[发明专利]基于自贩机的货道量推荐方法、装置、设备及存储介质

权利要求书

1.一种基于自贩机的货道量推荐方法，其特征在于，包括以下步骤：

按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；

获取当前自贩机的状态数据；

对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；

对所述补货特征集进行数据挖掘，建立货道量预测模型；

获取当前自贩机在上一日的交易记录与补货记录；

根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；

根据所述补货记录计算当前自贩机的补货时间间隔；

根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：根据所述补货记录，获取上一日的最后一次补货时间；根据所述补货时间间隔与所述最后一次补货时间，计算下一补货时间；判断所述下一补货时间是否在当前日期内；当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量。

2.根据权利要求1所述的基于自贩机的货道量推荐方法，其特征在于，所述状态数据包括：当前自贩机的场景数据、营销数据、各物品的历史交易记录、各物品在当前自贩机上占用的货道总量和物品总量。

3.根据权利要求1所述的基于自贩机的货道量推荐方法，其特征在于，所述对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集，具体包括：

通过Sqoop工具将获取的所述物品余量、所述补货时间以及所述状态数据转移到数据进行数据抽取与清洗，获得补货特征集；

根据预设的数据仓库模型，将所述补货特征集加载到数据仓库。

4.根据权利要求1所述的基于自贩机的货道量推荐方法，其特征在于，所述对所述补货特征集进行数据挖掘，建立货道量预测模型，具体包括：

在Spark框架下对数据仓库中存储的补货特征集进行分布式并行计算，建立货道量预测模型。

5.根据权利要求1所述的基于自贩机的货道量推荐方法，其特征在于，所述当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：

获取所述下一补货时间对应的预设场景数据以及预设营销数据；

将所述上一日销量、所述下一补货时间对应的预测天气数据、预设场景数据以及预设营销数据作为所述货道量预测模型的输入值，获得当前自贩机内每条货道中物品的所需物品总量。

6.根据权利要求2所述的基于自贩机的货道量推荐方法，其特征在于，所述场景数据包括当前自贩机的场所属性、日期属性、天气数据以及节日活动属性；所述营销数据包括当前自贩机内各物品的价格折扣属性。

7.一种基于自贩机的货道量推荐装置，其特征在于，包括：

货道数据获取模块，用于按照预设的时间间隔获取当前自贩机内每条货道的物品余量以及补货时间；

状态数据获取模块，用于获取当前自贩机的状态数据；

数据抽取模块，用于对所述物品余量、所述补货时间以及所述状态数据进行数据抽取，获得补货特征集；

数据挖掘模块，用于对所述补货特征集进行数据挖掘，建立货道量预测模型；

交易记录获取模块，用于获取当前自贩机在上一日的交易记录与补货记录；

销量计算模块，用于根据所述交易记录计算当前自贩机内每条货道中物品的上一日销量；

补货时间间隔计算模块，用于根据所述补货记录计算当前自贩机的补货时间间隔；

货道量预测模块，用于根据所述货道量预测模型、所述上一日销量以及所述补货时间间隔，计算当前自贩机内每条货道中物品的所需物品总量，具体包括：根据所述补货记录，获取上一日的最后一次补货时间；根据所述补货时间间隔与所述最后一次补货时间，计算下一补货时间；判断所述下一补货时间是否在当前日期内；当所述下一补货时间在当前日期内时，根据所述上一日销量以及所述货道量预测模型，计算当前自贩机内每条货道中物品的所需物品总量。