CN115222339B - 基于云物流环境下的云仓库数据分析系统及方法 - Google Patents

基于云物流环境下的云仓库数据分析系统及方法 Download PDF

Info

Publication number
CN115222339B
CN115222339B CN202211125916.0A CN202211125916A CN115222339B CN 115222339 B CN115222339 B CN 115222339B CN 202211125916 A CN202211125916 A CN 202211125916A CN 115222339 B CN115222339 B CN 115222339B
Authority
CN
China
Prior art keywords
warehouse
time
cloud
warehousing
goods
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
CN202211125916.0A
Other languages
English (en)
Other versions
CN115222339A (zh
Inventor
胡灏
艾兵
廖璇
李利
岑俊华
杨正文
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.)
Guangdong Guangwu Internet Technology Co ltd
Original Assignee
Guangdong Guangwu Internet 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 Guangdong Guangwu Internet Technology Co ltd filed Critical Guangdong Guangwu Internet Technology Co ltd
Priority to CN202211125916.0A priority Critical patent/CN115222339B/zh
Publication of CN115222339A publication Critical patent/CN115222339A/zh
Application granted granted Critical
Publication of CN115222339B publication Critical patent/CN115222339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于云物流环境下的云仓库数据分析系统及方法，属于云物流技术领域。通过获取历史数据中云仓库的出库时间和云物流的入库时间，建立出库时间分类模型，将实时获取的云物流入库时间按照出库时间分类模型进行出库时间分类；考虑到对于保新和保鲜的货物，如螺纹钢、生肉等容易生锈、腐烂的物品，它们在仓库停留时间较短，需要调整出库时间进行优先出库；根据大数据智能化技术，对任一需要优先出库的非常规货物的出库时间进行调整，从而对出库时间包含的货物进行更新；通过获取更新后的出库时间包含的所有货物的占地面积，得到云仓库实时剩余容纳面积，对云仓库容纳量进行预警，输出预警信息。

Description

基于云物流环境下的云仓库数据分析系统及方法
技术领域
本发明涉及云物流技术领域，具体为基于云物流环境下的云仓库数据分析系统及方法。
背景技术
在云物流环境下，货物的出入库时间都是按照固定性的排单手段进行安排，没有考虑到货物的不同属性对出入库时间的不同要求，缺乏精细化处理；对于一些非常规货物，尤其对于保新和保鲜的货物，如螺纹钢、生肉等容易生锈、腐烂的物品，极易出现商品变质或超出保质期的情况；综上，在云物流环境下，缺乏对出库时间表的预警分析。
发明内容
本发明的目的在于提供基于云物流环境下的云仓库数据分析系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
基于云物流环境下的云仓库数据分析方法，本方法包括以下步骤：
步骤S100：在云仓库智能系统中，获取历史数据中云仓库的出库时间，所述出库时间按照时间顺序依次记录；获取历史数据中每个出库时间对应的所有云物流的入库时间；
步骤S200：根据历史数据中云仓库的不同出库时间和不同出库时间对应的云物流的入库时间，建立云仓库出库时间分类模型，输出出库时间表T；云仓库智能系统设置非常规货物数量阈值，所述非常规货物包括保新和保鲜货物；若存在出库时间表中的非常规货物数量超出设置的非常规货物数量阈值，输出报警信息至云仓库智能系统；
步骤S300：当收到报警信息后，云仓库智能系统构建出库时间调节模型，对出库时间表进行调节，并计算调整后的云仓库剩余容纳面积；
步骤S400：云仓库智能系统建立云仓库预警模型，根据云仓库预警模型，输出预警信息至管理员端口。
进一步的，所述步骤S100中，获取每个出库时间对应的所有云物流的入库时间的具体实施过程包括：
步骤S101：获取K时间范围内历史数据中云仓库的出库时间，根据云仓库的出库时间计算出库时间的期望值和标准差，并且将所述期望值记为
Figure 996625DEST_PATH_IMAGE003
，将所述标准差记为
Figure 128529DEST_PATH_IMAGE004
；
步骤S102：根据出库时间的期望值和标准差建立云仓库的出库时间聚类模型，具体计算公式如下：
Figure 247664DEST_PATH_IMAGE005
其中，
Figure 592057DEST_PATH_IMAGE006
表示云仓库的出库时间，
Figure 355614DEST_PATH_IMAGE007
表示云仓库的出库时间
Figure 533786DEST_PATH_IMAGE006
的聚类函数；
步骤S103：设置云仓库的出库时间聚类阈值
Figure 484424DEST_PATH_IMAGE008
，提取
Figure 898088DEST_PATH_IMAGE009
的所有出库时间，并且将出库时间按照时间顺序依次排成序列生成集合形式，记为
Figure 250572DEST_PATH_IMAGE010
，其中
Figure 848912DEST_PATH_IMAGE011
表示出库时间序列集合对应的第
Figure 818005DEST_PATH_IMAGE012
次出库时间；
对于上游生产商而言，由于市场需求具有季节性、间歇性、滞后性、惯性等波动性的特点，迫使货物的出入库时间也伴随着周期性和连续性的特征；对于偶尔发生的某种商品的爆发需求，表现出来的货物特征是短时间、一次性和不定量的；对于经常发生的某种商品的连续需求，则表现出来的货物特征是长时间、重复性和大量的；而货物在云仓库存储停留的时间是不同的，导致货物的入库时间虽然不同，但是往往出库时间是一样的，通过历史数据中云仓库的出库时间，计算出不同周期时间范围内出库时间的不同发生概率，继而筛选出来云仓库需要的规律性周期性的出库时间，便于云仓库实时监管时将云物流的入库时间按照出库时间进行分类；例如，在云仓库的某个季节或者多个周期内，货物量会明细增加，云仓库会不断地有大量货物需要入库和出库，为防止云仓库容纳量不足，以及对于一些非常规货物，如保新和保鲜货物，为防止出现商品变质或超出保质期，出库时间就会变得连续和频繁，可以通过云仓库智能系统计算能够得到在某个时间出库最频繁；
步骤S104：获取步骤S103中出库时间序列集合中任一次出库时间对应的云物流的入库时间，并且将入库时间生成矩阵形式，所述矩阵形式如下：
Figure 504202DEST_PATH_IMAGE013
其中：
Figure 117717DEST_PATH_IMAGE014
表示第
Figure 231166DEST_PATH_IMAGE015
次出库时间对应的第
Figure 687555DEST_PATH_IMAGE016
次入库时间。
进一步的，步骤S200的具体实施过程包括：
步骤S201：实时获取某一周期的云物流的所有入库时间，并且将实时入库时间按照时间顺序排列生成集合形式，记为
Figure 579374DEST_PATH_IMAGE017
；将实时入库时间集合中任一实时入库时间记为
Figure 906450DEST_PATH_IMAGE018
，且
Figure 456380DEST_PATH_IMAGE019
；
步骤S202：获取实时入库时间
Figure 868907DEST_PATH_IMAGE020
中每一个实时入库时间分别与步骤S104中的入库时间矩阵中的每一个入库时间做差值计算后再取绝对值，具体计算过程如下：
Figure 303431DEST_PATH_IMAGE021
Figure 750593DEST_PATH_IMAGE022
Figure 205845DEST_PATH_IMAGE023
其中，
Figure 495881DEST_PATH_IMAGE024
分别表示实时入库时间
Figure 61991DEST_PATH_IMAGE025
中第
Figure 894818DEST_PATH_IMAGE026
个入库时间的差值；并且将所述差值生成集合形式，记为
Figure 927496DEST_PATH_IMAGE027
；
步骤S203：将所述差值集合
Figure 49036DEST_PATH_IMAGE027
中任一差值对应的矩阵中每一行的数值进行求和，得到任一实时入库时间
Figure 949996DEST_PATH_IMAGE028
的出库时间表贡献值，记为
Figure 106171DEST_PATH_IMAGE029
，并将贡献值生成集合
Figure 559018DEST_PATH_IMAGE030
，其中
Figure 699012DEST_PATH_IMAGE031
，
Figure 606925DEST_PATH_IMAGE032
分别表示第
Figure 24131DEST_PATH_IMAGE033
个的出库时间表贡献值，获取任一实时入库时间
Figure 992087DEST_PATH_IMAGE028
的出库时间表贡献值权重，建立云仓库出库时间分类模型，具体计算公式如下：
Figure 619377DEST_PATH_IMAGE034
其中，
Figure 986774DEST_PATH_IMAGE035
表示任一实时入库时间
Figure 851962DEST_PATH_IMAGE036
对应于出库时间表T的贡献值权重；
将所有出库时间表T的贡献值权重进行从大到小的排序，其中最小贡献值权重对应的出库时间表T作为实时入库时间
Figure 521977DEST_PATH_IMAGE036
所在的出库时间表；
在云物流环境下，综合考虑到云仓库的容纳上限，以及商品交易的截止时间要求，则必须要根据云物流的入库时间，寻找出入库时间与出库时间之间的关联特征，以便对入库时间按照出库时间进行分类；因此有必要根据历史数据中的入库时间与出库时间，将实时发生的云物流入库时间与历史数据中云物流的入库时间进行差值计算，进一步计算出每一个入库时间相对于出库时间表贡献值权重，再根据出库时间表贡献值权重进行出库时间分类；
步骤S204：云仓库智能系统设置非常规货物数量阈值记为A；统计出库时间表中的非常规货物数量记为B；如果B小于A，则不输出报警信息，如果B大于A，则输出报警信息至云仓库智能系统。
进一步的，所述步骤S300中，计算调整后的云仓库剩余容纳面积的具体实施过程包括：
步骤S301：获取任一非常规货物的入库时间和出库时间，将出库时间和入库时间做差值计算，得到任一非常规货物在云仓库的停留存储时长，将停留存储时间记为
Figure 105405DEST_PATH_IMAGE037
；获取任一非常规货物在云仓库的停留最长限制时间，记为
Figure 27225DEST_PATH_IMAGE038
；构建出库时间调节模型，判断非常规货物是否需要优先出库的具体计算公式如下：
Figure 278078DEST_PATH_IMAGE039
Figure 587836DEST_PATH_IMAGE040
为第一判断值，若
Figure 314353DEST_PATH_IMAGE041
，则表示非常规货物不需要优先出库；若
Figure 367759DEST_PATH_IMAGE042
，则表示非常规货物需要优先出库；
步骤302：根据任一需要优先出库的非常规货物的入库时间
Figure 738698DEST_PATH_IMAGE043
和在云仓库的停留最长限制时间
Figure 625883DEST_PATH_IMAGE044
，对任一需要优先出库的非常规货物的出库时间进行调整：
Figure 183903DEST_PATH_IMAGE045
Figure 306580DEST_PATH_IMAGE046
为第二判断值，且
Figure 866DEST_PATH_IMAGE047
，
Figure 573799DEST_PATH_IMAGE048
；获取
Figure 884694DEST_PATH_IMAGE046
最小时对应的出库时间表M，所述出库时间表M即为调整后的优先出库的非常规货物的出库时间表；
步骤S303：获取调整后的每个出库时间表M包含的所有货物占地面积，记为
Figure 279904DEST_PATH_IMAGE049
，其中
Figure 500801DEST_PATH_IMAGE050
表示第
Figure 323263DEST_PATH_IMAGE051
个的出库时间表对应包含的货物占地面积，将任一出库时间表M包含的货物占地面积记为
Figure 121455DEST_PATH_IMAGE052
；计算调整后的云仓库剩余容纳面积，具体计算公式如下：
Figure 976147DEST_PATH_IMAGE053
其中，
Figure 645026DEST_PATH_IMAGE054
表示云仓库的总容纳面积，
Figure 169548DEST_PATH_IMAGE055
表示云仓库剩余容纳面积；
对于一些非常规货物，尤其对于保新和保鲜的货物，如螺纹钢、生肉等容易生锈、腐烂的物品，极易出现商品变质或超出保质期的情况，这些货物在仓库停留的时间较短，根据这些货物的出入库时间，计算得到每个保新和保鲜货物在云仓库的停留存储时间，再根据每个保新和保鲜货物在云仓库的停留最长限制时间，将两个时间进行比较判断出是否需要优先出库。
进一步的，云仓库智能系统建立云仓库预警模型的具体实施过程包括：
步骤S401：获取云仓库的预警值，具体计算公式如下：
Figure 923878DEST_PATH_IMAGE056
其中，
Figure 864152DEST_PATH_IMAGE057
表示云仓库的预警值；
步骤S402：将云仓库智能系统预设参数值记为
Figure 121958DEST_PATH_IMAGE058
，如果
Figure 551802DEST_PATH_IMAGE059
，则输出预警信息至管理员端口；如果
Figure 449220DEST_PATH_IMAGE060
，则不输出预警信息提示。
基于云物流环境下的云仓库数据分析系统，本系统包括：数据采集模块、数据存储模块、出库时间分类模块、出库时间调节模块、云仓库预警模块；
所述数据采集模块，用于获取历史数据中云仓库的出库时间；用于获取每个出库时间对应的所有云物流的入库时间；
所述数据存储模块，用于存储云物流的入库时间和云仓库的出库时间；
所述出库时间分类模块，用于根据云仓库的不同出库时间和不同出库时间对应的云物流的入库时间建立云仓库出库时间分类模型，输出出库时间表；
所述出库时间调节模块，用于对出库时间表进行调节，并计算调整后的云仓库剩余容纳面积；
所述云仓库预警模块，用于根据云仓库剩余容纳面积，对云仓库剩余容纳面积进行实时预警。
进一步的，所述数据采集模块还包括出库时间聚类模型建立单元和出库时间筛选单元；
所述出库时间聚类模型建立单元，用于获取历史数据中云仓库的出库时间；用于获取历史数据中云仓库的出库时间的期望值和标准差；用于根据云仓库的出库时间的期望值和标准差建立出库时间聚类模型；
所述出库时间筛选单元，用于根据云仓库的出库时间聚类模型筛选出云仓库的出库时间；用于获取出库时间对应的云物流的入库时间，并且将入库时间生成矩阵形式。
进一步的，所述出库时间分类模块还包括差值计算单元和出库时间表贡献值权重计算单元；
所述差值计算单元，用于将实时获取的云物流的所有入库时间按照时间顺序排列生成集合形式；用于将实时入库时间与历史数据中的入库时间做差值计算后再取绝对值；
所述出库时间表贡献值权重计算单元，用于根据差值获取实时入库时间的出库时间表贡献值；用于根据实时入库时间的出库时间表贡献值获取实时入库时间的出库时间表贡献值权重；用于根据实时入库时间的出库时间表贡献值权重对实时入库时间进行出库时间分类。
进一步的，所述出库时间调节模块还包括货物占地面积计算单元和云仓库剩余容纳面积计算单元；
所述货物占地面积计算单元，用于获取每个出库时间表包含的所有货物占地面积；
所述云仓库剩余容纳面积计算单元，用于根据每个出库时间表包含的所有货物占地面积，获取云仓库剩余容纳面积。
与现有技术相比，本发明所达到的有益效果是：本发明提供的基于云物流环境下的云仓库数据分析系统及方法中，通过获取历史数据中云仓库的出库时间和每个出库时间对应的所有云物流的入库时间，从而建立云仓库出库时间分类模型，将实时获取的云物流入库时间按照出库时间分类模型进行出库时间分类；考虑到在在云物流环境下，货物的出入库时间都是通过人工进行固定时间安排，没有考虑到货物的不同属性对出入库时间的不同要求，缺乏智能化处理，对于一些非常规货物，尤其对于保新和保鲜的货物，如螺纹钢、生肉等容易生锈、腐烂的物品，极易出现商品变质或超出保质期的情况，它们在仓库停留时间较短，需要调整出库时间进行优先出库；获取任一非常规货物的入库时间和出库时间，将出库时间和入库时间做差值计算，根据差值进一步判断非常规货物是否需要优先出库；再根据任一需要优先出库的非常规货物的入库时间和在云仓库的停留最长限制时间，对任一需要优先出库的非常规货物的出库时间进行调整，从而对出库时间包含的货物进行更新；通过获取更新后的出库时间包含的所有货物的占地面积，得到云仓库实时剩余容纳面积，对云仓库容纳量进行预警，输出预警信息。
附图说明
附图用来提供对本发明的进一步理解，并且且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并且不构成对本发明的限制。在附图中：
图1是本发明基于云物流环境下的云仓库数据分析系统的结构示意图；
图2是本发明基于云物流环境下的云仓库数据分析方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-图2，本发明提供技术方案：
基于云物流环境下的云仓库数据分析方法，该方法包括以下步骤：
步骤S100：在云仓库智能系统中，获取历史数据中云仓库的出库时间，所述出库时间按照时间顺序依次记录；获取历史数据中每个出库时间对应的所有云物流的入库时间；
步骤S200：根据历史数据中云仓库的不同出库时间和不同出库时间对应的云物流的入库时间，建立云仓库出库时间分类模型，输出出库时间表T；云仓库智能系统设置非常规货物数量阈值，所述非常规货物包括保新和保鲜货物；若存在出库时间表中的非常规货物数量超出设置的非常规货物数量阈值，输出报警信息至云仓库智能系统；
步骤S300：当收到报警信息后，云仓库智能系统构建出库时间调节模型，对出库时间表进行调节，并计算调整后的云仓库剩余容纳面积；
步骤S400：云仓库智能系统建立云仓库预警模型，根据云仓库预警模型，输出预警信息至管理员端口。
根据上述方法，所述步骤S100中，获取每个出库时间对应的所有云物流的入库时间的具体实施过程包括：
步骤S101：获取K时间范围内历史数据中云仓库的出库时间，根据云仓库的出库时间计算出库时间的期望值和标准差，并且将所述期望值记为
Figure 724343DEST_PATH_IMAGE062
，将所述标准差记为
Figure 571077DEST_PATH_IMAGE064
；
步骤S102：根据出库时间的期望值和标准差建立云仓库的出库时间聚类模型，具体计算公式如下：
Figure 640664DEST_PATH_IMAGE066
其中，
Figure 369585DEST_PATH_IMAGE068
表示云仓库的出库时间，
Figure 979558DEST_PATH_IMAGE070
表示云仓库的出库时间
Figure 930066DEST_PATH_IMAGE068
的聚类函数；
步骤S103：设置云仓库的出库时间聚类阈值
Figure 701712DEST_PATH_IMAGE072
，提取
Figure 58876DEST_PATH_IMAGE074
的所有出库时间，并且将出库时间按照时间顺序依次排成序列生成集合形式，记为
Figure 941381DEST_PATH_IMAGE076
，其中
Figure 825023DEST_PATH_IMAGE078
表示出库时间序列集合对应的第
Figure 423364DEST_PATH_IMAGE080
次出库时间；
步骤S104：获取步骤S103中出库时间序列集合中任一次出库时间对应的云物流的入库时间，并且将入库时间生成矩阵形式，所述矩阵形式如下：
Figure 861298DEST_PATH_IMAGE082
其中：
Figure 813074DEST_PATH_IMAGE084
表示第
Figure 692168DEST_PATH_IMAGE086
次出库时间对应的第
Figure 805618DEST_PATH_IMAGE088
次入库时间。
根据上述方法，步骤S200的具体实施过程包括：
步骤S201：实时获取某一周期的云物流的所有入库时间，并且将实时入库时间按照时间顺序排列生成集合形式，记为
Figure 262007DEST_PATH_IMAGE090
；将实时入库时间集合中任一实时入库时间记为
Figure 486315DEST_PATH_IMAGE092
，且
Figure 203604DEST_PATH_IMAGE094
；
步骤S202：获取实时入库时间
Figure 19113DEST_PATH_IMAGE096
中每一个实时入库时间分别与步骤S104中的入库时间矩阵中的每一个入库时间做差值计算后再取绝对值，具体计算过程如下：
Figure 431640DEST_PATH_IMAGE098
Figure 866163DEST_PATH_IMAGE100
Figure 47746DEST_PATH_IMAGE102
其中，
Figure 768577DEST_PATH_IMAGE104
分别表示实时入库时间
Figure 668400DEST_PATH_IMAGE106
中第
Figure 890303DEST_PATH_IMAGE108
个入库时间的差值；并且将所述差值生成集合形式，记为
Figure 723130DEST_PATH_IMAGE110
；
步骤S203：将所述差值集合
Figure 83704DEST_PATH_IMAGE110
中任一差值对应的矩阵中每一行的数值进行求和，得到任一实时入库时间
Figure 877348DEST_PATH_IMAGE112
的出库时间表贡献值，记为
Figure 247149DEST_PATH_IMAGE114
，并将贡献值生成集合
Figure 668903DEST_PATH_IMAGE116
，其中
Figure 121750DEST_PATH_IMAGE118
，
Figure 730586DEST_PATH_IMAGE120
分别表示第
Figure 435237DEST_PATH_IMAGE122
个的出库时间表贡献值；获取任一实时入库时间
Figure 445918DEST_PATH_IMAGE124
的出库时间表贡献值权重，建立云仓库出库时间分类模型，具体计算公式如下：
Figure 820399DEST_PATH_IMAGE126
其中，
Figure 447689DEST_PATH_IMAGE128
表示任一实时入库时间
Figure 159293DEST_PATH_IMAGE124
对应于出库时间表T的贡献值权重；
将所有出库时间表T的贡献值权重进行从大到小的排序，其中最小贡献值权重对应的出库时间表T作为实时入库时间
Figure 680273DEST_PATH_IMAGE124
所在的出库时间表；
步骤S204：云仓库智能系统设置非常规货物数量阈值记为A；统计出库时间表中的非常规货物数量记为B；如果B小于A，则不输出报警信息，如果B大于A，则输出报警信息至云仓库智能系统。
根据上述方法，所述步骤S300中，计算调整后的云仓库剩余容纳面积的具体实施过程包括：
步骤S301：获取任一非常规货物的入库时间和出库时间，将出库时间和入库时间做差值计算，得到任一非常规货物在云仓库的停留存储时长，将停留存储时间记为
Figure 350289DEST_PATH_IMAGE130
；获取任一非常规货物在云仓库的停留最长限制时间，记为
Figure 933717DEST_PATH_IMAGE132
；构建出库时间调节模型，判断非常规货物是否需要优先出库的具体计算公式如下：
Figure 589958DEST_PATH_IMAGE134
Figure 106390DEST_PATH_IMAGE136
为第一判断值，若
Figure 416148DEST_PATH_IMAGE138
，则表示非常规货物不需要优先出库；若
Figure 142665DEST_PATH_IMAGE140
，则表示非常规货物需要优先出库；
步骤302：根据任一需要优先出库的非常规货物的入库时间
Figure 196071DEST_PATH_IMAGE142
和在云仓库的停留最长限制时间
Figure 567010DEST_PATH_IMAGE144
，对任一需要优先出库的非常规货物的出库时间进行调整：
Figure 454194DEST_PATH_IMAGE146
Figure 746635DEST_PATH_IMAGE148
为第二判断值，且
Figure 100002_DEST_PATH_IMAGE150
，
Figure 100002_DEST_PATH_IMAGE152
；获取
Figure 790684DEST_PATH_IMAGE148
最小时对应的出库时间表M，所述出库时间表M即为调整后的优先出库的非常规货物的出库时间表；
步骤S303：获取调整后的每个出库时间表M包含的所有货物占地面积，记为
Figure 100002_DEST_PATH_IMAGE154
，其中
Figure 100002_DEST_PATH_IMAGE156
表示第
Figure 100002_DEST_PATH_IMAGE158
个的出库时间表对应包含的货物占地面积，将任一出库时间表M包含的货物占地面积记为
Figure 100002_DEST_PATH_IMAGE160
；计算调整后的云仓库剩余容纳面积，具体计算公式如下：
Figure 100002_DEST_PATH_IMAGE162
其中，
Figure 100002_DEST_PATH_IMAGE164
表示云仓库的总容纳面积，
Figure 100002_DEST_PATH_IMAGE166
表示云仓库剩余容纳面积。
根据上述方法，云仓库智能系统建立云仓库预警模型的具体实施过程包括：
步骤S401：获取云仓库的预警值，具体计算公式如下：
Figure 100002_DEST_PATH_IMAGE168
其中，
Figure 100002_DEST_PATH_IMAGE170
表示云仓库的预警值；
步骤S402：将云仓库智能系统预设参数值记为
Figure 100002_DEST_PATH_IMAGE172
，如果
Figure 100002_DEST_PATH_IMAGE174
，则输出预警信息至管理员端口；如果
Figure DEST_PATH_IMAGE176
，则不输出预警信息提示。
基于云物流环境下的云仓库数据分析系统，该系统包括：数据采集模块、数据存储模块、出库时间分类模块、出库时间调节模块、云仓库预警模块；
所述数据采集模块，用于获取历史数据中云仓库的出库时间；用于获取每个出库时间对应的所有云物流的入库时间；
所述数据存储模块，用于存储云物流的入库时间和云仓库的出库时间；
所述出库时间分类模块，用于根据云仓库的不同出库时间和不同出库时间对应的云物流的入库时间建立云仓库出库时间分类模型，输出出库时间表；
所述出库时间调节模块，用于对出库时间表进行调节，并计算调整后的云仓库剩余容纳面积；
所述云仓库预警模块，用于根据云仓库剩余容纳面积，对云仓库剩余容纳面积进行实时预警。
根据上述系统，所述数据采集模块还包括出库时间聚类模型建立单元和出库时间筛选单元；
所述出库时间聚类模型建立单元，用于获取历史数据中云仓库的出库时间；用于获取历史数据中云仓库的出库时间的期望值和标准差；用于根据云仓库的出库时间的期望值和标准差建立出库时间聚类模型；
所述出库时间筛选单元，用于根据云仓库的出库时间聚类模型筛选出云仓库的出库时间；用于获取出库时间对应的云物流的入库时间，并且将入库时间生成矩阵形式。
根据上述系统，所述出库时间分类模块还包括差值计算单元和出库时间表贡献值权重计算单元；
所述差值计算单元，用于将实时获取的云物流的所有入库时间按照时间顺序排列生成集合形式；用于将实时入库时间与历史数据中的入库时间做差值计算后再取绝对值；
所述出库时间表贡献值权重计算单元，用于根据差值获取实时入库时间的出库时间表贡献值；用于根据实时入库时间的出库时间表贡献值获取实时入库时间的出库时间表贡献值权重；用于根据实时入库时间的出库时间表贡献值权重对实时入库时间进行出库时间分类。
根据上述系统，所述出库时间调节模块还包括货物占地面积计算单元和云仓库剩余容纳面积计算单元；
所述货物占地面积计算单元，用于获取每个出库时间表包含的所有货物占地面积；
所述云仓库剩余容纳面积计算单元，用于根据每个出库时间表包含的所有货物占地面积，获取云仓库剩余容纳面积。
在本实施例的一个示例中，以10家云仓库举例；
获取K时间范围内历史数据中云仓库的出库时间，根据云仓库的出库时间计算出库时间的期望值和标准差；根据出库时间的期望值和标准差建立云仓库的出库时间聚类模型；设置云仓库的出库时间聚类阈值
Figure DEST_PATH_IMAGE178
，提取
Figure DEST_PATH_IMAGE180
的所有出库时间，提取的出库时间有{1日，8日，16日，24日}；获取出库时间{1日，8日，16日，24日}中每一个出库时间对应的云物流的入库时间；
实时获取某一周期的云物流的所有入库时间；将全部实时入库时间中每一个实时入库时间分别与出库时间{1日，8日，16日，24日}中每一个出库时间对应的入库时间做差值计算后再取绝对值；求出每一个实时入库时间的出库时间表贡献值和出库时间表贡献值权重；将贡献值权重进行从大到小的排序，其中最小贡献值权重对应的出库时间作为实时入库时间所在的出库时间表；例如，对于某一个实时入库时间“10日”，它相对于{1日，8日，16日，24日}的权重分别为{0.5，0.2，0.8，0.6}，则该实时入库时间归类为出库时间“8日”；
获取每个非常规货物的入库时间和出库时间，将出库时间和入库时间做差值计算，得到每个非常规货物在云仓库的停留存储时间，将停留存储时间记为
Figure DEST_PATH_IMAGE182
；获取每个非常规货物在云仓库的停留最长限制时间，记为
Figure DEST_PATH_IMAGE184
，例如，“螺纹钢1”的入库时间为“6月1日”，出库时间为“6月16日”，则“螺纹钢1”的仓库停留时间为16天；而“螺纹钢1”的停留最长限制时间为10天，则“螺纹钢1”不能按照分类的出库时间“6月16日”进行出库，需要优先出库；根据任一需要优先出库的非常规货物的入库时间和在云仓库的停留最长限制时间，对任一需要优先出库的非常规货物的出库时间进行调整，例如，根据“螺纹钢1”的入库时间为“6月1日”和停留最长限制时间为10天，得到“螺纹钢1”的调整出库时间为“6月8日”；
例如调整前的每个出库时间包含的所有货物占地面积为{50，20，70，40}；获取调整后的每个出库时间包含的所有货物占地面积，例如，{1日，8日，16日，24日}包含的所有货物占地面积分别为{50，30，60，40}；云仓库的总容纳面积为200，则云仓库剩余容纳面积
Figure DEST_PATH_IMAGE186
；获取云仓库的预警系数值
Figure DEST_PATH_IMAGE188
；设置云仓库的预警系数阈值
Figure DEST_PATH_IMAGE190
，判断
Figure DEST_PATH_IMAGE192
，则表示云仓库暂停存库操作；当出库时间“6月1日”出库结束后，云仓库剩余容纳面积
Figure DEST_PATH_IMAGE194
，云仓库的预警系数值
Figure DEST_PATH_IMAGE196
，判断
Figure DEST_PATH_IMAGE198
，则表示云仓库可以继续存库操作。
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、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并且不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于云物流环境下的云仓库数据分析方法，其特征在于，该方法包括以下步骤：
步骤S100：在云仓库智能系统中，获取历史数据中云仓库的出库时间，所述出库时间按照时间顺序依次记录；获取历史数据中每个出库时间对应的所有云物流的入库时间；
步骤S200：根据历史数据中云仓库的不同出库时间和不同出库时间对应的云物流的入库时间，建立云仓库出库时间分类模型，输出出库时间表T；云仓库智能系统设置非常规货物数量阈值，所述非常规货物包括保新和保鲜货物；若存在出库时间表中的非常规货物数量超出设置的非常规货物数量阈值，输出报警信息至云仓库智能系统；
步骤S300：当收到报警信息后，云仓库智能系统构建出库时间调节模型，对出库时间表进行调节，并计算调整后的云仓库剩余容纳面积；
步骤S400：云仓库智能系统建立云仓库预警模型，根据云仓库预警模型，输出预警信息至管理员端口；
步骤S100中，获取每个出库时间对应的所有云物流的入库时间的具体实施过程包括：
步骤S101：获取K时间范围内历史数据中云仓库的出库时间，根据云仓库的出库时间计算出库时间的期望值和标准差，并且将所述期望值记为
Figure 819664DEST_PATH_IMAGE004
，将所述标准差记为
Figure 387043DEST_PATH_IMAGE006
；
步骤S102：根据出库时间的期望值和标准差建立云仓库的出库时间聚类模型，具体计算公式如下：
Figure 186372DEST_PATH_IMAGE008
其中，
Figure 289850DEST_PATH_IMAGE010
表示云仓库的出库时间，
Figure 782011DEST_PATH_IMAGE012
表示云仓库的出库时间
Figure 571107DEST_PATH_IMAGE010
的聚类函数；
步骤S103：设置云仓库的出库时间聚类阈值
Figure 908547DEST_PATH_IMAGE014
，提取
Figure 722657DEST_PATH_IMAGE016
的所有出库时间，并且将出库时间按照时间顺序依次排成序列生成集合形式，记为
Figure 339715DEST_PATH_IMAGE018
，其中
Figure 396532DEST_PATH_IMAGE020
，
Figure 536000DEST_PATH_IMAGE022
，
Figure 96295DEST_PATH_IMAGE024
，
Figure 680991DEST_PATH_IMAGE026
表示出库时间序列集合对应的第
Figure 959526DEST_PATH_IMAGE028
，
Figure 153615DEST_PATH_IMAGE030
，
Figure 568416DEST_PATH_IMAGE032
，
Figure 324014DEST_PATH_IMAGE034
次出库时间；
步骤S104：获取步骤S103中出库时间序列集合中任一次出库时间对应的云物流的入库时间，并且将入库时间生成矩阵形式，所述矩阵形式如下：
Figure 89845DEST_PATH_IMAGE036
其中：
Figure 824976DEST_PATH_IMAGE038
表示第
Figure 500808DEST_PATH_IMAGE040
次出库时间对应的第
Figure 942153DEST_PATH_IMAGE042
次入库时间；
步骤S200的具体实施过程包括：
步骤S201：实时获取某一周期的云物流的所有入库时间，并且将实时入库时间按照时间顺序排列生成集合形式，记为
Figure 680433DEST_PATH_IMAGE044
；将实时入库时间集合中任一实时入库时间记为
Figure 232637DEST_PATH_IMAGE046
，且
Figure 605719DEST_PATH_IMAGE048
；
步骤S202：获取实时入库时间
Figure 217966DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE052
，
Figure DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE056
中每一个实时入库时间分别与步骤S104中的入库时间矩阵中的每一个入库时间做差值计算后再取绝对值，具体计算过程如下：
Figure DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE064
分别表示实时入库时间
Figure DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE070
中第
Figure DEST_PATH_IMAGE072
，
Figure DEST_PATH_IMAGE074
，
Figure DEST_PATH_IMAGE076
个入库时间的差值；并且将所述差值生成集合形式，记为
Figure DEST_PATH_IMAGE078
；
步骤S203：将差值集合
Figure DEST_PATH_IMAGE080
中任一差值对应的矩阵中每一行的数值进行求和，得到任一实时入库时间
Figure DEST_PATH_IMAGE082
的出库时间表贡献值，记为
Figure DEST_PATH_IMAGE084
，并将贡献值生成集合
Figure DEST_PATH_IMAGE086
，其中
Figure DEST_PATH_IMAGE088
，
Figure DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE092
，
Figure DEST_PATH_IMAGE094
，
Figure DEST_PATH_IMAGE096
分别表示第
Figure DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE100
，
Figure DEST_PATH_IMAGE102
，
Figure DEST_PATH_IMAGE104
个的出库时间表贡献值；获取任一实时入库时间
Figure DEST_PATH_IMAGE106
的出库时间表贡献值权重，建立云仓库出库时间分类模型，具体计算公式如下：
Figure DEST_PATH_IMAGE108
其中，
Figure DEST_PATH_IMAGE110
表示任一实时入库时间
Figure DEST_PATH_IMAGE112
对应于出库时间表T的贡献值权重；
将所有出库时间表T的贡献值权重进行从大到小的排序，其中最小贡献值权重对应的出库时间表T作为实时入库时间
Figure 857589DEST_PATH_IMAGE112
所在的出库时间表；
步骤S204：云仓库智能系统设置非常规货物数量阈值记为A；统计出库时间表中的非常规货物数量记为B；如果B小于A，则不输出报警信息，如果B大于等于A，则输出报警信息至云仓库智能系统；
步骤S300中，计算调整后的云仓库剩余容纳面积的具体实施过程包括：
步骤S301：获取任一非常规货物的入库时间和出库时间，将出库时间和入库时间做差值计算，得到任一非常规货物在云仓库的停留存储时长，将停留存储时间记为
Figure DEST_PATH_IMAGE114
；获取任一非常规货物在云仓库的停留最长限制时间，记为
Figure DEST_PATH_IMAGE116
；构建出库时间调节模型，判断非常规货物是否需要优先出库的具体计算公式如下：
Figure DEST_PATH_IMAGE118
Figure DEST_PATH_IMAGE120
为第一判断值，若
Figure DEST_PATH_IMAGE122
，则表示非常规货物不需要优先出库；若
Figure DEST_PATH_IMAGE124
，则表示非常规货物需要优先出库；
步骤302：根据任一需要优先出库的非常规货物的入库时间
Figure DEST_PATH_IMAGE126
和在云仓库的停留最长限制时间
Figure DEST_PATH_IMAGE128
，对任一需要优先出库的非常规货物的出库时间进行调整：
Figure DEST_PATH_IMAGE130
Figure DEST_PATH_IMAGE132
为第二判断值，且
Figure DEST_PATH_IMAGE134
，
Figure DEST_PATH_IMAGE136
；获取
Figure DEST_PATH_IMAGE138
最小时对应的出库时间表M，所述出库时间表M即为调整后的优先出库的非常规货物的出库时间表；
步骤S303：获取调整后的每个出库时间表M包含的所有货物占地面积，记为
Figure DEST_PATH_IMAGE140
，其中
Figure DEST_PATH_IMAGE142
，
Figure DEST_PATH_IMAGE144
，
Figure DEST_PATH_IMAGE146
，
Figure DEST_PATH_IMAGE148
表示第
Figure DEST_PATH_IMAGE150
，
Figure DEST_PATH_IMAGE152
，
Figure DEST_PATH_IMAGE154
，
Figure DEST_PATH_IMAGE156
个的出库时间表对应包含的货物占地面积，将任一出库时间表M包含的货物占地面积记为
Figure DEST_PATH_IMAGE158
；计算调整后的云仓库剩余容纳面积，具体计算公式如下：
Figure DEST_PATH_IMAGE160
其中，
Figure DEST_PATH_IMAGE162
表示云仓库的总容纳面积，
Figure DEST_PATH_IMAGE164
表示云仓库剩余容纳面积。
2.根据权利要求1所述的基于云物流环境下的云仓库数据分析方法，其特征在于，云仓库智能系统建立云仓库预警模型的具体实施过程包括：
步骤S401：获取云仓库的预警值，具体计算公式如下：
Figure DEST_PATH_IMAGE166
其中，
Figure DEST_PATH_IMAGE168
表示云仓库的预警值；
步骤S402：将云仓库智能系统预设参数值记为
Figure DEST_PATH_IMAGE170
，如果
Figure DEST_PATH_IMAGE172
，则输出预警信息至管理员端口；如果
Figure DEST_PATH_IMAGE174
，则不输出预警信息提示。
3.一种执行如权利要求1-2中任一项的基于云物流环境下的云仓库数据分析方法的基于云物流环境下的云仓库数据分析系统，其特征在于，所述系统包括：数据采集模块、数据存储模块、出库时间分类模块、出库时间调节模块和云仓库预警模块；
所述数据采集模块，用于获取历史数据中云仓库的出库时间；用于获取每个出库时间对应的所有云物流的入库时间；
所述数据存储模块，用于存储云物流的入库时间和云仓库的出库时间；
所述出库时间分类模块，用于根据云仓库的不同出库时间和不同出库时间对应的云物流的入库时间建立云仓库出库时间分类模型，输出出库时间表；
所述出库时间调节模块，用于对出库时间表进行调节，并计算调整后的云仓库剩余容纳面积；
所述云仓库预警模块，用于根据云仓库剩余容纳面积，对云仓库剩余容纳面积进行实时预警。
4.根据权利要求3所述的基于云物流环境下的云仓库数据分析系统，其特征在于：所述数据采集模块还包括出库时间聚类模型建立单元和出库时间筛选单元；
所述出库时间聚类模型建立单元，用于获取历史数据中云仓库的出库时间；用于获取历史数据中云仓库的出库时间的期望值和标准差；用于根据云仓库的出库时间的期望值和标准差建立出库时间聚类模型；
所述出库时间筛选单元，用于根据云仓库的出库时间聚类模型筛选出云仓库的出库时间；用于获取出库时间对应的云物流的入库时间，并且将入库时间生成矩阵形式。
5.根据权利要求3所述的基于云物流环境下的云仓库数据分析系统，其特征在于：所述出库时间分类模块还包括差值计算单元和出库时间表贡献值权重计算单元；
所述差值计算单元，用于将实时获取的云物流的所有入库时间按照时间顺序排列生成集合形式；用于将实时入库时间与历史数据中的入库时间做差值计算后再取绝对值；
所述出库时间表贡献值权重计算单元，用于根据差值获取实时入库时间的出库时间表贡献值；用于根据实时入库时间的出库时间表贡献值获取实时入库时间的出库时间表贡献值权重；用于根据实时入库时间的出库时间表贡献值权重对实时入库时间进行出库时间分类。
6.根据权利要求3所述的基于云物流环境下的云仓库数据分析系统，其特征在于：所述出库时间调节模块还包括货物占地面积计算单元和云仓库剩余容纳面积计算单元；
所述货物占地面积计算单元，用于获取每个出库时间表包含的所有货物占地面积；
所述云仓库剩余容纳面积计算单元，用于根据每个出库时间表包含的所有货物占地面积，获取云仓库剩余容纳面积。
CN202211125916.0A 2022-09-16 2022-09-16 基于云物流环境下的云仓库数据分析系统及方法 Active CN115222339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211125916.0A CN115222339B (zh) 2022-09-16 2022-09-16 基于云物流环境下的云仓库数据分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211125916.0A CN115222339B (zh) 2022-09-16 2022-09-16 基于云物流环境下的云仓库数据分析系统及方法

Publications (2)

Publication Number Publication Date
CN115222339A CN115222339A (zh) 2022-10-21
CN115222339B true CN115222339B (zh) 2023-01-03

Family

ID=83617527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211125916.0A Active CN115222339B (zh) 2022-09-16 2022-09-16 基于云物流环境下的云仓库数据分析系统及方法

Country Status (1)

Country Link
CN (1) CN115222339B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015062343A1 (zh) * 2013-10-31 2015-05-07 深圳市华傲数据技术有限公司 一种基于云平台的物流仓储管理方法及系统
CN107590630A (zh) * 2017-09-15 2018-01-16 郑州云海信息技术有限公司 一种基于云计算的仓库管理系统与方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1017118A (ja) * 1996-07-01 1998-01-20 N K K Plant Kensetsu Kk 自動倉庫における商品の在庫管理方法
CN106897854A (zh) * 2017-02-28 2017-06-27 深圳万发创新进出口贸易有限公司 一种基于云平台的物流仓储管理系统
CN108197878A (zh) * 2018-01-29 2018-06-22 王旖旎 一种跨境电商海外仓精准库存管理系统及方法
CN109146364A (zh) * 2018-07-31 2019-01-04 深圳春沐源控股有限公司 仓库物料管理方法及系统
EP4098588A4 (en) * 2020-01-30 2024-02-07 Murata Machinery Ltd AUTOMATIC WAREHOUSE, METHOD FOR CONTROLLING AN AUTOMATIC WAREHOUSE, PROGRAM AND AUTOMATIC STORAGE SYSTEM
CN113762858A (zh) * 2020-11-24 2021-12-07 北京沃东天骏信息技术有限公司 一种库存管理方法和装置
CN114154931A (zh) * 2021-12-06 2022-03-08 吴旻 一种基于物联网和大数据的仓储管理系统及方法
CN114331284B (zh) * 2021-12-31 2023-02-10 深圳市凯东源现代物流股份有限公司 一种基于云计算的智能仓储服务管理系统
CN114548879B (zh) * 2022-03-01 2023-04-18 连云港电子口岸信息发展有限公司 一种基于云资源的物流数据转换系统及方法
CN114912864A (zh) * 2022-04-13 2022-08-16 嵊州上禾家庭配送有限公司 一种食材仓库管理方法及终端

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015062343A1 (zh) * 2013-10-31 2015-05-07 深圳市华傲数据技术有限公司 一种基于云平台的物流仓储管理方法及系统
CN107590630A (zh) * 2017-09-15 2018-01-16 郑州云海信息技术有限公司 一种基于云计算的仓库管理系统与方法

Also Published As

Publication number Publication date
CN115222339A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
EP3716165A1 (en) Esg criteria-based enterprise evaluation device and operation method thereof
CN112116277A (zh) 一种全链条食品安全大数据采集方法
CN112150237B (zh) 多模型融合的订单逾期预警方法、装置、设备及存储介质
CN112053756A (zh) 基于临床标本检验数据的检验结果质量评价方法及系统
CN110929127A (zh) 一种淘宝直播投放效果分析的方法及计算机设备
CN101830256B (zh) 一种实现汽车整车总装车间均衡化生产的方法及系统
CN115630839A (zh) 一种基于数据挖掘的生产智能反馈调控系统
CN110728525A (zh) 一种网络批量用户投诉的定界处理方法及装置
CN111310803B (zh) 环境数据处理方法和装置
CN112903017A (zh) 一种智慧物流状态信息监控系统及方法
CN116307928A (zh) 一种目标督查督办管理系统
CN115222339B (zh) 基于云物流环境下的云仓库数据分析系统及方法
CN112132343B (zh) 一种商品采购预测方法及系统、可读存储介质
CN116452095B (zh) 一种数字工厂的车辆智能监管调度方法、系统和介质
CN115424106A (zh) 台车检测方法、装置、电子设备及存储介质
CN115409226A (zh) 一种数据处理方法和数据处理系统
CN116205478A (zh) 一种粮食储备风险防控方法及系统
CN114549096A (zh) 一种农产品价格风险预警系统及方法
CN115147010A (zh) 一种基于云计算的企业erp数据分析监管系统及方法
CN114418450A (zh) 一种数据处理方法及装置
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN114119052B (zh) 一种基于大数据的假冒农产品监控方法及系统
CN117688503B (zh) 一种基于移动端的用电安全检查系统
CN117709986B (zh) 一种基于深度学习的农产品生产日期可信溯源方法和系统
CN116523659B (zh) 一种具备实时提醒的金融数据风险监控平台

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