一种基于多分散网点的供应预测方法技术

本发明专利技术公开了一种基于多分散网点的供应预测方法，其包括如下步骤：S1：获取目标区域内的用户购买历史数据、所有无人便利餐柜的货品存量、多功能便利车位置和便利车内货品存量、以及货物中央/分区仓库的位置及库存量数据；S2：将上述数据输入人工智能预测模型进行训练，通过训练好的模型预测在一天之中便利车如何分配，一周之中分区或中央仓库如何配货，以及一年之中不同季节用户对货品的时令需求；S3：基于上述预测结果，配送车在最佳时间内补充好库存，找到食材保鲜和存货充足的最佳平衡点。本发明专利技术通过对目标区域内的数据进行处理，不仅可以得到目前各分散网点和便利车的货品存量状态，还可以预判未来的货品的最优补充方案。案。案。

【技术实现步骤摘要】
一种基于多分散网点的供应预测方法


[0001]本专利技术涉及大数据应用与机器学习
，尤其是涉及一种基于多分散网点的供应预测方法。

技术介绍

[0002]货品的供应链管理对于市场上任何一家想要增强核心竞争力的实体企业都至关重要，传统店面对于供应链中的货品的库存数量的判断极大依赖于店长个人的经验积累，而经验不足会导致库存堆积或备货不足等问题的出现。对于传统供应预测的方法主要有加权平均法、滑动平均法、时间序列法等，但此类方法预测精度较低，且具有一定的滞后性。近年来，随着以机器学习为代表的人工智能技术的快速发展，人工神经网络、支持向量机等机器学习方法蓬勃发展，但它们往往采取单一的类型特征进行机器学习，会使得货品供应预测的精度不够准确，进而无法优化配给。
[0003]公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术的总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0004]本专利技术的目的在于提供一种基于多分散网点的供应预测方法，以解决现有技术中存在的问题。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]一种基于多分散网点的供应预测方法，所述方法包括如下步骤：
[0007]S1：获取目标区域内的用户购买历史数据、所有无人便利餐柜的货品存量、多功能便利车位置和便利车内货品存量、以及货物中央/分区仓库的位置及库存量数据；
[0008]S2：将上述数据输入人工智能预测模型进行训练，通过训练好的模型预测在一天之中便利车如何分配，一周之中分区或中央仓库如何配货，以及一年之中不同季节用户对货品的时令需求；
[0009]S3：基于上述预测结果，配送车在最佳时间内补充好库存，找到食材保鲜和存货充足的最佳平衡点。
[0010]优选地，步骤S1具体为：
[0011]各分散网点通过数据传输模块上传数据，部署在云服务器中的控制总台的数据传输模块将获取到目标区域内的用户购买历史数据、单个供货点的所有货品存量、多功能便利车位置数据和便利车各货品存量、以及货物中央/分区仓库的位置及库存量数据；
[0012]在预处理模块中将数据按照结构化组织存放入系统数据库中，供人工智能算法程序调用及便利车内大屏上实时可视化附近供应点库存状态；数据库中的每一条记录包括分散供应点的位置和库存信息以及客户的订单信息；数据库存放在云服务器中的存储模块中。
[0013]优选地，步骤S2具体为：
[0014]人工智能预测模型的实现算法部署在云服务器控制总台的人工智能单元；预测模型为一个深度神经网络结构，包括输入层、LSTM层、全连接层和输出层；其中，所述输入层的数据来自于数据库，通过接口将数据库中的特征数据输入的模型中，可以将数据库中的一部分数据保留用于模型验证或者使用未来时间的数据进行模型验证；所述LSTM层具有记忆效应，将预测的数据输入所述全连接层，模型将综合分析其他网点库存及用户订单的影响，最终在所述输出层给出目标供应网点目标货品的库存状况；人工智能预测模型的表达式为：
[0015]y
t+1
＝f(w
i
L
i
(x
t
)+b
i
)
[0016]其中y
t+1
为未来目标网点货品的库存数量，f表示全连接神经网络，L
i
表示LSTM神经单元，X
t
表示输入层的时间序列数据特征向量，b
i
表示全连接神经单元的偏置值；
[0017]为了确保训练模型的准确可靠需要定期甚至实时对模型进行修正，方法是利用最新获取的分散网点库存信息和智能模型的预测结果进行比对，计算预测误差，当误差大于设定阈值时，需要对模型再次训练修正，直至误差小于阈值；供应预测误差的计算公式如下所示：
[0018][0019]其中ε为预测的相对误差值，小数表示；为模型预测的该时间点目标供应网点某货品的库存数量，y
real
为改时间点目标供应网点的库存数量，相对误差ε对正负值敏感，当ε为正值时，表示预测值大于实际库存状态，对库存估计乐观，预计要补充的货品数量比实际应补充的少；同理，当ε为负值时，预计要补充的货品数量比实际应补充的多；为了保险起见，模型会偏好于多备货；因而模型对ε为负值时，容忍度会大；
[0020]验证后的模型用于预测各供应网点不同货品的库存状态，系统将预测结果发送至便利车，在便利车的大数据显示屏上不但可以显示当前各分散供应网点的货品库存状况，还可以获悉未来一段时间的货品库存状况；对于库存低于警戒线的货品系统将生成报表推送给便利车管理人员。
[0021]优选地，步骤S3具体为：
[0022]基于目标供应网点目标货品的库存预测状况，进行短中长期的库存预测，同时基于分散网点和便利车的坐标，系统依次规划科学的配送方案；在一天之中，当短缺供应网点的便利车内正好有相应货品时，系统将下达补货任务和行程路径；根据每周预测，系统通知分区或中央仓库提前备货；在一年之中，系统将预测不同季节用户对货品的时令需求，并提前通知农场安排种植。
[0023]采用上述技术方案，本专利技术具有如下有益效果：
[0024]本专利技术通过对目标区域内的数据进行处理，不仅可以得到目前各分散网点和便利车的货品存量状态，还可以预判未来的货品的最优补充方案。在保障数据真实和快速更新的情况下，方法的预测结果将实时与真实数据比对验证，动态更新模型，进一步保证了预测模型的准确性，进而大幅度提高供应链的及时性、准确性和高效性。
附图说明
[0025]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术实施例提供的基于多分散网点的供应预测方法的系统架构图；
[0027]图2为本专利技术实施例提供的基于多分散网点的供应预测方法的流程图；
[0028]图3为本专利技术实施例提供的人工智能预测模型结构模型图；
[0029]图4为本专利技术实施例提供的云服务器控制总台结构框图。
具体实施方式
[0030]下面结合附图和实施例对本专利技术的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本专利技术的原理，但不能用来限制本专利技术的范围，即本专利技术不限于所描述的优选实施例，本专利技术的范围由权利要求书限定。
[0031]本专利技术的上述
技术实现思路
并不意欲描述本专利技术中的每个公开的实施方式或每种实现方式。如下描述更具体地举例说明示例性实施方式。在整篇申请中的多处，通过一系列实施例提供了指导，这些实施例可以以各种组合形式使用。在各个实例中，所述列举仅作为代表性组，不应解释为穷举。为了更好地理解本专利技术，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多分散网点的供应预测方法，其特征在于，所述方法包括如下步骤：S1：获取目标区域内的用户购买历史数据、所有无人便利餐柜的货品存量、多功能便利车位置和便利车内货品存量、以及货物中央/分区仓库的位置及库存量数据；S2：将上述数据输入人工智能预测模型进行训练，通过训练好的模型预测在一天之中便利车如何分配，一周之中分区或中央仓库如何配货，以及一年之中不同季节用户对货品的时令需求；S3：基于上述预测结果，配送车在最佳时间内补充好库存，找到食材保鲜和存货充足的最佳平衡点。2.根据权利要求1所述的基于多分散网点的供应预测方法，其特征在于，步骤S1具体为：各分散网点通过数据传输模块上传数据，部署在云服务器中的控制总台的数据传输模块将获取到目标区域内的用户购买历史数据、单个供货点的所有货品存量、多功能便利车位置数据和便利车各货品存量、以及货物中央/分区仓库的位置及库存量数据；在预处理模块中将数据按照结构化组织存放入系统数据库中，供人工智能算法程序调用及便利车内大屏上实时可视化附近供应点库存状态；数据库中的每一条记录包括分散供应点的位置和库存信息以及客户的订单信息；数据库存放在云服务器中的存储模块中。3.根据权利要求1所述的基于多分散网点的供应预测方法，其特征在于，步骤S2具体为：人工智能预测模型的实现算法部署在云服务器控制总台的人工智能单元；预测模型为一个深度神经网络结构，包括输入层、LSTM层、全连接层和输出层；其中，所述输入层的数据来自于数据库，通过接口将数据库中的特征数据输入的模型中，可以将数据库中的一部分数据保留用于模型验证或者使用未来时间的数据进行模型验证；所述LSTM层具有记忆效应，将预测的数据输入所述全连接层，模型将综合分析其他网点库存及用户订单的影响，最终在所述输出层给出目标供应网点目标货品的库存状况；人工智能预测模型的表达式为：y
t+1
＝f(w
i
L
i
...

【专利技术属性】
技术研发人员：廖璐璐，高启超，程世忠，
申请(专利权)人：高启超程世忠，
类型：发明
国别省市：