CN116703301B - 一种基于多个回收仓库信息二氧化锆废料管控方法 - Google Patents
一种基于多个回收仓库信息二氧化锆废料管控方法 Download PDFInfo
- Publication number
- CN116703301B CN116703301B CN202310712020.0A CN202310712020A CN116703301B CN 116703301 B CN116703301 B CN 116703301B CN 202310712020 A CN202310712020 A CN 202310712020A CN 116703301 B CN116703301 B CN 116703301B
- Authority
- CN
- China
- Prior art keywords
- warehouse
- waste
- recovery
- zirconium dioxide
- zirconia
- 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
Links
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 title claims abstract description 195
- 239000002699 waste material Substances 0.000 title claims abstract description 162
- 238000011084 recovery Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 60
- RVTZCBVAJQQJTK-UHFFFAOYSA-N oxygen(2-);zirconium(4+) Chemical compound [O-2].[O-2].[Zr+4] RVTZCBVAJQQJTK-UHFFFAOYSA-N 0.000 claims abstract description 85
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000004064 recycling Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000009472 formulation Methods 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000002440 industrial waste Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 239000003082 abrasive agent Substances 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06F18/21—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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/30—Administration of product recycling or disposal
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Abstract
本发明公开了一种基于多个回收仓库信息二氧化锆废料管控方法，该方法包括以下步骤：构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化；收集二氧化锆废料仓库在预先设定的时间范围内的回收数据作为模拟数据，并基于Xgboost进行二氧化锆废料回收仓库的短时需求预测；根据短时需求预测结果，制定相应的二氧化锆废料回收计划；在二氧化锆废料回收过程中，根据实际需求情况对回收策略进行调整。本发明可以有效地提高废料管理效率，降低运营成本，并为实现环境保护和资源可持续利用做出贡献，预测仓库的短时需求，为后续的回收计划制定提供更可靠的依据，可以根据实际需求合理地分配运输资源、调整仓库开放时间。
Description
技术领域
本发明涉及工业废料处理技术领域，具体来说，涉及一种基于多个回收仓库信息二氧化锆废料管控方法。
背景技术
随着工业生产的快速发展，废料处理和回收问题日益成为一个重要的环境和资源利用挑战。二氧化锆，一种具有高熔点、高强度和高硬度的陶瓷材料，广泛应用于制陶、磨料、耐火材料等领域。它的优异性能使得二氧化锆在众多工业领域中受到青睐，从而产生大量废料。现阶段可以将二氧化锆废料转化为有价值的资源，提取废料中的有用成分，减少废料的危害性，并将其重新应用于其他领域，从而实现资源的循环利用，因此对二氧化锆废料的合理管理对环境保护和资源利用具有重要意义。传统的二氧化锆废料管控方法主要依赖人工经验进行仓库布局优化、需求预测及回收策略制定，这在一定程度上限制了废料管理效率和准确性。
近年来，机器学习技术的发展为废料管控带来了新的解决方案。基于多个回收仓库信息的二氧化锆废料管控方法可以通过数据驱动的方式实现对废料仓库需求的精确预测和调度策略的优化。然而，在实际应用中如何有效地整合各个回收仓库的信息、构建合适的模型以及制定灵活的回收计划仍然面临挑战。
例如中国专利号201910982791.5公开了种工业废料存储管理系统，其包括废料存储装置、废料运送装置及管理装置，管理装置与废料存储装置以及废料运送装置通信连接，其能够对工业废料进行识别，并且按照废料种类对其进行归类放置，实现了智能化的分类管理。但是上述系统在具体应用时还存在以下不足：对于废料仓库，若没有对二氧化锆废料仓库的布局进行优化，可能导致空间利用率较低、物流成本较高以及作业环境不理想，且现有技术中往往没有对废料的短时需求进行预测，这样容易出现偏差，影响到废料回收计划的制定和执行，进而可能导致资源分配不合理、运输效率低下、客户满意度降低等问题。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足，本发明提供了基于多个回收仓库信息二氧化锆废料管控方法，具备有效地提高废料管理效率，降低运营成本，并为实现环境保护和资源可持续利用做出贡献的优点，进而解决二氧化锆废料仓库空间利用率较低、没有对废料的短时需求进行预测的问题。
为实现上述有效地提高废料管理效率，降低运营成本，并为实现环境保护和资源可持续利用做出贡献的优点，本发明采用的具体技术方案如下：
一种基于多个回收仓库信息二氧化锆废料管控方法，该方法包括以下步骤：
S1、构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化。
S2、收集二氧化锆废料仓库在预先设定的时间范围内的回收数据作为模拟数据，并基于Xgboost进行二氧化锆废料回收仓库的短时需求预测。
S3、根据短时需求预测结果，制定相应的二氧化锆废料回收计划。
S4、在二氧化锆废料回收过程中，根据实际需求情况对回收策略进行调整。
进一步的，所述构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化包括以下步骤：
S11、根据二氧化锆废料仓库的实际情况，收集各作业区域之间的物流数据；
S12、利用系统布置设计方法分析物流数据，绘制作业区域位置关系相关图，确定各作业区域在二氧化锆废料仓库中的相对位置和距离，使得物流强度大的作业单位靠近，以减少物料运输时间和成本；
S13、使用定量布置程序对二氧化锆废料仓库进行初始布局，并计算初始布置成本，并通过交换作业区域的位置来改进布局，降低布置成本。
进一步的，所述计算初始布置成本包括以下步骤：
S131、计算各作业区域之间的距心；
S132、计算各作业区域的距心间的直角距离，并获取各作业区域间综合月搬运量的对应数据；
S133、计算初始布局的布置成本Z的计算公式为：
式中，表示作业区域i’和作业区域j’的距心间的直角距离，/>表示作业区域i’和作业区域j’间的综合月搬运量；
a表示作业区域的数量。
进一步的，所述收集二氧化锆废料仓库在预先设定的时间范围内的回收数据作为模拟数据，并基于Xgboost进行二氧化锆废料回收仓库的短时需求预测包括以下步骤：
S21、数据准备：收集各个二氧化锆废料回收仓库的回收日期、时间、仓库编号、回收量、当天天气信息，并将天气分为晴天、多云、雨天及大风天四种情况；
S22、使用k-means聚类算法将二氧化锆废料回收仓库根据每日回收量向量分成若干类别；
S23、使用Pearson相关系数方法分析同一类别中不同二氧化锆废料回收仓库之间的相关性，并选择高度相关的二氧化锆废料回收仓库作为特征向量；
S24、构建包括历史、时间、天气和空间因素在内的若干数量的特征的特征向量；
S25、优化Xgboost的目标函数并预测每个二氧化锆废料回收仓库的二氧化锆废料短期需求。
进一步的，所述使用k-means聚类算法将二氧化锆废料回收仓库根据每日回收量向量分成若干类别包括以下步骤：
S221、使用DBI方法确定最佳簇的数量，并使用欧几里得距离作为距离度量，平方误差和作为聚类准则函数；
S222、使用k-means聚类算法根据每个仓库每日回收量向量将仓库分成若干类别。
进一步的，所述使用欧几里得距离作为距离度量时，任意两个二氧化锆废料回收仓库A和B之间的距离公式为：
式中，A i 表示二氧化锆废料回收仓库A第i个维度的值，B i 表示二氧化锆废料回收仓库B第i个维度的值；
k表示维度总数。
进一步的，所述使用Pearson相关系数方法分析同一类别中不同仓库之间的相关性，并选择高度相关的仓库作为特征向量包括以下步骤：
S231、对同一类别的每对二氧化锆废料回收仓库i和j，在相同时间范围内计算二氧化锆废料回收仓库i和j的二氧化锆废料回收量之间的Pearson相关系数；
S232、根据计算得到的Pearson相关系数，评估二氧化锆废料回收仓库i和j之间的关联性；
S233、使用0.5作为阈值，并确定Pearson相关系数大于阈值的两个二氧化锆废料回收仓库作为高度相关的仓库。
进一步的，所述构建包括历史、时间、天气和空间因素在内的若干数量的特征的特征向量包括以下步骤：
S241、提取二氧化锆废料回收仓库过去若干天的每日回收量；
S242、使用独热编码表示星期一至星期日；
S243、根据当天的天气情况，将其表示为一个数值特征；
S244、使用独热编码表示寒假和暑假；
S245、将特殊节假日表示为一个二值特征；
S246、使用独热编码表示冬天、春天、夏天及秋天；
S247、将与当前二氧化锆废料回收仓库高度相关的其它二氧化锆废料回收仓库的前1天二氧化锆废料回收量作为一个特征；
S248、将S241-S247中的特征进行拼接，得到一个特征向量。
进一步的，所述优化Xgboost的目标函数并预测每个二氧化锆废料回收仓库的二氧化锆废料短期需求包括以下步骤：
S251、通过加法训练和正则化项优化目标函数，且在Xgboost模型训练过程中，调整参数以获得结构简单且性能良好的树模型；
S252、根据特征向量中的特征重要性评分，将特征按照重要性从高到低进行排序；
S253、使用训练好的Xgboost模型对每个回收仓库的二氧化锆废料短期需求进行预测。
进一步的，所述通过加法训练和正则化项优化目标函数，且在Xgboost模型训练过程中，同时调整参数以获得结构简单且性能良好的树模型包括以下步骤：
S2511、运用加法训练优化第一棵树，并在结束之后再优化第二棵树，直至优化完X棵树，同时首先假设模型初始估计值，每次添加一个新的树，迭代计算第n轮模型输出预测值；
S2512、将模型正则化项定义为叶结点总数和叶节点权值平方和函数：
式中，Ω(ft)表示正则化项，ft表示第t个CART回归树；
T表示叶节点总数；
w表示叶节点的权重，表示w的L2范数平方，m表示非零自然数；
γ和λ是控制树复杂度的参数，γ和λ越大越希望获得结构简单的树。
与现有技术相比，本发明提供了基于多个回收仓库信息二氧化锆废料管控方法，具备以下有益效果：
（1）本发明的基于多个回收仓库信息二氧化锆废料管控方法，可以有效地提高废料管理效率，降低运营成本，并为实现环境保护和资源可持续利用做出贡献。
（2）本发明通过构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化，从而提高仓库的空间利用率、降低物流成本和改善作业环境，这有助于提高整体仓储效率，节省运营成本。且能够计算初始布局的布置成本，并交换作业区域的位置来改进布局，进一步的降低布置成本。
（3）本发明通过收集二氧化锆废料仓库在预先设定的时间范围内的回收数据作为模拟数据，并基于Xgboost进行二氧化锆废料回收仓库的短时需求预测，从而对历史数据和关键特征的挖掘，构建精确度较高的预测模型，能够准确地预测仓库的短时需求，为后续的回收计划制定提供更可靠的依据，可以根据实际需求合理地分配运输资源、调整仓库开放时间等，从而提高运输效率、降低闲置资源，并提升客户满意度。通过Xgboost算法进行短时需求预测，能够使预测结果更加可靠，速度更快。且构建包括历史、时间、天气和空间因素在内的若干数量的特征的特征向量，使得综合考虑多种因素能够更全面地把握需求变化的规律。这有助于提高模型的预测准确性，减少预测误差，分析哪些特征对预测结果影响最大，可以为进一步优化废料回收仓库运营提供参考。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于多个回收仓库信息二氧化锆废料管控方法的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于多个回收仓库信息二氧化锆废料管控方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于多个回收仓库信息二氧化锆废料管控方法，该方法包括以下步骤：
S1、构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化，以提高空间利用率、降低物流成本和改善作业环境。
在进一步的实施例中，所述构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化包括以下步骤：
S11、根据二氧化锆废料仓库的实际情况，收集各作业区域（例如：入库区、出库区、加工区、检验区等）之间的物流数据；
S12、利用系统布置设计方法(SLP)分析物流数据，绘制作业区域位置关系相关图，确定各作业区域在二氧化锆废料仓库中的相对位置和距离，使得物流强度大的作业单位靠近，以减少物料运输时间和成本；系统布置设计方法（SLP，Systematic Layout Planning）是一种结构化的方法，用于组织和安排生产设施、工作站、设备和人员，以提高生产效率并减少生产成本。这种方法通过分析生产流程、材料流动、设备布局和人员流动，来确定最佳的生产布局。SLP可以应用于工厂、仓库、办公室等各种环境。
S13、使用定量布置程序(CRAFT)对二氧化锆废料仓库进行初始布局，并计算初始布置成本，并通过交换作业区域的位置来改进布局，降低布置成本。定量布局程序（CRAFT，Computerized Relative Allocation of Facilities Technique）是一种计算机辅助的设施布局方法，用于优化生产设施、仓库或办公室的布局。CRAFT通过迭代方式，调整设施之间的相对位置，以减少废料搬运成本和提高空间利用率。
对于二氧化锆废料仓库的初始布局，可以采用CRAFT方法进行优化
在进一步的实施例中，所述计算初始布置成本包括以下步骤：
S131、计算各作业区域之间的距心；
S132、计算各作业区域的距心间的直角距离，并获取各作业区域间综合月搬运量的对应数据；
S133、计算初始布局的布置成本Z的计算公式为：
式中，表示作业区域i’和作业区域j’的距心间的直角距离，/>表示作业区域i’和作业区域j’间的综合月搬运量；
a表示作业区域的数量。
S2、收集二氧化锆废料仓库在预先设定的时间范围内的回收数据作为模拟数据，并基于Xgboost进行二氧化锆废料回收仓库的短时需求预测。XGBoost是一种高效、灵活且可扩展的梯度提升树算法。
在进一步的实施例中，所述收集二氧化锆废料仓库在预先设定的时间范围内的回收数据作为模拟数据，并基于Xgboost进行二氧化锆废料回收仓库的短时需求预测包括以下步骤：
S21、数据准备：收集各个二氧化锆废料回收仓库的回收日期、时间、仓库编号、回收量、当天天气等信息，并将天气分为晴天、多云、雨天及大风天四种情况；
S22、使用k-means聚类算法将二氧化锆废料回收仓库根据每日回收量向量分成若干类别；
S23、使用Pearson相关系数方法分析同一类别中不同二氧化锆废料回收仓库之间的相关性，并选择高度相关的二氧化锆废料回收仓库作为特征向量；Pearson相关系数的取值范围为-1到1，其中，接近1表示两者之间呈正相关（即一个仓库的回收量增加时，另一个仓库的回收量也增加）；接近-1表示呈负相关（一个仓库的回收量增加时，另一个仓库的回收量减少）；接近0表示两者之间几乎没有相关性。
Pearson相关系数r=cov(X，Y)/[std(X)*std(Y)]
其中，cov(X，Y)是向量X和Y的协方差，std(X)和std(Y)分别是X和Y的标准差，X和Y分别代表不同二氧化锆废料回收仓库的二氧化锆废料回收量。
S24、构建包括历史、时间、天气和空间因素在内的若干数量的特征的特征向量；
S25、优化Xgboost的目标函数并预测每个二氧化锆废料回收仓库的二氧化锆废料短期需求。
在进一步的实施例中，所述使用k-means聚类算法将二氧化锆废料回收仓库根据每日回收量向量分成若干类别包括以下步骤：
S221、使用DBI（Davies-Bouldin指数）方法确定最佳簇的数量，并使用欧几里得距离作为距离度量，平方误差和作为聚类准则函数；
S222、使用k-means聚类算法根据每个仓库每日回收量向量将仓库分成若干类别。
在进一步的实施例中，所述使用欧几里得距离作为距离度量时，任意两个二氧化锆废料回收仓库A和B之间的距离公式为：
式中，A i 表示二氧化锆废料回收仓库A第i个维度的值，B i 表示二氧化锆废料回收仓库B第i个维度的值；
k表示维度总数。
在进一步的实施例中，所述使用Pearson相关系数方法分析同一类别中不同仓库之间的相关性，并选择高度相关的仓库作为特征向量包括以下步骤：
S231、对同一类别的每对二氧化锆废料回收仓库i和j，在相同时间范围内（例如每天、每周等）计算二氧化锆废料回收仓库i和j的二氧化锆废料回收量之间的Pearson相关系数；
S232、根据计算得到的Pearson相关系数，评估二氧化锆废料回收仓库i和j之间的关联性；
S233、使用0.5作为阈值，并确定Pearson相关系数大于阈值的两个二氧化锆废料回收仓库作为高度相关的仓库。
在进一步的实施例中，所述构建包括历史、时间、天气和空间因素在内的若干数量的特征的特征向量包括以下步骤：
S241、提取二氧化锆废料回收仓库过去若干天（例如14天）的每日回收量；
S242、使用独热编码表示星期一至星期日；
S243、根据当天的天气情况，将其表示为一个数值特征；
S244、使用独热编码表示寒假和暑假；
S245、将特殊节假日表示为一个二值特征；
S246、使用独热编码表示冬天、春天、夏天及秋天；
S247、将与当前二氧化锆废料回收仓库高度相关的其它二氧化锆废料回收仓库的前1天二氧化锆废料回收量作为一个特征；
S248、将S241-S247中的特征进行拼接，得到一个特征向量。
在进一步的实施例中，所述优化Xgboost的目标函数并预测每个二氧化锆废料回收仓库的二氧化锆废料短期需求包括以下步骤：
S251、通过加法训练和正则化项优化目标函数，且在Xgboost模型训练过程中，调整参数以获得结构简单且性能良好的树模型；
S252、根据特征向量中的特征重要性评分，将特征按照重要性从高到低进行排序；
S253、使用训练好的Xgboost模型对每个回收仓库的二氧化锆废料短期需求进行预测。
在进一步的实施例中，所述通过加法训练和正则化项优化目标函数，且在Xgboost模型训练过程中，同时调整参数以获得结构简单且性能良好的树模型包括以下步骤：
S2511、运用加法训练优化第一棵树，并在结束之后再优化第二棵树，直至优化完X棵树，同时首先假设模型初始估计值，每次添加一个新的树，迭代计算第n轮模型输出预测值；
S2512、将模型正则化项定义为叶结点总数和叶节点权值平方和函数：
式中，Ω(ft)表示正则化项，ft表示第t个CART回归树；
T表示叶节点总数；
w表示叶节点的权重，表示w的L2范数平方，m表示非零自然数；
γ和λ是控制树复杂度的参数，γ和λ越大越希望获得结构简单的树。
Xgboost算法中对树的复杂度项增加了一个Ｌ２正则化项，针对每个叶结点的得分增加Ｌ２平滑，目的也是为了避免过拟合。
S3、根据短时需求预测结果，制定相应的二氧化锆废料回收计划。
S4、在二氧化锆废料回收过程中，根据实际需求情况对回收策略进行调整。由于市场需求和生产情况可能发生变化，因此在二氧化锆废料回收过程中，需要根据实际需求情况对回收策略进行调整。如果发现实际需求与预测需求存在较大差异，可以根据实际情况调整回收策略。这可能包括增加或减少回收量、调整回收时间、改变回收地点等。
综上所述，借助于本发明的上述技术方案，本发明的基于多个回收仓库信息二氧化锆废料管控方法，可以有效地提高废料管理效率，降低运营成本，并为实现环境保护和资源可持续利用做出贡献。本发明通过构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化，从而提高仓库的空间利用率、降低物流成本和改善作业环境，这有助于提高整体仓储效率，节省运营成本。且能够计算初始布局的布置成本，并交换作业区域的位置来改进布局，进一步的降低布置成本。本发明通过收集二氧化锆废料仓库在预先设定的时间范围内的回收数据作为模拟数据，并基于Xgboost进行二氧化锆废料回收仓库的短时需求预测，从而对历史数据和关键特征的挖掘，构建精确度较高的预测模型，能够准确地预测仓库的短时需求，为后续的回收计划制定提供更可靠的依据，可以根据实际需求合理地分配运输资源、调整仓库开放时间等，从而提高运输效率、降低闲置资源，并提升客户满意度。通过Xgboost算法进行短时需求预测，能够使预测结果更加可靠，速度更快。且构建包括历史、时间、天气和空间因素在内的若干数量的特征的特征向量，使得综合考虑多种因素能够更全面地把握需求变化的规律。这有助于提高模型的预测准确性，减少预测误差，分析哪些特征对预测结果影响最大，可以为进一步优化废料回收仓库运营提供参考。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多个回收仓库信息二氧化锆废料管控方法，其特征在于，该方法包括以下步骤：
S1、构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化；
S2、收集二氧化锆废料仓库在预先设定的时间范围内的回收数据作为模拟数据，并基于Xgboost进行二氧化锆废料回收仓库的短时需求预测，包括以下步骤：
S21、数据准备：收集各个二氧化锆废料回收仓库的回收日期、时间、仓库编号、回收量、当天天气信息，并将天气分为晴天、多云、雨天及大风天四种情况；
S22、使用k-means聚类算法将二氧化锆废料回收仓库根据每日回收量向量分成若干类别；
S23、使用Pearson相关系数方法分析同一类别中不同二氧化锆废料回收仓库之间的相关性，并选择高度相关的二氧化锆废料回收仓库作为特征向量，包括以下步骤：
S231、对同一类别的每对二氧化锆废料回收仓库i和j，在相同时间范围内计算二氧化锆废料回收仓库i和j的二氧化锆废料回收量之间的Pearson相关系数；
S232、根据计算得到的Pearson相关系数，评估二氧化锆废料回收仓库i和j之间的关联性；
S233、使用0.5作为阈值，并确定Pearson相关系数大于阈值的两个二氧化锆废料回收仓库作为高度相关的仓库；
S24、构建包括历史、时间、天气和空间因素在内的若干数量的特征的特征向量；
S25、优化Xgboost的目标函数并预测每个二氧化锆废料回收仓库的二氧化锆废料短期需求；
S3、根据短时需求预测结果，制定相应的二氧化锆废料回收计划；
S4、在二氧化锆废料回收过程中，根据实际需求情况对回收策略进行调整。
2.根据权利要求1所述的一种基于多个回收仓库信息二氧化锆废料管控方法，其特征在于，所述构建若干二氧化锆废料仓库，并对每个二氧化锆废料仓库的布局进行优化包括以下步骤：
S11、根据二氧化锆废料仓库的实际情况，收集各作业区域之间的物流数据；
S12、利用系统布置设计方法分析物流数据，绘制作业区域位置关系相关图，确定各作业区域在二氧化锆废料仓库中的相对位置和距离，使得物流强度大的作业单位靠近，以减少物料运输时间和成本；
S13、使用定量布置程序对二氧化锆废料仓库进行初始布局，并计算初始布置成本，并通过交换作业区域的位置来改进布局，降低布置成本。
3.根据权利要求2所述的一种基于多个回收仓库信息二氧化锆废料管控方法，其特征在于，所述计算初始布置成本包括以下步骤：
S131、计算各作业区域之间的距心；
S132、计算各作业区域的距心间的直角距离，并获取各作业区域间综合月搬运量的对应数据；
S133、计算初始布局的布置成本Z的计算公式为：；式中，/>表示作业区域i'和作业区域j'的距心间的直角距离，/>表示作业区域i'和作业区域j'间的综合月搬运量；
a表示作业区域的数量。
4.根据权利要求3所述的一种基于多个回收仓库信息二氧化锆废料管控方法，其特征在于，所述使用k-means聚类算法将二氧化锆废料回收仓库根据每日回收量向量分成若干类别包括以下步骤：
S221、使用DBI方法确定最佳簇的数量，并使用欧几里得距离作为距离度量，平方误差和作为聚类准则函数；
S222、使用k-means聚类算法根据每个仓库每日回收量向量将仓库分成若干类别。
5.根据权利要求3所述的一种基于多个回收仓库信息二氧化锆废料管控方法，其特征在于，所述优化Xgboost的目标函数并预测每个二氧化锆废料回收仓库的二氧化锆废料短期需求包括以下步骤：
S251、通过加法训练和正则化项优化目标函数，且在Xgboost模型训练过程中，调整参数以获得结构简单且性能良好的树模型；
S252、根据特征向量中的特征重要性评分，将特征按照重要性从高到低进行排序；
S253、使用训练好的Xgboost模型对每个回收仓库的二氧化锆废料短期需求进行预测。
6.根据权利要求5所述的一种基于多个回收仓库信息二氧化锆废料管控方法，其特征在于，所述通过加法训练和正则化项优化目标函数，且在Xgboost模型训练过程中，同时调整参数以获得结构简单且性能良好的树模型包括以下步骤：
S2511、运用加法训练优化第一棵树，并在结束之后再优化第二棵树，直至优化完X棵树，同时首先假设模型初始估计值，每次添加一个新的树，迭代计算第n轮模型输出预测值；
S2512、将模型正则化项定义为叶结点总数和叶节点权值平方和函数：
;
式中，Ω(ft)表示正则化项，ft表示第t个CART回归树；
T表示叶节点总数；
w表示叶节点的权重，表示w的L2范数平方，m表示非零自然数；
γ和λ是控制树复杂度的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310712020.0A CN116703301B (zh) | 2023-06-15 | 2023-06-15 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310712020.0A CN116703301B (zh) | 2023-06-15 | 2023-06-15 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703301A CN116703301A (zh) | 2023-09-05 |
| CN116703301B true CN116703301B (zh) | 2023-12-08 |
Family
ID=87823540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310712020.0A Active CN116703301B (zh) | 2023-06-15 | 2023-06-15 | 一种基于多个回收仓库信息二氧化锆废料管控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703301B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5699525A (en) * | 1992-06-09 | 1997-12-16 | Hitachi, Ltd. | Information management apparatus dealing with waste and waste recycle planning supporting apparatus |
| JP2015182873A (ja) * | 2014-03-25 | 2015-10-22 | 富士金属興業株式会社 | リビルト部品配達およびコアヘン回収システムならびにその運用方法 |
| CN109284856A (zh) * | 2018-07-25 | 2019-01-29 | 顺丰科技有限公司 | 一种快递包材物料需求预测方法、装置及设备、存储介质 |
| CN110751313A (zh) * | 2019-09-16 | 2020-02-04 | 深圳市智微智能科技开发有限公司 | 有色金属废料管控方法及相关设备 |
| CN113537850A (zh) * | 2020-04-14 | 2021-10-22 | 顺丰科技有限公司 | 仓储优化方法、装置、计算机设备和存储介质 |
| CN114254845A (zh) * | 2020-09-23 | 2022-03-29 | 上海顺如丰来技术有限公司 | 仓库选址方法、装置、计算机设备和存储介质 |
| CN114548861A (zh) * | 2022-01-28 | 2022-05-27 | 中国船舶重工集团公司第七一六研究所 | 基于数字孪生的仓库管理方法 |
| CN115439045A (zh) * | 2022-07-14 | 2022-12-06 | 西北师范大学 | 一种基于magru的物流仓储需求量预测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2583955C (en) * | 2007-04-04 | 2013-06-25 | Waterford Foundation Inc. | Recycle station layout and system |
| US8001784B2 (en) * | 2007-07-13 | 2011-08-23 | Bruce Marshall | Hydrothermal energy and deep sea resource recovery system |
| US11097283B2 (en) * | 2018-10-30 | 2021-08-24 | New Planet Energy Development Llc | Systems and methods for municipal solid waste recycling facility |
| US11775877B2 (en) * | 2019-10-23 | 2023-10-03 | Genpact Luxembourg S.à r.l. II | System and method for artificial intelligence base prediction of delays in pipeline processing |
| CN112932365B (zh) * | 2021-02-05 | 2022-09-13 | 深圳银星智能集团股份有限公司 | 污液回收方法、维护站、清洁机器人及污液回收系统 |
| US11755987B2 (en) * | 2021-06-25 | 2023-09-12 | Maplebear Inc. | Determining estimated delivery time of items obtained from a warehouse for users of an online concierge system to reduce probabilities of delivery after the estimated delivery time |
| US11763229B2 (en) * | 2021-08-26 | 2023-09-19 | Maplebear Inc. | Picking sequence optimization within a warehouse for an item list |
-
2023
- 2023-06-15 CN CN202310712020.0A patent/CN116703301B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5699525A (en) * | 1992-06-09 | 1997-12-16 | Hitachi, Ltd. | Information management apparatus dealing with waste and waste recycle planning supporting apparatus |
| JP2015182873A (ja) * | 2014-03-25 | 2015-10-22 | 富士金属興業株式会社 | リビルト部品配達およびコアヘン回収システムならびにその運用方法 |
| CN109284856A (zh) * | 2018-07-25 | 2019-01-29 | 顺丰科技有限公司 | 一种快递包材物料需求预测方法、装置及设备、存储介质 |
| CN110751313A (zh) * | 2019-09-16 | 2020-02-04 | 深圳市智微智能科技开发有限公司 | 有色金属废料管控方法及相关设备 |
| CN113537850A (zh) * | 2020-04-14 | 2021-10-22 | 顺丰科技有限公司 | 仓储优化方法、装置、计算机设备和存储介质 |
| CN114254845A (zh) * | 2020-09-23 | 2022-03-29 | 上海顺如丰来技术有限公司 | 仓库选址方法、装置、计算机设备和存储介质 |
| CN114548861A (zh) * | 2022-01-28 | 2022-05-27 | 中国船舶重工集团公司第七一六研究所 | 基于数字孪生的仓库管理方法 |
| CN115439045A (zh) * | 2022-07-14 | 2022-12-06 | 西北师范大学 | 一种基于magru的物流仓储需求量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于时间序列和Xgboost的钢卷仓储吞吐量预测;孟杭;黄细霞;涂修建;;计算机应用(S2);全文 * |
| 基于集合覆盖模型的报废汽车回收点选址优化研究;邹晔;贺政纲;;交通运输工程与信息学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703301A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561156A (zh) | 基于用户负荷模式分类的短期电力负荷预测方法 | |
| CN110503256B (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
| CN109902954B (zh) | 一种基于工业大数据的柔性作业车间动态调度方法 | |
| CN106446967A (zh) | 一种新型电力系统负荷曲线聚类方法 | |
| CN108694502A (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
| CN112734135B (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
| CN109214449A (zh) | 一种电网投资需求预测方法 | |
| CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
| CN110610121B (zh) | 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法 | |
| CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
| CN111815054A (zh) | 基于大数据的工业蒸汽热网短期负荷预测方法 | |
| CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
| CN111667090A (zh) | 一种基于深度置信网络与权值共享的负荷预测方法 | |
| CN112396301A (zh) | 基于能源大数据驱动的电力用户需求响应特性控制方法 | |
| CN114529038A (zh) | 一种基于企业需求的智能匹配招商策略系统及方法 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
| Wang et al. | Optimization for storage scheduling of steel plates based on cloud manufacturing platform | |
| CN116703301B (zh) | 一种基于多个回收仓库信息二氧化锆废料管控方法 | |
| CN115829418B (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
| CN106779245A (zh) | 基于事件的民航需求预测方法和装置 | |
| CN116255665A (zh) | 一种基于热网系统负荷预测的供热联控方法及系统 | |
| CN115115119A (zh) | 一种基于灰色关联的oa-gru的短期电力负荷预测方法 | |
| CN114358474A (zh) | 一种典型多能用户模型建立方法 | |
| CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 |
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 |