CN115564505A - 一种基于人工智能的自动售货机货物配置方法 - Google Patents
一种基于人工智能的自动售货机货物配置方法 Download PDFInfo
- Publication number
- CN115564505A CN115564505A CN202110751006.2A CN202110751006A CN115564505A CN 115564505 A CN115564505 A CN 115564505A CN 202110751006 A CN202110751006 A CN 202110751006A CN 115564505 A CN115564505 A CN 115564505A
- Authority
- CN
- China
- Prior art keywords
- replenishment
- lost
- vending machine
- matrix
- loss
- 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
- 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F11/00—Coin-freed apparatus for dispensing, or the like, discrete articles
- G07F11/004—Restocking arrangements therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
Abstract
本发明公开了一种自动售货机的货物补充的方法,通过该方法能够实现对各种无法接入网络实时提供销售数据的自动售货机的有效的货物补充操作,所述方法包括:以获取每台售货机中的每种单类商品在补货周期内的销售总量STotal;将销售总量数据整合成M×N维销售量预测矩阵S;计算最大存储量矩阵Q和商品剩余量矩阵Y;构建售货机管理区域内涉及全部售货机的补货量矩阵R计算模型,根据补货量矩阵R对售货机管理区域内的自动售货机进行实际补货操作,并根据实际补货情况计算补货损失RLost优化补货量矩阵R计算模型。
Description
技术领域
本发明涉及自动售货机技术领域,尤其涉及一种基于人工智能的自动售货机货物配置方法。
背景技术
自动售货机越来越多地走入了人们的生活,对于自动售货机的商品配送管理显得日益重要。现有技术中,如CN204946178U中公开了一种基于物联网实时智能管控的自动售货机及售货控制系统,该自动售货控制系统通过监控中心分别无线通信连接各自动售货机,以实时了解到多台自动售货机的工作状态、销售情况等信息,实现对自动售货机的智能管控,有利于确保自动售货机的工作性能稳定,避免缺货、自动售货机内部系统故障等状况出现。又如,CN105205926A中公开了一种自动补货方法和装置,自动补货系统包括自动售货机、服务器、查询终端以及补货终端,自动售货机包括多个用于放置商品的售货格子,服务器保存有售货格子的商品销售状态。查询终端通过服务器向补货终端发送补货指令;补货终端接收补货指令并显示。同时在CN204463203U中公开了一种自动售货机的配送商品管理装置以及自动售货系统,配送商品管理装置包括一服务器,所述的服务器包括数据接收单元,用于接收来自各台自动售货机和来自商品信息录入装置传送的各种数据,各种所述的数据至少包括补充到各台自动售货机中的商品的补货商品信息数据和待配送到所有自动售货机中的待配送所有商品信息数据。该装置和系统能够有效跟踪监控待配送到自动售货机中的所有商品,使得在商品配货环节不会出现缺失货现象。
从上述现有技术中可以看出,现在自动售货机的补货依然采用传统的周期性补货方案,即在固定周期后对自动售货机进行补货,这种方式的特点是比较省事、省时,只需在固定天数补货即可,但这存在着携带商品种类不确定、商品个数不确定等众多问题,还会影响商品销量,使省事与提高销量不可兼得。现有技术中采样的对自动售货机进行实时的销售数据监控的方法虽然更为精准,但是这种方法依赖于自动售货机与远程服务大数据量的实时通讯。当自动售货机的运营商铺设了大量的自动售货机时,由于需要产生大数据量的通讯,其将造成运营费用的大幅提高。更为突出的问题在于,现有市场中还存在着大量的无法接入网络的老旧式的自动售货机存在,特别是在欧美市场上,这种老旧式的自动售货机是非常普遍的,这种售货机无法实时的向服务器平台提供销售数据,所以导致针对这种售货机无法进行更为有效的货物补充配置。由此可见本技术领域中需要一种能够实现成本低且准确有效的自动售货机的货物配置方法。
发明内容
本发明所要解决的技术问题之一是提供一种自动售货机的货物补充的方法,通过该方法能够实现对各种无法接入网络实时提供销售数据的自动售货机的有效的货物补充操作。
为了解决上述技术问题,本发明提供了一种基于人工智能的自动售货机货物配置方法,所述方法包括:
步骤S1,获取售货机管理区域内每台售货机的历史销售数据和货道配置信息;
步骤S2,对售货机管理区域内的每台售货机中的每种单类商品在补货周期内的每天的销售量s进行预测,通过对所述每天的销售量s进行求和以获取每台售货机中的每种单类商品在补货周期内的销售总量STotal;
步骤S3,将售货机管理区域内全部售货机的全部种类商品在补货周期内的销售总量数据整合成M×N维销售量预测矩阵S;其中,且M为该全部自动售货机所涉及销售的商品类别数量,N全部自动售货机数量;
步骤S4,根据售货机管理区域内每台自动售货机的商品售空时间及历史销售数据计算将售货机管理区域内全部售货机的最大存储量矩阵Q和商品剩余量矩阵Y;
步骤S5,构建售货机管理区域内涉及全部售货机的补货量矩阵R计算模型,即补货量矩阵R=α×销售量预测矩阵S-β×商品剩余量矩阵Y;其中,α、β为调节系数;
步骤S6,根据补货量矩阵R对售货机管理区域内的自动售货机进行实际补货操作,并根据实际补货情况计算补货损失RLost;
步骤S7,根据补货损失RLost对为调节系数α、β进行调制以优化补货量矩阵R计算模型。并利用优化后的补货量矩阵R计算模型对下一个补货周期的补货量进行预测。
在一个实施例中,所述对售货机管理区域内的每台售货机中的每种单类商品在补货周期内的每天的销售量s进行预测的过程包括:
提取单台售货机的单类商品的历史销售量数据序列L,若历史销售量数据序列L大于或等于365个,即说明历史销售量数据序列L记载了超过365天的销售数据,则此时提取前第365天的销售量数据,记为S365;进一步该前第365天是否为节假日,如是节假日,则销售量s=S365×0.6+Sthree×0.2+S7×0.2;如该前第365天不是为节假日,则销售量s=S365×0.2+Sthree×0.4+S7×0.4;其中Sthree为三次指数平滑预测值,S7为当前时间点的前7天销售量数据的平均值。
在一个实施例中,若历史销售量数据序列L小于365个,则进一步判断历史销售量数据序列L大于或等于7,即历史销售量数据序列L是否记载有大于或等于7天的历史销售数据。若历史销售量数据序列L大于或等于7,则提取历史销售量数据序列L的全部销售量,并令销售量s)=Sthree×0.5+S7×0.5。
在一个实施例中,所述最大存储量矩阵Q的计算过程包括:通过计算每台售货机的两个售空时间点之间每类商品的销量总数的众数即为该售货机该类商品的最大存储量;对上述所求解的针对每台售货机的每类商品的最大存储量进行整合得到管理区域内全部售货机的全部类别商品的最大存储量矩阵Q。
在一个实施例中,所述商品剩余量矩阵Y的计算过程包括:根据当前时间找到售空时间中距离最近的时间点,从最近售空时间点开始,依据最大存储量和该商品的每日销量推算出当前时间每台售货机的每类商品的商品剩余量;对上述所求解的针对每台售货机的每类商品的商品剩余量进行整合得到管理区域内全部售货机的全部类别商品的商品剩余量矩阵Y。
在一个实施例中,补货损失RLost包括人工损失Lost(人工)、缺货损失Lost(缺货)和运输损失Lost(运输);且补货损失RLost=a×Lost(人工)+b×Lost(缺货)+c×Lost(运输);其中,a、b、c分别为人工损失Lost(人工)、缺货损失Lost(缺货)和运输损失Lost(运输)的比例系数。比例系数a、b、c是为了调节三种损失之间由于单位不同而导致的数量级差异。
在一个实施例中,所述人工损失Lost(人工)的计算方法为对补货矩阵R的全部元素求和以获得总补货量,该总补货量即记为人工损失Lost(人工)。
在一个实施例中,所述缺货损失Lost(缺货)的计算方法为根据销售量矩阵S、补货量矩阵R和商品剩余量矩阵Y获取缺货量矩阵X,即缺货量矩阵X=销售量矩阵S-补货量矩阵R-商品剩余量矩阵Y;令缺货矩阵X与商品价格矩阵P相乘,并对相乘后的矩阵全部元素求和以获得由缺货造成的利润损失。该利润损失即记为缺货损失Lost(缺货)。
在一个实施例中,所述运输损失Lost(运输)的计算方法为根据补货矩阵R提取需补货的售货机编码,并进一步获取需补货的售货机的地理位置;根据遗传算法对上述需补货的售货机的地理位置进行路径规划,以获取最短的运输路径,所述运输路径的运输距离D即为运输损失Lost(运输)。
在一个实施例中,所述根据补货损失RLost对为调节系数α、β进行调制以优化补货量矩阵R计算模型的过程包括:当缺货损失Lost(缺货)大于补货损失RLost的1/3时,表示缺货损失Lost(缺货)占的比重较大,则需要通过增大补货量来减小总损失,即α增大,β减小(若β为0,则β不变);当缺货损失Lost(缺货)小于补货损失RLost的1/3时,表示缺货损失Lost(缺货)占的比例较小,则可通过适当减小补货量以减小人工损失Lost(人工)和运输损失Lost(运输)来减小补货损失RLost,即α减小、β增大(若α为0,则α不变);当缺货损失Lost(缺货)等于补货损失RLost的1/3时,则认为缺货损失Lost(缺货)占的比重达到最佳状态,需保持该种状态,即α不变,β不变。
本发明的优点在于:仅通过对自动售货机历史数据和货道物理数据的提取即完成了对管理区域全部售货机的货物配置的规划,该规划过程不依赖于自动售货机的实时感应能力,即不需要自动售货机接入互联网并将信息传递至远程管理平台。从而实现了对老旧式的自动售货机的货物配置规划的优化升级。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明实施例自动售货机货物配置方法的流程图;
图2是根据本发明实施例中计算单机单日单类销售量的流程图;
图3是根据本发明实施例中计算补货损失RLost的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图1-3对本发明作进一步地详细说明。
图1是根据本发明一实施例的方法的流程图。下面结合图1对本方法进行说明。
步骤S100,本实施中首先对售货机管理区域内的每一台售货机中的每一种单类商品在补货周期T内的销售量进行预测,所使用的预测工具为本发明的单机单日单类销售量预测模型。所述单机单日单类商品销售量预测模型所体现的销售量算法如图2所示,依据本实施例的单机单日单类销售量预测模型,例如对某一售货机在补货周期T内的第一天的第i类商品进行销售量预测,记该销售量为s(1,i)。
首先,提取该售货机的第i类商品的历史销售量数据序列L,所述历史销售量数据序列L是带有时间标记的数列。对于老式的无法接入网络的自动售货机,所述历史销售量数据序列L是可以通过现场对自动售货机内存信息进行读取获得的。
随后,判断历史销售量数据序列L的长度是否大于或等于365,即历史销售量数据序列L是否记载有大于或等于365天的历史销售数据。
若历史销售量数据序列L大于或等于365个,即说明历史销售量数据序列L记载了超过365天的销售数据,则此时提取前第365天的销售量数据,记为S365。
在上一步中进一步判断该前第365天是否为节假日,如是节假日,则s(1,i)=S365×0.6+Sthree×0.2+S7×0.2,其中Sthree为三次指数平滑预测值,S7为当前时间点的前7天销售量数据的平均值。此时的预测计算方法是使去年对应日期销量占主导地位,而三次指数平滑预测值和当前时间点的前7天销售量数据的平均值两种方式仅起到调节作用。如该前第365天不是为节假日,则s(1,i)=S365×0.2+Sthree×0.4+S7×0.4。所述三次指数平滑预测值Sthree是在二次指数平滑的基础上保留了季节性的信息,使得其可以预测带有季节性的时间序列。其计算公式为:
预测未来补货周期T的值xt+T的计算公式为:
若历史销售量数据序列L小于365个,则进一步判断历史销售量数据序列L大于或等于7,即历史销售量数据序列L是否记载有大于或等于7天的历史销售数据。若历史销售量数据序列L大于或等于7,则提取历史销售量数据序列L的全部销售量,并令s(1,i)=Sthree×0.5+S7×0.5。若历史销售量数据序列L小于7,则此次补货预测暂时放弃对s(1,i)进行预测,待下次补货预测重新根据其历史销售量数据序列L长度来决定是否对其进行预测。
将s(1,i)输出,并同时将s(1,i)加入至历史销售量数据序列L以对历史销售量数据序列L进行更新。根据更新后的历史销售量数据序列L对s(2,i)进行预测,直至根据补货周期T进行T轮预测计算,以获得针对第i类商品的预测值s(1,i),s(2,i),……,s(T,i)。
对上述s(1,i),s(2,i),……,s(T,i)进行求和以获得该售货机在补货周期内的针对第i类商品的预测销售总量STotal(i),若该售货机的编号为第j个售货机,则该售货机的针对第i类商品的预测销售总量表示为STotal(i,j)。
步骤S200,若管理区域内的全部自动售货机数量为N个,且该全部自动售货机所涉及销售的商品类别为M个,则可以构建一个管理区域内全部自动售货机的全部商品的M×N维销售量预测矩阵S。记为:
步骤S300,将销售量预测矩阵S输入到线性补货模型以获得补货周期T内的补货量矩阵R,所述线性补货模型即令所述补货量矩阵R=α×S-β×Y,其中Y为M×N维的商品剩余量矩阵。α、β为调节系数,其具体数值需要在后续的线性补货模型优化训练中进行进一步的优化。
将补货量矩阵R与自动售货机的最大存储量矩阵Q进行对比,如果补货量矩阵R中的元素值大于对应的最大存储量矩阵Q中元素值时,则将补货量矩阵R中的该元素值修改为最大存储量矩阵Q中元素值,从而实现对补货量矩阵R的修正。所述最大存储量矩阵Q中的元素值及代表每一售货机中某类商品的最大存储数量,其属于售货机的固有参数,在能够获得售货机货道配置信息的条件下,可以直接从售货机的货道配置信息中直接获取。但对于老旧式的自动售货机其最大存储量数据及商品剩余量数据是无法实时准确获得的。本实施例中对于商品剩余量矩阵Y和最大存储量矩阵Q的计算方法为:
求最大存储量矩阵Q时,利用的数据为售货机单类商品的售空时间,在求解单一售货机单类商品的最大存储量时,通过计算该售货机的两个售空时间点之间的销量总数的众数即为最大存储量。同时根据经验可以设置最大存储量的上限值,例如,本实施例中最大存储量上限设置为30,若前述计算的两个售空时间点之间的销量总数的众数大于30时,则该售货机的该类商品的最大存储量设置为30。
在求商品剩余量时,先根据当前时间找到售空时间中距离最近的时间点,从最近售空时间点开始,依据最大存储量和该商品的每日销量推算出当前时间该商品剩余量。
对上述所求解的针对每一售货机的每一类商品的最大存储量进行整合得到管理区域内全部售货机的全部类别商品的最大存储量矩阵Q,即:
对上述所求解的针对每一售货机的每一类商品的剩余商品量进行整合得到管理区域内全部售货机的每一类商品的商品剩余量矩阵Y,即:
步骤S400,根据上一步所得到的补货量矩阵R对管理区域内的自动售货机进行补货操作,并根据实际的补货操作结构计算补货损失RLost。所述补货损失RLost的计算方式如图3所示,本实施例中补货损失RLost由三个部分构成,即人工损失Lost(人工)、缺货损失Lost(缺货)和运输损失Lost(运输)。
所述人工损失Lost(人工)的计算方法为对补货矩阵R的全部元素求和以获得总补货量,由于总的补货量与人工实时补货的成本是线性的正比关系的,因此该总补货量即记为人工损失Lost(人工)。
所述缺货损失Lost(缺货)的计算方法为:
首先,根据销售量矩阵S、补货矩阵R、商品剩余矩阵Y获取缺货量矩阵X,即X=S-R-Y。
随后,令缺货矩阵X与商品价格矩阵P相乘,并对相乘后的矩阵全部元素求和以获得由缺货造成的利润损失。该利润损失即记为缺货损失Lost(缺货)。
所述运输损失Lost(运输)的计算方法为:
首先,根据补货矩阵R提取需补货的售货机编码,并进一步获取需补货的售货机的地理位置。即所述补货矩阵R中的所有非零元素值所代表的自动售货机,即为产生商品运输成本的售货机。
随后,根据遗传算法对上述需补货的售货机的地理位置进行路径规划,以获取最短的运输路径,所述运输路径的运输距离D即为运输损失Lost(运输)。
在获取了人工损失Lost(人工)、缺货损失Lost(缺货)和运输损失Lost(运输)之后,令补货损失RLost=a×Lost(人工)+b×Lost(缺货)+c×Lost(运输)。a、b、c分别为人工损失Lost(人工)、缺货损失Lost(缺货)和运输损失Lost(运输)的比例系数。比例系数a、b、c是为了调节三种损失之间由于单位不同而导致的大小差异很大的问题,以保证三种损失在总损失中占的比重较接近。
步骤S500,在步骤S300中已经定义了补货量矩阵R=α×S-β×Y,即补货量取决于补货周期T时间内的商品销量与商品余量的关系,该关系由α、β两个参数决定。因此在每一轮补货量矩阵R的优化操作中,均需要根据缺货损失Lost(缺货)在补货损失RLost中的占比关系,来调整α、β两个参数。当缺货损失Lost(缺货)大于补货损失RLost的1/3时,表示缺货损失Lost(缺货)占的比重较大,则需要通过增大补货量来减小总损失,即α增大,β减小(若β为0,则β不变);当缺货损失Lost(缺货)小于补货损失RLost的1/3时,表示缺货损失Lost(缺货)占的比例较小,则可通过适当减小补货量以减小人工损失Lost(人工)和运输损失Lost(运输)来减小补货损失RLost,即α减小、β增大(若α为0,则α不变);当缺货损失Lost(缺货)等于补货损失RLost的1/3时,则认为缺货损失Lost(缺货)占的比重达到最佳状态,需保持该种状态,即α不变,β不变。
步骤S600,利用优化后的线性补货量模型替代原线性补货量模型,并对下一个补货周期T的补货量进行预测。
以上所述,仅为本发明的具体实施案例,本发明的保护范围并不局限于此,任何熟悉本技术的技术人员在本发明所述的技术规范内,对本发明的修改或替换,都应在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的自动售货机货物配置方法,其特征在于,所述方法包括:
步骤S1,获取售货机管理区域内每台售货机的历史销售数据和货道配置信息;
步骤S2,对售货机管理区域内的每台售货机中的每种单类商品在补货周期内的每天的销售量s进行预测,通过对所述每天的销售量s进行求和以获取每台售货机中的每种单类商品在补货周期内的销售总量STotal;
步骤S3,将售货机管理区域内全部售货机的全部种类商品在补货周期内的销售总量数据整合成M×N维销售量预测矩阵S;其中,且M为该全部自动售货机所涉及销售的商品类别数量,N全部自动售货机数量;
步骤S4,根据售货机管理区域内每台自动售货机的商品售空时间及历史销售数据计算将售货机管理区域内全部售货机的最大存储量矩阵Q和商品剩余量矩阵Y;
步骤S5,构建售货机管理区域内涉及全部售货机的补货量矩阵R计算模型,即补货量矩阵R=α×销售量预测矩阵S-β×商品剩余量矩阵Y;其中,α、β为调节系数;
步骤S6,根据补货量矩阵R对售货机管理区域内的自动售货机进行实际补货操作,并根据实际补货情况计算补货损失RLost;
步骤S7,根据补货损失RLost对为调节系数α、β进行调制以优化补货量矩阵R计算模型,并利用优化后的补货量矩阵R计算模型对下一个补货周期的补货量进行预测。
2.根据权利要求1所述的自动售货机货物配置方法,其特征在于,所述对售货机管理区域内的每台售货机中的每种单类商品在补货周期内的每天的销售量s进行预测的过程包括:
提取单台售货机的单类商品的历史销售量数据序列L,若历史销售量数据序列L大于或等于365个,即说明历史销售量数据序列L记载了超过365天的销售数据,则此时提取前第365天的销售量数据,记为S365;进一步该前第365天是否为节假日,如是节假日,则销售量s=S365×0.6+Sthree×0.2+S7×0.2;如该前第365天不是为节假日,则销售量s=S365×0.2+Sthree×0.4+S7×0.4;其中Sthree为三次指数平滑预测值,S7为当前时间点的前7天销售量数据的平均值。
3.根据权利要求2所述的自动售货机货物配置方法,其特征在于,若历史销售量数据序列L小于365个,则进一步判断历史销售量数据序列L大于或等于7,即历史销售量数据序列L是否记载有大于或等于7天的历史销售数据,若历史销售量数据序列L大于或等于7,则提取历史销售量数据序列L的全部销售量,并令销售量s)=Sthree×0.5+S7×0.5。
4.根据权利要求1所述的自动售货机货物配置方法,其特征在于,所述最大存储量矩阵Q的计算过程包括:通过计算每台售货机的两个售空时间点之间每类商品的销量总数的众数即为该售货机该类商品的最大存储量;对上述所求解的针对每台售货机的每类商品的最大存储量进行整合得到管理区域内全部售货机的全部类别商品的最大存储量矩阵Q。
5.根据权利要求4所述的自动售货机货物配置方法,其特征在于,所述商品剩余量矩阵Y的计算过程包括:根据当前时间找到售空时间中距离最近的时间点,从最近售空时间点开始,依据最大存储量和该商品的每日销量推算出当前时间每台售货机的每类商品的商品剩余量;对上述所求解的针对每台售货机的每类商品的商品剩余量进行整合得到管理区域内全部售货机的全部类别商品的商品剩余量矩阵Y。
6.根据权利要求1所述的自动售货机货物配置方法,其特征在于,补货损失RLost包括人工损失Lost(人工)、缺货损失Lost(缺货)和运输损失Lost(运输);且补货损失RLost=a×Lost(人工)+b×Lost(缺货)+c×Lost(运输);其中,a、b、c分别为人工损失Lost(人工)、缺货损失Lost(缺货)和运输损失Lost(运输)的比例系数,比例系数a、b、c是为了调节三种损失之间由于单位不同而导致的数量级差异。
7.根据权利要求6所述的自动售货机货物配置方法,其特征在于,所述人工损失Lost(人工)的计算方法为对补货矩阵R的全部元素求和以获得总补货量,该总补货量即记为人工损失Lost(人工)。
8.根据权利要求6所述的自动售货机货物配置方法,其特征在于,所述缺货损失Lost(缺货)的计算方法为根据销售量矩阵S、补货量矩阵R和商品剩余量矩阵Y获取缺货量矩阵X,即缺货量矩阵X=销售量矩阵S-补货量矩阵R-商品剩余量矩阵Y;令缺货矩阵X与商品价格矩阵P相乘,并对相乘后的矩阵全部元素求和以获得由缺货造成的利润损失,该利润损失即记为缺货损失Lost(缺货)。
9.根据权利要求6所述的自动售货机货物配置方法,其特征在于,所述运输损失Lost(运输)的计算方法为根据补货矩阵R提取需补货的售货机编码,并进一步获取需补货的售货机的地理位置;根据遗传算法对上述需补货的售货机的地理位置进行路径规划,以获取最短的运输路径,所述运输路径的运输距离D即为运输损失Lost(运输)。
10.根据权利要求6所述的自动售货机货物配置方法,其特征在于,所述根据补货损失RLost对为调节系数α、β进行调制以优化补货量矩阵R计算模型的过程包括:当缺货损失Lost(缺货)大于补货损失RLost的1/3时,表示缺货损失Lost(缺货)占的比重较大,则需要通过增大补货量来减小总损失,即α增大,β减小(若β为0,则β不变);当缺货损失Lost(缺货)小于补货损失RLost的1/3时,表示缺货损失Lost(缺货)占的比例较小,则可通过适当减小补货量以减小人工损失Lost(人工)和运输损失Lost(运输)来减小补货损失RLost,即α减小、β增大(若α为0,则α不变);当缺货损失Lost(缺货)等于补货损失RLost的1/3时,则认为缺货损失Lost(缺货)占的比重达到最佳状态,需保持该种状态,即α不变,β不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751006.2A CN115564505A (zh) | 2021-07-01 | 2021-07-01 | 一种基于人工智能的自动售货机货物配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751006.2A CN115564505A (zh) | 2021-07-01 | 2021-07-01 | 一种基于人工智能的自动售货机货物配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564505A true CN115564505A (zh) | 2023-01-03 |
Family
ID=84738179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751006.2A Pending CN115564505A (zh) | 2021-07-01 | 2021-07-01 | 一种基于人工智能的自动售货机货物配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564505A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664052A (zh) * | 2023-07-21 | 2023-08-29 | 厦门易驰软件有限公司 | 基于人工智能的全域数字化运营管理方法及系统 |
-
2021
- 2021-07-01 CN CN202110751006.2A patent/CN115564505A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664052A (zh) * | 2023-07-21 | 2023-08-29 | 厦门易驰软件有限公司 | 基于人工智能的全域数字化运营管理方法及系统 |
CN116664052B (zh) * | 2023-07-21 | 2023-10-20 | 厦门易驰软件有限公司 | 基于人工智能的全域数字化运营管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0733986B1 (en) | System and method for controlling the number of units of parts in an inventory | |
CN101777147B (zh) | 预测建模 | |
US7110960B2 (en) | Event revenue management system | |
Giannoccaro et al. | Inventory management in supply chains: a reinforcement learning approach | |
US6952680B1 (en) | Apparatus and method for tracking and managing physical assets | |
US20050131729A1 (en) | Apparatus and method for tracking and managing physical assets | |
CN108537363B (zh) | 一种配售分开环境下售电公司购电量控制方法 | |
EP1315112A2 (en) | System and method for benchmarking asset characteristics | |
CN109615184A (zh) | 零售企业门店自动配货、补货、调货的方法及系统 | |
US20030101087A1 (en) | Lease rent optimizer revenue management system | |
CN109272276A (zh) | 一种库存补货管理方法以及装置 | |
CN101099120A (zh) | 定购和预测生产混合时的生产计划方法和生产计划系统 | |
CN115689451A (zh) | 一种线下零售门店补货量确定方法、装置、终端及介质 | |
WO2023082553A1 (zh) | 采购数据的确定方法及其装置、计算机可读存储介质 | |
US8543480B2 (en) | Logistics-exposure management integration for commodity price risks | |
Li et al. | Managing inventory over a short season: models with two procurement opportunities | |
CN115564505A (zh) | 一种基于人工智能的自动售货机货物配置方法 | |
CN114548871A (zh) | 一种大数据驱动的供应链ai智能补货系统 | |
CN116911717A (zh) | 一种用于城市贸易中的运力分配方法及系统 | |
JPH0798741A (ja) | 生販物統合管理方法 | |
CN113469397A (zh) | 智慧供应链系统及服务器平台 | |
CN116205569A (zh) | 一种智能的基于销售的库存分析系统 | |
JP2020119388A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2006331459A (ja) | 生販物統合管理方法 | |
JP3945941B2 (ja) | 安全在庫率による在庫補充方法 |
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 |