仓库管理方法和装置以及计算机可读介质制造方法及图纸

本发明专利技术实施例提供一种仓库管理方法和装置以及计算机可读介质。所述仓库管理方法包括：根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；查询各仓间每种商品在第(M+1)天的实际库存占比；根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定在(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在第(M+1)天的移仓数量。本实施例能够及时发现仓间商品数量不合理的问题，并及时进行理库操作，以达到降低合流率的目的。

【技术实现步骤摘要】
仓库管理方法和装置以及计算机可读介质
本专利技术涉及计算机领域，具体涉及仓库管理方法和装置以及计算机可读介质。
技术介绍
目前，电商大件仓库(一个仓库包含几个仓间)的运营中心主要采用按品类分仓间独立进行存储的方法，仓间和商品承运商之间相互绑定，不同的承运商负责配送不同的区域，这样就会导致每天订单中的商品都需要从不同的仓间进行拣货，产生商品合流，从而增加了较多的人力成本和时间成本。为了优化存储，以某一仓库为试点进行同品类多仓运营(入库时对同种商品进行分仓)，将同一商品在多仓间根据预测模型进行存储，但是专利技术人在运营过程中发现了一些问题，由于某些原因(促销、仓库空间不足、数据问题、仓库变更等)导致商品在各仓间的存储数量并不合理，例如促销活动导致某种商品销量增加，从而导致该商品在仓间的存储数量减少，则此时该商品的合流率就会上升。此时一种可选的方法是对各个仓间的该商品进行理库操作。但是具体到应用场景，如何执行理货操作依然是个问题。
技术实现思路
有鉴于此，本专利技术实施例提供的仓库管理方法，根据预测库存占比和实际库存占比计算分类等级，根据分类等级和预测库存占比确定多种商品的理货操作的执行顺序和每种商品的移仓数量，以达到降低合流率的目的。根据本专利技术的第一方面，提供一种仓库管理方法，包括：根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；获取各仓间每种商品在第(M+1)天的实际库存占比；根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定在(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在第(M+1)天的移仓数量所述M为正整数。优选地，采用灰度预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。优选地，对于相同分类等级，先执行销量高的商品的理货操作。优选地，所述计算各仓间每种商品的分类等级包括：根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；以及根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类。优选地，所述计算各仓间每种商品的分类等级包括：根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；根据所述特征矩阵生成临时的聚类中心集；根据全局Kmeans聚类算法获取新的聚类中心集；以及对新的聚类中心集调优得到最终聚类中心集，根据最终聚类中心集得到各仓间每种商品的等级分类。优选地，所述构建特征矩阵包括：构建相似矩阵A∈Rn*n，n为商品种数，其中，Aii＝0其中xi和xj分别表示商品种类为i和j的商品对应的预测库存占比与真实库存占比的差值，i和j取值为1到n，且i≠j,σ是参数，n是正整数；构造矩阵L＝D-1/2AD-1/2,计算矩阵L的前k个特征值对应的特征向量X1,X2,…,Xk，构造矩阵X＝[X1,X2,…,Xk]n*k，规范化矩阵X的行向量，得到特征矩阵Y＝[Y1,Y2,…,Yk]n*k，k是正整数。优选地，所述根据所述特征矩阵生成临时的聚类中心集包括：根据Y＝[Y1,Y2,…,Yk]n*k初始化粒子群，生成随机聚类中心集M＝{m1*,m2*,…mt*}，t为人工设定值；引入适应度函数，计算每个粒子的适应度值；更新每个粒子搜索到的最优解和整个粒子群搜索到的最优位置，并不断调整随机聚类中心集的每个聚类中心的位置，直到聚类中心的位置足够好或达到最大迭代次数，最终得到的聚类中心集M＝{m1,m2,…mt}，t个聚类中心集。优选地，所述根据全局Kmeans聚类算法获取新的聚类中心集包括：以M＝{m1,m2,…mt}为数据集进行全局Kmeans聚类，通过设置聚类参数K＝1对数据集进行聚类得到最佳的聚类中心m1*(1)；通过依次将M＝{m1,m2,…mt}中的点mk设定为第k个聚类中心，以此为聚类中心的初始值进行Kmeans聚类，更新聚类中心集，继续添加mk+1到更新后的聚类中心集中，依次类推，得到新的聚类中心集M＝{m11,m21,…mt1}。优选地，所述对新的聚类中心集调优得到最终聚类中心集，根据最终聚类中心集得到各仓间每种商品的等级分类包括：使用粒子群算法对新的聚类中心集M＝{m11,m21,…mt1}调整得到最终聚类中心M＝{m1final,m2final,…mtfinal}，并据此得到等级分类。根据本专利技术实施例的第二方面，提供一种仓库管理装置，包括：预测占比计算单元，用于根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；实际占比获取单元，用于查询各仓间每种商品在第(M+1)天的实际库存占比；分类等级计算单元，用于根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及移仓数量确定单元，根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定所述第(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在各仓间的移仓数量，所述M为正整数。优选地，所述预测占比计算单元采用灰度预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。优选地，所述分类等级计算单元包括：根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；以及根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类。根据本专利技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令执行上述任意一项的仓库管理方法。根据本专利技术的第四方面，提供一种仓库管理装置，包括：存储器，用于存储计算机指令；处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的计算机指令执行实现上述任意一项的仓库管理方法。本专利技术一实施例具有以下优点或有益效果：根据预测库存占比和实际库存占比计算分类等级，根据分类等级确定多种商品的理货操作的执行顺序以及每种商品的移仓数量，以此确保理库操作能够解决各仓间商品存储数量的不合理的问题，达到降低合流率的目的。进一步地，将每种商品在前M天的出库量汇总，得到每种商品的总销量，对于同一个分类等级，优先执行销量高的商品的理货操作。通过计算总销量，使得销量较高的商品的理货操作优先执行，以此确保理库操作能够解决各仓间商品存储数量的不合理的问题，达到降低合流率的目的。附图说明通过参照以下附图对本专利技术实施例的描述，本专利技术的上述以及其它目的、特征和优点将更为清楚，在附图中：图1是现有技术中一个示例性的实行了同品类多仓运营的仓储系统的示意图；图2是本专利技术第一实施例的仓库管理方法的流程图；图3是本本文档来自技高网...

【技术保护点】
1.一种仓库管理方法，其特征在于，包括：/n根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；/n获取各仓间每种商品在第(M+1)天的实际库存占比；/n根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及/n根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定在(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在第(M+1)天的移仓数量，所述M为正整数。/n

【技术特征摘要】
1.一种仓库管理方法，其特征在于，包括：
根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；
获取各仓间每种商品在第(M+1)天的实际库存占比；
根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及
根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定在(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在第(M+1)天的移仓数量，所述M为正整数。


2.根据权利要求1所述的仓库管理方法，其特征在于，采用灰度预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。


3.根据权利要求1所述的仓库管理方法，其特征在于，还包括：对于相同分类等级，先执行销量高的商品的理货操作。


4.根据权利要求1所述的仓库管理方法，其特征在于，所述计算各仓间每种商品的分类等级包括：
根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；以及
根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类。


5.根据权利要求4所述的仓库管理方法，其特征在于，所述根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类包括：
根据所述特征矩阵生成临时的聚类中心集；
根据全局Kmeans聚类算法获取新的聚类中心集；以及
对新的聚类中心集调优得到最终聚类中心集，根据最终聚类中心集得到各仓间每种商品的等级分类。


6.根据权利要求4或5所述的仓库管理方法，其特征在于，所述构建特征矩阵包括：
构建相似矩阵A∈Rn*n，n为商品种数，Aii＝0，
其中xi和xj分别表示商品种类为i和j的商品对应的预测库存占比与真实库存占比的差值，i和j取值为1到n，且i≠j,σ是参数，n是正整数；
构造矩阵L＝D-1/2AD-1/2,
计算矩阵L的前k个特征值对应的特征向量X1,X2,…,Xk，构造矩阵X＝[X1,X2,…,Xk]n*k，规范化矩阵X的行向量，得到特征矩阵Y＝[Y1,Y2,…,Yk]n*k，k是正整数。


7.根据权利要求6所述的仓库管理方法，其特征在于，所述根据所述特征矩阵生成临时的聚类中心集包括：
根据Y＝[Y1,Y2,…,Yk]n*k初始化粒子群，生成随机聚类中心集M＝{m1*,m2*,…mt*}，t为人工设定值；
引入适应度函数，计算每个粒子的适应度值；
更新每个粒子搜索到的最优解和整个粒子群搜索到的最优位置，并不断调整随机聚类中心集的每个聚类中心的位置，直到聚类中心的位置与...

【专利技术属性】
技术研发人员：郭伟，赵迎光，刘旭，
申请(专利权)人：北京京邦达贸易有限公司，北京京东乾石科技有限公司，
类型：发明
国别省市：北京;11