CN109377291A - 任务价格预测方法、装置、电子设备及计算机存储介质 - Google Patents
任务价格预测方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN109377291A CN109377291A CN201811556704.1A CN201811556704A CN109377291A CN 109377291 A CN109377291 A CN 109377291A CN 201811556704 A CN201811556704 A CN 201811556704A CN 109377291 A CN109377291 A CN 109377291A
- Authority
- CN
- China
- Prior art keywords
- task
- price
- historic
- historic task
- characteristic
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种任务价格预测方法、装置、电子设备及计算机存储介质,所述任务价格预测方法包括:获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。该技术方案能够减少人工的参与,实现任务价格的自适应调整,进而能够有效提升服务质量,增强用户体验,节约服务成本。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种任务价格预测方法、装置、电子设备及计算机存储介质。
背景技术
随着互联网技术的发展,越来越多的商家或者服务提供商通过互联网平台来为用户提供服务。而订单等任务的配送或执行价格是影响服务质量和用户体验的重要因素,以订单配送价格为例,通常该价格是由人工来设置的,或者虽然由系统根据订单配送距离等因素自动设置,但设置规则也是人为制定的。上述定价机制使得订单的配送价格无法及时感应外部条件的变化,不能及时进行调整。从而造成在运力不足时,订单由于价格过低,不能够刺激订单的接起,而在运力充足时,订单由于价格过高而产生损失,进而导致配送服务质量的下降和配送成本的增加。
发明内容
本公开实施例提供一种任务价格预测方法、装置、电子设备及计算机存储介质。
第一方面,本公开实施例中提供了一种任务价格预测方法。
具体的,所述任务价格预测方法,包括:
获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
结合第一方面,本公开在第一方面的第一种实现方式中,所述根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格,包括:
根据所述历史任务特征数据确定所述历史任务的热度;
根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格。
结合第一方面和第一方面的第一种实现方式,本发明实施例在第一方面的第二种实现方式中,所述根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格,包括:
确定任务热度阈值;
当所述历史任务的热度高于或等于所述任务热度阈值时,下调所述历史任务的价格;
当所述历史任务的热度低于所述任务热度阈值时,上调所述历史任务的价格。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式,本发明实施例在第一方面的第三种实现方式中,所述基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格,包括:
基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型;
利用所述任务价格预测模型预测所述目标任务的价格。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式,本发明实施例在第一方面的第四种实现方式中,所述基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型,包括:
确定任务价格预测模型的类型;
以所述历史任务特征数据作为输入,以所述历史任务校正价格作为输出进行已确定类型的所述任务价格预测模型的训练,得到所述任务价格预测模型。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式,本发明实施例在第一方面的第五种实现方式中,所述利用所述任务价格预测模型预测所述目标任务的价格,包括:
获取目标任务特征数据,其中,所述目标任务特征数据的内容与所述历史任务特征数据的内容一致;
将所述目标任务特征数据输入至所述任务价格预测模型中,得到所述目标任务的价格。
第二方面,本公开实施例中提供了一种任务价格预测装置。
具体的,所述任务价格预测装置,包括:
获取模块,被配置为获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
校正模块,被配置为根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
预测模块,被配置为基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
第三方面,本公开实施例提供了一种电子设备,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被所述处理器执行以实现以下步骤:
获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
结合第三方面,本发明实施例在第三方面的第一种实现方式中,所述根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格,包括:
根据所述历史任务特征数据确定所述历史任务的热度;
根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格。
结合第三方面和第三方面的第一种实现方式,本发明实施例在第三方面的第二种实现方式中,所述根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格,包括:
确定任务热度阈值;
当所述历史任务的热度高于或等于所述任务热度阈值时,下调所述历史任务的价格;
当所述历史任务的热度低于所述任务热度阈值时,上调所述历史任务的价格。
结合第三方面、第三方面的第一种实现方式和第三方面的第二种实现方式,本发明实施例在第三方面的第三种实现方式中,所述基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格,包括:
基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型;
利用所述任务价格预测模型预测所述目标任务的价格。
结合第三方面、第三方面的第一种实现方式、第三方面的第二种实现方式和第三方面的第三种实现方式,本发明实施例在第三方面的第四种实现方式中,所述基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型,包括:
确定任务价格预测模型的类型;
以所述历史任务特征数据作为输入,以所述历史任务校正价格作为输出进行已确定类型的所述任务价格预测模型的训练,得到所述任务价格预测模型。
结合第三方面、第三方面的第一种实现方式、第三方面的第二种实现方式、第三方面的第三种实现方式和第二方面的第四种实现方式,本发明实施例在第三方面的第五种实现方式中,所述利用所述任务价格预测模型预测所述目标任务的价格,包括:
获取目标任务特征数据,其中,所述目标任务特征数据的内容与所述历史任务特征数据的内容一致;
将所述目标任务特征数据输入至所述任务价格预测模型中,得到所述目标任务的价格。
第四方面,本公开实施例提供了一种计算机可读存储介质,用于存储任务价格预测装置所用的计算机指令,其包含用于执行上述第一方面中任务价格预测方法为任务价格预测装置所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果:
上述技术方案利用历史任务训练数据训练得到任务价格预测模型,并使用任务价格预测模型来预测任务价格,同时,为了提高任务价格预测模型的准确性,还根据历史任务训练数据中的历史任务特征数据对于历史任务价格进行校正后再进行任务价格预测模型的训练。该技术方案能够减少人工的参与,实现任务价格的自适应调整,进而能够有效提升服务质量,增强用户体验,节约服务成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本公开一实施方式的任务价格预测方法的流程图;
图2示出根据图1所示实施方式的任务价格预测方法的步骤S102的流程图;
图3示出根据图2所示实施方式的任务价格预测方法的步骤S202的流程图;
图4示出根据图1所示实施方式的任务价格预测方法的步骤S103的流程图;
图5示出根据图4所示实施方式的任务价格预测方法的步骤S401的流程图;
图6示出根据图4所示实施方式的任务价格预测方法的步骤S402的流程图;
图7示出根据本公开一实施方式的任务价格预测装置的结构框图;
图8示出根据图7所示实施方式的任务价格预测装置的校正模块702的结构框图;
图9示出根据图8所示实施方式的任务价格预测装置的述第一校正子模块802的结构框图;
图10示出根据图7所示实施方式的任务价格预测装置的预测模块703的结构框图;
图11示出根据图10所示实施方式的任务价格预测装置的第一训练子模块1001的结构框图;
图12示出根据图10所示实施方式的任务价格预测装置的第一预测子模块1002的结构框图;
图13示出根据本公开一实施方式的电子设备的结构框图;
图14是适于用来实现根据本公开一实施方式的任务价格预测方法的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案利用历史任务训练数据训练得到任务价格预测模型,并使用任务价格预测模型来预测任务价格,同时,为了提高任务价格预测模型的准确性,还根据历史任务训练数据中的历史任务特征数据对于历史任务价格进行校正后再进行任务价格预测模型的训练。该技术方案能够减少人工的参与,实现任务价格的自适应调整,进而能够有效提升服务质量,增强用户体验,节约服务成本。
图1示出根据本公开一实施方式的任务价格预测方法的流程图。如图1所示,所述任务价格预测方法包括以下步骤S101-S103:
在步骤S101中,获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
在步骤S102中,根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
在步骤S103中,基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
上文提及,随着互联网技术的发展,越来越多的商家或者服务提供商通过互联网平台来为用户提供服务。而订单等任务的配送或执行价格是影响服务质量和用户体验的重要因素,以订单配送价格为例,通常该价格是由人工来设置的,或者虽然由系统根据订单配送距离等因素自动设置,但设置规则也是人为制定的。上述定价机制使得订单的配送价格无法及时感应外部条件的变化,不能及时进行调整,从而造成在运力不足时,订单由于价格过低,不能够刺激订单的接起,而在运力充足时,订单由于价格过高而产生损失,进而导致配送服务质量的下降和配送成本的增加。为了应对该问题,现有技术根据订单的特征数据对于订单接受概率进行预测,然后再基于订单接受概率调整订单配送价格。该方案虽然能够在一定程度上解决上述订单配送价格固定不变所存在的弊端,但由于该方案需要预先设定订单接受概率与订单配送价格之间的映射关系,因此,其仍然不能实现自适应的订单配送价格调整,也就无法解决服务质量下降和服务成本增加的问题。
考虑到上述缺陷,在该实施方式中,提出一种任务价格预测方法,该方法利用历史任务训练数据训练得到任务价格预测模型,并使用任务价格预测模型来预测任务价格,同时,为了提高任务价格预测模型的准确性,还根据历史任务训练数据中的历史任务特征数据对于历史任务价格进行校正后再进行任务价格预测模型的训练。该技术方案能够减少人工的参与,实现任务价格的自适应调整,进而能够有效提升服务质量,增强用户体验,节约服务成本。
其中,所述任务是一个泛指的概念,其用于指代需要进行分配和执行、并因此而产生一定费用的任务,比如对于一个配送服务,为了执行配送服务,需要支付配送资源一定的配送费用。在本实施例的一个可选实现方式中,所述任务既可以为订单,也可以为其他需要进行分配和执行的任务,其中,所述订单既可包括用户或商户产生的产品订单,也可包括用户或商户产生的服务订单或者其他类型的订单等等。为了描述的方便,下文中以订单为例对于本发明进行解释和说明,应当了解的是,该示例仅为示例使用,并非是对于本发明的限制,其他任务的情况均可据理类推。在本实施例的一个可选实现方式中,所述任务价格指的是,为了完成该任务而需要支付的费用,比如配送费用,比如执行费用等等。
其中,所述历史任务训练数据指的是与历史任务相关的、后续用于训练所述任务价格预测模型的数据,而所述任务价格预测模型是一个用于对于完成某一任务所需花费的费用进行预测的模型,得到该模型之后,就可以根据目标任务相关的数据自动预测得到对于该任务而言,完成其所需花费的费用,以使每个任务都能够被妥善地处理和完成,进而提升服务质量,增强用户体验。
在本实施例的一个可选实现方式中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格。其中,所述历史任务特征数据可包括历史任务内部特征数据和历史任务外部特征数据,所述历史任务内部特征数据又包括以下数据中的一种或多种:任务涉及的产品或服务的名称、任务涉及的产品或服务的类别、任务涉及的产品或服务的价格、任务配送距离、任务配送时长、任务从产生至被开始处理的时长、任务从产生至完成的时长、任务从被开始处理至处理完成的时长、任务涉及的产品或服务提供方在预设历史时间段内所产生的任务数量等等,所述历史任务外部特征数据又包括以下数据中的一种或多种:任务生成时刻、任务生成时刻的天气、任务生成时刻的路况、任务生成时刻任务生成方预设距离内配送或执行资源的数量等等。
在本实施例的一个可选实现方式中,所述配送资源可以包括配送员、配送装置、配送机器人等可用于执行配送任务的资源,所述执行资源可以包括任何可能的、能够执行该任务的资源。
在本实施例的一个可选实现方式中,如图2所示,所述步骤S102,即根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格的步骤,包括步骤S201-S202:
在步骤S201中,根据所述历史任务特征数据确定所述历史任务的热度;
在步骤S202中,根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格。
为了提高任务价格预测的准确性,在该实施方式中,还根据所述历史任务的热度对所述历史任务价格进行校正,得到的历史任务校正价格后续将代替所述历史任务价格用于对于任务价格的预测。其中,所述历史任务的热度是根据所述历史任务特征数据来确定的,其用于表征该任务对于配送资源或者执行资源的受欢迎程度,也就是说,当某一任务的热度较高时,就认为该任务对于配送资源或者执行资源的受欢迎程度较高,即,多数配送资源或者执行资源愿意选择来完成该任务,反之,当某一任务的热度较低时,就认为该任务对于配送资源或者执行资源的受欢迎程度较低,即,多数配送资源或者执行资源不愿意选择来完成该任务。
在本实施例的一个可选实现方式中,可借助所述历史任务特征数据中的一种或多种数据来确定所述历史任务的热度。比如,可借助任务从产生至被开始处理的时长这一数据来确定所述历史任务的热度,具体地,当某一任务从产生至被开始处理的时长越长,即接单时间较长,就说明该任务的热度较低,多数配送资源或者执行资源不愿意完成该任务,反之,当某一任务从产生至被开始处理的时长越短,即接单时间较短,就说明该任务的热度较高,多数配送资源或者执行资源愿意完成该任务。当然,也可以综合所述历史任务特征数据中的两种或多种数据来确定所述历史任务的热度,此时,对于历史任务热度的确定而言,两种或多种数据中的每种数据既可以具有相同的参与权重,也可以具有不同的参与权重,甚至可以对于不同数据的参与权重进行参数模型的训练,以寻找最佳的参与权重分配,本领域技术人员可根据实际应用的需要和特征数据的特点进行选择和设置,本发明不作具体限定,也不再赘述。
在本实施例的一个可选实现方式中,如图3所示,所述步骤S202,即根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格的步骤,包括步骤S301-S303:
在步骤S301中,确定任务热度阈值;
在步骤S302中,当所述历史任务的热度高于或等于所述任务热度阈值时,下调所述历史任务的价格;
在步骤S303中,当所述历史任务的热度低于所述任务热度阈值时,上调所述历史任务的价格。
为了使得参与目标任务价格确定的数据更为客观和准确,进而提高目标任务价格的准确性,在该实施方式中,还根据所述历史任务的热度对于所述历史任务价格进行校正,具体地,首先确定任务热度阈值;然后判断所述历史任务的热度与所述任务热度阈值之间的关系,当所述历史任务的热度高于或等于所述任务热度阈值时,认为所述历史任务较为受配送资源或执行资源的欢迎,从另一个方面来说,在这种情况下,即使下调所述任务的价格,也不会过多影响所述任务的领取时长和完成度,因此,可对于所述历史任务的价格执行下调处理;相同的道理,当所述历史任务的热度低于所述任务热度阈值时,认为所述历史任务不受配送资源或执行资源的欢迎,在这种情况下,就需要对于所述历史任务的价格执行上调处理,以吸引配送资源和执行资源来领取该任务,从而使得各种任务都能够被妥善地处理,进而进一步提升服务质量,增强用户体验。
在本实施例的一个可选实现方式中,所述任务热度阈值可根据实际应用的需要或者根据经验值进行确认,比如可以将所获得的所有任务热度的均值作为所述任务热度阈值。
在本实施例的一个可选实现方式中,如图4所示,所述步骤S103,即基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格的步骤,包括步骤S401-S402:
在步骤S401中,基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型;
在步骤S402中,利用所述任务价格预测模型预测所述目标任务的价格。
为了实现任务价格的自动、自适应预测和确定,在该实施方式中,借助预测模型来对于所述目标任务的价格进行预测。具体地,首先基于所述历史任务特征数据和历史任务校正价格训练得到任务价格预测模型;然后再利用所述任务价格预测模型预测所述目标任务的价格。
在本实施例的一个可选实现方式中,如图5所示,所述步骤S401,即基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型的步骤,包括步骤S501-S502:
在步骤S501中,确定任务价格预测模型的类型;
在步骤S502中,以所述历史任务特征数据作为输入,以所述历史任务校正价格作为输出进行已确定类型的所述任务价格预测模型的训练,得到所述任务价格预测模型。
在该实施方式中,首先根据实际应用的需要、训练数据的特点以及模型的输出数据的特点确定合适的任务价格预测模型的类型;然后以所述历史任务特征数据作为输入,以所述历史任务校正价格作为输出进行已确定类型的所述任务价格预测模型的训练,最终得到训练完成的任务价格预测模型,其中,模型通常可以理解为是一种函数,这个函数中的全部参数或者部分参数最初是未知的,而模型的训练实际上就是寻找一组最优模型参数的过程,相应地,具有最优的、确定的参数的模型即为训练完成的模型。
在本实施例的一个可选实现方式中,所述预测模型的类型可选为回归模型等模型,当然也可以选择其它合适的模型类型,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,如图6所示,所述步骤S402,即利用所述任务价格预测模型预测所述目标任务的价格的步骤,包括步骤S601-S602:
在步骤S601中,获取目标任务特征数据,其中,所述目标任务特征数据的内容与所述历史任务特征数据的内容一致;
在步骤S602中,将所述目标任务特征数据输入至所述任务价格预测模型中,得到所述目标任务的价格。
为了提高任务价格预测的准确定,在该实施方式中,首先获取内容与所述历史任务特征数据的内容一致的目标任务特征数据;然后将所述目标任务特征数据输入至所述任务价格预测模型中,得到所述目标任务的价格。
在本实施例的一个可选实现方式中,所述方法还包括对于预测得到的目标任务的价格进行显示和/或发布处理的步骤,比如将预测得到的目标任务的价格进行可视化突出式显示、将预测得到的目标任务的价格在平台进行公开发布、或者将预测得到的目标任务的价格同步发送至配送资源处等等,以使配送资源能够及时获取预测得到的价格信息。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图7示出根据本公开一实施方式的任务价格预测装置的结构框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图7所示,所述任务价格预测装置包括:
获取模块701,被配置为获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
校正模块702,被配置为根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
预测模块703,被配置为基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
上文提及,随着互联网技术的发展,越来越多的商家或者服务提供商通过互联网平台来为用户提供服务。而订单等任务的配送或执行价格是影响服务质量和用户体验的重要因素,以订单配送价格为例,通常该价格是由人工来设置的,或者虽然由系统根据订单配送距离等因素自动设置,但设置规则也是人为制定的。上述定价机制使得订单的配送价格无法及时感应外部条件的变化,不能及时进行调整,从而造成在运力不足时,订单由于价格过低,不能够刺激订单的接起,而在运力充足时,订单由于价格过高而产生损失,进而导致配送服务质量的下降和配送成本的增加。为了应对该问题,现有技术根据订单的特征数据对于订单接受概率进行预测,然后再基于订单接受概率调整订单配送价格。该方案虽然能够在一定程度上解决上述订单配送价格固定不变所存在的弊端,但由于该方案需要预先设定订单接受概率与订单配送价格之间的映射关系,因此,其仍然不能实现自适应的订单配送价格调整,也就无法解决服务质量下降和服务成本增加的问题。
考虑到上述缺陷,在该实施方式中,提出一种任务价格预测装置,该装置利用历史任务训练数据训练得到任务价格预测模型,并使用任务价格预测模型来预测任务价格,同时,为了提高任务价格预测模型的准确性,还根据历史任务训练数据中的历史任务特征数据对于历史任务价格进行校正后再进行任务价格预测模型的训练。该技术方案能够减少人工的参与,实现任务价格的自适应调整,进而能够有效提升服务质量,增强用户体验,节约服务成本。
其中,所述任务是一个泛指的概念,其用于指代需要进行分配和执行、并因此而产生一定费用的任务,比如对于一个配送服务,为了执行配送服务,需要支付配送资源一定的配送费用。在本实施例的一个可选实现方式中,所述任务既可以为订单,也可以为其他需要进行分配和执行的任务,其中,所述订单既可包括用户或商户产生的产品订单,也可包括用户或商户产生的服务订单或者其他类型的订单等等。为了描述的方便,下文中以订单为例对于本发明进行解释和说明,应当了解的是,该示例仅为示例使用,并非是对于本发明的限制,其他任务的情况均可据理类推。在本实施例的一个可选实现方式中,所述任务价格指的是,为了完成该任务而需要支付的费用,比如配送费用,比如执行费用等等。
其中,所述历史任务训练数据指的是与历史任务相关的、后续用于训练所述任务价格预测模型的数据,而所述任务价格预测模型是一个用于对于完成某一任务所需花费的费用进行预测的模型,得到该模型之后,就可以根据目标任务相关的数据自动预测得到对于该任务而言,完成其所需花费的费用,以使每个任务都能够被妥善地处理和完成,进而提升服务质量,增强用户体验。
在本实施例的一个可选实现方式中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格。其中,所述历史任务特征数据可包括历史任务内部特征数据和历史任务外部特征数据,所述历史任务内部特征数据又包括以下数据中的一种或多种:任务涉及的产品或服务的名称、任务涉及的产品或服务的类别、任务涉及的产品或服务的价格、任务配送距离、任务配送时长、任务从产生至被开始处理的时长、任务从产生至完成的时长、任务从被开始处理至处理完成的时长、任务涉及的产品或服务提供方在预设历史时间段内所产生的任务数量等等,所述历史任务外部特征数据又包括以下数据中的一种或多种:任务生成时刻、任务生成时刻的天气、任务生成时刻的路况、任务生成时刻任务生成方预设距离内配送或执行资源的数量等等。
在本实施例的一个可选实现方式中,所述配送资源可以包括配送员、配送装置、配送机器人等可用于执行配送任务的资源,所述执行资源可以包括任何可能的、能够执行该任务的资源。
在本实施例的一个可选实现方式中,如图8所示,所述校正模块702包括:
第一确定子模块801,被配置为根据所述历史任务特征数据确定所述历史任务的热度;
第一校正子模块802,被配置为根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格。
为了提高任务价格预测的准确性,在该实施方式中,还根据所述历史任务的热度对所述历史任务价格进行校正,得到的历史任务校正价格后续将代替所述历史任务价格用于对于任务价格的预测。其中,所述历史任务的热度是根据所述历史任务特征数据来确定的,其用于表征该任务对于配送资源或者执行资源的受欢迎程度,也就是说,当某一任务的热度较高时,就认为该任务对于配送资源或者执行资源的受欢迎程度较高,即,多数配送资源或者执行资源愿意选择来完成该任务,反之,当某一任务的热度较低时,就认为该任务对于配送资源或者执行资源的受欢迎程度较低,即,多数配送资源或者执行资源不愿意选择来完成该任务。
在本实施例的一个可选实现方式中,可借助所述历史任务特征数据中的一种或多种数据来确定所述历史任务的热度。比如,可借助任务从产生至被开始处理的时长这一数据来确定所述历史任务的热度,具体地,当某一任务从产生至被开始处理的时长越长,即接单时间较长,就说明该任务的热度较低,多数配送资源或者执行资源不愿意完成该任务,反之,当某一任务从产生至被开始处理的时长越短,即接单时间较短,就说明该任务的热度较高,多数配送资源或者执行资源愿意完成该任务。当然,也可以综合所述历史任务特征数据中的两种或多种数据来确定所述历史任务的热度,此时,对于历史任务热度的确定而言,两种或多种数据中的每种数据既可以具有相同的参与权重,也可以具有不同的参与权重,甚至可以对于不同数据的参与权重进行参数模型的训练,以寻找最佳的参与权重分配,本领域技术人员可根据实际应用的需要和特征数据的特点进行选择和设置,本发明不作具体限定,也不再赘述。
在本实施例的一个可选实现方式中,如图9所示,所述第一校正子模块802包括:
第二确定子模块901,被配置为确定任务热度阈值;
第二校正子模块902,被配置为当所述历史任务的热度高于或等于所述任务热度阈值时,下调所述历史任务的价格;
第三校正子模块903,被配置为当所述历史任务的热度低于所述任务热度阈值时,上调所述历史任务的价格。
为了使得参与目标任务价格确定的数据更为客观和准确,进而提高目标任务价格的准确性,在该实施方式中,还根据所述历史任务的热度对于所述历史任务价格进行校正,具体地,第二确定子模块901确定任务热度阈值;第二校正子模块902判断所述历史任务的热度与所述任务热度阈值之间的关系,当所述历史任务的热度高于或等于所述任务热度阈值时,认为所述历史任务较为受配送资源或执行资源的欢迎,从另一个方面来说,在这种情况下,即使下调所述任务的价格,也不会过多影响所述任务的领取时长和完成度,因此,可对于所述历史任务的价格执行下调处理;相同的道理,当所述历史任务的热度低于所述任务热度阈值时,认为所述历史任务不受配送资源或执行资源的欢迎,在这种情况下,就需要对于所述历史任务的价格执行上调处理,以吸引配送资源和执行资源来领取该任务,从而使得各种任务都能够被妥善地处理,进而进一步提升服务质量,增强用户体验。
在本实施例的一个可选实现方式中,所述任务热度阈值可根据实际应用的需要或者根据经验值进行确认,比如可以将所获得的所有任务热度的均值作为所述任务热度阈值。
在本实施例的一个可选实现方式中,如图10所示,所述预测模块703包括:
第一训练子模块1001,被配置为基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型;
第一预测子模块1002,被配置为利用所述任务价格预测模型预测所述目标任务的价格。
为了实现任务价格的自动、自适应预测和确定,在该实施方式中,借助预测模型来对于所述目标任务的价格进行预测。具体地,第一训练子模块1001基于所述历史任务特征数据和历史任务校正价格训练得到任务价格预测模型;第一预测子模块1002,再利用所述任务价格预测模型预测所述目标任务的价格。
在本实施例的一个可选实现方式中,如图11所示,所述第一训练子模块1001包括:
第三确定子模块1101,被配置为确定任务价格预测模型的类型;
第二训练子模块1102,被配置为以所述历史任务特征数据作为输入,以所述历史任务校正价格作为输出进行已确定类型的所述任务价格预测模型的训练,得到所述任务价格预测模型。
在该实施方式中,第三确定子模块1101根据实际应用的需要、训练数据的特点以及模型的输出数据的特点确定合适的任务价格预测模型类型;第二训练子模块1102以所述历史任务特征数据作为输入,以所述历史任务校正价格作为输出进行已确定类型的所述任务价格预测模型的训练,最终得到训练完成的任务价格预测模型,其中,模型通常可以理解为是一种函数,这个函数中的全部参数或者部分参数最初是未知的,而模型的训练实际上就是寻找一组最优模型参数的过程,相应地,具有最优的、确定的参数的模型即为训练完成的模型。
在本实施例的一个可选实现方式中,所述预测模型的类型可选为回归模型等模型,当然也可以选择其它合适的模型类型,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,如图12所示,所述第一预测子模块1002包括:
获取子模块1201,被配置为获取目标任务特征数据,其中,所述目标任务特征数据的内容与所述历史任务特征数据的内容一致;
第二预测子模块1202,被配置为将所述目标任务特征数据输入至所述任务价格预测模型中,得到所述目标任务的价格。
为了提高任务价格预测的准确定,在该实施方式中,获取子模块1201获取内容与所述历史任务特征数据的内容一致的目标任务特征数据;第二预测子模块1202将所述目标任务特征数据输入至所述任务价格预测模型中,得到所述目标任务的价格。
在本实施例的一个可选实现方式中,所述装置还包括处理模块,所述处理模块被配置为对于预测得到的目标任务的价格进行显示和/或发布处理,比如将预测得到的目标任务的价格进行可视化突出式显示、将预测得到的目标任务的价格在平台进行公开发布、或者将预测得到的目标任务的价格同步发送至配送资源处等等,以使配送资源能够及时获取预测得到的价格信息。
本公开还公开了一种电子设备,图13示出根据本公开一实施方式的电子设备的结构框图,如图13所示,所述电子设备1300包括存储器1301和处理器1302;其中,
所述存储器1301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被所述处理器1302执行以实现以下步骤:
获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
在本实施例的一个可选实现方式中,所述根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格,包括:
根据所述历史任务特征数据确定所述历史任务的热度;
根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格。
在本实施例的一个可选实现方式中,所述根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格,包括:
确定任务热度阈值;
当所述历史任务的热度高于或等于所述任务热度阈值时,下调所述历史任务的价格;
当所述历史任务的热度低于所述任务热度阈值时,上调所述历史任务的价格。
在本实施例的一个可选实现方式中,所述基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格,包括:
基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型;
利用所述任务价格预测模型预测所述目标任务的价格。
在本实施例的一个可选实现方式中,所述基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型,包括:
确定任务价格预测模型的类型;
以所述历史任务特征数据作为输入,以所述历史任务校正价格作为输出进行已确定类型的所述任务价格预测模型的训练,得到所述任务价格预测模型。
在本实施例的一个可选实现方式中,所述利用所述任务价格预测模型预测所述目标任务的价格,包括:
获取目标任务特征数据,其中,所述目标任务特征数据的内容与所述历史任务特征数据的内容一致;
将所述目标任务特征数据输入至所述任务价格预测模型中,得到所述目标任务的价格。
图14适于用来实现根据本公开实施方式的任务价格预测方法的计算机系统的结构示意图。
如图14所示,计算机系统1400包括中央处理单元(CPU)1401,其可以根据存储在只读存储器(ROM)1402中的程序或者从存储部分1408加载到随机访问存储器(RAM)1403中的程序而执行上述实施方式中的各种处理。在RAM1403中,还存储有系统1400操作所需的各种程序和数据。CPU1401、ROM1402以及RAM1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
以下部件连接至I/O接口1405:包括键盘、鼠标等的输入部分1406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1407;包括硬盘等的存储部分1408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1410上,以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
特别地,根据本公开的实施方式,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行上述任务价格预测方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分1409从网络上被下载和安装,和/或从可拆卸介质1411被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种任务价格预测方法,其特征在于,包括:
获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格,包括:
根据所述历史任务特征数据确定所述历史任务的热度;
根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格。
3.根据权利要求2所述的方法,其特征在于,所述根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格,包括:
确定任务热度阈值;
当所述历史任务的热度高于或等于所述任务热度阈值时,下调所述历史任务的价格;
当所述历史任务的热度低于所述任务热度阈值时,上调所述历史任务的价格。
4.根据权利要求1-3任一所述的方法,其特征在于,所述基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格,包括:
基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型;
利用所述任务价格预测模型预测所述目标任务的价格。
5.一种任务价格预测装置,其特征在于,包括:
获取模块,被配置为获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
校正模块,被配置为根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
预测模块,被配置为基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
6.一种电子设备,其特征在于,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被所述处理器执行以实现以下步骤:
获取历史任务训练数据,其中,所述历史任务训练数据包括:历史任务特征数据和历史任务价格;
根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格;
基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格。
7.根据权利要求6所述的电子设备,其特征在于,所述根据所述历史任务特征数据对所述历史任务价格进行校正,得到历史任务校正价格,包括:
根据所述历史任务特征数据确定所述历史任务的热度;
根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格。
8.根据权利要求7所述的电子设备,其特征在于,所述根据所述历史任务的热度对所述历史任务价格进行校正,得到历史任务校正价格,包括:
确定任务热度阈值;
当所述历史任务的热度高于或等于所述任务热度阈值时,下调所述历史任务的价格;
当所述历史任务的热度低于所述任务热度阈值时,上调所述历史任务的价格。
9.根据权利要求6-8任一所述的电子设备,其特征在于,所述基于所述历史任务特征数据和所述历史任务校正价格预测目标任务的价格,包括:
基于所述历史任务特征数据和所述历史任务校正价格训练得到任务价格预测模型;
利用所述任务价格预测模型预测所述目标任务的价格。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-4任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556704.1A CN109377291A (zh) | 2018-12-19 | 2018-12-19 | 任务价格预测方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556704.1A CN109377291A (zh) | 2018-12-19 | 2018-12-19 | 任务价格预测方法、装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109377291A true CN109377291A (zh) | 2019-02-22 |
Family
ID=65370928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811556704.1A Pending CN109377291A (zh) | 2018-12-19 | 2018-12-19 | 任务价格预测方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377291A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443513A (zh) * | 2019-08-09 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 团队任务的员工组建方法、装置、终端及存储介质 |
CN111126914A (zh) * | 2019-12-24 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN111882366A (zh) * | 2020-08-07 | 2020-11-03 | 武汉空心科技有限公司 | 一种具有对比性的工作平台任务价格预估方法 |
CN112819266A (zh) * | 2019-11-15 | 2021-05-18 | 北京三快在线科技有限公司 | 配送参数调整方法、装置、存储介质及电子设备 |
CN112926923A (zh) * | 2021-03-24 | 2021-06-08 | 拉扎斯网络科技(上海)有限公司 | 一种测试数据集合的获取方法、装置及电子设备 |
WO2021230808A1 (en) * | 2020-05-15 | 2021-11-18 | Grabtaxi Holdings Pte. Ltd. | Server and method of determining an advanced booking fee for an advance booking |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102132285A (zh) * | 2008-07-15 | 2011-07-20 | 帕布利索公司 | 自动设置和改变价格以用于在线内容销售的方法和系统 |
CN102324082A (zh) * | 2011-09-08 | 2012-01-18 | 上海烟草集团有限责任公司 | 基于多元线性回归分析的卷烟市场价格预测方法 |
CN103136698A (zh) * | 2011-11-29 | 2013-06-05 | 艺龙网信息技术(北京)有限公司 | 一种酒店订单处理系统和处理方法 |
CN107251082A (zh) * | 2015-02-27 | 2017-10-13 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
CN108537382A (zh) * | 2018-04-09 | 2018-09-14 | 成都易商商盟数据服务有限公司 | 一种电商价格趋势预测方法及系统 |
-
2018
- 2018-12-19 CN CN201811556704.1A patent/CN109377291A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102132285A (zh) * | 2008-07-15 | 2011-07-20 | 帕布利索公司 | 自动设置和改变价格以用于在线内容销售的方法和系统 |
CN102324082A (zh) * | 2011-09-08 | 2012-01-18 | 上海烟草集团有限责任公司 | 基于多元线性回归分析的卷烟市场价格预测方法 |
CN103136698A (zh) * | 2011-11-29 | 2013-06-05 | 艺龙网信息技术(北京)有限公司 | 一种酒店订单处理系统和处理方法 |
CN107251082A (zh) * | 2015-02-27 | 2017-10-13 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
CN108537382A (zh) * | 2018-04-09 | 2018-09-14 | 成都易商商盟数据服务有限公司 | 一种电商价格趋势预测方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443513A (zh) * | 2019-08-09 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 团队任务的员工组建方法、装置、终端及存储介质 |
CN110443513B (zh) * | 2019-08-09 | 2023-08-29 | 深圳前海微众银行股份有限公司 | 团队任务的员工组建方法、装置、终端及存储介质 |
CN112819266A (zh) * | 2019-11-15 | 2021-05-18 | 北京三快在线科技有限公司 | 配送参数调整方法、装置、存储介质及电子设备 |
CN111126914A (zh) * | 2019-12-24 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN111126914B (zh) * | 2019-12-24 | 2023-09-26 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
WO2021230808A1 (en) * | 2020-05-15 | 2021-11-18 | Grabtaxi Holdings Pte. Ltd. | Server and method of determining an advanced booking fee for an advance booking |
CN114144805A (zh) * | 2020-05-15 | 2022-03-04 | 格步计程车控股私人有限公司 | 确定提前预订的提前预订费用的服务器和方法 |
US20230138588A1 (en) * | 2020-05-15 | 2023-05-04 | Grabtaxi Holdings Pte. Ltd. | Server and method of determining an advanced booking fee for an advance booking |
CN111882366A (zh) * | 2020-08-07 | 2020-11-03 | 武汉空心科技有限公司 | 一种具有对比性的工作平台任务价格预估方法 |
CN112926923A (zh) * | 2021-03-24 | 2021-06-08 | 拉扎斯网络科技(上海)有限公司 | 一种测试数据集合的获取方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377291A (zh) | 任务价格预测方法、装置、电子设备及计算机存储介质 | |
US8364553B2 (en) | Managing fresh-product inventory | |
CN108364085A (zh) | 一种外卖配送时间预测方法和装置 | |
US20160210659A1 (en) | Managing digital media spend allocation using calibrated user-level response data | |
CN107977812A (zh) | 生产自动排单方法、装置及系统 | |
EP3188096A1 (en) | Data analysis for predictive scheduling optimization for product production | |
CN106020966A (zh) | 用于将从客户接收的任务智能地分布于多个劳动资源间的系统和方法 | |
Ribas et al. | A Petri net-based decision-making framework for assessing cloud services adoption: The use of spot instances for cost reduction | |
US20120150576A1 (en) | Integrating simulation and forecasting modes in business intelligence analyses | |
US20190378066A1 (en) | Machine for labor optimization for efficient shipping | |
EP1550070A2 (en) | Systems and methods for planning, scheduling, and management | |
WO2018200546A1 (en) | System and method for establishing regional distribution center inventory levels for new third party products | |
Lieckens et al. | Network and contract optimization for maintenance services with remanufacturing | |
Gademann et al. | Linear-programming-based heuristics for project capacity planning | |
JP6536028B2 (ja) | 発注計画決定装置、発注計画決定方法および発注計画決定プログラム | |
CN109697637A (zh) | 对象类别确定方法、装置、电子设备及计算机存储介质 | |
CN109636227A (zh) | 任务分配方法、装置、电子设备及计算机可读存储介质 | |
US20150186928A1 (en) | Real-time marketing portfolio optimization and reapportioning | |
CN114663015A (zh) | 补货方法和装置 | |
Khedlekar et al. | Dynamic pricing model with logarithmic demand | |
US10977609B1 (en) | Distribution-independent inventory approach under multiple service level targets | |
CN115699057A (zh) | 短生命周期销售曲线估计 | |
Ernst et al. | Dynamic scheduling of recreational rental vehicles with revenue management extensions | |
CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
Yoon et al. | Cooperative production switchover coordination for the real-time order acceptance decision |
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 |
Application publication date: 20190222 |
|
RJ01 | Rejection of invention patent application after publication |