基于订单预测保留机制的在线订单组批方法和系统技术方案

本发明专利技术提出了一种基于订单预测保留机制的在线订单组批方法，包括以下步骤：S1、基于机器学习方法，根据巷道相似度对未来订单预测，并使用订单数据训练出订单预测打分模型；S2、基于订单预测打分模型对订单池中订单打分，设计订单保留算法，决定订单保留在订单池或者释放到组批池；S3、根据系统内空闲拣选人数量，使用启发式算法对组批池内的订单进行组批、排序、分配和路由。本发明专利技术提出的算法适用于订单在线到达的人到货仓储系统，优化组批结果，从而减少拣选人力成本，提升订单周转率，提高服务水平。务水平。务水平。

【技术实现步骤摘要】
基于订单预测保留机制的在线订单组批方法和系统


[0001]本专利技术涉及仓储系统和订单拣选领域，具体涉及基于订单预测保留机制的在线订单组批方法和系统。

技术介绍

[0002]随着电子商务的发展，每天数十万计的订单对仓储拣选系统的时效性与作业成本都提出很大的挑战。传统的电商仓库一般采取静态分批拣选，即将每天到达的全部订单划分为几个波次，在每个波次中将订单分批拣选，在执行完当前波次后再执行下个波次。这种方法易于处理，但缺点在于与实际问题偏离，在成本与时效性上都有优化空间。在动态分批拣选中，订单是随着时间推移不断达到系统，批次也是在订单可用后不断生成。
[0003]目前，根据拣选单更新的时间点不同，动态拣选单策略可分为两种：一种在拣选台更新拣选单，另一种是在拣选过程中更新拣选单。前者缺点在于，批次都是根据当前订单池信息生成，并且批次一旦分配就不可以更新，其没有考虑未来到达订单的影响，有可能后续到达的订单可以组成更好的批次，忽略全局最优；而后者由于批次在拣选过程中也可以被更改，在操作上难以实现。
[0004]现有技术中缺乏一种应用订单大数据信息，考虑未来到达订单的情况的在线订单组批算法。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于对本申请的背景的理解，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

[0006]本专利技术的目的在于克服上述
技术介绍
中在拣选台更新拣选单忽略全局最优、拣选过程中更新拣选单在操作上难以实现的缺点，提供基于订单预测保留机制的在线订单组批方法和系统。
[0007]为解决上述技术问题，本专利技术采用如下技术方案：
[0008]基于订单预测保留机制的在线订单组批方法，包括：
[0009]S1、基于机器学习方法，根据巷道相似度对未来订单预测，并使用订单数据训练出订单预测打分模型；
[0010]S2、基于订单预测打分模型对订单池中订单打分，设计订单保留算法，决定订单保留在订单池或者释放到组批池；
[0011]S3、根据系统内空闲拣选人数量，使用启发式算法对组批池内的订单进行组批、排序、分配和路由。
[0012]在一些实施例中，步骤S1包括：
[0013]S11、提供订单数据，即模型的训练数据，其为仓储系统内的订单信息，包括：订单到达时间、订单内物品、物品所在位置、物品数量；
[0014]S12、根据订单数据，构建数据的特征；特征包括：订单到达时间，其为连续值；订单
中包含的货品所在巷道位置，其为0
‑
1值，为0说明订单在该巷道内没有物品需要拣选，为1说明订单在该行到内有物品需要拣选；订单内物品数量；
[0015]S13、根据订单数据，构建数据标签；标签定义为：当前订单与未来一段时间的到达订单相似度之和；
[0016]S14、将构建好特征并打好标签的数据分为训练集与测试集，选择合适的机器学习回归模型，包括但不限于：树模型、集成模型、深度学习模型；选择合适的模型评估标准，如均方误差；在训练集上训练模型并验证，在测试集上评估模型。
[0017]在一些实施例中，所述订单相似度的定义为：|巷道i∩巷道j|/|巷道i∪巷道j|，即两个订单需要都进入巷道数量除以两个订单各自需要进入的不重复巷道数量；其中，巷道i表示订单i所包含的物品所在的巷道；其中，未来一段时间根据具体场景进行调整。
[0018]在一些实施例中，所述步骤S2中，根据订单预测模型，设计的订单保留算法包括：
[0019]S21、在当前时间点，使用订单预测模型获得订单池中所有订单的预测得分；其中预测得分是指步骤S13中的数据标签；
[0020]S22、对当前订单池内的订单按预测得分排序，并初始化一个指针为0；
[0021]S23、若指针加批次容量之和大于订单池内订单数量，则转到步骤S26，否则转到S24，批次容量定义为一个批次内最多容纳的订单/物品数量；
[0022]S24、计算当前指针订单和当前指针加批次容量的订单预测得分差值，若差值小于阈值，则转到步骤S25，否则回到步骤S23，阈值为算法参数，根据实际场景调整；
[0023]S25、将当前指针到当前指针加批次容量的订单释放到组批池，并重设指针为0，回到步骤S23；
[0024]S26、若组批池内可形成的批次数量少于空闲拣选人数量，则在订单池中选择预测得分低的订单依次补充到组批池中，直到可形成的批次数量不少于空闲拣选人数量；
[0025]S27、结束订单保留算法。
[0026]在一些实施例中，所述步骤S3中，根据系统内空闲拣选人数量，对组批池内的订单进行组批、排序、分配和路由包括：
[0027]S31、以拣选距离最短为目标，求解静态订单组批问题；
[0028]S32、对组批算法得到批次按照某种规则排序，排序的规则包括但不限于：最长/短作业时间、最早/晚生成时间；
[0029]S33、将排好序的批次按照某种分配规则分配给拣选人；
[0030]S34、选择合适路由算法，指导拣选人完成批次拣选作业，路由算法包括但不限于：最短路算法、S型路由、返回路由、最大间隙规则。
[0031]在一些实施例中，步骤S31中，求解静态订单组批问题时可使用的算法包括：整数规划方法、列生成算法、启发式算法、智能算法。
[0032]在一些实施例中，步骤S33中，分配规则为如下规则中的至少一者：优先分配批次给总工作时间最短的拣选人、优先分配批次给最先完成上一个任务的拣选人。
[0033]在一些实施例中，所述步骤S2中的算法参数包括：物品需求分布、批次最大容量、拣选人数量、订单到达分布、预测时间跨度、释放阈值。
[0034]在一些实施例中，所述步骤S3中启发式算法指标包括：订单周转时间、最长完成时间、总服务时间。
[0035]本专利技术还提供基于订单预测保留机制的在线订单组批系统，包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序可被处理以执行上述的方法。
[0036]本专利技术具有如下有益效果：
[0037]本专利技术基于机器学习方法，设计了基于机器学习的订单保留策略，并设计对应的动态订单组批方法，即使用机器学习预测出未来一段时间内的订单特征，在组批前，提前将有优化潜力的订单进行保留，不立刻组成批次释放，从而实现一定程度上的全局优化，最后通过后续的组批、排序、分配、路由算法，完成组批池内对订单的组批、设定批次下发顺序、分配批次给拣选人、指引拣选人的路由，完成订单拣选作业，使得本专利技术在优化拣选成本的同时，提升订单周转率和人员闲置时间，提高了工作效率。本专利技术适用于即时性要求较高的仓储系统和订单在线到达的人到货仓储系统的实际运营，对比现有技术降低了仓库拣选人力成本、提高了服务水平。
附图说明
[0038]图1是本专利技术实施例中的基于订单预测保留机制的在线订单组批的方法流程图；
[0039]图2a是本专利技术实施例中的不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于订单预测保留机制的在线订单组批方法，其特征在于，包括以下步骤：S1、基于机器学习方法，根据巷道相似度对未来订单预测，并使用订单数据训练出订单预测打分模型；S2、基于订单预测打分模型对订单池中订单打分，设计订单保留算法，决定订单保留在订单池或者释放到组批池；S3、根据系统内空闲拣选人数量，使用启发式算法对组批池内的订单进行组批、排序、分配和路由。2.如权利要求1所述的基于订单预测保留机制的在线订单组批方法，其特征在于，步骤S1包括：S11、提供订单数据，即模型的训练数据，其为仓储系统内的订单信息，包括：订单到达时间、订单内物品、物品所在位置、物品数量；S12、根据订单数据，构建数据的特征；特征包括：订单到达时间，其为连续值；订单中包含的货品所在巷道位置，其为0
‑
1值，为0说明订单在该巷道内没有物品需要拣选，为1说明订单在该行到内有物品需要拣选；订单内物品数量；S13、根据订单数据，构建数据标签；标签定义为：当前订单与未来一段时间的到达订单相似度之和；S14、将构建好特征并打好标签的数据分为训练集与测试集，选择合适的机器学习回归模型，包括但不限于：树模型、集成模型、深度学习模型；选择合适的模型评估标准，如均方误差；在训练集上训练模型并验证，在测试集上评估模型。3.如权利要求2所述的基于订单预测保留机制的在线订单组批方法，其特征在于，所述订单相似度的定义为：|巷道i∩巷道j|/|巷道i∪巷道j|，即两个订单需要都进入巷道数量除以两个订单各自需要进入的不重复巷道数量；其中，巷道i表示订单i所包含的物品所在的巷道；其中，未来一段时间根据具体场景进行调整。4.如权利要求2所述的基于订单预测保留机制的在线订单组批方法，其特征在于，所述步骤S2中，根据订单预测模型，设计的订单保留算法包括：S21、在当前时间点，使用订单预测模型获得订单池中所有订单的预测得分；其中预测得分是指步骤S13中的数据标签；S22、对当前订单池内的订单按预测得分排序，并初始化一个指针为0；S23、若指针加批次容量之和大于订单池内订单数量，则转到步骤S26，否则转到S24，批次容量定义为一个批次内最多容纳的订单/物品数量；S24、计算当前指针订单和当前指针加批...

【专利技术属性】
技术研发人员：杨朋，曲志强，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：