本发明涉及通信技术领域，尤其涉及一种仓储位置分配方法及装置。
背景技术：
电子商务是以信息网络技术为手段，以商品交换为中心的商务活动，是传统商业活动各环节的电子化、网络化、信息化。人们在网上购物，再由快递公司将购买的物品线下运送。
用户在网上购物提交订单，电子商务平台针对每个用户订单打包货物，并将打包好的货物存储到该用户对应的仓储位置；由拣选人员从用户对应的仓储位置提取货物完成出库，并交由快递公司将货物运送至用户指定地址。在现代仓储物流中，货物在仓库中停留时间短，流通速度快，为了更加便捷的为顾客提供服务，做到快存快取，提高货物出库效率，仓库位置分配方法的选择尤为重要。
目前常用的仓储位置分配方法包括随机分配方法和最近空位分配方法，随机分配方法是指当一定批量的同产品进来时，在等概率条件下随机存放在空位上的分配方法，最近空位分配方法是指按照进入仓库中的先后顺序，将货物存储在距离出口距离最近的存储空位的分配方法。目前的仓储位置分配方法，没有充分考虑空间利用率问题，会造成大量存储空间的浪费和出库时货物拣选过程中运输距离的增加，货物的出库时间长，货物拣选效率低。
技术实现要素：
本发明提供一种仓储位置分配方法及装置，用以解决目前的仓储位置分配方法，没有充分考虑空间利用率问题，会造成大量存储空间的浪费和出库时货物拣选过程中运输距离的增加，货物的出库时间长，货物拣选效率低的问题。
本发明的一个方面是提供一种仓储位置分配方法，包括：
获取目标用户的历史交易信息；
根据所述目标用户的历史交易信息，评估所述目标用户在当日的交易量排名；
根据所述目标用户在当日的交易量排名，为所述目标用户分配仓储位置。
本发明的另一个方面是提供一种仓储位置分配装置，包括：
获取模块，用于获取目标用户的历史交易信息；
计算模块，用于根据所述目标用户的历史交易信息，评估所述目标用户在当日的交易量排名；
分配模块，用于根据所述目标用户在当日的交易量排名，为所述目标用户分配仓储位置。
本发明提供的仓储位置分配方法及装置，通过根据获取到的目标用户的历史交易信息，评估目标用户在当日的交易量排名；根据目标用户在当日的交易量排名，为目标用户分配仓储位置，从而可以实现在当日交易量排名靠前的用户分配在出库时货物拣选过程中运输距离较短的仓储位置，可以大大缩短出库时货物拣选过程中的运输距离，缩短了货物的出库时间，提高了货物出库的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本发明实施例一提供的仓储位置分配方法流程图；
图2为本发明实施例二提供的仓储位置分配方法流程图；
图3为本发明实施例三提供的仓储位置分配装置的结构示意图；
图4为本发明实施例四提供的仓储位置分配装置的结构示意图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
首先对本发明所涉及的名词进行解释：
线性回归：在统计学中，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归,大于一个自变量情况的叫做多元回归。
灰色模型(grey models，简称GM模型)：是通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律做出模糊性的长期描述，是模糊预测领域中理论、方法较为完善的预测学分支。
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
实施例一
图1为本发明实施例一提供的仓储位置分配方法流程图。本发明实施例针对目前的仓储位置分配方法，没有充分考虑空间利用率问题，会造成大量存储空间的浪费和出库时货物拣选过程中运输距离的增加，货物的出库时间长，货物拣选效率低的问题，提供了仓储位置分配方法。如图1，该方法具体步骤如下：
步骤S101、获取目标用户的历史交易信息。
其中，目标用户为还未分配到仓储位置的用户。
本实施例中的历史交易信息可以是目标用户在最近的预设天数内的交易信息。其中，预设天数越长，评估的目标用户在当日的交易量排名的准确率越高，但是计算量越大；预设天数可以由技术人员根据实际需要进行设定，本实施例对此不做具体限定。
步骤S102、根据历史交易信息，评估目标用户在当日的交易量排名。
本实施例中，将每个用户的交易过程看成一个系统，在这个系统中，当日用户是否参加交易、用户在当日的交易量大小是多少、用户在当日的交易量排名情况，这些都是不确定的，具有随机性，但历史交易信息是已知的，符合灰色系统的特征，可采用灰色模型对用户的交易量进行预测。
步骤S103、根据目标用户在当日的交易量排名，为目标用户分配仓储位置。
在预测出目标用户在当日的交易量排名之后，根据目标用户在当日的交易量排名，为目标用户分配仓储位置，可以为在当日交易量排名靠前的用户分配在出库时货物拣选过程中运输距离较短的仓储位置，例如，为交易量排名靠前的用户分配距离仓库出口距离较近的仓储位置。
本发明实施例通过根据获取到的目标用户的历史交易信息，评估目标用户在当日的交易量排名；根据目标用户在当日的交易量排名，为目标用户分配仓储位置，从而可以实现在当日交易量排名靠前的用户分配在出库时货物拣选过程中运输距离较短的仓储位置，可以大大缩短出库时货物拣选过程中的运输距离，缩短了货物的出库时间，提高了货物出库的效率。
实施例二
图2为本发明实施例二提供的仓储位置分配方法流程图。在上述实施例一的基础上，本实施例中，根据历史交易信息，评估目标用户在当日的交易量排名，包括：获取目标用户的交易量预测模型和交易量排名与交易量的线性方程；根据历史交易信息，以及目标用户的交易量预测模型，评估目标用户在当日的交易量；根据目标用户在当日的交易量，以及目标用户的交易量排名与交易量的线性方程，评估目标用户在当日的交易量排名。如图2所示，该方法具体步骤如下：
步骤S201、接收订单信息，订单信息至少包括用户标识。
本发明提供的仓储位置分配方法的执行主体可以是能与各种类型的电子商务平台进行交互的大数据平台，例如，电子商务平台可以是网络购物平台、或者拍卖平台等。例如，用户可以在能够进行互联网通信的终端安装拍卖客户端，在拍卖客户端上进行产品浏览、充值和提交拍卖交易的订单信息，交易过程中，以用户的手机号码为用户标识即可。电子商务平台在接收用户提交的订单后，将订单信息发送给大数据平台，由大数据平台为该用户分配仓储位置。订单信息可以包括用户提交的原始订单的所有信息或者部分信息。
其中，用户标识是指用于唯一标识一个用户的标识。用户标识可以是用户的手机号码、电子邮箱等。订单信息至少包括用户标识，订单信息还可以包括：至少一个货物标识，以及各货物标识对应的货物数量、订单提交日期、要求发货日期、付费信息、用户其他信息等。
步骤S202、根据订单信息中的用户标识，确定是否已经为用户标识对应的用户分配了仓储位置，若还没有为用户标识对应的用户分配仓储位置，将用户标识对应的用户作为目标用户。
在接收到用户的订单信息之后，确定是否存在与订单信息中的用户标识对应的仓储位置，若存在与订单信息中的用户标识对应的仓储位置，则可以确定已经为用户标识对应的用户分配了仓储位置，则无需再为用户分配仓储位置。
若不存在与订单信息中的用户标识对应的仓储位置，则可以确定还没有为用户标识对应的用户分配仓储位置，则将用户作为目标用户，后续通过步骤S203-S207，为目标用户分配仓储位置。
本实施例中的目标用户可以为任一用户，接收任一用户提交订单信息之后，根据订单信息中的用户标识，若确定还没有为用户标识对应的用户分配仓储位置，则将该用户标识对应的用户作为目标用户，获取目标用户的历史交易信息，以根据用户的历史交易信息预测用户当日的交易量排名，并根据目标用户在当日的交易量排名，为目标用户分配仓储位置，这样可以避免为当日没有订单的用户分配仓储位置导致仓库存储空间的浪费，还可以提高仓储位置的分配效率。
本实施例中，每个交易日重新为用户分配仓储位置，在用户提交订单信息之后，也即是用户在当日有交易量之后，再为用户分配仓储位置，可以避免为没有交易量的用户分配仓储空间导致的仓储空间的浪费。
步骤S203、获取目标用户的历史交易信息。
本实施例中的历史交易信息可以是目标用户在最近的预设天数内的交易信息。其中，预设天数越长，评估的目标用户在当日的交易量排名的准确率越高，但是计算量越大；预设天数可以由技术人员根据实际需要进行设定，本实施例对此不做具体限定。
另外，本实施例可以基于大数据交易平台，获取各用户的海量交易信息。
步骤S204、获取目标用户的交易量预测模型和交易量排名与交易量的线性方程。
本实施例中，可以预先生成目标用户的交易量预测模型和交易量排名与交易量的线性方程，并存储，该步骤中直接获取已经存储的目标用户的交易量预测模型和交易量排名与交易量的线性方程即可。
本实施例中，将每个用户的交易过程看成一个系统，在这个系统中，当日用户是否参加交易、用户在当日的交易量大小是多少、用户在当日的交易量排名情况，这些都是不确定的，具有随机性，但历史交易信息是已知的，符合灰色系统的特征，可采用灰色模型对用户的交易量进行预测。灰色数列预测是指利用动态GM模型，对灰色系统的时间序列进行数量大小的预测，即对系统的主行为特征量或某项指标，发展变化到未来特定时刻出现的数值进行预测。
本实施例中，若没有存储目标用户的交易量预测模型，本实施例采用GM(1,1)的单变量一阶线性微分方程的建模方式，通过以下步骤生成目标用户的交易量预测模型：：
步骤一、根据历史交易信息，获取最近的n天内目标用户在每天的交易量，得到原始时间序列：Q0＝[Q0(1)，Q0(2)，…，Q0(n)]，其中，Q0(k)表示在之前的第k天目标用户的交易量，Q0(k)≥0，k＝1,2，…，n。其中n为正整数。
步骤二、对原始时间序列Q0进行数据变换，得到新的时间序列：
X0＝[X0(1)，X0(2)，…，X0(n)]。
其中，X0(k)＝A(Q0(k))，A(Q0(k))表示经过数据变化之后新的时间序列中第k项的值，k＝1,2，…，n。其中n为正整数。
灰色模型的本质是基于指数进行预测的，模型的精度与预测数据的递变规律有着密切的关系，如果原始时间序列以指数或者接近指数规律进行变化时，预测结果的精度将会很好。但是，实际的预测数据很少有以接近指数规律变化的，为例使原始时间序列符合要求，步骤二中对原始时间序列进行适当的数据变换，例如对数变换，指示变换，幂函数变换，反三角函数变换，平移变换等。可选地，步骤二中对原始时间序列进行指数变换。
步骤三、将数据变换后得到的新的时间序列X0作为新的原始时间序列，对数据变换后得到的新的时间序列X0一次累加，生成一阶累加序列X1。
X1＝[X1(1)，X1(2)，…，X1(n)]。
其中
步骤四、确定累加矩阵B及常数项向量Y：
建立GM(1,1)的一阶微分方程模型为：其中，a和u为待定参数。
确定累加矩阵B及常数项向量Y如下：
其中，Z1(k+1)为在(k+1)时刻的背景值，即：
步骤五、采用最小二乘法求出一阶线性微分方程中的待定参数a和u。
φ＝[a,u]T为待辨识参数向量，通过最小二乘法求取a和u的拟合值：其中，表示a的拟合值，表示u的拟合值。
步骤六、将求得的a和u的拟合值代入到步骤四中的一阶微分方程中，求出其离散解：
由于计算的是一次累加之后的预测值，因此需要进行累减之后才能得到原始时间序列的预测值：
根据步骤二中对原始时间序列进行的数据变换，对进行相应的数据还原，得到目标用户的交易量预测模型：
在k＝n时，即为目标用户在当日的交易量的预测值。
本实施例中，若没有存储目标用户的交易量排名与交易量的线性方程，则根据历史交易信息，生成目标用户的交易量排名与交易量的线性方程，具体可以采用如下方式实现：
根据历史交易信息，计算目标用户在前n天内每天的交易量和交易量排名，其中n为正整数；根据目标用户在前n天内每天的交易量和交易量排名，采用线性回归方法，计算目标用户的交易量排名与交易量的线性方程。
具体地，根据目标用户在前n天内每天的交易量和交易量排名，采用线性回归方法，计算目标用户的交易量排名与交易量的线性关系，具体可以采用如下步骤实现：
步骤1、建立目标用户当日的交易量和交易量排名的线性关系模型：
y＝ax+b，其中x为交易量，y为交易量对应的交易量排名，a和b为待定参数。
步骤2、利用最小二乘法，求解待定参数a和b的拟合值和
其中，和分别为前n天内目标用户的交易量的均值和交易量排名的均值。
步骤3、将步骤2中计算得到的a和b的拟合值和带入到上述步骤1中的线性关系模型中，即可得目标用户的交易量排名与交易量的线性方程：
可选地，可以定期地根据目标用户最新的历史交易信息，定期地更新目标用户的交易量预测模型和交易量排名与交易量的线性方程。例如，可以定期地根据目标用户最新的历史交易信息，重新生成目标用户的交易量预测模型和交易量排名与交易量的线性方程。
另外，在本发明的另一实施例中，还可以不直接获取预先存储的目标用户的交易量预测模型和交易量排名与交易量的线性方程，而是在每次为目标用户分配仓储位置时，根据最新的历史交易信息，生成目标用户的交易量预测模型和交易量排名与交易量的线性方程，根据新生成的目标用户的交易量预测模型和交易量排名与交易量的线性方程评估目标用户在当日的交易量和交易量排名，使得预测的目标用户在当日的交易量和交易量排名更加准确。
步骤S205、根据历史交易信息，以及目标用户的交易量预测模型，评估目标用户在当日的交易量。
具体地，根据历史交易信息，以及目标用户的交易量预测模型，评估目标用户在当日的交易量，具体地可以采用如下方式实现：
根据历史交易信息，确定目标用户在当日之前的第n天的交易量；将目标用户在当日之前的第n天的交易量代入上述公式(一)所示的目标用户的交易量预测模型中，可以计算得到目标用户在当日的交易量：
其中，Q0(1)是目标用户在当日之前的第n天的交易量，表示在生成目标用户的交易量预测模型中计算得到的a的拟合值，表示在生成目标用户的交易量预测模型中计算得到的u的拟合值。
步骤S206、根据目标用户在当日的交易量，以及目标用户的交易量排名与交易量的线性方程，评估目标用户在当日的交易量排名。
该步骤中，将目标用户在当日的交易量代入公式(二)表示的目标用户的交易量排名与交易量的线性方程中，即可计算出目标用户在当日的交易量排名。
可选地，若计算出的目标用户在当日的交易量排名不是整数，可以采用四舍五入的方式进行处理。
可选地，在计算得到目标用户在当日的交易量和交易量排名之后，可以存储目标用户在当日的交易量和交易量排名。
步骤S207、根据目标用户在当日的交易量排名，为目标用户分配仓储位置。
本实施例中，根据目标用户在当日的交易量排名，为目标用户分配仓储位置，具体可以采用如下方式实现：
根据目标用户在当日的交易量排名，以及各仓储位置与仓库出口的距离的远近，为交易量排名靠前的目标用户分配距离仓库出口近的仓储位置，以使目标用户的仓储位置与仓库出口的距离小于或者等于交易量排名在目标用户之后的用户的仓储位置与仓库出口的距离，并且大于或者等于交易量排名在目标用户之前的用户的仓储位置与仓库出口的距离。
可选地，如果在目标用户之前，另一用户与目标用户的预测出的交易量排名相同，则该步骤中为目标用户选定与目标用户在当日的交易量排名对应的仓储位置的下一个空闲的仓储位置。
可选地，可以预先计算各个仓储位置与仓库出口的距离，并根据与仓库出口的距离的大小对各个仓储位置进行排序，这样在计算得到目标用户在当日的交易量排名之后，可以根据计算好的各个仓储位置进行排序，直接为目标用户分配仓储位置，可以提高仓储位置分配的效率。
在实际应用中，通常仓库的二次分货区域位于仓库出口附近，本实施例中为交易量排名靠前的目标用户分配距离仓库出口近的仓储位置，也可以使得交易量排名靠前的目标用户的仓储位置距离二次分货区较近，从而可以减少出库时货物拣选人员移动的距离和时间。
可选地，在目标用户的仓储位置分配完成之后，可以将目标用户的仓储位置推送给订单信息对应的拣选人员，以提前告知拣选人员。
需要说明的是，本发明的另一实施方式中，可以根据每个用户的历史交易信息，计算出该用户在每天的交易量和交易量排名的
本发明实施例通过在接收到目标用户的订单信息之后，也即是目标用户在当日有交易量之后，再为目标用户分配仓储位置，可以避免为没有交易量的用户分配仓储空间导致的仓储空间的浪费；通过根据历史交易信息，评估目标用户在当日的交易量排名；根据目标用户在当日的交易量排名，为目标用户分配仓储位置，从而可以实现在当日交易量排名靠前的用户分配在出库时货物拣选过程中运输距离较短的仓储位置，可以大大缩短出库时货物拣选过程中的运输距离，缩短了货物的出库时间，提高了货物出库的效率。
实施例三
图3为本发明实施例三提供的仓储位置分配装置的结构示意图。本发明实施例提供的仓储位置分配装置可以执行仓储位置分配方法实施例提供的处理流程。如图3所示，该装置30包括：获取模块301、计算模块302和分配模块303。
具体地，获取模块301用于获取目标用户的历史交易信息。
计算模块302用于根据目标用户的历史交易信息，评估目标用户在当日的交易量排名。
分配模块303用于根据目标用户在当日的交易量排名，为目标用户分配仓储位置。
本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例，具体功能此处不再赘述。
本发明实施例通过根据获取到的目标用户的历史交易信息，评估目标用户在当日的交易量排名；根据目标用户在当日的交易量排名，为目标用户分配仓储位置，从而可以实现在当日交易量排名靠前的用户分配在出库时货物拣选过程中运输距离较短的仓储位置，可以大大缩短出库时货物拣选过程中的运输距离，缩短了货物的出库时间，提高了货物出库的效率。
实施例四
图4为本发明实施例四提供的仓储位置分配装置的结构示意图。在上述实施例三的基础上，本实施例中，计算模块302包括：获取子模块、第一计算子模块和第二计算子模块。
其中，获取子模块用于获取目标用户的交易量预测模型和交易量排名与交易量的线性方程。
第一计算子模块用于根据历史交易信息，以及目标用户的交易量预测模型，评估目标用户在当日的交易量。
第二计算子模块用于根据目标用户在当日的交易量，以及目标用户的交易量排名与交易量的线性方程，评估目标用户在当日的交易量排名。
本实施例中，分配模块303还用于：根据目标用户在当日的交易量排名，以及各仓储位置与仓库出口的距离的远近，为交易量排名靠前的目标用户分配距离仓库出口近的仓储位置，以使目标用户的仓储位置与仓库出口的距离小于或者等于交易量排名在目标用户之后的用户的仓储位置与仓库出口的距离，并且大于或者等于交易量排名在目标用户之前的用户的仓储位置与仓库出口的距离。
可选地，如图4所示，装置30还可以包括生成模块304。生成模块304用于根据历史交易信息，生成并存储目标用户的交易量预测模型和交易量排名与交易量的线性方程。
生成模块304还用于：根据历史交易信息，计算目标用户在最近的n天内每天的交易量和交易量排名，其中n为正整数；根据目标用户在最近的n天内每天的交易量和交易量排名，采用线性回归方法，生成目标用户的交易量排名与交易量的线性方程。
可选地，装置30还可以包括更新模块305。更新模块305用于定期地更新目标用户的交易量预测模型和交易量排名与交易量的线性方程。
装置30还可以包括：预处理模块306。
预处理模块306用于：接收订单信息，订单信息至少包括用户标识；根据订单信息中的用户标识，确定是否已经为用户标识对应的用户分配了仓储位置；若还没有为用户标识对应的用户分配仓储位置，则将用户标识对应的用户作为目标用户。
本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例，具体功能此处不再赘述。
本发明实施例通过在接收到目标用户的订单信息之后，也即是目标用户在当日有交易量之后，再为目标用户分配仓储位置，可以避免为没有交易量的用户分配仓储空间导致的仓储空间的浪费；通过根据历史交易信息，评估目标用户在当日的交易量排名；根据目标用户在当日的交易量排名，为目标用户分配仓储位置，从而可以实现在当日交易量排名靠前的用户分配在出库时货物拣选过程中运输距离较短的仓储位置，可以大大缩短出库时货物拣选过程中的运输距离，缩短了货物的出库时间，提高了货物出库的效率。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。