仓储分仓辅助分析方法及装置制造方法及图纸

本公开是关于一种仓储分仓辅助分析方法，包括：获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息；建立历史三维关联矩阵，所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi；对任意两个所述单品的各所述关联性的时间序列进行拟合，并根据拟合结果计算在未来时间段内的未来三维关联矩阵；在所述历史三维关联矩阵上增加所述未来三维关联矩阵，并对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵；对所述二维关联矩阵进行谱聚类，并根据谱聚类结果对所述二维关联矩阵进行图分割；根据所述图分割的结果，将单品集合分配到各个仓库中。本公开可以降低运营成本。

【技术实现步骤摘要】

本公开涉及仓储
，具体而言，涉及一种仓储分仓辅助分析方法以及一种仓储分仓辅助分析装置。
技术介绍
电商在发展过程中，随着市场的拓展，使用人群的不断膨胀，单sku(storekeepingunit，库存量单位)销量急剧上升。为了保证现货率(即顾客下单时仓库中有现货)，采销系统不得不加大sku的备货量，这给仓储运营带来前所未有的压力。在仓容的限制下，有些仓库不得不将现有存储商品分开存放，即所谓的分仓。分仓过程催生了运营生产中的一个重要指标，即拆单率(拆单订单数量/总订单数量＝拆单率)，所述拆单率是指：一个客户订单包含N件商品，分别存放在M(M≤N)个仓库，完成该订单的仓储生产与配送需要M倍生产成本。例如，在上述过程中，若M>1，则需要“拆单”；也就是说，一个客户订单，拆分为多个子订单；因此也就提高了成本；因为当一个客户订单被拆分为M个子订单后，电商不得不支付M倍成本完成仓储生产与配送；但客户只支付1个成本费用，这样就大大的增加了整体成本。目前电商在规划仓储库存存放时，比较普遍的做法是：尽可能将相同品类商品放在同一个仓库；其中，商品品类例如可以包括：母婴品类、服装品类、户外用品、个人护理、3C电子产品以及图书音像等。但是在进行仓库拆分时，传统的工作仓储规划模式不再适用，因为仓库的拆分不可避免的要进行品类拆分。因此，目前涉及到分仓时的品类划分，往往需要根据人工经验进行强行划分，将同一仓库的同一品类分到不同仓库存放。目前仓库的品类规划，在面对分仓问题时，需要大量的人工经验进行品类拆分，并且不同地区不同库房的情况不尽相同，这对人员素质要求较高；如果仓库品类拆分不合理将极大的增加客户订单的拆单率，加重仓储的运营成本。因此，需要提供一种新的仓储分仓辅助分析方法及装置。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于提供一种仓储分仓辅助分析方法以及一种仓储分仓辅助分析装置，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。根据本公开的一个方面，提供一种仓储分仓辅助分析方法，包括：获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息；建立历史三维关联矩阵，所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi；其中，gi是根据所述单品xi和单品yi在历史时间zi的所述单品信息计算得到；对任意两个所述单品的各所述关联性的时间序列进行拟合，并根据拟合结果计算在未来时间段内的未来三维关联矩阵；在所述历史三维关联矩阵上增加所述未来三维关联矩阵，并对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵；对所述二维关联矩阵进行谱聚类，并根据谱聚类结果以分割后的子图间关联性最少为目标对所述二维关联矩阵进行图分割；根据所述图分割的结果，将单品集合分配到各个仓库中。在本公开的一种示例性实施例中，所述方法还包括：通过所述关联性的时间序列的一阶矩和二阶矩对所述关联性的时间序列进行去离群值操作。在本公开的一种示例性实施例中，所述方法还包括：根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类，并对聚类结果进行进一步评价。在本公开的一种示例性实施例中，对任意两个所述单品的各所述关联性的时间序列进行拟合包括：St=Σi=1Twixt+1-i=w1xt+w2xt-1+...+wtxt-T+1;]]>其中，xi为时间序列上的值，wi为时间序列的权值，T为时间窗的大小。在本公开的一种示例性实施例中，对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵包括：H*(xi,yi)=Σj=1nH(xi,yi,zj);]]>其中，n为所述时间序列长度，H*(xi,yi)为所述二维关联矩阵上的任一点，为所述未来三维关联矩阵上的任一点。在本公开的一种示例性实施例中，对所述二维关联矩阵进行谱聚类包括：建立相似图，相似图的带权邻接矩阵为W，其中，W＝H*，H*为所述二维关联矩阵；计算拉普拉斯矩阵L，其中wij为所述带权邻接矩阵W中的任意一点，j为所述带权邻接矩阵W中的列数；分解所述拉普拉斯矩阵L＝UΛU-1，其中，U＝[u1,u2,...,ur]，Λ=λ1λ2...λr,]]>[u1,u2,...,ur]为L的特征向量值，λi为L的特征值，并且在Λ中，λ1≤λ2≤...≤λr，r为W的秩；选取所述拉普拉斯矩阵L的前k个特征向量值组成一个r*k的矩阵，将所述矩阵中的每一行作为k维空间中的一个向量，利用聚类算法对所述特征向量进行聚类，k为谱聚类的预聚类数量。在本公开的一种示例性实施例中，根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类包括：其中，S(k,m)为所述单品集合分配的方案数量，C是二项式系数，m为需要参与计算的仓库的个数，k为谱聚类的预聚类数量，并且有m＜k。根据本公开的另一个方面，提供一种仓储分仓辅助分析装置，包括：信息获取模块：用于获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息；第一关联矩阵模块：用于建立历史三维关联矩阵，所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi；其中，gi是根据所述单品xi和单品yi在历史时间zi的所述单品信息计算得到；拟合模块：用于对任意两个所述单品的各所述关联性的时间序列进行拟合；第二关联矩阵模块：用于根据拟合结果计算在未来时间段内的未来三维关联矩阵；第三关联矩阵模块：用于在所述历史三维关联矩阵上增加所述未来三维关联矩阵；融合模块：用于对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵；谱聚类模块：用于对所述二维关联矩阵进行谱聚类；图分割模块：用于根据谱聚类结果以分割后的子图间关联性最少为目标对所述二维关联矩阵进行图分割；单品分配模块：用于根据所述图分割的结果，将单品集合分配到各个仓库中。在本公开的一种示例性实施例中，所述装置还包括：去离群值模块：用于通过所述关联性的时间序列的一阶矩和二阶矩对所述关联性的时间序列进行去离群值操作。在本公开的一种示例性实施例中，所述装置还包括：第一聚类模块：用于根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类；评价模块：用于对聚类结果进行进一步评价。在本公开的一种示例性实施例中，对任意两个所述单品的各所述关联性的时间序列进行拟合，所述拟合包括：St=Σi=1Twixt+1-i=w1xt+w2xt-1+...+wtxt-T+1;]]>其中，xi为时间序列上的值，wi为时间序列的权值，T为时间窗的大小。在本公开的一种示例性实施例中，对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵，所述融合包括：H*(xi,yi)=Σj=1nH(xi,yi,zj);]]>其中，n为所述时间序列长度，H*(xi,yi)为所述二维关联矩阵上的任意一点，为所述未来三维关联矩阵上的任意一点。在本公开的一种示例性实施例中，所述谱聚类模块包括：相似图建立模块：用本文档来自技高网...

【技术保护点】
一种仓储分仓辅助分析方法，其特征在于，包括：获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息；建立历史三维关联矩阵，所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi；其中，gi是根据所述单品xi和单品yi在历史时间zi的所述单品信息计算得到；对任意两个所述单品的各所述关联性的时间序列进行拟合，并根据拟合结果计算在未来时间段内的未来三维关联矩阵；在所述历史三维关联矩阵上增加所述未来三维关联矩阵，并对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵；对所述二维关联矩阵进行谱聚类，并根据谱聚类结果以分割后的子图间关联性最少为目标对所述二维关联矩阵进行图分割；根据所述图分割的结果，将单品集合分配到各个仓库中。

【技术特征摘要】
1.一种仓储分仓辅助分析方法，其特征在于，包括：获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息；建立历史三维关联矩阵，所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi；其中，gi是根据所述单品xi和单品yi在历史时间zi的所述单品信息计算得到；对任意两个所述单品的各所述关联性的时间序列进行拟合，并根据拟合结果计算在未来时间段内的未来三维关联矩阵；在所述历史三维关联矩阵上增加所述未来三维关联矩阵，并对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵；对所述二维关联矩阵进行谱聚类，并根据谱聚类结果以分割后的子图间关联性最少为目标对所述二维关联矩阵进行图分割；根据所述图分割的结果，将单品集合分配到各个仓库中。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过所述关联性的时间序列的一阶矩和二阶矩对所述关联性的时间序列进行去离群值操作。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类，并对聚类结果进行进一步评价。4.根据权利要求1所述的方法，其特征在于，对任意两个所述单品的各所述关联性的时间序列进行拟合包括：St=Σi=1Twixt+1-i=w1xt+w2xt-1+...+wtxt-T+1;]]>其中，xi为时间序列上的值，wi为时间序列的权值，T为时间窗的大小。5.根据权利要求1所述的方法，其特征在于，对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵包括：H*(xi,yi)=Σj=1nH(xi,yi,zj);]]>其中，n为所述时间序列长度，H*(xi,yi)为所述二维关联矩阵上的任一点，为所述未来三维关联矩阵上的任一点。6.根据权利要求1所述的方法，其特征在于，对所述二维关联矩阵进行谱聚类包括：建立相似图，相似图的带权邻接矩阵为W，其中，W＝H*，H*为所述二维关联矩阵；计算拉普拉斯矩阵L，其中L＝D-W,wij为所述带权邻接矩阵W中的任意一点，j为所述带权邻接矩阵W中的列数；分解所述拉普拉斯矩阵L＝UΛU-1，其中，U＝[u1,u2,...,ur]，Λ=λ1λ2...λr,]]>[u1,u2,...,ur]为L的特征向量值，λi为L的特征值，并且在Λ中，λ1≤λ2≤...≤λr，r为W的秩；选取所述拉普拉斯矩阵L的前k个特征向量值组成一个r*k的矩阵，将所述矩阵中的每一行作为k维空间中的一个向量，利用聚类算法对所述特征向量进行聚类，k为谱聚类的预聚类数量。7.根据权利要求3所述的方法，其特征在于，根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类包括：其中，S(k,m)为所述单品集合分配的方案数量，C是二项式系数，m为需要参与计算的仓库的个数，k为谱聚类的预聚类数量，并且有m＜k。8.一种仓储分仓辅助分析装置，其特征在于，包括：信息获取模块：用于获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息；第一关联...

【专利技术属性】
技术研发人员：刘旭，徐卓然，孙旭锋，武海龙，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11