CN115829695B - 基于数据处理的电商线上线下货物调配方法和装置 - Google Patents

Abstract

本发明公开了一种基于数据处理的电商线上线下货物调配方法和装置，本发明涉及数据处理技术领域，通过卷积神经网络模型对库房的全景图进行处理得到货物的线下库存状态，再通过长短期神经网络模型对线上货物订单数据进行处理得到本月的线上货物的预测销售数量，再通过对供应商数据和电商数据构建图，图神经网络模型对图进行处理得到每个供应商的本月的供应货物数量，从而能够结合电商线上销售情况、线下货物情况和供应商情况进行准确快速的货物调配。

Description

基于数据处理的电商线上线下货物调配方法和装置

技术领域

本发明涉及数据处理技术领域，具体涉及基于数据处理的电商线上线下货物调配方法和装置。

背景技术

随着信息技术产业的发展，带动了电子商务的迅速崛起，物流环节对于电子商务来说，其承担着物质和信息的流通，是非常重要的一个环节，且由于电商货物物流量越来越大，货物流通信息量越来越多，范围越来越广，内容越来越复杂，通过手动记录方式和纸面传送的货物调配方法满足不了当前社会发展需要，为了提高工作效率，现有的货物调配方法主要通过条码、二维码、RFID等方式对货物进行赋码(或贴标)，然后在需要货物出库时，使用专用读取设备读取货物信息进行出库，当人工发现货物不足时则对货物未来的销售数量进行估算，并联系供应商进行货物调配。该方法需要浪费大量人力物力进行货物的清点和货物销售数量估算，且估算结果往往会受人的主观影响，不太精确，且估算效率较低。由于电商领域信息量大，如何精准的对货物线上线下的情况进行总体评估，做出准确快速的货物调配是当前亟待解决的问题。

发明内容

本发明主要解决的技术问题是如何准确快速的对电商线上线下货物进行调配。

根据第一方面，一种实施例中提供一种基于数据处理的电商线上线下货物调配方法，包括：

S1、获取电商线下库房的全景图，所述库房存放有多个货物；S2、基于卷积神经网络模型对所述全景图进行处理得到货物的线下库存状态，其中所述卷积神经网络模型的输入包括全景图，所述卷积神经网络模型的输出为所述货物的线下库存状态；S3、获取电商线上货物订单数据，并通过长短期神经网络模型进行处理得到本月的线上货物的预测销售数量，其中所述长短期神经网络模型的输入包括所述电商线上货物订单数据，所述长短期神经网络模型的输出为所述本月的线上货物的预测销售数量，其中所述电商线上货物订单数据包括上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用；S4、获取货物的多个供应商数据，并基于所述多个供应商的数据确定多个供应商节点的特征，所述多个供应商节点的特征包括每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量；S5、将所述货物的线下库存状态、所述本月的线上货物的预测销售数量作为电商节点的特征，并基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系，将所述图输入到图神经网络模型，输出得到所述多个供应商中每个供应商的本月的供应货物数量。

在一实施例中，所述获取电商线下库房的全景图，包括：基于全景照相机进行360度扫描得到电商线下库房的全景图。

在一实施例中，所述图神经网络模型经过梯度下降法训练得到。

在一实施例中，所述图神经网络模型包括图神经网络和全连接层，所述图神经网络的输出连接到全连接层，所述全连接层输出得到所述多个供应商中每个供应商的本月的供应货物数量。

在一实施例中，若所述多个供应商的总供货量小于所述本月的线上货物的预测销售数量，则计算所述货物对应的说明书文本数据的SimHash值和采购网站的供应货物列表中每一个待采购货物的说明书文本数据的SimHash值，通过汉明距离计算出所述货物对应的说明书文本数据的SimHash值与所述每一个待采购货物的说明书文本数据的SimHash值的多个相似度，并将相似度最高的待采购货物对应的供应商作为所述电商的供应商。

根据第二方面，一种实施例中提供基于数据处理的电商线上线下货物调配装置，其特征在于，包括：获取单元，用于获取电商线下库房的全景图，所述库房存放有多个货物；库存确定单元，用于基于卷积神经网络模型对所述全景图进行处理得到货物的线下库存状态，其中所述卷积神经网络模型的输入包括全景图，所述卷积神经网络模型的输出为所述货物的线下库存状态；预测销售单元，用于获取电商线上货物订单数据，并通过长短期神经网络模型进行处理得到本月的线上货物的预测销售数量，其中所述长短期神经网络模型的输入包括所述电商线上货物订单数据，所述长短期神经网络模型的输出为所述本月的线上货物的预测销售数量，其中所述电商线上货物订单数据包括上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用；图神经网络单元，用于获取货物的多个供应商数据，并基于所述多个供应商的数据确定多个供应商节点的特征，所述多个供应商节点的特征包括每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量；图神经网络单元还用于将所述货物的线下库存状态、所述本月的线上货物的预测销售数量作为电商节点的特征，并基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系，将所述图输入到图神经网络模型，输出得到所述多个供应商中每个供应商的本月的供应货物数量。

在一实施例中，若所述多个供应商的总供货量小于所述本月的线上货物的预测销售数量，则计算所述货物对应的说明书文本数据的SimHash值和采购网站的供应货物列表中每一个待采购货物的说明书文本数据的SimHash值，通过汉明距离计算出所述货物对应的说明书文本数据的SimHash值与所述每一个待采购货物的说明书文本数据的SimHash值的多个相似度，并将相似度最高的待采购货物对应的供应商作为所述电商的供应商。

根据第三方面，一种实施例中提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的基于数据处理的电商线上线下货物调配方法的步骤。

根据第四方面，一种实施例中提供一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如第一方面所述的方法。

根据第五方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述第一方面中任一项所述的方法。

依据上述实施例提供的基于数据处理的电商线上线下货物调配方法和装置，通过卷积神经网络模型对库房的全景图进行处理得到货物的线下库存状态，再通过长短期神经网络模型对线上货物订单数据进行处理得到本月的线上货物的预测销售数量，再通过对供应商数据和电商数据构建图，图神经网络模型对图进行处理得到每个供应商的本月的供应货物数量，从而能够结合电商线上销售情况、线下货物情况和供应商情况进行准确快速的货物调配。

附图说明

图1为本发明实施例提供的一种基于数据处理的电商线上线下货物调配方法的流程示意图；

图2为本发明实施例提供的一种相机360度环绕拍摄库房的示意图；

图3为本发明实施例提供的基于电商和多个供应商构建的图的示意图；

图4为本发明实施例提供的一种基于数据处理的电商线上线下货物调配装置；

图5为本发明实施例提供的一种电子设备的示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本发明能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本发明相关的一些操作并没有在说明书中显示或者描述，这是为了避免本发明的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本发明所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。

本发明实施例中，提供了如图1所示的一种基于数据处理的电商线上线下货物调配方法，包括步骤S1~S5：

步骤S1，获取电商线下库房的全景图，所述库房存放有多个货物。

在一些实施例中，可以基于全景照相机360度环绕拍摄线下库房，得到电商线下库房的全景图。例如，如图2所示，图2为本发明实施例提供的一种相机360度环绕拍摄库房的示意图，如图所示，相机可以绕着中心轴旋转360度拍摄库房从而得到电商线下库房的全景图。

全景图是指以照片形式存在的广角图像。全景图可以显示库房中的货物的信息。例如，全景图可以反映出货物在库房的放置位置、库房的大小、货物的大小、形状、库存等信息。

多个货物表示种类相同的多个货物，例如有1000件短袖，10000件长裤，1000套电脑。

步骤S2，基于卷积神经网络模型对所述全景图进行处理得到货物的线下库存状态，其中所述卷积神经网络模型的输入包括全景图，所述卷积神经网络模型的输出为所述货物的线下库存状态。

由于在实际电商物流中，运输效率较为关键，采用卷积神经网络模型对全景图进行处理得到所述货物的线下库存状态，可以避免清点货物带来的时间浪费，进而提高了货物的调配效率。

货物的线下库存状态表示货物的库存情况，货物的线下库存状态可以为0-1之间的数字，例如货物的线下库存状态为1表示库存已经装满货物，货物的线下库存状态为0表示没有库存，货物的线下库存状态为0.5表示货物仅剩一半库存。

货物的线下库存状态还可以为货物的库存量，例如货物的线下库存状态为1000件表示货物还剩1000件，货物的线下库存状态为500表示货物还剩500件，货物的线下库存状态为0，表示货物没有库存了。

卷积神经网络模型包括卷积神经网络。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。

卷积神经网络模型可以基于全景图进行处理得到货物的线下库存状态，卷积神经网络模型的输入包括全景图，输出为所述货物的线下库存状态。

卷积神经网络模型可以通过训练样本训练得到。训练样本中的输入包括多个样本全景图，训练样本中的输出为样本货物的线下库存状态。多组训练样本可以通过工作人员对全景图手动标注货物的线下库存状态得到，例如工作人员可以手动标注样本全景图的货物的线下库存状态，并将标注的货物的线下库存状态作为训练样本的输出以用于训练。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。具体的，根据训练样本，构建卷积神经网络模型的损失函数，通过卷积神经网络模型的损失函数调整卷积神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。

步骤S3，获取电商线上货物订单数据，并通过长短期神经网络模型进行处理得到本月的线上货物的预测销售数量，其中所述长短期神经网络模型的输入包括所述电商线上货物订单数据，所述长短期神经网络模型的输出为所述本月的线上货物的预测销售数量，其中所述电商线上货物订单数据包括上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用。

上个月货物交易数据表示货物在线上卖出了多少数量。上个月货物交易数据为上个月货物交易数量随时间的变化序列。例如上个月货物交易数量随时间的变化序列为1101-100,1102-120，1103-150……，其分别表示11月1号卖出了100件货物，11月2号卖出了120件货物，11月3号卖出了150件货物。上个月退货量表示货物在线上卖出后货物的退回数量。上个月换货量表示货物在线上卖出后货物进行换货的数量。上个月用户浏览货物的平均停留时间表示用户在浏览货物页面时的平均停留时间。当前已放入购物车的货物数量表示当前用户已经将该货物加入到购物车的货物的数量，例如当前有1000个货物放在用户的购物车中。当前聊天问询的客户数量表示客户主动联系客服建立聊天页面的客户数量。本月营销费用表示当前拟定的本月在营销该货物的营销费用。由于本月的线上货物的预测销售数量的确定需要考虑多种因素的影响，多种因素都会影响本月的货物销售情况，所以将电商线上货物订单数据的多个参数作为长短期神经网络模型的输入，从而使得输出的本月的线上货物的预测销售数量更加准确和全面。

长短期神经网络模型包括长短期记忆网络（LSTM，Long Short-Term Memory），长短期记忆网络是RNN(RecurrentNeural Network，循环神经网络)中的一种。

长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间点的上个月货物交易数量随时间的变化序列，能够输出得到考虑各个时间点的工作数据之间关联关系的特征，使得该输出的特征更加的准确和全面。

长短期神经网络模型可以通过训练样本训练得到。训练样本的输入为所述上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用，训练样本的输出是本月的线上货物的预测销售数量。在一些实施例中，可以通过梯度下降法对长短期神经网络模型进行训练得到训练后的长短期神经网络模型。具体的，根据训练样本，构建长短期神经网络模型的损失函数，通过长短期神经网络模型的损失函数调整长短期神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。

训练完成后，输入所述上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用到训练完成后的长短期神经网络模型，输出得到本月的线上货物的预测销售数量。

步骤S4，获取货物的多个供应商数据，并基于所述多个供应商的数据确定多个供应商节点的特征，所述多个供应商节点的特征包括每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量。

将所述货物的多个供应商数据中的每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量的特征确定为供应商节点的特征，以准备后续构建图。

每个供应商与电商的库房距离表示每个供应商与电商的库房的直线距离。每个供应商的信誉积分表示采购网站中对供应商的信誉评分。每个供应商的货物库存表示每个供应商中该货物的库存量。每个供应商的供应货物价格表示每个供应商供应该货物的价格。每个供应商的发货方式包括快递运输方式，例如空运、陆运、船运等。每个供应商的历史成交量表示供应商总共卖出了该货物多少个。

步骤S5，将所述货物的线下库存状态、所述本月的线上货物的预测销售数量作为电商节点的特征，并基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系，将所述图输入到图神经网络模型，输出得到所述多个供应商中每个供应商的本月的供应货物数量。

在一些实施例中，图神经网络模型可以包括图神经网络（Graph Neural Network，GNN）和全连接层。图神经网络是一种直接作用于图上的神经网络，所述图是由节点和边两部分组成的一种数据结构。图神经网络模型基于信息传播机制，每一个节点通过相互交换信息来更新自己的节点状态，直到达到某一个稳定值，图神经网络模型的输出就是在每个节点处，根据当前节点状态分别计算输出。

在一些实施例中，图神经网络模型可以包括多层图神经网络。多层图神经网络训练或实际应用过程中，每一层每个节点从与之连接(例如，相邻)的节点接收信息，并进行节点之间的信息融合，经过多层图神经网络之后，每一层中的节点可以与更远的节点(例如，与之不连接或相邻的节点)进行信息融合，提高了准确性。

在一些实施例中，可以基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系。图3为本发明实施例提供的基于电商和多个供应商构建的图的示意图。如图3所示，构建的图包括多个节点A、B、C、D和E，以及由多个节点组成的边构成，其中，A、B、C、D代表多个供应商节点，E表示电商节点，a₁,a₂,a₃,a₄,a₅,a₆…和d₁,d₂,d₃,d₄,d₅,d₆分别代表多个供应商的节点的特征，多个供应商的节点的特征分别是每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量。e₁,e₂分别代表电商的节点的特征，电商的节点的特征分别是所述货物的线下库存状态、所述本月的线上货物的预测销售数量。电商节点E和多个供应商节点A、…和D之间的连线代表所述图的边的边。所述图的边为多个节点之间的关系。在一些实施例中，边可以是运输时间或运输费用。

图中的每个节点都包含一个对应的输出结果，输出结果代表预测数据。例如，输出结果是所述多个供应商中每个供应商的本月的供应货物数量。例如输出得到A供应商的本月的供应货物数量为1000个，B供应商的本月的供应货物数量为500个，C供应商的本月的供应货物数量为1000个，D供应商的本月的供应货物数量为1500个。在一些实施例中，图神经网络模型可以包括图神经网络和全连接层，图神经网络的输出可以连接到全连接层，全连接层进行输出得到本月的线上货物的预测销售数量。

图神经网络模型可以通过训练样本训练得到。训练样本的输入包括多个节点和多个边，所述多个节点包括多个供应商和电商，所述多个边为多个节点之间的关系，训练样本的输出为所述多个供应商中每个供应商的本月的供应货物数量。在一些实施例中，可以通过梯度下降法对图神经网络模型进行训练得到训练后的图神经网络模型。具体的，根据训练样本，构建图神经网络模型的损失函数，通过图神经网络模型的损失函数调整图神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。

训练完成后，可以将所述图输入到所述图神经网络模型中，输出得到所述多个供应商中每个供应商的本月的供应货物数量。

在一些实施例中，若所述多个供应商的总供货量小于所述本月的线上货物的预测销售数量，则计算所述货物对应的说明书文本数据的SimHash值和采购网站的供应货物列表中每一个待采购货物的说明书文本数据的SimHash值，通过汉明距离计算出所述货物对应的说明书文本数据的SimHash值与所述每一个待采购货物的说明书文本数据的SimHash值的多个相似度，并将相似度最高的待采购货物对应的供应商作为所述电商的供应商。

多个供应商的总供货量表示多个供应商供货量之和，如果供货量之和小于所述本月的线上货物的预测销售数量，则说明当前的多个供应商不足以供应货物，则可以基于SimHash值和汉明距离计算出与该货物相似度最高的货物所对应的供应商，并将所述与该货物相似度最高的货物所对应的供应商作为新的货物供应商，从而提高了供应商查找效率，提高了货物调配速度。

基于同一发明构思，图4为本发明的实施例提供的一种基于数据处理的电商线上线下货物调配装置，包括：

获取单元41，用于获取电商线下库房的全景图，所述库房存放有多个货物；

库存确定单元42，用于基于卷积神经网络模型对所述全景图进行处理得到货物的线下库存状态，其中所述卷积神经网络模型的输入包括全景图，所述卷积神经网络模型的输出为所述货物的线下库存状态；

预测销售单元43，用于获取电商线上货物订单数据，并通过长短期神经网络模型进行处理得到本月的线上货物的预测销售数量，其中所述长短期神经网络模型的输入包括所述电商线上货物订单数据，所述长短期神经网络模型的输出为所述本月的线上货物的预测销售数量，其中所述电商线上货物订单数据包括上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用；

图神经网络单元44，用于获取货物的多个供应商数据，并基于所述多个供应商的数据确定多个供应商节点的特征，所述多个供应商节点的特征包括每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量；

所述图神经网络单元44还用于将所述货物的线下库存状态、所述本月的线上货物的预测销售数量作为电商节点的特征，并基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系，将所述图输入到图神经网络模型，输出得到所述多个供应商中每个供应商的本月的供应货物数量。

基于同一发明构思，本发明的实施例提供了一种电子设备，如图5所示，包括：

处理器51；用于存储处理器51中可执行程序指令的存储器52；其中，处理器51被配置为执行以实现如前述提供的一种基于数据处理的电商线上线下货物调配方法的方法，所述方法包括：

S1、获取电商线下库房的全景图，所述库房存放有多个货物；S2、基于卷积神经网络模型对所述全景图进行处理得到货物的线下库存状态，其中所述卷积神经网络模型的输入包括全景图，所述卷积神经网络模型的输出为所述货物的线下库存状态；S3、获取电商线上货物订单数据，并通过长短期神经网络模型进行处理得到本月的线上货物的预测销售数量，其中所述长短期神经网络模型的输入包括所述电商线上货物订单数据，所述长短期神经网络模型的输出为所述本月的线上货物的预测销售数量，其中所述电商线上货物订单数据包括上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用；S4、获取货物的多个供应商数据，并基于所述多个供应商的数据确定多个供应商节点的特征，所述多个供应商节点的特征包括每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量；S5、将所述货物的线下库存状态、所述本月的线上货物的预测销售数量作为电商节点的特征，并基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系，将所述图输入到图神经网络模型，输出得到所述多个供应商中每个供应商的本月的供应货物数量。

基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器51执行时，使得电子设备能够执行实现如前述提供的基于数据处理的电商线上线下货物调配方法，所述方法包括: S1、获取电商线下库房的全景图，所述库房存放有多个货物；S2、基于卷积神经网络模型对所述全景图进行处理得到货物的线下库存状态，其中所述卷积神经网络模型的输入包括全景图，所述卷积神经网络模型的输出为所述货物的线下库存状态；S3、获取电商线上货物订单数据，并通过长短期神经网络模型进行处理得到本月的线上货物的预测销售数量，其中所述长短期神经网络模型的输入包括所述电商线上货物订单数据，所述长短期神经网络模型的输出为所述本月的线上货物的预测销售数量，其中所述电商线上货物订单数据包括上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用；S4、获取货物的多个供应商数据，并基于所述多个供应商的数据确定多个供应商节点的特征，所述多个供应商节点的特征包括每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量；S5、将所述货物的线下库存状态、所述本月的线上货物的预测销售数量作为电商节点的特征，并基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系，将所述图输入到图神经网络模型，输出得到所述多个供应商中每个供应商的本月的供应货物数量。

基于同一发明构思，本实施例还提供了一种计算机程序产品，所述计算机程序被处理器执行时实现如前述提供的基于数据处理的电商线上线下货物调配方法。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (7)

1.一种基于数据处理的电商线上线下货物调配方法，其特征在于，包括：

S1、获取电商线下库房的全景图，所述库房存放有多个货物；

S2、基于卷积神经网络模型对所述全景图进行处理得到货物的线下库存状态，其中所述卷积神经网络模型的输入包括全景图，所述卷积神经网络模型的输出为所述货物的线下库存状态；

S3、获取电商线上货物订单数据，并通过长短期神经网络模型进行处理得到本月的线上货物的预测销售数量，其中所述长短期神经网络模型的输入包括所述电商线上货物订单数据，所述长短期神经网络模型的输出为所述本月的线上货物的预测销售数量，其中所述电商线上货物订单数据包括上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用；

S4、获取货物的多个供应商数据，并基于所述多个供应商的数据确定多个供应商节点的特征，所述多个供应商节点的特征包括每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量；

S5、将所述货物的线下库存状态、所述本月的线上货物的预测销售数量作为电商节点的特征，并基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系，将所述图输入到图神经网络模型，输出得到所述多个供应商中每个供应商的本月的供应货物数量；

所述方法还包括：若所述多个供应商的总供货量小于所述本月的线上货物的预测销售数量，则计算所述货物对应的说明书文本数据的SimHash值和采购网站的供应货物列表中每一个待采购货物的说明书文本数据的SimHash值，通过汉明距离计算出所述货物对应的说明书文本数据的SimHash值与所述每一个待采购货物的说明书文本数据的SimHash值的多个相似度，并将相似度最高的待采购货物对应的供应商作为所述电商的供应商。

2.如权利要求1所述的基于数据处理的电商线上线下货物调配方法，其特征在于，所述获取电商线下库房的全景图，包括：基于全景照相机进行360度扫描得到电商线下库房的全景图。

3.如权利要求1所述的基于数据处理的电商线上线下货物调配方法，其特征在于，包括：所述图神经网络模型经过梯度下降法训练得到。

4.如权利要求1所述的基于数据处理的电商线上线下货物调配方法，其特征在于，包括：所述图神经网络模型包括图神经网络和全连接层，所述图神经网络的输出连接到全连接层，所述全连接层输出得到所述多个供应商中每个供应商的本月的供应货物数量。

5.一种基于数据处理的电商线上线下货物调配装置，其特征在于，包括：

获取单元，用于获取电商线下库房的全景图，所述库房存放有多个货物；

库存确定单元，用于基于卷积神经网络模型对所述全景图进行处理得到货物的线下库存状态，其中所述卷积神经网络模型的输入包括全景图，所述卷积神经网络模型的输出为所述货物的线下库存状态；

预测销售单元，用于获取电商线上货物订单数据，并通过长短期神经网络模型进行处理得到本月的线上货物的预测销售数量，其中所述长短期神经网络模型的输入包括所述电商线上货物订单数据，所述长短期神经网络模型的输出为所述本月的线上货物的预测销售数量，其中所述电商线上货物订单数据包括上个月货物交易数据、上个月退货量、上个月换货量、上个月用户浏览货物的平均停留时间、当前已放入购物车的货物数量、当前聊天问询的客户数量、本月营销费用；

图神经网络单元，用于获取货物的多个供应商数据，并基于所述多个供应商的数据确定多个供应商节点的特征，所述多个供应商节点的特征包括每个供应商与电商的库房距离、每个供应商的信誉积分、每个供应商的货物库存、每个供应商的供应货物价格、每个供应商的发货方式、每个供应商的历史成交量；

所述图神经网络单元还用于将所述货物的线下库存状态、所述本月的线上货物的预测销售数量作为电商节点的特征，并基于所述电商节点的特征和所述多个供应商节点的特征构建图，所述图的多个节点包括多个供应商和电商，所述图的边为多个节点之间的关系，将所述图输入到图神经网络模型，输出得到所述多个供应商中每个供应商的本月的供应货物数量；

所述装置还用于：若所述多个供应商的总供货量小于所述本月的线上货物的预测销售数量，则计算所述货物对应的说明书文本数据的SimHash值和采购网站的供应货物列表中每一个待采购货物的说明书文本数据的SimHash值，通过汉明距离计算出所述货物对应的说明书文本数据的SimHash值与所述每一个待采购货物的说明书文本数据的SimHash值的多个相似度，并将相似度最高的待采购货物对应的供应商作为所述电商的供应商。

6.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1至4任一项所述的基于数据处理的电商线上线下货物调配方法的步骤。

7.一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，该程序被处理器执行时实现如权利要求1至4任一项所述的基于数据处理的电商线上线下货物调配方法对应的步骤。

Images