货物配送预测方法、电子设备及存储介质与流程

1.本发明涉及数据预测技术领域，具体涉及一种货物配送预测方法、电子设备及存储介质。


背景技术：

2.对销售量进行预测以便于保证仓库中有足够的货物进行配送。现有的销售量预测方式大多常用通过历史销售数据去训练网络模型，从而得到销售预测量。在历史数据量足够大时，预测结果也较为准确，但是这种方式存在一个问题，即在一些场景下，特别涉及到运营方对其旗下的加盟商进行货物配送时，其不仅仅要考虑该加盟商的历史销售数据，也同时考虑该加盟商的经营风险和运营成本。因此，运营方在允许该加盟商加盟时，就会对该加盟商进行相应的评估，根据评估会得到一个对该加盟商的期望值，这种情形下，如果仅仅考虑加盟商的历史销售数据，虽然能够通过调整相应仓库间的货物调度来满足该加盟商的需要，但是并不能对其运营进行改善，无法保证运营方和加盟方的经营持续性。


技术实现要素：

3.针对所述缺陷，本发明实施例公开了一种货物配送预测方法、电子设备和存储介质，以保证目标商家货物的及时补充，并在一定程度形成一种激励。
4.本发明实施例第一方面公开了货物配送预测方法，包括：
5.获取目标商家的历史销售数据和预设的期望数据；
6.根据所述历史销售数据和预设的期望数据构建预测模型，以预测目标周期的货物需求量；
7.根据所述货物需求量对所述目标商家进行货物配送。
8.作为一种可选的实施方式，在本发明实施例第一方面中，根据所述历史销售数据和预设的期望数据构建预测模型，以预测目标周期的货物需求量，包括：
9.利用历史销售数据对构建的神经网络模型进行训练，获取训练后的预测模型；
10.基于所述预测模型确定真实销售量和预测销售量的偏差；
11.基于所述偏差和期望数据确定所述目标周期的货物需求量。
12.作为一种可选的实施方式，在本发明实施例第一方面中，利用历史销售数据对构建的神经网络模型进行训练，获取训练后的预测模型，包括：
13.根据历史数据构建数据矩阵，所述数据矩阵为m*n维数据，其中，m为货物类型总数，n为历史周期总数；
14.基于所述数据矩阵构建样本组，将第i行至第a行数据构成样本组中的一个样本矩阵，其中，t为样本组中的样本矩阵总数，1≤i≤t，a＝i n-t-1；
15.将部分样本矩阵分别输入所述神经网络模型对所述神经网络模型进行训练，得到预测模型。
16.作为一种可选的实施方式，在本发明实施例第一方面中，基于所述预测模型确定
真实销售量和预测销售量的偏差，包括：
17.将剩余的样本矩阵分别输入所述预测模型获取预测结果；
18.将所述预测结果和剩余样本的实际数据进行比对，确定每种类型的货物的误差的平均值，作为每种货物的偏差。
19.作为一种可选的实施方式，在本发明实施例第一方面中，基于所述偏差和期望数据确定所述目标周期的货物需求量，包括：
20.将第b个历史周期至第c个历史周期的历史销售数据构建预测矩阵，得到目标周期的初始货物销售预测值，其中，b＝(d-1)-(n-t)，c＝d-1，d为目标周期；
21.根据所述偏差、期望数据和初始货物销售预测值得到最终目标周期的货物需求量：
22.pj＝p
oj

△j (q
j-p
oj
)
23.其中，pj为目标周期的第j种类型货物的货物需求量；p
oj
为目标周期的第j种类型货物的初始货物销售预测值；δj为第j种类型货物的偏差，qj为第j种类型货物的期望数据；1≤j≤m。
24.作为一种可选的实施方式，在本发明实施例第一方面中，所述方法，还包括：
25.获取目标周期前一周期的货物报损数据，根据所述报损数据和目标周期的货物需求量确定货物配送量：
[0026][0027]
其中，sj为目标周期的第j种类型货物的货物配送量，为目标周期前一周期的第j种类型货物的货物报损数据；为目标周期前一周期的第j种类型货物的真实销售数据；
[0028]
所述根据所述货物需求量对所述目标商家进行货物配送，包括：
[0029]
根据所述货物配送量对所述目标商家进行货物配送。
[0030]
作为一种可选的实施方式，在本发明实施例第一方面中，根据所述货物需求量对所述目标商家进行货物配送，包括：
[0031]
接收目标商家目标周期的配送请求；
[0032]
在所述配送请求中未包含配送数据时，根据所述货物需求量对所述目标商家进行货物配送；
[0033]
在所述配送请求中包含配送数据时，根据所述货物需求量和配送数据的平均值进行配送。
[0034]
作为一种可选的实施方式，在本发明实施例第一方面中，所述方法，还包括：
[0035]
获取目标商家在预设范围内的销售总数量，所述销售总数量为目标周期的货物需求总量与上次对烹饪设备维护到目标周期之间的实际销售总量之和；
[0036]
获取目标商家烹饪设备数量；
[0037]
当所述销售总数量与烹饪设备数量的比值大于或等于预设阈值时，在目标周期对所述烹饪设备进行维护。
[0038]
本发明实施例第二方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的货物配送预测方法。
[0039]
本发明实施例第三方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的货物配送预测方法。
[0040]
与现有技术相比，本发明实施例具有以下有益效果：
[0041]
本发明实施例中，通过历史销售数据和预设期望数据来预测目标商家在目标周期的货物需求量，进而根据该货物需求量为目标商家进行配送，其一方面保证了目标商家货物的及时补充，另一方面，通过预设期望数据对预测数据进行加成得到货物需求量，可以激励目标商家提升销售额，可以作为运营方和加盟方的一种新的商业合作模式。
附图说明
[0042]
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。
[0043]
图1是本发明实施例公开的一种货物配送预测方法的流程示意图；
[0044]
图2是本发明实施例公开的一种神经网络模型的具体预测过程的流程示意图；
[0045]
图3是本发明实施例公开的另一种货物配送预测方法的流程示意图；
[0046]
图4是本发明实施例公开的又一种货物配送预测方法的流程示意图；
[0047]
图5是本发明实施例提供的一种货物配送预测装置的结构示意图；
[0048]
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0049]
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，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。
[0050]
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“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，示例性地，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。
[0051]
实施例一
[0052]
请参阅图1，图1是本发明实施例公开的一种货物配送预测方法的流程示意图。其中，本发明实施例所描述的方法的执行主体为由软件或/和硬件组成的电子设备，该执行主体可以通过无线方式接收相关信息，并可以发送一定的指令。当然，其还可以具有一定的处理功能和存储功能。例如执行主体可以是云服务器或远程终端等，当然，也可以是将处理和存储功能以及指令发送分开设置，例如，将预测模型以及历史销售数据等存储于云服务器
中，并通过云服务器完成预测模型的训练以及对目标周期数据的预测，然后将预测结果发送到远程终端上，由远程终端发出配送指令，完成货物的配送操作。
[0053]
如图1所示，该货物配送预测方法包括以下步骤：
[0054]
s110，获取目标商家的历史销售数据和预设的期望数据。
[0055]
作为本发明较佳的实施例，目标商家为运营方旗下的加盟商，运营方对加盟商统一管控，包括但不限于加盟商的货物由运营方统一配送。
[0056]
目标商家的历史销售数据可以是目标商家自己上传到执行主体，也可以是有执行主体对货物进行监控，例如，每个货物上均设置唯一标识，并且该唯一标识和目标商家进行绑定，当特定设备例如扫码器或烹饪设备识别该唯一标识时，则执行主体会接收到该货物已经被销售。
[0057]
预设的期望数据可以由运营方根据目标商家自身的情况例如经营范围和店铺大小等以及周边环境例如学校、商场、小区、园区等的规模以及人流量等进行设定，或者以其他类似环境的成熟的加盟商的销售情况作为依据，对该目标商家形成一定的销售期望值。
[0058]
在一些其他的实施例中，还可以通过构建期望模型完成，对期望模型的进行训练，训练的方式可以是以一些成熟的加盟商的基础信息例如经营范围和店铺大小等以及周边环境例如学校、商场、小区、园区等的规模以及人流量等作为输入，以这些成熟加盟商单位周期的历史销售平均值作为输出，构建样本集对期望模型进行训练，从而通过该期望模型以及目标商家的基础信息确定对目标商家预设的期望数据。
[0059]
在本发明较佳的实施例中，历史销售数据和预设期望数据均为单位周期的数据，该单位周期与目标周期的时间跨度相同，例如根据货品的实际情况可以是一天、两天、一周、一旬或一月等。
[0060]
s120，根据所述历史销售数据和预设的期望数据构建预测模型，以预测目标周期的货物需求量。
[0061]
使用历史数据对预测模型进行训练的方式有多种。在本发明较佳的实施例中，考虑单个周期对后续周期预测的局限性以及相邻周期的货物销售的关联性，一方面采用多个连续周期的历史销售数据作为输入对神经网络模型进行训练，另一方面使用均有时间关联性的神经网络模型，例如rnn、gru和lstm中的一种。
[0062]
使用历史销售数据对构建的神经网络模型进行训练，获取训练后的预测模型，仍以历史销售数据为基础，确定真实销售量和预测销售量的偏差，然后将该偏差也融入后续的货物需求量的计算中，从而使得预测数据更加精准。
[0063]
具体地，请参照图2所示，其包括以下步骤：
[0064]
s121，根据历史数据构建数据矩阵，所述数据矩阵为m*n维数据，其中，m为货物类型总数，n为历史周期总数。
[0065]
该数据矩阵可以表达为：
[0066]
其中，第一行数据代表第一个周期各个类型货物的历史销售数据，例如x
11
为第1个周期的第1种类型货物的历史销售数据。
[0067]
s122，基于所述数据矩阵构建样本组，将第i行至第a行数据构成样本组中的一个样本矩阵，其中，t为样本组中的样本矩阵总数，1≤i≤t，a＝i n-t-1。
[0068]
样本矩阵总数t的大小根据需要设置，一般地，为了保证预测的精准性，t的数据不应小于10，并且每个样本矩阵的行数不应小于3，即每次将至少3个相邻周期的历史数据作为一个样本。
[0069]
s123，将部分样本矩阵分别输入所述神经网络模型对所述神经网络模型进行训练，得到预测模型。
[0070]
将每个样本矩阵作为神经网络模型的输入信息，将每个样本矩阵下一行的历史销售数据即a 1行历史销售数据作为神经网络模型的输出信息，对神经网络模型进行训练，通过反向传播方式更新优化神经网络模型的参数，完成对神经网络模型的训练，得到预测模型。
[0071]
这里的部分样本可以是连续的多个样本，例如将第1行至n-t行构成的第一样本矩阵、将第2行至n-t 1行构成的第二样本矩阵、以及将第3行至n-t 2行构成的第三样本矩阵等连续样本矩阵构建形成训练样本，剩余的样本矩阵作为测试样本。一般地，训练样本和测试样本可以按照6:4的比例进行分配总的样本矩阵。
[0072]
可以理解的是，第t行至第n-1行作为最后一个样本矩阵，其可以预测第n行的销售数据。
[0073]
s124，将剩余的样本矩阵分别输入所述预测模型获取预测结果。
[0074]
将测试样本输入预测模型，可以得到测试样本相应的预测结果，而其预测的周期的实际数据也是已知的，则可以执行步骤s125的操作。
[0075]
s125，将所述预测结果和剩余样本的实际数据进行比对，确定每种类型的货物的误差的平均值，作为每种货物的偏差。
[0076]
将预测结果和剩余样本相对应的实际数据(即剩余样本预测周期的实际数据)构成一组对比数据，从而得到多组针对每种货物类型的误差值，将每种类型货物的误差值的平均值作为其偏差。
[0077]
s126，将第b个历史周期至第c个历史周期的历史销售数据构建预测矩阵，得到目标周期的初始货物销售预测值，其中，b＝(d-1)-(n-t)，c＝d-1，d为目标周期。
[0078]
可以理解的是，本发明实施例的目标周期的预测，该目标周期前一个相邻周期已经产生了实际销售数据，即本发明实施例仅对未发生的在后的一个周期即目标周期进行预测，从而保证预测的准确性。当然，在其他的实施例中，也可以将目标周期之前的一个或一些为产生实际销售数据的周期的预测数据作为目标周期预测时的输入信息，实现对目标周期的货物需求量进行预测。
[0079]
因此，基于训练后的预测模型的数据需求，可以将第(d-1)-(n-t)个历史周期至第(d-1)个历史周期的历史销售数据构建预测矩阵，得到目标周期d的初始货物销售预测值。
[0080]
s127，根据所述偏差、期望数据和初始货物销售预测值得到最终目标周期的货物需求量。
[0081]
为了保证目标商家货物的及时补充，同时对其又是一种激励，在本发明较佳的实
施例中，将步骤s125计算得到的偏差以及步骤s110中的预设期望数据融合在目标周期的初始货物销售预测值中，得到最终目标周期的货物需求量：
[0082]
pj＝p
oj

△j (q
j-p
oj
)
[0083]
其中，pj为目标周期的第j种类型货物的货物需求量；p
oj
为目标周期的第j种类型货物的初始货物销售预测值；δj为第j种类型货物的偏差，qj为第j种类型货物的期望数据；1≤j≤m。
[0084]
s130，根据所述货物需求量对所述目标商家进行货物配送。
[0085]
对目标商家进行货物配送的触发方式有两种，一种是在目标周期初始的空闲时间，例如早上5:00-7:00等自动触发配送操作；另一种是有目标商家发出目标周期的配送请求，根据目标商家的配送请求触发配送操作。
[0086]
对于第一种情形，其实现过程即是根据预测的货物需求量自动向目标商家进行配送。对于第二种情形，其有包括两种情况：第一种情况是目标商家仅发起配送请求，则与上述第一种情形类似，可以在其发起配送请求的预设时间例如1个小时内根据预测的货物需求量自动开始或完成向目标商家进行配送。第二种情况是目标商家在发起配送请求时，附带配送数据时，即其要求配送一定数量的货物时，则可以在其发起配送请求的预设时间例如1个小时内根据预测的货物需求量和其要求的配送数据的平均值自动开始或完成向目标商家进行配送，或者以二者中较大值进行配送。
[0087]
实施例二
[0088]
请参阅图3，图3是本发明实施例公开的另一种货物配送预测方法的流程示意图。如图3所示，该货物配送预测方法包括以下步骤：
[0089]
s210，获取目标商家的历史销售数据和预设的期望数据。
[0090]
s220，根据所述历史销售数据构建预测模型，再预设的期望数据和前一周期的报损数据来预测目标周期的货物需求量。
[0091]
s230，根据所述货物需求量对所述目标商家进行货物配送。
[0092]
本实施例二中步骤s210和步骤s230分别与实施例一中步骤s110和步骤s130大致相同，这里不在赘述。
[0093]
在本实施例二中，在预测目标周期的货物需求量时，除考虑实施例一步骤s120的偏差、期望数据和初始货物销售预测值外，还要考虑另外一个因素，即在考虑期望数据的影响下，有可能使得目标商家长期处于货物累积积压的可能性，极易出现报损情况。这里的报损是指接近保质期仍未被售出，需要运营方收回的货物。这种情形则会给运营方造成一定的经济损失，因为在一些场景下，运营方在前期并不收取目标商家货物的成本费用，而在目标商家将货物销售后，才会在分润阶段扣除成本费用，因此，运营方收回的报损货物只能销毁处理。
[0094]
在本发明较佳的实施例中，步骤s220在计算得到步骤s120中的最终目标周期的货物需求量后，还会获取目标周期前一周期的货物报损数据，根据所述报损数据和目标周期的货物需求量确定货物配送量：
[0095]
[0096]
其中，sj为目标周期的第j种类型货物的货物配送量，为目标周期前一周期的第j种类型货物的货物报损数据；为目标周期前一周期的第j种类型货物的真实销售数据；可以称为惩戒系数。
[0097]
与此对应的，步骤s330则可以按照该货物配送量对所述目标商家进行货物配送。
[0098]
实施例三
[0099]
请参阅图4，图4是本发明实施例公开的又一种货物配送预测方法的流程示意图。如图4所示，该货物配送预测方法包括以下步骤：
[0100]
s310，获取目标商家的历史销售数据和预设的期望数据。
[0101]
s320，根据所述历史销售数据和预设的期望数据构建预测模型，以预测目标周期的货物需求量。
[0102]
s330，根据所述货物需求量对所述目标商家进行货物配送。
[0103]
本实施例三中步骤s310和步骤s330分别与实施例一或实施例二中步骤s110和步骤s130大致相同，步骤s320可以采用实施例一中的步骤s120，也可以采用实施例二中的步骤s220，这里不在赘述。
[0104]
步骤s340，对烹饪设备进行维护。
[0105]
在本发明实施例三中，作为一种商业运营方式，烹饪设备也有运营方统一配送和维护，而且在实际使用中，无需认为对烹饪设备进行具体操作，仅将货物(这里货物即烹饪食材)放入烹饪设备中，启动烹饪设备，烹饪设备即可按照预设规则例如预设的活力曲线对烹饪食材例如粉面等进行烹饪。
[0106]
因此，在一些场景下，烹饪设备的维护也与其一定周期烹饪食材的数量有关系。因此，在本发明实施例三中，获取目标商家在预设范围内的销售总数量，这里的预设范围是指上次维护到本次配送之间的区域，这里的销售总数量为目标周期的货物需求总量与上次对烹饪设备维护到目标周期之间的实际销售总量之和；然后获取目标商家烹饪设备数量；当所述销售总数量与烹饪设备数量的比值大于或等于预设阈值时，在目标周期对所述烹饪设备进行维护。
[0107]
一般地，目标商家各个烹饪设备的烹饪食材数量较为接近，所以可以使用销售总数量与烹饪设备数量的比值作为每台烹饪设备在预设范围内的烹饪数量，然后将该烹饪数量和预设阈值进行比对，当烹饪数量小于预设阈值时，则执行主体发出维护工单，由维护人员在目标周期内前往目标商家，对所有烹饪设备进行检修，以避免烹饪设备突然出现故障而影响正在烹饪或即将烹饪的客户体验。
[0108]
实施例四
[0109]
请参阅图5，图5是本发明实施例公开的货物配送预测装置的结构示意图。如图5所示，该货物配送预测装置可以包括：
[0110]
获取单元410，用于获取目标商家的历史销售数据和预设的期望数据；
[0111]
预测单元420，用于根据所述历史销售数据和预设的期望数据构建预测模型，以预测目标周期的货物需求量；
[0112]
配送单元440，用于根据所述货物需求量对所述目标商家进行货物配送。
[0113]
优选地，所述，包括：
[0114]
利用历史销售数据对构建的神经网络模型进行训练，获取训练后的预测模型；
[0115]
基于所述预测模型确定真实销售量和预测销售量的偏差；
[0116]
基于所述偏差和期望数据确定所述目标周期的货物需求量。
[0117]
优选地，利用历史销售数据对构建的神经网络模型进行训练，获取训练后的预测模型，包括：
[0118]
根据历史数据构建数据矩阵，所述数据矩阵为m*n维数据，其中，m为货物类型总数，n为历史周期总数；
[0119]
基于所述数据矩阵构建样本组，将第i行至第a行数据构成样本组中的一个样本矩阵，其中，t为样本组中的样本矩阵总数，1≤i≤t，a＝i n-t-1；
[0120]
将部分样本矩阵分别输入所述神经网络模型对所述神经网络模型进行训练，得到预测模型。
[0121]
作为一种可选的实施方式，在本发明实施例第一方面中，基于所述预测模型确定真实销售量和预测销售量的偏差，包括：
[0122]
将剩余的样本矩阵分别输入所述预测模型获取预测结果；
[0123]
将所述预测结果和剩余样本的实际数据进行比对，确定每种类型的货物的误差的平均值，作为每种货物的偏差。
[0124]
优选地，基于所述偏差和期望数据确定所述目标周期的货物需求量，包括：
[0125]
将第b个历史周期至第c个历史周期的历史销售数据构建预测矩阵，得到目标周期的初始货物销售预测值，其中，b＝(d-1)-(n-t)，c＝d-1，d为目标周期；
[0126]
根据所述偏差、期望数据和初始货物销售预测值得到最终目标周期的货物需求量：
[0127]
pj＝p
oj

△j (q
j-p
oj
)
[0128]
其中，pj为目标周期的第j种类型货物的货物需求量；p
oj
为目标周期的第j种类型货物的初始货物销售预测值；δj为第j种类型货物的偏差，qj为第j种类型货物的期望数据；1≤j≤m。
[0129]
优选地，所述装置，还可以包括惩戒单元430，用于：
[0130]
获取目标周期前一周期的货物报损数据，根据所述报损数据和目标周期的货物需求量确定货物配送量：
[0131][0132]
其中，sj为目标周期的第j种类型货物的货物配送量，为目标周期前一周期的第j种类型货物的货物报损数据；为目标周期前一周期的第j种类型货物的真实销售数据；
[0133]
所述根据所述货物需求量对所述目标商家进行货物配送，包括：
[0134]
根据所述货物配送量对所述目标商家进行货物配送。
[0135]
优选地，根据所述货物需求量对所述目标商家进行货物配送，包括：
[0136]
接收目标商家目标周期的配送请求；
[0137]
在所述配送请求中未包含配送数据时，根据所述货物需求量对所述目标商家进行货物配送；
[0138]
在所述配送请求中包含配送数据时，根据所述货物需求量和配送数据的平均值进行配送优选地，所述装置，还包括维护单元450，用于：
[0139]
获取目标商家在预设范围内的销售总数量，所述销售总数量为目标周期的货物需求总量与上次对烹饪设备维护到目标周期之间的实际销售总量之和；
[0140]
获取目标商家烹饪设备数量；
[0141]
当所述销售总数量与烹饪设备数量的比值大于或等于预设阈值时，在目标周期对所述烹饪设备进行维护。
[0142]
实施例五
[0143]
请参阅图6，图6是本发明实施例公开的一种电子设备的结构示意图。如图6所示，该电子设备可以包括：
[0144]
存储有可执行程序代码的存储器510；
[0145]
与存储器510耦合的处理器520；
[0146]
其中，处理器520调用存储器510中存储的可执行程序代码，执行实施例一至实施例三中的货物配送预测方法中的部分或全部步骤。
[0147]
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一至实施例三中的货物配送预测方法中的部分或全部步骤。
[0148]
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一至实施例三中的货物配送预测方法中的部分或全部步骤。
[0149]
本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一至实施例三中的货物配送预测方法中的部分或全部步骤。
[0150]
在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0151]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可位于一个地方，或者也可以分布到多个网络单元上。可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。
[0152]
另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0153]
所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，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器中，包括若干请求用以使得一台计算机设
备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
[0154]
在本发明所提供的实施例中，应理解，“与a对应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。
[0155]
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0156]
以上对本发明实施例公开的货物配送预测方法、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。