CN114239385A - 一种面向仓库资源配给的智能决策系统及方法 - Google Patents
一种面向仓库资源配给的智能决策系统及方法 Download PDFInfo
- Publication number
- CN114239385A CN114239385A CN202111439904.0A CN202111439904A CN114239385A CN 114239385 A CN114239385 A CN 114239385A CN 202111439904 A CN202111439904 A CN 202111439904A CN 114239385 A CN114239385 A CN 114239385A
- Authority
- CN
- China
- Prior art keywords
- data
- warehouse
- decision
- module
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明公开了一种面向仓库资源配给的智能决策系统及方法,针对仓库资源存储过剩以及供给不足等配给问题,利用机器学习的方法在现有需求数据的基础上对未来的需求进行预测,预测需求数据结合强化学习自学习能力实现仓库资源决策管理,旨在提高仓库资源的利用率以及减少资源维护成本。本发明在动态性的市场变化中减弱人为主观上的决策效果,能够提高仓库资源的利用率以及减少资源维护成本。
Description
技术领域
本发明属于仓库智能管理技术领域,尤其涉及一种面向仓库资源配给的智能决策系统及方法。
背景技术
仓库资源管理在现代工业中起着至关重要的作用。由于企业的生产经营与计划调度主要靠企业管理人员凭长期积累的经验和相关工艺知识进行决策,而且人工决策的随意性大且缺乏及时性以及准确性,经常造成企业综合生产指标偏离预定目标范围,导致仓库货物堆积或者资源配给不足等问题。当市场需求和生产要素条件发生频繁或剧烈变化时,以人工经验知识难以及时准确地做出决策反应,从而无法实现企业仓库高效化管理。
基于以上需求,在现有技术的研究和探索中,有研究提出了一种仓库管理系统的仿真方法、装置及存储介质,通过创建多个智能体,设置不同的决策规则和行为方法构建仓库系统仿真模型,旨在提高仓库系统整体的作业效率。其它许多研究致力于仓库管理实际操作中各种硬件设施的改进与创新。然而现存的大量研究都缺少与机器学习、人工智能等高新技术的结合以及资源货物本身的联系。
文献《一种仓库管理系统的仿真方法、装置及存储》(申请号:202010032826.1)提供一种仓库管理系统的仿真方法、装置及存储介质,方法包括:根据仓库管理系统的组成要素创建多个智能体,分别为各智能体设置对应的决策规则和行为方法;根据各智能体设置对应的决策规则和行为方法,分别为各智能体构建多智能体模型;分别将各多智能体模型底层的各类智能体、智能体的决策规则与方法集成到不同的仿真业务模块,以构建仓库系统仿真模型;通过所述仓库系统仿真模型,分别为所述仓库系统仿真模型中的每个智能体分配仓库任务,并输出所述仓库系统的全局仓库任务。其过程如图1,该技术是针对仓库管理中整体流程实施的仿真以及相关硬件的模拟,并没有利用智能算法、深度学习模型来对资源管控进行分析,同时缺乏资源分配的智能决策方法,从根本上无法解决仓库在资源管理上遇到的实际难题。
发明内容
发明目的:针对以上问题,本发明提出一种面向仓库资源配给的智能决策系统及方法。针对仓库资源存储过剩以及供给不足等配给问题,利用机器学习的方法在现有需求数据的基础上对未来的需求进行预测,预测需求数据结合强化学习来进行仓库资源决策管理,旨在提高仓库资源的利用率以及减少资源维护成本。
技术方案:为实现本发明的目的,本发明所采用的技术方案是一种面向仓库资源配给的智能决策系统,包括仓库数据采集模块、数据清洗模块、机器学习训练模块、仓库资源决策模块;
所述仓库数据采集模块:用于提供对曾经的市场需求数据以及对应的仓库存储数据采集和存储功能、对机器学习模型数据的存储功能;
所述数据清洗模块:用于接收仓库数据采集模块传输的数据,对原始数据填补缺失值、平滑或删除离群点并纠正不一致数据;
所述机器学习模块:用于对已有仓库存储数据和市场数据进行深度学习及分析,输出预测数据结果,并将结果传输至仓库资源决策模块;
所述仓库资源决策模块:用于通过获取机器学习模块预测数据,利用强化学习自学习算法实现仓库资源配给的最优决策。
进一步的,所述仓库资源决策模块包括强化学习模块,通过强化学习自学习能力实现仓库资源最优决策:具体地,通过智能体和环境的交互,读取各季度生产需求数据以及对应的仓储库存数据作为输入,学习到达成累计奖励值最大化以实现特定目标的最优策略;环境规范为马尔可夫决策过程。
本发明还提供了一种面向仓库资源配给的智能决策方法,步骤如下:
步骤一:仓库控制终端根据对深度学习所需要的计算资源的需求选择云服务;
步骤二:将历史仓库数据以及其对应的市场需求数据上传至云平台,构建用于机器学习训练的数据集;
步骤三:根据所构建的数据集,先进行深度神经网络框架的配置和环境搭建,再通过深度神经网络学习特征;
步骤四:在完成对服务器和深度学习框架的搭建后,利用GPU加速的方式提高深度神经网络计算的速度;
步骤五:对数据集中的历史仓库数据以及其对应的市场需求数据进行预处理,预处理后的市场需求数据作为神经网络的输入进行模型训练,神经网络模型输出市场需求预测;
步骤六:根据历史仓库数据和步骤五得到的市场需求预测数据作为强化学习模型的输入进行训练,得到相应的仓库资源配给智能决策模型,模型输出结果为对应的仓储存储数据;
步骤七:将实际的市场需求以及对应的仓库存储具体数据反馈作为输入对神经网络和决策模型进行动态更新,优化模型参数,进而优化市场需求预测以及资源配给决策。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
本发明提供了一种面向仓库资源配给的智能决策系统及方法,对于认为决策所造成的仓库资源存储过剩以及配给不足等问题,结合机器学习对于市场需求的预测以及强化学习自学习能力实现对于仓库资源配给的智能决策,在动态性的市场变化中减弱人为主观上的决策效果,能够提高仓库资源的利用率以及减少资源维护成本。
附图说明
图1是现有仓库管理系统的流程图;
图2是本发明的库资源配给的智能决策流程示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的面向仓库资源配给的智能决策系统,包括仓库数据采集模块、数据清洗模块、机器学习训练模块、仓库资源决策模块。模块及交互流程如图2所示。
(1)仓库数据采集模块:用于提供对曾经的市场需求数据以及对应的仓库存储数据采集和存储功能、对机器学习模型数据的存储功能。
(2)数据清洗模块:原始数据存在数据缺失、异常等脏乱情况,数据清洗模块用于通过填补缺失值、平滑或删除离群点并解决数据的不一致性来清理数据,提升数据的可靠性以及准确性。
(2-1)缺失值的处理;
在数据实际记录中会存在各类的原因导致数据丢失和空缺。针对缺失值的处理方法,基于变量的分布特性和变量的重要性(信息量和预测能力)采用不同的方法。主要分为以下几种:
(2-1-a)删除变量:若变量的缺失率较高(大于80%),覆盖率较低,且重要性较低,可以直接将变量删除。
(2-1-b)统计量填充:若缺失率较低(小于95%)且重要性较低,则根据数据分布的情况进行填充。对于数据符合均匀分布,用该变量的均值填补缺失,对于数据存在倾斜分布的情况,采用中位数进行填补。
(2-1-c)模型填充:使用回归、贝叶斯、随机森林、决策树等模型对缺失数据进行预测。
(2-2)离群点处理
异常值是数据分布的常态,由于数据本身分布异常处于特定分布区域或范围之外的数据通常被定义为异常,即离群点。主要有以下检测离群点的方法:
(2-2-a)简单统计分析:根据箱线图、各分位点判断是否存在异常,例如pandas的describe函数可以快速发现异常值。
(2-2-b)3σ原则:若数据存在正态分布,偏离均值的3σ之外。通常定义P(|x-μ|)>3σ)<=0.003范围内的点为离群点。
(2-2-c)基于MAD(Median Absolute Deviation,绝对离差中位数):采用计算各观测值与平均值的距离总和的方法,放大了离群值的影响,是一种稳健对抗离群数据的距离值方法。
(2-3)仓库数据在实际数据按照数据丢失以及数据离群来处理。具体的处理手段:
(2-3-a)根据异常点的数量和影响,考虑是否将该条记录删除,信息损失多。
(2-3-b)平均值或中位数替代异常点,简单高效,信息的损失较少。
(3)机器学习模块:通过对已有仓库存储数据和市场数据的深度学习以及分析,输出预测数据结果,辅助决策模块实现仓库资源配给的最优决策。
机器学习模块(ML,Machine Learning)基于神经网络算法框架的模型训练模块,其主要功能为对已挖掘数据价值的信息进行预测建模。该模块主要由CNN(ConvolutionalNeural Network,卷积神经网络)和LSTM(Long Short-Term Memory,长短时记忆网络)串联构成,模型能从滑动窗口与预处理后的时间序列数据中提取复杂特征,用于对未来需求量预测,并能记忆复杂的不规则趋势。模型的底层由CNN组成,用来提取时序数据结构中的特征;LSTM使用经CNN层处理后的特征向量以及对应的目标向量作为输入,经过LSTM得到的输出作为全连接层的输入,最终得到预测结果;通过对比模型在训练集和测试集上的损失,取得迭代后的模型作为最终模型来预测。
(4)仓库资源智能决策模块:通过获取机器学习模块预测数据,结合强化学习自学习算法实现仓库资源配给的最优决策。
决策模块包括强化学习模块(RL,Reinforcement Learning),通过强化学习自学习能力实现仓库资源最优决策。强化学习是通过智能体和环境的交互,读取各季度生产需求数据(例如,A器件350件)以及对应的仓储库存数据作为输入,学习到达成累计奖励值最大化或实现特定目标的最优策略。环境通常被规范为MDP(Markov Decision Process,马尔可夫决策过程)。MDP是一种序贯决策的数学模型,由状态、动作和奖励3个基本元素构成,其特性可以理解为当前状态下智能体采取的动作不仅影响当前的反馈,还会对下一个状态以及反馈造成影响。
本发明还提供一种面向仓库资源配给的智能决策方法,包括以下步骤:
步骤一:仓库控制终端根据本身实际对深度学习所需要的计算资源的需求,合理选择公有云服务,如阿里云、AWS、Google。
步骤二:将历史仓库数据以及其对应的市场需求数据上传至云端,构建用于机器学习训练的数据集。
步骤三:根据所构建的数据集,先进行深度神经网络框架的配置和环境搭建,再通过深度神经网络学习特征;本实施例采用Google公司已有的tensorflow框架进行对深度神经网络框架的配置和环境搭建。
步骤四:在完成对服务器和深度学习框架的搭建后,用GPU(Graphics ProcessingUnit,图形处理器)加速的方式提高深度神经网络计算的速度。
步骤五:对数据集中的历史仓库数据以及其对应的市场需求数据进行预处理,预处理后的市场需求数据作为神经网络输入来进行机器学习模型的训练,并最终得到对应的神经网络模型输出市场需求预测。
步骤六:根据历史仓库数据和步骤五得到的市场需求预测数据作为强化学习模型的输入进行训练,得到相应的仓库资源配给智能决策模型,模型输出结果为对应的仓储存储数据。
步骤七:将实际的市场需求以及对应的仓库存储具体数据反馈,作为输入对神经网络和决策模型进行动态更新,优化模型参数,进而优化市场需求预测以及资源配给决策;实现输入输出网络的闭环链接,提高模型数据预测以及资源配给决策的准确性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种面向仓库资源配给的智能决策系统,其特征在于:所述系统包括仓库数据采集模块、数据清洗模块、机器学习训练模块、仓库资源决策模块;
所述仓库数据采集模块:用于提供对曾经的市场需求数据以及对应的仓库存储数据采集和存储功能、对机器学习模型数据的存储功能;
所述数据清洗模块:用于接收仓库数据采集模块传输的数据,对原始数据填补缺失值、平滑或删除离群点并纠正不一致数据;
所述机器学习模块:用于对已有仓库存储数据和市场数据进行深度学习及分析,输出预测数据结果,并将结果传输至仓库资源决策模块;
所述仓库资源决策模块:用于通过获取机器学习模块预测数据,利用强化学习自学习算法实现仓库资源配给的最优决策。
2.根据权利要求1所述的面向仓库资源配给的智能决策系统,其特征在于,所述仓库资源决策模块包括强化学习模块,通过强化学习自学习能力实现仓库资源最优决策:具体地,通过智能体和环境的交互,读取各季度生产需求数据以及对应的仓储库存数据作为输入,学习到达成累计奖励值最大化以实现特定目标的最优策略;环境规范为马尔可夫决策过程。
3.一种面向仓库资源配给的智能决策方法,其特征在于,该方法步骤如下:
步骤一:仓库控制终端根据对深度学习所需要的计算资源的需求选择云服务;
步骤二:将历史仓库数据以及其对应的市场需求数据上传至云平台,构建用于机器学习训练的数据集;
步骤三:根据所构建的数据集,先进行深度神经网络框架的配置和环境搭建,再通过深度神经网络学习特征;
步骤四:在完成对服务器和深度学习框架的搭建后,利用GPU加速的方式提高深度神经网络计算的速度;
步骤五:对数据集中的历史仓库数据以及其对应的市场需求数据进行预处理,预处理后的市场需求数据作为神经网络的输入进行模型训练,神经网络模型输出市场需求预测;
步骤六:根据历史仓库数据和步骤五得到的市场需求预测数据作为强化学习模型的输入进行训练,得到相应的仓库资源配给智能决策模型,模型输出结果为对应的仓储存储数据;
步骤七:将实际的市场需求以及对应的仓库存储具体数据反馈作为输入对神经网络和决策模型进行动态更新,优化模型参数,进而优化市场需求预测以及资源配给决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439904.0A CN114239385A (zh) | 2021-11-30 | 2021-11-30 | 一种面向仓库资源配给的智能决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439904.0A CN114239385A (zh) | 2021-11-30 | 2021-11-30 | 一种面向仓库资源配给的智能决策系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239385A true CN114239385A (zh) | 2022-03-25 |
Family
ID=80752017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111439904.0A Pending CN114239385A (zh) | 2021-11-30 | 2021-11-30 | 一种面向仓库资源配给的智能决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239385A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663842A (zh) * | 2023-06-15 | 2023-08-29 | 黑龙江卓锦科技有限公司 | 一种基于人工智能的数字化管理系统及方法 |
CN117495026A (zh) * | 2023-11-17 | 2024-02-02 | 汇智智能科技有限公司 | 一种基于物联网的生产线制造运营管理系统 |
CN117726257A (zh) * | 2023-12-20 | 2024-03-19 | 重庆环问问科技有限公司 | 一种基于人工智能大数据模型的工业园区危险废物处理方法 |
-
2021
- 2021-11-30 CN CN202111439904.0A patent/CN114239385A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663842A (zh) * | 2023-06-15 | 2023-08-29 | 黑龙江卓锦科技有限公司 | 一种基于人工智能的数字化管理系统及方法 |
CN117495026A (zh) * | 2023-11-17 | 2024-02-02 | 汇智智能科技有限公司 | 一种基于物联网的生产线制造运营管理系统 |
CN117726257A (zh) * | 2023-12-20 | 2024-03-19 | 重庆环问问科技有限公司 | 一种基于人工智能大数据模型的工业园区危险废物处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105302096B (zh) | 一种工厂智能调度方法 | |
CN106980906B (zh) | 一种基于spark的Ftrl电压预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114493049A (zh) | 基于数字孪生的产线优化方法、装置、电子设备及介质 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN111091240A (zh) | 一种公共机构电力能效监测系统及服务方法 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN113536670A (zh) | 一种群体产品剩余寿命预测的联邦迁移学习方法 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
CN114239385A (zh) | 一种面向仓库资源配给的智能决策系统及方法 | |
CN117608865B (zh) | 基于云计算的外卖送餐平台的数学模型服务方法及系统 | |
CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN109978299B (zh) | 用于海上风电业务的数据分析方法、装置和存储介质 | |
CN114047729B (zh) | 天然植物加工控制方法、系统、计算机设备和存储介质 | |
CN112200366B (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
CN113792828A (zh) | 基于深度学习的电网负荷预测方法、系统、设备及介质 | |
CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 | |
Arakelyan et al. | Analysis of the DCS historical data for estimation of input signal significance | |
Qu et al. | A method for CIR fault diagnosis based on improved tri-training in big data environment | |
CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
CN117667606B (zh) | 基于用户行为的高性能计算集群能耗预测方法及系统 | |
Simonov et al. | Big Data application: analyzing real-time electric meter data |
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 |