CN116402438A - 一种仓库管理方法与系统 - Google Patents
一种仓库管理方法与系统 Download PDFInfo
- Publication number
- CN116402438A CN116402438A CN202310316579.1A CN202310316579A CN116402438A CN 116402438 A CN116402438 A CN 116402438A CN 202310316579 A CN202310316579 A CN 202310316579A CN 116402438 A CN116402438 A CN 116402438A
- Authority
- CN
- China
- Prior art keywords
- commodity
- commodities
- warehouse
- storage
- popularity
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 10
- 238000000034 method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 6
- 241000190070 Sarracenia purpurea Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明提供一种仓库管理方法与系统,属于数据处理技术领域,具体包括:基于商品的历史订单数据,将相同订单内的与所述商品的存储方式相同的其它商品作为同订单商品并基于其进行关联商品的确定,基于设定时间内的销量数据、预设时间内的销量数据、单笔订单的商品平均金额,采用基于机器学习算法的评估模型,分别得到关联商品的受欢迎度与商品的受欢迎度,并当关联商品的受欢迎度的最大值与商品的受欢迎度的差值的绝对值不大于设定值时,基于仓库的利用率、商品提取平均用时、存储商品种类,分别得到关联商品以及商品的存储仓库的仓库评分值,并将关联商品与商品放置于仓库评分值最大的存储仓库,从而进一步提升了仓储管理和商品提取的效率。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种仓库管理方法与系统。
背景技术
为了实现仓库中的商品的存储位置的管理,提升商品的提取和管理效率,在授权发明专利授权公告号CN107545381B《管理仓库库存的方法和仓库管理系统》中通过获取订单数据,所述订单数据包括商品信息和所属仓库信息;根据订单数据计算任意两个商品的关联性;以及根据商品的关联性和所述仓库信息调整所述仓库库存,从而打破旧有单一的按品类划分方式,最大程度降低“高拆单率”给企业运营带来的成本,但是却存在以下技术问题:
1、未考虑不同商品的存储方式的差异,对于常温保存、冷藏保存、冷冻保存的商品,例如烤箱、冷冻烤翅预制品、锡纸等商品,虽然烤箱有可能与锡纸和冷冻烤翅预制品出现在一个订单的频率很高,但是若将冷冻保存的商品放置于烤箱等可以常温保存的仓库,则会不可避免的会导致商品的变质等问题的出现。
2、未考虑结合商品的历史销量、仓库的利用率、仓库的商品提取用时等进行存储位置的确定,对于存在同一个订单的多个商品且同时存在的次数或者频率大于一定阈值时,若不能结合上述因素实现存储位置的确定,则仓库的利用率和商品提取效率同样会受到影响,严重时甚至会导致某些仓库爆仓,而某些仓库的利用率严重不足。
针对上述技术问题,本发明提供了一种仓库管理方法与系统。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种仓库管理方法。
一种仓库管理方法,其特征在于,具体包括:
S11确定待确认仓库位置的商品,并判断所述商品的设定时间内的销量是否大于预设销量,若是,则进入步骤S12,若否,则将其存储于原始的仓库;
S12基于所述商品的历史订单数据,将相同订单内的与所述商品的存储方式相同的其它商品作为同订单商品,并基于所述同订单商品与所述商品在相同订单内的次数确定是否为关联商品,若是,则将所述同订单产品作为关联商品,并进入步骤S13,若否,则输出商品无关联商品;
S13判断所述关联商品是否均与所述商品位于相同的仓库,若是,则将关联商品以及商品中销量最高的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,若否,则进入步骤S14;
S14基于设定时间内的销量数据、预设时间内的销量数据、单笔订单的商品平均金额,采用基于机器学习算法的评估模型,分别得到所述关联商品的受欢迎度与所述商品的受欢迎度,并判断所述关联商品的受欢迎度的最大值与所述商品的受欢迎度的差值的绝对值是否大于设定值,若是,则将受欢迎度最大的作为主商品,并将所述关联商品以及所述商品放置于所述主商品的存储仓库,若否,则进入步骤S15;
S15基于仓库的利用率、商品提取平均用时、存储商品种类,分别得到所述关联商品的存储仓库的仓库评分值以及所述商品的存储仓库的仓库评分值,并将所述关联商品与所述商品放置于仓库评分值最大的存储仓库。
通过首先进行关联商品的筛选,从而实现了从订单角度出发实现对商品的关联商品的确认,进一步明确了商品与关联商品的关系,为进一步进行仓库管理的优化奠定了基础。
通过将销量最高的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,从而避免了原有的仅仅采用商品的种类进行存储位置的确定的提取效率不高的技术问题,使得提取效率得到进一步提升,并且保证了销量较高的商品的提取效率,保证了整个商品以及关联商品的提取效率。
通过受欢迎度的确认以及设定值的设置,从而实现了从多角度对商品的受欢迎度的评价,保证了受欢迎度较高的主商品的提取效率以及商品、关联商品的存储仓库的优化,提升了整体的提升效率,并且避免了由于受欢迎度相近而采用受欢迎度进行存储仓库确认的不够准确的技术问题,保证了所有商品以及关联商品的提取效率。
通过仓库评分值的确定,从而实现了不同的商品的受欢迎度相近时,从仓库评分制的角度实现对存储仓库的确认,进一步提升了整体的提取效率,保证了更好的存储和提取效率,同时也实现了从多角度对存储仓库的评价,保证了评价结果的准确性和全面性。
另一方面,本申请实施例中提供一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时上述的一种仓库管理方法。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种仓库管理方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种仓库管理方法的流程图;
图2是根据实施例1的进行存储位置的确定的具体步骤的流程图;
图3是根据实施例1的确定关联商品的受欢迎度的具体步骤的流程图;
图4是根据实施例1的商品的存储仓库的仓库评分值构建的具体步骤的流程图。
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实施方式;相反,提供这些实施方式使得本发明将全面和完整,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。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种仓库管理方法,其特征在于,具体包括:
S11确定待确认仓库位置的商品,并判断所述商品的设定时间内的销量是否大于预设销量,若是,则进入步骤S12,若否,则将其存储于原始的仓库;
需要说明的是,设定时间内一般取最近的一年以上的时间,从而可以从一个较长的时间端内的销量对商品的实际销售情况进行确定。
具体的,所述预设销量根据仓库的数量、商品的种类、所有商品的总销量进行确定,其中所述仓库的数量越多、商品的种类越多、所有商品的总销量越大,则所述预设销量越大。
具体的举个例子,当商品的设定时间内的销量为20万个,而预设销量为10万个时,此时进入步骤S12;
S12基于所述商品的历史订单数据,将相同订单内的与所述商品的存储方式相同的其它商品作为同订单商品,并基于所述同订单商品与所述商品在相同订单内的次数确定是否为关联商品,若是,则将所述同订单产品作为关联商品,并进入步骤S13,若否,则输出商品无关联商品;
具体的,所述存储方式包括常温保存、冷藏保存、冷冻保存。
具体的举个例子,若商品为笔记本电脑,相同订单内的商品包括鼠标、键盘、水杯、冰淇淋,则鼠标、键盘、水杯、笔记本电脑的存储方式均为常温保存,则同订单商品为鼠标、键盘、水杯,若鼠标、键盘、水杯与笔记本电脑在相同订单内的次数分别为2万次,1万次,300次,设定量为5000次,则鼠标、键盘则为关联商品。
通过首先进行关联商品的筛选,从而实现了从订单角度出发实现对商品的关联商品的确认,进一步明确了商品与关联商品的关系,为进一步进行仓库管理的优化奠定了基础。
S13判断所述关联商品是否均与所述商品位于相同的仓库,若是,则将关联商品以及商品中销量最高的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,若否,则进入步骤S14;
具体的举个例子,若鼠标、键盘、笔记本电脑均为于相同的仓库,则获取鼠标、键盘、笔记本电脑的销量分别为10万个、5万个、1万台,则将鼠标作为主商品,并将笔记本电脑和键盘均放置在鼠标所位于的存储位置,从而极大的提升整体的提取效率。
具体的,如图2所示,当所述关联商品均与所述商品位于相同的仓库时,进行存储位置的确定的具体步骤为:
S21获取所述关联商品以及所述商品的设定时间内的销量数据,并判断所述关联商品的设定时间内的销量数据的最大值与所述商品的设定时间内的销量数据的差值的绝对值是否大于设定偏差值,若是,则将设定时间内的销量最大的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,若否,则进入步骤S22;
具体的举个例子,若鼠标、键盘、笔记本电脑均为于相同的仓库,则获取鼠标、键盘、笔记本电脑的设定时间内的销量分别为10万个、5万个、1万台,同时10万减去1万等于9万,则设定偏差值为2万,则将鼠标作为主商品,并将笔记本电脑和键盘均放置在鼠标所位于的存储位置,从而极大的提升整体的提取效率。
S22基于所述关联商品与所述商品的预设时间内的销量数据,并判断所述关联商品的预设时间内的销量数据的最大值与所述商品的预设时间内的销量数据的差值的绝对值是否大于短期偏差值,若是,则将预设时间内的销量最大的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,若否,则进入步骤S23;
需要说明的是,预设时间一般取三月以下的时间,从而可以对商品的近期的实际销售情况进行确定。
S23将所述关联商品以及所述商品存储于所述商品所位于的存储位置。
通过设定偏差值、短期偏差值的设置,从而实现了从多角度的销量数据实现对存储位置的确定,保证了最终的存储位置确定的时效性,进一步提升了整体的提取效率,同时也保证了较高的销量的商品或者关联商品能够作为主商品。
通过将销量最高的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,从而避免了原有的仅仅采用商品的种类进行存储位置的确定的提取效率不高的技术问题,使得提取效率得到进一步提升,并且保证了销量较高的商品的提取效率,保证了整个商品以及关联商品的提取效率。
S14基于设定时间内的销量数据、预设时间内的销量数据、单笔订单的商品平均金额,采用基于机器学习算法的评估模型,分别得到所述关联商品的受欢迎度与所述商品的受欢迎度,并判断所述关联商品的受欢迎度的最大值与所述商品的受欢迎度的差值的绝对值是否大于设定值,若是,则将受欢迎度最大的作为主商品,并将所述关联商品以及所述商品放置于所述主商品的存储仓库,若否,则进入步骤S15;
具体的,如图3所示,确定关联商品的受欢迎度的具体步骤为:
S31获取所述关联商品在设定时间内的销量数据,并基于所述关联商品在设定时间内的销量数据确定是否为不受欢迎产品,若是,则进入步骤S32,若否,则进入步骤S33;
具体的举个例子,若关联商品在设定时间内的销量数据为2万,阈值为1万,则直接进入步骤S33;
S32获取所述关联商品在预设时间内的销量数据,并基于所述关联商品在预设时间内的销量数据确定所述关联商品是否属于不受欢迎商品,若是,则所述关联商品的受欢迎度为0,若否,则进入步骤S33;
具体的举个例子,若关联商品在预设时间内的销量数据为5000个,阈值为1000个,则不是不受欢迎产品,则进入步骤S33;
S33基于所述关联商品在设定时间内的销量数据、预设时间内的销量数据、单笔订单的商品平均金额构建输入集,并将所述输入集传输至基于PSO-SVR算法的评估模型中,得到所述关联商品的受欢迎度。
具体的举个例子,所述PSO-SVR算法的评估模型构建的具体步骤为:
步骤1收集数据,将数据集按一定比例分为测试集和训练集,并初步进行窗口化操作。
步骤2采用sklearn库中的MinMaxScaler函数对原始数据进行归一化操作。
步骤3设定粒子群参数,得到粒子的坐标位置和速度。
步骤4从sklearn库中导入SVR预测模型,根据初始粒子的坐标,得到新的核函数半径和惩罚系数;求出粒子的适应度,对个体极值进行更新迭代。
步骤5对比个体粒子的适应度和群体粒子的适应度,若群体粒子的适应度大于个体粒子的适应度,则用个体极值代替群体极值,继续利用式
和
更新粒子的坐标和速度。
步骤6判断终止条件,若满足则停止更新,不满足回到步骤4。
步骤7将最优核函数半径和惩罚系数输入SVR预测模型中,得到优化后的SVR模型。
步骤8利用模型对数据进行预测,得到所述关联商品的受欢迎度。
具体的举个例子,本发明将平均绝对误差、决定系数和均方误差作为模型预测结果的评判标准;平均绝对误差与均方误差的数值越小,代表误差越小,模型的准确率越高;决定系数的值越接近1,代表模型拟合的效果越好,但决定系数只能说明大概的准确率,随着样本数量的增加,数值也会不断的提升,不能说明真正的准确率,故还需配合其他标准进行综合考量。平均绝对误差、均方误差、决定系数的表达式如下:
具体的举个例子,设定PSO相关参数,学习因子C1、C2设置为2,自身权重因子为0.4,种群规模为20,变量约束范围在0~100之间。
具体的举个例子,惯性权重ω体现了粒子继承先前速度的能力。针对PSO算法容易早熟以及算法后期易在全局最优解附近产生振荡现像,本发明提出了一种自适应调整的PSO算法,让ω随着算法的迭代而递减,其具体的计算公式为:
式中:ωmax为惯性权重最大值;ωmin为惯性权重最小值;k为当前迭代次数;Tmax为最大迭代次数;研究表明,当惯性权重ωmax=0.95,ωmin=0.39时算法性能最好。
具体的,所述关联商品的受欢迎度的取值范围在0到1之间,其中所述关联商品的受欢迎度越大,则说明所述关联商品的受欢迎程度越高。
具体的,商品的受欢迎度也通过基于PSO-SVR算法的评估模型进行评估得到。
具体的,在进行所述关联商品的受欢迎度的评估之前,还需要基于所述关联商品的设定时间内的销售金额进行所述关联商品的筛选。
通过受欢迎度的确认以及设定值的设置,从而实现了从多角度对商品的受欢迎度的评价,保证了受欢迎度较高的主商品的提取效率以及商品、关联商品的存储仓库的优化,提升了整体的提升效率,并且避免了由于受欢迎度相近而采用受欢迎度进行存储仓库确认的不够准确的技术问题,保证了所有商品以及关联商品的提取效率。
S15基于仓库的利用率、商品提取平均用时、存储商品种类,分别得到所述关联商品的存储仓库的仓库评分值以及所述商品的存储仓库的仓库评分值,并将所述关联商品与所述商品放置于仓库评分值最大的存储仓库。
通过仓库评分值的确定,从而实现了不同的商品的受欢迎度相近时,从仓库评分制的角度实现对存储仓库的确认,进一步提升了整体的提取效率,保证了更好的存储和提取效率,同时也实现了从多角度对存储仓库的评价,保证了评价结果的准确性和全面性。
具体的,如图4所示,所述商品的存储仓库的仓库评分值构建的具体步骤为:
S41基于所述存储仓库的利用率确定是否余位不足,若是,则输出所述存储仓库的余位不足,无法进行存放,若否,则进入步骤S42;
S42判断所述存储仓库的商品提取平均用时是否大于预设销量,若是,则输出所述存储仓库的提取效率过慢,若否,则进入步骤S43;
S43基于所述存储仓库的利用率、商品提取平均用时、存储商品种类,采用基于SVR算法的预测模型,得到所述商品的存储仓库的仓库评分值。
具体的举个例子,所述商品的存储仓库的仓库评分值的确认的具体步骤如上所示,此处不再进行赘述。
具体的,在进行所述商品的存储仓库的仓库评分值以及所述关联商品的存储仓库的仓库评分值的构建之前,首先进行每个存储仓库中的关联商品以及所述商品的存储种类的数量的确定,当且仅当所述存储仓库的存储种类的数量大于第一数量阈值时,则将所述商品以及所述关联商品均放置于存储种类的数量最大的存储仓库。
具体的举个例子,若存储仓库甲所存储的关联商品以及商品的种类为10个,存储仓库乙所村粗的关联商品以及商品的种类为2个,则将所述商品以及所述关联商品均放置于存储仓库甲中。
实施例2
本申请实施例中提供一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时上述的一种仓库管理方法。
实施例3
本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种仓库管理方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种仓库管理方法,其特征在于,具体包括:
S11确定待确认仓库位置的商品,并判断所述商品的设定时间内的销量是否大于预设销量,若是,则进入步骤S12,若否,则将其存储于原始的仓库;
S12基于所述商品的历史订单数据,将相同订单内的与所述商品的存储方式相同的其它商品作为同订单商品,并基于所述同订单商品与所述商品在相同订单内的次数确定是否为关联商品,若是,则将所述同订单产品作为关联商品,并进入步骤S13,若否,则输出商品无关联商品;
S13判断所述关联商品是否均与所述商品位于相同的仓库,若是,则将关联商品以及商品中销量最高的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,若否,则进入步骤S14;
S14基于设定时间内的销量数据、预设时间内的销量数据、单笔订单的商品平均金额,采用基于机器学习算法的评估模型,分别得到所述关联商品的受欢迎度与所述商品的受欢迎度,并判断所述关联商品的受欢迎度的最大值与所述商品的受欢迎度的差值的绝对值是否大于设定值,若是,则将受欢迎度最大的作为主商品,并将所述关联商品以及所述商品放置于所述主商品的存储仓库,若否,则进入步骤S15;
S15基于仓库的利用率、商品提取平均用时、存储商品种类,分别得到所述关联商品的存储仓库的仓库评分值以及所述商品的存储仓库的仓库评分值,并将所述关联商品与所述商品放置于仓库评分值最大的存储仓库。
2.如权利要求1所述的仓库管理方法,其特征在于,所述预设销量根据仓库的数量、商品的种类、所有商品的总销量进行确定,其中所述仓库的数量越多、商品的种类越多、所有商品的总销量越大,则所述预设销量越大。
3.如权利要求1所述的仓库管理方法,其特征在于,所述存储方式包括常温保存、冷藏保存、冷冻保存。
4.如权利要求1所述的仓库管理方法,其特征在于,当所述关联商品均与所述商品位于相同的仓库时,进行存储位置的确定的具体步骤为:
获取所述关联商品以及所述商品的设定时间内的销量数据,并判断所述关联商品的设定时间内的销量数据的最大值与所述商品的设定时间内的销量数据的差值的绝对值是否大于设定偏差值,若是,则将设定时间内的销量最大的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,若否,则进入下一步骤;
基于所述关联商品与所述商品的预设时间内的销量数据,并判断所述关联商品的预设时间内的销量数据的最大值与所述商品的预设时间内的销量数据的差值的绝对值是否大于短期偏差值,若是,则将预设时间内的销量最大的作为主商品,并将关联商品以及商品放置于所述主商品的存储位置,若否,则进入下一步骤;
将所述关联商品以及所述商品存储于所述商品所位于的存储位置。
5.如权利要求1所述的仓库管理方法,其特征在于,确定关联商品的受欢迎度的具体步骤为:
S31获取所述关联商品在设定时间内的销量数据,并基于所述关联商品在设定时间内的销量数据确定是否为不受欢迎产品,若是,则进入步骤S32,若否,则进入步骤S33;
S32获取所述关联商品在预设时间内的销量数据,并基于所述关联商品在预设时间内的销量数据确定所述关联商品是否属于不受欢迎商品,若是,则所述关联商品的受欢迎度为0,若否,则进入步骤S33;
S33基于所述关联商品在设定时间内的销量数据、预设时间内的销量数据、单笔订单的商品平均金额构建输入集,并将所述输入集传输至基于PSO-SVR算法的评估模型中,得到所述关联商品的受欢迎度。
6.如权利要求5所述的仓库管理方法,其特征在于,所述关联商品的受欢迎度的取值范围在0到1之间,其中所述关联商品的受欢迎度越大,则说明所述关联商品的受欢迎程度越高。
7.如权利要求1所述的仓库管理方法,其特征在于,在进行所述关联商品的受欢迎度的评估之前,还需要基于所述关联商品的设定时间内的销售金额进行所述关联商品的筛选。
8.如权利要求1所述的仓库管理方法,其特征在于,所述商品的存储仓库的仓库评分值构建的具体步骤为:
基于所述存储仓库的利用率确定是否余位不足,若是,则输出所述存储仓库的余位不足,无法进行存放,若否,则进入下一步骤;
判断所述存储仓库的商品提取平均用时是否大于预设销量,若是,则输出所述存储仓库的提取效率过慢,若否,则进入下一步骤;
基于所述存储仓库的利用率、商品提取平均用时、存储商品种类,采用基于SVR算法的预测模型,得到所述商品的存储仓库的仓库评分值。
9.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-8任一项所述的一种仓库管理方法。
10.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8任一项所述的一种仓库管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316579.1A CN116402438B (zh) | 2023-03-29 | 2023-03-29 | 一种仓库管理方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316579.1A CN116402438B (zh) | 2023-03-29 | 2023-03-29 | 一种仓库管理方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402438A true CN116402438A (zh) | 2023-07-07 |
CN116402438B CN116402438B (zh) | 2024-08-13 |
Family
ID=87019178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316579.1A Active CN116402438B (zh) | 2023-03-29 | 2023-03-29 | 一种仓库管理方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402438B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004195047A (ja) * | 2002-12-20 | 2004-07-15 | Dainippon Printing Co Ltd | 商品陳列棚及び商品販売方法 |
CN1656488A (zh) * | 2001-08-17 | 2005-08-17 | 艾克斯佩迪亚公司 | 管理库存的系统和方法 |
CN107545381A (zh) * | 2016-06-24 | 2018-01-05 | 北京京东尚科信息技术有限公司 | 管理仓库库存的方法和仓库管理系统 |
CN107730336A (zh) * | 2016-08-12 | 2018-02-23 | 苏宁云商集团股份有限公司 | 一种在线交易中的商品推送方法及装置 |
CN110443533A (zh) * | 2018-05-02 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 商品分仓入库方法、装置、电子设备及计算机可读介质 |
CN111523918A (zh) * | 2019-02-02 | 2020-08-11 | 北京极智嘉科技有限公司 | 商品聚类的方法、装置、设备和存储介质 |
CN112308496A (zh) * | 2020-11-26 | 2021-02-02 | 深圳赛盒科技有限公司 | 一种移库系统及移库方法 |
CN112348427A (zh) * | 2020-09-16 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 订单处理方法、装置、计算机系统及可读存储介质 |
CN112418565A (zh) * | 2021-01-21 | 2021-02-26 | 苏州牧星智能科技有限公司 | 一种仓储系统的商品上架优化方法、装置及仓储系统 |
CN112950247A (zh) * | 2019-12-11 | 2021-06-11 | 北京沃东天骏信息技术有限公司 | 一种选品方法和装置 |
CN113343570A (zh) * | 2021-06-08 | 2021-09-03 | 陕西科技大学 | 一种考虑拣货单关联性的动态拣货方法和系统 |
CN113435805A (zh) * | 2020-03-23 | 2021-09-24 | 北京京东振世信息技术有限公司 | 物品存储信息确定方法、装置、设备和存储介质 |
CN113657835A (zh) * | 2021-08-23 | 2021-11-16 | 广东云药科技有限公司 | 智慧云仓管理系统 |
WO2023016131A1 (zh) * | 2021-08-09 | 2023-02-16 | 上海聚水潭网络科技有限公司 | 基于仓库全流程协同最优化的智能化布局方法和系统 |
-
2023
- 2023-03-29 CN CN202310316579.1A patent/CN116402438B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1656488A (zh) * | 2001-08-17 | 2005-08-17 | 艾克斯佩迪亚公司 | 管理库存的系统和方法 |
JP2004195047A (ja) * | 2002-12-20 | 2004-07-15 | Dainippon Printing Co Ltd | 商品陳列棚及び商品販売方法 |
CN107545381A (zh) * | 2016-06-24 | 2018-01-05 | 北京京东尚科信息技术有限公司 | 管理仓库库存的方法和仓库管理系统 |
CN107730336A (zh) * | 2016-08-12 | 2018-02-23 | 苏宁云商集团股份有限公司 | 一种在线交易中的商品推送方法及装置 |
CN110443533A (zh) * | 2018-05-02 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 商品分仓入库方法、装置、电子设备及计算机可读介质 |
CN111523918A (zh) * | 2019-02-02 | 2020-08-11 | 北京极智嘉科技有限公司 | 商品聚类的方法、装置、设备和存储介质 |
CN112950247A (zh) * | 2019-12-11 | 2021-06-11 | 北京沃东天骏信息技术有限公司 | 一种选品方法和装置 |
CN113435805A (zh) * | 2020-03-23 | 2021-09-24 | 北京京东振世信息技术有限公司 | 物品存储信息确定方法、装置、设备和存储介质 |
CN112348427A (zh) * | 2020-09-16 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 订单处理方法、装置、计算机系统及可读存储介质 |
CN112308496A (zh) * | 2020-11-26 | 2021-02-02 | 深圳赛盒科技有限公司 | 一种移库系统及移库方法 |
CN112418565A (zh) * | 2021-01-21 | 2021-02-26 | 苏州牧星智能科技有限公司 | 一种仓储系统的商品上架优化方法、装置及仓储系统 |
CN113343570A (zh) * | 2021-06-08 | 2021-09-03 | 陕西科技大学 | 一种考虑拣货单关联性的动态拣货方法和系统 |
WO2023016131A1 (zh) * | 2021-08-09 | 2023-02-16 | 上海聚水潭网络科技有限公司 | 基于仓库全流程协同最优化的智能化布局方法和系统 |
CN113657835A (zh) * | 2021-08-23 | 2021-11-16 | 广东云药科技有限公司 | 智慧云仓管理系统 |
Non-Patent Citations (6)
Title |
---|
孟志青, 段智华: "商业销售分析数据仓库的数据可视化的一种设计", 计算机工程与应用, no. 10, 9 October 2000 (2000-10-09) * |
李珍萍;卜晓奇;陈星艺;: "基于商品关联度的智能仓库储位分配问题研究", 数学的实践与认识, no. 05 * |
郭娟;钱吴永;: "基于粒子群算法的立体仓库货位优化研究", 物流科技, no. 04 * |
郭娟;钱吴永;: "基于粒子群算法的立体仓库货位优化研究", 物流科技, no. 04, 10 April 2020 (2020-04-10) * |
高裴裴主编;赵宏,张伟刚,王恺副主编: "《智能计算技术与应用基础面向新文科》", 31 August 2022, 北京邮电大学出版社 * |
黄育鹏: "规模型公司多品种仓储管理系统的研究", 中国优秀硕士学位论文全文数据库 (信息科技辑) * |
Also Published As
Publication number | Publication date |
---|---|
CN116402438B (zh) | 2024-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8180664B2 (en) | Methods and systems for forecasting with model-based PDF estimates | |
Syntetos et al. | Forecasting intermittent inventory demands: simple parametric methods vs. bootstrapping | |
US20150356576A1 (en) | Computerized systems, processes, and user interfaces for targeted marketing associated with a population of real-estate assets | |
CN108710623B (zh) | 基于时间序列相似性度量的机场离港延误时间预测方法 | |
CN113574554A (zh) | 使用因果模型操作供应链 | |
US7664671B2 (en) | Methods and systems for profile-based forecasting with dynamic profile selection | |
EP3182269A1 (en) | Advisor generating multi-representations of time series data | |
WO2017070555A1 (en) | Systems and methods for pricing optimization with competitive influence effects | |
CN113487359B (zh) | 基于多模态特征的商品销量预测方法、装置及相关设备 | |
CN113570859A (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN111815348A (zh) | 一种基于各门店商品相似度聚类的区域商品生产计划方法 | |
CN111626366A (zh) | 基于运行特征的区域扇区场景相似识别方法 | |
Wang et al. | Short‐Term Traffic Volume Forecasting with Asymmetric Loss Based on Enhanced KNN Method | |
Cui et al. | Clustering and application of grain temperature statistical parameters based on the DBSCAN algorithm | |
CN116402438B (zh) | 一种仓库管理方法与系统 | |
CN116151353A (zh) | 一种序列推荐模型的训练方法和对象推荐方法 | |
CN115841345B (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
CA3160715A1 (en) | Systems and methods for business analytics model scoring and selection | |
CN116992253A (zh) | 与目标业务关联的目标预测模型中超参数的取值确定方法 | |
CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
KR101927317B1 (ko) | 부채 관리 능력 평가 방법 및 장치 | |
CN113222229B (zh) | 一种基于机器学习的非合作无人机轨迹预测方法 | |
CN114297582A (zh) | 基于多探针局部敏感哈希负二项式回归模型的离散计数数据的建模方法 | |
CN113852629A (zh) | 基于自然邻的自适应加权核密度的网络连接异常识别方法及计算机存储介质 | |
US20050021489A1 (en) | Data mining structure |
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 |