一种考虑行为的作业任务单分配方法

技术领域

本发明涉及电商物流技术领域，具体涉及一种作业任务单分配方法。

背景技术

电商物流仓内作业效率是电商物流供应链的重要一环，其中仓内拣货作业效率占整个仓内作业成本50％以上，通过科学的方法去解决提升仓内作业效率的相关技术和系统具有理论和实际意义。

现有技术中，物流运输任务单的分配方法通常针对AGV等无人设备。但世纪物流运输中还需要大量的人工分拣，典型的中小件标准仓库内单个逻辑区面积超过3000㎡，储位数量上万个，每日需要拣货的订单数量较多，因此需要多名分拣员共同完成拣货工作。拣货员需要从起始储位历经众多个储位完成拣货任务，如何进行仓内人员的任务分配对提高仓内作业效率具有指导意义。

已有的针对人员的任务单分配方法如下：

申请号为CN202111590691.1的专利公开了一种任务分配方法和装置。确定配送员列表中每个配送员的当前待配送任务，以筛选出当前待配送任务量最小的第一配送员；模拟计算第一配送员对当前待配送任务和目标任务的配送总时长，与当前时间点累加，得到第一配送员接单后的完成时间点；若完成时间点未超出第一配送员的预设结束时间点，则将目标任务分配给第一配送员，否则继续遍历配送员列表中当前待配送任务量排序第二的第二配送员，重复上述操作，直至查找到目标配送员为止，将目标任务分配给目标配送员。该实施方式通过算法规划派送任务，合理分配给配送员，避免配送员任务过于集中，优先保证配送时效。

申请号为CN201611129049.2的专利一种拣货任务分配方法、装置及系统。阿里巴巴提出一种拣货任务获取方法，装置及电子设备，以及一种拣货任务分配系统。其中，一种拣货任务分配方法，包括：接收客户端发送的针对特定用户的拣货任务获取请求；通过预设的拣货任务选取算法，从所述特定用户所属拣货区域内的至少一个待处理拣货任务中选取待处理拣货任务；向所述客户端回送选取出的待处理拣货任务。采用本申请提供的拣货任务分配方法，能够自动向拣货员分配拣货任务，防止拣货员挑选任务；因此，可以对拣货任务的分配进行有效的管理。

上述公开的专利中缺少对人员的分类，往往默认拣货员拥有同样的拣货速度、熟练度和工作环境，与实际情况不符，分配结果缺乏对个人行为能力的评价。

发明内容

本发明的目的在于提供一种考虑行为的作业任务单分配方法，通过对人员操作行为数据聚类分析对人员分类，同时结合单件拣货时间估算方法进行拣货任务时长估算，采用多阶段任务分配模型和紧急策略进行作业任务单分配，实现了在任务单紧急或非紧急情况下，综合考虑人员行为习惯和任务时长估算进行任务单分配。

为实现上述目的，本发明通过以下技术方案实现：

一种考虑行为的作业任务单分配方法，包括：

步骤100：收集作业人员历史行为数据；

步骤200：使用所述历史行为数据，定义作业人员操作行为指标；

步骤300：根据所述操作行为指标，通过聚类算法对作业人员进行聚类分析，更新人员分类表；

步骤400：通过机器学习算法对高维度员工行为数据进行深度的学习，估算单件任务时长，所述高维度员工行为数据包括人员分类表和历史行为数据；

步骤500：根据任务的紧急度、所述聚类分析的结果和单件任务估算的时长，进行多策略任务分配，形成分配列表。

进一步的：所述操作行为指标包括件维度拣货效率和位维度拣货效率；

定义件维度拣货效率的方法包括：

结合实际仓储中单品单间多位的拣货行为数据，通过拣货员日期范围内的拣货行为数据聚合得到日件拣选件效率均值和日件拣选效率中位数，选择日件拣选效率均值或日件拣选效率中位数定义为件维度拣货效率，其中：

日件拣选效率均值为：

上式中，avg_cout_day(x

日件拣选效率中位数为：

当N

当N

上式中，med_cout(x

定义位维度拣货效率的方法包括：

结合实际仓储中单品单件独立储位的拣货行为数据进行拣选作业行为聚合，得到日位拣选效率均值和日位拣选效率的中位数，选择日位拣选件效率均值或日位拣选效率中位数定义为件维度拣货效率，其中：

日位拣选件效率均值为：

上式中，avg_loc_day(x

日位拣选效率中位数为：

当N

当N

上式中，med_loc(x

更进一步的：所述聚类分析的方法具体包括以下步骤：

步骤S301、通过下式对第一操作行为指标组内数据进行处理：

上式中，

步骤S302、根据处理后的日件拣选件效率均值数据，采用多种聚类算法分别进行聚类分析，每个聚类算法分别得出3簇或4簇两个聚类结果；

步骤S303、采用与周期内绩效排名指标进行校验的方法或根据实际绩效标准线性相关性的方法，得出日件拣选件效率均值下不同聚类算法的汉明距离或相关性大小；

步骤S304、依次将日件拣选效率中位数、日位拣选效率均值、日位拣选效率中位数为替换S301步骤中的日件拣选件效率均值，然后依次进行S301-S303步骤，得出多个聚类算法对四组数据的全部聚类结果，以及每个聚类结果的汉明距离或相关性大小，选取汉明距离最小或相关性最大的为最终的聚类算法，以及选取汉明距离最小或相关性最大所对应的聚类结果为最终的评价结果，输出该聚类算法的聚类结果TOPK排名。

进一步的：估算单件任务时长的方法具体包括以下步骤：

步骤S401、收集的历史行为数据包括所有拣货任务数据，每个拣货任务数据包括拣货员id、拣货开始时间、拣货储位编码次序、拣货时长、拣货员入职工龄；

步骤S402、对仅具有单一拣货储位拣货记录的拣货任务数据进行剔除，实现了异常干扰行为的剔除；

步骤S403、划分拣货员类型：

同一拣选区域每天进行一次TOPn排名：根据每个拣货员当天在该拣选区域内单个储位的平均拣货时长从小到大排序为TOP1至TOPn，相同平均拣货时长的拣货员，根据拣货员id从小到大排序；

将正式拣货员划分为四类：第一类为高绩效员工，即最近连续一周TOPn排名一直位于前x位以内，其中x为给定值；第二类为新入职员工，即入职2个月以内的员工；第三类为绩效上升拣货员，即最近一周内TOPn排名呈上升趋势的员工；第四类为绩效乏力员工，即不属于前三类中任意一种的员工；

将临时拣货员划分为新入职员工；

步骤S404、根据拣货员id，确定步骤S402处理后每个拣货任务数据对应的拣货员类型；

步骤S405、对每个类型的拣货员，选择其不同拣货开始时间的拣货任务数据，根据这些拣货任务数据获得该类型拣货员对应的储位间拣货数据；所述储位间拣货数据为同一拣选区域内对任一两个储位进行拣货的拣货任务数据；

步骤S406、采用每个储位间拣货数据中的拣货员id、拣货储位编码次序、拣货时长、拣货员入职工龄、拣选区域编码和拣货员类型进行机器学习，训练出针对不同拣货员的拣货时长预测回归模型；

步骤S407、将待预测拣货任务的拣货员id、拣货储位编码次序、拣货员入职工龄、拣选区域编码、拣货员类型输入拣货时长预测回归模型中，获得待预测拣货任务的拣货时长估算值。

进一步的：所述多策略任务分配方法具体包括以下内容：

所述多策略任务分配包括平时任务分配策略和紧急任务分配策略；

所述平时任务分配策略具体为，将每件异品异储的任务分配给TOPK排名中的拣货员，其余任务建立阶段模型后代入分配算法进行多阶段任务分配；

所述紧急任务分配策略具体为，根据任务j的处理时间从大到小顺序排列，根据拣货员工作效率排名将紧急任务分配给当前空闲的高效率拣货员处理。

进一步的：形成分配列表之后，所述方法还包括：

步骤S600:任务领取流程，具体包括：

步骤S601:作业人员领取阶段内分配列表中的任务；

步骤S603:当有人完成本阶段内分配列表中的所有任务，检测本批次任务中是否还有未分配任务；

若有未分配任务，则对空闲人员进行多策略任务分配；

若无未分配任务，则进行绩效数据考核统计，并根据绩效数据考核统计更新作业人员的历史行为数据。

更进一步的：在步骤S601作业人员领取任务之后，所述方法还包括：

步骤S602：当有人员完成领取的任务，检测分配列表中是否还有未完成任务；

若有未完成任务，则作业人员继续按分配表领取未完成任务。

进一步的：在步骤S100收集作业人员历史行为数据之前，所述方法还包括：

新作业开始，输入作业任务和作业人员；

若作业人员为新人员，则将新人员信息采集进作业人员历史行为数据；

若作业人员不是新人员，则更新人员分类表。

更进一步的：在更新人员分类表之后，所述方法还包括：

判断任务是否新批次任务；

若任务是新批次任务，则估算单件任务时长。

若任务不是新批次任务，则根据任务的紧急度、所述聚类分析的结果和单件任务估算的时长，进行多策略任务分配，形成分配列表。

相对原技术，本发明具有以下有益效果：

通过构建拣货人员多个行为指标，实现了拣货员在作业环境中的关键行为指标的提取和量化，便于对人员进行科学评价；通过基于多个行为指标的评价结果给出拣货人员分类，实现了拣货人员的分类管理分类；通过拣货数据给出拣货时长估算值，实现了各类拣货任务的有效时长估算；通过人员分类结果和拣货任务时长估算，采用策略实现拣货人员任务分配，实现了平时任务分配和紧急任务的合理分配。总之，本方法实现了按照个人工作行为能力进行作业单任务的分配，使任务分配更合理、更高效。

附图说明

图1为实施例1的流程图示意图；

图2为实施例2的流程图示意图；

图3为实施例3的流程图示意图；

图4为人员日行为挖掘示意图；

图5为人员分类结果示意图；

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

实施例1

如图1所示，本实施例提供一种考虑行为的作业任务单分配方法，包括以下步骤：

步骤S100：收集作业人员历史行为数据；

步骤S200：使用所述历史行为数据，定义作业人员操作行为指标；

在本实施例中：所述操作行为指标包括件维度拣货效率和位维度拣货效率；

定义件维度拣货效率的方法包括：

结合实际仓储中单品单间多位的拣货行为数据，通过拣货员日期范围内的拣货行为数据聚合得到日件拣选件效率均值和日件拣选效率中位数，选择日件拣选效率均值或日件拣选效率中位数定义为件维度拣货效率，其中：

日件拣选效率均值为：

上式中，avg_cout_day(x

日件拣选效率中位数为：

当N

当N

上式中，med_cout(x

定义位维度拣货效率的方法包括：

结合实际仓储中单品单件独立储位的拣货行为数据进行拣选作业行为聚合，得到日位拣选效率均值和日位拣选效率的中位数，选择日位拣选件效率均值或日位拣选效率中位数定义为件维度拣货效率，其中：

日位拣选件效率均值为：

上式中，avg_loc_day(x

日位拣选效率中位数为：

当N

当N

上式中，med_loc(x

S300：根据所述操作行为指标，通过聚类算法对作业人员进行聚类分析，更新人员分类表；

在本实施例中，步骤S300具体包括：

步骤S301、通过下式对日件拣选件效率均值数据进行处理：

上式中，

步骤S302、根据处理后的日件拣选件效率均值数据，采用多种聚类算法分别对其进行聚类分析，每个聚类算法分别得出3簇或4簇两个聚类结果，本实施例聚类算法优选k-means、BIRCH、dbscan算法，但不限于上述三种算法,；

步骤S303、采用与周期内绩效排名指标进行校验的方法或根据实际绩效标准线性相关性的方法，得出日件拣选件效率均值下不同聚类算法的汉明距离或相关性大小；

具体地说，与周期内绩效排名指标进行校验的方法为：给出处理后的每日件均拣选效率、处理后的每日位均拣选效率的TOPK排名，将这两个TOPK排名分别与周期内绩效排名指标进行比较，得到汉明距离(Hamming Distance)。

根据实际绩效标准线性相关性的方法为：通过下式求出相关性大小：

上式中，X、Y表示变量；

步骤S304、依次将日件拣选效率中位数、日位拣选效率均值、日位拣选效率中位数替换为步骤S301中的日件拣选件效率均值，然后依次进行步骤S301-S303，得出多个聚类算法对四组数据的全部聚类结果，以及每个聚类结果的汉明距离或相关性大小，选取汉明距离最小或相关性最大的为最终的聚类算法；

如果得到的最小汉明距离对应两种或两种以上的算法，则增大聚类簇数，直至最小汉明距离为唯一的算法，初始的K设定为3；

选取汉明距离最小或相关性最大的为最终聚类结果所对应聚类算法，输出该聚类算法的聚类结果TOPK排名。

其中，最终聚类结果分为三类评价结果或四类评价结果；三类评价结果为效率高工作人群、效率正常工作人群和效率低工作人群，四类评价结果为效率高工作人群、良好效率工作人群、合格效率工作人群、不合格效率工作人群；对于新员工或无分类数据的员工，则划分为效率低工作人群或效率不合格工作人群或效率合格工作人群，更新人员分类表。

步骤S400、通过机器学习算法对高维度员工行为数据进行深度的学习，估算单件任务时长，所述高维度员工行为数据包括人员分类表和历史行为数据；

在本实施例中：估算单件任务时长的方法具体包括以下步骤：

步骤S401、收集的历史行为数据包括所有拣货任务数据，每个拣货任务数据包括拣货员id、拣货开始时间、拣货储位编码次序、拣货时长、拣货员入职工龄；

步骤S402、对仅具有单一拣货储位拣货记录的拣货任务数据进行剔除，具体包括以下规则：

规则1：拣货储位是1个的数据剔除；

规则2：位均拣货时长超过均值拣货时长3倍以上数据剔除；

步骤S403、划分拣货员类型：

同一拣选区域每天进行一次TOPn排名：根据每个拣货员当天在该拣选区域内单个储位的平均拣货时长从小到大排序为TOP1至TOPn，相同平均拣货时长的拣货员，根据拣货员id从小到大排序；

将正式拣货员划分为四类：第一类为高绩效员工，即最近连续一周TOPn排名一直位于前x位以内，其中x为给定值；第二类为新入职员工，即入职2个月以内的员工；第三类为绩效上升拣货员，即最近一周内TOPn排名呈上升趋势的员工；第四类为绩效乏力员工，即不属于前三类中任意一种的员工；

将临时拣货员划分为新入职员工；

步骤S404、根据拣货员id，确定S402处理后每个拣货任务数据对应的拣货员类型；

步骤S405、对每个类型的拣货员，选择其不同拣货开始时间的拣货任务数据，根据这些拣货任务数据获得该类型拣货员对应的储位间拣货数据；所述储位间拣货数据为同一拣选区域内对任一两个储位进行拣货的拣货任务数据；

步骤S406、采用每个储位间拣货数据中的拣货员id、拣货储位编码次序、拣货时长、拣货员入职工龄、拣选区域编码和拣货员类型进行机器学习，训练出针对不同拣货员的拣货时长预测回归模型；

本实施例中机器学习采用XGBoost算法，它是一种梯度提升算法，可有效地处理大规模数据集，并提供了许多高级特性，如正则化、特征重要性等。

特征重要性是指特征对模型的预测贡献程度。在XGBoost中，特征重要性是通过特征分裂的信息增益或信息增益比来计算的。在模型训练结束后，可以通过XGBoost提供的feature_importances_属性来获取特征重要性。这些值表示每个特征的重要性程度。

评估算法的有效性通常需要使用交叉验证和评估指标来进行。交叉验证可以帮助评估模型的泛化性能，而评估指标则用于衡量模型的预测准确度。在回归问题中，常用的评估指标包括均方误差(Mean Squared Error,MSE)、均方根误差(Root Mean SquaredError,RMSE)、平均绝对误差(Mean Absolute Error,MAE)等。

步骤S407、将待预测拣货任务的拣货员id、拣货储位编码次序、拣货员入职工龄、拣选区域编码、拣货员类型输入拣货时长预测回归模型中，获得待预测拣货任务的拣货时长估算值。

步骤S500：根据任务的紧急度、所述聚类分析的结果和单件任务估算的时长，进行多策略任务分配，形成分配列表。

在本实施例中：所述多策略任务分配方法具体包括以下内容：

所述多策略任务分配包括平时任务分配策略和紧急任务分配策略；

所述平时任务分配策略具体为，将每件异品异储的任务分配给TOPK排名中的拣货员，其余任务建立阶段模型后代入分配算法进行多阶段任务分配；

所述紧急任务分配策略具体为，根据任务j的处理时间从大到小顺序排列，根据拣货员工作效率排名将紧急任务分配给当前空闲的高效率拣货员处理。

所述平时任务分配策略具体为，将每件异品异储的任务分配给TOPK排名中的拣货员，其余任务建立阶段模型后代入分配算法进行多阶段任务分配；

即将任务分为k个阶段，每个阶段模型如下：

第k阶段的任意作业人员的作业时间定义如下：

多阶段任务分配的数学模型建立如下：

minmaxF

S.t.

是01变量，表示k阶段的操作员1分配了任务j；

约束(1)和(2)代表k阶段的处理时间不能超过范围，约束(3)和(4)分别代表本阶段k中的任务需要完成，其他阶段任务可以提前生产；

其中，i表示拣货员，j表示拣货任务，

将上述模型代入分配算法进行分配，具体分配算法可采用GA或ACO等算法实现。

所述紧急任务分配策略具体为，根据任务j的处理时间从大到小顺序排列，根据拣货员工作效率排名分配给当前空闲的高效率拣货员处理，不紧急且简单的任务分配给三类评价结果中的效率低工作人群或在四类评价结果分给效率不合格工作人群或效率合格工作人群；其余任务根据平时任务分配策略模式分配或抢单模式分配，所述抢单模式即为拣货员从候选任务列表中自由选择。

所述紧急任务指的是打紧急标签的任务或本阶段满足下式即为紧急任务：

其中，i表示拣货员，在本式中选择日均件货效率中位数的拣货员，δ为紧急任务识别阈值。

所述拣货员工作效率排名为上周实际绩效效率排名或TOPK排名，当根据TOPK排名计算，若前十次匹配无命中候选者时，选择根据上周实际绩效效率排名分配。所述TOPK排名即为步骤S303中确认的聚类算法所对应的TOPK排名。

综上所述，本发明将拣货员根据工作效率进行分类，将目标策略分为平时任务分配策略和紧急任务分配策略，并在分配任务时目标策略结合拣货员的工作效率进行任务分配，能更有效地完成工作。

实施例2

如图2所示，本实施例提供另一种考虑行为的作业任务单分配方法，本实施例与实施例1的区别在于：

形成分配列表之后，所述方法还包括：步骤S600：任务领取流程，具体包括以下步骤：

步骤S601、作业人员领取任务；

步骤S602、当有人完成领取的任务，检测分配列表中是否还有未完成任务，若有未完成任务，则执行步骤S601：作业人员继续按分配表领取未完成任务，直至完成分配列表中所有任务。

步骤S603、当有人完成分配列表中的任务，检测本批次是否还有未分配任务；若有未分配任务，则执行对空闲人员进行步骤S500中的多策略任务分配；

若无未分配任务，则进行步骤700：绩效数据考核统计，并根据绩效数据考核统计进行步骤S100，从而更新作业人员的历史行为数据。

本实施例中，先将本批次中的部分任务形成对应到作业人员的任务分配列表；作业人员每次领取任务列表中分配到自己的若干任务，任务完成后再次领取，直至完成列表中的所有任务；然后，向完成分配列表任务的空闲人员重新按S500中的多策略分配方法分配剩余未被分配的任务。重复上述步骤，直至所有本批次所有任务完成。

本实施例其余部分与实施例1相同，不再赘述。

实施例3

如图3所示，本实施例提供另一种考虑行为的作业任务单分配方法，本实施例与实施例2的区别在于：

收集作业人员历史行为数据之前，所述方法还包括：

步骤S101、新作业开始，输入作业任务和作业人员；

步骤S102、判断作业人员是否是新人员，若作业人员为新人员，则进行步骤S100：将新人员信息采集进作业人员历史行为数据；若作业人员不是新人员，则进行步骤S300中的更新人员分类表；

步骤S103、判断任务是否新批次任务，若任务是新批次任务，则进行步骤S400中的估算单件任务时长；若任务不是新批次任务，则进行步骤S500：根据任务的紧急度、所述聚类分析的结果和单件任务估算的时长，进行多策略任务分配，形成分配列表。

本实施例其余部分与实施例2相同，不再赘述。

下面通过数据证明，通过实施上述实施例3，任务分配更加合理，提高了整体的拣货效率。

原始操作数据，见下表1：

表1：作业人员行为数据表

人员日行为挖掘，见附图4；

人员分类结果：见附图5；

按本实施例的分配方式分配后，操作人员的操作数据：见下表2：

表2：作业人员任务时长估算表

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。