[发明专利]补货方法及装置、电子设备、存储介质

说明书

本公开提供一种补货方法及装置、电子设备、存储介质；涉及大数据技术领域。所述方法包括：获取并根据目标物品在多个不同提前期的历史实际交易数据以及历史预测数据，确定目标物品在多个不同提前期的历史预测偏差；基于多个不同提前期的历史预测偏差，分别建立非参数模型和参数模型；对非参数模型和参数模型进行集成，得到集成模型；根据集成模型，确定目标物品在目标未来日期的交易波动数据，并将交易波动数据发送至补货系统，以使补货系统根据交易波动数据确定补货量。本公开可以提高补货的准确性。

技术领域

本公开涉及大数据技术领域，具体而言，涉及一种补货方法、补货装置、电子设备以及计算机可读存储介质。

背景技术

在信息技术飞速发展的情况下，零售企业供应链构建逐渐智能化。在补货环节，依托海量交易数据，结合营销信息、库存成本、运输成本等多重因素，训练出可自动给出最优期望下单量的智能补货模型，可大量节约人力成本，并提高下单准确性，是当前零售企业智能化供应链构建的重要部分。

其中，补货模型包含两个关键性输入：对未来交易的均值预测以及波动性预测，波动性预测也可以称为标准差预测。现有研究大多集中在均值预测上，并且预测的准确性较高。但是对波动性预测的方法较少，并且预测的准确性较低，最终导致补货的准确性较低。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种补货方法及装置、电子设备以及计算机可读存储介质，进而在一定程度上克服由于相关技术的限制和缺陷而导致的补货准确性较低的问题。

根据本公开的第一方面，提供一种补货方法，包括：

获取并根据目标物品在多个不同提前期的历史实际交易数据以及历史预测数据，确定所述目标物品在所述多个不同提前期的历史预测偏差；

基于所述多个不同提前期的历史预测偏差，分别建立非参数模型和参数模型；

对所述非参数模型和所述参数模型进行集成，得到集成模型；

根据所述集成模型，确定所述目标物品在目标未来日期的交易波动数据，并将所述交易波动数据发送至补货系统，以使所述补货系统根据所述交易波动数据确定补货量。

可选的，基于所述多个不同提前期的历史预测偏差，建立非参数模型，包括：

基于所述多个不同提前期的历史预测偏差，通过核密度估计建立非参数模型。

可选的，所述基于所述多个不同提前期的历史预测偏差，通过核密度估计建立非参数模型，包括：

根据影响交易数据的因素，对所述多个不同提前期的历史预测偏差进行划分，并确定单个因素对应的分组的历史预测偏差的局部概率分布；

基于单个分组对应的历史预测偏差的局部概率分布，确定该分组对应的整体偏差分布，并将各分组对应的整体偏差分布作为非参数模型。

可选的，基于所述多个不同提前期的历史预测偏差，建立参数模型，包括：

根据广义自回归条件异方差模型以及影响交易数据的因素，建立门限广义自回归条件异方差模型，其中，所述门限广义自回归条件异方差模型中的门限变量根据所述影响交易数据的因素确定；

基于所述多个不同提前期的历史预测偏差，通过最大似然估计方法对所述门限广义自回归条件异方差模型中的参数进行求解，并将求解后的门限广义自回归条件异方差模型作为参数模型。

可选的，所述门限广义自回归条件异方差模型具体为：