一种物流园区的货物管理方法及系统与流程

1.本发明涉及智能物流技术领域，尤其是指一种物流园区的货物管理方法及系统。


背景技术：

2.物流园是物流参与者集中进行物流活动的场所，是将多种物流设施和不同类型的物流企业在空间上集中布局的场所，也是一个有一定规模的和具有多种服务功能的物流企业的集结点，其人员构成主要包括货源方，承运方，车队以及周边的服务商四个部分。
3.物流园区前期投入大、且投入产出周期漫长，导致物流园区建设能省则省，因此一般物流园区硬件设施普遍较差，又由于物流从业人员素质相对较低，因此物流园区多为脏、乱、差的经营现状。而且，一般物流园有多个物流公司，货物种类十分繁多，很难对货物进行分门别类的管理，导致查找货物时难度较大，从而限制管理效率的提高，使得物流园货仓缺乏透明度，十分不利于管理。因此寻找一种物流园区的货物管理方法及管理系统势在必行。


技术实现要素：

4.为此，本发明所要解决的技术问题在于克服现有技术中存在的技术缺陷，提供一种物流园区的货物管理方法及系统，其基于货物信息利用智能分类算法对货物进行初步分类，并利用智能优化算法对货物的初步分类结果进行优化，得到准确的分类结果，能够显著增强货物分类的准确性，在查找货物时更加容易，从而能够实现对物流园区货物的监控，提高货仓管理的透明度，方便仓库管理员进行货物管理，大大提高了管理效率。
5.为解决上述技术问题，本发明提供一种物流园区的货物管理方法，包括：
6.获取货物信息，对所述货物信息进行核实；
7.基于核实无误的所述货物信息采用智能分类算法进行分类，获得初步分类结果；
8.利用智能优化算法对所述初步分类结果进行优化，获得分类结果；
9.根据分类结果将货物运输至货仓指定的位置完成入库；
10.其中，基于核实无误的所述货物信息采用智能分类算法进行分类包括：
11.构建神经网络分类模型，设定所述模型的初始平滑因子，将所述货物信息输入所述模型，对货物信息的特征向量和各个类别匹配关系进行概率运算；
12.对所述概率进行整合，将属于同一类的网络节点的输出做加权平均，得到各网络节点的后验概率；
13.将具有最大后验概率的网络节点作为模型的输出，得到货物的初步分类结果。
14.在本发明的一个实施例中，所述货物信息包括货物重量，将所述货物重量作为货物分类的一个重要指标。
15.在本发明的一个实施例中，在对货物信息的特征向量和各个类别匹配关系进行概率运算时，其中第i类的第j个节点的输入输出关系为式中k是
数据特征向量的个数。
16.在本发明的一个实施例中，所述网络节点的后验概率的计算公式为
17.在本发明的一个实施例中，利用智能优化算法对所述初步分类结果进行优化的方法包括：
18.设定智能优化算法的参数，在参数区间随机生成n个平滑因子作为初始因子群，计算各个平滑因子所对应的货物分类结果，选择分类结果最准确的平滑因子将其作为最优平滑因子；
19.对每个平滑因子进行状态更新，获得新的平滑因子，计算新的平滑因子所对应的货物分类结果，选择分类结果最准确的新的平滑因子将其作为新的最优平滑因子，当所述新的最优平滑因子大于所述最优平滑因子时，将所述新的最优平滑因子作为进一步的最优平滑因子，
20.判断进一步的最优平滑因子所对应的货物分类结果是否达到满意的误差区间，若判断结果为是，则将进一步的最优平滑因子作为最终的最优平滑因子，若判断结果为否，则继续对平滑因子进行更新，直至找到最终的最优平滑因子；
21.对最终的最优平滑因子进行训练，得到最优的货物分类结果。
22.在本发明的一个实施例中，所述智能优化算法的参数包括平滑因子的数量n、最大迭代次数t、感知范围v、最大移动步长s以及拥挤度因子d。
23.在本发明的一个实施例中，对所述平滑因子进行更新需要遵循三个规则：感知范围v内平滑因子的数量最多不超过拥挤度因子d；感知范围v内相邻的平滑因子的更新方向一致；感知范围v内朝平滑因子的中心位置更新。
24.此外，本发明还提供一种物流园区的货物管理系统，包括：
25.信息获取模块，所述信息获取模块用于获取货物信息，对所述货物信息进行核实；
26.货物分类模块，所述货物分类模块用于基于核实无误的所述货物信息采用智能分类算法进行分类，获得初步分类结果；
27.分类优化模块，所述分类优化模块用于利用智能优化算法对所述初步分类结果进行优化，获得分类结果；
28.货物入库模块，所述货物入库模块用于根据分类结果将货物运输至货仓指定的位置完成入库；
29.其中，基于核实无误的所述货物信息采用智能分类算法进行分类包括：
30.构建神经网络分类模型，设定所述模型的初始平滑因子，将所述货物信息输入所述模型，对货物信息的特征向量和各个类别匹配关系进行概率运算；
31.对所述概率进行整合，将属于同一类的网络节点的输出做加权平均，得到各网络节点的后验概率；
32.将具有最大后验概率的网络节点作为模型的输出，得到货物的初步分类结果。
33.在本发明的一个实施例中，在对货物信息的特征向量和各个类别匹配关系进行概
率运算时，其中第i类的第j个节点的输入输出关系为式中k是数据特征向量的个数；对所述概率进行整合，将属于同一类的网络节点的输出做加权平均，得到各网络节点的后验概率，网络节点的后验概率的计算公式为
34.在本发明的一个实施例中，所述分类优化模块包括分类优化单元，所述分类优化单元执行以下操作：
35.设定智能优化算法的参数，在参数区间随机生成n个平滑因子作为初始因子群，计算各个平滑因子所对应的货物分类结果，选择分类结果最准确的平滑因子将其作为最优平滑因子；
36.对每个平滑因子进行状态更新，获得新的平滑因子，计算新的平滑因子所对应的货物分类结果，选择分类结果最准确的新的平滑因子将其作为新的最优平滑因子，当所述新的最优平滑因子大于所述最优平滑因子时，将所述新的最优平滑因子作为进一步的最优平滑因子，
37.判断进一步的最优平滑因子所对应的货物分类结果是否达到满意的误差区间，若判断结果为是，则将进一步的最优平滑因子作为最终的最优平滑因子，若判断结果为否，则继续对平滑因子进行更新，直至找到最终的最优平滑因子；
38.对最终的最优平滑因子进行训练，得到最优的货物分类结果。
39.本发明的上述技术方案相比现有技术具有以下优点：
40.本发明提供了一种物流园区的货物管理方法及管理系统，其基于货物信息利用智能分类算法对货物进行初步分类，并利用智能优化算法对货物的初步分类结果进行优化，从而得到准确的分类结果，能够显著增强货物分类的准确性，在查找货物时更加容易，从而能够实现对物流园区货物的监控，提高货仓管理的透明度，方便仓库管理员进行货物管理，大大提高了管理效率。
附图说明
41.为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
42.图1为本发明公开的一种物流园区的货物管理方法的流程示意图。
43.图2为本发明公开的一种物流园区的货物管理系统的结构示意图。
44.附图标记说明如下：10、信息获取模块；20、货物分类模块；30、分类优化模块；40、货物入库模块。
具体实施方式
45.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
46.实施例一
47.请参阅图1所示，本实施例提供一种物流园区的货物管理方法，包括以下步骤：
48.s100：获取货物信息，对所述货物信息进行核实；
49.s200：基于核实无误的所述货物信息采用智能分类算法进行分类，获得初步分类结果；
50.s300：利用智能优化算法对所述初步分类结果进行优化，获得分类结果；
51.s400：根据分类结果将货物运输至货仓指定的位置完成入库。
52.其中，本发明公开描述的货物信息可以为但不限于货物重量信息、其他关键信息。
53.其中，上述描述的货物重量信息作为货物分类的一个重要指标。
54.其中，上述描述的货物重量信息可以通过称重器完成称重。
55.其中，上述描述的其他关键信息可以为但不限于货物的名称、是否为易碎品、数量、入库时间、货物的运输目的地、货主的个人信息、货物的承运公司以及收货方的个人信息。
56.其中，上述描述的货主和收货方的个人信息至少包括姓名，手机号以及地址。
57.本发明公开的一种物流园区的货物管理方法，其基于货物信息利用智能分类算法对货物进行初步分类，并利用智能优化算法对货物的初步分类结果进行优化，从而得到准确的分类结果，能够显著增强货物分类的准确性，在查找货物时更加容易，从而能够实现对物流园区货物的监控，提高货仓管理的透明度，方便仓库管理员进行货物管理，大大提高了管理效率。
58.对于上述实施方式的一种物流园区的货物管理方法，在步骤s100中，对所述货物信息进行核实的方法包括：将实际的货物信息与账单上面的货物信息进行核对，核查货物缺漏与损失情况，若是有缺损则记录信息并发送至货主方，并暂停此货物入库，等待货主确认。
59.对于上述实施方式的一种物流园区的货物管理方法，在步骤s200中，基于核实无误的所述货物信息采用智能分类算法进行分类的方法包括：
60.构建神经网络分类模型，设定所述模型的初始平滑因子，将所述货物信息输入所述模型，对货物信息的特征向量和各个类别匹配关系进行概率运算，其中第i类的第j个节点的输入输出关系为式中k是数据特征向量的个数；
61.对所述概率进行整合，将属于同一类的网络节点的输出做加权平均，得到各网络节点的后验概率，网络节点的后验概率的计算公式为
62.将具有最大后验概率的网络节点作为模型的输出，得到货物的初步分类结果。
63.在上述公开的步骤s200中，神经网络分类模型的输出即为概率。
64.对于上述实施方式的一种物流园区的货物管理方法，在步骤s300中，利用智能优化算法对所述初步分类结果进行优化的方法包括：
65.设定智能优化算法的参数，在参数区间随机生成n个平滑因子作为初始因子群，计算各个平滑因子所对应的货物分类结果，选择分类结果最准确的平滑因子将其作为最优平
滑因子；
66.对每个平滑因子进行状态更新，获得新的平滑因子，计算新的平滑因子所对应的货物分类结果，选择分类结果最准确的新的平滑因子将其作为新的最优平滑因子，当所述新的最优平滑因子大于所述最优平滑因子时，将所述新的最优平滑因子作为进一步的最优平滑因子，
67.判断进一步的最优平滑因子所对应的货物分类结果是否达到满意的误差区间，若判断结果为是，则将进一步的最优平滑因子作为最终的最优平滑因子，若判断结果为否，则继续对平滑因子进行更新，直至找到最终的最优平滑因子；
68.对最终的最优平滑因子进行训练，得到最优的货物分类结果。
69.在上述公开的步骤s300中，所述智能优化算法的参数包括平滑因子的数量n、最大迭代次数t、感知范围v、最大移动步长s以及拥挤度因子d。
70.在上述公开的步骤s300中，对所述平滑因子进行更新需要遵循三个规则：感知范围v内平滑因子的数量最多不超过拥挤度因子d；感知范围v内相邻的平滑因子的更新方向一致；感知范围v内朝平滑因子的中心位置更新。
71.其中，本发明公开描述的货物类型可以为但不限于散货、液体货、件杂货、大宗货、干货、湿货、包装货、裸装货、散装货、重货、轻货、超长货。
72.对于上述实施方式的一种物流园区的货物管理方法，在步骤s400中，根据分类结果将货物运输至货仓指定的位置完成入库的方法包括：可以通过叉车将货物运输至仓库指定位置，即将货物转移至轮挂式货架，并更新货物状态为“在库”，货物入库后，将入库信息发送给货主和收货人，完成入库。
73.上述公开描述的轮挂式货架遵循“先进先出”的原则，通过轮挂式的结构，充分利用存储空间，并且解决了传统的货架货物管理不便的问题。
74.本发明提供了一种物流园区的货物管理方法及管理系统，其基于货物信息利用智能分类算法对货物进行初步分类，并利用智能优化算法对货物的初步分类结果进行优化，从而得到准确的分类结果，能够显著增强货物分类的准确性，在查找货物时更加容易，从而能够实现对物流园区货物的监控，提高货仓管理的透明度，方便仓库管理员进行货物管理，大大提高了管理效率。
75.实施例二
76.下面对本发明实施例二公开的一种物流园区的货物管理系统进行介绍，下文描述的一种物流园区的货物管理系统与上文描述的一种物流园区的货物管理方法可相互对应参照。
77.请参阅图2所示，本发明实施例公开了一种物流园区的货物管理系统，该系统包括：
78.信息获取模块10，所述信息获取模块10用于获取货物信息，对所述货物信息进行核实；
79.货物分类模块20，所述货物分类模块20用于基于核实无误的所述货物信息采用智能分类算法进行分类，获得初步分类结果；
80.分类优化模块30，所述分类优化模块30用于利用智能优化算法对所述初步分类结果进行优化，获得分类结果；
81.货物入库模块40，所述货物入库模块40用于根据分类结果将货物运输至货仓指定的位置完成入库。
82.对于上述实施方式的一种物流园区的货物管理系统，在货物分类模块20中，上述基于核实无误的所述货物信息采用智能分类算法进行分类包括：
83.构建神经网络分类模型，设定所述模型的初始平滑因子，将所述货物信息输入所述模型，对货物信息的特征向量和各个类别匹配关系进行概率运算，其中第i类的第j个节点的输入输出关系为式中k是数据特征向量的个数；
84.对所述概率进行整合，将属于同一类的网络节点的输出做加权平均，得到各网络节点的后验概率，网络节点的后验概率的计算公式为
85.将具有最大后验概率的网络节点作为模型的输出，得到货物的初步分类结果。
86.在上述公开的货物分类模块20中，神经网络分类模型的输出即为概率。
87.对于上述实施方式的一种物流园区的货物管理系统，在分类优化模块30中，利用智能优化算法对所述初步分类结果进行优化的方法包括：
88.设定智能优化算法的参数，在参数区间随机生成n个平滑因子作为初始因子群，计算各个平滑因子所对应的货物分类结果，选择分类结果最准确的平滑因子将其作为最优平滑因子；
89.对每个平滑因子进行状态更新，获得新的平滑因子，计算新的平滑因子所对应的货物分类结果，选择分类结果最准确的新的平滑因子将其作为新的最优平滑因子，当所述新的最优平滑因子大于所述最优平滑因子时，将所述新的最优平滑因子作为进一步的最优平滑因子，
90.判断进一步的最优平滑因子所对应的货物分类结果是否达到满意的误差区间，若判断结果为是，则将进一步的最优平滑因子作为最终的最优平滑因子，若判断结果为否，则继续对平滑因子进行更新，直至找到最终的最优平滑因子；
91.对最终的最优平滑因子进行训练，得到最优的货物分类结果。
92.在上述公开的分类优化模块30中，所述智能优化算法的参数包括平滑因子的数量n、最大迭代次数t、感知范围v、最大移动步长s以及拥挤度因子d。
93.在上述公开的分类优化模块30中，对所述平滑因子进行更新需要遵循三个规则：感知范围v内平滑因子的数量最多不超过拥挤度因子d；感知范围v内相邻的平滑因子的更新方向一致；感知范围v内朝平滑因子的中心位置更新。
94.对于上述实施方式的一种物流园区的货物管理系统，在货物入库模块中，根据分类结果将货物运输至货仓指定的位置完成入库包括：可以通过叉车将货物运输至仓库指定位置，即将货物转移至轮挂式货架，并更新货物状态为“在库”，货物入库后，将入库信息发送给货主和收货人，完成入库。
95.上述公开描述的轮挂式货架遵循“先进先出”的原则，通过轮挂式的结构，充分利用存储空间，并且解决了传统的货架货物管理不便的问题。
96.本发明提供了一种物流园区的货物管理系统，其基于货物信息利用智能分类算法对货物进行初步分类，并利用智能优化算法对货物的初步分类结果进行优化，从而得到准确的分类结果，能够显著增强货物分类的准确性，在查找货物时更加容易，从而能够实现对物流园区货物的监控，提高货仓管理的透明度，方便仓库管理员进行货物管理，大大提高了管理效率。
97.本实施例的物流园区的货物管理系统用于实现前述的物流园区的货物管理方法，因此该系统的具体实施方式可见前文中的物流园区的货物管理方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
98.另外，由于本实施例的物流园区的货物管理系统用于实现前述的物流园区的货物管理方法，因此其作用与上述方法的作用相对应，这里不再赘述。
99.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
100.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
101.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
102.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
103.显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。