[发明专利]一种估算仓库拣货能力的方法和电子设备

权利要求书

1.一种估算仓库拣货能力的方法，其特征在于，服务器通过网络接收来自各个仓库的数据，并进行如下步骤：

根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度；所述根据历史数据，确定影响仓库拣货能力的影响因子，包括：确定可能影响仓库拣货能力的可能影响因子；采集所述可能影响因子的历史数据，确定所述可能影响因子是否是实际的所述影响因子；所述可能影响因子包括仓库的人力资源数据；

根据所要估算的仓库对应的影响因子的实际数据，利用所述每个影响因子的影响程度，预测仓库拣货能力；

其中，所述仓库拣货能力是指仓库拣货作业的速度，所述仓库拣货能力是调配仓库的人力资源的依据；

所述仓库的人力资源数据包括仓库拣货工数量和拣货工配比中的至少一种数据；

所述可能影响因子还包括商品摆放位置、商品种类、订单量中的至少一种因子。

2.根据权利要求1所述的估算仓库拣货能力的方法，其特征在于，所述采集所述可能影响因子的历史数据，确定所述可能影响因子是否是实际的所述影响因子，包括：

采集所述可能影响因子的历史数据，并将其带入机器学习模型进行训练，确定所述可能影响因子是否是实际的所述影响因子；

所述根据历史数据，确定影响仓库拣货能力的各个影响因子的影响程度，包括：通过将所述可能影响因子的历史数据带入机器学习模型进行训练，确定影响仓库拣货能力的各个影响因子的影响程度。

3.根据权利要求1所述的估算仓库拣货能力的方法，其特征在于，利用计算影响因子与仓库拣货能力之间的相关系数确定所述可能影响因子是否是实际影响因子以及影响程度。

4.根据权利要求3所述的估算仓库拣货能力的方法，其特征在于，相关系数的计算方法如下：

相关系数等于两个变量之间的协方差与标准差的商，两个变量分别是影响因子和仓库拣货能力。

5.根据权利要求1所述的估算仓库拣货能力的方法，其特征在于，采用GBDT机器学习模型计算各个所述影响因子的影响程度，包括：

将n个关键影响因素设置为n棵回归树，确定所述每棵回归树的叶子节点；

使用历史数据依次对所述n棵回归树进行GBDT迭代学习，直至残差的绝对值小于预定的值；

计算所述回归树的所述叶子节点的预测值与回归树的根节点的预测值的差，即为所述回归树各个叶子节点所对应的类别的所述影响因子的影响程度；

如果所有回归树学习完毕，残差的绝对值仍大于或等于预订的值时，增加新的影响因子和/或调整原有的影响因子的分类标准，重新进行上述步骤，直到残差的绝对值小于预定的值为止。

6.根据权利要求5所述的估算仓库拣货能力的方法，其特征在于，所述估算仓库拣货能力的方法包括：

判断所要估算的仓库的影响因子的实际数据所属的分类，计算所述类别对应的影响因子的影响程度之和；

用第一棵回归树根节点的预测值加上所述影响因子的影响程度之和，得出已知所述关键影响因素下的仓库的拣货能力。

7.根据权利要求1所述的估算仓库拣货能力的方法，其特征在于，所述仓库拣货能力用每个拣货任务的平均耗时表示。

8.根据权利要求1或5所述的估算仓库拣货能力的方法，其特征在于，所述拣货工配比是指熟练拣货工和初级拣货工各自所占的比例。

9.根据权利要求1或5所述的估算仓库拣货能力的方法，其特征在于，所述商品摆放位置包括前场和后场。

10.一种电子设备，其特征在于，包括：

处理器；

以及存储器，用于存储估算仓库拣货能力的程序，该设备通电并通过所述处理器运行该估算仓库拣货能力的程序后，执行下述步骤：

根据历史数据，确定影响仓库拣货能力的影响因子，以及各个影响因子的影响程度；所述根据历史数据，确定影响仓库拣货能力的影响因子，包括：确定可能影响仓库拣货能力的可能影响因子；采集所述可能影响因子的历史数据，确定所述可能影响因子是否是实际的所述影响因子；所述可能影响因子包括仓库的人力资源数据；

根据所要估算的仓库的影响因子的实际数据，利用所述每个影响因子的影响程度，预测仓库拣货能力；

其中，所述仓库拣货能力是指仓库拣货作业的速度，所述仓库拣货能力是调配仓库的人力资源的依据；

所述仓库的人力资源数据包括仓库拣货工数量和拣货工配比中的至少一种数据；

所述可能影响因子还包括商品摆放位置、商品种类、订单量中的至少一种因子。