CN107067107B - 一种物流订单拆单方法及装置 - Google Patents

一种物流订单拆单方法及装置 Download PDF

Info

Publication number
CN107067107B
CN107067107B CN201710240462.4A CN201710240462A CN107067107B CN 107067107 B CN107067107 B CN 107067107B CN 201710240462 A CN201710240462 A CN 201710240462A CN 107067107 B CN107067107 B CN 107067107B
Authority
CN
China
Prior art keywords
order
splitting
bundle
historical
label
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.)
Active
Application number
CN201710240462.4A
Other languages
English (en)
Other versions
CN107067107A (zh
Inventor
金忠孝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SAIC Motor Corp Ltd
Original Assignee
SAIC Motor Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SAIC Motor Corp Ltd filed Critical SAIC Motor Corp Ltd
Priority to CN201710240462.4A priority Critical patent/CN107067107B/zh
Publication of CN107067107A publication Critical patent/CN107067107A/zh
Application granted granted Critical
Publication of CN107067107B publication Critical patent/CN107067107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种物流订单拆单方法及装置，该方法包括：选取待处理的原始订单集，并根据订单内容生成至少一个订单捆；对于各个订单捆，计算供应商到Hub第一距离值和供应商到仓库的第二距离值；针对第一距离值小于第二距离值的各个订单捆，计算订单装载率；将订单装载率和对应的第一距离值作为预先生成的物流订单拆单模型的输入量，获取物流订单拆单模型输出的订单捆标签；识别订单捆标签，并且当订单捆标签为拆单标签时，对订单捆执行拆单操作。基于本发明公开的方法，由于拆单完成后的订单可以看作是多供应商到多仓库，因此，为解决多个供应商多个仓库且带有特殊配送中心Hub的路径规划问题，将智能优化算法直接应用于该订单策略之后即可。

Description

一种物流订单拆单方法及装置
技术领域
本发明涉及智能物流运输技术领域，更具体地说，涉及一种物流订单拆单方法及装置。
背景技术
智能物流运输领域是人工智能与物流领域的交叉领域，旨在通过人工智能中的智能算法代替人工解决物流领域的常见问题，例如，路径规划问题、道口计划问题以及车辆调度问题。其中，路径规划问题可根据物流规模分为，单一仓库且每个供应商仅被访问一次的路径规划问题、多个供应商多个仓库的路径规划问题、以及多个供应商多个仓库且带有特殊配送中心Hub的路径规划问题，其中，Hub可被看作一个具有整合能力的中转站，车辆从各个供应商装货后送入Hub，经过Hub整合之后再统一送往目的地仓库。
目前，一般采用汉密尔顿圈或旅行商问题的数学模型解决单一仓库且每个供应商仅被访问一次的路径规划问题；对于多个供应商多个仓库的路径规划问题，常见的解决方案是采用蚁群算法、粒子群算法或者禁忌搜索算法智能优化算法；而针对多个供应商多个仓库且带有特殊配送中心Hub的路径规划问题，由于原始订单中并不存在目的地为Hub或者起始地为Hub的订单，因此，解决多个供应商多个仓库路径规划问题的智能优化算法并不能直接应用。
发明内容
有鉴于此，本发明提供一种物流订单拆单方法及装置，以解决智能优化算法并不能直接应用到规划多个供应商多个仓库且带有特殊配送中心Hub的问题。技术方案如下：
一种物流订单拆单方法，包括：
选取待处理的原始订单集，并根据订单内容对所述原始订单集中的全部原始订单进行整合，得到至少一个订单捆，所述订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；
对于各个所述订单捆，根据对应的所述供应商数据、所述Hub数据和所述仓库数据，计算供应商到Hub第一距离值和供应商到仓库的第二距离值；
针对第一距离值小于第二距离值的各个所述订单捆，根据对应的所述订单装载车辆数据计算订单装载率；
将所述订单装载率和对应的所述第一距离值作为预先生成的物流订单拆单模型的输入量，获取所述物流订单拆单模型输出的订单捆标签，所述订单捆标签包括拆单标签或者非拆单标签；
识别所述订单捆标签，并且当所述订单捆标签为所述拆单标签时，对所述订单捆执行拆单操作。
优选的，还包括：
针对第一距离值不小于第二距离值的各个所述订单捆，添加不拆单标签，并对各个所述订单捆执行不拆单操作。
优选的，当拆单操作执行完成时，生成提示信息。
优选的，所述预先生成物流订单拆单模型，包括：
选取历史订单集，并为所述历史订单集中的全部历史订单添加订单标签，所述订单标签包括拆单标签或者非拆单标签；
对所述历史订单集中的全部历史订单按照所述订单标签进行分类，得到拆单历史订单集和非拆单历史订单集；
根据历史订单内容对所述拆单历史订单集中的全部历史订单进行整合，得到至少一个拆单历史订单捆；同时，根据历史订单内容对所述非拆单历史订单集中的全部历史订单进行整合，得到至少一个非拆单历史订单捆；其中，
所述历史订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；各个所述拆单历史订单捆的订单捆标签为拆单标签，各个所述非拆单历史订单捆的订单捆标签为非拆单标签；
对于各个所述拆单历史订单捆以及各个所述非拆单历史订单捆，根据对应的所述供应商数据、所述Hub数据和所述仓库数据，计算供应商到Hub的第三距离值和供应商到仓库的第四距离值；
针对第三距离值小于第四距离值的各个所述拆单历史订单捆以及各个所述非拆单历史订单捆，提取相应的特征向量，并根据对应的所述订单装载车辆数据计算历史订单装载率；
基于预设机器学习算法，利用各个所述特征向量及其对应的订单捆标签进行训练，得到物流订单拆单模型。
优选的，所述预设机器学习算法包括：支持向量机算法、神经网络算法或者Adaboost迭代算法。
一种物流订单拆单装置，包括：选取整合模块、第一计算模块、第二计算模块、订单捆标签获取模块和识别执行模块，所述订单捆标签获取模块包括物流订单拆单模型生成单元；
所述选取整合模块，用于选取待处理的原始订单集，并根据订单内容对所述原始订单集中的全部原始订单进行整合，得到至少一个订单捆，所述订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；
所述第一计算模块，用于对于各个所述订单捆，根据对应的所述供应商数据、所述Hub数据和所述仓库数据，计算供应商到Hub第一距离值和供应商到仓库的第二距离值；
所述第二计算模块，用于针对第一距离值小于第二距离值的各个所述订单捆，根据对应的所述订单装载车辆数据计算订单装载率；
所述订单捆标签获取模块，用于将所述订单装载率和对应的所述第一距离值作为预先生成的物流订单拆单模型的输入量，获取所述物流订单拆单模型输出的订单捆标签，所述订单捆标签包括拆单标签或者非拆单标签；
所述识别执行模块，用于识别所述订单捆标签，并且当所述订单捆标签为所述拆单标签时，对所述订单捆执行拆单操作；
所述物流订单拆单模型生成单元，用于预先生成物流订单拆单模型。
优选的，还包括：添加执行模块；
所述添加执行模块，用于针对第一距离值不小于第二距离值的各个所述订单捆，添加不拆单标签，并对各个所述订单捆执行不拆单操作。
优选的，还包括：提示模块；
所述提示模块，用于当拆单操作执行完成时，生成提示信息。
优选的，所述物流订单拆单模型生成单元包括：选取添加子单元、分类子单元、整合子单元、计算子单元、提取计算子单元和训练子单元；
所述选取添加单元，用于选取历史订单集，并为所述历史订单集中的全部历史订单添加订单标签，所述订单标签包括拆单标签或者非拆单标签；
所述分类子单元，用于对所述历史订单集中的全部历史订单按照所述订单标签进行分类，得到拆单历史订单集和非拆单历史订单集；
所述整合子单元，用于根据历史订单内容对所述拆单历史订单集中的全部历史订单进行整合，得到至少一个拆单历史订单捆；同时，根据历史订单内容对所述非拆单历史订单集中的全部历史订单进行整合，得到至少一个非拆单历史订单捆；其中，所述历史订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；各个所述拆单历史订单捆的订单捆标签为拆单标签，各个所述非拆单历史订单捆的订单捆标签为非拆单标签；
所述计算子单元，用于对于各个所述拆单历史订单捆以及各个所述非拆单历史订单捆，根据对应的所述供应商数据、所述Hub数据和所述仓库数据，计算供应商到Hub的第三距离值和供应商到仓库的第四距离值；
所述提取计算子单元，用于针对第三距离值小于第四距离值的各个所述拆单历史订单捆以及各个所述非拆单历史订单捆，提取相应的特征向量，并根据对应的所述订单装载车辆数据计算历史订单装载率；
所述训练子单元，用于基于预设机器学习算法，利用各个所述特征向量及其对应的订单捆标签进行训练，得到物流订单拆单模型。
相较于现有技术，本发明实现的有益效果为：
以上本发明提供的一种物流订单拆单方法及装置，该方法通过预先生成物流订单拆单模型，对存在特殊配送中心Hub的物流场景中的原始订单集进行拆单，从而建立供应商到Hub以及Hub到仓库的订单。由于拆单完成后的订单可以看作是多供应商到多仓库，因此，为解决多个供应商多个仓库且带有特殊配送中心Hub的路径规划问题，将智能优化算法直接应用于该订单策略之后即可。
附图说明
为了更清楚地说明本发明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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例一公开的一种物流订单拆单方法流程图；
图2为本发明实施例二公开的一种物流订单拆单方法部分流程图；
图3为本发明实施例三公开的一种物流订单拆单装置结构示意图；
图4为本发明实施例四公开的一种物流订单拆单装置部分结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
实施例一
本发明实施例一提供了一种物流订单拆单方法，方法流程图如图1所示，包括如下步骤：
S101，选取待处理的原始订单集，并根据订单内容对原始订单集中的全部原始订单进行整合，得到至少一个订单捆，所述订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；
在执行步骤S101的过程中，在需要规划的全部原始订单中选取待处理原始订单集，即可能拆单的原始订单集，选取规则可根据实际业务场景制定，例如，业务场景A中，选取供应商与仓库在不同城市的订单；
订单内容中的供应商数据可包括供应商地址、名称以及法人等信息，Hub数据可包括Hub地址和容量等信息，仓库数据可包括仓库地址和名称等信息，订单装载车辆数据可包括装载车车牌号、车辆总体积以及负责人等信息；
可选的，对原始订单集中的全部原始订单进行整合，包括如下步骤：获取各个原始订单的供应商数据、Hub数据以及仓库数据；根据供应商地址、Hub地址以及仓库地址，对全部原始订单进行分类，得到至少一个原始订单组，该原始订单组中的全部原始订单的供应商、Hub以及仓库均相同；针对每一个原始订单组，根据原始订单组中各个原始订单的体积以及订单装载车辆的车辆总体积，生成至少一个订单捆；
具体的，如果原始订单组的全部原始订单的总体积小于等于订单装载车辆的车辆总体积，则将该原始订单组确定为一个订单捆；如果原始订单组中的全部原始订单的总体积大于订单装载车辆的车辆总体积，则拆成至少两个订单捆，并且，保证每个订单捆的体积小于订单装载车辆的车辆总体积。
S102，对于各个订单捆，根据对应的供应商数据、Hub数据和仓库数据，计算供应商到Hub第一距离值和供应商到仓库的第二距离值；
在执行步骤S102的过程中，可选的，根据对应的供应商数据以及Hub数据计算供应商到Hub第一距离值，包括如下步骤：根据供应商地址与Hub地址生成至少一个候选路径；根据预设条件从候选路径中选取一个优选路径；计算该优选路径的里程，也就是第一距离值；其中，该预设条件可为不走高速、避免收费以及躲避拥堵，具体可根据实际需要进行选择；
同样的，计算供应商到仓库的第二距离值也可根据上述步骤进行计算，在此不再赘述。
S103，针对第一距离值小于第二距离值的各个订单捆，根据对应的订单装载车辆数据计算订单装载率；
在执行步骤S103的过程中，若订单捆的供应商到Hub的第一距离值小于供应商到仓库的第二距离值，表示该订单捆从供应商经过Hub到仓库有利于总里程的优化，根据该订单捆中各个原始订单的体积与装载车辆的车辆总体积计算订单装载率。
S104，将订单装载率和对应的第一距离值作为预先生成的物流订单拆单模型的输入量，获取物流订单拆单模型输出的订单捆标签，所述订单捆标签包括拆单标签或者非拆单标签；
在执行步骤S104的过程中，预先生成的物流订单拆单模型可为以订单捆的订单装载率以及供应商到Hub的第一距离为变量的分类器，针对第一距离值小于第二距离值的各个订单捆，将订单装载率和第一距离值作为分类器的输入量，即可获取分类器的输出的订单捆标签。
S105，识别订单捆标签，并且当订单捆标签为拆单标签时，对订单捆执行拆单操作；
在执行步骤S105的过程中，针对第一距离值小于第二距离值的各个订单捆，识别分类器输出的订单捆标签，并当订单捆标签为拆单标签时，订单捆执行拆单操作。
需要说明的是，步骤S102之后还可以包括如下步骤：针对第一距离值不小于第二距离值的各个订单捆，添加不拆单标签，并对各个订单捆执行不拆单操作。
还需要说明的是，该实施例公开的物流订单拆单方法还可包括：当拆单操作执行完成时，生成提示信息。
提示装置接收该提示信息可以以预设形式进行拆单操作执行完成的提示；例如提示装置可以是提示灯，提示灯闪烁、点亮或变换显示颜色都可以表示拆单操作执行完成。
本发明实施例提供的一种物流订单拆单方法，通过预先生成物流订单拆单模型，对存在特殊配送中心Hub的物流场景中的原始订单集进行拆单，从而建立供应商到Hub以及Hub到仓库的订单。由于拆单完成后的订单可以看作是多供应商到多仓库，因此，为解决多个供应商多个仓库且带有特殊配送中心Hub的路径规划问题，将智能优化算法直接应用于该订单策略之后即可。
实施例二
结合上述实施例一提供的物流订单拆单方法，如图1中步骤S104中预先生成物流订单拆单模型的具体执行过程，如图2所示，包括如下步骤：
S201，选取历史订单集，并为历史订单集中的全部历史订单添加订单标签，所述订单标签包括拆单标签或者非拆单标签；
在执行步骤S201的过程中，历史订单集选取规则可根据实际业务场景制定，例如，业务场景A中，选取供应商与仓库在不同城市的历史订单。
S202，对历史订单集中的全部历史订单按照订单标签进行分类，得到拆单历史订单集和非拆单历史订单集；
在执行步骤S202的过程中，对历史订单集中的全部历史订单按照订单标签的类型进行分类，得到订单标签为拆单标签的拆单历史订单集以及订单标签为非拆单标签的非拆单历史订单集。
S203，根据历史订单内容对拆单历史订单集中的全部历史订单进行整合，得到至少一个拆单历史订单捆；同时，根据历史订单内容对非拆单历史订单集中的全部历史订单进行整合，得到至少一个非拆单历史订单捆；其中，
历史订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；各个拆单历史订单捆的订单捆标签为拆单标签，各个非拆单历史订单捆的订单捆标签为非拆单标签；
在执行步骤S203的过程中，历史订单内容中的供应商数据可包括供应商地址、名称以及法人等信息，Hub数据可包括Hub地址和容量等信息，仓库数据可包括仓库地址和名称等信息，订单装载车辆数据可包括装载车车牌号、车辆总体积以及负责人等信息；
可选的，对拆单历史订单集中的全部历史订单进行整合，包括如下步骤：获取各个历史订单的供应商数据、Hub数据以及仓库数据；根据供应商地址、Hub地址以及仓库地址，对全部历史订单进行分类，得到至少一个拆单历史订单组，该拆单历史订单组中的全部历史订单的供应商、Hub以及仓库均相同；针对每一个拆单历史订单组，根据拆单历史订单组中各个历史订单的体积以及订单装载车辆的车辆总体积，生成至少一个拆单历史订单捆；
具体的，如果拆单历史订单组的全部历史订单的总体积小于等于订单装载车辆的车辆总体积，则将该拆单历史订单组确定为一个拆单历史订单捆；如果拆单历史订单组中的全部历史订单的总体积大于订单装载车辆的车辆总体积，则拆成至少两个订单捆，并且，保证每个拆单历史订单捆的体积小于订单装载车辆的车辆总体积；
同样的，根据历史订单内容对非拆单历史订单集中的全部历史订单进行整合，得到至少一个非拆单历史订单捆的过程，也可根据上述执行过程进行处理，在此不再赘述。
S204，对于各个拆单历史订单捆以及各个非拆单历史订单捆，根据对应的供应商数据、Hub数据和仓库数据，计算供应商到Hub的第三距离值和供应商到仓库的第四距离值；
在执行步骤S204的过程中，可选的，根据对应的供应商数据以及Hub数据计算供应商到Hub第一距离值，包括如下步骤：根据供应商地址与Hub地址生成至少一个候选路径；根据预设条件从候选路径中选取一个优选路径；计算该优选路径的里程，也就是第一距离值；其中，该预设条件可为不走高速、避免收费以及躲避拥堵，具体可根据实际需要进行选择。
S205，针对第三距离值小于第四距离值的各个拆单历史订单捆以及各个非拆单历史订单捆，提取相应的特征向量，并根据对应的订单装载车辆数据计算历史订单装载率；
S206，基于预设机器学习算法，利用各个特征向量及其对应的订单捆标签进行训练，得到物流订单拆单模型。
需要说明的是，预设机器学习算法包括但不局限于支持向量机算法、神经网络算法或者Adaboost迭代算法，可根据实际需要具体选择。
以支持向量机算法为例，可建立如下线性的初始支持向量机模型：
Figure GDA0002592026460000091
Figure GDA0002592026460000092
其中，vH和c是线性分类器的参数，其维度依赖于输入变量
Figure GDA0002592026460000093
的维度，在本实施例中输入变量
Figure GDA0002592026460000094
为订单中供应商到Hub的距离以及订单装载率的二维变量，则vH为订单中供应商到Hub的距离以及订单装载率的二维变量的参数，c为偏置项参数；ξi为松弛变量，用于平衡向量机模型的分类错误率；γ为预设的可调节的参数，可根据交叉比对的方法确定；
训练完成后的线性分类器为：f(x)＝sgn(<vH*,x>-c*)
其中，sgn为符号函数。
另外，还可建立非线性的初始支持向量机模型，例如，建立如下带有核函数的初始支持向量机模型：
Figure GDA0002592026460000095
Figure GDA0002592026460000096
其中，vH和c是非线性分类器的参数，其维度依赖于输入变量
Figure GDA0002592026460000097
的维度，在本实施例中输入变量
Figure GDA0002592026460000098
为订单中供应商到Hub的距离以及订单装载率的二维变量，则vH为订单中供应商到Hub的距离以及订单装载率的二维变量的参数，c为偏置项参数；ξi为松弛变量，用于平衡向量机模型的分类错误率；γ为预设的可调节的参数，可根据交叉比对的方法确定；
训练完成后的非线性分类器为：
Figure GDA0002592026460000101
其中，
Figure GDA0002592026460000102
为核函数，sgn为符号函数，αi*为训练后的参数，c*为训练后的偏置项参数。
还需要说明的是，本申请中以供应商到Hub的第一距离以及订单装载率的线性关系作为输入变量，在实际应用过程，还可使用订单内容中其他订单属性，例如，订单中包含的箱子个数、箱子型号以及要求的时间窗等。
本发明实施例提供的一种物流订单拆单方法，通过预先生成物流订单拆单模型，对存在特殊配送中心Hub的物流场景中的原始订单集进行拆单，从而建立供应商到Hub以及Hub到仓库的订单。由于拆单完成后的订单可以看作是多供应商到多仓库，因此，为解决多个供应商多个仓库且带有特殊配送中心Hub的路径规划问题，将智能优化算法直接应用于该订单策略之后即可。
实施例三
基于上述实施例一和实施例二提供的物流订单拆单方法，本发明实施例三则公开执行上述物流订单拆单方法的装置，其结构示意图如图3所示，物流订单拆单装置100，包括：选取整合模块101、第一计算模块102、第二计算模块103、订单捆标签获取模块104和识别执行模块105，所述订单捆标签获取模块104包括物流订单拆单模型生成单元1041；
选取整合模块101，用于选取待处理的原始订单集，并根据订单内容对原始订单集中的全部原始订单进行整合，得到至少一个订单捆，所述订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；
第一计算模块102，用于对于各个订单捆，根据对应的供应商数据、Hub数据和仓库数据，计算供应商到Hub第一距离值和供应商到仓库的第二距离值；
第二计算模块103，用于针对第一距离值小于第二距离值的各个订单捆，根据对应的订单装载车辆数据计算订单装载率；
订单捆标签获取模块104，用于将订单装载率和对应的第一距离值作为预先生成的物流订单拆单模型的输入量，获取物流订单拆单模型输出的订单捆标签，所述订单捆标签包括拆单标签或者非拆单标签；
识别执行模块105，用于识别订单捆标签，并且当订单捆标签为拆单标签时，对订单捆执行拆单操作；
物流订单拆单模型生成单元1041，用于预先生成物流订单拆单模型。
需要说明的是，第一计算模块102之后，还可包括：添加执行模块；
添加执行模块，用于针对第一距离值不小于第二距离值的各个订单捆，添加不拆单标签，并对各个订单捆执行不拆单操作。
还需要说明的是，物流订单拆单装置100，还可以包括:提示模块；
提示模块，用于当拆单操作执行完成时，生成提示信息。
本发明实施例提供的一种物流订单拆单装置，通过预先生成物流订单拆单模型，对存在特殊配送中心Hub的物流场景中的原始订单集进行拆单，从而建立供应商到Hub以及Hub到仓库的订单。由于拆单完成后的订单可以看作是多供应商到多仓库，因此，为解决多个供应商多个仓库且带有特殊配送中心Hub的路径规划问题，将智能优化算法直接应用于该订单策略之后即可。
实施例四
结合上述实施例三提供的物流订单拆单装置，如图3所示的物流订单拆单模型生成单元1041，结构示意图如图4所示，包括：选取添加子单元201、分类子单元202、整合子单元203、计算子单元204、提取计算子单元205和训练子单元206；
选取添加单元201，用于选取历史订单集，并为历史订单集中的全部历史订单添加订单标签，所述订单标签包括拆单标签或者非拆单标签；
分类子单元202，用于对历史订单集中的全部历史订单按照订单标签进行分类，得到拆单历史订单集和非拆单历史订单集；
整合子单元203，用于根据历史订单内容对拆单历史订单集中的全部历史订单进行整合，得到至少一个拆单历史订单捆；同时，根据历史订单内容对非拆单历史订单集中的全部历史订单进行整合，得到至少一个非拆单历史订单捆；其中，所述历史订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；各个拆单历史订单捆的订单捆标签为拆单标签，各个非拆单历史订单捆的订单捆标签为非拆单标签；
计算子单元204，用于对于各个拆单历史订单捆以及各个非拆单历史订单捆，根据对应的供应商数据、Hub数据和仓库数据，计算供应商到Hub的第三距离值和供应商到仓库的第四距离值；
提取计算子单元205，用于针对第三距离值小于第四距离值的各个拆单历史订单捆以及各个非拆单历史订单捆，提取相应的特征向量，并根据对应的订单装载车辆数据计算历史订单装载率；
训练子单元206，用于基于预设机器学习算法，利用各个特征向量及其对应的订单捆标签进行训练，得到物流订单拆单模型。
本发明实施例提供的一种物流订单拆单装置，通过预先生成物流订单拆单模型，对存在特殊配送中心Hub的物流场景中的原始订单集进行拆单，从而建立供应商到Hub以及Hub到仓库的订单。由于拆单完成后的订单可以看作是多供应商到多仓库，因此，为解决多个供应商多个仓库且带有特殊配送中心Hub的路径规划问题，将智能优化算法直接应用于该订单策略之后即可。
以上对本发明所提供的一种物流订单拆单方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种物流订单拆单方法，其特征在于，包括：
选取待处理的原始订单集，并根据订单内容对所述原始订单集中的全部原始订单进行整合，得到至少一个订单捆，所述订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；
对于各个所述订单捆，根据对应的所述供应商数据、所述Hub数据和所述仓库数据，计算供应商到Hub第一距离值和供应商到仓库的第二距离值；
针对第一距离值小于第二距离值的各个所述订单捆，根据对应的所述订单装载车辆数据计算订单装载率；
将所述订单装载率和对应的所述第一距离值作为预先生成的物流订单拆单模型的输入量，获取所述物流订单拆单模型输出的订单捆标签，所述订单捆标签包括拆单标签或者非拆单标签；
识别所述订单捆标签，并且当所述订单捆标签为所述拆单标签时，对所述订单捆执行拆单操作；
其中，所述根据订单内容对所述原始订单集中的全部原始订单进行整合，包括：
获取各个所述原始订单的所述供应商数据、Hub数据以及仓库数据；根据供应商地址、Hub地址以及仓库地址，对全部原始订单进行分类，得到至少一个原始订单组，所述原始订单组中的全部原始订单的供应商、Hub以及仓库均相同；针对每一个原始订单组，根据所述原始订单组中各个原始订单的体积以及订单装载车辆的车辆总体积，生成至少一个所述订单捆。
2.根据权利要求1所述的方法，其特征在于，还包括：
针对第一距离值不小于第二距离值的各个所述订单捆，添加不拆单标签，并对各个所述订单捆执行不拆单操作。
3.根据权利要求1所述的方法，其特征在于，还包括：
当拆单操作执行完成时，生成提示信息。
4.根据权利要求1所述的方法，其特征在于，所述预先生成物流订单拆单模型，包括：
选取历史订单集，并为所述历史订单集中的全部历史订单添加订单标签，所述订单标签包括拆单标签或者非拆单标签；
对所述历史订单集中的全部历史订单按照所述订单标签进行分类，得到拆单历史订单集和非拆单历史订单集；
根据历史订单内容对所述拆单历史订单集中的全部历史订单进行整合，得到至少一个拆单历史订单捆；同时，根据历史订单内容对所述非拆单历史订单集中的全部历史订单进行整合，得到至少一个非拆单历史订单捆；其中，
所述历史订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；各个所述拆单历史订单捆的订单捆标签为拆单标签，各个所述非拆单历史订单捆的订单捆标签为非拆单标签；
对于各个所述拆单历史订单捆以及各个所述非拆单历史订单捆，根据对应的所述供应商数据、所述Hub数据和所述仓库数据，计算供应商到Hub的第三距离值和供应商到仓库的第四距离值；
针对第三距离值小于第四距离值的各个所述拆单历史订单捆以及各个所述非拆单历史订单捆，提取相应的特征向量，并根据对应的所述订单装载车辆数据计算历史订单装载率；
基于预设机器学习算法，利用各个所述特征向量及其对应的订单捆标签进行训练，得到物流订单拆单模型。
5.根据权利要求4所述的方法，其特征在于，所述预设机器学习算法包括：支持向量机算法、神经网络算法或者Adaboost迭代算法。
6.一种物流订单拆单装置，其特征在于，包括：选取整合模块、第一计算模块、第二计算模块、订单捆标签获取模块和识别执行模块，所述订单捆标签获取模块包括物流订单拆单模型生成单元；
所述选取整合模块，用于选取待处理的原始订单集，并根据订单内容对所述原始订单集中的全部原始订单进行整合，得到至少一个订单捆，所述订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；
所述第一计算模块，用于对于各个所述订单捆，根据对应的所述供应商数据、所述Hub数据和所述仓库数据，计算供应商到Hub第一距离值和供应商到仓库的第二距离值；
所述第二计算模块，用于针对第一距离值小于第二距离值的各个所述订单捆，根据对应的所述订单装载车辆数据计算订单装载率；
所述订单捆标签获取模块，用于将所述订单装载率和对应的所述第一距离值作为预先生成的物流订单拆单模型的输入量，获取所述物流订单拆单模型输出的订单捆标签，所述订单捆标签包括拆单标签或者非拆单标签；
所述识别执行模块，用于识别所述订单捆标签，并且当所述订单捆标签为所述拆单标签时，对所述订单捆执行拆单操作；
所述物流订单拆单模型生成单元，用于预先生成物流订单拆单模型；
其中，所述根据订单内容对所述原始订单集中的全部原始订单进行整合，包括：
获取各个所述原始订单的所述供应商数据、Hub数据以及仓库数据；根据供应商地址、Hub地址以及仓库地址，对全部原始订单进行分类，得到至少一个原始订单组，所述原始订单组中的全部原始订单的供应商、Hub以及仓库均相同；针对每一个原始订单组，根据所述原始订单组中各个原始订单的体积以及订单装载车辆的车辆总体积，生成至少一个所述订单捆。
7.根据权利要求6所述的装置，其特征在于，还包括：添加执行模块；
所述添加执行模块，用于针对第一距离值不小于第二距离值的各个所述订单捆，添加不拆单标签，并对各个所述订单捆执行不拆单操作。
8.根据权利要求6所述的装置，其特征在于，还包括：提示模块；
所述提示模块，用于当拆单操作执行完成时，生成提示信息。
9.根据权利要求6所述的装置，其特征在于，所述物流订单拆单模型生成单元包括：选取添加子单元、分类子单元、整合子单元、计算子单元、提取计算子单元和训练子单元；
所述选取添加子 单元，用于选取历史订单集，并为所述历史订单集中的全部历史订单添加订单标签，所述订单标签包括拆单标签或者非拆单标签；
所述分类子单元，用于对所述历史订单集中的全部历史订单按照所述订单标签进行分类，得到拆单历史订单集和非拆单历史订单集；
所述整合子单元，用于根据历史订单内容对所述拆单历史订单集中的全部历史订单进行整合，得到至少一个拆单历史订单捆；同时，根据历史订单内容对所述非拆单历史订单集中的全部历史订单进行整合，得到至少一个非拆单历史订单捆；其中，所述历史订单内容包括供应商数据、Hub数据、仓库数据以及订单装载车辆数据；各个所述拆单历史订单捆的订单捆标签为拆单标签，各个所述非拆单历史订单捆的订单捆标签为非拆单标签；
所述计算子单元，用于对于各个所述拆单历史订单捆以及各个所述非拆单历史订单捆，根据对应的所述供应商数据、所述Hub数据和所述仓库数据，计算供应商到Hub的第三距离值和供应商到仓库的第四距离值；
所述提取计算子单元，用于针对第三距离值小于第四距离值的各个所述拆单历史订单捆以及各个所述非拆单历史订单捆，提取相应的特征向量，并根据对应的所述订单装载车辆数据计算历史订单装载率；
所述训练子单元，用于基于预设机器学习算法，利用各个所述特征向量及其对应的订单捆标签进行训练，得到物流订单拆单模型。
CN201710240462.4A 2017-04-13 2017-04-13 一种物流订单拆单方法及装置 Active CN107067107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710240462.4A CN107067107B (zh) 2017-04-13 2017-04-13 一种物流订单拆单方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710240462.4A CN107067107B (zh) 2017-04-13 2017-04-13 一种物流订单拆单方法及装置

Publications (2)

Publication Number Publication Date
CN107067107A CN107067107A (zh) 2017-08-18
CN107067107B true CN107067107B (zh) 2020-09-15

Family

ID=59599449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710240462.4A Active CN107067107B (zh) 2017-04-13 2017-04-13 一种物流订单拆单方法及装置

Country Status (1)

Country Link
CN (1) CN107067107B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944788A (zh) * 2017-11-14 2018-04-20 上海伯俊软件科技有限公司 一种用于全渠道零售的云仓系统
CN110969378B (zh) * 2018-09-28 2024-05-21 北京京东尚科信息技术有限公司 一种仓库物品配置方法和装置
CN113988992B (zh) * 2021-11-17 2024-06-14 杭州拼便宜网络科技有限公司 订单信息发送方法、装置、电子设备和计算机可读介质
CN116341765B (zh) * 2023-05-24 2023-08-01 南京新桐数字科技有限公司 一种订单自动寻源和拆分方法及系统
CN117788097B (zh) * 2023-11-30 2024-06-07 阿帕数字科技有限公司 基于供应链场景的多目标订单自动生成方法及系统
CN117557187B (zh) * 2024-01-10 2024-03-26 四川宽窄智慧物流有限责任公司 用于多订单的智能配载控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101263516A (zh) * 2004-12-17 2008-09-10 亚马逊科技公司 用于先行包裹运输的方法和系统
CN101593300A (zh) * 2008-05-28 2009-12-02 北京中食新华科技有限公司 供应链出货管理方法
CN105303352A (zh) * 2015-11-04 2016-02-03 湖南御家科技有限公司 一种基于热销查询的快速分拣方法及系统
CN105447675A (zh) * 2015-12-25 2016-03-30 芜湖众创物流投资中心（有限合伙） 一种新型跨平台物流运输管理系统
CN106384219A (zh) * 2016-10-13 2017-02-08 北京京东尚科信息技术有限公司 仓储分仓辅助分析方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130086072A1 (en) * 2011-10-03 2013-04-04 Xerox Corporation Method and system for extracting and classifying geolocation information utilizing electronic social media
US9330468B2 (en) * 2012-02-29 2016-05-03 RetailNext, Inc. Method and system for analyzing interactions

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101263516A (zh) * 2004-12-17 2008-09-10 亚马逊科技公司 用于先行包裹运输的方法和系统
CN101593300A (zh) * 2008-05-28 2009-12-02 北京中食新华科技有限公司 供应链出货管理方法
CN105303352A (zh) * 2015-11-04 2016-02-03 湖南御家科技有限公司 一种基于热销查询的快速分拣方法及系统
CN105447675A (zh) * 2015-12-25 2016-03-30 芜湖众创物流投资中心（有限合伙） 一种新型跨平台物流运输管理系统
CN106384219A (zh) * 2016-10-13 2017-02-08 北京京东尚科信息技术有限公司 仓储分仓辅助分析方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Collaborative production planning with production time windows and order splitting in make-to-order manufacturing;PAN T Y等;《Computers&Industrial Engineering》;20141231;第1-9页 *
GIS 环境下的物流配送中心选址模型研究;刘璇等;《测绘与空间地理信息》;20120731;第35卷(第7期);第138-141页 *
企业应急产品供应链设计策略;罗晓宁;《物流科技》;20080531;第20-23页 *

Also Published As

Publication number Publication date
CN107067107A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
CN107067107B (zh) 一种物流订单拆单方法及装置
CN110348580B (zh) 构建gbdt模型的方法、装置及预测方法、装置
CN110084374A (zh) 构建基于pu学习的模型的方法、装置及预测方法、装置
CN109272031A (zh) 一种训练样本生成方法及装置、设备、介质
CN113590698B (zh) 基于人工智能技术的数据资产分类建模与分级保护方法
CN109272115A (zh) 一种神经网络训练方法及装置、设备、介质
CN114399123B (zh) 一种智慧供应链物流智能优化管理方法和系统
Khmeleva et al. Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem
KR102428448B1 (ko) 인공지능 기반 전기 사용 시설의 계약 전력 최적화 방법
CN113780956B (zh) 物流运费生成方法、装置、设备及存储介质
CN111680382A (zh) 等级预测模型训练方法、等级预测方法、装置及电子设备
CN110019298A (zh) 数据处理方法和装置
Jiang et al. A new form of deep learning in smart logistics with IoT environment
CN110263136A (zh) 基于强化学习模型向用户推送对象的方法和装置
Kumar et al. An intelligent information recommender system (IIRS) for next generation sustainable social tourism industry
CN114820137B (zh) 产品推荐方法、装置、处理器及电子设备
CN111967671B (zh) 基于支持向量数据域描述的跨境活跃用户识别方法及装置
CN114741592A (zh) 一种基于多模型融合的产品推荐方法、设备及介质
Shafi et al. Feature selection and extraction along with electricity price forecasting using big data analytics
CN114169602A (zh) 资产出库的组合优化方法、装置、计算机设备及存储介质
González-Vidal et al. BIGcoldTRUCKS: a BIG data dashboard for the management of COLD chain logistics in refrigerated TRUCKS
Ech-Charrat et al. Genetic algorithm for reusable containers management problem
Karasek et al. Logistic warehouse process optimization through genetic programming algorithm
CN109472370A (zh) 一种维修厂分类方法及装置
CN111768132B (zh) 应用于无人仓的货存调整方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201231

Address after: No. 203, Shanghai Songjiang Road, No. 201563, Pudong New Area

Patentee after: SAIC MOTOR Corp.,Ltd.

Address before: 201203 Room 509, Building No. 1, 563 Songtao Road, Zhangjiang High-tech Park, Pudong New Area, Shanghai

Patentee before: SAIC Motor Corp.,Ltd.