智能供应链补货方法、系统、电子设备及存储介质与流程

本公开涉及人工智能领域，更具体地说，涉及一种智能供应链补货方法、系统、电子设备及存储介质。

背景技术：

1、供应链管理的目标之一在于在保持一定现货率的条件下尽量降低库存周转天数，也就是说，既要尽量避免缺货，也要尽量避免库存积压，因此，对于门店而言，如何补货是至关重要的问题。

2、相关技术中存在多种补货策略，例如，传统的rule-based(基于规则)补货法主要包括rq法和ss法，其中，rq法主要在于当库存量小于reorder-point r(订货点r)时，补充quantity q(数量q)的库存，ss法主要在于当库存量小于s时，补货至一特定库存量s。此外，也可预测未来一段时间的货物需求，结合各门店的运送信息，提前判断发生缺货的日期及缺货量，以预测出的货物需求结合运筹学方法来决策出补货量。

3、尽管相关技术中的补货策略是基于一定理论依据而提出的，但由于实际的生产环境复杂多变，缺货或库存积压的现象仍时有发生，影响供应链运营成本和收益。

技术实现思路

1、本公开提供一种智能供应链补货方法、装置、电子设备及存储介质，以至少解决上述相关技术中的问题。

2、根据本公开实施例的第一方面，提供一种智能供应链补货方法，包括：获取与本次补货量相关的多个参数，所述多个参数包括产品在第一历史预设时间段内的真实销量、在第一未来预设时间段内的预测销量、本次补货的预计到货时间、距离本次补货的预计到货时间最近的下一次补货的预计到货时间、当前的现货情况、在当前至本次补货的预计到货时间之间预计到达的补货量，其中，将所述本次补货的预计到货时间、所述距离本次补货的预计到货时间最近的下一次补货的预计到货时间以及所述在当前至本次补货的预计到货时间之间预计到达的补货量的预计到货时间作为一组预计到货时间，通过动态模拟器获得至少一组所述预计到货时间，所述动态模拟器用于对所述产品在当前时间之后的一段时间内的库存状况进行模拟；在每组所述预计到货时间下，基于所述多个参数，通过预先训练好的补货模型分别预测本次补货量，得到至少一个预测的本次补货量，其中，以不同的到货时长序列为基础，通过所述动态模拟器对所述补货模型进行训练，所述到货时长序列包括至少一个到货时长，所述到货时长表示从发货到到货所需的时间；根据所述至少一个预测的本次补货量，确定第一预估补货量；以所述第一预估补货量为基础，确定本次补货决策。

3、可选地，所述以所述第一预估补货量为基础，确定本次补货决策，包括：根据所述产品的当前库存健康状况和针对历史补货决策的评价结果确定补货系数，所述产品的当前库存健康状况是分别在每组所述预计到货时间下，通过所述动态模拟器对所述产品在当前时间之后的一段时间内的库存状况进行模拟而得到的，所述历史补货决策是指在当前时间之前的一段时间内所确定的至少一个补货决策；根据所述补货系数和预估的在当前时间之后的一段时间内的缺货情况，确定第二预估补货量；以所述第一预估补货量和/或所述第二预估补货量为基础，确定本次补货决策。

4、可选地，所述以所述第一预估补货量和/或所述第二预估补货量为基础，确定本次补货决策，包括：将所述第一预估补货量确定为本次补货决策，或，将所述第二预估补货量确定为本次补货决策，或，将所述第一预估补货量和所述第二预估补货量的加权平均值确定为本次补货决策，或，根据所述第一预估补货量、所述第二预估补货量和用于进行异常点抵御的缓冲量确定本次补货决策，其中，所述异常点抵御是指在确定本次补货决策的过程中，检测到所述产品在第二历史预设时间段内的真实销量存在符合异常判定标准的异常波动而采取措施应对可能再次出现的所述异常波动。

5、可选地，所述缓冲量通过下述操作确定：在本次补货决策是针对所述产品的第一次补货决策的情况下，根据所述产品在所述第二历史预设时间段内的真实销量和所述产品的历史异常销量统计值确定所述缓冲量；在本次补货决策不是针对所述产品的第一次补货决策的情况下，根据所述产品在所述第二历史预设时间段内的真实销量、所述产品的历史异常销量统计值和在所述第二历史预设时间段内的异常点抵御的执行效果，确定所述缓冲量。

6、可选地，所述补货模型通过下述操作被预先训练好：获取训练数据集；基于训练数据集，利用预设算法来训练所述补货模型，以得到训练好的所述补货模型，其中，所述预设算法的优化目标是：所述产品在第一预设时长内的现货率和库存周转天数的综合值最小；其中，所述现货率和库存周转天数是以不同的到货时长序列为基础，通过所述动态模拟器以所述产品在所述第一预设时长内的预测销量和真实库存量以及所述补货模型预测的补货量对所述产品在所述第一预设时长内的库存量进行推演而得到的，所述第一预设时长通过所述产品的真实到货时长得到。

7、可选地，所述在第一未来预设时间段内的预测销量是通过预先训练好的至少一个销量预测模型预测得到的，其中，每个所述销量预测模型的类型不同。

8、可选地，所述在第一未来预设时间段内的预测销量是根据所述产品的销量特点，通过所述至少一个销量预测模型中的一个或多个销量预测模型来预测得到的。

9、可选地，每隔预设时间间隔，基于在该预设时间间隔内产生的真实销量数据和真实库存数据，重新训练所述补货模型和所述至少一个销量预测模型，以得到新的训练好的所述补货模型和所述至少一个销量预测模型。

10、根据本公开实施例的第二方面，提供一种智能供应链补货系统，包括：参数获取装置，被配置为：获取与本次补货量相关的多个参数，所述多个参数包括产品在第一历史预设时间段内的真实销量、在第一未来预设时间段内的预测销量、本次补货的预计到货时间、距离本次补货的预计到货时间最近的下一次补货的预计到货时间、当前的现货情况、在当前至本次补货的预计到货时间之间预计到达的补货量，其中，将所述本次补货的预计到货时间、所述距离本次补货的预计到货时间最近的下一次补货的预计到货时间以及所述在当前至本次补货的预计到货时间之间预计到达的补货量的预计到货时间作为一组预计到货时间，通过动态模拟器获得至少一组所述预计到货时间，所述动态模拟器用于对所述产品在当前时间之后的一段时间内的库存状况进行模拟；补货量预测装置，被配置为：在每组所述预计到货时间下，基于所述多个参数，通过预先训练好的补货模型分别预测本次补货量，得到至少一个预测的本次补货量，其中，以不同的到货时长序列为基础，通过所述动态模拟器对所述补货模型进行训练，所述到货时长序列包括至少一个到货时长，所述到货时长表示从发货到到货所需的时间；第一预估补货量确定装置，被配置为：根据所述至少一个预测的本次补货量，确定第一预估补货量；补货决策确定装置，被配置为：以所述第一预估补货量为基础，确定本次补货决策。

11、可选地，所述补货决策确定装置可被配置为根据所述产品的当前库存健康状况和针对历史补货决策的评价结果确定补货系数，所述产品的当前库存健康状况是分别在每组所述预计到货时间下，通过所述动态模拟器对所述产品在当前时间之后的一段时间内的库存状况进行模拟而得到的，所述历史补货决策是指在当前时间之前的一段时间内所确定的至少一个补货决策；根据所述补货系数和预估的在当前时间之后的一段时间内的缺货情况，确定第二预估补货量；以所述第一预估补货量和/或所述第二预估补货量为基础，确定本次补货决策。

12、可选地，所述补货决策确定装置可被配置为将所述第一预估补货量确定为本次补货决策，或，将所述第二预估补货量确定为本次补货决策，或，将所述第一预估补货量和所述第二预估补货量的加权平均值确定为本次补货决策，或，根据所述第一预估补货量、所述第二预估补货量和用于进行异常点抵御的缓冲量确定本次补货决策，其中，所述异常点抵御是指在确定本次补货决策的过程中，检测到所述产品在第二历史预设时间段内的真实销量存在符合异常判定标准的异常波动而采取措施应对可能再次出现的所述异常波动。

13、可选地，所述缓冲量通过下述操作确定：在本次补货决策是针对所述产品的第一次补货决策的情况下，根据所述产品在所述第二历史预设时间段内的真实销量和所述产品的历史异常销量统计值确定所述缓冲量；在本次补货决策不是针对所述产品的第一次补货决策的情况下，根据所述产品在所述第二历史预设时间段内的真实销量、所述产品的历史异常销量统计值和在所述第二历史预设时间段内的异常点抵御的执行效果，确定所述缓冲量。

14、可选地，所述补货模型通过下述操作被预先训练好：获取训练数据集；基于训练数据集，利用预设算法来训练所述补货模型，以得到训练好的所述补货模型，其中，所述预设算法的优化目标是：所述产品在第一预设时长内的现货率和库存周转天数的综合值最小；其中，所述现货率和库存周转天数是以不同的到货时长序列为基础，通过所述动态模拟器以所述产品在所述第一预设时长内的预测销量和真实库存量以及所述补货模型预测的补货量对所述产品在所述第一预设时长内的库存量进行推演而得到的，所述第一预设时长通过所述产品的真实到货时长得到。

15、可选地，所述在第一未来预设时间段内的预测销量是通过预先训练好的至少一个销量预测模型预测得到的，其中，每个所述销量预测模型的类型不同。

16、可选地，所述在第一未来预设时间段内的预测销量是根据所述产品的销量特点，通过所述至少一个销量预测模型中的一个或多个销量预测模型来预测得到的。

17、可选地，所述智能供应链补货系统还包括模型重训练装置，所述模型重训练装置可被配置为每隔预设时间间隔，基于在该预设时间间隔内产生的真实销量数据和真实库存数据，重新训练所述补货模型和所述至少一个销量预测模型，以得到新的训练好的所述补货模型和所述至少一个销量预测模型。

18、根据本公开实施例的第三方面，提供一种电子设备，包括：至少一个处理器；至少一个存储计算机可执行指令的存储器，其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行根据本公开的智能供应链补货方法。

19、根据本公开实施例的第四方面，提供一种存储指令的计算机可读存储介质，当所述指令被至少一个处理器运行时，促使所述至少一个处理器执行根据本公开的智能供应链补货方法。

20、本公开的实施例提供的技术方案至少带来以下有益效果：

21、根据本公开的智能供应链补货方法、装置、电子设备及存储介质，通过动态模拟器获得多组预计到货时间，并在每组预计到货时间下，通过预先训练好的补货模型分别预测本次补货量，以得到预估补货量，由于考虑了产品到货时间的不确定性，并且，该补货模型也是以多个leadtime(产品从发货到到货所需的时间)序列为基础，通过动态模拟器来训练得到的，其本身就具有更好的鲁棒性，因此，通过补货模型得到的预估补货量在实际生产环境中具有很高的鲁棒性，基于该预估补货量而做出的补货决策更符合实际生产环境中的真实需求。

22、此外，通过多个不同类型的销量预测模型分别预测产品在未来一段时间内的销量，并综合多个销量预测模型的预测结果来确定产品的未来销量，可提高销量预测的准确性，进而，基于预测销量而做出的补货决策更符合实际生产环境中的真实需求。

23、此外，根据产品的当前库存健康状况和在历史一段时间内的补货决策的评价结果确定补货系数，以该补货系数指导补货决策的确定，可进一步使补货决策更符合实际生产环境中的真实需求。

24、此外，对当前时间之前一段时间内的真实销量进行异常点检测，将检测结果作为辅助信息，来指导补货决策的确定，可进一步使补货决策更符合实际生产环境中的真实需求。

25、综合上述几个方面，由于补货决策更符合实际生产环境中的真实需求，因此，可降低缺货或库存积压的出现频率，并且，可在满足一定现货率的条件下使库存周转天数更小，从而可在长时间段内最小化供应链运营成本以及最大化收益。

26、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。