[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

说明书

本发明公开了一种基于端对端学习的智能补货方法，所述方法包括以下步骤：S1、获取数学模型所需的数据；S2、根据所获数据，生成与所述销售量相关的销售特征；S3、通过销量预测的特征为原始输入值；根据运营总成本建立数学模型；且以运营总成本作为损失函数；从而求解直接输出建议补货量，不同于缩减人工预处理和后续处理，直接从原始输入到最终输出，通过销量预测的特征为原始输入值，直接输出补货后的结果，实现了端对端的算法学习，从而提高了算法效率，扩大了优化空间；本发明提供还提供一种存储介质。本发明提供还提供一种智能补货系统。本发明提供还提供一种智能补货装置。

【技术领域】

本发明涉及数据预测领域，具体是一种基于端对端学习的智能补货方法、存储介质、系统及装置。

【背景技术】

预测是运营过程中的重要部分，通过研究过去、了解现在、预测未来，从而实现利益的最大化。

补货预测就是其中的一种，通过补测来作出合理的安排；与补货相关定量预测的技术中，通过智能预测销售量的方式来对商品进行进货和补货，但是现有的智能补货方式分为两个模块来实行，一般为销量预测和补货决策，销量预测和补货决策是两个贯序的独立模块，销量预测结果输入到补货模块中，优化得到建议补货量，作为最终模型输出。即先通过提取历史销量的特征来进行一个销量预测，通过销量预测的结果再进行补货决策；并且以此为依据对商品的库存进行补货。

但是，此类方式中存在以下一些问题：

1，两个模块的优化目标不一样：销量预测以最小化均方误差作为目标，补货以业务指标作为目标，比如：利润最大化或成本最小化；由于预测目标与最终决策目标不一致，导致预测给出的结果并不一定能得到补货的最优值，忽略了潜在可优化的空间，销量预测的结果误差也可能导致补货的不准确。

2，由于数据缺乏等原因导致的销量预测准确性不够，影响对最优建议补货量的决策。

【发明内容】

为克服现有技术存在的问题，本发明提供一种基于端对端学习的智能补货方法。

所述方法包括以下步骤：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^*。

优选地，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。

优选地，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。

优选地，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。