大數據驅動下移動貨架的貨位優化研究

周佳慧

[摘 要] 隨著商品經濟的發展，海量的商品種類和訂單數量使得傳統的倉儲設施無法滿足發展的需要。通過利用Apriori算法挖掘以往銷售訂單中的頻繁項集，并根據頻繁項集的結果對商品進行分組，之后排除已經在商品組中的商品，通過不斷地降低支持度閾值對剩下訂單中的商品進行挖掘，直到大部分的商品均分配到商品組中，將剩余的商品根據銷量來分配商品組，這樣大部分商品組中的商品都是經常在同一訂單中出現的。再將這些商品組分配到貨架上，從而在揀選的過程中減少貨架搬運數量，提高揀選效率，降低揀選成本。

[關鍵詞] Apriori算法;頻繁項集;貨位優化

[中圖分類號] F740[文獻標識碼] A[文章編號] 1009-6043（2019）08-0118-02

一、引言

近年來，國內外學者加大了對倉儲活動的研究，但是很多研究都集中在自動化立體庫方面，自動化立體庫雖然能大大的提高倉儲作業效率，但是基礎設施成本高，對操作人員的技術要求也較高，不能滿足我國中小倉儲企業的發展需要。目前，移動貨架與自動導引運輸車（AGV）結合應用既實現了存取自動化，操作簡便，又對技術的要求相對較低，資金投入少，系統柔性好，能隨時的增減移動貨架和AGV小車的數量，因此，移動貨架是未來貨架發展應用的一個方向。倉庫管理除了對基礎設備的改造升級以外，還要對基礎的倉儲活動進行優化，以往的研究表明，對于倉儲的管理訂單揀選作業的成本占倉庫總運營成本的50%-75%[1]，提高揀選作業的方法包括優化揀選路徑，訂單的批處理，分區倉庫，存儲位置優化，其中，存儲位置優化對提高訂單揀選效率的影響性較大。

二、貨位優化問題描述及分析

在傳統的貨架貨位優化中，其揀選活動是基于“人到貨”的揀選活動，貨架的位置是固定的，人在倉庫中行走，從而完成揀選活動。因此，傳統的貨架位置優化就是希望所揀選的商品存儲在距離揀選臺近的地方或者在揀選人員到達某一貨架位置時，能揀選完訂單中的多種商品，從而減少行走路程，節約揀選時間。移動貨架是基于“貨到人”的揀選模式，在揀選的過程中機器人搬運貨架到達揀選臺，揀選人員在揀選臺等著貨架到來，并完成揀選活動。為了提高揀選效率，我們往往希望搬運一個貨架而完成多種商品的揀選，這樣，就能在完成一批訂單的揀選時，機器人可以搬運的貨架數量更少，從而提高揀選效率，降低企業成本。為了滿足這樣的揀選需求，對貨位進行優化時，我們將考慮商品分組策略，并根據以往的銷售訂單，利用Apriori算法對訂單進行挖掘，找到經常在同一訂單中出現的商品，并將這些商品分配到商品組中，最后將每個商品組安排到一個貨架上。對于那些沒有被挖掘出的商品，我們將不斷的降低支持度閾值，對其進行多次挖掘。對于那些在支持度閾值較低的情況下也沒有被挖掘出的商品，我們將根據其銷量進行商品分組，這樣的商品分組就盡可能的將出現在同一訂單的商品分配到同一商品組中，最終分配到同一個貨架上。

三、頻繁項集與Apriori算法

項集指的是若干個項的集合，頻繁項集是指支持度大于等于最小支持度的集合。其中支持度指的是某個集合在所有事務中出現的頻率。頻繁項集挖掘是數據挖掘中的一個很重要的研究基礎，它可以告訴我們數據集中經常出現的量，并為我們的決策提供支持[2]。本研究將采用Apriori算法，挖掘歷史訂單中頻繁項集的方法，對歷史訂單的數據進行分析。

1994年IBM Almaden Research Center的Agrawal[3]提出Apriori算法。Apriori算法在發現頻繁項集與關聯規則中具有顯著的歷史地位。Apriori算法通過逐層搜索迭的方式來尋找頻繁項集，即由頻繁k項集產生頻繁k+1項集，該過程也被稱為連接與剪枝。Apriori算法中的先驗性質即頻繁項集的所有非空子集也一定是頻繁的，該性質能大大的壓縮搜索空間，提高搜索效率。產生頻繁項集的步驟如下：

（1）給定支持度閾值。

（2）掃描數據庫，產生滿足最小支持度的頻繁一項集。

（3）由頻繁一項集經過連接產生候選項集，根據支持度閾值進行剪枝，再根據先驗性質產生頻繁二項集。

（4）重復（2）、（3）過程，直至產生所有的頻繁項集。

四、商品分類與貨位指派

以往的研究表明，人們對不同的商品需求程度是不同的，像生活必需品，我們是需要定期購買的，而像紅酒，對于那些不喜歡喝酒的人來講，他們可能永遠不會購買紅酒。因此，除了剛剛已經分配到商品組中的商品以外，仍有大部分的商品在商品組之外，我們還需要將這部分商品很好的分配到商品組中，為了使在同一商品組中的商品是經常在一起出現的，因此，我們將不斷地降低支持度，對訂單進行挖掘，直到支持度已經非常非常小時則停止挖掘，之后，將不在商品組中的商品根據銷量進行分組，直到所有的商品已經都分配到商品組中。具體的實施步驟如下：

（1）設置最大的支持度閾值，對訂單中的商品進行挖掘。

（2）根據支持度對頻繁項集進行排序，之后考慮最高維度的項集數和貨架貨位數對商品進行分組。

（3）排除已經分組的商品，更新數據庫。降低支持度閾值，對剩下的商品進行挖掘。

（4）根據支持度對頻繁項集進行排序。如果此時最高維度項集內的商品種類與已有商品組中商品的種類之和小于等于貨架貨位數，則將該頻繁項集中的商品分配到已有商品組中，否則，該頻繁項集中的商品為一個商品組。

（5）重復（3）、（4）過程，直到所有的商品都獲得分組。

通過挖掘訂單中的頻繁項集，先將一部商品根據頻繁項集的結果形成商品組，之后不斷地降低支持度閾值將剩余的商品也形成商品組。該方法能最大程度的將同時出現在一個訂單中的商品分配到同一個商品組里。我們將商品組指派到空貨架上，每個商品組將對應一個貨架編號。

五、實證與分析

我們選取了某電商三月份的銷售訂單數據，原始數據包含了揀選訂單號、發貨訂單號、訂單產生時間、商品編碼、商品數量等，我們對原始數據進行處理并選取發貨單號、商品編碼、商品數量三類信息，統計發現該電商三月份數據中一共有82147個訂單，包含了160種商品。

在利用Apriori算法對數據進行挖掘之前，我們要對貨位優化過程進行一定的假設：

（1）布局已經確立，空貨架已經擺放在倉庫中。

（2）忽略貨物的規格、尺寸。

（3）存在一種商品存儲在多個貨架的情況。

（4）只考慮項集維度小于等于貨架貨位數的頻繁項集。

（5）假設每個貨架最多存放六種商品。

為了能更好的挖掘頻繁項集，我們先設置不同的支持度閾值進行挖掘探索。開始時我們將支持度閾值設置為0.35，由于此時的支持度閾值較高，只能挖掘到頻繁二項集，所以，應降低支持度閾值。我們將支持度閾值分別設置為0.3、0.25，發現當支持度閾值分別為0.3、0.25時，他們的挖掘結果與第一次挖掘結果一致。接下來，我們分別將支持度閾值設置為0.2、0.15、0.10、0.05、0.01，我們發現當支持度閾值為0.2時，最多挖掘到頻繁四項集;當支持度閾值設置為0.15、0.10時，可以挖掘到頻繁五項集，二者的挖掘結果一致;當支持度閾值設置為0.05時，可以挖掘到頻繁六項集;當支持度閾值設置為0.01時，可以挖掘到頻繁八項集。由于貨架最多可以存儲6種商品，因此，我們尋找頻繁六項集對應的支持度閾值。從以上的探索挖掘過程就可以發現，當支持度閾值為0.05、0.01時，都可以挖掘到頻繁六項集，但當支持度閾值為0.01時，頻繁六項集出現的數量較多，所以，我們從支持度閾值為0.01開始進行挖掘，并將每個頻繁項集形成一個商品組，并從系統數據中剔除已經在商品組的商品數據。

接下來，將支持度閾值設置為0.05，可以挖掘到兩個頻繁三項集，由于第一次挖掘中，項集維度都是六，因此，已經存在商品的商品組無法加入新的商品。將兩個頻繁三項集合并成一個商品組，當兩個頻繁項集中存在相同種類的商品時，這就說明這種商品需求量較大，因此，將該種商品視為兩種。將支持度閾值設置為0.001進行第三次挖掘，最多可以挖掘到頻繁五項集，頻繁項集的數量為一個。由于前面的商品組的已經沒有空位，因此，將頻繁五項集形成一個新的商品組。由于剔除掉一些商品，有的訂單可能不存在了，當支持度閾值設置為0.001時，依次可以挖掘到頻繁三項集。從第四次挖掘開始，我們分別將支持度閾值設置為0.001、0.001、0.001、0.0005、0.0001，一共進行了八次挖掘，此時的支持度閾值設置已經非常低，但仍有49種商品未被挖掘出來，根據支持度、訂單數量，我們便可以知道這些商品在訂單中出現的次數小于9，屬于不經常在訂單中出現的商品，因此，我們根據他們的銷量，將他們分配到商品組中，但觀察他們的具體銷售量時，發現每個訂單的購買量非常大，所以，我們考慮一個商品組只存在一種商品，但放置的數量非常多。

根據挖掘的結果，我們將160種商品分配到了62個商品組里，并依次將該商品組分配到貨架上。

六、結論

通過對歷史訂單進行挖掘分析，我們將經常購買的商品分到一個商品組里，最后放置到一個貨架上，這樣就能在揀選的過程中通過搬運一個貨架而完成多種商品的揀選，從而大大提高揀選效率，降低揀選成本，這對于企業的長久發展具有十分重要的意義。

[參考文獻]

[1]梁博.倉儲作業動態貨位優化技術研究與應用[D].東華大學，2017.

[2]陳少總.基于Spark的分布式頻繁項集挖掘算法研究[D].東華大學，2017.

[3]Nils Boysen， Konrad Stephan.The deterministic product location problem under a pick-by-order policy[J]. Discrete Applied Mathematics，2013，78161（18）：2862-2875.

[責任編輯：潘洪志]