐标轴选择的是与第一个新坐标轴正交且方差次大的方向。重复该过程,重复次数为原始数据的特征维数。
one-hot编码:one-hot code,也称为独热码,直观来说就是有多少个状态就有多少比特,而且只有一个比特为1,其他全为0的一种码制。在机器学习中对于离散型的分类型的数据,需要对其进行数字化比如说性别这一属性,只能有男性或者女性或者其他这三种值,如何对这三个值进行数字化表达?一种简单的方式就是男性为0,女性为1,其他为2。
本申请实施例提供的备货处理方法,适用于以下的业务场景:电商平台通过备货处理装置(也可称为选品装置)根据资源相关特征数据(比如各区域资源销量数据、用户评论数据等)确定未来一定时间内(比如未来20天)各区域的资源仓需要预备的资源类型(比如以资源标识区分类型)及对应的资源备货量,也可以生成各区域资源仓的备货清单,由配送中心将备货清单中对应的资源提前配送到各资源仓,实现资源仓的备货。当用户下单后,可以根据用户的收货地址来确定用户所在的区域的资源仓,由该资源仓为用户出库送货,提高配送效率,从而提高用户的购物体验。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
实施例一
本实施例提供一种备货处理方法,用于基于各区域资源相关特征数据确定各区域的资源仓的备货调整信息,以进行资源仓备货处理。本实施例的执行主体为备货处理装置,该装置可以设置在计算机设备中,比如电商平台的计算机设备。
如图1所示,为本实施例提供的备货处理方法的流程示意图,该方法包括:
步骤101,接收备货调整请求,备货调整请求包括资源仓标识。
具体的,用户可以是各区域资源仓相应的管理人员,也可以是电商平台的管理人员,还可以是其他相关人员。当需要对某区域的资源仓进行备货时,用户可以通过终端向备货处理装置发送备货调整请求,备货调整请求中可以包括资源仓标识。可以预先为每个资源仓设置对应的资源仓标识,用于唯一标识各资源仓。
步骤102,基于资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息。
其中,备货调整信息包括资源标识及对应的资源备货量;资源仓备货信息是基于预定时期内资源相关特征数据以及训练好的分类模型确定的,分类模型包括预设轮数的二分类模型。
具体的,可以预先基于预定时期内资源相关特征数据以及训练好的分类模型确定各资源仓标识对应的备货调整信息进行存储,形成资源仓备货信息。分类模型包括预设轮数的二分类模型。也可以是在接收到备货调整请求后,根据备货调整请求包括的资源仓标识,实时基于该资源仓标识对应区域的预定时期内资源相关特征数据以及训练好的分类模型确定该资源仓标识对应的备货调整信息,本实施例不做限定。
在接收到备货调整请求后,基于备货调整请求中包括的资源仓标识在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息。备货调整信息包括资源标识及对应的资源备货量。
预定时期内资源相关特征数据可以包括预定时期内的销售特征数据、评论特征数据、流量特征数据、资源特征数据、促销特征数据等等类型的特征数据。比如获取近20日的销售数据、评论数据、流量数据、资源数据、销售数据等历史资源相关数据,经过特征提取获得上述资源相关特征数据。
其中,资源可以以最小单元SKU来划分,比如获取各区域的每个SKU资源(也可称商品)近20日的销量数据。销量数据可以包括每个SKU资源近20日的销售平均价格。评论数据可以包括评论总数、好评率、平均得分等,可以是每个SKU资源近一年的评论数据。流量数据可以包括一定时间段内加入购物车的用户数、浏览的用户数(uv)、浏览的次数(pv)和平均浏览时长等数据。配送中心库存可以是资源仓上游的配送中心各个SKU资源的库存、采购未入库、在库库存等数据。资源数据可以包括每个SKU资源的品类、品牌、属性(颜色、尺寸、分辨率、能级等效等等)等数据。促销数据可以包括每个SKU资源的促销类型(比如秒杀、优惠券、直降等等)、促销次数等数据。具体各类数据的选取的预定时期可以根据实际需求设置,只要与训练模型时的数据规则一致即可,本实施例不做限定。
资源标识可以是资源的SKU,也可以是为每种资源配置的其他形式的标识信息,具体可以根据实际需求设置。
可选地,这些历史资源相关数据可以从电商平台的数据库中获得,比如从大数据平台hive进行开发,保存相应的表中,通过资源仓标识(比如资源仓ID)和资源标识(比如资源ID)关联,对关联后的缺失值数据进行化零、平均、删除清洗等处理。具体获取历史资源相关数据的过程为现有技术,在此不再赘述。
可选地,在获取到这些历史资源相关数据后,可以采用相应的特征提取算法对这些历史资源相关数据进行特征提取,获得分类模型可识别的资源相关特征数据。
可选地,特征提取算法可以为现有技术中任意可实施的算法,在此不做限定。可以理解地,资源相关特征数据的获得过程与训练特征数据的获得过程应当一致,以保证分类模型分类的准确性。
分类模型包括预设轮数的二分类模型。即将某资源仓标识对应的同一份资源相关特征数据,分别输入到多轮的二分类模型中,每轮二分类模型获得一组分类结果,最终获得多组分类结果。根据多组分类结果来确定该资源仓标识对应的备货调整信息。
可选地,对于分类模型中二分类模型的预设轮数,可以根据实际需求设置,比如可以是10轮、20轮等等,本实施例不做限定。
示例性的,为了控制备货过多造成滞销风险,可以限定每个资源仓每个SKU资源推荐备货的件数不得超过预设数量,比如10件,即对于未来20天内推荐的实际备货量可以是1-10件,采用多轮二分类将多分类转化成二分类的问题,在训练时,通过标签变换对多轮二分类网络进行训练获得多轮的二分类模型。在训练时可以以当前之前20-40天的历史数据作为训练数据,根据当前之前近20天的历史数据作为分类结果的判断。
示例性地:
第1轮:销售数量大于1件标签为1,否则为0;
第2轮:销售数量大于2件为标签1,否则为0;
……
第9轮:销售数量大于9件为标签1,否则为0;
第10轮:销售数量大于10件为标签1,否则为0。
可选地,可以对同一个二分类网络依次进行10轮(根据实际需求也可以是其他数量)的训练并进行预测,即先将训练特征数据与第1轮的标签数据对二分类网络进行训练,获得第一二分类模型,然后用第一二分类模型对待预测特征数据进行预测获得一组分类结果,然后将训练特征数据与第二轮的标签数据对该二分类网络进行训练,获得第二二分类模型,再进行预测获得一组分类结果,以此类推,获得10组分类结果。
可选地,还可以是建立10个相同的二分类网络,采用相同的训练特征数据与不同的标签数据并行进行训练和预测,获得10组分类结果。具体可以根据实际需求设置,本实施例不做限定。
可选地,在获得多组分类结果后,可以结合多组分类结果来确定该资源仓标识对应的备货调整信息。
示例性的,10组分类结果中可能有相同的资源,也可能是不同的资源;对于分类结果的同一种资源标识在不同组的分类结果中预测的备货数量可能不同。比如资源A在一组分类结果中预测的备货数量是5,在另一组分类结果中预测的备货数量为8,可以根据实际需求选择最大的备货数量。当然也可以选择最小的,具体可以根据实际需求设置。按照预设的规则,将多组分类结果进行整合,获得最终的备货调整信息。
可选地,获取资源相关特征数据,具体可以包括:
采用皮尔森相关系数确定历史资源相关数据多维特征中各特征的相关性。
可选地,为了减少特征的相关性,还可以采用PCA进行降维处理,获得降维后的特征;
基于降维后的特征进行特征提取,获得资源相关特征数据。比如采用one-hot编码对降维后的特征进行特征提取。
步骤103,反馈备货调整信息,以便根据备货调整信息进行资源仓备货处理。
具体的,在确定了资源仓标识对应的备货调整信息后,则可以反馈备货调整信息,以便根据备货调整信息进行资源仓备货处理。
示例性的,可以将备货调整信息在终端界面进行显示,或者发送给该资源仓标识上游的配送中心,以使配送中心向该资源仓运送资源。还可以将备货调整信息生成备货清单等等。具体可以根据实际需求设置,本实施例不做限定。
本实施例提供的备货处理方法,通过预先基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,分类模型包括预设轮数的二分类模型,当接收到备货调整请求,基于备货调整请求包括的资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息进行反馈,以便根据备货调整信息进行资源仓备货处理,从而可以准确地确定未来一定时间内不同资源仓需要备货的资源类型及对应的资源备货量,使各资源仓及时备货,提高配送效率,从而提高用户购物体验。
实施例二
本实施例对实施例一提供的方法做进一步补充说明。
如图2所示,为本实施例提供的备货处理方法的流程示意图。
作为一种可实施的方式,在上述实施例一的基础上,可选地,基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,具体包括:
步骤2011,对于每个资源仓标识,将资源仓标识对应区域的资源相关特征数据输入到各轮的二分类模型,获得预设轮数的分类结果;根据预设轮数的分类结果,确定资源仓标识对应的备货调整信息。
步骤2012,将各资源仓标识对应的备货调整信息进行存储,形成资源仓备货信息。
具体的,对于每个资源仓,在进行分类之前,需要先对该资源仓对应区域的历史资源相关数据进行特征提取,获得资源相关特征数据。资源相关特征数据的提取规则应该与分类模型训练时一致。将资源相关特征数据输入到各轮的二分类模型,获得预设轮数的分类结果。根据预设轮数的分类结果,确定资源仓标识对应的备货调整信息。将各资源仓标识对应的备货调整信息进行存储,形成资源仓备货信息。
可选地,还可以是在接收到备货调整请求后对于备货请求包括的资源仓标识,实时基于该资源仓标识对应区域的资源相关特征数据,采用预先训练好的分类模型,确定该资源仓标识对应的备货调整信息进行反馈。
示例性的,可以对同一个二分类网络依次进行10轮(根据实际需求也可以是其他数量)的训练及预测,即先将训练特征数据与第1轮的标签数据对二分类网络进行训练,获得第一二分类模型,让后用第一二分类模型对待预测特征数据进行预测获得一组分类结果,然后将训练特征数据与第二轮的标签数据对该二分类网络进行训练,获得第二二分类模型,再进行预测获得一组分类结果,以此类推,获得10组分类结果。还可以是建立10个相同的二分类网络,采用相同的训练特征数据与不同的标签数据并行进行训练和预测,获得10组分类结果。具体可以根据实际需求设置,本实施例不做限定。
可选地,根据预设轮数的分类结果,确定资源仓标识对应的备货调整信息,包括:
对于确定的每个资源标识,根据预设轮数的分类结果,选取其中最大数量作为该资源标识对应的资源备货量。
示例性的,10组分类结果中可能有相同的资源,也可能是不同的资源;对于分类结果的同一种资源标识在不同组的分类结果中预测的备货数量可能不同。比如资源A在一组分类结果中预测的备货数量是5,在另一组分类结果中预测的备货数量为8,可以根据实际需求选择最大的备货数量。当然也可以选择最小的,具体可以根据实际需求设置。按照预设的规则,将多组分类结果进行整合,获得最终的备货调整信息。
作为另一种可实施的方式,在上述实施例一的基础上,可选地,在基于资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息之前,该方法还可以包括:
步骤2021,获取训练特征数据及各轮的标签数据。
步骤2022,基于训练特征数据及各轮的标签数据,对预先建立的预设轮数的二分类网络进行训练,获得分类模型。
具体的,分类模型需要预先训练获得才能进行预测,可以预先获取训练特征数据及各轮的标签数据。比如训练特征数据可以包括当前之前20-40日的销售特征数据,以及一定时段的评论特征数据、流量特征数据、配送中心库存特征数据、资源特征数据、促销特征数据等等。用于预测该资源仓当前之前近20日的备货调整信息,以近20日的实际销售数据来打标签。
示例性的,第1轮:销售数量大于1件标签为1,否则为0;
第2轮:销售数量大于2件为标签1,否则为0;
……
第9轮:销售数量大于9件为标签1,否则为0;
第10轮:销售数量大于10件为标签1,否则为0。
可选地,获取训练特征数据,包括:
步骤2031,获取预设的历史资源训练数据,历史资源训练数据至少包括销量数据、评论数据、流量数据、配送中心库存数据、资源数据、促销数据中的一种。
步骤2032,对历史资源训练数据进行特征提取,获得训练特征数据。
需要说明的是,获取训练特征数据的处理过程与上述的获取资源相关特征数据的处理过程一致,在此不再赘述。
可选地,对历史资源训练数据进行特征提取,获得训练特征数据,包括:
步骤2041,采用皮尔森相关系数确定历史资源训练数据中各特征的相关性。
具体的,运用皮尔森相关系数检验各特征的相关性。皮尔森相关系数是检验两个变量间线性相关程度的方法,计算公式如下:
X和Y是两个变量,cov(X,Y)是X和Y的协方差,σX是X的方差,σY是Y的方差,μX是X的期望,μY是Y的期望。上式定义了总体相关系数,估算样本的协方差和标准差,可得到样本相关系数(样本皮尔逊系数),常用英文小写字母r代表。具体计算r的方式为现有技术,在此不再赘述。
皮尔森相关系数r值的判断:
|r|>0.95存在显著性相关;
|r|≥0.8高度相关;
0.5≤|r|<0.8中度相关;
0.3≤|r|<0.5低度相关;
|r|<0.3关系极弱,认为不相关。
对于模型的训练来说,特征之间的相关性越弱越好,尽量减少相关性特征对模型结果的影响。因此,在确定了各特征的初始相关度后,需要对其进行降维处理。
步骤2042,采用主成分分析算法PCA对历史资源训练数据中的多维特征进行降维处理,获得降维后的特征。
具体的,在确定了各特征的初始相关度后,若有些特征相关度很强,则需要减少特征的相关性。可选地,可以直接删除相关度强的特征。但是对于不同维度的特征变量,删除哪些维度也比较难以抉择。因此,可以采用PCA进行降维处理,来减少特征之间的相关性。
PCA主要是通过求数据集的协方差矩阵最大的特征值对应的特征向量,由此找到数据方差最大的几个方向,对数据达到降维的效果,把原先的n个特征用数目更少的m个特征取代,新特征是旧特征的线性组合,这些线性组合最大化样本方差,尽量使新的特征互不相关。具体的降维处理为现有技术,在此不再赘述。
需要说明的是步骤2042为可选地步骤也可以不执行该步骤,执行完步骤2041后执行步骤2043。
步骤2043,采用one-hot编码对降维后的特征进行特征提取,获得训练特征数据。
具体的,比如特征中品类、品牌等属于定性特征,需要转换为定量特征。
one-hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程,主要进行“二进制化”操作。示例性的,如图3所示,为本实施例提供的one-hot编码示意图。具体的特征提取过程为现有技术,在此不再赘述。
可选地,还可以采用其他可以实施的特征提取算法进行特征提取。
示例性的,为了提高准确率,可以把大件货物的十几个品类化为6个品类,每个品类下按销量选取top10-15的品牌(这些品牌在单个品类中贡献了80%以上的销量)进行训练。
可选地,本实施例采用的二分类模型可以为Xgboost模型。
可选地,在训练过程中需要进行模型参数调整,示例性的调整过程具体如下:
(1)把训练数据集(即训练特征数据)按7:3(根据实际需求也可以是其他比例)分为训练数据集和验证数据集,训练数据集用于模型训练,验证数据集用于寻找最优参数,可以采用先固定一个参数,对另一个参数用不同值进行5次交叉验证,看评估指标的变化情况,找出最优参数。
(2)主要参数调优结果:
采用Xgboost模型进行训练,主要参数调整后结果如下:
booster:gbtree,这个参数有两个值,树模型和线性模型,本示例中采用了树模型;
objective:multi:softmax,返回预测的类别和'num_class'参数一块使用;
num_class:2,分类个位,本示例采用2分类;
gamma:0.1,这个参数的值越大,算法越保守,不容易出现过拟合;
max_depth:14,这个值也是用来避免过拟合的,越大越容易过拟合;
subsample:0.7,控制随机采样的比例,值越小,算法越保守,避免过拟合;
min_child_weight:3,这个值也是用来避免过拟合的,越大越不容易过拟合;
eta:0.01,如同学习率,越大越不容易过拟合,过大也会造成欠拟合。
(3)评估指标:
本申请用到的评估指标是:准确率、召回率和F值。二分类问题中,预测值和真实值会出现四种情况。在训练集中,如果一个样本标签是1也被预测成1,记成TP(TruePositive);如果样本标签是1被预测为0,记成FP(False Positive),如果一个样本标签是0也被预测成0,记成TN(True Negative);如果样本标签是0被预测为1,记成FN(FalseNegative)。如表1所示。
表1
训练集 | 预测1 | 预测0 |
实际1 | TP(True Positive) | FN(False Negative) |
实际0 | FP(False Positive) | TN(True Negative) |
准确率和召回率越高一般模型效果越高,但是一般准确率和召回率有相对的过程,即准确率提高的同时,召回率会有所下降,反之亦然;而F值,则是综合这二者指标的评估指标,用于综合反映整体的指标,F值越高模型越好。本示例中更加注重的是准确率,所以保证一定的召回率情况下,主要参考准确率指标,如图4所示,为本实施例提供的示例的最终的测试结果。
这样10轮下来,模型的效果在每轮都比较稳定,且准确率高。
示例性的,如图5所示,为本实施例提供的模型训练及预测的示意图。每轮训练及预测完成后,进行标签变换,进入下一轮的训练和预测。具体地,第1轮把整个训练集中的标签值进行转换,销售数量大于1件的,转换后为标签值1,否则为0,构成二分类,然后用模型进行训练,把训练好的模型去预测准备好的整个预测数据集(即待预测特征数据),输出为0和1的结果,转换为实际推荐的件数0件和1件;
第2轮同理第1轮,把输出0和1的结果,转换为实际推荐的件数0件和2件。以此类推,进行10轮;
经过10轮的模型训练并进行预测,把所有的预测值保存在一起,因为每轮都是同样的预测集数据,经过了10轮的预测后会有同样的商品ID下,推荐不同的件数,最后取同样商品ID下预测的最高件数。如图6所示,为本实施例提供的示例性的输出结果。其中,第一列即为资源仓标识,第二列即为资源标识,第三列为预测的资源备货量,第四列为预测的资源的品类。
示例性的,如图7所示,为本实施例提供的资源仓业务的流程示意图。资源仓业务主要两个部分:资源仓备货阶段(即前置仓库备货阶段)和进行销售阶段。以资源仓B为例:
1、备货阶段:通过备货处理装置,推荐相应的商品和数量,然后根据推荐的结果制作成备货清单提交到上游的配送中心,配送中心根据备货单选择商品配送到资源仓。
2、在销售阶段,根据用户下单的目的地,优先定位到该区域的资源仓,如果有货,就从该仓库发货,及时高效的送达客户,如果没有货就要从上游的配送中心进行发货,最后送达客户,可见资源仓选品备货的准确性在整个架构中起着关键性的作用。
需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
本实施例提供的备货处理方法,通过预先基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,分类模型包括预设轮数的二分类模型,当接收到备货调整请求,基于备货调整请求包括的资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息进行反馈,以便根据备货调整信息进行资源仓备货处理,从而可以准确地确定未来一定时间内不同资源仓需要备货的资源类型及对应的资源备货量,使各资源仓及时备货,提高配送效率,从而提高用户购物体验。
实施例三
本实施例提供一种备货处理装置,用于执行上述实施例一的方法。
如图8所示,为本实施例提供的备货处理装置的结构示意图。该备货处理装置30包括接收模块31、处理模块32和发送模块33。
其中,接收模块,用于接收备货调整请求,备货调整请求包括资源仓标识;处理模块,用于基于资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息,备货调整信息包括资源标识及对应的资源备货量;资源仓备货信息是基于预定时期内资源相关特征数据以及训练好的分类模型确定的,分类模型包括预设轮数的二分类模型;发送模块,用于反馈备货调整信息,以便根据备货调整信息进行资源仓备货处理。
关于本实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据本实施例提供的备货处理装置,通过预先基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,分类模型包括预设轮数的二分类模型,当接收到备货调整请求,基于备货调整请求包括的资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息进行反馈,以便根据备货调整信息进行资源仓备货处理,从而可以准确地确定未来一定时间内不同资源仓需要备货的资源类型及对应的资源备货量,使各资源仓及时备货,提高配送效率,从而提高用户购物体验。
实施例四
本实施例对上述实施例提供的装置做进一步补充说明,以执行上述实施例二提供的方法。
作为一种可实施的方式,在上述实施例的基础上,可选地,处理模块,具体用于:
对于每个资源仓标识,将资源仓标识对应区域的资源相关特征数据输入到各轮的二分类模型,获得预设轮数的分类结果;根据预设轮数的分类结果,确定资源仓标识对应的备货调整信息;
将各资源仓标识对应的备货调整信息进行存储,形成资源仓备货信息。
可选地,处理模块,具体用于:
对于确定的每个资源标识,根据预设轮数的分类结果,选取其中最大数量作为该资源标识对应的资源备货量。
作为另一种可实施的方式,在上述实施例的基础上,可选地,处理模块,还用于:
获取训练特征数据及各轮的标签数据;
基于训练特征数据及各轮的标签数据,对预先建立的预设轮数的二分类网络进行训练,获得分类模型。
可选地,处理模块,具体用于:
获取预设的历史资源训练数据,历史资源训练数据至少包括销量数据、评论数据、流量数据、配送中心库存、资源信息、促销数据中的一种;
对历史资源训练数据进行特征提取,获得训练特征数据。
可选地,处理模块,具体用于:
采用皮尔森相关系数确定历史资源训练数据中各特征的相关性;
采用主成分分析算法PCA对历史资源训练数据中的多维特征进行降维处理,获得降维后的特征;
采用one-hot编码对降维后的特征进行特征提取,获得训练特征数据。
关于本实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
根据本实施例的备货处理装置,通过预先基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,分类模型包括预设轮数的二分类模型,当接收到备货调整请求,基于备货调整请求包括的资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息进行反馈,以便根据备货调整信息进行资源仓备货处理,从而可以准确地确定未来一定时间内不同资源仓需要备货的资源类型及对应的资源备货量,使各资源仓及时备货,提高配送效率,从而提高用户购物体验。
实施例五
本实施例提供一种计算机设备,用于执行上述实施例提供的方法。
如图9所示,为本实施例提供的计算机设备的结构示意图。该计算机设备50包括:至少一个处理器51和存储器52;
存储器存储计算机程序;至少一个处理器执行存储器存储的计算机程序,以实现上述实施例提供的方法。
根据本实施例的计算机设备,通过预先基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,分类模型包括预设轮数的二分类模型,当接收到备货调整请求,基于备货调整请求包括的资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息进行反馈,以便根据备货调整信息进行资源仓备货处理,从而可以准确地确定未来一定时间内不同资源仓需要备货的资源类型及对应的资源备货量,使各资源仓及时备货,提高配送效率,从而提高用户购物体验。
实施例六
本实施例提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,计算机程序被执行时实现上述任一实施例提供的方法。
根据本实施例的计算机可读存储介质,通过预先基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,分类模型包括预设轮数的二分类模型,当接收到备货调整请求,基于备货调整请求包括的资源仓标识,在资源仓备货信息中查询并确定与资源仓标识对应的备货调整信息进行反馈,以便根据备货调整信息进行资源仓备货处理,从而可以准确地确定未来一定时间内不同资源仓需要备货的资源类型及对应的资源备货量,使各资源仓及时备货,提高配送效率,从而提高用户购物体验。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种备货处理方法,其特征在于,包括:
接收备货调整请求,所述备货调整请求包括资源仓标识;
基于所述资源仓标识,在资源仓备货信息中查询并确定与所述资源仓标识对应的备货调整信息,所述备货调整信息包括资源标识及对应的资源备货量;所述资源仓备货信息是基于预定时期内资源相关特征数据以及训练好的分类模型确定的,所述分类模型包括预设轮数的二分类模型;
反馈所述备货调整信息,以便根据所述备货调整信息进行资源仓备货处理。
2.根据权利要求1所述的方法,其特征在于,基于预定时期内资源相关特征数据以及训练好的分类模型确定资源仓备货信息,包括:
对于每个资源仓标识,将所述资源仓标识对应区域的资源相关特征数据输入到各轮的二分类模型,获得所述预设轮数的分类结果;根据所述预设轮数的分类结果,确定所述资源仓标识对应的备货调整信息;
将各资源仓标识对应的备货调整信息进行存储,形成所述资源仓备货信息。
3.根据权利要求2所述的方法,其特征在于,根据所述预设轮数的分类结果,确定所述资源仓标识对应的备货调整信息,包括:
对于确定的每个资源标识,根据所述预设轮数的分类结果,选取其中最大数量作为该资源标识对应的资源备货量。
4.根据权利要求1所述的方法,其特征在于,在基于所述资源仓标识,在资源仓备货信息中查询并确定与所述资源仓标识对应的备货调整信息之前,所述方法还包括:
获取训练特征数据及各轮的标签数据;
基于所述训练特征数据及各轮的标签数据,对预先建立的所述预设轮数的二分类网络进行训练,获得所述分类模型。
5.根据权利要求4所述的方法,其特征在于,所述获取训练特征数据,包括:
获取预设的历史资源训练数据,所述历史资源训练数据至少包括销量数据、评论数据、流量数据、配送中心库存、资源信息、促销数据中的一种;
对所述历史资源训练数据进行特征提取,获得所述训练特征数据。
6.根据权利要求5所述的方法,其特征在于,对所述历史资源训练数据进行特征提取,获得所述训练特征数据,包括:
采用皮尔森相关系数确定所述历史资源训练数据中各特征的相关性;
采用主成分分析算法PCA对所述历史资源训练数据中的多维特征进行降维处理,获得降维后的特征;
采用one-hot编码对降维后的特征进行特征提取,获得所述训练特征数据。
7.一种备货处理装置,其特征在于,包括:
接收模块,用于接收备货调整请求,所述备货调整请求包括资源仓标识;
处理模块,用于基于所述资源仓标识,在资源仓备货信息中查询并确定与所述资源仓标识对应的备货调整信息,所述备货调整信息包括资源标识及对应的资源备货量;所述资源仓备货信息是基于预定时期内资源相关特征数据以及训练好的分类模型确定的,所述分类模型包括预设轮数的二分类模型;
发送模块,用于反馈所述备货调整信息,以便根据所述备货调整信息进行资源仓备货处理。
8.根据权利要求7所述的装置,其特征在于,所述处理模块,具体用于:
对于每个资源仓标识,将所述资源仓标识对应区域的资源相关特征数据输入到各轮的二分类模型,获得所述预设轮数的分类结果;根据所述预设轮数的分类结果,确定所述资源仓标识对应的备货调整信息;
将各资源仓标识对应的备货调整信息进行存储,形成所述资源仓备货信息。
9.一种计算机设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机程序;所述至少一个处理器执行所述存储器存储的计算机程序,以实现权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有计算机程序,所述计算机程序被执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565007.0A CN111768139B (zh) | 2019-06-27 | 2019-06-27 | 备货处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565007.0A CN111768139B (zh) | 2019-06-27 | 2019-06-27 | 备货处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768139A true CN111768139A (zh) | 2020-10-13 |
CN111768139B CN111768139B (zh) | 2023-04-07 |
Family
ID=72718258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910565007.0A Active CN111768139B (zh) | 2019-06-27 | 2019-06-27 | 备货处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768139B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115099525A (zh) * | 2022-07-28 | 2022-09-23 | 国连科技(浙江)有限公司 | 一种货物仓储管理方法、系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005060034A (ja) * | 2003-08-13 | 2005-03-10 | Fujitsu Ltd | 在庫管理システムおよび在庫管理方法 |
UA111151U (uk) * | 2015-11-26 | 2016-11-10 | Олександр Сергійович Мицкевич | Спосіб автоматизованого отримання та обробки даних щодо залишків щонайменше одного виду об'єкта у місцях продажу товарів |
WO2016206556A1 (zh) * | 2015-06-25 | 2016-12-29 | 阿里巴巴集团控股有限公司 | 仓库资源信息处理、提供库存信息的方法及装置 |
WO2017124566A1 (zh) * | 2016-01-24 | 2017-07-27 | 赵政荣 | 根据销售情况备货技术数据的统计方法以及备货系统 |
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 |
WO2017167128A1 (zh) * | 2016-03-31 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 一种物流资源的调度方法、设备及系统 |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN107963385A (zh) * | 2016-10-18 | 2018-04-27 | 苏宁云商集团股份有限公司 | 一种物流仓储领域中货物的处理方法及系统 |
CN108197878A (zh) * | 2018-01-29 | 2018-06-22 | 王旖旎 | 一种跨境电商海外仓精准库存管理系统及方法 |
CN108960719A (zh) * | 2018-06-29 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 选品方法和装置以及计算机可读存储介质 |
CN109325808A (zh) * | 2018-09-27 | 2019-02-12 | 重庆智万家科技有限公司 | 基于Spark大数据平台的商品需求预测与物流分仓规划方法 |
CN109345170A (zh) * | 2018-09-26 | 2019-02-15 | 成都创友邦科技有限公司 | 一种外贸b2c电商备货方法及系统 |
CN109492774A (zh) * | 2018-11-06 | 2019-03-19 | 北京工业大学 | 一种基于深度学习的云资源调度方法 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
-
2019
- 2019-06-27 CN CN201910565007.0A patent/CN111768139B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005060034A (ja) * | 2003-08-13 | 2005-03-10 | Fujitsu Ltd | 在庫管理システムおよび在庫管理方法 |
WO2016206556A1 (zh) * | 2015-06-25 | 2016-12-29 | 阿里巴巴集团控股有限公司 | 仓库资源信息处理、提供库存信息的方法及装置 |
UA111151U (uk) * | 2015-11-26 | 2016-11-10 | Олександр Сергійович Мицкевич | Спосіб автоматизованого отримання та обробки даних щодо залишків щонайменше одного виду об'єкта у місцях продажу товарів |
WO2017124566A1 (zh) * | 2016-01-24 | 2017-07-27 | 赵政荣 | 根据销售情况备货技术数据的统计方法以及备货系统 |
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 |
WO2017167128A1 (zh) * | 2016-03-31 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 一种物流资源的调度方法、设备及系统 |
CN107963385A (zh) * | 2016-10-18 | 2018-04-27 | 苏宁云商集团股份有限公司 | 一种物流仓储领域中货物的处理方法及系统 |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN108197878A (zh) * | 2018-01-29 | 2018-06-22 | 王旖旎 | 一种跨境电商海外仓精准库存管理系统及方法 |
CN108960719A (zh) * | 2018-06-29 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 选品方法和装置以及计算机可读存储介质 |
CN109345170A (zh) * | 2018-09-26 | 2019-02-15 | 成都创友邦科技有限公司 | 一种外贸b2c电商备货方法及系统 |
CN109325808A (zh) * | 2018-09-27 | 2019-02-12 | 重庆智万家科技有限公司 | 基于Spark大数据平台的商品需求预测与物流分仓规划方法 |
CN109492774A (zh) * | 2018-11-06 | 2019-03-19 | 北京工业大学 | 一种基于深度学习的云资源调度方法 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
Non-Patent Citations (3)
Title |
---|
叶倩怡: "基于Xgboost方法的实体零售业销售额预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》, 15 March 2017 (2017-03-15), pages 1 - 81 * |
李_颖BISCUIT: "SVM多分类之一对一与一对多,URL:https://www.jianshu.com/p/4743a4b5b610?tdsourcetag=s_pctim_aiomsg", 《简书》, 15 January 2019 (2019-01-15) * |
许姗姗: "基于机器学习的商品销售预测的研究", 《统计理论与实践》, 30 April 2019 (2019-04-30) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115099525A (zh) * | 2022-07-28 | 2022-09-23 | 国连科技(浙江)有限公司 | 一种货物仓储管理方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111768139B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9569499B2 (en) | Method and apparatus for recommending content on the internet by evaluating users having similar preference tendencies | |
KR102307517B1 (ko) | 네트워크 기반 상품 추천 방법 및 장치 | |
CN117350766B (zh) | 一种基于私域电商平台的数据处理方法、系统及存储介质 | |
CN108090807B (zh) | 信息推荐方法及装置 | |
CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
CN113052651A (zh) | 一种基于大数据的智能零售管理方法及系统 | |
CN116433339B (zh) | 订单数据的处理方法、装置、设备及存储介质 | |
CN115082153A (zh) | 一种商家质量评价方法、装置、电子设备及存储介质 | |
CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
CN116188050A (zh) | 基于数据分析的外卖平台信息处理系统 | |
CN108629467B (zh) | 一种样品信息处理方法及系统 | |
CN115564531A (zh) | 商品组合推荐方法及其装置、设备、介质、产品 | |
CN117495512B (zh) | 订单数据的管理方法、装置、设备及存储介质 | |
CN111768139B (zh) | 备货处理方法、装置、设备及存储介质 | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
JP2002015043A (ja) | 鮮魚の流通支援情報の提供方法および鮮魚の流通支援情報の提供装置 | |
CN111275371A (zh) | 数据处理方法、数据处理设备和计算机可读存储介质 | |
CN115578155A (zh) | 一种订单搜索方法、装置、计算机设备和存储介质 | |
CN116012086A (zh) | 商品价格的评估方法、装置、电子设备及存储介质 | |
CN113762990B (zh) | 商品推荐的方法、装置、计算设备及计算机存储介质 | |
CN113971572A (zh) | 数据处理方法、交互方法、计算设备及计算机存储介质 | |
CN114723354A (zh) | 一种针对供应商的线上商机挖掘方法、设备及介质 | |
JP4664847B2 (ja) | 過誤発注防止方法 | |
CN110738538A (zh) | 识别相似物品的方法和装置 | |
CN117689274B (zh) | 基于供应链管理的绩效智能核算方法、装置、设备及介质 |
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 |