一种产品订购方法、装置、电子设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种产品订购方法、装置、电子设备及存储介质。


背景技术：

2.伴随着消费品市场的日益繁荣，零售商出售的产品类型和数量也逐渐提升，零售商的利润和产品的订购量息息相关。
3.目前，零售商的进货方法包括按平均值定量订货、基于移动平均预测订货和基于指数平滑法确定订购量。但是，上述进货方法的进货量与需求量相差较大，当零售商销售期限产品时，当天订购的产品若未售出，第二天不能继续销售，未售出的产品会产生残值，影响零售商的盈利。


技术实现要素：

4.本发明提供了一种产品订购方法、装置、电子设备及存储介质，能够根据产品的需求规律确定次日订购量，提升零售商的利润。
5.根据本发明的一方面，提供了一种产品订购方法，该方法包括：
6.确定产品的需求分布集合、进购价格和出售价格；
7.基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行训练，得到产品的目标订购量模型；
8.确定产品的当日出售量和当日订购量；
9.基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。
10.可选的，需求分布集合包括至少一个需求分布信息，至少一个需求分布信息按照预设顺序依次排列。
11.可选的，基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行训练，得到产品的目标订购量模型，包括：设置预设训练次数，并令当前训练次数i＝1，预设训练次数等于需求分布集合中需求分布信息的数量；基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集；基于第i个最大利润集和初始订购量模型确定中间订购量模型；若当前训练次数i小于预设训练次数，则令初始订购量模型为中间订购量模型，i＝i+1，并返回执行基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集的步骤；若当前训练次数i等于预设训练次数，则确定中间订购量模型为产品的目标订购量模型。
12.可选的，第i个需求分布信息包括至少一个需求量信息，第i个最大利润集包括至少一个最大利润，需求量信息与最大利润一一对应。
13.可选的，基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集，包括：第m-1个需求量信息、第m-1个订购量信息和初始订购量模型，
确定第m个订购量信息，m为整数、且1≤m≤第i个需求分布信息中包括的需求量信息的数量；基于第m个需求量信息、第m个订购量信息、第m个订购量信息、进购价格和出售价格，确定第m个最大利润。
14.可选的，基于第m个需求量信息、第m个订购量信息、第m个订购量信息、进购价格和出售价格，确定第m个最大利润，包括：基于第m个需求量信息和第m个订购量信息，确定第m个出售量信息；基于第m个出售量信息、第m个订购量信息、进购价格和出售价格，确定第m个最大利润。
15.可选的，第m个出售量信息等于第m个需求量信息和第m个订购量信息中的较小值。
16.可选的，第m个最大利润em＝max(p*z
m-q*ym)；其中，p为出售价格，q为进购价格，zm为第m个出售量信息，ym为第m个订购量信息。
17.可选的，当m＝1时，第m个订购量信息等于平均订购量或者经验值。
18.根据本发明的另一方面，提供了一种产品订购装置，该装置包括：
19.第一确定模块，用于确定产品的需求分布集合、进购价格和出售价格；
20.模型训练模块，用于基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行训练，得到产品的目标订购量模型；
21.第二确定模块，用于确定产品的当日出售量和当日订购量；
22.第三确定模块，用于基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。
23.根据本发明的另一方面，提供了一种电子设备，该电子设备包括：
24.至少一个处理器；以及与至少一个处理器通信连接的存储器；
25.其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例所述的产品订购方法。
26.根据本发明的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例所述的产品订购方法。
27.本发明实施例的技术方案，通过确定产品的需求分布集合、进购价格和出售价格；基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行训练，得到产品的目标订购量模型；确定产品的当日出售量和当日订购量；基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。可以根据产品的需求分布集合、进购价格、出售价格和初始订购量模型确定产品的目标订购量模型，并根据产品的当日出售量、当日订购量、进购价格、出售价格和目标订购量模型确定产品的次日订购量，能够基于产品的需求规律确定次日订购量，减少由于产品订购量过大造成产品滞销和产品订购量过小影响零售商盈利等问题，提升零售商的利润。解决了当零售商销售期限产品时，当天订购的产品若未售出，第二天不能继续销售，未售出的产品会产生残值，影响零售商的盈利的问题。
28.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
29.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
30.图1是实施例一提供的一种产品订购方法的流程示意图；
31.图2是实施例二提供的一种产品订购方法的流程示意图；
32.图3是实施例二提供的一种利润与模型训练次数的关系示意图；
33.图4是实施例三提供的一种产品订购装置的结构示意图；
34.图5是实施例四提供的一种电子设备的结构示意图。
具体实施方式
35.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
36.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
37.实施例一
38.图1是实施例一提供的一种产品订购方法的流程示意图，本实施例可适用于确定产品的次日订购量等情况，该方法可以由本发明提供的产品订购装置来执行，该装置可以采用硬件和/或软件的形式实现，在一个具体的实施例中，该装置可以集成在电子设备中。以下实施例将以该装置集成在电子设备中为例进行说明，参考图1，该方法具体包括如下步骤：
39.s101、确定产品的需求分布集合、进购价格和出售价格。
40.其中，需求分布集合包括至少一个需求分布信息，需求分布信息的数量与模型的训练次数相关，需求分布信息可以理解为用户购买产品的数量信息，例如，以日为单位，需求分布信息包括预设时间段内用户每日需要购买的产品数量，以周为单位，需求分布信息包括预设时间段内用户每周需要购买的产品数量等。进购价格可以理解为零售商从供货商处购买产品时的产品单价，出售价格可以理解为零售商出售产品时的产品单价。
41.用户的需求是随机的，因此，需求分布信息可以是随机分布的数据集，也可以是有一定规律的数据集。具体的，需求分布信息的分布情况包括gamma分布、均匀(uniform)分布、正态(normal)分布等，本实施例对此不进行限定。
42.示例性的，假设需求分布集合包括x个需求分布信息，需求分布信息为365天内用户的日购买产品量，那么，确定产品的需求分布集合、进购价格和出售价格可以理解为确定零售商进购和出售产品的单价以及x个需求分布信息，每个需求信息包括365天的用户日购买产品量。
43.这样设置的好处在于可以得到准确的用户日购买产品量、零售商进购和出售产品的单价，以便训练目标订购量模型。
44.s102、基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行训练，得到产品的目标订购量模型。
45.其中，初始订购量模型可以理解为未经训练的一个产品订购量模型，目标订购量模型可以理解为根据产品的当日出售量、当日订购量、进购价格、出售价格和初始订购量模型训练出的能够精准确定使零售商盈利较高的产品次日订购量的模型。
46.具体的，需要基于需求分布集合、进购价格和出售价格对初始训练模型进行优化，优化完成的模型为目标订购量模型，目标订购量模型得到的次日订购量会比初始订购量模型得到的次日订购量更合理，例如，更接近次日的产品需求量等，可以避免由于产品订购量过大造成产品滞销和产品订购量过小影响零售商盈利等问题。
47.这样设置的好处在于可以基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行优化，提升订购量模型的输出精度，以便确定更精准的次日订购量，提升零售商的利润。
48.s103、确定产品的当日出售量和当日订购量。
49.其中，产品的当天出售量可以理解为产品在当前售卖日的销售情况，即零售商在当前售卖日销售的产品的数量，当日订购量可以理解为零售商在供应商处为当前售卖日购买的产品的数量，即零售商在当前售卖日的前一日购买的产品的数量。本实施例中的产品为日期限产品，产品需要在前一日购买，并在第二日销售，如若第二日未销售成功，滞销产品不能再次进行销售。
50.具体的，产品的当日出售量和产品的需求分布信息有关。示例性的，需求分布信息包含产品的销售信息，假设当前售卖日为第3天，需求分布信息包含5个需求，分别为x1、x2、x3、x4和x5，那么，可得产品的当日出售量为x3。
51.这样设置的好处在于确定产品真实的当日出售量和当日订购量。
52.s104、基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。
53.其中，次日订购量可以理解为零售商需要为下一日进购的产品的数量。
54.具体的，产品的当日出售量、当日订购量、进购价格和出售价格与零售商的盈利息息相关，为提高零售商的盈利，会根据当日出售量、当日订购量、进购价格、出售价格和目标订购量模型确定次日订购量，以便得到满足用户需求、且不产生滞销产品的订货数量。
55.示例性的，目标订购量模型可以理解为一种根据当日出售量、当日订购量、进购价格和出售价格确定次日产品需求量的工具，将产品的当日出售量、当日订购量、进购价格和出售价格输入目标订购量模型，即可输出一个订购量，能够基于产品的当日出售量、当日订购量等真实数据和需求规律确定次日订购量，根据此订购量订购产品，产品的订购量不会偏离次日需求量太大，能够提升零售商的利润。
56.本实施例的技术方案，通过确定产品的需求分布集合、进购价格和出售价格；基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行训练，得到产品的目标订购量模型；确定产品的当日出售量和当日订购量；基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。可以根据产品的需求分布集合、进购价格、出售价格和初始订购量模型确定产品的目标订购量模型，并根据产品的当日出售量、当日订购量、进购价格、出售价格和目标订购量模型确定产品的次日订购量，能够基于产品的需求规律确定次日订购量，减少由于产品订购量过大造成产品滞销和产品订购量过小影响零售商盈利等问题，提升零售商的利润。解决了当天订购的期限产品若未售出，且第二天不能继续销售，未售出的产品会产生残值，影响零售商的盈利的问题。
57.实施例二
58.图2是实施例二提供的一种产品订购方法的流程示意图，本实施例可适用于确定产品的次日订购量等情况，该方法可以由本发明提供的产品订购装置来执行，该装置可以采用硬件和/或软件的形式实现，在一个具体的实施例中，该装置可以集成在电子设备中。以下实施例将以该装置集成在电子设备中为例进行说明，参考图2，该方法具体包括如下步骤：
59.s201、确定产品的需求分布集合、进购价格和出售价格。
60.具体的，需求分布集合包括至少一个需求分布信息，至少一个需求分布信息按照预设顺序依次排列。
61.其中，预设顺序可以是需求分布信息产生的先后顺序、需求分布信息存储的先后顺序等，进一步的，模型的训练过程是需要多次迭代的，每个训练过程都需要一个需求分布信息。
62.s202、设置预设训练次数，并令当前训练次数i＝1。
63.其中，预设训练次数等于需求分布集合中需求分布信息的数量。
64.具体的，需求分布信息表示用户购买产品的信息，具有随机性，因此，每次模型训练使用的需求分布信息均不相同，目的在于使用较多的样本数据，以便训练出精准的较高的目标订购量模型。
65.示例性的，假设模型需要迭代三次，需求分布集合包括依次排列的需求分布信息一、需求分布信息二和需求分布信息三，则第一次迭代过程使用需求分布信息一，第二次迭代过程使用需求分布信息二，第三次迭代过程使用需求分布信息三。
66.s203、基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集。
67.零售商在每天打烊后，会核算一天内的账目，售卖产品会产生利润，利润可以是正数，也可以是负数。其中，最大利润集可以理解为零售商在当前训练过程中产生的各最大利润的集合。
68.第i个需求分布信息包括至少一个需求量信息，第i个最大利润集包括至少一个最大利润，需求量信息与最大利润一一对应。
69.具体的，基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集，包括：基于第m-1个需求量信息、第m-1个订购量信息和初始订购量模型，确定第m个订购量信息，m为整数、且1≤m≤第i个需求分布信息中包括的需求量信息
的数量；基于第m个需求量信息、第m个订购量信息、第m个订购量信息、进购价格和出售价格，确定第m个最大利润。
70.其中，第m-1个需求量信息可以理解为第m-1个时间段的需求量信息，时间段可以是1天、12小时、6小时等，时间段根据具体的训练需求进行设定和调整，本实施例对此不进行限定。
71.在确定下一个订购量信息时，零售商的当前订购量和当前需求量、进购价格和出售价格构成了一个状态，即状态st，零售商需要根据响应的状态做出订货决策，即动作at，每次采取何种策略(π)是由状态st
→
动作at所决定的，即根据所处环境做出动作。例如，本实施例可以构建了一个包括observation、reset和step环境对象，observation用于展示各项信息，step用于根据observation展示的信息做决策，reset用于在单次训练结束后调整和优化模型的参数。
72.具体的，将第m-1个需求量信息、第m-1个订购量信息、进购价格和出售价格输入初始订购量模型，可以确定第m个订购量信息，根据第m个需求量信息、第m个订购量信息、第m个订购量信息、进购价格和出售价格即可得到零售商的第m个最大利润。
73.进一步的，第m-1个需求量信息、第m-1个订购量信息、进购价格和出售价格可以理解为observation展示的信息，确定第m个订购量信息可以理解为step做出的决策。
74.当i＝1，且m＝1时，当日是整个训练过程中的第一日，即第一次训练的第一个数据，并不会有前一日的数据，无法根据前一日的数据确定第m个订购量，会将平均订购量或者经验值确定为第m个订购量信息，以便模型可以顺利进行训练，第二轮开始的第一个订购量可以是平均订购量或者经验值，也可以根据上一轮训练最后一日的数据进行确定，本实施例对此不进行限定。
75.可选的，基于第m个需求量信息、第m个订购量信息、第m个订购量信息、进购价格和出售价格，确定第m个最大利润，包括：基于第m个需求量信息和第m个订购量信息，确定第m个出售量信息；基于第m个出售量信息、第m个订购量信息、进购价格和出售价格，确定第m个最大利润。
76.以日为单位，第m个出售量信息可以理解为第m日的产品销售量，第m日的产品销售量与第m个需求量信息和第m个订购量信息相关，具体的，第m个出售量信息等于第m个需求量信息和第m个订购量信息中的较小值。
77.示例性的，如若第m个需求量信息10，第m个订购量信息8，则零售商的库存小于需求，只能销售8个产品，第m个出售量信息为8，如若第m个需求量信7，第m个订购量信息8，则用户的需求小于零售商的库存，零售商只能销售出去7个产品，第m个出售量信息为7。
78.具体的，最大利润与产品的出售量信息、订购量信息、进购价格和出售价格相关，示例性的，第m个最大利润em＝max(p*z
m-q*ym)；其中，p为出售价格，q为进购价格，ym为第m个订购量信息，zm为第m个出售量信息，zm＝min(xm,ym)，xm为第m个需求量信息，ym为第m个订购量信息。进一步的，由于产品为日期限产品，当日未出售的产品将不能再进行出售，因此，产品的当日出售量与当日订购量越接近，产品的利润越大。
79.示例性的，零售商的最大利润为当日的进账减去出账，进账可以理解为零售商销售产品赚的钱，出账可以理解为零售商为今日备货消费的钱。
80.s204、基于第i个最大利润集和初始订购量模型确定中间订购量模型。
81.具体的，在当前训练过程结束后，会对初始订购模型的模型参数进行调整和优化，以提升模型的精度。本实施例会基于最大利润集对初始订购量模型的参数进行调整，调整参数后的模型为中间订购量模型。
82.s205、确定当前训练次数i是否小于预设训练次数。
83.具体的，若当前训练次数i小于预设训练次数，则执行s206，否则，执行s207。其中，预设训练次数为衡量订购量模型是否训练完成的标准，若当前训练次数i小于预设训练次数，则认为订购量模型没有训练完成，还需继续训练，若当前训练次数i等于预设训练次数，则认为订购量模型训练完成。
84.进一步的，由于模型训练次数是逐一累加的，如若当前训练次数i不小于预设训练次数，则认为当前训练次数i等于预设训练次数。
85.s206、令初始订购量模型为中间订购量模型，i＝i+1。
86.具体的，i为训练次数，在当前训练次数i小于预设训练次数时，令i＝i+1，初始订购量模型为中间订购量模型，并执行s203，继续训练和优化初始订购量模型，以便训练出能够提升零售商的利润的产品订购量模型。
87.s207、确定中间订购量模型为产品的目标订购量模型。
88.具体的，在当前训练次数i等于预设训练次数时，认为产品订购量模型已经训练完成，最后一次训练得到的中间订购量模型可以根据产品的当日出售量、当日订购量、进购价格和出售价格精准的确定出使零售商盈利较高的产品次日订购量。届时，会确定中间订购量模型为产品的目标订购量模型，进一步的，如若需要得到盈利更高的订购量模型，可以适应性提高产品的训练次数，本实施例对此不进行限定。
89.s208、确定产品的当日出售量和当日订购量。
90.具体的，确定产品的当日出售量和当日订购量可以理解为确定产品在当前售卖日的销售情况和零售商在当前售卖日的前一日从供应商处为当前售卖日购买的产品的数量。
91.s209、基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。
92.具体的，基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量可以理解为将产品的当日出售量、当日订购量、进购价格和出售价格输入目标订购量模型，并根据目标订购量模型的输出确定产品的次日订购量。
93.示例性的，假设将产品的当日出售量、当日订购量、进购价格和出售价格输入目标订购量模型，目标订购量模型的输出为500件，则确定产品的次日订购量为500件。
94.图3是实施例二提供的一种利润与模型训练次数的关系示意图，从图3中可以看出，当模型训练次数超过30000次时，使用本技术的目标订购量模型确定产品的次日订购量，零售商的利润会大于根据平均值订购产品，且随着模型训练次数的增加，零售商的利润会增高。
95.本实施例的技术方案，通过确定产品的需求分布集合、进购价格和出售价格；设置预设训练次数，并令当前训练次数i＝1，预设训练次数等于需求分布集合中需求分布信息的数量；基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集；基于第i个最大利润集和初始订购量模型确定中间订购量模型；确定当前训练次数i是否小于预设训练次数，若当前训练次数i小于预设训练次数，则令初始订购量模
型为中间订购量模型，i＝i+1，并返回执行基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集的步骤；若当前训练次数i等于预设训练次数，则确定中间订购量模型为产品的目标订购量模型；确定产品的当日出售量和当日订购量；基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。可以根据产品的需求分布集合、进购价格、出售价格、预设训练次数对初始订购量模型进行训练，确定产品的目标订购量模型，训练过程中基于最大利润调整初始订购量模型中的参数，根据产品的当日出售量、当日订购量、进购价格、出售价格和目标订购量模型确定产品的次日订购量，能够基于产品的需求规律确定次日订购量，减少由于产品订购量过大造成产品滞销和产品订购量过小影响零售商盈利等问题，提升零售商的利润。解决了当天订购的期限产品若未售出，且第二天不能继续销售，未售出的产品会产生残值，影响零售商的盈利的问题。
96.实施例三
97.图4是实施例三提供的一种产品订购装置的结构示意图。如图4所示，该装置包括：第一确定模块401、模型训练模块402、第二确定模块403和第三确定模块404。
98.第一确定模块401，用于确定产品的需求分布集合、进购价格和出售价格。
99.模型训练模块402，用于基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行训练，得到产品的目标订购量模型。
100.第二确定模块403，用于确定产品的当日出售量和当日订购量。
101.第三确定模块404，用于基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。
102.可选的，需求分布集合包括至少一个需求分布信息，至少一个需求分布信息按照预设顺序依次排列。
103.可选的，模型训练模块402，具体用于设置预设训练次数，并令当前训练次数i＝1，预设训练次数等于需求分布集合中需求分布信息的数量；基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集；基于第i个最大利润集和初始订购量模型确定中间订购量模型；若当前训练次数i小于预设训练次数，则令初始订购量模型为中间订购量模型，i＝i+1，并返回执行基于第i个需求分布信息、进购价格、出售价格和初始订购量模型，确定产品的第i个最大利润集的步骤；若当前训练次数i等于预设训练次数，则确定中间订购量模型为产品的目标订购量模型。
104.可选的，第i个需求分布信息包括至少一个需求量信息，第i个最大利润集包括至少一个最大利润，需求量信息与最大利润一一对应。
105.可选的，模型训练模块402，具体用于基于第m-1个需求量信息、第m-1个订购量信息和初始订购量模型，确定第m个订购量信息，m为整数、且1≤m≤第i个需求分布信息中包括的需求量信息的数量；基于第m个需求量信息、第m个订购量信息、第m个订购量信息、进购价格和出售价格，确定第m个最大利润。
106.可选的，模型训练模块402，具体用于基于第m个需求量信息和第m个订购量信息，确定第m个出售量信息；基于第m个出售量信息、第m个订购量信息、进购价格和出售价格，确定第m个最大利润。
107.可选的，第m个出售量信息等于第m个需求量信息和第m个订购量信息中的较小值。
108.可选的，第m个最大利润em＝max(p*z
m-q*ym)；其中，p为出售价格，q为进购价格，zm为第m个出售量信息，ym为第m个订购量信息。
109.可选的，当m＝1时，第m个订购量信息等于平均订购量或者经验值。
110.本发明实施例所提供的产品订购装置可执行本发明任意实施例所提供的产品订购方法，具备执行方法相应的功能模块和有益效果。
111.实施例四
112.图5是实施例四提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
113.如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
114.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
115.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如产品订购方法。
116.在一些实施例中，产品订购方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的产品订购方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行产品订购方法。
117.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置和至少一个输出
装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。
118.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
119.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备或上述内容的任何合适组合。
120.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
121.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)或者包括中间件部件的计算系统(例如，应用服务器)或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)或者包括这种后台部件、中间件部件或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
122.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
123.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
124.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种产品订购方法，其特征在于，包括：确定产品的需求分布集合、进购价格和出售价格；基于所述需求分布集合、所述进购价格和所述出售价格，对所述产品的初始订购量模型进行训练，得到所述产品的目标订购量模型；确定所述产品的当日出售量和当日订购量；基于所述当日出售量、所述当日订购量、所述进购价格、所述出售价格和所述目标订购量模型，确定所述产品的次日订购量。2.根据权利要求1所述的产品订购方法，其特征在于，所述需求分布集合包括至少一个需求分布信息，至少一个所述需求分布信息按照预设顺序依次排列；所述基于所述需求分布集合、所述进购价格和所述出售价格，对所述产品的初始订购量模型进行训练，得到所述产品的目标订购量模型，包括：设置预设训练次数，并令当前训练次数i＝1，所述预设训练次数等于所述需求分布集合中所述需求分布信息的数量；基于第i个需求分布信息、所述进购价格、所述出售价格和所述初始订购量模型，确定所述产品的第i个最大利润集；基于所述第i个最大利润集和所述初始订购量模型确定中间订购量模型；若所述当前训练次数i小于所述预设训练次数，则令初始订购量模型为所述中间订购量模型，i＝i+1，并返回执行基于第i个需求分布信息、所述进购价格、所述出售价格和所述初始订购量模型，确定所述产品的第i个最大利润集的步骤；若所述当前训练次数i等于所述预设训练次数，则确定所述中间订购量模型为所述产品的目标订购量模型。3.根据权利要求2所述的方法，其特征在于，所述第i个需求分布信息包括至少一个需求量信息，第i个最大利润集包括至少一个最大利润，所述需求量信息与所述最大利润一一对应；所述基于第i个需求分布信息、所述进购价格、所述出售价格和所述初始订购量模型，确定所述产品的第i个最大利润集，包括：基于第m-1个需求量信息、第m-1个订购量信息和所述初始订购量模型，确定第m个订购量信息，m为整数、且1≤m≤所述第i个需求分布信息中包括的需求量信息的数量；基于所述第m个需求量信息、所述第m个订购量信息、所述第m个订购量信息、所述进购价格和所述出售价格，确定第m个最大利润。4.根据权利要求3所述的方法，其特征在于，所述基于所述第m个需求量信息、所述第m个订购量信息、所述第m个订购量信息、所述进购价格和所述出售价格，确定第m个最大利润，包括：基于所述第m个需求量信息和所述第m个订购量信息，确定第m个出售量信息；基于所述第m个出售量信息、所述第m个订购量信息、所述进购价格和所述出售价格，确定第m个最大利润。5.根据权利要求4所述的方法，其特征在于，所述第m个出售量信息等于所述第m个需求量信息和所述第m个订购量信息中的较小值。6.根据权利要求4所述的方法，其特征在于，
所述第m个最大利润e
m
＝max(p*z
m-q*y
m
)；其中，p为所述出售价格，q为所述进购价格，z
m
为所述第m个出售量信息，y
m
为所述第m个订购量信息。7.根据权利要求3所述的方法，其特征在于，当m＝1时，所述第m个订购量信息等于平均订购量或者经验值。8.一种产品订购装置，其特征在于，包括：第一确定模块，用于确定产品的需求分布集合、进购价格和出售价格；模型训练模块，用于基于所述需求分布集合、所述进购价格和所述出售价格，对所述产品的初始订购量模型进行训练，得到所述产品的目标订购量模型；第二确定模块，用于确定所述产品的当日出售量和当日订购量；第三确定模块，用于基于所述当日出售量、所述当日订购量、所述进购价格、所述出售价格和所述目标订购量模型，确定所述产品的次日订购量。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一所述的产品订购方法。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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1至7中任一所述的产品订购方法。

技术总结
本发明公开了一种产品订购方法、装置、电子设备及存储介质。该方法包括：确定产品的需求分布集合、进购价格和出售价格；基于需求分布集合、进购价格和出售价格，对产品的初始订购量模型进行训练，得到产品的目标订购量模型；确定产品的当日出售量和当日订购量；基于当日出售量、当日订购量、进购价格、出售价格和目标订购量模型，确定产品的次日订购量。本发明的技术方案，可以根据产品的需求分布集合、进购价格、出售价格和初始订购量模型确定产品的目标订购量模型，并根据产品的当日出售量、当日订购量、进购价格、出售价格和目标订购量模型确定产品的次日订购量，能够基于产品的需求规律确定次日订购量，提升零售商的利润。提升零售商的利润。提升零售商的利润。


技术研发人员：谢海琴 吴佳霖
受保护的技术使用者：海尔数字科技（上海）有限公司
技术研发日：2023.04.26
技术公布日：2023/8/1