CN103984765A - 基于云服务平台大数据挖掘的仓位组合方法 - Google Patents

Abstract

本发明公开了一种基于云服务平台大数据挖掘的仓位组合方法，具体根据历史订单数据做数据挖掘分析，找出商品关联性，对仓位进行合并，重新进行储位调整，基于用户订单数据对仓位进行组合，更加符合实际需求；通过求关联方法，只需扫描一次数据库，在构建初始Id表时扫描一次数据库，把每一个商品对应的交易Id全部填入到表内，提高了计算效率；组合仓位根据访问频率进行设置，可提高捡货人员的作业效率。

Description

基于云服务平台大数据挖掘的仓位组合方法

技术领域

本发明属于电子信息技术领域，涉及电子商务中的大数据和云计算应用，具体涉及基于云服务平台大数据挖掘的仓位组合方法。 

背景技术

现代仓储管理更加注重仓储的时效性，是一种动态的管理，重视商品在拣货出库时的数量位置变化，从而配合其他仓储作业。储位管理就是利用储位来使商品处于被保管状态并且能够明确显示所储存的位置，同时当商品的位置发生变化时能够准确记录，使管理者能够随时掌握商品的数量、位置，以及去向。 

良好的储位分配策略可以减少捡货作业人员出入库移动的距离、缩短作业时间，甚至能够充分利用存储空间。目前比较较流行的储位指派技术：定位存储、随机存储和分类存储等。在传统的，规模较小的物流业中，这些储位指派或许能够满足业务需求，但是随着电子商务的不断发展，如何才能更快、更有效的配送货物是取得竞争优势的一大问题。捡货作业是物流重要环节，科学合理的仓位设计能够有效提高操作人员的捡货速度，从而减低成本。 

目前，对仓位组合***的优化方法很多，包括计算法、枚举法、随机算法等，随着研究的深入，有出现了通过遗传算法来解决货位组合优化问题，然而这些方案都仅仅只考虑到仓库货物，没有联系到用户的购买习惯，所以影响到了算法质量，从而降低了存取效率。 

在B/B电子商务中，每天产生大量看似庞杂的信息，而在这些信息背后蕴藏了丰富的用户购买组合规律和习惯。通过数据挖掘的手段找出这些规律和知识、来对仓位组合提供指导，以方便捡货作业。 

发明内容

本发明的目的是为了解决现有技术存在的上述问题，提出了一种基于云服务平台大数据挖掘的仓位组合方法。 

本发明的技术方案为：一种基于云服务平台大数据挖掘的仓位组合方法，具体包括如下步骤： 

将历史订单数据作为数据源，通过关联规则计算出商品之间的关联性，采用分布处理思想，首先求解频繁k‐1项集，然后自联接生成候选频繁k项集； 

频繁k项集的求解如下： 

a)将商品作为主键建立商品Id表。 

b)根据表中的数据求解频繁项集(假定最小支持数为s，求出交易项对应的交易Id数 组中元素的个数就求出了改交易项的支持数，如表1中的元素的个数就求出了改交易项的支持数s)： 

求出交易项对应的交易Id数组中的元素个数得出该交易项的支出数；如果交易项不是频繁的(如果交易项对应的交易Id数组长度大于支持数s，则交易项是频繁的，否则不是频繁的)则从商品Id表中删除； 

定义一个数组IDArray，存储数据库汇总交易项和其交易Id，数组的长度为交易Id的总个数,把该数组的各个元素的初始值设为0，这个数组称为ID数组，ID数组只有1个。 

从生成的所有频繁k-1项集的第1个频繁项集开始；把该频繁项集对应的所有交易ID在数组中对应的元素设置为1，扫描所有其后面的频繁k-1项集和它进行自连接；如果和某个频繁k-1项集m生成了一个候选频繁k项集p,则累计m包含的交易ID在数组中的对应位置的值为1的个数n；如果n大于最小支持数则为频繁的,否则是非频繁的； 

如果生成的这个项集p为频繁的,则把p加入到商品Id表中；当扫描完某个频繁k-1项集后面的所有频繁k-1项集后,则以后的求解过程和该频繁k-1项集无关,把该频繁k-1项集的条目从商品Id表中删除；循环一直到不再生成候选频繁k项集结束，最后输出所有的频繁项集。 

新生成的商品Id表中的交易项即是商品关联项，根据表中的交易项组合仓位； 

根据新得到的商品Id表计算交易Id的频率，将交易项按照交易Id顺序进行排列，即仓位访问频率，将访问频率高的仓位组合设置在离仓库出口最近的地方。 

本发明的有益效果：本发明的方法根据历史订单数据做数据挖掘分析，找出商品关联性，对仓位进行合并，重新进行储位调整，基于用户订单数据对仓位进行组合，更加符合实际需求；通过求关联方法，只需扫描一次数据库，在构建初始Id表时扫描一次数据库，把每一个商品对应的交易Id全部填入到表内，提高了计算效率；组合仓位根据访问频率进行设置，可提高捡货人员的作业效率。 

具体实施方式

本发明实施例所用的方法如下： 

将历史订单数据作为数据源，通过关联规则计算出商品之间的关联性。采用分布处理思想，首先求解频繁项k‐1项，然后自联接声称候选频繁k项集，k项集的求解如下： 

有别于传统的将订单作为主键建立数据库方法，将商品作为主键建立商品——Id表。 

根据表中的数据求解频繁项集(假定最小支持数为s，求出交易项对应的交易Id数组中元素的个数就求出了改交易项的支持数，如表1中的元素的个数就求出了改交易项的支持数s)： 

求出交易项对应的交易Id数组中的元素个数得出该交易项的支出数；如果交易项不是 频繁的，则从商品Id表中删除； 

定义一个数组IDArray，数组的长度为交易Id的总个数,把该数组的各个元素的初始值设为0，这个数组称为ID数组。在整个算法中,ID数组只有1个。 

从生成的所有频繁k‐1项集的第1个频繁项集开始；把该频繁项集对应的所有交易ID在数组中对应的元素设置为1，扫描所有其后面的频繁k‐1项集和它进行自连接；如果和某个频繁k‐1项集m生成了一个候选频繁k项集p,则累计m包含的交易ID在数组中的对应位置的值为1的个数n；如果n大于最小支持数则为频繁的,否则是非频繁的； 

如果生成的这个项集p为频繁的,则把p加入到商品‐ID表中；当扫描完某个频繁k‐1项集后面的所有频繁k‐1项集后,则以后的求解过程和该频繁k‐1项集无关,把该频繁k‐1项集的条目从商品Id表中删除；循环一直到不再生成候选频繁k项集结束，最后输出所有的频繁项集。 

新生成的商品Id表中的交易项即是商品关联项，根据表中的交易项组合仓位； 

根据新得到的商品Id表计算交易Id的频率，将交易项按照交易Id顺序进行排列，即仓位访问频率，将访问频率高的仓位组合设置在离仓库出口最近的地方。 

表1 商品为主键的数据库 

交易项	交易Id
		A	1，2，3
B	1，3，5
		C	1，2，3，4，5
D	1，2，4，5

说明：算法使用的数据库，该数据库以商品(即交易项)作为主键，是本算法的基础 

下面以表2中的商品ID表为例说明本发明方法的具体操作过程(假设最小支持数2)： 

频繁1项集的求解：计算各个商品(交易项)。 

频繁1项集的求解：计算各个商品的交易Id数组的长度可以得到：A＝3，B＝3，C＝5，D＝4，，因为最小支持数位2，所以可求的频繁项集为：{A}，{B}，{C}，{D}。 

频繁2项集的求解：取频繁项集的元素{A}，Id数组清0，把商品‐Id表中所有交易Id在Id数组中的对应元素赋值为1，交易Id数组变为{1，1，0，0}。 

取频繁1项集中的元素{B}和{A}自连接生成 

侯选频繁2项集{A，B}，计算{B}的所有交易ID在ID数组中对应的位置元素值为1的个数.可以看出1的位置元素值为1；3的位置元素值为1；5的位置元素值为0，则可以得出{A}和{B}有2个相同的交易ID(1和3).即有2个交易同时购买了{A}和{B}，所设的最 小支持数为2，所以{A，B}为一个频繁2项集，把它追加到商品ID表中，如果是非频繁的，则舍弃该侯选频繁集，现在的商品ID表如表2所示。 

表2追加{A，B}后的商品‐Id表 

交易项	交易id
		A	1，2，3
B	1，3，5
		C	1，2，3，4，5
D	1，2，4，5
		A，B	1，3

计算{A，C}，{A，D}，此时，不需要对ID表重新赋值，因为{A)的信息没有被破坏.可得{A，C)和{A，D)均为频繁2项集，把它们加入到商品ID表中.因为以后的计算都与{A)无关，所以，把{A)项从商品ID表中删除，现在的商品ID表如表3所示。 

表3删除{A}项后的商品‐Id表 

交易项	交易id
		B	1，3，5
C	1，2，3，4，5
		D	1，2，4，5
A，B	1，3
		A，C	1，2，3
A，D	1，2

取商品ID表中的第1项{B)计算，当重新取个频繁项集计算时，需要把ID数组重新清0，并把该频繁项集的所有交易ID在ID数组中对应的位置元素设置为1，表示该频繁项集被该交易ID支持.重复以上步骤，当遍历完所有的频繁1项集时就得到了所有频繁2项集，商品一ID表如表4所示。 

表4求解频繁2项集后的商品ID表 

交易项	交易id
		A，B	1，3
A，C	1，2，3
		A，D	1，2
B，C	1，3，5

B，D	1，5
		C，D	1，2，4，5

使用同样的方法求解频繁3项集如表5所示)。 

表5求解频繁3项集后的商品ID表 

交易项	交易id
		A,B,C	1,3
A,C,D	1,2
		B,C,D	1,5

使用同样的方法，可以发现没有频繁4项集，商品ID表为空表，操作过程结束。 

Claims (1)

1.一种基于云服务平台大数据挖掘的仓位组合方法，其特征在于，具体包括如下步骤：

将历史订单数据作为数据源，通过关联规则计算出商品之间的关联性，采用分布处理思想，首先求解频繁k‐1项集，然后自联接生成候选频繁k项集；

频繁k项集的求解如下：

a)将商品作为主键建立商品Id表；

b)根据表中的数据求解频繁项集，假定最小支持数为s，求出交易项对应的交易Id数组中元素的个数就求出了改交易项的支持数；

求出交易项对应的交易Id数组中的元素个数得出该交易项的支出数；如果交易项不是频繁的则从商品Id表中删除，所述的频繁的具体为：如果交易项对应的交易Id数组长度大于支持数s，则交易项是频繁的，否则不是频繁的；

定义一个数组IDArray，存储数据库汇总交易项和其交易Id，数组的长度为交易Id的总个数,把该数组的各个元素的初始值设为0，这个数组称为ID数组，ID数组只有1个。

从生成的所有频繁k-1项集的第1个频繁项集开始；把该频繁项集对应的所有交易ID在数组中对应的元素设置为1，扫描所有其后面的频繁k-1项集和它进行自连接；如果和某个频繁k-1项集m生成了一个候选频繁k项集p,则累计m包含的交易ID在数组中的对应位置的值为1的个数n；如果n大于最小支持数则为频繁的,否则是非频繁的；

如果生成的这个项集p为频繁的,则把p加入到商品Id表中；当扫描完某个频繁k-1项集后面的所有频繁k-1项集后,则以后的求解过程和该频繁k-1项集无关,把该频繁k-1项集的条目从商品Id表中删除；循环一直到不再生成候选频繁k项集结束，最后输出所有的频繁项集。

新生成的商品Id表中的交易项即是商品关联项，根据表中的交易项组合仓位；

根据新得到的商品Id表计算交易Id的频率，将交易项按照交易Id顺序进行排列，即仓位访问频率，将访问频率高的仓位组合设置在离仓库出口最近的地方。