CN110009291B - 一种仓库货物入库方法 - Google Patents
一种仓库货物入库方法 Download PDFInfo
- Publication number
- CN110009291B CN110009291B CN201910377826.2A CN201910377826A CN110009291B CN 110009291 B CN110009291 B CN 110009291B CN 201910377826 A CN201910377826 A CN 201910377826A CN 110009291 B CN110009291 B CN 110009291B
- Authority
- CN
- China
- Prior art keywords
- warehouse
- group
- goods
- library
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种仓库货物入库方法,包括以下步骤:S1、计算入库货物的周转度;S2、筛选出片区中的不可用仓库,并在筛选后的可用仓库中选取一定数量仓库组成仓库组,计算仓库组性能;S3、在仓库组中搜索库位组,并计算库位组性能;S4、结合仓库组性能、库位组性能,选出性能最优库位组,作为推荐结果。本发明将商品按照其流动度、易损度等特征来选择适当的库位,并且计算选择离散程度低的库位存放方案,能极大的提高仓库库位的利用率,减少仓库出现“碎片库位”的情况,减少了后期管理仓库时的人工操作的时间,方便仓库管理员对商品进行管理,提高了经济利益。
Description
技术领域
本发明属于物流仓库管理技术领域,特别涉及一种仓库货物入库方法。
背景技术
现如今的物流仓库管理中,智能化的管理还比较欠缺,大多是基于仓库管理员的个人经验作为指导依据。这种管理方式下物流仓库久而久之就会出现一系列的问题。由于人的记忆力是有限的,很难对整个仓库,乃至于整个片区有一个全面的认识,因此在让商品入库时所选择的库位往往不是全局最优解;其次,由于人天生的惰性,很难保证每个仓库管理员在每次商品入库时,都去查看一下所有商品的摆放情况,并制定出此次入库货物的最优摆放位置。因此,需要依赖于计算机来辅助推荐库位信息。
也存在的少部分基于神经网络的仓库管理方法较少。基于神经网络的仓库管理方法大多需要依赖大量的输入样本,而对于中小型的仓库,以及较新的仓库而言,大量的样本收集是不切实际的。并且由于神经网络本身具有的模型复杂性,不可解释性,使基于神经网络的仓库管理方法难以使仓库管理员信服。
发明内容
本发明的目的在于克服现有技术的不足,提供一种计算选择离散程度低的库位存放方案,能极大的提高仓库库位的利用率,减少仓库出现“碎片库位”的情况,减少了后期管理仓库时的人工操作的时间的仓库货物入库方法。
本发明的目的是通过以下技术方案来实现的:一种仓库货物入库方法,包括以下步骤:
S1、计算入库货物的周转度;
S2、筛选出片区中的不可用仓库,并在筛选后的可用仓库中选取一定数量仓库组成仓库组,计算仓库组性能;
S3、在仓库组中搜索库位组,并计算库位组性能;
S4、结合仓库组性能、库位组性能,选出性能最优库位组,作为推荐结果。
进一步地,所述步骤S1中,采用XGBoost模型计算入库货物的周转度,包括以下子步骤:
S11、进行特征提取,提取销售日期特征、商品特正和标签特征,以销售日期特征、商品特正和标签特征构造出训练样本;
S12、建立损失函数:
S13、训练模型;将所有样本的70%作为模型的训练集,用于模型训练;30%作为模型的测试集,用于评估模型的训练结果;
S14、用模型去预测入库货物的流动度。
进一步地,所述步骤S2包括以下子步骤:
S21、获取所有片区的可用库位数,判断每个片区的可用库位数是否大于入库订单中的商品数,若是则将该片区加入到可用片区集合中,否则过滤掉该片区;
S22、在可用片区集合中选出一个或多个仓库,形成备选仓库组集合;
S23、对于备选仓库组集合中的每个仓库组,计算该仓库组的性能,选择性能最优的仓库。
进一步地,所述步骤S23包括以下步骤:
S231、计算货物数量匹配率,即订单中与仓库中相同的货物的件数数量分别在仓库与订单中的占比;
S232、计算货物种类匹配率,即订单中与仓库中相同货物的种类数量分别在仓库与订单中的占比;
S233、将货物数量匹配率与货物种类匹配率加权求和,得到货物匹配率;
S234、对每个组下的仓库的所有货物匹配率作加权平均,得到仓库组的货物匹配率;
S235、获取仓库组下所有仓库的场外作业便捷度,然后取其中最大值作为仓库组的场外作业便捷度再加负号取相反数,得到仓库组的仓库场外作业便捷度;
S236、将仓库组的货物匹配率与场外作业便捷度做加权求和,得到仓库组的性能。
进一步地,所述步骤S3包括以下子步骤:
S31、从缓存中获取该仓库的所有α库位组和β库位组;其中α库位为只存放了入库货物且还有剩余托盘数的库位,β库位为存放了多种商品且还有剩余托盘数的库位以及所有没有存放商品的空库位;所述仓库中共有三类库位组:α库位、β库位和已经放满货物的库位,每个库位分别用一个三维数组来进行表示,三维数组的三个维度依次是层数、列数、货架;
S32、在α库位中计算库位组起始库位,包括以下步骤:
S321、根据入库货物在周转度数组中的周转度排名,将其取值范围归一化到[0,1](归一化方法为:排名/总商品数;越靠近0周转度越高,比如排名第一,总共100个商品,归一化后就是1/100=0.01),周转度越高,排名越高,值越小;
S322、取入库货物的易损度,取值范围为[0,1],值越小表示越易损,易损度是依据其包装类型提前设定好的;
S323、计算起始库位:起始库位=易损度*周转度排名*α库位中的库位数;
S33、以波纹法在α库位中搜索库位组,并计算库位组性能;包括以下步骤:
S331、从起始库位开始,向该库位四周的库位进行搜索,搜索可以用于入库的库位;
S332、计算库位组代价:将所有库位代价之和再加负号然后取相反数;
S333、计算库位组性能,将库位组的库位代价与离散度加权求和;
S334、在计算库位组性能时,设置一个阈值,当库位组性能超过预设的阈值时,则认为是已经找到了一个足够好的库位组了,则停止搜索仓库组;
S35、判断α库位组是否能够存完所有入库货物,若是则将入库货物全部存入α库位组中,然后执行步骤S37;否则执行步骤S36;
S36、在β库位中计算库位组起始库位,并以波纹法从起始库位开始在β库位中搜索库位组,并计算库位组性能,将剩下的入库货物存入β库位组中;
S37、检查是否还有剩余的仓库组,若还有剩余的仓库组,则返回步骤S2;否则进入步骤S38;
S38、结合步骤S33计算出来的仓库组性能以及步骤S36计算出来的库位组性能,选取性能最优的一组库位组。
进一步地,所述步骤S333中,离散度计算方法为:把第i个仓库的货架抽象成三维张量:
其中每个二维矩阵表示某个货架的库位的抽象;矩阵中的值的取值范围为0或1,1表示选中了该库位,0表示没有选中该库位;
第i个仓库的第j个货架的离散程度为:
Dij=Numstock/(layermax-layermin+1)*(rowmax-rowmin+1)
Numstock表示推荐的库位数量,layermax、layermin、rowmax、rowmin分别表示推荐的库位组中最大层数、最小层数、最大列数、最小列数;
整个推荐的库位的离散程度为:
即总的离散程度为推荐的各个仓库中的各个货架的离散程度之和;其中m为选定的仓库的数量,n表示选定的货架的数量。
本发明的有益效果是:本发明在通过考虑整个仓库的库存情况,将商品按照其流动度、易损度等特征来选择适当的库位,并且计算选择离散程度低的库位存放方案,既提高了推荐结果的置信度,同时也提高了算法的可解释性,降低了算法的复杂度;采用本发明的入库方法能够极大的提高仓库库位的利用率,减少仓库出现“碎片库位”的情况,减少后期管理仓库时的人工操作的时间,方便仓库管理员对商品进行管理,提高经济利益。
附图说明
图1为本发明的仓库货物入库方法的流程图;
图2为本发明的离散度的计算示意图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,一种仓库货物入库方法,包括以下步骤:
S1、计算入库货物的周转度;采用XGBoost模型,计算入库货物的周转度,包括以下子步骤:
S11、进行特征提取,提取销售日期特征、商品特正和标签特征;
销售日期特征表述为:就时间属性本身来说,对模型来说不具有任何意义,需要把日期转变成到年份、月份、日、周伪变量;
商品特征:以酒为例,从商品信息表里面可以得到产地、包装材料、种类、价位以及这款商品是否是限量版;
标签特征:即流动度,以移库次数作为度量;
以销售日期特征、商品特正和标签特征构造出训练样本。
S13、训练模型;将所有样本的70%作为模型的训练集,用于模型训练;30%作为模型的测试集,用于评估模型的训练结果;
模型验证结果,其主要参数设置如下:
最佳迭代次数(n_estimators):550.
叶子上的最小样本数(min_child_weight):4
最大树深(max_depth):5
控制是否后剪枝的参数(gamma):0.1
训练模型的子样本占整个样本集合的比例(subsample):0.7
列采样(colsample_bytree):0.7
控制模型L2正则化项参数(reg_lambda):1
控制模型L1正则化项参数(reg_alpha):1
学习率(learning_rate):0.1
S14、用模型去预测入库货物的流动度。
S2、筛选出片区中的不可用仓库,并在筛选后的可用仓库中选取一定数量仓库组成仓库组,计算仓库组性能;包括以下子步骤:
S21、获取所有片区的可用库位数,判断每个片区的可用库位数是否大于入库订单中的商品数,若是则将该片区加入到可用片区集合中,否则过滤掉该片区;
S22、在可用片区集合中选出一个或多个仓库,形成备选仓库组集合,优先选择仓库数量少的仓库组;
S23、对于备选仓库组集合中的每个仓库组,计算该仓库组的性能,选择性能最优的仓库;具体包括以下步骤:
S231、计算货物数量匹配率,即订单中与仓库中相同的货物的件数数量分别在仓库与订单中的占比;
S232、计算货物种类匹配率,即订单中与仓库中相同货物的种类数量分别在仓库与订单中的占比;
S233、将货物数量匹配率与货物种类匹配率加权求和,得到货物匹配率;
S234、对每个组下的仓库的所有货物匹配率作加权平均,得到仓库组的货物匹配率;
S235、获取仓库组下所有仓库的场外作业便捷度,然后取其中最大值作为仓库组的场外作业便捷度再加负号取相反数,得到仓库组的仓库场外作业便捷度;
S236、将仓库组的货物匹配率与场外作业便捷度做加权求和,得到仓库组的性能。
S3、在仓库组中搜索库位组,并计算库位组性能;如图2所示,包括以下子步骤:
S31、从缓存中获取该仓库的所有α库位组和β库位组;其中α库位为只存放了入库货物且还有剩余托盘数的库位,β库位为存放了多种商品且还有剩余托盘数的库位以及所有没有存放商品的空库位;所述仓库中共有三类库位组:α库位、β库位和已经放满货物的库位,每个库位分别用一个三维数组来进行表示,三维数组的三个维度依次是层数、列数、货架(如W1[0,1,0]表示一号仓库的第一个货架的从下到上的第一层的第二列库位);若从内存获取失败,则去数据库读取数据并缓存到内存中去。为了节省内存空间,长时间未被使用的仓库的库位数组将被从内存中清除。然后将他们按照作业的代价高低从小到大排列起来,直观来讲,代价小的库位一般是靠近门的和低层的库位;
S32、在α库位中计算库位组起始库位,包括以下步骤:
S321、根据入库货物在周转度数组中的周转度排名,将其取值范围归一化到[0,1](归一化方法为:排名/总商品数;越靠近0周转度越高,比如排名第一,总共100个商品,归一化后就是1/100=0.01),周转度越高,排名越高,值越小;
S322、取入库货物的易损度,取值范围为[0,1],值越小表示越易损,易损度是依据其包装类型提前设定好的;
S323、计算起始库位:起始库位=易损度*周转度排名*α库位中的库位数;
S33、以波纹法在α库位中搜索库位组,并计算库位组性能;包括以下步骤:
S331、从起始库位开始,向该库位四周的库位进行搜索,搜索可以用于入库的库位;比如订单需要入库100件商品,算法就从某个库位开始搜索,或者说叫遍历。找到第一个库位,可以存入20件,那就把它加入到备选库位组中,第二个库位可存50件,加它到备选库位组中,以此类推直到能满足订单的100件为止,然后再下一次搜索又会产生新的备选库位组,各个备选库位组之间比较出一个最优的库位组;
S332、计算库位组代价:将所有库位代价之和再加负号然后取相反数;
S333、计算库位组性能,将库位组的库位代价与离散度加权求和;
S334、在计算库位组性能时,设置一个阈值,当库位组性能超过预设的阈值时,则认为是已经找到了一个足够好的库位组了,则停止搜索仓库组,以达到提前退出的效果,节省计算资源;
S35、判断α库位组是否能够存完所有入库货物,若是则将入库货物全部存入α库位组中,然后执行步骤S37;否则执行步骤S36;
S36、在β库位中计算库位组起始库位,并以波纹法从起始库位开始在β库位中搜索库位组,并计算库位组性能,将剩下的入库货物存入β库位组中(即:需要1000件货,β库位组仅能入800,剩余的200入到β库位组);
S37、检查是否还有剩余的仓库组,若还有剩余的仓库组,则返回步骤S2;否则进入步骤S38;
S38、结合步骤S33计算出来的仓库组性能以及步骤S36计算出来的库位组性能,选取性能最优的一组库位组。
S4、结合仓库组性能、库位组性能,选出性能最优库位组,作为推荐结果。
如图2所示,步骤S333中离散度计算方法为:把第i个仓库的货架抽象成三维张量:
其中每个二维矩阵表示某个货架的库位的抽象;矩阵中的值的取值范围为0或1,1表示选中了该库位,0表示没有选中该库位;
第i个仓库的第j个货架的离散程度为:
Dij=Numstock/(layermax-layermin+1)*(rowmax-rowmin+1)
Numstock表示推荐的库位数量,layermax、layermin、rowmax、rowmin分别表示推荐的库位组中最大层数、最小层数、最大列数、最小列数;
整个推荐的库位的离散程度为:
即总的离散程度为推荐的各个仓库中的各个货架的离散程度之和;其中m为选定的仓库的数量,n表示选定的货架的数量。注意到当推荐的仓库和货架的数量增大时,即m和n增大时,D大概率会随之增大,因此该计算方法符合仓库最小原则,避免一次入库去多个仓库放货,增加作业消耗。
如图2所示,图中置于顶层的浅色网格表示一个货架的二维矩阵,圆圈表示算法推荐的库位,粗线方框框起来的部分为算法推荐的库位的所在区域范围。直观来看,计算推荐的库位组的离散程度即计算粗线方框内的圆圈的个数占整个粗线方框中库位数的比例。根据(式1),推荐库位数为9个,其中最大层数为3,最小层数为0,最大列数为3,最小列数为0,于是该推荐结果的离散程度为:9/(3–0+1)*(3–0+1)=9/16。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种仓库货物入库方法,其特征在于,包括以下步骤:
S1、计算入库货物的周转度;
S2、筛选出片区中的不可用仓库,并在筛选后的可用仓库中选取一定数量仓库组成仓库组,计算仓库组性能;
S3、在仓库组中搜索库位组,并计算库位组性能;包括以下子步骤:
S31、从缓存中获取该仓库的所有α库位组和β库位组;其中α库位为只存放了入库货物且还有剩余托盘数的库位,β库位为存放了多种商品且还有剩余托盘数的库位以及所有没有存放商品的空库位;所述仓库中共有三类库位组:α库位、β库位和已经放满货物的库位,每个库位分别用一个三维数组来进行表示,三维数组的三个维度依次是层数、列数、货架;
S32、在α库位中计算库位组起始库位,包括以下步骤:
S321、根据入库货物在周转度数组中的周转度排名,将其取值范围归一化到[0,1],周转度越高,排名越高,值越小;
S322、取入库货物的易损度,取值范围为[0,1],值越小表示越易损;
S323、计算起始库位:起始库位=易损度*周转度排名*α库位中的库位数;
S33、以波纹法在α库位中搜索库位组,并计算库位组性能;包括以下步骤:
S331、从起始库位开始,向该库位四周的库位进行搜索,搜索可以用于入库的库位;
S332、计算库位组代价:将所有库位代价之和再加负号然后取相反数;
S333、计算库位组性能,将库位组的库位代价与离散度加权求和;
S334、在计算库位组性能时,设置一个阈值,当库位组性能超过预设的阈值时,则认为是已经找到了一个足够好的库位组了,则停止搜索仓库组;
S35、判断α库位组是否能够存完所有入库货物,若是则将入库货物全部存入α库位组中,然后执行步骤S37;否则执行步骤S36;
S36、在β库位中计算库位组起始库位,并以波纹法从起始库位开始在β库位中搜索库位组,并计算库位组性能,将剩下的入库货物存入β库位组中;
S37、检查是否还有剩余的仓库组,若还有剩余的仓库组,则返回步骤S2;否则进入步骤S38;
S38、结合步骤S33计算出来的仓库组性能以及步骤S36计算出来的库位组性能,选取性能最优的一组库位组;
S4、结合仓库组性能、库位组性能,选出性能最优库位组,作为推荐结果。
3.根据权利要求1所述的一种仓库货物入库方法,其特征在于,所述步骤S2包括以下子步骤:
S21、获取所有片区的可用库位数,判断每个片区的可用库位数是否大于入库订单中的商品数,若是则将该片区加入到可用片区集合中,否则过滤掉该片区;
S22、在可用片区集合中选出一个或多个仓库,形成备选仓库组集合;
S23、对于备选仓库组集合中的每个仓库组,计算该仓库组的性能,选择性能最优的仓库。
4.根据权利要求3所述的一种仓库货物入库方法,其特征在于,所述步骤S23包括以下步骤:
S231、计算货物数量匹配率,即订单中与仓库中相同的货物的件数数量分别在仓库与订单中的占比;
S232、计算货物种类匹配率,即订单中与仓库中相同货物的种类数量分别在仓库与订单中的占比;
S233、将货物数量匹配率与货物种类匹配率加权求和,得到货物匹配率;
S234、对每个组下的仓库的所有货物匹配率作加权平均,得到仓库组的货物匹配率;
S235、获取仓库组下所有仓库的场外作业便捷度,然后取其中最大值作为仓库组的场外作业便捷度再加负号取相反数,得到仓库组的仓库场外作业便捷度;
S236、将仓库组的货物匹配率与场外作业便捷度做加权求和,得到仓库组的性能。
5.根据权利要求1所述的一种仓库货物入库方法,其特征在于,所述步骤S333中,离散度计算方法为:把第i个仓库的货架抽象成三维张量:
其中每个二维矩阵表示某个货架的库位的抽象;矩阵中的值的取值范围为0或1,1表示选中了该库位,0表示没有选中该库位;
第i个仓库的第j个货架的离散程度为:
Dij=Numstock/(layermax-layermin+1)*(rowmax-rowmin+1)
Numstock表示推荐的库位数量,layermax、layermin、rowmax、rowmin分别表示推荐的库位组中最大层数、最小层数、最大列数、最小列数;
整个推荐的库位的离散程度为:
即总的离散程度为推荐的各个仓库中的各个货架的离散程度之和;其中m为选定的仓库的数量,n表示选定的货架的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910377826.2A CN110009291B (zh) | 2019-05-07 | 2019-05-07 | 一种仓库货物入库方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910377826.2A CN110009291B (zh) | 2019-05-07 | 2019-05-07 | 一种仓库货物入库方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009291A CN110009291A (zh) | 2019-07-12 |
CN110009291B true CN110009291B (zh) | 2021-09-03 |
Family
ID=67176127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910377826.2A Active CN110009291B (zh) | 2019-05-07 | 2019-05-07 | 一种仓库货物入库方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009291B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712307A (zh) * | 2019-10-24 | 2021-04-27 | 北京车和家信息技术有限公司 | 一种库位分配方法及装置、仓库管理系统 |
CN110851717A (zh) * | 2019-11-11 | 2020-02-28 | 北京新海汇仓储有限公司 | 一种迷你仓位的推荐方法、设备及介质 |
CN111008804B (zh) * | 2019-12-06 | 2023-04-18 | 拉货宝网络科技有限责任公司 | 一种仓库货物入库货位智能推荐方法 |
CN111144814A (zh) * | 2019-12-26 | 2020-05-12 | 上海京东到家元信信息技术有限公司 | 货架选型以及仓库规划系统 |
CN112101847A (zh) * | 2020-08-11 | 2020-12-18 | 大亚湾核电运营管理有限责任公司 | 核电站仓库智能管理方法、装置、计算机设备及存储介质 |
CN112700275B (zh) * | 2020-12-30 | 2021-11-26 | 深圳市创芯人科技有限公司 | 基于大数据的产品生产方法及平台 |
CN115187176B (zh) * | 2022-09-07 | 2022-12-30 | 国连科技(浙江)有限公司 | 一种优化货物存放空间的货物转移方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8695878B2 (en) * | 2011-08-31 | 2014-04-15 | Djb Group Llc | Shelf-monitoring system |
CN103632241A (zh) * | 2012-08-28 | 2014-03-12 | 纽海信息技术(上海)有限公司 | 仓库盘点方法及仓库盘点系统 |
CN107341629A (zh) * | 2017-05-24 | 2017-11-10 | 国网北京市电力公司 | 库位分配方法和装置 |
US10140421B1 (en) * | 2017-05-25 | 2018-11-27 | Enlitic, Inc. | Medical scan annotator system |
CN109409554B (zh) * | 2018-10-30 | 2021-04-02 | 东莞市大易产业链服务有限公司 | 一种基于仓库可视化的管控方法 |
CN109685467A (zh) * | 2018-12-25 | 2019-04-26 | 杭州彦德信息科技有限公司 | 库存管理方法、库存管理装置、设备及存储介质 |
-
2019
- 2019-05-07 CN CN201910377826.2A patent/CN110009291B/zh active Active
Non-Patent Citations (1)
Title |
---|
"面向中小船舶企业的第三方钢材配送系统的研究";聂冬芹;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20130315(第3期);J145-701页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110009291A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009291B (zh) | 一种仓库货物入库方法 | |
Bottani et al. | Optimisation of storage allocation in order picking operations through a genetic algorithm | |
Peacock | Data mining in marketing: Part 1 | |
CN113553540A (zh) | 一种商品销量的预测方法 | |
Xia et al. | ForeXGBoost: passenger car sales prediction based on XGBoost | |
CN112381154A (zh) | 预测用户概率的方法、装置和计算机设备 | |
CN110874670A (zh) | 仓储储位配置系统 | |
Li et al. | RETRACTED ARTICLE: Data mining optimization model for financial management information system based on improved genetic algorithm | |
US20230376981A1 (en) | Predictive systems and processes for product attribute research and development | |
CN115147155A (zh) | 一种基于集成学习的铁路货运客户流失预测方法 | |
CN116579804A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
CN117251754A (zh) | 一种计及动态时间包装的cnn-gru能耗预测方法 | |
CN115439045A (zh) | 一种基于magru的物流仓储需求量预测方法 | |
CN109359905B (zh) | 一种自动化无人仓货位分配方法、装置和存储介质 | |
Bayram et al. | Optimal order batching in warehouse management: A data-driven robust approach | |
US20140289182A1 (en) | System and method for a neural metadata framework | |
Li et al. | An improved genetic-XGBoost classifier for customer consumption behavior prediction | |
CN115841345A (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
CN115130008A (zh) | 一种基于机器学习模型算法的搜索排序方法 | |
CN112884028A (zh) | 一种系统资源调整方法、装置及设备 | |
US20210034648A1 (en) | System and method for restrictive clustering of datapoints | |
CN111177657A (zh) | 需求方法、系统、电子设备及存储介质 | |
Kolner | Applying machine learning on the data of a controltower in a retail distribution landscape | |
Ma et al. | An optimization approach to the scale of port cold-chain dedicated terminals considering uncertainties | |
CN111860953B (zh) | 一种智能仓库库位分配系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |