一种订单特征驱动的仓储货位自适应预测方法及系统

本发明涉及仓储物流，尤其涉及一种订单特征驱动的仓储货位自适应预测方法及系统。

背景技术：

1、随着智慧物流体系的不断发展，仓储系统对出入库作业效率的要求日益提升。为了降低拣货成本并优化内部物流动线，行业内普遍引入了订单特征驱动的仓储货位自适应预测技术。设计此类技术的核心动机在于，通过挖掘历史订单数据中隐含的商品共现规律与物理空间属性，动态调整商品的存储位置，从而使仓储布局能够提前自适应订单结构的变化趋势，缩短后续作业过程中的物理寻址距离。

2、现有技术在实现仓储货位预测时，通常依赖两种主流的实施路径。一种路径是构建端到端的复杂深度学习模型或全局图神经网络，将全量的仓储拓扑状态与历史作业日志集中作为输入，在单一系统中进行深度的特征提取与目标求解，以期获得全局最优的货位转移方案；另一种路径则是依赖轻量级的启发式规则算法，在接收到当前订单流时，仅依据局部的可用空间与表层关联规则进行即时计算与指令下发。

3、例如公开号为：cn121329281a的中国发明专利公开的一种基于ai的仓储货位动态优化方法，包括：首先获取货物、仓储及业务等多维数据；接着，通过计算一个融合了货物未来出库频率、与邻近货物的关联度、物理距离以及随预期拣选时间临近而变化的动态时间紧迫度因子的“时间敏感的货位-货物匹配度分值”；利用强化学习模型，将匹配度分值作为关键决策依据，并通过一个兼顾整体布局增益、物理搬运成本和高紧迫度任务奖励的复合奖励函数进行指导，输出一个具有全局性和前瞻性的动态货位优化方案。

4、例如公告号为：cn113636254b的中国发明专利公开的一种智能仓储系统储物槽自适应优化调整方法与系统，包括：首先构建一种能够自适应调整空间的智能仓储系统，主要包含仓储货架结构、信息采集单元和储物槽自适应优化控制系统；然后，预测出不同原材料未来的储存空间需求信息，获取所有原材料需要占用的储物槽空间尺寸；进而读取仓储货架的整体信息并设置约束条件，构建储物槽自适应优化调整的数学模型；基于数学模型，采用遗传算法对储物槽优化问题进行求解，得到最优的储物槽配置结构方案；最后，智能仓储系统的控制系统根据所得到的最优的储物槽配置结构方案，对仓储货架结构进行调节，实现对各储物槽进行自适应调整。

5、然而，现有技术存在一个极为集中的核心技术弊端：全局深度演算机制与实时物理执行响应之间存在深度的架构级耦合。在这种强耦合的处理框架下，系统陷入了算力开销与决策质量相互制约的绝对困境。若要在订单涌入时强行执行重度模型的全局特征遍历，其庞大的计算延迟将完全无法匹配现场作业的极速响应需求，导致控制流严重阻塞；而若为保障实时性退而采用轻量化局部演算，由于预测过程处于纯粹的软件逻辑黑盒中，脱离了对真实物理空间硬性安全边界的校验，以及对机械设备调配边际成本的统筹考量，系统会不可避免地频繁输出违反底层安全物理约束的非法调度指令，或是触发预期收益无法弥补物理执行代价的无效震荡移库。这种信息处理层级与物理约束边界的严重脱节，致使现有系统在面对高度动态的真实作业环境时，仓储货位调度实时性降低。

技术实现思路

1、为了解决现有技术存在的在面对高度动态的真实作业环境时，仓储货位调度实时性降低的技术问题，本发明实施例提供了一种订单特征驱动的仓储货位自适应预测方法及系统。技术方案如下：

2、一方面，提供了一种订单特征驱动的仓储货位自适应预测方法，该方法包括：获取仓储系统的历史订单日志、sku基础属性数据以及货位拓扑状态数据，在云端服务器构建包含商品节点、订单节点与货位节点的时空异构图谱，时空异构图谱表征商品共现关系、订单关联关系及货位空间邻接关系；在云端服务器中，将时空异构图谱输入至时空图神经网络进行周期性迭代演算，提取全局维度的商品－订单－货位关联特征，生成时空特征隐向量表，并将时空特征隐向量表异步下发至边缘侧计算节点；边缘侧计算节点接收实时涌入的当前订单数据，提取当前订单数据对应的目标商品特征，并根据目标商品特征在时空特征隐向量表中检索提取对应的特征数据，与当前订单数据进行拼接，生成表征当前调度环境的当前状态向量；将当前状态向量输入预先部署的强化学习策略网络进行推理，输出目标货位转移概率分布矩阵；实时获取仓储系统的底层设备工作状态信息及空间承载极限条件信息，生成与目标货位转移概率分布矩阵维度一致的物理拓扑动作掩码矩阵；将物理拓扑动作掩码矩阵与目标货位转移概率分布矩阵进行逐元素乘积运算，以过滤违反物理安全约束的非法转移概率，提取出最大有效概率对应的操作路径作为候选货位转移方案；获取与候选货位转移方案对应的移库势能变化量，若移库势能变化量大于预设防震荡阈值，则根据候选货位转移方案生成调度指令并下发执行。

3、另一方面，提供了一种订单特征驱动的仓储货位自适应预测系统，包括：云端图谱演算模块，用于获取仓储系统的历史订单日志、sku基础属性数据以及货位拓扑状态数据，在云端服务器构建包含商品节点、订单节点与货位节点的时空异构图谱，时空异构图谱表征商品共现关系、订单关联关系及货位空间邻接关系；在云端服务器中，将时空异构图谱输入至时空图神经网络进行周期性迭代演算，提取全局维度的商品－订单－货位关联特征，生成时空特征隐向量表，并将时空特征隐向量表异步下发至边缘侧计算节点；边缘侧状态解析模块，用于边缘侧计算节点接收实时涌入的当前订单数据，提取当前订单数据对应的目标商品特征，并根据目标商品特征在时空特征隐向量表中检索提取对应的特征数据，与当前订单数据进行拼接，生成表征当前调度环境的当前状态向量；边缘侧策略推理模块，用于将当前状态向量输入预先部署的强化学习策略网络进行推理，输出目标货位转移概率分布矩阵；物理拓扑掩码过滤模块，用于实时获取仓储系统的底层设备工作状态信息及空间承载极限条件信息，生成与目标货位转移概率分布矩阵维度一致的物理拓扑动作掩码矩阵；将物理拓扑动作掩码矩阵与目标货位转移概率分布矩阵进行逐元素乘积运算，以过滤违反物理安全约束的非法转移概率，提取出最大有效概率对应的操作路径作为候选货位转移方案；势能判决与指令调度模块，用于获取与候选货位转移方案对应的移库势能变化量，若移库势能变化量大于预设防震荡阈值，则根据候选货位转移方案生成调度指令并下发执行。

4、本发明实施例提供的技术方案带来的有益效果至少包括：

5、1、本发明提供的一种订单特征驱动的仓储货位自适应预测方法，通过在云端服务器构建包含商品节点、订单节点与货位节点的时空异构图谱，并利用时空图神经网络进行周期性迭代演算生成时空特征隐向量表异步下发至边缘侧计算节点，使得边缘侧仅需执行o(1)复杂度的哈希查表即可获取蕴含全局时空关联信息的稠密特征向量，从而将重度的全局特征演算与实时的调度决策在架构层面进行解耦，实现了仓储货位调度在保持全局特征感知能力的同时具备毫秒级实时响应能力，有效解决了现有技术中全局深度演算机制与实时物理执行响应之间架构级耦合导致仓储货位调度实时性降低的问题。

6、2、在传统仓储系统中，货物的存储和调度往往依赖于固定规则或简单的优先级排序，无法充分考虑商品与订单之间的复杂关联关系，也缺乏对实时变化的环境进行动态调整的能力，而本发明通过构建包含商品节点、订单节点和货位节点的时空异构图谱，能够更加全面地表征商品的共现关系、订单之间的关联以及货位的空间邻接关系，这种图谱建模方法将仓储系统的多维度信息进行了有效整合，为后续的智能分析和决策提供了坚实的数据基础。

7、3、通过在云端服务器上运行时空图神经网络，该系统能够周期性地进行迭代计算，提取出商品、订单和货位之间的全局关联特征，生成时空特征隐向量表，这样，系统不仅能够实现对历史数据的全面挖掘，还能够在每次迭代中不断优化特征向量，为实时调度决策提供精准的特征数据支持，这些特征数据被异步下发至边缘计算节点，确保了系统在处理实时订单时能够迅速获取并应用最相关的历史数据，提高了响应速度。

8、4、在接收到实时订单数据后，边缘计算节点根据目标商品的特征，从时空特征隐向量表中快速检索相关数据，生成当前调度环境的状态向量。该状态向量被输入到强化学习策略网络中，进行推理和决策，输出目标货位转移的概率分布矩阵。通过结合仓储系统底层设备的工作状态信息和空间承载极限条件，生成的物理拓扑动作掩码矩阵可有效过滤掉违反物理安全约束的非法转移概率，从而确保了调度操作的安全性与可行性，通过移库势能变化量的计算，系统能够判断候选货位转移方案的稳定性，若超过预设的防震荡阈值，系统会生成调度指令并下发执行，避免了不合理的调度导致仓库运营的不稳定。