CN117333114B - 一种家居产品智能化分拣储存管理系统及管理方法 - Google Patents

Abstract

本发明公开了一种家居产品智能化分拣储存管理系统及管理方法，用于仓储管理领域，该管理系统包括：数据采集模块、数据分析模块、预测模型模块、优化算法模块、智能化决策支撑模块、虚拟现实模块及区块链技术模块。本发明通过使用三维建模和虚拟现实技术，可以在模拟环境中学习和实践，提高在实际工作中的效率和质量，且在虚拟环境中进行模拟操作，降低在实际操作中产生错误的风险，减少潜在的损失，相比于传统的培训方式，虚拟现实技术可以节省大量的物资和时间成本。

Description

一种家居产品智能化分拣储存管理系统及管理方法

技术领域

本发明涉及仓储管理领域，具体来说，尤其涉及一种家居产品智能化分拣储存管理系统及管理方法。

背景技术

随着电商行业的飞速发展和各大电商平台如雨后春笋般的涌现，进入了一个前所未有的购物新时代。消费者现在可以随时随地地通过网络平台浏览商品、下单购买，导致每天都有大量的订单需要在各个分布在全球的仓库中进行处理并发货。这种无时无刻的需求压力，使得仓库管理的效率和准确性变得尤为重要。

在这个处理流程中，诸如商品的存储位置、订单的拣货分配等环节，都是影响订单是否能及时、准确出库的关键环节。比如，商品存储位置的合理性会直接影响到拣货的速度和准确性；订单的拣货分配的有效性则会影响仓库的整体运营效率。

对于这个挑战，很多企业选择了引入仓储管理系统（Warehouse ManagementSystem，WMS）。这种系统是信息化管理的重要工具，它可以实现仓库内各项操作的自动化。通过仓储管理系统，企业能够更有效地管理和控制仓库内的物流，从而提高仓库的运作效率和精度。

传统的销售预测方法往往只依赖于简单的统计分析，如平均值、趋势线等，缺乏对复杂数据关系的深入挖掘和分析，导致预测结果的准确性较低，且传统的员工培训方式往往是理论教学和实地操作相结合，但由于缺乏真实和直观的模拟环境，使得员工在理解和掌握复杂操作流程时难度较大，培训效果较差。

此外，在现有技术中，存储和分拣策略往往是静态的，不能根据实际销售情况和预测结果进行动态调整，使企业在应对市场变化时反应不够灵活，在仓库管理中，由于缺乏精确的需求预测和动态的物流策略，往往会导致仓库空间的浪费和人力资源的过度使用，使资源使用效率低下。

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

为了克服以上问题，本发明旨在提出一种家居产品智能化分拣储存管理系统及管理方法，目的在于解决存储和分拣策略往往是静态的，不能根据实际销售情况和预测结果进行动态调整，使企业在应对市场变化时反应不够灵活的问题。

根据本发明的一个方面，提供了一种家居产品智能化分拣储存管理系统，该管理系统包括：数据采集模块、数据分析模块、预测模型模块、优化算法模块、智能化决策支撑模块、虚拟现实模块及区块链技术模块；所述数据采集模块，负责收集有关家居产品的属性信息和环境信息；所述数据分析模块，使用物联网传感器和机器视觉技术分析家居产品的属性信息，根据采集的环境信息进行仓库环境情况的分析；所述预测模型模块，基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求；所述优化算法模块，针对家居产品的特性优化仓库的布局、存储和分拣；所述智能化决策支撑模块，通过分析销售数据，预测未来市场趋势，为仓库提供决策支持；所述虚拟现实模块，利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面；所述区块链技术模块，通过初始化区块链、实时数据上链、信息更新、预设合约执行事务及数据验证，展示家居产品供应链。

可选地，所述预测模型模块在基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求时包括：收集选定家居产品的历史供应链数据，并对供应链数据进行预处理；对预处理后的历史供应链数据进行分析；根据分析的结果，从供应链数据中提取影响预测结果的特征数据，并将特征数据划分为训练集、验证集和测试集；构建XGBoost模型，利用训练集对XGBoost模型进行训练，并使用验证集调整XGBoost模型的超参数以获取最佳的XGBoost模型；构建神经网络模型，利用训练集对神经网络模型进行训练，并使用验证集调整神经网络模型的超参数以获取最佳的神经网络模型；将最佳的XGBoost模型和最佳的神经网络模型的预测结果进行融合，得到家居预测模型；使用验证集对家居预测模型的性能进行验证，并进行参数调整；使用测试集对参数调整后的家居预测模型进行最终的性能测试；利用通过性能测试的家居预测模型预测选定家居产品的销售趋势、退货率和未来的存储需求。

可选地，所述将最佳的XGBoost模型和最佳的神经网络模型的预测结果进行融合，得到家居预测模型包括：分别利用最佳的XGBoost模型与最佳的神经网络模型对相同的数据集进行预测，得到两个预测结果；构建家居预测模型，并将两个预测结果作为家居预测模型的输入，同时通过加权平均法对两个预测结果进行融合，输出最终的预测结果；使用验证集对家居预测模型的性能进行验证，并进行参数调整；使用测试集对参数调整后的家居预测模型进行最终的性能测试；利用通过性能测试的家居预测模型预测选定家居产品的销售趋势、退货率和未来的存储需求。

可选地，所述优化算法模块在针对家居产品的特性优化仓库的布局、存储和分拣时包括：运行家居预测模型，预测选定家居产品的销售趋势、退货率和未来的存储需求；根据预测结果，分析仓库的存储需求，并获得产品的需求分析；根据需求分析的结果，对仓库的布局进行优化；根据优化后仓库的布局优化存储策略和分拣策略，并将优化后的存储策略和分拣策略在实际操作中应用；将实施后的数据反馈给家居预测模型，优化家居预测模型。

可选地，所述智能化决策支撑模块在通过分析销售数据，预测未来市场趋势，为仓库提供决策支持，实现存储、分拣策略的自动调整时包括：将历史销售数据和历史销售的影响因素数据输入家居预测模型中，得到未来一周时间内的销量预测；根据销量预测结果，计算一周内每天中不同产品的仓储空间需求，并制定仓库存储空间的动态调整方案；根据动态调整方案在预测销量高峰期到来前预留存储空间，同时计算各时期的订单处理和分拣处理能力需求；制定人力资源动态调配计划，在销量高峰期到来前增派分拣人员，并监控实际销量和销量预测的偏差。

可选地，所述虚拟现实模块在利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面时包括：根据家居产品的设计图纸，使用三维建模软件创建三维数字孪生模型；将多个家居产品的三维数字孪生模型导入虚拟现实软件中，构建虚拟仓库环境，同时设置仓库的参数数据，模拟实际的存储、搬运和分拣流程；在虚拟仓库中为每件家居产品设置规则，实现工作人员与三维数字孪生模型的虚拟仿真交互；将虚拟环境转换为应用程序，在VR设备中进行操作模拟，提供仿真的家居产品三维场景；利用数字孪生模型获取实际仓储的传感器数据，同步虚拟环境和实际环境。

可选地，所述将多个家居产品的三维数字孪生模型导入虚拟现实软件中，构建虚拟仓库环境，同时设置仓库的参数数据，模拟实际的存储、搬运和分拣流程包括：根据家居产品的实际模型，使用三维建模软件构建三维数字孪生模型，并在三维数字孪生模型中设置家居产品的参数；将家居产品的参数导入虚拟现实软件中；在虚拟现实软件中创建虚拟仓库的三维环境；根据仓库布局和参数，设置虚拟仓库的货架高度和通道宽度，并在虚拟环境中添加位置追踪和距离感知；在虚拟仓库中运行数字孪生模型，模拟实际存储、搬运和分拣的工作流程；记录数字孪生模型在虚拟环境中的状态数据、操作数据，通过数据分析评估工作流程效率；根据工作流程效率的评估结果，优化数字孪生模型。

可选地，所述在虚拟仓库中为每件家居产品设置规则，实现工作人员与三维数字孪生模型的虚拟仿真交互包括：在虚拟现实软件中设定工作人员在与家居产品交互过程中的规则；将规则输入家居产品的三维数字孪生模型中；在虚拟仓库环境中，运行配置规则的三维数字孪生模型，并通过模拟交互行为确认规则的准确性；根据模拟的结果，对规则进行优化；在设定好的虚拟仓库中进行虚拟仿真交互，按照实际的工作流程与已配置规则的三维数字孪生模型进行交互，实现仿真操作。

可选地，所述区块链技术模块在通过初始化区块链、实时数据上链、信息更新、预设合约执行事务及数据验证，展示家居产品供应链时包括：创建区块链网络，并设置交易验证方式和区块大小；在家居产品的生产、运输和销售环节，生成的供应链数据，并将供应链数据转换为新的区块；当家居产品的供应链数据发生改变，信息在区块链中进行同步更新；使用预设合约执行供应链中的事务；在新区块生成后，区块链的各个节点会对新生成的区块进行验证，且当超过设定比例的节点确认区块内容的正确后，将新生成的区块添加到区块链网络。

根据本发明的另一个方面，还提供了一种家居产品智能化分拣储存管理方法，该管理方法包括以下步骤：

S1、收集有关家居产品的属性信息和环境信息；

S2、使用物联网传感器和机器视觉技术分析家居产品的属性信息，根据采集的环境信息进行仓库环境情况的分析；

S3、基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求；

S4、针对家居产品的特性优化仓库的布局、存储和分拣；

S5、通过分析销售数据，预测未来市场趋势，为仓库提供决策支持；

S6、利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面；

S7、通过初始化区块链、实时数据上链、信息更新、预设合约执行事务及数据验证，展示家居产品供应链。

相较于现有技术，本申请具有以下有益效果：

1、本发明通过XGBoost模型和神经网络模型的组合使用及深入的数据分析和特征提取，对选定家居产品的销售趋势、退货率和未来的存储需求做出相当精确的预测，同时对家居预测模型的验证和根据验证结果的优化，使得模型的准确性和适应性得以持续提升，根据需要预测各种不同的家居产品，具有很高的应用灵活性；

2、本发明通过对销售数据、季节性影响因素及未来销售预测和市场趋势的分析，实现存储、分拣策略的自动调整，提高仓库操作的效率，自动化的决策支持可以帮助企业减少不必要的存储空间和人力资源的浪费，从而降低运营成本，通过对大量历史数据的分析和学习，可以提高预测结果的准确性，帮助企业做出更精准的决策，根据实际销售情况和预测结果动态调整存储和分拣策略，使企业能够快速应对市场变化；

3、本发明通过使用三维建模和虚拟现实技术，可以在模拟环境中学习和实践，从而提高其在实际工作中的效率；在虚拟环境中进行模拟操作，降低在实际操作中产生错误的风险，减少潜在的损失，相比于传统的培训方式，虚拟现实技术可以节省大量的物资和时间成本，此外虚拟现实技术可以为员工提供更直观、更真实的学习体验，从而提高培训的效果，模拟各种不同的工作环境和情景，提供高度的灵活性，分析虚拟操作过程中的数据，可以帮助企业更好地理解和优化工作流程。

附图说明

结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：

图1是根据本发明实施例的一种家居产品智能化分拣储存管理系统的原理框图；

图2是根据本发明实施例的一种家居产品智能化分拣储存管理方法的流程图。

图中：1、数据采集模块；2、数据分析模块；3、预测模型模块；4、优化算法模块；5、智能化决策支撑模块；6、虚拟现实模块；7、区块链技术模块。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

根据本发明的实施例，提供了一种家居产品智能化分拣储存管理系统及管理方法。

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，根据本发明的一个实施例，提供了一种家居产品智能化分拣储存管理系统，该管理系统包括：数据采集模块1、数据分析模块2、预测模型模块3、优化算法模块4、智能化决策支撑模块5、虚拟现实模块6及区块链技术模块7；所述数据采集模块1，负责收集有关家居产品的属性信息和环境信息。

需要解释说明的是，数据采集模块1在家居产品的全生命周期内收集各种重要信息，上述信息包括产品的物理属性（如尺寸、重量、颜色、材料等），操作属性（如装配、维护、拆卸指令等），性能属性（如耐用性、舒适性等），以及环境属性（如温湿度、光照、噪音等），此外，还会收集产品在生产、运输、销售、使用、回收等各环节的状态和数据，所有上述信息的收集和分析，有利于更好地理解产品的性能和用户需求，优化产品设计和服务，提高用户满意度和企业竞争力。

所述数据分析模块2，使用物联网传感器和机器视觉技术分析家居产品的属性信息，根据采集的环境信息进行仓库环境情况的分析。

需要解释说明的是，数据分析模块2通过物联网传感器和机器视觉技术，对收集的家居产品属性信息进行深入分析，例如，利用机器视觉技术对产品的外观进行检查，识别可能的瑕疵或损伤；利用传感器收集的数据，评估产品的物理性能，如稳定性和耐用性等，此外，还能根据环境信息，对仓库环境做出实时分析，如温湿度变化、灰尘水平等，确保产品在最佳的环境条件下储存，以维持其最佳状态和提高用户满意度，通过上述方式，企业可以更有效地管理其存货，提高利润。

所述预测模型模块3，基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求。

优选地，所述预测模型模块3在基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求时包括：收集选定家居产品的历史供应链数据，并对供应链数据进行预处理；对预处理后的历史供应链数据进行分析；根据分析的结果，从供应链数据中提取影响预测结果的特征数据，并将特征数据划分为训练集、验证集和测试集；构建XGBoost模型，利用训练集对XGBoost模型进行训练，并使用验证集调整XGBoost模型的超参数以获取最佳的XGBoost模型；构建神经网络模型，利用训练集对神经网络模型进行训练，并使用验证集调整神经网络模型的超参数以获取最佳的神经网络模型；将最佳的XGBoost模型和最佳的神经网络模型的预测结果进行融合，得到家居预测模型；使用验证集对家居预测模型的性能进行验证，并进行参数调整；使用测试集对参数调整后的家居预测模型进行最终的性能测试；利用通过性能测试的家居预测模型预测选定家居产品的销售趋势、退货率和未来的存储需求。

优选地，所述将最佳的XGBoost模型和最佳的神经网络模型的预测结果进行融合，得到家居预测模型包括：分别利用最佳的XGBoost模型与最佳的神经网络模型对相同的数据集进行预测，得到两个预测结果；构建家居预测模型，并将两个预测结果作为家居预测模型的输入，同时通过加权平均法对两个预测结果进行融合，输出最终的预测结果；使用验证集对家居预测模型进行评估，对家居预测模型的预测结果进行验证，并根据验证结果优化家居预测模型。

需要解释说明的是，预测模型模块3利用XGBoost和神经网络模型，预测选定家居产品的各种商业指标，并从历史供应链数据中提取出有价值的特征数据，如销售额、库存量、退货率等，将上述数据被划分为训练集、验证集和测试集，用于训练和调优预测模型，最优的XGBoost模型和神经网络模型的预测结果被融合，以提供对家居产品销售趋势、退货率和未来存储需求的准确预测，家居预测模型帮助家居产品制造商和零售商更有效地管理库存，提前预测市场需求，减少过剩或不足，从而提高客户满意度。

此外，需要补充说明的是，XGBoost和神经网络模型在处理不同类型的数据和学习不同的数据模式上各有优势，XGBoost对于表格型数据的处理和线性或者简单非线性问题的学习能力强，而神经网络更擅长处理复杂的非线性问题以及高维度的数据，如图像和文本等，通过融合，可以更好地适应多样性的数据和问题，XGBoost和神经网络模型的错误模式一般不同，当一个模型在某些样本上预测错误时，另一个模型可能正确预测，通过互补性使得融合后的家居预测模型更具有鲁棒性。

所述优化算法模块4，针对家居产品的特性优化仓库的布局、存储和分拣。

优选地，所述优化算法模块4在针对家居产品的特性优化仓库的布局、存储和分拣时包括：运行家居预测模型，预测选定家居产品的销售趋势、退货率和未来的存储需求；根据预测结果，分析仓库的存储需求，并获得产品的需求分析；根据需求分析的结果，对仓库的布局进行优化；根据优化后仓库的布局优化存储策略和分拣策略，并将优化后的存储策略和分拣策略在实际操作中应用；将实施后的数据反馈给家居预测模型，优化家居预测模型。

需要解释说明的是，利用数据驱动的方法来优化仓库运营，关于流程的扩展，可以应用到更多的物流和供应链优化场景中，如配送路线优化、库存动态管理以及多仓库跨区域的货物调度等。此外，上述流程也可以与物联网技术（如RFID、智能仓储设备等）结合，实现更自动化、智能化的仓库管理。同时结合人工智能的其它技术，如强化学习，实现更高级别的决策优化。

所述智能化决策支撑模块5，通过分析销售数据，预测未来市场趋势，为仓库提供决策支持。

优选地，所述智能化决策支撑模块5在通过分析销售数据，预测未来市场趋势，为仓库提供决策支持，实现存储、分拣策略的自动调整时包括：将历史销售数据和历史销售的影响因素数据输入家居预测模型中，得到未来一周时间内的销量预测；根据销量预测结果，计算一周内每天中不同产品的仓储空间需求，并制定仓库存储空间的动态调整方案；根据动态调整方案在预测销量高峰期到来前预留存储空间，同时计算各时期的订单处理和分拣处理能力需求；制定人力资源动态调配计划，在销量高峰期到来前增派分拣人员，并监控实际销量和销量预测的偏差。

需要解释说明的是，智能化决策支撑模块5是可以扩展至更多的场景，如通过引入深度学习和神经网络技术来提高预测的准确性，利用自然语言处理技术实现与人员的自然语言交互，或者通过引入强化学习技术自动优化库存策略等，进一步提升全局的优化能力。

所述虚拟现实模块6，利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面。

优选地，所述虚拟现实模块6在利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面时包括：根据家居产品的设计图纸，使用三维建模软件创建三维数字孪生模型；将多个家居产品的三维数字孪生模型导入虚拟现实软件中，构建虚拟仓库环境，同时设置仓库的参数数据，模拟实际的存储、搬运和分拣流程；在虚拟仓库中为每件家居产品设置规则，实现工作人员与三维数字孪生模型的虚拟仿真交互；将虚拟环境转换为应用程序，在VR设备中进行操作模拟，提供仿真的家居产品三维场景；利用数字孪生模型获取实际仓储的传感器数据，同步虚拟环境和实际环境。

优选地，所述将多个家居产品的三维数字孪生模型导入虚拟现实软件中，构建虚拟仓库环境，同时设置仓库的参数数据，模拟实际的存储、搬运和分拣流程包括：根据家居产品的实际模型，使用三维建模软件构建三维数字孪生模型，并在三维数字孪生模型中设置家居产品的参数；将家居产品的参数导入虚拟现实软件中；在虚拟现实软件中创建虚拟仓库的三维环境；根据仓库布局和参数，设置虚拟仓库的货架高度和通道宽度，并在虚拟环境中添加位置追踪和距离感知；在虚拟仓库中运行数字孪生模型，模拟实际存储、搬运和分拣的工作流程；记录数字孪生模型在虚拟环境中的状态数据、操作数据，通过数据分析评估工作流程效率；根据工作流程效率的评估结果，优化数字孪生模型。

优选地，所述在虚拟仓库中为每件家居产品设置规则，实现工作人员与三维数字孪生模型的虚拟仿真交互包括：在虚拟现实软件中设定工作人员在与家居产品交互过程中的规则；将规则输入家居产品的三维数字孪生模型中；在虚拟仓库环境中，运行配置规则的三维数字孪生模型，并通过模拟交互行为确认规则的准确性；根据模拟的结果，对规则进行优化；在设定好的虚拟仓库中进行虚拟仿真交互，按照实际的工作流程与已配置规则的三维数字孪生模型进行交互，实现仿真操作。

需要解释说明的是，虚拟现实技术可以应用在数字孪生驱动的远程控制中，通过虚拟环境构建人机交互界面，操作人员可以远程连接数字孪生模型，实现对物理系统的监控和控制，数字孪生与虚拟现实技术的结合，可以应用在产品设计和验证中，随着5G网络的发展，数字孪生与虚拟现实结合的多用户协同应用将更为广泛，多个地点的用户可以共同沉浸在同一个虚拟环境中进行协作，未来数字孪生的关键技术如数字线程、自主计算等的进一步发展，使得虚拟现实中的应用带来更多可能性，虚拟现实技术的人机交互模式也将促进数字孪生的应用，降低用户的门槛，提升体验性。

所述区块链技术模块7，通过初始化区块链、实时数据上链、信息更新、预设合约执行事务及数据验证，展示家居产品供应链。

优选地，所述区块链技术模块7在通过初始化区块链、实时数据上链、信息更新、预设合约执行事务及数据验证，展示家居产品供应链时包括：创建区块链网络，并设置交易验证方式和区块大小；在家居产品的生产、运输和销售环节，生成的供应链数据，并将供应链数据转换为新的区块；当家居产品的供应链数据发生改变，信息在区块链中进行同步更新；使用预设合约执行供应链中的事务；在新区块生成后，区块链的各个节点会对新生成的区块进行验证，且当超过设定比例的节点确认区块内容的正确后，将新生成的区块添加到区块链网络。

需要解释说明的是，区块链的透明、不可篡改的特点，可以有效解决供应链过程中的信息不对称和数据造假问题。除了记录产品流转信息，区块链技术还可以与物联网技术相结合，通过传感器实时上传温度、湿度等环境数据上链，保证产品在运输和存储过程中的环境质量，另外，可以在区块链中记录产品的质量检测报告及生产过程中的各种证书、流程参数等信息。上述数据的真实性都经过区块链验证。这样可以大大提高供应链的透明度和可信度，通过区块链技术，产品质量和流转问题可以快速追溯和定位。对于家居等对产品质量要求较高的行业具有重要意义。同时，区块链数据的不可篡改也保证了数据的长期可靠性。

根据本发明的另一个实施例，如图2所示，还提供一种家居产品智能化分拣储存管理方法，该管理方法包括以下步骤：

S1、收集有关家居产品的属性信息和环境信息；

S2、使用物联网传感器和机器视觉技术分析家居产品的属性信息，根据采集的环境信息进行仓库环境情况的分析；

S3、基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求；

S4、针对家居产品的特性优化仓库的布局、存储和分拣；

S5、通过分析销售数据，预测未来市场趋势，为仓库提供决策支持；

S6、利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面；

S7、通过初始化区块链、实时数据上链、信息更新、预设合约执行事务及数据验证，展示家居产品供应链。

综上所述，借助于本发明的上述技术方案，本发明通过XGBoost模型和神经网络模型的组合使用及深入的数据分析和特征提取，对选定家居产品的销售趋势、退货率和未来的存储需求做出相当精确的预测，同时对家居预测模型的验证和根据验证结果的优化，使得模型的准确性和适应性得以持续提升，根据需要预测各种不同的家居产品，具有很高的应用灵活性；本发明通过对销售数据、季节性影响因素及未来销售预测和市场趋势的分析，实现存储、分拣策略的自动调整，提高仓库操作的效率，自动化的决策支持可以帮助企业减少不必要的存储空间和人力资源的浪费，从而降低运营成本，通过对大量历史数据的分析和学习，可以提高预测结果的准确性，帮助企业做出更精准的决策，根据实际销售情况和预测结果动态调整存储和分拣策略，使企业能够快速应对市场变化；本发明通过使用三维建模和虚拟现实技术，可以在模拟环境中学习和实践，从而提高其在实际工作中的效率；在虚拟环境中进行模拟操作，降低在实际操作中产生错误的风险，减少潜在的损失，相比于传统的培训方式，虚拟现实技术可以节省大量的物资和时间成本，此外虚拟现实技术可以为员工提供更直观、更真实的学习体验，从而提高培训的效果，模拟各种不同的工作环境和情景，提供高度的灵活性，分析虚拟操作过程中的数据，可以帮助企业更好地理解和优化工作流程。

虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。

Claims (4)

1.一种家居产品智能化分拣储存管理系统，其特征在于，该管理系统包括：数据采集模块、数据分析模块、预测模型模块、优化算法模块、智能化决策支撑模块、虚拟现实模块及区块链技术模块；所述数据采集模块，负责收集有关家居产品的属性信息和环境信息；所述数据分析模块，使用物联网传感器和机器视觉技术分析家居产品的属性信息，根据采集的环境信息进行仓库环境情况的分析；所述预测模型模块，基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求；所述优化算法模块，针对家居产品的特性优化仓库的布局、存储和分拣；所述智能化决策支撑模块，通过分析销售数据，预测未来市场趋势，为仓库提供决策支持；所述虚拟现实模块，利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面；所述区块链技术模块，通过初始化区块链、实时数据上链、信息更新、预设合约及数据验证，展示家居产品供应链；

所述智能化决策支撑模块在通过分析销售数据，预测未来市场趋势，为仓库提供决策支持，实现存储、分拣策略的自动调整时包括：将历史销售数据和历史销售的影响因素数据输入家居预测模型中，得到未来一周时间内的销量预测；根据销量预测结果，计算一周内每天中不同产品的仓储空间需求，并制定仓库存储空间的动态调整方案；根据动态调整方案在预测销量高峰期到来前预留存储空间，同时计算各时期的订单处理和分拣处理能力需求；制定人力资源动态调配计划，在销量高峰期到来前增派分拣人员，并监控实际销量和销量预测的偏差；

所述虚拟现实模块在利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面时包括：根据家居产品的设计图纸，使用三维建模软件创建三维数字孪生模型；将多个家居产品的三维数字孪生模型导入虚拟现实软件中，构建虚拟仓库环境，同时设置仓库的参数数据，模拟实际的存储、搬运和分拣流程；在虚拟仓库中为每件家居产品设置规则，实现工作人员与三维数字孪生模型的虚拟仿真交互；将虚拟环境转换为应用程序，在VR设备中进行操作模拟，提供仿真的家居产品三维场景；利用数字孪生模型获取实际仓储的传感器数据，同步虚拟环境和实际环境；

所述将多个家居产品的三维数字孪生模型导入虚拟现实软件中，构建虚拟仓库环境，同时设置仓库的参数数据，模拟实际的存储、搬运和分拣流程包括：根据家居产品的实际模型，使用三维建模软件构建三维数字孪生模型，并在三维数字孪生模型中设置家居产品的参数；将家居产品的参数导入虚拟现实软件中；在虚拟现实软件中创建虚拟仓库的三维环境；根据仓库布局和参数，设置虚拟仓库的货架高度和通道宽度，并在虚拟环境中添加位置追踪和距离感知；在虚拟仓库中运行数字孪生模型，模拟实际存储、搬运和分拣的工作流程；记录数字孪生模型在虚拟环境中的状态数据、操作数据，通过数据分析评估工作流程效率；根据工作流程效率的评估结果，优化数字孪生模型；

所述在虚拟仓库中为每件家居产品设置规则，实现工作人员与三维数字孪生模型的虚拟仿真交互包括：在虚拟现实软件中设定工作人员在与家居产品交互过程中的规则；将规则输入家居产品的三维数字孪生模型中；在虚拟仓库环境中，运行配置规则的三维数字孪生模型，并通过模拟交互行为确认规则的准确性；根据模拟的结果，对规则进行优化；在设定好的虚拟仓库中进行虚拟仿真交互，按照实际的工作流程与已配置规则的三维数字孪生模型进行交互，实现仿真操作；

所述区块链技术模块在通过初始化区块链、实时数据上链、信息更新、预设合约执行事务及数据验证，展示家居产品供应链时包括：创建区块链网络，并设置交易验证方式和区块大小；在家居产品的生产、运输和销售环节，生成的供应链数据，并将供应链数据转换为新的区块；当家居产品的供应链数据发生改变，信息在区块链中进行同步更新；使用预设合约执行供应链中的事务；在新区块生成后，区块链的各个节点会对新生成的区块进行验证，且当超过设定比例的节点确认区块内容的正确后，将新生成的区块添加到区块链网络；

所述预测模型模块在基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求时包括：收集选定家居产品的历史供应链数据，并对供应链数据进行预处理；对预处理后的历史供应链数据进行分析；根据分析的结果，从供应链数据中提取影响预测结果的特征数据，并将特征数据划分为训练集、验证集和测试集；构建XGBoost模型，利用训练集对XGBoost模型进行训练，并使用验证集调整XGBoost模型的超参数以获取最佳的XGBoost模型；构建神经网络模型，利用训练集对神经网络模型进行训练，并使用验证集调整神经网络模型的超参数以获取最佳的神经网络模型；将最佳的XGBoost模型和最佳的神经网络模型的预测结果进行融合，得到家居预测模型；使用验证集对家居预测模型的性能进行验证，并进行参数调整；使用测试集对参数调整后的家居预测模型进行最终的性能测试；利用通过性能测试的家居预测模型预测选定家居产品的销售趋势、退货率和未来的存储需求。

2.根据权利要求1所述的一种家居产品智能化分拣储存管理系统，其特征在于，所述将最佳的XGBoost模型和最佳的神经网络模型的预测结果进行融合，得到家居预测模型包括：分别利用最佳的XGBoost模型与最佳的神经网络模型对相同的数据集进行预测，得到两个预测结果；构建家居预测模型，并将两个预测结果作为家居预测模型的输入，同时通过加权平均法对两个预测结果进行融合，输出最终的预测结果；使用验证集对家居预测模型进行评估，对家居预测模型的预测结果进行验证，并根据验证结果优化家居预测模型。

3.根据权利要求2所述的一种家居产品智能化分拣储存管理系统，其特征在于，所述优化算法模块在针对家居产品的特性优化仓库的布局、存储和分拣时包括：运行家居预测模型，预测选定家居产品的销售趋势、退货率和未来的存储需求；根据预测结果，分析仓库的存储需求，并获得产品的需求分析；根据需求分析的结果，对仓库的布局进行优化；根据优化后仓库的布局优化存储策略和分拣策略；将实施后的数据反馈给家居预测模型，优化家居预测模型。

4.一种家居产品智能化分拣储存管理方法，用于实现权利要求1-3中任一项所述的家居产品智能化分拣储存管理系统，其特征在于，该管理方法包括以下步骤：

S1、收集有关家居产品的属性信息和环境信息；

S2、使用物联网传感器和机器视觉技术分析家居产品的属性信息，根据采集的环境信息进行仓库环境情况的分析；

S3、基于历史数据预测选定家居产品的销售趋势、退货率和未来的存储需求；

S4、针对家居产品的特性优化仓库的布局、存储和分拣；

S5、通过分析销售数据，预测未来市场趋势，为仓库提供决策支持；

S6、利用虚拟现实技术创建家居产品的三维模型，模拟在仓库中的存储和分拣过程，为仓库员工提供培训，同时提供模拟的家居产品展示界面；

S7、通过初始化区块链、实时数据上链、信息更新、预设合约执行事务及数据验证，展示家居产品供应链。