[发明专利]实现连锁商家智能补货的方法及系统

说明书

提供了一种实现连锁商家智能补货的方法及系统。所述方法包括：获取训练数据集；基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型，以得到训练好的所述机器学习模型，其中，所述强化学习算法的优化目标是：第一预设时长内各次补货的补货总代价的累积值最小，其中，每次补货的补货总代价包括：该次补货的分店的补货代价和该次未补货的分店的未补货代价。根据所述方法及系统，能够得到实现连锁商家智能补货的机器学习模型，且通过该机器学习模型得到的补货方案能够使补货总成本最低。

技术领域

本发明总体说来涉及人工智能领域，更具体地讲，涉及一种实现连锁商家智能补货的方法及系统。

背景技术

连锁商家的货品通常统一储备，每隔固定时间会派遣配送车辆从货仓出发依次经过所有需要补货的分店来为这些分店补货。目前，虽然可以预测商家的每类货品在未来的销售量，但仍然需要相关人员根据经验来确定每次补货时各个分店的补货量。

发明内容

本发明的示例性实施例在于提供一种实现连锁商家智能补货的方法及系统，其能够得到用于预测连锁商家的各个分店每次需要的补货量的机器学习模型，从而实现连锁商家智能补货，无需人工估计补货量。

根据本发明的示例性实施例，提供一种实现连锁商家智能补货的方法，其中，所述方法包括：获取训练数据集；基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型，以得到训练好的所述机器学习模型，其中，所述强化学习算法的优化目标是：第一预设时长内各次补货的补货总代价的累积值最小，其中，每次补货的补货总代价包括：该次补货的分店的补货代价和该次未补货的分店的未补货代价。

可选地，所述方法还包括：获取连锁商家的各个分店的当前库存量及预测的未来第二预设时长内的销售量；将获取的当前库存量及预测销售量输入到训练好的所述机器学习模型，以得到各个分店本次需要的补货量，其中，每次补货时由至少一辆运输工具统一为各个分店配送。

可选地，补货代价基于以下项之中的至少一项计算得到：配送运输代价、存货代价、以及供不应求导致的空置代价；未补货代价基于空置代价计算得到。

可选地，每次补货的补货总代价基于以下项之中的至少一项计算得到：各个分店该次补货的补货量、该次补货的配送路线、该次补货之前各个分店的库存量、以及该次补货之后各个分店未来第二预设时长内的销售量。

可选地，所述训练数据集包括：历史真实数据和/或构造数据，其中，所述构造数据包括：在第一预设范围内随机生成的库存量和在第二预设范围内随机生成的销售量。

可选地，所述方法还包括：根据各个分店本次需要的补货量，确定本次补货的配送路线。

可选地，根据各个分店本次需要的补货量确定本次补货的配送路线的步骤包括：获取能够经过所有需要补货的分店且使得运输路程最短的路线作为本次补货的配送路线；或者从最优配送路线中去掉本次不需要补货的分店，以得到本次补货的配送路线，其中，所述最优配送路线是经过连锁商家的所有分店且使得运输路径最短的路线。

可选地，获取能够经过所有需要补货的分店且使得运输路程最短的路线的步骤包括：使用遗传算法获取能够经过所有需要补货的分店且使得运输路程最短的路线；其中，所述最优配送路线通过使用遗传算法预先得到。

根据本发明的另一示例性实施例，提供一种实现连锁商家智能补货的系统，其中，所述系统包括：训练数据获取装置，适于获取训练数据集；训练装置，适于基于训练数据集，利用强化学习算法来训练用于预测连锁商家的各个分店本次需要的补货量的机器学习模型，以得到训练好的所述机器学习模型，其中，所述强化学习算法的优化目标是：第一预设时长内各次补货的补货总代价的累积值最小，其中，每次补货的补货总代价包括：该次补货的分店的补货代价和该次未补货的分店的未补货代价。