CN111932188B - 用于库存管理的方法、电子设备和存储介质 - Google Patents
用于库存管理的方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111932188B CN111932188B CN202011019587.2A CN202011019587A CN111932188B CN 111932188 B CN111932188 B CN 111932188B CN 202011019587 A CN202011019587 A CN 202011019587A CN 111932188 B CN111932188 B CN 111932188B
- Authority
- CN
- China
- Prior art keywords
- commodity
- merchandise
- item
- determining
- inventory
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000008267 milk Substances 0.000 description 8
- 210000004080 milk Anatomy 0.000 description 8
- 235000013336 milk Nutrition 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000012206 bottled water Nutrition 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/083—Shipping
- G06Q10/0838—Historical 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例涉及用于库存管理的方法、设备和存储介质，涉及信息处理领域。根据该方法，基于时间序列模型和历史商品销售数据，确定与多个商品标识相关联的多个预测商品销售量；基于多个预测商品销售量和与多个商品标识相关联的多个商品体积，确定用于多个商品标识所属的多个商品类别的多个库存区域的多个面积；基于历史商品订单数据和关联规则模型，确定与多个商品类别相关联的多个第一支持度和与多个商品类别中的两两商品类别的共现相关联的多个第一置信度；基于多个第一支持度和多个第一置信度，生成多个商品类别的第一序列；以及基于第一序列和多个面积，生成库存区域图。由此，能够将共现可能性高的商品类别相邻放置，提高拣货效率。
Description
技术领域
本公开的实施例总体涉及信息处理领域，具体涉及用于库存管理的方法、电子设备和计算机存储介质。
背景技术
传统的库存管理往往采用人工方式对库存区域进行排布，更多地依赖人工经验。因此，在实际拣货过程中，同一订单中的不同商品类别的商品往往需要拣货人员从一个库存区域跑到距离较远地另一个库存区域进行拣货，使得拣货效率低下。
发明内容
提供了一种用于库存管理的方法、电子设备以及计算机存储介质，能够将共现可能性高的商品类别相邻放置，提高拣货效率。
根据本公开的第一方面，提供了一种用于库存管理的方法。该方法包括：基于时间序列模型和历史商品销售数据，确定与多个商品标识相关联的多个预测商品销售量；基于多个预测商品销售量和与多个商品标识相关联的多个商品体积，确定用于多个商品标识所属的多个商品类别的多个库存区域的多个面积；基于历史商品订单数据和关联规则模型，确定与多个商品类别相关联的多个第一支持度和与多个商品类别中的两两商品类别的共现相关联的多个第一置信度；基于多个第一支持度和多个第一置信度，生成多个商品类别的第一序列；以及基于第一序列和多个面积，生成库存区域图。
根据本公开的第二方面，提供了一种电子设备。该电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据第一方面所述的方法。
在本公开的第三方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
由此，能够将共现可能性高的商品类别相邻放置，提高拣货效率。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
图1是根据本公开的实施例的信息处理环境100的示意图。
图2是根据本公开的实施例的用于库存管理的方法200的示意图。
图3是根据本公开的实施例的用于确定多个预测商品销售量的方法300的示意图。
图4是根据本公开的实施例的用于生成第一序列的方法400的示意图。
图5是用来实现本公开实施例的用于库存管理的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“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。下文还可能包括其他明确的和隐含的定义。
如上所述，传统库存管理更多依赖人工经验对用于商品类别的库存区域进行排布，导致拣货人员针对同一订单中的不同类别的商品进行拣货时效率低下。
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管理的方案。在该方案中，计算设备基于时间序列模型和历史商品销售数据，确定与多个商品标识相关联的多个预测商品销售量；基于多个预测商品销售量和与多个商品标识相关联的多个商品体积，确定用于多个商品标识所属的多个商品类别的多个库存区域的多个面积；基于历史商品订单数据和关联规则模型，确定与多个商品类别相关联的多个第一支持度和与多个商品类别中的两两商品类别的共现相关联的多个第一置信度；基于多个第一支持度和多个第一置信度，生成多个商品类别的第一序列；以及基于第一序列和多个面积，生成库存区域图。以此方式，能够将共现可能性高的商品类别相邻放置，提高拣货效率。
在下文中，将结合附图更详细地描述本方案的具体示例。
图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括计算设备110、历史商品销售数据120、历史商品订单数据130以及库存区域图140。
计算设备110例如包括但不限于个人计算机、台式计算机、膝上型计算机、服务器计算机、多处理器系统、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。在一些实施例中，计算设备110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。
历史商品销售数据120例如可以包括多个商品的历史日销售数据。每个商品的历史日销售数据例如可以包括日期、商品类别、商品标识、日销售量等信息。
历史商品订单数据130例如可以包括日期、多个商品标识、多个商品类别以及数量等信息。
计算设备110用于基于时间序列模型和历史商品销售数据120，确定与多个商品标识相关联的多个预测商品销售量；基于多个预测商品销售量和与多个商品标识相关联的多个商品体积，确定用于多个商品标识所属的多个商品类别的多个库存区域的多个面积；基于历史商品订单数据130和关联规则模型，确定与多个商品类别相关联的多个第一支持度和与多个商品类别中的两两商品类别的共现相关联的多个第一置信度；基于多个第一支持度和多个第一置信度，生成多个商品类别的第一序列；以及基于第一序列和多个面积，生成库存区域图140。
由此，能够将共现可能性高的商品类别相邻放置，提高拣货效率。
图2示出了根据本公开的实施例的用于库存管理的方法200的流程图。例如，方法200可以由如图1所示的计算设备110来执行。应当理解的是，方法200还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在框202处，计算设备110基于时间序列模型和历史商品销售数据120，确定与多个商品标识相关联的多个预测商品销售量。
时间序列模型例如包括但不限于ARIMA时间序列模型。历史商品销售数据120例如可以包括多个商品的历史日销售数据。商品标识例如可以包括但不限于商品库存编号、商品名和规格等等。例如，X牌300ML牛奶的历史日销售数据，XX牌150ML瓶装水的历史日销售数据，XXX牌面包的历史日销售数据等等。每个商品的历史日销售数据例如可以包括一段时间内的每日销售数据，每日销售数据例如可以包括日期、商品类别、商品标识、日销售量等信息。例如，X牌300ML牛奶的历史日销售数据例如包括{2019-01-01,牛奶,X牌300ML,100}，{2019-01-02,牛奶,X牌300ML,120}，{2019-01-03,牛奶,X牌300ML,130}。下文将结合图3详细描述用于确定多个预测商品销售量的方法。
在框204处，计算设备110基于多个预测商品销售量和与多个商品标识相关联的多个商品体积，确定用于多个商品标识所属的多个商品类别的多个库存区域的多个面积。商品体积例如可以是基于与商品标识相关联的长、宽和高计算的。这里的“多个商品标识”的数量与“多个商品类别”的数量可以相同或不同。应当理解，库存区域的高一般是固定的，因此这里只考虑库存区域的面积。
具体来说，对于商品类别而言，可以通过将属于该商品类别的多个商品标识的预测商品销售量与商品体积分别相乘后再求和，得到用于该商品类别的库存区域的体积，再将该体积除以库存区域的固定高度，可以得到库存区域的面积。例如，属于商品类别“牛奶”有3个商品标识，X牌300ML，Y牌100ML，Z牌50ML，预测商品销售量分别为100、200、300，则商品类别“牛奶”的库存区域的体积为300*100+100*200+50*300（立方厘米）=650000（立方厘米）=0.65（立方米），除以固定高度（例如1.5米），则商品类别“牛奶”的库存区域的面积为0.5（平方米）。
在框206处，计算设备110基于历史商品订单数据130和关联规则模型，确定与多个商品类别相关联的多个第一支持度和与多个商品类别中的两两商品类别的共现相关联的多个第一置信度。关联规则模型例如包括但不限于FP-Growth模型。
历史商品订单数据130例如可以包括日期、多个商品标识、多个商品类别以及数量等信息。
某一商品类别的支持度例如可以定义为包括该商品类别的订单数量除以订单总数。
两两商品类别的共现可以定义为购买A商品时会购买商品B这一关联规则，其置信度例如可以定义为同时包括这两个商品类别A和B的订单数量除以包括商品类别B的订单数量。例如可以利用FP-Growth模型算法，从历史商品订单数据挖掘频繁项集，并从频繁项集挖掘关联规则，并确定关联规则的置信度。
在框208处，计算设备110基于多个第一支持度和多个第一置信度，生成多个商品类别的第一序列。下文将结合图4详细说明用于生成第一序列的方法。
在框210处，计算设备110基于第一序列和多个面积，生成库存区域图140。例如，可以在仓库平面图上基于多个商品类别的第一序列和多个面积，排布多个库存区域，从而生成库存区域图。具体来说，可以将第一序列中的首个商品类别的库存区域布置在仓库中距离拣货员出发点最近的仓库区域。随后可以按照第一序列中的顺序，将其他商品类别的库存区域进行布置。在一些实施例中，可以先按照行从左到右布置库存区域，直到该行的面积已经布置完，再从下一行从右到左布置库存区域，以此类推，这样一行端部的库存区域所针对的商品类别可以与上一行该端部的库存区域所针对的商品类别是共现可能性高的或相关度高的，从而提高拣货效率。最终生成库存区域图。
由此，能够将订单中共现可能性高的商品类别相邻放置，使得拣货人员能够在较为相近的库存区域拣选到同一订单中的商品，从而提高拣货效率。
上文描述了对用于多个商品类别的多个库存区域进行排序的方法，除此之外，还可以对同一商品类别的库存区域内用于不同商品的库存子区域进行排序。
例如，在一些实施例中，计算设备110还可以从多个商品标识中确定属于第一商品类别的商品标识集合。
随后，计算设备110可以确定与商品标识集合相关联的多个第二支持度和与商品标识集合中的两两商品标识的共现相关联的多个第二置信度。第二支持度和第二置信度的计算方式可参见上文，这里不再赘述。
接着，计算设备110可以基于多个第二支持度和所述多个第二置信度，生成商品标识集合的第二序列。具体来说，计算设备110可以基于多个第二支持度和多个第二置信度，确定与商品标识集合中的两两商品标识的共现相关联的多个相关度；从商品标识集合确定第二支持度最大的第一商品标识，作为第二序列中的首个商品标识；基于多个相关度，确定与第一商品标识最相关的第二商品标识，以添加到第二序列中位于第一商品标识之后；以及基于多个相关度，确定与第二商品标识最相关的第三商品标识，以添加到第二序列中位于第二商品标识之后。具体可参见下文关于第一序列的生成的描述。
最后，计算设备110可以基于第一序列、多个面积和第二序列，生成库存区域图。例如，除了如上所述基于第一序列排布库存区域外，还基于第二序列在第一库存区域内排布用于商品标识集合的多个库存子区域，从而生成库存区域图。在一些实施例中，计算设备110还可以基于与商品标识集合相关联的商品体积集合和预测商品销售量集合，确定用于商品标识集合的库存子区域集合的面积集合，以及基于第一序列、多个面积、第二序列和面积集合，生成库存区域图。
由此，能够实现同一商品类别内的不同商品的库存子区域按照相关度的排序，将共现可能性高或相关度高的商品的库存子区域相邻放置，进一步提高拣货人员拣选同一商品类别内的不同商品的拣货效率。
图3示出了根据本公开的实施例的用于确定多个预测商品销售量的方法300的流程图。例如，方法300可以由如图1所示的计算设备110来执行。应当理解的是，方法300还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在框302处，计算设备110基于历史商品销售数据，确定与多个商品标识相关联的多个年度趋势因子、多个周期性因子和多个季节性因子。年度趋势因子例如是基于上一年度的商品销售量相对于再上一年度的商品销售量的增长率确定的。周期性因子例如为周因子，例如通过将一周内的日销售量除以该周的日均销售量，可以得到该周内的日销售比值，然后将多个周内的同一日的日销售比值取中位值，就可以获得该日的周因子。季节性因子例如是基于月平均销售量除以整体平均销售量确定的。
在框304处，计算设备110基于多个年度趋势因子、多个周期性因子、多个季节性因子、预定噪声因子和时间序列模型，确定与多个商品标识相关联的多个预测商品销售量。
例如可以通过以下公式来确定预测商品销售量：lnYt=lnTCt+lnSt+lnIt，其中Yt为某一商品在t时间的预测商品销售量，T为年度趋势因子，Ct为周期性因子，St为季节性因子，It为预定噪声因子。
由此，通过计算年度区域因子、周期性因子和季节性因子等多个时间因子，能够较为准确地预测商品销售量。
图4示出了根据本公开的实施例的用于生成第一序列的方法400的流程图。例如，方法400可以由如图1所示的计算设备110来执行。应当理解的是，方法400还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在框402处，计算设备110基于多个第一支持度和多个第一置信度，确定与多个商品类别中的两两商品类别的共现相关联的多个相关度。
如上所述，两两商品类别的共现可以定义为购买A商品时会购买商品B这一规则，其置信度例如可以定义为同时包括这两个商品类别A和B的订单数量除以包括商品类别B的订单数量所得的值，而其相关度例如可以定义为置信度除以包括商品类别A的订单数量所得的值。
在框404处，计算设备110从多个商品类别确定第一支持度最大的第一商品类别，作为第一序列中的首个商品类别。第一支持度最大的第一商品类别也可以理解为最畅销的商品类别。
在框406处，计算设备110基于多个相关度，确定与第一商品类别最相关的第二商品类别，以添加到第一序列中位于第一商品类别之后。例如，可以从多个相关度中确定涉及第一商品类别与其他商品类别共现的相关度集合，从相关度集合中确定值最大的相关度，将与该相关度涉及的商品类别确定为与第一商品类别最相关的第二商品类别。由于同一订单中出现第一商品类别时最可能出现与第一商品类别最相关的第二商品类别，因此在第一序列中将第二商品类别放置在紧接第一商品类别之后，能够使得拣货人员能够在拣选了第一商品类别的商品之后快速拣选第二商品类别的商品，提高拣货效率。
在框408处，计算设备110基于多个相关度，确定与第二商品类别最相关的第三商品类别，以添加到第一序列中位于第二商品类别之后。例如，可以从多个相关度中确定涉及第二商品类别与其他商品类别共现的相关度集合，从相关度集合中确定值最大的相关度，将与该相关度涉及的商品类别确定为与第二商品类别最相关的第三商品类别。类似地，在订单中出现第二商品类别时，最可能出现第三商品类别，因此将第三商品类别放置在紧接第二商品类别之后，能够使得拣货人员能够在拣选了第二商品类别的商品之后快速拣选第三商品类别的商品，提高拣货效率。
应当理解，上述步骤可不断迭代进行，直到多个商品类别遍历完毕为止。
由此，第一序列中相邻的商品类别是订单共现概率较高的商品类别，使得拣货人员接收到订单时能够高效地在相邻区域拣选到订单中的商品，提高拣货效率。
库存管理除了库存区域设置以外，还可以涉及出货管理。具体来说，在一些实施例中，计算设备110还可以确定与当前订单中的商品标识集合相关联的库存量集合、运费成本集合以及仓库位置集合。
随后，计算设备110确定仓库位置集合与当前订单中的收货地址之间的距离集合。
接着，计算设备110可以基于库存量集合、运费成本集合、距离集合、与商品标识集合相关联的库存成本集合以及神经网络模型，确定用于发货的至少一个仓库位置以及商品标识集合中与至少一个仓库位置相关联的至少一个商品标识。
具体地，神经网络模型可以以库存量集合、运费成本集合、距离集合、与商品标识集合相关联的库存成本集合为输入，以最小成本为目标，确定用于发货的至少一个仓库位置以及商品标识集合中与至少一个仓库位置相关联的至少一个商品标识。
作为备选，这里也可以不使用神经网络模型，而只是计算按照各种可能的出货仓库组合来计算成本，确定成本最小的出货仓库组合。
由此，能够以最小成本确定出货仓库，从而完成出货。
备选地或者附加地，在一些实施例中，计算设备110还可以基于与第一商品标识相关联的第一库存量和第一商品体积，确定与第一商品标识相关联的第一库存体积。第一商品标识例如是上述多个商品标识之一。
计算设备110基于与第一商品标识相关联的第一预测商品销售量和第一商品体积，确定与第一商品标识相关联的第一预测体积。第一预测体积例如可以通过第一预测商品销售量与第一商品体积相乘得到。
计算设备110如果确定第一库存体积相对于第一预测体积的比值小于预定第一比值，则提示关于第一商品标识的备货信息。预定第一比值例如包括但不限于0.3。计算设备110例如可以经由用于库存管理的终端设备来提示备货信息。
计算设备110如果确定该比值大于预定第二比值，则提示关于第一商品标识的停止进货信息。预定第二比值例如包括但不限于0.8。
由此，能够在库存不饱和（也就是库存体积与预测体积之比小于预定第一比值）时，提示备货，在库存接近饱和时，提示停止进货，提高商品进货的智能化和库存区域使用效率。
备选地或者附加地，在一些实施例中，计算设备110还可以获取商品入库扫描图像。例如计算设备110可通过摄像头或传感器获取该图像。随后，计算设备110可以将商品入库扫描图像划分为多个子图像。最后，计算设备110基于多个子图像和图像识别模型，确定商品入库扫描图像中的破损位置。图像识别模型例如包括但不限于YOLO模型。例如通过扫描图片，通过YOLO模型算法，对图片切小块，接入卷积神经网络，对每个图片和边界框的置信度进行预测，判断每个框中存在破损的可能性，以及边界的位置准确度，并最终确定图像中的破损位置。
由此，能够在商品入库时通过扫描商品图像并识别其中的破损位置，及时发现入库商品的缺陷，从而提高入库商品的质量。
图5示出了可以用来实施本公开内容的实施例的示例设备500的示意性框图。例如，如图1所示的计算设备110可以由设备500来实施。如图所示，设备500包括中央处理单元（CPU）501，其可以根据存储在只读存储器（ROM）502中的计算机程序指令或者从存储单元508加载到随机访问存储器（RAM）503中的计算机程序指令，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标、麦克风等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200-400，可由处理单元501执行。例如，在一些实施例中，方法200-400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序被加载到RAM 503并由CPU501执行时，可以执行上文描述的方法200-400的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括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，所述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、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，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/或框图中的一个或多个方框中规定的功能/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/或框图中的一个或多个方框中规定的功能/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/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、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，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，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。
Claims (7)
1.一种用于库存管理的方法，包括：
基于时间序列模型和历史商品销售数据，确定与多个商品标识相关联的多个预测商品销售量；
基于所述多个预测商品销售量和与所述多个商品标识相关联的多个商品体积，确定用于所述多个商品标识所属的多个商品类别的多个库存区域的多个面积；
基于历史商品订单数据和关联规则模型，确定与所述多个商品类别相关联的多个第一支持度和与所述多个商品类别中的两两商品类别的共现相关联的多个第一置信度；
基于所述多个第一支持度和所述多个第一置信度，生成所述多个商品类别的第一序列；
基于所述第一序列和所述多个面积，生成库存区域图；
确定与当前订单中的商品标识集合相关联的库存量集合、运费成本集合以及仓库位置集合；
确定所述仓库位置集合与所述当前订单中的收货地址之间的距离集合；
基于所述库存量集合、所述运费成本集合、距离集合、与所述商品标识集合相关联的库存成本集合以及神经网络模型，确定用于发货的至少一个仓库位置以及所述商品标识集合中与所述至少一个仓库位置相关联的至少一个商品标识；
基于与第一商品标识相关联的第一库存量和第一商品体积，确定与所述第一商品标识相关联的第一库存体积；
基于与所述第一商品标识相关联的第一预测商品销售量和所述第一商品体积，确定与所述第一商品标识相关联的第一预测体积；
如果确定所述第一库存体积相对于所述第一预测体积的比值小于预定第一比值，则提示关于所述第一商品标识的备货信息；以及
如果确定所述第一库存体积相对于所述第一预测体积的比值大于预定第二比值，则提示关于所述第一商品标识的停止进货信息。
2.根据权利要求1所述的方法，其中确定所述多个预测商品销售量包括：
基于所述历史商品销售数据，确定与所述多个商品标识相关联的多个年度趋势因子、多个周期性因子和多个季节性因子；以及
基于所述多个年度趋势因子、所述多个周期性因子、所述多个季节性因子、预定噪声因子和所述时间序列模型，确定与所述多个商品标识相关联的所述多个预测商品销售量。
3.根据权利要求1所述的方法，其中生成所述第一序列包括：
基于所述多个第一支持度和所述多个第一置信度，确定与所述多个商品类别中的两两商品类别的共现相关联的多个相关度；
从所述多个商品类别确定第一支持度最大的第一商品类别，作为所述第一序列中的首个商品类别；
基于所述多个相关度，确定与所述第一商品类别最相关的第二商品类别，以添加到所述第一序列中位于所述第一商品类别之后；以及
基于所述多个相关度，确定与所述第二商品类别最相关的第三商品类别，以添加到所述第一序列中位于所述第二商品类别之后。
4.根据权利要求1所述的方法，还包括：
从所述多个商品标识中确定属于第一商品类别的商品标识集合；
确定与所述商品标识集合相关联的多个第二支持度和与所述商品标识集合中的两两商品标识的共现相关联的多个第二置信度；
基于所述多个第二支持度和所述多个第二置信度，生成所述商品标识集合的第二序列；以及
基于所述第一序列、所述多个面积和所述第二序列，生成所述库存区域图。
5.根据权利要求1所述的方法，还包括：
获取商品入库扫描图像；
将所述商品入库扫描图像划分为多个子图像；以及
基于所述多个子图像和图像识别模型，确定所述商品入库扫描图像中的破损位置。
6.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
7.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011019587.2A CN111932188B (zh) | 2020-09-25 | 2020-09-25 | 用于库存管理的方法、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011019587.2A CN111932188B (zh) | 2020-09-25 | 2020-09-25 | 用于库存管理的方法、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111932188A CN111932188A (zh) | 2020-11-13 |
| CN111932188B true CN111932188B (zh) | 2020-12-25 |
Family
ID=73334697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011019587.2A Active CN111932188B (zh) | 2020-09-25 | 2020-09-25 | 用于库存管理的方法、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932188B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561089A (zh) * | 2020-11-27 | 2021-03-26 | 成都飞机工业（集团）有限责任公司 | 一种易损备件关联分析预测方法 |
| CN112819404A (zh) * | 2021-01-13 | 2021-05-18 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、电子设备和存储介质 |
| CN112801578A (zh) * | 2021-01-18 | 2021-05-14 | 哈尔滨工业大学 | 一种应用于个体商贩的商品出入库管理系统及方法 |
| CN116611769B (zh) * | 2023-07-19 | 2024-06-14 | 杭州吉客云网络技术有限公司 | 订单聚合方法、装置、计算机设备及存储介质 |
| CN116957471B (zh) * | 2023-07-29 | 2024-03-19 | 京品高科信息科技（北京）有限公司 | 一种智能零售服务方法、系统、电子设备及存储介质 |
| CN118246970B (zh) * | 2024-05-27 | 2024-09-27 | 杭州铭信信息科技有限公司 | 模型训练及多品订货量预测方法、计算机设备和介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190279145A1 (en) * | 2016-09-21 | 2019-09-12 | Nec Corporation | Product lineup recommendation device, product lineup recommendation method, and product lineup recommendation program |
| CN107963385B (zh) * | 2016-10-18 | 2021-04-20 | 江苏苏宁物流有限公司 | 一种物流仓储领域中货物的处理方法及系统 |
| CN108074051B (zh) * | 2016-11-07 | 2021-08-20 | 菜鸟智能物流控股有限公司 | 一种库存管理方法及装置 |
| CN107886279A (zh) * | 2017-11-29 | 2018-04-06 | 商派软件有限公司 | 一种基于商家库存的全渠道库存分配方法 |
| CN108665212B (zh) * | 2018-05-03 | 2022-03-04 | 贝医信息科技（上海）有限公司 | 基于云平台的库存管理系统 |
-
2020
- 2020-09-25 CN CN202011019587.2A patent/CN111932188B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111932188A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932188B (zh) | 用于库存管理的方法、电子设备和存储介质 | |
| CN110751497B (zh) | 一种商品补货方法和装置 | |
| US20130275277A1 (en) | Shelf space product placement optimizer | |
| US8024218B2 (en) | Method and apparatus for determining the product marketability utilizing a percent coverage | |
| US20180096290A1 (en) | Sharing inventory between ordering channels | |
| US9990597B2 (en) | System and method for forecast driven replenishment of merchandise | |
| CN113128932B (zh) | 仓库备货处理方法、装置、存储介质与电子设备 | |
| CN109961198B (zh) | 关联信息生成方法和装置 | |
| CN109214730B (zh) | 信息推送方法和装置 | |
| CN110059991B (zh) | 仓库选品方法、系统、电子设备和计算机可读介质 | |
| CN111325587A (zh) | 用于生成信息的方法和装置 | |
| US12118482B2 (en) | Method and system for optimizing an objective having discrete constraints | |
| CN113095893A (zh) | 确定物品销量的方法和装置 | |
| CN115705560B (zh) | 用于处理模板改变的消息映射方法和系统 | |
| CN105574599A (zh) | 估算订单退货率的方法及装置 | |
| KR20220103616A (ko) | 제품 타이틀로부터 속성을 지능적으로 추출하기 위한 시스템 및 방법 | |
| CN109978421A (zh) | 信息输出方法和装置 | |
| US10902379B2 (en) | System for customized unrequested item resolution | |
| CN109255563B (zh) | 物品的储位区域的确定方法和装置 | |
| CN112016581A (zh) | 一种多维数据处理方法、装置、计算机设备及存储介质 | |
| US20210390574A1 (en) | Information processing system, information processing method, and storage medium | |
| CN110956417B (zh) | 一种门店商品处理方法和装置 | |
| TWI834101B (zh) | 用於低潛時聚合資料供應的電腦實施的系統與用於區域需求估計的電腦實施的系統以及方法 | |
| KR102369580B1 (ko) | 개선된 k-평균 클러스터링 알고리즘을 이용하여 부정 트랜잭션을 검출하기 위한 컴퓨터-구현 방법 | |
| CN115293291A (zh) | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231122 Address after: Room 201-1, 2nd Floor, No. 188 Yesheng Road, Lingang New Area, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, June 2013 Patentee after: Shanghai Mengying Technology (Group) Co.,Ltd. Address before: 211106 room 208, building 1, Shengtai Huafu, 36 Shengtai East Road, moling street, Jiangning District, Nanjing City, Jiangsu Province (Jiangning Development Zone) Patentee before: Nanjing dreampay Network Technology Co.,Ltd. |