CN111445172B - 一种仓库集合单生成的方法和系统 - Google Patents
一种仓库集合单生成的方法和系统 Download PDFInfo
- Publication number
- CN111445172B CN111445172B CN201910038434.3A CN201910038434A CN111445172B CN 111445172 B CN111445172 B CN 111445172B CN 201910038434 A CN201910038434 A CN 201910038434A CN 111445172 B CN111445172 B CN 111445172B
- Authority
- CN
- China
- Prior art keywords
- order
- aggregate
- collection
- list
- machine learning
- 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
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
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
Abstract
本发明涉及一种仓库集合单生成的方法和系统。方法包括:订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单。本发明通过线下机器学习中的监督学习方法预先训练好模型,用来预测集合单的行走距离,使得计算速度大大提升,大幅加快集合单生成模型的计算速度,满足高峰期间的线上需求。
Description
技术领域
本发明涉及物流及机器学习领域,尤其涉及一种仓库集合单生成的方法和系统。
背景技术
近年来电子商务、新零售、以及供应链飞速发展,作为供应链的重要环节,仓库订单量也与日俱增。仓库拣货时间约占操作时间的一半,如何合理并快速地将订单组合成集合单关系到拣货的时间与距离,也决定了仓库的时效与成本。多数集合单模型需要多次计算集合单的拣货行走距离,这对行走距离的计算时间有很强的要求,比如:路径模型如TSP模型计算集合单的拣货路径计算时间长,不能满足集合单模型的线上需求;启发式算法求解路径模型以牺牲精度为代价加快计算速度。但是目前满足时效的前提下精度很难提高,而且时效提高有限,如用一台2.3GHz Intel Core i5,8GB DDR3内存的电脑,精确TSP路径求解时间约10s,启发式Lin-Kernighan算法的平均误差在5%左右,计算时间降低到1s量级,但在不增大误差的情况下,计算时间很难再降低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种仓库集合单生成的方法和系统。
根据本发明的一个方面,提供了一种仓库集合单生成的方法,包括以下步骤:
订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;
采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单。
作为优选,仓库集合单生成的方法还包括:
确定集合单拣货的优先级,在集合单生成的时间节点回收未拣货的集合单至订单池。
作为优选,采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单,包括:
基于邻域搜索优化未拣货的集合单。
作为优选,所述相似度为订单与订单或订单与集合单两者单独拣货的行走距离之和减去两者合并拣货的行走距离,再除以两者的合并拣货行走距离,公式为:
其中,s(i,j)是集合单i或订单i与订单j的相似度,d(i),d(j)分别为集合单i或订单i和订单j的单独拣货行走距离,d(i∪j)为集合单i或订单i与订单j的合并拣货行走距离。
作为优选,基于邻域搜索优化未拣货的集合单,包括:
基于线下机器学习模型计算邻域搜索中集合单的行走距离。
作为优选,基于线下机器学习模型计算集合单的相似度,包括:
基于仓库路径模型计算集合单的行走距离并提取集合单特征:
训练并评估机器学习模型。
其中,所述训练并评估机器学习模型,包括:
统计多种机器学习模型预测行走距离,比较其与实际行走距离的误差;
选择误差最小的机器学习模型生成集合单。
根据本发明的另一个方面,提供了一种仓库集合单生成的系统,包括:
种子单生成单元,配置用于订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;
集合单生成单元,配置用于采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单。
作为优选,仓库集合单生成的系统还包括:
集合单回收单元,配置用于确定集合单拣货的优先级,在集合单生成的时间节点回收未拣货的集合单至订单池。
作为优选,集合单生成单元包括:
集合单优化子单元,配置用于基于邻域搜索优化未拣货的集合单。
作为优选,所述相似度为订单与订单或订单与集合单两者单独拣货的行走距离之和减去两者合并拣货的行走距离,再除以两者的合并拣货行走距离,公式为:
其中,s(i,j)是集合单i或订单i与订单j的相似度,d(i),d(j)分别为集合单i或订单i和订单j的单独拣货行走距离,d(i∪j)为集合单i或订单i与订单j的合并拣货行走距离。
作为优选,集合单优化子单元包括:
行走距离计算模块,配置用于基于线下机器学习模型计算邻域搜索中集合单的行走距离。
作为优选,种子单生成单元包括:
特征提取子单元,配置用于基于仓库路径模型计算集合单的行走距离并提取集合单特征:
模型训练评估子单元,配置用于训练并评估机器学习模型。
其中,模型训练评估子单元,包括:
误差计算模块,配置用于统计多种机器学习模型预测行走距离,比较其与实际行走距离的误差;
模型选择模块,配置用于选择误差最小的机器学习模型生成集合单。
与现有技术相比,本发明具有以下有益效果:
1、本发明示例的仓库集合单生成的方法,包括:订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单。
通过训练好的线下机器学习模型预测集合单的行走距离和相似度,计算时间在0.01s左右,使得行走距离的计算速度大大提升,进而提升了相似度的计算速度,大幅加快集合单生成模型的计算速度,满足高峰期间的线上需求。
2、本发明示例的仓库集合单生成的系统,包括:种子单生成单元,配置用于订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;集合单生成单元,配置用于采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单。
上述单元相互协作,通过训练好的线下机器学习模型来预测集合单的行走距离和相似度,计算时间在0.01s左右,使得行走距离和相似度的计算速度大大提升,大幅加快集合单生成模型的计算速度,满足高峰期间的线上需求。
附图说明
图1为本发明流程图;
图2为实施例一的集合单生成框架;
图3为实施例一的集合单模型框架图;
图4为实施例一的机器学习模型框架图。
具体实施方式
为了更好的了解本发明的技术方案,下面结合具体实施例、说明书附图对本发明作进一步说明。
实施例一:
本实施例提供了一种仓库集合单生成的方法,包括以下步骤:
S1、订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;
其中,所述相似度为订单与订单或订单与集合单两者单独拣货的行走距离之和减去两者合并拣货的行走距离,再除以两者的合并拣货行走距离,公式为:
其中,s(i,j)是集合单i或订单i与订单j的相似度,d(i),d(j)分别为集合单i或订单i和订单j的单独拣货行走距离,d(i∪j)为集合单i或订单i与订单j的合并拣货行走距离。
具体的,如图2,集合单生成过程包括:
订单下发到订单池,订单池中包括未来得及拣货的集合单也回收到订单池,增加优化效率。
如图3,集合单模型包括:在订单池里选择一对相似度最大的订单作为基础单的种子单,并将该订单移出订单池。相似度用训练好机器学习模型计算。
S2、采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单。
具体的,如图3,在订单池中不断选择与当前基础单相似度最大的订单加入集合单,并将该订单从订单池中移除,当达到限制条件时生成一个完整的集合单。若订单池还有订单,重复选择种子单,加入订单,生成集合单的过程,将所有订单分完。
按照固定的时间窗口,用集合单模型将订单池的订单生成集合单,当集合单满足预设的集合条件时,生成完整的集合单,此处预设的集合条件由不同仓库来定义,比如有些仓库针对订单的数量做出限制,不超过25个订单,有些仓库针对订单快件的重量和总体积,也可以综合限定,重量和总体积均不超过多少数值。
其中,S2包括:
基于邻域搜索优化未拣货的集合单。
基于邻域搜索优化未拣货的集合单,包括:
基于线下机器学习模型计算邻域搜索中集合单的行走距离。
具体的,种子单方法生成的集合单即可随时分配给拣货员拣货。对于未分配的集合单,利用邻域搜索进一步优化。邻域搜索根据不同仓库选择一个或多个邻居的定义,搜索中集合单的行走距离用训练好的机器学习模型计算。
邻域搜索过程中的集合单随时可拣货。若有拣货请求,则分配优先级最高的集合单,剩余集合单继续做邻域搜索优化。到下一个产生集合单的时间点,若仍有未拣货的集合单,则将未拣货的订单回收至订单池。
本实施例合理地利用集合单生成到拣货之间的时间来优化现有的结果。
本实施例提供的仓库集合单生成的方法,还包括:
确定集合单拣货的优先级,在集合单生成的时间节点回收未拣货的集合单至订单池。
具体的,拣货的优先级由不同仓库来确定,根据预期出库时间或仓库的个性化需求,给集合单划分优先级,按照优先级分配给拣货员拣货。在下一个产生集合单的时间点未来得及拣货的集合单会被回收到订单池,由集合单模型再次生成集合单。
本实施例订单池越大优化效果越好,本实施例带有回收未拣货集合单的功能,能够有效地增加集合单模型的效率。
线下机器学习模型计算集合单的相似度,包括:
基于仓库路径模型计算集合单的行走距离并提取集合单特征:
训练并评估机器学习模型。
其中,训练并评估机器学习模型,包括:
统计多种机器学习模型预测行走距离,比较其与实际行走距离的误差;
选择误差最小的机器学习模型生成集合单。
具体的,如图4,机器学习模型:
随机产生集合单的数据集,并用仓库路径模型计算每一个集合单的行走距离。此数据集理论上可以无限增加。
提取集合单的特征,将集合单及距离数据分成训练集,验证集和测试集。构造机器学习模型,用训练集和验证集训练机器学习模型并调参,最后用测试集评估训练好的机器学习模型计算距离的效果。
不同仓库的拣货路径可能不同,比如有的仓库要求拣货路径为S形、有的仓库要求有条件下的最大路径等,本实施例可以针对不同仓库路径模型训练机器学习模型,具有很强的扩展性。
上述多种机器学习模型至少包括:线性模型、随机森林模型、DNN模型、AdaBoost模型和Xgboost模型。
以一个仓库的拣货路径为例,来说明用机器学习模型加速计算路径的结果。下表为集合单的特征提取实例。
特征 | 描述 |
xmax | 库位的最大x坐标 |
xmin | 库位的最小x坐标 |
ymax | 库位的最大y坐标 |
ymin | 库位的最小y坐标 |
contain_food_area | 是否包含冷藏食品区 |
contain_heavy_area | 是否包含重货区 |
n | 库位数目 |
下面为多种机器学习模型在测试集上的效果:
线性模型,R2=0.949,平均误差6.00%。
随机森林,R2=0.951,平均误差5.07%。
DNN,R2=0.957,平均误差5.30%。
AdaBoost,R2=0.950,平均误差6.40%。
Xgboost,R2=0.963,平均误差4.53%。
上述模型的计算时间都在0.01s量级内,该仓库xgboost模型的效果最好,因此对于该仓库的拣货路径,采用xgboost模型。
需要解释的是,对于不同仓库的拣货路径,上述模型需要重新评估,选择效果最好的模型。
本实施例对不同的仓库可以根据实际情况提取不同的特征,结合路径模型研发机器学习模型,具有很强的普适性。
仓库的优化拣货路径模式相对固定,机器学习模型估算行走距离比较准确,用简单的特征训练模型平均误差就可以控制在5%以下。
本实施例还提供了一种仓库集合单生成的系统,包括:
种子单生成单元,配置用于订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;
集合单生成单元,配置用于采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单。
优选的,仓库集合单生成的系统,还包括:
集合单回收单元,配置用于确定集合单拣货的优先级,在集合单生成的时间节点回收未拣货的集合单至订单池。
优选的,集合单生成单元包括:
集合单优化子单元,配置用于基于邻域搜索优化未拣货的集合单。
优选的,所述相似度为订单与订单或订单与集合单两者单独拣货的行走距离之和减去两者合并拣货的行走距离,再除以两者的合并拣货行走距离,公式为:
其中,s(i,j)是集合单i或订单i与订单j的相似度,d(i),d(j)分别为集合单i或订单i和订单j的单独拣货行走距离,d(i∪j)为集合单i或订单i与订单j的合并拣货行走距离。
优选的,集合单优化子单元包括:
行走距离计算模块,配置用于基于线下机器学习模型计算邻域搜索中集合单的行走距离。
优选的,种子单生成单元包括:
特征提取子单元,配置用于基于仓库路径模型计算集合单的行走距离并提取集合单特征:
模型训练评估子单元,配置用于训练并评估机器学习模型。
其中,所述模型训练评估子单元,包括:
误差计算模块,配置用于统计多种机器学习模型预测行走距离,比较其与实际行走距离的误差;
模型选择模块,配置用于选择误差最小的机器学习模型生成集合单。
需要解释的是,对于不同仓库的拣货路径,上述模型需要重新评估,选择效果最好的模型。
本实施例对不同的仓库可以根据实际情况提取不同的特征,结合路径模型研发机器学习模型,具有很强的普适性。
仓库的优化拣货路径模式相对固定,机器学习模型估算行走距离比较准确,用简单的特征训练模型平均误差就可以控制在5%以下。
本实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
数据存储器,用于获取与存储数据以及一个或多个程序;
输入输出装置,用于实现设备的输入输出功能;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行上述的方法。
所述设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。所述设备可以是服务器,所述服务器包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual PrivateNetwork,VPN)等。
存储器用于存储仓库集合单生成的方法的程序和各种数据,并在设备运行过程中实现高速、自动地完成程序或数据的存取。存储器可以是设备的外部存储设备和/或内部存储装置。
进一步地,存储器可以是集成电路中没有实物形式的具有存储功能的电路,如RAM(Random-Access Memory,随机存取存储设备)、FIFO(First In First Out,)等,或者,存储器也可以是具有实物形式的存储设备,如内存条、TF卡(Trans-flash Card)等等。
处理器可以是中央处理器(CPU,Central Processing Unit)。CPU是一块超大规模的集成电路,是设备的运算核心(Core)和控制核心(Control Unit)。处理器可执行设备的操作系统以及安装的各类应用程序、程序代码等,例如执行仓库集合单生成的系统中的各个模块或者单元中的操作系统以及安装的各类应用程序、程序代码,以实现仓库集合单生成的方法。
输入输出装置主要用于实现设备的输入输出功能,比如收发输入的数字或字符信息,或显示由用户输入的信息或提供给用户的信息以及设备的各种菜单。
本实施例提供一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现上述的方法。
所述设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本实施例中,应该理解到,所揭露的方法和系统,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述业务模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本实施例中的各业务模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。
Claims (8)
1.一种仓库集合单生成的方法,其特征在于,包括以下步骤:
订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;
采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单;
其中,基于线下机器学习模型计算集合单的相似度,包括:
基于仓库路径模型计算集合单的行走距离并提取集合单特征:
训练并评估机器学习模型;
其中,所述训练并评估机器学习模型包括:
统计多种机器学习模型预测行走距离,比较其与实际行走距离的误差;
选择误差最小的机器学习模型生成集合单;
所述相似度为订单与订单或订单与集合单两者单独拣货的行走距离之和减去两者合并拣货的行走距离,再除以两者的合并拣货行走距离,公式为:
s(i,j)是集合单i或订单i与订单j的相似度,d(i),d(j)分别为集合单i或订单i和订单j的单独拣货行走距离,d(i∪j)为集合单i或订单i与订单j的合并拣货行走距离。
2.根据权利要求1所述的仓库集合单生成的方法,其特征在于,还包括:
确定集合单拣货的优先级,在集合单生成的时间节点回收未拣货的集合单至订单池。
3.根据权利要求1所述的仓库集合单生成的方法,其特征在于,采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单,包括:
基于邻域搜索优化未拣货的集合单。
4.根据权利要求3所述的仓库集合单生成的方法,其特征在于,基于邻域搜索优化未拣货的集合单,包括:
基于线下机器学习模型计算邻域搜索中集合单的行走距离。
5.一种仓库集合单生成的系统,其特征在于,包括:
种子单生成单元,配置用于订单进入订单池后,基于线下机器学习模型计算集合单的相似度,将所述订单池中相似度最大的一对订单设置为种子单;
集合单生成单元,配置用于采用线下机器学习模型计算所述订单池内订单与种子单的相似度,选择相似度最大的订单加入所述集合单,当所述集合单满足预设的集合条件时,完成组单;
其中,种子单生成单元包括:
特征提取子单元,配置用于基于仓库路径模型计算集合单的行走距离并提取集合单特征:
模型训练评估子单元,配置用于训练并评估机器学习模型;
其中,所述模型训练评估子单元包括:
误差计算模块,配置用于统计多种机器学习模型预测行走距离,比较其与实际行走距离的误差;
模型选择模块,配置用于选择误差最小的机器学习模型生成集合单;
所述相似度为订单与订单或订单与集合单两者单独拣货的行走距离之和减去两者合并拣货的行走距离,再除以两者的合并拣货行走距离,公式为:
s(i,j)是集合单i或订单i与订单j的相似度,d(i),d(j)分别为集合单i或订单i和订单j的单独拣货行走距离,d(i∪j)为集合单i或订单i与订单j的合并拣货行走距离。
6.根据权利要求5所述的仓库集合单生成的系统,其特征在于,还包括:
集合单回收单元,配置用于确定集合单拣货的优先级,在集合单生成的时间节点回收未拣货的集合单至订单池。
7.根据权利要求5所述的仓库集合单生成的系统,其特征在于,集合单生成单元包括:
集合单优化子单元,配置用于基于邻域搜索优化未拣货的集合单。
8.根据权利要求7所述的仓库集合单生成的系统,其特征在于,集合单优化子单元包括:
行走距离计算模块,配置用于基于线下机器学习模型计算邻域搜索中集合单的行走距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910038434.3A CN111445172B (zh) | 2019-01-16 | 2019-01-16 | 一种仓库集合单生成的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910038434.3A CN111445172B (zh) | 2019-01-16 | 2019-01-16 | 一种仓库集合单生成的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445172A CN111445172A (zh) | 2020-07-24 |
CN111445172B true CN111445172B (zh) | 2023-07-28 |
Family
ID=71648433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910038434.3A Active CN111445172B (zh) | 2019-01-16 | 2019-01-16 | 一种仓库集合单生成的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445172B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762668A (zh) * | 2020-08-28 | 2021-12-07 | 北京京东振世信息技术有限公司 | 生成任务单的方法的和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440566A (zh) * | 2013-08-27 | 2013-12-11 | 北京京东尚科信息技术有限公司 | 一种拣货集合单的生成方法、装置及拣货路径优化方法 |
JP2015060237A (ja) * | 2013-09-17 | 2015-03-30 | 日本電気株式会社 | 予測モデル学習装置、予測モデル学習方法およびコンピュータプログラム |
CN108182520A (zh) * | 2017-12-22 | 2018-06-19 | 深圳市华云中盛科技有限公司 | 一种快速建模的方法及其系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5006067B2 (ja) * | 2006-06-29 | 2012-08-22 | オリンパス株式会社 | 画像処理装置、画像処理プログラム、画像処理方法 |
CN104715285B (zh) * | 2015-03-31 | 2018-06-22 | 北京嘀嘀无限科技发展有限公司 | 处理订单的方法和设备 |
CN108694636A (zh) * | 2017-04-10 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 一种优化组单的方法和装置 |
-
2019
- 2019-01-16 CN CN201910038434.3A patent/CN111445172B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440566A (zh) * | 2013-08-27 | 2013-12-11 | 北京京东尚科信息技术有限公司 | 一种拣货集合单的生成方法、装置及拣货路径优化方法 |
JP2015060237A (ja) * | 2013-09-17 | 2015-03-30 | 日本電気株式会社 | 予測モデル学習装置、予測モデル学習方法およびコンピュータプログラム |
CN108182520A (zh) * | 2017-12-22 | 2018-06-19 | 深圳市华云中盛科技有限公司 | 一种快速建模的方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111445172A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
US11494594B2 (en) | Method for training model and information recommendation system | |
CN104391860B (zh) | 内容类别检测方法及装置 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN106484777A (zh) | 一种多媒体数据处理方法以及装置 | |
CN111371767B (zh) | 恶意账号识别方法、恶意账号识别装置、介质及电子设备 | |
WO2023016173A1 (zh) | 库存调整方法、装置、电子设备及计算机可读介质 | |
CN111967971B (zh) | 银行客户数据处理方法及装置 | |
CN107545315A (zh) | 订单处理方法及装置 | |
CN109063935A (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
CN108470261B (zh) | 一种下单方法及装置 | |
CN110751441A (zh) | 一种优化物流仓储系统中储位的方法及装置 | |
CN110191183A (zh) | 精准智能推送方法、系统、装置及计算机可读存储介质 | |
CN112307860A (zh) | 图像识别模型训练方法和装置、图像识别方法和装置 | |
CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
CN111445172B (zh) | 一种仓库集合单生成的方法和系统 | |
CN114841526A (zh) | 一种高风险用户的检测方法、计算设备及可读存储介质 | |
CN106886934A (zh) | 用于确定商家品类的方法、系统和装置 | |
CN107016583A (zh) | 数据处理方法及装置 | |
CN113850439A (zh) | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 | |
CN108335008A (zh) | 网络信息处理方法和装置、存储介质及电子装置 | |
CN108805318A (zh) | 用于评测仓库的方法和装置 | |
CN110069772A (zh) | 预测问答内容的评分的装置、方法及存储介质 | |
CN112396498A (zh) | 一种商品推销方法、装置、设备及存储介质 | |
CN113987260A (zh) | 一种视频推送方法、装置、电子设备及存储介质 |
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 |