CN111932351B - 离线处理订单的方法、计算设备和计算机可读存储介质 - Google Patents
离线处理订单的方法、计算设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111932351B CN111932351B CN202011058287.5A CN202011058287A CN111932351B CN 111932351 B CN111932351 B CN 111932351B CN 202011058287 A CN202011058287 A CN 202011058287A CN 111932351 B CN111932351 B CN 111932351B
- Authority
- CN
- China
- Prior art keywords
- order
- store
- determining
- historical
- data
- 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
Links
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种用于离线处理订单的方法、计算设备和计算机可读存储介质。该方法包括:基于特定门店的历史订单数据,确定该门店的订单缓存策略,该订单缓存策略包括该门店的订单缓存时间间隔;将该订单缓存策略传输给该门店的客户端;接收该客户端基于该订单缓存策略发送的订单缓存请求;基于该门店的历史订单数据,产生该门店的预测订单数据,该预测订单数据至少指示该门店的预测订单的数量;获取针对该门店的真实订单数据,该真实订单数据至少包括针对该门店的真实订单的全局订单号;以及将该预测订单数据和该真实订单数据发送给该客户端。
Description
技术领域
本公开概括而言涉及互联网信息处理领域,更具体地,涉及一种用于离线处理订单的方法、计算设备和计算机可读存储介质。
背景技术
当前,随着移动互联网的发展,越来越多的服务性企业放弃了原来纯线下的服务模式,而是采取线上和线下混合服务模式。例如,企业可以通过线上接收顾客订单并且在线下对顾客进行服务。
以汽车租赁行业为例,传统的汽车租赁服务过程包括:顾客前往汽车租赁公司的门店,挑选要租赁的车型,门店对客户证件进行登记和验证,然后与顾客签订纸质的租赁合同并向顾客派车。显然,在这种方式中,顾客所能租赁的车型严重依赖于门店当前所具有的车型,顾客无法在前往某个门店之前确保该门店具有其期望的车型。在基于移动互联网的线上线下混合服务模式中,顾客可以提前通过汽车租赁公司的网站或APP选择自己希望的车型、日期和时间、门店等,并与汽车租赁公司进行线上签约,然后在约定日期和时间前往所选择的门店提取约定车型的车辆。在顾客到达门店之后,门店的工作人员可以通过门店的客户端从公司服务器中调取该顾客的订单信息,并且按照订单信息中指示的内容,如订单号、顾客姓名、预订车型、日期、付款信息等,对顾客进行取车服务。
可以看出,上述取车过程必须在门店的客户端联网的情况下进行。然而,在一些情况下,例如门店位于地下或者门店所处区域通信光纤老化等情况下,门店的客户端可能会出现无网络或网络质量差的情况,从而无法顺利从公司服务器获取顾客的订单信息,继而无法为顾客服务。
此外,在这种混合服务模式下,仍然有可能有部分顾客会直接前往门店进行线下订单签约和服务。在这种情况下,门店是否能满足顾客需求仍然存在着很大的不确定性。
另一方面,对于一些服务公司来说,其门店分布广泛、数量众多,可提供的服务产品的类型多种多样,因此如何在各个门店之间合理配置预留的产品类型和数量也是一个需要解决的问题。例如,对于全国连锁的汽车租赁公司来说,其门店可能遍布全国的省级、市级、区级行政区域,并且在同一行政区域中还可能具有多个门店,这些门店的订单情况千差万别,难以预先为每个门店预留适当的车型和数量。
发明内容
针对上述问题中的至少一个,本公开提供了一种用于离线处理订单的方案,使得门店即使在离线情况下也能够安全快速地进行订单处理。
根据本公开的一个方面,提供了一种用于离线处理订单的方法。该方法包括:基于特定门店的历史订单数据,确定该门店的订单缓存策略,该订单缓存策略包括该门店的订单缓存时间间隔;将该订单缓存策略传输给该门店的客户端;接收该客户端基于该订单缓存策略发送的订单缓存请求;基于该门店的历史订单数据,产生该门店的预测订单数据,该预测订单数据至少指示该门店的预测订单的数量;获取针对该门店的真实订单数据,该真实订单数据至少包括针对该门店的真实订单的全局订单号;以及将该预测订单数据和该真实订单数据发送给该客户端。
根据本公开的另一个方面,提供了一种计算设备。该计算设备包括:至少一个处理单元;以及至少一个存储器,该至少一个存储器被耦合到该至少一个处理单元并且存储用于由该至少一个处理单元执行的指令,该指令当由该至少一个处理单元执行时,使得该计算设备执行根据上述方法的步骤。
根据本公开的再一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序代码,该计算机程序代码在被运行时执行如上所述的方法。
附图说明
通过参考下列附图所给出的本公开的具体实施方式的描述,将更好地理解本公开,并且本公开的其他目的、细节、特点和优点将变得更加显而易见。
图1示出了根据本公开的用于离线处理订单的系统的示意图。
图2示出了根据本公开的一些实施例的用于离线处理订单的方法的流程图。
图3示出了根据本公开的一些实施例的确定门店的订单缓存策略的步骤的流程图。
图4示出了根据本公开的一些实施例的产生门店的预测订单数据的步骤的流程图。
图5示出了可以用来实施本公开的实施例的计算设备的示意性框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整的传达给本领域的技术人员。
在下文的描述中,出于说明各种发明的实施例的目的阐述了某些具体细节以提供对各种发明实施例的透彻理解。但是,相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下,与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
除非语境有其它需要,在整个说明书和权利要求中,词语“包括”和其变型,诸如“包含”和“具有”应被理解为开放的、包含的含义,即应解释为“包括,但不限于”。
在整个说明书中对“一个实施例”或“一些实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此,在整个说明书的各个位置“在一个实施例中”或“在一些实施例”中的出现不一定全都指相同实施例。另外,特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
此外,说明书和权利要求中所用的第一、第二等术语,仅仅出于描述清楚起见来区分各个对象,而并不限定其所描述的对象的大小或其他顺序等。
图1示出了根据本公开的实施例的用于离线处理订单的系统1的示意图。如图1中所示,系统1包括多个客户端10和与多个客户端10通信的服务器20。这里,每个客户端10可以是诸如汽车租赁企业之类的企业的每个门店配备的移动或固定终端,如手机、平板电脑、笔记本电脑、台式电脑等。客户端10可以与企业的服务器20通信,以向服务器20发送信息和/或从服务器20接收信息。客户端10和服务器20之间可以通过各种通信方式进行通信,如光纤网络、移动互联网等。客户端10和服务器20分别可以包括至少一个处理单元和与该至少一个处理单元耦合的至少一个存储器,该存储器中存储有可由该至少一个处理单元执行的指令,该指令在被该至少一个处理单元执行时执行如下所述的方法100的至少一部分。注意,图1中虽然未示出,但是可以理解,每个门店可以配备一个或多个客户端10。在每个门店配备多个客户端10的情况下,每个客户端10还可以与该门店的特定工作人员相关联,从而该客户端10还可以显示针对该特定工作人员的信息。客户端10和服务器20的具体结构例如可以如下结合图5所述。
图2示出了根据本公开的一些实施例的用于离线处理订单的方法100的流程图。方法100例如可以由图1中所示的系统1中的服务器20执行。以下结合图1至图2对方法100进行描述。
在步骤110,服务器20基于门店的历史订单数据,确定该门店的订单缓存策略。在一些实施例中,步骤110可以是服务器20响应于门店的客户端10开机后或开启订单缓存功能后向服务器20发送的订单缓存策略请求而执行的。在另一些实施例中,步骤110可以是服务器20定期为每个门店的客户端10自动执行的。
在本公开中,该订单缓存策略包括该门店的订单缓存时间间隔,即,门店的客户端10应当每隔多长时间缓存一次订单。在一些实施例中,在客户端10开机或者开启订单缓存功能之后,其可以单独向服务器20请求一次订单缓存而不考虑该订单缓存时间间隔。
此外,订单缓存策略还可以包括与该门店的订单缓存有关的其他信息,例如,每次缓存的最大订单量(如每次最多缓存300个订单)、每次缓存的订单的时间范围(如仅缓存提车时间在未来24小时内的订单)等。然而,在本文中,在提及订单缓存策略时主要是指订单缓存时间间隔,但不排除上述的与订单缓存有关的其他信息。
图3示出了根据本公开的一些实施例的确定门店的订单缓存策略的步骤110的流程图。
如图3中所示,步骤110可以包括子步骤112,其中服务器20基于门店的第一时间段内的日平均订单量、第二时间段内的日平均订单量和当日订单量,确定该门店的订单缓存因子。其中第一时间段大于第二时间段。例如,该第一时间段可以是若干个月,该第二时间段可以是若干天。
具体地,服务器20可以分别获取该门店在第一时间段内的日平均订单量与第二时间段内的日平均订单量之间的第一比值和第一时间段内的日平均订单量与当日订单量之间的第二比值。然后,服务器20可以基于该第一比值和第二比值来确定订单缓存因子,例如求取该第一比值和第二比值的平均值或加权平均值来作为该订单缓存因子。
在一种实施例中,可以根据如下的公式(1)确定门店的订单缓存因子:
其中
指示该门店的第一时间段内的日平均订单量。例如,,
其中指示该门店最近M 1个月中第j个月的实际订单量。门店的第一时间段内的日平均订
单量反映门店的长期订单情况,如近几个月的日平均情况。在一些实施例中,M 1是一个大
于1且小于10的正整数,优选地,M 1可以是2、3、4、5中的一个,更优选地,M 1=3。
指示该门店的第二时间段内的日平均订单量。例如,,其中指示该门店最近M 2天中第i天的实际订单量。门店的第二时间段内的日平均订单量反映
门店的短期订单情况,如近几天的日平均情况。在一些实施例中,M 2是一个大于1且小于10
的正整数,优选地,M 2可以是2、3、4、5中的一个,更优选地,M 2=3。
d0指示该门店的当日订单量,即确定订单缓存策略那天的真实订单量。
这里,日平均订单量和反映的是过去一段时间的日平均订单情况,因此使用其实际订单量进行统计,即,既包括预约订单又包括离线状态下发生的订单。而当日订单量是确定缓存策略当天的订单量,其不包含尚未发生的订单而只包含真实订单(即预约订单)。
通过上述公式(1),服务器20能够基于特定于该门店的长期和短期的日平均订单量来为该门店的客户端10决定订单缓存策略,从而使得各个门店的客户端10可以具有各自独特的订单缓存策略,并且同一门店的订单缓存策略还可以根据该门店的订单情况而变化。
接下来,在子步骤114,服务器20基于预定时间间隔和子步骤112确定的订单缓存因子,确定该门店的订单缓存策略。
具体地,服务器20可以基于如下公式(2)确定该门店的订单缓存策略:
这里,预定时间间隔可以是一个预先设置的、针对所有门店的客户端10的标准时间间隔,例如为1小时。
继续图2 ,在步骤120,服务器20将步骤110确定的该门店的订单缓存策略传输给该门店的客户端10。
门店的客户端10接收到该订单缓存策略之后,可以根据该订单缓存策略中的订单缓存时间间隔周期性向服务器20发送订单缓存请求。此时客户端10处于在线环境并且订单缓存功能已开启。为了确保客户端10及时进行订单缓存从而确保离线情况下的订单处理正常进行,在客户端10处可以将订单缓存功能设置为较高的优先级。例如,在客户端10使用Android操作系统的情况下,可以利用系统中的前置服务、闹钟唤醒等手段来提高订单缓存功能的优先级和存活率。
服务器20在步骤130接收客户端10基于针对该客户端10的订单缓存策略发送的订单缓存请求。
响应于该订单缓存请求,服务器20确定客户端10应当缓存的订单数据。该订单数据包括顾客之前通过企业的网页或APP在线上签约的该门店的真实订单(也可以称为预约订单)。然而,如前所述,在门店的客户端10可能离线,尤其是频繁离线的情况下,只缓存门店的真实订单数据并不足以满足顾客的线下服务需求。因此,客户端10应当缓存的订单数据最好还包括该门店的预测订单的数据。
具体地,在步骤140,服务器20可以基于该门店的历史订单数据,产生该门店的预测订单数据。该预测订单数据至少指示该门店的预测订单的数量。取决于历史订单数据的粒度以及具体的预测函数,该预测订单的数量是一个时间段(如1小时、1天等)的预测订单的数量。例如,在门店的历史订单数据是以小时计的情况下,预测订单的数量是指该门店每小时的预测订单的数量。在门店的历史订单数据是以天计的情况下,预测订单的数量是指该门店每天的预测订单的数量。
图4示出了根据本公开的一些实施例的产生门店的预测订单数据的步骤140的流程图。
如图4中所示,步骤140可以包括子步骤142,其中服务器20获取该门店的历史订单数据,该历史订单数据包括特定时间间隔的历史订单量序列。例如,该历史订单量序列可以是与历史时间点序列(如每天8:00、9:00、……、22:00)对应的历史订单量序列。在一些实施例中,该历史订单数据还可以包括该历史时间点序列。这里,虽然使用术语“时间点”,但是可以理解,对应的订单量可以指代该时间点所代表的一个时间段的订单量。例如,时间点8:00的订单量是指8:00-8:59之间产生的订单的数量。下面的表1示出了一种示例性历史订单数据。注意,表1仅示出了特定门店某一天(如2020年8月1日)工作时间(假设为早上8:00至晚上20:00)内的订单量列表,在步骤140中确定预测订单数据的过程中,可以使用连续多天的订单量列表(例如前一个月每天的订单量列表)以得到更准确的预测订单数据。
表1 历史订单数据(2020年8月1日)。
接下来,在子步骤144,服务器20确定该历史订单量序列的自相关函数ACF和偏自相关函数PACF。
假设该门店的历史订单量序列表示为X t ={},表示该序列X t 中的第t个历史订
单量,t=1,2,……,N,N是该序列的长度。对于该序列,可以利用自协方差来刻画其自身的相
关性。由于序列的自协方差有有偏估计和无偏估计两种形式,因此历史订单量序列的自相
关函数ACF和偏自相关函数PACF也有如下至少两种确定方式。
在一种实施例中,服务器20确定历史订单量序列X t 中的历史订单量的均值,。然后,服务器20可以基于均值、历史订单量序列X t 的长度N和各个历史订单
量,确定历史订单量序列X t 的自相关值的序列作为该自相关函数ACF。
更具体地,偏自相关函数PACF的偏自相关值可以根据如下公式(4)确定:
这里,略去了自相关函数ACF和偏自相关函数PACF的原理和推导过程的描述。在实际应用中,一些编程语言中设计了专用的类库来实现ACF和PACF的确定。例如,在Python语言中,可以使用类库statsmodels.tsa.stattools来确定ACF和PACF。
接下来,在子步骤146,服务器20基于子步骤144确定的自相关函数ACF和偏自相关函数PACF确定预测订单数据的差分整合移动平均自回归(Autoregressive IntegratedMoving Average,ARIMA)模型。ARIMA模型是一种常用的时间序列预测分析模型,其可以认为是自回归模型AR、移动平均模型MA和差分法的结合。使用ARIMA模型处理的序列应当具有平稳性,即,基于已有序列得到的拟合曲线仍能按照已有形态延续下去。也就是说,序列的均值和方差不发生明显变化。
因此,在子步骤146中,服务器20在确定ARIMA模型时,首先确定子步骤144得到的ACF和PACF是否平稳。如果不平稳,则需要对ACF和PACF执行差分运算,直至平稳为止。在此过程中,执行差分的次数也称为差分阶数d。另一方面,如果ACF和PACF平稳,则不需要对ACF和PACF执行差分运算,此时也可以认为差分阶数d为0。
此外,服务器20还基于ACF来确定ARIMA模型的移动平均项数q。具体地,ACF(或执行了d阶差分之后的ACF)的自相关值序列在第q个值后截尾,则可以确定移动平均项数q。
此外,服务器20还基于PACF来确定ARIMA模型的自回归项数p。具体地,PACF(或执行了d阶差分之后的PACF)的偏自相关值序列在第p个值后截尾,则可以确定自回归项数p。
这里,截尾的判断方法可以有多种标准。例如,通过确定自相关值是否从大于2倍标准差范围显著降低至2倍标准差范围内,并且ACF中非零自相关值衰减至零的过程非常突然,来判断出现了截尾。
在确定了ARIMA模型(差分阶数d、移动平均项数q和自回归项,在子步骤148,服务器20可以基于历史订单数据和该ARIMA模型,确定该门店的预测订单数据。
具体地,服务器20可以将该门店的历史订单量序列输入该模型,从而产生该门店的预测订单的数量。取决于使用的预测函数,所产生的预测订单的数量可以包括训练数据集(即历史订单量序列)下一时间点的估计值或者与历史时间点序列相对应的多个时间点的估计值。在后者的情况下,下面的表2示出了基于特定门店前一个月(如2020年8月1日至8月31日)的历史订单量列表得到的下一天(2020年9月1日)的预测订单数据的示例。
表2 预测订单数据(2020年9月1日)。
预测订单数据可以使得服务器20和门店能够提前预估该门店未来一段时间内的订单数量,从而提前调配相应数量的产品(如供租借的车辆)。
这里,预测订单数据可以是针对所有产品类型(如所有车型)的预测订单量的总量,也可以是针对某种特定产品类型(如某种车型)的预测订单量。在前者的情况下,历史订单数据需要是针对所有产品类型(如所有车型)的历史订单量的总量。在后者的情况下,历史订单数据需要是针对某种特定产品类型(如某种车型)的预测订单量。
继续图2,在步骤150,服务器20获取针对该门店的真实订单数据。该真实订单数据至少包括针对该门店的真实订单的全局订单号。这里,真实订单是顾客提前通过企业网页或APP在线上签约的该门店的预约订单。在顾客签约之后,真实订单相关的数据(如订单号以及顾客姓名、证件类型、证件号、门店信息、车型、取车时间、还车时间和收费信息等中的至少一部分)将存储在服务器20或与服务器20相关联的数据库中。这里,订单号是由服务器20为每个真实订单生成的全局唯一的订单号,在本文中也称为全局订单号。全局订单号是真实订单数据中最重要和不可缺少的信息,其他一些信息可以是后补(例如在顾客前往门店之后才提供)的信息。
在实际业务中,真实订单数据可以包括订单基本信息和订单详细信息两部分。订单基本信息可以包括订单号、顾客姓名、证件类型、证件号,其用于对该订单进行检索以及对顾客进行身份验证。订单详细信息可以包括门店信息、车型、取车时间、还车时间、收费信息等中的至少一部分,以及还可以包括订单基本信息的所有内容,其可以有助于门店的工作人员完成一次完整的服务。这两部分信息至少可以通过订单号相关联。
接下来,服务器20将步骤140获取的预测订单数据和步骤150获取的真实订单数据发送给门店的客户端10。
客户端10接收并将该预测订单数据和真实订单数据缓存在本地数据库中。如前所述,客户端10根据订单缓存策略中的订单缓存时间间隔周期性向服务器20发送订单缓存请求,从而其周期性从服务器20接收预测订单数据和真实订单数据。客户端10可以在每次缓存预测订单数据和真实订单数据之前清除前一次缓存的预测订单数据和真实订单数据以避免数据混淆或者存储空间占用过多。
在门店的客户端10运行期间,有可能出现断网或网络质量变差以至于无法与服务器20通信的情况。在这种情况下,客户端10可以切换至离线操作模式。
在离线操作模式期间,如果顾客来到门店获取服务,则客户端10可以基于缓存的真实订单数据和测订单数据对顾客进行服务。
具体地,如果顾客是真实订单的顾客,即,该顾客之前通过公司的网页或者APP预约了服务,则门店的工作人员可以操作客户端10,基于顾客的订单号从本地数据库中获取该顾客的真实订单数据。如前所述,该真实订单数据除了包括真实订单的全局订单号之外,还包括顾客姓名、证件类型、证件号、门店信息、车型、取车时间、还车时间、收费信息等中的至少一部分。工作人员在线下对顾客的证件进行验证(例如通过蓝牙证件阅读器读取客户证件信息),在验证通过后将证件验证信息加密存储在本地数据库中。这里,证件验证信息例如可以包括该真实订单的全局订单号、顾客的姓名、出生日期、地址、证件有效期等,并且可选的,还可以包括顾客的证件的电子版本。在对顾客的证件进行验证之后,可以按照真实订单信息中指示的内容,与顾客一起核对车辆的完整性和订单信息的完整性,顾客在纸质合同上签名并与顾客交割车辆。顾客的签名信息也可以被加密缓存在客户端10的本地数据库中。这里,该签名信息例如可以包括该真实订单的全局订单号、顾客签名的电子版本的存储地址等。此外,在一些情况下,顾客在取车或者还车时需要对费用进行支付。在这种情况下,客户端10可以根据真实订单信息中的收费信息向客户收取该费用。在电子支付的情况下,顾客可以扫面门店的离线收款码并进行付款操作。该支付信息也可以被加密缓存在客户端10的本地数据库中。这里,该支付信息例如可以包括该真实订单的全局订单号、支付时间、支付方式、支付金额、支付流水号等。
在客户端10再次联网之后,客户端10可以将包含上述证件验证信息、签名信息和支付信息中的至少一项的真实订单完成数据发送给服务器20以进行存储。
另一方面,如果顾客是预测订单的顾客,即,顾客之前没有预约服务而是直接前往门店在离线状态下进行了线下服务,例如要求租借某种型号的车辆。假设该车型是该门店在前一天产生的预测订单数据中预测过的车型(并且该门店提前调配了该车型的车辆)。在这种情况下,门店的工作人员可以为该顾客产生一个新的订单并对该顾客提供服务。与上述真实订单的情况类似,对于预测订单(也可称为离线订单),客户端10也会产生上述证件验证信息、签名信息和支付信息中的至少一项。此外,客户端10会为该预测订单产生一个临时订单号(或本地订单号)。
在客户端10再次联网之后,客户端10可以将包含上述证件验证信息、签名信息和支付信息中的至少一项以及该临时订单号的预测订单完成数据发送给服务器20。对于预测订单来说,服务器20还可以基于该预测订单完成数据为该预测订单产生全局订单号并进行存储。
服务器20从客户端10接收包括上述真实订单完成数据和预测订单完成数据的订单完成数据,对其中的内容(如证件验证信息、签名信息和支付信息)进行再次验证,并且在验证通过时对其进行存储,从而即使在客户端10离线期间完成的订单也能够在服务器10的全局数据库中得到记录。
图5示出了可以用来实施本公开的实施例的计算设备200的示意性框图。计算设备200例如可以是如上结合图1至图4所述的服务器20。如图所示,计算设备200可以包括一个或多个中央处理单元(CPU)210(图中仅示意性地示出了一个),其可以根据存储在只读存储器(ROM)220中的计算机程序指令或者从存储单元280加载到随机访问存储器(RAM)230中的计算机程序指令,来执行各种适当的动作和处理。在RAM 230中,还可存储计算设备200操作所需的各种程序和数据。CPU 210、ROM 220以及RAM 230通过总线240彼此相连。输入/输出(I/O)接口250也连接至总线240。
计算设备200中的多个部件连接至I/O接口250,包括:输入单元260,例如键盘、鼠标等;输出单元270,例如各种类型的显示器、扬声器等;存储单元280,例如磁盘、光盘等;以及通信单元290,例如网卡、调制解调器、无线通信收发机等。通信单元290允许计算设备200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的方法100例如可由计算设备200(如服务器20)的CPU 210执行。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包括于机器可读介质,例如存储单元280。在一些实施例中,计算机程序的部分或者全部可以经由ROM 220和/或通信单元290而被载入和/或安装到计算设备200上。当计算机程序被加载到RAM 230并由CPU210执行时,可以执行上文描述的方法100的一个或多个操作。此外,通信单元290可以支持有线或无线通信功能。
以上结合附图对根据本公开的用于离线处理订单的方法100以及可用作服务器20的计算设备200进行了描述。然而本领域技术人员可以理解,方法100的步骤的执行并不局限于图中所示和以上所述的顺序,而是可以以任何其他合理的顺序来执行。此外,计算设备200也不必须包括图5 中所示的所有组件,其可以仅仅包括执行本公开中所述的功能所必须的其中一些组件,并且这些组件的连接方式也不局限于图中所示的形式。
利用本公开的方案,通过根据不同门店的历史订单数据为不同门店制定对应的订单缓存策略,能够保证即使在门店的客户端无网或弱网的情况下也能够快速安全地进行离线订单处理。另一方面,通过为门店产生预测订单数据,能够便于在各个门店之间统筹调配产品资源,使得产品资源的利用率最大化,并且带来更好的客户体验。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
在一个或多个示例性设计中,可以用硬件、软件、固件或它们的任意组合来实现本公开所述的功能。例如,如果用软件来实现,则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上,或者作为计算机可读介质上的一个或多个指令或代码来传输。
本文公开的装置的各个单元可以使用分立硬件组件来实现,也可以集成地实现在一个硬件组件,如处理器上。例如,可以用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或者晶体管逻辑、分立硬件组件或用于执行本文所述的功能的任意组合来实现或执行结合本公开所描述的各种示例性的逻辑块、模块和电路。
本领域普通技术人员还应当理解,结合本公开的实施例描述的各种示例性的逻辑块、模块、电路和算法步骤可以实现成电子硬件、计算机软件或二者的组合。
本公开的以上描述用于使本领域的任何普通技术人员能够实现或使用本公开。对于本领域普通技术人员来说,本公开的各种修改都是显而易见的,并且本文定义的一般性原理也可以在不脱离本公开的精神和保护范围的情况下应用于其它变形。因此,本公开并不限于本文所述的实例和设计,而是与本文公开的原理和新颖性特性的最广范围相一致。
Claims (9)
1.一种用于离线处理订单的方法,包括:
基于特定门店的历史订单数据,确定所述门店的订单缓存策略,所述订单缓存策略包括所述门店的订单缓存时间间隔;
将所述订单缓存策略传输给所述门店的客户端;
接收所述客户端基于所述订单缓存策略发送的订单缓存请求;
基于所述门店的历史订单数据,产生所述门店的预测订单数据,所述预测订单数据至少指示所述门店的预测订单的数量;
获取针对所述门店的真实订单数据,所述真实订单数据至少包括针对所述门店的真实订单的全局订单号;以及
将所述预测订单数据和所述真实订单数据发送给所述客户端,
其中产生所述门店的预测订单数据包括:
获取所述门店的历史订单数据,所述历史订单数据包括特定时间间隔的历史订单量序列;
确定所述历史订单量序列的自相关函数和偏自相关函数;
基于所述自相关函数和偏自相关函数确定所述预测订单数据的差分整合移动平均自回归模型;以及
基于所述历史订单数据和所述差分整合移动平均自回归模型,确定所述门店的预测订单数据,
其中基于所述自相关函数和偏自相关函数确定所述预测订单数据的差分整合移动平均自回归模型包括:
确定所述自相关函数和偏自相关函数的差分阶数;
基于所述自相关函数确定所述差分整合移动平均自回归模型的移动平均项数;以及
基于所述偏自相关函数确定所述差分整合移动平均自回归模型的自回归项数。
2.如权利要求1所述的方法,还包括:
从所述客户端接收所述客户端在离线期间产生的订单完成数据,所述订单完成数据包括真实订单完成数据和预测订单完成数据,所述真实订单完成数据包括操作所述真实订单所产生的证件验证信息、签名信息和支付信息中的至少一项,所述预测订单完成数据包括操作所述预测订单所产生的证件验证信息、签名信息和支付信息中的至少一项以及所述客户端产生的临时订单号。
3.如权利要求2所述的方法,还包括:
基于所述预测订单完成数据为所述预测订单产生全局订单号。
4.如权利要求1所述的方法,其中确定所述门店的订单缓存策略包括:
基于所述门店的第一时间段内的日平均订单量、第二时间段内的日平均订单量和当日订单量,确定所述门店的订单缓存因子,所述第一时间段大于所述第二时间段;以及
基于所述订单缓存因子和预定时间间隔,确定所述订单缓存策略。
5.如权利要求4所述的方法,其中确定所述门店的订单缓存因子包括:
分别获取所述第一时间段内的日平均订单量与所述第二时间段内的日平均订单量之间的第一比值和所述第一时间段内的日平均订单量与所述当日订单量之间的第二比值;以及
基于所述第一比值和所述第二比值确定所述订单缓存因子。
6.如权利要求1所述的方法,其中确定所述历史订单量序列的自相关函数和偏自相关函数包括:
确定所述历史订单量序列中的历史订单量的均值;
基于所述均值、所述历史订单量序列的长度和所述历史订单量,确定所述历史订单量序列的自相关值的序列作为所述自相关函数;以及
基于所述自相关函数确定所述历史订单量序列的偏自相关值的序列作为所述偏自相关函数。
7.如权利要求1所述的方法,其中确定所述历史订单量序列的自相关函数和偏自相关函数包括:
确定所述历史订单量序列中的历史订单量的均值;
基于所述均值和所述历史订单量,确定所述历史订单量序列的自相关值的序列作为所述自相关函数;以及
基于所述自相关函数确定所述历史订单量序列的偏自相关值的序列作为所述偏自相关函数。
8.一种计算设备,包括:
至少一个处理单元;以及
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令当由所述至少一个处理单元执行时,使得所述计算设备执行根据权利要求1至7中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序代码,所述计算机程序代码在被运行时执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058287.5A CN111932351B (zh) | 2020-09-30 | 2020-09-30 | 离线处理订单的方法、计算设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058287.5A CN111932351B (zh) | 2020-09-30 | 2020-09-30 | 离线处理订单的方法、计算设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932351A CN111932351A (zh) | 2020-11-13 |
CN111932351B true CN111932351B (zh) | 2020-12-25 |
Family
ID=73334775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011058287.5A Active CN111932351B (zh) | 2020-09-30 | 2020-09-30 | 离线处理订单的方法、计算设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932351B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935528B (zh) * | 2021-10-13 | 2023-07-21 | 广州市钱大妈信息科技有限公司 | 智能调度方法、装置、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104702593A (zh) * | 2015-01-16 | 2015-06-10 | 苏州江河行信息技术有限公司 | 电子凭证联机和脱机一体化的验证系统以及验证方法 |
CN106708476B (zh) * | 2015-07-20 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 一种单机应用指令处理方法及装置 |
CN105225348B (zh) * | 2015-09-28 | 2018-06-01 | 深圳充电网科技有限公司 | 基于二维码的充电桩管理方法 |
CN106231110A (zh) * | 2016-08-12 | 2016-12-14 | 北京东方车云信息技术有限公司 | 司机客户端的离线服务方法、司机客户端及相关系统 |
CN107437144B (zh) * | 2017-08-01 | 2021-01-15 | 北京闪送科技有限公司 | 一种订单调度方法、系统、计算机设备和存储介质 |
-
2020
- 2020-09-30 CN CN202011058287.5A patent/CN111932351B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111932351A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190236742A1 (en) | Method for requesting a ride service in a ride service system | |
US8090642B1 (en) | Option computation for tangible depreciating items | |
US20090164295A1 (en) | Device, system, and method of dynamic modification of sale terms of electronic transactions | |
CN106897905B (zh) | 用于推送信息的方法、装置及电子设备 | |
CN111898784A (zh) | 用于车辆租赁预订的方法、电子设备和存储介质 | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
CN112381453A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN111932351B (zh) | 离线处理订单的方法、计算设备和计算机可读存储介质 | |
CN115392809B (zh) | 电力指标信息生成方法、装置、电子设备和介质 | |
CN113935507A (zh) | 基于区块链的外币现钞兑换预约方法及装置 | |
CN112579910A (zh) | 信息处理方法、信息处理装置、存储介质和电子设备 | |
KR20060064222A (ko) | 온라인 쇼핑몰에서의 변동 할인율에 따른 판매방법 및이를 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수있는 기록매체 | |
CN109242551A (zh) | 基于区块链的销售线索管理方法、装置、介质及电子设备 | |
CN110910557A (zh) | 一种业务办理时长预测方法、装置、服务器及存储介质 | |
CN110135903A (zh) | 广告位排位方法、系统、介质和电子设备 | |
CN111709857B (zh) | 房源共享方法、装置和电子设备 | |
CN111798251A (zh) | 房源数据的验证方法、装置和电子设备 | |
CN111832923A (zh) | 一种基于出行需求预测的公共交通运力动态优化调度方法 | |
CN110503486A (zh) | 一种广告策略的筛选方法及装置 | |
CN110060077A (zh) | 信息对象竞争方法和装置 | |
CN110807679B (zh) | 基于区块链的出租车发票生成方法及装置 | |
CN108682079B (zh) | 车辆共享方法、装置、计算机可读存储介质及电子设备 | |
CN110866206B (zh) | 数据更新设置方法和装置 | |
CN112163932A (zh) | 恶意占座订单的识别方法、装置及电子设备 | |
KR20210145890A (ko) | 차량 정비 서비스 통합 관리 시스템 및 이의 서비스 제공 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 |