CN107203789A - 分配模型建立方法、分配方法以及相关装置 - Google Patents
分配模型建立方法、分配方法以及相关装置 Download PDFInfo
- Publication number
- CN107203789A CN107203789A CN201710486322.5A CN201710486322A CN107203789A CN 107203789 A CN107203789 A CN 107203789A CN 201710486322 A CN201710486322 A CN 201710486322A CN 107203789 A CN107203789 A CN 107203789A
- Authority
- CN
- China
- Prior art keywords
- dispatching
- order
- delivery location
- various features
- distribution model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 29
- 239000012141 concentrate Substances 0.000 claims description 9
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种分配模型建立方法、分配方法以及相关装置,涉及数据建模领域和快递领域。其中,所述分配模型建立方法包括:根据配送员的历史配送地址确定所述配送员的中心配送位置集;基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系;根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及关联关系建立所述配送员的分配模型。本发明实施例提供的技术方案能够构建客观的分配模型,提高/优化配送结果,提高用户体验。
Description
技术领域
本发明实施例涉及数据建模领域以及快递领域,尤其涉及一种分配模型建立方法、分配方法以及相关装置。
背景技术
随着快递领域的不断发展,配送的配送件(例如,包裹)的种类、数量越来越大。现有的人工分拣已经不适合当前的状况。需要一个更加快捷、准确的分配配送件的技术。
具体而言,现在的快递在到达分拣点后,需要通过人工分拣从而将包裹分配给配送员。这种方式存在以下缺陷:
1、人工分拣适用于包裹数量低,种类少的情况。对于多种类,多数量的包裹,效率低,耗时长。
2、人工分拣结果容易因人的主观因素产生偏差,同时无法估计到客观因素的影响,导致最终的配送结果不理想。
发明内容
本发明实施例提供一种分配模型建立方法、分配方法以及相关装置,用以解决现有技术中无法客观分配配送件、配送效果不佳的问题。
第一方面,本发明实施例中提供了一种分配模型建立方法,包括:
根据配送员的历史配送地址确定所述配送员的中心配送位置集;
基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系;
根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及关联关系建立所述配送员的分配模型。
第二方面,本发明实施例提供一种分配模型建立装置,包括:
中心确定模块,用于根据配送员的历史配送地址确定所述配送员的中心配送位置集;
权重及关系确定模块,用于基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系;
模型建立模块,用于根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及所述各项特征之间的关联关系建立所述配送员的分配模型。
第三方面,本发明实施例提供一种配送件分配方法,该方法基于第一方面或其具体实现方式的分配模型而实现。所述方法包括:
获取配送件的特征取值;
将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果;
从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员。
第四方面,本发明实施例提供一种配送件分配装置,用于基于第一方面或其具体实现方式的分配模型分配配送件。所述装置包括:
获取模块,用于获取配送件的特征取值;
预测模块,用于将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果;
分配模块,用于从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员。
第五方面,本发明实施例提供一种分配模型建立装置,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令;其中,所述一条或多条计算机指令供所述处理器调用执行;所述处理器用于执行所述计算机指令以实现前述第一方面所述的方法。
第六方面,本发明实施例提供一种配送件分配装置,该分配装置基于前述第一方面或其具体实现方式所提供的分配模型分配配送件。所述装置包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令;其中,所述一条或多条计算机指令供所述处理器调用执行;所述处理器用于执行所述计算机指令以实现前述第一方面所述的方法。
第七方面,本发明实施例提供一种计算机存储介质,所述计算机存储介质存储一条或多条计算及指令,所述计算机指令被执行时实现本发明实施例第一方面或第三方面的方法。
本发明实施例能够构建客观的分配模型,提高/优化配送结果,提高用户体验。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1示出了根据本发明一个实施例的分配模型建立方法的流程示意图;
图2示出了根据本发明另一个实施例的分配模型建立方法的流程示意图;
图3示出了根据本发明一个实施例的建模装置(分配模型建立装置)的框图;
图4示出了根据本发明另一个实施例的建模装置(分配模型建立装置)的框图;
图5示出了根据本发明一个实施例的配送件分配方法的流程示意图;
图6示出了根据本发明一个实施例的配送件分配装置的框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员所获得的所有其他实施例,都属于本发明保护的范围。
首先,对本发明涉及或可能涉及的名词进行解释。该解释意在以简洁的方式便于理解,而并不构成对本发明的限制。
样本:对于某个对象的描述。
特征:对象的某方便表现或特征。
模型:把学习算法在给定数据和参数空间的实例化。
监督学习:利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程。
无监督学习:设计分类器时候,用于处理未被分类标记的样本集。
图1是根据本发明实施例的一种分配模型建立方法的流程示意图。所述方法具体是为配送员(又称为“骑士”)建立分配模型的方法,所述分配模型用于预测配送员的配送结果。参照图1,所述方法包括:
100:根据配送员的历史配送地址确定所述配送员的中心配送位置集。
在本发明中,中心配送位置集可以包含至少一个中心配送位置。在本发明的一种实施例中,一个中心配送位置用于表示配送员的一个历史配送区域,所述中心配送位置可以坐标表示,也可以建筑或道路等表示(此时,在需要计算距离时可以通过查询处理获取具体坐标)。示例性地,可以随机取历史配送坐标的几个点,经过监督学习后聚类成几个点群,最终得到点群的中心点集合作为所述中心配送位置集。
在本实施例,在本实施例中,历史配送地址可以根据配送员的历史配送订单确定。
102:基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系。
所述第一订单集用于进行模型训练。需要说明的是,在本发明中提及的“A中的各个B”或类似说法,除非特别说明,否则并不表示A一定包含多个B。换言之,除非特别说明,否则,“A中的各个B”也可能包含“A仅包含一个B”的情况。
在本实施例中,所述各项特征至少包括订单的配送地址和所述中心配送位置集的位置关系。其中,所述位置关系通常可以相对距离表示。相应地,各订单的特征取值至少包括订单的配送地址。
可选地,在本实施例的一种实现方式中,配送结果可以采用用户评价表示。在其它实现方式中,可以自定义配送结果的衡量标准。
104:根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及关联关系建立所述配送员的分配模型。
采用本实施例提供的方法,能够根据配送员的中心配送位置集以及历史订单,为配送员建立用于预测其配送效果的分配模型。
可选地,在本实施例的一种实现方式中,采用以下方式实现处理100:对所述历史配送地址的坐标进行聚合处理(例如,采用无监督学习方法),得到至少一个中心配送位置。所述至少一个中心配送位置构成所述配送员的中心配送位置集。
可选地,在本实施例的一种实现方式中,采用以下方式实现处理102:首先,根据所述第一样本订单集中各个订单的用户评价分类所述各个订单。例如,假设用户评价包括0星到5星共六个等级,则将订单分为六类。基于所述各个订单的分类、所述各个订单的特征取值以及所述中心配送位置集进行分类学习(例如,采用随机森林算法),确定所述各项特征的权重以及所述各项特征之间的关联关系。其中,各项特征的取值可以预先获取,例如,扫描条形码、从网站查询等。具体的获取方式本发明不做限制。
可选地,在本实施例的一种实现方式中,用于进行模型训练的所述各项特征包括订单的配送地址和配送员的中心配送位置集中与该配送地址最近的中心配送位置之间的距离。此外,还可以包括以下任意一项或多项特征:配送件的重量、配送件的体积、配送时间、配送时的天气。这样,综合配送件的特征和客观环境特征,能够构建更加客观的分配模型。
图2是根据本发明实施例的另一种分配模型建立方法的流程示意图。该方法用于为配送员建立用于预测配送结果的模型。参照图2,所述方法包括:
200:根据配送员的历史配送地址确定所述配送员的中心配送位置集。
202:基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系。其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系。
204:根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及关联关系建立所述配送员的分配模型。
206:根据实际配送结果和基于所述分配模型的预测配送结果,优化所述分配模型。
在本实施例中,关于处理200-204的说明,请参照图1所示实施例中关于处理100-104的说明,此处不赘述。
在本实施例中,处理206可以通过以下方式实现:根据第二样本订单集中各订单的特征取值和所述分配模型,预测所述第二样本订单集中各订单的配送结果;对比预测的配送结果和实际配送结果,并根据对比结果优化所述分配模型。
其中,第二样本订单集用于对所述分配模型进行优化。可选地,在本实施例的一种实现方式中,为了保证分配模型的时效性,换言之,为了确保分配模型能够随着时间变化而反映最新需求,可以选取离现实时间最近的一段时间(例如,两周)内的订单构成第二样本订单集。
采用本实施例提供的方法,能够对分配模型进行优化,从而得到时效性更强、能够更准确地预测配送结果的分配模型。
图3是根据本发明实施例的一种建模装置(分配模型建立装置)的框图。所述建模装置具体用于为配送员(又称为“骑士”)建立分配模型,所述分配模型用于预测配送员的配送结果。
在本实施例中,如图3所示,建模装置包括中心确定模块30、权重及关系确定模块32和模型建立模块34。下面进行详细说明。
在本实施例中,所述中心确定模块30用于根据配送员的历史配送地址确定所述配送员的中心配送位置集。所述中心配送位置集包含至少一个中心配送位置。
在本实施例中,所述权重及关系确定模块32用于基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系。其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系,例如,所述订单的配送地址和所述中心配送位置集中与该配送地址最近的中心配送位置之间的距离。其中,所述第一样本订单集用于进行模型训练。
在本实施例中,所述模型建立模块34用于根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及所述各项特征之间的关联关系建立所述配送员的分配模型。
采用本实施例提供的建模装置,能够根据配送员的中心配送位置集以及历史订单,为配送员建立用于预测其配送效果的分配模型。
可选地,在本实施例的一种实现方式中,所述中心确定模块30具体用于:采用无监督学习方法对所述历史配送地址的坐标进行聚合处理,确定至少一个中心配送位置。所述至少一个中心配送位置构成所述中心配送位置集。
可选地,在本实施例的一种实现方式中,如图3中虚线框所示,权重及关系确定模块32包括:分类子模块322,用于按照所述第一样本订单集中各个订单的用户评价分类所述各个订单;计算子模块324,用于基于所述各个订单的分类、所述各个订单的特征取值以及所述中心配送位置集进行分类学习(例如,采用随机森林算法),确定所述各项特征的权重以及所述各项特征之间的关联关系。
可选地,在本实施例的一种实现方式中,用于进行模型训练的所述各项特征还包括以下任意一项或多项:配送件的重量、配送件的体积、配送时间、配送时的天气。
图4是根据本发明实施例的一种建模装置(分配模型建立装置)的框图。参照图4,建模装置处理包括如图3所示实施例中描述的中心确定模块30、权重及关系确定模块32和模型建立模块34之外,还包括模型优化模块36,其用于根据实际配送结果和基于所述分配模型的预测配送结果,优化所述分配模型。
可选地,在本实施例的一种实现方式中,如图4中虚线框所示,模型优化模块36包括预测模块362和优化模块364。其中,预测模块362用于根据第二样本订单集中各订单的特征取值和所述分配模型,预测所述第二样本订单集中各订单的配送结果。所述第二样本订单用于优化所述分配模型。所述优化模块364用于对比预测的配送结果和实际配送结果,并根据对比结果优化所述分配模型。
采用本实施例提供的建模装置,能够得到预测效果更准确的分配模型。
在本发明的一种实施例中,提供一种建模装置,该建模装置的结构中包括处理器和存储器,所述存储器用于存储支持所述建模装置执行本发明图1或图2所示实施例或其实现方式的方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
在本发明的一种实施例中,提供一种计算机存储介质,该计算机存储介质存储一条或多条计算机指令。其中,所述指令被执行时实现如本发明图1或图2所示实施例或其实现方式的方法。
图5是根据本发明实施例的一种配送方法的流程示意图。所述配送方法基于本发明前述实施例提供的分配模型(例如,优化前的分配模型或优化后的分配模型)分配配送件。参照图5,所述方法包括:
500:获取配送件的特征取值。
可选地,在本实施例的一种实现方式中,可以通过扫描配送件的条形码获取特征取值或获取用于计算特征取值的数值;还可以通过从网站、第三方等获取特征取值。
可选地,在本实施例的一种实现方式中,特征取值至少包括:订单的配送地址。此外,特征取值还可以包括以下任意一种或多种:配送件的重量、配送件的体积、配送时间、配送时的天气等。
502:将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果。
可选地,在本实施例的一种实现方式中,所述不同配送员可以是活动范围与配送件的配送地址相关的配送员。
504:从所述不同配送员中选取预测配送结果满足设定条件(例如,最优)的配送员作为所述配送件的配送员。
可选地,在本实施例的一种实现方式中,在处理504中,如果存在预测配送结果均满足设定条件的多个配送员,则计算这些配送员的中心配送位置集中的各中心配送位置与所述配送件的配送地址的距离,并选取具有最短距离的配送员作为所述配送件的配送员。
采用本实施例提供的方法,能够为配送件分配预测配送效果最佳的配送员,提高配送件的分配效率以及配送质量。
图6是根据本发明实施例的一种分配装置的框图。所述分配装置基于本发明前述实施例提供的分配模型(例如,优化前的分配模型或优化后的分配模型)进行分配。参照图6,分配装置包括获取模块60、预测模块62和分配模块64。下面进行详细说明。
在本实施例中,获取模块60用于获取配送件的特征取值。预测模块62用于将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果。分配模块64用于从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员。
采用本实施例提供的分配装置,能够为配送件分配预测配送效果最佳的配送员,提高配送件的分配效率以及配送质量。
可选地,在本实施例的一种实现方式中,如图6中虚线框所示,分配模块64包括:计算子模块642,用于在存在预测配送结果均满足设定条件的多个配送员时,计算这些配送员的中心配送位置集中的各中心配送位置与所述配送件的配送地址的距离;分配子模块644,用于选取具有最短距离的配送员作为所述配送件的配送员。
在本发明的一种实施例中,提供一种建模装置,该建模装置的结构中包括处理器和存储器,所述存储器用于存储支持所述建模装置执行本发明图5所示实施例或其实现方式的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
在本发明的一种实施例中,提供一种计算机存储介质,该计算机存储介质存储一条或多条计算机指令。其中,所述指令被执行时实现如本发明图5所示实施例或其实现方式。
下面,结合实际开发对根据本发明的一种具体实现方式进行详细说明。该实现方式可以理解为本发明提供的相关实施例中的具体实现方式,其包括建模步骤以及配件步骤。
整体而言,本实现方式包括以下步骤:步骤一:建模得到预测模型(即,用于预测配送结果的分配模型,也可以称作分拣预测模型);步骤二:模型回归并与实际结果数据回归;步骤三:确定预测模型,对包裹进行分拣。下面进行详细说明。
【步骤一:建模】
1)确定特征。
例如,以已完成订单作为样本集合,通过扫描包裹条形码得到订单详情,进而得到包裹的主要特征:地址(省-市-区-街道-具体门牌号)、重量、体积。
客观因素特征:配送时的天气、配送时间点。
配送结果:用户评价(0-5星,分别对应6个分类)。
2)以每个配送员为单元,计算各个特征影响权重得出预测模型。
2.1)采用以下方式处理配送地址。
首先,对配送地址进行坐标拾取。
然后,将所有坐标聚合,通过无监督学习ISODATA算法(一种聚类算法)获取中心点列表。具体实现方式如下:
2.1-1)输入骑士近3个月所有点坐标作为样本:
{xi(Xi,Yi),i=1,2,...,N}
初始中心点:
{zi(Xi,Yi),i=1,2,...,Nc}
所涉及参数含义如下:
K:期点群数
θN:每个点群最少样本数
θS:一个点群中样本距离标准差
θC:两个中心点最小距离(若小于θC,则了两个点群合并)
L:一次迭代中可以合并的点群对数上限
I:迭代次数
2.1-2)将样本分给最近的点群Sj
当||xi-zj||最小,则xi∈Sj。
2.1-3)如果Sj中样本数<θN,则解散该点群,Nc减一。
2.1-4)修正各个中心点:
j=1,2,...,Nc(Nj为点群Sj中样本个数,zj为修正后点群Sj中心点)。
2.1-5)计算各点群Sj样本与各聚类中心间的平均距离:
2.1-6)计算全部样本和其对应中心点的总平均距离
2.1-7)判别分裂、合并及迭代运算
具体而言,若迭代运算次数已达到I次,即最后一次迭代,则置θC=0,转至第2.1-11步。若Nc≤k/2,即点群数小于等于规定值的一半,则转至第2.1-8步,对已有点群进行分裂处理。若迭代运算的次数是偶数次,或Nc≥2K,不进行分裂处理,转至第2.1-11步;否则(即既不是偶数次迭代,又不满足Nc≥2K)转至第2.1-8步,进行分裂处理。
2.1-8)计算每个点群中样本距离的标准差向量
σj=(σ1j,σ2j,...,σnj)T
其中(i=1,2,…,n为样本特征向量的维数,j=1,2,…,Nc为点群数,Nj为Sj中的样本个数)
2.1-9)求每一标准差向量{σj,j=1,2,...,Nc中的最大分量,以{σjmax,j=1,2,...,Nc}代表。
2.1-10)在任一最大分量集{σjmax,j=1,2,...,Nc}中,若有σjmax>θs,同时又满足如下两个条件之一,则将zj分裂为两个新的中心点和,且Nc加1。其中对应于σjmax的分量加上kσjmax,其中对应于σjmax的分量减去kσjmax。
条件一:即Sj中样本总数超过规定值一倍以上;
条件二:Nc>k/2;
如果本步骤完成了分裂运算,则转至第2.1-2步,否则继续。
2.1-11)计算全部中心点的距离
Dij=||zi-zj||,i=1,2,...,Nc-1,j=j=i+1,...,Nc
2.1-12)比较Dij与θc的值,将Dij<θc的值按最小距离次序递增排列,即:
{Di1j1,Di2j2,...,DiLjL};其中Di1i1<Di2j2<…<DiLjL
2.1-13)将距离为Dikik的两个点群中心zikik和zjkjk合并,得新的中心为:
2.1-14)如果是最后一次迭代运算(即第I次),则算法结束;否则,转至第2.1-2步。
至此,每个配送员都有一个由配送地点聚合成的几个中心点坐标组成的数据集合。
2.2)进行监督学习,得到以配送员为单元的分拣预测模型,该模型用于预测订单的最终用户评价。本步骤中可以采用随机森林算法实现,过程如下:
2.2-1)以一个订单作为一个样本,该样本的特征包括:
a.地址:该订单配送地址与配送员中心点集合最短距离;
b.重量:包裹重量(单位kg);
c.体积:包裹大致体积(单位m3);
d.配送时的天气:
高温,大到暴雨暴雪,大风:参数值为1;
中雨雪,霾:参数为0.5;
其他天气:参数为0。
e.配送时间点
早8点前,晚7点后:参数为1
午高峰,晚高峰:参数为0.5
其他时间:参数为0
2.2-2)以配送员为单元,一个订单为样本单位预测用户评价,得到标识配送员的数据集。示例性地,某商圈配送员可以表示为:[[0.5(km),1.2(kg),0.008(m3),1,0.5,3(星)],[0.43(km),0.98(kg),0.012(m3),0.5,0.5,4(星)]…])。采用随机森林算法,过程如下:
a.用户评价0-5星,可以看做6个分类
b.算法流程如下:
(该算法可以参考论文Greedy function approximation:A Gradient BoostingMachine;作者:Jerome H.Friedman)
b-1.给定一个初始函数。
对于一个样本x,它可能属于K个分类,其估计值分别为F1(x)…Fk(x)。
b-2.规定迭代次数M。
b-3.对函数F(x)进行Logistic变换(一种已知算法):
b-4.求得残差减小梯度方向
b-5.根据每个样本以及其残差减小梯度方向得到一棵由J个叶子节点组成的决策树。
b-6.得到每一个叶子节点的增益
b-7.将当前得到的决策树与之前的决策树合并起来,作为新的一个模型。
b-8.对每个初始函数进行步骤b-4至b-7的处理。
通过上述处理a和b,得到以配送员为单元的分拣预测模型。
【步骤二:模型回归】
以配送员为单元,取近两周的数据,利用已产生的分拣预测模型进行预测,并与实际判结果进行比较回归。过程如下:
1)取出包裹的特征值。
2)将特征值代入每个配送员的预测模型。
3)得到配送员对该订单的预测结果。将预测结果与真实结果对比,选择预测误差最小值的预测树,从而优化模型。对优化后的预测模型的评价指标如下(最终取精度最大预测模型为最优):
模型的混淆矩阵:
其中,Nij为预测结果样本个数。总体精度(overall accuracy)为:OA=(∑Nii)/N。
【步骤三:对所有包裹进行预测分拣】
1)求出配送地址坐标以及其他特征值;
2)将所有特征值代入每个配送员的预测模型(优化后的模型)中;
3)得出每个配送员的配送结果预测值,取结果最高的分配(当出现结果相同时,取配送地址与中心点最近的配送员分配)配送件。
整体而言,采用本发明的该实现方式,具有以下优点:可以自动化地为配送员配件;基于配送地址、包裹特征以及配送时间、配送天气等客观因素进行模型训练以及分配配送件,使得分拣预测模型以及最终的分配结果都比较客观;每个配送员的分拣预测模型随着时间推移可以不断优化,从而有利于选错配送件的最优配送员。
以上结合附图对根据本发明的部分方法实施例和装置实施例进行了详细说明。其中,在装置实施例中,关于相关名词、术语、范围、限制、条件等方面的解释,关于各个模块、子模块所执行处理或可执行处理的详细说明,请参照方法实施例或具有引用关系的装置实施例中的相应描述,此处不赘述。
以上所描述的装置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的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
本发明公开A1、一种分配模型建立方法,包括:
根据配送员的历史配送地址确定所述配送员的中心配送位置集;
基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系;
根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及关联关系建立所述配送员的分配模型。
A2、如A1所述的方法,所述根据配送员的历史配送地址确定所述配送员的中心配送位置集,包括:
根据所述历史配送地址的坐标进行聚合处理,得到至少一个中心配送位置。
A3、如A1所述的方法,所述基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,包括:
按照所述第一样本订单集中各个订单的用户评价分类所述各个订单;
基于所述各个订单的分类、所述各个订单的特征取值以及所述中心配送位置集进行分类学习,确定所述各项特征的权重以及所述各项特征之间的关联关系。
A4、如A1或A3所述的方法,所述订单的配送地址和所述中心配送位置集的位置关系,包括:
订单的配送地址和所述中心配送位置集中与该配送地址最近的中心配送位置之间的距离。
A5、如A1或A3所述的方法,所述各项特征还包括以下任意一项或多项:
配送件的重量、配送件的体积、配送时间、配送时的天气。
A6、如A1-A3中任一项所述的方法,所述方法还包括:
根据第二样本订单集中各订单的特征取值和所述分配模型,预测所述第二样本订单集中各订单的配送结果;
对比预测的配送结果和实际配送结果,并根据对比结果优化所述分配模型。
本发明还公开B7、一种分配模型建立装置,所述装置包括:
中心确定模块,用于根据配送员的历史配送地址确定所述配送员的中心配送位置集;
权重及关系确定模块,用于基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系;
模型建立模块,用于根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及所述各项特征之间的关联关系建立所述配送员的分配模型。
B8、如B7所述的装置,所述中心确定模块具体用于:
根据所述历史配送地址的坐标进行聚合处理,得到至少一个中心配送位置。
B9、如B7所述的装置,所述权重及关系确定模块包括:
分类子模块,用于按照所述第一样本订单集中各个订单的用户评价分类所述各个订单;
计算子模块,用于基于所述各个订单的分类、所述各个订单的特征取值以及所述中心配送位置集进行分类学习,确定所述各项特征的权重以及所述各项特征之间的关联关系。
B10、如B7或B9所述的装置,所述订单的配送地址和所述中心配送位置集的位置关系,包括:
订单的配送地址和所述中心配送位置集中与该配送地址最近的中心配送位置之间的距离。
B11、如B7或B9所述的装置,所述各项特征还包括以下任意一项或多项:
配送件的重量、配送件的体积、配送时间、配送时的天气。
B12、如B7-B9中任一项所述的装置,其特征在于,还包括:
预测模块,用于根据第二样本订单集中各订单的特征取值和所述分配模型,预测所述第二样本订单集中各订单的配送结果;
优化模块,用于对比预测的配送结果和实际配送结果,并根据对比结果优化所述分配模型。
本发明还公开C13、一种基于如A1-A6中任一项所述的分配模型进行分配的方法,所述方法包括:
获取配送件的特征取值;
将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果;
从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员。
C14、如C13所述的方法,所述从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员,包括:
如果存在预测配送结果均满足设定条件的多个配送员,则计算这些配送员的中心配送位置集中的各中心配送位置与所述配送件的配送地址的距离;
选取具有最短距离的配送员作为所述配送件的配送员。
本发明还公开D15、一种基于如A1-A6中任一项所述的分配模型进行分配的装置,所述装置包括:
获取模块,用于获取配送件的特征取值;
预测模块,用于将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果;
分配模块,用于从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员。
D16、如D15所述的装置,所述分配模块包括:
计算子模块,用于在存在预测配送结果均满足设定条件的多个配送员时,计算这些配送员的中心配送位置集中的各中心配送位置与所述配送件的配送地址的距离;
分配子模块,用于选取具有最短距离的配送员作为所述配送件的配送员。
本发明还公开E17,一种分配模型建立装置,包括处理器和存储器。其中,所述存储器存储供所述处理器调用和执行的计算机程序;所述处理器执行所述计算机程序以实现以下处理:
根据配送员的历史配送地址确定所述配送员的中心配送位置集;
基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系;
根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及关联关系建立所述配送员的分配模型。
E18、如E17所述的装置,为了根据配送员的历史配送地址确定所述配送员的中心配送位置集,所述处理器执行所述计算机程序以实现以下处理:
根据所述历史配送地址的坐标进行聚合处理,得到至少一个中心配送位置。
E19、如E17所述的装置,为了基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,所述处理器执行所述计算机程序以实现以下处理:
按照所述第一样本订单集中各个订单的用户评价分类所述各个订单;
基于所述各个订单的分类、所述各个订单的特征取值以及所述中心配送位置集进行分类学习,确定所述各项特征的权重以及所述各项特征之间的关联关系。
E20、如E17或E19所述的装置,所述订单的配送地址和所述中心配送位置集的位置关系,包括:所述订单的配送地址和所述中心配送位置集中与该配送地址最近的中心配送位置之间的距离。
E21、如E17-E19中任一项所述的装置,所述各项特征还包括以下任意一项或多项:配送件的重量、配送件的体积、配送时间、配送时的天气。
E22、如E17-E19中任一项所述的装置,所述处理器执行所述计算机程序以实现以下处理:
根据第二样本订单集中各订单的特征取值和所述分配模型,预测所述第二样本订单集中各订单的配送结果;
对比预测的配送结果和实际配送结果,并根据对比结果优化所述分配模型。
本发明还公开了F23、一种基于如A1-A6中任一项所述的分配模型进行分配的分配装置,所述装置包括处理器和存储器。其中,所述存储器存储供所述处理器调用和执行的计算机程序;所述处理器执行所述计算机程序以实现以下处理:
获取配送件的特征取值;
将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果;
从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员。
F24、如F23所述的装置,为了从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员,所述处理器执行所述计算机程序以实现以下处理:
如果存在预测配送结果均满足设定条件的多个配送员,则计算这些配送员的中心配送位置集中的各中心配送位置与所述配送件的配送地址的距离;
选取具有最短距离的配送员作为所述配送件的配送员。
本发明还公开G25,一种计算机存储介质,存储一条或多条计算机存储指令。所述指令被执行时实现如A1-A6所述的方法,或实现如C13-C14所述的方法。
Claims (10)
1.一种分配模型建立方法,其特征在于,包括:
根据配送员的历史配送地址确定所述配送员的中心配送位置集;
基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系;
根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及关联关系建立所述配送员的分配模型。
2.如权利要求1所述的方法,其特征在于,所述根据配送员的历史配送地址确定所述配送员的中心配送位置集,包括:
根据所述历史配送地址的坐标进行聚合处理,得到至少一个中心配送位置。
3.如权利要求1所述的方法,其特征在于,所述基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,包括:
按照所述第一样本订单集中各个订单的用户评价分类所述各个订单;
基于所述各个订单的分类、所述各个订单的特征取值以及所述中心配送位置集进行分类学习,确定所述各项特征的权重以及所述各项特征之间的关联关系。
4.如权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:
根据第二样本订单集中各订单的特征取值和所述分配模型,预测所述第二样本订单集中各订单的配送结果;
对比预测的配送结果和实际配送结果,并根据对比结果优化所述分配模型。
5.一种分配模型建立装置,其特征在于,所述装置包括:
中心确定模块,用于根据配送员的历史配送地址确定所述配送员的中心配送位置集;
权重及关系确定模块,用于基于第一样本订单集中各订单的特征取值和配送结果以及所述中心配送位置集进行监督学习,确定各项特征的权重以及关联关系,其中,所述各项特征包括订单的配送地址和所述中心配送位置集的位置关系;
模型建立模块,用于根据所述中心配送位置集、所述各项特征、所述各项特征的权重以及所述各项特征之间的关联关系建立所述配送员的分配模型。
6.如权利要求5所述的装置,其特征在于,所述中心确定模块具体用于:
根据所述历史配送地址的坐标进行聚合处理,得到至少一个中心配送位置。
7.如权利要求5所述的装置,其特征在于,所述权重及关系确定模块包括:
分类子模块,用于按照所述第一样本订单集中各个订单的用户评价分类所述各个订单;
计算子模块,用于基于所述各个订单的分类、所述各个订单的特征取值以及所述中心配送位置集进行分类学习,确定所述各项特征的权重以及所述各项特征之间的关联关系。
8.如权利要求5-7中任一项所述的装置,其特征在于,还包括:
预测模块,用于根据第二样本订单集中各订单的特征取值和所述分配模型,预测所述第二样本订单集中各订单的配送结果;
优化模块,用于对比预测的配送结果和实际配送结果,并根据对比结果优化所述分配模型。
9.一种基于如权利要求1-4中任一项所述的分配模型进行分配的方法,其特征在于,所述方法包括:
获取配送件的特征取值;
将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果;
从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员。
10.一种基于如权利要求1-4中任一项所述的分配模型进行分配的装置,其特征在于,所述装置包括:
获取模块,用于获取配送件的特征取值;
预测模块,用于将所述配送件的特征取值输入不同配送员的所述分配模型,得到所述不同配送员的预测配送结果;
分配模块,用于从所述不同配送员中选取预测配送结果满足设定条件的配送员作为所述配送件的配送员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710486322.5A CN107203789B (zh) | 2017-06-23 | 2017-06-23 | 分配模型建立方法、分配方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710486322.5A CN107203789B (zh) | 2017-06-23 | 2017-06-23 | 分配模型建立方法、分配方法以及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107203789A true CN107203789A (zh) | 2017-09-26 |
CN107203789B CN107203789B (zh) | 2020-10-02 |
Family
ID=59907047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710486322.5A Expired - Fee Related CN107203789B (zh) | 2017-06-23 | 2017-06-23 | 分配模型建立方法、分配方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203789B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003028A (zh) * | 2018-07-17 | 2018-12-14 | 北京百度网讯科技有限公司 | 用于划分物流区域的方法和装置 |
CN109508862A (zh) * | 2018-10-10 | 2019-03-22 | 达疆网络科技(上海)有限公司 | 一种配送方法和装置 |
CN109684624A (zh) * | 2017-10-18 | 2019-04-26 | 北京京东尚科信息技术有限公司 | 一种自动识别订单地址路区的方法和装置 |
CN109785029A (zh) * | 2017-11-14 | 2019-05-21 | 北京小度信息科技有限公司 | 用于呈现信息的方法和装置 |
CN110659852A (zh) * | 2018-06-29 | 2020-01-07 | 北京京东振世信息技术有限公司 | 配送单元的配送信息的确定方法、系统、设备和存储介质 |
CN110826782A (zh) * | 2019-10-25 | 2020-02-21 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
CN111382922A (zh) * | 2018-12-29 | 2020-07-07 | 顺丰科技有限公司 | 信息采集任务分配方法及装置 |
CN111724089A (zh) * | 2019-03-20 | 2020-09-29 | 顺丰科技有限公司 | 一种订单收派分配方法、系统、终端及存储介质 |
CN112541716A (zh) * | 2019-09-20 | 2021-03-23 | 北京三快在线科技有限公司 | 选择待配送任务节点的方法、装置、存储介质和电子设备 |
CN112837128A (zh) * | 2021-02-19 | 2021-05-25 | 拉扎斯网络科技(上海)有限公司 | 订单指派方法、装置、计算机设备及计算机可读存储介质 |
CN113836252A (zh) * | 2021-09-17 | 2021-12-24 | 北京京东振世信息技术有限公司 | 用于确定地理坐标的方法和装置 |
CN117495512A (zh) * | 2023-12-29 | 2024-02-02 | 干霸干燥剂(深圳)有限公司 | 订单数据的管理方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200369A (zh) * | 2014-08-27 | 2014-12-10 | 北京京东尚科信息技术有限公司 | 一种确定商品配送范围的方法和装置 |
CN104219305A (zh) * | 2014-09-02 | 2014-12-17 | 百度在线网络技术(北京)有限公司 | 基于位置信息的业务处理方法和装置 |
CN104537502A (zh) * | 2015-01-15 | 2015-04-22 | 北京嘀嘀无限科技发展有限公司 | 处理订单的方法和设备 |
CN104794553A (zh) * | 2014-08-12 | 2015-07-22 | 北京东方车云信息技术有限公司 | 网络租车中基于出租车运营区域熟悉程度的派单系统和方法 |
CN105808784A (zh) * | 2016-03-31 | 2016-07-27 | 北京小度信息科技有限公司 | 推荐方法和装置 |
-
2017
- 2017-06-23 CN CN201710486322.5A patent/CN107203789B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794553A (zh) * | 2014-08-12 | 2015-07-22 | 北京东方车云信息技术有限公司 | 网络租车中基于出租车运营区域熟悉程度的派单系统和方法 |
CN104200369A (zh) * | 2014-08-27 | 2014-12-10 | 北京京东尚科信息技术有限公司 | 一种确定商品配送范围的方法和装置 |
CN104219305A (zh) * | 2014-09-02 | 2014-12-17 | 百度在线网络技术(北京)有限公司 | 基于位置信息的业务处理方法和装置 |
CN104537502A (zh) * | 2015-01-15 | 2015-04-22 | 北京嘀嘀无限科技发展有限公司 | 处理订单的方法和设备 |
CN105808784A (zh) * | 2016-03-31 | 2016-07-27 | 北京小度信息科技有限公司 | 推荐方法和装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684624A (zh) * | 2017-10-18 | 2019-04-26 | 北京京东尚科信息技术有限公司 | 一种自动识别订单地址路区的方法和装置 |
CN109684624B (zh) * | 2017-10-18 | 2023-12-08 | 北京京东尚科信息技术有限公司 | 一种自动识别订单地址路区的方法和装置 |
CN109785029A (zh) * | 2017-11-14 | 2019-05-21 | 北京小度信息科技有限公司 | 用于呈现信息的方法和装置 |
CN110659852A (zh) * | 2018-06-29 | 2020-01-07 | 北京京东振世信息技术有限公司 | 配送单元的配送信息的确定方法、系统、设备和存储介质 |
CN109003028A (zh) * | 2018-07-17 | 2018-12-14 | 北京百度网讯科技有限公司 | 用于划分物流区域的方法和装置 |
CN109508862A (zh) * | 2018-10-10 | 2019-03-22 | 达疆网络科技(上海)有限公司 | 一种配送方法和装置 |
CN111382922A (zh) * | 2018-12-29 | 2020-07-07 | 顺丰科技有限公司 | 信息采集任务分配方法及装置 |
CN111724089B (zh) * | 2019-03-20 | 2023-04-28 | 顺丰科技有限公司 | 一种订单收派分配方法、系统、终端及存储介质 |
CN111724089A (zh) * | 2019-03-20 | 2020-09-29 | 顺丰科技有限公司 | 一种订单收派分配方法、系统、终端及存储介质 |
CN112541716A (zh) * | 2019-09-20 | 2021-03-23 | 北京三快在线科技有限公司 | 选择待配送任务节点的方法、装置、存储介质和电子设备 |
CN110826782A (zh) * | 2019-10-25 | 2020-02-21 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
CN112837128A (zh) * | 2021-02-19 | 2021-05-25 | 拉扎斯网络科技(上海)有限公司 | 订单指派方法、装置、计算机设备及计算机可读存储介质 |
CN113836252A (zh) * | 2021-09-17 | 2021-12-24 | 北京京东振世信息技术有限公司 | 用于确定地理坐标的方法和装置 |
CN113836252B (zh) * | 2021-09-17 | 2023-09-26 | 北京京东振世信息技术有限公司 | 用于确定地理坐标的方法和装置 |
CN117495512A (zh) * | 2023-12-29 | 2024-02-02 | 干霸干燥剂(深圳)有限公司 | 订单数据的管理方法、装置、设备及存储介质 |
CN117495512B (zh) * | 2023-12-29 | 2024-04-16 | 干霸干燥剂(深圳)有限公司 | 订单数据的管理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107203789B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203789A (zh) | 分配模型建立方法、分配方法以及相关装置 | |
CN108171280A (zh) | 一种分类器构建方法及预测分类的方法 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN110163234A (zh) | 一种模型训练方法、装置和存储介质 | |
CN113326377B (zh) | 一种基于企业关联关系的人名消歧方法及系统 | |
CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
CN108363810A (zh) | 一种文本分类方法及装置 | |
CN108090510A (zh) | 一种基于间隔优化的集成学习方法及装置 | |
CN106897821A (zh) | 一种暂态评估特征选择方法及装置 | |
CN106228183A (zh) | 一种半监督学习分类方法与装置 | |
CN107918657A (zh) | 一种数据源的匹配方法和装置 | |
CN111062806B (zh) | 个人金融信用风险评价方法、系统和存储介质 | |
CN109472453A (zh) | 基于全局最优模糊核聚类模型的电力用户信用评价方法 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN103886030A (zh) | 基于代价敏感决策树的信息物理融合系统数据分类方法 | |
CN109740036A (zh) | Ota平台酒店排序方法及装置 | |
CN110008332A (zh) | 通过强化学习提取主干词的方法及装置 | |
CN113837266B (zh) | 一种基于特征提取和Stacking集成学习的软件缺陷预测方法 | |
CN111126627A (zh) | 基于分离度指数的模型训练系统 | |
CN110490234A (zh) | 基于聚类分类联合机制的分类器的构建方法以及分类方法 | |
CN112508363B (zh) | 基于深度学习的电力信息系统状态分析方法及装置 | |
Tiruneh et al. | Feature selection for construction organizational competencies impacting performance | |
CN111352926A (zh) | 数据处理的方法、装置、设备及可读存储介质 | |
CN111708865A (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Building N3, building 12, No. 27, Jiancai Chengzhong Road, Haidian District, Beijing 100096 Applicant after: Beijing Xingxuan Technology Co.,Ltd. Address before: 100085 Beijing, Haidian District on the road to the information on the ground floor of the 1 to the 3 floor of the 2 floor, room 11, 202 Applicant before: Beijing Xiaodu Information Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201002 |