CN113642958B - 基于大数据的仓库补货方法、装置、设备及存储介质 - Google Patents
基于大数据的仓库补货方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113642958B CN113642958B CN202110898278.5A CN202110898278A CN113642958B CN 113642958 B CN113642958 B CN 113642958B CN 202110898278 A CN202110898278 A CN 202110898278A CN 113642958 B CN113642958 B CN 113642958B
- Authority
- CN
- China
- Prior art keywords
- sales rate
- expression
- replenishment
- big data
- constructing
- 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 26
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明提供了一种基于大数据的仓库补货方法、装置、设备及存储介质，该方法包括：S1、获取各商品的历史销售速率；S2、构建基础表达式，根据所述基础表达式和所述历史销售速率，迭代计算得到最优权重常数ai；S3、根据所述最优权重常数ai，构建预测表达式，根据所述预测表达式计算得到销售速率预测值；S4、根据所述销售速率预测值构建补货条件表达式，当满足所述补货条件表达式时，进行补货。该方法能实现仅对需补货的商品进行提前补货，减少了补货任务和配送等待时间，节约了资源，增加了配送效率，保障了仓库配送的高效稳定运转。
Description
技术领域
本发明涉及物流管理技术领域，具体涉及一种基于大数据的仓库补货方法、装置、设备及存储介质。
背景技术
随着信息技术的迅速发展，其在各个行业中得到广泛应用，在物流行业中，引入了工业物联网、大数据计算等架构，使得仓库库存等数据能够被集中整合，企业运营决策能力基于相关智能算法得到了极大提高，并且高层指令能够精确下达到仓库或物流设备，企业的工业化、机械化水平得到了显著提升。
传统的物流流程是通过OMS系统实时监控电商网站的销售订单，拉取下来后经过自身处理生成配货单，审核通过后，下发到仓库WMS系统进行配货发货。但这种流程会出现一些问题，比如当前的补货方式是被动的、事后的，即在商品库存低于已设定的阈值时，才会发出补货需求，而补货需要一定的时间，如果配送量过大，则需要配送车等待一段较长的时间才能进行下一步，因此传统的物流流程经常存在配送延时、超时、配送单多次拆分等现象，极大的降低了配送的效率。
发明内容
为了解决传统物流流程存在的配送延时、超时、配送单多次拆分等技术问题，本发明提供了一种基于大数据的仓库补货方法，包括以下步骤：
S1、获取各商品的历史销售速率；
S2、构建基础表达式，根据所述基础表达式和所述历史销售速率，迭代计算得到最优权重常数ai；
S3、根据所述最优权重常数ai构建预测表达式，根据所述预测表达式计算得到销售速率预测值；
S4、根据所述销售速率预测值构建补货条件表达式，当满足所述补货条件表达式时，进行补货。
进一步地，步骤S1中，所述各商品的历史销售速率为5年以上的数据，用N＝{N1，N2，…，Ni，…，Nm}表示，其中N1，…，Nm分别表示各商品历史上每天的销售数量。
进一步地，步骤S2具体包括：
S21、构建基础表达式为：
Yt+1＝aSt+(1-a)Yt
其中，St表示第t天的实际销售速率，Yt表示第t天的销售速率预测值，Yt+1表示第t+1天的销售速率预测值，a是权重常数，取值范围为[0，1]，第一天的预销售速率测值Y1用S1表示；
S22、给出权重常数a的取值集合＝{a1，…，an}；
S23、在每一个a值下，调用历史销售速率和所述基础表达式，迭代计算得出历史销售速率预测值Y＝{Y1，…，Yt}；
S24、根据所述历史销售速率预测值计算得到历史销售速率预测值的平均方差，表达式为：
其中，m为历史数据集数量；
S25、不断迭代得出σ2的结果集比较结果集找到最小平均方差σ2，得到权重常数a的最优解，即最优权重常数ai。
进一步地，步骤S3中，所述预测表达式为：
Yt+1＝aiSt+(1-ai)Yt
其中，ai是最优权重常数。
进一步地，步骤S4中，所述补货条件表达式为：
0＞Pcur-Yt-Yt+n
其中，Pcur表示当前库存，Yt，…，Yt+n是未来时段每天的销售速率预测值，n为预测天数。
此外，为了实现上述目的，本发明还提供了一种基于大数据的仓库补货装置，采用所述的基于大数据的仓库补货方法，包括：多个智能货架、中央计算管理平台和OMS系统；
多个所述智能货架和所述OMS系统分别与所述中央计算管理平台通信连接；
各所述智能货架，实时将各商品的实时销售速率上传至所述中央计算管理平台；
由所述中央计算管理平台构建预测模型，不断地迭代计算出各所述智能货架上商品的销售速率预测值，并根据所述销售速率预设值构建补货条件表达式，当满足所述补货条表达式件时，通过所述OMS系统对商品进行及时补货。
进一步的，所述中央计算管理平台包括：
获取模块，用于获取各商品的历史销售速率；
构建模块，用于构建基础表达式；
计算模块，用于根据所述历史销售速率和所述基础表达式迭代计算得到最优权重常数ai；
所述构建模块，还用于根据所述最优权重常数ai构建预测表达式；
所述计算模块，还用于根据所述预测表达式计算得到销售速率预测值；
所述构建模块，还用于根据所述销售速率预测值构造补货条件表达式，当满足所述补货条件表达式时，进行补货通知。
此外，为了实现上述目的，本发明还提供了一种基于大数据的仓库补货设备，所述基于大数据的仓库补货设备包括存储器、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基于大数据的仓库补货程序，所述基于大数据的仓库补货程序被所述处理器执行时实现所述的基于大数据的仓库补货方法的步骤。
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有基于大数据的仓库补货程序，所述基于大数据的仓库补货程序被处理器执行时实现所述的基于大数据的仓库补货方法的步骤。
本发明提供的技术方案带来的有益效果是：
本发明通过应用工业物联网与大数据计算等先进的信息技术，将传统仓库改造成智能仓库。这里每个货架都是一个观察节点，实时的将自身状态信息与配货信息上传到中央计算管理平台，由中央计算管理平台构建计算模型，不断地迭代计算出货架上商品的销售速率，进而得出商品的剩余销售时间。在根据设定的阈值，仅对需补货的商品进行提前补货，减少了补货任务和配送等待时间，节约了资源，增加了配送效率，保障了仓库配送的高效稳定运转。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图：
图1是本发明一种基于大数据的仓库补货方法的执行流程图；
图2是本发明一种基于大数据的仓库补货装置的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本实施例中，提供了一种基于大数据的仓库补货方法，包括以下步骤：
S1、获取仓库中各商品的历史销售速率。
在本实施例中，调用商品历史销售速率，最好是5年以上大量数据，用N＝{N1，N2，…，Ni，…，Nm}表示，其中N1-Nm表示商品历史上每天的销售数量，即以天为单位的销售速率。
S2、构建基础表达式，根据所述基础表达式和所述历史销售速率，迭代计算得到最优权重常数ai。
步骤S2具体包括：
S21、构建基础表达式为：
Yt+1＝aSt+(1-a)Yt
其中，St表示第t天的实际销售速率，Yt表示第t天的销售速率预测值，Yt+1表示第t+1天的销售速率预测值，a是权重常数，取值范围为[0，1]，第一天的预销售速率测值Y1直接用S1表示；
S22、给出权重常数a的取值集合＝{a1，…，an}；
S23、在每一个a值下，调用历史销售速率和所述基础表达式，迭代计算得出历史销售速率预测值Y＝{Y1，…，Yt}；
S24、根据所述历史销售速率预测值计算得到历史销售速率预测值的平均方差，表达式为：
其中，m为历史数据集数量；
S25、不断迭代找出最小平均方差σ2，得到权重常数a的最优解，即为最优权重常数ai，其中，i的取值范围为1，…，n。
S3、根据所述最优权重常数ai，构建预测表达式，根据预测表达式计算得到销售速率预测值。
在本实施例中，由步骤S2得出最优权重常数ai，构建预测表达式：
Yt+1＝aiSt+(1-ai)Yt
其中，ai是最优权重常数，取值范围为[0，1]。
S4、根据所述销售速率预测值构建补货条件表达式，当满足所述补货条件表达式时，进行补货。
具体地，所述补货条件表达式为：
0＞Pcur-Yt-Yt+n
其中，Pcur表示当前库存，Yt，…，Yt+n是未来时段每天的销售速率预测值，n为预测天数。
该表达式表示在预测天数n天后，商品的库存减少至零，因此需要在第n天前进行及时补货。
为了实施所述的基于大数据的仓库补货方法，本实施例还提供了一种基于大数据的仓库补货装置。
参考图2，该装置包括：多个智能货架、中央计算管理平台和OMS系统；
多个所述智能货架和所述OMS系统分别与所述中央计算管理平台通信连接；
各所述智能货架，实时将各商品的实时销售速率上传至所述中央计算管理平台；
由所述中央计算管理平台构建预测模型，不断地迭代计算出各所述智能货架上商品的销售速率预测值，进而得出商品的剩余库存预设值；
当所述剩余库存预设值小于设定的库存阈值时，通过所述OMS系统对商品进行及时补货。
本实施例中，所述中央计算管理平台包括：
多个所述智能货架和所述OMS系统分别与所述中央计算管理平台通信连接；
各所述智能货架，实时将各商品的实时销售速率上传至所述中央计算管理平台；
由所述中央计算管理平台构建预测模型，不断地迭代计算出各所述智能货架上商品的销售速率预测值，并根据所述销售速率预设值构建补货条件表达式，当满足所述补货条表达式件时，通过所述OMS系统对商品进行及时补货。
进一步的，所述中央计算管理平台包括：
获取模块，用于获取各商品的历史销售速率；
构建模块，用于构建基础表达式；
计算模块，用于根据所述历史销售速率和所述基础表达式，迭代计算得到最优权重常数ai；
所述构建模块，还用于根据所述最优权重常数ai，构建预测表达式(预测模型)；
所述计算模块，还用于根据所述预测表达式计算得到销售速率预测值；
所述构建模块，还用于根据所述销售速率预测值构造补货条件表达式，当满足所述补货条件表达式时，进行补货通知。
作为可选地实施方式，本实施例还提供了一种基于大数据的仓库补货设备，所述基于大数据的仓库补货设备包括存储器、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基于大数据的仓库补货程序，所述基于大数据的仓库补货程序被所述处理器执行时实现所述的基于大数据的仓库补货方法的步骤。
作为可选地实施方式，本实施例还提供了一种存储介质，所述存储介质上存储有基于大数据的仓库补货程序，所述基于大数据的仓库补货程序被处理器执行时实现所述的基于大数据的仓库补货方法的步骤。
本发明通过应用工业物联网与大数据计算等先进的信息技术，将传统仓库改造成智能仓库。这里每个货架都是一个观察节点，实时将自身状态信息与配货信息上传到中央计算管理平台，由中央计算管理平台构建计算模型，不断地迭代计算出货架上商品的销售速率，进而得出商品的剩余销售时间。在根据设定的阈值，仅对需补货的商品进行提前补货，减少了补货任务和配送等待时间，节约了资源，增加了配送效率，保障了仓库配送的高效稳定运转。
在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据的仓库补货方法，其特征在于，包括以下步骤：
S1、获取各商品的历史销售速率；
S2、构建基础表达式，根据所述基础表达式和所述历史销售速率迭代计算得到最优权重常数ai；
步骤S2具体包括：
S21、构建基础表达式为：
Yt+1＝aSt+(1-a)Yt
其中，St表示第t天的实际销售速率，Yt表示第t天的销售速率预测值，Yt+1表示第t+1天的销售速率预测值，a是权重常数，取值范围为[0,1]，第一天的预销售速率测值Y1用S1表示；
S22、给出权重常数a的取值集合＝{a1,…,an}；
S23、在每一个a值下，调用历史销售速率和所述基础表达式，迭代计算得出历史销售速率预测值Y＝{Y1,…,Yt}；
S24、根据所述历史销售速率预测值计算得到历史销售速率预测值的平均方差，表达式为：
其中，m为历史数据集数量；
S25、不断迭代得出σ2的结果集比较结果集找到最小平均方差σ2，得到权重常数a的最优解，即最优权重常数ai；
S3、根据所述最优权重常数ai构建预测表达式，根据所述预测表达式计算得到销售速率预测值；
步骤S3中，所述预测表达式为：
Yt+1＝aiSt+(1-ai)Yt
其中，ai是最优权重常数；
S4、根据所述销售速率预测值构建补货条件表达式，当满足所述补货条件表达式时，进行补货；
步骤S4中，所述补货条件表达式为：
0>Pcur-Yt-Yt+n
其中，Pcur表示当前库存，Yt,...,Yt+n是未来时段每天的销售速率预测值，n为预测天数。
2.如权利要求1所述的一种基于大数据的仓库补货方法，其特征在于，步骤S1中，所述各商品的历史销售速率为5年以上的数据，用N＝{N1,N2,…,Ni,…,Nm}表示，其中N1,...,Nm分别表示各商品历史上每天的销售数量。
3.一种基于大数据的仓库补货装置，采用如权利要求1-2任一项所述的基于大数据的仓库补货方法，其特征在于，包括：多个智能货架、中央计算管理平台和OMS系统；
多个所述智能货架和所述OMS系统分别与所述中央计算管理平台通信连接；
各所述智能货架，实时将各商品的实时销售速率上传至所述中央计算管理平台；
由所述中央计算管理平台构建预测模型，不断地迭代计算出各所述智能货架上商品的销售速率预测值，并根据所述销售速率预设值构建补货条件表达式，当满足所述补货条表达式件时，通过所述OMS系统对商品进行及时补货。
4.如权利要求3所述的一种基于大数据的仓库补货装置，其特征在于，所述中央计算管理平台包括：
获取模块，用于获取各商品的历史销售速率；
构建模块，用于构建基础表达式；
计算模块，用于根据所述历史销售速率和所述基础表达式，迭代计算得到最优权重常数ai；
所述构建模块，还用于根据所述最优权重常数ai构建预测表达式；
所述计算模块，还用于根据所述预测表达式计算得到销售速率预测值；
所述构建模块，还用于根据所述销售速率预测值构造补货条件表达式，当满足所述补货条件表达式时，进行补货通知。
5.一种基于大数据的仓库补货设备，其特征在于，所述基于大数据的仓库补货设备包括存储器、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基于大数据的仓库补货程序，所述基于大数据的仓库补货程序被所述处理器执行时实现如权利要求1至2中任一项所述的基于大数据的仓库补货方法的步骤。
6.一种存储介质，其特征在于，所述存储介质上存储有基于大数据的仓库补货程序，所述基于大数据的仓库补货程序被处理器执行时实现如权利要求1至2中任一项所述的基于大数据的仓库补货方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898278.5A CN113642958B (zh) | 2021-08-05 | 基于大数据的仓库补货方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898278.5A CN113642958B (zh) | 2021-08-05 | 基于大数据的仓库补货方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642958A CN113642958A (zh) | 2021-11-12 |
| CN113642958B true CN113642958B (zh) | 2024-06-04 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的系统和方法 |
| CN109325808A (zh) * | 2018-09-27 | 2019-02-12 | 重庆智万家科技有限公司 | 基于Spark大数据平台的商品需求预测与物流分仓规划方法 |
| 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 |
| CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
| CN111340414A (zh) * | 2020-02-14 | 2020-06-26 | 上海东普信息科技有限公司 | 云仓大数据处理方法、云仓系统、计算机设备和存储介质 |
| CN112990590A (zh) * | 2021-03-26 | 2021-06-18 | 中国科学技术大学 | 一种网络货运平台背景下的电商物流中转优化方法及系统 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的系统和方法 |
| CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
| CN109325808A (zh) * | 2018-09-27 | 2019-02-12 | 重庆智万家科技有限公司 | 基于Spark大数据平台的商品需求预测与物流分仓规划方法 |
| 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 |
| CN111340414A (zh) * | 2020-02-14 | 2020-06-26 | 上海东普信息科技有限公司 | 云仓大数据处理方法、云仓系统、计算机设备和存储介质 |
| CN112990590A (zh) * | 2021-03-26 | 2021-06-18 | 中国科学技术大学 | 一种网络货运平台背景下的电商物流中转优化方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| JD公司二级仓补货预测与补货策略研究;赵爽;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20221216;全文 * |
| 关于零售企业"中台"建设的研究;潘艺;;全国流通经济;20200718(20);全文 * |
| 基于GBRT树模型分位数回归预测的CPFR补货方法;孙延华;张冬杰;曾庆维;金健;陈桓;姚小龙;;软件导刊;20191215(12);全文 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rahdar et al. | A tri-level optimization model for inventory control with uncertain demand and lead time | |
| US8515835B2 (en) | Systems and methods for multi-echelon inventory planning with lateral transshipment | |
| US8600843B2 (en) | Method and computer system for setting inventory control levels from demand inter-arrival time, demand size statistics | |
| CN109961198B (zh) | 关联信息生成方法和装置 | |
| Deng et al. | A Deep Learning‐Based Inventory Management and Demand Prediction Optimization Method for Anomaly Detection | |
| CN108665156B (zh) | 区块链下基于马尔科夫链的供应链选择评价方法 | |
| CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
| Theodorou et al. | Optimizing inventory control through a data-driven and model-independent framework | |
| CN111507673A (zh) | 对商品库存进行管理的方法和装置 | |
| CN115423217B (zh) | 一种基于供应链信息协同共享的交易方法及系统 | |
| Cardona et al. | How to determine slot sizes in a unit-load warehouse | |
| CN113361073A (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
| Tang | Managing finished-goods inventory under capacitated delayed differentiation | |
| CN113988768B (zh) | 一种库存的确定方法和装置 | |
| Kapalka et al. | Retail inventory control with lost sales, service constraints, and fractional lead times | |
| Van der Heide et al. | Transshipment and rebalancing policies for library books | |
| CN113780913B (zh) | 一种安全库存信息的生成方法和装置 | |
| CN115271574A (zh) | 一种货品补货方法、装置、电子设备及存储介质 | |
| Van der Heide et al. | Optimizing stock levels for rental systems with a support warehouse and partial backordering | |
| CN113642958B (zh) | 基于大数据的仓库补货方法、装置、设备及存储介质 | |
| CN113626966A (zh) | 库存补货方法、计算机可读存储介质以及终端设备 | |
| CN115685912A (zh) | 基于大数据的制造企业生产与物流协同优化调度方法及系统 | |
| CN109523314A (zh) | 一种基于ai技术的供应链管控方法及其系统和存储介质 | |
| CN113642958A (zh) | 基于大数据的仓库补货方法、装置、设备及存储介质 | |
| CN118076967A (zh) | 基于优化树集成的需求模型 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |