数据处理方法、装置、服务器及存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、服务器及存储介质。


背景技术：

2.在零售供应链的预测场景中，需要根据历史数据的波动规律及趋势预测每个商品在每个仓库未来的销售趋势，得到该销售趋势后，可以对仓库中物品库存的布局、采购等作出调整，以提高仓库的储物效率和空间利用率，因此，历史数据的存储和提取变得相当重要。
3.在现有技术中，对仓库的销售数据建模时，每天创建一个分区，每个分区中存放每个物品当天的销售数据或库存数据，数据的维度为：物品在某天中的销售量，当获取某物品历史三年甚至五年数据时，需要从历史三年甚至五年的分区中读取。
4.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：当获取一批物品的历史数据时，需要从历史记录中的每天的数据中读取，需获取的数据记录条数非常大(达到千亿量级)，对获取后数据计算带来极大的资源消耗和负担。


技术实现要素：

5.本技术实施例提供一种数据处理方法、装置、服务器及存储介质，用以解决现有技术在获取特定的数据时存在大量资源消耗的问题。
6.第一方面，本技术实施例提供一种数据处理方法，包括：
7.获取用户的数据查询请求，所述数据查询请求携带有目标物品的标识和所述目标物品的索引序列，所述索引序列用于指示所述目标物品在物品销售量序列中的起始位置和序列长度；
8.根据所述目标物品的标识和所述索引序列，在本地数据库中确定所述目标物品的销售数据，所述本地数据库中存储有多个物品的标识、各个物品对应的初始销售日期和各个物品对应的物品销售量序列，所述物品销售量序列用于指示所述目标物品从初始销售日期开始到预设日期的每个时间间隔的销售数量的序列；
9.将所述目标物品的销售数据发送至用户。
10.在第一方面一种可能的设计中，在所述获取用户的数据查询请求之前，所述方法还包括：
11.获取待处理数据，所述待处理数据包括多个物品的标识和各个物品的历史销售信息，所述历史销售信息包括多个销售日期及各个销售日期对应的销售数量；
12.对所述待处理数据进行时间序列转换处理，得到各个物品的标识、各个物品对应的初始销售日期和物品销售量序列；
13.将所述各个物品的标识、各个物品对应的初始销售日期和物品销售量序列存储至所述本地数据库中。
14.在第一方面另一种可能的设计中，在所述根据所述目标物品的标识和所述索引序列，在本地数据库中确定所述目标物品的销售数据之后，所述方法还包括：
15.根据算子组件库中的处理规则和所述目标物品的销售数据，确定所述目标物品的目标销售信息，所述目标销售信息为根据用户需求得到的销售信息；
16.将所述目标销售信息发送至用户。
17.可选的，所述根据算子组件库中的处理规则和所述目标物品的销售数据，确定所述目标物品的目标销售信息，包括：
18.响应于用户的第一处理请求，对所述目标物品的销售数据采用所述处理规则中的数学运算处理，得到所述目标销售信息，所述第一处理请求中包括所述处理规则。
19.可选的，所述根据算子组件库中的处理规则和所述目标物品的销售数据，确定所述目标物品的目标销售信息，包括：
20.响应于用户的第二处理请求，对所述目标物品的销售数据采用所述处理规则中窗口函数运算处理，得到所述目标销售信息，所述处理规则包括如下任一种：按一定窗口期进行求和、按一定窗口期进行求分位。
21.可选的，所述根据算子组件库中的处理规则和所述目标物品的销售数据，确定所述目标物品的目标销售信息，包括：
22.响应于用户的第三处理请求，对所述目标物品的销售数据采用所述处理规则中预测运算处理，得到所述目标销售信息，所述处理规则包括如下任一种：滑动平均、加权移动平均和指数平滑。
23.第二方面，本技术实施例提供一种数据处理装置，包括：获取模块、确定模块和发送模块；
24.所述获取模块，用于获取用户的数据查询请求，所述数据查询请求携带有目标物品的标识和所述目标物品的索引序列，所述索引序列用于指示所述目标物品在物品销售量序列中的起始位置和序列长度；
25.所述确定模块，用于根据所述目标物品的标识和所述索引序列，在本地数据库中确定所述目标物品的销售数据，所述本地数据库中存储有多个物品的标识、各个物品对应的初始销售日期和各个物品对应的物品销售量序列，所述物品销售量序列用于指示所述目标物品从初始销售日期开始到预设日期的每个时间间隔的销售数量的序列；
26.所述发送模块，用于将所述目标物品的销售数据发送至用户。
27.在第二方面一种可能的设计中，所述获取模块，还用于获取待处理数据，所述待处理数据包括多个物品的标识和各个物品的历史销售信息，所述历史销售信息包括多个销售日期及各个销售日期对应的销售数量；
28.所述确定模块，还用于对所述待处理数据进行时间序列转换处理，得到各个物品的标识、各个物品对应的初始销售日期和物品销售量序列，并将所述各个物品的标识、各个物品对应的初始销售日期和物品销售量序列存储至所述本地数据库中。
29.在第二方面另一种可能的设计中，所述确定模块，还用于根据算子组件库中的处理规则和所述目标物品的销售数据，确定所述目标物品的目标销售信息，所述目标销售信息为根据用户需求得到的销售信息；
30.所述发送模块，还用于将所述目标销售信息发送至用户。
31.可选的，所述确定模块，根据算子组件库中的处理规则和所述目标物品的销售数据，确定所述目标物品的目标销售信息，具体用于：
32.响应于用户的第一处理请求，对所述目标物品的销售数据采用所述处理规则中的数学运算处理，得到所述目标销售信息，所述第一处理请求中包括所述处理规则。
33.可选的，所述确定模块，根据算子组件库中的处理规则和所述目标物品的销售数据，确定所述目标物品的目标销售信息，具体用于：
34.响应于用户的第二处理请求，对所述目标物品的销售数据采用所述处理规则中窗口函数运算处理，得到所述目标销售信息，所述处理规则包括如下任一种：按一定窗口期进行求和、按一定窗口期进行求分位。
35.可选的，所述确定模块，根据算子组件库中的处理规则和所述目标物品的销售数据，确定所述目标物品的目标销售信息，具体用于：
36.响应于用户的第三处理请求，对所述目标物品的销售数据采用所述处理规则中预测运算处理，得到所述目标销售信息，所述处理规则包括如下任一种：滑动平均、加权移动平均和指数平滑。
37.第三方面，本技术实施例提供一种服务器，包括：处理器、存储器；
38.所述存储器存储计算机执行指令；
39.所述处理器执行所述计算机执行指令，使得所述服务器执行如上述第一方面及各种可能的设计中所述的数据处理方法。
40.第四方面，本技术实施例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存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述第一方面及各种可能的设计中所述的数据处理方法。
41.第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现如上述第一方面及各种可能的设计中所述的数据处理方法。
42.本技术实施例提供的数据处理方法、装置、服务器及存储介质。该方法中，获取用户的数据查询请求，数据查询请求携带有目标物品的标识和目标物品的索引序列，索引序列用于指示目标物品在物品销售量序列中的起始位置和序列长度，之后根据目标物品的标识和索引序列，在本地数据库中确定目标物品的销售数据，本地数据库中存储有多个物品的标识、各个物品对应的初始销售日期和各个物品对应的物品销售量序列，物品销售量序列用于指示目标物品从初始销售日期开始到预设日期的每个时间间隔的销售数量的序列，最后将目标物品的销售数据发送至用户。该技术方案中，通过查询物品销售量序列，能够直接获取到用户需要的数据，避免了现有技术先获取大量数据并进行筛选等处理，造成极大的资源消耗和负担的问题。
附图说明
43.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
44.图1a为本技术实施例提供的数据处理方法的应用场景示意图；
45.图1b为本技术实施例提供的模块框架示意图；
46.图2为本技术实施例提供的数据处理方法实施例一的流程示意图；
47.图3为本技术实施例提供的数据处理方法实施例二的流程示意图；
48.图4为本技术实施例提供的数据处理方法实施例三的流程示意图；
49.图5为本技术实施例提供的数据处理装置的结构示意图；
50.图6为本技术实施例提供的服务器的结构示意图。
51.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
52.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
53.在介绍本技术的实施例之前，首先对本技术的背景技术进行解释说明：
54.在零售供应链预测场景中，需要根据历史数据的波动规律及趋势预测每个商品在每个仓库未来的销售趋势，用于仓库的物品采购或存货布局。
55.为了使未来的预测更精准，需要获取尽可能多的历史时间序列数据，比如近两三年甚至五年每日的销售数据和库存数据。在一些较大的供应链相关的大体量的电商平台中，每日的数据量级已经很大，当需要每次获取近两三年甚至五年的数据时，对这种时间序列数据的存储及基于时间序列数据的计算都带来极大的挑战。
56.在现有技术中，数据仓库建模时，每天创建一个分区，每个分区中存放每个商品当天的销售数据或库存数据，数据的维度为：业务主键(物品 仓库) 日期(天)，当获取某物品历史三年甚至五年数据时，需要从历史三年甚至五年的分区中读取。例如，表1为本技术实施例提供的现有技术的数据存储格式表，如表1所示：
57.表1：
58.物品编号销售件数日期(分区字段)100152021-01-01100112021-01-021002202021-01-01100252021-01-02
59.然而，这种方式存储的物品的历史数据会存在如下技术问题：
60.第1、当获取一批物品的历史数据时，需要从历史三年到五年每天分区中读取，需获取的数据记录条数非常大(达到千亿量级)，对获取数据后的计算带来极大的资源消耗和负担；
61.第2、当获取少量(如某几个物品)的数据时，需要从历史很多年每天分区中筛选和过滤，速度较慢。
62.在上述现有技术存在的问题基础上，图1a为本技术实施例提供的数据处理方法的应用场景示意图，用以解决上述技术问题。如图1a所示，该应用场景示意图包括：终端设备11、服务器12和用户13。
63.其中，终端设备11可以是手机、台式电脑、笔记本、平板等与用户13进行交互的设备；应理解，本技术实施例所实现数据处理的功能的执行主体可以是服务器12。
64.在一种可能的实现中，用户13通过操作终端设备11，点击需要查询物品a从2020-01-02到2020-06-09的销售件数时，终端设备11响应于该点击查询操作，向服务器12发送数据查询请求，服务器12在本地数据库中查询到物品a的历史数据，并从中获取2020-01-02到2020-06-09的销售数据，从而将对这部分数据进行封装后发送给终端设备11，在接收到相关信息之后，终端设备11的图形用户界面显示2020-01-02到2020-06-09的销售件数，或/和通过语音模块进行播放。
65.进一步的，图1b为本技术实施例提供的模块框架示意图，如图1b所示，该模块框架示意图包括：物品销售量序列生成模块14、物品销售量序列存储模块15、自定义标量函数(user defined function，udf)16、物品销售量序列计算模块17。
66.物品销售量序列生成模块14获取到物品的销售数据之后，经过处理生成物品销售量序列，例如，商品编号1001、物品销售量序列为(5，1，6，7，13)、以及初始日期可以是2021-01-01，那么(5，1，6，7，13)即标示着2021-01-01销售物品1001的数量为5件，2021-01-02销售物品1001的数量为1件，2021-01-03销售物品1001的数量为6件，2021-01-04销售物品1001的数量为7件，2021-01-05销售物品1001的数量为13件。
67.物品销售量序列存储模块15将物品销售量序列生成模块14生成的物品销售量序列存储至本地数据库中，在需要根据本地数据库中的数据进行推算以后的销售量、优化库存，计算历史数据中的某一段时间的销售量等时，物品销售量序列计算模块17可以通过调用udf 16中的相应处理规则进行计算。本实施例没有纰述的详细内容可由下述实施例进行详述。
68.本技术针对上述技术问题，发明人的技术构思过程如下：发明人发现，现有技术是以每天建立一个分区进行各个物品的销售数据等的相关信息的存储，这样的方式随着日期数量的增加，所形成的分区数量增加，增加了查询难度。如果可以以物品为主键存储每天形成的相关信息，那么在后续查询时，仅需要查询对应的物品主键下的信息，获取一段时间的数据，仅在相关信息中寻找对应的时间段，便可以解决上述技术问题，且物品的数量是有限的，相对于每天增加的分区数量而言，是少量的，更有有利于提高查询效率。
69.下面以图1a所示的应用场景示意图和图1b所示的模块框架示意图，通过具体实施例对本技术的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
70.图2为本技术实施例提供的数据处理方法实施例一的流程示意图。如图2所示，该数据处理方法可以包括如下步骤：
71.步骤21、获取用户的数据查询请求。
72.在本步骤中，用户通过终端设备实现对某件、或多件物品的历史销售数据的查询时，需要向服务器发送相应的数据查询请求，以调用服务器的本地数据库中的相关历史销售数据。
73.其中，数据查询请求携带有目标物品的标识和目标物品的索引序列，索引序列用于指示目标物品在物品销售量序列中的起始位置和序列长度，物品销售量序列用于指示目
标物品从初始销售日期开始到预设日期的每个时间间隔的销售数量的序列。
74.可选的，用户可以使用终端设备中安装的相关的应用程序或者相关网页实现该步骤，具体的，用户选择图形用户界面中相应的目标物品，以及对应的获取时间段，并点击“数据获取”按键，而后终端设备响应于用户的点击操作，将目标物品的标识和目标物品的索引序列进行封装，生成数据查询请求。
75.进一步地，可以将该数据查询请求通过无线传输的方式发送给对应的服务器(本技术实施例的执行主体)，具体的，可以通过tcp协议、二进制通信协议或超文本传输协议(hyper text transfer protocol，http)等实现无线传输。
76.可选的，结合图1b的示例，物品销售量序列类似于是一段物品销售量的件事的集合，集合中的每个元素对应每一天的销售量，按照时间顺序排列，索引序列即记载了物品销售量序列中需要获取的目标物品的起始日期(起始位置)和对应的元素数量(序列长度)。
77.步骤22、根据目标物品的标识和索引序列，在本地数据库中确定目标物品的销售数据。
78.在本步骤中，服务器接收到数据查询请求之后，在本地数据库中的查询目标物品的物品销售量序列，并从该物品销售量序列中读取出相应需要查询的销售数据。
79.其中，本地数据库中存储有多个物品的标识、各个物品对应的初始销售日期和各个物品对应的物品销售量序列。
80.在一种可能的实现中，初始销售日期，可以是第一次记录该物品销售量的日期，例如，2020-02-06，该物品对应的物品销售量序列中的第一个元素便可以是2020-02-06对应的销售量5件。
81.可选的，根据目标物品的标识，服务器可以遍历本地数据库中所有物品的标识，寻找出相应的目标物品的标识，从而在该目标物品的标识中的物品销售量序列中，继续寻找相应的销售数据。
82.进一步地，根据索引序列中的物品销售量序列中的起始位置，例如，起始位置可以是2020-02-08，即物品销售量序列中的第3个元素，而序列长度为5，则表示本次确定，即查询2020-02-08、2020-02-09、2020-02-10、2020-02-11和2020-02-12对应的该目标物品的销售量，例如，5件、6件、9件、3件和6件。
83.可选的，将本地数据库中目标物品的销售数据读取，可以采用spark结构化查询语言(structured query language，sql)或hive sql。
84.步骤23、将目标物品的销售数据发送至用户。
85.在本步骤中，服务器将查询到的目标物品的销售数据生成一条响应信息，返回至终端设备，终端设备接收到该响应信息，并进行解析之后，呈现在图形用户界面上、或/和通过播放模块将该目标物品的销售数据播放给用户。
86.例如，终端设备的图形用户界面上可以显示“2020-02-08到2020-02-12，物品1006的销售数据为5件、6件、9件、3件、6件”，也可以通过播放模块播放“物品1006在2020-02-08销售5件、2020-02-09销售6件、2020-02-10销售9件、2020-02-11销售3件、2020-02-12销售6件”。
87.应理解，终端设备侧的目标物品的销售数据的展示仅作示例。
88.本技术实施例提供的数据处理方法，通过获取用户的数据查询请求，数据查询请
求携带有目标物品的标识和目标物品的索引序列，索引序列用于指示目标物品在物品销售量序列中的起始位置和序列长度，之后根据目标物品的标识和索引序列，在本地数据库中确定目标物品的销售数据，本地数据库中存储有多个物品的标识、各个物品对应的初始销售日期和各个物品对应的物品销售量序列，物品销售量序列用于指示目标物品从初始销售日期开始到预设日期的每个时间间隔的销售数量的序列，最后将目标物品的销售数据发送至用户。该技术方案中，通过查询物品销售量序列，能够直接获取到用户需要的数据，避免了现有技术先获取大量数据并进行筛选等处理，造成极大的资源消耗和负担的问题。
89.在上述实施例的基础上，图3为本技术实施例提供的数据处理方法实施例二的流程示意图。如图3所示，在上述步骤21之前，该数据处理方法可以包括如下步骤：
90.步骤31、获取待处理数据。
91.在本步骤中，待处理数据可以是每天产生的物品的销售数据；也可以是从历史时间段中每天分区中物品的销售数据，即以现有技术的存储方式存储的数据。
92.其中，待处理数据包括多个物品的标识和各个物品的历史销售信息，历史销售信息包括多个销售日期及各个销售日期对应的销售数量，历史时间段可以是当前时间段之前的一段时间，例如，5个月、3年、5年等。
93.可选的，待处理数据的格式可以是表1所示的每天形成的分区的存储格式，记录有各个物品的编号(物品的标识)、每个销售日期和对应销售日期的销售量；也可以是新的日期产生的数据(仅示例，还可以是最近一些天的产生的数据)。
94.可选的，待处理数据可以是通过第三方设备发送，由服务器接收的；也可以是服务器对应的技术人员输入的。
95.步骤32、对待处理数据进行时间序列转换处理，得到各个物品的标识、各个物品对应的初始销售日期和物品销售量序列。
96.在本步骤中，将各个物品的销售数据按照时间序列转换，即指，以一个物品为例，以该物品的标识为主键，记录其第一次销售对应的日期(初始销售日期)，以该初始日期为第一个元素，连续记录之后的每个销售日期对应的销售量。
97.在一种可能的实现中，待处理数据可以是以表1所示的每天形成的分区的存储格式存储的数据，即基于每个分区的数据，得到各个物品的标识、各个物品对应的初始销售日期和物品销售量序列。
98.具体的，表2为本技术实施例提供的时间序列转换处理表，如表2所示：
99.表2：
100.物品标识物品销售量序列初始销售日期序列长度指标名称1001[5，1]2021-01-012销售件数1002[20，5]2021-01-012销售件数
[0101]
在另一种可能的实现中，待处理数据可以是新的一天产生的物品的销售数据，便可以直接在物品销售量序列中进行补充，例如，初始日期可以是2021-01-01，物品销售量序列为(5，1，6，7，13)，2021-01-06的销售数据为10，则新的物品销售量序列为(5，1，6，7，13，10)。
[0102]
可选的，当待处理数据中，某一日期物品的销售量为0时，该日期对应的元素值为0，例如，初始销售日期2021-01-01，从2021-01-01开始连续记载的销售量分别为5、1、0、3，
则物品销售量序列为[5，1，0，3]，也即物品销售量序列中的第3个元素为0，对应为2021-01-03的销售量。
[0103]
此外，本技术实施例提供的物品销售量序列是以天数为基础的，在实际应用中，还有可以以30分钟、3天、1个月等时间段为基础进行时间序列转换处理。
[0104]
具体的，初始销售日期2021-01-01，当以3天为例时，新的初始销售日期2021-01-03，物品销售量序列为[6，7，5]即分别代表2021-01-03的销售量为6件，2021-01-06的销售量为7件，2021-01-09的销售量为5件。
[0105]
可选的，该步骤可以对应图1b中的物品销售量序列生成模块的相应功能，其中时间序列转换处理可以是按照hive udf函数规范进行封装，可以在spark、mapreduce等分布式计算引擎中高效运行，形成待处理数据进行时间序列转换处理之后的格式。
[0106]
步骤33、将各个物品的标识、各个物品对应的初始销售日期和物品销售量序列存储至本地数据库中。
[0107]
在本步骤中，分别以各个物品的标识为主键，将各个物品对应的初始销售日期和物品销售量序列存储至本地数据库中。
[0108]
可选的，本地数据库中可以有hive表，其结构可以与待处理数据进行时间序列转换处理之后的格式相同，直接将相应的数据存储即可。
[0109]
其中，指标名称为表的分区字段，此时，当需要获取某个商品历史三年或五年的销售件数时，只需从一个物品对应的分区中读取一条数据即可，大幅加快了数据读取速度。
[0110]
本技术实施例提供的数据处理方法，通过获取待处理数据，并对待处理数据进行时间序列转换处理，得到各个物品的标识、各个物品对应的初始销售日期和物品销售量序列，之后将各个物品的标识、各个物品对应的初始销售日期和物品销售量序列存储至本地数据库中。该技术方案中，通过对待处理数据进行行时间序列转换处理，为后续用户可以便捷、高效的从本地数据库中读取数据提供了基础。
[0111]
在上述实施例的基础上，图4为本技术实施例提供的数据处理方法实施例三的流程示意图。如图4所示，在上述步骤22之后，该数据处理方法可以包括如下步骤：
[0112]
步骤41、根据算子组件库中的处理规则和目标物品的销售数据，确定目标物品的目标销售信息。
[0113]
其中，目标销售信息为根据用户需求得到的销售信息。
[0114]
在本步骤中，算子组件库中提供有销售数据的处理规则，可以分为常规的数学运算处理、窗口函数运算处理、预测运算处理、以及其他可能的运算处理。
[0115]
可选的，对目标物品的销售数据进行相应的处理，以满足用户的需求，得到目标物品的目标销售信息。
[0116]
在具体应用中，该步骤可以包括如下几种可能的实现：
[0117]
第一、响应于用户的第一处理请求，对目标物品的销售数据采用处理规则中的数学运算处理，得到目标销售信息。
[0118]
作为示例，第一处理请求中包括处理规则，该处理规则包括如下任一种：加运算、减运算、乘运算、除运算、幂运算、对数运算和三角运算等。
[0119]
可选的，以加运算为例，对目标物品的销售数据进行加运算，得到目标物品的目标销售信息，即物品1009的销售数据为[6，10，11，3，0]，初始销售日期为2021-01-01，进行加
运算可知，从2021-01-01到2021-01-05的5天中，销售物品1009共计6 10 11 3 0＝30件。
[0120]
第二、响应于用户的第二处理请求，对目标物品的销售数据采用处理规则中窗口函数(olap，online analytical processing)运算处理，得到目标销售信息，处理规则包括如下任一种：按一定窗口期进行求和、按一定窗口期进行求分位。
[0121]
可选的，该窗口函数运算处理可以按预设时长的窗口期，按一定步长，滑动计算预设时长窗口期内数据合计、分位数等，例如预设时长可以是7天、10天等。
[0122]
第三、响应于用户的第三处理请求，对目标物品的销售数据采用处理规则中预测运算处理，得到目标销售信息，处理规则包括如下任一种：滑动平均、加权移动平均和指数平滑。
[0123]
可选的，以滑动平均为例，通过顺序逐期增减新旧数据求算移动平均值，借以消除偶然变动因素，找出目标物品的销售数据的发展趋势，并据此进行预测的方法。
[0124]
可选的，以加权移动平均为例，对目标物品的销售数据分别给予不同的权数，按不同权数求得移动平均值，并以最后的移动平均值为基础，并据此进行预测的方法。
[0125]
例如，针对7天的目标物品1010的销售数据，周一到周日分别为5、6、5、4、8、15、13，由于15，13对应的日期为周末，民众的消费意愿强烈，目标物品1010的销售量很高，此时对各个日期进行相应的权数配比，例如，周一到周日分别为6％、12％、12％、10％、15％、25％、20％，可以预测出下一周的销售件数为(6％*5 12％*6 12％*5 10％*4 15％*8 25％*15 20％*13)*7＝66.99，约为67件。
[0126]
步骤42、将目标销售信息发送至用户。
[0127]
在本步骤中，服务器将目标销售信息发送至终端设备，终端设备接收到该目标销售信息之后，呈现与图形用户界面上，或/和通过端端设备的播放模块进行播放。
[0128]
之后，用户根据该目标销售信息，可以制定新的物品存储规则。
[0129]
例如，物品1001在仓库a中的出库量(销售量)是逐渐减少的，那么对仓库a中物品1001的入库量可以进行相应的下调；物品1002在仓库b中的出库量(销售量)是逐渐减少的，那么对仓库b中物品1002的入库量可以进行相应的上调。
[0130]
例如，物品1001在仓库a中的出库量是逐渐递减的，在仓库b中的出库量是逐渐增加的，那么对仓库b中物品1001的入库量可以进行相应的上调，对仓库a中物品1001的入库量可以进行相应的下调。
[0131]
例如，物品1001在仓库a和其他仓库的出库量都是逐渐递减的，那么可以针对这一情况，对物品1001进行重新评审，以确定该物品1001的销售定位，或在销售过程中存在的问题等。
[0132]
应理解，目标销售信息的使用途径上述仅作简单示例，实际应用中可以包含其他使用途径。
[0133]
此外，本技术实施例以历史销售信息为例进行说明，在一些实际应用中，物品销售量序列也可以指物品的其他数据，例如，每一天物品的入库量、每一天物品的库存量等。
[0134]
本技术实施例提供的数据处理方法，通过根据算子组件库中的处理规则和目标物品的销售数据，确定目标物品的目标销售信息，之后将目标销售信息发送至用户。该技术方案中，通过处理规则对销售数据进行处理，实现了用户对目标物品的预测、统计等相关实用性的计算最大程度的实现了目标物品的历史数据对实际应用的需求分析。
[0135]
在上述方法实施例的基础上，图5为本技术实施例提供的数据处理装置的结构示意图。如图5所示，该数据处理装置包括：获取模块51、确定模块52和发送模块53；
[0136]
获取模块51，用于获取用户的数据查询请求，数据查询请求携带有目标物品的标识和目标物品的索引序列，索引序列用于指示目标物品在物品销售量序列中的起始位置和序列长度；
[0137]
确定模块52，用于根据目标物品的标识和索引序列，在本地数据库中确定目标物品的销售数据，本地数据库中存储有多个物品的标识、各个物品对应的初始销售日期和各个物品对应的物品销售量序列，物品销售量序列用于指示目标物品从初始销售日期开始到预设日期的每个时间间隔的销售数量的序列；
[0138]
发送模块53，用于将目标物品的销售数据发送至用户。
[0139]
在本技术实施例一种可能的设计中，获取模块51，还用于获取待处理数据，待处理数据包括多个物品的标识和各个物品的历史销售信息，历史销售信息包括多个销售日期及各个销售日期对应的销售数量；
[0140]
确定模块52，还用于对待处理数据进行时间序列转换处理，得到各个物品的标识、各个物品对应的初始销售日期和物品销售量序列，并将各个物品的标识、各个物品对应的初始销售日期和物品销售量序列存储至本地数据库中。
[0141]
在本技术实施例另一种可能的设计中，确定模块52，还用于根据算子组件库中的处理规则和目标物品的销售数据，确定目标物品的目标销售信息，目标销售信息为根据用户需求得到的销售信息；
[0142]
发送模块53，还用于将目标销售信息发送至用户。
[0143]
可选的，确定模块52，根据算子组件库中的处理规则和目标物品的销售数据，确定目标物品的目标销售信息，具体用于：
[0144]
响应于用户的第一处理请求，对目标物品的销售数据采用处理规则中的数学运算处理，得到目标销售信息，第一处理请求中包括处理规则。
[0145]
可选的，确定模块52，根据算子组件库中的处理规则和目标物品的销售数据，确定目标物品的目标销售信息，具体用于：
[0146]
响应于用户的第二处理请求，对目标物品的销售数据采用处理规则中窗口函数运算处理，得到目标销售信息，处理规则包括如下任一种：按一定窗口期进行求和、按一定窗口期进行求分位。
[0147]
可选的，确定模块52，根据算子组件库中的处理规则和目标物品的销售数据，确定目标物品的目标销售信息，具体用于：
[0148]
响应于用户的第三处理请求，对目标物品的销售数据采用处理规则中预测运算处理，得到目标销售信息，处理规则包括如下任一种：滑动平均、加权移动平均和指数平滑。
[0149]
本技术实施例提供的数据处理装置，可用于执行上述实施例中数据处理方法对应的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0150]
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外这些模块全部
或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0151]
图6为本技术实施例提供的服务器的结构示意图。如图6所示，该计算机可以包括：处理器60、存储器61及存储在该存储器61上并可在处理器60上运行的计算机程序指令。
[0152]
处理器60执行存储器61存储的计算机执行指令，使得处理器60执行上述实施例中的方案。处理器60可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0153]
可选的，该服务器还可以包括：收发器62。
[0154]
存储器61和收发器62通过系统总线与处理器60连接并完成相互间的通信，存储器61用于存储计算机程序指令。
[0155]
收发器62用于和其他设备进行通信，该收发器62构成通信接口。
[0156]
可选的，在硬件实现上，上述图5所示实施例中的获取模块51和发送模块53对应于本实施例中的收发器62。
[0157]
系统总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0158]
本技术实施例提供的服务器，可用于执行上述实施例中数据处理方法对应的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0159]
本技术实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中数据处理方法的技术方案。
[0160]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机设备上运行时，使得计算机设备执行上述实施例中数据处理方法的技术方案。
[0161]
本技术实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于执行上述实施例中数据处理方法的技术方案。
[0162]
上述的计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机设备能够存取的任何可用介质。
[0163]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。