本公开涉及计算机，尤其涉及一种确定供应量预测模型的方法、确定供应量预测模型的装置、计算机可读存储介质及电子设备。
背景技术：
1、在电商供应链场景中，供应链的上游是供应量预测技术，如销量预测技术，其是物品补货、调拨的基石，因此供应量预测技术是尤为重要的。
2、相关技术中，通过机器学习或者元学习方法选择供应量预测模型，然后利用供应量预测模型预测供应量。然而，通过机器学习或者元学习方法选择的预测模型为单一的预测模型，难以适应复杂的电商供应链场景。
3、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的目的在于提供一种确定供应量预测模型的方法、确定供应量预测模型的装置、计算机可读存储介质及电子设备，解决相关技术中难以适应复杂的电商供应链场景的问题。
2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
3、根据本公开的一个方面，提供一种确定供应量预测模型的方法，包括：获取目标物品的历史数据和目标物品的预测特征数据；根据所述目标物品的历史数据对目标物品进行分类，获得目标物品的物品类型；若根据所述目标物品的物品类型确定所述目标物品为核心物品，则根据所述目标物品的历史数据和所述目标物品的预测特征数据，生成所述目标物品的供应量预测模型；若根据所述目标物品的物品类型确定所述目标物品为非核心物品，则从预设的供应量预测模型中选择所述目标物品的供应量预测模型。
4、在本公开可选实施例中，所述若根据所述目标物品的物品类型确定所述目标物品为核心物品，则根据所述目标物品的历史数据和所述目标物品的预测特征数据，生成所述目标物品的供应量预测模型，包括：若所述目标物品的第一层分类为畅销型物品、第二层分类为平稳型物品，或者所述目标物品的第一层分类为畅销型物品、第二层分类为波动型物品、第三层分类为敏感型物品，则确定所述目标物品为核心物品；基于强化学习模型，对所述目标物品的历史数据和所述目标物品的预测特征数据进行强化学习，生成所述目标物品的供应量预测模型。
5、在本公开可选实施例中，所述基于强化学习模型，对所述目标物品的历史数据和所述目标物品的预测特征数据进行强化学习，生成所述目标物品的供应量预测模型，包括：将所述目标物品的历史数据和所述目标物品的预测特征数据输入所述强化学习模型的预训练模型中，输出一个或多个备选模型中各个备选模型的权重；将所述各个备选模型的权重与各个备选模型进行加权求和，获得所述目标物品的供应量预测模型。
6、在本公开可选实施例中，所述方法还包括：利用所述目标物品的供应量预测模型，获取所述目标物品的预测供应量、所述目标物品的预测周转量和所述目标物品的预测库存量；根据所述目标物品的预测供应量确定预测奖赏值，根据所述目标物品的预测周转量确定周转奖赏值，以及根据所述目标物品的预测库存量确定库存奖赏值；将所述预测奖赏值、所述周期奖赏值和所述库存奖赏值进行求和，获得目标奖赏值，利用所述目标奖赏值优化所述各个备选模型的权重；根据优化后的所述各个备选模型的权重优化所述目标物品的供应量预测模型。
7、在本公开可选实施例中，所述若根据所述目标物品的物品类型确定所述目标物品为非核心物品，则从预设的供应量预测模型中选择所述目标物品的供应量预测模型，包括：若所述目标物品的第一层分类为非畅销型物品，或者所述目标物品的第一层分类为畅销型物品、第二层分类为波动型物品、第三层分类为非敏感型物品，则确定所述目标物品为非核心物品；从所述预设的供应量预测模型中选择所述目标物品的供应量预测模型，所述预设的供应量预测模型包括低供应量模型、均值供应量模型和高效统计模型。
8、在本公开可选实施例中，所述方法还包括：若选择所述低供应量模型为所述目标物品的供应量预测模型，则基于所述低供应量模型，预测所述目标物品的目标供应量为预设供应量阈值；若选择所述均值供应量模型为所述目标物品的供应量预测模型，则基于所述均值供应量模型，预测所述目标物品的目标供应量为所述目标物品的历史销量均值；若选择所述高效统计模型为所述目标物品的供应量预测模型，则从所述目标物品的历史数据中，获取所述目标物品的历史销量和所述历史销量对应的预测销量，然后基于所述高效统计模型，根据所述目标物品的历史销量和所述历史销量对应的预测销量，预测所述目标物品的目标供应量。
9、在本公开可选实施例中，所述方法还包括：确定物品分层指标体系，所述物品分层指标体系包括三层分类场景和各层分类场景下的指标参数；基于所述物品分层指标体系，构建物品分层决策树；其中，所述物品分层决策树用于对物品进行分类以获得所述物品的物品类型；所述物品分层决策树的第一层将所述物品划分为畅销型物品和非畅销型物品，所述物品分层决策树的第二层将所述物品划分为平稳型物品和波动型物品，所述物品分层决策树的第三层将所述物品划分为敏感型物品和非敏感型物品。
10、根据本公开的又一个方面，提供一种确定供应量预测模型的装置，包括：获取模块，用于获取目标物品的历史数据和目标物品的预测特征数据；分类模块，用于根据所述目标物品的历史数据对目标物品进行分类，获得目标物品的物品类型；模型确定模块，用于若根据所述目标物品的物品类型确定所述目标物品为核心物品，则根据所述目标物品的历史数据和所述目标物品的预测特征数据，生成所述目标物品的供应量预测模型；若根据所述目标物品的物品类型确定所述目标物品为非核心物品，则从预设的供应量预测模型中选择所述目标物品的供应量预测模型。
11、在本公开可选实施例中，所述模型确定模块还用于：若所述目标物品的第一层分类为畅销型物品、第二层分类为平稳型物品，或者所述目标物品的第一层分类为畅销型物品、第二层分类为波动型物品、第三层分类为敏感型物品，则确定所述目标物品为核心物品；基于强化学习模型，对所述目标物品的历史数据和所述目标物品的预测特征数据进行强化学习，生成所述目标物品的供应量预测模型。
12、在本公开可选实施例中，所述模型确定模块还用于：将所述目标物品的历史数据和所述目标物品的预测特征数据输入所述强化学习模型的预训练模型中，输出一个或多个备选模型中各个备选模型的权重；将所述各个备选模型的权重与各个备选模型进行加权求和，获得所述目标物品的供应量预测模型。
13、在本公开可选实施例中，所述模型确定模块还用于：利用所述目标物品的供应量预测模型，获取所述目标物品的预测供应量、所述目标物品的预测周转量和所述目标物品的预测库存量；根据所述目标物品的预测供应量确定预测奖赏值，根据所述目标物品的预测周转量确定周转奖赏值，以及根据所述目标物品的预测库存量确定库存奖赏值；将所述预测奖赏值、所述周期奖赏值和所述库存奖赏值进行求和，获得目标奖赏值，利用所述目标奖赏值优化所述各个备选模型的权重；根据优化后的所述各个备选模型的权重优化所述目标物品的供应量预测模型。
14、在本公开可选实施例中，所述模型确定模块还用于：若所述目标物品的第一层分类为非畅销型物品，或者所述目标物品的第一层分类为畅销型物品、第二层分类为波动型物品、第三层分类为非敏感型物品，则确定所述目标物品为非核心物品；从所述预设的供应量预测模型中选择所述目标物品的供应量预测模型，所述预设的供应量预测模型包括低供应量模型、均值供应量模型和高效统计模型。
15、在本公开可选实施例中，所述装置还包括供应量确定模块，用于：若选择所述低供应量模型为所述目标物品的供应量预测模型，则基于所述低供应量模型，预测所述目标物品的目标供应量为预设供应量阈值；若选择所述均值供应量模型为所述目标物品的供应量预测模型，则基于所述均值供应量模型，预测所述目标物品的目标供应量为所述目标物品的历史销量均值；若选择所述高效统计模型为所述目标物品的供应量预测模型，则从所述目标物品的历史数据中，获取所述目标物品的历史销量和所述历史销量对应的预测销量，然后基于所述高效统计模型，根据所述目标物品的历史销量和所述历史销量对应的预测销量，预测所述目标物品的目标供应量。
16、在本公开可选实施例中，所述装置还包括决策树构建模块，用于：确定物品分层指标体系，所述物品分层指标体系包括三层分类场景和各层分类场景下的指标参数；基于所述物品分层指标体系，构建物品分层决策树；其中，所述物品分层决策树用于对物品进行分类以获得所述物品的物品类型；所述物品分层决策树的第一层将所述物品划分为畅销型物品和非畅销型物品，所述物品分层决策树的第二层将所述物品划分为平稳型物品和波动型物品，所述物品分层决策树的第三层将所述物品划分为敏感型物品和非敏感型物品。
17、根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的确定供应量预测模型的方法。
18、根据本公开的又一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的确定供应量预测模型的方法。
19、本公开实施例的确定供应量预测模型的方法，根据目标物品的历史数据识别目标物品的物品类型，然后若根据物品类型判断目标物品为核心物品，则根据目标物品的历史数据和预测特征数据，生成供应量预测模型，以及若根据物品类型判断目标物品为非核心物品，则直接从预设的供应量预测模型中选择目标物品的供应量预测模型。如此，对于核心物品和非核心物品，采用不同的策略生成供应量预测模型，避免生成单一的预测模型，能够应用于复杂的电商供应链场景；以及，若目标物品为核心物品，根据目标物品的信息生成目标物品的供应量预测模型，使得供应量预测模型的准确性较高，进而提升供应量预测模型的预测效果；还有，若目标物品为非核心物品，直接从预设的模型中选择供应量预测模型，能够高效确定供应量预测模型，保证整个电商平台的运行效率。
20、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。
1.一种确定供应量预测模型的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述若根据所述目标物品的物品类型确定所述目标物品为核心物品，则根据所述目标物品的历史数据和所述目标物品的预测特征数据，生成所述目标物品的供应量预测模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于强化学习模型，对所述目标物品的历史数据和所述目标物品的预测特征数据进行强化学习，生成所述目标物品的供应量预测模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述若根据所述目标物品的物品类型确定所述目标物品为非核心物品，则从预设的供应量预测模型中选择所述目标物品的供应量预测模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1至6任一所述的方法，其特征在于，所述方法还包括：
8.一种确定供应量预测模型的装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的确定供应量预测模型的方法。
10.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行如权利要求1至7任一项所述的确定供应量预测模型的方法。
