CN117196199A - 物品调度方法、装置、电子设备和计算机可读介质 - Google Patents
物品调度方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117196199A CN117196199A CN202311123169.1A CN202311123169A CN117196199A CN 117196199 A CN117196199 A CN 117196199A CN 202311123169 A CN202311123169 A CN 202311123169A CN 117196199 A CN117196199 A CN 117196199A
- Authority
- CN
- China
- Prior art keywords
- factor information
- outflow
- preset
- article
- target
- 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 47
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了物品调度方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取预设时间段内对应物品标识的物品月均流出量序列;获取预设效能因素信息集合;对预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合;基于物品月均流出量序列与目标效能因素信息集合,生成相关性数值集合;确定对应相关性数值集合的当前预设效能因素信息集合;将物品月均流出量序列、相关性数值集合与当前预设效能因素信息集合确定为历史物品信息;将历史物品信息输入至预先训练好的月流出量预测模型,得到对应物品标识的预测月流出量;对物品标识对应的物品进行调度处理。该实施方式减少了调度资源的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及物品调度方法、装置、电子设备和计算机可读介质。
背景技术
物品调度,是对物品进行调度的一项技术。目前,在对物品进行调度时,通常采用的方式为:根据人工经验预测的物品流出量对物品进行调度或根据各个流出量影响因素预测物品流出量,对物品进行调度。
然而,当采用上述方式对物品进行调度时,经常会存在如下技术问题:
第一,根据人工经验预测的物品流出量对物品进行调度,受到了个人主观经验和能力的限制,使得预测的物品流出量的准确率较低。当预测的物品流出量与实际物品流出量存在较大的差别时,需要重新调度,浪费调度资源。
第二,根据各个流出量影响因素预测物品流出量,对物品进行调度的方式,在预测流出数量时,由于影响物品流出的流出量影响因素较多,同时众多的流出量影响因素之间可能存在相关性较高的多余因素,增加了不必要的模型数据的输入,在模型预测过程中加大了数据的处理量,造成了计算机算力资源的浪费。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了物品调度方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种物品调度方法,该方法包括:获取预设时间段内对应物品标识的物品月均流出量序列;获取对应上述物品标识的预设效能因素信息集合,其中,上述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息;对上述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合;基于上述物品月均流出量序列与上述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合,其中上述目标效能因素信息集合中的目标效能因素信息对应上述相关性数值集合中的相关性数值;确定对应上述相关性数值集合的当前预设效能因素信息集合,其中上述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息;将上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合确定为历史物品信息;将上述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应上述物品标识的预测月流出量;基于上述预测月流出量,对上述物品标识对应的物品进行调度处理。
第二方面,本公开的一些实施例提供了一种物品调度装置,装置包括:第一获取单元,被配置成获取预设时间段内对应物品标识的物品月均流出量序列;第二获取单元,被配置成获取对应上述物品标识的预设效能因素信息集合,其中,上述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息;处理单元,被配置成对上述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合;生成单元,被配置成基于上述物品月均流出量序列与上述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合,其中上述目标效能因素信息集合中的目标效能因素信息对应上述相关性数值集合中的相关性数值;第一确定单元,被配置成确定对应上述相关性数值集合的当前预设效能因素信息集合,其中上述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息;第二确定单元,被配置成将上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合确定为历史物品信息;预测单元,被配置成将上述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应上述物品标识的预测月流出量;调度单元,被配置成基于上述预测月流出量,对上述物品标识对应的物品进行调度处理。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的物品调度方法,减少了调度资源的浪费。具体来说,造成调度资源浪费的原因在于:根据人工经验预测的物品流出量对物品进行调度,受到了个人主观经验和能力的限制,使得预测的物品流出量的准确率较低。当预测的物品流出量与实际物品流出量存在较大的差别时,需要重新调度,浪费调度资源。基于此,本公开的一些实施例的物品调度方法,首先,获取预设时间段内对应物品标识的物品月均流出量序列。由此,可以得到用于生成物品的预测月流出量的月均流出量序列。上述月均流出量序列可以表示预设时间段内物品月流出量的历史数据。然后,获取对应上述物品标识的预设效能因素信息集合,其中,上述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息。接着,对上述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合。由此,可以对预设效能因素信息集合进行重因素去除处理,得到去除相关性较高的多余因素后的目标效能因素信息集合。之后,基于上述物品月均流出量序列与上述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合,其中上述目标效能因素信息集合中的目标效能因素信息对应上述相关性数值集合中的相关性数值。由此,可以得到用于确定当前预设效能因素信息集合的相关性数值集合。然后,确定对应上述相关性数值集合的当前预设效能因素信息集合,其中上述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息。由此,可以得到用于生成物品的预测月流出量的当前预设效能因素信息集合。接着,将上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合确定为历史物品信息。由此,可以确定月流出量预测模型的输入数据。之后,将上述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应上述物品标识的预测月流出量。由此,可以通过预先训练好的月流出量预测模型与历史物品信息,得到预测月流出量。预测过程中不受人主观经验的影响且可以同时兼顾多因素对月流出量的影响,得到预测准确率更高的预测月流出量。最后,基于上述预测月流出量,对上述物品标识对应的物品进行调度处理。由此,可以根据较高准确率的预测月流出量,对物品进行调度处理。也因为采用了通过预先训练好的月流出量预测模型,根据上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合预测出物品的预测月流出量。在预测月流出量的基础上对物品进行调度。在预测物品的预测月流出量时,不受个人主观经验和能力的限制且可以同时兼顾多因素对月流出量的影响,提高了预测月流出量的准确率。进而,减少了重新调度的次数,减少了调度资源的浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的物品调度方法的一些实施例的流程图;
图2是根据本公开的物品调度装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的物品调度方法的一些实施例的流程100。该物品调度方法,包括以下步骤:
步骤101,获取预设时间段内对应物品标识的物品月均流出量序列。
在一些实施例中,物品调度方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式获取预设时间段内对应物品标识的物品月均流出量序列。其中,上述预设时间段内可以为2023年1月至7月。上述物品月均流出量序列中的物品月均流出量可以为在一段时间内,物品从物品流转源流出的数量。上述一段时间内可以为1个月。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,获取对应物品标识的预设效能因素信息集合。
在一些实施例中,上述执行主体可以通过有线连接方式或者无线连接方式获取对应上述物品标识的预设效能因素信息集合。其中,上述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息。上述预设效能因素信息集合可以表示影响物品流出量的各个因素信息。上述各个因素信息可以为以下至少一项价值信息、季节信息与流出策略信息。上述价值信息可以表示上述物品月均流出量序列中各个物品月均流出量对应的各个物品价值。上述季节信息可以表示上述物品月均流出量序列中各个物品月均流出量对应的各个季节。上述各个季节可以为春季、夏季、秋季与冬季。上述流出策略信息可以表征上述物品月均流出量序列中各个物品月均流出量对应的是否采用了促进物品流出的流出策略。上述流出策略可以表示物品流出方式。例如,流出策略可以为在2023年的六月物品以折扣价值流出。
步骤103,对预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合。
在一些实施例中,上述执行主体可以对上述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合:
第一步,将上述预设效能因素信息集合中的每两个预设效能因素信息进行相关性确定处理,以生成相关性数值,得到相关性数值集合。实践中,首先,上述执行主体可以通过向量空间模型确定预设效能因素信息集合中的每两个预设效能因素信息的相似度,得到相似度集合。然后,上述执行主体可以将上述每两个预设效能因素信息的相似度确定为相关性数值,得到各个相关性数值。最后,上述执行主体可以将上述各个相关性数值确定为相关性数值集合。
第二步,基于上述相关性数值集合,对上述预设效能因素信息集合进行聚类处理,得到各个预设效能因素信息子集合。
第三步,对于上述各个预设效能因素信息子集合中的每个预设效能因素信息子集合,基于上述预设效能因素信息子集合,确定目标效能因素信息。实践中,上述执行主体可以从上述预设效能因素信息子集合中的随机地选出一个预设效能因素信息作为目标效能因素信息。
第四步,将所确定的各个目标效能因素信息确定为目标效能因素信息集合。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤基于上述相关性数值集合,对上述预设效能因素信息集合进行聚类处理,得到各个预设效能因素信息子集合:
第一步,在上述预设效能因素信息集合中选择预设数量个预设效能因素信息作为各个聚类中心。实践中,上述执行主体可以随机地选择预设数量个预设效能因素信息作为各个聚类中心。其中,上述预设数量可以为8。
第二步,将上述各个聚类中心中的每个聚类中心加入至对应上述聚类中心的预设信息集,以生成目标预设信息集,得到各个目标预设信息集。其中,上述目标预设信息集可以为加入聚类中心后的预设信息集。
第三步,将所选择的预设数量个预设效能因素信息从上述预设效能因素信息集合中删除,以对预设效能因素信息集合进行更新,得到更新后预设效能因素信息集合。
第四步,对于上述更新后预设效能因素信息集合中每个更新后预设效能因素信息执行以下处理步骤:
第一子步骤,基于上述相关性数值集合,将上述更新后预设效能因素信息与上述各个聚类中心对应的各个相关性数值确定为目标相关性数值集合。
第二子步骤,将上述目标相关性数值集合中满足预设筛选条件的目标相关性数值确定为待确定相关性数值。上述预设筛选条件可以为目标相关性数值最大。
第三子步骤,确定待确定相关性数值对应的聚类中心所在的目标预设信息集。
第四子步骤,将上述更新后预设效能因素信息加入至所确定的目标预设信息集,以对目标预设信息集进行更新。
第五步,将各个更新后的目标预设信息集确定为各个预设效能因素信息子集合。
上述技术方案及其相关内容结合步骤104至步骤107作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“根据各个流出量影响因素预测物品流出量,对物品进行调度的方式,在预测流出数量时,由于影响物品流出的流出量影响因素较多,同时众多的流出量影响因素之间可能存在相关性较高的多余因素,增加了不必要的模型数据的输入,在模型预测过程中加大了数据的处理量,造成了计算机算力资源的浪费”。导致计算资源浪费的因素往往如下:根据各个流出量影响因素预测物品流出量,对物品进行调度的方式,在预测流出数量时,由于影响物品流出的流出量影响因素较多,同时众多的流出量影响因素之间可能存在相关性较高的多余因素,增加了不必要的模型数据的输入,在模型预测过程中加大了数据的处理量,造成了计算机算力资源的浪费。如果解决了上述因素,就能达到减少计算资源的浪费。为了达到这一效果,本公开通过以下步骤第一步,在上述预设效能因素信息集合中选择预设数量个预设效能因素信息作为各个聚类中心。由此,可以得到用于生成各个目标预设信息集的各个聚类中心。第二步,将上述各个聚类中心中的每个聚类中心加入至对应上述聚类中心的预设信息集,以生成目标预设信息集,得到各个目标预设信息集。由此,可以得到用于生成预设效能因素信息子集合的预设信息集。第三步,将所选择的预设数量个预设效能因素信息从上述预设效能因素信息集合中删除,以对预设效能因素信息集合进行更新,得到更新后预设效能因素信息集合。由此,可以将所选择的各个预设效能因素信息从上述预设效能因素信息集合中删除,避免将预设效能因素信息重复加入至预设信息集。第四步,对于上述更新后预设效能因素信息集合中每个更新后预设效能因素信息执行以下处理步骤:第一子步骤,基于上述相关性数值集合,将上述更新后预设效能因素信息与上述各个聚类中心对应的各个相关性数值确定为目标相关性数值集合。第二子步骤,将上述目标相关性数值集合中满足预设筛选条件的目标相关性数值确定为待确定相关性数值。由此可以确定上述更新后预设效能因素信息与各个聚类中心对应的目标相关性数值集合中相关性最大的相关性数值。第三子步骤,确定待确定相关性数值对应的聚类中心所在的目标预设信息集。由此,可以确定对应更新后预设效能因素信息的目标预设信息集。第四子步骤,将上述更新后预设效能因素信息加入至所确定的目标预设信息集,以对目标预设信息集进行更新。由此,可以将更新后预设效能因素信息加入到与上述更新后预设效能因素信息最相关的聚类中心所在的目标预设信息集。第五步,将各个更新后的目标预设信息集确定为各个预设效能因素信息子集合。由此,可以得到聚类后表征各个预设效能因素信息相似度最接近的各个预设效能因素信息子集合。也因为采用了选择聚类中心,对预设效能因素信息集合中的各个预设效能因素信息集合进行聚类处理,得到聚类后表征各个预设效能因素信息相似度最接近的各个预设效能因素信息子集合。结合步骤104,基于物品月均流出量序列与目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合。由此,可以得出与减少相关性较高的各个影响因素信息后的目标效能因素信息集合的相关性数值集合。结合步骤105,确定对应相关性数值集合的当前预设效能因素信息集合。由此,根据相关性数值集合确定与减少相关性较高的各个影响因素信息后的目标效能因素信息集合对应的当前预设效能因素信息集合。当前预设效能因素信息集合可以表示影响流出量效果差别较大的各个当前预设效能因素信息。结合步骤106,将物品月均流出量序列、相关性数值集合与当前预设效能因素信息集合确定为历史物品信息。由此,可以得到表征数据处理量减少的模型输入数据即历史物品信息。结合步骤107,将历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应物品标识的预测月流出量。由此,可以将减少数据处理量的模型输入数据即历史物品信息输入至模型中进行预测处理,减少了预测过程中用于预测流出数量的计算资源,减少了计算机算力资源的浪费。
步骤104,基于物品月均流出量序列与目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合。
在一些实施例中,上述执行主体可以基于上述物品月均流出量序列与上述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合。其中,上述目标效能因素信息集合中的目标效能因素信息对应上述相关性数值集合中的相关性数值。实践中,上述执行主体可以确定目标效能因素信息集合中每个目标效能因素信息与上述物品月均流出量序列的斯皮尔曼相关系数,得到各个目标效能因素信息对应的各个斯皮尔曼相关系数。然后,上述执行主体可以将上述各个斯皮尔曼相关系数确定为对应目标效能因素信息集合的相关性数值集合。
步骤105,确定对应相关性数值集合的当前预设效能因素信息集合。
在一些实施例中,上述执行主体可以确定对应上述相关性数值集合的当前预设效能因素信息集合。其中,上述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息。实践中,首先,上述执行主体可以确定相关性数值集合中各个相关性数值对应的各个预设效能因素信息。然后,上述执行主体可以将用户输入的当前初始预设效能因素信息集合中对应上述各个预设效能因素信息的各个当前初始预设效能因素信息确定为当前预设效能因素信息集合。其中,上述当前初始预设效能因素信息集合中的当前初始预设效能因素信息是用户根据当前时间确定的影响物品流出量的各个因素信息。
步骤106,将物品月均流出量序列、相关性数值集合与当前预设效能因素信息集合确定为历史物品信息。
在一些实施例中,上述执行主体可以将上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合确定为历史物品信息。
步骤107,将历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应物品标识的预测月流出量。
在一些实施例中,上述执行主体可以将上述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应上述物品标识的预测月流出量。其中,上述预测月流出量可以是根据历史物品信息预测的当月物品的流出数量。上述月流出量预测模型可以是以历史物品信息为输入数据,以预测月流出量为输出数据的神经网络模型。例如,上述神经网络模型可以是BP(back propagation)神经网络模型。
可选地,上述月流出量预测模型可以是通过以下步骤训练得到的:
第一步,获取样本集。其中,上述样本集中的样本包括样本历史物品信息,以及与样本历史物品信息对应的样本目标月流出量。
第二步,基于样本集执行以下训练步骤:
第一子步骤,将上述样本集中的至少一个样本的样本历史物品信息输入至初始神经网络,得到上述至少一个样本中的每个样本对应的样本预测月流出量。
第二子步骤,将上述至少一个样本中的每个样本对应的样本预测月流出量与对应的样本目标月流出量进行比较,得到比较结果。实践中,上述执行主体可以通过交叉熵损失函数进行比较,确定出至少一个样本中的每个样本对应的样本预测月流出量与对应的样本目标月流出量之间的差距。
第三子步骤,根据比较结果确定初始神经网络是否达到预设的优化目标。其中,上述优化目标可以是达到预设的训练轮数或迭代次数。
第四子步骤,响应于确定初始神经网络达到优化目标,将初始神经网络作为训练完成的价值变更预测模型。
第五子步骤,响应于确定初始神经网络未达到上述优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,再次执行上述训练步骤。作为示例,可以采用反向传播算法(Back PropagationAlgorithm,BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始神经网络的网络参数进行调整。
步骤108,基于预测月流出量,对物品标识对应的物品进行调度处理。
在一些实施例中,上述执行主体可以基于上述预测月流出量,对上述物品标识对应的物品进行调度处理。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤基于上述预测月流出量,对上述物品标识对应的物品进行调度处理:
第一步,将预设时间点对应上述物品标识的库存数量确定为当前库存量。其中,上述预设时间点可以为生成预测月流出量的时间。
第二步,将对应上述物品标识的第二预设时间段内的流出数量确定为当月已流出数量。其中,上述第二预设时间段可以为从一个月的第一天到这个月生成预测月流出量的时间对应的时间段。
第三步,基于上述预测月流出量、上述当前库存量与上述当月已流出数量,对上述物品标识的物品进行调度处理。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤基于上述预测月流出量、上述当前库存量与上述当月已流出数量,对上述物品标识的物品进行调度处理:
第一步,基于上述预测月流出量、上述当前库存量与上述当月已流出数量与预设安全库存阈值,确定对应物品标识的调度数量。实践中,上述执行主体可以将预测月流出量与当月已流出数量的差值确定为第一数值。然后上述执行主体可以将上述第一数值与当前库存量的差值确定为第二数值。接着,上述执行主体可以将上述第二数值与上述预设安全库存阈值的和确定为对应物品标识的调度数量。作为示例,上述预测月流出量可以为“50”,上述当月已流出数量可以为“30”,上述当前库存量可以为“10”,上述预设安全库存阈值可以为“5”。则上述第一数值可以为“20”。其中,20=50-30。上述第二数值可以为“20”。其中,10=20-10。上述对应物品标识的调度数量可以为“15”。其中,15=10+5。
第二步,将预设区域内包含上述物品标识对应的物品的各个物品流转源确定为物品流转源集合。其中,上述预设区域可以为根据地理位置划分的区域。
第三步,对于上述物品流转源集合中每个物品流转源,执行以下确定步骤:
第一子步骤,将所需要调度的上述物品标识对应的物品所在的物品流转源确定为本地物品流转源。
第二子步骤,将上述物品流转源与本地物品流转源的距离确定为目标距离。其中,上述距离可以为路径距离。
第四步,将所确定的各个目标距离确定为目标距离集合。
第五步,将上述目标距离集合中满足预设筛选条件的目标距离对应的物品流转源确定为待调度物品流转源。其中,上述预设筛选条件可以为目标距离最小。
第六步,控制相关联的物品调度设备从上述待调度物品流转源向上述本地物品流转源调入上述调度数量的物品。其中,上述物品调度设备可以包括但不限于以下至少一项:叉车和输送带。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的物品调度方法,减少了调度资源的浪费。具体来说,造成调度资源浪费的原因在于:根据人工经验预测的物品流出量对物品进行调度,受到了个人主观经验和能力的限制,使得预测的物品流出量的准确率较低。当预测的物品流出量与实际物品流出量存在较大的差别时,需要重新调度,浪费调度资源。基于此,本公开的一些实施例的物品调度方法,首先,获取预设时间段内对应物品标识的物品月均流出量序列。由此,可以得到用于生成物品的预测月流出量的月均流出量序列。上述月均流出量序列可以表示预设时间段内物品月流出量的历史数据。然后,获取对应上述物品标识的预设效能因素信息集合。其中,上述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息。接着,对上述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合。由此,可以对预设效能因素信息集合进行重因素去除处理,得到去除相关性较高的多余因素后的目标效能因素信息集合。之后,基于上述物品月均流出量序列与上述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合。其中,上述目标效能因素信息集合中的目标效能因素信息对应上述相关性数值集合中的相关性数值。由此,可以得到用于确定当前预设效能因素信息集合的相关性数值集合。然后,确定对应上述相关性数值集合的当前预设效能因素信息集合。其中,上述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息。由此,可以得到用于生成物品的预测月流出量的当前预设效能因素信息集合。接着,将上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合确定为历史物品信息。由此,可以确定月流出量预测模型的输入数据。之后,将上述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应上述物品标识的预测月流出量。由此,可以通过预先训练好的月流出量预测模型与历史物品信息,得到预测月流出量。预测过程中不受人主观经验的影响且可以同时兼顾多因素对月流出量的影响,得到预测准确率更高的预测月流出量。最后,基于上述预测月流出量,对上述物品标识对应的物品进行调度处理。由此,可以根据较高准确率的预测月流出量,对物品进行调度处理。也因为采用了通过预先训练好的月流出量预测模型,根据上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合预测出物品的预测月流出量。在预测月流出量的基础上对物品进行调度。在预测物品的预测月流出量时,不受个人主观经验和能力的限制且可以同时兼顾多因素对月流出量的影响,提高了预测月流出量的准确率。进而,减少了重新调度的次数,减少了调度资源的浪费。
进一步参考图2,作为对各图所示方法的实现,本公开提供了一种物品调度装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的物品调度装置200包括:第一获取单元201、第二获取单元202、处理单元203、生成单元204、第一确定单元205、第二确定单元206、预测单元207和调度单元208。其中,第一获取单元201被配置成获取预设时间段内对应物品标识的物品月均流出量序列;第二获取单元202被配置成获取对应上述物品标识的预设效能因素信息集合,其中,上述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息;处理单元203被配置成对上述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合;生成单元204被配置成基于上述物品月均流出量序列与上述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合,其中上述目标效能因素信息集合中的目标效能因素信息对应上述相关性数值集合中的相关性数值;第一确定单元205被配置成确定对应上述相关性数值集合的当前预设效能因素信息集合,其中上述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息;第二确定单元206被配置成将上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合确定为历史物品信息;预测单元207被配置成将上述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应上述物品标识的预测月流出量;调度单元208被配置成基于上述预测月流出量,对上述物品标识对应的物品进行调度处理。
可以理解的是,该装置200中记载的诸单元与参考图1述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取预设时间段内对应物品标识的物品月均流出量序列;获取对应上述物品标识的预设效能因素信息集合,其中,上述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息;对上述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合;基于上述物品月均流出量序列与上述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合,其中上述目标效能因素信息集合中的目标效能因素信息对应上述相关性数值集合中的相关性数值;确定对应上述相关性数值集合的当前预设效能因素信息集合,其中上述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息;将上述物品月均流出量序列、上述相关性数值集合与上述当前预设效能因素信息集合确定为历史物品信息;将上述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应上述物品标识的预测月流出量;基于上述预测月流出量,对上述物品标识对应的物品进行调度处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、第二获取单元、处理单元、生成单元、第一确定单元、第二确定单元、预测单元和调度单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取预设时间段内对应物品标识的物品月均流出量序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种物品调度方法,包括:
获取预设时间段内对应物品标识的物品月均流出量序列;
获取对应所述物品标识的预设效能因素信息集合,其中,所述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息;
对所述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合;
基于所述物品月均流出量序列与所述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合,其中所述目标效能因素信息集合中的目标效能因素信息对应所述相关性数值集合中的相关性数值;
确定对应所述相关性数值集合的当前预设效能因素信息集合,其中所述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息;
将所述物品月均流出量序列、所述相关性数值集合与所述当前预设效能因素信息集合确定为历史物品信息;
将所述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应所述物品标识的预测月流出量;
基于所述预测月流出量,对所述物品标识对应的物品进行调度处理。
2.根据权利要求1所述的方法,其中,所述对所述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合,包括:
将所述预设效能因素信息集合中的每两个预设效能因素信息进行相关性确定处理,以生成相关性数值,得到相关性数值集合;
基于所述相关性数值集合,对所述预设效能因素信息集合进行聚类处理,得到各个预设效能因素信息子集合;
对于所述各个预设效能因素信息子集合中的每个预设效能因素信息子集合,基于所述预设效能因素信息子集合,确定目标效能因素信息;
将所确定的各个目标效能因素信息确定为目标效能因素信息集合。
3.根据权利要求1所述的方法,其中,所述月流出量预测模型是通过以下步骤训练得到的:
获取样本集,其中,所述样本集中的样本包括样本历史物品信息,以及与样本历史物品信息对应的样本目标月流出量;
基于样本集执行以下训练步骤:
将所述样本集中的至少一个样本的样本历史物品信息输入至初始神经网络,得到所述至少一个样本中的每个样本对应的样本预测月流出量;
将所述至少一个样本中的每个样本对应的样本预测月流出量与对应的样本目标月流出量进行比较,得到比较结果;
根据所述比较结果确定初始神经网络是否达到预设的优化目标;
响应于确定初始神经网络达到优化目标,将初始神经网络作为训练完成的价值变更预测模型;
响应于确定初始神经网络未达到优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,再次执行所述训练步骤。
4.根据权利要求1所述的方法,其中,所述基于所述预测月流出量,对所述物品标识对应的物品进行调度处理,包括:
将预设时间点对应所述物品标识的库存数量确定为当前库存量;
将对应所述物品标识的第二预设时间段内的流出数量确定为当月已流出数量;
基于所述预测月流出量、所述当前库存量与所述当月已流出数量,对所述物品标识的物品进行调度处理。
5.根据权利要求4所述的方法,其中,所述基于所述预测月流出量、所述当前库存量与所述当月已流出数量,对所述物品标识的物品进行调度处理,包括:
基于所述预测月流出量、所述当前库存量与所述当月已流出数量与预设安全库存阈值,确定对应物品标识的调度数量;
将预设区域内包含所述物品标识对应的物品的各个物品流转源确定为物品流转源集合;
对于所述物品流转源集合中每个物品流转源,执行以下确定步骤:
将所需要调度的所述物品标识对应的物品所在的物品流转源确定为本地物品流转源;
将所述物品流转源与本地物品流转源的距离确定为目标距离;
将所确定的各个目标距离确定为目标距离集合;
将所述目标距离集合中满足预设筛选条件的目标距离对应的物品流转源确定为待调度物品流转源;
控制相关联的物品调度设备从所述待调度物品流转源向所述本地物品流转源调入所述调度数量的物品。
6.一种物品调度装置,包括:
第一获取单元,被配置成获取预设时间段内对应物品标识的物品月均流出量序列;
第二获取单元,被配置成获取对应所述物品标识的预设效能因素信息集合,其中,所述预设效能因素信息集合包括以下至少一项价值信息、季节信息与流出策略信息;
处理单元,被配置成对所述预设效能因素信息集合进行重因素去除处理,得到目标效能因素信息集合;
生成单元,被配置成基于所述物品月均流出量序列与所述目标效能因素信息集合,生成对应目标效能因素信息集合的相关性数值集合,其中所述目标效能因素信息集合中的目标效能因素信息对应所述相关性数值集合中的相关性数值;
第一确定单元,被配置成确定对应所述相关性数值集合的当前预设效能因素信息集合,其中所述相关性数值集合中的相关性数值对应当前预设效能因素信息集合中的当前预设效能因素信息;
第二确定单元,被配置成将所述物品月均流出量序列、所述相关性数值集合与所述当前预设效能因素信息集合确定为历史物品信息;
预测单元,被配置成将所述历史物品信息输入至预先训练好的月流出量预测模型,以预测月流出量,得到对应所述物品标识的预测月流出量;
调度单元,被配置成基于所述预测月流出量,对所述物品标识对应的物品进行调度处理。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311123169.1A CN117196199A (zh) | 2023-08-31 | 2023-08-31 | 物品调度方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311123169.1A CN117196199A (zh) | 2023-08-31 | 2023-08-31 | 物品调度方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117196199A true CN117196199A (zh) | 2023-12-08 |
Family
ID=88995393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311123169.1A Pending CN117196199A (zh) | 2023-08-31 | 2023-08-31 | 物品调度方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196199A (zh) |
-
2023
- 2023-08-31 CN CN202311123169.1A patent/CN117196199A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408797A (zh) | 流转量预测多时序模型生成方法、信息发送方法和装置 | |
CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
CN112182374B (zh) | 库存控制方法、装置、电子设备和计算机可读介质 | |
CN115759444B (zh) | 电力设备分配方法、装置、电子设备和计算机可读介质 | |
CN114429365A (zh) | 物品销量信息生成方法、装置、电子设备和计算机介质 | |
CN115085196A (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
CN114048931B (zh) | 补货信息生成方法、装置、电子设备和计算机可读介质 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN116388112B (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
CN115907136B (zh) | 电动汽车调度方法、装置、设备和计算机可读介质 | |
CN118134581A (zh) | 物品标识信息生成方法、装置、设备、介质和程序产品 | |
CN117196199A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
CN117520410B (zh) | 业务数据处理方法、装置、电子设备和计算机可读介质 | |
CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN115577980B (zh) | 电力设备调控方法、装置、电子设备和介质 | |
CN116911577B (zh) | 综合能源调度方法、装置、电子设备和计算机可读介质 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN117689412A (zh) | 物品流转信息处理方法、装置、设备和计算机可读介质 | |
CN117634777A (zh) | 价值属性值预测方法、装置、电子设备和计算机可读介质 | |
CN116307998B (zh) | 电力设备材料运输方法、装置、电子设备和计算机介质 | |
CN112561453B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
CN117709816A (zh) | 基于物品需求量的物品运输方法、装置、电子设备与介质 | |
CN117713048A (zh) | 基于农网用电集成的用电终端供电方法、装置和设备 | |
CN117913779A (zh) | 用电负荷信息预测方法、装置、电子设备和可读介质 |
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 |