CN113822301B - 分拣中心的分类方法及装置、存储介质、电子设备 - Google Patents

Abstract

本发明实施例是关于一种分拣中心的分类方法及装置、存储介质、电子设备，涉及物流大数据处理技术领域，该方法包括：根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述平均分拣货量生成所述分拣中心的特征向量；根据所述分拣中心的特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵；根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并根据所述拉普拉斯矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。本发明实施例提高了分拣中心的分类效率。

Description

分拣中心的分类方法及装置、存储介质、电子设备

技术领域

本发明实施例涉及物流大数据处理技术领域，具体而言，涉及一种分拣中心的分类方法、分拣中心的分类装置、计算机可读存储介质以及电子设备。

背景技术

分拣中心是物流运输流程中的一个重要环节，管理一个较大区域的寄件和收件。而对物流运输线路和班次的规划来说，分拣中心的处理能力是至关重要的一环，如果规划不合理，将会导致某个分拣中心在某些时间段处理货量过大导致处理缓慢，影响配送的时效。

为了解决上述问题，需要根据分拣中心在不同条件下的分拣时效，对分拣中心进行分类。在现有的分拣中心的分类方法中，一方面，可以根据分拣中心自身的地理位置以及等级等静态属性对时效进行估计，进而根据时效估计结果对该分拣中心进行分类；另一方面，也可以通过分拣中心的处理单量等动态属性对时效进行估计，然后再根据该时效估计结果对该分拣中心进行分类。

但是，上述时效估计方法存在如下缺陷：一方面，由于静态属性无法代表分拣中心的实际表现，因此使得时效估计结果的准确率较低，进而降低了分类结果的准确率；另一方面，由于分拣中心一天的不同时间段需要处理的单量变化是比较剧烈的，需要记录每个时段需要处理的单量，因此会使得动态属性的信息维度较大，进而导致时效估计的效率较低，进而降低了分类的效率。

因此，需要提供一种新的分拣中心的分类方法及装置。

需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种分拣中心的分类方法、分拣中心的分类装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的分类结果的准确率较低的问题。

根据本公开的一个方面，提供一种分拣中心的分类方法，包括：

根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述平均分拣货量生成所述分拣中心的特征向量；

根据所述分拣中心的特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵；

根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并根据所述拉普拉斯矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。

在本公开的一种示例性实施例中，根据各所述平均分拣货量生成各所述分拣中心的特征向量包括：

根据各所述时间段的先后顺序对各所述平均分拣货量进行排序；

将排序后的平均分拣货量进行依次拼接，生成所述分拣中心的特征向量。

在本公开的一种示例性实施例中，根据所述欧式距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵包括：

根据所述欧式距离生成所述分拣中心之间的相似度矩阵；其中，所述相似度矩阵的行数以及列数均为所述分拣中心的数量，每一个分拣中心对应一个相似度矩阵；

根据所述相似度矩阵，计算所述分拣中心的自由度；

根据所述分拣中心的自由度，生成所述自由度矩阵；其中，所述自由度矩阵为对角矩阵，所有的分拣中心对应同一个自由度矩阵。

在本公开的一种示例性实施例中，根据所述拉普拉斯矩阵对所述分拣中心进行分类包括：

确定待划分的类别范围；其中，所述类别范围的取值小于所述拉普拉斯矩阵的行数以及列数；

根据所述特征向量以及所述欧式距离，计算所述拉普拉斯矩阵中与所述类别范围中包括的每一个数值对应的特征值对应的特征向量；

根据各所述特征值对应的特征向量生成多个目标切分矩阵，并对各所述目标切分矩阵中的每一行进行标准化处理；

根据各所述目标切分矩阵所对应的数值，对标准化处理后的目标切分矩阵中的每一行进行聚类；

对聚类后的各所述目标切分矩阵进行聚类模型评估得到多个评估值，并根据评估值最大的目标切分矩阵对所述分拣中心进行分类。

在本公开的一种示例性实施例中，所述特征值对应的特征向量以列向量进行表示；

所述标准化处理后的目标切分矩阵中的每一行的绝对值为1。

在本公开的一种示例性实施例中，所述分拣中心的分类方法还包括：

根据评估值最大的目标切分矩阵对应的数值，确定划分类别数量；

根据所述划分类别数量对所述分拣中心进行切分，并根据切分结果为所述分拣中心配置类别标签；

根据所述类别标签对所述分拣中心的分拣时效进行评估。

在本公开的一种示例性实施例中，根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量包括：

获取第一预设时间段内的历史单量数据；

以第二预设时间段为单位，将每一天划分成多个时间段，并按照各所述时间段对所述历史单量数据进行分类得到多个分类结果；

根据所述分类结果计算所述分拣中心在各所述时间段内的平均分拣货量。

根据本公开的一个方面，提供一种分拣中心的分类装置，包括：

第一计算模块，用于根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述平均分拣货量生成所述分拣中心的特征向量；

第二计算模块，用于根据所述分拣中心的特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵；

第三计算模块，用于根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并根据所述拉普拉斯矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的分拣中心的分类方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的分拣中心的分类方法。

本发明实施例提供的一种分拣中心的分类方法，一方面，通过根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各平均分拣货量生成分拣中心的特征向量；然后根据分拣中心的特征向量计算分拣中心之间的欧氏距离，并根据欧氏距离计算分拣中心之间的相似度矩阵以及自由度矩阵；最后根据相似度矩阵以及自由度矩阵计算分拣中心的拉普拉斯矩阵，并根据拉普拉斯矩阵对分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量，进而使得分拣中心的分类可以基于各分拣中在多个时间段内的平均分拣货量(动态属性)进行，解决了现有技术中由于静态属性无法代表分拣中心的实际表现，因此使得时效估计结果的准确率较低，进而降低了分类结果的准确率的问题，提高了分类结果的准确率；另一方面，解决了现有技术中由于分拣中心一天的不同时间段需要处理的单量变化是比较剧烈的，需要记录每个时段需要处理的单量，因此会使得动态属性的信息维度较大，进而导致时效估计的效率较低，进而降低了分类的效率，提高了分类效率；再一方面，在对各分拣中心进行具体分类的过程中，采用了根据分拣中在多个时间段内的平均分拣货量得到的拉普拉斯矩阵，进而实现了将单量分布相似的分拣中心划分到同一组，再以此分组的信息作为分拣中心单量分布的属性，既能供有效引入分拣中心单量局部变化的动态信息，又能够降低分类的复杂度，以及数据的冗余度，进而可以降低计算机的计算负担；进一步的，当得到分类结果以后，可以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量，进而避免由于货量分配过多进而导致的货物积压的问题，以及货量分配过少进而导致分拣中心的资源浪费的问题，进一步的提高了分拣中心的货物分拣效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出根据本发明示例实施例的一种分拣中心的分类方法的流程图。

图2示意性示出根据本发明示例实施例的一种根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量的方法流程图。

图3示意性示出根据本发明示例实施例的一种根据各分拣中心之间的欧氏距离计算各分拣中心之间的相似度矩阵以及自由度矩阵的方法流程图。

图4示意性示出根据本发明示例实施例的一种基于各分拣中心、各分拣中心之间的相似度以及各分拣中心之间的欧式距离所构建的无向图。

图5示意性示出根据本发明示例实施例的一种根据拉普拉斯矩阵对分拣中心进行分类的方法流程图。

图6示意性示出根据本发明示例实施例的另一种分拣中心的分类方法的流程图。

图7示意性示出根据本发明示例实施例的一种分拣中心的分类装置的框图。

图8示意性示出根据本发明示例实施例的一种用于实现上述分拣中心的分类方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

分拣中心是物流运输流程中的一个重要环节，管理一个较大区域的寄件和收件。分拣中心一般有两种任务，第一是负责接收寄往所属区域的包裹，并分派到这个区域下的配送站，配送站会最终把包裹交到收件人手里，第二是接收所属区域的仓库向外发的包裹，分派到收件人所在区域的分拣中心，再由目标地区的分拣中心进行处理。而对物流运输线路和班次的规划来说，分拣中心的处理能力是至关重要的一环。如果规划不合理，有可能导致某个分拣中心在某些时间段处理货量过大导致处理缓慢，影响配送的时效。

为了解决上述问题，一般需要对分拣中心在不同条件下的时效进行估计。为了完成对分拣中心时效的估计，分拣中心在各个维度的属性是非常重要的。分拣中心自身有地理位置，等级等属性，但是这些属性在对时效进行估计的过程中是远远不够的。因为这些信息是静态的，无法代表分拣中心的实际表现。为了解决这个问题，也需要把分拣中心处理单量的动态信息一起引入。

具体的，当前引入动态信息的方式包括两种：(1)只考虑分拣中心平均每天的单量这样的信息，但是这样只涵盖了全局的信息，但实际上分拣中心一天的不同时间段需要处理的单量变化是比较剧烈的，这种方式无法获得这部分信息；(2)将一天分为若干个时段，记录每个时段需要处理的单量；但这样一来，就需要考虑太多维度的信息，效率低而且因为冗余太大，效果也不好。另外，这种方式也不利于从物理意义上对数据进行理解。

本示例实施方式中首先提供了一种分拣中心的分类方法，该方法可以运行于服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该分拣中心的分类方法可以包括以下步骤：

步骤S110.根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述平均分拣货量生成所述分拣中心的特征向量。

步骤S120.根据所述分拣中心的特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵。

步骤S130.根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并根据所述拉普拉斯矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。

上述分拣中心的分类方法中，一方面，通过根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各平均分拣货量生成分拣中心的特征向量；然后根据分拣中心的特征向量计算分拣中心之间的欧氏距离，并根据欧氏距离计算分拣中心之间的相似度矩阵以及自由度矩阵；最后根据相似度矩阵以及自由度矩阵计算分拣中心的拉普拉斯矩阵，并根据拉普拉斯矩阵对分拣中心进行分类，进而使得分拣中心的分类可以基于各分拣中在多个时间段内的平均分拣货量(动态属性)进行，解决了现有技术中由于静态属性无法代表分拣中心的实际表现，因此使得时效估计结果的准确率较低，进而降低了分类结果的准确率的问题，提高了分类结果的准确率；另一方面，解决了现有技术中由于分拣中心一天的不同时间段需要处理的单量变化是比较剧烈的，需要记录每个时段需要处理的单量，因此会使得动态属性的信息维度较大，进而导致时效估计的效率较低，进而降低了分类的效率，提高了分类效率；再一方面，在对各分拣中心进行具体分类的过程中，采用了根据分拣中在多个时间段内的平均分拣货量得到的拉普拉斯矩阵，进而实现了将单量分布相似的分拣中心划分到同一组，再以此分组的信息作为分拣中心单量分布的属性，既能供有效引入分拣中心单量局部变化的动态信息，又能够降低分类的复杂度，以及数据的冗余度，进而可以降低计算机的计算负担；进一步的，当得到分类结果以后，可以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量，进而避免由于货量分配过多进而导致的货物积压的问题，以及货量分配过少进而导致分拣中心的资源浪费的问题，进一步的提高了分拣中心的货物分拣效率。

以下，将结合附图对本发明示例实施例分拣中心的分类方法中涉及的各步骤进行详细的解释以及说明。

首先，对本发明示例实施例的发明思路进行解释以及说明。具体的，针对以上讨论的现有技术的缺点，本方案使用谱聚类的方法，根据分拣中心在不同时间段的单量分布将分拣中心划分。进一步的，以实现将单量分布相似的分拣中心划分到同一组，进而以此分组的信息作为分拣中心单量分布的属性，既能够有效引入分拣中心单量局部变化的动态信息，又能够不增加模型的复杂度和冗余度。这种办法也能够将复杂的高维度信息简化，并更好地归纳了其物理意义。此方法不仅限于分拣中心的划分，同时也可以扩展到物流运输各个环节中。

其次，对本发明示例实施例的分类原理进行解释以及说明。具体的，本发明示例实施例根据各分拣中心构建一个无向图，图中的每个节点可以对应一个分拣中心，分拣中心之间的相似度即为该无向图的边，对于任意两个分拣中心，取其欧氏距离作为边的权重。同时，在所得到的分类结果中，不仅体现了各个分拣中心对货物的分拣处理能力，同时还可以体现各个分拣中心所处理的货量的班次信息，即该分拣中心是偏向于早晨收货，或者晚上收货，或者其他时间段。

以下，对步骤S110-步骤S130进行解释以及说明。

在步骤S110中，根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述平均分拣货量生成所述分拣中心的特征向量。

在本示例实施例中，首先，根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量。具体的，参考图2所示，根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量可以包括步骤S210-步骤S230。

其中：

在步骤S210中，获取第一预设时间段内的历史单量数据。

在步骤S220中，以第二预设时间段为单位，将每一天划分成多个时间段，并按照各所述时间段对所述历史单量数据进行分类得到多个分类结果。

在步骤S230中，根据所述分类结果计算所述分拣中心在各所述时间段内的平均分拣货量。

以下，将对步骤S210-步骤S230进行解释以及说明。首先，可以通过物流数据平台获取多个分拣中心在第一预设时间段(例如可以是一个月)的历史单量数据；其次，以第二预设时间段(例如十分钟)为单位，将每一天划分为多个(144个)时间段，然后根据各时间段将各分拣中心的历史单量数据划分为多个分类结果，最后再根据各分类结果计算各分拣中心在一个月内的各个时间段内的平均分拣货量。

譬如，对于每个分拣中心，将每天划分成M个时间段，其中，M可以取值为144。由于分拣中心在一天之内的单量变化较为剧烈，分成粒度较细的时间段会更有利于把这种剧烈的变化体现出来；进一步的，对于分拣中i，将其每个时间段上的分拣货量取平均数，即可得到时间段t的平均分拣货量为X_i,t，其中，1≤i≤N，1≤t≤M，N为分拣中心的个数，M为时间段个数。

其次，当得到平均分拣货量以后，可以根据各所述平均分拣货量生成所述分拣中心的特征向量。具体的，首先，根据各所述时间段的先后顺序对各所述平均分拣货量进行排序；其次，将排序后的平均分拣货量进行依次拼接，生成所述分拣中心的特征向量。譬如，可以按照各时间段的先后顺序对各平均分拣货量进行排序，然后得到特征向量X_i＝[X_i,1,X_i,2,...,X_i,M]。

在步骤S120中，根据所述分拣中心的特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵。

在本示例实施例中，首先，根据特征向量计算分拣中心之间的欧式距离，具体可以如下所示：

其中，s_ij为第i个分拣中心与第j个分拣中心之间的欧氏距离；σ为Sigmoid函数；X_i为第i个分拣中心的特征向量，X_j为第j个分拣中心的特征向量。其中，欧式距离表示分拣中心的处理货量的能力以及货量的班次信息等等，比如，某两个分拣中心之间的欧式距离较近，则说明其处理货量的能力比较接近，同时，货量的班次信息也较为接近，比如都是偏向于早晨收货，或者都是偏向于晚上收货。

进一步的，当得到各分拣中心的欧式距离以后，可以根据各分拣中心之间的欧氏距离计算各分拣中心之间的相似度矩阵以及自由度矩阵。具体的，参考图3所示，根据各分拣中心之间的欧氏距离计算各分拣中心之间的相似度矩阵以及自由度矩阵可以包括步骤S310-步骤S330。其中：

在步骤S310中，根据所述欧式距离生成所述分拣中心之间的相似度矩阵；其中，所述相似度矩阵的行数以及列数均为所述分拣中心的数量，每一个分拣中心对应一个相似度矩阵。

在步骤S320中，根据所述相似度矩阵，计算所述分拣中心的自由度。

在步骤S330中，根据所述分拣中心的自由度，生成所述自由度矩阵；其中，所述自由度矩阵为对角矩阵，所有的分拣中心对应同一个自由度矩阵。

以下，将对步骤S310-步骤S330进行解释以及说明。首先，根据欧式距离生成分拣中心之间的相似度矩阵。具体的，相似度矩阵可以如下所示：

其中，W为相似度矩阵；s₁₁(s_ij)为各分拣中心之间的欧式距离；同时，由于欧氏距离的对称性，有s_ij＝s_ji，因此该特征矩阵为对角矩阵；其中，该相似度矩阵的行数以及列数均为分拣中心的数量，即该相似度矩阵的大小为：N*N，且每一个分拣中心对应一个相似度矩阵。

此处需要补充说明的是，由于分拣中心之间的欧氏距离并不能准确的对分拣中心的处理货量的能力以及货量的班次信息进行评价，因此，本发明示例实施例还引入了相似度矩阵，该相似度矩阵可以从多个维度对分拣中心的处理货量的能力以及货量的班次信息进行体现，在此基础上，通过根据相似度矩阵得到的自由度矩阵以及该相似度矩阵计算拉普拉斯矩阵，最后根据拉普拉斯矩阵对各分拣中心进行分类，可以提高所得到的分拣中心的分类结果的准确率。

进一步的，当得到相似度矩阵以后，可以基于该相似度矩阵计算各分拣中心之间的相似度；同时，还可以基于该相似度矩阵计算自由度矩阵。具体的，由于自由度矩阵是根据各分拣中心的自由度构成的，因此首先需要计算各分拣中心的自由度；其中，分拣中心的自由度d_i定义为和它相连的所有边的权重之和，其中，权重即为各分拣中心之间的欧氏距离s_ij，即：

当得到各分拣中心的自由度以后，可以根据各自由度生成自由度矩阵，具体可以如下所示：

其中，D为自由度矩阵，该自由度矩阵为对角矩阵，所有的分拣中心对应同一个自由度矩阵。

此处需要补充说明的是，由于上述时间段的划分较细，X_i的维度非常高，而且数据集的形式并不能证明为凸集合，用一般的聚类方法难以准确划分；因此，此处使用谱聚类，可以先将各分拣中心构建成一个无向图，图中每个分拣中心对应一个节点，分拣中心之间的相似度为边，对分拣中心i和j，取其欧式距离s_ij为各条边的权重；其中，各分拣中心的相似度可以通过相似度矩阵进行计算得到。具体的，基于各分拣中心、各分拣中心之间的相似度以及各分拣中心之间的欧式距离所构建的图可以如图4所示；其中，图4中的DCi表示的是分拣中心i；图中的虚线的边表示权重较小的连接，实线的边表示权重较大的连接。

在步骤S130中，根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并根据所述拉普拉斯矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。

在本示例实施例中，首先，根据相似度矩阵以及自由度矩阵计算各分拣中心的拉普拉斯矩阵，具体可以如下所示：

其中，L为拉普拉斯矩阵。

其次，当得到各分拣中心的拉普拉斯矩阵以后，可以根据该拉普拉斯矩阵对分拣中心进行分类。具体的，参考图5所示，根据拉普拉斯矩阵对分拣中心进行分类可以包括步骤S510-步骤S550。其中：

在步骤S510中，确定待划分的类别范围；其中，所述类别范围的取值小于所述拉普拉斯矩阵的行数以及列数。

在步骤S520中，根据所述特征向量以及所述欧式距离，计算所述拉普拉斯矩阵中与所述类别范围中包括的每一个数值对应的特征值对应的特征向量；其中，各所述特征值对应的特征向量是以列向量进行表示的；

在步骤S530中，根据各所述特征值对应的特征向量生成多个目标切分矩阵，并对各所述目标切分矩阵中的每一行进行标准化处理；其中，所述标准化处理后的目标切分矩阵中的每一行的绝对值为1。

在步骤S540中，根据各所述目标切分矩阵所对应的数值，对标准化处理后的目标切分矩阵中的每一行进行聚类。

在步骤S550中，对聚类后的各所述目标切分矩阵进行聚类模型评估得到多个评估值，并根据评估值最大的目标切分矩阵对所述分拣中心进行分类。

以下，将对步骤S510-步骤S550进行解释以及说明。首先，确定要划分类别的数量所在的范围[k_l,k_u]，其中，k_l<k_u；其次，对于k_l至k_u之间的每一个数值，根据所述特征向量以及所述欧式距离，计算拉普拉斯矩阵中与该数值的个数对应的特征值对应的特征性向量；例如，各特征值对应的特征向量可以为：其可以用列向量表示；然后，再将这些特征向量组成矩阵：/>其中，R表示拉普拉斯矩阵中所包括的所有特征值，N表示分拣中心的个数，k表示特征值的个数，k∈[k_l,k_u]；U的第i行在此用yi表示，并对每个yi进行标准化，使得|y_i|＝1；进一步的，将标准化处理后的yi的行数聚类成k_l行，这样聚类后的目标切分矩阵的大小即为k_l*k_l；最后，对每个k，计算Calinski-Harabaz Index(模型评估的评估值)，其中，Calinski-Harabaz Index是每个数据点与各类中心点距离的平方和比上各类别中心点与数据集中心点平方和的比值，取值越大，说明各个类别内部越紧密，不同类别之间越分散；并且，可以取Calinski-Harabaz Index最大的取值对应的k对应的目标切分矩阵对根据各分拣中心构建的图进行切分，得到最终的切分结果，也就是最终的分类结果。

最后，当得到分类结果以后，还可以根据该分类结果对各分拣中心的分拣时效进行评价。具体的，参考图6所示，该分拣中心的分类方法还可以包括步骤S610-步骤S630。其中：

在步骤S610中，根据评估值最大的目标切分矩阵对应的数值，确定划分类别数量。

在步骤S620中，根据所述划分类别数量对所述分拣中心进行切分，并根据切分结果为所述分拣中心配置类别标签。

在步骤S630中，根据所述类别标签对所述分拣中心的分拣时效进行评估。

以下，将对步骤S610-步骤S630进行解释以及说明。首先，确定划分类别数量，假设该类别数量为k，则可以将上述根据分拣中心构建的图切分为七个子图；然后，可以根据各子图中的包括的分拣中心的特征向量为该子图中所包括的所有的分拣中心配置类别标签(例如，高效，一般以及低效等等)；然后，即可根据该类别标签对待评估的分拣中心进行评估；最后，根据所述分拣中心的分类结果(也可以是评估结果)，为所述分拣中心分配对应的货量。通过该方法，不仅可以提高分拣时效的评估效率，同时也可以提高分拣时效的评估结果的准确率，进而可以为各分拣中心分配对应的货量，使得各分拣中心可以及时的对货物进行处理，进而提高货物的处理效率，避免货量积压。

至此，可以得出本发明示例实施例的分拣中心的分类方法具体可以包括以下步骤：

首先，对每个分拣中心，抽取其一个月的运单情况。将每天分为以10分钟为单位的144个时间段，一边能够更敏捷地捕捉到单量变化的情况。把每个分拣中心每个时间段上的单量取平均数，这样一来就对每个分拣中心得到了144个时间段的平均单量，按照时间的先后排序，组成分拣中心的特征向量。

其次，根据加工成的分拣中心的特征向量，加工成相似度矩阵W以及自由度矩阵D。

然后，根据相似度矩阵和自由度矩阵得到拉普拉斯矩阵。

进一步的，确定要划分类别的数量所在的范围[k_l,k_u]，其中，k_l<k_u；

并且，对于每个k_l≤k≤k_u：

首先，计算其前k个特征值对应的特征向量u₁,u₂,...,u_k，用列向量表示，再将这些特征向量组成矩阵：U＝[u₁,u₂,...,u_k]∈R^N*k。

其次，U的第i行在此用y_i表示，对每个y_i进行标准化，使得|y_i|＝1。

然后，用Kmeans算法将U的所有行向量聚成k个类。

进一步的，计算Calinski-Harabaz Index，并取Calinski-Harabaz Index最大的划分结果，计算每个分拣中心的类别。

最后，将类别划分的结果用于分拣中心时效的估计，并根据分拣中心的分拣时效的估计结果，为所拣中心分配对应的货量。

本发明示例实施例提供的分拣中心的分类方法，至少具有以下优点：

一方面，本方案使用谱聚类的方法，根据分拣中心在不同时间段的单量分布将分拣中心划分。以实现将单量分布相似的分拣中心划分到同一组，进而以此分组的信息作为分拣中心单量分布的属性，既能够有效引入分拣中心单量局部变化的动态信息，又能够不增加模型的复杂度和冗余度。这种办法也能够将复杂的高维度信息简化，并更好地归纳了其物理意义。比如，总的单量大，但在具体的时段上早晚单量大，其它时间单量小的分拣中心会被划分为一类，表示枢纽地位高，且主要接货班次在早晚间的分拣中心。

另一方面，使用谱聚类的方法，根据分拣中心在不同时间段的单量分布将分拣中心划分，提取分拣中心单量分布的属性，既能够有效引入分拣中心单量局部变化的动态信息，又能够不增加模型的复杂度和冗余度。这种办法也能够将复杂的高维度信息简化，并更好地归纳了其物理意义。

再一方面，可以根据分拣中心的分拣时效的评估结果，为分拣中心分配对应的货量，避免货量过多引起的货物积压以及货量过少引起的资源浪费，进而可以提升货物的处理效率。

本发明示例实施例还提供了一种分拣中心的分类装置。参考图7所示，该分拣中心的分类装置可以包括第一计算模块710、第二计算模块720以及第三计算模块730。其中：

第一计算模块710可以用于根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述平均分拣货量生成所述分拣中心的特征向量。

第二计算模块720可以用于根据所述特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵。

第三计算模块730可以用于根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并根据所述拉普拉斯矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。

在本公开的一种示例性实施例中，根据各所述平均分拣货量生成各所述分拣中心的特征向量包括：

根据各所述时间段的先后顺序对各所述平均分拣货量进行排序；

将排序后的平均分拣货量进行依次拼接，生成所述分拣中心的特征向量。

在本公开的一种示例性实施例中，根据所述欧式距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵包括：

根据所述欧式距离生成所述分拣中心之间的相似度矩阵；其中，所述相似度矩阵的行数以及列数均为所述分拣中心的数量，每一个分拣中心对应一个相似度矩阵；

根据所述相似度矩阵，计算所述分拣中心的自由度；

根据所述分拣中心的自由度，生成所述自由度矩阵；其中，所述自由度矩阵为对角矩阵，所有的分拣中心对应同一个自由度矩阵。

在本公开的一种示例性实施例中，根据所述拉普拉斯矩阵对所述分拣中心进行分类包括：

确定待划分的类别范围；其中，所述类别范围的取值小于所述拉普拉斯矩阵的行数以及列数；

根据所述特征向量以及所述欧式距离，计算所述拉普拉斯矩阵中与所述类别范围中包括的每一个数值对应的特征值对应的特征向量；

根据各所述特征值对应的特征向量生成多个目标切分矩阵，并对各所述目标切分矩阵中的每一行进行标准化处理；

根据各所述目标切分矩阵所对应的数值，对标准化处理后的目标切分矩阵中的每一行进行聚类；

对聚类后的各所述目标切分矩阵进行聚类模型评估得到多个评估值，并根据评估值最大的目标切分矩阵对所述分拣中心进行分类。

在本公开的一种示例性实施例中，所述特征值对应的特征向量以列向量进行表示；

所述标准化处理后的目标切分矩阵中的每一行的绝对值为1。

在本公开的一种示例性实施例中，所述分拣中心的分类装置还包括：

划分类别数量确定模块，可以用于根据评估值最大的目标切分矩阵对应的数值，确定划分类别数量；

类别标签配置模块，可以用于根据所述划分类别数量对所述分拣中心进行切分，并根据切分结果为所述分拣中心配置类别标签；

分拣时效评估模块，可以用于根据所述类别标签对所述分拣中心的分拣时效进行评估。

在本公开的一种示例性实施例中，根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量包括：

获取第一预设时间段内的历史单量数据；

以第二预设时间段为单位，将每一天划分成多个时间段，并按照各所述时间段对所述历史单量数据进行分类得到多个分类结果；

根据所述分类结果计算所述分拣中心在各所述时间段内的平均分拣货量。

上述分拣中心的分类装置中各模块的具体细节已经在对应的分拣中心的分类方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800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8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的步骤S110：根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述平均分拣货量生成所述分拣中心的特征向量；步骤S120：根据所述分拣中心的特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵；步骤S130：根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并根据所述拉普拉斯矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (8)

1.一种分拣中心的分类方法，其特征在于，包括：

根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述时间段的先后顺序对各所述平均分拣货量进行排序；将排序后的平均分拣货量进行依次拼接，生成所述分拣中心的特征向量；

根据所述分拣中心的特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵；

根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并确定待划分的类别范围；其中，所述类别范围的取值小于所述拉普拉斯矩阵的行数以及列数；根据所述特征向量以及所述欧氏距离，计算所述拉普拉斯矩阵中与所述类别范围中包括的每一个数值对应的特征值对应的特征向量；根据各所述特征值对应的特征向量生成多个目标切分矩阵，并对各所述目标切分矩阵中的每一行进行标准化处理；根据各所述目标切分矩阵所对应的数值，对标准化处理后的目标切分矩阵中的每一行进行聚类；对聚类后的各所述目标切分矩阵进行聚类模型评估得到多个评估值，并根据评估值最大的目标切分矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。

2.根据权利要求1所述的分拣中心的分类方法，其特征在于，根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵包括：

根据所述欧氏距离生成所述分拣中心之间的相似度矩阵；其中，所述相似度矩阵的行数以及列数均为所述分拣中心的数量，每一个分拣中心对应一个相似度矩阵；

根据所述相似度矩阵，计算所述分拣中心的自由度；

根据所述分拣中心的自由度，生成所述自由度矩阵；其中，所述自由度矩阵为对角矩阵，所有的分拣中心对应同一个自由度矩阵。

3.根据权利要求1所述的分拣中心的分类方法，其特征在于，所述特征值对应的特征向量以列向量进行表示；

所述标准化处理后的目标切分矩阵中的每一行的绝对值为1。

4.根据权利要求1所述的分拣中心的分类方法，其特征在于，所述分拣中心的分类方法还包括：

根据评估值最大的目标切分矩阵对应的数值，确定划分类别数量；

根据所述划分类别数量对所述分拣中心进行切分，并根据切分结果为所述分拣中心配置类别标签；

根据所述类别标签对所述分拣中心的分拣时效进行评估。

5.根据权利要求1所述的分拣中心的分类方法，其特征在于，根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量包括：

获取第一预设时间段内的历史单量数据；

以第二预设时间段为单位，将每一天划分成多个时间段，并按照各所述时间段对所述历史单量数据进行分类得到多个分类结果；

根据所述分类结果计算所述分拣中心在各所述时间段内的平均分拣货量。

6.一种分拣中心的分类装置，其特征在于，包括：

第一计算模块，用于根据历史单量数据计算分拣中心在多个时间段内的平均分拣货量，并根据各所述时间段的先后顺序对各所述平均分拣货量进行排序；将排序后的平均分拣货量进行依次拼接，生成所述分拣中心的特征向量；

第二计算模块，用于根据所述分拣中心的特征向量计算所述分拣中心之间的欧氏距离，并根据所述欧氏距离计算所述分拣中心之间的相似度矩阵以及自由度矩阵；

第三计算模块，用于根据所述相似度矩阵以及自由度矩阵计算所述分拣中心的拉普拉斯矩阵，并确定待划分的类别范围；其中，所述类别范围的取值小于所述拉普拉斯矩阵的行数以及列数；根据所述特征向量以及所述欧氏距离，计算所述拉普拉斯矩阵中与所述类别范围中包括的每一个数值对应的特征值对应的特征向量；根据各所述特征值对应的特征向量生成多个目标切分矩阵，并对各所述目标切分矩阵中的每一行进行标准化处理；根据各所述目标切分矩阵所对应的数值，对标准化处理后的目标切分矩阵中的每一行进行聚类；对聚类后的各所述目标切分矩阵进行聚类模型评估得到多个评估值，并根据评估值最大的目标切分矩阵对所述分拣中心进行分类，以根据所述分拣中心的分类结果，为所述分拣中心分配对应的货量。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的分拣中心的分类方法。

8. 一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的分拣中心的分类方法。