本申请涉及人工智能领域，具体涉及一种库存商品加工销售方法及装置。
背景技术：
1、当前，许多企业使用先进的供应链管理系统来监控和管理库存。这些系统利用数据分析、预测模型和实时监控技术来帮助企业更有效地管理库存水平。一些先进的技术还涉及物联网(iot)和人工智能(ai)等，以提高库存管理的智能化和自动化水平。
2、零售商家既经营百货，也销售整只猪、羊(主商品)，或者对猪、羊按比例拆解成猪前腿肉、后腿肉、五花肉等几十种拆解物(子商品)进行销售，还可以将五花肉加工成香肠进行销售，并且操作简便。商家在进行采购、调拨时，传统库存管理系统可能受制于数据准确性、时效性、以及市场变化不确定性等问题，导致滞销问题的发生。
技术实现思路
1、针对现有技术中的问题，本申请提供一种库存商品加工销售方法及装置，能够有效提高库存商品加工销售的预测准确度。
2、为了解决上述问题中的至少一个，本申请提供以下技术方案：
3、第一方面，本申请提供一种库存商品加工销售方法，包括：
4、根据当前库存中各组合商品的拆解率和相应成分耗材确定对应的加工产成品，将所述加工产成品的历史销售数据作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型；
5、将用户历史购买行为按照时间顺序构建得到时间序列数据，将所述时间序列数据作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型；
6、将从所述第一特征模型提取的库存商品销售特征和从所述第二特征模型提取的用户购买行为特征输入预设集成模型的特征融合层进行特征融合，将所述特征融合的结果输入所述集成模型的输出层，并通过所述集成模型的输出层输出库存商品的销售预测数据。
7、进一步地，所述根据当前库存中各组合商品的拆解率和相应成分耗材确定对应的加工产成品，包括：
8、根据当前库存中各组合商品的拆解率确定相应子商品和所述子商品在加工产成品中的成分比例；
9、根据所述子商品、所述子商品在加工产成品中的成分比例以及相应成分耗材确定对应的加工产成品。
10、进一步地，所述将所述加工产成品的历史销售数据作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型，包括：
11、将所述加工产成品的历史销售数据作为模型训练集和验证集对预设决策树模型进行模型训练，逐步增加所述决策树模型的深度值和/或分裂节点所需最小样本数直至所述决策树模型在所述验证集上的性能开始下降，确定对应的性能最佳深度值；
12、根据所述性能最佳深度值得到第一特征模型。
13、进一步地，所述将用户历史购买行为按照时间顺序构建得到时间序列数据，将所述时间序列数据作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型，包括：
14、从用户历史购买行为中提取商品购买特征并按照时间顺序构建得到时间序列数据；
15、将所述时间序列数据划分为模型训练集和验证集，并将所述训练集输入预设循环神经网络模型，通过设定均方误差损失函数对所述循环神经网络模型进行迭代训练，得到第二特征模型。
16、进一步地，所述将从所述第一特征模型提取的库存商品销售特征和从所述第二特征模型提取的用户购买行为特征输入预设集成模型的特征融合层进行特征融合，包括：
17、从所述第一特征模型中提取决策树深度值和节点分裂条件并作为库存商品销售特征，从所述第二特征模型中提取循环神经网络隐藏层的输出和学习到的时序关系作为用户购买行为特征；
18、将所述库存商品销售特征和所述用户购买行为特征输入随机森林模型的特征融合层中进行特征融合操作。
19、进一步地，所述将所述库存商品销售特征和所述用户购买行为特征输入随机森林模型的特征融合层中进行特征融合操作，包括：
20、将所述库存商品销售特征作为第一特征向量，将所述用户购买行为特征作为第二特征向量；
21、对所述第一特征向量和所述第二特征向量进行拼接操作，得到包含有来自所述决策树模型和所述循环神经网络模型的所有特征信息。
22、进一步地，在所述将从所述第一特征模型提取的库存商品销售特征和从所述第二特征模型提取的用户购买行为特征输入预设集成模型的特征融合层进行特征融合，将所述特征融合的结果输入所述集成模型的输出层，并通过所述集成模型的输出层输出库存商品的销售预测数据之后，包括：
23、接收管理端发送的库存商品预测请求；
24、根据所述库存商品预测请求和所述集成模型确定对应的库存商品的销售预测数据。
25、第二方面，本申请提供一种库存商品加工销售方法，包括：
26、第一特性模型构建模块，用于根据当前库存中各组合商品的拆解率和相应成分耗材确定对应的加工产成品，将所述加工产成品的历史销售数据作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型；
27、第二特性模型构建模块，用于将用户历史购买行为按照时间顺序构建得到时间序列数据，将所述时间序列数据作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型；
28、模型融合预测模块，用于将从所述第一特征模型提取的库存商品销售特征和从所述第二特征模型提取的用户购买行为特征输入预设集成模型的特征融合层进行特征融合，将所述特征融合的结果输入所述集成模型的输出层，并通过所述集成模型的输出层输出库存商品的销售预测数据。
29、第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的库存商品加工销售方法的步骤。
30、第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的库存商品加工销售方法的步骤。
31、第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的库存商品加工销售方法的步骤。
32、由上述技术方案可知，本申请提供一种库存商品加工销售方法及装置，通过根据当前库存中各组合商品的拆解率和相应成分耗材确定对应的加工产成品，将所述加工产成品的历史销售数据作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型；将与用户历史购买行为对应的时间序列数据作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型；将从所述第一特征模型提取的库存商品销售特征和从所述第二特征模型提取的用户购买行为特征输入预设集成模型的特征融合层进行特征融合，将所述特征融合的结果输入所述集成模型的输出层，并通过所述集成模型的输出层输出库存商品的销售预测数据，由此能够有效提高库存商品加工销售的预测准确度。
1.一种库存商品加工销售方法，其特征在于，所述方法包括：
2.根据权利要求1所述的库存商品加工销售方法，其特征在于，所述根据当前库存中各组合商品的拆解率和相应成分耗材确定对应的加工产成品，包括：
3.根据权利要求1所述的库存商品加工销售方法，其特征在于，所述将所述加工产成品的历史销售数据作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型，包括：
4.根据权利要求1所述的库存商品加工销售方法，其特征在于，所述将用户历史购买行为按照时间顺序构建得到时间序列数据，将所述时间序列数据作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型，包括：
5.根据权利要求1所述的库存商品加工销售方法，其特征在于，所述将从所述第一特征模型提取的库存商品销售特征和从所述第二特征模型提取的用户购买行为特征输入预设集成模型的特征融合层进行特征融合，包括：
6.根据权利要求5所述的库存商品加工销售方法，其特征在于，所述将所述库存商品销售特征和所述用户购买行为特征输入随机森林模型的特征融合层中进行特征融合操作，包括：
7.根据权利要求1所述的库存商品加工销售方法，其特征在于，在所述将从所述第一特征模型提取的库存商品销售特征和从所述第二特征模型提取的用户购买行为特征输入预设集成模型的特征融合层进行特征融合，将所述特征融合的结果输入所述集成模型的输出层，并通过所述集成模型的输出层输出库存商品的销售预测数据之后，包括：
8.一种库存商品加工销售装置，其特征在于，所述装置包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述的库存商品加工销售方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的库存商品加工销售方法的步骤。
