CN114897457A - 基于订单的仓库信息处理方法、设备和可读介质 - Google Patents
基于订单的仓库信息处理方法、设备和可读介质 Download PDFInfo
- Publication number
- CN114897457A CN114897457A CN202210322554.8A CN202210322554A CN114897457A CN 114897457 A CN114897457 A CN 114897457A CN 202210322554 A CN202210322554 A CN 202210322554A CN 114897457 A CN114897457 A CN 114897457A
- Authority
- CN
- China
- Prior art keywords
- information
- warehouse
- determining
- order
- nodes
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 132
- 238000005192 partition Methods 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 32
- 238000000638 solvent extraction Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 239000000306 component Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004992 fission Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 208000000260 Warts Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 201000010153 skin papilloma Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种基于订单的仓库信息处理方法、设备和可读介质。所述的方法包括:获取历史订单信息;依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型;确定分割目标和约束信息;依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息;依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息。基于历史订单创建超图模型并进行分割,可以解决供应链品仓部署的问题,优化对仓库中商品对象的部署,并且效率较高。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于订单的仓库信息处理方法、一种电子设备和一种机器可读介质。
背景技术
在电商供应链与物流管理中,由于各种因素会将商品对象放置到不同仓库,如仓库产能、仓容资源限制,拣选操作效率、履约时效等因素。
然而上述存放方式也存在这一些问题,例如一个订单的商品对象可能存放在不同的仓库中,使得商品对象需要通过不同的物流订单运输,用户要分批才能收到商品对象。
因此,如何优化对仓库中商品对象的部署,是本领域技术人员亟待解决的技术问题之一。
发明内容
本申请实施例提供了一种基于商品对象的处理方法,以提高处理效率。
相应的,本申请实施例还提供了一种基于商品对象的处理装置、一种电子设备和一种机器可读介质,用以保证上述方法的实现及应用。
本申请实施例公开了一种基于订单的仓库信息处理方法,所述方法包括:
获取历史订单信息;
依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型;
确定分割目标和约束信息;
依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息;
依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息。
可选的,所述依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型,包括:
从所述历史订单信息中获取订单标识和商品标识,依据所述商品标识确定商品对象的SKU;
将商品对象的SKU确定为一个节点,以订单为超边连接两个节点,构建超图模型,其中,所述节点对应至少一个超边。
可选的,还包括:
检测所述超图模型中两个节点的相似性;
依据所述相似性对所述超图模型中对应节点进行处理,以缩减所述超图模型的规模。
可选的,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:
当所述相似性大于相似度阈值时,对所述两个节点进行合并。
可选的,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:
依据所述相似性对节点进行聚类,确定至少一个节点簇。
可选的,所述确定分割目标和约束信息,包括:
提供配置页面;
通过所述配置页面接收分割目标和约束信息。
可选的,所述依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息,包括:
采用所述分割目标和约束信息配置初始分割算法,对所述超图模型进行分割,确定初始分割结果;
采用所述分割目标和约束信息配置二次分割算法,对所述初始分割结果进行二次分割,将节点分割到相应的仓库分区,确定对应的仓库分区信息。
可选的,所述依据所述仓库分区信息生成仓库部署信息,包括:
依据所述仓库分区信息确定仓库对应的商品对象,依据所述商品对象生成仓库部署信息。
本申请实施例还公开了一种基于订单的仓库信息处理装置,所述装置包括:
获取模块,用于获取历史订单信息;
超图构建模块,用于依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型;
参数确定模块,用于确定分割目标和约束信息;
分区分割模块,用于依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息;
部署模块,用于依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息。
可选的,所述超图构建模块,用于从所述历史订单信息中获取订单标识和商品标识,依据所述商品标识确定商品对象的SKU;将商品对象的SKU确定为一个节点,以订单为超边连接两个节点,构建超图模型,其中,所述节点对应至少一个超边。
可选的,还包括:缩减模块,用于检测所述超图模型中两个节点的相似性;依据所述相似性对所述超图模型中对应节点进行处理,以缩减所述超图模型的规模。
可选的,所述缩减模块,用于当所述相似性大于相似度阈值时,对所述两个节点进行合并。
可选的,所述缩减模块,用于所述依据所述相似性对所述超图模型中对应节点进行处理,包括:依据所述相似性对节点进行聚类,确定至少一个节点簇。
可选的,所述参数确定模块,用于提供配置页面;通过所述配置页面接收分割目标和约束信息。
可选的,所述分区分割模块,用于采用所述分割目标和约束信息配置初始分割算法,对所述超图模型进行分割,确定初始分割结果;采用所述分割目标和约束信息配置二次分割算法,对所述初始分割结果进行二次分割,将节点分割到相应的仓库分区,确定对应的仓库分区信息。
可选的,所述部署模块,用于依据所述仓库分区信息确定仓库对应的商品对象,依据所述商品对象生成仓库部署信息。
本申请实施例还公开了一种电子设备,包括:处理器;和存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如本申请实施例所述的方法。
本申请实施例还公开了一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如本申请实施例所述的方法。
与现有技术相比,本申请实施例包括以下优点:
在本申请实施例中,可以依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型,因此可获取分割目标和约束信息,依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息,依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息,历史订单可以反映出商品对象之间的关联关系,基于历史订单创建超图模型并进行分割,可以解决供应链品仓部署的问题,优化对仓库中商品对象的部署,并且效率较高。
附图说明
图1是本申请实施例一种基于订单的仓库信息处理示例的示意图;
图2是本申请的一种基于订单的仓库信息处理方法实施例的步骤流程图;
图3是本申请的另一种基于订单的仓库信息处理方法实施例的步骤流程图;
图4是本申请实施例的一种基于订单的仓库信息处理系统的架构示意图;
图5是本申请的另一种基于订单的仓库信息处理方法实施例的步骤流程图;
图6是本申请一实施例提供的装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请实施例可应用于商品对象的仓储场景,因此可应用电子商务领域、物流领域等多种涉及商品对象的仓储场景的领域。在电商供应链与物流管理中,由于各种因素会将商品对象放置到不同仓库,如仓库产能、仓容资源限制,拣选操作效率、履约时效等因素。本申请实施例可基于历史的订单信息,分析用户所商品对象的仓库分布情况,从而针对相应的目标和约束条件来确定仓库的部署信息,优化对仓库中商品对象的部署。现有的仓库部署方式中,同一个订单可能要拆分成不同的子订单,从而不同的仓库发货,通过物流运输的用户手中,从而不同仓库分别处理,影响处理的效率。而本申请实施例的方案,通过优化仓库中商品对象的部署,能够提高商品对象出库、物流运输等的效率。
参照图1,示出了本申请实施例的基于订单的仓库信息处理示例的示意图,可以执行如图2所示的步骤:
步骤202,获取历史订单信息。
步骤204,依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为边,构建超图模型。
本申请实施例可采用历史订单数据和超图模型处理仓库中商品对象的部署问题。其中,超图(hypergraph)是一种泛化的图(graph)模型,由一个节点集合和一个基于这个节点集合的超边集合构成。超边(hyperedge)是一种泛化的边(edge/link),相比于一般图模型中连接两个节点(vertex/node)的边,超边可以连接多个节点。
可预先获取历史订单信息构建历史订单池,该历史订单池中的历史订单可为设定历史时段的订单,如1年内。该订单可从仓库所对应的商家、卖家平台获取,也可从商家、卖家所在的电子商务平台获取。历史订单的订单信息可包括:商品对象的名称、标识等信息,其中,商品对象的标识可为最小库存单元(Stock Keeping Unit,SKU),也可为其他标识。本申请实施例基于订单确定超图进而仓库部署的优化,因此可基于该商品标识确定出SKU。基于SKU建立超图,从而可对应到仓库中商品对象的部署。因此,一个SKU被抽象为一个超图中的节点,一个订单被建模为可能包含一个或者多个节点(SKU)的超边,一个订单池就可以依此用一个超图模型表示。
一个可选实施例中,所述依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型,包括:从所述历史订单信息中获取订单标识和商品标识,依据所述商品标识确定商品对象的SKU;将商品对象的SKU确定为一个节点,以订单为超边连接两个节点,构建超图模型,其中,所述节点对应至少一个超边。从所述历史订单信息中获取订单标识和商品标识,订单标识可唯一标识一个订单,因此来源于同意订单的不同商品对象具有相同的订单标识,各商品对象可对应到SKU,因此若商品标识为SKU,则可直接使用,若商品标识为其他标识,可对应匹配出SKU。然后以各SKU为节点,其中,可将SKU作为节点的属性或名称。以订单的作为超边,可以将订单标识作为超边的属性或名称。例如在一种方式下,可以获取各订单中商品对象的SKU创建节点,然后依据订单将同一订单的两个SKU建立超边。从而节点所具有的边的数量与其所在订单的数量相同。例如可以遍历每个订单来构建超图,如获取到一个订单后,以商品对象的SKU创建节点,然后建立节点之间的边,再获取下一个订单,如果SKU已有,则不用重复建立节点,如果没有则创建对应的节点,并将该订单中各节点之间创建超边。从而能够基于历史订单池中的历史订单信息构建超图模型。
该超图模型中节点对应商品对象的SKU,SKU与库存相关,因此可基于超图模型进行仓库的优化处理,也即可以将商品对象的SKU对应到不同的仓库,从而确定出仓库中部署的商品对象。因此可将仓库分割的方案理解为对应超图的分割方案(partitioning)。一个分割方案中,不同分区(partition)代表了不同的仓或者作业面,如果节点被放置在某个分区中,就代表这个SKU放置在了这个仓/作业面中。
其中,超图分割(hypergraph partitioning)指的是基于一些约束,将超图的节点分割为两个或者多个互斥且穷尽(mutually exclusive and collectively exhaustive)的集合,以最大化/最小化某个目标函数。品仓优化(warehouse assortment allocation)指的是将不同的品选择性地放在不同的仓库,以最大化/最小化某个目标。
本申请实施例中通过历史订单信息创建超图模型后,所得到的超图模型比较大,后续的计算量也比较大。因此本申请实施例还可缩减所述超图模型的规模,减少后续处理的计算量。其中,检测所述超图模型中两个节点的相似性;依据所述相似性对所述超图模型中对应节点进行处理,以缩减所述超图模型的规模。可与在超图模型中任意两个节点的相似性,然后依据该相似性对超图模型中对应节点进行处理,如合并、聚类等处理,从而缩减超图模型的规模。
一个可选实施例中,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:当所述相似性大于相似度阈值时,对所述两个节点进行合并。可以设置相似度阈值,检测两个节点间的相似度是否大于相似度阈值,若大于相似度阈值,则将两个节点进行合并,若不大于相似度阈值,则基于检测其他节点。一个示例中可以通过节点稀疏化算法(Pin-sparsification)进行节点的稀疏处理,合并相似的节点。其中,可通过通过局部敏感哈希(Locality-Sensetive Hashing,LSH)来表达节点的相似性,判断哪些节点在超图中可以合并为一,用以缩减超图的规模,加速后续计算。通过上述方式可以检测出强相关的商品对象,即高概率在同一订单出现的商品,如商品和包装礼盒。
另一个可选实施例中,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:依据所述相似性对节点进行聚类,确定至少一个节点簇。可以在确定出节点之间的相似性后,按照相似性对相似的节点进行聚类,得到至少一个节点簇。节点簇中的节点是相似度较高的节点,从而后续其中一个节点确定出所属分区后,其他节点也可加入到该分区,进而减少计算量。一个示例中可以采用鲁万社团检测算法(Louvain CommunityDetection Algorithm),基于该算法可找到超图模型中结构更紧密的子图,对子图中的节点进行聚合,以在不损失全图结构性信息的前提下,缩减超图规模。例如通过处理得到强相关商品对象的集合,这些商品通过是同一类目的商品对象,高概率出现在一个订单中。
步骤206,确定分割目标和约束信息。
因此在进行仓库优化部署中,可以先确定出优化的目标和约束信息。其中,优化的目标和约束信息可依据需求设置。优化目标为仓库需要优化的目标,可与仓库非分区、部署相关,如优化拆单率、落件量、落件比等。其中,拆单率(或称拆包率)指的是一个订单池中的所有订单中,由于商品对象不在同一个拣选库区而被拆为两个或者多个包裹的订单的占比。落件量指的是从某个仓库或者拣选面出库的商品对象件量。落件比指的是一个订单池中的所有商品的件量中,某个仓库的落件量占比。约束信息为与对应的仓库相关的语术条件,该约束信息为商品对象在仓库部署决策需要满足的现实条件,例如仓库的容量、品类绑定关系,容纳商品对象的SKU的种类数量等。
可以获取分割目标和约束信息。例如在一些场景中可以设置配置页面,在客户端展示配置页面,配置页面可提供编辑控件,用户可通过编辑控件输入需要的约束信息和分割目标。响应于对编辑控件的触发,可接收分割目标和约束信息,发送到服务端。
步骤208,依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息。
依据分割目标和约束信息,可以对超图模型进行分割处理,从而确定出节点所属的仓库分区,得到仓库分区信息。
本申请实施例可采用相应的分割算法进行超图模型的分割,可以采用分割目标和约束信息配置分割算法,然后按照该分割算法对超图模型进行分割,确定各节点所在的仓库分区,再基于仓库节点所在的仓库分区确定仓库分区信息。
一个可选实施例中,分割算法包括初始分割算法(Initial PartitioningAlgorithm)和二分割FM算法(Two-way FM Search Algorithm)。可采用所述分割目标和约束信息配置初始分割算法,对所述超图模型进行分割,确定初始分割结果;采用所述分割目标和约束信息配置二次分割算法,对所述初始分割结果进行二次分割,将节点分割到相应的仓库分区,确定对应的仓库分区信息。
可以采用分割目标和约束信息配置初始分割算法,然后采用个初始分割算法对超图模型的节点进行一个可行的初始分割,得到初始分割节点。例如结合目标和约束信息,用度优先搜索(Breadth First Search,BFS)或者随机分割等算法,产生一个可行的初始分割结果,或者按照当前的仓库部署方案进行初始等。该初始分割结果为一个初步的分割结果,后续可基于该初始分割结果继续进行分割。采用分割目标和约束信息配置二次分割算法,然后采用二次分割算法对上一步的初始分割结果进行二次分割,将节点分割到相应的分区,并确定该分区所述的仓库分区。一个实施例中一种二次分割算法为二分割FM算法,其是一种贪心算法的搜索算法,原理是基于一个初始分割,不断地将当前能够带来最大收益的节点调整到另一个分区;在算法过程中,加入对约束条件的考虑,并在FM算法中设计启发式算子,使其在被约束阻碍无法继续的情况下,能够跳出局部解,以持续提高解的质量。从而得到节点所属的仓库分区,再基于仓库节点所在的仓库分区确定仓库分区信息。
本申请实施例中,仓库有多种部署方案,如平行仓/面、子母仓/面、交叉面等多种部署方案。其中,平行仓/面中,每个商品对象放到两仓/面之中任意一仓/面,一个订单中的所有商品对象如果都在同一个仓/面中,则订单从该仓/面出库,否则订单会被拆为两个包裹,从两个仓/面出库。其中,仓指的是仓库,面可以理解为操作面、作业面,如分拣的作业面等。子母仓/面中,母仓/面为全品类仓/面,即包含所有的商品对象;子仓/面的商品对象为母仓/面的子集;出于最小物流对象原则,只有一个订单中所有商品对象都在子仓/面中时,该订单才会从子仓/面出库,否则统一从母仓/面出库。交叉面是一种基于平行面的改进,允许少部分商品对象在两个拣选面同时存在,以减少拆单。
以子母仓或子母面为例,通过A/B分区分别指代母仓/面、子仓/面,则在B分区中的节点即子仓/面SKU,而A分区中的节点代表了仅出现在母仓/面的SKU。在进行超图分割处理时,可基于现有的分仓方案作为初始分割,或者使用宽度优先、随机分割等算法生成初始分割,然后使用FM算法对初始分割进行优化以得到仓库分区信息,辅助品仓部署决策。
又如针对平行分仓的方案,以拆单率和/或落件量为目标,平行分仓的拆单率即对应经典超图分割问题中的被割边权重,落件量即对应各个分区中节点的总权重,平行分仓中,子仓/面的落件量是在最小物流对象原则下,从子仓/面的发出订单包含的总件量。
又如在交叉面的拆单则需要考虑货品的交叉属性,一个节点仅可能出现在一个逻辑分区中,尽管它实际上可能是作为交叉品,在任意分区中都存在,而判断订单是否拆单需要同时考虑到这些交叉品的存在。因此在采用上述方法计算时需要相应的目标以及约束条件。
步骤210,依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息。
在确定出仓库分区信息后,可确定出在不同分区的商品对象,进而可生成仓库部署信息,反馈所述仓库部署信息给处理端。如仓库端等,以便优化仓库中商品对象的部署。
一个可选实施例中,所述依据所述仓库分区信息生成仓库部署信息,包括:依据所述仓库分区信息确定仓库对应的商品对象,依据所述商品对象生成仓库部署信息。依据所述仓库分区信息可确定出在不同分区的商品对象,每个分区对应一个仓库或操作面,从而可生成相应的仓库部署信息,该仓库部署信息可以用于部署仓库,确定仓库中所部署的商品对象,从而反馈后,仓库可基于仓库部署信息调配仓库中的商品对象。
综上,可以依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型,因此可获取分割目标和约束信息,依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息,依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息,历史订单可以反映出商品对象之间的关联关系,基于历史订单创建超图模型并进行分割,可以解决供应链的品仓部署的问题,优化对仓库中商品对象的部署,并且效率较高。
在上述实施例的基础上,本申请实施例还提供了一种基于订单的仓库信息处理方法,可以基于分割算法对超图模型进行分割,从而优化仓库中商品对象的部署。
参照图3,示出了本申请的另一种基于订单的仓库信息处理方法实施例的步骤流程图。
步骤302,获取历史订单信息。
步骤304,从所述历史订单信息中获取订单标识和商品标识,依据所述商品标识确定商品对象的SKU。
步骤306,将商品对象的SKU确定为一个节点,以订单为超边连接两个节点,构建超图模型,其中,所述节点对应至少一个超边。
步骤308,检测所述超图模型中两个节点的相似性。
步骤310,依据所述相似性对所述超图模型中对应节点进行处理,以缩减所述超图模型的规模。
一个可选实施例中,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:当所述相似性大于相似度阈值时,对所述两个节点进行合并。
另一个可选实施例中,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:依据所述相似性对节点进行聚类,确定至少一个节点簇。
步骤312,确定分割目标和约束信息。
其中,可提供配置页面;通过所述配置页面接收分割目标和约束信息。
步骤314,采用所述分割目标和约束信息配置初始分割算法,对所述超图模型进行分割,确定初始分割结果。
步骤316,采用所述分割目标和约束信息配置二次分割算法,对所述初始分割结果进行二次分割,将节点分割到相应的仓库分区,确定对应的仓库分区信息。
步骤318,依据所述仓库分区信息确定仓库对应的商品对象,依据所述商品对象生成仓库部署信息。
本申请实施例可解决品仓优化问题,历史订单可以反映出货品之间的关联关系,从而可采用超图分割建模解决品仓优化问题,将货品表示为节点,将订单表示为超边,由于超图分割而被割裂的超边,就代表了被拆包的订单,以最小超边割为目标做超图分割,就可以得到优化拆单率的品仓决策。从而能够提供合理的品仓决策,使得仓库产能得到平衡的同时,最小化拆单率,节省物流成本。
在上述实施例的基础上,本申请实施例还提供了一种基于订单的仓库信息处理系统,其可以采用如图4所示。可通过解析用户定义的基础数据与场景配置,品仓优化建模组件将数据组装为标准形式的超图分割问题,并组装相关的约束信息,定义分割目标。超图分割算法组件利用标准化算法流程,对定义好的品仓优化问题进行寻优,并输出结果;该结果最终会被用户格式化为处理系统能够消费的决策,在审核后执行。
在品仓优化建模组件中,历史订单信息被建模为超图。具体而言,一个SKU被抽象为一个超图中的节点,一个订单被建模为可能包含一个或者多个节点(SKU)的超边。一个订单池就可以依此用一个超图模型表示。分仓方案即对应超图的分割方案(partitioning),一个分割方案中,不同分区(partition)代表了不同的仓或者作业面;如果节点被放置在某个分区中,就代表这个SKU放置在了这个仓/作业面中。在超图分割算法组件中,本方案基于现有的分仓方案作为初始分割,或者使用宽度优先、随机分割等算法生成初始分割,然后使用FM算法对初始分割进行优化以得到品仓部署决策。
本申请实施例中,可以在保障算法性能的前提下,合理地抽象流程、设计接口,提高产品的可拓展性,可以使用同样的算法方案,满足平行仓、子母仓、交叉面等不同场景,拆单率、落件量、一般成本等不同目标,以及多种约束的需求。
以数据与接口层作为方案的基础,其设计直接决定算法的性能与场景的可拓展性。原子算法层是平台的核心组件,如可实现以下几个算法:初始分割算法,节点稀疏化算法,鲁万社团检测算法,以及二分割FM算法。在此基础上,我们实现了与品仓优化问题紧密相关的多种目标、约束,并用利用底层接口,灵活地封装出了不同的场景能力,例如平行仓/子母仓分仓选品、品类仓选品、大促裂变面临时调品等。
本申请实施例中,为了提供可扩展性。可通过接口调用相应的算法,针对多种不同场景下、不同目标函数、约束对核心指标的处理,在满足需求的同时保障了计算效率。使得对于不同的场景、目标、约束,只需要轻量级的代码实现便能够复用同一套算法流程,而非重新设计实现一套算法。
因此本申请实施例还提供了一种基于订单的仓库信息处理方法,能够应用在客户端与服务端交互的场景中,如软件即服务(Software-as-a-Service,SaaS)场景。在基于历史订单创建超图模型后,可通过接口调用算法进行优化仓库部署的计算,从而
参照图5,示出了本申请的另一种基于订单的仓库信息处理方法实施例的步骤流程图。
步骤502,获取历史订单信息。
步骤504,依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型。
其中,所述依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型,包括:从所述历史订单信息中获取订单标识和商品标识,依据所述商品标识确定商品对象的SKU;将商品对象的SKU确定为一个节点,以订单为超边连接两个节点,构建超图模型,其中,所述节点对应至少一个超边。
其中,可检测所述超图模型中两个节点的相似性;依据所述相似性对所述超图模型中对应节点进行处理,以缩减所述超图模型的规模。
一个示例中,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:当所述相似性大于相似度阈值时,对所述两个节点进行合并。
另一个示例中,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:依据所述相似性对节点进行聚类,确定至少一个节点簇。
步骤506,通过第一接口接收分割目标和约束信息。
本申请实施例可提供配置页面给客户端,从而客户端可在配置界面中通过编辑控件、配置控件等设置分割目标和约束信息,然后通过第一接口上传该分割目标和约束信息,以调用算法执行优化部署处理。
步骤508,依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息。
所述依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息,包括:采用所述分割目标和约束信息配置初始分割算法,对所述超图模型进行分割,确定初始分割结果;采用所述分割目标和约束信息配置二次分割算法,对所述初始分割结果进行二次分割,将节点分割到相应的仓库分区,确定对应的仓库分区信息。
步骤510,依据所述仓库分区信息生成仓库部署信息。
所述依据所述仓库分区信息生成仓库部署信息,包括:依据所述仓库分区信息确定仓库对应的商品对象,依据所述商品对象生成仓库部署信息。
步骤512,通过第二接口反馈所述仓库部署信息。
本申请实施例通过超图分割算法,提高品仓优化问题求解的速度与结果质量。从实践结果上看,超图分割算法得到的分仓方案,在拆单率上显著小于基于启发式规则得到的结果;同时,可以在较短时间得到高质量的结果。
在一次促销场景中,本申请实施例在拆零裂变面项目中表现出色,拆零作业面和分仓影响1442万散件订单,通过算法优化帮助解决2619万件产能缺口,提升503万订单时效。并且,在第一波分仓后落件比误差小于3%,第二波落件比误差小于2%,保证了仓内产能的准确分配。有效降低平行面分仓带来的拆单率5%左右,减少了67万订单拆单,极大节约了成本。
本申请实施例创新性地应用了超图分割算法用于解决品仓部署问题,通过对经典算法进行升级与拓展,在计算效率与决策质量上,均远远超过基于规则的启发式与数学规划模型等替代方案。
在工程架构上,通过抽象主要流程、设计关键接口,为超图分割问题高效、便捷地支持不同的场景提供了可能性,提高可扩展性。
结合FM算法中核心的数据结构思想,创新性地对其进行拓展,用以支持交叉面品仓部署这个复杂度更高的问题,并维持了同样的计算复杂度,保障求解时效。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
在上述实施例的基础上,本实施例还提供了一种基于订单的仓库信息处理装置,应用于服务端(集群)的电子设备中。
获取模块,用于获取历史订单信息;
超图构建模块,用于依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型;
参数确定模块,用于确定分割目标和约束信息;
分区分割模块,用于依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息;
部署模块,用于依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息。
综上,可以依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型,因此可获取分割目标和约束信息,依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息,依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息,历史订单可以反映出商品对象之间的关联关系,基于历史订单创建超图模型并进行分割,可以解决供应链品仓部署的问题,优化对仓库中商品对象的部署,并且效率较高。
可选的,所述超图构建模块,用于从所述历史订单信息中获取订单标识和商品标识,依据所述商品标识确定商品对象的SKU;将商品对象的SKU确定为一个节点,以订单为超边连接两个节点,构建超图模型,其中,所述节点对应至少一个超边。
可选的,还包括:缩减模块,用于检测所述超图模型中两个节点的相似性;依据所述相似性对所述超图模型中对应节点进行处理,以缩减所述超图模型的规模。
可选的,所述缩减模块,用于当所述相似性大于相似度阈值时,对所述两个节点进行合并。
可选的,所述缩减模块,用于所述依据所述相似性对所述超图模型中对应节点进行处理,包括:依据所述相似性对节点进行聚类,确定至少一个节点簇。
可选的,所述参数确定模块,用于提供配置页面;通过所述配置页面接收分割目标和约束信息。
可选的,所述分区分割模块,用于采用所述分割目标和约束信息配置初始分割算法,对所述超图模型进行分割,确定初始分割结果;采用所述分割目标和约束信息配置二次分割算法,对所述初始分割结果进行二次分割,将节点分割到相应的仓库分区,确定对应的仓库分区信息。
可选的,所述部署模块,用于依据所述仓库分区信息确定仓库对应的商品对象,依据所述商品对象生成仓库部署信息。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。
本申请实施例提供了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个所述的方法。本申请实施例中,所述电子设备包括终端设备、服务器(集群)等各类型的设备。
本公开的实施例可被实现为使用任意适当的硬件,固件,软件,或及其任意组合进行想要的配置的装置,该装置可包括数据中心内的终端设备、服务器(集群)等电子设备。图6示意性地示出了可被用于实现本申请中所述的各个实施例的示例性装置600。
对于一个实施例,图6示出了示例性装置600,该装置具有一个或多个处理器602、被耦合到(一个或多个)处理器602中的至少一个的控制模块(芯片组)604、被耦合到控制模块604的存储器606、被耦合到控制模块604的非易失性存储器(NVM)/存储设备608、被耦合到控制模块604的一个或多个输入/输出设备610,以及被耦合到控制模块604的网络接口612。
处理器602可包括一个或多个单核或多核处理器,处理器602可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中,装置600能够作为本申请实施例中所述终端设备、服务器(集群)等设备。
在一些实施例中,装置600可包括具有指令614的一个或多个计算机可读介质(例如,存储器606或NVM/存储设备608)以及与该一个或多个计算机可读介质相合并被配置为执行指令614以实现模块从而执行本公开中所述的动作的一个或多个处理器602。
对于一个实施例,控制模块604可包括任意适当的接口控制器,以向(一个或多个)处理器602中的至少一个和/或与控制模块604通信的任意适当的设备或组件提供任意适当的接口。
控制模块604可包括存储器控制器模块,以向存储器606提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器606可被用于例如为装置600加载和存储数据和/或指令614。对于一个实施例,存储器606可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,存储器606可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块604可包括一个或多个输入/输出控制器,以向NVM/存储设备608及(一个或多个)输入/输出设备610提供接口。
例如,NVM/存储设备608可被用于存储数据和/或指令614。NVM/存储设备608可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备608可包括在物理上作为装置600被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备608可通过网络经由(一个或多个)输入/输出设备610进行访问。
(一个或多个)输入/输出设备610可为装置600提供接口以与任意其他适当的设备通信,输入/输出设备610可以包括通信组件、音频组件、传感器组件等。网络接口612可为装置600提供接口以通过一个或多个网络通信,装置600可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入基于通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例,(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,装置600可以但不限于是:服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,装置600可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,装置600包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
其中,检测装置中可采用主控芯片作为处理器或控制模块,传感器数据、位置信息等存储到存储器或NVM/存储设备中,传感器组可作为输入/输出设备,通信接口可包括网络接口。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于订单的仓库信息处理方法、一种终端设备和一种机器可读介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种基于订单的仓库信息处理方法,其特征在于,所述方法包括:
获取历史订单信息;
依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型;
确定分割目标和约束信息;
依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息;
依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息。
2.根据权利要求1所述的方法,其特征在于,所述依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型,包括:
从所述历史订单信息中获取订单标识和商品标识,依据所述商品标识确定商品对象的SKU;
将商品对象的SKU确定为一个节点,以订单为超边连接两个节点,构建超图模型,其中,所述节点对应至少一个超边。
3.根据权利要求1所述的方法,其特征在于,还包括:
检测所述超图模型中两个节点的相似性;
依据所述相似性对所述超图模型中对应节点进行处理,以缩减所述超图模型的规模。
4.根据权利要求3所述的方法,其特征在于,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:
当所述相似性大于相似度阈值时,对所述两个节点进行合并。
5.根据权利要求3所述的方法,其特征在于,所述依据所述相似性对所述超图模型中对应节点进行处理,包括:
依据所述相似性对节点进行聚类,确定至少一个节点簇。
6.根据权利要求1所述的方法,其特征在于,所述确定分割目标和约束信息,包括:
提供配置页面;
通过所述配置页面接收分割目标和约束信息。
7.根据权利要求1所述的方法,其特征在于,所述依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息,包括:
采用所述分割目标和约束信息配置初始分割算法,对所述超图模型进行分割,确定初始分割结果;
采用所述分割目标和约束信息配置二次分割算法,对所述初始分割结果进行二次分割,将节点分割到相应的仓库分区,确定对应的仓库分区信息。
8.根据权利要求1所述的方法,其特征在于,所述依据所述仓库分区信息生成仓库部署信息,包括:
依据所述仓库分区信息确定仓库对应的商品对象,依据所述商品对象生成仓库部署信息。
9.一种基于订单的仓库信息处理装置,其特征在于,所述装置包括:
获取模块,用于获取历史订单信息;
超图构建模块,用于依据所述历史订单信息确定商品对象的最小库存单元SKU,以SKU为节点,订单为超边,构建超图模型;
参数确定模块,用于确定分割目标和约束信息;
分区分割模块,用于依据所述分割目标和约束信息对所述超图模型进行分割,确定节点的仓库分区信息;
部署模块,用于依据所述仓库分区信息生成仓库部署信息,反馈所述仓库部署信息。
10.一种电子设备,其特征在于,包括:处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如权利要求1-8中任一项所述的方法。
11.一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322554.8A CN114897457A (zh) | 2022-03-30 | 2022-03-30 | 基于订单的仓库信息处理方法、设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322554.8A CN114897457A (zh) | 2022-03-30 | 2022-03-30 | 基于订单的仓库信息处理方法、设备和可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897457A true CN114897457A (zh) | 2022-08-12 |
Family
ID=82714884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210322554.8A Pending CN114897457A (zh) | 2022-03-30 | 2022-03-30 | 基于订单的仓库信息处理方法、设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384713A (zh) * | 2023-06-05 | 2023-07-04 | 北京京东乾石科技有限公司 | 一种信息处理方法及装置、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809242A (zh) * | 2015-05-15 | 2015-07-29 | 成都睿峰科技有限公司 | 一种基于分布式结构的大数据聚类方法和装置 |
WO2016173445A1 (zh) * | 2015-04-30 | 2016-11-03 | 阿里巴巴集团控股有限公司 | 商品对象的库存信息的处理方法及系统 |
US20200160418A1 (en) * | 2018-11-19 | 2020-05-21 | International Business Machines Corporation | Hypergraph structure and truncation method that reduces computer processor execution time in predicting product returns based on large scale data |
CN112837004A (zh) * | 2020-11-23 | 2021-05-25 | 北京沃东天骏信息技术有限公司 | 仓库订单处理方法、装置、设备及存储介质 |
-
2022
- 2022-03-30 CN CN202210322554.8A patent/CN114897457A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016173445A1 (zh) * | 2015-04-30 | 2016-11-03 | 阿里巴巴集团控股有限公司 | 商品对象的库存信息的处理方法及系统 |
CN104809242A (zh) * | 2015-05-15 | 2015-07-29 | 成都睿峰科技有限公司 | 一种基于分布式结构的大数据聚类方法和装置 |
US20200160418A1 (en) * | 2018-11-19 | 2020-05-21 | International Business Machines Corporation | Hypergraph structure and truncation method that reduces computer processor execution time in predicting product returns based on large scale data |
CN112837004A (zh) * | 2020-11-23 | 2021-05-25 | 北京沃东天骏信息技术有限公司 | 仓库订单处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
李建斌 等: "最小化拆单率的在线零售商多仓商品摆放优化策略研究", 《管理工程学报》, vol. 31, no. 3, 15 July 2017 (2017-07-15), pages 167 - 173 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384713A (zh) * | 2023-06-05 | 2023-07-04 | 北京京东乾石科技有限公司 | 一种信息处理方法及装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10839338B2 (en) | Order sourcing with asynchronous communication and using optimization for large sourcing networks | |
US9443194B2 (en) | Missing value imputation for predictive models | |
Epp et al. | A discrete-time queueing network approach to performance evaluation of autonomous vehicle storage and retrieval systems | |
US9558045B2 (en) | Realizing graph processing based on the MapReduce architecture | |
US9910821B2 (en) | Data processing method, distributed processing system, and program | |
CN106557486A (zh) | 一种数据的存储方法和装置 | |
CN103034935B (zh) | 一种用于实时盘点的装置及方法 | |
CN110832514A (zh) | 由个别的海关交易记录临近预报抽象的调查 | |
CN108512715A (zh) | 一种业务链路的负载压力测试方法和相关装置 | |
US20210334713A1 (en) | Resource Capacity Planning System | |
CN114897457A (zh) | 基于订单的仓库信息处理方法、设备和可读介质 | |
CN111143678B (zh) | 推荐系统和推荐方法 | |
CN113506068A (zh) | 一种出入库方法、装置、存储介质及电子设备 | |
CN112001664B (zh) | 一种退货任务的生成方法、装置、设备和存储介质 | |
CN114154921A (zh) | 物流订单处理方法、装置、电子设备和存储介质 | |
US10387588B1 (en) | Automatic combination of sub-process simulation results and heterogeneous data sources | |
CN113298401A (zh) | 物流资源的分配方法、装置、存储介质和电子设备 | |
CN113298336A (zh) | 资源排产信息确定方法及装置 | |
CN103902374A (zh) | 基于元胞自动机和赋权有向超图的云计算任务调度方法 | |
CN115129466A (zh) | 云计算资源分层调度方法、系统、设备及介质 | |
CN111667208B (zh) | 一种物品存储控制方法、装置、设备及介质 | |
CN114386649A (zh) | 使用优化求解器机器的生产计划的方法、系统和存储介质 | |
US11588728B2 (en) | Tree structure-based smart inter-computing routing model | |
Nguyen et al. | Enabling smart supply chain management with artificial intelligence | |
US20240134562A1 (en) | Automated data archival framework using artificial intelligence techniques |
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 |