CN110110950A - 生成配送路区的方法、装置及计算机可读存储介质 - Google Patents
生成配送路区的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110110950A CN110110950A CN201810099330.9A CN201810099330A CN110110950A CN 110110950 A CN110110950 A CN 110110950A CN 201810099330 A CN201810099330 A CN 201810099330A CN 110110950 A CN110110950 A CN 110110950A
- Authority
- CN
- China
- Prior art keywords
- dispatching
- order
- road area
- information
- dispensed
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种生成配送路区的方法、装置及计算机可读存储介质,涉及物流管理技术领域。其中的方法包括:获取待配送订单的数量信息以及待配送订单的地理位置信息;将数量信息以及地理位置信息输入预先训练的深度学习神经网络,输出待配送订单的配送路区,配送路区为规划在道路信息上以表示配送范围的区域。本公开能够为配送员自动化生成配送路区,平衡配送员的配送订单数量,提高对配送区域的管理水平。
Description
技术领域
本公开涉及物流管理技术领域,特别涉及一种生成配送路区的方法、装置及计算机可读存储介质。
背景技术
随着电商的迅猛发展,快递业已经成为与每个人生活息息相关的产业。电商业务需求庞大,快递业务发展十分迅猛。由于业务发展过于迅速,快递管理系统的发展明显落后于业务需求。快递追求速度和覆盖范围的野蛮增长,造成配送站点和配送员配送区域的划分并不经济。尤其是配送区域划分的不公平,将导致快递员同工不同酬甚至是干多得少的现象。
现有配送范围的规划主要根据业务需求,如某配送站有2名配送员配送地区A和B,随着业务的增长,2名员工已经很难满足A、B地区的时效。此时,便需要招募新的配送员。具体每个配送员的配送范围主要是站长根据经验来划分,如某片区域的单量情况和时效要求(如单位要求必须白天配送等)等进行任务分配。由于某些区域的人员流动,且一个配送站内每天的配送单量可能不同,每个地方的订单分布也可能不同,导致现有的人员安排不能够履行订单的履约时效,便需要对人员进行重新分配。
相关技术中,目前配送员的配送范围主要由站长根据经验分配。使得每名快递员的配送时长基本平衡。
发明内容
本公开解决的一个技术问题是,如何为配送员自动化生成配送路区,平衡配送员的配送订单数量,提高对配送区域的管理水平。
根据本公开实施例的一个方面,提供了一种生成配送路区的方法,包括:获取待配送订单的数量信息以及待配送订单的地理位置信息;将数量信息以及地理位置信息输入预先训练的深度学习神经网络,输出待配送订单的配送路区,配送路区为规划在道路信息上以表示配送范围的区域。
在一些实施例中,采用以下方法对深度学习神经网络进行训练:从用于训练的订单样本中提取预设的订单数量信息、预设的订单地理位置信息、预设的订单配送路区以及道路信息,输入深度学习神经网络,以对深度学习神经网络进行训练,使得深度学习神经网络能够根据输入的待配送订单的数量信息以及待配送订单的地理位置信息,输出待配送订单的配送路区。
在一些实施例中,采用如下方法获取预设的订单配送路区以及预设的订单数量信息:获取某一次配送时为配送站点中各个配送员规划的订单配送路区,并获取各个订单配送路区内的订单配送时长和订单配送数量;计算配送站点的订单配送时长平均值以及订单配送数量平均值;将至少满足以下两个条件之一的订单配送路区,作为预设的订单配送路区:订单配送时长与订单配送时长平均值之差小于第一预设值的订单配送路区,订单配送数量与订单配送数量平均值之差小于第二预设值的订单配送路区;将预设的订单配送路区的订单配送数量作为预设的订单数量信息。
在一些实施例中,将配送员标识、配送员标识对应的数量信息以及配送员标识对应的地理位置信息输入预先训练的深度学习神经网络,输出配送员标识对应的待配送订单的配送路区。
在一些实施例中,方法还包括:计算输出的各个订单配送路区内的订单配送数量;在输出的订单配送路区内的订单配送数量与配送站点的订单配送数量平均值之差大于第三预设值时,对输出的配送路区的规划范围进行调整。
在一些实施例中,深度学习神经网络为基于VGGNet的FCN-32s、FCN-16s、FCN-8s中的一种。
根据本公开实施例的另一个方面,提供了一种生成配送路区的装置,包括:信息获取单元,被配置为获取待配送订单的数量信息以及待配送订单的地理位置信息;配送路区生成单元,被配置为将数量信息以及地理位置信息输入预先训练的深度学习神经网络,输出待配送订单的配送路区,配送路区为规划在道路信息上以表示配送范围的区域。
在一些实施例中,装置还包括:网络训练单元,被配置为从用于训练的订单样本中提取预设的订单数量信息、预设的订单地理位置信息、预设的订单配送路区以及道路信息输入深度学习神经网络,以对深度学习神经网络进行训练,使得深度学习神经网络能够根据输入的待配送订单的数量信息以及待配送订单的地理位置信息,输出待配送订单的配送路区。
在一些实施例中,网络训练单元还被配置为:获取某一次配送时为配送站点中各个配送员规划的订单配送路区,并获取各个订单配送路区内的订单配送时长和订单配送数量;计算配送站点的订单配送时长平均值以及订单配送数量平均值;将至少满足以下两个条件之一的订单配送路区,作为预设的订单配送路区:订单配送时长与订单配送时长平均值之差小于第一预设值的订单配送路区,订单配送数量与订单配送数量平均值之差小于第二预设值的订单配送路区;将预设的订单配送路区的订单配送数量作为预设的订单数量信息。
在一些实施例中,配送路区生成单元还被配置为:将配送员标识、配送员标识对应的数量信息以及配送员标识对应的地理位置信息输入预先训练的深度学习神经网络,输出配送员标识对应的待配送订单的配送路区。
在一些实施例中,装置还包括:订单配送数量计算单元,被配置为计算输出的各个订单配送路区内的订单配送数量;配送路区调整单元,被配置为在输出的订单配送路区内的订单配送数量与配送站点的订单配送数量平均值之差大于第三预设值时,对输出的配送路区的规划范围进行调整。
在一些实施例中,深度学习神经网络为基于VGGNet的FCN-32s、FCN-16s、FCN-8s中的一种。
根据本公开实施例的又一个方面,提供了一种生成配送路区的装置,其中,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器中的指令,执行前述的生成配送路区的方法。
根据本公开实施例的再一个方面,提供了一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机指令,指令被处理器执行时实现前述的生成配送路区的方法。
本公开能够实时动态的为配送员自动化生成配送路区,平衡配送员的配送订单数量,提高对配送区域的管理水平。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本公开一个实施例的生成配送路区的方法的流程示意图。
图2示出了生成配送路区的系统的一个实施例的结构示意图。
图3示出了本公开一个实施例的生成配送路区的装置的结构示意图。
图4示出了本公开另一个实施例的生成配送路区的装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
发明人研究发现,基于站长经验的管理很难范化,很难将一个站的规划方法应用于整个集团,使整个集团的配送水平上升。由于地理、交通、社区、习俗等复杂因素,集团对于站点的管理,除了时效管理外没有更好的手段。单一的考核指标必将存在不平衡。并且,快递员的工资通常由基本工资加绩效构成,绩效主要是配送单量。由于每个地区的配送难度不同,在保证时效的前提下,不同的配送员配送的单量将存在很大差距。此外,传统的配送员分单系统是根据关键字维护的,如谁负责某某小区,某某楼。但是这种文字信息无法反应配送员负责的实际地域大小。并且基于关键字的管理系统对人为维护的要求极高,因为建筑的名字变化频繁,而且客户填写的地址也五花八门。这些为配送订单的集团管理带来了很大的难度。
与传统方法不同,本公开将通过快递员的配送时长、配送单量来进行路区划分。根据本公开划分的路区,快递员的配送单量和配送时长将趋于平衡。目前,快递员使用手持PDA(Personal Digital Assistant,个人数字助手)或Android手机作为工具,进行配送或揽件后的确认操作。操作后,便会有相应记录包括操作地点的GPS(Global PositioningSystem,全球定位系统)信息。此外,这两个工具都可以周期性的发送配送员的位置信息存储在数据仓库中,以此可以统计配送员在每个地区的工作时长。本公开主要依靠以上数据进行计算。
首先结合图1介绍本公开一个实施例的生成配送路区的方法。
图1示出了本公开一个实施例的生成配送路区的方法的流程示意图。如图1所示,本实施例中的生成配送路区的方法包括步骤S102~步骤S104。
在步骤S102中,获取待配送订单的数量信息以及待配送订单的地理位置信息。
在步骤S104中,将数量信息以及地理位置信息输入预先训练的深度学习神经网络,输出待配送订单的配送路区,配送路区为规划在道路信息上以表示配送范围的区域。
可选的,可以将配送员标识、配送员标识对应的数量信息以及配送员标识对应的地理位置信息输入预先训练的深度学习神经网络,输出配送员标识对应的待配送订单的配送路区。
在步骤S106中,计算输出的各个订单配送路区内的订单配送数量。
在步骤S108中,在输出的订单配送路区内的订单配送数量与配送站点的订单配送数量平均值之差大于预设值a时,对输出的配送路区的规划范围进行调整。
上述实施例能够实时动态的为配送员自动化生成配送路区,平衡配送员的配送订单数量,提高对配送区域的管理水平。
下面介绍如何对深度学习神经网络进行训练。
例如,深度学习神经网络具体可以采用基于VGGNet的FCN-32s、FCN-16s、FCN-8s中的一种,这些深度学习神经网络具有良好的分类效果。
然后,可以从用于训练的订单样本中提取预设的订单数量信息、预设的订单地理位置信息、预设的订单配送路区以及道路信息,输入深度学习神经网络,以对深度学习神经网络进行训练,使得深度学习神经网络能够根据输入的待配送订单的数量信息以及待配送订单的地理位置信息,输出待配送订单的配送路区。
可选的,采用如下方法获取预设的订单配送路区以及预设的订单数量信息:
获取某一次配送时为配送站点中各个配送员规划的订单配送路区,并获取各个订单配送路区内的订单配送时长和订单配送数量;计算配送站点的订单配送时长平均值以及订单配送数量平均值;将至少满足以下两个条件之一的订单配送路区,作为预设的订单配送路区:订单配送时长与订单配送时长平均值之差小于预设值b的订单配送路区,订单配送数量与订单配送数量平均值之差小于预设值c的订单配送路区;将预设的订单配送路区的订单配送数量作为预设的订单数量信息。
上述实施例对深度学习神经网络进行训练时采用了在配送时长以及订单数量相对平衡的配送路区,使得训练得到的深度学习神经网络不仅能够自动规划配送路区,还能够平衡不同配送员的配送订单数量,并以电子围栏的形式规划出配送路区,减少对配送区域的管理成本。
下面结合图2介绍本公开实现生成配送路区的方法的一个应用例。
生成配送路区的方法具体可以通过生成配送路区的系统来实现。图2示出了生成配送路区的系统的一个实施例的结构示意图。该系统包括数据模块、算法模块以及预分拣模块。
数据模块用于存储和获取快递员所持终端上传的周期数据、订单妥投信息、配送站的配送范围、地图信息。其中,快递员所持终端上传的周期数据包括快递员编号、快递员所在站点、时间戳以及GPS位置信息;订单妥投信息可以给出不同地区的订单密度,因为订单的具体位置为敏感信息,需要对数据进行脱敏处理,使得订单妥投信息仅包括订单编号、订单妥投GPS信息以及订单妥投时间;配送站的配送范围通过电子围栏的形式来表示,地图信息用于地理剖分以获取配送员的配送路区。
算法模块借助深度学习中的FCN方法进行路区规划,其根据数据模块中的数据信息,可以获取各个配送员的某一次配送的配送区域,并从中获取合适的配送区域作为训练样本,对神经网络进行训练。算法模块主要分为输入、FCN网络、输出三个部分。其中,输入包括道路信息(例如可以包括道路、河流等地理边界信息)、配送信息(例如可以包括订单数量、订单妥投GPS信息以及妥投配送员);FCN网络可以采用基于VGGNet的FCN-32s、FCN-16s、FCN-8s中的一种;输出包括路区规划结果,例如在地图上通过线圈规划不同的区域,每一个区域代表一个配送员的配送范围。
生成配送路区的系统可以获取各个配送员某一次配送的配送范围,根据业务知识(哪个配送范围的配送时长和配送订单数量更接近于配送站的平均值)筛选出优秀的配送路区作为训练样本,以当前的单量及配送区域的地理信息作为输入,以配送区域作为输出对深度学习神经网络进行训练。经过训练后的深度学习神经网络将具备路区规划能力,之后只需要将单量和地理信息输入深度学习神经网络,深度学习神经网络将自动规划出合理的路区划分。
预分拣模块具体可以包括分拣子模块和路区管理子模块。其中,分拣子模块能够根据订单的配送地址查询其所在GPS信息,并根据GSP信息匹配到相应的配送路区;路区管理子模块用于管理人员根据实际情况对配送路区的范围进行人工调整,调整的最小单位为配送单元,调整后的路区将直接在分拣子系统中反馈。
上述实施例中,生成配送路区的系统根据订单的妥投位置信息,和配送员实际的工作时长和妥投单量,便可以对实际的地理空间进行划分,划分结果为路区——即每个配送员每天的配送范围。由于本公开直接在地理空间上进行剖分,因此所得的路区不仅可以用地址关键字表达,还可以在地图上用电子围栏刻画。为配送员分配完路区后,分拣子系统便会给运单上标注路区信息。快递员在挑选订单时,只需要挑选自己负责的路区即可,不需要自己在识别地址,因此尤其是在有时效要求的情况下可以节省快递员宝贵的时间。此外,由于本系统是基于地理剖分算法,所以地理空间将被完全无缝隙划分,没有遗漏区域。
下面结合图3介绍本公开一个实施例的生成配送路区的装置。
图3示出了本公开一个实施例的生成配送路区的装置的结构示意图。如图3所示,本实施例的生成配送路区的装置30包括信息获取单元302、配送路区生成单元304。
信息获取单元302,被配置为获取待配送订单的数量信息以及待配送订单的地理位置信息;
配送路区生成单元304,被配置为将数量信息以及地理位置信息输入预先训练的深度学习神经网络,输出待配送订单的配送路区,配送路区为规划在道路信息上以表示配送范围的区域。
上述实施例能够实时动态的为配送员自动化生成配送路区,平衡配送员的配送订单数量,提高对配送区域的管理水平。
在一些实施例中,生成配送路区的装置30还包括网络训练单元306,被配置为从用于训练的订单样本中提取预设的订单数量信息、预设的订单地理位置信息、预设的订单配送路区以及道路信息输入深度学习神经网络,以对深度学习神经网络进行训练,使得深度学习神经网络能够根据输入的待配送订单的数量信息以及待配送订单的地理位置信息,输出待配送订单的配送路区。
在一些实施例中,网络训练单元306还被配置为:获取某一次配送时为配送站点中各个配送员规划的订单配送路区,并获取各个订单配送路区内的订单配送时长和订单配送数量;计算配送站点的订单配送时长平均值以及订单配送数量平均值;将至少满足以下两个条件之一的订单配送路区,作为预设的订单配送路区:订单配送时长与订单配送时长平均值之差小于第一预设值的订单配送路区,订单配送数量与订单配送数量平均值之差小于第二预设值的订单配送路区;将预设的订单配送路区的订单配送数量作为预设的订单数量信息。
上述实施例对深度学习神经网络进行训练时采用了在配送时长以及订单数量相对平衡的配送路区,使得训练得到的深度学习神经网络不仅能够自动规划配送路区,还能够平衡不同配送员的配送订单数量,并以电子围栏的形式规划出配送路区,减少对配送区域的管理成本。
在一些实施例中,配送路区生成单元304还被配置为:将配送员标识、配送员标识对应的数量信息以及配送员标识对应的地理位置信息输入预先训练的深度学习神经网络,输出配送员标识对应的待配送订单的配送路区。
在一些实施例中,生成配送路区的装置30还包括:
订单配送数量计算单元308,被配置为计算输出的各个订单配送路区内的订单配送数量;
配送路区调整单元310,被配置为在输出的订单配送路区内的订单配送数量与配送站点的订单配送数量平均值之差大于第三预设值时,对输出的配送路区的规划范围进行调整。
在一些实施例中,深度学习神经网络为基于VGGNet的FCN-32s、FCN-16s、FCN-8s中的一种。
图4示出了本公开另一个实施例的生成配送路区的装置的结构示意图。如图4所示,该实施例的生成配送路区的装置40包括:存储器410以及耦接至该存储器410的处理器420,处理器420被配置为基于存储在存储器410中的指令,执行前述任意一个实施例中的生成配送路区的方法。
其中,存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
生成配送路区的装置40还可以包括输入输出接口430、网络接口440、存储接口440等。这些接口430,440,450以及存储器410和处理器420之间例如可以通过总线460连接。其中,输入输出接口430为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口440为各种联网设备提供连接接口。存储接口440为SD卡、U盘等外置存储设备提供连接接口。
本公开还包括一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现前述任意一个实施例中的生成配送路区的方法。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (14)
1.一种生成配送路区的方法,包括:
获取待配送订单的数量信息以及待配送订单的地理位置信息;
将所述数量信息以及所述地理位置信息输入预先训练的深度学习神经网络,输出所述待配送订单的配送路区,所述配送路区为规划在道路信息上以表示配送范围的区域。
2.如权利要求1所述的方法,其中,采用以下方法对所述深度学习神经网络进行训练:
从用于训练的订单样本中提取预设的订单数量信息、预设的订单地理位置信息、预设的订单配送路区以及道路信息,输入深度学习神经网络,以对所述深度学习神经网络进行训练,使得所述深度学习神经网络能够根据输入的待配送订单的数量信息以及待配送订单的地理位置信息,输出所述待配送订单的配送路区。
3.如权利要求2所述的方法,其中,采用如下方法获取预设的订单配送路区以及预设的订单数量信息:
获取某一次配送时为配送站点中各个配送员规划的订单配送路区,并获取各个订单配送路区内的订单配送时长和订单配送数量;
计算配送站点的订单配送时长平均值以及订单配送数量平均值;
将至少满足以下两个条件之一的订单配送路区,作为预设的订单配送路区:订单配送时长与所述订单配送时长平均值之差小于第一预设值的订单配送路区,订单配送数量与所述订单配送数量平均值之差小于第二预设值的订单配送路区;
将预设的订单配送路区的订单配送数量作为预设的订单数量信息。
4.如权利要求1所述的方法,其中,将配送员标识、配送员标识对应的所述数量信息以及配送员标识对应的所述地理位置信息输入预先训练的深度学习神经网络,输出所述配送员标识对应的待配送订单的配送路区。
5.如权利要求1所述的方法,其中,所述方法还包括:
计算输出的各个订单配送路区内的订单配送数量;
在输出的订单配送路区内的订单配送数量与配送站点的订单配送数量平均值之差大于第三预设值时,对输出的所述配送路区的规划范围进行调整。
6.如权利要求1至5中任一项所述的方法,其中,所述深度学习神经网络为基于VGGNet的FCN-32s、FCN-16s、FCN-8s中的一种。
7.一种生成配送路区的装置,包括:
信息获取单元,被配置为获取待配送订单的数量信息以及待配送订单的地理位置信息;
配送路区生成单元,被配置为将所述数量信息以及所述地理位置信息输入预先训练的深度学习神经网络,输出所述待配送订单的配送路区,所述配送路区为规划在道路信息上以表示配送范围的区域。
8.如权利要求7所述的装置,其中,所述装置还包括:
网络训练单元,被配置为从用于训练的订单样本中提取预设的订单数量信息、预设的订单地理位置信息、预设的订单配送路区以及道路信息输入深度学习神经网络,以对所述深度学习神经网络进行训练,使得所述深度学习神经网络能够根据输入的待配送订单的数量信息以及待配送订单的地理位置信息,输出所述待配送订单的配送路区。
9.如权利要求8所述的装置,其中,所述网络训练单元还被配置为:
获取某一次配送时为配送站点中各个配送员规划的订单配送路区,并获取各个订单配送路区内的订单配送时长和订单配送数量;
计算配送站点的订单配送时长平均值以及订单配送数量平均值;
将至少满足以下两个条件之一的订单配送路区,作为预设的订单配送路区:订单配送时长与所述订单配送时长平均值之差小于第一预设值的订单配送路区,订单配送数量与所述订单配送数量平均值之差小于第二预设值的订单配送路区;
将预设的订单配送路区的订单配送数量作为预设的订单数量信息。
10.如权利要求7所述的装置,其中,所述配送路区生成单元还被配置为:
将配送员标识、配送员标识对应的所述数量信息以及配送员标识对应的所述地理位置信息输入预先训练的深度学习神经网络,输出所述配送员标识对应的待配送订单的配送路区。
11.如权利要求7所述的装置,其中,所述装置还包括:
订单配送数量计算单元,被配置为计算输出的各个订单配送路区内的订单配送数量;
配送路区调整单元,被配置为在输出的订单配送路区内的订单配送数量与配送站点的订单配送数量平均值之差大于第三预设值时,对输出的所述配送路区的规划范围进行调整。
12.如权利要求7至11中任一项所述的装置,其中,所述深度学习神经网络为基于VGGNet的FCN-32s、FCN-16s、FCN-8s中的一种。
13.一种生成配送路区的装置,其中,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1至6中任一项所述的生成配送路区的方法。
14.一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1至6中任一项所述的生成配送路区的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810099330.9A CN110110950A (zh) | 2018-02-01 | 2018-02-01 | 生成配送路区的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810099330.9A CN110110950A (zh) | 2018-02-01 | 2018-02-01 | 生成配送路区的方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110950A true CN110110950A (zh) | 2019-08-09 |
Family
ID=67483192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810099330.9A Pending CN110110950A (zh) | 2018-02-01 | 2018-02-01 | 生成配送路区的方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110950A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695931A (zh) * | 2020-05-11 | 2020-09-22 | 北京顺达同行科技有限公司 | 物流计费方法、相关装置及计算机可读存储介质 |
CN111754147A (zh) * | 2019-03-28 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 路区划分方法、系统、装置和计算机可读存储介质 |
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 |
CN113065835A (zh) * | 2021-05-08 | 2021-07-02 | 北京京东振世信息技术有限公司 | 物流引导信息生成方法、装置、电子设备及存储介质 |
CN113112193A (zh) * | 2020-01-13 | 2021-07-13 | 北京京东振世信息技术有限公司 | 用于确定包裹位置的方法、装置、服务器和介质 |
WO2023221448A1 (zh) * | 2022-05-17 | 2023-11-23 | 北京京东叁佰陆拾度电子商务有限公司 | 一种订单分配方法及装置、存储介质 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944205A (zh) * | 2010-09-16 | 2011-01-12 | 华中科技大学 | 一种工厂物料配送车辆调度系统 |
CN102312616A (zh) * | 2010-06-29 | 2012-01-11 | 马瑞利汽车电子(广州)有限公司 | 用于智能进入和智能启动的方法和系统 |
CN103020790A (zh) * | 2012-10-30 | 2013-04-03 | 北京京东世纪贸易有限公司 | 一种预分拣订单的方法和装置 |
CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
CN103761639A (zh) * | 2014-02-17 | 2014-04-30 | 江苏亲民网络股份有限公司 | 互联网电子商务物流管理系统中订单分配的处理方法 |
CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
CN105447667A (zh) * | 2015-11-17 | 2016-03-30 | 成都信息工程大学 | 快递订单的自动分配方法 |
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 |
CN105894232A (zh) * | 2016-03-31 | 2016-08-24 | 北京小度信息科技有限公司 | 物流配送方法和装置 |
CN106127327A (zh) * | 2016-05-17 | 2016-11-16 | 北京京东尚科信息技术有限公司 | 基于gis的配送站点选址方法和系统 |
CN106447470A (zh) * | 2016-11-30 | 2017-02-22 | 北京小度信息科技有限公司 | 配送订单分配方法和装置 |
CN106920053A (zh) * | 2015-12-25 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 一种对配送点的配送运力进行分配的方法以及装置 |
CN106960294A (zh) * | 2016-01-08 | 2017-07-18 | 北京京东尚科信息技术有限公司 | 一种智能订单分拣方法和装置 |
CN107016364A (zh) * | 2017-04-01 | 2017-08-04 | 南京邮电大学 | 一种基于图像识别的快递位置获取方法 |
CN107093123A (zh) * | 2017-01-12 | 2017-08-25 | 北京小度信息科技有限公司 | 数据处理方法和装置 |
CN107093121A (zh) * | 2016-11-30 | 2017-08-25 | 北京小度信息科技有限公司 | 界面显示方法、配送订单分配方法和装置 |
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 |
CN107133772A (zh) * | 2017-06-08 | 2017-09-05 | 北京惠赢天下网络技术有限公司 | 基于标准箱的便捷货品配送方法、系统及订单管理服务器 |
CN107145980A (zh) * | 2017-05-05 | 2017-09-08 | 北京京东尚科信息技术有限公司 | 无人车配送方法、系统和控制服务器 |
CN107194656A (zh) * | 2017-07-04 | 2017-09-22 | 北京惠赢天下网络技术有限公司 | 一种基于标准箱订单的配送路径的规划方法及装置 |
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 |
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
CN107437123A (zh) * | 2017-06-12 | 2017-12-05 | 广东工业大学 | 基于层次分析法的生鲜产品动态优化配送方法 |
CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
CN107451785A (zh) * | 2017-08-17 | 2017-12-08 | 北京小度信息科技有限公司 | 用于输出信息的方法和装置 |
CN107464034A (zh) * | 2017-06-28 | 2017-12-12 | 北京小度信息科技有限公司 | 订单处理方法和装置 |
-
2018
- 2018-02-01 CN CN201810099330.9A patent/CN110110950A/zh active Pending
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102312616A (zh) * | 2010-06-29 | 2012-01-11 | 马瑞利汽车电子(广州)有限公司 | 用于智能进入和智能启动的方法和系统 |
CN101944205A (zh) * | 2010-09-16 | 2011-01-12 | 华中科技大学 | 一种工厂物料配送车辆调度系统 |
CN103020790A (zh) * | 2012-10-30 | 2013-04-03 | 北京京东世纪贸易有限公司 | 一种预分拣订单的方法和装置 |
CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
CN103761639A (zh) * | 2014-02-17 | 2014-04-30 | 江苏亲民网络股份有限公司 | 互联网电子商务物流管理系统中订单分配的处理方法 |
CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
CN105447667A (zh) * | 2015-11-17 | 2016-03-30 | 成都信息工程大学 | 快递订单的自动分配方法 |
CN106920053A (zh) * | 2015-12-25 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 一种对配送点的配送运力进行分配的方法以及装置 |
CN106960294A (zh) * | 2016-01-08 | 2017-07-18 | 北京京东尚科信息技术有限公司 | 一种智能订单分拣方法和装置 |
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 |
CN105894232A (zh) * | 2016-03-31 | 2016-08-24 | 北京小度信息科技有限公司 | 物流配送方法和装置 |
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 |
CN106127327A (zh) * | 2016-05-17 | 2016-11-16 | 北京京东尚科信息技术有限公司 | 基于gis的配送站点选址方法和系统 |
CN106447470A (zh) * | 2016-11-30 | 2017-02-22 | 北京小度信息科技有限公司 | 配送订单分配方法和装置 |
CN107093121A (zh) * | 2016-11-30 | 2017-08-25 | 北京小度信息科技有限公司 | 界面显示方法、配送订单分配方法和装置 |
CN107093123A (zh) * | 2017-01-12 | 2017-08-25 | 北京小度信息科技有限公司 | 数据处理方法和装置 |
CN107016364A (zh) * | 2017-04-01 | 2017-08-04 | 南京邮电大学 | 一种基于图像识别的快递位置获取方法 |
CN107145980A (zh) * | 2017-05-05 | 2017-09-08 | 北京京东尚科信息技术有限公司 | 无人车配送方法、系统和控制服务器 |
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 |
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
CN107133772A (zh) * | 2017-06-08 | 2017-09-05 | 北京惠赢天下网络技术有限公司 | 基于标准箱的便捷货品配送方法、系统及订单管理服务器 |
CN107437123A (zh) * | 2017-06-12 | 2017-12-05 | 广东工业大学 | 基于层次分析法的生鲜产品动态优化配送方法 |
CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
CN107464034A (zh) * | 2017-06-28 | 2017-12-12 | 北京小度信息科技有限公司 | 订单处理方法和装置 |
CN107194656A (zh) * | 2017-07-04 | 2017-09-22 | 北京惠赢天下网络技术有限公司 | 一种基于标准箱订单的配送路径的规划方法及装置 |
CN107451785A (zh) * | 2017-08-17 | 2017-12-08 | 北京小度信息科技有限公司 | 用于输出信息的方法和装置 |
Non-Patent Citations (1)
Title |
---|
尉斌等: "基于混合神经网络的车辆路径模型研究", 《计算机工程与设计》, vol. 32, no. 11, pages 1 - 3 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754147A (zh) * | 2019-03-28 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 路区划分方法、系统、装置和计算机可读存储介质 |
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 |
CN113112193A (zh) * | 2020-01-13 | 2021-07-13 | 北京京东振世信息技术有限公司 | 用于确定包裹位置的方法、装置、服务器和介质 |
CN113112193B (zh) * | 2020-01-13 | 2024-05-24 | 北京京东振世信息技术有限公司 | 用于确定包裹位置的方法、装置、服务器和介质 |
CN111695931A (zh) * | 2020-05-11 | 2020-09-22 | 北京顺达同行科技有限公司 | 物流计费方法、相关装置及计算机可读存储介质 |
CN113065835A (zh) * | 2021-05-08 | 2021-07-02 | 北京京东振世信息技术有限公司 | 物流引导信息生成方法、装置、电子设备及存储介质 |
WO2023221448A1 (zh) * | 2022-05-17 | 2023-11-23 | 北京京东叁佰陆拾度电子商务有限公司 | 一种订单分配方法及装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110950A (zh) | 生成配送路区的方法、装置及计算机可读存储介质 | |
CN108364085B (zh) | 一种外卖配送时间预测方法和装置 | |
CN106549772B (zh) | 资源预测方法、系统和容量管理装置 | |
CN104615661B (zh) | 面向云平台应用的服务推荐方法、设备及系统 | |
CN105898762A (zh) | 基站优化及部署方法和装置 | |
CN108181648B (zh) | 连续记录混叠地震采集数据的质控方法和装置 | |
CN111709613A (zh) | 基于数据统计的任务自动分配方法、装置及计算机设备 | |
CN110264039A (zh) | 一种工作报表的生成方法及设备 | |
CN108256116A (zh) | 一种农用地现状数据快速采集方法 | |
CN109389270A (zh) | 一种物流对象确定方法、装置和机器可读介质 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN109949063A (zh) | 一种地址确定方法、装置、电子设备及可读存储介质 | |
CN106455056A (zh) | 定位方法和装置 | |
CN109242288A (zh) | 绩效数据匹配方法及系统 | |
CN110990917A (zh) | Bim模型展示的方法、装置及系统 | |
CN110362640B (zh) | 一种基于电子地图数据的任务分配方法及装置 | |
CN111754147A (zh) | 路区划分方法、系统、装置和计算机可读存储介质 | |
CN110390607A (zh) | 基于科目指标体系的目标成本测算方法、系统和计算机可读存储介质 | |
KR102184048B1 (ko) | Gis 기반 토지 이용 계획 검토 시스템 및 방법 | |
JP2019003498A (ja) | サプライチェーンシミュレーションシステム及びサプライチェーンシミュレーション方法 | |
CN110147941A (zh) | 考核内容获取方法、员工评估方法及装置 | |
CN109684537A (zh) | 一种面向业务流程的知识资源智能推送系统及其推送方法 | |
US10395190B2 (en) | Method and system for determining total cost of ownership | |
CN107609171A (zh) | 基于数据仓库的数据溯源方法及装置 | |
CN104239413B (zh) | 一种电网数据在线分析处理方法 |
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 |