CN113554391B - 基于可视化模型的电商物流规划方法、装置和存储介质 - Google Patents

Abstract

本申请公开了一种基于可视化模型的电商物流规划方法、装置和存储介质，其中方法包括：采集仓库和店铺在二维地图数据中的二维坐标数据；采集二维地图数据中的道路的二维坐标数据；根据仓库的商品库存数据生成仓库的高度数据；根据店铺的商品订单数据生成店铺的高度数据；基于二维坐标数据和高度数据构建反映仓库、店铺和道路的三维可视化模型；根据三维可视化模型中仓库的三维位置和道路在仓库和店铺之间构成的路径规划针对商品订单的物流路径。本申请的有益之处在于提供一种通过构建基于电商数据和地图数据的可视化三维地图从而进行物流路线规划的基于可视化模型的电商物流规划方法、装置和存储介质。

Description

基于可视化模型的电商物流规划方法、装置和存储介质

技术领域

本申请涉及电商物流领域，具体而言，涉及一种基于可视化模型的电商物流规划方法、装置和存储介质。

背景技术

现有的中小型便利店往往通过自有渠道在供应商处进行线下商品采购，由于中小型便利店的特点，其无法大批量采购货物，从而无法与供应商进行有效的议价，同时又由于供应商批发对采购数量的要求，使得中小型便利店每次采购需要保证一定规模，从而导致库存问题。

而从供应商的角度而言，中小型便利店这种分散购买方式导致供应商仓储成本提高，从而使供应价格居高不下。

在相关技术中，如公开号为CN112801759A的中国专利文献公开的技术方案，其通过电商平台将买方、卖方和承运方整合在一起，使多个买方的订单可以“拼单”到一个物流订单中，从而实现集中采购、集中配送的方式，从而降低了中小型便利店的采购成本。

在另一相关技术中，为了实现技术物流最优配送，如公开号为CN112016876B的中国专利文件公开的技术方案，其提供了一种通过计算机程序自动配置货物的方法，其能够根据供应商、商户的位置以及订单情况配置车辆的路径和装配方案。

在其他的一些相关技术中提供了根据取货地址和送货地址以及车辆位置配置物流路线的方案。

但是这些方案往往依赖于较为复杂的算法的，并且它们仅仅考虑二维路线最优的方式，而没有考虑到订单本身以及仓储情况。

发明内容

为了解决现有技术的不足之处，本申请提供了一种基于可视化模型的电商物流规划方法，包括如下步骤：采集仓库和店铺在二维地图数据中的二维坐标数据；采集二维地图数据中的道路的二维坐标数据；根据所述仓库的商品库存数据生成所述仓库的高度数据；根据所述店铺的商品订单数据生成所述店铺的高度数据；基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型；根据所述三维可视化模型中所述仓库的三维位置和所述道路在所述仓库和店铺之间构成的路径规划针对商品订单的物流路径。

进一步地，基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型包括如下步骤：根据所述仓库的二维坐标数据生成所述仓库的二维坐标中心点；构建一个仓库圆锥台代表所述仓库，所述仓库圆锥台的中心轴线垂直于所述三维可视化模型的水平面且通过所述仓库的二维坐标中心点，所述仓库圆锥台的高度与所述仓库的高度数据成正比。

进一步地，基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型包括如下步骤：采集所述仓库的商品的最大库存数据；根据所述最大库存容量数据生成所述仓库圆锥台的下底半径；采集所述仓库的商品的最末出库数据；根据所述最末出库数据生成所述仓库圆锥台的上底半径。

进一步地，基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型包括如下步骤：根据所述仓库的二维坐标数据生成所述仓库的二维坐标中心点；构建一个店铺圆锥台代表所述仓库，所述店铺圆锥台的中心轴线垂直于所述三维可视化模型的水平面且通过所述仓库的二维坐标中心点，所述店铺圆锥台的高度与所述店铺的高度数据成正比。

进一步地，基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型包括如下步骤：采集所述店铺的商品的历史最大采购量数据；根据所述历史最大采购量数据生成所述店铺圆锥台的下底半径；采集所述店铺的商品的历史最小采购量数据；根据所述历史最小采购量数据生成所述店铺圆锥台的上底半径。

进一步地，所述仓库圆锥台和所述店铺圆锥台的高度方向相异。

进一步地，基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型包括如下步骤：根据所述二维地图数据中所述道路的走向在所述三维可视化模型生成代表道路的导流槽，所述导流槽的横截面为矩形且具有相同深度和宽度。

进一步地，根据所述三维可视化模型中所述仓库的三维位置和所述道路在所述仓库和店铺之间构成的路径规划针对商品订单的物流路径包括如下步骤：根据采购订单中一类商品的数据生成运输体积数据；根据运输体积数据在所述三维可视化模型中生成对应体积的模拟流体；设定所述三维可视化模型中重力参数，根据模拟流体从所述店铺圆锥台流动至所述仓储圆锥台的时间和路径规划物流线路。

作为本申请的另一方面，本申请还提供一种基于可视化模型的电商物流规划装置，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如前所述的基于可视化模型的电商物流规划方法。

作为本申请的另一方面，本申请还提供一种计算机客户存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的基于可视化模型的电商物流规划方法。

本申请的有益之处在于：提供一种通过构建基于电商数据和地图数据的可视化三维地图从而基于该可视化三维模型进行物流路线规划的基于可视化模型的电商物流规划方法、装置和存储介质。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请一种实施例的基于可视化模型的电商物流规划方法的主要步骤示意图；

图2是根据本申请一种实施例的基于可视化模型的电商物流规划方法中二维地图的示意图；

图3是根据本申请一种实施例的基于可视化模型的电商物流规划方法所构建的三维模型的俯视示意图；

图4是根据本申请一种实施例的基于可视化模型的电商物流规划方法所构建的三维模型的侧视示意图；

图5是根据本申请一种实施例的基于可视化模型的电商物流规划装置模块组成示意图。

图中附图标记的含义：

100三维可视化模型，101仓库圆锥台，102店铺圆锥台；

200基于可视化模型的电商物流规划装置，201存储器，202处理器。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

参照图1至图4所示，本申请的基于可视化模型的电商物流规划方法，包括如下步骤：

采集仓库和店铺在二维地图数据中的二维坐标数据；

采集二维地图数据中的道路的二维坐标数据；

根据所述仓库的商品库存数据生成所述仓库的高度数据；

根据所述店铺的商品订单数据生成所述店铺的高度数据；

基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型；

根据所述三维可视化模型中所述仓库的三维位置和所述道路在所述仓库和店铺之间构成的路径规划针对商品订单的物流路径。

其中，采集仓库和店铺在二维地图数据中的二维坐标数据是为了获取仓库和店铺的位置数据。具体而言，之所以从一个二维地图数据去获取二维坐标，是因为虽然因为地形和地球曲率的原因，在实际地理位置上店铺和仓库是存在海拔高度差的，但是出于物流规划的角度而言，这些海拔高度并非是影响物流规划的决定性因素，并且由于本申请方法所适用的店铺“拼单”模式而言，大多数店铺和仓库均位于城市中甚至局限于认为划分的商圈，因此从这个角度而言，在构建本申请的三维可视化模型时，仅从二维地图数据中获取二维坐标数据来代表位置即可。

作为可选方案，二维地图数据的来源可以为高德地图、百度地图和谷歌地图等公开地图数据。

另外，根据所述仓库的商品库存数据生成所述仓库的高度数据具体是指：获取某一仓库中某一商品当前的库存数据，库存数据越大则仓库的高度数据越大，相对而言，仓库在三维可视化模型中高度也就越高。

作为一种优选方案，仓库的高度数据对应的库存数据，可以为某一商品SKU对应的数量，作为进一步的优选方案，仓库的高度数据对应的库存数据为某一商品SKU对应的体积数值，这个体积数值可以根据包装规格和商品数据计算得出。采用体积数值的好处在于能够更直接的反应库存对空间的占用情况。

类似的，根据所述店铺的商品订单数据生成所述店铺的高度数据具体是指：获取店铺订单数据中某一商品的采购数据，采购数据越大则店铺的高度数据越大，相对而言，店铺在三维可视化模型中高度也就越高。

作为优选方案，店铺的高度数据对应的采购数据也可以为数量和体积数据，作为优选，店铺的高度数据对应的为某一商品SKU对应的体积数值。

作为进一步地优选方案，体积数值V与高度数据比例为1:1，在量纲上而言，1L的体积数据等于1m的高度数据，按照此量纲标准进行计算。

作为更具体的方案，基于二维坐标数据和高度数据构建反映仓库、店铺和道路的三维可视化模型包括如下步骤：根据仓库的二维坐标数据生成仓库的二维坐标中心点；构建一个仓库圆锥台代表仓库，仓库圆锥台的中心轴线垂直于三维可视化模型的水平面且通过仓库的二维坐标中心点，仓库圆锥台的高度与仓库的高度数据成正比；采集仓库的商品的最大库存数据；根据最大库存容量数据生成仓库圆锥台的下底半径；采集仓库的商品的最末出库数据；根据最末出库数据生成仓库圆锥台的上底半径。

二维坐标中心点可以通过仓库建筑物或占地的最大矩形框的对角线的中点作为二维坐标中心的中点。

其中，最大库存数据是指系统登记仓库存储该商品最大的容量数据或者历史数据中体现的最高值，最末出库数据为最后一次出货当日该产品出货量的数据。作为优选方案，最大库存数据和最末出库数据均采用以上所介绍的体积数据进行生产，数据比例选择1:0.1，在量纲上而言，1L的体积数据相当于0.1m的长度数据。即对于最大库存数据和最末出库数据而言，最大库存数据和最末出库数据的1L对应生产半径时为0.1m。

之所以高度和半径对应的比例不同（相差十倍），一是为了仓库圆锥台和店铺圆锥台不至于过大从而削弱道路距离的影响，二是从圆锥台本身反应的属性而言，更希望及时的数据（反应在高度上）能起到更决定性的作用。

通过这样的方案，将仓库在可视化三维模型中构建成为一个圆锥体的立体物，该立体物可以反应仓库针对某一产品的仓储属性，比如高度代表了剩余库存，下底代表仓储的能力，上底代表上一日出货的能力。

类似的，基于二维坐标数据和高度数据构建反映仓库、店铺和道路的三维可视化模型包括如下步骤：根据仓库的二维坐标数据生成仓库的二维坐标中心点；构建一个店铺圆锥台代表仓库，店铺圆锥台的中心轴线垂直于三维可视化模型的水平面且通过仓库的二维坐标中心点，店铺圆锥台的高度与店铺的高度数据成正比；采集店铺的商品的历史最大采购量数据；根据历史最大采购量数据生成店铺圆锥台的下底半径；采集店铺的商品的历史最小采购量数据；根据历史最小采购量数据生成店铺圆锥台的上底半径。

其中，高度和半径的取值可以参考以上方案商品体积到长度尺寸转换的方案。

在构建了以上所介绍的仓库圆锥台和店铺圆锥台后，为了实现基于流体力学模拟的物流模拟，使仓库圆锥台和店铺圆锥台的高度方向相异，即相对于三维可视化模型的水平面而言，如果仓库圆锥台向水平面上方形成，那么店铺圆锥台则向水平面下方形成。通俗而言，仓库圆锥台如果为山脉，则店铺圆锥台为盆地。当然，仓库圆锥台和店铺圆锥台仅是相对相异，在分析目的不同时，它们可以倒置，也就是说三维可视化模型整体可以水平翻转。这取决于物流规划的目的，如果是为了观察和策略店铺到仓库，将店铺作为发起端，则使店铺圆锥台为“山脉”而使仓库为“盆地”，反之则进行颠倒。如图4所示，在形成“山脉”时，仓库圆锥台和店铺圆锥台在三维可视化模型中为实体，而在形成“盆地”时，仓库圆锥台和店铺圆锥台在三维可视化模型中为凹槽。

基于二维坐标数据和高度数据构建反映仓库、店铺和道路的三维可视化模型包括如下步骤：根据二维地图数据中道路的走向在三维可视化模型生成代表道路的导流槽，导流槽的横截面为矩形且具有相同深度和宽度。即按照原有道路走向，形成导流槽的走向，使它们连接仓库圆锥台和店铺圆锥台。统一导流槽的深度和宽度以及规定导流槽在高度方向没有差异是为了突出导流槽反应道路的路线，而均一化其他影响条件。

作为优选方案，在三维可视化模型中，导流槽长度采用原道路的长度，导流槽的宽度和深度均为1m。

作为进一步的优选方案，导流槽一直延伸到仓库圆锥台和店铺圆锥台的边缘截止，与一般设计构思不同，一般为了实现路线规划，往往不体现节点的体积特征，而本申请为了通过流体力学的模拟并基于节点本身仓储和上午属性实现路径规划，所以道路在延伸到仓库圆锥台和店铺圆锥台时进行省略，用这种看似不精确的方法体现物流节点的商业属性，尤其是考量物流运输和仓储成本，从而使路线规划更符合整体系统物流精细化操作的目的。

以往的技术方案规划物流时均是按照物流的正常方向，即由仓库到店铺方式进行规划和计算。本申请作为一种优选方案，以店铺作为物流模拟的开始一侧进行模拟和规划。

需要说明的是，虽然三维可视化模型在构建是采用米为单位进行构建，而在实际运算和显示时可以同比例进行缩放。

具体而言，根据三维可视化模型中仓库的三维位置和道路在仓库和店铺之间构成的路径规划针对商品订单的物流路径包括如下步骤：根据采购订单中一类商品的数据生成运输体积数据；根据运输体积数据在三维可视化模型中生成对应体积的模拟流体；设定三维可视化模型中重力参数，根据模拟流体从店铺圆锥台流动至仓储圆锥台的时间和路径规划物流线路。

比如，采购订单中有某种饮料3箱，通过采集和计算数据可知道，它们的体积数值为3L，这样根据体积数值生成一个3L的流体从而该店铺的店铺圆锥台出发进行自由流体运动，假设导流槽均不存在摩擦力，通过流体从店铺圆锥台出发到最终流入仓储圆锥台的时间作为路线选择的标准，当店铺圆锥台到仓储圆锥台存在多条线路时，可以分别进行模拟和检测。

设定三维可视化模型中重力参数，是为了加速运算时间。

相比于原来的路线规划方式，本发明通过三维可视化模型的模拟直接采用流体力学的原理进行模拟，简化了算法的同时，又反映了仓储和订单的属性，并且大量数据累计为后继进行神经网络的训练积累了所需的数据。

作为更进一步的优选方案，以颜色反应圆锥台的高度，记录最终规划的物流路线和订单数据，将俯视的二维图像和订单数据作为输入数据，将最终物流路线作为输出数据训练一个卷积神经网络模型，带该网络收敛后，仅构建以上三维可视化模型获取俯视二维图像和订单数据，由卷积神经网络模型输出所规划的物流线路。

如图5所示，作为本申请的另一方面，本申请还提供一种基于可视化模型的电商物流规划装置200，其包括储器201和处理器202。其中，存储器201用于存储计算机程序，处理器202用于执行计算机程序时实现如上所提供的方法的步骤。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所提供的方法的步骤。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (4)

1.一种基于可视化模型的电商物流规划方法，其特征在于：

所述基于可视化模型的电商物流规划方法包括如下步骤：

采集仓库和店铺在二维地图数据中的二维坐标数据；

采集二维地图数据中的道路的二维坐标数据；

根据所述仓库的商品库存数据生成所述仓库的高度数据；

根据所述店铺的商品订单数据生成所述店铺的高度数据；

基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型；根据所述三维可视化模型中所述仓库的三维位置和所述道路在所述仓库和店铺之间构成的路径规划针对商品订单的物流路径；

基于所述二维坐标数据和高度数据构建反映所述仓库、店铺和道路的三维可视化模型包括如下步骤：

根据所述仓库的二维坐标数据生成所述仓库的二维坐标中心点；

构建一个仓库圆锥台代表所述仓库，所述仓库圆锥台的中心轴线垂直于所述三维可视化模型的水平面且通过所述仓库的二维坐标中心点，所述仓库圆锥台的高度与所述仓库的高度数据成正比；

采集所述仓库的商品的最大库存数据；

根据所述最大库存容量数据生成所述仓库圆锥台的下底半径；

采集所述仓库的商品的最末出库数据；

根据所述最末出库数据生成所述仓库圆锥台的上底半径；

根据所述店铺的二维坐标数据生成所述店铺的二维坐标中心点；

构建一个店铺圆锥台代表所述店铺，所述店铺圆锥台的中心轴线垂直于所述三维可视化模型的水平面且通过所述店铺的二维坐标中心点，所述店铺圆锥台的高度与所述店铺的高度数据成正比；

采集所述店铺的商品的历史最大采购量数据；

根据所述历史最大采购量数据生成所述店铺圆锥台的下底半径；

采集所述店铺的商品的历史最小采购量数据；

根据所述历史最小采购量数据生成所述店铺圆锥台的上底半径；

根据所述二维地图数据中所述道路的走向在所述三维可视化模型生成代表道路的导流槽，所述导流槽的横截面为矩形且具有相同深度和宽度；

根据采购订单中一类商品的数据生成运输体积数据；

根据运输体积数据在所述三维可视化模型中生成对应体积的模拟流体；

设定所述三维可视化模型中重力参数，根据模拟流体从所述店铺圆锥台流动至所述仓库圆锥台的时间和路径规划物流线路。

2.根据权利要求1所述的基于可视化模型的电商物流规划方法，其特征在于：

所述仓库圆锥台和所述店铺圆锥台的高度方向相异。

3.一种基于可视化模型的电商物流规划装置，其特征在于：

所述基于可视化模型的电商物流规划装置包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1或2所述的基于可视化模型的电商物流规划方法。

4.一种计算机客户存储介质，其特征在于：

所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1或2所述的基于可视化模型的电商物流规划方法。