1.一种用于跨境电商的大数据智能补货发货方法，其特征在于，包括：

获取历史上多个周期时间内每个商品的市场数据，并确定市场情境指标，构建每个商品随时间变化的市场情境指标曲线，将一个周期的时间拆分成多个时间段以及将完整的市场情境指标曲线拆分成多个子曲线，以确定不同时间段内的市场变化因子；

获取历史上与市场情境指标曲线相对应的补货评价参数，通过补货评价参数来描述补货效果，从而构建每个不同市场情境下的补货策略，根据不同时间段内的市场变化因子对上一周期的市场情境指标曲线进行延伸预测，来得到每个商品的预测补货策略；

整合所有商品的预测补货策略，并且判断仓库和物流两个方面的情况是否均满足预测补货策略，若满足，则按照预测补货策略生成补货单，若不满足，则根据不同商品的市场情境指标、仓库和物流的情况通过预测补货策略按批次生成补货单，根据补货单进行补货；

接收商品订单，分析商品订单中每个商品的属性，生成商品合并物流策略，通过商品合并物流策略和商品发货优先级进行发货；

监控仓库的库存周转率，通过库存周转率调整每个商品的预测补货策略；

其中，

获取历史上多个周期时间内每个商品的市场数据，并确定市场情境指标，包括：市场数据包括多种市场参数，整合每种市场参数，通过特殊值或加权求和的方式来确定市场情境指标，市场情境指标用来描述市场对该商品的需求程度，特殊值包括最大值、最小值、均值、中位数和标准差，市场参数包括销量、价格变化、市场渗透率和渠道覆盖率；

将一个周期的时间拆分成多个时间段以及将完整的市场情境指标曲线拆分成多个子曲线，以确定不同时间段内的市场变化因子，包括：确定每个周期的市场情境指标曲线中的波峰、波谷、波动幅度和波动频率，将市场情境指标曲线中波峰和波谷之间连续的区域记作峰谷区域，将市场情境指标曲线中峰谷区域两侧的区域记作左侧区域和右侧区域；

在左侧区域和右侧区域的市场情境指标曲线上随机选取若干个标记点，分别计算相邻两标记点之间的斜率变化值，以此得到左侧区域和右侧区域分别的斜率变化平均值；

根据峰谷区域的波峰、波谷、波动幅度、波动频率以及左侧区域和右侧区域分别的斜率变化平均值确定周期的平均波动程度：根据周期的平均波动程度确定时间段的大小，并按照这个时间段的大小将一个周期的时间拆分成多个时间段，从而将完整的市场情境指标曲线拆分成多个子曲线，计算每个子曲线的平均变化率，得到一个周期上的不同子曲线的平均变化率，计算多个周期上的相同子曲线平均变化率的平均值，将这个平均值作为不同子曲线或不同时间段内的市场变化因子；

通过补货评价参数来描述补货效果，从而构建每个不同市场情境下的补货策略，包括：将补货评价参数输入到预设的评价模型中，输出补货效果，补货效果包括补多量、补少量和无需补三种；

将市场情境指标的所有取值范围进行拆分，得到多个连续的取值范围，通过每个连续的取值范围所对应补货评价参数来确定补货效果，通过补货效果对再订货点和订货量两者的函数进行补偿，补偿后的再订货点和订货量两者的函数为不同市场情境下的补货策略，补货评价参数包括销售满足率、缺货情况、物流效率和供应链响应。

2.如权利要求1所述的一种用于跨境电商的大数据智能补货发货方法，其特征在于，整合所有商品的预测补货策略，并且判断仓库和物流两个方面的情况是否均满足预测补货策略，包括：根据补偿后的再订货点和订货量两者的函数确定所有商品在同一个时间段内的补货量，并且确定这些补货量的所需补货时长，预测仓库和物流在这个时间段内的仓库可用空间和可补货时长；

当补货量小于仓库可用空间，且所需补货时长小于可补货时长时，则仓库和物流均满足预测补货策略；

否则，仓库和物流不满足预测补货策略。

3.如权利要求2所述的一种用于跨境电商的大数据智能补货发货方法，其特征在于，根据不同商品的市场情境指标、仓库和物流的情况通过预测补货策略按批次生成补货单，包括：通过仓库可用空间和可补货时长确定单批次最大补货量，并根据单批次最大补货量确认批次数量；

根据不同商品的市场情境指标大小和批次数量划分多个商品区间，每个商品区间对应有多个商品；

通过商品区间和对应的预测补货策略按批次生成补货单。

4.如权利要求1所述的一种用于跨境电商的大数据智能补货发货方法，其特征在于，分析商品订单中每个商品的属性，生成商品合并物流策略，通过商品合并物流策略和商品发货优先级进行发货，包括：商品的属性包括体积、重量、形状、材质、包装，将商品划分为可合并商品和不可合并商品；

将可合并商品进行合并运输，不可合并商品进行单独运输，通过市场情境指标大小确定商品发货优先级，从而按照顺序进行发货。

5.如权利要求4所述的一种用于跨境电商的大数据智能补货发货方法，其特征在于，监控仓库的库存周转率，通过库存周转率调整每个商品的预测补货策略，包括：