一种基于机器学习的化工仓储调度优化方法、介质及设备与流程

1.本发明涉及仓储物流技术领域，具体涉及一种基于机器学习的化工仓储调度优化方法、介质及设备。


背景技术：

2.化工行业运输目前仍处于信息化发展相对落后的阶段，化工品往往具有比较独特的特点，如商品体积大、重量大、人体伤害大、形态多样等。化工商品在仓储过程中进行调配都需要大量的车辆、人员、场地，这过程当中非常依赖与个人的经验操作，很容易造成效率低下、安全隐患、成本偏高的问题。


技术实现要素：

3.本发明所要解决的技术问题是：提供一种通过基于历史数据和机器学习算法，计算出一个适用于化工行业的人、车、地的机器学习模型，可以在进行仓储调度前提供预测评估数据，供管理者参考的基于机器学习的化工仓储调度优化方法、介质及设备。
4.为了解决上述技术问题，本发明采用的第一种技术方案为：
5.一种基于机器学习的化工仓储调度优化方法，包括：
6.采用历史数据集内的数据进行数学建模后通过机器学习建立预测模型，向预测模型输入变量计算获得辅助决策信息；
7.将决策信息输出与仓储管理系统并判断是否满足现有仓储处理能力，若是则按照决策信息进行执行，若否，则进行人工协调仓储处理，并保存人工协调仓储处理信息加入历史数据集内。
8.为了解决上述技术问题，本发明采用的第二种技术方案为：
9.一种介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于机器学习的化工仓储调度优化方法。
10.为了解决上述技术问题，本发明采用的第三种技术方案为：
11.一种设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述的基于机器学习的化工仓储调度优化方法。
12.本发明的有益效果在于：通过用逻辑回归(logistic regression)和支持向量机(support vector machine)机器学习方法训练历史数据(存储方式、数量、货物名称、货物类型、单位体积、单位重量等)并构建数学模型[多标签决策树(multi
‑
label decision trees)]；新数据基于数学模型能够推导出人、车、机、货、场，并将结果推送到客户wms系统，优化仓储，降低成本；在现有模型基础上，通过计算机软件编程，对预测模型进行服务封装，以便高效植入到仓储管理系统，提供专业仓库作业决策支持：依据具体资源约束与目标设定，该管理系统可以事前从流程、设施、设备、人员、时间等方面进行模拟，输出能力最大方案，方便实操者执行时参考。
附图说明
[0013]
图1为本发明具体实施方式的一种基于机器学习的化工仓储调度优化方法的业务流程图；
[0014]
图2为为本发明具体实施方式的一种基于机器学习的化工仓储调度优化方法的预测模型流程图；
具体实施方式
[0015]
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
[0016]
请参照图1以及图2，一种基于机器学习的化工仓储调度优化方法，包括：
[0017]
采用历史数据集内的数据进行数学建模后通过机器学习建立预测模型，向预测模型输入变量计算获得辅助决策信息；
[0018]
将决策信息输出与仓储管理系统并判断是否满足现有仓储处理能力，若是则按照决策信息进行执行，若否，则进行人工协调仓储处理，并保存人工协调仓储处理信息加入历史数据集内。
[0019]
进一步的，所述历史数据集包括训练集与验证集；
[0020]
所述建立预设模型包括：
[0021]
数据处理过程：基于需求抽象历史数据集内数据之间的关系建立数学模型；基于数学模型对训练集基于数学模型进行数据清洗获得数据清洗集；
[0022]
模型训练过程：对得数据清洗集进行入参和/或出参处理后进行机器学习获得模型；
[0023]
模型验证过程：采用验证集对验证模型进行验证，验证通过后获得预测模型；
[0024]
结果预测过程：向预测模型输入变量入参返回结构化结构获得辅助决策信息。
[0025]
进一步的，所述训练集与验证集的比例为8：2。
[0026]
进一步的，所述仓储管理系统判断是否满足现有仓储处理能力前对辅助决策信息的有效性进行判断，若有效，则继续并将该辅助决策信息反馈给预测模型；若无效，则不反馈。
[0027]
有益效果：通过反馈正确的辅助决策信息，能够对预测模型进行不断的矫正，保证后续给出的辅助决策信息的有效性越来越高。
[0028]
进一步的，所述有效性进行判断包括：
[0029]
所述仓储管理系统读取仓储详细信息，通过仓储详细信息进行最优仓储方案计算解析辅助决策信息是否具有有效性。
[0030]
进一步的，所述数学建模包括：
[0031]
基于运筹学由投入
‑
产出的最大利润角度、产出
‑
投入的最低成本角度结合资源约束条件设计满足不同要求的数理模型。
[0032]
有益效果：基于运筹学中最优算法，从“投入
‑
产出”(最大利润)和“产出
‑
投入”(最低成本)角度，考虑仓库五大投入要素人、车、机、货、场等资源约束条件，根据企业追求的能力最大化目标，设计出满足仓库管理不同要求的数理模型，通过对物流仓库管理近3年经营数据进行测算，修正数理模型参数，提升模型的稳健性与可信度，最终确定仓库能力最优化
数理模型。
[0033]
进一步的，所述变量、历史数据集包括：存储方式、数量、货物名称、货物类型、单位体积、单位重量；
[0034]
所述资源约束条件、辅助决策信息包括：人、车、机、货、场；
[0035]
所述数理模型为多标签决策树。
[0036]
进一步的，所述机器学习采用逻辑回归算法或支持向量机。
[0037]
一种介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于机器学习的化工仓储调度优化方法。
[0038]
一种设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述的基于机器学习的化工仓储调度优化方法。
[0039]
从上述描述可知，通过用逻辑回归(logistic regression)和支持向量机(support vector machine)机器学习方法训练历史数据(存储方式、数量、货物名称、货物类型、单位体积、单位重量等)并构建数学模型[多标签决策树(multi
‑
label decision trees)]；新数据基于数学模型能够推导出人、车、机、货、场，并将结果推送到客户wms系统，优化仓储，降低成本；在现有模型基础上，通过计算机软件编程，对预测模型进行服务封装，以便高效植入到仓储管理系统，提供专业仓库作业决策支持：依据具体资源约束与目标设定，该管理系统可以事前从流程、设施、设备、人员、时间等方面进行模拟，输出能力最大方案，方便实操者执行时参考。
[0040]
实施例一
[0041]
参照图1和图2，一种基于机器学习的化工仓储调度优化方法，包括：
[0042]
采用历史数据(存储方式、数量、货物名称、货物类型、单位体积、单位重量，可以根据需要增加、减少、选择其他种类的数据)基于运筹学由投入
‑
产出的最大利润角度、产出
‑
投入的最低成本角度结合资源约束条件设计满足不同要求的数理模型(多标签决策树)后通过机器学习(逻辑回归算法或支持向量机)建立预测模型，向预测模型(人工)输入变量(存储方式、数量、货物名称、货物类型、单位体积、单位重量)计算获得辅助决策信息(人、车、机、货、场，可以根据需要增加、减少、选择其他种类的数据)；
[0043]
将决策信息输出与仓储管理系统(wms仓储系统)；
[0044]
所述仓储管理系统判断是否满足现有仓储处理能力前对辅助决策信息的有效性进行判断，所述有效性进行判断包括所述仓储管理系统读取仓储详细信息，通过仓储详细信息进行最优仓储方案计算解析辅助决策信息是否具有有效性并将结构数据化(json)反馈结果给仓储管理系统；若有效，则继续并将该辅助决策信息反馈给预测模型；若无效，则不反馈。
[0045]
所述仓储管理系统判断是否满足现有仓储处理能力(是否有足够的人、车、机、货、场)，若是则按照决策信息进行执行，若否，则进行人工协调仓储处理，并保存人工协调仓储处理信息加入历史数据集内。
[0046]
所述历史数据集包括训练集与验证集；所述训练集与验证集的比例为8：2。
[0047]
所述建立预设模型包括：
[0048]
数据处理过程：基于需求抽象历史数据集内数据之间的关系建立数学模型；基于
数学模型对训练集基于数学模型进行数据清洗获得数据清洗集；
[0049]
模型训练过程：对得数据清洗集进行入参和/或出参处理后进行机器学习获得模型；
[0050]
模型验证过程：采用验证集对验证模型进行验证，验证通过后获得预测模型；
[0051]
结果预测过程：向预测模型输入变量入参返回结构化结构获得辅助决策信息。
[0052]
实施例二
[0053]
一种介质，存储有计算机程序，所述计算机程序被处理器执行时实现实施例一所述的基于机器学习的化工仓储调度优化方法。
[0054]
实施例三
[0055]
一种设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现实施例一所述的基于机器学习的化工仓储调度优化方法。
[0056]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。