一种基于多模态交互的大宗品智能仓储管理方法及系统技术方案

本发明专利技术涉及多模态交互技术领域，尤其是涉及一种基于多模态交互的大宗品智能仓储管理方法及系统。所述方法，包括获取仓储管理实时数据和历史仓储数据；对获取的实时数据进行数据预处理；根据获取的实时数据特征选择对应的机器学习模型；将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；利用训练好的机器学习模型对实时数据进行预测分类；将预测分类结果通过多模态交互方式交互输出；本发明专利技术通过上述技术方案，能够提高仓储管理效率，通过物联网技术实现实时监测和自动化控制，减少人工干预，降低操作错误。降低操作错误。降低操作错误。

【技术实现步骤摘要】
一种基于多模态交互的大宗品智能仓储管理方法及系统


[0001]本专利技术涉及多模态交互
，尤其是涉及一种基于多模态交互的大宗品智能仓储管理方法及系统。

技术介绍

[0002]现有技术中，关于物联网技术在仓储管理中的应用，物联网（IoT）技术通过网络连接各类智能设备，实现数据的实时传输与共享。在仓储管理中，物联网技术可以应用于实时监测仓库环境、追踪货物流动等方面，从而提高仓库运营的效率。多模态交互技术是指通过多种交互方式（如语音、图像、触摸等）与用户进行沟通。在其他领域，如智能家居、自动驾驶等，多模态交互技术已经得到广泛应用。然而，在大宗品仓储领域，多模态交互技术的应用仍处于起步阶段。
[0003]而大宗品仓储是生产、销售和物流过程中的重要环节，传统的仓储管理方式往往以人工为主，效率低下，且容易出现错误。随着物联网技术和多模态交互技术的发展，如何将这些技术应用于仓储管理，提高效率和准确性，成为了一个亟待解决的问题。

技术实现思路

[0004]为了解决上述提到的问题，本专利技术提供一种基于多模态交互的大宗品智能仓储管理方法及系统。
[0005]第一方面，本专利技术提供的一种基于多模态交互的大宗品智能仓储管理方法，采用如下的技术方案：一种基于多模态交互的大宗品智能仓储管理方法，包括：获取仓储管理实时数据和历史仓储数据；对获取的实时数据进行数据预处理；根据获取的实时数据特征选择对应的机器学习模型；将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；利用训练好的机器学习模型对实时数据进行预测分类；将预测分类结果通过多模态交互方式交互输出。
[0006]进一步地，所述获取仓储管理实时数据和历史仓储数据，包括传感数据和销售数据。
[0007]进一步地，对获取的实时数据进行数据预处理，包括对获取的实时数据进行清洗和缺失值处理。
[0008]进一步地，所述根据获取的实时数据特征选择对应的机器学习模型，包括针对传感数据选择异常检测模型，针对销售数据选择时间序列预测模型。
[0009]进一步地，所述利用训练集训练选定的机器学习模型包括利用训练集分别确定时间序列预测模型以及异常检测模型，并确定时间序列预测模型中预测算法的最优参数。
[0010]进一步地，所述利用训练好的机器学习模型对实时数据进行预测分类，包括利用
异常检测模型对环境进行异常检测并生成参数调整指令，利用时间序列预测模型预测未来七日的货物需求并生成补充库存指令。
[0011]进一步地，所述将预测分类结果通过多模态交互方式交互输出，包括将参数调整指令和补充库存指令通过多模态交互与用户沟通并输出指令。
[0012]第二方面，一种基于多模态交互的大宗品智能仓储管理系统，包括：数据获取模块，被配置为，获取仓储管理实时数据和历史仓储数据；预处理模块，被配置为，对获取的实时数据进行数据预处理；特征模块，被配置为，根据获取的实时数据特征选择对应的机器学习模型；训练模块，被配置为，将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；分类模块，被配置为，利用训练好的机器学习模型对实时数据进行预测分类；多模态交互模块，被配置为，将预测分类结果通过多模态交互方式交互输出。
[0013]第三方面，本专利技术提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于多模态交互的大宗品智能仓储管理方法。
[0014]第四方面，本专利技术提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于多模态交互的大宗品智能仓储管理方法。
[0015]综上所述，本专利技术具有如下的有益技术效果：本专利技术通过上述技术方案，能够提高仓储管理效率，通过物联网技术实现实时监测和自动化控制，减少人工干预，降低操作错误；降低运营成本，通过优化仓储管理流程，减少人力资源、设备维护等方面的支出；增强用户体验：通过多模态交互技术，提供更直观、便捷的操作界面，提高用户满意度。
附图说明
[0016]图1是本专利技术实施例1的一种基于多模态交互的大宗品智能仓储管理方法的示意图。
具体实施方式
[0017]以下结合附图对本专利技术作进一步详细说明。
[0018]实施例1参照图1，本实施例的一种基于多模态交互的大宗品智能仓储管理方法，包括：获取仓储管理实时数据和历史仓储数据；对获取的实时数据进行数据预处理；根据获取的实时数据特征选择对应的机器学习模型；将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；利用训练好的机器学习模型对实时数据进行预测分类；将预测分类结果通过多模态交互方式交互输出。所述获取仓储管理实时数据和历史仓储数据，包括传感数据和销售数据。对获取的实时数据进行数据预处理，包括对获取的
实时数据进行清洗和缺失值处理。所述根据获取的实时数据特征选择对应的机器学习模型，包括针对传感数据选择异常检测模型，针对销售数据选择时间序列预测模型。所述利用训练集训练选定的机器学习模型包括利用训练集分别确定时间序列预测模型以及异常检测模型，并确定时间序列预测模型中预测算法的最优参数。所述利用训练好的机器学习模型对实时数据进行预测分类，包括利用异常检测模型对环境进行异常检测并生成参数调整指令，利用时间序列预测模型预测未来七日的货物需求并生成补充库存指令。所述将预测分类结果通过多模态交互方式交互输出，包括将参数调整指令和补充库存指令通过多模态交互与用户沟通并输出指令。
[0019]具体的，本实施例的一种基于多模态交互的大宗品智能仓储管理方法，包括以下步骤：S1.获取仓储管理实时数据和历史仓储数据；包括利用物联网传感器模块实时监测仓库环境，如温度、湿度、照度等，并将数据传输至中央处理模块。该模块包含多种传感器，如温湿度传感器、货物位置传感器、重量传感器等。这些传感器部署在仓库的关键位置，实时监测仓库内的货物存储状态、环境条件等信息。传感器收集的数据通过无线通信技术（如LoRaWAN、NB
‑
IoT）传输至中央处理模块。
[0020]举例说明：货物位置传感器可以实时监测货物在仓库内的位置，当某个货物需要搬运时，系统可以根据位置传感器的数据指导搬运设备快速找到目标货物。
[0021]S2.对获取的实时数据进行数据预处理；具体的，中央处理模块对收集到的数据进行预处理，包括数据清洗、缺失值处理等，以保证数据质量。中央处理模块对数据进行特征工程，如数据归一化、降维等，以准备后续的机器学习模型训练。
[0022]S3.根据获取的实时数据特征选择对应的机器学习模型；根据需求和数据特点，选择适用的机器学习算法。例如，在预测货物需求时，可以选择时间序列预测算法，如ARIMA模型；在分析环境异常时，可以选择异常检测算法，如孤立森林（Isolation Forest）算法。
[0023]S4.将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，包括：获取仓储管理实时数据和历史仓储数据；对获取的实时数据进行数据预处理；根据获取的实时数据特征选择对应的机器学习模型；将历史仓储数据作为训练集，利用训练集训练选定的机器学习模型；利用训练好的机器学习模型对实时数据进行预测分类；将预测分类结果通过多模态交互方式交互输出。2.根据权利要求1所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述获取仓储管理实时数据和历史仓储数据，包括传感数据和销售数据。3.根据权利要求2所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，对获取的实时数据进行数据预处理，包括对获取的实时数据进行清洗和缺失值处理。4.根据权利要求3所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述根据获取的实时数据特征选择对应的机器学习模型，包括针对传感数据选择异常检测模型，针对销售数据选择时间序列预测模型。5.根据权利要求4所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述利用训练集训练选定的机器学习模型包括利用训练集分别确定时间序列预测模型以及异常检测模型，并确定时间序列预测模型中预测算法的最优参数。6.根据权利要求5所述的一种基于多模态交互的大宗品智能仓储管理方法，其特征在于，所述利用训练好的机器学习模型对实时数据进行预测分...

【专利技术属性】
技术研发人员：周涌，李飞，
申请(专利权)人：济南明泉数字商务有限公司，
类型：发明
国别省市：