一种用于连锁超市的智能采购系统技术方案

一种用于连锁超市的智能采购系统涉及商品采购技术领域，解决了现有连锁超市的采购备货与实际销售情况差距较大的问题，包括：销量预测系统，用于使用深度学习方法、将每个连锁店铺中每个商品的历史销量信息输入到LSTM神经网络中进行训练得到销量预测模型并预测每个连锁店铺中每个商品的未来销量信息；备货量计算系统，用于根据库存信息和未来销量信息计算每个连锁店铺中每个商品的配货量；调货单生成分发及审批系统，用于根据配货量生成每个连锁店的配货单，待配货单被采购人员审批通过后发送配货单至配货人员。本发明专利技术采用深度学习中的LSTM对以后的销售数量进行推测，减少了对采购人员个人判断的依赖，缩小备货与实际销售情况。况。况。

【技术实现步骤摘要】
一种用于连锁超市的智能采购系统


[0001]本专利技术涉及商品采购
，具体涉及一种用于连锁超市的智能采购系统。

技术介绍

[0002]目前，连锁超市的供应链系统主要由采购人员、配送人员及库管人员共同维护，其中采购人员需要关注包括总库库存、分店库存、在途库存等在内的多个库存指标，同时要完成制定配送方案，安排货物出库，安排配送人员送货等多项任务。在工作量较大的同时对从业人员自身的专业素质也提出了一定的要求，形成了供应链系统能否高效有序的运行主要依赖人的因素这样的事实。
[0003]现有的连锁超市供应链系统，主要依靠采购人员每天关注各个店铺的商品销售情况，综合现有库存，凭借从业经验对是否给分店铺进行备货做出判断，做出备货方案以后向库管人员出具调货单，并安排配送人员进行货物的配送。出具科学合理的配货方案需要长期对各类商品的销售情况进行追踪分析，综合市场因素，提出合理预测。在这个过程中不同采购人员有自己的判断，这些判断又经常夹杂着带有个人风格的主观因素，往往导致备货方案与实际销售情况差距较大，浪费了库存空间，降低了库存周转率，提高了滞销库存和临期商品数量，在长期运转过程中降低了连锁超市的效益。

技术实现思路

[0004]为了解决现有连锁超市的采购备货与实际销售情况差距较大的问题，本专利技术提供一种用于连锁超市的智能采购系统。
[0005]本专利技术为解决技术问题所采用的技术方案如下：
[0006]一种用于连锁超市的智能采购系统，其特征在于，包括：
[0007]销量预测系统，用于使用深度学习方法、将每个连锁店铺中每个商品的历史销量信息输入到LSTM神经网络中进行训练得到销量预测模型，并根据销量预测模型预测每个连锁店铺中每个商品的未来销量信息；
[0008]备货量计算系统，用于根据库存信息和销量预测系统预测出的未来销量信息，计算出每个连锁店铺中每个商品的配货量；
[0009]调货单生成分发及审批系统，用于根据配货量生成每个连锁店的配货单，待配货单被采购人员审批通过后发送配货单至配货人员。
[0010]本专利技术的有益效果是：
[0011]本专利技术的一种用于连锁超市的智能采购系统，减少了对采购人员个人判断的依赖，增加了系统的可靠性，流程的完整性。销量预测系统采用深度学习中的LSTM模型进行训练产生，对以后的销售数量进行合理推测。本专利技术避免要求采购人员对商品的销量进行预估，减少了对人员专业素质的依赖，提高了销量预测效率；本专利技术根据预测好的销量和备货量，备货量计算系统自动计算出每个连锁店铺的各个商品备货数目，减少了工作人员的重复性工作，解决了备货与实际销售情况差距较大的问题。
附图说明
[0012]图1为本专利技术的一种用于连锁超市的智能采购系统的实施流程图。
[0013]图2为本专利技术的一种用于连锁超市的智能采购系统的门函数计算流程示意图。
具体实施方式
[0014]下面结合附图和实施例对本专利技术做进一步详细说明。
[0015]本专利技术一种用于连锁超市的智能采购系统，包括销量预测系统、备货量计算系统、调货单生成分发及审批系统。一种用于连锁超市的智能采购系统的结构如图1所示，销量预测系统能够使用深度学习方法，将每个连锁店铺中每个商品的历史销量信息(例如近180天的销量信息)输入到LSTM神经网络中进行训练得到销量预测模型，并根据销量预测模型预测每个连锁店铺中每个商品的未来销量信息，并将预测的销量存进数据库中；备货量计算系统能够读取销量预测模型预测得到的每个连锁店铺中每个商品的未来销量信息，然后根据预测的未来销量信息(预测的未来几天的销售数量信息)并结合库存信息计算出每个连锁店铺中每个商品的配货量。库存信息可包括总库房的每个商品的库存量，还可包括每个连锁店铺中每个商品的库存量。调货单生成分发及审批系统能够根据备货量计算系统计算出的每个连锁店铺中商品的配货量生成每个连锁店的配货单，采购人员审批配货单，待配货单被采购人员审批通过后发送配货单至配货人员。配送人员按照配货单的数量规定，按时进行货物的配送，货物配送到连锁超市后进行销售，通过销售得到历史销量信息。
[0016]一种用于连锁超市的智能采购系统还包括配货系统，调货单生成分发及审批系统能够发送配货单至配货系统，配货人员能够通过配货系统查看配货单。配货系统还用于记录配货完成情况，配货人员完成送货后，连锁超市内工作人员核对后，经核对结果输入到配货系统，配货系统将核对结果发送至对应的管理员或记录系统或后台管理系统等。
[0017]调货单生成分发及审批系统可包括第一移动端APP，采购人员通过第一移动端APP审批配货单。配货系统可包括第二移动端APP，配送人员通过第二移动端APP查看配货单，连锁超市内工作人员通过第二移动端APP查看配货单、核对、输入核对结果。单据审核等操作可以在移动端进行操作，提高了流程审批的速度。
[0018]LSTM是一种特殊的RNN(循环神经网络)，解决了RNN依赖丢失的问题。具体的，原始RNN的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。本专利技术中再增加一个状态，即c，让它来保存长期的状态，c称为单元状态(cell state)，即单元状态为长期状态。
[0019]在t时刻，LSTM的输入有三个：当前时刻网络的输入值X
t
、上一时刻(t
‑
1时刻)LSTM的输出值h
t
‑1、以及上一时刻的单元状态c
t
‑1；在t时刻LSTM的输出有两个：当前时刻LSTM输出值h
t
、和当前时刻的单元状态c
t
。
[0020]LSTM使用三个开关实现保存单元状态c，第一个开关，负责控制继续保存长期状态c；第二个开关，负责控制把即时状态输入到长期状态c；第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。在本实施方式的算法中，实现这个开关的方式为使用gate，gate实际上就是一层全连接层，输入是一个向量，输出是一个0到1之间的实数向量。
[0021]gate公式为：g(X)＝σ(W
X
+b)，其中，g(X)表示门的输出，X表示门的输入，σ表示激活函数，W
X
表示权重，b表示偏置。也就是如图2所示，x
i
∈X，w
i
∈W，i＝0,1,2,3，
…
,n，对于门函数的每个输入x0、x1、x2……
x
n
乘以对应的权重w0、w1、w2……
w
n
得到门函数的总输入：
[0022][0023]总输入值经过SIGMOD激活函数：σ＝σ(net)＝1/(1+e
‑
net
)，得到门(gate)的输出是0到1之间的实数向量，当门输出为0时，任何向量与之相乘都会得到0向量，这就相当于开关断开，什么都不能通过；输出为1时，任何向量与之相乘都不会有任何改变，这就相当于什么都可以通过，开关闭合。...

【技术保护点】

【技术特征摘要】
1.一种用于连锁超市的智能采购系统，其特征在于，包括：销量预测系统，用于使用深度学习方法、将每个连锁店铺中每个商品的历史销量信息输入到LSTM神经网络中进行训练得到销量预测模型，并根据销量预测模型预测每个连锁店铺中每个商品的未来销量信息；备货量计算系统，用于根据库存信息和销量预测系统预测出的未来销量信息，计算出每个连锁店铺中每个商品的配货量；调货单生成分发及审批系统，用于根据配货量生成每个连锁店的配货单，待配货单被采购人员审批通过后发送配...

【专利技术属性】
技术研发人员：王星棋，
申请(专利权)人：通化北创易优家电子商务有限公司，
类型：发明
国别省市：