CN109656540B - 一种基于Apriori算法的补货库位推荐方法 - Google Patents

Abstract

本发明涉及物流仓储技术领域，具体涉及一种基于Apriori算法的补货库位推荐算法，采用如下步骤：步骤一：收集历史买家订单数据；步骤二：采用Apriori算法对步骤一中数据求取频繁项集和关联规则；步骤三：对待上架商品进行逐一遍历，记录单商品作为关联规则后件的关联规则以及对应的置信度；步骤四：对步骤三中满足要求的关联规则前件按货架编号进行分类汇总求取平均置信度；步骤五：重复步骤三‑步骤四直至将待上架商品遍历完成，输出对应的待上架商品‑推荐货架列表；它采用Apriori算法来对订单数据求取频繁项集和关联规则，形成记录商品关联后对应的置信度；它提高了同一货架商品之间的关联性，极大地提高了仓储人员的工作效率。

Description

一种基于Apriori算法的补货库位推荐方法

【技术领域】

本发明涉及物流仓储技术领域，具体涉及一种基于Apriori算法的补货库位推荐方法。

【背景技术】

随着近年来电子商务的迅猛发展，电子商务正逐渐渗透到人们生活的各个方面。其中，订单的拣选是电子商务中仓储物流作业最重要的环节之一，依据客户的订单信息，从仓库中相应的位置拣出相应商品的过程。

在实际操作中，订单拣选可分为订单到人和货到人两种模式，其中订单到人是由订单车载有一定数量买家的订单到固定站点等待拣货人员进行拣货。货到人的应用场景类似于亚马逊的KIVA方案，替代了传统的人工仓人找货的模式，由仓储机器人根据订单任务将需要进行拣选的商品货架搬运到指定的站点进行人工拣货。拣货完成后，机器人再将货架搬运到下一个拣货点或搬回库存区。

当库存区的某一商品售完，此时需要从存储区对库存区货架进行补货，现行上架人员大都随意的呼叫车辆进行上架操作，导致同一货架商品之间关联性不强，造成仓储机器人单次去站点货架的商品命中率极低，即仓储机器人将货架搬运到指定站点只能拣1种或2种sku。

在仓储操作中，订单拣选是最耗费时间和劳力的一项工作，一个仓库日订单量动辄5-6万，由于客户的订单具有小批量、高频次等特征，使得订单车和仓储机器人搬运次数增多，拣货员工的工作量也变大。电商商务环境下顾客对快递到达时间更为敏感，因此对订单拣选效率提出了更高的要求。

【发明内容】

本发明的目的在于针对现有技术的缺陷和不足，提供一种基于Apriori算法的补货库位推荐方法。

本发明所述的一种基于Apriori算法的补货库位推荐方法，采用如下步骤：

步骤一：收集历史买家订单数据；

步骤二：采用Apriori算法对步骤一中数据求取频繁项集和关联规则；

步骤三：对待上架商品进行逐一遍历，记录单商品作为关联规则后件的关联规则以及对应的置信度；

步骤四：对步骤三中满足要求的关联规则前件按货架编号进行分类汇总求取平均置信度；

步骤五：重复步骤三-步骤四直至将待上架商品遍历完成，输出对应的待上架商品-推荐货架列表。

进一步地，将步骤一中所述的订单数据形成订单号-商品列表。

进一步地，步骤二中设定最小支持度与最小置信度，得到满足条件的频繁项集和关联规则。

进一步地，步骤三中记录包含有单待上架商品作为关联规则后件的关联规则以及对应的置信度，即从频繁项集{sku1,sku2,sku3,…}产生的所有符合最小支持度和置信度条件的关联规则，如{sku1,sku2,…}→{sku3}；其中：sku表示商品，sku3为待上架商品。

进一步地，步骤四中满足要求的关联规则如{sku1,sku2,…}→{sku3}，按关联规则前件的商品所在的货架编号进行分类汇总，只要sku出现在关联规则的前件处，例如sku1，sku2，均记录此sku所在的货架编号以及对应关联规则的置信度；对每个货架的的置信度求取平均，得到每个货架对该sku的平均置信度。

进一步地，步骤五中遍历所有待上架商品，输出对应的待上架商品-推荐待上架货架列表。

采用上述结构后，本发明有益效果为：本发明所述的一种基于Apriori算法的补货库位推荐方法，它采用Apriori算法来对订单数据求取频繁项集和关联规则，形成记录商品关联后对应的置信度；它提高了同一货架商品之间的关联性，极大地提高了仓储人员的工作效率。

【附图说明】

此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：

图1是本发明的总流程示意图。

【具体实施方式】

下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

如图1所示，本具体实施方式所述的一种基于Apriori算法的补货库位推荐方法，采用如下步骤：

步骤一：收集历史买家订单数据；

步骤二：采用Apriori算法对步骤一中数据求取频繁项集和关联规则；

步骤三：对待上架商品进行逐一遍历，记录单商品作为关联规则后件的关联规则以及对应的置信度；

步骤四：对步骤三中满足要求的关联规则前件按货架编号进行分类汇总求取平均置信度；

步骤五：重复步骤三-步骤四直至将待上架商品遍历完成，输出对应的待上架商品-推荐货架列表。

进一步地，将步骤一中所述的订单数据形成订单号-商品列表。

进一步地，步骤二中设定最小支持度与最小置信度，得到满足条件的频繁项集和关联规则。

进一步地，步骤三中记录包含有单待上架商品作为关联规则后件的关联规则以及对应的置信度，即从频繁项集{sku1,sku2,sku3,…}产生的所有符合最小支持度和置信度条件的关联规则，如{sku1,sku2,…}→{sku3}；其中：sku表示商品，sku3为待上架商品。

进一步地，步骤四中满足要求的关联规则如{sku1,sku2,…}→{sku3}，按关联规则前件的商品所在的货架编号进行分类汇总，只要sku出现在关联规则的前件处，例如sku1，sku2，均记录此sku所在的货架编号以及对应关联规则的置信度；对每个货架的的置信度求取平均，得到每个货架对该sku的平均置信度。

进一步地，步骤五中遍历所有待上架商品，输出对应的待上架商品-推荐待上架货架列表。

本发明的工作原理如下：

本发明中，采用频繁项集挖掘算法，频繁项集挖掘算法(Apriori Algorithm)是经典的挖掘频繁项集和关联规则的数据挖掘算法。Apriori在拉丁语中指“来自以前”。当定义问题时，通常会使用先验知识或者假设，这被称作“一个先验”(a priori)。

Apriori算法使用频繁项集的先验性质来压缩搜索空间。Apriori算法是最经典的挖掘频繁项集算法，各种关联规则算法的目标：从不同方面入手，以减少可能的搜索空间大小及减少扫描数据的次数。该算法的核心思想为通过连接产生候选项与其支持度，然后通过剪枝生成频繁项集。

本发明中，先收集历史买家订单数据，形成订单号-商品列表；

然后，设置最小支持度以及最小置信度，采用Apriori算法对订单号-商品列表求取频繁项集和关联规则；

再然后，对待上架的商品进行逐一遍历，首先选择sku1，记录关联规则后件只有sku1的关联规则以及对应的置信度。例如：共记录，及其分别对应置信度0.7，0.6。

其中sku2、sku3位于货架编号为B12的货架上，sku7位于货架编号为B13的货架上。则B12货架对应sku1的平均置信度为(0.7+0.7+0.6)/3＝0.67。B13货架对应sku1的平均置信度为0.6，则sku1应推荐到B12货架上；

接着选择sku2，重复上述操作，直到遍历完待上架商品列表，输出对应的待上架商品-推荐库位列表。

本发明所述的一种基于Apriori算法的补货库位推荐方法它采用Apriori算法来对订单数据求取频繁项集和关联规则，形成记录商品关联后对应的置信度；它提高了同一货架商品之间的关联性，极大地提高了仓储人员的工作效率。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (2)

1.一种基于Apriori算法的补货库位推荐方法，其特征在于：采用如下步骤：

步骤一：收集历史买家订单数据；

步骤二：采用Apriori算法对步骤一中数据求取频繁项集和关联规则，设定最小支持度与最小置信度，得到满足条件的频繁项集和关联规则；

步骤三：对待上架商品进行逐一遍历，记录单待上架商品作为关联规则后件的关联规则以及对应的置信度；

步骤四：对步骤三中满足要求的关联规则前件按货架编号进行分类汇总求取平均置信度，只要商品出现在关联规则的前件处，均记录此商品所在的货架编号以及对应关联规则的置信度；对每个货架的置信度求取平均，得到每个货架对所述待上架商品的平均置信度；

步骤五：重复步骤三-步骤四直至将待上架商品遍历完成，输出对应的待上架商品-推荐货架列表。

2.根据权利要求1所述的一种基于Apriori算法的补货库位推荐方法，其特征在于：将步骤一中所述的订单数据形成订单号-商品列表。

Images