CN111612391B - 基于FP-growth的物流拣选设备商品摆放方法 - Google Patents
基于FP-growth的物流拣选设备商品摆放方法 Download PDFInfo
- Publication number
- CN111612391B CN111612391B CN202010255398.9A CN202010255398A CN111612391B CN 111612391 B CN111612391 B CN 111612391B CN 202010255398 A CN202010255398 A CN 202010255398A CN 111612391 B CN111612391 B CN 111612391B
- Authority
- CN
- China
- Prior art keywords
- support
- commodities
- count
- commodity
- transaction
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种基于FP‑growth的物流拣选设备商品摆放方法。本发明结合电商平台订单数据,建立用户购买商品的订单数据库,从订单数据中利用FP‑tree算法找出关联关系较强的商品,然后根据智能化仓储物流拣选设备中运输机器人承重以及每个库位上料箱的体积等约束条件,将关联性较强的商品放置在同一个料箱中,摆放在一个库位上。这样就可以利用运输机器人抽取一次料箱完成购买多种商品的订单,从而提高仓储物流商品的拣选效率,从而提升了订单在仓储物流中的响应速率。
Description
技术领域
本发明涉及一种商品摆放方法,具体涉及一种基于FP-growth的物流拣选设备商品摆放方法
背景技术
随着物流自动化的发展,人力资源成本的提升,物流拣选的自动化需求越来越迫切。新型密集式自动化仓储将给人们带来更加便捷的自动化生产生活方式。与此同时,人们对自动化仓储的需求越来越多样化、出入库效率要求越来越高。电商物流业务可总结为“存”、“拣”、“发”三个部分,即商品存储、订单分拣、包装发货,其中订单分拣是电商物流公司关注的重点。在人工作业的配送中心,拣选作业属于劳动密集度最高的环节,其工作量约占配送中心所有工作量的60%,其作业时间占整个配送中心作业时间的40%以上。某公司引进智能拣选设备“摩天轮”,其订单拣选流程如图1所示。抓取的订单流经过WMS系统分波次制成分拣任务提交给“摩天轮”,“摩天轮”上的机器人根据任务队列到对应的料箱并将料箱中商品送到两侧拣货口,供拣货员按任务需求拣货,拣货员将商品拣入中转箱。
智能拣选系统“摩天轮”(图2)由立体式存取货柜及机器人组群组成,机器人组群在“摩天轮”中的巷道灵活快速行驶,不断从“摩天轮”的库位中抽取料箱,运送到两侧出口进行存、取货物。
“摩天轮”中的每个料箱可以分为划分为2,4,6,8等不同的小货位,根据商品的体积大小和质量高低有不同的摆放方式。
发明内容
本发明针对现有技术的不足,提出了一种基于FP-growth算法的智能化仓储物流拣选设备的商品摆放方法。
本发明结合电商平台订单数据,针对智能化立体式仓储物流拣选设备,该发明提出了一种基于FP-growth算法的商品摆放模型,从订单数据中利用FP-tree算法找出关联关系较强的商品,根据运输机器人承重及料箱的体积等约束条件,将关联性较强的商品摆放在同一个料箱中,提高智能化立体式仓储物流拣选设备的拣选效率,从而提升了订单在仓储物流中的响应速率。
本发明基于FP-growth的物流拣选设备商品摆放方法,具体包括以下步骤:
步骤一:建立一个客户购买商品的订单记录数据库,订单单号作为标识符TID,对应订单商品集合编号的作为一个事务T,所有的事务集合为D;商品订单记录的数据库中每条信息包含订单单号字段及列表中的商品字段,每一种商品作为一个项;
步骤二:对事务集合D进行第一次扫描,计算每一个事务T中各种商品的支持度计数support_count_x,设置一个最小支持度阈值min_sup,support_count_x≥min_sup的商品作为频繁项保留,反之剔除,保留频繁项,并将频繁项按照支持度计数降序排列。
步骤三:对事务集D进行第二次扫描,每读入一个事务T时,将事务中按照步骤二中统计的频繁项保留,非频繁项剔除,再把每个事务的商品项按照支持度计数降序排列;再对事务集进行非频繁项过滤以及重排序后,从null开始创建标记为其商品的节点,然后形成根节点null到商品节点的路径,直到每个事务都映射到FP-tree的一条路径,读入所有事务后形成FP-tree;路径由根节点null和对应的所有商品节点组成。
步骤四:从FP-tree的每条路径的结尾节点依次向上提取出相应的项集,项集的支持度计数support_count_xj大于等于min_sup时,该项集作为频繁项集l保留,反之剔除;
步骤五:设置一个最小置信度阈值min_conf;每个频繁项集l所产生的每个非空子集为s,若子集(l-s)与s的支持度计数之比大于等于最小置信度阈值min_conf,则输出强关联规则该强关联规则的置信度大小为l与s的支持度计数之比的值关联规则置信度大小的计算公式如公式(1)(2)所示:
步骤六:将所计算出来的所有强关联规则按照其置信度confidence的大小进行排序,选出置信度较大的几种商品,按照智能拣选设备中机器人小车的承重及料箱存放体积约束条件进行摆放商品。
本发明相对于现有技术具有的有益效果:
本发明先建立一个客户在电商平台购买商品的订单记录(包含订单单号及所购买商品)的数据库,订单单号作为标识符TID,对应购买的商品的编号作为一个事务T,所有事务的集合为D;对D进行第一次扫描,计算并保留频繁项商品。然后,对D进行第二次扫描,构建频繁模式树FP-tree,并提取出频繁项集;其次,由各频繁项集产生相应的强关联规则,并计算出各强关联规则的置信度大小;再通过各强关联规则的置信度大小,将这些频繁项集进行推荐排序;最后,将推荐的前几种商品根据智能拣选设备中机器人小车承重以及料箱存放体积等约束条件,再确定哪几种商品摆放在一起,一个料箱摆放多少种商品等。本发明与现有技术相比,主要提供了FP-growth算法对仓储物流中智能拣选设备商品摆放的策略起到优化推荐作用,提高智能化立体式仓储物流拣选设备的拣选效率,从而提升了订单在仓储物流中的响应速率。
附图说明
图1为某公司半自动化订单拣选流程;
图2为智能化仓储物流拣选设备平面结构图;
图3是本发明总体流程图;
图4是本发明步骤二详细流程图;
图5是本发明步骤三详细流程图;
图6是本发明具体实施方式中所举例子步骤三中的流程图;
具体实施方式
下面结合附图3以及表格对本发明作进一步的说明。
步骤一:建立一个购买商品的订单记录的数据库,订单单号作为标识符TID,对应购买商品的编号的作为一个事务T,所有事务的集合为D。为方便阐述本发明,假设商品编号规则如下:
表一:商品编号及名称
商品编号 | 商品名称 | 商品编号 | 商品名称 |
a | 杯子 | i | 卸妆水 |
b | 牙刷 | j | 刮胡刀 |
c | 牙膏 | k | 洗衣粉 |
d | 洗发水 | l | 洗面奶 |
e | 沐浴露 | m | 洗脸盆 |
f | 毛巾 | n | 卫生纸 |
g | 洗衣液 | o | 衣架 |
h | 香皂 | p | 面膜 |
假设所建数据库中有如下订单购买记录:
表二:数据库中订单购买记录
TID | 订单购买商品清单 |
1 | f,a,c,d,g,i,m,p |
2 | a,b,c,f,l,m,o |
3 | b,f,m,h,j,o |
4 | b,c,k,s,p |
5 | a,f,c,e,l,p,m,n |
步骤二:如图4所示,对D进行第一次扫描,计算每一个事务T中各种商品的支持度计数support_count_x,设置一个最小支持度阈值min_sup,support_count_x≥min_sup的商品作为频繁项保留,反之剔除,然后将频繁项按照支持度计数降序排列,设置本案例中的最小支持度阈值为3,则得到的结果为:
表三:最小支持度阈值为3频繁项
TID | 订单记录清单 | 所得频繁项 |
1 | f,a,c,d,g,i,m,p | f,m,c,a,p |
2 | a,b,c,f,l,m,o | f,m,c,a,b |
3 | b,f,m,h,j,o | f,m,b |
4 | b,c,k,s,p | c,b,p |
5 | a,f,c,e,l,p,m,n | f,m,c,a,p |
步骤三:如图5、6所示,对事务集D进行第二次扫描。每读入一个事务T时,创建标记为其商品的节点,然后形成根节点null到商品节点的路径。直到每个事务都映射到FP-growth的一条路径,读入所有事务后形成FP-tree;因本案例中共有五条订单记录数据即五个事务,所以将产生五条路径分支,如下图所示。首先,读入第一个事务T,得到第一条路径分支<(f:1),(m:1),(c:1),(a:1),(p:1)>,如图6所示;其次,读入第二个事务T,得到第二条路径分支<(f:1),(m:1),(c:1),(a:1),(b:1)>,其中路径前四项与上一步相同,则在这四个节点的数目上加1,然后将(b:1)作为一个分支加在(a:2)节点后,成为它的子节点,如下流程图中的(b)依次循环类推,直至读入所有事,
步骤四:从FP-tree的每条路径的结尾节点依次向上提取出相应的项集。项集的支持度计数support_count_xj大于等于min_sup时,该项集作为频繁项集l保留,反之剔除;首先,从FP-tree的结尾节点p开始提取相应的项集,它的两个节点存在路径<(f:4),(m:4),(c:3),(a:3),(p:2)>和<(c:1),(b:1),(p:1)>。其中,路径<f,m,c,a,p>出现了2次,<c,b,p>出现了1次。但是由于最小支持度阈值是3,所以从FP-tree上只能提取出一个直接频繁集{(p:3)}该符号表示项集中包含,其支持度计数为。结尾节点b类似,只能提取出一个直接频繁集{(b:3)}。然后,从FP-tree的倒数第二个节点a开始提取相应的项集,它的节点存在路径<(f:4),(m:4),(c:3),(a:3)>中。那么路径<f,m,c,a>出现了3次,所以从FP-tree上提取的频繁项集有{(fmca:3)},{(fma:3)},{(fca:3)},{(fa:3)},{(a:3)}。依次循环类推。将所有的频繁项集及其支持度计数统计到下表中:
表四:频繁项集及其支持度计数
频繁项集 | 支持度计数 | 频繁项集 | 支持度计数 | 频繁项集 | 支持度计数 |
p | 3 | fa | 3 | c | 3 |
b | 3 | a | 3 | fm | 4 |
fmca | 3 | fmc | 3 | m | 4 |
fma | 3 | fc | 3 | f | 4 |
fca | 3 | mc | 3 |
步骤五:设置一个最小置信度阈值min_conf;每个频繁项集l所产生的每个非空子集为s,若子集(l-s)与s的支持度计数之比大于等于最小置信度阈值min_conf,则输出强关联规则该强规则的置信度大小为l与s的支持度计数之比的值设置最小置信度阈值min_conf=80%,为简要阐述该步骤,此处仅讨论步骤四中f项作为前项的频繁项集,计算后所有关联规则及其置信度大小如下表所示。
表5关联规则及置信度大小
关联规则 | 置信度 | 关联规则 | 置信度 |
f=>mca | 75% | f=>mc | 75% |
f=>ma | 75% | f=>c | 75% |
f=>ca | 75% | f=>m | 100% |
步骤六:将所计算出来的所有强关联规则按照其置信度confidence的大小进行排序,选出置信度较大的几种商品,按照智能拣选设备中机器人小车的承重及料箱存放体积等约束条件进行摆放商品。具体的毛巾应和洗脸盆摆放在一起。
Claims (2)
1.基于FP-growth的物流拣选设备商品摆放方法,其特征在于,该方法包括如下步骤:
步骤一:建立一个客户购买商品的订单记录数据库,订单单号作为标识符TID,对应订单商品集合编号的作为一个事务T,所有的事务集合为D;商品订单记录的数据库中每条信息包含订单单号字段及列表中的商品字段,每一种商品作为一个项;
步骤二:对事务集合D进行第一次扫描,计算每一个事务T中各种商品的支持度计数support_count_x,保留频繁项,并将频繁项按照支持度计数降序排列;
步骤三:对事务集D进行第二次扫描,每读入一个事务T时,将事务中按照步骤二中统计的频繁项保留,非频繁项剔除,再把每个事务的商品项按照支持度计数降序排列;再对事务集进行非频繁项过滤以及重排序后,从null开始创建标记为其商品的节点,然后形成根节点null到商品节点的路径,直到每个事务都映射到FP-tree的一条路径,读入所有事务后形成FP-tree;路径由根节点null和对应的所有商品节点组成;
步骤四:从FP-tree的每条路径的结尾节点依次向上提取出相应的项集,项集的支持度计数support_count_xj大于等于min_sup时,该项集作为频繁项集l保留,反之剔除;
步骤五:设置一个最小置信度阈值min_conf;每个频繁项集l所产生的每个非空子集为s,若子集(l-s)与s的支持度计数之比大于等于最小置信度阈值min_conf,则输出强关联规则该强关联规则的置信度大小为l与s的支持度计数之比的值关联规则置信度大小的计算公式如公式(1)(2)所示:
步骤六:将所计算出来的所有强关联规则按照其置信度confidence的大小进行排序,选出置信度较大的几种商品,按照智能拣选设备中机器人小车的承重及料箱存放体积约束条件进行摆放商品。
2.根据权利要求1所述的基于FP-growth的物流拣选设备商品摆放方法,其特征在于:步骤二中计算每一个事务T中各种商品的支持度计数support_count_x,保留频繁项;具体为:设置一个最小支持度阈值min_sup,support_count_x≥min_sup的商品作为频繁项保留,反之剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010255398.9A CN111612391B (zh) | 2020-04-02 | 2020-04-02 | 基于FP-growth的物流拣选设备商品摆放方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010255398.9A CN111612391B (zh) | 2020-04-02 | 2020-04-02 | 基于FP-growth的物流拣选设备商品摆放方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612391A CN111612391A (zh) | 2020-09-01 |
CN111612391B true CN111612391B (zh) | 2023-04-07 |
Family
ID=72201595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010255398.9A Active CN111612391B (zh) | 2020-04-02 | 2020-04-02 | 基于FP-growth的物流拣选设备商品摆放方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612391B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258195A (zh) * | 2020-10-23 | 2021-01-22 | 平安科技(深圳)有限公司 | 一种交易数据的处理方法、装置、计算机设备及存储介质 |
CN113793087B (zh) * | 2021-02-26 | 2024-04-16 | 北京京东振世信息技术有限公司 | 用于分拣物品的方法和装置 |
CN116611769A (zh) * | 2023-07-19 | 2023-08-18 | 杭州吉客云网络技术有限公司 | 订单聚合方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944896A (zh) * | 2016-10-13 | 2018-04-20 | 北京京东尚科信息技术有限公司 | 确定商品关联程度的方法以及装置 |
TW201822101A (zh) * | 2016-12-14 | 2018-06-16 | 中華電信股份有限公司 | 個人化商品推薦方法 |
CN207817780U (zh) * | 2018-02-11 | 2018-09-04 | 苏州科技大学 | 一种基于物联网的物流末端储物系统 |
CN110264323A (zh) * | 2019-07-04 | 2019-09-20 | 普罗格智芯科技(湖北)有限公司 | 一种智能分拣方法及系统 |
CN110362670A (zh) * | 2019-07-19 | 2019-10-22 | 中国联合网络通信集团有限公司 | 商品属性抽取方法及系统 |
-
2020
- 2020-04-02 CN CN202010255398.9A patent/CN111612391B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944896A (zh) * | 2016-10-13 | 2018-04-20 | 北京京东尚科信息技术有限公司 | 确定商品关联程度的方法以及装置 |
TW201822101A (zh) * | 2016-12-14 | 2018-06-16 | 中華電信股份有限公司 | 個人化商品推薦方法 |
CN207817780U (zh) * | 2018-02-11 | 2018-09-04 | 苏州科技大学 | 一种基于物联网的物流末端储物系统 |
CN110264323A (zh) * | 2019-07-04 | 2019-09-20 | 普罗格智芯科技(湖北)有限公司 | 一种智能分拣方法及系统 |
CN110362670A (zh) * | 2019-07-19 | 2019-10-22 | 中国联合网络通信集团有限公司 | 商品属性抽取方法及系统 |
Non-Patent Citations (1)
Title |
---|
李亚芳.基于关联规则的货位分配和订单分批优化研究.硕士电子期刊.2020,(第1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111612391A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612391B (zh) | 基于FP-growth的物流拣选设备商品摆放方法 | |
Granzin et al. | Consumer logistics: conceptualization, pertinent issues and a proposed program for research | |
Burmeister et al. | Proximity in production networks: the circulatory dimension | |
CN104346698B (zh) | 基于云计算和数据挖掘的餐饮会员大数据分析和考核系统 | |
CN109993457A (zh) | 一种企业客户资源的分配方法及系统 | |
Supriansyah et al. | Community empowerment through waste bank program in Mandar Sari kelurahan Banjar regency | |
CN107368501A (zh) | 数据的处理方法及装置 | |
CN107909436A (zh) | 一种适于网上购物平台的基于大数据的试衣推荐方法 | |
Larsen | Valuation in action: Ethnography of an American thrift store | |
CN113053044B (zh) | 应用大数据服务的现场计价平台 | |
CN110213342A (zh) | 一种采购系统的消息推送方法、装置、存储介质及终端 | |
CN109726968A (zh) | 一种基于智能仓库的商品上架方法、设备及介质 | |
CN109903080A (zh) | 一种用于电商平台的客户分析系统 | |
CN107862577A (zh) | 一种基于大数据的试衣推荐方法 | |
JPH09305571A (ja) | 時系列データ処理方法 | |
CN109816292A (zh) | 一种仓储信息库建立方法及系统 | |
Moses et al. | Buyagain grocery recommender algorithm for online shopping of grocery and gourmet foods | |
CN113421041A (zh) | 一种基于电子商务平台交易的自营仓库商品智能管理方法及云管理平台 | |
CN112150194A (zh) | 一种营销分析方法、系统及存储介质 | |
Turken et al. | Research on Creating a Data Warehouse Based on E-Commerce | |
Kim et al. | Analysis of User’ s Behaviors and Growth Factors of Shopping Mall using Bigdata | |
CN112950247A (zh) | 一种选品方法和装置 | |
CN117272398B (zh) | 基于人工智能的数据挖掘安全保护方法及系统 | |
CN111144996B (zh) | 一种购物社交的方法和装置 | |
CN112948447A (zh) | 一种基于网状结构的用户信息高效检索方法 |
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 |