[发明专利]一种基于机器学习的化工仓储调度优化方法、介质及设备

权利要求书

1.一种基于机器学习的化工仓储调度优化方法，其特征在于，包括：

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；

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。

2.根据权利要求1所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述历史数据集包括训练集与验证集；

所述建立预设模型包括：

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；

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；

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；

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。

3.根据权利要求2所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述训练集与验证集的比例为8：2。

4.根据权利要求1所述的基于机器学习的化工仓储调度优化方法，其特征在于，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。

5.根据权利要求1所述的基于机器学习的化工仓储调度优化方法，其特征在于，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。

6.根据权利要求1所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述数学建模包括：

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。

7.根据权利要求6所述的基于机器学习的化工仓储调度优化方法，其特征在于，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；

所述资源约束条件、辅助决策信息包括：人、车、机、货、场；

所述数理模型为多标签决策树。

8.根据权利要求1-7任意一项所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述机器学习采用逻辑回归算法或支持向量机。

9.一种介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的基于机器学习的化工仓储调度优化方法。

10.一种设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器在执行所述存储器上的计算机程序时实现权利要求1-8任一项所述的基于机器学习的化工仓储调度优化方法。