CN111950781A - 订单到达量预测方法及设备 - Google Patents

订单到达量预测方法及设备 Download PDF

Info

Publication number
CN111950781A
CN111950781A CN202010755785.9A CN202010755785A CN111950781A CN 111950781 A CN111950781 A CN 111950781A CN 202010755785 A CN202010755785 A CN 202010755785A CN 111950781 A CN111950781 A CN 111950781A
Authority
CN
China
Prior art keywords
order
time
historical
collecting
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.)
Pending
Application number
CN202010755785.9A
Other languages
English (en)
Inventor
赵恒�
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.)
Shanghai Zhongtongji Network Technology Co Ltd
Original Assignee
Shanghai Zhongtongji Network Technology Co 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 Shanghai Zhongtongji Network Technology Co Ltd filed Critical Shanghai Zhongtongji Network Technology Co Ltd
Priority to CN202010755785.9A priority Critical patent/CN111950781A/zh
Publication of CN111950781A publication Critical patent/CN111950781A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种订单到达量预测方法，包括：获取当前周期订单下单时间及对应的揽收时间；根据当前周期订单下单时间及对应的揽收时间，基于预先训练的订单量预测模型，得到当前周期的下一周期的预测订单到达量；由于订单量预测模型是基于历史周期订单数据以及历史转运中心处理能力训练的，历史转运中心处理能力是指历史转运中心在大促、电商节等活动时间段处理订单量的能力，订单量预测模型结合了转运中心在历史大促、电商节等活动时间段的处理能力，可以解决物流行业的订单到达量预测在大促、电商节等活动时间段准确度急剧下降的问题。

Description

订单到达量预测方法及设备
技术领域
本申请涉及数据信息处理技术领域，尤其涉及一种订单到达量预测方法及设备。
背景技术
物流行业中，大的转运中心常常需要根据每日到达中心的业务量安排资源储备,如货车、操作工等，通常在大促、电商节等活动期间因资源竞争导致成本损耗非常巨大，如果能提前预测转运中心每日到达的业务量，那么就可以提前筹备资源保障业务平稳运行并且节约很多不必要成本。现有技术中只能对订单到达量进行简单的预测，在转运中心，线路级别预测通常误差较大，特别是大促、电商节等活动期间预测误差呈指数上升。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种订单到达量预测算法及设备。
本申请的方案如下：
基于本申请实施例的第一方面，提供一种订单到达量预测方法，包括：
获取当前周期订单下单时间及对应的揽收时间；
根据所述当前周期订单下单时间及对应的揽收时间，基于预先训练的订单量预测模型，得到当前周期的下一周期的预测订单到达量；其中，所述订单量预测模型是基于历史周期订单数据以及历史转运中心处理能力训练的。
优选的，在本申请一种可实现的方式中，还包括：
获取历史周期订单数据，包括：历史周期订单下单时间及对应的揽收时间；
获取历史大促期间的转运中心处理能力数据；
根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型。
优选的，在本申请一种可实现的方式中，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体包括：
根据每个订单下单时间及对应的揽收时间，实时统计订单揽收队列，待揽收队列和已揽收数据；
根据所述订单揽收队列，待揽收队列和已揽收数据，计算实时订单队列；
根据所述每个订单下单时间及对应的揽收时间,计算各个时段订单下单分布和订单揽收分布。
优选的，在本申请一种可实现的方式中，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体还包括：
根据所述每个订单下单时间及对应的揽收时间，计算每日24小时内每隔2小时的订单揽收量及订单揽收队列。
优选的，在本申请一种可实现的方式中，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体还包括：
根据所述每个订单下单时间及对应的揽收时间，计算订单队列增长率。
优选的，在本申请一种可实现的方式中，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体还包括：
根据历史大促期间的转运中心处理能力数据，得到历史每个大促期间及对应的上一年同期大促期间的转运中心处理订单量；
根据所述历史每个大促期间及对应的上一年同期大促期间的转运中心处理订单量，计算转运中心小时峰值处理能力成长数据。
优选的，在本申请一种可实现的方式中，所述根据所述每个订单下单时间及对应的揽收时间,计算各个时段订单下单分布和订单揽收分布，具体包括：
根据所述每个订单下单时间及对应的揽收时间，计算每个小时的订单下单量和订单揽收量；
根据所述每个订单下单时间及对应的揽收时间，计算订单下单后，每个小时的订单揽收量和当前小时的订单下单揽收定量。
优选的，在本申请一种可实现的方式中，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体还包括：
根据所述实时订单队列，各个时段订单下单分布和订单揽收分布，每日24小时内每2小时的订单揽收量及订单揽收队列，订单队列增长率，转运中心小时峰值处理能力成长数据，训练所述订单量预测模型。
优选的，在本申请一种可实现的方式中，所述订单量预测模型采用GBDT算法训练。
基于本申请实施例的第二方面，提供一种订单到达量预测设备，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行如以上任一项所述的订单到达量预测方法。
本申请提供的技术方案可以包括以下有益效果：本申请中的订单到达量预测方法，包括：获取当前周期订单下单时间及对应的揽收时间；根据当前周期订单下单时间及对应的揽收时间，基于预先训练的订单量预测模型，得到当前周期的下一周期的预测订单到达量；由于订单量预测模型是基于历史周期订单数据以及历史转运中心处理能力训练的，历史转运中心处理能力是指历史转运中心在大促、电商节等活动时间段处理订单量的能力，订单量预测模型结合了转运中心在历史大促、电商节等活动时间段的处理能力，可以解决物流行业的订单到达量预测在大促、电商节等活动时间段准确度急剧下降的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的订单到达量预测方法的流程示意图；
图2是本申请一个实施例提供的订单到达量预测方法中训练订单量预测模型的流程示意图；
图3是本申请一个实施例提供的订单到达量预测方法中根据历史周期订单数据和历史大促期间的转运中心处理能力数据训练订单量预测模型的流程示意图；
图4是本申请一个实施例提供的订单到达量预测设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
一种订单到达量预测方法，包括：
S11：获取当前周期订单下单时间及对应的揽收时间；
S12：根据当前周期订单下单时间及对应的揽收时间，基于预先训练的订单量预测模型，得到当前周期的下一周期的预测订单到达量；其中，订单量预测模型是基于历史周期订单数据以及历史转运中心处理能力训练的。
优选的，周期可以以日为周期或以月为周期。
若以月为周期，根据当前周期订单下单时间及对应的揽收时间，基于预先训练的订单量预测模型，得到当前周期的下一周期的预测订单到达量，当前周期的下一周期的预测订单到达量包括：下一周期每天的预测订单到达量。
若以日为周期，根据当前周期订单下单时间及对应的揽收时间，基于预先训练的订单量预测模型，得到当前周期的下一周期的预测订单到达量，当前周期的下一周期的预测订单到达量包括：下一周期每小时的预测订单到达量。
以日为周期的对接下来23小时内的每小时实时订单到达量预测即为实时预测。
本申请中的订单到达量预测方法，包括：获取当前周期订单下单时间及对应的揽收时间；根据当前周期订单下单时间及对应的揽收时间，基于预先训练的订单量预测模型，得到当前周期的下一周期的预测订单到达量；由于订单量预测模型是基于历史周期订单数据以及历史转运中心处理能力训练的，历史转运中心处理能力是指历史转运中心在大促、电商节等活动时间段处理订单量的能力，订单量预测模型结合了转运中心在历史大促、电商节等活动时间段的处理能力，可以解决物流行业的订单到达量预测在大促、电商节等活动时间段准确度急剧下降的问题。并且根据周期范围的不同，既可以提前一个月进行下一个月每天的订单到达量的预测，也可以提前一天进行23小时内的每小时实时订单到达量预测。
训练订单量预测模型具体包括：
S21：获取历史周期订单数据，包括：历史周期订单下单时间及对应的揽收时间；
S22：获取历史大促期间的转运中心处理能力数据；
S23：根据历史周期订单数据和历史大促期间的转运中心处理能力数据训练订单量预测模型。
根据历史周期订单数据和历史大促期间的转运中心处理能力数据训练订单量预测模型，具体包括：
S231：根据每个订单下单时间及对应的揽收时间，实时统计订单揽收队列，待揽收队列和已揽收数据；
S232：根据订单揽收队列，待揽收队列和已揽收数据，计算实时订单队列；
S233：根据每个订单下单时间及对应的揽收时间,计算各个时段订单下单分布和订单揽收分布。
具体包括：
根据每个订单下单时间及对应的揽收时间，计算每个小时的订单下单量和订单揽收量；
根据每个订单下单时间及对应的揽收时间，计算订单下单后，每个小时的订单揽收量和当前小时的订单下单揽收定量。
S234：根据每个订单下单时间及对应的揽收时间，计算每日24小时内每2小时的订单揽收量及订单揽收队列。
S235：根据每个订单下单时间及对应的揽收时间，计算订单队列增长率。
具体的，计算最近15日内细分第1日，第3日，第5日，第10日，第15日每小时订单揽收量，根据第1日，第3日，第5日，第10日，第15日每小时订单揽收量计算订单队列增长率。
S236：根据历史大促期间的转运中心处理能力数据，得到历史每个大促期间及对应的上一年同期大促期间的转运中心处理订单量；
S237：根据历史每个大促期间及对应的上一年同期大促期间的转运中心处理订单量，计算转运中心小时峰值处理能力成长数据。
S238：根据实时订单队列，各个时段订单下单分布和订单揽收分布，每日24小时内每隔2小时的订单揽收量及订单揽收队列，订单队列增长率，转运中心小时峰值处理能力成长数据，训练订单量预测模型。
对于实时订单的预测，即以日为周期进行预测，需要实时获取转运中心每个订单下单时间及对应的揽收时间。根据每个订单下单时间，跟踪其揽收时间，实时统计订单揽收队列,待揽收队列,已揽收数据，计算转运中心的实时订单队列。并分别计算各个时段订单下单分布和订单揽收分布。计算每日0～23时每2个小时的揽收量及揽收队列。计算最近15日内的订单队列增长率。
同时计算出转运中心能力成长，具体到转运中心小时峰值处理能力成长。
优选的，采用GBDT算法训练出每个转运中心的近期参数(实时订单队列，各个时段订单下单分布和订单揽收分布，每日24小时内每隔2小时的订单揽收量及订单揽收队列，订单队列增长率，转运中心小时峰值处理能力成长数据)，得到订单量预测模型，做实时订单接下来23小时内的每小时实时订单到达量预测。
同时，在训练数据足够多的条件下(以近年每个转运中心的订单数据作为训练数据)，基于订单量预测模型，可以做以月为周期的对下一周期每天的预测订单到达量。
一种订单到达量预测设备，包括：
处理器31和存储器32；
处理器31与存储器32通过通信总线相连接：
其中，处理器31，用于调用并执行存储器32中存储的程序；
存储器32，用于存储程序，程序至少用于执行如以上任一实施例的订单到达量预测方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种订单到达量预测方法，其特征在于，包括：
获取当前周期订单下单时间及对应的揽收时间；
根据所述当前周期订单下单时间及对应的揽收时间，基于预先训练的订单量预测模型，得到当前周期的下一周期的预测订单到达量；其中，所述订单量预测模型是基于历史周期订单数据以及历史转运中心处理能力训练的。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取历史周期订单数据，包括：历史周期订单下单时间及对应的揽收时间；
获取历史大促期间的转运中心处理能力数据；
根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体包括：
根据每个订单下单时间及对应的揽收时间，实时统计订单揽收队列，待揽收队列和已揽收数据；
根据所述订单揽收队列，待揽收队列和已揽收数据，计算实时订单队列；
根据所述每个订单下单时间及对应的揽收时间,计算各个时段订单下单分布和订单揽收分布。
4.根据权利要求3所述的方法，其特征在于，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体还包括：
根据所述每个订单下单时间及对应的揽收时间，计算每日24小时内每隔2小时的订单揽收量及订单揽收队列。
5.根据权利要求4所述的方法，其特征在于，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体还包括：
根据所述每个订单下单时间及对应的揽收时间，计算订单队列增长率。
6.根据权利要求5所述的方法，其特征在于，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体还包括：
根据历史大促期间的转运中心处理能力数据，得到历史每个大促期间及对应的上一年同期大促期间的转运中心处理订单量；
根据所述历史每个大促期间及对应的上一年同期大促期间的转运中心处理订单量，计算转运中心小时峰值处理能力成长数据。
7.根据权利要求3所述的方法，其特征在于，所述根据所述每个订单下单时间及对应的揽收时间,计算各个时段订单下单分布和订单揽收分布，具体包括：
根据所述每个订单下单时间及对应的揽收时间，计算每个小时的订单下单量和订单揽收量；
根据所述每个订单下单时间及对应的揽收时间，计算订单下单后，每个小时的订单揽收量和当前小时的订单下单揽收定量。
8.根据权利要求6所述的方法，其特征在于，所述根据所述历史周期订单数据和所述历史大促期间的转运中心处理能力数据训练所述订单量预测模型，具体还包括：
根据所述实时订单队列，各个时段订单下单分布和订单揽收分布，每日24小时内每2小时的订单揽收量及订单揽收队列，订单队列增长率，转运中心小时峰值处理能力成长数据，训练所述订单量预测模型。
9.根据权利要求8所述的方法，其特征在于，所述订单量预测模型采用GBDT算法训练。
10.一种订单到达量预测设备，其特征在于，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行如以上任一项所述的订单到达量预测方法。
CN202010755785.9A 2020-07-31 2020-07-31 订单到达量预测方法及设备 Pending CN111950781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010755785.9A CN111950781A (zh) 2020-07-31 2020-07-31 订单到达量预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010755785.9A CN111950781A (zh) 2020-07-31 2020-07-31 订单到达量预测方法及设备

Publications (1)

Publication Number Publication Date
CN111950781A true CN111950781A (zh) 2020-11-17

Family

ID=73338878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010755785.9A Pending CN111950781A (zh) 2020-07-31 2020-07-31 订单到达量预测方法及设备

Country Status (1)

Country Link
CN (1) CN111950781A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596399A (zh) * 2018-05-04 2018-09-28 国家邮政局邮政业安全中心 快递业务量预测的方法、装置、电子设备及存储介质
US20190130260A1 (en) * 2017-10-30 2019-05-02 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
CN109784820A (zh) * 2019-03-28 2019-05-21 上海中通吉网络技术有限公司 一种快递路由智能解决方法、装置、终端设备及存储介质
CN109948958A (zh) * 2017-12-20 2019-06-28 菜鸟智能物流控股有限公司 物流路由的确定方法及相关设备
CN110866786A (zh) * 2019-11-12 2020-03-06 德邦物流股份有限公司 一种货量预测方法、装置、电子设备及存储介质
CN111291033A (zh) * 2020-03-11 2020-06-16 上海东普信息科技有限公司 快件数据清洗方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130260A1 (en) * 2017-10-30 2019-05-02 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
CN109948958A (zh) * 2017-12-20 2019-06-28 菜鸟智能物流控股有限公司 物流路由的确定方法及相关设备
CN108596399A (zh) * 2018-05-04 2018-09-28 国家邮政局邮政业安全中心 快递业务量预测的方法、装置、电子设备及存储介质
CN109784820A (zh) * 2019-03-28 2019-05-21 上海中通吉网络技术有限公司 一种快递路由智能解决方法、装置、终端设备及存储介质
CN110866786A (zh) * 2019-11-12 2020-03-06 德邦物流股份有限公司 一种货量预测方法、装置、电子设备及存储介质
CN111291033A (zh) * 2020-03-11 2020-06-16 上海东普信息科技有限公司 快件数据清洗方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US20210223434A1 (en) Weather-driven multi-category infrastructure impact forecasting
CN111966729B (zh) 一种车辆轨迹数据处理方法、装置、设备及存储介质
CN108345958A (zh) 一种订单出餐时间预测模型构建、预测方法、模型和装置
CN115511194A (zh) 一种农业数据处理方法、系统、装置及介质
US20220245485A1 (en) Multi-model block capacity forecasting for a distributed storage system
CN112445690B (zh) 信息获取方法、装置及电子设备
CN109408331A (zh) 基于用户个性化特征的日志报警系统
CN111639786A (zh) 资源配置方法、装置、存储介质及计算机设备
CN113919655A (zh) 执法人员调度方法、系统、计算机装置及存储介质
CN116502170A (zh) 基于云平台的农业水利监测方法及相关装置
CN116579496A (zh) 基于大数据的园区短期负荷预测方法
CN113835626B (zh) 一种确定磁盘可使用时长的方法及装置
CN111950781A (zh) 订单到达量预测方法及设备
CN111222668A (zh) 仓库单量预测方法、装置、电子设备和可读存储介质
CN113139698A (zh) 负荷预测方法、装置及设备
CN111263120B (zh) 基于流计算的视频设备在线时长的统计方法、装置及终端
CN111105050B (zh) 风机维护计划的生成方法、装置、设备及存储介质
CN116704765A (zh) 路况预测方法、装置及可读存储介质
CN114911615A (zh) 微服务运行时智能预测调度的方法及应用
JP2001243401A (ja) 受注予測システム
CN102393194A (zh) 一种基于gsm模块的水情自动测报系统
CN114139907A (zh) 运力评估方法、计算机可读存储介质及计算机设备
CN204375006U (zh) 基于互联网的货物监控系统
CN116258517B (zh) 结合分布式算力和消费者终身价值获取最佳促销策略方法
CN117852691A (zh) 一种云边协同母线负荷预测方法和系统

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