CN116051004B - 一种基于大数据的智能管理方法、系统及介质 - Google Patents
一种基于大数据的智能管理方法、系统及介质 Download PDFInfo
- Publication number
- CN116051004B CN116051004B CN202310302292.3A CN202310302292A CN116051004B CN 116051004 B CN116051004 B CN 116051004B CN 202310302292 A CN202310302292 A CN 202310302292A CN 116051004 B CN116051004 B CN 116051004B
- Authority
- CN
- China
- Prior art keywords
- warehouse
- storage
- logistics
- efficiency
- bin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 claims abstract description 157
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 81
- 210000000349 chromosome Anatomy 0.000 claims description 25
- 230000035772 mutation Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据的智能管理方法、系统及介质，属于物流管理技术领域，本发明根据当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，并基于当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，基于遗传算法剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果。通过本方法能够根据物流码头不同货物类型的入库效率以及出库效率进行预设之间之内最优的货物入库的分配结果进行求解，最大化地提高了物流仓储利用率，使得物流码头能够处于一个动态平衡的状态，使得物流码头的物流工作能够正常地运行，有利于物流码头的仓储资源分配。
Description
技术领域
本发明涉及物流管理技术领域，尤其涉及一种基于大数据的智能管理方法、系统及介质。
背景技术
现代物流业是融合了运输、仓储、货运代理和信息等行业的现代服务产业，涉及多个领域，对于促进生产、拉动内需发挥着十分重要的作用。随着中国工业基础的迅速扩大及消费市场的不断兴起，中国的物流产业正处于一个快速发展的阶段。作为经济发展至关重要的一环，物流业已获得了决策部门的高度重视。物联网技术以及大数据技术给物流行业带来的信息化、自动化、综合化的物流管理、流程监控技术手段不仅能为企业带来物流效率的提升、物流成本控制能力加强等效益，也整体提高了企业及相关领域的信息化水平，从而达到带动整个产业发展的目的。然而，在物流管理的过程中，特别是在一些繁忙的物流码头，需要对入库的物流以及出库的物流进行监管，使得物流码头能够处于一个动态平衡的情况，当物流码头不能处于一个动态平衡时，物流码头的入库管理以及出库管理就会产生矛盾，如待入库的物品没有剩余的空间入库，利于物流码头的正常运行。而入库和出库通常是同时进行的，如何最大化利用物流码头的存储空间是物流需要解决的重要技术问题。
发明内容
本发明克服了现有技术的不足，提供了一种基于大数据的智能管理方法、系统及介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于大数据的智能管理方法，包括以下步骤：
获取当前物流仓储各货物类型的待出库订单信息，根据所述当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率；
通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对所述影响因子数据进行分析，以获取每个影响因子数据的权重向量信息；
获取物流管理平台中待分配入库的订单信息，并基于所述每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率；
根据所述当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，并基于所述当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，基于遗传算法所述剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果。
进一步地，本发明的一个较佳实施例中，获取当前物流仓储各货物类型的待出库订单信息，根据所述当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率，具体包括以下步骤：
根据各货物类型的出库效率设置关键词信息，通过大数据网络根据所述关键词信息进行数据检索，以获取各等级的物流仓储各货物类型的出库效率，根据所述各等级的物流仓储各货物类型的出库效率构建信息数据库；
获取当前物流仓储的仓储等级以及取当前物流仓储各货物类型的待出库订单信息，将所述当前物流仓储的仓储等级输入到信息数据库中进行一次匹配，以获取匹配度大于预设匹配度的物流仓储，并获取匹配度大于预设匹配度的物流仓储对应的各货物类型的出库效率；
获取当前物流仓储各货物类型的待出库订单信息，并根据所述当前物流仓储各货物类型的待出库订单信息进行分类，以获取各货物类型的待出库订单信息；
基于匹配度大于预设匹配度的物流仓储对应的各货物类型的出库效率以及各货物类型的待出库订单信息获取当前物流仓储各货物类型的出库效率。
进一步地，本发明的一个较佳实施例中，通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对所述影响因子数据进行分析，以获取每个影响因子数据的权重向量信息，具体包括以下步骤：
通过大数据网络获取影响入库效率的影响因子数据，并确定评价的层次结构体系，将所述的评价的层次结构体系分为目标层、准则层以及方案层；
将入库效率输入到准则层中，并将所述影响入库效率的影响因子数据输入到方案层中，预设若干个影响效果，并将所述影响效果输入到目标层中，生成评价指标体系；
根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量在判断矩阵的最大值，根据所述特征向量以及最大值得到每个影响因子数据的权重向量信息。
进一步地，本发明的一个较佳实施例中，获取物流管理平台中待分配入库的订单信息，并基于所述每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率，具体包括以下步骤：
获取物流管理平台中待分配入库的订单信息，并根据货物类型对所述物流管理平台中待分配入库的订单信息进行数据分类，以获取各货物类型对应的待分配入库的订单信息；
基于所述每个影响因子数据的权重向量信息构建入库效率预估模型，并获取当前物流仓储的影响因子数据；
根据所述当前物流仓储的影响因子数据对所述入库效率预估模型进行调整，以获取调整后的入库效率预估模型；
基于所述调整后的入库效率预估模型以及各货物类型对应的待分配入库的订单信息得到当前物流仓储各货物类型的入库效率。
进一步地，本发明的一个较佳实施例中，根据所述当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，具体包括以下步骤：
获取当前时刻物流仓储的剩余仓位数据信息，并根据所述当前时刻物流仓储的剩余仓位数据信息初始化物流仓储的待入库仓位信息；
基于所述初始化物流仓储的待入库仓位信息以及当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，其中，仓位目标函数组满足：
其中，
为实时仓位数据信息，n为出库货物类型的个数，
为第i个货物类型的出库效率，T为时间，Q为初始化后的物流仓储的待入库仓位信息。
进一步地，本发明的一个较佳实施例中，基于所述当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，具体包括以下步骤：
获取当前时刻的实时仓位数据信息，并根据所述当前物流仓储各货物类型的入库效率以及当前时刻的实时仓位数据信息构建入库仓位目标函数组，其中，入库仓位目标函数组具体满足以下关系式：
其中，
为实时仓位数据信息，m为入库货物类型的个数，
为待分配货物的第j个货物类型的入库效率，T为时间。进一步地，本发明的一个较佳实施例中，基于遗传算法所述剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果，具体包括以下步骤：
在解空间中均匀产生若干个染色体个数，并预设每一个染色体的维度，以生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化；
以所述物流管理平台中待分配入库的订单信息作为分配基础，基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对所述初代种群中的每一个染色体个体进行快速非支配排序和拥挤度计算，并对所述初代种群进行选择、交叉、变异操作，以获得下一代种群；
将所述初代种群与所述下一代种群合并，以获得新种群，以所述物流管理平台中待分配入库的订单信息作为分配基础，并基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对所述新种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算；
对所述新种群选择符合条件的个体来组成新初代种群，确定演化过程的进化代数，若所述进化代数小于所述最大进化代数，则所述进化代数的数量加一，并转至对所述初代种群进行选择、交叉、变异操作，以获得下一代种群，若所述进化代数大于所述最大进化代数，则中止迭代并输出预设之间之内最优的货物入库分配结果。
本发明第二方面提供了一种基于大数据的智能管理系统，所述系统包括存储器以及处理器，所述存储器中包括基于大数据的智能管理方法程序，所述基于大数据的智能管理方法程序被所述处理器执行时，实现如下步骤：
获取当前物流仓储各货物类型的待出库订单信息，根据所述当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率；
通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对所述影响因子数据进行分析，以获取每个影响因子数据的权重向量信息；
获取物流管理平台中待分配入库的订单信息，并基于所述每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率；
根据所述当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，并基于所述当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，基于遗传算法所述剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果。
在本系统的一个较佳实施例中，基于遗传算法所述剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果，具体包括以下步骤：
在解空间中均匀产生若干个染色体个数，并预设每一个染色体的维度，以生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化；
以所述物流管理平台中待分配入库的订单信息作为分配基础，基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对所述初代种群中的每一个染色体个体进行快速非支配排序和拥挤度计算，并对所述初代种群进行选择、交叉、变异操作，以获得下一代种群；
将所述初代种群与所述下一代种群合并，以获得新种群，以所述物流管理平台中待分配入库的订单信息作为分配基础，并基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对所述新种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算；
对所述新种群选择符合条件的个体来组成新初代种群，确定演化过程的进化代数，若所述进化代数小于所述最大进化代数，则所述进化代数的数量加一，并转至所述对所述初代种群进行选择、交叉、变异操作，以获得下一代种群，若所述进化代数大于所述最大进化代数，则中止迭代并输出预设之间之内最优的货物入库分配结果。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质包含基于大数据的智能管理方法程序，所述基于大数据的智能管理方法程序被处理器执行时，实现任一项所述的基于大数据的智能管理方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取当前物流仓储各货物类型的待出库订单信息，根据当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率，进一步通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对影响因子数据进行分析，以获取每个影响因子数据的权重向量信息，进而通过获取物流管理平台中待分配入库的订单信息，并基于每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率，最后根据当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，并基于当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，基于遗传算法剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果。通过本方法能够根据物流码头不同货物类型的入库效率以及出库效率进行预设之间之内最优的货物入库的分配结果进行求解，最大化地提高了物流仓储利用率，使得物流码头能够处于一个动态平衡的状态，使得物流码头的物流工作能够正常地运行，有利于物流码头的仓储资源分配。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了一种基于大数据的智能管理方法的整体方法流程图；
图2示出了一种基于大数据的智能管理方法的第一方法流程图；
图3示出了一种基于大数据的智能管理方法的第二方法流程图；
图4示出了一种基于大数据的智能管理系统的系统框图。
实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种基于大数据的智能管理方法，包括以下步骤：
S102:获取当前物流仓储各货物类型的待出库订单信息，根据当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率；
S104:通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对影响因子数据进行分析，以获取每个影响因子数据的权重向量信息；
S106:获取物流管理平台中待分配入库的订单信息，并基于每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率；
S108:根据当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，并基于当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，基于遗传算法剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果。
需要说明的是，通过本方法能够根据物流码头不同货物类型的入库效率以及出库效率进行预设之间之内最优的货物入库的分配结果进行求解，最大化地提高了物流仓储利用率，使得物流码头能够处于一个动态平衡的状态，使得物流码头的物流工作能够正常地运行，有利于物流码头的仓储资源分配。其中，入库效率为单位时间内需要的库存空间，出库效率为单位时间内产生的库存空间。订单信息中包含货物类型、货物重量、货物的体积、货物的数量等数据。
进一步地，本发明的一个较佳实施例中，获取当前物流仓储各货物类型的待出库订单信息，根据当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率，具体包括以下步骤：
根据各货物类型的出库效率设置关键词信息，通过大数据网络根据关键词信息进行数据检索，以获取各等级的物流仓储各货物类型的出库效率，根据各等级的物流仓储各货物类型的出库效率构建信息数据库；
获取当前物流仓储的仓储等级以及取当前物流仓储各货物类型的待出库订单信息，将当前物流仓储的仓储等级输入到信息数据库中进行一次匹配，以获取匹配度大于预设匹配度的物流仓储，并获取匹配度大于预设匹配度的物流仓储对应的各货物类型的出库效率；
获取当前物流仓储各货物类型的待出库订单信息，并根据当前物流仓储各货物类型的待出库订单信息进行分类，以获取各货物类型的待出库订单信息；
基于匹配度大于预设匹配度的物流仓储对应的各货物类型的出库效率以及各货物类型的待出库订单信息获取当前物流仓储各货物类型的出库效率。
需要说明的是，不同类型的货物入库的时间一般是不相同的，如2kg的货品以及100kg的货品，实际上，100kg的入库效率明显相比于2kg的货品入库效率更低；其次，受限于物流仓储的仓储等级，如等级为占地50亩的物流仓储、等级为占地200亩的物流仓储，相对而言，其他条件相同，等级为占地200亩与等级为占地50亩的物流仓储也是不一致的。因此，通过本方法能够筛选出当前物流仓储的各种货物类型的入库效率以及出库效率。
进一步地，本发明的一个较佳实施例中，通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对影响因子数据进行分析，以获取每个影响因子数据的权重向量信息，具体包括以下步骤：
通过大数据网络获取影响入库效率的影响因子数据，并确定评价的层次结构体系，将的评价的层次结构体系分为目标层、准则层以及方案层；
将入库效率输入到准则层中，并将影响入库效率的影响因子数据输入到方案层中，预设若干个影响效果，并将影响效果输入到目标层中，生成评价指标体系；
根据准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对判断矩阵进行归一化计算，得到特征向量，并获取特征向量在判断矩阵的最大值，根据特征向量以及最大值得到每个影响因子数据的权重向量信息。
需要说明的是，影响因子数据为天气数据，环境因子数据可以是温度、湿度等，其天气数据可以是晴天、雨天、雾天等；由于出库效率通常在于仓储的内部，其他数据正常时，天气数据很难影响出库效率。实际上，在入库过程中，而入库主要受到运输的影响，由于入库前需要计算从运输、搬运到入库的过程，如还在雨天运输中的待入库物流运输车；而对于出库效率而言，通常在仓库的室内进行，搬离至原位置时即可说明出库成功，基本不受该类数据的影响，可以忽略不计。其中影响效果为严重影响、中度影响、轻度影响等。
如图2所示，进一步地，本发明的一个较佳实施例中，获取物流管理平台中待分配入库的订单信息，并基于每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率，具体包括以下步骤：
S202:获取物流管理平台中待分配入库的订单信息，并根据货物类型对物流管理平台中待分配入库的订单信息进行数据分类，以获取各货物类型对应的待分配入库的订单信息；
S204:基于每个影响因子数据的权重向量信息构建入库效率预估模型，并获取当前物流仓储的影响因子数据；
S206:根据当前物流仓储的影响因子数据对入库效率预估模型进行调整，以获取调整后的入库效率预估模型；
S208:基于调整后的入库效率预估模型以及各货物类型对应的待分配入库的订单信息得到当前物流仓储各货物类型的入库效率。
需要说明的是，由于受到天气数据、环境因子数据的影响，货物也会受到相应的影响，如恶劣天气必然会使得入库效率降低，其中，入库效率预估模型具体满足以下关系式：
其中，k 为实时的入库效率；
各货物类型初始时的入库效率；y为影响因子的个数；
为第x 个天气情况的影响权重值，e为自然对数的底数；
为预设时间段之内第x个天气情况所发生的概率值，该数据可以从天气预报中获取。
需要说明的是，通过以上关系式可以将预设时间段之内的当前物流仓储的影响因子数据输入到入库效率预估模型，从而获取到调整后的入库效率预估模型，如在某个时段内需要经历晴天、雨天、雾天，y的个数取值为3，以此类推。通过本方法能够基于调整后的入库效率预估模型以及各货物类型对应的待分配入库的订单信息得到当前物流仓储各货物类型的入库效率。
进一步地，本发明的一个较佳实施例中，根据当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，具体包括以下步骤：
获取当前时刻物流仓储的剩余仓位数据信息，并根据当前时刻物流仓储的剩余仓位数据信息初始化物流仓储的待入库仓位信息；
基于初始化物流仓储的待入库仓位信息以及当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，其中，仓位目标函数组满足：
其中，
为实时仓位数据信息，n为出库货物类型的个数，
为第i个货物类型的出库效率，T为时间，Q为初始化后的物流仓储的待入库仓位信息。
需要说明的是，在货物转运频繁的物流码头中，常常是入库以及出库同时进行的，而出库后的实时仓位数据也是变化的，通过以上关系式能够获取到实时仓位数据（可支配的库存空间）。其中，仓位数据可以理解为库存空间。
进一步地，本发明的一个较佳实施例中，基于当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，具体包括以下步骤：
获取当前时刻的实时仓位数据信息，并根据当前物流仓储各货物类型的入库效率以及当前时刻的实时仓位数据信息构建入库仓位目标函数组，其中，入库仓位目标函数组具体满足以下关系式：
其中，
为实时仓位数据信息，m为入库货物类型的个数，
为待分配货物的第j个货物类型的入库效率，T为时间。
需要说明的是，实时的仓位数据发生变化时，需要对物联网平台中待分配的订单信息进行分配，由于实时的仓位数据是发生变化，当存在一个空间能够补满数据时，需要考虑到总的入库效率，入库效率以及出库效率需要时刻保持平衡，即入库计划不能大于剩余空间，通过以上关系式能够构建出入库仓位目标函数组。
如图3所示，进一步地，本发明的一个较佳实施例中，基于遗传算法剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果，具体包括以下步骤：
S302:在解空间中均匀产生若干个染色体个数，并预设每一个染色体的维度，以生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化；
S304:以物流管理平台中待分配入库的订单信息作为分配基础，基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对初代种群中的每一个染色体个体进行快速非支配排序和拥挤度计算，并对初代种群进行选择、交叉、变异操作，以获得下一代种群；
S306:将初代种群与下一代种群合并，以获得新种群，以所述物流管理平台中待分配入库的订单信息作为分配基础，并基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对新种群中每一个染色体个体进行快速非支配排序和拥挤度的计算；
S308:对新种群选择符合条件的个体来组成新初代种群，确定演化过程的进化代数，若进化代数小于最大进化代数，则进化代数的数量加一，并转至对初代种群进行选择、交叉、变异操作，以获得下一代种群，若进化代数大于最大进化代数，则中止迭代并输出预设之间之内最优的货物入库分配结果。
需要说明的是，染色体的维度选择为12，种群规模为200，最大进化代数为150，通过遗传算法能够以物流管理平台中待分配入库的订单信息作为分配基础进行分配，从而输出预设之间之内最优的货物入库分配结果，使得在繁忙的时段时，物流码头的物流调度计划更加合理，提高了物流码头的资源利用率，进而有利于降低物流码头的运维成本。
此外，本方法还包括以下步骤：
获取当前物流仓库中空闲库存所在的位置信息以及物流码头的卸货位置信息，以所述物流码头的卸货位置信息作为基准，基于当前物流仓库中空闲库存所在的位置信息以及物流码头的卸货位置信息得到距离值；
通过对所述距离值进行从小到大排序，以获取距离值优先级排序表，获取物流管理平台中待分配入库的订单信息，并对所述物流管理平台中待分配入库的订单信息进行出货时间特征提取，以获取待分配入库的订单信息的出货时间；
将所述待分配入库的订单信息的出货时间从大到小进行排序，并将从大到小进行排序后的分配入库的订单信息的出货时间按照距离值优先级排序表的最高优先级位置到最低优先级位置逐一映射到距离值优先级排序表中，以获取待分配入库的订单信息的优先分配表；
基于所述待分配入库的订单信息的优先分配表对当前待分配入库的订单进行有序分配入库，以获取库存空间分配结果。
需要说明的是，通过本方法可以按照出货时间的顺序对库存空间进行分配，即按照当前物流仓库中空闲库存所在的位置信息以及物流码头的卸货位置信息之间的距离值进行分配，如最快出货的货物会分配在当前物流仓库中空闲库存所在的位置信息以及物流码头的卸货位置信息之间的最小距离值对应的库存空间，又如最慢出货的货物会分配在最大距离值对应的库存空间中，通过本方法能够更加合理地分配库存空间中。
另外，本发明还可以包括以下步骤：
获取每一库存空间中对应的货物订单信息，并对所述每一库存空间中对应的货物订单信息进行货物名称特征提取，以获取每一库存空间中对应的货物名称信息；
通过大数据网络对每一库存空间中对应的货物名称信息之间是否存在相互作用的关系进行数据检索；
当检索结果中表明每一库存空间中对应的货物名称信息之间存在相互作用的关系时，获取所述存在相互作用的关系的货物库存位置；
判断所述存在相互作用的关系的货物库存位置是否存在相邻的情况，若所述存在相互作用的关系的货物库存位置存在相邻的情况之时，调整存在相互作用的关系的货物的库存位置，生成调整结果。
需要说明的是，相互作用的含义为货物与货物之间存在化学反应，如某一化学药物与另一化学药物存在氧化还原反应，此类物质不适合存放太近。通过本方法能够有效地提高货物入库时的合理性。
如图4所示，本发明第二方面提供了一种基于大数据的智能管理系统，该系统包括存储器41以及处理器62，该存储器41中包括基于大数据的智能管理方法程序，基于大数据的智能管理方法程序被处理器62执行时，实现如下步骤：
获取当前物流仓储各货物类型的待出库订单信息，根据当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率；
通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对影响因子数据进行分析，以获取每个影响因子数据的权重向量信息；
获取物流管理平台中待分配入库的订单信息，并基于每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率；
根据当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，并基于当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，基于遗传算法剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果。
在本系统的一个较佳实施例中，基于遗传算法剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设之间之内最优的货物入库分配结果，具体包括以下步骤：
在解空间中均匀产生若干个染色体个数，并预设每一个染色体的维度，以生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化；
以所述物流管理平台中待分配入库的订单信息作为分配基础，基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对初代种群中的每一个染色体个体进行快速非支配排序和拥挤度计算，并对初代种群进行选择、交叉、变异操作，以获得下一代种群；
将初代种群与下一代种群合并，以获得新种群，以所述物流管理平台中待分配入库的订单信息作为分配基础，并基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对新种群中每一个染色体个体进行快速非支配排序和拥挤度的计算；
对新种群选择符合条件的个体来组成新初代种群，确定演化过程的进化代数，若进化代数小于最大进化代数，则进化代数的数量加一，并转至对初代种群进行选择、交叉、变异操作，以获得下一代种群，若进化代数大于最大进化代数，则中止迭代并输出预设之间之内最优的货物入库分配结果。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (3)
1.一种基于大数据的智能管理方法，其特征在于，包括以下步骤：
获取当前物流仓储各货物类型的待出库订单信息，根据所述当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率；
通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对所述影响因子数据进行分析，以获取每个影响因子数据的权重向量信息；
获取物流管理平台中待分配入库的订单信息，并基于所述每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率；
根据所述当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，并基于所述当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，基于遗传算法对所述剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设时间之内最优的货物入库分配结果；
其中，获取当前物流仓储各货物类型的待出库订单信息，根据所述当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率，具体包括以下步骤：
根据各货物类型的出库效率设置关键词信息，通过大数据网络根据所述关键词信息进行数据检索，以获取各等级的物流仓储各货物类型的出库效率，根据所述各等级的物流仓储各货物类型的出库效率构建信息数据库；
获取当前物流仓储的仓储等级以及取当前物流仓储各货物类型的待出库订单信息，将所述当前物流仓储的仓储等级输入到信息数据库中进行一次匹配，以获取匹配度大于预设匹配度的物流仓储，并获取匹配度大于预设匹配度的物流仓储对应的各货物类型的出库效率；
获取当前物流仓储各货物类型的待出库订单信息，并根据所述当前物流仓储各货物类型的待出库订单信息进行分类，以获取各货物类型的待出库订单信息；
基于匹配度大于预设匹配度的物流仓储对应的各货物类型的出库效率以及各货物类型的待出库订单信息获取当前物流仓储各货物类型的出库效率；
其中，通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对所述影响因子数据进行分析，以获取每个影响因子数据的权重向量信息，具体包括以下步骤：
通过大数据网络获取影响入库效率的影响因子数据，并确定评价的层次结构体系，将所述的评价的层次结构体系分为目标层、准则层以及方案层；
将入库效率输入到准则层中，并将所述影响入库效率的影响因子数据输入到方案层中，预设若干个影响效果，并将所述影响效果输入到目标层中，生成评价指标体系；
根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量在判断矩阵的最大值，根据所述特征向量以及最大值得到每个影响因子数据的权重向量信息；
其中，获取物流管理平台中待分配入库的订单信息，并基于所述每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率，具体包括以下步骤：
获取物流管理平台中待分配入库的订单信息，并根据货物类型对所述物流管理平台中待分配入库的订单信息进行数据分类，以获取各货物类型对应的待分配入库的订单信息；
基于所述每个影响因子数据的权重向量信息构建入库效率预估模型，并获取当前物流仓储的影响因子数据；
根据所述当前物流仓储的影响因子数据对所述入库效率预估模型进行调整，以获取调整后的入库效率预估模型；
基于所述调整后的入库效率预估模型以及各货物类型对应的待分配入库的订单信息得到当前物流仓储各货物类型的入库效率；
其中，入库效率预估模型具体满足以下关系式：
其中，k 为实时的入库效率；
各货物类型初始时的入库效率；y为影响因子的个数；
为第x 个天气情况的影响权重值，e为自然对数的底数；
为预设时间段之内第x个天气情况所发生的概率值；
其中，根据所述当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，具体包括以下步骤：
获取当前时刻物流仓储的剩余仓位数据信息，并根据所述当前时刻物流仓储的剩余仓位数据信息初始化物流仓储的待入库仓位信息；
基于所述初始化物流仓储的待入库仓位信息以及当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，其中，仓位目标函数组满足：
其中，
为实时仓位数据信息，n为出库货物类型的个数，
为第i个货物类型的出库效率，
为时间，Q为初始化后的物流仓储的待入库仓位信息；
其中，基于所述当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，具体包括以下步骤：
获取当前时刻的实时仓位数据信息，并根据所述当前物流仓储各货物类型的入库效率以及当前时刻的实时仓位数据信息构建入库仓位目标函数组，其中，入库仓位目标函数组具体满足以下关系式：
其中，
为实时仓位数据信息，m为入库货物类型的个数，
为待分配货物的第j个货物类型的入库效率，
为时间；
其中，基于遗传算法对所述剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设时间之内最优的货物入库分配结果，具体包括以下步骤：
在解空间中均匀产生若干个染色体个数，并预设每一个染色体的维度，以生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化；
以所述物流管理平台中待分配入库的订单信息作为分配基础，基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对所述初代种群中的每一个染色体个体进行快速非支配排序和拥挤度计算，并对所述初代种群进行选择、交叉、变异操作，以获得下一代种群；
将所述初代种群与所述下一代种群合并，以获得新种群，以所述物流管理平台中待分配入库的订单信息作为分配基础，并基于所述剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对所述新种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算；
对所述新种群选择符合条件的个体来组成新初代种群，确定演化过程的进化代数，若所述进化代数小于所述最大进化代数，则所述进化代数的数量加一，并转至对所述初代种群进行选择、交叉、变异操作，以获得下一代种群，若所述进化代数大于所述最大进化代数，则中止迭代并输出预设之间之内最优的货物入库分配结果。
2.一种基于大数据的智能管理系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于大数据的智能管理方法程序，所述基于大数据的智能管理方法程序被所述处理器执行时，实现如下步骤：
获取当前物流仓储各货物类型的待出库订单信息，根据所述当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率；
通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对所述影响因子数据进行分析，以获取每个影响因子数据的权重向量信息；
获取物流管理平台中待分配入库的订单信息，并基于所述每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率；
根据所述当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，并基于所述当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，基于遗传算法对所述剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设时间之内最优的货物入库分配结果；
其中，获取当前物流仓储各货物类型的待出库订单信息，根据所述当前物流仓储各货物类型的待出库订单信息进行预估，以获取当前物流仓储各货物类型的出库效率，具体包括以下步骤：
根据各货物类型的出库效率设置关键词信息，通过大数据网络根据所述关键词信息进行数据检索，以获取各等级的物流仓储各货物类型的出库效率，根据所述各等级的物流仓储各货物类型的出库效率构建信息数据库；
获取当前物流仓储的仓储等级以及取当前物流仓储各货物类型的待出库订单信息，将所述当前物流仓储的仓储等级输入到信息数据库中进行一次匹配，以获取匹配度大于预设匹配度的物流仓储，并获取匹配度大于预设匹配度的物流仓储对应的各货物类型的出库效率；
获取当前物流仓储各货物类型的待出库订单信息，并根据所述当前物流仓储各货物类型的待出库订单信息进行分类，以获取各货物类型的待出库订单信息；
基于匹配度大于预设匹配度的物流仓储对应的各货物类型的出库效率以及各货物类型的待出库订单信息获取当前物流仓储各货物类型的出库效率；
其中，通过大数据网络获取影响入库效率的影响因子数据，并通过层次分析法对所述影响因子数据进行分析，以获取每个影响因子数据的权重向量信息，具体包括以下步骤：
通过大数据网络获取影响入库效率的影响因子数据，并确定评价的层次结构体系，将所述的评价的层次结构体系分为目标层、准则层以及方案层；
将入库效率输入到准则层中，并将所述影响入库效率的影响因子数据输入到方案层中，预设若干个影响效果，并将所述影响效果输入到目标层中，生成评价指标体系；
根据所述准则层以及方案层组内的各因素进行相互比较，以预设定量标度进行相对重要性定量化，生成标度值，根据标度值构建判断矩阵；
通过方根法对所述判断矩阵进行归一化计算，得到特征向量，并获取所述特征向量在判断矩阵的最大值，根据所述特征向量以及最大值得到每个影响因子数据的权重向量信息；
其中，获取物流管理平台中待分配入库的订单信息，并基于所述每个影响因子数据的权重向量信息以及待分配入库的订单信息预估当前物流仓储各货物类型的入库效率，具体包括以下步骤：
获取物流管理平台中待分配入库的订单信息，并根据货物类型对所述物流管理平台中待分配入库的订单信息进行数据分类，以获取各货物类型对应的待分配入库的订单信息；
基于所述每个影响因子数据的权重向量信息构建入库效率预估模型，并获取当前物流仓储的影响因子数据；
根据所述当前物流仓储的影响因子数据对所述入库效率预估模型进行调整，以获取调整后的入库效率预估模型；
基于所述调整后的入库效率预估模型以及各货物类型对应的待分配入库的订单信息得到当前物流仓储各货物类型的入库效率；
其中，入库效率预估模型具体满足以下关系式：
其中，k 为实时的入库效率；
各货物类型初始时的入库效率；y为影响因子的个数；
为第x 个天气情况的影响权重值，e为自然对数的底数；
为预设时间段之内第x个天气情况所发生的概率值；
其中，根据所述当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，具体包括以下步骤：
获取当前时刻物流仓储的剩余仓位数据信息，并根据所述当前时刻物流仓储的剩余仓位数据信息初始化物流仓储的待入库仓位信息；
基于所述初始化物流仓储的待入库仓位信息以及当前物流仓储各货物类型的出库效率构建剩余仓位目标函数组，其中，仓位目标函数组满足：
其中，
为实时仓位数据信息，n为出库货物类型的个数，
为第i个货物类型的出库效率，
为时间，Q为初始化后的物流仓储的待入库仓位信息；
其中，基于所述当前物流仓储各货物类型的入库效率构建入库仓位目标函数组，具体包括以下步骤：
获取当前时刻的实时仓位数据信息，并根据所述当前物流仓储各货物类型的入库效率以及当前时刻的实时仓位数据信息构建入库仓位目标函数组，其中，入库仓位目标函数组具体满足以下关系式：
其中，
为实时仓位数据信息，m为入库货物类型的个数，
为待分配货物的第j个货物类型的入库效率，
为时间；
其中，基于遗传算法对所述剩余仓位目标函数组以及入库预估仓位目标函数组进行求解，以获取预设时间之内最优的货物入库分配结果，具体包括以下步骤：
在解空间中均匀产生若干个染色体个数，并预设每一个染色体的维度，以生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化；
以所述物流管理平台中待分配入库的订单信息作为分配基础，基于剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对所述初代种群中的每一个染色体个体进行快速非支配排序和拥挤度计算，并对所述初代种群进行选择、交叉、变异操作，以获得下一代种群；
将所述初代种群与所述下一代种群合并，以获得新种群，以所述物流管理平台中待分配入库的订单信息作为分配基础，并基于所述剩余仓位目标函数组的计算值以及入库预估仓位目标函数组，对所述新种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算；
对所述新种群选择符合条件的个体来组成新初代种群，确定演化过程的进化代数，若所述进化代数小于所述最大进化代数，则所述进化代数的数量加一，并转至对所述初代种群进行选择、交叉、变异操作，以获得下一代种群，若所述进化代数大于所述最大进化代数，则中止迭代并输出预设之间之内最优的货物入库分配结果。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包含基于大数据的智能管理方法程序，所述基于大数据的智能管理方法程序被处理器执行时，实现如权利要求1所述的基于大数据的智能管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310302292.3A CN116051004B (zh) | 2023-03-27 | 2023-03-27 | 一种基于大数据的智能管理方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310302292.3A CN116051004B (zh) | 2023-03-27 | 2023-03-27 | 一种基于大数据的智能管理方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116051004A CN116051004A (zh) | 2023-05-02 |
| CN116051004B true CN116051004B (zh) | 2023-06-13 |
Family
ID=86127595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310302292.3A Active CN116051004B (zh) | 2023-03-27 | 2023-03-27 | 一种基于大数据的智能管理方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116051004B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236854B (zh) * | 2023-11-10 | 2024-02-02 | 山西艾特嘉科技有限公司 | 一种智慧物流仓储系统 |
| CN117391593B (zh) * | 2023-12-13 | 2024-05-03 | 广东精工智能系统有限公司 | 一种基于物联网的智能仓储物品调度管理方法及系统 |
| CN117852819B (zh) * | 2023-12-29 | 2024-07-16 | 广州讯一佳信息科技有限公司 | 一种散货码头智能调度推优的方法及系统 |
| CN117495065B (zh) * | 2024-01-03 | 2024-04-02 | 百工汇智(苏州)智能科技有限公司 | 一种仓储机器人视觉识别的设备智能调度方法 |
| CN118396569B (zh) * | 2024-06-24 | 2024-10-25 | 长春理工大学 | 一种基于当量物流量的顺建物流模式的资源核算方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046468A (zh) * | 2015-07-06 | 2015-11-11 | 苏州华拓信息技术有限公司 | 基于物联网的智能仓储方法 |
| CN114417696A (zh) * | 2021-12-07 | 2022-04-29 | 长春工业大学 | 一种基于遗传算法的自动化立体仓库货位分配优化方法 |
| CN115115256A (zh) * | 2022-07-15 | 2022-09-27 | 南京邮电大学 | 一种医药仓库货位分配方法 |
| CN115689439A (zh) * | 2022-12-21 | 2023-02-03 | 浙江工业大学 | 一种基于遗传算法的仓库物料储位分配与拣选系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122082A (zh) * | 2016-11-29 | 2018-06-05 | 杭州海康机器人技术有限公司 | 一种出库方法及装置 |
| JP7014917B2 (ja) * | 2018-06-01 | 2022-02-01 | 北京極智嘉科技股▲ふん▼有限公司 | Ｇｔｐシステムの管理方法と装置、システム、サーバーならびにコンピュータ記憶媒体 |
| CN109685475A (zh) * | 2018-12-27 | 2019-04-26 | 成都电科智联科技有限公司 | 基于soa与遗传算法的智能仓储管理系统 |
| CN111476413A (zh) * | 2020-04-03 | 2020-07-31 | 上海明略人工智能(集团)有限公司 | 基于大数据的仓库储位分配方法及系统 |
| CN113487259B (zh) * | 2021-07-06 | 2022-02-18 | 深圳市通拓信息技术网络有限公司 | 一种用于电商智能仓储的出库配送方法 |
| CN113962617B (zh) * | 2021-12-22 | 2022-03-08 | 华清科盛(北京)信息技术有限公司 | 一种工厂内部物流调度方法、装置及电子设备、存储介质 |
| CN114936830A (zh) * | 2022-07-27 | 2022-08-23 | 四川金叶生物防治有限公司 | 一种基于物联网技术的仓库管理方法及系统 |
| CN115330312A (zh) * | 2022-08-18 | 2022-11-11 | 山东港口陆海国际物流集团有限公司 | 基于遗传算法的大宗货物仓储库位规划系统及其方法 |
| CN115829469A (zh) * | 2022-12-06 | 2023-03-21 | 江苏杰瑞科技集团有限责任公司 | 一种仓储物流转运方法 |
| CN115577995B (zh) * | 2022-12-09 | 2023-04-07 | 中交第四航务工程勘察设计院有限公司 | 一种基于数字孪生的智慧港口pim平台管理方法及系统 |
-
2023
- 2023-03-27 CN CN202310302292.3A patent/CN116051004B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046468A (zh) * | 2015-07-06 | 2015-11-11 | 苏州华拓信息技术有限公司 | 基于物联网的智能仓储方法 |
| CN114417696A (zh) * | 2021-12-07 | 2022-04-29 | 长春工业大学 | 一种基于遗传算法的自动化立体仓库货位分配优化方法 |
| CN115115256A (zh) * | 2022-07-15 | 2022-09-27 | 南京邮电大学 | 一种医药仓库货位分配方法 |
| CN115689439A (zh) * | 2022-12-21 | 2023-02-03 | 浙江工业大学 | 一种基于遗传算法的仓库物料储位分配与拣选系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116051004A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116051004B (zh) | 一种基于大数据的智能管理方法、系统及介质 | |
| CN109685583B (zh) | 一种基于大数据的供应链需求预测方法 | |
| CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
| Raju et al. | An approach for demand forecasting in steel industries using ensemble learning | |
| Jamrus et al. | Multistage production distribution under uncertain demands with integrated discrete particle swarm optimization and extended priority-based hybrid genetic algorithm | |
| CN115860645B (zh) | 一种基于大数据的物流仓储管理方法及系统 | |
| CN111476677B (zh) | 一种基于大数据的用电类别售电量分析与预测方法及系统 | |
| CN109344990A (zh) | 一种基于dfs和svm特征选择的短期负荷预测方法及系统 | |
| CN113656691A (zh) | 数据预测方法、装置及存储介质 | |
| US20240303577A1 (en) | Optimized Tree Ensemble Based Demand Model | |
| CN113962416A (zh) | 工程机械配件备货预测方法、管理方法及系统 | |
| Yousefi et al. | A decision support framework for sustainable production planning of paper recycling systems | |
| CN112784212A (zh) | 一种优化库存的方法和装置 | |
| CN118071212B (zh) | 基于模型的物流效率指标智能分析及优化方法及系统 | |
| CN114186903A (zh) | 仓库选品方法、装置、计算机设备和存储介质 | |
| CN117521900A (zh) | 基于投资比率和时序算法的电网业扩物资需求预测方法 | |
| CN113822301B (zh) | 分拣中心的分类方法及装置、存储介质、电子设备 | |
| CN114971688A (zh) | 一种基于组合模型的供应链生产预测方法 | |
| CN113077108A (zh) | 一种电力物资配置需求的数据预测系统 | |
| CN114548470A (zh) | 用户投诉量的预测方法、装置、计算机设备和存储介质 | |
| CN113762842A (zh) | 仓库调度方法、服务器和系统 | |
| CN112836839A (zh) | 仓库管理方法和装置以及计算机可读介质 | |
| CN116664052B (zh) | 基于人工智能的全域数字化运营管理方法及系统 | |
| CN117807114B (zh) | 物流信息智慧检索方法、系统、设备及存储介质 | |
| KULKA et al. | CASE STUDY OF PRODUCTION OPTIMIZATION USING THE ENUMERATIVE METHOD. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240326 Address after: 518000 Room 301, building B, floor 3, coastal future incubation center, Longyuan community, Longhua street, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Zhiyang culture media Co.,Ltd. Country or region after: China Address before: 518000 Room 2705, Baofa Building, Shatoujiao Bonded Zone, Yantian District, Shenzhen, Guangdong Province Patentee before: SHENZHEN HONGDA SUPPLY CHAIN SERVICE Co.,Ltd. Country or region before: China |