CN116933995A - 一种基于预测仿真的仓储作业排班方法及系统 - Google Patents
一种基于预测仿真的仓储作业排班方法及系统 Download PDFInfo
- Publication number
- CN116933995A CN116933995A CN202310351130.9A CN202310351130A CN116933995A CN 116933995 A CN116933995 A CN 116933995A CN 202310351130 A CN202310351130 A CN 202310351130A CN 116933995 A CN116933995 A CN 116933995A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- task
- simulation
- scheduling
- module
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013112 stability test Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 21
- 230000008569 process Effects 0.000 abstract description 12
- 230000010354 integration Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 239000010754 BS 2869 Class F Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06—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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于预测仿真的仓储作业排班方法及系统,采用以小时为单位的入库出库数据来预测次日入库出库数据,在每日总方量的预测误差和单日小时级预测误差方面都具有预测精度的优势;基于企业作业流程整合和人效标准化下的库区间作业,将库区抽象为生产单元,以按照任务品类划分的次日入库出库数据和不同经验人员排班方案为输入,采用Simevent离散仿真平台模拟区域作业表现,根据区域作业表现得到最优人员预测配置,在反映企业实际作业方面具有优势;通过基于小时级别的预测下的仿真排班获取次日排班的最优人员预测配置,同时在次日实际仓储作业期间通过仿真调整下一小时实际人员配置,在成本、效益、以及全流程把控方面具有优势。
Description
技术领域
本发明属于任务调度技术领域,具体地说,是涉及一种基于预测仿真的仓储作业排班方法及系统。
背景技术
降低流通成本,建立高效、快捷、现代化、智能化的仓储物流体系迫在眉睫。智能仓储是智慧物流的重要部分,通过智能化技术手段,可实现物流仓储各环节精细化、动态化、可视化管理,保证货物仓库管理各个环节数据输入的速度和准确性,相较传统仓储,智能仓储可节约并提高空间利用率、降低人力成本、提高仓储作业效率。
在仓储作业人员排班方面,现有的方式或者依靠人工经验实施固定班次排班,或者以传统线性规划的方式进行排班,但物流企业受作业订单不均衡、作业场模式不统一、以及作业品类多样化等影响,导致现有的排班方式受每日任务量不平均、每个时段任务量不规律、库区间任务量相差较大等因素影响,存在任务高峰时人员排班不足、任务低谷时人员空闲、任务迟滞并存等问题。
发明内容
本发明提出一基于预测仿真的仓储作业排班方法及排班系统,从仿真设计、方量预测、每日排班、小时调度四个方面,将当前任务量基于天的粗略估计精确到任务量小时级的精准预测,将库区抽象为生产单元,采用离散仿真平台模拟区域作业表现来进行作业仿真,达到将每日预测任务数据与当日人员配置参数输入仿真系统,输出四项运行指标,调整人员配置,多次仿真比较评价,获取次日排班方案,以及,将当日下一小时实际任务数据与当前时段人员配置输入仿真系统,输出四项运行指标,调整人员配置,多次仿真比较评价,临时调度人力,通过日预测排班与当日小时调整提高排班精度,避免任务高峰时人员排班不足、任务低谷时人员空闲的问题发生。
本发明采用以下技术方案予以实现:
提出一种基于预测仿真的仓储作业排班方法,包括:
基于过去指定时间段内以小时为单位的入库出库数据,预测次日入库出库数据;
将库区抽象为生产单元,以按照任务品类划分的次日入库出库数据和不同经验人员排班方案为输入,采用Simevent离散仿真平台模拟区域作业表现,根据区域作业表现得到最优人员预测配置;其中,一个区域包含若干库区,一个仓库包含若干区域;所述任务品类按照标准人效数据划分;所述区域作业表现为任务队列长度、任务队列等待时间、库区任务数和/或库区利用率;
在次日仓储作业期间,以实际到达的小时级的入库出库数据和当前时段人员配置为输入,基于所述Simevent离散仿真平台模拟区域作业表现调整所述最优人员排班方案。
在本发明一些实施例中,所述方法还包括:
采用ARIMA模型预测所述次日入库出库数据,具体包括:
对所述入库出库数据进行平稳性检验和白噪声检验;
从已知模型中选择与所述入库出库数据适配的模型;
使用AIC、BIC准则进行模型定阶;
验证模型的拟合效果。
在本发明一些实施例中,所述方法还包括:
采用Simevent离散仿真平台构建仓储作业仿真系统,包括:
输入端,包括第一发生器和第二发生器,其中,第一发生器生成入库任务实体,第二发生器构成出库任务实体;
衔接模块,作为输入端和作业端的衔接,包括任务汇总实体和分流任务实体;
作业端,由若干库区子系统构成,每个库区子系统由任务队列模块、库区作业模块和任务消灭模块构成;其中,任务队列模块用于接受任务实体,库区作业模块用于处理所述入库任务实体和所述出库任务实体,任务消灭模块用于消灭实体任务。
在本发明一些实施例中,所述仓储作业仿真系统还包括:
时间戳模块,用于输出全局仿真时间;
计数器,附着在所述第一发生器和所述第二发生器上,用以记录产生任务的数量。
在本发明一些实施例中,所述仓储作业仿真系统还包括:
示波器,用于基于作业端输出的仿真结果将任务情况可视化。
提出一种基于预测仿真的仓储作业排班系统,包括:
预测模块,用于基于过去指定时间段内以小时为单位的入库出库数据,预测次日入库出库数据;
仿真模块,用于将库区抽象为生产单元,以按照任务品类划分的次日入库出库数据和不同经验人员排班方案为输入,采用Simevent离散仿真平台模拟区域作业表现,根据区域作业表现得到最优人员预测配置;其中,一个区域包含若干库区,一个仓库包含若干区域;所述任务品类按照标准人效数据划分;所述区域作业表现为任务队列长度、任务队列等待时间、库区任务数和/或库区利用率;以及,
在次日仓储作业期间,以实际到达的小时级的入库出库数据和当前时段人员配置为输入,基于所述Simevent离散仿真平台模拟区域作业表现调整所述最优人员排班方案。
在本发明一些实施例中,所述预测模块采用ARIMA模型预测所述次日入库出库数据,具体包括:
对所述入库出库数据进行平稳性检验和白噪声检验;
从已知模型中选择与所述入库出库数据适配的模型;
使用AIC、BIC准则进行模型定阶;
验证模型的拟合效果。
在本发明一些实施例中,构建的所述仓储作业仿真系统,包括:
输入端,包括第一发生器和第二发生器,其中,第一发生器生成入库任务实体,第二发生器构成出库任务实体;
衔接模块,作为输入端和作业端的衔接,包括任务汇总实体和分流任务实体;
作业端,由若干库区子系统构成,每个库区子系统由任务队列模块、库区作业模块和任务消灭模块构成;其中,任务队列模块用于接受任务实体,库区作业模块用于处理所述入库任务实体和所述出库任务实体,任务消灭模块用于消灭实体任务。
在本发明一些实施例中,所述仓储作业仿真系统还包括:
时间戳模块,用于输出全局仿真时间;
计数器,附着在所述第一发生器和所述第二发生器上,用以记录产生任务的数量。
在本发明一些实施例中,所述仓储作业仿真系统还包括:
示波器,用于基于作业端输出的仿真结果将任务情况可视化。
与现有技术相比,本发明的优点和积极效果是:本发明提出的基于预测仿真的仓储作业排班方法及系统所体现的优点包括三个方面,一方面的,相比企业现有基于天的粗略任务量估计,本发明采用过去指定时间段内以小时为单位的入库出库数据来预测次日入库出库数据,在每日总方量的预测误差和单日小时级预测误差方面都具有预测精度的优势;二方面的,由于企业具体库区分配和作业流程的限制,导致行业现有基于作业流程的仿真方法难以反映企业实际作业过程,本发明基于企业作业流程整合和人效标准化下的库区间作业,将库区抽象为生产单元,以按照任务品类划分的次日入库出库数据和不同经验人员排班方案为输入,采用Simevent离散仿真平台模拟区域作业表现,根据区域作业表现得到最优人员预测配置,在反映企业实际作业方面具有优势;第三方面的,本发明一方面通过基于小时级别的预测下的仿真排班获取次日排班的最优人员预测配置,一方面在次日实际仓储作业期间通过仿真调整下一小时实际人员配置,在成本、效益、以及全流程把控方面具有优势。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例的技术方案,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为本发明提出的基于预测仿真的仓储作业排班方法的步骤示意;
图2为本发明提出的基于预测仿真的仓储作业排班系统的运行流程;
图3为本发明实施例中企业实际入库出库任务数据做自相关和偏自相关的图像示意;
图4为本发明实施例中仓库结构示意;
图5为本发明实施例中基于品类与作业的人效标准数据示意;
图6为本发明实施例中任务输入标准表格示意;
图7为本发明实施例中区域仓储作业系统抽象示意;
图8为本发明实施例中区域作业系统仿真模型示意;
图9为本发明实施例中区域入库子系统模型示意;
图10为本发明实施例中区域-库区模型示意;
图11为本发明效果推导中ARIMA模型的任务预测与实际对比示意;
图12为本发明效果推导中仓储作业流程示意;
图13为本发明效果推导中仓储作业效率示意;
图14为本发明效果推导中品类每日任务量估计数据示意;
图15为本发明效果推导中排班寻优迭代示例。
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。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明提出的基于预测仿真的仓储作业排班方法,如图1和图2所示,包括:
S1:基于过去指定时间段内以小时为单位的入库出库数据,预测次日入库出库数据。
为实现较准确的订单方量预测,本发明按作业类型具体到品类和小时级别来预测任务放量。
S2:将库区抽象为生产单元,以按照任务品类划分的次日入库出库数据和不同经验人员排班方案为输入,采用Simevent离散仿真平台模拟区域作业表现,根据区域作业表现得到最优人员预测配置。
其中,一个区域包含若干库区,一个仓库包含若干区域;任务品类按照标准人效数据划分。
本发明将一个仓库的一个区域内的一个库区抽象为一个生产单元,采用Simevents离散仿真平台模块化系统模拟区域作业表现来完成系统作用仿真,该区域作业表现包括但不限定于任务队列长度、任务队列等待时间、库区任务数和/或库区利用率,达到将每日预测任务数据与当日人员配置参数输入仿真系统,输出四项运行指标,结合调整人员配置、多次仿真比较评价来获取较优次日排班的目的。
在本发明一些实施例中,针对每个区域构建执行文件,解压即用,增强输入输出交互性、系统封闭安全性。
S3:在次日仓储作业期间,以实际到达的小时级的入库出库数据和当前时段人员配置为输入,基于所述Simevent离散仿真平台模拟区域作业表现调整所述最优人员排班方案。
在次日实际仓储作业期间,将下一小时实际任务数据与当前时段人员配置输入仿真系统,输出四项运行指标,并调整人员配置、多次仿真比较评价,达到临时调度人力(当日临时调度)的目的。
在本发明一些实施例中,次日入库出库数据的预测按照如下方法实现:
若已知当天的工作人员数量和企业下一天即将处理的方量(精确到小时级别),再结合企业统计出来的人效数据,可以根据本发明提供的仿真模型计算出更优的排班方案,在充分利用现有数据的情况下,以达到更高的工作效率。
例如,在获取了企业两个月的实际入库出库任务量数据后,基于数据表征的企业各个品类各个库区的任务方量数据,可以精确到小时级别划分,通常的,因为0-8时企业未开工,方量数据几乎为零,因此实际的数据预测主要针对8-23时,同时当天未处理完的任务会累积到次日开始。
本发明实施例中通过两个月的数据使用ARIMA方法来预测次日各个时段的方量数据。
ARIMA模型是差分整合移动平均自回归模型,又称整合移动平均自回归模型(移动也可称作滑动),是时间序列预测分析方法之一。ARIMA(p,d,q)中,AR是“自回归”,p为自回归项数;MA为“滑动平均”,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数)。“差分”一词虽未出现在ARIMA的英文名称中,却是关键步骤。ARIMA模型为非平稳时间序列,在消去其局部水平或者趋势之后,其显示出一定的同质性。
ARIMA模型的主要步骤如下:
1)时间序列的预处理:时间序列的预处理包括两个方面的检验,平稳性检验和白噪声检验。能够适用ARMA模型进行分析预测的时间序列必须满足的条件是平稳非白噪声序列。对数据的平稳性进行检验是时间序列分析的重要步骤,一般通过时序图和相关图来检验时间序列的平稳性。
2)模型识别:模型识别即从已知的模型中选择一个与给出的时间序列过程相吻合的模型。
本发明实施例中,从企业随机获取了企业两个月的实际入库出库任务量数据,根据数据所做的自相关和偏自相关的图像如图3所示,可以看出,在两幅图中横坐标为16处纵轴均超过了矩形所覆盖区域,则ARIMA模型中p值和q值可以选择16作为备选。
3)模型定阶:在确定了模型的类型之后,还需要知道模型的阶数,可使用AIC、BIC准则法进行定阶。
接着图3所示实施例,选择(16,0,0)(0,0,16)(16,0,16)三个参数的模型并且计算三者的AIC、BIC和hqic的值。这三个参数均越小越好。从下图可以看出,AR(16,0,0)的效果最好,所以选择该模型。
4)模型验证:模型的验证主要是验证模型的拟合效果,如果模型完全或者基本解释了系统数据的相关性,那么模型的噪声序列为白噪声序列,那么模型的验证也就是噪声序列的独立性检验。
本实施例使用RMSE即均方根误差来进行误差的计算,均方根计算公式如下:
使用两个月的数据作为训练集,使用八月最后一天的数据作为测试集,所得均方根误差为13.5986,结果良好。
采用Simevent离散仿真平台模拟区域作业表现的实现方案如下:
在仓储平台(仓库)实际作业中,作业效率受到任务方量预测、库区人数配置等因素的影响。在经验排班机制下,各个区域的人员分配到库区的人数通常是固定的,面临变化的订单任务分布,可能出现忙闲不均、人力浪费与任务迟滞并存的问题。
本发明通过建立一套仿真系统,在经过预测的任务方量时段序列(次日入库出库数据)的输入下,通过不同的人员配置模拟,比较任务队列长度、任务队列等待时间、库区任务数、库区利用率等可视化指标图像,可以寻求适应性的人员排班方案。
此外,在当日分时段输入真实订单任务方量,实时模拟评估下一时段的库区忙闲情况,实现库区间的人力临时调度,作为对预测风险应对的微调。
具体实施步骤包括:识别仓储系统、标准人效数据特征分析、任务数据特征分析,任务数据处理;作业系统抽象、仿真软件建模;任务数据输入仿真系统运行测试;调整系统参数、确认最终仿真子系统。
下面举例说明实施步骤:
1)识别仓储系统层级划分及所属关系、标准人效数据特征分析、任务数据特征分析。
在本发明实施例中,企业仓储输入基本信息情况为:仓库被划分为3大区域(标记为A类、F类、X类),具体涵盖范围如图4,而作业包括入库、出库两大类,具体标准流程及人效见图5所示。可以看出,任务因为货物品类不同其入库出库的工序及效率也有差异,因此,品类是本发明重点考虑的维度。
订单系统输出的表格文件分为入库订单表、出库订单表,在输入仿真系统前,数据需要透视整理为不同区域、不同时段的任务清单。对每个区域,提取关键的几列订单特征信息(包括时间、区域、库区、品类),其中品类信息将按标准人效数据划分的10大类归类,时段汇总为8-22时班次输入(工作班次22时)。一个示意性的关于A品类的各区域入库任务表格如图6所示。
2)作业系统抽象、仿真软件建模。
根据数据特征及作业系统特征,进行作业系统抽象需要作几点假设。一方面,作业人员被认为是多能工,另一方面,整个仓库三大区域20余个库区由90余名作业人员覆盖,显然,人数按工序工位配置是不可能的,因此具体时段、品类、作业任务输入被假设为由库区连续完成,从而入库、出库分别被整合为一道整体工序,但是会同时输入,而工位只包含一个服务器(人员数量由工位容量表示)。作业班次时段跨度为9:00-24:00,因此早于本日8:00、晚于前一天22:00输入的订单任务会作为9:00-10:00的作业输入(该作业时段的输入任务为23:00-9:00之间的方量)。
此外,基于企业提供的标准人效,将工序人效转化为入库、出库人效,并假设缺失人效数据的X品类以均值取值,且不同人员的效率不考虑差异。
仿真设计思路如下,根据企业情况,人员排班限于区域层面、调度可以在同一区域的不同库区,因此仿真仓储作业系统层为区域,而下属各库区作业输入分为入库、出库2类,入库任务产生、出库任务产生作为输入端两个子系统,任务汇流、分流作为衔接输入端和作业端的模块,作业端视每个库区为一个子系统,其包括等待(队列)、服务(作业)、消灭模块。
为实现任务三维度(时段、作业类型、品类)属性,增加时间戳模块、计数器模块,其中,时间戳为全局使用,计数器附着在入库、出库内按品类排布的多个任务产生模块上以记录产生任务数量。
对仓库3大区域,因品类、作业时段相同,入库、出库输入端模块具有通用性,只是在附加分流属性上因区域而异。最大的差异是作业端子系统个数不同。以A区域为例,其包括6个库区A1,A2,…,因此简要的区域作业系统如图7所示。
以上仿真系统设计的实现,基于Matlab R2021a的Simulink下属离散系统仿真平台Simevents。涉及仿真功能模块如图8所示,从左至右依次包括:
时间戳函数,输出全局仿真时间;
发生器和计数器函数(输入端),发生器用于生成带属性任务实体;具体的,包括第一发生器(上)和第二发生器(下),其中,第一发生器生成入库任务实体,第二发生器生成出库任务实体。计数器函数用于记录产生任务个数,反馈确定下一实体属性赋值。
汇总任务实体和分流任务实体(衔接模块),其中,汇总任务实体用于备分流,分流任务实体面向各库区队列。
队列,接收任务实体;
服务器和终止器,服务器表示库区处理任务实体;终止器消灭任务实体;
示波器,可视化运行指标;
关于任务产生的输入端,以入库子系统为例(出库子系统类似),如图9所示一个实施例,若入库包括10个品类,则包括相对独立的10部分,每部分包括从左到右的示波器(显示产生任务数量,反馈到计数器)、计数器和发生器。
关于任务处理子系统,以库区A1为例,图10所示,子系统主要包括处理/服务器server、消灭器teminator。
为体现不同库区的人员配置,需要在服务器容量处按仿真或实际配置设置。
以上涉及具体模型的搭建均以区域A为例,实际上,对于下辖库区数相同的区域来说,可以共用一套模型,只是在仿真时数据输入表进行替换即可,库区数不同的情况,前文已描述主要的差异部分,基本模块可以套用增删、只需在少数变化的模块参数修改即可。
基于本发明提出的基于预测仿真的仓储作业排班方法,本发明还提出一种基于预测仿真的仓储作业排班系统,包括:
预测模块,用于基于过去指定时间段内以小时为单位的入库出库数据,预测次日入库出库数据。
仿真模块,用于将库区抽象为生产单元,以按照任务品类划分的次日入库出库数据和不同经验人员排班方案为输入,采用Simevent离散仿真平台模拟区域作业表现,根据区域作业表现得到最优人员预测配置;其中,一个区域包含若干库区,一个仓库包含若干区域;任务品类按照标准人效数据划分;区域作业表现为任务队列长度、任务队列等待时间、库区任务数和/或库区利用率;以及,
在次日仓储作业期间,以实际到达的小时级的入库出库数据和当前时段人员配置为输入,基于Simevent离散仿真平台模拟区域作业表现调整最优人员排班方案。
上述本发明提出的基于预测仿真的仓储作业排班系统,其整体功能实现如下:
基于企业实操的便捷易用性,将搭建好的Simulink/Simevent仿真模型与MatlabAPP Designer联合设计,系统功能实现包括:
主控界面:实现选择并调用“次日预测-次日排班”APP、当日调度APP,根据APP录入所需数据。
数据输入,包括:手工透视历史任务数据、从界面输入当日当前小时人员配置信息、录入预测次日下一时段实际订单任务输入表。
子系统运行:使用预测程序,调用仿真模型,仿真结果四项指标传到工作区。
仿真显示:调用工作区数据绘图,将任务迟滞情况、人员利用情况可视化。
调整寻优:调整人员配置、重新仿真、观测指标改善情况,多次仿真确定较优配置作为次日排班方案和下一时段调度方案。
当调用仿真子系统时,仿真运行说明如下(以A区域次日排班为例):将当日人员配置作为界面输入信息,点击仿真按钮,APP将人员配置输入到工作区,并调用文件夹下的*.slx仿真模型,仿真模型读取文件夹下的标准任务输入表*.xlsx,读取工作区人员配置,运行后将仿真结果主要的四项指标(任务队列长度、任务队列等待时间、工位利用率和工位任务数)传到工作区,APP调用工作区数据绘图,将任务迟滞情况、人员情况可视化展示。
下面对本发明提出的基于预测仿真的仓储作业排班系统的优点进行推导:
本发明相对企业现有方案以及行业基础方案所体现的优点主要有三个方面,首先是相对企业现有基于天的粗略任务量估计方法,基于小时的Arima预测方案在每日总方量的预测误差及单日小时级预测误差精度方面都有一定的优势。其次由于企业具体库区分配和作业流程的限制导致行业现有基于作业流程的仿真方法难以反映企业实际过程,所以本发明提出的基于作业流程整合和人效标准化下的库区间作业仿真模型在反映企业实际方面有一定的优势。最后在智能排班方面,相较于企业现有基于天的粗略估计下的人工排班方案,本发明提出的基于小时级的科学预测下的仿真排班方案在成本,效益,以及全流程把控方面都有一定的优势。
具体的,在预测精度方面:
目前企业现有对任务量的估计是基于历史任务量的到天的平均估计,本发明为了得到更好的预测结果使用了基于Arima的到小时级的精确估计。下面主要从企业现有方案与基于小时的ARIMA预测方案在每日总量的预测误差及单日小时级预测误差精度的比较,通过具体算例说明本发明在预测精度方面的优点。
1)每日总任务量预测精度的比较
为了说明,申请人统计了2022.7-2022.8两个月内企业每日入库任务量数据。首先为了对比企业现有方案,申请人计算了两个月内任务量到达的平均值作为每日任务量的估计值。计算了两个月内以平均值作为估计值下任务量的均方误差同时,使用Arima模型训练这两个月的数据并预测8.26这天的任务量/>而当日实际任务量为Task=1770.451,可以发现使用Arima模型预测的当日误差为:
而使用平均值模型预测的当日误差为:
可以发现使用Arima模型的每日总任务量预测误差要比使用平均值好11.9%左右。可以说明本发明在每日总任务量预测精度方面相对企业现有方案较优。
(二)每日小时级任务量预测精度的比较
为了说明使用Arima模型预测了8.26日每小时到达任务量情况,同时对比平均值估计每小时到达任务量情况,得到具体每小时实际,平均值估计,Arima模型估计的任务量如图11所示。
为了对比,计算了和可以发现Arima基于小时的估计要优于企业现有平均值估计。可以说明本发明在每日小时级任务量预测精度方面相对企业现有方案较优。
在仿真模型方面:
由于企业具体库区分配和作业流程的限制导致常用的基于作业流程的仿真难以反映企业实际过程,所以本申请人提出了基于作业流程整合和人效标准化下的库区间人员排班调度模型,说明本发明在仿真模型方面的优点。
首先在企业仓库作业流程标准化方面,企业目前主要涉及的入库、在库、出库作业标准化如图12所示。
由于企业在实际操作过程中各环节之间的人员是可以流动的,可能存在一人同时完成多个操作环节的情况,所以常见的基于作业流程的仿真难以适应企业实际操作情况。所以本发明以企业“仓-区域-库区”三级中最小单位库区为仿真的最小单位,将库区内各项入库、在库、出库操作流程看成一个整体,只考虑物品在库区内所需操作环节的总的处理时间,不对具体环节进行仿真。
其次在企业人效标准化方面,企业目前通过现场调研模拟,获得了部分品类进行不同操作下的标准人效数据如图13所示。由于本发明在仿真过程中以库区为最小单位,所以对人效标准化数据进行处理时,只统计不同品类的物品在进行入库、出库作业时总的人效数据,通过平均处理,最终获得不同品类物品在入库时的标准人效:RukuSpeed=[0.2562,0.0603,0.0146,0.0146,0.0196,0.0196,0.1082,0.1133],以及出库时的标准人效:
ChukuSpeed=[0.2262,0.0956,0.0959,0.0579,0.0633,0.1439,0.0874,0.1439]。
通过对作业流程的整合和人效标准化的整合,建立了相对现有基于作业流程仿真的更贴合企业实际情况的仓库作业仿真模型。可以说明本发明在仿真模型方面相对现有建模方式较优。
在智能排班方面的优点:
企业现有基于天的粗略估计和人工排班下的方案与本发明提出的基于小时级的科学估计和仿真排班下的方案在成本,效率等方面的对比,以及对排班方案的事前模拟,事中调整,事后复盘等操作,说明本发明在智能排班方面的优点。
首先,本发明在智能排班方面可以对排班方案进行全流程的评估,主要涉及事前模拟,事中调整,事后复盘。在事前模拟方面,通过输入预测任务量以及经验排班方案,通过仿真系统的模拟,根据多项指标的分析调整经验排班方案,主要指标包括:队列长度,队列等待时间,库区任务数,库区利用率。通过不断的调整可以得到由于经验排班的事前排班方案,作为第二天的排班方案使用。在事中调整方面,在事前模拟得出的排班方案的基础上,根据第二天实际到达的小时级的任务量情况,再次通过仿真,分析,调整当日的排班方案,以应对任务量预测的不准确以及各库区实际任务处理能力的差别。在事后复盘方面,可以对当日初始排班方案以及事中调整方案和事后复盘的最优方案进行对比,发现在初始排班以及事中调整方面是否存在问题。
其次,本发明在对企业现有基于天的粗略估计和人工排班下的方案与本发明提出的基于小时级的科学估计和仿真排班下的方案在成本,效率等方面也有一定的优点。以上述实施例继续,对A区域6个库区进行人员方案的分配,首先对个品类每小时到达的入库、出库任务量进行估计,作为仿真模型任务量的输入,其中,各品类每日任务量估计如图14所示,同时,根据经验排班得到了一个初始排班方案Schedulinginitial=[7,8,8,9,10,10],基于此,实施本发明的事前模拟操作,通过仿真,分析得出调整后的排班方案
Schedulingadjust=[8,5,9,7,8,10],具体迭代过程如图15所示。
通过对方案调整前后人员数量、成本、利用率等的对比可以发现,调整后所需人数减少5人,库区的利用率指标提升了8.5%(从6.18%到71.68%),虽然从队列等待时间指标来看,等待时间有所增加,但平均增加小于2分钟。可以说明本发明的智能排班方案相对企业现有经验排班方案较优。
综上所述本发明在预测精度,在仿真模型方面以及在智能排班方面相对企业现有方案和行业基础方案都有一定的优势。
需要说明的是,在具体实现过程中,上述的控制部分可以通过硬件形式的处理器执行存储器中存储的软件形式的计算机执行指令实现,此处不予赘述,而上述控制电路所执行的动作所对应的程序均可以以软件形式存储于系统的计算机可读存储介质中,以便于处理器调用执行以上各个模块对应的操作。
上文中的计算机可读存储介质可以包括易失性存储器,例如随机存取存储器;也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;还可以包括上述种类的存储器的组合。
上文所提到的处理器,也可以是多个处理元件的统称。例如,处理器可以为中央处理器,也可以为其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列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。通用处理器可以是微处理器或者可以是任何常规的处理器等等,还可以为专用处理器。
应该指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种基于预测仿真的仓储作业排班方法,其特征在于,包括:
基于过去指定时间段内以小时为单位的入库出库数据,预测次日入库出库数据;
将库区抽象为生产单元,以按照任务品类划分的次日入库出库数据和不同经验人员排班方案为输入,采用Simevent离散仿真平台模拟区域作业表现,根据区域作业表现得到最优人员预测配置;其中,一个区域包含若干库区,一个仓库包含若干区域;所述任务品类按照标准人效数据划分;所述区域作业表现为任务队列长度、任务队列等待时间、库区任务数和/或库区利用率;
在次日仓储作业期间,以实际到达的小时级的入库出库数据和当前时段人员配置为输入,基于所述Simevent离散仿真平台模拟区域作业表现调整所述最优人员排班方案。
2.根据权利要求1所述的基于预测仿真的仓储作业排班方法,其特征在于,所述方法还包括:
采用ARIMA模型预测所述次日入库出库数据,具体包括:
对所述入库出库数据进行平稳性检验和白噪声检验;
从已知模型中选择与所述入库出库数据适配的模型;
使用AIC、BIC准则进行模型定阶;
验证模型的拟合效果。
3.根据权利要求1所述的基于预测仿真的仓储作业排班方法,其特征在于,所述方法还包括:
采用Simevent离散仿真平台构建仓储作业仿真系统,包括:
输入端,包括第一发生器和第二发生器,其中,第一发生器生成入库任务实体,第二发生器构成出库任务实体;
衔接模块,作为输入端和作业端的衔接,包括汇总任务实体和分流任务实体;
作业端,由若干库区子系统构成,每个库区子系统由任务队列模块、库区作业模块和任务消灭模块构成;其中,任务队列模块用于接受任务实体,库区作业模块用于处理所述入库任务实体和所述出库任务实体,任务消灭模块用于消灭实体任务。
4.根据权利要求3所述的基于预测仿真的仓储作业排班方法,其特征在于,所述仓储作业仿真系统还包括:
时间戳模块,用于输出全局仿真时间;
计数器,附着在所述第一发生器和所述第二发生器上,用以记录产生任务的数量。
5.根据权利要求3所述的基于预测仿真的仓储作业排班方法,其特征在于,所述仓储作业仿真系统还包括:
示波器,用于基于作业端输出的仿真结果将任务情况可视化。
6.一种基于预测仿真的仓储作业排班系统,其特征在于,包括:
预测模块,用于基于过去指定时间段内以小时为单位的入库出库数据,预测次日入库出库数据;
仿真模块,用于将库区抽象为生产单元,以按照任务品类划分的次日入库出库数据和不同经验人员排班方案为输入,采用Simevent离散仿真平台模拟区域作业表现,根据区域作业表现得到最优人员预测配置;其中,一个区域包含若干库区,一个仓库包含若干区域;所述任务品类按照标准人效数据划分;所述区域作业表现为任务队列长度、任务队列等待时间、库区任务数和/或库区利用率;以及,
在次日仓储作业期间,以实际到达的小时级的入库出库数据和当前时段人员配置为输入,基于所述Simevent离散仿真平台模拟区域作业表现调整所述最优人员排班方案。
7.根据权利要求6所述的基于预测仿真的仓储作业排班系统,其特征在于,所述预测模块采用ARIMA模型预测所述次日入库出库数据,具体包括:
对所述入库出库数据进行平稳性检验和白噪声检验;
从已知模型中选择与所述入库出库数据适配的模型;
使用AIC、BIC准则进行模型定阶;
验证模型的拟合效果。
8.根据权利要求6所述的基于预测仿真的仓储作业排班方法,其特征在于,构建的所述仓储作业仿真系统,包括:
输入端,包括第一发生器和第二发生器,其中,第一发生器生成入库任务实体,第二发生器构成出库任务实体;
衔接模块,作为输入端和作业端的衔接,包括汇总任务实体和分流任务实体;
作业端,由若干库区子系统构成,每个库区子系统由任务队列模块、库区作业模块和任务消灭模块构成;其中,任务队列模块用于接受任务实体,库区作业模块用于处理所述入库任务实体和所述出库任务实体,任务消灭模块用于消灭实体任务。
9.根据权利要求8所述的基于预测仿真的仓储作业排班系统,其特征在于,所述仓储作业仿真系统还包括:
时间戳模块,用于输出全局仿真时间;
计数器,附着在所述第一发生器和所述第二发生器上,用以记录产生任务的数量。
10.根据权利要求8所述的基于预测仿真的仓储作业排班系统,其特征在于,所述仓储作业仿真系统还包括:
示波器,用于基于作业端输出的仿真结果将任务情况可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310351130.9A CN116933995A (zh) | 2023-03-31 | 2023-03-31 | 一种基于预测仿真的仓储作业排班方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310351130.9A CN116933995A (zh) | 2023-03-31 | 2023-03-31 | 一种基于预测仿真的仓储作业排班方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933995A true CN116933995A (zh) | 2023-10-24 |
Family
ID=88393168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310351130.9A Pending CN116933995A (zh) | 2023-03-31 | 2023-03-31 | 一种基于预测仿真的仓储作业排班方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933995A (zh) |
-
2023
- 2023-03-31 CN CN202310351130.9A patent/CN116933995A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hayo et al. | Do Federal Reserve communications help predict federal funds target rate decisions? | |
KR20180028583A (ko) | 지능형 전력사용 환경에서 수용가 맞춤형 전력량 스케쥴링 시스템 | |
US4885706A (en) | Computer aided flood control modeling and management system | |
Commeyne et al. | Effort estimation with story points and cosmic function points-an industry case study | |
Andersson et al. | A spiral process model for case studies on software quality monitoring—method and metrics | |
Henderson et al. | Rostering by iterating integer programming and simulation | |
KR101793625B1 (ko) | 기후변화를 고려한 비정상성 지역빈도해석에서의 확률강우량 산출방법 및 그 시스템 | |
CN103487644A (zh) | 电能分项能耗计量方法和装置 | |
CN112785089A (zh) | 坐席业务配置方法、装置、电子设备及存储介质 | |
JP2003157309A (ja) | 配置人員計画装置および配置人員計画方法 | |
WO2001016838A9 (en) | Project management, scheduling system and method | |
JP2000039904A (ja) | プロジェクト管理システム | |
Lee et al. | Processing networks with inventories: Sequential refinement systems | |
US20040024673A1 (en) | Method for optimizing the allocation of resources based on market and technology considerations | |
CN116933995A (zh) | 一种基于预测仿真的仓储作业排班方法及系统 | |
JP2021064163A (ja) | マンアワーシステム | |
CN116305797A (zh) | 一种基于bim和多源质量信息融合的施工风险评估系统 | |
Serpell | Improving conceptual cost estimating performance | |
Raftery | Models in building economics: A conceptual framework for the assessment of performance | |
CN113779391A (zh) | 基于建模的智能锁开锁推荐方法、系统、装置及存储介质 | |
CN115203344B (zh) | 一种基于cim模型建立电网大数据仓库的方法 | |
Tan et al. | Estimating parameters of a microsimulation model for breast cancer screening using the score function method | |
Fratila | Building information modeling for energy retrofitting | |
CN117039855B (zh) | 一种电力系统的负荷智能预测方法及系统 | |
Zhang | Simulation and analysis of queueing system |
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 |