1、概述

       AI人工智能在仓储中的应用 包括智能存储推荐、订单分配、拣选路径规划、图像识别、自然语言处理、预测分析、自动化操作和实时库存跟踪等。此外，集成了 物联网、无人机、机器人和区块链等技术，以提升效率和安全性。

具体而言，AI仓库管理可能包括以下几个方面的应用：

智能存储货位推荐：AI算法能够综合考虑拣选区的库位分布和待生产订单的情况，为拣选区的库位分配商品，使得在订单生产过程中的效率达到最高。智能订单分配：AI赋能的WMS系统能够根据设定的要求，前端连接销售端和订单系统，通过订单信息的历史数据预测订单需求，中间把所有碎片化的仓库环节连接起来，做到库存共享。上游连接ERP，能够有效地进行数据的传导，使商家能够进行智能分货和提前备货，把商品提前放到离消费者最近的仓库或门店。智能拣选路径规划：通过推单和订单线路分配，智能分拣线能够充分利用分拣线的产能，快速计算从点A到点B的最短路径，从而缩短货物的传送时间，减少人工作业强度和时间成本。图像识别与检测：利用AI技术对仓库内的货物进行图像识别和检测，实现对货物的自动识别和管理。通过摄像头捕捉货物的图像，然后利用深度学习算法对图像进行分析，实现对货物的自动识别和追踪。自然语言处理：通过自然语言处理技术，实现与仓库工作人员的自然交流，提高仓库的管理效率。例如，可以利用自然语言处理技术实现与仓库工作人员的语音交流，获取仓库的需求信息，从而实现库存的优化管理。机器学习与预测分析：通过对历史数据的分析，利用机器学习算法预测仓库的需求变化，从而实现库存的优化管理。此外，还可以通过机器学习技术发现仓库运营中的问题，为仓库管理提供决策支持。自动化仓库操作：利用AI技术实现仓库操作的自动化，减少人工搬运、装卸货物的工作，降低错误和延误的可能性。自动化货架系统可以根据需求实时调整货物存放位置，减少取货时间以及减轻人员工作负担。实时库存跟踪：AI技术可以实现实时库存跟踪，帮助商家及时了解库存情况，以便做出更合理的采购和销售决策。

        除了上述应用，AI仓库管理还 涉及与物联网的集成、无人机和自主移动机器人的使用、区块链技术的应用等，以进一步提升仓库管理的效率和安全性。

2、热品商品分析和仓储布局

        预测准确率:基于机器学习算法控掘物流运营侧商品入库、在库等数据，基于图神经网络算法统计用户点击浏览等行为数据，优化畅销品造品预测模型，准确率提升6.4%，模型稳定性提升87%。

        畅销品数量:作为单仓最合适的畅销品获取数量，可以指导单仓按该数量获取，使得造品少且收益高。

        畅销品稳定:畅销品重新获取时，可能会有较大波动。通过增加buffer，对排名变化不大的SKU，重新获取不改变其标识，降低畅销品波动20%。

        畅销度+关联度:基于订单结构和热度分区实现SKU分组推荐，增大组内密度，减少组间密度，优化跨区合流占比及拣货动线

简单总结：

     1、20%热门商品布局靠近拣货台。

      2、关联商品会聚合摆放，比如： 啤酒、玩具 就是 通过  协同过滤算法和深度算法计算得出那些商品经常一起被客户购买，便于快速拣货。

  参考我的电商推荐算法：电商推荐系统 和 营销系统用户画像建模-CSDN博客

3、商品上架

        1.2%畅销品SKU布局在黄金储区，实现17.5%的订单集中拣出，算法上线前后，采纳率提升8%，单均拣货时长下降11%。。大促11月拣货效率同比提升13.2%，开门红28H拣货效率同比提升19.46%，两个大促期间由于单量饱和，商品畅销屈性明显，提效尤为显著，同时也为大促期间服约生产提供保障。

简单总结：

        基于以上日常热门销售数据，促销活动、季节性等因素等以及 机器人或者人工并行快速拣货路线，生成一货多位上架推荐算法。

4、商品补货

分析商品的销售周期

简单总结：

        补货需要综合考虑 当前剩余库存、未来14天预计销售数量（基于8、预测模型），采购送货时间，以及安全最低库存要求。一般采取销N补N的策略。

         另外尽量 避免紧急补货，对于大数量订单，一般采取1单独拣货，直接从高架区拣货。避免异常补货（库存数量和实际数量不一致），导致生成紧急补货单，这需要盘点系统完善。

5、商品拣货

拣货方式

按单据拣货： 

总拣-分拣：适合大厂区，比如2万平米

智能设备拣货

简单总结：

拣货流程效率瓶颈包含2个地方：

1、订单波次下发：

    一般分为A（一单一品）、B（混合订单）、C（大订单）三种订单。A拣货单 只包含一种商品，比如 华为meat10。B拣货订单为混合订单，一单包含多个商品；C拣货订单，一般是大数据量订单，比如1个订单商品包含50件同样的商品，这样的订单通常单独拎出来，派专人拣货，专人分拣、复核。

2、拣货路线优化

     栅格法与A*算法适用于不规则布局，Dijkstra算法适用于已知距离的网络，贪心算法与模拟退火模型适用于需要全局优化的场景，K中心点算法适用于多中心点分配，蚁群算法适用于大规模拣货任务，最邻近算法适用于简单路径优化。

退火算法参考：配送中心拣货路径优化模拟退火算法java实现_哔哩哔哩_bilibili

6、商品包装和复核

 商品包装复核扫描，可以借助PaddleClas团队开源的图像识别PP-ShiTu技术方案 ，不过离商用还有待观察。

参考： 飞桨PaddlePaddle-源于产业实践的开源深度学习平台

7、商品装车，车货匹配算法

为了达到用最少得车，装最多的货品，通常采用贪心策略中的 背包算法。

8、销售预测算法模型

      销售预测模型一般采用传统模型 lightgbm，xgboost，深度模型：WaveNet、DeepAR、N-Beats、TFT等。

  参考文章：

1、智慧仓储-AI销量预测-CSDN博客

2、盒马销量预测核心算法的技术演进-CSDN博客

3、GitHub - shuoranly/Project_Rossmann_Sales_Prediction: 预测rossmann1115家商店未来的销售额

4、「我在京东做研发第十期」京东物流仓储效率提升AI算法大揭秘_哔哩哔哩_bilibili

5、wuzk2020 (wuzk2020) - Gitee.com