CN114757703A - 一种中药商品的补货方法、装置、电子设备及存储介质 - Google Patents

一种中药商品的补货方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114757703A
CN114757703A CN202210394343.5A CN202210394343A CN114757703A CN 114757703 A CN114757703 A CN 114757703A CN 202210394343 A CN202210394343 A CN 202210394343A CN 114757703 A CN114757703 A CN 114757703A
Authority
CN
China
Prior art keywords
sales
prediction
time
commodity
replenishment
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.)
Pending
Application number
CN202210394343.5A
Other languages
English (en)
Inventor
周寒阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quandou Digital Technology Co ltd
Original Assignee
Quandou Digital Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Quandou Digital Technology Co ltd filed Critical Quandou Digital Technology Co ltd
Priority to CN202210394343.5A priority Critical patent/CN114757703A/zh
Publication of CN114757703A publication Critical patent/CN114757703A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06F17/13—Differential equations
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种中药商品的补货方法、装置、电子设备及存储介质，本发明通过待预测商品的历史销量时序信息来构建多函数的销量预测模型，并基于该模型来得出待预测商品在预测时间内的销量值，最后，基于销量值以及库存量来得出补货量以及补货时间；由此，借用数学分析的方法来进行补货量的计算，不仅提高了补货量预测的准确率，还避免了补货量过大或过小的问题，适用于大规模应用与推广。

Description

一种中药商品的补货方法、装置、电子设备及存储介质
技术领域
本发明属于计算机技术领域，具体涉及一种中药商品的补货方法、装置、电子设备及存储介质。
背景技术
随着互联网的快速发展，电子商务平台逐渐成为人们的主流购物方式之一，且随着电子商务平台以及支付手段的不断完善，我国的电子商品交易量正在稳步提升，其运营模式的创新日益活跃，正在往多层次以及多元化的方向快速发展。
同时，在电子商务企业快速发展以及全国布局的情况下，大多数企业都会在全国各地设置多个仓库，以用于储存商品，从而满足用户购买的体验度以及物流的时效性，且大多数商家均会提前备货，以保证商品发货的时效性。
目前，商家的补货方案大多为：人为判断是否需要补货，即根据工作人员的工作经验进行预估是否需要补货，其存在以下不足：主观因素较强，准确性较低，容易导致补货量过大或过小，其中，若补货量过大，会造成货物堆积，而补货量过小，则会造成后续不断补货，导致人员浪费和订单积压，进而影响订单的时效性，最终影响客户的购物体验，因此，提供一种客观且准确率高的补货方法迫在眉睫。
发明内容
本发明的目的是提供一种中药商品的补货方法、装置、电子设备以及存储介质，以解决现有的补货方法所存在的准确率较低，容易造成补货量过大或过小的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种中药商品的补货方法，包括：
获取待预测商品的历史销量时序信息以及库存量；
基于所述历史销量时序信息，建立多个商品销量预测函数，其中，所述多个商品销量预测函数包括三次指数平滑预测函数、灰色预测函数以及基于市场容量的预测函数；
根据所述历史销量时序信息和所述多个商品销量预测函数，确定所述多个商品销量预测函数中各预测函数的预测权重；
基于所述多个商品销量预测函数，以及所述多个商品销量预测函数中各预测函数的预测权重，构建销量预测模型；
利用所述销量预测模型，得出所述待预测商品在预测时间内的销量值；
若所述销量值大于所述库存量，则生成补货请求，其中，所述补货请求包括补货时间以及补货量；
向目标商家发送所述补货请求，以使所述目标商家根据所述补货请求对所述待预测商品进行补货，其中，所述目标商家为所述待预测商品的供应商家。
基于上述公开的内容，本发明通过待预测商品的历史销量时序信息(如过去半年内、一年内或两年内的销量数据)，来构建多个商品销量预测函数，并基于该历史销量时序信息来确定出各商品销量预测函数的预测权重，以便利用各个商品销量预测函数及其对应的预测权重，来构建出结合多个函数的销量预测模型；接着，即可利用该销量预测模型来进行待预测商品销量的预测，也就是得出待预测商品在预测时间内的销量值；最后，即可基于该销量值以及库存量来得出补货量以及补货时间，并发送至待预测商品的供应商家，从而实现自动补货。
通过前述设计，本发明通过待预测商品的历史销量时序信息来构建多函数的销量预测模型，并基于该模型来得出待预测商品在预测时间内的销量值，最后，基于销量值以及库存量来得出补货量以及补货时间；由此，借用数学分析的方法来进行补货量的计算，不仅提高了补货量预测的准确率，还避免了补货量过大或过小的问题，适用于大规模应用与推广。
在一个可能的设计中，所述历史销量时序信息包括历史销量数据以及历史销量数据对应的销售时间，其中，所述销售时间的时间单位为一天、一周或一月；
相应的，基于所述历史销量时序信息，建立三次指数平滑预测函数，包括：
利用所述历史销量数据，计算得到所述待预测商品在所有销售时间内的第一次平滑值、第二次平滑值以及第三次平滑值；
获取平滑系数，并基于所述平滑系数、所述第一次平滑值、所述第二次平滑值以及所述第三次平滑值，得到三个平滑预测参数；
以所述三个平滑预测参数为二次函数的常数，并以所述预测时间为二次函数的变量，以及所述销量值为二次函数的函数值，构建得到所述三次指数平滑预测函数。
基于上述公开的内容，本发明通过历史销量数据，来得出待预测商品的第一次、第二次以及第三次平滑值，并基于三次的平滑值来得出平滑预测参数；最后，即可利用三个平滑预测参数，并借助二次函数来构建出三次指数平滑预测函数。
在一个可能的设计中，所述历史销量时序信息包括历史销量数据以及历史销量数据对应的销售时间，其中，所述销售时间的时间单位为一天、一周或一月；
相应的，基于所述历史销量时序信息，建立灰色预测函数，包括：
对所述历史销量数据中的每个历史销量数据进行一次累加，得到待预测商品的历史销量累加数据集合；
基于所述历史销量累加数据集合，建立灰微分方程；
利用所述历史销量累加数据集合，构建方程参数矩阵；
利用最小二乘法以及所述方程参数矩阵，求解所述灰微分方程，以得出以所述预测时间为变量的销量预测函数；
基于所述销量预测函数，得出所述灰色预测函数。
基于上述公开的内容，灰色预测函数的实质为：通过对待预测商品的历史销量数据进行关联分析，以生成具有较强规律的数据序列，从而借助该数据序列来建立相应的微分方程模型，由此，即可利用该微分方程来对待预测商品的销量作出科学性的预测，从而为后续补货量的预测提供准确的数据基础。
在一个可能的设计中，所述历史销量时序信息包括历史销量数据以及历史销量数据对应的销售时间，其中，所述销售时间的时间单位为一天、一周或一月；
相应的，基于所述历史销量时序信息，建立基于市场容量的预测函数，包括：
获取所述待预测商品的市场容量；
基于所述历史销量数据以及对应的销售时间，计算得到所述待预测商品在任一销售时间内的增长率；
根据所述市场容量和所述历史销量数据，得到待预测商品的潜在容量；
以所述潜在容量为常量、所述预测时间为变量以及所述增长率为函数值，建立销量预测微分方程；
对所述销量预测微分方程求解，得到以所述预测时间为变量，以及所述待预测商品在所述预测时间内的销量值为函数值的常微分方程，以将所述常微分方程作为所述基于市场容量的预测函数。
基于上述公开的内容，本发明通过构建基于市场容量的预测函数，可将市场容量作为商品销量的影响因素，通过上述设计，构建出的预测函数更符合商品的市场销售环境，其销量预测的准确率更高，由此，进一步的提高了补货量预测的准确率。
在一个可能的设计中，所述历史销量时序信息包括历史销量数据，其中，根据所述历史销量时序信息和所述多个商品销量预测函数，确定所述多个商品销量预测函数中各预测函数的预测权重，包括：
计算所述多个商品销量预测函数中各预测函数在所述预测时间内的拟合值；
根据各预测函数在所述预测时间内的拟合值，以及所述历史销量数据，计算出各预测函数的残差；
基于各预测函数的残差，建立权重模型；
根据所述权重模型，得出各预测函数的权重向量；
利用所述权重向量，得出所述各预测函数的预测权重。
基于上述公开的内容，通过计算个预测函数的残差，来构建权重模型，最后，基于该权重模型来得出权重向量，以便得出各个预测函数的预测权重；通过上述设计，可保证权重的合理性以及客观性，由此，即可保证由各函数组合而成的销量预测模型的合理性。
在一个可能的设计中，基于所述多个商品销量预测函数，以及所述多个商品销量预测函数中各预测函数的预测权重，得出销量预测模型，包括：
计算各预测函数与对应预测权重的乘积，得到各预测函数的优化函数；
求和各优化函数，得到所述销量预测模型。
在一个可能的设计中，所述历史销量时序信息包括历史销量数据以及历史销量数据对应的销售时间，且所述预测时间的最小单位为天；
其中，若所述销量值大于所述库存量，则生成补货请求，包括：
根据所述销量值，确定所述待预测商品在目标时间内的销量，其中，所述目标时间为所述预测时间内的每一天；
根据所述待预测商品在目标时间内的销量以及所述库存量，得出所述待预测商品的库存使用时间；
获取所述待预测商品在目标历史时间内每次补货的历史补货量以及所使用的补货时长，其中，所述目标历史时间为所述历史销量数据对应的销售时间；
根据所述库存使用时间和所述补货时长，得出所述补货时间；以及
对所述历史补货量以及所述历史销量数据进行线性回归分析，得出基于销量和补货量的线性回归模型；
将所述销量值输入所述线性回归模型，得到所述补货量；
获取目标地址，并基于所述目标地址、所述补货时间和所述补货量，生成所述补货请求，其中，所述目标地址为所述待预测商品的库存地址。
基于上述公开的内容，本发明公开了补货量以及补货时间的具体计算过程，即利用销量值得出待预测商品在目标时间内的销量，然后基于库存量和目标时间内的销量来得出库存使用时间；接着，再结合待预测商品在目标历史时间内每次补货所使用的补货时长，即可得出补货时间；同时，本发明通过借助线性回归方法，对历史补货量以及所述历史销量数据进行线性回归分析，从而得出基于补货量与销量者的线性回归模型(相当于得出线性回归函数式)；由此，即可将销量值输入该线性回归函数式中，来得出该销量值下的补货量；最后，再结合待预测商品的库存地址，即可得出补货请求，从而实现待预测商品的自动补货。
第二方面，本发明提供了一种中药商品的补货装置，包括：
获取单元，用于获取待预测商品的历史销量时序信息以及库存量；
函数建立单元，用于基于所述历史销量时序信息，建立多个商品销量预测函数，其中，所述多个商品销量预测函数包括三次指数平滑预测函数、灰色预测函数以及基于市场容量的预测函数；
权重计算单元，用于根据所述历史销量时序信息和所述多个商品销量预测函数，确定所述多个商品销量预测函数中各预测函数的预测权重；
模型构建单元，用于基于所述多个商品销量预测函数，以及所述多个商品销量预测函数中各预测函数的预测权重，构建销量预测模型；
预测单元，用于利用所述销量预测模型，得出所述待预测商品在预测时间内的销量值；
补货单元，用于在所述销量值大于所述库存量时，生成补货请求，其中，所述补货请求包括补货时间以及补货量；
发送单元，用于向目标商家发送所述补货请求，以使所述目标商家根据所述补货请求对所述待预测商品进行补货，其中，所述目标商家为所述待预测商品的供应商家。
第三方面，本发明提供了另一种中药商品的补货装置，以装置为电子设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述中药商品的补货方法。
第四方面，本发明提供了一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述中药商品的补货方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述中药商品的补货方法。
附图说明
图1为本发明提供的中药商品的补货系统的系统架构示意图；
图2为本发明提供的中药商品的补货方法的步骤流程示意图；
图3为本发明提供的中药商品的补货装置的结构示意图；
图4为本发明提供的电子设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
实施例
参见图1所示，为本申请提供一种系统架构，该系统包括商家终端、电子商务服务器以及仓库终端，其中，商家终端通信连接电子商务服务器以及仓库终端，用于获取待预测商品的历史销量时序信息以及库存量，以便在获取上述信息后，使用本实施例所提供的方法得出待预测商品在预测时间内的销量值，并基于销量值以及库存量得出待预测商品的补货量以及补货时间，从而生成补货请求发送至待预测商品的供应商家，从而使待预测商品的供应商家根据该补货请求进行补货；由此通过上述设计，本系统借用数学分析的方法来进行补货量的计算，不仅提高了补货量预测的准确率，还避免了补货量过大或过小的问题，适用于大规模应用与推广。
参见图2所示，本实施例第一方面所提供的中药商品的补货方法，适用于各个电子商务平台上中药商品的自动补货，当然，也可适用于其余类型商品的自动补货，于此不作限定，本实施例所提供的补货方法，可以但不限于在商家终端侧运行，其中，所述商家终端可以是个人电脑(personal computer，PC)、平板电脑、智能手机和/或个人数字助理(personal digital assistant，PDA)等，可以理解的，前述执行主体并不构成对本申请实施例的限定，相应的，本方法的运行步骤如下述步骤S1～S7所示。
S1.获取待预测商品的历史销量时序信息以及库存量；具体应用时，举例待预测商品的历史销量时序信息可以但不限于通过其售卖的电子商务平台对应的服务器获取，当然，也可由商家终端对应的工作人员统计得出，并预存至商家终端中，于此不作限定；同理，库存量可从仓库终端获取，也可由工作人员预设至商家终端中。
在本实施例中，所述历史销量时序信息描述的是待预测商品随时间变化的历史销量信息，可以但不限于包括历史销量数据以及历史销量数据对应的销售时间，其中，所述销售时间的时间单位为一天、一周或一月；例如，待预测商品为丁香，销售时间以月为单位，可统计距当前时间(当前假设为2022年)前一年内的每个月的历史销量数据(也就是2021年中每个月的销量数据)，从而得出历史销量时序信息，如下所示：{(1月，30包)，(2月，40包)，(3月，25包)，(4月，50包)，(5月，45包)，(6月，30包)，(7月，40包)，(8月，55包)，(9月，30包)，(10月，60包)，(11月，40包)，(12月，35包)}；当然，其余中药商品的历史销量时序信息的表示方式与前述举例相同，于此不再赘述。
在本实施例中，对待预测商品在预测时间内的补货量的预测，是通过该待预测商品的历史销量时序信息，来进行销量的预测，即预测出该待预测商品在预测时间内的销量值，然后再基于销量值以及库存量进行补货量的预测；其中，待预测商品销量的预测，如下述步骤S2～S5所示。
同时，在具体应用时，本实施例是先建立多个商品销量预测函数，然后基于多个商品销量预测函数来构建销量预测模型，最后，基于构建的销量预测模型来实现待预测商品销量的预测；具体的，商品销量预测函数的建立如下述步骤S2所示。
S2.基于所述历史销量时序信息，建立多个商品销量预测函数，其中，所述多个商品销量预测函数包括三次指数平滑预测函数、灰色预测函数以及基于市场容量的预测函数；具体应用时，本实施例构建了3种不同类型的预测函数，以便基于三种函数来构建组合模型，从而避免单一预测函数所存在的精度低的问题。
下述分别阐述三种不同类型的预测函数的具体构建过程：
首先，举例三次指数平滑预测函数的建立过程，如下述步骤S31～S33所示：
S21.利用所述历史销量数据，计算得到所述待预测商品在所有销售时间内的第一次平滑值、第二次平滑值以及第三次平滑值；具体的，待预测商品在所有销售时间内的第一次平滑值为每个销售时间内第一次平滑值的均值，例如，以前述举例为例：待预测商品丁香的所有销售时间为2021年的整年，因此，2021年中的每一个月均对应有一第一次平滑值，在计算得到待预测商品每个月的第一次平滑值后，取均值，即可得到待预测商品在所有销售时间内的第一次平滑值；同理，待预测商品在所有销售时间内的第二次平滑值以及第三次平滑值，与前述待预测商品在所有销售时间内的第一次平滑值的计算原理一致。
可选的，下述分别提供计算待预测商品在任一销售时间内的第一次平滑值、第二次平滑值以及第三次平滑值的计算公式：
Figure BDA0003596778300000071
上述式(1)中，
Figure BDA0003596778300000072
表示待预测商品在第t个销售时间内的第一次平滑值，a表示平滑常数，取值范围为[0,1],
Figure BDA0003596778300000073
表示第t-1个销售时间的一次指数平滑值，也就是一次指数平滑的初始值，在本实施例中，
Figure BDA0003596778300000074
可以但不限于取前三个销售时间内的平均值，yt表示第t个销售时间的历史销量数据。
Figure BDA0003596778300000075
上述式(2)中，
Figure BDA0003596778300000076
表示在第t个销售时间内的第二次平滑值，a表示平滑常数，取值范围为[0,1],
Figure BDA0003596778300000077
表示待预测商品在第t个销售时间的第一次平滑值，
Figure BDA0003596778300000078
表示第t-1个销售时间的二次指数平滑值，也就是二次指数平滑的初始值，也可以但不限于取前三个销售时间内的平均值。
Figure BDA0003596778300000079
上述式(3)中，
Figure BDA0003596778300000081
表示在第t个销售时间内的第三次平滑值，a表示平滑常数，取值范围为[0,1],
Figure BDA0003596778300000082
表示待预测商品在第t个销售时间的第二次平滑值，
Figure BDA0003596778300000083
表示第t-1个销售时间的三次指数平滑值，也就是三次指数平滑的初始值，也可以但不限于取前三个销售时间内的平均值。
由此，通过前述公式(1)、(2)和(3)，即可计算出待预测商品在每个销售时间t内的第一次平滑值、第二次平滑值以及第三次平滑值；最后，求和每个销售时间t内的第一次平滑值，并除以销售时间的总个数，即可得出待预测商品在所有销售时间内的第一次平滑值；例如，前述销售时间共计有12个，即每一个销售时间t表示一个月，那么12个第一次平滑值相加，然后再除以12，即可得到待预测商品在2021年一年内的第一次平滑值，同理，第二次和第三次平滑值的计算原理与前述第一次平滑值的计算原理相同，于此不再赘述。
在得到待预测商品在所有销售时间内的第一次平滑值、第二次平滑值以及第三次平滑值后，即可进行平滑预测参数的计算，如下述步骤S22所示。
S22.获取平滑系数，并基于所述平滑系数、所述第一次平滑值、所述第二次平滑值以及所述第三次平滑值，得到三个平滑预测参数；具体的，可以但不限于采用如下公式计算三个平滑预测参数：
A＝2S(1)-3S(2)+S(3)，该式中，A表示第一个平滑预测参数，S(1),S(2),S(3)分别表示在所有销售时间内的第一次平滑值、第二次平滑值以及第三次平滑值。
Figure BDA0003596778300000084
该式中，B表示第二个平滑预测参数。
Figure BDA0003596778300000085
该式中，C表示第三个平滑预测参数。
由此，即可基于平滑预测参数的计算公式，分别得出三个平滑预测参数，最后，即可借助前述三个平滑预测参数以及二次函数，构建三次指数平滑预测函数，如下述步骤S33所示。
S23.以所述三个平滑预测参数为二次函数的常数，并以所述预测时间为二次函数的变量，以及所述销量值为二次函数的函数值，构建得到所述三次指数平滑预测函数；具体的，可以但不限于将第一个平滑预测参数作为二次函数的常数项，将第二个平滑预测参数作为二次函数的一次项系数，将第三个平滑预测参数作为二次函数的二次项系数，因此，构建的三次指数平滑预测函数表达式如下所示：
Figure BDA0003596778300000091
该式中，
Figure BDA0003596778300000092
表示在预测时间T1内，利用三次指数平滑预测函数所得出的预测值。
相应的，举例灰色预测函数的建立过程如下述步骤S24～S28所示。
S24.对所述历史销量数据中的每个历史销量数据进行一次累加，得到待预测商品的历史销量累加数据集合；具体的，一次累加的具体过程为：对于第一个销售时间对应的一次累加数据就等于该第一个销售时间内的历史销量数据；对于第二个销售时间内的一次累加数据等于：第二个销售时间对应的历史销量数据加上第一个销售时间对应的历史销量数据；同理，第三个销售时间内的一次累加数据则等于：第三个销售时间对应的历史销量数据加上第二个销售时间对应的历史销量数据，再加上第一个销售时间对应的历史销量数据，以此类推，即可得出每个销售时间对应的一次累加数据，从而组成待预测商品的历史销量累加数据集合。
下述以前述历史销量数据对应的销售时间为2021年整年为例进行阐述，其对应的历史销量累加数据集合为：{30，70，95，145，190，220，260，315,345,405,445,480}；当然，不同历史销量数据对应的累加数据集合的计算原理与前述举例一致，于此不再赘述。
在得到待预测商品的历史销量累加数据集合后，即可建立灰微分方程，以便后续基于该灰微分方程得到销量预测函数，其中，灰微分方程的构建过程如下述步骤S25所示。
S25.基于所述历史销量累加数据集合，建立灰微分方程；具体应用时，历史销量累加数据集合呈指数增长，因此，其对应的灰微分方程如下所示：
Figure BDA0003596778300000093
上述式中，y(1)表示历史销量累加数据集合，且y(1)＝(y(1)(1),y(1)(2),,,y1(n))，y1(n)表示第n个销售时间对应的一次累加数据(n为销售时间的总个数，例如，前述销售时间总数为一年，单位为月，因此，n则为12)，m,j分别表示灰微分方程的参数。
要得出以销量数据为函数值的灰色预测函数，就需要求解灰微分方程，即先要得出前述灰微分方程的参数；可选的，在本实施例中，可通过构建方程参数矩阵来进行求解，如下述步骤S26所示。
S26.利用所述历史销量累加数据集合，构建方程参数矩阵；其中，构建方程参数矩阵P和N分别如下：
Figure BDA0003596778300000101
Figure BDA0003596778300000102
该式中，n表示销售时间的总个数，y(0)(n)表示第n个销售时间对应的历史销量数据，例如，n为1时，表示的是2021年1月的历史销量数据。
在基于历史销量累加数据集合构建出前述方程参数矩阵P和N后，即可利用以下公式，并基于最小二乘法计算出灰微分方程的参数，其中，计算过程如下述步骤S27所示。
S27.利用最小二乘法以及所述方程参数矩阵，求解所述灰微分方程，以得出以所述预测时间为变量的销量预测函数；具体应用时，灰微分方程的参数m和j满足参数列
Figure BDA0003596778300000103
由此，即可利用最小二乘法得出参数列的计算公式，如下所示：
Figure BDA0003596778300000104
式中，PT表示矩阵P的转置矩阵。
由此，基于前述计算公式，即可计算得到前述灰微分方程的参数m和j，而在得到灰微分方程的参数m和j后，即可求解前述灰微分方程，从而得到以销量为函数值的销量预测函数，其中，销量预测函数的表达式如下：
Figure BDA0003596778300000105
该式中，
Figure BDA0003596778300000106
表示经过第k+1个销售时间的一次累加值，也就是经过一次累加后的销量数据，且k＝0,2,...,n-1，因此，当k为0时，
Figure BDA0003596778300000107
表示则是：预测2022年的第1个月的销量值的一次累加数据，而当k为1时，
Figure BDA0003596778300000108
表示则是：预测2022年的第2个月的销量值的一次累加数据；其余k取值所表示的含义可参见前述举例，于此不再赘述。
在本实施例中，由于前述得到的是销量数据进行一次累加后的函数，因此在得到销量预测函数后，即可进行累减，从而得到原始函数，即得到表示销量数据的预测函数，也就是灰色预测函数，其中，累减过程如下述步骤S28所示。
S28.基于所述销量预测函数，得出所述灰色预测函数；具体的，灰色预测函数的表达式如下所示：
Figure BDA0003596778300000111
该式中，
Figure BDA0003596778300000112
则表示第k+1个销售时间对应的预测值。
同理，下述阐述基于市场容量的预测函数的具体构建过程，如下述步骤S221～S225所示。
S221.获取所述待预测商品的市场容量；具体的，待预测商品的市场容量可由工作人员预设值商家终端中。
S222.基于所述历史销量数据以及对应的销售时间，计算得到所述待预测商品在任一销售时间内的增长率；具体应用时，可对历史销量数据与销售时间的商求导，来得出增长率，即增长率为：
Figure BDA0003596778300000113
市场容量后，即可得到经过销售时间t后，待预测商品的潜在容量，如下述步骤S223所示。
S223.根据所述市场容量和所述历史销量数据，得到待预测商品的潜在容量；具体的，使用市场容量减去历史销量数据，即可得到潜在容量，即潜在容量为：G-y，其中，G表示市场容量。
在得到潜在容量以及增长率后，即可建立销量预测微分方程，如下述步骤S224所示。
S224.以所述潜在容量为常量、所述预测时间为变量以及所述增长率为函数值，建立销量预测微分方程；具体的，销量预测微分方程表达式如下：
Figure BDA0003596778300000114
该式中，q为常数。
在得到销量预测微分方程后，对其求解，即可得到以销量值为函数值的预测函数，其中，求解过程如下述步骤S225所示。
S225.对所述销量预测微分方程求解，得到以所述预测时间为变量，以及所述待预测商品在所述预测时间内的销量值为函数值的常微分方程，以将所述常微分方程作为所述基于市场容量的预测函数；具体的，可以但不限于使用分离变量法对前述销量预测微分方程，其中，分离变量法为方程求解的常用技术手段，其原理不再阐述
经过步骤S225后，其求解出的基于市场容量的预测函数的表达式为：
Figure BDA0003596778300000121
由于本式中t表示的是预测时间，为便于与前述式(1)中的t相区分，将t变更为T1，因此，前述预测函数变为：
Figure BDA0003596778300000122
其中，h为常数。
在得到前述三个预测函数后，即可基于前述三个预测函数构建销量预测模型，如系数步骤S3和步骤S4所示。
在本实施例中，由此是利用多个函数构建组合模型，因此，为保证各个函数间占比的合理性，需要设置各函数的权重，其中，权重计算过程如下述步骤S3所示。
S3.根据所述历史销量时序信息和所述多个商品销量预测函数，确定所述多个商品销量预测函数中各预测函数的预测权重；具体的，可以但不限于通过计算各函数的残差，然后基于残差来计算权重，其中，具体计算过程如下述步骤S31～S35所示。
S31.计算所述多个商品销量预测函数中各预测函数在所述预测时间内的拟合值；具体应用时，则是根据前述三个预测函数来计算出对应的预测值，实质则为：将预测时间代入各个预测函数的表达式中，而各预测函数的函数值则为拟合值。
在得到拟合值后，即可计算拟合值与历史销量数据的差值，来得出残差，如下述步骤S32所示。
S32.根据各预测函数在所述预测时间内的拟合值，以及所述历史销量数据，计算出各预测函数的残差；具体的，可使用如下公式计算残差：
Figure BDA0003596778300000123
且T1＝1,...,n式中，ε(T1)表示残差，
Figure BDA0003596778300000124
表示时间T1内的拟合值，y(T1)表示时间T1内的历史销量数据；在此要说明的是，时间T1在各预测函数中表示的是预测时间，而对于y(T1)，则表示的是销售时间T1内的历史销量数据；如在前述销售时间为当前时间的前一年的基础上进行举例，当T1为1时，
Figure BDA0003596778300000125
表示预测时间为2022年的第一个月内的拟合值，而y(T1)表示2021的第一个月内的历史销量数据；当然，T1为其余值时表示的含义与前述举例相同，于此不再赘述。
在得到各个预测函数的残差后，即可基于残差，建立权重模型，如下述步骤S33所示。
S33.基于各预测函数的残差，建立权重模型；具体应用时，可以但不限于利用残差的平方，建立权重模型，其中，权重模型表达式如下所示：
Figure BDA0003596778300000131
式中，ωi表示第i个预设阐述的预测权重，i＝1,...,z，其中，z表示预测函数的总个数。
在构建前述权重模型后，即可基于权重模型得到权重向量，以便基于权重向量来得出各各预测函数的预测权重，其中，计算过程如下述步骤S34和步骤S35所示。
S34.根据所述权重模型，得出各预测函数的权重向量。
S35.利用所述权重向量，得出所述各预测函数的预测权重。
具体的可以但限于对ωi求导，然后得出权重向量；其中，求导后的表达式如下：
Figure BDA0003596778300000132
由此，即可基于前述求导后的表达式，并利用矩阵论来得出权重向量W，并基于权重向量得出各预测函数的预测权重。
具体的：
W＝(DTD)-1DTV
Figure BDA0003596778300000133
Figure BDA0003596778300000141
由此，基于前述矩阵D和V，再借助前述权重向量W的表达式，即可得出各个预测函数的预测权重，即ω＝(ω1,ω2,...,ωz)。
在得出各预测函数的预测权重后，即可利用预测权重以及各预测函数构建出销量预测模型，如下述步骤S4所示。
S4.基于所述多个商品销量预测函数，以及所述多个商品销量预测函数中各预测函数的预测权重，构建销量预测模型；可选的，预测模型的构建过程具体为：第一步：计算各预测函数与对应预测权重的乘积，得到各预测函数的优化函数；第二步：求和各优化函数，得到所述销量预测模型；由此通过前述阐述，即可得出基于三种预测函数的组合模型，以便后续利用该组合模型来进行待预测商品销量的预测，如下述步骤S5所示。
S5.利用所述销量预测模型，得出所述待预测商品在预测时间内的销量值；具体的，直接将预测时间代入前述销量预测模型中，即可得出待预测商品在预测时间内的销量值，即前述步骤S5的实质为：将预测时间代入各个预测函数中，求出各个预测函数对应的预测值，然后与各预测函数的预测权重相乘，即可得出各预测函数的实际预测值，最后将各个预测函数的实际预测值相加，即可得出销量值。
在得到销量值后，即可结合库存量，来计算出补货量以及补货时间，从而生成补货请求，如下述步骤S6所示。
S6.若所述销量值大于所述库存量，则生成补货请求，其中，所述补货请求包括补货时间以及补货量；具体的，所述预测时间的最小单位为天，且补货请求的生成过程如下述步骤S61～S67所示。
S61.根据所述销量值，确定所述待预测商品在目标时间内的销量，其中，所述目标时间为所述预测时间内的每一天；具体的，可以但不限于使用销量值除以预测时间内的总天数，来得出目标时间内的销量；还是在前述举例的基础上进行阐述：假设预测待预测商品丁香在2022年第一个月的销量值为30包，那么，目标时间内的销量则是1包，同理，若2022年第二个月的销量值为35包，那么在前两个月对应的目标时间内的销量则是1.08包，在本实施例中，不足1包按照1包算，因此，前两个月对应的目标时间内的销量则是2包，当然，其余不同销量值，所对应的目标时间内的销量的计算原理与前述举例一致，于此不多加赘述。
S62.根据所述待预测商品在目标时间内的销量以及所述库存量，得出所述待预测商品的库存使用时间；具体应用时，使用库存量除以目标时间内的销量，来得出库存使用时间，如库存量为30包，目标时间内的销量为1.08，那么库存使用时间则为：27.7天，在本实施例中，不足一天按照0天算，即库存使用时间为27天。
在得到库存使用时间后，即可进行补货时间的计算，如下述步骤S63和步骤S64所示。
S63.获取所述待预测商品在目标历史时间内每次补货的历史补货量以及所使用的补货时长，其中，所述目标历史时间为所述历史销量数据对应的销售时间。
S64.根据所述库存使用时间和所述补货时长，得出所述补货时间。
具体的，补货时间为：库存使用时间-(补货平均时长)。
例如，若目标历史时间内共计补货次数为5次，每次的补货时间为2天、3天、2.5天、3天以及2天，那么，补货时间则为：27-2.5＝24.5；因此，补货时间为：提前3天进行补货，假设是从2022年1月1日开始起算，其库存使用时间为27天，则使用到2022年1月27日则会缺货，因此，补货时间则为2022年1月24日。
在得到补货时间后，即可进行补货量的计算，如下述步骤S65和步骤S66所示。
S65.对所述历史补货量以及所述历史销量数据进行线性回归分析，得出基于销量和补货量的线性回归模型。
S66.将所述销量值输入所述线性回归模型，得到所述补货量。
前述步骤S65和步骤S66的原理为：利用线性回归算法，对历史补货量以及所述历史销量数据进行线性回归处理，以确定二者间相互依赖的定量关系，该定量关系则是线性回归模型，实质为线性回归表达式；最后，将前述经过销量预测模型预测出的销量值代入该线性回归回归表达式，即可得出补货量。
在得出补货量以及补货时间后，即可结合待预测商品的库存地址，生成补货请求，如下述步骤S67所示。
S67.获取目标地址，并基于所述目标地址、所述补货时间和所述补货量，生成所述补货请求，其中，所述目标地址为所述待预测商品的库存地址；具体应用时，待预测商品的库存地址预设至商家终端中，使用时调用即可。
在生成补货请求后，即可向待预测商品的供应商家发送该补货请求，以使待预测商品的供应商家依据补货请求中的补货时间以及补货量对待预测商品进行补货，其具体过程如下述步骤S7所示。
S7.向目标商家发送所述补货请求，以使所述目标商家根据所述补货请求对所述待预测商品进行补货，其中，所述目标商家为所述待预测商品的供应商家；具体应用时，当目标商家接收到补货请求后，会向商家终端发送接收反馈(如：会按照补货请求规定的补货时间以及补货量进行发货)，以便通知商家终端。
由此通过前述步骤S1～S7所示详细描述的中药商品的补货方法，本发明通过待预测商品的历史销量时序信息来构建多函数的销量预测模型，并基于该模型来得出待预测商品在预测时间内的销售量，最后，基于销售量以及库存量来得出补货量以及补货时间；由此，借用数学分析的方法来进行补货量的计算，不仅提高了补货量预测的准确率，还避免了补货量过大或过小的问题，适用于大规模应用与推广。
如图3所示，本实施例第二方面提供了一种实现实施例第一方面中所述的中药商品的补货方法的硬件装置，包括：
获取单元，用于获取待预测商品的历史销量时序信息以及库存量。
函数建立单元，用于基于所述历史销量时序信息，建立多个商品销量预测函数，其中，所述多个商品销量预测函数包括三次指数平滑预测函数、灰色预测函数以及基于市场容量的预测函数。
权重计算单元，用于根据所述历史销量时序信息和所述多个商品销量预测函数，确定所述多个商品销量预测函数中各预测函数的预测权重。
模型构建单元，用于基于所述多个商品销量预测函数，以及所述多个商品销量预测函数中各预测函数的预测权重，构建销量预测模型。
预测单元，用于利用所述销量预测模型，得出所述待预测商品在预测时间内的销量值。
补货单元，用于在所述销量值大于所述库存量时，生成补货请求，其中，所述补货请求包括补货时间以及补货量。
发送单元，用于向目标商家发送所述补货请求，以使所述目标商家根据所述补货请求对所述待预测商品进行补货，其中，所述目标商家为所述待预测商品的供应商家。
本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图4所示，本实施例第三方面提供了另一种中药商品的补货装置，以装置为电子设备为例，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面所述的中药商品的补货方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(random accessmemory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现，同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，NPU)的处理器；所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的中药商品的补货方法的指令的存储介质，即所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的中药商品的补货方法。
其中，所述存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的中药商品的补货方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种中药商品的补货方法，其特征在于，包括：
获取待预测商品的历史销量时序信息以及库存量；
基于所述历史销量时序信息，建立多个商品销量预测函数，其中，所述多个商品销量预测函数包括三次指数平滑预测函数、灰色预测函数以及基于市场容量的预测函数；
根据所述历史销量时序信息和所述多个商品销量预测函数，确定所述多个商品销量预测函数中各预测函数的预测权重；
基于所述多个商品销量预测函数，以及所述多个商品销量预测函数中各预测函数的预测权重，构建销量预测模型；
利用所述销量预测模型，得出所述待预测商品在预测时间内的销量值；
若所述销量值大于所述库存量，则生成补货请求，其中，所述补货请求包括补货时间以及补货量；
向目标商家发送所述补货请求，以使所述目标商家根据所述补货请求对所述待预测商品进行补货，其中，所述目标商家为所述待预测商品的供应商家。
2.如权利要求1所述的方法，其特征在于，所述历史销量时序信息包括历史销量数据以及历史销量数据对应的销售时间，其中，所述销售时间的时间单位为一天、一周或一月；
相应的，基于所述历史销量时序信息，建立三次指数平滑预测函数，包括：
利用所述历史销量数据，计算得到所述待预测商品在所有销售时间内的第一次平滑值、第二次平滑值以及第三次平滑值；
获取平滑系数，并基于所述平滑系数、所述第一次平滑值、所述第二次平滑值以及所述第三次平滑值，得到三个平滑预测参数；
以所述三个平滑预测参数为二次函数的常数，并以所述预测时间为二次函数的变量，以及所述销量值为二次函数的函数值，构建得到所述三次指数平滑预测函数。
3.如权利要求1所述的方法，其特征在于，所述历史销量时序信息包括历史销量数据以及历史销量数据对应的销售时间，其中，所述销售时间的时间单位为一天、一周或一月；
相应的，基于所述历史销量时序信息，建立灰色预测函数，包括：
对所述历史销量数据中的每个历史销量数据进行一次累加，得到待预测商品的历史销量累加数据集合；
基于所述历史销量累加数据集合，建立灰微分方程；
利用所述历史销量累加数据集合，构建方程参数矩阵；
利用最小二乘法以及所述方程参数矩阵，求解所述灰微分方程，以得出以所述预测时间为变量的销量预测函数；
基于所述销量预测函数，得出所述灰色预测函数。
4.如权利要求1所述的方法，其特征在于，所述历史销量时序信息包括历史销量数据以及历史销量数据对应的销售时间，其中，所述销售时间的时间单位为一天、一周或一月；
相应的，基于所述历史销量时序信息，建立基于市场容量的预测函数，包括：
获取所述待预测商品的市场容量；
基于所述历史销量数据以及对应的销售时间，计算得到所述待预测商品在任一销售时间内的增长率；
根据所述市场容量和所述历史销量数据，得到待预测商品的潜在容量；
以所述潜在容量为常量、所述预测时间为变量以及所述增长率为函数值，建立销量预测微分方程；
对所述销量预测微分方程求解，得到以所述预测时间为变量，以及所述待预测商品在所述预测时间内的销量值为函数值的常微分方程，以将所述常微分方程作为所述基于市场容量的预测函数。
5.如权利要求1所述的方法，其特征在于，所述历史销量时序信息包括历史销量数据，其中，根据所述历史销量时序信息和所述多个商品销量预测函数，确定所述多个商品销量预测函数中各预测函数的预测权重，包括：
计算所述多个商品销量预测函数中各预测函数在所述预测时间内的拟合值；
根据各预测函数在所述预测时间内的拟合值，以及所述历史销量数据，计算出各预测函数的残差；
基于各预测函数的残差，建立权重模型；
根据所述权重模型，得出各预测函数的权重向量；
利用所述权重向量，得出所述各预测函数的预测权重。
6.如权利要求1所述的方法，其特征在于，基于所述多个商品销量预测函数，以及所述多个商品销量预测函数中各预测函数的预测权重，得出销量预测模型，包括：
计算各预测函数与对应预测权重的乘积，得到各预测函数的优化函数；
求和各优化函数，得到所述销量预测模型。
7.如权利要求1所述的方法，其特征在于，所述历史销量时序信息包括历史销量数据以及历史销量数据对应的销售时间，且所述预测时间的最小单位为天；
其中，若所述销量值大于所述库存量，则生成补货请求，包括：
根据所述销量值，确定所述待预测商品在目标时间内的销量，其中，所述目标时间为所述预测时间内的每一天；
根据所述待预测商品在目标时间内的销量以及所述库存量，得出所述待预测商品的库存使用时间；
获取所述待预测商品在目标历史时间内每次补货的历史补货量以及所使用的补货时长，其中，所述目标历史时间为所述历史销量数据对应的销售时间；
根据所述库存使用时间和所述补货时长，得出所述补货时间；以及
对所述历史补货量以及所述历史销量数据进行线性回归分析，得出基于销量和补货量的线性回归模型；
将所述销量值输入所述线性回归模型，得到所述补货量；
获取目标地址，并基于所述目标地址、所述补货时间和所述补货量，生成所述补货请求，其中，所述目标地址为所述待预测商品的库存地址。
8.一种中药商品的补货装置，其特征在于，包括：
获取单元，用于获取待预测商品的历史销量时序信息以及库存量；
函数建立单元，用于基于所述历史销量时序信息，建立多个商品销量预测函数，其中，所述多个商品销量预测函数包括三次指数平滑预测函数、灰色预测函数以及基于市场容量的预测函数；
权重计算单元，用于根据所述历史销量时序信息和所述多个商品销量预测函数，确定所述多个商品销量预测函数中各预测函数的预测权重；
模型构建单元，用于基于所述多个商品销量预测函数，以及所述多个商品销量预测函数中各预测函数的预测权重，构建销量预测模型；
预测单元，用于利用所述销量预测模型，得出所述待预测商品在预测时间内的销量值；
补货单元，用于在所述销量值大于所述库存量时，生成补货请求，其中，所述补货请求包括补货时间以及补货量；
发送单元，用于向目标商家发送所述补货请求，以使所述目标商家根据所述补货请求对所述待预测商品进行补货，其中，所述目标商家为所述待预测商品的供应商家。
9.一种电子设备，其特征在于，其特征在于，包括：依次相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7任意一项所述的中药商品的补货方法。
10.一种存储介质，其特征在于，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7任意一项所述的中药商品的补货方法。
CN202210394343.5A 2022-04-14 2022-04-14 一种中药商品的补货方法、装置、电子设备及存储介质 Pending CN114757703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210394343.5A CN114757703A (zh) 2022-04-14 2022-04-14 一种中药商品的补货方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210394343.5A CN114757703A (zh) 2022-04-14 2022-04-14 一种中药商品的补货方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114757703A true CN114757703A (zh) 2022-07-15

Family

ID=82331743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210394343.5A Pending CN114757703A (zh) 2022-04-14 2022-04-14 一种中药商品的补货方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114757703A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957739A (zh) * 2023-08-01 2023-10-27 黑龙江大学 一种交易中介系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971249A (zh) * 2017-05-05 2017-07-21 北京挖玖电子商务有限公司 一种销量预测及补货方法
CN109785003A (zh) * 2019-01-17 2019-05-21 四川骏逸富顿科技有限公司 一种药品零售行业药品销售预测系统及方法
CN109949095A (zh) * 2019-03-21 2019-06-28 中国联合网络通信集团有限公司 补货方法及设备
CN110363454A (zh) * 2018-04-09 2019-10-22 杉数科技(北京)有限公司 用于确定商品补货量的方法及装置
CN111340421A (zh) * 2020-02-19 2020-06-26 广东卓志供应链科技有限公司 一种采购方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971249A (zh) * 2017-05-05 2017-07-21 北京挖玖电子商务有限公司 一种销量预测及补货方法
CN110363454A (zh) * 2018-04-09 2019-10-22 杉数科技(北京)有限公司 用于确定商品补货量的方法及装置
CN109785003A (zh) * 2019-01-17 2019-05-21 四川骏逸富顿科技有限公司 一种药品零售行业药品销售预测系统及方法
CN109949095A (zh) * 2019-03-21 2019-06-28 中国联合网络通信集团有限公司 补货方法及设备
CN111340421A (zh) * 2020-02-19 2020-06-26 广东卓志供应链科技有限公司 一种采购方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
暨育雄，沈煜编: "《交通数据采集与分析》", 31 March 2022, 同济大学出版社, pages: 151 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957739A (zh) * 2023-08-01 2023-10-27 黑龙江大学 一种交易中介系统及其方法
CN116957739B (zh) * 2023-08-01 2024-04-19 黑龙江大学 一种交易中介系统及其方法

Similar Documents

Publication Publication Date Title
Chen et al. Multi-objective optimization of multi-echelon supply chain networks with uncertain product demands and prices
Meissner et al. Approximate dynamic programming for lateral transshipment problems in multi-location inventory systems
Gupta et al. An application of genetic algorithm in solving an inventory model with advance payment and interval valued inventory costs
Liang et al. Agent-based demand forecast in multi-echelon supply chain
Kamali et al. A multi-objective quantity discount and joint optimization model for coordination of a single-buyer multi-vendor supply chain
Nachiappan et al. A genetic algorithm for optimal operating parameters of VMI system in a two-echelon supply chain
Kiesmüller et al. An inventory model with dependent product demands and returns
Qiu et al. A robust optimization approach for multi-product inventory management in a dual-channel warehouse under demand uncertainties
US9715702B2 (en) System and method for determining retail-business-rule coefficients from current prices
CN111932161B (zh) 针对物品的车辆调度方法、装置、电子设备和计算机介质
US11687875B2 (en) Distribution-independent inventory approach under multiple service level targets
CN111815198B (zh) 一种门店补货方法、装置和设备
CN114118503A (zh) 供应链库存优化方法、装置、设备和存储介质
WO2022247741A1 (zh) 商品对象价格信息处理方法、装置及电子设备
Brander et al. Lot sizes in a capacity constrained facility—a simulation study of stationary stochastic demand
WO2023020255A1 (zh) 数据处理方法、装置、设备及存储介质
Sharma et al. An inventory model for decaying items, considering multi variate consumption rate with partial backlogging
Fumero et al. A multiproduct batch plant design model incorporating production planning and scheduling decisions under a multiperiod scenario
CN114757703A (zh) 一种中药商品的补货方法、装置、电子设备及存储介质
CN111768243A (zh) 销量预测方法、预测模型构建方法、装置、设备及介质
Dominey et al. Performance of approximations for compound Poisson distributed demand in the newsboy problem
Liu et al. Joint optimization of lot-sizing and pricing with backlogging
US8086520B2 (en) Constraint satisfaction for solutions to an auction winner-determination problem
Dominguez et al. Model for integrating the supply chain of an appliance company: a value of information approach
Li et al. The Impacts of Fairness Concern and Different Business Objectives on the Complexity of Dual‐Channel Value Chains

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