李曉柯 梁玥 楊隕菽
[摘 要]現(xiàn)代電商物流中心雖然引進(jìn)了各類智能設(shè)備,但傳統(tǒng)的儲(chǔ)位設(shè)計(jì)有待更新,智能設(shè)備與傳統(tǒng)儲(chǔ)位布局之間的沖突使得倉儲(chǔ)作業(yè)效率低下、成本高昂?;贏priori算法對(duì)現(xiàn)代電商物流中心的儲(chǔ)位優(yōu)化構(gòu)建了簡單的關(guān)聯(lián)模型,通過挖掘的關(guān)聯(lián)規(guī)則對(duì)商品儲(chǔ)位進(jìn)行優(yōu)化,以提高倉儲(chǔ)中心的運(yùn)作效率。
[關(guān)鍵詞]儲(chǔ)位優(yōu)化;關(guān)聯(lián)分析;Apriori算法
[DOI]10.13939/j.cnki.zgsc.2019.27.181
1 引 言
在電子商務(wù)行業(yè)高速發(fā)展的大趨勢下,消費(fèi)者的需求日益凸顯出“小批量、多品種、高頻次”的特點(diǎn),由此對(duì)物流行業(yè)提出了更高的要求。為了滿足消費(fèi)者個(gè)性化需求,促進(jìn)電子商務(wù)的發(fā)展,在互聯(lián)網(wǎng)和人工智能技術(shù)的支持下,電商倉儲(chǔ)中心日趨“智慧化”——分揀機(jī)器人、自動(dòng)導(dǎo)引車等先進(jìn)設(shè)備的引進(jìn)與使用都為倉儲(chǔ)作業(yè)的效率帶來了極大的提升。本文主要就電商倉儲(chǔ)中心拆零貨架區(qū)智能搬運(yùn)機(jī)器人“貨到人”的揀選模式進(jìn)行討論。在原有的儲(chǔ)位設(shè)計(jì)條件下,智能搬運(yùn)機(jī)器人行走的路線多重復(fù)耗時(shí),且搬運(yùn)頻次較高,進(jìn)而增加了倉儲(chǔ)作業(yè)成本。利用關(guān)聯(lián)分析可優(yōu)化該區(qū)域的儲(chǔ)位設(shè)計(jì),進(jìn)一步提高倉儲(chǔ)作業(yè)的效率,降低倉儲(chǔ)作業(yè)成本,同時(shí)有利于提高消費(fèi)者響應(yīng)速度。
2 方法介紹
2.1 關(guān)聯(lián)規(guī)則
關(guān)聯(lián)規(guī)則是形如X→Y的蘊(yùn)含式,是在同一件事物出現(xiàn)不同項(xiàng)的一種關(guān)系。
定義1:設(shè)I=(i1,i2…,ik),是項(xiàng)目集合,D=(t1,t2,…,tk)為事物數(shù)據(jù)庫,其中每個(gè)事物(Transaction)t是I的非空子集,即tI,且每一個(gè)事物都與一個(gè)唯一的標(biāo)識(shí)符TID(Transaction ID)對(duì)應(yīng)。因此關(guān)聯(lián)規(guī)則可以表示為X→Y的邏輯蘊(yùn)涵式,其中XI,YI,且X∩Y=。
定義2:關(guān)聯(lián)規(guī)則X→Y支持度(Support)是事物數(shù)據(jù)庫中包含X∪Y的事物占事物數(shù)據(jù)庫D的百分比,即P(X∪Y);關(guān)聯(lián)規(guī)則X→Y置信度(Confidence)是事物數(shù)據(jù)庫中包含X事物同時(shí)包含Y事物占事物數(shù)據(jù)庫的百分比,即P(Y∣X)。即
Support(X→Y)=P(X∪Y)
Confidence(X→Y)=P(Y∣X)
支持度代表了規(guī)則的出現(xiàn)頻次,而置信度代表了規(guī)則是否重要的可靠程度。在挖掘關(guān)聯(lián)規(guī)則時(shí)通常會(huì)設(shè)定支持度和置信度的閾值,即最小支持度(min_support)和最小置信度(min_confidence),當(dāng)同時(shí)滿足支持度和置信度的閾值時(shí),則稱該關(guān)聯(lián)規(guī)則為強(qiáng)關(guān)聯(lián)規(guī)則,即該關(guān)聯(lián)規(guī)則是有價(jià)值的。
2.2 關(guān)聯(lián)規(guī)則挖掘
2.2.1 高頻項(xiàng)目組
高頻項(xiàng)目組指某一項(xiàng)目組發(fā)生的頻率在事物數(shù)據(jù)庫中達(dá)到某一水平,即滿足最小支持度。滿足最小支持度的稱為高頻k-項(xiàng)目組。算法將從高頻k-項(xiàng)目組中再產(chǎn)生(k+1)-項(xiàng)目組,直到無法再找到更長的高頻項(xiàng)目組為止。
2.2.2 產(chǎn)生關(guān)聯(lián)規(guī)則
在高頻k-項(xiàng)目組的基礎(chǔ)之上產(chǎn)生關(guān)聯(lián)規(guī)則,若一個(gè)規(guī)則達(dá)到置信度閾值,即滿足最小置信度,則稱此規(guī)則為關(guān)聯(lián)規(guī)則。
2.3 Apriori原理
Apriori(拉丁語“來自以前”)算法是典型用于挖掘關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集算法,是由R Agrawal和R Srikant于1994年提出的為布爾關(guān)聯(lián)規(guī)則挖掘頻繁項(xiàng)集的原創(chuàng)性算法。
Apriori算法的核心思想是利用頻繁項(xiàng)集的先驗(yàn)性質(zhì)(Prior Knowledge)或稱頻繁項(xiàng)集的反單調(diào)性,即頻繁項(xiàng)集的非空子集一定是頻繁的,通過逐層搜索的迭代方法尋找頻繁項(xiàng)集,即將k-項(xiàng)集用于探索(k+1)-項(xiàng)集,以此窮盡數(shù)據(jù)集中的所有頻繁項(xiàng)集。首先計(jì)算1-項(xiàng)集中的候選集C1,即候選1-項(xiàng)集,從C1中找出頻繁1-項(xiàng)集L1;根據(jù)頻繁1-項(xiàng)集計(jì)算候選2-項(xiàng)集C2,從C2中找出頻繁2-項(xiàng)集L2,…,依次迭代,直到某個(gè)k值使得頻繁k-項(xiàng)集為空時(shí)停止。每找一個(gè)頻繁項(xiàng)集LK都需要掃描一次數(shù)據(jù)庫,Apriori算法通過前述的先驗(yàn)性質(zhì)來減緩搜索的速度。
2.4 Apriori算法偽代碼
整個(gè)Apriori算法的偽代碼如下:
當(dāng)集合中項(xiàng)的個(gè)數(shù)大于0時(shí)
構(gòu)建一個(gè)k個(gè)項(xiàng)目組成的候選項(xiàng)集列表
檢查數(shù)據(jù)以確認(rèn)每個(gè)項(xiàng)目都是頻繁的
保留頻繁項(xiàng)集并構(gòu)建k+1項(xiàng)組成的候選項(xiàng)集列表
數(shù)據(jù)集掃描的偽代碼如下:
對(duì)數(shù)據(jù)集中的每條交易記錄tran
對(duì)每個(gè)候選項(xiàng)集can
檢查一下can是否是tran的子集:
如果是,則增加can的計(jì)數(shù)值
對(duì)每個(gè)候選項(xiàng)集:
如果其支持度不低于最小值,則保留該項(xiàng)集
返回所有頻繁項(xiàng)集列表
3 算例分析
本算例主要用于優(yōu)化在小件拆零揀選區(qū)中的儲(chǔ)位設(shè)計(jì),利用Apriori算法對(duì)訂單進(jìn)行相關(guān)分析,挖掘其中蘊(yùn)含的關(guān)聯(lián)規(guī)則,從而對(duì)商品儲(chǔ)位進(jìn)行優(yōu)化。為簡化算例過程,此處僅分析兩種商品之間的關(guān)聯(lián)關(guān)系。
某電商物流中心一周內(nèi)的歷史有效訂單共3344條,其中包括8種品類。本算例選取其中的休閑食品為代表展開相關(guān)分析。
如表1所示,在休閑食品品類中的27種商品一周內(nèi)的有效訂單情況,此處設(shè)置最小支持度(min_supprot)=0.03,最小置信度(min_confidence)=0.4,同時(shí)為了簡化計(jì)算演示過程,此處只討論頻繁2-項(xiàng)集情況。由于考慮到數(shù)據(jù)較為復(fù)雜,數(shù)據(jù)量較大,這里借助Python語言環(huán)境實(shí)現(xiàn)對(duì)關(guān)聯(lián)規(guī)則的挖掘。
在最小支持度為0.03的條件下,得到表2中13種滿足要求的商品,即頻繁1-項(xiàng)集(L1)。又對(duì)這些商品重新命名為X1,X2,…,X13,生成候選2-項(xiàng)集(C2),在此基礎(chǔ)之上產(chǎn)生頻繁2-項(xiàng)集(L2)。
由此根據(jù)算法結(jié)果分析應(yīng)把表3所述的幾種商品存儲(chǔ)在同一小件拆零貨架,以此減少智能搬運(yùn)機(jī)器人行走路線重復(fù)的概率,提升分揀搬運(yùn)效率,降低倉儲(chǔ)作業(yè)成本。
有時(shí)某些商品盡管被訂購的頻率較高,但數(shù)量很少,還應(yīng)對(duì)關(guān)聯(lián)分析模型進(jìn)行優(yōu)化,即加入數(shù)量權(quán)重,使挖掘出的關(guān)聯(lián)規(guī)則更有價(jià)值。但此處為簡化討論,暫不將數(shù)量權(quán)重考慮其中,僅討論簡單關(guān)聯(lián)規(guī)則下對(duì)儲(chǔ)位進(jìn)行優(yōu)化的策略。
4 結(jié) 論
本文基于Apriori算法對(duì)電商物流中心小件拆零區(qū)的儲(chǔ)位進(jìn)行優(yōu)化設(shè)計(jì),以此配合智能設(shè)備的高效運(yùn)作。根據(jù)商品的關(guān)聯(lián)規(guī)則,重新安排儲(chǔ)位,提高倉儲(chǔ)作業(yè)的效率,降低運(yùn)營成本,更能提高對(duì)于消費(fèi)者需求的響應(yīng)速度。本文所構(gòu)建的模型較為簡單,雖然在Python構(gòu)建了Apriori算法,但由于數(shù)據(jù)量較大,程序運(yùn)行速度較慢,后期還可以改進(jìn)為使用FP-growth算法來提升尋找頻繁項(xiàng)集的效率,處理更大的數(shù)據(jù)量。同時(shí)優(yōu)化模型加入數(shù)量權(quán)重,使得簡單的關(guān)聯(lián)規(guī)則更有現(xiàn)實(shí)意義和價(jià)值。
參考文獻(xiàn):
[1]崔妍,包志強(qiáng).關(guān)聯(lián)規(guī)則挖掘綜述[J].計(jì)算機(jī)應(yīng)用研究,2016,33(2):330-334.
[2]段玉曉.基于Apriori關(guān)聯(lián)規(guī)則的信息技術(shù)相關(guān)股票數(shù)據(jù)分析[J].科技經(jīng)濟(jì)導(dǎo)刊,2018,26(31).
[3]張志勇,張新輝,劉杰.基于Apriori算法的關(guān)聯(lián)規(guī)則挖掘在配送中心儲(chǔ)位規(guī)劃中的應(yīng)用[J].物流工程與管理,2012,34(4):56-59.