实现连锁商家智能补货的方法及系统技术方案

提供了一种实现连锁商家智能补货的方法及系统。所述方法包括：获取训练数据集；基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型，以得到训练好的所述机器学习模型，其中，所述强化学习算法的优化目标是：第一预设时长内各次补货的补货总代价的累积值最小，其中，每次补货的补货总代价包括：该次补货的分店的补货代价和该次未补货的分店的未补货代价。根据所述方法及系统，能够得到实现连锁商家智能补货的机器学习模型，且通过该机器学习模型得到的补货方案能够使补货总成本最低。

【技术实现步骤摘要】
实现连锁商家智能补货的方法及系统
本专利技术总体说来涉及人工智能领域，更具体地讲，涉及一种实现连锁商家智能补货的方法及系统。
技术介绍
连锁商家的货品通常统一储备，每隔固定时间会派遣配送车辆从货仓出发依次经过所有需要补货的分店来为这些分店补货。目前，虽然可以预测商家的每类货品在未来的销售量，但仍然需要相关人员根据经验来确定每次补货时各个分店的补货量。
技术实现思路
本专利技术的示例性实施例在于提供一种实现连锁商家智能补货的方法及系统，其能够得到用于预测连锁商家的各个分店每次需要的补货量的机器学习模型，从而实现连锁商家智能补货，无需人工估计补货量。根据本专利技术的示例性实施例，提供一种实现连锁商家智能补货的方法，其中，所述方法包括：获取训练数据集；基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型，以得到训练好的所述机器学习模型，其中，所述强化学习算法的优化目标是：第一预设时长内各次补货的补货总代价的累积值最小，其中，每次补货的补货总代价包括：该次补货的分店的补货代价和该次未补货的分店的未补货代价。可选地，所述方法还包括：获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量；将获取的当前库存量及预测销售量输入到训练好的所述机器学习模型，以得到各个分店本次需要的补货量，其中，每次补货时由至少一辆运输工具统一为各个分店配送。可选地，补货代价基于以下项之中的至少一项计算得到：配送运输代价、存货代价、以及供不应求导致的空置代价；未补货代价基于空置代价计算得到。可选地，每次补货的补货总代价基于以下项之中的至少一项计算得到：各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。可选地，所述训练数据集包括：历史真实数据和/或构造数据，其中，所述构造数据包括：在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。可选地，所述方法还包括：根据各个分店本次需要的补货量，确定本次补货的配送路线。可选地，根据各个分店本次需要的补货量确定本次补货的配送路线的步骤包括：获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线；或者从最优配送路线中去掉本次不需要补货的分店，以得到本次补货的配送路线，其中，所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。可选地，获取能够经过所有需要补货的分店且使得运输路程最短的路线的步骤包括：使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线；其中，所述最优配送路线通过使用遗传算法预先得到。根据本专利技术的另一示例性实施例，提供一种实现连锁商家智能补货的系统，其中，所述系统包括：训练数据获取装置，适于获取训练数据集；训练装置，适于基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型，以得到训练好的所述机器学习模型，其中，所述强化学习算法的优化目标是：第一预设时长内各次补货的补货总代价的累积值最小，其中，每次补货的补货总代价包括：该次补货的分店的补货代价和该次未补货的分店的未补货代价。可选地，所述系统还包括：数据获取装置，适于获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量；预测装置，适于将获取的当前库存量及预测销售量输入到训练好的所述机器学习模型，以得到各个分店本次需要的补货量，其中，每次补货时由至少一辆运输工具统一为各个分店配送。可选地，补货代价基于以下项之中的至少一项计算得到：配送运输代价、存货代价、以及供不应求导致的空置代价；未补货代价基于空置代价计算得到。可选地，每次补货的补货总代价基于以下项之中的至少一项计算得到：各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。可选地，所述训练数据集包括：历史真实数据和/或构造数据，其中，所述构造数据包括：在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。可选地，所述系统还包括：路线规划装置，适于根据各个分店本次需要的补货量，确定本次补货的配送路线。可选地，路线规划装置适于获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线；或者路线规划装置适于从最优配送路线中去掉本次不需要补货的分店，以得到本次补货的配送路线，其中，所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。可选地，路线规划装置适于使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线；其中，所述最优配送路线通过使用遗传算法预先得到。根据本专利技术的另一示例性实施例，提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如上所述的实现连锁商家智能补货的方法。根据本专利技术的另一示例性实施例，提供一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如上所述的实现连锁商家智能补货的方法。根据本专利技术示例性实施例的实现连锁商家智能补货的方法及系统，能够得到实现连锁商家智能补货的机器学习模型，且通过该机器学习模型得到的补货方案能够使补货总成本最低。进一步地，还能够基于得到的补货方案提供最低运输成本的补货路线。将在接下来的描述中部分阐述本专利技术总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本专利技术总体构思的实施而得知。附图说明通过下面结合示例性地示出实施例的附图进行的描述，本专利技术示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：图1示出根据本专利技术示例性实施例的实现连锁商家智能补货的方法的流程图；图2示出根据本专利技术的另一示例性实施例的实现连锁商家智能补货的方法的流程图；图3示出根据本专利技术的示例性实施例的实现连锁商家智能补货的方法的示例；图4示出根据本专利技术的示例性实施例的实现连锁商家智能补货的方法的另一示例；图5示出根据本专利技术示例性实施例的实现连锁商家智能补货的系统的框图；图6示出根据本专利技术的另一示例性实施例的实现连锁商家智能补货的系统的框图。具体实施方式现将详细参照本专利技术的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本专利技术。图1示出根据本专利技术示例性实施例的实现连锁商家智能补货的方法的流程图。这里，作为示例，所述方法可通过计算机程序来执行，也可由专门的用于实现连锁商家智能补货的硬件设备或软硬件资源的集合体来执行。参照图1，在步骤S10中，获取训练数据集。在步骤S20中，基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量本文档来自技高网...

【技术保护点】
1.一种实现连锁商家智能补货的方法，其中，所述方法包括：/n获取训练数据集；/n基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型，以得到训练好的所述机器学习模型，/n其中，所述强化学习算法的优化目标是：第一预设时长内各次补货的补货总代价的累积值最小，/n其中，每次补货的补货总代价包括：该次补货的分店的补货代价和该次未补货的分店的未补货代价。/n

【技术特征摘要】
1.一种实现连锁商家智能补货的方法，其中，所述方法包括：
获取训练数据集；
基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型，以得到训练好的所述机器学习模型，
其中，所述强化学习算法的优化目标是：第一预设时长内各次补货的补货总代价的累积值最小，
其中，每次补货的补货总代价包括：该次补货的分店的补货代价和该次未补货的分店的未补货代价。


2.如权利要求1所述的方法，其中，所述方法还包括：
获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量；
将获取的当前库存量及预测销售量输入到训练好的所述机器学习模型，以得到各个分店本次需要的补货量，
其中，每次补货时由至少一辆运输工具统一为各个分店配送。


3.如权利要求1所述的方法，其中，
补货代价基于以下项之中的至少一项计算得到：配送运输代价、存货代价、以及供不应求导致的空置代价；
未补货代价基于空置代价计算得到。


4.如权利要求1或3所述的方法，其中，每次补货的补货总代价基于以下项之中的至少一项计算得到：
各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。


5.如权利要求1所述的方法，其中，所述训练数据集包括：历史真实数据和/或构造数据，
其中，所述构造数据包括：在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。

【专利技术属性】
技术研发人员：秦川，周振华，
申请(专利权)人：第四范式北京技术有限公司，
类型：发明
国别省市：北京;11