对物流仓储企业而言， 不对理的仓储结构， 不恰当的储位分派， 是货仓运作效率低下、 拣货作业时间冗长的重要原因. 冷链物流具有一定的特殊性， 货物的时效性迫使冷链物流中心必须提高拣货及收支库的作业效率. 因此， 研究货位计划对冷链物流中心而言， 更具有重要性. 别的， 随着人们生活水平的不绝提升， 多元化的消费需求也刺激着古板货仓的转型， 必须改变原本可能保存的随机的货位分派、 不明显的区域划分、 无序的货物安排等问题.
近年来， 数据挖掘技术在物流治理中的应用十分广泛. 梅洪常等
本研究重点对冷链仓储配置优化问题进行探索， 并结合Apriori算法来设计对应的优化战略.
该要领的原理： 已知有非空荟萃X、 Y, 并且二者不相交， 则保存X→Y时， 即可认为属于一个关联规则， 二者划分属于先导(LHS)、 后继(RHS).
支持度(support):
support(X→Y)={|X∩Y|/|N|=X、 Y内的项同时在某个纪录中保存的次数/总纪录数量};
置信度(confidence): confidence(X→Y)=|X∩Y|/|X|={X、 Y内的项处于某个纪录中同时保存的数量/X中保存的数量};
频繁项集： 主要指的是关联度较高的要素， 其中关联性与支持度、 置信度直接相关， 如果二者较低， 则对应着较低的相关性， 即保存一定的正相关性.
首先是生成频繁项集的历程， 在此历程中必须获取到切合置信度、 支持度(最小)要求的项集； 然后是构建规则的历程， 即需要满足切合最小自信度要求的规则. 此历程中需要利用到先前获得的频繁项集， 由此可以获得强规则， 并对事物之间的相关性进行评价.
Apriori算法已经广泛应用到了数据挖掘领域中， 在算法执行历程中需要对特定的频繁项集进行挖掘， 以此可以对事物之间的相关性进行界定. 总体来看， 在算法执行历程中主要划分为两个阶段， 首先是构建候选集的历程， 其次是向下关闭检测的历程. 具体的执行历程如下： 首先基于递归要领获取到需要的频繁项集， 在构建历程中必须包管支持度满足设定的要求. 在此基础上可以获得满足要求的强规则， 在生陈规则之后还需要对规则是否满足条件进行剖析， 将不满足最小置信度的规则剔除， 然后凭据获得的规则来评价事物之间的关联性巨细.
该算法在执行历程中需要进行迭代， 由此能够生成满足需求的频繁项集， 此后续项集生成的历程中依赖于先前的项集， 基于迭代的方法可以获得满足最小支持度的结果. 从具体办法上来看， 首先是通过自连接获取频繁项目集的候选集， 第一轮的候选集就是原始数据集A中的项， 而剩下每一次的候选集则由前一次获得的频繁项目集自连接获得， 而频繁项目集由候选集进行剪枝获得； 其次是执行对候选集的裁剪历程， 即判定各个纪录的支持度是否抵达了设定的要求， 如果不满足要求再将其剔除. 别的， 当各个纪录中的子集中含有不属于频繁项集的纪录时也需要将其剔除. 因此， 在算法执行时主要的历程是对事务纪录进行处理， 即需要先获得频繁项目集1, 记该项目集为K1, 然后依据K1找频繁项目集2的荟萃 K2, 依据K2找频繁项目集3的荟萃 K3, 以此类推， 继续凭据这种方法执行后续的历程， 在无法找到频繁项集时结束该历程. 在此基础上可以确定合适的关联规则， 并对事物之间的相关性进行剖析， 用以指导实际的操作目的. 算法的具体执行历程如下：
(1)Begin
(2)Scanning database and counting;
(3)If1阶候选项目集>Minimum support
(4)则爆发1阶频繁项目集；
(5)Elsedelete
(6)依此规则， 迭代盘算；
(7)If不再爆发频繁项目集
(8)则End;
(9)Else继续迭代盘算
S冷链物流配送中心(以下简称S物流中心)是一家技术领先的仓配物流效劳新零售企业， 日均有效订单量为6 000单左右， 其中80%的订单品种包括种类2～6种. 由于商品种类繁多， 并且冷链物流中心运营数据较多， 本文选择牛羊肉类订单量作为剖析的数据支撑. 表1为S物流中心一周(2020-09-07至2020-09-13)有效历史订单中的牛羊肉数据.
表1 订单数据
商品名称 | 订单数量/件 |
特级雪花肥牛 | 474 |
肥牛上脑 | 229 |
羔羊里脊 | 610 |
相间肥牛 | 70 |
原切肥牛卷 | 684 |
肥牛眼肉 | 171 |
战斧牛排 | 486 |
通太过析每个订单所包括的品项数， 可以得出表2商品的支持度剖析， 其中单个商品体现其单独购置的概率较大.
在本次研究中， 基于Python语言实现了算法的具体历程， 并针对订单中的牛羊肉产品进行研究， 盘算获得了置信度以及其他的结果， 具体的信息如表3所示.
表2 商品支持度剖析表
support | itemsets | support | itemsets | ||
| 0.413 145 54 | 原切肥牛卷 | 0.093 896 714 | 原切肥牛卷， 肥牛上脑 | ||
0.211 267 606 | 战斧牛排 | 0.046 948 357 | 相间肥牛， 特级雪花肥牛 | ||
0.276 995 305 | 特级雪花肥牛 | 0.126 760 563 | 羔羊里脊， 特级雪花肥牛 | ||
0.107 981 221 | 相间肥牛 | 0.037 558 685 | 肥牛上脑， 特级雪花肥牛 | ||
0.276 995 305 | 羔羊里脊 | 0.037 558 685 | 肥牛眼肉， 特级雪花肥牛 | ||
0.164 319 249 | 肥牛上脑 | 0.042 253 521 | 相间肥牛， 羔羊里脊 | ||
0.084 507 042 | 肥牛眼肉 | 0.046 948 357 | 羔羊里脊， 肥牛上脑 | ||
0.089 201 878 | 原切肥牛卷， 战斧牛排 | 0.032 863 85 | 肥牛眼肉， 羔羊里脊 | ||
0.061 032 864 | 原切肥牛卷， 特级雪花肥牛 | 0.061 032 864 | 原切肥牛卷， 羔羊里脊， 特级雪花肥牛 | ||
0.150 234 742 | 原切肥牛卷， 羔羊里脊 | 0.032 863 85 | 原切肥牛卷， 羔羊里脊， 肥牛上脑 | ||
表3 牛羊肉类产品相关性剖析表
 |
凭据物流中心划定， 具有关联性的商品之间的最小置信度为0.4, 最小支持度为0.03. 其中满足最小支持度和置信度的产品如表4所示.
从表4中的数据可知， 关于无用或者无关的规则可以通过支持度进行剔除. 而凭据置信度可以对商品之间的关联性进行剖析， 如果置信度较大， 则意味着某种商品泛起在另一种商品中的概率较大， 即二者保存一定的正相关性. 因此， 通过以上剖析可知， 应将表4中的几种商品贮保存同一货架、 相邻货位上， 尤其是原切肥牛卷、 特级雪花肥牛和羔羊里脊三种商品之间的置信度抵达1, 提升度大于3, 即挖掘出的关联规则很有价值， 应将它们安排于同一小件拆零货架， 以抵达快速拣选的目的， 减少行走路径， 加速订单完成速度.
表4 同时满足置信度和支持度的产品相关表
| antecedents | consequents | support | onfidence | lift |
| 战斧牛排 | 原切肥牛卷 | 0.09 | 0.42 | 1.02 |
羔羊里脊 | 原切肥牛卷 | 0.15 | 0.54 | 1.31 |
肥牛上脑 | 原切肥牛卷 | 0.09 | 0.57 | 1.38 |
相间肥牛 | 特级雪花肥牛 | 0.05 | 0.43 | 1.57 |
羔羊里脊 | 特级雪花肥牛 | 0.13 | 0.46 | 1.65 |
特级雪花肥牛 | 羔羊里脊 | 0.13 | 0.46 | 1.65 |
肥牛眼肉 | 特级雪花肥牛 | 0.04 | 0.44 | 2.60 |
原切肥牛卷， 羔羊里脊 | 特级雪花肥牛 | 0.06 | 0.41 | 1.47 |
原切肥牛卷， 特级雪花肥牛 | 羔羊里脊 | 0.06 | 1.00 | 3.61 |
羔羊里脊， 特级雪花肥牛 | 原切肥牛卷 | 0.06 | 0.48 | 1.17 |
羔羊里脊， 肥牛上脑 | 原切肥牛卷 | 0.03 | 0.70 | 1.69 |
本文基于S物流中心部分有效历史订单， 利用Apriori算法剖析研究差别商品之间的关联性. 通过对置信度和支持度的盘算， 剖析得出满足最小支持度和最小置信度的商品， 进而挖掘出强关联原则的商品， 推断出客户在订购一种货物时， 极有可能订购的其他货物， 以此在货位分派时进行合理的选择. 作为革新， 今后可以使用FP-growth 算法来提升寻找频繁项集的效率， 处理更大的数据量， 同时优化模型加入数量权重， 使得简单的关联规则更有现实意义.
【本文标签】
【责任编辑】yd2333云顶电子游戏云仓
yd2333云顶电子游戏冷链物流与茶百道告竣相助：在现代快节奏的生活中，奶茶已经成为了许多人生活中的···【详情+】
yd2333云顶电子游戏家人们！春暖花开，春意盎然，在这个温暖的日子，荣誉降生在安徽的铜陵，等了很久···【详情+】
手机二维码