CN116862377A - 基于人工智能的仓储数据统计分析管理系统及方法 - Google Patents
基于人工智能的仓储数据统计分析管理系统及方法 Download PDFInfo
- Publication number
- CN116862377A CN116862377A CN202310904087.4A CN202310904087A CN116862377A CN 116862377 A CN116862377 A CN 116862377A CN 202310904087 A CN202310904087 A CN 202310904087A CN 116862377 A CN116862377 A CN 116862377A
- Authority
- CN
- China
- Prior art keywords
- user
- store
- preference
- commodity
- commodity type
- 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 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000007619 statistical method Methods 0.000 title claims abstract description 15
- 238000007726 management method Methods 0.000 claims abstract description 21
- 238000010992 reflux Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 63
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012384 transportation and delivery 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
- 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
-
- 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
- G06Q10/0838—Historical data
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及仓储数据管理技术领域,具体为基于人工智能的仓储数据统计分析管理系统及方法,包括对用户在购物平台内的历史行为数据进行获取,从所述历史行为数据中提取出各个历史时段内各个用户对应的用户数据信息;基于用户在各个历史时段在用户偏好店铺内购买的商品类型,对用户偏好店铺内的各个商品类型进行评估,得到用户在用户偏好店铺内偏爱商品类型;获取区域内各个用户在对应用户偏好店铺的预测购买商品,对用户对应的用户偏好店铺发出提示,通知用户偏好店铺将用户对应的预测购买商品提前发货至区域内的物流仓储点,并对区域内的各个物流仓储点货物进行调度,将用户对应的预测购买商品运输至用户所在区域对应的物流仓储点。
Description
技术领域
本发明涉及仓储数据管理技术领域,具体为基于人工智能的仓储数据统计分析管理系统及方法。
背景技术
人工智能是模拟人类智能行为的种技术手段和理论,它覆盖了机器学习、自然语言处理、感知、推理、决策和规划等多个领域,并且可以通过计算机系统实现对多种复杂问题的解决,使用人工智能可以起到以下几点作用:1、提高效率,人工智能可以自动化执行重复性、繁琐性大的任务,从而节约时间和人力成本,可以以更快速地处理大量数据和信息,从而加快任务完成的进度,2、改善准确度,人工智能可以通过自动化和机器学习算法去提高准确度,消除人为错误和主观性,以更加可靠和客观的方式去执行任务,3、提供洞察力、人工智能可以通过数据分析和模式识别提供深入的见解,可以用于对事物之间的偏爱性进行获取,从而为决策者提供更好的信息支持。
目前来说电商在仓库内备货是根据历史数据和需求量,给不同的需求量货物配备不同数量的仓储位,但是人们的消费会随着季节、喜好、潮流的变化而导致对人们的购买情况发生变化,不仅仅无法预先配置所需的货物仓储位,而且无法配置准确数量的仓储位,但是如果基于实时订单来进行仓储位置的配置,那么则会导致出货效率下降,货物运输缓慢的现象产生,影响用户体验,设置导致用户取消订单,甚至影响对平台的印象,从而减少平台使用次数。
发明内容
本发明的目的在于提供基于人工智能的仓储数据统计分析管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:基于人工智能的仓储数据统计分析管理方法,方法包括:
步骤S100:获取购物平台内用户的各个历史行为数据;从历史行为数据中提取出各个历史时段用户对应的用户数据信息;对用户在各个历史时段内的用户数据信息进行评估,得到用户对应的目标用户数据信息;基于用户对应的目标用户数据信息,对用户对购物平台内的各个商品类型的偏好性进行评估,得到用户在当前时段偏好的商品类型,并记为用户偏好商品类型;
步骤S200:对用户在购物平台内各个店铺的店铺行为数据进行获取;基于用户在不同店铺对应的店铺行为数据,对用户对购物平台内各个店铺的偏好程度进行评估,得到用户当前时段偏好的店铺,并记为用户对应的用户偏好店铺;获取用户在各个历史时段在用户偏好店铺内购买的商品类型;基于用户在各个历史时段在用户偏好店铺内购买的商品类型,对用户偏好店铺内的各个商品类型进行评估,得到用户在用户偏好店铺内偏爱商品类型;
步骤S300:基于用户在用户偏好店铺内的偏爱商品类型,对用户偏好店铺内各个商品进行评估,得到当前时段内用户在对应的用户偏好店铺内的预测购买商品;获取用户所在区域;对区域内当前时段各个用户在对应的用户偏好店铺内的预测购买商品进行评估,得到区域内各个用户在对应用户偏好店铺的预测购买商品;
步骤S400:获取区域内各个用户在对应用户偏好店铺的预测购买商品,对用户对应的用户偏好店铺发出提示,通知用户偏好店铺将用户对应的预测购买商品提前发货至区域内的物流仓储点,并对区域内的各个物流仓储点货物进行调度,将用户对应的预测购买商品运输至用户所在区域对应的物流仓储点。
进一步的,步骤S100包括:
步骤S101:分别获取用户的各个用户数据信息与当前时段之间的时间距离,并记为用户数据信息对应的数据影响时长;用户数据信息包括用户在一个历史时段内对一类商品类型的收藏行为数据、购买行为数据;收藏行为数据包括用户在一个历史时段内对一类商品类型商品的收藏次数;购买行为数据包括用户在一个历史时段内对一类商品类型商品的购买次数;设置用户行为数据对应的时长阈值;当用户数据信息对应的数据影响时长大于时长阈值,将用户数据信息进行剔除,将保留的用户数据信息,记为目标用户数据信息;
步骤S102:计算用户对目标用户数据信息对应商品类型的第一商品类型偏好值G:
G=δ×S;
其中,δ为用户对目标用户数据信息对应商品类型的商品的收藏次数;S为用户对目标用户数据信息对应商品类型的商品的购买次数;
步骤S103:计算用户对某一商品类型的商品类型偏好值U:
其中,Gc为用户对第c个目标用户数据信息对应的某一商品类型的第一商品类型偏好值;f为某一商品类型下目标用户数据信息的总个数;
设置商品类型偏好值阈值;从各个商品类型中选取商品类型偏好值大于商品类型偏好值阈值的商品类型,作为用户的偏好的商品类型,并记为用户对应的用户偏好商品类型;
上述步骤中通过收藏次数、购买次数作为用户购物平台内商品类型的是否喜爱的判定依据是因为浏藏次数和购买次数反映了用户对于商品类型的感兴趣程度,当用户对某类商品类型感兴趣时,那么用户往往会花费更多的时间和更加频繁的浏览对应商品类型的相关信息,则会出现用户对对应的商品类型的购买次数和收藏次数上升,相比之下如果某类商品类型用户并不喜欢不感兴趣,那么则会出现用户对对应商品类型的购买次数和收藏次数减少,分别获取用户的各个用户数据信息与当前时段之间的时间距离,并记为用户数据信息对应的数据影响时长,其中,用户数据信息对应的数据影响时长,为用户数据信息对应的历史时段尾端对应的时间点与当前时段的首段对应的时间点之间的距离的时长。
进一步的,步骤S200包括:
步骤S201:分别获取各个用户对应的各个用户店铺行为数据;获取各个用户店铺行为数据对应的历史时段与当前时段之间距离的时长;用户店铺行为数据包括用户在各个历史时段内在同一店铺内购买商品次数,浏览商品时间、浏览店铺次数;设置店铺时长阈值;当用户店铺行为数据对应的历史时段与当前时段之间距离的时长与当前时段对应的时长大于店铺时长阈值,将店铺对应的用户店铺行为数据进行剔除,得到目标的用户店铺行为数据;
步骤S202:计算用户对用户店铺行为数据对应的店铺的第一店铺偏好值W:
W=R×To×z;
其中,R为用户在用户店铺行为数据对应的店铺内购买商品次数;To为用户在用户店铺行为数据对应的店铺内浏览商品时间;z为用户在用户店铺行为数据对应的店铺的浏览店铺次数;
步骤S203:计算用户对各个用户店铺行为数据对应的相同店铺的店铺偏好值F:
其中,Wx为第x个历史时段中用户对用户店铺行为数据对应的店铺的第一店铺偏好值;d为用户的用户店铺行为数据总条数;tox为第x个历史时段与当前时段之间距离的时长;
步骤S204:分别获取各个不同用户对购物平台内各个店铺的店铺偏好值;设置店铺偏好值阈值;从购物平台的各个店铺中选取出店铺偏好值大于店铺偏好值阈值的店铺,记为用户偏好店铺;获取用户偏好店铺各个历史时段不同商品类型下的商品数量;获取各个历史时段内用户偏好店铺中用户购买的商品数量;计算任意用户偏好店铺第a个历史时段对应的第j类商品类型的回流率其中,Rsja为任意用户偏好店铺第a个历史时段对应第j类型类商品类型下的商品数量;Rea为任意用户偏好店铺第a个历史时段对应商品总数量;
步骤S205:计算用户在对应的任意用户偏好店铺对第j类商品类型的商品类型偏向值Qj:
其中,γ为用户店铺行为数据对应的历史时段的时段个数;βjy为任意用户偏好店铺第y个历史时段对应的第j类商品类型对应的回流率;
步骤S206:计算用户在对应的任意用户偏好店铺第a历史时段对应的第j类商品类型的回流率变化比例其中,βja为用户在对应的任意用户偏好店铺第a个历史时段对应的第j类商品类型的回流率;βj(a-1)为用户在对应的任意用户偏好店铺第a-1个历史时段对应的第j类商品类型的回流率;计算用户在对应的任意用户偏好店铺内对第j商品类型的回流率变化趋势值/>其中,Ajε为任意用户偏好店铺第ε历史时段对应的第j类商品类型的回流率变化比例;δ=γ-1;
步骤S207:设置商品类型偏向值阈值;当用户在对应的任意用户偏好店铺内对某商品类型的商品类型偏向值大于商品类型偏向值阈值,判定用户对应的任意用户偏好店铺内对应的商品类型,用户在用户偏好店铺内偏爱商品类型;当任意用户偏好店铺对应的用户对某商品类型的商品类型偏向值小于等于商品类型偏向值阈值,并且回流率变化趋势值为正值,判定任意用户偏好店铺中对应的商品类型,为用户在用户偏好店铺内偏爱商品类型;
上述步骤中使用当用户店铺行为数据对应的历史时段与当前时段之间距离的时长与当前时段对应的时长大于店铺时长阈值,将店铺对应的用户店铺行为数据进行剔除,是因为当一条用户店铺行为数据与当前时段距离的时长很大,那么表明这条用户店铺行为数据对于现在的影响很少,如果在后续对用户的用户店铺行为数据对应的店铺的第一店铺偏好值计算时,对与当前时段距离时长很长的用户店铺行为数据也进行计算,则会导致店铺偏好值可能出现很大误差,导致最后预测的结果出现失误,从而无法实现最后的效果。
进一步的,步骤S300包括:
步骤S301:当当前时段用户对应的用户偏好商品类型,与用户在用户偏好店铺的偏爱商品类型一致时,将用户在用户偏好店铺内偏爱商品类型,记为用户在用户偏好店铺的偏向商品类型;获取用户当前时段内浏览记录和购买记录;浏览记录包括用户在当前时段内浏览店铺和浏览商品;购买记录包括用户在当前时段内购买商品和对应的购买店铺;
步骤S302:当当前时段内用户所浏览店铺为用户偏好店铺,同时用户在用户偏好店铺内浏览的商品对应的商品类型为用户在用户偏好店铺的偏向商品类型时,将用户偏好店铺内中的浏览商品,记为用户预测购买商品;获取用户在当前时段内各个用户偏好店铺内对应的用户预测购买商品,当当前时段内用户预测购买商品与当前时段内用户在当前时段内购买商品和购买店铺相同时,将用户预测购买商品进行剔除,对用户在当前时段在购物平台内保留的预测购买商品进行汇集,得到用户当前时段在购物平台内用户偏好店铺对应的预测购买商品;
步骤S303:获取用户所在区域内各个物流仓储点对应的数据信息;数据信息包括物流仓储点对应的位置信息和对应的货物存储总量;设置物流仓储点存放货物的阈值量;货物存储总量为物流仓储点存放货物的阈值量;将区域内各个用户对应的在购物平台内用户偏好店铺的预测购买商品进行汇集,得到区域内用户在各个用户偏好店铺对应的预测购买商品。
进一步的,步骤S400包括:
步骤S401:基于各个用户对应的各个商品类型的预测购买商品和用户所在区域内各个物流仓储点,向购物平台内预测购买商品对应各个物流仓储点对应的数据信息,并对用户偏好店铺发出提示,通知用户偏好店铺将店铺内对应的预测购买商品发送至用户所在区域;
步骤S402:获取用户偏好店铺选择用户所在区域物流仓储点位置信息;对当前时段内购物平台内各个用户偏好店铺对应的物流仓储点位置信息进行汇集,得到区域内各个物流仓储点对应的预测货物总量,当当前时段内的某物流仓储点对应的预测货物总量大于货物存储总量,按照用户偏好店铺放送购物平台后台用户偏好店铺选择用户所在区域物流仓储点位置信息时间,按照用户偏好店铺发送时间将部分预测购买商品运输至物流仓储点上级物流仓储点;当当前时段内的某物流仓储点对应的预测货物总量小于等于货物存储总量,将用户偏好店铺内对应的预测购买商品运输至用户所在区域对应的物流仓储点。
为了更好实现上述方法还提出了仓储数据统计分析管理系统,管理系统包括用户偏好商品类型模块、偏爱商品类型模块、预测购买商品模块、物流调度模块;
用户偏好商品类型模块,用于对购物平台内各个对各个历史时段内的用户数据信息进行筛选,得到为目标用户数据信息;对当前时段内用户预测购买商品类型进行评估,得到当前时段用户对应的用户偏好商品类型;
偏爱商品类型模块,用于对当前时段和历史时段内用户在各个店铺的店铺行为数据进行获取;对用户在用户偏好店铺内购买不同商品类型对应的商品数量进行获取,并用户偏好店铺进行偏爱性的评估,得到用户偏好店铺的偏爱商品类型;
预测购买商品模块,用于对用户偏好店铺内各个商品进行评估,得到用户偏好店铺对应的预测购买商品;基于用户所在区域内用户对应的各个预测购买商品,得到区域内各个用户对应的预测购买商品;
物流调度模块,用于对基于区域内用户对应的用户偏好店铺的预测购买商品,用户偏好店铺发送提示,并获取用户偏好店铺的预测购买商品对应的物流仓储点,将区域内用户各个预测商品类型对应的各个预测购买商品提前运输至区域内各个对应物流仓储点。
进一步的,用户偏好商品类型模块包括目标用户数据信息单元、用户偏好商品类型单元;
目标用户数据信息单元,用于对用户在购物平台内各个用户数据信息对应的历史时段与当前时段距离时长进行获取,得到用户的用户数据信息对应的历史时段与当前时段距离的时长;基于用户的用户数据信息对应的历史时段与当前时段距离的时长对用户数据信息进行评估,得到目标用户数据信息;
用户偏好商品类型单元,用于计算用户的目标用户数据信息对应的任意相同商品类型的商品类型偏好值;基于用户的目标用户数据信息对应的任意相同商品类型的商品类型偏好值对购物平台内各个商品类型进行评估,得到用户偏好商品类型。
进一步的,偏爱商品类型模块包括第一店铺偏好值单元、偏爱商品类型单元;
第一店铺偏好值单元,用于对用户的用户店铺行为数据对应的历史时段与当前时段之间距离的时长进行获取;基于用户店铺行为数据对应的历史时段与当前时段之间距离的时长,对用户对用户店铺行为数据对应的店铺的第一店铺偏好值进行计算;
偏爱商品类型单元,用于对从购物平台的用户的用户店铺行为数据的各个店铺中选取出店铺偏好值大于店铺偏好值阈值,并记为用户偏好店铺;获取用户偏好店铺各个历史时段不同商品类型下的商品数量;获取各个历史时段内用户偏好店铺中用户购买的商品数量;基于任意用户偏好店铺对应的用户的商品类型的商品类型偏向值,对用户偏好店铺内各个商品类型进行评估,得到用户的任意用户偏好店铺对应的偏爱商品类型。
进一步的,预测购买商品模块包括偏向商品类型单元、预测购买商品单元;
偏向商品类型单元,用于对当前时段用户对应的用户偏好商品类型与用户偏好店铺的偏爱商品类型进行评估,得到为用户在用户偏好店铺的偏向商品类型;
预测购买商品单元,用于对用户所在区域内各个物流仓储点对应的数据信息进行获取,将区域内各个用户对应的在购物平台内用户偏好店铺的预测购买商品进行汇集,得到区域内用户在各个用户偏好店铺对应的预测购买商品。
进一步的,物流调度模块包括物流调度单元;
物流调度单元,用于对用户偏好店铺发出提示,通知用户偏好店铺将店铺内对应的预测购买商品发送至用户所在区域;对当前时段内购物平台内各个用户偏好店铺对应的物流仓储点位置信息进行汇集,得到区域内各个物流仓储点对应的预测货物总量,对区域内的各个用户对应的预测购买商品进行提前调度,将区域内用户各个预测商品类型对应的各个预测购买商品提前运输至区域内各个对应物流仓储点。
与现有技术相比,本发明所达到的有益效果是:本发明实现了根据用户在购物平台对应的历史数据,对当前时段用户购买商品进行预测,得到用户在当前时段对应的预测购买商品,并获取了用户所在区域的位置信息,将购物平台内店铺的预测购买商品提前运输至用户所在区域的物流仓储点,缩短了商品到用户所需时间,使得在例如在618或者双11这种购物节,可以实现快速的将商品运输至用户手中,提升用户对购物平台体验感。
附图说明
附图用来提供对本发明的进步理解,并且构成说明书的部分,与本发明的实施例起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明种基于人工智能的仓储数据统计分析管理系统及方法的方法流程图;
图2是本发明种基于人工智能的仓储数据统计分析管理系统及方法的模块示意图。
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,显然,所描述的实施例仅仅是本发明部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供技术方案:基于人工智能的仓储数据统计分析管理方法,方法包括:
步骤S100:获取购物平台内用户的各个历史行为数据;从历史行为数据中提取出各个历史时段用户对应的用户数据信息;对用户在各个历史时段内的用户数据信息进行评估,得到用户对应的目标用户数据信息;基于用户对应的目标用户数据信息,对用户对购物平台内的各个商品类型的偏好性进行评估,得到用户在当前时段偏好的商品类型,并记为用户偏好商品类型;
其中,步骤S100包括:
步骤S101:分别获取用户的各个用户数据信息与当前时段之间的时间距离,并记为用户数据信息对应的数据影响时长;用户数据信息包括用户在一个历史时段内对一类商品类型的收藏行为数据、购买行为数据;收藏行为数据包括用户在一个历史时段内对一类商品类型商品的收藏次数;购买行为数据包括用户在一个历史时段内对一类商品类型商品的购买次数;设置用户行为数据对应的时长阈值;当用户数据信息对应的数据影响时长大于时长阈值,将用户数据信息进行剔除,将保留的用户数据信息,记为目标用户数据信息;
步骤S102:计算用户对目标用户数据信息对应商品类型的第一商品类型偏好值G:
G=δ×S;
其中,δ为用户对目标用户数据信息对应商品类型的商品的收藏次数;S为用户对目标用户数据信息对应商品类型的商品的购买次数;
例如,用户对目标用户数据信息对应商品类型的商品的收藏次数δ为100次;用户对目标用户数据信息对应商品类型的商品的购买次数S为20件;计算用户对目标用户数据信息对应商品类型的第一商品类型偏好值G=100×20=2000;
步骤S103:计算用户对某一商品类型的商品类型偏好值U:
其中,Gc为用户对第c个目标用户数据信息对应的某一商品类型的第一商品类型偏好值;f为某一商品类型下目标用户数据信息的总个数;
设置商品类型偏好值阈值;从各个商品类型中选取商品类型偏好值大于商品类型偏好值阈值的商品类型,作为用户的偏好的商品类型,并记为用户对应的用户偏好商品类型;
步骤S200:对用户在购物平台内各个店铺的店铺行为数据进行获取;基于用户在不同店铺对应的店铺行为数据,对用户对购物平台内各个店铺的偏好程度进行评估,得到用户当前时段偏好的店铺,并记为用户对应的用户偏好店铺;获取用户在各个历史时段在用户偏好店铺内购买的商品类型;基于用户在各个历史时段在用户偏好店铺内购买的商品类型,对用户偏好店铺内的各个商品类型进行评估,得到用户在用户偏好店铺内偏爱商品类型;
其中,步骤S200包括:
步骤S201:分别获取各个用户对应的各个用户店铺行为数据;获取各个用户店铺行为数据对应的历史时段与当前时段之间距离的时长;用户店铺行为数据包括用户在各个历史时段内在同一店铺内购买商品次数,浏览商品时间、浏览店铺次数;设置店铺时长阈值;当用户店铺行为数据对应的历史时段与当前时段之间距离的时长与当前时段对应的时长大于店铺时长阈值,将店铺对应的用户店铺行为数据进行剔除,得到目标的用户店铺行为数据;
步骤S202:计算用户对用户店铺行为数据对应的店铺的第一店铺偏好值W:
W=R×To×z;
其中,R为用户在用户店铺行为数据对应的店铺内购买商品次数;To为用户在用户店铺行为数据对应的店铺内浏览商品时间;z为用户在用户店铺行为数据对应的店铺的浏览店铺次数;
步骤S203:计算用户对各个用户店铺行为数据对应的相同店铺的店铺偏好值F:
其中,Wx为第x个历史时段中用户对用户店铺行为数据对应的店铺的第一店铺偏好值;d为用户的用户店铺行为数据总条数;tox为第x个历史时段与当前时段之间距离的时长;
步骤S204:分别获取各个不同用户对购物平台内各个店铺的店铺偏好值;设置店铺偏好值阈值;从购物平台的各个店铺中选取出店铺偏好值大于店铺偏好值阈值的店铺,记为用户偏好店铺;获取用户偏好店铺各个历史时段不同商品类型下的商品数量;获取各个历史时段内用户偏好店铺中用户购买的商品数量;计算任意用户偏好店铺第a个历史时段对应的第j类商品类型的回流率其中,Rsja为任意用户偏好店铺第a个历史时段对应第j类型类商品类型下的商品数量;Rea为任意用户偏好店铺第a个历史时段对应商品总数量;
步骤S205:计算用户在对应的任意用户偏好店铺对第j类商品类型的商品类型偏向值Qj:
其中,γ为用户店铺行为数据对应的历史时段的时段个数;βjy为任意用户偏好店铺第y个历史时段对应的第j类商品类型对应的回流率;
步骤S206:计算用户在对应的任意用户偏好店铺第a历史时段对应的第j类商品类型的回流率变化比例其中,βja为用户在对应的任意用户偏好店铺第a个历史时段对应的第j类商品类型的回流率;βj(a-1)为用户在对应的任意用户偏好店铺第a-1个历史时段对应的第j类商品类型的回流率;计算用户在对应的任意用户偏好店铺内对第j商品类型的回流率变化趋势值/>其中,Ajε为任意用户偏好店铺第ε历史时段对应的第j类商品类型的回流率变化比例;δ=γ-1;
步骤S207:设置商品类型偏向值阈值;当用户在对应的任意用户偏好店铺内对某商品类型的商品类型偏向值大于商品类型偏向值阈值,判定用户对应的任意用户偏好店铺内对应的商品类型,用户在用户偏好店铺内偏爱商品类型;当任意用户偏好店铺对应的用户对某商品类型的商品类型偏向值小于等于商品类型偏向值阈值,并且回流率变化趋势值为正值,判定任意用户偏好店铺中对应的商品类型,为用户在用户偏好店铺内偏爱商品类型;
步骤S300:基于用户在用户偏好店铺内偏爱商品类型,对用户偏好店铺内各个商品进行评估,得到当前时段内用户在对应的用户偏好店铺内的预测购买商品;获取用户所在区域;对区域内当前时段各个用户在对应的用户偏好店铺内的预测购买商品进行评估,得到区域内各个用户在对应用户偏好店铺的预测购买商品;
其中,步骤S300包括:
步骤S301:当当前时段用户对应的用户偏好商品类型,与用户在用户偏好店铺的偏爱商品类型一致时,将用户在用户偏好店铺内偏爱商品类型,记为用户在用户偏好店铺的偏向商品类型;获取用户当前时段内浏览记录和购买记录;浏览记录包括用户在当前时段内浏览店铺和浏览商品;购买记录包括用户在当前时段内购买商品和对应的购买店铺;
步骤S302:当当前时段内用户所浏览店铺为用户偏好店铺,同时用户在用户偏好店铺内浏览的商品对应的商品类型为用户在用户偏好店铺的偏向商品类型时,将用户偏好店铺内中的浏览商品,记为用户预测购买商品;获取用户在当前时段内各个用户偏好店铺内对应的用户预测购买商品,当当前时段内用户预测购买商品与当前时段内用户在当前时段内购买商品和购买店铺相同时,将用户预测购买商品进行剔除,对用户在当前时段在购物平台内保留的预测购买商品进行汇集,得到用户当前时段在购物平台内用户偏好店铺对应的预测购买商品;
步骤S303:获取用户所在区域内各个物流仓储点对应的数据信息;数据信息包括物流仓储点对应的位置信息和对应的货物存储总量;设置物流仓储点存放货物的阈值量;货物存储总量为物流仓储点存放货物的阈值量;将区域内各个用户对应的在购物平台内用户偏好店铺的预测购买商品进行汇集,得到区域内用户在各个用户偏好店铺对应的预测购买商品;
步骤S400:获取区域内各个用户在对应用户偏好店铺的预测购买商品,对用户对应的用户偏好店铺发出提示,通知用户偏好店铺将用户对应的预测购买商品提前发货至区域内的物流仓储点,并对区域内的各个物流仓储点货物进行调度,将用户对应的预测购买商品运输至用户所在区域对应的物流仓储点;
其中,步骤S400包括:
步骤S401:基于各个用户对应的各个商品类型的预测购买商品和用户所在区域内各个物流仓储点,向购物平台内预测购买商品对应各个物流仓储点对应的数据信息,并对用户偏好店铺发出提示,通知用户偏好店铺将店铺内对应的预测购买商品发送至用户所在区域;
步骤S402:获取用户偏好店铺选择用户所在区域物流仓储点位置信息;对当前时段内购物平台内各个用户偏好店铺对应的物流仓储点位置信息进行汇集,得到区域内各个物流仓储点对应的预测货物总量,当当前时段内的某物流仓储点对应的预测货物总量大于货物存储总量,按照用户偏好店铺放送购物平台后台用户偏好店铺选择用户所在区域物流仓储点位置信息时间,按照用户偏好店铺发送时间将部分预测购买商品运输至物流仓储点上级物流仓储点;当当前时段内的某物流仓储点对应的预测货物总量小于等于货物存储总量,将用户偏好店铺内对应的预测购买商品运输至用户所在区域对应的物流仓储点;
为了更好实现上述方法还提出了仓储数据统计分析管理系统,管理系统包括用户偏好商品类型模块、偏爱商品类型模块、预测购买商品模块、物流调度模块;
用户偏好商品类型模块,用于对购物平台内各个对各个历史时段内的用户数据信息进行筛选,得到为目标用户数据信息;对当前时段内用户预测购买商品类型进行评估,得到当前时段用户对应的用户偏好商品类型;
偏爱商品类型模块,用于对当前时段和历史时段内用户在各个店铺的店铺行为数据进行获取;对用户在用户偏好店铺内购买不同商品类型对应的商品数量进行获取,并用户偏好店铺进行偏爱性的评估,得到用户偏好店铺的偏爱商品类型;
预测购买商品模块,用于对用户偏好店铺内各个商品进行评估,得到用户偏好店铺对应的预测购买商品;基于用户所在区域内用户对应的各个预测购买商品,得到区域内各个用户对应的预测购买商品;
物流调度模块,用于对基于区域内用户对应的用户偏好店铺的预测购买商品,用户偏好店铺发送提示,并获取用户偏好店铺的预测购买商品对应的物流仓储点,将区域内用户各个预测商品类型对应的各个预测购买商品提前运输至区域内各个对应物流仓储点;
其中,用户偏好商品类型模块包括目标用户数据信息单元、用户偏好商品类型单元;
目标用户数据信息单元,用于对用户在购物平台内各个用户数据信息对应的历史时段与当前时段距离时长进行获取,得到用户的用户数据信息对应的历史时段与当前时段距离的时长;基于用户的用户数据信息对应的历史时段与当前时段距离的时长对用户数据信息进行评估,得到目标用户数据信息;
用户偏好商品类型单元,用于计算用户的目标用户数据信息对应的任意相同商品类型的商品类型偏好值;基于用户的目标用户数据信息对应的任意相同商品类型的商品类型偏好值对购物平台内各个商品类型进行评估,得到用户偏好商品类型;
其中,偏爱商品类型模块包括第一店铺偏好值单元、偏爱商品类型单元;
第一店铺偏好值单元,用于对用户的用户店铺行为数据对应的历史时段与当前时段之间距离的时长进行获取;基于用户店铺行为数据对应的历史时段与当前时段之间距离的时长,对用户对用户店铺行为数据对应的店铺的第一店铺偏好值进行计算;
偏爱商品类型单元,用于对从购物平台的用户的用户店铺行为数据的各个店铺中选取出店铺偏好值大于店铺偏好值阈值,并记为用户偏好店铺;获取用户偏好店铺各个历史时段不同商品类型下的商品数量;获取各个历史时段内用户偏好店铺中用户购买的商品数量;基于任意用户偏好店铺对应的用户的商品类型的商品类型偏向值,对用户偏好店铺内各个商品类型进行评估,得到用户的任意用户偏好店铺对应的偏爱商品类型;
其中,预测购买商品模块包括偏向商品类型单元、预测购买商品单元;
偏向商品类型单元,用于对当前时段用户对应的用户偏好商品类型与用户偏好店铺的偏爱商品类型进行评估,得到为用户在用户偏好店铺的偏向商品类型;
预测购买商品单元,用于对用户所在区域内各个物流仓储点对应的数据信息进行获取,将区域内各个用户对应的在购物平台内用户偏好店铺的预测购买商品进行汇集,得到区域内用户在各个用户偏好店铺对应的预测购买商品;
其中,物流调度模块包括物流调度单元;
物流调度单元,用于对用户偏好店铺发出提示,通知用户偏好店铺将店铺内对应的预测购买商品发送至用户所在区域;对当前时段内购物平台内各个用户偏好店铺对应的物流仓储点位置信息进行汇集,得到区域内各个物流仓储点对应的预测货物总量,对区域内的各个用户对应的预测购买商品进行提前调度,将区域内用户各个预测商品类型对应的各个预测购买商品提前运输至区域内各个对应物流仓储点。
需要说明的是,在本文中,诸如第和第二等之类的关系术语仅仅用来将个实体或者操作与另个实体或操作区分开来,而不定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (10)
1.基于人工智能的仓储数据统计分析管理方法,其特征在于,所述方法包括:
步骤S100:获取购物平台内用户的各个历史行为数据;从所述历史行为数据中提取出各个历史时段用户对应的用户数据信息;对用户在各个历史时段内的用户数据信息进行评估,得到用户对应的目标用户数据信息;基于用户对应的目标用户数据信息,对用户对购物平台内的各个商品类型的偏好性进行评估,得到用户在当前时段偏好的商品类型,并记为用户偏好商品类型;
步骤S200:对用户在购物平台内各个店铺的店铺行为数据进行获取;基于用户在不同店铺对应的店铺行为数据,对用户对购物平台内各个店铺的偏好程度进行评估,得到用户当前时段偏好的店铺,并记为所述用户对应的用户偏好店铺;获取用户在各个历史时段在用户偏好店铺内购买的商品类型;基于用户在各个历史时段在用户偏好店铺内购买的商品类型,对用户偏好店铺内的各个商品类型进行评估,得到用户在用户偏好店铺内偏爱商品类型;
步骤S300:基于用户在用户偏好店铺内的偏爱商品类型,对用户偏好店铺内各个商品进行评估,得到当前时段内用户在对应的用户偏好店铺内的预测购买商品;获取用户所在区域;对区域内当前时段各个用户在对应的用户偏好店铺内的预测购买商品进行评估,得到区域内各个用户在对应用户偏好店铺的预测购买商品;
步骤S400:获取区域内各个用户在对应用户偏好店铺的预测购买商品,对用户对应的用户偏好店铺发出提示,通知用户偏好店铺将用户对应的预测购买商品提前发货至区域内的物流仓储点,并对区域内的各个物流仓储点货物进行调度,将用户对应的预测购买商品运输至用户所在区域对应的物流仓储点。
2.根据权利要求1所述的基于人工智能的仓储数据统计分析管理方法,其特征在于,所述步骤S100包括:
步骤S101:分别获取用户的各个用户数据信息与当前时段之间的时间距离,并记为用户数据信息对应的数据影响时长;所述用户数据信息包括用户在一个历史时段内对一类商品类型的收藏行为数据、购买行为数据;所述收藏行为数据包括用户在一个历史时段内对一类商品类型商品的收藏次数;所述购买行为数据包括用户在一个历史时段内对一类商品类型商品的购买次数;设置用户行为数据对应的时长阈值;当用户数据信息对应的数据影响时长大于时长阈值,将所述用户数据信息进行剔除,将保留的用户数据信息,记为目标用户数据信息;
步骤S102:计算用户对目标用户数据信息对应商品类型的第一商品类型偏好值G:
G=δ×S;
其中,δ为用户对目标用户数据信息对应商品类型的商品的收藏次数;S为用户对目标用户数据信息对应商品类型的商品的购买次数;
步骤S103:计算用户对某一商品类型的商品类型偏好值U:
其中,Gc为用户对第c个目标用户数据信息对应的某一商品类型的第一商品类型偏好值;f为某一商品类型下目标用户数据信息的总个数;
设置商品类型偏好值阈值;从各个商品类型中选取商品类型偏好值大于商品类型偏好值阈值的商品类型,作为所述用户的偏好的商品类型,并记为所述用户对应的用户偏好商品类型。
3.根据权利要求2所述的基于人工智能的仓储数据统计分析管理方法,其特征在于,所述步骤S200包括:
步骤S201:分别获取各个用户对应的各个用户店铺行为数据;获取各个用户店铺行为数据对应的历史时段与当前时段之间距离的时长;所述用户店铺行为数据包括用户在各个历史时段内在同一店铺内购买商品次数,浏览商品时间、浏览店铺次数;设置店铺时长阈值;当用户店铺行为数据对应的历史时段与当前时段之间距离的时长与当前时段对应的时长大于店铺时长阈值,将所述店铺对应的用户店铺行为数据进行剔除,得到目标的用户店铺行为数据;
步骤S202:计算用户对用户店铺行为数据对应的店铺的第一店铺偏好值W:
W=R×To×z;
其中,R为用户在用户店铺行为数据对应的店铺内购买商品次数;To为用户在用户店铺行为数据对应的店铺内浏览商品时间;z为用户在用户店铺行为数据对应的店铺的浏览店铺次数;
步骤S203:计算用户对各个用户店铺行为数据对应的相同店铺的店铺偏好值F:
其中,Wx为第x个历史时段中用户对用户店铺行为数据对应的店铺的第一店铺偏好值;d为用户的用户店铺行为数据总条数;tox为第x个历史时段与当前时段之间距离的时长;
步骤S204:分别获取各个不同用户对购物平台内各个店铺的店铺偏好值;设置店铺偏好值阈值;从购物平台的各个店铺中选取出店铺偏好值大于店铺偏好值阈值的店铺,记为用户偏好店铺;获取用户偏好店铺各个历史时段不同商品类型下的商品数量;获取各个历史时段内用户偏好店铺中用户购买的商品数量;计算任意用户偏好店铺第a个历史时段对应的第j类商品类型的回流率其中,Rsja为任意用户偏好店铺第a个历史时段对应第j类型类商品类型下的商品数量;Rea为任意用户偏好店铺第a个历史时段对应商品总数量;
步骤S205:计算用户在对应的任意用户偏好店铺对第j类商品类型的商品类型偏向值Qj:
其中,γ为用户店铺行为数据对应的历史时段的时段个数;βjy为任意用户偏好店铺第y个历史时段对应的第j类商品类型对应的回流率;
步骤S206:计算用户在对应的任意用户偏好店铺第a历史时段对应的第j类商品类型的回流率变化比例其中,βja为用户在对应的任意用户偏好店铺第a个历史时段对应的第j类商品类型的回流率;βj(a-1)为用户在对应的任意用户偏好店铺第a-1个历史时段对应的第j类商品类型的回流率;计算用户在对应的任意用户偏好店铺内对第j商品类型的回流率变化趋势值/>其中,Ajε为任意用户偏好店铺第ε历史时段对应的第j类商品类型的回流率变化比例;δ=γ-1;
步骤S207:设置商品类型偏向值阈值;当用户在对应的任意用户偏好店铺内对某商品类型的商品类型偏向值大于商品类型偏向值阈值,判定所述用户对应的任意用户偏好店铺内对应的商品类型,用户在用户偏好店铺内偏爱商品类型;当任意用户偏好店铺对应的用户对某商品类型的商品类型偏向值小于等于商品类型偏向值阈值,并且回流率变化趋势值为正值,判定任意用户偏好店铺中对应的商品类型,为用户在用户偏好店铺内偏爱商品类型。
4.根据权利要求1所述的基于人工智能的仓储数据统计分析管理方法,其特征在于,所述步骤S300包括:
步骤S301:当当前时段用户对应的用户偏好商品类型,与用户在用户偏好店铺的偏爱商品类型一致时,将用户在用户偏好店铺内偏爱商品类型,记为用户在用户偏好店铺的偏向商品类型;获取用户当前时段内浏览记录和购买记录;所述浏览记录包括用户在当前时段内浏览店铺和浏览商品;所述购买记录包括用户在当前时段内购买商品和对应的购买店铺;
步骤S302:当当前时段内用户所浏览店铺为用户偏好店铺,同时用户在用户偏好店铺内浏览的商品对应的商品类型为用户在用户偏好店铺的偏向商品类型时,将所述用户偏好店铺内中的浏览商品,记为用户预测购买商品;获取用户在当前时段内各个用户偏好店铺内对应的用户预测购买商品,当当前时段内用户预测购买商品与当前时段内用户在当前时段内购买商品和购买店铺相同时,将所述用户预测购买商品进行剔除,对用户在当前时段在购物平台内保留的预测购买商品进行汇集,得到用户当前时段在购物平台内用户偏好店铺对应的预测购买商品;
步骤S303:获取用户所在区域内各个物流仓储点对应的数据信息;所述数据信息包括物流仓储点对应的位置信息和对应的货物存储总量;设置物流仓储点存放货物的阈值量;所述货物存储总量为所述物流仓储点存放货物的阈值量;将区域内各个用户对应的在购物平台内用户偏好店铺的预测购买商品进行汇集,得到区域内各个用户在对应用户偏好店铺的预测购买商品。
5.根据权利要求4所述的基于人工智能的仓储数据统计分析管理方法,其特征在于,所述步骤S400包括:
步骤S401:基于各个用户对应的各个商品类型的预测购买商品和用户所在区域内各个物流仓储点,向购物平台内预测购买商品对应各个物流仓储点对应的数据信息,并对用户偏好店铺发出提示,通知用户偏好店铺将店铺内对应的预测购买商品发送至用户所在区域;
步骤S402:获取用户偏好店铺选择用户所在区域物流仓储点位置信息;对当前时段内购物平台内各个用户偏好店铺对应的物流仓储点位置信息进行汇集,得到区域内各个物流仓储点对应的预测货物总量,当当前时段内的某物流仓储点对应的预测货物总量大于货物存储总量,按照用户偏好店铺放送购物平台后台用户偏好店铺选择用户所在区域物流仓储点位置信息时间,按照用户偏好店铺发送时间将部分预测购买商品运输至所述物流仓储点上级物流仓储点;当当前时段内的某物流仓储点对应的预测货物总量小于等于货物存储总量,将用户偏好店铺内对应的预测购买商品运输至用户所在区域对应的物流仓储点。
6.应用于权利要求1-5中任意项所述的基于人工智能的仓储数据统计分析管理方法的仓储数据统计分析管理系统,其特征在于,所述管理系统包括用户偏好商品类型模块、偏爱商品类型模块、预测购买商品模块、物流调度模块;
所述用户偏好商品类型模块,用于对购物平台内各个对各个历史时段内的用户数据信息进行筛选,得到为目标用户数据信息;对当前时段内用户预测购买商品类型进行评估,得到当前时段用户对应的用户偏好商品类型;
所述偏爱商品类型模块,用于对当前时段和历史时段内用户在各个店铺的店铺行为数据进行获取;对用户在用户偏好店铺内购买不同商品类型对应的商品数量进行获取,并用户偏好店铺进行偏爱性的评估,得到用户偏好店铺的偏爱商品类型;
所述预测购买商品模块,用于对用户偏好店铺内各个商品进行评估,得到用户偏好店铺对应的预测购买商品;基于用户所在区域内用户对应的各个预测购买商品,得到区域内各个用户对应的预测购买商品;
所述物流调度模块,用于对基于区域内用户对应的用户偏好店铺的预测购买商品,用户偏好店铺发送提示,并获取用户偏好店铺的预测购买商品对应的物流仓储点,将区域内用户各个预测商品类型对应的各个预测购买商品提前运输至区域内各个对应物流仓储点。
7.根据权利要求6所述的仓储数据统计分析管理系统,其特征在于,所述用户偏好商品类型模块包括目标用户数据信息单元、用户偏好商品类型单元;
所述目标用户数据信息单元,用于对用户在购物平台内各个用户数据信息对应的历史时段与当前时段距离时长进行获取,得到用户的用户数据信息对应的历史时段与当前时段距离的时长;基于用户的用户数据信息对应的历史时段与当前时段距离的时长对用户数据信息进行评估,得到目标用户数据信息;
所述用户偏好商品类型单元,用于计算用户的目标用户数据信息对应的任意相同商品类型的商品类型偏好值;基于用户的目标用户数据信息对应的任意相同商品类型的商品类型偏好值对购物平台内各个商品类型进行评估,得到用户偏好商品类型。
8.根据权利要求6所述的仓储数据统计分析管理系统,其特征在于,所述偏爱商品类型模块包括第一店铺偏好值单元、偏爱商品类型单元;
所述第一店铺偏好值单元,用于对用户的用户店铺行为数据对应的历史时段与当前时段之间距离的时长进行获取;基于用户店铺行为数据对应的历史时段与当前时段之间距离的时长,对用户对用户店铺行为数据对应的店铺的第一店铺偏好值进行计算;
所述偏爱商品类型单元,用于对从购物平台的用户的用户店铺行为数据的各个店铺中选取出店铺偏好值大于店铺偏好值阈值,并记为用户偏好店铺;获取用户偏好店铺各个历史时段不同商品类型下的商品数量;获取各个历史时段内用户偏好店铺中用户购买的商品数量;基于任意用户偏好店铺对应的用户的商品类型的商品类型偏向值,对用户偏好店铺内各个商品类型进行评估,得到用户的任意用户偏好店铺对应的偏爱商品类型。
9.根据权利要求6所述的仓储数据统计分析管理系统,其特征在于,预测购买商品模块包括偏向商品类型单元、预测购买商品单元;
所述偏向商品类型单元,用于对当前时段用户对应的用户偏好商品类型与用户偏好店铺的偏爱商品类型进行评估,得到为用户在用户偏好店铺的偏向商品类型;
所述预测购买商品单元,用于对用户所在区域内各个物流仓储点对应的数据信息进行获取,将区域内各个用户对应的在购物平台内用户偏好店铺的预测购买商品进行汇集,得到区域内用户在各个用户偏好店铺对应的预测购买商品。
10.根据权利要求6所述的仓储数据统计分析管理系统,其特征在于,所述物流调度模块包括物流调度单元;
所述物流调度单元,用于对用户偏好店铺发出提示,通知用户偏好店铺将店铺内对应的预测购买商品发送至用户所在区域;对当前时段内购物平台内各个用户偏好店铺对应的物流仓储点位置信息进行汇集,得到区域内各个物流仓储点对应的预测货物总量,对区域内的各个用户对应的预测购买商品进行提前调度,将区域内用户各个预测商品类型对应的各个预测购买商品提前运输至区域内各个对应物流仓储点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310904087.4A CN116862377A (zh) | 2023-07-21 | 2023-07-21 | 基于人工智能的仓储数据统计分析管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310904087.4A CN116862377A (zh) | 2023-07-21 | 2023-07-21 | 基于人工智能的仓储数据统计分析管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862377A true CN116862377A (zh) | 2023-10-10 |
Family
ID=88223295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310904087.4A Pending CN116862377A (zh) | 2023-07-21 | 2023-07-21 | 基于人工智能的仓储数据统计分析管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862377A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106257444A (zh) * | 2015-06-17 | 2016-12-28 | 阿里巴巴集团控股有限公司 | 一种信息的推送方法和设备 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐系统及计算机装置 |
CN109598564A (zh) * | 2019-02-21 | 2019-04-09 | 上海宝尊电子商务有限公司 | 一种具有时效性的用户对商品感兴趣程度的计算方法及装置 |
CN111476623A (zh) * | 2019-01-24 | 2020-07-31 | 丰田自动车株式会社 | 处理装置、处理方法和程序 |
CN112488605A (zh) * | 2020-11-04 | 2021-03-12 | 孙颖 | 一种基于大数据的产品库存与销量的预测辅助系统 |
CN113139690A (zh) * | 2021-04-27 | 2021-07-20 | 阿拉拇 | 基于人工智能和区块链的电商大数据物流供应链控制系统 |
CN113139857A (zh) * | 2021-05-17 | 2021-07-20 | 武汉阿杜拉电子商务有限公司 | 电子商务平台商家店铺智能管理方法、系统、设备和计算机存储介质 |
JP2022014485A (ja) * | 2020-07-07 | 2022-01-20 | 株式会社野村総合研究所 | リモートショッピングシステムおよびリモートショッピング方法 |
CN114463089A (zh) * | 2022-01-24 | 2022-05-10 | 珠海格力电器股份有限公司 | 一种提升店铺访问度的方法及装置 |
CN115187177A (zh) * | 2022-09-07 | 2022-10-14 | 国连科技(浙江)有限公司 | 一种促销活动中商家货物仓储管理方法及装置 |
JP2023025886A (ja) * | 2021-08-11 | 2023-02-24 | ラトナ株式会社 | 顧客管理システム、顧客管理システムの制御方法、顧客管理システムの制御プログラム、及び、顧客管理システムの制御プログラムの記憶媒体 |
US20230106653A1 (en) * | 2021-10-05 | 2023-04-06 | International Business Machines Corporation | Systems and methods for automatically customizing electronic commerce |
CN116308684A (zh) * | 2023-05-18 | 2023-06-23 | 和元达信息科技有限公司 | 一种网购平台店铺信息推送方法及系统 |
-
2023
- 2023-07-21 CN CN202310904087.4A patent/CN116862377A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106257444A (zh) * | 2015-06-17 | 2016-12-28 | 阿里巴巴集团控股有限公司 | 一种信息的推送方法和设备 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐系统及计算机装置 |
CN111476623A (zh) * | 2019-01-24 | 2020-07-31 | 丰田自动车株式会社 | 处理装置、处理方法和程序 |
CN109598564A (zh) * | 2019-02-21 | 2019-04-09 | 上海宝尊电子商务有限公司 | 一种具有时效性的用户对商品感兴趣程度的计算方法及装置 |
JP2022014485A (ja) * | 2020-07-07 | 2022-01-20 | 株式会社野村総合研究所 | リモートショッピングシステムおよびリモートショッピング方法 |
CN112488605A (zh) * | 2020-11-04 | 2021-03-12 | 孙颖 | 一种基于大数据的产品库存与销量的预测辅助系统 |
CN113139690A (zh) * | 2021-04-27 | 2021-07-20 | 阿拉拇 | 基于人工智能和区块链的电商大数据物流供应链控制系统 |
CN113139857A (zh) * | 2021-05-17 | 2021-07-20 | 武汉阿杜拉电子商务有限公司 | 电子商务平台商家店铺智能管理方法、系统、设备和计算机存储介质 |
JP2023025886A (ja) * | 2021-08-11 | 2023-02-24 | ラトナ株式会社 | 顧客管理システム、顧客管理システムの制御方法、顧客管理システムの制御プログラム、及び、顧客管理システムの制御プログラムの記憶媒体 |
US20230106653A1 (en) * | 2021-10-05 | 2023-04-06 | International Business Machines Corporation | Systems and methods for automatically customizing electronic commerce |
CN114463089A (zh) * | 2022-01-24 | 2022-05-10 | 珠海格力电器股份有限公司 | 一种提升店铺访问度的方法及装置 |
CN115187177A (zh) * | 2022-09-07 | 2022-10-14 | 国连科技(浙江)有限公司 | 一种促销活动中商家货物仓储管理方法及装置 |
CN116308684A (zh) * | 2023-05-18 | 2023-06-23 | 和元达信息科技有限公司 | 一种网购平台店铺信息推送方法及系统 |
Non-Patent Citations (3)
Title |
---|
张鹏翼;王丹雪;焦凡;陈秀雨;王军;: "基于用户浏览日志的移动购买预测研究", 数据分析与知识发现, no. 01, 25 January 2018 (2018-01-25), pages 51 - 63 * |
沈瑶涵: "基于无人机的配送系统运行策略与配置优化研究", 《中国博士学位论文全文数据库 (基础科学辑)》, no. 09, 15 September 2022 (2022-09-15), pages 002 - 41 * |
胡静静: "基于用户-产品需求驱动的个性化购买预测研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 March 2022 (2022-03-15), pages 138 - 688 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10467562B1 (en) | Systems and methods for computerized balanced delivery route assignment | |
US20210326798A1 (en) | Systems and methods for computerized balanced delivery route pre-assignment | |
Dutta et al. | Design and planning of a closed-loop supply chain with three way recovery and buy-back offer | |
Chan et al. | A heuristic methodology for order distribution in a demand driven collaborative supply chain | |
Choi et al. | Optimal two-stage ordering policy with Bayesian information updating | |
Galbreth et al. | Optimal acquisition quantities in remanufacturing with condition uncertainty | |
CN108764974A (zh) | 一种基于深度学习的商品采购量预测方法及装置 | |
CN112508613B (zh) | 一种商品推荐方法、装置、电子设备和可读存储介质 | |
Bindi et al. | Similarity-based storage allocation rules in an order picking system: an application to the food service industry | |
US20060004624A1 (en) | Forecast and replenishment analytics | |
CN110322093B (zh) | 信息处理方法、信息显示方法、装置及计算设备 | |
Higgins et al. | Scheduling of brand production and shipping within a sugar supply chain | |
Cheng et al. | Robust policies for a multi-stage production/inventory problem with switching costs and uncertain demand | |
KR102411671B1 (ko) | 기상정보를 활용한 외식기업의 매출 추정 시스템 및 매출 추정액의 산출 방법 | |
Persson et al. | Managing the after-sales logistic network–a simulation study | |
CN113076484A (zh) | 基于深度学习的产品推荐方法、装置、设备和存储介质 | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
Aksoy et al. | Design of an intelligent decision support system for global outsourcing decisions in the apparel industry | |
Farshbaf-Geranmayeh et al. | Closed loop supply chain network design under uncertain price-sensitive demand and return | |
Guo et al. | Integrated inventory control and scheduling decision framework for packaging and products on a reusable transport item sharing platform | |
Couto et al. | Planning the location of facilities to implement a reverse logistic system of post-consumer packaging using a location mathematical model | |
CN116862377A (zh) | 基于人工智能的仓储数据统计分析管理系统及方法 | |
CN116911830A (zh) | 一种办公设备维修及耗材的自动化运维管理系统 | |
CN111242532A (zh) | 一种采购管理方法、装置和电子设备 | |
US8843403B2 (en) | Computer-implemented methods and computer systems for managing and valuating inventory |
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 |