CN113283671B - 一种预测补货量的方法、装置、计算机设备及存储介质 - Google Patents
一种预测补货量的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113283671B CN113283671B CN202110690753.XA CN202110690753A CN113283671B CN 113283671 B CN113283671 B CN 113283671B CN 202110690753 A CN202110690753 A CN 202110690753A CN 113283671 B CN113283671 B CN 113283671B
- Authority
- CN
- China
- Prior art keywords
- features
- order
- particle
- data
- replenishment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000002245 particle Substances 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 230000002452 interceptive effect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测补货量的方法、装置、计算机设备及存储介质。该方法包括对门店的历史销售数据进行序列化处理得到时间序列数据，对时间序列数据进行预处理得到数据集；对数据集进行特征提取得到高阶交互特征和原始特征，并将高阶交互特征和原始特征进行拼接得到融合特征；根据融合特征构建订购点生成模型，通过损失函数对订购点生成模型进行参数更新；采用惯性权重线性递减粒子群算法对订购点生成模型进行参数优化；根据优化后的订购点生成模型，输出最优补货量。本发明提取高阶交互特征与原始特征拼接后作为数据输入，使特征表达更为丰富，并通过对订购点生成模型进行参数更新和参数优化，兼具了预测误差、库存优化和网络模型优化的优点。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种预测补货量的方法、装置、计算机设备及存储介质。
背景技术
随着零售市场的竞争越来越激烈，用户需求不断提升，门店采取有效的补货策略至关重要；不良的补货策略一方面可能会导致门店库存积压，占用过多流动资金，提高商品损坏变质风险；另一方面可能会导致缺货，降低顾客对门店的满意度，丧失潜在的销售机会，造成企业利润的下降。
门店补货策略在实际应用场景中主要有两类：一类是基于业务规则来制订补货量，该类方法通常是根据商品在邻近一段时间的销量数据采用应用统计方法计算预测日均销量，以预测日均销量与备货天数计算周转库存，以日均销量乘以安全库存备货天数计算安全库存量，再根据商品门店持有库存量、在途入库量和出库数量计算商品的补货数量，这类方法具有库存波动范围不大的特点，但实际应用过程中具有时滞性，未能及时有效应对市场变化。另一类是基于需求预测制订补货量，该类方法通常采用ARIMA(自回归积分滑动平均模型)，TRANSFER(传递函数模型)、GARCH(广义自回归条件异方差模型)等方法预测未来一段时间商品需求，以此作为后续补货的参考。这类方法改进了前者方法的预测性能，但是简单的将预测的需求作为补货数量未能有效考虑目标库存优化的特点。
发明内容
本发明的目的是提供一种预测补货量的方法、装置、计算机设备及存储介质，旨在解决现有补货策略未能有效考虑目标库存优化的问题。
为解决上述技术问题，本发明的目的是通过以下技术方案实现的：提供一种一种预测补货量的方法，其包括：
对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；
对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；
根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；
采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；
根据优化后的所述订购点生成模型，输出最优补货量。
另外，本发明要解决的技术问题是还在于提供一种预测补货量的装置，其包括：
处理单元，用于对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；
拼接单元，用于对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；
模型更新单元，用于根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；
模型优化单元，用于采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；
输出单元，用于根据优化后的所述订购点生成模型，输出最优补货量。
另外，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的预测补货量的方法。
另外，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的预测补货量的方法。
本发明实施例公开了一种预测补货量的方法、装置、计算机设备及存储介质。该方法包括对门店的历史销售数据进行序列化处理得到时间序列数据，并对时间序列数据进行预处理得到数据集；对数据集进行特征提取得到高阶交互特征和原始特征，并将高阶交互特征和原始特征进行拼接得到融合特征；根据融合特征构建订购点生成模型，通过损失函数对订购点生成模型进行参数更新；采用惯性权重线性递减粒子群算法对订购点生成模型进行参数优化；根据优化后的订购点生成模型，输出最优补货量。本发明实施例提取高阶交互特征与原始特征拼接后作为数据输入，使特征表达更为丰富，引入了以提前期库存成本和持有成本的特定形式为损失函数，相比传统以均方误差最小的损失函数，更能符合提前期库存管理目标，兼具了考虑预测误差和库存优化的优点，并优化了模型的隐藏层节点数，优化了网络模型结构。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的预测补货量的方法的流程示意图；
图2为本发明实施例提供的步骤S101的子流程示意图；
图3为本发明实施例提供的步骤S102的子流程示意图；
图4为本发明实施例提供的步骤S104的子流程示意图；
图5为本发明实施例提供的预测补货量的装置的示意性框图；
图6为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的预测补货量的方法的流程示意图；
如图1所示，该方法包括步骤S101～S105。
S101、对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集。
具体的，如图2所示，所述步骤S101包括：
S201、获取门店的历史销售数据，采用日内销售模式对所述历史销售数据进行序列化处理得到时间序列数据；
S202、对所述时间序列数据依次进行清理异常样本处理、缺失值处理以及标准化处理，并采用滑动窗口方式构造出数据集；
其中，构造出的数据集为：
Y＝[yt+1yt+2…yt+LT]
其中，X代表从补货系统中获取及添加的外生变量，表示影响需求的获取的原始特征，Y表示代表预处理后的每日产品需求，x表示经过预处理后的时间序列数据，y表示对应时间的需求，N代表提取的特征个数，T表示向前提取数据的时间长度，t表示某一天，LT表示提前期的天数。
本实施例中，先获取零售门店营业过程中的历史销售数据，该数据源为历史M天每日销售的时间序列，可在补货系统中获取，然而由于存在门店库存不足导致缺货，因而时间序列中的销量不能真实反映门店缺货时顾客的需求，为了得到缺货情况下的需求，采用了intra-day sales patterns(日内销售模式)对数据进行处理得到缺货情况下的需求，得到处理后的时间序列，再根据与商品需求相关性大的影响因素，为其添加对应时间的外生变量，如雨雪等级、气温、是否节假日、是否节假前一天、是否节假日后一天、互补品是否促销、替代品是否促销等特征，从而得到作为样本的时间序列数据。
进一步的，所述时间序列数据进行预处理，包括：
清理异常样本：通过度量样本点之间的曼哈顿距离，当某一个样本点与其余样本点的距离超过某一阈值时，则认为该样本点为异常样本点，采用均值替换该异常样本点。
缺失值处理：采用牛顿差值法，对特征缺失值占比超过阈值或连续缺失数大于某一阈值的样本进行删除。
标准化处理：对于连续变量的样本，采用Z-score(数据标准化)方法对样本进行无量纲化处理，以便于不同量纲的特征进行比较；对于可能有两个取值的特征进行布尔化，例如是否节假日，是节假日为1，非节假日为0，对于可能有多个取值的特征采用编码。
构造数据集：采用滑动窗口方式构造数据集，输入数据集维度为(N+1,T)，输出数据维度为(1，LT)，即利用历史T个时间点N+1个时间序列数据来估计未来提前期LT每日的需求，即可构造出数据集。
S102、对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征。
具体的，如图3所示，所述步骤S102包括：
S301、对所述数据集进行四次卷积池化操作，每一次卷积池化操作的输出维度为
其中n表示输入层的特征的个数，k1表示卷积窗口高度，T1表示输入维度的长度，mc表示卷积器的个数；
S302、对每个输出维度进行特征提取，得到四个维度特征
以及
其中，N代表提取的特征个数，g代表池化窗口高度；
S303、将四个维度特征进行拼接，得到高阶交互特征；
S304、获取所述数据集的原始特征，将所述原始特征和高阶交互特征进行拼接得到融合特征。
本实施例中，首先，可采用CNN-Pooling(卷积神经网络-池化)提取有效的高阶交互特征，因为CNN卷积器具有local focuse(局部焦点)特性，因而可用于提取时间序列中的高阶交互特征，具体的，可采用四层(卷积、池化)对，代表四次卷积池化操作，卷积窗口选择的是Rk1*1，k1表示卷积窗口高度，1表示卷积窗口宽度，即对不同特征之间的同一个时间维度进行卷积，池化操作的方式也类似，即对不同特征之间的同一个时间维度进行池化，这样每一次卷积池化操作的输出维度为
分别将n、T1、mc以及k1代入输出维度中，即可得到四个输出维度。
然后，对四个输出维度进行特征提取，得到R1、R2、R3和R4四个维度特征，即
以及
分别将N、g和T1代入四个维度特征进行计算，然后再进行拼接，即可高阶交互特征。
最后，获取所述数据集的原始特征(即数据集中的X)，将所述原始特征和高阶交互特征进行拼接得到融合特征，将得到的所述融合特征作为后续的数据输入，可以使得特征表达更为丰富。
S103、根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新。
具体的，所述根据所述融合特征构建订购点生成模型，包括：
按如下公式构建订购点生成模型：
其中，Ypred表示预测在提前期每日需求构成的向量，
表示预测在提前期的其中一天的需求的向量。
本实施例中，可构建包含三隐藏层感知机，其中输入层的神经节点数为所述融合特征的特征维度数，输出层节点数为LT(即提前期的天数)，第一个隐藏层节点数为d1，第二隐藏层节点数为d2，第三隐藏层节点数为d3，将提前期每日需求的向量进行合并，即可构建出所述订购点生成模型。
具体的，所述通过损失函数对所述订购点生成模型进行参数更新，包括：
按如下损失函数L1或L2对所述订购点生成模型进行参数更新：
其中，Ytru表示实际在提前期每日需求构成的向量，
表示时间为t+j的真实需求量，
表示时间为t+i的预测需求量，商品每日单位缺货成本为Cp，商品每日单位持有成本为Ch，k是一个变量，k的取值为1至LT之间的整数值。
本实施例中，对于损失函数L1，是直接以提前期商品的缺货成本和持有成本之和作为损失函数；对于损失函数L2，是为了方便进行参数更新而采用均方值，分别将Ytru、
Cp、Ch以及k的值代入损失函数L1或损失函数L2，即可对所述订购点生成模型进行参数更新。
本发明将DNN(深度神经网络)和NewsVendorModel(报童模型)结合，以NewsVendorModel的目标函数的特定形式作为DNN网络的损失函数，一方面解决单纯以Euclidean distance(欧氏距离)作为损失函数时存在的未能考虑库存优化的缺点，另一方面利用DNN抓取特征的优良特点和挖掘历史数据，以获取对补货决策有用的信息。
S104、采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化。
本实施例中，对所述订购点生成模型进行参数优化，即对所述订购点生成模型中的三层隐藏层节点数进行优化，以实现神经网络结构参数优化。
在一实施例中，如图4所示，所述步骤S104包括：
S401、在所述订购点生成模型的任一组隐藏层节点数下，初始化每个粒子的位置和速度。
S402、根据所述粒子的位置和速度计算每个粒子的适应值。
S403、根据每个粒子的适应值求出每个粒子的个体最优值。
S404、根据每个粒子的个体最优值求出整个粒子群的全局最优解。
S405、将损失函数L1或L2作为适度函数，并对每个粒子的速度进行优化。其中，设为wmax为最大权重，wmin为最小权重，vs为初始速度，迭代最大步数为Np，则在当前迭代次数为n时，惯性权重为
其中wmax取值为0.9，wmin取值为0.4。
S406、根据如下公式对每个粒子的位置进行优化：
其中，
为粒子i在j维上的速度值，
为粒子i在j维位置上第t+1步的取值，
表示当前的粒子i搜索到的最优值的第j维取值，
表示全局最优值粒子g在第j维取值，c为学习因子，r为(0,1)取值的惩罚系数；分别将这些值带入上述公式后，即可对每个粒子的位置进行优化。
S407、根据所述适度函数判断当前粒子的取值是否是最优解或者迭代步数是否已达到最大值，若是则将当前粒子的取值作为最优的隐藏层节点数；若否则进行下一轮迭代计算，继续对每个粒子的位置进行优化，直至满足当前粒子的取值是最优解或者迭代步数达到最大值。
S105、根据优化后的所述订购点生成模型，输出最优补货量。
具体的，所述步骤S105包括：
依据所述订购点生成模型，按如下公式计算订购点rp0：
按如下公式计算补货量Q：
按如下公式计算补货成本FCost(Q)：
根据补货量公式和补货成本公式得到：
按如下公式计算最优备货周期Vo：
Vo＝argmin{FCost(V)}；
按如下公式计算最优补货量Qo：
本实施例中，根据该步骤中的式子，依次将已知量带入对应的公式中进行计算，即可计算出最优补货量Qo。
本发明实施例还提供一种预测补货量的装置，该预测补货量的装置用于执行前述预测补货量的方法的任一实施例。具体地，请参阅图5，图5是本发明实施例提供的预测补货量的装置的示意性框图。
如图5所示，预测补货量的装置500，包括：处理单元501、拼接单元502、模型更新单元503、模型优化单元504以及输出单元505。
处理单元501，用于对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；
拼接单元502，用于对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；
模型更新单元503，用于根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；
模型优化单元504，用于采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；
输出单元505，用于根据优化后的所述订购点生成模型，输出最优补货量。
该装置提取高阶交互特征与原始特征拼接后作为数据输入，使特征表达更为丰富，引入了以提前期库存成本和持有成本的特定形式为损失函数，相比传统以均方误差最小的损失函数，更能符合提前期库存管理目标，兼具了考虑预测误差和库存优化的优点，并优化了模型的隐藏层节点数，优化了网络模型结构。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述预测补货量的装置可以实现为计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6，图6是本发明实施例提供的计算机设备的示意性框图。该计算机设备600是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图6，该计算机设备600包括通过系统总线601连接的处理器602、存储器和网络接口605，其中，存储器可以包括非易失性存储介质603和内存储器604。
该非易失性存储介质603可存储操作系统6031和计算机程序6032。该计算机程序6032被执行时，可使得处理器602执行预测补货量的方法。
该处理器602用于提供计算和控制能力，支撑整个计算机设备600的运行。
该内存储器604为非易失性存储介质603中的计算机程序6032的运行提供环境，该计算机程序6032被处理器602执行时，可使得处理器602执行预测补货量的方法。
该网络接口605用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备600的限定，具体的计算机设备600可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域技术人员可以理解，图6中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图6所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器602可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器602还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例的预测补货量的方法。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种预测补货量的方法，其特征在于，包括：
对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；
对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；
根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；
采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；
根据优化后的所述订购点生成模型，输出最优补货量；
其中，所述对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征，包括：
对所述数据集进行四次卷积池化操作，每一次卷积池化操作的输出维度为
其中n表示输入层的特征的个数，k1表示卷积窗口高度，T1表示输入维度的长度，mc表示卷积器的个数；
对每个输出维度进行特征提取，得到四个维度特征
以及
其中，N代表提取的特征个数，g代表池化窗口高度；
将四个维度特征进行拼接，得到高阶交互特征；
获取所述数据集的原始特征，将所述原始特征和高阶交互特征进行拼接得到融合特征。
2.根据权利要求1所述的预测补货量的方法，其特征在于，所述对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集，包括：
获取门店的历史销售数据，采用日内销售模式对所述历史销售数据进行序列化处理得到时间序列数据；
对所述时间序列数据依次进行清理异常样本处理、缺失值处理以及标准化处理，并采用滑动窗口方式构造出数据集；
其中，构造出的数据集为：
其中，X代表从补货系统中获取及添加的外生变量，表示影响需求的获取的原始特征，Y表示代表预处理后的每日产品需求，x表示经过预处理后的时间序列数据，y表示对应时间的需求，N代表提取的特征个数，T表示向前提取数据的时间长度，t表示某一天，LT表示提前期的天数。
3.根据权利要求2所述的预测补货量的方法，其特征在于，所述根据所述融合特征构建订购点生成模型，包括：
按如下公式构建订购点生成模型：
其中，Ypred表示预测在提前期每日需求构成的向量，
表示预测在提前期的其中一天的需求的向量。
4.根据权利要求3所述的预测补货量的方法，其特征在于，所述通过损失函数对所述订购点生成模型进行参数更新，包括：
按如下损失函数L1或L2对所述订购点生成模型进行参数更新：
其中，Ytru表示实际在提前期每日需求构成的向量，
表示时间为t+j的真实需求量，
表示时间为t+i的预测需求量，商品每日单位缺货成本为Cp，商品每日单位持有成本为Ch，k是一个变量，k的取值为1至LT之间的整数值。
5.根据权利要求4所述的预测补货量的方法，其特征在于，所述采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化，包括：
在所述订购点生成模型的任一组隐藏层节点数下，初始化每个粒子的位置和速度；
根据所述粒子的位置和速度计算每个粒子的适应值；
根据每个粒子的适应值求出每个粒子的个体最优值；
根据每个粒子的个体最优值求出整个粒子群的全局最优解；
将损失函数L1或L2作为适应度函数，并对每个粒子的速度进行优化；
根据如下公式对每个粒子的位置进行优化：
其中，
为粒子i在j维上的速度值，
为粒子i在j维位置上第t+1步的取值，
表示当前的粒子i搜索到的最优值的第j维取值，
表示全局最优值粒子g在第j维取值，c为学习因子，r为(0，1)取值的惩罚系数，
为迭代在t+1步时的惯性权重系数；
根据所述适应度函数判断当前粒子的取值是否是最优解或者迭代步数是否已达到最大值，若是则将当前粒子的取值作为最优的隐藏层节点数。
6.根据权利要求4所述的预测补货量的方法，其特征在于，所述根据优化后的所述订购点生成模型，输出最优补货量，包括：
依据所述订购点生成模型，按如下公式计算订购点rp0：
按如下公式计算补货量Q：
按如下公式计算补货成本FCost(Q)：
根据补货量公式和补货成本公式得到：
按如下公式计算最优备货周期Vo：
Vo＝argmin{FCost(V)}；
按如下公式计算最优补货量Qo：
7.一种预测补货量的装置，其特征在于，包括：
处理单元，用于对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；
拼接单元，用于对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；
模型更新单元，用于根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；
模型优化单元，用于采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；
输出单元，用于根据优化后的所述订购点生成模型，输出最优补货量；
其中，所述拼接单元，包括：
对所述数据集进行四次卷积池化操作，每一次卷积池化操作的输出维度为
其中n表示输入层的特征的个数，k1表示卷积窗口高度，T1表示输入维度的长度，mc表示卷积器的个数；
对每个输出维度进行特征提取，得到四个维度特征
以及
其中，N代表提取的特征个数，g代表池化窗口高度；
将四个维度特征进行拼接，得到高阶交互特征；
获取所述数据集的原始特征，将所述原始特征和高阶交互特征进行拼接得到融合特征。
8.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的预测补货量的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的预测补货量的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110690753.XA CN113283671B (zh) | 2021-06-22 | 2021-06-22 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110690753.XA CN113283671B (zh) | 2021-06-22 | 2021-06-22 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283671A CN113283671A (zh) | 2021-08-20 |
| CN113283671B true CN113283671B (zh) | 2022-05-17 |
Family
ID=77285214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110690753.XA Active CN113283671B (zh) | 2021-06-22 | 2021-06-22 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283671B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114548871B (zh) * | 2022-02-24 | 2024-01-23 | 深圳九章数据科技有限公司 | 一种大数据驱动的供应链ai智能补货系统 |
| CN115909591B (zh) * | 2023-01-06 | 2023-05-05 | 北京国旺盛源智能终端科技有限公司 | 一种基于积分兑换柜的货物售卖管理方法、系统、设备 |
| CN116993271B (zh) * | 2023-09-26 | 2023-12-15 | 无锡容智技术有限公司 | 一种基于大数据的打印机零件移仓方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509030B (zh) * | 2018-11-15 | 2021-06-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
| CN110400103B (zh) * | 2019-05-08 | 2022-10-18 | 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 |
| US11475531B2 (en) * | 2019-06-27 | 2022-10-18 | Tata Consultancy Services Limited | Method and system for adaptive inventory replenishment |
| 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 |
| CN110610289B (zh) * | 2019-08-05 | 2023-11-07 | 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 |
| CN112150238A (zh) * | 2020-09-07 | 2020-12-29 | 湖北工业大学 | 一种基于深度神经网络的商品推荐方法及系统 |
| CN112734519B (zh) * | 2021-01-06 | 2022-08-09 | 河北工业大学 | 一种基于卷积自编码器网络的商品推荐方法 |
-
2021
- 2021-06-22 CN CN202110690753.XA patent/CN113283671B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283671A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283671B (zh) | 一种预测补货量的方法、装置、计算机设备及存储介质 | |
| JP7426388B2 (ja) | 在庫管理および最適化のためのシステムおよび方法 | |
| Feldman et al. | Revenue management under the Markov chain choice model | |
| EP3942384A1 (en) | Systems and methods for model fairness | |
| US10748072B1 (en) | Intermittent demand forecasting for large inventories | |
| CA3097449A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
| US20210398061A1 (en) | Reinforcement learning systems and methods for inventory control and optimization | |
| US11476669B2 (en) | Method and system for building reinforcement learning (RL) based model for generating bids | |
| US20240256871A1 (en) | Finite rank deep kernel learning with linear computational complexity | |
| US20230306505A1 (en) | Extending finite rank deep kernel learning to forecasting over long time horizons | |
| US9324026B2 (en) | Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium | |
| US20230186331A1 (en) | Generalized demand estimation for automated forecasting systems | |
| CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
| EP3918545A1 (en) | Method and system for optimizing an objective having discrete constraints | |
| CN113610610A (zh) | 基于图神经网络和评论相似度的会话推荐方法和系统 | |
| Jadli et al. | A Novel LSTM-GRU-Based Hybrid Approach for Electrical Products Demand Forecasting. | |
| Afshar et al. | An automated deep reinforcement learning pipeline for dynamic pricing | |
| CN116823468A (zh) | 一种基于sac的高频量化交易控制方法、系统及存储介质 | |
| Alamdari et al. | Deep reinforcement learning in seat inventory control problem: an action generation approach | |
| US20230186411A1 (en) | Optimized Hotel Room Display Ordering Based On Heterogenous Customer Dynamic Clustering | |
| CN113435938B (zh) | 电力现货市场中分布式特征数据选择方法 | |
| CN116228284A (zh) | 货品需求预测方法、训练方法、装置、计算机系统及介质 | |
| CN113313562A (zh) | 产品数据处理方法、装置、计算机设备和存储介质 | |
| Wang et al. | A neural network based choice model for assortment optimization | |
| Halbersberg et al. | Search and score-based waterfall auction optimization |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000 Patentee after: China Resources Digital Technology Co.,Ltd. Address before: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000 Patentee before: Runlian software system (Shenzhen) Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |