CN110363365B - 一种资源投入产出分析方法和装置 - Google Patents
一种资源投入产出分析方法和装置 Download PDFInfo
- Publication number
- CN110363365B CN110363365B CN201810316517.XA CN201810316517A CN110363365B CN 110363365 B CN110363365 B CN 110363365B CN 201810316517 A CN201810316517 A CN 201810316517A CN 110363365 B CN110363365 B CN 110363365B
- Authority
- CN
- China
- Prior art keywords
- input data
- output
- output data
- input
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 14
- 238000000611 regression analysis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 48
- 230000006870 function Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 235000021110 pickles Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种资源投入产出分析方法和装置，涉及无人仓储技术领域。该方法的一具体实施方式包括：获取多个时间点以及所述多个时间点对应的投入数据和产出数据；将所述多个时间点映射到不同的时间切片内，从而确定各个时间切片对应的投入数据和产出数据；根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系。该实施方式能够解决无人仓资源投入产出分析不够精确的问题。
Description
技术领域
本发明涉及无人仓储技术领域，尤其涉及一种资源投入产出分析方法和装置。
背景技术
在无人仓储系统运行中，有大量的自动化设备参与订单生产活动，而设备作为一种重要的生产要素，需要精确的分析设备资源的投入产出关系。需要通过对历史数据进行追溯分析，常用的分析方法是使用SQL语句(结构化查询语言)对历史数据中过去一段时间的关键指标进行汇总。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
由于波次开始时，待完成订单量较少(即产出较少)，而相对于较少的需求，无人仓资源严重过剩，导致分析结果偏保守，低估无人仓产能，使得资源投入、产出统计偏差过大；统计时间段的长度和起止点难以选取。
发明内容
有鉴于此，本发明实施例提供一种资源投入产出分析方法和装置，以解决无人仓资源投入产出分析不够精确的技术问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种资源投入产出分析方法，包括：
获取多个时间点以及所述多个时间点对应的投入数据和产出数据；
将所述多个时间点映射到不同的时间切片内，从而确定各个时间切片对应的投入数据和产出数据；
根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系。
可选地，根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系，包括：
根据所述各个时间切片对应的投入数据和产出数据，采用柯布-道格拉斯生产函数，确定投入数据的产出弹性。
可选地，根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系，包括：
根据所述各个时间切片对应的投入数据和产出数据，采用相关性分析方法，确定投入数据和产出数据之间的相关系数矩阵；
如果所述相关系数矩阵中投入数据的相关系数大于等于预设阈值，则根据所述投入数据和产出数据，采用岭回归分析方法和柯布-道格拉斯生产函数，确定投入数据的产出弹性。
可选地，所述投入数据包括处于工作状态的无人运输设备的数量和处于开启状态的工作站的数量；所述产出数据包括完成拣货的物品数量；和/或，每个时间切片的厚度为1-5分钟。
另外，根据本发明实施例的另一个方面，提供了一种资源投入产出分析装置，包括：
获取模块，用于获取多个时间点以及所述多个时间点对应的投入数据和产出数据；
映射模块，用于将所述多个时间点映射到不同的时间切片内，从而确定各个时间切片对应的投入数据和产出数据；
分析模块，用于根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系。
可选地，所述映射模块用于：
根据所述各个时间切片对应的投入数据和产出数据，采用柯布-道格拉斯生产函数，确定投入数据的产出弹性。
可选地，所述映射模块用于：
根据所述各个时间切片对应的投入数据和产出数据，采用相关性分析方法，确定投入数据和产出数据之间的相关系数矩阵；
如果所述相关系数矩阵中投入数据的相关系数大于等于预设阈值，则根据所述投入数据和产出数据，采用岭回归分析方法和柯布-道格拉斯生产函数，确定投入数据的产出弹性。
可选地，所述投入数据包括处于工作状态的无人运输设备的数量和处于开启状态的工作站的数量；所述产出数据包括完成拣货的物品数量；和/或，每个时间切片的厚度为1-5分钟。
根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用根据各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系的技术手段，所以克服了无人仓资源投入产出分析不够精确的技术问题，本发明基于时间切片的方法，进行数据映射，然后根据各个时间切片对应的投入数据和产出数据，分析投入数据与产出数据的关系，从而精确统计无人仓资源的投入产出量，提高投入产出关系准确性，而且还克服了时间切片的长度和起止点选择的问题。本发明实施例提供的方法有效地克服了传统资源投入产出分析中的两大问题：统计偏差过大和时间段选取难的问题，而且该方法可以提升投入产出的精确度，从而为无人仓资源规划、生产配置等提供支持，减少资本投入，提高生产效率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的资源投入产出分析方法的主要流程的示意图；
图2是根据本发明实施例的映射数据的示意图；
图3是根据本发明实施例的资源投入产出分析装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
无人仓系统最重要的一项功能是用于客户订单的生产，根据订单由自动导航车辆(AGV)将装有物品的货架从货架储区托运货架至拣选工站，待拣选完毕后再将货架拖回原位。投入的设备资源为AGV设备和工作站，产出是完成的订单量或拣选出的货物数量。
现有的技术方案虽然可以拟合出无人仓资源投入产出的关系，在一般的生产制造场景下可以起到一定的作用，但在无人仓订单生产这种特殊场景会有若干不足。
第一，资源投入、产出统计偏差过大。由于无人仓订单生产存在若干波次，该波次内订单需要在本波次的截单时间前完成。于是会出现波次开始时，待完成订单量较少即产出较少，而相对于较少的需求，无人仓资源严重过剩的问题。传统的统计方案会高估资源投入量、同时低估产出量，导致分析结果偏保守，低估无人仓产能；在临近截单时间时，而且会出现订单积压的情形，无人仓资源严重不足，此时的产能受限于无人仓现场资源的初始投入量以及投入比例，不能准确地反映出资源投入与产出的关系，导致估计出的参数不准确。
第二，统计时间段难以选取。该不足分为两个点，其一是时间段长度不易选取，长度过长会导致数据过于稀疏，分析结果混杂短期、中期、甚至长期以及周期效应，导致参数估计过于平均化。其二是时间段的起止点不易选择，由于订单生产在一天中存在不同模式，同时由于生产波次的限制也会干扰分析的结果。
正是基于以上的不足，本发明实施例提供了一种资源投入产出分析方法，该方法将历史数据切分成若干个时间片，在每个时间片统计某一个时刻点的资源投入量，以及每个时间片对应的产出量。
图1是根据本发明实施例的资源投入产出分析方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述资源投入产出分析方法可以包括：
步骤101，获取多个时间点以及所述多个时间点对应的投入数据和产出数据。
在无人仓系统的运行过程中，每隔一段时间记录当前时间点以及当前时间点对应的投入数据和产出数据，从而记录得到多个时间点以及各个时间点对应的投入数据和产出数据。
对于无人仓系统来说，主要的投入资源是无人运输设备和工作站，因此每隔一段时间记录当前时间点以及当前时间点对应的处于工作状态的无人运输设备的编号和处于开启状态的工作站的编号，主要的产出是完成拣货的物品数量，因此每隔一段时间记录当前时间点各个工作站已完成拣货的物品数量。
在本发明的另一个实施例中，所述投入数据可以包括处于工作状态的无人运输设备(例如自动导航车辆，即AGV)的数量和处于开启状态的工作站的数量，所述产出数据包括完成拣货的物品数量。所述处于工作状态的无人运输设备的数量可以根据历史数据中记录的各个时间点对应的处于工作状态的无人运输设备得到，所述处于开启状态的工作站的数量可以根据历史数据中记录的各个时间点对应的处于开启状态的工作站得到，所述产出数据可以根据当前时间点对应的已完成拣货的物品数量减去前一个时间点对应的已完成拣货的物品数量得到。
需要指出的是，本发明实施例对于记录周期没有限制，可以是每隔一分钟记录一次，也可以是每隔两分钟记录一次。如果某一时间点对应的投入数据为零和/或产出数据为零，可以不记录该时间点以及该时间点对应的投入数据和产出数据。
步骤102，将所述多个时间点映射到不同的时间切片内，从而确定各个时间切片对应的投入数据和产出数据。
将一段时间T按照很短的时间切片t分解成T/t＝M份，时间切片的厚度为t，时间切片的起始时间为ta，结束时间为tb，上一时间片的结束时间同为下一衔接时间片的开始时间。例如，将1小时按照5分钟分解成12份，或者将1小时按照3分钟分解成20份，等等。一段时间T的起始时间和结束时间可以选择自然小时的整点，间隔数值为60的约数，时间切片的厚度可以为几分钟或者几秒。SQL可以通过存储过程等方法生成时间切片表，该方法可以将历史数据按照小到秒、大到小时级别的时间片进行切分，得到若干个时间切片，用于进一步分析。在本发明的另一个实施例中，每个时间切片的长度为1-10分钟。在本发明的另一个实施例中，每个时间切片的长度为1-5分钟。
如图2所示，以时间切片的厚度为3分钟为例，将历史数据中记录的多个时间点分别映射到不同的时间切片内：将时间点12:00、12:01映射到时间切片12:00-12:03内，将时间点12:04、12:05映射到时间切片12:03-12:06内，以此类推，不再赘述。
根据映射结果，确定每个时间切片对应的投入数据和产出数据。仍以图2的数据为例，得到汇总结果如下：时间切片12:00-12:03对应的处于工作状态的AGV数量为10，处于开启状态的工作站的数量为3，完成拣货的物品数量为14；时间切片12:03-12:06对应的处于工作状态的AGV数量为15，处于开启状态的工作站的数量为4，完成拣货的物品数量为24；时间切片12:06-12:09对应的处于工作状态的AGV数量为5，处于开启状态的工作站的数量为1，完成拣货的物品数量为9，以此类推，不再赘述。
可见，本发明实施例将历史数据中设备的历史状态流水与时间切片进行关联，关联的规则是：时间切片内，历史数据中处于工作状态的AGV数量与工作站开启数量；同时关联时间切片内，开始生产到完成的拣货数量。映射规则可以根据不同的需求灵活进行调整。映射后的数据可以很清楚的看到各个时间切片、各个时间段的资源投入产出的情况，克服了投入产出估计偏差的问题。
步骤103，根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系。
在该步骤中，根据步骤102得到的各个时间切片对应的投入数据和产出数据，通过生成函数，分析无人仓的投入数据与产出数据的关系，也就是分析处于工作状态的无人运输设备的数量、处于开启状态的工作站的数量与完成拣货的物品数量之间的关系。
具体地，在步骤103中，根据所述各个时间切片对应的投入数据和产出数据，采用柯布-道格拉斯生产函数，确定投入数据的产出弹性。
作为本发明的再一个实施例，步骤103可以包括：根据所述各个时间切片对应的投入数据和产出数据，采用相关性分析方法，确定投入数据和产出数据之间的相关系数矩阵；如果所述相关系数矩阵中投入数据的相关系数大于等于预设阈值，则根据所述投入数据和产出数据，采用岭回归分析方法和柯布-道格拉斯生产函数，确定投入数据的产出弹性。需要说明的是，如果投入数据的相关系数大于等于预设阈值，表明投入数据之间存在较强的线性关系，因此不能直接使用普通线性回归模型，为了解决这一问题，本发明实施例使用岭回归分析方法建模。
举例来说，统计时间切片厚度t时间段内正处于工作状态中的AGV数量作为统计量X1与处于开启状态的工作站的数量作为统计量X2，并统计时间切片厚度t时间段内的完成的物品数量作为统计量Y，采用的生产函数为柯布道格拉斯生产函数，其形式为：
其中，y表示完成拣货的物品数量，car和station表示处于工作状态中的AGV数量和处于开启状态的工作站的数量，β0，β1和β2是三个参数，β1和β2分别表示AGV和工作站的产出弹性。
对(1)式取自然对数后，(1)式转化为：
ln y＝lnβ0+β1ln car+β2ln station+ε (2)
其中，假定ε服从高斯-马尔科夫假设。在转化以后，该问题就可以通过线性回归的方法来解决。通过投入产出数据，估计出β0，β1和β2后，就确定出了拣选物品数量与AGV数量、工作站数量之间的关系。
然后，计算自变量ln car和ln station的相关系数，若相关系数较高表明变量之间存在较强的相关性。但是，如果直接使用最小二乘法估计参数β0，β1和β2，那么参数估计结果虽然是无偏估计量，但其方差很大，即自变量微小的变化会导致系数很大幅度的波动，估计结果稳健性差，且系数结果很可能与理论预期相反。因此，当相关系数较高时，本发明实施例采用采用岭回归分析方法估计β0，β1和β2的值，从而得到AGV数量、工作站数量与拣选物品数量之间的关系。
以下进行本发明实施例的方法与现有技术的方法的实验对比，
1)现有技术的方法：分天每小时数据
首先，提取每小时完成的拣选物品数量、该小时内处于工作状态的AGV数量和该小时内处于开启状态的工作站数量。
然后，对数据进行清洗，剔除样本中取值为0的数据(包括拣货物品数量为0、AGV数量为0、工作站数量为0的任一种)和平均每个工作站每小时拣选件数大于600件的极端数据后。根据清洗后的样本数据，表1为样本数据的描述统计。由表1可知，2018年1-2月某无人仓平均每小时完成拣选238件商品，开启1.4个工作站/小时，有8.2辆AGV/小时执行出库任务。
表1样本数据描述统计
| 统计量 | 拣选件数 | 工作站数量 | AGV数量 |
| 最小值 | 2.0 | 1.000 | 1.000 |
| 1/4分位数 | 124.5 | 1.000 | 6.000 |
| 中位数 | 183.0 | 1.000 | 7.000 |
| 均值 | 238.1 | 1.361 | 8.152 |
| 3/4分位数 | 270.5 | 2.000 | 10.000 |
| 最大值 | 2240.0 | 4.000 | 26.000 |
通过相关性分析方法得到相关系数矩阵，表2为变量相关系数矩阵。因为相关性很高的变量，会显著影响线性模型的参数准确性和稳定性。因此在变量相关度较低时才可以用普通线性回归模型。一般来说，相关系数大于0.7，则认为二者之间的相关性很高。
表2变量相关系数矩阵
| 拣选件数 | 工作站数量 | AGV数量 | |
| 拣选件数 | 1 | 0.60 | 0.45 |
| 工作站数量 | 0.60 | 1 | 0.80 |
| AGV数量 | 0.45 | 0.80 | 1 |
在本例中，工作站数量、AGV数量均和拣选件数呈正相关关系,说明选择的自变量的合理性，但是工作站数量和AGV数量两个自变量之间的相关系数达到0.8，呈现很强的线性关系，会存在多重共线性的问题，因此不能直接使用普通线性回归模型，为了解决这一问题，使用岭回归分析方法建模。
因此建模时，需要考虑变量间多重共线性对模型的影响，选用岭回归分析方法进行建模，模型的参数结果如下表所示，(3)式是相应的回归函数形式。
表3模型参数估计结果
| 统计量 | 2018年1月-2018年2月 |
| lnβ0 | 4.62 |
| β1 | 0.18 |
| β2 | 0.85 |
以(3)式为例，其参数结果含义为：AGV的产出弹性为0.18，表示AGV的数量增加1％时，会使拣选件数增加0.18％，同理，工作站的产出弹性为0.85，表示工作站的数量增加1％时，会使拣选件数增加0.85％。当car＝1且station＝1时，有因此表示当只有1辆AGV和1个工作站时，仓库的拣选件数。此时的β0＝exp(lnβ0)＝exp(4.62)＝101。
2)本发明实施例提供的时间切片法
根据获得的数据，首先对数据进行清洗，剔除样本中取值为0的数据(包括拣货物品数量为0、AGV数量为0、工作站数量为0的任一种)和平均每个工作站每小时拣选件数大于600件的极端数据后。根据清洗后的样本数据，表4为样本数据的描述统计。由表4可知，2018年1-2月某无人仓平均每小时完成拣选258件商品，开启1.12个工作站/小时，有6.8辆AGV/小时执行出库任务。
表4样本数据描述统计
通过相关性分析方法得到相关系数矩阵，表5为变量相关系数矩阵。可知，工作站数量、AGV数量均和拣选件数呈正相关关系，但工作站数量和AGV数量的变量相关系数高达0.95，仍会产生多重共线性的问题，因此需要使用岭回归方法进行建模。
表5变量相关系数矩阵
| 拣选件数 | 工作站数量 | AGV数量 | |
| 拣选件数 | 1 | 0.82 | 0.76 |
| 工作站数量 | 0.82 | 1 | 0.95 |
| AGV数量 | 0.76 | 0.95 | 1 |
因此建模时，需要考虑变量间多重共线性对模型的影响，选用岭回归分析方法进行建模，模型的参数结果如下表所示，(4)式是相应的回归函数形式。
表6模型参数估计结果
| 统计量 | 2018年1月-2018年2月 |
| lnβ0 | 4.26 |
| β1 | 0.56 |
| β2 | 0.63 |
以(4)式为例，其参数结果含义为：AGV的产出弹性为0.56，表示AGV的数量增加1％时，会使拣选件数增加0.56％，同理，工作站的产出弹性为0.63，表示工作站的数量增加1％时，会使拣选件数增加0.63％。当car＝1且station＝1时，有因此β0＝exp(lnβ0)表示当只有1辆AGV和1个工作站时，仓库的拣选件数。此时的β0＝exp(lnβ0)＝exp(4.26)＝71。
从样本数据来看，现有技术的方法仅提取每小时完成的拣选件数、该小时工作的AGV数量和该小时开启的工作站数量。而本发明实施例的切片法在计算工作站数量和AGV数量时，将每个小时细分成12个五分钟，统计每个五分钟情况下的数值，并计算该小时下所有五分钟的平均值作为该小时的取值。现有技术的方法会高估真实利用的工作站和AGV数量，因为工作站数量和AGV数量是一个动态的过程，如在某一小时内先开启了两个工作站，而后又关了一个工作站。因此现有技术的方法会高估工作站和AGV的数量。从表1和表4的AGV数量情况，可以明显看出现有技术的方法严重高估了AGV的数量。虽然现有技术的方法的工作站数量分布相对切片法较高，主要是由于高估工作站数量以后，在拣选件数相同的情况下，导致平均每个工作站每小时拣选件数相对较小，在剔除该指标大于600件的极端数据时少剔除了一步分数据导致。而切片方法的数据则更贴近于真实值。
从分析结果来看，由于现有技术的方法高估了工作站和AGV的数量，尤其是AGV数量严重高估，导致AGV的参数比切片法的参数小，低估了AGV的能力，使分析结果有了偏差。而用切片法提取数据估计出的参数较为合理，且与真实情况接近。
根据上面所述的各种实施例，可以看出本发明通过根据各个时间切片对应的投入数据和产出数据，通过生产函数，分析投入数据与产出数据的关系的技术手段，从而解决了无人仓资源投入产出分析不够精确的问题。本发明基于时间切片的方法，进行数据映射，然后根据各个时间切片对应的投入数据和产出数据，分析投入数据与产出数据的关系，从而精确统计无人仓资源的投入产出量，提高投入产出关系准确性，而且还克服了时间切片的长度和起止点选择的问题。可见，本发明实施例提供的方法有效地克服了传统资源投入产出分析中的两大问题：统计偏差过大和时间段选取难的问题，而且该方法可以提升投入产出的精确度，从而为无人仓资源规划、生产配置等提供支持，减少资本投入，提高生产效率。此外，该方法简单有效，具备工业化推广的条件。
图3是根据本发明实施例的资源投入产出分析装置的主要模块的示意图，如图3所示，所述资源投入产出分析装置包括获取模块301、映射模块302和分析模块303。其中，所述获取模块301获取多个时间点以及所述多个时间点对应的投入数据和产出数据；所述映射模块302将所述多个时间点映射到不同的时间切片内，从而确定各个时间切片对应的投入数据和产出数据；所述分析模块303根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系。
可选地，所述映射模块302根据所述各个时间切片对应的投入数据和产出数据，采用柯布-道格拉斯生产函数，确定投入数据的产出弹性。
可选地，所述映射模块302根据所述各个时间切片对应的投入数据和产出数据，采用相关性分析方法，确定投入数据和产出数据之间的相关系数矩阵；如果所述相关系数矩阵中投入数据的相关系数大于等于预设阈值，则根据所述投入数据和产出数据，采用岭回归分析方法和柯布-道格拉斯生产函数，确定投入数据的产出弹性。
可选地，所述投入数据包括处于工作状态的无人运输设备的数量和处于开启状态的工作站的数量；所述产出数据包括完成拣货的物品数量；和/或，每个时间切片的厚度为1-5分钟。
根据上面所述的各种实施例，可以看出本发明通过根据各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系的技术手段，从而解决了无人仓资源投入产出分析不够精确的问题。本发明基于时间切片的方法，进行数据映射，然后根据各个时间切片对应的投入数据和产出数据，分析投入数据与产出数据的关系，从而精确统计无人仓资源的投入产出量，提高投入产出关系准确性，而且还克服了时间切片的长度和起止点选择的问题。可见，本发明实施例提供的装置有效地克服了传统资源投入产出分析中的两大问题：统计偏差过大和时间段选取难的问题，而且该装置可以提升投入产出的精确度，从而为无人仓资源规划、生产配置等提供支持，减少资本投入，提高生产效率。此外，该装置简单有效，具备工业化推广的条件。
需要说明的是，在本发明所述资源投入产出分析装置的具体实施内容，在上面所述资源投入产出分析方法中已经详细说明了，故在此重复内容不再说明。
图4示出了可以应用本发明实施例的资源投入产出分析方法或资源投入产出分析装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息——仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的资源投入产出分析方法一般在公共场所的终端设备401、402、403上执行，也可以由服务器405执行，相应地，所述资源投入产出分析装置一般设置在公共场所的终端设备401、402、403上，也可以设置在服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、映射模块和分析模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取多个时间点以及所述多个时间点对应的投入数据和产出数据；将所述多个时间点映射到不同的时间切片内，从而确定各个时间切片对应的投入数据和产出数据；根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系。
根据本发明实施例的技术方案，因为采用根据各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系的技术手段，所以克服了无人仓资源投入产出分析不够精确的技术问题，本发明基于时间切片的方法，进行数据映射，然后根据各个时间切片对应的投入数据和产出数据，分析投入数据与产出数据的关系，从而精确统计无人仓资源的投入产出量，提高投入产出关系准确性，而且还克服了时间切片的长度和起止点选择的问题。本发明实施例提供的方法有效地克服了传统资源投入产出分析中的两大问题：统计偏差过大和时间段选取难的问题，而且该方法可以提升投入产出的精确度，从而为无人仓资源规划、生产配置等提供支持，减少资本投入，提高生产效率。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (6)
1.一种资源投入产出分析方法，其特征在于，包括：
获取多个时间点以及所述多个时间点对应的投入数据和产出数据；
将所述多个时间点映射到不同的时间切片内，从而确定各个时间切片对应的投入数据和产出数据；
根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系；
根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系，包括：
根据所述各个时间切片对应的投入数据和产出数据，采用相关性分析方法，确定投入数据和产出数据之间的相关系数矩阵；
如果所述相关系数矩阵中投入数据的相关系数大于等于预设阈值，则根据所述投入数据和产出数据，采用岭回归分析方法和柯布-道格拉斯生产函数，确定投入数据的产出弹性。
2.根据权利要求1所述的方法，其特征在于，所述投入数据包括处于工作状态的无人运输设备的数量和处于开启状态的工作站的数量；所述产出数据包括完成拣货的物品数量；和/或，每个时间切片的厚度为1-5分钟。
3.一种资源投入产出分析装置，其特征在于，包括：
获取模块，用于获取多个时间点以及所述多个时间点对应的投入数据和产出数据；
映射模块，用于将所述多个时间点映射到不同的时间切片内，从而确定各个时间切片对应的投入数据和产出数据；
分析模块，用于根据所述各个时间切片对应的投入数据和产出数据，通过生产函数确定投入数据与产出数据的关系；
所述映射模块用于：
根据所述各个时间切片对应的投入数据和产出数据，采用相关性分析方法，确定投入数据和产出数据之间的相关系数矩阵；
如果所述相关系数矩阵中投入数据的相关系数大于等于预设阈值，则根据所述投入数据和产出数据，采用岭回归分析方法和柯布-道格拉斯生产函数，确定投入数据的产出弹性。
4.根据权利要求3所述的装置，其特征在于，所述投入数据包括处于工作状态的无人运输设备的数量和处于开启状态的工作站的数量；所述产出数据包括完成拣货的物品数量；和/或，每个时间切片的厚度为1-5分钟。
5.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1或2所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1或2所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810316517.XA CN110363365B (zh) | 2018-04-10 | 2018-04-10 | 一种资源投入产出分析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810316517.XA CN110363365B (zh) | 2018-04-10 | 2018-04-10 | 一种资源投入产出分析方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110363365A CN110363365A (zh) | 2019-10-22 |
| CN110363365B true CN110363365B (zh) | 2024-04-09 |
Family
ID=68214052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810316517.XA Active CN110363365B (zh) | 2018-04-10 | 2018-04-10 | 一种资源投入产出分析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363365B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739312B (zh) * | 2023-08-11 | 2023-12-01 | 超网实业(成都)股份有限公司 | 一种用于智慧厂务的多需求监测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455727A (zh) * | 2013-09-12 | 2013-12-18 | 中国科学院地理科学与资源研究所 | 一种城市群投入产出效率综合测度技术方法 |
| CN104732355A (zh) * | 2015-04-07 | 2015-06-24 | 哈尔滨理工大学 | 设备空闲时间段调整的设备驱动综合调度方法 |
| CN107463642A (zh) * | 2017-07-19 | 2017-12-12 | 北京京东尚科信息技术有限公司 | 提升数据仓库工具资源利用率的方法和装置 |
| CN107886241A (zh) * | 2017-11-10 | 2018-04-06 | 北京三快在线科技有限公司 | 资源分析方法、装置、介质和电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002202810A (ja) * | 2000-12-28 | 2002-07-19 | Toshiba Corp | 装置管理方法、装置管理システム及び装置管理プログラムを記録した記録媒体 |
| JP6187977B2 (ja) * | 2014-06-20 | 2017-08-30 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 解析装置、解析方法及びプログラム |
-
2018
- 2018-04-10 CN CN201810316517.XA patent/CN110363365B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455727A (zh) * | 2013-09-12 | 2013-12-18 | 中国科学院地理科学与资源研究所 | 一种城市群投入产出效率综合测度技术方法 |
| CN104732355A (zh) * | 2015-04-07 | 2015-06-24 | 哈尔滨理工大学 | 设备空闲时间段调整的设备驱动综合调度方法 |
| CN107463642A (zh) * | 2017-07-19 | 2017-12-12 | 北京京东尚科信息技术有限公司 | 提升数据仓库工具资源利用率的方法和装置 |
| CN107886241A (zh) * | 2017-11-10 | 2018-04-06 | 北京三快在线科技有限公司 | 资源分析方法、装置、介质和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110363365A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961198B (zh) | 关联信息生成方法和装置 | |
| US20140052701A1 (en) | System and method for compressing production data stream and filtering compressed data with different criteria | |
| CN110633880A (zh) | 一种确定自动导引运输车配置数量的方法和装置 | |
| CN111489201A (zh) | 一种客户价值分析的方法、设备、存储介质 | |
| CN114666224A (zh) | 业务资源容量动态分配方法、装置、设备及存储介质 | |
| CN115204815A (zh) | 一种电网客服工单超时预警方法、装置、设备及存储介质 | |
| US10055469B2 (en) | Method and software for retrieving information from big data systems and analyzing the retrieved data | |
| CN110363365B (zh) | 一种资源投入产出分析方法和装置 | |
| CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
| CN109902196B (zh) | 一种商标类别推荐方法、装置、计算机设备及存储介质 | |
| CN113570175B (zh) | 一种工业精细化工时物量管理平台的建立方法 | |
| CN116186053A (zh) | 一种数据处理方法、装置及存储介质 | |
| CN111275466B (zh) | 一种超期单量预警的方法和装置 | |
| AT&T | ||
| CN110703119B (zh) | 评估电池健康状态的方法和装置 | |
| CN115203344B (zh) | 一种基于cim模型建立电网大数据仓库的方法 | |
| CN113538026B (zh) | 一种业务量计算方法和装置 | |
| CN117291311A (zh) | 一种耗电量预估方法及装置、电子设备、存储介质 | |
| CN115238811A (zh) | 异常检测模型的训练方法、装置、设备及存储介质 | |
| CN116402534A (zh) | 一种人群特征确定方法、装置、设备及存储介质 | |
| CN113283676A (zh) | 一种电网数据分析方法及装置 | |
| CN115964409A (zh) | 一种系统访问数据的管理方法、装置、设备及存储介质 | |
| CN115526592A (zh) | 一种工时确定方法、装置、设备及存储介质 | |
| CN113377834A (zh) | 一种基于大数据技术的电力数据挖掘分析方法 | |
| CN115564329A (zh) | 一种典型产能场景确定方法、装置、设备及存储介质 |
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 |