1.基于实时大数据的电商库存动态优化模型系统，其特征在于，包括库存信息共享单元（1）、智能补货算法单元（2）以及库存分配策略单元（3）；

所述库存信息共享单元（1）在供应链的供应商仓库、物流运输车辆以及电商自有仓库部署物联网传感器，通过边缘计算设备对物联网传感器采集的库存商品的位置、数量以及状态数据进行处理，将经过初步处理的数据上传至联盟链区块链平台；

所述智能补货算法单元（2）从联盟链区块链平台获取历史销售数据、实时市场趋势以及供应链库存信息，采用包含门控循环单元的门控循环模块（21）构建需求预测模型，使用预处理后的历史数据对模型进行训练，并根据实时数据变化动态调整预测结果，再通过自动补货模块（22）为每种商品设定库存安全阈值和补货点，当节点库存水平低于补货点时，智能合约模块（23）自动触发补货流程，引入考虑供应链不确定性的风险因子，根据历史数据和实时监测情况计算风险因子，对补货量进行动态调整，最后运用多目标优化算法，结合实时库存信息以及供应商的供货能力、价格以及交货期选择最优供应商；

所述库存分配策略单元（3）基于实时销售数据、各地区的需求预测以及库存成本，利用强化学习算法制定并不断优化动态的库存分配规则，根据实际销售数据和市场变化数据实时调整库存分配比例，并上传至联盟链区块链平台。

2.根据权利要求1所述的基于实时大数据的电商库存动态优化模型系统，其特征在于：所述库存信息共享单元（1）中，边缘计算设备对物联网传感器采集的库存商品的位置、数量以及状态数据进行处理时，采用数据融合算法，具体步骤如下：对不同类型的物联网传感器采集的数据进行时间同步，将不同传感器在相近时间点采集的数据作为一组进行处理，所述相近时间点为采集数据点时的 分钟，对于时间戳差异在设定阈值内的数据视为同步数据；

采用卡尔曼滤波算法对位置数据进行处理，对于数量数据，采用滑动窗口统计方法计算一定时间窗口内的数量变化率，若变化率超过设定阈值，则对该数据进行标记并进一步验证；

对状态数据进行分类编码，将不同的状态转换为数值编码，所述状态包括正常、损坏以及缺货，最后将处理后的位置、数量和状态数据进行融合，形成一个综合的库存数据记录，并上传至联盟链区块链平台。

3.根据权利要求2所述的基于实时大数据的电商库存动态优化模型系统，其特征在于：所述门控循环模块（21）构建需求预测模型时，采用如下训练和调整方法：

对从联盟链区块链平台获取的历史销售数据进行清洗，对于缺失值，采用线性插值法进行填充，从历史销售数据中提取时间特征、季节特征以及促销活动特征，将这些特征与销售数据一起作为模型的输入；

使用预处理后的历史数据对包含门控循环单元的门控循环模块（21）进行训练，并采用随机梯度下降算法更新模型参数，再根据实时数据变化，采用在线学习的方式对模型进行调整，当有新的实时销售数据到来时，将其加入到训练数据中，重新计算梯度并更新模型参数。

4.根据权利要求3所述的基于实时大数据的电商库存动态优化模型系统，其特征在于：所述自动补货模块（22）设定库存安全阈值和补货点时，采用如下方法：

根据历史销售数据计算每种商品的平均日需求量，并根据平均日需求量计算需求的标准差，所述需求的标准差用于衡量需求的波动程度；

根据供应商的交货期历史数据，计算平均补货提前期，并根据平均补货提前期计算安全库存，最后将平均日需求量、平均补货提前期以及安全库存代入公式中，计算补货点，当节点库存水平低于补货点时，触发补货流程。

5.根据权利要求4所述的基于实时大数据的电商库存动态优化模型系统，其特征在于：所述智能合约模块（23）计算风险因子并调整补货量时，采用如下方法：

统计历史上供应商出现中断供货的次数和总供货次数，根据中断供货的次数和总供货次数计算供应链中断风险因子；

再将所述需求的标准差与平均日需求量的比值作为需求的变异系数，并将需求的变异系数作为需求波动风险因子；

统计物流运输车辆出现延迟交货的次数和总运输次数，并根据延迟交货的次数和总运输次数计算运输延迟风险因子，综合考虑上述三种风险因子，计算综合风险因子，根据综合风险因子对初始补货量进行调整，获取调整后的补货量。

6.根据权利要求5所述的基于实时大数据的电商库存动态优化模型系统，其特征在于：所述智能补货算法单元（2）运用多目标优化算法选择最优供应商时，采用如下步骤：设 为价格， 为供货能力， 为交货期，则供应商 的供货能力为 ，价格为 ，交货期为 ，库存持有成本为 ，缺货成本为 ，则目标函数 为：；

其中 是权重系数，且 ， 是向供应商 的订货量，

是预测的需求量，订货量 需满足 ，且 ，其中 是供应商的数量；

引入遗传算法求解该多目标优化问题，初始化一个包含多个染色体的种群，每个染色体代表一种供应商选择方案和对应的订货量分配，计算每个染色体的适应度值，适应度值为目标函数值，通过选择、交叉和变异操作生成新的种群，重复迭代直到满足终止条件；

选择适应度值最大的染色体对应的供应商和订货量分配作为最优方案，自动向选定供应商发送补货订单。

7.根据权利要求6所述的基于实时大数据的电商库存动态优化模型系统，其特征在于：所述智能补货算法单元（2）引入遗传算法求解该多目标优化问题的具体方法步骤如下：创建一个包含多个染色体的种群，每个染色体代表一种供应商选择方案和对应的订货量分配；

对于种群中的每个染色体，将其对应的订货量分配代入目标函数中，计算得到的目标函数值即为该染色体的适应度值，供应商选择方案和订货量分配与适应度值成正比；

根据染色体的适应度值，采用轮盘赌选择法从当前种群中选择一定数量的染色体作为父代染色体，用于后续的交叉和变异操作，从选择出的父代染色体中随机选取两个染色体，采用单点交叉的交叉方式，生成新的子代染色体，其中，在交叉过程中，生成的子代染色体需满足约束条件；

将经过交叉和变异操作生成的子代染色体与父代染色体合并，形成新的种群，重复上述选择、交叉、变异和生成新种群的步骤，直到达到预设的适应度阈值，选择适应度值最大的染色体对应的供应商和订货量分配作为最优方案，自动向选定供应商发送补货订单。

8.根据权利要求7所述的基于实时大数据的电商库存动态优化模型系统，其特征在于：所述库存分配策略单元（3）利用强化学习算法制定并优化库存分配规则时，采用如下步骤：定义状态空间，所述状态空间包括状态向量，所述状态向量包含各地区的实时销售数据、需求预测、库存水平以及库存成本；

定义动作空间，所述动作空间包括动作向量，所述动作向量表示不同地区的库存分配比例，定义奖励函数，所述奖励函数包括奖励，所述奖励与各地区的销售利润和库存成本相关；

采用深度Q网络算法，构建一个Q网络，所述Q网络包括经验回放池和智能体，初始化经验回放池，将智能体与库存相关数据环境交互得到的样本存储到经验回放池中，从经验回放池中随机采样一批样本，计算损失函数，并使用梯度下降算法更新Q网络的参数；

最后根据实际销售数据和市场变化数据实时调整库存分配比例，并上传至联盟链区块链平台。