确定单品补货量方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种确定单品补货量方法、装置、设备及存储介质，该方法包括：获取单位时间内单品的历史销量数据；根据预设分布对所述历史销量数据进行拟合处理，得到拟合分布；将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定所述单品的补货上限和补货下限。该方法能够优化单品的补货策略，提高了仓库的管理效率。

Determine replenishment method, device, equipment and storage medium

【技术实现步骤摘要】
确定单品补货量方法、装置、设备及存储介质
本专利技术一般涉及商品管理领域，具体涉及一种确定单品补货量方法、装置、设备及存储介质。
技术介绍
随着供应链管理的形成，越来越多的企业需要根据销售订单与销售预测数据安排生产计划，为了维持生产的稳定，应对市场的各种销售变化，需要制定仓库订货和补货策略，以满足货品供应的各类需求。传统技术中，通过对历史销量数据进行相应的描述性统计，例如：可以通过制表、分类和计算概括性方式来描述数据特征，从而预测销量数据。但是，由于仓库内货品存在季节性促销，其销量数据波动较大，采用传统方式导致对补货数据预测不准确，使得工作效率低。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种确定单品补货量方法、装置、设备及存储介质，能够准确实现对单品的补货量的精确预测，进一步提高了补货效率。第一方面，本专利技术提供了一种确定单品补货量方法，该方法包括：获取单位时间内单品的历史销量数据；根据预设分布对所述历史销量数据进行拟合处理，得到拟合分布；将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定单品的补货上限和补货下限。在其中一个实施例中，根据预设分布对所述历史销量数据进行拟合处理，得到拟合分布，包括：通过伽马分布和负二项分布分别对所述历史销量数据进行拟合处理，确定所述伽马分布和所述负二项分布对应的显著性水平；选择显著性水平高的分布作为拟合分布。在其中一个实施例中，将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定所述单品的补货上限和补货下限，还包括：通过KS-检验算法验证所述拟合分布与所述历史销量数据是否服从同一分布；若服从同一分布，则将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定所述单品的补货上限和补货下限。在其中一个实施例中，所述方法还包括：循环执行指定操作，直至仿真结果达到评价指标的预设阈值；所述评价指标包括：订单失败率、补货人数及存储费用；所述指定操作包括：将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定所述单品的当前补货上限和当前补货下限；其中，所述指定操作第一次执行时，所述改进EOQ模型为初始EOQ模型，所述指定操作非第一次执行时，所述改进EOQ模型为调节后的EOQ模型；基于所述单品的所述当前补货上限和所述当前补货下限，对所述改进EOQ模型进行仿真，确定仿真结果；判断所述仿真结果是否达到评价指标的预设阈值；当所述评价指标达到预设阈值时，控制不进入下一所述指定操作；当所述评价指标未达到预设阈值时，则调整所述改进EOQ模型的参数，得到调整后的EOQ模型，控制进入下一所述指定操作。在其中一个实施例中，调整所述改进EOQ模型的参数，得到调整后的EOQ模型，包括：调整所述改进EOQ模型中的存储费用、缺货费用及订货费用，得到调整后的EOQ模型。在其中一个实施例中，基于所述单品的所述当前补货上限和所述当前补货下限，对所述改进EOQ模型进行仿真，确定仿真结果，包括：比较所述当前补货上限与预设补货上限阈值，取最小值确定为补货上限；确定所述当前补货下限为所述单品的补货下限；根据所述单品的补货上限和所述补货下限，对所述改进EOQ模型进行仿真，确定仿真结果。在其中一个实施例中，将所述拟合分布的概率密度函数和期望值输入改进EOQ模型，确定单品的当前补货上限和当前补货下限，包括：采用梯度下降法确定所述单品的当前补货上限和当前补货下限。第二方面，本申请实施例提供了一种单品的补货装置，该装置包括：获取模块，用于获取单位时间内单品的历史销量数据；处理模块，用于根据预设分布对所述历史销量数据进行拟合处理，得到拟合分布；确定模块，用于将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定单品的补货上限和补货下限。第三方面，本申请实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述确定单品补货量方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述确定单品补货量方法。本专利技术实施例提供的确定单品补货量方法、装置、设备及存储介质，通过获取单位时间内单品的历史销量数据，根据预设分布对所述历史销量数据进行拟合处理，得到拟合分布，将拟合分布的概率密度函数和期望值输入改进EOQ模型，确定单品的补货上限和补货下限。本技术方案由于通过预设分布对单品的历史销量数据进行了拟合处理，从而更充分的挖掘销量信息，得到拟合分布，并通过将拟合分布的概率密度函数和期望值输入改进EOQ模型，能够优化单品的补货策略，精准的确定出单品的补货上限和补货下限，进而很大程度上提高了仓库的管理效率。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1为本专利技术实施例提供的确定单品补货量方法的流程示意图；图2为本专利技术实施例提供的确定单品的补货上限和补货下限方法的流程示意图；图3为本专利技术实施例提供的确定单品的补货上限和补货下限方法的流程示意图；图4为本专利技术实施例提供的确定单品补货量的装置的结构示意图；图5为本专利技术实施例提供的计算机设备的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。如
技术介绍
中提到的，为满足企业的供应链需求，仓库的存储优化作为最主要的模块，其在促进降本增效、供需匹配中发挥着重要的作用。目前，在确定单品的补货数量和补货类型时，是通过依据补货人员的经验，对历史销量数据进行描述性统计，可以通过制表、分类和计算性概括的方式来描述数据特征，进而确定补货上限和补货下限，实现对单品销量数据的预测，但是，由于仓库内货品的季节性或者促销活动，其数据波动较大，通过历史经验值对单品的销售数据进行预测，导致对单品的补货下限估计不准确，紧急补货次数较多，无法快速实现对销量数据的预测，进而使得工作效率低。基于上述缺陷，本专利技术实施例提供了一种确定单品补货量方法，通过利用预设分布对历史销量数据进行拟合处理，得到拟合分布，并根据将拟合分布的概率密度函数和期望值输入改进EOQ模型，确定单品的补货上限和补货下限，从而对单品进行补货，与现有技术相比，该方法能够通过拟合处理自动计算出单品的概率密度函数和期望值，提高了模型的计算速度，进一步更精准对单品进行补货预测，从而很大程度上提高了仓库的管理效率。本文档来自技高网...

【技术保护点】
1.一种确定单品补货量方法，其特征在于，包括：/n获取单位时间内单品的历史销量数据；/n根据预设分布对所述历史销量数据进行拟合处理，得到拟合分布；/n将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定单品的补货上限和补货下限。/n

【技术特征摘要】
1.一种确定单品补货量方法，其特征在于，包括：
获取单位时间内单品的历史销量数据；
根据预设分布对所述历史销量数据进行拟合处理，得到拟合分布；
将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定单品的补货上限和补货下限。


2.根据权利要求1所述确定单品补货量方法，其特征在于，根据预设分布对所述历史销量数据进行拟合处理，得到拟合分布，包括：
通过伽马分布和负二项分布分别对所述历史销量数据进行拟合处理，确定所述伽马分布和所述负二项分布对应的显著性水平；
选择显著性水平高的分布作为拟合分布。


3.根据权利要求1所述确定单品补货量方法，其特征在于，将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定所述单品的补货上限和补货下限，还包括：
通过KS-检验算法验证所述拟合分布与所述历史销量数据是否服从同一分布；
若服从同一分布，则将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定所述单品的补货上限和补货下限。


4.根据权利要求1所述确定单品补货量方法，其特征在于，所述方法还包括：
循环执行指定操作，直至仿真结果达到评价指标的预设阈值；所述评价指标包括：订单失败率、补货人数及存储费用；
所述指定操作包括：
将所述拟合分布的概率密度函数和期望值输入改进经济订货批量EOQ模型，确定所述单品的当前补货上限和当前补货下限；其中，所述指定操作第一次执行时，所述改进EOQ模型为初始EOQ模型，所述指定操作非第一次执行时，所述改进EOQ模型为调节后的EOQ模型；
基于所述单品的所述当前补货上限和所述当前补货下限，对所述改进EOQ模型进行仿真，确定仿真结果；
判断所述仿真结果是否达到评价指标的预设阈值；
当所述评价指标达到预设阈值时，控制不进入下一所述指定操作；

【专利技术属性】
技术研发人员：张颖芳，王本玉，陈佳琦，马新朝，张朝东，金晶，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：广东;44