CN117976175B - 一种基于订单分析的医药分拣优化方法及系统 - Google Patents

一种基于订单分析的医药分拣优化方法及系统 Download PDF

Info

Publication number
CN117976175B
CN117976175B CN202410383056.3A CN202410383056A CN117976175B CN 117976175 B CN117976175 B CN 117976175B CN 202410383056 A CN202410383056 A CN 202410383056A CN 117976175 B CN117976175 B CN 117976175B
Authority
CN
China
Prior art keywords
sorted
order
sorting
medical
orders
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
Application number
CN202410383056.3A
Other languages
English (en)
Other versions
CN117976175A (zh
Inventor
陈欣
李现龙
林强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TIANJIN CHEST HOSPITAL
ZHONGJIAN KANGDA MEDICAL EQUIPMENT CO Ltd OF TIANJIN MEDICAL GROUP
Tianjin University
Original Assignee
TIANJIN CHEST HOSPITAL
ZHONGJIAN KANGDA MEDICAL EQUIPMENT CO Ltd OF TIANJIN MEDICAL GROUP
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TIANJIN CHEST HOSPITAL, ZHONGJIAN KANGDA MEDICAL EQUIPMENT CO Ltd OF TIANJIN MEDICAL GROUP, Tianjin University filed Critical TIANJIN CHEST HOSPITAL
Priority to CN202410383056.3A priority Critical patent/CN117976175B/zh
Publication of CN117976175A publication Critical patent/CN117976175A/zh
Application granted granted Critical
Publication of CN117976175B publication Critical patent/CN117976175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于订单分析的医药分拣优化方法及系统，涉及物流技术领域。方法包括：获取预设分拣周期内的多个待分拣医药订单信息，构建分拣订单集合，提取分拣订单集合中每个待分拣医药订单的区域分布特征向量；计算分拣订单集合中任意两个待分拣医药订单的关联度，根据多个关联度确定分拣订单集合的区域分布特征；根据分拣订单集合的区域分布特征对分拣订单集合进行订单聚类，生成订单聚类结果，根据订单聚类结果对分拣订单集合中的待分拣医药订单进行医药分拣。本发明提升了分拣效率，可以更好地满足医院和医疗机构对医药物品的及时供应需求。

Description

一种基于订单分析的医药分拣优化方法及系统
技术领域
本发明涉及物流技术领域，尤其涉及一种基于订单分析的医药分拣优化方法及系统。
背景技术
在当今医疗物流管理中，随着医疗服务的不断提升和医药物品的多样性，对医药分拣效率的要求也日益提高。医药物品的需求不仅受到季节、流行性疾病等因素的影响，更受到不同时间段医疗服务类型的变化的影响，表现在医药订单中对种类不同的医药物品的需求量波动较大，例如，某些时间段，由于特定疾病高发或医疗服务需求的增加，所需求的医药物品在仓储区域中呈现出明显的集中分布。而在其他时间段，由于服务需求相对平稳，医药物品则呈现出较为离散的分布情形，这种集中和离散分布的变化对医药分拣流程的优化提出了挑战。
为了更好地满足医院和医疗机构对医药物品的及时供应需求，亟需一种基于订单分析的医药分拣优化方法及系统。
发明内容
本发明提出了一种基于订单分析的医药分拣优化方法及系统，旨在对所需求的医药物品在仓储区域出现集中和离散分布的变化的情形下的医药分拣进行优化，提升医药分拣效率。
为实现上述目的，本发明提供一种基于订单分析的医药分拣优化方法，包括：
获取预设分拣周期内的多个待分拣医药订单信息，构建分拣订单集合，提取分拣订单集合中每个待分拣医药订单的区域分布特征向量；
基于多个区域分布特征向量计算分拣订单集合中任意两个待分拣医药订单的关联度，根据多个关联度确定分拣订单集合的区域分布特征，其中，待分拣医药订单a和b的关联度的计算包括：
式中，为待分拣医药订单a和b的关联度，/>为待分拣医药订单a和b所包括的存储区域的数量，/>为第/>个存储区域的区域干扰因子，/>为第/>个存储区域的货架干扰因子，/>为存储区域的数量；
在计算待分拣医药订单a和b的关联度的过程中，若任意一个存储区域中存储有待分拣医药订单a和b所涉及的医药物品，则该存储区域的区域干扰因子取值为1，否则取值为0；若任意一个存储区域存储有待分拣医药订单a和b所涉及的医药物品，且对待分拣医药订单a和b进行分拣的过程中存在一条共用通道，则该存储区域的货架干扰因子取值为1，否则取值为0；
根据分拣订单集合的区域分布特征对分拣订单集合进行订单聚类，包括判断区域分布特征是否大于预设阈值；
若是则获取每个存储区域的订单分布数量，基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合，基于多个分拣区域集合对分拣订单集合中的待分拣医药订单进行医药分拣；
否则基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合，基于多个分拣订单集合对分拣订单集合中的待分拣医药订单进行医药分拣。
优选地，根据多个关联度确定分拣订单集合的区域分布特征，包括：
式中，为分拣订单集合的区域分布特征，/>为分拣订单集合中待分拣医药订单的数量，/>为第/>个关联度，/>为关联度的数量。
优选地，基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合，包括：
获取每个存储区域包括的待分拣医药订单的数量，基于包括的待分拣医药订单的数量对多个存储区域进行排序，选取前K个存储区域作为K个第一聚类中心，获取每个存储区域的坐标信息，通过K-Means算法基于K个第一聚类中心和每个存储区域的坐标信息对分拣订单集合所包括的存储区域进行聚类，输出多个存储区域类簇，构建得到多个分拣区域集合。
优选地，基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，包括：
提取分拣订单集合中每个待分拣医药订单的物品类型特征向量和物品类型数量，根据每个待分拣医药订单的物品类型数量确定分割阈值，基于每个待分拣医药订单的物品类型数量对多个待分拣医药订单进行排序；
基于分割阈值将分拣订单集合分割为第一订单集合和第二订单集合，选取第一订单集合中物品类型数量最大的待分拣医药订单作为第1个第二聚类中心，基于多个关联度确定K-1个第二聚类中心，包括：
S11、对于第p个第二聚类中心Cp，令p=1；
S12、分别计算第一订单集合中每个待分拣医药订单与第1至第p个第二聚类中心的关联度之和，选取关联度之和最小的待分拣医药订单，记为第p+1个第二聚类中心；
S13、判断条件“p<K”是否成立，若是则令p=p+1，并转到步骤S12，否则转到步骤S14；
S14、输出K-1个第二聚类中心。
优选地，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合，包括：
通过K-Means算法基于K个第二聚类中心和每个待分拣医药订单的物品类型特征向量对分拣订单集合所包括的待分拣医药订单进行聚类，输出多个医药订单类簇，构建得到多个分拣订单集合。
优选地，对于步骤S12中选取关联度之和最小的待分拣医药订单，记为第p+1个第二聚类中心的过程，还包括：
若关联度之和最小的待分拣医药订单的数量大于1，选取关联度之和最小的多个待分拣医药订单，基于每个待分拣医药订单的物品类型特征向量分别计算选取的每个待分拣医药订单与第1至第p个第二聚类中心的距离之和，将距离之和最大的待分拣医药订单记为第p+1个第二聚类中心。
优选地，基于多个分拣订单集合对分拣订单集合中的待分拣医药订单进行医药分拣，包括：
对于任意一个分拣订单集合，基于订单生成时间对分拣订单集合中的所有待分拣医药订单进行排序，基于排序好的多个待分拣医药订单对分拣订单集合进行医药分拣。
为实现上述目的，本发明还提供一种基于订单分析的医药分拣优化系统，用于实施上述的一种基于订单分析的医药分拣优化方法，包括：
订单获取模块，用于获取预设分拣周期内的多个待分拣医药订单信息，构建分拣订单集合；
区域特征提取模块，用于提取分拣订单集合中每个待分拣医药订单的区域分布特征向量；
区域特征分析模块，用于基于多个区域分布特征向量计算分拣订单集合中任意两个待分拣医药订单的关联度，根据多个关联度确定分拣订单集合的区域分布特征；
订单聚类模块，用于根据分拣订单集合的区域分布特征对分拣订单集合进行订单聚类，生成订单聚类结果；
分拣优化模块，用于基于订单聚类模块生成的订单聚类结果对分拣订单集合中的待分拣医药订单进行医药分拣。
优选地，订单聚类模块对分拣订单集合进行订单聚类包括：
判断区域分布特征是否大于预设阈值；
若是则获取每个存储区域的订单分布数量，基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合；
否则基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合。
优选地，对于分拣优化模块，还包括：
若订单聚类模块生成的订单聚类结果为多个分拣订单集合，分拣优化模块基于多个分拣订单集合对分拣订单集合中的待分拣医药订单进行医药分拣，包括：
对于任意一个分拣订单集合，基于订单生成时间对分拣订单集合中的所有待分拣医药订单进行排序，基于排序好的多个待分拣医药订单对分拣订单集合进行医药分拣。
本发明具有以下有益效果：
本发明通过提取并分析多个待分拣医药订单的区域分布特征向量，提取出多个待分拣医药订单的局部特征信息和全局特征信息，根据局部特征信息和全局特征信息的差异，对多个待分拣医药订单采取不同的方式进行订单聚类，受到季节、流行性疾病等因素的影响，不同时间段下医药物品的需求存在差异，所需求的医药物品在仓储区域中呈现出集中分布或离散分布，采取单一的分拣方式难以适用不同情形下的医药分拣，本发明针对不同的聚类结果，自适应选取适合每种聚类结果的分拣方式进行医药分拣，减少了分拣过程中多位分拣人员互相干扰的情形，提升了分拣效率，可以更好地满足医院和医疗机构对医药物品的及时供应需求。
附图说明
图1为本发明实施例中示例性的一种基于订单分析的医药分拣优化方法的流程图。
图2为本发明实施例中示例性的一种基于订单分析的医药分拣优化系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参见图1，为本发明实施例中示例性的一种基于订单分析的医药分拣优化方法的流程图，本发明实施例提供的一种基于订单分析的医药分拣优化方法，具体包括：
S10、获取预设分拣周期内的多个待分拣医药订单信息，构建分拣订单集合，提取分拣订单集合中每个待分拣医药订单的区域分布特征向量。
在本实施中，待分拣医药订单信息包括了订单编号、日期、医药公司/机构信息、物品类型、物品名称和物品数量等数据，对于大型仓库而言，可能会选择每隔一段时间进行一次分拣以提高分拣效率，其中，预设分拣周期可以结合医药物品仓库所接收到的订单总数进行设定，例如12h、24h、48h等不同周期，通过分拣订单集合存储预设分拣周期内所接收到的订单。为了提高分拣效率，仓库中会针对不同的医药物品进行分区存储，便于分拣人员快速对需要分拣的物品进行定位，基础的大区分类例如药物类、医疗器械类、保健品类、生物制品类、医疗用品和辅助设备类等，例如分别标记为A、B、C等多个大区，每个大类中包括有多个小类，例如针对不同手术类型的多种医疗器械的分类，例如外科、产科、眼科、口腔科、心脏外科等，体现在存储医药物品的大型仓库中，每类医药物品例如产科医疗器械的摆放涉及到一个或多个货架，本实施例中以将每类医药物品视为一个存储区域，提取出每个待分拣医药订单的区域分布特征向量。
示例性的，区域分布特征向量中每个元素用于表示待分拣医药订单中是否存储在该元素对应的存储区域中，例如存在则赋予元素的值为1，否则为0，区域分布特征向量的维度具体为仓库中设置的存储区域的数量，可通过仓库管理系统所记录的医疗物品存储信息确定区域分布特征向量，本实施例中不对其进行具体限定。
S20、基于多个区域分布特征向量计算分拣订单集合中任意两个待分拣医药订单的关联度，根据多个关联度确定分拣订单集合的区域分布特征。
在本实施例中，区域分布特征向量用于量化表征每个待分拣医药订单在所需求的医药物品，通过每个待分拣医药订单的区域分布特征向量计算任意两个待分拣医药订单的关联度，用于分析分拣订单集合中不同待分拣医药订单之间的关联性。
在本实施例中，以待分拣医药订单a和b为例，待分拣医药订单a和b的关联度的计算包括：
式中，为待分拣医药订单a和b的关联度，/>为待分拣医药订单a和b所包括的存储区域的数量，/>为第/>个存储区域的区域干扰因子，/>为第/>个存储区域的货架干扰因子，/>为存储区域的数量。
在本实施例中，通过仓库管理系统所记载的仓库布局信息分析两个待分拣医药订单所涉及的存储区域和存储货架之间的关联性，区域干扰因子用于表征两个待分拣医药订单所涉及的医药物品对应的存储区域的关联性，货架干扰因子/>用于表示两个待分拣医药订单所涉及的医药物品对应的存储区域中每个存储区域中多个货架对两个待分拣医药订单分拣的干扰。在计算待分拣医药订单a和b的关联度的过程中，若任意一个存储区域中存储有待分拣医药订单a和b所涉及的医药物品，则该存储区域的区域干扰因子取值为1，否则取值为0；若任意一个存储区域存储有待分拣医药订单a和b所涉及的医药物品，且对待分拣医药订单a和b进行分拣的过程中存在一条共用通道，则该存储区域的货架干扰因子取值为1，否则取值为0。
示例性的，对于待分拣医药订单a和b，对于C1、C2、C3三个存储区域，C1中均存储有待分拣医药订单a和b所涉及的医药物品，则存储区域C1的区域干扰因子为1，C2中仅存储有待分拣医药订单a和b其中一个待分拣医药订单所涉及中的医药物品，则存储区域C2的区域干扰因子为0，C3同时存储有待分拣医药订单a和b所涉及的医药物品，且对于存储区域C3中相邻摆放的货架1-5，每个货架均包括有L和J两侧，待分拣医药订单a中所涉及的存储区域C3的其中一类医疗用品存储在货架的C3-2-J，即存储区域C3的编号为2的货架的J侧，待分拣医药订单b中所涉及的存储区域C3的其中一类医疗用品存储在货架的C3-3-L，且位置C3-2-J和C3-3-L共享一条通道，即订单分拣过程中两个分拣人员在分拣这两类医疗用品的过程中会在同一条通道相遇，这种情况下存储区域C3的货架干扰因子为1，即两位分拣不同订单的分拣员在同一个存储区域分拣过程中存在相遇的概率，则货架干扰因子取值为1，否则为0。
值得说明的是，区域干扰因子和货架干扰因子具体用于分别表征两个待分拣医药订单所涉及的存储区域和存储货架之间的关联性，不同仓库中存储区域和存储货架的设置存在差异，本领域技术人员可以结合仓库管理系统和仓库的实际布局确定不同存储区域的区域干扰因子和货架干扰因子的，本实施例中不对其进行具体限定。
在本实施例中，提取得到用于表征分拣订单集合中任意两个待分拣医药订单之间关联性的局部特征信息后，还基于计算得到的多个关联度提取分拣订单集合的全局特征信息。具体的，根据多个关联度确定分拣订单集合的区域分布特征，用于表征分拣订单集合的全局特征信息。
在本实施例中，根据多个关联度确定分拣订单集合的区域分布特征，包括：
式中，为分拣订单集合的区域分布特征，/>为分拣订单集合中待分拣医药订单的数量，/>为第/>个关联度，/>为关联度的数量。
通过上式对多个关联度进行综合分析，归一化后得到分拣订单集合的区域分布特征，用于表征分拣订单集合中多个待分拣医药订单所涉及的医药物品的离散程度，具体的，任意两个待分拣医药订单所涉及的医疗区域越分散，两个待分拣医药订单的关联度越小，分拣订单集合中多个任意两个待分拣医药订单构成的组合中，越离散的组合越多，分拣订单集合的区域分布特征越小，因此，通过区域分布特征表征分拣订单集合的全局特征信息，区域分布特征越大表示分拣订单集合中多个待分拣医药订单所涉及的存储区域越集中，反之越分散。
S30、根据分拣订单集合的区域分布特征对分拣订单集合进行订单聚类，生成订单聚类结果，根据订单聚类结果对分拣订单集合中的待分拣医药订单进行医药分拣。
在本实施例中，通过预设阈值对分拣订单集合的离散程度进行衡量，针对不同的离散程度选择不同的订单分拣方法，以提升分拣效率。
具体的，若分拣订单集合的区域分布特征大于预设阈值，表示分拣订单集合中的待分拣医药订单呈现集中分布，则基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合，基于多个分拣区域集合对分拣订单集合中的待分拣医药订单进行医药分拣；
若分拣订单集合的区域分布特征不大于预设阈值，表示分拣订单集合中的待分拣医药订单呈现离散分布，则基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合，基于多个分拣订单集合对分拣订单集合中的待分拣医药订单进行医药分拣。
在本实施例中，对于集中分布的待分拣医药订单，可以采取分区分拣的方式进行分拣，即每位分拣人员负责不同的分拣区域，例如对于聚类得到的多个分拣区域集合，为每个分拣区域集合分配一位分拣人员进行分拣，对于待分拣医药订单所涉及的分拣区域分布较为集中的情况，如果采取每位分拣人员负责一个或多个订单的分拣方式，不同分拣人员在进行分拣作业的移动过程中很容易受到影响，从而降低分拣效率，而每位分拣人员负责不同的分拣区域的分拣方式下，不同分拣人员的分拣路线不容易出现冲突，每位分拣人员得到移动路径也大大缩短，分拣过程只需要在集中的区域内进行拣货即可，大大提升了分拣效率；对于离散分布的待分拣医药订单，可以采取单一订单分拣的方式进行分拣，即每位分拣人员负责一个或多个订单，由于待分拣医药订单所涉及的分拣区域分布较为离散，如果采用每位分拣人员负责不同的分拣区域的分拣方式，对于任意一个订单，可能需要多位分拣员均完成分拣作业后才能完成货物的汇总，订单的优先级在一定程度上被忽略，而采取每位分拣人员负责一个或多个订单的分拣方式可以按照订单的优先级进行分拣，且因为分拣区域分布较为离散，分拣过程中不容易出现不同分拣人员互相干扰的情形，在考虑订单优先级的情况下提升了分拣效率。
在本实施例中，对于离散分布的待分拣医药订单，在聚类得到多个分拣订单集合后，每个分拣订单集合中所涉及的存储区域较为集中，不同分拣订单集合所涉及到的存储区域较为分散，这种情况下，实际的分拣过程中，以任意一个分拣订单集合为例，基于订单生成时间对分拣订单集合中的所有待分拣医药订单进行排序，基于排序好的多个待分拣医药订单对分拣订单集合进行医药分拣，对于全部的分拣订单集合，可以分别为每个分拣订单集合分配一位分拣人员，分拣人员按照已经排序好的待分拣医药订单进行分拣，在保证多位分拣人员分拣过程中不会互相干扰的情况下，按照时间顺序对全部订单进行分拣。值得说明的是，本领域技术人员也可结合实际情况确定每个分拣订单集合中不同待分拣医药订单的优先级，基于优先级对分拣订单集合中的待分拣医药订单进行排序，本实施例中不对其进行具体限定。
在其中一个实施例中，基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合，具体包括：
获取每个存储区域包括的待分拣医药订单的数量，基于包括的待分拣医药订单的数量对多个存储区域进行排序，选取前K个存储区域作为K个第一聚类中心。
在本实施例中，对于呈现集中分布的多个待分拣医药订单，在进行订单聚类的过程中，为了减少分拣人员在仓库中的移动距离，根据每个存储区域所涉及到的待分拣医药订单的数量进行第一聚类中心的选取，其中，预设K值可以是结合分拣人员的数量进行设定，例如取分拣人员数量的数值作为预设K值，或者选取分拣人员数量的数值的倍数设置预设K值，本领域技术人员也可结合实际情况采取不同的方式进行K值的设定。
值得说明的是，考虑到基于每个存储区域所涉及到的待分拣医药订单的数量选取得到的K个第一聚类中心中，可能存在距离互相接近的一组或多组第一聚类中心，还可以结合每个存储区域所涉及到的待分拣医药订单中医药物品的数量进行选取，例如选取出所涉及到的待分拣医药订单中医药物品的数量最高的K个存储区域，从2K个存储区域中选择出K个第一聚类中心，对不同存储区域涉及到的待分拣医药订单的数量和涉及到的待分拣医药订单中医药物品的数量进行综合分析，选取出K个较为分散的第一聚类中心，避免因为初始设定的聚类中心距离较为接近，导致聚类的迭代过程中陷入局部最优从而影响聚类效果，而分拣作业过程中待分拣医药订单的数量以及所涉及到的医药物品的数量均是影响分拣作业工作量的重要因素，考虑这两个因素后确定的第一聚类中心相较于随机选取的第一聚类中心而言，可以达到更好的聚类效果。
获取每个存储区域的坐标信息，通过K-Means算法基于K个第一聚类中心和每个存储区域的坐标信息对分拣订单集合所包括的存储区域进行聚类，输出多个存储区域类簇，构建得到多个分拣区域集合。
在本实施例中，在确定用于聚类的K值和每个类簇的聚类中心后，通过K-Means算法对分拣订单集合所涉及的多个存储区域进行距离聚类，每个存储区域的坐标信息可以是选取每个存储区域中心位置处的坐标进行表征，在具体的迭代过程中，每完成一次聚类后，对于每个类簇，确定每个类簇的中心点，然后选取类簇中距离该中心点最近的一个存储区域作为类簇的聚类中心，进行下一次迭代，最终输出的多个存储区域类簇中，每个存储区域类簇的聚类中心为其中一个存储区域。
在其中一个实施例中，基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，具体包括：
提取分拣订单集合中每个待分拣医药订单的物品类型特征向量和物品类型数量，根据每个待分拣医药订单的物品类型数量确定分割阈值，基于每个待分拣医药订单的物品类型数量对多个待分拣医药订单进行排序。
在本实施例中，对于呈现集中分布的多个待分拣医药订单，可以采用一人负责一个或多个订单的方式进行分拣，为了尽可能避免多为分拣人员在分拣过程中出现移动干扰的情况，对多个待分拣医药订单进行订单聚类，分析不同订单之间的相似度。可以想到的是，待分拣医药订单所涉及到的物品类型数量越高，与其余待分拣医药订单之间的相似度越高，根据每个待分拣医药订单的信息确定每个待分拣医药订单的物品类型特征向量，物品类型特征向量中每个元素表征一种物品类型，示例性的，对于任一待分拣医药订单的物品类型特征向量中的任一元素，若该待分拣医药订单中存在该元素对应的物品类型，则该元素的取值为1，否则取值为0，由此生成每个待分拣医药订单的物品类型特征向量，并确定每个待分拣医药订单的物品类型数量。
在本实施例中，对于分割阈值，通过每个待分拣医药订单的物品类型数量，获取物品类型数量和待分拣医药订单数量的曲线图，示例性的，以物品类型数量为横轴，待分拣医药订单数量为纵轴生成曲线图，选取曲线图的峰值对应的待分拣医药订单的物品类型数量作为分割阈值。
基于分割阈值将分拣订单集合分割为第一订单集合和第二订单集合，选取第一订单集合中物品类型数量最大的待分拣医药订单作为第1个第二聚类中心，基于多个关联度确定K-1个第二聚类中心。
在本实施例中，在确定分割阈值后，将物品类型数量高于分割阈值的待分拣医药订单写入第一订单集合，将其余的待分拣医药订单写入第二订单集合，从第一订单集合中选取出K个第二聚类中心。
在本实施例中，以第一订单集合中物品类型数量最大的待分拣医药订单作为第1个第二聚类中心，从第一订单集合剩余的待分拣医药订单中选取出其余的K-1个第二聚类中心，具体采用如下步骤进行K-1个第二聚类中心的选取，包括：
S11、对于第p个第二聚类中心Cp，令p=1；
S12、分别计算第一订单集合中每个待分拣医药订单与第1至第p个第二聚类中心的关联度之和，选取关联度之和最小的待分拣医药订单，记为第p+1个第二聚类中心；
S13、判断条件“p+1<K”是否成立，若是则令p=p+1，并转到步骤S12，否则转到步骤S14；
S14、输出K-1个第二聚类中心。
在本实施例中，通过多个待分拣医药订单之间的关联度表征待分拣医药订单之间的距离，选取互相之间距离较远的多个待分拣医药订单作为第二聚类中心，辅助完成对多个待分拣医药订单的聚类，增强聚类效果。
在确定K个第二聚类中心后，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合，具体包括：
通过K-Means算法基于K个第二聚类中心和每个待分拣医药订单的物品类型特征向量对分拣订单集合所包括的待分拣医药订单进行聚类，输出多个医药订单类簇，构建得到多个分拣订单集合。
在本实施例中，通过物品类型特征向量分析任意两个待分拣医药订单之间的距离从而进行订单聚类的过程中，对于每次迭代后得到的多个订单类簇，确定每个订单类簇的类簇中心，选取订单类簇中距离类簇中心最近的待分拣医药订单作为新的类簇中心进行下一次迭代，最终输出多个医药订单类簇，为每个医药订单类簇构建得到一个分拣订单集合。
在其中一个实施例中，对于步骤S12，在选取关联度之和最小的待分拣医药订单，记为第p+1个第二聚类中心的过程中，还包括：
若关联度之和最小的待分拣医药订单的数量大于1，选取关联度之和最小的多个待分拣医药订单，基于每个待分拣医药订单的物品类型特征向量分别计算选取的每个待分拣医药订单与第1至第p个第二聚类中心的距离之和，将距离之和最大的待分拣医药订单记为第p+1个第二聚类中心。
在本实施例中，考虑到直接通过关联度之和选取第二聚类中心的过程中，可能同时存在多个待分拣医药订单与第1至第p个第二聚类中心的关联度之和相同，且均为最小值，这种情况下对这些待分拣医药订单进行进一步的筛选，通过每个待分拣医药订单的物品类型特征向量重新计算每个待分拣医药订单与第1至第p个第二聚类中心的距离之和，基于距离之和确定最终的第p+1个第二聚类中心。
本发明实施例提供的一种基于订单分析的医药分拣优化方法，通过提取并分析多个待分拣医药订单的区域分布特征向量，提取出多个待分拣医药订单的局部特征信息和全局特征信息，根据局部特征信息和全局特征信息的差异，对多个待分拣医药订单采取不同的方式进行订单聚类，受到季节、流行性疾病等因素的影响，不同时间段下医药物品的需求存在差异，所需求的医药物品在仓储区域中呈现出集中分布或离散分布，采取单一的分拣方式难以适用不同情形下的医药分拣，本发明针对不同的聚类结果，可以针对不同聚类结果所反映的需要分拣的医药物品在仓储区域中的多种分布方式，确定适合每种聚类结果的分拣方式进行医药分拣，对于医药物品在仓储区域中离散分布的情形，采取分拣人员移动过程干扰较少且考虑订单优先级的分拣方式进行分拣，对于医药物品在仓储区域中集中分布的情形，采取分拣人员移动路径短且移动过程干扰较少的分拣方式进行分拣，减少了分拣过程中多位分拣人员互相干扰的情形的出现，兼顾订单优先级的同时提升了分拣效率，可以更好地满足医院和医疗机构对医药物品的及时供应需求。
参见图2，为本发明实施例中示例性的一种基于订单分析的医药分拣优化系统的结构框图，本发明实施例提供的一种基于订单分析的医药分拣优化系统，具体包括：
订单获取模块，用于获取预设分拣周期内的多个待分拣医药订单信息，构建分拣订单集合；
区域特征提取模块，用于提取分拣订单集合中每个待分拣医药订单的区域分布特征向量；
区域特征分析模块，用于基于多个区域分布特征向量计算分拣订单集合中任意两个待分拣医药订单的关联度，根据多个关联度确定分拣订单集合的区域分布特征；
其中，待分拣医药订单a和b的关联度的计算包括：
式中，为待分拣医药订单a和b的关联度，/>为待分拣医药订单a和b所包括的存储区域的数量，/>为第/>个存储区域的区域干扰因子，/>为第/>个存储区域的货架干扰因子，/>为存储区域的数量；
根据多个关联度确定分拣订单集合的区域分布特征，包括：
式中，为分拣订单集合的区域分布特征，/>为分拣订单集合中待分拣医药订单的数量，/>为第/>个关联度，/>为关联度的数量。
订单聚类模块，用于根据分拣订单集合的区域分布特征对分拣订单集合进行订单聚类，生成订单聚类结果；
具体的，订单聚类模块对分拣订单集合进行订单聚类包括：
判断区域分布特征是否大于预设阈值；
若是则获取每个存储区域的订单分布数量，基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合；
否则基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合；
分拣优化模块，用于基于订单聚类模块生成的订单聚类结果对分拣订单集合中的待分拣医药订单进行医药分拣。
具体的，若订单聚类模块生成的订单聚类结果为多个分拣订单集合，分拣优化模块基于多个分拣订单集合对分拣订单集合中的待分拣医药订单进行医药分拣，包括：
对于任意一个分拣订单集合，基于订单生成时间对分拣订单集合中的所有待分拣医药订单进行排序，基于排序好的多个待分拣医药订单对分拣订单集合进行医药分拣。
上述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (9)

1.一种基于订单分析的医药分拣优化方法，其特征在于，包括：
获取预设分拣周期内的多个待分拣医药订单信息，构建分拣订单集合，提取分拣订单集合中每个待分拣医药订单的区域分布特征向量；
基于多个区域分布特征向量计算分拣订单集合中任意两个待分拣医药订单的关联度，根据多个关联度确定分拣订单集合的区域分布特征，其中，待分拣医药订单a和b的关联度的计算包括：
式中，为待分拣医药订单a和b的关联度，/>为待分拣医药订单a和b所包括的存储区域的数量，/>为第/>个存储区域的区域干扰因子，/>为第/>个存储区域的货架干扰因子，为存储区域的数量；
在计算待分拣医药订单a和b的关联度的过程中，若任意一个存储区域中存储有待分拣医药订单a和b所涉及的医药物品，则该存储区域的区域干扰因子取值为1，否则取值为0；若任意一个存储区域存储有待分拣医药订单a和b所涉及的医药物品，且对待分拣医药订单a和b进行分拣的过程中存在一条共用通道，则该存储区域的货架干扰因子取值为1，否则取值为0；
根据分拣订单集合的区域分布特征对分拣订单集合进行订单聚类，包括判断区域分布特征是否大于预设阈值；
若是则获取每个存储区域的订单分布数量，基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合，基于多个分拣区域集合对分拣订单集合中的待分拣医药订单进行医药分拣；
否则基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合，基于多个分拣订单集合对分拣订单集合中的待分拣医药订单进行医药分拣；
根据多个关联度确定分拣订单集合的区域分布特征，包括：
式中，为分拣订单集合的区域分布特征，/>为分拣订单集合中待分拣医药订单的数量，/>为第/>个关联度，/>为关联度的数量。
2.根据权利要求1所述的一种基于订单分析的医药分拣优化方法，其特征在于，基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合，包括：
获取每个存储区域包括的待分拣医药订单的数量，基于包括的待分拣医药订单的数量对多个存储区域进行排序，选取前K个存储区域作为K个第一聚类中心，获取每个存储区域的坐标信息，通过K-Means算法基于K个第一聚类中心和每个存储区域的坐标信息对分拣订单集合所包括的存储区域进行聚类，输出多个存储区域类簇，构建得到多个分拣区域集合。
3.根据权利要求1所述的一种基于订单分析的医药分拣优化方法，其特征在于，基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，包括：
提取分拣订单集合中每个待分拣医药订单的物品类型特征向量和物品类型数量，根据每个待分拣医药订单的物品类型数量确定分割阈值，基于每个待分拣医药订单的物品类型数量对多个待分拣医药订单进行排序；
基于分割阈值将分拣订单集合分割为第一订单集合和第二订单集合，选取第一订单集合中物品类型数量最大的待分拣医药订单作为第1个第二聚类中心，基于多个关联度确定K-1个第二聚类中心，包括：
S11、对于第p个第二聚类中心Cp，令p=1；
S12、分别计算第一订单集合中每个待分拣医药订单与第1至第p个第二聚类中心的关联度之和，选取关联度之和最小的待分拣医药订单，记为第p+1个第二聚类中心；
S13、判断条件“p<K”是否成立，若是则令p=p+1，并转到步骤S12，否则转到步骤S14；
S14、输出K-1个第二聚类中心。
4.根据权利要求3所述的一种基于订单分析的医药分拣优化方法，其特征在于，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合，包括：
通过K-Means算法基于K个第二聚类中心和每个待分拣医药订单的物品类型特征向量对分拣订单集合所包括的待分拣医药订单进行聚类，输出多个医药订单类簇，构建得到多个分拣订单集合。
5.根据权利要求3所述的一种基于订单分析的医药分拣优化方法，其特征在于，对于步骤S12中选取关联度之和最小的待分拣医药订单，记为第p+1个第二聚类中心的过程，还包括：
若关联度之和最小的待分拣医药订单的数量大于1，选取关联度之和最小的多个待分拣医药订单，基于每个待分拣医药订单的物品类型特征向量分别计算选取的每个待分拣医药订单与第1至第p个第二聚类中心的距离之和，将距离之和最大的待分拣医药订单记为第p+1个第二聚类中心。
6.根据权利要求1所述的一种基于订单分析的医药分拣优化方法，其特征在于，基于多个分拣订单集合对分拣订单集合中的待分拣医药订单进行医药分拣，包括：
对于任意一个分拣订单集合，基于订单生成时间对分拣订单集合中的所有待分拣医药订单进行排序，基于排序好的多个待分拣医药订单对分拣订单集合进行医药分拣。
7.一种基于订单分析的医药分拣优化系统，其特征在于，用于实施上述权利要求1-6任一项所述的一种基于订单分析的医药分拣优化方法，包括：
订单获取模块，用于获取预设分拣周期内的多个待分拣医药订单信息，构建分拣订单集合；
区域特征提取模块，用于提取分拣订单集合中每个待分拣医药订单的区域分布特征向量；
区域特征分析模块，用于基于多个区域分布特征向量计算分拣订单集合中任意两个待分拣医药订单的关联度，根据多个关联度确定分拣订单集合的区域分布特征；
订单聚类模块，用于根据分拣订单集合的区域分布特征对分拣订单集合进行订单聚类，生成订单聚类结果；
分拣优化模块，用于基于订单聚类模块生成的订单聚类结果对分拣订单集合中的待分拣医药订单进行医药分拣。
8.根据权利要求7所述的一种基于订单分析的医药分拣优化系统，其特征在于，订单聚类模块对分拣订单集合进行订单聚类包括：
判断区域分布特征是否大于预设阈值；
若是则获取每个存储区域的订单分布数量，基于预设K值从多个存储区域中确定K个第一聚类中心，基于K个第一聚类中心对分拣订单集合所包括的存储区域进行聚类，得到多个分拣区域集合；
否则基于多个关联度从多个待分拣医药订单中确定K个第二聚类中心，基于K个第二聚类中心对分拣订单集合所包括的待分拣医药订单进行聚类，得到多个分拣订单集合。
9.根据权利要求8所述的一种基于订单分析的医药分拣优化系统，其特征在于，对于分拣优化模块，还包括：
若订单聚类模块生成的订单聚类结果为多个分拣订单集合，分拣优化模块基于多个分拣订单集合对分拣订单集合中的待分拣医药订单进行医药分拣，包括：
对于任意一个分拣订单集合，基于订单生成时间对分拣订单集合中的所有待分拣医药订单进行排序，基于排序好的多个待分拣医药订单对分拣订单集合进行医药分拣。
CN202410383056.3A 2024-04-01 2024-04-01 一种基于订单分析的医药分拣优化方法及系统 Active CN117976175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410383056.3A CN117976175B (zh) 2024-04-01 2024-04-01 一种基于订单分析的医药分拣优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410383056.3A CN117976175B (zh) 2024-04-01 2024-04-01 一种基于订单分析的医药分拣优化方法及系统

Publications (2)

Publication Number Publication Date
CN117976175A CN117976175A (zh) 2024-05-03
CN117976175B true CN117976175B (zh) 2024-06-04

Family

ID=90853857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410383056.3A Active CN117976175B (zh) 2024-04-01 2024-04-01 一种基于订单分析的医药分拣优化方法及系统

Country Status (1)

Country Link
CN (1) CN117976175B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242184A (zh) * 2018-09-06 2019-01-18 泉州装备制造研究所 一种基于层次聚类的订单拣货优化方法
CN113762563A (zh) * 2020-07-08 2021-12-07 山东财经大学 基于订单灰色关联分析的仓储货位优化布局方法及系统
CN116797121A (zh) * 2023-06-29 2023-09-22 南京邮电大学 一种基于AGVs的智能仓储批量分拣优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242184A (zh) * 2018-09-06 2019-01-18 泉州装备制造研究所 一种基于层次聚类的订单拣货优化方法
CN113762563A (zh) * 2020-07-08 2021-12-07 山东财经大学 基于订单灰色关联分析的仓储货位优化布局方法及系统
CN116797121A (zh) * 2023-06-29 2023-09-22 南京邮电大学 一种基于AGVs的智能仓储批量分拣优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于商品关联度的智能仓库储位分配问题研究;李珍萍;卜晓奇;陈星艺;;数学的实践与认识;20200308(第05期);全文 *
基于订单网格化聚类方法的医药自动拣选系统与电子标签拣选系统的比较研究;沈长鹏;邹霞;吴耀华;;物流科技;20111210(第12期);全文 *

Also Published As

Publication number Publication date
CN117976175A (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
US11538551B2 (en) Discovering population structure from patterns of identity-by-descent
US11276033B2 (en) System and method for fine-tuning sales clusters for stores
Novaliendry et al. The optimized K-means clustering algorithms to analyzed the budget revenue expenditure in Padang
Nama et al. Implementation of K-Means Technique in Data Mining to Cluster Researchers Google Scholar Profile
JP2003085194A (ja) プロセス分析方法及び情報システム
Kumar et al. Using clustering to improve sales forecasts in retail merchandising
US11232854B2 (en) Characterizing heterogeneity with fine-scale population structure
Aggelis et al. Customer clustering using rfm analysis
CN113076437A (zh) 一种基于标签重分配的小样本图像分类方法及系统
CN110033191B (zh) 一种商业人工智能的分析方法及系统
CN117976175B (zh) 一种基于订单分析的医药分拣优化方法及系统
Boer et al. Classification of Heart Disease: Comparative Analysis using KNN, Random Forest, Gaussian Naive Bayes, XGBoost, SVM, Decision Tree, and Logistic Regression
CN106651630B (zh) 关键用电行业识别方法和系统
US20230008377A1 (en) Information processing device, control method, and storage medium
CN111816298A (zh) 事件预测方法及其装置、存储介质、终端、云服务系统
De Amorim Learning feature weights for K-Means clustering using the Minkowski metric
JP2004220236A (ja) データ分析方法、装置、プログラム及び該プログラムを記録した記録媒体
Pereira et al. Clustering-based approach for categorizing pregnant women in obstetrics and maternity care
Amer et al. A Proposed Model to Measure of the Performance of ATM Machine
CN118520365B (zh) 一种用于羊养殖生长监测的数据可视化分析系统
Bindushree et al. A review on using various DM techniques for evaluation of performance and analysis of heart disease prediction
Avni et al. SIFCM-Shape: State-of-the-Art Algorithm for Clustering Correlated Time Series
CN113139761A (zh) 仓内货物存储方法，装置和计算机可读存储介质
Daskalova et al. Using Classification Methods to Predict Market Demand for Products with Short Sales History
Wallin et al. AI-assisted analysis of ICT-centre cooling: Using K-means clustering to identify cooling patterns in water-cooled ICT rooms

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