CN113763055B - 一种门店商品配送的预测方法以及相关设备 - Google Patents
一种门店商品配送的预测方法以及相关设备 Download PDFInfo
- Publication number
- CN113763055B CN113763055B CN202111242558.7A CN202111242558A CN113763055B CN 113763055 B CN113763055 B CN 113763055B CN 202111242558 A CN202111242558 A CN 202111242558A CN 113763055 B CN113763055 B CN 113763055B
- Authority
- CN
- China
- Prior art keywords
- store
- data
- delivery
- server
- real
- 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 43
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000001737 promoting effect Effects 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- 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
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开一种门店商品配送的预测方法,本申请实施例方法包括:服务器获取至少一个门店的历史销售数据,将每个所述门店对应的所述历史销售数据分别输入每个所述门店对应的第一网络模型内,获得至少一个第一配送数据,所述服务器根据所述至少一个第一配送数据的总和确定第一累计配送量,在获取所述至少一个门店中的第一门店的实时数据后,将所述第一门店对应的第一配送数据、所述第一累计配送量和所述第一门店对应的实时数据输入第二网络模型,获得第二配送数据,所述第二配送数据用于指示所述第一门店的配送量。通过上述的方法,能够根据门店的实时数据实时预测需要配送门店的配送量,提高预测准确率。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种门店商品配送的预测方法以及相关设备。
背景技术
对于为终端门店配货的商家,在不清楚未来终端门店需要多少商品的情况下,商家的库存过多会导致货物积压,或者终端门店需求过多,商家的库存不足,导致缺货的情况出现,目前可以通过预测系统预测需要为终端门店配送的数量,从而确定订货量。
现有的用于预测终端门店需要配送数量的预测系统,采用离线最优控制。离线最优控制是根据历史数据,将历史数据加入预测模型内运行,训练出最优的预测模型。使用时,该模型上线,根据输入的预测数据,从而获取预测的结果。
但是,现有的预测系统是离线完成的,在实际使用时,商家输入该门店的历史销售数据来预测该门店在未来的需求量,从而进行订货,但是根据历史销售数据来进行预测,使预测配送量与门店实际需求不符,预测的配送量的准确率低。
发明内容
本申请实施例提供了门店商品配送的预测方法以及相关设备,用于根据实时数据预测终端门店的商品实时的配送量,从而提高配送的准确率。
为解决上述技术问题,本申请实施例提供以下技术方案:
本申请一方面提供一种数据更新的方法,包括:
服务器获取至少一个门店的历史销售数据;
所述服务器将每个所述门店对应的所述历史销售数据分别输入每个所述门店对应的第一网络模型,获得至少一个第一配送数据;
所述服务器确定第一累计配送量,所述第一累计配送量为所述至少一个第一配送数据的总和;
所述服务器获取第一门店的实时数据,所述第一门店为所述至少一个门店中的一个门店;
所述服务器将所述第一门店对应的第一配送数据、所述第一累计配送量和所述第一门店对应的实时数据输入第二网络模型,获得第二配送数据,所述第二配送数据用于指示所述第一门店的配送量。
在一种可能的实现方式中,所述服务器将所述第一门店对应的第一配送数据、所述第一累计配送量和所述第一门店对应的实时数据输入第二网络模型,获得第二配送数据之后,所述方法还包括:
所述服务器获取第二累计配送量,所述第二累计配送量为所述第一累计配送量与所述配送量的差值的绝对值;
所述服务器获取第二门店的实时数据,所述第二门店为所述至少一个门店中的一个门店;
所述服务器将所述第二门店对应的第一配送数据、所述第二累计配送量和所述第二门店对应的实时数据输入第二网络模型,获得第三配送数据,所述第三配送数据用于指示所述第二门店的配送量。
在一种可能的实现方式中,所述第一门店的实时数据包括所述第一门店的促销数据、所述第一门店的营业数据,或天气数据中至少一项;
所述第二门店的实时数据包括所述第二门店的促销数据、所述第二门店的营业数据,或天气数据中至少一项。
在一种可能的实现方式中,所述服务器获取至少一个门店的商品的历史销售数据之后,所述方法还包括:所述服务器对所述历史销售数据进行预处理,所述预处理包括数据缺失值填充或异常值修改。
在一种可能的实现方式中,获取单元,用于获取至少一个门店的历史销售数据;
输入单元,用于将每个所述门店对应的所述历史销售数据分别输入每个所述门店对应的第一网络模型,获得至少一个第一配送数据;
确定单元,用于确定第一累计配送量,所述第一累计配送量为所述至少一个第一配送数据的总和;
所述获取单元,还用于获取第一门店的实时数据,所述第一门店为所述至少一个门店中的一个门店;
所述输入单元,还用于将所述第一门店对应的第一配送数据、所述第一累计配送量和所述第一门店对应的实时数据输入第二网络模型,获得第二配送数据,所述第二配送数据用于指示所述第一门店的配送量。
在一种可能的实现方式中,所述获取单元,还用于获取第二累计配送量,所述第二累计配送量为所述第一累计配送量与所述配送量的差值的绝对值;
所述获取单元,还用于获取第二门店的实时数据,所述第二门店为所述至少一个门店中的一个门店;
所述输入单元,还用于将所述第二门店对应的第一配送数据、所述第二累计配送量和所述第二门店对应的实时数据输入第二网络模型,获得第三配送数据,所述第三配送数据用于指示所述第二门店的配送量。
在一种可能的实现方式中,所述第一门店的实时数据包括所述第一门店的促销数据、所述第一门店的营业数据,或天气数据中至少一项;
所述第二门店的实时数据包括所述第二门店的促销数据、所述第二门店的营业数据,或天气数据中至少一项。
在一种可能的实现方式中,所述服务器还包括:
预处理单元,用于对所述历史销售数据进行预处理,所述预处理包括数据缺失值填充或异常值修改。
本申请另一方面提供一种计算机设备,包括:处理器以及存储器:
所述存储器用于存储程序代码;所述存储器用于存储程序代码;所述处理器用于根据所述程序代码中的指令执行上述任一方面所述的数据更新的方法。
本申请另一方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一方面所述的数据更新的方法。
根据本申请的另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。服务器的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该服务器执行上述任一方面所述的数据更新的方法。
本实现方式中,服务器获取至少一个门店的历史销售数据后,将每个门店的历史销售数据输入第一网络模型获得至少一个第一配送数据,并获取所有门店的第一配送数据的总和,生成第一累计配送量,在为至少一个门店中的第一门店配送前,将累计配送量、第一门店对应的实时数据以及第一配送量输入第二网络模型进行计算,获得第一门店的配送量,由于该配送量使用实时数据进行修正,提高了预测配送量的准确性。
附图说明
图1为本申请实施例中门店商品配送的预测方法的流程示意图;
图2为本申请实施例中训练矩阵的示意图;
图3为本申请实施例中预测过程的示意图;
图4为本申请实施例中一个预测结果的示意图;
图5为本申请实施例中服务器的一实施例示意图;
图6为本申请实施例中服务器的另一实施例示意图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,以便包括一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请实施例中的方法可运用于商家需要向门店配货的场景,特别是在快消行业,快消行业的特点是消费频率高,使用时限短,拥有广泛的消费群体,故对于消费的便利性要求很高。商家需要更为准确的得知快消行业中的门店需要的商品的数量,从而为门店提供更为精准的配送量。
请参阅图1,图1为本申请实施例中门店商品配送的预测方法的流程示意图,如图1所示,门店商品配送的预测方法包括:
101、服务器获取至少一个门店的历史销售数据。
在商家预测为门店配送多少商品时,商家可以根据实际需求选择需要预测的门店。服务器获取至少一个门店的历史销售数据,历史销售数据包括商品在历史时间段内的实际销售数据。例如为门店在过去两年内每天的销量。
可以理解的是,由于商品的历史销售数据为一个时间段内的数据,可能存在数据丢失或错误的情况。服务器可以通过对历史销售数据进行预处理,提高预测结果的准确性。预处理包括数据缺失值填充或异常值修改,通过对数据进行预处理,可以提高历史销售数据的质量,进而提高预测模型的预测性能。
102、服务器将每个门店对应的历史销售数据分别输入每个门店对应的第一网络模型,获得至少一个第一配送数据。
由于不同类型的历史销售数据适合不同的模型,使用单一类型的网络模型不能为每类历史销售数据匹配最佳的模型,故每一历史销售数据都对应一个第一网络模型,根据历史销售数据的类型,第一网络模型的类型也不同。例如,若需要预测今年三月的第一配送数据,发现在近两年的时间内,该门店每月的销量都十分稳定,则可以选择简单的第一网络模型,直接通过求取过去两年内历史销售数据的平均值来预测今年三月需要为门店配送的第一配送数据。若发现该门店在近两年的时间内,每月的销量波动大,则需要选择复杂的第一网络模型,例如,需要预测今年三月该门店的配送量,首先将近两年的实际销量数据以及今年已经获得的实际销售数据放入到一个训练矩阵中,请参阅图2,图2为本申请实施例中训练矩阵的示意图,横向以年份排列,纵向以月排列,其中,X(1,3)表示去年三月的历史销售数据,X(0,3)则表示今年三月份对应的需要预测的配送量,今年三月的配送量需要根据训练矩阵中去年三月以及前年三月的历史销售数据来进行预测。去年三月的权重的具体计算方式为:把X(1,3)与X(0,3)两个点坐标的x坐标相减取绝对值,y坐标相减取绝对值,再相加,取和的倒数,该倒数作为去年三月的权重值。该计算方式主要包括曼哈顿距离算法,通过曼哈顿距离计算出的值的倒数作为权重,从而计算去年以及前年三月的历史销售数据的占比,使越接近的年份的历史销售数据占比更大,提高准确度。将去年三月以及前年三月的历史销售数据分别乘以相应的权数,然后加总求和得到总体值,以此作为最终第一配送数据。
其中,定义训练矩阵X=(x(p,q))其中,X为矩阵值。p为预测年份,p∈{0,1,2};q为月份,q∈{0,1,…,11}。
我们将预测的日期设置为K,有计算式:其中,表示其中Y表示预测配送量。其中,w(p,q)为曼哈顿距离的倒数,
根据实际需求,可以获取门店在过去每天的历史销售数据来预测一天的时间内的第一配送数据。可以理解的是,第一网络模型的类型有多种,可以根据第一历史数据的不同选择不同类型的第一网络模型,具体此处不做限定。
103、服务器确定第一累计配送量。
第一累计配送量为至少一个第一配送数据的总和,请参阅图3,图3为本申请实施例中预测过程的示意图。当服务器获取每个门店的第一配送数据后,计算所有门店的第一配送数据的和,生成第一累计配送量,并将该第一累计配送量发送给商家的业务系统,商家根据第一累计配送量订货,准备需要配送的商品。
104、服务器获取第一门店的实时数据。
其中,第一门店为至少一个门店中的一个门店,请再次参阅图3,当确定第一累计配送量后,且已经获取到每个门店的第一配送数据,服务器根据每个门店的第一配送数据、每个门店的配送时间顺序和配送范围等信息生成配送方案,服务器确定需要配送的第一门店,该第一门店为至少一个门店中的一个门店,在为第一门店配送前,服务器获取第一门店对应的实时数据,该实时数据包括第一门店的促销数据、第一门店的营业数据、或天气数据。
可以理解的是,该实时数据还可以包括其他数据,例如第一门店的货架数据,销售增长数据等,具体包括的数据可以有多种,此处不做限定。需要说明的是,“第一门店”只是至少一个门店中一个门店的统称,并不特指某个或某些门店,在实际应用中,也可能以其他名称代替,具体此处不做限定,本申请实施例中只以“第一门店”为例进行说明。
105、服务器将第一门店对应的第一配送数据、第一累计配送量和第一门店对应的实时数据输入第二网络模型,获得第二配送数据。
其中,第二配送数据用于指示第一门店的配送量。第二网络模型主要通过历史的实时数据与历史的预测结果训练获得,在为第一门店配送前,将第一门店的实时数据以及第一门店对应的第一配送数据、实时库存,输入第二网络模型,获得第二配送数据,其中,该实时库存为第一累计配送量,可以根据实时数据调节需要为第一门店配送的配送量。在门店出现意外情况例如促销等情况时,可以及时更新为门店的预测的配送量,提高预测的准确度,进而提高配货的准确率。
进一步的,为保证商家库存不积压,或为保证有充足的商品为后续门店配送,该第一门店设有可调范围值,使第一门店的配送量在一定的范围内进行调节,防止库存积压或库存不足。
在计算出第一门店的第二配送数据后,由于第一门店的配送量发生改变,商家准备的库存为固定数量,为防止库存积压,或库存不足,则为后续门店配送前,其库存量需要实时更新,便于为后续门店配送前,及时调整后续门店的配送量。请再次参阅图3,服务器确定下一配送门店:例如第二门店,第二门店为至少一个门店中的一个门店,服务器获取实时库存,此时,该第二网络模型输入的实时库存即为第二累计配送量,第二累计配送量为第一累计配送量与配送量的差值的绝对值。
在为第二门店配送前,服务器还获取第二门店对应的实时数据,该实时数据包括第二门店的促销数据、第二门店的营业数据、或天气数据。
可以理解的是,根据实际需求,该实时数据还可以包括其他数据,例如第二门店的货架数据,销售增长数据等,具体包括的数据可以有多种,此处不做限定。需要说明的是,“第二门店”只是至少一个门店中一个门店的统称,并不特指某个或某些门店,在实际应用中,也可能以其他名称代替,具体此处不做限定,本申请实施例中只以“第二门店”为例进行说明。
服务器将第二门店对应的第一配送数据、第二累计配送量和第二门店对应的实时数据输入第二网络模型,获得第三配送数据,第三配送数据用于指示第二门店的配送量。根据实时数据调节需要为第二门店配送的商品的数量,提高预测的准确度。
请参阅图4,图4为本申请实施例中一个预测结果的示意图,如图所示,商家需要为ID在725001到725055之间的多个门店配送商品时,服务器获取ID在725001到725055之间的多个门店的历史销售数据,例如,获取从2021年7月1日到2021年7月1这段时间内的历史销售数据。服务器将每个门店对应的历史销售数据分别输入每个门店对应的第一网络模型,获得每个门店的第一配送数据,并求和得到第一累计配送量。商家根据第一累计配送量进行订货。在为其中一个门店,例如725001门店配送前,需要获取725001门店的实时数据,此时仓库的实时库存为第一累计配送量,故将725001门店对应的实时数据、725001门店对应的第一配送数据以及第一累计配送量输入第二网络模型,获得第二配送数据,商家根据第二配送数据确定为725001门店配送的商品的数量。为下一个门店进行配送时,例如725002门店,获取725002门店的实时数据,此时仓库的实时库存为第二累计配送量,该第二累计配送量为第一累计配送量与已经配送的配送量的差值的绝对值,故将725002门店对应的实时数据、725002门店对应的第一配送数据以及第二累计配送量输入第二网络模型,获得第三配送数据,商家根据第三配送数据为725002门店配送商品。以此类推,商家在为每一个门店配送前,都会根据实时数据再次预测门店的配送量,以提高配送的精确度。
可以理解的是,上述的预测结果仅作为多种预测结果中的一种,根据输入的历史销售数据与实时数据的不同,预测结果也可以不同,故存在多种预测结果,具体此处不做限定。
上面对本申请实施例中的数据传输方法进行了描述,下面对本申请实施例中的终端进行描述,请参阅图5,图5为本申请实施例中服务器的一实施例示意图,服务器的一个实施例包括:
获取单元501,用于获取至少一个门店的历史销售数据;
输入单元502,用于将每个门店对应的历史销售数据分别输入每个门店对应的第一网络模型,获得至少一个第一配送数据;
确定单元503,用于确定第一累计配送量,第一累计配送量为至少一个第一配送数据的总和;
获取单元501,还用于获取第一门店的实时数据,第一门店为至少一个门店中的一个门店;
输入单元502,还用于将第一门店对应的第一配送数据、第一累计配送量和第一门店对应的实时数据输入第二网络模型,获得第二配送数据,第二配送数据用于指示第一门店的配送量。
服务器的一个实施例包括:
获取单元501,还用于获取第二累计配送量,第二累计配送量为第一累计配送量与配送量的差值的绝对值;
获取单元501,还用于获取第二门店的实时数据,第二门店为至少一个门店中的一个门店;
输入单元502,还用于将第二门店对应的第一配送数据、第二累计配送量和第二门店对应的实时数据输入第二网络模型,获得第三配送数据,第三配送数据用于指示第二门店的配送量。
服务器的一个实施例包括:
第一门店的实时数据至少包括第一门店的促销数据、第一门店的营业数据、或天气数据;
第二门店的实时数据至少包括第二门店的促销数据、第二门店的营业数据、或天气数据。
服务器的一个实施例包括:
预处理单元504,用于对历史销售数据进行预处理,预处理包括数据缺失值填充或异常值修改。
本申请实施例还提供了一种服务器,用于执行图1至图4对应的实施例中任一项所示实施例的操作。请参阅图6,图6为本申请实施例中服务器的另一实施例示意图。如图所示,该服务器600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)622(例如,一个或一个以上处理器)和存储器632,一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器622可以设置为与存储介质630通信,在服务器600上执行存储介质630中的一系列指令操作。
服务器600还可以包括一个或一个以上电源626,一个或一个以上有线或无线网络接口660,一个或一个以上输入输出接口668,和/或,一个或一个以上操作系统645,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中所执行的步骤可以基于该图6所示的服务器的结构。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如前述各个实施例描述的方法。
本申请实施例中还提供一种包括程序的计算机程序产品,当其在计算机上运行时,使得计算机执行前述各个实施例描述的方法。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台服务器(可以是个人计算机,互动视频的管理装置,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种门店商品配送的预测方法,其特征在于,所述方法包括:
服务器获取至少一个门店的历史销售数据;
所述服务器将每个所述门店对应的所述历史销售数据分别输入每个所述门店对应的第一网络模型,获得至少一个第一配送数据;
所述服务器确定第一累计配送量,所述第一累计配送量为所述至少一个第一配送数据的总和;
所述服务器获取第一门店的实时数据,所述第一门店为所述至少一个门店中的一个门店;
所述服务器将所述第一门店对应的第一配送数据、所述第一累计配送量和所述第一门店对应的实时数据输入第二网络模型,获得第二配送数据,所述第二配送数据用于指示所述第一门店的配送量;
所述服务器获取第二累计配送量,所述第二累计配送量为所述第一累计配送量与所述第一门店的配送量的差值的绝对值;
所述服务器获取第二门店的实时数据,所述第二门店为所述至少一个门店中的一个门店;
所述服务器将所述第二门店对应的第一配送数据、所述第二累计配送量和所述第二门店对应的实时数据输入第二网络模型,获得第三配送数据,所述第三配送数据用于指示所述第二门店的配送量。
2.根据权利要求1所述的方法,其特征在于,所述第一门店的实时数据包括所述第一门店的促销数据、所述第一门店的营业数据,或天气数据中至少一项;
所述第二门店的实时数据包括所述第二门店的促销数据、所述第二门店的营业数据,或天气数据中至少一项。
3.根据权利要求1所述的方法,其特征在于,所述服务器获取至少一个门店的商品的历史销售数据之后,所述方法还包括:
所述服务器对所述历史销售数据进行预处理,所述预处理包括数据缺失值填充或异常值修改。
4.一种服务器,其特征在于,所述服务器包括:
获取单元,用于获取至少一个门店的历史销售数据;
输入单元,用于将每个所述门店对应的所述历史销售数据分别输入每个所述门店对应的第一网络模型,获得至少一个第一配送数据;
确定单元,用于确定第一累计配送量,所述第一累计配送量为所述至少一个第一配送数据的总和;
所述获取单元,还用于获取第一门店的实时数据,所述第一门店为所述至少一个门店中的一个门店;
所述输入单元,还用于将所述第一门店对应的第一配送数据、所述第一累计配送量和所述第一门店对应的实时数据输入第二网络模型,获得第二配送数据,所述第二配送数据用于指示所述第一门店的配送量;
所述获取单元,还用于获取第二累计配送量,所述第二累计配送量为所述第一累计配送量与所述第一门店的配送量的差值的绝对值;
所述获取单元,还用于获取第二门店的实时数据,所述第二门店为所述至少一个门店中的一个门店;
所述输入单元,还用于将所述第二门店对应的第一配送数据、所述第二累计配送量和所述第二门店对应的实时数据输入第二网络模型,获得第三配送数据,所述第三配送数据用于指示所述第二门店的配送量。
5.根据权利要求4所述的服务器,其特征在于,所述第一门店的实时数据包括所述第一门店的促销数据、所述第一门店的营业数据,或天气数据中至少一项;
所述第二门店的实时数据包括所述第二门店的促销数据、所述第二门店的营业数据,或天气数据中至少一项。
6.根据权利要求4所述的服务器,其特征在于,所述服务器还包括:
预处理单元,用于对所述历史销售数据进行预处理,所述预处理包括数据缺失值填充或异常值修改。
7.一种服务器,其特征在于,所述服务器包括处理器以及存储器:
所述存储器用于存储程序代码;
所述处理器用于根据所述程序代码中的指令执行权利要求1至3任一项所述门店商品配送的预测方法。
8.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述权利要求1至3任一项所述的门店商品配送的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111242558.7A CN113763055B (zh) | 2021-10-25 | 2021-10-25 | 一种门店商品配送的预测方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111242558.7A CN113763055B (zh) | 2021-10-25 | 2021-10-25 | 一种门店商品配送的预测方法以及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763055A CN113763055A (zh) | 2021-12-07 |
CN113763055B true CN113763055B (zh) | 2024-03-19 |
Family
ID=78784402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111242558.7A Active CN113763055B (zh) | 2021-10-25 | 2021-10-25 | 一种门店商品配送的预测方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763055B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11154280A (ja) * | 1997-11-20 | 1999-06-08 | Fujitsu General Ltd | リアルタイム在庫管理システム |
US7475024B1 (en) * | 2000-12-13 | 2009-01-06 | Microsoft Corporation | System and method for distributing in real-time, inventory data acquired from in-store point of sale terminals |
US7725366B1 (en) * | 2007-05-01 | 2010-05-25 | Hector Franco | Supply-chain management system |
KR20170100201A (ko) * | 2016-02-25 | 2017-09-04 | (주)수와유 | 빅데이터를 이용한 전자상거래 구매예측 통합솔루션시스템 |
CN107292724A (zh) * | 2017-07-04 | 2017-10-24 | 北京惠赢天下网络技术有限公司 | 一种订单的自动生成方法、装置及服务器 |
KR101815700B1 (ko) * | 2016-10-20 | 2018-01-05 | 오정석 | 시간적 누적 데이터에 기반하여 상업용 부동산을 분석하는 시스템 |
CN107563709A (zh) * | 2017-10-20 | 2018-01-09 | 中农网购(江苏)电子商务有限公司 | 一种基于云平台的农化产品销售预测系统及其方法 |
CN107886279A (zh) * | 2017-11-29 | 2018-04-06 | 商派软件有限公司 | 一种基于商家库存的全渠道库存分配方法 |
CN109885624A (zh) * | 2019-01-23 | 2019-06-14 | 金蝶软件(中国)有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN110163427A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 一种门店库存优化的方法 |
KR20200074339A (ko) * | 2018-12-14 | 2020-06-25 | 주식회사 나우버스킹 | 자동 예측 기반의 홍보 서비스 제공 장치, 시스템 및 그 방법 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
KR20200118966A (ko) * | 2019-04-09 | 2020-10-19 | 카페24 주식회사 | 상품 판매량 예측 방법, 장치 및 시스템 |
CN112231331A (zh) * | 2020-10-23 | 2021-01-15 | 金蝶云科技有限公司 | 库存数据同步方法及库存数据同步模块 |
CN112613719A (zh) * | 2020-12-17 | 2021-04-06 | 南京光普信息技术有限公司 | 一种熟食门店智能订货系统及方法 |
CN112651784A (zh) * | 2020-12-23 | 2021-04-13 | 上海海鼎信息工程股份有限公司 | 一种用于门店销售计划的智能分解方法及系统 |
CN112686713A (zh) * | 2021-01-21 | 2021-04-20 | 海澜智云科技有限公司 | 基于人工智能的服装销量预测方法、系统以及设备 |
CN112950262A (zh) * | 2021-02-20 | 2021-06-11 | 苏宁易购集团股份有限公司 | 销量预测方法、装置、计算机设备和存储介质 |
CN113850651A (zh) * | 2021-09-30 | 2021-12-28 | 广州品唯软件有限公司 | 一种线下门店配货方法及相关设备 |
CN113888235A (zh) * | 2021-10-22 | 2022-01-04 | 创优数字科技(广东)有限公司 | 一种销量预测模型的训练方法、销量预测方法及相关装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246219A1 (en) * | 2004-04-29 | 2005-11-03 | Brian Curtiss | Sales forecast system and method |
NZ533494A (en) * | 2004-06-09 | 2006-12-22 | Total Comm Ltd | Dynamic business enhancement system |
US10311455B2 (en) * | 2004-07-08 | 2019-06-04 | One Network Enterprises, Inc. | Computer program product and method for sales forecasting and adjusting a sales forecast |
US20130238390A1 (en) * | 2012-03-07 | 2013-09-12 | International Business Machines Corporation | Informing sales strategies using social network event detection-based analytics |
US20180285902A1 (en) * | 2017-03-31 | 2018-10-04 | Walmart Apollo, Llc | System and method for data-driven insight into stocking out-of-stock shelves |
WO2018200555A1 (en) * | 2017-04-24 | 2018-11-01 | Walmart Apollo, Llc | System and method for using stores as receiving points for third party, e-commerce suppliers |
WO2020005824A1 (en) * | 2018-06-25 | 2020-01-02 | Walmart Apollo, Llc | System and method for implementing just-in-time inventory replenishment |
US20210304233A1 (en) * | 2020-03-31 | 2021-09-30 | NextSCM Solutions Pvt. Ltd. | Method and system for real-time prediction of one or more aspects associated with fashion retailer |
-
2021
- 2021-10-25 CN CN202111242558.7A patent/CN113763055B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11154280A (ja) * | 1997-11-20 | 1999-06-08 | Fujitsu General Ltd | リアルタイム在庫管理システム |
US7475024B1 (en) * | 2000-12-13 | 2009-01-06 | Microsoft Corporation | System and method for distributing in real-time, inventory data acquired from in-store point of sale terminals |
US7725366B1 (en) * | 2007-05-01 | 2010-05-25 | Hector Franco | Supply-chain management system |
KR20170100201A (ko) * | 2016-02-25 | 2017-09-04 | (주)수와유 | 빅데이터를 이용한 전자상거래 구매예측 통합솔루션시스템 |
KR101815700B1 (ko) * | 2016-10-20 | 2018-01-05 | 오정석 | 시간적 누적 데이터에 기반하여 상업용 부동산을 분석하는 시스템 |
CN107292724A (zh) * | 2017-07-04 | 2017-10-24 | 北京惠赢天下网络技术有限公司 | 一种订单的自动生成方法、装置及服务器 |
CN107563709A (zh) * | 2017-10-20 | 2018-01-09 | 中农网购(江苏)电子商务有限公司 | 一种基于云平台的农化产品销售预测系统及其方法 |
CN107886279A (zh) * | 2017-11-29 | 2018-04-06 | 商派软件有限公司 | 一种基于商家库存的全渠道库存分配方法 |
KR20200074339A (ko) * | 2018-12-14 | 2020-06-25 | 주식회사 나우버스킹 | 자동 예측 기반의 홍보 서비스 제공 장치, 시스템 및 그 방법 |
CN109885624A (zh) * | 2019-01-23 | 2019-06-14 | 金蝶软件(中国)有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
KR20200118966A (ko) * | 2019-04-09 | 2020-10-19 | 카페24 주식회사 | 상품 판매량 예측 방법, 장치 및 시스템 |
CN110163427A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 一种门店库存优化的方法 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
CN112231331A (zh) * | 2020-10-23 | 2021-01-15 | 金蝶云科技有限公司 | 库存数据同步方法及库存数据同步模块 |
CN112613719A (zh) * | 2020-12-17 | 2021-04-06 | 南京光普信息技术有限公司 | 一种熟食门店智能订货系统及方法 |
CN112651784A (zh) * | 2020-12-23 | 2021-04-13 | 上海海鼎信息工程股份有限公司 | 一种用于门店销售计划的智能分解方法及系统 |
CN112686713A (zh) * | 2021-01-21 | 2021-04-20 | 海澜智云科技有限公司 | 基于人工智能的服装销量预测方法、系统以及设备 |
CN112950262A (zh) * | 2021-02-20 | 2021-06-11 | 苏宁易购集团股份有限公司 | 销量预测方法、装置、计算机设备和存储介质 |
CN113850651A (zh) * | 2021-09-30 | 2021-12-28 | 广州品唯软件有限公司 | 一种线下门店配货方法及相关设备 |
CN113888235A (zh) * | 2021-10-22 | 2022-01-04 | 创优数字科技(广东)有限公司 | 一种销量预测模型的训练方法、销量预测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113763055A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544076B (zh) | 用于生成信息的方法和装置 | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
CN110400184B (zh) | 用于生成信息的方法和装置 | |
CN107767092B (zh) | 商品对象信息的处理方法、展示方法及装置 | |
CN111242524A (zh) | 一种确定单品补货量的方法、系统、设备及存储介质 | |
CN111415193B (zh) | 基于关联商品的门店相似度的品类销售提升度计算方法 | |
CN110807596A (zh) | 一种跨境电商代销仓库存管理系统及方法 | |
CN112215546A (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN113177763A (zh) | 一种补货建议生成方法和系统及计算机可读存储介质 | |
CN110880061A (zh) | 商品到手价格的风险监管方法及系统 | |
KR20030043678A (ko) | 매상 예측 장치 및 매상 예측 방법 | |
CN114565334A (zh) | 基于大数据的商品关联仓储方法及装置 | |
CN113205232A (zh) | 商品销量数据预测方法、装置、设备、介质及产品 | |
CN117788115A (zh) | 一种物品需求信息确定方法、装置、设备及存储介质 | |
CN113763055B (zh) | 一种门店商品配送的预测方法以及相关设备 | |
JP6807415B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN116245458A (zh) | 基于人工智能的库存管理方法、装置、电子设备及介质 | |
CN110956478A (zh) | 确定物品进货量的方法和装置 | |
CN116055399A (zh) | 访问流量分发方法、系统、计算机设备及存储介质 | |
CN110838019A (zh) | 确定试用品发放人群的方法和装置 | |
EP1357498A2 (en) | Stock planning method | |
CN114626660A (zh) | 用于激增调整预报的方法和装置 | |
CN109727053B (zh) | 对象投放的确定方法、装置以及计算机可读存储介质 | |
CN110084541B (zh) | 用于预测供应商送货时长的方法和装置 |
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 |