CN112308514A - 物流订单自动发单方法、装置、设备及存储介质 - Google Patents
物流订单自动发单方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112308514A CN112308514A CN202011189495.9A CN202011189495A CN112308514A CN 112308514 A CN112308514 A CN 112308514A CN 202011189495 A CN202011189495 A CN 202011189495A CN 112308514 A CN112308514 A CN 112308514A
- Authority
- CN
- China
- Prior art keywords
- order
- logistics
- company
- companies
- logistics company
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 26
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06Q10/10—Office automation; Time 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域，公开了一种物流订单自动发单方法、装置、设备及存储介质，该方法包括：当监听到商户客户端发起的订单创建请求时，获取订单配置信息以创建物流订单，并提取订单配置信息中的订单特征信息；获取多个物流公司的车辆调度信息，并基于车辆调度信息，生成各物流公司配送路线的配送结构树；基于订单特征信息，从配送结构树筛选出物流订单在各物流公司中的最佳配送路线，并基于各最佳配送路线，计算物流订单与各物流公司的匹配得分；从各物流公司中筛选匹配得分最高的物流公司，对物流订单执行发单操作。本发明还涉及区块链技术，所述订单配置信息存储于区块链中。本发明提升了物流订单与物流公司的匹配优度，降低了物流成本。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种物流订单自动发单方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展，为O2O(Online To Offline，线上到线下)商业消费模式创造了技术条件，随着各项技术的迭代与更新，O2O商业消费模式也从实现用户基本需求发展至用户体验需求。其中，物流技术的发展更是为O2O商业消费模式搭建起了桥梁。近几年，随着O2O模式在飞速发展的同时，消费者的消费意识也在提升。消费者针对商户对物流时效、运费价格、售前/售后服务质量等要求提高。
目前为不同商户订单选择承运物流公司时，主要根据平台推荐与商户个人选择，使用实体店附近的物流公司。该类方法往往难以同时考虑到运费价格、配送范围、配送时效等因素，比如在商户拥有大量订单承接能力时，由于配送距离限制，导致用户不能成功订单；在商户拥有大量承接订单时，由于物流公司承接能力限制，导致物流时效严重超时；特别是在运费价格方面，受配送距离，商品重量，营业时间，物流公司起步价格等因素影响，不同的物流公司收取运费不一致。故现有技术对订单数据与物流公司的匹配优度较低。
发明内容
本发明的主要目的在于解决订单数据与物流公司的匹配优度较低的技术问题。
本发明第一方面提供了一种物流订单自动发单方法，包括：
当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
可选的，在本发明第一方面的第一种实现方式中，在所述从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作之前，还包括：
获取所述物流订单的配送时间；
将所述配送时间输入预置订单量预测模型，预测各物流公司在所述配送时间的订单量；
基于所述订单量，调整所述物流公司排序表中的各物流公司的排序顺序。
可选的，在本发明第一方面的第二种实现方式中，所述从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作包括：
根据所述各匹配得分由高至低，对所述各物流公司进行排序，得到对应的物流公司排序表；
从所述物流公司排序表中选取当前排序最靠前的物流公司，并基于所述物流订单，向当前排序最靠前的物流公司进行下单操作；
监听所述物流订单的订单状态，当监听到所述订单状态为下单成功时，则确定所述物流订单发单成功；
当监听到所述订单状态为下单失败时，则筛除当前排序最靠前的物流公司，得到新的物流公司排序表；
跳转至“从所述物流公司排序表中选取当前排序最靠前的物流公司”的步骤，直到监听到所述订单状态为下单成功时停止跳转，确定所述物流订单发单成功。
可选的，在本发明第一方面的第三种实现方式中，所述订单量预测模型的生成方法包括：
获取多个历史物流订单，所述历史物流订单包含订单时间与对应的订单量标注；
根据所述各订单时间，生成历史物流订单的时间序列；
将历史物流订单的时间序列与对应的订单量标注作为训练样本，输入预设预训练模型，输出预测订单量；
根据所述订单量标注和所述预测订单量，计算所述预设预训练模型的模型损失值；
基于所述模型损失值，对所述预训练模型进行迭代，直到所述模型损失值小于预设损失阈值时停止迭代，得到订单量预测模型。
可选的，在本发明第一方面的第四种实现方式中，在所述基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分之后，还包括：
获取所述各物流公司的专项服务信息，以及提取所述订单配置信息中的专项需求信息；
将所述项服务信息转化为的第一特征向量，以及将所述专项需求信息转化为的第二特征向量；
将所述第一特征向量和所述第二特征向量输入预置物流专项匹配模型中，计算两者的专项匹配得分，并基于所述专项匹配得分，调整所述匹配得分。
可选的，在本发明第一方面的第五种实现方式中，述订单配置信息还存储于区块链中。
本发明第二方面提供了一种物流订单自动发单装置，包括：
第一获取模块，用于当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
创建模块，用于基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
生成模块，用于获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
计算模块，用于基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
推送模块，用于从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
可选的，在本发明第二方面的第一种实现方式中，所述物流订单自动发单装置还包括：
第二获取模块，用于获取所述物流订单的配送时间；
预测模块，用于将所述配送时间输入预置订单量预测模型，预测各物流公司在所述配送时间的订单量；
第一调整模块，用于基于所述订单量，调整所述物流公司排序表中的各物流公司的排序顺序。
可选的，在本发明第二方面的第二种实现方式中，所述推送模块包括：
排序单元，用于根据所述各匹配得分由高至低，对所述各物流公司进行排序，得到对应的物流公司排序表；
选取单元，用于从所述物流公司排序表中选取当前排序最靠前的物流公司，并基于所述物流订单，向当前排序最靠前的物流公司进行下单操作；
监听单元，用于监听所述物流订单的订单状态，当监听到所述订单状态为下单成功时，则确定所述物流订单发单成功；
筛除单元，用于当监听到所述订单状态为下单失败时，则筛除当前排序最靠前的物流公司，得到新的物流公司排序表；
跳转单元，用于跳转至“从所述物流公司排序表中选取当前排序最靠前的物流公司”的步骤，直到监听到所述订单状态为下单成功时停止跳转，确定所述物流订单发单成功。
可选的，在本发明第二方面的第三种实现方式中，所述物流订单自动发单装置还包括：
第三获取模块，用于获取多个历史物流订单，所述历史物流订单包含订单时间与对应的订单量标注；
第二生成模块，用于根据所述各订单时间，生成历史物流订单的时间序列；
训练模块，用于将历史物流订单的时间序列与对应的订单量标注作为训练样本，输入预设预训练模型，输出预测订单量；
第二计算模块，用于根据所述订单量标注和所述预测订单量，计算所述预设预训练模型的模型损失值；
迭代模块，用于基于所述模型损失值，对所述预训练模型进行迭代，直到所述模型损失值小于预设损失阈值时停止迭代，得到订单量预测模型。
可选的，在本发明第二方面的第四种实现方式中，所述物流订单自动发单装置还包括：
提取模块，用于获取所述各物流公司的专项服务信息，以及提取所述订单配置信息中的专项需求信息；
转化模块，用于将所述项服务信息转化为的第一特征向量，以及将所述专项需求信息转化为的第二特征向量；
第二调整模块，用于将所述第一特征向量和所述第二特征向量输入预置物流专项匹配模型中，计算两者的专项匹配得分，并基于所述专项匹配得分，调整所述匹配得分。
可选的，在本发明第二方面的第五种实现方式中，述订单配置信息还存储于区块链中。
本发明第三方面提供了一种物流订单自动发单设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流订单自动发单设备执行上述的物流订单自动发单方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的物流订单自动发单方法。
本发明提供的技术方案中，通过提取订单配置信息中的特征信息，以及分别提取多个物流公司的各车辆调度信息；然后通过车辆调度信息构建各物流公司的配送结构树，其中配送结构树中带有配送区域节点和配送时间节点；接着将特征信息输入配送结构树中筛选各物流公司相对于物流订单的最佳配送路线，并计算物流订单与各最佳配送路线的匹配得分；最后筛选匹配得分最高的物流公司对物流订单进行发单操作。本发明提升了物流订单与物流公司的匹配优度，降低了物流成本。
附图说明
图1为本发明实施例中物流订单自动发单方法的第一个实施例示意图；
图2为本发明实施例中物流订单自动发单方法的第二个实施例示意图；
图3为本发明实施例中物流订单自动发单方法的第三个实施例示意图；
图4为本发明实施例中物流订单自动发单方法的第四个实施例示意图；
图5为本发明实施例中物流订单自动发单装置的一个实施例示意图；
图6为本发明实施例中物流订单自动发单装置的另一个实施例示意图；
图7为本发明实施例中物流订单自动发单设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种物流订单自动发单方法、装置、设备及存储介质，当监听到商户客户端发起的订单创建请求时，获取订单配置信息以创建物流订单，并提取订单配置信息中的订单特征信息；获取多个物流公司的车辆调度信息，并基于车辆调度信息，生成各物流公司配送路线的配送结构树；基于订单特征信息，从配送结构树筛选出物流订单在各物流公司中的最佳配送路线，并基于各最佳配送路线，计算物流订单与各物流公司的匹配得分；从各物流公司中筛选匹配得分最高的物流公司，对物流订单执行发单操作。本发明提升了物流订单与物流公司的匹配优度，降低了物流成本。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中物流订单自动发单方法的第一个实施例包括：
101、当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
可以理解的是，本发明的执行主体可以为物流订单自动发单装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。需要强调的是，为进一步保证上述订单配置信息的私密和安全性，上述订单配置信息还可以存储于一区块链的节点中。
本实施例中，实时监听商户已接单状态，当监听到商户的已接单状态时，则商户客户端会发起的订单创建请求；接收到订单创建请求后，则获取对应的订单配置信息，此处订单配置信息包括物流面单内容、以及物流订单的特殊需求内容，包括订单地址、订单时效、订单运费，或者还同时包含有指定物流公司、倾向物流公司权重等。
102、基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
本实施例中，配置信息中的面单内容自动填入物流订单模板中，以生成对应的物理订单；而订单配置信息中包括包括订单地址、订单时效、订单运费等，以用于分析物流订单的需求特征，为其匹配最适的物流公司。对订单配置信息中的订单地址、订单时效、订单运费等进行编码，得到对应的订单特征信息，其中，订单特征信息包括订单的配送世界坐标编码、配送时间编码、运费编码等。
另外，物流订单及对应的特征信息暂时存放在分布式存储空间中，同时设定物流订单的消费时间与有效发单时间，其中，消费时间指自动触发发单操作的指定时间范围，通常有以下两种情况：下单后即刻排队发单、用户指定发单时间；而有效发单时间指物流订单创建成功后，未在设定时间内选定相匹配的物流公司以进行后续的发单，则退回商户客户端，提醒商户人工选择合适的物流公司重新发单。
103、获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
本实施例中，车辆调度信息包括物流公司中配送车辆的发车时间、发车地点、取货途径快递站的地点以及时间、到达终点时间、到达终点地点、散货途径快递站的地点以及时间，以确定各物流公司的配送区域分布、接单时效、运营时间、运营能力、是否提供一对一对象服务等物流服务特点，其中，需各地点与时间进行编码，得到对应的世界坐标编码、配送时间编码；根据车辆调度信息，提取各物流公司中车辆的配送区域节点与配送时间节点；记录不同物流公司各车辆与到达终点重叠的发车起点，得到节点列表；最后根据节点列表，构建配送结构树；其中，在各配送区域节点中，以对应的配送时间节点进行标注。
具体的，例如物流公司X，包含i配送区域节点：A1、A2、A3、A4、A5，根据各达到终点与发车起点的重叠区域，可以得到如下表1所示的节点列表：
表1
根据到达终点与发车起点的重叠区域，确定物流公司X的配送区域节点，根据各配送区域节点的衔接顺序即可得到对应的配送结构树。
104、基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
本实施例中，将特征信息中的世界坐标编码输入配送结构树中，其中世界坐标包括发货地址的世界坐标和收获地址的世界坐标；将两者与配送结构树上的配送区域节点相匹配，得到对应的起点配送区域节点和终点配送区域节点；基于车辆运行顺序，查找出从起点配送区域节点到终点配送区域节点的一条或多条路线；若存在多条路线，则计算各路线的所需物流时间，并将物流时间最短的路线作为对应公司的最佳配送路线。
另外，根据各物流公司的最佳配送路线，计算该物流订单与各物流公司的匹配得分，以确定各物流公司相对于该物流订单的配送时效匹配程度、订单地址与配送区域分布的匹配程度，除此之外，还可考虑是否满足物流订单的其他优先考虑要求，比如指定物流公司进行配送、需要一对一对象服务、需要在任意时间提取订单物品(物流公司需全天24h运营)等。
具体的，物流订单与各物流公司的匹配得分M＝J*b1+K*b2，其中，J为配送路线得分，K为配送时间得分，b1和b2为对应的匹配权重，基于特征信息中的优选服务性质选择适当的权重。
105、从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
比如说对于订单地址比较偏远的，或者商家本身处于郊区，则在物流公司的配送区域分布上，特征权重会占比比较大，反之则可以提升费用计算方案与配送时效对应的特征权重。
本发明实施例中，通过提取订单配置信息中的特征信息，以及分别提取多个物流公司的各车辆调度信息；然后通过车辆调度信息构建各物流公司的配送结构树，其中配送结构树中带有配送区域节点和配送时间节点；接着将特征信息输入配送结构树中筛选各物流公司相对于物流订单的最佳配送路线，并计算物流订单与各最佳配送路线的匹配得分；最后筛选匹配得分最高的物流公司对物流订单进行发单操作。本发明提升了物流订单与物流公司的匹配优度，降低了物流成本。
请参阅图2，本发明实施例中物流订单自动发单方法的第二个实施例包括：
201、当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
202、基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
203、获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
204、基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
205、获取所述物流订单的配送时间；
本实施例中，配送时间指一个时间区间，具体可以是从aaaa年-bb月-cc日到dddd年-ee月-ff日，或者是从gg日hh时-ii日jj时；
206、将所述配送时间输入预置订单量预测模型，预测各物流公司在所述配送时间的订单量；
本实施例中，订单量预测模型的具体训练方式如下所示：
获取多个历史物流订单，所述历史物流订单包含订单时间与对应的订单量标注；
根据各订单时间，生成历史物流订单的时间序列；
将历史物流订单的时间序列与对应的订单量标注作为训练样本，输入卷积神经网络预训练模型，并通过模型输出结果与订单量标注计算模型损失；
根据模型损失对对该卷积神经网络预训练模型进行迭代，直到模型损失小于预设阈值时停止迭代，即可得到订单量预测模型。
最后使用训练好的订单量预测模型预测每个物流公司在目标配送时间的订单量。
207、基于所述订单量，调整所述物流公司排序表中的各物流公司的排序顺序；
本实施例中，在订单量多的配送时间，可提高配送时效高的物流公司在物流公司排序表中的排序顺序；而在订单量少的配送时间，可提高配送费用低的物流公司的在物流公司排序表中的排序顺序。
208、从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
本发明实施例中，通过订单量预测模型，预测在配送时间各物流公司的订单量，对于不同物流公司有不同的订单吞吐量，对比各物流公司的订单吞吐量与当前配送时间各物流公司的订单量，以确定当前配送时间是否会影响各物流公司对物流订单的配送效率，优化物流订单与物流公司的匹配度。
请参阅图3，本发明实施例中物流订单自动发单方法的第三个实施例包括：
301、当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
302、基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
303、获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
304、基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
305、根据所述各匹配得分由高至低，对所述各物流公司进行排序，得到对应的物流公司排序表；
306、从所述物流公司排序表中选取排序最靠前的物流公司从所述物流公司排序表中选取当前排序最靠前的物流公司，并基于所述物流订单，向当前排序最靠前的物流公司进行下单操作；
本实施例中，排序越靠前则说明物流订单与物流公司的匹配得分越高，两者的匹配程度越高。例如物流公司排序表的内容为：[物流公司A、物流公司B、物流公司C、物流公司D、物流公司E]，则从该物流公司排序表中选取物流公司A，并向物流公司A下单。
307、监听所述物流订单的订单状态，当监听到所述订单状态为下单成功时，则确定所述物流订单发单成功；
本实施例中，当到达指定下单时间后，从所有物流公司中选取一个与物流订单最匹配的物流公司，并提起下单请求；选取的物流公司对该物流订单进行相应的操作，包括取消订单、确认订单、未回应，故监听该物流订单的订单状态；当物流公司取消该物流订单或在预设时间段内未回应，则确定该物流订单发单失败，当物流公司确认该物流订单，则确定该物流订单发单成功。
308、当监听到所述订单状态为下单失败时，则筛除当前排序最靠前的物流公司，得到新的物流公司排序表；
本实施例中，当物流公司取消该物流订单或未在预设时间段内回应，则该物流订单的订单状态为下单失败，为防止下单失败而导致物流订单被取消，故将该物流公司剔除，并重新从剩下的物流公司中选取一个匹配的物流公司进行下单操作，即原物流公司排序表中排序第二的物流公司，同时是新的物流公司排序表中排序最靠前的物流公司。
具体的，例如步骤S62中的物流公司A取消该物流订单，则将物流公司A从该物流公司排序表中剔除，得到新的物流公司排序表：[物流公司B、物流公司C、物流公司D、物流公司E]，并从中选择排序最靠前的物流公司B，并向物流公司B重新下单。
309、跳转至“从所述物流公司排序表中选取当前排序最靠前的物流公司”的步骤，直到监听到所述订单状态为下单成功时停止跳转，确定所述物流订单发单成功。
本实例中，例如步骤S63中的物流公司B亦再次取消该物流订单，则继续将物流公司B从该物流公司排序表中剔除，得到新的物流公司排序表：[物流公司C、物流公司D、物流公司E]，并从新的物流公司排序表中选取物流公司C进行发货；以此类推，直到物流订单发单成功。
另外，如果所有的物流公司均未确认该物流订单，则发出警报以提示进行人工操作，避免订单被取消。
本发明实施例中，详细介绍了在物流公司无法对物流订单进行发单时，顺序筛选下一各最高匹配程度的物流公司进行发单，防止出现物流订单发单失败的情况，提升用户体验感。
请参阅图4，本发明实施例中物流订单自动发单方法的第四个实施例包括：
401、当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
402、基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
403、获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
404、基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
405、获取所述各物流公司的专项服务信息，以及提取所述订单配置信息中的专项需求信息；
本实施例中，专项服务信息包括一对一配送服务、偏远地区配送服务、24h达配送服务、低价配送服务等，可以以向量坐标进行表示，专项需求信息则包括私人配送需求、夜间配送需求、次日达配送需求、价格需求等。
406、将所述项服务信息转化为的第一特征向量，以及将所述专项需求信息转化为的第二特征向量；
本实施例中，对于各专项服务信息与各专项需求信息，可以通过预先设定的规则进行向量转换即可。
407、将所述第一特征向量和所述第二特征向量输入预置物流专项匹配模型中，计算两者的专项匹配得分，并基于所述专项匹配得分，调整所述匹配得分；
本实施例中，物流公司匹配模型由CNN(Convolutional Neural Networks,卷积神经网络)预训练模型进行训练得到，其具体生成方式如下所示：
1、根据历史物流订单中的配送时效、配送运费、配送地址；
2、基于订单地址确定物流订单对象的收发范围，并确定各物流公司在收发范围内的全部配送端；
3、计算各物流公司从发货地址到配送端的一条或多条物流路线，并计算每一条物流路线的专项匹配得分，
4、基于专项匹配得分，对预训练模型进行迭代，直到模型损失小于预设阈值时停止，得到专项匹配模型。
另外，专项匹配得分包含正值与负值，将专项匹配得分与原匹配得分进行相加，即可得到调整后的匹配得分。
408、从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
本发明实施例中，详细介绍了物流订单要求特殊配送服务时，通过预置物流专项匹配模型计算物流订单与各公司的专项匹配得分，以调整原先的匹配得分，对于物流订单的配送需求考虑更全面，提升用户体验。
上面对本发明实施例中物流订单自动发单方法进行了描述，下面对本发明实施例中物流订单自动发单装置进行描述，请参阅图5，本发明实施例中物流订单自动发单装置一个实施例包括：
第一获取模块501，用于当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
创建模块502，用于基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
生成模块503，用于获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
计算模块504，用于基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
推送模块505，用于从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
本发明实施例中，通过提取订单配置信息中的特征信息，以及分别提取多个物流公司的各车辆调度信息；然后通过车辆调度信息构建各物流公司的配送结构树，其中配送结构树中带有配送区域节点和配送时间节点；接着将特征信息输入配送结构树中筛选各物流公司相对于物流订单的最佳配送路线，并计算物流订单与各最佳配送路线的匹配得分；最后筛选匹配得分最高的物流公司对物流订单进行发单操作。本发明提升了物流订单与物流公司的匹配优度，降低了物流成本。
请参阅图6，本发明实施例中物流订单自动发单装置的另一个实施例包括：
本发明第二方面提供了一种物流订单自动发单装置，包括：
第一获取模块501，用于当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
创建模块502，用于基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
生成模块503，用于获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
计算模块504，用于基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
推送模块505，用于从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
具体的，所述物流订单自动发单装置还包括：
第二获取模块506，用于获取所述物流订单的配送时间；
预测模块507，用于将所述配送时间输入预置订单量预测模型，预测各物流公司在所述配送时间的订单量；
第一调整模块508，用于基于所述订单量，调整所述物流公司排序表中的各物流公司的排序顺序。
具体的，所述推送模块包括：
排序单元5051，用于根据所述各匹配得分由高至低，对所述各物流公司进行排序，得到对应的物流公司排序表；
选取单元5052，用于从所述物流公司排序表中选取当前排序最靠前的物流公司，并基于所述物流订单，向当前排序最靠前的物流公司进行下单操作；
监听单元5053，用于监听所述物流订单的订单状态，当监听到所述订单状态为下单成功时，则确定所述物流订单发单成功；
筛除单元5054，用于当监听到所述订单状态为下单失败时，则筛除当前排序最靠前的物流公司，得到新的物流公司排序表；
跳转单元5055，用于跳转至“从所述物流公司排序表中选取当前排序最靠前的物流公司”的步骤，直到监听到所述订单状态为下单成功时停止跳转，确定所述物流订单发单成功。
具体的，所述物流订单自动发单装置还包括：
第三获取模块509，用于获取多个历史物流订单，所述历史物流订单包含订单时间与对应的订单量标注；
第二生成模块510，用于根据所述各订单时间，生成历史物流订单的时间序列；
训练模块511，用于将历史物流订单的时间序列与对应的订单量标注作为训练样本，输入预设预训练模型，输出预测订单量；
第二计算模块512，用于根据所述订单量标注和所述预测订单量，计算所述预设预训练模型的模型损失值；
迭代模块513，用于基于所述模型损失值，对所述预训练模型进行迭代，直到所述模型损失值小于预设损失阈值时停止迭代，得到订单量预测模型。
具体的，所述物流订单自动发单装置还包括：
提取模块514，用于获取所述各物流公司的专项服务信息，以及提取所述订单配置信息中的专项需求信息；
转化模块515，用于将所述项服务信息转化为的第一特征向量，以及将所述专项需求信息转化为的第二特征向量；
第二调整模块516，用于将所述第一特征向量和所述第二特征向量输入预置物流专项匹配模型中，计算两者的专项匹配得分，并基于所述专项匹配得分，调整所述匹配得分。
可选的，在一实施例中，所述订单配置信息还存储于区块链中。
本发明实施例中，通过订单量预测模型，预测在配送时间各物流公司的订单量，以对比各物流公司的订单吞吐量与当前配送时间各物流公司的订单量，确定当前配送时间是否会影响各物流公司对物流订单的配送效率，优化物流订单与物流公司的匹配度；然后详细介绍了在物流公司无法对物流订单进行发单时，顺序筛选下一各最高匹配程度的物流公司进行发单，防止出现物流订单发单失败的情况；并详细介绍了物流订单要求特殊配送服务时，通过预置物流专项匹配模型计算物流订单与各公司的专项匹配得分，以调整原先的匹配得分，对于物流订单的配送需求考虑更全面，提升用户体验。
上面图5和图6从模块化功能实体的角度对本发明实施例中的物流订单自动发单装置进行详细描述，下面从硬件处理的角度对本发明实施例中物流订单自动发单设备进行详细描述。
图7是本发明实施例提供的一种物流订单自动发单设备的结构示意图，该物流订单自动发单设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对物流订单自动发单设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在物流订单自动发单设备700上执行存储介质730中的一系列指令操作。
物流订单自动发单设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的物流订单自动发单设备结构并不构成对物流订单自动发单设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种物流订单自动发单设备，所述物流订单自动发单设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述指标编码生成方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述物流订单自动发单方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述，以上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。
Claims (10)
1.一种物流订单自动发单方法，其特征在于，所述物流订单自动发单方法包括：
当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
2.根据权利要求1所述的物流订单自动发单方法，其特征在于，所述从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作包括：
根据所述各匹配得分由高至低，对所述各物流公司进行排序，得到对应的物流公司排序表；
从所述物流公司排序表中选取当前排序最靠前的物流公司，并基于所述物流订单，向当前排序最靠前的物流公司进行下单操作；
监听所述物流订单的订单状态，当监听到所述订单状态为下单成功时，则确定所述物流订单发单成功；
当监听到所述订单状态为下单失败时，则筛除当前排序最靠前的物流公司，得到新的物流公司排序表；
跳转至“从所述物流公司排序表中选取当前排序最靠前的物流公司”的步骤，直到监听到所述订单状态为下单成功时停止跳转，确定所述物流订单发单成功。
3.根据权利要求1所述的物流订单自动发单方法，其特征在于，在所述从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作之前，还包括：
获取所述物流订单的配送时间与订单量预测模型；
将所述配送时间输入所述订单量预测模型，预测各物流公司在所述配送时间的订单量；
基于所述订单量，调整所述物流公司排序表中的各物流公司的排序顺序。
4.根据权利要求3所述的物流订单自动发单方法，其特征在于，所述订单量预测模型的生成方法包括：
获取多个历史物流订单，所述历史物流订单包含订单时间与对应的订单量标注；
根据所述各订单时间，生成历史物流订单的时间序列；
将历史物流订单的时间序列与对应的订单量标注作为训练样本，输入预设预训练模型，输出预测订单量；
根据所述订单量标注和所述预测订单量，计算所述预设预训练模型的模型损失值；
基于所述模型损失值，对所述预训练模型进行迭代，直到所述模型损失值小于预设损失阈值时停止迭代，得到订单量预测模型。
5.根据权利要求1-4所述的物流订单自动发单方法，其特征在于，在所述基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分之后，还包括：
获取所述各物流公司的专项服务信息，以及提取所述订单配置信息中的专项需求信息；
将所述项服务信息转化为的第一特征向量，以及将所述专项需求信息转化为的第二特征向量；
将所述第一特征向量和所述第二特征向量输入预置物流专项匹配模型中，计算两者的专项匹配得分，并基于所述专项匹配得分，调整所述匹配得分。
6.根据权利要求1所述的物流订单自动发单方法，其特征在于，所述订单配置信息还存储于区块链中。
7.一种物流订单自动发单装置，其特征在于，所述物流订单自动发单装置包括：
第一获取模块，用于当监听到商户客户端发起的订单创建请求时，获取所述订单创建请求对应的订单配置信息；
创建模块，用于基于所述配置信息创建物流订单，以及提取所述订单配置信息中的订单特征信息；
生成模块，用于获取多个物流公司的车辆调度信息，并基于所述车辆调度信息，生成各物流公司配送路线的配送结构树；
计算模块，用于基于所述订单特征信息，从所述配送结构树筛选出所述物流订单在各物流公司中的最佳配送路线，并基于所述各最佳配送路线，计算所述物流订单与各物流公司的匹配得分；
推送模块，用于从所述各物流公司中筛选匹配得分最高的物流公司，对所述物流订单执行发单操作。
8.根据权利要求7所述的物流订单自动发单方法，其特征在于，所述物流订单自动发单装置还包括：
第二获取模块，用于获取所述物流订单的配送时间；
预测模块，用于将所述配送时间输入预置订单量预测模型，预测各物流公司在所述配送时间的订单量；
调整模块，用于基于所述订单量，调整所述物流公司排序表中的各物流公司的排序顺序。
9.一种物流订单自动发单设备，其特征在于，所述物流订单自动发单设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流订单自动发单设备执行如权利要求1-6中任一项所述的物流订单自动发单方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，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1-6中任一项所述的物流订单自动发单方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011189495.9A CN112308514A (zh) | 2020-10-30 | 2020-10-30 | 物流订单自动发单方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011189495.9A CN112308514A (zh) | 2020-10-30 | 2020-10-30 | 物流订单自动发单方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112308514A true CN112308514A (zh) | 2021-02-02 |
Family
ID=74333539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011189495.9A Pending CN112308514A (zh) | 2020-10-30 | 2020-10-30 | 物流订单自动发单方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308514A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200118071A1 (en) * | 2018-10-13 | 2020-04-16 | Walmart Apollo, Llc | Delivery prediction generation system |
| CN116596170A (zh) * | 2023-07-18 | 2023-08-15 | 合肥城市云数据中心股份有限公司 | 一种基于时空注意力机制的送达时间智能预测方法 |
| CN117391574A (zh) * | 2023-11-06 | 2024-01-12 | 山东黑蜂智运物流科技有限公司 | 一种基于区块链的物流信息共享系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734390A (zh) * | 2018-05-07 | 2018-11-02 | 北京顺丰同城科技有限公司 | 一种订单配送的调度处理方法及装置 |
| CN110020759A (zh) * | 2018-01-09 | 2019-07-16 | 优信拍（北京）信息科技有限公司 | 一种订单分配方法、装置及系统 |
| CN110097320A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 订单预测方法和装置、物流系统及计算机可读介质 |
| CN110378656A (zh) * | 2019-07-25 | 2019-10-25 | 秒针信息技术有限公司 | 物流订单的匹配方法、装置、存储介质及电子装置 |
-
2020
- 2020-10-30 CN CN202011189495.9A patent/CN112308514A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020759A (zh) * | 2018-01-09 | 2019-07-16 | 优信拍（北京）信息科技有限公司 | 一种订单分配方法、装置及系统 |
| CN108734390A (zh) * | 2018-05-07 | 2018-11-02 | 北京顺丰同城科技有限公司 | 一种订单配送的调度处理方法及装置 |
| CN110097320A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 订单预测方法和装置、物流系统及计算机可读介质 |
| CN110378656A (zh) * | 2019-07-25 | 2019-10-25 | 秒针信息技术有限公司 | 物流订单的匹配方法、装置、存储介质及电子装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200118071A1 (en) * | 2018-10-13 | 2020-04-16 | Walmart Apollo, Llc | Delivery prediction generation system |
| CN116596170A (zh) * | 2023-07-18 | 2023-08-15 | 合肥城市云数据中心股份有限公司 | 一种基于时空注意力机制的送达时间智能预测方法 |
| CN116596170B (zh) * | 2023-07-18 | 2023-09-22 | 合肥城市云数据中心股份有限公司 | 一种基于时空注意力机制的送达时间智能预测方法 |
| CN117391574A (zh) * | 2023-11-06 | 2024-01-12 | 山东黑蜂智运物流科技有限公司 | 一种基于区块链的物流信息共享系统 |
| CN117391574B (zh) * | 2023-11-06 | 2024-05-10 | 山东黑蜂智运物流科技有限公司 | 一种基于区块链的物流信息共享系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308514A (zh) | 物流订单自动发单方法、装置、设备及存储介质 | |
| US11053076B1 (en) | Carton induction optimization in order fulfillment picking system | |
| CN108734344B (zh) | 订单配送预测方法、装置、设备及计算机可读存储介质 | |
| CN109284948A (zh) | 物流对象选择方法、物流对象选择装置和电子装置 | |
| AU2020264282A1 (en) | Systems and methods for optimization of a product inventory by intelligent adjustment of inbound purchase orders | |
| Wihartiko et al. | Integer programming model for optimizing bus timetable using genetic algorithm | |
| CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
| KR102508478B1 (ko) | 선박의 통합 자재 관리 장치와 방법 | |
| CN109063935A (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
| JP7136938B2 (ja) | アウトバウンド予測のためのシステムおよび方法 | |
| CN114742484B (zh) | 信息技术服务需求的处理方法、系统、设备和介质 | |
| CN113850651A (zh) | 一种线下门店配货方法及相关设备 | |
| US20040133458A1 (en) | Distribution scheduling system and method | |
| CN112070423A (zh) | 库存预占方法、装置、电子设备及存储介质 | |
| CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
| CN112215444B (zh) | 基于分布曲线的预测方法、装置、设备及存储介质 | |
| CN109784593A (zh) | 用于多层仓库的产能均衡处理方法和装置 | |
| Momenikiyai et al. | A BI-OBJECTIVE MATHEMATICAL MODEL FOR INVENTORYDISTRIBUTION-ROUTING PROBLEM UNDER RISK POOLING EFFECT: ROBUST META-HEURISTICS APPROACH. | |
| CN115345551A (zh) | 货量预测方法、装置、设备及存储介质 | |
| CN114971922A (zh) | 车辆勘察的定损方法、装置、设备及存储介质 | |
| CN111311150B (zh) | 配送任务分组方法、平台、电子设备及存储介质 | |
| CN114493418A (zh) | 派件员分配方法、装置、计算机设备和存储介质 | |
| CN113869780A (zh) | 基于风险因子的等级计算方法、装置、设备及存储介质 | |
| CN113222500A (zh) | 包裹配送方法、系统及计算机可读存储介质 | |
| CN114580692A (zh) | 配送路径生成方法、装置、设备及存储介质 |
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 |