分配订单的方法和装置与流程

本发明涉及计算机
技术领域：
，尤其涉及一种分配订单的方法和装置。
背景技术：
：当仓库接到大量的订单时，需要将各订单分配到仓库中的工作站，优秀的订单分配策略可以根据现有工作站的数量合理为每个工作站安排同一批次内需要生产的订单，以减少从拣货到出库完成之间的时间消耗。目前仓库生产过程中主要利用随机绑定订单与工作站的方式分配订单。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：1.采用随机分配订单的方式，其分配结果随机性较大，产生较好或较差分配方案的机会均等，导致工作站处理订单的时间消耗也具有随机性。2.采用随机分配订单的方式，无法减少工作站处理订单的时间消耗，也就无法整体提高工作站处理订单的效率。技术实现要素：有鉴于此，本发明实施例提供一种分配订单的方法和装置，能够采用已训练好的神经网络模型，根据集合单信息，获取多个订单与工作站的分配关系，克服了现有技术中随机分配订单导致的处理时间随机性的问题，减少了工作站处理订单的时间消耗，同时也整体提高了工作站处理订单的效率。为实现上述目的，根据本发明实施例的一个方面，提供了一种分配订单的方法，包括：获取集合单信息，所述集合单信息包括多个订单的订单信息；根据所述集合单信息，利用训练好的神经网络模型，获取分配到工作站的物品信息；根据工作站的物品信息，确定工作站与集合单中的各订单的分配关系。可选地，每个订单的订单信息包括订单唯一标识和与所述订单唯一标识对应的物品种类信息；所述工作站的物品信息包括分配到每个工作站的物品种类信息；根据工作站的物品信息，确定工作站与集合单中的各订单的分配关系，包括：根据工作站的物品种类信息集合，确定与所述物品种类信息集合中的每个物品种类信息对应的订单唯一标识，以确定分配到工作站的订单；其中，所述物品种类信息集合包括多个物品种类信息。可选地，根据所述集合单信息，利用训练好的神经网络模型，获取分配到工作站的物品信息，包括：将所述集合单信息作为所述神经网络模型的输入；其中，所述集合单信息是第一n维向量(a1,a2,…,an)，ai表示所述集合单中的第i类物品的数量，i＝1,2,…,n；n为仓库中物品种类的数量；所述神经网络模型输出所述工作站的物品信息；其中，所述工作站的物品信息是由m个第二n维向量(bj1,bj2,…,bjn)组成的向量组，第二n维向量(bj1,bj2,…,bjn)表示第j个工作站的物品信息；bji表示分配到第j个工作站的第i类物品的数量，j＝1,2,…,m；m为工作站的数量。可选地，所述神经网络模型的训练样本包括：历史集合单信息及其对应的历史工作站的物品信息；所述历史集合单信息的获取，包括：获取历史波次信息，所述历史波次信息包括多个集合单信息；计算工作站处理分配到的第p个历史波次信息中的订单的平均时间nj表示第j个工作站分配到的第p个历史波次信息中的物品种类总数，tj表示第j个工作站处理分配到的第p个历史波次信息中的订单的总时间，j＝1,2,…,m；m为工作站的数量；按照所述平均时间对所有的历史波次信息进行升序排序，选出排序靠前的设定比例的历史波次信息，将选出的历史波次信息中的集合单信息作为历史集合单信息。可选地，所述神经网络模型的结构包括：输入层、输出层和中间层；其中，所述输入层包括n个神经元，所述输出层包括m×n个神经元，所述中间层包括m×(n+1)个神经元；n为仓库中物品种类的数量，m为工作站的数量。为实现上述目的，根据本发明实施例的另一方面，提供了一种分配订单的装置，包括：信息获取模块、分配模块、分配关系确定模块；所述信息获取模块，用于：获取集合单信息，所述集合单信息包括多个订单的订单信息；所述分配模块，用于：根据所述集合单信息，利用训练好的神经网络模型，获取分配到工作站的物品信息；所述分配关系确定模块，用于：根据工作站的物品信息，确定工作站与集合单中的各订单的分配关系。可选地，每个订单的订单信息包括订单唯一标识和与所述订单唯一标识对应的物品种类信息；所述工作站的物品信息包括分配到每个工作站的物品种类信息；所述分配关系确定模块，用于：根据工作站的物品种类信息集合，确定与所述物品种类信息集合中的每个物品种类信息对应的订单唯一标识，以确定分配到工作站的订单；其中，所述物品种类信息集合包括多个物品种类信息。可选地，所述分配模块，用于：将所述集合单信息作为所述神经网络模型的输入；其中，所述集合单信息是第一n维向量(a1,a2,…,an)，ai表示所述集合单中的第i类物品的数量，i＝1,2,…,n；n为仓库中物品种类的数量；所述神经网络模型输出所述工作站的物品信息；其中，所述工作站的物品信息是由m个第二n维向量(bj1,bj2,…,bjn)组成的向量组，第二n维向量(bj1,bj2,…,bjn)表示第j个工作站的物品信息；bji表示分配到第j个工作站的第i类物品的数量，j＝1,2,…,m；m为工作站的数量。可选地，所述装置还包括训练模块；所述训练模块，用于：训练神经网络模型；所述神经网络模型的训练样本包括：历史集合单信息及其对应的历史工作站的物品信息；所述历史集合单信息的获取，包括：获取历史波次信息，所述历史波次信息包括多个集合单信息；计算工作站处理分配到的第p个历史波次信息中的订单的平均时间nj表示第j个工作站分配到的第p个历史波次信息中的物品种类总数，tj表示第j个工作站处理分配到的第p个历史波次信息中的订单的总时间，j＝1,2,…,m；m为工作站的数量；按照所述平均时间对所有的历史波次信息进行升序排序，选出排序靠前的设定比例的历史波次信息，将选出的历史波次信息中的集合单信息作为历史集合单信息。可选地，所述装置还包括训练模块；所述训练模块，用于：设置神经网络模型的结构；所述神经网络模型的结构包括：输入层、输出层和中间层；其中，所述输入层包括n个神经元，所述输出层包括m×n个神经元，所述中间层包括m×(n+1)个神经元；n为仓库中物品种类的数量，m为工作站的数量。为实现上述目的，根据本发明实施例的再一方面，提供了一种电子设备，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本发明实施例所提供的分配订单的方法。为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例所提供的分配订单的方法。上述发明中的一个实施例具有如下优点或有益效果：采用已训练好的神经网络模型，根据集合单信息，获取多个订单与工作站的分配关系，克服了现有技术中随机分配订单导致的处理时间随机性的问题，本发明实施例中的已训练好的神经网络模型，其训练样本是按照工作站平均处理时间筛选出的，采用该神经网络模型得到的订单分配关系，可以减少工作站处理订单的时间消耗，同时也整体提高了工作站处理订单的效率。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分配订单的方法的基本流程的示意图；图2是根据本发明实施例的神经网络模型的结构示意图；图3是根据本发明实施例的训练神经网络模型的基本流程的示意图；图4是根据本发明实施例的分配订单的方法的优选流程的示意图；图5是根据本发明实施例的分配订单的装置的基本模块的示意图；图6是本发明实施例可以应用于其中的示例性系统架构图；图7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分配订单的方法的基本流程的示意图，如图1所示，本发明实施例提供了一种分配订单的方法，可以包括：步骤s101获取集合单信息，所述集合单信息包括多个订单的订单信息；步骤s102根据所述集合单信息，利用训练好的神经网络模型，获取分配到工作站的物品信息；步骤s103根据工作站的物品信息，确定工作站与集合单中的各订单的分配关系。本发明实施例采用已训练好的神经网络模型，根据集合单信息，获取多个订单与工作站的分配关系，克服了现有技术中随机分配订单导致的处理时间随机性的问题，减少了工作站处理订单的时间消耗。本发明实施例中，每个订单的订单信息包括订单唯一标识和与所述订单唯一标识对应的物品种类信息；所述工作站的物品信息包括分配到每个工作站的物品种类信息；根据工作站的物品信息，确定工作站与集合单中的各订单的分配关系，包括：根据工作站的物品种类信息集合，确定与所述物品种类信息集合中的每个物品种类信息对应的订单唯一标识，以确定分配到工作站的订单；其中，所述物品种类信息集合包括多个物品种类信息。本发明实施例中的每个订单的订单信息中可以只包括一个物品种类信息和与其对应的订单唯一标识；针对每个工作站，根据该工作站的物品种类集合，获取与物品种类信息对应的订单唯一标识；根据订单唯一标识，确定分配到该工作站的订单。物品种类信息包括物品所属的类别或种类，例如在电商领域中，可以指sku(stockkeepingunit)，商品统一编号的简称，每种商品均对应有唯一的sku。对一种商品而言，当其品牌、型号、配置、等级、花色、包装容量、单位、生产日期、保质期、用途、价格、产地等属性中任一属性与其他商品存在不同时，可称为一个sku。本发明实施例将订单的物品种类与订单的唯一标识进行绑定，可以根据工作站的物品种类及其物品种类对应的订单的唯一标识，确定分配到该工作站的订单，从而获得集合单中订单与工作站的分配关系，使得分配结果更为准确，同时提高了分配过程的效率。本发明实施例中，根据所述集合单信息，利用训练好的神经网络模型，获取分配到工作站的物品信息，可以包括：将所述集合单信息作为所述神经网络模型的输入；其中，所述集合单信息是第一n维向量(a1,a2,…,an)，ai表示所述集合单中的第i类物品的数量，i＝1,2,…,n；n为仓库中物品种类的数量；所述神经网络模型输出所述工作站的物品信息；其中，所述工作站的物品信息是由m个第二n维向量(bj1,bj2,…,bjn)组成的向量组，第二n维向量(bj1,bj2,…,bjn)表示第j个工作站的物品信息；bji表示分配到第j个工作站的第i类物品的数量，j＝1,2,…,m；m为工作站的数量。本发明实施例根据物品的种类及其对应种类的数量，结合神经网络模型，实现订单的分配，提高了分配效率和准确性；同时，降低了统计集合单信息的难度，提高了本发明实施例的操作性。本发明实施例中，所述神经网络模型的训练样本包括：历史集合单信息及其对应的历史工作站的物品信息；所述历史集合单信息的获取，包括：获取历史波次信息，所述历史波次信息包括多个集合单信息；计算工作站处理分配到的第p个历史波次信息中的订单的平均时间nj表示第j个工作站分配到的第p个历史波次信息中的物品种类总数，tj表示第j个工作站处理分配到的第p个历史波次信息中的订单的总时间，j＝1,2,…,m；m为工作站的数量；按照所述平均时间对所有的历史波次信息进行升序排序，选出排序靠前的设定比例的历史波次信息，将选出的历史波次信息中的集合单信息作为历史集合单信息。本发明实施例中的已训练好的神经网络模型，其训练样本是按照工作站平均处理时间筛选出的，采用该神经网络模型得到的订单分配关系，可以减少工作站处理订单的时间消耗，同时也整体提高了工作站处理订单的效率。图2是根据本发明实施例的神经网络模型的结构示意图。如图2所示，本发明实施例采用的神经网络模型的结构包括：输入层、输出层和中间层；其中，所述输入层包括n个神经元，所述输出层包括m×n个神经元，所述中间层包括m×(n+1)个神经元；n为仓库中物品种类的数量，m为工作站的数量。在输入层中，每个神经元对应一个仓库中的物品种类，神经元的数值以整数表示该集合单中该神经元对应的物品种类的数量，即输入层第i个神经元的数值等于ai。在输出层中，神经元等分为与工作站数量相等的m组，每组包含与仓库中物品种类数量n相等数量的神经元，每组中的每个神经元对应一个仓库中的物品种类，神经元的数值以整数表示分配到该工作站的该神经元对应的物品种类的数量，即输出层第j组的第i个神经元的数值与bji相等。本发明实施例通过读取输出层各神经元的数值获得工作站的物品信息。本发明实施例采用已训练好的神经网络模型，获取多个订单与工作站的分配关系，克服了现有技术中随机分配订单导致的处理时间随机性的问题，同时本发明实施例中的神经网络的结构能够提高分配结果的准确性，从而提高分配效率，乃至减少工作站处理订单的时间消耗，同时也整体提高了工作站处理订单的效率。图3是根据本发明实施例的训练神经网络模型的基本流程的示意图。如图3所示，从数据库中获取历史波次信息，历史波次信息包括多个集合单信息；计算工作站处理分配到的第p个历史波次信息中的订单的平均时间；按照所述平均时间对所有的历史波次信息进行升序排序，选出排序靠前的设定比例的历史波次信息，将选出的历史波次信息中的集合单信息作为历史集合单信息。确定初始的神经网络模型的结构和初始参数，该神经网络模型的结构包括：输入层、输出层和中间层；其中，所述输入层包括n个神经元，所述输出层包括m×n个神经元，所述中间层包括m×(n+1)个神经元；n为仓库中物品种类的数量，m为工作站的数量。从数据库中获取历史集合单信息对应的历史工作站的物品信息。将历史集合单信息转换为第一n维向量的形式(a1,a2,…,an)，将历史集合单信息对应的历史工作站的物品信息转换为由m个第二n维向量(bj1,bj2,…,bjn)组成的向量组的形式。例：仓库中总sku种类有abcde五种，集合单信息包含了10个订单的订单信息：订单1-a、订单2-a、订单3-b、订单4-a、订单5-b、订单6-a、订单7-d、订单8-d、订单9-a、订单10-b；则该集合单信息如表1所示为(5，3，0，2，0)。表1：abcde53020将上述集合单信息中的订单分配到工作站甲、乙、丙中，分配情况为：甲—订单1-a、订单2-a、订单5-b；乙—订单3-b、订单4-a、订单7-d、订单8-d；丙—订单6-a、订单9-a、订单10-b。则上述集合单信息对应的历史工作站的物品信息如表2所示：表2：将转换后的历史集合单信息及其对应的历史工作站的物品信息作为样本集；采用随机抽样法，将所述样本集随机分为训练集和测试集；采用训练集训练神经网络模型，更新神经网络模型的参数；采用测试集测试完成训练的神经网络模型，其输出结果的误差小于设定阈值，则经过训练的神经网络模型合格。图4是根据本发明实施例的分配订单的方法的优选流程的示意图；获取集合单信息，将集合单信息转换为第一n维向量的形式；将转换后的集合单信息输入上述训练好的神经网络模型，根据神经网络模型输出层各组神经元的数值，获取分配到各工作站的物品信息；根据工作站的物品信息，获取工作站与集合单中的各订单的分配关系。图5是根据本发明实施例的分配订单的装置的基本模块的示意图。如图5所示，本发明实施例提供了一种分配订单的装置500，包括：信息获取模块501、分配模块502、分配关系确定模块503；所述信息获取模块，用于：获取集合单信息，所述集合单信息包括多个订单的订单信息；所述分配模块，用于：根据所述集合单信息，利用训练好的神经网络模型，获取分配到工作站的物品信息；所述分配关系确定模块，用于：根据工作站的物品信息，确定工作站与集合单中的各订单的分配关系。本发明实施例采用已训练好的神经网络模型，根据集合单信息，获取多个订单与工作站的分配关系，克服了现有技术中随机分配订单导致的处理时间随机性的问题，减少了工作站处理订单的时间消耗。本发明实施例中，每个订单的订单信息包括订单唯一标识和与所述订单唯一标识对应的物品种类信息；所述工作站的物品信息包括分配到每个工作站的物品种类信息；所述分配关系确定模块503，用于：根据工作站的物品种类信息集合，确定与所述物品种类信息集合中的每个物品种类信息对应的订单唯一标识，以确定分配到工作站的订单；其中，所述物品种类信息集合包括多个物品种类信息。本发明实施例将订单的物品种类与订单的唯一标识进行绑定，可以根据工作站的物品种类及其物品种类对应的订单的唯一标识，确定分配到该工作站的订单，从而获得集合单中订单与工作站的分配关系，使得分配结果更为准确，同时提高了分配过程的效率。本发明实施例中所述信息获取模块501，用于：所述集合单信息是第一n维向量(a1,a2,…,an)，ai表示所述集合单中的第i类物品的数量，i＝1,2,…,n；n为仓库中物品种类的数量；所述工作站的物品信息是由m个第二n维向量(bj1,bj2,…,bjn)组成的向量组，第二n维向量(bj1,bj2,…,bjn)表示第j个工作站的物品信息；bji表示分配到第j个工作站的第i类物品的数量，j＝1,2,…,m；m为工作站的数量。本发明实施例根据物品的种类及其对应种类的数量，结合神经网络模型，实现订单的分配，提高了分配效率和准确性；同时，降低了统计集合单信息的难度，提高了本发明实施例的操作性。本发明实施例中，所述装置还包括训练模块；所述训练模块，用于：训练神经网络模型；所述神经网络模型的训练样本包括：历史集合单信息及其对应的历史工作站的物品信息；所述历史集合单信息的获取，包括：获取历史波次信息，所述历史波次信息包括多个集合单信息；计算工作站处理分配到的第p个历史波次信息中的订单的平均时间nj表示第j个工作站分配到的第p个历史波次信息中的物品种类总数，tj表示第j个工作站处理分配到的第p个历史波次信息中的订单的总时间，j＝1,2,…,m；m为工作站的数量；按照所述平均时间对所有的历史波次信息进行升序排序，选出排序靠前的设定比例的历史波次信息，将选出的历史波次信息中的集合单信息作为历史集合单信息。本发明实施例中的已训练好的神经网络模型，其训练样本是按照工作站平均处理时间筛选出的，采用该神经网络模型得到的订单分配关系，可以减少工作站处理订单的时间消耗，同时也整体提高了工作站处理订单的效率。本发明实施例中，所述训练模块，用于：设置神经网络模型的结构；所述神经网络模型的结构包括：输入层、输出层和中间层；其中，所述输入层包括n个神经元，所述输出层包括m×n个神经元，所述中间层包括m×(n+1)个神经元；n为仓库中物品种类的数量，m为工作站的数量。本发明实施例采用已训练好的神经网络模型，获取多个订单与工作站的分配关系，克服了现有技术中随机分配订单导致的处理时间随机性的问题，同时本发明实施例中的神经网络的结构能够提高分配结果的准确性，从而提高分配效率，乃至减少工作站处理订单的时间消耗，同时也整体提高了工作站处理订单的效率。图6示出了可以应用本发明实施例的分配订单的方法或分配订单的装置的示例性系统架构600。如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603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。终端设备601、602、603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605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。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分配订单的方法一般由服务器605执行，相应地，分配订单的装置一般设置于服务器605中。应该理解，图6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。根据本发明的实施例，还提供了一种电子设备和一种可读存储介质。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本发明所提供的分配订单的方法。本发明实施例的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的分配订单的方法。下面参考图7，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700的结构示意图。图7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7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，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710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708。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709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701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：信息获取模块、分配模块、分配关系确定模块。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，信息获取模块还可以被描述为“获取集合单信息的模块”。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：步骤s101获取集合单信息，所述集合单信息包括多个订单的订单信息；步骤s102根据所述集合单信息，利用训练好的神经网络模型，获取分配到工作站的物品信息；步骤s103根据工作站的物品信息，确定工作站与集合单中的各订单的分配关系。根据本发明实施例的分配订单的方法可以看出，采用已训练好的神经网络模型，根据集合单信息，获取多个订单与工作站的分配关系，克服了现有技术中随机分配订单导致的处理时间随机性的问题，本发明实施例中的已训练好的神经网络模型，其训练样本是按照工作站平均处理时间筛选出的，采用该神经网络模型得到的订单分配关系，可以减少工作站处理订单的时间消耗，同时也整体提高了工作站处理订单的效率。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。当前第1页12