电商仓库是电子商务整个网络系统进行物资收发和物资存储的终端, 电商仓库中库存量的准确检测和预测是保障物资收发安全, 提高电商物资收发效率的关键。研究电商仓库的准确检测方法, 对促进电子商务和电子物流行业的发展具有重要意义。物联网技术的进步更为有力地推进了优化电商仓库检测技术。物联网技术通过电子标签识别技术、物联网的网络层、感知层和应用层进行电商仓库物资的信息标识和识别, 采用无线射频感知与检测技术进行信息读取和信息处理, 提高仓库的物资管理效率[1]。

以信息采集和数据加工的大型物联网技术为基础, 对电商仓库进行物资检测和信息处理。采用无线射频 (RFID) 识别技术实现对电商仓库物资的在线追踪和信息采集, RFID识别过程中受到不确定进出库信息数据的干扰, 同时也会产生大量数据冗余, 导致对电商仓库的准确检测性能不好, 对物流输出的信息估计精度不高[2,3]。针对这一问题, 本文在大型物联网技术的基础上, 进行电商仓库检测方法优化设计, 基于电子标签技术构建电商仓库存储系统的物联网构架模型, 采用超高频射频识别技术进行电商仓库系统的物流流量追踪和信息特征提取, 然后对提取的仓库物流信息特征在C4.5决策树模型下进行主成分分析, 实现对电商仓库吞吐量和容量的准确检测和预估, 最后采用仿真实验分析方法进行了性能测试和验证, 表明了本文方法在提高电商仓库检测性能方面的优越性和实用价值。

基于大型物联网技术构建电商仓库的物流数据信息传输模型, 以产品生产企业作为电商仓库检测的触发主体, 追溯电商销售产品的生产过程, 从生产开始到加工、包装、运输、销售、消费整个路程都需要通过仓库进行物资的存储和收发。因此, 电商仓库的检测系统总体架构上可以分为对电商仓库的物资存储信息数据采集前端和数据管理终端, 出货量是电商仓库运行效率和电商利润最大的关联性因子。考虑物流成本 (区位因素) 以及租用仓库的成本, 进行仓库使用效率的最大化调度[4]。在电商仓库的物流供应链体系中, 电商仓库的物资收发基地相当于“服务端”, 电商的商家相当于“用户”, 电商仓库的物流资源构成了整个电商仓库检测系统的主体[5], 在满足物流服务需求和客户出库需求的情况下, 对电商仓库的吞吐量准确检测和预测, 实现资源能力管理和资源定位。电商仓库检测的物联网系统架构模型如图1所示。

图1 电商仓库检测的物联网系统架构   

在电商仓库的检测中, 需要对仓库的存储物资资源信息进行超高频射频识别技术 (UHF RFID) , 采用决策树构造方法挖掘和调度电商仓库中心的数据。令公共仓储区的信息吞吐量为A={a1, a2, …, an}, 为零散的、随机的训练集, B={b1, b2, …, bm}为决策树的类别集, 在仓库资源管理中心, ai属性值表示参考的实际吞吐量{c1, c2, …, ck}。利用仓库资源的信息增益Gain评估物流速度的最优分裂度和互信息量。在决策树模型下, 随着电商产品销售, 电商仓库的负载容量得到合理调度。构造电商仓库的负载容量信息调度输出增益表达式为:

式中:pi指采集的原始RFID数据属于电商仓库物资类别bi类元素所占的比重;Bj表示在RFID数据训练集中含有物资类别为ax属性中cv值的元素集合。

为使得电商仓库存储和利用效率最大化, 需要使物流效益以及物资收发的速度达到最佳匹配[6], 采用物流供应链控制目标函数, 调度控制电商仓库的存储信息。令目标函数取最大值:

在物流负载压力恒定的情况下, 为了提高电商仓库的物资检测性能, 需要在产品销售和仓库进出库吞吐量之间达到均衡, 得到仓库的容量匹配函数为:

根据容量匹配函数, 构建基于物流供应链的电商仓库信息存储训练集, 将存储的物资资源容量划分为若干个子集, 提取所需信息知识。在资源信息读取和挖掘过程中, 阅读器将一个特定频率的无线电波发送到电商仓库中的电子标签, 各个标签采用无线射频识别技术编码物资信息, 提取电商仓库的存储信息。

在C4.5决策树模型下, 分析提取仓库物流信息特征主成分, 实现对电商仓库吞吐量和容量的准确检测和预估。引入C4.5决策树模型, 电商仓库存储容量的目标测试数据标签识别概率为P (1) =[1-L-1]m-1, 而主特征深度为k时, 对标签的识别概率为:

当多个电商仓库标签同时存在于阅读器的可读范围内时, 仓库存储容量的总比特位均值为:

预测电商仓库进出库流量的过程中, 采用平均时隙线性叠加仓库出入库流量, 用四元组 (Ei, Ej, d, t) 表示仓库出入库的决策树模型, 其中Ei, Ej是需要建立的边向量Source节点 (即节点i和j) , d为输入仓库的物流流量序列的交互数据, t为仓库物资出入库的交互所需时间。采用博弈模型均衡调度出入库的流量[7,8], 得到电商仓库的出入库流量特征序列主成分分布概率密度为D, D={Si, j (t) , Ti, j (t) , Ui, j (t) }, 其中Si, j (t) 表示物流负载压力下物流产品占用仓库的空间系数;Ti, j (t) 表示占用仓库的时间系数;Ui, j (t) 表示物资存储于仓库中的空间与时间关联性函数;在选定物流配送中心的情况下, 电商仓库能有效实现物资收发, 其置信度因子为:

根据货物配送清单安排出库时间和运输量, 则物资占用仓库的时间系数Ti, j (t) 为:

同理, 根据货物的配送需求在仓库中进行实时堆垛, 可以计算出物资存储于仓库中的空间与时间关联性的函数度量值Ui, j (t) , 为:

式中:zi (t) , zj (t) 表示电商仓库出入库的博弈模型关联度置信度函数和置信区间[9];b为电商仓库为商家的服务质量量化系数。根据电商仓库的物流速度与物流需求, 在大型物联网环境下检测电商仓库的吞吐量和容量, 检测判决函数为:

式中:C1, S1, S2均为常量;k表示当前电商仓库中物资标签个数。得到电商仓库吞吐量的效益量标准化系数为:

在C4.5决策树模型下, 分析提取的仓库物流信息特征主成分, 实现服务等级及收益指标的线性匹配。为使得仓库的检测输出匹配度VT最优, 须满足:, 得到电商仓库物流信息参量检测的特征值为:

根据电商仓库物流负载的特征值排序, 准确检测进出口仓库的物资, 特征排序结果为:

该排列组合数据有效地反应了电商仓库中物资信息的存储容量和出入库信息量。

测试电商仓库的物资容量检测准确性、出入库检测准确性和电商仓库的物资收发时间, 并分析各项性能。各个仓库的存储容量、单位管理成本以及机械化作业指数参量见表1。

表1 电商仓库的基本参量     下载原表

将不同方法检测电商仓库的存储吞吐量得到的检测结果如图2所示。采用10 000次Monte Carlo实验, 测试仓库物资收发的实时数据, 得到检测性能曲线如图3所示。

图2 仓库的吞吐性能检测结果对比   

图3 检测性能对比   

根据图2和图3得知, 采用本文方法进行电商仓库的存储容量与性能检测, 预测结果与实际值接近, 计算得知均方根误差较小, 而传统方法与实际值差异性较大, 说明本文方法对仓库吞吐量的预测准确度更高。

为提高仓库的物资管理效率, 本文在大型物联网技术基础上优化设计电商仓库检测方法。首先基于电子标签技术构建电商仓库存储系统的物联网架构模型, 采用超高频射频识别技术进行电商仓库系统的物流流量追踪和信息特征提取, 然后在C4.5决策树模型下分析提取仓库物流信息特征主成分, 实现对电商仓库吞吐量和容量的准确检测。研究得出, 采用本文方法对仓库的吞吐量预测和物资收发实时检测的精度较高, 提高了电商仓库的物资收发效率, 在电商仓库的物资收发管理中具有较高的应用价值。