CN116151931A - 基于人工智能的跨境电商销产一体化数据处理系统 - Google Patents

基于人工智能的跨境电商销产一体化数据处理系统 Download PDF

Info

Publication number
CN116151931A
CN116151931A CN202310347442.2A CN202310347442A CN116151931A CN 116151931 A CN116151931 A CN 116151931A CN 202310347442 A CN202310347442 A CN 202310347442A CN 116151931 A CN116151931 A CN 116151931A
Authority
CN
China
Prior art keywords
supply
products
data
transportation
product
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.)
Granted
Application number
CN202310347442.2A
Other languages
English (en)
Other versions
CN116151931B (zh
Inventor
王宜明
王艳玲
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.)
Jining Daai Garment Co ltd
Original Assignee
Jining Daai Garment 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 Jining Daai Garment Co ltd filed Critical Jining Daai Garment Co ltd
Priority to CN202310347442.2A priority Critical patent/CN116151931B/zh
Publication of CN116151931A publication Critical patent/CN116151931A/zh
Application granted granted Critical
Publication of CN116151931B publication Critical patent/CN116151931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • 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
    • G06Q30/0283—Price estimation or determination
    • G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及用于电商的数据处理技术领域，具体涉及基于人工智能的跨境电商销产一体化数据处理系统，包括：数据采集模块：获取历史订单数据及历史运输供给数据；数据预处理模块：获取供给时间跨度，根据历史订单数据获取仓间供给关注权重以及厂仓供给关注权重，根据历史运输供给数据获取仓间运输供给时序数据及厂仓运输供给时序数据，进而进行多尺度粗粒化处理；相似度构建模块：获取两产品的仓间运输供给相似性及厂仓运输供给相似性；产品分类模块：获取各产品间的运输供给相似性，根据运输供给相似性对各产品进行分类。本发明克服了现有根据运输路径成本进行产品分类方式的缺陷，更加适应跨境电商平台的销售特性。

Description

基于人工智能的跨境电商销产一体化数据处理系统
技术领域
本发明涉及用于电商的数据处理技术领域，具体涉及基于人工智能的跨境电商销产一体化数据处理系统。
背景技术
跨境贸易是当今贸易全球化中最重要的构成部分；当前跨境电商平台仅作为商务贸易的交易平台为产品生产工厂提供订单，产品由生产工厂生产，由国际物流配送；而产销一体的跨境电商平台，其集生产与销售为一体，即对于产销一体化跨境电商来说，产品的生产工厂和出货仓库之间的产品供给是实现产品按时发出的基础。
其中，当前的产销一体化跨境电商平台对生产工厂与出货仓库之间的产品供给数据一般进行运输路径的成本分析，即根据各个生产厂与各个出货仓库之间的运输路径成本对不同产品进行分类，这种数据处理方式可有效的对产品出货供给的成本进行分类分析，但对于跨境电商贸易而言，现有技术依据产品在供给网内的运输成本进行供给策略的制定是存在局限性的，无法准确地给出运输成本的供给策略的问题，这是因为不同产品从生产工厂供给到出货仓库，以及不同供货仓库间的产品调度还与销售端的订单有关；因此需要利用产品从生产工厂到出货仓库的历史运输供给数据结合产品的历史订单数据获取产品的供给运输特征进而对产品进行分类，对平台方提供运输策略依据。
发明内容
本发明提供基于人工智能的跨境电商销产一体化数据处理系统，以解决现有的供给网内的运输成本进行供给策略的制定是存在局限性的，无法准确地给出运输成本的供给策略问题。
本发明的基于人工智能的跨境电商销产一体化数据处理系统采用如下技术方案：
本发明一个实施例提供了基于人工智能的跨境电商销产一体化数据处理系统，该系统包括以下模块：
数据采集模块：获取不同产品的历史订单数据及历史运输供给数据；
数据预处理模块：获取供给时间跨度，根据每一产品的历史订单数据获取每一产品在每一供给时间跨度下的仓间供给关注权重以及厂仓供给关注权重，根据每一产品的历史运输供给数据获取每一产品在每一时序处的仓间运输供给时序数据及厂仓运输供给时序数据，对每一产品在每一时序处的仓间运输供给时序数据及厂仓运输供给时序数据进行多尺度粗粒化处理，得到每一产品在不同尺度下的仓间运输供给粗粒化时序数据以及厂仓运输供给粗粒化时序数据；
相似度构建模块：根据两两产品的多个仓间运输供给粗粒化时序数据以及多个供给时间跨度下的仓间供给关注权重计算两两产品的仓间运输供给相似性，根据两两产品的多个厂仓运输供给粗粒化时序数据以及多个供给时间跨度下的厂仓供给关注权重计算两两产品的厂仓运输供给相似性；
产品分类模块：根据各产品之间的仓间运输供给相似性以及厂仓运输供给相似性获取各产品间的运输供给相似性，根据运输供给相似性对各产品进行分类。
可选的，所述根据每一产品的历史订单数据获取每一产品在每一供给时间跨度下的仓间供给关注权重以及厂仓供给关注权重，包括的具体步骤如下：
记任意一商品为关注商品，获取关注商品的历史订单数据中每一订单的下单时期及交货日期的时间跨度，记为供给时间跨度，获取每一供给时间跨度对应的订单数量占关注商品的历史订单总量的比值，记为每一供给时间跨度的订单数量比值，获取所有种商品供给时间跨度的最大值，记为最大时间跨度；
Figure SMS_1
Figure SMS_2
其中，
Figure SMS_5
表示第
Figure SMS_6
种产品在
Figure SMS_10
供给时间跨度下的厂仓供给关注权重，
Figure SMS_4
表示第
Figure SMS_8
种产品在
Figure SMS_9
供给时间跨度下的仓间供给关注权重，
Figure SMS_12
表示供给时间跨度，
Figure SMS_3
表示最大供给时间 跨度，
Figure SMS_7
表示
Figure SMS_11
供给时间跨度的订单数量比值。
可选的，所述根据每一产品的历史运输供给数据获取每一产品在每一时序处的仓间运输供给时序数据及厂仓运输供给时序数据，包括的具体步骤如下：
Figure SMS_13
其中，
Figure SMS_16
表示第
Figure SMS_19
种产品在时序
Figure SMS_20
处的厂仓运输供给时序数据，
Figure SMS_15
表示 时序
Figure SMS_18
处生产工厂
Figure SMS_22
生产的产品运输至目的地为仓库
Figure SMS_23
的数量与当天所有生产工厂生产第
Figure SMS_14
种产品的生产总量之比，
Figure SMS_17
表示生产工厂个数，
Figure SMS_21
表示仓库个数；
Figure SMS_24
其中，
Figure SMS_27
表示第
Figure SMS_29
种产品在时序
Figure SMS_31
处的仓间运输供给时序数据，
Figure SMS_25
表示，时 序
Figure SMS_28
处供给仓库
Figure SMS_30
将产品运输至出货仓库
Figure SMS_32
的产品数量占当天所有仓库出货产品总数量的 比值，
Figure SMS_26
表示仓库个数。
可选的，所述根据两两产品的多个仓间运输供给粗粒化时序数据以及多个供给时间跨度下的仓间供给关注权重计算两两产品的仓间运输供给相似性，包括的具体步骤如下：
Figure SMS_33
其中，
Figure SMS_35
表示第
Figure SMS_38
种产品与第
Figure SMS_41
种产品的仓间运输供给相似性，
Figure SMS_37
表示最大 供给时间跨度，
Figure SMS_39
、
Figure SMS_43
分别表示第
Figure SMS_44
种产品、第
Figure SMS_34
种产品在
Figure SMS_40
供给时间跨度下的仓间供 给关注权重，
Figure SMS_42
表示第
Figure SMS_45
种产品与第
Figure SMS_36
种产品的仓间运输供给时序数 据结果的差异；
Figure SMS_46
其中，
Figure SMS_56
表示仓库个数，
Figure SMS_48
表示第
Figure SMS_53
种产品在
Figure SMS_54
尺度下仓间运输供给粗粒化时 序数据的对应矩阵上第
Figure SMS_57
行
Figure SMS_60
列的数据，
Figure SMS_62
表示第
Figure SMS_55
种产品在
Figure SMS_58
尺度下仓间运输供给粗 粒化时序数据的对应矩阵上第
Figure SMS_47
行
Figure SMS_51
列的数据，
Figure SMS_49
表示求取绝对值，
Figure SMS_52
表示第
Figure SMS_59
种产品与第
Figure SMS_61
种产品的仓间运输供给时序数据的
Figure SMS_50
尺度粗粒化结果的最大时序号。
可选的，所述根据两两产品的多个厂仓运输供给粗粒化时序数据以及多个供给时间跨度下的厂仓供给关注权重计算两两产品的厂仓运输供给相似性，包括的具体步骤如下：
Figure SMS_63
其中，
Figure SMS_65
表示第
Figure SMS_67
种产品与第
Figure SMS_70
种产品的厂仓运输供给相似性，
Figure SMS_66
表示最大 供给时间跨度，
Figure SMS_69
分别表示第
Figure SMS_72
种产品、第
Figure SMS_73
种产品在
Figure SMS_64
供给时间跨度下的厂仓 供给关注权重，
Figure SMS_68
表示表示第
Figure SMS_71
种产品与第
Figure SMS_74
种产品的厂仓运输供给 时序数据结果的差异；
Figure SMS_75
其中，
Figure SMS_87
表示仓库个数，
Figure SMS_78
表示第
Figure SMS_83
种产品在
Figure SMS_80
尺度下厂仓运输供给粗粒化时 序数据的对应矩阵上第
Figure SMS_84
行
Figure SMS_88
列的数据，
Figure SMS_91
表示第
Figure SMS_85
种产品在
Figure SMS_89
尺度下厂仓运输供给粗 粒化时序数据的对应矩阵上第
Figure SMS_76
行
Figure SMS_81
列的数据，
Figure SMS_79
表示求取绝对值，
Figure SMS_82
表示第
Figure SMS_86
种产品与第
Figure SMS_90
种产品的厂仓运输供给时序数据的
Figure SMS_77
尺度粗粒化结果的最大时序号。
可选的，所述根据各产品之间的仓间运输供给相似性以及厂仓运输供给相似性获取各产品间的运输供给相似性，包括的具体步骤如下：
Figure SMS_92
其中，
Figure SMS_95
表示第
Figure SMS_97
种产品与第
Figure SMS_100
种产品的运输供给相似性，
Figure SMS_94
表示第
Figure SMS_98
种产品与第
Figure SMS_99
种产品的仓间运输供给相似性，
Figure SMS_101
表示第
Figure SMS_93
种产品与第
Figure SMS_96
种产品的 厂仓运输供给相似性。
本发明的技术方案的有益效果是：
当前的产销一体化跨境电商平台依据产品在供给网内的运输成本进行供给策略的制定，但由于不同产品从生产工厂供给到出货仓库，以及不同供货仓库间的产品调度还与销售端的订单有关，仅根据产品的运输数据对产品进行分类进而制定供给策略存在误差；因此，本方法相比于现有根据产品运输路径对产品进行分类的方法，结合销售端的订单数据首先获取每一订单从下单到交货的时间跨度，进而根据获取不同时间跨度的仓间供给关注权重以及厂仓供给关注权重，进而结合产品的运输数据获取两两产品的仓间运输供给相似性与厂仓运输供给相似性，结合仓间运输供给相似性与厂仓运输供给相似性获取运输供给相似性，进而结合运输供给相似性对产品进行分类，克服了现有根据运输路径成本进行产品分类的方式，结合订单数据与运输数据的联系更加适应跨境电商平台的销售特性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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为本发明基于人工智能的跨境电商销产一体化数据处理系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的跨境电商销产一体化数据处理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的跨境电商销产一体化数据处理系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的跨境电商销产一体化数据处理系统的系统框图，该系统包括以下模块：
数据采集模块S101：获取不同产品的历史订单数据及历史运输供给数据。
需要说明的是，对于产销一体的跨境电商平台而言，其不同产品的生产工厂以及出货仓库均是可能相同或不同的；对于一个产品而言，其从生产工厂被生产出来到被运输至出货仓库，还可能从一个出货仓库被调度到另一个出货仓库，即产品被供给至实际出货仓库的过程，均属于一个产品的运输供给数据；不同产品从生产工厂供给到实际出货仓库，以及不同供货仓库间的产品调度与销售端的订单有关，因此首先需要获取每一产品的历史订单数据及历史运输供给数据。
历史运输供给数据包括：各生产厂编号以及各仓库编号，每天从各生产厂生产出的产品分别运输至不同仓库的占比，各仓库每天的出货产品中来自不同仓库的产品量占比；
历史订单数据包括：产品的下单日期、交货日期以及订单要求的产品数量。
数据预处理模块S102：获取供给时间跨度，根据每一产品的历史订单数据获取每一产品在每一供给时间跨度下的仓间供给关注权重以及厂仓供给关注权重，根据每一产品的历史运输供给数据获取每一产品在每一时序处的仓间运输供给时序数据及厂仓运输供给时序数据，根据各产品的历史运输供给数据获取各产品的仓间运输供给时序数据以及厂仓运输供给时序数据并对获取的时序数据进行多尺度粗粒化处理获取不同尺度的仓间运输供给粗粒化时序数据以及厂仓运输供给粗粒化时序数据。
需要说明的是，对于各产品而言，其对应的历史订单数据表示了产品在销售端的特征，对于产销一体的跨境电商而言，产品在销售端被需求的特性决定了其供给端的特性；
若一个产品的订单数据中，下单日期与交货日期的时间跨度较大，说明供给端可以持续的通过生产工厂向出货仓库进行输送产品实现供给；而若一个产品的订单数据中，下单日期与交货日期的时间跨度较小，说明供给端需要在短时间内通过仓库间的产品库存调度来实现产品的供给；即产品的所有历史订单数据中，不同的下单日期与交货日期的时间跨度占比表明了该产品对供给端的要求，根据每一产品的历史订单数据获取厂仓供给关注权重与仓间供给关注权重。
具体的，以第
Figure SMS_105
种产品为例，获取第
Figure SMS_107
种产品的历史订单数据中每一订单的下单日 期及交货日期的时间跨度，记为供给时间跨度
Figure SMS_113
；获取每一供给时间跨度对应的订单数量占 第
Figure SMS_102
种产品的历史订单总量的比值，记为每一供给时间跨度的订单数量比值
Figure SMS_106
；获取所有种 产品中供给时间跨度集合的最大值，记为最大供给时间跨度
Figure SMS_110
；需要说明的是，以
Figure SMS_116
表示供给时间跨度，
Figure SMS_103
；例如，若第
Figure SMS_109
种产品的历史订单总量为23， 第
Figure SMS_111
种产品的供给时间跨度依次为
Figure SMS_115
、5、6，同时对于供给时间跨度3对应的订单数量为10，供 给时间跨度5对应的订单数量为7，供给时间跨度6对应的订单数量为6，且此时
Figure SMS_118
，则对 于第
Figure SMS_123
种产品而言，当供给时间跨度
Figure SMS_127
时，
Figure SMS_129
；当供给时间跨度
Figure SMS_120
时，
Figure SMS_124
；当供 给时间跨度
Figure SMS_126
时，
Figure SMS_130
当供给时间跨度
Figure SMS_104
时，
Figure SMS_108
；供给时间跨度
Figure SMS_112
时，
Figure SMS_114
；当供给时间跨度
Figure SMS_117
时，
Figure SMS_119
；当供给时间跨度
Figure SMS_125
时，
Figure SMS_128
；当供给时间跨 度
Figure SMS_121
时，
Figure SMS_122
。
对于每一种产品，均使用
Figure SMS_131
表示供给时间跨度。
以第
Figure SMS_132
种产品为例，获取第
Figure SMS_133
种产品在
Figure SMS_134
供给时间跨度下的厂仓供给关注权重
Figure SMS_135
、 第
Figure SMS_136
种产品在
Figure SMS_137
供给时间跨度下的仓间供给关注权重
Figure SMS_138
的计算方式为：
Figure SMS_139
Figure SMS_140
其中，
Figure SMS_141
表示供给时间跨度，
Figure SMS_142
表示最大供给时间跨度，
Figure SMS_143
表示每一供给时间跨度的 订单数量比值。若第
Figure SMS_144
种产品的某一订单的供给时间跨度越小，说明供给端需要在短时间内 通过仓库间的产品库存调度来实现产品的供给，仓间供给权重应越大；若第
Figure SMS_145
种产品的某一 订单的供给时间跨度的供给时间跨度越大，说明供给端可以持续的通过生产工厂向出货仓 库进行输送产品来实现供给，进而厂仓供给权重应越大；需要说明的是，
Figure SMS_146
。
至此，获取得到每一种产品在每一供给时间跨度下的厂仓供给关注权重与仓间供给关注权重。
进一步需要说明的是，由于上述获取得到每一种产品的历史运输供给数据，历史运输供给数据中每天从各生产厂生产出的产品分别运输至不同的仓库的占比可能相同也可能不用，同时每天生产出的产品运输至的仓库也可能相同、可能不同，需要先根据每一种产品的历史运输供给数据获取每一种产品的厂仓运输供给时序数据以及仓间运输供给时序数据。
具体的，以第
Figure SMS_147
种产品为例，获取第
Figure SMS_148
种产品在时序
Figure SMS_149
处的厂仓运输供给时序数据的 计算方式为：
Figure SMS_150
其中，
Figure SMS_152
表示厂仓运输供给时序数据中时序为
Figure SMS_154
处（此处时序表示日期，即
Figure SMS_159
表示一天内的厂仓运输供给数据）对应的厂仓运输供给数据，其中
Figure SMS_153
表示时序
Figure SMS_156
处 生产工厂
Figure SMS_157
生产的产品运输至目的地为仓库
Figure SMS_161
的数量占当天所有生产工厂生产第
Figure SMS_151
种产品 的生产总量的比值，
Figure SMS_155
表示生产工厂个数，
Figure SMS_158
表示仓库个数；需要说明的是，
Figure SMS_160
内所有矩 阵元素的值和为1。
对于第
Figure SMS_162
种产品来说，其对应的厂仓运输供给时序数据为
Figure SMS_163
；
Figure SMS_164
为1时表示记录数据的第一天，
Figure SMS_165
表示记录数据的最后一天。
至此，获取得到每一产品每一时序处的厂仓运输供给时序数据。
具体的，以第
Figure SMS_166
种产品为例，获取第
Figure SMS_167
种产品的时序
Figure SMS_168
处仓间运输供给时序数据的计 算方式为：
Figure SMS_169
其中，
Figure SMS_172
表示仓间运输供给时序数据中时序为
Figure SMS_173
处（此处时序表示日期，即
Figure SMS_176
表 示一天内的仓间运输供给时序数据）对应的仓间运输供给时序数据，其中
Figure SMS_171
表示， 时序
Figure SMS_174
处供给仓库
Figure SMS_177
将产品运输至出货仓库
Figure SMS_178
的产品数量占当天所有仓库出货产品总数量 的比值，
Figure SMS_170
表示仓库个数；需要说明的是，
Figure SMS_175
内所有矩阵元素的值和为1。
对于第
Figure SMS_179
种产品来说，其对应的仓间运输供给时序数据为
Figure SMS_180
；
Figure SMS_181
为1时表示记录数据的第一天，
Figure SMS_182
表示记录数据的最后一天。
至此，获取得到每一产品每一时序处的仓间运输供给时序数据。
进一步的，对
Figure SMS_183
、
Figure SMS_184
进行多尺度的粗粒化处理，需要说明的是，多尺度粗 粒化处理的目的是为了获取不同时间跨度上厂仓运输供给时序数据、仓间运输供给时序数 据的运输特征。
具体的，所述多尺度粗粒化处理过程如下，以第
Figure SMS_185
种产品在时序
Figure SMS_186
处的厂仓运输供 给时序数据
Figure SMS_187
为例，对其进行非重叠的跳跃采样，即每次取
Figure SMS_188
个数据，并对其进行平均， 以获取的平均值作为新的数据；其中
Figure SMS_189
为正整数，为供给时间跨度。
例如：若原始序列
Figure SMS_190
，对其进行尺度
Figure SMS_191
的非重叠粗粒化 获取的序列为：
Figure SMS_192
，
Figure SMS_193
，…，
Figure SMS_194
。
对每一产品在每一时序处的厂仓运输供给时序数据、仓间运输供给时序数据进行 不同尺度的
Figure SMS_195
的非重叠粗粒化处理后，获得不同的粗粒化结果；需要说明的是，由于原供给 时间序列数据上序列值为矩阵，获取得到的粗粒化结果各序列值也是矩阵。
具体的，以
Figure SMS_197
、
Figure SMS_199
为例，对
Figure SMS_204
、
Figure SMS_196
分别进行不同尺度
Figure SMS_201
的非重叠 粗粒化处理，记为厂仓运输供给粗粒化时序数据
Figure SMS_203
与仓间运输供给粗粒化时序数据
Figure SMS_205
；其中
Figure SMS_198
，
Figure SMS_200
表示最大粗粒化尺度即最大供给时间跨度，
Figure SMS_202
与历史订单数据 有关。
至此，获取得到每一产品在每一产品每一时序处的厂仓运输供给时序数据与仓间运输供给时序数据在不同粗粒化尺度处理下的结果；即获取得到每一产品的多个厂仓运输供给粗粒化时序数据，每一产品的多个仓间运输供给粗粒化时序数据。
相似度构建模块S103：根据两两产品的多个仓间运输供给粗粒化时序数据以及多供给时间跨度仓间供给关注权重计算两产品的仓间运输供给相似性，根据两两产品的多个厂仓运输供给粗粒化时序数据以及多供给时间跨度厂仓供给关注权重计算两产品的厂仓运输供给相似性。
需要说明的是，由于两两产品的仓间运输供给相似性关注产品从下单到出库过程中商品在仓库间的流动情况，需要结合产品的多个仓间运输供给粗粒化时序数据以及多供给时间跨度下的仓间供给关注权重进行构建；同时两两产品的厂仓运输供给相似性关注产品的下单及出库情况，需要结合产品的多个厂仓运输供给粗粒化时序数据以及多供给时间跨度下的厂仓供给关注权重进行构建。
具体的，以第
Figure SMS_206
种产品与第
Figure SMS_207
种产品为例，获取第
Figure SMS_208
种产品与第
Figure SMS_209
种产品的仓间 运输供给相似性
Figure SMS_210
的计算方式为：
Figure SMS_211
其中，
Figure SMS_214
表示最大供给时间跨度，
Figure SMS_217
、
Figure SMS_218
分别表示第
Figure SMS_212
种产品、第
Figure SMS_215
种产品在
Figure SMS_219
供给时间跨度下的仓间供给关注权重，
Figure SMS_220
表示第
Figure SMS_213
种产品与第
Figure SMS_216
种产 品的仓间运输供给时序数据结果的差异，计算方式如下：
Figure SMS_221
其中，
Figure SMS_233
表示仓库个数，
Figure SMS_225
表示第
Figure SMS_229
种产品在
Figure SMS_224
尺度下仓间运输供给粗粒化时 序数据的对应矩阵上第
Figure SMS_227
行
Figure SMS_230
列的数据，
Figure SMS_237
表示第
Figure SMS_231
种产品在
Figure SMS_235
尺度下仓间运输供给粗 粒化时序数据的对应矩阵上第
Figure SMS_222
行
Figure SMS_226
列的数据，
Figure SMS_236
表示求取绝对值，
Figure SMS_239
表示将矩阵
Figure SMS_238
上对应位置元素值做差取绝对值 之和，此处和最大值为2，
Figure SMS_241
表示第
Figure SMS_228
种产品与第
Figure SMS_232
种产品的仓间运输供给时序数据的
Figure SMS_234
尺 度粗粒化结果的最大时序号；需要说明的是，
Figure SMS_240
为归一化的数据，表示
Figure SMS_223
的差异，越大说明差异越大。
若
Figure SMS_242
越小，说明第
Figure SMS_243
种产品与第
Figure SMS_244
种产品在仓间运输供给特征上越相似。
至此，获取得到任意两种产品之间的仓间运输供给相似性。
进一步的，以第
Figure SMS_245
种产品与第
Figure SMS_246
种产品为例，获取第
Figure SMS_247
种产品与第
Figure SMS_248
种产品的厂 仓运输供给相似性
Figure SMS_249
的计算方式为：
Figure SMS_250
其中，
Figure SMS_252
表示最大供给时间跨度，
Figure SMS_255
分别表示第
Figure SMS_256
种产品、第
Figure SMS_253
种产品在
Figure SMS_254
供给时间跨度下的厂仓供给关注权重，
Figure SMS_257
表示表示第
Figure SMS_258
种产品与第
Figure SMS_251
种产品的厂仓运输供给时序数据结果的差异，计算方式如下：
Figure SMS_259
其中，
Figure SMS_277
表示仓库个数，
Figure SMS_269
表示第
Figure SMS_274
种产品在
Figure SMS_276
尺度下厂仓运输供给粗粒化时 序数据的对应矩阵上第
Figure SMS_281
行
Figure SMS_278
列的数据，
Figure SMS_282
表示第
Figure SMS_271
种产品在
Figure SMS_272
尺度下厂仓运输供给粗粒 化时序数据的对应矩阵上第
Figure SMS_261
行
Figure SMS_267
列的数据，
Figure SMS_270
表示求取绝对值，
Figure SMS_275
表示将矩阵
Figure SMS_279
上对应位置元素值做差取绝对值之和，此处和最大值为2；
Figure SMS_280
表示 第
Figure SMS_262
种产品与第
Figure SMS_264
种产品的厂仓运输供给时序数据的
Figure SMS_263
尺度粗粒化结果的最大时序号，与 第
Figure SMS_265
种产品与第
Figure SMS_260
种产品的仓间运输供给时序数据的
Figure SMS_266
尺度粗粒化结果的最大时序号取值 相同；需要说明的是，
Figure SMS_268
为归一化的数据，表示
Figure SMS_273
的差异， 越大说明差异越大。
若
Figure SMS_283
越小，说明产品种类
Figure SMS_284
在厂仓运输供给特征上越相似。
至此，获取得到任意两种产品之间的厂仓运输供给相似性。
产品分类模块S104：根据各产品间的仓间运输供给相似性以及厂仓运输供给相似性获取各产品间的运输供给相似性，根据运输供给相似性对各产品进行分类。
需要说明的是，由于两两产品间的运输供给相似性由两两产品的仓间运输供给相似性以及厂仓运输供给相似性共同决定，需要根据仓间运输供给相似性以及厂仓运输供给相似性构建两两产品的运输供给相似性。
具体的，以第
Figure SMS_285
种产品与第
Figure SMS_286
种产品为例，获取第
Figure SMS_287
种产品与第
Figure SMS_288
种产品的运输 供给相似性
Figure SMS_289
的计算方式为：
Figure SMS_290
其中，
Figure SMS_292
表示第
Figure SMS_297
种产品与第
Figure SMS_300
种产品的仓间运输供给相似性，
Figure SMS_294
表 示第
Figure SMS_296
种产品与第
Figure SMS_299
种产品的厂仓运输供给相似性；若
Figure SMS_301
越大，第
Figure SMS_291
种产品与第
Figure SMS_295
种产品越相似；对两两产品的运输供给相似性进行线性归一化处理，归一化的结果记为两 两产品的运输供给相似性；需要说明的是，
Figure SMS_298
为归一化数据，即
Figure SMS_302
取值范围为
Figure SMS_293
。
至此，获取得到任意两种产品间的运输供给相似性。
进一步的，根据任意两种产品间的运输供给相似性构建所有种类产品间的相似度 矩阵，根据相似度矩阵使用模糊聚类算法对所有种类产品进行运输供给特征的模糊聚类， 获取若干个产品类别；需要说明的是，本实施例设定模糊系数
Figure SMS_303
为0.6，具体实施过程实施者 可根据实际情况设定模糊系数的大小。
至此，根据产品的运输供给特征完成对产品的分类。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (6)

1.基于人工智能的跨境电商销产一体化数据处理系统，其特征在于，该系统包括以下模块：
数据采集模块：获取不同产品的历史订单数据及历史运输供给数据；
数据预处理模块：获取供给时间跨度，根据每一产品的历史订单数据获取每一产品在每一供给时间跨度下的仓间供给关注权重以及厂仓供给关注权重，根据每一产品的历史运输供给数据获取每一产品在每一时序处的仓间运输供给时序数据及厂仓运输供给时序数据，对每一产品在每一时序处的仓间运输供给时序数据及厂仓运输供给时序数据进行多尺度粗粒化处理，得到每一产品在不同尺度下的仓间运输供给粗粒化时序数据以及厂仓运输供给粗粒化时序数据；
相似度构建模块：根据两两产品的多个仓间运输供给粗粒化时序数据以及多个供给时间跨度下的仓间供给关注权重计算两两产品的仓间运输供给相似性，根据两两产品的多个厂仓运输供给粗粒化时序数据以及多个供给时间跨度下的厂仓供给关注权重计算两两产品的厂仓运输供给相似性；
产品分类模块：根据各产品之间的仓间运输供给相似性以及厂仓运输供给相似性获取各产品间的运输供给相似性，根据运输供给相似性对各产品进行分类。
2.根据权利要求1所述基于人工智能的跨境电商销产一体化数据处理系统，其特征在于，所述根据每一产品的历史订单数据获取每一产品在每一供给时间跨度下的仓间供给关注权重以及厂仓供给关注权重，包括的具体步骤如下：
记任意一商品为关注商品，获取关注商品的历史订单数据中每一订单的下单时期及交货日期的时间跨度，记为供给时间跨度，获取每一供给时间跨度对应的订单数量占关注商品的历史订单总量的比值，记为每一供给时间跨度的订单数量比值，获取所有种商品供给时间跨度的最大值，记为最大时间跨度；
Figure QLYQS_1
Figure QLYQS_2
其中，
Figure QLYQS_4
表示第/>
Figure QLYQS_7
种产品在/>
Figure QLYQS_9
供给时间跨度下的厂仓供给关注权重，/>
Figure QLYQS_5
表示第/>
Figure QLYQS_8
种产品在/>
Figure QLYQS_10
供给时间跨度下的仓间供给关注权重，/>
Figure QLYQS_12
表示供给时间跨度，/>
Figure QLYQS_3
表示最大供给时间跨度，/>
Figure QLYQS_6
表示/>
Figure QLYQS_11
供给时间跨度的订单数量比值。
3.根据权利要求1所述基于人工智能的跨境电商销产一体化数据处理系统，其特征在于，所述根据每一产品的历史运输供给数据获取每一产品在每一时序处的仓间运输供给时序数据及厂仓运输供给时序数据，包括的具体步骤如下：
Figure QLYQS_13
其中，
Figure QLYQS_15
表示第/>
Figure QLYQS_18
种产品在时序/>
Figure QLYQS_22
处的厂仓运输供给时序数据，/>
Figure QLYQS_16
表示时序/>
Figure QLYQS_19
处生产工厂/>
Figure QLYQS_20
生产的产品运输至目的地为仓库/>
Figure QLYQS_23
的数量与当天所有生产工厂生产第/>
Figure QLYQS_14
种产品的生产总量之比，/>
Figure QLYQS_17
表示生产工厂个数，/>
Figure QLYQS_21
表示仓库个数；
Figure QLYQS_24
其中，
Figure QLYQS_26
表示第/>
Figure QLYQS_28
种产品在时序/>
Figure QLYQS_31
处的仓间运输供给时序数据，/>
Figure QLYQS_27
表示，时序/>
Figure QLYQS_29
处供给仓库/>
Figure QLYQS_30
将产品运输至出货仓库/>
Figure QLYQS_32
的产品数量占当天所有仓库出货产品总数量的比值，/>
Figure QLYQS_25
表示仓库个数。
4.根据权利要求1所述基于人工智能的跨境电商销产一体化数据处理系统，其特征在于，所述根据两两产品的多个仓间运输供给粗粒化时序数据以及多个供给时间跨度下的仓间供给关注权重计算两两产品的仓间运输供给相似性，包括的具体步骤如下：
Figure QLYQS_33
其中，
Figure QLYQS_35
表示第/>
Figure QLYQS_40
种产品与第/>
Figure QLYQS_41
种产品的仓间运输供给相似性，/>
Figure QLYQS_36
表示最大供给时间跨度，/>
Figure QLYQS_38
、/>
Figure QLYQS_42
分别表示第/>
Figure QLYQS_44
种产品、第/>
Figure QLYQS_34
种产品在/>
Figure QLYQS_39
供给时间跨度下的仓间供给关注权重，/>
Figure QLYQS_43
表示第/>
Figure QLYQS_45
种产品与第/>
Figure QLYQS_37
种产品的仓间运输供给时序数据结果的差异；
Figure QLYQS_46
其中，
Figure QLYQS_57
表示仓库个数，/>
Figure QLYQS_48
表示第/>
Figure QLYQS_52
种产品在/>
Figure QLYQS_51
尺度下仓间运输供给粗粒化时序数据的对应矩阵上第/>
Figure QLYQS_56
行/>
Figure QLYQS_60
列的数据，/>
Figure QLYQS_62
表示第/>
Figure QLYQS_58
种产品在/>
Figure QLYQS_61
尺度下仓间运输供给粗粒化时序数据的对应矩阵上第/>
Figure QLYQS_47
行/>
Figure QLYQS_54
列的数据，/>
Figure QLYQS_50
表示求取绝对值，/>
Figure QLYQS_53
表示第/>
Figure QLYQS_55
种产品与第/>
Figure QLYQS_59
种产品的仓间运输供给时序数据的/>
Figure QLYQS_49
尺度粗粒化结果的最大时序号。
5.根据权利要求1所述基于人工智能的跨境电商销产一体化数据处理系统，其特征在于，所述根据两两产品的多个厂仓运输供给粗粒化时序数据以及多个供给时间跨度下的厂仓供给关注权重计算两两产品的厂仓运输供给相似性，包括的具体步骤如下：
Figure QLYQS_63
其中，
Figure QLYQS_66
表示第/>
Figure QLYQS_69
种产品与第/>
Figure QLYQS_72
种产品的厂仓运输供给相似性，/>
Figure QLYQS_65
表示最大供给时间跨度，/>
Figure QLYQS_68
分别表示第/>
Figure QLYQS_71
种产品、第/>
Figure QLYQS_74
种产品在/>
Figure QLYQS_64
供给时间跨度下的厂仓供给关注权重，/>
Figure QLYQS_67
表示表示第/>
Figure QLYQS_70
种产品与第/>
Figure QLYQS_73
种产品的厂仓运输供给时序数据结果的差异；
Figure QLYQS_75
其中，
Figure QLYQS_86
表示仓库个数，/>
Figure QLYQS_77
表示第/>
Figure QLYQS_83
种产品在/>
Figure QLYQS_80
尺度下厂仓运输供给粗粒化时序数据的对应矩阵上第/>
Figure QLYQS_87
行/>
Figure QLYQS_90
列的数据，/>
Figure QLYQS_91
表示第/>
Figure QLYQS_84
种产品在/>
Figure QLYQS_88
尺度下厂仓运输供给粗粒化时序数据的对应矩阵上第/>
Figure QLYQS_76
行/>
Figure QLYQS_81
列的数据，/>
Figure QLYQS_79
表示求取绝对值，/>
Figure QLYQS_82
表示第/>
Figure QLYQS_85
种产品与第/>
Figure QLYQS_89
种产品的厂仓运输供给时序数据的/>
Figure QLYQS_78
尺度粗粒化结果的最大时序号。
6.根据权利要求1所述基于人工智能的跨境电商销产一体化数据处理系统，其特征在于，所述根据各产品之间的仓间运输供给相似性以及厂仓运输供给相似性获取各产品间的运输供给相似性，包括的具体步骤如下：
Figure QLYQS_92
其中，
Figure QLYQS_94
表示第/>
Figure QLYQS_97
种产品与第/>
Figure QLYQS_99
种产品的运输供给相似性，/>
Figure QLYQS_95
表示第/>
Figure QLYQS_98
种产品与第/>
Figure QLYQS_100
种产品的仓间运输供给相似性，/>
Figure QLYQS_101
表示第/>
Figure QLYQS_93
种产品与第/>
Figure QLYQS_96
种产品的厂仓运输供给相似性。/>
CN202310347442.2A 2023-04-04 2023-04-04 基于人工智能的跨境电商销产一体化数据处理系统 Active CN116151931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310347442.2A CN116151931B (zh) 2023-04-04 2023-04-04 基于人工智能的跨境电商销产一体化数据处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310347442.2A CN116151931B (zh) 2023-04-04 2023-04-04 基于人工智能的跨境电商销产一体化数据处理系统

Publications (2)

Publication Number Publication Date
CN116151931A true CN116151931A (zh) 2023-05-23
CN116151931B CN116151931B (zh) 2023-06-30

Family

ID=86373853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310347442.2A Active CN116151931B (zh) 2023-04-04 2023-04-04 基于人工智能的跨境电商销产一体化数据处理系统

Country Status (1)

Country Link
CN (1) CN116151931B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486116A (zh) * 2023-06-16 2023-07-25 济宁大爱服装有限公司 一种基于机器视觉的服装加工用吊挂机异常检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002179209A (ja) * 2000-12-11 2002-06-26 Suzuka Fuji Xerox Co Ltd 輸出または輸入を伴う即時納品システム、即時納品方法、倉庫管理方法、商品の在庫管理方法および商品の受注管理方法
CN106557904A (zh) * 2016-11-10 2017-04-05 夏飞 一种跨境电商格子仓库物流系统
CN107886386A (zh) * 2016-09-30 2018-04-06 厦门华帆科技有限公司 一种跨境商品自动清关系统及其控制方法
CN110110931A (zh) * 2019-05-09 2019-08-09 上汽安吉物流股份有限公司 订单预测方法和装置、物流系统及计算机可读介质
CN112766842A (zh) * 2020-12-31 2021-05-07 杭州大萝卜网络科技有限公司 一种跨境电商海外仓精准库存管理系统及方法
CN113537882A (zh) * 2021-07-12 2021-10-22 武汉沃丰电子商务有限公司 一种跨境电子商务平台海外仓商品库存管理方法
CN114548605A (zh) * 2022-04-25 2022-05-27 深圳市快金数据技术服务有限公司 一种基于大数据的跨境电商物流订单分析管理系统
CN114912948A (zh) * 2022-04-24 2022-08-16 深圳船奇科技有限公司 基于云服务的跨境电商大数据智能处理方法、装置及设备
CN115829445A (zh) * 2022-11-24 2023-03-21 广汽本田汽车有限公司 生产企业仓库物流配送方法、系统、装置及存储介质
CN115879866A (zh) * 2022-12-29 2023-03-31 深圳市千岩科技有限公司 商品物料出库控制方法及其装置、设备、介质、产品

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002179209A (ja) * 2000-12-11 2002-06-26 Suzuka Fuji Xerox Co Ltd 輸出または輸入を伴う即時納品システム、即時納品方法、倉庫管理方法、商品の在庫管理方法および商品の受注管理方法
CN107886386A (zh) * 2016-09-30 2018-04-06 厦门华帆科技有限公司 一种跨境商品自动清关系统及其控制方法
CN106557904A (zh) * 2016-11-10 2017-04-05 夏飞 一种跨境电商格子仓库物流系统
CN110110931A (zh) * 2019-05-09 2019-08-09 上汽安吉物流股份有限公司 订单预测方法和装置、物流系统及计算机可读介质
CN112766842A (zh) * 2020-12-31 2021-05-07 杭州大萝卜网络科技有限公司 一种跨境电商海外仓精准库存管理系统及方法
CN113537882A (zh) * 2021-07-12 2021-10-22 武汉沃丰电子商务有限公司 一种跨境电子商务平台海外仓商品库存管理方法
CN114912948A (zh) * 2022-04-24 2022-08-16 深圳船奇科技有限公司 基于云服务的跨境电商大数据智能处理方法、装置及设备
CN114548605A (zh) * 2022-04-25 2022-05-27 深圳市快金数据技术服务有限公司 一种基于大数据的跨境电商物流订单分析管理系统
CN115829445A (zh) * 2022-11-24 2023-03-21 广汽本田汽车有限公司 生产企业仓库物流配送方法、系统、装置及存储介质
CN115879866A (zh) * 2022-12-29 2023-03-31 深圳市千岩科技有限公司 商品物料出库控制方法及其装置、设备、介质、产品

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RUIMIN LIU: ""Research on the Export Development of Small and Medium-sized Enterprises Cross-border E-commerce: Based on SWOT analysis"", 《2020 INTERNATIONAL CONFERENCE ON BIG DATA ECONOMY AND INFORMATION MANAGEMENT (BDEIM)》 *
方思;: "跨境电商背景下海外仓物流模式及选择策略研究", 福建交通科技, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486116A (zh) * 2023-06-16 2023-07-25 济宁大爱服装有限公司 一种基于机器视觉的服装加工用吊挂机异常检测方法
CN116486116B (zh) * 2023-06-16 2023-08-29 济宁大爱服装有限公司 一种基于机器视觉的服装加工用吊挂机异常检测方法

Also Published As

Publication number Publication date
CN116151931B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Harrigan Matching vertical integration strategies to competitive conditions
Sinha et al. Optimizing supply chain network for perishable products using improved bacteria foraging algorithm
CN116151931B (zh) 基于人工智能的跨境电商销产一体化数据处理系统
CN110392899A (zh) 用于模型生成的动态特征选择
Wang et al. A computational model for determining levels of factors in inventory management using response surface methodology
CN111368999B (zh) 一种物流调度系统
CN111507657B (zh) 一种基于半自动拣选系统的订单分波方法
CN112116296B (zh) 一种供货方法、系统、处理装置及计算机存储介质
Michalewicz et al. Case study: an intelligent decision support system
Keung et al. A machine learning predictive model for shipment delay and demand forecasting for warehouses and sales data
CN112288232B (zh) 干线网点的货物运输批次规划方法及系统
Bolotova et al. Is stabilization of potato price effective? Empirical evidence from the Idaho Russet Burbank potato market
CN115358813A (zh) 一种跨境电商平台智能运营系统
CN114792195A (zh) 产业链数据分析系统
CN115311005A (zh) 一种生鲜的供需管理方法、装置、电子设备及存储介质
CN115271580A (zh) 一种基于物流的供应商管理系统平台
JP2005235053A (ja) 農産物の特定遠隔地直売流通システム
CN117132196A (zh) 仓库管理方法及装置、设备及存储介质
CN107944795A (zh) 生鲜分拣报缺货物生成订单的方法以及系统
CN112580941A (zh) 一种中药饮片的物料管理方法
CN110766363A (zh) 生鲜农产品电子商务物流配送管理系统
CN112949884A (zh) 物品运单处理方法、装置、计算机设备和存储介质
Shirazi et al. Modeling and solving a three-stage fixed charge transportation problem considering stochastic demand and price
Trishyn et al. Automation of traceability process at grain terminal UKRTRANSAGRO
CN114663029B (zh) 一种基于一物一码的仓库商品监管系统及方法

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
GR01 Patent grant
GR01 Patent grant