补货数量确定方法、装置、计算机设备及存储介质
阅读：965发布：2020-05-13
专利汇可以提供补货数量确定方法、装置、计算机设备及存储介质专利检索，专利查询，专利分析的服务。并且本 申请 实施例 公开了一种补货数量确定方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括：获取目标物品标识对应的历史数据记录，历史数据记录至少包括历史转出记录；获取目标物品标识所属的目标分组对应的转出数量 预测模型 ；将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量，第一转出数量为下一周期内目标物品的转出数量；根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量，第一剩余数量为当前时刻目标物品的剩余数量。简化了管理人员的操作，缩短了确定补货数量的耗时，不容易受到人为主观因素的影响，提高了准确度，实现了智能化。，下面是补货数量确定方法、装置、计算机设备及存储介质专利的具体信息内容。
1.一种补货数量确定方法，其特征在于，所述方法包括：
获取目标物品标识对应的历史数据记录，所述历史数据记录至少包括历史转出记录；
获取所述目标物品标识所属的目标分组对应的转出数量预测模型；
将所述历史数据记录输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到第一转出数量，所述第一转出数量为下一周期内目标物品的转出数量；
根据第一剩余数量及所述第一转出数量，确定所述目标物品标识对应的补货数量，所述第一剩余数量为当前时刻所述目标物品的剩余数量。
2.根据权利要求1所述的方法，其特征在于，所述将所述历史数据记录输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到第一转出数量，包括：
将所述历史数据记录和所述当前时刻输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到所述第一转出数量和第二转出数量，所述第二转出数量为所述当前时刻至当前周期的结束时刻之间的时间段内所述目标物品的转出数量；
所述根据第一剩余数量及所述第一转出数量，确定所述目标物品标识对应的补货数量，包括：
将所述第一剩余数量与所述第二转出数量之间的差值，确定为第二剩余数量，所述第二剩余数量为所述结束时刻所述目标物品的剩余数量；
将所述第一转出数量与所述第二剩余数量之间的差值，确定为所述目标物品标识对应的补货数量。
3.根据权利要求1所述的方法，其特征在于，所述根据第一剩余数量及所述第一转出数量，确定所述目标物品标识对应的补货数量，包括：
获取所述目标物品标识对应的折算比例，所述折算比例为目标转出数量与预测转出数量之间的比例；
将所述第一转出数量与所述折算比例之间的乘积，确定为所述目标物品标识对应的目标转出数量；
根据所述第一剩余数量和所述目标转出数量，确定所述目标物品标识对应的补货数量。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据多个物品标识对应的历史数据记录，生成所述多个物品标识的特征向量；
将相似度大于预设阈值的任两个特征向量对应的物品标识划分至同一分组，得到至少一个分组，所述至少一个分组包括所述目标分组。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据多个物品标识对应的历史数据记录，生成所述多个物品标识的特征向量；
对所述多个物品标识的特征向量进行聚类，得到多个分组，每个分组包括至少两个物品标识，所述多个分组包括所述目标分组。
6.根据权利要求1所述的方法，其特征在于，所述获取所述目标物品标识所属的目标分组对应的转出数量预测模型之前，所述方法还包括：
获取所述目标分组中多个物品标识对应的历史数据记录；
根据所述历史数据记录，确定第一历史周期内所述多个物品标识对应的转出数量之和，作为第一样本转出数量；
根据所述历史数据记录，确定所述第一历史周期之前的其他历史周期内所述多个物品标识对应的历史数据记录，作为第一样本数据记录；
根据所述第一样本数据记录和所述第一样本转出数量，训练所述转出数量预测模型。
7.根据权利要求6所述的方法，其特征在于，所述获取所述目标物品标识所属的目标分组对应的转出数量预测模型之前，所述方法还包括：
根据所述历史数据记录，确定所述第一历史周期内任一样本时刻至所述第一历史周期的结束时刻之间的时间段内所述多个物品标识对应的转出数量之和，作为第二样本转出数量；
所述根据所述第一样本数据记录和所述第一样本转出数量，训练所述转出数量预测模型，包括：
根据所述第一样本数据记录、所述第一样本转出数量、所述样本时刻和所述第二样本转出数量，训练所述转出数量预测模型。
8.一种补货数量确定装置，其特征在于，所述装置包括：
记录获取模块，用于获取目标物品标识对应的历史数据记录，所述历史数据记录至少包括历史转出记录；
模型获取模块，用于获取所述目标物品标识所属的目标分组对应的转出数量预测模型；
处理模块，用于将所述历史数据记录输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到第一转出数量，所述第一转出数量为下一周期内目标物品的转出数量；
数量确定模块，用于根据第一剩余数量及所述第一转出数量，确定所述目标物品标识对应的补货数量，所述第一剩余数量为当前时刻所述目标物品的剩余数量。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现如权利要求1至7任一权利要求所述的补货数量确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如权利要求1至7任一权利要求所述的补货数量确定方法。
补货数量确定方法、装置、计算机设备及存储介质
技术领域
背景技术
[0002] 随着电子商务的快速发展，用户对所购买物品的配送速度要求越来越高，为了能够在最短的时间内将物品配送至用户，物品提供方配置了用于存储物品的大量前置仓，每个前置仓覆盖一定的地理范围。随着物品的配送，前置仓内的物品逐渐减少，此时需要对前置仓进行补货。
[0003] 相关技术中，为前置仓设置管理人员，管理人员每日对前置仓内的物品进行盘点，确定当日销售情况，根据历史销售情况和当日销售情况，对次日的销售情况进行预估，确定该前置仓中物品的补货数量。
[0004] 上述方式中，补货数量需要人为确定，操作繁琐，耗时过长，并且该方式确定的补货数量容易受到人为主观因素的影响，准确度低。发明内容
[0005] 本申请实施例提供了一种补货数量确定方法、装置、计算机设备及存储介质，能够有效简化管理人员的操作，提高补货数量的客观性和准确度。所述技术方案如下：
[0006] 一方面，提供了一种补货数量确定方法，所述方法包括：
[0007] 获取目标物品标识对应的历史数据记录，所述历史数据记录至少包括历史转出记录；
[0008] 获取所述目标物品标识所属的目标分组对应的转出数量预测模型；
[0009] 将所述历史数据记录输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到第一转出数量，所述第一转出数量为下一周期内目标物品的转出数量；
[0010] 根据第一剩余数量及所述第一转出数量，确定所述目标物品标识对应的补货数量，所述第一剩余数量为当前时刻所述目标物品的剩余数量。
[0011] 可选地，所述将所述历史数据记录输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到第一转出数量，包括：
[0012] 将所述历史数据记录和所述当前时刻输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到所述第一转出数量和第二转出数量，所述第二转出数量为所述当前时刻至当前周期的结束时刻之间的时间段内所述目标物品的转出数量；
[0013] 所述根据第一剩余数量及所述第一转出数量，确定所述目标物品标识对应的补货数量，包括：
[0014] 将所述第一剩余数量与所述第二转出数量之间的差值，确定为第二剩余数量，所述第二剩余数量为所述结束时刻所述目标物品的剩余数量；
[0015] 将所述第一转出数量与所述第二剩余数量之间的差值，确定为所述目标物品标识对应的补货数量。
[0016] 可选地，所述根据第一剩余数量及所述第一转出数量，确定所述目标物品标识对应的补货数量，包括：
[0017] 获取所述目标物品标识对应的折算比例，所述折算比例为目标转出数量与预测转出数量之间的比例；
[0018] 将所述第一转出数量与所述折算比例之间的乘积，确定为所述目标物品标识对应的目标转出数量；
[0019] 根据所述第一剩余数量和所述目标转出数量，确定所述目标物品标识对应的补货数量。
[0020] 可选地，所述获取所述目标物品标识对应的折算比例，包括：
[0021] 根据所述目标分组在多个历史周期内的转出数量，创建数量分布模型，所述数量分布模型包括多个转出数量以及所述多个转出数量的出现次数；
[0022] 显示模型展示界面，所述模型展示界面中包括所述数量分布模型；
[0023] 获取在所述模型展示界面中输入的比例，将所述比例确定为所述目标物品标识对应的折算比例。
[0024] 可选地，所述方法还包括：
[0025] 根据多个物品标识对应的历史数据记录，生成所述多个物品标识的特征向量；
[0026] 将相似度大于预设阈值的任两个特征向量对应的物品标识划分至同一分组，得到至少一个分组，所述至少一个分组包括所述目标分组。
[0027] 可选地，所述方法还包括：
[0028] 根据多个物品标识对应的历史数据记录，生成所述多个物品标识的特征向量；
[0029] 对所述多个物品标识的特征向量进行聚类，得到多个分组，每个分组包括至少两个物品标识，所述多个分组包括所述目标分组。
[0030] 可选地，所述获取所述目标物品标识所属的目标分组对应的转出数量预测模型之前，所述方法还包括：
[0031] 获取所述目标分组中多个物品标识对应的历史数据记录；
[0032] 根据所述历史数据记录，确定第一历史周期内所述多个物品标识对应的转出数量之和，作为第一样本转出数量；
[0033] 根据所述历史数据记录，确定所述第一历史周期之前的其他历史周期内所述多个物品标识对应的历史数据记录，作为第一样本数据记录；
[0034] 根据所述第一样本数据记录和所述第一样本转出数量，训练所述转出数量预测模型。
[0035] 可选地，所述获取所述目标物品标识所属的目标分组对应的转出数量预测模型之前，所述方法还包括：
[0036] 根据所述历史数据记录，确定所述第一历史周期内任一样本时刻至所述第一历史周期的结束时刻之间的时间段内所述多个物品标识对应的转出数量之和，作为第二样本转出数量；
[0037] 所述根据所述第一样本数据记录和所述第一样本转出数量，训练所述转出数量预测模型，包括：
[0038] 根据所述第一样本数据记录、所述第一样本转出数量、所述样本时刻和所述第二样本转出数量，训练所述转出数量预测模型。
[0039] 另一方面，提供了一种补货数量确定装置，所述装置包括：
[0040] 记录获取模块，用于获取目标物品标识对应的历史数据记录，所述历史数据记录至少包括历史转出记录；
[0041] 模型获取模块，用于获取所述目标物品标识所属的目标分组对应的转出数量预测模型；
[0042] 处理模块，用于将所述历史数据记录输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到第一转出数量，所述第一转出数量为下一周期内目标物品的转出数量；
[0043] 数量确定模块，用于根据第一剩余数量及所述第一转出数量，确定所述目标物品标识对应的补货数量，所述第一剩余数量为当前时刻所述目标物品的剩余数量。
[0044] 可选地，所述处理模块，包括：
[0045] 处理单元，用于将所述历史数据记录和所述当前时刻输入至所述转出数量预测模型中，基于所述转出数量预测模型进行处理，得到所述第一转出数量和第二转出数量，所述第二转出数量为所述当前时刻至当前周期的结束时刻之间的时间段内所述目标物品的转出数量；
[0046] 所述数量确定模块，包括：
[0047] 第一数量确定单元，用于将所述第一剩余数量与所述第二转出数量之间的差值，确定为第二剩余数量，所述第二剩余数量为所述结束时刻所述目标物品的剩余数量；
[0048] 所述第一数量确定单元，还用于将所述第一转出数量与所述第二剩余数量之间的差值，确定为所述目标物品标识对应的补货数量。
[0049] 可选地，所述数量确定模块，包括：
[0050] 比例获取单元，用于获取所述目标物品标识对应的折算比例，所述折算比例为目标转出数量与预测转出数量之间的比例；
[0051] 第二数量确定单元，用于将所述第一转出数量与所述折算比例之间的乘积，确定为所述目标物品标识对应的目标转出数量；
[0052] 所述第二数量确定单元，还用于根据所述第一剩余数量和所述目标转出数量，确定所述目标物品标识对应的补货数量。
[0053] 可选地，所述比例获取单元，还用于根据所述目标分组在多个历史周期内的转出数量，创建数量分布模型，所述数量分布模型包括多个转出数量以及所述多个转出数量的出现次数；
[0054] 所述比例获取单元，还用于显示模型展示界面，所述模型展示界面中包括所述数量分布模型；
[0055] 所述比例获取单元，还用于获取在所述模型展示界面中输入的比例，将所述比例确定为所述目标物品标识对应的折算比例。
[0056] 可选地，所述装置还包括：
[0057] 第一生成模块，用于根据多个物品标识对应的历史数据记录，生成所述多个物品标识的特征向量；
[0058] 划分模块，用于将相似度大于预设阈值的任两个特征向量对应的物品标识划分至同一分组，得到至少一个分组，所述至少一个分组包括所述目标分组。
[0059] 可选地，所述装置还包括：
[0060] 第二生成模块，用于根据多个物品标识对应的历史数据记录，生成所述多个物品标识的特征向量；
[0061] 聚类模块，用于对所述多个物品标识的特征向量进行聚类，得到多个分组，每个分组包括至少两个物品标识，所述多个分组包括所述目标分组。
[0062] 可选地，所述装置还包括：
[0063] 所述记录获取模块，还用于获取所述目标分组中多个物品标识对应的历史数据记录；
[0064] 第一样本确定模块，用于根据所述历史数据记录，确定第一历史周期内所述多个物品标识对应的转出数量之和，作为第一样本转出数量；
[0065] 记录确定模块，用于根据所述历史数据记录，确定所述第一历史周期之前的其他历史周期内所述多个物品标识对应的历史数据记录，作为第一样本数据记录；
[0066] 训练模块，用于根据所述第一样本数据记录和所述第一样本转出数量，训练所述转出数量预测模型。
[0067] 可选地，所述装置还包括：
[0068] 第二样本确定模块，用于根据所述历史数据记录，确定所述第一历史周期内任一样本时刻至所述第一历史周期的结束时刻之间的时间段内所述多个物品标识对应的转出数量之和，作为第二样本转出数量；
[0069] 所述训练模块，包括：
[0070] 训练单元，用于根据所述第一样本数据记录、所述第一样本转出数量、所述样本时刻和所述第二样本转出数量，训练所述转出数量预测模型。
[0071] 另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现如上述方面所述的补货数量确定方法。
[0072] 另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如上述方面所述的补货数量确定方法。
[0073] 本申请实施例提供的技术方案带来的有益效果至少包括：
[0074] 本申请实施例提供的方法、装置、计算机设备及存储介质，获取目标物品标识对应的历史数据记录，获取目标物品标识所属的目标分组对应的转出数量预测模型，将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量，根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量。根据目标物品标识对应的历史数据记录和已训练的转出数量预测模型，即可确定目标物品标识对应的补货数量，简化了管理人员的操作，缩短了确定补货数量的耗时，并且，该确定补货数量的方式是根据物品标识对应的历史数据记录得到的，因此不容易受到人为主观因素的影响，提高了准确度，实现了确定补货数量的智能化。
[0075] 并且，以分组为单位训练转出数量预测模型的方式，可以将相似度较高的多个物品标识对应的历史数据记录统一进行训练，增加了可利用的信息，避免了由于历史数据记录的稀疏性而导致训练的转出数量预测模型受到数量波动性的影响，提高了转出数量预测模型的准确度，进而提高了补货数量的准确度。
[0076] 并且，在转出数量预测的基础上，加入了历史转出情况的分布情况带来的影响，对转出数量进行折算，进一步提高了补货量的准确度。
[0077] 并且，由于该方法利用的转出数量预测模型是根据目标分组中多个物品标识对应的历史数据记录训练而成的，因此可以基于该转出数量预测模型预测目标分组中任一物品标识对应的转出数量，扩大了应用范围。附图说明
[0078] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例的一些实施例，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。
[0079] 图1是本申请实施例提供的一种补货数量确定方法的流程图；
[0080] 图2是本申请实施例提供的一种转出数量预测模型训练方法的流程图；
[0081] 图3是本申请实施例提供的另一种转出数量预测模型训练方法的流程图；
[0082] 图4是本申请实施例提供的一种模型展示界面的示意图；
[0083] 图5是本申请实施例提供的另一种补货数量确定方法的流程图；
[0084] 图6是本申请实施例提供的另一种补货数量确定方法的流程图；
[0085] 图7是本申请实施例提供的一种补货数量确定装置的结构示意图；
[0086] 图8是本申请实施例提供的另一种补货数量确定装置的结构示意图；
[0087] 图9是本申请实施例提供的一种终端的结构示意图；
[0088] 图10是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
[0089] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0090] 在对本申请实施例进行详细地解释说明之前，先对本申请实施例可能涉及到的一些名词进行介绍。
[0091] 前置仓模式：前置仓也称为微仓，前置仓模式是一种仓配模式，每一个前置仓均可以是一个中小型的仓储配送中心，这使得中心总仓(也称为总仓)仅需对各个前置仓进行供货，且不同的前置仓之间无需涉及互相调拨。在用户(也称为消费者)下单后，用户购买的物品会从附近的前置仓发货，而不是从诸如远在郊区的总仓发货。
[0092] 简言之，前置仓设置在距离用户较近的地方，比如，在一个城市可以建立一个城市总仓，再根据订单密度等因素在诸如该城市的多个社区或商圈里建立多个前置仓，用户购买的物品可能是来自于在附近社区或商圈里设置的一个前置仓，这样便保证了用户下单后较短的时间内即可配送上门，保证产品品质和配送速度。
[0093] 补货数量：广义上讲，补货通常指代根据诸如销售情况和计划进行物品补货，以免出现售罄或断货的情况。在本申请实施例中，补货数量指代各个前置仓需要对其销售的物品进行补货的数量。示例性地，任意一种物品的补货数量可以按照周期确定，如一天、一周等，本申请实施例对此不进行具体限定。
[0094] 转出数量：在本申请实施例中，转出数量指代前置仓销售的物品的销售量。其中，转出数量可以分为日转出数量、月转出数量、年转出数量等，本申请实施例对此不进行具体限定。
[0095] 剩余数量：在本申请实施例中，剩余数量指代前置仓中物品的库存量，库存是指仓库中实际储存的货物。广义上讲，库存量通常指代仓库中实际储存的货物量。
[0096] 随着电商行业的蓬勃发展，时下涌现出了生鲜电商平台。生鲜电商平台不但可为用户供应全品类的生鲜物品，比如水果蔬菜、海鲜肉禽、牛奶零食等等，而且还能够及时地将用户购买的生鲜物品配送到用户手中。
[0097] 对于生鲜电商平台，如果物品的库存量不足，则很可能会出现用户想要购买物品但却缺货的情况，即物品售罄，进而导致用户流失；而如果物品的库存量过多，则一方面会导致不必要的成本提升，另一方面针对保质期相对较短的物品来说很可能会出现损耗，进而造成经济损失。
[0098] 在生鲜电商行业，如何进行补货都是极其重要的环节。特别地，生鲜电商平台采用前置仓模式，这种模式要求物品能够及时地送到用户手中，且前置仓之间基本不涉及互相调拨，如果一个前置仓补货量过少，那么会导致大量用户需求无法得到满足，极有可能会损失掉用户，另外，如果一个前置仓补货量过多，则会导致物品卖不出去，在前置仓内形成积压，不仅造成物品的损耗甚至还会影响到同一个前置仓中其他物品的补货、存储、分拣和派送效率，从而直接影响公司的妥投率、物品质量等，造成损失。所以，每个前置仓的补货量预估是非常重要的。
[0099] 本申请实施例提供了一种补货数量确定方法，对于任一物品标识，将获取到的该物品标识对应的历史数据记录，输入至该物品标识所属的分组对应的转出数量预测模型中，基于该转出数量预测模型进行处理后，得到该物品标识对应的物品在下一周期内的转出数量，根据该物品在当前时刻的剩余数量和在下一周期内的转出数量，得到该物品的补货数量。
[0101] 当计算机设备包括终端时，该终端根据多个物品标识对应的历史数据记录，对多个物品进行分组，根据每个分组内多个物品标识对应的历史数据记录进行训练，得到该分组对应的转出数量预测模型，从而根据任一物品标识对应的历史数据记录和转出数量预测模型，得到该物品的补货数量。
[0102] 当计算机设备包括服务器时，服务器根据多个终端上传的物品标识对应的历史数据记录，对多个物品进行分组，根据每个分组内多个物品标识对应的历史数据记录进行训练，得到该分组对应的转出数量预测模型，从而根据任一物品标识对应的历史数据记录和转出数量预测模型，得到该物品的补货数量。
[0103] 本申请实施例提供的补货数量确定方法，可应用于总仓为前置仓补货的场景下。服务器采用本申请实施例提供的补货数量确定方法，根据已存储的该目标物品标识对应的历史数据记录，以及已训练的该目标物品标识所属的分组对应的转出数量预测模型，预测该目标物品标识在下一周期内的转出数量，根据该物品标识当前的剩余数量和在下一周期内的转出数量，确定该目标物品的补货数量，后续可以由总仓根据该补货数量为该目标物品进行补货，避免造成由于补货数量过多或过少而带来的损失。
[0104] 图1是本申请实施例提供的一种补货数量确定方法的流程图，应用于计算机设备中，参见图1，该实施例包括：
[0105] 在步骤101中，计算机设备获取目标物品标识对应的历史数据记录，历史数据记录至少包括历史转出记录。
[0106] 在步骤102中，计算机设备获取目标物品标识所属的目标分组对应的转出数量预测模型。
[0107] 在步骤103中，计算机设备将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量，第一转出数量为下一周期内目标物品的转出数量。
[0108] 在步骤104中，计算机设备根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量，第一剩余数量为当前时刻目标物品的剩余数量。
[0109] 本申请实施例提供的补货数量确定方法，获取目标物品标识对应的历史数据记录和目标物品标识所属的目标分组对应的转出数量预测模型，将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量，根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量，简化了管理人员的操作，缩短了确定补货数量的耗时，并且，该确定补货数量的方式是根据物品标识对应的历史数据记录得到的，因此不容易受到人为主观因素的影响，提高了准确度，实现了确定补货数量的智能化。
[0110] 在一种可能实现方式中，将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量，包括：
[0111] 将历史数据记录和当前时刻输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量和第二转出数量，第二转出数量为当前时刻至当前周期的结束时刻之间的时间段内目标物品的转出数量；
[0112] 根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量，包括：
[0113] 将第一剩余数量与第二转出数量之间的差值，确定为第二剩余数量，第二剩余数量为结束时刻目标物品的剩余数量；
[0114] 将第一转出数量与第二剩余数量之间的差值，确定为目标物品标识对应的补货数量。
[0115] 在另一种可能实现方式中，根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量，包括：
[0116] 获取目标物品标识对应的折算比例，折算比例为目标转出数量与预测转出数量之间的比例；
[0117] 将第一转出数量与折算比例之间的乘积，确定为目标物品标识对应的目标转出数量；
[0118] 根据第一剩余数量和目标转出数量，确定目标物品标识对应的补货数量。
[0119] 在另一种可能实现方式中，获取目标物品标识对应的折算比例，包括：
[0120] 根据目标分组在多个历史周期内的转出数量，创建数量分布模型，数量分布模型包括多个转出数量以及多个转出数量的出现次数；
[0121] 显示模型展示界面，模型展示界面中包括数量分布模型；
[0122] 获取在模型展示界面中输入的比例，将比例确定为目标物品标识对应的折算比例。
[0123] 在另一种可能实现方式中，方法还包括：
[0124] 根据多个物品标识对应的历史数据记录，生成多个物品标识的特征向量；
[0125] 将相似度大于预设阈值的任两个特征向量对应的物品标识划分至同一分组，得到至少一个分组，至少一个分组包括目标分组。
[0126] 在另一种可能实现方式中，方法还包括：
[0127] 根据多个物品标识对应的历史数据记录，生成多个物品标识的特征向量；
[0128] 对多个物品标识的特征向量进行聚类，得到多个分组，每个分组包括至少两个物品标识，多个分组包括目标分组。
[0129] 在另一种可能实现方式中，获取目标物品标识所属的目标分组对应的转出数量预测模型之前，方法还包括：
[0130] 获取目标分组中多个物品标识对应的历史数据记录；
[0131] 根据历史数据记录，确定第一历史周期内多个物品标识对应的转出数量之和，作为第一样本转出数量；
[0132] 根据历史数据记录，确定第一历史周期之前的其他历史周期内多个物品标识对应的历史数据记录，作为第一样本数据记录；
[0133] 根据第一样本数据记录和第一样本转出数量，训练转出数量预测模型。
[0134] 在另一种可能实现方式中，获取目标物品标识所属的目标分组对应的转出数量预测模型之前，方法还包括：
[0135] 根据历史数据记录，确定第一历史周期内任一样本时刻至第一历史周期的结束时刻之间的时间段内多个物品标识对应的转出数量之和，作为第二样本转出数量；
[0136] 根据第一样本数据记录和第一样本转出数量，训练转出数量预测模型，包括：
[0137] 根据第一样本数据记录、第一样本转出数量、样本时刻和第二样本转出数量，训练转出数量预测模型。
[0138] 目前电子商务发展越来越快，发展逐渐成熟，用户可以基于电子商务提供的渠道购买物品，且用户可以购买的物品的种类也越来越多。考虑到用户对物品的配送速度的要求越来越高，物品提供方为了能够在最短的时间内将物品配送至用户，配置了大量的前置仓，每个前置仓覆盖一定的地理范围，用于储存供应给该地理范围内的物品。
[0139] 随着用户的购买和物品的配送，前置仓内的物品越来越少，为了不影响物品的正常配送，需要对前置仓内的物品进行补货。
[0140] 为此，本申请实施例提供了一种补货数量确定方法，能够基于已训练的转出数量预测模型，预测任一物品的补货数量，然后根据该补货数量对该物品进行补货，保证该物品的数量合适，不会因为数量过少而导致用户无法购买，造成损失，也不会因为数量过多而造成物品浪费。
[0141] 由于本申请实施例提供的补货数量确定方法，是根据已训练的转出数量预测模型实现的，因此，先通过下述实施例说明训练转出数量预测模型的过程。图2是本申请实施例提供的一种转出数量预测模型训练方法的流程图，应用于计算机设备中，计算机设备可以是终端，也可以是服务器，本申请实施例对此不做具体限定。参见图2，该实施例包括：
[0142] 201、计算机设备获取多个物品标识对应的历史数据记录。
[0143] 计算机设备可以获取一个前置仓内多个物品标识对应的历史数据记录，或者，为了能够使训练得到的转出数量预测模型的可利用数据更多，准确性更高，本申请实施例还可以获取多个前置仓内多个物品标识对应的历史数据记录。
[0144] 其中，物品标识为可以确定唯一物品种类的标识，可以为该物品的种类编号、种类名称等。本申请实施例对物品标识的具体形式不做限定。
[0145] 并且，历史数据记录至少包括历史转出记录，历史转出记录用于描述对应的物品的转出情况，至少包括该物品的转出数量，还可以包括该物品的转出时间、转出价值或其他转出情况。如物品的历史销售记录中包括物品的的销售量、销售时间、价格或其他销售数据。
[0146] 在一种可能实现方式中，计算机设备为服务器，每个前置仓可以设置用于管理物品的终端，终端执行完物品转出操作后，将本次执行的物品转出操作对应的数据记录发送至服务器，服务器将该数据记录与该终端对应的前置仓标识对应存储，作为该前置仓标识对应的一个历史数据记录。采用此种方式，服务器获取到多个物品标识对应的历史数据记录。后续过程中，可以根据存储的该多个物品标识对应的历史数据记录进行训练。
[0147] 其中，前置仓标识为可以唯一确定前置仓的标识，可以为该前置仓的序列号、该前置仓覆盖地理范围的标识、前置仓的名称或注册帐号等。本申请实施例对前置仓标识的具体形式不做限定。
[0148] 并且，每个历史数据记录中还包括转出物品的物品标识、物品的转出数量、转出时间、转出时的单价或转出时生成的历史数据记录的编号等。
[0150] 另外，计算机设备为终端时，服务器获取到多个物品标识对应的历史数据记录后，将该多个历史数据记录发送给该终端，后续过程中，由该终端基于接收到的多个物品标识对应的历史数据记录进行训练。
[0151] 202、计算机设备根据该多个物品标识对应的历史数据记录，对该多个物品标识进行划分，得到至少一个分组。
[0152] 考虑到前置仓覆盖的地理范围较小，前置仓内的每个物品转出的数量较小，基于每个物品对应的历史数据记录进行训练时，可能会导致历史数据记录不足，而训练出的转出数量预测模型的准确度较低。因此可以基于整个前置仓内多个物品对应的历史数据记录进行训练。
[0153] 又由于前置仓内多个物品在同一周期内的转出数量可能差异较大，因此可以对该多个物品标识进行分组，将相似的物品标识划分为同一分组，后续以分组为单位，对每个分组内包括的物品标识进行训练，以提高准确度。
[0154] 为此，计算机设备根据获取到的多个物品标识对应的历史数据记录，对该多个物品标识进行分组，得到至少一个分组。
[0155] (1)根据历史数据记录对多个物品标识进行划分时，至少包括以下情况：
[0156] (1-1)历史数据记录中仅包括该物品的历史转出记录：
[0157] 在该情况下，由于历史数据记录中包括该物品的历史转出记录，因此计算机设备可以根据物品标识对应的多个历史数据记录，得到该物品的转出情况，进而得到多个物品的转出情况。
[0158] 历史转出记录中包括物品的转出数量，则根据获取到的多个物品标识对应的历史数据记录，对该多个物品标识进行分组的过程，包括：根据该多个物品的历史转出数量之间的相似度，对该多个物品标识进行划分，得到至少一个分组，每个分组中包括的物品标识的历史转出数量相似。例如，将销量相似的物品划分为同一分组。
[0159] 或者，根据获取到的多个物品标识对应的历史数据记录，对该多个物品标识进行分组的过程，包括：根据多个物品标识对应的历史转出记录，可以获取该多个物品各自的转出数量分布情况，根据该多个转出数量分布情况之间的相似度，对该多个物品标识进行划分，得到至少一个分组，每个分组中包括的物品标识的转出数量分布情况相似。例如，将销量变化情况相似的物品划分为同一分组。
[0160] (1-2)历史数据记录中既包括该物品的历史转出记录，又包括该物品的属性信息：
[0161] 其中，物品的属性信息用于描述物品的属性，如物品的名称、种类、科目等。
[0162] 此时，根据获取到的多个物品标识对应的历史数据记录，对该多个物品标识进行分组的过程，包括：根据物品的历史数据记录和物品的属性信息，对该多个物品标识进行划分，得到至少一个分组，每个分组中包括的物品属性相似，物品的转出情况也相似。
[0163] 例如，将销量相似的、同属于苹果类别的黄香蕉苹果和新疆阿克苏苹果划分为同一分组。
[0164] (1-3)历史数据记录中既包括该物品的历史转出记录，又包括该物品的历史浏览记录：
[0165] 其中，物品的历史浏览记录用于描述该物品被浏览的情况，可以表示该物品受到用户关注的程度，该历史浏览记录可以根据检测到的对该物品标识的点击操作或查看操作获取，还可以通过其他方式获取。
[0166] 此时，根据获取到的多个物品标识对应的历史数据记录，对该多个物品标识进行分组的过程，包括：根据该多个物品的历史数据记录和历史浏览记录，对该多个物品标识进行划分，得到至少一个分组，每个分组中包括的物品标识对应的浏览情况相似，转出数量的分布情况也相似。
[0167] 根据该方式进行划分后得到的分组，不仅可以体现转出数量之间的相似性，还可以将用户关注的物品划分为同一分组。虽然该物品当前并未转出，但是可以体现该物品在未来转出的可能性，基于该信息训练得到的转出数量预测模型的预测结果更准确，更接近于实际情况。
[0168] 另外，历史数据记录中还可以包括历史天气信息、转出价值等，根据该历史数据记录进行划分后得到的分组，可以在多个维度上具有相似性，后续基于划分后得到的分组包括的历史数据记录进行训练时，可以进一步提高转出数量预测模型的准确度。
[0169] 在一种可能实现方式中，计算机设备根据多个物品标识对应的历史数据记录，生成该多个物品标识的特征向量，计算任两个特征向量之间的相似度，将相似度大于预设阈值的任两个特征向量对应的物品标识划分至同一分组，得到至少一个分组，每个分组中包括至少两个物品标识。
[0170] 在另一种可能实现方式中，计算机设备根据多个物品标识对应的历史数据记录，生成该多个物品标识的特征向量，对该多个物品标识的特征向量进行聚类，得到多个分组，每个分组包括至少两个物品标识。
[0171] 其中，对该多个物品标识的特征向量进行聚类时采用的聚类模型可以是中心聚类算法，如K-means算法(K-均值算法)、K-medoids算法(K-中心点算法)或Clarans算法(基于随机选择的聚类算法)等。或者，还可以采用其他聚类算法对该多个物品标识的特征向量进行聚类。
[0172] 本申请实施例中，采用聚类模型能够根据物品的历史数据记录，统计各个物品之间的相似性，将所有参与预测的物品按照相似关系聚类成多个分组。多个分组中，有些分组包括的物品标识数量较少，但是每个物品标识对应的历史数据记录较多，或者有些分组包括的每个物品标识对应的历史数据记录较少，但是包括的物品标识数量较多的分组。综合来看，得到的每个分组中均可以包括大量的历史数据，能够为后续转出数量预测模型的训练，提供充足的样本。
[0173] 203、对于目标分组，计算机设备根据目标分组中多个物品标识的历史数据记录，确定第一历史周期内该多个物品标识对应的转出数量之和，作为第一样本转出数量。
[0174] 采用上述步骤可以得到至少一个分组，本申请实施例以目标分组为例进行说明，该至少一个分组中至少包括目标分组，目标分组包括多个物品标识。
[0175] 目标分组中多个物品标识的历史数据记录中包括多个历史周期内的历史数据记录，将该多个历史周期中与当前时刻最接近的历史周期，确定为第一历史周期。该多个历史周期中的其他周期均为该第一历史周期之前的历史周期。或者，该第一历史周期还可以为当前时刻之前的任一周期，本申请实施例对此不做限定。
[0176] 对于该目标分组，计算机设备根据该目标分组中包括的多个物品标识的历史数据记录，确定第一历史周期内目标分组对应的转出数量，将该转出数量确定为第一样本转出数量。其中，该目标分组对应的转出数量为该目标分组中多个物品标识对应的转出数量之和。
[0177] 例如，目标分组包括物品标识1、物品标识2和物品标识3，在第一历史周期内，物品标识1对应的转出数量为24，物品标识2对应的转出数量为35，物品标识3对应的转出数量为17，则在第一历史周期内，该目标分组对应的转出数量为76。
[0178] 需要说明的是，本申请实施例中的周期的时长固定、对应的时间段不同。例如，周期的时长可以为一天、一小时或者一周等。
[0179] 204、计算机设备根据目标分组中多个物品标识的历史数据记录，确定该第一历史周期之前的其他历史周期内该多个物品标识对应的历史数据记录，作为第一样本数据记录。
[0180] 计算机设备获取到目标分组中多个物品标识在多个历史周期内的历史数据记录后，除确定第一历史周期内该多个物品标识对应的转出数量之和之外，还根据该目标分组中多个物品标识的历史数据记录，确定该第一历史周期之前的其他历史周期内该多个物品标识对应的历史数据记录，作为第一样本数据记录。
[0181] 其中，该第一历史周期之前的其他历史周期可以为该第一历史周期之前的所有历史周期，也可以为从该第一历史周期之前的所有历史周期中选择的部分历史周期。例如，该第一历史周期之前的其他历史周期包括在该第一历史周期之前的任一时间段内的多个历史周期。
[0182] 在一种可能实现方式中，考虑到物品的转出数量可能会随着时间的变化而发生变化，不同时间段内物品的转出数量可能差异较大，因此为了提高转出数量预测模型的准确度，计算机设备仅获取第一历史周期之前的预设时间段内的多个历史周期，如该多个历史周期为该历史周期之前最近一个星期内的多个历史周期。
[0183] 205、计算机设备根据该第一样本数据记录和该第一样本转出数量，训练目标分组对应的转出数量预测模型。
[0184] 计算机设备将该第一样本数据记录作为输入数据，将该第一样本转出数量作为输出数据，对转出数量预测模型进行训练，得到训练完成的转出数量预测模型。则转出数量预测模型能够学习历史数据记录对下一周期内的物品转出数量的影响。
[0185] 本申请实施例仅是以第一历史周期为例，对构造样本的过程进行说明。实际上，还可以按照其他的历史周期，采用类似的方式构造样本，根据构造的样本对转出数量预测模型进行训练，从而能够根据多组样本进行训练，进一步提高该转出数量预测模型的准确度。
[0186] 在一种可能实现方式中，计算机设备从多个历史周期中选择预设数量个历史周期，对于每个历史周期，将该历史周期作为第一历史周期，将该历史周期内多个物品标识对应的转出数量之和，作为样本转出数量，将该历史周期之前的历史周期内多个物品标识对应的历史数据记录，作为样本数据记录，得到一组训练样本，根据该预设数量个历史周期内多个物品标识对应的历史数据记录，即可得到多组训练样本。
[0187] 由于该转出数量预测模型是根据目标分组中多个物品标识对应的历史数据记录训练得到的，因此该转出数量预测模型为该目标分组对应的转出数量预测模型。
[0188] 上述过程仅是以周期为单位，对训练转出数量预测模型的过程进行说明，在另一种可能实现方式中，还可以周期内的任一时刻至该周期的结束时刻之间的时间段为单位。
[0189] 在该方式下，以第一历史周期内任意样本时刻至第一历史周期的结束时刻之间的时间段为例，对训练转出数量预测模型的过程进行说明。训练过程包括：首先，计算机设备根据当前获取的多个历史数据记录，确定第一历史周期内，任一样本时刻至该第一历史周期的结束时刻之间的时间段内，多个物品标识对应的转出数量之和，作为第二样本转出数量，该第二样本转出数量用于描述当前时刻至当前周期结束时，目标分组内的物品转出情况。然后，计算机设备根据已获取的第一样本数据记录、第一样本转出数量、第一历史周期内的样本时刻以及第二样本转出数量，进行训练，得到对应的转出数量预测模型。
[0190] 根据已获取的第一样本数据记录、第一样本转出数量、第一历史周期内的样本时刻以及第二样本转出数量，训练转出数量预测模型的过程，包括：将第一样本数据记录和第一历史周期内的样本时刻作为输入样本，将第一样本转出数量和第二样本转出数量作为输出样本，训练该转出数量预测模型。
[0191] 在另一种可能实现方式中，计算机设备还可以分别根据其他分组中多个物品标识对应的历史数据记录进行训练，得到其他分组中每个分组对应的转出数量预测模型，具体过程与本申请实施例中的步骤201-205类似，在此不再赘述。
[0192] 考虑到每个物品标识对应的历史数据记录有限，因此缺乏足够的训练样本对转出数量预测模型进行训练，因此，本申请实施例中，可以将相似度较高的多个物品标识对应的历史数据记录统一进行训练，增加了可利用的信息，提高了转出数量预测模型的准确度。
[0193] 并且，由于该转出数量预测模型是根据目标分组中多个物品标识对应的历史数据记录训练而成的，因此可以基于该转出数量预测模型预测目标分组中任一物品标识对应的转出数量，扩大了该转出数量预测模型的应用范围。
[0194] 需要说明的一点是，获取多个前置仓内多个物品标识对应的历史数据记录，可以扩展训练转出数量预测模型的样本数据。而考虑到不同前置仓覆盖的地理范围不同，为了提高对当前某一前置仓内某一物品的转出数量预测时的准确度，也可以对多个前置仓分开进行训练，得到适用于每个前置仓内每个分组的转出数量预测模型。
[0195] 在一种可能实现方式中，为了既增加转出数量预测模型的样本数据，又尽可能减小地理范围的影响，计算机设备还可以获取预设地理范围内设置的多个前置仓对应的历史数据记录，根据该多个前置仓对应的历史数据记录进行训练，而不再考虑距离较远的其他前置仓的影响。
[0196] 需要说明的另一点是，为了提高模型的准确度，还可以每间隔预设时长，对目标分组对应的转出数量预测模型进行更新。该更新过程可以按照本申请实施例提供的方法实现，更新时采用的历史数据记录，还可以包括从上次训练转出数量预测模型至更新时刻之间的时间段内获取到的历史数据记录。
[0197] 计算机设备训练得到目标分组对应的转出数量预测模型后，可以根据该转出数量预测模型预测目标分组中任一物品标识对应的转出数量。图3是本申请实施例提供的一种补货数量确定方法的流程图，应用于计算机设备中，如图3所示，该方法包括：
[0198] 301、计算机设备获取目标物品标识对应的历史数据记录。
[0199] 本申请实施例以目标分组中的目标物品为例，对预测目标物品标识对应的补货数量的过程进行说明。目标物品标识对应的补货数量可以根据目标物品历史的转出情况确定，为了能够获取目标物品标识对应的补货数量，计算机设备首先需要获取目标物品标识对应的历史数据记录。
[0200] 其中，目标物品标识对应的历史数据记录至少包括目标物品标识对应的历史转出记录，该历史转出记录用于描述目标物品的转出情况，至少包括物品物品的转出数量，还可以包括目标物品的转出时间、转出价值或其他转出情况。
[0201] 在一种可能实现方式中，计算机设备为服务器，服务器预先存储了多个物品标识对应的历史数据记录。当获取到目标物品标识时，根据目标物品标识，对当前存储的多个历史数据记录进行筛选，得到目标物品标识对应的历史数据记录。
[0202] 在另一种可能实现方式中，计算机设备为终端，服务器预先存储了多个物品标识对应的历史数据记录。当终端获取到目标物品标识时，将该目标物品标识发送给服务器，服务器根据目标物品标识，对当前存储的多个历史数据记录进行筛选，得到目标物品标识对应的历史数据记录，将该历史数据记录发送给终端。
[0203] 在另一种可能实现方式中，计算机设备为终端，该终端中预先存储了多个物品标识对应的历史数据记录。当终端获取到目标物品标识时，根据目标物品标识，对当前存储的多个历史数据记录进行筛选，得到目标物品标识对应的历史数据记录。
[0204] 计算机设备获取目标物品标识对应的历史数据记录的过程，与上述实施例中的步骤201类似，在此不再赘述。
[0205] 302、计算机设备获取目标物品标识所属的目标分组对应的转出数量预测模型。
[0206] 训练转出数量预测模型的过程参见上述实施例，在此不再赘述。
[0207] 其中，转出数量预测模型用于根据目标物品标识对应的历史数据记录，预测下一周期内目标物品的转出数量。该模型可以为神经网络模型、循环神经网络模型或其他类型的模型。
[0208] 基于上述实施例提供的方法，可以获取不同分组对应的转出数量预测模型，本申请实施例是以目标物品为例，目标物品标识属于目标分组，因此本申请实施例获取的转出数量预测模型为目标分组对应的转出数量预测模型。
[0209] 303、计算机设备将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量。
[0210] 为了得到目标物品标识的补货数量，计算机设备需要获取目标物品在下一周期内的转出数量。为此，计算机设备在获取到目标物品标识对应的历史数据记录和目标分组对应的转出数量预测模型后，将目标物品标识对应的历史数据记录输入至该转出数量预测模型中，基于该转出数量预测模型进行处理，得到第一转出数量。
[0211] 其中，该第一转出数量为下一周期内目标物品的转出数量。例如，下一天内目标物品的销售量等。
[0212] 若当前时刻为当前周期的结束时刻，则后续可以直接根据当前时刻目标物品的剩余数量以及该第一转出数量，获取目标物品标识的补货数量。若当前时刻并非当前周期的结束时刻，则需要先确定当前周期的结束时刻目标物品的剩余数量。
[0213] 在一种可能实现方式中，计算机设备将历史数据记录输入至转出数量预测模型中，基于该转出数量预测模型进行处理，得到第一转出数量，包括：计算机设备获取当前时刻，将历史数据记录和当前时刻输入至目标分组对应的转出数量预测模型中，基于该转出数量预测模型，对输入的历史数据记录和当前时刻进行处理，得到第一转出数量和第二转出数量。
[0214] 其中，第一转出数量为下一周期内目标物品的转出数量，第二转出数量为当前时刻至当前周期的结束时刻之间的时间段内目标物品的转出数量。
[0215] 例如，将目标物品的历史销售记录输入至销售量预测模型中，可以得到目标物品从当前时刻到当天结束时刻之间的时间段内的销售量，以及下一天内的销售量。
[0216] 304、计算机设备根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量。
[0217] 为了得到目标物品标识的补货数量，计算机设备首先获取了第一剩余数量，该第一剩余数量为当前时刻目标物品的剩余数量。然后，计算机设备根据该第一剩余数量和第一转出数量，确定目标物品标识对应的补货数量。
[0218] 计算机设备根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量，至少包括以下情况：
[0219] (1)根据当前时刻的不同，确定目标物品标识对应的补货数量：
[0220] 若当前时刻为当前周期的结束时刻，则可以直接获取第一转出数量与第一剩余数量之间的差值，将该差值确定为目标物品标识对应的补货数量。
[0221] 若当前时刻不是当前周期的结束时刻，则可以根据当前时刻对应的第一剩余数量，以及当前时刻至当前周期结束时刻之间的时间段内目标物品标识对应的转出数量，先确定当前周期结束时刻目标物品标识对应的剩余数量。然后再根据第一转出数量和当前周期的结束时刻目标物品标识对应的剩余数量，确定目标物品标识对应的补货数量。
[0222] 也即是，先获取第一剩余数量与第二转出数量之间的差值，将该差值确定为第二剩余数量，该第二剩余数量为当前周期的结束时刻目标物品的剩余数量。然后，计算机设备获取该第一转出数量与该第二剩余数量之间的差值，将该差值确定为目标物品标识对应的补货数量。
[0223] (2)考虑折算比例时，确定目标物品标识对应的补货数量：
[0224] 计算机设备获取到的第一转出数量仅是通过转出数量输出模型预测到的转出数量，而在实际情况中，目标物品的转出数量可能会与预测的转出数量之间存在偏差，为此，计算机设备还可以对该第一转出数量进行调整，进一步提高准确度。
[0225] 在一种可能实现方式中，计算机设备根据该第一剩余数量及该第一转出数量，确定目标物品标识对应的补货数量，包括：首先获取目标物品标识对应的折算比例，然后获取该第一转出数量与该折算比例之间的乘积，将该乘积确定为目标物品标识对应的目标转出数量。该目标转出数量为目标物品在下一周期内预计转出的数量，该折算比例为目标转出数量与预测转出数量之间的比例。然后；根据第一剩余数量和目标转出数量，确定目标物品标识对应的补货数量。
[0226] 在一种可能实现方式中，获取目标物品标识对应的折算比例的过程，包括：根据已获取的目标分组在多个历史周期内的转出数量，创建数量分布模型，该数量分布模型用于表示转出数量与出现次数之间的关系，包括多个转出数量以及该多个转出数量中每个转出数量对应的出现次数。然后计算机设备显示模型展示界面，该模型展示界面中包括已创建的该数量分布模型，则管理人员可以在模型展示界面中查看该数量分布模型，了解物品之前的转出数量分布情况。之后管理人员可以在模型展示界面中输入比例，计算机设备获取在模型展示界面中输入的比例，将该比例确定为目标物品标识对应的折算比例。
[0227] 其中，管理人员可以在模型展示界面中执行对比例设置选项的触发操作，或其他指示设置比例的操作，从而在模型展示界面中输入该比例。
[0228] 例如，参见图4，模型展示界面中包括数量分布模型、输入栏和确认选项，当计算机设备检测到对该确定选项的触发操作时，获取该输入栏中的内容，将该内容确定为目标物品标识对应的折算比例。
[0229] 计算机设备为终端时，终端直接显示该模型展示界面即可，或者，计算机设备为服务器时，服务器向具有管理权限的终端发送该模型展示界面，该终端显示该模型展示界面，获取到管理人员输入的比例后发送给服务器。
[0230] 后续，管理人员可以根据该补货数量进行补货，该补货数量按照折算比例进行过折算，不仅考虑了目标物品标识对应的历史转出情况，还考虑实际情况与理想的预测数量之间的差异因素，因此确定的补货数量更为准确，能够尽可能避免由于补货数量不足使得目标物品转出失败而带来的损失，还可以在一定程度上降低了由于补货数量过多使得目标物品在前置仓内损坏等原因导致的损失。
[0231] 305、计算机设备输出目标物品标识对应的补货数量。
[0232] 确定目标物品标识对应的补货数量后，计算机设备可以输出该目标物品标识对应的补货数量，以便管理人员可以根据该补货数量，对目标物品进行补货，保证前置仓内目标物品的数量满足用户需求。
[0233] 关于计算机设备输出目标物品标识的补货数量的时机，在一种可能实现方式中，计算机设备确定目标物品标识对应的补货数量后，直接输出该补货数量。
[0234] 在另一种可能实现方式中，计算机设备确定目标物品标识对应的补货数量后，先存储该补货数量，后续当检测到补货数量输出操作时，输出该补货数量。例如，当计算机设备接收到管理人员触发的补货指令时，输出该补货数量，以便管理人员根据该补货数量，补充相应数量的目标物品。
[0235] 需要说明的是，本申请实施例中的计算机设备可以为终端或服务器，若计算机设备为终端，则计算机设备确定目标物品标识对应的补货数量后，可以直接输出该补货数量。若计算机设备为服务器，则服务器在确定目标物品标识对应的补货数量后，可以发送至目标物品标识对应的终端，即用来补充目标物品的管理人员持有的终端，由该终端输出该补货数量，以便管理人员根据该补货数量，补充相应数量的目标物品。
[0236] 在一种可能实现方式中，终端输出目标物品标识对应的补货数量的方式，包括以下至少一种：
[0237] (1)终端基于显示屏幕展示数量显示界面，该数量显示界面中包括目标物品标识对应的补货数量。
[0238] (2)终端输出目标物品标识对应的补货数量对应的语音提示信息。
[0239] 例如，终端确定苹果1号的补货数量为50千克时，输出语音提示信息“苹果1号的补货数量为，50千克”。
[0240] 本申请实施例提供的补货数量确定方法，获取目标物品标识对应的历史数据记录，获取目标物品标识所属的目标分组对应的转出数量预测模型，将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量，根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量。根据目标物品标识对应的历史数据记录和已训练的转出数量预测模型，即可确定目标物品标识对应的补货数量，简化了管理人员的操作，缩短了确定补货数量的耗时，并且，该确定补货数量的方式是根据物品标识对应的历史数据记录得到的，因此不容易受到人为主观因素的影响，提高了准确度，实现了确定补货数量的智能化。避免了由于补货量过少而导致用户需求难以满足，而导致用户流失的问题，也避免了由于补货量过多而导致物品积压甚至损耗的问题。
[0241] 并且，考虑了前置仓的物品转出情况相较于普通的厂商而言，转出数量更低、历史数据更为稀疏的特点，以分组为单位训练转出数量预测模型的方式，可以将相似度较高的多个物品标识对应的历史数据记录统一进行训练，增加了可利用的信息，避免了由于历史数据记录的稀疏性而导致训练的转出数量预测模型受到数量波动性的影响，提高了转出数量预测模型的准确度，进而提高了补货数量的准确度。
[0242] 并且，在转出数量预测的基础上，加入了历史转出情况的分布情况带来的影响，对转出数量进行折算，进一步提高了补货量的准确度。
[0243] 综上所述，采用本申请实施例提供的方法，能够使得补货量的预测准确率提升5％，整体的售罄率和损耗率均有一定程度下降。
[0244] 并且，由于该方法利用的转出数量预测模型是根据目标分组中多个物品标识对应的历史数据记录训练而成的，因此可以基于该转出数量预测模型预测目标分组中任一物品标识对应的转出数量，扩大了应用范围。
[0245] 图5本申请实施例提供的一种补货数量确定方法的流程图，应用于终端中，如图5所示，该方法包括：
[0246] 501、终端获取多个前置仓内多个物品的属性信息和历史销售记录。
[0247] 502、终端根据该多个物品的属性信息，对该多个物品进行聚类，得到多个分组。
[0248] 503、对于每个分组，终端根据该分组中多个物品的历史销售记录，确定某一天内该多个物品的销售量之和，作为第一样本销售量。
[0249] 504、终端根据该分组中多个物品的历史销售记录，确定这一天之前的多天内该多个物品的历史销售记录，作为第一样本数据记录。
[0250] 505、终端根据该第一样本数据记录和该第一样本销售量，训练该分组对应的销售量预测模型。
[0251] 506、针对每个分组，终端重复执行多次步骤503-505，可以得到该多个分组中每个分组对应的销售量预测模型。
[0252] 507、终端获取目标物品的历史销售记录。
[0253] 508、终端获取目标物品所属的目标分组对应的销售量预测模型。
[0254] 509、终端将目标物品的历史销售记录输入至销售量预测模型中，基于销售量预测模型进行处理，得到下一天内目标物品的预测销售量。
[0255] 510、终端获取在当天的结束时刻，目标物品的当日库存量。
[0256] 511、终端获取该下一天内目标物品的预测销售量和该当日库存量之间的差值，将该差值确定为目标物品的补货数量。
[0257] 512、终端显示目标物品的补货数量，由管理人员根据该补货数量补充相应数量的目标物品。
[0258] 本申请实施例根据获取到的多个物品的历史销售记录，对该多个物品进行划分，得到多个分组，根据每个分组中多个物品的历史销售记录，训练该分组对应的销售量预测模型。对于目标物品，根据该目标物品的历史销售记录、销售量预测模型以及当前时刻目标物品的库存量，确定该目标物品的补货数量，简化了管理人员的操作，缩短了确定补货数量的耗时，并且，该确定补货数量的方式是根据物品的历史销售记录得到的，因此不容易受到人为主观因素的影响，提高了准确度，实现了确定补货数量的智能化。
[0259] 并且，以分组为单位训练销售量预测模型的方式，可以将相似度较高的多个物品的历史销售记录统一进行训练，增加了可利用的信息，避免了由于历史数据记录的稀疏性而导致训练的销售量预测模型受到数量波动性的影响，提高了销售量预测模型的准确度，进而提高了补货数量的准确度。
[0260] 并且，由于该方法利用的销售量预测模型是根据目标分组中多个物品的历史销售记录训练而成的，因此可以基于该销售量预测模型预测目标分组中任一物品标识对应的转出数量，扩大了应用范围。
[0261] 图6是本申请实施例提供的另一种补货数量确定方法的流程图，如图6所示。该方法包括以下流程：
[0262] 1、计算机设备获取到多个前置仓内多个物品标识对应的历史数据记录后，基于聚类模型进行聚类，得到多个分组，每个分组中包括多个物品标识。
[0263] 2、分别基于该多个分组包括的历史数据记录对转出数量预测模型进行训练，得到各个分组对应的转出数量预测模型。
[0264] 3、对于每个分组，基于该分组包括的历史数据记录，创建数量分布模型，获取到根据该数量分布模型确定的折算比例。
[0265] 4、对于任一物品，将该物品的物品标识对应的历史数据记录输入至对应的转出数量预测模型，可以得到预测转出数量，根据该预测转出数量和该物品标识对应的前置仓的折算比例，可以基于补货数量预估模型确定补货数量。
[0266] 图7是本申请实施例提供的一种补货数量确定装置的结构示意图，如图7所示，该装置包括：
[0267] 记录获取模块701，用于获取目标物品标识对应的历史数据记录，历史数据记录至少包括历史转出记录；
[0268] 模型获取模块702，用于获取目标物品标识所属的目标分组对应的转出数量预测模型；
[0269] 处理模块703，用于将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量，第一转出数量为下一周期内目标物品的转出数量；
[0270] 数量确定模块704，用于根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量，第一剩余数量为当前时刻目标物品的剩余数量。
[0271] 本申请实施例提供的补货数量确定装置，获取目标物品标识对应的历史数据记录，获取目标物品标识所属的目标分组对应的转出数量预测模型，将历史数据记录输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量，根据第一剩余数量及第一转出数量，确定目标物品标识对应的补货数量。根据目标物品标识对应的历史数据记录和已训练的转出数量预测模型，即可确定目标物品标识对应的补货数量，简化了管理人员的操作，缩短了确定补货数量的耗时，并且，该确定补货数量的方式是根据物品标识对应的历史数据记录得到的，因此不容易受到人为主观因素的影响，提高了准确度，实现了确定补货数量的智能化。
[0272] 可选地，如图8所示，处理模块703，包括：
[0273] 处理单元7031，用于将历史数据记录和当前时刻输入至转出数量预测模型中，基于转出数量预测模型进行处理，得到第一转出数量和第二转出数量，第二转出数量为当前时刻至当前周期的结束时刻之间的时间段内目标物品的转出数量；
[0274] 数量确定模块704，包括：
[0275] 第一数量确定单元7041，用于将第一剩余数量与第二转出数量之间的差值，确定为第二剩余数量，第二剩余数量为结束时刻目标物品的剩余数量；
[0276] 第一数量确定单元7041，还用于将第一转出数量与第二剩余数量之间的差值，确定为目标物品标识对应的补货数量。
[0277] 可选地，如图8所示，数量确定模块704，包括：
[0278] 比例获取单元7042，用于获取目标物品标识对应的折算比例，折算比例为目标转出数量与预测转出数量之间的比例；
[0279] 第二数量确定单元7043，用于将第一转出数量与折算比例之间的乘积，确定为目标物品标识对应的目标转出数量；
[0280] 第二数量确定单元7043，还用于根据第一剩余数量和目标转出数量，确定目标物品标识对应的补货数量。
[0281] 可选地，如图8所示，比例获取单元7042，还用于根据目标分组在多个历史周期内的转出数量，创建数量分布模型，数量分布模型包括多个转出数量以及多个转出数量的出现次数；
[0282] 比例获取单元7042，还用于显示模型展示界面，模型展示界面中包括数量分布模型；
[0283] 比例获取单元7042，还用于获取在模型展示界面中输入的比例，将比例确定为目标物品标识对应的折算比例。
[0284] 可选地，如图8所示，装置还包括：
[0285] 第一生成模块705，用于根据多个物品标识对应的历史数据记录，生成多个物品标识的特征向量；
[0286] 划分模块706，用于将相似度大于预设阈值的任两个特征向量对应的物品标识划分至同一分组，得到至少一个分组，至少一个分组包括目标分组。
[0287] 可选地，如图8所示，装置还包括：
[0288] 第二生成模块707，用于根据多个物品标识对应的历史数据记录，生成多个物品标识的特征向量；
[0289] 聚类模块708，用于对多个物品标识的特征向量进行聚类，得到多个分组，每个分组包括至少两个物品标识，多个分组包括目标分组。
[0290] 可选地，如图8所示，装置还包括：
[0291] 记录获取模块701，还用于获取目标分组中多个物品标识对应的历史数据记录；
[0292] 第一样本确定模块709，用于根据历史数据记录，确定第一历史周期内多个物品标识对应的转出数量之和，作为第一样本转出数量；
[0293] 记录确定模块710，用于根据历史数据记录，确定第一历史周期之前的其他历史周期内多个物品标识对应的历史数据记录，作为第一样本数据记录；
[0294] 训练模块711，用于根据第一样本数据记录和第一样本转出数量，训练转出数量预测模型。
[0295] 可选地，如图8所示，装置还包括：
[0296] 第二样本确定模块712，用于根据历史数据记录，确定第一历史周期内任一样本时刻至第一历史周期的结束时刻之间的时间段内多个物品标识对应的转出数量之和，作为第二样本转出数量；
[0297] 训练模块711，包括：
[0298] 训练单元7111，用于根据第一样本数据记录、第一样本转出数量、样本时刻和第二样本转出数量，训练转出数量预测模型。
[0299] 图9是本申请实施例提供的一种终端的结构示意图，可以实现上述实施例中计算机设备执行的操作。该终端900可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑、台式电脑、头戴式设备、智能电视、智能音箱、智能遥控器、智能话筒，或其他任意智能终端。终端900还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
[0300] 通常，终端900包括有：处理器901和存储器902。
[0301] 处理器901可以包括一个或多个处理核心，比如4核心处理器、9核心处理器等。存储器902可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的，用于存储至少一个指令，该至少一个指令用于被处理器901所具有以实现本申请中方法实施例提供的补货数量确定方法。
[0302] 在一些实施例中，终端900还可选包括有：外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口903相连。具体地，外围设备包括：射频电路
904、显示屏905和音频电路906中的至少一种。
904、显示屏905和音频电路906中的至少一种。
[0303] 射频电路904用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路904通过电磁信号与通信网络及其他通信设备进行通信。
[0304] 显示屏905用于显示UI(UserInterface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。该显示屏905可以是触摸显示屏，还可以用于提供虚拟按钮和/或虚拟键盘。
[0305] 音频电路906可以包括麦克风和扬声器。麦克风用于采集用户及环境的音频信号，并将音频信号转换为电信号输入至处理器901进行处理，或者输入至射频电路904以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端900的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器901或射频电路904的电信号转换为音频信号。
[0306] 本领域技术人员可以理解，图9中示出的结构并不构成对终端900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0307] 图10是本申请实施例提供的一种服务器的结构示意图，该服务器1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central Processing Units，CPU)1001和一个或一个以上的存储器1002，其中，存储器1002中存储有至少一条指令，至少一条指令由处理器1001加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
[0308] 服务器1000可以用于执行上述补货数量确定方法。
[0309] 本申请实施例还提供了一种计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条程序代码，至少一条程序代码由处理器加载并具有以实现上述实施例的补货数量确定方法。
[0310] 本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条程序代码，至少一条程序代码由处理器加载并具有以实现上述实施例的补货数量确定方法。
[0311] 本申请实施例还提供了一种计算机程序，该计算机程序中存储有至少一条程序代码，该至少一条程序代码由处理器加载并执行，以实现上述实施例的补货数量确定方法。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种双动圈单元一体的喇叭单体 | 2020-05-29 | 1051 |
| 一种电子商务线上服务系统 | 2020-06-07 | 429 |
| 用于风机塔筒的逃生锁 | 2020-06-24 | 602 |
| 一种应用于电子商务领域的快递自提柜 | 2020-06-13 | 999 |
| 补货数量确定方法、装置、计算机设备及存储介质 | 2020-05-13 | 965 |
| 一种旋转式三叶电子秤 | 2020-06-05 | 303 |
| 一种水果生鲜无人值守销售柜 | 2020-05-15 | 282 |
| 一种气动式礼炮发射装置 | 2020-05-14 | 721 |
| 一种用于集体宿舍楼的中水回用结构 | 2020-05-15 | 844 |
| 一种储粮的机械设备 | 2020-07-27 | 188 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
电子商务热门专利
QQ群二维码
意见反馈
意见反馈