CN113469598A - 智慧供应链系统及服务器平台 - Google Patents

Abstract

提供智慧供应链系统及服务器平台，对多种商品的供应链进行管理。智慧供应链系统具备：商品分类装置，基于历史数据，对多种商品进行分类；销售预测装置，基于历史数据以及所述商品分类装置针对多种商品的分类结果，按每种商品进行销售预测；以及智能补货装置，基于所述销售预测装置的预测结果，应用自动补货模型，生成补货决策，所述销售预测装置按每种商品进行概率密度区间预测，从而进行所述销售预测。由此，能够有效融合商品分类、销售预测与智能补货这三大重要板块，进而实现了从点预测到区间预测的跨越，能够提供全面又细致划分的数据整合方案来预测销量。

Description

智慧供应链系统及服务器平台

技术领域

本发明涉及智慧供应链系统及服务器平台，尤其涉及智慧供应链的布局方式。

背景技术

近年来，迫切需要对生产厂商、供应商、销售门店之间的供应链进行有效的管理。具体而言，在供应链管理中，首先需要对商品进行科学地分类与定位，然后再对不同类别的商品采取相应的销售与库存策略。其次，需要更准确的销售预测，作为商品数量的驱动器，以此为核心的需求计划可支持各个环节的计划制定，每提升1％的预测准确率可以带来数倍运营成本的降低。最后，需要将自动补货模型应用到特定的场景去优化库存结构，使库存持续保持健康水平，在入库情况下，定位到满足此次补货条件的所有SKU(库存保有单位)，依据补货任务跑模型得出补货量的建议，最终生成补货决策给到生产。

然而，现有技术中并没有提出满足上述需求的供应链管理方案，迫切需要能够满足上述需求的智慧供应链的布局方式。

进而，销售预测是在各个行业都不可缺少的参考指标，无论企业的规模大小、人员多少，销售预测影响到包括计划、预算和补货等确定在内的各方面管理工作。例如，在专利文献1(CN110570154A)中公开了一种零售企业补货方法，通过公式计算来预测补货数量。

但是，在这些现有技术方案中对数据分析不全面，会导致销售预测结果与据此生成的补货量均不够准确，从而可能造成货品积压而影响资金周转，或者货品数量不足而使消费者无法购得商品，影响企业整体销售。

因此，需要全面又细致划分的数据整合方案来进行销售预测并制定补货计划。

发明内容

本发明针对现有技术中上述技术问题，其目的在于，提供以全面又细致划分的数据整合方案来预测销量的智慧供应链系统及服务器平台。

本发明的一个实施方式提供一种智慧供应链系统，对多种商品的供应链进行管理，其特征在于，具备：商品分类装置，基于历史数据，对多种商品进行分类；销售预测装置，基于历史数据以及所述商品分类装置针对多种商品的分类结果，按每种商品进行销售预测；以及智能补货装置，基于所述销售预测装置的预测结果，应用自动补货模型，生成补货决策，所述销售预测装置按每种商品进行概率密度区间预测，从而进行所述销售预测。

由此，能够有效融合商品分类、销售预测与智能补货这三大重要板块，进而实现了从点预测到区间预测的跨越，能够提供全面又细致划分的数据整合方案来预测销量。

上述智慧供应链系统也可以是，所述销售预测装置具备：数据收集部，针对由所述商品分类装置分类为需要确认需求预测结果的每种商品，至少收集作为历史数据的销量数据；数据处理部，针对由所述数据收集部收集的数据，至少进行数据探查、特征工程与数据聚合，生成训练样本；模型构建部，构建基于概率密度的区间预测模型，将由所述数据处理部生成的所述训练样本输入所述基于概率密度的区间预测模型，针对每种商品进行销售预测；以及预测结果处理部，基于所述模型构建部的预测结果，保存每种商品的分布参数作为预测结果。

由此，能够建立全自动的销售预测装置，适于投入生产。

上述智慧供应链系统也可以是，所述数据处理部在所述数据探查中，探查由所述数据收集部收集的数据与商品的销量之间的相关性，使用特征选择法筛选出高相关性且不冗余的特征，所述数据处理部在所述特征工程中，将所述特征分为目标时间序列、随时间变化的离散特征、随时间变化的连续特征、静态离散特征、静态连续特征中的某一种，所述数据处理部在所述数据聚合中，将所述数据按预测时间聚合成所述训练样本。

由此，通过对收集的数据进行处理，能够使其符合基于概率密度的区间预测模型的形式。

上述智慧供应链系统也可以是，所述模型构建部利用DeepAR模型构建基于概率密度的区间预测模型，输入所述训练样本，估计所述目标时间序列服从预先设定的分布的最优参数，以便计算规定置信水平下的置信区间，作为针对该商品的销量的概率密度区间预测结果。

由此，实现了从点预测到区间预测的跨越，能够被用来进行对仅有少量历史数据或者根本没有历史数据的项目预测，解决了新商品预测冷启动的问题。

上述智慧供应链系统也可以是，所述智能补货装置基于所述销售预测装置的概率密度区间预测结果，生成不定期不定量的补货决策。

由此，能够提供更加灵活的补货策略。

上述智慧供应链系统也可以是，所述智能补货装置具备：最佳补货点制定部，根据所述概率密度区间预测结果，制定最佳补货点；最佳经济补货量制定部，根据所述概率密度区间预测结果，基于EOQ即经济补货量模型制定最佳经济补货量；以及补货计划输出部，输出包含所述最佳补货点和所述最佳经济补货量的补货计划。

由此，生成包含最佳补货点和最佳经济补货量的补货计划，从而适配不同类型的商品，提供更加灵活的应对方式。

上述智慧供应链系统也可以是，所述最佳补货点制定部计算每种商品的安全库存与订单提前期内的备货量之和作为动态补货点，其中，所述最佳补货点制定部计算基于所述概率密度区间预测结果的每种商品的需求标准差与对应于服务水平的安全系数的乘积，作为所述安全库存，进而，所述最佳补货点制定部使用所述概率密度区间预测结果的指定置信区间内的需求下限值、需求上限值或需求中位数作为每天备货量，将所述每天备货量与订单提前期天数的乘积作为订单提前期内的备货量。

通过使用概率密度预测结果与对应于服务水平的安全系数可得到相对合理的安全库存，从而保证了补货点的准确性。

上述智慧供应链系统也可以是，所述最佳经济补货量制定部根据周期内每次订货成本、周期内每件商品的保管成本以及基于所述概率密度区间预测结果的周期内需求量，基于EOQ即经济补货量模型制定最佳经济补货量，针对由所述商品分类装置分类的稳定商品，使用所述概率密度区间预测结果的指定置信区间内的需求中位数作为所述周期内需求量，针对由所述商品分类装置分类的畅销商品，使用所述概率密度区间预测结果的指定置信区间内的需求上限值作为所述周期内需求量，针对由所述商品分类装置分类的长尾商品，使用所述概率密度区间预测结果的指定置信区间内的需求下限值作为所述周期内需求量。

由此，能够适配不同类型的商品，提供更加灵活的应对方式。

上述智慧供应链系统也可以是，所述智慧供应链系统的应用对象包括销售门店、供应商和生产厂商之中的至少一个，在所述应用对象为销售门店的情况下，所述销售预测装置按每种商品建立与短期对应的基于概率密度的区间预测模型，在所述应用对象为供应商的情况下，所述销售预测装置按每种商品建立与长期和短期分别对应的基于概率密度的区间预测模型，在所述应用对象为生产厂商的情况下，所述销售预测装置按每种商品建立与长期对应的基于概率密度的区间预测模型。

由此，根据应用对象不同建立与不同预测时间对应的基于概率密度的区间预测模型。

本发明的一个实施方式还提供一种服务器平台，对多种商品的供应链进行管理，具备处理器、存储器和接口，能够经由所述接口与客户端设备进行数据通信，其特征在于，所述处理器通过执行所述存储器中存储的程序，执行如下处理：商品分类处理，基于历史数据，对多种商品进行分类；销售预测处理，基于历史数据以及所述商品分类处理针对多种商品的分类结果，按每种商品进行销售预测；以及智能补货处理，基于所述销售预测处理的预测结果，应用自动补货模型，生成补货决策，所述销售预测处理按每种商品进行概率密度区间预测，从而进行所述销售预测，所述销售预测处理的结果及/或所述补货决策经由所述接口被发送给所述客户端设备。

本发明的智慧供应链系统的上述各具体方式及其效果，也能够通过上述服务器平台、上述智慧供应链系统所执行的方法、使计算机执行上述方法的程序、或者存储了上述程序的记录介质实现。

附图说明

图1是表示本发明的第一实施方式的智慧供应链系统能够被应用的应用对象的概念图。

图2是表示本发明的第一实施方式的智慧供应链系统的功能结构框图。

图3是表示本发明的第一实施方式的智慧供应链系统的硬件结构的一例的框图。

图4是表示本发明的第一实施方式的智慧供应链系统的硬件结构的另一例的框图。

图5是表示本发明的第一实施方式的智慧供应链系统所执行的方法的流程图。

图6是表示本发明的第二实施方式的智慧供应链系统中的销售预测装置的功能结构框图。

图7是表示本发明的第二实施方式的智慧供应链系统中的销售预测装置所利用的销售预测模型的示意图。

图8是表示本发明的第二实施方式的智慧供应链系统中的智能补货装置的功能结构框图。

图9是表示本发明的第二实施方式的智慧供应链系统中的智能补货装置所利用的EOQ模型的示意图。

图10是表示本发明的具体例1中智慧供应链系统所执行的方法的流程图。

图11是表示本发明的具体例1中的预测结果的可视化结果的一例的示意图。

图12是表示本发明的具体例1中的预测结果的可视化结果的另一例的示意图。

附图标记说明：

100：智慧供应链系统；10：商品分类装置；20：销售预测装置；21：数据收集部；22：数据处理部；23：模型构建部；24：预测结果处理部；30：智能补货装置；31：最佳补货点制定部；32：最佳经济补货量制定部；33：补货计划输出部；110、110A、110B：处理器；120、120A、120B：存储器；130、130A、130B：接口；140：输入设备；150：显示部；160、160A、160B：总线；100A：服务器平台；100B：客户端设备；200：数据库。

具体实施方式

以下结合附图、实施方式及具体例对本发明进行更详细的说明。其中，下述说明只是为了方便理解本发明而举出的例子，不用于限定本发明的范围。在具体实施方式中，装置和系统所具备的部件可以根据实际情况变更、删减或追加，方法的步骤可以根据实际情况变更、删减、追加或改变顺序。

(第一实施方式)

首先，说明本实施方式的智慧供应链系统100能够被应用的应用对象。图1是表示本发明的第一实施方式的智慧供应链系统能够被应用的应用对象的概念图。智慧供应链系统100的应用对象包括销售门店、供应商、生产厂商中的至少一个，其中销售门店、供应商、生产厂商的关系如图1所示，其中箭头表示货物流向。在此示出了销售门店1、销售门店2、销售门店3这三个销售门店，供应商1、供应商2这两个供应商，生产厂商1、生产厂商2、生产厂商3这三个生产厂商，但销售门店、供应商、生产厂商的数量和关系不限于此，实际可能存在大量销售门店、供应商、生产厂商以及更为复杂的关系。

其中，销售门店需要监控各个商品的销量情况，从而制定销售与库存策略。供应商从不同生产厂商处取货，将取得的货物供应给多家销售门店，因此需要向生产厂商进行订货，同时安排下一阶段为销售门店的配送计划。生产厂商生产商品供给给多个不同的供应商，以供供应商将商品供应给销售门店，每种商品所处的生命周期不同，需要预测商品在未来的需求，以指导未来生产计划。

针对上述需求之中的至少一个，本实施方式提供智慧供应链系统100。图2是表示本发明的第一实施方式的智慧供应链系统100的功能结构框图。如图2所示，该智慧供应链系统100具备商品分类装置10、销售预测装置20和智能补货装置30，对例如图1所示的多种商品的供应链进行管理。各装置既可以通过处理器执行存储器中存储的应用程序作为功能模块实现，也可以通过各自独立的硬件结构实现。关于具体的实现方式，后文中说明两个具体例。

如图2所示，商品分类装置10基于历史数据，对多种商品进行分类。例如，商品分类装置10在传统的ABC分类法的基础之上，追加考虑商品的时间特性。例如，追加最近销售时间间隔作为分析维度，以基于作为历史数据的销量数据的ABC分类结果和最近销售时间间隔为两个维度，作为R-ABC分类法对多种商品进行分类。由此，进一步细化了ABC分类，从而能够从传统的ABC分类中挑选出更有价值的商品。

进而，为了进一步明确商品的销售特性，商品分类装置10也可以还基于历史数据，计算各商品的商品特性分析指标。商品特性分析指标例如包括如下指标中的至少一个：需求概率、销售频次、变动系数、变动幅度、客户集中度、销售节拍、发售间隔等。由此，基于上述改进的R-ABC分类法的分类结果(初步的分类结果)，使用计算出的各项商品特性分析指标，进行多维度的细分，作为最终的分类结果。进而，基于细分结果，提取需要由销售人员确认需求预测结果的商品。由此，通过有效地结合销售人员的业务经验，能够提高需求预测的精度。

销售预测装置20基于历史数据以及商品分类装置10针对多种商品的分类结果，按每种商品进行销售预测。例如，销售预测装置20基于商品分类装置10的分类结果，例如针对商品分类装置10提取出的需要确认需求预测结果的商品，按每种商品预测规定时间(例如1日、1周、1个月、1年等)的销量。

在此，历史数据至少需要历史销量数据，例如包括时间、sku_id(库存保有单位编号)、shop_id/warehouse_id(门店或仓库编号)、销量等。历史数据根据需要也可以包括其他数据。另外，由于对于供应商/生产厂商来说，对某客户的“出库”就是相当于“销售”，因此在本说明书中将供应商/生产厂商中的“出库”和销售门店的“销售”统一用“销售”来表现。例如“销售时间”不仅包括销售门店中的销售时间，还包括供应商/生产厂商中的出库时间，“销量”不仅包括销售门店中的销量，还包括供应商/生产厂商中的出库量。

具体而言，销售预测装置20可以使用基于深度学习(例如DeepAR方法)的概率密度区间预测，按每种商品搭建与预测时间(例如1个月)对应的概率密度区间预测模型，进行数据收集、数据处理、模型构建、预测结果处理，输出与上述预测时间对应的概率密度区间预测结果。由此，实现了从点预测到区间预测的跨越。其中，销售预测装置20用于概率密度区间预测的具体算法不限于此。

智能补货装置30基于销售预测装置20的预测结果以及商品特性评价指标，应用自动补货模型，生成补货决策。例如，智能补货装置30基于销售预测装置20的概率密度区间预测结果，生成不定期不定量的补货决策。通过基于概率密度区间预测结果生成不定期不定量的补货决策，能够提供更加灵活的补货策略。

其中，图2示出了智慧供应链系统100与外部的数据库200连接，从外部的数据库200取得历史数据的例子。但本实施方式不限于此，数据库200也可以由智慧供应链系统100的内置存储设备保存。另外，智慧供应链系统100与外部的数据库200之间的连接方式可以是各种有线或无线连接，在此不作限定。

根据本实施方式的智慧供应链系统100，能够有效融合商品分类、销售预测与智能补货这三大重要板块，进而实现了从点预测到区间预测的跨越，能够提供全面又细致划分的数据整合方案来预测销量，从而能够全面地分析数据，得到准确的销量预测结果与据此生成的补货量，能够避免由于货品积压对资金周转造成的影响，并且避免由于货品数量不足造成消费者无法购得商品。

以下说明本实施方式的智慧供应链系统100的硬件结构的两个具体例。图3是表示本发明的第一实施方式的智慧供应链系统100的硬件结构的一例的框图。如图3所示，智慧供应链系统100通过具有处理器110、存储器120、接口130、输入设备140和显示部150的计算机系统，实现如图2所示的各功能模块。其中，处理器110、存储器120、接口130、输入设备140和显示部150相互之间通过总线160连接。

具体而言，处理器110例如是CPU、微处理器等，通过执行存储器120中存储的应用程序，实现智慧供应链系统100的各装置的功能。接口130例如是通信接口，能够与数据库200进行数据通信。输入设备140例如是键盘、鼠标、麦克风等输入设备，供用户输入指令。显示部150例如是液晶显示器，能够显示与智慧供应链系统100的处理过程和结果相关的画面。

基于本例的硬件结构的智慧供应链系统100例如可以设置于作为应用对象的销售门店、供应商、生产厂商处，由作为用户的销售门店、供应商、生产厂商使用。

图4是表示本发明的第一实施方式的智慧供应链系统100的硬件结构的另一例的框图。如图4所示，智慧供应链系统100包括相互能够进行数据通信的服务器平台100A和客户端设备100B。服务器平台100A具有通过总线160A相互连接的处理器110A、存储器120A和接口130A，客户端设备100B具有通过总线160B相互连接的处理器110B、存储器120B、接口130B、输入设备140和显示部150。

具体而言，服务器平台100A的处理器110A例如是CPU、微处理器等，通过执行存储器120A中存储的应用程序，实现智慧供应链系统100的各装置的功能。另外，服务器平台100A的接口130A例如是通信接口，能够与客户端设备100B的接口130B及/或数据库200进行数据通信。

客户端设备100B的处理器110B例如是CPU、微处理器等，通过执行存储器120B中存储的应用程序，实现用户界面的功能。输入设备140例如是键盘、鼠标、麦克风等输入设备，供用户输入指令。显示部150例如是液晶显示器，能够显示与智慧供应链系统100的处理过程和结果相关的画面。

基于本例的硬件结构的智慧供应链系统100中，服务器平台100A可以设置于服务提供商处，客户端设备100B可以设置于作为应用对象的销售门店、供应商、生产厂商处。由此，由服务提供商向作为用户的销售门店、供应商、生产厂商提供智慧供应链系统100的上述功能。

以下说明由本实施方式的智慧供应链系统100执行的方法。图5是表示本发明的第一实施方式的智慧供应链系统100所执行的方法的流程图。在此，具体说明本实施方式的智慧供应链系统100执行的方法的一个例子，但本实施方式的智慧供应链系统100执行的方法不限于下述例子。

如图5所示，在步骤S1中，商品分类装置100对商品进行分类，以便对不同类别的商品采取相应的销售与库存策略。具体而言，在上述R-ABC分类法的基础之上，结合各项商品特性分析指标，将商品细分，从中挑选出需要销售人员确认需求预测结果的商品。

在步骤S2中，销售预测装置20进行销售预测，以便制定需求计划。如上所述，销售预测装置20基于步骤S1中的分类结果，对需要确认需求预测结果的商品，例如利用基于DeepAR算法的概率密度区间预测。

在步骤S3中，智能补货装置30将自动补货模型应用到特定的场景，以便生成补货决策。如上所述，智能补货装置30可以基于步骤S2中生成的概率密度区间预测结果，生成不定期不定量的补货决策。

(第二实施方式)

以下具体说明本发明的第二实施方式。图6是表示本发明的第二实施方式的智慧供应链系统100中的销售预测装置20的功能结构框图。如图6所示，本实施方式的销售预测装置20在第一实施方式的基础上，具有数据收集部21、数据处理部22、模型构建部23、预测结果处理部24作为功能模块。以下具体说明。

数据收集部21例如针对由商品分类装置10分类为需要确认需求预测结果的每种商品，至少收集作为历史数据的销量数据。如上所述，至少需要收集的必选数据为历史销量数据，包括时间、sku_id(库存保有单位编号)、shop_id/warehouse_id(门店或仓库编号)、销量等。

另外，还可以收集如下三方面的可选数据。一是商品信息，如品牌、价格、样式等；二是门店/仓库/厂商信息，如城市、面积等；三是可选的对销量预测有利的外部信息，如节假日、天气、经济环境信息等。

在本实施方式的应用对象是销售门店的情况下，可选信息还包括：各SKU门店库存、促销信息、商品上市退市时间等。在本实施方式的应用对象是供应商的情况下，可选信息还包括：各SKU(库存保有单位)厂商库存、物流成本等。在本实施方式的应用对象是生产厂商的情况下，可选信息还包括：各SKU在库库存、各SKU产能、仓储成本等。

数据处理部22针对由数据收集部21收集的数据，至少进行数据探查、特征工程与数据聚合，生成训练样本。通过对收集的数据进行处理，能够使其符合基于概率密度的区间预测模型的形式。以下具体说明各步处理。

数据探查主要进行异常值、缺失值替换，探索数据收集阶段所得信息与销量的相关性，使用特征选择算法筛选出高相关性且不冗余特征，使用的方法如皮尔逊系数、relief算法、最大相关最小冗余(mRMR)算法，但不限于此。

特征工程主要通过领域知识构建衍生特征，并将构造好的特征例如分为五类，以符合概率时间预测输入格式的数据集。上述五类特征分别是目标时间序列、随时间变化的离散特征、随时间变化的连续特征、静态离散特征、静态连续特征。

其中，目标时间序列即需要预测的目标，本实施方式中目标时间序列为产品的销量时间序列。随时间变化的离散特征即特征是离散变量且随时间而变化，如本实施方式中的是否促销特征，促销情况每天都不一样。随时间变化的连续特征即特征是连续变量且随时间而变化，如本实施方式中的产品售价。静态离散特征即不随时间变化的离散特征，如本实施方式中的商品ID(商品编号)。静态连续特征即不随时间变化的连续特征，如本实施方式中的门店面积。

数据聚合将所有数据按不同的时间粒度即预测时间聚合成训练样本。另外，还可以进行样本调整等数据处理。

模型构建部23构建基于概率密度的区间预测模型，将由数据处理部22生成的训练样本输入基于概率密度的区间预测模型，针对每种商品进行销售预测。以下具体说明模型构建部23所构建的基于概率密度的区间预测模型的一例，但本实施方式不限于上述例子。

在本例中，利用构建DeepAR模型，将数据处理部22生成的五类特征输入模型，设定目标变量服从某一分布(如设为正态分布)，模型估计目标时间序列服从分布的最优参数。例如，利用前3个周期的数据预测未来一个周期目标变量服从分布的参数，估计得到该参数后可以给到一个置信水平Z，可以求解出置信区间[a,b]，即未来的目标变量真实值落在置信区间的概率是Z。由此，实现从点估计到区间估计的跨越。

该模型学习的是周期性的表现并且是基于贯穿时间序列的协变量，在获取高复杂度、组依赖的表现时，仅有少量的数据处理需要手动进行。通过学习相似的数据，该模型可以被用来进行对仅有少量历史数据或者根本没有历史数据的项目预测。

在现有技术中，存在新商品预测冷启动的问题。当我们想要为一个历史数据很少或无任何历史数据的时间序列生成预测时，会出现冷启动情况。这种情况在实践中常有发生，比如在引入新产品服务时。ARIMA等传统方法完全依赖于单个时间序列的历史数据，因此无法解决冷启动问题。在本实施方式中，上述模型解决了新商品预测冷启动的问题，这对商品销量预测问题意义重大。

该模型的基础是循环神经网络，例如使用长短时记忆网络架构。将目标序列数据输入循环神经元，通过极大似然估计确定分布参数。图7是表示本发明的第二实施方式的智慧供应链系统100中的销售预测装置20所利用的销售预测模型的示意图，该模型的具体执行步骤如图7所示。在时间步t时，我们输入t时间步的第i个时间序列对应的特征x_i,t，以及前一时间步t-1的第i个时间序列的输出值z_i,t-1。在训练时，输入的是真实的需求值。在预测的时候，z_i,t-1通过极大似然函数进行估计

特征和需求值构成组合向量输入到RNN(循环神经网络)里面，得到隐向量h_i,t。通过隐向量计算分布的平均值和方差，计算极大似然估计。模型估计的需求服从正态分布N(μ,σ²)，则置信度是Z的置信区间为[t_(1-z)/2,t_(1+z)/2]，t_q为正态分布N(μ,σ²)的q分位数。由此，可以得到规定置信水平下的置信区间，作为针对该商品的销量的概率密度区间预测结果。

预测结果处理部24基于模型构建部23的预测结果，例如使用数据库对求解结果进行保存。其中，可以保存每种商品的分布参数作为预测结果，以便计算规定置信水平下的置信区间，为后续补货计划提供数据支持。

其中，上述各部可以通过建立全自动的处理程序实现，例如包括数据处理系统、模型滚动训练系统、结果存储与输出系统，将模型投入生产中。由此，能够建立全自动的销售预测装置，适于投入生产。

图8是表示本发明的第二实施方式的智慧供应链系统100中的智能补货装置30的功能结构框图。如图8所示，本实施方式的智能补货装置30在第一实施方式的基础上，具备最佳补货点制定部31、最佳经济补货量制定部32和补货计划输出部33。以下具体说明。

最佳补货点制定部31根据销售预测装置20的概率密度区间预测结果，制定最佳补货点。补货点的作用在于，当某个SKU到达补货点数量时，即发起补货行为。

在生成的概率密度销量预测中，每个SKU的需求例如服从各自的正态分布。如果在分布中指定某个置信区间w％，则在w％内的需求下限为X，需求上限为Y，需求中位数为M。因此：

动态补货点＝安全库存+订单提前期内的备货量

其中，

各SKU的安全库存＝各SKU的需求标准差*对应于服务水平的安全系数

其中，对应于服务水平的安全系数可以根据表1查询。

表1：

另外，

订单提前期内的备货量＝订单提前期天数*每天备货量

其中，周期内销量预测的置信区间w％可以通过外部输入由用户选择，并选择使用在w％内的需求下限X或需求上限Y或需求中位数M作为每天备货量。

通常的补货点设定中安全库存的设定是难点。如果将安全系数设的过高，则会使库存压力过大；设的过低会使补货频率升高，增加成本。通过如上所述使用概率密度预测结果与对应于服务水平的安全系数可得到相对合理的安全库存，从而保证了补货点的准确性。

最佳经济补货量制定部32根据销售预测装置20的概率密度区间预测结果，基于EOQ即经济补货量模型制定最佳经济补货量。图9是表示本发明的第二实施方式的智慧供应链系统100中的智能补货装置30所利用的EOQ模型的示意图。

如图9所示，根据经济补货量EOQ模型，订货数量越多，重复下单次数越少，下单成本(订货成本)越低；订货数量越少，库存数量越低，持有成本(库存成本)越低。EOQ模型平衡下单成本和持有成本，当下单成本等于持有成本，总体成本是最低的。此时的订货数量，即EOQ。EOQ订货法适用于此类场景：产品是批量生产或购买的；下单成本和持有成本已知。根据EOQ模型，

总成本TC＝purchase cost(采购成本)+order cost(下单成本)+holding cost(持有成本)+shortage cost(缺货成本)

即：

其中，C_e为周期内每次订货成本，C_t为周期内每件商品的保管成本，D为周期内需求量，Q为补货量，c为可变成本，一般指单位采购成本，CsE[Units Shorts]为缺货成本。

若想求解最小成本：Min{TC(Q)}，则先令一阶导数为0，得到极值点：

由于一阶求导只能为验证解为极值(可能为极大值或极小值)，为验证求解为极小值，因此需要求函数的二阶导数：

当C_t、D、Q三者均为正时，二阶导数为正值，因此Q*为极小值，所以最佳经济订货量为：

如上所述，C_e为周期内每次订货成本，C_t为周期内每件商品的保管成本，D为周期内需求量。周期内需求量D基于概率密度区间预测结果，例如通过外部输入由用户选择周期内销量预测的置信区间，并选择使用需求下限X或需求上限Y或需求中位数M作为周期内需求量D。

在制定补货点后，一般方法会对应固定的补货数量，比较适用于需求相对稳定的商品。如果某种物料的需求不稳定，却使用该方法，则可能出现：当库存降低到订货点，计划员下单补货后，却没有新的需求，造成库存积压和资金占用。或提前期内的需求突然急速增加，到货前所有库存已全部消耗，造成断料停机。

本实施方式为了扩大需求范围，适配不同类型的商品，EOQ模型中的周期内需求量D使用概率密度预测结果。其中，对于稳定商品可由概率密度预测结果的需求中位数M填充D值，畅销商品可选择概率密度预测结果的需求上限Y值，长尾商品可选择概率密度预测结果的需求下限X值等。由此，提供更加灵活的应对方式。

补货计划输出部33输出包含由最佳补货点制定部31制定的最佳补货点和由最佳经济补货量制定部32制定的最佳经济补货量的补货计划。由此，生成包含最佳补货点和最佳经济补货量的补货计划，从而适配不同类型的商品，提供更加灵活的应对方式。

(具体例1)

以下说明本发明的一个具体例。本具体例能够在上述第一实施方式和第二实施方式的基础上实施。另外，本具体例既可以适用于图3所示的硬件结构，也可以适用于图4所示的硬件结构。

本事例用于说明模型在销售门店中的应用。在本具体例中，某公司拥有205家商品销售门店，每家门店都销售532种商品，现在利用历史数据对各门店、各商品进行销量分布预测。图10是表示本发明的具体例1中智慧供应链系统100所执行的方法的流程图。另外，在本具体例中，省略关于商品分类处理的说明。

如图10所示，在步骤S10中，销售预测装置20进行数据收集。例如，获取各门店2018年10月1日至2019年10月31日销售历史数据，共计4402417条。其属性如表2。

表2：

接着，在步骤S20中，销售预测装置20进行数据处理。首先，进行数据探查，探查方式可能包括：将销量为负的样本(表示退货)以0填充；若历史数据中没有记录某商品某天销量，则以0填充；价格缺失可使用均值或最近一天的销量进行填充。继续探索数据收集阶段所得信息与销量的相关性，计算销量与各属性的相关性大小，发现各属性与销量的相关性满足模型构建需要。

接着，进行特征工程主要通过领域知识构建衍生特征，可能包括当天是否为工作日/周末/公众假日/特殊促销日(如双十一)，利用门店位置衍生出门店是否位于郊区特征。

接着，进行数据聚合，将数据按不同的时间粒度聚合成训练样本。在应用对象为销售门店的情况下，例如按每种商品建立与短期(例如周)对应的基于概率密度的区间预测模型。即，本次进行的是周预测，预测未来数周每一周销量情况。根据历史数据，划分计算得周ID，第一周ID为1，如此递增。以(门店ID，商品ID，周ID)为主键构建周销量样本，即经过聚合后，每一周中每一个门店的每一个商品都有唯一一条样本。同时构建聚合属性包括：周总销量、周价格均值、周价格方差、周价格最大值、周价格最小值、本周销售不为0的天数、本周是否进行降价、本周是否进行升价、本周价格改变次数，本周是工作日/周末/公众假日/特殊促销日的天数。不同样本的销量差异过大，为保证下一步构建的模型更快收敛，对销量进行对数变换y＝log(y+1)，y和y分别是变换前后的销量。对商品ID、门店ID等类别型变量进行编码，例如使用sklearn库的labelEncoder进行编码，将类别变量使用数字表示。

模型利用前8周的历史数据预测后4周的销量情况，因此利用时间滑窗生成训练样本，即一个训练样本包括前8周的所有特征，将被预测后4周销量。

接着进行样本调整。主要是因为销量数据的稀疏性对模型训练效果有较大影响，进行重采样有助于模型训练。可以发现，由于每个门店、每一天只能卖出小部分类别的商品，这样导致了生成的数据集销量为0的样本(正样本)多，销量不为0的样本(负样本)少，数据集类别不平衡情况严重，因此按正样本：负样本＝1:5对负样本进行抽样，使得数据集类别趋于平衡。

以41周作为分界，前41周作为训练集训练模型，42周-56周作为测试集评价模型有效性。生成训练集样本137766条，测试集样本108950条，样本使用json格式进行存储。每条样本按以下格式进行存储：start，开始日期；feat_dynamic_real，随时间变化的连续特征，使用一个二维列表进行表示，其形状为(周期数，连续特征个数)；feat_static_real，不随时间变化的连续特征，使用一个一维列表表示，其形状为(连续特征个数)；feat_dynamic_cat，随时间变化的类别特征，使用一个二维列表表示，其形状为(周期数，离散特征个数)；feat_static_cat，不随时间变化的类别特征，使用一个一维列表表示，其形状为(离散特征个数)；target，目标时间序列，使用一个一维列表表示，其形状为(周期数)。

在步骤S30中，销售预测装置20构建模型。例如，利用GluonTS库构建DeepAR模型，设置训练参数为epoch＝100，learning_rate＝1e-3,输出分布设置为高斯分布，RNN架构为LSTM，训练用时89分钟。模型精度评价指标：90％置信区间覆盖率为92.08％，MSE＝5.09，MAE＝1.81。

图11是表示本发明的具体例1中的预测结果的可视化结果的一例的示意图。图12是表示本发明的具体例1中的预测结果的可视化结果的另一例的示意图。如图11、图12所示，竖直的线左侧是历史销量，右侧是预测未来销量，浅色的实线为销量真实值，深色的实线为销量预测均值，深色、浅色的区间分别是50％置信区间、90％置信区间。

在步骤S40中，销售预测装置20进行预测结果处理。为以上步骤建立全自动的处理程序，包括数据处理系统、模型滚动训练系统、结果存储与输出系统，将模型投入生产中。

数据处理系统对接各业务系统数据库，对数据进行抽取、处理。编写SQL脚本，每2个月将数据从企业数据库中进行抽取。模型滚动训练系统利用新获取的数据对模型进行更新，保证预测准确性不伴随时间流逝而降低，本例中模型每两个月重新训练一次。结果存储与输出系统对预测结果保存到数据库中，方便查取。本例中，在数据库构建预测结果表，其字段包括：门店ID(门店编号)、商品ID(商品编号)、预测开始日期、预测结束日期、预测生成时间、预测销量中位数、预测销量90％置信区间上限、预测销量90％置信区间下限，表结构与示例如表3。该表用于为后续补货策略提供数据支持。

表3：

在步骤S50中，智能补货装置30制定最佳补货点。如对于该销售厂商，要求的服务水平系数为90％，订单提前期为3天，每次订货成本为75元/次，每件商品的持有成本为20元/件。每天的备货量与周期内的需求量均选取预测中位数M。

以商品编号720556的商品为例说明。由于在销量预测中符合N(μ,σ²)的正态分布，均值和标准差为5，因此：

商品720556的安全库存＝各SKU的需求标准差*服务水平系数＝5*1.8＝9

商品720556订单提前期内的备货量＝订单提前期天数*每天备货量(预测中位数M)＝3*(5/5)＝3

商品720556动态补货点＝安全库存+订单提前期内的备货量＝12

在步骤S60中，智能补货装置30基于EOQ模型制定最佳经济补货量。

C_e为周期内每次订货成本，C_t为周期内每件商品的保管成本，D为周期内需求量(预测中位数M)。

以商品720556为例：

在步骤S70中，智能补货装置30输出补货计划。以表3中数据为例，其补货计划如表4。

表4：

门店ID	商品ID	补货点	补货量
				1002	720556	12	2
1005	720526	8	2

含义为当商品720556在2020.3.1-2020.3.7周期内，如果库存不满12即开始补货，每次补2件。当商品720526在2020.3.1-2020.3.7周期内，如果库存不满8即开始补货，每次补2件。

(具体例2)

以下说明本发明的一个具体例。本具体例能够在上述第一实施方式和第二实施方式的基础上实施。另外，本具体例既可以适用于图3所示的硬件结构，也可以适用于图4所示的硬件结构。

本事例用于说明模型在供应商中的应用。某供应商从不同厂商处取货，将取得的货物供应给多家门店，因此供应商需要预测未来各门店对于不同产品的需求，结合自身库存情况与为门店供货历史记录，求出未来缺货的情况，向厂商进行订货，同时安排下一阶段为门店的配送计划。由于供应商联系厂商与门店两端，需要了解产品的长期需求与短期需求。因此，在应用对象为供应商的情况下，销售预测装置20按每种商品建立与长期和短期分别对应的基于概率密度的区间预测模型。例如，对每个门店产品需求状况同时进行周预测与月预测。此处构建2个模型分别进行周预测与月预测，而不是直接将周预测的结果求和作为月预测结果的原因是，需求的长期趋势与短期趋势有差异，进行不同时间粒度的预测有助于发现不同趋势。

同样使用图10进行说明。如图10所示，在步骤S10中，销售预测装置20进行数据收集，获取供应商为不同门店供货历史数据，其属性如表5：

表5：

在步骤S20中，销售预测装置20进行数据处理。首先，进行数据探查，探查方式可能包括：将销量为负的样本(表示退货)以0填充；若历史数据中没有记录某商品某天销量，则以0填充；价格缺失可使用均值或最近一天的销量进行填充。继续探索数据收集阶段所得信息与销量的相关性，计算销量与各属性的相关性大小，发现各属性与销量的相关性满足模型构建需要。

接着，进行数据聚合，将数据按不同的时间粒度聚合成训练样本。本次是同时进行的是周预测与月预测。根据历史数据，划分计算月ID，第一个月ID为1，如此递增。以(产品ID，门店ID，月ID)为主键构建月出货量样本，即经过聚合后，每一个月中每一个门店的每一个产品都有唯一一条样本。同时构建聚合属性包括：月总销量、月出货价格均值、月出货价格方差、月出货价格最大值、月出货价格最小值、本月出货次数、本月是否进行降价、本月是否进行升价、本月价格改变次数。根据历史数据，划分计算周ID，第一个周ID为1，如此递增。以(产品ID，门店ID，周ID)为主键构建周供货货量样本，即经过聚合后，每一周中每一个门店的每一个产品都有唯一一条样本。同时构建聚合属性包括：周总销量、周出货价格均值、周出货价格方差、周出货价格最大值、周出货价格最小值、本周出货次数、本周是否进行降价、本周是否进行升价、本周价格改变次数。不同样本的供货量差异过大，为保证下一步构建的模型更快收敛，对销量进行对数变换y＝log(y+1)，y和y分别是变换前后的供货量。对商品ID、门店ID等类别型变量进行编码，例如使用sklearn库的labelEncoder进行编码，将类别变量使用数字表示。

模型1利用前5个月的历史数据预测后3个月的供货量情况，因此利用时间滑窗生成训练样本，即一个训练样本包括前5个月出货量、门店信息以及上一步所构建的相关特征，将被预测后3个月的出货量，时间滑窗的间隔为1个月。以第12个月作为分界，前12月作为训练集训练模型，后8个月作为测试集评价模型有效性。

模型2利用前8周的历史数据预测后4周的供货量情况，因此利用时间滑窗生成训练样本，即一个训练样本包括前5个月出货量、门店信息以及上一步所构建的相关特征，将被预测后4周的出货量，时间滑窗的间隔为4周。以第40周作为分界，前40周作为训练集训练模型，后20周作为测试集评价模型有效性。

每条样本按以下格式进行存储：start，开始日期；feat_dynamic_real，随时间变化的连续特征，使用一个二维列表进行表示，其形状为(周期数，连续特征个数)；feat_static_real，不随时间变化的连续特征，使用一个一维列表表示，其形状为(连续特征个数)；feat_dynamic_cat，随时间变化的类别特征，使用一个二维列表表示，其形状为(周期数，离散特征个数)；feat_static_cat，不随时间变化的类别特征，使用一个一维列表表示，其形状为(离散特征个数)；target，目标时间序列，使用一个一维列表表示，其形状为(周期数)。

在步骤S30中，销售预测装置20构建模型，例如利用GluonTS搭建2个deepAR模型。两模型结构与大致相同，只是输出神经元个数有差异，模型1进行未来3个月预测，输出值个数为3；模型2进行未来4周预测，输出值个数为4。设置训练参数为epoch＝100，learning_rate＝1e-3,输出分布设置为高斯分布，RNN架构为LSTM，训练用时229分钟。模型1精度评价指标：90％置信区间覆盖率为95.53％，模型2精度评价指标：90％置信区间覆盖率为93.22％。

在步骤S40中，销售预测装置20进行预测结果处理。为以上步骤建立全自动的处理程序，包括数据处理系统、模型滚动训练系统、结果存储与输出系统，将模型投入生产中。

数据处理系统对接各业务系统数据库，对数据进行抽取、处理。编写SQL脚本，每1个月将数据从企业数据库中进行抽取。模型滚动训练系统利用新获取的数据对模型进行更新，保证预测准确性不伴随时间流逝而降低，本例中模型每两个月重新训练一次。结果存储与输出系统对预测结果保存到数据库中，方便查取。本例中，在数据库构建预测结果表，其字段包括：门店ID、产品ID、预测开始日期、预测结束日期、预测生成时间、预测供货量、预测粒度(月预测/周预测)。预测结果根据预测主体的不同进行相应后处理后，以网页、报表等合适形式输出。

本例中，在数据库构建预测结果表，其字段包括：门店ID、商品ID、预测开始日期、预测结束日期、预测生成时间、预测销量中位数、预测销量90％置信区间上限、预测销量90％置信区间下限，表结构与示例如表6。该表用于为后续补货策略提供数据支持。

表6：

在步骤S50中，智能补货装置30制定最佳补货点。如对于该供应厂商，需要向下游门店补货的场景：利用周预测数据，服务水平系数为90％，订单提前期为3天，每次订货成本为75元/次，每件商品的持有成本为20元/件。每天的备货量与周期内的需求量均选取预测中位数M。需要向上游订货的场景：利用月预测数据，定义服务水平系数为95％，订单提前期为5天，每次订货成本为50元/次，每件商品的持有成本为10元/件。每天的备货量与周期内的需求量均选取预测中位数M。

以商品编号720556的商品为例：

商品720556的安全库存＝各SKU的需求标准差*服务水平系数＝5*1.8＝9

商品720556订单提前期内的备货量＝订单提前期天数*每天备货量(预测中位数M)＝3*(5/5)＝3

商品720556动态补货点＝安全库存+订单提前期内的备货量＝12

在步骤S60中，智能补货装置30基于EOQ模型制定最佳经济补货量。

C_e为周期内每次订货成本，C_t为周期内每件商品的保管成本，D为周期内需求量(预测中位数M)。

以商品编号720556的商品为例：

在步骤S70中，智能补货装置30输出补货计划。以表6中数据为例，其补货计划如表7。

表7：

门店ID	预测粒度	商品ID	补货点	补货量
					1002	周预测	720556	12	2
1005	周预测	720526	8	2
					1035	月预测	782533	70	6
1088	月预测	79663	104	8

含义为当商品720556在2020.3.1-2020.3.7周期内，如果库存不满12即开始补货，每次补2件。当商品720526在2020.3.1-2020.3.7周期内，如果库存不满8即开始补货，每次补2件。当商品782533在2020.3.1-2020.4.1周期内，如果库存不满70即开始补货，每次补6件；当商品79663在2020.3.1-2020.4.1周期内，如果库存不满104即开始补货，每次补8件。

(具体例3)

以下说明本发明的一个具体例。本具体例能够在上述第一实施方式和第二实施方式的基础上实施。另外，本具体例既可以适用于图3所示的硬件结构，也可以适用于图4所示的硬件结构。

本事例用于说明模型在生产厂商中的应用。假设某品牌生产厂商现时主要生产15产品，供应给多个不同供应商，由供应商将产品供应给销售门店。每种产品所处的生命周期不同，现需预测产品在未来的需求，以指导未来生产计划。由于每批次生产所得商品数量大，可以为一段长周期进行供货，因此销售预测装置20按每种商品建立与长期对应的基于概率密度的区间预测模型。例如，进行产品月需求量预测。

同样使用图10进行说明。如图10所示，在步骤S10中，销售预测装置20进行数据收集，获取厂商各产品销售数据。其属性如表8。

表8：

在步骤S10中，销售预测装置20进行数据处理。首先，进行数据探查，探查方式可能包括：将销量为负的样本(表示退货)以0填充；若历史数据中没有记录某商品某天销量，则以0填充；价格缺失可使用均值或最近一天的销量进行填充。继续探索数据收集阶段所得信息与销量的相关性，计算销量与各属性的相关性大小，发现各属性与销量的相关性满足模型构建需要。

接着，进行特征工程主要通过领域知识构建衍生特征，包括利用产品上市时间、预计退市时间计算产品生命指数。

接着，进行数据聚合，将数据按不同的时间粒度聚合成训练样本。本次进行的是月预测，预测未来数月每月出货情况。根据历史数据，划分计算月ID，第一个月ID为1，如此递增。以(产品ID，供应商ID，月ID)为主键构建月出货量样本，即经过聚合后，每一个月中每一个供应商的每一个产品都有唯一一条样本。同时构建聚合属性包括：月总销量、月出货价格均值、月出货价格方差、月出货价格最大值、月出货价格最小值、本月出货次数、本月是否进行降价、本月是否进行升价、本月价格改变次数，本月其他厂商对比机型出货量。不同样本的出货量差异过大，为保证下一步构建的模型更快收敛，对销量进行对数变换y＝log(y+1)，y和y分别是变换前后的出货量。对商品ID、门店ID等类别型变量进行编码，例如使用sklearn库的labelEncoder进行编码，将类别变量使用数字表示。

模型利用前5个月的历史数据预测后3个月的出货量情况，因此利用时间滑窗生成训练样本，即一个训练样本包括前5个月出货量、供应商信息以及上一步所构建的相关特征，将被预测后3个月的出货量，时间滑窗的间隔为1个月。

以第12个月作为分界，前12个月作为训练集训练模型，后8个月作为测试集评价模型有效性。生成训练集样本1598条，测试集样本989条，样本使用json格式进行存储。

每条样本按以下格式进行存储：start，开始日期；feat_dynamic_real，随时间变化的连续特征，使用一个二维列表进行表示，其形状为(周期数，连续特征个数)；feat_static_real，不随时间变化的连续特征，使用一个一维列表表示，其形状为(连续特征个数)；feat_dynamic_cat，随时间变化的类别特征，使用一个二维列表表示，其形状为(周期数，离散特征个数)；feat_static_cat，不随时间变化的类别特征，使用一个一维列表表示，其形状为(离散特征个数)；target，目标时间序列，使用一个一维列表表示，其形状为(周期数)。

在步骤S30中，销售预测装置20构建模型，例如利用GluonTS库构建DeepAR模型，设置训练参数为epoch＝100，learning_rate＝1e-3,输出分布设置为高斯分布，RNN架构为LSTM，训练用时32分钟。模型精度评价指标：90％置信区间覆盖率为90.74％。

在步骤S40中，销售预测装置20进行预测结果处理，为以上步骤建立全自动的处理程序，包括数据处理系统、模型滚动训练系统、结果存储与输出系统，将模型投入生产中。

数据处理系统对接各业务系统数据库，对数据进行抽取、处理。编写SQL脚本，每1个月将数据从企业数据库中进行抽取。模型滚动训练系统利用新获取的数据对模型进行更新，保证预测准确性不伴随时间流逝而降低，本例中模型每两个月重新训练一次。结果存储与输出系统对预测结果保存到数据库中，方便查取。本例中，在数据库构建预测结果表，其字段包括：供应商ID、产品ID、预测开始日期、预测结束日期、预测生成时间、预测出货量。

预测结果根据预测主体的不同进行相应后处理后，以网页、报表等合适形式输出。本例中，在数据库构建预测结果表，其字段包括：门店ID、商品ID、预测开始日期、预测结束日期、预测生成时间、预测销量中位数、预测销量90％置信区间上限、预测销量90％置信区间下限，表结构与示例如表9。该表用于为后续补货策略提供数据支持。

表9：

在步骤S50中，智能补货装置30制定最佳补货点。如对于该生产厂商，需要向下游供应商供货的场景：利用月预测数据，定义服务水平系数为95％，订单提前期为5天，每次订货成本为50元/次，每件商品的持有成本为10元/件。每天的备货量与周期内的需求量均选取预测中位数M。

以商品编号02的商品为例：

商品02的安全库存＝各SKU的需求标准差*服务水平系数＝3021*1.68＝5075

商品02订单提前期内的备货量＝订单提前期天数*每天备货量(预测中位数M)＝5*(10025/22)＝2278(注：每月22个工作日)

商品02动态补货点＝安全库存+订单提前期内的备货量＝7353

在步骤S50中，智能补货装置30基于EOQ模型制定最佳经济补货量。

C_e为周期内每次订货成本，C_t为周期内每件商品的保管成本，D为周期内需求量(预测中位数M)。

以商品720556为例：

在步骤S70中，智能补货装置30输出补货计划。以表9中数据为例，其补货计划如表10。

表10：

预测粒度	商品ID	预测开始日期	预测结束日期	补货点	补货量
						月预测	02	2020.3.1	2020.4.1	7353	63
月预测	04	2020.4.1	2020.5.1	9593	126

在上述各具体例中，根据应用对象不同建立与不同预测时间对应的基于概率密度的区间预测模型，从而能够有效应用于销售门店、供应商和生产厂商中的任一个应用对象。

以上参照附图说明了本发明的具体实施方式和具体例。其中，以上说明的具体实施方式和具体例仅是本发明的具体例子，用于理解本发明，而不用于限定本发明的范围。本领域技术人员能够基于本发明的技术思想对具体实施方式和具体例进行各种变形、组合和要素的合理省略，由此得到的方式也包括在本发明的范围内。例如，上述各实施方式和具体例皆可以相互组合，其组合而成的实施方式也包含在本发明的范围中。

Claims (10)

1.一种智慧供应链系统，对多种商品的供应链进行管理，其特征在于，具备：

商品分类装置，基于历史数据，对多种商品进行分类；

销售预测装置，基于历史数据以及所述商品分类装置针对多种商品的分类结果，按每种商品进行销售预测；以及

智能补货装置，基于所述销售预测装置的预测结果，应用自动补货模型，生成补货决策，

所述销售预测装置按每种商品进行概率密度区间预测，从而进行所述销售预测。

2.如权利要求1所述的智慧供应链系统，其特征在于，

所述销售预测装置具备：

数据收集部，针对由所述商品分类装置分类为需要确认需求预测结果的每种商品，至少收集作为历史数据的销量数据；

数据处理部，针对由所述数据收集部收集的数据，至少进行数据探查、特征工程与数据聚合，生成训练样本；

模型构建部，构建基于概率密度的区间预测模型，将由所述数据处理部生成的所述训练样本输入所述基于概率密度的区间预测模型，针对每种商品进行销售预测；以及

预测结果处理部，基于所述模型构建部的预测结果，保存每种商品的分布参数作为预测结果。

3.如权利要求2所述的智慧供应链系统，其特征在于，

所述数据处理部在所述数据探查中，探查由所述数据收集部收集的数据与商品的销量之间的相关性，使用特征选择法筛选出高相关性且不冗余的特征，

所述数据处理部在所述特征工程中，将所述特征分为目标时间序列、随时间变化的离散特征、随时间变化的连续特征、静态离散特征、静态连续特征中的某一种，

所述数据处理部在所述数据聚合中，将所述数据按预测时间聚合成所述训练样本。

4.如权利要求3所述的智慧供应链系统，其特征在于，

所述模型构建部利用DeepAR模型构建基于概率密度的区间预测模型，输入所述训练样本，估计所述目标时间序列服从预先设定的分布的最优参数，以便计算规定置信水平下的置信区间，作为针对该商品的销量的概率密度区间预测结果。

5.如权利要求4所述的智慧供应链系统，其特征在于，

所述智能补货装置基于所述销售预测装置的概率密度区间预测结果，生成不定期不定量的补货决策。

6.如权利要求5所述的智慧供应链系统，其特征在于，

所述智能补货装置具备：

最佳补货点制定部，根据所述概率密度区间预测结果，制定最佳补货点；

最佳经济补货量制定部，根据所述概率密度区间预测结果，基于EOQ即经济补货量模型制定最佳经济补货量；以及

补货计划输出部，输出包含所述最佳补货点和所述最佳经济补货量的补货计划。

7.如权利要求6所述的智慧供应链系统，其特征在于，

所述最佳补货点制定部计算每种商品的安全库存与订单提前期内的备货量之和作为动态补货点，

其中，所述最佳补货点制定部计算基于所述概率密度区间预测结果的每种商品的需求标准差与对应于服务水平的安全系数的乘积，作为所述安全库存，

进而，所述最佳补货点制定部使用所述概率密度区间预测结果的指定置信区间内的需求下限值、需求上限值或需求中位数作为每天备货量，将所述每天备货量与订单提前期天数的乘积作为订单提前期内的备货量。

8.如权利要求7所述的智慧供应链系统，其特征在于，

所述最佳经济补货量制定部根据周期内每次订货成本、周期内每件商品的保管成本以及基于所述概率密度区间预测结果的周期内需求量，基于EOQ即经济补货量模型制定最佳经济补货量，

针对由所述商品分类装置分类的稳定商品，使用所述概率密度区间预测结果的指定置信区间内的需求中位数作为所述周期内需求量，

针对由所述商品分类装置分类的畅销商品，使用所述概率密度区间预测结果的指定置信区间内的需求上限值作为所述周期内需求量，

针对由所述商品分类装置分类的长尾商品，使用所述概率密度区间预测结果的指定置信区间内的需求下限值作为所述周期内需求量。

9.如权利要求1至8中任一项所述的智慧供应链系统，其特征在于，

所述智慧供应链系统的应用对象包括销售门店、供应商和生产厂商之中的至少一个，

在所述应用对象为销售门店的情况下，所述销售预测装置按每种商品建立与短期对应的基于概率密度的区间预测模型，

在所述应用对象为供应商的情况下，所述销售预测装置按每种商品建立与长期和短期分别对应的基于概率密度的区间预测模型，

在所述应用对象为生产厂商的情况下，所述销售预测装置按每种商品建立与长期对应的基于概率密度的区间预测模型。

10.一种服务器平台，对多种商品的供应链进行管理，具备处理器、存储器和接口，能够经由所述接口与客户端设备进行数据通信，其特征在于，

所述处理器通过执行所述存储器中存储的程序，执行如下处理：

商品分类处理，基于历史数据，对多种商品进行分类；

销售预测处理，基于历史数据以及所述商品分类处理针对多种商品的分类结果，按每种商品进行销售预测；以及

智能补货处理，基于所述销售预测处理的预测结果，应用自动补货模型，生成补货决策，

所述销售预测处理按每种商品进行概率密度区间预测，从而进行所述销售预测，

所述销售预测处理的结果及/或所述补货决策经由所述接口被发送给所述客户端设备。

Images