一种库存调整方法、装置、电子设备及计算机可读介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种库存调整方法、装置、电子设备及计算机可读介质。


背景技术：

2.目前，在零售行业，尤其是线上的电商，促销活动很多，每年都会有固定的大型促销。大型促销期间的销量预测使用时间序列，树模型，神经网络等预测方式，往往预测量级并不能达到大型促销级别的量，实际销量高的物品也很难命中。通常的销量预测方法往往难以满足大型促销的销量预测和备货需求，容易造成货品积压，或者备货不足。
3.在实现本技术过程中，发明人发现现有技术中至少存在如下问题：
4.通常的销量预测方法往往难以满足大型促销的销量预测和备货需求，容易造成货品积压，或者备货不足。


技术实现要素：

5.有鉴于此，本技术实施例提供一种库存调整方法、装置、电子设备及计算机可读介质，能够解决现有的。。的问题。
6.为实现上述目的，根据本技术实施例的一个方面，提供了一种库存调整方法，包括：
7.接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征；
8.将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表；
9.确定物品列表中的每一件物品对应的邻近历史物品列表；
10.确定各邻近历史物品列表中各邻近历史物品的历史爆发系数；
11.基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。
12.可选地，生成历史销量数据特征，包括：
13.确定历史销量数据对应的物品；
14.确定各物品的历史价格；
15.基于历史销量数据，确定各物品的历史爆发系数；
16.基于历史价格，生成历史价格特征；
17.根据历史爆发系数、历史销量数据和历史价格特征，确定历史销量数据特征。
18.可选地，确定各物品的历史爆发系数，包括：
19.获取每个物品的历史促销期间销量数据和促销前销量数据；
20.基于历史促销期间销量数据和促销前销量数据，确定历史爆发系数。
21.可选地，预测对应预设销量数据的物品列表，包括：
22.根据历史销量数据对历史销量数据特征进行排序，进而根据排序结果对历史销量数据特征进行分组；
23.对预设分组中的各物品的历史爆发系数进行排序，进而根据排序结果选取预设数量的物品，以生成对应预设销量数据的物品列表。
24.可选地，确定物品列表中的每一件物品对应的邻近历史物品列表，包括：
25.调用邻近算法，计算物品列表中的每一件物品与历史物品的距离；
26.根据距离，选取预设数量个历史物品生成邻近历史物品列表。
27.可选地，确定物品列表中的每一件物品的目标爆发系数，包括：
28.确定物品列表中的每一件物品与对应的邻近历史物品列表中每一件邻近历史物品的距离；
29.根据各邻近历史物品列表中各邻近历史物品的历史爆发系数和各距离，确定物品列表中的每一件物品的目标爆发系数。
30.可选地，根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，包括：
31.获取物品列表中的每一件物品的在促销时间段之前的销量数据均值；
32.根据目标爆发系数和销量数据均值，预测物品列表中的每一件物品在促销时间段的销量数据。
33.可选地，在生成历史销量数据特征之后，方法还包括：
34.将历史销量数据特征存储至分布式文件系统以供调用。
35.另外，本技术还提供了一种库存调整装置，包括：
36.接收单元，被配置成接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征；
37.预测单元，被配置成将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表；
38.邻近历史物品列表确定单元，被配置成确定物品列表中的每一件物品对应的邻近历史物品列表；
39.历史爆发系数确定单元，被配置成确定各邻近历史物品列表中各邻近历史物品的历史爆发系数；
40.库存调整单元，被配置成基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。
41.可选地，接收单元进一步被配置成：
42.确定历史销量数据对应的物品；
43.确定各物品的历史价格；
44.基于历史销量数据，确定各物品的历史爆发系数；
45.基于历史价格，生成历史价格特征；
46.根据历史爆发系数、历史销量数据和历史价格特征，确定历史销量数据特征。
47.可选地，接收单元进一步被配置成：
48.获取每个物品的历史促销期间销量数据和促销前销量数据；
49.基于历史促销期间销量数据和促销前销量数据，确定历史爆发系数。
50.可选地，预测单元进一步被配置成：
51.根据历史销量数据对历史销量数据特征进行排序，进而根据排序结果对历史销量数据特征进行分组；
52.对预设分组中的各物品的历史爆发系数进行排序，进而根据排序结果选取预设数量的物品，以生成对应预设销量数据的物品列表。
53.可选地，邻近历史物品列表确定单元进一步被配置成：
54.调用邻近算法，计算物品列表中的每一件物品与历史物品的距离；
55.根据距离，选取预设数量个历史物品生成邻近历史物品列表。
56.可选地，库存调整单元进一步被配置成：
57.确定物品列表中的每一件物品与对应的邻近历史物品列表中每一件邻近历史物品的距离；
58.根据各邻近历史物品列表中各邻近历史物品的历史爆发系数和各距离，确定物品列表中的每一件物品的目标爆发系数。
59.可选地，库存调整单元进一步被配置成：
60.获取物品列表中的每一件物品的在促销时间段之前的销量数据均值；
61.根据目标爆发系数和销量数据均值，预测物品列表中的每一件物品在促销时间段的销量数据。
62.可选地，库存调整装置还包括存储单元，被配置成：
63.在生成历史销量数据特征之后，将历史销量数据特征存储至分布式文件系统以供调用。
64.另外，本技术还提供了一种库存调整电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的库存调整方法。
65.另外，本技术还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的库存调整方法。
66.上述发明中的一个实施例具有如下优点或有益效果：本技术通过接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征；将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表；确定物品列表中的每一件物品对应的邻近历史物品列表；确定各邻近历史物品列表中各邻近历史物品的历史爆发系数；基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。通过对商品历史销量数据，商品属性等方面通过机器学习方法识别出爆品的最小商品单位(sku)，并通过最邻近算法预测爆品sku的目标爆发系数，通过爆品sku近期销量乘以目标爆发系数给出大型促销期间的销量预测值，可以准确预测大型促销期间的爆品sku以及爆品sku的预测销量，从而及时调整库存，从而避免物品积压或备货不足，避免延误物品送达时效。
67.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加
以说明。
附图说明
68.附图用于更好地理解本技术，不构成对本技术的不当限定。其中：
69.图1是根据本技术第一实施例的库存调整方法的主要流程的示意图；
70.图2是根据本技术第二实施例的库存调整方法的主要流程的示意图；
71.图3是根据本技术第三实施例的库存调整方法的应用场景示意图；
72.图4是根据本技术实施例的库存调整装置的主要单元的示意图；
73.图5是本技术实施例可以应用于其中的示例性系统架构图；
74.图6是适于用来实现本技术实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
75.以下结合附图对本技术的示范性实施例做出说明，其中包括本技术实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
76.图1是根据本技术第一实施例的库存调整方法的主要流程的示意图，如图1所示，库存调整方法包括：
77.步骤s101，接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征。
78.本实施例中，库存调整方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，接收库存调整请求。库存调整请求可以是库存增加或减少的请求。执行主体在接收到库存调整请求后，可以获取历史销量数据。具体地，历史销量数据可以是历史同期销量数据，例如，历史同期大型促销销量数据。执行主体可以首先确定当前时间，并获取历史同期大型促销销量数据。历史同期大型促销销量数据，例如，当前时间是2021年6月，则2020年6月的销量数据、2019年6月的销量数据、2018年6月的销量数据均为历史同期大型促销销量数据。
79.本实施例中，hadoop分布式文件系统(hdfs)是指被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统(distributed file system)。hive是基于hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在hadoop中的大规模数据的机制。sku：最小商品单位。
80.具体地，生成历史销量数据特征，包括：
81.确定历史销量数据对应的物品，即对应的各个sku；确定各物品(对应的各个sku)的历史价格。具体地，执行主体可以将历史销量数据存储至hdfs存储环境，通过hive依次获取以下数据并构建特征。执行主体可以通过hive获取历史销量数据中的每个sku基本属性数据，例如名称、品类、上架时间、价格、规格等。
82.基于历史销量数据，确定各物品的历史爆发系数。具体地，执行主体可以根据获取的历史销量数据中的各品类，获取每个sku的历史同期大型促销销量数据，以及历史同期大
型促销前的销量数据，并基于每个sku的历史同期大型促销销量数据和历史同期大型促销前的销量数据计算每个sku的历史同期大型促销爆发系数。
83.具体地，本实施例中，确定各物品的历史爆发系数，包括：
84.获取每个物品的历史促销期间销量数据和促销前销量数据；基于历史促销期间销量数据和促销前销量数据，确定历史爆发系数。具体地，各物品的历史爆发系数可以是每个sku的历史同期大型促销爆发系数，每个sku的历史同期大型促销爆发系数＝历史同期大型促销销量数据的均值/历史同期大型促销前的销量数据的均值。即每个sku的历史同期大型促销爆发系数(即各物品的历史爆发系数)为历史同期大型促销销量数据的均值与历史同期大型促销前的销量数据的均值的比值。
85.执行主体可以调用卷积神经网络(convolutional neural networks,cnn)，以基于历史价格，提取历史价格特征。
86.执行主体可以根据历史爆发系数、历史销量数据和历史价格特征，确定历史销量数据特征。具体地，历史销量数据还可以包括历史一周，历史1个月，历史2个月，历史同期1个月，历史同期2个月的销量数据。进而执行主体可以确定历史一周，历史1个月，历史2个月，历史同期1个月，历史同期2个月的销量统计特征：均值，最大值，最小值，方差，中位数，回归系数，最大值位置，差分的和，自相关系数，小波系数。执行主体还可以确定近期1天，2天，
……
，7天单日销量与历史1个月销量的中位数的比值。并且，执行主体还可以计算历史销量数据中每个sku的价格与销量的交叉相关性。具体地，执行主体可以首先计算，历史销量数据中每个sku的价格与销量的协方差，然后计算每个sku的销量方差与价格方差的乘积的均方根。然后，可以用上述得到的协方差与均方根的比值来表征价格与销量的交叉相关性。进而，执行主体可以根据得到的历史爆发系数、提取的历史价格特征、销量统计特征以及用于表征价格与销量的交叉相关性的价格与销量的协方差与均方根的比值确定历史销量数据特征。示例的，执行主体可以调用卷积神经网络(convolutional neural networks，cnn)，以基于得到的历史爆发系数、提取的历史价格特征、销量统计特征以及用于表征价格与销量的交叉相关性的价格与销量的协方差与均方根的比值，提取相对应的特征，进而生成历史销量数据特征。
87.具体地，在生成历史销量数据特征之后，方法还包括：
88.将历史销量数据特征存储至分布式文件系统以供调用。具体地，在历史销量数据特征处理加工完毕之后，重新存储到hdfs分布式文件系统中，供预测，训练等模块调用。
89.步骤s102，将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表。
90.对预测模型的的训练过程具体可以是：通过hive从特征数据分布式文件系统中，获取训练数据集，调用预测模型，以基于训练数据集即生成的sku销量数据特征和对应的标签(是爆款sku或不是爆款sku)，采用梯度下降树模型进行预测模型的训练，并将训练好的模预测型存储于hdfs路径下。其中，预测模型的损失函数采用混合均方误差mse(mean square error)。预测模型的预测值会随着模型训练(树的增加)逐渐接近真实值，同时通过测试集的数据监督模型拟合情况，预测模型在不断迭代过程中不断接近真实值且测试集上预测效果也没有变差，则可继续训练，当测试集数据预测效果不再变好则说明可以停止训练，预测模型训练完成。
91.在训练好的模型中输入预测数据(预测数据集与训练数据集数据结构一致，是模型所能获取的最新数据，即从昨天到历史n天的数据)，可以得出预测的销量。
92.具体地，预测对应预设销量数据的物品列表，包括：
93.在预测模型中，根据历史销量数据对历史销量数据特征进行排序，进而根据排序结果对历史销量数据特征进行分组。具体地，根据历史销量数据对应的每个sku的销量对历史销量数据特征进行排序，并基于排序对历史销量数据对应的sku进行分组。示例的，执行主体可以将排序的前20％的销量对应的sku分为一个组，例如可以为a组。将20％
‑
40％的销量对应的sku分为一个组，例如可以为b组，以此类推。具体可以包括abcd四个分组，也就是这四个分组包括了销量靠前的80％的sku。
94.对预设分组中的各物品的历史爆发系数进行排序，进而根据排序结果选取预设数量的物品，以生成对应预设销量数据的物品列表。示例的，执行主体可以对预设分组例如abcd四个分组中的各物品的历史爆发系数进行排序，例如对每个sku的历史爆发系数进行排序，选取排名前n(即预设数量)的历史爆发系数对应的sku(即物品)，则排名前n的sku即为近期大型促销的爆款物品即预设销量数据的物品(也即销量数据大于预设值的物品)，进而根据n个确定出来的预设销量数据的物品生成预设销量数据的物品列表。
95.步骤s103，确定物品列表中的每一件物品对应的邻近历史物品列表。
96.本实施例中，首先，执行主体可以获取当前日期之前的历史排名前n的爆款sku的相应特征。并调用k最近邻(knn，k
‑
nearestneighbor)分类算法，以根据物品列表中的每一件物品(sku)对应的销量数据特征与当前日期之前的历史排名前n的爆款sku的相应特征来计算得到物品列表中的每一件物品对应的预设数量个邻近历史物品，进而生成对应各爆款sku(即销量数据大于预设值的物品)的各邻近历史物品列表。
97.具体地，确定物品列表中的每一件物品对应的邻近历史物品列表，包括：
98.调用邻近算法，计算物品列表中的每一件物品与历史物品的距离。示例的，通过knn算法选取每个预测的爆款sku的5个最邻近历史top sku。其中距离公式为：
[0099][0100]
其中，x
1n
表示第1个sku的第n个特征，ρ
1,2
表示第1个和第2个sku的距离。
[0101]
然后，执行主体可以根据各邻近历史物品列表中各邻近历史物品的历史爆发系数，例如r1～rj和各距离ρ
i,1
～ρ
i,j
进行目标爆发系数的加权预测，对于物品列表(本技术中，即爆品sku列表)第i个sku，目标爆发系数ri＝(r1*ρ
i,1
r2*ρ
i,2
r3*ρ
i,3

…
rj*ρ
i,j
)。ρ
i,j
表示物品列表中的第i个sku和各邻近历史物品列表中的第j个sku的距离。rj是第j个sku的爆发系数。
[0102]
根据距离，选取预设数量个历史物品生成邻近历史物品列表。执行主体可以根据计算得到的距离，选取预设数量个(比如5个)小于预设阈值的距离对应的历史物品。并根据选中的历史物品生成邻近历史物品列表。
[0103]
步骤s104，确定各邻近历史物品列表中各邻近历史物品的历史爆发系数。
[0104]
执行主体可以通过hive从特征数据分布式文件系统中获取预先存储的各邻近历史物品列表中各邻近历史物品的历史爆发系数。
[0105]
步骤s105，基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，
进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。
[0106]
具体地，根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，包括：
[0107]
获取物品列表中的每一件物品的在促销时间段之前的销量数据均值。具体可以是获取物品列表中的每一件物品在促销时间段，例如2021年6月之前的，例如近期1～2个月的销量数据的均值，示例的可以是获取2021年4～5月的销量数据均值。当然，也可以获取近期1～q月的销量数据均值，本技术对q的具体数值不做限定，可根据实际需要自由调整。
[0108]
根据目标爆发系数和销量数据均值，预测物品列表中的每一件物品在促销时间段的销量数据。
[0109]
具体地，执行主体可以用目标爆发系数乘以获取的在促销时间段之前的销量数据均值，来得到大型促销期间的预测销量，即得到物品列表中的每一件物品在促销时间端的销量数据。并且，执行主体可以存储该目标爆发系数和预测的预测物品列表中的每一件物品在促销时间段的销量数据，以供下游补货装置调用。可以将预测的销量数据存储至hive表中，为补货装置提供数据接口。补货装置，可以是通过hive接口，获取大型促销期间的销量预测数据，根据销量预测数据，来确定供应商送货提前期限，常规库存周转目标值，现有库存，进行备货。备货量计算方式，补货量＝常规目标周转库存 大型促销期间的销量预测数据
‑
现有库存。常规目标周转库存即平时的正常库存。
[0110]
本实施例通过接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征；将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表；确定物品列表中的每一件物品对应的邻近历史物品列表；确定各邻近历史物品列表中各邻近历史物品的历史爆发系数；基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。通过对商品历史销量数据，商品属性等方面通过机器学习方法识别出爆品的最小商品单位(sku)，并通过最邻近算法预测爆品sku的目标爆发系数，通过爆品sku近期销量乘以目标爆发系数给出大型促销期间的销量预测值，可以准确预测大型促销期间的爆品sku以及爆品sku的预测销量，从而及时调整库存，从而避免物品积压或备货不足，避免延误物品送达时效。
[0111]
图2是根据本技术第二实施例的库存调整方法的主要流程示意图，如图2所示，库存调整方法包括：
[0112]
步骤s201，接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征。
[0113]
步骤s202，将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表。
[0114]
步骤s203，确定物品列表中的每一件物品对应的邻近历史物品列表。
[0115]
步骤s204，确定各邻近历史物品列表中各邻近历史物品的历史爆发系数。
[0116]
步骤s205，基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销
量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。
[0117]
步骤s201～步骤s205的原理与步骤s101～步骤s105的原理类似，此处不再赘述。
[0118]
具体地，步骤s205中的“确定所述物品列表中的每一件物品的目标爆发系数”还可以通过步骤s2051～步骤s2052来实现：
[0119]
步骤s2051，确定物品列表中的每一件物品与对应的邻近历史物品列表中每一件邻近历史物品的距离。具体地，执行主体可以计算爆款sku列表中的每一款sku与对应的n个邻近历史爆款sku列表中的每个邻近历史爆款sku的距离。
[0120]
示例的，距离具体可以通过下式计算：
[0121][0122]
其中，本实施例中，x
1n
可以表示物品列表中的一个sku的第n个特征，x
2n
可以表示对应的邻近历史物品列表中的一个sku的第n个特征，ρ
1,2
可以表示物品列表中的一件物品(即x1)和对应的邻近历史物品列表中的一件邻近历史物品(即x2)的距离。通过该式可以分别计算出物品列表中的每一件物品与对应的邻近历史物品列表中每一件邻近历史物品的距离。
[0123]
步骤s2052，根据各邻近历史物品列表中各邻近历史物品的历史爆发系数和各距离，确定物品列表中的每一件物品的目标爆发系数。
[0124]
然后，执行主体可以根据各邻近历史物品列表中各邻近历史物品的历史爆发系数，例如r1～rj和各距离ρ
i,1
～ρ
i,j
进行目标爆发系数的加权预测，对于物品列表(本技术中，即爆品sku列表)第i个sku，目标爆发系数ri＝(r1*ρ
i,1
r2*ρ
i,2
r3*ρ
i,3

…
rj*ρ
i,j
)/(ρ
i,1
ρ
i,2
ρ
i,3

…
ρ
i,j
)。即目标爆发系数是r1*ρ
i,1
r2*ρ
i,2
r3*ρ
i,3

…
rj*ρi,j与ρ
i,1
ρ
i,2
ρ
i,3

…
ρ
i,j
的比值。ρ
i,j
表示物品列表中的第i个sku和各邻近历史物品列表中的第j个sku的距离。rj是第j个sku的爆发系数，可以直接获取或者通过ρ
j
‑
1,j
的计算得到。
[0125]
本实施例通过加权预测的方式，根据各邻近历史物品列表中各邻近历史物品的历史爆发系数和各距离来预测物品列表中的每一件物品的目标爆发系数，可以使得预测得到的目标爆发系数更准确，从而可以更准确地调整库存。
[0126]
图3是根据本技术第三实施例的库存调整方法的应用场景示意图。本技术实施例的库存调整方法，可以应用于大型促销期间，对销售爆品的销量预测及库存调整的场景。如图3所示，服务器303接收库存调整请求301，获取历史销量数据302，基于历史销量数据302，生成历史销量数据特征304；将历史销量数据特征304输入预测模型305，以预测对应预设销量数据的物品列表306(可以包括物品1、物品2、
…
、物品n)。服务器303确定物品列表中的每一件物品对应的邻近历史物品列表307(可以包括邻近历史物品1、邻近历史物品2、
…
、邻近历史物品n)、308(可以包括邻近历史物品a、邻近历史物品b、
…
、邻近历史物品m)、309(可以包括邻近历史物品a、邻近历史物品b、
…
、邻近历史物品n)。服务器303确定各邻近历史物品列表307、308、309中各邻近历史物品的历史爆发系数310(可以包括历史爆发系数1、历史爆发系数2、
…
、历史爆发系数n)、311(可以包括历史爆发系数a、历史爆发系数b、
…
、历史爆发系数m)、312(可以包括历史爆发系数a、历史爆发系数b、
…
、历史爆发系数n)。服务器303基于各历史爆发系数310、311、312，确定物品列表(可以包括物品1、物品2、
…
、物品n)中的每一件物品的目标爆发系数(可以包括目标爆发系数1、目标爆发系数2、
…
、目标爆发系数n)，
进而根据各目标爆发系数(可以包括目标爆发系数1、目标爆发系数2、
…
、目标爆发系数n)预测物品列表306中的每一件物品(可以包括物品1、物品2、
…
、物品n)在预设时间的销量数据(例如，销量数据1、销量数据2、
…
、销量数据n)，进而将销量数据(例如，销量数据1、销量数据2、
…
、销量数据n)发送至下游系统313，以使下游系统313基于销量数据(例如，销量数据1、销量数据2、
…
、销量数据n)调整预设时间对应的库存。
[0127]
本技术实施例通过将销量预测由常规的参数估计下的回归预测，设计成非参数估计预测方法，规避了由于大促期间销量远高于平时销量，模型难以学习的问题，通过预测爆品sku，再对爆品sku通过knn方法选取最相似的sku，进而给出爆发系数，进行销量预测。
[0128]
图4是根据本技术实施例的库存调整装置的主要单元的示意图。如图4所示，库存调整装置包括接收单元401、预测单元402、邻近历史物品列表确定单元403、历史爆发系数确定单元404和库存调整单元405。
[0129]
接收单元401，被配置成接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征；
[0130]
预测单元402，被配置成将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表；
[0131]
邻近历史物品列表确定单元403，被配置成确定物品列表中的每一件物品对应的邻近历史物品列表；
[0132]
历史爆发系数确定单元404，被配置成确定各邻近历史物品列表中各邻近历史物品的历史爆发系数；
[0133]
库存调整单元405，被配置成基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。
[0134]
在一些实施例中，接收单元401进一步被配置成：确定历史销量数据对应的物品；确定各物品的历史价格；基于历史销量数据，确定各物品的历史爆发系数；基于历史价格，生成历史价格特征；根据历史爆发系数、历史销量数据和历史价格特征，确定历史销量数据特征。
[0135]
在一些实施例中，接收单元401进一步被配置成：获取每个物品的历史促销期间销量数据和促销前销量数据；基于历史促销期间销量数据和促销前销量数据，确定历史爆发系数。
[0136]
在一些实施例中，预测单元402进一步被配置成：根据历史销量数据对历史销量数据特征进行排序，进而根据排序结果对历史销量数据特征进行分组；对预设分组中的各物品的历史爆发系数进行排序，进而根据排序结果选取预设数量的物品，以生成对应预设销量数据的物品列表。
[0137]
在一些实施例中，邻近历史物品列表确定单元403进一步被配置成：调用邻近算法，计算物品列表中的每一件物品与历史物品的距离；根据距离，选取预设数量个历史物品生成邻近历史物品列表。
[0138]
在一些实施例中，库存调整单元405进一步被配置成：确定物品列表中的每一件物品与对应的邻近历史物品列表中每一件邻近历史物品的距离；根据各邻近历史物品列表中
各邻近历史物品的历史爆发系数和各距离，确定物品列表中的每一件物品的目标爆发系数。
[0139]
在一些实施例中，库存调整单元405进一步被配置成：获取物品列表中的每一件物品的在促销时间段之前的销量数据均值；根据目标爆发系数和销量数据均值，预测物品列表中的每一件物品在促销时间段的销量数据。
[0140]
在一些实施例中，库存调整装置还包括图4中未示出的存储单元，被配置成：在生成历史销量数据特征之后，将历史销量数据特征存储至分布式文件系统以供调用。
[0141]
需要说明的是，在本技术库存调整方法和库存调整装置在具体实施内容上具有相应关系，故重复内容不再说明。
[0142]
图5示出了可以应用本技术实施例的库存调整方法或库存调整装置的示例性系统架构500。
[0143]
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0144]
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
[0145]
终端设备501、502、503可以是具有库存调整处理屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0146]
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所提交的库存调整请求提供支持的后台管理服务器(仅为示例)。后台管理服务器可以接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征；将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表；确定物品列表中的每一件物品对应的邻近历史物品列表；确定各邻近历史物品列表中各邻近历史物品的历史爆发系数；基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。通过对商品历史销量数据，商品属性等方面通过机器学习方法识别出爆品的最小商品单位(sku)，并通过最邻近算法预测爆品sku的目标爆发系数，通过爆品sku近期销量乘以目标爆发系数给出大型促销期间的销量预测值，可以准确预测大型促销期间的爆品sku以及爆品sku的预测销量，从而及时调整库存，从而避免物品积压或备货不足，避免延误物品送达时效。
[0147]
需要说明的是，本技术实施例所提供的库存调整方法一般由服务器505执行，相应地，库存调整装置一般设置于服务器505中。
[0148]
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0149]
下面参考图6，其示出了适于用来实现本技术实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0150]
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读
存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有计算机系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0151]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶征信授权查询处理器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0152]
特别地，根据本技术公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本技术的系统中限定的上述功能。
[0153]
需要说明的是，本技术所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0154]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组
合来实现。
[0155]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、预测单元、邻近历史物品列表确定单元、历史爆发系数确定单元和库存调整单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0156]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备接收库存调整请求，获取历史销量数据，基于历史销量数据，生成历史销量数据特征；将历史销量数据特征输入预测模型，以预测对应预设销量数据的物品列表；确定物品列表中的每一件物品对应的邻近历史物品列表；确定各邻近历史物品列表中各邻近历史物品的历史爆发系数；基于各历史爆发系数，确定物品列表中的每一件物品的目标爆发系数，进而根据各目标爆发系数预测物品列表中的每一件物品在预设时间的销量数据，进而将销量数据发送至下游系统，以使下游系统基于销量数据调整预设时间对应的库存。
[0157]
根据本技术实施例的技术方案，通过对商品历史销量数据，商品属性等方面通过机器学习方法识别出爆品的最小商品单位(sku)，并通过最邻近算法预测爆品sku的目标爆发系数，通过爆品sku近期销量乘以目标爆发系数给出大型促销期间的销量预测值，可以准确预测大型促销期间的爆品sku以及爆品sku的预测销量，从而及时调整库存，从而避免物品积压或备货不足，避免延误物品送达时效。
[0158]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。