CN113554453A - 基于人工智能的自动化订单生成方法、装置及存储介质 - Google Patents

Abstract

本申请公开了一种基于人工智能的自动化订单生成方法、装置及存储介质，其中方法包括：采集店铺的库存数据和销售数据；根据店铺的库存数据和销售数据生成店铺状态特征数据；将所述店铺状态特征数据输入至一个订单预测模型以使所述订单预测模型输出一个建议订单数据和对应的建议置信度；判断所述建议置信度是否大于预设的建议置信度阈值，如果所述建议置信度大于所述建议置信度阈值，则至少根据所述建议订单数据生成采购订单。本申请的有益之处在于提供了一种基于对店铺的历史数据分析进而获得实现自动化订单管理的基于人工智能的自动化订单生成方法、装置及存储介质。

Description

基于人工智能的自动化订单生成方法、装置及存储介质

技术领域

本申请涉及电商数据管理领域，具体而言，涉及一种基于人工智能的自动化订单生成方法、装置及存储介质。

背景技术

现有的中小型便利店往往通过自有渠道在供应商处进行线下商品采购，由于中小型便利店的特点，其无法大批量采购货物，从而无法与供应商进行有效的议价，同时又由于供应商批发对采购数量的要求，使得中小型便利店每次采购需要保证一定规模，从而导致库存问题。

而从供应商的角度而言，中小型便利店这种分散购买方式导致供应商仓储成本提高，从而使供应价格居高不下。

在相关技术中，如公开号为CN112801759A的中国专利文献公开的技术方案，其通过电商平台将买方、卖方和承运方整合在一起，使多个买方的订单可以“拼单”到一个物流订单中，从而实现集中采购、集中配送的方式，从而降低了中小型便利店的采购成本。

但是，区别于个人对商品的采购，店铺的采购频率较高、单次采购量较多，如果仅由人工进行下单和监管，则很有可能遇到库存较低甚至缺货的情况。

发明内容

为了解决现有技术的不足之处，本申请提供了一种基于人工智能的自动化订单生成方法，包括如下步骤：采集店铺的库存数据和销售数据；根据店铺的库存数据和销售数据生成店铺状态特征数据；将所述店铺状态特征数据输入至一个订单预测模型以使所述订单预测模型输出一个建议订单数据和对应的建议置信度；判断所述建议置信度是否大于预设的建议置信度阈值，如果所述建议置信度大于所述建议置信度阈值，则至少根据所述建议订单数据生成采购订单。

进一步地，所述基于人工智能的自动化订单生成方法还包括：如果所述建议置信度小于等于所述建议置信度阈值，则返回至采集所述库存数据和销售数据的步骤。

进一步地，所述根据所述建议订单数据生成采购订单包括如下步骤：根据所述建议订单数据生成采购商品列表；获取所述采购商品列表中商品的即时采购价格；获取所述采购商品列表中商品的未来预测价格；计算所述采购商品列表中所有商品的即时采购总价和未来预测总价的总价差值；判断所述总价差值是否大于差值阈值，如果总价差值小于差值阈值则以当前即时采购价格生成所述采购订单的总价。

进一步地，所述根据所述建议订单数据生成采购订单包括如下步骤：如果总价差值大于差值阈值，则将销售数据输入至销量预测模型以使销量预测模型输出未来预测销量；根据当前库存数据和未来预测销量计算得出未来预测库存；如果未来预测库存小于等于0，则当前即时采购价格生成采购订单的总价，如果未来预测库存大于0，则以未来预测价格生成采购订单的总价。

进一步地，一个所述订单预测模型对应一个所述店铺。

进一步地，所述获取所述采购商品列表中商品的未来预测价格包括如下步骤：将所述即时采购价格输入至一个价格预测模型；获取所述价格预测模型输出的预测价格及价格置信度；如果价格置信度大于价格置信度阈值，将所述预测价格输出为所述未来预测价格。

进一步地，如果价格置信度小于等于价格置信度阈值，将指定周期内的平均价格输出为所述未来预测价格。

进一步地，一个所述价格预测神经网对应一个商品SKU。

作为本申请的另一方面，本申请还提供了一种计算机客户存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的基于人工智能的自动化订单生成方法的步骤。

本申请的有益之处在于：提供了一种基于对店铺的历史数据分析进而获得实现自动化订单管理的基于人工智能的自动化订单生成方法、装置及存储介质。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请一种实施例的自动化订单生成方法的步骤示意图；

图2是根据本申请一种实施例的订单预测模型的原理示意图；

图3是根据本申请一种实施例的销量预测模型的原理示意图；

图4是根据本申请一种实施例的价格预测模型的原理示意图；

图5是根据本申请一种实施例的店铺订单趋势预测方法的步骤示意图；

图6是根据本申请一种实施例的观测特征数据的矩形示意图；

图7是一种通过K-Means聚类运算将三维坐标集合进行聚类后示意图；

图8是根据本申请一种实施例的商圈预测模型的原理示意图；

图9是根据本申请一种实施例的店铺商品分析方法的步骤示意图；

图10是根据本申请一种实施例的订单预测模型的原理示意图；

图11是根据本申请一种实施例的订单预测模型的输入数据的矩阵示意图；

图12是实现本申请方法的一个实施例的装置的模块组成示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

从整体的角度而言，本申请构建一种采用以下方法的系统，该系统主要实现三个方面的功能：

1.根据店铺的相应数据自动化向店铺提供一个建议的采购订单，降低店铺经营者的管理成本，同时便于系统高效配置供应商、仓储和物流资源。

2.根据一定范围内的类似店铺进行分析从而从整体上分析订单趋势，并基于此分析店铺可能出现的订单。

3.分析店铺的经营模式，从而相类似的店铺的历史数据中，辅助分析该类型店铺的未来订单趋势。

具体而言，参照图1至图4所示，作为本申请的第一方面，本申请的自动化订单生成方法包括：采集店铺的库存数据和销售数据；根据店铺的库存数据和销售数据生成店铺状态特征数据；将店铺状态特征数据输入至一个订单预测模型以使订单预测模型输出一个建议订单数据和对应的建议置信度；判断建议置信度是否大于预设的建议置信度阈值，如果建议置信度大于建议置信度阈值，则至少根据建议订单数据生成采购订单。

作为具体方案，采集店铺的库存数据和销量数据为采集店铺当日的库存数据和销量数据。

为了能够及时的为店铺提供采购订单的建议，作为优选方案，系统触发执行本申请的自动化订单生成方法的频次为每日，即系统每日按照用户设定或系统设定运行该程序。

鉴于便利店铺的经营习惯，可以将触发时间设置在22点，或者，作为另一种优选方案，可以设置触发条件，当触发条件满足后，自动执行实现自动化订单生成方法的程序。比如，当店铺经过每日盘点后上传库存数据和销量数据后，自动触发程序；再比如，店铺用户使用用户终端向服务器发出需要自动化订单需求的请求时(用户可以点击用户终端APP界面中推荐按钮)触发程序。

需要说明的是，库存数据和销量数据可以采用系统平台的程序进行管理，也可以由系统提供开发的数据端口对接店铺自有的其他货物统计程序。

这里所指的库存数据和销售数据分别是指库存中或当天销售的商品的SKU码和对应的数量的数据。

按照一般的分析方案，一般会采用历史的库存数据和销售数据分别训练机器学习模块，然后分别进行库存数据和销售数据的预测，然后根据预测结果再判断可能取货的情况，然后再根据缺货情况生成对应订单建议等。

但是，由于销售数据存在不确定性，除非将所有商品均涵盖到输入数据中，但这样造成输入数据庞大且无效数据较多，最终导致所训练的机器学习模型无法收敛。

另外，虽然相对销售数据而言，库存数据相对稳定，但是由于库存数据一样存在商品类目较多的问题，也会导致机器学习模型无法收敛。

基于以上的原因，直接采用库存数据和销售数据进行机器学习模型训练以及预测存在较大技术阻碍。

基于以上，本申请的技术方案采用一种新的技术构思，具体而言，作为其中一种方案，在采集了库存数据和销量数据后；从销售数据(当日)中获取销售数量位于前五位的商品SKU数据和销售数量，以及这前五位商品对应的现有库存数量，构成一个五行三列的矩阵，将该矩阵作为店铺状态特征数据。

作为扩展方案，可以根据店铺规模的大小设置矩阵的行数，对于交易额较大的店铺而言，其每日售卖商品的品类较多，可以将矩阵的行数设为十几行或几十行。

作为一种优选方案，店铺库存中商品品类总数为S，计算头部值M＝S×K，其中K为头部百分比，其根据S所处于的数值区间进行确定。

当300≥S＞0时，头部百分比的取值范围为7％；当1000≥S＞300时，头部百分比的取值范围为15％；当300≥S＞0时，头部百分比的取值范围为20％。矩形行数N等于头部值M的四舍五入值。

训练订单预测模型可以采用两种方案，输入均为以上所介绍的店铺状态特征数据。区别在于训练集中输出数据的来源。

第一种方式：对店铺的历史数据处理，将实际历史采购订单作为输出数据，具体而言输出数据为采购订单中商品的SKU数据和采购数量构成的矩阵，该矩阵确定具有两列，具体有多少行按照采购订单实际情况生成，将实际历史采购订单发生前一日的店铺状态特征数据作为输入数据，从而构成一组训练数据。

采用这样的方案，订单预测模型输出的建议订单数据输出为SKU数据和采购数量构成的矩阵。这样的方案好处在于能够直接生成采购订单的方式，但是由于输出矩阵的不确定性，订单预测模型相当于是一个经验型模型，在训练时输入训练集的顺序以及模型参数的设定均对最终输出构成较大的影响，准确率起伏较大，并且需要设置较高的置信度阈值才能保证输出有参考意义，这样又在运行时造成程序循环的问题。在这种方式时，作为优选方案，订单预测模型可以选用CNN神经网络模型。

第二种方式：将订单预测模型构建为预测类机器学习模型，即当日之前的店铺状态特征数据作为输入数据，以当日的店铺状态特征数据作为输出数据，对订单预测模型进行模型训练，这样输出数据和输出数据均为规整数据和确定的矩阵，较为容易训练收敛。在这种方式时，作为优选方案，订单预测模型可以选用BP神经网络模型。

作为优选方案，采用第二种方式构建订单预测模型，此时输出虽然并非为直接的采购订单数据，而是如前所介绍的明日的店铺状态特征数据(实为矩阵)，在该矩阵中，预测了第二日可能出现的排在前列的商品的SKU数据、销售数量和库存数量。

系统历遍预测矩阵中所有商品的销售数量和库存数量数据，判断它们是否满足预设相对关系。具体而言，相关关系具体为销售数量＞库存数量×平衡系数；其中，平衡系数取值范围为0.27至0.7。作为优选，平衡系数取值为0.5，此时，相关关系判断具体为销售数量大于库存数量的50％时，将该商品选入采购订单。

作为优选方案，为每个店铺均训练一个订单预测模型，即一个订单预测模型对应一个所述店铺。每个店铺的数据输入到对应的订单预测模型中。

作为优选方案，基于人工智能的自动化订单生成方法还包括：如果建议置信度小于等于建议置信度阈值，则返回至采集库存数据和销售数据的步骤，即再次利用订单预测模型进行处理，输出新的输出数据和置信度。

作为进一步地的方案，如果建议置信度始终不能满足建议置信度阈值，比如超过预设次数后仍不满足(当然预设次数可为0，即直接进行下一步，而不再返回订单预测模型进行数据处理)则将当日的店铺状态特征数据作为预测店铺状态特征数据，即直接以当日的数据生成采购订单。

采购订单生成后可以发送给店铺用户供其参考，如果店铺用户确定该采购订单即可以实现自动下单，当然，在店铺用户授权的情况下，也可以由系统直接根据采购订单下单实现无人化管理。

作为优选方案，考虑到电商平台的价格浮动情况，根据建议订单数据生成采购订单包括如下步骤：根据建议订单数据生成采购商品列表；获取采购商品列表中商品的即时采购价格；获取采购商品列表中商品的未来预测价格；计算采购商品列表中所有商品的即时采购总价和未来预测总价的总价差值；判断总价差值是否大于差值阈值，如果总价差值小于差值阈值则以即时采购价格生成采购订单的总价。如果总价差值大于差值阈值，则提示店铺用户今日下单和明日下单的差价(总价差值)以及建议订单数据中可能出现缺货的商品类目(通过上述预测矩阵中库存数量与销量数量的差值筛选)，由用户选择今日下单或是明日自动下单。

作为另一种方案，如果总价差值大于差值阈值，则将销售数据输入至销量预测模型以使销量预测模型输出未来预测销量；根据当前库存数据和未来预测销量计算得出未来预测库存；如果未来预测库存小于等于0，则当前即时采购价格生成采购订单的总价，如果未来预测库存大于0，则以未来预测价格生成采购订单的总价。在以未来预测价格生成采购订单的总价时，系统在次日为店铺用户下单或提示店铺用户在次日下单。

单独采用销量预测模型好处在于，相比订单预测模型多项特征维度，其对单个商品的销量预测是收到其他变量影响。

而用单独商品的历史销量数据训练的针对单个商品SKU的机器学习模型，数据输入和输入较为规则，其容易收敛。作为优选方案，销量预测模型为一个BP神经网络模型，其输入数据为当日之前的某个一个商品的历史销量数据，其输出数据为次日该商品的预测销量(即未来预测销量)。

这样做法主要用于比较当日下单和次日下单的成本变动，因为大部分情况下采购订单的生成是基于未来(次日)预测，避免了为了未来需求而承担即时的损失。

作为进一步的优选方案，可以通过如下方法进行未来价格预测，将即时采购价格输入至一个价格预测模型；获取价格预测模型输出的预测价格及价格置信度；如果价格置信度大于价格置信度阈值，将预测价格输出为未来预测价格；如果价格置信度小于等于价格置信度阈值，将指定周期内的平均价格输出为未来预测价格。

与销量预测模型类似，针对单独商品的机器学习模型，较为容易训练。价格预测模型也为一个BP神经网络模型，其输入数据为当日之前的某个一个商品的历史价格数据，其输出数据为次日该商品的预测价格。也即一个价格预测神经网对应一个商品SKU。

实际可以将价格置信度阈值设置为较小的值，因为商品价格由于成本等考虑不会出现较大的变动。另外，这里的商品价格是指电商平台的“拼单”价格，而非供应商价格或店铺的零售价格。

另外，作为可选方案，当价格置信度小于等于价格置信度阈值时，指定周期可以为一个月或一周。

通过以上的方案，可以从店铺自身的角度实现自动化订单生成和管理，从而提供便于店铺用户通过店铺终端实现自动化下单和比价等功能的后台数据基础。

作为本申请的另一方面，为了实现对商圈内的店铺订单趋势的分析，如图5所示，本申请的店铺订单趋势预测方法包括如下步骤：根据预设规则将店铺划分至若干个关联商圈集合；根据关联商圈集合中的所有店铺在设定的观测周期内的所有历史订单生成观测特征数据；将观测特征数据输入至一个商圈预测模型中以使商圈预测模型以使商圈预测模型输出一个商圈订单预测数据以及对应的商圈置信度；判断商圈置信度是否大于预设的商圈置信度阈值，如果商圈置信度大于预设的商圈置信度阈值，则至少根据商圈订单预测数据获取关联商圈集合中的一个店铺的店铺订单预测数据。

其中，关联商圈集合实质为一个店铺的集合，从数据体现角度，其可以被表达为店铺的ID；当然，也可以表达为店铺的名称，但是文字本身不适于数据处理，优选还是店铺的唯一店铺ID编码，或者可以采用店铺用户的唯一账户ID，这两者的作用是相同的。

作为一个具体方案，采用如下方法实现关联商圈集合的划分，具体该方法包括如下步骤：根据地理位置建立二维坐标系；获取店铺在二维坐标系中的坐标值；以店铺在二维坐标系中的坐标值进行K-Means聚类运算；根据K-Means聚类运算的结果划分关联商圈集合。

通过这样的方法可以获得店铺在地理位置上聚类结果，但是仅从地理位置而言，并无法反映店铺的商业属性。也就无法从商业的角度上实现聚类。

作为基于以上的优选方案，可以通过增加一个商业属性维度，将店铺进行三维聚类运算从而使关联商圈集合能反应店铺之间的商业关联。

作为具体方案，该方法包括如下步骤：获取店铺的历史订单数据；根据店铺的历史订单数据计算店铺的平均订单价值，平均订单价值为店铺在观测周期所有采购订单的订单价值的平均值；使平均订单价值作为第三维度建立三维坐标系；获取店铺在三维坐标系中的坐标值；以店铺在三维坐标系中的坐标值进行K-Means聚类运算；根据K-Means聚类运算结果划分关联商圈集合。

该方案的巧妙之处在于，通过采购订单的平均值这一个数据可以同时反映店铺的规模和店铺在电商平台的购买意向以及客户粘度。这是其他项数据作为维度所不具备的，并且根据实际应用效果，该维度能较好的进行关联商圈集合的划分。

作为优选方案，观测周期为季度或年度。这样较长的时间周期可以比较稳定的反应店铺的特性。

图7示出了一个经过三维聚类的结果，类似改图所体现的状态，经过以上三维聚类运算后划分的关联商圈集合更加准确的反映了彼此会影响的店铺构成的商圈。

这样一来，根据关联商圈集合的划分结果进而训练的多个商圈预测模型能够更准确的输出所需的分析数据。

具体而言，店铺订单趋势预测方法还包括如下步骤：将关联商圈集合中的所有店铺在设定的观测周期内的所有历史订单作为训练集数据。

这里观测周期的设定可以根据数据分析的需求，比如是周分析还是日分析，作为一种优选方案，将观测周期设定为一周。

如图6所示，假设某一关联商圈集合中共有6个店铺，观测周期为一周，此时收集一周的历史订单数据，针对每个店铺ID分别获取以下数据：订单数据、订单总金额(所有订单金额之和)、数量SKU和价值SKU。然后，将它们以图6方式构成矩阵以作为商圈预测模型的输入数据，即观测特征数据为表达店铺、商品以及它们的对应关系的矩阵，这其中对应关系为商品汇总后的属性的对应关系。

更具体而言，观测特征数据以矩阵方式构建，该矩阵包括五列，分别为对应的同一店铺的店铺ID、订单数据、订单总金额、数量SKU和价值SKU，该矩阵的行分别对应关联商圈集合中的不同店铺。

其中，数量SKU为所有订单汇总后，商品的数量最多的一类商品的SKU编码，而价值SKU则是指所有订单汇总后，商品的汇总价格最高的一类商品的SKU编码。

同时，作为优选，商圈预测模型的输出数据(商圈订单预测数据)也为一个相同的矩阵，即商圈订单预测数据也为一个表达店铺、商品以及它们的对应关系的矩阵，即上述所介绍的矩阵。通过该矩阵可以获知某一店铺在下一个观测周期中可能的订单数目、订单总金额等信息。

商圈预测模型可以为BP神经网络模型或logistic回归分析模型。

采用如上介绍的关联商圈集合和商圈预测模型的方案，可以将商业关联较强的店铺分类集中在一起进行分析，从而从商圈整体的角度分析和预测店铺的订单趋势。

作为本申请的另一方面，如图9所示，本申请还提供一种店铺商品分析方法，其包括如下步骤：获取店铺的历史采购订单数据；根据店铺的历史采购订单数据生成店铺的三维属性坐标；以店铺的三维属性坐标的坐标值进行K-Means聚类运算；根据K-Means聚类运算的结果划分成若干店铺属性集合；构建对应不同店铺属性集合的订单预测模型；将店铺的历史采购订单数据输入至对应其所属店铺属性集合的订单预测模型。

具体而言，三维属性坐标构建包括如下步骤：设置一个商品分类表将商品分为快消类、生活类和文具类；根据商品分类表将一个店铺的历史采购订单数据中商品分别归类至商品分类表的分类中；计算店铺在每个商品分类表的分类中商品的分类总价；以商品分类表的三个分类分别作为坐标轴建立三维属性坐标的坐标系，以店铺的在这三个分类的分类总价作为坐标值。

作为优选方案，系统根据分析需要，可以设定采集历史采购订单的时间周期长度，比如设定为季度或年度。作为优选方案，如果为了获得较为稳定的订单预测模型和店铺属性集合，将采集时间周期长度设定为年度。

在时间周期长度为年度时，以上方法具体而言为：将一个店铺的年度采购订单进行汇总，按照商品分类表中的三个分类，将汇总中商品归类至三个分类中，分别统计三个分类中所有商品的分类总价，该店铺在三个分类下的分类总价即为该店铺在三维属性坐标中的坐标值，鉴于时间周期长度，分类总价的计数单位为百元，这样不至于导致坐标值过大从而导致聚类运算时由于计算单位导致代表电路的坐标点过于离散。

通过以上的三维属性坐标建立和聚类运算，可以将店铺分为不同的店铺属性集合。按照理想状态，按照快消类、生活类和文具类设计构思本身是想将店铺分为对应的商圈型、小区型和学校型，其中，商圈型的店铺采购订单中快消类为主要采购商品类别；小区型的店铺采购订单中生活类为主要采购商品类别；学校型的店铺采购订单中文具类为主要采购商品类别。作为可选方案，快消类可以包括：饮料、零食和方便面等；生活类可以包括：调料、清洗剂和生活用品；文具类可以包括：文具、玩具等。

而在实际数据整理和分析时，发现很多店铺的属性较为复杂，如果仅是为了分为商圈型、小区型和学校型，则可以采用分类后最高分类总价属于那一个分类即属于那种类型，但是通过后期模型构建和验证发现简单的分类给模型训练带来较大的难度。比如，即使是定位为学校型的店铺，其也存在快消类采购量大于文具类采购量的问题。所以简单分类并不能为后期分析和模型构建带来实际价值。

采用以上的方案，则可以通过维度划分和三维聚类实现将店铺根据实际情况分为店铺属性集合，这个店铺属性集合反映的是实际属性，而并非人为划分而成分类属性。

经过以上店铺属性集合的划分后，可以认为店铺属性集合内店铺具有相类似属性特征，基于此，为每个店铺属性集合构建一个订单预测模型。

订单预测模型为一个预测模型，其输入为历史数据，其输出为预测数据和对应的置信度。

从训练的角度而言，将店铺属性集合中所有店铺的所有历史采购订单整理为如图11所示的矩阵。该矩阵只有一行对应一个采购订单，其列分为订单金额、数量SKU和价值SKU。将一个店铺的历史采购订单作为一个对应训练数据对订单预测模型进行训练。

其中，数量SKU为该采购订单中数量最多的商品的SKU值，价值SKU为该采购订单中支付金额最高的商品的SKU值。

作为一种优选方案，可以设定一个观测周期，订单预测模型训练时，不受观测周期的限定，而在使用订单预测模型时，输入数据可以为一个观测周期内的历史数据，比如一周或一个月。

订单预测模型可以为BP神经网络模型或logistic回归分析模型。

这样一来，属于某一店铺属性集合的订单预测模型可以通过输入该店铺属性集合中某一店铺的历史数据，预测该店铺下一采购订单的金额、购买数量最多的商品和购买总价最高的商品。

作为优选方案，该方法还包括如下步骤：判断店铺订单预测数据的置信度小于等于预设的阈值次数是否大于等于3，如果大于等于3，则以当前订单预测模型输出的置信度最大的店铺订单数据作为分析数据。由于采用店铺属性集合分类的方式，一般而言，不会出现置信度问题，该模型输出的置信度最高数据也是可以作为分析数据。

通过以上的三个方法，我们从店铺经营自身角度获得了建议订单数据、从商圈角度获得了商圈订单预测数据、从店铺经营类型角度获得了店铺订单预测数据。

系统将建议订单数据、商圈订单预测数据和店铺订单预测数据进行比对和分析从而获取进一步的应用功能和分析功能。

作为其中一种优选方案，建议订单数据生成后可以比对对应的商圈订单预测数据和店铺订单预测数据，分析它们的区别，从而确定建议订单数据的准确性。

作为另一种方案，比对商圈订单预测数据和店铺订单预测数据，从而分析商圈与经营方向的偏差，从而给予用户建议，使其经营方向匹配商圈。

作为本申请的另一方面，如图12所示，本申请还提供一种服务器100，即一种执行程序的装置，其包括存储器101和处理器102。其中，存储器101用于存储计算机程序，处理器102用于执行计算机程序时实现如上所提供的方法的步骤。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所提供的方法的步骤。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所提供的方法的步骤。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于人工智能的自动化订单生成方法，其特征在于：

所述基于人工智能的自动化订单生成方法包括如下步骤：

采集店铺的库存数据和销售数据；

根据店铺的库存数据和销售数据生成店铺状态特征数据；

将所述店铺状态特征数据输入至一个订单预测模型以使所述订单预测模型输出一个建议订单数据和对应的建议置信度；

判断所述建议置信度是否大于预设的建议置信度阈值，如果所述建议置信度大于所述建议置信度阈值，则至少根据所述建议订单数据生成采购订单。

2.根据权利要求1所述的基于人工智能的自动化订单生成方法，其特征在于：

所述基于人工智能的自动化订单生成方法还包括：

如果所述建议置信度小于等于所述建议置信度阈值，则返回至采集所述库存数据和销售数据的步骤。

3.根据权利要求2所述的基于人工智能的自动化订单生成方法，其特征在于：

所述根据所述建议订单数据生成采购订单包括如下步骤：

根据所述建议订单数据生成采购商品列表；

获取所述采购商品列表中商品的即时采购价格；

获取所述采购商品列表中商品的未来预测价格；

计算所述采购商品列表中所有商品的即时采购总价和未来预测总价的总价差值；

判断所述总价差值是否大于差值阈值，如果总价差值小于差值阈值则以当前即时采购价格生成所述采购订单的总价。

4.根据权利要求3所述的基于人工智能的自动化订单生成方法，其特征在于：

所述根据所述建议订单数据生成采购订单包括如下步骤：

如果总价差值大于差值阈值，则将销售数据输入至销量预测模型以使销量预测模型输出未来预测销量；根据当前库存数据和未来预测销量计算得出未来预测库存；如果未来预测库存小于等于0，则当前即时采购价格生成采购订单的总价，如果未来预测库存大于0，则以未来预测价格生成采购订单的总价。

5.根据权利要求4所述的基于人工智能的自动化订单生成方法，其特征在于：

一个所述订单预测模型对应一个所述店铺。

6.根据权利要求5所述的基于人工智能的自动化订单生成方法，其特征在于：

所述获取所述采购商品列表中商品的未来预测价格包括如下步骤：

将所述即时采购价格输入至一个价格预测模型；

获取所述价格预测模型输出的预测价格及价格置信度；

如果价格置信度大于价格置信度阈值，将所述预测价格输出为所述未来预测价格。

7.根据权利要求6所述的基于人工智能的自动化订单生成方法，其特征在于：

如果价格置信度小于等于价格置信度阈值，将指定周期内的平均价格输出为所述未来预测价格。

8.根据权利要求7所述的基于人工智能的自动化订单生成方法，其特征在于：

一个所述价格预测神经网对应一个商品SKU。

9.一种基于人工智能的自动化订单生成装置，其特征在于：

所述基于人工智能的自动化订单生成装置包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至8任意一项所述的基于人工智能的自动化订单生成方法。

10.一种计算机客户存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述的基于人工智能的自动化订单生成方法的步骤。

Images