[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112860917A - 待入库货物数据的处理方法、装置、设备及存储介质 - Google Patents

待入库货物数据的处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112860917A
CN112860917A CN202110255110.2A CN202110255110A CN112860917A CN 112860917 A CN112860917 A CN 112860917A CN 202110255110 A CN202110255110 A CN 202110255110A CN 112860917 A CN112860917 A CN 112860917A
Authority
CN
China
Prior art keywords
goods
information
target
shelf
preset
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.)
Pending
Application number
CN202110255110.2A
Other languages
English (en)
Inventor
江敬辉
徐童
沈乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202110255110.2A priority Critical patent/CN112860917A/zh
Publication of CN112860917A publication Critical patent/CN112860917A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06Q10/083—Shipping
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Warehouses Or Storage Devices (AREA)

Abstract

本发明涉及物流技术领域，提供一种待入库货物数据的处理方法、装置、设备及存储介质，用于基于高出库配载效率的条件下，提高货物放置仓储货架的货物放置策略的匹配准确性。待入库货物数据的处理方法包括：根据待装配时间对待入库货物进行归类处理得到目标分类货物；根据货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息；通过预置的分类模型和货品信息，对目标分类货物进行分类、优先级排序和同等优先级提取得到目标入库货物；通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息。

Description

待入库货物数据的处理方法、装置、设备及存储介质
技术领域
本发明涉及物流技术领域，尤其涉及一种待入库货物数据的处理方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展，物流行业也随之发展，所要配送的货物也越来越多，而对于货物的仓储管理，成为了行业中备受关注的事项之一。目前，对于货物的仓储管理方式，一般都采用通过根据货物的体积数据、以及仓储货架的体积数据和空置状况信息，来匹配对应的货物放置仓储货架的方式。
但是，上述货物的仓储管理方式，由于货物放置仓储货架的匹配因素单一，且对货物放置仓储货架的货物放置策略进行分析的辅助性低，因而导致了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性低。
发明内容
本发明提供一种待入库货物数据的处理方法、装置、设备及存储介质，用于提高基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性。
本发明第一方面提供了一种待入库货物数据的处理方法，包括：
获取待入库货物的货品信息以及待装配信息，所述货品信息包括所述待入库货物的货品属性特征信息，所述待装配信息包括待装配时间和待装配车辆信息；
根据所述待装配时间，对所述待入库货物进行归类处理，得到目标分类货物；
根据所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，所述目标货架信息包括目标货架的位置信息、容积信息和承重信息；
通过预置的分类模型和所述货品信息，对所述目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物；
通过预置的配载模型和所述目标货架信息，基于预置的目标函数和装配策略，生成所述目标入库货物对应的目标货架放置信息，所述目标函数为基于贪心算法构建的函数，所述目标货架放置信息包括所述目标入库货物对应货架的放置组合和放置顺序。
可选的，在本发明第一方面的第一种实现方式中，所述通过预置的分类模型和所述货品信息，对所述目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物，包括：
通过预置的分类模型中的多个分类器，基于所述货品信息，分别计算所述目标分类货物的运输类别概率值，得到各运输类别分别对应的多个分类值；
分别计算所述各运输类别分别对应的多个分类值的均值，得到各运输类别分别对应的目标概率值，并根据所述各运输类别分别对应的目标概率值确定所述目标分类货物的目标运输类别，将确定目标运输类别的目标分类货物确定为待排序货物；
通过预置的优先级决策树，对所述待排序货物进行优先级匹配，得到初始入库货物；
按照同等优先级，对所述初始入库货物进行归类处理，得到目标入库货物。
可选的，在本发明第一方面的第二种实现方式中，所述通过预置的配载模型和所述目标货架信息，基于预置的目标函数和装配策略，生成所述目标入库货物对应的目标货架放置信息，包括：
通过预置的配载模型和所述目标货架信息，计算所述目标货架信息对应的货架载重约束值和货架容积约束值；
基于预置的目标函数、所述目标货架信息、所述货架载重约束值和所述货架容积约束值，对所述目标入库货物的货架放置组合进行预测，得到初始货架放置信息；
通过预置的装配策略，对所述初始货架放置信息进行放置顺序调整，得到候选货架放置信息；
对所述候选货架放置信息进行验证，得到目标货架放置信息。
可选的，在本发明第一方面的第三种实现方式中，所述对所述候选货架放置信息进行验证，得到目标货架放置信息，包括：
通过预置的遗传算法、动态规划算法和和装配策略，对所述货品信息和所述目标货架信息进行货架放置信息的计算和选择，得到对比货架放置信息；
通过预置的相似度算法，计算所述候选货架放置信息与所述对比货架放置信息之间的相似度值；
判断所述相似度值是否大于预设对比值，若所述相似度值大于所述预设对比值，则将所述候选货架放置信息确定为目标货架放置信息。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述待装配时间，对所述待入库货物进行归类处理，得到目标分类货物，包括：
按照所述待装配时间的时序，对所述待入库货物进行排序，得到货物序列；
将所述货物序列中待装配时间相同的货物分类为同一时间集合，得到初始分类货物；
获取所述初始分类货物的货物配装价值信息，将所述货物配装价值信息与预置配装价值信息进行对比分析，得到符合所述预置配装价值信息的目标配装价值信息；
将所述目标配装价值信息对应的初始分类货物确定为目标分类货物。
可选的，在本发明第一方面的第五种实现方式中，所述根据所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，包括：
对所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息依次进行关键词提取和关键词实体对生成，得到实体信息；
通过所述实体信息，对预置的货架知识图谱进行随机游走和信息匹配，得到目标货架信息。
可选的，在本发明第一方面的第六种实现方式中，所述通过预置的配载模型和所述目标货架信息，基于预置的目标函数和装配策略，生成所述目标入库货物对应的目标货架放置信息之后，还包括：
通过预置的模拟系统，基于所述目标货架放置信息，对所述待入库货物进行入库货架放置和出库装载，得到模拟信息，并根据所述模拟信息对所述配载模型进行优化。
本发明第二方面提供了一种待入库货物数据的处理装置，包括：
获取模块，用于获取待入库货物的货品信息以及待装配信息，所述货品信息包括所述待入库货物的货品属性特征信息，所述待装配信息包括待装配时间和待装配车辆信息；
归类模块，用于根据所述待装配时间，对所述待入库货物进行归类处理，得到目标分类货物；
检索模块，用于根据所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，所述目标货架信息包括目标货架的位置信息、容积信息和承重信息；
分类提取模块，用于通过预置的分类模型和所述货品信息，对所述目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物；
生成模块，用于通过预置的配载模型和所述目标货架信息，基于预置的目标函数和装配策略，生成所述目标入库货物对应的目标货架放置信息，所述目标函数为基于贪心算法构建的函数，所述目标货架放置信息包括所述目标入库货物对应货架的放置组合和放置顺序。
可选的，在本发明第二方面的第一种实现方式中，所述分类提取模块具体用于：
通过预置的分类模型中的多个分类器，基于所述货品信息，分别计算所述目标分类货物的运输类别概率值，得到各运输类别分别对应的多个分类值；
分别计算所述各运输类别分别对应的多个分类值的均值，得到各运输类别分别对应的目标概率值，并根据所述各运输类别分别对应的目标概率值确定所述目标分类货物的目标运输类别，将确定目标运输类别的目标分类货物确定为待排序货物；
通过预置的优先级决策树，对所述待排序货物进行优先级匹配，得到初始入库货物；
按照同等优先级，对所述初始入库货物进行归类处理，得到目标入库货物。
可选的，在本发明第二方面的第二种实现方式中，所述生成模块包括：
计算单元，用于通过预置的配载模型和所述目标货架信息，计算所述目标货架信息对应的货架载重约束值和货架容积约束值；
预测单元，用于基于预置的目标函数、所述目标货架信息、所述货架载重约束值和所述货架容积约束值，对所述目标入库货物的货架放置组合进行预测，得到初始货架放置信息；
调整单元，用于通过预置的装配策略，对所述初始货架放置信息进行放置顺序调整，得到候选货架放置信息；
验证单元，用于对所述候选货架放置信息进行验证，得到目标货架放置信息。
可选的，在本发明第二方面的第三种实现方式中，所述验证单元具体用于：
通过预置的遗传算法、动态规划算法和和装配策略，对所述货品信息和所述目标货架信息进行货架放置信息的计算和选择，得到对比货架放置信息；
通过预置的相似度算法，计算所述候选货架放置信息与所述对比货架放置信息之间的相似度值；
判断所述相似度值是否大于预设对比值，若所述相似度值大于所述预设对比值，则将所述候选货架放置信息确定为目标货架放置信息。
可选的，在本发明第二方面的第四种实现方式中，所述归类模块具体用于：
按照所述待装配时间的时序，对所述待入库货物进行排序，得到货物序列；
将所述货物序列中待装配时间相同的货物分类为同一时间集合，得到初始分类货物；
获取所述初始分类货物的货物配装价值信息，将所述货物配装价值信息与预置配装价值信息进行对比分析，得到符合所述预置配装价值信息的目标配装价值信息；
将所述目标配装价值信息对应的初始分类货物确定为目标分类货物。
可选的，在本发明第二方面的第五种实现方式中，所述检索模块具体用于：
对所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息依次进行关键词提取和关键词实体对生成，得到实体信息；
通过所述实体信息，对预置的货架知识图谱进行随机游走和信息匹配，得到目标货架信息。
可选的，在本发明第二方面的第六种实现方式中，所述待入库货物数据的处理装置，还包括：
模拟优化模块，用于通过预置的模拟系统，基于所述目标货架放置信息，对所述待入库货物进行入库货架放置和出库装载，得到模拟信息，并根据所述模拟信息对所述配载模型进行优化。
本发明第三方面提供了一种待入库货物数据的处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述待入库货物数据的处理设备执行上述的待入库货物数据的处理方法。
本发明的第四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中存储有指令，当其在计算机上运行时，使得计算机执行上述的待入库货物数据的处理方法。
本发明提供的技术方案中，获取待入库货物的货品信息以及待装配信息，货品信息包括待入库货物的货品属性特征信息，待装配信息包括待装配时间和待装配车辆信息；根据待装配时间，对待入库货物进行归类处理，得到目标分类货物；根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，目标货架信息包括目标货架的位置信息、容积信息和承重信息；通过预置的分类模型和货品信息，对目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物；通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，目标函数为基于贪心算法构建的函数，目标货架放置信息包括目标入库货物对应货架的放置组合和放置顺序。本发明实施例中，通过对待入库货物进行归类处理，根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，通过归类处理和货架知识图谱检索，提高了目标货架的匹配准确性，通过结合了目标货架信息和装配策略，增强了目标货架的匹配因素的多样性，以及提高了目标货物放置信息的分析准确性，从而提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性。
附图说明
图1为本发明实施例中待入库货物数据的处理方法的一个实施例示意图；
图2为本发明实施例中待入库货物数据的处理方法的另一个实施例示意图；
图3为本发明实施例中待入库货物数据的处理装置的一个实施例示意图；
图4为本发明实施例中待入库货物数据的处理装置的另一个实施例示意图；
图5为本发明实施例中待入库货物数据的处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种待入库货物数据的处理方法、装置、设备及存储介质，提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中待入库货物数据的处理方法的一个实施例包括：
101、获取待入库货物的货品信息以及待装配信息，货品信息包括待入库货物的货品属性特征信息，待装配信息包括待装配时间和待装配车辆信息。
可以理解的是，本发明的执行主体可以为待入库货物数据的处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
其中，货品信息包括待入库货物的货品属性特征信息之外，还可包括待入库货物的物流信息，该物流信息可包括但不限于运输信息、运单地址信息和保价数据(保价数据包括保价金额数据、保价类型和保价重量等)。待装配信息包括待装配时间和待装配车辆信息之外，还可包括待装配顺序，待装配顺序可待装配批次，待装配车辆信息包括待装配车辆的类型、额定容积数据和额定载重量数据等。
服务器可通过读取物流系统中存储的待入库货物的货品信息以及待装配信息，得到待入库货物的货品信息以及待装配信息。需说明的是，服务器获取待入库货物的货品信息以及待装配信息的时间为待入库货物入库前的时间，即服务器实时接收运送待入库货物的车辆的定位信息，并通过定位信息和仓库的位置信息，以及运送待入库货物的车辆的车速，计算车辆的到达时间，调用预置的计时器，当计时器计时到车辆的到达时间的预设时刻时，从预置数据库或物流系统中读取待入库货物的货品信息以及待装配信息，增强了运算操作的有序性，减少了计算量，提高了待入库货物的货品信息以及待装配信息的读取效率。
102、根据待装配时间，对待入库货物进行归类处理，得到目标分类货物。
例如，待入库货物有A1-A12，A2、A3、A4、A8和A9的待装配时间均为3月2日，A7、A10和A11的待装配时间均为3月3日的上午时段，A1和A12的待装配时间均为3月3日的下午时段，将A2、A3、A4、A8、A9归类为3月2日装配货物B1，将A7、A10和A11归类为3月3日上午装配货物B2，将A1和A12归类为3月3日下午装配货物B3，并对B1、B2和B3进行排序，得到分类货物序列集B1、B2和B3，将分类货物序列集B1、B2和B3确定为目标分类货物。
103、根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，目标货架信息包括目标货架的位置信息、容积信息和承重信息。
服务器预先创建了货架知识图谱，该货架知识图谱包括各货物类型对应的区域货架以及区域货架的货架信息，货架信息包括但不限于货架的位置信息、容积信息、承重信息、物品类型、货架号、货架区域信息和运送便捷度等，例如：将仓库的货架进行区域划分，得到区域货架，区域包括能够通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息来进行规划装配放置的可调配区域，以及不能够通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息来进行规划装配放置的不可调配区域(即需另外进行放置和配载的货物，如：化学物品)，各区域的货架(即区域货架)都会标明可放置的物品类型的货物。目标货架信息除了包括目标货架的位置信息、容积信息和承重信息之外，还可包括目标货架的可放置货物的物品类型、货架号、货架区域信息和运送便捷度等，运送便捷度可对应待装配时间，待装配时间早或相对紧急的，匹配运送便捷度高的货架，以提高装载效率。
服务器通过根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行遍历和节点信息匹配，得到符合待装配车辆信息(如：车辆的装载容积)、与待装配时间对应的运送便捷度以及货品属性特征信息符合货架放置条件的目标货架信息。
服务器可通过分别对货品属性特征信息、待装配时间和待装配车辆信息进行结构化查询语言生成，得到货品结构化查询语言、时间结构化查询语言和车辆结构化查询语言，将货品结构化查询语言、时间结构化查询语言和车辆结构化查询语言进行拼接，得到目标结构化查询语言，通过目标结构化查询语言，对预置的货架知识图谱进行查询和信息匹配，从而得到目标货架信息。
104、通过预置的分类模型和货品信息，对目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物。
服务器调用预置的分类模型，该分类模型可由多个网络结构(如：梯度提升决策树网络结构、随机森林回归网络结构和梯度提升树网络结构)按照预设连接方式进行连接的综合框架构成。通过预置的分类模型和货品信息，按照预设的分类类别对目标分类货物进行分类，可得分类后的货物，预设的分类类别可包括装载的货物类型，如：冷冻食品、速冻食品、散装货物和箱装货物等。按照预设的优先级，对分类后的货物进行优先级排序和标记，得到优先级排序后的货物，该优先级包括货物的重量(如：轻重)和/或配送紧急度(如：缓急)。将优先级排序后的货物中相同优先级的货物归类为同一等级货物，从而得到目标入库货物，例如：优先级排序后的货物为E1(非常紧急)、E2(非常紧急)、E3(非常紧急)、E4、(较紧急)、E5(较紧急)、E6(不紧急)、E7(不紧急)和E8(不紧急)，则将E1、E2和E3归类为非常紧急的等级货物F1，即目标入库货物，将E4和E5归类为较紧急的等级货物F2，即目标入库货物，将E6、E7和E8归类为不紧急的等级货物F3，即目标入库货物。
105、通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，目标函数为基于贪心算法构建的函数，目标货架放置信息包括目标入库货物对应货架的放置组合和放置顺序。
服务器预先基于预置的贪心算法和装配策略构建配载模型，并建立配载模型的目标函数。其中，装配策略如：根据运单地址，将先卸货的货物摆放在货架的左侧，后卸货的货物摆放在货架的后侧；货物上下摆放时，根据重不压轻，大不压小的原则，将货物优先级为轻的货物放在货物优先级为重的货物上面，并且保证货物在堆放后的重心平衡。
服务器根据目标货架信息计算目标货架的货架平均密度值，根据货品信息计算目标入库货物的货物平均密度值，并获取目标货架信息对应的货架载重约束值和货架容积约束值，以及待装配信息中待装配车辆信息的额定载重量数据、额定体积数据和货物类型，将货架平均密度值、货物平均密度值、目标货架信息对应的货架载重约束值和货架容积约束值，以及待装配信息中待装配车辆信息的额定载重量数据、额定体积数据和货物类型作为参数因子，通过参数因子和目标函数进行预测，得到对目标入库货物的货架放置组合进行预测，得到初始货架放置信息；通过预置的装配策略，对初始货架放置信息进行放置顺序调整，得到目标货架放置信息，目标货架放置信息包括目标入库货物对应货架的放置组合和放置顺序。
通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，避免了重复多次穷举迭代耗时且结果达不到预期的问题，提高了计算的效率，提高了目标货架放置信息的匹配准确性，进而提高了货物放置仓储货架的货物放置策略的匹配准确性。
本发明实施例中，通过对待入库货物进行归类处理，根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，通过归类处理和货架知识图谱检索，提高了目标货架的匹配准确性，通过结合了目标货架信息和装配策略，增强了目标货架的匹配因素的多样性，以及提高了目标货物放置信息的分析准确性，从而提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性。
请参阅图2，本发明实施例中待入库货物数据的处理方法的另一个实施例包括：
201、获取待入库货物的货品信息以及待装配信息，货品信息包括待入库货物的货品属性特征信息，待装配信息包括待装配时间和待装配车辆信息。
服务器可通过发送读取请求至预置的物流系统，该读取请求可包括仓库信息和读取的信息类型，物流系统接收到该读取请求后，对其读取请求进行解析并进行关键词提取，得到关键词信息，生成关键词信息的键值，通过该键值对预先存储的货物信息散列表进行键值对匹配，得到对应的待入库货物的货品信息，服务器根据待入库货物的货品信息，对预置数据库中存储的装配信息决策树进行遍历，得到对应的待装配信息。
202、根据待装配时间，对待入库货物进行归类处理，得到目标分类货物。
具体地，服务器按照待装配时间的时序，对待入库货物进行排序，得到货物序列；将货物序列中待装配时间相同的货物分类为同一时间集合，得到初始分类货物；获取初始分类货物的货物配装价值信息，将货物配装价值信息与预置配装价值信息进行对比分析，得到符合预置配装价值信息的目标配装价值信息；将目标配装价值信息对应的初始分类货物确定为目标分类货物。
其中，预置配装价值信息包括不限于初始分类货物对应的预设的货物价值数据、用户重要等级数据和货物危险级数等。例如：待入库货物有C1-C12，C2、C3、C4、C8和C9的待装配时间均为3月2日，C7、C10和C11的待装配时间均为3月3日的上午时段，C1和C12的待装配时间均为3月3日的下午时段，按照待装配时间的时序，对C1-C12进行排序，得到货物序列C2、C3、C4、C8、C9、C7、C10、C11、C1和C12，将货物序列C2、C3、C4、C8、C9、C7、C10、C11、C1和C12中的C2、C3、C4、C8、C9归类为初始分类货物1，将货物序列C2、C3、C4、C8、C9、C7、C10、C11、C1和C12中的C7、C10和C11归类为初始分类货物2，将货物序列C2、C3、C4、C8、C9、C7、C10、C11、C1和C12中的C1和C12归类为初始分类货物3，获取初始分类货物1中各货物的物品危险级数(即货物配装价值信息)，将物品危险级数符合预设的货物危险级数(以预置配装价值信息为货物危险级数为例)的货物，从初始分类货物1筛选出来，得到目标分类货物1，并按照预设的处理策略对筛选出来的货物进行处理，同理可得初始分类货物2和初始分类货物3分别对应的目标分类货物2和目标分类货物3。
203、根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，目标货架信息包括目标货架的位置信息、容积信息和承重信息。
具体地，服务器对目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息依次进行关键词提取和关键词实体对生成，得到实体信息；通过实体信息，对预置的货架知识图谱进行随机游走和信息匹配，得到目标货架信息。
服务器分别对目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息依次进行关键词提取和关键词实体对生成，得到实体信息后，服务器调用预置的随机游走算法，对对预置的货架知识图谱进行随机游走，得到多个初始序列，计算实体信息分别与多个初始序列之间的相似度，得到多个序列相似度，判断各序列相似度是否大于预设阈值，若是，则将该初始序列确定为候选序列，若否，则停止对该序列的执行；获取候选序列的数量，判断数量是否大于1，若是，则按照序列相似度的值从大到小的顺序，对候选序列进行排序，将排序第一的候选序列确定为目标序列，若否，则将该候选序列确定为目标序列，将目标序列对应的货架信息确定为目标货架信息。
204、通过预置的分类模型和货品信息，对目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物。
具体地，服务器通过预置的分类模型中的多个分类器，基于货品信息，分别计算目标分类货物的运输类别概率值，得到各运输类别分别对应的多个分类值；分别计算各运输类别分别对应的多个分类值的均值，得到各运输类别分别对应的目标概率值，并根据各运输类别分别对应的目标概率值确定目标分类货物的目标运输类别，将确定目标运输类别的目标分类货物确定为待排序货物；通过预置的优先级决策树，对待排序货物进行优先级匹配，得到初始入库货物；按照同等优先级，对初始入库货物进行归类处理，得到目标入库货物。
例如，服务器通过预置的分类模型中的多个分类器，基于货品信息，分别计算目标分类货物G的运输类别概率值，得到运输类别1对应的多个分类值分别为G1、G2、G3、G4、G5和G6，运输类别2对应的多个分类值分别为H1、H2、H3、H4、H5和H6，运输类别3对应的多个分类值分别为I1、I2、I3、I4、I5和I6，计算(G1+G2+G3+G4+G5+G6)/6＝L1，得到运输类别1对应的目标概率值L1，计算(H1+H2+H3+H4+H5+H6)/6＝L2，得到运输类别2对应的目标概率值L2，计算(I1+I2+I3+I4+I5+I6)/6＝L3，得到运输类别3对应的目标概率值L3，按照值从大到小的顺序对目标概率值L1、目标概率值L2和目标概率值L3进行排序，得到排序第一的目标概率值L3，判断目标概率值L3是否大于预置的目标值，若是，则将目标概率值L3对应的运输类型确定为目标分类货物的目标运输类别，若否，则继续进行分类模型的分类，直到得到目标分类货物的目标运输类别，将确定目标运输类别的目标分类货物确定为待排序货物；通过预置的优先级决策树，对待排序货物进行优先级匹配，得到初始入库货物；按照同等优先级，对初始入库货物进行归类处理，将优先级排序后的货物中相同优先级的货物归类为同一等级货物，从而得到目标入库货物。
205、通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，目标函数为基于贪心算法构建的函数，目标货架放置信息包括目标入库货物对应货架的放置组合和放置顺序。
具体地，服务器通过预置的配载模型和目标货架信息，计算目标货架信息对应的货架载重约束值和货架容积约束值；基于预置的目标函数、目标货架信息、货架载重约束值和货架容积约束值，对目标入库货物的货架放置组合进行预测，得到初始货架放置信息；通过预置的装配策略，对初始货架放置信息进行放置顺序调整，得到候选货架放置信息；对候选货架放置信息进行验证，得到目标货架放置信息。
其中，目标货架信息包括各目标货架的额定载重量数据和额定容积数据。每个目标货架包括多个间隔格子，目标货架信息对应的货架载重约束值和货架容积约束值包括每个目标货架每个间隔格子对应的货架载重约束值和货架容积约束值；目标入库货物的货架放置组合包括每个目标货架每个间隔格子对应目标入库货物的货架放置组合。
服务器获取同一目标货架上目标入库货物的货物类型，并调用预置的配载模型和目标货架信息，通过
Figure BDA0002967886690000141
计算目标货架信息对应的货架载重约束值，并通过
Figure BDA0002967886690000142
计算目标货架信息对应的货架容积约束值，基于目标货架信息中各目标货架的货架总质量数据和货架总容积数据，以及货架载重约束值和货架容积约束值分别对应的因子，通过
Figure BDA0002967886690000143
计算各目标货架的货架平均密度值，基于货品信息中各目标货架的货物总质量数据和货物总容积数据，以及货架载重约束值和货架容积约束值分别对应的因子，通过
Figure BDA0002967886690000144
计算各目标货架的目标入库货物的货物平均密度值，其中，N表示同一目标货架上目标入库货物的货物类型，j表示第j个目标入库货物，k表示第k个目标货架，Wkj表示装载到第k个目标货架上的第j个目标入库货物的货架总质量数据，Wk表示第k个目标货架上的额定载重量数据，Vkj表示装载到第k个目标货架上的第j个目标入库货物的体积数据，Vk表示第k个目标货架的额定容积数据；
基于预置的目标函数
Figure BDA0002967886690000145
目标货架信息、货架载重约束值和货架容积约束值，对目标入库货物的货架放置组合进行预测，得到各目标货架的第一货架放置信息，其中，目标函数
Figure BDA0002967886690000146
中的K表示目标货架的总数量，M1表示k个目标货架的货架平均密度值，M2表示k个目标货架的目标入库货物的货物平均密度值；
服务器通过预置的配载模型和目标货架信息，计算目标货架信息每个目标货架每个间隔格子对应的货架载重约束值和货架容积约束值；基于预置的目标函数、目标货架信息、每个目标货架每个间隔格子对应货架载重约束值和货架容积约束值，对每个目标货架每个间隔格子对应目标入库货物的货架放置组合进行预测，得到各目标货架的第二货架放置信息，具体操作如下：服务器获取同一目标货架上目标入库货物的货物类型，并调用预置的配载模型和目标货架信息，通过
Figure BDA0002967886690000147
计算每个目标货架每个间隔格子对应的货架载重约束值，并通过
Figure BDA0002967886690000151
计算每个目标货架每个间隔格子对应的货架容积约束值，基于目标货架信息中每个目标货架每个间隔格子对应的货架总质量数据和货架总容积数据，以及每个目标货架每个间隔格子对应的货架载重约束值和货架容积约束值分别对应的因子，通过
Figure BDA0002967886690000152
计算各目标货架每个间隔格子对应的货架平均密度值，基于货品信息中各目标货架每个间隔格子对应的货物总质量数据和货物总容积数据，以及各目标货架每个间隔格子对应的货架载重约束值和货架容积约束值分别对应的因子，通过
Figure BDA0002967886690000153
计算各目标货架每个间隔格子对应的目标入库货物的货物平均密度值，其中，n表示同一目标货架同一个间隔格子上目标入库货物的货物类型，J表示同一个间隔格子第J个目标入库货物，p表示同一目标货架的第p个间隔格子，wpJ表示装载到第p个间隔格子上的第J个目标入库货物的货架总质量数据，wp表示第p个间隔格子上的额定载重量数据，vpJ表示装载到第p个目标货架上的第J个目标入库货物的体积数据，vp表示第p个间隔格子的额定容积数据；
基于预置的目标函数
Figure BDA0002967886690000154
目标货架信息、各目标货架每个间隔格子对应的货架载重约束值和货架容积约束值，对各目标货架每个间隔格子对应的目标入库货物的货架放置组合进行预测，得到各目标货架的第二货架放置信息，其中，目标函数
Figure BDA0002967886690000155
中的P表示同一目标货架间隔格子的总数量，m1表示同一目标货架第p个间隔格子的货架平均密度值，m2表示同一目标货架第p个间隔格子的目标入库货物的货物平均密度值；
将各目标货架的第一货架放置信息和各目标货架的第二货架放置信息确定为初始货架放置信息；通过预置的装配策略(如：根据运单地址，将先卸货的货物摆放在货架的左侧，后卸货的货物摆放在货架的后侧；货物上下摆放时，根据重不压轻，大不压小的原则，将货物优先级为轻的货物放在货物优先级为重的货物上面，并且保证货物在堆放后的重心平衡)，对初始货架放置信息进行放置顺序调整，得到候选货架放置信息；通过预置算法，对候选货架放置信息进行验证，得到目标货架放置信息。
具体地，服务器通过预置的遗传算法、动态规划算法和和装配策略，对货品信息和目标货架信息进行货架放置信息的计算和选择，得到对比货架放置信息；通过预置的相似度算法，计算候选货架放置信息与对比货架放置信息之间的相似度值；判断相似度值是否大于预设对比值，若相似度值大于预设对比值，则将候选货架放置信息确定为目标货架放置信息。
服务器可通过预置的遗传算法，对货品信息和目标货架信息进行货架放置信息的遗传种群个体迭代生成和选择，得到初始遗传选择货架放置信息，并通过预置的装配策略，对初始遗传选择货架放置信息进行调整，得到目标遗传选择货架放置信息；通过预置的动态规划算法，对货品信息和目标货架信息进行货架放置信息的最优解的结构特征求解，得到初始规划货架放置信息，并通过预置的装配策略，对初始规划货架放置信息进行调整，得到目标规划货架放置信息；将目标遗传选择货架放置信息和目标规划货架放置信息进行合并，得到对比货架放置信息。
服务器也可通过将预置的遗传算法、动态规划算法进行融合，得到融合算法，通过融合算法计算得到融合货架放置信息，并通过预置的装配策略，对融合货架放置信息进行调整，得到对比货架放置信息，其中，该融合可为将遗传算法的输出作为动态规划算法的输入，或将动态规划算法的输出作为遗传算法的输入，或通过遗传算法(或动态规划算法)计算上述的各目标货架的第一货架放置信息，通过动态规划算法(或遗传算法)计算上述的各目标货架的第二货架放置信息。
服务器通过预置的相似度算法(如：余弦相似度函数)，计算候选货架放置信息与对比货架放置信息之间的相似度值；判断相似度值是否大于预设对比值，若是，则将候选货架放置信息确定为目标货架放置信息，若否，则重新计算候选货架放置信息，直至得到目标货架放置信息。
206、通过预置的模拟系统，基于目标货架放置信息，对待入库货物进行入库货架放置和出库装载，得到模拟信息，并根据模拟信息对配载模型进行优化。
服务器调用预置的模拟系统(该模拟系统用于基于目标货架放置信息，对目标入库货物的入库、出库和装载的进行模拟操作)，基于目标货架放置信息，对待入库货物进行入库货架放置和出库装载，并计算其入库货架放置的放置时间和出库装载的装载时间，并获取入库货架放置后的模拟货架放置图像，以及出库装载后的模拟车厢图像，调用预置的图像处理模型，对模拟货架放置图像进行空置区域分割、特征提取和卷积处理，得到货架空置信息，调用预置的图像处理模型，对模拟车厢图像进行空置区域分割、特征提取和卷积处理，得到车厢空置信息，将放置时间、装载时间、货架空置信息和车厢空置信息确定为模拟信息，通过模拟信息和预置的优化算法，对配载模型的模型参数和网络结构进行优化。
通过根据模拟信息对配载模型进行优化，提高了配载模型的准确度，从而提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性。
本发明实施例中，不仅提高了目标货架的匹配准确性，增强了目标货架的匹配因素的多样性，以及提高了目标货物放置信息的分析准确性，从而提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性，还通过根据模拟信息对配载模型进行优化，提高了配载模型的准确度，从而提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性。
上面对本发明实施例中待入库货物数据的处理方法进行了描述，下面对本发明实施例中待入库货物数据的处理装置进行描述，请参阅图3，本发明实施例中待入库货物数据的处理装置一个实施例包括：
获取模块301，用于获取待入库货物的货品信息以及待装配信息，货品信息包括待入库货物的货品属性特征信息，待装配信息包括待装配时间和待装配车辆信息；
归类模块302，用于根据待装配时间，对待入库货物进行归类处理，得到目标分类货物；
检索模块303，用于根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，目标货架信息包括目标货架的位置信息、容积信息和承重信息；
分类提取模块304，用于通过预置的分类模型和货品信息，对目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物；
生成模块305，用于通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，目标函数为基于贪心算法构建的函数，目标货架放置信息包括目标入库货物对应货架的放置组合和放置顺序。
上述待入库货物数据的处理装置中各个模块的功能实现与上述待入库货物数据的处理方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，通过对待入库货物进行归类处理，根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，通过归类处理和货架知识图谱检索，提高了目标货架的匹配准确性，通过结合了目标货架信息和装配策略，增强了目标货架的匹配因素的多样性，以及提高了目标货物放置信息的分析准确性，从而提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性。
请参阅图4，本发明实施例中待入库货物数据的处理装置的另一个实施例包括：
获取模块301，用于获取待入库货物的货品信息以及待装配信息，货品信息包括待入库货物的货品属性特征信息，待装配信息包括待装配时间和待装配车辆信息；
归类模块302，用于根据待装配时间，对待入库货物进行归类处理，得到目标分类货物；
检索模块303，用于根据目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，目标货架信息包括目标货架的位置信息、容积信息和承重信息；
分类提取模块304，用于通过预置的分类模型和货品信息，对目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物；
生成模块305，用于通过预置的配载模型和目标货架信息，基于预置的目标函数和装配策略，生成目标入库货物对应的目标货架放置信息，目标函数为基于贪心算法构建的函数，目标货架放置信息包括目标入库货物对应货架的放置组合和放置顺序；
模拟优化模块306，用于通过预置的模拟系统，基于目标货架放置信息，对待入库货物进行入库货架放置和出库装载，得到模拟信息，并根据模拟信息对配载模型进行优化。
可选的，分类提取模块304还可以具体用于：
通过预置的分类模型中的多个分类器，基于货品信息，分别计算目标分类货物的运输类别概率值，得到各运输类别分别对应的多个分类值；
分别计算各运输类别分别对应的多个分类值的均值，得到各运输类别分别对应的目标概率值，并根据各运输类别分别对应的目标概率值确定目标分类货物的目标运输类别，将确定目标运输类别的目标分类货物确定为待排序货物；
通过预置的优先级决策树，对待排序货物进行优先级匹配，得到初始入库货物；
按照同等优先级，对初始入库货物进行归类处理，得到目标入库货物。
可选的，生成模块305包括：
计算单元3051，用于通过预置的配载模型和目标货架信息，计算目标货架信息对应的货架载重约束值和货架容积约束值；
预测单元3052，用于基于预置的目标函数、目标货架信息、货架载重约束值和货架容积约束值，对目标入库货物的货架放置组合进行预测，得到初始货架放置信息；
调整单元3053，用于通过预置的装配策略，对初始货架放置信息进行放置顺序调整，得到候选货架放置信息；
验证单元3054，用于对候选货架放置信息进行验证，得到目标货架放置信息。
可选的，验证单元3054还可以具体用于：
通过预置的遗传算法、动态规划算法和和装配策略，对货品信息和目标货架信息进行货架放置信息的计算和选择，得到对比货架放置信息；
通过预置的相似度算法，计算候选货架放置信息与对比货架放置信息之间的相似度值；
判断相似度值是否大于预设对比值，若相似度值大于预设对比值，则将候选货架放置信息确定为目标货架放置信息。
可选的，归类模块302还可以具体用于：
按照待装配时间的时序，对待入库货物进行排序，得到货物序列；
将货物序列中待装配时间相同的货物分类为同一时间集合，得到初始分类货物；
获取初始分类货物的货物配装价值信息，将货物配装价值信息与预置配装价值信息进行对比分析，得到符合预置配装价值信息的目标配装价值信息；
将目标配装价值信息对应的初始分类货物确定为目标分类货物。
可选的，检索模块303还可以具体用于：
对目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息依次进行关键词提取和关键词实体对生成，得到实体信息；
通过实体信息，对预置的货架知识图谱进行随机游走和信息匹配，得到目标货架信息。
上述待入库货物数据的处理装置中各模块和各单元的功能实现与上述待入库货物数据的处理方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，不仅提高了目标货架的匹配准确性，增强了目标货架的匹配因素的多样性，以及提高了目标货物放置信息的分析准确性，从而提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性，还通过根据模拟信息对配载模型进行优化，提高了配载模型的准确度，从而提高了基于高出库配载效率的条件下，货物放置仓储货架的货物放置策略的匹配准确性。
上面图3和图4从模块化功能实体的角度对本发明实施例中的待入库货物数据的处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中待入库货物数据的处理设备进行详细描述。
图5是本发明实施例提供的一种待入库货物数据的处理设备的结构示意图，该待入库货物数据的处理设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对待入库货物数据的处理设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在待入库货物数据的处理设备500上执行存储介质530中的一系列指令操作。
待入库货物数据的处理设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的待入库货物数据的处理设备结构并不构成对待入库货物数据的处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行待入库货物数据的处理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种待入库货物数据的处理方法，其特征在于，所述待入库货物数据的处理方法包括：
获取待入库货物的货品信息以及待装配信息，所述货品信息包括所述待入库货物的货品属性特征信息，所述待装配信息包括待装配时间和待装配车辆信息；
根据所述待装配时间，对所述待入库货物进行归类处理，得到目标分类货物；
根据所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，所述目标货架信息包括目标货架的位置信息、容积信息和承重信息；
通过预置的分类模型和所述货品信息，对所述目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物；
通过预置的配载模型和所述目标货架信息，基于预置的目标函数和装配策略，生成所述目标入库货物对应的目标货架放置信息，所述目标函数为基于贪心算法构建的函数，所述目标货架放置信息包括所述目标入库货物对应货架的放置组合和放置顺序。
2.根据权利要求1所述的待入库货物数据的处理方法，其特征在于，所述通过预置的分类模型和所述货品信息，对所述目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物，包括：
通过预置的分类模型中的多个分类器，基于所述货品信息，分别计算所述目标分类货物的运输类别概率值，得到各运输类别分别对应的多个分类值；
分别计算所述各运输类别分别对应的多个分类值的均值，得到各运输类别分别对应的目标概率值，并根据所述各运输类别分别对应的目标概率值确定所述目标分类货物的目标运输类别，将确定目标运输类别的目标分类货物确定为待排序货物；
通过预置的优先级决策树，对所述待排序货物进行优先级匹配，得到初始入库货物；
按照同等优先级，对所述初始入库货物进行归类处理，得到目标入库货物。
3.根据权利要求1所述的待入库货物数据的处理方法，其特征在于，所述通过预置的配载模型和所述目标货架信息，基于预置的目标函数和装配策略，生成所述目标入库货物对应的目标货架放置信息，包括：
通过预置的配载模型和所述目标货架信息，计算所述目标货架信息对应的货架载重约束值和货架容积约束值；
基于预置的目标函数、所述目标货架信息、所述货架载重约束值和所述货架容积约束值，对所述目标入库货物的货架放置组合进行预测，得到初始货架放置信息；
通过预置的装配策略，对所述初始货架放置信息进行放置顺序调整，得到候选货架放置信息；
对所述候选货架放置信息进行验证，得到目标货架放置信息。
4.根据权利要求3所述的待入库货物数据的处理方法，其特征在于，所述对所述候选货架放置信息进行验证，得到目标货架放置信息，包括：
通过预置的遗传算法、动态规划算法和和装配策略，对所述货品信息和所述目标货架信息进行货架放置信息的计算和选择，得到对比货架放置信息；
通过预置的相似度算法，计算所述候选货架放置信息与所述对比货架放置信息之间的相似度值；
判断所述相似度值是否大于预设对比值，若所述相似度值大于所述预设对比值，则将所述候选货架放置信息确定为目标货架放置信息。
5.根据权利要求1所述的待入库货物数据的处理方法，其特征在于，所述根据所述待装配时间，对所述待入库货物进行归类处理，得到目标分类货物，包括：
按照所述待装配时间的时序，对所述待入库货物进行排序，得到货物序列；
将所述货物序列中待装配时间相同的货物分类为同一时间集合，得到初始分类货物；
获取所述初始分类货物的货物配装价值信息，将所述货物配装价值信息与预置配装价值信息进行对比分析，得到符合所述预置配装价值信息的目标配装价值信息；
将所述目标配装价值信息对应的初始分类货物确定为目标分类货物。
6.根据权利要求1所述的待入库货物数据的处理方法，其特征在于，所述根据所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，包括：
对所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息依次进行关键词提取和关键词实体对生成，得到实体信息；
通过所述实体信息，对预置的货架知识图谱进行随机游走和信息匹配，得到目标货架信息。
7.根据权利要求1-6中任一项所述的待入库货物数据的处理方法，其特征在于，所述通过预置的配载模型和所述目标货架信息，基于预置的目标函数和装配策略，生成所述目标入库货物对应的目标货架放置信息之后，还包括：
通过预置的模拟系统，基于所述目标货架放置信息，对所述待入库货物进行入库货架放置和出库装载，得到模拟信息，并根据所述模拟信息对所述配载模型进行优化。
8.一种待入库货物数据的处理装置，其特征在于，所述待入库货物数据的处理装置包括：
获取模块，用于获取待入库货物的货品信息以及待装配信息，所述货品信息包括所述待入库货物的货品属性特征信息，所述待装配信息包括待装配时间和待装配车辆信息；
归类模块，用于根据所述待装配时间，对所述待入库货物进行归类处理，得到目标分类货物；
检索模块，用于根据所述目标分类货物对应的货品属性特征信息、待装配时间和待装配车辆信息，对预置的货架知识图谱进行检索，得到目标货架信息，所述目标货架信息包括目标货架的位置信息、容积信息和承重信息；
分类提取模块，用于通过预置的分类模型和所述货品信息，对所述目标分类货物进行分类、优先级排序和同等优先级提取，得到目标入库货物；
生成模块，用于通过预置的配载模型和所述目标货架信息，基于预置的目标函数和装配策略，生成所述目标入库货物对应的目标货架放置信息，所述目标函数为基于贪心算法构建的函数，所述目标货架放置信息包括所述目标入库货物对应货架的放置组合和放置顺序。
9.一种待入库货物数据的处理设备，其特征在于，所述待入库货物数据的处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述待入库货物数据的处理设备执行如权利要求1-7中任意一项所述的待入库货物数据的处理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述待入库货物数据的处理方法。
CN202110255110.2A 2021-03-09 2021-03-09 待入库货物数据的处理方法、装置、设备及存储介质 Pending CN112860917A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110255110.2A CN112860917A (zh) 2021-03-09 2021-03-09 待入库货物数据的处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110255110.2A CN112860917A (zh) 2021-03-09 2021-03-09 待入库货物数据的处理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112860917A true CN112860917A (zh) 2021-05-28

Family

ID=75994874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110255110.2A Pending CN112860917A (zh) 2021-03-09 2021-03-09 待入库货物数据的处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112860917A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506056A (zh) * 2021-06-23 2021-10-15 广州佳帆计算机有限公司 穿梭车路径规划方法及装置
CN113592282A (zh) * 2021-07-26 2021-11-02 北京沃东天骏信息技术有限公司 一种物品分配方法和装置
CN113688965A (zh) * 2021-08-11 2021-11-23 深圳市佳康捷科技有限公司 一种自动仓储扫码检测的方法和货物管理系统
CN113895846A (zh) * 2021-10-29 2022-01-07 广东利元亨智能装备股份有限公司 仓储策略管理方法、装置、电子设备及存储介质
CN114493408A (zh) * 2021-12-21 2022-05-13 重庆特斯联智慧科技股份有限公司 一种基于知识图谱的货物优化装载方法和装置
CN114648267A (zh) * 2022-02-15 2022-06-21 无锡星际智慧物流有限公司 一种自动化立体仓库调度路径的优化方法及系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506056A (zh) * 2021-06-23 2021-10-15 广州佳帆计算机有限公司 穿梭车路径规划方法及装置
CN113592282A (zh) * 2021-07-26 2021-11-02 北京沃东天骏信息技术有限公司 一种物品分配方法和装置
CN113688965A (zh) * 2021-08-11 2021-11-23 深圳市佳康捷科技有限公司 一种自动仓储扫码检测的方法和货物管理系统
CN113688965B (zh) * 2021-08-11 2023-10-20 深圳市佳康捷科技有限公司 一种自动仓储扫码检测的方法和货物管理系统
CN113895846A (zh) * 2021-10-29 2022-01-07 广东利元亨智能装备股份有限公司 仓储策略管理方法、装置、电子设备及存储介质
CN113895846B (zh) * 2021-10-29 2022-11-18 广东利元亨智能装备股份有限公司 仓储策略管理方法、装置、电子设备及存储介质
CN114493408A (zh) * 2021-12-21 2022-05-13 重庆特斯联智慧科技股份有限公司 一种基于知识图谱的货物优化装载方法和装置
CN114493408B (zh) * 2021-12-21 2024-04-09 重庆特斯联智慧科技股份有限公司 一种基于知识图谱的货物优化装载方法和装置
CN114648267A (zh) * 2022-02-15 2022-06-21 无锡星际智慧物流有限公司 一种自动化立体仓库调度路径的优化方法及系统
CN114648267B (zh) * 2022-02-15 2023-04-18 无锡星智数服科技有限公司 一种自动化立体仓库调度路径的优化方法及系统

Similar Documents

Publication Publication Date Title
CN112860917A (zh) 待入库货物数据的处理方法、装置、设备及存储介质
US20090024607A1 (en) Query selection for effectively learning ranking functions
CN112036667A (zh) 仓库货位优化方法、设备、存储介质及装置
CN104281664B (zh) 分布式图计算系统数据切分方法和系统
CN111143685B (zh) 一种商品推荐方法及装置
CN112884409A (zh) 配送路线推荐方法、装置、设备及存储介质
US20170109631A1 (en) System and method of multi-objective optimization for transportation arrangement
CN114819791B (zh) 一种基于物联网的货物运输管理方法及系统
Hajiaghaei-Keshteli et al. Addressing the freight consolidation and containerization problem by recent and hybridized meta-heuristic algorithms
CN112396428B (zh) 一种基于用户画像数据的客群分类管理方法及装置
US20150088789A1 (en) Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium
CN113139570A (zh) 一种基于最优混合估值的大坝安全监测数据补全方法
CN107193940A (zh) 大数据优化分析方法
CN107066328A (zh) 大规模数据处理平台的构建方法
US8667008B2 (en) Search request control apparatus and search request control method
US20060293945A1 (en) Method and device for building and using table of reduced profiles of paragons and corresponding computer program
Kazemi et al. A math-heuristic algorithm for concurrent assignment and sequence scheduling in multi-shuttle shared location automated storage and retrieval systems
CN113780913B (zh) 一种安全库存信息的生成方法和装置
CN116485161B (zh) 一种仓储空间需求确定方法及装置
CN115936736B (zh) 再生资源循环利用溯源存证系统及方法
Fan et al. Approximation algorithms for a new truck loading problem in urban freight transportation
CN108596390B (zh) 一种解决车辆路径问题的方法
Oxenstierna et al. Analysis of Computational Efficiency in Iterative Order Batching Optimization.
CN113570176B (zh) 货物装箱方案输出方法、装置、计算机设备和存储介质
CN112163790B (zh) 机场地面资源调度方法、电子设备、计算机可读存储介质

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