CN110659802A - 笼车分配方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了一种拍卖笼车分配方法、装置、计算机设备及存储介质，服务端先获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；若达到预设的触发条件，则将获取的笼车预定请求中的相关信息组成待处理数据集；采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。通过设定触发条件来统一对获取的笼车预定请求进行笼车的自动分配，并且借助预设的笼车分配模型可以智能地为待处理数据集中对应的每一笼车预定请求分配笼车，以智能地进行决策优化，不需要人力介入。而且通过该笼车分配模型进行统一的笼车分配，也避免了过多重复性的计算机处理过程，也提高了笼车分配的效率。

Description

笼车分配方法、装置、计算机设备及存储介质

技术领域

本发明涉及数据处理领域，尤其涉及一种笼车分配方法、装置、计算机设备及存储介质。

背景技术

拍卖是快速交易鲜活产品的一种流行方式，特别是鲜花、水果、蔬菜等鲜活农产品。其自身的公开竞价和流程透明等特点极大的缩减了鲜活农产品的交易时间，最大程度的确保了产品的新鲜度，而且有效地维持了价格稳定。

目前，拍卖前阶段一直采用先到先得的方式来分配有限数量的拍卖笼车，提前赶到的供应商可以根据所提供参与拍卖的货品的数量占据拍卖笼车，而晚到的供应商可能因为拍卖笼车全部被占用了从而无法参与本次拍卖。该模式不仅使得供应商浪费了时间，供应商所提供的易腐货品也会产生时间成本，拍卖笼车进入拍卖场的方式也并没有按照货品分类的方式有序进行。因此传统的模式造成了较高的时间成本和资源浪费。

发明内容

本发明实施例提供一种笼车分配方法、装置、计算机设备及存储介质，以解决笼车分配效率较低的问题。

本发明实施例第一方面，涉及一种笼车分配方法，包括：

获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；

若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集；

采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。

本发明实施例第二方面，涉及一种笼车分配装置，包括：

请求获取模块，用于获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；

待处理数据集组成模块，用于若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集；

笼车分配结果计算模块，用于采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。

本发明实施例第三方面，涉及一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述笼车分配方法的步骤。

本发明实施例第四方面，涉及一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述笼车分配方法的步骤。

上述笼车分配方法、装置、计算机设备及存储介质中，服务端先获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集；采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。通过设定触发条件来统一对获取的笼车预定请求进行龙车的分配，并且借助预设的笼车分配模型可以智能地为待处理数据集中对应的每一笼车预定请求分配笼车，以智能地进行决策，不需要人力的介入。而且通过该笼车分配模型进行统一的笼车分配，也避免了过多重复性的计算机处理过程，也提高了笼车分配的效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中笼车分配方法的一应用环境示意图；

图2是本发明一实施例中笼车分配方法的一流程图；

图3是本发明一实施例中笼车分配方法的另一流程图；

图4是本发明一实施例中笼车分配方法的另一流程图；

图5是本发明一实施例中笼车分配装置的一示意图；

图6是本发明一实施例中笼车分配装置的另一示意图；

图7是本发明一实施例中计算机设备的一示意图。

具体实施方式

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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的笼车分配方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。可选地，客户端为至少一个。服务端先获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集；采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。其中，客户端(计算机设备)可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种笼车分配方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：

S21：获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息。

其中，笼车预定请求为用户通过客户端发起的触发请求。该笼车预定请求可以为用户为其产品提前进行笼车预定的申请，该笼车预定请求向服务端发起，该服务端可以为笼车拥有方对应的操作终端，或者为具有笼车分配权限的用户对应的操作终端。服务端可以接收来自不同客户端的笼车预定请求，或者，服务端可以接收来自同一客户端的不同笼车预定请求。

可选地，该服务端可以根据产品类型的不同而设定接收单一产品类型的笼车预定请求。即可以采用不同的服务端接收不同产品类型的笼车预定请求，或者设定同一服务端在同一时间周期内只接受同一种产品类型的笼车预定请求。优选地，也可以在服务端接收到所有产品类型的笼车预定请求之后再通过一定的处理过程进行对笼车预定请求进行分类，该分类原则可以是按照不同的产品类型、不同的发送时间、不同的发送区域或者其他因素。

产品相关信息为对应的笼车预定请求中和产品相关的信息。可选地，该产品相关信息可以包括产品类别、产品数量、产品体积、产品估价、产品期限供应商信息、产品质量等级、产品产地或者生产日期等至少一项。

在一个具体实施方式中，在获取客户端发送的笼车预定请求之后，还包括一个对笼车预定请求的判断过程，该判断过程可以为服务端智能进行判断，也可以为用户通过操作终端进行判断之后输入指令进行处理。该判断过程可以包括对该笼车预定请求的数据完善程度的判断，以更好地保证后续数据处理的顺利和准确。可选地，该判断过程还可以为对笼车预定请求的接收或者拒绝的判断，可以通过一些预设的条件或者指令来对一些不符合要求或者不满足条件的笼车预定请求直接发起拒绝的指令。该预设的条件可以为产品种类、产品价格、产品数量、产品位置或者其他因素的限定。示例性地，设定只接受产品种类为A和B的笼车预定请求，对产品种类不属于A或者B的笼车预定请求直接拒绝。

S22：若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集。

该预设的触发条件可以根据实际应用的需要进行设定，示例性地，该预设的触发条件可以以时间区间、笼车预定请求的数量或者其他条件来设定。可选地，该预设的触发条件可以为以24小时、48小时、72小时或者一星期等时间为触发周期。即每隔一段时间区间即达到触发条件。或者，该预设的触发条件为监控获取的笼车预定请求的数量是否达到一个数量阈值。优选地，可以通过时间和笼车预定请求的数量两个因素共同设定触发条件，例如，监控在预设时间内笼车预定请求的数量是否达到一个数量阈值。

在达到预设的触发条件之后，将获取的笼车预定请求中的产品相关信息组成待处理数据集。即将获取到的笼车预定请求中的产品相关信息组合成待处理数据集，其中，每一笼车预定请求中的产品相关信息可以为待处理数据集中的一个数据项。可选地，将获取的笼车预定请求中的产品相关信息组成待处理数据集的过程还包括对产品相关信息进行数据映射、向量转化或者数据归一化处理等处理过程，以更好地进行后续地处理过程。

S23：采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。

其中，该笼车分配模型为预先建立的数据处理模型，该笼车分配模型可以预先按照不同的分配策略进行建立。可选地，可以按照产品位置、产品保鲜日期、产品收益或者笼车利用率等因素来构建该笼车分配模型。利用该预设的笼车分配模型对待处理数据集进行计算，即得到笼车分配结果。该笼车分配结果可以包括对待处理数据集对应的每一笼车预定请求所分配的笼车数量。可以理解地，在笼车分配结果中，一个笼车预定请求所对应分配的笼车数量可以为零。进一步地，该笼车分配结果还可以包括具体的笼车编号、笼车位置或者其他和笼车相关的信息。

在一个具体实施方式中，该笼车分配方法可以根据产品的不同品种、不同类别或者不同等级等至少一个因素进行划分，将其中同一品种、同类别和/或者同一等级的产品放进一个笼车里，并将笼车有序地排列起来，依次进入拍卖场地促使整个排列过程更有效。

在本实施例中，服务端先获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集；采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。通过设定触发条件来统一对获取的笼车预定请求进行龙车的分配，并且借助预设的笼车分配模型可以智能地为待处理数据集中对应的每一笼车预定请求分配笼车，以智能地进行决策，不需要人力的介入。而且通过该笼车分配模型进行统一的笼车分配，也避免了过多重复性的计算机处理过程，也提高了笼车分配的效率。

在一个实施例中，在所述采用预设的笼车分配模型对所述待处理数据集进行计算之前，所述笼车分配方法还包括：

构建笼车分配模型。

通过在使用该笼车分配模型之前进行预先的模型构建保证后续该笼车分配方法顺利地实施。

具体地，如图3所示，该构建笼车分配模型的过程包括：

S31：建立以目标因素为目标函数的基本模型。

该目标因素为笼车分配模型构建过程中具体考量的实际因素。示例性地，该目标因素可以为产品位置、产品保鲜日期、拍卖中心效率或者产品收益等。在该实施例中，以目标因素为产品收益为例。假设所有的拍卖笼车都是同等大小、同等体积以及同等质量的，拍卖的起拍价和保留价都是根据用户所提供的参与拍卖的产品的属性决定，或者根据相似产品的历史数据来确定。

在接收到每个笼车预定请求开始，服务端智能检查当前的笼车预定请求，并且做出是否接受该笼车预定请求的决定。如果接受笼车预定请求i进行笼车预订，则所预订的拍卖笼车将在期间t的拍卖过程中产生收益r_ti，对于i∈N，t＝1,2,3,...,T，其中t＝1是指第一个拍卖日。可以理解地，不同产品在期间t的拍卖过程中产生收益r_ti可以通过历史数据或者根据经验值来设定。设定决策方(例如，拍卖中心)可提供C个可用的同质笼车，并且在t时段期间订单i的笼车需求是D_ti，因此，在产品i的时段t期间分配给接受的笼车预定请求的笼车的数量表示为x_ti,并且

则对应的基本模型为：

0≤x_ti≤D_ti,t＝1,2,...,T,i∈N＝{1,2,...,n}；

其中，C为笼车总量，T为拍卖周期，t＝1,2,...,T，t＝1是指拍卖的第一天，i为用户所提供的产品的类别，D_ti为预期在t阶段对笼车的需求量，r_ti为在t阶段拍卖品所产生的收益，x_ti为根据接受的笼车预定请求从而分配的笼车数量，且x_ti是该模型中的决策变量。

可以理解地，上述笼车总量C可以为所有可用的笼车的数量或者为分配至该应用场景或者该次拍卖的笼车的数量。

该基本模型的目标是在所有预定的笼车不超过总数量的限制下，并且保证最大化总收益的基础上，合理地进行笼车的分配。

S32：优化所述基本模型的约束条件。

进一步地，在该基本模型中，一些约束可以增加用于对于某些阶段拒绝笼车预定。假设删除订单(拒绝笼车预定请求)和预定了笼车但没有到场的概率分别为p_c和p_n。具体地，这两个概率值可以根据历史数据或者经验值确定。则此时约束条件变更为

对应地，基本模型更新如下：

0≤x_ti≤D_ti,t＝1,2,...,T,i∈N＝{1,2,...,n}。

S33：采用鲁棒优化方法对所述基本模型进行优化，引入不确定性因子，建立笼车分配模型。

其中，鲁棒优化的目的是求得这样一个解，对于可能出现的所有情况，约束条件均满足，并且使得最坏情况下的目标函数的函数值最优。其核心思想是将原始问题以一定的近似程度转化为一个具有多项式计算复杂度的凸优化问题。在上述基本模型中，其约束的右侧具有不确定性，因此考虑使用鲁棒优化方法产生线性规划可信赖的解，该解可以免疫掉数据的不确定性。考虑采用经典二元关系将不确定右侧转移到目标函数系数，然后使用现有的鲁棒优化方法来推导鲁棒解决方案是合理的。

考虑以下具有m*n个变量和m个约束的通用的线性规划模型：

A是m*n的秩m和b∈R^m的整数矩阵。不确定性来自不等式约束的右侧参数，即b_i，i＝1,2,...,m。在强大的优化框架中，我们关注以下约束的可行性：

∑_j∈Ja_ijx_ij≤b_i；

对不等式约束的不确定右侧参数进行推导，得出面对实际应用中的一些不确定因素的稳健解决方案，解决了两类不确定性集：有界不确定性和对称不确定性。

假设不确定性数据的范围在以下区间：

其中，

是“真实”值，

是名义值，而且ε是不确定性水平。当以有限的方式描述右侧不确定性时，如果满足以下条件，我们称解x为鲁棒性：

(1)x对名义问题是可行的；

(2)无论右边参数的真实值(比如

)，x必须满足第i个不等式约束，误差δ在最大为

其中，δ被解释为给定的不可行性容差。

更具体地，上述条件(2)可表达为：

为了得到稳健的解，使用不确定性的最坏情况值参数：

将该参数带入上式中，因此，很明显当且仅当以下优化问题是可行解时x是具有鲁棒性的：

max cx；

由此，以上模型可直接运用到在需求不确定的条件下处理拍卖前阶段的笼车分配问题，由此提出的笼车分配模型如下：

0≤x_ti≤D_ti,t＝1,2,...,T,i∈N＝{1,2,...,n}；

并且，

其中，C为笼车总量，T为拍卖周期，t＝1,2,...,T，t＝1是指拍卖的第一天，i为用户所提供的产品的类别，D_ti为预期在t阶段对笼车的需求量，r_ti为在t阶段拍卖品所产生的收益，x_ti为根据接受的拍卖订单从而分配的笼车数量，且x_ti是该模型中的决策变量，ε为不确定性水平，δ为不可行性容差，且0≤ε≤0.1,0≤δ≤0.1。

ε表示一种不确定性水平，δ代表预先决定的不可行性容差，上述笼车分配模型的特征结构意味着当参数分别满足ε≥δ时，从我们的笼车分配模型得到的最优解等于标称值的情况，在本实施例中，不确定性因子包括不确定性水平ε和不可行性容差δ。

在本实施例中中，先建立以目标因素为目标函数的基本模型；进而优化所述基本模型的约束条件；最后采用鲁棒优化方法对所述基本模型进行优化，引入不确定性因子，建立笼车分配模型。通过目标因素来建立基本模型，保证可以根据不同目标因素进行适配，并且对基本模型进行了优化，更好地保证了该笼车分配模型的有效和准确。

在一个实施例中，如图4所示，所述采用所述笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果，包括：

S41：获取所述待处理数据集对应的控制参数，所述控制参数包括不确定性水平和不可行性容差。

其中，控制参数为笼车分配模型中部分模型参数，可以通过调整控制参数来对不同的实际应用需要进行适配。控制参数包括不确定性水平和不可行性容差。

不确定性水平ε和不可行性容差δ的不同值表示用户在实际应用中不同程度的风险规避。更具体地，不确定性水平ε的较大值和不可行性容差δ的较小值表示较高程度的风险规避。当不可行性公差δ固定时，预期收益随着不确定性水平ε的增加而减小，而在固定不确定性水平ε下，预期收益随着不可行性容差δ的增加而增加。

不确定性水平ε和不可行性公差δ可用于研究更一般和特定的情况，这些控制参数的不同值可以根据需要进行调整。对于典型的预订请求，如果用户对于某一具体应用更偏好于风险，或者想要在某个阶段接受更多笼车预定请求，可以减少相应的不确定性水平ε并增加不可行性公差δ，或者改变相反方向的其他参数的值。

在该模型的基础下，用户可以在考虑最大化收益的前提下更合理的分配有限的笼车，从而可以节约时间成本，使拍卖前的过程更有效的进行。

S42：基于所述待处理数据集和所述控制参数，通过所述笼车分配模型得到笼车分配结果。

在该步骤中，将所述待处理数据集和所述控制参数输入到所述笼车分配模型中，通过计算之后，即可以得到笼车分配结果。

在本实施例中，获取所述待处理数据集对应的控制参数，所述控制参数包括不确定性水平和不可行性容差；基于所述待处理数据集和所述控制参数，通过所述笼车分配模型得到笼车分配结果。通过控制参数可以实现根据不同的应用需求对笼车分配模型进行调整，更好地保证了笼车分配模型的灵活性和适配性，并且，通过该笼车分配模型得到待处理数据集对应的每一笼车预定请求的笼车分配结果，保证了笼车分配过程中的高效和合理。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种笼车分配装置，该笼车分配装置与上述实施例中笼车分配方法一一对应。如图5所示，该笼车分配装置包括请求获取模块51、待处理数据集组成模块52和笼车分配结果计算模块53。各功能模块详细说明如下：

请求获取模块51，用于获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；

待处理数据集组成模块52，用于若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集；

笼车分配结果计算模块53，用于采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。

优选地，所述笼车分配装置还用于构建笼车分配模型。

优选地，如图6所示，所述笼车分配装置还包括基本模型建立模块61、约束条件优化模块62和笼车分配模型建立模块63。

基本模型建立模块61，用于建立以目标因素为目标函数的基本模型；

约束条件优化模块62，用于优化所述基本模型的约束条件；

笼车分配模型建立模块63，用于采用鲁棒优化方法对所述基本模型进行优化，引入不确定性因子，建立笼车分配模型。

优选地，所述笼车分配模型为：

0≤x_ti≤D_ti,t＝1,2,...,T,i∈N＝{1,2,...,n}；

并且，

其中，C为笼车总量，T为拍卖周期，t＝1,2,...,T，t＝1是指拍卖的第一天，i为用户所提供的产品的类别，D_ti为预期在t阶段对笼车的需求量，r_ti为在t阶段拍卖品所产生的收益，x_ti为根据接受的拍卖订单从而分配的笼车数量，且x_ti是该模型中的决策变量，ε为不确定性水平，δ为不可行性容差，且0≤ε≤0.1,0≤δ≤0.1。

优选地，如图5所示，所述笼车分配结果计算模块53包括控制参数获取单元531和笼车分配结果计算单元532。

控制参数获取单元531，用于获取所述待处理数据集对应的控制参数，所述控制参数包括不确定性水平和不可行性容差；

笼车分配结果计算单元532，用于基于所述待处理数据集和所述控制参数，通过所述笼车分配模型得到笼车分配结果。

关于笼车分配装置的具体限定可以参见上文中对于笼车分配方法的限定，在此不再赘述。上述笼车分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上述笼车分配方法中使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种笼车分配方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述笼车分配方法。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述笼车分配方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种笼车分配方法，其特征在于，包括：

获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；

若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集；

采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。

2.如权利要求1所述的笼车分配方法，其特征在于，在所述采用预设的笼车分配模型对所述待处理数据集进行计算之前，所述笼车分配方法还包括：

构建笼车分配模型。

3.如权利要求2所述的笼车分配方法，其特征在于，所述构建笼车分配模型，包括：

建立以目标因素为目标函数的基本模型；

优化所述基本模型的约束条件；

采用鲁棒优化方法对所述基本模型进行优化，引入不确定性因子，建立笼车分配模型。

4.如权利要求3所述的笼车分配方法，其特征在于，所述笼车分配模型为：

0≤x_ti≤D_ti,t＝1,2,...,T,i∈N＝{1,2,...,n}；

并且，

其中，C为笼车总量，T为拍卖周期，t＝1,2,...,T，t＝1是指拍卖的第一天，i为用户所提供的产品的类别，D_ti为预期在t阶段对笼车的需求量，r_ti为在t阶段拍卖品所产生的收益，x_ti为根据接受的拍卖订单从而分配的笼车数量，且x_ti是该模型中的决策变量，ε为不确定性水平，δ为不可行性容差，且0≤ε≤0.1,0≤δ≤0.1。

5.如权利要求4所述的笼车分配方法，其特征在于，采用所述笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果，包括：

获取所述待处理数据集对应的控制参数，所述控制参数包括不确定性水平和不可行性容差；

基于所述待处理数据集和所述控制参数，通过所述笼车分配模型得到笼车分配结果。

6.一种笼车分配装置，其特征在于，包括：

请求获取模块，用于获取客户端发送的笼车预定请求，所述笼车预定请求包括产品相关信息；

待处理数据集组成模块，用于若达到预设的触发条件，则将获取的笼车预定请求中的产品相关信息组成待处理数据集；

笼车分配结果计算模块，用于采用预设的笼车分配模型对所述待处理数据集进行计算，得到笼车分配结果。

7.如权利要求6所述的笼车分配装置，其特征在于，所述笼车分配装置还包括：

基本模型建立模块，用于建立以目标因素为目标函数的基本模型；

约束条件优化模块，用于优化所述基本模型的约束条件；

笼车分配模型建立模块，用于采用鲁棒优化方法对所述基本模型进行优化，引入不确定性因子，建立笼车分配模型。

8.如权利要求6所述的笼车分配装置，其特征在于，所述笼车分配结果计算模块包括：

控制参数获取单元，用于获取所述待处理数据集对应的控制参数，所述控制参数包括不确定性水平和不可行性容差；

笼车分配结果计算单元，用于基于所述待处理数据集和所述控制参数，通过所述笼车分配模型得到笼车分配结果。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述笼车分配方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述笼车分配方法的步骤。

Images