一种基于机器学习的订单管理系统技术方案

本发明专利技术提出一种基于机器学习的订单管理系统，主要包括订单生成单元100，订单接收单元200，新订单处理单元300，订单跟踪单元400。主要用于在汽车制造业中，对涉及到的多个零件供应商、组装工厂等进行协同、调度和管理，以机器学习和区块链技术为框架，构建和优化了该订单管理系统，在保证管理系统的成本开支合理化和具有性价比的前提下，提高生产效率并降低生产成本。成本。成本。

【技术实现步骤摘要】
一种基于机器学习的订单管理系统


[0001]本专利技术涉及订单管理
，尤其涉及一种基于机器学习的订单管理方法。

技术介绍

[0002]在汽车制造业中，汽车所需要的零件众多，其涉及多个零件供应商、组装工厂等，因此，其涉及到数量庞杂的订单需要进行管理。如涉及预先制定了零件供应计划订单，包括与零件类型，零件数量，供应日期等有关的订单；或者装配工厂根据零件的实际消耗量在装配工厂下达零件供应订单，也可向零件供应工厂发出组装成相应的汽车所需的零件的订单等。因此，需要一个订单管理系统，用于管理上述订单，并能够提高生产效率并降低生产成本。

技术实现思路

[0003]本专利技术的目的在于提供一种基于机器学习的订单管理系统，其特征在于，订单管理系统10包括订单生成单元100，订单接收单元200，新订单处理单元300，订单跟踪单元400；
[0004]订单生成单元100确定当前库存的商品数量，基于通过机器学习模型输出需求预测信息的需求预测量，在需求预测信息中包含预设的误差范围，以生成安全库存信息；根据需求预测量信息，还可以判断用户是否对发货的商品下单错误，基于安全库存信息生成推荐的附加订购量信息，订单生成单元100基于现有库存信息、需求预测量、安全库存信息以及推荐的附加订购量信息生成订单信息；
[0005]订单接收单元200接收订单生成单元100生成的新订单，将订单接收单元200接收的新订单添加到订单列表的末尾，并且可以根据订单的优先级发出订单；
[0006]新订单处理单元300基于先前订购的至少一个订单来确定新订单的初始等待时间，通过等待时间预测模型来输出新订单的等待时间；
[0007]订单跟踪单元400包括区块链管理服务器410，安全模块420，数据管理模块430,数据源审核模块440和数据存储模块450；
[0008]该安全模块420通过执行安全性和共识协议来从区块链外部安全访问区块链，以将订单信息存储在区块链中，从而保证数据访问的完整性；当有信息请求访问区块链时，数据管理模块430用所请求的数据配置一个块，形成一个区块链；数据源审核模块440，用于对多个零件提供商提供的信息数据进行可靠性评估，并就区块链互通达成协议，执行数据去识别和加密/解密以确保区块链数据的可靠性和匿名性；数据存储模块450是用于分发信息以形成区块链的分布式存储设备。
[0009]优选地，订单生成单元100通过机器学习模型输出需求预测信息的需求预测量，通过输入影响需求的信息，包括库存物品信息、出库物品信息、物品库存信息来输出需求预测信息；安全库存量信息是指基于仓库的空间、入库速度和出库速度的关于产品的存储量的信息；
[0010]优选地，根据需求预测量信息，还可以判断用户是否对发货的商品下单错误，基于安全库存量信息生成推荐的附加订购量信息，订单生成单元100基于现有库存信息和先前的需求预测信息的订单信息，可以判断订单信息是否有订购错误。
[0011]优选地，订单生成单元100生成校正出货信息的步骤包括：当订货错误的判定结果为超订货时，根据最大订货标准生成校正订单信息，以及订货错误的判定结果是否为在订单不足时，可以根据最小订单标准生成修正后的订单信息。
[0012]优选地，区块链管理服务器410包括区块链创建处理和监视数据处理步骤，并且各自独立地执行；
[0013]其中，区块链创建过程执行可靠性识别算法，以确定生成区块链数据时输入的数据的可靠性，执行智能合约过程以进行用于区块链互锁的数据存储共识过程，并且终止的数据存储在相应的数据存储中并记录为事件，当用户请求处理诸如信息访问之类的监视数据或诸如数据使用，历史查询，跟踪等之类的管理要求时，监视数据处理过程经历用户认证和数据访问权限认证的过程，发送将信息提供给智能监控合同层，请求使用区块链上的数据，探索和跟踪信息，并将结果传递给用户，并记录事件以进行数据访问。
附图说明
[0014]图1为本专利技术的基于机器学习的订单管理系统的框图；
具体实施方式
[0015]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案作进一步地说明。
[0016]如图1所示，订单管理系统应用于汽车组装工厂，对于组装工厂提供了订单管理系统10，订单管理系统10基于从生产计划系统，零件信息系统和汽车信息系统等其他系统接收的信息来生成与要订购的零件有关的订单数据。由订单管理系统10生成的订单数据包括订单类型，零件代码，组件序列号，零件供应工厂代码，要供应的零件数量，组装工厂代码，供应日期/时间，一个托盘中容纳的零件数量以及订单序列号。
[0017]订单管理系统10具体包括订单生成单元100，订单接收单元200，新订单处理单元300，订单跟踪单元400。
[0018]由管理者订购待存储在物流仓库中的货物，并分析存储在物流仓库中的库存量。订单生成单元100确定当前库存的商品数量，基于库存产品信息和出货产品信息创建和修改产品库存信息。订单生成单元100确定当前库存的商品数量，基于通过机器学习模型输出需求预测信息的需求预测量，在需求预测信息中包含预设的误差范围，以生成安全库存信息；根据需求预测量信息，还可以判断用户是否对发货的商品下单错误，基于安全库存信息生成推荐的附加订购量信息，订单生成单元100基于现有库存信息、需求预测量、安全库存信息以及推荐的附加订购量信息生成订单信息。通过机器学习模型输出需求预测信息的需求预测量，该模型通过输入影响需求的信息，例如库存物品信息、出库物品信息、物品库存信息来输出需求预测信息。
[0019]由此，管理者能够追加地调整库存量，能够通过后述的本专利技术来制作安全库存信息。另外，根据需求预测量信息，还可以判断用户是否对发货的商品下单错误。此时，采用深
度学习技术执行学习以导出信息和预测需求信息之间的相关性，并基于相关性输出预测需求信息。
[0020]此外，可以通过深度学习计算函数中多个输入的权重。此外，诸如RNN(循环神经网络)、DNN(深度神经网络)和DRNN(动态循环神经网络)的各种模型可以用作用于这种学习的AI网络模型。
[0021]这里，RNN是一种同时考虑当前数据和过去数据的深度学习技术，循环神经网络(RNN)是指构成人工神经网络的单元之间的连接构成有向循环的神经网络。此外，可以将各种方法用于能够构建循环神经网络(RNN)的结构，例如，完全循环网络、hopfield网络、Elman网络、ESN(Echo.state network)、long short term记忆网络(LSTM)、双向RNN、连续时间RNN(CTRNN)、分层RNN和二级RNN是代表性示例。另外，作为学习循环神经网络(RNN)的方法，可以使用梯度下降法、Hessian Free Optimization、全局优化法等方法。
[0022]另外，可以在需求预测信息中包含预设的误差范围，以生成安全库存信息。由于需求预测信息可能不完整，因此生成的安全库存信息包含一个用户可以选择的误差范围。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的订单管理系统，其特征在于，包括订单生成单元100，订单接收单元200，新订单处理单元300，订单跟踪单元400；订单生成单元100确定当前库存的商品数量，基于通过机器学习模型输出需求预测信息的需求预测量，在需求预测信息中包含预设的误差范围，以生成安全库存信息；根据需求预测量信息，判断用户是否对发货的商品下单错误，基于安全库存信息生成推荐的附加订购量信息，订单生成单元100基于现有库存信息、需求预测量、安全库存信息以及推荐的附加订购量信息生成订单信息；订单接收单元200接收订单生成单元100生成的新订单，将订单接收单元200接收的新订单添加到订单列表的末尾，并且可以根据订单的优先级发出订单；新订单处理单元300基于先前订购的至少一个订单来确定新订单的初始等待时间，通过等待时间预测模型来输出新订单的等待时间；订单跟踪单元400包括区块链管理服务器410，安全模块420，数据管理模块430,数据源审核模块440和数据存储模块450；该安全模块420通过执行安全性和共识协议来从区块链外部安全访问区块链，以将订单信息存储在区块链中，从而保证数据访问的完整性；当有信息请求访问区块链时，数据管理模块430用所请求的数据配置一个块，形成一个区块链；数据源审核模块440，用于对多个零件提供商提供的信息数据进行可靠性评估，并就区块链互通达成协议，执行数据去识别和加密/解密以确保区块链数据的可靠性和匿名性；数据存储模块450是用于分发信息以形成区块链的分布式存储设备。2.根据权利要求1所述的系...

【专利技术属性】
技术研发人员：皋勋，韩骅，许多，
申请(专利权)人：上海网商电子商务有限公司，
类型：发明
国别省市：