基于货物数量预测的仓储运输资源调度方法和系统与流程

本发明涉及深度学习技术、长短期记忆网络的应用以及仓储运输资源调度，具体涉及一种基于货物数量预测的仓储运输资源调度方法和系统。

背景技术：

1、lstm(long short-term memory，长短期记忆)的发展建立在神经网络和rnn(recurrent neural network，循环神经网络)领域之上。传统的神经网络在处理序列数据时存在限制、无法处理变长的序列和长期依赖关系。rnn是一种专门用于处理序列数据的神经网络结构，具有循环连接，使信息能够在网络中传递并建立时间上的依赖关系。然而，传统rnn的主要问题是梯度消失和梯度爆炸现象。当在训练过程中梯度反向传播时，经过多个时间步的梯度乘法会导致梯度指数级地增长或减小，导致训练变得困难。lstm引入了一种称为“门控单元”的机制，包括输入门、遗忘门和输出门，以控制信息的流动和保存。这些门控机制通过使用一种称为“细胞状态”的中间状态，使lstm能够选择性地记住和遗忘信息，并更好地处理长期依赖关系。双向lstm对lstm进行了扩展，引入了前向和后向两个方向的循环连接，使信息可以在正向和反向两个方向上传播，以更好地捕捉序列数据中的双向依赖关系。这样，当前时刻的输出可以同时考虑前面时刻和后面时刻的输入，从而更全面地捕捉序列数据中的双向依赖关系。使得lstm在更广泛的任务和领域中能够更好地处理序列数据。

2、在现代仓库环境中，有诸多仓储运输资源。货物搬运设备包括叉车、托盘提升机、输送带、agv小车等。仓库设施包括货架、仓位、货柜等。这些设施用于存放和组织货物，确保货物的安全和有效管理。装卸设备包括装卸平台、升降机、传送带等。这些设备用于货物的装卸和转运。人力资源包括仓库工人、操作员等。在不同货物数量压力下，所需的仓储运输资源也不同。如何有效的进行仓储运输资源调度，对于提高运输效率、降低成本和优化供应链流程至关重要。

技术实现思路

1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

2、本发明的目的在于解决上述问题，提供了一种基于货物数量预测的仓储运输资源调度方法和系统，解决仓储环境对于仓储运输资源的规划和调度问题，在提高资源利用率，降低仓储成本的同时，避免对仓储运输效率的影响，实现资源的合理使用。

3、本发明的技术方案为：本发明揭示了一种基于货物数量预测的仓储运输资源调度方法，方法包括：

4、步骤1：收集数据形成数据集；

5、步骤2：对收集到的数据集进行预处理，以保证数据质量和准确性；

6、步骤3：在预处理后的数据集中构建季节性数据；

7、步骤4：引入双向lstm模型，双向lstm模型的输入是历史特征序列，输出是预测的仓储进货数量；

8、步骤5：使用深度学习框架构建基于注意力机制的改进长短期记忆网络预测模型，用于预测仓储进货数量；

9、步骤6：使用灰狼算法对基于注意力机制的改进长短期记忆网络预测模型中的参数进行初始化，使用灰狼算法来进行参数调优，用于确定算法中的最佳参数配置；

10、步骤7：采用对抗机制，对前面步骤所搭建的基于注意力机制的改进长短期记忆网络预测模型进行改进和对抗训练，以便预测仓库货物数量；

11、步骤8：建立仓储仿真模型；

12、步骤9：对步骤8所构建的仓储仿真模型进行求解；

13、步骤10：基于步骤9得到的最优解运输资源调度。

14、根据本发明的基于货物数量预测的仓储运输资源调度方法的一实施例，在步骤2中，预处理包括：

15、采用年度均值法，对缺失值进行补齐，对异常值进行处理，对重复值进行删除。

16、根据本发明的基于货物数量预测的仓储运输资源调度方法的一实施例，在步骤5中，通过计算注意力权重，使得长短期记忆网络预测模型可以关注不同时间步之间的相对距离或相对偏移量；在注意力机制中引入位置编码器，为输入序列中的时间步添加位置信息。

17、根据本发明的基于货物数量预测的仓储运输资源调度方法的一实施例，在步骤6中，将灰狼算法与双向lstm结合，在训练过程中利用灰狼算法的搜索能力来优化lstm的参数和权重，更快地找到最优解或接近最优解，步骤6进一步包括跟踪猎物和追捕猎物的处理。

18、根据本发明的基于货物数量预测的仓储运输资源调度方法的一实施例，在步骤7中，采用对抗双向lstm，鉴于不同的注意力机制乃至不同训练参数，训练互为对抗的两个网络模型，用验证集进行验证，综合两个预测结果，给出最终结果，其中利用两个模型的竞争，其中一个模型试图更好地预测货物数量，而另一个模型则试图生成对抗样本来干扰前者的预测，从而提高前者的鲁棒性。

19、根据本发明的基于货物数量预测的仓储运输资源调度方法的一实施例，在步骤8中，建立一个目标函数来评估仓储系统的效率和性能，该目标函数基于仓储系统的资源利用率、吞吐量和运营成本等指标而建立，基于该目标函数计算按照预测货物量所需的资源变量，每个资源变量包含种类、数量，其中，在建立仓储仿真模型时考虑到仓储运输资源运输量时间成本和经济成本问题，在满足时间限制要求的基础上保证综合仓储运输成本最小。

20、根据本发明的基于货物数量预测的仓储运输资源调度方法的一实施例，在步骤9中，使用线性规划方法对仓储仿真模型进行求解，其中，基于构建的是多目标规划模型,目标一为货物运输经济成本最低函数,目标二为货物运输运输量时间成本最低函数,在多目标优化求解过程中不能满足绝对最优解,在考虑多个目标函数的同时又要保证多个目标函数值均被接受，采用线性加权的方法对多目标问题进行处理。

21、本发明还揭示了一种基于货物数量预测的仓储运输资源调度系统，系统包括：

22、数据收集模块，收集数据形成数据集；

23、数据集预处理模块，对收集到的数据集进行预处理，以保证数据质量和准确性；

24、季节性数据构建模块，在预处理后的数据集中构建季节性数据；

25、双向lstm模型模块，引入双向lstm模型，双向lstm模型的输入是历史特征序列，输出是预测的仓储进货数量；

26、基于注意力机制的改进长短期记忆网络预测模型构建模块，使用深度学习框架构建基于注意力机制的改进长短期记忆网络预测模型，用于预测仓储进货数量；

27、灰狼调参模块，使用灰狼算法对基于注意力机制的改进长短期记忆网络预测模型中的参数进行初始化，使用灰狼算法来进行参数调优，用于确定算法中的最佳参数配置；

28、对抗训练模块，采用对抗机制，对前面步骤所搭建的基于注意力机制的改进长短期记忆网络预测模型进行改进和对抗训练，以便预测仓库货物数量；

29、仓储仿真模型建立模块，建立仓储仿真模型；

30、仓储仿真模型求解模块，对仓储仿真模型建立模块所构建的仓储仿真模型进行求解；

31、运输资源调度模块，基于仓储仿真模型求解模块得到的最优解运输资源调度。

32、本发明对比现有技术有如下的有益效果：本发明在货物数量预测和资源调度优化领域取得了显著的进展，通过利用历史数据和实时数据，构建了一个基于注意力机制的改进长短期记忆网络(cta-lstm)预测模型。该模型不仅提高了预测的准确性，还为后续的仓储运输资源调度提供了有力支持。

33、在模型构建方面，本发明采用了基于注意力机制的改进长短期记忆网络(cta-lstm)。这种网络结构能够充分利用lstm在处理序列数据方面的优势，同时引入注意力机制，使得模型在预测时能够自动关注重要的历史数据点，忽略不相关的信息。这种设计不仅提高了预测的准确性，还使得模型更加灵活和鲁棒。

34、基于货物数量的预测结果，本发明进一步考虑了仓储运输资源的可用性、成本和效率等因素。通过建立一个仓储仿真模型，对不同的资源调度方案进行模拟和比较，对模型进行求解，从而找到最优的资源调度计划。

35、最后，本发明根据资源调度计划，将货物分配给合适的设备，并优化运输路线和顺序。这不仅能够提高运输效率，减少运输成本，还能够确保货物的及时送达，提高客户满意度。

36、综上所述，本发明通过构建基于注意力机制的改进长短期记忆网络预测模型，实现了对未来一段时间内货物数量的准确预测，并在此基础上制定了优化的资源调度计划。这不仅提高了仓储运输的效率和成本效益，还为企业的可持续发展提供了有力支持。