CN117196439A - 一种用于物流运输的仓库货品分拣方法及系统 - Google Patents

Abstract

本发明涉及一种用于物流运输的仓库货品分拣方法，涉及仓库管理领域，所述方法包括：获取目标仓库在当前时间区间之前各个历史时间区间的货品分拣信息；获取目标仓库的各项配置数据；采用AI分析模型基于上述两路获取内容智能分析目标仓库在当前时间区间内各项物流运输模式分别需要派发的货品数量；基于智能分析结果执行目标仓库在当前时间区间内的各项物流运输模式的发货处理。本发明还涉及一种用于物流运输的仓库货品分拣系统。通过本发明，能够使用人工智能模型分析目标仓库在刚到达的当前时间区间内各种派送类型的分拣货品数量，进而确定当前时间区间内各种物流运输需要调配的资源数量，从而提升了各类物流运输资源的利用率。

Description

一种用于物流运输的仓库货品分拣方法及系统

技术领域

本发明涉及仓库管理领域，尤其涉及一种用于物流运输的仓库货品分拣方法及系统。

背景技术

仓库管理也叫仓储管理，指的是对仓储货物的收发、结存等活动的有效控制，其目的是为企业保证仓储货物的完好无损，确保生产经营活动的正常进行，并在此基础上对各类货物的活动状况进行分类记录，以明确的图表方式表达仓储货物在数量、品质方面的状况，以及所在的地理位置、部门、订单归属和仓储分散程度等情况的综合管理形式。仓库管理与物流运输相关，一般地，存放在仓库内的各类货物在分拣后存在本地快递、异地快递、专车专人派送、全球空运和全球海运多种不同的物流运输方式，因此，需要对仓库管理引入基于不同物流运输方式的动态管理机制，以保证有限的物流运输资源能够匹配变化中的货物动态。

示例地，中国实用新型专利公开文本CN204416255U提出的一种物流仓库货物分拣信息控制系统，所述系统包括货物信息采集器、通信装置、系统控制器、信息子控制器、信息处理器、信息显示器、信息存储器和信号显示灯；所述信息显示器和信号显示灯与信息子控制器一一对应连接，所述货物信息采集器通过通信装置与信息处理器连接，所述信息处理器通过通信装置与系统控制器连接，所述系统控制器与若干信息子控制器和信息存储器连接。本实用新型通过货物信息采集器将采集的货物信息显示在信息显示器上，当所有货物信息采集完毕后，信息显示器就无货物信息显示，同时信息子控制器会控制对应的信号显示灯亮起，能提高货物分拣的工作效率、减少出错率。

示例地，中国发明专利公开文本CN111746372A提出的一种基于城市货运的物流分拣车厢的控制方法，所述控制方法通过工控机配合HMI人机界面控制；所述控制方法包括上货操作和卸货操作，包括如下步骤：车辆熄火驻车，打开所述分拣车厢的车尾门；连通并唤醒所述分拣车厢内的穿梭车；控制所述分拣车厢的一对车厢侧板相对于车厢顶板和车厢底板向两侧张开；通过指令控制所述穿梭车移动到待装卸货的托盘处，叉取或放置所述托盘；或者根据指令逐一按序叉取或放置所述分拣车厢内的全部所述托盘；本控制方法能够根据操作指令将待分拣货物在分拣车厢内前后、上下、左右移动，准确装载货物和取出货物，完成货物在途自动分拣，减少人工参与，降低了人工劳动，提升了货物分拣效率及分拣准确性。

然而，上述现有技术仅仅局限于货物分拣的数据显示或者货物分拣的机械实现，并没有考虑到存放在仓库内的各类货物在分拣后存在本地快递、异地快递、专车专人派送、全球空运和全球海运多种不同的物流运输方式，因而缺乏基于不同物流运输方式的动态管理机制，进而导致有限的物流运输资源无法匹配变化中的货物动态，存在一些类型的物流运输资源缺乏，而另外一些类型的物流运输资源过于饱和的可能，在浪费物流运输资源的同时严重滞后仓库内货物的出货速度。

发明内容

为了解决相关领域中的技术问题，本发明提供了一种用于物流运输的仓库货品分拣方法及系统，在针对性模型设计和针对性基础数据筛选的基础上，能够使用人工智能模型智能分析目标仓库在刚到达的当前时间区间内各种派送类型的分拣货品数量，进而确定当前时间区间内各种物流运输需要调配的资源数量，从而兼顾了货物出库的速度以及物流运输资源的节省。

根据本发明的一方面，提供了一种用于物流运输的仓库货品分拣方法，所述方法包括：

获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

获取目标仓库的各项配置数据，所述目标仓库的各项配置数据为所述目标仓库的最大容积、在岗工人数量、入库截面面积以及服务港口数量；

对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联；

采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：当前时间区间之前各个历史时间区间与当前时间区间共同组成一个完整的时间分段，且当前时间区间之前各个历史时间区间与当前时间区间中的每一个时间区间的持续时长相等。

根据本发明的另一方面，提供了一种用于物流运输的仓库货品分拣系统，所述系统包括：

历史记录设备，用于获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

配置采集设备，用于获取目标仓库的各项配置数据，所述目标仓库的各项配置数据为所述目标仓库的最大容积、在岗工人数量、入库截面面积以及服务港口数量；

逐次学习设备，用于对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联；

智能转换设备，分别与所述历史记录设备、所述配置采集设备以及所述逐次学习设备连接，用于采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

资源调配设备，与所述智能转换设备连接，用于基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：当前时间区间之前各个历史时间区间与当前时间区间共同组成一个完整的时间分段，且当前时间区间之前各个历史时间区间与当前时间区间中的每一个时间区间的持续时长相等。

由此可见，本发明至少具备以下四处突出的实质性特点：

第一处：为目标仓库在刚到达的当前时间区间内各种派送类型的分拣货品数量的智能预测针对性筛选多项基础数据，所述多项基础数据包括在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息以及所述目标仓库的各项配置数据，所述目标仓库的各项配置数据为所述目标仓库的最大容积、在岗工人数量、入库截面面积以及服务港口数量，从而为后续的当前时间区间的货品分拣信息的智能预测提供全面、有效的基础数据；

第二处：引入针对性设计的AI分析模型用于执行当前时间区间的货品分拣信息的智能预测，所述AI分析模型为完成各次学习后的深度神经网络，所述各次学习的学习次数与目标仓库的服务港口数量正向关联，从而完成对AI分析模型的定制；

第三处：基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数，从而提前为目标仓库判断各类货运工具的数量需求，实现了有限资源的动态调配；

第四处：对深度神经网络执行的每一次学习中，将目标仓库在某一过往时间区间已知的、接收到的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量作为所述AI分析模型的输出内容，将目标仓库在所述某一过往时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长作为所述AI分析模型的各项输入内容，完成本次学习动作，从而保证了每一次学习的有效性。

附图说明

以下将结合附图对本发明的实施例进行描述，其中：

图1为根据本发明的用于物流运输的仓库货品分拣方法及系统的技术流程图。

图2为根据本发明的第一实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

图3为根据本发明的第二实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

图4为根据本发明的第三实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

图5为根据本发明的第四实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

图6为根据本发明的第五实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

图7为根据本发明的第六实施例示出的用于物流运输的仓库货品分拣系统的内部结构图。

具体实施方式

如图1所示，给出了根据本发明示出的用于物流运输的仓库货品分拣方法及系统的技术流程图，本发明应用于在计算机系统运行的各个进程未发生增减变化的场景。

如图1所示，本发明的具体的技术流程如下：

技术流程一：为目标仓库在刚到达的当前时间区间内各种派送类型的分拣货品数量的智能预测针对性筛选多项基础数据；

具体地，所述多项基础数据包括在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息以及所述目标仓库的各项配置数据，所述目标仓库的各项配置数据为所述目标仓库的最大容积、在岗工人数量、入库截面面积以及服务港口数量，从而为后续的当前时间区间的货品分拣信息的智能预测提供全面、有效的基础数据；

技术流程二：构建针对性设计的AI分析模型用于执行当前时间区间的货品分拣信息的智能预测；

示例地，所述AI分析模型为完成各次学习后的深度神经网络，所述各次学习的学习次数与目标仓库的服务港口数量正向关联，从而完成对AI分析模型的定制；

具体地，对深度神经网络执行的每一次学习中，将目标仓库在某一过往时间区间已知的、接收到的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量作为所述AI分析模型的输出内容，将目标仓库在所述某一过往时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长作为所述AI分析模型的各项输入内容，完成本次学习动作，从而保证了每一次学习的有效性；

技术流程三：基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数；

如图1所示，全球空运和全球海运这两种物流运输方式是分别先采用货车运输到机场或者港口，再由机场或者港口分别执行运输到的货品的空运和海运；

显然，通过上述智能分析处理和动态配置操作，提前为目标仓库判断各类货运工具的数量需求，实现了有限的物流运输资源的动态调配。

本发明的关键点在于：用于各种派送类型货品数量的智能预测的多项基础数据的针对性筛选、执行智能预测的人工智能模型的定制结构和针对性的单次学习操作以及基于各种派送类型货品数量的动态运输资源调配机制。

下面，将对本发明的用于物流运输的仓库货品分拣方法及系统以实施例的方式进行具体说明。

第一实施例

图2为根据本发明的第一实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

如图2所示，所述用于物流运输的仓库货品分拣方法包括以下步骤：

步骤A：获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

示例地，一个目标仓库在以当前时刻为起始时间的当前时间区间内，其接收的大量货品中每一个货品被分拣的物流运输模式不同，导致在尚未经历完的当前时间区间内接收的大量货品被分拣后的各类物流运输模式存在各自对应的货品数量；

显然，这些货品数量是未知的、需要进行智能分析的数值，只有获得这些数值，才能为目标仓库在当前时间区间内的物流运输资源的调配提供关键信息；

步骤B：获取目标仓库的各项配置数据，所述目标仓库的各项配置数据为所述目标仓库的最大容积、在岗工人数量、入库截面面积以及服务港口数量；

步骤C：对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联；

示例地，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联包括：所述目标仓库的服务港口数量为5，所述各次学习的学习次数为60，所述目标仓库的服务港口数量为8，所述各次学习的学习次数为80，所述目标仓库的服务港口数量为12，所述各次学习的学习次数为100；

步骤D：采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

示例地，可以选择数值仿真机制完成采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量的数据处理过程的仿真和测试操作；

步骤E：基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：当前时间区间之前各个历史时间区间与当前时间区间共同组成一个完整的时间分段，且当前时间区间之前各个历史时间区间与当前时间区间中的每一个时间区间的持续时长相等；

具体地，当前时间区间之前各个历史时间区间与当前时间区间中的每一个时间区间可以为1个小时，例如，当前时间区间为上午10点到上午11点，当前时刻为上午10点；

其中，基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数包括：确定的在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数分别与智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量成正比；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量包括：所述各个历史时间区间的数量与所述目标仓库的在岗工人数量单调正向关联；

例如，所述各个历史时间区间的数量与所述目标仓库的在岗工人数量单调正向关联包括：所述目标仓库的在岗工人数量为20，所述各个历史时间区间的数量为10，所述目标仓库的在岗工人数量为30，所述各个历史时间区间的数量为15，以及所述目标仓库的在岗工人数量为40，所述各个历史时间区间的数量为20。

第二实施例

图3为根据本发明的第二实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

如图3所示，相比较于图2，在对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联即步骤C之后，所述用于物流运输的仓库货品分拣方法还包括：

步骤F：采用存储所述AI分析模型的各项模型参数的模式完成对所述AI分析模型的存储；

示例地，可以采用动态存储器件、FLASH闪存或者MMC存储卡完成对所述AI分析模型的存储。

第三实施例

图4为根据本发明的第三实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

如图4所示，相比较于图2，在基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数即步骤E之后，所述用于物流运输的仓库货品分拣方法还包括：

步骤G：接收并显示智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

示例地，可以选择液晶显示器件或LCD显示阵列来接收并显示智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量。

第四实施例

图5为根据本发明的第四实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

如图5所示，相比较于图2，在基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数即步骤E之后，所述用于物流运输的仓库货品分拣方法还包括：

步骤H：将智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量通过无线通信链路发送给远端的仓库管理服务器；

具体地，将智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量通过无线通信链路发送给远端的仓库管理服务器包括：所述无线通信链路为时分双工通信链路或者频分双工通信链路。

第五实施例

图6为根据本发明的第五实施例示出的用于物流运输的仓库货品分拣方法的步骤流程图。

如图6所示，相比较于图5，在将智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量通过无线通信链路发送给远端的仓库管理服务器即步骤H之后，所述用于物流运输的仓库货品分拣方法还包括：

步骤I：在与各个仓库分别对应的各个数据传输设备连接的仓库管理服务器处接收并存储目标仓库对应的数据传输设备通过无线通信链路发送的、在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

示例地，所述仓库管理服务器为大数据服务器、云计算服务器或者区块链服务器中的一种。

接着，将继续对本发明的各个实施例进行进一步地说明。

在上述各个实施例内，可选地，在所述用于物流运输的仓库货品分拣方法中：

对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联包括：对深度神经网络执行的每一次学习中，将目标仓库在某一过往时间区间已知的、接收到的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量作为所述AI分析模型的输出内容，将目标仓库在所述某一过往时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长作为所述AI分析模型的各项输入内容，完成本次学习动作；

示例地，可以选择采用MATLAB工具箱完成对深度神经网络执行的每一次学习的仿真处理。

在上述各个实施例内，可选地，在所述用于物流运输的仓库货品分拣方法中：

采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量包括：将目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长同步输入到所述AI分析模型；

其中，采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：运行所述AI分析模型，以获得所述AI分析模型输出的目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量。

以及在上述各个实施例内，可选地，在所述用于物流运输的仓库货品分拣方法中：

每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量包括：在所述历史时间区间内所述目标仓库接收到的本地快递分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为本地快递模式送货的货品总数；

其中，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：在所述历史时间区间内所述目标仓库接收到的异地快递分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为异地快递模式送货的货品总数；

其中，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：在所述历史时间区间内所述目标仓库接收到的专车专人派送分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为专车专人派送模式送货的货品总数；

其中，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：在所述历史时间区间内所述目标仓库接收到的全球空运分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为全球空运模式送货的货品总数；

其中，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：在所述历史时间区间内所述目标仓库接收到的全球海运分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为全球海运模式送货的货品总数。

第六实施例

图7为根据本发明的第六实施例示出的用于物流运输的仓库货品分拣系统的内部结构图。

如图7所示，所述用于物流运输的仓库货品分拣系统包括以下组件：

历史记录设备，用于获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

示例地，一个目标仓库在以当前时刻为起始时间的当前时间区间内，其接收的大量货品中每一个货品被分拣的物流运输模式不同，导致在尚未经历完的当前时间区间内接收的大量货品被分拣后的各类物流运输模式存在各自对应的货品数量；

显然，这些货品数量是未知的、需要进行智能分析的数值，只有获得这些数值，才能为目标仓库在当前时间区间内的物流运输资源的调配提供关键信息；

配置采集设备，用于获取目标仓库的各项配置数据，所述目标仓库的各项配置数据为所述目标仓库的最大容积、在岗工人数量、入库截面面积以及服务港口数量；

逐次学习设备，用于对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联；

示例地，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联包括：所述目标仓库的服务港口数量为5，所述各次学习的学习次数为60，所述目标仓库的服务港口数量为8，所述各次学习的学习次数为80，所述目标仓库的服务港口数量为12，所述各次学习的学习次数为100；

智能转换设备，分别与所述历史记录设备、所述配置采集设备以及所述逐次学习设备连接，用于采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

示例地，可以选择数值仿真机制完成采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量的数据处理过程的仿真和测试操作；

具体地，所述智能转换设备可以为FPGA芯片、CPLD芯片或者GAL芯片；

资源调配设备，与所述智能转换设备连接，用于基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：当前时间区间之前各个历史时间区间与当前时间区间共同组成一个完整的时间分段，且当前时间区间之前各个历史时间区间与当前时间区间中的每一个时间区间的持续时长相等；

具体地，当前时间区间之前各个历史时间区间与当前时间区间中的每一个时间区间可以为1个小时，例如，当前时间区间为上午10点到上午11点，当前时刻为上午10点；

其中，基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数包括：确定的在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数分别与智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量成正比；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量包括：所述各个历史时间区间的数量与所述目标仓库的在岗工人数量单调正向关联；

例如，所述各个历史时间区间的数量与所述目标仓库的在岗工人数量单调正向关联包括：所述目标仓库的在岗工人数量为20，所述各个历史时间区间的数量为10，所述目标仓库的在岗工人数量为30，所述各个历史时间区间的数量为15，以及所述目标仓库的在岗工人数量为40，所述各个历史时间区间的数量为20。

另外，在根据本发明的用于物流运输的仓库货品分拣方法及系统中：

将目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长同步输入到所述AI分析模型包括：在将目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长同步输入到所述AI分析模型之前，分别对目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长执行数值归一化处理；

其中，运行所述AI分析模型，以获得所述AI分析模型输出的目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量包括：获得的所述AI分析模型输出的目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量为数值归一化处理后的数值表示形式；

其中，在将目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长同步输入到所述AI分析模型之前，分别对目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长执行数值归一化处理包括：所述数值归一化处理为十六进制数值转换。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台终端执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (10)

1.一种用于物流运输的仓库货品分拣方法，其特征在于，所述方法包括：

获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

获取目标仓库的各项配置数据，所述目标仓库的各项配置数据为所述目标仓库的最大容积、在岗工人数量、入库截面面积以及服务港口数量；

对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联；

采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：当前时间区间之前各个历史时间区间与当前时间区间共同组成一个完整的时间分段，且当前时间区间之前各个历史时间区间与当前时间区间中的每一个时间区间的持续时长相等。

2.如权利要求1所述的用于物流运输的仓库货品分拣方法，其特征在于：

基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数包括：确定的在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数分别与智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量成正比；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量包括：所述各个历史时间区间的数量与所述目标仓库的在岗工人数量单调正向关联。

3.如权利要求2所述的用于物流运输的仓库货品分拣方法，其特征在于，在对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联之后，所述方法还包括：

采用存储所述AI分析模型的各项模型参数的模式完成对所述AI分析模型的存储。

4.如权利要求2所述的用于物流运输的仓库货品分拣方法，其特征在于，在基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数之后，所述方法还包括：

接收并显示智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量。

5.如权利要求2所述的用于物流运输的仓库货品分拣方法，其特征在于，在基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数之后，所述方法还包括：

将智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量通过无线通信链路发送给远端的仓库管理服务器。

6.如权利要求5所述的用于物流运输的仓库货品分拣方法，其特征在于，在将智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量通过无线通信链路发送给远端的仓库管理服务器之后，所述方法还包括：

在与各个仓库分别对应的各个数据传输设备连接的仓库管理服务器处接收并存储目标仓库对应的数据传输设备通过无线通信链路发送的、在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量。

7.如权利要求2-6任一所述的用于物流运输的仓库货品分拣方法，其特征在于：

对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联包括：对深度神经网络执行的每一次学习中，将目标仓库在某一过往时间区间已知的、接收到的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量作为所述AI分析模型的输出内容，将目标仓库在所述某一过往时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长作为所述AI分析模型的各项输入内容，完成本次学习动作。

8.如权利要求2-6任一所述的用于物流运输的仓库货品分拣方法，其特征在于：

采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量包括：将目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长同步输入到所述AI分析模型；

其中，采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：运行所述AI分析模型，以获得所述AI分析模型输出的目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量。

9.如权利要求2-6任一所述的用于物流运输的仓库货品分拣方法，其特征在于：

每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量包括：在所述历史时间区间内所述目标仓库接收到的本地快递分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为本地快递模式送货的货品总数；

其中，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：在所述历史时间区间内所述目标仓库接收到的异地快递分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为异地快递模式送货的货品总数；

其中，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：在所述历史时间区间内所述目标仓库接收到的专车专人派送分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为专车专人派送模式送货的货品总数；

其中，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：在所述历史时间区间内所述目标仓库接收到的全球空运分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为全球空运模式送货的货品总数；

其中，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：在所述历史时间区间内所述目标仓库接收到的全球海运分拣货品数量为在所述历史时间区间内所述目标仓库接收到、且被分拣为全球海运模式送货的货品总数。

10.一种基于权利要求1-9任一项所述分拣方法的用于物流运输的仓库货品分拣系统，其特征在于，所述系统包括：

历史记录设备，用于获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

配置采集设备，用于获取目标仓库的各项配置数据，所述目标仓库的各项配置数据为所述目标仓库的最大容积、在岗工人数量、入库截面面积以及服务港口数量；

逐次学习设备，用于对深度神经网络执行各次学习，以获得完成各次学习后的深度神经网络，并作为AI分析模型输出，所述各次学习的学习次数与所述目标仓库的服务港口数量正向关联；

智能转换设备，分别与所述历史记录设备、所述配置采集设备以及所述逐次学习设备连接，用于采用AI分析模型基于目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息、目标仓库的各项配置数据以及时间区间的持续时长智能分析目标仓库在当前时间区间接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量；

资源调配设备，与所述智能转换设备连接，用于基于智能分析获得的在当前时间区间的本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量分别确定在当前时间区间需要为所述目标仓库调配的本地快递车辆总数、异地快递车辆总数、专车专人派送车辆总数、全球空运席位总数和全球海运集装箱体总数；

其中，获取目标仓库在当前时间区间之前各个历史时间区间分别对应的各份货品分拣信息，所述当前时间区间以当前时刻为起始时间，每一历史时间区间对应的单份货品分拣信息为在所述历史时间区间内所述目标仓库接收到本地快递分拣货品数量、异地快递分拣货品数量、专车专人派送分拣货品数量、全球空运分拣货品数量和全球海运分拣货品数量还包括：当前时间区间之前各个历史时间区间与当前时间区间共同组成一个完整的时间分段，且当前时间区间之前各个历史时间区间与当前时间区间中的每一个时间区间的持续时长相等。