CN105096067A - 一种生成物流网络预警信息的方法及服务器 - Google Patents
一种生成物流网络预警信息的方法及服务器 Download PDFInfo
- Publication number
- CN105096067A CN105096067A CN201410180586.4A CN201410180586A CN105096067A CN 105096067 A CN105096067 A CN 105096067A CN 201410180586 A CN201410180586 A CN 201410180586A CN 105096067 A CN105096067 A CN 105096067A
- Authority
- CN
- China
- Prior art keywords
- logistics
- early warning
- timeliness data
- node
- warning range
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及了一种生成物流网络预警信息的方法,用于监控物流网络,所述物流网络包括至少一条物流线路,每条所述物流线路包括起始节点、终止节点以及至少一个中转节点,所述方法包括:设置时效数据预警范围,所述预警范围至少包括所述物流网络中的一个节点;获取一个物流对象从进入所述预警范围,到从所述预警范围出货的第一时效数据;根据所述第一时效数据和物流衰减系数,确定所述预警范围的当前时效数据;当所述当前时效数据满足设定阈值时,生成对应所述预警范围的预警信息。本申请所提供的技术方案,可以让用户或者物流网络提供商提前了解物流网络的时效状况,从而方便对物流方案进行选择或调整。
Description
技术领域
本申请涉及互联网数据处理领域,特别是涉及一种生成物流网络预警信息的方法及服务器。
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时效数据的客观需求。
更具体的说,时效数据用来评价物流网络或者物流网络中的一个节点处理物流对象(例如,包裹、运单、货物)的时间长短。通过对物流网络的时效数据进行监控,可以判断物流网络的时效状态,并且根据这些时效数据,对物流网络或者互联网电子商务平台或者电子商务平台的用户发出预警。
由于物流网络中每天需要处理的物流对象数目巨大,现有技术队物流网络进行时效数据计算时,必须在获取了整个物流网络,或者物流网络中每天的全量数据之后,进行离线统计分析,计算物流网络的时效数据,这具有滞后性,无法及时获取最新的物流网络时效数据,因而,不能及时对互联网商务平台、物流网络提供商或者电子商务用户提供预警信息,影响物流网络的效率。
发明内容
本申请的目的是,提供一种生成物流网络预警信息的方法,以实现根据实时更新的物流网络的时效数据,生成物流网络的预警信息,提高物流网络的处理效率。
本申请一方面提供了一种生成物流网络预警信息的方法,用于对物流网络进行预警,所述物流网络包括至少一条物流线路,每条所述物流线路包括起始节点、终止节点以及至少一个中转节点,所述方法包括:
设置时效数据的预警范围,所述预警范围至少包括所述物流网络中的一个节点,所述时效数据用于表征所述预警范围对物流对象的处理时间长短;
获取记录的所述预警范围内处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述预警范围到从所述预警范围离开的第一时效数据;
根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据,所述物流衰减系数用于表征所述预警范围的时效变更频率;
当所述当前时效数据满足设定阈值时,生成对应所述预警范围的预警信息。
另一方面,本申请实施例提供了一种服务器,应用于物流网络,所述物流网络包括至少一条物流线路,每条所述物流线路包括起始节点、终止节点以及至少一个中转节点,所述服务器包括:
预警范围设定单元,用于设置时效数据的预警范围,所述预警范围至少包括所述物流网络中的一个节点,所述时效数据用于表征所述预警范围对物流对象的处理时间长短;
获取单元,用于获取记录的所述预警范围内处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述预警范围,到从所述预警范围离开的第一时效数据;
确定单元,用于根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据,所述物流衰减系数用于表征所述预警范围的时效变更频率;
预警信息生成单元,用于当所述当前时效数据满足设定阈值时,生成对应所述预警范围的预警信息。
本申请所提供的技术方案,首先从互联网电子商务平台的角度,对物流网络的时效数据进行计算,根据物流网络中设定的预警范围,根据衰减系数和一个物流对象的时效数据,持续更新预警范围内的时效数据,并且,在预警范围的时效数据达到设定阈值时,生成预警信息。利用生成的预警信息,可以让用户或者物流网络提供商提前了解物流网络的时效状况,从而方便对物流方案进行选择或调整,有效提高物流网络效率。
附图说明
图1A为本申请实施例提供的物流网络预警信息生成方法的应用网络结构图;
图1B为本申请实施例中的物流网络示意图;
图2为本申请实施例提供的物流网络预警信息生成方法的流程图;
图3是本申请实施例提供的物流网络预警信息生成方法的另一实施例流程图;
图4是本申请实施例提供的物流网络预警信息生成方法的另一实施例流程图;
图5是本申请实施例提供的物流网络预警信息生成方法的另一实施例流程图;
图6是本申请实施例提供的物流网络预警信息生成方法的另一实施例流程图;
图7是本申请实施例提供的物流网络预警信息生成方法的另一实施例流程图;
图8是本申请实施例提供的物流网络预警信息生成方法的另一实施例流程图;
图9是本申请实施例提供的一种服务器的结构图。
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。
请考考图1A和1B,图1A是互联网的一种基本架构,图1B为物流网络的一种基本结构。如图1所示,互联网中包括第一服务器30、第二服务器40、两服务器通过互联网互联,并且在互联网中还包括第一客户端10和第二客户端20。其中第一服务器30可以是电子商务平台的服务器,例如淘宝、天猫等。第二服务器40可以是物流提供商的服务器,用以采集并保存物流网络中的节点或线路的物流数据。第一客户端10可以是互联网中的一个买家用户的客户端,该买家用户可以通过第一客户端10访问服务器30和/或服务器40,对其购买或者出售的货物的物流状态进行监控。第二客户端20可以是互联网中的一个卖家用户的客户端,该卖家用户可以通过第一客户端10访问第一服务器30和/或第二服务器40,对其出售的货物的物流状态进行监控。其中,物流网络可以是快递公司的物流网络,物流网络通常包括多个节点。例如,图1B中的节点A~H,该些节点根据不同的订单情况和物流拓扑,可以被划分为多条物流线路。每条物流线路包括起始节点、中转节点以及终止节点等,中转节点的数据通常不止一个,不同的节点之间,可以组成不同的物流线路,每条线路都包括起始节点、至少一个中转节点和终止节点。例如,节点A~E可以视作一条物流线路,包括起始节点A、中转节点B、C、D以及终止节点E等,特别是跨地区的物流网络中的一条物流线路,通常具有多个中转节点。
当然,终止节点和起始节点,只是相对而言,对于不同方向的物流线路,终止节点和起始节点可以进行互换,也就是说,对于从A地发往E地的货物,节点A是起始节点,而对于从G地发往A地的货物,节点A则可能是终止节点,不多赘述。
在物流网络中,也可以将起始节点称为揽收节点或揽收网点或者揽收站点;类似的,派送节点,可以被称为派送站点、派送节点或派送网点;中转节点也可以被称为中转站或中转站点。所采用的名称,不应理解为对本申请实施例的限制。
物流网络提供商,通常可以通过扫描物流对象(例如,包裹)的运单号监控该物流对象的位置信息、时间信息等,例如,揽收时间、签收时间、货物入库时间、派送时间等。平且该些扫描的数据,被同步到物流网络提供商的第二服务器40。互联网中的第一服务器30可以通过与物流网络提供商的第二服务器40之间的接口,获取到某一运单的行为事件,所述的行为事件包括卖家发货、站点揽收、中转站入库、中转站点节点出库、派送站点派送、买家签收等行为事件的时间数据,不多赘述。
基于以上的架构,本申请实施例提供了一种生成物流网络预警信息的方法,图2是该方法的流程图。该方法可以应用于互联网电子商务平台的第一服务器30,也可以应用于物流网路提供商的第二服务器40。由图2可见,本申请实施例提供的方法,包括:
201,设置时效数据预警范围,所述预警范围至少包括所述物流网络中的一个节点;
在该步骤中,预警范围包括但不限定于物流网络中的一条线路、一个节点、或者几个节点。其中的时效数据用于表征所述预警范围对物流对象的处理时间长短或者处理效率。设置所述预警范围的目的,是为了监控该预警范围对物流对象的处理时效,并根据监控结果,生成预警信息,以便物流公司根据预警信息,对预警范围内的节点或线路进行优化、调整等。
预警范围的设置方式,包括但不限定于,用户通过客户端界面通过鼠标选定、或者通过文字输入选定,或者通过电子地图上的节点指示选定所需要设定的预警范围。
由于在物流网络中具有大量的节点,每个节点对于货物A可以是起始节点,可能是终止节点,也可能只是一个中转节点。不同的节点可以组成多个物流线路,每条物流线路对应一个或几个物流对象,这些物流对象通常具有临近的发货地址和类似的收货地址,本申请中的预警信息通畅是针对某一条物流线路,或者一条物流线路中的一个节点或者几个节点。一条物流线路可以被拆分开,也可以被看做一个整体。
当被看成一个整体时,通常从一个物流对象被该条物流线路的起始节点揽收,到被该条物流线路的终止站点派送完毕之后截止。当一条物流线路被拆分开时,可以将该物流线路上的每个节点区别对待,也可以将起始节点和终止节点区分对待,而将起始节点和终止节点之间的一个或多个中转节点看做一条中转线路,整体看待。
在本申请实施例中,普通的节点,例如起始节点和/或终止节点,作为物流公司揽收和派送包裹的单位,一般直接面对消费者。中转站作为物流公司操作订单路由及分配的单位,面向网点以及不同层级的中转站,一般不直接面对消费者。
在本申请实施例中,设定预警范围,即,根据某一物流对象的物流状态信息,选定该物流对象的物流线路,并在该物流对象的物流线路中选择预警范围。例如,将该物流线路整体作为预警范围,或者将物流线路中的终止节点、起始节点分别作为一个预警范围。当然,选取不同预警范围,可以根据实际需求进行选择,不应该作为对本申请实施例的限制。
为了便于选择物流线路和预警范围,服务器可以整理物流网络信息拓扑,根据历史销售数据与物流网络提供商的包裹流转记录,计算得到每个中转站与节点的覆盖范围,包括揽收范围与派送范围两大类。
例如,假设一个包裹的发货地址为P1省C1市D1区/县S2街道/社区,则该包裹在物流体系中经过的第一个中转站T1被认为是其揽收中转站,即该地址在中转站T1的揽收范围内;设该包裹其对应的揽收网点为N1,则该地址在网点N1的揽收范围内。
假设该包裹的收货地址为P2省C2市D2区/县S2街道/社区,则该包裹在物流体系中经过的最后一个中转站T2被认为是其对应的派送中转站,即该地址在中转站T2的派送范围内;设其对应的派送网点为N2,则该地址在网点N2的派送范围内。
结合物流公司的第二服务器或者电子商务平台的第一服务器保存的历史数据,可以对每个中转站T与网点N的揽收范围与派送范围做汇总,识别出每个地址可能的揽收网点与派送网点。假设地址A(P1省C1市D1区S2街道)收到过m个包裹,其中,m1个为N1网点派送,m2个为N2网点派送,…,mn个为Nn网点派送,则最终判定该地址的派送网点的条件为:若第k个网点Nk的派送包裹量超过50%,即mk>50%*m,则判定Nk为地址A的派送网点;若前述条件不成立,则用最近一次派送包裹的网点作为派送网点,同理可以根据上述的方,判断每个地址对应的派送中转站。
基于前述的物流网络信息拓扑,可以确定每条物流线路的拓扑信息,并且根据确定的物流线路,设定预警范围。
202,获取记录的所述预警范围内处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述预警范围,到从所述预警范围离开的第一时效数据;
在该步骤中,物流对象包括但不限定于物流节点需要处理的货物、包裹、商品等。第一时效数据包括但不限定于物理对象从一个预警范围进入,到从预警范围离开的时间差等。例如,从一个揽收站点揽收,到被最终派送结束所需的时间,或者从一个中转节点入库,到从该中转节点发出之间的时间差。
预警范围的历史时效数据,可以通过服务器从数据库中根据设定的参数进行调取。例如,用户通过客户端界面通过鼠标选定、或者通过文字输入的方式,选定预警范围的历史时效数据的起点到当前查询时刻前一秒或前一分钟或前一个小时的历史时效数据。该历史时效数据表征了预警范围在历史中处理物流对象的时间长短或处理效率。
在该步骤中,在选定了预警范围之后,跟踪一个物流对象,例如,一个包裹的运单信息,通过互联网电子商务平台与物流网络提供商的服务平台之间的接口,可以实时查询一个物流对象的时效数据。例如,其起始时间、终止时间等数据,通常将该物流对象从预警范围内的起始时间t1与从该预警范围出货的时间t2之间的差值,作为该预警范围内的第一时效数据。
203,根据所述历史时效数据、第一时效数据和物流衰减系数,确定所述预警范围的当前时效数据,所述物流衰减系数用于表征所述预警范围的时效变更频率;
在该步骤中,所述的历史时效数据包括但不限定于服务器中存储的物流网络中的一个节点、一条线路或者整个物流网络中物流对象的时效数据。所述的第一时效数据包括但不限定于一个或多个目标物流对象从进入物流网络中的设定预警范围,到从所述预警范围离开的时效数据。所述的物流衰减系数,通常是用来表征预警范围时效变更频率的参数,该参数通常与预警范围在未来设定时间内预期处理的物流对象数量正相关。
例如,Q是针对每个节点对象(如中转站)在未来24小时的预期处理量。m表征每个节点对象的时效衰减系数,与其预期处理量Q正相关,当节点对象的处理量Q越大时,其衰减系数m越大,t’计算公式中t的权重越大,每个包裹时效(t2-t1)的影响权重越小。
其中,在获取到一个物流对象在设定预警范围内的第一时效数据之后,结合当前存储的历史时效数据t可以对该设定预警范围内的当前时效数据t‘进行更新。
例如:t‘=(t2-t1)/m+t*(m-1)/m;(1)
其中,t‘为所述预警范围的第二时效数据,t为所述预警范围的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象进入所述预警范围的时间,t2为所述物流对象从所述预警范围送出时间,m为所述预警范围的物流衰减系数。
通常该物流衰减系数根据设定时间范围内的预计物流对象处理数量Q获得的,Q是一张具有衰减特性,也就说新到达的对象有较大的权重,随着时间的推移,权重逐渐降低。
204,当所述当前时效数据满足设定阈值时,生成对应所述预警范围的预警信息。
具体而言,当更新后的预警范围的时效数据t’满足设定阈值,则预示当前物流网络的时效性能不能满足可能的物流对象处理需求,在未来的一段时间内,可能导致预警范围内物流对象的库存(物理空间所能存放的总包裹量)超过吞吐量(节点进出包裹量的总和),导致当节点积压的包裹量超出其最大库存量或者当天总吞吐量超过其最大吞吐量的时候,不能及时处理(爆仓)的情况。为了避免这种情况的发生,服务器生成预警信息,该预警信息可以是提醒信息、处理方案推荐信息等。
之后,服务器可以根据需要将生成的预警信息推送给物流网络提供商的第二服务器,由物流公司提供应对策略,例如,加派人工或者优化物流链路等;服务器还可以将生成的预警信息推送给互联网电子商务平台的卖家,提醒卖家选择其他物流公司,等等。
通过上述的方案,可以利用生成的预警信息,可以让用户或者物流网络提供商提前了解物流网络的时效状况,从而方便对物流方案进行选择或调整。
如图3所示,在一种实施方式中,用户通过服务器设定的预警范围只包括一个节点,该节点为所述物流网络的中一条物流线路的起始节点,该实施例可包括:
步骤301、设置时效数据预警范围,所述预警范围包括所述物流网络中一条物流线路的起始节点;
步骤302、获取记录的所述起始节点内处理的历史物流对象的历史时效数据,以及一个物流对象从所述起始节点被揽收,到所述物流对象到达所述物流线路中的第一个中转站的第一时效数据;
步骤303、根据所述起始节点的历史时效数据、第一时效数据、所述起始节点的物流衰减系数,确定所述起始节点的当前时效数据;
步骤304、当所述当前时效数据满足设定阈值时,生成对应所述起始节点的预警信息;
步骤305、将所述预警信息发送给所述起始节点的维护平台服务器。
所述步骤302可以具体为,根据所述起始节点的历史时效数据、第一时效数据、所述起始节点的物流衰减系数,确定所述起始节点的当前时效数据;
在该实施例中,公式(1)中的参数t‘为所述起始节点的当前时效数据,t为所述起始节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象的发货时间,t2为所述物流对象到达所述物流网络中的第一个中转站的时间,m为所述起始节点的物流衰减系数。
其中,m通常根据该起始节点在未来的设定时间(例如,24小时)内的预计处理物流对象数目获得,该预期物流对象处理数目Q,可以通过下面的实施例获得。
在一种实施例中,t‘=[t*Q+t2-t1)]/(Q+1),也就是说m=Q+1;
其中,Q的预测方法可以参考图3所示的实施例,也就是说Q的预测方法可包括:
步骤401、根据所述预警范围,确定所述预警范围对应的物流节点C以及物流线路L;
步骤402、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);
步骤403、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);
步骤404、根据用户u选择物流节点C的历史分布,计算M(u,L)在所述物流节点C的分配数量M(u,L,C);
步骤405、针对所述物流节点C以及物流线路L,计算预警范围在所述目标时段Ta~Tb内的预期物流处理对象数量
下面结合一个具体的实例,对本申请实施例中所涉及的Q的估算方法进行说明,为描述方便,本例中仅涉及“一条线路对应一条路径”的情况:
对于步骤402,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
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。
对于,步骤303,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%。
对于步骤404,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%。
对于步骤405,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。
通过上述的方式,可以更新一条物流线路上一个起始节点的时效数据t,之后,如果t达到设定阈值,则服务器生成针对这一个起始节点的预警信息。
如图3所示,服务器生成预警信息之后,服务器可以通过推送或者其它的信息传递方式,向物流网络,例如快递公司的维护平台推送预警信息,例如提醒其增派人手等。物流网络的提供公司在维护平台接收到预警信息之后,可以采取相应的措施,提高物流处理效率,避免可能产生的问题。
如图5所示,在另一种实施例中,服务器设定所述预警范围包括一个节点,该节点为所述物流网络的终止节点,该实施例可包括:
步骤501、设置时效数据预警范围,所述预警范围包括所述物流网络中一条物流线路的终止节点;
步骤502、获取记录的所述终止节点处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述终止节点,到所述物流对象被签收的第一时效数据;
步骤503、根据所述终止节点的历史时效数据、第一时效数据和所述终止节点的物流衰减系数,确定所述终止节点的当前时效数据;
步骤504、当所述当前时效数据满足设定阈值时,生成对应所述终止节点的预警信息;
步骤505、将所述预警信息发送给所述终止节点的维护平台服务器。
在该实施例中,公式(1)中的参数t‘为所述终止节点的当前时效数据,t为所述终止节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述物流线路中的最后一个中转节点的出货时间,t2为所述物流对象被签收的时间,m为所述终止节点的物流衰减系数。
与图3所示的实施例类似,其中,m通常根据该终止节点在未来的设定时间(例如24小时)内的预计处理物流对象数目获得,该预期物流对象处理数目Q可以通过图4所示的实施例获得。
在该实施例中,t‘=[t*Q+t2-t1)]/(Q+1),也就是说m=Q+1,不多赘述。
对于步骤505,服务器生成预警信息之后,服务器可以通过推送或者其它的信息传递方式,向物流网络,例如快递公司的维护平台推送预警信息,例如提醒其增派人手等。物流网络的提供公司在维护平台接收到预警信息之后,可以采取相应的措施,提高物流处理效率,避免可能产生的问题。
如图6所示,在另一种实施例中,服务器设定的所述预警范围包括整个物流网络中的一条完整的物流线路,该实施例可包括:
步骤601、设置时效数据预警范围,所述预警范围至少包括所述物流网络中的整个一条物流线路;
步骤602、获取记录的所述物流线路内处理的历史物流对象的历史时效数据,以及一个物流对象所述物流线路的起始节点揽收,到从所述物流线路的终止节点派送结束的第一时效数据;
步骤603、根据所述物流线路的历史时效数据、第一时效数据和所述物流线路的物流衰减系数,确定所述物流线路的当前时效数据;
步骤604、当所述当前时效数据满足设定阈值时,生成对应所述物流线路的预警信息;
步骤605、发送所述物流线路的预警信息。
在该实施例中,公式(1)中的参数t‘为所述物流线路的当前时效数据,t为所述物流线路的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述物流线路中被揽收的时间,t2为所述物流对象被签收的时间,m为所述物流线路的物流衰减系数。
与图3所示的实施例类似,其中,m通常根据该物流线路在未来的设定时间(例如24小时)内的预计处理物流对象数目获得,该预期物流对象处理数目Q可以通过图4所示的实施例获得。
在该实施例中,t‘=[t*Q+t2-t1)]/(Q+1),也就是说m=Q+1,不多赘述。
对于步骤605,服务器生成预警信息之后,服务器可以通过推送或者其它的信息传递方式,向物流网络,例如快递公司的维护平台推送预警信息,例如提醒其增派人手等。物流网络的提供公司在维护平台接收到预警信息之后,可以采取相应的措施,提高物流处理效率,避免可能产生的问题。
服务器也可以通过互联网平台,通过阿里旺旺或者在线提醒等方式将预警信息发送给物流对象的提供用户,例如,淘宝卖家,提醒其在发送所述物流线路上对应的地址范围内的货物时,选择其他的物流公司,避免可能产生的问题。
如图7所示,在另一种实施例中,服务器设定所述预警范围包括一个节点,该节点为一条物流线路的中转节点,该实施例可包括:
步骤701、设置时效数据预警范围,所述预警范围包括一条物流线路中的一个中转节点;
步骤702、获取记录的所述中转节点处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述中转节点,到所述物流对象从所述中转节点出库的第一时效数据;
步骤703、根据所述中转节点的历史时效数据、第一时效数据和所述中转节点的物流衰减系数,确定所述中转节点的当前时效数据;
步骤704、当所述当前时效数据满足设定阈值时,生成对应所述中转节点的预警信息;
步骤705、将所述预警信息发送给所述中转节点的维护平台服务器。
在该实施例中,公式(1)中的参数t‘为所述中转节点的当前时效数据,t为所述中转节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象在所述中转节点的入库时间,t2为所述物流对象在所述中转节点的出库时间,m为所述中转节点的物流衰减系数。
与图3所示的实施例类似,其中,m通常根据该中转节点在未来的设定时间(例如24小时)内的预计处理物流对象数目获得,该预期物流对象处理数目Q可以通过图4所示的实施例获得。
在该实施例中,t‘=[t*Q+t2-t1)]/(Q+1),也就是说m=Q+1,不多赘述。
对于步骤705,服务器生成预警信息之后,服务器可以通过推送或者其它的信息传递方式,向物流网络,例如快递公司的维护平台推送预警信息,例如提醒其增派人手等。物流网络的提供公司在维护平台接收到预警信息之后,可以采取相应的措施,提高物流处理效率,避免可能产生的问题。
如图8所示,在另一种实施例中,服务器设定所述预警范围包括一个一条物流线路中除了起始节点和终止节点之外的中转线路,该中转线路中可以包括至少两个中转节点,该实施例可包括:
步骤801、设置时效数据预警范围,所述预警范围包括所述物流线路中的中转线路,所述中转线路包括两个以上中转节点;
步骤802、获取记录的所述中转线路处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述中转线路的第一个中转节点入站的时间,到所述物流对象从所述中转线路的最后一个中转节点出库的第一时效数据;
步骤803、根据所述中转线路的历史时效数据、第一时效数据和所述中转线路的物流衰减系数,确定所述中转线路的当前时效数据;
步骤804、当所述当前时效数据满足设定阈值时,生成对应所述中转线路的预警信息;
步骤805、将所述预警信息发送给所述中转线路的维护平台服务器。
在该实施例中,公式(1)中的参数t‘为所述中转线路的当前时效数据,t为所述中转线路的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述中转线路中的第一个中转节点的入库时间,t2为所述物流对象从所述中转线路中的最后一个中转节点出库的时间,m为所述中转线路的物流衰减系数。
与图3所示的实施例类似,其中,m通常根据该中转线路节点在未来的设定时间(例如24小时)内的预计处理物流对象数目获得,该预期物流对象处理数目Q可以通过图4所示的实施例获得。
在该实施例中,t‘=[t*Q+t2-t1)]/(Q+1),也就是说m=Q+1,不多赘述。
对于步骤705,服务器生成预警信息之后,服务器可以通过推送或者其它的信息传递方式,向物流网络,例如快递公司的维护平台推送预警信息,例如提醒其增派人手等。物流网络的提供公司在维护平台接收到预警信息之后,可以采取相应的措施,提高物流处理效率,避免可能产生的问题。
如图9所示,本申请还提供了一种服务器,该实施例可以用于对物流网络进行预警,也可以应用于与物流网络互联的互联网商务平台服务为,所述物流网络包括至少一条物流线路,每条所述物流线路包括起始节点、终止节点以及至少一个中转节点,所述服务器包括:
预警范围设定单元910,用于设置时效数据的预警范围,所述预警范围至少包括所述物流网络中的一个节点,所述时效数据用于表征所述预警范围对物流对象的处理时间长短;
获取单元920,用于获取记录的所述预警范围内处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述预警范围,到从所述预警范围离开的第一时效数据;
确定单元930,用于根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据,所述物流衰减系数用于表征所述预警范围的时效变更频率;
预警信息生成单元940,用于当所述当前时效数据满足设定阈值时,生成对应所述预警范围的预警信息。
其中,所述确定单元930具体通过如下方式确定预警范围的当前时效数据:
t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述预警范围的当前时效数据,t为所述预警范围的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象进入所述预警范围的时间,t2为所述物流对象从所述预警范围送出时间,m为所述预警范围的物流衰减系数。
在一种可选的实施例中,所述预警范围包括一个节点,该节点为所述物流网络中一条物流线路中的起始节点,所述确定单元930具体用于:根据所述起始节点的历史时效数据、第一时效数据、所述起始节点的物流衰减系数,确定所述起始节点的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述起始节点的当前时效数据,t为所述起始节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象的发货时间,t2为所述物流对象到达所述物流线路中的第一个中转节点的时间,m为所述起始节点的物流衰减系数。
在一种可选的实施例中,所述预警范围包括一个节点,该节点为所述物流网络中一条物流线路中的终止节点,所述确定单元930具体用于:根据所述终止节点的历史时效数据、第一时效数据和所述终止节点的物流衰减系数,确定所述终止节点的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述终止节点的当前时效数据,t为所述终止节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述物流线路中的最后一个中转节点的出货时间,t2为所述物流对象被签收的时间,m为所述终止节点的物流衰减系数。
在一种可选的实施例中,所述预警范围包括整个物流网络中的一条物流线路,所述确定单元930具体用于:根据所述物流线路的历史时效数据、第一时效数据和所述物流线路的物流衰减系数,确定所述物流线路的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述物流线路的当前时效数据,t为所述物流线路的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述物流线路中被揽收的时间,t2为所述物流对象被签收的时间,m为所述物流线路的物流衰减系数。
在一种可选的实施例中,所述预警范围包括一个节点,该节点为所述物流网络中一条物流线路中的中转节点,所述确定单元930具体用于:根据所述中转节点的历史时效数据、第一时效数据和所述中转节点的物流衰减系数,确定所述中转节点的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述中转节点的当前时效数据,t为所述中转节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象在所述中转节点的入库时间,t2为所述物流对象在所述中转节点的出库时间,m为所述中转节点的物流衰减系数。
在一种可选的实施例中,所述预警范围包括整个物流网络中的一条物流线路中的中转线路,所述中转线路包括所述物流线路中除所述起始节点和终止节点外的中转节点,所述确定单元930具体用于:根据所述中转线路的历史时效数据、第一时效数据和所述中转线路的物流衰减系数,确定所述中转线路的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述中转线路的当前时效数据,t为所述中转线路的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述中转线路中的第一个中转节点的入库时间,t2为所述物流对象从所述中转线路中的最后一个中转节点出库的时间,m为所述中转线路的物流衰减系数。
在一种可选的实施例中,所述物流衰减系数m,根据所述预警范围在设定时间范围内的预期物流对象处理数量Q获得;m=Q+1。
在一种可选的实施例中,所述服务器还包括:
发送单元,用于向所述物流网络的服务器发送所述预警信息,或者向所述物流对象提供平台的服务器发送所述预警信息。
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 (12)
1.一种生成物流网络预警信息的方法,用于对物流网络进行预警,所述物流网络包括至少一条物流线路,每条所述物流线路包括起始节点、终止节点以及至少一个中转节点,其特征在于,所述方法包括:
设置时效数据的预警范围,所述预警范围至少包括所述物流网络中的一个节点,所述时效数据用于表征所述预警范围对物流对象的处理时间长短;
获取记录的所述预警范围内处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述预警范围,到从所述预警范围离开的第一时效数据;
根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据,所述物流衰减系数用于表征所述预警范围的时效变更频率;
当所述当前时效数据满足设定阈值时,生成对应所述预警范围的预警信息。
2.如权利要求1所述的方法,其特征在于,所述根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据;具体包括:
t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述预警范围的当前时效数据,t为所述预警范围的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象进入所述预警范围的时间,t2为所述物流对象从所述预警范围送出时间,m为所述预警范围的物流衰减系数。
3.如权利要求1所述的方法,其特征在于,所述预警范围包括一个节点,该节点为所述物流网络中一条物流线路中的起始节点;所述根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据;具体包括:
根据所述起始节点的历史时效数据、第一时效数据、所述起始节点的物流衰减系数,确定所述起始节点的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述起始节点的当前时效数据,t为所述起始节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象的发货时间,t2为所述物流对象到达所述物流线路中的第一个中转节点的时间,m为所述起始节点的物流衰减系数。
4.如权利要求1所述的方法,其特征在于,所述预警范围包括一个节点,该节点为所述物流网络中一条物流线路中的终止节点,所述根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据;具体包括:
根据所述终止节点的历史时效数据、第一时效数据和所述终止节点的物流衰减系数,确定所述终止节点的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述终止节点的当前时效数据,t为所述终止节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述物流线路中的最后一个中转节点的出货时间,t2为所述物流对象被签收的时间,m为所述终止节点的物流衰减系数。
5.如权利要求1所述的方法,其特征在于,所述预警范围包括整个物流网络中的一条物流线路,根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据;具体包括:
根据所述物流线路的历史时效数据、第一时效数据和所述物流线路的物流衰减系数,确定所述物流线路的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述物流线路的当前时效数据,t为所述物流线路的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述物流线路中被揽收的时间,t2为所述物流对象被签收的时间,m为所述物流线路的物流衰减系数。
6.如权利要求1所述的方法,其特征在于,所述预警范围包括一个节点,该节点为所述物流网络中一条物流线路中的中转节点,所述根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据;具体包括:
根据所述中转节点的历史时效数据、第一时效数据和所述中转节点的物流衰减系数,确定所述中转节点的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述中转节点的当前时效数据,t为所述中转节点的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象在所述中转节点的入库时间,t2为所述物流对象在所述中转节点的出库时间,m为所述中转节点的物流衰减系数。
7.如权利要求1所述的方法,其特征在于,所述预警范围包括整个物流网络中的一条物流线路中的中转线路,所述中转线路包括所述物流线路中除所述起始节点和终止节点外的中转节点,所述根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据;具体包括:
根据所述中转线路的历史时效数据、第一时效数据和所述中转线路的物流衰减系数,确定所述中转线路的当前时效数据;
其中,t‘=(t2-t1)/m+t*(m-1)/m;
其中,t‘为所述中转线路的当前时效数据,t为所述中转线路的历史时效数据,(t2-t1)为所述第一时效数据,t1为所述物流对象从所述中转线路中的第一个中转节点的入库时间,t2为所述物流对象从所述中转线路中的最后一个中转节点出库的时间,m为所述中转线路的物流衰减系数。
8.如权利要求2所述的方法,其特征在于,所述物流衰减系数m,根据所述预警范围在设定时间范围内的预期物流对象处理数量Q获得;m=Q+1.
9.如权利要求7所述的方法,其特征在于,所述预警范围在设定时间内的预期物流对象处理数量Q通过以下方法获得:
根据所述预警范围,确定所述预警范围对应的物流节点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选择物流节点C的历史分布,计算M(u,L)在所述物流节点C的分配数量M(u,L,C);
针对所述物流节点C以及物流线路L,计算预警范围在所述目标时段Ta~Tb内的预期物流处理对象数量
10.如权利要求1-7任一项所述的方法,其特征在于,所述生成对应所述预警范围的预警信息,之后,还包括:
向所述物流网络的服务器发送所述预警信息。
11.如权利要求1-7任一项所述的方法,其特征在于,所述生成对应所述预警范围的预警信息,之后,还包括:
向所述物流对象提供平台的服务器发送所述预警信息。
12.一种服务器,用于对物流网络进行预警,所述物流网络包括至少一条物流线路,每条所述物流线路包括起始节点、终止节点以及至少一个中转节点,其特征在于,所述服务器包括:
预警范围设定单元,用于设置时效数据的预警范围,所述预警范围至少包括所述物流网络中的一个节点,所述时效数据用于表征所述预警范围对物流对象的处理时间长短;
获取单元,用于获取记录的所述预警范围内处理的历史物流对象的历史时效数据,以及一个物流对象从进入所述预警范围,到从所述预警范围离开的第一时效数据;
确定单元,用于根据所述历史时效数据、第一时效数据,和物流衰减系数,确定所述预警范围的当前时效数据,所述物流衰减系数用于表征所述预警范围的时效变更频率;
预警信息生成单元,用于当所述当前时效数据满足设定阈值时,生成对应所述预警范围的预警信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410180586.4A CN105096067B (zh) | 2014-04-29 | 2014-04-29 | 一种生成物流网络预警信息的方法及服务器 |
HK16101163.1A HK1213347A1 (zh) | 2014-04-29 | 2016-02-02 | 種生成物流網絡預警信息的方法及服務器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410180586.4A CN105096067B (zh) | 2014-04-29 | 2014-04-29 | 一种生成物流网络预警信息的方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105096067A true CN105096067A (zh) | 2015-11-25 |
CN105096067B CN105096067B (zh) | 2018-09-11 |
Family
ID=54576436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410180586.4A Active CN105096067B (zh) | 2014-04-29 | 2014-04-29 | 一种生成物流网络预警信息的方法及服务器 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105096067B (zh) |
HK (1) | HK1213347A1 (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976153A (zh) * | 2016-06-20 | 2016-09-28 | 中联物流(中国)有限公司 | 物流管理系统的发车数据预测方法 |
CN106779559A (zh) * | 2016-12-21 | 2017-05-31 | 天津市天地申通物流有限公司 | 快递时效管理方法和管理系统 |
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 |
CN109508942A (zh) * | 2018-12-29 | 2019-03-22 | 物融通科技有限责任公司 | 适用于基建产业电商的物流管理方法和系统 |
CN109829667A (zh) * | 2017-11-23 | 2019-05-31 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
CN109886622A (zh) * | 2019-01-28 | 2019-06-14 | 珠海腾飞科技有限公司 | 一种供应链平台管理方法及系统 |
CN110390427A (zh) * | 2019-06-28 | 2019-10-29 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路货物的旅速预警方法及装置 |
CN110400004A (zh) * | 2019-06-28 | 2019-11-01 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路货物的时限预警方法及装置 |
CN111339156A (zh) * | 2020-02-07 | 2020-06-26 | 京东城市(北京)数字科技有限公司 | 业务数据的长期确定方法、装置和计算机可读存储介质 |
CN111461630A (zh) * | 2020-05-08 | 2020-07-28 | 上海东普信息科技有限公司 | 派送快递包裹的监控方法、装置、设备及存储介质 |
CN112837007A (zh) * | 2021-01-18 | 2021-05-25 | 上海燕汐软件信息科技有限公司 | 供应链管理方法、装置、设备及存储介质 |
CN113011664A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 物流时效监控方法、装置、电子设备及存储介质 |
CN113034161A (zh) * | 2021-03-30 | 2021-06-25 | 深圳市沃客非凡科技有限公司 | 一种基于区块链的商品物流追溯信息采集系统 |
CN114897481A (zh) * | 2022-07-13 | 2022-08-12 | 朗新一诺(苏州)信息科技有限公司 | 一种基于区块链的海关物流智能监测方法 |
CN115796725A (zh) * | 2022-12-30 | 2023-03-14 | 广州拓威天海国际物流有限公司 | 一种物流时效的预警方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202404649U (zh) * | 2011-12-16 | 2012-08-29 | 安得物流股份有限公司 | 基于物联网技术的可视化智能物流管理平台 |
CN102880949A (zh) * | 2012-08-27 | 2013-01-16 | 上海鲲达软件科技有限公司 | 与电子商务平台直接对接的物流处理系统及方法 |
CN103489083A (zh) * | 2013-07-31 | 2014-01-01 | 栗菲 | 一种智能高效安全的物流管理系统 |
-
2014
- 2014-04-29 CN CN201410180586.4A patent/CN105096067B/zh active Active
-
2016
- 2016-02-02 HK HK16101163.1A patent/HK1213347A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202404649U (zh) * | 2011-12-16 | 2012-08-29 | 安得物流股份有限公司 | 基于物联网技术的可视化智能物流管理平台 |
CN102880949A (zh) * | 2012-08-27 | 2013-01-16 | 上海鲲达软件科技有限公司 | 与电子商务平台直接对接的物流处理系统及方法 |
CN103489083A (zh) * | 2013-07-31 | 2014-01-01 | 栗菲 | 一种智能高效安全的物流管理系统 |
Non-Patent Citations (1)
Title |
---|
杨迎心 等: "《基于模糊综合评价构建物流运输预警模型》", 《计算机应用》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976153A (zh) * | 2016-06-20 | 2016-09-28 | 中联物流(中国)有限公司 | 物流管理系统的发车数据预测方法 |
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 |
CN106779559A (zh) * | 2016-12-21 | 2017-05-31 | 天津市天地申通物流有限公司 | 快递时效管理方法和管理系统 |
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 |
CN109829667A (zh) * | 2017-11-23 | 2019-05-31 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
CN109829667B (zh) * | 2017-11-23 | 2023-06-02 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
CN109508942A (zh) * | 2018-12-29 | 2019-03-22 | 物融通科技有限责任公司 | 适用于基建产业电商的物流管理方法和系统 |
CN109886622A (zh) * | 2019-01-28 | 2019-06-14 | 珠海腾飞科技有限公司 | 一种供应链平台管理方法及系统 |
CN110390427A (zh) * | 2019-06-28 | 2019-10-29 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路货物的旅速预警方法及装置 |
CN110400004A (zh) * | 2019-06-28 | 2019-11-01 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路货物的时限预警方法及装置 |
CN111339156A (zh) * | 2020-02-07 | 2020-06-26 | 京东城市(北京)数字科技有限公司 | 业务数据的长期确定方法、装置和计算机可读存储介质 |
CN111339156B (zh) * | 2020-02-07 | 2023-09-26 | 京东城市(北京)数字科技有限公司 | 业务数据的长期确定方法、装置和计算机可读存储介质 |
CN111461630A (zh) * | 2020-05-08 | 2020-07-28 | 上海东普信息科技有限公司 | 派送快递包裹的监控方法、装置、设备及存储介质 |
CN112837007B (zh) * | 2021-01-18 | 2023-09-22 | 上海燕汐软件信息科技有限公司 | 供应链管理方法、装置、设备及存储介质 |
CN112837007A (zh) * | 2021-01-18 | 2021-05-25 | 上海燕汐软件信息科技有限公司 | 供应链管理方法、装置、设备及存储介质 |
CN113011664A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 物流时效监控方法、装置、电子设备及存储介质 |
CN113011664B (zh) * | 2021-03-29 | 2024-05-28 | 上海寻梦信息技术有限公司 | 物流时效监控方法、装置、电子设备及存储介质 |
CN113034161A (zh) * | 2021-03-30 | 2021-06-25 | 深圳市沃客非凡科技有限公司 | 一种基于区块链的商品物流追溯信息采集系统 |
CN113034161B (zh) * | 2021-03-30 | 2022-08-23 | 深圳市沃客非凡科技有限公司 | 一种基于区块链的商品物流追溯信息采集系统 |
CN114897481A (zh) * | 2022-07-13 | 2022-08-12 | 朗新一诺(苏州)信息科技有限公司 | 一种基于区块链的海关物流智能监测方法 |
CN115796725A (zh) * | 2022-12-30 | 2023-03-14 | 广州拓威天海国际物流有限公司 | 一种物流时效的预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
HK1213347A1 (zh) | 2016-06-30 |
CN105096067B (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105096067A (zh) | 一种生成物流网络预警信息的方法及服务器 | |
CN108734344B (zh) | 订单配送预测方法、装置、设备及计算机可读存储介质 | |
US20180276695A1 (en) | Logistic demand forecasting | |
JP2021532444A (ja) | インバウンド購入注文のインテリジェントな調整による製品在庫の最適化のためのシステムおよび方法 | |
Shen | A profit-maximizing supply chain network design model with demand choice flexibility | |
TW201712612A (zh) | 發貨資訊處理方法及裝置 | |
Jia et al. | Integrated inventory routing problem with quality time windows and loading cost for deteriorating items under discrete time | |
CN110880084A (zh) | 一种仓库补货的方法和装置 | |
CN108269042B (zh) | 一种物流供应链管理系统及方法 | |
Feldman et al. | Proactive event processing in action: a case study on the proactive management of transport processes (industry article) | |
CN104156836A (zh) | 一种物流网络负载查询方法及系统 | |
US11775927B2 (en) | Order fulfillment | |
Yu et al. | Particle swarm optimization for the multi-period cross-docking distribution problem with time windows | |
CN110109901B (zh) | 筛选目标对象的方法和装置 | |
Bhatnagar et al. | Coordination of planning and scheduling decisions in global supply chains with dual supply modes | |
CN111311376B (zh) | 一种智能化的供应链管理系统 | |
US20070011053A1 (en) | Method and system for automating inventory management in a supply chain | |
Rahimi et al. | A bi-objective inventory routing problem by considering customer satisfaction level in context of perishable product | |
CN106447248A (zh) | 提供业务对象配送时效信息的方法及装置 | |
KR20240005657A (ko) | 인바운드 제품의 지능적인 분배를 통해 제품 인벤토리를 최적화하는 컴퓨터-구현 시스템 및 방법 | |
CN110930080A (zh) | 物流配送的方法和装置 | |
Zhao et al. | Multi-item online order fulfillment in a two-layer network | |
CN104063772A (zh) | 一种物流信息可靠性检验方法及装置 | |
JP6156943B2 (ja) | 管理装置、管理システム、管理方法及びプログラム | |
KR101440909B1 (ko) | 오픈 마켓 위탁 배송 시스템 |
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: 1213347 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |