基于酒品购销信息的仓储管理优化方法、系统及存储介质与流程

1.本发明涉及酒品仓储管理技术领域，更具体的，涉及一种基于酒品购销信息的仓储管理优化方法、系统及存储介质。


背景技术：

2.随着生活水平的提高，酒类市场逐步复苏，酒类企业市场化竞争日趋加剧，营销方式也日益创新，在酒类企业营销过程中酒品的存放及营销管理对资源配置具有重要意义。近几年酒类产能快速增长，但传统的物流模式下，收、发货速度都远远低于产品生产速度。传统物流模式与生产能力逐渐不匹配，需要提升效率。
3.酒类的销售主要依赖于传统经销商的销售模式，这种模式的缺点在于酒类厂家对经销商的依赖程度非常高，对于终端消费者的管控和粘性管理不强。普通的线下销售模式局限于空间和时间限制，无法随时随地完成销售；目前来说，在线酒类销售比较常用的是普通电商，而电商所涉及的一些酒品仓库缺乏合理规划，各个运行环节上的操作水平相对较低，导致部分酒品仓库存在仓库面积利用率低、功能区布置混乱的情况，由此大大阻碍了酒品货物分拣以及车辆配送的效率。因此，对酒品仓库进行合理的布局规划，并优化酒品仓库的配送环节是提高企业运行效率，降低酒品仓库物流成本的一个重要途径而如何对酒品提供个性化的仓储管理方案，实现对仓储位置按环境数据及营销数据进行智能的精细化分区是需要解决的问题之一。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种基于酒品购销信息的仓储管理优化方法、系统及存储介质。
5.本发明第一方面提供了一种基于酒品购销信息的仓储管理优化方法，包括：获取目标酒品在预设时间段内的购销数据，将所述购销数据进行预处理，提取目标酒品的销售特征生成对应销售特征时序序列；构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，通过所述目标酒品订单需求量判断目标酒品的仓储时间；根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，通过历史订单信息对酒品信息进行聚类，获取酒品之间的关联度；通过目标酒品的最佳仓储环境数据及酒品之间的关联度筛选储位关联酒品，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化。
6.本方案中，提取目标酒品的销售特征生成对应销售特征时序序列，具体为：利用数据检索在历史购销数据中检索预设时间步长内目标酒品的购销数据，将所述购销数据进行预处理，结合订单时间戳生成购销数据序列；基于日周期、月周期、季周期及年周期选取目标周期，根据所述目标周期对所述购销数据序列进行分割，获取购销数据子序列，计算相邻购销数据子序列的购销数据偏差；
预设购销数据偏差阈值，将所述购销数据偏差大于预设购销数据偏差阈值的购销数据子序列进行标记，在标记的购销数据子序列中提取销售数据变化特征；通过大数据方法获取酒品销售影响因素，计算各影响因素与所述销售数据变化特征的皮尔逊相关系数，基于所述皮尔逊相关系数筛选影响因素，根据筛选的影响因素设置评价指标；根据所述评价指标获取指标特征，结合所述销售数据变化特征生成销售特征，根据对应的订单时间戳构建对应的销售特征时序序列。
7.本方案中，构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，具体为：根据所述销售特征时序序列构建训练样本集，基于seq2seq模型构建需求预测模型，利用所述训练样本集进行训练，输出符合预设标准的需求预测模型；根据评价指标获取当前时间步内的指标参数，结合目标酒品当前销售数据进行归一化处理，导入所述需求预测模型进行特征编码，在所述需求预测模型中设置注意力层获取不同隐藏状态信息的注意力权重；根据所述注意力权重进行输入数据的加权平均，实现输入数据的汇总，将汇总后的输入数据进行解码，并根据时序将解码后的隐藏状态信息进行整合；通过输出层进行特征维度变换获取预设时间后的目标酒品的市场订单需求量，获取目标酒品当前的仓储量，根据预测的订单需求量获取当前仓储的目标酒品的仓储时间。
8.本方案中，根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，具体为：根据大数据检索获取目标酒品的标准仓储环境信息及保鲜期，计算目标酒品当前仓储环境数据与所述标准仓储环境信息的偏差率，判断所述偏差率是否大于预设偏差率阈值；若大于，则将所述当前仓储环境数据及仓储时间结合进行综合评估，将目标酒品对应的标准仓储环境信息及保鲜期映射到低维空间作为标准数据，在所述低维空间中计算当前仓储环境数据及仓储时间与标准数据的均方曼哈顿距离；根据所述均方曼哈顿距离评估当前仓储环境数据对目标酒品的质量影响程度，当质量影响程度大于预设质量影响程度阈值时，则对当前仓储环境数据进行调控；根据当前质量影响程度的偏差值获取对应的均方曼哈顿距离差值，设置权重信息，通过所述权重信息对当前仓储环境数据进行调整，输出目标酒品仓储时间对应的最佳仓储环境数据。
9.本方案中，通过历史订单信息对酒品信息进行聚类，获取酒品之间的关联度，具体为：获取预设时间段内的历史订单信息，提取订单特征，将酒品信息与所述订单特征进行匹配，生成酒品信息序列，利用聚类算法对所述酒品信息序列利用订单特征进行聚类；在所述酒品信息序列中随机选取酒品信息样本作为初始聚类中心，计算剩余酒品信息样本到初始聚类中心的欧式距离，将剩余酒品信息划分到距离最近的初始聚类中心生成初始聚类结果；根据聚类过程中的聚类误差构建损失函数，基于所述损失函数进行迭代训练，在
每次迭代中获取各类簇的均值作为新的聚类中心，结束聚类后获取聚类结果；将同一类簇中的酒品信息作为高关联度酒品，并获取高关联酒品的欧式距离作为关联度。
10.本方案中，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化，具体为：在目标仓储环境中获取各类别酒品的最佳仓储环境数据，利用相似度计算获取符合相似度标准的其他类别酒品，选取相似度最高的n项其他类别酒品进行标记；获取目标酒品的高关联度酒品，在高关联度酒品中筛选标记的其他类别酒品，根据筛选结果获取关联度最高的其他类别酒品，并与目标酒品进行捆绑组合，生成酒品组合；获取酒品组合在预设时间后的订单需求量，根据计算订单需求量比值获取酒品组合的储位占用比例，获取所述酒品组合中各酒品的当前储位，根据当前储位获取酒品组合的出库时间；当所述出库时间大于预设出库时间阈值时，则将酒品组合中出库时间长的的酒品进行储位调整。
11.本发明第二方面还提供了一种基于酒品购销信息的仓储管理优化系统，该系统包括：存储器、处理器，所述存储器中包括基于酒品购销信息的仓储管理优化方法程序，所述基于酒品购销信息的仓储管理优化方法程序被所述处理器执行时实现如下步骤：获取目标酒品在预设时间段内的购销数据，将所述购销数据进行预处理，提取目标酒品的销售特征生成对应销售特征时序序列；构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，通过所述目标酒品订单需求量判断目标酒品的仓储时间；根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，通过历史订单信息对酒品信息进行聚类，获取酒品之间的关联度；通过目标酒品的最佳仓储环境数据及酒品之间的关联度筛选储位关联酒品，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化。
12.本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于酒品购销信息的仓储管理优化方法程序，所述基于酒品购销信息的仓储管理优化方法程序被处理器执行时，实现如上述任一项所述的基于酒品购销信息的仓储管理优化方法的步骤。
13.本发明公开了一种基于酒品购销信息的仓储管理优化方法、系统及存储介质，包括，获取目标酒品在预设时间段内的购销数据，提取销售特征生成对应销售特征时序序列；构建需求预测模型预测市场订单需求量，判断目标酒品的仓储时间；根据仓储时间及目标酒品仓储要求获取最佳仓储环境数据，通过历史订单信息进行聚类，获取酒品之间的关联度；通过目标酒品的最佳仓储环境数据及酒品之间的关联度筛选储位关联酒品，将目标酒品与储位关联酒品进行捆绑组合，根据订单需求量进行储位优化。本方法通过最佳仓储环境数据为酒品提供个性化仓储方案，保证了酒品的存储质量，通过将订单关联度高的酒品进行储位分配优化，提升仓储作业的效率。
附图说明
14.图1示出了本发明一种基于酒品购销信息的仓储管理优化方法的流程图；图2示出了本发明构建需求预测模型预测订单需求量的流程图；图3示出了本发明将目标酒品与储位关联酒品捆绑组合进行储位优化的流程图；图4示出了本发明一种基于酒品购销信息的仓储管理优化系统的框图。
具体实施方式
15.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
16.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
17.图1示出了本发明一种基于酒品购销信息的仓储管理优化方法的流程图。
18.如图1所示，本发明第一方面提供了一种基于酒品购销信息的仓储管理优化方法，包括：s102，获取目标酒品在预设时间段内的购销数据，将所述购销数据进行预处理，提取目标酒品的销售特征生成对应销售特征时序序列；s104，构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，通过所述目标酒品订单需求量判断目标酒品的仓储时间；s106，根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，通过历史订单信息对酒品信息进行聚类，获取酒品之间的关联度；s108，通过目标酒品的最佳仓储环境数据及酒品之间的关联度筛选储位关联酒品，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化。
19.需要说明的是，利用数据检索在历史购销数据中检索预设时间步长内目标酒品的购销数据，所述购销数据包括但不限于销售酒品、生产日期、销售价格、销售数量、销售批次号等，将所述购销数据进行预处理，结合订单时间戳生成购销数据序列；酒类产品还受到诸如温度、广告促销、节假日、天气、经济环境等因素影响，季节性与周期性非常显著，基于日周期、月周期、季周期及年周期选取目标周期，根据所述目标周期对所述购销数据序列进行分割，获取购销数据子序列，计算相邻购销数据子序列的购销数据偏差；预设购销数据偏差阈值，将所述购销数据偏差大于预设购销数据偏差阈值的购销数据子序列进行标记，在标记的购销数据子序列中提取销售数据变化特征；通过大数据方法获取酒品销售影响因素，计算各影响因素与所述销售数据变化特征的皮尔逊相关系数，基于所述皮尔逊相关系数筛选影响因素，根据筛选的影响因素设置评价指标，获取导致销售数据波动的指标因素；根据所述评价指标获取指标特征，结合所述销售数据变化特征生成销售特征，根据对应的订单时间戳构建对应的销售特征时序序列。
20.图2示出了本发明构建需求预测模型预测订单需求量的流程图。
21.根据本发明实施例，构建需求预测模型，根据所述需求预测模型及销售特征时序
序列预测预设时间后的目标酒品的市场订单需求量，具体为：s202，根据所述销售特征时序序列构建训练样本集，基于seq2seq模型构建需求预测模型，利用所述训练样本集进行训练，输出符合预设标准的需求预测模型；s204，根据评价指标获取当前时间步内的指标参数，结合目标酒品当前销售数据进行归一化处理，导入所述需求预测模型进行特征编码，在所述需求预测模型中设置注意力层获取不同隐藏状态信息的注意力权重；s206，根据所述注意力权重进行输入数据的加权平均，实现输入数据的汇总，将汇总后的输入数据进行解码，并根据时序将解码后的隐藏状态信息进行整合；s208，通过输出层进行特征维度变换获取预设时间后的目标酒品的市场订单需求量，获取目标酒品当前的仓储量，根据预测的订单需求量获取当前仓储的目标酒品的仓储时间。
22.需要说明的是，原始的seq2seq模型为gru编码器及gru解码器，为了防止销售数据时序序列过长导致数据遗漏，将所述gru编码器及gru解码器替换为lstm单元，利用三层lstm网络设置编码器及解码器，利用编码器获取最终的隐藏状态将输入数据压缩为固定长度的向量特征，并将向量特征通过解码器进行解码预测。并且引入注意力机制通过自适应的关注对应的编码器的隐藏状态来提取相关的信息，为解码器更好的预测订单需求量。在需求预测模型的输入数据上计算注意力分布，根据注意力分布计算输入数据的加权平均，进行输入数据的汇总。
23.需要说明的是，获取目标酒品的属性特征，包括酿造方式及酒类品种等，根据属性特征进行划分，包括但不限于红葡萄酒、香槟、威士忌、清酒以及白酒等，基于属性特征根据大数据检索获取目标酒品的标准仓储环境信息及保鲜期，其中标准仓储环境信息包括平均温度、平均湿度、平均光照强度以及平均气流速度等，保鲜期可以为酒品保质期或最佳饮用期的一种，计算目标酒品当前仓储环境数据与所述标准仓储环境信息的偏差率，判断所述偏差率是否大于预设偏差率阈值；若大于，则将所述当前仓储环境数据及仓储时间结合进行综合评估，将目标酒品对应的标准仓储环境信息及保鲜期映射到低维空间作为标准数据，在所述低维空间中计算当前仓储环境数据及仓储时间与标准数据的均方曼哈顿距离；根据所述均方曼哈顿距离评估当前仓储环境数据对目标酒品的质量影响程度，当质量影响程度大于预设质量影响程度阈值时，则对当前仓储环境数据进行调控；根据当前质量影响程度的偏差值获取对应的均方曼哈顿距离差值，设置权重信息，通过所述权重信息对当前仓储环境数据进行调整，输出目标酒品仓储时间对应的最佳仓储环境数据。
24.图3示出了本发明将目标酒品与储位关联酒品捆绑组合进行储位优化的流程图。
25.根据本发明实施例，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化，具体为：s302，在目标仓储环境中获取各类别酒品的最佳仓储环境数据，利用相似度计算获取符合相似度标准的其他类别酒品，选取相似度最高的n项其他类别酒品进行标记；s304，获取目标酒品的高关联度酒品，在高关联度酒品中筛选标记的其他类别酒品，根据筛选结果获取关联度最高的其他类别酒品，并与目标酒品进行捆绑组合，生成酒品组合；s306，获取酒品组合在预设时间后的订单需求量，根据计算订单需求量比值获取
酒品组合的储位占用比例，获取所述酒品组合中各酒品的当前储位，根据当前储位获取酒品组合的出库时间；s308，当所述出库时间大于预设出库时间阈值时，则将酒品组合中出库时间长的的酒品进行储位调整。
26.需要说明的是，优选的所述酒品组合也可以是3种或3种以上酒品组合而成；将酒品组合中出库时间长的的酒品进行储位调整时，选取酒品组合中出库时间相对较长的酒品进行储位调整，提供同一订单中酒品组合的出库效率，择一进行调整也减少调整储位的工作量，使得调整储位后的酒品在同一最佳仓储环境数据下进行仓储。
27.获取预设时间段内的历史订单信息，提取订单特征，将酒品信息与所述订单特征进行匹配，生成酒品信息序列，利用聚类算法对所述酒品信息序列利用订单特征进行聚类；在所述酒品信息序列中随机选取酒品信息样本作为初始聚类中心，计算剩余酒品信息样本到初始聚类中心的欧式距离，将剩余酒品信息划分到距离最近的初始聚类中心生成初始聚类结果；根据聚类过程中的聚类误差构建损失函数，基于所述损失函数进行迭代训练，在每次迭代中获取各类簇的均值作为新的聚类中心，结束聚类后获取聚类结果；将同一类簇中的酒品信息作为高关联度酒品，并获取高关联酒品的欧式距离作为关联度。
28.根据本发明实施例，根据酒品的库存信息生成促销方案，具体为：获取目标酒品的对应的n个酒品组合，根据需求预测模型获取所述酒品组合中各类别酒品的市场订单需求量，获取市场订单需求量最大的酒品信息及对应的酒品组合；根据市场订单需求量最大的酒品信息读取库存信息，并计算与目标酒品库存信息的比例信息，通过所述比例信息制定所述酒品组合的促销方案；基于所述促销方案获取市场订单需求量最大的酒品信息对应的库存变化情况，根据所述库存变化情况判断预设时间的库存量是否低于预设库存阈值；若低于，则在预设时间调整促销方案，重新获取n个酒品组合中符合市场订单需求量标准的酒品，选取库存量最大的酒品信息及对应的酒品组合生成新的促销方案。
29.图4示出了本发明一种基于酒品购销信息的仓储管理优化系统的框图。
30.本发明第二方面还提供了一种基于酒品购销信息的仓储管理优化系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于酒品购销信息的仓储管理优化方法程序，所述基于酒品购销信息的仓储管理优化方法程序被所述处理器执行时实现如下步骤：获取目标酒品在预设时间段内的购销数据，将所述购销数据进行预处理，提取目标酒品的销售特征生成对应销售特征时序序列；构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，通过所述目标酒品订单需求量判断目标酒品的仓储时间；根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，通过历史订单信息对酒品信息进行聚类，获取酒品之间的关联度；通过目标酒品的最佳仓储环境数据及酒品之间的关联度筛选储位关联酒品，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化。
31.需要说明的是，利用数据检索在历史购销数据中检索预设时间步长内目标酒品的购销数据，所述购销数据包括但不限于销售酒品、生产日期、销售价格、销售数量、销售批次号等，将所述购销数据进行预处理，结合订单时间戳生成购销数据序列；酒类产品还受到诸
如温度、广告促销、节假日、天气、经济环境等因素影响，季节性与周期性非常显著，基于日周期、月周期、季周期及年周期选取目标周期，根据所述目标周期对所述购销数据序列进行分割，获取购销数据子序列，计算相邻购销数据子序列的购销数据偏差；预设购销数据偏差阈值，将所述购销数据偏差大于预设购销数据偏差阈值的购销数据子序列进行标记，在标记的购销数据子序列中提取销售数据变化特征；通过大数据方法获取酒品销售影响因素，计算各影响因素与所述销售数据变化特征的皮尔逊相关系数，基于所述皮尔逊相关系数筛选影响因素，根据筛选的影响因素设置评价指标，获取导致销售数据波动的指标因素；根据所述评价指标获取指标特征，结合所述销售数据变化特征生成销售特征，根据对应的订单时间戳构建对应的销售特征时序序列。
32.根据本发明实施例，构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，具体为：根据所述销售特征时序序列构建训练样本集，基于seq2seq模型构建需求预测模型，利用所述训练样本集进行训练，输出符合预设标准的需求预测模型；根据评价指标获取当前时间步内的指标参数，结合目标酒品当前销售数据进行归一化处理，导入所述需求预测模型进行特征编码，在所述需求预测模型中设置注意力层获取不同隐藏状态信息的注意力权重；根据所述注意力权重进行输入数据的加权平均，实现输入数据的汇总，将汇总后的输入数据进行解码，并根据时序将解码后的隐藏状态信息进行整合；通过输出层进行特征维度变换获取预设时间后的目标酒品的市场订单需求量，获取目标酒品当前的仓储量，根据预测的订单需求量获取当前仓储的目标酒品的仓储时间。
33.需要说明的是，原始的seq2seq模型为gru编码器及gru解码器，为了防止销售数据时序序列过长导致数据遗漏，将所述gru编码器及gru解码器替换为lstm单元，利用三层lstm网络设置编码器及解码器，利用编码器获取最终的隐藏状态将输入数据压缩为固定长度的向量特征，并将向量特征通过解码器进行解码预测。并且引入注意力机制通过自适应的关注对应的编码器的隐藏状态来提取相关的信息，为解码器更好的预测订单需求量。在需求预测模型的输入数据上计算注意力分布，根据注意力分布计算输入数据的加权平均，进行输入数据的汇总。
34.需要说明的是，获取目标酒品的属性特征，包括酿造方式及酒类品种等，根据属性特征进行划分，包括但不限于红葡萄酒、香槟、威士忌、清酒以及白酒等，基于属性特征根据大数据检索获取目标酒品的标准仓储环境信息及保鲜期，其中标准仓储环境信息包括平均温度、平均湿度、平均光照强度以及平均气流速度等，保鲜期可以为酒品保质期或最佳饮用期的一种，计算目标酒品当前仓储环境数据与所述标准仓储环境信息的偏差率，判断所述偏差率是否大于预设偏差率阈值；若大于，则将所述当前仓储环境数据及仓储时间结合进行综合评估，将目标酒品对应的标准仓储环境信息及保鲜期映射到低维空间作为标准数据，在所述低维空间中计算当前仓储环境数据及仓储时间与标准数据的均方曼哈顿距离；根据所述均方曼哈顿距离评估当前仓储环境数据对目标酒品的质量影响程度，当质量影响程度大于预设质量影响程度阈值时，则对当前仓储环境数据进行调控；根据当前质量影响程度的偏差值获取对应的均方曼哈顿距离差值，设置权重信息，通过所述权重信息对当前仓储环境数据进行调整，输出目标酒品仓储时间对应的最佳仓储环境数据。
35.根据本发明实施例，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化，具体为：在目标仓储环境中获取各类别酒品的最佳仓储环境数据，利用相似度计算获取符合相似度标准的其他类别酒品，选取相似度最高的n项其他类别酒品进行标记；获取目标酒品的高关联度酒品，在高关联度酒品中筛选标记的其他类别酒品，根据筛选结果获取关联度最高的其他类别酒品，并与目标酒品进行捆绑组合，生成酒品组合；获取酒品组合在预设时间后的订单需求量，根据计算订单需求量比值获取酒品组合的储位占用比例，获取所述酒品组合中各酒品的当前储位，根据当前储位获取酒品组合的出库时间；当所述出库时间大于预设出库时间阈值时，则将酒品组合中出库时间长的的酒品进行储位调整。
36.需要说明的是，优选的所述酒品组合也可以是3种或3种以上酒品组合而成；将酒品组合中出库时间长的的酒品进行储位调整时，选取酒品组合中出库时间相对较长的酒品进行储位调整，提供同一订单中酒品组合的出库效率，择一进行调整也减少调整储位的工作量，使得调整储位后的酒品在同一最佳仓储环境数据下进行仓储。
37.获取预设时间段内的历史订单信息，提取订单特征，将酒品信息与所述订单特征进行匹配，生成酒品信息序列，利用聚类算法对所述酒品信息序列利用订单特征进行聚类；在所述酒品信息序列中随机选取酒品信息样本作为初始聚类中心，计算剩余酒品信息样本到初始聚类中心的欧式距离，将剩余酒品信息划分到距离最近的初始聚类中心生成初始聚类结果；根据聚类过程中的聚类误差构建损失函数，基于所述损失函数进行迭代训练，在每次迭代中获取各类簇的均值作为新的聚类中心，结束聚类后获取聚类结果；将同一类簇中的酒品信息作为高关联度酒品，并获取高关联酒品的欧式距离作为关联度。
38.本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于酒品购销信息的仓储管理优化方法程序，所述基于酒品购销信息的仓储管理优化方法程序被处理器执行时，实现如上述任一项所述的基于酒品购销信息的仓储管理优化方法的步骤。
39.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
40.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
41.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
42.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过
程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
43.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
44.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于酒品购销信息的仓储管理优化方法，其特征在于，包括以下步骤获取目标酒品在预设时间段内的购销数据，将所述购销数据进行预处理，提取目标酒品的销售特征生成对应销售特征时序序列；构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，通过所述目标酒品订单需求量判断目标酒品的仓储时间；根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，通过历史订单信息对酒品信息进行聚类，获取酒品之间的关联度；通过目标酒品的最佳仓储环境数据及酒品之间的关联度筛选储位关联酒品，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化。2.根据权利要求1所述的一种基于酒品购销信息的仓储管理优化方法，其特征在于，提取目标酒品的销售特征生成对应销售特征时序序列，具体为：利用数据检索在历史购销数据中检索预设时间步长内目标酒品的购销数据，将所述购销数据进行预处理，结合订单时间戳生成购销数据序列；基于日周期、月周期、季周期及年周期选取目标周期，根据所述目标周期对所述购销数据序列进行分割，获取购销数据子序列，计算相邻购销数据子序列的购销数据偏差；预设购销数据偏差阈值，将所述购销数据偏差大于预设购销数据偏差阈值的购销数据子序列进行标记，在标记的购销数据子序列中提取销售数据变化特征；通过大数据方法获取酒品销售影响因素，计算各影响因素与所述销售数据变化特征的皮尔逊相关系数，基于所述皮尔逊相关系数筛选影响因素，根据筛选的影响因素设置评价指标；根据所述评价指标获取指标特征，结合所述销售数据变化特征生成销售特征，根据对应的订单时间戳构建对应的销售特征时序序列。3.根据权利要求1所述的一种基于酒品购销信息的仓储管理优化方法，其特征在于，构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，具体为：根据所述销售特征时序序列构建训练样本集，基于seq2seq模型构建需求预测模型，利用所述训练样本集进行训练，输出符合预设标准的需求预测模型；根据评价指标获取当前时间步内的指标参数，结合目标酒品当前销售数据进行归一化处理，导入所述需求预测模型进行特征编码，在所述需求预测模型中设置注意力层获取不同隐藏状态信息的注意力权重；根据所述注意力权重进行输入数据的加权平均，实现输入数据的汇总，将汇总后的输入数据进行解码，并根据时序将解码后的隐藏状态信息进行整合；通过输出层进行特征维度变换获取预设时间后的目标酒品的市场订单需求量，获取目标酒品当前的仓储量，根据预测的订单需求量获取当前仓储的目标酒品的仓储时间。4.根据权利要求1所述的一种基于酒品购销信息的仓储管理优化方法，其特征在于，根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，具体为：根据大数据检索获取目标酒品的标准仓储环境信息及保鲜期，计算目标酒品当前仓储环境数据与所述标准仓储环境信息的偏差率，判断所述偏差率是否大于预设偏差率阈值；若大于，则将所述当前仓储环境数据及仓储时间结合进行综合评估，将目标酒品对应
的标准仓储环境信息及保鲜期映射到低维空间作为标准数据，在所述低维空间中计算当前仓储环境数据及仓储时间与标准数据的均方曼哈顿距离；根据所述均方曼哈顿距离评估当前仓储环境数据对目标酒品的质量影响程度，当质量影响程度大于预设质量影响程度阈值时，则对当前仓储环境数据进行调控；根据当前质量影响程度的偏差值获取对应的均方曼哈顿距离差值，设置权重信息，通过所述权重信息对当前仓储环境数据进行调整，输出目标酒品仓储时间对应的最佳仓储环境数据。5.根据权利要求1所述的一种基于酒品购销信息的仓储管理优化方法，其特征在于，通过历史订单信息对酒品信息进行聚类，获取酒品之间的关联度，具体为：获取预设时间段内的历史订单信息，提取订单特征，将酒品信息与所述订单特征进行匹配，生成酒品信息序列，利用聚类算法对所述酒品信息序列利用订单特征进行聚类；在所述酒品信息序列中随机选取酒品信息样本作为初始聚类中心，计算剩余酒品信息样本到初始聚类中心的欧式距离，将剩余酒品信息划分到距离最近的初始聚类中心生成初始聚类结果；根据聚类过程中的聚类误差构建损失函数，基于所述损失函数进行迭代训练，在每次迭代中获取各类簇的均值作为新的聚类中心，结束聚类后获取聚类结果；将同一类簇中的酒品信息作为高关联度酒品，并获取高关联酒品的欧式距离作为关联度。6.根据权利要求1所述的一种基于酒品购销信息的仓储管理优化方法，其特征在于，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化，具体为：在目标仓储环境中获取各类别酒品的最佳仓储环境数据，利用相似度计算获取符合相似度标准的其他类别酒品，选取相似度最高的n项其他类别酒品进行标记；获取目标酒品的高关联度酒品，在高关联度酒品中筛选标记的其他类别酒品，根据筛选结果获取关联度最高的其他类别酒品，并与目标酒品进行捆绑组合，生成酒品组合；获取酒品组合在预设时间后的订单需求量，根据计算订单需求量比值获取酒品组合的储位占用比例，获取所述酒品组合中各酒品的当前储位，根据当前储位获取酒品组合的出库时间；当所述出库时间大于预设出库时间阈值时，则将酒品组合中出库时间长的的酒品进行储位调整。7.一种基于酒品购销信息的仓储管理优化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于酒品购销信息的仓储管理优化方法程序，所述基于酒品购销信息的仓储管理优化方法程序被所述处理器执行时实现如下步骤：获取目标酒品在预设时间段内的购销数据，将所述购销数据进行预处理，提取目标酒品的销售特征生成对应销售特征时序序列；构建需求预测模型，根据所述需求预测模型及销售特征时序序列预测预设时间后的目标酒品的市场订单需求量，通过所述目标酒品订单需求量判断目标酒品的仓储时间；根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，通过历史订单信息对酒品信息进行聚类，获取酒品之间的关联度；通过目标酒品的最佳仓储环境数据及酒品之间的关联度筛选储位关联酒品，将目标酒
品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化。8.根据权利要求7所述的一种基于酒品购销信息的仓储管理优化系统，其特征在于，根据所述仓储时间及目标酒品仓储要求获取最佳仓储环境数据，具体为：根据大数据检索获取目标酒品的标准仓储环境信息及保鲜期，计算目标酒品当前仓储环境数据与所述标准仓储环境信息的偏差率，判断所述偏差率是否大于预设偏差率阈值；若大于，则将所述当前仓储环境数据及仓储时间结合进行综合评估，将目标酒品对应的标准仓储环境信息及保鲜期映射到低维空间作为标准数据，在所述低维空间中计算当前仓储环境数据及仓储时间与标准数据的均方曼哈顿距离；根据所述均方曼哈顿距离评估当前仓储环境数据对目标酒品的质量影响程度，当质量影响程度大于预设质量影响程度阈值时，则对当前仓储环境数据进行调控；根据当前质量影响程度的偏差值获取对应的均方曼哈顿距离差值，设置权重信息，通过所述权重信息对当前仓储环境数据进行调整，输出目标酒品仓储时间对应的最佳仓储环境数据。9.根据权利要求7所述的一种基于酒品购销信息的仓储管理优化系统，其特征在于，将目标酒品与储位关联酒品进行捆绑组合，根据所述订单需求量进行储位优化，具体为：在目标仓储环境中获取各类别酒品的最佳仓储环境数据，利用相似度计算获取符合相似度标准的其他类别酒品，选取相似度最高的n项其他类别酒品进行标记；获取目标酒品的高关联度酒品，在高关联度酒品中筛选标记的其他类别酒品，根据筛选结果获取关联度最高的其他类别酒品，并与目标酒品进行捆绑组合，生成酒品组合；获取酒品组合在预设时间后的订单需求量，根据计算订单需求量比值获取酒品组合的储位占用比例，获取所述酒品组合中各酒品的当前储位，根据当前储位获取酒品组合的出库时间；当所述出库时间大于预设出库时间阈值时，则将酒品组合中出库时间长的的酒品进行储位调整。10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括基于酒品购销信息的仓储管理优化方法程序，所述基于酒品购销信息的仓储管理优化方法程序被处理器执行时，实现如权利要求1至6中任一项所述的基于酒品购销信息的仓储管理优化方法步骤。

技术总结
本发明公开了一种基于酒品购销信息的仓储管理优化方法、系统及存储介质，包括，获取目标酒品在预设时间段内的购销数据，提取销售特征生成对应销售特征时序序列；构建需求预测模型预测市场订单需求量，判断目标酒品的仓储时间；根据仓储时间及目标酒品仓储要求获取最佳仓储环境数据，通过历史订单信息进行聚类，获取酒品之间的关联度；通过目标酒品的最佳仓储环境数据及酒品之间的关联度筛选储位关联酒品，将目标酒品与储位关联酒品进行捆绑组合，根据订单需求量进行储位优化。本方法通过最佳仓储环境数据为酒品提供个性化仓储方案，保证了酒品的存储质量，通过将订单关联度高的酒品进行储位分配优化，提升仓储作业的效率。提升仓储作业的效率。提升仓储作业的效率。


技术研发人员：孙爱清
受保护的技术使用者：酒仙网络科技股份有限公司
技术研发日：2023.09.06
技术公布日：2023/10/15