CN116596441A - 一种基于云计算的智能仓储服务管理方法及系统 - Google Patents
一种基于云计算的智能仓储服务管理方法及系统 Download PDFInfo
- Publication number
- CN116596441A CN116596441A CN202310549869.0A CN202310549869A CN116596441A CN 116596441 A CN116596441 A CN 116596441A CN 202310549869 A CN202310549869 A CN 202310549869A CN 116596441 A CN116596441 A CN 116596441A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- storage
- data
- state
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 claims abstract description 88
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000007306 turnover Effects 0.000 claims description 47
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010224 classification analysis Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000011535 turnover analysis Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
Abstract
本发明涉及仓储管理的技术领域,特别是涉及一种基于云计算的智能仓储服务管理方法及系统,其提高仓储管理的效率和准确性;所述方法包括:获取货物的仓储信息;筛选并提取仓储信息中货物的关键信息;建立仓储状态分析模型;将关键信息代入至仓储状态分析模型中,得到仓储实时状态;将仓储状态向管理人员进行展示;其中所述仓储状态分析模型与仓库物理隔离,对应不同仓库的仓储状态分析模型集中储存管理。
Description
技术领域
本发明涉及仓储管理的技术领域,特别是涉及一种基于云计算的智能仓储服务管理方法及系统。
背景技术
在互联网购物的飞速发展下,货物仓储服务管理的压力也随之增加,需要管理人员时刻掌握仓库的运行状态,即仓库的库存周转状态,以便于及时调整货物流动。
现有的仓储服务管理大多采用本地管理,即通过扫描仪与电脑配合进行入库出库的简单记录,甚至很多仓库仍采用传统的手工方式,信息化管理工具的应用比较有限,难以准确的掌握仓库的实时运行状态,导致管理效率不高。
发明内容
为解决上述技术问题,本发明提供一种提高仓储管理的效率和准确性的基于云计算的智能仓储服务管理方法及系统。
第一方面,本发明提供了一种基于云计算的智能仓储服务管理方法,所述方法包括:
获取货物的仓储信息;
筛选并提取仓储信息中货物的关键信息;
建立仓储状态分析模型;
将关键信息代入至仓储状态分析模型中,得到仓储实时状态;
将仓储状态向管理人员进行展示;
其中所述仓储状态分析模型与仓库物理隔离,对应不同仓库的仓储状态分析模型集中储存管理。
另一方面,本申请还提供了一种基于云计算的智能仓储服务管理系统,所述系统包括:
数据监测模块,用于监测仓库中货物的仓储信息,并将检测到的仓储信息发送;
数据过滤模块,用于接收数据监测模块发送的仓储信息,筛选、提取仓储信息中的关键信息并发送;
数据分析模块,用于接收数据过滤模块发送的关键信息,并利用预先存储的仓储状态分析模型对关键信息进行分析计算,得到仓储实时状态并发送;
展示模块,用于接收数据分析模块发送的仓储实时状态,并将仓储的实时状态进行可视化展示。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
进一步地,所述关键信息包括仓库容量、进货量、销售量和存储时间,所述仓库容量是根据实时存储货物种类计算得到。
进一步地,建立所述仓储状态分析模型包括以下方法:
确定模型需要分析的仓储状态指标:库存周转率;
获取仓库过往的原始数据中与库存周转率相关的特征变量;
对获取的特征变量进行数据预处理,得到训练数据和测试数据;
选择适合库存周转率分析的机器学习模型;
利用训练数据对选择的机器学习模型进行训练;
利用测试数据对选择的机器学习模型进行评估。
进一步地,所述机器学习模型采用卷积神经网络,所述卷积神经网络分析仓储状态包括以下方法:
对关键信息中不同种类货物的仓库容量、进货量、销售量和存储时间进行数据预处理,得到输入特征;
利用预先设置的卷积层对输入特征进行卷积运算,得到仓储状态特征值;
将仓储状态特征值与预先设置的状态数据库进行比对,得到仓库的实时状态。
进一步地,所述状态数据库中不同的仓库状态对应不同数值宽度的仓储状态特征值。
进一步地,所述机器学习模型采用决策树或支持向量机。
进一步地,所述仓储状态采用数据可视化工具进行展示。
与现有技术相比本发明的有益效果为:通过数据实时监测获取、关键信息提取、机器学习对仓储信息进行分析,精准得出仓库的实时状态,从而提供有用的信息和见解,帮助提高仓储管理的效率和准确性;通过将对应不同仓库的仓储状态分析模型集中储存管理,还能够节省服务器设备成本,便于不同仓库之间的协调管理。
附图说明
图1是本发明的逻辑流程图;
图2是建立仓储状态分析模型的逻辑流程图;
图3是利用卷积神经网络对仓库实时状态分析的逻辑流程图;
图4是对关键信息进行数据预处理的流程图;
图5是对输入特征进行卷积运算的流程图;
图6是基于云计算的智能仓储服务管理系统的模块结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图5所示,本发明的一种基于云计算的智能仓储服务管理方法,所述方法包括:
S1、获取货物的仓储信息;
具体的,货物的仓储信息包括不同种类的货物信息和仓库容量,具体额度货物信息包括:货物名称和编号,标识货物的名称和编号,以便在仓库中进行识别和管理;货物数量:记录货物的数量,以便进行库存管理和补货计划;货物状态:记录货物的状态,例如新品、次品、残次品等,以便进行分类管理和质量控制;货物存放位置:记录货物在仓库中的存放位置,以便快速找到和取出;入库时间:记录货物的入库时间,以便进行库存周转率和存储时间的计算;出库时间:记录货物的出库时间,以便进行销售统计和库存管理;货物来源和去向:记录货物的来源和去向,以便进行供应链管理和跟踪;货物重量和体积:记录货物的重量和体积,以便进行仓库容量规划和物流计划。
上述货物的仓储信息可以通过以下方式进行监测获取:
RFID技术:即射频识别技术可以通过无线电信号识别和跟踪物品;在仓库中,可以使用RFID标签或标签系统来标记货物,并通过RFID读写器进行读取和记录,以实现对货物的实时监测;
手持终端:仓库工作人员可以使用手持终端设备扫描货物的条码或二维码,以记录货物的仓储信息;这些设备可以与仓库管理系统或其他软件集成,以实现实时监测和管理;
视频监控:在仓库中安装视频监控设备可以帮助监测货物的仓储情况;这些设备可以记录货物的存放位置、状态和移动轨迹,以提供实时监测和安全保障。
需要说明的是上述货物的仓储信息以及获取货物仓储信息的方式属于较为典型的内容,具体情况可能因行业、企业等因素而有所不同,但均在本发明的保护范围内。
S2、筛选并提取仓储信息中的关键信息;
具体的,所述关键信息包括仓库容量、进货量、销售量和存储时间等。
其中仓库容量是指仓库能够容纳的货物数量或体积大小,它通常由仓库的实际空间大小、货架、货位等设施以及货物的存储方式和堆放高度等因素决定,仓库容量可以根据货物的种类、大小和数量等因素进行调整和优化,以提高仓库的存储效率和利用率;
进货量是指在一定时间内仓库接收和存储的货物数量,它通常包括从供应商处购买的货物、从生产线上转移的成品、以及从其他仓库或分销中心调拨的货物等;
销售量是指在一定时间内仓库销售出去的货物数量,它通常包括从仓库中直接销售给客户的货物、从仓库中发往分销中心或零售商的货物等;
存储时间是指货物在仓库中存储的时间长短,它通常从货物进入仓库的日期开始计算,到货物出仓库或被处理的日期结束计算;
上述关键信息均与库存周转率相关,能够直接或间接的反应仓库的实时状态;同时其他能够被利用的能够直接或间接的反应仓库实时状态的信息均可作为关键信息。
S3、建立仓储状态分析模型;
S31、确定模型需要分析的仓储状态指标:库存周转率;
S32、获取仓库过往的原始数据中与库存周转率相关的特征变量;具体相关特征变量的类型与S2中关键数据的类型相同,包括仓库容量、进货量、销售量和存储时间;
S33、对S32中获取的特征变量进行数据预处理,得到训练数据和测试数据,所述数据预处理包括数据清洗、数据标准化、数据缩放和数据分割;
具体的,数据清洗是检查数据中是否存在异常值、重复值、缺失值等,对异常值进行处理或剔除;数据标准化是将不同单位的数据转化为同一单位,例如将货物种类转化为数字编码、将库存量和销售量转化为同一时间段的数量;数据缩放是对不同量级的数据进行缩放,以便模型更好地学习特征之间的关系,例如使用最小-最大缩放或标准化缩放等方法;数据分割是将数据划分为训练数据和测试数据,以便对模型进行训练、验证和测试;以上是与库存周转率相关的特征变量的数据预处理的一般步骤,具体实施时可根据实际情况进行调整和完善。
S34、选择适合库存周转率分析的机器学习模型,所述机器学习模型包括决策树、支持向量机、卷积神经网络;
更为具体的,适合库存周转率分析的决策树包括以下几种:CART决策树:CART决策树是一种二叉树结构,可以用于分类和回归分析;在库存周转率分析中,可以将库存周转率作为目标变量,将货物种类、库存量、销售量、存储时间等作为特征变量,建立CART决策树模型,以预测库存周转率;
ID3决策树:ID3决策树是一种基于信息熵的决策树,可以用于分类分析;在库存周转率分析中,可以将库存周转率作为目标变量,将货物种类、库存量、销售量、存储时间等作为特征变量,建立ID3决策树模型,以预测库存周转率;
C4.5决策树:C4.5决策树是一种基于信息增益比的决策树,可以用于分类和回归分析;在库存周转率分析中,可以将库存周转率作为目标变量,将货物种类、库存量、销售量、存储时间等作为特征变量,建立C4.5决策树模型,以预测库存周转率。
适合库存周转率分析的支持向量机可以用于库存周转率的分析;支持向量机可以将库存周转率作为目标变量,将货物种类、库存量、销售量、存储时间等作为特征变量,建立分类模型或回归模型,以预测库存周转率;在支持向量机中,数据被映射到高维空间中,然后找到一个最优的超平面,将不同类别的数据分开;对于库存周转率的分析,可以使用线性支持向量机或非线性支持向量机;线性支持向量机适用于特征之间的关系比较简单的情况,而非线性支持向量机适用于特征之间的关系比较复杂的情况;需要注意的是,在使用支持向量机进行库存周转率分析时,需要对数据进行预处理和特征选择,以提高模型的准确性和可解释性;同时,需要选择合适的核函数和正则化参数,以避免过拟合或欠拟合的问题。
卷积神经网络可以将库存周转率作为目标变量,将货物种类、库存量、销售量、存储时间等作为特征变量,建立分类模型或回归模型,以预测库存周转率;在卷积神经网络中,通过卷积层和池化层的组合,可以提取特征并减少数据维度;对于库存周转率的分析,可以使用一维卷积神经网络,将时间序列数据作为输入,通过卷积和池化操作提取特征,然后使用全连接层进行分类或回归;需要注意的是,在使用卷积神经网络进行库存周转率分析时,需要对数据进行预处理和特征选择,以提高模型的准确性和可解释性;同时,需要选择合适的卷积核大小、池化方式和激活函数,以及调整模型的超参数,以达到最佳的预测效果。
S35、利用S33中得到的训练数据对S34中选择的机器学习模型进行训练;通过调整模型参数,提高模型的准确性和泛化能力。
S36、利用S33中得到的测试数据对S34中选择的机器学习模型进行评估;计算模型的精度、召回率、F1值等指标,评估模型的性能和稳定性;具体的,采用以下模型进行评估:
均方误差:衡量模型预测值与真实值之间的平均差异,MSE越小表示模型性能越好;
均方根误差:均方误差的平方根,均方根误差越小表示模型性能越好;
平均绝对误差:衡量模型预测值与真实值之间的平均绝对差异,平均绝对误差越小表示模型性能越好;
R平方:衡量模型预测值与真实值之间的相关性,R平方越接近1表示模型性能越好;
准确率:对于分类模型,衡量模型正确预测样本的比例,准确率越高表示模型性能越好。
S4、将关键信息代入至仓储状态分析模型中,得出仓储实时状态;
具体的,通过将实时的仓库容量、进货量、销售量和存储时间等关键信息代入至经过训练的适合库存周转率分析的机器学习模型中,其中机器学习模型存储于云端数据中心,通过云端数据中心进行计算分析后,将仓储实时状态结果发送至管理人员手中,能够实现对多个仓储场所的管理,节省设备成本。
更为具体的,以采用卷积神经网络的机器学习模型进行分析,如图3所示,具体包括以下步骤:
S41、对关键信息中不同种类货物的仓库容量、进货量、销售量和存储时间进行数据预处理,得到大小为4*4的输入特征;如图4所示,将关键信息中不同量级的数据进行缩放,以便模型更好地学习特征之间的关系。
S42、利用预先设置的卷积层对输入特征进行卷积运算,得到仓储状态特征值;如图5所示,利用大小为3*3的一级卷积核对输入特征进行步长为1卷积运算,得到2*2的过渡特征,再通过大小为2*2的二级卷积核对过渡特征进行一次运算,即:
(-5*1011)+(3*1283)+(4*418)+(16*381)=-1820
其中,计算得到的-1820即为仓储状态特征值。
其中卷积层的设置根据货物类型的不同、仓库的实际占地面积等影响因素进行调整优化;同时卷积层中卷积核的数量、大小根据货物类型的不同进行调整优化。
S43、将仓储状态特征值与预先设置的状态数据库进行比对,得到仓库的实时状态;其中仓库的实时状态包括短缺状态、低周转状态、平稳状态、高周转状态和短缺状态,各种状态具体如下;
滞销状态:指仓库中的货物长时间未被销售,库存量较高,库存周转率较低;
低周转状态:指仓库中的货物库存周转速度较慢,货物进出不频繁,库存量较高,库存周转率较低;
平稳状态:指仓库中的货物库存周转速度适中,货物进出较为平稳,库存量处于合理水平,库存周转率处于平衡状态;
高周转状态:指仓库中的货物库存周转速度较快,货物进出频繁,库存量较低,库存周转率较高;
短缺状态:指仓库中的货物库存量不足,无法满足客户需求,需要及时补货。
进一步地,所述状态数据库中不同的仓库状态对应不同数值宽度的仓储状态特征值,具体如表1所示:
仓库状态 | 滞销状态 | 低周转状态 | 平稳状态 | 高周转状态 | 短缺状态 |
仓储状态特征值 | <-2000 | -2000~-450 | -451~600 | 601~1800 | >1800 |
表1仓储状态特征对照表
以S42中计算得到的仓储状态特征值为例,-1820位于-2000~-450之间,因此此时的仓库状态为低周转状态。
S5、将仓储状态向管理人员进行展示;
具体的,采用数据可视化工具,如表格、图表、仪表盘等,将仓储状态向管理人员进行展示,以下是一些展示仓储状态的方法:
表格展示:将仓储状态数据以表格形式呈现,包括仓库容量、实时库存、库存利用率、平均存储时间等指标,可以让管理人员快速了解仓库的存货情况和存储效率;
图表展示:使用柱状图、折线图、饼图等图表展示仓储状态数据,可以直观地展示仓库的存货情况和存储效率的变化趋势,帮助管理人员进行决策;
仪表盘展示:使用仪表盘展示仓储状态数据,可以直观地展示仓库的存货情况和存储效率,帮助管理人员快速了解仓库的状态,及时进行调整;
需要说明的是,无论采用何种展示方式,都应该确保数据的准确性和完整性,并根据管理人员的需求和习惯进行定制化展示。
在本实施例中,通过数据实时监测获取、关键信息提取、机器学习对仓储信息进行分析,精准得出仓库的实时状态,从而提供有用的信息和见解,帮助提高仓储管理的效率和准确性;通过将对应不同仓库的仓储状态分析模型集中储存管理,还能够节省设备成本,便于不同仓库之间的协调管理。
实施例二
一种基于云计算的智能仓储服务管理系统,所述系统包括:
数据监测模块,用于监测仓库中货物的仓储信息,并将检测到的仓储信息发送;
数据过滤模块,用于接收数据监测模块发送的仓储信息,筛选、提取仓储信息中的关键信息并发送;
数据分析模块,用于接收数据过滤模块发送的关键信息,并利用预先存储的仓储状态分析模型对关键信息进行分析计算,得到仓储实时状态并发送;
展示模块,用于接收数据分析模块发送的仓储实时状态,并将仓储的实时状态进行可视化展示;
其中,数据监测模块分布于不同的仓库内,数据过滤模块和数据分析模块集成在云端服务器,每个数据分析模块可存储多个仓储状态分析模型,多个仓储状态分析模型相互独立且能够同时进行运算,互不影响;其中每个仓库设置独立的展示模块在本地进行单独显示,同时根据管理需求也可以进行集中显示;各模块之间的数据传输均采用常见的有线或无线进行传输,这里不再赘述。
前述图1实施例一中的基于云计算的智能仓储服务管理方法的各种变化方式和具体实施例同样适用于本实施例的基于云计算的智能仓储服务管理系统,通过前述对基于云计算的智能仓储服务管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于云计算的智能仓储服务管理系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于云计算的智能仓储服务管理方法及系统,其特征在于,所述方法包括:
获取货物的仓储信息;
筛选并提取仓储信息中货物的关键信息;
建立仓储状态分析模型;
将关键信息代入至仓储状态分析模型中,得到仓储实时状态;
将仓储状态向管理人员进行展示;
其中所述仓储状态分析模型与仓库物理隔离,对应不同仓库的仓储状态分析模型集中储存管理。
2.如权利要求1所述的一种基于云计算的智能仓储服务管理方法,其特征在于,所述关键信息包括仓库容量、进货量、销售量和存储时间,所述仓库容量是根据实时存储货物种类计算得到。
3.如权利要求2所述的一种基于云计算的智能仓储服务管理方法,其特征在于,建立所述仓储状态分析模型包括以下方法:
确定模型需要分析的仓储状态指标:库存周转率;
获取仓库过往的原始数据中与库存周转率相关的特征变量;
对获取的特征变量进行数据预处理,得到训练数据和测试数据;
选择适合库存周转率分析的机器学习模型;
利用训练数据对选择的机器学习模型进行训练;
利用测试数据对选择的机器学习模型进行评估。
4.如权利要求3所述的一种基于云计算的智能仓储服务管理方法,其特征在于,所述机器学习模型采用卷积神经网络,所述卷积神经网络分析仓储状态包括以下方法:
对关键信息中不同种类货物的仓库容量、进货量、销售量和存储时间进行数据预处理,得到输入特征;
利用预先设置的卷积层对输入特征进行卷积运算,得到仓储状态特征值;
将仓储状态特征值与预先设置的状态数据库进行比对,得到仓库的实时状态。
5.如权利要求4所述的一种基于云计算的智能仓储服务管理方法,其特征在于,所述状态数据库中不同的仓库状态对应不同数值宽度的仓储状态特征值。
6.如权利要求3所述的一种基于云计算的智能仓储服务管理方法,其特征在于,所述机器学习模型采用决策树或支持向量机。
7.如权利要求1所述的一种基于云计算的智能仓储服务管理方法,其特征在于,所述仓储状态采用数据可视化工具进行展示。
8.一种基于云计算的智能仓储服务管理系统,其特征在于,所述系统包括:
数据监测模块,用于监测仓库中货物的仓储信息,并将检测到的仓储信息发送;
数据过滤模块,用于接收数据监测模块发送的仓储信息,筛选、提取仓储信息中的关键信息并发送;
数据分析模块,用于接收数据过滤模块发送的关键信息,并利用预先存储的仓储状态分析模型对关键信息进行分析计算,得到仓储实时状态并发送;
展示模块,用于接收数据分析模块发送的仓储实时状态,并将仓储的实时状态进行可视化展示。
9.一种基于云计算的智能仓储服务管理电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549869.0A CN116596441A (zh) | 2023-05-16 | 2023-05-16 | 一种基于云计算的智能仓储服务管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549869.0A CN116596441A (zh) | 2023-05-16 | 2023-05-16 | 一种基于云计算的智能仓储服务管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596441A true CN116596441A (zh) | 2023-08-15 |
Family
ID=87611016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310549869.0A Pending CN116596441A (zh) | 2023-05-16 | 2023-05-16 | 一种基于云计算的智能仓储服务管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596441A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114573A (zh) * | 2023-08-23 | 2023-11-24 | 上海朗晖慧科技术有限公司 | 一种基于大数据的仓储时间监管系统及方法 |
CN117172671A (zh) * | 2023-11-01 | 2023-12-05 | 深圳市聚一科技有限公司 | 一种智能企业货物管理方法及系统 |
CN117495026A (zh) * | 2023-11-17 | 2024-02-02 | 汇智智能科技有限公司 | 一种基于物联网的生产线制造运营管理系统 |
CN117557199A (zh) * | 2024-01-03 | 2024-02-13 | 福州冰宇科技有限公司 | 一种基于数学模型的智慧仓储方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657757A (zh) * | 2021-08-17 | 2021-11-16 | 厦门汇银通达数字科技有限公司 | 一种基于机器学习的化工仓储调度优化方法、介质及设备 |
CN218825573U (zh) * | 2022-10-09 | 2023-04-07 | 云南蓝典科技股份有限公司 | 一种基于云计算的物流管理系统 |
-
2023
- 2023-05-16 CN CN202310549869.0A patent/CN116596441A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657757A (zh) * | 2021-08-17 | 2021-11-16 | 厦门汇银通达数字科技有限公司 | 一种基于机器学习的化工仓储调度优化方法、介质及设备 |
CN218825573U (zh) * | 2022-10-09 | 2023-04-07 | 云南蓝典科技股份有限公司 | 一种基于云计算的物流管理系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114573A (zh) * | 2023-08-23 | 2023-11-24 | 上海朗晖慧科技术有限公司 | 一种基于大数据的仓储时间监管系统及方法 |
CN117172671A (zh) * | 2023-11-01 | 2023-12-05 | 深圳市聚一科技有限公司 | 一种智能企业货物管理方法及系统 |
CN117172671B (zh) * | 2023-11-01 | 2024-02-13 | 深圳市聚一科技有限公司 | 一种智能企业货物管理方法及系统 |
CN117495026A (zh) * | 2023-11-17 | 2024-02-02 | 汇智智能科技有限公司 | 一种基于物联网的生产线制造运营管理系统 |
CN117495026B (zh) * | 2023-11-17 | 2024-07-09 | 汇智智能科技有限公司 | 一种基于物联网的生产线制造运营管理系统 |
CN117557199A (zh) * | 2024-01-03 | 2024-02-13 | 福州冰宇科技有限公司 | 一种基于数学模型的智慧仓储方法、系统及存储介质 |
CN117557199B (zh) * | 2024-01-03 | 2024-03-12 | 福州冰宇科技有限公司 | 一种基于数学模型的智慧仓储方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596441A (zh) | 一种基于云计算的智能仓储服务管理方法及系统 | |
Eaves et al. | Forecasting for the ordering and stock-holding of spare parts | |
CN114417954B (zh) | 一种提升食品检测效果的信息处理方法及系统 | |
CN117807377B (zh) | 多维度物流数据挖掘与预测方法及系统 | |
CN116308477A (zh) | 一种大数据场景下的汽配易损件门店进货推荐方法 | |
Sharifi et al. | A lot sizing model for imperfect and deteriorating product with destructive testing and inspection errors | |
Keung et al. | A machine learning predictive model for shipment delay and demand forecasting for warehouses and sales data | |
Cobb | Estimating cycle time and return rate distributions for returnable transport items | |
US11182761B2 (en) | Information technology equipment replacement calculation systems and methods | |
CN114444997A (zh) | 一种基于供应链管理的智能化仓储系统 | |
CN117010942B (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
CN116522180A (zh) | 一种基于K-means算法的分析模型生成方法及系统 | |
CN112581181A (zh) | 申报价格的异常挖掘方法、装置、电子设备及可读介质 | |
JP2001134643A (ja) | 需要予測装置及び需要予測方法 | |
CN116308494A (zh) | 供应链需求预测方法 | |
CN116485313A (zh) | 一种基于大数据的仓储物流电商商品监测管理方法 | |
CN115062687A (zh) | 企业信用监控方法、装置、设备及存储介质 | |
CN113298291A (zh) | 快递件量预测方法、装置、设备及存储介质 | |
CN113743752A (zh) | 一种数据处理方法及装置 | |
US20070240121A1 (en) | System for evaluating component value | |
CN111260295A (zh) | 一种物品管理分析方法及系统 | |
Nikitin et al. | Spare Parts Sales Forecasting for Mining Equipment: Methods Analysis and Evaluation | |
CN117093916B (zh) | 基于物联网技术的pos机智能化监控系统 | |
CN117933882B (zh) | 一种基于物联网的智能物流系统 | |
CN116610681B (zh) | 多维表格的数据处理方法、装置、设备及计算机程序 |
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 |