CN104156836A - 一种物流网络负载查询方法及系统 - Google Patents
一种物流网络负载查询方法及系统 Download PDFInfo
- Publication number
- CN104156836A CN104156836A CN201310175499.5A CN201310175499A CN104156836A CN 104156836 A CN104156836 A CN 104156836A CN 201310175499 A CN201310175499 A CN 201310175499A CN 104156836 A CN104156836 A CN 104156836A
- Authority
- CN
- China
- Prior art keywords
- logistics
- circuit
- user
- charge capacity
- valuation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本申请公开了一种物流网络负载查询方法及系统。一种物流网络负载查询方法包括:接收物流网络负载查询请求,确定所述查询请求对应的物流对象C以及物流线路L;根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);针对所述物流对象C以及物流线路L,计算利用计算结果响应所述查询请求。
Description
技术领域
本申请涉及互联网数据处理领域,特别是涉及一种物流网络负载查询方法及系统。
背景技术
物流是商务活动中重要环节,其内容包括通过运输、存储、配送等方式,对标的物品进行从供应地到目的地的规划、实施和控制的全过程。随着计算机和网络的普及,越来越多的个人用户开始接触电子商务,与企业之间的电子商务相活动比,个人用户的数量更大、交易次数更为频繁,需求也更为多样化,这给物流的管理工作带来了很大的挑战。
物流网络由多条物流线路构成,每条物流线路上又进一步包括若干物流节点,无论是对于物流线路还是物流节点,理论上都存在处理能力上限,如果积压的包裹数量或者在单位时间的包裹吞吐量超过了这个处理能力上限,将会影响包裹正常流转。因此,为了保证包裹的顺利运送,无论是对于物流服务用户还是物流服务提供方,都存在了解物流网络负载状况的客观需求。
发明内容
为解决上述问题,本申请实施例提供的技术方案包括:物流网络负载查询方法及系统、物流方案推荐方法及系统、物流线路负载预警方法及系统、物流节点负载预警方法及系统,技术方案如下:
本申请提供一种物流网络负载查询方法,包括:
接收物流网络负载查询请求,确定所述查询请求对应的物流对象C以及物流线路L;
根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
针对所述物流对象C以及物流线路L,计算利用计算结果响应所述查询请求。
本申请提供一种物流方案推荐方法,包括:
接收物流请求,所述物流请求中包括:给定的物流线路L;
计算任一物流对象在物流线路L上的负载量估值;
根据所计算的不同物流对象的负载量估值、以及不同物流对象在线路L的负载能力阈值,输出能够满足所述物流请求的物流对象推荐结果;
其中,所述计算任一物流对象在物流线路L上的负载量估值,具体包括以下步骤:
根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
针对所述物流对象C以及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值。
本申请提供一种物流线路负载预警方法,包括:
根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;
判断物流对象C的物流线路L在时段Ta~Tb的负载量估值是否超过其自身的负载能力阈值,如果是,则输出告警信息。
本申请提供一种物流节点负载预警方法,其特征在于,包括:
根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;
根据物流对象C的物流线路L上各节点间的运输延迟,得到对物流线路L在指定时段所产生的负载量贡献值;对于任意节点,汇总经过该节点的线路对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值;
判断节点在指定时段的负载量估值是否大于其自身的负载能力阈值,如果是,则输出告警信息。
本申请提供一种物流网络负载查询系统,包括:
查询请求接收模块,用于接收物流网络负载查询请求,用于确定所述查询请求对应的物流对象C以及物流线路L;
发货数量计算模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
对象分配计算模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
查询请求响应模块,用于针对所述物流对象C以及物流线路L,计算利用计算结果响应所述查询请求。
本申请提供一种物流方案推荐系统,包括:
物流请求接收模块,用于接收物流请求,所述物流请求中包括:给定的物流线路L;
负载量计算模块,用于计算任一物流对象在物流线路L上的负载量估值;
推荐结果输出模块,用于根据所计算的不同物流对象的负载量估值、以及不同物流对象在线路L的负载能力阈值,输出能够满足所述物流请求的物流对象推荐结果;
其中,所述负载量计算模块,具体包括:
发货数量计算子模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算子模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
对象分配计算子模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
负载量计算子模块,用于针对所述物流对象C以及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值。
本申请提供一种物流线路负载预警系统,包括:
发货数量计算模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
对象分配计算模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
负载量计算模块,用于针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;
告警模块,用于判断物流对象C的物流线路L在时段Ta~Tb的负载量估值是否超过其自身的负载能力阈值,如果是,则输出告警信息。
本申请提供一种物流节点负载预警系统,包括:
发货数量计算模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
对象分配计算模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
负载量计算模块,用于针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;根据物流对象C的物流线路L上各节点间的运输延迟,得到对物流线路L在指定时段所产生的负载量贡献值;对于任意节点,汇总经过该节点的线路对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值;
告警模块,用于判断节点在指定时段的负载量估值是否大于其自身的负载能力阈值,如果是,则输出告警信息。
本申请所提供的技术方案,首先从销售平台的角度,对物流网络的负载进行预测:一方面,通过分析历史销售数据,能够预测出未来一段时间的总体运单数量;另一方面,根据大量卖家的历史发货行为,能够预测出未来一段时间运单的发货时间分配趋势和线路分配趋势。应用上述方案,不需要等到包裹达到物流公司即可给出预测数据,能够有效将预测时机提前。利用上述负载预测结果提供查询功能,可以让用户提前了解物流网络的负载状况,从而方便对物流方案进行选择或调整。
本申请技术方案是基于多个维度的统计结果对物流网络的负载状况进行预测,因此,相应地可以满足不同用户各种维度的查询需求,例如:对于物流公司,可以利用上述方案统一查询各条线路的负载量,从而方便整体上的管理和调度,提高管理调度工作的准确性和处理效率;对于普通用户,可以统一查询出各个物流公司在某条给定线路上的负载量,从而为选择物流公司提供依据,避免用户自行咨询所导致的种种麻烦,也可以为物流公司节省出相应的人力资源。
基于物流网络负载的预测结果,本申请还进一步提供物流方案推荐方法及系统,相应的推荐结果同样可以灵活满足不同用户的需求,例如,对于普通用户的物流请求,可以直接根据各物流公司的负载情况,为用户自动筛选合适的物流公司,从而简化用户的操作;从物流公司的角度,还可以进一步筛选出能够满足用户物流请求的一条或多条路径,从而提高物流管理调度工作的准确性和处理效率。
基于物流网络负载的预测结果,本申请还进一步提供物流线路负载预警以及物流节点负载预警方法和系统,应用该方案,如果物流线路或物流节点的负载预测结果超过了自身处理能力上限,可以自动发出告警信息,由于预测时机的提前,也可以为调度管理工作提供更为充分的准备时间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例物流网络负载查询方法的流程图;
图2为本申请实施例物流方案推荐方法的流程图;
图3为本申请实施例物流线路负载预警方法的流程图;
图4为本申请实施例物流节点负载预警方法的流程图;
图5为本申请实施例物流网络负载查询系统的结构示意图;
图6为本申请实施例物流方案推荐系统的结构示意图;
图7为本申请实施例物流线路负载预警系统的结构示意图;
图8为本申请实施例物流节点负载预警系统的结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行详细地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请保护的范围。
首先对本申请所提供的物流网络负载查询方法进行说明:
本申请所提供的物流网络负载查询方法,并不局限于当前或历史时段,而是强调能够对未来一段时间的物流网络负载情况进行查询,以便用户提前了解物流网络的负载状况,从而方便用户选择或调整物流方案。为了实现对物流网络在未来一段时间的负载进行预测,一种可行的方案是:在揽收网点接收到包裹并确定物流线路后,根据所有运单线路途经的中转站信息,预测目标中转站的负载。这种方式的缺陷在于,滞后性较大,不利于充分准备,例如:当包裹到达揽收网点后,其实已经进入了流转阶段,即便在包裹从揽收网点发往中转站之前,也并没有充分的时间来制订并执行调整策略。另外,当预测到线路或节点的负载量即将超过上限时,很多包裹可能已经在运送途中了,要对这些途中的包裹进行调整,这实际是很难进行操作的。
本申请所提供的技术方案,利用销售平台的先天优势,从销售数据的角度对即将进入物流网络的运单数进行预测:一方面,通过分析历史销售数据,能够预测出未来一段时间的总体运单数量;另一方面,根据大量卖家的历史发货行为,能够预测出未来一段时间运单的发货时间分配趋势和线路分配趋势。应用上述方案,能够在用户成交之后、甚至成交之前就完成预测,不需要等到包裹达到物流网点,将预测的时机明显提前。利用负载预测结果相应提供查询功能,可以让用户提前了解物流网络的负载状况,从而方便对物流方案进行选择或调整。
图1所示,其为本申请所提供的一种物流网络负载查询方法的流程图,该方法可以包括以下步骤:
S101,接收物流网络负载查询请求,确定所述查询请求对应的物流对象C以及物流线路L;
根据一般的用户需求,对物流网络负载查询需要从“物流对象”以及“物流线路”两个方面考虑,下面分别对两个方面进行说明:
物流对象:在本申请中,一个物流对象指的是一个能够提供物流服务的主体,例如,独立的物流公司、商家或销售平台自有的物流机构等等,如果进一步考虑区域粒度,也可以是物流公司的区域分公司,甚至具体的服务网点等等。物流对象是本申请方案的一个基本参数,在本申请实施例中,以C代表物流对象,例如C=c1、c2、c3......代表不同的物流对象。
物流线路:物流网络由多条物流线路构成,每条物流线路又可能经过若干物流节点,从实际需求来看,对物流网络负载量的查询,更多是落实到对某条物流线路或某条物流节点的负载量的查询,在本实施例中,物流节点负载量又是在物流线路负载量的基础上进行统计的,因此,物流线路是本申请方案的另一个基本参数,在本申请实施例中,以L代表物流线路,例如L可以为l1、l2、l3......,l1、l2、l3......分别代表不同的物流线路。
“物流对象”以及“物流线路”是两个相互独立的参数,但是在实际应用中,二者又是存在相互关系的,因此往往需要结合考虑:
一方面,每个物流对象都拥有自己的物流网络,也就是说每个物流对象都拥有自己的物流线路集,即对于给定的C,可能存在LC=l1、l2、l3......;
另一方面,对于一条确定的物流线路,可能有多个物流对象都能够提供针对该线路的服务,即对于给定的L,可能存在CL=c1、c2、c3......;
在本申请实施例中,根据查询请求确定“物流对象”以及“物流线路”两个参数,但并不意味着在查询请求中需要同时包含这两个参数。当查询请求中仅包括一个参数时,系统可以根据物流对象和物流线路的固有从属关系,确定另一个参数:
a)如果查询请求中仅包含给定的物流对象C,则系统可以根据物流对象C确定物流线路L,即该物流对象C所对应的一条或多条物流线路LC=l1、l2、l3......;
例如,在查询请求中指定“物流公司X”,则系统可以进一步确定物流公司X存在“北京市→广州市”、“北京市→上海市”、“上海市→广州市”等多条线路。这种形式的查询请求对应于“给定一个物流对象,查询该物流对象所有线路负载情况”的需求,一般面向物流服务的提供主体。
b)如果查询请求中仅包含给定的物流线路L,则系统可以根据物流线路L确定物流对象C,即能够为该物流线路L提供服务的一个或多个物流对象CL=c1、c2、c3......;
例如,在查询请求中指定“北京市→上海市”,则系统可以进一步能够在该线路上提供服务的物流对象包括“物流公司X”、“物流公司Y”、“物流公司Z”等等。这种形式的查询请求对应于“给定一条物流线路,查询能够为该线路提供服务的所有物流对象在该线路的负载情况”的需求,一般面向使用物流服务的普通用户。
c)可以理解的是,在查询请求中,也可以同时包含给定的物流对象C和给定的物流线路L,例如,查询申通快递在“北京市→上海市”线路的负载情况,与前两种形式相比,这种查询的需求更为明确,这里不再详细说明。
另外,根据具体的查询需求,在查询请求中还可以进一步指定具体的物流节点、或者某条物流线路所对应的具体路径等等,但是在本申请实施例中,针对这些请求的数据计算都需要以确定物流对象C和物流线路L为前提,这部分内容将在后面的实施方式进行描述,这里不再展开说明。
S102,根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
这里的目标时段Ta~Tb,可以是用户指定的参数,通过携带在查询请求中提供给系统,也可以是系统默认的参数,例如“未来24小时”、“截止到明日23时59分”等等。
在本申请实施例中,对于任意用户u,利用历史销售数据估算其未来一段时间的发货量,具体有以下两种实现方案:
a)利用实际完成的销售数据,对发货数量进行预测。
一般情况下,用户在“成交”到“发货”之间会存在一定的时间延迟,如果延迟较为明显(例如10小时以上),则可以直接用该方案对发货数量进行预测。应用该方案,可以在用户成交以后、发货之前完成预测:
假设用户u的平均发货延迟为10小时,那么认为该用户u在10点成交的订单,会在当天20点发货。
其中,发货延迟可以从用户的历史行为数据中统计得到。具体实施时,可以粗略地将同一用户的所有发货延迟进行统计平均,也可以从“线路”、“物流公司”等维度,分别统计发货延迟。例如,用户u发货地点位于北京市,则可以分别统计“北京市→上海市”、“北京市→广州市”......的平均发货延迟。还可以分别统计用户u使用物流公司X的发货延迟、使用物流公司Y的发货延迟,等等。
b)利用历史销售数据,先对未来一段时间内的销售数据进行估计,然后利用估计的销售数据,对发货数量进行预测。
与方案a)相比,本方案将预测的时机进一步提前至“成交”之前,从而为线路调整争取更多的准备时间。此外,该方案可以适用于用户的发货延迟较小的情况。
在本申请的一种具体实施方式中,可以预先根据历史销售数据,计算用户u在每个子时段的发货数量估值E发(u,t),然后对预测目标时段所包含的各个子时段的E发(u,t)求和,得到用户u在预测目标时段的发货数量估值M(u)。
这里的“子时段”一般是将一个相对固定的周期划分成若干子时段,例如,将一周划分为7天、将一天划分为24小时等等。
在实际应用中,首先根据历史销售数据,计算出用户u在子时段t的销售数量估值E售(u,t)。
如果发货延迟较小,可以直接将子时段t的销售数量估值E售(u,t)看作是相应延迟时段的发货数量估值。也就是说,可以忽略发货时延td的影响,利用以下公式计算则用户u在子时段t的发货数量估值:
E发(u,t)=E售(u,t) (1)
如果发货延迟td较大,发货时延td不能忽略,则利用以下公式计算则用户u在子时段t的发货数量估值:
E发(u,t)=E售(u,t-td) (2)
得到E发(u,t)之后,对于给定的预测目标时段Ta~Tb,通过对Ta~Tb所包含的各个子时段的E发(u,t)求和,得到用户u在Ta~Tb时段的发货数量估值M(u),即:
在本申请的一种实施方式中,假设执行预测计算的当前时间为Tn,如果Tn在Ta~Tb之间,考虑到在已经过去的时段Ta~Tn内,可能已经产生了一些实际的发货量,那么在计算M(u)时,可以以用户u在Ta~Tn时段的实际发货数量代替用户u在Ta~Tn时段的发货数量估值进行求和,这样式(3)可以改写为:
其中,为Ta~Tn时段的实际发货数量、为Tn~Tb时段用户u的发货数量估值。
假设Ta=0、Tb=24、Tn=10,即:在某日10点预测用户u在该日0点至24点的发货数量,则M(u)=用户u在0~10点的实际发货数量+用户u在10~24点的发货数量估值。
由于发货数量估值是根据销售数量估值以及发货延时确定,因此,在不忽略发货延时的情况下,结合式(1),可以将式(4)的第二部分求和因子改写为以下形式:
令τ=t-td,则有
根据式(6),如果Tn在(Tn-td)~(Tb-td)之间,考虑到在已经过去的时段(Tn-td)~Tn内,可能已经产生了一些实际的销售量,那么在计算时,可以以用户u在(Tn-td)~Tn时段的实际销售数量代替用户u在(Tn-td)~Tn时段的销售数量估值进行求和,这样式(6)可以改写为:
综合式(4)(6)(7)可得,当Tn∈[(Tn-td),(Tb-td)]时:
而当(Tb-td)≤Tn时:
也就是说,如果(Tb-td)≤Tn,意味着预测目标时段终点Tb对应的发货时间(Tb-td)在当前时间Tn之前,那么第三项求和因子的数值应为0。
值得注意的是,根据实际应用需求,由于估算目标是Ta~Tb时段的发货数量,而(Tb-Ta)一般对应一个预设的物流统计周期,例如每天的0点~24点,因此如果(Tn-td)<T,则式(8)与式(9)的第二项因子的求和区间起点应该是Ta而不是(Tb-td),这是因为(Tb-td)~Ta这段时间已经对应前一天的数据,不应参与当日的预测统计。
综上所述,式(8)与式(9)的第二项因子的求和区间起点可以记为:max(Tn-td,Ta),进一步将式(8)与式(9)合并,可以得到M(u)的综合表达式:
其中,V为第二项因子的求和区间,该区间的起点为max(Tn-td,Ta),终点为min(Tn,Tb-td)。
需要说明的是,由于在实际应用中,以上公式中的t对应的是某个“子时段”,因此表达式中求和区间的开闭性,并不会影响每个时段的宏观统计结果。例如,将一天24小时划分为24个子时段,则有:
t=1对应0~1点、t=2对应1~2点、......t=24对应23~24点,从宏观统计的角度,并没有必要严格区分1点、2点......这些整点时刻到底应该属于那个子时段,因此,对于本申请方案而言,表达式中采用“全开”、“全闭”或“半开半闭”的形式来表示某个区间,对整体方案而言并没有影响。
S103,根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
一般来说,对于给定的用户u,其自身的发货地点是固定的,也就是说,该用户的所有运单都是从一个固定的发货地点发往不同的收货地点,根据一段历史时间(例如,最近一个月、最近两个月、最近半年等等)的运单数据,可以统计出用户u的销售对象的地区分布。例如:用户u位于北京市,其最近一个月共发货100件,其中50件发往上海市、30件发往广州市、20件发往杭州市,那么用户u的历史运单共涉及三条物流线路:“北京市→上海市”、“北京市→广州市”、“北京市→杭州市”,三条线路的历史运单量比例分别为50%、30%、20%。
将M(u)分别与用户u涉及的某条物流线路L的历史运单量比例相乘,得到M(u)在物流线路L的分配数量M(u,L),即:用户u在Ta~Tb时段向物流线路L的发货数量估值。
S104,根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
对于确定的物流线路L,可能存在多家能够提供物流服务的物流对象,这里所说的物流对象可以包括独立的物流公司,也可以是商家或销售平台附属的物流机构等等。对于某个给定的用户u,在选择物流对象时往往存在一定的习惯和倾向,因此,根据一段历史时间(例如,最近一个月、最近两个月、最近半年等等)的运单数据,可以统计出用户u在物流对象方面的选择分布。例如,用户u最近一个月中,在“北京市→上海市”线路上共发货50件,其中,30件选择了物流公司X,20件选择了物流公司Y,那么用户u在“北京市→上海市”线路上历史运单共涉及两家物流对象,两家物流对象的历史运单量比例分别为60%和40%。
将M(u,L)分别与用户u在某条物流线路L涉及的物流对象的历史运单量比例相乘,得到M(u,L)在给定物流对象C的分配数量M(u,L,C),即:用户u在Ta~Tb时段向物流对象C的物流线路L的发货数量估值。
S105,针对所述物流对象C以及物流线路L,计算利用计算结果响应所述查询请求。
对于确定的物流对象C及物流线路L(L是C的线路),在最近一段时间的历史运单数据中,找到所有曾经使用物流对象C及物流线路L的用户u的集合,通过S102-S104分别计算出各个用户u对应的M(u,L,C),然后对多个用户u的M(u,L,C)求和,得到的值即为:在Ta~Tb时段,所有用户向物流对象C的物流线路L的发货数量估值。
可以理解的是,在实际应用中,求和的对象并不一定严格要求是“所有”涉及物流对象C及物流线路L的用户,例如,可以设置阈值,滤除一些发货数量较少的用户,这样既能减少求和计算量,又可以避免个别异常数据对整个预测结果的影响。
得到之后,就可以利用该结果响应用户的查询请求,具体而言,相应于S101中的几种查询请求的形式,响应方式分别如下:
a)如果查询请求中仅包含给定的物流对象C,则响应方式为:输出给定物流对象C所对应的一条或多条物流线路在目标时段Ta~Tb的负载量估值其中L=l1、l2、l3......,对于不同的L取值,需要利用S103-S104所提供的方法分别计算。
b)如果查询请求中仅包含给定的物流线路L,则响应方式为:输出一个或多个物流对象的给定物流线路L在目标时段Ta~Tb的负载量估值其中C=c1、c2、c3......,对于不同的C取值,需要利用S103-S104所提供的方法分别计算。
c)如果查询请求中同时包含给定的物流对象C和给定的物流线路L,则直接根据C和L的确定取值计算出作为响应结果输出即可。
在本实施例的进一步实现方式中,得到物流对象C在物流线路L在时段Ta~Tb的负载量估值之后,还可以进一步计算出L所对应的多条路径在时段Ta~Tb的负载量估值。
这里引入了“路径”的概念,该概念与“线路”的区别在于:
“线路”对应唯一确定的“发货网点→收货网点”,而“路径”则是针对一条确定线路的一种或多种路由方案,例如在“北京市→广州市”线路上,可能存在“北京中转站→杭州中转站→广州中转站”和“北京中转站→上海中转站→广州中转站”两条路径,因此“路径”是从属于“线路”的,另外脱离“物流对象”限定的路径也没有实际意义,因此“路径”参数是受“物流对象”和“物流线路”两方面限定的,在本申请实施例中,以RC,L表示物流对象C的物流线路L所对应的路径,如果对应的路径为多条,即RC,L=r1、r2、r3......;在线路不存在多条路径(即RC,L仅对应一个取值)的情况下,“线路”和“路径”的概念实际是等同的。
本实施例方案针对RC,L存在多种取值的情况提出。对于确定的物流对象C以及物流线路L,通过获取最近一段时间的历史运单数据,可以统计出运单在每条路径上的历史分布情况,例如,物流公司X最近一个月,在“北京市→广州市”线路上,共发货10000件,其中6000件是通过“北京中转站→上海中转站→广州中转站”路径运送,4000件是通过“北京中转站→杭州中转站→广州中转站”路径运送,那么这两条路径上的历史运单量比例分别为60%和40%。
将分别与每条路径的历史运单比例相乘,得到在给定路径RC,L的分配数量,将计算结果作为路径RC,L在目标时段Ta~Tb的负载量估值进行输出。该结果可以用于响应用户针对RC,L负载量的主动查询请求,也可以作为系统对的进一步附加响应输出结果。
在本申请的进一步实施方式中,得到物流对象C在物流线路L在时段Ta~Tb的负载量估值之后,还可以进一步计算出L中各节点在指定时段的负载量估值。这里的“指定时段”主要用于和“目标时段”相区分,二者的取值范围可以相同,也可以部分重合或完全不重合,二者并没有必然的联系。计算结果可以用于响应用户针对给定节点P的主动查询请求,也可以作为系统对的进一步附加响应输出结果。
针对“一条线路仅对应一条路径”和“一条路线对应多条路径”的情况,计算方法也有所区别,以下分别进行说明:
a)“一条线路仅对应一条路径”的情况:
这种情况下,“线路”和“路径”的概念等同的,无需特别进行区分。以上计算出的实际是对物流对象C在Ta~Tb时段进入物流线路L起点的负载量进行预测,考虑物流运输的延迟性,对物流线路L中各个节点所产生的负载影响应该是在不同的时段,例如“杭州中转站→上海中转站”的平均运输延迟为2小时,那么在10点对杭州中转站所产生的负载影响,将会在12点对上海中转站产生影响。
因此,根据物流线路L中各节点间的运输延迟,可以得到L各节点在指定时段的负载量估值。
在实际计算负载过程中,仍然可以采用“实际值”与“估计”相结合的方式。假设对于预测目标节点P,需要预测其在Ta~Tb之间的负载量,如果当前时间为Tn,且Tn在Ta~Tb之间,考虑到在已经过去的时段Ta~Tn内,节点P可能已经实际收到了一部分包裹,那么在计算节点P在Ta~Tb之间的负载量估值时,可以以节点P在Tn之前实际收到的货物数量代替相应时段的预测值。例如,“杭州中转站→上海中转站”的平均运输延迟为2小时,当前时间为10点,那么,如果要计算上海中转站本日截至24点的负载量,应该用“上海中转站在0~10点实际的负载量+杭州中转站在8~22点的负载量估值”计算,上述求和公式的后一部分相当于对上海中转站在10~24点的负载量进行估值。
需要注意的是,以上的计算过程仅是针对某条特定的物流线路L进行节点的负载量预测,由于对于给定的物流对象C,在同一节点可能有多条线路交汇,因此,该节点的负载量是受多条线路共同影响的。对于指定物流线路L,可以根据其节点间的运输延迟,计算出对各个节点在指定时段产生的负载影响;然后对于指定的预测目标节点P,还需要汇总所有经过节点P的线路所产生的负载影响,从而得到在节点P某一时段的总负载量估值。
b)“一条路线对应多条路径”的情况:
如果一条线路对应多条路径,则需要从“路径”的粒度对节点的负载量进行计算,具体方法如下:
假设物流对象C的物流线路L对应一条或多条路径RC,L,每条路径上包括多个节点,则首先根据路径RC,L中各节点间的运输延迟,得到对路径RC,L中节点在指定时段所产生的负载量贡献值;
其中,在计算对路径RC,L中节点在指定时段所产生的负载量贡献值的过程中,需要先根据每条路径上的历史运单量比例,计算出在各条路径RC,L的分配数量,具体方法可参见前面的实施例,这里不再详细说明。然后,对于任意节点,汇总经过该节点的路径对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值。
可见,“一条路线对应多条路径”情况下的节点负载量计算,与“一条路线仅对应一条路径”的情况相比,区别主要在于需要先将“线路”上的负载量分配到各条对应的“路径”上,然后在“路径”的粒度上用类似的方法进行节点负载量的延时以及汇总处理。
在本申请的进一步实施方式中,得到节点P在某一时段的总负载量估值后,结合该节点P的处理能力上限,就可以得出该节点在相应时段的负载率。
例如,通过预测得到:北京中转站在明天的0~24点将产生800件包裹,而北京中转站每日的处理能力上限是1000件,则北京中转站在明天的负载率估值为80%。
物流网络中的节点,从功能上可以分为“服务网点”和“中转站”两类,其中,服务网点是揽收和派送包裹的单位,一般直接面对消费者,对应于物流路径的端节点;中转站则是包裹在流转过程中,位于网点之间的包裹集散单位,一般不直接面对消费者,对应于物流路径的中间节点。
在上文曾经提到,在同一节点可能有多条线路(或路径)交汇,这样的节点相应会对多条经过的线路(或路径)造成影响,根据一般用户的需求,在本申请实施例中,可以进一步考虑中转站对服务网点(即收/发货网点)的影响值。
通过预先对历史运单数据进行统计,可以得到节点对收/发货网点的相对静态的影响值,具体方法如下:
首先,对指定物流线路L在预设历史时段内处理的运单数量进行统计,相应得到该线路的收货网点、发货网点以及节点在预设历史时段内处理的运单数量;假设物流线路L在最近一个月处理的运单数量为1000,则针对物流线路L而言,其收货网点、发货网点以及各个节点中转站在最近一个月运单处理量均为1000。
然后,分别统计多条物流线路的服务网点(这里仅需区分网点,无需关注具体的收货/发货功能)以及中转站在同一预设历史时段内处理的运单数量,对于给定的服务网点q,通过对多条物流线路的统计数据进行汇总,可以得到该服务网点q在该历史时段内处理的运单总量M(q)(M(q)中包括发出的运单和收到的运单总量之和),进一步可以计算得到与该服务网点q相关的各个中转站p1、p2、p3......在该历史时段内分别处理了多少件与服务网点q相关的运单M(p1q)、M(p2q)、M(p3q)......,则 分别为中转站p1、p2、p3......对网点q的静态影响值。
可以理解的是,上述方案是针对“一条路线仅对应一条路径”计算中转站对网点的静态影响值,而针对“一条路线对应多条路径”情况,则需要先“线路”上的负载量分配到各条对应的“路径”上,然后在“路径”的粒度上用类似的方法计算中转站对网点的静态影响值,具体方法描述如下(相同内容不再赘述):
对给定物流路径RC,L在预设历史时段内处理的运单数量进行统计,相应得到该物流线路的服务网点以及中转站在预设历史时段内处理的运单数量;
对于给定服务网点q,通过对多条物流线路的统计数据进行汇总,得到该服务网点在所述历史时段内处理的运单总量M(q),进一步计算与该服务网点相关的中转站p在所述历史时段内处理的与服务网点q相关运单总量M(pq),则M(pq)/M(q)即为中转站p对网点q的静态影响值。
上述统计出的中转站对服务网点的静态影响值,表示在一段历史时期内,中转站对服务网点的平均影响值,进而结合预测出的中转站在某个指定时段负载率,将相应的静态影响值与负载率相乘,就可以计算出中转站在某个具体时段对服务网点的动态影响值,动态影响值的结果可以用于响应用户的主动查询请求,也可以作为系统对的进一步附加响应输出结果。
利用上述查询结果,对于物流服务提供主体而言,可以用来指导物流方案的调整,从而方便整体上的管理和调度,提高管理调度工作的准确性和处理效率;对于普通用户,可以根据查询结果选择物流公司,例如,查询结果表明,X物流公司的某个中转站p对网点q的影响值超过了100%,则意味着在X物流公司从网点q的包裹都不能按时发送,此时用户可以自行考虑选择其他的物流公司,既能避免自行咨询所导致的种种麻烦,也可以为物流公司节省出相应的人力资源。
基于本申请所提供的物流网络负载预测算法,本申请还提供一种物流方案推荐方法,以针对用户的物流请求,自动给出合适的物流方案。图2所示为本申请所提供的一种物流方案推荐方法的流程图,该方法可以包括以下步骤:
S201,接收物流请求,所述物流请求中包括:给定的物流线路L;
根据一般情况,如果用户当前存在物流需求,必然是基于一条(或多条)确定的物流线路,因此在本实施例中,物流请求中应至少携带给定的物流线路参数L,L的取值可以是一个或多个。
在本实施例中,物流对象参数C可以由系统根据物流线路L确定,即确定能够为该物流线路L提供服务的多个物流对象CL=c1、c2、c3......。当然,用户也可以指定多个物流对象,通过物流请求提供给系统。在后续步骤中,系统分别计算c1、c2、c3......在物流线路L上的负载量估值,然后根据计算结果向用户推荐合适的物流对象,这种情况适用于向普通用户推荐物流公司的应用场景。
另一种应用场景是:参数C仅对应一个具体的物流对象,该参数可以直接携带于物流请求中,或者由系统默认设置。在后续步骤中,系统计算该物流对象在物流线路L上的负载量估值后,进一步计算物流线路L所对应的多条路径的负载量估值,然后根据计算结果向用户推荐合适的路径,这种情况适用于物流提供主体对物流线路的调度管理。
S202,计算任一物流对象在物流线路L上的负载量估值;
确定物流对象C和物流对象L后,根据S102-S105所介绍的方法计算出得到物流对象C的物流线路L在时段Ta~Tb的负载量估值。具体计算过程可参见前文描述,本实施例不再详细介绍。
如果物流对象C的物流线路L所对应的路径为多条,则得到物流对象C在物流线路L在时段Ta~Tb的负载量估值之后,还可以根据物流对象C对线路L上运单的历史分布,进一步计算出L所对应的多条路径在时段Ta~Tb的负载量估值。即计算在路径RC,L的分配数量,其中RC,L=r1、r2、r3......。
另外,根据实际需求,还可以进一步计算L上节点的负载量估值,具体方法可以参见前面的实施例,这里不再详细描述。
S203,根据所计算的不同物流对象的负载量估值、以及不同物流对象在线路L的负载能力阈值,输出能够满足所述物流请求的物流对象推荐结果;
对于一条物流线路,其负载能力阈值可以用一个宏观的数值表示,通过比较所计算的不同物流对象的负载量估值、以及不同物流对象在线路L的负载能力阈值,可以得出能够满足物流请求的物流对象推荐结果,这种情况适用于向普通用户推荐物流公司的应用场景。具体的推荐策略可以是:将在L上负载量估值小于负载能力阈值的物流对象全部作为推荐结果,或者优选少数较佳的物流对象作为推荐结果等等,本实施并不需要对具体的推荐策略进行限定。
在实际应用中,一条物流线路负载能力阈值也可能是根据多个物流节点的负载能力阈值共同确定,这种情况下,可以根据节点的负载量估值和节点的负载能力阈值比较结果来输出推荐结果。
另外,如果对于一个确定的物流对象C,其物流线路L所对应的路径为多条,则每条路径也应具有各自的负载能力阈值,通过比较不同路径的负载量估值,以及不同路径的负载能力阈值,可以得到能够满足物流请求的路径推荐结果,具体的推荐策略并不需要在本实施中进行限定。
应用上述物流方案推荐方法,相应的推荐结果可以灵活满足不同用户的需求,例如,对于普通用户的物流请求,可以直接根据各物流公司的负载情况,为用户自动筛选合适的物流公司,从而简化用户的操作;而从物流公司的角度,还可以进一步筛选出能够满足用户物流请求的一条或多条路径,从而提高物流管理调度工作的准确性和处理效率。
基于本申请所提供的物流网络负载预测算法,本申请还提供一种物流线路或节点的负载预警方法,从而实现对物流线路或节点负载的自动预警。
图3所示为本申请所提供的一种物流线路负载预警方法,该方法可以包括以下步骤:
S301,针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在目标时段Ta~Tb的负载量估值;
针对特定的预警系统,物流对象C及物流线路L一般是作为预设的参数,常见的需求例如:某物流公司需要对自身的全部物流线路进行监控,则默认设置的C对应该物流公司的标识,L为该公司的物流线路集合。
根据S102-S105所介绍的方法计算出得到物流对象C的物流线路L在时段Ta~Tb的负载量估值。具体计算过程可参见前文描述,本实施例不再详细介绍。
如果物流对象C的物流线路L所对应的路径为多条,则得到物流对象C在物流线路L在时段Ta~Tb的负载量估值之后,还可以根据物流对象C对线路L上运单的历史分布,进一步计算出L所对应的多条路径在时段Ta~Tb的负载量估值。即计算在路径RC,L的分配数量,其中RC,L=r1、r2、r3......。
S302,判断物流对象C的物流线路L在时段Ta~Tb的负载量估值是否超过其自身的负载能力阈值,如果是,则输出告警信息。
对物流对象C的物流线路L的负载量估值以及负载能力阈值进行比较,如果前者的数值大于后者,则说明超过了线路的负载能力上限,此时系统可以通过文本、语音等方式发出告警信息。
如果物流对象C的物流线路L所对应的路径为多条,则比较某条具体路径的负载量估值以及负载能力阈值,如果前者的数值大于后者,则说明超过了路径的负载能力上限,系统可以针对具体的路径发出告警信息。
图4所示为本申请所提供的一种物流节点负载预警方法,该方法可以包括以下步骤:
S401,针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在目标时段Ta~Tb的负载量估值;
针对特定的预警系统,物流对象C及物流线路L一般是作为预设的参数,常见的需求例如:某物流公司需要对自身的全部物流线路进行监控,则默认设置的C对应该物流公司的标识,L为该公司的物流线路集合。
根据S102-S105所介绍的方法计算出得到物流对象C的物流线路L在时段Ta~Tb的负载量估值。具体计算过程可参见前文描述,本实施例不再详细介绍。
如果物流对象C的物流线路L所对应的路径为多条,则得到物流对象C在物流线路L在时段Ta~Tb的负载量估值之后,还可以根据物流对象C对线路L上运单的历史分布,进一步计算出L所对应的多条路径在时段Ta~Tb的负载量估值。即计算在路径RC,L的分配数量,其中RC,L=r1、r2、r3......。
S402,计算节点在指定时段的负载量估值;
根据物流对象C的物流线路L上各节点间的运输延迟,得到对物流线路L在指定时段所产生的负载量贡献值;然后对于任意节点,汇总经过该节点的线路对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值;
如果物流对象C的物流线路L所对应的路径为多条,即RC,L=r1、r2、r3......,则可以根据在路径RC,L的分配数量、以及路径RC,L中各节点间的运输延迟,得到对路径RC,L中节点在指定时段所产生的负载量贡献值;然后对于任意节点,汇总经过该节点的线路对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值;
S403,判断节点在指定时段的负载量估值是否大于其自身的负载能力阈值,如果是,则输出告警信息。
对节点的负载量估值以及负载能力阈值进行比较,如果前者的数值大于后者,则说明超过了节点的负载能力上限,此时系统可以通过文本、语音等方式发出告警信息。
需要说明的是,本申请实施例所提供的物流线路负载预警以及物流节点负载预警方案,并不需要特定的触发条件,可以将待检测目标的相关参数预设于系统中,系统周期性地执行S301-S303或S401-S403,实现对物流线路或物流节点的周期性负载预警,根据实际需求,可以将周期设为1小时、2小时等等。应用上述物流线路负载预警以及物流节点负载预警方案,系统可以在物流线路或物流节点的负载预测结果超过自身处理能力上限的情况下,自动发出告警信息,以便于物流服务提供主体进行调度管理。
例如在“北京市→广州市”线路上,存在两条路径:
1)“北京中转站→杭州中转站→广州中转站”
2)“北京中转站→上海中转站→广州中转站”
通过预警发现路径1)或“杭州中转站”的负载预测值超过了能力上限,而路径2)或“上海中转站”的情况要好于前者,则可以将准备发往路径1)上的包裹该用路径2)发送,由于预测时机的整体性提前,也可以为调度管理工作提供更为充分的准备时间。
下面结合一个具体的实例,对本申请实施例中所涉及的物流网络负载计算方法进行说明,为描述方便,本例中仅涉及“一条线路对应一条路径”的情况:
S501,估算任一用户u在目标时段Ta~Tb的发货数量M(u)、
假设目标时段Ta~Tb为每天的0~24点,也就是根据历史销售数据,进行同比、环比分析,预测当日销售总量,方法如下:
1)设最近一周销量为Cw,前n周销量为Cw-n,未来n周销量为CW+n,则未来7天总销量估值为:
Cw+1=(Cw*(Cw-Cw-1)/Cw-1)*(Cw-51/(Cw-52*(Cw-52-Cw-53)/Cw-53));
这里采用的是线性方法进行预测,当然该方法不应理解为对本申请方案的限制。
2)日销量在一周内存在周期性波动,通过统计得到每天波动系数为Dm,周一至周日m∈{1,......,7},∑Dm=1。
其中,波动系数Dm通过对大量销售数据的统计得到,其代表整体的用户购买习惯,例如,周五、周六所对应的Dm一般明显高于周日至周一所对应的Dm。
根据未来7天总销量Cw+1,结合预测目标日期在一周中所处的位置,可以得到目标日期销量估值为:Cw+1/7*Dm。
3)通过统计得到每个用户占总体销量比例的Su,∑Su=1,则用户u在目标日期的销量估值为:S(u)=Cw+1/7*Dm*S1,
考虑到很多用户的销量随时间变化的,因此还可以进一步结合用户在最近一段时间的变化趋势,对S(u)进行修正,在本实施例里不再举例说明。
上述方法中,以“周”为粒度,先通过对一周的销量进行预测,然后根据销售流量在周一至周日的分配情况,得到某一指定日的用户销量估值S(u)。当然在实际应用中,也可以以更大(例如“月”)或更小(例如“日”)的粒度进行预测。
如果实际要求的预测粒度较粗,则上面所计算得到M(u),可以直接用于后续的物流网络预测,在本实施例中,进一步细化到“小时”的粒度,以实现更准确的预测。
4)通过统计得到的用户每天各个子时段的交易量比例分布Rt,其中,t∈{1,2,......,24},∑Rt=1;则用户u在目标日期t时段的销售量估值为:
E售(u,t)=S(u)*Rt
根据式(10),结合实际产生的发货数据和销售数据,计算用户u在目标日期Ta~Tb时段的发货数量估值M(u):
在本例中,预测目标日期为“今天”,Ta=0、Tb=24,Tn为“当前时间”,td为用户u的平均发货延迟。
S502,计算M(u)在给定物流线路L的分配数量M(u,L);
假设通过统计得到最近一个月的用户运单路线分布如表1所示:
用户 | 线路 | 线路单量占比 |
1 | 广州市→北京市 | 5.19% |
1 | 广州市→上海市 | 7.78% |
1 | ...... | ...... |
2 | 广州市→北京市 | 3.82% |
2 | 广州市→广州市 | 6.41% |
2 | 广州市→上海市 | 14.75% |
2 | ...... | ...... |
3 | 杭州市→北京市 | 4.55% |
3 | 杭州市→上海市 | 4.62% |
3 | 杭州市→杭州市 | 5.15% |
3 | ...... | ...... |
表1
可以看出,用户u=1的100%的货物都由广州市发出,有7.78%的订单来自上海市买家,5.19%的订单来自北京市买家,则M(1)在“广州市→上海市”线路上的分配数量为:M(1)*7.78%。
S503,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
假设通过统计得到最近一个月的用户物流公司选择分布如表2所示:
用户 | 线路 | 物流公司 | 占比 |
1 | 广州市→上海市 | X | 49% |
1 | 广州市→上海市 | Y | 20% |
1 | 广州市→上海市 | Z | 31% |
1 | 广州市→北京市 | ...... | ...... |
1 | ...... | ...... | ...... |
2 | 广州市→上海市 | X | 54% |
2 | 广州市→上海市 | Y | 46% |
2 | 广州市→北京市 | ...... | ...... |
2 | ...... | ...... | ...... |
3 | ...... | ...... | ...... |
............ | ...... | ...... |
表2
可以看出,用户u=1在“广州市→上海市”线路上,选择过X、Y、Z三家物流公司,占比分别为49%、20%、31%。其中选择物流公司X的占比为49%,则用户u=1的发货总量在“广州市→上海市”线路选择物流公司X的数量为M(1)*7.78%*49%。
S504,通过对u求和,得到物流对象C的物流线路L在时段Ta~Tb的负载量估值
对于在“广州市→上海市”线路的选择物流公司X的用户u=1、u=2、u=3......,分别求出M(1)、M(2)、M(3)......在“广州市→上海市”线路上选择物流公司X的分配数量,然后求和,即可得到物流公司X的“广州市→上海市”线路在今天0~24点的负载量估值。也即广州市网点(含中转站)截至今天24点揽收的运单总量估值。
表3所示为物流公司X的“广州市→上海市”线路各中转站之间的运输延迟:
表3
可见,由于“广州中转站→福州中转站”存在2个小时的运输延迟,那么如果要预测福州中转站截至今天24点的负载量,则可以直接用广州中转站截至今天22点的负载量来表示。
在另一种实施方式中,假设当前时间Tn为10点钟,那么在预测福州中转站截至今天24点的负载量时,可以用“福州中转站在0~10点实际的负载量+广州中转站在8~22点的负载量估值”计算,其中,“广州中转站在8~22点的负载量估值”相当于“福州中转站在10~24点的负载量估值”。
对于X物流公司所有经过福州中转站的线路,分别计算出各条线路截至今天24点在福州中转站产生的负载量估值,求和后,得到福州中转站截至今天24点的总负载量估值,结合福州中转站的处理能力上限,可以得到福州中转站截至今天24点的负载率估值。
重复以上步骤S501-S504,可以分别算出各物流公司的各中转站截至今天24点的负载率估值,如表4所示:
物流公司 | 中转站 | 负载率 |
X | 上海中转站 | 80% |
X | 广州中转站 | 80% |
X | 福州中转站 | 80% |
X | 杭州中转站 | 120% |
X | 北京中转站 | 120% |
X | 济南中转站 | 60% |
Y | 杭州中转站 | 100% |
Y | 金华中转站 | 80% |
表4
S505,通过预先对历史运单数据进行统计,得到各中转站对收/发货网点的静态影响值:
从销售平台的角度看,各物流公司推送过来的物流流转信息包含了揽收、流转、派送等各种信息,通过去重、格式化处理后,得到的最近一个月的统计数据如表5所示:
表5
将格式化的统计数据根据相同发货城市、收货城市、物流公司、流经中转站路由进行聚合,针对包裹数计数,结果如表6所示:
表6
根据表6可以得到各网点(即收/发货城市)在最近一个月的处理的运单总量(包括揽收/流转/派送),如表7所示:
物流公司 | 中转站 | 收发货网点 | 运单处理量 |
X | 上海中转站 | 上海市 | 300 |
X | 广州中转站 | 上海市 | 200 |
X | 福州中转站 | 上海市 | 200 |
X | 杭州中转站 | 上海市 | 200 |
X | 北京中转站 | 上海市 | 100 |
X | 济南中转站 | 上海市 | 100 |
X | 上海中转站 | 广州市 | 350 |
X | 广州中转站 | 广州市 | 350 |
X | 福州中转站 | 广州市 | 350 |
X | 杭州中转站 | 广州市 | 350 |
X | 北京中转站 | 广州市 | 150 |
X | 上海中转站 | 北京市 | 250 |
X | 广州中转站 | 北京市 | 150 |
X | 福州中转站 | 北京市 | 150 |
X | 杭州中转站 | 北京市 | 150 |
X | 北京中转站 | 北京市 | 250 |
Y | 杭州中转站 | 杭州市 | 100 |
Y | 金华中转站 | 杭州市 | 100 |
Y | 杭州中转站 | 金华市 | 100 |
Y | 金华中转站 | 金华市 | 100 |
表7
根据表6还可以得到与各网点相关的中转站在最近一个月针对各网点处理的运单总量,如表8所示:
物流公司 | 收发货网点 | 运单处理量 |
X | 上海市 | 300 |
X | 广州市 | 350 |
X | 北京市 | 250 |
Y | 杭州市 | 100 |
Y | 金华市 | 100 |
表8
结合表7和表8,可以得到各中转站对收/发货网点的静态影响值,如表9所示:
物流公司 | 中转站 | 收发货网点 | 中转站对网点影响(静态) |
X | 上海中转站 | 上海市 | 100% |
X | 广州中转站 | 上海市 | 67% |
X | 福州中转站 | 上海市 | 67% |
X | 杭州中转站 | 上海市 | 67% |
X | 北京中转站 | 上海市 | 33% |
X | 济南中转站 | 上海市 | 33% |
X | 上海中转站 | 广州市 | 100% |
X | 广州中转站 | 广州市 | 100% |
X | 福州中转站 | 广州市 | 100% |
X | 杭州中转站 | 广州市 | 100% |
X | 北京中转站 | 广州市 | 43% |
X | 上海中转站 | 北京市 | 100% |
X | 广州中转站 | 北京市 | 60% |
X | 福州中转站 | 北京市 | 60% |
X | 杭州中转站 | 北京市 | 60% |
X | 北京中转站 | 北京市 | 100% |
Y | 杭州中转站 | 杭州市 | 100% |
Y | 金华中转站 | 杭州市 | 100% |
Y | 杭州中转站 | 金华市 | 100% |
Y | 金华中转站 | 金华市 | 100% |
表9
S505,计算各中转站对收/发货网点的动态影响值:
表4所示的各物流公司的各中转站截至今天24点的负载率估值,与表9所示的各中转站对收/发货网点的静态影响值,将两张表对应的数据相乘,就可以得到各中转站对收/发货网点截至今天24点的动态影响值,如表10所示:
物流公司 | 中转站 | 收发货网点 | 中转站对网点影响(动态) |
X | 上海中转站 | 上海市 | 80% |
X | 广州中转站 | 上海市 | 53% |
X | 福州中转站 | 上海市 | 53% |
X | 杭州中转站 | 上海市 | 80% |
X | 北京中转站 | 上海市 | 40% |
X | 济南中转站 | 上海市 | 20% |
X | 上海中转站 | 广州市 | 80% |
X | 广州中转站 | 广州市 | 80% |
X | 福州中转站 | 广州市 | 80% |
X | 杭州中转站 | 广州市 | 120% |
X | 北京中转站 | 广州市 | 51% |
X | 上海中转站 | 北京市 | 80% |
X | 广州中转站 | 北京市 | 48% |
X | 福州中转站 | 北京市 | 48% |
X | 杭州中转站 | 北京市 | 72% |
X | 北京中转站 | 北京市 | 120% |
Y | 杭州中转站 | 杭州市 | 100% |
Y | 金华中转站 | 杭州市 | 100% |
Y | 杭州中转站 | 金华市 | 80% |
Y | 金华中转站 | 金华市 | 80% |
表10
可见,物流公司X的杭州中转站对广州市的动态影响超过了100%,广州市选择物流公司X用户的包裹很可能无法按时发出,广州市选择物流公司X的买家也可能无法按时收到包裹;物流公司X北京中转站对北京市的也存在类似的影响。因此,广州市和北京市的用户、买家可以考虑选择其他物流公司。
相应于上面的方法实施例,本申请还提供一种物流网络负载查询系统,参见图5所示,该系统可以包括:
查询请求接收模块110,用于接收物流网络负载查询请求;
参数确定模块120,用于确定所述查询请求对应的物流对象C以及物流线路L;
发货数量计算模块130,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块140,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
对象分配计算模块150,用于根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
查询请求响应模块160,用于针对所述物流对象C以及物流线路L,计算利用计算结果响应所述查询请求。
根据本申请的一种具体实施方式:
所述查询请求中包括给定的物流对象C;参数确定模块120根据所述物流对象C确定物流线路L;所述物流线路L为:该物流对象C所对应的一条或多条物流线路L=l1、l2、l3......;
查询请求响应模块160具体用于:输出给定物流对象C所对应的一条或多条物流线路在目标时段Ta~Tb的负载量估值其中L=l1、l2、l3......。
根据本申请的一种具体实施方式:
所述查询请求中包括给定的物流线路L;参数确定模块120根据所述物流线路L确定所述物流对象C;所述物流对象C为:能够为该物流线路L提供服务的一个或多个物流对象C=c1、c2、c3......;
查询请求响应模块160具体用于:输出一个或多个物流对象的给定物流线路L在目标时段Ta~Tb的负载量估值其中C=c1、c2、c3......。
根据本申请的一种具体实施方式:
物流对象C的物流线路L对应多条路径RC,L,即RC,L=r1、r2、r3......;
所述请求响应模块160具体用于:在确定L和C后,根据物流对象C对线路L上运单的历史分布,计算在路径RC,L的分配数量,将计算结果作为路径RC,L在目标时段Ta~Tb的负载量估值进行输出,其中RC,L=r1、r2、r3......。
在本申请的一种具体实施方式中,发货数量计算模块130可以预先根据历史销售数据,计算用户u在子时段t的发货数量估值E发(u,t),然后对Ta~Tb所包含的各个子时段的E发(u,t)求和,得到用户u在Ta~Tb时段的发货数量估值M(u)。
若当前时间Tn在Ta~Tb之间,则发货数量计算模块110在计算M(u)时,以用户u在Ta~Tn时段的实际发货数量代替用户u在Ta~Tn时段的发货数量估值进行求和,即:
其中为Tn~Tb时段用户u的发货数量估值。
在用户u的发货延迟为td的情况下,发货数量计算模块110可以预先根据历史销售数据,得到用户u在子时段t的销售数量估值E售(u,t);则用户u在子时段t的发货数量估值E发(u,t)=E售(u,t-td)。
若当前时间Tn在(Tn-td)~(Tb-td)之间,则发货数量计算模块110在计算时,可以以用户u在(Tn-td)~Tn时段的实际销售数量代替用户u在(Tn-td)~Tn时段的销售数量估值进行求和。
在本申请的一种具体实施方式中,查询请求响应模块160还可以用于在得到物流对象C的物流线路L在时段Ta~Tb的负载量估值之后,根据物流线路L中各节点间的运输延迟,得到L各节点在指定时段的负载量估值。
如果物流对象C的物流线路L对应一条或多条路径RC,L,每条路径上包括多个节点,则查询请求响应模块160还可以用于
根据路径RC,L中各节点间的运输延迟,得到对路径RC,L中节点在指定时段所产生的负载量贡献值;
对于任意节点,汇总经过该节点的线路对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值。
在本申请的一种具体实施方式中,查询请求响应模块160还可以用于:
根据中转站在指定时段的负载量估值以及该中转站的最大负载量,计算该中转站在指定时段的负载率;
根据所计算的中转站在指定时段的负载率、以及预先统计的中转站对服务网点的静态影响值,计算该中转站在所述指定时段对服务网点的动态影响值。
本申请实施例还提供一种物流方案推荐系统,参见图6所示,该系统可以包括:
物流请求接收模块210,用于接收物流请求,所述物流请求中包括:给定的物流线路L;
负载量计算模块220,用于计算任一物流对象在物流线路L上的负载量估值;
推荐结果输出模块230,用于根据所计算的不同物流对象的负载量估值、以及不同物流对象在线路L的负载能力阈值,输出能够满足所述物流请求的物流对象推荐结果;
其中,所述负载量计算模块,具体可以包括:
发货数量计算子模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算子模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
对象分配计算子模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
负载量计算子模块,用于针对所述物流对象C以及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值。
在本申请的一种具体实施方式中,物流对象C的物流线路L对应多条路径RC,L,即RC,L=r1、r2、r3......;
所述负载量计算模块220还用于:确定L和C后,根据物流对象C对线路L上运单的历史分布,计算在路径RC,L的分配数量,其中RC, L=r1、r2、r3......;
所述推荐结果输出模块230还用于:根据所计算的不同路径的负载量估值,以及不同路径的负载能力阈值,输出能够满足所述物流请求的物流路径推荐结果。
本申请实施例还提供一种物流线路负载预警系统,参见图7所示,该系统可以包括:
发货数量计算模块310,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块320,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
对象分配计算模块330,用于根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
负载量计算模块340,用于针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;
告警模块350,用于判断物流对象C的物流线路L在时段Ta~Tb的负载量估值是否超过其自身的负载能力阈值,如果是,则输出告警信息。
本申请实施例还提供一种物流节点负载预警系统,参见图8所示,该系统可以包括:
发货数量计算模块410,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块420,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
对象分配计算模块430,用于根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
负载量计算模块440,用于针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;针对物流对象C的物流线路L所对应一条或多条路径RC,L,根据路径RC,L中各节点间的运输延迟,得到对路径RC,L中节点在指定时段所产生的负载量贡献值;对于任意节点,汇总经过该节点的线路对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值;
告警模块450,用于判断节点在指定时段的负载量估值是否大于其自身的负载能力阈值,如果是,则输出告警信息。
为了描述的方便,描述以上系统时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (20)
1.一种物流网络负载查询方法,其特征在于,包括:
接收物流网络负载查询请求,确定所述查询请求对应的物流对象C以及物流线路L;
根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
针对所述物流对象C以及物流线路L,计算利用计算结果响应所述查询请求。
2.根据权利要求1所述的方法,其特征在于,
所述查询请求中包括给定的物流对象C,根据所述物流对象C确定物流线路L;所述物流线路L为:该物流对象C所对应的一条或多条物流线路LC=l1、l2、l3......;
所述利用计算结果响应查询请求,包括:输出给定物流对象C所对应的一条或多条物流线路在目标时段Ta~Tb的负载量估值其中L=l1、l2、l3......。
3.根据权利要求1所述的方法,其特征在于,
所述查询请求中包括给定的物流线路L,根据所述物流线路L确定物流对象C;所述物流对象C为:能够为该物流线路L提供服务的一个或多个物流对象CL=c1、c2、c3......;
所述利用计算结果响应查询请求,包括:输出一个或多个物流对象的给定物流线路L在目标时段Ta~Tb的负载量估值其中C=c1、c2、c3......。
4.根据权利要求1至3中任一项所述的方法,其特征在于,
物流对象C的物流线路L对应多条路径RC,L,即RC,L=r1、r2、r3......;
所述利用计算结果响应查询请求,包括:
在确定L和C后,根据物流对象C对线路L上运单的历史分布,计算在路径RC,L的分配数量,将计算结果作为路径RC,L在目标时段Ta~Tb的负载量估值进行输出,其中RC,L=r1、r2、r3......。
5.根据权利要求1所述的方法,其特征在于,所述根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u),包括:
预先根据历史销售数据,计算用户u在子时段t的发货数量估值E发(u,t);
对Ta~Tb所包含的各个子时段的E发(u,t)求和,得到用户u在Ta~Tb时段的发货数量估值M(u)。
6.根据权利要求5所述的方法,其特征在于,
若当前时间Tn在Ta~Tb之间,则在计算M(u)时,以用户u在Ta~Tn时段的实际发货数量代替用户u在Ta~Tn时段的发货数量估值进行求和,即:
其中,为Tn~Tb时段用户u的发货数量估值。
7.根据权利要求5所述的方法,其特征在于,在用户u的发货延迟为td的情况下,所述预先根据历史销售数据,计算用户u在子时段t的发货数量估值E发(u,t),包括:
预先根据历史销售数据,得到用户u在子时段t的销售数量估值E售(u,t);
则用户u在子时段t的发货数量估值E发(u,t)=E售(u,t-td)。
8.根据权利要求6所述的方法,其特征在于,
若当前时间Tn在(Tn-td)~(Tb-td)之间,则在计算时,
以用户u在(Tn-td)~Tn时段的实际销售数量代替用户u在(Tn-td)~Tn时段的销售数量估值进行求和。
9.根据权利要求1所述的方法,其特征在于,物流对象C的物流线路L对应一条或多条路径RC,L,每条路径上包括多个节点,所述方法还包括:
根据路径RC,L中各节点间的运输延迟,得到对路径RC,L中节点在指定时段所产生的负载量贡献值;
对于任意节点,汇总经过该节点的路径对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值。
10.根据权利要求9所述的方法,其特征在于,还包括:
根据中转站在指定时段的负载量估值以及该中转站的最大负载量,计算该中转站在指定时段的负载率;
根据所计算的中转站在指定时段的负载率、以及预先统计的中转站对服务网点的静态影响值,计算该中转站在所述指定时段对服务网点的动态影响值;
其中,所述中转站对应物流路径的中间节点、所述服务网点对应物流路径的端节点。
11.根据权利要求10所述的方法,其特征在于,所述预先统计中转站对服务网点的静态影响值,包括:
对给定物流路径RC,L在预设历史时段内处理的运单数量进行统计,相应得到该物流路径的服务网点以及中转站在预设历史时段内处理的运单数量;
对于给定服务网点q,通过对多条物流路径的统计数据进行汇总,得到该服务网点在所述历史时段内处理的运单总量M(q),进一步计算与该服务网点相关的中转站p在所述历史时段内处理的与服务网点q相关运单总量M(pq),则M(pq)/M(q)即为中转站p对网点q的静态影响值。
12.一种物流方案推荐方法,其特征在于,包括:
接收物流请求,所述物流请求中包括:给定的物流线路L;
计算任一物流对象在物流线路L上的负载量估值;
根据所计算的不同物流对象的负载量估值、以及不同物流对象在线路L的负载能力阈值,输出能够满足所述物流请求的物流对象推荐结果;
其中,所述计算任一物流对象在物流线路L上的负载量估值,具体包括以下步骤:
根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
针对所述物流对象C以及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值。
13.根据权利要求12所述的方法,其特征在于,
物流对象C的物流线路L对应多条路径RC,L,即RC,L=r1、r2、r3......;
所述方法还包括:
确定L和C后,根据物流对象C对线路L上运单的历史分布,计算在路径RC,L的分配数量,其中RC,L=r1、r2、r3......;
根据所计算的不同路径的负载量估值,以及不同路径的负载能力阈值,输出能够满足所述物流请求的物流路径推荐结果。
14.一种物流线路负载预警方法,其特征在于,包括:
根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;
判断物流对象C的物流线路L在时段Ta~Tb的负载量估值是否超过其自身的负载能力阈值,如果是,则输出告警信息。
15.根据权利要求14所述的方法,其特征在于,物流对象C的物流线路L对应多条路径RC,L,即RC,L=r1、r2、r3......;
所述方法还包括:
根据物流对象C对线路L上运单的历史分布,计算在路径RC,L的分配数量,其中RC,L=r1、r2、r3......;
判断路径RC,L的负载量估值是否超过其自身的负载能力阈值,如果是,则输出告警信息。
16.一种物流节点负载预警方法,其特征在于,包括:
根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;
根据物流对象C的物流线路L上各节点间的运输延迟,得到对物流线路L在指定时段所产生的负载量贡献值;对于任意节点,汇总经过该节点的线路对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值;
判断节点在指定时段的负载量估值是否大于其自身的负载能力阈值,如果是,则输出告警信息。
17.一种物流网络负载查询系统,其特征在于,包括:
查询请求接收模块,用于接收物流网络负载查询请求,用于确定所述查询请求对应的物流对象C以及物流线路L;
发货数量计算模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
对象分配计算模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
查询请求响应模块,用于针对所述物流对象C以及物流线路L,计算利用计算结果响应所述查询请求。
18.一种物流方案推荐系统,其特征在于,包括:
物流请求接收模块,用于接收物流请求,所述物流请求中包括:给定的物流线路L;
负载量计算模块,用于计算任一物流对象在物流线路L上的负载量估值;
推荐结果输出模块,用于根据所计算的不同物流对象的负载量估值、以及不同物流对象在线路L的负载能力阈值,输出能够满足所述物流请求的物流对象推荐结果;
其中,所述负载量计算模块,具体包括:
发货数量计算子模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算子模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在物流线路L的分配数量M(u,L);
对象分配计算子模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在物流对象C的分配数量M(u,L,C);
负载量计算子模块,用于针对所述物流对象C以及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值。
19.一种物流线路负载预警系统,其特征在于,包括:
发货数量计算模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
对象分配计算模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
负载量计算模块,用于针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;
告警模块,用于判断物流对象C的物流线路L在时段Ta~Tb的负载量估值是否超过其自身的负载能力阈值,如果是,则输出告警信息。
20.一种物流节点负载预警系统,其特征在于,包括:
发货数量计算模块,用于根据历史销售数据,估算任一用户u在目标时段Ta~Tb的发货数量M(u);
线路分配计算模块,用于根据用户u自身发货地点以及运单收货地点的历史分布,计算M(u)在给定物流线路L的分配数量M(u,L);
对象分配计算模块,用于根据用户u选择物流对象的历史分布,计算M(u,L)在给定物流对象C的分配数量M(u,L,C);
负载量计算模块,用于针对给定的物流对象C及物流线路L,计算得到物流对象C的物流线路L在时段Ta~Tb的负载量估值;根据物流对象C的物流线路L上各节点间的运输延迟,得到对物流线路L在指定时段所产生的负载量贡献值;对于任意节点,汇总经过该节点的线路对该节点产生的负载量贡献值,得到该节点在指定时段的负载量估值;
告警模块,用于判断节点在指定时段的负载量估值是否大于其自身的负载能力阈值,如果是,则输出告警信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310175499.5A CN104156836B (zh) | 2013-05-13 | 2013-05-13 | 一种物流网络负载查询方法及系统 |
HK15102183.6A HK1201963A1 (zh) | 2013-05-13 | 2015-03-04 | 種物流網絡負載查詢方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310175499.5A CN104156836B (zh) | 2013-05-13 | 2013-05-13 | 一种物流网络负载查询方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104156836A true CN104156836A (zh) | 2014-11-19 |
CN104156836B CN104156836B (zh) | 2017-09-01 |
Family
ID=51882331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310175499.5A Active CN104156836B (zh) | 2013-05-13 | 2013-05-13 | 一种物流网络负载查询方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN104156836B (zh) |
HK (1) | HK1201963A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202126A (zh) * | 2015-05-08 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 一种用于物流监控的数据分析方法和装置 |
CN107247762A (zh) * | 2017-06-01 | 2017-10-13 | 深圳前海跨海侠跨境电子商务有限公司 | 一种国际物流线路推荐方法 |
CN107430754A (zh) * | 2015-03-13 | 2017-12-01 | 株式会社汤山制作所 | 药品分发系统 |
CN107944598A (zh) * | 2017-10-31 | 2018-04-20 | 苏宁云商集团股份有限公司 | 一种物流路径配置方法及系统 |
CN108022060A (zh) * | 2016-10-31 | 2018-05-11 | 菜鸟智能物流控股有限公司 | 物流网络的负载参数优化方法及装置 |
CN109214732A (zh) * | 2017-06-30 | 2019-01-15 | 菜鸟智能物流控股有限公司 | 物流对象选择、确定物流线路过载的方法及装置、设备 |
CN109376908A (zh) * | 2018-09-26 | 2019-02-22 | 费翔 | 物流网点健康状况的预测方法、系统、存储介质、及设备 |
WO2019120159A1 (zh) * | 2017-12-20 | 2019-06-27 | 菜鸟智能物流控股有限公司 | 物流路由的确定方法及相关设备 |
CN110309964A (zh) * | 2019-06-25 | 2019-10-08 | 吉旗(成都)科技有限公司 | 用于车辆运力预测的处理方法及装置 |
CN113705901A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 物流配送路径选择方法、装置、设备及存储介质 |
CN107247762B (zh) * | 2017-06-01 | 2024-05-14 | 深圳前海跨海侠跨境电子商务有限公司 | 一种国际物流线路推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303799A (zh) * | 2008-05-27 | 2008-11-12 | 德信无线通讯科技(北京)有限公司 | 路况信息显示方法及系统 |
CN101566993A (zh) * | 2008-04-22 | 2009-10-28 | 北京中食新华科技有限公司 | 一种具有平衡负载能力的物流WebGIS算法 |
CN202033792U (zh) * | 2011-03-30 | 2011-11-09 | 苏州工业园区非而智能电器有限公司 | 基于负载管理功能的用户终端管理系统 |
-
2013
- 2013-05-13 CN CN201310175499.5A patent/CN104156836B/zh active Active
-
2015
- 2015-03-04 HK HK15102183.6A patent/HK1201963A1/zh not_active IP Right Cessation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566993A (zh) * | 2008-04-22 | 2009-10-28 | 北京中食新华科技有限公司 | 一种具有平衡负载能力的物流WebGIS算法 |
CN101303799A (zh) * | 2008-05-27 | 2008-11-12 | 德信无线通讯科技(北京)有限公司 | 路况信息显示方法及系统 |
CN202033792U (zh) * | 2011-03-30 | 2011-11-09 | 苏州工业园区非而智能电器有限公司 | 基于负载管理功能的用户终端管理系统 |
Non-Patent Citations (1)
Title |
---|
康亮: "后"双十一"时代快递物流的行业弊端与发展机遇", 《中国商贸》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107430754A (zh) * | 2015-03-13 | 2017-12-01 | 株式会社汤山制作所 | 药品分发系统 |
CN107430754B (zh) * | 2015-03-13 | 2020-12-15 | 株式会社汤山制作所 | 药品分发系统 |
CN106202126B (zh) * | 2015-05-08 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种用于物流监控的数据分析方法和装置 |
CN106202126A (zh) * | 2015-05-08 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 一种用于物流监控的数据分析方法和装置 |
CN108022060A (zh) * | 2016-10-31 | 2018-05-11 | 菜鸟智能物流控股有限公司 | 物流网络的负载参数优化方法及装置 |
CN108022060B (zh) * | 2016-10-31 | 2022-08-16 | 菜鸟智能物流控股有限公司 | 物流网络的负载参数优化方法及装置 |
CN107247762A (zh) * | 2017-06-01 | 2017-10-13 | 深圳前海跨海侠跨境电子商务有限公司 | 一种国际物流线路推荐方法 |
CN107247762B (zh) * | 2017-06-01 | 2024-05-14 | 深圳前海跨海侠跨境电子商务有限公司 | 一种国际物流线路推荐方法 |
CN109214732A (zh) * | 2017-06-30 | 2019-01-15 | 菜鸟智能物流控股有限公司 | 物流对象选择、确定物流线路过载的方法及装置、设备 |
CN107944598A (zh) * | 2017-10-31 | 2018-04-20 | 苏宁云商集团股份有限公司 | 一种物流路径配置方法及系统 |
WO2019120159A1 (zh) * | 2017-12-20 | 2019-06-27 | 菜鸟智能物流控股有限公司 | 物流路由的确定方法及相关设备 |
CN109376908A (zh) * | 2018-09-26 | 2019-02-22 | 费翔 | 物流网点健康状况的预测方法、系统、存储介质、及设备 |
CN110309964A (zh) * | 2019-06-25 | 2019-10-08 | 吉旗(成都)科技有限公司 | 用于车辆运力预测的处理方法及装置 |
CN113705901A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 物流配送路径选择方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104156836B (zh) | 2017-09-01 |
HK1201963A1 (zh) | 2015-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156836A (zh) | 一种物流网络负载查询方法及系统 | |
Yang et al. | Choice-based demand management and vehicle routing in e-fulfillment | |
Gaur et al. | A periodic inventory routing problem at a supermarket chain | |
Lien et al. | Sequential resource allocation for nonprofit operations | |
Kutanoglu et al. | An inventory sharing and allocation method for a multi-location service parts logistics network with time-based service levels | |
Karsten et al. | Pooling of spare parts between multiple users: How to share the benefits? | |
Cachon et al. | Implementation of the newsvendor model with clearance pricing: How to (and how not to) estimate a salvage value | |
Çömez et al. | In-season transshipments among competitive retailers | |
CN105096067B (zh) | 一种生成物流网络预警信息的方法及服务器 | |
Liu et al. | Optimizing fleet size and scheduling of feeder transit services considering the influence of bike-sharing systems | |
US20120054076A1 (en) | Systems And Methods For Multi-Echelon Inventory Planning With Lateral Transshipment | |
Martins et al. | An optimization-simulation approach to the network redesign problem of pharmaceutical wholesalers | |
Ruiz-Benítez et al. | Managing consumer returns in high clockspeed industries | |
Wang et al. | Simultaneous optimization of schedule coordination and cargo allocation for liner container shipping networks | |
Mes et al. | Interaction between intelligent agent strategies for real-time transportation planning | |
Çetinkaya et al. | Optimal outbound dispatch policies: Modeling inventory and cargo capacity | |
Guajardo et al. | Cost allocation in inventory pools of spare parts with service-differentiated demand classes | |
Khalili-Damghani et al. | A fuzzy bi-objective mixed-integer programming method for solving supply chain network design problems under ambiguous and vague conditions | |
Bhatnagar et al. | Coordination of planning and scheduling decisions in global supply chains with dual supply modes | |
Gilland et al. | Sequence matters: Shelf‐space allocation under dynamic customer‐driven substitution | |
CN107274084A (zh) | 一种基于标准箱的订单智能调度方法、系统及终端 | |
Vlahovic et al. | Implementing delivery drones in logistics business process: Case of pharmaceutical industry | |
Maragos | Yield management for the maritime industry | |
Yıldız | Package routing problem with registered couriers and stochastic demand | |
Emde et al. | Scheduling direct deliveries with time windows to minimise truck fleet size and customer waiting times |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1201963 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: GR Ref document number: 1201963 Country of ref document: HK |