[发明专利]物品补货方法、装置、计算机设备及存储介质

说明书

本申请实施例属于人工智能领域，涉及一种物品补货方法，包括获取历史物品在不同阶段的库存数量、需求数量和订单数量，根据库存数量、需求数量和订单数量计算历史状态变量；获取奖励函数和目标约束容量，根据目标约束容量和奖励函数构建基础深度神经网络；基于历史状态变量对基础深度神经网络进行训练，在基础深度神经网络的损失函数收敛时，确定基础深度神经网络训练完成，得到目标深度神经网络；获取目标物品的当前状态变量，根据目标深度神经网络计算得到目标物品在不同补货量下的预测奖励值；选取最大值的预测奖励值对应的补货量为目标补货量。本申请还提供一种物品补货装置、计算机设备及存储介质。本申请实现了对物品补货量的精确预测。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种物品补货方法、装置、计算机设备及存储介质。

背景技术

随着线下零售市场的快速发展，各大线下零售门店通常采取一系列措施吸引顾客到店内，包括促销、生鲜食品等，通过这些引流策略增大店内顾客流量。然而，门店大部分商品主要为常温需求商品，这些商品会受到促销、其它品牌、货品摆放量、自然气候等方面的影响，但大部分商品在没有促销与自然天气的影响下，主要影响因素还是商品货架摆放量。

目前，在实际应用中，物品补货策略的确定主要有两种方式：一种是设置陈列安全库存量，将陈列安全库存量加入补货策略中；另一种是通过市场人群实验方式，通过确定群体购买动机和摆放量关系，为后续补货策略提供参考，上述两种补货策略往往都会存在物品补货量过多或过少的问题。

发明内容

本申请实施例的目的在于提出一种物品补货方法、装置、计算机设备及存储介质，以解决物品补货数量不够精确的技术问题。

为了解决上述技术问题，本申请实施例提供一种物品补货方法，采用了如下所述的技术方案：

获取历史物品在不同阶段的库存数量、需求数量和订单数量，根据所述库存数量、所述需求数量和所述订单数量计算所述历史物品的历史状态变量；

获取预设的奖励函数和目标约束容量，根据所述目标约束容量和所述奖励函数构建基础深度神经网络；

基于所述历史状态变量对所述基础深度神经网络进行训练，在所述基础深度神经网络的损失函数收敛时，确定所述基础深度神经网络训练完成，得到目标深度神经网络；

获取目标物品的当前状态变量，将所述当前状态变量输入至所述目标深度神经网络中，根据所述目标深度神经网络计算得到所述目标物品在不同补货量下的预测奖励值；

选取最大值的所述预测奖励值对应的补货量为所述目标物品的目标补货量。

进一步的，所述获取预设的奖励函数的步骤包括：

获取所述历史物品的最小陈列量、缺货率指标、陈列相对距离以及陈列占比系数；

根据所述最小陈列量、所述缺货率指标、所述陈列相对距离、所述陈列占比系数以及所述库存量，计算得到所述奖励函数。

进一步的，所述获取所述历史物品的最小陈列量的步骤包括：

计算所述历史物品中相邻两组物品的摆放量差值；

在所述摆放量差值小于等于预设摆放阈值时，确定所述摆放量差值对应的子摆放量为所述最小陈列量。

进一步的，所述计算所述历史物品中相邻两组物品的摆放量差值的步骤包括：

获取所述历史物品在不同日期的日摆放量，根据所述日摆放量计算所述历史物品的摆放显著值，并确定所述摆放显著值是否小于预设显著值；

在所述摆放显著值小于所述预设显著值时，获取所述历史物品在同一货架上相邻两组物品的子摆放量，根据所述子摆放量计算所述摆放量差值。