CN109636227A - 任务分配方法、装置、电子设备及计算机可读存储介质 - Google Patents
任务分配方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109636227A CN109636227A CN201811573636.XA CN201811573636A CN109636227A CN 109636227 A CN109636227 A CN 109636227A CN 201811573636 A CN201811573636 A CN 201811573636A CN 109636227 A CN109636227 A CN 109636227A
- Authority
- CN
- China
- Prior art keywords
- task
- allocated
- training data
- execution cost
- resource
- 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
- G06Q10/06—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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (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)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种任务分配方法、装置、电子设备及计算机可读存储介质,所述任务分配方法包括:获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;根据所述待分配任务预测执行费用对于所述待分配任务进行分配。该技术方案不仅能够大大减少人力的投入、提高工作效率,并且能够有效保证任务分配的最优化,最大限度地降低分配风险,同时,由于上述机器学习方法训练数据完备,自适应能力强,因此能够在众多场景中适用。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种任务分配方法、装置、电子设备及计算机可读存储介质。
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。为了提高服务质量、提升用户的使用体验,服务提供商通常对于订单等服务任务的分配进行最优化处理。现有技术中,有一种任务分配的最优化处理方法是先使用一些预设规则对于配送员等订单配送资源与订单之间的代价进行打分,将得到的配送资源与订单之间的得分组成二维矩阵,再使用KM算法基于得分二维矩阵进行最大权匹配,即可对于任务分配进行最优化处理。但现有技术中,所述得分二维矩阵通常是借助人工规则、依靠人工经验来产生,这样就需要耗费大量的人力在市场中进行实践,得到反馈后再对于当前评分规则进行修改和调整,然后再投入市场使用。如此不停的迭代不仅导致了人力的浪费和效率的低下,而且每次实验均需要承担一定的风险,另外,上述人工评分规则逻辑相对简单,难以适用所有的场景。
发明内容
本公开实施例提供一种任务分配方法、装置、电子设备及计算机可读存储介质。
第一方面,本公开实施例中提供了一种任务分配方法。
具体的,所述任务分配方法,包括:
获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
结合第一方面,本公开在第一方面的第一种实现方式中,所述获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型,包括:
获取初始任务相关训练数据;
根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;
根据所述任务相关训练数据训练得到任务执行费用预测模型。
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,所述根据所述待分配任务预测执行费用对于所述待分配任务进行分配,包括:
确定分配规则;
基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
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,所述分配规则为待分配任务执行费用最小。
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,所述基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配,包括:
将所述待分配任务预测执行费用进行预设规则转换,得到待分配任务预测执行费用转换值;
将所述待分配任务预测执行费用转换值确定为待分配任务与执行资源之间的匹配分值;
基于所述匹配分值,利用KM算法将所述待分配任务分配给执行资源。
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,所述预设规则为对于所述待分配任务预测执行费用进行取负处理。
第二方面,本公开实施例中提供了一种任务分配装置。
具体的,所述任务分配装置,包括:
训练模块,被配置为获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
预测模块,被配置为获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
分配模块,被配置为根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
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:
获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
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,所述获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型,包括:
获取初始任务相关训练数据;
根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;
根据所述任务相关训练数据训练得到任务执行费用预测模型。
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,所述根据所述待分配任务预测执行费用对于所述待分配任务进行分配,包括:
确定分配规则;
基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
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,所述分配规则为待分配任务执行费用最小。
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,所述基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配,包括:
将所述待分配任务预测执行费用进行预设规则转换,得到待分配任务预测执行费用转换值;
将所述待分配任务预测执行费用转换值确定为待分配任务与执行资源之间的匹配分值;
基于所述匹配分值,利用KM算法将所述待分配任务分配给执行资源。
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三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,所述预设规则为对于所述待分配任务预测执行费用进行取负处理。
第四方面,本公开实施例提供了一种计算机可读存储介质,用于存储任务分配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分配方法为任务分配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:
上述技术方案使用机器学习方法,通过训练任务执行费用预测模型来获取得分二维矩阵中的矩阵元素,并基于所述得分二维矩阵对于所述待分配任务进行最优化分配。该技术方案不仅能够大大减少人力的投入、提高工作效率,并且能够有效保证任务分配的最优化,最大限度地降低分配风险,同时,由于上述机器学习方法训练数据完备,自适应能力强,因此能够在众多场景中适用。
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分配方法的流程图;
图2示出根据图1所示实施方式的任务分配方法的步骤S101的流程图;
图3示出根据图1所示实施方式的任务分配方法的步骤S103的流程图;
图4示出根据图3所示实施方式的任务分配方法的步骤S302的流程图;
图5示出根据本公开一实施方式的任务分配装置的结构框图;
图6示出根据图5所示实施方式的任务分配装置的训练模块501的结构框图;
图7示出根据图5所示实施方式的任务分配装置的分配模块503的结构框图;
图8示出根据图7所示实施方式的任务分配装置的分配子模块702的结构框图;
图9示出根据本公开一实施方式的电子设备的结构框图;
图10是适于用来实现根据本公开一实施方式的任务分配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使用机器学习方法,通过训练任务执行费用预测模型来获取得分二维矩阵中的矩阵元素,并基于所述得分二维矩阵对于所述待分配任务进行最优化分配。该技术方案不仅能够大大减少人力的投入、提高工作效率,并且能够有效保证任务分配的最优化,最大限度地降低分配风险,同时,由于上述机器学习方法训练数据完备,自适应能力强,因此能够在众多场景中适用。
图1示出根据本公开一实施方式的任务分配方法的流程图。如图1所示,所述任务分配方法包括以下步骤S101-S103:
在步骤S101中,获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
在步骤S102中,获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
在步骤S103中,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
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。为了提高服务质量、提升用户的使用体验,服务提供商通常对于订单等服务任务的分配进行最优化处理。现有技术中,有一种任务分配的最优化处理方法是先使用一些预设规则对于配送员等订单配送资源与订单之间的代价进行打分,将得到的配送资源与订单之间的得分组成二维矩阵,再使用KM算法基于得分二维矩阵进行最大权匹配,即可对于任务分配进行最优化处理。但现有技术中,所述得分二维矩阵通常是借助人工规则、依靠人工经验来产生,这样就需要耗费大量的人力在市场中进行实践,得到反馈后再对于当前评分规则进行修改和调整,然后再投入市场使用。如此不停的迭代不仅导致了人力的浪费和效率的低下,而且每次实验均需要承担一定的风险,另外,上述人工评分规则逻辑相对简单,难以适用所有的场景。
考虑到上述缺陷,在该实施方式中,提出一种任务分配方法,该方法使用机器学习方法,比如决策树、神经网络、集成学习等模型,通过训练任务执行费用预测模型来获取得分二维矩阵中的矩阵元素,并基于所述得分二维矩阵对于所述待分配任务进行最优化分配。该技术方案不仅能够大大减少人力的投入、提高工作效率,并且能够有效保证任务分配的最优化,最大限度地降低分配风险,同时,由于上述机器学习方法训练数据完备,自适应能力强,因此能够在众多场景中适用。
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并执行的任务。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并执行的任务,其中,所述订单既包括用户或商户产生的产品订单,也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。
其中,所述任务相关训练数据指的是与任务相关的、用于训练所述任务执行费用预测模型的数据,而所述任务执行费用预测模型是一个用于对于执行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,就可以预测得到对于某一任务而言,执行其所需花费的费用,进而可根据预测得到的费用信息将该任务分配给一个合适的执行资源,以使整体的任务执行费用总数最低。
在本实施例的一个可选实现方式中,所述执行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。
在本实施例的一个可选实现方式中,所述任务相关训练数据可包括以下数据中的一种或多种:执行资源训练数据、任务训练数据和任务方训练数据等等。其中,所述训练数据可包括历史训练数据、实时训练数据以及预测训练数据。由于本公开的目的是对于任务进行最优化分配,找到适合配送该任务的执行资源,使得配送成本最低,因此,上述任务相关训练数据除了与待分配的任务相关,还需要能够体现执行资源之间的区别。
比如,对于执行资源训练数据中的历史训练数据来说,其可以包括以下数据中的一种或多种:历史预设时间段内的执行任务次数、历史预设时间段内的最大任务处理数量、历史预设时间段内的任务延误数量、历史预设时间段内刷新待分配任务清单的频率、历史预设时间段内的最长执行任务时长、历史预设时间段内的最短执行任务时长、历史预设时间段内的执行任务时长均值、历史预设时间段内的好评率、历史预设时间段内的差评率、历史预设时间段内的配送距离、历史预设时间段内的配送速度、历史预设时间段内执行资源已接收但未完成的任务数量、历史预设时间段内任务执行费用等等。
比如,对于执行资源任务训练数据来说,其可以包括以下数据中的一种或多种:历史预设时间段内任务与执行资源之间的最长距离、历史预设时间段内任务与执行资源之间的最短距离、历史预设时间段内任务与执行资源之间的距离均值、历史预设时间段内任务对应的最长配送距离、历史预设时间段内任务对应的最短配送距离、历史预设时间段内任务对应的配送距离均值等等。
再比如,对于执行资源任务方训练数据来说,其可以包括以下数据中的一种或多种:历史预设时间段内任务方产生的任务数量、历史预设时间段内执行资源与任务方之间的距离、历史预设时间段内执行资源到达任务方处所需要的时间、历史预设时间段内其他任务方或执行资源的评价等等。其中,所述任务方既可以指代用户等任务产生方也可以指代商户等任务生产方。
当然,上述这些数据还可增加对于预设区域、预设天气情况等前提的限制,从而生成多种训练数据,本发明对其不再进行赘述。需要说明的是,以上均为对于历史训练数据的示例性说明,所述实时训练数据以及预测训练数据也可以此类推,得到相应的训练数据。
在本实施例的一个可选实现方式中,为了获得准确的预测数据,所述待分配任务相关数据的数据内容、类型均与所述任务相关训练数据的设置相一致。
在本实施例的一个可选实现方式中,如图2所示,所述步骤S101,即获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型的步骤,包括步骤S201-S203:
在步骤S201中,获取初始任务相关训练数据;
在步骤S202中,根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;
在步骤S203中,根据所述任务相关训练数据训练得到任务执行费用预测模型。
为了提高所述任务执行费用预测模型的准确性,在该实施方式中,在获取到初始任务相关训练数据之后,还根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;最后再根据所述任务相关训练数据训练得到任务执行费用预测模型。
在本实施例的一个可选实现方式中,所述根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选指的是,根据执行资源所花费资源与其所得的执行费用是否相等或相近来对于所述初始任务相关训练数据进行筛选,即留下执行资源所花费资源与执行费用相等或相近的、可认为准确性更强的训练数据,滤除执行资源所花费资源与执行费用不相等或不相近的、可认为准确性欠缺的训练数据,其中,相近可认为所花费资源与执行费用两者之间的差值不大于一预设数值。上述训练数据的筛选处理能够有效提高训练数据的准确性,进而提高所述任务执行费用预测模型的准确性。
其中,所述执行资源所花费资源可包括所述执行资源为执行某一任务所花费的资源,比如对于配送资源来说,其配送某一订单所花费的资源可包括配送时长和配送距离,其中,所述配送时长可包括取单时长、行进时长、送单时长等等,所述取单时长指的是配送资源从到达取单点至取到订单物品所用的时长,所述行进时长指的是配送资源从取单点至送单点所用的时长,所述送单时长指的是配送资源从到达送单点至完成订单物品的送交所用的时长;其中,所述配送距离可包括取单距离、行进距离、送单距离等等,所述取单距离指的是配送资源从当前位置至取单位置之间的距离,所述行进距离指的是配送资源从取单位置至送单位置之间的距离,所述送单距离指的是配送资源从送单位置至收单人之间的距离。
在本实施例的一个可选实现方式中,可将所述执行资源所花费资源按照预设规则进行量化,以与其所得费用或任务价格进行比较,比如对于配送资源来说,若其配送某一订单所花费的资源包括配送时长和配送距离,那么配送时长越长,配送距离越远,认为其为完成该订单的配送所付出的劳动越多,相应的量化值也就越大,反之,配送时长越短,配送距离越近,认为其为完成该订单的配送所付出的劳动越少,相应的量化值也就越小。更为具体地,在实际应用中,可设置花费资源与量化值之间的对应表,然后在进行资源量化时可参考对应表进行。
在本实施例的一个可选实现方式中,所述执行费用指的是执行资源执行某一任务而得到或等同得到的费用,具体地,对于配送员而言,其执行费用指的是其执行某一任务而得到的费用;对于配送装置或配送机器人而言,其执行费用可以是等同得到的费用,比如成本损耗等折算费用等等。
其中,所述执行资源指的是能够执行所述任务的资源,在本实施例的一个可选实现方式中,对于订单的分配和配送来说,所述执行资源指的就是配送资源。
在本实施例的一个可选实现方式中,如图3所示,所述步骤S103,即根据所述待分配任务预测执行费用对于所述待分配任务进行分配的步骤,包括步骤S301-S302:
在步骤S301中,确定分配规则;
在步骤S302中,基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
在本实施例的一个可选实现方式中,所述分配规则为待分配任务执行费用最小。
为了实现对于待分配任务的最优化分配,降低任务执行的总成本,在该实施方式中,首先确定分配规则,比如,使得待分配任务执行费用最小;然后再基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
在本实施例的一个可选实现方式中,如图4所示,所述步骤S302,即基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配的步骤,包括步骤S401-S403:
在步骤S401中,将所述待分配任务预测执行费用进行预设规则转换,得到待分配任务预测执行费用转换值;
在步骤S402中,将所述待分配任务预测执行费用转换值确定为待分配任务与执行资源之间的匹配分值,其中,所述匹配分值用于表征所述待分配任务与所述执行资源之间的匹配程度,以为后续待分配任务的分配提供数据支持;
在步骤S403中,基于所述匹配分值,利用KM算法将所述待分配任务分配给执行资源。
在本实施例的一个可选实现方式中,所述预设规则为对于所述待分配任务预测执行费用进行取负处理,其中,所述取负处理指的就是取所述预测执行费用的负数。
为了实现对于待分配任务的最优化分配,考虑到任务分配的目的是使得任务执行成本最低,因此,在该实施方式中,将所述待分配任务预测执行费用进行取负处理,得到待分配任务预测执行费用转换值;然后将所述待分配任务预测执行费用转换值确定为待分配任务与执行资源之间的匹配分值,组成得分二维矩阵;最后基于所述匹配分值形成的得分二维矩阵,利用KM算法将所述待分配任务分配给最适合的执行资源。
其中,所述KM算法是一种求取完备匹配下的最大权匹配算法,属于一种现有的匹配算法,本发明在此对于其具体工作原理不作赘述。
在本实施例的一个可选实现方式中,所述方法还包括对于所述待分配任务的分配结果进行显示和/或发布处理的步骤,比如将分配结果进行可视化突出式显示、将分配结果在平台进行公开发布、或者将分配结果同步发送至执行资源处等等,以使执行资源能够及时获取分配得到的任务。
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5示出根据本公开一实施方式的任务分配装置的结构框图,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5所示,所述任务分配装置包括:
训练模块501,被配置为获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
预测模块502,被配置为获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
分配模块503,被配置为根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
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。为了提高服务质量、提升用户的使用体验,服务提供商通常对于订单等服务任务的分配进行最优化处理。现有技术中,有一种任务分配的最优化处理方法是先使用一些预设规则对于配送员等订单执行资源与订单之间的代价进行打分,将得到的执行资源与订单之间的得分组成二维矩阵,再使用KM算法基于得分二维矩阵进行最大权匹配,即可对于任务分配进行最优化处理。但现有技术中,所述得分二维矩阵通常是借助人工规则、依靠人工经验来产生,这样就需要耗费大量的人力在市场中进行实践,得到反馈后再对于当前评分规则进行修改和调整,然后再投入市场使用。如此不停的迭代不仅导致了人力的浪费和效率的低下,而且每次实验均需要承担一定的风险,另外,上述人工评分规则逻辑相对简单,难以适用所有的场景。
考虑到上述缺陷,在该实施方式中,提出一种任务分配装置,该装置使用机器学习方法,比如决策树、神经网络、集成学习等模型,通过训练任务执行费用预测模型来获取得分二维矩阵中的矩阵元素,并基于所述得分二维矩阵对于所述待分配任务进行最优化分配。该技术方案不仅能够大大减少人力的投入、提高工作效率,并且能够有效保证任务分配的最优化,最大限度地降低分配风险,同时,由于上述机器学习方法训练数据完备,自适应能力强,因此能够在众多场景中适用。
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并执行的任务。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并执行的任务,其中,所述订单既包括用户或商户产生的产品订单,也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。
其中,所述任务相关训练数据指的是与任务相关的、用于训练所述任务执行费用预测模型的数据,而所述任务执行费用预测模型是一个用于对于执行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,就可以预测得到对于某一任务而言,执行其所需花费的费用,进而可根据预测得到的费用信息将该任务分配给一个合适的执行资源,以使整体的任务执行费用总数最低。
在本实施例的一个可选实现方式中,所述执行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。
在本实施例的一个可选实现方式中,所述任务相关训练数据可包括以下数据中的一种或多种:执行资源训练数据、任务训练数据和任务方训练数据等等。其中,所述训练数据可包括历史训练数据、实时训练数据以及预测训练数据。由于本公开的目的是对于任务进行最优化分配,找到适合配送该任务的执行资源,使得配送成本最低,因此,上述任务相关训练数据除了与待分配的任务相关,还需要能够体现执行资源之间的区别。
比如,对于执行资源训练数据中的历史训练数据来说,其可以包括以下数据中的一种或多种:历史预设时间段内的执行任务次数、历史预设时间段内的最大任务处理数量、历史预设时间段内的任务延误数量、历史预设时间段内刷新待分配任务清单的频率、历史预设时间段内的最长执行任务时长、历史预设时间段内的最短执行任务时长、历史预设时间段内的执行任务时长均值、历史预设时间段内的好评率、历史预设时间段内的差评率、历史预设时间段内的配送距离、历史预设时间段内的配送速度、历史预设时间段内执行资源已接收但未完成的任务数量、历史预设时间段内任务执行费用等等。
比如,对于执行资源任务训练数据来说,其可以包括以下数据中的一种或多种:历史预设时间段内任务与执行资源之间的最长距离、历史预设时间段内任务与执行资源之间的最短距离、历史预设时间段内任务与执行资源之间的距离均值、历史预设时间段内任务对应的最长配送距离、历史预设时间段内任务对应的最短配送距离、历史预设时间段内任务对应的配送距离均值等等。
再比如,对于执行资源任务方训练数据来说,其可以包括以下数据中的一种或多种:历史预设时间段内任务方产生的任务数量、历史预设时间段内执行资源与任务方之间的距离、历史预设时间段内执行资源到达任务方处所需要的时间、历史预设时间段内其他任务方或执行资源的评价等等。其中,所述任务方既可以指代用户等任务产生方也可以指代商户等任务生产方。
当然,上述这些数据还可增加对于预设区域、预设天气情况等前提的限制,从而生成多种训练数据,本发明对其不再进行赘述。需要说明的是,以上均为对于历史训练数据的示例性说明,所述实时训练数据以及预测训练数据也可以此类推,得到相应的训练数据。
在本实施例的一个可选实现方式中,为了获得准确的预测数据,所述待分配任务相关数据的数据内容、类型均与所述任务相关训练数据的设置相一致。
在本实施例的一个可选实现方式中,如图6所示,所述训练模块501包括:
获取子模块601,被配置为获取初始任务相关训练数据;
筛选子模块602,被配置为根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;
训练子模块603,被配置为根据所述任务相关训练数据训练得到任务执行费用预测模型。
为了提高所述任务执行费用预测模型的准确性,在该实施方式中,在获取子模块601获取到初始任务相关训练数据之后,筛选子模块602根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;训练子模块603再根据所述任务相关训练数据训练得到任务执行费用预测模型。
在本实施例的一个可选实现方式中,所述根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选指的是,根据执行资源所花费资源与其所得的执行费用是否相等或相近来对于所述初始任务相关训练数据进行筛选,即留下执行资源所花费资源与执行费用相等或相近的、可认为准确性更强的训练数据,滤除执行资源所花费资源与执行费用不相等或不相近的、可认为准确性欠缺的训练数据,其中,相近可认为所花费资源与执行费用两者之间的差值不大于一预设数值。上述训练数据的筛选处理能够有效提高训练数据的准确性,进而提高所述任务执行费用预测模型的准确性。
其中,所述执行资源所花费资源可包括所述执行资源为执行某一任务所花费的资源,比如对于配送资源来说,其配送某一订单所花费的资源可包括配送时长和配送距离,其中,所述配送时长可包括取单时长、行进时长、送单时长等等,所述取单时长指的是配送资源从到达取单点至取到订单物品所用的时长,所述行进时长指的是配送资源从取单点至送单点所用的时长,所述送单时长指的是配送资源从到达送单点至完成订单物品的送交所用的时长;其中,所述配送距离可包括取单距离、行进距离、送单距离等等,所述取单距离指的是配送资源从当前位置至取单位置之间的距离,所述行进距离指的是配送资源从取单位置至送单位置之间的距离,所述送单距离指的是配送资源从送单位置至收单人之间的距离。
在本实施例的一个可选实现方式中,可将所述执行资源所花费资源按照预设规则进行量化,以与其所得费用或任务价格进行比较,比如对于配送资源来说,若其配送某一订单所花费的资源包括配送时长和配送距离,那么配送时长越长,配送距离越远,认为其为完成该订单的配送所付出的劳动越多,相应的量化值也就越大,反之,配送时长越短,配送距离越近,认为其为完成该订单的配送所付出的劳动越少,相应的量化值也就越小。更为具体地,在实际应用中,可设置花费资源与量化值之间的对应表,然后在进行资源量化时可参考对应表进行。
在本实施例的一个可选实现方式中,所述执行费用指的是执行资源执行某一任务而得到或等同得到的费用,具体地,对于配送员而言,其执行费用指的是其执行某一任务而得到的费用;对于配送装置或配送机器人而言,其执行费用可以是等同得到的费用,比如成本损耗等折算费用等等。
其中,所述执行资源指的是能够执行所述任务的资源,在本实施例的一个可选实现方式中,对于订单的分配和配送来说,所述执行资源指的就是所述配送资源。
在本实施例的一个可选实现方式中,如图7所示,所述分配模块503包括:
第一确定子模块701,被配置为确定分配规则;
分配子模块702,被配置为基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
在本实施例的一个可选实现方式中,所述分配规则为待分配任务执行费用最小。
为了实现对于待分配任务的最优化分配,降低任务执行的总成本,在该实施方式中,第一确定子模块701确定分配规则,比如,使得待分配任务执行费用最小;分配子模块702再基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
在本实施例的一个可选实现方式中,如图8所示,所述分配子模块702包括:
转换子模块801,被配置为将所述待分配任务预测执行费用进行预设规则转换,得到待分配任务预测执行费用转换值;
第二确定子模块802,被配置为将所述待分配任务预测执行费用转换值确定为待分配任务与执行资源之间的匹配分值,其中,所述匹配分值用于表征所述待分配任务与所述执行资源之间的匹配程度,以为后续待分配任务的分配提供数据支持;
第二分配子模块803,被配置为基于所述匹配分值,利用KM算法将所述待分配任务分配给执行资源。
在本实施例的一个可选实现方式中,所述预设规则为对于所述待分配任务预测执行费用进行取负处理,其中,所述取负处理指的就是取所述预测执行费用的负数。
为了实现对于待分配任务的最优化分配,考虑到任务分配的目的是使得任务执行成本最低,因此,在该实施方式中,转换子模块801将所述待分配任务预测执行费用进行取负处理,得到待分配任务预测执行费用转换值;第二确定子模块802将所述待分配任务预测执行费用转换值确定为待分配任务与执行资源之间的匹配分值,组成得分二维矩阵;第二分配子模块803基于所述匹配分值形成的得分二维矩阵,利用KM算法将所述待分配任务分配给最适合的执行资源。
其中,所述KM算法是一种求取完备匹配下的最大权匹配算法,属于一种现有的匹配算法,本发明在此对于其具体工作原理不作赘述。
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所述待分配任务的分配结果进行显示和/或发布处理,比如将分配结果进行可视化突出式显示、将分配结果在平台进行公开发布、或者将分配结果同步发送至执行资源处等等,以使执行资源能够及时获取分配得到的任务。
本公开还公开了一种电子设备,图9示出根据本公开一实施方式的电子设备的结构框图,如图9所示,所述电子设备900包括存储器901和处理器902;其中,
所述存储器901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902执行以实现以下步骤:
获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
在本实施例的一个可选实现方式中,所述获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型,包括:
获取初始任务相关训练数据;
根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;
根据所述任务相关训练数据训练得到任务执行费用预测模型。
在本实施例的一个可选实现方式中,所述根据所述待分配任务预测执行费用对于所述待分配任务进行分配,包括:
确定分配规则;
基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
在本实施例的一个可选实现方式中,所述分配规则为待分配任务执行费用最小。
在本实施例的一个可选实现方式中,所述基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配,包括:
将所述待分配任务预测执行费用进行预设规则转换,得到待分配任务预测执行费用转换值;
将所述待分配任务预测执行费用转换值确定为待分配任务与执行资源之间的匹配分值;
基于所述匹配分值,利用KM算法将所述待分配任务分配给执行资源。
在本实施例的一个可选实现方式中,所述预设规则为对于所述待分配任务预测执行费用进行取负处理。
图10适于用来实现根据本公开实施方式的任务分配方法的计算机系统的结构示意图。
如图10所示,计算机系统1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行上述实施方式中的各种处理。在RAM1003中,还存储有系统1000操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;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1007;包括硬盘等的存储部分1008;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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,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1010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1008。
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分配方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011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)
1.一种任务分配方法,其特征在于,包括:
获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
2.根据权利要求1所述的方法,其特征在于,所述获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型,包括:
获取初始任务相关训练数据;
根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;
根据所述任务相关训练数据训练得到任务执行费用预测模型。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述待分配任务预测执行费用对于所述待分配任务进行分配,包括:
确定分配规则;
基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
4.根据权利要求3所述的方法,其特征在于,所述分配规则为待分配任务执行费用最小。
5.一种任务分配装置,其特征在于,包括:
训练模块,被配置为获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
预测模块,被配置为获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
分配模块,被配置为根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
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:
获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型;
获取待分配任务相关数据,并将其输入至所述任务执行费用预测模型中,得到所述待分配任务预测执行费用;
根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
7.根据权利要求6所述的电子设备,其特征在于,所述获取任务相关训练数据,并根据所述任务相关训练数据训练得到任务执行费用预测模型,包括:
获取初始任务相关训练数据;
根据执行资源所花费资源与其所得费用之间的关系对于所述初始任务相关训练数据进行筛选,得到任务相关训练数据;
根据所述任务相关训练数据训练得到任务执行费用预测模型。
8.根据权利要求6或7所述的电子设备,其特征在于,所述根据所述待分配任务预测执行费用对于所述待分配任务进行分配,包括:
确定分配规则;
基于所述分配规则,根据所述待分配任务预测执行费用对于所述待分配任务进行分配。
9.根据权利要求8所述的电子设备,其特征在于,所述分配规则为待分配任务执行费用最小。
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 |
---|---|---|---|
CN201811573636.XA CN109636227A (zh) | 2018-12-21 | 2018-12-21 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573636.XA CN109636227A (zh) | 2018-12-21 | 2018-12-21 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636227A true CN109636227A (zh) | 2019-04-16 |
Family
ID=66076431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811573636.XA Pending CN109636227A (zh) | 2018-12-21 | 2018-12-21 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636227A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929032A (zh) * | 2019-11-21 | 2020-03-27 | 山东鲁能软件技术有限公司 | 一种软件系统的用户需求处理系统及处理方法 |
CN111291930A (zh) * | 2020-01-21 | 2020-06-16 | 北京猎户星空科技有限公司 | 任务分配方法、装置以及计算设备、存储介质 |
CN111667181A (zh) * | 2020-06-08 | 2020-09-15 | 拉扎斯网络科技(上海)有限公司 | 任务处理方法、装置、电子设备及计算机可读存储介质 |
CN112036648A (zh) * | 2020-09-02 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
CN113570258A (zh) * | 2021-07-30 | 2021-10-29 | 北京房江湖科技有限公司 | 任务分配方法和计算机程序产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160034840A1 (en) * | 2014-07-31 | 2016-02-04 | Microsoft Corporation | Adaptive Task Assignment |
CN105719010A (zh) * | 2015-07-24 | 2016-06-29 | 北京小度信息科技有限公司 | 配送任务的处理方法及装置 |
CN107633323A (zh) * | 2017-08-28 | 2018-01-26 | 平安科技(深圳)有限公司 | 核保难度预测的方法、装置、计算机设备及存储介质 |
-
2018
- 2018-12-21 CN CN201811573636.XA patent/CN109636227A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160034840A1 (en) * | 2014-07-31 | 2016-02-04 | Microsoft Corporation | Adaptive Task Assignment |
CN105719010A (zh) * | 2015-07-24 | 2016-06-29 | 北京小度信息科技有限公司 | 配送任务的处理方法及装置 |
CN107633323A (zh) * | 2017-08-28 | 2018-01-26 | 平安科技(深圳)有限公司 | 核保难度预测的方法、装置、计算机设备及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929032A (zh) * | 2019-11-21 | 2020-03-27 | 山东鲁能软件技术有限公司 | 一种软件系统的用户需求处理系统及处理方法 |
CN110929032B (zh) * | 2019-11-21 | 2022-12-09 | 山东鲁能软件技术有限公司 | 一种软件系统的用户需求处理系统及处理方法 |
CN111291930A (zh) * | 2020-01-21 | 2020-06-16 | 北京猎户星空科技有限公司 | 任务分配方法、装置以及计算设备、存储介质 |
CN111667181A (zh) * | 2020-06-08 | 2020-09-15 | 拉扎斯网络科技(上海)有限公司 | 任务处理方法、装置、电子设备及计算机可读存储介质 |
CN111667181B (zh) * | 2020-06-08 | 2023-04-28 | 拉扎斯网络科技(上海)有限公司 | 任务处理方法、装置、电子设备及计算机可读存储介质 |
CN112036648A (zh) * | 2020-09-02 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
CN113570258A (zh) * | 2021-07-30 | 2021-10-29 | 北京房江湖科技有限公司 | 任务分配方法和计算机程序产品 |
CN113570258B (zh) * | 2021-07-30 | 2024-04-12 | 贝壳找房(北京)科技有限公司 | 任务分配方法和计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636227A (zh) | 任务分配方法、装置、电子设备及计算机可读存储介质 | |
CN108062246B (zh) | 用于深度学习框架的资源调度方法和装置 | |
Farouk El Gayar et al. | An integrated framework for advanced hotel revenue management | |
Mika et al. | Tabu search for multi-mode resource-constrained project scheduling with schedule-dependent setup times | |
CN109711782A (zh) | 配送资源调度方法、装置、电子设备及计算机存储介质 | |
CN109426885A (zh) | 订单分配方法和装置 | |
CN115061810A (zh) | 处理计算图 | |
CN103853618B (zh) | 基于截止日期驱动的云系统代价最小化资源分配方法 | |
US20180052714A1 (en) | Optimized resource metering in a multi tenanted distributed file system | |
CN107886245A (zh) | 订单推送方法和装置 | |
US10886743B2 (en) | Providing energy elasticity services via distributed virtual batteries | |
CN107403295A (zh) | 订单调度方法及装置 | |
CN109377291A (zh) | 任务价格预测方法、装置、电子设备及计算机存储介质 | |
CN110389816A (zh) | 用于资源调度的方法、装置以及计算机程序产品 | |
Mastelic et al. | Predicting resource allocation and costs for business processes in the cloud | |
CN108154298A (zh) | 配送任务分配方法、装置、电子设备及计算机存储介质 | |
CN110532086A (zh) | 资源复用方法、设备、系统及存储介质 | |
Gök et al. | Constraint-based robust planning and scheduling of airport apron operations through simheuristics | |
US8504402B1 (en) | Schedule optimization using market modeling | |
Liang et al. | An informative column generation and decomposition method for a production planning and facility location problem | |
Behnamian | Matheuristic for the decentralized factories scheduling problem | |
Bayliss et al. | A simulation scenario based mixed integer programming approach to airline reserve crew scheduling under uncertainty | |
CN108023834A (zh) | 一种云资源自动分配方法及装置 | |
Friese et al. | Online-optimization of multi-elevator transport systems with reoptimization algorithms based on set-partitioning models | |
CN109858752A (zh) | 基于滚动时域控制的动态外卖配送的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |