CN109726843A - 配送数据预测的方法、装置和终端 - Google Patents
配送数据预测的方法、装置和终端 Download PDFInfo
- Publication number
- CN109726843A CN109726843A CN201711037258.9A CN201711037258A CN109726843A CN 109726843 A CN109726843 A CN 109726843A CN 201711037258 A CN201711037258 A CN 201711037258A CN 109726843 A CN109726843 A CN 109726843A
- Authority
- CN
- China
- Prior art keywords
- dispatching
- order
- data
- distribution
- information
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种配送数据预测的方法、装置和终端。其中,该方法包括:获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据订单信息选取对应的配送员,并生成配送员的配送路径;依据预计配送时间、配送员和配送路径生成配送方案。本发明解决了由于现有技术中在外卖软件中后台收到的数据与实际数据偏差大,导致准确率低的技术问题。
Description
技术领域
本发明涉及互联网技术应用领域,具体而言,涉及一种配送数据预测的方法、装置和终端。
背景技术
在“互联网+”的浪潮下,外卖线上与线下(online to underline,简称O2O)行业迅速发展,渐渐改变着人们用餐的习惯。然而,随着餐饮外卖市场的火热,也逐渐暴露了物流配送上的一些问题,如配送人员不足、运力无法合理使用等,影响用户的点餐体验。而在订单智能调度系统中,如何实时评估订单的餐厅出餐时间就成为比较关键的一个环节。正确的评估餐厅出餐时间,对于优化配送员取餐、合理分配运力、提升整体的物流配送效率、改善用户点餐体验至关重要。
在相关技术中,依据餐厅出餐时间离线特征计算模块,基于海量的历史订单数据、天气数据、餐厅画像等数据在大数据计算平台(ODPS、Hadoop+Hive)进行离线调度计算,构建出餐时间预估模型的特征维度。
并依据餐厅出餐时间样本构造模块,基于历史订单数据、配送员的心跳数据等,通过餐厅-配送员距离约束来精确构造出餐时间样本y值。
其中,餐厅出餐时间模型构造模块,基于离线特征及样本数据,利用GBDT、随机森林等机器学习算法,在大数据计算平台(Spark)构建各个餐厅的出餐模型。
将餐厅出餐时间相关离线特征及餐厅模型推送在线存储系统,如mysql、redis等。
餐厅出餐时间在线特征构建及预测,在线响应不同订单的出餐时间预估请求。
目前餐厅出餐时间主要依赖于商家在应用程序(Application,简称APP)上确认接单和配送员在APP上手动点击确认取餐的时间差值来计算餐厅出餐时间。
所以现有依赖于商家在APP上确认接单和配送员的手动点击确认取餐来预估订单的餐厅出餐时间在实际场景中较难应用,主要表现为:数据可靠性低:APP端手工确认取餐的方式,并不能完全保证配送员按照正常逻辑进行点击确认按钮;另外,由于配送员负载问题,当到达餐厅时已经出餐,因此收集到的数据可能与实际值偏差较大,数据的可靠性不高。
针对上述由于现有技术中在外卖软件中后台收到的数据与实际数据偏差大,导致准确率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种配送数据预测的方法、装置和终端,以至少解决由于现有技术中在外卖软件中后台收到的数据与实际数据偏差大,导致准确率低的技术问题。
根据本发明实施例的一个方面,提供了一种配送数据预测的方法,包括:获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据订单信息选取对应的配送员,并生成配送员的配送路径;依据预计配送时间、配送员和配送路径生成配送方案。
可选的,在获取订单信息之前,该方法还包括:获取历史订单数据;依据历史订单数据构建配送订单样本;依据配送订单样本生成预估模型;其中,预估模型为依据预存历史数据和配送员的数据进行深度学习得到的数据模型。
进一步地,可选的,获取历史订单数据包括:对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息;其中,对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息包括:遍历历史订单数据,将历史订单数据中未成功的配送订单和配送员的配送参数异常的数据剔除,获取成功配送的订单的有效订单信息和对应的配送员的配送信息。
可选的,依据历史订单数据构建配送订单样本包括:依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本;其中,依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本包括:判断配送员在确认到出货位置店的第一时刻是否在第一预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;在判断结果为是的情况下,判断配送员在确认配送的第二时刻是否在第二预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;在判断结果为配送员在确认配送的第二时刻在第二预设时间区间内,且待配送位置与出货位置的位置距离小于预设距离的情况下,判断在第一时刻和第二时刻的时间范围内,配送员的位置序列点与待配送位置的距离小于预设距离时的比重是否大于预设阈值;在比重大于预设阈值的情况下,得到有效订单的配送订单样本。
进一步地,可选的,在依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本之后,该方法还包括:依据配送订单样本和配送员的配送信息进行计算,得到有效的配送时间。
可选的,依据配送订单样本生成预估模型包括:依据配送订单样本和历史数据进行深度学习得到的预估模型。
可选的,该方法还包括:存储订单信息和对应的配送方案,以及生成配送方案时使用的预估模型。
根据本发明实施例的另一个方面,提供了一种配送数据预测的装置,包括:第一获取模块,用于获取订单信息;数据预测模块,用于依据订单信息以及预估模型,得到预计配送时间;数据匹配模块,用于依据订单信息选取对应的配送员,并生成配送员的配送路径;方案生成模块,用于依据预计配送时间、配送员和配送路径生成配送方案。
可选的,该装置还包括:第二获取模块,用于在获取订单信息之前,获取历史订单数据;样本构建模块,用于依据历史订单数据构建配送订单样本;模型生成模块,用于依据配送订单样本生成预估模型;其中,预估模型为依据预存历史数据和配送员的数据进行深度学习得到的数据模型。
进一步地,可选的,第二获取模块包括:信息获取单元,用于对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息;其中,对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息包括:遍历历史订单数据,将历史订单数据中未成功的配送订单和配送员的配送参数异常的数据剔除,获取成功配送的订单的有效订单信息和对应的配送员的配送信息。
可选的,样本构建模块包括:样本构建单元,用于依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本;其中,依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本包括:判断配送员在确认到出货位置店的第一时刻是否在第一预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;在判断结果为是的情况下,判断配送员在确认配送的第二时刻是否在第二预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;在判断结果为配送员在确认配送的第二时刻在第二预设时间区间内,且待配送位置与出货位置的位置距离小于预设距离的情况下,判断在第一时刻和第二时刻的时间范围内,配送员的位置序列点与待配送位置的距离小于预设距离时的比重是否大于预设阈值;在比重大于预设阈值的情况下,得到有效订单的配送订单样本。
进一步地,可选的,该装置还包括:时间计算单元,用于在依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本之后,依据配送订单样本和配送员的配送信息进行计算,得到有效的配送时间。
可选的,模型生成模块包括:模型生成单元,用于依据配送订单样本和历史数据进行深度学习得到的预估模型。
可选的,该装置还包括:存储模块,用于存储订单信息和对应的配送方案,以及生成配送方案时使用的预估模型。
根据本发明实施例的又一个方面,提供了一种终端,终端包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据订单信息选取对应的配送员,并生成配送员的配送路径;依据预计配送时间、配送员和配送路径生成配送方案。
根据本发明实施例的再一个方面,提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述配送数据预测的方法。
根据本发明实施例的再一个方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述配送数据预测的方法。
在本发明实施例中,通过获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据订单信息选取对应的配送员,并生成配送员的配送路径;依据预计配送时间、配送员和配送路径生成配送方案,达到了准确预测数据的目的,从而实现了提升数据准确的技术效果,进而解决了由于现有技术中在外卖软件中后台收到的数据与实际数据偏差大,导致准确率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种配送数据预测的方法的计算机终端的硬件结构框图;
图2是根据本发明实施例一的配送数据预测的方法的流程图;
图3是根据本发明实施例一的一种配送数据预测的方法的流程示意图;
图4是根据本发明实施例一的一种配送数据预测的方法中餐厅与配送员距离约束规则的流程示意图;
图5是根据本发明实施例二的配送数据预测的装置的结构示意图。
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,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,还提供了一种配送数据预测的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,图1是本发明实施例的一种配送数据预测的方法的计算机终端的硬件结构框图。如图1所示,计算机终端10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的(配送数据预测的方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
在上述运行环境下,本申请提供了如图2所示的配送数据预测的方法。图2是根据本发明实施例一的配送数据预测的方法的流程图。
步骤S202,获取订单信息;
本申请上述步骤S202中,本申请提供的配送数据预测的方法可以适用于餐饮外卖领域,特别是可以适用于餐厅外卖软件应用环境,其中,本申请提供的配送数据预测的方法为实现准确预测出餐时间,当在线调度平台接到外卖订单时,获取该外卖订单所属的目标对象,该目标对象在本实施例中可以为餐厅,即,获取在线调度平台中餐厅的订单参数和分配至该餐厅的配送员的配送信息。
步骤S204,依据订单信息以及预估模型,得到预计配送时间;
本申请上述步骤S204中,依据步骤S204中的订单信息,通过预估模型,对配送时间进行预测,得到预计配送时间。
步骤S206,依据订单信息选取对应的配送员,并生成配送员的配送路径;
本申请上述步骤S206中,仍旧以餐食外卖为例进行说明,在获取订单信息之后,依据该订单所属餐厅位置,获取距离该餐厅位置最近的配送员的位置,并确定位置最近的配送员为本次订单的配送员,并依据订单的配送地点生成配送路径。
步骤S208,依据预计配送时间、配送员和配送路径生成配送方案。
本申请上述步骤S208中,基于步骤S202至步骤S206中获取到的预计配送时间、配送员和配送路径生成配送方案。
这里本申请提供的配送数据预测的方法具体如下:仍旧以餐食外卖配送为例,获取在线调度平台中目标对象的订单参数信息和分配至目标对象的配送员的配送信息;依据订单参数信息和配送信息,生成触发模型调用指令;依据模型调用指令调用预先获取的预估模型,并依据预估模型进行计算得到目标对象配送外卖的时间。
其中,订单参数可以至少包括:在不同季节、不同时段、不同天气、不同日期、是否高仿期时段等维度下的热销菜品、接单量、完成量、配送员等待时长和催单量等。
配送员的配送信息可以至少包括:单位时间内完成的订单量、等待时长、每笔订单的配送时长以及在接到每笔订单时距离目标餐厅的距离。
本申请中得到模型调用指令,调用预先获取的预估模型,并结合订单参数信息和配送信息进行计算,得到目标对象配送外卖的时间。
具体的,结合步骤S202至步骤S208,图3是根据本发明实施例一的一种配送数据预测的方法的流程示意图,如图3所示,本申请实施例提供的配送数据预测的方法以海量历史订单数据、配送员心跳数据、餐厅画像数据及天气数据等相关原始数据作为输入,通过对这些数据的清洗挖掘,利用人工智能学习,构建不同餐厅的在线预测模型,供智能配送系统在线调用。本申请实施例提供的配送数据预测的方法主要由离线数据挖掘和在线预测两个模块组成,其中离线数据挖掘模块包括数据清洗+特征挖掘、餐厅个性化样本Label构造和出餐模型构建共3个子模块,在线预测,智能调度平台实时调用在线出餐预测模块,输入在线订单信息,在线构造特征预测订单的餐厅出餐时间返回到智能调度平台,进而指导平台进行最优配送员选择及配送员最优路径规划,优化配送员取餐、合理分配运力、提升整体的物流配送效率。
需要说明的是本申请仅以上述快餐配送为优选示例进行说明,除此之外,本申请提供的配送数据预测的方法还可以适用于物流行业,例如,在线购物的配送方案。以实现本申请提供的配送数据预测的方法为准,具体不做限定。
在本申请实施例提供的配送数据预测的方法中,通过获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据订单信息选取对应的配送员,并生成配送员的配送路径;依据预计配送时间、配送员和配送路径生成配送方案,达到了准确预测数据的目的,从而实现了提升数据准确的技术效果,进而解决了由于现有技术中在外卖软件中后台收到的数据与实际数据偏差大,导致准确率低的技术问题。
可选的,在步骤S202中获取订单信息之前,本申请实施例提供的配送数据预测的方法还包括:
步骤S199,获取历史订单数据;
步骤S200,依据历史订单数据构建配送订单样本;
步骤S201,依据配送订单样本生成预估模型;其中,预估模型为依据预存历史数据和配送员的数据进行深度学习得到的数据模型。
具体的,结合步骤S199至步骤S201,首先,在获取历史订单数据过程中,数据清洗+特征挖掘,基于海量的原始数据,对于异常值进行删除,填充数据缺失,挖掘餐厅在不同季节、不同时段(按半小时为一个时段)、不同天气类型、是否节假日、是否高峰时段等维度下热销菜品、接单量、完成量、配送员等待时长、催单量等特征;
其次,依据历史订单数据构建配送订单样本的过程中,餐厅个性化样本Label构造,基于历史订单记录的商家接单时间、配送员确认取餐时间,通过配送员心跳数据的配送员-餐厅地理位置约束,挖掘高可靠性的餐厅出餐时间Y值;
第三,依据配送订单样本生成预估模型的过程中,餐厅个性化出餐模型构建,基于离线挖掘的餐厅特征数据及有效Label,通过GBDT或随机森林等机器学习算法得到餐厅的个性化出餐模型。
进一步地,可选的,步骤S199中获取历史订单数据包括:
Step1,对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息;
其中,Step1中对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息包括:遍历历史订单数据,将历史订单数据中未成功的配送订单和配送员的配送参数异常的数据剔除,获取成功配送的订单的有效订单信息和对应的配送员的配送信息。
本申请上述步骤S199中的Step1中,对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息包括:数据清洗和特征挖掘,其中,
数据清洗:遍历历史订单数据,对于未成功配送运单、配送员确认取餐时间等异常数据进行剔除,遍历配送员心跳数据,对于心跳点异常(通过距离异常检测方法检测)进行剔除,并通过道路吸附或插值算法进行缺失心跳点进行恢复;
特征挖掘:对清洗过后的历史订单数据、配送员心跳数据、餐厅画像数据等离线挖掘餐厅在不同季节、不同天气、不同时段、是否高峰期、是否节假日等维度下的热销菜品、接单量、完成量、配送员等待时长、催单量等特征。
可选的,步骤S200中依据历史订单数据构建配送订单样本包括:
Step1,依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本;
其中,Step1中依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本包括:
步骤A,判断配送员在确认到出货位置店的第一时刻是否在第一预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;
步骤B,判断配送员在确认到出货位置店的第一时刻是否在第一预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;
步骤C,在判断结果为配送员在确认配送的第二时刻在第二预设时间区间内,且待配送位置与出货位置的位置距离小于预设距离的情况下,判断在第一时刻和第二时刻的时间范围内,配送员的位置序列点与待配送位置的距离小于预设距离时的比重是否大于预设阈值;
步骤D,在比重大于预设阈值的情况下,得到有效订单的配送订单样本。
具体的,结合步骤A至步骤D,图4是根据本发明实施例一的一种配送数据预测的方法中餐厅与配送员距离约束规则的流程示意图,如图4所示,具体如下:
首先,在餐厅每个订单记录的配送员取餐时间和商家确认接单时间的基础上,通过配送员心跳数据进行餐厅与配送员距离约束规则,筛选出餐厅有效Label样本。
其次,餐厅与配送员距离约束规则:筛选配送员在确认到店tc时刻的(t1,t2)时间范围(现取tc的前后20秒)内餐厅与配送员心跳位置距离小于d(现取50m)的有效订单;其次筛选配送员在确认取餐td时刻的(t3,t4)时间范围(现取td的前后20秒)内餐厅与配送员心跳位置距离小于d的有效订单;然后再计算在(tc,td)的时间范围内的配送员心跳序列点与餐厅位置距离小于d的心跳点超过60%的为餐厅有效Label样本。
需要说明的是,在图4中,入参包括:已完成订单数据、剔除异常点的配送员心跳数据
出参包括:餐厅有效Label Y值(有效订单的出餐时间值)。
此外,配送员心跳位置为在预设时间段内单位时间配送员距离餐厅的位置,例如,为获取配送员至餐厅的心跳位置距离,依据配送员当前位置与餐厅的距离计算配送员到餐厅所需的时间,在该时间的基础上,设置单位检测时间,依据每次单位检测时间获取配送员距离餐厅的位置,假设配送员当前距离餐厅500米,预估配送员到餐厅的时间为5分钟,故,每分钟检测配送员的当前位置,获取配送员距离餐厅的距离。
进一步地,可选的,在步骤S200中Step1中的依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本之后,本申请实施例提供的配送数据预测的方法还包括:
Step2,依据配送订单样本和配送员的配送信息进行计算,得到有效的配送时间。
可选的,步骤S201中依据配送订单样本生成预估模型包括:
Step1,依据配送订单样本和历史数据进行深度学习得到的预估模型。
本申请上述步骤S201中的Step1中,基于离线挖掘的餐厅特征数据及有效Label,通过GBDT或随机森林等机器学习算法得到餐厅的个性化出餐模型(即,本实施例中的预估模型)。并将实时特征构建需要的离线特征及餐厅的个性化出餐模型推送到在线存储系统,用于在线预测使用。
可选的,在步骤S202中获取在线调度平台中目标对象的订单参数信息和分配至目标对象的配送员的配送信息之后,本申请实施例提供的配送数据预测的方法还包括:
步骤S203,存储订单信息和对应的配送方案,以及生成配送方案时使用的预估模型。
本申请上述步骤S203中,存储订单参数信息和配送信息用于后期在预估模型进行深度学习时提供学习样本,逐步完善预估模型,从而得到越来越准确的出餐时间,即,目标对象配送外卖的时间。
其中,调用预估模型在线预测的过程中:根据智能调度平台实时订单信息,在线计算季节,节假日,高峰期、天气类型、订单包含当前餐厅的热销菜品程度、当前餐厅的最近半小时的接单量、完成量、催单量、配送员等待时长等特征,并通过当前餐厅的出餐预估模型,在线预测当前订单的出餐时间预估值。
通过存储每个订单的订单信息和对应的配送方案,以及生成配送方案时使用的预估模型,以使得实现在智能调度平台上提升机器学习的采样样本,以便智能调度平台能够执行更多样的订单配送任务,规避现有技术中在外卖软件中后台收到的数据与实际数据偏差大,导致准确率低的问题。
本申请实施例提供的配送数据预测的方法基于海量历史订单数据、配送员心跳数据、餐厅画像数据、天气数据等,离线挖掘不同餐厅在多重因素影响下的出餐时长,在线支持派单系统的实时查询,智能调度系统进而根据配送员实时特征进行最优配送员分配策略,合理分配运力,提升物流配送效率,优化物流成本,改善用户点餐体验。
本申请实施例提供的配送数据预测的方法在依赖原有采集的餐厅确认接单及配送员确认取餐的基础上,基于海量的历史订单数据、餐厅的画像数据及配送员APP的心跳数据(每10~20s自动记录在线配送员的地理位置数据)等,利用配送员APP的心跳位置数据对配送员确认取餐动作做有效过滤,挖掘可靠性较高的样本数据,利用人工智能学习预测不同餐厅的出餐时间,进而指导智能调度平台进行最优配送员选择及配送员最优路径规划,优化配送员取餐、合理分配运力、提升整体的物流配送效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的配送数据预测的方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述配送数据预测的方法的装置,如图5所示,该装置包括:
图5是根据本发明实施例二的配送数据预测的装置的结构示意图。
如图5所示,该配送数据预测的装置可以包括:第一获取模块52、数据预测模块54、数据匹配模块56和方案生成模块58。
其中,第一获取模块52,用于获取订单信息;数据预测模块54,用于依据订单信息以及预估模型,得到预计配送时间;数据匹配模块56,用于依据订单信息选取对应的配送员,并生成配送员的配送路径;方案生成模块58,用于依据预计配送时间、配送员和配送路径生成配送方案
在本申请实施例提供的配送数据预测的装置中,通过获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据订单信息选取对应的配送员,并生成配送员的配送路径;依据预计配送时间、配送员和配送路径生成配送方案,达到了准确预测数据的目的,从而实现了提升数据准确的技术效果,进而解决了由于现有技术中在外卖软件中后台收到的数据与实际数据偏差大,导致准确率低的技术问题。
此处需要说明的是,上述第一获取模块52、数据预测模块54、数据匹配模块56和方案生成模块58对应于实施例一中的步骤S202至步骤S208,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端中,可以通过软件实现,也可以通过硬件实现。
可选的,本申请实施例提供的配送数据预测的装置还包括:第二获取模块,用于在获取订单信息之前,获取历史订单数据;样本构建模块,用于依据历史订单数据构建配送订单样本;模型生成模块,用于依据配送订单样本生成预估模型;其中,预估模型为依据预存历史数据和配送员的数据进行深度学习得到的数据模型。
此处需要说明的是,上述第二获取模块、样本构建模块和模型生成模块对应于实施例一中的步骤S199至步骤S201,三个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端中,可以通过软件实现,也可以通过硬件实现。
进一步地,可选的,第二获取模块包括:信息获取单元,用于对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息;其中,对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息包括:遍历历史订单数据,将历史订单数据中未成功的配送订单和配送员的配送参数异常的数据剔除,获取成功配送的订单的有效订单信息和对应的配送员的配送信息。
此处需要说明的是,上述信息获取单元对应于实施例一中的步骤S199中的Step1,该模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端中,可以通过软件实现,也可以通过硬件实现。
可选的,样本构建模块包括:样本构建单元,用于依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本;其中,依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本包括:判断配送员在确认到出货位置店的第一时刻是否在第一预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;在判断结果为是的情况下,判断配送员在确认配送的第二时刻是否在第二预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;在判断结果为配送员在确认配送的第二时刻在第二预设时间区间内,且待配送位置与出货位置的位置距离小于预设距离的情况下,判断在第一时刻和第二时刻的时间范围内,配送员的位置序列点与待配送位置的距离小于预设距离时的比重是否大于预设阈值;在比重大于预设阈值的情况下,得到有效订单的配送订单样本。
此处需要说明的是,上述样本构建单元对应于实施例一中的步骤S200中的Step1,该模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端中,可以通过软件实现,也可以通过硬件实现。
进一步地,可选的,本申请实施例提供的配送数据预测的装置还包括:时间计算单元,用于在依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本之后,依据配送订单样本和配送员的配送信息进行计算,得到有效的配送时间。
此处需要说明的是,上述时间计算单元对应于实施例一中的步骤S200中的Step2,该模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端中,可以通过软件实现,也可以通过硬件实现。
可选的,模型生成模块包括:模型生成单元,用于依据配送订单样本和历史数据进行深度学习得到的预估模型。
此处需要说明的是,上述模型生成单元对应于实施例一中的步骤S201中的Step1,该模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端中,可以通过软件实现,也可以通过硬件实现。
可选的,本申请实施例提供的配送数据预测的装置还包括:模型生成模块包括:模型生成单元,用于依据配送订单样本和历史数据进行深度学习得到的预估模型。
此处需要说明的是,上述存储模块对应于实施例一中的步骤S203,该模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端中,可以通过软件实现,也可以通过硬件实现。
实施例3
根据本发明实施例的又一个方面,提供了一种终端,终端包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据订单信息选取对应的配送员,并生成配送员的配送路径;依据预计配送时间、配送员和配送路径生成配送方案。
实施例4
根据本发明实施例的再一个方面,提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述配送数据预测的方法。
实施例5
根据本发明实施例的再一个方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述配送数据预测的方法。
实施例6
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一所提供的配送数据预测的方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据订单信息选取对应的配送员,并生成配送员的配送路径;依据预计配送时间、配送员和配送路径生成配送方案。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在获取订单信息之前,获取历史订单数据;依据历史订单数据构建配送订单样本;依据配送订单样本生成预估模型;其中,预估模型为依据预存历史数据和配送员的数据进行深度学习得到的数据模型。
进一步地,可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取历史订单数据包括:对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息;其中,对历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息包括:遍历历史订单数据,将历史订单数据中未成功的配送订单和配送员的配送参数异常的数据剔除,获取成功配送的订单的有效订单信息和对应的配送员的配送信息。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:依据历史订单数据构建配送订单样本包括:依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本;其中,依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本包括:判断配送员在确认到出货位置店的第一时刻是否在第一预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;在判断结果为是的情况下,判断配送员在确认配送的第二时刻是否在第二预设时间区间内,且待配送位置与出货位置的位置距离是否小于预设距离;在判断结果为配送员在确认配送的第二时刻在第二预设时间区间内,且待配送位置与出货位置的位置距离小于预设距离的情况下,判断在第一时刻和第二时刻的时间范围内,配送员的位置序列点与待配送位置的距离小于预设距离时的比重是否大于预设阈值;在比重大于预设阈值的情况下,得到有效订单的配送订单样本。
进一步地,可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在依据历史订单数据中筛选后的有效订单信息和对应的配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本之后,依据配送订单样本和配送员的配送信息进行计算,得到有效的配送时间。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:依据配送订单样本生成预估模型包括:依据配送订单样本和历史数据进行深度学习得到的预估模型。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:存储订单信息和对应的配送方案,以及生成配送方案时使用的预估模型。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (17)
1.一种配送数据预测的方法,其特征在于,包括:
获取订单信息;
依据订单信息以及预估模型,得到预计配送时间;
依据所述订单信息选取对应的配送员,并生成所述配送员的配送路径;
依据所述预计配送时间、所述配送员和所述配送路径生成配送方案。
2.根据权利要求1所述的方法,其特征在于,在所述获取订单信息之前,所述方法还包括:
获取历史订单数据;
依据所述历史订单数据构建配送订单样本;
依据所述配送订单样本生成预估模型;其中,所述预估模型为依据预存历史数据和配送员的数据进行深度学习得到的数据模型。
3.根据权利要求2所述的方法,其特征在于,所述获取历史订单数据包括:
对所述历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息;
其中,所述对所述历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息包括:
遍历所述历史订单数据,将所述历史订单数据中未成功的配送订单和配送员的配送参数异常的数据剔除,获取成功配送的订单的所述有效订单信息和对应的所述配送员的配送信息。
4.根据权利要求3所述的方法,其特征在于,所述依据所述历史订单数据构建配送订单样本包括:
依据所述历史订单数据中筛选后的所述有效订单信息和对应的所述配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本;
其中,所述依据所述历史订单数据中筛选后的所述有效订单信息和对应的所述配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本包括:
判断所述配送员在确认到出货位置店的第一时刻是否在第一预设时间区间内,且待配送位置与所述出货位置的位置距离是否小于预设距离;
在判断结果为是的情况下,判断所述配送员在确认配送的第二时刻是否在第二预设时间区间内,且所述待配送位置与所述出货位置的位置距离是否小于预设距离;
在判断结果为所述配送员在确认配送的第二时刻在第二预设时间区间内,且所述待配送位置与所述出货位置的位置距离小于预设距离的情况下,判断在所述第一时刻和所述第二时刻的时间范围内,所述配送员的位置序列点与所述待配送位置的距离小于所述预设距离时的比重是否大于预设阈值;
在所述比重大于所述预设阈值的情况下,得到所述有效订单的配送订单样本。
5.根据权利要求4所述的方法,其特征在于,在所述依据所述历史订单数据中筛选后的所述有效订单信息和对应的所述配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本之后,所述方法还包括:
依据所述配送订单样本和所述配送员的配送信息进行计算,得到有效的所述配送时间。
6.根据权利要求4所述的方法,其特征在于,所述依据所述配送订单样本生成预估模型包括:
依据所述配送订单样本和所述历史数据进行深度学习得到的所述预估模型。
7.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
存储所述订单信息和对应的所述配送方案,以及生成所述配送方案时使用的预估模型。
8.一种配送数据预测的装置,其特征在于,包括:
第一获取模块,用于获取订单信息;
数据预测模块,用于依据订单信息以及预估模型,得到预计配送时间;
数据匹配模块,用于依据所述订单信息选取对应的配送员,并生成所述配送员的配送路径;
方案生成模块,用于依据所述预计配送时间、所述配送员和所述配送路径生成配送方案。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于在所述获取订单信息之前,获取历史订单数据;
样本构建模块,用于依据所述历史订单数据构建配送订单样本;
模型生成模块,用于依据所述配送订单样本生成预估模型;其中,所述预估模型为依据预存历史数据和配送员的数据进行深度学习得到的数据模型。
10.根据权利要求9所述的装置,其特征在于,所述第二获取模块包括:
信息获取单元,用于对所述历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息;
其中,所述对所述历史订单数据进行挖掘,得到筛选后的有效订单信息和对应的配送员的配送信息包括:遍历所述历史订单数据,将所述历史订单数据中未成功的配送订单和配送员的配送参数异常的数据剔除,获取成功配送的订单的所述有效订单信息和对应的所述配送员的配送信息。
11.根据权利要求10所述的装置,其特征在于,所述样本构建模块包括:
样本构建单元,用于依据所述历史订单数据中筛选后的所述有效订单信息和对应的所述配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本;
其中,所述依据所述历史订单数据中筛选后的所述有效订单信息和对应的所述配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本包括:判断所述配送员在确认到出货位置店的第一时刻是否在第一预设时间区间内,且待配送位置与所述出货位置的位置距离是否小于预设距离;在判断结果为是的情况下,判断所述配送员在确认配送的第二时刻是否在第二预设时间区间内,且所述待配送位置与所述出货位置的位置距离是否小于预设距离;在判断结果为所述配送员在确认配送的第二时刻在第二预设时间区间内,且所述待配送位置与所述出货位置的位置距离小于预设距离的情况下,判断在所述第一时刻和所述第二时刻的时间范围内,所述配送员的位置序列点与所述待配送位置的距离小于所述预设距离时的比重是否大于预设阈值;在所述比重大于所述预设阈值的情况下,得到所述有效订单的配送订单样本。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
时间计算单元,用于在所述依据所述历史订单数据中筛选后的所述有效订单信息和对应的所述配送员的配送信息,结合预设条件进行筛选,得到有效订单的配送订单样本之后,依据所述配送订单样本和所述配送员的配送信息进行计算,得到有效的所述配送时间。
13.根据权利要求11所述的装置,其特征在于,所述模型生成模块包括:
模型生成单元,用于依据所述配送订单样本和所述历史数据进行深度学习得到的所述预估模型。
14.根据权利要求8或9所述的装置,其特征在于,所述装置还包括:
存储模块,用于存储所述订单信息和对应的所述配送方案,以及生成所述配送方案时使用的预估模型。
15.一种终端,其特征在于,所述终端包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:获取订单信息;依据订单信息以及预估模型,得到预计配送时间;依据所述订单信息选取对应的配送员,并生成所述配送员的配送路径;依据所述预计配送时间、所述配送员和所述配送路径生成配送方案。
16.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的配送数据预测的方法。
17.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的配送数据预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711037258.9A CN109726843B (zh) | 2017-10-30 | 2017-10-30 | 配送数据预测的方法、装置和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711037258.9A CN109726843B (zh) | 2017-10-30 | 2017-10-30 | 配送数据预测的方法、装置和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726843A true CN109726843A (zh) | 2019-05-07 |
CN109726843B CN109726843B (zh) | 2023-09-15 |
Family
ID=66292433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711037258.9A Active CN109726843B (zh) | 2017-10-30 | 2017-10-30 | 配送数据预测的方法、装置和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726843B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110936A (zh) * | 2019-05-13 | 2019-08-09 | 拉扎斯网络科技(上海)有限公司 | 订单时长的估计方法、估计装置、存储介质和电子设备 |
CN110414731A (zh) * | 2019-07-23 | 2019-11-05 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
CN110472910A (zh) * | 2019-07-22 | 2019-11-19 | 北京三快在线科技有限公司 | 确定目标配送任务节点的方法、装置及存储介质、电子设备 |
CN110599078A (zh) * | 2019-07-26 | 2019-12-20 | 平安科技(深圳)有限公司 | 物流配送信息的处理方法、装置及计算机设备 |
CN110689254A (zh) * | 2019-09-23 | 2020-01-14 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
CN111860954A (zh) * | 2020-06-18 | 2020-10-30 | 上海钧正网络科技有限公司 | 车辆失联预测方法、装置、计算机设备和存储介质 |
CN111898889A (zh) * | 2020-07-17 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
WO2021017609A1 (zh) * | 2019-07-30 | 2021-02-04 | 北京三快在线科技有限公司 | 确定预计送达时间 |
CN112491905A (zh) * | 2020-12-01 | 2021-03-12 | 郑州昂视信息科技有限公司 | 网络设备的性能测试方法、装置及系统 |
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 |
CN112561112A (zh) * | 2019-09-10 | 2021-03-26 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
CN112802269A (zh) * | 2020-12-31 | 2021-05-14 | 成都希福生物科技有限公司 | 一种冰粉在线销售系统及方法 |
WO2021098866A1 (zh) * | 2019-11-22 | 2021-05-27 | 北京嘀嘀无限科技发展有限公司 | 一种提示信息发送方法和系统 |
CN113487230A (zh) * | 2021-07-27 | 2021-10-08 | 平安国际智慧城市科技股份有限公司 | 订单派发方法、装置、计算机设备及存储介质 |
CN113762815A (zh) * | 2020-06-05 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 物流配送信息的处理方法、装置、设备及存储介质 |
CN116402236A (zh) * | 2023-05-31 | 2023-07-07 | 北京京东乾石科技有限公司 | 信息生成方法和装置 |
CN117635001A (zh) * | 2023-11-30 | 2024-03-01 | 阿帕数字科技有限公司 | 基于供应链运输场景中时间窗约束的配送方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005275548A (ja) * | 2004-03-23 | 2005-10-06 | Seiko Epson Corp | 受注出荷管理装置及び受注出荷管理方法並びにそのコンピュータプログラム |
JP2010039961A (ja) * | 2008-08-08 | 2010-02-18 | Saroute:Kk | 配送業務支援システム、配送予測時間算出方法及びプログラム |
US20120284083A1 (en) * | 2011-05-04 | 2012-11-08 | LaShou Group INC. | System and method for merchandise distribution |
CN102903038A (zh) * | 2012-09-29 | 2013-01-30 | 威海智联信息网络有限公司 | 基于用户轨迹的小件物流配送方法及系统 |
EP2750087A1 (en) * | 2012-12-28 | 2014-07-02 | Exapaq Sas | Methods and systems for determining estimated package delivery/pick-up times |
US20140330741A1 (en) * | 2013-05-03 | 2014-11-06 | Iwona Bialynicka-Birula | Delivery estimate prediction and visualization system |
CN104751272A (zh) * | 2015-03-04 | 2015-07-01 | 径圆(上海)信息技术有限公司 | 智能订单调度方法、服务器、电动车、移动终端及系统 |
CN105096166A (zh) * | 2015-08-27 | 2015-11-25 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
CN105701564A (zh) * | 2016-01-07 | 2016-06-22 | 北京京东尚科信息技术有限公司 | 运单配送提醒方法和装置 |
CN105719145A (zh) * | 2014-12-04 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 获取商品到货时间的方法和装置 |
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 |
US20160292610A1 (en) * | 2015-03-30 | 2016-10-06 | Wipro Limited | Method and device for real time prediction of timely delivery of telecom service orders |
WO2017063518A1 (zh) * | 2015-10-12 | 2017-04-20 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及系统 |
CN107016584A (zh) * | 2016-01-27 | 2017-08-04 | 滴滴(中国)科技有限公司 | 订单筛选方法和装置 |
CN107093037A (zh) * | 2016-02-18 | 2017-08-25 | 北京京东尚科信息技术有限公司 | 一种提供订单配送信息的方法和装置 |
CN107180276A (zh) * | 2017-05-23 | 2017-09-19 | 大连海事大学 | 一种o2o外卖平台智能调度与路线优化方法 |
JP2017165510A (ja) * | 2016-03-14 | 2017-09-21 | Sbsロジコム株式会社 | 運送管理システム |
CN107203858A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 配送时间确定方法和装置 |
CN107230014A (zh) * | 2017-05-15 | 2017-10-03 | 浙江仟和网络科技有限公司 | 一种末端即时物流的智能调度系统 |
CN107274125A (zh) * | 2017-06-08 | 2017-10-20 | 北京惠赢天下网络技术有限公司 | 配送商订单的处理方法、装置、服务器及订单分配系统 |
-
2017
- 2017-10-30 CN CN201711037258.9A patent/CN109726843B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005275548A (ja) * | 2004-03-23 | 2005-10-06 | Seiko Epson Corp | 受注出荷管理装置及び受注出荷管理方法並びにそのコンピュータプログラム |
JP2010039961A (ja) * | 2008-08-08 | 2010-02-18 | Saroute:Kk | 配送業務支援システム、配送予測時間算出方法及びプログラム |
US20120284083A1 (en) * | 2011-05-04 | 2012-11-08 | LaShou Group INC. | System and method for merchandise distribution |
CN102903038A (zh) * | 2012-09-29 | 2013-01-30 | 威海智联信息网络有限公司 | 基于用户轨迹的小件物流配送方法及系统 |
EP2750087A1 (en) * | 2012-12-28 | 2014-07-02 | Exapaq Sas | Methods and systems for determining estimated package delivery/pick-up times |
US20140330741A1 (en) * | 2013-05-03 | 2014-11-06 | Iwona Bialynicka-Birula | Delivery estimate prediction and visualization system |
CN105719145A (zh) * | 2014-12-04 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 获取商品到货时间的方法和装置 |
CN104751272A (zh) * | 2015-03-04 | 2015-07-01 | 径圆(上海)信息技术有限公司 | 智能订单调度方法、服务器、电动车、移动终端及系统 |
US20160292610A1 (en) * | 2015-03-30 | 2016-10-06 | Wipro Limited | Method and device for real time prediction of timely delivery of telecom service orders |
CN105096166A (zh) * | 2015-08-27 | 2015-11-25 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
WO2017063518A1 (zh) * | 2015-10-12 | 2017-04-20 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及系统 |
CN105701564A (zh) * | 2016-01-07 | 2016-06-22 | 北京京东尚科信息技术有限公司 | 运单配送提醒方法和装置 |
CN107016584A (zh) * | 2016-01-27 | 2017-08-04 | 滴滴(中国)科技有限公司 | 订单筛选方法和装置 |
CN107093037A (zh) * | 2016-02-18 | 2017-08-25 | 北京京东尚科信息技术有限公司 | 一种提供订单配送信息的方法和装置 |
JP2017165510A (ja) * | 2016-03-14 | 2017-09-21 | Sbsロジコム株式会社 | 運送管理システム |
CN107203858A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 配送时间确定方法和装置 |
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 |
CN107230014A (zh) * | 2017-05-15 | 2017-10-03 | 浙江仟和网络科技有限公司 | 一种末端即时物流的智能调度系统 |
CN107180276A (zh) * | 2017-05-23 | 2017-09-19 | 大连海事大学 | 一种o2o外卖平台智能调度与路线优化方法 |
CN107274125A (zh) * | 2017-06-08 | 2017-10-20 | 北京惠赢天下网络技术有限公司 | 配送商订单的处理方法、装置、服务器及订单分配系统 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110936A (zh) * | 2019-05-13 | 2019-08-09 | 拉扎斯网络科技(上海)有限公司 | 订单时长的估计方法、估计装置、存储介质和电子设备 |
CN110472910A (zh) * | 2019-07-22 | 2019-11-19 | 北京三快在线科技有限公司 | 确定目标配送任务节点的方法、装置及存储介质、电子设备 |
CN110414731A (zh) * | 2019-07-23 | 2019-11-05 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
CN110599078A (zh) * | 2019-07-26 | 2019-12-20 | 平安科技(深圳)有限公司 | 物流配送信息的处理方法、装置及计算机设备 |
WO2021017609A1 (zh) * | 2019-07-30 | 2021-02-04 | 北京三快在线科技有限公司 | 确定预计送达时间 |
CN112561112A (zh) * | 2019-09-10 | 2021-03-26 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
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 |
CN110689254A (zh) * | 2019-09-23 | 2020-01-14 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
WO2021098866A1 (zh) * | 2019-11-22 | 2021-05-27 | 北京嘀嘀无限科技发展有限公司 | 一种提示信息发送方法和系统 |
CN113762815A (zh) * | 2020-06-05 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 物流配送信息的处理方法、装置、设备及存储介质 |
CN111860954A (zh) * | 2020-06-18 | 2020-10-30 | 上海钧正网络科技有限公司 | 车辆失联预测方法、装置、计算机设备和存储介质 |
CN111898889A (zh) * | 2020-07-17 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
CN111898889B (zh) * | 2020-07-17 | 2021-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
CN112491905A (zh) * | 2020-12-01 | 2021-03-12 | 郑州昂视信息科技有限公司 | 网络设备的性能测试方法、装置及系统 |
CN112802269A (zh) * | 2020-12-31 | 2021-05-14 | 成都希福生物科技有限公司 | 一种冰粉在线销售系统及方法 |
CN113487230A (zh) * | 2021-07-27 | 2021-10-08 | 平安国际智慧城市科技股份有限公司 | 订单派发方法、装置、计算机设备及存储介质 |
CN116402236A (zh) * | 2023-05-31 | 2023-07-07 | 北京京东乾石科技有限公司 | 信息生成方法和装置 |
CN117635001A (zh) * | 2023-11-30 | 2024-03-01 | 阿帕数字科技有限公司 | 基于供应链运输场景中时间窗约束的配送方法 |
CN117635001B (zh) * | 2023-11-30 | 2024-04-30 | 阿帕数字科技有限公司 | 基于供应链运输场景中时间窗约束的配送方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109726843B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726843A (zh) | 配送数据预测的方法、装置和终端 | |
CN111105183B (zh) | 外卖送餐方法、装置、服务器及计算机可读存储介质 | |
CN107392405B (zh) | 数据处理方法、装置及设备 | |
US10110026B2 (en) | Wireless sensor network charging method for multi-charge nodes | |
CN106483943A (zh) | 机器人的调度方法、装置以及计算机可读存储介质 | |
CN106296086A (zh) | 一种商家参与配送员抢单的方法及系统 | |
CN107230014A (zh) | 一种末端即时物流的智能调度系统 | |
CN109573754A (zh) | 一种电梯调度方法、装置、服务器及计算机可读存储介质 | |
CN108960730A (zh) | 物品运输和交付方法 | |
CN108960722A (zh) | 物流收派件调度方法和装置 | |
CN109991988A (zh) | 一种机器人调度方法、机器人及存储介质 | |
CN109118334A (zh) | 订单处理方法及装置 | |
CN110110923A (zh) | 一种订单分配方法及装置 | |
CN107194628A (zh) | 处理调拨请求的方法及装置 | |
CN109003011B (zh) | 配送服务资源的分配方法及装置、电子设备 | |
CN109598368A (zh) | 路径决策评估、订单分配方法及装置、电子设备及介质 | |
CN109615247A (zh) | 调度方法、配送机器人的控制方法、装置和电子设备 | |
CN109978292B (zh) | 门店的智能管理方法及装置 | |
CN109636213A (zh) | 订单分配、评价方法及装置、电子设备及存储介质 | |
CN110472910A (zh) | 确定目标配送任务节点的方法、装置及存储介质、电子设备 | |
CN107957268A (zh) | 导航数据生成方法及相关设备、物体运送方法及相关设备 | |
CN108182556A (zh) | 用于无人车的配送方法、装置及无人车 | |
CN111127154A (zh) | 订单处理方法、装置、服务器和非易失性存储介质 | |
CN109508917A (zh) | 订单分配方法、订单分配装置、存储介质和电子设备 | |
CN109978473A (zh) | 一种货品配送方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |