选仓方法和装置
技术领域
本发明涉及物流技术领域,尤其涉及一种选仓方法和装置。
背景技术
随着物流行业的发展,物流公司逐渐对外开放,各种业务需求也随之而来。由于物流公司的物流体系强大、仓库遍布全国,因此商家希望借助物流公司强有力的物流体系来为其存储、配送货物,以期节约成本、提升配送时效。
目前,全国并没有一个公司会为众多商家提供一体化存储和配送服务。因此,在物流公司逐渐对外开放后,为商家提供强有力的物流服务,满足商家的各种需求是非常有意义的。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:在提供一体化存储和配送服务时,由于物流公司的仓库众多,选择哪一个或哪几个仓库来为商家提供货物存储、配送服务是首先需要解决的事情。如果仓库选取不合理,无疑会加大商家的货物存储、配送成本,降低货物配送时效。
发明内容
有鉴于此,本发明提供了一种选仓方法和装置,能够自动为用户规划出最优的选仓方案,提高仓库选取的合理性、降低货物存储、配送成本,提高货物配送时效。
为实现上述目的,根据本发明的第一个方面,提供了一种选仓方法。
本发明的选仓方法包括:基于训练后的第一深度学习模型对用户的货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据;将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中为所述用户选取最优存储仓库;其中,所述选仓模型的目标函数为:使该用户基于选取的仓库进行货物存储和配送所需的总成本最小。
可选地,所述选仓模型满足以下至少一个约束条件:能够满足配送时效要求的货物订单量占总订单量的比例大于等于第一阈值;选取的存储仓库的总数量小于等于第二阈值;其中,所述第一阈值和/或所述第二阈值为预先根据用户输入设置的。
可选地,所述第一深度学习模型包括:LSTM模型。
可选地,所述方法还包括:在执行所述将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中为所述用户选取最优存储仓库的步骤之后,将为所述用户选取的最优存储仓库的信息返回至所述用户。
可选地,所述方法还包括:在执行所述将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中为所述用户选取最优存储仓库的步骤之后,获取该用户在每个最优存储仓库的货物订单预测数据,基于训练后的第二深度学习模型对该最优存储仓库的货物订单预测数据进行处理,以得到该用户在该最优存储仓库中的库存预测数据。
可选地,所述第二深度学习模型为线性链条件随机场模型,以及采用维特比算法执行所述基于训练后的第二深度学习模型对该最优存储仓库的货物订单预测数据进行处理的步骤。
为实现上述目的,根据本发明的第二个方面,提供了一种选仓装置。
本发明的选仓装置包括:确定模块,用于基于训练后的第一深度学习模型对用户的货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据;选取模块,用于将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中为所述用户选取最优存储仓库;其中,所述选仓模型的目标函数为:使该用户基于选取的仓库进行货物存储和配送所需的总成本最小。
为实现上述目的,根据本发明的第三个方面,提供了一种电子设备。
本发明的电子设备,包括:一个或多个处理器;以及,存储装置,用于存储一个或多个程序;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本发明的选仓方法。
为实现上述目的,根据本发明的第四个方面,提供了一种计算机可读介质。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明的选仓方法。
上述发明中的一个实施例具有如下优点或有益效果:通过预先构建选仓模型,并将选仓模型的目标函数设置为“使该用户基于选取的仓库进行货物存储和配送所需的总成本最小”,以及基于训练后的第一深度学习模型对用户的货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据,然后将用户在预设时段内的货物订单预测数据输入预先构建的选仓模型进行处理等步骤,能够自动为用户规划出最优的选仓方案,提高仓库选取的合理性、降低货物存储、配送成本,提高货物配送时效。进而,能够利用自身仓储资源为用户(比如商家)提供个性化、科学化的物流服务。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例一的选仓方法的主要流程的示意图;
图2是根据本发明实施例二的选仓方法的主要流程的示意图;
图3是根据本发明实施例三的选仓方法的主要流程的示意图;
图4是根据本发明实施例四的选仓装置的主要模块的示意图;
图5是根据本发明实施例五的选仓装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性***架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明中的实施例以及实施例中的特征可以相互组合。
图1是根据本发明实施例一的选仓方法的主要流程的示意图。如图1所示,本发明实施例的选仓方法包括:
步骤S101、基于训练后的第一深度学习模型对用户的货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据。
在一个可选实施方式中,可实时获取用户的货物订单历史数据,并基于训练后的第一深度学习模型对所述货物订单历史数据进行实时处理,以得到用户在预设时段内的货物订单预测数据。示例性地,所述预设时段可以为一个月、半年或一年等。其中,所述第一深度学习模型包括:时间递归神经网络模型、LSTM(长短期记忆网络)模型或其他可用于时序预测的深度学习模型。
在另一个可选实施方式中,可预先获取各个用户的货物订单历史数据,并基于训练后的第一深度学习模型对所述货物订单历史数据进行处理,然后将处理得到的各个用户的货物订单预测数据存储至数据库中。在执行本发明实施例的选仓方法时,可通过直接查询数据库的方式获取用户在预设时段内的货物订单预测数据。
另外,在具体实施时,除了需要确定货物订单预测数据之外,还需确定可用仓库集合、货物存储单价、货物配送运输单价、货物运输距离、货物体积等运算所需数据。然后,将确定的用户在预设时段内的货物订单预测数据以及其他运算所需数据输入选仓模型。
步骤S102、将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中为所述用户选取最优存储仓库。其中,所述选仓模型的目标函数为:使该用户基于选取的仓库进行货物存储和配送所需的总成本最小。
进一步,所述选仓模型满足以下至少一个约束条件:一、能够满足配送时效要求的货物订单量占总订单量的比例大于等于第一阈值;二、选取的存储仓库的总数量小于等于第二阈值;其中,所述第一阈值和/或所述第二阈值为预先根据用户输入设置的。通过设置以上约束条件,能够满足用户对订单配送时效、以及选取的存储仓库数量的要求,提高选仓模型的灵活性。
另外,在具体实施时,为了提高选仓模型的求解效率,可采用分支定界算法进行求解。分支定界法是一个用途十分广泛的算法,其基本思想是对有约束条件的最优化问题的所有可行解空间进行搜索。该算法在具体执行时,把全部可行解空间不断分割为越来越小的子集(称为分支),并为每个子集内的解的值计算一个下界或上界(称为定界)。在每次分支后,对凡是界限超出已知可行解值的那些子集不再做进一步分支。这样,解的许多子集(即搜索树上的许多结点)就可以不予考虑了,从而缩小了搜索范围。这一过程一直进行到找出可行解为止,该可行解的值不大于任何子集的界限。
以下结合一个具体示例对选仓模型进行详细说明。在该具体示例中,所述选仓模型的目标函数可表示为:
其中,第一项
表示该用户基于选取的仓库进行货物存储所需成本;第二项
表示该用户基于选取的仓库进行货物配送所需成本;x
ij为决策变量,其取值为1或0,x
ij为1表示仓库i能覆盖仓库j所在地区(即仓库j所在地区的订单位于仓库i的配送范围),x
ij为0表示仓库i不能覆盖仓库j所在地区;f
ij为决策变量,其取值为1或0,f
ij为1表示选择仓库i作为存储仓库,f
ij为0表示不选择仓库i作为存储仓库;q
jm为已知变量,其取值为1或0,q
jm为1表示存在配送至仓库j所在地区的订单,q
jm为0表示不存在配送至仓库j所在地区的订单;p
mn为已知变量,表示订单m中包含货物n的数量;c
in为已知变量,表示货物n在仓库i中的单件库存成本;V
n为已知变量,表示货物n的体积;d
ij为已知变量,表示仓库i到仓库j的距离;R+F为已知变量,表示所有可用仓库的集合;W为已知变量,表示货物每立方米每公里的配送运输单价;M为已知变量,表示预设时段(比如半年)内的订单集合,N为已知变量,表示一个订单中的货物集合。
进一步,在该具体示例中,所述选仓模型的约束条件可表示为:
其中,约束条件(1)和(2)表示决策变量fi与xij之间的约束关系,约束条件(3)表示如果将仓库i选为存储仓库,则仓库i能覆盖它所在地区(即仓库i所在地区的订单可由仓库i配送);约束条件(4)表示第一类型仓库(比如RDC仓库)的数量小于预设阈值RN;约束条件(5)表示第二类型仓库(比如FDC仓库)的数量小于预设阈值FN;约束条件(6)表示可用仓库(比如FDC仓库)的总数小于预设阈值DN;约束条件(7)表示为用户选取的所有存储仓库能够覆盖所有可用仓库;约束条件(8)表示能够满足配送时效要求的货物订单量占总该用户总订单量Order的比例大于等于预设阈值Per;约束条件(9)表示如果一个仓库所在地区的订单可以由多个仓库配送,那么就选择离该仓库所在地区最近的仓库进行配送。
在上述约束条件中,预设阈值RN、FN、DN和Per可由用户进行有选择地设置。具体实施时,用户可以根据自己的需求输入自己使用的仓库数目和希望能满足时效要求的订单量所占比例。比如,用户可设置DN和Per的取值,用户也可设置RN、FN和Per的值。
在本发明实施例中,通过预先构建选仓模型,并将选仓模型的目标函数设置为:使该用户基于选取的仓库进行货物存储和配送所需的总成本最小,然后将用户在预设时段内的货物订单预测数据输入预先构建的选仓模型进行处理等步骤,能够自动为用户规划出最优的选仓方案,提高仓库选取的合理性、降低货物存储、配送成本,提高货物配送时效。进而,能够利用自身仓储资源为用户(比如商家)提供个性化、科学化的物流服务。
图2是根据本发明实施例二的选仓方法的主要流程的示意图。如图2所示,本发明实施例的选仓方法包括:
步骤S201、获取用户的货物订单历史数据。
其中,所述用户的货物订单历史数据可包括:该用户在过去一段时间(比如一天、一周或一个月等)内由各地区仓库进行配送的各种货物的订单量。
步骤S202、基于训练后的LSTM模型对所述货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据。
在本发明实施例中,所述第一深度学习模型为LSTM(长短期记忆网络)模型。LSTM模型是一种RNN模型,其在序列模型预测中表现很好,主要包括遗忘门、输入门和输出门。
进一步,在步骤S202之前,本发明实施例的方法还包括:基于用户的货物订单历史数据构建训练数据集,并根据训练数据集对LSTM模型进行训练,以得到训练后的LSTM模型。
接下来,在基于训练后的LSTM模型进行处理时,我们可用一个周期(比如一天)内的货物订单量预测下一周期(比如下一天)的货物订单量,然后基于预测得到的货物订单量预测下下周期(比如下下一天)的货物订单量,进而可预测未来某一预设时段(比如一个月)内的货物订单量。在本发明实施例中,通过采用LSTM模型进行货物订单预测,能够提高货物订单的预测准确率。
步骤S203、将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中卫所述用户选取最优存储仓库。
进一步,所述选仓模型满足以下约束条件:一、能够满足配送时效要求的货物订单量占总订单量的比例大于等于第一阈值;二、选取的存储仓库的总数量小于等于第二阈值;其中,所述第一阈值和/或所述第二阈值为预先根据用户输入设置的。通过设置以上约束条件,能够满足用户对订单配送时效、以及选取的存储仓库数量的要求,提高选仓模型的灵活性。
另外,在具体实施时,为了提高选仓模型的求解效率,可采用分支定界算法进行求解。分支定界法是一个用途十分广泛的算法,其基本思想是对有约束条件的最优化问题的所有可行解空间进行搜索。该算法在具体执行时,把全部可行解空间不断分割为越来越小的子集(称为分支),并为每个子集内的解的值计算一个下界或上界(称为定界)。在每次分支后,对凡是界限超出已知可行解值的那些子集不再做进一步分支。这样,解的许多子集(即搜索树上的许多结点)就可以不予考虑了,从而缩小了搜索范围。这一过程一直进行到找出可行解为止,该可行解的值不大于任何子集的界限。
步骤S204、将为所述用户选取的最优存储仓库的信息返回至所述用户。
示例性地,在通过步骤S201至步骤S203得到用户的最优存储仓库后,可将用户的最优存储仓库的信息发送至前端,以通过前端(比如客户端)页面进行可视化展示,便于用户及时获知最优的选仓方案。另外,在具体实施时,还可将通过步骤S201至步骤S202得到的货物订单预测数据发送给用户,以便于用户及时了解货物的销量预测情况。
在本发明实施例中,通过基于训练后的LSTM模型对用户的货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据,能够提高货物订单的预测准确率,进而有助于改善后续选仓效果;通过预先构建选仓模型,并将选仓模型的目标函数设置为“使该用户基于选取的仓库进行货物存储和配送所需的总成本最小”,然后将用户在预设时段内的货物订单预测数据输入预先构建的选仓模型进行处理等步骤,能够自动为用户规划出最优的选仓方案,提高仓库选取的合理性、降低货物存储、配送成本,提高货物配送时效。
图3是根据本发明实施例三的选仓方法的主要流程的示意图。如图3所示,本发明实施例的选仓方法包括:
步骤S301、获取用户的货物订单历史数据。
其中,所述用户的货物订单历史数据可包括:该用户在过去一段时间(比如一天、一周或一个月等)内由各地区仓库进行配送的各种货物的订单量。
步骤S302、基于训练后的第一深度学习模型对所述货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据。
示例性地,所述第一深度学习模型包括:LSTM(长短期记忆网络)模型。LSTM模型是一种RNN模型,其在序列模型预测中表现很好,主要包括遗忘门、输入门和输出门。
进一步,在步骤S302之前,本发明实施例的方法还包括:基于用户的货物订单历史数据构建训练数据集,并根据训练数据集对LSTM模型进行训练,以得到训练后的LSTM模型。
在基于训练后的LSTM模型进行处理时,我们可用一个周期(比如一天)内的货物订单量学习并预测下一周期(比如下一天)的货物订单量,然后基于预测得到的货物订单量学习并预测下下周期(比如下下一天)的货物订单量,进而可预测未来某一预设时段(比如一个月)内的货物订单量。在本发明实施例中,通过采用训练后的LSTM模型进行货物订单预测,能够提高货物订单的预测准确率。
步骤S303、将所述货物订单预测数据输入预先构建的选仓模块,以从所有可用仓库中为所述用户选取最优存储仓库。
进一步,所述选仓模型满足以下至少一个约束条件:一、能够满足配送时效要求的货物订单量占总订单量的比例大于等于第一阈值;二、选取的存储仓库的总数量小于等于第二阈值;其中,所述第一阈值和/或所述第二阈值为预先根据用户输入设置的。通过设置以上约束条件,能够满足用户对订单配送时效、以及选取的存储仓库数量的要求,提高选仓模型的灵活性。
另外,在具体实施时,为了提高选仓模型的求解效率,可采用分支定界算法进行求解。分支定界法是一个用途十分广泛的算法,其基本思想是对有约束条件的最优化问题的所有可行解空间进行搜索。该算法在具体执行时,把全部可行解空间不断分割为越来越小的子集(称为分支),并为每个子集内的解的值计算一个下界或上界(称为定界)。在每次分支后,对凡是界限超出已知可行解值的那些子集不再做进一步分支。这样,解的许多子集(即搜索树上的许多结点)就可以不予考虑了,从而缩小了搜索范围。这一过程一直进行到找出可行解为止,该可行解的值不大于任何子集的界限。
步骤S304、获取该用户在每个最优存储仓库的货物订单预测数据。
示例性地,可基于训练后的第一深度学习模型对每个最优存储仓库的货物订单历史数据进行处理,以得到该最优存储仓库的货物订单预测数据。
步骤S305、基于训练后的第二深度学习模块对该最优存储仓库的货物订单预测数据进行处理,以得到该用户在该最优存储仓库中的库存预测数据。
示例性地,所述第二深度学习模型为线性链条件随机场模型。进一步,在基于训练后的线性链条件随机场模型对该最优存储仓库的货物订单预测数据进行处理时,可采用维特比(Viterbi)算法求解该用户在该最优存储仓库中的库存预测数据。
条件随机场是给定一组输入序列条件下得出另一组输出序列的条件概率分布模型。线性链条件随机场模型是要求输入序列与输出序列具有相同结构的条件随机场模型。在本发明实施例中,线性链条件随机场模型的输入序列为基于货物订单预测数据构建的销量序列:x=(x1,x2,…xn),输出序列为库存序列:y=(y1,y2,…yn),本发明实施例中的线性链条件随机场模型的预测问题为:求条件概率最大的库存序列y*的问题。
具体来说,线性链条件随机场模型可表示成向量w与向量F(y,x)的内积:
其中,w=(w1,w2,…wK),F(y,x)=(f1(y,x),f2(y,x),…fK(y,x))T,wk(k=1,2,…K)为特征函数对应的权值,fk(y,x)(k=1,2,…K)为库存和销量变量的特征函数。
进一步,条件随机场的预测问题可以转换为求非规范化概率最大的输出序列的问题,其可表示为:
进而得到,
其中,Fi(yi-1,yi,x)=(f1(yi-1,yi,x,i),f2(yi-1,yi,x,i),…fK(yi-1,yi,x,i))T,w=(w1,w2,…wK)。
进一步,基于维特比算法求解该用户在该最优存储仓库中的库存预测数据主要包括以下步骤:
1、初始化各个库存标注的非规范化概率:
δ1(l)=w·F1(y0=start,y1=l,x)l=1,2,…m (14)
2、对于i=2,3,…n,递推计算各个库存标注的非规范化概率的最大值δi(l),并记录概率最大值的序列ψi(l):
3、当计算到i=n时结束,最大概率序列的终点为:
4、输出最大概率库存序列y*:
步骤S306、将为所述用户选取的最优存储仓库以及各最优存储仓库的库存预测数据返回至所述用户。
示例性地,在通过上述步骤得到用户的最优存储仓库、最优存储仓库的库存预测数据后,可将用户的最优存储仓库以及各最优存储仓库的库存预测数据的信息发送至前端,以通过前端(比如客户端)页面进行可视化展示,便于用户及时获知最优的选仓方案、以及最优仓库的库存预测情况。
在本发明实施例中,通过预先构建选仓模型,并将选仓模型的目标函数设置为:使该用户基于选取的仓库进行货物存储和配送所需的总成本最小,然后将用户在预设时段内的货物订单预测数据输入预先构建的选仓模型进行处理等步骤,能够自动为用户规划出最优的选仓方案,提高仓库选取的合理性、降低货物存储、配送成本,提高货物配送时效;进一步,通过训练后的第一深度学习模型对货物销量情况进行预测,通过选仓模型确定该用户的最优存储仓库,以及通过训练后的第二深度学习模型对最优存储仓库中的货物库存情况进行预测,便于用户进行合理地货物布局。
图4是根据本发明实施例四的选仓装置的主要模块的示意图。如图4所示,本发明实施例的选仓装置400包括:确定模块401、选取模块402。
确定模块401,用于基于训练后的第一深度学习模型对用户的货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据。
在一个可选实施方式中,确定模块401可实时获取用户的货物订单历史数据,并基于训练后的第一深度学习模型对所述货物订单历史数据进行实时处理,以得到用户在预设时段内的货物订单预测数据。示例性地,所述预设时段可以为一个月、半年或一年等。
在另一个可选实施方式中,可预先获取各个用户的货物订单历史数据,并基于训练后的第一深度学习模型对所述货物订单历史数据进行处理,然后将处理得到的各个用户的货物订单预测数据存储至数据库中。在执行本发明实施例的选仓方法时,可通过确定模块401直接查询数据库,以获取用户在预设时段内的货物订单预测数据。
另外,在具体实施时,除了需要确定货物订单预测数据之外,还需确定可用仓库集合、货物存储单价、货物配送运输单价、货物运输距离、货物体积等运算所需数据。然后,将确定的用户在预设时段内的货物订单预测数据以及其他运算所需数据输入选仓模型。
选取模块402,用于将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中为所述用户选取最优存储仓库。其中,所述选仓模型的目标函数为:使该用户基于选取的仓库进行货物存储和配送所需的总成本最小。
进一步,所述选仓模型满足以下至少一个约束条件:一、能够满足配送时效要求的货物订单量占总订单量的比例大于等于第一阈值;二、选取的存储仓库的总数量小于等于第二阈值;其中,所述第一阈值和/或所述第二阈值为预先根据用户输入设置的。通过设置以上约束条件,能够满足用户对订单配送时效、以及选取的存储仓库数量的要求,提高选仓模型的灵活性。
另外,在具体实施时,为了提高选仓模型的求解效率,选取模块402可采用分支定界算法进行求解。分支定界法是一个用途十分广泛的算法,其基本思想是对有约束条件的最优化问题的所有可行解空间进行搜索。该算法在具体执行时,把全部可行解空间不断分割为越来越小的子集(称为分支),并为每个子集内的解的值计算一个下界或上界(称为定界)。在每次分支后,对凡是界限超出已知可行解值的那些子集不再做进一步分支。这样,解的许多子集(即搜索树上的许多结点)就可以不予考虑了,从而缩小了搜索范围。这一过程一直进行到找出可行解为止,该可行解的值不大于任何子集的界限。
在本发明实施例的装置中,通过预先构建选仓模型,并将选仓模型的目标函数设置为“使该用户基于选取的仓库进行货物存储和配送所需的总成本最小”,并通过确定模块确定用户在预设时段内的货物订单预测数据,通过选取模块将货物订单预测数据输入预先构建的选仓模型进行处理,能够自动为用户规划出最优的选仓方案,提高仓库选取的合理性、降低货物存储、配送成本,提高货物配送时效。进而,能够利用自身仓储资源为用户(比如商家)提供个性化、科学化的物流服务。
图5是根据本发明实施例五的选仓装置的主要模块的示意图。如图5所示,本发明实施例的选仓装置500包括:确定模块501、选取模块502、库存预测模块503、发送模块504。
确定模块501,用于获取用户的货物订单历史数据,基于训练后的第一深度学习模型对所述货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据。
其中,所述用户的货物订单历史数据可包括:该用户在过去一段时间(比如一天、一周或一个月等)内由各地区仓库进行配送的各种货物的订单量;所述用户在预设时段内的货物订单预测数据可包括:该用户在未来一段时间内由各地区仓库进行配送的各种货物的订单量。
示例性地,所述第一深度学习模型包括:LSTM(长短期记忆网络)模型。LSTM模型是一种RNN模型,其在序列模型预测中表现很好,主要包括遗忘门、输入门和输出门。
在基于训练后的LSTM模型进行处理时,我们可用一个周期(比如一天)内的货物订单量学习并预测下一周期(比如下一天)的货物订单量,然后基于预测得到的货物订单量学习并预测下下周期(比如下下一天)的货物订单量,进而可预测未来某一预设时段(比如一个月)内的货物订单量。在本发明实施例中,通过采用训练后的LSTM模型进行货物订单预测,能够提高预测准确率。
选取模块502,用于将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中为所述用户选取最优存储仓库。其中,所述选仓模型的目标函数为:使该用户基于选取的仓库进行货物存储和配送所需的总成本最小。
进一步,所述选仓模型满足以下至少一个约束条件:一、能够满足配送时效要求的货物订单量占总订单量的比例大于等于第一阈值;二、选取的存储仓库的总数量小于等于第二阈值;其中,所述第一阈值和/或所述第二阈值为预先根据用户输入设置的。通过设置以上约束条件,能够满足用户对订单配送时效、以及选取的存储仓库数量的要求,提高选仓模型的灵活性。另外,在具体实施时,为了提高选仓模型的求解效率,可采用分支定界算法进行求解。
库存预测模块503,用于获取该用户在每个最优存储仓库的货物订单预测数据,基于训练后的第二深度学习模型对该最优存储仓库的货物订单预测数据进行处理,以得到该用户在该最优存储仓库中的库存预测数据。
示例性地,所述第二深度学习模型为线性链条件随机场模型。进一步,在基于训练后的线性链条件随机场模型对该最优存储仓库的货物订单预测数据进行处理时,可采用维特比(Viterbi)算法求解该用户在该最优存储仓库中的库存预测数据。
发送模块504,用于将为所述用户选取的最优存储仓库以及各最优存储仓库的库存预测数据返回至所述用户。
示例性地,在得到用户的最优存储仓库、最优存储仓库的库存预测数据后,可将用户的最优存储仓库以及各最优存储仓库的库存预测数据的信息发送至前端,以通过前端(比如客户端)页面进行可视化展示,便于用户及时获知最优的选仓方案、以及最优仓库的库存预测情况。
在本发明实施例的装置中,通过预先构建选仓模型,并将选仓模型的目标函数设置为“使该用户基于选取的仓库进行货物存储和配送所需的总成本最小”,并通过确定模块确定用户在预设时段内的货物订单预测数据,通过选取模块将货物订单预测数据输入预先构建的选仓模型进行处理,能够自动为用户规划出最优的选仓方案,提高仓库选取的合理性、降低货物存储、配送成本,提高货物配送时效;进一步,通过训练后的第一深度学习模型对货物销量情况进行预测,通过选仓模型确定该用户的最优存储仓库,以及通过训练后的第二深度学习模型对最优存储仓库中的货物库存情况进行预测,便于用户进行合理地货物布局。
图6示出了可以应用本发明实施例的选仓方法或选仓装置的示例性***架构600。
如图6所示,***架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的货物存储和配送服务客户端或货物存储和配送服务网站提供支持的后台管理服务器。后台管理服务器可以对接收到的选仓请求等数据进行分析等处理,并将处理结果(例如选取的最优存储仓库)反馈给终端设备。
需要说明的是,本发明实施例所提供的选仓方法一般由服务器605执行,相应地,选仓装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的电子设备的计算机***700的结构示意图。图7示出的计算机***仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机***700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,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,本发明公开的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。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示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***、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。在本发明中,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***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的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。计算机可读的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,该计算机可读介质可以发送、传播或者传输用于由指令执行***、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、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,上述模块、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,框图或流程图中的每个方框、以及框图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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括确定模块和选取模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,确定模块还可以被描述为“确定货物订单预测数据的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备执行以下流程:基于训练后的第一深度学习模型对用户的货物订单历史数据进行处理,以得到用户在预设时段内的货物订单预测数据;将所述货物订单预测数据输入预先构建的选仓模型,以从所有可用仓库中为所述用户选取最优存储仓库;其中,所述选仓模型的目标函数为:使该用户基于选取的仓库进行货物存储和配送所需的总成本最小。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。