CN109214731A - 分配物流订单的方法及装置、计算机系统 - Google Patents
分配物流订单的方法及装置、计算机系统 Download PDFInfo
- Publication number
- CN109214731A CN109214731A CN201710517581.XA CN201710517581A CN109214731A CN 109214731 A CN109214731 A CN 109214731A CN 201710517581 A CN201710517581 A CN 201710517581A CN 109214731 A CN109214731 A CN 109214731A
- Authority
- CN
- China
- Prior art keywords
- logistics
- index
- service ability
- order
- history
- 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.)
- Pending
Links
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种分配物流订单的方法及装置、计算机系统。其中,分配物流订单的方法包括如下步骤:提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;获得待分配的若干物流订单;根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;依据所述分配比例对所述若干物流订单进行分配。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种分配物流订单的方法及装置、计算机系统。
背景技术
目前,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,对标的物品进行从发货地到收获地的规划、实施和控制的全过程。
在相关技术中,针对一批待物流的物流订单,通常存在多个可为该批物流订单提供物流服务的物流服务商,而每一个物流服务商在物流成本、时效、服务等方面存在不同的表现。对于一批物流订单而言,如何确定出将该批物流订单分配给多个可选的物流服务商的合适比例,以使得在物流成本、时效、服务等方面达到较佳的状态,是目前业界亟待解决的问题。
发明内容
有鉴于此,本申请提供一种分配物流订单的方法及装置、计算机系统。
为实现上述目的,本申请提供技术方案如下:
根据本申请的第一方面,提出了一种分配物流订单的方法,包括:
提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;
获得待分配的若干物流订单;
根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;
依据所述分配比例对所述若干物流订单进行分配。
根据本申请的第二方面,提出了一种分配物流订单的装置,包括:
提供单元,用于提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;
获得单元,用于获得待分配的若干物流订单;
确定单元,用于根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;
分配单元,用于依据所述分配比例对所述若干物流订单进行分配。
一种计算机系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
所述处理器被配置为:
提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;
获得待分配的若干物流订单;
根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;
依据所述分配比例对所述若干物流订单进行分配。
由以上技术方案可见,基于物流能力信息,可以对待分配的若干物流订单,确定出分配给各物流对象的分配比例,并且该比例可以使得针对所述若干物流订单的服务能力指标满足设定条件,实现智能化物流订单的分配,提升物流分配效果。
附图说明
图1是本申请一示例性实施例提供的需要确定物流订单的分配比例的一种场景图;
图2是本申请一示例性实施例提供的一种分配物流订单的方法的流程图;
图3是本申请一示例性实施例提供的一种可反映利润率与平均妥投天数之间关系的曲线图;
图4是本申请一示例性实施例提供的一种电子设备的结构示意图;
图5是本申请一示例性实施例提供的一种分配物流订单的装置的框图。
具体实施方式
目前,通常在一条物流路线上,可供发货者(如卖家)选择的物流对象有很多。其中,物流对象指的是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。通常,不同的物流对象在服务、成本、时效等方面均有不同的表现,例如,某物流对象派送包裹的时效较快,但是其所需要的物流成本可能会相对较高。对于一批物流订单而言,如何确定出将该批物流订单分配给多个可选的物流服务商的合适比例,以使得在物流成本、时效、服务等方面达到较佳的状态,是目前业界亟待解决的问题。
图1是本申请一示例性实施例提供的需要确定物流订单分配比例的一种场景图。在该示例性的场景中,通常会将国内的商品售卖给国外用户,由此产生了从一个国家向另外一个国家的物流需求。其中,卖家在发货时,可选择指定的国内仓库进行上门揽货,仓库揽货的同时对货物进行称重,之后,仓库将货物分配给多个可提供某线路的物流服务的候选物流对象,最终,由各个候选物流对象负责将货物目的国并派送。如图1所示,以中国到俄罗斯的线路为例,对于一定时间内产生的从中国到俄罗斯的一批物流订单而言,可以先被分配给中国的仓库A1和A2,再由仓库A1和A2将物流订单按照一定的比例,分配给物流服务商B1、B2、B3进行物流。在相关技术中,可以采用人工方式来配置物流订单的分配方案。比如:确定在一段时间内(如每天的0:00~24:00)需在中国到俄罗斯的线路上进行物流的一批包裹,按照:10%:20%:70%的比例分配给物流服务商B1、B2、B3进行配送。然而,由于人工配置方式缺乏数据支持,主要依赖于人为经验,难以确定出在时效、服务、成本等各种因素上的综合最优方案,且人工配置方式存在主观性,准确性差。
图2是本申请一示例性实施例提供的一种分配物流订单的方法的流程图,参图2所示,本实施例中,该方法可以应用于实现物流订单分配的服务器,可包括步骤101~104,其中:
在步骤101中,提供多个物流对象的物流能力信息,物流能力信息用于反映物流对象的物流服务能力(如:服务质量的优劣、服务成本的高低等)。其中,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系。
在物流运营过程中,人们发现当一定时段(如一天)内分配给某物流对象的订单量不同时,该物流对象的服务能力指标也会不同。为了实现智能分配的效果,需要各物流对象的物流能力信息来支撑。
其中,在一种实施例中,所述提供多个物流对象的物流能力信息包括:
通过各物流对象的历史物流数据,来统计获得各物流对象的物流能力信息,并预先存储到数据库中;当需要使用物流能力信息时,可以从上述数据库中读取所需要的数据。当然,“提供物流能力信息”也可以是没有预先生成的数据库,而通过获取各物流对象在一定时间段内产生的物流数据,并利用这些物流数据生成物流能力信息(可在较短时间内完成)。
在一实施例中,服务能力指标可以包括但不限于如下至少一项:平均妥投时长、限定时长内的妥投率、纠纷率、物流服务评分。
其中,“平均妥投时长”是指一批物流订单从产生至派送到收件人手中所经历的平均天数;“限定时长内的妥投率”是指一批物流订单从产生至派送到收件人手中所经历的天数≤限定时长(如x天)的比例;“纠纷率”是指一批物流订单中产生纠纷的物流订单的比例;“物流服务评分”是指一批物流订单被收件人评定的物流服务分的均值。其中,“平均妥投时长”越短,表明物流服务质量越好;“限定时长内的妥投率”越高,表明物流服务质量越好;“纠纷率”越低,表明物流服务质量越好;“物流服务评分”越高,表明物流服务质量越好。对于以上每一种服务能力指标,可以分别确定各物流对象的服务能力指标与该物流对象被分配的订单量之间的对应关系。服务能力指标可以通过数值(如:0~1)来表征。当然,上述服务能力指标也可以融合为一个数值,并通过该数值来反映物流对象的综合服务质量。例如,通过为每一种服务能力指标设定相应的权重,通过加权求和并归一化计算得出。
在一实施例中,步骤101可以通过如下步骤11~13来实现,其中:
步骤11:获得在预设历史时间段包含的每个时间间隔内,分配给所述候选物流对象的历史物流订单量。
承上述例子,预设历史时间段可以是:T-M日的0:00至T-N日的24:00,这M-N天中会包含M-N个时间间隔(即每天的0:00~24:00),若候选物流对象包括B1、B2、B3,则可以获得在过去每天中分配给B1、B2、B3的历史物流订单量。
步骤12:获得所述候选物流对象在预设历史时间段包含的每个时间间隔内的历史服务能力指标。
承上述例子,可以统计出每个候选物流对象在历史上M-N天内的每天中的历史服务能力指标,以历史服务能力指标反映的平均指标为平均妥投时长为例,得到的历史物流订单量、历史服务能力指标可以大致如表1所示:
表1:
步骤13:基于所述历史物流订单量和所述历史服务能力指标,确定拟合函数,所述拟合函数用以反映每一候选物流对象的服务能力指标与所述候选物流对象被分配的物流订单量之间的对应关系。
确定拟合函数的过程又称为曲线拟合(curve fitting),是指选择适当的曲线类型来拟合两变量的观测数据,并用拟合的曲线方程分析两变量(如:物流订单量和服务能力指标)间的关系。曲线拟合(curve fitting)是用连续曲线近似地刻画平面上多个离散点所表示的坐标之间的函数关系的一种数据处理方法。通过获得历史物流数据,得到x(如:B1在历史上每天被分配的物流订单量)与y(如:B1在历史上每天被分配到的物流订单的平均妥投时长)的一组数据对(xi,yi)(i=1,2,…M-N)。此后,需要确定出拟合函数y=f(x,c)来反映变量x与y之间的依赖关系。其中,f(x,c)也可被称作拟合模型,式中的c=(c1,c2,…cn)可为一些待定参数。
在本申请可选的实施例中,以上步骤13可以具体包括:
步骤131:确定与每一时间间隔对应的拟合权重,其中,所述时间间隔距所述预定时间段越近,则所述拟合权重越高。
步骤132:基于所述拟合权重、所述历史物流订单量和所述历史服务能力指标,确定拟合函数。
在本实施例中,由于选取的历史数据的时间跨度比较久,一般地,距离T日越近的历史物流数据的可信度越高,为此,可以按照时间间隔距所述预定时间段的远近,相应地设定与每一时间间隔对应的拟合权重,以偏向于依赖距离T日较近的历史物流数据,提高确定出的拟合函数的准确性。
在本申请实施例中,计算所述分配比例的算法包括但不限于:贪心算法、模拟退火(Simulated Annealing,SA)算法、线性规划(Linear programming,LP)算法、穷举法、或以上各算法的组合等。
在步骤102中,获得待分配的若干物流订单。其中,在获得待分配的若干物流订单后,同时可以确定出待分配的订单量。
在一实施例中,步骤102可以获得在预定时间段(如:T日中的0:00~24:00)内产生的若干物流订单,并确定出待分配的订单量是多少。当然,待分配的物流订单也可以是由工作人员或由机器选定的。
本申请实施例中,若针对预定时间段(如:T日中的0:00~24:00)内产生的一批物流订单进行分配,假设订单量为p,其中,在一实施例中,所需分配的这批物流订单可以是某一目标物流路线(如:中国至俄罗斯)上产生的,并且这条目标物流路线上一般对应于至少两个候选物流对象。当然,实际应用场景并不限于国内到国外,还可以是国内某个城市到国内另外一个城市,其中,所需分配的这批物流订单也可以不限于某一目标物流路线,例如,可以是针对国内某个城市到国内另外一个城市之间的多条物流路线上产生的一批物流订单进行分配任务,本申请对此不作限制。
在本申请一实施例中,所述步骤102可以具体包括:
根据在预设历史时间段内产生的历史物流订单量,预测在预定时间段内产生的物流订单的订单量,所述预设历史时间段包含多个和所述预定时间段等长的时间间隔。
举例而言,若预定时间段是:T日中的0:00~24:00,则预设历史时间段可以是:T-M日的0:00至T-N日的24:00,其中,T>M>N≥1,且T、M、N都是自然数。通常,由于包裹从发货、入库到投递完成是一个相对较长的时间跨度,为了确保历史数据的真实性及有效性,需避免获得发货时间较近的历史物流订单数据,故N一般取值较大(如:10)。而M一般也远大于N,以获得时间跨度较大的历史数据,防止数据稀疏,提高统计结果的准确性。在以上例子中,若获得的是历史上的M-N天的历史数据,则这M-N天中会包含M-N个时间间隔(即每天的0:00~24:00),通过每一天中产生的历史物流订单量,可以确定出每天中的历史物流订单量的产生规律,从而预测出在T日中的0:00~24:00可能产生的物流订单量。例如,可以统计每周中的周一至周日的历史物流订单量,从而分别确定出周一至周日产生的物流订单量的规律(如周六、周日产生的订单量较其他时间更多)。或者,将在过去的每一天产生的历史物流订单量,计算出一个平均值,从而将该平均值确定为T日中的0:00~24:00内产生的物流订单量,等等。
在本申请另一实施例中,还可以通过对物流订单的发货状态进行实时监测,以获得某条物流线路在预定时间段内产生的订单量。
在步骤103中,根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中,所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件。
以下结合具体例子来说明上述步骤103的过程。
例如,在T日的0:00~24:00内产生的历史物流订单量是1000,假设需要将这1000个物流订单分配给物流对象B1和B2来负责物流,则最终需要确定将这1000个物流订单分配给B1和B2的分配比例。若采用穷举法,则最终可确定不同比例及服务能力指标(以平均妥投天数为例)的对应关系如下表2所示:
表2:
B1和B2的分配比例 | B1的平均妥投天数 | B2的平均妥投天数 |
1:999 | 3.00 | 15:00 |
2:998 | 3.02 | 14:08 |
…… | …… | …… |
999:1 | 13:00 | 2.88 |
其中,可以根据在不同比例下,所得到的B1的平均妥投天数、及B2的平均妥投天数,确定这1000个物流订单在平均妥投天数这一评价指标上的服务能力指标。如:
服务能力指标=(B1的平均妥投天数*B1被分配订单量+B2的平均妥投天数*B2被分配订单量)/1000。
最终,由于大致存在1000种分配比例,可以得到1000种不同的服务能力指标,并从这1000种不同的服务能力指标中找出最优值(即平均妥投天数最短),并将对应的分配比例确定为最优分配比例。
当然,所述服务能力指标一般不限于平均妥投天数,而是一种可以反映多种评价指标的物流服务质量的综合参数值,本文不再予以列举。
在步骤104中,依据所述分配比例对所述若干物流订单进行分配。
本申请实施例中,通过预先确定每一候选物流对象的服务能力指标与所述候选物流对象被分配的物流订单量之间的对应关系,可以得出每一候选物流对象在被分配到不同的物流订单量时所体现出的不同物流服务质量,据此,结合预定时间段内产生的待分配的物流订单量,可以通过计算机算法计算出所述服务能力指标为最优值时的分配比例,计算效率及准确性高。最终,按照计算出的分配比例完成物流订单的分配,使得针对一批物流订单的物流服务质量达到较佳状态。
在实际运用中,在考虑提升整体物流服务质量的同时,还需要兼顾物流成本不能超过一定预算。
在一可选的实施例中,所述服务能力指标可以包括服务能力指标和物流成本指标,则,所述步骤103可以具体包括:
计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例。可选地,所述第一设定条件可为所述服务能力指标达到最优值(该最优值可以是在成本约束下的最优值),所述第二设定条件可为所述物流成本指标低于设定阈值(可从成本约束角度确定出一个阈值)。
当然,在可行的其他实施例中,以上设定条件可包括其他条件,例如:达到最优值的80%以上,或者每一种服务能力指标的取值超过预设的阈值,等等。
举例而言,在T日的0:00~24:00内产生的历史物流订单量是1000,假设需要将这1000个物流订单分配给物流对象B1和B2来负责物流。对于每一物流订单,假设这些订单都处于同一计价类别(如重量段),则可根据物流对象B1、B2的定价规则,分别确定物流对象B1、B2对每一物流订单收取的物流费用。假设B1对每个物流订单的收费是a元,B2对每个物流订单的收费是b元,则以穷举法为例,最终可确定不同比例下的服务能力指标(以平均妥投天数为例)、物流成本的对应关系如下表3所示:
表3:
通过上述表3,可以计算出1000个物流订单在不同的分配比例下的物流成本,若根据运营需求,设定的预设成本上限为X,则可以在物流成本不超过X的条件下,计算出能够使得物流的服务能力指标为最优值的比例。其中,服务能力指标为最优值时,该批物流订单在时效、服务等方面达到最佳状态。
在实际的应用场景中,对于待分配的一批物流订单而言,一般该批物流订单不处于同一个计价类别,所述计价类别包括但不限于:重量段(如0-100g等)、货物品类(如普货等)。为此,在确定物流成本之前,需要获得待分配的一批物流订单在不同计价类别下的分布情况,以更加准确地确定出最终的物流成本。
在一实施例中,在上述步骤103之前,所述方法还可包括:
步骤105:确定预定时间段(如:T日的0:00~24:00)内产生的物流订单在各计价类别(如重量段)下的分布比例。
在一可选的实施例中,步骤105可以具体包括步骤151和步骤152,其中:
步骤151:获得在预设历史时间段包含的多个时间间隔内产生的历史物流订单在各个计价类别下的分布比例。其中,所述时间间隔和所述预定时间段等长。
以预设历史时间段为:T-M日的0:00至T-N日的24:00为例,若包裹的重量段包括:重量段1(0-100g)、重量段2(101-300g)、重量段3(301g-500g),则获得的分布比例可以例如下表4所示:
表4:
步骤152:基于历史物流订单在各个计价类别下的分布比例,预测在所述预定时间段内产生的物流订单在各个计价类别下的分布比例。
在一实施例中,可以将在过去M-N天中的每天内的分布比例,求得一个平均分布比例,将以此平均分布比例作为预测到的分布比例。当然,预测分布比例的方式不限于此。
则,所述步骤103可具体包括:
对于每一计价类别,依据与该计价类别对应的所述分布比例,分别计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例,其中计算出的所述分配比例与计价类别对应。
继续沿用以上例子,假设计价类别是重量段1(0-100g)、重量段2(101-300g)、重量段3(301g-500g),最终确定的在T日的0:00~24:00内产生的1000个物流订单的在重量段1、重量段2、重量段3的分布比例为:
10%:30%:60%;
其中,在重量段1分布的物流订单量是:100;在重量段2分布的物流订单量是:300;在重量段3分布的物流订单量是:600。
以平均妥投天数为例,假设物流对象B1在重量段1的收费为a1,在重量段2的收费为b1,在重量段3的收费为c1;物流对象B2在重量段1的收费为a2,在重量段2的收费为b2,在重量段3的收费为c2。通过穷举法得到的比例、服务能力指标、成本的对应关系可以如下表5所示:
表5:
通过上述表5可以得出在不同比例下的物流成本,若根据运营需求,设定的预设成本上限为X,则可以找出以上表5中能够满足物流成本低于X的n个比例,并在找出的n个比例中确定使得服务能力指标为最优值的比例。例如,最佳分配比例是:在重量段1下B1和B2的分配比例是:4:96;在重量段2下B1和B2的分配比例是:100:200;在重量段3下B1和B2的分配比例是:420:180。在该分配比例下,可以满足总物流成本低于X,并且能够达到最佳的物流服务质量。
本申请实施例中,采用相关公式来表达分配比例的计算过程。定义需要将预定时间段内产生的p个物流订单,分配给候选物流对象B1、B2来进行派送。定义p个物流订单在重量段1~3的分布比例分别为:K1~K3,其中:K1+K2+K3=1。定义预先确定的与候选物流对象B1、B2对应的拟合函数分别为y=f1(x)、y=f2(x),其中,y=f1(x)、y=f2(x)均用于反映各候选物流对象被分配的订单量及其平均妥投时长间的对应关系。候选物流对象B1针对重量段1~3下的单个物流订单的收费分别为:a1、b1、c1,候选物流对象B1针对重量段1~3下的单个物流订单的收费分别为:a2、b2、c2。定义p个物流订单在重量段1~3下的分配给B1、B2的比例分别为:1/w1、1/w2、1/w3。
则,针对p个物流订单的物流成本=
1000*1/(1+w1)*a1+1000*w1/(1+w1)*a2+1000*1/(1+w2)*b1+1000*w2/(1+w2)*b2+1000*1/(1+w3)*c1+1000*w3/(1+w3)*c2;
针对p个物流订单的平均妥投时长=
若定义成本上限为:X,则约束条件为:
1000*1/(1+w1)*a1+1000*w1/(1+w1)*a2+1000*1/(1+w2)*b1+1000*w2/(1+w2)*b2+1000*1/(1+w3)*c1+1000*w3/(1+w3)*c2≤X;
在满足上述约束条件的情况下,求解 为最优值(对于平均妥投时长而言,最优值为最小值)时的所述分配比例:1/w1、1/w2、1/w3。求解算法包括但不限于:贪心算法、模拟退火算法、线性规划算法、和上述算法的组合。
本申请实施例中,由于上述拟合函数不是线性的,所以不能直接使用线性规划算法来求解上述分配比例,可采用贪心算法进行求解。但是,使用贪心算法之后,总的物流成本还可以做一些优化,故可以结合贪心算法及线性规划算法来求解上述分配比例,同时,还可以跳出贪心算法可能到达的局部最优解。关于以上算法,均是本领域所公知的算法,故在本文不再予以详细介绍。
本申请实施例中,通过预先确定每一候选物流对象的服务能力指标与所述候选物流对象被分配的物流订单量之间的对应关系,可以得出每一候选物流对象在被分配到不同的物流订单量时所体现出的不同物流服务质量,据此,结合预定时间段内产生的待分配的物流订单量,可以通过计算机算法计算出所述服务能力指标为最优值时的分配比例,计算效率及准确性高。最终,在满足预设成本上限的条件下,按照计算出的分配比例完成物流订单的分配,使得在成本约束下,针对一批物流订单的物流服务质量达到较佳状态。
图3是本申请一示例性实施例提供的一种可反映利润率与平均妥投天数之间关系的曲线图。其中,横坐标是物流的利润率,利润率=(从发货用户收取的费用-支付给候选物流对象的物流费用)/从发货用户收取的费用,纵坐标是平均妥投天数。可以看出,在不同的成本约束条件(利润率从-25%~5%)下,一条物流线路上在一天内产生的一批物流订单的平均妥投时长大概介于8~15天。其中,图3中的曲线上的每个点均对应于一种最佳分配比例,实际运营时,可以根据成本预算和对物流时效的要求,可以选定一个决策点来确定最终的订单分配规则。例如,确定某条物流线路上的利润率大概为-5%、平均妥投天数大概为10天时,比较符合当前的运营需求,则可以确定在利润率为-5%、平均妥投天数为10天时的分配比例来进行分单。
在本申请实施例中,可在T日到来之前,确定针对目标物流路线在T日产生的一批物流订单的分配比例,以在T日内,实时地对每一笔物流订单分配到候选物流对象进行物流。如,最终确定在重量段0-100g分配给物流对象B1、B2的比例是1:9,则当产生一处于重量段0-100g的待分配订单之后,有10%的概率将该待分配订单分配给B1,有90%的概率将该待分配订单分配给B2。
图4是本申请一示例性实施例提供的一种电子设备的硬件结构示意图。该电子设备可以是电子商务平台服务器或支付平台服务器或物流平台服务器,请参考图4,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成用于分配物流订单的装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
请参考图5,在本申请一实施例中,确定推荐物流对象的装置可以包括:
提供单元301,用于提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;
获得单元302,用于获得待分配的若干物流订单;
确定单元303,用于根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;
分配单元304,用于依据所述分配比例对所述若干物流订单进行分配。
在一可选的实施例中,所述服务能力指标包括服务能力指标和物流成本指标,所述确定单元303可以具体用于:
计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例。可选地,所述第一设定条件为所述服务能力指标达到最优值,所述第二设定条件为所述物流成本指标低于设定阈值。
在一可选的实施例中,计算所述分配比例的算法包括但不限于:贪心算法、和/或模拟退火算法、和/或线性规划算法。
在一可选的实施例中,所述装置还可包括:
分布比例确定单元,用于确定预定时间段内产生的物流订单在各计价类别下的分布比例;
则所述确定单元303具体用于:
对于每一计价类别,依据与该计价类别对应的所述分布比例,分别计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例,其中计算出的所述分配比例与计价类别对应。
在一可选的实施例中,所述分布比例确定单元包括:
第一子单元,获得在预设历史时间段包含的多个时间间隔内产生的历史物流订单在各个计价类别下的分布比例,所述时间间隔和所述预定时间段等长;
第二子单元,基于历史物流订单在各个计价类别下的分布比例,预测在所述预定时间段内产生的物流订单在各个计价类别下的分布比例。
在一可选的实施例中,所述获得单元302用于:
根据在预设历史时间段内产生的历史物流订单量,预测在预定时间段内产生的物流订单的订单量,所述预设历史时间段包含多个和所述预定时间段等长的时间间隔。
在一可选的实施例中,所述提供单元301可以包括:
第一历史数据获得子单元,获得在预设历史时间段包含的每个时间间隔内,分配给所述物流对象的历史物流订单量;
第二历史数据获得子单元,获得所述物流对象在预设历史时间段包含的每个时间间隔内的历史服务能力指标;
函数确定子单元,基于所述历史物流订单量和所述历史服务能力指标,确定拟合函数,所述拟合函数用以反映每一物流对象的服务能力指标与所述物流对象被分配的物流订单量之间的对应关系。
在一实施例中,还提供了一种计算机系统,该计算机系统由计算机硬件和软件构成,其中,从硬件上来说,该计算机系统可以包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器可被配置为:
提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;
获得待分配的若干物流订单;
根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;
依据所述分配比例对所述若干物流订单进行分配。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (20)
1.一种分配物流订单的方法,其特征在于,所述方法包括:
提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;
获得待分配的若干物流订单;
根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;
依据所述分配比例对所述若干物流订单进行分配。
2.根据权利要求1所述的方法,其特征在于,所述服务能力指标包括服务能力指标和物流成本指标,所述确定将所述若干物流订单分配给各物流对象的分配比例包括:
计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例。
3.根据权利要求2所述的方法,其特征在于,所述第一设定条件为所述服务能力指标达到最优值,所述第二设定条件为所述物流成本指标低于设定阈值。
4.根据权利要求1或2所述的方法,其特征在于,计算所述分配比例的算法包括:贪心算法、和/或模拟退火算法、和/或线性规划算法。
5.根据权利要求2所述的方法,其特征在于,在确定将所述若干物流订单分配给各物流对象的分配比例前,所述方法还包括:
确定预定时间段内产生的物流订单在各计价类别下的分布比例;
所述计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例,包括:
对于每一计价类别,依据与该计价类别对应的所述分布比例,分别计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例,其中计算出的所述分配比例与计价类别对应。
6.根据权利要求5所述的方法,其特征在于,所述确定预定时间段内产生的物流订单在各计价类别下的分布比例,包括:
获得在预设历史时间段包含的多个时间间隔内产生的历史物流订单在各个计价类别下的分布比例,所述时间间隔和所述预定时间段等长;
基于历史物流订单在各个计价类别下的分布比例,预测在所述预定时间段内产生的物流订单在各个计价类别下的分布比例。
7.根据权利要求1所述的方法,其特征在于,所述获得待分配的若干物流订单,包括:
根据在预设历史时间段内产生的历史物流订单量,预测在预定时间段内产生的物流订单的订单量,所述预设历史时间段包含多个和所述预定时间段等长的时间间隔。
8.根据权利要求1所述的方法,其特征在于,所述提供多个物流对象的物流能力信息,包括:
获得在预设历史时间段包含的每个时间间隔内,分配给所述物流对象的历史物流订单量;
获得所述物流对象在预设历史时间段包含的每个时间间隔内的历史服务能力指标;
基于所述历史物流订单量和所述历史服务能力指标,确定拟合函数,所述拟合函数用以反映每一物流对象的服务能力指标与所述物流对象被分配的物流订单量之间的对应关系。
9.根据权利要求8所述的方法,其特征在于,所述获得待分配的若干物流订单,包括:
获得在预定时间段内产生的待分配的若干物流订单;
所述基于所述历史物流订单量和所述历史服务能力指标,确定拟合函数,包括:
确定与每一时间间隔对应的拟合权重,其中,所述时间间隔距所述预定时间段越近,则所述拟合权重越高;
基于所述拟合权重、所述历史物流订单量和所述历史服务能力指标,确定拟合函数。
10.根据权利要求1所述的方法,其特征在于,所述服务能力指标包括如下至少一项:平均妥投时长、限定时长内的妥投率、纠纷率、物流服务评分。
11.一种分配物流订单的装置,其特征在于,所述装置包括:
提供单元,用于提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;
获得单元,用于获得待分配的若干物流订单;
确定单元,用于根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;
分配单元,用于依据所述分配比例对所述若干物流订单进行分配。
12.一种计算机系统,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
所述处理器被配置为:
提供多个物流对象的物流能力信息,所述物流能力信息包括所述物流对象的服务能力指标与所述物流对象被分配的订单量之间的对应关系;
获得待分配的若干物流订单;
根据所述物流能力信息以及所述若干物流订单对应的订单量,确定将所述若干物流订单分配给各物流对象的分配比例,其中所述分配比例使得针对所述若干物流订单的服务能力指标满足设定条件;
依据所述分配比例对所述若干物流订单进行分配。
13.根据权利要求12所述的计算机系统,其特征在于,所述服务能力指标包括服务能力指标和物流成本指标,所述确定将所述若干物流订单分配给各物流对象的分配比例包括:
计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例。
14.根据权利要求13所述的计算机系统,其特征在于,所述第一设定条件为所述服务能力指标达到最优值,所述第二设定条件为所述物流成本指标低于设定阈值。
15.根据权利要求13所述的计算机系统,其特征在于,在确定将所述若干物流订单分配给各物流对象的分配比例前,还包括:
确定预定时间段内产生的物流订单在各计价类别下的分布比例;
所述计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例,包括:
对于每一计价类别,依据与该计价类别对应的所述分布比例,分别计算使得所述服务能力指标达到与所述服务能力指标对应的第一设定条件、且使得所述物流成本指标达到与所述物流成本指标对应的第二设定条件的分配比例,其中计算出的所述分配比例与计价类别对应。
16.根据权利要求15所述的计算机系统,其特征在于,所述确定预定时间段内产生的物流订单在各计价类别下的分布比例,包括:
获得在预设历史时间段包含的多个时间间隔内产生的历史物流订单在各个计价类别下的分布比例,所述时间间隔和所述预定时间段等长;
基于历史物流订单在各个计价类别下的分布比例,预测在所述预定时间段内产生的物流订单在各个计价类别下的分布比例。
17.根据权利要求12所述的计算机系统,其特征在于,所述获得待分配的若干物流订单,包括:
根据在预设历史时间段内产生的历史物流订单量,预测在预定时间段内产生的物流订单的订单量,所述预设历史时间段包含多个和所述预定时间段等长的时间间隔。
18.根据权利要求12所述的计算机系统,其特征在于,所述提供多个物流对象的物流能力信息,包括:
获得在预设历史时间段包含的每个时间间隔内,分配给所述物流对象的历史物流订单量;
获得所述物流对象在预设历史时间段包含的每个时间间隔内的历史服务能力指标;
基于所述历史物流订单量和所述历史服务能力指标,确定拟合函数,所述拟合函数用以反映每一物流对象的服务能力指标与所述物流对象被分配的物流订单量之间的对应关系。
19.根据权利要求18所述的计算机系统,其特征在于,所述获得待分配的若干物流订单,包括:
获得在预定时间段内产生的待分配的若干物流订单;
所述基于所述历史物流订单量和所述历史服务能力指标,确定拟合函数,包括:
确定与每一时间间隔对应的拟合权重,其中,所述时间间隔距所述预定时间段越近,则所述拟合权重越高;
基于所述拟合权重、所述历史物流订单量和所述历史服务能力指标,确定拟合函数。
20.根据权利要求12所述的计算机系统,其特征在于,所述服务能力指标包括如下至少一项:平均妥投时长、限定时长内的妥投率、纠纷率、物流服务评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517581.XA CN109214731A (zh) | 2017-06-29 | 2017-06-29 | 分配物流订单的方法及装置、计算机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517581.XA CN109214731A (zh) | 2017-06-29 | 2017-06-29 | 分配物流订单的方法及装置、计算机系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214731A true CN109214731A (zh) | 2019-01-15 |
Family
ID=64976928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710517581.XA Pending CN109214731A (zh) | 2017-06-29 | 2017-06-29 | 分配物流订单的方法及装置、计算机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214731A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111005A (zh) * | 2019-05-09 | 2019-08-09 | 上汽安吉物流股份有限公司 | 智能分单方法和装置、计算机可读介质以及物流系统 |
CN110309947A (zh) * | 2019-05-09 | 2019-10-08 | 上汽安吉物流股份有限公司 | 整车物流订单预测方法及装置、物流系统以及计算机可读介质 |
CN110390535A (zh) * | 2019-06-25 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
CN110991846A (zh) * | 2019-11-25 | 2020-04-10 | 深圳市北斗智能科技有限公司 | 服务人员任务分配方法、装置、设备及存储介质 |
CN114169944A (zh) * | 2022-01-26 | 2022-03-11 | 北京京东振世信息技术有限公司 | 用户需求确定方法、装置、存储介质和电子设备 |
CN114493726A (zh) * | 2022-04-06 | 2022-05-13 | 萨科(深圳)科技有限公司 | 一种订单的监控方法和监控平台 |
CN114912857A (zh) * | 2021-02-09 | 2022-08-16 | 菜鸟智能物流控股有限公司 | 物流分单决策方法和装置 |
TWI814021B (zh) * | 2019-02-18 | 2023-09-01 | 南韓商韓領有限公司 | 用於出勤者指派的方法及電腦實施系統 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118013A (zh) * | 2015-07-29 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 一种订单的分配方法及装置 |
CN105701634A (zh) * | 2016-03-15 | 2016-06-22 | 江阴中科今朝科技有限公司 | 基于移动终端的物流监控及调度系统 |
-
2017
- 2017-06-29 CN CN201710517581.XA patent/CN109214731A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118013A (zh) * | 2015-07-29 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 一种订单的分配方法及装置 |
CN105701634A (zh) * | 2016-03-15 | 2016-06-22 | 江阴中科今朝科技有限公司 | 基于移动终端的物流监控及调度系统 |
Non-Patent Citations (1)
Title |
---|
任肖: "城市群多物流基地多任务协同优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI814021B (zh) * | 2019-02-18 | 2023-09-01 | 南韓商韓領有限公司 | 用於出勤者指派的方法及電腦實施系統 |
CN110111005A (zh) * | 2019-05-09 | 2019-08-09 | 上汽安吉物流股份有限公司 | 智能分单方法和装置、计算机可读介质以及物流系统 |
CN110309947A (zh) * | 2019-05-09 | 2019-10-08 | 上汽安吉物流股份有限公司 | 整车物流订单预测方法及装置、物流系统以及计算机可读介质 |
CN110390535A (zh) * | 2019-06-25 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
CN110390535B (zh) * | 2019-06-25 | 2023-10-10 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
CN110991846A (zh) * | 2019-11-25 | 2020-04-10 | 深圳市北斗智能科技有限公司 | 服务人员任务分配方法、装置、设备及存储介质 |
CN110991846B (zh) * | 2019-11-25 | 2023-06-20 | 深圳市北斗智能科技有限公司 | 服务人员任务分配方法、装置、设备及存储介质 |
CN114912857A (zh) * | 2021-02-09 | 2022-08-16 | 菜鸟智能物流控股有限公司 | 物流分单决策方法和装置 |
CN114169944A (zh) * | 2022-01-26 | 2022-03-11 | 北京京东振世信息技术有限公司 | 用户需求确定方法、装置、存储介质和电子设备 |
CN114493726A (zh) * | 2022-04-06 | 2022-05-13 | 萨科(深圳)科技有限公司 | 一种订单的监控方法和监控平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214731A (zh) | 分配物流订单的方法及装置、计算机系统 | |
Borgs et al. | Optimal multiperiod pricing with service guarantees | |
CN110414731A (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
WO2013102932A2 (en) | System and method facilitating forecasting, optimization and visualization of energy data for an industry | |
Merzifonluoğlu et al. | The static stochastic knapsack problem with normally distributed item sizes | |
Aggarwal et al. | Chance constraint-based multi-objective stochastic model for supplier selection | |
CN109214732A (zh) | 物流对象选择、确定物流线路过载的方法及装置、设备 | |
CN110490380A (zh) | 自动化动态最小运力的即时派单方法及装置 | |
Nejad et al. | Online scheduling and pricing for electric vehicle charging | |
CN106991544A (zh) | 调拨系统及调拨方法 | |
CN109146349A (zh) | 订单分配方法及装置 | |
Dai et al. | O2O on-demand delivery optimization with mixed driver forces | |
Yadollahi et al. | Evaluating approximate solution models for the stochastic periodic inventory routing problem | |
France-Mensah et al. | Impact of multiple highway funding categories and project eligibility restrictions on pavement performance | |
US11526838B1 (en) | Capacity management system for delivery lockers | |
Ouyang et al. | Community logistics for dynamic vehicle dispatching: The effects of community departure “time” and “space” | |
Solgi et al. | Implementing an efficient data envelopment analysis method for assessing suppliers of complex product systems | |
Huang | A review on policies and supply chain relationships under inventory transshipment | |
Al-Abbasi et al. | Resource allocation in cloud-fog systems using genetic algorithm | |
Apte et al. | Focusing on customer time in field service: A normative approach | |
Kharvi et al. | Ordering policies under currency risk sharing agreements: a Markov chain approach | |
You et al. | A heuristic approach to bicycle repositioning problems with dynamic pricing | |
Dellbrügge et al. | Auction design in strategic freight procurement | |
CN116070781B (zh) | 电能计量设备需求预测方法、装置和计算机设备 | |
Desai | Stochastic Goal Programming of Supply Chain under Disruption |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |