本发明用于储物寄存领域，尤其涉及一种根据用户信息分配存储位置的方法。
背景技术：
目前，在超市、车站、学校、社区等多个场景，安装使用了大量的储物柜和寄存箱，给人们带来了一定的便利。但是，其使用方法较为单一，一般为用户手动申请存储，存储系统给出纸质存储凭证，然后用户根据凭证开启或者关闭用户的存储空间。用户的存储空间往往是随机分配的，在大量储物柜和寄存箱面前，老人、儿童和残障人士等往往不能得到与其身高匹配的使用起来最为简单的存储空间。此外，现在的储物系统一般都是按组排列使用，在用户量较大时，新用户往往需要逐个核查每组储物柜或寄存箱，才能找到空闲的存储空间，也给用户带来的不必要的麻烦。
技术实现要素：
有鉴于此，本发明提供了一种动态仓储分配方法，能够帮助特定用户得到最适合的空间，增强仓储系统的智能性以及分配的合理性。
为了解决上述技术问题，本发明是这样实现的：
一种基于用户信息的仓储分配方法，包括：
步骤1、获取用户的年龄和身高；
步骤2、根据所述年龄和身高，确定适合用户的储物箱的距离、大小和高度；
步骤3、为用户分配适配所述距离、大小和高度的储物箱。
可选地，步骤1所述获取用户的年龄和身高为：通过拍摄用户图像进行图像识别的方式获取用户的年龄和身高。
可选地，步骤2确定适合用户的储物箱的距离、大小和高度时，进一步结合年龄权重和身高权重进行处理；年龄权重和身高权重均根据数据获取准确率和特异性确定；所述特异性是指步骤1获取的数据与默认标准值的差异程度。
可选地，所述步骤2采用神经网络确定适合用户的距离、大小和高度；神经网络的输入为年龄、年龄权重、身高、身高权重，输出为距离、大小和高度。
可选地，所述步骤3包括：
步骤31：判断剩余储物箱数量是否高于设定阈值；如果是，则执行步骤32；否则执行步骤33；
步骤32：采用最优搜索方案：根据合适用户的距离、大小和高度寻找满足要求的储物箱分配给用户；如果找不到，则执行步骤33；
步骤33：采用次优搜索方案：对每个剩余储物箱满足要求的程度进行打分，选择分数最高的储物箱分配给用户。
可选地，所述最优搜索方案为：
构造仓储系统存储树：根据存储箱组数确定第2层的子节点，根据存储箱所在层数设置第3层的子节点，根据距离设置第4层的子节点，根据大小设置第5层的子节点；
从存储树的父节点出发，访问与产生分配请求的存储箱组同属一组的子节点，再按照深度优先搜索的原则，若当前节点符合要求之一，则继续搜索当前子节点的符合其他要求的子节点；若当前子节点不符合要求，则搜索当前子节点的兄弟节点，则并以此类推，直到找到符合全部要求的节点。
可选地，所述次优搜索方案为：
步骤a：根据数据获取准确率和特异性确定年龄权重wage和身高权重wheight；所述特异性是指测量值与默认标准值的差异大小；
步骤b：当年龄权重大于身高权重时，计算距离权重
步骤c：对剩余的全部空箱进行遍历，计算每一个空箱的分数；计算方法为：大小只有符合要求和不符合要求两种情况，符合则累加大小权重的分值，不符合则不累加任何分值；距离有要求距离内和距离外两种情况，储物箱在距离内则累加距离权重的分值，在距离外则按照超过距离的比例累加分数，超过的距离越大，累加越少的分数，最少为0分；高低有要求高度范围内和要求高度范围外两种情况，储物箱在高度范围内则累加高低权重的分值，在高度范围外则按照超过高度范围的比例累加分数，超过的高度范围越大，累加越少的分数，最少为0分。
可选地，年龄权重的确定方式为：
wage＝k1·accuracyage k2·|agemeasure-agestandard|
其中，wage为年龄权重，accuracyage为年龄的数据获取准确率，|agemeasure-agestandard|表示年龄的特异性；k1和k2分别为数据获取准确率和特异性的加权权重，agemeasure为步骤1获取的年龄值，agestandard为设定的年龄默认标准值；
身高权重的确定方式为：
wheight＝k3·accuracyheight k4·|hmeasure-heightstandard|
其中，wheight为身高权重，accuracyheight为身高的数据获取准确率，|hmeasure-heightstandard|表示身高的特异性；k3和k4分别为数据获取准确率和特异性的加权权重，hmeasure为步骤1获取的身高值，heightstandard为设定的身高默认标准值。
可选地，所述年龄和年龄的数据获取准确率的获取方式为：利用估计年龄的神经网络对用户图像进行解算，输出节点输出用户属于各种年龄的概率，根据输出结果获得用户的年龄agemeasure；神经网络输出节点输出的所述概率即为年龄的数据获取准确率accuracyage；
所述身高的数据获取准确率的获取方式为：获取用户位于地面标志点时的用户图像，根据人脸图像占整幅图像比例估算人脸距离摄像头的距离s，由
可选地，步骤2中确定适合用户的储物箱的距离、大小和高度的原则为：储物箱高度与用户身高相匹配；用户年龄过大或过小，则所分配的储物箱距离越近、大小越大、高度越与用户取放物品的能力相匹配。
有益效果：
(1)本发明充分利用用户信息为不同的用户身份分配不同的存储方案，使每个用户得到最适合的存储空间。彻底摒弃了传统方法中随机分配存储空间地分配策略，赋予储物柜智能性。本发明尤其对于老年人、残障人士和儿童等特殊人群具有重要意义，可以极大地提高这些用户地使用体验。
(2)本发明利用权重对年龄和身高进行调整，将年龄信息和身高信息的物理量的准确程度(包括数据获取准确率和特异性)加入到仓储分配的考虑因素中，提高分配的合理性。
(3)本发明采用神经网络构建年龄、年龄权重、身高、身高权重与储物箱的大小、高度和距离的映射关系，降低分配策略实现难度。
(4)本发明设置了储物箱阈值，只有储物箱较多时，才使用最优分配方案，储物箱不够时，直接使用次优方案，避免每次先执行最优方案，寻找失败再执行次优方案带来的时间浪费的问题。
(5)次优方案中，巧妙的设计了距离权重、高低权重和大小权重的计算方式，使得利用这些权重进行评分时，能够获得更加合理的分值。
(6)本发明还给出了优选的年龄权重和身高权重的确定方案，计算简单，且有效表征了用户数据的准确程度。
(7)在实施最优搜索方案时，本发明使用了深度优先搜索算法，占用内存小，适合解决规模较大的存储柜的搜索问题。
附图说明
图1为本发明基于用户信息的仓储分配方法的流程图。
图2为本发明计算高度的示意图。
图3为本发明所使用神经网络的结构图。
图4为图1中步骤四的流程图。
具体实施方式
本发明提供了一种基于用户信息的仓储分配方法，对于改良大型储物柜的使用和管理方式具有很大的实际借鉴意义。传统的储物柜架构简单，使用方式单一，将所有用户视为同一种类型，只有随机分配一种分配方案，难以满足特殊的使用需求。此外，即使普通用户在使用时也可能需要多次操作，浪费用户时间。本发明提出在用户同意后，获取用户的年龄和身高信息，根据年龄和身高，找到适合用户的储物箱的距离、大小和高度，进而为用户分配适配距离、大小和高度的储物箱。最终可以根据分配结果将储物箱位置发送给终端执行机构，完成一次分配。
本发明不仅考虑到用户身高，还考虑到用户年龄，根据这两个信息，结合分配规则进行储物箱分配，使每个用户得到最适合的存储空间。彻底摒弃了传统方法中随机分配存储空间地分配策略，赋予储物柜智能性。本发明尤其对于老年人、残障人士和儿童等特殊人群具有重要意义，可以极大地提高这些用户地使用体验。
本发明为用户分配储物箱时，进一步结合年龄权重和身高权重进行分配，年龄权重和身高权重主要反应了该数据对决策的可用程度。将年龄权重和身高权重加入到仓储分配的考虑因素中，可以提高分配的合理性。联合考虑时，可以利用相应权重直接对年龄/身高数据进行相乘、相加等联合计算，然后根据调整后的年龄/身高按照分配策略寻找合适的存储箱。但是由于年龄、身高与所分配储物箱的大小、高度和距离之间关系比较复杂，因此在以下实施例中选择神经网络作为映射网络，具有准确率高、参数设置简单的优点。而且神经网络输入信息除了包含年龄和身高，还加入了年龄权重和身高权重，从而将数据准确程度加入网络运算。
为使本发明实施例的目的、技术方案和优点更加清楚，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。
图1为本发明基于用户信息的仓储分配方法的流程图，如图1所示，包括如下步骤：
步骤一、获取用户的年龄agemeasure和身高hmeasure。
本实施例通过拍摄用户图像进行图像识别的方式获取用户年龄和身高。具体来说，使用带有云台的摄像头组成信息采集设备，信息采集设备可以在用户提出使用需求后直接拍摄图像。
年龄agemeasure的获取方式为：从拍摄图像中提取人脸图像，从人脸图像获取用户年龄的方法一般采用识别特定特征，如皱纹、发色等，技术较为成熟且开源，这里不做详细介绍。
身高hmeasure的获取方式为：参照图2，当用户使用时站在地面标志点位置，云台自动调整角度使得用户人脸中的标志点如双目中心，与图像中心重合，记录此时的云台中轴线与水平方向的倾角α，一般将云台设置在较高位置，这样可以保证倾角α始终在0°到90°之间，根据几何关系可以知道，则身高测量值hmeasure＝l·tanα；在已知摄像头和地面标志点的水平距离l时可求得hmeasure，即为用户与标准高度的差值，可以代表用户的高度。
步骤二、计算年龄权重wage和身高权重wheight。
如前所述，年龄权重wage和身高权重wheight反应了相应数据对决策的可用程度。本发明利用数据获取准确率和特异性来标准这个权重。其中，数据获取准确率即物理量的准确程度，准确率越高则越可以根据这个物理量进行决策优化。特异性代表了这个物理量与普通的、不需要优化的默认参数之间的区别程度，一般可以用测量值与默认标准值的差值表示，特异性越高，则在优化中要更加侧重对这个物理量的考虑。
基于上述分析，本实施例中年龄权重wage的确定方式为：
wage＝k1·accuracyage k2·|agemeasure-agestandard|
其中，accuracyage为年龄的数据获取准确率，|agemeasure-agestandard|为年龄的特异性；k1和k2分别为数据获取准确率和特异性的加权权重(正值)，可以根据需要进行调整。agemeasure为步骤一获取的年龄测量值，agestandard为设定的年龄默认标准值。
其中，accuracyage可以依据估计年龄的神经网络直接得出，即利用估计年龄的神经网络对用户图像进行解算，神经网络的各输出节点输出用户属于各种年龄的概率，概率最大者对应的年龄就是估算的用户年龄。而神经网络输出节点输出的概率值可以作为年龄准确率accuracyage。
同样，本实施例中身高权重wheight的确定方式为：
wheight＝k3·accuracyheight k4·|hmeasure-heightstandard|
其中，accuracyheight为身高的数据获取准确率，|hmeasure-heightstandard|表示身高的特异性；k3和k4分别为数据获取准确率和特异性的加权权重(正值)，可以根据需要进行调整。hmeasure为步骤一获取的身高测量值，heightstandard为设定的身高默认标准值。
其中，accuracyheight的计算方法可以为：获取用户位于地面标志点时的用户图像，根据人脸图像占整幅图像比例可以估算人脸距离摄像头的距离s，由
步骤三、根据年龄、身高并结合年龄权重和身高权重，确定适合用户的储物箱的距离、大小和高度。
确定原则可以为：储物箱高度与用户身高匹配；年龄过大或过小，则所分配的储物箱距离越近、大小越大、高度越与用户取放物品的能力相匹配。
年龄、身高、年龄权重、身高权重与距离、大小和高度之间的对应关系比较复杂，因此本发明实施例采用神经网络实现储物箱距离、大小和高度的确定。
如图3所示，本实施例采用具有4个输入节点、3个输出节点的bp神经网络，4个输入节点分别为年龄、年龄权重、身高、身高权重，3个输出节点分别为所需储物箱的距离、大小和高度。设置隐含层数为3到4层，对网络初始权重进行高斯截断分布初始化。设置指数衰减学习率，一般设置初始学习率为0.1，衰减系数为0.9，衰减步长为50轮；设置动量项，一般设置动量系数为0.5。
获取训练数据，并分为训练集和测试集。本发明中神经网络的训练数据是构造性的，可以根据仓储系统管理者的期望来构建训练数据，如身高90％可能为160厘米，年龄99％可能为89岁的用户，其需求为距离摄像头处1m以内第4层和第5层的大箱子。数据构造的原则是首先所有用户都优先获得与自身身高相匹配的距离较近的储物箱，其次对于老年人则优先获得中等高度的距离更近的大的储物箱，年幼用户优先获得较低高度的储物箱等，此外还可以根据仓储系统所有者自行添加规则和数据。利用训练集训练神经网络，在大量训练之后神经网络就可以“学会”这种需求计算思想，再使用测试集进行训练，以进一步决定算法中参数的修改。同时考虑到年龄在“年老”，身高在“超高”等划分上并不明确，可以利用神经网络的优点，只使用如例子中描述的极端的数据，即特别老的和特别高的用户数据来训练网络，让网络来处理模糊的分类问题。
训练时，将训练集喂入神经网络，按照网络结构进行前向传播，根据计算记过与样本类别计算损失函数，一般取交叉熵损失函数。根据损失函数数值进行反向传播，更新权重网络的权重参数和偏置参数。重复执行，直到损失函数数值满足要求。
步骤四、为用户分配适配所述距离、大小和高度的储物箱。
根据所确定的距离、大小和高度选择储物箱时，可以先从剩余储物箱中搜索满足条件的存储箱，作为最优方案。如果搜索不到，再考虑选择满足部分条件的存储箱，即次优方案。当若仓储系统规模较大，按照先搜索最优方案无解后再计算次优方案的顺序进行会非常耗费时间，其最坏情况的计算量中有很多是无效的，因此使用简单的判据避免最坏情况是具有实际意义的。
本发明通过设置阈值，可以实现两种方案的快速简洁切换，提高了系统的运行效率。如图4所示，该过程包括如下步骤：
步骤41：判断剩余储物箱数量是否高于设定阈值；如果是，则认为有较大概率能够找到最优解，则执行步骤42；否则，执行步骤43。
步骤42：采用最优搜索方案：根据合适用户的距离、大小和高度寻找满足要求的储物箱；如果找不到，则执行步骤43。
本步骤中，首先根据仓储系统的硬件配置和运行状态，设计构造存储树：一般的，根据存储柜组数确定深度为2的子节点数d2(子节点记录组别)，根据层数设置深度为3的子节点数d3(子节点记录层数)，根据距离设置深度为4的子节点数d4(子节点记录距离)，根据大小设置深度为5的子节点数d5(子节点记录大小)。
搜索时，从存储树父节点出发，访问与信息采集模块(位于产生分配请求的存储箱组)同属一组的子节点，再按照深度优先搜索的原则，若当前节点符合要求之一，则继续搜索当前子节点的符合其他要求的子节点；若当前子节点不符合要求，则搜索当前子节点的兄弟节点，则并以此类推，找到符合全部要求的节点。
若找到符合全部要求的节点，则记录节点位置，更新仓储系统的树结构，防止其他请求继续使用此节点。将节点位置发送给终端执行机构，完成一次分配。若没有找到符合要求的节点，则执行步骤43。
步骤43：采用次优搜索方案：对每个剩余储物箱满足要求的程度进行打分，选择分数最高的储物箱分配给用户。
本步骤具体包括如下子步骤：
步骤a：获取步骤2计算出的年龄权重wage和身高权重wheight。
步骤b：当年龄权重大于身高权重时，计算距离权重
当年龄权重小于或等于身高权重时，高低权重为
值得注意的是，每个用户的高低权重，大小权重，距离权重均为动态调整的，其数值与其自身年龄权重和身高权重相关，这保证了不同用户可以互相比较权重大小。一个箱子同时为多个用户的次优方案，则这个箱子要分配给按照自身权重规则得分最高的用户。
步骤c：对剩余的全部空箱按照蛇形进行遍历，计算每一个空箱的分数。计算方法为：大小只有符合要求和不符合要求两种情况，符合则累加大小权重的分值，不符合则不累加任何分值；距离有要求距离内和距离外两种情况，储物箱在距离内则累加距离权重的分值，在距离外则按照超过距离的比例累加分数，超过的距离越大，累加越少的分数，最少为0分；高低有要求高度范围内和要求高度范围外两种情况，储物箱在高度范围内则累加高低权重的分值，在高度范围外则按照超过高度范围的比例累加分数，超过的高度范围越大，累加越少的分数，最少为0分。
步骤d：对于计算得到的分数列表使用快速排序算法得到分值最高的箱子位置。本发明中的动态分配还体现在对于不同的背景下，如每天的不同时段，存储系统的不同入口，系统给出的分配方案并非一成不变的一一对应关系，而是根据提出使用需求当时的存储状态给出符合用户要求的仓储方案。
前文提到使用传统仓储方案时，在用户量较大的时间段，常常需要访问多个储物柜才能找到空闲的仓储箱，本发明通过多个储物系统同时统一决策可以有效解决这一问题。在实际实现时，每个储物柜里都运行一个本发明的仓储分配算法，并且共享当前时刻的多个仓储柜所组成的仓储系统的运行状态。在某个储物柜搜索到最优方案时直接占用该箱子，更改仓储系统的运行状态。但是在计算次优解决方案时，找到当前用户的次优的箱子时不可以直接占用，需要判断在固定时间间隔内，这个箱子是否也是其他用户的次优方案，如果是，要比较分数；如果不是，则可以占用。
步骤五：将所分配的储物箱位置发送给终端执行机构，终端执行机构动作响应。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于用户信息的仓储分配方法，其特征在于，包括：
步骤1、获取用户的年龄和身高；
步骤2、根据所述年龄和身高，确定适合用户的储物箱的距离、大小和高度；
步骤3、为用户分配适配所述距离、大小和高度的储物箱。
2.如权利要求1所述的方法，其特征在于，步骤1所述获取用户的年龄和身高为：通过拍摄用户图像进行图像识别的方式获取用户的年龄和身高。
3.如权利要求1所述的方法，其特征在于，步骤2确定适合用户的储物箱的距离、大小和高度时，进一步结合年龄权重和身高权重进行处理；年龄权重和身高权重均根据数据获取准确率和特异性确定；所述特异性是指步骤1获取的数据与默认标准值的差异程度。
4.如权利要求3所述的方法，其特征在于，所述步骤2采用神经网络确定适合用户的距离、大小和高度；神经网络的输入为年龄、年龄权重、身高、身高权重，输出为距离、大小和高度。
5.如权利要求1所述的方法，其特征在于，所述步骤3包括：
步骤31：判断剩余储物箱数量是否高于设定阈值；如果是，则执行步骤32；否则执行步骤33；
步骤32：采用最优搜索方案：根据合适用户的距离、大小和高度寻找满足要求的储物箱分配给用户；如果找不到，则执行步骤33；
步骤33：采用次优搜索方案：对每个剩余储物箱满足要求的程度进行打分，选择分数最高的储物箱分配给用户。
6.如权利要求5所述的方法，其特征在于，所述最优搜索方案为：
构造仓储系统存储树：根据存储箱组数确定第2层的子节点，根据存储箱所在层数设置第3层的子节点，根据距离设置第4层的子节点，根据大小设置第5层的子节点；
从存储树的父节点出发，访问与产生分配请求的存储箱组同属一组的子节点，再按照深度优先搜索的原则，若当前节点符合要求之一，则继续搜索当前子节点的符合其他要求的子节点；若当前子节点不符合要求，则搜索当前子节点的兄弟节点，则并以此类推，直到找到符合全部要求的节点。
7.如权利要求5所述的方法，其特征在于，所述次优搜索方案为：
步骤a：根据数据获取准确率和特异性确定年龄权重wage和身高权重wheight；所述特异性是指测量值与默认标准值的差异大小；
步骤b：当年龄权重大于身高权重时，计算距离权重
步骤c：对剩余的全部空箱进行遍历，计算每一个空箱的分数；计算方法为：大小只有符合要求和不符合要求两种情况，符合则累加大小权重的分值，不符合则不累加任何分值；距离有要求距离内和距离外两种情况，储物箱在距离内则累加距离权重的分值，在距离外则按照超过距离的比例累加分数，超过的距离越大，累加越少的分数，最少为0分；高低有要求高度范围内和要求高度范围外两种情况，储物箱在高度范围内则累加高低权重的分值，在高度范围外则按照超过高度范围的比例累加分数，超过的高度范围越大，累加越少的分数，最少为0分。
8.如权利要求3或7所述的方法，其特征在于，年龄权重的确定方式为：
wage＝k1·accuracyage k2·|agemeasure-agestandard|
其中，wage为年龄权重，accuracyage为年龄的数据获取准确率，|agemeasure-agestandard|表示年龄的特异性；k1和k2分别为数据获取准确率和特异性的加权权重，agemeasure为步骤1获取的年龄值，agestandard为设定的年龄默认标准值；
身高权重的确定方式为：
wheight＝k3·accuracyheight k4·|hmeasure-heightstandard|
其中，wheight为身高权重，accuracyheight为身高的数据获取准确率，|hmeasure-heightstandard|表示身高的特异性；k3和k4分别为数据获取准确率和特异性的加权权重，hmeasure为步骤1获取的身高值，heightstandard为设定的身高默认标准值。
9.如权利要求8所述的方法，其特征在于，所述年龄和年龄的数据获取准确率的获取方式为：利用估计年龄的神经网络对用户图像进行解算，输出节点输出用户属于各种年龄的概率，根据输出结果获得用户的年龄agemeasure；神经网络输出节点输出的所述概率即为年龄的数据获取准确率accuracyage；
所述身高的数据获取准确率的获取方式为：获取用户位于地面标志点时的用户图像，根据人脸图像占整幅图像比例估算人脸距离摄像头的距离s，由
10.如权利要求1所述的方法，其特征在于，步骤2中确定适合用户的储物箱的距离、大小和高度的原则为：储物箱高度与用户身高相匹配；用户年龄过大或过小，则所分配的储物箱距离越近、大小越大、高度越与用户取放物品的能力相匹配。
技术总结