CN113793088B - 信息处理方法及装置、存储介质、电子设备 - Google Patents
信息处理方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN113793088B CN113793088B CN202110272154.6A CN202110272154A CN113793088B CN 113793088 B CN113793088 B CN 113793088B CN 202110272154 A CN202110272154 A CN 202110272154A CN 113793088 B CN113793088 B CN 113793088B
- Authority
- CN
- China
- Prior art keywords
- information
- stock
- goods
- replenishment
- deduction
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 45
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 66
- 239000013589 supplement Substances 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims description 143
- 230000003416 augmentation Effects 0.000 claims description 31
- 230000007306 turnover Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 42
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 235000013409 condiments Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000034423 Delivery Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开属于计算机技术领域,涉及一种信息处理方法及装置、存储介质、电子设备。该方法包括:获取仓库中货物的历史信息,并对历史信息进行计算得到货物特征信息;获取样本信息、货物的增补时间以及货物的库存信息,并计算库存信息得到补货信息;其中,样本信息为多个初始样本信息中的一个,样本信息包括服务水平和备货时间;以历史信息、货物特征信息、样本信息、增补时间以及补货信息作为训练样本进行训练得到预测补货模型;获取补货约束条件,并利用预测补货模型在多个初始样本信息中确定符合补货约束条件的目标样本信息,以计算目标样本信息得到货物的目标库存信息。本公开通过引入样本信息,提高了预测补货模型以及目标库存信息的准确度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种信息处理方法与信息处理装置、计算机可读存储介质及电子设备。
背景技术
随着计算机技术的发展,电子商务得到了迅速的普及,并且,在电子商务中,仓库物流管理起到了举足轻重的作用,尤其当对某货物进行促销时,货物的存货水平会受到严重的影响,进而影响到货物的库存。
在相关技术中,对于货物库存的计算并未考虑人为促销的因素,因此无法准确应用在促销活动中,除此之外,服务水平通常由人为指定,没有理论研究,纯粹凭借经验确定,降低了货物库存计算的准确度,进而造成了仓库物流管理的紊乱,货物发送速度的降低,货物购买者体验度的降低。
鉴于此,本领域亟需开发一种信息处理方法及装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种信息处理方法、信息处理装置、计算机可读存储介质及电子设备,进而至少在一定程度上克服由于相关技术导致的在促销活动中货物库存计算结果精确度低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本发明实施例的第一个方面,提供一种信息处理方法,所述方法包括:获取仓库中货物的历史信息,并对所述历史信息进行计算得到货物特征信息;获取样本信息、所述货物的增补时间以及所述货物的库存信息,并计算所述库存信息得到补货信息;其中,所述样本信息为多个初始样本信息中的一个,所述样本信息包括服务水平和备货时间;以所述历史信息、所述货物特征信息、所述样本信息、所述增补时间以及所述补货信息作为训练样本进行训练得到预测补货模型;获取补货约束条件,并利用所述预测补货模型在所述多个初始样本信息中确定符合所述补货约束条件的目标样本信息,以计算所述目标样本信息得到所述货物的目标库存信息。
在本发明的一种示例性实施例中,所述库存信息包括现货库存信息;所述获取所述货物的库存信息,包括:获取所述货物的原始库存信息,并获取所述货物的历史增补凭证;根据所述历史增补凭证确定凭证创建时间和增补数量,并对所述增补时间和所述凭证创建时间进行计算得到时间计算结果;若所述时间计算结果与预设时间一致,根据所述原始库存信息和所述增补数量得到所述货物的所述现货库存信息。
在本发明的一种示例性实施例中,所述库存信息包括扣减库存信息;所述获取所述货物的库存信息,包括:获取所述货物的历史扣减凭证,并根据所述历史扣减凭证确定扣减地址信息、扣减时间以及扣减数量;若所述扣减时间与所述预设时间一致,获取与所述仓库对应的仓库地址信息;若所述扣减地址信息与所述仓库地址信息具有补货映射关系且所述现货库存信息大于或等于所述扣减数量,确定所述扣减数量为所述扣减库存信息。
在本发明的一种示例性实施例中,所述库存信息包括在途库存信息;所述获取所述货物的库存信息,包括:若所述时间计算结果大于所述预设时间,确定所述增补数量为所述在途库存信息。
在本发明的一种示例性实施例中,所述获取所述货物的库存信息之后,所述方法还包括:对所述库存信息进行计算得到所述货物的总库存信息,并获取与所述总库存信息对应的库存阈值;若所述总库存信息小于所述库存阈值,获取与所述库存信息对应的库存计算关系;基于所述库存计算关系对所述样本信息和所述库存信息进行计算得到待增补数量,并生成与所述待增补数量对应的增补凭证。
在本发明的一种示例性实施例中,所述计算所述目标样本信息得到所述货物的目标库存信息,包括:利用所述库存计算关系对所述目标样本信息进行计算得到所述货物的目标库存信息;其中,所述目标样本信息中包括目标备货时间,所述库存计算关系包括与所述目标备货时间对应的备货时间参数。
在本发明的一种示例性实施例中,所述补货信息包括周转率以及现货率;所述库存信息包括现货库存信息以及扣减库存信息;所述计算所述库存信息得到补货信息,包括:获取预设时间段,并根据所述预设时间段内的所述现货库存信息确定有货天数,以根据所述预设时间段和所述有货天数得到所述现货率;对所述预设时间段内的所述现货库存信息进行求和计算得到累计现货库存信息,并对所述预设时间段内的所述扣减库存信息进行求和计算得到累计扣减库存信息;根据所述累计现货库存信息和所述累计扣减库存信息得到所述周转率。
在本发明的一种示例性实施例中,所述利用所述预测补货模型在所述多个初始样本信息中确定符合所述补货约束条件的目标样本信息,包括:利用所述预测补货模型对所述多个初始样本信息分别进行计算得到多个预测计算结果;若所述多个预测计算结果中存在一个符合所述补货约束条件的所述预测计算结果,确定与所述预测计算结果对应的所述初始样本信息为目标样本信息;若所述多个预测计算结果中存在至少两个符合所述补货约束条件的至少两个所述预测计算结果,确定与所述至少两个所述预测补货模型对应的至少两个所述初始样本信息,以根据所述补货约束条件在所述至少两个所述初始样本信息中确定一个为目标样本信息。
在本发明的一种示例性实施例中,所述方法还包括:若所述多个初始样本信息中不存在符合所述补货约束条件的所述目标样本信息,扩大所述初始样本信息的个数。
根据本发明实施例的第二个方面,提供一种信息处理装置,所述装置包括:第一计算模块,被配置为获取仓库中货物的历史信息,并对所述历史信息进行计算得到货物特征信息;第二计算模块,被配置为获取样本信息、所述货物的增补时间以及所述货物的库存信息,并计算所述库存信息得到补货信息;其中,所述样本信息为多个初始样本信息中的一个,所述样本信息包括服务水平和备货时间;训练模块,被配置为以所述历史信息、所述货物特征信息、所述样本信息、所述增补时间以及所述补货信息作为训练样本进行训练得到预测补货模型;确定模块,被配置为获取补货约束条件,并利用所述预测补货模型在所述多个初始样本信息中确定符合所述补货约束条件的目标样本信息,以计算所述目标样本信息得到所述货物的目标库存信息。
根据本发明实施例的第三个方面,提供一种电子设备,包括:处理器和存储器;其中,存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的信息处理方法。
根据本发明实施例的第四个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意示例性实施例中的信息处理方法。
由上述技术方案可知,本发明示例性实施例中的信息处理方法、信息处理装置、计算机存储介质及电子设备至少具备以下优点和积极效果:
在本公开的示例性实施例提供的方法及装置中,一方面,将样本信息引入训练样本中得到预测补货模型,提高了预测补货模型的准确度,增强了预测补货模型在促销场景中的适用度,进而优化了预测补货模型的应用场景;另一方面,货物的目标库存信息是对目标样本信息进行计算得到的,提高了在促销场景下目标库存信息计算结果的准确度,不仅加快了货物的发货速度,还保证了促销活动的正常举行,优化了货物购买者的体验度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开实施例中信息处理方法的流程示意图;
图2示意性示出本公开实施例中获取货物的库存信息的流程示意图;
图3示意性示出本公开实施例中获取货物的库存信息的流程示意图;
图4示意性示出本公开实施例中获取货物的库存信息之后的流程示意图;
图5示意性示出本公开实施例中计算库存信息得到补货信息的流程示意图;
图6示意性示出本公开实施例中确定目标样本信息的流程示意图;
图7示意性示出本公开实施例中应用场景下信息处理方法的流程示意图;
图8示意性示出本公开实施例中应用场景下图7中步骤S720的流程示意图;
图9示意性示出本公开实施例中应用场景下图7中步骤S750的流程示意图;
图10示意性示出本公开实施例中一种信息处理装置的结构示意图;
图11示意性示出本公开实施例中一种用于信息处理方法的电子设备;
图12示意性示出本公开实施例中一种用于信息处理方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”等仅作为标记使用,不是对其对象的数量限制。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
针对相关技术中存在的问题,本公开提出了一种信息处理方法。图1示出了信息处理方法的流程示意图,如图1所示,信息处理方法至少包括以下步骤:
步骤S110.获取仓库中货物的历史信息,并对历史信息进行计算得到货物特征信息。
步骤S120.获取样本信息、货物的增补时间以及货物的库存信息,并计算库存信息得到补货信息;其中,样本信息为多个初始样本信息中的一个,样本信息包括服务水平和备货时间。
步骤S130.以历史信息、货物特征信息、样本信息、增补时间以及补货信息作为训练样本进行训练得到预测补货模型。
步骤S140.获取补货约束条件,并利用预测补货模型在多个初始样本信息中确定符合补货约束条件的目标样本信息,以计算目标样本信息得到货物的目标库存信息。
在本公开的示例性实施例提供的方法及装置中,一方面,将样本信息引入训练样本中得到预测补货模型,提高了预测补货模型的准确度,增强了预测补货模型在促销场景中的适用度,进而优化了预测补货模型的应用场景;另一方面,货物的目标库存信息是对目标样本信息进行计算得到的,提高了在促销场景下目标库存信息计算结果的准确度,不仅加快了货物的发货速度,还保证了促销活动的正常举行,优化了货物购买者的体验度。
下面对信息处理方法的各个步骤进行详细说明。
在步骤S110中,获取仓库中货物的历史信息,并对历史信息进行计算得到货物特征信息。
在本公开的示例性实施例中,历史信息指的是过去一段时间内仓库中货物的历史销量信息,具体地,历史信息可以是过去一个月内仓库中同一个货物的销量信息,也可以是过去一年内仓库中同一个货物的销量信息,还可以是过去一周内仓库中同一个货物的销量信息,还可以是过去任何一段时间内仓库中同一个货物的销量信息,本示例性实施例对此不做特殊限定。
货物特征信息指的是对历史信息进行计算得到的可以表示货物销量特征的信息,具体地,货物特征信息可以是历史信息的平均值,还可以是历史信息的非零均值、还可以是历史信息的标准差,还可以是历史信息的变异系数,还可以是历史信息的变异系数的平方,还可以是历史信息的间隔均值,还可以是历史信息的非零变异系数,还可以是历史信息的非零标准差,还可以是货物补货时间内的货物销量的均值,本示例性实施例对此不做特殊限定。
除此之外,货物特征信息还可以同时包括历史信息的平均值、历史信息的非零均值、历史信息的标准差、历史信息的变异系数、历史信息的变异系数的平方、历史信息的间隔均值、历史信息的非零变异系数、历史信息的非零标准差、货物补货时间内的销量均值。
其中,历史信息的平均值指的是历史信息相对集中较多的中心位置,用于表示历史信息的一般水平或分布的集中趋势;历史信息的非零均值指的是排除历史信息中为零的历史信息后计算得到的平均值,表示的是大于零的历史信息相对集中较多的中心位置,历史信息的标准差指的是历史信息与历史信息的平均值之间的平方差的平均数,表示的是历史信息偏离程度;历史信息的变异系数指的是历史信息的标准差与历史信息的平均值的比值,表示的是历史信息离散程度的绝对值;历史信息的非零变异系数指的是排除历史信息为零的历史销量后计算得到的变异系数,表示的是大于零的历史信息的标准差与大于零的历史信息的平均值的比值;历史信息的非零标准差指的是排除历史信息中为零的历史信息后计算得到的标准差,表示的是排除历史信息为零之后的历史信息的偏离程度;货物补货时间内的信息均值指的对补货时间内的货物销量进行平均值计算后得到的值,并且补货时间内的货物销量与历史信息有关;历史信息的间隔均值指的是在指定时间间隔内的历史信息的平均值,表示的是在间隔时间内历史信息的一般水平或分布的集中趋势。
举例而言,若货物为A仓库中的运动球鞋,此时历史信息可以是过去一个月内运动球鞋的历史销量信息,对历史信息进行计算可以得到运动球鞋的货物特征信息,具体地,运动球鞋的货物特征信息可以是历史信息的平均值、历史信息的非零均值、历史信息的标准差、历史信息的变异系数、历史信息的变异系数的平方、历史信息间隔均值、历史信息的非零变异系数、历史信息的非零标准差以及运动球鞋在未来补货时间内的销量均值,假设补货时间为5天,则未来补货时间内的销量均值即未来5天内的销量均值。
在本示例性实施例中,对仓库储存数量的计算可以以过去一段时间货物的历史销量为依据,因此通过对历史信息进行计算可以得到货物特征信息,有助于后续将历史信息以及货物特征信息作为训练样本进行训练,以得到更为精确的训练结果,进而精确的计算出仓库需要储存货物的数量。
在步骤S120中,获取样本信息、货物的增补时间以及货物的库存信息,并计算库存信息得到补货信息;其中,样本信息为多个初始样本信息中的一个,样本信息包括服务水平和备货时间。
在本公开的示例性实施例中,样本信息指的是多个初始样本信息中的一个,并且样本信息中包括了服务水平以及备货时间。
其中,服务水平指的是物流客户的实际感受与其心理预期之间的差距,例如,当客户需要购买运动球鞋时,客户的心理预期是在两天内收到所购买的运动球鞋,而实际中仓库并不具备客户所购买的运动球鞋,或此时购买该运动球鞋的订单量较大,无法在两天内将运动球鞋发送至客户接收运动球鞋的地址,基于此,客户的实际感受与心理预期之间的差距过大,对应的服务水平较低。
备货时间指的是货物从订货到货物进入储存需要的时间,值得说明的是,若货物不处于促销状态,备货时间通常是一个定值,然而当货物处于促销状态时,会在短时间内增加货物的订货量,进而对备货时间造成影响,此时备货时间将不再是一个定值。
初始样本信息指的是符合服务水平以及备货时间的取值范围的样本信息,具体地,服务水平的取值要求为小于1且大于0,并且服务水平常用的取值包括0.9、0.91、0.92、0.93、0.94、0.95、0.96、0.97、0.98、0.99、0.995,备货时间的取值范围为非负数,并且备货时间常用的取值包括0、1、2、3、4、5、6、7、8、9、10、50、60、70、80、90。
基于此,初始样本信息可以包括176种组合,具体地,可以包括服务水平为0.9,备货时间为0的组合、服务水平为0.9,备货时间为1的组合、服务水平为0.9,备货时间为2的组合、服务水平为0.9,备货时间为3的组合、服务水平为0.9,备货时间为4的组合、服务水平为0.9,备货时间为5的组合、服务水平为0.9,备货时间为6的组合、服务水平为0.9,备货时间为7的组合、服务水平为0.9、备货时间为8的组合、服务水平为0.9,备货时间为9的组合、服务水平为0.9,备货时间为10的组合、服务水平为0.9,备货时间为50的组合、服务水平为0.9,备货时间为60的组合、服务水平为0.9,备货时间为70的组合、服务水平为0.9,备货时间为80的组合、服务水平为0.9,备货时间为90的组合。
以上述组合形式类推,初始样本信息还包括服务水平为0.91和不同备货时间的16种组合,还包括服务水平为0.92和不同备货时间的16种组合,还包括服务水平为0.93和不同备货时间的16种组合,还包括服务水平为0.94和不同备货时间的16种组合,还包括服务水平为0.95和不同备货时间的16种组合,还包括服务水平为0.96和不同备货时间的16种组合,还包括服务水平为0.97和不同备货时间的16种组合,还包括服务水平为0.98和不同备货时间的16种组合,还包括服务水平为0.99和不同备货时间的16种组合,还包括服务水平为0.995和不同备货时间的16种组合。
货物的增补时间指的是货物的补货周期,货物的库存信息指的是影响货物在仓库中的存货量的信息,库存信息可以是现货库存信息,也可以是扣减库存信息,还可以是在途库存信息,本示例性实施例对此不做特殊限定。
其中,现货库存信息指的是仓库中原始货物数量和入库的货物数量之和,扣减库存信息指的是从仓库发出的货物数量,在途库存信息指的是尚未到达仓库,正在运输状态或等待运输状态而储备在运输工具中的货物数量。值得说明的是,库存信息可以包括现货库存信息、扣减库存信息以及在途库存信息的任何一种组合,即库存信息可能只包括现货库存信息和扣减库存信息,库存信息可能只包括扣减库存信息和在途库存信息,库存信息可能只包括现货库存信息和在途库存信息,本示例性实施例对此不做特殊限定。
举例而言,货物为A仓库中的运动球鞋,获取的样本信息中的服务水平为0.9,备货时间为0。获取的运动球鞋的增补时间即运动鞋的补货周期可以为10天,并且A仓库具有的运动球鞋的原始货物数量为5双,进入A仓库的运动球鞋数量为10双,从A仓库出库的运动球鞋的数量为3双,正在向A仓库运输中的运动球鞋的数量为7双,基于此,库存信息包括现货库存信息15双,库存信息还包括扣减库存信息3双,库存信息还包括在途库存信息7双。
在可选的实施例中,图2示出了信息处理方法中获取货物的库存信息的流程示意图,如图2所示,库存信息包括现货库存信息,该方法至少包括以下步骤:在步骤S210中,获取货物的原始库存信息,并获取货物的历史增补凭证。
其中,原始库存信息指的是仓库中本身所具有的货物数量,历史增补凭证指的是历史补货单,并且仓库还未根据该补货单对货物进行入库操作。
举例而言,A仓库此时具有15双运动球鞋,此时A仓库中运动球鞋的原始库存信息为15,并且存在3笔历史补货单,即存在3笔历史增补凭证,分别为历史增补货凭证A、历史增补货凭证B以及历史增补货凭证C。
在步骤S220中,根据历史增补凭证确定凭证创建时间和增补数量,并对增补时间和凭证创建时间进行计算得到时间计算结果。
其中,凭证创建时间指的是生成历史增补凭证的时间,增补数量指的是货物入库的数量,时间计算结果指的对增补时间与凭证创建时间进行求和计算得到的计算结果。
举例而言,A仓库关于运动球鞋的增补时间为10天,并且获取了3笔历史增补凭证,分别为历史增补货凭证A、历史增补货凭证B以及历史增补货凭证C。其中,根据历史增补凭证确定的与历史增补凭证A对应的凭证创建时间为7月1号,与历史增补凭证B对应的凭证创建时间为7月5号,与历史增补凭证C对应的凭证创建时间为7月10号。与历史增补凭证A对应的运动球鞋的增补数量为10双,与历史增补凭证B对应的运动球鞋的增补数量为5双,与历史增补数量C对应的运动球鞋的增补凭证为3双。
预设时间为7月11号,将与3个历史增补凭证对应的凭证创建时间分别与预设时间进行求和得到3个时间计算结果,分别为与历史增补凭证A对应的时间计算结果7月11号、与历史增补凭证B对应的时间计算结果7月15号,与历史增补凭证C对应的时间计算结果为7月20号。
在步骤S230中,若时间计算结果与预设时间一致,根据原始库存信息和增补数量得到货物的现货库存信息。
其中,现货库存信息指的对原始库存信息和增补数量进行计算得到的结果。
举例而言,存在3笔运动球鞋的历史增补凭证,分别为历史增补货凭证A、历史增补货凭证B以及历史增补货凭证C。其中,与历史增补凭证A对应时间计算结果为7月11号、与历史增补凭证B对应的时间计算结果7月15号,与历史增补凭证C对应的时间计算结果为7月20号。并且预设时间为7月11号,显然此时只有历史增补凭证A的时间计算结果与预设时间一致,并且与历史增补凭证A对应的运动球鞋的增补数量为10双,运动球鞋的原始库存信息为15双,基于此,对增补数量10和原始库存信息15进行计算得到运动球鞋的现货库存信息为25双。
在本示例性实施例中,当时间计算结果与预设时间一致时,对原始库存信息和增补数量进行计算,以得到现货库存信息,为后续补货信息的计算奠定了基础。
在可选的实施例中,图3示出了信息处理方法中获取货物的库存信息的流程示意图,如图3所示,库存信息包括扣减库存信息,该方法至少包括以下步骤:在步骤S310中,获取货物的历史扣减凭证,并根据历史扣减凭证确定扣减地址信息、扣减时间以及扣减数量。
其中,历史扣减凭证指的是历史订单。扣减地址信息指的是表示货物收货地址的信息,即客户接收历史订单中的货物的地址信息。扣减时间指的是历史订单的下单时间。扣减数量指的是用户需要货物的数量。
举例而言,获取到了3笔客户关于运动球鞋的历史订单,则这3笔历史订单即为运动球鞋的历史扣减凭证,具体地分别为历史扣减凭证A、历史扣减凭证B以及历史扣减凭证C。并且,与历史扣减凭证A对应的下单时间为7月11号,即历史扣减凭证A的扣减时间为7月11号,与历史扣减凭证A对应的运动球鞋的数量为5双,即与历史扣减凭证A对应的扣减数量为5双,与历史扣减凭证A对应的用户收货地址为四川省成都市,即与历史扣减凭证A对应的扣减地址信息为四川省成都市。
除此之外,与历史扣减凭证B对应的下单时间为7月8号,即历史扣减凭证B的扣减时间为7月8号,与历史扣减凭证B对应的运动球鞋的数量为10双,即历史扣减凭证的扣减数量为10双,与历史扣减凭证B对应的用户收货地址为陕西省西安市,即与历史补货凭证B对应的扣减地址信息为陕西省西安市。除此之外,与历史扣减凭证C对应的下单时间为7月11号,即历史扣减凭证C的扣减时间为7月11号,与历史扣减凭证C对应的运动球鞋的数量为20双,即历史扣减凭证的扣减数量为20双,与历史扣减凭证C对应的用户收货地址为北京市,即与历史补货凭证C对应的扣减地址信息为北京市。
在步骤S320中,若扣减时间与预设时间一致,获取与仓库对应的仓库地址信息。
其中,仓库地址信息指的是发货仓地址的信息。
举例而言,获取到关于运动球鞋的3笔历史扣减凭证,分别为历史扣减凭证A、历史扣减凭证B以及历史扣减凭证C,并且,与历史扣减凭证A对应的扣减时间为7月11号,与历史扣减凭证B对应的扣减时间为7月8号,与历史扣减凭证C对应的扣减时间为7月11号。
获取到的预设时间为7月11号,显然此时存在扣减时间与预设时间一致的历史扣减凭证,并且A仓为四川省成都市1号仓,则获取到的仓库地址信息为四川省成都市。
在步骤S330中,若扣减地址信息与仓库地址信息具有补货映射关系且现货库存信息大于或等于扣减数量,确定扣减数量为扣减库存信息。
扣减库存信息指的是需要从仓库中出库的货物数量信息。
补货映射关系指的是扣减地址信息与仓库地址信息之间的对应关系,具体地,可以是一个扣减地址信息对应于一个仓库地址信息,也可以是一个扣减地址信息对应于多个仓库地址信息,本示例性实施例对此不做特殊限定。
基于此,根据补货映射关系可以从多个具有货物的仓库中确定发货的仓库,具体地确定流程如下,假设扣减地址信息为四川省成都市,且只存在一个与扣减地址信息具有补货映射关系的成都仓库A,此时若成都仓库A中关于货物的现货库存信息大于或等于扣减数量,则确定扣减数量为扣减库存信息,并对成都仓库A中的货物进行扣减,扣减的数量与扣减库存信息一致。
除此之外,还可以存在多个与扣减地址信息具有补货映射关系的仓库,例如存在3个与扣减地址信息具有补货映射关系的仓库,分别为成都仓库1、成都仓库2以及成都仓库3。此时需要确定成都仓库1、成都仓库2以及成都仓库3的优先级信息,并根据优先级信息确定发货仓库。
假设成都仓库1的优先级信息大于成都仓库2的优先级信息,成都仓库2的优先级信息大于成都仓库3的优先级信息。此时,先判断成都仓库1中关于货物的现货库存信息是否大于或等于扣减数量,若成都仓库1中关于货物的现货库存信息大于或等于扣减数量,则确定发货仓库为成都仓库1,若成都仓库1中关于货物的现货库存信息小于扣减数量,则判断成都仓库2中关于货物的现货库存信息是否大于或等于扣减数量,以此类推,若成都仓库1、成都仓库2以及成都仓库3中关于货物的现货库存信息都小于扣减数量,则判定无法根据该历史扣减凭证进行货物的正常发货。
值得说明的是,上述确定发货仓库的流程只是物流管理中确定发货仓库流程中的一种,本示例性实施例对确定发货仓库的流程不做特殊限定。
举例而言,存在2笔关于运动球鞋的历史扣减凭证的扣减时间与预设时间一致,分别为历史扣减凭证A与历史扣减凭证C,并且,与历史扣减凭证A对应的扣减地址信息为四川省成都市,与历史扣减凭证C对应的扣减地址信息为北京市。由于仓库地址信息为四川省成都市,显然,此时与历史扣减凭证A对应的扣减地址信息与仓库地址信息具有补货映射关系,并且仓库中关于运动球鞋的现货库存信息为20双,与历史扣减凭证A对应的扣减数量为10双,显然,仓库的现货库存信息大于扣减数量,因此确定扣减数量10双为仓库的扣减库存信息。
在本示例性实施例中,根据扣减时间与预设时间一致的历史扣减凭证确定仓库的扣减库存信息,有助于后续计算补货信息,进而确定补货预测模型。
在可选的实施例中,库存信息包括在途库存信息,获取货物的库存信息,包括:若时间计算结果大于预设时间,确定增补数量为在途库存信息。
若时间计算结果大于预设时间,则证明货物还在运输状态或即将进入运输状态,此时与历史增补凭证对应的增补数量为在途库存信息。
举例而言,存在3笔运动球鞋的历史增补凭证,分别为历史增补凭证A、历史增补凭证B以及历史增补凭证C,并且,与历史增补凭证A对应的凭证创建时间为7月1号,与历史增补凭证B对应的凭证创建时间为7月5号,与历增补凭证C对应的凭证创建时间为7月1号。增补时间为5天,预设时间为7月6号,显然此时与历史增补凭证A对应的时间计算结果为7月6号,与历史增补凭证B对应的时间计算结果为7月10号,与历史增补凭证C对应的时间计算结果为7月6号,显然在3笔历史增补凭证中,历史增补凭证B的时间计算结果大于预设时间,此时确定与历史增补凭证B对应的增补数量10双为在仓库的途库存信息。
在本示例性实施例中,通过确定在途库存信息,有助于后续生成新的增补凭证,提高了货物库存信息计算逻辑的完整性,进而提高了补货信息计算结果的准确度,为获得更为精确的预测补货模型以及目标库存信息奠定了基础。
在可选的实施例中,图4示出了信息处理方法中获取货物的库存信息之后的流程示意图,如图4所示,该方法至少包括以下步骤:在步骤S410中,对库存信息进行计算得到货物的总库存信息,并获取与总库存信息对应的库存阈值。
其中,总库存信息指的是在原始库存信息的基础上,根据历史增补凭证、历史扣减凭证以及在途库存信息对原始库存信息进行计算得到的信息,库存阈值指的是补货点,即对仓库进行补货的临界值。
举例而言,仓库A中关于运动球鞋的原始库存信息为10双,与历史增补凭证对应的增补数量为5双,确定的扣减库存信息为6双,在途库存信息为10双,则此时根据原始库存信息、增补数量、扣减库存信息以及在途库存信息计算出的运动球鞋的总库存信息为19双,与总库存信息对应的库存阈值为30双。
在步骤S420中,若总库存信息小于库存阈值,获取与库存信息对应的库存计算关系。
其中,库存计算关系指的是计算仓库货物目标库存以及安全库存的计算公式,其中,安全库存指的是为了防止未来物资供应或需求的不确定因素(如由于促销导致的大量突发性订货、交货意外中断或突然延期等)而准备的缓冲库存,目标库存指的是库存控制的目标,即在总库存信息小于库存阈值时,需要将仓库中的货物增补至与目标库存一致的数量。
具体地,安全库存计算公式可以如公式(1)所示,目标库存计算公式可以如公式(2)所示。
S=SS+μD(μVLT+NRT+BP) (2)
其中,k为样本信息中的服务水平,Zk表示的是正态分布k分位点的数值,Zk的计算过程如下,假设k的值为0.01,则1-k的值为0.99。根据标准正态分布表可以确定最接近于0.99的函数值为0.9898和0.9901。并且与0.9898对应的自变量值为2.32,与0.9901对应的自变量值为2.33,对2.32与2.33求算术平均值即可得正太分布0.01分为点的数值,具体为2.325。
VLT为送货天数,μVLT为未来送货天数的平均销量值,NRT为补货周期,BP为样本信息中的备货时间,σD为μVLT+NRT+BP时间内货物销量的标准差,μD为μVLT+NRT+BP时间内货物销量的平均值,σVLT+NRT为VLT和NRT时间内货物的销量标准差。其中,当VLT发生波动时会影响μVLT的值,当VLT不发生波动时,μVLT的值与VLT的值一致。
举例而言,运动球鞋的总库存信息为19双,与总库存信息对应的库存阈值为30双。显然此时总库存信息小于库存阈值,获取与库存信息对应的库存计算关系,如公式(1)和公式(2)所示。
在步骤S430中,基于库存计算关系对样本信息和库存信息进行计算得到待增补数量,并生成与待增补数量对应的增补凭证。
其中,待增补数量指的是目标库存减去现货库存信息,再减去在途库存信息得到的货物库存值。增补凭证指的是增补数量为待增补数量,用于增补货物的凭证。
举例而言,将样本信息(0.9 0)带入库存计算公式,即库存计算公式中的服务水平取值为0.9,备货时间取值为0,以得到目标库存。并在目标库存的基础上减去库存信息中的现货库存信息和在途库存信息得到待增补数量,并生成增补数量与待增补数量一致的增补凭证。
在本示例性实施例中,在得到库存信息之后,利用库存计算公式对库存信息进行计算得到总库存信息,并对总库存信息进行判断,以确定仓库是否需要生成增补凭证,并在影响仓库货物库存的因素中引入了样本信息中的备货时间以及服务水平,完善了影响仓库货物库存的因素,提高了后续训练出的预测补货模型得精确度。
在可选的实施例中,图5示出了计算库存信息得到补货信息的流程示意图,如图5所示,补货信息包括周转率以及现货率,库存信息包括现货库存信息以及扣减库存信息,该方法至少包括以下步骤:在步骤S510中,获取预设时间段,并根据预设时间段内的现货库存信息确定有货天数,以根据预设时间段和有货天数得到现货率。
其中,预设时间段可以是时间跨度为一周的时间段,也可以是时间跨度为一个月的时间段,还可以是时间跨度为两个月的时间段,本示例性实施例对此不做特殊限定。值得说明的是,上述实施例中的预设时间必须是预设时间段内的某一天,例如预设时间段的时间跨度为一周,具体地预设时间段为7月1号至7月7号,基于此,预设时间可以为7月1号,也可以是为7月2号,也可以为7月3号,也可以为7月4号,还可以为7月5号,还可以为7月6号,还可以为7月7号。
有货天数指的是在预设时间段内仓库中具备货物的天数,现货率指的是一段时间内货物存在现货的概率。
举例而言,预设时间段为7月1号至7月7号,分别以相同的样本信息计算7月1号的库存信息,7月2号的库存信息,以此类推直到计算出7月7号的库存信息为止。对计算出的7天的库存信息进行判断,若7月1号的库存信息中的现货库存信息与扣减库存信息的差值大于0,7月3号的库存信息中的现货库存信息与扣减库存信息的差值大于0,其余5天的现货库存信息与扣减库存信息的差值都小于0,则可以计算出现货率为28.5%。
在步骤S520中,对预设时间段内的现货库存信息进行求和计算得到累计现货库存信息,并对预设时间段内的扣减库存信息进行求和计算得到累计扣减库存信息。
其中,累计现货库存信息为预设时间段内仓库货物的现货库存信息的总和,累计扣减库存信息为预设时间段内仓库货物的扣减库存信息的总和。
举例而言,预设时间段为7月1号至7月7号,且7月1号仓库中运动球鞋的现货库存信息为20,扣减库存信息为5,7月2号仓库中运动球鞋的现货库存信息为10,扣减库存信息为5,7月3号仓库中的运动球鞋的现货库存信息为10,扣减库存信息为10,7月4号仓库中的运动球鞋的现货库存信息为15,扣减库存信息为5,7月4号仓库中的运动球鞋的现货库存信息为5,扣减库存信息为2,7月5号仓库中的运动球鞋的现货库存信息为30,扣减库存信息为3,7月6号仓库中的运动球鞋的现货库存信息为5,扣减库存信息为2,7月7号仓库中运动球鞋的现货库存信息为7,扣减库存信息为7。
基于此,求得的预设时间段内的累计现货库存信息为102,累计扣减库存信息为39。
在步骤S530中,根据累计现货库存信息和累计扣减库存信息得到周转率。
其中,周转率指的是预设时间段内货物库存周转的次数,是反应货物库存周转快慢的指标。
举例而言,货物在预设时间段内的累计现货库存信息为102,累计扣减库存信息为39,基于此预设时间段内的周转率为102与39的比值,即261.5%。
在本示例性实施例中,补货信息中包括周转率和现货率,而周转率和现货率在一定程度上体现了仓库货物缺货的情况,因此计算预设时间段内的周转率与现货率,有助于后续得到更为精确的预测补货模型。
在步骤S130中,以历史信息、货物特征信息、样本信息、增补时间以及补货信息作为训练样本进行训练得到预测补货模型。
在本公开的示例性实施例中,训练样本指的是训练数据,用来作为机器学习过程中的输入数据。预测补货模型指的是使用机器学习训练算法对训练样本进行训练后得到的训练样本之间的关系。
使用的机器学习训练算法可以是极端梯度提升(eXtreme Gradient Boosting,简称XGboost)算法,也可以是其他机器学习训练算法,本示例性实施例对此不做特殊限定。
其中,XGboost算法是集成学习算法中的一种,并且该算法会自动在当前数据一个特征分裂的子树下寻求其他能使残差最小的其他特征,这样就可以具备寻求好的特征组合的性能,以根据数据得到更为精准的预测模型。
举例而言,获取的样本信息中的服务水平为0.9,备货时间为0,并获取历史信息、货物特征信息、增补时间以及补货信息作为训练样本,并利用XGboost算法对训练样本进行训练,以调整预测补货模型。在下一次的训练中对样本信息的值进行改变,具体地,可以将样本信息中备货时间调整为1,再次输入机器学习训练算法中,以对预测补货模型进行再次的调整,以此类推,直到初始样本信息中的所有可能的样本信息都作为训练样本,并完成了相应的机器学习训练过程,以通过对预测补货模型进行多次的调整得到更为精准的预测补货模型。
在本示例性实施例中,通过将历史信息、货物特征信息、样本信息、增补时间以及补货信息作为训练样本得到了预测补货模型,该预测补货模型与备货时间以及服务水平具有关系,扩大了预测补货模型的应用场景,有助于后续更为精准的计算出目标库存信息。
在步骤S140中,获取补货约束条件,并利用预测补货模型在多个初始样本信息中确定符合补货约束条件的目标样本信息,以计算目标样本信息得到货物的目标库存信息。
在本公开的示例性实施例中,补货约束条件指的是限制补货信息的条件,目标样本信息指的是初始样本信息中符合补货约束条件的样本信息,目标库存计算公式计算货物的安全库存与目标库存的计算公式。
举例而言,获取的补货约束条件是现货率大于百分之70,获取预测补货模型,若初始样本信息中存在3个样本信息,分别为服务水平为0.9,备货时间为0的样本信息A,服务水平为0.9,备货时间为1的样本信息B以及服务水平为0.91,备货时间为1的样本信息C。
基于此,首先将样本信息A代入预测补货模型计算出对应的现货率,若计算出的现货率大于百分之70,则确定样本信息A为目标样本信息,若计算出的现货率小于或等于百分之70,则将样本信息B代入预测现货模型计算出对应的现货率,以此类推,以确定目标样本信息。若根据上述过程确定出目标样本信息为样本信息A,对样本信息A进行计算得到货物的安全库存以及目标库存。
在可选的实施例中,图6示出了确定目标样本信息的流程示意图,如图6所示,该方法至少包括以下步骤:在步骤S610中,利用预测补货模型对多个初始样本信息分别进行计算得到多个预测计算结果。
其中,多个预测计算结果指的是多个初始样本信息代入预测补货模型中进行计算得到的多个计算结果。
举例而言,若存在3个初始样本信息,分别为初始样本信息A、初始样本信息B以及初始样本信息C。将初始样本信息A代入预测补货模型中进行计算得到计算结果A,将初始样本信息B代入预测补货模型中进行计算得到计算结果B,将初始样本信息C代入预测补货模型中进行计算得到计算结果C,基于此,计算结果A、计算结果B以及计算结果C为多个预测计算结果。
在步骤S620中,若多个预测计算结果中存在一个符合补货约束条件的预测计算结果,确定与预测计算结果对应的初始样本信息为目标样本信息。
其中,将多个预测计算结果与补货约束条件进行对比,若多个预测计算结果中只存在一个预测计算结果符合补货约束条件,则确定与这个预测计算结果对应的初始样本信息,并将该初始样本信息作为目标样本信息。
举例而言,若补货约束条件为现货率大于96%,存在3个预测计算结果,分别为预测计算结果A,预测计算结果B以及预测计算结果C。分别判断预测计算结果A、预测计算结果B以及预测计算结果C是否满足补货约束条件,若只有预测计算结果A满足补货约束条件,并确定出预测计算结果A是将初始样本信息A代入预测补货模型中计算得到的,因此将初始样本信息A确定为目标样本信息。
在步骤S630中,若多个预测计算结果中存在至少两个符合补货约束条件的至少两个预测计算结果,确定与至少两个预测计算结果对应的至少两个初始样本信息,以根据补货约束条件在至少两个初始样本信息中确定一个为目标样本信息。
其中,目标预测计算结果为根据补货约束条件在至少两个符合补货约束条件的预测结果中确定出的一个预测计算结果。
举例而言,若补货约束条件为现货率约束条件,并且存在2个符合现货率约束条件的预测计算结果,分别为预测计算结果A以及预测计算结果B。确定与预测计算结果A对应的初始样本信息为初始样本信息A,具体地,初始样本信息A的服务水平为0.9,备货时间为0,确定与预测计算结果B对应的初始样本信息为初始样本信息B,具体地,初始样本信息B的服务水平为0.91,备货时间为1。
因为补货约束条件为现货率约束条件,所以需要服务水平和备货时间越小越好,因此确定的目标样本信息为初始样本信息A。
举例而言,若补货约束条件为周转率约束条件,并且存在2个符合周转率约束条件的预测计算结果,分别为预测计算结果A以及预测计算结果B。确定与预测计算结果A对应的初始样本信息为初始样本信息A,具体地,初始样本信息A的服务水平为0.9,备货时间为0,确定与预测计算结果B对应的初始样本信息为初始样本信息B,具体地,初始样本信息B的服务水平为0.91,备货时间为1。
因为补货约束条件为周转率约束条件,所以需要服务水平和备货时间越大越好,因此确定的目标样本信息为初始样本信息B。
在本示例性实施例中,首先确定符合补货约束条件的初始样本信息,若初始样本信息有多个,再在多个初始样本信息中确定最优的目标样本信息,完善了确定目标样本信息的逻辑,进而确定的目标样本信息为满足补货约束条件的最优的样本信息,进而提高了后续目标库存信息计算的精确度。
在可选的实施例中,计算目标样本信息得到货物的目标库存信息,包括:利用库存计算关系对目标样本信息进行计算得到货物的目标库存信息;其中,目标样本信息中包括目标备货时间,库存计算关系包括与目标备货时间对应的备货时间参数。
其中,库存计算关系指的是计算货物目标库存信息的计算公式,其中,目标库存信息包括货物安全库存以及目标库存。目标样本信息中的备货时间即为目标备货时间,对应的,在库存计算关系中包括与目标备货时间对应的备货时间参数。
举例而言,目标样本信息中的服务水平为0.9,备货时间为1,目标库存计算关系如公式(1)以及公式(2)所示。
基于此,将公式(1)中k的值设置为0.9,将公式(2)中备货时间BP的值设置为1,以根据公式(1)得到货物的安全库存,进而根据公式(2)得到货物的目标库存。
在本示例性实施例中,当货物处于促销状态时,会对货物的备货时间产生影响,因此在库存计算公式中引入了与目标备货时间对应的备货时间参数,不仅使得计算出的目标库存信息更加精确,还扩大了目标库存计算公式的应用场景。
在可选的实施例中,方法还包括:若多个初始样本信息中不存在符合补货约束条件的目标样本信息,扩大初始样本信息的个数。
其中,当初始样本信息中不存在符合补货约束条件的目标样本信息时,扩大初始样本信息的个数,以重新开始计算补货信息,并根据计算出的补货信息得到预测补货模型,以得到目标库存信息。
举例而言,初始样本信息中存在3个样本信息,分别为样本信息A,样本信息B以及样本信息C。将3个样本信息分别代入预测补货模型中得到的补货信息均不满足于补货约束条件,此时可增加样本信息的个数,并且增加的样本信息必须在样本信息的取值范围内。
具体地,存在3个初始样本信息,分别为样本信息A、样本信息B以及样本信息C。并且样本信息A中的服务水平为0.9,备货时间为0,样本信息B中的服务水平为0.9,备货时间为1,样本信息C中的服务水平为0.9,备货时间为2。服务水平的取值范围为大于0且小于1,备货时间的取值范围为大于或等于0,基于此,可以在初始样本信息的基础上再增加3个样本信息,分别为样本信息D、样本信息E以及样本信息F,其中,样本信息D的服务水平取值为0.91,备货时间取值为3,样本信息E的服务水平取值为0.92,备货时间取值为4,样本信息F的服务水平取值为0.9,备货时间为3。
值得说明的是,增加的样本信息的个数可以为1个,也可以为2个,也可以为3个,可以为任意个数,本示例性实施例对此不做特殊限定。
在本示例性实施例中,完善了预测补货模型训练过程中的逻辑,即当初始样本信息中的所有样本信息均无法满足预测补货模型时,需要对初始样本信息的个数进行增加,避免了无法得到目标库存信息的情况发生。
在本公开的示例性实施例提供的方法及装置中,一方面,将样本信息引入训练样本中得到预测补货模型,提高了预测补货模型的准确度,增强了预测补货模型在促销场景中的适用度,进而优化了预测补货模型的应用场景;另一方面,货物的目标库存信息是对目标样本信息进行计算得到的,提高了在促销场景下目标库存信息计算结果的准确度,不仅加快了货物发货的速度,保证了促销活动的正常举行,还优化了货物购买者的体验度。
下面结合一应用场景对本公开实施例中信息处理方法做出详细说明。
图7示出了在应用场景下信息处理方法的流程示意图,其中,步骤S710为获取历史信息、货物特征信息、样本信息以及增补时间的过程,步骤S720为正向仿真计算模块,用于根据库存信息以及样本信息计算得到补货信息的过程,步骤S730为确定训练样本的过程,步骤S740为机器学习训练模块,用于对训练样本进行训练得到预测补货模型的过程,步骤S750为启发式求解模块,用于确定目标样本信息的过程,步骤S760为确定目标库存信息的过程。
具体地,在步骤S710中,获取仓库A中火锅底料A的历史信息,并对历史信息进行计算得到火锅底料A的货物特征信息,初始样本信息中包括88个样本信息,获取的样本信息为88个初始样本信息中的一个,例如获取到的样本信息A为服务水平为0.9,备货时间为1的样本信息。获取的货物增补时间为5天。
在步骤S720中,库存信息中可能包括现货库存信息、扣减库存信息以及在途库存信息,根据现货库存信息、扣减库存信息以及在途库存信息计算得到预设时间段内的周转率以及现货率。
具体地,图8示出了步骤S720的流程示意图,其中,步骤S810为确定原始库存信息,步骤S820为判断时间计算结果与预设时间是否一致的过程,步骤S830为确定现货库存信息的过程,步骤S840为确定扣减库存信息的过程,步骤S850为生成增补凭证的过程,步骤S860为判断是否继续计算的过程,即判断是否还要计算下一个预设时间的现货库存信息、扣减库存信息以及在途库存信息的过程,步骤S870为计算周转率与现货率的过程。
在步骤S730中,将88个样本信息A与A仓库中的火锅底料A的历史信息、货物特征信息、增补时间以及A仓库中火锅底料A的库存信息分别进行组合得到88组训练样本。
在步骤S740中,利用机器学习训练算法对训练样本进行训练,以调整预测补货模型中的参数,得到预测补货模型。
在步骤S750中,获取补货约束条件,并在88个样本信息中确定符合补货约束条件的目标样本信息,例如为目标样本信息A。
具体地,图9示出了步骤S750的流程示意图,假设服务水平具有8种取值,分别为0.9、0.92、0.94、0.95、0.97、0.98、0.99、0.995,备货天数具有11种取值,分别为0、1、2、3、4、5、6、7、8、9、10。则此时可以得到8乘以11,即88个初始样本信息,分别为服务水平为0.9,备货时间为0的样本信息、服务水平为0.9,备货时间为1的样本信息、服务水平为0.9,备货时间为2的样本信息,服务水平为0.9,备货时间为3的样本信息,以此类推,直到服务水平为0.995,备货时间为10的样本信息为止。并且,可以通过将服务水平的取值范围以及备货天数的取值范围分别看作是一个数组的形式,以此确定样本信息的组合。
其中,步骤S910为获取历史信息、货物特征信息以及增补时间的过程,步骤S920为判断补货约束条件的过程,若步骤S920中的判断结果为补货约束条件为现货率约束条件,则执行步骤S930,若S920中的判断结果为补货约束条件为周转率约束条件,则执行步骤S931。
其中,步骤S930为k=K[i],i=0的过程,其中i表示数组元素的下标,因此S930为确定服务水平为0.90的过程,步骤S940为判断i<8的过程,即判断循环后的服务水平取值是否在服务水平的取值范围内的过程,即判断循环后的服务水平取值是否为服务水平数组[0.9 0.92 0.94 0.95 0.97 0.98 0.99 0.995]中的一个数组元素的过程。
若S940中的判断结果为不是,则执行步骤S950,步骤S950为k=K[7],bp=BP[7]的赋值过程,即确定服务水平为0.995,备货时间为10的过程,若步骤S940的判断结果为是,则执行步骤S960,bp=BP[j],j=0的过程,j为备货时间数组中数组元素的下标,因此步骤S960即确定样本信息中的备货时间为0。
步骤S970为判断j<11的过程,即判断样本信息中的备货时间是否在备货时间的取值范围内的过程,即判断备货时间是否为备货时间数组[0 1 2 3 4 5 6 7 8 9 10]中的一个数组元素的过程。若步骤S970的判断结果为不是,则执行步骤S980,步骤S980为执行i++的过程,即按照服务水平数组中元素的顺序对样本信息中服务水平的取值进行重新确定。若步骤S970中的判断结果为是,则执行步骤S990。
步骤S990为确定预测计算结果的过程,具体地,在执行步骤S990的过程中,首先确定由步骤S930和步骤S960确定的样本信息,然后将样本信息代入预测补货模型进行计算得到预测计算结果,然后继续执行步骤S991,判断预测计算结果是否满足现货率约束条件,即判断步骤S990中得到的预测计算结果是否符合现货率约束条件,若步骤S991的判断结果为是,则执行步骤S992,另k=K[i],i=0,bp=BP[j],j=0,即确定由步骤S930和步骤S960确定的样本信息为目标样本信息,若步骤S991的判断结果为不是,则执行步骤S993,另j++,即按照备货时间数组中数组元素的顺序更新备货时间的取值。
对应的,步骤S931,另k=K[i],i=7,即步骤S931为确定服务水平为0.995的过程,步骤S941为判断i>0的过程,即判断循环后的服务水平是否在服务水平的取值范围内的过程,即判断循环后的服务水平取值是否为服务水平数组[0.9 0.92 0.94 0.95 0.97 0.980.99 0.995]中的一个数组元素的过程。
若步骤S941的判断结果为不是,则执行步骤S951,另k=K[0],bp=BP[0],即步骤S951为确定服务水平为0.9,备货时间为0的过程,若步骤S941的判断结果为是,则执行步骤S961,另bp=BP[j],j=10,其中j为备货时间数组的数组元素下标,因此步骤S961为确定样本信息中的备货时间为0。
步骤S971为判断j>0的过程,即判断样本信息中的备货时间是否在备货时间取值范围内的过程,即判断备货时间是否为备货时间数组[0 1 2 3 4 5 6 7 8 9 10]中的一个数组元素的过程。若步骤S971的判断结果为不是,则执行步骤S981,另i--,因此,步骤S981为按照服务水平数组中的元素的顺序对样本信息中的服务水平的取值进行重新确定。若步骤S971中的判断结果为是,则执行步骤S994,确定预测计算结果,具体地,首先确定由步骤S931和步骤S961确定的样本信息,然后将样本信息代入预测补货模型进行计算得到预测计算结果,然后继续执行步骤S995,判断预测计算结果是否满足周准率约束条件,即判断步骤S994中得到的预测计算结果是否符合周转率约束条件,若步骤S995的判断结果为是,则执行步骤S996,k=K[j],i=0,bp=BP[j],j=0,即确定由步骤S931和步骤S961确定的样本信息为目标样本信息,若步骤S995的判断结果为不是,则执行步骤S997,另j--,即按照备货时间数组中数组元素的顺序更新备货时间的取值。
在步骤S760中,利用将样本信息A代入库存计算公式得到A仓里中火锅底料A的目标库存信息。
在本应用场景中,一方面,将样本信息引入训练样本中得到预测补货模型,提高了预测补货模型的准确度,增强了预测补货模型在促销场景中的适用度,进而优化了预测补货模型的应用场景;另一方面,货物的目标库存信息是对目标样本信息进行计算得到的,提高了在促销场景下目标库存信息计算结果的准确度,不仅保证了促销活动的正常举行,还优化了货物购买者的体验度。
此外,在本公开的示例性实施例中,还提供一种信息处理装置。图10示出了信息处理装置的结构示意图,如图10所示,信息处理装置1000可以包括:第一计算模块1010、第二计算模块1020、训练模块1030以及确定模块1040。其中:
第一计算模块1010,被配置为获取仓库中货物的历史信息,并对历史信息进行计算得到货物特征信息;第二计算模块1020,被配置为获取样本信息、货物的增补时间以及货物的库存信息,并计算库存信息得到补货信息;其中,样本信息为多个初始样本信息中的一个,样本信息包括服务水平和备货时间;训练模块1030,被配置为以历史信息、货物特征信息、样本信息、增补时间以及补货信息作为训练样本进行训练得到预测补货模型;确定模块1040,被配置为获取补货约束条件,并利用预测补货模型在多个初始样本信息中确定符合补货约束条件的目标样本信息,以计算目标样本信息得到货物的目标库存信息。
上述信息处理装置1000的具体细节已经在对应的信息处理方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及信息处理装置1000的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
下面参照图11来描述根据本发明的这种实施例的电子设备1100。图11显示的电子设备1100仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示,电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于:上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130、显示单元1140。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1110执行,使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元1120可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1121和/或高速缓存存储单元1122,还可以进一步包括只读存储单元(ROM)1123。
存储单元1120还可以包括具有一组(至少一个)程序模块1125的程序/使用工具1124,这样的程序模块1125包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包含网络环境的现实。
总线1130可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1100也可以与一个或多个外部设备1170(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1100交互的设备通信,和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且,电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1100使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图12所示,描述了根据本发明的实施例的用于实现上述方法的程序产品1200,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (11)
1.一种信息处理方法,其特征在于,所述方法包括:
获取仓库中货物的历史信息,并对所述历史信息进行计算得到货物特征信息;所述货物特征信息为所述历史信息的平均值、所述历史信息的非零均值、所述历史信息的标准差、所述历史信息的变异系数、所述变异系数的平方、所述历史信息的间隔均值、所述历史信息的非零变异系数、所述历史信息的非零标准差、货物补货时间内的货物销量的均值中的一个或多个;
获取样本信息、所述货物的增补时间以及所述货物的库存信息;其中,所述样本信息为多个初始样本信息中的一个,所述样本信息包括服务水平和备货时间,所述库存信息包括现货库存信息以及扣减库存信息;
获取预设时间段,并根据所述预设时间段内的所述现货库存信息确定有货天数,以根据所述预设时间段和所述有货天数得到现货率;
对所述预设时间段内的所述现货库存信息进行求和计算得到累计现货库存信息,并对所述预设时间段内的所述扣减库存信息进行求和计算得到累计扣减库存信息;
根据所述累计现货库存信息和所述累计扣减库存信息得到周转率;
以所述历史信息、所述货物特征信息、所述样本信息、所述增补时间以及补货信息作为训练样本进行训练得到预测补货模型;所述补货信息包括所述周转率以及所述现货率;
获取补货约束条件,并利用所述预测补货模型在所述多个初始样本信息中确定符合所述补货约束条件的目标样本信息,以计算所述目标样本信息得到所述货物的目标库存信息。
2.根据权利要求1所述的信息处理方法,其特征在于,所述库存信息包括现货库存信息;
所述获取所述货物的库存信息,包括:
获取所述货物的原始库存信息,并获取所述货物的历史增补凭证;
根据所述历史增补凭证确定凭证创建时间和增补数量,并对所述增补时间和所述凭证创建时间进行计算得到时间计算结果;
若所述时间计算结果与预设时间一致,根据所述原始库存信息和所述增补数量得到所述货物的所述现货库存信息。
3.根据权利要求2所述的信息处理方法,其特征在于,所述库存信息包括扣减库存信息;
所述获取所述货物的库存信息,包括:
获取所述货物的历史扣减凭证,并根据所述历史扣减凭证确定扣减地址信息、扣减时间以及扣减数量;
若所述扣减时间与所述预设时间一致,获取与所述仓库对应的仓库地址信息;
若所述扣减地址信息与所述仓库地址信息具有补货映射关系且所述现货库存信息大于或等于所述扣减数量,确定所述扣减数量为所述扣减库存信息。
4.根据权利要求2所述的信息处理方法,其特征在于,所述库存信息包括在途库存信息;
所述获取所述货物的库存信息,包括:
若所述时间计算结果大于所述预设时间,确定所述增补数量为所述在途库存信息。
5.根据权利要求1所述信息处理方法,其特征在于,所述获取所述货物的库存信息之后,所述方法还包括:
对所述库存信息进行计算得到所述货物的总库存信息,并获取与所述总库存信息对应的库存阈值;
若所述总库存信息小于所述库存阈值,获取与所述库存信息对应的库存计算关系;
基于所述库存计算关系对所述样本信息和所述库存信息进行计算得到待增补数量,并生成与所述待增补数量对应的增补凭证。
6.根据权利要求5所述的信息处理方法,其特征在于,所述计算所述目标样本信息得到所述货物的目标库存信息,包括:
利用所述库存计算关系对所述目标样本信息进行计算得到所述货物的目标库存信息;其中,所述目标样本信息中包括目标备货时间,所述库存计算关系包括与所述目标备货时间对应的备货时间参数。
7.根据权利要求1所述的信息处理方法,其特征在于,所述利用所述预测补货模型在所述多个初始样本信息中确定符合所述补货约束条件的目标样本信息,包括:
利用所述预测补货模型对所述多个初始样本信息分别进行计算得到多个预测计算结果;
若所述多个预测计算结果中存在一个符合所述补货约束条件的所述预测计算结果,确定与所述预测计算结果对应的所述初始样本信息为目标样本信息;
若所述多个预测计算结果中存在至少两个符合所述补货约束条件的至少两个所述预测计算结果,确定与所述至少两个所述预测计算结果对应的至少两个所述初始样本信息,以根据所述补货约束条件在所述至少两个所述初始样本信息中确定一个为目标样本信息。
8.根据权利要求1所述的信息处理方法,其特征在于,所述方法还包括:
若所述多个初始样本信息中不存在符合所述补货约束条件的所述目标样本信息,扩大所述初始样本信息的个数。
9.一种信息处理装置,其特征在于,包括:
第一计算模块,被配置为获取仓库中货物的历史信息,并对所述历史信息进行计算得到货物特征信息;所述货物特征信息为所述历史信息的平均值、所述历史信息的非零均值、所述历史信息的标准差、所述历史信息的变异系数、所述变异系数的平方、所述历史信息的间隔均值、所述历史信息的非零变异系数、所述历史信息的非零标准差、货物补货时间内的货物销量的均值中的一个或多个;
第二计算模块,被配置为获取样本信息、所述货物的增补时间以及所述货物的库存信息;其中,所述样本信息为多个初始样本信息中的一个,所述样本信息包括服务水平和备货时间,所述库存信息包括现货库存信息以及扣减库存信息;获取预设时间段,并根据所述预设时间段内的所述现货库存信息确定有货天数,以根据所述预设时间段和所述有货天数得到现货率;对所述预设时间段内的所述现货库存信息进行求和计算得到累计现货库存信息,并对所述预设时间段内的所述扣减库存信息进行求和计算得到累计扣减库存信息;根据所述累计现货库存信息和所述累计扣减库存信息得到周转率;
训练模块,被配置为以所述历史信息、所述货物特征信息、所述样本信息、所述增补时间以及补货信息作为训练样本进行训练得到预测补货模型;所述补货信息包括所述周转率以及所述现货率;
确定模块,被配置为获取补货约束条件,并利用所述预测补货模型在所述多个初始样本信息中确定符合所述补货约束条件的目标样本信息,以计算所述目标样本信息得到所述货物的目标库存信息。
10.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来执行权利要求1-8中的任意一项所述的信息处理方法。
11.一种计算机可读存储介质,其上存储计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8中的任意一项所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110272154.6A CN113793088B (zh) | 2021-03-12 | 2021-03-12 | 信息处理方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110272154.6A CN113793088B (zh) | 2021-03-12 | 2021-03-12 | 信息处理方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113793088A CN113793088A (zh) | 2021-12-14 |
CN113793088B true CN113793088B (zh) | 2024-04-16 |
Family
ID=78876832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110272154.6A Active CN113793088B (zh) | 2021-03-12 | 2021-03-12 | 信息处理方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793088B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641059B (zh) * | 2022-12-26 | 2023-11-03 | 北京京东振世信息技术有限公司 | 补货信息生成方法、装置、电子设备、介质和程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840734A (zh) * | 2017-11-29 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
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 |
KR102196554B1 (ko) * | 2019-09-09 | 2020-12-29 | 최병록 | 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치 |
EP3757915A1 (en) * | 2019-06-27 | 2020-12-30 | Tata Consultancy Services Limited | Method and system for adaptive inventory replenishment |
CN112308595A (zh) * | 2020-03-24 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 用于确定货品状态的方法和装置 |
CN112330236A (zh) * | 2020-03-25 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 补货控制方法、装置和计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050288989A1 (en) * | 2004-06-24 | 2005-12-29 | Ncr Corporation | Methods and systems for synchronizing distribution center and warehouse demand forecasts with retail store demand forecasts |
-
2021
- 2021-03-12 CN CN202110272154.6A patent/CN113793088B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840734A (zh) * | 2017-11-29 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
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 |
EP3757915A1 (en) * | 2019-06-27 | 2020-12-30 | Tata Consultancy Services Limited | Method and system for adaptive inventory replenishment |
KR102196554B1 (ko) * | 2019-09-09 | 2020-12-29 | 최병록 | 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치 |
CN112308595A (zh) * | 2020-03-24 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 用于确定货品状态的方法和装置 |
CN112330236A (zh) * | 2020-03-25 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 补货控制方法、装置和计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
供应链环境下的供应商管理库存模型研究;罗兵, 于会强, 林略, 孙士涵;工业工程与管理(第04期);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(第12期);全文 * |
大数据升级电商供应链管理;于永利;;互联网经济(第Z1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113793088A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446975B (zh) | 一种额度管理方法及装置 | |
CN107274231A (zh) | 数据预测方法及装置 | |
US20120310939A1 (en) | Systems And Methods For Clustering Time Series Data Based On Forecast Distributions | |
EP3961384A1 (en) | Automatic derivation of software engineering artifact attributes from product or service development concepts | |
CN113793088B (zh) | 信息处理方法及装置、存储介质、电子设备 | |
CN111191894A (zh) | 基于用户分类进行资源需求处理的方法、装置和电子设备 | |
US20180218415A1 (en) | Data center and information processing device | |
US10769691B2 (en) | Method and computer program product for automated generation and assembly of proposal elements | |
US20210398238A1 (en) | Systems and Methods for Destination Shipment Consolidation | |
KR101819365B1 (ko) | 제품생산계획별 탄소 배출량에 따른 수익성 시뮬레이션 지원시스템 및 방법 | |
CN113298610A (zh) | 信息推荐与获取方法、设备及存储介质 | |
US20180174082A1 (en) | Perceived quality of service | |
US20140379423A1 (en) | Market Price based Raw Material Procurement | |
JP5499113B2 (ja) | 生産計画調整支援装置、生産計画調整支援方法、および生産計画調整支援プログラム | |
CN112001666A (zh) | 一种保留库存量的确定方法、装置、设备和存储介质 | |
US20180285911A1 (en) | Optimizing profitability in fulfilling website-based order | |
CN112288457A (zh) | 基于多模型计算融合的数据处理方法及装置、设备和介质 | |
US10917310B2 (en) | Modeling distribution of digital components over a network | |
CN113888230A (zh) | 电子优惠券的发放方法及装置、可读存储介质及电子设备 | |
CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 | |
CN110084541B (zh) | 用于预测供应商送货时长的方法和装置 | |
CN113538080A (zh) | 一种任务单拆分方法和装置 | |
CN114169944B (zh) | 用户需求确定方法、装置、存储介质和电子设备 | |
US20190114683A1 (en) | Dynamically determination and acceptance of discount rate for pending invoices | |
US8126765B2 (en) | Market demand estimation method, system, and apparatus |
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 |