一种仓库物品配置方法和装置制造方法及图纸

本申请公开了一种仓库物品配置方法和装置，其特征在于，包括：根据订单数据和各仓库的物品分布数据，基于第一神经网络模型，生成拆单率函数；所述仓库包括主仓库和克隆仓库；基于第二神经网络模型，以所述拆单率函数为目标函数，生成相应的所述克隆仓库的物品配置信息；根据所述物品配置信息，为相应的克隆仓库配置物品。采用本发明专利技术，可以有效节约物品的配送成本。

A method and device of goods distribution in warehouse

【技术实现步骤摘要】
一种仓库物品配置方法和装置
本专利技术涉及仓储物流领域，特别是涉及一种仓库物品配置方法和装置。
技术介绍
目前大多数在线零售电商采用一品一仓的模式，即一种商品最小单元(StockKeepingUnit，SKU)只在一个仓库中储存，一种SKU只有一种库存属性。近些年，随着电子商务行业的快速发展，顾客对在线零售电商的需求越来越大，并且SKU品类也呈指数级增长。在这种情况下，一品一仓的传统模式会直接导致拆单率的快速增长，大大增加了电商的运营成本。从长期业务发展需求的角度出发，克隆仓的概念被提出，打破了同一SKU只有一种库房属性的限制，实现多库房属性。在一品多仓情况下，SKU对应的除了主体仓之外的，能够放置该SKU的都叫做克隆仓。目前，针对克隆仓的物品配置方案，通常是根据商品与克隆仓(待选品仓)中商品的同订单销量排序结果，来选择哪些商品放入克隆仓。这种方法比较直观和简单，主要思路就是，如果某些商品非常频繁地与克隆仓中的商品出现在同一个订单中，那么这些商品被放入克隆仓后，相应的订单被满足的概率会增大，由于这样的订单数量将多，所以拆单率会大幅度降低；相反，如果某些商品极少与克隆仓中的商品同单，那么这些商品放入克隆仓后，只能使得极小部分订单被满足的概率增大，因而对拆单率的降低不会有很大的贡献。因此，可以按照商品与克隆仓中商品的同单数量从大到小做个排名，排名越靠前的，越可以优先考虑放入克隆仓中。在实现本专利技术过程中，专利技术人发现上述克隆仓物品配置方案存在配送成本较大的问题。上述方案仅考虑了同订单销量这个特征，实际上，商品与商品之间还应该存在一些比较隐含的关联特征。例如，不同商品之间可能会具有一定程度被同时购买的关联性，该关联性无法通过订单销量体现出来。所以在实际应用中，上述现有的克隆仓物品配置方案并不能有效降低拆单率。而拆单后的子单通常需要进行单独包装配送，这样，就会导致物品配送成本的增加。因此，上述克隆仓物品配置方案会存在配送成本较大的问题。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种仓库物品配置方法和装置，可以有效节约物品的配送成本。为了达到上述目的，本专利技术实施例提出的技术方案为：一种仓库物品配置方法，包括：根据订单数据和各仓库的物品分布数据，基于第一神经网络模型，生成拆单率函数；所述仓库包括主仓库和克隆仓库；基于第二神经网络模型，以所述拆单率函数为目标函数，生成相应的所述克隆仓库的物品配置信息；根据所述物品配置信息，为相应的克隆仓库配置物品。较佳地，所述生成拆单率函数包括：对于每个订单i，计算该订单对应的数据向量Li分别与每个所述仓库的物品分布数据向量Hj的哈马达Hadamard乘积，得到T个M×1维向量Xi,j；其中，Li为M×1维向量，Li中的每个分量Lki对应一种物品k，当物品k存在于订单i中时Lki＝1，当物品k不存在于订单i中时Lki＝0，1≤i≤N，i为订单编号，N为订单总数，1≤k≤M，k为物品编号，M为物品种类数；Hj为M×1维向量，j为仓库编号，1≤j≤T，T为仓库总数，Hj中的每个分量Hkj对应一种物品k，当物品k存在于仓库j中时Hkj＝1，当物品k不存在于仓库j中时Hkj＝0；对于每个订单i，按照j的升序，将该订单对应的T个Xi,j进行串行连接，得到一个(M×T)×1维度的向量Xi；对于每个所述(M×T)×1维度的向量Xi，计算该向量Xi对应的拆单率Yi；将(Xi,Yi)作为训练样本，以Xi作为输入，以Yi作为目标值，以为目标函数，对第一神经网络模型进行训练，得到目标函数值最小时对应的拆单率函数较佳地，所述生成拆单率函数包括：对于每个订单i，计算该订单i对应的数据向量Li分别与每个所述仓库的物品分布数据向量Hj的哈马达Hadamard乘积，得到T个M×1维向量Xi,j；其中，Li为M×1维向量，Li＝[L1i,...,Lki,...,LMi]，Li中的每个分量Lki对应一种物品k，当物品k存在于订单i中时Lki＝1，当物品k不存在于订单i中时Lki＝0，1≤i≤N，i为订单编号，N为订单总数，1≤k≤M，k为物品编号，M为物品种类数；Hj为M×1维向量，j为仓库编号，1≤j≤T，T为仓库总数，Hj中的每个分量Hkj对应一种物品k，当物品k存在于仓库j中时Hkj＝1，当物品k不存在于仓库j中时Hkj＝0；对于每个订单i，将该订单i对应的T个Xi,j，按照j的升序进行串行连接，得到该订单i对应的一个(M×T)×1维度的向量；从所述仓库中选择一个克隆仓库，采用将所选择克隆仓库的物品分布数据向量中的0分量随机变为1的方式，生成该克隆仓库对应的R个不同的物品分布数据向量；对于每个订单i，计算该订单i对应的数据向量Li与所述R个不同的物品分布数据向量中的每个向量的哈马达Hadamard乘积，得到该订单i对应的R个M×1维向量，分别将每个所述R个M×1维向量与除所选择的克隆仓库之外的所有其他仓库对应的M×1维向量Xi,j，按照j的升序进行串行连接，得到该订单i对应的R个(M×T)×1维度的向量；对于每个所述(M×T)×1维度的向量Xi，计算该向量Xi对应的拆单率Yi；将(Xi,Yi)作为训练样本，以Xi作为输入，以Yi作为目标值，以为目标函数，对第一神经网络模型进行训练，得到目标函数值最小时对应的拆单率函数较佳地，所述基于第二神经网络模型，以所述拆单率函数为目标函数，生成相应的所述克隆仓库的物品配置信息包括：从所述仓库中选择一个克隆仓库s，将所选择的克隆仓库s的物品分布数据向量修改为一个非负实数连续向量θ,θ＝[θ1,,...,θk,...,θM],1≤k≤M；对于每个订单i，计算该订单i对应的数据向量Li与所述克隆仓库s的物品分布数据向量Hs的Hadamard乘积，得到一个M×1维向量X′i,s，对于每个订单i，按照所对应仓库编号的升序，将该订单i对应的X′i,s与除所述克隆仓库s之外的所有其他仓库对应的M×1维向量Xi,j进行串行连接，得到该订单i对应的(M×T)×1维度的向量X′i；以每个订单i对应的向量X′i作为输入样本，以作为激活函数，将所述拆单率函数对应的作为固定参数，以作为目标函数，对所述第二神经网络模型进行训练，得到目标函数对应的向量θ；其中，所述第二神经网络模型的全连接层和输出层与所述第一神经网络模型的全连接层和输出层相同，向量θ的初始值为0或接近零的正实数，如果所述向量θ在训练过程中变为负数则将向量θ强制更新为零；根据经过所述训练后得到的向量θ，按照向量θ的分量θk越大则对应的物品越适合放入克隆仓库s的原则，为所述克隆仓库s生成相应的物品配置信息。较佳地，所述第一神经网络模型和所述第二神经网络模型为反向传播BP神经网络模型。一种仓库物品配置装置，包括：拆单率生成单元，用于根据订单数据和各仓库的物品分布数据，基于第一神经网络模型，生成拆单率函数；所述仓库包括主仓库和克隆仓库；本文档来自技高网...

【技术保护点】
1.一种仓库物品配置方法，其特征在于，包括：/n根据订单数据和各仓库的物品分布数据，基于第一神经网络模型，生成拆单率函数；所述仓库包括主仓库和克隆仓库；/n基于第二神经网络模型，以所述拆单率函数为目标函数，生成相应的所述克隆仓库的物品配置信息；/n根据所述物品配置信息，为相应的克隆仓库配置物品。/n

【技术特征摘要】
1.一种仓库物品配置方法，其特征在于，包括：
根据订单数据和各仓库的物品分布数据，基于第一神经网络模型，生成拆单率函数；所述仓库包括主仓库和克隆仓库；
基于第二神经网络模型，以所述拆单率函数为目标函数，生成相应的所述克隆仓库的物品配置信息；
根据所述物品配置信息，为相应的克隆仓库配置物品。


2.根据权利要求1所述的方法，其特征在于，所述生成拆单率函数包括：
对于每个订单i，计算该订单对应的数据向量Li分别与每个所述仓库的物品分布数据向量Hj的哈马达Hadamard乘积，得到T个M×1维向量Xi,j；
其中，Li为M×1维向量，Li中的每个分量Lki对应一种物品k，当物品k存在于订单i中时Lki＝1，当物品k不存在于订单i中时Lki＝0，1≤i≤N，i为订单编号，N为订单总数，1≤k≤M，k为物品编号，M为物品种类数；Hj为M×1维向量，j为仓库编号，1≤j≤T，T为仓库总数，Hj中的每个分量Hkj对应一种物品k，当物品k存在于仓库j中时Hkj＝1，当物品k不存在于仓库j中时Hkj＝0；
对于每个订单i，按照j的升序，将该订单对应的T个Xi,j进行串行连接，得到一个(M×T)×1维度的向量Xi；
对于每个所述(M×T)×1维度的向量Xi，计算该向量Xi对应的拆单率Yi；
将(Xi,Yi)作为训练样本，以Xi作为输入，以Yi作为目标值，以为目标函数，对第一神经网络模型进行训练，得到目标函数值最小时对应的拆单率函数


3.根据权利要求1所述的方法，其特征在于，所述生成拆单率函数包括：
对于每个订单i，计算该订单i对应的数据向量Li分别与每个所述仓库的物品分布数据向量Hj的哈马达Hadamard乘积，得到T个M×1维向量Xi,j；
其中，Li为M×1维向量，Li＝[L1i,...,Lki,...,LMi]，Li中的每个分量Lki对应一种物品k，当物品k存在于订单i中时Lki＝1，当物品k不存在于订单i中时Lki＝0，1≤i≤N，i为订单编号，N为订单总数，1≤k≤M，k为物品编号，M为物品种类数；Hj为M×1维向量，j为仓库编号，1≤j≤T，T为仓库总数，Hj中的每个分量Hkj对应一种物品k，当物品k存在于仓库j中时Hkj＝1，当物品k不存在于仓库j中时Hkj＝0；
对于每个订单i，按照j的升序，将该订单i对应的T个Xi,j进行串行连接，得到该订单i对应的一个(M×T)×1维度的向量；
从所述仓库中选择一个克隆仓库，采用将所选择克隆仓库的物品分布数据向量中的0分量随机变为1的方式，生成该克隆仓库对应的R个不同的物品分布数据向量；对于每个订单i，计算该订单i对应的数据向量Li与所述R个不同的物品分布数据向量中的每个向量的哈马达Hadamard乘积，得到该订单i对应的R个M×1维向量，分别将每个所述R个M×1维向量与除所选择的克隆仓库之外的所有其他仓库对应的M×1维向量Xi,j，按照j的升序进行串行连接，得到该订单i对应的R个(M×T)×1维度的向量；
对于每个所述(M×T)×1维度的向量Xi，计算该向量Xi对应的拆单率Yi；
将(Xi,Yi)作为训练样本，以Xi作为输入，以Yi作为目标值，以为目标函数，对第一神经网络模型进行训练，得到目标函数值最小时对应的拆单率函数


4.根据权利要求2或3所述的方法，其特征在于，所述基于第二神经网络模型，以所述拆单率函数为目标函数，生成相应的所述克隆仓库的物品配置信息包括：
从所述仓库中选择一个克隆仓库s，将所选择的克隆仓库s的物品分布数据向量修改为一个非负实数连续向量θ,θ＝[θ1,,...,θk,...,θM],1≤k≤M；
对于每个订单i，计算该订单i对应的数据向量Li与所述克隆仓库s的物品分布数据向量Hs的Hadamard乘积，得到一个M×1维向量X′i,s，
对于每个订单i，按照所对应仓库编号的升序，将该订单i对应的X′i,s与除所述克隆仓库s之外的所有其他仓库对应的M×1维向量Xi,j进行串行连接，得到该订单i对应的(M×T)×1维度的向量X′i；
以每个订单i对应的向量X′i作为输入样本，以作为激活函数，将所述拆单率函数对应的作为固定参数，以作为目标函数，对所述第二神经网络模型进行训练，得到目标函数对应的向量θ；其中，所述第二神经网络模型的全连接层和输出层与所述第一神经网络模型的全连接层和输出层相同，向量θ的初始值为0或接近零的正实数，如果所述向量θ在训练过程中变为负数则将向量θ强制更新为零；
根据经过所述训练后得到的向量θ，按照向量θ的分量θk越大则对应的物品越适合放入克隆仓库s的原则，为所述克隆仓库s生成相应的物品配置信息。


5.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型为反向传播BP神经网络模型。


6.一种仓库物品配置装置，其特征在于，包括：
拆单率生成单元，用于根据订单数据和各仓库...

【专利技术属性】
技术研发人员：陈轶雄，李朝峰，施昱辉，
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