CN117273599A - 一种商品需求的预测和商品补货数量的确定方法与系统 - Google Patents
一种商品需求的预测和商品补货数量的确定方法与系统 Download PDFInfo
- Publication number
- CN117273599A CN117273599A CN202311061253.5A CN202311061253A CN117273599A CN 117273599 A CN117273599 A CN 117273599A CN 202311061253 A CN202311061253 A CN 202311061253A CN 117273599 A CN117273599 A CN 117273599A
- Authority
- CN
- China
- Prior art keywords
- commodity
- site
- data
- sales
- period
- 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 73
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 15
- 230000007306 turnover Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000013439 planning Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 239000000047 product Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008676 import Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241001286345 Cervaria rivini Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005058 diapause Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种商品需求的预测和商品补货数量的确定方法与系统。所述方法包括：根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在站点的历史销售数据；采用负二项分布模型或混合负二项分布模型，对商品在站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内商品的预测销量曲线，根据商品的预测销量曲线，预测出商品在站点的需求数据；采用商品需求的预测方法，分别预测出每种商品在各站点的需求数据；根据得到的商品的需求数据以及对应的当前库存数据，获得每种商品在每个站点需要的补货数量结果。能够提升商品需求预测精度，降低缺货风险和库存积压风险。
Description
技术领域
本发明涉及智能预测补货技术领域，特别涉及一种商品需求的预测和商品补货数量的确定方法与系统。
背景技术
随着经济的发展，生活节奏的加快，相比去较远的大卖场采购，更多人倾向于去位置方便的便利店采购，因此，便利店越来越普遍，由于在连锁便利店的门店里，货架商品的摆放量要根据消费者的需求来决定，缺货或者是商品摆放过多都会降低门店的销售利润，由于连锁便利店的商品种类繁多，通过人工判断不仅效率低且容易出错，因此，自动补货策略系统是十分有必要的。
现有技术中，通常先对商品进行分类，再针对不同的商品分类采用不同的补货策略，结合数据分析技术和库存管理思想，开发出了适用于连锁便利店的自动补货策略系统，但是在体量巨大的加油站便利店(一个加油站便利店可以称为一个站点)场景下，由于日常订货补货任务繁重且要求精准程度高、时效性强，订货环节同时要考虑多种情况等一系列复杂的因素，现有技术并不能解决加油站便利店在订货时面临的各种问题，加油站便利店仍存在补货精度低，库存成本和周转成本大等问题，因此，亟需一种适用于加油站便利店的自动补货策略系统。
发明内容
本申请发明人发现，目前现有技术中，大多数是构建知识图谱的映射工具遵循R2RML规范，通过对映射规则的配置、解析和执行，实现关系数据库到RDF的映射，但是实际在石油工业的应用过程中，仍然存在很多问题。
鉴于上述问题，提出了本发明以便提供一种商品需求的预测和商品补货数量的确定方法与系统，通过负二项分布模型或混合负二项分布模型，对商品在站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内商品的预测销量曲线，预测出商品的销量及达到预测销量的概率。实现提升商品需求预测精度。
第一方面，本发明实施例提供一种商品需求的预测方法，包括：
根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在所述站点的历史销售数据；
采用负二项分布模型或混合负二项分布模型，对商品在所述站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内所述商品的预测销量曲线，根据所述商品的预测销量曲线，预测出商品在所述站点的需求数据，所述预测销量曲线表征在所述未来周期内，所述商品的预测销量及达到预测销量的概率。
在一个实施例中，若采用负二项分布模型，所述历史周期包括第一历史周期和第二历史周期；
所述根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在所述站点的历史销售数据，包括：
获取所述商品在第一历史周期内的历史销量，得到所述商品对应的第一销售数据；
获取所述商品在第二历史周期内的历史销量，得到所述商品对应的第二销售数据；
所述第一历史周期与所述第二历史周期的时间长度不同。
在一个实施例中，所述未来周期包括第一未来周期和第二未来周期；
采用负二项分布模型，对商品在所述站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内所述商品的预测销量曲线，根据所述商品的预测销量曲线，预测出商品在所述站点的需求数据，包括：
利用负二项分布概率密度函数，对连续若干个所述第一销售数据和连续若干个所述第二销售数据分别进行拟合，得到第一预测销量曲线和第二预测销量曲线；
根据所述第一预测销量曲线，计算出所述商品大于预设的第一概率阈值的预测销量，作为所述商品的第一需求数据，所述第一预测销量曲线为所述商品在所述第一未来周期内的预测销量曲线，所述第一需求数据表征所述商品对应的最小库存数据；
根据所述第二预测销量曲线，计算出所述商品大于预设的第一概率阈值的预测销量，作为所述商品的第二需求数据，所述第二预测销量曲线为所述商品在所述第二未来周期内的预测销量曲线，所述第二需求数据表征所述商品对应的最大库存数据；
将所述第一需求数据与所述第二需求数据组成的数据区间，作为商品在所述站点的需求数据。
在一个实施例中，若采用混合负二项分布模型，所述历史周期包括第三历史周期；
所述根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在所述站点的历史销售数据，包括：
获取所述商品在第三历史周期内的历史销量，得到所述商品对应的第三销售数据，判断所述第三销售数据是否满足预设的状态条件，若是，则所述第三历史周期为旺季，相应地，所述第三销售数据为旺季销售数据，若否，则所述第三历史周期为淡季，相应地，所述第三销售数据为淡季销售数据，所述状态条件表征所述商品在所述第三历史周期内处于淡旺季的判断条件，根据淡旺季的判断条件，确定所述第三历史周期是淡季或者是旺季。
在一个实施例中，所述未来周期包括第三未来周期；
采用混合负二项分布模型，对商品在所述站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内所述商品的预测销量曲线，包括：
采用下述公式，对连续若干个所述第三销售数据进行拟合，得到第三预测销量曲线，所述第三预测销量曲线为所述商品在所述第三未来周期内的预测销量曲线：
fmixNB(x；π,μ1,p1,μ2,p2)＝πfNB(x；μ1,p1)+(1-π)fNB(x；μ2,p2)；
上式中，π表示第三未来周期为淡季的概率，(1-π)表示第三未来周期为旺季的概率，μ1和p1表示负二项分布NB(μ1,p1)中的参数，μ2和p2表示负二项分布NB(μ2,p2)中的参数；。
在一个实施例中，所述根据所述商品的预测销量曲线，预测出商品在所述站点的需求数据，包括：
采用极大似然估计算法，对所述第三预测销量曲线进行简化，根据简化后的第三预测销量曲线，计算出大于预设的第一概率阈值的预测销量，作为所述商品的第三需求数据，所述第三需求数据表征所述商品对应的库存数据。
第二方面，本发明实施例提供一种确定商品补货数量的方法，包括：
获取多个站点的各种商品的商品信息，采用如权利要求1-6任一项所述的商品需求的预测方法，分别预测出每种商品在每个站点的需求数据；
获取每种商品在每个站点的当前库存数据；
根据所述每种商品在每个站点的需求数据以及所述每种商品在每个站点的当前库存数据，得到多站点补货目标模型，采用启发式算法对所述多站点补货目标模型进行求解，将求解结果作为每种商品在每个站点需要补货数量的结果。
在一个实施例中，所述根据所述每种商品在每个站点的需求数据以及所述每种商品在每个站点的当前库存数据，构建多站点补货目标模型，包括：
根据所述每种商品在每个站点的需求数据、所述每种商品在每个站点的当前库存数据以及预设的约束条件，构建多站点补货规划模型，所述约束条件为；
调整所述多站点补货规划模型的参数，直到进货成本数据小于等于预设的进货成本数据阈值，且周转率大于等于预设的周转率阈值，得到多站点补货目标模型；；；。
在一个实施例中，所述采用启发式算法对所述多站点补货目标模型进行求解，将求解结果作为每种商品在每个站点需要补货数量的结果，包括：
基于马尔科夫链的贪婪搜索策略，求解所述多站点补货目标模型，得到所述多站点补货目标模型的最优解，作为每种商品每个站点的补货量。
第三方面，本发明实施例提供一种商品需求的预测装置，包括：
第一获取模块，用于根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在所述站点的历史销售数据；
第一预测模块，用于采用负二项分布模型或混合负二项分布模型，对商品在所述站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内所述商品的预测销量曲线，根据所述商品的预测销量曲线，预测出商品在所述站点的需求数据，所述预测销量曲线表征在所述未来周期内，所述商品的预测销量及达到预测销量的概率。
第四方面，本发明实施例提供一种商品需求的预测装置，包括：
第二预测模块，用于获取多个站点的各种商品的商品信息，采用如权利要求1-6任一项所述的商品需求的预测方法，分别预测出每种商品在每个站点的需求数据；
第二获取模块，用于获取每种商品在每个站点的当前库存数据；
求解模块，用于根据所述每种商品在每个站点的需求数据以及所述每种商品在每个站点的当前库存数据，得到多站点补货目标模型，采用启发式算法对所述多站点补货目标模型进行求解，将求解结果作为每种商品在每个站点需要补货数量的结果。
第五方面，本发明实施例提供一种服务器，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的商品需求的预测方法或如上所述的确定商品补货数量的方法。
第六方面，本发明实施例提供一种终端设备，包括：所述终端设备用于与用户进行人机交互，获取用户的输入信息以及将预测到的商品的库存数据、需求数据以及补货数量展示给用户。
第七方面，本发明实施例提供一种商品的预测补货系统，其特征在于，包括：如上所述的服务器和如上所述的终端设备。
第七方面，本发明实施例提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如上所述的商品需求的预测方法活如上所述的确定商品补货数量的方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的商品需求的预测方法，获取站点中商品在历史周期内的历史销售数据，采用负二项分布模型或混合负二项分布模型，对获取到的在历史周期内的站点商品的历史销售数据进行拟合，得到商品在当前时间之后的未来周期内商品的销量预测曲线，相比给出一个确定的预测值，本实施例中使用需求分布给出达到某一销量的概率更为合理，换言之，预测未来一段时间商品的销量及达到该销量的概率，根据获得的需求分布，能够精准的计算出更合理的库存区间，提升商品需求预测精度，降低缺货风险和库存积压风险。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中商品需求的预测方法的流程图；
图2为本发明实施例中拟合出商品的预测销量曲线方法的流程图之一；
图3为本发明实施例中确定商品补货数量的方法的流程图；
图4为本发明实施例中得到多站点补货目标模型的方法的流程图；
图5-图24为本发明实施例中补货系统的模块界面示意图；
图25为本发明实施例中商品需求的预测装置的结构示意图；
图26为本发明实施例中确定商品补货数量的装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了提高加油站便利店的补货精度，降低加油站便利店的周转成本和库存成本，本发明实施例提供一种商品需求的预测方法。
为了更清楚的说明本发明实施例的实施过程，本实施例所说的历史周期为在当前时间之前的时间段或者时间周期，历史周期包括第一历史周期、第二历史周期和第三历史周期，相应地，历史周期内发生的销售数据，称为历史销售数据；本实施例所说的未来周期为当前时间之后的时间段或者时间周期，未来周期包括第一未来周期、第二未来周期和第三未来周期，相应地，未来周期内预测的销售数据，称为商品的需求数据。
实施例一
本发明实施例一提供一种商品需求的预测方法，其流程如图1所示，包括如下步骤：
步骤S1：根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在站点的历史销售数据；
步骤S2：采用负二项分布模型或混合负二项分布模型，对商品在站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内商品的预测销量曲线，根据商品的预测销量曲线，预测出商品在站点的需求数据，预测销量曲线表征在未来周期内，商品的预测销量及达到预测销量的概率。
由于在未来时间段内，商品的需求具有不确定性，在对商品需求进行预测时，如果仅仅给出一个确定的预测值，会降低预测出的商品需求的准确率，进而影响安全库存的合理性，因此，用需求分布来预测商品的需求更为准确，换言之，预测的目标是未来一段时间内商品的预测销量以及达到预测销量的概率，根据预测销量的概率确定出的库存区间，显然是更合理的。
在实际的加油站便利店中，每个站点内有非常多种类的商品，且同一种商品在不同站点的销量也会不同，需要补货的时间和数量均不相同，对于每个站点的每种商品，基于负二项分布原理，能够计算出每个商品在每个站点的需求数据，下面用两种方式分别说明预测商品的需求数据的步骤。
(一)、采用负二项分布模型，预测商品在站点的需求数据：
由于考虑到了商品销售数据的稀疏性，本发明实施例将商品在过去一段时间内的销售数据，以单位时间进行合并，例如，以一周为单位时间，将商品在过去一段时间内每周的销售数据合并。在理想情况下，商品合并之后的销售数据均为非零数据，也就是说，在只有非零数据的这种情况下，可以采用负二项分布模型，预测商品在站点的需求数据，因此负二项分布模型是对有销量周的销量分布进行了刻画，此种策略也称为激进策略下的需求预测。
在一些可选的实施例中，在上述步骤S1中，若采用负二项分布模型，历史周期包括第一历史周期和第二历史周期，则获取在当前时间之前的历史周期内，商品在站点的历史销售数据，具体地，可以通过下述方式实现：
(1)、获取商品在第一历史周期内的历史销量，得到商品对应的第一销售数据；
(2)、获取商品在第二历史周期内的历史销量，得到商品对应的第二销售数据；
第一历史周期与第二历史周期的时间长度不同。
在实际情况中，由于商品的销售数据具有稀疏性，为了降低商品的销售数据对噪音的敏感程度，提高计算的准确率和效率，以预设的一段时间为单位，将商品在过去单位时间内的销量进行合并，将合并的销量作为商品在站点的销售数据，在本发明实施例中，第一历史周期与第二历史周期均为预设的过去单位时间，例如，第一历史周期的时间长度为一周，第二历史周期的时间长度为两周，需要注意的是，第一历史周期的时间长度与第二历史周期的时间长度不同。
在一些可选的实施例中，在上述步骤S2中，未来周期包括第一未来周期和第二未来周期；如图2所示，可以用下述方式，拟合出商品的预测销量曲线：
步骤S21：利用负二项分布概率密度函数，对连续若干个第一销售数据和连续若干个第二销售数据分别进行拟合，得到第一预测销量曲线和第二预测销量曲线；
步骤S22：根据第一预测销量曲线，计算出商品大于预设的第一概率阈值的预测销量，作为商品的第一需求数据，第一预测销量曲线为商品在第一未来周期内的预测销量曲线，第一需求数据表征商品对应的最小库存数据；
步骤S23：根据第二预测销量曲线，计算出商品大于预设的第一概率阈值的预测销量，作为商品的第二需求数据，第二预测销量曲线为商品在第二未来周期内的预测销量曲线，第二需求数据表征商品对应的最大库存数据；
步骤S24：将第一需求数据与第二需求数据组成的数据区间，作为商品在站点的需求数据。
在一些可选的实施例中，上述步骤S21-步骤S22中，采用负二项分布模型，对连续若干个第一销售数据进行拟合，以第一历史周期的时间长度为一周(即TA＝1周)为例，获取当前时间以前的连续若干个第一历史周期，举例来说，获取商品在当前时间前六周中每周的销量，将每周的销量作为商品的一个第一销售数据，则得到六个第一销售数据；采用负二项分布模型对六个第一销售数据进行拟合，得到商品在当前时间之后的第一未来周期内的预测销量曲线，该预测销量曲线预测的是商品在当前时间之后的第一未来周期内的销量及达到销量的概率，将得到的负二项分布记作其中，j为商品编号，一个商品编号表征一种商品类型；i为站点编号，一个站点标号表征一个站点，需要注意的是，第一未来周期的时间长度与第一历史周期的时间长度一致。
以第二历史周期的时间长度为两周(即TB＝2周)为例，获取当前时间以前的连续若干个第二历史周期，举例来说，获取商品在当前时间前六周中每两周的销量，将每两周的销量作为商品的一个第二销售数据，则得到三个第二销售数据；采用负二项分布模型对三个第二销售数据进行拟合，得到商品在当前时间之后的第二未来周期内的预测销量曲线，该预测销量曲线预测的是商品在当前时间之后的第二未来周期内的销量及达到销量的概率，将得到的负二项分布记作需要注意的是，第二未来周期的时间长度与第二历史周期的时间长度一致。
上述步骤S23，计算负二项分布的值为第一概率阈值的分位点，作为商品j在站点i的最小库存，以第一概率阈值的取值为0.95为例，如下式所示，最小库存Aij的表示为满足未来一周95％的销量需求所需要的备货数量：
上式中，Aij表示在站点i的最小库存，表示第一销售数据的负二项分布，0.95表示第一概率阈值；
计算负二项分布的值为第一概率阈值的分位点，作为商品j在站点i的最大库存，同样以第一概率阈值的取值为0.95为例，如下式所示，最大库存Bij表示为满足未来两周95％的销量需求所需要的备货数量：
上式中，Bij表示商品j在站点i的最小库存，表示第二销售数据的负二项分布，0.95表示第一概率阈值。
将预测出来最小库存和最大库存组层的需求区间[Aij,Bij]，作为商品在站点的需求数据。
(二)、采用混合负二项分布模型，预测商品在站点的需求数据：
采用负二项分布模型在预测商品在站点的需求数据时，只考虑了非零销量的周的数据，因此得到的需求估计可能会为了不丢失任何销售机会而使得整体库存水平偏高，为了解决实际上存在非零销量周的问题，本发明实施例提出了采用混合负二项分布模型，预测商品的需求，此种策略也称为保守策略下的需求预测。
对于普通商品，均存在两种销售状态，即高销量状态(如旺季)和低销量状态(如淡季)，且在每种销售状态下，销量都服从一个负二项分布，但是不同销售状态下的负二项分布参数不同，因此，预测站点的商品在未来一段时间内的销量，取决于该时间段内该商品所处的销售状态，换言之，实际的销量服从混合负二项分布。
在一些可选的实施例中，上述步骤S1，若采用混合负二项分布模型，历史周期包括第三历史周期，则获取在当前时间之前的历史周期内，商品在站点的历史销售数据，可以通过下述方式实现：
获取商品在第三历史周期内的历史销量，得到商品对应的第三销售数据，判断第三销售数据是否满足预设的状态条件，若是，则第三历史周期为旺季，相应地，第三销售数据为旺季销售数据，若否，则第三历史周期为淡季，相应地，第三销售数据为淡季销售数据，状态条件表征商品在第三历史周期内处于淡旺季的判断条件，根据淡旺季的判断条件，确定第三历史周期是淡季或者是旺季。
其中，判断是否为淡旺季的预设的状态条件，可以根据实际情况来设定，比如，将一个第三历史周期内销量是否满足预设的销量阈值作为判断的状态条件；第三历史周期为预设的过去单位时间，例如，第三历史周期的时间长度为一周。
在一些可选的实施例中，未来周期包括第三未来周期，以第三未来周期的时间长度取值是1周为例，预设每周均存在一个相应的隐藏状态：淡季或者旺季。淡季的出现概率为π，且淡季的销量服从负二项分布NB(μ1,p1)；旺季出现的概率为(1-π)，且旺季的销量服从另一个负二项分布NB(μ2,p2)，则相应地，在上述步骤S2中，可以用下述方式，拟合出商品的预测销量曲线：
采用下述公式，对连续若干个第三销售数据进行拟合，得到第三预测销量曲线，第三预测销量曲线为商品在第三未来周期内的预测销量曲线：
fmixNB(x；π,μ1,p1,μ2,p2)＝πfNB(x；μ1,p1)+(1-π)fNB(x；μ2,p2)；(1)
上式中，π表示第三未来周期为淡季的概率，(1-π)表示第三未来周期为旺季的概率，μ1和p1表示负二项分布NB(μ1,p1)中的参数，μ2和p2表示负二项分布NB(μ2,p2)中的参数；。
采用混合负二项分布模型，对连续若干个第三销售数据进行拟合，以第三历史周期的时间长度为一周为例，获取当前时间以前的连续若干个第三历史周期，举例来说，获取商品在当前时间前六周中每周的销量，将每周的销量作为商品的一个第三销售数据，则得到六个第三销售数据；采用负二项分布模型对六个第三销售数据进行拟合，得到商品在当前时间之后的第一未来周期内的预测销量曲线，该预测销量曲线预测的是商品在当前时间之后的第三未来周期内的销量及达到销量的概率，第三未来周期的时间长度与第三历史周期的时间长度一致。
在一些可选的实施例中，对公式(1)进行求解，将求解的结果作为商品在站点的需求数据，传统的算法(比如期望最大化算法(EM算法))对公式(1)进行求解的过程耗时、计算体量大，基于此，为了提高公式(1)的计算效率，在得到第三预测销量曲线之后，采用极大似然估计算法，对第三预测销量曲线进行简化，根据简化后的第三预测销量曲线，计算出大于预设的第一概率阈值的预测销量，作为商品的第三需求数据，第三需求数据表征商品对应的库存数据。
其中，采用极大似然估计算法，得到π,μ1,p1,μ2,p2的值，根据π,μ1,p1,μ2,p2的值，可以采用下述步骤，实现对第三预测销量曲线的简化：
步骤S41：将负二项分布fNB(x；μ1,p1)简化为0分布，简化后的混合负二项分布可以看成是一个零膨胀负二项分布，如下述公式所示，：
步骤S42：将公式(2)带入公式(1)，得到下述公式：
fmixNB(x；μ2,p2)＝πδ(x)+(1-π)fNB(x；μ2,p2)； (3)
上式中，π为淡季的出现概率，且π可以通过计算零在销量数据中占的比例得到。
步骤S43：利用下式，对公式(3)中的零膨胀负二项分布的分位点Q可以进行转化计算：
对公式(4)进行变形，可以得到公式(5)，对公式(5)进行计算，将计算结果作为商品在站点的需求数据：
简化后的混合负二项分布(零膨胀负二项分布)，只需要一个负二项分布的参数即可进行计算，简化后混合负二项分布的分位数可以进行转化计算，大幅度缩小了计算时间。
实施例二
本发明实施例一提供一种确定商品补货数量的方法，其流程如图3所示，包括如下步骤
步骤S31：获取多个站点的各种商品的商品信息，采用上述的商品需求的预测方法，分别预测出每种商品在每个站点的需求数据；
步骤S32：获取每种商品在每个站点的当前库存数据；
步骤S33：根据每种商品在每个站点的需求数据以及每种商品在每个站点的当前库存数据，得到多站点补货目标模型，采用启发式算法对多站点补货目标模型进行求解，将求解结果作为每种商品在每个站点需要补货数量的结果。
根据各站点内各种商品的需求预测结果，计算多个站点整体的最优补货量，一次选取多个站点，每次补货前均需要通过求解多站点补货目标模型来确定本次补货的商品数量。
在一些可选的实施例中，根据每种商品在每个站点的需求数据以及每种商品在每个站点的当前库存数据，得到多站点补货目标模型，如图4所示，可以用下述方式实现：
步骤S41；根据每种商品在每个站点的需求数据、每种商品在每个站点的当前库存数据以及预设的约束条件，构建多站点补货规划模型，约束条件为站点的补货金额大于预设的补货金额阈值，商品的补货数量大于等于预设的补货数量阈值，且商品的补货数量为补货数量阈值的整数倍；
步骤S42：调整多站点补货规划模型的参数，直到进货成本数据小于等于预设的进货成本数据阈值，且周转率大于等于预设的周转率阈值，得到多站点补货目标模型。
在上述步骤S41中，约束条件有三个，分别是：(1)、站点的补货金额大于预设的补货金额阈值(2)、商品的补货数量大于等于预设的补货数量阈值(3)、商品的补货数量为补货数量阈值的整数倍；
在一些可选的实施例中，步骤S41中除了上述的三个约束条件，还有第四个约束条件：各商品补货后的库存能够满足未来一个周期内的需求数据，且达到该需求数据的概率不低于给定的需求满足概率阈值，换言之，各商品补货后的库存数量需要大于等于最小库存数据。
上述步骤S41中；在计算若干个站点的商品需要补货的数量的过程中，以最小化补货成本数据和最大化站点的周转率为优化目标目标，通过权重整合前述两个优化目标，具体地，可以通过下述式，构建多站点补货规划模型：
(1)、计算目标货成本数据，即最小补货成本数据：
∑i∑jCjxij； (6)
上式中，i表示第i个站点，j表示第j种商品，Cj表示商品j的单位补货成本数据；
(2)、计算目标周转率，即最大周转率：
上式中，Dij表示商品j在站点i的当前库存，Sij表示商品j在站点i的需求数据；
(3)、根据目标补货成本、目标周转率以及前述的约束条件，利用下式，构建多站点补货规划模型：
上式中，∑i∑jCjxij为站点的补货成本数据，为站点的周转率，m表示商品个数，n表示站点个数，xij表示站点商品的补货量，Cj表示商品j的单位补货成本,，yij表示站点i商品j是否补货，Sij表示站点i商品j的预测销量，Dij表示中心仓商品j的当前库存，Aij表示站点i商品j的安全库存，Bij表示站点i商品j的最大库存，yij表示站点i商品j是否补货，Kj表示商品j的最小补货量，Lj表示商品j的补货单位大小(即一个补货单位包含的商品数量)，rij表示站点i商品j补货的单位数，zi站点i是否补货，G表示最小订单金额，D0j表示商品j在中心仓的当前库存数据，/>表示缺货惩罚，(·)+代表正部函数，当内部大于0时，函数为恒等函数，当内部小于0时，函数值为0.因此，当补货量大于中心仓库存量时，会对站点补货量施加惩罚，不够的货物则从地方采购，不够的货物则从地方采购，λ1表示目标周转率的权重，λ2表示缺货惩罚的权重。
上述公式(9)为公式(8)的约束条件。
根据公式(8)和公式(9)，得到多站点补货目标模型，可以用下式表示：
上式中的各个参数在前文已经说明，本发明实施例在此不做赘述。
在一些可选的实施例中，上述步骤S33，对多站点补货目标模型进行求解，基于马尔科夫链的贪婪搜索策略，求解多站点补货目标模型，得到多站点补货目标模型的最优解，作为每种商品每个站点的补货量，得到求解结果：
基于马尔科夫链的贪婪搜索策略，求解多站点补货目标模型，得到多站点补货目标模型的最优解，作为每种商品每个站点的补货量。
多站点补货目标模型是整数非线性规划模型，通常求解器无法直接求解。因此需要针对实际场景设计快速高效的启发式算法，也就是基于马尔科夫链的贪婪搜索策略，对多站点补货目标模型进行求解，首先对各站点补货量进行初始化，使其达到基本的安全库存，其次针对其目标函数，每次在可行邻域内选取局部最优解。
基于同一发明构思，本发明实施例还提供一种补货系统，该补货系统采用商品需求的预测方法以及确定商品补货数量的方法，以实现零售企业供应链采购寻源、主动配送、智能订货、销量预测等全环节的数字化管控，下面结合附图对补货系统进行详细的说明：
(1)、参考图5所示，为补货系统的商品主数据管理模块：
支持商品目录导入来框定本期订货商品(首先下载模板，然后填写模板的A列和C列，然后到商品选择已填好的模板)、商品查询或删除、目录全部清除或导出；维护后未在本期的订货目录中的商品不能订货；支持订货排期通知的维护、维护后可在站级订货列表中查看订货排期通知，有注意订货提醒
其中，a、站编码：加油站零管编码，订货系统根据账号自动带出，无特殊意义(不能为空)；b、商品编码：商品零管编码，如果HOS未维护无法下发主数据到订货系统(不能为空)；c、商品名称：取值HOS系统，如果HOS未维护无法下发主数据到订货系统(不能为空)；d、基本单位：BAG(袋)，BBL(桶)，BOT(罐、瓶)，EA(支)，KAN(罐)，KAR((瓶)，PAA(双)，PAK(包)，如果HOS未维护无法下发主数据到订货系统(不能为空)；e、规格：取值HOS系统，如果HOS未维护站级订货系统为空；f、品牌：取值HOS系统，如果HOS未维护站级订货系统为空；g、商品条码：取值HOS系统，如果HOS未维护无法下发主数据到订货系统(不能为空)；h、商品品类：取值HOS系统，如果HOS未维护无法下发主数据到订货系统(不能为空)；i、采购价格：取值HOS系统ZJG处的采购价格，优先取值站级价格，没有维护站级价格取值地市价格；如果地市HOS未维护站级订货系统为空；j、销售价格：取值HOS系统，在VK11处按照站点维护，如果地市HOS未维护站级订货系统为空；k、当前库存：取值HOS系统前一营业日本站商品库存；l、在途库存：采购订单的商品未清数量及调拨单未完成入库的商品数量，可在HOS系统MB5T处查询在途库存；m、月销量：站级当前日期前30天的商品销售数量；n、最小订货数量：取值HOS系统，在ZDH01处维护；o、商品状态：取值HOS系统，在MM42处维护，如果HOS未维护无法下发主数据到订货系统,商品状态在新增商品时默认是0,正常,可以ZMM46处批量修改商品状态(不能为空)；p、采购类型：取值HOS系统，在ZMM060或者ZMM46处维护(ZMM060可维护集采、统采、地采并在站级显示，ZMM46可以维护统采，在站级不显示)；q、商品属性：取值HOS系统，在ZDH01处维护(新品、推荐品、必采品)促销、滞销、热销是系统计算得出；r、保质期：取值HOS系统，在ZDH01处维护。
(2)、参考图6所示，为补货系统的商品可视化管理模块：
支持商品图片维护，只是按商品编码、名称模糊查询、主图状态进行筛选查看，订货时显示图片，当标定位显示大图，商品一目了然，使商品订货更准确。
(3)、参考图7所示，为补货系统的订货模板维护模块：
订货模板创建有2种方式：一种是导入商品，可以把要订货的商品条码写在EXCEL表里面进行导入，这样第一次建模板就比较简单，以后可以使用。第二种方式就是通过选择商品，根据商品的属性(必采，新品、促销品)商品种类进行选择。可以按自己的订货习惯维护模板，如：按商品品牌维护，按商品类别维护，按商品订货周期维护。看着商品图片、库存、公司新品、推荐品、必采品维护。
(4)、参考图8所示，为补货系统的非油订货申请(通知)模块：
进入非油订货申请单时首先会看到一个跑马灯式的订货通知提示(省公司维护的情况下)。站级可以根据这个提示去进行订货；如果省公司配置了订货排期控制，则一定要维护与订货排期相对应的订货排期，否则站点无法订货(当前油站在此订货周期次数已达上线)。
(5)参考图9所示，为补货系统的非油订货申请(排期维护)模块：
订货排期维护(控制)：一是新增(填写订货时间和订货次数)、筛选对应的站点或分公司，勾选筛选结果，保存(维护成功)。
如果维护有误：可以批量修改或编辑修改；也可以删除或批量删除再新增；
(6)参考图10所示，为补货系统的非油订货申请(排期控制与金额控制)模块：
订货排期维护(控制)，站点必须在规定的时间内进行订货，超出订货时间范围或超出订货次数的，订货时将会有提示(当前油站在此订货期间次数已达上线)；订货金额控制，当订货申请单订货总金额小于省公司规定的订货金额时，保存订货会有提示，无法保存
(7)参考图11所示，为补货系统的非油订货申请模块：
订货申请时有(订货、退货、报废)三个选项。退货、报废暂时用的比较少。订货有三种方式：一是选择导入模板(上一步自己建的模板)、点击定货申请会自动将必采商品全部添加，这个时候再导入模板是在这个基础上，替换现有列表和增补现在列表都不会让必采商品有变动，只会变更你自己另外选择的商品。
(8)参考图12-所示，为补货系统的非油主动补货模块：
A、历史销量查看及维护：参考图12所示，页面展示指定日期时段内商品的销售情况，支持对销量数据进行手动修改。销量数据是算法进行商品销量预测的重要依据。
B、创建预测方案：参考图13所示，按用户需求创造一个或多个满足不同业务场景的预测方案，预测方案包括全局参数设置、便利店设置和商品设置。支持对方案进行新增、编辑、删除、复制及确认操作。开启状态的方案，在做预测进行时可以选择并按此方案触发算法优化计算。关闭状态的方案无法进行选择。
C、全局参数设置：参考图14所示，选择仓库，选择销量数据参考的历史时段，选择预测周期、预测策略和预测季度周期指数。预测开始日期为销量参考历史时段结束日期的次日，预测天数为预测周期指定的天数。预测策略按需选择日常或节假日，用于指导算法计算。预测季度周期由用户设置传入算法的，默认90天，可手动修改。
D、便利店设置：参考图15所示，页面根据账号权限关联显示可查看的便利店，便利店下商品有销量数据的状态默认为开启状态，参与销量预测，商品无销量数据的便利店状态默认为关闭状态，不参与销量预测。
E、商品设置：参考图16所示，页面展示是的天书中省公司可订货的全部商品，加油站可以订货且有销量数据的商品，默认为开启状态；无销量的商品默认为关闭状态。关闭状态的商品手工开启时，需做校验，省公司可订货商品有销量数据的，可手工开启，列表中不能开启的，为销量商品，系统提示无法开启。
F、创建预测计划：参考图17所示，根据预测方案生成满足不同业务需求的预测计划，即预测方案内指定商品在方案指定日期内的销量预测数据。针对不同的方案可生成多个预测计划。预测计划在未确认前可进行修改和删除，确认后无法进行修改和删除操作。只有确认的预测计划，在做补货计划时可选。
G、预测计划查看：参考图18所示，点击预测计划方案名称，可进入预测计划查看页面，查看算法输出商品销售预测情况。确认前可对预测销量可进行手工修改，确认后则无法修改。
H、创建补货方案：参考图19所示，根据实际业务需要，创建满足用户需求的补货方案。创建方案后默认为开启状态，可手工关闭。开户状态的方案可用于生成补货计划。
I、补货方案信息维护：参考图20所示，点击补货方案卡片上的图标，进入方案维护页面。维护信息包括起订金额、商品的最小/最大订货金额，补货上/下限及单位补货数量，以上设置传入算法，按用户设置出补货计划。起订金额，超过此金额出补货计划，如算法预测所有补货低于此金额，则不出补货计划。单位补货量：设置值为1时，按单个商品出补货计划。如值大于1，则默认按设置值为一箱出补货计划。
J、补货计划创建：参考图21-22所示，创建补货计划时，需手工录入方案名称、选择要用的预测计划、补货周期和补货方案。预测周期系统根据所选的预测方案自动显示，用户可手工调整，调整范围在预测时段内，不能大于预测时间段。补货计划在输出前修改和删除，在输出后，不能修改和删除。
K、补货计划查看：参考图23所示，点击补货计划名称，可进入补货计划查看页面。查看算法输出的商品的补货计划。用户可手工修正补货量，支持手工新增补货需求。确认无误后点“审核锁定”按钮进行输出操作，输出后系统在订单管理模块按优化结果自动生成便利店的订货申请单。在审核锁定时，对便利店的可订货时间即订货排期进行校验，提交日期在订单期内，操作成功，提交日期在非订单日期内，系统给予提示，用户可保存补货结果，到订单周期内再提交，也可操作修改订货排期后提交。
L、手工新增补货计划：参考图24所示，在补货计划查看页面，点击“新增”按钮，在弹出页面录入补货信息后，点保存，完成新增操作。填报信息包括：商品名称、商品编码、补货数量和发货点名称。
基于同一发明构思，本发明实施例还提供一种商品需求的预测装置，该装置的结构如图24所示，包括：
第一获取模块71，用于根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在站点的历史销售数据；
第一预测模块72，用于采用负二项分布模型或混合负二项分布模型，对商品在站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内商品的预测销量曲线，根据商品的预测销量曲线，预测出商品在站点的需求数据，预测销量曲线表征在未来周期内，商品的预测销量及达到预测销量的概率。
关于上述实施例中的商品需求的预测装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本发明实施例还提供一种确定商品补货数量的装置，该装置的结构如图26所示，包括：
第二预测模块81，用于获取多个站点的各种商品的商品信息，采用如权利要求1-6任一项的商品需求的预测方法，分别预测出每种商品在每个站点的需求数据；
第二获取模块82，用于获取每种商品在每个站点的当前库存数；
求解模块83，用于根据每种商品在每个站点的需求数据以及每种商品在每个站点的当前库存数据，得到多站点补货目标模型，采用启发式算法对多站点补货目标模型进行求解，将求解结果作为每种商品在每个站点需要补货数量的结果。
关于上述实施例中的确定商品补货数量的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本发明实施例还提供一种商品的预测补货系统，包括：上述的服务器和上述的终端设备。
基于同一发明构思，本发明实施例还提供一种服务器,包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述的商品需求的预测方法和上述的确定商品补货数量的方法。
基于同一发明构思，本发明实施例还提供一种终端设备,包括：终端设备用于与用户进行人机交互，获取用户的输入信息以及将预测到的商品的库存数据、需求数据以及补货数量展示给用户。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机可执行指令，计算机可执行指令被处理器执行时实现上述的商品需求的预测方法和上述的确定商品补货数量的方法。
除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程，动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (15)
1.一种商品需求的预测方法，其特征在于，包括：
根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在所述站点的历史销售数据；
采用负二项分布模型或混合负二项分布模型，对商品在所述站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内所述商品的预测销量曲线，根据所述商品的预测销量曲线，预测出商品在所述站点的需求数据，所述预测销量曲线表征在所述未来周期内，所述商品的预测销量及达到预测销量的概率。
2.如权利要求1所述的方法，其特征在于，若采用负二项分布模型，所述历史周期包括第一历史周期和第二历史周期；
所述根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在所述站点的历史销售数据，包括：
获取所述商品在第一历史周期内的历史销量，得到所述商品对应的第一销售数据；
获取所述商品在第二历史周期内的历史销量，得到所述商品对应的第二销售数据；
所述第一历史周期与所述第二历史周期的时间长度不同。
3.如权利要求2所述的方法，其特征在于，所述未来周期包括第一未来周期和第二未来周期；
采用负二项分布模型，对商品在所述站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内所述商品的预测销量曲线，根据所述商品的预测销量曲线，预测出商品在所述站点的需求数据，包括：
利用负二项分布概率密度函数，对连续若干个所述第一销售数据和连续若干个所述第二销售数据分别进行拟合，得到第一预测销量曲线和第二预测销量曲线；
根据所述第一预测销量曲线，计算出所述商品大于预设的第一概率阈值的预测销量，作为所述商品的第一需求数据，所述第一预测销量曲线为所述商品在所述第一未来周期内的预测销量曲线，所述第一需求数据表征所述商品对应的最小库存数据；
根据所述第二预测销量曲线，计算出所述商品大于预设的第一概率阈值的预测销量，作为所述商品的第二需求数据，所述第二预测销量曲线为所述商品在所述第二未来周期内的预测销量曲线，所述第二需求数据表征所述商品对应的最大库存数据；
将所述第一需求数据与所述第二需求数据组成的数据区间，作为商品在所述站点的需求数据。
4.如权利要求1所述的方法，其特征在于，若采用混合负二项分布模型，所述历史周期包括第三历史周期；
所述根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在所述站点的历史销售数据，包括：
获取所述商品在第三历史周期内的历史销量，得到所述商品对应的第三销售数据，判断所述第三销售数据是否满足预设的状态条件，若是，则所述第三历史周期为旺季，相应地，所述第三销售数据为旺季销售数据，若否，则所述第三历史周期为淡季，相应地，所述第三销售数据为淡季销售数据，所述状态条件表征所述商品在所述第三历史周期内处于淡旺季的判断条件，根据淡旺季的判断条件，确定所述第三历史周期是淡季或者是旺季。
5.如权利要求4所述的方法，其特征在于，所述未来周期包括第三未来周期；
采用混合负二项分布模型，对商品在所述站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内所述商品的预测销量曲线，包括：
采用下述公式，对连续若干个所述第三销售数据进行拟合，得到第三预测销量曲线，所述第三预测销量曲线为所述商品在所述第三未来周期内的预测销量曲线：
fmixNB(x；π,μ1,p1,μ2,p2)＝πfNB(x；μ1,p1)+(1-π)fNB(x；μ2,p2)；
上式中，π表示第三未来周期为淡季的概率，(1-π)表示第三未来周期为旺季的概率，μ1和p1表示负二项分布NB(μ1,p1)中的参数，μ2和p2表示负二项分布NB(μ2,p2)中的参数。
6.如权利要求5所述的方法，其特征在于，所述根据所述商品的预测销量曲线，预测出商品在所述站点的需求数据，包括：
采用极大似然估计算法，对所述第三预测销量曲线进行简化，根据简化后的第三预测销量曲线，计算出大于预设的第一概率阈值的预测销量，作为所述商品的第三需求数据，所述第三需求数据表征所述商品对应的库存数据。
7.一种确定商品补货数量的方法，其特征在于，包括：
获取多个站点的各种商品的商品信息，采用如权利要求1-6任一项所述的商品需求的预测方法，分别预测出每种商品在每个站点的需求数据；
获取每种商品在每个站点的当前库存数据；
根据所述每种商品在每个站点的需求数据以及所述每种商品在每个站点的当前库存数据，得到多站点补货目标模型，采用启发式算法对所述多站点补货目标模型进行求解，将求解结果作为每种商品在每个站点需要补货数量的结果。
8.如权利要求7所述的方法，其特征在于，所述根据所述每种商品在每个站点的需求数据以及所述每种商品在每个站点的当前库存数据，构建多站点补货目标模型，包括：
根据所述每种商品在每个站点的需求数据、所述每种商品在每个站点的当前库存数据以及预设的约束条件，构建多站点补货规划模型，所述约束条件为站点的补货金额大于预设的补货金额阈值，商品的补货数量大于等于预设的补货数量阈值，且商品的补货数量为补货数量阈值的整数倍；
调整所述多站点补货规划模型的参数，直到进货成本数据小于等于预设的进货成本数据阈值，且周转率大于等于预设的周转率阈值，得到多站点补货目标模型。
9.如权利要求7所述的方法，其特征在于，所述采用启发式算法对所述多站点补货目标模型进行求解，将求解结果作为每种商品在每个站点需要补货数量的结果，包括：
基于马尔科夫链的贪婪搜索策略，求解所述多站点补货目标模型，得到所述多站点补货目标模型的最优解，作为每种商品每个站点的补货量。
10.一种商品需求的预测装置，其特征在于，包括：
第一获取模块，用于根据站点中商品的商品信息，获取在当前时间之前的历史周期内，商品在所述站点的历史销售数据；
第一预测模块，用于采用负二项分布模型或混合负二项分布模型，对商品在所述站点的历史销售数据进行拟合，得到在当前时间之后的未来周期内所述商品的预测销量曲线，根据所述商品的预测销量曲线，预测出商品在所述站点的需求数据，所述预测销量曲线表征在所述未来周期内，所述商品的预测销量及达到预测销量的概率。
11.一种确定商品补货数量的装置，其特征在于，包括：
第二预测模块，用于获取多个站点的各种商品的商品信息，采用如权利要求1-6任一项所述的商品需求的预测方法，分别预测出每种商品在每个站点的需求数据；
第二获取模块，用于获取每种商品在每个站点的当前库存数据；
求解模块，用于根据所述每种商品在每个站点的需求数据以及所述每种商品在每个站点的当前库存数据，得到多站点补货目标模型，采用启发式算法对所述多站点补货目标模型进行求解，将求解结果作为每种商品在每个站点需要补货数量的结果。
12.一种服务器，其特征在于，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-6任一项所述的商品需求的预测方法或如权利要求7-9任一项所述的确定商品补货数量的方法。
13.一种终端设备，其特征在于，包括：所述终端设备用于与用户进行人机交互，获取用户的输入信息以及将预测到的商品的库存数据、需求数据以及补货数量展示给用户。
14.一种商品的预测补货系统，其特征在于，包括：如权利要求12所述的服务器和如权利要求13所述的终端设备。
15.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-6任一项所述的商品需求的预测方法或如权利要求7-9任一项所述的确定商品补货数量的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061253.5A CN117273599A (zh) | 2023-08-22 | 2023-08-22 | 一种商品需求的预测和商品补货数量的确定方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061253.5A CN117273599A (zh) | 2023-08-22 | 2023-08-22 | 一种商品需求的预测和商品补货数量的确定方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117273599A true CN117273599A (zh) | 2023-12-22 |
Family
ID=89214998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311061253.5A Pending CN117273599A (zh) | 2023-08-22 | 2023-08-22 | 一种商品需求的预测和商品补货数量的确定方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273599A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933883A (zh) * | 2024-03-21 | 2024-04-26 | 释普信息科技（上海）有限公司 | 基于库存智能锁的智能分类管理方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080147477A1 (en) * | 2006-12-15 | 2008-06-19 | Mccormick Kevin Lee | System and method for managing a collection of stock replenishment systems |
| US20120004944A1 (en) * | 2007-05-18 | 2012-01-05 | Logistics Management Institute (Lmi) | Method and computer system for settng inventory control levels from demand inter-arrival time, demand size statistics |
| CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
| CN111222815A (zh) * | 2018-11-27 | 2020-06-02 | 顺丰科技有限公司 | 确定单品补货量方法、装置、设备及存储介质 |
| CN111260275A (zh) * | 2018-12-03 | 2020-06-09 | 北京京东尚科信息技术有限公司 | 用于分配库存的方法和系统 |
| CN111340421A (zh) * | 2020-02-19 | 2020-06-26 | 广东卓志供应链科技有限公司 | 一种采购方法 |
| CN113626966A (zh) * | 2020-05-06 | 2021-11-09 | 株式会社日立制作所 | 库存补货方法、计算机可读存储介质以及终端设备 |
| CN113743862A (zh) * | 2021-08-06 | 2021-12-03 | 杉数科技(北京)有限公司 | 基于产品分类的产品目标库存确定方法及系统 |
| US11403573B1 (en) * | 2015-06-03 | 2022-08-02 | Blue Yonder Group, Inc. | Method and system of demand forecasting for inventory management of slow-moving inventory in a supply chain |
| JP2023016349A (ja) * | 2021-07-21 | 2023-02-02 | 国立研究開発法人産業技術総合研究所 | 在庫管理システム、及び在庫管理プログラム |
| CN116051000A (zh) * | 2023-02-16 | 2023-05-02 | 深圳一资源网络平台有限公司 | 一种基于数据销售分析方法、系统和可读存储介质 |
-
2023
- 2023-08-22 CN CN202311061253.5A patent/CN117273599A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080147477A1 (en) * | 2006-12-15 | 2008-06-19 | Mccormick Kevin Lee | System and method for managing a collection of stock replenishment systems |
| US20120004944A1 (en) * | 2007-05-18 | 2012-01-05 | Logistics Management Institute (Lmi) | Method and computer system for settng inventory control levels from demand inter-arrival time, demand size statistics |
| US11403573B1 (en) * | 2015-06-03 | 2022-08-02 | Blue Yonder Group, Inc. | Method and system of demand forecasting for inventory management of slow-moving inventory in a supply chain |
| CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
| CN111222815A (zh) * | 2018-11-27 | 2020-06-02 | 顺丰科技有限公司 | 确定单品补货量方法、装置、设备及存储介质 |
| CN111260275A (zh) * | 2018-12-03 | 2020-06-09 | 北京京东尚科信息技术有限公司 | 用于分配库存的方法和系统 |
| CN111340421A (zh) * | 2020-02-19 | 2020-06-26 | 广东卓志供应链科技有限公司 | 一种采购方法 |
| CN113626966A (zh) * | 2020-05-06 | 2021-11-09 | 株式会社日立制作所 | 库存补货方法、计算机可读存储介质以及终端设备 |
| JP2023016349A (ja) * | 2021-07-21 | 2023-02-02 | 国立研究開発法人産業技術総合研究所 | 在庫管理システム、及び在庫管理プログラム |
| CN113743862A (zh) * | 2021-08-06 | 2021-12-03 | 杉数科技(北京)有限公司 | 基于产品分类的产品目标库存确定方法及系统 |
| CN116051000A (zh) * | 2023-02-16 | 2023-05-02 | 深圳一资源网络平台有限公司 | 一种基于数据销售分析方法、系统和可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JW WILKINSON ET AL.: "Can the negative binomial distribution predict industrial purchases?", JOURNAL OF BUSINESS & INDUSTRIAL MARKETING, 31 December 2016 (2016-12-31), pages 543 - 552 * |
| 兰继斌;黄远良;: "有限混合分布下存在价格折扣且质量可控的集成库存模型", 统计与决策, no. 15, 10 August 2010 (2010-08-10), pages 42 - 45 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933883A (zh) * | 2024-03-21 | 2024-04-26 | 释普信息科技（上海）有限公司 | 基于库存智能锁的智能分类管理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Whitin | Inventory control and price theory | |
| Mehdizadeh | Integrating ABC analysis and rough set theory to control the inventories of distributor in the supply chain of auto spare parts | |
| Clark et al. | Optimal policies for a multi-echelon inventory problem | |
| Wagner et al. | Dynamic version of the economic lot size model | |
| Yano et al. | Lot sizing with random yields: A review | |
| Hariharan et al. | Customer-order information, leadtimes, and inventories | |
| Andersson et al. | Industrial aspects and literature survey: Combined inventory management and routing | |
| Kurbel | Enterprise resource planning and supply chain management | |
| Shen | Integrated supply chain design models: a survey and future research directions | |
| Burns et al. | Distribution strategies that minimize transportation and inventory costs | |
| Waters | Inventory control and management | |
| Liu et al. | Decision criteria and optimal inventory processes | |
| US8352300B2 (en) | System, computer program and method for implementing and managing a value chain network | |
| JP7105336B2 (ja) | スマートサプライチェーンシステム | |
| CN102292737A (zh) | 用于处理请求方案以及管理库存的方法和系统 | |
| CN111260178A (zh) | 一种实现业务运作自动化的系统、方法及存储介质 | |
| CN117273599A (zh) | 一种商品需求的预测和商品补货数量的确定方法与系统 | |
| Yao et al. | Capacity planning and production scheduling integration: improving operational efficiency via detailed modelling | |
| Ivanov et al. | Inventory management | |
| Trienekens et al. | Models for supply chain reengineering | |
| Egri et al. | Collaborative planning with benefit balancing in dynamic supply loops | |
| CN113469397A (zh) | 智慧供应链系统及服务器平台 | |
| Troyer et al. | Improving asset management and order fulfillment at Deere & Company's C&CE division | |
| Ren et al. | Anticipatory shipping versus emergency shipment: data-driven optimal inventory models for online retailers | |
| Pradhan | Demand and supply planning with SAP APO |
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 |