CN116957471B - 一种智能零售服务方法、系统、电子设备及存储介质 - Google Patents
一种智能零售服务方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116957471B CN116957471B CN202310946941.3A CN202310946941A CN116957471B CN 116957471 B CN116957471 B CN 116957471B CN 202310946941 A CN202310946941 A CN 202310946941A CN 116957471 B CN116957471 B CN 116957471B
- Authority
- CN
- China
- Prior art keywords
- medicine
- information
- inventory
- preset
- sales
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000003814 drug Substances 0.000 claims abstract description 233
- 229940079593 drug Drugs 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000003020 moisturizing effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229940126671 regional medicine Drugs 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
一种智能零售服务方法、系统、电子设备及存储介质，涉及物联网技术领域。该方法包括：获取若干个无人售卖机对应的药品售卖信息，将药品售卖信息附上无人售卖机的id标签；分别提取id标签对应药品售卖信息中的交易数据，交易数据包括不同药品的库存量、药品销售数量、交易时间；判断多个交易数据中是否存在至少一种药品的库存量小于预设阈值；若是，则将库存量小于预设阈值对应id标签的交易数据输入预设库存分析模型，得到库存需求量；调取数据库中id标签对应无人售卖机的位置信息，并根据库存需求量生成补货单发送给区域负责人终端。实施本申请提供的技术方案，实时监测药品售卖信息并通过模型预测库存需求量，达到了准确预测药品需求的效果。
Description
技术领域
本申请涉及物联网技术领域，具体涉及一种智能零售服务方法、系统、电子设备及存储介质。
背景技术
随着科技的快速发展，无人售卖机售药这种创新的商业模式逐渐崭露头角。这是在满足现代人生活快节奏、时间宝贵的需求下应运而生的一种药品销售方式。通过结合自动化技术和智能售货机设备，无人售卖机售药为人们提供了更加方便、快捷的购药方式。无需排队等待，也不受限于药店的营业时间，人们可以随时随地购买所需的药品。这种背景下，无人售卖机售药成为满足人们购药需求的新选择，推动了药品销售领域的创新与发展。
目前，传统的无人售卖机在药品库存不足时，需要有专人定期去不同地区的无人售卖机进行检查并进行统一补货。
但是在实际应用中，因为各地区人员购买药品的需求存在差异，导致不同地区的无人售卖机药品的售卖情况不同，传统的人为补货方法无法准确预测药品需求，实际补货时往往会出现不同地区的无人售卖机出现药品滞销或供不应求的问题，从而传统的无人售卖机补货方法亟待改进。
发明内容
本申请提供了一种智能零售服务方法、系统、电子设备及存储介质，具有准确预测药品库存需求的效果。
第一方面，本申请提供了一种智能零售服务方法，包括：
获取若干个无人售卖机对应的药品售卖信息，并将所述药品售卖信息附上对应无人售卖机的id标签；
根据所述多个id标签，分别提取所述id标签对应药品售卖信息中的交易数据，所述交易数据包括不同类型药品的库存量、药品销售数量、交易时间；
判断所述多个交易数据中是否存在至少一种药品的库存量小于预设阈值；
若是，则将所述库存量小于预设阈值对应id标签的交易数据作为模型输入特征输入预设库存分析模型，得到库存需求量，所述库存需求量为不同类型药品的补货数量；
调取数据库中所述id标签对应无人售卖机的位置信息，并根据所述库存需求量生成补货单发送给所述位置信息对应的区域负责人终端。
通过采用上述技术方案，通过物联网技术实施监测各区域无人售卖机的药品售卖信息，提取药品售卖信息中的不同类型药品的库存量、药品销售数量、交易时间数据，并检测出存在药品库存量小于预设阈值的无人售卖机，通过将该无人售卖机的交易数据输入预设库存分析模型得到药品的库存需求量，从而生成补货单并发送给对应区域的负责人终端，能够提高预测药品库存需求量的准确性，使得无人售卖机的补货效率得到提升。
可选的，通过物联网连接各地区对应的无人售卖机；接收所述各地区对应的无人售卖机上传的所述药品售卖信息；根据后台预记录无人售卖机id，将所述药品售卖信息附上对应无人售卖机的id标签。
通过采用上述技术方案，使用物联网技术连接无人售卖机与系统，使得系统能够实时监测各地区无人售卖机的药品售卖信息，并根据无人售卖机id对药品售卖信息附上对应id标签，可有效防止药品售卖信息出现混淆，提高了获取药品售卖信息的效率。
可选的，分别读取所述各id标签对应药品售卖信息中附有药品名称的字段信息；根据所述字段信息，得到所述各药品的药品库存量、药品销售数量、交易时间。
通过采用上述技术方案，分别读取不同id标签的药品售卖信息，提取各药品信息中附有药品名称的字段信息，通过该字段信息确定各药品的药品库存量、药品销售量和交易时间，提高了获取药品交易数据的准确性，为后续模型预测药品库存量提供数据基础。
可选的，读取所述药品售卖信息中的药品保质期信息；根据所述保质期信息，判断是否存在保质期时长小于预设时间阈值的药品；若是，则生成预警信息，并将所述预警信息发送给所述保质期保质期时长小于预设时间阈值的药品对应的目标区域负责人终端。
通过采用上述技术方案，系统读取药品售卖信息中各药品的保质期信息，并检测出保质期时长小于预设时间阈值的药品，从而生成预警信息发送给该保质期时长小于预设时间阈值药品对应的目标区域负责人终端，能够自动监测出临近保质期的药品，并及时提醒工作人员处理。
可选的，接收历史药品售卖数据；提取所述历史药品售卖数据中的历史库存量、药品销售数量、交易时间作为第一模型输入特征；提取所述历史药品售卖数据中的历史药品每日销售量，将所述历史药品每日销售量根据对应的销售时间按照预设季节时间段得出销售季节，并将所述销售季节作为第二模型输入特征；将所述第一模型输入特征和第二模型输入特征输入初始训练模型；将历史药品售卖数据中各药品对应的历史库存需求量作为训练标准对初始训练模型进行训练，使得所述初始训练模型收敛得到所述预设库存分析模型。
通过采用上述技术方案，提取历史药品售卖数据中的历史库存量、药品销售数量、交易时间，并按照预设季节时间段匹配历史药品每日销售量得到销售季节，然后将历史库存量、药品销售数量、交易时间和销售季节输入初始训练模型训练，使模型收敛得到预设库存分析模型，可实现智能预测药品库存需求量，提高预测库存需求量的准确性。
可选的，根据所述位置信息和所述位置信息对应区域的预设工作站位置信息，按照最短路径算法生成补货路径；判断在所述补货路径沿途预设距离阈值内是否存在未补货无人售卖机；若是，则调取数据库中所述未补货无人售卖机的位置信息，并根据所述未补货无人售卖机的位置信息生成备用补货路径；根据所述补货路径和备用补货路径，生成补货路径图并发送给所述位置对应的区域负责人终端。
通过采用上述技术方案，根据无人售卖机的位置信息和对应区域的预设工作站位置信息生成补货路径，并检测附近区域未补货的无人售卖机，从而生成备用补货路径，然后生成补货路径图发送给对应的区域负责人终端，能够为工作人员提供补货路径图，辅助工作人员补货，提高补货效率。
可选的，检测所述补货单的任务状态，判断在预设处理时间内所述补货单的任务状态是否为已完成；若是，则更新所述无人售卖机补货后的库存信息，并将所述补货单存入数据库；若否，则向所述区域负责人终端发送二次补货通知。
通过采用上述技术方案，检测补货单的任务状态，当检测到补货单的任务状态为已完成时，更新无人售卖机补货后的库存信息，并将补货单存入数据库，若是未检测到补货单的任务状态为已完成，向区域分责任终端发送二次补货通知，可进一步跟进补货单状态，提高补货效率。
在本申请的第二方面提供了一种智能零售服务方法的系统，包括：
信息获取模块，用于获取药品售卖信息；
信息提取模块，用于提取所述药品售卖信息中的库存量、销售数量、交易记录，并将所述库存量、销售数量、交易记录作为模型输入特征输入预设库存分析模型，得到药品库存需求量；
信息检测模块，用于判断所述库存量是否小于预设库存阈值；
信息通知模块，用于根据所述药品库存需求量生成对应补货单并发送给地区负责人。
在本申请的第三方面提供了一种电子设备。
一种智能零售服务方法的系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现一种智能零售服务方法。
在本申请的第四方面提供了一种计算机可读存储介质
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现一种智能零售服务方法。
综上所述，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、本申请通过物联网技术实施监测各区域无人售卖机的药品售卖信息，并提取药品售卖信息中的交易数据输入预设库存分析模型得到药品的库存需求量，从而生成补货单并发送给对应区域的负责人终端，能够提高预测药品库存需求量的准确性，达到提升无人售卖机的补货效率的效果。
2、本申请通过检测无人售卖机中临近保质期的药品，并生成预警信息提示工作人员处理，可有效防止药品过期没有及时处理，影响用户体验感。
3、本申请通过检测补货路径附近区域的未补货无人售卖机，从而根据检测到的未补货无人售卖机生成备用补货路径，达到提高工作人员补货效率的效果。
附图说明
图1是本申请实施例提供的一种智能零售服务方法的流程示意图。
图2是本申请实施例提供的一种智能零售服务方法的模型训练流程示意图
图3是本申请实施例公开的一种智能零售服务系统的结构示意图。
图4是本申请实施例的公开的一种电子设备的结构示意图。
附图标记说明：301、信息获取模块；302、信息提取模块；303、信息检测模块；304、信息通知模块；400、电子设备；401、处理器；402、存储器；403、用户接口；404、网络接口；405、通信总线。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了便于理解本申请实施例提供的方法及系统，在介绍本申请实施例之前，先对本申请实施例的背景进行介绍。
目前，传统的无人售卖机在药品库存不足时，需要有专人去不同地区的无人售卖机进行检查并进行统一补货，因为各地区人员购买药品的需求存在差异，导致不同地区的无人售卖机药品的售卖情况不同，传统的人为补货方法往往会造成不同地区的无人售卖机出现药品滞销或供不应求的问题，对于无人售卖机补货需求评估不准确。
本申请实施例公开了一种智能零售服务方法，通过监测各区域无人售卖机设备的药品售卖信息，经过模型处理，从而预测各区域药品的补货需求，主要用于解决人为预测无人售卖机补货需求不准确的问题。
经过上述背景内容相关介绍，本领域技术人员可以了解现有技术中存在的问题，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行详细的描述，描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
参照图1，一种智能零售服务方法，该方法包括S10至S50，具体包括以下步骤：
S10：获取若干个无人售卖机对应的药品售卖信息，并将药品售卖信息附上对应无人售卖机的id标签。
具体的，在一种实施场景中，一个地区包括有多个区域用于售药的无人售卖机，服务器通过物联网与各无人售卖机连接，组成一个无人售卖机售卖数据实时监测系统。根据工作人员设置，系统可以实时获取各区域无人售卖机售卖数据或设置一个间隔时间用于定期获取该售卖数据。之后系统将获取到的售卖数据按照各区域无人售卖机在系统后台预记录的id进行标记，在标记后，对各售卖数据附上对应无人售卖机id的id标签并作为药品售卖信息，并将该药品售卖信息存入数据库中，该预设数据库采用MySQL数据库，通过id标签标记方法，可有效避免售卖数据出现混淆。
S20：根据多个id标签，分别提取id标签对应药品售卖信息中的交易数据，交易数据包括不同类型药品的库存量、药品销售数量、交易时间。
具体的，系统在得到若干个附有id标签的药品售卖信息后，调取数据库中存储的所有药品售卖信息，或根据工作人员调取id标签处于预设区间的药品售卖信息，之后根据现有递归下降算法将该药品售卖信息的数据源文件转换为预设数据结构，例如数组、链表、队列、字典等数据结构，访问数据源文件中附有药品名称的字段信息，其中每一个药品名称的字段信息对应有该药品的药品库存量、药品销售数量、交易时间数据，然后提取每一种药品的药品的药品库存量、药品销售数量、交易时间数据，从而得到每个无人售卖机中各药品的所有交易数据。
在上述实施例的基础上，还存在过期药品检测的过程，具体操作步骤包括：
示例性地，系统预设有关系型数据库，例如PostgreSQL数据库，PostgreSQL是一种开源的关系型数据库系统，具有高度的可扩展性、可靠性和安全性。系统将无人售卖机中的药品生产日期和保质期数据存入该PostgreSQL数据库中，并根据药品生产日期和保质期数据计算得到各药品的过期日期，之后将各药品的过期日期附上对应id标签，从而实时监测各区域无人售卖机的药品的保质期有效时间，即临近保质期的期限。当系统检测到有药品的保质期有效时间小于预设时间阈值时，该预设时间阈值由工作人员根据实际情况和经验设定，例如预设时间阈值为30天，检测到A区域的无人售卖机中B类药品的保质期有效时间小于30天，则系统会根据该B类药品的保质期有效时间生成预警信息并通过电子邮件、短信、推送通知、即时消息等方式发送给A区域的负责人终端，该负责人终端包括计算机、智能手机等设备。
在本申请一种可行的实施例中，系统检测到存在药品的保质期有效时间小于预设时间阈值并生成预警信息之后，调取数据库中该药品对应无人售卖机位置信息，并在离该无人售卖机预置距离阈值内的所有无人售卖机中按照预设流量规则筛选出流量最大的无人售卖机，该流量由系统通过监测各区域无人售卖机药品销售总数得到，该流量规则具体包括：在相同时间区间内药品销售总数越大则该区域流量越大。其中预置距离阈值由工作人员设定，该预置距离阈值设定越大则该区域工作人员负责补货区域越大，可根据实际情况进行调整。在筛选出流量最大的无人售卖机后，调取数据库中该流量最大对应无人售卖机的位置信息，将该流量最大对应无人售卖机对应的位置信息和保质期有效时间小于预设时间阈值药品对应无人售卖机的位置信息输入预设策略生成工具，例如该预设策略生成工具为Drools，是一个开源的规则引擎，用于管理和执行业务规则，该Drools策略生成共同举提供了一个声明性的规则语言，使工作人员能够定义和管理复杂的业务规则和决策逻辑。经过该Drools策略生成工具处理，得到该药品的调整策略，例如得到的调整策略具体包括：将该临近保质期的药品转移至选取的流量最大区域对应的无人售卖机。之后系统将该调整策略通过电子邮件、短信、推送通知、即时消息等方式发送给该药品对应无人售卖机区域的负责人终端。如果该临近保质期的药品未在有效保质期内售卖，则系统将发出提示信息，用于提醒工作人员收回过期的药品。
需要说明的是，在判断多个交易数据中是否存在至少一种药品的库存量小于预设阈值之前，还存在预设库存分析模型训练过程，具体操作步骤包括S01至S04：
S01：接收历史药品售卖数据。
示例性地，系统根据工作人员设置，将预设时间段的历史药品售卖数据存入数据库，在训练模型时，调取该数据库中的历史药品售卖数据，该历史药品售卖数据包括在各时间段的历史药品销售量、历史药品库存量和历史交易频率等信息。
S02：提取历史药品售卖数据中的历史库存量、药品销售数量、交易时间作为第一模型输入特征。
示例性地，算法模型训练过程中需要输入历史药品售卖数据，系统通过预设编程工具，例如Python中的Pandas库，读取该历史药品售卖数据，并根据预设去噪算法对该历史药品售卖数据进行数据清洗，去除损失值和异常值。之后系统从数据集中提取对应的列或字段获取历史库存量和药品销售数量，对于交易时间，系统从日期时间字段中提取具体的日期和时间信息，如年、月、日、小时等。在得到历史库存量、药品销售数量、交易时间后，系统通过预设编程语言将历史库存量、药品销售数量、交易时间转换为预设标准格式，例如该预设标准格式包括：将历史库存量和药品销售数量表示为数字或整数类型，将交易时间表示为日期时间对象或时间戳。然后系统将转换为预设标准格式后的历史库存量、药品销售数量、交易时间作为第一模型输入特征。
S03：提取历史药品售卖数据中的历史药品每日销售量，将历史药品每日销售量根据对应的销售时间按照预设季节时间段得出销售季节，并将销售季节作为第二模型输入特征。
示例性地，其中预设季节时间段具体包括：将不同月份按照季节进行划分，例如将3至5月作为春季时间段、6至8月作为夏季时间段、9至11月作为秋季时间段、12至1月作为冬季时间段，之后将各季节时间段进一步划分，例如按照10天作为一个时间序列，记录10天内历史库存量、药品销售数量、交易时间，并计算得到历史药品每日销售量，然后将该历史药品每日销售量作为一个时间序列数据集，从而得到若干个时间序列集合。该时间序列集合通过预设统计算法，例如指数平滑法，对该若干个时间序列集合进行计算得到销售季节，并将销售季节作为第二模型输入特征，其中销售季节包括季节性销售趋势，该季节性销售趋势指数用于判断历史库存量、药品销售数量、交易时间等信息随季节变化的趋势。
S04：将第一模型输入特征和第二模型输入特征输入初始训练模型；将历史药品售卖数据中各药品对应的历史库存需求量作为训练标准对初始训练模型进行训练，使得初始训练模型收敛得到预设库存分析模型。
示例性地，第一模型输入特征和第二模型输入特征为同一无人售卖机上传的历史药品售卖数据得出，将历史药品售卖数据中提取到的历史库存量、药品销售数量、交易时间以及通过预设统计算法计算得到的季节性销售趋势指数输入初始训练模型，该初始模型为季节性ARIMA模型，该模型是一种时间序列模型，可以用于分析和预测具有趋势和季节性的时间序列数据。之后将历史药品售卖数据中各药品对应的历史库存需求量作为训练标准对初始训练模型进行训练，例如A药品对应的历史库存需求量为50件至60件、B药品对应的历史库存需求量为20件至30件，在另外实施例中各药品对应的历史库存需求量也可以是其他数量，本实施例不对此进行限定，合理即可。若输出结果在各药品对应历史库存需求量范围内即作为符合要求的库存需求量，之后经过多组历史任务数据训练迭代，使得初始模型收敛获得预设库存分析模型。
S30：判断多个交易数据中是否存在至少一种药品的库存量小于预设阈值；若是，则将库存量小于预设阈值对应id标签的交易数据作为模型输入特征输入预设库存分析模型，得到库存需求量，库存需求量为不同类型药品的补货数量。
具体的，系统在得到多个交易数据后，会通过该交易数据对各区域的无人售卖机实时进行库存量监测，当检测到有无人售卖机中的一种药品或多个药品库存量为零时，将该无人售卖机的交易数据作为模型输入特征输入预先通过历史药品售卖数据训练得到的库存分析模型，从而获取该库存量为零药品的库存需求量，并将该库存需求量存入数据库便于下一次模型更新迭代。工作人员可根据该库存需求量对药品进行补货。
S40：调取数据库中id标签对应无人售卖机的位置信息，并根据库存需求量生成补货单发送给位置信息对应的区域负责人终端。
具体的，数据库中存有各区域无人售卖机的具体位置信息，系统在得到库存量为零药品的药品库存需求量后，读取该药品的id标签并查询该id标签在数据库中对应的无人售卖机数据，并调取该无人售卖机数据中的位置信息，之后系统会根据预设补货单生成工具生成补货单，例如现有SAP补货单软件。该补货单包括药品名称、药品库存需求量以及待补货无人售卖机的位置等信息。系统将补货单通过邮件、短信、即时通讯工具等方式发送给无人售卖机所在区域的负责人终端，负责人终端包括负责人计算机、电话等。
在本申请一种优选的实施例中，在补货单发送给负责人终端后，系统会实时跟进补货单的任务状态，通过使用物联网技术对药品库存量进行实时监测，判断在预设处理时间内补货单设定的补货药品库存量是否达到该药品库存需求量，该预设处理时间为系统设定补货单发出开始至药品补货完成结束的时间，例如该预设处理时间可设定为8小时，具体根据补货距离等时机情况设定，具体不做限定。若是在预设处理时间内系统未检测到该药品的库存量达到库存需求量，则判定该负责人未在预设处理时间内完成补货操作，之后系统将向该负责人终端发送二次补货通知。若是在预设处理时间内系统检测到该药品的库存量达到库存需求量，则判定该负责人在预设处理时间内完成补货操作，系统更新该药品的库存信息，并将该补货单存入数据库，便于后续作为历史数据对模型训练。
在本申请一种可行的实施例中，系统在生成补货单后，会根据目的地和出发地生成补货路径，该目的地为补货单中无人售卖机位置，该出发地为该无人售卖机所处区域的工作站位置，为提高补货效率和降低工作人员的补货频率，系统还会通过数据库中记录的所有无人售卖机位置信息，以检测补货路径附近区域是否存在补货单中记录以外的无人售卖机数据，该检测范围为补货路径沿途预设距离阈值，例如该预设距离阈值可设为500米，若是在补货沿途500米范围内存在补货单中记录以外的无人售卖机，则系统调取该补货单中记录以外的无人售卖机的具体位置信息并根据该位置信息生成备用补货路径，之后根据该备用补货路径和补货路径生成补货路径图，发送给对应的区域负责人终端。
下述为本申请的系统实施例，可以用于执行本申请方法实施例。对于本申请平台实施例中未披露的细节，参照本申请方法实施例。
参照图3，为本申请实施例提供的一种基于在途时长预测算法的预警方法的系统，该系统包括：信息获取模块301、信息提取模块302、信息检测模块303，信息通知模块304，其中：
信息获取模块301，用于获取药品售卖信息；
信息提取模块302，用于提取药品售卖信息中的库存量、销售数量、交易记录，并将库存量、销售数量、交易记录作为模型输入特征输入预设库存分析模型，得到药品库存需求量；
信息检测模块303，用于判断库存量是否小于预设库存阈值；
信息通知模块304，用于根据药品库存需求量生成对应补货单并发送给地区负责人。
需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请还公开一种电子设备。参照图4，图4是本申请实施例的公开的一种电子设备的结构示意图。该电子设备400可以包括：至少一个处理器401，至少一个网络接口404，用户接口403，存储器402，至少一个通信总线405。
其中，通信总线405用于实现这些组件之间的连接通信。
其中，用户接口403可以包括显示屏（Display）、摄像头（Camera），可选用户接口403还可以包括标准的有线接口、无线接口。
其中，网络接口404可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器402内的指令、程序、代码集或指令集，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据。可选的，处理器401可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器401可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面图和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。
其中，存储器402可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器402包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器402可用于存储指令、程序、代码、代码集或指令集。存储器402可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器402可选的还可以是至少一个位于远离前述处理器401的存储装置。参照图4，作为一种计算机存储介质的存储器402中可以包括操作系统、网络通信模块、用户接口模块以及一种智能零售服务方法的应用程序。
在图4所示的电子设备400中，用户接口403主要用于为用户提供输入的接口，获取用户输入的数据；而处理器401可以用于调用存储器402中存储一种智能零售服务方法的应用程序，当由一个或多个处理器401执行时，使得电子设备400执行如上述实施例中一个或多个的方法。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (9)
1.一种智能零售服务方法，其特征在于，包括：
获取若干个无人售卖机对应的药品售卖信息，并将所述药品售卖信息附上对应无人售卖机的id标签；
根据所述多个id标签，分别提取所述id标签对应药品售卖信息中的交易数据，所述交易数据包括不同类型药品的库存量、药品销售数量、交易时间；
判断所述多个交易数据中是否存在至少一种药品的库存量小于预设阈值；
若是，则将所述库存量小于预设阈值对应id标签的交易数据作为模型输入特征输入预设库存分析模型，得到库存需求量，所述库存需求量为不同类型药品的补货数量；
调取数据库中所述id标签对应无人售卖机的位置信息，并根据所述库存需求量生成补货单发送给所述位置信息对应的区域负责人终端；
所述预设库存分析模型的训练过程，包括：
接收历史药品售卖数据；
提取所述历史药品售卖数据中的历史库存量、药品销售数量、交易时间作为第一模型输入特征；
提取所述历史药品售卖数据中的历史药品每日销售量，将所述历史药品每日销售量根据对应的销售时间按照预设季节时间段得出销售季节趋势指数，并将所述销售季节趋势指数作为第二模型输入特征；
将所述第一模型输入特征和第二模型输入特征输入初始训练模型；
将历史药品售卖数据中各药品对应的历史库存需求量作为训练标准对初始训练模型进行训练，使得所述初始训练模型收敛得到所述预设库存分析模型；
所述初始模型为季节性ARIMA模型。
2.根据权利要求1所述的一种智能零售服务方法，其特征在于，所述获取若干个无人售卖机对应的药品售卖信息，并将所述药品售卖信息附上对应无人售卖机的id标签中，包括：
通过物联网连接各地区对应的无人售卖机；
接收所述各地区对应的无人售卖机上传的所述药品售卖信息；
根据后台预记录无人售卖机id，将所述药品售卖信息附上对应无人售卖机的id标签。
3.根据权利要求2所述的一种智能零售服务方法，其特征在于，所述分别提取所述id标签对应药品售卖信息中的交易数据中，包括：
分别读取所述各id标签对应药品售卖信息中附有药品名称的字段信息；
根据所述字段信息，得到所述各药品的药品库存量、药品销售数量、交易时间。
4.根据权利要求3所述的一种智能零售服务方法，其特征在于，所述分别读取所述各id标签对应药品售卖信息中附有药品名称的字段信息之后，还包括：
读取所述药品售卖信息中的药品保质期信息；
根据所述保质期信息，判断是否存在保质期时长小于预设时间阈值的药品；
若是，则生成预警信息，并将所述预警信息发送给所述保质期时长小于预设时间阈值的药品对应的目标区域负责人终端。
5.根据权利要求1所述的一种智能零售服务方法，其特征在于，所述调取数据库中所述id标签对应无人售卖机的位置信息之后，还包括：
根据所述位置信息和所述位置信息对应区域的预设工作站位置信息，按照最短路径算法生成补货路径；
判断在所述补货路径沿途预设距离阈值内是否存在未补货无人售卖机；
若是，则调取数据库中所述未补货无人售卖机的位置信息，并根据所述未补货无人售卖机的位置信息生成备用补货路径；
根据所述补货路径和备用补货路径，生成补货路径图并发送给所述位置对应的区域负责人终端。
6.根据权利要求1所述的一种智能零售服务方法，其特征在于，所述根据所述库存需求量生成补货单发送给所述位置信息对应的区域负责人终端之后，还包括：
检测所述补货单的任务状态，判断在预设处理时间内所述补货单的任务状态是否为已完成；
若是，则更新所述无人售卖机补货后的库存信息，并将所述补货单存入数据库；
若否，则向所述区域负责人终端发送二次补货通知。
7.一种智能零售服务系统，其特征在于，所述系统包括：
信息获取模块（301），用于获取药品售卖信息；
信息提取模块（302），用于提取所述药品售卖信息中的库存量、销售数量、交易记录，并将所述库存量、销售数量、交易记录作为模型输入特征输入预设库存分析模型，得到药品库存需求量；
信息检测模块（303），用于判断所述库存量是否小于预设库存阈值；
信息通知模块（304），用于根据所述药品库存需求量生成对应补货单并发送给地区负责人；
所述预设库存分析模型的训练过程，包括：
接收历史药品售卖数据；
提取所述历史药品售卖数据中的历史库存量、药品销售数量、交易时间作为第一模型输入特征；
提取所述历史药品售卖数据中的历史药品每日销售量，将所述历史药品每日销售量根据对应的销售时间按照预设季节时间段得出销售季节趋势指数，并将所述销售季节趋势指数作为第二模型输入特征；
将所述第一模型输入特征和第二模型输入特征输入初始训练模型；
将历史药品售卖数据中各药品对应的历史库存需求量作为训练标准对初始训练模型进行训练，使得所述初始训练模型收敛得到所述预设库存分析模型；
所述初始模型为季节性ARIMA模型。
8.一种电子设备，其特征在于，包括处理器(401)、存储器(402)、用户接口(403)及网络接口(404)，所述存储器(402)用于存储指令，所述用户接口(403)和网络接口(404)用于给其他设备通信，所述处理器(401)用于执行所述存储器(402)中存储的指令，以使所述电子设备(400)执行如权利要求1-6任意一项所述的一种智能零售服务方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-6任意一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946941.3A CN116957471B (zh) | 2023-07-29 | 2023-07-29 | 一种智能零售服务方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946941.3A CN116957471B (zh) | 2023-07-29 | 2023-07-29 | 一种智能零售服务方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116957471A CN116957471A (zh) | 2023-10-27 |
| CN116957471B true CN116957471B (zh) | 2024-03-19 |
Family
ID=88452626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310946941.3A Active CN116957471B (zh) | 2023-07-29 | 2023-07-29 | 一种智能零售服务方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116957471B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436799A (zh) * | 2023-12-20 | 2024-01-23 | 柯诺物联网技术(山东)有限公司 | 一种基于中台的药械数据管理方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127508A (zh) * | 2016-06-17 | 2016-11-16 | 重庆大学 | 一种基于大数据计算的中药材价格预测方法 |
| CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
| CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
| CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
| CN110210907A (zh) * | 2019-06-10 | 2019-09-06 | 文良均 | 一种自动售卖的数据分析补货系统 |
| CN111932188A (zh) * | 2020-09-25 | 2020-11-13 | 南京梦饷网络科技有限公司 | 用于库存管理的方法、电子设备和存储介质 |
| CN112581182A (zh) * | 2020-12-24 | 2021-03-30 | 山东新北洋信息技术股份有限公司 | 自动售货设备的销售管理方法及系统 |
| CN112734336A (zh) * | 2021-01-14 | 2021-04-30 | 广州乐摇摇信息科技有限公司 | 一种基于无人零售终端的库存补给方法及装置 |
| CN112862117A (zh) * | 2021-01-18 | 2021-05-28 | 广东便捷神科技股份有限公司 | 无人零售终端机的维保运营管理方法及系统 |
| CN113506402A (zh) * | 2021-06-07 | 2021-10-15 | 京品高科信息科技（北京）有限公司 | 一种具有冷温控制展示功能的饮料自动售货机 |
| CN113962747A (zh) * | 2021-11-03 | 2022-01-21 | 青岛海尔科技有限公司 | 一种订单预测方法、装置、电子设备及存储介质 |
| CN115170191A (zh) * | 2022-07-08 | 2022-10-11 | 旷叶互联网技术(上海)有限公司 | 一种产品销量预测方法及系统 |
| CN116052327A (zh) * | 2023-01-18 | 2023-05-02 | 广东便捷神科技股份有限公司 | 一种基于云计算的物联网药品售货机管理销售系统 |
| CN116188061A (zh) * | 2023-04-27 | 2023-05-30 | 北京永辉科技有限公司 | 商品销量预测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210366026A1 (en) * | 2020-05-24 | 2021-11-25 | lnvenda Group AG | Vending machine, vending method and advanced product recommendation engine for vending machines |
-
2023
- 2023-07-29 CN CN202310946941.3A patent/CN116957471B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127508A (zh) * | 2016-06-17 | 2016-11-16 | 重庆大学 | 一种基于大数据计算的中药材价格预测方法 |
| CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
| CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
| CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
| CN110210907A (zh) * | 2019-06-10 | 2019-09-06 | 文良均 | 一种自动售卖的数据分析补货系统 |
| CN111932188A (zh) * | 2020-09-25 | 2020-11-13 | 南京梦饷网络科技有限公司 | 用于库存管理的方法、电子设备和存储介质 |
| CN112581182A (zh) * | 2020-12-24 | 2021-03-30 | 山东新北洋信息技术股份有限公司 | 自动售货设备的销售管理方法及系统 |
| CN112734336A (zh) * | 2021-01-14 | 2021-04-30 | 广州乐摇摇信息科技有限公司 | 一种基于无人零售终端的库存补给方法及装置 |
| CN112862117A (zh) * | 2021-01-18 | 2021-05-28 | 广东便捷神科技股份有限公司 | 无人零售终端机的维保运营管理方法及系统 |
| CN113506402A (zh) * | 2021-06-07 | 2021-10-15 | 京品高科信息科技（北京）有限公司 | 一种具有冷温控制展示功能的饮料自动售货机 |
| CN113962747A (zh) * | 2021-11-03 | 2022-01-21 | 青岛海尔科技有限公司 | 一种订单预测方法、装置、电子设备及存储介质 |
| CN115170191A (zh) * | 2022-07-08 | 2022-10-11 | 旷叶互联网技术(上海)有限公司 | 一种产品销量预测方法及系统 |
| CN116052327A (zh) * | 2023-01-18 | 2023-05-02 | 广东便捷神科技股份有限公司 | 一种基于云计算的物联网药品售货机管理销售系统 |
| CN116188061A (zh) * | 2023-04-27 | 2023-05-30 | 北京永辉科技有限公司 | 商品销量预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Dynamic reorder point replenishment strategies for a capacitated supply chain with seasonal demand;Chandandeep S. Grewal 等;《Computers & Industrial Engineering》;20150228;第80卷;第97-1110页 * |
| 基于ARIMA模型残差优化的商品销量预测研究;张新超;《中国优秀硕士学位论文全文数据库 信息科技辑》;20211215(第12期);第I140-158页 * |
| 基于多产品报童模型的自动售货机补货问题研究;鲁宇婷;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220415(第4期);第C029-361页 * |
| 自动售卖机销量预测模型研究;刘晴;《中国优秀硕士学位论文全文数据库 基础科学辑》;20220415(第4期);第A002-726页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116957471A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11593821B2 (en) | Mobile device based inventory management and sales trends analysis in a retail environment | |
| Mou et al. | Retail store operations: Literature review and research directions | |
| US20210110337A1 (en) | System and method for blood component supply chain management | |
| KR101408323B1 (ko) | 로컬 쇼핑 및 재고 | |
| US20100138281A1 (en) | System and method for retail store shelf stock monitoring, predicting, and reporting | |
| CN116957471B (zh) | 一种智能零售服务方法、系统、电子设备及存储介质 | |
| CN110555578B (zh) | 一种销量预测方法和装置 | |
| CN107767092B (zh) | 商品对象信息的处理方法、展示方法及装置 | |
| CN112581182B (zh) | 自动售货设备的销售管理方法及系统 | |
| US20150100383A1 (en) | Method and system to measure customer traffic at a merchant location | |
| CN108665284A (zh) | 供应链云平台系统 | |
| CN115600767A (zh) | 物料监测方法、装置、计算机设备及可读存储介质 | |
| US20170193435A1 (en) | Systems and methods for forecasting on-shelf product availability | |
| US10902379B2 (en) | System for customized unrequested item resolution | |
| KR102466396B1 (ko) | 상품 정보 관리 방법 및 장치 | |
| CN113724053B (zh) | 农产品供应链协调方法及系统 | |
| CN114331267A (zh) | 任务执行方法及装置、电子设备和计算机可读存储介质 | |
| CN109218062A (zh) | 基于置信区间的互联网业务报警方法和装置 | |
| CN112819540A (zh) | 预测售货机商品销量方法及装置、计算机可读存储介质 | |
| US11393047B2 (en) | Methods, systems, articles of manufacture and apparatus to monitor auditing devices | |
| CN114882640B (zh) | 一种基于推货售卖机的推货位置识别系统 | |
| JP6303363B2 (ja) | 装填計画策定システム、装填計画策定方法、及びプログラム | |
| US20240046174A1 (en) | Target management system, target management method, and non-transitory storage medium | |
| EP4312174A1 (en) | Information processing system, information processing device, information processing method, and program | |
| CN110570254B (zh) | 一种基于人脸识别数据的商品结构控制方法及系统 |
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 |