CN114444751A - 物资需求预测方法、装置、计算机设备以及存储介质 - Google Patents

Abstract

本申请提供一种物资需求预测方法、装置、计算机设备以及存储介质，所述方法包括：获取预设时长内目标用户的历史工作数据，所述历史工作数据包括工作时长信息、货物收件数量以及物资使用数量；根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型；基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量；根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量。采用本方法提升物资需求的预测准确率，可使货物预测收件量和物资预测需求量的分析结果更加准确。

Description

物资需求预测方法、装置、计算机设备以及存储介质

技术领域

本申请涉及物流技术领域，具体涉及一种物资需求预测方法、装置、计算机设备以及存储介质。

背景技术

随着社会经济的快速发展，货物流通量越来越大，快速增长的货物流通量使其对物流包装的需求也在不断扩大。在目前的物流工作中，为了提高工作效率，大部分企业会将固定数量的物流包装提前分配给工作人员，以便满足其日常物流工作的物资需求，但也有少部分企业采用人工智能技术实现对物资需求的预测。

然而，现有采用人工智能技术的物资需求预测方法，多数采用单物资，或物资归类的方式进行模型预测，预测方式单一且并未从业务逻辑出发，导致部分物资的需求预测结果与实际需求相差甚远。

因此，现有的物资需求预测方法存在预测准确率不高的技术问题。

发明内容

基于此，有必要针对上述技术问题，提供一种物资需求预测方法、装置、计算机设备以及存储介质，用以提高物资需求的预测准确率。

第一方面，本申请提供一种物资需求预测方法，所述方法包括：

获取预设时长内目标用户的历史工作数据，所述历史工作数据包括工作时长信息、货物收件数量以及物资使用数量；

根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型；

基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量；

根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量。

在本申请一些实施例中，所述根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型的步骤，包括：

若所述工作时长信息小于预设的第一时长阈值，则确定所述目标用户的用户类型为第一用户类型；

若所述工作时长信息大于或等于所述第一时长阈值，并小于或等于预设的第二时长阈值，则确定所述目标用户的用户类型为第二用户类型；

若所述工作时长信息大于所述第二时长阈值，则确定所述目标用户的用户类型为第三用户类型，其中，所述第一时长阈值小于所述第二时长阈值。

在本申请一些实施例中，所述基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量的步骤，包括：

若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量；

若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，并分析所述特征信息，得到所述目标用户的货物预测收件量；

若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析所述货物收件数量和预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量。

在本申请一些实施例中，所述若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量的步骤，包括：

若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点；

获取预设时长内所述目标工作网点对应各用户的货物收件量，并对各所述货物收件量进行升序排列，得到货物收件量序列；

确定所述货物收件量序列中预设百分位数的货物收件量，作为第一目标收件量；

基于预设的泊松分布函数式分析所述第一目标收件量，得到所述目标用户的货物预测收件量。

在本申请一些实施例中，所述若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，并分析所述特征信息，得到所述目标用户的货物预测收件量的步骤，包括：

若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，所述特征信息至少包括以下之一：基本特征、个人收件量特征、网点收件量特征以及区部收件量特征；

对所述特征信息进行分析预测，得到所述目标用户的预测收件量；

若所述预测收件量小于或等于所述货物收件数量，则确定所述预测收件量作为所述货物预测收件量；

若所述预测收件量大于所述货物收件数量，则确定所述货物收件数量作为所述货物预测收件量。

在本申请一些实施例中，所述若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析所述货物收件数量和预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量的步骤，包括：

若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点；

获取预设时长内所述目标工作网点对应各用户的货物收件量，并对各所述货物收件量进行升序排列，得到货物收件量序列；

确定所述货物收件量序列中第一预设百分位数的货物收件量，作为第二目标收件量，以及，确定所述货物收件量序列中第二预设百分位数的货物收件量，作为第三目标收件量；

根据所述第二目标收件量、所述第三目标收件量和所述货物收件数量，获取所述目标用户的货物预测收件量，其中，所述第一预设百分位数小于所述第二预设百分位数。

在本申请一些实施例中，所述根据所述第二目标收件量、所述第三目标收件量和所述货物收件数量，获取所述目标用户的货物预测收件量的步骤，包括：

若所述货物收件数量小于所述第二目标收件量，则获取所述历史工作数据中的特征信息，并基于第一分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量；

若所述货物收件数量大于或等于所述第二目标收件量，并小于或等于所述第三目标收件量，则获取所述历史工作数据中的特征信息，并基于第二分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量；

若所述货物收件数量小于所述第三目标收件量，则获取所述历史工作数据中的特征信息，并基于第三分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量，其中，所述第一分类器、所述第二分类器和所述第三分类器是通过不同训练数据训练得到的分类器。

在本申请一些实施例中，所述根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量的步骤，包括：

根据所述物资使用数量，获取各个物资的物资在手数量、物资在途数量和物资消耗率，所述物资消耗率为所述物资使用数量与所述货物收件数量之商，所述物资使用数量包括所述物资在手数量和所述物资在途数量；

获取所述物资消耗率与所述货物预测收件量之间的积值，并获取所述物资在手数量与所述物资在途数量之间的和值；

获取所述积值与所述和值之间的差值，得到所述目标用户对各个物资的物资预测需求量。

在本申请一些实施例中，在所述根据所述物资使用数量，获取各个物资的物资在手数量、物资在途数量和物资消耗率之后，所述方法还包括：

若所述物资消耗率大于或等于预设的消耗率阈值，则将所述物资消耗率的数值确定为所述消耗率阈值；

若所述物资消耗率小于所述消耗率阈值，则确定所述物资消耗率的数值不变。

在本申请一些实施例中，在所述根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量之后，所述方法还包括：

确定所述物资预测需求量对应的物资类型；

获取所述物资类型对应的最小包装量；

根据所述物资预测需求量与所述最小包装量之间的商余值，确定所述物资预测需求量对应的待定需求量；

将所述待定需求量发送至终端，以接收所述目标用户通过所述终端反馈的需求量确认信息。

在本申请一些实施例中，在所述将所述待定需求量发送至终端之后，所述方法还包括：

若接收到所述目标用户通过所述终端反馈的需求量确认信息，则确定所述待定需求量作为待发需求量，并根据所述待发需求量，获取各个待发物资的补货总量；

根据各所述待发物资的补货总量，确定各所述待发物资的补货频次；

当所述补货频次包括至少两个补货频次时，根据所述待发需求量、所述补货频次和所述最小包装量，确定各所述补货频次对应的补货数量。

在本申请一些实施例中，所述当所述补货频次包括至少两个补货频次时，根据所述待发需求量、所述补货频次和所述最小包装量，确定各所述补货频次的补货数量的步骤，包括：

当所述补货频次包括至少两个补货频次时，获取所述待发需求量与所述补货频次之间的商值；

基于所述最小包装量，对所述商值进行取整处理，确定各所述补货频次对应的补货数量。

第二方面，本申请提供一种物资需求预测装置，所述装置包括：

数据获取模块，用于获取预设时长内目标用户的历史工作数据，所述历史工作数据包括工作时长信息、货物收件数量以及物资使用数量；

类型确定模块，用于根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型；

数据分析模块，用于基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量；

需求确定模块，用于根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量。

第三方面，本申请还提供一种服务器，所述服务器包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的物资需求预测方法。

第四方面，本申请还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进行加载，以执行所述的物资需求预测方法中的步骤。

上述物资需求预测方法、装置、计算机设备以及存储介质，通过获取预设时长内目标用户的工作时长信息来确定目标用户的用户类型，即可采用不同分析方式获取各类目标用户的货物预测收件量，使得货物预测收件量的分析结果更加准确、物资需求的预测准确率得以提升。同时，从货物预测收件量与物资预测需求量之间的正比关系和业务逻辑角度出发，基于已知的货物预测收件量分析获取目标用户的物资预测需求量，不仅可提升物资需求的预测准确率，还可提高物资分配的工作效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例中物资需求预测方法的场景示意图；

图2是本申请实施例中物资需求预测方法的流程示意图；

图3是本申请实施例中物资需求预测方法的特征信息示意图；

图4是本申请实施例中物资需求预测方法的具体流程示意图；

图5是本申请实施例中物资需求预测方法的应用流程示意图；

图6是本申请实施例中物资需求预测装置的结构示意图；

图7是本申请实施例中计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请的描述中，“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

在本申请实施例中，物资需求预测方法主要应用于人工智能(ArtificialIntelligence，AI)领域。其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

需在本申请实施例中，需要说明的是，本申请提供的物资需求预测方法由于是在计算机设备中执行，各计算机设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便计算机设备进行处理，具体此处不作赘述。

本申请实施例提供一种物资需求预测方法、装置、计算机设备以及存储介质，以下分别进行详细说明。

参阅图1，图1为本申请实施例所提供的物资需求预测方法的场景示意图，该物资需求预测方法可应用于物资需求预测系统中。其中，物资需求预测系统包括终端100和服务器200。终端100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端，终端100具体还可以是手机、平板电脑、笔记本电脑等中的一种。服务器200可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个服务器200，可以理解的，该物资需求预测系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，如图1所示，该物资需求预测系统还可以包括存储器300，用于存储数据，如存储物流数据，例如物流平台的各种数据，如中转场等物流网点的物流运输信息，具体的，如快件信息，配送车辆信息和物流网点信息等。

需要说明的是，图1所示的物资需求预测系统的场景示意图仅仅是一个示例，本发明实施例描述的物资需求预测系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着物资需求预测系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。

参阅图2，本申请实施例提供了一种物资需求预测方法，本实施例主要以该方法应用于上述图1中的服务器200来举例说明，该方法包括步骤S201～S204，具体如下：

S201，获取预设时长内目标用户的历史工作数据，所述历史工作数据包括工作时长信息、货物收件数量以及物资使用数量。

其中，本申请所涉及的用户均是指物流工作人员，包括但不限于在物流企业负责收件、派件的收派员；目标用户则是指被选中用于预测物资需求量的工作人员。可以理解的是，由于收派员的日常工作内容包括收件(揽件)、创建订单信息、派件等，因此其日常工作会累计较多工作数据，基于这些工作数据实现本申请提出的物资需求预测，可预先确定目标用户所需物资数量，将相应数量的物资提前分配至目标用户，可提高其物流工作效率。

其中，预设时长是用于物资需求预测而选取的一段历史时段，具体时段可根据实际业务需求确定，例如，过去的某一个月或一年等。基于上述说明，由于各个收派员的日常工作会累计较多工作数据，出于对未来物资需求预测的目的，按照预设时长选取目标用户的历史工作数据，即可以这个历史时段内存在的工作数据作为物资需求预测的分析依据，实现对物资需求量预测的目的。

其中，工作时长信息是指收派员入职时间，包括但不限于是入职天数、入职月数或入职年数，即本申请实施例对工作时长信息的时长单位不做具体限定。

其中，货物收件数量是指收派员在预设时长内的货物收件量，例如，10件货物、50件货物、100件货物。需要说明的是，由于实际应用场景中可能存在多件货物组合寄送而共用一张运单的情况，因此本实施例提出该货物收件数量是以运单数量为准的收件数量，即运单为1代表货物收件数量为1，无论这个运单包括多少件货物。

其中，本申请所涉及的物资均为物流所需物资，包括但不限于是胶带、胶纸、文件封等货物包装材料，以及纸质运单等货物标签材料；物资使用数量是指收派员对物流物资的使用数量，例如，1件、3件、10件等。需要说明的是，上述物资还可以是同一类型不同规格的物流物资，例如，46.5cm*38cm*0.05mm的大号包装胶带和40.5cm*28cm*0.05mm的中号包装胶带，需分别计入不同的物资使用数量。

具体地，本申请实施例涉及的终端100可运行有一个特定应用软件，该应用软件不仅可供收派员记录物流订单信息，还可供收派员查看其针对各种物资的领用、使用等统计情况，包括但不限于是领用(使用)物资名称、领用(使用)物资标识、领用(使用)物资规格、领用(使用)物资数量等。

更具体地，目标用户的部分工作数据可通过终端100实时录入，并存储于服务器200的数据库中，录入时刻可以是物流订单的创建时刻，物流订单的创建时刻取决于待寄货物的揽收时刻，该实时可录入的部分工作数据包括与物流订单相关的数据，例如收件人信息、寄件人信息、收件人地址信息等，除此之外的其他工作数据，可以是服务器200通过分析实时录入的工作数据而统计得到的数据，例如货物收件数量、物资使用数量等。其中，货物收件数量仅需服务器200统计该目标用户对应完成的运单数量，物资使用数量仅需服务器200统计不同类型物资的领用数量(通过终端100向工作单位申请得到的物资数量)、在途数量(收派员已确认且处于运输途中待配送至收派员手中的物资数量)以及在手数量(收派员现在拥有的物资数量)；工作时长信息仅需服务器200分析目标用户的入职日期和当前计算机时间即可确定，例如目标用户的入职日期是2020年1月1日，当前计算机时间是2020年10月1日，则服务器200可分析得到该目标用户的工作时长信息具体为274天，或粗略为9个月。

S202，根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型。

其中，本申请实施例涉及的用户类型是由用户的工作时长确定的用户类型，例如以某个临界时长划分的不同区间，目标用户的工作时长落入哪个区间，则其用户类型对应为该区间所属的用户类型；又例如，当前设定的临界时长为30天，小于或等于30天的工作时长区间对应用户类型为A、大于30天的工作时长区间对应用户类型为B，若目标用户的工作时长为25天，则其用户类型为A。需要说明的是，虽然本申请实施例指出该工作时长信息是入职天数，但不排除在其他实施例中的工作时长信息是周期时段内的工作天数，例如一周内的工作天数、一个月内的工作天数等，具体本实施例不做限定。

具体地，服务器200获取到预设时长内目标用户的工作时长信息之后，可将该工作时长信息与预先划分的时长区间进行匹配，进而基于匹配得到的结果确定目标用户的用户类型。其中，时长区间的数量和时间覆盖范围可根据实际应用需求确定，本申请实施例不做具体限定。本实施例涉及的用户类型确定步骤将在下文进行详细说明。

在一种实施例中，本步骤包括：若所述工作时长信息小于预设的第一时长阈值，则确定所述目标用户的用户类型为第一用户类型；若所述工作时长信息大于或等于所述第一时长阈值，并小于或等于预设的第二时长阈值，则确定所述目标用户的用户类型为第二用户类型；若所述工作时长信息大于所述第二时长阈值，则确定所述目标用户的用户类型为第三用户类型，其中，所述第一时长阈值小于所述第二时长阈值。

其中，第一时长阈值和第二时长阈值是根据实际业务需求设定的阈值，例如第一时长阈值为30天、第二时长阈值为60天，具体原因在于：入职天数小于30天的收派员几乎没有历史收件量，其收件量不稳定，预测收件量难度较大，因此需要归类单独预测；入职天数30-60天的收派员有一定的历史收件行为，但还不稳定，因此需归为一类进行预测；入职天数大于60天的收派员有一定的历史收件行为，且比较稳定，因此可归为一类进行预测。需要说明的是，虽然本申请实施例已举例说明第一时长阈值和第二时长阈值的具体取值，但不排除在其他业务场景中存在其他数值的选取，具体本申请实施例不做限定。

具体地，第一时长阈值和第二时长阈值可将工作时长划分为三个区间，目标用户的工作时长信息落入哪个区间，则其用户类型可确定为该区间对应的用户类型，而第一用户类型、第二用户类型和第三用户类型则分别是上述三个区间对应的用户类型。

例如，第一时长阈值为30天、第二时长阈值为60天，0-30天时长区间对应的用户类型为E、30天-60天时长区间对应的用户类型为F、60天-+∞(正无穷)天时长区间对应的用户类型为G，若目标用户的工作时长信息为45天，则其用户类型为F。

S203，基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量。

其中，货物预测收件量是基于对历史工作数据的预测分析得到的货物收件量，对货物收件量进行预测得到货物预测收件量的目的在于，货物收件量越多则对物资的需求量越多，因此需分析其与物资需求量之间的正比关系，最终预测得到物资需求量。

具体地，基于上述步骤的详细描述，本申请提出针对不同类型的目标用户，需要归为一类分别预测，原因在于不同类型的目标用户所积累的工作数据体量不同，若不区分类型统一预测，则有可能造成工作数据不够足量的目标用户，其预测结果与实际需求相差较多的情况，因此本申请实施例将根据目标用户在前序步骤中分析得到的用户类型，选择对应规则分析其历史工作数据，以在获取物资预测需求量之前先获取货物预测收件量。本实施例涉及的历史工作数据分析步骤将在下文进行详细说明。

在一种实施例中，本步骤包括：若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量；若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，并分析所述特征信息，得到所述目标用户的货物预测收件量；若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析所述货物收件数量和预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量。

其中，本申请实施例涉及的网点应用于物流领域均为快递网点，快递网点是指某个地区的收发件的门店；目标用户归属的目标工作网点相当于职工与部门的关系，目标用户的收件量等业绩数据均归入其目标工作网点的总业绩。

具体地，本申请实施例涉及的用户类型包括三种：第一用户类型、第二用户类型和第三用户类型，针对不同用户类型对应预设了不同分析方案，即第一用户类型对应的分析方案是采用网点收件量25％的数据和泊松分布函数进行分析预测，第二用户类型对应的分析方案是采用LightGBM模型(LightGBM是个快速的、分布式的、高性能的基于决策树算法的梯度提升框架)对目标用户的特征信息进行分析预测，第三用户类型对应的分析方案是根据目标用户平均收件量与网点平均收件量之间的比较结果进行分析预测。本实施例涉及的三种分析方案均在下文进行详细描述。

在一种实施例中，所述若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量的步骤，包括：若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点；获取预设时长内所述目标工作网点对应各用户的货物收件量，并对各所述货物收件量进行升序排列，得到货物收件量序列；确定所述货物收件量序列中预设百分位数的货物收件量，作为第一目标收件量；基于预设的泊松分布函数式分析所述第一目标收件量，得到所述目标用户的货物预测收件量。

其中，货物收件量是目标用户所属目标工作网点对应各个用户在预设时长内的货物收件量，例如，10件、20件、30件。

具体地，服务器200分析确定目标用户的用户类型为第一用户类型之后，将按照上文所述三种分析方案中的第一种方案，首先根据目标用户的历史工作数据确定其归属的目标工作网点，目标工作网点的确定因素可以是目标用户的入职划分网点，也可以是目标用户的频繁工作网点，还可以是目标用户的近期工作网点，具体可根据实际业务需求确定。服务器200分析确定了目标用户的目标工作网点之后，即可进一步查询获取该目标工作网点对应所有用户在预设时长内的货物收件量，而目标工作网点对应所有用户的确定，取决于目标用户归属目标工作网点的确定方式。服务器200得到目标工作网点对应各用户的货物收件量之后，为了获取网点收件量的预设百分位数作为后续分析依据，需对各用户的货物收件量进行升序排列，即排列顺序为货物收件量的由小至大，得到排列后的货物收件量序列，再确定该货物收件量序列中处于预设百分位数的货物收件量，作为第一目标收件量，即可利用第一目标收件量参与预设的泊松分布函数式来进行分析，得到目标用户的货物预测收件量。需要说明的是，本申请实施例涉及的预设百分位数可以是根据实际业务需求设定的任意百分位数，例如，25％、45％等；本申请实施例涉及的排列方式虽然是升序排列，但不排除在其他实施例中是降序排列。

更具体地，涉及泊松分布函数式的分析是在稳定状态下，假设收派员(目标用户)的收件量分布密度服从参数为λ的指数分布，则其物资需求量为常数λ，其发生物资需求的概率可由泊松分布的相关公式确定。

例如，若收派员的收件量遵从参数为λt的泊松分布，则在时间t内收派员收件量为K的概率为：

C为正整数

其中，λt为时间t内的货物收件量，可用网点收件量的预设百分位数得到，P(t)为收派员货物收件量为K的概率，给定概率P(t)，即可求出货物收件量K。

例如，若预设百分位数选取25％，则先求出该网点每个收派员的平均收件量，然后由小到大排序前25％的收件量，表示所有这些收件量中有25％小于该值，如当前得到11个收件量排序后是：1、3、4、6、7、9、12、15、16、18、20，25％的分位数位置是(11+1)/4＝3，也就是在这组收件量序列中，排列在第三个位置上的数为25％分位数，对应的收件量为4，可判定第一目标收件量(λt)在这个示例中为4。

在一种实施例中，所述若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，并分析所述特征信息，得到所述目标用户的货物预测收件量的步骤，包括：若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，所述特征信息至少包括以下之一：基本特征、个人收件量特征、网点收件量特征以及区部收件量特征；对所述特征信息进行分析预测，得到所述目标用户的预测收件量；若所述预测收件量小于或等于所述货物收件数量，则确定所述预测收件量作为所述货物预测收件量；若所述预测收件量大于所述货物收件数量，则确定所述货物收件数量作为所述货物预测收件量。

其中，特征信息是分析目标用户的历史工作数据得到的指向性特征信息，包括但不限于基本特征、个人收件量特征、网点收件量特征以及区部收件量特征，各类特征信息的详细内容可参阅图3。

具体地，第二用户类型对应的第二种分析方案分析过程涉及LightGBM模型，LightGBM模型在上一个实施例中已说明是个快速的、分布式的、高性能的基于决策树算法的梯度提升框架，可用于排序，分类，回归以及很多其他的机器学习任务中。而在本申请中可用LightGBM模型对特征信息进行分析，使其输出目标用户的预测收件量，最后将预测出来的收件量和目标用户在预设历史时长内的货物收件数量进行对比，取两个里面的最小值作为货物预测收件量。

在一种实施例中，所述若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析所述货物收件数量和预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量的步骤，包括：若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点；获取预设时长内所述目标工作网点对应各用户的货物收件量，并对各所述货物收件量进行升序排列，得到货物收件量序列；确定所述货物收件量序列中第一预设百分位数的货物收件量，作为第二目标收件量，以及，确定所述货物收件量序列中第二预设百分位数的货物收件量，作为第三目标收件量；根据所述第二目标收件量、所述第三目标收件量和所述货物收件数量，获取所述目标用户的货物预测收件量，其中，所述第一预设百分位数小于所述第二预设百分位数。

其中，第一预设百分位数和第二预设百分位数是根据实际业务需求设定的百分位数，第一预设百分位数小于第二预设百分位数，例如，第一预设百分位数为15％、25％，第二预设百分位数为45％、75％。

具体地，第三用户类型对应的第三种分析方案分析过程同样涉及LightGBM模型，且涉及三个LightGBM模型，三个模型由不同的模型训练数据训练得到，各个模型训练数据的类型取决于收派员收件量与所属网点收件量的大小，具体为目标用户收件量与目标用户所属网点收件量在预设百分位的收件量大小差异。例如，本实施例中将第一预设百分位数取值为25％，将第二预设百分位数取值为75％，25％小于75％满足取值条件，则在进行收件量数值比较之前，服务器200首先需在确定目标用户所属的目标工作网点之后，获取目标工作网点对应各用户的货物收件量进行排列，本实施例说明选取升序排列，得到排列后的货物收件量序列。针对货物收件量序列，需进一步基于第一预设百分位数和第二预设百分位数选取后续收件量比较依据，即确定货物收件量序列中的25％的分位数，作为第二目标收件量；确定货物收件量序列中的75％的分位数，作为第三目标收件量，筛选原理与上述实施例说明的分位数原理相同，在此不再赘述。最后将目标用户在历史工作数据中的货物收件数量分别与第二目标收件量和第三目标收件量进行比较，基于比较结果最终确定目标用户的货物预测收件量。

例如，当前得到货物收件量序列为：1、3、4、6、7、9、12、15、16、18、20，其25％的分位数位置是(11+1)/4＝3，对应的第二目标收件量为4；75％的分位数位置是(11+1)/4*3＝9，对应的第三目标收件量为16。若目标用户在历史工作数据中的货物收件数量为12，则可分析货物收件数量12、第二目标收件量4和第三目标收件量16之间的关系，确定目标用户的货物预测收件量。

在一种实施例中，所述根据所述第二目标收件量、所述第三目标收件量和所述货物收件数量，获取所述目标用户的货物预测收件量的步骤，包括：若所述货物收件数量小于所述第二目标收件量，则获取所述历史工作数据中的特征信息，并基于第一分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量；若所述货物收件数量大于或等于所述第二目标收件量，并小于或等于所述第三目标收件量，则获取所述历史工作数据中的特征信息，并基于第二分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量；若所述货物收件数量小于所述第三目标收件量，则获取所述历史工作数据中的特征信息，并基于第三分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量，其中，所述第一分类器、所述第二分类器和所述第三分类器是通过不同训练数据训练得到的分类器。

其中，第一分类器、第二分类器和第三分类器是采用不同的模型训练数据训练得到LightGBM模型，模型训练数据来源于用户(收派员)历史工作数据中的特征信息。

具体地，当目标用户的货物收件数量小于第二目标收件量时，可获取其历史工作数据中的特征信息，输入至已训练的第一分类器中进行分析，即可得到第一分类器的输出结果作为目标用户的货物预测收件量，而第一分类器的模型训练数据也是货物收件数量小于第二目标收件量的用户的特征信息。当目标用户的货物收件数量大于或等于第二目标收件量，同时小于或等于第三目标收件量时，可获取其历史工作数据中的特征信息，输入至已训练的第二分类器中进行分析，即可得到第二分类器的输出结果作为目标用户的货物预测收件量，而第二分类器的模型训练数据也是货物收件数量在第二目标收件量与第三目标收件量之间的用户的特征信息。当目标用户的货物收件数量小于第三目标收件量时，可获取其历史工作数据中的特征信息，输入至已训练的第三分类器中进行分析，即可得到第三分类器的输出结果作为目标用户的货物预测收件量，而第三分类器的模型训练数据也是货物收件数量小于第三目标收件量的用户的特征信息。

例如，第二目标收件量为4、第三目标收件量为16，若目标用户的货物收件数量为3，则货物收件数量小于第二目标收件量，服务器200可获取目标用户的特征信息输入至第一分类器进行分析；若目标用户的货物收件数量为5，则货物收件数量大于第二目标收件量并小于第三目标收件量，服务器200可获取目标用户的特征信息输入至第二分类器进行分析；若目标用户的货物收件数量为20，则货物收件数量大于第三目标收件量，服务器200可获取目标用户的特征信息输入至第三分类器进行分析。

S204，根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量。

其中，物资预测需求量是指当前对物流物资进行需求预测得到的需求数量，例如，10、20、50等。

具体地，可根据物资使用数量获取计算物资预测需求量所需的参数，如物资使用数量中包括的物资在手数量和物资在途数量。还可根据物资使用数量和货物收件数量获取计算物资预测需求量所需的参数，如物资使用数量与货物收件数量之商，即物资消耗率。最终可根据物资消耗率、货物预测收件量、物资在手数量和物资在途数量，分析获取目标用户的物资预测需求量。本申请涉及的物资预测需求量获取步骤将在下文进行详细描述。

在一种实施例中，本步骤包括：根据所述物资使用数量，获取各个物资的物资在手数量、物资在途数量和物资消耗率，所述物资消耗率为所述物资使用数量与所述货物收件数量之商，所述物资使用数量包括所述物资在手数量和所述物资在途数量；获取所述物资消耗率与所述货物预测收件量之间的积值，并获取所述物资在手数量与所述物资在途数量之间的和值；获取所述积值与所述和值之间的差值，得到所述目标用户对各个物资的物资预测需求量。

其中，物资在手数量是指目标用户(收派员)现在拥有的物资件数，例如，10、20、50等。

其中，物资在途数量是指目标用户(收派员)已确认需要，且在运输途中的物资数量，例如，10、20、50等。

具体地，物资消耗率＝物资使用数量÷货物收件数量，而物资使用数量和货物收件数量均为历史工作数据中的数据；物资在手数量+物资在途数量+物资领用数量＝物资使用数量；因此，服务器200获取到物资消耗率、物资在手数量和物资在途数量之后，即可结合货物预测收件量，分析得到物资的物资预测需求量，其中，物资预测需求量＝物资消耗率*货物预测收件量-物资在手数量-物资在途数量。

在一种实施例中，在所述根据所述物资使用数量，获取各个物资的物资在手数量、物资在途数量和物资消耗率之后，所述方法还包括：若所述物资消耗率大于或等于预设的消耗率阈值，则将所述物资消耗率的数值确定为所述消耗率阈值；若所述物资消耗率小于所述消耗率阈值，则确定所述物资消耗率的数值不变。

其中，消耗率阈值是预设用于判定物资消耗是否异常的临界值，例如，80％。

具体地，服务器200计算出物资消耗率之后，还需分析物资消耗率来判定当前的物资消耗是否异常，若是则需进行修正处理，以便利用合理的物资消耗率计算物资预测需求量。故此，采用预设的消耗率阈值来分析物资消耗率是否异常，是较为合理的异常分析方式，而本申请实施例提出若计算得到的物资消耗率大于或等于该消耗率阈值，则将物资消耗率的数值确定为消耗率阈值，若物资消耗率小于消耗率阈值，则可认为物资消耗率无异常且无需修正处理，即确定物资消耗率的数值不变。但需要说明的是，针对物流领域中的物流物资，尤其是包装胶带、透明胶纸、常规运单、文件封等物流物资中的文件封和包装胶带，若物资消耗率小于100％则不仅需要修正处理，还会输出异常，而透明胶纸、常规运单的数据一般比较稳定，异常状况很少，不会输出异常。

在一种实施例中，在所述根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量之后，所述方法还包括：确定所述物资预测需求量对应的物资类型；获取所述物资类型对应的最小包装量；根据所述物资预测需求量与所述最小包装量之间的商余值，确定所述物资预测需求量对应的待定需求量；将所述待定需求量发送至终端，以接收所述目标用户通过所述终端反馈的需求量确认信息。

其中，包装量是指在一定的标准下，在外包装里面放置多少或者多重的产品；最小包装量是指外包装里可放置的最小物资数量，例如，5、15等。

具体地，由于单个物资通常是按照一定数量被打包为一个整体，无论是物资的生产还是出售，都可能存在一个外包装里装有多个独立小包装物品的情况，而这种包装所含物品数量即为最小包装量，因此服务器200分析得到目标用户的物资预测需求量之后，还需考虑对应物资类型的最小包装量，基于物资预测需求量和对应物资类型的最小包装量，分析获取物资预测需求量所对应有效的待定需求量，以通过终端100向目标用户(收派员)反馈待定需求量，进而获取目标用户通过终端100提交的确认信息。

更具体地，根据物资预测需求量与最小包装量之间的商余值，确定物资预测需求量对应的待定需求量的步骤，实际是将预测需求量除以最小包装量，余数大于最小包装量50％，余数增加凑够1个最小包装量；余数小于最小包装量50％，减去余数。例如，若某物资的物资预测需求量为25，最小包装量为15，则两者余数为10＞(15*50％＝7.5)，则余数增加5得到一个最小包装量(15)，待定需求量是30；若某物资的物资预测需求量为20，最小包装量为15，则两者余数为5＜(15*50％＝7.5)，则减去余数5，待定需求量是15。服务器200解析得到的待定需求量可通过终端100反馈至目标用户查看，目标用户查看到各个物资的待定需求量并提交确认信息之后，服务器200可通知物流企业的工作人员将对应物资分配至目标用户，以解决目标用户对该类物资的需求问题。

在一种实施例中，在所述将所述待定需求量发送至终端之后，所述方法还包括：若接收到所述目标用户通过所述终端反馈的需求量确认信息，则确定所述待定需求量作为待发需求量，并根据所述待发需求量，获取各个待发物资的补货总量；根据各所述待发物资的补货总量，确定各所述待发物资的补货频次；当所述补货频次包括至少两个补货频次时，根据所述待发需求量、所述补货频次和所述最小包装量，确定各所述补货频次对应的补货数量。

其中，待发需求量是指物流企业确定待发至收派员的物资数量，例如，10、20、30等。

其中，补货总量是指待发物资的补货总重量，例如，10KG、20KG等。

其中，补货频次是指待发物资的补货频率次数，例如，一个月4次、一周2次等。

具体地，服务器200接收到目标用户通过终端100反馈的需求量确认信息之后，即可将待定需求量确定为待发需求量，基于待发需求量所对应物资的个体重量和待发需求量，来获取各个待发物资的补货总量，进而利用补货重量确定待发物资的补货频次。例如，补货总量大于0KG且小于或等于30KG，确定补货频次为1次；补货总量大于30KG且小于或等于50KG，确定补货频次为2次；补货总量大于50KG且小于或等于80KG，确定补货频次为3次；补货总量大于80KG，确定补货频次为4次。

在一种实施例中，所述当所述补货频次包括至少两个补货频次时，根据所述待发需求量、所述补货频次和所述最小包装量，确定各所述补货频次的补货数量的步骤，包括：当所述补货频次包括至少两个补货频次时，获取所述待发需求量与所述补货频次之间的商值；基于所述最小包装量，对所述商值进行取整处理，确定各所述补货频次对应的补货数量。

具体地，若服务器200分析得到的补货频次为1次，则可将所有待发物资一次性配送至目标用户，但若补货频次超过1次，则需进一步分析每次补货的补货数量，因此本申请实施例提出当补货频次包括至少两个补货频次时，可获取待发需求量与补货频次之间的商值，再基于最小包装量对该商值进行取整处理，以确定各补货频次对应的补货数量。

例如，某物资的待发需求量是45，补货频次是4次，最小包装量为5个，则45÷4＝11余1，四舍五入取整数即10，确定第二、三、四次配送的补货数量为10个，第一次配送的补货数量为15。又例如，某物资的待发需求量是110，补货频次是4次，最小包装量为10个，则110÷4＝27余2，四舍五入取整数即30，确定第二、三、四次配送的补货数量为30个，最后一次配送可通过总重量减去前几次配送的数量。

上述实施例提供了一种物资需求预测方法，通过获取预设时长内目标用户的工作时长信息来确定目标用户的用户类型，即可采用不同分析方式获取各类目标用户的货物预测收件量，使得货物预测收件量的分析结果更加准确、物资需求的预测准确率得以提升。同时，从货物预测收件量与物资预测需求量之间的正比关系和业务逻辑角度出发，基于已知的货物预测收件量分析获取目标用户的物资预测需求量，不仅可提升物资需求的预测准确率，还可提高物资分配的工作效率。

应该理解的是，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

为了使本领域技术人员充分理解本申请提出的物资需求预测方法，本申请还提供一种应用场景，该应用场景应用上述的物资需求预测方法。具体地，该物资需求预测方法在该应用场景的应用将结合图4和图5进行如下说明：

如图4所示，在进行物资需求预测之前，首先需获取各个目标用户的历史工作数据来作为分析预测的数据源，该数据源包括工作时长信息、货物收件数量以及物资使用数量等。获取到分析预测所需的数据源之后，即可根据各个目标用户的工作时长信息来进行用户分类，以便分析结果准确有效，其中就包括三类：入职天数小于30天、入职天数在30天至60天之间、入职天数大于60天。

针对第一种用户类型(入职天数小于30天)，分析方式采用网点收件量的25％的分位数和泊松分布函数，详细分析步骤已在上述实施例中充分说明，在此不再赘述。针对第二种用户类型(入职天数在30天至60天之间)，分析方式采用模型和平均值等参数信息，详细分析步骤已在上述实施例中充分说明，在此不再赘述。针对第三种用户类型(入职天数大于60天)，分析方式采用用户收件量与网点收件量之比，详细分析步骤已在上述实施例中充分说明，在此不再赘述。需要注意的是，第三种用户类型的分析方式，将数据输入至模型之前，还需根据用户收件量与网点收件量之比，进一步对用户进行用户分类，即包括类别1、类别2、类别3，再将不同类别用户的历史工作数据对应输入至不同模型，以获取各个模型输出的货物预测收件量。

最后，获取到货物预测收件量之后，还需分析货物预测收件量来获取物资预测需求量，以便在目标用户通过终端确认了需求量之后，将各类物资对应的需求量配送至目标用户，实现对每个目标用户的物资补货。

除此之外，还需说明的是，获取到物资预测需求量之后，可采用长短期记忆模型(Long short-term memory，LSTM)再进行一次预测，然后将LightGBM模型预测得到的异常值与LSTM模型预测出来的数据进行逐个比较，取最接近货物收件数量的值作为有效值，实现最后的物资补货。

上述物资需求预测方法，不仅可提升物资需求的预测准确率，还可提高物资分配的工作效率。

为了更好实施本申请实施例中的物资需求预测方法，在物资需求预测方法基础之上，本申请实施例还提供一种物资需求预测装置600，如图6所示，所述物资需求预测装置600包括：

数据获取模块602，用于获取预设时长内目标用户的历史工作数据，所述历史工作数据包括工作时长信息、货物收件数量以及物资使用数量；

类型确定模块604，用于根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型；

数据分析模块606，用于基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量；

需求确定模块608，用于根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量。

在一种实施例中，类型确定模块604还用于若所述工作时长信息小于预设的第一时长阈值，则确定所述目标用户的用户类型为第一用户类型；若所述工作时长信息大于或等于所述第一时长阈值，并小于或等于预设的第二时长阈值，则确定所述目标用户的用户类型为第二用户类型；若所述工作时长信息大于所述第二时长阈值，则确定所述目标用户的用户类型为第三用户类型，其中，所述第一时长阈值小于所述第二时长阈值。

在一种实施例中，数据分析模块606还用于若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量；若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，并分析所述特征信息，得到所述目标用户的货物预测收件量；若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析所述货物收件数量和预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量。

在一种实施例中，数据分析模块606还用于若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点；获取预设时长内所述目标工作网点对应各用户的货物收件量，并对各所述货物收件量进行升序排列，得到货物收件量序列；确定所述货物收件量序列中预设百分位数的货物收件量，作为第一目标收件量；基于预设的泊松分布函数式分析所述第一目标收件量，得到所述目标用户的货物预测收件量。

在一种实施例中，数据分析模块606还用于若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，所述特征信息至少包括以下之一：基本特征、个人收件量特征、网点收件量特征以及区部收件量特征；对所述特征信息进行分析预测，得到所述目标用户的预测收件量；若所述预测收件量小于或等于所述货物收件数量，则确定所述预测收件量作为所述货物预测收件量；若所述预测收件量大于所述货物收件数量，则确定所述货物收件数量作为所述货物预测收件量。

在一种实施例中，数据分析模块606还用于若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点；获取预设时长内所述目标工作网点对应各用户的货物收件量，并对各所述货物收件量进行升序排列，得到货物收件量序列；确定所述货物收件量序列中第一预设百分位数的货物收件量，作为第二目标收件量，以及，确定所述货物收件量序列中第二预设百分位数的货物收件量，作为第三目标收件量；根据所述第二目标收件量、所述第三目标收件量和所述货物收件数量，获取所述目标用户的货物预测收件量，其中，所述第一预设百分位数小于所述第二预设百分位数。

在一种实施例中，数据分析模块606还用于若所述货物收件数量小于所述第二目标收件量，则获取所述历史工作数据中的特征信息，并基于第一分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量；若所述货物收件数量大于或等于所述第二目标收件量，并小于或等于所述第三目标收件量，则获取所述历史工作数据中的特征信息，并基于第二分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量；若所述货物收件数量小于所述第三目标收件量，则获取所述历史工作数据中的特征信息，并基于第三分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量，其中，所述第一分类器、所述第二分类器和所述第三分类器是通过不同训练数据训练得到的分类器。

在一种实施例中，需求确定模块608还用于根据所述物资使用数量，获取各个物资的物资在手数量、物资在途数量和物资消耗率，所述物资消耗率为所述物资使用数量与所述货物收件数量之商，所述物资使用数量包括所述物资在手数量和所述物资在途数量；获取所述物资消耗率与所述货物预测收件量之间的积值，并获取所述物资在手数量与所述物资在途数量之间的和值；获取所述积值与所述和值之间的差值，得到所述目标用户对各个物资的物资预测需求量。

在一种实施例中，需求确定模块608还用于若所述物资消耗率大于或等于预设的消耗率阈值，则将所述物资消耗率的数值确定为所述消耗率阈值；若所述物资消耗率小于所述消耗率阈值，则确定所述物资消耗率的数值不变。

在一种实施例中，物资需求预测装置600还包括包装量分析模块，用于确定所述物资预测需求量对应的物资类型；获取所述物资类型对应的最小包装量；根据所述物资预测需求量与所述最小包装量之间的商余值，确定所述物资预测需求量对应的待定需求量；将所述待定需求量发送至终端，以接收所述目标用户通过所述终端反馈的需求量确认信息。

在一种实施例中，包装量分析模块610还用于若接收到所述目标用户通过所述终端反馈的需求量确认信息，则确定所述待定需求量作为待发需求量，并根据所述待发需求量，获取各个待发物资的补货总量；根据各所述待发物资的补货总量，确定各所述待发物资的补货频次；当所述补货频次包括至少两个补货频次时，根据所述待发需求量、所述补货频次和所述最小包装量，确定各所述补货频次对应的补货数量。

在一种实施例中，包装量分析模块610还用于当所述补货频次包括至少两个补货频次时，获取所述待发需求量与所述补货频次之间的商值；基于所述最小包装量，对所述商值进行取整处理，确定各所述补货频次对应的补货数量。

上述实施例中，不仅可提升物资需求的预测准确率，还可提高物资分配的工作效率。

在本申请一些实施例中，物资需求预测装置600可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该物资需求预测装置600的各个程序模块，比如，图6所示的数据获取模块602、类型确定模块604、数据分析模块606以及需求确定模块608。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的物资需求预测方法中的步骤。

例如，图7所示的计算机设备可以通过如图6所示的物资需求预测装置600中的数据获取模块602执行步骤S201。计算机设备可通过类型确定模块604执行步骤S202。计算机设备可通过数据分析模块606执行步骤S203。计算机设备可通过需求确定模块608执行步骤S204。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种物资需求预测方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在本申请一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述物资需求预测方法的步骤。此处物资需求预测方法的步骤可以是上述各个实施例的物资需求预测方法中的步骤。

在本申请一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述物资需求预测方法的步骤。此处物资需求预测方法的步骤可以是上述各个实施例的物资需求预测方法中的步骤。

以上对本申请实施例提供的一种物资需求预测方法、装置、计算机设备以及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (15)

1.一种物资需求预测方法，其特征在于，所述方法包括：

获取预设时长内目标用户的历史工作数据，所述历史工作数据包括工作时长信息、货物收件数量以及物资使用数量；

根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型；

基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量；

根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量。

2.如权利要求1所述的物资需求预测方法，其特征在于，所述根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型的步骤，包括：

若所述工作时长信息小于预设的第一时长阈值，则确定所述目标用户的用户类型为第一用户类型；

若所述工作时长信息大于或等于所述第一时长阈值，并小于或等于预设的第二时长阈值，则确定所述目标用户的用户类型为第二用户类型；

若所述工作时长信息大于所述第二时长阈值，则确定所述目标用户的用户类型为第三用户类型，其中，所述第一时长阈值小于所述第二时长阈值。

3.如权利要求1所述的物资需求预测方法，其特征在于，所述基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量的步骤，包括：

若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量；

若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，并分析所述特征信息，得到所述目标用户的货物预测收件量；

若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析所述货物收件数量和预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量。

4.如权利要求3所述的物资需求预测方法，其特征在于，所述若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量的步骤，包括：

若所述目标用户的用户类型为第一用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点；

获取预设时长内所述目标工作网点对应各用户的货物收件量，并对各所述货物收件量进行升序排列，得到货物收件量序列；

确定所述货物收件量序列中预设百分位数的货物收件量，作为第一目标收件量；

基于预设的泊松分布函数式分析所述第一目标收件量，得到所述目标用户的货物预测收件量。

5.如权利要求3所述的物资需求预测方法，其特征在于，所述若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，并分析所述特征信息，得到所述目标用户的货物预测收件量的步骤，包括：

若所述目标用户的用户类型为第二用户类型，则根据所述目标用户的历史工作数据，获取所述目标用户的特征信息，所述特征信息至少包括以下之一：基本特征、个人收件量特征、网点收件量特征以及区部收件量特征；

对所述特征信息进行分析预测，得到所述目标用户的预测收件量；

若所述预测收件量小于或等于所述货物收件数量，则确定所述预测收件量作为所述货物预测收件量；

若所述预测收件量大于所述货物收件数量，则确定所述货物收件数量作为所述货物预测收件量。

6.如权利要求3所述的物资需求预测方法，其特征在于，所述若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点，并分析所述货物收件数量和预设时长内所述目标工作网点对应各用户的货物收件量，得到所述目标用户的货物预测收件量的步骤，包括：

若所述目标用户的用户类型为第三用户类型，则根据所述目标用户的历史工作数据，确定所述目标用户归属的目标工作网点；

获取预设时长内所述目标工作网点对应各用户的货物收件量，并对各所述货物收件量进行升序排列，得到货物收件量序列；

确定所述货物收件量序列中第一预设百分位数的货物收件量，作为第二目标收件量，以及，确定所述货物收件量序列中第二预设百分位数的货物收件量，作为第三目标收件量；

根据所述第二目标收件量、所述第三目标收件量和所述货物收件数量，获取所述目标用户的货物预测收件量，其中，所述第一预设百分位数小于所述第二预设百分位数。

7.如权利要求6所述的物资需求预测方法，其特征在于，所述根据所述第二目标收件量、所述第三目标收件量和所述货物收件数量，获取所述目标用户的货物预测收件量的步骤，包括：

若所述货物收件数量小于所述第二目标收件量，则获取所述历史工作数据中的特征信息，并基于第一分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量；

若所述货物收件数量大于或等于所述第二目标收件量，并小于或等于所述第三目标收件量，则获取所述历史工作数据中的特征信息，并基于第二分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量；

若所述货物收件数量小于所述第三目标收件量，则获取所述历史工作数据中的特征信息，并基于第三分类器对所述特征信息进行分析，得到所述目标用户的货物预测收件量，其中，所述第一分类器、所述第二分类器和所述第三分类器是通过不同训练数据训练得到的分类器。

8.如权利要求1所述的物资需求预测方法，其特征在于，所述根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量的步骤，包括：

根据所述物资使用数量，获取各个物资的物资在手数量、物资在途数量和物资消耗率，所述物资消耗率为所述物资使用数量与所述货物收件数量之商，所述物资使用数量包括所述物资在手数量和所述物资在途数量；

获取所述物资消耗率与所述货物预测收件量之间的积值，并获取所述物资在手数量与所述物资在途数量之间的和值；

获取所述积值与所述和值之间的差值，得到所述目标用户对各个物资的物资预测需求量。

9.如权利要求8所述的物资需求预测方法，其特征在于，在所述根据所述物资使用数量，获取各个物资的物资在手数量、物资在途数量和物资消耗率之后，所述方法还包括：

若所述物资消耗率大于或等于预设的消耗率阈值，则将所述物资消耗率的数值确定为所述消耗率阈值；

若所述物资消耗率小于所述消耗率阈值，则确定所述物资消耗率的数值不变。

10.如权利要求1所述的物资需求预测方法，其特征在于，在所述根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量之后，所述方法还包括：

确定所述物资预测需求量对应的物资类型；

获取所述物资类型对应的最小包装量；

根据所述物资预测需求量与所述最小包装量之间的商余值，确定所述物资预测需求量对应的待定需求量；

将所述待定需求量发送至终端，以接收所述目标用户通过所述终端反馈的需求量确认信息。

11.如权利要求10所述的物资需求预测方法，其特征在于，在所述将所述待定需求量发送至终端之后，所述方法还包括：

若接收到所述目标用户通过所述终端反馈的需求量确认信息，则确定所述待定需求量作为待发需求量，并根据所述待发需求量，获取各个待发物资的补货总量；

根据各所述待发物资的补货总量，确定各所述待发物资的补货频次；

当所述补货频次包括至少两个补货频次时，根据所述待发需求量、所述补货频次和所述最小包装量，确定各所述补货频次对应的补货数量。

12.如权利要求11所述的物资需求预测方法，其特征在于，所述当所述补货频次包括至少两个补货频次时，根据所述待发需求量、所述补货频次和所述最小包装量，确定各所述补货频次的补货数量的步骤，包括：

当所述补货频次包括至少两个补货频次时，获取所述待发需求量与所述补货频次之间的商值；

基于所述最小包装量，对所述商值进行取整处理，确定各所述补货频次对应的补货数量。

13.一种物资需求预测装置，其特征在于，所述装置包括：

数据获取模块，用于获取预设时长内目标用户的历史工作数据，所述历史工作数据包括工作时长信息、货物收件数量以及物资使用数量；

类型确定模块，用于根据所述历史工作数据中的工作时长信息，确定所述目标用户的用户类型；

数据分析模块，用于基于所述目标用户的用户类型分析所述历史工作数据，得到所述目标用户的货物预测收件量；

需求确定模块，用于根据所述货物预测收件量、所述货物收件数量和所述物资使用数量，获取所述目标用户的物资预测需求量。

14.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至12中任一项所述的物资需求预测方法。

15.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至12任一项所述的物资需求预测方法中的步骤。

Images