CN109886618A - 一种优化物流作业的方法及装置 - Google Patents
一种优化物流作业的方法及装置 Download PDFInfo
- Publication number
- CN109886618A CN109886618A CN201910043834.3A CN201910043834A CN109886618A CN 109886618 A CN109886618 A CN 109886618A CN 201910043834 A CN201910043834 A CN 201910043834A CN 109886618 A CN109886618 A CN 109886618A
- Authority
- CN
- China
- Prior art keywords
- assignment
- address
- user
- order
- portrait
- 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
本发明实施例公开了一种优化物流作业的方法及装置,涉及物流自动化领域,能够提高详细地址信息处理过程中的自动化程度。本发明包括:对地址数据进行解析,从所述地址数据中得到符合预设文字结构的地址信息;利用所得到的地址信息和订单数据,进行赋值处理;当接收到用户当前的订单后,获取用户画像,所述用户画像包括了:所述用户的配送地址和所述用户的订单的历史数据;利用所述预处理阶段中得到的基础信息,确定与所述用户画像相关联的赋值;根据与所述用户画像相关联的赋值,生成物流运单。本发明适用于地址数据的处理。
Description
技术领域
本发明涉及物流自动化领域,尤其涉及一种优化物流作业的方法及装置。
背景技术
最近几年,依托于物联网技术的不断革新,自动化物流技术也获得了长足的发展。自动化仓储、无人仓等领域,成为了技术热点,各种应用方案层出不穷。但是物流作业中还有很多方面是以效率极低的人工作业在支撑或者说有人工依赖。
比如,在现有的应用中,地址服务主要以业务维护关键字配合地图作业综合实现对用户订单的分拣、时效输出等工作。但地址服务系统对于地址解析过程中对人工识别和人工校验依赖严重。
虽然现今物流行业中普遍对于前三级地址(省、市、区)已经完成了标准化,但是剩余的详细地址信息还是依赖关键字检索、人工识别等方式来实现对于作业指标的翻译和解读。导致了成本高、耗时长,耗费人力大且容易出错等问题。
发明内容
本发明的实施例提供一种优化物流作业的方法及装置,能够提高详细地址信息处理过程中的自动化程度。
在预处理阶段:
对地址数据进行解析,从所述地址数据中得到符合预设文字结构的地址信息;利用所得到的地址信息和订单数据,进行赋值处理;
在应用阶段:
当接收到用户当前的订单后,获取用户画像,所述用户画像包括了:所述用户的配送地址和所述用户的订单的历史数据;利用所述预处理阶段中得到的基础信息,确定与所述用户画像相关联的赋值;根据与所述用户画像相关联的赋值,生成物流运单。
本实施例中,实现物流作业中的地址信息的规范统一,完成从物流作业从接单、分拣、仓储、分拨、运配等环节的自动化优化。基于底层数据对地址翻译功能增加更多的有效赋值,实现了自动化处理。对物流自动化中的准确性有了强有力的保障,避免了人工处理中的各种问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的系统架构示意图;
图2为本发明实施例提供的方法流程示意图;
图3、4、5为本发明实施例提供的具体实例的示意图;
图6为本发明实施例提供的装置结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本实施例中的方法流程,具体可以在一种如图1所示的系统上执行,该系统包括:应用服务器、服务端服务器和数据库。
其中,应用服务器具体应用提供各类业务服务,实现应用层。比如地址翻译、策略规划、报表管理、信息检索窗口等。在实际应用中,应用服务器可以理解为对接物流系统、用户系统、客服系统等已有业务系统的服务器,并用于为这些业务系统提供应用服务。本实施例中所揭示的应用服务器,具体可以是服务器、工作站、超级计算机等设备,或者是由多个服务器组成的一种用于数据处理的服务器集群系统。在实际应用中,应用服务器也可以集成在已有的业务系统中,即通过已有的业务系统中划分出的一部分硬件资源,搭建具有地址翻译、策略规划、报表管理、信息检索窗口等业务服务功能模块,从而集成应用服务器的功能。
服务端服务器,主要用于实现本实施例的方案,实现服务层。比如基于各个应用数据整合封装服务层数据,根据打包的服务细分至有个物流系统中进行应用,例如,打包的服务至少可以是:地址识别服务、销售规划服务、策略分析服务(策略分析服务是物流系统在服务过程中提供宏观策略支撑的建议应用)、动态监控服务、地址翻译服务、仓储规划服务、智能预警服务等等。
以完善地址解析的服务为例,以往地址解析系统只能提供地址翻译应用,从而封装服务的时候也只能单一的服务与物流作业中单一角色。由于没有宏观的计算和赋值,无法提供策略分析、规划分析等增效降本的核心服务。本实施例中通过服务端服务器对地址解析系统从入口到服务进行深度订制优化。对地址信息、订单信息、报表数据进行深度识别分析,帮助系统通过算法实现对物流作业中的策略数据统筹。通过契约约束,达成在物流作业中的自动化优化。
数据库对接商品库、商品交易平台和物流系统等业务系统,比如可以从商品库中获取商品画像标签,从商品交易平台或者物流系统获取与用户画像信息有关的数据,并作为底层数据进行保存,从而实现应用层。本实施例中所揭示的数据库,具体可以是一种图数据库,如Neo4j、OrientDB等,也可以是关系型数据库,如mysql、oracle、db2等,具体可以是包括存储设备的数据服务器以及与数据服务器相连的存储设备,或者是由多个数据服务器和存储服务器组成的一种用于数据库的服务器集群系统。
本发明实施例提供一种如图2所示的优化物流作业的方法,该方法从流程逻辑上可以分为预处理阶段和应用阶段,其中包括:
在预处理阶段:
S101、对地址数据进行解析,从所述地址数据中得到符合预设文字结构的地址信息。
其中,可以从底层数据中提取地址数据,地址数据来源在线购物系统、物流系统等业务系统。获取底层数据后,服务端服务器通过AI自学习算法进行地址清洗。对地址信息中顾客填写习惯、历史命名习惯、错别字、错误信息、模糊叫法等容易出现解析错误的信息进行AI智慧化处理。经过预处理的数据信息进行地址解析,将物流作业中所需要的数据和系统依赖的数据根据地址实际情况进行解析。从而缓减以往的识别错误、解析失败等问题。之后,可以通过自然语言处理的方式,对地址数据进行解析,通过对地址信息的解析,将附带于地址数据上的结构化识别信息总结归纳。
本实施例中,还通过预设文字结构的方式,改善地址信息的获取效果,即可以对获取的底层地址信息数据进行标准化处理,由原来的顾客手写面单、电子面单,到AI语音识别+自然语言识别的方式,在填写交互中通过诱导、联想等交互方式获取结构化地址,从而缓减用户输入错误地址的可能。符合预设文字结构的地址信息的获取,可以理解为:依赖地址数据和订单数据,通过自然语言处理,将一段地址剥离成规范的结构化地址。
S102、利用所得到的地址信息和订单数据,进行赋值处理。
具体的,通过结构化识别信息配合订单下发的维度数据,对相应的地址进行赋值。
在应用阶段:
S103、当接收到用户当前的订单后,获取用户画像。
其中,所述用户画像包括了:所述用户的配送地址和所述用户的订单的历史数据。
S104、利用所述预处理阶段中得到的基础信息,确定与所述用户画像相关联的赋值。
其中,所述预处理阶段中得到的基础信息,包括了符合预设文字结构的地址信息、从订单数据中获取的信息。还可以包括其他能够从所述预处理阶段得到的信息。
具体的,可以结合报表数据中的具体的地址信息的历史数据,以高低频维度、区域划分维度、时间维度等维度为契约计算输入参数值。最后检查自学习系统输入的自学习维度的数据,最终结合契约的规则输出应用层依赖的应用数据。
S105、根据与所述用户画像相关联的赋值,生成物流运单。
其中,物流运单可以按照目前业内通常的理解方式,理解为目前物流系统中形成的运输任务单。
本实施例中。通过对地址信息的解析,将附带于地址信息上的结构化识别信息总结归纳。结构化识别信息配合订单下发的维度数据,对相应的地址进行赋值。结合报表数据中,该地址下的历史数据,以高低频维度、区域划分维度、时间维度等多个维度为契约计算输入参数值。最后检查自学习系统输入的自学习维度的数据,最终结合契约的规则输出应用层依赖的应用数据。
本实施例中,实现物流作业中的地址信息的规范统一,完成从物流作业从接单、分拣、仓储、分拨、运配等环节的自动化优化。基于底层数据对地址翻译功能增加更多的有效赋值,实现了自动化处理。对物流自动化中的准确性有了强有力的保障,避免了人工处理中的各种问题。
在本实施例中,步骤S101中所述对地址数据进行解析,从所述地址数据中得到符合预设文字结构的地址信息,具体包括:
通过自然语言处理,将所述地址数据中表示地址信息的字符,剥离成符合所述预设文字结构的字符结构。对地址数据进行解析,从而完成对于地址信息的识别。例如:地址信息的识别主要依赖地址数据和订单数据通过自然语言处理,将一段地址剥离成规范的结构化地址。突破了以往物流服务中针对地址的行政区结构化的壁垒。不仅能够服务于电商物流中以电子面单形成的规范化地址,还可以服务于家装行业、四方物流等顾客手写地址的规范化。
具体的,如图3所示的,所述将所述地址数据中表示地址信息的字符,剥离成符合所述预设文字结构的字符结构,包括:从所述地址数据中剥离行政区字段。对表示详细地址的字段进行分类,并检测分类后的详细地址字段的精度,是否符合预设的粒度。若否,则通过自学习数据,补全所述详细地址字段。
在本实施例中,步骤S102中所述利用所得到的地址信息和订单数据,进行赋值处理,具体包括:
对所述地址信息中的内容字段进行分类,并对得到的每一类内容字段进行赋值。利用所述订单数据确定订单的维度,并建立各类内容字段的赋值与所述订单的维度的映射关系。
其中,所述内容字段的分类包括了:运输区域、经纬度、运力热区和路径线路,还可以包括自学习数据建议。
具体的,如图4所示的封装逻辑,所述建立各类内容字段的赋值与所述订单的维度的映射关系,包括:
建立所述解析分单与经纬度赋值的映射关系。和,建立所述时效服务与运输区域赋值和路径线路赋值的映射关系。和,建立所述班车决定与运输区域赋值和路径线路赋值的映射关系。和,建立所述超区控量与运输区域赋值和运力热区赋值的映射关系。
其中,所述订单的维度包括:解析分单、时效服务、班车决定和超区控量。在实际应用中,地址翻译服务是物流作业中自动化程度和自动化精度要求都比较高的服务。现在的地址翻译服务不仅承担着物流分单这一重要职责,还对仓储控量、超区控量、时效服务、班车架构、路径分析等环节提供着重要的数据支撑。本实施例中,依靠底层数据对地址翻译功能增加更多的有效赋值。不仅提高了该项服务的宽度,也对物流自动化中的准确性有了强有力的保障。并且可以应用目前已有的人工智能技术,依靠监控记录日常服务中的数据结构、赋值逻辑以及形成服务的搭配参数,调整自学习算法使得每项翻译服务的数据更加准确。
应用层各个应用通过解析获取的基础信息进行新一轮的应用赋值,将基础的地址信息为各自应用的输出按照契约进行赋值,方便服务层进行服务封装。针对契约规则做优化,待不同业务接入时候可以遵循同样契约生成服务。
在本实施例中,步骤S104中,所述利用所述预处理阶段中得到的基础信息,确定与所述用户画像相关联的赋值,具体包括:
通过汇总指定区域的配送地址和订单的历史数据,获取(比如通过现有抽象归纳的算法)指定数量(实际应用中为二十一类)的用户画像。根据所得到的用户画像生成服务目录。在所述预处理阶段中得到的赋值中,确定与所述服务目录的维度相关联的赋值。
其中,所述服务目录的维度包括:小区属性(如小区、商业大厦、军队、学校等)、服务窗口(如小区允许物流服务的时间)、自提点和所属运输区域等。
在本实施例中,步骤S105中,所述根据与所述用户画像相关联的赋值,生成物流运单,具体包括:
根据与所述服务目录的维度相关联的赋值,确定对应所述用户画像的订单的维度。根据所确定的订单的维度生成物流运单。例如:如图5所示的,结合该地址所在地的实际的物流,实现目录生成建议的物流运单。待物流运单被采纳后,对用户画像系统进行更新。
目前,详细地址信息还是依赖关键字检索、人工识别等方式来实现对于作业指标的翻译和解读。导致了成本高、耗时长,耗费人力大且容易出错等问题。
本实施例中,实现物流作业中的地址信息的规范统一,完成从物流作业从接单、分拣、仓储、分拨、运配等环节的自动化优化。从地址翻译到封装服务,从无人分拣到无人仓、无人车、无人机配送等等等等。商用时只要遵守地址解析的服务契约协议,就可以享受该项契约下封装的服务。依靠底层数据对地址翻译功能增加更多的有效赋值。不仅提高了该项服务的宽度,也对物流自动化中的准确性有了强有力的保障。随着人工智能在该系统的应用。依靠监控记录日常服务中的数据结构、赋值逻辑以及形成服务的搭配参数,调整自学习算法使得每项翻译服务的数据更加准确。
本发明实施例还提供一种优化物流作业的装置,如图6所示的,包括:
解析模块,用于对地址数据进行解析,从所述地址数据中得到符合预设文字结构的地址信息;
预处理模块,用于利用所得到的地址信息和订单数据,进行赋值处理;
读取模块,用于当接收到用户当前的订单后,获取用户画像,所述用户画像包括了:所述用户的配送地址和所述用户的订单的历史数据;
分析模块,用于利用所述预处理阶段中得到的基础信息,确定与所述用户画像相关联的赋值;
处理模块,用于根据与所述用户画像相关联的赋值,生成物流运单。
具体的,所述解析模块,具体用于通过自然语言处理,从所述地址数据中剥离行政区字段;对表示详细地址的字段进行分类,并检测分类后的详细地址字段的精度,是否符合预设的粒度;若否,则通过自学习数据,补全所述详细地址字段。
所述预处理模块,具体用于对所述地址信息中的内容字段进行分类,并对得到的每一类内容字段进行赋值,其中,所述内容字段的分类包括了:运输区域、经纬度、运力热区和路径线路;利用所述订单数据确定订单的维度,并建立各类内容字段的赋值与所述订单的维度的映射关系;其中,所述订单的维度包括:解析分单、时效服务、班车决定和超区控量;
所述映射关系,包括:所述解析分单与经纬度赋值的映射关系;和,所述时效服务与运输区域赋值和路径线路赋值的映射关系;和,所述班车决定与运输区域赋值和路径线路赋值的映射关系;和,所述超区控量与运输区域赋值和运力热区赋值的映射关系。
所述分析模块,具体用于通过汇总指定区域的配送地址和订单的历史数据,获取指定数量的用户画像;根据所得到的用户画像生成服务目录,所述服务目录的维度包括:小区属性、服务窗口、自提点和所属运输区域;在所述预处理阶段中得到的赋值中,确定与所述服务目录的维度相关联的赋值;
所述处理模块,具体用于根据与所述服务目录的维度相关联的赋值,确定对应所述用户画像的订单的维度;根据所确定的订单的维度生成物流运单。
本实施例中,实现物流作业中的地址信息的规范统一,完成从物流作业从接单、分拣、仓储、分拨、运配等环节的自动化优化。从地址翻译到封装服务,从无人分拣到无人仓、无人车、无人机配送等等等等。商用时只要遵守地址解析的服务契约协议,就可以享受该项契约下封装的服务。依靠底层数据对地址翻译功能增加更多的有效赋值。不仅提高了该项服务的宽度,也对物流自动化中的准确性有了强有力的保障。随着人工智能在该系统的应用。依靠监控记录日常服务中的数据结构、赋值逻辑以及形成服务的搭配参数,调整自学习算法使得每项翻译服务的数据更加准确。
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,对于设备实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (11)
1.一种优化物流作业的方法,其特征在于,包括:
在预处理阶段:
对地址数据进行解析,从所述地址数据中得到符合预设文字结构的地址信息;
利用所得到的地址信息和订单数据,进行赋值处理;
在应用阶段:
当接收到用户当前的订单后,获取用户画像,所述用户画像包括了:所述用户的配送地址和所述用户的订单的历史数据;
利用所述预处理阶段中得到的赋值基础信息,确定与所述用户画像相关联的赋值;
根据与所述用户画像相关联的赋值,生成物流运单。
2.根据权利要求1所述的方法,其特征在于,所述对地址数据进行解析,从所述地址数据中得到符合预设文字结构的地址信息,包括:
通过自然语言处理,将所述地址数据中表示地址信息的字符,剥离成符合所述预设文字结构的字符结构。
3.根据权利要求2所述的方法,其特征在于,所述将所述地址数据中表示地址信息的字符,剥离成符合所述预设文字结构的字符结构,包括:
从所述地址数据中剥离行政区字段;
对表示详细地址的字段进行分类,并检测分类后的详细地址字段的精度,是否符合预设的粒度;
若否,则通过自学习数据,补全所述详细地址字段。
4.根据权利要求1所述的方法,其特征在于,所述利用所得到的地址信息和订单数据,进行赋值处理,包括:
对所述地址信息中的内容字段进行分类,并对得到的每一类内容字段进行赋值,其中,所述内容字段的分类包括了:运输区域、经纬度、运力热区和路径线路;
利用所述订单数据确定订单的维度,并建立各类内容字段的赋值与所述订单的维度的映射关系。
5.根据权利要求4所述的方法,其特征在于,所述订单的维度包括:解析分单、时效服务、班车决定和超区控量;
所述建立各类内容字段的赋值与所述订单的维度的映射关系,包括:
建立所述解析分单与经纬度赋值的映射关系;
和,建立所述时效服务与运输区域赋值和路径线路赋值的映射关系;
和,建立所述班车决定与运输区域赋值和路径线路赋值的映射关系;
和,建立所述超区控量与运输区域赋值和运力热区赋值的映射关系。
6.根据权利要求2所述的方法,其特征在于,所述利用所述预处理阶段中得到的基础信息,确定与所述用户画像相关联的赋值,包括:
通过汇总指定区域的配送地址和订单的历史数据,获取指定数量的用户画像;
根据所得到的用户画像生成服务目录,所述服务目录的维度包括:小区属性、服务窗口、自提点和所属运输区域;
在所述预处理阶段中得到的赋值中,确定与所述服务目录的维度相关联的赋值。
7.根据权利要求6所述的方法,其特征在于,所述根据与所述用户画像相关联的赋值,生成物流运单,包括:
根据与所述服务目录的维度相关联的赋值,确定对应所述用户画像的订单的维度;
根据所确定的订单的维度生成物流运单。
8.一种优化物流作业的装置,其特征在于,包括:
解析模块,用于对地址数据进行解析,从所述地址数据中得到符合预设文字结构的地址信息;
预处理模块,用于利用所得到的地址信息和订单数据,进行赋值处理;
读取模块,用于当接收到用户当前的订单后,获取用户画像,所述用户画像包括了:所述用户的配送地址和所述用户的订单的历史数据;
分析模块,用于利用所述预处理阶段中得到的基础信息,确定与所述用户画像相关联的赋值;
处理模块,用于根据与所述用户画像相关联的赋值,生成物流运单。
9.根据权利要求8所述的装置,其特征在于,所述解析模块,具体用于通过自然语言处理,从所述地址数据中剥离行政区字段;对表示详细地址的字段进行分类,并检测分类后的详细地址字段的精度,是否符合预设的粒度;若否,则通过自学习数据,补全所述详细地址字段。
10.根据权利要求8所述的装置,其特征在于,所述预处理模块,具体用于对所述地址信息中的内容字段进行分类,并对得到的每一类内容字段进行赋值,其中,所述内容字段的分类包括了:运输区域、经纬度、运力热区和路径线路;利用所述订单数据确定订单的维度,并建立各类内容字段的赋值与所述订单的维度的映射关系;其中,所述订单的维度包括:解析分单、时效服务、班车决定和超区控量;
所述映射关系,包括:所述解析分单与经纬度赋值的映射关系;和,所述时效服务与运输区域赋值和路径线路赋值的映射关系;和,所述班车决定与运输区域赋值和路径线路赋值的映射关系;和,所述超区控量与运输区域赋值和运力热区赋值的映射关系。
11.根据权利要求9所述的装置,其特征在于,所述分析模块,具体用于通过汇总指定区域的配送地址和订单的历史数据,获取指定数量的用户画像;根据所得到的用户画像生成服务目录,所述服务目录的维度包括:小区属性、服务窗口、自提点和所属运输区域;在所述预处理阶段中得到的赋值中,确定与所述服务目录的维度相关联的赋值;
所述处理模块,具体用于根据与所述服务目录的维度相关联的赋值,确定对应所述用户画像的订单的维度;根据所确定的订单的维度生成物流运单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043834.3A CN109886618B (zh) | 2019-01-17 | 2019-01-17 | 一种优化物流作业的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043834.3A CN109886618B (zh) | 2019-01-17 | 2019-01-17 | 一种优化物流作业的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886618A true CN109886618A (zh) | 2019-06-14 |
CN109886618B CN109886618B (zh) | 2022-07-29 |
Family
ID=66926155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043834.3A Active CN109886618B (zh) | 2019-01-17 | 2019-01-17 | 一种优化物流作业的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886618B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475491A (zh) * | 2020-05-12 | 2020-07-31 | 北京明朝万达科技股份有限公司 | 一种物流数据整合处理方法和装置 |
CN113761085A (zh) * | 2020-06-05 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种处理订单数据的方法和装置 |
CN116797123A (zh) * | 2023-08-28 | 2023-09-22 | 深圳市明心数智科技有限公司 | 一种物流管理与预警方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107301576A (zh) * | 2016-04-14 | 2017-10-27 | 苏宁云商集团股份有限公司 | 一种订单信息的处理方法及系统 |
-
2019
- 2019-01-17 CN CN201910043834.3A patent/CN109886618B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301576A (zh) * | 2016-04-14 | 2017-10-27 | 苏宁云商集团股份有限公司 | 一种订单信息的处理方法及系统 |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475491A (zh) * | 2020-05-12 | 2020-07-31 | 北京明朝万达科技股份有限公司 | 一种物流数据整合处理方法和装置 |
CN113761085A (zh) * | 2020-06-05 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种处理订单数据的方法和装置 |
WO2021244233A1 (zh) * | 2020-06-05 | 2021-12-09 | 北京京东振世信息技术有限公司 | 一种处理订单数据的方法和装置 |
CN113761085B (zh) * | 2020-06-05 | 2023-09-26 | 北京京东振世信息技术有限公司 | 一种处理订单数据的方法和装置 |
JP7481067B2 (ja) | 2020-06-05 | 2024-05-10 | ベイジン・ジンドン・ゼンシ・インフォメーション・テクノロジー・カンパニー・リミテッド | 注文データの処理方法及び処理装置並びにコンピュータ読み取り可能な媒体 |
CN116797123A (zh) * | 2023-08-28 | 2023-09-22 | 深圳市明心数智科技有限公司 | 一种物流管理与预警方法、系统及介质 |
CN116797123B (zh) * | 2023-08-28 | 2024-02-23 | 深圳市明心数智科技有限公司 | 一种物流管理与预警方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109886618B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11017038B2 (en) | Identification and evaluation white space target entity for transaction operations | |
CN109886618A (zh) | 一种优化物流作业的方法及装置 | |
CN112668968B (zh) | 一种基于领域驱动设计的仓储管理建模方法及系统 | |
CN102982097A (zh) | 用于基于知识的数据质量解决方案的域 | |
US10824647B2 (en) | Real-time prediction and explanation of sequences of abnormal events | |
WO2022047369A1 (en) | Enterprise spend optimization and mapping model architecture | |
US20150186776A1 (en) | Contextual data analysis using domain information | |
CN105530272A (zh) | 一种应用数据的同步方法和装置 | |
CN107103064A (zh) | 数据统计方法及装置 | |
CN109408561A (zh) | 业务名称匹配方法及装置 | |
CN104731958A (zh) | 一种面向用户需求倾向的云制造服务推荐方法 | |
US20200394605A1 (en) | Dynamic risk-based package delivery | |
CN111080304A (zh) | 一种可信关系识别方法、装置及设备 | |
Tutcher et al. | Enabling data integration in the rail industry using RDF and OWL: The RaCoOn ontology | |
CN109615290A (zh) | 用于获得送达地址的方法、装置、系统及介质 | |
US20180357564A1 (en) | Cognitive flow prediction | |
CN112214609B (zh) | 一种基于知识图谱的审计方法和系统 | |
CN109598513A (zh) | 一种风险识别方法和装置 | |
KR101930034B1 (ko) | 데이터의 도메인을 판별하는 장치 및 그 방법 | |
CN106777310B (zh) | 信息的校验方法及装置 | |
Yin et al. | Utilizing blockchain technology to manage the dark and bright sides of supply network complexity to enhance supply chain sustainability | |
CN101799822A (zh) | 分层网状知识模型建模方法及知识仓库系统建立方法 | |
CN115630906A (zh) | 一种信息处理方法、装置、设备和存储介质 | |
CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 | |
KR20220066550A (ko) | 물류 경로 추천 시스템 및 이의 운용 방법 |
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 |