CN116629741A - 一种基于多模态交互的大宗品智能仓储管理方法及系统 - Google Patents
一种基于多模态交互的大宗品智能仓储管理方法及系统 Download PDFInfo
- Publication number
- CN116629741A CN116629741A CN202310550608.0A CN202310550608A CN116629741A CN 116629741 A CN116629741 A CN 116629741A CN 202310550608 A CN202310550608 A CN 202310550608A CN 116629741 A CN116629741 A CN 116629741A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- machine learning
- time data
- learning model
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 57
- 238000007726 management method Methods 0.000 title claims description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003860 storage Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 7
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000003786 synthesis 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
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
Abstract
本发明涉及多模态交互技术领域，尤其是涉及一种基于多模态交互的大宗品智能仓储管理方法及系统。所述方法，包括获取仓储管理实时数据和历史仓储数据；对获取的实时数据进行数据预处理；根据获取的实时数据特征选择对应的机器学习模型；将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；利用训练好的机器学习模型对实时数据进行预测分类；将预测分类结果通过多模态交互方式交互输出；本发明通过上述技术方案，能够提高仓储管理效率，通过物联网技术实现实时监测和自动化控制，减少人工干预，降低操作错误。
Description
技术领域
本发明涉及多模态交互技术领域，尤其是涉及一种基于多模态交互的大宗品智能仓储管理方法及系统。
背景技术
现有技术中，关于物联网技术在仓储管理中的应用，物联网（IoT）技术通过网络连接各类智能设备，实现数据的实时传输与共享。在仓储管理中，物联网技术可以应用于实时监测仓库环境、追踪货物流动等方面，从而提高仓库运营的效率。多模态交互技术是指通过多种交互方式（如语音、图像、触摸等）与用户进行沟通。在其他领域，如智能家居、自动驾驶等，多模态交互技术已经得到广泛应用。然而，在大宗品仓储领域，多模态交互技术的应用仍处于起步阶段。
而大宗品仓储是生产、销售和物流过程中的重要环节，传统的仓储管理方式往往以人工为主，效率低下，且容易出现错误。随着物联网技术和多模态交互技术的发展，如何将这些技术应用于仓储管理，提高效率和准确性，成为了一个亟待解决的问题。
发明内容
为了解决上述提到的问题，本发明提供一种基于多模态交互的大宗品智能仓储管理方法及系统。
第一方面，本发明提供的一种基于多模态交互的大宗品智能仓储管理方法，采用如下的技术方案：
一种基于多模态交互的大宗品智能仓储管理方法，包括：
获取仓储管理实时数据和历史仓储数据；
对获取的实时数据进行数据预处理；
根据获取的实时数据特征选择对应的机器学习模型；
将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；
利用训练好的机器学习模型对实时数据进行预测分类；
将预测分类结果通过多模态交互方式交互输出。
进一步地，所述获取仓储管理实时数据和历史仓储数据，包括传感数据和销售数据。
进一步地，对获取的实时数据进行数据预处理，包括对获取的实时数据进行清洗和缺失值处理。
进一步地，所述根据获取的实时数据特征选择对应的机器学习模型，包括针对传感数据选择异常检测模型，针对销售数据选择时间序列预测模型。
进一步地，所述利用训练集训练选定的机器学习模型包括利用训练集分别确定时间序列预测模型以及异常检测模型，并确定时间序列预测模型中预测算法的最优参数。
进一步地，所述利用训练好的机器学习模型对实时数据进行预测分类，包括利用异常检测模型对环境进行异常检测并生成参数调整指令，利用时间序列预测模型预测未来七日的货物需求并生成补充库存指令。
进一步地，所述将预测分类结果通过多模态交互方式交互输出，包括将参数调整指令和补充库存指令通过多模态交互与用户沟通并输出指令。
第二方面，一种基于多模态交互的大宗品智能仓储管理系统，包括：
数据获取模块，被配置为，获取仓储管理实时数据和历史仓储数据；
预处理模块，被配置为，对获取的实时数据进行数据预处理；
特征模块，被配置为，根据获取的实时数据特征选择对应的机器学习模型；
训练模块，被配置为，将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；
分类模块，被配置为，利用训练好的机器学习模型对实时数据进行预测分类；
多模态交互模块，被配置为，将预测分类结果通过多模态交互方式交互输出。
第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于多模态交互的大宗品智能仓储管理方法。
第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于多模态交互的大宗品智能仓储管理方法。
综上所述，本发明具有如下的有益技术效果：
本发明通过上述技术方案，能够提高仓储管理效率，通过物联网技术实现实时监测和自动化控制，减少人工干预，降低操作错误；降低运营成本，通过优化仓储管理流程，减少人力资源、设备维护等方面的支出；增强用户体验：通过多模态交互技术，提供更直观、便捷的操作界面，提高用户满意度。
附图说明
图1是本发明实施例1的一种基于多模态交互的大宗品智能仓储管理方法的示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1，本实施例的一种基于多模态交互的大宗品智能仓储管理方法，包括：
获取仓储管理实时数据和历史仓储数据；
对获取的实时数据进行数据预处理；
根据获取的实时数据特征选择对应的机器学习模型；
将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；
利用训练好的机器学习模型对实时数据进行预测分类；
将预测分类结果通过多模态交互方式交互输出。所述获取仓储管理实时数据和历史仓储数据，包括传感数据和销售数据。对获取的实时数据进行数据预处理，包括对获取的实时数据进行清洗和缺失值处理。所述根据获取的实时数据特征选择对应的机器学习模型，包括针对传感数据选择异常检测模型，针对销售数据选择时间序列预测模型。所述利用训练集训练选定的机器学习模型包括利用训练集分别确定时间序列预测模型以及异常检测模型，并确定时间序列预测模型中预测算法的最优参数。所述利用训练好的机器学习模型对实时数据进行预测分类，包括利用异常检测模型对环境进行异常检测并生成参数调整指令，利用时间序列预测模型预测未来七日的货物需求并生成补充库存指令。所述将预测分类结果通过多模态交互方式交互输出，包括将参数调整指令和补充库存指令通过多模态交互与用户沟通并输出指令。
具体的，
本实施例的一种基于多模态交互的大宗品智能仓储管理方法，包括以下步骤：
S1.获取仓储管理实时数据和历史仓储数据；
包括利用物联网传感器模块实时监测仓库环境，如温度、湿度、照度等，并将数据传输至中央处理模块。该模块包含多种传感器，如温湿度传感器、货物位置传感器、重量传感器等。这些传感器部署在仓库的关键位置，实时监测仓库内的货物存储状态、环境条件等信息。传感器收集的数据通过无线通信技术（如LoRaWAN、NB-IoT）传输至中央处理模块。
举例说明：货物位置传感器可以实时监测货物在仓库内的位置，当某个货物需要搬运时，系统可以根据位置传感器的数据指导搬运设备快速找到目标货物。
S2.对获取的实时数据进行数据预处理；
具体的，中央处理模块对收集到的数据进行预处理，包括数据清洗、缺失值处理等，以保证数据质量。中央处理模块对数据进行特征工程，如数据归一化、降维等，以准备后续的机器学习模型训练。
S3.根据获取的实时数据特征选择对应的机器学习模型；
根据需求和数据特点，选择适用的机器学习算法。例如，在预测货物需求时，可以选择时间序列预测算法，如ARIMA模型；在分析环境异常时，可以选择异常检测算法，如孤立森林（Isolation Forest）算法。
S4.将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；
使用训练数据集训练选定的机器学习模型。例如，在使用ARIMA模型预测货物需求时，需要确定模型参数p、d、q，然后使用历史销售数据训练模型。
S5.利用训练好的机器学习模型对实时数据进行预测分类；
根据训练好的模型对实时数据进行预测或分类。例如，通过ARIMA模型预测未来几天的货物需求；通过孤立森林算法检测环境异常。然后根据预测或分类结果生成相应指令，如补充库存、调整环境参数。
S6.将预测分类结果通过多模态交互方式交互输出。
具体的，利用多模态交互模块，通过语音、图像和触摸等多种交互方式与用户沟通，以提供更直观、便捷的操作体验。该模块通过语音、文本、图像等形式与用户进行交互，收集用户需求，如查询库存、调度货物等。多模态交互模块使用自然语言处理（NLP）技术理解用户输入的语言，并将用户需求转化为可处理的信息。
在大宗品智能仓储系统中，多模态交互模块可以采用如下模块或设备进行语音识别和理解用户的问题，以及将用户需求转化为可处理的信息：
语音识别模块：可以采用现有的语音识别技术如谷歌语音识别API或百度语音识别API等。这些API可以将用户的语音输入转化为文本信息。具体实现时，可以通过将用户的语音输入发送到API提供的服务器，服务器对语音进行识别并将识别结果返回给多模态交互模块。
自然语言处理（NLP）模块：采用现有的NLP技术和框架，例如OpenAI的GPT系列模型或谷歌的BERT模型等。这些模型可以理解文本信息，并识别用户需求中的关键信息。例如，用户可能提问：“请告诉我目前库房里的化肥库存数量。”NLP模型需要识别出关键信息如"化肥"和"库存数量"。
信息提取与处理模块：在NLP模型识别出关键信息后，需要将这些信息转化为可处理的格式。例如，提取出物品名称（化肥）和查询类型（库存数量）。这一步可以通过编写自定义的信息提取算法实现，或使用现有的信息提取框架，如Spacy或NLTK等。
任务分配模块：根据提取出的关键信息，将用户需求分配给相应的处理模块。例如，如果用户查询库存数量，那么任务分配模块将将需求分配给库存管理模块进行处理。
反馈生成模块：处理完用户需求后，需要将处理结果转化为用户可理解的形式，如文本或语音。例如，将库存查询结果转化为：“目前库房里的化肥库存数量为500吨。”这一步可以通过编写自定义的文本生成算法实现，或使用现有的自然语言生成（NLG）框架，如OpenAI的GPT系列模型或谷歌的BERT模型等。
交互输出模块：将处理结果返回给用户，可以采用文本、语音或图像等多种形式。例如，通过语音合成技术将文本信息转化为语音输出，或在图形用户界面上显示文本信息。
通过以上描述的模块和设备，多模态交互模块可以通过语音识别技术识别并理解用户的问题，并将用户需求转化为可处理的信息。这样的系统可以大大提高仓库管理的便捷性和效率。
作为进一步地实施方式，
使用ARIMA模型预测货物需求并生成补充库存的指令，步骤如下：
收集历史销售数据，例如过去90天的每日销售量。
对数据进行预处理，如处理缺失值、异常值等。
选择ARIMA模型作为预测算法。
使用自动化算法（如AIC准则）确定ARIMA模型的最优参数p、d、q。
使用历史销售数据训练ARIMA模型。
使用训练好的ARIMA模型预测未来7天的每日货物需求。
根据预测结果和当前库存量计算需要补充的库存量：补充库存量 = 预测需求量- 当前库存量。
如果补充库存量大于零，生成补充库存的指令，包括补充的货物种类和数量。
将生成的补充库存指令发送给仓储管理系统，以便仓库工作人员按照指令进行库存补充。
持续监控销售数据和库存量，周期性地进行需求预测和库存补充指令生成。
通过以上步骤，基于ARIMA模型的中央处理模块可以实时监控库存情况，预测货物需求，并生成相应的库存补充指令。这有助于优化库存管理，降低库存成本，提高客户满意度。
类似地，在处理环境异常检测任务时，可以使用孤立森林算法进行实时监控。以下是一个简化的示例步骤：
收集实时环境数据，例如温度、湿度等。
对数据进行预处理，如数据清洗、缺失值处理等。
选择孤立森林算法作为异常检测方法。
使用历史环境数据训练孤立森林模型。
使用训练好的孤立森林模型对实时环境数据进行异常检测。
如果检测到异常，生成调整环境参数的指令，例如调整温度、湿度等。
将生成的调整环境参数指令发送给环境控制系统，实现自动化控制。
综上所述，基于物联网和多模态交互的大宗品智能仓储系统可以利用各种机器学习算法对实时数据进行分析和处理，生成相应的指令，实现自动化控制。这有助于提高仓储管理效率，降低成本，提高客户满意度。
实施例2
本实施例提供一种基于多模态交互的大宗品智能仓储管理系统，包括：
数据获取模块，被配置为，获取仓储管理实时数据和历史仓储数据；
预处理模块，被配置为，对获取的实时数据进行数据预处理；
特征模块，被配置为，根据获取的实时数据特征选择对应的机器学习模型；
训练模块，被配置为，将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；
分类模块，被配置为，利用训练好的机器学习模型对实时数据进行预测分类；
多模态交互模块，被配置为，将预测分类结果通过多模态交互方式交互输出。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于多模态交互的大宗品智能仓储管理方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于多模态交互的大宗品智能仓储管理方法。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，包括：
获取仓储管理实时数据和历史仓储数据；
对获取的实时数据进行数据预处理；
根据获取的实时数据特征选择对应的机器学习模型；
将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；
利用训练好的机器学习模型对实时数据进行预测分类；
将预测分类结果通过多模态交互方式交互输出。
2.根据权利要求1所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述获取仓储管理实时数据和历史仓储数据，包括传感数据和销售数据。
3.根据权利要求2所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，对获取的实时数据进行数据预处理，包括对获取的实时数据进行清洗和缺失值处理。
4.根据权利要求3所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述根据获取的实时数据特征选择对应的机器学习模型，包括针对传感数据选择异常检测模型，针对销售数据选择时间序列预测模型。
5.根据权利要求4所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述利用训练集训练选定的机器学习模型包括利用训练集分别确定时间序列预测模型以及异常检测模型，并确定时间序列预测模型中预测算法的最优参数。
6.根据权利要求5所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述利用训练好的机器学习模型对实时数据进行预测分类，包括利用异常检测模型对环境进行异常检测并生成参数调整指令，利用时间序列预测模型预测未来七日的货物需求并生成补充库存指令。
7.根据权利要求6所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述将预测分类结果通过多模态交互方式交互输出，包括将参数调整指令和补充库存指令通过多模态交互与用户沟通并输出指令。
8.一种基于多模态交互的大宗品智能仓储管理系统，其特征在于，包括：
数据获取模块，被配置为，获取仓储管理实时数据和历史仓储数据；
预处理模块，被配置为，对获取的实时数据进行数据预处理；
特征模块，被配置为，根据获取的实时数据特征选择对应的机器学习模型；
训练模块，被配置为，将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；
分类模块，被配置为，利用训练好的机器学习模型对实时数据进行预测分类；
多模态交互模块，被配置为，将预测分类结果通过多模态交互方式交互输出。
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于多模态交互的大宗品智能仓储管理方法。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的一种基于多模态交互的大宗品智能仓储管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310550608.0A CN116629741A (zh) | 2023-05-16 | 2023-05-16 | 一种基于多模态交互的大宗品智能仓储管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310550608.0A CN116629741A (zh) | 2023-05-16 | 2023-05-16 | 一种基于多模态交互的大宗品智能仓储管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629741A true CN116629741A (zh) | 2023-08-22 |
Family
ID=87641066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310550608.0A Pending CN116629741A (zh) | 2023-05-16 | 2023-05-16 | 一种基于多模态交互的大宗品智能仓储管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629741A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116884536A (zh) * | 2023-08-29 | 2023-10-13 | 济南明泉数字商务有限公司 | 一种工业废渣砖生产配方自动优化方法及系统 |
| CN116911747A (zh) * | 2023-09-14 | 2023-10-20 | 南京龟兔赛跑软件研究院有限公司 | 农产品交易销售的综合管理平台 |
| CN117114576A (zh) * | 2023-08-31 | 2023-11-24 | 佛山市太米智能科技有限公司 | 一种基于人工智能的仓储智能调度监控管理方法及系统 |
| CN117333114A (zh) * | 2023-11-30 | 2024-01-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理系统及管理方法 |
| CN117709855A (zh) * | 2024-01-05 | 2024-03-15 | 东莞益海嘉里粮油食品工业有限公司 | 一种智能仓储货架及控制系统 |
-
2023
- 2023-05-16 CN CN202310550608.0A patent/CN116629741A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116884536A (zh) * | 2023-08-29 | 2023-10-13 | 济南明泉数字商务有限公司 | 一种工业废渣砖生产配方自动优化方法及系统 |
| CN116884536B (zh) * | 2023-08-29 | 2024-03-12 | 济南明泉数字商务有限公司 | 一种工业废渣砖生产配方自动优化方法及系统 |
| CN117114576A (zh) * | 2023-08-31 | 2023-11-24 | 佛山市太米智能科技有限公司 | 一种基于人工智能的仓储智能调度监控管理方法及系统 |
| CN116911747A (zh) * | 2023-09-14 | 2023-10-20 | 南京龟兔赛跑软件研究院有限公司 | 农产品交易销售的综合管理平台 |
| CN116911747B (zh) * | 2023-09-14 | 2023-12-19 | 南京龟兔赛跑软件研究院有限公司 | 农产品交易销售的综合管理平台 |
| CN117333114A (zh) * | 2023-11-30 | 2024-01-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理系统及管理方法 |
| CN117333114B (zh) * | 2023-11-30 | 2024-04-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理系统及管理方法 |
| CN117709855A (zh) * | 2024-01-05 | 2024-03-15 | 东莞益海嘉里粮油食品工业有限公司 | 一种智能仓储货架及控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116629741A (zh) | 一种基于多模态交互的大宗品智能仓储管理方法及系统 | |
| US20190138880A1 (en) | Workspace actor selection systems and methods | |
| Huang et al. | A proactive task dispatching method based on future bottleneck prediction for the smart factory | |
| CN110390425A (zh) | 预测方法以及装置 | |
| CN112614011B (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
| CN114648202A (zh) | 资产组合的管理 | |
| KR20230017556A (ko) | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및 이의 운영방법 | |
| CN116737129B (zh) | 一种供应链控制塔生成式大语言模型及其构建方法 | |
| CN114615304B (zh) | 前分平台式工业物联网控制方法及系统 | |
| US11875264B2 (en) | Almost unsupervised cycle and action detection | |
| CN116703303A (zh) | 基于多层感知机与rbf的仓储可视化监管系统及方法 | |
| CN112529305A (zh) | 一种基于深度学习的快递员揽件顺序预测方法 | |
| CN112330246B (zh) | 订单汇总方法、装置、计算机设备及存储介质 | |
| CN115146938A (zh) | 绩效考核方法、装置、设备及存储介质 | |
| CN113822477A (zh) | 快件拦截处理方法、装置、设备及存储介质 | |
| CA3211789A1 (en) | Computer-implemented methods referring to an industrial process for manufacturing a product and system for performing said methods | |
| Song et al. | A Dynamic Source Tracing Method for Food Supply Chain Quality and Safety Based on Big Data | |
| CN117974212A (zh) | 供应链管理方法、系统、电子设备及存储介质 | |
| Saito et al. | Representation of plant structure using XML and its application to cultivation management | |
| CN117575466A (zh) | 一种物流仓库货物自动转运控制系统 | |
| KR102564075B1 (ko) | Rfid 기반 입출고 재고 관리 솔루션 제공 방법, 장치 및 시스템 | |
| US20240144090A1 (en) | Scalable Multivariate Time Series Forecasting in Data Warehouse | |
| Han et al. | Big data-driven risk decision-making and safety management in agricultural supply chains | |
| CN117933882A (zh) | 一种基于物联网的智能物流系统 | |
| Lourenço | Big data analytics for intra-logistics process planning in the automotive sector |
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 |