CN116611769A - 订单聚合方法、装置、计算机设备及存储介质 - Google Patents
订单聚合方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116611769A CN116611769A CN202310886963.5A CN202310886963A CN116611769A CN 116611769 A CN116611769 A CN 116611769A CN 202310886963 A CN202310886963 A CN 202310886963A CN 116611769 A CN116611769 A CN 116611769A
- Authority
- CN
- China
- Prior art keywords
- order
- wave
- goods
- orders
- grouping
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004220 aggregation Methods 0.000 title claims abstract description 49
- 230000002776 aggregation Effects 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 22
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect 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
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了订单聚合方法、装置、计算机设备及存储介质。所述方法包括：获取待聚合订单；对所述待聚合订单进行分组，以得到分组结果；对所述分组结果按照同品订单进行过滤，并生成第一波次；将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次；对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。通过实施本发明实施例的方法可实现生成的波次订单相似货品更加集中，拣货也更加集中，大大减少拣选货物的工作量，增加仓储工作效率。
Description
技术领域
本发明涉及订单处理方法，更具体地说是指订单聚合方法、装置、计算机设备及存储介质。
背景技术
目前由于电商行业的快速发展，在电商仓储时会实时流入大量的订单信息，仓库系统会根据库存信息和订单需求进行拣货，而电商仓库内存放商品多，订单量大货品杂，导致单个拣选订单非常困难。目前电商仓库会针对这种现状会采用先将不同的订单聚合成一个波次，然后仓库人员对这个波次进行统一拣货，最后将统一拣货的商品按订单分成包裹通过物流发货。
在所有仓储环节中，拣货是最占时间和人力成本的工作，合理优化拣货效率，将会大大提高整个仓储环节发货的效率。但目前的订单聚合生成的波次只是纯粹对订单进行累计，生成的波次货品分散，拣货人员需要花大量时间才能捡完波次内要发货的货品，给仓储作业带来极大的不便，造成分配不均作业效率不高。
因此，有必要设计一种新的方法，实现生成的波次订单相似货品更加集中，拣货也更加集中，大大减少拣选货物的工作量，增加仓储工作效率。
发明内容
本发明的目的在于克服现有技术的缺陷，提供订单聚合方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：订单聚合方法，包括：
获取待聚合订单；
对所述待聚合订单进行分组，以得到分组结果；
对所述分组结果按照同品订单进行过滤，并生成第一波次；
将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次；
对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。
其进一步技术方案为：所述获取待聚合订单，包括：
确定拣货波次策略；
从待作业订单池里筛选出满足拣货波次策略的订单，以得到筛选结果；
将所述筛选结果按照拣货货位分配策略分配仓库库位，以得到待聚合订单。
其进一步技术方案为：所述对所述分组结果按照同品订单进行过滤，并生成第一波次，包括：
对所述分组结果的每组订单进行按照同品订单进行过滤，以得到过滤结果；
按照拣货波次策略设置的波次容量将对所述过滤结果的同品订单生成第一波次。
其进一步技术方案为：所述将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次，包括：
将过滤后剩余的分组结果每个订单的明细编号进行排序，并放入列表中；
将过滤后剩余的分组结果每个订单的货品明细放入所述列表中，以得到原始数据；
确定设定货品阈值；
对所述原始数据按照明细编号出现频率降序排序，并筛选出出现次数小于设定货品阈值的原始数据，以得到第一中间数据；
将所述第一中间数据按照明细编号出现频率升序排序，以得到第二中间数据；
构建频繁模式树；
将第二中间数据插入到所述频繁模式树中；
对所述频繁模式树挖掘频繁项集；
根据所述原始数据中的每个订单明细进行排序，并构建出每个订单的一维货品编号矩阵；
对所述频繁项集按照频繁项出现频率进行倒序排序，并筛选包含所述频繁项集的货品组合的订单，以得到中间订单集合；
按照所述中间订单集合中的订单相似度生成第二波次。
其进一步技术方案为：所述对所述频繁模式树挖掘频繁项集，包括：
遍历所述频繁模式树的项头表依次挖掘，找到每项的条件模式基，以得到子树；
将所述子树中每个节点的计数设置为叶子节点的计数，并删除计数低于设定货品阈值的节点，以递归挖掘所有节点，以得到频繁项集。
其进一步技术方案为：所述按照所述中间订单集合中的订单相似度生成第二波次，包括：
随机选取所述订单集合中的一个订单，以得到样本订单；
以所述样本订单的一维货品编号矩阵与其他订单的一维货品编号矩阵相乘，以得到两个订单一致的货品数；
将两个订单一致的货品数除以样本订单的货品数，以得到两个订单之间的相似度；
将相似度大于设定值的订单按照策略设置的容量进行切分，以生成第二波次。
其进一步技术方案为：所述对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次，包括：
对生成所述第二波次之后剩余的分组结果按照货架-通道-库区按照范围依次从小到大进行分组，并按照波次容量进行过滤切分，以得到第三波次。
本发明还提供了订单聚合装置，包括：
订单获取单元，用于获取待聚合订单；
分组单元，用于对所述待聚合订单进行分组，以得到分组结果；
过滤单元，用于对所述分组结果按照同品订单进行过滤，并生成第一波次；
第二生成单元，用于将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次；
第三生成单元，用于对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过对待聚合订单进行分组，先按照同品订单过滤分组结果，生成第一波次，再对剩下的分组结果采用频繁模式树算法按照相似度计算第二波次，对于剩下的分组结果再按照货架-通道-库区进行切分，实现生成的波次订单相似货品更加集中，拣货也更加集中，大大减少拣选货物的工作量，增加仓储工作效率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的订单聚合方法的应用场景示意图；
图2为本发明实施例提供的订单聚合方法的流程示意图；
图3为本发明实施例提供的订单聚合方法的子流程示意图；
图4为本发明实施例提供的订单聚合方法的子流程示意图；
图5为本发明实施例提供的订单聚合方法的子流程示意图；
图6为本发明实施例提供的订单聚合方法的子流程示意图；
图7为本发明实施例提供的订单聚合方法的子流程示意图；
图8为本发明实施例提供的订单聚合装置的示意性框图；
图9为本发明实施例提供的订单聚合装置的订单获取单元的示意性框图；
图10为本发明实施例提供的订单聚合装置的过滤单元的示意性框图；
图11为本发明实施例提供的订单聚合装置的第二生成单元的示意性框图；
图12为本发明实施例提供的订单聚合装置的挖掘子单元的示意性框图；
图13为本发明实施例提供的订单聚合装置的第二波次生成子单元的示意性框图；
图14为本发明实施例提供的计算机设备的示意性框图；
图15为本发明实施例提供的祖先节点处理的示意图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的订单聚合方法的应用场景示意图。图2为本发明实施例提供的订单聚合方法的示意性流程图。该订单聚合方法应用于服务器，该服务器与终端进行数据交互，从终端获取待作业订单，并进行筛选，确定待聚合订单，对待聚合订单进行分组，在同品订单过滤，过滤后剩余的订单采用频繁模式树算法生成第二波次，在对不能生成第二波次的订单再次处理，形成第三波次，实现生成的波次订单相似货品更加集中，拣货也更加集中，大大减少拣选货物的工作量，增加仓储工作效率。
图2是本发明实施例提供的订单聚合方法的流程示意图。如图2所示，该方法包括以下步骤S110至S150。
S110、获取待聚合订单。
在本实施例中，待聚合订单是指需要进行聚合和拣货的订单。
在一实施例中，请参阅图3，上述的步骤S110可包括步骤S111~ S113。
S111、确定拣货波次策略。
在本实施例中，拣货波次策略包括拣货的订单数量、具体款式等内容。
S112、从待作业订单池里筛选出满足拣货波次策略的订单，以得到筛选结果。
在本实施例中，待作业订单池是指囊括了所有待作业的所有订单的集合。
筛选结果是指符合拣货波次策略的订单。
S113、将所述筛选结果按照拣货货位分配策略分配仓库库位，以得到待聚合订单。
在本实施例中，拣货货位分配策略是指订单的货位分配的策略。
S120、对所述待聚合订单进行分组，以得到分组结果。
在本实施例中，分组结果是指按照同货品等类别进行分组形成的结果。
具体地，将待聚合订单按照拣货波次策略设置的分组条件进行分组，如相同物流/相同渠道/相同平台。
S130、对所述分组结果按照同品订单进行过滤，并生成第一波次。
在本实施例中，第一波次是指按照同品订单过滤后的订单。
在一实施例中，请参阅图4，上述的步骤S130可包括步骤S131~S132。
S131、对所述分组结果的每组订单进行按照同品订单进行过滤，以得到过滤结果。
在本实施例中，过滤结果是指按订单货品明细完全一致作为标准过滤出一致的订单，同品订单的判定是通过判断货品id和数量按照md5加密的信息串是否一致。
S132、按照拣货波次策略设置的波次容量将对所述过滤结果的同品订单生成第一波次。
在本实施例中，按照拣货波次策略设置的波次容量n（即每个波次内的订单数量）将同品订单生成第一波次。
S140、将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次。
在本实施例中，第二波次是指对相似度符合要求的订单生成的拣货波次。
在一实施例中，请参阅图5，上述的步骤S140可包括步骤S140a~ S140k。
S140a、将过滤后剩余的分组结果每个订单的明细编号进行排序，并放入列表中。
在本实施例中，过滤后剩余的分组结果每个订单的明细编号按照从大到小的顺序进行排序后，放入列表transaction中。
S140b、将过滤后剩余的分组结果每个订单的货品明细放入所述列表中，以得到原始数据。
在本实施例中，原始数据是指每个订单的货品明细放入的列表transaction中，形成的分析货品的原始数据。
S140c、确定设定货品阈值。
在本实施例中，设定货品阈值是指货品的最优阈值。
S140d、对所述原始数据按照明细编号出现频率降序排序，并筛选出出现次数小于设定货品阈值的原始数据，以得到第一中间数据。
在本实施例中，第一中间数据是指出现次数小于设定货品阈值的原始数据。
S140e、将所述第一中间数据按照明细编号出现频率升序排序，以得到第二中间数据。
在本实施例中，第二中间数据是指第一中间数据按照明细编号出现频率升序排序后形成的数据集合。
S140f、构建频繁模式树。
在本实施例中，频繁模式树是指用于确认订单彼此之间的相似度的算法。
S140g、将第二中间数据插入到所述频繁模式树中。
在本实施例中，构建FP-Tree，依序读取第二中间数据，并按照顺序依次插入到频繁模式树中。如果有公共的祖先节点，则在对应的祖先节点加1。同时，新节点出现时，需要将其链接到项表头对应的节点链表，直到所有数据都插入树中，则完成构建频繁模式树。
S140h、对所述频繁模式树挖掘频繁项集。
在本实施例中，频繁项集是指第二中间数据中频繁出现的项集即频繁出现的订单。
在一实施例中，请参阅图6，上述的步骤S140h可包括步骤S140h1~步骤S140h2。
S140h1、遍历所述频繁模式树的项头表依次挖掘，找到每项的条件模式基，以得到子树。
在本实施例中，遍历项头表依次挖掘，找到每项的条件模式基；条件模式基是以要挖掘的节点作为叶子节点所对应的子树。
S140h2、将所述子树中每个节点的计数设置为叶子节点的计数，并删除计数低于设定货品阈值的节点，以递归挖掘所有节点，以得到频繁项集。
在本实施例中，将子树中每个节点的计数设置为叶子节点的计数，并删除计数低于最优阈值的节点。从这个条件模式基，就可以递归挖掘得到频繁项集，依次循环获取所有的频繁项集。
S140i、根据所述原始数据中的每个订单明细进行排序，并构建出每个订单的一维货品编号矩阵。
在本实施例中，一维货品编号矩阵是指每个订单的1行1列的货品编号。
S140j、对所述频繁项集按照频繁项出现频率进行倒序排序，并筛选包含所述频繁项集的货品组合的订单，以得到中间订单集合。
在本实施例中，中间订单集合是指将获取到的频繁项集按照出现频率进行倒序排序后，并确定包含这个频繁项集的货品组合的订单。
S140k、按照所述中间订单集合中的订单相似度生成第二波次。
在一实施例中，请参阅图7，上述的步骤S140k可包括步骤S140k1~ S140k4。
S140k1、随机选取所述订单集合中的一个订单，以得到样本订单；
S140k2、以所述样本订单的一维货品编号矩阵与其他订单的一维货品编号矩阵相乘，以得到两个订单一致的货品数；
S140k3、将两个订单一致的货品数除以样本订单的货品数，以得到两个订单之间的相似度；
S140k4、将相似度大于设定值的订单按照策略设置的容量进行切分，以生成第二波次。
具体地，随机取这批订单集合里的一个订单作为样本，以此订单明细矩阵与其他订单明细矩阵相乘得到两个订单一致的货品数，再除以样本订单的货品数得到两个订单之间的相似度，将相似度大于50%的订单按照策略设置的容量进行切分生成第二波次。
S150、对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。
对于不能生成第一波次和第二波次的分组结果进行处理，具体地，对生成所述第二波次之后剩余的分组结果按照货架-通道-库区按照范围依次从小到大进行分组，并按照波次容量进行过滤切分，以得到第三波次。
举例如下：订单池存在一批订单待聚合订单。
拣货波次策略：可设置每个波次订单数量，可设置订单过滤条件如货品种类/数量/订单付款时间/地址/标记等信息；
首先通过设置好的拣货波次策略对待聚合订单池中筛选出特定的满足条件的订单放入待生成波次订单池s1,s2,s3,s4,s5,…，这些订单明细已通过拣货货位分配策略分配好具体的货位。
接着待生成波次订单池按照拣货波次策略设置的分组条件如相同物流/相同渠道/相同平台进行分组g1,g2,g3,…。
以上通过自主设置的策略按照客户意愿对待生成波次订单池完成第一次分组，接着对每一组订单进行聚合，循环每一组订单按照拣货波次策略设置的波次订单容量n生成波次：
首先按照同品订单（订单信息已提前通过货品唯一标识id和数量按照md5加密组成信息串goodsMd5）进行分组，将goodsMd5信息一样的订单进行分组，这类订单的货品信息一致，分配的货位也是一致的，可以集中拣货。将分组好的订单按照容量n切分，将达到n的订单依次加入待生成波次池，这部分订单为第一波次；
剩下的订单需要首先根据FP-Growth算法获取订单中出现组合次数达到最优阈值的货品组合；
例：以下以5单为例，最优阈值定位0.3，那么支持度 = 订单数量 * 最优阈值 =1.5，即货品组合次数出现的次数要大于1.5，如表1所示。
表1 5个订单
| 订单 | 货品编号（排序好） |
| S1 | [a,c,d,f,g] |
| S2 | [a,b,c] |
| S3 | [b,f,j,o] |
| S4 | [b,c,s] |
| S5 | [a,c,n,p] |
扫描原始数据，并对每个货品进行计数，留下货品次数大于1.5的货品：c:4 a:3b:3 f:2；
开始第二次处理货品数据，对于每条数据，剔除不满足次数的的商品，并按照支持度降序排列，如表2所示。
表2 按照支持度降序排列结果
| 订单 | 货品编号（排序好） | 货品编号（过滤后） |
| S1 | [a,c,d,f,g] | [c,a,f] |
| S2 | [a,b,c] | [c,a,b] |
| S3 | [b,f,j,o] | [b,f] |
| S4 | [b,c,s] | [c,b] |
| S5 | [a,c,n,p] | [c,a] |
接下来构建FP-Tree,建立FP-Tree需要一条条的读取筛选排序后的原始数据，并按照顺序依次插入到树中。如果有公共的祖先节点，则在对应的祖先节点加1，如图15所示。最后获取到频繁项集货品组合为c,a : 3 c,b:2；根据获取的频繁项集按照次数倒序开始按照相似度处理；相似度处理，将订单的货品编号全部组合排序a b c d f；为每个订单构建1维（1行5列）货品矩阵,将发货单所在的货品矩阵的所拥有的货品位置置1，如表3所示。
表3 订单详情
| 订单 | 货品编号（过滤后） | 货品矩阵[a b c d f] |
| S1 | [c,a,f] | [1 0 1 0 1] |
| S2 | [c,a,b] | [1 1 1 0 0] |
| S3 | [b,f] | [0 1 0 0 1] |
| S4 | [c,b] | [0 1 1 0 0] |
| S5 | [c,a] | [1 0 1 0 0] |
首先筛选出包含频繁项集最高的货品组合(c a)的订单 s1 s2 s5,取货品种类数最多的订单作为样本订单，这里就取s1作为样本订单，s2,s3分别与s1的货品矩阵相乘，s1与s2相乘相同的货品数量为2，与s2的货品数量之比相似度为66.6%，s1与s3相乘相同的货品数量为2，与s3的货品数量之比相似度为100%，获取到两个订单之间相同的货品，将相似度大于50%的放在待生成波次池，按照波次策略设置的容量n去生成波次，依次循环剩下的频繁项集按照5去生成波次，这部分订单为第二波次。
对于不能生成第一波次和第二波次的分组结果进行处理，具体地，对生成所述第二波次之后剩余的分组结果按照货架-通道-库区按照拣货范围依次从小到大进行分组，并按照波次容量n进行过滤切分，以得到第三波次。
本实施例的方法利用智能拣货波次策略可以筛选出符合各种要求的特定的订单集合，再利用FP-growth算法结合最优阈值获取到频繁项集即频繁出现的货品组合，通过获取的频繁项集结合明细矩阵算法进一步筛选订单使其拥有相似货品组合的订单集中，最后将订单货品分配的库位按照其通道—库区—货架—货位进行分组规划，这样生成的波次订单相似货品更加集中，拣货也更加集中，大大减少拣选货物的工作量，增加仓储工作效率。
运用FP-growth算法结合当前智能拣货波次相关策略，先通过数据模拟获取每一用户最优阈值，以此确定计算批量订单中是否含有相同货品，且按照货品相似程度较高的形成频繁项集；利用该频繁项集批量查询订单确定包含频繁项集的所有订单作为样本池，利用订单明细矩阵算法对样本池的订单进行进一步的相似度分析比较，将相似度较高的候选订单聚合后按照波次策略智能分组生成批量订单波次。当出现批量订单货品零散分布，即无法获取最优频繁项集或算法冷处理阶段，通过将资源池中所有订单货品分配货位所属通道-库区形式加以分组后，针对每分组内订单货品之间进行相似度算法计算再次生成波次。采用层次聚类算法生成的拣货波次，促使波次订单货品聚集、相似程度较高，有效提升仓间订单拣货效率。
上述的订单聚合方法，通过对待聚合订单进行分组，先按照同品订单过滤分组结果，生成第一波次，再对剩下的分组结果采用频繁模式树算法按照相似度计算第二波次，对于剩下的分组结果再按照货架-通道-库区进行切分，实现生成的波次订单相似货品更加集中，拣货也更加集中，大大减少拣选货物的工作量，增加仓储工作效率。
图8是本发明实施例提供的一种订单聚合装置300的示意性框图。如图8所示，对应于以上订单聚合方法，本发明还提供一种订单聚合装置300。该订单聚合装置300包括用于执行上述订单聚合方法的单元，该装置可以被配置于服务器中。具体地，请参阅图8，该订单聚合装置300包括订单获取单元301、分组单元302、过滤单元303、第二生成单元304以及第三生成单元305。
订单获取单元301，用于获取待聚合订单；分组单元302，用于对所述待聚合订单进行分组，以得到分组结果；过滤单元303，用于对所述分组结果按照同品订单进行过滤，并生成第一波次；第二生成单元304，用于将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次；第三生成单元305，用于对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。
在一实施例中，如图9所示，所述订单获取单元301包括策略确定子单元3011、订单筛选子单元3012以及分配子单元3013。
策略确定子单元3011，用于确定拣货波次策略；订单筛选子单元3012，用于从待作业订单池里筛选出满足拣货波次策略的订单，以得到筛选结果；分配子单元3013，用于将所述筛选结果按照拣货货位分配策略分配仓库库位，以得到待聚合订单。
在一实施例中，如图10所示，所述过滤单元303包括订单过滤子单元3031以及第一波次生成子单元3032。
订单过滤子单元3031，用于对所述分组结果的每组订单进行按照同品订单进行过滤，以得到过滤结果；第一波次生成子单元3032，用于按照拣货波次策略设置的波次容量将对所述过滤结果的同品订单生成第一波次。
在一实施例中，如图11所示，所述第二生成单元304包括第一排序子单元3041、第一放入子单元3042、阈值确定子单元3043、第二排序子单元3044、第三排序子单元3045、构建子单元3046、插入子单元3047、挖掘子单元3048、第四排序子单元3049、第五排序子单元30410以及第二波次生成子单元30411。
第一排序子单元3041，用于将过滤后剩余的分组结果每个订单的明细编号进行排序，并放入列表中；第一放入子单元3042，用于将过滤后剩余的分组结果每个订单的货品明细放入所述列表中，以得到原始数据；阈值确定子单元3043，用于确定设定货品阈值；第二排序子单元3044，用于对所述原始数据按照明细编号出现频率降序排序，并筛选出出现次数小于设定货品阈值的原始数据，以得到第一中间数据；第三排序子单元3045，用于将所述第一中间数据按照明细编号出现频率升序排序，以得到第二中间数据；构建子单元3046，用于构建频繁模式树；插入子单元3047，用于将第二中间数据插入到所述频繁模式树中；挖掘子单元3048，用于对所述频繁模式树挖掘频繁项集；第四排序子单元3049，用于根据所述原始数据中的每个订单明细进行排序，并构建出每个订单的一维货品编号矩阵；第五排序子单元30410，用于对所述频繁项集按照频繁项出现频率进行倒序排序，并筛选包含所述频繁项集的货品组合的订单，以得到中间订单集合；第二波次生成子单元30411，用于按照所述中间订单集合中的订单相似度生成第二波次。
在一实施例中，如图12所示，所述挖掘子单元3048包括遍历模块30481以及设置模块30482。
遍历模块30481，用于遍历所述频繁模式树的项头表依次挖掘，找到每项的条件模式基，以得到子树；设置模块30482，用于将所述子树中每个节点的计数设置为叶子节点的计数，并删除计数低于设定货品阈值的节点，以递归挖掘所有节点，以得到频繁项集。
在一实施例中，如图13所示，所述第二波次生成子单元30411包括选取模块304111、相乘模块304112、相除模块304113以及切分模块304114。
选取模块304111，用于随机选取所述订单集合中的一个订单，以得到样本订单；相乘模块304112，用于以所述样本订单的一维货品编号矩阵与其他订单的一维货品编号矩阵相乘，以得到两个订单一致的货品数；相除模块304113，用于将两个订单一致的货品数除以样本订单的货品数，以得到两个订单之间的相似度；切分模块304114，用于将相似度大于设定值的订单按照策略设置的容量进行切分，以生成第二波次。
在一实施例中，所述第三生成单元305，用于对生成所述第二波次之后剩余的分组结果按照货架-通道-库区按照范围依次从小到大进行分组，并按照波次容量进行过滤切分，以得到第三波次。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述订单聚合装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述订单聚合装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图14所示的计算机设备上运行。
请参阅图14，图14是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图14，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种订单聚合方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种订单聚合方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取待聚合订单；对所述待聚合订单进行分组，以得到分组结果；对所述分组结果按照同品订单进行过滤，并生成第一波次；将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次；对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。
在一实施例中，处理器502在实现所述获取待聚合订单步骤时，具体实现如下步骤：
确定拣货波次策略；从待作业订单池里筛选出满足拣货波次策略的订单，以得到筛选结果；将所述筛选结果按照拣货货位分配策略分配仓库库位，以得到待聚合订单。
在一实施例中，处理器502在实现所述对所述分组结果按照同品订单进行过滤，并生成第一波次步骤时，具体实现如下步骤：
对所述分组结果的每组订单进行按照同品订单进行过滤，以得到过滤结果；按照拣货波次策略设置的波次容量将对所述过滤结果的同品订单生成第一波次。
在一实施例中，处理器502在实现所述将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次步骤时，具体实现如下步骤：
将过滤后剩余的分组结果每个订单的明细编号进行排序，并放入列表中；将过滤后剩余的分组结果每个订单的货品明细放入所述列表中，以得到原始数据；确定设定货品阈值；对所述原始数据按照明细编号出现频率降序排序，并筛选出出现次数小于设定货品阈值的原始数据，以得到第一中间数据；将所述第一中间数据按照明细编号出现频率升序排序，以得到第二中间数据；构建频繁模式树；将第二中间数据插入到所述频繁模式树中；对所述频繁模式树挖掘频繁项集；根据所述原始数据中的每个订单明细进行排序，并构建出每个订单的一维货品编号矩阵；对所述频繁项集按照频繁项出现频率进行倒序排序，并筛选包含所述频繁项集的货品组合的订单，以得到中间订单集合；按照所述中间订单集合中的订单相似度生成第二波次。
在一实施例中，处理器502在实现所述对所述频繁模式树挖掘频繁项集步骤时，具体实现如下步骤：
遍历所述频繁模式树的项头表依次挖掘，找到每项的条件模式基，以得到子树；将所述子树中每个节点的计数设置为叶子节点的计数，并删除计数低于设定货品阈值的节点，以递归挖掘所有节点，以得到频繁项集。
在一实施例中，处理器502在实现所述按照所述中间订单集合中的订单相似度生成第二波次步骤时，具体实现如下步骤：
随机选取所述订单集合中的一个订单，以得到样本订单；以所述样本订单的一维货品编号矩阵与其他订单的一维货品编号矩阵相乘，以得到两个订单一致的货品数；将两个订单一致的货品数除以样本订单的货品数，以得到两个订单之间的相似度；将相似度大于设定值的订单按照策略设置的容量进行切分，以生成第二波次。
在一实施例中，处理器502在实现所述对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次步骤时，具体实现如下步骤：
对生成所述第二波次之后剩余的分组结果按照货架-通道-库区按照范围依次从小到大进行分组，并按照波次容量进行过滤切分，以得到第三波次。
应当理解，在本申请实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取待聚合订单；对所述待聚合订单进行分组，以得到分组结果；对所述分组结果按照同品订单进行过滤，并生成第一波次；将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次；对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取待聚合订单步骤时，具体实现如下步骤：
确定拣货波次策略；从待作业订单池里筛选出满足拣货波次策略的订单，以得到筛选结果；将所述筛选结果按照拣货货位分配策略分配仓库库位，以得到待聚合订单。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述分组结果按照同品订单进行过滤，并生成第一波次步骤时，具体实现如下步骤：
对所述分组结果的每组订单进行按照同品订单进行过滤，以得到过滤结果；按照拣货波次策略设置的波次容量将对所述过滤结果的同品订单生成第一波次。
在一实施例中，所述处理器在执行所述计算机程序而实现所述将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次步骤时，具体实现如下步骤：
将过滤后剩余的分组结果每个订单的明细编号进行排序，并放入列表中；
将过滤后剩余的分组结果每个订单的货品明细放入所述列表中，以得到原始数据；
确定设定货品阈值；对所述原始数据按照明细编号出现频率降序排序，并筛选出出现次数小于设定货品阈值的原始数据，以得到第一中间数据；将所述第一中间数据按照明细编号出现频率升序排序，以得到第二中间数据；构建频繁模式树；将第二中间数据插入到所述频繁模式树中；对所述频繁模式树挖掘频繁项集；根据所述原始数据中的每个订单明细进行排序，并构建出每个订单的一维货品编号矩阵；对所述频繁项集按照频繁项出现频率进行倒序排序，并筛选包含所述频繁项集的货品组合的订单，以得到中间订单集合；按照所述中间订单集合中的订单相似度生成第二波次。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述频繁模式树挖掘频繁项集步骤时，具体实现如下步骤：
遍历所述频繁模式树的项头表依次挖掘，找到每项的条件模式基，以得到子树；将所述子树中每个节点的计数设置为叶子节点的计数，并删除计数低于设定货品阈值的节点，以递归挖掘所有节点，以得到频繁项集。
在一实施例中，所述处理器在执行所述计算机程序而实现所述按照所述中间订单集合中的订单相似度生成第二波次步骤时，具体实现如下步骤：
随机选取所述订单集合中的一个订单，以得到样本订单；以所述样本订单的一维货品编号矩阵与其他订单的一维货品编号矩阵相乘，以得到两个订单一致的货品数；将两个订单一致的货品数除以样本订单的货品数，以得到两个订单之间的相似度；将相似度大于设定值的订单按照策略设置的容量进行切分，以生成第二波次。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次步骤时，具体实现如下步骤：
对生成所述第二波次之后剩余的分组结果按照货架-通道-库区按照范围依次从小到大进行分组，并按照波次容量进行过滤切分，以得到第三波次。
所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元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，或者该技术方案的全部或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，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.订单聚合方法，其特征在于，包括：
获取待聚合订单；
对所述待聚合订单进行分组，以得到分组结果；
对所述分组结果按照同品订单进行过滤，并生成第一波次；
将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次；
对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。
2.根据权利要求1所述的订单聚合方法，其特征在于，所述获取待聚合订单，包括：
确定拣货波次策略；
从待作业订单池里筛选出满足拣货波次策略的订单，以得到筛选结果；
将所述筛选结果按照拣货货位分配策略分配仓库库位，以得到待聚合订单。
3.根据权利要求1所述的订单聚合方法，其特征在于，所述对所述分组结果按照同品订单进行过滤，并生成第一波次，包括：
对所述分组结果的每组订单进行按照同品订单进行过滤，以得到过滤结果；
按照拣货波次策略设置的波次容量将对所述过滤结果的同品订单生成第一波次。
4.根据权利要求1所述的订单聚合方法，其特征在于，所述将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次，包括：
将过滤后剩余的分组结果每个订单的明细编号进行排序，并放入列表中；
将过滤后剩余的分组结果每个订单的货品明细放入所述列表中，以得到原始数据；
确定设定货品阈值；
对所述原始数据按照明细编号出现频率降序排序，并筛选出出现次数小于设定货品阈值的原始数据，以得到第一中间数据；
将所述第一中间数据按照明细编号出现频率升序排序，以得到第二中间数据；
构建频繁模式树；
将第二中间数据插入到所述频繁模式树中；
对所述频繁模式树挖掘频繁项集；
根据所述原始数据中的每个订单明细进行排序，并构建出每个订单的一维货品编号矩阵；
对所述频繁项集按照频繁项出现频率进行倒序排序，并筛选包含所述频繁项集的货品组合的订单，以得到中间订单集合；
按照所述中间订单集合中的订单相似度生成第二波次。
5.根据权利要求4所述的订单聚合方法，其特征在于，所述对所述频繁模式树挖掘频繁项集，包括：
遍历所述频繁模式树的项头表依次挖掘，找到每项的条件模式基，以得到子树；
将所述子树中每个节点的计数设置为叶子节点的计数，并删除计数低于设定货品阈值的节点，以递归挖掘所有节点，以得到频繁项集。
6.根据权利要求4所述的订单聚合方法，其特征在于，所述按照所述中间订单集合中的订单相似度生成第二波次，包括：
随机选取所述订单集合中的一个订单，以得到样本订单；
以所述样本订单的一维货品编号矩阵与其他订单的一维货品编号矩阵相乘，以得到两个订单一致的货品数；
将两个订单一致的货品数除以样本订单的货品数，以得到两个订单之间的相似度；
将相似度大于设定值的订单按照策略设置的容量进行切分，以生成第二波次。
7.根据权利要求1所述的订单聚合方法，其特征在于，所述对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次，包括：
对生成所述第二波次之后剩余的分组结果按照货架-通道-库区按照范围依次从小到大进行分组，并按照波次容量进行过滤切分，以得到第三波次。
8.订单聚合装置，其特征在于，包括：
订单获取单元，用于获取待聚合订单；
分组单元，用于对所述待聚合订单进行分组，以得到分组结果；
过滤单元，用于对所述分组结果按照同品订单进行过滤，并生成第一波次；
第二生成单元，用于将过滤后剩余的分组结果按照相似度结合频繁模式树算法生成第二波次；
第三生成单元，用于对生成所述第二波次之后剩余的分组结果进行处理，以得到第三波次。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886963.5A CN116611769A (zh) | 2023-07-19 | 2023-07-19 | 订单聚合方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886963.5A CN116611769A (zh) | 2023-07-19 | 2023-07-19 | 订单聚合方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116611769A true CN116611769A (zh) | 2023-08-18 |
Family
ID=87683913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310886963.5A Pending CN116611769A (zh) | 2023-07-19 | 2023-07-19 | 订单聚合方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116611769A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292701A (zh) * | 2017-05-25 | 2017-10-24 | 北京小度信息科技有限公司 | 订单分组方法和装置 |
| US20180107695A1 (en) * | 2016-10-19 | 2018-04-19 | Futurewei Technologies, Inc. | Distributed fp-growth with node table for large-scale association rule mining |
| CN110533350A (zh) * | 2018-05-23 | 2019-12-03 | 菜鸟智能物流控股有限公司 | 一种拣选单生成方法及装置 |
| CN110807616A (zh) * | 2019-10-29 | 2020-02-18 | 上海悦易网络信息技术有限公司 | 拣货方法及设备 |
| US20200226505A1 (en) * | 2019-01-14 | 2020-07-16 | Fuji Xerox Co., Ltd. | Optimized parts pickup list and routes for efficient manufacturing using frequent pattern mining and visualization |
| CN111523977A (zh) * | 2020-04-23 | 2020-08-11 | 北京京东振世信息技术有限公司 | 波次订单集合的创建方法、装置、计算设备和介质 |
| CN111612391A (zh) * | 2020-04-02 | 2020-09-01 | 杭州电子科技大学 | 基于FP-growth的物流拣选设备商品摆放方法 |
| CN111932188A (zh) * | 2020-09-25 | 2020-11-13 | 南京梦饷网络科技有限公司 | 用于库存管理的方法、电子设备和存储介质 |
| CN112100483A (zh) * | 2020-08-07 | 2020-12-18 | 西安工程大学 | 一种融合用户兴趣权重的关联规则推荐方法 |
| CN113222511A (zh) * | 2021-05-17 | 2021-08-06 | 上海中通吉网络技术有限公司 | 一种跨境电商仓储波次的构建方法 |
| CN113344667A (zh) * | 2021-06-07 | 2021-09-03 | 北京京东振世信息技术有限公司 | 订单分配方法、装置、设备及存储介质 |
| CN115796747A (zh) * | 2023-01-06 | 2023-03-14 | 成都九洲电子信息系统股份有限公司 | 一种基于销售情况的分拣暂存区分配方法 |
-
2023
- 2023-07-19 CN CN202310886963.5A patent/CN116611769A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180107695A1 (en) * | 2016-10-19 | 2018-04-19 | Futurewei Technologies, Inc. | Distributed fp-growth with node table for large-scale association rule mining |
| CN107292701A (zh) * | 2017-05-25 | 2017-10-24 | 北京小度信息科技有限公司 | 订单分组方法和装置 |
| CN110533350A (zh) * | 2018-05-23 | 2019-12-03 | 菜鸟智能物流控股有限公司 | 一种拣选单生成方法及装置 |
| US20200226505A1 (en) * | 2019-01-14 | 2020-07-16 | Fuji Xerox Co., Ltd. | Optimized parts pickup list and routes for efficient manufacturing using frequent pattern mining and visualization |
| CN110807616A (zh) * | 2019-10-29 | 2020-02-18 | 上海悦易网络信息技术有限公司 | 拣货方法及设备 |
| CN111612391A (zh) * | 2020-04-02 | 2020-09-01 | 杭州电子科技大学 | 基于FP-growth的物流拣选设备商品摆放方法 |
| CN111523977A (zh) * | 2020-04-23 | 2020-08-11 | 北京京东振世信息技术有限公司 | 波次订单集合的创建方法、装置、计算设备和介质 |
| CN112100483A (zh) * | 2020-08-07 | 2020-12-18 | 西安工程大学 | 一种融合用户兴趣权重的关联规则推荐方法 |
| CN111932188A (zh) * | 2020-09-25 | 2020-11-13 | 南京梦饷网络科技有限公司 | 用于库存管理的方法、电子设备和存储介质 |
| CN113222511A (zh) * | 2021-05-17 | 2021-08-06 | 上海中通吉网络技术有限公司 | 一种跨境电商仓储波次的构建方法 |
| CN113344667A (zh) * | 2021-06-07 | 2021-09-03 | 北京京东振世信息技术有限公司 | 订单分配方法、装置、设备及存储介质 |
| CN115796747A (zh) * | 2023-01-06 | 2023-03-14 | 成都九洲电子信息系统股份有限公司 | 一种基于销售情况的分拣暂存区分配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 肖可等: ""基于复合相似度的订单分批启发式种子算法"", 《系统工程学报》, vol. 35, no. 6, 31 December 2020 (2020-12-31), pages 796 - 805 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8065203B1 (en) | Computer-implemented systems and methods for product attribute estimations | |
| US8126911B2 (en) | System and method for content-based partitioning and mining | |
| Jensen | Reducing the run-time complexity of multiobjective EAs: The NSGA-II and other algorithms | |
| US7272589B1 (en) | Database index validation mechanism | |
| CA2734599C (en) | Method and system for accelerated data quality enhancment | |
| CN109800936B (zh) | 基于树状搜寻的调度方法与使用该方法的电子装置 | |
| US20050227278A1 (en) | Recursive categorical sequence assembly | |
| US8903803B1 (en) | Horizontal interval-based data partitioning and indexing for large clusters | |
| CN106600067A (zh) | 多维立方体模型的优化方法和装置 | |
| CN1894652A (zh) | 用于揭示有意义变化的动态过程指标的自动监视和统计分析 | |
| CN107808306A (zh) | 基于标签库的业务对象的切分方法、电子装置及存储介质 | |
| CN109271321A (zh) | 一种贡献代码数统计方法及装置 | |
| CN107103009A (zh) | 一种数据处理方法及装置 | |
| US8166035B2 (en) | Grid-based data clustering method | |
| CN109388636A (zh) | 业务数据插入数据库方法、装置、计算机设备及存储介质 | |
| CN115442242A (zh) | 一种基于重要性排序的工作流编排系统及其方法 | |
| CN106649385B (zh) | 基于HBase数据库的数据排序方法和装置 | |
| CN108573127A (zh) | 一种核酸第三代测序原始数据的处理方法及其应用 | |
| CN114238360A (zh) | 一种用户行为分析系统 | |
| CN116611769A (zh) | 订单聚合方法、装置、计算机设备及存储介质 | |
| CN112860996A (zh) | 一种兴趣点处理方法、装置、电子设备和介质 | |
| CN104484375A (zh) | 在项目分析流程中自动建立数据库的方法及系统 | |
| US7636709B1 (en) | Methods and systems for locating related reports | |
| WO2011070979A1 (ja) | 辞書作成装置 | |
| CN107346321A (zh) | 数据仓库管理方法及装置 |
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 |