CN110619412B - 物流配送站点规划方法和服务器 - Google Patents

物流配送站点规划方法和服务器 Download PDF

Info

Publication number
CN110619412B
CN110619412B CN201810637029.9A CN201810637029A CN110619412B CN 110619412 B CN110619412 B CN 110619412B CN 201810637029 A CN201810637029 A CN 201810637029A CN 110619412 B CN110619412 B CN 110619412B
Authority
CN
China
Prior art keywords
nodes
cluster
clusters
node
geographic area
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.)
Active
Application number
CN201810637029.9A
Other languages
English (en)
Other versions
CN110619412A (zh
Inventor
张晓莹
徐宗敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cainiao Smart Logistics Holding Ltd
Original Assignee
Cainiao Smart Logistics Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cainiao Smart Logistics Holding Ltd filed Critical Cainiao Smart Logistics Holding Ltd
Priority to CN201810637029.9A priority Critical patent/CN110619412B/zh
Priority to PCT/CN2019/090509 priority patent/WO2019242520A1/zh
Publication of CN110619412A publication Critical patent/CN110619412A/zh
Application granted granted Critical
Publication of CN110619412B publication Critical patent/CN110619412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种物流配送站点规划方法和服务器。所述方法包括：接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识；以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。

Description

物流配送站点规划方法和服务器
技术领域
本说明书实施例涉及计算机技术领域，特别涉及一种物流配送站点规划方法和服务器。
背景技术
随着电子商务的快速发展，为了将配送资源及时配送到用户手中，物流公司通常需要在地理区域内规划并建设物流配送站点。现有技术中，物流公司的规划人员通常根据配送订单的密度分布情况，用其经验来决策如何规划物流配送站点。这种根据经验来规划物流配送站点的方法，通常会导致物流配送站点的分布不合理，使得配送成本较高，配送时效较低。
发明内容
本说明书实施例的目的是提供一种物流配送站点规划方法和服务器，以降低配送成本、提高配送时效。
为实现以上目的，本说明书实施例提供一种物流配送站点规划方法，包括：接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识；以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
为实现以上目的，本说明书实施例提供一种服务器，包括：接收单元，用于接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识；划分单元，用于以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；规划单元，用于基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
为实现以上目的，本说明书实施例提供一种服务器，包括：存储器，用于存储计算机指令；处理器，用于执行所述计算机指令实现以下步骤：接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识；以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
由以上本说明书实施例提供的技术方案可见，本说明书实施例中，服务器可以接收物流配送站点规划参数，所述物流配送站点规划参数可以包括地理区域标识；可以以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇，所述指定地理区域为所述地理区域标识所标识的地理区域；基于划分的类簇，可以在所述指定地理区域内规划多个物流配送站点。本说明书实施例的物流配送站点规划方法，避免了人工经验的影响，使得规划出的物流配送站点在所述指定地理区域内的分布较为合理，从而降低了配送成本，提高了配送时效。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例，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为本说明书实施例一种物流配送站点规划方法的流程图；
图2为本说明书实施例一种K-MEANS聚类算法的流程图；
图3为本说明书实施例一种邻近分类算法的流程图；
图4为本说明书实施例一种物流配送站点规划方法的流程图；
图5为本说明书实施例一种参数输入界面的示意图；
图6为本说明书实施例一种规划结果的示意图；
图7为本说明书实施例一种服务器的功能结构示意图；
图8为本说明书实施例一种服务器的功能结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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他实施例，都应当属于本说明书保护的范围。
请一并参阅图1、图2、图3、图4、图5和图6。本说明书实施例提供一种物流配送站点规划方法。所述物流配送站点规划方法以服务器为执行主体。所述服务器可以为一个服务器；或者，还可以为包括多个服务器的服务器集群。所述物流配送站点规划方法可以包括以下步骤。
步骤S10：接收物流配送站点规划参数。
在本实施例中，所述物流配送站点规划参数可以用于规划物流配送站点，所述物流配送站点能够将配送资源配送至一个或多个配送地址。所述配送资源可以为任意类型的资源，例如可以为商品、货物、或外卖等。所述配送地址可以为用户的收货地址，例如可以为XXX省XXX市(县)XXX镇XXX村等。所述物流配送站点规划参数可以包括地理区域标识。所述地理区域标识可以用于标识地理区域，例如可以为地理区域的名称、或编码等。所述地理区域的大小可以根据业务需要灵活设定，例如可以为街道、商圈、城市、国家、或多个国家组成的地区等。
在本实施例的一个实施方式中，所述物流配送站点规划参数还可以包括物流配送站点的数量。所述物流配送站点的数量可以为任意大小，例如可以为10、15、或30等。
在本实施例的一个实施方式中，为了防止规划出的物流配送站点覆盖的配送地址数量过大进而影响配送时效，所述物流配送站点规划参数还可以包括物流配送站点覆盖的最大配送地址数量。所述物流配送站点覆盖的最大配送地址数量可以为任意大小，例如可以为100、102、或150等。
在本实施例的一个实施方式中，为了防止规划出的物流配送站点覆盖的配送地址数量过小进而影响配送成本，所述物流配送站点规划参数还可以包括物流配送站点覆盖的最小配送地址数量。所述物流配送站点覆盖的最小配送地址数量可以为任意大小，例如可以为10、12、或15等。
在本实施例的一个实施方式中，为了防止规划出的物流配送站点覆盖的配送距离过大进而影响配送成本，所述物流配送站点规划参数还可以包括物流配送站点覆盖的最大配送距离。所述物流配送站点覆盖的最大配送距离可以为任意大小，例如可以为50公里、75公里、或80公里等。
在本实施例中，用户可以直接在所述服务器输入物流配送站点规划参数，所述服务器可以接收用户输入的物流配送站点规划参数。例如，所述服务器可以提供参数输入界面，用户可以在所述参数输入界面输入物流配送站点规划参数，所述服务器可以接收用户输入的物流配送站点规划参数。或者，用户还可以在终端设备输入物流配送站点规划参数，所述终端设备可以接收并向服务器发送所述物流配送站点规划参数，所述服务器可以接收所述物流配送站点规划参数。所述终端设备可以为智能手机、平板电子设备、便携式计算机、个人数字助理(PDA)、服务器、工控机(工业控制计算机)、个人计算机(PC机)、或一体机等。
步骤S12：以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域。
在本实施例中，所述服务器可以以所述地理区域标识所标识的地理区域为指定地理区域；可以获取所述指定地理区域内的多个配送地址；以配送地址对应的地理位置为节点，可以将所述指定地理区域内的节点划分为多个类簇。每个类簇可以包括至少一个节点。具体地，所述服务器可以提供配送地址集合，所述配送地址集合可以包括多个配送地址。所述服务器可以从所述配送地址集合中，获取在所述指定地理区域内的多个配送地址。所述服务器可以将每个配送地址转换为经纬度数据；可以将转换的经纬度数据作为节点的经纬度数据。
在本实施例中，所述服务器可以使用预置算法，将所述指定地理区域内的节点划分为多个类簇。所述预置算法可以包括聚类算法。所述聚类算法可以包括K-Means聚类算法、DBSAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法、层次聚类算法等。具体地，所述服务器可以确定聚类个数；可以使用所述预置算法，将所述指定地理区域内的节点划分为多个类簇。划分的类簇数量可以等于所述聚类个数。
在本实施例的一个实施方式中，所述物流配送站点规划参数可以包括物流配送站点的数量。如此，所述服务器可以将所述物流配送站点规划参数中物流配送站点的数量作为聚类个数。
在本实施例的一个实施方式中，所述服务器可以基于所述指定地理区域内的节点数量来计算聚类个数。例如，所述服务器可以根据公式来计算聚类个数；K可以表示聚类个数；ALL可以表示所述指定地理区域内的节点数量；U可以表示物流配送站点覆盖的最大配送地址数量；L可以表示物流配送站点覆盖的最小配送地址数量；[]可以表示向上取整运算符。这里U的大小可以是开发人员在所述服务器预先设定的。或者，所述物流配送站点规划参数可以包括物流配送站点覆盖的最大配送地址数量。如此，所述服务器可以将所述物流配送站点规划参数中的最大配送地址数量赋予U。相类似地，这里L的大小可以是开发人员在所述服务器预先设定的。或者，所述物流配送站点规划参数可以包括物流配送站点覆盖的最小配送地址数量。如此，所述服务器可以将所述物流配送站点规划参数中的最小配送地址数量赋予L。本领域技术人员应当能够理解，上述聚类个数计算公式仅为示例，在实际中还可以有其它公式或方法来计算聚类个数。
以下以K-Means聚类算法为例，详细介绍所述服务器将所述指定地理区域内的节点划分为多个类簇的过程。本领域技术人员应当能够理解，所述服务器还可以使用其它聚类算法将所述指定地理区域内的节点划分为多个类簇。此外，这里的K-Means聚类算法仅为示例，在实际中K-Means聚类算法还可以有其它的变形或变化。所述服务器将所述指定地理区域内的节点划分为多个类簇的过程，可以包括以下步骤。
步骤S120：确定K个聚类中心。
所述K可以表示聚类个数，所述K个聚类中心可以对应K个类簇。具体地，所述服务器可以从所述指定地理区域内的节点中，任意选取K个节点作为K个聚类中心。本领域技术人员应当能够理解，在实际中所述服务器还可以采用其它方式来确定K个聚类中心。
步骤S122：针对所述指定地理区域内的每个节点，计算该节点分别与所述K个聚类中心之间的地理距离；并将该节点划分至最小地理距离的聚类中心对应的类簇。
针对所述指定地理区域内的每个节点，所述服务器可以计算该节点分别与所述K个聚类中心之间的地理距离；可以选取最小地理距离对应的聚类中心；可以将该节点划分至选取的聚类中心对应的类簇。具体地，所述服务器可以根据公式D(x1,y1,x2,y2)＝R*arccos(sin(x1)*sin(x2)+cos(x1)*cos(x2)*cos(y1-y2))来计算节点与聚类中心之间的地理距离；D可以表示地理距离；x1可以表示节点的维度数据；y1可以表示节点的经度数据；x2可以表示聚类中心的维度数据；y2可以表示聚类中心的经度数据；R可以表示地球半径。本领域技术人员应当能够理解，上述地理距离计算公式仅为示例，在实际中还可以有其它公式或方法来计算地理距离。例如，所述服务器还可以根据公式来计算节点与聚类中心之间的地理距离；cw可以表示整体中心的维度数据，cj可以表示整体中心的经度数据，这里所述整体中心可以理解为所述指定地理区域内各个节点的中心。cw例如可以为所述指定地理区域内各个节点维度数据的平均值；cj例如可以为所述指定地理区域内各个节点经度数据的平均值。
步骤S124：重新确定K个类簇的聚类中心。
针对所述K个类簇中的每个类簇，所述服务器可以基于该类簇中的节点重新确定该类簇的聚类中心。具体地，所述服务器可以计算该类簇中各个节点经度数据的平均值，作为该类簇的聚类中心的经度数据；可以计算该类簇中各个节点维度数据的平均值，作为该类簇的聚类中心的维度数据；可以基于计算的经度数据和维度数据，重新确定该类簇的聚类中心。本领域技术人员应当能够理解，在实际中所述服务器还可以采用其它方法来重新确定该类簇的聚类中心。
步骤S126：判断是否满足迭代终止条件。若满足，则K-Means聚类算法终止；若不满足，则返回步骤S122。
所述迭代终止条件可以包括标准测度函数收敛。具体地，所述服务器可以计算标准测度函数；可以在所述标准测度函数收敛时，终止K-Means聚类算法。所述标准测度函数例如可以为ALL可以表示所述指定地理区域内的节点数量；K可以表示聚类个数；在第n个节点归属于第k个类簇时，rnk的大小可以为1；在第n个节点不归属于第k个类簇时，rnk的大小可以为0；uk可以表示第k个类簇的聚类中心。当然，在实际中所述迭代终止条件还可以包括其它形式。例如，所述迭代终止条件还可以包括所述K个类簇中各个类簇的聚类中心不再发生变化；或者，所述K个类簇中各个类簇的聚类中心的变化量小于或等于预设阈值。这里聚类中心的变化量可以理解为当前迭代过程的聚类中心与上一轮迭代过程的聚类中心之间的地理距离，所述预设阈值的大小可以根据实际需要灵活设定。
步骤S16：基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
在本实施例中，针对划分的每个类簇，所述服务器可以将该类簇的聚类中心作为物流配送站点的地理位置，可以将该类簇中节点对应的配送地址作为该物流配送站点覆盖的配送地址。这样，所述服务器可以实现在所述指定地理区域内规划多个物流配送站点。
在本实施例的一个实施方式中，考虑到跨越地理障碍(例如山川、河流等)对配送资源进行配送是不方便的，为了避免规划的物流配送站点覆盖的配送地址跨越了地理障碍，所述服务器可以将所述指定地理区域内的多个配送地址划分为多个业务组，每个业务组可以包括多个配送地址。业务组内的配送地址通常不跨越地理障碍(例如位于地理障碍的一侧)；业务组间的配送地址可以跨越地理障碍。如此，以配送地址对应的地理位置为节点，所述服务器可以将每个业务组内的节点划分为多个类簇。需要说明的是，在本实施方式中，在根据公式来计算节点与聚类中心之间的地理距离时，所述整体中心可以理解为业务组内各个节点的中心。
在本实施例的一个实施方式中，所述服务器可以为包括多个服务器的服务器集群。如此，将所述指定地理区域内的节点划分为多个类簇的过程可以在所述服务器集群上进行，从而可以实现分布式运算，提高了运算效率。
在本实施例的一个实施方式中，所述服务器可以以所述指定地理区域内的节点形成的集合为节点集合；可以从所述节点集合中识别出噪声点；可以将所述节点集合中除去所述噪声点以外的其它节点划分为多个类簇。
在本实施方式中，考虑到针对某一个节点，若与该节点之间的地理距离小于某一预设距离的节点数量小于某一预设值，便可以认为该节点为孤立点。孤立点作为一种噪声点，其存在会影响到物流配送站点的规划。如此，针对所述节点集合中的每个节点，所述服务器可以从所述节点集合中选取与该节点之间的地理距离小于或等于第一预设值的节点；在选取节点的数量小于或等于预设数量时，可以将该节点识别为噪声点。这里所述第一预设值和所述预设数量的大小可以根据实际需要灵活设定。
或者，在本实施方式中，所述指定地理区域可以包括多个子地理区域。例如，所述指定地理区域可以为中国杭州市，所述多个子地理区域可以包括西湖区、滨江区、萧山区、下城区、江干区等。在将配送地址转换为经纬度数据的过程中，有可能会出现错误。错误经纬度数据对应的节点作为一种噪声点，其存在会影响到物流配送站点的规划。如此，针对所述节点集合内的每个节点，所述服务器可以从所述节点集合中选取与该节点之间的地理距离小于或等于第二预设值的节点；可以以选取的节点形成的集合为第一子节点集合；可以选取在所述第一子节点集合中对应节点数量最多的子地理区域；在选取的子地理区域与该节点归属的子地理区域不同时，可以将该节点识别为噪声点。这里所述第二预设值的大小可以根据实际需要灵活设定。
在本实施例的一个实施方式中，所述物流配送站点规划参数还可以包括物流配送站点覆盖的最大配送地址数量。如此，在将所述指定地理区域内的节点划分为多个类簇的过程中，所述服务器可以对每个类簇中节点的数量进行限定，使得划分的类簇中节点的数量小于或等于所述物流配送站点规划参数中的最大配送地址数量。以K-Means聚类算法为例，在步骤S122中，针对所述指定地理区域内的每个节点，所述服务器可以计算该节点分别与所述K个聚类中心之间的地理距离；可以选取最小地理距离对应的聚类中心(以下称为第一聚类中心)。在所述第一聚类中心所对应类簇中节点的数量小于或等于所述物流配送站点规划参数中的最大配送地址数量时，所述服务器可以将该节点划分至所述第一聚类中心对应的类簇。在所述第一聚类中心所对应类簇中节点的数量大于所述物流配送站点规划参数中的最大配送地址数量时，所述服务器可以将该节点划分至其它类簇。例如，所述服务器可以从除去所述第一聚类中心以外的其它聚类中心中，选取最小地理距离对应的聚类中心(以下称为第二聚类中心)，在所述第二聚类中心所对应类簇中节点的数量小于或等于所述物流配送站点规划参数中的最大配送地址数量时，可以将该节点划分至所述第二聚类中心对应的类簇。当然，在所述第二聚类中心所对应类簇中节点的数量大于所述物流配送站点规划参数中的最大配送地址数量时，所述服务器可以继续从除去所述第一聚类中心和所述第二聚类中心以外的其它聚类中心中，选取最小地理距离对应的聚类中心。
进一步地，在本实施方式中，在将所述指定地理区域内的节点划分为多个类簇的过程中，一些类簇中节点的数量可能会优先达到所述物流配送站点规划参数中的最大配送地址数量，进而使得一些节点无法被划分至合适的类簇。如此，在将所述指定地理区域内的节点划分为多个类簇的过程中，所述服务器可以根据公式来计算节点与聚类中心之间的地理距离。这样，与整体中心之间的地理距离小的节点能够优先被划分至合适的类簇，从而使得类簇的划分在整体上较为合理。
在本实施例的一个实施方式中，所述物流配送站点规划参数还可以包括物流配送站点覆盖的最小配送地址数量。步骤S12划分的类簇中有可能存在节点数量小于所述物流配送站点规划参数中的最小配送地址数量的类簇，在后续过程中若针对该类簇规划物流配送站点会影响配送成本。如此，所述服务器可以从划分的类簇中，选取包含节点数量小于或等于所述物流配送站点规划参数中的最小配送地址数量的类簇，作为第一目标类簇；可以将所述第一目标类簇中的节点划分至除去所述第一目标类簇以外的其它类簇。
在本实施方式中，所述服务器可以使用分类算法，将所述第一目标类簇中的节点划分至除去所述第一目标类簇以外的其它类簇。所述分类算法可以包括邻近分类算法(K-NearestNeighbor，KNN)、支持向量机分类算法(Support Vector Machine，SVM)、卷积神经网络分类算法(Convolutional Neural Networks，CNN)等。以下以邻近分类算法为例，详细介绍所述服务器将所述第一目标类簇中的节点划分至除去所述目标类簇以外的其它类簇的过程。本领域技术人员应当能够理解，所述服务器还可以使用其它分类算法将所述第一目标类簇中的节点划分至除去所述第一目标类簇以外的其它类簇。此外，这里的邻近分类算法仅为示例，在实际中邻近分类算法还可以有其它的变形或变化。具体地，针对所述第一目标类簇中的每个节点，所述服务器可以计算该节点与除去所述第一目标类簇以外其它各个类簇中各个节点之间的地理距离；可以选取地理距离小于或等于第三预设值的节点；可以以选取的节点形成的集合为第二子节点集合；可以选取除去所述第一目标类簇以外，在所述第二子节点集合中对应节点数量最多的类簇；可以将该节点划分至选取的类簇。
进一步地，在本实施方式中，所述服务器可以为包括多个服务器的服务器集群。所述服务器集群可以包括管理服务器和多个工作服务器。为了实现分布式运算以提高运算效率，所述管理服务器可以将除去所述第一目标类簇以外其它类簇中的节点切分为多个第一数据单元，每个第一数据单元可以包括至少一个节点，切分的第一数据单元的数量可以与所述服务器集群中工作服务器的数量相同。所述管理服务器可以分别向每个工作服务器分发一个第一数据单元、以及所述第一目标类簇。每个工作服务器可以计算所述第一目标类簇中的每个节点、与位于自身的第一数据单元中各个节点之间的地理距离。
每个工作服务器可以将所述第一目标类簇中的节点切分为多个第二数据单元，每个第二数据单元可以包括至少一个节点、且可以对应有数据单元标识。所述管理服务器可以将每个数据单元标识对应在各个工作服务器上的第二数据单元进行汇总，得到与该数据单元标识相对应的新的第二数据单元。针对每个新的第二数据单元中的每个节点，所述管理服务器可以选取与该节点之间的地理距离最小的预设数量个节点；可以以选取的节点构成的集合为第二子节点集合；可以选取除去所述第一目标类簇以外，在所述第二子节点集合中对应节点数量最多的类簇；可以将该节点划分至选取的类簇。
在本实施例的一个实施方式中，所述物流配送站点规划参数还可以包括物流配送站点覆盖的最大配送距离。步骤S12划分的类簇中有可能存在半径距离大于所述物流配送站点规划参数中的最大配送距离的类簇，在后续过程中若针对该类簇规划物流配送站点会影响配送成本。如此，所述服务器可以确定划分的每个类簇的半径；可以选取半径大于或等于所述物流配送站点规划参数中的最大配送距离的类簇；可以基于除去选取类簇以外的其它类簇，在所述指定地理区域内规划多个物流配送站点。具体地，针对划分的每个类簇，所述服务器可以计算该类簇中每个节点与该类簇的聚类中心之间的地理距离；可以将最大地理距离作为该类簇的半径。
在本实施例的一个实施方式中，一些节点有可能无法被划分至合适的类簇，便可以认为该节点为离群点。离群点的存在会影响到物流配送站点的规划。例如，步骤S12划分的类簇可以包括类簇A、B。类簇A中的某一节点与类簇A的聚类中心之间地理距离，大于与类簇B的聚类中心之间的地理距离。那么，便可以认为该节点为离群点。如此，所述服务器可以以所述指定地理区域内的节点形成的集合为节点集合；可以从所述节点集合中识别出至少一个离群点；针对识别出的每个离群点，可以将该离群点划分至除去该离群点所归属类簇以外的其它类簇。具体地，针对所述节点集合中的每个节点，所述服务器可以以该节点归属的类簇为第二目标类簇；在该节点与所述第二目标类簇的聚类中心之间的地理距离，大于与除去所述第二目标类簇以外任一其它类簇的聚类中心之间的地理距离时，可以将该节点识别为离群点。需要说明的是，这里将离群点划分至除去该离群点所归属类簇以外的其它类簇的过程，可以参照前述实施方式中的分类算法，在此不再赘述。
请一并参阅图1、图4、图5和图6。以下介绍本说明书实施例的一个场景示例。本场景示例的主体可以包括终端设备和服务器。
在本场景示例中，所述终端设备可以提供参数输入界面。用户可以在所述参数输入界面输入物流配送站点规划参数。所述物流配送站点规划参数可以包括地理区域标识、物流配送站点覆盖的最大配送地址数量、物流配送站点覆盖的最小配送地址数量、以及物流配送站点覆盖的最大配送距离。所述终端设备可以接收并向服务器发送所述物流配送站点规划参数，所述服务器可以接收所述物流配送站点规划参数。
在本场景示例中，所述服务器可以以所述地理区域标识所标识的地理区域为指定地理区域；可以获取所述指定地理区域内的多个配送地址；可以以配送地址对应的地理位置为节点；可以以所述指定地理区域内的节点形成的集合为节点集合；可以从所述节点集合中识别出噪声点；可以将所述节点集合中除去所述噪声点以外的其它节点划分为多个类簇。划分的类簇中节点的数量小于或等于所述物流配送站点规划参数中的最大配送地址数量。
在本场景示例中，所述服务器可以从划分的类簇中，选取包含节点数量小于或等于所述物流配送站点规划参数中的最小配送地址数量的类簇，作为目标类簇；可以将所述目标类簇中的节点划分至除去所述目标类簇以外的其它类簇。此外，所述服务器还可以从所述节点集合中识别出至少一个离群点；针对识别出的每个离群点，可以将该离群点划分至除去该离群点所归属类簇以外的其它类簇。
在本场景示例中，所述服务器可以确定划分的每个类簇的半径；可以选取半径大于或等于所述物流配送站点规划参数中的最大配送距离的类簇；可以基于除去选取的类簇以外的其它类簇，在所述指定地理区域内规划多个物流配送站点。
在本实施例中，所述服务器可以接收物流配送站点规划参数，所述物流配送站点规划参数可以包括地理区域标识；可以以配送地址对应的地理位置为节点，可以将指定地理区域内的节点划分为多个类簇，所述指定地理区域为所述地理区域标识所标识的地理区域；基于划分的类簇，可以在所述指定地理区域内规划多个物流配送站点。本实施例的物流配送站点规划方法，避免了人工经验的影响，使得规划出的物流配送站点在所述指定地理区域内的分布较为合理，从而降低了配送成本，提高了配送时效。
请参阅图7。本说明书实施例还提供一种服务器。所述服务器可以包括以下单元。
接收单元70，用于接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识；
划分单元72，用于以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；
规划单元74，用于基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
请参阅图8。本说明书实施例还提供一种服务器。所述服务器可以包括存储器和处理器。
在本实施例中，在本实施例中，所述存储器包括但不限于动态随机存取存储器(Dynamic Random Access Memory，DRAM)和静态随机存取存储器(Static Random AccessMemory，SRAM)等。所述存储器可以用于存储计算机指令。
在本实施例中，所述处理器可以按任何适当的方式实现。例如，所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以用于执行所述计算机指令实现以下步骤：接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识；以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
需要说明的是，本申请说明书中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，对于服务器实施例而言，由于其基本相似于物流配送站点规划方法实施例，所以描述的比较简单，相关之处参见物流配送站点规划方法实施例的部分说明即可。
另外，本领域技术人员应当能够理解的是，所属领域技术人员在阅读完本申请说明书之后，可以无需创造性劳动想到本申请文件中列举的部分或全部实施方式之间可以组合，这些组合也在本申请公开和保护的范围内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片2。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims (16)

1.一种物流配送站点规划方法，包括：
接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识和物流配送站点覆盖的最大配送地址数量；
以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；其中，所述将指定地理区域内的节点划分为多个类簇，包括：计算指定地理区域内的节点与K个聚类中心之间的地理距离，选取最小地理距离对应的聚类中心，若所选取聚类中心对应类簇中节点的数量大于所述最大配送地址数量，将该节点划分至其他类簇，所述其他类簇包括节点数量小于或等于所述最大配送地址数量的类簇；其中，节点与聚类中心之间的地理距离包括
;
cw表示整体中心的纬度数据，cj表示整体中心的经度数据，所述整体中心为所述指定地理区域内各个节点的中心，x 1 表示节点的纬度数据；y 1 表示节点的经度数据；x 2 表示聚类中心的纬度数据；y 2 表示聚类中心的经度数据，R表示地球半径；
识别离群点，所述离群点与自身所属类簇的聚类中心的地理距离大于与其他类簇的聚类中心的地理距离；计算离群点与其他类簇中节点的地理距离，选取地理距离小于或等于设定阈值的节点；将离群点划分至除自身所属类簇以外所对应选取节点数量最多的类簇；
基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
2.如权利要求1所述的方法，所述指定地理区域内的配送地址归属于多个业务组；相应地，所述将指定地理区域内的节点划分为多个类簇，包括：
将每个业务组内的节点划分为多个类簇。
3.如权利要求1所述的方法，所述将指定地理区域内的节点划分为多个类簇，包括：
以指定地理区域内的节点形成的集合为节点集合，从所述节点集合中识别出噪声点；
将所述节点集合中除去所述噪声点以外的其它节点划分为多个类簇。
4.如权利要求3所述的方法，所述从所述节点集合中识别出噪声点，包括：
针对所述节点集合中的每个节点，从所述节点集合中选取与该节点之间的地理距离小于或等于第一预设值的节点；在选取节点的数量小于或等于预设数量时，将该节点识别为噪声点。
5.如权利要求3所述的方法，所述指定地理区域包括多个子地理区域；相应地，所述从所述节点集合中识别出噪声点，包括：
针对所述节点集合中的每个节点，从所述节点集合中选取与该节点之间的地理距离小于或等于第二预设值的节点；以选取的节点形成的集合为第一子节点集合，选取在所述第一子节点集合中对应节点数量最多的子地理区域；在选取的子地理区域与该节点归属的子地理区域不同时，将该节点识别为噪声点。
6.如权利要求1所述的方法，所述将指定地理区域内的节点划分为多个类簇，包括：
使用预置算法，将指定地理区域内的节点划分为多个类簇；所述预置算法包括聚类算法。
7.如权利要求1所述的方法，所述物流配送站点规划参数还包括以下至少一种：
物流配送站点的数量；
物流配送站点覆盖的最小配送地址数量；
物流配送站点覆盖的最大配送距离。
8.如权利要求7所述的方法，在将指定地理区域内的节点划分为多个类簇的步骤中，划分的类簇的数量等于所述物流配送站点规划参数中物流配送站点的数量。
9.如权利要求7所述的方法，在将指定地理区域内的节点划分为多个类簇的步骤中，划分的类簇中节点的数量小于或等于所述物流配送站点规划参数中的最大配送地址数量。
10.如权利要求7所述的方法，在将指定地理区域内的节点划分为多个类簇以后，所述方法还包括：
选取包含节点数量小于或等于所述物流配送站点规划参数中最小配送地址数量的类簇，作为第一目标类簇；将所述第一目标类簇中的节点划分至除去所述第一目标类簇以外的其它类簇。
11.如权利要求10所述的方法，所述将所述第一目标类簇中的节点划分至除去所述第一目标类簇以外的其它类簇，包括：
针对所述第一目标类簇中的每个节点，计算该节点与除去所述第一目标类簇以外其它各个类簇中各个节点之间的地理距离；选取地理距离小于或等于第三预设值的节点；以选取的节点形成的集合为第二子节点集合，选取除去所述第一目标类簇以外在所述第二子节点集合中对应节点数量最多的类簇；将该节点划分至选取的类簇。
12.如权利要求7所述的方法，所述在所述指定地理区域内规划多个物流配送站点，包括：
确定每个类簇的半径；
选取半径大于或等于所述物流配送站点规划参数中的最大配送距离的类簇；
基于除去选取类簇以外的其它类簇，在所述指定地理区域内规划多个物流配送站点。
13.如权利要求12所述的方法，所述确定每个类簇的半径，包括：
针对每个类簇，计算该类簇中每个节点与该类簇的聚类中心之间的地理距离；选取最大地理距离作为该类簇的半径。
14.如权利要求1所述的方法，在所述指定地理区域内规划多个物流配送站点的步骤中，类簇的聚类中心为物流配送站点的地理位置；类簇中节点对应的配送地址为物流配送站点覆盖的配送地址。
15.一种服务器，包括：
接收单元，用于接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识和物流配送站点覆盖的最大配送地址数量；
划分单元，用于以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；其中，所述将指定地理区域内的节点划分为多个类簇，包括：计算指定地理区域内的节点与K个聚类中心之间的地理距离，选取最小地理距离对应的聚类中心，若所选取聚类中心对应类簇中节点的数量大于所述最大配送地址数量，将该节点划分至其他类簇，所述其他类簇包括节点数量小于或等于所述最大配送地址数量的类簇；其中，节点与聚类中心之间的地理距离包括；cw表示整体中心的纬度数据，cj表示整体中心的经度数据，所述整体中心为所述指定地理区域内各个节点的中心，x 1 表示节点的纬度数据；y 1 表示节点的经度数据；x 2 表示聚类中心的纬度数据；y 2 表示聚类中心的经度数据，R表示地球半径；
离群点修正单元，用于识别离群点，所述离群点与自身所属类簇的聚类中心的地理距离大于与其他类簇的聚类中心的地理距离；计算离群点与其他类簇中节点的地理距离，选取地理距离小于或等于设定阈值的节点；将离群点划分至除自身所属类簇以外所对应选取节点数量最多的类簇；
规划单元，用于基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
16.一种服务器，包括：
存储器，用于存储计算机指令；
处理器，用于执行所述计算机指令实现以下步骤：接收物流配送站点规划参数；所述物流配送站点规划参数包括地理区域标识和物流配送站点覆盖的最大配送地址数量；以配送地址对应的地理位置为节点，将指定地理区域内的节点划分为多个类簇；所述指定地理区域为所述地理区域标识所标识的地理区域；其中，所述将指定地理区域内的节点划分为多个类簇，包括：计算指定地理区域内的节点与K个聚类中心之间的地理距离，选取最小地理距离对应的聚类中心，若所选取聚类中心对应类簇中节点的数量大于所述最大配送地址数量，将该节点划分至其他类簇，所述其他类簇包括节点数量小于或等于所述最大配送地址数量的类簇；其中，节点与聚类中心之间的地理距离包括；cw表示整体中心的纬度数据，cj表示整体中心的经度数据，所述整体中心为所述指定地理区域内各个节点的中心，x 1 表示节点的纬度数据；y 1 表示节点的经度数据；x 2 表示聚类中心的纬度数据；y 2 表示聚类中心的经度数据，R表示地球半径；识别离群点，所述离群点与自身所属类簇的聚类中心的地理距离大于与其他类簇的聚类中心的地理距离；计算离群点与其他类簇中节点的地理距离，选取地理距离小于或等于设定阈值的节点；将离群点划分至除自身所属类簇以外所对应选取节点数量最多的类簇；基于划分的类簇，在所述指定地理区域内规划多个物流配送站点。
CN201810637029.9A 2018-06-20 2018-06-20 物流配送站点规划方法和服务器 Active CN110619412B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810637029.9A CN110619412B (zh) 2018-06-20 2018-06-20 物流配送站点规划方法和服务器
PCT/CN2019/090509 WO2019242520A1 (zh) 2018-06-20 2019-06-10 物流配送站点规划方法和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810637029.9A CN110619412B (zh) 2018-06-20 2018-06-20 物流配送站点规划方法和服务器

Publications (2)

Publication Number Publication Date
CN110619412A CN110619412A (zh) 2019-12-27
CN110619412B true CN110619412B (zh) 2024-03-08

Family

ID=68920708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810637029.9A Active CN110619412B (zh) 2018-06-20 2018-06-20 物流配送站点规划方法和服务器

Country Status (2)

Country Link
CN (1) CN110619412B (zh)
WO (1) WO2019242520A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260277A (zh) * 2020-01-07 2020-06-09 西北工业大学 一种基于多目标优化的城市共享物流自提点选择方法
CN113128744A (zh) * 2020-01-15 2021-07-16 北京沃东天骏信息技术有限公司 配送规划方法和装置
CN111932302B (zh) * 2020-07-31 2024-02-13 中国工商银行股份有限公司 一种区域中业务站点数量的确定方法、装置、设备及系统
CN112132184B (zh) * 2020-08-21 2024-05-10 浙江工业大学 一种基于n阶近邻分析聚类的配送中心选址方法
CN113240265B (zh) * 2021-05-11 2023-10-27 西北工业大学 一种基于多模式交通数据的城市空间划分方法
CN113268554B (zh) * 2021-05-17 2024-05-17 阳光新能源开发股份有限公司 光伏电站的区域划分方法、装置以及计算机可读存储介质
CN113766521A (zh) * 2021-08-31 2021-12-07 中通服中睿科技有限公司 一种用于5g网络跟踪区的规划方法
CN114417964B (zh) * 2021-12-10 2023-09-12 中国卫通集团股份有限公司 卫星运营商分类方法、装置及电子设备
CN114819852B (zh) * 2022-05-24 2022-11-22 深圳市神州龙智慧城市科技有限公司 用于智慧城市的物流规划系统及方法
CN115759319B (zh) * 2022-08-02 2024-02-20 日照市规划设计研究院集团有限公司 一种考虑职住分布的快递网点和中转站选址方法
CN115426312B (zh) * 2022-11-04 2023-02-07 之江实验室 一种大规模多模态网络中标识管理及优化转发方法和装置
CN116911566B (zh) * 2023-08-04 2024-01-09 北京丰赞科技有限公司 一种面向团餐场景的运力分级调度方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473612A (zh) * 2013-09-06 2013-12-25 周伟华 面向超大规模物流配送的选址与运输优化方法
CN105894234A (zh) * 2016-04-05 2016-08-24 北京京东尚科信息技术有限公司 计算自提柜投放位置的数据处理方法和系统
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
CN106372821A (zh) * 2015-07-21 2017-02-01 阿里巴巴集团控股有限公司 确定服务站点信息的方法及装置
CN107481511A (zh) * 2017-08-16 2017-12-15 深圳先进技术研究院 一种计算候选公交站点的方法及系统
CN107958298A (zh) * 2016-10-18 2018-04-24 上海师范大学 一种基于聚类算法的物流网点的选取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10127519B2 (en) * 2015-10-23 2018-11-13 Prahfit, Inc. Apparatus and method for predictive dispatch for geographically distributed, on-demand services
CN106778872B (zh) * 2016-12-19 2020-01-07 北京天广汇通科技有限公司 基于密度的连通图的聚类方法与装置
CN106997494A (zh) * 2017-03-22 2017-08-01 北京京东尚科信息技术有限公司 物流配送规划方法、物流配送方法及其装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473612A (zh) * 2013-09-06 2013-12-25 周伟华 面向超大规模物流配送的选址与运输优化方法
CN106372821A (zh) * 2015-07-21 2017-02-01 阿里巴巴集团控股有限公司 确定服务站点信息的方法及装置
CN105894234A (zh) * 2016-04-05 2016-08-24 北京京东尚科信息技术有限公司 计算自提柜投放位置的数据处理方法和系统
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
CN107958298A (zh) * 2016-10-18 2018-04-24 上海师范大学 一种基于聚类算法的物流网点的选取方法
CN107481511A (zh) * 2017-08-16 2017-12-15 深圳先进技术研究院 一种计算候选公交站点的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李爱国 等.《数据挖掘原理、算法及应用》.西安电子科技大学出版社,2012,(第1版),第168页. *

Also Published As

Publication number Publication date
WO2019242520A1 (zh) 2019-12-26
CN110619412A (zh) 2019-12-27

Similar Documents

Publication Publication Date Title
CN110619412B (zh) 物流配送站点规划方法和服务器
Bahreini et al. Efficient placement of multi-component applications in edge computing systems
Souza et al. Handling service allocation in combined fog-cloud scenarios
KR102325741B1 (ko) 지오 펜스의 인덱스 그리드들을 결정하기 위한 방법 및 장치
Taneja et al. Resource aware placement of data analytics platform in fog computing
EP3490193A1 (en) Terminal rule engine device and terminal rule operation method
TW202008763A (zh) 資料處理方法和裝置、用戶端
US9998865B2 (en) Method for performing distributed geographic event processing and geographic event processing system
CN109376758A (zh) 一种基于图形的元器件识别方法、系统、装置和存储介质
CN108320174A (zh) 信息推送方法和装置
TW202008762A (zh) 資料處理方法和裝置、客戶端、伺服器
CN112181378A (zh) 业务流程的实现方法及装置
CN112101841A (zh) 一种物流路径规划方法、装置、设备及存储介质
CN110475204B (zh) 一种地理围栏逆地址解析方法、装置及设备
Liu A faster algorithm for the constrained minimum covering circle problem to expedite solving p‐center problems in an irregularly shaped area with holes
Zhang et al. Personalized quality centric service recommendation
Chen et al. A fast algorithm for finding K shortest paths using generalized spur path reuse technique
EP4109259A1 (en) Power-based adaptive hardware reliability on a device
CN110489392A (zh) 多租户间的数据访问方法、装置、系统、存储介质及设备
CN109981726A (zh) 一种存储节点的分配方法、服务器及系统
CN114629951A (zh) 地址服务切换方法、装置、计算机设备和存储介质
Takkala et al. CHIP: Clustering hotspots in layout using integer programming
Bah et al. EMM‐CLODS: An Effective Microcluster and Minimal Pruning CLustering‐Based Technique for Detecting Outliers in Data Streams
TW202008153A (zh) 資料處理方法和裝置、伺服器
Keller et al. Real-Time Range Query Approximation by Means of Adaptive Quad Streaming.

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