CN116681360B - 一种电商包材的选择方法及系统 - Google Patents

一种电商包材的选择方法及系统 Download PDF

Info

Publication number
CN116681360B
CN116681360B CN202310716449.7A CN202310716449A CN116681360B CN 116681360 B CN116681360 B CN 116681360B CN 202310716449 A CN202310716449 A CN 202310716449A CN 116681360 B CN116681360 B CN 116681360B
Authority
CN
China
Prior art keywords
commodity
value
packaged
order
commodities
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
CN202310716449.7A
Other languages
English (en)
Other versions
CN116681360A (zh
Inventor
周旭
岑文初
郝禾琼
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.)
Hangzhou Jushuitan Network Technology Co ltd
Original Assignee
Hangzhou Jushuitan Network 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 Hangzhou Jushuitan Network Technology Co ltd filed Critical Hangzhou Jushuitan Network Technology Co ltd
Priority to CN202310716449.7A priority Critical patent/CN116681360B/zh
Publication of CN116681360A publication Critical patent/CN116681360A/zh
Application granted granted Critical
Publication of CN116681360B publication Critical patent/CN116681360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06N3/0463—Neocognitrons
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Container Filling Or Packaging Operations (AREA)

Abstract

本发明公开一种电商包材的选择方法及系统，涉及物流仓储技术领域，方法包括：基于待打包订单内商品种类以及每种商品的数量，在历史包材推荐数据库中进行匹配；当匹配成功时，根据历史包材推荐数据库确定待打包订单数据对应的待用包材的尺寸；当匹配失败时，计算待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值；基于hnsw检索和k邻近算法，根据待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值，从预设的包材选择模型中，筛选出待打包订单数据对应的待用包材的尺寸，本发明提高包材选择的效率和精确度。

Description

一种电商包材的选择方法及系统
技术领域
本发明涉及物流仓储技术领域，特别是涉及一种电商包材的选择方法及系统。
背景技术
包材即包装材料，包装材料是指用于制造包装容器、包装装潢、包装印刷、包装运输等满足产品包装要求所使用的材料。在电商发展日益迅速的今天，包材的选择尤其重要，不合适的包材选择，会给商家带来巨大的成本压力。
现有技术中，一般是通过人工一一放置比对来确定所需要使用的包材，即通过眼力判断选取一个，将订单内的商品放置其中，若能够全部放置，则封装贴单，若不能够全部放置，则选择更大的包材。而这样的包材选择依赖于人工，存在较大误差，且会耗费大量的人力物力，效率较低。
发明内容
本发明的目的是提供一种电商包材的选择方法及系统，提高包材选择的效率和精确度。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明提供一种电商包材的选择方法，包括：
获取待打包订单数据；所述待打包订单数据包括待打包订单内商品种类、每种商品的数量、长度值、宽度值和高度值；
基于所述待打包订单内商品种类以及每种商品的数量，在历史包材推荐数据库中进行匹配，以得到第一匹配结果；
当所述第一匹配结果表示匹配成功时，根据所述历史包材推荐数据库确定所述待打包订单数据对应的待用包材的尺寸；
当所述第一匹配结果表示匹配失败时，根据所述待打包订单内每种商品的数量、长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值；
基于hnsw检索和k邻近算法，根据所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值，从预设的包材选择模型中，筛选出待打包订单数据对应的待用包材的尺寸；所述预设的包材选择模型是基于训练样本集对神经网络进行训练后建立的；所述训练样本集中每个训练样本包括历史订单数据以及所述历史订单数据对应的包材的尺寸；所述历史订单数据包括历史订单内多个商品的长度平均值、宽度平均值以及高度平均值；所述神经网络为多层感知机模型。
可选地，当所述第一匹配结果表示匹配失败时，电商包材的选择方法还包括：
获取待用包材集合，并将所述待用包材集合内的多个包材按照体积大小升序排列；
针对排序p的包材，将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置，且计算每个商品在包材内放置的穴度值，将所述穴度值最大时对应的角区作为所述商品的最终放置位置，将所述穴度值最大时对应的放置方向作为所述商品的最终放置方向；其中，p≥1；所述角区为所述包材内，包材内壁之间或者包材内壁与已放置商品的表面之间，两两相互垂直且相交一点时围成的区域；
当所述待打包订单数据中的所有商品均放置在所述包材内时，将所述排序p的包材的尺寸标记为待用包材的尺寸；当所述待打包订单数据中的任一商品不能放置在所述包材内时，将p更新为p+1，然后返回到将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置的步骤。
第二方面，本发明提供一种电商包材的选择系统，包括：
数据获取模块，用于获取待打包订单数据；所述待打包订单数据包括待打包订单内商品种类、每种商品的数量、长度值、宽度值和高度值；
匹配模块，用于基于所述待打包订单内商品种类以及每种商品的数量，在历史包材推荐数据库中进行匹配，以得到第一匹配结果；
第一包材选择模块，用于当所述第一匹配结果表示匹配成功时，根据所述历史包材推荐数据库确定所述待打包订单数据对应的待用包材的尺寸；
平均值计算模块，用于当所述第一匹配结果表示匹配失败时，根据所述待打包订单内每种商品的数量、长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值；
第二包材选择模块，用于基于hnsw检索和k邻近算法，根据所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值，从预设的包材选择模型中，筛选出待打包订单数据对应的待用包材的尺寸；所述预设的包材选择模型是基于训练样本集对神经网络进行训练后建立的；所述训练样本集中每个训练样本包括历史订单数据以及所述历史订单数据对应的包材的尺寸；所述历史订单数据包括历史订单内多个商品的长度平均值、宽度平均值以及高度平均值；所述神经网络为多层感知机模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种电商包材的选择方法及系统，基于待打包订单内商品种类以及每种商品的数量在历史包材推荐数据库中进行匹配，当匹配成功时，根据历史包材推荐数据库直接确定待打包订单数据对应的待用包材的尺寸；当匹配失败时，计算待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值，然后基于hnsw检索和k邻近算法，从预设的包材选择模型中，筛选出待打包订单数据对应的待用包材的尺寸，从而全程无需人工参与，可提高包材选择效率。另外，预设的包材选择模型是基于训练样本集对神经网络进行训练后建立的，神经网络为多层感知机模型，从而使得通过该模型得到的待用包材的尺寸具有较高精确度，减少由于所选包材过大出现的资源浪费的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明电商包材的选择方法的流程示意图；
图2为本发明基于神经网络的包材选择模型的构建示意图；
图3为本发明多层感知机模型的结构示意图；
图4为本发明最大穴度算法的角区示意图；
图5为本发明电商包材的选择系统的结构示意图。
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。
为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本发明提供一种电商包材的选择方法，包括：
步骤100，获取待打包订单数据；所述待打包订单数据包括待打包订单内商品种类、每种商品的数量、长度值、宽度值和高度值。
步骤200，基于所述待打包订单内商品种类以及每种商品的数量，在历史包材推荐数据库中进行匹配，以得到第一匹配结果。所述历史包材推荐数据库中存储着商家对于每个历史订单所选用的包材以及所述包材的尺寸，比如订单结果为A(10)时，历史包材推荐数据库中记载选择包材编号为3#，那么第一匹配结果表示匹配成功，由此可实现对于订单的精确匹配。若待打包订单数据的订单结构为A(3)|B(7)时，历史包材推荐数据库中并没有存储该订单结构的数据，那么第一匹配结果表示匹配失败。
步骤300，当所述第一匹配结果表示匹配成功时，根据所述历史包材推荐数据库确定所述待打包订单数据对应的待用包材的尺寸。
步骤400，当所述第一匹配结果表示匹配失败时，根据所述待打包订单内每种商品的数量、长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值。
步骤400，具体包括：
(1)获取待打包订单内每个商品的附加属性数据；所述附加属性数据包括商品是否可折叠、商品是否可叠加以及商品是否可相容。在一个具体实施例中，所述附加属性数据还包括是否可直接贴单、是否可装快递袋以及是否可装气泡膜。
(2)当所述商品的附加属性数据为商品可折叠时(比如商品为毛巾)，将商品的长度值更新为所述长度值的二分之一，将商品的高度值更新为所述高度值的二倍，所述商品的宽度值不改变。
(3)当所述商品的附加属性数据为商品可叠加时(比如商品为笔记本)，获取所述待打包订单内所述商品的数量，并根据L’＝a*L*(N-1)+L计算多个所述商品叠加后构成的商品集合的最长边的值；其中，L表示所述商品的最长边的值，a表示每叠加一个商品，叠加后商品整体的增加量，N表示待打包订单内所述商品的数量，L’表示多个所述商品叠加后构成的商品集合的最长边的值。具体地，将同SKU商品按照最长边L的方向进行叠加。
(4)当所述商品的附加属性数据为商品可相容时，将所述商品的长度值更新为所述长度值的倍，将所述商品的宽度值更新为所述宽度值的/>倍，将商品的高度值更新为所述高度值的/>倍。空间上可叠加的商品一般都是内部有空间可以容纳其他商品，即商品可相容，默认叠加后的商品组合组成的空间中50％的体积空间可以容纳其它商品，可抽象一个可以装商品的长方体。
(5)将所述待打包订单内每种商品的数量结合各个商品更新后的长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值。
此外，对于可直接贴单的商品，无需装入包材内，直接贴单后可发出快递；对于可装快递袋的商品，选择体积大于或等于商品总体积且斜边长大于或等于商品最长边的快递袋进行装袋。对于可装气泡膜的商品，对应气泡膜的选择与上文中快递袋的选择一致。
步骤500，基于hnsw检索和k邻近算法，根据所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值，从预设的包材选择模型中，筛选出待打包订单数据对应的待用包材的尺寸；所述预设的包材选择模型是基于训练样本集对神经网络进行训练后建立的；所述训练样本集中每个训练样本包括历史订单数据以及所述历史订单数据对应的包材的尺寸；所述历史订单数据包括历史订单内多个商品的长度平均值、宽度平均值以及高度平均值；所述神经网络为多层感知机模型。
具体地，将已知的待打包订单数据对应的特征向量，通过hnsw算法从预设的包材选择模型中快速查找k个相似度最高的特征向量,基于k邻近算法找到与待打包订单数据对应的特征向量距离最接近的特征向量对应的包材推荐给待打包订单，作为待打包订单数据对应的待用包材的尺寸。
由于不同商家所采用的包材的尺寸标准不同，所以如果利用全网数据进行包材选择模型的训练，其最终输出的包材可能不存在于某一商家中，或者可选的包材量太大。针对此，本发明将获取所述历史订单数据对应的包材的尺寸时，首先获取全网所有商家所采用的包材，按照包材尺寸从大到小排列，划分为多个组(比如十个组)；然后将所采集到的历史订单数据对应的包材的尺寸以对应的组的尺寸值来代替。其中，所划分后每个组的尺寸值可以为组内所有包材尺寸的均值。同时，在进行预设的包材选择模型的训练时，所述训练样本集包括所述待打包订单对应的商家提供的第一训练样本子集和所述待打包订单对应的商家之外的其他商家提供的第二训练样本子集。
所述预设的包材选择模型的训练过程，具体包括：
(1)将所述第二训练样本子集输入至预设的多层感知机模型中进行训练，以得到初级包材选择模型。即此时完成对多层感知机模型的预训练，能够满足大多数商家的包材选择。
(2)将所述第一训练样本子集输入至所述初级包材选择模型中进行训练，以得到次级包材选择模型。即此时完成多层感知机针对于某一特定商家的训练，能够使得得到的模型更贴合该商家的应用；且在上述步骤(1)的预训练的基础上，本步骤无需大量数据，也不需要训练太长时间。
(3)基于所述次级包材选择模型，建立订单结构特征与包材尺寸的匹配库；所述订单结构特征为订单内多个商品的长度平均值特征、宽度平均值特征和高度平均值特征；所述匹配库为预设的包材选择模型。具体地，次级包材选择模型的最后一层输出所选择的包材的类别，而最后一层的前一层则能够显示出多维特征与包材尺寸的映射关系，因此，基于次级包材选择模型中倒数第二的映射层，获取得到订单结构特征与包材尺寸的映射关系，基于所述映射关系建立匹配库。
在一个具体实例中，如图2所示，每隔设定时间(比如半个月或一个月)，获取全网商家的历史订单数据以及所述历史订单数据对应的包材的尺寸，将上述数据再次输入至次级包材选择模型中进行预训练和针对某一商家的训练，以对次级包材选择模型进行更新，更新后再用于包材的选择和推荐。
优选地，所述预设的多层感知机模型包括依次连接的输入层、五个隐藏层和输出层。如图3所示，本发明预设的多层感知机模型包括依次连接的输入层(input)、批归一化层(batch_normalization)、第一卷积层(dense_1)、第一批归一化层(batch_normalization_1)、第二卷积层(dense_2)、第二批归一化层(batch_normalization_2)、第三卷积层(dense_3)、第三批归一化层(batch_normalization_3)、第四卷积层(dense_4)、第四批归一化层(batch_normalization_4)、第五卷积层(dense_5)、第五批归一化层(batch_normalization_5)、丢弃层(dropout)和输出层(output)。
在一个具体实施例中，可采用准确率(accuracy)和损失(loss)对上述包材选择模型推荐的包材进行评价。基于神经网络的包材选择模型的测试1的基本数据如下表1。
表1测试1的基本数据表
测试1的结果为：训练商家：21；总记录数：99968；训练集：89971，accuracy：84.87％，loss：0.4538；测试集：9997，accuracy：84.59％，loss：0.4717。
在本发明的一个具体实施例中，当所述第一匹配结果表示匹配失败时，可以不采用上述的神经网络形式的包材选择模型，而是基于最大穴度算法进行包材的选择。具体地，电商包材的选择方法还包括：
步骤600，获取待用包材集合，并将所述待用包材集合内的多个包材按照体积大小升序排列。
步骤700，针对排序p的包材，将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置，且计算每个商品在包材内放置的穴度值，将所述穴度值最大时对应的角区作为所述商品的最终放置位置，将所述穴度值最大时对应的放置方向作为所述商品的最终放置方向；其中，p≥1；所述角区为所述包材内，包材内壁之间或者包材内壁与已放置商品的表面之间，两两相互垂直且相交一点时围成的区域。
需知，最大穴度算法的基本思想为金角银边草肚皮，即先放置角区,再放置边区，最后中间区域，所有放置的商品都拟合为长方体形式放置，不规则物体根据边长抽象成一个长方体，具体如图4所示。其中，角区指3个固定长方体，各取一面，若两两相互垂直且相交一点，那么围成的区域就叫角区；格局指箱子内已放入若干个长方体，还有若干个待放入的长方体的状态称为一个格局，没有一个长方体放入的时候称为初始格局，所有长方体全部放入称为终止格局；占角动作指将长方体放入当前格局下的一个角区(长方体的顶点与角点重合，三个面与角区的三个面重合)，不嵌入任何长方体，这是一个占角动作；穴度表示长方体通过一个占角动作放入之后的紧密程度，越大表示越紧凑，剩余空间越大，每个商品在包材内放置的穴度值的计算公式为：
其中，Ci表示第i个商品在包材内放置的穴度值，即一个占角动作的穴度；ki表示第i个待放置商品与所述包材内已有商品或者包材内壁的贴面数(3≤ki≤6)，pi表示第i个待放置商品的贴面面积，Si表示第i个待放置商品的表面积，li表示第i个待放置商品的长度值，wi表示第i个待放置商品的宽度值，hi表示第i个待放置商品的高度值，di表示第i个待放置商品与所述包材内所有未贴面的已有商品或者包材内壁的最小闵可夫斯基距离，M表示预设常数值，具体为一个足够大的整数，一般取商品最长边的边长。
具体地，一个商品基于最大穴度算法在一个包材内的放置过程为：1)当前包材的格局下，找到所有角区；2)计算该商品拟合的长方体的6种放置方向在每个角区放置的穴度；3)选择最大穴度的长方体按照放置方向放入，得到新的格局。重复上述步骤直到所有商品拟合的长方体成功放入时，表明该包材能够容置该订单内的所有商品。
步骤800，当所述待打包订单数据中的所有商品均放置在所述包材内时，将所述排序p的包材的尺寸标记为待用包材的尺寸；当所述待打包订单数据中的任一商品不能放置在所述包材内时，将p更新为p+1，然后返回到将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置的步骤。
在一个具体实例中，可采用推荐准确率对上述包材选择模型推荐的包材进行评价，推荐准确率＝推荐包材小于等于修正包材的订单数占的比例*推荐成功率*推荐正确率，即：
其中，L表示正确修正且正确推荐的订单数，U表示全部订单数，N表示成功推荐的订单数。基于最大穴度算法的包材选择模型的测试2的基本数据表如下表2和表3，测试结果表如下表4。
表2测试2的基本数据表
其中，8个通用箱子的具体示意，如下表3所示。
表3 8个通用箱子的示意表
包材编码 包材名称 长 宽 高 体积
Box1 5号快递箱 19.5 8 8 1248
Box2 小6号箱 22 15 12.5 4125
Box3 大6号箱 28 15 10 4200
Box4 小7号箱 26 15 18 7020
Box5 小8号箱 23 13 8 2392
Box6 小9号箱 19.5 10.5 7 1433.25
Box7 小10号快递箱 16 8 9 1152
表4测试2的测试结果表
综上，本发明将当前包材的推荐算法分成3个层级，分别是订单结构匹配、基于神经网络的包材选择模型的匹配、基于最大穴度算法的包材选择模型的匹配，其根据历史商家数据，建立订单特征到包材标签的相似度推荐模型，提升商家初期使用时候的算法推荐准确率，减少修正频率。
实施例二
如图5所示，为了实现与实施例一对应的技术效果，本发明还提供了一种电商包材的选择系统，包括：
数据获取模块101，用于获取待打包订单数据；所述待打包订单数据包括待打包订单内商品种类、每种商品的数量、长度值、宽度值和高度值。
匹配模块201，用于基于所述待打包订单内商品种类以及每种商品的数量，在历史包材推荐数据库中进行匹配，以得到第一匹配结果。
第一包材选择模块301，用于当所述第一匹配结果表示匹配成功时，根据所述历史包材推荐数据库确定所述待打包订单数据对应的待用包材的尺寸。
平均值计算模块401，用于当所述第一匹配结果表示匹配失败时，根据所述待打包订单内每种商品的数量、长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值。
第二包材选择模块501，用于基于hnsw检索和k邻近算法，根据所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值，从预设的包材选择模型中，筛选出待打包订单数据对应的待用包材的尺寸；所述预设的包材选择模型是基于训练样本集对神经网络进行训练后建立的；所述训练样本集中每个训练样本包括历史订单数据以及所述历史订单数据对应的包材的尺寸；所述历史订单数据包括历史订单内多个商品的长度平均值、宽度平均值以及高度平均值；所述神经网络为多层感知机模型。
优选地，当所述第一匹配结果表示匹配失败时，电商包材的选择系统还包括：
包材获取模块601，用于获取待用包材集合，并将所述待用包材集合内的多个包材按照体积大小升序排列。
商品模拟放置模块701，用于针对排序p的包材，将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置，且计算每个商品在包材内放置的穴度值，将所述穴度值最大时对应的角区作为所述商品的最终放置位置，将所述穴度值最大时对应的放置方向作为所述商品的最终放置方向；其中，p≥1；所述角区为所述包材内，包材内壁之间或者包材内壁与已放置商品的表面之间，两两相互垂直且相交一点时围成的区域。
第三包材选择模块801，用于当所述待打包订单数据中的所有商品均放置在所述包材内时，将所述排序p的包材的尺寸标记为待用包材的尺寸；当所述待打包订单数据中的任一商品不能放置在所述包材内时，将p更新为p+1，然后返回到将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种电商包材的选择方法，其特征在于，方法包括：
获取待打包订单数据；所述待打包订单数据包括待打包订单内商品种类、每种商品的数量、长度值、宽度值和高度值；
基于所述待打包订单内商品种类以及每种商品的数量，在历史包材推荐数据库中进行匹配，以得到第一匹配结果；
当所述第一匹配结果表示匹配成功时，根据所述历史包材推荐数据库确定所述待打包订单数据对应的待用包材的尺寸；
当所述第一匹配结果表示匹配失败时，根据所述待打包订单内每种商品的数量、长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值；具体包括：
获取待打包订单内每个商品的附加属性数据；所述附加属性数据包括商品是否可折叠、商品是否可叠加以及商品是否可相容；当所述商品的附加属性数据为商品可折叠时，将商品的长度值更新为所述长度值的二分之一，将商品的高度值更新为所述高度值的二倍，所述商品的宽度值不改变；当所述商品的附加属性数据为商品可叠加时，获取所述待打包订单内所述商品的数量，并根据公式L’＝a*L*(N-1)+L计算多个所述商品叠加后构成的商品集合的最长边的值；其中，L表示所述商品的最长边的值，a表示每叠加一个商品，叠加后商品整体的增加量，N表示待打包订单内所述商品的数量，L’表示多个所述商品叠加后构成的商品集合的最长边的值；当所述商品的附加属性数据为商品可相容时，将所述商品的长度值更新为所述长度值的倍，将所述商品的宽度值更新为所述宽度值的/>倍，将商品的高度值更新为所述高度值的/>倍；将所述待打包订单内每种商品的数量结合各个商品更新后的长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值；
基于hnsw检索和k邻近算法，根据所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值，从预设的包材选择模型中，筛选出待打包订单数据对应的待用包材的尺寸；所述预设的包材选择模型是基于训练样本集对神经网络进行训练后建立的；所述训练样本集中每个训练样本包括历史订单数据以及所述历史订单数据对应的包材的尺寸；所述历史订单数据包括历史订单内多个商品的长度平均值、宽度平均值以及高度平均值；所述神经网络为多层感知机模型。
2.根据权利要求1所述的电商包材的选择方法，其特征在于，所述训练样本集包括所述待打包订单对应的商家提供的第一训练样本子集和所述待打包订单对应的商家之外的其他商家提供的第二训练样本子集；
所述预设的包材选择模型的训练过程，具体包括：
将所述第二训练样本子集输入至预设的多层感知机模型中进行训练，以得到初级包材选择模型；
将所述第一训练样本子集输入至所述初级包材选择模型中进行训练，以得到次级包材选择模型；
基于所述次级包材选择模型，建立订单结构特征与包材尺寸的匹配库；所述订单结构特征为订单内多个商品的长度平均值特征、宽度平均值特征和高度平均值特征；所述匹配库为预设的包材选择模型。
3.根据权利要求1所述的电商包材的选择方法，其特征在于，当所述第一匹配结果表示匹配失败时，电商包材的选择方法还包括：
获取待用包材集合，并将所述待用包材集合内的多个包材按照体积大小升序排列；
针对排序p的包材，将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置，且计算每个商品在包材内放置的穴度值，将所述穴度值最大时对应的角区作为所述商品的最终放置位置，将所述穴度值最大时对应的放置方向作为所述商品的最终放置方向；其中，p≥1；所述角区为所述包材内，包材内壁之间或者包材内壁与已放置商品的表面之间，两两相互垂直且相交一点时围成的区域；
当所述待打包订单数据中的所有商品均放置在所述包材内时，将所述排序p的包材的尺寸标记为待用包材的尺寸；当所述待打包订单数据中的任一商品不能放置在所述包材内时，将p更新为p+1，然后返回到将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置的步骤。
4.根据权利要求3所述的电商包材的选择方法，其特征在于，每个商品在包材内放置的穴度值的计算公式为：
其中，Ci表示第i个商品在包材内放置的穴度值，ki表示第i个待放置商品与所述包材内已有商品或者包材内壁的贴面数，3≤ki≤6，pi表示第i个待放置商品的贴面面积，Si表示第i个待放置商品的表面积，li表示第i个待放置商品的长度值，wi表示第i个待放置商品的宽度值，hi表示第i个待放置商品的高度值，di表示第i个待放置商品与所述包材内所有未贴面的已有商品或者包材内壁的最小闵可夫斯基距离，M表示预设常数值。
5.根据权利要求2所述的电商包材的选择方法，其特征在于，所述预设的多层感知机模型包括依次连接的输入层、五个隐藏层和输出层。
6.一种电商包材的选择系统，其特征在于，系统包括：
数据获取模块，用于获取待打包订单数据；所述待打包订单数据包括待打包订单内商品种类、每种商品的数量、长度值、宽度值和高度值；
匹配模块，用于基于所述待打包订单内商品种类以及每种商品的数量，在历史包材推荐数据库中进行匹配，以得到第一匹配结果；
第一包材选择模块，用于当所述第一匹配结果表示匹配成功时，根据所述历史包材推荐数据库确定所述待打包订单数据对应的待用包材的尺寸；
平均值计算模块，用于当所述第一匹配结果表示匹配失败时，根据所述待打包订单内每种商品的数量、长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值；具体包括：
获取待打包订单内每个商品的附加属性数据；所述附加属性数据包括商品是否可折叠、商品是否可叠加以及商品是否可相容；当所述商品的附加属性数据为商品可折叠时，将商品的长度值更新为所述长度值的二分之一，将商品的高度值更新为所述高度值的二倍，所述商品的宽度值不改变；当所述商品的附加属性数据为商品可叠加时，获取所述待打包订单内所述商品的数量，并根据公式L’＝a*L*(N-1)+L计算多个所述商品叠加后构成的商品集合的最长边的值；其中，L表示所述商品的最长边的值，a表示每叠加一个商品，叠加后商品整体的增加量，N表示待打包订单内所述商品的数量，L’表示多个所述商品叠加后构成的商品集合的最长边的值；当所述商品的附加属性数据为商品可相容时，将所述商品的长度值更新为所述长度值的倍，将所述商品的宽度值更新为所述宽度值的/>倍，将商品的高度值更新为所述高度值的/>倍；将所述待打包订单内每种商品的数量结合各个商品更新后的长度值、宽度值和高度值，计算所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值；
第二包材选择模块，用于基于hnsw检索和k邻近算法，根据所述待打包订单内多个商品的长度平均值、宽度平均值以及高度平均值，从预设的包材选择模型中，筛选出待打包订单数据对应的待用包材的尺寸；所述预设的包材选择模型是基于训练样本集对神经网络进行训练后建立的；所述训练样本集中每个训练样本包括历史订单数据以及所述历史订单数据对应的包材的尺寸；所述历史订单数据包括历史订单内多个商品的长度平均值、宽度平均值以及高度平均值；所述神经网络为多层感知机模型。
7.根据权利要求6所述的电商包材的选择系统，其特征在于，当所述第一匹配结果表示匹配失败时，电商包材的选择系统还包括：
包材获取模块，用于获取待用包材集合，并将所述待用包材集合内的多个包材按照体积大小升序排列；
商品模拟放置模块，用于针对排序p的包材，将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置，且计算每个商品在包材内放置的穴度值，将所述穴度值最大时对应的角区作为所述商品的最终放置位置，将所述穴度值最大时对应的放置方向作为所述商品的最终放置方向；其中，p≥1；所述角区为所述包材内，包材内壁之间或者包材内壁与已放置商品的表面之间，两两相互垂直且相交一点时围成的区域；
第三包材选择模块，用于当所述待打包订单数据中的所有商品均放置在所述包材内时，将所述排序p的包材的尺寸标记为待用包材的尺寸；当所述待打包订单数据中的任一商品不能放置在所述包材内时，将p更新为p+1，然后返回到将所述待打包订单数据中的所有商品按照体积从大到小的顺序依次放置的步骤。
CN202310716449.7A 2023-06-16 2023-06-16 一种电商包材的选择方法及系统 Active CN116681360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310716449.7A CN116681360B (zh) 2023-06-16 2023-06-16 一种电商包材的选择方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310716449.7A CN116681360B (zh) 2023-06-16 2023-06-16 一种电商包材的选择方法及系统

Publications (2)

Publication Number Publication Date
CN116681360A CN116681360A (zh) 2023-09-01
CN116681360B true CN116681360B (zh) 2024-06-25

Family

ID=87778967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310716449.7A Active CN116681360B (zh) 2023-06-16 2023-06-16 一种电商包材的选择方法及系统

Country Status (1)

Country Link
CN (1) CN116681360B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118329A (zh) * 2018-08-07 2019-01-01 深圳市易达云科技有限公司 多包裹智能推荐包材的方法及计算机可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6748285B2 (en) * 2000-11-06 2004-06-08 Rohm And Haas Company Integrated system for designing product packaging
US20070161009A1 (en) * 2005-06-03 2007-07-12 Kohne David E Method for producing improved gene expression analysis and gene expression analysis comparison results
PL3322544T3 (pl) * 2015-07-16 2022-08-29 Sortera Technologies, Inc. Układ sortujący materiały
JP6677858B1 (ja) * 2019-07-30 2020-04-08 トーヨーカネツ株式会社 自動化倉庫最適化システム
TWM592544U (zh) * 2019-10-16 2020-03-21 富邦媒體科技股份有限公司 商品裝箱建議系統
CN111695966B (zh) * 2020-05-18 2022-12-27 苏宁云计算有限公司 一种智能化包材推荐和装箱的方法与系统
CN114581011A (zh) * 2022-03-08 2022-06-03 南京希音电子商务有限公司 一种包装耗材推荐方法、装置、设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118329A (zh) * 2018-08-07 2019-01-01 深圳市易达云科技有限公司 多包裹智能推荐包材的方法及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《包装工程》2008年总目次;包装工程;20081215(第12期);第28-0289页 *

Also Published As

Publication number Publication date
CN116681360A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN112001535B (zh) 物流装箱方法、装置、设备及存储介质
US9914278B2 (en) Creating on-demand packaging based on stored attribute data
US10402890B2 (en) Box-last packaging system, method, and computer program product
US12008511B2 (en) Shipping carton optimization system and method
US8554702B2 (en) Framework for optimized packing of items into a container
CN109715500B (zh) 智能包装墙
CN110097315A (zh) 容器确定方法、容器确定装置、介质和计算设备
CN109816303A (zh) 一种用于包装作业的包材处理方法及装置
Sen et al. Geometric discretization scheme applied to the Abelian Chern-Simons theory
CN109214383A (zh) 一种图像识别方法及装置
CN109118329A (zh) 多包裹智能推荐包材的方法及计算机可读存储介质
CN116681360B (zh) 一种电商包材的选择方法及系统
CN110765503B (zh) 一种高装载率堆叠算法
US11498776B1 (en) Automated guided vehicle control and organizing inventory items using dissimilarity models
CN106920151A (zh) 酒店备选池的推荐方法和系统
US20240083616A1 (en) Systems and methods for assembling unpacked merchandise in containers
US12014327B2 (en) Method and system for identifying pallet shortages
CN112874927A (zh) 物流包装箱箱型推荐方法
EP3530573B1 (en) Method and computer system for utilizing a converting machine for making custom packaging templates
CN115758490A (zh) 提供包材型号推荐信息的方法、装置及电子设备
CN107085779B (zh) 一种物流管理自动化系统及方法
CN113987919A (zh) 一种瓦楞纸箱的配材生成方法、装置、存储介质及终端
Liang et al. A customizable optimization model for green e-commerce packing considering multiple orders and diverse box types
WO2022017971A1 (en) Method and systems for managing transport packaging
Sridhar et al. Multi objective optimization of heterogeneous bin packing using adaptive genetic approach

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