CN108629436A - 一种估算仓库拣货能力的方法和电子设备 - Google Patents

Abstract

本申请公开了一种估算仓库拣货能力的方法，这种方法基于大量仓库拣货的历史作业数据，并采用相关性系数衡量所列之影响仓库拣货能力的可能因素与仓库拣货能力的相关性的大小，并选取GBDT机器学习算法为模型，利用这些数据对GBDT机器学习模型进行学习，从而获得选取的仓库拣货能力的表征量的关键影响因素的量化值，最终当已知所述关键影响因素的实际值时，利用获得的量化值，就可以估算出仓库拣货能力。利用该估算仓库拣货能力的方法对仓库拣货能力进行预测，有效地避免了人工经验性预测导致的主观偏差，极大地提高预测的准确性，从而使得工作人员根据预测结果合理地调配仓库资源，即避免的仓库人力资源的浪费，又提高了仓库对激增业务量的应对能力。

Description

一种估算仓库拣货能力的方法和电子设备

技术领域

本申请涉及仓储技术领域，具体涉及一种估算仓库拣货能力的方法和电子设备。

背景技术

仓储环节是电子商务的最关键环节，它的好坏直接影响到商品的流通运转速度，最终影响到消费者对电商的认可度，因而各大电商都在积极寻求改善仓储环节的办法。从各国的物流实践来看，大体积、大批量需求多采取直达、直送的供应方式；配送多为多品种、小体积、小批量的物流作业，而且工艺复杂，特别是对于客户多、需求频率高、送货时间要求高的配送服务，拣货作业的速度和质量不仅对配送中心的作业效率起决定性的作用，而且直接影响到整个配送中心的信誉和服务水平。因此，迅速、准确地将顾客要求的商品集合起来，并通过分类、配装及时送交顾客，是拣货作业最终的目的及功能。与改善仓储环节的其他办法相比，提高现有仓库的利用率的办法成本低，周期快，而且能够有效提高现有仓库对激增业务量的应对能力。提高现有仓库的利用率基于对现有的仓库作业能力的正确估算，而仓库拣货能力是仓库作业能力的核心，有资料显示，常规拣货作业量约占仓库总作业量的60％，因此对仓库作业能力的估算主要取决于对仓库拣货能力的估算。

目前，现有技术主要依据人工经验对仓库拣货能力进行经验性估算，这种估算方法由于主要依赖人的经验，主观性较强，因而其准确性较差，不能反映真实的仓库拣货能力，导致工作人员无法正确合理调配地仓库资源，一方面浪费了有限的仓库资源，另一方面仓库无法应对激增业务量导致爆仓。

发明内容

本申请提供一种估算仓库拣货能力的方法和电子设备，以解决现有的仓库拣货能力估算方法准确性差的问题。

本申请提供一种估算仓库拣货能力的方法，服务器通过网络接收来自各个仓库的数据，并进行如下步骤：

根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度；

根据所要估算的仓库对应的影响因子的实际数据，利用所述每个影响因子的影响程度，预测仓库拣货能力。

优选的，所述根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度，包括：

预先确定可能影响仓库拣货能力的可能影响因子；

采集所述可能影响因子的历史数据，并将其带入机器学习模型进行训练，确定所述可能影响因子是否是实际的所述影响因子以及影响程度。

优选的，利用计算影响因子与仓库拣货能力之间的相关系数确定所述可能影响因子是否是实际影响因子以及影响程度。

优选的，相关系数的计算方法如下：

相关系数等于两个变量之间的协方差与标准差的商，两个变量分别是影响因子和仓库拣货能力。

优选的，采用GBDT机器学习模型计算各个所述影响因子的影响程度，包括：

将n个关键影响因素设置为n棵回归树，确定所述每棵回归树的叶子节点；

使用历史数据依次对所述n棵回归树进行GBDT迭代学习，直至残差的绝对值小于预定的值；

计算所述回归树的所述叶子节点的预测值与回归树的根节点的预测值的差，即为所述回归树各个叶子节点所对应的类别的所述影响因子的影响程度；

如果所有回归树学习完毕，残差的绝对值仍大于或等于预订的值时，增加新的影响因子和/或调整原有的影响因子的分类标准，重新进行上述步骤，直到残差的绝对值小于预定的值为止。

优选的，所述估算仓库拣货能力的方法包括：

判断所要估算的仓库的影响因子的实际数据所属的分类，计算所述类别对应的影响因子的影响程度之和；

用第一棵回归树根节点的预测值加上所述影响因子的影响程度之和，得出已知所述关键影响因素下的仓库的拣货能力。

优选的，所述仓库拣货能力用每个拣货任务的平均耗时表示。

优选的，所述可能影响仓库拣货能力的因素包括：仓库拣货工数量、拣货工配比、商品摆放位置、商品种类、订单量。

优选的，所述拣货工配比是指熟练拣货工和初级拣货工各自所占的比例。

优选的，所述商品摆放位置包括前场和后场。

本申请还提供了一种电子设备，包括：

处理器；

以及存储器，用于存储估算仓库拣货能力的的程序，该设备通电并通过所述处理器运行该估算仓库拣货能力的程序后，执行下述步骤：

根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度；

根据所要估算的仓库的影响因子的实际数据，利用所述每个影响因子的影响程度，预测仓库拣货能力。

与现有技术相比，本申请具有以下优点:

本申请提供的估算仓库拣货能力的方法基于大量仓库拣货的历史作业数据，并采用相关性系数衡量所列之影响仓库拣货能力的可能因素与仓库拣货能力的相关性的大小，并选取GBDT机器学习算法为模型，利用这些数据对GBDT机器学习模型进行学习，从而获得选取的仓库拣货能力的表征量的关键影响因素的量化值，最终当已知所述关键影响因素的实际值时，利用获得的量化值，就可以估算出仓库拣货能力。利用该估算仓库拣货能力的方法对仓库拣货能力进行预测，能够有效地避免了人工经验性预测导致的主观偏差，极大地提高预测的准确性，从而使得工作人员根据预测结果合理地调配仓库资源，即避免的仓库人力资源的浪费，又提高了仓库对激增业务量的应对能力。

附图说明

图1是本申请提供的一种估算仓库拣货能力的方法的实施例的流程图。

图2是本申请实施例提供的通过GBDT机器学习模型计算出各个所述影响因子的影响程度的流程图。

图3是本申请实施例提供的第一棵回归树(拣货工数量)机器学习的具体步骤的示意图。

图4是本申请实施例提供的第二棵回归树(拣货工配比)机器学习的具体步骤的示意图。

图5是本申请提供的一种估算仓库拣货能力的装置的实施例的示意图。

图6是本申请提供的一种估算仓库拣货能力的电子设备的实施例的示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

请参考图1，其为本申请提供的一种估算仓库拣货能力的方法的实施例的流程图。所述方法包括如下步骤：

步骤S101，根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度。

所述仓库拣货能力，是指仓库拣货作业的速度，具体而言，是指单位拣货任务的消耗时间。

所述拣货作业，是指依据顾客的订货要求或配送中心的送货计划，尽可能迅速、准确地将商品从其储位或其他区域拣取出来，并按一定的方式进行分类、集中、等待配装送货的作业流程。

所述影响因子，是指影响仓库拣货能力的因素。

所述根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度的步骤如下：

预先确定可能影响仓库拣货能力的可能影响因子；

采集所述可能影响因子的历史数据，并将其带入机器学习模型进行训练，确定所述可能影响因子是否是实际的所述影响因子以及影响程度。

所述预先确定可能影响仓库拣货能力的可能影响因子，为估算仓库拣货能力提供基本方向，具体可以通过运营操作人员的经验，找出可能影响仓库拣货能力的因素，具体可以与运营操作人员沟通，为了获得较为完善准确的信息，可以增加与运营操作人员沟通的次数，对之前确定的所述可能影响银子进行调整设计，使得所确定的可能影响仓库拣货能力的因素越来越接近实际。除此之外，还可以根据逻辑分析列出可能影响仓库拣货能力的因素。

所述采集所述可能影响因子的历史数据，并将其带入机器学习模型进行训练，确定所述可能影响因子是否是实际的所述影响因子以及影响程度，具体是指基于所列出的影响因子，对历史数据进行采集，再通过数学方法，对所述影响因子进行定量分析，确定这些可能影响因子对仓库拣货能力的实际影响效果，以及影响的程度如何，提供一个可以准确预测在不同的影响因子的状态下仓库拣货能力的大小的具体模型。

这样，可以使运营管理人员对仓库拣货能力进行实时预测，有效地利用人力资源，避免人工经验性预测导致的主观偏差，极大地提高预测的准确性，从而使得工作人员根据预测结果合理地调配仓库资源，即避免的仓库人力资源的浪费，又提高了仓库对激增业务量的应对能力。

所述机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。

所述采集历史数据的目的是为确定各个假定的影响因子对仓库拣货能力的实际影响程度提供分析来源。

就本实施例而言，在仓库拣货作业过程中，仓库拣货工数量、拣货工配比、商品摆放位置、商品种类、订单量等因素都可能影响仓库拣货能力，由于所列出的影响因子是营运操作人员凭借自身经验提出的，这些影响因子是否真正对结果(即仓库拣货能力，下同)造成影响，或者对结果影响力的程度(例如影响很大、影响一般或影响较小)具有很大的不确定性，因此，在通过与营运操作人员沟通列出几个可能影响仓库拣货能力的影响因子后，有必要通过历史数据对这些影响因子与结果的相关性进行验证。具体而言，可以采用相关性系数来简单确定所述影响因子与结果的相关性大小。

所述相关系数又叫相关系数或线性相关系数，一般用字母r表示，是用来度量变量间的线性关系的量。

相关系数的计算方法如下：相关系数等于两个变量之间的协方差与标准差的商，两个变量分别是影响因子和仓库拣货能力，即

其中X，Y表示被测的两个事件。相关系数r取值在-1到1之间，r＝0时，称X，Y不相关；|r|＝1时，称X，Y完全相关，此时，X，Y之间具有线性函数关系；|r|<1时，X的变动引起Y的部分变动，r的绝对值越大，X的变动引起Y的变动就越大，|r|>0.8时称为高度相关，当|r|<0.3时，称为低度相关，其他为中度相关。本实施例中，X，Y中其中一个是可能影响因子，另一个是仓库拣货能力。

例如，选取仓库拣货工数量作为X，仓库拣货能力作为Y，算出相关性系数为0.7，则说明仓库拣货工数量与仓库拣货能力有一定的相关性关系。

除了上述方式，也可以通过其它方式大致判断影响因子和结果之间是否存在相关性，例如散点图等，对于本步骤而言，上述过程仅仅是可选的，如果某个影响因子不涉及数据，那么可以跳过计算相关系数的步骤。

对于各影响因子对仓库拣货能力的影响程度，可以采用GBDT机器学习模型进行学习获得。

所述GBDT机器学习模型，全称Gradient Boosting Decision Tree，又可以叫做Treelink、GBRT(Gradient Boost Regression Tree)、Tree Net、MART(Multiple AdditiveRegression Tree)等。GBDT是决策树中的回归树，其衡量标准是最小化均方差。GBDT可以用来做分类、回归。GBDT由多棵决策树构成，每棵树的深度比较浅。模型预测的时候，对于输入的一个样本实例，然后会遍历每一棵决策树，每棵树都会对预测值进行调整修正，最后得到预测的结果。

具体而言，就是对上述所列出的影响因子进行学习，得到能够预测仓库拣货能力的具体模型。

采用GBDT机器学习模型进行学习获得各影响因子对仓库拣货能力的影响程度的具体步骤为：

将n个关键影响因素设置为n棵回归树，确定所述每棵回归树的叶子节点；

使用历史数据依次对所述n棵回归树进行GBDT迭代学习，直至残差的绝对值小于预定的值；

计算所述回归树的所述叶子节点的预测值与回归树的根节点的预测值的差，即为所述回归树各个叶子节点所对应的类别的所述影响因子的影响程度。

所述树(Trees)，是一种模拟现实生活中树干和树枝的资料结构，属于一种阶层架构的非线性资料结构。树的树根称为“根节点”(Root)，在根节点之下是树的树枝，拥有0到n个“子节点”(Children)，即树的“分支”(Branch)。

所述回归树，是指测试数据的输出是数值类型的树。

所述叶子节点(Leaf)，是指没有子节点的节点。

请参考图2，其为本实施例提供的通过GBDT机器学习模型计算出各个所述影响因子的影响程度的流程图，下面对通过GBDT机器学习模型计算各个所述影响因子的影响程度的步骤逐一说明。

步骤S101-1，将n个关键影响因素设置为n棵回归树，确定所述每棵回归树的叶子节点。

所述将n个关键影响因素设置为n棵回归树，是为GBDT模型设置回归树的数量，有多少个影响因素，就设置多少棵树，例如，有8个影响因素，就设置8棵树。

就本实施例而言，可能影响仓库拣货能力的影响因子包括拣货工数量、拣货工配比、商品摆放位置、商品种类、订单量五个方面，则根据这五个方面设置5棵回归树。

所述确定所述每棵回归树的叶子节点，即对每个影响因素根据可能出现的状况进行分类。

所述拣货工数量，是一个具体的值，可以根据拣货工的总量和从事拣货作业的拣货工的数量范围，分成几个区间，例如，仓库拣货工总数为15,000，同时从事拣货作业的拣货工的数量范围大致在300至1,000之间，可以分为小于300、300到500、500到700、700到900和900以上五个区间。

对于拣货工的数量区间的划分不限于以上方式，可以根据其他方案对拣货工数量进行区间划分。

所述拣货工配比，是指熟练拣货工和初级拣货工所占他们总和的比例，由于只有两种类别，因此其中一个类别的拣货工比例确定后，另一个类别的拣货工的比例随之确定，可以根据其中一个类别占总数的比例进行分类，按照这个方法，可以将拣货工配比分成五类：初级工占总数的比例小于20％；初级工占总数的比例为20％到40％；初级工占总数的比例为40％到60％；初级工占总数的比例为60％到80％；初级工占总数的比例大于80％。

使用熟练工占总数的比例作为也可以达到上述方案相同的效果。对于拣货工配比的划分不限于以上方式，可以根据其他方案对拣货工配比进行分类。

所述商品摆放位置，是指货物存放的位置，包括前场和后场。

所述商品种类包括大件商品、小件商品、加工件、标品、非标品。

所述订单量，是指订单的数量，由于一个订单可能有多件商品，因此，订单量的不同表示商品的集中程度可能不同，从而可能影响仓库拣货能力。订单量是一个具体的值，可以根据每天的订单量的数量范围，分成几个区间，例如，每天的订单量最大值为35,000份(左右)，则可以以7,000份为一个单位，将订单量平均分成5份：小于7,000；7,000到14,000；14,000到21,000；21,000到28,000；28,000以上。

对于订单量的划分不限于以上方式，可以根据订单量的分布密度对集中的区间进一步细分，或采用其他划分方案对订单量进行划分。

步骤S101-2，使用历史数据依次对所述n棵回归树进行GBDT迭代学习，直至残差的绝对值小于预定的值。

所述残差为每个叶子节点的目标值与该叶子节点的预测值的差值。

所述迭代学习，是指以上一棵回归树的残差作为本棵回归树的数据来源，并将本棵回归树的残差作为下一棵回归树的数据来源，以此类推。

每一棵回归树的具体学习步骤为：

计算目标值的平均值作为根节点的预测值；

根据预设的分类方法将目标值划入不同的类别的叶子节点；

求出每个所述叶子节点的目标值的平均值作为该叶子节点的预测值；

用所述叶子节点的目标值减去所述该叶子节点的预测值，得到本次学习的残差。

所述目标值，是指每个参与机器模型学习的数据。

结合本实施例分析，本实施例的目的是得到仓库拣货能力的预测模型，因此以仓库拣货能力的历史数据作为目标值，代入GBDT机器学习模型进行学习。

为了方便描述本步骤，以下以有限的数据作为来源数据举例说明GBDT机器学习的方法，当残差的绝对值小于0.2时，学习结束。

例如，假设历史数据如下表所示：

显示单个任务的平均耗时是(8，9，11，12)(单位：小时)，则以这些数据作为目标值代入第一棵回归树(拣货工数量)进行机器学习，请参考图3，其为本实施例提供的第一棵回归树(拣货工数量)机器学习的具体步骤的示意图，包括：

计算目标值的平均值作为根节点的预测值。经过计算，目标值的平均值为10，因此根节点的预测值为10；

根据预设的分类方法将目标值划入不同的类别的叶子节点。任务A、任务B的拣货工数量在(700，900)区间内，因此将任务A和任务B划入(700，900)的叶子节点204中；任务C、任务D的拣货工数量在(300，500)区间内，因此将任务C和任务D划入(300，500)的叶子节点202中；

求出每个所述叶子节点的目标值的平均值作为该叶子节点的预测值。叶子节点204的目标值的平均值为8.5，该节点的预测值为8.5；叶子节点202的目标值的平均值为11.5，该节点的预测值为11.5；

用所述叶子节点的目标值减去所述该叶子节点的预测值，得到本次学习的残差。任务A、任务B、任务C、任务D的残差分别为-0.5，0.5，-0.5，0.5；

接下来将所述任务A、任务B、任务C、任务D的残差代入第二棵回归树(拣货工配比)进行机器学习，请参考图4，其为本实施例提供的第二棵回归树(拣货工配比)机器学习的具体步骤的示意图，包括：

求出目标值的平均值作为根节点的预测值。任务A、任务B、任务C、任务D的残差的平均值为0；

根据预设的分类方法将目标值划入不同的类别的叶子节点。任务A、任务C的拣货工配比(以初级工所占总数的比例计算)在(0.4，0.6)区间内，因此将任务A和任务C划入(0.4，0.6)的叶子节点303中；任务B、任务D的拣货工配比以初级工所占总数的比例计算)在(0.2，0.4)区间内，因此将任务B和任务D划入(0.2，0.4)的叶子节点302中；

求出每个所述叶子节点的目标值的平均值作为该叶子节点的预测值。叶子节点303的目标值的平均值为-0.5，该节点的预测值为-0.5；叶子节点302的目标值的平均值为0.5，该节点的预测值为0.5；

用所述叶子节点的目标值减去所述该叶子节点的预测值，得到本次学习的残差。任务A、任务B、任务C、任务D的残差分别为0，0，0，0，残差的绝对值为0，0，0，0，小于预定值0.2，学习结束。

步骤S101-3，计算所述回归树的所述叶子节点的预测值与回归树的根节点的预测值的差，即为所述回归树各个叶子节点所对应的类别的所述影响因子的影响程度。

在本实施例中，拣货工数量在300至500之间对仓库拣货能力的影响程度是1.5；拣货工数量在700至900之间对仓库拣货能力的影响程度是-1.5。

本例只使用了四组数据进行模型学习，远远满足不了对机器学习模型的准确度的要求，要让GBDT机器学习模型更加准确，需要大量数据。

如果所有回归树学习完毕，残差的绝对值仍大于或等于预订的值时，重新进行上述步骤，增加新的影响因子和/或调整原有的影响因子的分类标准，直到残差的绝对值小于预定的值为止。

步骤S102，根据所要估算的仓库的影响因子的实际数据，利用所述每个影响因子的影响程度，预测仓库拣货能力。

根据所要估算的仓库的影响因子的实际数据，将所述每个影响因子的影响程度相加，再与仓库拣货能力模型的第一棵回归树的根节点的预测值相加，得到预估的仓库拣货能力，所述仓库拣货能力模型，即为经过上述步骤学习得出的机器学习模型。

与上述估算仓库拣货能力的方法相对应，本申请提供一种估算仓库拣货能力的装置，请参考图5，其为本申请提供的一种估算仓库拣货能力的装置的实施例的示意图。所述装置包括影响因子单元401和预估单元402，其中：

影响因子单元401，用于根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度；

预估单元402，用于根据所要估算的仓库的影响因子的实际数据，利用所述影响因子单元401提供的每个影响因子的影响程度，预测仓库拣货能力。

优选的，所述影响因子单元401包括可能影响因子子单元501和采集训练子单元502：

可能影响因子子单元501，用于预先确定可能影响仓库拣货能力的可能影响因子；

采集训练子单元502，用于采集所述可能影响因子的历史数据，并将其带入机器学习模型进行训练，确定所述可能影响因子子单元501提供的可能影响因子是否是实际的所述影响因子以及影响程度。

相对应的，本申请提供了一种电子设备，请参考图6，其为本申请提供的一种估算仓库拣货能力的电子设备的实施例的示意图，包括：

处理器601；

以及存储器602，用于存储估算仓库拣货能力的的程序，该设备通电并通过所述处理器601运行该估算仓库拣货能力的程序后，执行下述步骤：

根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度；

根据所要估算的仓库的影响因子的实际数据，利用所述每个影响因子的影响程度，预测仓库拣货能力。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (11)

1.一种估算仓库拣货能力的方法，其特征在于，服务器通过网络接收来自各个仓库的数据，并进行如下步骤：

根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度；

根据所要估算的仓库对应的影响因子的实际数据，利用所述每个影响因子的影响程度，预测仓库拣货能力。

2.根据权利要求1所述的估算仓库拣货能力的方法，其特征在于，所述根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度，包括：

预先确定可能影响仓库拣货能力的可能影响因子；

采集所述可能影响因子的历史数据，并将其带入机器学习模型进行训练，确定所述可能影响因子是否是实际的所述影响因子以及影响程度。

3.根据权利要求2所述的估算仓库拣货能力的方法，其特征在于，利用计算影响因子与仓库拣货能力之间的相关系数确定所述可能影响因子是否是实际影响因子以及影响程度。

4.根据权利要求3所述的估算仓库拣货能力的方法，其特征在于，相关系数的计算方法如下：

相关系数等于两个变量之间的协方差与标准差的商，两个变量分别是影响因子和仓库拣货能力。

5.根据权利要求1所述的估算仓库拣货能力的方法，其特征在于，采用GBDT机器学习模型计算各个所述影响因子的影响程度，包括：

将n个关键影响因素设置为n棵回归树，确定所述每棵回归树的叶子节点；

使用历史数据依次对所述n棵回归树进行GBDT迭代学习，直至残差的绝对值小于预定的值；

计算所述回归树的所述叶子节点的预测值与回归树的根节点的预测值的差，即为所述回归树各个叶子节点所对应的类别的所述影响因子的影响程度；

如果所有回归树学习完毕，残差的绝对值仍大于或等于预订的值时，增加新的影响因子和/或调整原有的影响因子的分类标准，重新进行上述步骤，直到残差的绝对值小于预定的值为止。

6.根据权利要求5所述的估算仓库拣货能力的方法，其特征在于，所述估算仓库拣货能力的方法包括：

判断所要估算的仓库的影响因子的实际数据所属的分类，计算所述类别对应的影响因子的影响程度之和；

用第一棵回归树根节点的预测值加上所述影响因子的影响程度之和，得出已知所述关键影响因素下的仓库的拣货能力。

7.根据权利要求1所述的估算仓库拣货能力的方法，其特征在于，所述仓库拣货能力用每个拣货任务的平均耗时表示。

8.根据权利要求1或5所述的估算仓库拣货能力的方法，其特征在于，所述可能影响仓库拣货能力的因素包括：仓库拣货工数量、拣货工配比、商品摆放位置、商品种类、订单量。

9.根据权利要求8所述的估算仓库拣货能力的方法，其特征在于，所述拣货工配比是指熟练拣货工和初级拣货工各自所占的比例。

10.根据权利要求8所述的估算仓库拣货能力的方法，其特征在于，所述商品摆放位置包括前场和后场。

11.一种电子设备，其特征在于，包括：

处理器；

以及存储器，用于存储估算仓库拣货能力的的程序，该设备通电并通过所述处理器运行该估算仓库拣货能力的程序后，执行下述步骤：

根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度；

根据所要估算的仓库的影响因子的实际数据，利用所述每个影响因子的影响程度，预测仓库拣货能力。