CN113627844A - 一种用于连锁超市的智能采购系统 - Google Patents
一种用于连锁超市的智能采购系统 Download PDFInfo
- Publication number
- CN113627844A CN113627844A CN202110907311.6A CN202110907311A CN113627844A CN 113627844 A CN113627844 A CN 113627844A CN 202110907311 A CN202110907311 A CN 202110907311A CN 113627844 A CN113627844 A CN 113627844A
- Authority
- CN
- China
- Prior art keywords
- sales
- chain
- distribution
- commodity
- goods
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/08—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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于连锁超市的智能采购系统涉及商品采购技术领域,解决了现有连锁超市的采购备货与实际销售情况差距较大的问题,包括:销量预测系统,用于使用深度学习方法、将每个连锁店铺中每个商品的历史销量信息输入到LSTM神经网络中进行训练得到销量预测模型并预测每个连锁店铺中每个商品的未来销量信息;备货量计算系统,用于根据库存信息和未来销量信息计算每个连锁店铺中每个商品的配货量;调货单生成分发及审批系统,用于根据配货量生成每个连锁店的配货单,待配货单被采购人员审批通过后发送配货单至配货人员。本发明采用深度学习中的LSTM对以后的销售数量进行推测,减少了对采购人员个人判断的依赖,缩小备货与实际销售情况。
Description
技术领域
本发明涉及商品采购技术领域,具体涉及一种用于连锁超市的智能采购系统。
背景技术
目前,连锁超市的供应链系统主要由采购人员、配送人员及库管人员共同维护,其中采购人员需要关注包括总库库存、分店库存、在途库存等在内的多个库存指标,同时要完成制定配送方案,安排货物出库,安排配送人员送货等多项任务。在工作量较大的同时对从业人员自身的专业素质也提出了一定的要求,形成了供应链系统能否高效有序的运行主要依赖人的因素这样的事实。
现有的连锁超市供应链系统,主要依靠采购人员每天关注各个店铺的商品销售情况,综合现有库存,凭借从业经验对是否给分店铺进行备货做出判断,做出备货方案以后向库管人员出具调货单,并安排配送人员进行货物的配送。出具科学合理的配货方案需要长期对各类商品的销售情况进行追踪分析,综合市场因素,提出合理预测。在这个过程中不同采购人员有自己的判断,这些判断又经常夹杂着带有个人风格的主观因素,往往导致备货方案与实际销售情况差距较大,浪费了库存空间,降低了库存周转率,提高了滞销库存和临期商品数量,在长期运转过程中降低了连锁超市的效益。
发明内容
为了解决现有连锁超市的采购备货与实际销售情况差距较大的问题,本发明提供一种用于连锁超市的智能采购系统。
本发明为解决技术问题所采用的技术方案如下:
一种用于连锁超市的智能采购系统,其特征在于,包括:
销量预测系统,用于使用深度学习方法、将每个连锁店铺中每个商品的历史销量信息输入到LSTM神经网络中进行训练得到销量预测模型,并根据销量预测模型预测每个连锁店铺中每个商品的未来销量信息;
备货量计算系统,用于根据库存信息和销量预测系统预测出的未来销量信息,计算出每个连锁店铺中每个商品的配货量;
调货单生成分发及审批系统,用于根据配货量生成每个连锁店的配货单,待配货单被采购人员审批通过后发送配货单至配货人员。
本发明的有益效果是:
本发明的一种用于连锁超市的智能采购系统,减少了对采购人员个人判断的依赖,增加了系统的可靠性,流程的完整性。销量预测系统采用深度学习中的LSTM模型进行训练产生,对以后的销售数量进行合理推测。本发明避免要求采购人员对商品的销量进行预估,减少了对人员专业素质的依赖,提高了销量预测效率;本发明根据预测好的销量和备货量,备货量计算系统自动计算出每个连锁店铺的各个商品备货数目,减少了工作人员的重复性工作,解决了备货与实际销售情况差距较大的问题。
附图说明
图1为本发明的一种用于连锁超市的智能采购系统的实施流程图。
图2为本发明的一种用于连锁超市的智能采购系统的门函数计算流程示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本发明一种用于连锁超市的智能采购系统,包括销量预测系统、备货量计算系统、调货单生成分发及审批系统。一种用于连锁超市的智能采购系统的结构如图1所示,销量预测系统能够使用深度学习方法,将每个连锁店铺中每个商品的历史销量信息(例如近180天的销量信息)输入到LSTM神经网络中进行训练得到销量预测模型,并根据销量预测模型预测每个连锁店铺中每个商品的未来销量信息,并将预测的销量存进数据库中;备货量计算系统能够读取销量预测模型预测得到的每个连锁店铺中每个商品的未来销量信息,然后根据预测的未来销量信息(预测的未来几天的销售数量信息)并结合库存信息计算出每个连锁店铺中每个商品的配货量。库存信息可包括总库房的每个商品的库存量,还可包括每个连锁店铺中每个商品的库存量。调货单生成分发及审批系统能够根据备货量计算系统计算出的每个连锁店铺中商品的配货量生成每个连锁店的配货单,采购人员审批配货单,待配货单被采购人员审批通过后发送配货单至配货人员。配送人员按照配货单的数量规定,按时进行货物的配送,货物配送到连锁超市后进行销售,通过销售得到历史销量信息。
一种用于连锁超市的智能采购系统还包括配货系统,调货单生成分发及审批系统能够发送配货单至配货系统,配货人员能够通过配货系统查看配货单。配货系统还用于记录配货完成情况,配货人员完成送货后,连锁超市内工作人员核对后,经核对结果输入到配货系统,配货系统将核对结果发送至对应的管理员或记录系统或后台管理系统等。
调货单生成分发及审批系统可包括第一移动端APP,采购人员通过第一移动端APP审批配货单。配货系统可包括第二移动端APP,配送人员通过第二移动端APP查看配货单,连锁超市内工作人员通过第二移动端APP查看配货单、核对、输入核对结果。单据审核等操作可以在移动端进行操作,提高了流程审批的速度。
LSTM是一种特殊的RNN(循环神经网络),解决了RNN依赖丢失的问题。具体的,原始RNN的隐藏层只有一个状态,即h,它对于短期的输入非常敏感。本发明中再增加一个状态,即c,让它来保存长期的状态,c称为单元状态(cell state),即单元状态为长期状态。
在t时刻,LSTM的输入有三个:当前时刻网络的输入值Xt、上一时刻(t-1时刻)LSTM的输出值ht-1、以及上一时刻的单元状态ct-1;在t时刻LSTM的输出有两个:当前时刻LSTM输出值ht、和当前时刻的单元状态ct。
LSTM使用三个开关实现保存单元状态c,第一个开关,负责控制继续保存长期状态c;第二个开关,负责控制把即时状态输入到长期状态c;第三个开关,负责控制是否把长期状态c作为当前的LSTM的输出。在本实施方式的算法中,实现这个开关的方式为使用gate,gate实际上就是一层全连接层,输入是一个向量,输出是一个0到1之间的实数向量。
gate公式为:g(X)=σ(WX+b),其中,g(X)表示门的输出,X表示门的输入,σ表示激活函数,WX表示权重,b表示偏置。也就是如图2所示,xi∈X,wi∈W,i=0,1,2,3,…,n,对于门函数的每个输入x0、x1、x2……xn乘以对应的权重w0、w1、w2……wn得到门函数的总输入:
总输入值经过SIGMOD激活函数:σ=σ(net)=1/(1+e-net),得到门(gate)的输出是0到1之间的实数向量,当门输出为0时,任何向量与之相乘都会得到0向量,这就相当于开关断开,什么都不能通过;输出为1时,任何向量与之相乘都不会有任何改变,这就相当于什么都可以通过,开关闭合。
相应的,上述深度学习具体为使用tensorflow(用于数值计算的开源软件库)进行训练,训练的过程中遵循如下方法:
确保历史销量数据与LSTM神经网络的正确性,使用默认的超参数观察损失函数loss的变化,初步拟定下超参数范围,对于loss变化,train loss下降,val loss下降表示网络仍在学习;train loss下降,val loss上升表示过拟合;train loss下降,val loss不变表示欠拟合;当网络过拟合时,可以采用正则化(regularization)与丢弃法(dropout)以及BN层(batch normalization批标准化)。当网络欠拟合时,可以采用的方式是:去除/降低正则化;增加网络深度(层数);增加神经元个数;增加训练集的数据量,设置earlystopping(早停法)。另外也可以尝试使用不同优化算法。
上述备货量计算系统的计算通过云服务器实现。本发明创造性的使用LSTM模型预测了每个店铺每个商品的未来销量,并使用预估销量在云服务器上做配货量的计算,具体的可根据历史180天内的商品销售记录,计算出销售件数、销售时间,使用LSTM模型进行销量预测未来几天的销量。预测好销量以后,服务器端可以使用预测量,结合商品的现有库存,个性化的为每个店铺制定合理的配货计划并生成备货单据,生成好单据以后自动按照审批流程,推送到供应链中各个环节的采购人员人手中,采购人员可以在移动端APP上进行审核,审核流程结束后,配货人员及时按照配货单进行货物的出库和配送。整个智能采购系统以智能的销量预测为起点,结合审核和配货,有效的串联供应链系统中的每一个角色,高效的实现了一种可以应用于连锁超市的智能供应链系统。
本发明一种用于连锁超市的智能采购系统运用人工智能深度学习中的LSTM模型预测产品未来销售量,使用数学逻辑计算得出未来若干天内的合理备货量,生成和下发配货单,配合系统使用人员完成高效的供应链管理。整个系统的运行过程中,减少了对采购人员个人判断的依赖,增加了系统的可靠性,流程的完整性。销量预测系统采用深度学习中的LSTM模型进行训练产生,该模型是通过对输入数据进行一定的变换,找到一个合适的函拟合现有数销售数据的并对以后的销售数量进行合理推测的神经网络模型,在实际使用过程中根据预测的准确程度调整参数,可以逐步提高销量预测的准确性。本发明避免要求采购人员对商品的销量进行预估,减少了对人员专业素质的依赖,提高了销量预测效率;本发明根据预测好的销量和备货量,备货量计算系统自动计算出每个连锁店铺的各个商品备货数目,减少了工作人员的重复性工作。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种用于连锁超市的智能采购系统,其特征在于,包括:
销量预测系统,用于使用深度学习方法、将每个连锁店铺中每个商品的历史销量信息输入到LSTM神经网络中进行训练得到销量预测模型,并根据销量预测模型预测每个连锁店铺中每个商品的未来销量信息;
备货量计算系统,用于根据库存信息和销量预测系统预测出的未来销量信息,计算出每个连锁店铺中每个商品的配货量;
调货单生成分发及审批系统,用于根据配货量生成每个连锁店的配货单,待配货单被采购人员审批通过后发送配货单至配货人员。
2.如权利要求1所述的一种用于连锁超市的智能采购系统,其特征在于,所述智能采购系统还包括配货系统,所述调货单生成分发及审批系统能够发送配货单至配货系统,配货人员能够通过配货系统查看配货单。
3.如权利要求1所述的一种用于连锁超市的智能采购系统,其特征在于,所述配货系统用于记录配货完成情况。
4.如权利要求1所述的一种用于连锁超市的智能采购系统,其特征在于,所述LSTM神经网络的训练使用tensorflow进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110907311.6A CN113627844A (zh) | 2021-08-09 | 2021-08-09 | 一种用于连锁超市的智能采购系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110907311.6A CN113627844A (zh) | 2021-08-09 | 2021-08-09 | 一种用于连锁超市的智能采购系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627844A true CN113627844A (zh) | 2021-11-09 |
Family
ID=78383519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110907311.6A Pending CN113627844A (zh) | 2021-08-09 | 2021-08-09 | 一种用于连锁超市的智能采购系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627844A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493400A (zh) * | 2021-12-17 | 2022-05-13 | 杭州但丁云科技有限公司 | 一种进销存智能分析系统 |
CN115829695A (zh) * | 2023-02-16 | 2023-03-21 | 中信联合云科技有限责任公司 | 基于数据处理的电商线上线下货物调配方法和装置 |
CN116976924A (zh) * | 2023-05-31 | 2023-10-31 | 广州睿本信息科技有限公司 | 一种基于物联网的实体连锁店管理系统 |
CN117455368A (zh) * | 2023-07-21 | 2024-01-26 | 杭州智跑科技有限公司 | 一种智能化生鲜分拣方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424541A (zh) * | 2013-08-26 | 2015-03-18 | 郑昌栋 | 超市一体化管理系统 |
CN108764974A (zh) * | 2018-05-11 | 2018-11-06 | 国网电子商务有限公司 | 一种基于深度学习的商品采购量预测方法及装置 |
CN111882278A (zh) * | 2020-07-30 | 2020-11-03 | 上海百胜软件股份有限公司 | 一种智能补货方法及系统 |
-
2021
- 2021-08-09 CN CN202110907311.6A patent/CN113627844A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424541A (zh) * | 2013-08-26 | 2015-03-18 | 郑昌栋 | 超市一体化管理系统 |
CN108764974A (zh) * | 2018-05-11 | 2018-11-06 | 国网电子商务有限公司 | 一种基于深度学习的商品采购量预测方法及装置 |
CN111882278A (zh) * | 2020-07-30 | 2020-11-03 | 上海百胜软件股份有限公司 | 一种智能补货方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493400A (zh) * | 2021-12-17 | 2022-05-13 | 杭州但丁云科技有限公司 | 一种进销存智能分析系统 |
CN115829695A (zh) * | 2023-02-16 | 2023-03-21 | 中信联合云科技有限责任公司 | 基于数据处理的电商线上线下货物调配方法和装置 |
CN116976924A (zh) * | 2023-05-31 | 2023-10-31 | 广州睿本信息科技有限公司 | 一种基于物联网的实体连锁店管理系统 |
CN116976924B (zh) * | 2023-05-31 | 2024-02-20 | 广州睿本信息科技有限公司 | 一种基于物联网的实体连锁店管理系统 |
CN117455368A (zh) * | 2023-07-21 | 2024-01-26 | 杭州智跑科技有限公司 | 一种智能化生鲜分拣方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kara et al. | Reinforcement learning approaches for specifying ordering policies of perishable inventory systems | |
CN113627844A (zh) | 一种用于连锁超市的智能采购系统 | |
CN110392899A (zh) | 用于模型生成的动态特征选择 | |
Stojanović et al. | The significance of the integrated multicriteria ABC-XYZ method for the inventory management process | |
CN109740793B (zh) | 一种基于概率需求分布的库存优化方法 | |
Chen et al. | Channel coordination with a loss-averse retailer and option contracts | |
Chen et al. | Logistics provider selection for omni-channel environment with fuzzy axiomatic design and extended regret theory | |
CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用系统 | |
CN110490670A (zh) | 一种自适应商品销售规律的需求预测系统 | |
Iliashenko et al. | Application of database technology to improve the efficiency of inventory management for small businesses | |
Feng et al. | Preventive transshipment decisions in a multi-location inventory system with dynamic approach | |
Panda et al. | A volume flexible deteriorating inventory model with price sensitive demand | |
Namir et al. | Decision support tool for dynamic inventory management using machine learning, time series and combinatorial optimization | |
Saha et al. | Demand forecasting of a multinational retail company using deep learning frameworks | |
O’Donnell et al. | Reducing the negative effects of sales promotions in supply chains using genetic algorithms | |
Nasiri et al. | Fast-moving consumer goods network design with pricing policy in an uncertain environment with correlated demands | |
Park et al. | Agent-based merchandise management in business-to-business electronic commerce | |
CN111679814A (zh) | 一种数据驱动的数据中台系统 | |
Islam et al. | Novel AI-Powered Dynamic Inventory Management Algorithm in the USA: Machine Learning Dimension | |
Ekka et al. | Big data analytics tools and applications for modern business world | |
CN113657667A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
Sakhare et al. | Predictive Analysis of End to End Inventory Management System for Perishable Goods | |
Adeli et al. | Integrated sourcing and inventory decisions considering sources’ disruptions with a hybrid simulation-MOPSO-TOPSIS approach: A Pharmaceutical case study | |
Nivasanon et al. | Demand forecasting for online market stock: Case study cleanroom apparel | |
Tekin et al. | A literature review of revenue management in retail sectors and the categorization of solution methods |
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 |