CN116579722B - 一种基于深度学习的商品分销出入库管理方法 - Google Patents
一种基于深度学习的商品分销出入库管理方法 Download PDFInfo
- Publication number
- CN116579722B CN116579722B CN202310863053.5A CN202310863053A CN116579722B CN 116579722 B CN116579722 B CN 116579722B CN 202310863053 A CN202310863053 A CN 202310863053A CN 116579722 B CN116579722 B CN 116579722B
- Authority
- CN
- China
- Prior art keywords
- neural network
- commodity
- knowledge
- warehouse
- encoder
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 74
- 238000010586 diagram Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的商品分销出入库管理方法，其将商品分销出入库的动态路径进行本体映射，得到训练数据集，在此基础上，构建基于编解码器的双向训练原始模型，利用训练完成的模型实现对商品销量及库存情况的预测，根据预测的结果帮助商户做出合理的决策。
Description
技术领域
本发明涉及一种商品分销出入库管理技术领域，具体是一种基于深度学习算法的商品分销出入库管理方法。
背景技术
深度学习算法在很多领域都有广泛的应用。目前，随着计算机技术的快速发展，利用计算机强大的功能能够方便企业管理者管理商品分销出入库的任务，并且利用深度学习算法可以预测不同商品的销售情况和库存情况，方便管理者合理分配资源和更新商品体系结构。
通过记录历史销售数据和库存数据，包括时间、销售数量、价格、库存量等信息，并对数据进行清洗和预处理，然后提取数据中的不同特征，并将其转换为模型可以理解的数字格式，然后选择合适的深度学习模型并使用历史数据进行训练和调整，从而实现对商品销售和库存情况的预测，并方便工作人员和管理者根据实际情况进行商品库存优化和结构调整。
但是随着大数据时代数据量的急剧增长，数据呈现多源异构的形态特征，面对大量的多模态数据，利用传统的深度学习算法进行预测分析，会存在效率低、速度慢、可解释性弱等特点。
另一方面，商品分销出入库管理不仅涉及商品、出库和入库的简单工作，更涉及到客户喜好、销售旺季、营销策略等多元研究需求和深度调查，目前在商品分销出入库领域缺少完善的管理模式、运营手段，同时缺少基于深度学习的预测和分析模型，这会影响企业对商品的管理秩序混乱、影响商品销售效率，不利于企业经济效益，因此，亟需一种基于深度学习的商品分销出入库管理系统来解决上述技术问题。
本发明则可以从历史商品分销出入库的动态行为序列提取多维度特征进行精准预测，其面向多模态的实时大数据样本进行数据挖掘，结合知识本体图模型算法，将训练模型结构更加适应于大数据分析，更深入的挖掘隐藏信息，使输出的预测结果更符合大样本环境需求，相较于传统方法减少人工成本，具有较高稳定性和可靠性。
发明内容
本发明的目的在于提供一种基于深度学习的商品分销出入库管理方法，以解决上述背景技术中存在的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于深度学习的商品分销出入库管理方法，主要包括以下四个步骤：
步骤一：将商品分销出入库的动态路径进行本体映射，构成本体知识库，从而得到异源多模态的训练数据集。
步骤二：构建基于编码器解码器的双向训练的原始模型。
步骤三：采用步骤一得到的训练数据集，对步骤二构建的双向训练的原始模型进行训练，从而得到商品预测分析原始模型。
步骤四：采用步骤三得到的商品预测分析原始模型，进行实际情况下的商品销量及库存等情况的预测。
所述步骤一具体包括知识抽取、知识存储和知识补全：
作为本发明进一步的方案：所述知识抽取是指对对应领域的知识进行抽取，针对商品分销出入库管理中商品的类型、数量、分销地址、分销时间、出入库时间、市场热度、代言分数内容进行动态跟踪，将动态实体信息进行知识概念抽取和关系分类，获得知识三元组：。
所述知识存储是指对对应领域的知识进行存储，将知识抽取获得的知识，即动态实体信息和流数据作为实例化知识进行知识存储，采用RDF/XML(.RDF)格式存储。
所述知识补全是指对对应领域的知识架构进行关系、属性进行补全，根据本体知识库中的自动推理机制补全知识库的完整图结构形式，针对知识三元组的集合S，其中subject和predicate属于实体集，定义实体距离/>，
；
其损失函数。
所述步骤二具体包括如下技术特征：
构建基于编码器解码器的双向训练的原始模型，所述编码器采取图自动编码器和时空图神经网络获取本体知识库中的商品动静态信息，所述动静态信息用相同维度的向量表示。
动态信息包括分销时间、分销地址/>，分销数量/>、入库时间/>。
静态信息包括商品名称、商品类型/>、入库数量/>。
在动静态多个维度提取商品分销出入库相关的信息，定义为编码器输入向量为：。
并输出节点隐藏中间状态，作为解码器的重建特征输入向量。所述编码器采取图自动编码器和时空图神经网络获取本体知识库中的商品动静态信息，具体步骤如下：使用时空图神经网络获取知识库中时序的节点表示，并用图自动编码器对时序节点进行进一步的分析和处理。具体地，使用时空图神经网络学习训练节点在时间上的变化，获取节点的时序特征表示。然后将时序特征表示作为图自动编码器的输入，从而得到更加抽象和高维的节点表示。使用时空图神经网络获取知识库中时序的节点表示，具体包括以下步骤：将本体知识库中的时序、空间数据特征输入至时空图神经网络，然后时空图神经网络对知识库的知识特征进行提取，将信息转化为可直接用于分类的n维特征向量，然后送入softmax进行分类，实现时序特征的初步分类，其输出公式为：。
使用图自动编码器得到更加抽象和高维的节点表示，具体包括以下步骤：将时空图神经网络生成的输出时序特征输入至图自动编码器，由图的邻接矩阵/>和时序特征/>可以获得时序特征/>，其输出公式为：/>。
解码器采用两个级联的BERT神经网络，第一BERT神经网络和第二BERT神经网络，利用第一BERT神经网络和第二BERT神经网络对编码器输出的节点隐藏中间状态进行解码，解码器的输出结果/>是对商品销量/>、库存情况/>的预测结果，即输出向量有：。解码器采用第一BERT神经网络和第二BERT神经网络对编码器输出的节点隐藏中间状态进行解码，解码器的输出结果是对商品销量、库存情况的预测结果，具体步骤如下：输入编码器的输出节点隐藏中间状态信息，使用第一BERT神经网络对节点隐藏中间状态进行解码，构建一个树状结构，逐层对节点特征进行解码。使用第二BERT神经网络对解码后的特征进行处理，提取其中的空间信息和序列信息，将处理后的特征作为输入，使用全连接层进行输出，得到商品销量、库存情况的预测结果。使用第一BERT神经网络对节点隐藏中间状态进行解码，具体包括以下步骤：将由编码器获得的重建特征输入至第一BERT神经网络，经过训练后输入至第一BERT神经网络，直到误差损失收敛。使用第二BERT神经网络对解码后的特征进行处理，具体包括以下步骤：将ReLU作为第二BERT神经网络隐藏层的激活函数，不断加深网络，从而不断提升性能，ReLU的表达形式为：/>。
步骤三具体为：
训练过程中，采用L1损失函数进行损失计算。训练时先采用步骤一得到的本体知识库中的训练数据集，对步骤二构建的双向训练的预测分析原始模型进行训练，然后采用本体知识库中的验证数据集对训练后的模型进行正则化，直到训练后的模型收敛。最后，采用本体知识库中的测试数据集进行测试，得到模型的预测值，并用平均绝对误差和均方根误差对预测结果进行评估。
本发明的有益效果：
本发明提供了一种基于深度学习的商品分销出入库管理方法，利用本体知识库实时存储商品分销出入库过程的动态路径信息，为大数据的时代背景下的深度学习模型提供了更快的模型训练参数学习途径。结合第一BERT神经网络、第二BERT神经网络、图自动编码器和时空图神经网络，构建构建基于图神经网络的双向训练的商品预测分析原始模型，能够为商品分销策略提供科学指导和技术支持。
附图说明
图1是基于深度学习的商品分销出入库管理方法的流程示意图；
图2是基于深度学习的商品分销出入库管理方法本体知识库的框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
请参阅图1，本发明包括如下步骤：
步骤一具体包括知识抽取、知识存储和知识补全。
作为本发明进一步的方案：所述知识抽取是指对对应领域的知识进行抽取，针对商品分销出入库管理中商品的类型、数量、分销地址、分销时间、出入库时间、市场热度、代言分数内容进行动态跟踪，将动态实体信息进行知识概念抽取和关系分类，获得知识三元组：。
上述知识三元组（Knowledge-triple）表示知识表示形式，包括主体（subject）、广义谓词（predicate）和客体（object），通过这种表示方式，可以将领域内的知识结构化，便于计算机理解和处理，在本申请中可以表达如下知识：(商品A, 类型, 电子产品)，(商品A,数量, 1000)，(商品A, 分销地址, 北京市)等等。
所述知识存储是指对对应领域的知识进行存储，将知识抽取获得的知识，即动态实体信息和流数据作为实例化知识进行知识存储，采用RDF/XML(.RDF)格式存储。
所述知识补全是指对对应领域的知识架构进行关系、属性进行补全，根据本体知识库中的自动推理机制补全知识库的完整图结构形式，针对知识三元组的集合S，其中subject和predicate属于实体集，定义实体距离/>，其损失函数，其核心代码如下：
所述步骤二具体包括如下技术特征：
构建基于编码器解码器的双向训练的原始模型，所述编码器采取图自动编码器和时空图神经网络获取本体知识库中的商品动静态信息，所述动静态信息用相同维度的向量表示。
动态信息包括分销时间、分销地址/>，分销数量/>、入库时间/>。
静态信息包括商品名称、商品类型/>、入库数量/>。
在动静态多个维度提取商品分销出入库相关的信息，定义为编码器输入向量为：。
并输出节点隐藏中间状态，作为解码器的重建特征输入向量。所述编码器采取图自动编码器和时空图神经网络获取本体知识库中的商品动静态信息，具体步骤如下：使用时空图神经网络获取知识库中时序的节点表示，并用图自动编码器对时序节点进行进一步的分析和处理。具体地，使用时空图神经网络学习训练节点在时间上的变化，获取节点的时序特征表示。然后将时序特征表示作为图自动编码器的输入，从而得到更加抽象和高维的节点表示。使用时空图神经网络获取知识库中时序的节点表示，具体包括以下步骤：将本体知识库中的时序、空间数据特征输入至时空图神经网络，然后时空图神经网络对知识库的知识特征进行提取，将信息转化为可直接用于分类的n维特征向量，然后送入softmax进行分类，实现时序特征的初步分类，其输出公式为：，其中/>表示输入特征，是一个向量，包含了节点的属性信息，如商品的动态和静态信息；/>表示时空图神经网络卷积核的大小，用于在时空图神经网络中提取局部特征；/>和/>：表示卷积核在输入特征矩阵上的行（height）和列（width）的位置；/>表示将输入特征/>与卷积核在位置/>进行局部操作后得到的结果； />表示激活函数；/>表示卷积核中位于/>位置的权重；
使用图自动编码器得到更加抽象和高维的节点表示，具体包括以下步骤：将时空图神经网络生成的输出时序特征输入至图自动编码器，由图的邻接矩阵/>和时序特征/>可以获得时序特征/>，其输出公式为：/>，其中/>表示归一化后的邻接矩阵；/>表示图自动编码器中的权重矩阵，需要在训练过程中进行学习和优化；Relu表示函数f(x)=max(0,x)；
解码器采用两个级联的BERT神经网络，将第一BERT神经网络的输出作为第二BERT神经网络的输入，同时训练这两个网络以得到这两个网络分别的权重系数，通过这样的方式来避免二次训练带来的额外损失。第一BERT神经网络和第二BERT神经网络，利用第一BERT神经网络和第二BERT神经网络对编码器输出的节点隐藏中间状态进行解码，解码器的输出结果/>是对商品销量/>、库存情况/>的预测结果，即输出向量有：/>。解码器采用第一BERT神经网络和第二BERT神经网络对编码器输出的节点隐藏中间状态进行解码，解码器的输出结果是对商品销量、库存情况的预测结果，具体步骤如下：输入编码器的输出节点隐藏中间状态信息，使用第一BERT神经网络对节点隐藏中间状态进行解码，构建一个树状结构，逐层对节点特征进行解码。使用第二BERT神经网络对解码后的特征进行处理，提取其中的空间信息和序列信息，将处理后的特征作为输入，使用全连接层进行输出，得到商品销量、库存情况的预测结果。使用第一BERT神经网络对节点隐藏中间状态进行解码，具体包括以下步骤：将由编码器获得的重建特征输入至第一BERT神经网络，经过训练后输入至第一BERT神经网络，直到误差损失收敛。使用第二BERT神经网络对解码后的特征进行处理，具体包括以下步骤：将ReLU作为第二BERT神经网络隐藏层的激活函数，不断加深网络，从而不断提升性能，ReLU的表达形式为：/>，x表示输入到ReLU激活函数的神经网络节点的值，通过ReLU函数，可以将小于0的值取0，大于0的值保持不变，从而实现非线性转换。其核心代码如下
在上面的代码中，我们定义了一个编码器，它包含一个时空图神经网络层和一个图自动编码器。我们还定义了一个解码器，它包含由两个Bert的级联结构。最后，我们将编码器和解码器组合在一个完整的模型中。
步骤三：采用步骤一得到的训练数据集，对步骤二构建的双向训练的预测分析原始模型进行训练，从而得到商品预测分析原始模型。
具体过程为：
在模型训练过程中，我们首先采用了L1损失函数进行损失计算。L1损失函数，也被称为最小绝对偏差（Least Absolute Deviations，LAD），是一种常用的损失函数，它的主要特点是对异常值具有较好的鲁棒性。在这个过程中，我们试图最小化预测值和真实值之间的绝对差值，这有助于我们的模型更好地拟合数据，同时也能够降低模型的过拟合风险。
在训练阶段，我们首先使用了步骤一中得到的本体知识库中的训练数据集。这个训练数据集是我们模型学习的基础，它包含了大量的样本数据，这些数据都是我们模型需要学习的重要信息。我们使用这些数据对步骤二中构建的双向训练的预测分析原始模型进行训练，通过这种方式，我们的模型可以从这些数据中学习到重要的特征和模式。
接下来，我们采用本体知识库中的验证数据集对训练后的模型进行正则化。正则化是一种防止模型过拟合的技术，它通过在损失函数中添加一个惩罚项来限制模型的复杂度。这个过程会持续进行，直到我们的模型收敛，也就是说，模型的性能不再有显著的提升。
最后，我们使用本体知识库中的测试数据集进行测试，得到模型的预测值。测试阶段是模型训练的最后一步，我们使用独立的测试数据集来评估模型的性能，这可以帮助我们了解模型在未见过的数据上的表现。
在评估预测结果时，我们采用了平均绝对误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Square Error，RMSE）这两种评估指标。平均绝对误差是预测值与真实值之间绝对差值的平均值，它能够直观地反映出预测错误的程度。而均方根误差则是预测值与真实值之间差值的平方和的平均值的平方根，它更注重于较大的预测错误。这两种评估指标都能够为我们提供模型预测性能的重要信息。步骤四：采用步骤三得到的商品预测分析原始模型，进行实际情况下的商品销量及库存等情况的预测，其代码如下：
在步骤四中，我们将利用步骤三中得到的商品预测分析原始模型，进行实际商业环境下的商品销量和库存等关键指标的预测。首先，我们将模型应用于商品销量和库存的预测。通过预测商品销量和库存，帮助商家做出更明智的决策，在后面的代码中给出一些可能得决策情况，但在此只用作示例性情况。这一步骤将模型的理论研究转化为实际的商业应用，展示了数据分析在现代商业管理中的重要价值，其一种实现如下：
本发明提供了一种基于深度学习的商品分销出入库管理方法，利用本体知识库实时存储商品分销出入库过程的动态路径信息，为大数据的时代背景下的深度学习模型提供了更快的模型训练参数学习途径。结合编码器解码器结构，构建基于图神经网络的双向训练的商品预测分析原始模型，能够为商品分销策略提供科学指导和技术支持，使商品的分销管理有序进行，提高了商品分销出入库管理效率，并通过预测商品销量和库存及时调整商品结构，有利于商品分销出入库的智能管理。
Claims (3)
1.一种基于深度学习的商品分销出入库管理方法，其特征在于，该方法包括以下四个步骤：
步骤一：将商品分销出入库的动态路径进行本体映射，构成本体知识库，从而得到异源多模态的训练数据集，具体包括：知识抽取、知识存储和知识补全；
所述知识抽取是指对对应领域的知识进行抽取，针对商品分销出入库管理中商品的商品类型、商品数量、分销地址、分销时间、出入库时间、事件类型、市场热度、代言分数内容进行动态跟踪，将动态实体信息进行知识概念抽取和关系分类，获得知识三元组：
；
所示知识三元组表示知识表示形式，subject或s表示主体、predicate或p表示广义谓词、object或o表示客体，
所述知识存储是指对对应领域的知识进行存储，将知识抽取获得的知识，即动态实体信息和流数据作为实例化知识进行知识存储，采用RDF/XML(.RDF)格式存储；
所述知识补全是指对对应领域的知识架构进行关系、属性进行补全，根据本体知识库中的自动推理机制补全知识库的完整图结构形式，针对知识三元组的集合S，其中subject和predicate属于实体集，定义实体距离/>，
；
其损失函数；
步骤二：构建基于编码器解码器的双向训练的原始模型，所述编码器采取图自动编码器和时空图神经网络获取本体知识库中的商品动静态信息，所述动静态信息用相同维度的向量表示；
动态信息包括分销时间、分销地址/>，分销数量/>、入库时间/>；
静态信息包括商品名称、商品类型/>、入库数量/>；
在动静态多个维度提取商品分销出入库相关的信息，定义为编码器输入向量为：
；
并输出节点隐藏中间状态，作为解码器的重建特征输入向量；所述编码器采取图自动编码器和时空图神经网络获取本体知识库中的商品动静态信息，具体步骤如下：使用时空图神经网络获取知识库中时序的节点表示，并用图自动编码器对时序节点进行进一步的分析和处理；具体地，使用时空图神经网络学习训练节点在时间上的变化，获取节点的时序特征表示；然后将时序特征表示作为图自动编码器的输入，从而得到更加抽象和高维的节点表示；使用时空图神经网络获取知识库中时序的节点表示，具体包括以下步骤：将本体知识库中的时序、空间数据特征输入至时空图神经网络，然后时空图神经网络对知识库的知识特征进行提取，将信息转化为可直接用于分类的n维特征向量，然后送入softmax进行分类，实现时序特征的初步分类，其输出公式为：
；
其中表示输入特征，包括商品的动态和静态信息；/>表示时空图神经网络卷积核的大小，用于在时空图神经网络中提取局部特征；/>和/>：表示卷积核在输入特征矩阵上的行和列的位置；/>表示将输入特征/>与卷积核在位置/>进行局部操作后得到的结果；/>表示激活函数；/>表示卷积核中位于/>位置的权重；
使用图自动编码器得到更加抽象和高维的节点表示，具体包括以下步骤：将时空图神经网络生成的输出时序特征输入至图自动编码器，由图的邻接矩阵/>和时序特征/>获得时序特征/>，其输出公式为：
；
其中表示归一化后的邻接矩阵；/>表示图自动编码器中的权重矩阵，需要在训练过程中进行学习和优化；ReLU表示函数f(x)=max(0,x)；
解码器采用第一BERT神经网络和第二BERT神经网络对编码器输出的节点隐藏中间状态进行解码，解码器的输出结果/>是对商品销量/>、库存情况/>的预测结果，即输出向量有：/>；解码器采用第一BERT神经网络和第二BERT神经网络对编码器输出的节点隐藏中间状态进行解码，解码器的输出结果是对商品销量、库存情况的预测结果，具体步骤如下：输入编码器的输出节点隐藏中间状态信息，使用第一BERT神经网络对节点隐藏中间状态进行解码，构建一个树状结构，逐层对节点特征进行解码；使用第二BERT神经网络对解码后的特征进行处理，提取其中的空间信息和序列信息，将处理后的特征作为输入，使用全连接层进行输出，得到商品销量、库存情况的预测结果；使用第一BERT神经网络对节点隐藏中间状态进行解码，具体包括以下步骤：将由编码器获得的重建特征输入至第一BERT神经网络，经过训练后输入至第一BERT神经网络，直到误差损失收敛；使用第二BERT神经网络对解码后的特征进行处理，具体包括以下步骤：将ReLU作为第二BERT神经网络隐藏层的激活函数，不断加深网络，从而不断提升性能，ReLU的表达形式为：
；
其中x表示输入到ReLU激活函数的神经网络节点的值，通过ReLU函数，将小于0的值取0，大于0的值保持不变，从而实现非线性转换；
步骤三：采用步骤一得到的训练数据集，对步骤二构建的原始模型进行训练，从而得到商品预测分析原始模型；
步骤四：采用步骤三得到的商品预测分析原始模型，进行实际情况下的商品销量及库存情况的预测。
2.根据权利要求1所述的一种基于深度学习的商品分销出入库管理方法，其特征在于：所述步骤三具体为：
训练过程中，采用L1损失函数进行损失计算；训练时先采用步骤一得到的本体知识库中的训练数据集，对步骤二构建的双向训练的预测分析原始模型进行训练，然后采用本体知识库中的验证数据集对训练后的模型进行正则化，直到训练后的模型收敛；最后，采用本体知识库中的测试数据集进行测试，得到模型的预测值，并用平均绝对误差和均方根误差对预测结果进行评估。
3.根据权利要求1所述的一种基于深度学习的商品分销出入库管理方法，其特征在于：所述步骤四具体为：采用步骤三得到的商品预测分析原始模型，进行实际情况下的商品销量及库存情况的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310863053.5A CN116579722B (zh) | 2023-07-14 | 2023-07-14 | 一种基于深度学习的商品分销出入库管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310863053.5A CN116579722B (zh) | 2023-07-14 | 2023-07-14 | 一种基于深度学习的商品分销出入库管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116579722A CN116579722A (zh) | 2023-08-11 |
| CN116579722B true CN116579722B (zh) | 2023-09-19 |
Family
ID=87534646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310863053.5A Active CN116579722B (zh) | 2023-07-14 | 2023-07-14 | 一种基于深度学习的商品分销出入库管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579722B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921198A (zh) * | 2018-06-08 | 2018-11-30 | 山东师范大学 | 基于深度学习的商品图像分类方法、服务器及系统 |
| CN111652654A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 销量预测及神经网络构建的方法、装置、设备、存储介质 |
| KR102158970B1 (ko) * | 2020-05-08 | 2020-09-23 | 박형근 | 컴퓨터 제품의 판매 및 재고관리 시스템 |
| CN113095745A (zh) * | 2020-01-09 | 2021-07-09 | 北京沃东天骏信息技术有限公司 | 补货决策模型训练和补货决策方法、系统、设备及介质 |
| CN113298546A (zh) * | 2020-05-29 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 销量预测方法及装置、商品处理方法及装置 |
| CN114219149A (zh) * | 2021-12-14 | 2022-03-22 | 芸豆数字科技有限公司 | 基于机器学习的中药材供求关系预测方法、装置和介质 |
| KR20220115357A (ko) * | 2021-02-10 | 2022-08-17 | 주식회사 티라유텍 | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 |
| CN115130894A (zh) * | 2022-07-12 | 2022-09-30 | 中国平安人寿保险股份有限公司 | 基于人工智能的生产规划方法、装置、计算机设备及介质 |
| KR20220134173A (ko) * | 2021-03-26 | 2022-10-05 | 주식회사 비주얼 | 상품의 판매량을 예측하는 전자 장치 및 이를 이용한 판매량을 예측하는 방법 |
| WO2023275879A1 (en) * | 2021-06-30 | 2023-01-05 | Hitachi, Ltd. | Method and system for managing inventory |
| US11645611B1 (en) * | 2019-12-23 | 2023-05-09 | Blue Yonder Group, Inc. | System and method of decoding supply chain signatures |
| CN116245563A (zh) * | 2023-05-11 | 2023-06-09 | 中国石油大学(华东) | 基于AdaBoost算法构建的商品销量融合预测模型 |
| CN116341752A (zh) * | 2023-04-04 | 2023-06-27 | 四川大学 | 一种基于图神经网络的协同供应链预测方法 |
| CN116342029A (zh) * | 2023-03-06 | 2023-06-27 | 四川集鲜数智供应链科技有限公司 | 一种食品库存流转方法和食品库存流转装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11836751B2 (en) * | 2019-12-16 | 2023-12-05 | Nec Corporation | Measuring relatedness between prediction tasks in artificial intelligence and continual learning systems |
| US20220129747A1 (en) * | 2020-10-28 | 2022-04-28 | Verizon Media Inc. | System and method for deep customized neural networks for time series forecasting |
-
2023
- 2023-07-14 CN CN202310863053.5A patent/CN116579722B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921198A (zh) * | 2018-06-08 | 2018-11-30 | 山东师范大学 | 基于深度学习的商品图像分类方法、服务器及系统 |
| US11645611B1 (en) * | 2019-12-23 | 2023-05-09 | Blue Yonder Group, Inc. | System and method of decoding supply chain signatures |
| CN113095745A (zh) * | 2020-01-09 | 2021-07-09 | 北京沃东天骏信息技术有限公司 | 补货决策模型训练和补货决策方法、系统、设备及介质 |
| KR102158970B1 (ko) * | 2020-05-08 | 2020-09-23 | 박형근 | 컴퓨터 제품의 판매 및 재고관리 시스템 |
| CN113298546A (zh) * | 2020-05-29 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 销量预测方法及装置、商品处理方法及装置 |
| CN111652654A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 销量预测及神经网络构建的方法、装置、设备、存储介质 |
| KR20220115357A (ko) * | 2021-02-10 | 2022-08-17 | 주식회사 티라유텍 | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 |
| KR20220134173A (ko) * | 2021-03-26 | 2022-10-05 | 주식회사 비주얼 | 상품의 판매량을 예측하는 전자 장치 및 이를 이용한 판매량을 예측하는 방법 |
| WO2023275879A1 (en) * | 2021-06-30 | 2023-01-05 | Hitachi, Ltd. | Method and system for managing inventory |
| CN114219149A (zh) * | 2021-12-14 | 2022-03-22 | 芸豆数字科技有限公司 | 基于机器学习的中药材供求关系预测方法、装置和介质 |
| CN115130894A (zh) * | 2022-07-12 | 2022-09-30 | 中国平安人寿保险股份有限公司 | 基于人工智能的生产规划方法、装置、计算机设备及介质 |
| CN116342029A (zh) * | 2023-03-06 | 2023-06-27 | 四川集鲜数智供应链科技有限公司 | 一种食品库存流转方法和食品库存流转装置 |
| CN116341752A (zh) * | 2023-04-04 | 2023-06-27 | 四川大学 | 一种基于图神经网络的协同供应链预测方法 |
| CN116245563A (zh) * | 2023-05-11 | 2023-06-09 | 中国石油大学(华东) | 基于AdaBoost算法构建的商品销量融合预测模型 |
Non-Patent Citations (3)
| Title |
|---|
| 基于BP神经网络的销售量预测;李拓;中国新通信;第22卷(第01期);137 * |
| 基于时空图神经网络的商品销量预测;韦泰丞;计算机系统应用;第32卷(第04期);52-65 * |
| 时间序列和神经网络对迷你型洗衣机销量预测;石磊;安徽理工大学学报(自然科学版);第33卷(第03期);69-73 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116579722A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lim et al. | Temporal fusion transformers for interpretable multi-horizon time series forecasting | |
| Bharadiya | A comparative study of business intelligence and artificial intelligence with big data analytics | |
| Zhou et al. | Stock market prediction on high‐frequency data using generative adversarial nets | |
| US11074511B2 (en) | System and method for graph pattern analysis | |
| US20210303970A1 (en) | Processing data using multiple neural networks | |
| Hung et al. | DPP: Deep predictor for price movement from candlestick charts | |
| Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
| CN114647465A (zh) | 多通道注意力图神经网络聚类的单体程序拆分方法及系统 | |
| Malibari et al. | Predicting stock closing prices in emerging markets with transformer neural networks: The saudi stock exchange case | |
| Zeng et al. | Muformer: A long sequence time-series forecasting model based on modified multi-head attention | |
| Chen et al. | Session-based recommendation: Learning multi-dimension interests via a multi-head attention graph neural network | |
| Jiang et al. | An intelligent recommendation approach for online advertising based on hybrid deep neural network and parallel computing | |
| Ngoc Hai et al. | An empirical research on the effectiveness of different LSTM architectures on vietnamese stock market | |
| Li et al. | A multiple long short-term model for product sales forecasting based on stage future vision with prior knowledge | |
| CN111753995A (zh) | 一种基于梯度提升树的局部可解释方法 | |
| Li et al. | An improved genetic-XGBoost classifier for customer consumption behavior prediction | |
| US11468352B2 (en) | Method and system for predictive modeling of geographic income distribution | |
| CN116579722B (zh) | 一种基于深度学习的商品分销出入库管理方法 | |
| Guo | [Retracted] Financial Market Sentiment Prediction Technology and Application Based on Deep Learning Model | |
| Wang et al. | Mtmd: multi-scale temporal memory learning and efficient debiasing framework for stock trend forecasting | |
| Sharma et al. | Deep learning in big data and data mining | |
| Galimberti et al. | 3 Neural Networks and Deep Learning | |
| CN115310547B (zh) | 模型训练方法、物品识别方法及装置、电子设备、介质 | |
| Loureiro et al. | Predicting multiple domain queue waiting time via machine learning | |
| Fu et al. | Stock Price Prediction Model based on Dual Attention and TCN |
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 |