CN113887783A - 仓储补货预测方法、装置、设备和存储介质 - Google Patents
仓储补货预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113887783A CN113887783A CN202111002596.5A CN202111002596A CN113887783A CN 113887783 A CN113887783 A CN 113887783A CN 202111002596 A CN202111002596 A CN 202111002596A CN 113887783 A CN113887783 A CN 113887783A
- Authority
- CN
- China
- Prior art keywords
- data
- shop
- warehouse
- replenishment
- order
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012358 sourcing Methods 0.000 claims 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种仓储补货预测方法、装置、设备和存储介质,其中,方法包括:响应于一个供货仓库的仓库终端的补货预测请求信号,查询供货仓库的所有物流订单涉及店铺的店铺分组;将店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使订单预测模型输出店铺分组的需求预测数据;根据供货仓库的物流订单和对应的店铺分组的采购订单的历史数据计算供货仓库相对店铺分组的采购权重系数;根据采购权重系数和店铺分组的需求预测数据计算供货仓库的补货预测数量。本申请的有益之处在于通过对供货仓库所针对的店铺的采购订单的预测生成未来的补货预测数量从而更智能和准确帮助供货仓库进行商品的补货。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种仓储补货预测方法、装置、设备和存储介质。
背景技术
如图1所示,在相关技术中,通过互联网平台的方式,将多个店铺的订单进行汇集,然后再向供应商进行统一的采购和物流取货,然后再由承运车辆按照采购订单配送至对应的店铺,以降低诸如便利店等店铺的仓储成本,提高采购的灵活度。
由于店铺采购存行为较为随机,并且电商平台根据采购订单进行拼单后,供货仓库收到的物流订单也较为零散,这样造成供货仓库往往根据自己库存情况无法进行有效的补货预测。
发明内容
本申请的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本申请的一些实施例提出了仓储补货预测方法、装置、电子设备和计算机存储介质,来解决以上背景技术部分提到的技术问题。
作为本申请的第一方面,本申请的一些实施例提供了一种仓储补货预测方法,包括:响应于一个供货仓库的仓库终端的补货预测请求信号,查询供货仓库的所有物流订单涉及店铺的店铺分组;将店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使订单预测模型输出店铺分组的需求预测数据;根据供货仓库的物流订单和对应的店铺分组的采购订单的历史数据计算供货仓库相对店铺分组的采购权重系数;根据采购权重系数和店铺分组的需求预测数据计算供货仓库的补货预测数量。
作为本申请的第二方面,本申请的一些实施例提供了一种仓储补货预测装置,包括:查询模块,响应于一个供货仓库的仓库终端的补货预测请求信号,查询供货仓库的所有物流订单涉及店铺的店铺分组;预测模块,将店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使订单预测模型输出店铺分组的需求预测数据;第一计算模块,根据供货仓库的物流订单和对应的店铺分组的采购订单的历史数据计算供货仓库相对店铺分组的采购权重系数;第二计算模块,根据采购权重系数和店铺分组的需求预测数据计算供货仓库的补货预测数量。
作为本申请的第三方面,本申请的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
作为本申请的第四方面,本申请的一些实施例提供了一种计算机存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本申请的有益效果在于:通过对供货仓库所针对的店铺的采购订单的预测生成未来的补货预测数量从而更智能和准确帮助供货仓库进行商品的补货。
更具体而言,本申请一些实施例可能产生如下的具体有益效果:通过店铺分组的方式,使预测能够关联到较为相关的店铺,同时也使订单预测模型更容易建立和收敛;另外对观测时段的确定能够选取更具有参考意义的数据而并不是所有数据;并且通过权重分析能够排除其他供货仓库对数据预测的干扰。
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。
另外,贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
在附图中:
图1是在相关技术中店铺进行“拼单”采购的模式示意图;
图2是根据本申请一种实施例的仓储补货预测方法的流程图;
图3是根据本申请一种实施例的仓储补货预测方法的一部分步骤的流程图;
图4是根据本申请一种实施例的仓储补货预测方法的另一部分步骤的流程图;
图5是根据本申请一种实施例的仓储补货预测方法的再一部分步骤的流程图;
图6是根据本申请一种实施例的仓储补货预测装置的结构图;
图7是根据本申请一种实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参照图2所示,本申请的一个实施例的仓储补货预测方法,包括如下步骤:
S1:响应于一个供货仓库的仓库终端的补货预测请求信号,查询供货仓库的所有物流订单涉及店铺的店铺分组。
S2:将店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使订单预测模型输出店铺分组的需求预测数据。
S3:根据供货仓库的物流订单和对应的店铺分组的采购订单的历史数据计算供货仓库相对店铺分组的采购权重系数。
S4:根据采购权重系数和店铺分组的需求预测数据计算供货仓库的补货预测数量。
作为具体方案,供货仓库的仓库终端可以被构造为一个智能手机、一个PDA设备或一个PC计算机,补货预测请求信号可以由用户对仓库终端操作所触发,这种操作即可以是直接操作,也可以诸如商品出库或库存登记时的扫描条形码或二维码的操作。
作为具体方案,参照图3所示,步骤S1具体包括如下步骤:
S11:解析补货预测请求信号中的预测时段数据。
S12:根据预测时段数据选择查询物流订单的查询时段。
S13:根据查询时段确定店铺分组的观测时段。
S14:根据观测时段的店铺的采购订单的历史数据生成店铺分组。
具体而言,供应仓库的用户在操作时,可以设置具体的预测时段,比如预测未来一周或未来一个月的补货预测。比如预测时段数据反映选定的时段是未来一周,则将查询物流订单的查询时段设定为一周。具体而言,观测时段是用于确定店铺分组,以便后期根据店铺分组进行订单预测。
作为更具体的方案,参照图4所示,步骤S14具体包括如下步骤:
S141:获取店铺终端的在观测时段内的历史采购订单数据。
S142:根据历史采购订单数据计算店铺终端的平均订单价值。
S143:使平均订单价值作为第三维度而建立三维坐标系。
S144:获取店铺终端在以上三维坐标系中的坐标值,三维坐标系另外两个维度的坐标为店铺终端的店铺注册位置在平面地图内的二维坐标。
S145:以店铺终端在三维坐标系中的坐标值进行K-Means聚类运算。
S146:根据K-Means聚类运算结果划分店铺分组。
更具体而言,这里所指的历史订单为店铺的采购订单。使平均订单价值作为第三维度建立三维坐标系。其他两个维度为根据地理位置建立二维坐标系,店铺在二维坐标系中的坐标值结合第三维度的平均订单价值构成这个三维坐标系。比如,假设三维坐标系坐标轴为X、Y、Z,其中店铺在X、Y轴的坐标分为店铺在平面地图上位置坐标,Z轴坐标为该店铺的平均订单值。其中,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。获取店铺在以上三维坐标系中的坐标值。位置坐标可以通过地图和定位数据获取,订单平均价值通过计算历史数据获得。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。
店铺分组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。
作为具体方案,参照图5所示,步骤S2具体包括如下步骤:
S21:根据店铺分组中所有店铺在观测时段内的采购订单的历史数据生成观测特征数据。
S22:将观测特征数据输入至订单预测模型以使订单预测模型输出需求预测数据及其对应的需求预测置信度。
S23:判断需求预测置信度是否大于等于需求预测置信度阈值,如果是则输出需求预测数据。
具体而言,根据店铺分组中所有店铺在观测时段内的采购订单的历史数据生成观测特征数据具体为将采购订单中的商品SKU和对应的采购数量进行汇总,从而形成商品SKU和采购数量的数据矩阵。作为进一步优选方案,在进行预测是为了能够使订单预测模型输出结果更为准确。可以针对每个商品SKU设置单独的订单预测模型。
更具体而言,虽然系统可以设定相应的观测周期,并以观测周期的汇总数据进行所述订单预测模型的训练。
更具体而言,可以在仓库终端的操作界面中使用户选定对应的商品SKU。
此时,步骤S2具体还可以包括如下步骤:解析补货预测请求信号中的商品SKU;将店铺分组在设定的观测周期的采购订单中的商品SKU的历史数据输入至订单预测模型。
作为进一步地的优选方案,订单预测模型可以BP神经网络模型或logistic回归分析模型。
作为优选方案,该方法还包括如下步骤:判断需求预测置信度阈值小于预设的阈值次数是否大于等于3,如果大于等于3,则以当前需求预测置信度阈值最大的需求预测数据作为输出数据。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。
另外,步骤S3可以具体包括如下步骤:根据店铺分组的采购订单的历史数据获取在观测时段中店铺分组对商品SKU的总采购量P1或供货仓库对商品SKU的出货量P2;计算采购权重系数K,K=P2/P1。在以上基础上,步骤S4可以具体包括如下步骤:计算补货预测数量P3=KP,其中,K为采购权重系数,P为需求预测数据。
参照6所示,本申请的一个实施例的仓储补货预测装置,包括:查询模块,响应于一个供货仓库的仓库终端的补货预测请求信号,查询供货仓库的所有物流订单涉及店铺的店铺分组;预测模块,将店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使订单预测模型输出店铺分组的需求预测数据;第一计算模块,根据供货仓库的物流订单和对应的店铺分组的采购订单的历史数据计算供货仓库相对店铺分组的采购权重系数;第二计算模块,根据采购权重系数和店铺分组的需求预测数据计算供货仓库的补货预测数量。
参照图7所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806:包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808:以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开的一些实施例中,计算机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。而在本公开的一些实施例中,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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机存储介质,该计算机可读信号介质可以发送、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。计算机存储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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机存储介质可以是上述电子设备中所包含的:也可以是单独存在,而未装配入该电子设备中。上述计算机存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:响应于一个供货仓库的仓库终端的补货预测请求信号,查询供货仓库的所有物流订单涉及店铺的店铺分组;将店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使订单预测模型输出店铺分组的需求预测数据;根据供货仓库的物流订单和对应的店铺分组的采购订单的历史数据计算供货仓库相对店铺分组的采购权重系数;根据采购权重系数和店铺分组的需求预测数据计算供货仓库的补货预测数量。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言―诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。
例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种仓储补货预测方法,包括:
响应于一个供货仓库的仓库终端的补货预测请求信号,查询所述供货仓库的所有物流订单涉及店铺的店铺分组;
将所述店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使所述订单预测模型输出所述店铺分组的需求预测数据;
根据所述供货仓库的物流订单和对应的所述店铺分组的采购订单的历史数据计算所述供货仓库相对所述店铺分组的采购权重系数;
根据所述采购权重系数和所述店铺分组的需求预测数据计算所述供货仓库的补货预测数量。
2.根据权利要求1所述的仓储补货预测方法,其中,所述响应于一个供货仓库的仓库终端的补货预测请求信号,查询所述供货仓库的物流订单涉及店铺的店铺分组,包括:
解析所述补货预测请求信号中的预测时段数据;
根据所述预测时段数据选择查询所述物流订单的查询时段;
根据所述查询时段确定所述店铺分组的观测时段;
根据所述观测时段的店铺的采购订单的历史数据生成所述店铺分组。
3.根据权利要求2所述的仓储补货预测方法,其中,所述根据所述观测时段的店铺的采购订单的历史数据生成所述店铺分组,包括:
获取店铺终端的在所述观测时段内的历史采购订单数据;
根据历史采购订单数据计算店铺终端的平均订单价值;
使平均订单价值作为第三维度而建立三维坐标系;
获取店铺终端在以上三维坐标系中的坐标值,三维坐标系另外两个维度的坐标为店铺终端的店铺注册位置在平面地图内的二维坐标;
以店铺终端在三维坐标系中的坐标值进行K-Means聚类运算;
根据K-Means聚类运算结果划分所述店铺分组。
4.根据权利要求3所述的仓储补货预测方法,其中,所述将所述店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使所述订单预测模型输出所述店铺分组的需求预测数据,包括:
根据所述店铺分组中所有店铺在所述观测时段内的采购订单的历史数据生成观测特征数据;
将所述观测特征数据输入至所述订单预测模型以使所述订单预测模型输出所述需求预测数据及其对应的需求预测置信度;
判断所述需求预测置信度是否大于等于需求预测置信度阈值,如果是则输出所述需求预测数据。
5.根据权利要求4所述的仓储补货预测方法,其中,所述将所述店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使所述订单预测模型输出所述店铺分组的需求预测数据,包括:
解析所述补货预测请求信号中的商品SKU;
将所述店铺分组在设定的观测周期的采购订单中的所述商品SKU的历史数据输入至所述订单预测模型。
6.根据权利要求5所述的仓储补货预测方法,其中,所述根据所述供货仓库的物流订单和对应的所述店铺分组的采购订单的历史数据计算所述供货仓库相对所述店铺分组的采购权重系数,包括:
根据所述店铺分组的采购订单的历史数据获取在所述观测时段中所述店铺分组对所述商品SKU的总采购量P1或所述供货仓库对所述商品SKU的出货量P2;
计算所述采购权重系数K,K=P2/P1。
7.据权利要求6所述的仓储补货预测方法,其中,所述根据所述采购权重系数和所述店铺分组的需求预测数据计算所述供货仓库的补货预测数量,包括:
计算所述补货预测数量P3=KP,其中,K为所述采购权重系数,P为所述需求预测数据。
8.一种仓储补货预测装置,包括:
查询模块,响应于一个供货仓库的仓库终端的补货预测请求信号,查询所述供货仓库的所有物流订单涉及店铺的店铺分组;
预测模块,将所述店铺分组在设定的观测周期的采购订单的历史数据输入至订单预测模型以使所述订单预测模型输出所述店铺分组的需求预测数据;
第一计算模块,根据所述供货仓库的物流订单和对应的所述店铺分组的采购订单的历史数据计算所述供货仓库相对所述店铺分组的采购权重系数;
第二计算模块,根据所述采购权重系数和所述店铺分组的需求预测数据计算所述供货仓库的补货预测数量。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述处理器实现如权利要求1至7任意一项所述的方法。
10.一种计算机存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002596.5A CN113887783A (zh) | 2021-08-30 | 2021-08-30 | 仓储补货预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002596.5A CN113887783A (zh) | 2021-08-30 | 2021-08-30 | 仓储补货预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887783A true CN113887783A (zh) | 2022-01-04 |
Family
ID=79011684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111002596.5A Withdrawn CN113887783A (zh) | 2021-08-30 | 2021-08-30 | 仓储补货预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887783A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578689A (zh) * | 2022-10-24 | 2023-01-06 | 西宁城市职业技术学院 | 一种货物存储区监管方法及系统 |
CN117010941A (zh) * | 2023-07-20 | 2023-11-07 | 北京信大融金教育科技有限公司 | 基于供应链产品的存储方法、装置、设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111002596.5A patent/CN113887783A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578689A (zh) * | 2022-10-24 | 2023-01-06 | 西宁城市职业技术学院 | 一种货物存储区监管方法及系统 |
CN115578689B (zh) * | 2022-10-24 | 2023-09-12 | 西宁城市职业技术学院 | 一种货物存储区监管方法及系统 |
CN117010941A (zh) * | 2023-07-20 | 2023-11-07 | 北京信大融金教育科技有限公司 | 基于供应链产品的存储方法、装置、设备及存储介质 |
CN117010941B (zh) * | 2023-07-20 | 2024-05-28 | 北京信大融金教育科技有限公司 | 基于供应链产品的存储方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10223668B2 (en) | Contextual searching via a mobile computing device | |
JP2021036477A (ja) | 配送ネットワークを管理および最適化するためのシステムおよび方法 | |
US10650437B2 (en) | User interface generation for transacting goods | |
CN113887783A (zh) | 仓储补货预测方法、装置、设备和存储介质 | |
CN113658597B (zh) | 语音下单方法、装置、电子设备和计算机可读介质 | |
CN113554400A (zh) | 库存数据更新方法、装置、设备和存储介质 | |
Partyka et al. | VR delivers the goods | |
Tahiduzzaman et al. | Big data and its impact on digitized supply chain management | |
US20220114548A1 (en) | Systems and methods for dynamic balancing of virtual bundles | |
CN112346882A (zh) | 用于发送信息的方法和装置 | |
Poon et al. | An efficient production material demand order management system for a mould manufacturing company | |
US20140172648A1 (en) | Consumer activity management | |
CN113780650A (zh) | 运力锁定方法、装置、设备和存储介质 | |
CN113902383A (zh) | 基于电商平台的库存处理方法、装置、设备及存储介质 | |
CN113554493A (zh) | 交互下单方法、装置、电子设备和计算机可读介质 | |
JP2023518987A (ja) | アプライアンス需要情報を処理するための方法、装置、サーバ、コンピュータ可読媒体およびコンピュータプログラム | |
CN110084541B (zh) | 用于预测供应商送货时长的方法和装置 | |
KR102047277B1 (ko) | TaaS 기반의 자산조달관리 장치 | |
CN113780761B (zh) | 仓储空间合并方法、装置、设备和存储介质 | |
CN113919775A (zh) | 司机端语音回访方法、装置、电子设备和存储介质 | |
CN113554333B (zh) | 运力平衡方法、装置、电子设备和计算机可读介质 | |
CN113919774A (zh) | 物流接力配置方法、装置、电子设备和计算机可读介质 | |
CN113627662B (zh) | 库存数据预测方法、装置、设备和存储介质 | |
CN113610291B (zh) | 物流路线再生方法、装置、电子设备和计算机可读介质 | |
CN113553457A (zh) | 基于图像的商品检索方法、装置、设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220104 |