一种用于物品拣选时长预测的方法和装置与流程

本发明涉及物流仓储领域，尤其涉及一种用于物品拣选时长预测的方法和装置。

背景技术：

拣选作业是仓储作业的重要组成部分，其中，拣选作业的时效将直接影响出库、入库作业的时效。所以在物流的仿真中，需要根据商品的相关信息预测出拣选时长，即需要知道商品在拣选过程中，从拣选人员看到屏幕拣选命令器起，到拣选人员拣选完同种商品的最后一件后扫描货格的时间段。

对于物流仿真，首先需要确定出每种商品的拣选时长，然后将该拣选时长和对应的商品输入物流仿真系统。在现有技术中，是通过人工根据自身的经验确定商品的拣选时长，或者搜集商品历史拣选数据，通过该历史拣选数据确定出商品的拣选时长。由于在物流仿真中，其需要的数据比较多，如果人工一一确定出每种商品在各种情况下的拣选时长，不仅工作量非常大，而且准确率低、出错率高等。

以及，对于商品的拣选时长，其可提取的特征数据较少，所以在构建预测模型时很可能会因特征不足而造成欠拟合问题，即所拥有的信息量难以构建出合适的模型。并且，现有的模型大都需要事先假定模型形式，但商品拣选时长与特征数据之间的函数关系非常复杂，导致模型形式难以假定准确。

技术实现要素：

有鉴于此，本发明实施例提供一种用于物品拣选时长预测的方法和装置，克服了影响对象拣选时长的特征信息严重不足的问题，确定出拣选时长预测模型，不仅提高了预测的准确率、降低出错率，并且减少了物流仿真中的工作量。

为实现上述目的，根据本发明实施例的一个方面，提供了一种用于物品拣选时长预测的方法。

本发明实施例的用于物品拣选时长预测的方法包括：

获取样本对象的特征数据和历史拣选时长；

基于预设的核函数和所述样本对象的特征数据，确定核矩阵；

根据所述样本对象的历史拣选时长和所述核矩阵，确定拣选时长预测模型。

可选地，基于预设的核函数和所述样本对象的特征数据，确定核矩阵的步骤包括：

基于预设的核函数，将所述样本对象的特征数据映射到无穷维度；所述预设的核函数为高斯核函数；

根据所述映射的结果，确定出核矩阵。

可选地，基于预设的核函数，将所述样本对象的特征数据映射到无穷维度的步骤包括：

通过十折交叉验证确定出预设的核函数的调控参数；

根据所述调控参数和预设的核函数，将所述样本对象的特征数据映射到无穷维度。

可选地，在根据所述样本对象的历史拣选时长和所述核矩阵，确定拣选时长预测模型的步骤包括：

通过以下公式确定模型参数α：

其中，k为核矩阵，为样本对象的历史拣选时长；

基于所述模型参数α，确定拣选时长预测模型为：

y＝[1+k(x1,x),…,1+k(xn,x)]α

其中，y为对象的拣选时长，x1,...,xn为分别n个样本对象的特征数据；k(xi,x)为核函数，i＝1,2,...,n。

可选地，在根据所述样本对象的历史拣选时长和所述核矩阵，建立拣选时长预测模型之后，还包括：

按照预设的步长减少所述特征数据的个数，将减少后的特征数据作为待计算特征数据集合；

基于确定的拣选时长预测模型，确定出每个待计算特征数据集合的均方误差；

将最小均方误差对应的待计算特征数据集合，作为调整特征数据集合；

基于所述调整特征数据集合调整所述拣选时长预测模型。

可选地，所述样本对象的特征数据至少包括：单次拣选件数、重量、体积、该样本对象所在货架层数。

为实现上述目的，根据本发明实施例的另一个方面，提供了一种用于物品拣选时长预测的装置。

本发明实施例的用于物品拣选时长预测的装置包括：

样本数据获取模块，用于获取样本对象的特征数据和历史拣选时长；

核矩阵确定模块，用于基于预设的核函数和所述样本对象的特征数据，确定核矩阵；

模型确定模块，用于根据所述样本对象的历史拣选时长和所述核矩阵，确定拣选时长预测模型。

可选地，所述核矩阵确定模块还用于，基于预设的核函数，将所述样本对象的特征数据映射到无穷维度；所述预设的核函数为高斯核函数；以及，根据所述映射的结果，确定出核矩阵。

可选地，所述核矩阵确定模块还用于，通过十折交叉验证确定出预设的核函数的调控参数；以及，根据所述调控参数和预设的核函数，将所述样本对象的特征数据映射到无穷维度。

可选地，所述模型确定模块还用于，通过以下公式确定模型参数α：

其中，k为核矩阵，为样本对象的历史拣选时长；

基于所述模型参数α，确定拣选时长预测模型为：

y＝[1+k(x1,x),...,1+k(xn,x)]α

其中，y为对象的拣选时长，x1,...,xn为分别n个样本对象的特征数据；k(xi,x)为核函数，i＝1,2,...,n。

可选地，还包括调整模块，用于按照预设的步长减少所述特征数据的个数，将减少后的特征数据作为待计算特征数据集合；基于确定的拣选时长预测模型，确定出每个待计算特征数据集合的均方误差；将最小均方误差对应的待计算特征数据集合，作为调整特征数据集合；基于所述调整特征数据集合调整所述拣选时长预测模型。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。

本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项的用于物品拣选时长预测的方法。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述任一项的用于物品拣选时长预测的方法。

上述发明中的一个实施例具有如下优点或有益效果：由于核函数可以将有限维的信息扩展为无穷维的信息，所以本技术方案通过使用核函数的方式来解决特征信息不足的问题。并且，基于核函数，可便于确定拣选时长与特征数据之间的函数关系，解决了现有的函数模型需要事先假定模型形式的问题。本发明实施例不仅提高了预测的准确率、降低出错率，并且减少了物流仿真中的工作量。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的用于物品拣选时长预测的方法的主要流程的示意图；

图2是根据本发明实施例的用于物品拣选时长预测的方法的示意图；

图3是根据本发明实施例的用于物品拣选时长预测的装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的用于物品拣选时长预测的方法的主要流程的示意图，如图1所示，本发明实施例的用于物品拣选时长预测的方法主要包括：

步骤s101：获取样本对象的特征数据和历史拣选时长。该样本对象的特征数据至少包括：单次拣选件数、重量、体积、该样本对象所在货架层数。其中，单次拣选件数是指每次拣选操作中，拣选某类对象的件数；重量是指该次拣选中，对象总的重量；体积是指该次拣选中，对象总的体积；样本对象所在货架层数表示出了该对象所在货架的位置。为提高确定出的模型的准确性，对象的拣选时长为历史拣货数据中真实的拣选时长，即拣选人员看到屏幕拣选命令时间点y1，到拣选人员拣选完同种商品的最后一件后扫描货格的时间点y2的差值y，拣选时长y＝y2-y1。在另一发明实施例中，样本对象的拣选时长也可人工基于经验确定出，不一定为真实的拣货时长数据。

步骤s102：基于预设的核函数和样本对象的特征数据，确定核矩阵。核函数包括线性核函数、多项式核函数、高斯核函数等，其中高斯核函数最常用，可以将数据映射到无穷维，也叫做径向基函数(radialbasisfunction简称rbf)，是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数，可记作k(||x-xc||)。通过核函数可将对象原始已有的特征数据从欧式空间映射到高维(甚至是无穷维)的再生核希尔伯特空间，即xi→φ(xi)，φ(xi)为xi映射后的特征向量。

具体的，基于预设的核函数，将样本对象的特征数据映射到无穷维度；预设的核函数为高斯核函数。以及，根据映射的结果，确定出核矩阵。并且，通过十折交叉验证确定出预设的核函数的调控参数；根据调控参数和预设的核函数，将样本对象的特征数据映射到无穷维度。最常用的径向基函数是高斯核函数，所谓径向基函数(radialbasisfunction简称rbf)，就是某种沿径向对称的标量函数。高斯核函数是将输入空间的变量直接映射为无穷维空间，能有效解决输入空间信息量不足的问题，且并不需要已知具体的映射函数关系。高斯核函数为：

其中，σ为函数的宽度参数(调控参数)，控制了函数的径向作用范围。将泰勒展开式带入高斯核，得到一个无穷维度的映射：

那么，对于x1和x2的内积形式符合在svm中无穷维度下的内积计算，即高斯核将数据映射到无穷高的维度。

以及，十折交叉验证，英文名叫做10-foldcross-validation，用来测试算法准确性。是常用的测试方法。将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。每次试验都会得出相应的正确率(或差错率)。10次的结果的正确率(或差错率)的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证(例如10次10折交叉验证)，再求其均值，作为对算法准确性的估计。

步骤s103：根据样本对象的历史拣选时长和核矩阵，确定拣选时长预测模型。具体的，通过以下公式确定模型参数α：

其中，k为核矩阵，为样本对象的历史拣选时长。

建立拣选时长模型，易知，有

其中，

(x′x)^-2＝(x′x)^-1(x′x)^-1，α＝x(x′x)^-2x′y

考虑映射φ，令

其中，x1，x2，……，xn为样本对象特征数据集合x中的n个样本点。

以及，

x(x′x)x′α＝xx′y

因而，相应地也有

令核矩阵

于是有

kkα＝ky

因此，有

α＝k^-1y

基于所述模型参数α，确定拣选时长预测模型为：

y＝[1+k(x1,x),…,1+k(xn,x)]α

其中，y为对象的拣选时长，x1,...,xn为分别n个样本对象的特征数据；k(xi,x)为核函数，i＝1,2,...,n。

由上可知，本发明实施例是基于最小二乘法和二次损失函数的基础上，有明确的求解表达式。相较于支持向量机是hinge损失函数，没有明确的求解表达式，计算速度慢，不易实现变量选择，本发明实施例计算速度快。

上述过程之后，按照预设的步长减少特征数据的个数，将减少后的特征数据作为待计算特征数据集合。可每次减少1个变量，逐步尝试所有的变量，直到减少为1个变量，每次都计算在测试集上的均方误差(先算每个样本点实际值与预测值差的平方，然后再求平均)。所以，基于确定的拣选时长预测模型，确定出每个待计算特征数据集合的均方误差。将最小均方误差对应的待计算特征数据集合，作为调整特征数据集合，基于调整特征数据集合调整拣选时长预测模型。由于选定的是高斯核函数，如上文所述，是将原输入空间中的少数变量映射为希尔伯特空间内的无穷多个变量，此时，欠拟合问题就可能变为过拟合问题。

假设样本量是100，有4个原始自变量(重量，体积，件数，层数)，因变量是拣选时长。首先随机选出70个样本点为训练集，30个为测试集。在计算前，将全部样本数据分为训练集和测试集，一般后者占总样本量的30％。然后去掉一个变量，比如去掉体积，计算其对应的mse1(均方误差)；保留体积，去掉重量，计算其对应的mse2，依次类推，这样可以有4个均方误差mse。找出最小的mse，假设为mse1。以及，再然后，从重量、件数、层数中去掉一个，方法类似前面的。直至只有一个变量剩下。然后分别比较去掉1个、去掉2个、去掉3个变量时哪个mse更小，对应的变量集就是最后的变量，最后代入公式计算以调整模型。例如，经过上述计算之后，确定出在所有的特征数据组合中，特征数据集合“重量、件数”的均方误差最小，则调整后的模型则至涉及重量和件数这两个特征，在基于该模型对商品的拣选时长进行预测时，直接获取该商品的重量和件数(训练过程中涉及的其他特征数据不用获取)，基于调整后的模型，则可计算出该商品的拣选时长。

以自动引导运输车agv为主要机器人的无人仓为例，进一步说明上述用于物品拣选时长预测的方法。图2是根据本发明实施例的用于物品拣选时长预测的方法的示意图。

对于本发明实施例，由于核函数可以将有限维的信息扩展为无穷维的信息，所以本技术方案通过使用核函数的方式来解决特征信息不足的问题。并且，基于核函数，可便于确定拣选时长与特征数据之间的函数关系，解决了现有的函数模型需要事先假定模型形式的问题。本发明实施例不仅提高了预测的准确率、降低出错率，并且减少了物流仿真中的工作量。并且，为了防止过拟合，本发明实施例通过变量选择的方式来加以控制。

如图2所示，本发明实施例的用于物品拣选时长预测的方法包括：

步骤s201：获取样本商品的特征数据。在该无人仓中，商品存放在货架上，每个货架有若干层，每层分为不同的货格。当用户下单后，agv小车接到相应指令后，首先会找到合适的货架，然后搬运到工作站。之后，拣选人员将根据电脑屏幕上的指令从货架某层的某个货格中拣选出一定数量的商品。受数据可获得性的影响，只能提取同种商品的单次拣选件数、重量、体积、该商品所在货架层数，将上述特征数据矩阵记为x。

步骤s202：采集样本商品的历史拣选时长。记录拣选人员看到屏幕拣选命令时间点，设其为y1，记录拣选人员拣选完同种商品的最后一件后扫描货格的时间为y2，再令y＝y2-y1，将其作为样本商品的历史拣选时长y。

步骤s203：通过高斯核函数，将原始已有商品的特征数据从欧式空间映射到无穷维的再生核希尔伯特空间。希尔伯特空间指完备的内积空间。它可以看作是对欧式空间的推广。在欧式空间中，向量是有限维的，并且定义了内积。如果将有限维的内积空间推广为无限维的内积空间即为希尔伯特空间。空间是否完备由空间中的全体柯西(cauchy)列都收敛来决定。

步骤s204：计算核矩阵k：

以及，核函数中的未知参数σ²通过10折交叉验证的方式确定。

步骤s205：根据样本对象的历史拣选时长和核矩阵k，确定模型参数α：

步骤s206：通过后向变量选择的技术调整模型。将原输入空间中的全部自变量代入计算，并计算在测试集上的均方误差。每次减少1个变量，逐步尝试所有的变量，直到减少为1个变量，每次都计算在测试集上的均方误差。选择均方误差最小时所对应的变量集作为最终选出的变量集。

本发明实施例通过核函数的方式来解决预测中的问题。核函数可以将有限维的信息扩展为无穷维的信息。由于是把数据映射到高维的再生核希尔伯特空间(reproducingkernelhilbertspace,rkhs)，因此可能存在过拟合问题，为了防止过拟合，本发明实施例通过变量选择的方式来加以控制。

图3是根据本发明实施例用于物品拣选时长预测的装置的主要模块的示意图，如图3所示，本发明实施例的用于物品拣选时长预测的装置300包括样本数据获取模块301、核矩阵确定模块302和模型确定模块303。

样本数据获取模块301用于，获取样本对象的特征数据和历史拣选时长。

核矩阵确定模块302用于，基于预设的核函数和样本对象的特征数据，确定核矩阵。核矩阵确定模块还用于，基于预设的核函数，将样本对象的特征数据映射到无穷维度；预设的核函数为高斯核函数；以及，根据映射的结果，确定出核矩阵。核矩阵确定模块还用于，通过十折交叉验证确定出预设的核函数的调控参数；以及，根据调控参数和预设的核函数，将样本对象的特征数据映射到无穷维度。

模型确定模块303用于，根据样本对象的历史拣选时长和核矩阵，确定拣选时长预测模型。模型确定模块还用于，通过以下公式确定模型参数α：

其中，k为核矩阵，为样本对象的历史拣选时长；

基于模型参数α，确定拣选时长预测模型为：

y＝[1+k(x1,x),...,1+k(xn,x)]α

其中，y为对象的拣选时长，x1,...,xn为分别n个样本对象的特征数据；k(xi,x)为核函数，i＝1,2,...,n。

本发明实施例的用于物品拣选时长预测的装置还包括调整模块，用于按照预设的步长减少特征数据的个数，将减少后的特征数据作为待计算特征数据集合；基于确定的拣选时长预测模型，确定出每个待计算特征数据集合的均方误差；将最小均方误差对应的待计算特征数据集合，作为调整特征数据集合；基于调整特征数据集合调整拣选时长预测模型。

对于本发明实施例，由于核函数可以将有限维的信息扩展为无穷维的信息，所以本技术方案通过使用核函数的方式来解决特征信息不足的问题。并且，基于核函数，可便于确定拣选时长与特征数据之间的函数关系，解决了现有的函数模型需要事先假定模型形式的问题。本发明实施例不仅提高了预测的准确率、降低出错率，并且减少了物流仿真中的工作量。并且，为了防止过拟合，本发明实施例通过变量选择的方式来加以控制。

图4示出了可以应用本发明实施例的用于物品拣选时长预测的方法或用于物品拣选时长预测的装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本发明实施例所提供的用于物品拣选时长预测的方法一般由服务器405执行，相应地，用于物品拣选时长预测的装置一般设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取样本数据获取模块、核矩阵确定模块和模型确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，样本数据获取模块还可以被描述为“获取样本对象的特征数据和历史拣选时长的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取样本对象的特征数据和历史拣选时长；基于预设的核函数和所述样本对象的特征数据，确定核矩阵；根据所述样本对象的历史拣选时长和所述核矩阵，确定拣选时长预测模型。

对于本发明实施例，由于核函数可以将有限维的信息扩展为无穷维的信息，所以本技术方案通过使用核函数的方式来解决特征信息不足的问题。并且，基于核函数，可便于确定拣选时长与特征数据之间的函数关系，解决了现有的函数模型需要事先假定模型形式的问题。本发明实施例不仅提高了预测的准确率、降低出错率，并且减少了物流仿真中的工作量。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。