CN116664041A - 调货方法、装置、电子设备和计算机可读介质 - Google Patents
调货方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116664041A CN116664041A CN202210148324.4A CN202210148324A CN116664041A CN 116664041 A CN116664041 A CN 116664041A CN 202210148324 A CN202210148324 A CN 202210148324A CN 116664041 A CN116664041 A CN 116664041A
- Authority
- CN
- China
- Prior art keywords
- item
- quantile
- trained
- item data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims 1
- 238000012546 transfer Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0607—Regulated
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了调货方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型;生成该目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集;确定该第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集;生成物品流转量变换信息;根据该物品流转量变换信息,对该目标物品数据集对应的物品进行调货处理。该实施方式通过生成高效、精准地生成物品流转量变换信息,以此来对目标物品数据集对应的物品进行高效处理。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及调货方法、装置、电子设备和计算机可读介质。
背景技术
目前,现实中的物品流转量预测场景中常常存在较多的不可控因素,给出一个确切的预测值几乎是不可能的。基于风险预防的需要,不确定性的预测在库存处理等规划活动中有着重要的应用。其中,区间预测是不确定性预测的一个重要分支。即,在指定的置信水平下,给出未来物品流转量的最窄区间估计。对于物品流转量最窄区间的生成,通常采用的方式为:常常指定历史物品流转量服从某一确定的分布(例如,正态分布),通过计算均值和标准差来得到不同置信度下的物品流转量预测区间。
然而,当采用上述方式来生成物品流转量预测区间,经常会存在如下技术问题:
针对很多情况,历史物品流转量往往不能够服从某一确定的分布。从而,导致通过使用假定的分布来确定物品流转量预测区间的准确率较低。当预测区间的准确率较低时,极易造成仓库内的物品积压或仓库内的物品供货不足,往往会造成大量的库存资源的浪费,造成库存资源利用率低下。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了调货方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项。
第一方面,本公开的一些实施例提供了一种调货方法,包括:获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型,其中,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是基于目标物品数据集中的第一物品数据子集和预先设置的置信水平训练的;根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集;根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集;根据上述残差信息集,生成物品流转量变换信息。根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。
可选地,上述方法还包括:根据上述物品流转量变换信息,确定上述第二物品数据子集中各个物品数据对应的物品流转量区间信息。
可选地,上述根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,包括:将上述物品数据分别输入至上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,得到第一数值和第二数值;根据上述第一数值和上述第二数值,生成上述物品数据对应的物品流转量预测区间。
可选地,上述根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集,包括:对于上述第二物品数据子集中每个物品数据,执行以下残差信息确定步骤:确定上述物品数据对应的物品流转量预测区间;确定上述物品流转量预测区间相对应的第一数值和第二数值;将上述物品流转量预测区间相对应的第一数值和上述物品流转量预测区间相对应的第二数值分别与上述物品数据对应的真实物品流转量数值进行作差,得到第一作差数值和第二作差数值;将上述第一作差数值与上述第二作差数值之间的最大值确定为上述残差信息。
可选地,上述根据上述残差信息集,确定物品流转量变换信息,包括:根据上述置信水平,从上述残差信息集中筛选出满足预定条件的残差信息,作为上述物品流转量变换信息。
可选地,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是通过以下步骤训练的:对上述目标物品数据集进行预处理,得到预处理后的物品数据集;将上述预处理后的物品数据集划分为上述第一物品数据子集和上述第二物品数据子集;根据上述置信水平,确定上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构;根据上述第一物品数据子集、上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构,训练上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型,得到训练后的第一物品流转量分位点确定模型和训练后的第二物品流转量分位点确定模型。
第二方面,本公开的一些实施例提供了一种调货装置,包括:获取单元,被配置成获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型,其中,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是基于目标物品数据集中的第一物品数据子集和预先设置的置信水平训练的;第一生成单元,被配置成根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集;确定单元,被配置成根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集;第二生成单元,被配置成根据上述残差信息集,生成物品流转量变换信息。调货处理单元,被配置成根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。
可选地,上述装置还包括:根据上述物品流转量变换信息,确定上述第二物品数据子集中各个物品数据对应的物品流转量区间信息。
可选地,第一生成单元可以进一步被配置成:将上述物品数据分别输入至上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,得到第一数值和第二数值;根据上述第一数值和上述第二数值,生成上述物品数据对应的物品流转量预测区间。
可选地,确定单元被配置成:对于上述第二物品数据子集中每个物品数据,执行以下残差信息确定步骤:确定上述物品数据对应的物品流转量预测区间;确定上述物品流转量预测区间相对应的第一数值和第二数值;将上述物品流转量预测区间相对应的第一数值和上述物品流转量预测区间相对应的第二数值分别与上述物品数据对应的真实物品流转量数值进行作差,得到第一作差数值和第二作差数值;将上述第一作差数值与上述第二作差数值之间的最大值确定为上述残差信息。
可选地,确定单元被配置成:根据上述置信水平,从上述残差信息集中筛选出满足预定条件的残差信息,作为上述物品流转量变换信息。
可选地,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是通过以下步骤训练的:对上述目标物品数据集进行预处理,得到预处理后的物品数据集;将上述预处理后的物品数据集划分为上述第一物品数据子集和上述第二物品数据子集;根据上述置信水平,确定上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构;根据上述第一物品数据子集、上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构,训练上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型,得到训练后的第一物品流转量分位点确定模型和训练后的第二物品流转量分位点确定模型。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的调货方法可以在不考虑物品流转量分布的情况下,高效、精准地生成物品流转量变换信息。具体来说,针对很多情况,历史物品流转量往往不能够服从某一确定的分布。从而,导致通过使用假定的分布来确定物品流转量预测区间的准确率较低,当预测量大于实际需求量时,极易造成仓库内的货物积压,当预测量小于实际需求量时,往往会造成大量的库存资源的浪费,上述两种情况都会造成库存资源利用率低下。基于此,本公开的一些实施例的调货方法可以首先获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型,其中,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是基于目标物品数据集中的第一物品数据子集和预先设置的置信水平训练的。在这里,通过获取第一物品流转量分位点确定模型和第二物品流转量分位点确定模型以用于后续更为高效、准确地生成物品流转量预测区间。然后,根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集。在这里,通过第一物品流转量分位点确定模型和第二物品流转量分位点确定模型,可以生成更为精准的物品流转量预测区间。可选地,现有方式生成的物品流转量预测区间的区间长度常常是固定长度,导致物品流转量预测区间无法较好地适应异方差数据,物品流转量预测区间长度无法较好地自适应调整。然而,基于第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型生成的物品流转量预测区间可以自适应的调整区间长度,以使得物品流转量预测区间的准确率较高。进而,根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集。在这里,通过根据物品流转量预测区间确定残差信息,以用于后续物品流转量变换信息的确定。接着,根据上述残差信息集,可以生成更为精准地物品流转量变换信息。最后,根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。在这里,对目标物品数据集对应的物品进行调货处理可以极大较少了库存资源的浪费,大大提高了库存资源利用率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的调货方法的一个应用场景的示意图;
图2是根据本公开的调货方法的一些实施例的流程图;
图3是根据本公开的调货方法的另一些实施例的流程图;
图4是根据本公开的调货方法的又一些实施例的流程图;
图5是根据本公开的调货装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的调货方法的一个应用场景的示意图。
在图1的应用场景中,电子设备101可以首先获取预先训练的第一物品流转量分位点确定模型104和预先训练的第二物品流转量分位点确定模型105。其中,上述第一物品流转量分位点确定模型104和上述第二物品流转量分位点确定模型105是基于目标物品数据集中的第一物品数据子集102和预先设置的置信水平103训练的。在本应用场景中,上述第一物品数据子集102可以包括:数据1021、数据1022、数据1023。上述置信水平103可以是80%。然后,电子设备101可以根据上述预先训练的第一物品流转量分位点确定模型104和上述预先训练的第二物品流转量分位点确定模型105,生成上述目标物品数据集中第二物品数据子集106中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集107。在本应用场景中,上述第二物品数据子集106包括:数据1061、数据1062、数据1063。物品流转量预测区间集107包括:与上述数据1061对应的物品流转量预测区间1071、与上述数据1062对应的物品流转量预测区间1072、与上述数据1063对应的物品流转量预测区间1073。上述物品流转量预测区间1071可以是:[50,145]。上述物品流转量预测区间1072可以是:[30,125]。上述物品流转量预测区间1073可以是:[90,225]。进而,电子设备101可以根据上述物品流转量预测区间集107,确定上述第二物品数据子集107中每个物品数据对应的残差信息,得到残差信息集108。在本应用场景中,上述残差信息108可以包括:与物品数据1071对应的残差信息1081、与物品数据1072对应的残差信息1082、与物品数据1073对应的残差信息1083。上述残差信息1081可以是:-14。上述残差信息1082可以是:-12。上述残差信息1083可以是:24。接着,电子设备101可以根据上述残差信息集108,生成物品流转量变换信息109。在本应用场景中,上述物品流转量变换信息109可以是:10。最后,根据上述物品流转量变换信息109,对上述目标物品数据集对应的物品进行调货处理。
需要说明的是,上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图2,示出了根据本公开的调货方法的一些实施例的流程200。该调货方法,包括以下步骤:
步骤201,获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型。
在一些实施例中,上述调货方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型。其中,上述第一物品流转量分位点确定模型和第二物品流转量分位点确定模型可以是用于确定物品的物品流转量(例如,物品流转量可以是物品销量)的回归模型。作为示例,上述第一物品流转量分位点确定模型和第二物品流转量分位点确定模型可以是以下之一:梯度提升决策树(GBDT,Gradient BoostingDecision Tree)模型、LightGBM模型。
在一些实施例的一些可选的实现方式中,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是通过以下步骤训练的:
第一步、对上述目标物品数据集进行预处理,得到预处理后的物品数据集。
例如,目标物品数据集中目标物品数据对应的物品特征可以包括但不限于以下之一:基础时间特征、事件特征、时间滞后特征、时间聚合特征、物品流转量趋势特征。上述基础时间特征可以包括:年份信息,月份信息,是否为周末的信息,季节信息。上述事件特征可以包括:是否为法定假期的信息、是否为促销节日的信息。上述时间滞后特征可以包括:滞后7-11天后的物品流转量特征。上述时间聚合特征可以包括:滞后7天后滑动窗口(2天)内物品流转量的均值、最大值、最小值、偏度峰值。上述物品流转量趋势特征包括:滞后7天后,相对前几天物品流转量的百分比变化、是否为高物品流转量。
作为示例,上述执行主体可以对目标物品数据集中的目标物品数据进行归一化处理,得到预处理后的物品数据集。
第二步、将上述预处理后的物品数据集划分为上述第一物品数据子集和上述第二物品数据子集。
作为示例,上述执行主体可以将上述预处理后的物品数据集平均划分为上述第一物品数据子集和上述第二物品数据子集。
第三步、根据上述置信水平,确定上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构。
作为示例,上述执行主体可以首先确定置信水平。然后,上述执行主体可以通过目标公式集来确定各个分位点。最后,上述执行主体可以通过各个分位点,来确定第一物品流转量分位点确定模型和第二物品流转量分位点确定模型的损失函数。其中,目标公式集可以包括:C1=(1-a)/2、C2=(1+a)/2。其中,C1可以是下分位点。C2可以是上分位点。
作为示例,置信水平为80%。上述执行主体可以确定第一物品流转量分位点确定模型的损失函数是与10%分位数相关的。上述执行主体可以确定第二物品流转量分位点确定模型的损失函数是与90%分位数相关的。
第四步、根据上述第一物品数据子集、上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构,训练上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型,得到上述训练后的第一物品流转量分位点确定模型和上述训练后的第二物品流转量分位点确定模型。
作为示例,根据上述第一物品数据子集、上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构,上述执行主体可以通过深度学习训练方法,训练上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型,得到上述训练后的第一物品流转量分位点确定模型和上述训练后的第二物品流转量分位点确定模型。
步骤202,根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集。
在一些实施例中,上述执行主体可以根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,通过各种方式来生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集。其中,物品数据对应的物品流转量预测区间可以是可能对物品数据对应物品执行物品价值操作的次数范围。
在一些实施例的一些可选的实现方式中,上述根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,可以包括以下步骤:
第一步,将上述物品数据分别输入至上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,得到第一数值和第二数值。其中,上述第一数值和上述第二数值都可以表征物品数据对应物品的物品流转量。
第二步,根据上述第一数值和上述第二数值,生成上述物品数据对应的物品流转量预测区间。
作为示例,上述执行主体可以首先确定第一数值和第二数值之间的大小。然后,上述执行主体可以将第一数值和第二数值中小的数值作为物品流转量预测区间的最低物品流转量,将第一数值和第二数值中大的数值作为物品流转量预测区间的最高物品流转量。
作为示例,响应于确定第一数值为23,第二数值为45,生成的物品流转量预测区间可以是:[23,45]。
步骤203,根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集。
在一些实施例中,上述执行主体可以根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集。其中,残差信息可以表征物品数据真实销售数值与物品流转量预测数值之间的差距。
作为示例,针对第二物品数据子集中每个第二物品数据,执行以下残差信息确定步骤:
第一子步骤,确定上述第二物品数据的真实物品流转量数值。
第二子步骤,确定上述第二物品数据的物品流转量预测区间。
第三子步骤,确定上述物品流转量预测区间对应的第一数值和第二数值。
第四子步骤,将上述物品流转量预测区间相对应的第一数值和上述物品流转量预测区间相对应的第二数值分别与上述物品数据对应的真实物品流转量数值进行作差,得到第三作差数值和第四作差数值。
第五子步骤,将上述第三作差数值与第四作差数值之间的平均作为残差信息。
步骤204,根据上述残差信息集,生成物品流转量变换信息。
在一些实施例中,上述执行主体可以根据上述残差信息集,确定物品流转量变换信息。上述物品流转量变换信息可以表征物品数据对应物品流转量预测区间的变换信息。
作为示例,上述执行主体可以将残差信息集对应的平均值作为物品流转量变换信息。
作为又一个示例,物品数据对应的物品预测区间为[30,70]。物品流转量变换信息为10,则表征物品流转量区间可以在[20,80]之间。
步骤205,根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。
在一些实施例中,上述执行主体可以根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。
作为示例,根据上述物品流转量变换信息,上述执行主体可以使用调拨装置,对上述目标物品数据集对应的物品进行补货处理或进货处理。
作为示例,上述执行主体可以首先确定目标仓库中所存储的物品集的物品数目。然后,上述执行主体根据物品流转量变换信息动态对目标仓库中物品集进行补货处理或进货处理。
在一些实施例的一些可选的实现方式中,根据上述物品流转量变换信息,上述执行主体可以确定上述第二物品数据子集中各个物品数据对应的物品流转量区间信息。
作为示例,上述执行主体可以首先确定物品数据的物品流转量区间信息。然后,通过物品流转量区间信息对应的第一数值与物品流转量变换信息作差,以及第二数值与物品流转量变换信息作和,得到物品数据对应的物品流转量区间信息。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的调货方法可以在不考虑物品流转量分布的情况下,高效、精准地生成物品流转量变换信息。具体来说,针对很多情况,历史物品流转量往往不能够服从某一确定的分布。从而,导致通过使用假定的分布来确定物品流转量预测区间的准确率较低,当预测量大于实际需求量时,极易造成仓库内的货物积压,当预测量小于实际需求量时,往往会造成大量的库存资源的浪费,上述两种情况都会造成库存资源利用率低下。基于此,本公开的一些实施例的调货方法可以首先获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型,其中,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是基于目标物品数据集中的第一物品数据子集和预先设置的置信水平训练的。在这里,通过获取第一物品流转量分位点确定模型和第二物品流转量分位点确定模型以用于后续更为高效、准确地生成物品流转量预测区间。然后,根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集。在这里,通过第一物品流转量分位点确定模型和第二物品流转量分位点确定模型,可以生成更为精准的物品流转量预测区间。可选地,现有方式生成的物品流转量预测区间的区间长度常常是固定长度,导致物品流转量预测区间无法较好地适应异方差数据,物品流转量预测区间长度无法较好地自适应调整。然而,基于第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型生成的物品流转量预测区间可以自适应的调整区间长度,以使得物品流转量预测区间的准确率较高。进而,根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集。在这里,通过根据物品流转量预测区间确定残差信息,以用于后续物品流转量变换信息的确定。接着,根据上述残差信息集,可以生成更为精准地物品流转量变换信息。最后,根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。在这里,对目标物品数据集对应的物品进行调货处理可以极大较少了库存资源的浪费,大大提高了库存资源利用率。
进一步参考图3,示出了根据本公开的调货方法的另一些实施例的流程300。该调货方法,包括以下步骤:
步骤301,获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型。
步骤302,根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集。
步骤303,对于上述第二物品数据子集中每个物品数据,执行以下残差信息确定步骤。
步骤3031,确定上述物品数据对应的物品流转量预测区间。
在一些实施例中,执行主体(例如图1所示的电子设备101)可以从目标数据库中确定物品数据对应的物品流转量预测区间。其中,上述目标数据库可以是存储物品数据与物品流转量预测区间之间关联关系的数据库。
步骤3032,确定上述物品流转量预测区间相对应的第一数值和第二数值。
在一些实施例中,上述执行主体可以确定上述物品流转量预测区间相对应的第一数值和第二数值。作为示例,上述执行主体可以将物品流转量预测区间中的最大值和最小值确定为第一数值和第二数值。
作为示例,上述物品流转量预测区间可以是:[30,70]。则第一数值为70。第二数值为30。
步骤3033,将上述物品流转量预测区间相对应的第一数值和上述物品流转量预测区间相对应的第二数值分别与上述物品数据对应的真实物品流转量数值进行作差,得到第一作差数值和第二作差数值。
在一些实施例中,上述执行主体可以将上述物品流转量预测区间相对应的第一数值和上述物品流转量预测区间相对应的第二数值分别与上述物品数据对应的真实物品流转量数值进行作差,得到第一作差数值和第二作差数值。
作为示例,上述物品数据对应的真实物品流转量数值为60,则第一作差数值为10。第二作差数值为-30。
步骤3034,将上述第一作差数值与上述第二作差数值之间的最大值确定为上述残差信息。
在一些实施例中,上述执行主体可以将上述第一作差数值与上述第二作差数值之间的最大值确定为上述残差信息。
作为示例,上述执行主体可以将10确定为残差信息。
步骤304,根据上述残差信息集,生成物品流转量变换信息。
步骤305,根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。
在一些实施例中,步骤301-302和304-305的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-202和204-205,在此不再赘述。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的调货方法的流程300更加突出了确定物品数据对应残差信息的具体步骤。针对预测区间可能无法很好的适应异方差数据,预测区间长度无法很好的自适应调整。除此之外,在一定的置信度下,普通的机器学习基于训练集进行分位点预测从而得到区间的上下界,但是并没有对上下界做进一步的误差调整,这就导致预测区间过大,从而丧失了区间预测的意义,同时也可能存在一定的误差。由此,这些实施例描述的方案可以避免无法很好的适应异方差数据,预测区间长度无法很好的自适应调整以及没有对上下界做进一步的误差调整的问题,大大提高了生成残差信息的精准性,以使得后续物品流转量变换信息的生成更为精准。
进一步参考图4,示出了根据本公开的调货方法的又一些实施例的流程400。该调货方法,包括以下步骤:
步骤401,获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型。
步骤402,根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集。
步骤403,根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集。
步骤404,根据上述置信水平,从上述残差信息集中筛选出满足预定条件的残差信息,作为上述物品流转量变换信息。
在一些实施例中,执行主体(例如图1中电子设备101)可以根据上述置信水平,从上述残差信息集中筛选出满足预定条件的残差信息,作为上述物品流转量变换信息。
作为示例,上述执行主体可以对残差信息集进行排序,得到残差信息序列。然后,上述执行主体可以从残差信息序列中找到数值大于置信水平残差信息的目标残差信息。例如,置信水平为80%。残差信息序列为:[2,4,5,6,7]。则目标残差信息为6。最后,上述执行主体将目标残差信息确定为物品流转量变换信息。
步骤405,根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。
在一些实施例中,步骤401-403、405的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-203、205,在此不再赘述。
从图4中可以看出,与图2对应的一些实施例的描述相比,图4对应的一些实施例中的调货方法的流程400更加突出了确定物品流转量变换信息的具体步骤。由此,这些实施例描述的方案通过预定条件。可以更为精准的确定出物品流转量变换信息。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种调货装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一种调货装置500包括:获取单元501、第一生成单元502、确定单元503、第二生成单元504和调货处理单元505。其中,获取单元501,被配置成获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型,其中,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是基于目标物品数据集中的第一物品数据子集和预先设置的置信水平训练的;第一生成单元502,被配置成根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集;确定单元503,被配置成根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集;第二生成单元504,被配置成根据上述残差信息集,生成物品流转量变换信息。调货处理单元505,被配置成根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。
在一些实施例的一些可选的实现方式中,上述装置500还包括:第三确定单元(图中未显示)。其中,上述第三确定单元可以被配置成:根据上述物品流转量变换信息,确定上述第二物品数据子集中各个物品数据对应的物品流转量区间信息。
在一些实施例的一些可选的实现方式中,上述装置500中的第一生成单元502可以进一步被配置成:将上述物品数据分别输入至上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,得到第一数值和第二数值;根据上述第一数值和上述第二数值,生成上述物品数据对应的物品流转量预测区间。
在一些实施例的一些可选的实现方式中,上述装置500中的确定单元503可以进一步被配置成:对于上述第二物品数据子集中每个物品数据,执行以下残差信息确定步骤:确定上述物品数据对应的物品流转量预测区间;确定上述物品流转量预测区间相对应的第一数值和第二数值;将上述物品流转量预测区间相对应的第一数值和上述物品流转量预测区间相对应的第二数值分别与上述物品数据对应的真实物品流转量数值进行作差,得到第一作差数值和第二作差数值;将上述第一作差数值与上述第二作差数值之间的最大值确定为上述残差信息。
在一些实施例的一些可选的实现方式中,上述装置500中的第二生成单元504可以进一步被配置成:根据上述置信水平,从上述残差信息集中筛选出满足预定条件的残差信息,作为上述物品流转量变换信息。
在一些实施例的一些可选的实现方式中,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是通过以下步骤训练的:对上述目标物品数据集进行预处理,得到预处理后的物品数据集;将上述预处理后的物品数据集划分为上述第一物品数据子集和上述第二物品数据子集;根据上述置信水平,确定上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构;根据上述第一物品数据子集、上述第一物品流转量分位点确定模型的模型结构和上述第二物品流转量分位点确定模型的模型结构,训练上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型,得到上述训练后的第一物品流转量分位点确定模型和上述训练后的第二物品流转量分位点确定模型。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备101)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机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。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型,其中,上述第一物品流转量分位点确定模型和上述第二物品流转量分位点确定模型是基于目标物品数据集中的第一物品数据子集和预先设置的置信水平训练的;根据上述预先训练的第一物品流转量分位点确定模型和上述预先训练的第二物品流转量分位点确定模型,生成上述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集;根据上述物品流转量预测区间集,确定上述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集;根据上述残差信息集,生成物品流转量变换信息。根据上述物品流转量变换信息,对上述目标物品数据集对应的物品进行调货处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一生成单元、确定单元、第二生成单元、调货处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种调货方法,包括:
获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型,其中,所述第一物品流转量分位点确定模型和所述第二物品流转量分位点确定模型是基于目标物品数据集中的第一物品数据子集和预先设置的置信水平训练的;
根据所述预先训练的第一物品流转量分位点确定模型和所述预先训练的第二物品流转量分位点确定模型,生成所述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集;
根据所述物品流转量预测区间集,确定所述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集;
根据所述残差信息集,生成物品流转量变换信息;
根据所述物品流转量变换信息,对所述目标物品数据集对应的物品进行调货处理。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述物品流转量变换信息,确定所述第二物品数据子集中各个物品数据对应的物品流转量区间信息。
3.根据权利要求1所述的方法,其中,所述根据所述预先训练的第一物品流转量分位点确定模型和所述预先训练的第二物品流转量分位点确定模型,生成所述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,包括:
将所述物品数据分别输入至所述预先训练的第一物品流转量分位点确定模型和所述预先训练的第二物品流转量分位点确定模型,得到第一数值和第二数值;
根据所述第一数值和所述第二数值,生成所述物品数据对应的物品流转量预测区间。
4.根据权利要求1所述的方法,其中,所述根据所述物品流转量预测区间集,确定所述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集,包括:
对于所述第二物品数据子集中每个物品数据,执行以下残差信息确定步骤:
确定所述物品数据对应的物品流转量预测区间;
确定所述物品流转量预测区间相对应的第一数值和第二数值;
将所述物品流转量预测区间相对应的第一数值和所述物品流转量预测区间相对应的第二数值分别与所述物品数据对应的真实物品流转量数值进行作差,得到第一作差数值和第二作差数值;
将所述第一作差数值与所述第二作差数值之间的最大值确定为所述残差信息。
5.根据权利要求1所述的方法,其中,所述根据所述残差信息集,生成物品流转量变换信息,包括:
根据所述置信水平,从所述残差信息集中筛选出满足预定条件的残差信息,作为所述物品流转量变换信息。
6.根据权利要求1所述的方法,其中,所述第一物品流转量分位点确定模型和所述第二物品流转量分位点确定模型是通过以下步骤训练的:
对所述目标物品数据集进行预处理,得到预处理后的物品数据集;
将所述预处理后的物品数据集划分为所述第一物品数据子集和所述第二物品数据子集;
根据所述置信水平,确定所述第一物品流转量分位点确定模型的模型结构和所述第二物品流转量分位点确定模型的模型结构;
根据所述第一物品数据子集、所述第一物品流转量分位点确定模型的模型结构和所述第二物品流转量分位点确定模型的模型结构,训练所述第一物品流转量分位点确定模型和所述第二物品流转量分位点确定模型,得到训练后的第一物品流转量分位点确定模型和训练后的第二物品流转量分位点确定模型。
7.一种调货装置,包括:
获取单元,被配置成获取预先训练的第一物品流转量分位点确定模型和预先训练的第二物品流转量分位点确定模型,其中,所述第一物品流转量分位点确定模型和所述第二物品流转量分位点确定模型是基于目标物品数据集中的第一物品数据子集和预先设置的置信水平训练的;
第一生成单元,被配置成根据所述预先训练的第一物品流转量分位点确定模型和所述预先训练的第二物品流转量分位点确定模型,生成所述目标物品数据集中第二物品数据子集中每个物品数据对应的物品流转量预测区间,得到物品流转量预测区间集;
确定单元,被配置成根据所述物品流转量预测区间集,确定所述第二物品数据子集中每个物品数据对应的残差信息,得到残差信息集;
第二生成单元,被配置成根据所述残差信息集,生成物品流转量变换信息;
调货处理单元,被配置成根据所述物品流转量变换信息,对所述目标物品数据集对应的物品进行调货处理。
8.根据权利要求7所述的装置,其中,所述第一生成单元进一步被配置成:
将所述物品数据分别输入至所述预先训练的第一物品流转量分位点确定模型和所述预先训练的第二物品流转量分位点确定模型,得到第一数值和第二数值;
根据所述第一数值和所述第二数值,生成所述物品数据对应的物品流转量预测区间。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148324.4A CN116664041A (zh) | 2022-02-17 | 2022-02-17 | 调货方法、装置、电子设备和计算机可读介质 |
PCT/CN2022/118574 WO2023155425A1 (zh) | 2022-02-17 | 2022-09-14 | 调货方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148324.4A CN116664041A (zh) | 2022-02-17 | 2022-02-17 | 调货方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664041A true CN116664041A (zh) | 2023-08-29 |
Family
ID=87577418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210148324.4A Pending CN116664041A (zh) | 2022-02-17 | 2022-02-17 | 调货方法、装置、电子设备和计算机可读介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116664041A (zh) |
WO (1) | WO2023155425A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3808051B1 (en) * | 2018-06-12 | 2024-01-10 | The Vanguard Group, Inc. | Device, method, and computer readable medium for large scale electronic processing |
CN111832782A (zh) * | 2019-04-17 | 2020-10-27 | 北京京东振世信息技术有限公司 | 确定物品物流属性的方法和装置 |
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 |
CN113191806A (zh) * | 2021-04-30 | 2021-07-30 | 北京沃东天骏信息技术有限公司 | 确定流量调控目标的方法及装置 |
CN114004425B (zh) * | 2021-12-29 | 2022-06-07 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
-
2022
- 2022-02-17 CN CN202210148324.4A patent/CN116664041A/zh active Pending
- 2022-09-14 WO PCT/CN2022/118574 patent/WO2023155425A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023155425A1 (zh) | 2023-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408797B (zh) | 流转量预测多时序模型生成方法、信息发送方法和装置 | |
CN109544076B (zh) | 用于生成信息的方法和装置 | |
CN112184100A (zh) | 物品库存监控方法、装置、电子设备和计算机可读介质 | |
CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN113034090A (zh) | 运输设备调度方法、装置、电子设备和计算机可读介质 | |
CN114048931B (zh) | 补货信息生成方法、装置、电子设备和计算机可读介质 | |
CN110675176B (zh) | 用于生成属性预测模型的方法和装置 | |
CN112085442B (zh) | 设备操作方法、装置、电子设备和计算机可读介质 | |
CN114049072A (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
CN112182374B (zh) | 库存控制方法、装置、电子设备和计算机可读介质 | |
CN112308378A (zh) | 调度设备控制方法、装置、电子设备和计算机可读介质 | |
CN115271582A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 | |
CN112862415B (zh) | 运输车辆调度方法、装置、电子设备和计算机可读介质 | |
CN116664041A (zh) | 调货方法、装置、电子设备和计算机可读介质 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN113222304B (zh) | 一种库存调度方法和装置 | |
CN116523446A (zh) | 物品流转量信息发送方法、装置、设备和计算机可读介质 | |
CN112085441A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN111932191A (zh) | 货架调度方法、装置、电子设备和计算机可读介质 | |
CN111985967A (zh) | 物品信息生成方法、装置、电子设备和计算机可读介质 | |
CN111784377A (zh) | 用于生成信息的方法和装置 | |
CN113554385B (zh) | 配送机器人控制方法、装置、电子设备和计算机可读介质 | |
CN115641059B (zh) | 补货信息生成方法、装置、电子设备、介质和程序产品 | |
CN117689412A (zh) | 物品流转信息处理方法、装置、设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |