CN112541716A - 选择待配送任务节点的方法、装置、存储介质和电子设备 - Google Patents
选择待配送任务节点的方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112541716A CN112541716A CN201910894079.XA CN201910894079A CN112541716A CN 112541716 A CN112541716 A CN 112541716A CN 201910894079 A CN201910894079 A CN 201910894079A CN 112541716 A CN112541716 A CN 112541716A
- Authority
- CN
- China
- Prior art keywords
- task node
- distribution task
- distribution
- delivery
- distributor
- 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 48
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 274
- 239000013598 vector Substances 0.000 claims abstract description 173
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003446 memory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种选择待配送任务节点的方法、装置、存储介质和电子设备,该方法包括:获取配送员当前的配送任务节点集合,并生成配送员当前的配送任务特征向量;将配送员的配送任务特征向量输入预测模型,得到预测模型输出的配送员的下一个目标配送任务节点的预测配送任务特征向量;从配送任务节点集合中确定满足配送条件的候选配送任务节点集合;计算候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与预测配送任务特征向量之间的相似度;基于相似度从候选配送任务节点集合中选择配送员的下一个目标配送任务节点。用于解决相关技术中,随着配送任务节点的增加,迭代次数会出现指数级增长导致计算时间大大增加的技术问题。
Description
技术领域
本公开涉及信息处理技术领域,具体地,涉及一种选择待配送任务节点的方法、装置、存储介质和电子设备。
背景技术
随着网络技术的发展,外卖业务也逐渐从电话预定的方式向网络预定的方式转变,消费者可以通过手机等终端在外卖平台上订购所需的商品,然后由配送员将订购的商品配送至对应的订购者手中,使得消费者足不出户就可以购买到线下商店中的商品。
相关技术中,为了规划配送员的配送路线,以最小化配送路径中所有配送任务节点的超时时长与路径总路程之和为目标,基于运筹优化算法进行计算,但由于采用较多的前向后向迭代,因此随着配送任务节点的增加,迭代次数会出现指数级增长,进而大大增加规划配送路线的计算时间。
发明内容
本公开的目的是提供一种选择待配送任务节点的方法、装置、存储介质和电子设备,用于解决相关技术中,基于运筹优化算法计算配送路线时,随着配送任务节点的增加,迭代次数会出现指数级增长,进而大大增加规划配送路线的计算时间的技术问题。
为了实现上述目的,本公开实施例的第一方面,提供一种选择待配送任务节点的方法,所述方法包括:
获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量;
将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量;
从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合;
计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度;
基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。
可选地,生成所述配送员当前的配送任务特征向量,包括:
在首次预测配送员的下一个目标配送任务节点时,根据以下信息中的一个或多个信息生成所述配送员当前的配送任务特征向量:所述配送员已接收的订单信息、所述配送员的位置信息和配送区域的特征信息。
可选地,所述方法还包括:
在确定所述配送员的下一个目标配送任务节点的情况下,将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量;
返回执行将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量的步骤,直到将所述配送任务节点集合中的每一配送任务节点确定为目标配送任务节点。
可选地,所述方法还包括:
在确定所述配送员的下一个目标配送任务节点的情况下,判断所述配送员是否达到该目标配送任务节点;
若确定所述配送员到达该目标配送任务节点,则将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量;
若确定所述配送员未到达该目标配送任务节点,则将所述配送员实际到达的目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量;
返回执行将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量的步骤,直到将所述配送任务节点集合中的每一配送任务节点确定为目标配送任务节点。
可选地,获取配送员当前的配送任务节点集合,包括:
根据所述配送员已接收的订单的取货地址和收货地址组成所述配送任务节点集合;相应地,
所述从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合,包括:
从删除所述配送员已完成的配送任务节点的配送任务节点集合中,删除与该配送任务节点集合中的配送任务节点的取货地址对应的收货地址所属的配送任务节点,以得到所述候选配送任务节点集合。
可选地,计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度,包括:
计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的内积;相应地,
所述基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点,包括:
对所述内积进行softmax函数运算,得到对应于每一个所述候选配送任务节点的概率;
确定值最大的概率对应的候选配送任务节点为所述配送员的下一个配送任务节点。
可选地,所述预测模型为LSTM模型;所述预测模型的每个训练样本数据包括历史配送路径中的任一上游配送任务节点的配送任务特征向量与该上游配送任务节点的下一个配送任务节点的配送任务特征向量。
本公开实施例的第二方面,提供一种选择待配送任务节点的装置,所述装置包括:
获取生成模块,被配置为获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量;
预测模块,被配置为将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量;
确定模块,被配置为从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合;
计算模块,被配置为计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度;
选择模块,被配置为基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。
可选地,所述获取生成模块被配置为:
在首次预测配送员的下一个目标配送任务节点时,根据以下信息中的一个或多个信息生成所述配送员当前的配送任务特征向量:所述配送员已接收的订单信息、所述配送员的位置信息和配送区域的特征信息。
可选地,所述装置还包括:
第一配送任务特征向量生成模块,被配置为在确定所述配送员的下一个目标配送任务节点的情况下,将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量。
可选地,所述装置还包括:
判断模块,被配置为在确定所述配送员的下一个目标配送任务节点的情况下,判断所述配送员是否达到该目标配送任务节点;
第二配送任务特征向量生成模块,被配置为在确定所述配送员到达该目标配送任务节点时,将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量;
第三配送任务特征向量生成模块,被配置为在确定所述配送员未到达该目标配送任务节点时,将所述配送员实际到达的目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量。
可选地,所述获取生成模块被配置为:
根据所述配送员已接收的订单的取货地址和收货地址组成所述配送任务节点集合;相应地,
所述确定模块被配置为:
从删除所述配送员已完成的配送任务节点的配送任务节点集合中,删除与该配送任务节点集合中的配送任务节点的取货地址对应的收货地址所属的配送任务节点,以得到所述候选配送任务节点集合。
可选地,所述计算模块被配置为:
计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的内积;相应地,
所述选择模块被配置为:
对所述内积进行softmax函数运算,得到对应于每一个所述候选配送任务节点的概率;
确定值最大的概率对应的候选配送任务节点为所述配送员的下一个配送任务节点。
可选地,所述预测模型为LSTM模型;所述预测模型的每个训练样本数据包括历史配送路径中的任一上游配送任务节点的配送任务特征向量与该上游配送任务节点的下一个配送任务节点的配送任务特征向量。
本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中任一项所述方法的步骤。
通过上述技术方案,获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量;将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量;从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合;计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度;基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。通过不断得到下一个目标配送任务节点,进而可以一次性生成配送路线,无需进行反复迭代,即使配送任务节点增加,计算量也不会出现指数级增加,减少了计算时间,加快了配送路线的生成速度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种选择待配送任务节点的方法的流程图。
图2是根据一示例性实施例示出的一种选择待配送任务节点的方法的另一流程图。
图3是根据一示例性实施例示出的一种选择待配送任务节点的方法的另一流程图。
图4是根据一示例性实施例示出的一种选择待配送任务节点的装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种电子设备的另一框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性实施例示出的一种选择待配送任务节点的方法的流程图,如图1所示,该方法包括:
S11,获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量。
具体来讲,配送任务节点包括表征该任务为前往商家取商品或前往用户处送商品的状态信息,以及表征该配送任务所属的订单的订单标识信息,对于任一订单,均对应一个前述的取商品的配送任务节点和一个前述的送商品的配送任务节点,取商品的配送任务节点的地址和送商品的配送任务节点的地址可能不同。举例来讲,对于某一外卖订单A,对应的配送任务节点包括订单A对应的取外卖的配送任务节点,以及订单A对应的送外卖的配送任务节点。
进一步,配送任务节点集合即多个配送任务节点的集合,例如一配送任务节点集合可以包括订单A对应的取商品的配送任务节点,订单A对应的送商品的配送任务节点,订单B对应的取商品的配送任务节点,订单B对应的送商品的配送任务节点。用户通过终端如手机或电脑下单后,配送员可以在自己的终端如手机上选择要配送的订单,进而基于已选择的订单生成配送任务节点集合。当然,另一种可能的实施方式中,配送员在自己的终端如手机上选择要配送的订单后,该终端可以将该配送员选择的订单发送至服务器,由服务器生成该配送员当前的配送任务节点集合。
对于配送任务特征向量的生成方式,可选地,在步骤S11中,生成所述配送员当前的配送任务特征向量,包括:
在首次预测配送员的下一个目标配送任务节点时,根据以下信息中的一个或多个信息生成所述配送员当前的配送任务特征向量:所述配送员已接收的订单信息、所述配送员的位置信息和配送区域的特征信息。
具体来讲,在预测配送员的第一个目标配送任务节点时,可以将该配送员已接收的订单信息、所述配送员的位置信息和配送区域的特征信息中的至少一者作为配送任务特征向量的元素,生成配送任务特征向量。其中,订单信息可以包括接收订单的时间信息,价格信息等,配送员的位置信息可以包括配送员所在位置的经纬度信息,配送区域可以由人为预先划分,例如将单个或多个住宅小区作为一个配送区域。对于配送任务特征向量的具体元素,本公开不做具体限制,只要其能表征配送任务的特征信息即可,例如其元素还可以包括配送员发起生成配送路径的请求时的时间信息。
对于配送任务特征向量的生成方式,可选地,参见图2中的步骤S26,在确定所述配送员的下一个目标配送任务节点的情况下,将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量。
参照上述描述,可以将配送员已接收的订单信息、配送员的位置信息和配送区域的特征信息中的至少一者作为目标配送任务节点的配送任务特征向量。
S12,将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量。
可选地,所述预测模型为LSTM模型;所述预测模型的每个训练样本数据包括历史配送路径中的任一上游配送任务节点的配送任务特征向量与该上游配送任务节点的下一个配送任务节点的配送任务特征向量。
LSTM(Long Short-Term Memory,长短时记忆网络)模型,是一种时间循环神经网络,对于长序列的数据处理具有较好的特征记忆效果,能将多个配送任务节点之间的特征信息进行传递,因此采用LSTM模型对于包含较多配送任务节点的配送任务节点集合具有较好的处理效果。在训练预测模型例如上述LSTM模型时,可以将挑选出的有经验的配送员的历史配送路径中的配送任务节点的配送任务特征向量,以及各个配送任务节点之间的关系如先后顺序输入预测模型中进行训练,有助于得到输出结果更准确的预测模型。对于预测模型的具体形式,本公开不做具体限制,例如可以采用其他神经网络模型。
在步骤S12中,将配送员的配送任务特征向量输入预测模型,例如LSTM模型,预测模型输出预测配送任务特征向量,用于表征下一个目标配送任务节点。
S13,从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合。
配送条件可以预先设置,举例来讲,对于同一订单的取商品的配送任务节点和送商品的配送任务节点,送商品的配送任务节点必然发生在对应的取商品的配送任务节点之后。
可选地,在步骤S11中,获取配送员当前的配送任务节点集合,包括:
根据所述配送员已接收的订单的取货地址和收货地址组成所述配送任务节点集合。
相应地,在步骤S13中,从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合,包括:
从删除所述配送员已完成的配送任务节点的配送任务节点集合中,删除与该配送任务节点集合中的配送任务节点的取货地址对应的收货地址所属的配送任务节点,以得到所述候选配送任务节点集合。
沿用上述例子,配送任务节点集合包括订单A对应的取商品的配送任务节点(以下简称A取),订单A对应的送商品的配送任务节点(以下简称A送),订单B对应的取商品的配送任务节点(以下简称B取),订单B对应的送商品的配送任务节点(以下简称B送),若配送员当前已完成“A取”,则删除所述配送员已完成的配送任务节点“A取”的配送任务节点集合包括“A送”,“B取”,“B送”,进一步,由于只有完成了“B取”,才能完成“B送”,进而再删除“B送”,得到候选配送任务节点集合,仅包括“A送”,“B取”。
通过删除已完成的配送任务节点,以及删除与配送任务节点集合中的配送任务节点的取货地址对应的收货地址所属的配送任务节点,去除冗余的无效任务节点,减少计算量,加快计算速度。
S14,计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度。
S15,基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。
可选地,在步骤S14中,计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度,包括:
计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的内积。
具体来讲,通过内积表征候选配送任务节点的配送任务特征向量与预测配送任务特征向量之间的相似度。
相应地,在步骤S15中,基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点,包括:
对所述内积进行softmax函数运算,得到对应于每一个所述候选配送任务节点的概率;
确定值最大的概率对应的候选配送任务节点为所述配送员的下一个配送任务节点。
具体来讲,softmax函数用于将内积转化为相对概率,其具体运算过程属于现有技术,本公开不做赘述。在得到应于每一个所述候选配送任务节点的概率后,选择概率值最大的候选配送任务节点为所述配送员的下一个配送任务节点,如此可以选择出合适的下一个配送任务节点。通过内积表征相似度,以更好的衡量候选配送任务节点的配送任务特征向量与预测配送任务特征向量的各元素之间的关系,将内积转化为概率可以更直观地表征相似度。
通过上述技术方案,获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量;将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量;从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合;计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度;基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。通过不断得到下一个目标配送任务节点,进而可以一次性生成配送路线,无需进行反复迭代,即使配送任务节点增加,计算量也不会出现指数级增加,减少了计算时间,加快了配送路线的生成速度。
具体来讲,在每次选择下一个目标配送任务节点时,主要基于配送员当前的配送任务特征向量对应的预测配送任务特征向量与每一候选配送任务节点的配送任务特征向量之间的相似度进行,并不必然涉及对所有配送任务节点的计算,因此即使配送任务节点数量增加,其增加的计算量也主要来自于增加的目标配送任务节点的选择过程,而无需对所有的配送任务节点进行迭代计算,故其计算时间大大减少。
图2是根据一示例性实施例示出的一种选择待配送任务节点的方法的另一流程图,如图2所示,该方法包括:
S21,获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量。
S22,将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量。
S23,从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合。
S24,计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度。
S25,基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。
S26,在确定所述配送员的下一个目标配送任务节点的情况下,将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量。
在完成步骤S26后,判断是否已将配送任务节点集合中的每一配送任务节点确定为目标配送任务节点,如图2所示,若判定为否,还存在未确定为目标配送任务节点的配送任务节点,则返回执行将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量的步骤S22,直到将所述配送任务节点集合中的每一配送任务节点确定为目标配送任务节点,以得到完整的包含每一配送任务节点的配送路径。另一方面,若判定为是,则可以直接停止该方法流程,将得到的完整的包含每一配送任务节点的配送路径输出(为简化附图,图2中未示出判定为是的流程分支)。将上述目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量,进而用于下一次配送任务节点的计算,使得下一次确定目标配送任务节点时,无需再次计算配送任务节点的配送任务特征向量,减小计算量。
图3是根据一示例性实施例示出的一种选择待配送任务节点的方法的另一流程图,如图3所示,该方法包括:
S31,获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量。
S32,将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量。
S33,从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合。
S34,计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度。
S35,基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。
S36,在确定所述配送员的下一个目标配送任务节点的情况下,判断所述配送员是否达到该目标配送任务节点。
S37,若确定所述配送员到达该目标配送任务节点,则将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量。
S38,若确定所述配送员未到达该目标配送任务节点,则将所述配送员实际到达的目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量。
在完成步骤S38后,判断是否已将配送任务节点集合中的每一配送任务节点确定为目标配送任务节点,如图3所示,若判定为否,还存在未确定为目标配送任务节点的配送任务节点,返回执行将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量的步骤S32,直到将所述配送任务节点集合中的每一配送任务节点确定为目标配送任务节点,以得到完整的包含每一配送任务节点的配送路径。另一方面,若判定为是,则可以直接停止该方法流程,将得到的完整的包含每一配送任务节点的配送路径输出(为简化附图,图3中未示出判定为是的流程分支)。
通过获取配送员的位置,在上述步骤S36中判断配送员是否达到该目标配送任务节点,并对于步骤S37中的到达和步骤S38中的未到达两种情况,分别确定不同的配送任务特征向量,使得配送员的实际配送路径与规划的配送路径发生偏差时,可以根据配送员实际到达的配送任务节点进行调整,进而使得实际配送路径更加符合实际的配送状况。
图4是根据一示例性实施例示出的一种选择待配送任务节点的装置的框图,如图4所示,所述装置100包括:
获取生成模块110,被配置为获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量;
预测模块120,被配置为将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量;
确定模块130,被配置为从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合;
计算模块140,被配置为计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度;
选择模块150,被配置为基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。
通过上述技术方案,获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量;将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量;从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合;计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度;基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。通过不断得到下一个目标配送任务节点,进而可以一次性生成配送路线,无需进行反复迭代,即使配送任务节点增加,计算量也不会出现指数级增加,减少了计算时间,加快了配送路线的生成速度。
可选地,所述获取生成模块110被配置为:
在首次预测配送员的下一个目标配送任务节点时,根据以下信息中的一个或多个信息生成所述配送员当前的配送任务特征向量:所述配送员已接收的订单信息、所述配送员的位置信息和配送区域的特征信息。
可选地,所述装置100还包括:
第一配送任务特征向量生成模块,被配置为在确定所述配送员的下一个目标配送任务节点的情况下,将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量。
将上述目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量,进而用于下一次配送任务节点的计算,使得下一次确定目标配送任务节点时,无需再次计算配送任务节点的配送任务特征向量,减小计算量。
可选地,所述装置100还包括:
判断模块,被配置为在确定所述配送员的下一个目标配送任务节点的情况下,判断所述配送员是否达到该目标配送任务节点;
第二配送任务特征向量生成模块,被配置为在确定所述配送员到达该目标配送任务节点时,将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量;
第三配送任务特征向量生成模块,被配置为在确定所述配送员未到达该目标配送任务节点时,将所述配送员实际到达的目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量。
通过获取配送员的位置,判断配送员是否达到该目标配送任务节点,并对于到达与未到达两种情况,分别确定不同的配送任务特征向量使得配送员的实际配送路径与规划的配送路径发生偏差时,可以根据配送员实际到达的配送任务节点进行调整,使得实际配送路径更加符合实际的配送状况。
可选地,所述获取生成模块110被配置为:
根据所述配送员已接收的订单的取货地址和收货地址组成所述配送任务节点集合;相应地,
所述确定模块130被配置为:
从删除所述配送员已完成的配送任务节点的配送任务节点集合中,删除与该配送任务节点集合中的配送任务节点的取货地址对应的收货地址所属的配送任务节点,以得到所述候选配送任务节点集合。
通过删除已完成的配送任务节点,以及删除与配送任务节点集合中的配送任务节点的取货地址对应的收货地址所属的配送任务节点,去除冗余的无效任务节点,减少计算量,加快计算速度。
可选地,所述计算模块140被配置为:
计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的内积;相应地,
所述选择模块150被配置为:
对所述内积进行softmax函数运算,得到对应于每一个所述候选配送任务节点的概率;
确定值最大的概率对应的候选配送任务节点为所述配送员的下一个配送任务节点。
通过内积表征相似度,以更好的衡量候选配送任务节点的配送任务特征向量与预测配送任务特征向量的各元素之间的关系,将内积转化为概率可以直观的表征相似度。
可选地,所述预测模型为LSTM模型;所述预测模型的每个训练样本数据包括历史配送路径中的任一上游配送任务节点的配送任务特征向量与该上游配送任务节点的下一个配送任务节点的配送任务特征向量。
LSTM(Long Short-Term Memory,长短时记忆网络)模型,是一种时间循环神经网络,对于长序列的数据处理具有较好的特征记忆效果,能将多个配送任务节点之间的特征信息进行传递,因此采用LSTM模型对于包含较多配送任务节点的配送任务节点集合具有较好的处理效果。在训练预测模型例如上述LSTM模型时,可以将挑选出的有经验的配送员的历史配送路径中的配送任务节点的配送任务特征向量,以及各个配送任务节点之间的关系如先后顺序输入预测模型中进行训练,有助于得到输出结果更准确的预测模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备的框图。如图5所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的选择待配送任务节点的方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如订单信息等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(StaticRandom Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的选择待配送任务节点的方法。
图6是根据一示例性实施例示出的一种电子设备的另一框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的选择待配送任务节点的方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
需要说明的是,若电子设备为如图5所示的终端,则可以由终端如手机直接以无线通讯的方式获取配送员的配送任务节点集合,执行步骤S11至步骤S15,并可以将得到的下一个目标配送任务节点于该终端以显示等方式输出。若电子设备为如图6所示的服务器,则可以获取由终端发送的配送员的配送任务节点集合,并在执行步骤S11至步骤S15得到下一个目标配送任务节点后,将该下一个目标配送任务节点发送至终端以显示等方式输出。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的选择待配送任务节点的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702或存储器1932,上述程序指令可对应由电子设备700的处理器701执行以完成上述的选择待配送任务节点的方法,或由电子设备1900的处理器1922执行以完成上述的选择待配送任务节点的方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的选择待配送任务节点的方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种选择待配送任务节点的方法,其特征在于,所述方法包括:
获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量;
将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量;
从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合;
计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度;
基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。
2.根据权利要求1所述的方法,其特征在于,生成所述配送员当前的配送任务特征向量,包括:
在首次预测配送员的下一个目标配送任务节点时,根据以下信息中的一个或多个信息生成所述配送员当前的配送任务特征向量:所述配送员已接收的订单信息、所述配送员的位置信息和配送区域的特征信息。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在确定所述配送员的下一个目标配送任务节点的情况下,将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量;
返回执行将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量的步骤,直到将所述配送任务节点集合中的每一配送任务节点确定为目标配送任务节点。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在确定所述配送员的下一个目标配送任务节点的情况下,判断所述配送员是否达到该目标配送任务节点;
若确定所述配送员到达该目标配送任务节点,则将该目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量;
若确定所述配送员未到达该目标配送任务节点,则将所述配送员实际到达的目标配送任务节点的配送任务特征向量作为所述配送员的配送任务特征向量;
返回执行将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量的步骤,直到将所述配送任务节点集合中的每一配送任务节点确定为目标配送任务节点。
5.根据权利要求1-4任一项所述的方法,其特征在于,获取配送员当前的配送任务节点集合,包括:
根据所述配送员已接收的订单的取货地址和收货地址组成所述配送任务节点集合;相应地,
所述从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合,包括:
从删除所述配送员已完成的配送任务节点的配送任务节点集合中,删除与该配送任务节点集合中的配送任务节点的取货地址对应的收货地址所属的配送任务节点,以得到所述候选配送任务节点集合。
6.根据权利要求1-4任一项所述的方法,其特征在于,计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度,包括:
计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的内积;相应地,
所述基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点,包括:
对所述内积进行softmax函数运算,得到对应于每一个所述候选配送任务节点的概率;
确定值最大的概率对应的候选配送任务节点为所述配送员的下一个配送任务节点。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述预测模型为LSTM模型;所述预测模型的每个训练样本数据包括历史配送路径中的任一上游配送任务节点的配送任务特征向量与该上游配送任务节点的下一个配送任务节点的配送任务特征向量。
8.一种选择待配送任务节点的装置,其特征在于,所述装置包括:
获取生成模块,被配置为获取配送员当前的配送任务节点集合,并生成所述配送员当前的配送任务特征向量;
预测模块,被配置为将所述配送员的配送任务特征向量输入预测模型,得到所述预测模型输出的所述配送员的下一个目标配送任务节点的预测配送任务特征向量;
确定模块,被配置为从所述配送任务节点集合中确定满足配送条件的候选配送任务节点集合;
计算模块,被配置为计算所述候选配送任务节点集合中每一候选配送任务节点的配送任务特征向量分别与所述预测配送任务特征向量之间的相似度;
选择模块,被配置为基于所述相似度从所述候选配送任务节点集合中选择所述配送员的下一个目标配送任务节点。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894079.XA CN112541716A (zh) | 2019-09-20 | 2019-09-20 | 选择待配送任务节点的方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894079.XA CN112541716A (zh) | 2019-09-20 | 2019-09-20 | 选择待配送任务节点的方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541716A true CN112541716A (zh) | 2021-03-23 |
Family
ID=75012565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910894079.XA Pending CN112541716A (zh) | 2019-09-20 | 2019-09-20 | 选择待配送任务节点的方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541716A (zh) |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104567905A (zh) * | 2014-12-25 | 2015-04-29 | 深圳国泰安教育技术股份有限公司 | 一种车辆规划路径的生成方法、装置 |
CN105938585A (zh) * | 2016-04-12 | 2016-09-14 | 湖南卓跃生物技术开发有限公司 | 一种基于云技术的鲜奶配送系统 |
CN106779529A (zh) * | 2016-11-23 | 2017-05-31 | 合肥壹客送网络科技有限公司 | 一种商品货物配送方法及系统 |
CN107180276A (zh) * | 2017-05-23 | 2017-09-19 | 大连海事大学 | 一种o2o外卖平台智能调度与路线优化方法 |
JP2017165509A (ja) * | 2016-03-14 | 2017-09-21 | Sbsロジコム株式会社 | 運送管理システム |
CN107203789A (zh) * | 2017-06-23 | 2017-09-26 | 北京小度信息科技有限公司 | 分配模型建立方法、分配方法以及相关装置 |
CN107274125A (zh) * | 2017-06-08 | 2017-10-20 | 北京惠赢天下网络技术有限公司 | 配送商订单的处理方法、装置、服务器及订单分配系统 |
CN107844933A (zh) * | 2017-09-21 | 2018-03-27 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
CN107886245A (zh) * | 2017-11-10 | 2018-04-06 | 北京小度信息科技有限公司 | 订单推送方法和装置 |
CN108154327A (zh) * | 2016-12-02 | 2018-06-12 | 北京三快在线科技有限公司 | 一种配送任务处理方法、装置及电子设备 |
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 |
KR20180124526A (ko) * | 2017-05-12 | 2018-11-21 | 카페24 주식회사 | 택배서비스 운영 방법 및 장치, 통합 택배 서비스 시스템 |
CN109146203A (zh) * | 2018-09-28 | 2019-01-04 | 北京顺丰同城科技有限公司 | 订单配送信息预测方法、装置、电子设备及存储介质 |
CN109214613A (zh) * | 2017-06-29 | 2019-01-15 | 北京京东尚科信息技术有限公司 | 一种自动分配任务的方法、装置、电子设备以及存储介质 |
CN109214551A (zh) * | 2018-08-08 | 2019-01-15 | 北京三快在线科技有限公司 | 一种配送调度方法及装置 |
CN109376942A (zh) * | 2018-11-12 | 2019-02-22 | 达疆网络科技(上海)有限公司 | 订单处理方法、存储介质和装置 |
CN109389237A (zh) * | 2017-08-08 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 一种路径规划方法及装置 |
CN109615133A (zh) * | 2018-12-10 | 2019-04-12 | 达疆网络科技(上海)有限公司 | 一种路径确定方法和装置 |
CN109726843A (zh) * | 2017-10-30 | 2019-05-07 | 阿里巴巴集团控股有限公司 | 配送数据预测的方法、装置和终端 |
CN109934368A (zh) * | 2017-12-15 | 2019-06-25 | 菜鸟智能物流控股有限公司 | 订单数量和订单状态的预测方法、装置及系统 |
CN109993382A (zh) * | 2017-12-29 | 2019-07-09 | 顺丰科技有限公司 | 快递员派送顺序推荐方法及系统 |
CN110110950A (zh) * | 2018-02-01 | 2019-08-09 | 北京京东振世信息技术有限公司 | 生成配送路区的方法、装置及计算机可读存储介质 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110210813A (zh) * | 2019-06-12 | 2019-09-06 | 拉扎斯网络科技(上海)有限公司 | 一种确定配送范围的方法、装置、电子设备及存储介质 |
CN110231044A (zh) * | 2019-06-10 | 2019-09-13 | 北京三快在线科技有限公司 | 一种路径规划方法及装置 |
CN110472910A (zh) * | 2019-07-22 | 2019-11-19 | 北京三快在线科技有限公司 | 确定目标配送任务节点的方法、装置及存储介质、电子设备 |
CN111738409A (zh) * | 2020-05-14 | 2020-10-02 | 华为技术有限公司 | 一种资源调度的方法及其相关设备 |
-
2019
- 2019-09-20 CN CN201910894079.XA patent/CN112541716A/zh active Pending
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104567905A (zh) * | 2014-12-25 | 2015-04-29 | 深圳国泰安教育技术股份有限公司 | 一种车辆规划路径的生成方法、装置 |
JP2017165509A (ja) * | 2016-03-14 | 2017-09-21 | Sbsロジコム株式会社 | 運送管理システム |
CN105938585A (zh) * | 2016-04-12 | 2016-09-14 | 湖南卓跃生物技术开发有限公司 | 一种基于云技术的鲜奶配送系统 |
CN106779529A (zh) * | 2016-11-23 | 2017-05-31 | 合肥壹客送网络科技有限公司 | 一种商品货物配送方法及系统 |
CN108154327A (zh) * | 2016-12-02 | 2018-06-12 | 北京三快在线科技有限公司 | 一种配送任务处理方法、装置及电子设备 |
KR20180124526A (ko) * | 2017-05-12 | 2018-11-21 | 카페24 주식회사 | 택배서비스 운영 방법 및 장치, 통합 택배 서비스 시스템 |
CN107180276A (zh) * | 2017-05-23 | 2017-09-19 | 大连海事大学 | 一种o2o外卖平台智能调度与路线优化方法 |
CN107274125A (zh) * | 2017-06-08 | 2017-10-20 | 北京惠赢天下网络技术有限公司 | 配送商订单的处理方法、装置、服务器及订单分配系统 |
CN107203789A (zh) * | 2017-06-23 | 2017-09-26 | 北京小度信息科技有限公司 | 分配模型建立方法、分配方法以及相关装置 |
CN109214613A (zh) * | 2017-06-29 | 2019-01-15 | 北京京东尚科信息技术有限公司 | 一种自动分配任务的方法、装置、电子设备以及存储介质 |
CN109389237A (zh) * | 2017-08-08 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 一种路径规划方法及装置 |
CN107844933A (zh) * | 2017-09-21 | 2018-03-27 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
CN109726843A (zh) * | 2017-10-30 | 2019-05-07 | 阿里巴巴集团控股有限公司 | 配送数据预测的方法、装置和终端 |
CN107886245A (zh) * | 2017-11-10 | 2018-04-06 | 北京小度信息科技有限公司 | 订单推送方法和装置 |
CN109934368A (zh) * | 2017-12-15 | 2019-06-25 | 菜鸟智能物流控股有限公司 | 订单数量和订单状态的预测方法、装置及系统 |
CN109993382A (zh) * | 2017-12-29 | 2019-07-09 | 顺丰科技有限公司 | 快递员派送顺序推荐方法及系统 |
CN110110950A (zh) * | 2018-02-01 | 2019-08-09 | 北京京东振世信息技术有限公司 | 生成配送路区的方法、装置及计算机可读存储介质 |
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 |
CN109214551A (zh) * | 2018-08-08 | 2019-01-15 | 北京三快在线科技有限公司 | 一种配送调度方法及装置 |
CN109146203A (zh) * | 2018-09-28 | 2019-01-04 | 北京顺丰同城科技有限公司 | 订单配送信息预测方法、装置、电子设备及存储介质 |
CN109376942A (zh) * | 2018-11-12 | 2019-02-22 | 达疆网络科技(上海)有限公司 | 订单处理方法、存储介质和装置 |
CN109615133A (zh) * | 2018-12-10 | 2019-04-12 | 达疆网络科技(上海)有限公司 | 一种路径确定方法和装置 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110231044A (zh) * | 2019-06-10 | 2019-09-13 | 北京三快在线科技有限公司 | 一种路径规划方法及装置 |
CN110210813A (zh) * | 2019-06-12 | 2019-09-06 | 拉扎斯网络科技(上海)有限公司 | 一种确定配送范围的方法、装置、电子设备及存储介质 |
CN110472910A (zh) * | 2019-07-22 | 2019-11-19 | 北京三快在线科技有限公司 | 确定目标配送任务节点的方法、装置及存储介质、电子设备 |
CN111738409A (zh) * | 2020-05-14 | 2020-10-02 | 华为技术有限公司 | 一种资源调度的方法及其相关设备 |
Non-Patent Citations (2)
Title |
---|
周越;朱希安;王占刚: "Dijkstra算法在矿井水灾动态避灾路径中的改进与应用", 煤炭工程, vol. 51, no. 3, 20 March 2019 (2019-03-20), pages 18 - 22 * |
王雪峰;: "连锁经营企业物流配送的集成库存-车辆路线问题", 上海交通大学学报, no. 06, 28 June 2009 (2009-06-28), pages 953 - 956 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222305B (zh) | 订单调度方法、装置、存储介质和电子设备 | |
US20160092969A1 (en) | Methods and systems for in-store fulfillment prioritization based on customer location | |
CN106844784A (zh) | 数据缓存方法、装置及计算机可读存储介质 | |
CN111199370A (zh) | 订单信息处理方法、装置、存储介质及电子设备 | |
CN103368869B (zh) | 网络流量管理系统及方法 | |
CN109389283B (zh) | 自动派件方法、装置、计算机设备及存储介质 | |
CN112697135B (zh) | 路径缩短方法、装置、无人设备及存储介质 | |
CN105335875A (zh) | 购买力预测方法和装置 | |
CN109190791A (zh) | 应用推荐模型的评估方法、装置及电子设备 | |
CN113361721A (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
US20190034865A1 (en) | Computer implemented system and method for estimating relocation cost | |
JP6910229B2 (ja) | 情報処理装置および信用度算出方法 | |
CN108667877B (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
CN115033211A (zh) | 基于策略模式的物品查询方法、装置、设备及存储介质 | |
CN117561517A (zh) | 用于在路线规划应用中预测交通状况的计算机实现的设备和方法 | |
CN109087107A (zh) | 基于分布式内存数据库的实时监控方法、系统及电子设备 | |
CN112541716A (zh) | 选择待配送任务节点的方法、装置、存储介质和电子设备 | |
CN109658187A (zh) | 推荐云服务商的方法、装置、存储介质及电子设备 | |
CN108898340A (zh) | 物流运费的计算方法及系统 | |
EP3407568A1 (en) | Service processing method and device | |
CN109948050B (zh) | 信息处理方法和装置,存储介质和电子设备 | |
CN115691206B (zh) | 车位推荐方法、装置、设备以及存储介质 | |
CN108804437B (zh) | 数据显示方法、装置、计算机可读存储介质及电子设备 | |
CN115695210A (zh) | 云服务器部署方法和装置、电子设备和存储介质 | |
CN114298870A (zh) | 一种路径规划方法、装置、电子设备及计算机可读介质 |
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 |