[发明专利]基于端对端学习的智能补货方法、存储介质、系统及装置

权利要求书

1.一种基于端对端学习的智能补货方法，其特征在于：所述基于端对端学习的补货方法包括以下步骤：

步骤S1：获取销量特征模型x、真实销售模型y、建议补货前库存s、建议补货量z；

步骤S2，提供一待计算的建议补货量z与总运营成本，建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式；

步骤S3，真实销量模型y中包括多个离散分布的真实销量需求d₁,…,d_k，每一个d都是基于销量特征模型x条件概率p_θ下获得，其中θ为特征系数，以总运营成本作为损失函数，并将步骤S2中所述函数关系式代入所述损失函数展开，得到以建议补货量z和特征系数θ为变量的目标函数；及

步骤S4，优化目标函数，运算获得最优建议补货量z^*。

2.如权利要求1中所述基于端对端学习的补货方法，其特征在于：所述步骤S2中，提供一待计算的建议补货量z与总运营成本，建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式，具体包括以下步骤：

步骤S201：所述总运营成本包括订购成本、库存成本及缺货成本；

步骤S202：当补货量z大于真实销售模型y时，将其做差值得到库存量，当补货量z小于真实销售模型y时，将其做差值得到缺货量；

步骤S203：获取订购成本、库存成本及缺货成本和建议补货量、库存量、缺货量之间的关系系数；

步骤S204：根据系数建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式。

3.如权利要求1中所述基于端对端学习的补货方法，其特征在于：所述步骤S3中，优化目标函数，运算获得最优建议补货量z，具体包括以下步骤：

步骤S301、真实销量需求d₁,…,d_k的集合构成真实销量分布D，从真实销量D分布中随机取样本数据，作为输入值；及

步骤S302、以总运营成本作为损失函数，并将步骤S2中所述函数关系式代入所述损失函数展开得到目标函数。

4.如权利要求1中所述基于端对端学习的补货方法，其特征在于：在上述步骤S1中进一步包括：步骤S101：获取所述历史销量数据，生成与所述历史销量数据相关的销售特征模型x。

5.如权利要求4所述基于端对端学习的智能补货方法，其特征在于：所述步骤S101中，具体包括以下步骤：

步骤S1011、确定所述历史销量数据中是否有缺失和/或异常；

步骤S1012、通过预设的第一数值对缺失的数据进行填充处理，通过预设的第二数值对异常的数据进行替换处理；及

步骤S1013、统计处理后的所述历史销售数据中所述商品的销售量，得到所述销售特征模型x。

6.如权利要求3所述的基于端对端学习的智能补货系统，其特征在于：所述步骤S4中包括以下步骤：

步骤S401、将所述样本数据代入所述目标函数中，以补货后库存z作为输出，根据梯度下降公式不断更新损失函数和特征系数；及

步骤S402、重复步骤S301和步骤S302，不断从真实销量分布中取样，直到损失函数输出最小值，此时即为最优建议补货量z^*。

7.如权利要求1所述的基于端对端学习的智能补货系统，其特征在于：进一步包括步骤S5：获取建议补货前库存s，将所述步骤S4获得的所述最优建议补货量z*和获取建议补货前库存s相加，以得到最优建议补货后库存r*。

8.一种计算机可读介质，其特征在于，所述计算机可读介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1-7中任一项中所述的基于端对端学习的智能补货方法。