CN115009744B - 一种前置仓货物出仓时长预估方法及装置 - Google Patents

一种前置仓货物出仓时长预估方法及装置 Download PDF

Info

Publication number
CN115009744B
CN115009744B CN202210717601.9A CN202210717601A CN115009744B CN 115009744 B CN115009744 B CN 115009744B CN 202210717601 A CN202210717601 A CN 202210717601A CN 115009744 B CN115009744 B CN 115009744B
Authority
CN
China
Prior art keywords
pressure
sorting
model
estimated
low
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
Application number
CN202210717601.9A
Other languages
English (en)
Other versions
CN115009744A (zh
Inventor
马天行
吕皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai 100me Network Technology Co ltd
Original Assignee
Shanghai 100me Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai 100me Network Technology Co ltd filed Critical Shanghai 100me Network Technology Co ltd
Priority to CN202210717601.9A priority Critical patent/CN115009744B/zh
Publication of CN115009744A publication Critical patent/CN115009744A/zh
Application granted granted Critical
Publication of CN115009744B publication Critical patent/CN115009744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
    • B65G1/02—Storage devices
    • B65G1/04—Storage devices mechanical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
    • B65G1/02—Storage devices
    • B65G1/04—Storage devices mechanical
    • B65G1/137—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed
    • B65G1/1373—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed for fulfilling orders in warehouses

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种前置仓货物出仓时长预估方法及装置，该方法包括：基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长。上述方法用于提高预估仓库货物出仓时长的准确性。

Description

一种前置仓货物出仓时长预估方法及装置
技术领域
本申请涉及网络技术领域，尤其涉及一种前置仓货物出仓时长预估方法及装置。
背景技术
随着计算机技术的快速发展，电子商务越来越多地改善着现代人的工作、娱乐和生活。如，电商平台的物流系统利用网络技术、信息技术等与物流管理相结合，为电商平台构建了一个方便快捷的物流平台。该物流平台可以根据用户下单时的仓库的分拣状况，预估出该用户购买物品的分拣出仓时长，进而根据配送员的配送信息计算出用户所购买物品的送达时间，为用户提供透明物流信息环境。
现有技术中，一般通过用户下单时仓库的分拣压力预估用户购买物品的出仓时长。如，用户下单时，确定此时仓库的分拣压力，若是仓库分拣压力大，对应的预估用户购买物品的出仓时长较长。但在实际生产中，这种方式并不能准确预估出用户购买物品的出仓时长。如，在用户下单时的仓库分拣压力过大，预估出仓时长较大，但实际可能仓库分拣物品很快完成，分拣资源闲置。若在用户下单时的仓库分拣压力很小，预估出仓时长很小，但实际仓库分拣物品很慢，用户下单后迟迟不能收到购买物品，给用户造成不便。
因此，现在亟需一种前置仓货物出仓时长预估方法及装置，用于提高预估仓库货物出仓时长的准确性。
发明内容
本发明实施例提供一种前置仓货物出仓时长预估方法及装置，用于提高预估仓库货物出仓时长的准确性。
第一方面，本发明实施例提供一种前置仓货物出仓时长预估方法，该方法包括：
基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；
确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长。
上述方法中，预估模型是根据前置仓的历史分拣信息训练得到的。如此，可以获取该仓库历史分拣信息对应的出仓时长情况，增加预估模型的预估结果的稳定性，提高预估结果的准确性。进一步的，通过不同组合特征的历史分拣信息对不同的预估模型的初始模型进行训练，确定各预估模型的误差，将误差最小的预估模型用于生成。如此，进一步获取最能影响出仓时长的分拣信息中的各特征的组合特征，通过这些最能影响出仓时长的分拣信息的特征预估出仓时长，进一步提高出仓时长预估的准确性。相比于现有技术中仅根据分拣压力预估出仓时长不准确，导致分拣资源闲置，或者用户迟迟不能收到购买物品的不良影响来说，本申请预估的出仓时长准确，可以合理使用分拣资源，消除对用户的不良影响。
可选的，将所述特征向量输入预估模型得到出仓时长，包括：根据所述分拣信息确定分拣压力；若所述分拣压力低于分拣压力阈值，则将所述特征向量输入低压预估模型；根据所述低压预估模型得到所述出仓时长；若所述分拣压力不低于所述分拣压力阈值，则将所述特征向量输入高压预估模型；根据所述高压预估模型得到所述出仓时长；所述分拣压力阈值是在得到预估误差最小的组合特征后，对预估误差最小的组合特征对应的模型继续进行训练后得到的。
上述方法中，可以根据分拣压力阈值确定订单请求的分拣信息是属于低压分拣压力还是高压分拣压力，将预估模型分为低压预估模型和高压预估模型。如此，低压预估模型对分拣压力低的分拣信息的特征学习相对集中，针对分拣压力低的分拣信息进行预估的结果更加准确；高压预估模型对分拣压力高的分拣信息的特征学习相对集中，针对分拣压力高的分拣信息进行预估的结果更加准确，提高对订单请求的分拣信息的出仓时长预估的准确性。
可选的，所述低压预估模型和所述高压预估模型是通过如下方式训练得到的，包括：在设定的分拣压力阈值下，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的为中间预估模型；其中，所述样本集是根据历史分拣信息构建的；
确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型。
上述方法中，先设定分拣压力阈值不变，在该设定分拣压力阈值下，根据历史分拣信息分别确定组合特征不同的样本集，通过各样本集分别对初始模型进行训练，获取训练后的不同组合特征对应的初始模型，从训练后的不同组合特征对应的初始模型中确定误差最小的作为中间预估模型。如此，确定最能影响前置仓出仓时长的组合特征，后续根据订单请求的分拣信息确定对应组合特征的特征向量，该特征向量最能体现对出仓时长的影响，将该特征向量输入对应组合特征的预估模型能够准确得到的出仓时长。进一步，最优的组合特征已经确定，对应的中间预估模型也已经确定，设置不同的分拣压力阈值，确定不同分拣压力阈值下中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为低压预估模型和高压预估模型。也就是说，首先设定分拣压力阈值不变，获取分拣信息对应的最优的组合特征，最优的组合特征确定后，组合特征不变，根据不同的分拣压力阈值对应的中间预估模型的误差，确定误差最小的分拣压力阈值，最大化的增强预估模型的预估准确度。相比于现有技术中仅仅基于分拣压力进行出仓时长预估，本申请通过细化分拣信息中各特征，获取各组合特征中最能影响出仓时长组合特征，且计算到最能有效区分高压分拣信息和低压分拣信息的分拣压力阈值，使得高压预估模型根据学习到的高压分拣特征对应的出仓时长和低压预估模型根据学习到的低压分拣特征对应的出仓时长准确对订单请求的出仓时长进行预估，提高出仓时长结果预估准确性。
可选的，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的中间预估模型，包括：
获取历史时段中各时间分片的历史分拣信息；
根据所述历史分拣信息确定多种样本集，任意两个样本集对应的分拣信息的组合特征不同；
针对每个样本集，根据设定分拣压力阈值将所述样本集分为低压样本集和高压样本集；分别通过所述低压样本集和所述高压样本集训练低压初始模型和高压初始模型；
从多组训练后的低压初始模型和训练后的高压初始模型中，确定出预估出仓时长与实际出仓时长误差最小的一组作为中间预估模型。
上述方法中，获取历史时段中各时间分片的历史分拣信息，针对不同的组合特征，分别获取不同组合特征的样本集。针对每个样本集，将该样本集分为低压样本集和高压样本集，以分别对低压初始模型和高压初始模型进行训练，得到训练后的低压初始模型和训练后的高压初始模型。如此，得到各组合特征对应的训练后的低压初始模型和训练后的高压初始模型，从这多组训练后的低压初始模型和训练后的高压初始模型中，确定出预估出仓时长与实际出仓时长误差最小的一组作为中间预估模型。也就是说，确定预估出仓时长最准确的组合特征，将误差最小的组合特征和该组合特征对应的训练后的低压初始模型和训练后的高压初始模型作为中间预估模型，进行模型后一流程的优化。
可选的，确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型，包括：针对每个分拣压力阈值，将测试集分为低压测试集和高压测试集；通过所述中间预估模型中的低压初始模型确定所述低压测试集对应的第一误差；通过所述中间预估模型中的高压初始模型确定所述高压测试集对应的第二误差；确定第一误差和第二误差之和最小的分拣压力阈值，从而得到所述低压预估模型和所述高压预估模型。
上述方法中，根据不同的分拣压力阈值，将测试集分为低压测试集和高压测试集，获取不同分拣压力阈值下的低压初始模型的第一误差和高压初始模型的第二误差，将各分拣压力阈值中，第一误差和第二误差之和最小的分拣压力阈值对应的中间预估模型作为生产应用中的低压预估模型和高压预估模型，以获取最准确将分拣压力分流预估的分拣压力阈值，提高预估结果的准确性。
可选的，若所述预估模型处于非工作状态，则通过以下公式预估出仓时长：
(m/n+1)*t
其中，m为分拣信息中的待分拣订单数量，n为分拣信息中的分拣员数量，t为历史分拣信息对应的平均出仓时长。
上述方法中，当预估模型的服务器宕机或者预估模型未训练成熟等预估模型处于非工作状态时，可以通过上述公式做兜底预估方案，保证预估系统的可靠性和稳定性。该公式考虑了订单请求的接收时间对应的待分拣订单数量和分拣员数量，以及历史分拣信息对应的平均出仓时长，可以保证预估的出仓时长处于合理范围。
可选的，确定所述分拣信息的特征向量，包括：确定所述分拣信息中分拣员数量对应的特征及待分拣订单数量对应的特征，根据所述分拣员数量对应的特征及待分拣订单数量对应的特征确定所述特征向量；所述历史分拣信息包括各时间片开始时刻时的分拣员数量、待分拣订单数量和各待分拣订单的平均出仓时长；所述分拣压力为待分拣订单数量与分拣员数量的比值。
上述方法中，历史分拣信息包括各时间片开始时刻时的分拣员数量、待分拣订单数量和各待分拣订单的平均出仓时长。如此，初始模型可以学习到组合特征为分拣员数量、待分拣订单数量的出仓时长情况，得到预估模型。后续根据订单请求中待分拣订单数量与分拣员数量的比值确定分拣压力，进一步根据分拣压力的高低将该订单请求的分拣信息中分拣员数量对应的特征及待分拣订单数量对应的特征得到的特征向量，提高出仓时长预估的准确度。
第二方面，本发明实施例提供一种前置仓货物出仓时长预估装置，该装置包括：
数据获取模块，用于基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；
处理模块，用于确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长。
第三方面，本申请实施例还提供一种计算设备，包括：存储器，用于存储程序；处理器，用于调用所述存储器中存储的程序，按照获得的程序执行如第一方面的各种可能的设计中所述的方法。
第四方面，本申请实施例还提供一种计算机可读非易失性存储介质，包括计算机可读程序，当计算机读取并执行所述计算机可读程序时，使得计算机执行如第一方面的各种可能的设计中所述的方法。本申请的这些实现方式或其他实现方式在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种前置仓货物出仓时长预估系统的架构示意图；
图2为本申请实施例提供的一种前置仓货物出仓时长预估方法的流程示意图；
图3为本申请实施例提供的一种前置仓货物出仓时长预估方法的流程示意图；
图4为本申请实施例提供的一种前置仓货物出仓时长预估装置示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，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它实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种前置仓货物出仓时长预估系统的系统架构，包括：数据采集单元101、预估单元102、压力阈值单元103、预估模型训练单元104、历史数据库105。
其中，历史数据库105中包含采集的历史分拣信息，历史分拣信息中可以包括任意历史时间点的分拣员数量、待分拣订单数、天气为晴天或雨天、温度、货物为冷冻/冷藏/非冷冻冷藏等分拣涉及的特征信息。历史分拣信息还可以是历史时段中各时间片的历史分拣信息，时间片长度可以根据专业知识或经验设置。时间片的历史分拣信息可以以时间片中的某一时间点(取的时间片中的时间点可以是时间片中的中间位置的时间点或时间片开始/结束的时间点，这里对时间点的确定具体不做限制)对应的分拣员数量、待分拣订单数、天气为晴天或雨天、温度、货物为冷冻/冷藏/非冷冻冷藏等最能体现该时间片的分拣特征的分拣特征信息为历史分拣信息。
预估模型训练单元104可以基于选择的历史时段中各时间片的历史分拣信息获取不同组合特征的样本集，各样本集中的训练样本的组合特征不同。如，假若组合特征有5个：组合特征1为分拣员数量、待分拣订单数、天气为晴天或雨天；组合特征2为分拣员数量、待分拣订单数、温度；组合特征3为分拣员数量、待分拣订单数、货物为冷冻/冷藏/非冷冻冷藏；组合特征4为分拣员数量、待分拣订单数、天气为晴天或雨天、温度；组合特征5为分拣员数量、待分拣订单数、天气为晴天或雨天、温度、货物为冷冻/冷藏/非冷冻冷藏。对应的，得到5个样本集，样本集1中训练样本的组合特征为组合特征1、样本集2中训练样本的组合特征为组合特征2、样本集3中训练样本的组合特征为组合特征3、样本集4中训练样本的组合特征为组合特征4、样本集5中训练样本的组合特征为组合特征5。这里只是一种示例，对样本的组合特征具体不做限制，如，还可以包括分拣员性别、年龄、待分拣订单货物件数等等。
预估模型训练单元104首先根据设定分拣压力阈值，针对每个样本集，根据该设定分拣压力阈值，将该样本集分为低压样本集和高压样本集，
通过该低压样本集训练待训练的低压初始模型，得到训练后的低压初始模型，通过该高压样本集训练待训练的高压初始模型，得到训练后的高压初始模型，如此，得到多组训练后的低压初始模型和训练后的高压初始模型，这里各组训练后的低压初始模型和训练后的高压初始模型对应的组合特征不同。
然后，获取每个样本集对应的测试集(样本集对应的测试集中的测试样本的组合特征和该样本集中的训练样本的组合特征相同。相应的，各样本集对应的测试集，各测试集中任意两个测试集中的测试样本的组合特征不同。还需要说明的，若这里的测试集中包含第二历史时段中各时间片的分拣信息，样本集中包含第一历史时段中各时间片的分拣信息，第一历史时段早于第二历史时段，第一历史时段和第二历史时段可以存在重叠时段。如此，测试集中的测试样本更能体现当前生产应用中分拣信息的特点)。针对任一组训练后的低压初始模型和训练后的高压初始模型，确定对应的测试集(测试集的测试样本中的组合特征与用于训练对应组的训练后的低压初始模型和训练后的高压初始模型的训练样本的组合特征相同)，根据该设定分拣压力阈值，将该测试集分为低压测试集和高压测试集。通过低压测试集测试训练后的低压初始模型，获得该训练后的低压初始模型输出的各测试样本的预估出仓时长，根据各测试样本的预估出仓时长和实际出仓时长确定低压初始模型误差，通过高压测试集测试训练后的高压初始模型，获得该训练后的高压初始模型输出的各测试样本的预估出仓时长，根据各测试样本的预估出仓时长和实际出仓时长确定高压初始模型误差，将该低压初始模型误差和高压初始模型误差加和得到该组训练后的低压初始模型和训练后的高压初始模型的误差。同样的，获取各组训练后的低压初始模型和训练后的高压初始模型的误差，将各组训练后的低压初始模型和训练后的高压初始模型中误差最小的一组训练后的低压初始模型和训练后的高压初始模型作为中间预估模型。
然后，预估模型训练单元104基于压力阈值单元103(这里需要说明的是，压力阈值单元103中的各分拣压力阈值可以是根据历史分拣信息确定的。也可以是根据行业经验或专业知识设定的。也可以是根据后续得到的各分拣压力阈值对应的误差，重新设定的。如，若多个分拣压力阈值对应的误差趋势变化相同，则可以通过更大的压力步长，再生成更多的分拣压力阈值用于预估模型训练单元104训练预估模型。这里对压力阈值单元103生成分拣压力阈值的方式具体不做限制)，针对该中间预估模型(训练后的低压初始模型和训练后的高压初始模型)确定多个分拣压力阈值。针对每个分拣压力阈值，将该测试集分为低压测试集和高压测试集。通过该低压测试集测试训练后的低压初始模型，获得该训练后的低压初始模型输出的预估出仓时长，根据该低压测试集中各测试样本预估出仓时长和实际出仓时长确定第一误差(该分拣压力阈值下的低压初始模型误差)。通过该高压测试集测试训练后的高压初始模型，获得该训练后的高压初始模型输出的预估出仓时长，根据该高压测试集中各测试样本预估出仓时长和实际出仓时长确定第二误差(该分拣压力阈值下的高压初始模型误差)，确定该分拣压力阈值下的第一误差和第二误差之和。同样的，获得各分拣压力阈值下的中间预估模型的第一误差和第二误差之和，将各分拣压力阈值下的中间预估模型的误差最小的作为最终用于生产的低压预估模型和高压预估模型。
将前述预估模型训练单元104训练的到的低压预估模型和高压预估模型设置在预估单元102中。数据采集单元101接收订单请求，并确定该订单请求的接收时间对应的分拣员数量、待分拣订单数量、天气、温度、货物类型、货物数量、分拣员性别等等分拣信息。数据采集单元101将采集的分拣信息传输至预估单元102中，预估单元102根据该分拣信息确定特征向量，且根据该分拣信息确定分拣压力是否大于分拣压力阈值，若是，则将该特征向量输入高压预估模型，得到高压预估模型输出的预估出仓时长；若否，则将该特征向量输入低压预估模型，得到低压预估模型输出的预估出仓时长。根据该出仓时长和配送的相关信息得到货物送达时间，展示在客户端。另外，需要说明的是，当预估模型未训练完成、预估模型所在服务器宕机则可以启用次级预估方法，获取订单请求的分拣信息中的待分拣订单数量与分拣员数量加1的比值，将该比值与对应时间的历史分拣信息的平均出仓时长相乘得到预估出仓时长。进一步，根据该出仓时长和配送的相关信息得到货物送达时间，展示在客户端。
最后，获取该订单请求的分拣信息和其对应的实际的出仓时长(实际结果)，将该实际结果更新至历史数据库105。
基于此，本申请实施例提供了一种前置仓货物出仓时长预估方法的流程，如图2所示，包括：
步骤201、基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；
此处，订单请求可以是用户在终端上的客户端上购买物品生成的。如，用户在DD买菜客户端上下单萝卜、茄子、猪肉、鱼等物品，则会生成对应的订单信息，客户端根据该订单信息生成订单请求发送至后端，后端接收该订单请求同时存在接收时间。订单请求也可以是用户在网页上购买物品生成的，或者也可以是前置仓之间的货物调配。如，其它前置仓急缺新出的电脑，为了保证销量，向本前置仓下的订单请求，紧急从距离近的本前置仓获取订单请求中的电脑。这里对订单请求生成的方式具体不做限制。
步骤202、确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长。
此处，特征向量可以是根据分拣信息中的分拣特征确定的。如，分拣信息中包含分拣员数量为2、待分拣订单数量为11、天气为晴(特征向量中晴天可以表示为0，雨天可以表示为1，阴天可以表示为2)、温度20℃。则对应的特征向量可以是[2 11 0 20]。这里的特征向量只是一种示例，特征向量中还可以包含获取类型。如，冷藏类货物为1、冷冻类货物为2、常温货物为0等。特征向量中的对应特征的数值还可以做相应的权重计算等。如，[2 11 020]中的分拣员数量权重占40％、待分拣订单数量权重占40％、天气为晴权重占10％、温度20℃权重占10％，[2 11 0 20]对应为[2*40％11*40％0*10％20*10％]。这里对特征向量的具体设置不做限制。
预估模型可以是Xgboost模型或随机深林模型等，这里对预估模型的具体类型不做限制，可以根据需要设置。
上述方法中，预估模型是根据前置仓的历史分拣信息训练得到的。如此，可以获取该仓库历史分拣信息对应的出仓时长情况，增加预估模型的预估结果的稳定性，提高预估结果的准确性。进一步的，通过不同组合特征的历史分拣信息对不同的预估模型的初始模型进行训练，确定各预估模型的误差，将误差最小的预估模型用于生成。如此，进一步获取最能影响出仓时长的分拣信息中的各特征的组合特征，通过这些最能影响出仓时长的分拣信息的特征预估出仓时长，进一步提高出仓时长预估的准确性。相比于现有技术中仅根据分拣压力预估出仓时长不准确，导致分拣资源闲置，或者用户迟迟不能收到购买物品的不良影响来说，本申请预估的出仓时长准确，可以合理使用分拣资源，消除对用户的不良影响。
在上述前置仓货物出仓时长预估方法流程中的步骤202中，将所述特征向量输入预估模型得到出仓时长，包括：根据所述分拣信息确定分拣压力；若所述分拣压力低于分拣压力阈值，则将所述特征向量输入低压预估模型；根据所述低压预估模型得到所述出仓时长；若所述分拣压力不低于所述分拣压力阈值，则将所述特征向量输入高压预估模型；根据所述高压预估模型得到所述出仓时长；所述分拣压力阈值是在得到预估误差最小的组合特征后，对预估误差最小的组合特征对应的模型继续进行训练后得到的。也就是说，预估模型可以分为低压预估模型和高压预估模型，在确定订单请求的分拣信息后，还可以确定分拣信息对应的分拣压力，以确定该分拣信息属于高压分拣或低压分拣，将该分拣信息对应的特征向量输入对应的低压预估模型或高压预估模型。该分拣压力阈值是在得到预估误差最小的组合特征后，对预估误差最小的组合特征对应的模型继续进行训练后得到的，可以准确分流低压分拣的分拣信息特征向量和高压分拣的分拣信息特征向量，将特征向量输入至对其出仓时长预估更准确的低压预估模型或高压预估模型。在一种示例中，低压预估模型可以是低压Xgboost模型，高压预估模型可以是高压Xgboost模型。低压预估模型可以是低压随机深林模型，高压预估模型可以是高压随机森林模型，这里对预估模型的具体类型不做限制。
本申请实施例提供了一种预估模型训练方法，基于上述对前置仓货物出仓时长预估方法流程中步骤202的具体描述中的低压预估模型和所述高压预估模型，所述低压预估模型和所述高压预估模型是通过如下方式训练得到的，包括：在设定的分拣压力阈值下，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的为中间预估模型；其中，所述样本集是根据历史分拣信息构建的；确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型。也就是说，压预估模型和高压预估模型是根据在设定分拣压力阈值下，各组合特征对应的样本集训练的到的中间预估模型中误差最小的中间预估模型得到的。如此，使得生产中的该压预估模型和高压预估模型的组合特征是对出仓时长影响最大的特征组合，提高出仓时长预估的准确性。再确定不同分拣压力阈值下该中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为该低压预估模型和高压预估模型。如此，使得预估模型中的分拣压力阈值也是最能准确将分拣信息分流的分拣压力阈值，进一步提高预估结果的准确度。
基于上述预估模型训练方法，本申请实施例提供了一种预估模型训练方法中获取误差最小的中间预估模型方法，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的中间预估模型，包括：获取历史时段中各时间分片的历史分拣信息；根据所述历史分拣信息确定多种样本集，任意两个样本集对应的分拣信息的组合特征不同；针对每个样本集，根据设定分拣压力阈值将所述样本集分为低压样本集和高压样本集；分别通过所述低压样本集和所述高压样本集训练低压初始模型和高压初始模型；从多组训练后的低压初始模型和训练后的高压初始模型中，确定出预估出仓时长与实际出仓时长误差最小的一组作为中间预估模型。在一种示例中，低压初始模型或高压初始模型对应的预估出仓时长与实际出仓时长误差可以是平均绝对误差和平均绝对误差百分比之和，或平均绝对误差和平均绝对误差百分比的均值等，这里对预估出仓时长与实际出仓时长误差的具体计算方式不做限制。其中，平均绝对误差计算方式可以通过公式获得，σ为平均绝对误差，μ为实际出仓时长，Xi为预估出仓时长，i表示第i个样本。平均绝对误差百分比计算方式可以通过公式
MAPE＝100n∑i＝1n|Ai-Fi|Ai％,获得，MAPE
为平均绝对误差百分比，Ai是实际出仓时长，Fi是预估出仓时长，i表示第i个样本。
基于上述预估模型训练方法，本申请实施例提供了一种预估模型训练方法中根据中间预估模型确定各分拣压力阈值中误差最小的预估模型方法，确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型，包括：针对每个分拣压力阈值，将测试集分为低压测试集和高压测试集；通过所述中间预估模型中的低压初始模型确定所述低压测试集对应的第一误差；通过所述中间预估模型中的高压初始模型确定所述高压测试集对应的第二误差；确定第一误差和第二误差之和最小的分拣压力阈值，从而得到所述低压预估模型和所述高压预估模型。也就是说，确定误差最小的组合特征的中间预估模型后，针对该中间预估模型，确定该中间预估模型在不同的分拣压力阈值下的误差，将误差最小的分拣压力阈值下的中间预估模型作为预估模型(包括低压预估模型和高压预估模型)。这里的误差计算方式，可以与上述计算不同组合特征对应的训练后的低压初始模型和高压初始模型的误差的方式相同或不同，对分拣压力阈值下的中间预估模型的误差计算方式具体不做限制。如，可以是预估出仓时长与实际出仓时长误差可以是平均绝对误差和平均绝对误差百分比之和，或平均绝对误差和平均绝对误差百分比的均值等。
本申请实施例还提供了一种前置仓货物出仓时长预估方法，若所述预估模型处于非工作状态，则通过以下公式预估出仓时长：
(m/n+1)*t
其中，m为分拣信息中的待分拣订单数量，n为分拣信息中的分拣员数量，t为历史分拣信息对应的平均出仓时长。另外，这里的公式还可以包括：(m+1)/n*t、floor((m+1)/n)*t、cell((m+1)/n)*t、floor(m/n+1)*t、cell(m/n+1)*t、(cell(m/n)+1)*t(floor为向下取整函数，cell为向上取整函数)。
本申请实施例还提供了一种特征向量的确定方法，确定所述分拣信息的特征向量，包括：确定所述分拣信息中分拣员数量对应的特征及待分拣订单数量对应的特征；所述历史分拣信息包括各时间片开始时刻时的分拣员数量和待分拣订单数量；所述分拣压力为待分拣订单数量与分拣员数量的比值。也就是说，在一种示例中，上述各方法中的特征向量可以是二维的，包括：分拣员数量对应的特征、待分拣订单数量对应的特征。
基于上述系统架构和各方法，本申请实施例还提供了一种前置仓货物出仓时长预估方法流程，如图3所示，包括：
步骤301、获取历史分拣信息，根据该历史分拣信息确定不同组合特征对应的样本集和测试集。
步骤302、针对每个样本集，根据设定分拣压力阈值，将该样本集分为低压样本集和高压样本集，分别根据低压样本集和高压样本集训练低压初始模型和高压初始模型，得到多组训练后的低压初始模型和训练后的高压初始模型。
步骤303、针对多组训练后的低压初始模型和训练后的高压初始模型中的任一组，确定对应的测试集。
步骤304、确定样本集对应的测试集，根据该设定分拣压力阈值，将该测试集分为低压测试集和高压测试集，根据该低压测试集和高压测试集分别测试该样本集对应的训练后的低压初始模型和训练后的高压初始模型，得到测试误差。
步骤305、将多组训练后的低压初始模型和训练后的高压初始模型中测试误差最小的作为中间预估模型。
步骤306、针对该中间预估模型确定多个分拣压力阈值。
步骤307、针对每个分拣压力阈值，将该测试集分为低压测试集和高压测试集。分别通过该低压测试集和高压测试集测试训练后的低压初始模型和训练后的高压初始模型，得到低压初始模型对应的第一误差和高压初始模型对应的第二误差，确定该分拣压力阈值下的第一误差和第二误差之和。
步骤308、将各分拣压力阈值下的中间预估模型的第一误差和第二误差之和最小的作为低压预估模型和高压预估模型。
步骤309、接收订单请求并确定该订单请求在接收时间对应的分拣信息。
步骤310、确定该分拣信息的分拣压力和特征向量。
步骤311、分拣压力是否大于分拣压力阈值，若是，执行步骤312，若否，执行步骤313。
步骤312、将该特征向量输入高压预估模型，得到高压预估模型输出的预估出仓时长。
步骤313、将该特征向量输入低压预估模型，得到低压预估模型输出的预估出仓时长。
需要说明的是，上述流程步骤并不唯一，如，步骤301至步骤308可以与步骤309至步骤313分开执行。步骤301至步骤308执行一次后，步骤309至步骤313可以多次执行。
基于相同的构思，本申请实施例提供了一种前置仓货物出仓时长预估装置，如图4所示，该前置仓货物出仓时长预估装置，包括：
数据获取模块401，用于基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；
处理模块402，用于确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长。
可选的，所述处理模块402具体用于，根据所述分拣信息确定分拣压力；若所述分拣压力低于分拣压力阈值，则将所述特征向量输入低压预估模型；根据所述低压预估模型得到所述出仓时长；若所述分拣压力不低于所述分拣压力阈值，则将所述特征向量输入高压预估模型；根据所述高压预估模型得到所述出仓时长；所述分拣压力阈值是在得到预估误差最小的组合特征后，对预估误差最小的组合特征对应的模型继续进行训练后得到的。
可选的，所述处理模块402具体用于，在设定的分拣压力阈值下，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的为中间预估模型；其中，所述样本集是根据历史分拣信息构建的；确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型。
可选的，所述处理模块402具体用于，获取历史时段中各时间分片的历史分拣信息；根据所述历史分拣信息确定多种样本集，任意两个样本集对应的分拣信息的组合特征不同；针对每个样本集，根据设定分拣压力阈值将所述样本集分为低压样本集和高压样本集；分别通过所述低压样本集和所述高压样本集训练低压初始模型和高压初始模型；从多组训练后的低压初始模型和训练后的高压初始模型中，确定出预估出仓时长与实际出仓时长误差最小的一组作为中间预估模型。
可选的，所述处理模块402具体用于，针对每个分拣压力阈值，将测试集分为低压测试集和高压测试集；通过所述中间预估模型中的低压初始模型确定所述低压测试集对应的第一误差；通过所述中间预估模型中的高压初始模型确定所述高压测试集对应的第二误差；确定第一误差和第二误差之和最小的分拣压力阈值，从而得到所述低压预估模型和所述高压预估模型。
可选的，所述处理模块402还用于，若所述预估模型处于非工作状态，则通过以下公式预估出仓时长：
(m/n+1)*t
其中，m为分拣信息中的待分拣订单数量，n为分拣信息中的分拣员数量，t为历史分拣信息对应的平均出仓时长。
可选的，所述处理模块402具体用于，确定所述分拣信息的特征向量，包括：确定所述分拣信息中分拣员数量对应的特征及待分拣订单数量对应的特征；所述历史分拣信息包括各时间片开始时刻时的分拣员数量和待分拣订单数量；所述分拣压力为待分拣订单数量与分拣员数量的比值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、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设备上，使得在计算机或其他可编程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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种前置仓货物出仓时长预估方法，其特征在于，所述方法包括：
基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；
确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长；
其中，将所述特征向量输入预估模型得到出仓时长，包括：
根据所述分拣信息确定分拣压力；
若所述分拣压力低于分拣压力阈值，则将所述特征向量输入低压预估模型；根据所述低压预估模型得到所述出仓时长；
若所述分拣压力不低于所述分拣压力阈值，则将所述特征向量输入高压预估模型；根据所述高压预估模型得到所述出仓时长；
所述分拣压力阈值是在得到预估误差最小的组合特征后，对预估误差最小的组合特征对应的模型继续进行训练后得到的;
所述低压预估模型和所述高压预估模型是通过如下方式训练得到的，包括：在设定的分拣压力阈值下，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的为中间预估模型；其中，所述样本集是根据历史分拣信息构建的；确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型。
2.如权利要求1中所述的方法，其特征在于，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的中间预估模型，包括：
获取历史时段中各时间分片的历史分拣信息；
根据所述历史分拣信息确定多种样本集，任意两个样本集对应的分拣信息的组合特征不同；
针对每个样本集，根据设定分拣压力阈值将所述样本集分为低压样本集和高压样本集；分别通过所述低压样本集和所述高压样本集训练低压初始模型和高压初始模型；
从多组训练后的低压初始模型和训练后的高压初始模型中，确定出预估出仓时长与实际出仓时长误差最小的一组作为中间预估模型。
3.如权利要求1中所述的方法，其特征在于，确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型，包括：
针对每个分拣压力阈值，将测试集分为低压测试集和高压测试集；通过所述中间预估模型中的低压初始模型确定所述低压测试集对应的第一误差；
通过所述中间预估模型中的高压初始模型确定所述高压测试集对应的第二误差；确定第一误差和第二误差之和最小的分拣压力阈值，从而得到所述低压预估模型和所述高压预估模型。
4.如权利要求1中所述的方法，其特征在于，若所述预估模型处于非工作状态，则通过以下公式预估出仓时长：
(m/n+1)*t
其中，m为分拣信息中的待分拣订单数量，n为分拣信息中的分拣员数量，t为历史分拣信息对应的平均出仓时长。
5.如权利要求1-4中任一所述的方法，其特征在于，确定所述分拣信息的特征向量，包括：
确定所述分拣信息中分拣员数量对应的特征及待分拣订单数量对应的特征；
所述历史分拣信息包括各时间片开始时刻时的分拣员数量和待分拣订单数量；
所述分拣压力为待分拣订单数量与分拣员数量的比值。
6.一种前置仓货物出仓时长预估装置，其特征在于，应用于如权利要求1至5任一项所述的方法，所述装置包括：
数据获取模块，用于基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；
处理模块，用于确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长；
其中，所述处理模块，具体用于根据所述分拣信息确定分拣压力；若所述分拣压力低于分拣压力阈值，则将所述特征向量输入低压预估模型；根据所述低压预估模型得到所述出仓时长；若所述分拣压力不低于所述分拣压力阈值，则将所述特征向量输入高压预估模型；根据所述高压预估模型得到所述出仓时长；所述分拣压力阈值是在得到预估误差最小的组合特征后，对预估误差最小的组合特征对应的模型继续进行训练后得到的。
7.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至5任一项所述的方法。
8.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至5任一项所述的方法。
CN202210717601.9A 2022-06-23 2022-06-23 一种前置仓货物出仓时长预估方法及装置 Active CN115009744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210717601.9A CN115009744B (zh) 2022-06-23 2022-06-23 一种前置仓货物出仓时长预估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210717601.9A CN115009744B (zh) 2022-06-23 2022-06-23 一种前置仓货物出仓时长预估方法及装置

Publications (2)

Publication Number Publication Date
CN115009744A CN115009744A (zh) 2022-09-06
CN115009744B true CN115009744B (zh) 2024-06-04

Family

ID=83076772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210717601.9A Active CN115009744B (zh) 2022-06-23 2022-06-23 一种前置仓货物出仓时长预估方法及装置

Country Status (1)

Country Link
CN (1) CN115009744B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11126230A (ja) * 1997-10-22 1999-05-11 Hitachi Ltd 資材所要量計画立案方法および装置
JP2005206281A (ja) * 2004-01-20 2005-08-04 Hitachi Ltd オーダー統合制御システム、オーダー統合制御方法、およびオーダー統合制御プログラム
JP2008033851A (ja) * 2006-08-01 2008-02-14 Nec Corp 郵便自動区分機及び郵便自動区分方法
FR3023736A1 (fr) * 2014-07-21 2016-01-22 Solystic Procede pour trier des objets postaux dans un casier de tri avec un denombrement automatique des objets tries
CN105844349A (zh) * 2016-03-21 2016-08-10 上海壹佰米网络科技有限公司 一种订单自动分配方法及系统
CN108876080A (zh) * 2017-05-16 2018-11-23 北京京东尚科信息技术有限公司 信息处理方法和装置
CN108876188A (zh) * 2018-07-05 2018-11-23 阿里巴巴集团控股有限公司 一种间连服务商风险评估方法及装置
CN110110936A (zh) * 2019-05-13 2019-08-09 拉扎斯网络科技（上海）有限公司 订单时长的估计方法、估计装置、存储介质和电子设备
CN110378546A (zh) * 2018-08-09 2019-10-25 北京京东振世信息技术有限公司 用于生成信息的方法和装置
CN110807612A (zh) * 2018-08-06 2020-02-18 北京京东尚科信息技术有限公司 确定剩余产能的方法和装置
CN110909908A (zh) * 2018-09-18 2020-03-24 天津京东深拓机器人科技有限公司 一种用于物品拣选时长预测的方法和装置
CN111144822A (zh) * 2019-12-30 2020-05-12 北京每日优鲜电子商务有限公司 出库时长确定方法、装置、计算机设备及存储介质
CN111612387A (zh) * 2019-02-26 2020-09-01 顺丰科技有限公司 一种流向分配方法、装置、设备和存储介质
CN113487259A (zh) * 2021-07-06 2021-10-08 深圳市通拓信息技术网络有限公司 一种用于电商智能仓储的出库配送方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200272849A1 (en) * 2017-09-05 2020-08-27 Rakuten, Inc. Estimating system, estimating method and program

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11126230A (ja) * 1997-10-22 1999-05-11 Hitachi Ltd 資材所要量計画立案方法および装置
JP2005206281A (ja) * 2004-01-20 2005-08-04 Hitachi Ltd オーダー統合制御システム、オーダー統合制御方法、およびオーダー統合制御プログラム
JP2008033851A (ja) * 2006-08-01 2008-02-14 Nec Corp 郵便自動区分機及び郵便自動区分方法
FR3023736A1 (fr) * 2014-07-21 2016-01-22 Solystic Procede pour trier des objets postaux dans un casier de tri avec un denombrement automatique des objets tries
CN105844349A (zh) * 2016-03-21 2016-08-10 上海壹佰米网络科技有限公司 一种订单自动分配方法及系统
CN108876080A (zh) * 2017-05-16 2018-11-23 北京京东尚科信息技术有限公司 信息处理方法和装置
CN108876188A (zh) * 2018-07-05 2018-11-23 阿里巴巴集团控股有限公司 一种间连服务商风险评估方法及装置
CN110807612A (zh) * 2018-08-06 2020-02-18 北京京东尚科信息技术有限公司 确定剩余产能的方法和装置
CN110378546A (zh) * 2018-08-09 2019-10-25 北京京东振世信息技术有限公司 用于生成信息的方法和装置
CN110909908A (zh) * 2018-09-18 2020-03-24 天津京东深拓机器人科技有限公司 一种用于物品拣选时长预测的方法和装置
CN111612387A (zh) * 2019-02-26 2020-09-01 顺丰科技有限公司 一种流向分配方法、装置、设备和存储介质
CN110110936A (zh) * 2019-05-13 2019-08-09 拉扎斯网络科技（上海）有限公司 订单时长的估计方法、估计装置、存储介质和电子设备
CN111144822A (zh) * 2019-12-30 2020-05-12 北京每日优鲜电子商务有限公司 出库时长确定方法、装置、计算机设备及存储介质
CN113487259A (zh) * 2021-07-06 2021-10-08 深圳市通拓信息技术网络有限公司 一种用于电商智能仓储的出库配送方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
可合流的自动分拣系统订单排序优化;张贻弓;吴耀华;;山东大学学报(工学版)(第05期);第70-74页 *
基于作业负荷提高有效作业率的方法探索;李林;《现代制造技术与装备》;20220425;第58卷(第04期);第34-36页 *
面向物流分拣任务的自主抓取机器人系统;马灼明等;《机械设计与研究》;第35卷(第06期);第10-16页 *

Also Published As

Publication number Publication date
CN115009744A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN110400022B (zh) 自助柜员机现金用量预测方法及装置
US20170300546A1 (en) Method and Apparatus for Data Processing in Data Modeling
CN108764974A (zh) 一种基于深度学习的商品采购量预测方法及装置
CN109598566B (zh) 下单预测方法、装置、计算机设备和计算机可读存储介质
CN108629436B (zh) 一种估算仓库拣货能力的方法和电子设备
CN110069699B (zh) 排序模型训练方法和装置
CN107958297B (zh) 一种产品需求预测方法及产品需求预测装置
CN111291895A (zh) 组合特征评估模型的样本生成和训练方法及装置
CN110689070A (zh) 一种业务预测模型的训练方法及装置
CN104885101A (zh) 包括表征选择的不确定度的基于不完备描述对新总体成员的相似成员的自动选择
CN113269935A (zh) 一种基于无屏称重装置的视觉称重方法及称重系统
CN111680382A (zh) 等级预测模型训练方法、等级预测方法、装置及电子设备
Saha et al. Demand forecasting of a multinational retail company using deep learning frameworks
WO2018182442A1 (en) Machine learning system and method for generating a decision stream and automonously operating device using the decision stream
CN111754261B (zh) 一种车辆出租意愿的评估方法、装置及终端设备
CN115009744B (zh) 一种前置仓货物出仓时长预估方法及装置
CN110826196B (zh) 一种工业设备运行数据的处理方法及装置
CN110851708A (zh) 负样本的抽取方法、装置、计算机设备和存储介质
CN115689245A (zh) 一种用于确定不同场景下骑手的背单量的方法及装置
CN116012086A (zh) 商品价格的评估方法、装置、电子设备及存储介质
CN116029637A (zh) 跨境电商物流渠道智能推荐方法及装置、设备、存储介质
CN105894136A (zh) 一种品类库存量的预测方法和预测装置
CN112396498A (zh) 一种商品推销方法、装置、设备及存储介质
CN110633924B (zh) 用于将商品分仓间存储的方法和系统
CN112232945A (zh) 一种确定个人客户授信的方法及装置

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