CN102663571A - 一种电子商务智能分储系统的储位优化筛选方法 - Google Patents

Abstract

本发明公开了一种电子商务智能分储系统的储位优化筛选方法，根据电子商务公司的动态销售情况，采用相同尺寸的立体仓储同时储存整件和散件货物，并进行优化筛选、动态调整储位的方法。该方法基于购物车数据流进行储位优化筛选，采用滑动窗口动态记录货物相似度，根据相似度对货物进行聚类，根据聚类结果指导货物分储，并通过增量聚类的方法实现混合存储的动态更新。本发明在现有全自动立体仓储的设备上，增加优化筛选、智能分储设备就能实现异源、异种货物混合存储的功能，分储优化根据购物车数据得出，符合实际商务行为的要求，且分储优化都是由计算机根据电子商务动态数据实时控制，操作人员无须人工安排。

Description

一种电子商务智能分储系统的储位优化筛选方法

技术领域

本发明涉及一种电子商务智能分储系统的储位优化筛选方法，尤其涉及适用于电子商务仓储企业中异源、异种货物优化筛选、智能分配储位，并进行入库控制的计算机自动控制系统，属于仓储设备技术领域。

背景技术

电子商务企业对于仓储的需求和传统制造企业存在着很大的区别。在传统制造企业，企业生产的商品往往品种有限、尺寸类似。例如软饮料制造商，包装方式可能只有瓶装、罐装、盒装几种，包装尺寸也只有几种、最多几十种。因此在立体仓储中，储位安排和调度比较单一；另一方面，由于传统制造企业生产和销售多有比较统一的计划，因此立体仓储的整体周转率并不高，货物存入立体仓储之后，往往需要经过较长的一段时间才会出库，即使出库，也是大批量按批次出库。所以在传统制造企业，立体仓储储位的优化相对比较简单。

而在电子商务仓储企业中，不论是B2C、还是托管C2C的立体仓储系统，储位的优化问题就变得相对复杂地多。首先，货物的来源多种多样，有的是不同业主的货源、有的是货抵的货源、有的是暂存的货源；而且货物的品种也更丰富、尺寸也五花八门，更重要的是每一种商品的数量却不多。而且，由于电子商务的不确定性，很多货物的销售都是单件完成的，对应到立体仓储系统，货物需要精确地定位到单件，才能保证准确地完成出库操作。这一方面需要在信息系统上完善，以便和电子商务销售网站协调，使用户、销售人员明确清楚库存中货物的确切数量，不至于库存中已经没有货物了，销售人员还在销售；另一方面，立体仓储的周转率要求大幅上升，由于需求的随机性，一个不好的仓储策略，往往会增加出入库操作的周期，直至延误订单的交付，更糟的情况是，增加了出入库错误发生的几率，影响整个仓储系统的正常运转。

针对这种需求异源、异种立体仓储，传统的以堆垛机为特征的全自动仓储不能满足灵活性要求。目前最直接的解决方案是回到人工操作，对货物进行条码等信息化标记，将提高人工操作的效率；也可以分两部分完成：对于数量较大的货物采用自动化仓储设备进行处理；而数量少、品种多、尺寸不一的散件则通过人工方式操作。

但是对于立体仓储的储位尺寸一般都是固定的，改变储位的尺寸在技术和经济上是很难实现的，况且整件和散件具体的数量是在不断地变化的，因此也无法确定到底需要预先设置多少面积的整件区域和多少面积的散件区域，以达到整件和散件的最佳配置。事实上，在不断变化的电子商务需求情景下，这样的最优方案往往是无法达到的。经过一段时间的出入库交替之后，整件区域的货物总是会不断地出现空洞，次序被打乱。而且当销售单件时，出库的整件也被拆散，暂存而没有销售出去的剩余货物就又要存入散件区域，这样的仓储策略显然是低效的、可扩展性能低下的。

经文献检索，对已有解决混合存储的优化方法和技术分析如下：

公开号为：CN1115288C的中国发明专利《多任务自动立体仓库控制装置》公开了一种对多个出入库仓储任务进行调度、优化的方法，该发明只是对一个货位的货物整体进行操作；

公开号为：CN1236983C的中国发明专利《用于自动仓储和根据多项目存货清单填写订单的设备和方法》公开了一种用于根据产品优先要求，确定设备将产品放置的存储货架中的位置的自动设备和方法。该发明只实现货位的优化，却没有实现产品混合存储；

公开号为：CN101441732A的中国发明专利《计算机仓储管理系统》公开了一种能够实现仓储优化的计算机软硬件系统。该发明所涉及的优化运算是指某种货物库存量超过优化库存量上限时生成该货物库存超限信号、在某种货物库存量低于优化库存量下限时生成库存不足信号、及在某件库存货物库存时间达到警报时间时生产库存时间警报信号等；

公开号为：CN101441738A的中国发明专利《分区仓储管理系统》公开了一种由中央处理系统对进出库数据进行统计、分析和存储，为进货分配相应分区仓位的管理系统；

公开号为：CN102063667A的中国发明专利《一种实现多线并行拣选的方法》公开了一种针对零售行业商品特性，通过虚拟托盘任务的整合，并行处理拆零拣选货物和整箱拣选任务，根据“最近原则”的扇形查找存储仓位，应用“控制数量”及“保质期”策略，按照出库数量顺序查找满足条件的货位中的包装商品进行出库；

公告号为：CN202030259U的中国实用新型专利《一种可变货位的组合式自动化立体仓库系统装置》公开了一种通过可变货位的组合式动力货架结合系统匹配的优化货位调度系统，采用可变货位货架，根据不同企业存储不同种类货物需求，灵活调整货架大小与层高，从而对品种丰富的多种货物进行混合存放。

总结现有仓储优化技术，有的技术仅仅提出了优化分储概念本身，而没有提供具体的实现技术细节，而大多数技术都无法满足利用现有相同尺寸的全自动立体仓储设备，对电子商务仓储企业异源、异种货物进行混合仓储的自动化管理需求。

发明内容

本发明旨在提供根据电子商务公司的动态销售情况，采用相同尺寸的立体仓储同时储存整件和散件货物，并进行优化筛选、动态调整储位的方法。本发明方法通过一种货物优化筛选分储系统的自动化设备完成。

该系统包括：全自动立体仓储、筛选分储流水线、主控计算机、储位优化控制器、现场通信总线；其中所述全自动立体仓储包括：货位、堆垛机、入库台；所述筛选分储流水线包括：入库传输带、整件传输通道、混合件传输通道、混合件整理工位、混合件整理工作人员、周转箱。

该系统的工作原理为：

需要存储入库的货物经过筛选分储流水线，在筛选分储流水线入口处安装条码扫描仪，记录每一件单件货物统一的条码编号，主控计算机内预先保存有条码编号对应的货物的货主、品名、尺寸、重量等信息，当其经过储位优化控制器时，根据储位优化筛选算法给出的分储结果，将其送到指定的混合件整理工位上，而一些整件则直接进入整件传输通道；

混合件整理工作人员，根据货物的尺寸、重量，将其安排在周转箱适当的位置，这个步骤只能由人工完成，目前机器还无法达到符合要求的智能，在周转箱上安装RFID射频标签，标签内有一定容量的存储介质，可以存储一定数量的信息，主要包括周转箱内每一件货物的货主编码、货物条码、数量等信息；

整件传输通道和混合件传输通道上送来的周转箱汇合后通过入库传输带进入入库台，等待入库；

全自动立体仓储由尺寸规格一致的货位立体排列而成，堆垛机在巷道内来回穿梭，将入库台上的周转箱存入指定的货位；

储位优化控制器通过现场通信总线和主控计算机相连，接受主控计算机发送的混合优化仓储指令，并通过执行机构推送散件货物至指定的混合件整理工位。

为了实现符合电子商务仓储需求的混合仓储管理，本发明公开了一种基于数据流的储位优化筛选方法，该方法采用滑动窗口动态记录货物相似度，并通过增量聚类的方法实现混合存储的动态更新。

具体步骤如下：

步骤1：货物初步分类，大型电子商务网站线上货物种类繁多，但是大多数货物都可以根据先验知识进行分类，使得每一类进行混合仓储优化筛选的货物的总数量限制在一个合理的区间内，这种预处理既降低了后续计算强度，也满足混合仓储的实际需求；

步骤2：购物车数据流划分，每位顾客一次购买的数据生成购物车数据，由于在一定时间内，此类购物车数据源源不断大量产生，因此根据一定的时间粒度进行数据流划分，生成一个接一个时间区间内某类货物购买事务的数据块，

假设某类货物有m种不同货物，在第t_h时间区间内共有n位顾客发生购买事务，对于第i位顾客，向量u_i＝(x_i1，x_i2，...，x_im)描述该顾客对这m种货物的购买事务，如果该顾客购买了第j种货物，则x_ij＝1，否则x_ij＝0；

另一方面，对于第j种货物，用向量v_j＝(x_1j，x_2j，...，x_nj)描述该货物被顾客购买的购买事务，如果该货物被第i位顾客购买，则x_ij＝1，否则x_ij＝0；

如果v_j由大量1构成，说明该货物被顾客购买的频率很高，相反，如果v_j由大量0构成，说明该货物被顾客购买的频率很低；

步骤3：购买事务矩阵构建，对于n位顾客购物车中m种不同货物，用u_i作行向量、v_i作列向量，得到购买事务矩阵：

$X_{n\×m}=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1m}\\ x_{21}& x_{22}& ...& x_{2m}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{\mathrm{nm}}\end{array}\right]$

步骤4：相似度矩阵构建，m行m列的相似度矩阵用来存储m种货物相互之间的相似度：

$S_{m\×m}=\left[\begin{array}{cccc}0& & & \\ s_{21}& 0& & \\ ...& ...& 0& ...\\ s_{m1}& s_{m2}& ...& 0\end{array}\right],$ 其中 $s_{\mathrm{jk}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}I\{x_{\mathrm{ij}}=i_{\mathrm{ik}}=1\}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}I\{x_{\mathrm{ij}}+x_{\mathrm{ik}}>0\}}$

s_jk度量了在购买了第j种货物和第k种货物中至少一种的顾客中，有多少顾客同时购买了两种商品，如果s_jk很大，说明顾客一旦决定购买第j种货物和第k种货物中任何一种，那么另外一种也有很大可能被同时购买，也即这两种商品的相关性很大，否则相关性很小；

步骤5：示性函数和矩阵构建，构建一个m行m列的矩阵，用来存储对应的相似度矩阵中每个元素的示性函数和：

$B_{m\×m}=\left[\begin{array}{cccc}0& & & \\ b_{21}& 0& & \\ ...& ...& 0& ...\\ b_{m1}& b_{m2}& ...& 0\end{array}\right],$ 其中 $b_{\mathrm{jk}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}I\{x_{\mathrm{ij}}=x_{\mathrm{ik}}=1\};$

在实际计算中定义示性函数I{x_ij＝x_ik}，如果存在x_ij＝x_ik，则I{x_ij＝x_ik}＝1，否则I{x_ij＝x_ik}＝0，即第i位顾客同时购买了第j种货物和第k种货物，则示性函数为1；

步骤6：计算下一时间区间，按照步骤3、步骤4、步骤5计算第t_h+1时间区间的三个矩阵

和

步骤7：更新矩阵，更新相似度矩阵和示性函数和矩阵采用以下公式：

$F{n}_1:s_{\mathrm{jk}}=\frac{b_{\mathrm{jk}}+b_{\mathrm{jk}}^{\′}}{\frac{b_{\mathrm{jk}}}{s_{\mathrm{jk}}}+\frac{b_{\mathrm{jk}}^{\′}}{s_{\mathrm{jk}}^{\′}}};$ $F{n}_2:b_{\mathrm{jk}}=b_{\mathrm{jk}}+b_{\mathrm{jk}}^{\′}$

得到更新之后的三个矩阵X_n×m、S_m×m和B_m×m，回到步骤2获取下一个时间区间内某类货物购买事务的数据块；

三组矩阵构成一个滑动窗口的FIFO堆栈，在计算新的矩阵时，滑动窗口中旧矩阵被丢弃，新生成矩阵代替了旧矩阵的位置；

步骤8：换算相异度矩阵，构建矩阵：

$D_{m\×m}=\left[\begin{array}{cccc}0& & & \\ d\left(\mathrm{2,1}\right)& 0& & \\ ...& ...& 0& ...\\ d(m,1)& d(m,2)& ...& 0\end{array}\right]$

其中，d(j，k)＝1-s_jk，表示两种货物之间的距离；

步骤9：初始聚类，生成t_h时间区间内的聚类结果R_h；

步骤10：增量聚类，根据新生成的相异度矩阵阵列，更新之后的聚类结果R_h+1，R_h+2，...，根据聚类结果指导货物分储。

其中步骤9中所述初始聚类的方法步骤如下：

步骤9.1：初始化，将所有对象置于一个簇中；

步骤9.2：计算每个簇重心；每个簇内随机选取对象，计算到重心的距离；

步骤9.3：取其他一个对象，判断距离重心更近？Y(是)，则属于右子树；N(否)，则属于左子树；

步骤9.4：判断是否遍历所有对象？N(否)，则返回步骤9.3；

步骤9.5：Y(是)，则判断聚类数目大于等于预定值？N(否)，则返回步骤9.2；Y(是)，则计算各簇间相异度；

步骤9.6：合并最相似的两个簇，计算合并后各簇的相异度，判断大于合并前？N(否)，则输出初始聚类结果；Y(是)，则取消合并，直到相异度不再增加；

步骤9.7：输出初始聚类结果。

作为优选，其中步骤10中对生成的R_h聚类结果，采用所述增量聚类的方法，可以采用新增的密集单元的聚类更新过程。

新增的密集单元会导致聚类的：

新建，即如果没有任何密集单元与之有公共面，则新建一个聚类；

合并，存在与之有公共面的密集单元w₁，w₂，...，w_k(k＞1)，则将w₁，w₂，...，w_k所在的聚类进行合并，将u吸收到新聚类中；

吸收，存在与之有公共面的密集单元w，则将u吸收到w所在的聚类；

根据新增的密集单元的聚类更新过程：

步骤10.1.1：新增密集单元，用{u_i1，u_i2，...，u_ik}表示；

步骤10.1.2：前聚类结果，用R_h＝{t₁，...，t_s}表示，其中s为聚类数目；

步骤10.1.3：聚类的代表字，用c_j＝a_n...a₁表示，若u_im∈t_j，则a_im＝1，否则a_im＝0；

步骤10.1.4：对于每一个单元u_ij，执行标记位flag＝false；

步骤10.1.5u_ij对于每一个聚类c_j，判断聚类c_j中存在一个或多个密集单元与u_ij有公共面？

步骤10.1.6：是(Y)，则判断标记位flag＝false？

步骤10.1.7：是(Y)，则将u_i吸收到c_j中，更新状态，标记位flag＝true，暂存temp_c＝c_j；

步骤10.1.8：否(N)，则形成新聚类，由聚类c_j和temp_c合并而得c′；

步骤10.1.9：判断flag＝false？是(Y)，则新建一个聚类包含u_ij；

步骤10.1.10：更新聚类结果，R_h+1＝{c₁，...，c_s′}，其中s′为更新聚类数目。

作为另外的方案，其中步骤10中对生成的R_h聚类结果，采用所述增量聚类的方法，也可以采用取消的密集单元的聚类更新过程。

取消的密集单元会导致聚类的：

分裂，聚类中存在不相连的密集单元，导致该聚类的分裂；

删除，聚类中其他密集单元都相连，将u从该聚类中删除，不做任何改动；

撤销，聚类中没有其他密集单元，撤销该聚类；

根据取消的密集单元的聚类更新过程：

步骤10.2.1：新增密集单元，用{u_i1，u_i2，...，u_ik}表示；

步骤10.2.2：前聚类结果，用R_h＝{t₁，...，t_s}表示，其中s为聚类数目；

步骤10.2.3：聚类的代表字，用c_j＝a_n...a₁表示，若u_im∈t_j，则a_im＝1，否则a_im＝0；

步骤10.2.4：对于每一个单元u_ij，对于每一个聚类c_j，判断c_j的聚类代表字为0？是(Y)，撤销聚类c_j；

步骤10.2.5：否(N)，判断n＞1？，是(Y)，将c_j分裂成n个聚类；

步骤10.2.6：否(N)，删除u_ij；

步骤10.2.7：更新聚类结果，R_h+1＝{c₁，...，c_s′}，其中s′为更新聚类数目。

本发明有益的技术效果在于：可以在现有全自动立体仓储的设备上，增加优化筛选、智能分储设备就能实现异源、异种货物混合存储的功能，分储优化根据购物车数据得出，符合实际商务行为的要求，且分储优化都是由计算机根据电子商务动态数据实时控制，操作人员无须人工安排。

附图说明

图1是本发明一种电子商务智能分储系统的储位优化筛选方法的一种优化分储系统结构图；

图2是本发明一种电子商务智能分储系统的储位优化筛选方法的流程图；

图3是本发明一种电子商务智能分储系统的储位优化筛选方法的初始聚类流程图；

图4是本发明一种电子商务智能分储系统的储位优化筛选方法的增量聚类流程图。

具体实施方式

下面通过具体实施例并结合附图对本发明进一步说明。

如图1所示，本发明的一种优化分储系统结构包括：全自动立体仓储(100)、筛选分储流水线(110)、主控计算机(111)、储位优化控制器(112)、现场通信总线(113)；其中所述全自动立体仓储(100)包括：货位(101)、堆垛机(102)、入库台(103)；所述筛选分储流水线(110)包括：入库传输带(104)、整件传输通道(105)、混合件传输通道(106)、混合件整理工位(109)、混合件整理工作人员(107)、周转箱(108)。

该系统的工作原理为：

需要存储入库的货物经过筛选分储流水线(110)，在筛选分储流水线(110)入口处安装条码扫描仪，记录每一件单件货物统一的条码编号，主控计算机(111)内预先保存有条码编号对应的货物的货主、品名、尺寸、重量等信息，当其经过储位优化控制器(112)时，根据储位优化筛选算法给出的分储结果，将其送到指定的混合件整理工位(109)上，而一些整件则直接进入整件传输通道(105)；

混合件整理工作人员(107)，根据货物的尺寸、重量，将其安排在周转箱(108)适当的位置，这个步骤只能由人工完成，目前机器还无法达到符合要求的智能，在周转箱(108)上安装RFID射频标签，标签内有一定容量的存储介质，可以存储一定数量的信息，主要包括周转箱(108)内每一件货物的货主编码、货物条码、数量等信息；

整件传输通道(105)和混合件传输通道(106)上送来的周转箱(108)汇合后通过入库传输带(104)进入入库台(103)，等待入库；

全自动立体仓储(100)由尺寸规格一致的货位(101)立体排列而成，堆垛机(102)在巷道内来回穿梭，将入库台(103)上的周转箱(108)存入指定的货位(101)；

储位优化控制器(112)通过现场通信总线(113)和主控计算机(111)相连，接受主控计算机(111)发送的混合优化仓储指令，并通过执行机构推送散件货物至指定的混合件整理工位(109)。

如图2所示，一种电子商务智能分储系统基于数据流的储位优化筛选方法的流程图包括如下步骤：

步骤1：货物初步分类(201)，根据先验知识对大型电子商务网站线上货物进行分类；

步骤2：购物车数据流划分(202)，每位顾客一次购买的数据生成购物车数据(200)，由于在一定时间内，此类购物车数据(200)源源不断大量产生，因此根据一定的时间粒度进行数据流划分，生成一个接一个时间区间内某类货物购买事务的数据块(203)；

步骤3：购买事务矩阵构建(204)，对于n位顾客购物车中m种不同货物，得到购买事务矩阵：

$X_{n\×m}=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1m}\\ x_{21}& x_{22}& ...& x_{2m}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{\mathrm{nm}}\end{array}\right]$

步骤4：相似度矩阵构建(205)，m行m列的相似度矩阵用来存储m种货物相互之间的相似度：

$S_{m\×m}=\left[\begin{array}{cccc}0& & & \\ s_{21}& 0& & \\ ...& ...& 0& ...\\ s_{m1}& s_{m2}& ...& 0\end{array}\right],$ 其中 $s_{\mathrm{jk}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}I\{x_{\mathrm{ij}}=i_{\mathrm{ik}}=1\}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}I\{x_{\mathrm{ij}}+x_{\mathrm{ik}}>0\}};$

步骤5：示性函数和矩阵构建(206)，构建一个m行m列的矩阵，用来存储对应的相似度矩阵中每个元素的示性函数和：

$B_{m\×m}=\left[\begin{array}{cccc}0& & & \\ b_{21}& 0& & \\ ...& ...& 0& ...\\ b_{m1}& b_{m2}& ...& 0\end{array}\right],$ 其中 $b_{\mathrm{jk}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}I\{x_{\mathrm{ij}}=x_{\mathrm{ik}}=1\};$

在实际计算中定义示性函数I{x_ij＝x_ik}，如果存在x_ij＝x_ik，则I{x_ij＝x_ik}＝1，否则I{x_ij＝x_ik}＝0，即第i位顾客同时购买了第j种货物和第k种货物，则示性函数为1；

步骤6：计算下一时间区间(207)，按照步骤3、步骤4、步骤5计算第t_h+1时间区间的三个矩阵和

步骤7：更新矩阵(208)，更新相似度矩阵和示性函数和矩阵采用以下公式：

$F{n}_1\left(211\right):s_{\mathrm{jk}}=\frac{b_{\mathrm{jk}}+b_{\mathrm{jk}}^{\′}}{\frac{b_{\mathrm{jk}}}{s_{\mathrm{jk}}}+\frac{b_{\mathrm{jk}}^{\′}}{s_{\mathrm{jk}}^{\′}}};$ ${\mathrm{Fn}}_2\left(210\right):b_{\mathrm{jk}}=b_{\mathrm{jk}}+b_{\mathrm{jk}}^{\′}$

得到更新之后的三个矩阵X_n×m、S_m×m和B_m×m，回到步骤2获取下一个时间区间内某类货物购买事务的数据块(203)；

三组矩阵构成一个滑动窗口的FIFO堆栈(209)，在计算新的矩阵时，滑动窗口中旧矩阵被丢弃，新生成矩阵代替了旧矩阵的位置；

步骤8：换算相异度矩阵(212)，构建矩阵：

$D_{m\×m}=\left[\begin{array}{cccc}0& & & \\ d\left(\mathrm{2,1}\right)& 0& & \\ ...& ...& 0& ...\\ d(m,1)& d(m,2)& ...& 0\end{array}\right]$

其中，d(j，k)＝1-s_jk，表示两种货物之间的距离；

步骤9：初始聚类(213)，生成t_h时间区间内的聚类结果R_h；

步骤10：增量聚类(214)，根据新生成的相异度矩阵阵列，更新之后的聚类结果R_h+1，R_h+2，...。

如图3所示，步骤9中初始聚类的方法流程如下：

步骤9.1：初始化(300)，将所有对象置于一个簇中；

步骤9.2：计算每个簇重心(301)；每个簇内随机选取对象(302)，计算到重心的距离(303)；

步骤9.3：取其他一个对象(304)，判断距离重心更近？(305)Y(是)，则属于右子树(306)；N(否)，则属于左子树(307)；

步骤9.4：判断是否遍历所有对象？(308)N(否)，则返回步骤9.3；

步骤9.5：Y(是)，则判断聚类数目大于等于4？(309)N(否)，则返回步骤9.2；Y(是)，则计算各簇间相异度(310)；

步骤9.6：合并最相似的两个簇(311)，计算合并后各簇的相异度(312)，判断大于合并前？(313)N(否)，则输出初始聚类结果(316)；Y(是)，则取消合并(314)，直到相异度不再增加(315)；

步骤9.7：输出初始聚类结果(316)。

如图4所示，步骤10中增量聚类流程如下：

其中，根据新增的密集单元的聚类更新过程(403)：

步骤10.1.1：新增密集单元(400)，用{u_i1，u_i2，...，u_ik}表示；

步骤10.1.2：前聚类结果(401)，用R_h＝{t₁，...，t_s}表示，其中s为聚类数目；

步骤10.1.3：聚类的代表字(402)，用c_j＝a_n...a₁表示，若u_im∈t_j，则a_im＝1，否则a_im＝0；

步骤10.1.4：对于每一个单元(405)u_ij，执行标记位(406)flag＝false；

步骤10.1.5：对于每一个

(407)c_j，判断聚类c_j中存在一个或多个密集单元与u_ij有公共面？(408)

步骤10.1.6：是(Y)，则判断标记位flag＝false？(412)

步骤10.1.7：是(Y)，则将u_i吸收到c_j中(409)，更新状态(410)，标记位flag＝true，暂存temp_c＝c_j(411)；

步骤10.1.8：否(N)，则形成新聚类(413)，由聚类c_j和temp_c合并而得c′；

步骤10.1.9：判断flag＝false？(414)是(Y)，则新建一个聚类包含u_ij(415)；

步骤10.1.10：更新聚类结果(423)，R_h+1＝{c₁，...，c_s′}，其中s′为更新聚类数目。

其中，根据取消的密集单元的聚类更新过程(404)：

步骤10.2.1：新增密集单元(400)，用{u_i1，u_i2，...，u_ik}表示；

步骤10.2.2：前聚类结果(401)，用R_h＝{t₁，...，t_s}表示，其中s为聚类数目；

步骤10.2.3：聚类的代表字(402)，用c_j＝a_n...a₁表示，若u_im∈t_j，则a_im＝1，否则a_im＝0；

步骤10.2.4：对于每一个单元(422)u_ij，对于每一个聚类c_j，判断c_j的聚类代表字为0？(416)是(Y)，撤销聚类c_j(417)；

步骤10.2.5：否(N)，判断n＞1？(418)，是(Y)，将c_j分裂成n个聚类(420)；

步骤10.2.6：否(N)，删除u_ij(419)；

步骤10.2.7：更新聚类结果(423)，R_h+1＝{c₁，...，c_s′}，其中s′为更新聚类数目。

根据购物车的购买行为产生数据，采用本发明的方法对货物生成聚类，根据聚类结果，指导货物分储，将同一聚类内的货物储存到同一个货位或者相邻的货位，提高货位的利用效率。

Claims (4)

1. 一种电子商务智能分储系统的储位优化筛选方法，其特征在于，包括以下步骤：

步骤1：货物根据先验知识进行分类，使得每一类进行混合仓储优化筛选的货物的总数量限制在一个合理的区间内；

步骤2：购物车数据流划分，某类货物有                                               

种不同货物，在第

时间区间内共有

位顾客发生购买事务，对于第

位顾客，向量

描述该顾客对这

种货物的购买事务，如果该顾客购买了第

种货物，则

，否则

；

另一方面，对于第种货物，用向量描述该货物被顾客购买的购买事务，如果该货物被第

位顾客购买，则

，否则

；

如果

由大量1构成，说明该货物被顾客购买的频率很高，相反，如果由大量0构成，说明该货物被顾客购买的频率很低；

步骤3：购买事务矩阵构建，对于

位顾客购物车中

种不同货物，用

作行向量、

作列向量，得到购买事务矩阵：

步骤4：相似度矩阵构建，

行

列的相似度矩阵用来存储种货物相互之间的相似度：

，其中

度量了在购买了第

种货物和第

种货物中至少一种的顾客中，有多少顾客同时购买了两种商品，如果很大，说明顾客一旦决定购买第

种货物和第

种货物中任何一种，那么另外一种也有很大可能被同时购买，也即这两种商品的相关性很大，否则相关性很小；

步骤5：示性函数和矩阵构建，构建一个

行

列的矩阵，用来存储对应的相似度矩阵中每个元素的示性函数和：

，其中

；

在实际计算中定义示性函数

，如果存在

，则

，否则

，即第

位顾客同时购买了第

种货物和第

种货物，则示性函数为1；

步骤6：计算下一时间区间，按照步骤3、步骤4、步骤5计算第

时间区间的三个矩阵、和

；

步骤7：更新矩阵，更新相似度矩阵和示性函数和矩阵采用以下公式：

：

；

：

得到更新之后的三个矩阵

、和

，回到步骤2获取下一个时间区间内某类货物购买事务的数据块；

三组矩阵构成一个滑动窗口的FIFO堆栈，在计算新的矩阵时，滑动窗口中旧矩阵被丢弃，新生成矩阵代替了旧矩阵的位置；

步骤8：换算相异度矩阵，构建矩阵：

其中，

，表示两种货物之间的距离；

步骤9：初始聚类，生成

时间区间内的聚类结果

；

步骤10：增量聚类，根据新生成的相异度矩阵阵列，更新之后的聚类结果，根据聚类结果指导货物分储。

2.根据权利要求1所述的一种电子商务智能分储系统的储位优化筛选方法，其特征在于，步骤9中所述的初始聚类包括以下步骤：

步骤9.1：初始化，将所有对象置于一个簇中；

步骤9.2：计算每个簇重心；每个簇内随机选取对象，计算到重心的距离；

步骤9.3：取其他一个对象，判断距离重心更近？ Y（是），则属于右子树；N，则属于左子树；

步骤9.4：判断是否遍历所有对象？ N（否），则返回步骤9.3； 

步骤9.5：Y（是），则判断聚类数目大于等于预定值？ N（否），则返回步骤9.2；Y（是），则计算各簇间相异度；

步骤9.6：合并最相似的两个簇，计算合并后各簇的相异度，判断大于合并前？ N（否），则输出初始聚类结果；Y（是），则取消合并，直到相异度不再增加；

步骤9.7：输出初始聚类结果。

3.根据权利要求1或2所述的一种电子商务智能分储系统的储位优化筛选方法，其特征在于，所述步骤10中对生成的

聚类结果，采用新增的密集单元的聚类更新过程，步骤如下：

步骤10.1.1：新增密集单元，用

表示；

步骤10.1.2：前聚类结果，用

表示，其中

为聚类数目；

步骤10.1.3：聚类的代表字，用

表示，若

，则

，否则

；

步骤10.1.4：对于每一个单元

，执行标记位

；

步骤10.1.5：对于每一个聚类

，判断聚类

中存在一个或多个密集单元与

有公共面？ 

步骤10.1.6：是（Y），则判断标记位

？

步骤10.1.7：是（Y），则将

吸收到

中，更新状态，标记位，暂存

；

步骤10.1.8：否（N），则形成新聚类，由聚类

和

合并而得

；

步骤10.1.9：判断

？是（Y），则新建一个聚类包含；

步骤10.1.10：更新聚类结果，，其中为更新聚类数目。

4.根据权利要求1或2所述的一种电子商务智能分储系统的储位优化筛选方法，其特征在于，所述步骤10中对生成的

聚类结果，采用取消的密集单元的聚类更新过程，步骤如下：

步骤10.2.1：新增密集单元，用

表示；

步骤10.2.2：前聚类结果，用表示，其中

为聚类数目；

步骤10.2.3：聚类的代表字，用

表示，若

，则

，否则

；

步骤10.2.4：对于每一个单元

，对于每一个聚类

，判断

的聚类代表字为0？是（Y），撤销聚类

；

步骤10.2.5：否（N），判断

？，是（Y），将

分裂成

个聚类；

步骤10.2.6：否（N），删除

；

步骤10.2.7：更新聚类结果，

，其中

为更新聚类数目。

Images