CN114971449A - 物品库存管理方法、装置、电子设备与介质 - Google Patents
物品库存管理方法、装置、电子设备与介质 Download PDFInfo
- Publication number
- CN114971449A CN114971449A CN202110211580.9A CN202110211580A CN114971449A CN 114971449 A CN114971449 A CN 114971449A CN 202110211580 A CN202110211580 A CN 202110211580A CN 114971449 A CN114971449 A CN 114971449A
- Authority
- CN
- China
- Prior art keywords
- sample
- replenishment
- submodel
- probability
- neural network
- 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
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种物品库存管理方法、装置、电子设备与介质。其中,物品库存管理方法包括:采集第一物品放置区的生物体征数据;采集第一物品放置区所属区域的第一地理位置数据、天气数据和时间数据;将生物体征数据、第一地理位置数据、天气数据和时间数据输入至训练后的神经网络模型,训练后的神经网络模型的输出为第一物品放置区的补货概率。通过本公开的技术方案,不仅提升了预测补货量的准确性和可靠性,还提高了库存管理的效率,降低了物品报损比例。
Description
技术领域
本公开涉及物品库存管理技术领域,具体而言,涉及一种物品库存管理方法、物品库存管理装置、电子设备与计算机可存储介质。
背景技术
目前,无人超市是指在超市中没有营业员,购物付款等相关交易流程全部由顾客自助完成的超市。
相关技术中,无人超市的商品库存管理的效率低下,无法准确预测补货商品的数量,这就可能导致商品缺货或者商品滞销,无疑会增加运营成本和保质期短的商品的报损比例。
需要说明的是,在上述背景技术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了一种物品库存管理方法、物品库存管理装置、电子设备与介质,至少在一定程度上克服了补货概率不准确的问题。
根据本公开实施例的一方面,提供一种物品库存管理方法,包括:采集第一物品放置区的生物体征数据;采集第一物品放置区所属区域的第一地理位置数据、天气数据和时间数据;将生物体征数据、第一地理位置数据、天气数据和时间数据输入至训练后的神经网络模型,训练后的神经网络模型的输出为第一物品放置区的补货概率。
在本公开的一种示例性实施例中,物品库存管理方法还包括:获取在第二物品放置区的生物体征样本;根据第二物品放置区的出货记录确定补货概率样本;获取第二物品放置区所属区域的第二地理位置样本、天气样本和时间样本;以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,神经网络模型包括级联的第一子模型和第二子模型,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练包括:以第二地理位置样本作为第一子模型的输入样本,获取第一子模型输出的第一补货概率样本;以天气样本作为第一子模型的输入样本,获取第一子模型输出的第二补货概率样本;以时间样本作为第一子模型的输入样本,获取第一子模型输出的第三补货概率样本;以生物体征样本作为第一子模型的输入样本,获取第一子模型输出的第四补货概率样本;以第一补货概率样本、第二补货概率样本、第三补货概率样本和第四补货概率样本作为第二子模型的输入样本,以补货概率样本作为第二子模型输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,神经网络模型包括级联的第三子模型和第四子模型,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练包括:将第二地理位置样本、天气样本、时间样本和生物体征样本中的三个绑定为第一样本集合;将剩下第二地理位置样本、天气样本、时间样本和生物体征样本中的另一个作为第二样本集合;以第一样本集合作为第三子模型的输入样本,获取第三子模型输出的第一集合补货概率样本;以第二样本集合作为第三子模型的输入样本,获取第三子模型输出的第二集合补货概率样本;以第一集合补货概率样本与第二集合补货概率样本作为第四子模型的输入样本,以补货概率样本作为第四子模型模型输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,神经网络模型包括级联的第五子模型和第六子模型,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练包括:将第二地理位置样本、天气样本、时间样本和生物体征样本中的两个绑定为第三样本集合;将剩下第二地理位置样本、天气样本、时间样本和生物体征样本中的两个作为第四样本集合;以第三样本集合作为第五子模型的输入样本,获取第五子模型输出的第三集合补货概率样本;以第四样本集合作为第五子模型的输入样本,获取第五子模型输出的第四集合补货概率样本;以第三集合补货概率样本与第四集合补货概率样本作为第六子模型的输入样本,以补货概率样本作为第六子模型输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,神经网络模型包括级联的第七子模型和第八子模型,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练包括:将第二地理位置样本、天气样本、时间样本和生物体征样本中的两个绑定为第五样本集合;将剩下第二地理位置样本、天气样本、时间样本和生物体征样本中的一个作为第六样本集合;将剩下第二地理位置样本、天气样本、时间样本和生物体征样本中的另一个作为第七样本集合;以第五样本集合作为第七子模型的输入样本,获取第七子模型输出的第五集合补货概率样本;以第六样本集合作为第七子模型的输入样本,获取第七子模型输出的第六集合补货概率样本;以第七样本集合作为第七子模型的输入样本,获取第七子模型输出的第七集合补货概率样本;以第五集合补货概率样本、第六集合补货概率样本和第七集合补货概率样本作为第八子模型的输入样本,以补货概率样本作为第八子模型的输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,出货记录包括物品名称,根据第二物品放置区的出货记录确定补货概率样本包括:根据出货记录获取在指定时间内的物品名称对应的物品购买次数;根据物品名称和物品购买次数确定在指定时间内的物品购买量;获取第二物品放置区的物品库存量;根据物品购买量和物品库存量获取物品的补货量;根据补货量和物品库存量确定补货概率样本。
在本公开的一种示例性实施例中,物品库存管理方法还包括:获取第二物品放置区的物品的保质期样本或库存时长样本;以保质期样本或库存时长样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,物品库存管理方法还包括:获取第二物品放置区的物品的促销时段样本;以促销时段样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,物品库存管理方法还包括:确定生物体征数据中包括图像、声音、指纹、虹膜、身高、体重中的至少一种;确定生物体征数据所属的地理位置数据;根据地理位置数据对生物体征数据进行修正。
根据本公开实施例的另一方面,提供一种物品库存管理装置,包括:第一采集模块,用于采集第一物品放置区的生物体征数据;第二采集模块,用于采集第一物品放置区所属区域的第一地理位置数据、天气数据和时间数据;模型计算模块,用于将生物体征数据、第一地理位置数据、天气数据和时间数据输入至训练后的神经网络模型,训练后的神经网络模型的输出为第一物品放置区的补货概率。
根据本公开的另一方面,提供一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行如上述任意一项的物品库存管理方法。
根据本公开的另一方面,提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如上述任意一项的物品库存管理方法。
本公开实施例的技术方案,通过将所述生物体征数据、所述第一地理位置数据、所述天气数据和所述时间数据输入至训练后的神经网络模型,不仅提升了预测补货量的准确性和可靠性,还提高了库存管理的效率,降低了物品报损比例。
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示出本公开示例性实施例中一种物品库存管理方法的流程图;
图2示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图3示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图4示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图5示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图6示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图7示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图8示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图9示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图10示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图11示出本公开示例性实施例中另一种物品库存管理方法的流程图;
图12示出本公开示例性实施例中一种物品库存管理装置的框图;
图13示出本公开示例性实施例中一种电子设备的框图。
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。
此外,附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的分,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。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
接下来对本公开中的一些技术术语进行解释说明。
人工神经网络(Artificial Neural Networks,ANNs):也简称为神经网络(NeuralNetworks,NNs)或称作连接模型(Connection Model,CM),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。人工神经网络也可以表示一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,故而在工程与学术界也常称为“神经网络”或“类神经网络”。
另外,神经网络包括“训练”和“使用”两个步骤。对于一个图像来说,就是先对图像进行预处理,包括训练数据和测试数据,通过训练的数据来调节参数,使用测试数据来测试模型的效果,最后得到与之前都不一样的新数据。
神经网络根据中间功能层的不同分为不同的神经网,包括全连接神经网络(FullyConnected Neural Network,FNN)、卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)。
在一个实施例中,全连接神经网络包括输入层、中间层和输出层。其特点是每一层是全连接层,即每一层的每个神经元与上一层所有神经元都有连接,不仅可以保证多个全连接层从不同角度提取特征。另外,全连接层作为输出层可以同时具有分类和数值预测的功能,还可以在所有的神经网络中使用。全连接神经网络的缺点是权重多,计算量大。其中,中间层可以包括单层或多层,多层可以为两层或两层以上,但不限于此。
在一个实施例中,卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层。其中,卷积层相当于滤镜,通过将图片进行分块,对每一块进行特征处理,从而提取特征。而池化层通过对提取的高维特征进行降维。全连接层可以将空间排列的特征化成一维的向量。
在一个实施例中,循环神经网络包括输入层、中间层和输出层。其中中间层的输出可以和下一个样本数据一起作为输入,也叫循环层。因此循环神经网络具有记忆样本之间相关联系的能力。
在一个实施例中,在训练神经网络模型时,使用损失函数来度量实际输出和期望输出之间的不一致程度,并进一步指导神经网络的学习。针对不同的问题,有不同的损失函数。可例如,针对回归问题(连续变量输出型)具有平方损失函数,针对分类问题(离散变量输出型)具有对数损失函数和交叉熵损失函数。
在一个实施例中,以两层神经网络为例,两层神经网络的结构可以包括:输入层、隐藏层和输出层。在本公开实施例中,输入层可以使用坐标值来表示,例如(1,1),这是一个包含两个元素的数组,也可以看作是一个1×2的矩阵。输入层的元素维度与输入量的特征息息相关,如果输入的是一张32×32像素的灰度图像,那么输入层的维度就是32×32。同样,隐藏层也可以看作为矩阵,即设定隐藏层为50维(也可以理解成50个神经元),隐藏层的矩阵为(1×50)的矩阵。在输入层使用矩阵运算,可以得到隐藏层。在每个隐藏层进行矩阵线性运算之后,都需要加一层激活层。
在本公开的技术方案中,“第一、第二、第三、第四、第五、第六、第七和第八”等仅用于对实施例的解释说明。
在本公开的技术方案中,首先训练神经网络模型,随后使用训练好的神经网络模型预测补货概率。神经网络模型接收多个输入,产生一个输出。在训练过程中,使用第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入,将补货概率作为神经网络模型的输出结果。
下面结合附图对本公开示例实施方式进行详细说明。
图1是本公开示例性实施例中物品库存管理方法的流程图。
如图1所示,物品库存管理方法包括:
步骤S102,采集第一物品放置区的生物体征数据。
步骤S104,采集第一物品放置区所属区域的第一地理位置数据、天气数据和时间数据。
步骤S106,将生物体征数据、第一地理位置数据、天气数据和时间数据输入至训练后的神经网络模型,训练后的神经网络模型的输出为第一物品放置区的补货概率。
在上述实施例中,将生物体征数据、第一地理位置数据、天气数据和时间数据输入至训练后的神经网络模型,训练后的神经网络模型的输出为第一物品放置区的补货概率,不仅提升了预测补货量的准确性和可靠性,还提高了库存管理的效率,降低了物品报损比例。
在一个实施例中,生物体征数据反映了消费者类型,不同消费者类型的购买需求不同,因此,不同消费者类型对补货概率的影响也不同,同理,地理位置数据、天气数据和时间数据也直接或间接地反映了消费者类型和客流量等因素,也即综合根据生物体征数据、第一地理位置数据、天气数据和时间数据对补货概率进行更为准确地预测。
在一个实施例中,在输入至训练后的神经网络模型前,判断生物体征数据、第一地理位置数据、天气数据和时间数据中的任一数据是否存在异常数据,若存在异常数据,则将异常数据以空值的形式输入至神经网络模型进行预测。
在一个实施例中,第一物品放置区可以包括仓库和购物区,但不限于此。
在一个实施例中,第一地理位置可以包括商品售卖区和仓库所在地,但不限于此。
在一个实施例中,天气数据可以包括气候资料和天气资料,但不限于此。
在一个实施例中,气候资料指的是用常规气象仪器和专业气象器材所观测到各种原始资料的集合以及加工、整理、整编所形成的各种资料。
在一个实施例中,天气资料是为天气分析和预报服务的一种实时性很强的气象资料。
在一个实施例中,时间数据可以包括日期数据和时间数据,包括年、月、日、时、分、秒等,但不限于此。
如图2所示,物品库存管理方法还包括:
步骤S202,获取在第二物品放置区的生物体征样本。
步骤S204,根据第二物品放置区的出货记录确定补货概率样本。
步骤S206,获取第二物品放置区所属区域的第二地理位置样本、天气样本和时间样本。
步骤S208,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练。
在一个实施例中,为神经网络模型的输入样本设置相应的权重,提高了神经网络模型的计算结果的准确率,进而增加了补货概率的预测准确性。
在一个实施例中,上述输入样本包括第二地理位置样本、天气样本、时间样本和生物体征样本,判断输入样本是否存在异常样本,若判定存在异常样本,则将异常样本以空值的形式输入至神经网络模型进行训练,适用于本公开的所有训练过程的实施例,后文不再赘述。
在一个实施例中,第二地理位置样本可以包括仓储区和售卖区,但不限于此。
如图3所示,神经网络模型包括级联的第一子模型和第二子模型,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练包括:
步骤S302,以第二地理位置样本作为第一子模型的输入样本,获取第一子模型输出的第一补货概率样本。
步骤S304,以天气样本作为第一子模型的输入样本,获取第一子模型输出的第二补货概率样本。
步骤S306,以时间样本作为第一子模型的输入样本,获取第一子模型输出的第三补货概率样本。
步骤S308,以生物体征样本作为第一子模型的输入样本,获取第一子模型输出的第四补货概率样本。
在一个实施例中,通过将第二地理位置、天气样本、时间样本和生物体征样本分别进行第一子模型的训练,并根据四个补货概率样本来对第一子模型进行参数调整,有利于提升模型训练的效率和概率预测的准确性。
步骤S310,以第一补货概率样本、第二补货概率样本、第三补货概率样本和第四补货概率样本作为第二子模型的输入样本,以补货概率样本作为第二子模型输出结果,对神经网络模型进行训练。
在上述实施例中,通过将第一补货概率样本、第二补货概率样本、第三补货概率样本和第四补货概率样本作为第二子模型的输入样本,即通过第一子模型的四个输出的补货概率,作为第二子模型的输入样本进行训练,进而根据损失函数对第二子模型进行参数调整,进一步地提升了模型训练的效率和概率预测的准确性。。
如图4所示,神经网络模型包括级联的第三子模型和第四子模型,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练包括:
步骤S402,将第二地理位置样本、天气样本、时间样本和生物体征样本中的三个绑定为第一样本集合。
步骤S404,将剩下第二地理位置样本、天气样本、时间样本和生物体征样本中的另一个作为第二样本集合。
步骤S406,以第一样本集合作为第三子模型的输入样本,获取第三子模型输出的第一集合补货概率样本。
步骤S408,以第二样本集合作为第三子模型的输入样本,获取第三子模型输出的第二集合补货概率样本。
在上述实施例中,通过将第二地理位置样本、天气样本、时间样本和生物体征样本划分为第一样本集合和第二样本集合,并输入至第三子模型,进而根据第三子模型的输出结果进行参数调整,并且由于第三子模型的输入样本的混合组合,丰富了第三子模型的训练样本,进一步地提升了模型训练的效率和概率预测的准确性。
步骤S410,以第一集合补货概率样本与第二集合补货概率样本作为第四子模型的输入样本,以补货概率样本作为第四子模型模型输出结果,对神经网络模型进行训练。
在上述实施例中,通过以第一集合补货概率样本与第二集合补货概率样本作为第四子模型的输入样本,以补货概率样本作为第四子模型模型输出结果,根据第四子模型的输出结果进行参数调整,进一步地提升了模型训练的效率和概率预测的准确性。
如图5所示,神经网络模型包括级联的第五子模型和第六子模型,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练包括:
步骤S502,将第二地理位置样本、天气样本、时间样本和生物体征样本中的两个绑定为第三样本集合。
步骤S504,将剩下第二地理位置样本、天气样本、时间样本和生物体征样本中的两个作为第四样本集合。
步骤S506,以第三样本集合作为第五子模型的输入样本,获取第五子模型输出的第三集合补货概率样本。
步骤S508,以第四样本集合作为第五子模型的输入样本,获取第五子模型输出的第四集合补货概率样本。
在上述实施例中,通过第二地理位置样本、天气样本、时间样本和生物体征样本划分为第三样本集合和第四样本集合,输入至第五子模型进行训练,并根据训练结果对第五子模型的配置参数进行调整,进一步地提升了模型训练的效率和概率预测的准确性。
步骤S510,以第三集合补货概率样本与第四集合补货概率样本作为第六子模型的输入样本,以补货概率样本作为第六子模型输出结果,对神经网络模型进行训练。
在上述实施例中,通过将第三集合补货概率样本与第四集合补货概率样本作为第六子模型的输入样本,对第六子模型进行训练和配置参数的调整,进一步地提升了模型训练的效率和概率预测的准确性。
如图6所示,神经网络模型包括级联的第七子模型和第八子模型,以第二地理位置样本、天气样本、时间样本和生物体征样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练包括:
步骤S602,将第二地理位置样本、天气样本、时间样本和生物体征样本中的两个绑定为第五样本集合。
步骤S604,将剩下第二地理位置样本、天气样本、时间样本和生物体征样本中的一个作为第六样本集合。
步骤S606,将剩下第二地理位置样本、天气样本、时间样本和生物体征样本中的另一个作为第七样本集合。
步骤S608,以第五样本集合作为第七子模型的输入样本,获取第七子模型输出的第五集合补货概率样本。
步骤S610,以第六样本集合作为第七子模型的输入样本,获取第七子模型输出的第六集合补货概率样本。
步骤S612,以第七样本集合作为第七子模型的输入样本,获取第七子模型输出的第七集合补货概率样本。
在上述实施例中,通过将第二地理位置样本、天气样本、时间样本和生物特征样本划分为第五样本集合、第六样本集合和第七样本集合,并输入至第七子模型进行训练和配置参数的调整,丰富了第七子模型的样本组合方式和样本量,进一步地提高了模型训练的效率和概率预测的准确性。
步骤S614,以第五集合补货概率样本、第六集合补货概率样本和第七集合补货概率样本作为第八子模型的输入样本,以补货概率样本作为第八子模型的输出结果,对神经网络模型进行训练。
在上述实施例中,通过将第五集合补货概率样本、第六集合补货概率样本和第七集合补货概率样本作为第八子模型的输入样本,结合补货概率样本对第八子模型进行训练,也提高了模型训练的效率和模型预测的准确性。
如图7所示,出货记录包括物品名称,根据第二物品放置区的出货记录确定补货概率样本包括:
步骤S702,根据出货记录获取在指定时间内的物品名称对应的物品购买次数。
步骤S704,根据物品名称和物品购买次数确定在指定时间内的物品购买量。
步骤S708,获取第二物品放置区的物品库存量。
步骤S710,根据物品购买量和物品库存量获取物品的补货量。
步骤S712,根据补货量和物品库存量确定补货概率样本。
在上述实施例中,通过出货记录获取在指定时间内的物品名称对应的物品购买次数,并根据物品名称和物品购买次数确定在指定时间内的物品购买量获取第二物品放置区的物品库存量,进而根据物品购买量和物品库存量获取物品的补货量,以及根据补货量和物品库存量确定了补货概率样本,提高了对物品补货量预测的准确性和可靠性,另外,通过训练后的神经网络模型来预测各个时段的补货概率,提高了物品库存的管理效率,另外,也降低了物品的报损比例。
在一个实施例中,报损商品是指在销售过程中,非人为因素而出现的产品破碎或部份缺损等品质问题,影响正常销售必须折价处理或废弃的商品,报损商品的占商品库存量的比例即为上述报损比例。
如图8所示,物品库存管理方法还包括:
步骤S802,获取第二物品放置区的物品的保质期样本或库存时长样本。
步骤S804,以保质期样本或库存时长样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练。
在上述实施例中,通过获取第二物品放置区的物品的保质期样本或库存时长样本,并以保质期样本或库存时长样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练,训练后的神经网络模型能够对不同保质期的物品的补货概率进行预测,进一步地降低了物品的报损比例。
如图9所示,物品库存管理方法还包括:
步骤S902,获取第二物品放置区的物品的促销时段样本。
步骤S904,以促销时段样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练。
在上述实施例中,通过获取第二物品放置区的物品的促销时段样本,并以促销时段样本作为神经网络模型的输入样本,以补货概率样本作为神经网络模型输出结果,对神经网络模型进行训练,另外,结合第二地理位置样本、天气样本、时间样本和生物体征样本等影响因素,训练后的神经网络模型能够对促销时段的补货概率进行更为准确地预测。
如图10所示,物品库存管理方法还包括:
步骤S1002,确定生物体征数据中包括图像、声音、指纹、虹膜、身高、体重中的至少一种。
步骤S1004,确定生物体征数据所属的地理位置数据。
步骤S1006,根据地理位置数据对生物体征数据进行修正。
在上述实施例中,通过确定生物体征数据中包括图像、声音、指纹、虹膜、身高、体重中的至少一种,并确定生物体征数据所属的地理位置数据,进而根据地理位置数据对生物体征数据进行修正,提高了生物体征数据识别的准确性,也即通过神经网络模型获得了更准确地消费者类型,进而准确预测了补货物品的补货量,提升了仓库管理的效率。
如图11所示,将商家销量数据和天气、位置、用户数据相结合,建立销量预测模型,从而对未来一段时间的产品销量进行预测:
步骤S1102,通过摄像装置获取在特定区域内的图像:实时探测采集特定区域画面,将画面实时传输至算法服务器,算法服务器通过销量预测模型进行深度训练。人工查询时将销量预测处理结果反馈至商家ERP(Enterprise Resource Planning,企业资源计划)或库存管理系统。
在一个实施例中,摄像装置可以包括摄像机、移动终端和录像机等,但不限于此。其中摄像头一般具有视频摄像或者传播和静态图像捕捉等基本功能,它是借由镜头采集图像后,由摄像头内的感光组件电路及控制组件对图像进行处理并转换成电脑所能识别的数字信号,然后借由并行端口或USB连接输入到电脑后由软件再进行图像还原。
在一个实施例中,摄像装置可以安装在自助收银装置的上方,摄像装置拍摄到的客户前来结账的区域即为特定区域,但不限于此。
在一个实施例中,用于获取图像的硬件还包括用于展示交易过程的屏幕、用于计算数据的服务器和存储交易数据的存储器等。
步骤S1104,输入A商品图像,对A商品在摄像范围内的销售情况下进行多线程识别。
在一个实施例中,可以通过建立初始库来识别商品,初始库可以包括物体识别库和年龄识别库。
在一个实施例中,物体识别库针对物体的识别进行初始模型进行正负样本训练,对无人超市中的商品进行训练,以预测商品的补货概率。后期会通过初始识别结果进行反复的正负样本训练。
在一个实施例中,年龄识别库中会先设定初始人脸年龄识别库,将年龄分为少年、青年、中年、老年4个年龄段,但不限于此。
在一个实施例中,通过年龄段动态调整当前区域人群画像的阈值。
在一个实施例中,商品可以包括特殊商品和普通商品。普通商品包括保质期较长的商品,可例如,保质期为30天-180天。特殊商品包括保质期较短的商品,可例如,保质期为3天-7天。
在一个实施例中,区域人群画像的区域可以包括学校、写字楼和居民区,但不限于此。
在一个实施例中,天气属性可以包括晴天和雨雪天,但不限于此。
在一个实施例中,日期属性可以包括工作日和休息日,但不限于此。
步骤S1106,在结账时,根据物体识别结果判断物体识别是否成功。若为是,则进入S1108,若为否,则进入S1120。
步骤S1108,判断商品是否被拿起,若为是,则进入S1110,若为否,则进入S1122。
步骤S1110,判断商品是否被买走,若为是,则进入S1112,若为否,则进入S1124。
步骤S1112,当商品实际上被买走,存储数据至出货记录。
步骤S1114,建立物品的补货概率预测模型。
步骤S1116,将数据输入至物品的补货概率预测模型,通过物品的补货概率预测模型进行深度学习。
步骤S1118,将深度学习的结果输出至商家EPR或者库存管理系统。
在一个实施例中,无人超市使用技术来优化消费者的购物体验:首先,通过图像识别技术,无人超市将对消费者进行快速面部特征识别、身份审核,完成“刷脸进店”;其次,通过物品识别和追踪技术,再结合消费者行为识别,无人超市能判断消费者的结算意图,最后通过智能闸门,从而完成“无感支付”。其中,具体识别过程为:
1.将摄像头放置于自助收款台正上方,可拍摄到人脸和商品的位置。
2.将某商品的图像输入至物体识别的模型中,将识别此商品。
3.根据当前年龄识别,动态调整当前区域人群画像的阈值,若区域属性为学校,则初始区域人群画像偏少年,但是在当前年龄识别结果中发现老年人群在当前区域人群画像中的比例大于少年人群在当前区域人群画像中的比例,则此区域人群画像阈值向老年偏移,例如,对于特殊商品薯片,在此区域中老年人群所占比例大于少年人群所占比例的情况下,区域人群画像的阈值则会相对降低。
4.当摄像特定区域检测到人的时候:
(4.1)取字母p为客户是否买走此商品的阈值,如物体检测到客户拿起商品并买走的阈值为0.8,客户拿起商品并没有买走的阈值为0.2,此阈值为客户的购买意向,通过此意向可做对应的促销活动或优化促销活动力度,以达到更好的销售。
(4.2)将此商品售出时,此区域人群画像f,客户年龄段a,此时天气情况s,当前的日期属性d同时存储,分别按照各自阈值进行模型计算。
5.当摄像特定区域检测不到商品的时候则进行以下步骤。
步骤S1120,当摄像特定区域检测到人却检测不到商品的时候,当客户离开再次检测不到人时,记录此时的时间,查询订单,此时如果有特定商品,则此商品等同拿起商品并买走的阈值,并进行数据记录。其中,记录的时间可以包括此时间前后10S的误差。
步骤S1122,若商品未被拿起,则说明客户对此商品无购买意向。
步骤S1124,若商品未被买起,则说明客户对此商品有潜在的购买意向。
在一个实施例中,以f表示区域人群画像,以a表示客户年龄段,以s表示天气情况,以d表示当前的日期属性。当商品为保质期较短的面包时,若一段时间内(如两天),销售量为T,在a、s相同,f分别为学校与写字楼,且d分别为晴天与雨雪天气。
在一个实施例中,在a、s未变的情况下,若f为写字楼,则预测物品的补货量为T×(1-d)。
在一个实施例中,若f为学校,则预测物品的补货量为T×(1-d+f),可根据未来7天的d得到未来7天的补货量的预测结果。
在一个实施例中,f阈值可以为20%,d阈值可以为10%,但不限于此。
通过上述步骤,使用物体识别的照片进行了正负样本训练,对物品的销量的计算过程和结果进行了深度学习,得到了更为精准的各条件的阈值。基于以上多维度的分析和自助售货机上的摄像头采集的图像,通过物体识别、年龄识别等计算机视觉技术,训练了预测补货概率的神经网络模型,从而提高了商品补货数量的预测准确性,不仅帮助商家进行了更好的库存管理,还提升了进货效率,同时实现了多店通用的技术方案。
在上述实施例中,基于自助售货机摄像头采集的图像,通过物体识别、年龄识别等计算机视觉技术和区域人群画像、年龄段、日期属性、天气等条件,建立神经网络模型预测了商品的补货概率,进而提高了预测补货概率的准确性、可靠性和效率,另外,也提升了库存管理的效率,降低了特殊商品的报损比例。
对应于上述方法实施例,本公开还提供了一种物品库存管理装置,可以用于执行上述方法实施例。
图12是本公开示例性实施例中一种物品库存管理装置的方框图。
参考图12,物品库存管理装置1200可以包括:
第一采集模块1202,用于采集第一物品放置区的生物体征数据。
第二采集模块1204,用于采集第一物品放置区所属区域的第一地理位置数据、天气数据和时间数据。
模型计算模块1206,用于将生物体征数据、第一地理位置数据、天气数据和时间数据输入至训练后的神经网络模型,训练后的神经网络模型的输出为第一物品放置区的补货概率。
由于物品库存管理装置1200的各功能已在其对应的方法实施例中予以详细说明,本公开于此不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备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。
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。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图13来描述根据本发明的这种实施方式的电子设备1300。图13显示的电子设备1300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13所示,电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于:上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330。
其中,上述存储单元存储有程序代码,上述程序代码可以被上述处理单元1310执行,使得上述处理单元1310执行本说明书上述“示例性方法”中描述的根据本发明各种示例性实施方式的步骤。例如,上述处理单元1310可以执行如本公开实施例所示的方法。
存储单元1320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)13201和/或高速缓存存储单元13202,还可以进一步包括只读存储单元(ROM)13203。
存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204,这样的程序模块13205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括网络环境的实现。
总线1330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1300也可以与一个或多个外部设备1400(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1300交互的设备通信,和/或与使得该电子设备1300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1350进行。并且,电子设备1300还可以通过网络适配器13130与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因网)通信。如图所示,网络适配器13130通过总线1330与电子设备1300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1300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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式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方式的方法。
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。在一些可能的实施方式中,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”中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品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、分地在用户设备上执行、作为一个独立的软件包执行、分在用户计算设备上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,可以连接到外计算设备(例如利用因网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
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它实施方案。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构思由权利要求指出。
Claims (13)
1.一种物品库存管理方法,其特征在于,包括:
采集第一物品放置区的生物体征数据;
采集所述第一物品放置区所属区域的第一地理位置数据、天气数据和时间数据;
将所述生物体征数据、所述第一地理位置数据、所述天气数据和所述时间数据输入至训练后的神经网络模型,训练后的所述神经网络模型的输出为所述第一物品放置区的补货概率。
2.根据权利要求1所述的物品库存管理方法,其特征在于,还包括:
获取在第二物品放置区的生物体征样本;
根据所述第二物品放置区的出货记录确定补货概率样本;
获取所述第二物品放置区所属区域的第二地理位置样本、天气样本和时间样本;
以所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本作为所述神经网络模型的输入样本,以所述补货概率样本作为所述神经网络模型输出结果,对所述神经网络模型进行训练。
3.根据权利要求2所述的物品库存管理方法,其特征在于,所述神经网络模型包括级联的第一子模型和第二子模型,以所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本作为所述神经网络模型的输入样本,以所述补货概率样本作为所述神经网络模型输出结果,对所述神经网络模型进行训练包括:
以所述第二地理位置样本作为所述第一子模型的输入样本,获取所述第一子模型输出的所述第一补货概率样本;
以所述天气样本作为所述第一子模型的输入样本,获取所述第一子模型输出的第二补货概率样本;
以所述时间样本作为所述第一子模型的输入样本,获取所述第一子模型输出的所述第三补货概率样本;
以所述生物体征样本作为所述第一子模型的输入样本,获取所述第一子模型输出的第四补货概率样本;
以所述第一补货概率样本、第二补货概率样本、第三补货概率样本和第四补货概率样本作为所述第二子模型的输入样本,以所述补货概率样本作为所述第二子模型输出结果,对所述神经网络模型进行训练。
4.根据权利要求2所述的物品库存管理方法,其特征在于,所述神经网络模型包括级联的第三子模型和第四子模型,以所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本作为所述神经网络模型的输入样本,以所述补货概率样本作为所述神经网络模型输出结果,对所述神经网络模型进行训练包括:
将所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本中的三个绑定为第一样本集合;
将剩下所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本中的另一个作为第二样本集合;
以所述第一样本集合作为所述第三子模型的输入样本,获取所述第三子模型输出的第一集合补货概率样本;
以所述第二样本集合作为所述第三子模型的输入样本,获取所述第三子模型输出的第二集合补货概率样本;
以所述第一集合补货概率样本与所述第二集合补货概率样本作为所述第四子模型的输入样本,以补货概率样本作为所述第四子模型模型输出结果,对所述神经网络模型进行训练。
5.根据权利要求2所述的物品库存管理方法,其特征在于,所述神经网络模型包括级联的第五子模型和第六子模型,以所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本作为所述神经网络模型的输入样本,以所述补货概率样本作为所述神经网络模型输出结果,对所述神经网络模型进行训练包括:
将所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本中的两个绑定为第三样本集合;
将剩下所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本中的两个作为第四样本集合;
以所述第三样本集合作为所述第五子模型的输入样本,获取所述第五子模型输出的第三集合补货概率样本;
以所述第四样本集合作为所述第五子模型的输入样本,获取所述第五子模型输出的第四集合补货概率样本;
以所述第三集合补货概率样本与所述第四集合补货概率样本作为所述第六子模型的输入样本,以补货概率样本作为所述第六子模型输出结果,对所述神经网络模型进行训练。
6.根据权利要求2所述的物品库存管理方法,其特征在于,所述神经网络模型包括级联的第七子模型和第八子模型,以所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本作为所述神经网络模型的输入样本,以所述补货概率样本作为所述神经网络模型输出结果,对所述神经网络模型进行训练包括:
将所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本中的两个绑定为第五样本集合;
将剩下所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本中的一个作为第六样本集合;
将剩下所述第二地理位置样本、所述天气样本、所述时间样本和所述生物体征样本中的另一个作为第七样本集合;
以所述第五样本集合作为所述第七子模型的输入样本,获取所述第七子模型输出的第五集合补货概率样本;
以所述第六样本集合作为所述第七子模型的输入样本,获取所述第七子模型输出的第六集合补货概率样本;
以所述第七样本集合作为所述第七子模型的输入样本,获取所述第七子模型输出的第七集合补货概率样本;
以所述第五集合补货概率样本、第六集合补货概率样本和第七集合补货概率样本作为所述第八子模型的输入样本,以所述补货概率样本作为所述第八子模型的输出结果,对所述神经网络模型进行训练。
7.根据权利要求2所述的物品库存管理方法,其特征在于,所述出货记录包括物品名称,根据所述第二物品放置区的出货记录确定补货概率样本包括:
根据所述出货记录获取在指定时间内的所述物品名称对应的物品购买次数;
根据所述物品名称和所述物品购买次数确定在所述指定时间内的物品购买量;
获取所述第二物品放置区的物品库存量;
根据所述物品购买量和所述物品库存量获取所述物品的补货量;
根据所述补货量和所述物品库存量确定所述补货概率样本。
8.根据权利要求1-7中任一项所述的物品库存管理方法,其特征在于,还包括:
获取所述第二物品放置区的物品的保质期样本或库存时长样本;
以所述保质期样本或所述库存时长样本作为所述神经网络模型的输入样本,以所述补货概率样本作为所述神经网络模型输出结果,对所述神经网络模型进行训练。
9.根据权利要求1-7中任一项所述的物品库存管理方法,其特征在于,还包括:
获取所述第二物品放置区的物品的促销时段样本;
以所述促销时段样本作为所述神经网络模型的输入样本,以所述补货概率样本作为所述神经网络模型输出结果,对所述神经网络模型进行训练。
10.根据权利要求1-7中任一项所述的物品库存管理方法,其特征在于,还包括:
确定所述生物体征数据中包括图像、声音、指纹、虹膜、身高、体重中的至少一种;
确定所述生物体征数据所属的地理位置数据;
根据所述地理位置数据对所述生物体征数据进行修正。
11.一种物品库存管理装置,其特征在于,包括:
第一采集模块,用于采集第一物品放置区的生物体征数据;
第二采集模块,用于采集所述第一物品放置区所属区域的第一地理位置数据、天气数据和时间数据;
模型计算模块,用于将所述生物体征数据、所述第一地理位置数据、所述天气数据和所述时间数据输入至训练后的神经网络模型,训练后的所述神经网络模型的输出为所述第一物品放置区的补货概率。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如权利要求1-10中任一项所述的物品库存管理方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-10中任一项所述的物品库存管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211580.9A CN114971449A (zh) | 2021-02-25 | 2021-02-25 | 物品库存管理方法、装置、电子设备与介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211580.9A CN114971449A (zh) | 2021-02-25 | 2021-02-25 | 物品库存管理方法、装置、电子设备与介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971449A true CN114971449A (zh) | 2022-08-30 |
Family
ID=82972873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110211580.9A Pending CN114971449A (zh) | 2021-02-25 | 2021-02-25 | 物品库存管理方法、装置、电子设备与介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971449A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452121A (zh) * | 2023-06-15 | 2023-07-18 | 佛山市趣果网络科技有限公司 | 一种智能企业库存管理系统及管理平台 |
CN117151595A (zh) * | 2023-10-31 | 2023-12-01 | 苏州极易科技股份有限公司 | 一种商品库存管理方法、设备及存储介质 |
-
2021
- 2021-02-25 CN CN202110211580.9A patent/CN114971449A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452121A (zh) * | 2023-06-15 | 2023-07-18 | 佛山市趣果网络科技有限公司 | 一种智能企业库存管理系统及管理平台 |
CN116452121B (zh) * | 2023-06-15 | 2023-09-08 | 佛山市趣果网络科技有限公司 | 一种智能企业库存管理系统及管理平台 |
CN117151595A (zh) * | 2023-10-31 | 2023-12-01 | 苏州极易科技股份有限公司 | 一种商品库存管理方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509030B (zh) | 销量预测方法及其模型的训练方法、装置和电子系统 | |
US11501205B2 (en) | System and method for synthesizing data | |
US11232378B2 (en) | Machine learning artificial intelligence system for predicting popular hours | |
CN108921569B (zh) | 一种确定用户投诉类型的方法及装置 | |
CN110009364B (zh) | 一种行业识别模型确定方法和装置 | |
CN107431898A (zh) | 销售点终端地理位置 | |
CN111311316B (zh) | 商户画像的刻画方法、装置、电子设备、验证方法及系统 | |
CN114971449A (zh) | 物品库存管理方法、装置、电子设备与介质 | |
CN111161104A (zh) | 一种社区用户画像的生成方法及装置 | |
CN110276677A (zh) | 基于大数据平台的还款预测方法、装置、设备及存储介质 | |
CN102165442A (zh) | 对用于市场份额预测的选择预测系统进行定标 | |
CN111612657A (zh) | 一种客户类型识别方法、装置、电子设备及存储介质 | |
CN111784405A (zh) | 基于人脸智能识别knn算法的线下门店智能导购方法 | |
Maizi et al. | Building a digital twin for IoT smart stores: A case in retail and apparel industry | |
JP2016212735A (ja) | 顧客動向分析システム、顧客動向分析方法、プログラム | |
CN116523556A (zh) | 一种商家需求的预测方法和系统 | |
WO2022201512A1 (ja) | 受注予測装置、受注予測方法、学習装置、学習方法、及び、記録媒体 | |
CN113128739B (zh) | 用户触达时间的预测方法、预测模型训练方法及相关装置 | |
CN111340508A (zh) | 一种支付操作的控制方法和系统 | |
CN112257654A (zh) | 一种智慧城市用人脸识别装置 | |
RU2785327C1 (ru) | Система компьютерного зрения в ритейле | |
CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
CN112948691B (zh) | 实体场所的体验指标计算方法和装置 | |
KR102545190B1 (ko) | 오프라인 리테일 환경에서의 상품 정보 제공 장치 및 상품 정보 제공 장치의 제어방법 | |
US20230169567A1 (en) | Assortment planning method, assortment planning system and processing apparatus thereof for smart store |
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 |