(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111596447.6 (22)申请日 2021.12.24 (71)申请人 江苏智库智能科技有限公司 地址 210039 江苏省南京市雨 花台区龙藏 大道1-1号 (72)发明人 蔡传玉　付泉赟　 (74)专利代理 机构 江苏致邦律师事务所 32 230 代理人 葛胜非 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/08(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 智能仓库物资出入库预测及预调度方法 (57)摘要 本发明涉及智能仓库物资出入库预测及预 调度方法， 从关系型数据库中获取物资出入库记 录数据后， 对获取的物资出入库记录数据进行预 处理， 从物资出入库记录数据中提取所需记录 项， 构建数据集； 利用数据集中数据构建训练集， 以训练集中起始时间、 截止时间、 操作数据作为 输入， 物资及数量数据作为输出， 输入BPNN神经 网络进行模型训练； 完成模型训练后， 基于所需 时段的起始时间、 截止时间和操作完成时间段内 出入库物资及数量的预测， 并基于预测的数据进 行预调度。 本发 明基于历史行为记录来预测未来 的行为， 预测可能出入库的物资和数量并进行预 调度， 可以大 大提高仓库出入库的效率。 权利要求书1页 说明书3页 附图1页 CN 114239988 A 2022.03.25 CN 114239988 A 1.智能仓库物资出入库预测及预调度方法， 其特 征在于， 包括如下步骤： S100从关系型 数据库中获取物资出入库记录数据； S200对获取的物资出入库记录数据进行预处理， 从物资出入库记录数据中提取所需记 录项， 构建数据集； 所述的记录项为 起始时间、 截止时间、 操作、 物资及数量； 所述操作指入库或出库； S300利用数据集中数据构建训练集， 以训练集中起始时间、 截止时间、 操作数据作 为输 入， 物资及数量数据作为输出， 输入BPN N神经网络进行模型训练； S400完成模型训练后， 基于所需时段的起始时间、 截止时间和操作完成时间段内出入 库物资及数量的预测， 并基于预测的数据进行 预调度。 2.根据权利要求1所述的方法， 其特 征在于， 所述S20 0中， 数据预处 理包括： S210对物资出入库记录数据进行 数据清洗， 纠正数据的不 一致； S220对完成数据清洗的数据进行 数据规约， 提取 出所需记录项； S230对提取的记录项 进行数据变换， 将涉及的数量数据进行归一 化处理。 3.根据权利要求1所述的方法， 其特征在于， BPNN神经网络的输入层为起始时间、 截止 时间、 操作三参数输入； 输出层输出两个长度为N的一维数组， 对应N种物资及其对应的数 量。 4.根据权利要求1所述的方法， 其特征在于， 所述BPNN神经网络在计算误差并进行反向 传播时， 利用最小化均方根差来衡量输出值和实际值的误差大小。 5.根据权利要求1所述的方法， 其特 征在于， 模型训练时， 基于下式进行参数 更新： ； 其中 为更新前的参数， 为更新后的参数， 为更新时的步长， G为预测值和实际值误差 的导数。 6.根据权利要求5所述的方法， 其特征在于， 利用随机梯度 下降求解所述预测值和实际 值误差的导数。 7. 根据权利要求1所述的方法， 其特征在于， BPNN神经网络的激活函数选用Leaky   Relu函数。 8.根据权利要求1所述的方法， 其特征在于， 还包括， 预测各时间段的出入库物资和数 量， 对于出入库最频繁的时段即高峰期， 预先通知设备管理系统， 以在高峰期 到达前将出入 库相关设备充满电并提前调度到指定位置 。 9.根据权利要求1所述的方法， 其特征在于， 还包括， 预测各时间段的出库物资和数量， 根据预测结果判断可能同时出库的物资， 将可能同时出库的物资按预测的数量比例调 度至 相邻仓位。 10.根据权利要求9所述的方法， 其特征在于， 还包括， 将所述可能同时出库的物资在入 库时按数量比例存放在相邻的仓位。权　利　要　求　书 1/1 页 2 CN 114239988 A 2智能仓库物资出入库预测及预调度方 法 技术领域 [0001]本发明属于智能仓库技术领域， 具体涉及智能仓库物资出入库预测及预调度方 法。 背景技术 [0002]在物流、 电力等行业中， 为了提高仓库 存储的效率， 智能仓库成为了一种必然的选 择。 在仓储过程中最多的业务就是入库和出库， 针对入库和出库的效率问题， 目前业界大多 都在考虑仓库设计优化、 设备改进和仓位选择优化等， 但是却没有考虑通过预测未来的行 为来提高仓储效率。 发明内容 [0003]本发明的目的在于提供一种智能仓库物资出入库预测及预调度方法。 [0004]为实现上述 技术目的， 本发明采用如下技 术方案： [0005]一种智能仓库物资出入库预测及预调度方法， 包括如下步骤： [0006]S100从关系型 数据库中获取物资出入库记录数据； [0007]S200对获取的物资出入库记录数据进行预处理， 从物资出入库记录数据中提取所 需记录项， 构建数据集； [0008]所述的记录项为 起始时间、 截止时间、 操作、 物资及数量； 所述操作指入库或出库； [0009]S300利用数据集中数据构建训练集， 以训练集中起始时间、 截止时间、 操作数据作 为输入， 物资及数量数据作为输出， 输入BPN N神经网络进行模型训练； [0010]S400完成模型训练后， 基于所需时段的起始时间、 截止时间和操作完成时间段内 出入库物资及数量的预测， 并基于预测的数据进行 预调度。 [0011]作为一种优选的实施方式， 所述S20 0中， 数据预处 理包括： [0012]S210对物资出入库记录数据进行 数据清洗， 纠正数据的不 一致； [0013]S220对完成数据清洗的数据进行 数据规约， 提取 出所需记录项； [0014]S230对提取的记录项 进行数据变换， 将涉及的数量数据进行归一 化处理。 [0015]作为一种优选的实施方式， BPNN神经 网络的输入层为起始时间、 截止时间、 操作三 参数输入； 输出层输出两个长度为 N的一维数组， 对应N种物资及其对应的数量。 [0016]作为一种优选的实施方式， 所述BPNN神经网络在计算误差并进行反向传播时， 利 用最小化均方根差来衡量输出值和实际值的误差大小。 [0017]作为一种优选的实施方式， 模型训练时， 基于下式进行参数 更新： [0018]θ2＝θ1‑α G； [0019]其中θ1为更新前的参数， θ2为更新后的参数， α 为更新时的步长， G为预测值和实际 值误差的导数。 [0020]进一步的， 利用随机梯度下降求 解所述预测值和实际值 误差的导数。 [0021]作为一种优选的实施方式， BPN N神经网络的激活函数选用Leaky  Relu函数。说　明　书 1/3 页 3 CN 114239988 A 3