CN113034075A - 物流运单时效推送方法、系统、设备及存储介质 - Google Patents
物流运单时效推送方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113034075A CN113034075A CN202110332034.0A CN202110332034A CN113034075A CN 113034075 A CN113034075 A CN 113034075A CN 202110332034 A CN202110332034 A CN 202110332034A CN 113034075 A CN113034075 A CN 113034075A
- Authority
- CN
- China
- Prior art keywords
- pushed
- time length
- duration
- delivery
- predicted
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种物流运单时效推送方法、系统、设备及存储介质,该方法包括:采集待预测的物流运单数据,并从中提取待预测的物流运单特征;将所述待预测的物流运单特征输入送达时长预测模型,获取输出的送达时长预测结果,所述送达时长预测结果包括预测送达时长和对应的预测概率;确定所述预测送达时长中的最晚送达时长;根据推送时长筛选规则选择待推送时长;根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,并推送至用户端。本发明可以基于送达时长预测模型进行送达时长预测,并且在与用户端进行交互时,不仅推送最晚送达时长,同时推送选择的待推送时长和预测概率,以提供更多的信息预测和推送服务。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种物流运单时效推送方法、系统、设备及存储介质。
背景技术
在运单开始运送后,可以基于运单的情况对运算的预计送达日期进行预测。预测得到的预计送达日期可以推送给用户端,供用户查看和了解可能会送达的日期。然而,现有技术中针对于不稳定线路来说,预计送达日期的预测准确率比较低。虽然可以提供一个预测的最晚送达日期,但是部分运单有很大概率会在预测的最晚送达日期之前的某一天进行派件,导致预测结果不够准确,给用户体验也带来了不好的影响。
发明内容
针对现有技术中的问题,本发明的目的在于提供一种物流运单时效推送方法、系统、设备及存储介质,可以基于送达时长预测模型进行送达时长预测,并且在与用户端进行交互时,不仅推送最晚送达时长,同时推送选择的待推送时长和预测概率,以提供更多的信息预测和推送服务。
本发明实施例提供一种物流运单时效推送方法,包括如下步骤:
采集待预测的物流运单数据,并从中提取待预测的物流运单特征;
将所述待预测的物流运单特征输入送达时长预测模型,获取输出的送达时长预测结果,所述送达时长预测结果包括预测送达时长和对应的预测概率;
确定所述预测送达时长中的最晚送达时长;
根据推送时长筛选规则,从所述预测送达时长中选择待推送时长;
根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,并推送至用户端。
在一些实施例中,所述提取待预测的物流运单特征,包括如下步骤:
根据所述待预测的物流运单数据中的起始地和目的地,确定可选的运输轨迹;
根据预设特征提取规则,从所述可选的运输轨迹中提取运输轨迹特征,作为待预测的物流运单特征。
在一些实施例中,所述送达时长预测模型为基于历史物流运输数据训练得到的模型,所述方法还包括采用如下步骤训练所述送达时长预测模型:
采集历史物流运输数据,提取所述历史物流运输数据的运输轨迹特征,作为所述历史物流运输数据的物流运单特征;
基于所述历史物流运输数据的揽收时间和派送时间,计算送达时长;
基于计算得到的送达时长对所对应的物流运单特征进行标记;
基于标记后的物流运单特征训练所述送达时长预测模型。
在一些实施例中,确定所述预测送达时长中的最晚送达时长,包括如下步骤:
将所述预测送达时长按照时长从小到大进行排序;
从最小的预测送达时长起,向后依次累加各个预测送达时长的预测概率,至累加值大于第一阈值时,停止累加;
将最后一个累加的预测概率所对应的预测送达时长作为最晚送达时长。
在一些实施例中,从所述预测送达时长中选择待推送时长,包括如下步骤:
从所述预测送达时长中选择小于所述最晚送达时长的备选送达时长;
根据推送时长筛选规则,从所述备选送达时长中筛选得到所述待推送时长。
在一些实施例中,所述根据推送时长筛选规则,从所述备选送达时长中筛选得到所述待推送时长,包括如下步骤:
从所述备选送达时长中筛选得到预测概率大于第二阈值的待推送时长。
在一些实施例中,所述根据推送时长筛选规则,从所述预测送达时长中选择待推送时长之前,还包括如下步骤:
从所述预测送达时长中选择小于所述最晚送达时长的备选送达时长;
统计所述备选送达时长的概率之和;
判断所述备选送达时长的概率之和是否大于第四阈值,所述第四阈值小于或等于所述第二阈值;
如果是,则根据推送时长筛选规则,从所述预测送达时长中选择待推送时长;
如果否,则不选择待推送时长。
在一些实施例中,所述根据推送时长筛选规则,从所述预测送达时长中选择待推送时长之前,还包括如下步骤:
判断所述最晚送达时长的预测概率是否大于第三阈值;
如果是,则不选择待推送时长;
如果否,则根据推送时长筛选规则,从所述预测送达时长中选择待推送时长。
在一些实施例中,根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,包括如下步骤:
判断是否存在待推送时长;
如果存在待推送时长,则根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息;
如果不存在待推送时长,则根据所述最晚送达时长生成推送信息。
在一些实施例中,所述判断是否存在待推送时长之后,如果存在待推送时长,还包括如下步骤:
判断是否存在多个待推送时长;
如果只存在一个待推送时长,则根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息;
如果存在多个待推送时长,则计算多个待推送时长的预测概率之和,根据各个所述待推送时长、所述待推送时长的预测概率之和和所述最晚送达时长生成推送信息。
在一些实施例中,根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,包括如下步骤:
根据所述待预测的物流运单数据确定揽收时间;
根据所述待推送时长和所述揽收时间,确定待推送日期;
根据所述最晚送达时长和所述揽收时间,确定最晚送达日期;
将所述待推送日期、所述待推送日期的预测概率和所述最晚送达日期作为推送信息。
本发明实施例还提供一种物流运单时效推送系统,应用于所述的物流运单时效推送方法,所述系统包括:
特征提取模块,用于采集待预测的物流运单数据,并从中提取待预测的物流运单特征;
时长预测模块,用于将所述待预测的物流运单特征输入送达时长预测模型,获取输出的送达时长预测结果,所述送达时长预测结果包括预测送达时长和对应的预测概率;
时长筛选模块,用于确定所述预测送达时长中的最晚送达时长,并根据推送时长筛选规则,从除所述最晚送达时长之外的所述预测送达时长中选择待推送时长;
信息推送模块,用于根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,并推送至用户端。
本发明实施例还提供一种物流运单时效推送设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行所述的物流运单时效推送方法的步骤。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被处理器执行时实现所述的物流运单时效推送方法的步骤。
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,并不能限制本公开。
本发明的物流运单时效推送方法、系统、设备及存储介质具有如下有益效果:
本发明可以基于送达时长预测模型进行送达时长预测,预测得到的结果包括多个可能的送达时长,然后从可能的送达时长中筛选得到需要一并推送至用户端的待推送时长,并且在与用户端进行交互时,不仅推送最晚送达时长,同时推送选择的待推送时长和预测概率,以提供更多的信息预测和推送服务,对于用户来说,不仅可以了解到最晚送达的时间,还可以了解到其他可能送到的时效信息,用户体验更好。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例的物流运单时效推送方法的流程图;
图2是本发明一实施例的提取待预测的物流运单特征的流程图;
图3是本发明一实施例的训练送达时长预测模型的流程图;
图4是本发明一实施例的确定预测送达时长中的最晚送达时长的流程图;
图5是本发明一实施例的确定预测送达时长中的待推送时长的流程图;
图6是本发明一实施例的生成推送信息的流程图;
图7是本发明一实施例的基于送达日期生成推送信息的流程图;
图8是本发明一实施例的第一种推送页面的示意图;
图9是本发明一实施例的第二种推送页面的示意图;
图10是本发明一实施例的第三种推送页面的示意图;
图11是本发明一实施例的物流运单时效推送系统的结构示意图;
图12是本发明一实施例的物流运单时效推送设备的结构示意图;
图13是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此,实际执行的顺序有可能根据实际情况改变。
如图1所示,本发明实施例提供一种物流运单时效推送方法,包括如下步骤:
S100:采集待预测的物流运单数据,并从中提取待预测的物流运单特征;
运单是指承运人与托运人之间关于货物运输事宜的书面契约,此处物流运单数据即为包括一个运单的货物信息、承运人信息、发件人信息(包括起始地)和收件人信息(包括目的地)、运输方式(例如铁路、空运等)、货物的揽收时间等;
S200:将所述待预测的物流运单特征输入送达时长预测模型,获取输出的送达时长预测结果,所述送达时长预测结果包括预测送达时长和对应的预测概率;
此处物流运单特征即为送达时长预测模型所需要的一些物流运单特征,对于送达时长预测模型来说,其预测时采用的物流运单特征的维度和其训练时采用的物流运单特征的维度是相同的;
此处预测送达时长指的是预测的从运单创立并且运单对应的货物揽收起到货物送达收件人为止所花费的时长,一般以天为计算,也可以具体到小时,例如,预测送达时长包括3天、4天、5天三种情况,或者,预测送达时长包括3月3小时、4天5小时两种情况;
S300:确定所述预测送达时长中的最晚送达时长;
S400:根据推送时长筛选规则,从除所述最晚送达时长之外的所述预测送达时长中选择待推送时长;此处待推送时长即为除了最晚送达时长之外还需要推送至用户端的其他可选的时长,例如,在预测送达时长包括3天、4天、5天三种情况时,最晚送达时长为5天,而根据推送时长筛选规则,从剩下的所述预测送达时长3天和4天中选择待推送时长为4天;
S500:根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,并推送至用户端。此处用户端指的是用户所使用的可以访问网络的硬件设备,例如用户所使用的手机、笔记本电脑、平板电脑、台式机等。
本发明的物流运单时效推送方法可以首先通过步骤S100和S200基于送达时长预测模型进行送达时长预测,预测得到的结果包括多个可能的送达时长,通过步骤S300确定需要推送至用户端的最晚送达时长,然后通过步骤S400从可能的送达时长中筛选得到需要一并推送至用户端的待推送时长,并且在与用户端进行交互时,通过步骤S500不仅推送最晚送达时长,同时推送选择的待推送时长和预测概率,以提供更多的信息预测和推送服务。
本发明的物流运单时效推送方法可以应用于物流公司服务器,用户在物流公司的网页或者APP中可以查看所述推送信息,不仅可以了解到运单最晚什么时候送达,还可以了解到运单可能送达的其他时间和对应的概率,可以更好地掌握运单的运输时效。该该物流运单时效推送方法可以应用于电商场景,用户在电商平台下单且商家发货后,用户可以在物流公司的网页或APP或者电商平台的网页或APP上查看所述推送信息。在该场景下,该物流运单时效推送方法可以应用于物流公司服务器或电商平台服务器,物流公司服务器可以与电商平台服务器进行通信,以交换数据。
如图2所示,在该实施例中,所述步骤S100中,提取待预测的物流运单特征,包括如下步骤:
S110:根据所述待预测的物流运单数据中的起始地和目的地,确定可选的运输轨迹;
S120:根据预设特征提取规则,从所述可选的运输轨迹中提取运输轨迹特征,作为待预测的物流运单特征。
步骤S110中确定可选的运输轨迹可以是只确定一条,根据该条运输轨迹来提取运输轨迹特征。步骤S120中提取的运输轨迹特征的各个维度例如可以包括起始地、目的地、经过的网点信息、各个路段的长度、各个路段的路况、各个路段的运输方式等。将所述待预测的物流运单特征中各个维度的特征值整合得到一个特征向量后,输入所述送达时长预测模型。
如图3所示,在该实施例中,所述送达时长预测模型为基于历史物流运输数据训练得到的模型,所述方法还包括采用如下步骤训练所述送达时长预测模型:
S610:采集历史物流运输数据,提取所述历史物流运输数据的运输轨迹特征,作为所述历史物流运输数据的物流运单特征;此处历史物流运输数据的运输轨迹特征的特征维度与预测时采用的运输轨迹特征的特征维度一致;
S620:基于所述历史物流运输数据的揽收时间和派送时间,计算送达时长;如果所述送达时长预测模型的预测是精确到日,则计算送达时长为几日,如果所述送达时长预测模型的预测是精确到小时,则计算送达时长为几小时,例如50小时,即2天2小时;
S630:基于计算得到的送达时长对所对应的物流运单特征进行标记;
S640:基于标记后的物流运单特征训练所述送达时长预测模型。
所述送达时长预测模型为一个基于机器学习的分类模型,例如基于回归算法的分类模型、决策树、深度学习模型等等,各种可能的送达时长即为各个类别。在基于标记后的物流运单特征训练该模型时,将物流运单特征输入送达时长预测模型,得到送达时长预测结果后,与标记的送达时长一起构建损失函数,迭代训练所述送达时长预测模型,以优化所述送达时长预测模型的模型参数,至损失函数小于预设阈值为止。
如图4所示,在该实施例中,所述步骤S300:确定所述预测送达时长中的最晚送达时长,包括如下步骤:
S310:将所述预测送达时长按照时长从小到大进行排序;
S320:从最小的预测送达时长起,向后依次累加各个预测送达时长的预测概率,至累加值大于第一阈值k1时,停止累加;
S330:将最后一个累加的预测概率所对应的预测送达时长作为最晚送达时长。即得到的最晚送达时长dn满足如下公式:
此处第一阈值k1的数值可以根据需要选择设定,例如设定为0.95、0.9、0.85等等,一般是一个比较大的数值,保证一般不会晚于该最晚送达时间。
例如,设定第一阈值k1为0.95,将所述步骤S200中得到的送达时长预测结果按照时长从小到大排列如下表1:
表1送达时间预测结果列表
预测送达时长 | 2天 | 3天 | 4天 | 5天 | 6天 |
预测概率 | 0.05 | 0.35 | 0.46 | 0.12 | 0.02 |
2天、3天、4天、5天的预测概率之和为0.98,大于0.95,因此,最晚送达时长即为5天。
如图5所示,在该实施例中,所述步骤S400:从所述预测送达时长中选择待推送时长,包括如下步骤:
S410:从所述预测送达时长中选择小于所述最晚送达时长的备选送达时长;以表1中的送达时间预测结果为例,备选送达时长包括2天、3天和4天;
S420:根据推送时长筛选规则,从所述备选送达时长中筛选得到所述待推送时长。
此处推送时长筛选规则可以根据需要设定,例如可以设定预测概率比较高的预测送达时长作为待推送时长,又例如可以设定最早送达时长为待推送时长,又例如可以设定与最晚送达时长的值相邻的预测概率为待推送时长等等。
在该实施例中,所述步骤S420:根据推送时长筛选规则,从所述备选送达时长中筛选得到所述待推送时长,包括如下步骤:
从所述备选送达时长中筛选得到预测概率大于第二阈值的待推送时长。
即所述步骤S400中筛选得到的待推送时长为时长小于最晚送达时长,且对应的预测概率高于第二阈值k2的预测送达时长,即满足如下公式:
此处第二阈值k2的值小于第一阈值k1,例如可以设定第二阈值k2的值为0.5、0.4、0.3等等。
以表1中的送达时间预测结果为例,设定第二阈值k2的值为0.3时,待推送时长为3天和4天。因此,在步骤S500中,根据3天、3天的预测概率、4天、4天的预测概率和最晚送达时长5天生成推送信息,并推送至用户端。
在其他可替代的实施方式中,所述推送时长筛选规则可以设定为其他类型的筛选规则,如上面所述的设定最早送达时长为待推送时长,即可以告知用户可能送达的最早时间,又例如可以设定与最晚送达时长的值相邻的预测概率为待推送时长,即可以告知用户临近的送达时长等等。
在该实施例中,所述步骤S400:根据推送时长筛选规则,从所述预测送达时长中选择待推送时长之前,还包括如下步骤:
从所述预测送达时长中选择小于所述最晚送达时长的备选送达时长;
统计所述备选送达时长的概率之和;
判断所述备选送达时长的概率之和是否大于第四阈值,所述第四阈值小于或等于所述第二阈值,第四阈值的值可以根据需要选择,例如选择为0.3、0.2等;
如果是,则根据推送时长筛选规则,从所述预测送达时长中选择待推送时长;
如果否,则不选择待推送时长。
因此,通过在选择待推送时长之前,首先判断所述备选送达时长的概率之和是否大于第四阈值,在所述备选送达时长的概率之和小于或等于第四阈值时,说明所有备选送达时长的预测概率都比较小,最晚送达时长的预测概率比较大,没有必要再选择待推送时长,只需要推送最晚送达时长给用户即可,从而节省了选择待推送时长的步骤,有利于提高运单时效推送方法的处理速度。
在该实施例中,所述步骤S400:根据推送时长筛选规则,从所述预测送达时长中选择待推送时长之前,还包括如下步骤:
判断所述最晚送达时长的预测概率是否大于第三阈值,所述第三阈值的值可以根据需要选择,例如选择为0.5、0.6、0.7等;
如果是,则说明最晚送达时长的预测概率很高,没有必要再推送其他可能的送达时长给用户,因此不选择待推送时长;
如果否,则说明最晚送达时长的预测概率较低,根据推送时长筛选规则,从所述预测送达时长中选择待推送时长。
例如,设置第三阈值为0.7,预测概率分布为最晚送达时长的预测概率为0.8时,只需要根据最晚送达时长生成推送信息,从而节省了选择待推送时长的步骤,有利于提高运单时效推送方法的处理速度,预测概率分布为最晚送达时长的预测概率为0.2时,则需要选择其他概率比较高的待推送时长,与最晚送达时长一起推送给用户端。
如图6所示,在该实施例中,所述步骤S500:根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,包括如下步骤:
S510-A:判断是否存在待推送时长,在该实施例中,即判断是否存在时长小于最晚送达时长,且对应的预测概率高于第二阈值k2的预测送达时长;
如果不存在待推送时长,则S520-A:根据所述最晚送达时长生成推送信息,进一步地,所述推送信息中可以只包括所述最晚送达时长,也可以同时包括所述最晚送达时长和所述最晚送达时长的预测概率;
如果存在待推送时长,则根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息。具体地,此处所述推送信息中也可以包括最晚送达时长的预测概率,或不包括最晚送达时长的预测概率。
在该实施例中,所述步骤S510-A:判断是否存在待推送时长之后,如果存在待推送时长,还包括如下步骤:
S531-A:判断是否存在多个待推送时长;
S532-A:如果只存在一个待推送时长,则根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息;
S533-A:如果存在多个待推送时长,则计算多个待推送时长的预测概率之和,然后S534-A:根据各个所述待推送时长、所述待推送时长的预测概率之和和所述最晚送达时长生成推送信息。
以表1中的送达时间预测结果为例,设定第二阈值k2的值为0.3时,待推送时长为3天和4天。生成推送信息时,计算3天和4天的预测概率之和为0.35+0.46=0.81,然后根据3天、4天和对应的概率之和0.81以及最晚送达时长5天生成推送信息推送给用户。
如图7所示,在该实施例中,所述步骤S500:根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,包括如下步骤:
S510-B:根据所述待预测的物流运单数据确定揽收时间;
S520-B:根据所述待推送时长和所述揽收时间,确定待推送日期;
以上面的例子为例进行说明,待推送时长包括3天和4天时,揽收时间为8月21日早上(可以设定揽收时间为早上时,将揽收日期当天也算作运输时间,揽收时间为下午或晚上时,揽收日期当天不算作运输时间),则待推送日期为8月23日和8月24日;
S530-B:根据所述最晚送达时长和所述揽收时间,确定最晚送达日期,例如,最晚送达时长为5天,最晚送达日期为8月25日;
S540-B:将所述待推送日期、所述待推送日期的预测概率和所述最晚送达日期作为推送信息。由此,用户可以很直观地在用户端查看需要了解的信息。
如图8所示,为采用如图7中生成推送信息的方法推送给用户端的包含推送信息的推送页面示意图。运单324323的推送信息包括最晚送达日期8月25日,运单324324的推送信息包括最晚送达日期8月25日、待推送日期8月24日以及待推送日期的预测概率80%,运单324325的推送信息包括最晚送达日期8月25日、待推送日期8月23日和8月24日,以及待推送日期的预测概率之和40%。
在另一种实施方式中,也可以直接基于待推送时长和最晚送达时长来生成推送信息。如图9所示,运单324323的推送信息包括最晚送达时长5日、运单324324的推送信息包括最晚送达时长5日、待推送时长4日和待推送时长的预测概率80%、运单324325的推送信息包括在最晚送达时长5日、待推送时长3日和4日以及待推送时长的预测概率之和40%。
在再一种实施方式中,最晚送达时长和待推送时长精确到小时时,可以具体计算得到预计送达的时间,并且可以根据派送网点的派送时段来推送,例如,如图10所示,运单325111最晚送达时长为5天3小时,揽收时间为8月21日早上9点,最晚送达日期为8月25日中午12点,对应的推送信息为8月25日中午12点到下午3点,待推送时长为3天5小时,待推送日期为8月23日下午2点,对应的推送信息为8月23日下午2点到下午6点。
如图11所示,本发明实施例还提供一种物流运单时效推送系统,应用于所述的物流运单时效推送方法,所述系统包括:
特征提取模块M100,用于采集待预测的物流运单数据,并从中提取待预测的物流运单特征;
时长预测模块M200,用于将所述待预测的物流运单特征输入送达时长预测模型,获取输出的送达时长预测结果,所述送达时长预测结果包括预测送达时长和对应的预测概率;
时长筛选模块M300,用于确定所述预测送达时长中的最晚送达时长,并根据推送时长筛选规则,从除所述最晚送达时长之外的所述预测送达时长中选择待推送时长;
信息推送模块M400,用于根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,并推送至用户端。
本发明的物流运单时效推送系统可以首先通过特征提取模块M100和时长预测模块M200基于送达时长预测模型进行送达时长预测,预测得到的结果包括多个可能的送达时长,通过时长筛选模块M300确定需要推送至用户端的最晚送达时长,然后通过时长筛选模块M300从可能的送达时长中筛选得到需要一并推送至用户端的待推送时长,并且在与用户端进行交互时,通过信息推送模块M400不仅推送最晚送达时长,同时推送选择的待推送时长和预测概率,以提供更多的信息预测和推送服务。
本发明的物流运单时效推送系统可以部署于物流公司服务器,用户在物流公司的网页或者APP中可以查看所述推送信息,不仅可以了解到运单最晚什么时候送达,还可以了解到运单可能送达的其他时间和对应的概率,可以更好地掌握运单的运输时效。该该物流运单时效推送系统可以应用于电商场景,用户在电商平台下单且商家发货后,用户可以在物流公司的网页或APP或者电商平台的网页或APP上查看所述推送信息。在该场景下,该物流运单时效推送系统可以部署于物流公司服务器或电商平台服务器,物流公司服务器可以与电商平台服务器进行通信,以交换数据。
在该实施例中,所述特征提取模块M100提取待预测的物流运单特征,包括:根据所述待预测的物流运单数据中的起始地和目的地,确定可选的运输轨迹;根据预设特征提取规则,从所述可选的运输轨迹中提取运输轨迹特征,作为待预测的物流运单特征。
在该实施例中,所述物流运单时效推送系统还包括模型训练模块,用于训练所述送达时长预测模型,具体地,其功能包括:采集历史物流运输数据,提取所述历史物流运输数据的运输轨迹特征,作为所述历史物流运输数据的物流运单特征;此处历史物流运输数据的运输轨迹特征的特征维度与预测时采用的运输轨迹特征的特征维度一致;基于所述历史物流运输数据的揽收时间和派送时间,计算送达时长;如果所述送达时长预测模型的预测是精确到日,则计算送达时长为几日,如果所述送达时长预测模型的预测是精确到小时,则计算送达时长为几小时,例如50小时,即2天2小时;基于计算得到的送达时长对所对应的物流运单特征进行标记;基于标记后的物流运单特征训练所述送达时长预测模型。
在该实施例中,所述时长筛选模块M300确定预测送达时长中的最晚送达时长包括:将所述预测送达时长按照时长从小到大进行排序;从最小的预测送达时长起,向后依次累加各个预测送达时长的预测概率,至累加值大于第一阈值k1时,停止累加;将最后一个累加的预测概率所对应的预测送达时长作为最晚送达时长。
在该实施例中,所述时长筛选模块M300从所述预测送达时长中选择待推送时长,包括:从所述预测送达时长中选择小于所述最晚送达时长的备选送达时长;从所述备选送达时长中筛选得到预测概率大于第二阈值的待推送时长。
在该实施例中,所述信息推送模块M400根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,包括:根据所述待预测的物流运单数据确定揽收时间;根据所述待推送时长和所述揽收时间,确定待推送日期;根据所述最晚送达时长和所述揽收时间,确定最晚送达日期;将所述待推送日期、所述待推送日期的预测概率和所述最晚送达日期作为推送信息。
本发明实施例还提供一种物流运单时效推送设备,包括处理器;存储器,其中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行所述的物流运单时效推送方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
下面参照图12来描述根据本发明的这种实施方式的电子设备600。图12显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述物流运单时效推送方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
所述物流运单时效推送设备中,所述存储器中的程序被处理器执行时实现所述的物流运单时效推送方法的步骤,因此,所述计算机存储介质也可以获得上述物流运单时效推送方法的技术效果。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被处理器执行时实现所述的物流运单时效推送方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上执行时,所述程序代码用于使所述终端设备执行本说明书上述物流运单时效推送方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图13所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上执行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
所述计算机存储介质中的程序被处理器执行时实现所述的物流运单时效推送方法的步骤,因此,所述计算机存储介质也可以获得上述物流运单时效推送方法的技术效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (14)
1.一种物流运单时效推送方法,其特征在于,所述方法包括:
采集待预测的物流运单数据,并从中提取待预测的物流运单特征;
将所述待预测的物流运单特征输入送达时长预测模型,获取输出的送达时长预测结果,所述送达时长预测结果包括预测送达时长和对应的预测概率;
确定所述预测送达时长中的最晚送达时长;
根据推送时长筛选规则,从除所述最晚送达时长之外的所述预测送达时长中选择待推送时长;
根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,并推送至用户端。
2.根据权利要求1所述的物流运单时效推送方法,其特征在于,所述提取待预测的物流运单特征,包括如下步骤:
根据所述待预测的物流运单数据中的起始地和目的地,确定可选的运输轨迹;
根据预设特征提取规则,从所述可选的运输轨迹中提取运输轨迹特征,作为待预测的物流运单特征。
3.根据权利要求2所述的物流运单时效推送方法,其特征在于,所述送达时长预测模型为基于历史物流运输数据训练得到的模型,所述方法还包括采用如下步骤训练所述送达时长预测模型:
采集历史物流运输数据,提取所述历史物流运输数据的运输轨迹特征,作为所述历史物流运输数据的物流运单特征;
基于所述历史物流运输数据的揽收时间和派送时间,计算送达时长;
基于计算得到的送达时长对所对应的物流运单特征进行标记;
基于标记后的物流运单特征训练所述送达时长预测模型。
4.根据权利要求1所述的物流运单时效推送方法,其特征在于,确定所述预测送达时长中的最晚送达时长,包括如下步骤:
将所述预测送达时长按照时长从小到大进行排序;
从最小的预测送达时长起,向后依次累加各个预测送达时长的预测概率,至累加值大于第一阈值时,停止累加;
将最后一个累加的预测概率所对应的预测送达时长作为最晚送达时长。
5.根据权利要求1所述的物流运单时效推送方法,其特征在于,从所述预测送达时长中选择待推送时长,包括如下步骤:
从所述预测送达时长中选择小于所述最晚送达时长的备选送达时长;
根据推送时长筛选规则,从所述备选送达时长中筛选得到所述待推送时长。
6.根据权利要求5所述的物流运单时效推送方法,其特征在于,所述根据推送时长筛选规则,从所述备选送达时长中筛选得到所述待推送时长,包括如下步骤:
从所述备选送达时长中筛选得到预测概率大于第二阈值的待推送时长。
7.根据权利要求6所述的物流运单时效推送方法,其特征在于,所述根据推送时长筛选规则,从所述预测送达时长中选择待推送时长之前,还包括如下步骤:
从所述预测送达时长中选择小于所述最晚送达时长的备选送达时长;
统计所述备选送达时长的概率之和;
判断所述备选送达时长的概率之和是否大于第四阈值,所述第四阈值小于或等于所述第二阈值;
如果是,则根据推送时长筛选规则,从所述预测送达时长中选择待推送时长;
如果否,则不选择待推送时长。
8.根据权利要求1所述的物流运单时效推送方法,其特征在于,所述根据推送时长筛选规则,从所述预测送达时长中选择待推送时长之前,还包括如下步骤:
判断所述最晚送达时长的预测概率是否大于第三阈值;
如果是,则不选择待推送时长;
如果否,则根据推送时长筛选规则,从所述预测送达时长中选择待推送时长。
9.根据权利要求5、7或8所述的物流运单时效推送方法,其特征在于,根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,包括如下步骤:
判断是否存在待推送时长;
如果存在待推送时长,则根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息;
如果不存在待推送时长,则根据所述最晚送达时长生成推送信息。
10.根据权利要求9所述的物流运单时效推送方法,其特征在于,所述判断是否存在待推送时长之后,如果存在待推送时长,还包括如下步骤:
判断是否存在多个待推送时长;
如果只存在一个待推送时长,则根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息;
如果存在多个待推送时长,则计算多个待推送时长的预测概率之和,根据各个所述待推送时长、所述待推送时长的预测概率之和和所述最晚送达时长生成推送信息。
11.根据权利要求1所述的物流运单时效推送方法,其特征在于,根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,包括如下步骤:
根据所述待预测的物流运单数据确定揽收时间;
根据所述待推送时长和所述揽收时间,确定待推送日期;
根据所述最晚送达时长和所述揽收时间,确定最晚送达日期;
将所述待推送日期、所述待推送日期的预测概率和所述最晚送达日期作为推送信息。
12.一种物流运单时效推送系统,其特征在于,应用于权利要求1至11中任一项所述的物流运单时效推送方法,所述系统包括:
特征提取模块,用于采集待预测的物流运单数据,并从中提取待预测的物流运单特征;
时长预测模块,用于将所述待预测的物流运单特征输入送达时长预测模型,获取输出的送达时长预测结果,所述送达时长预测结果包括预测送达时长和对应的预测概率;
时长筛选模块,用于确定所述预测送达时长中的最晚送达时长,并根据推送时长筛选规则,从除所述最晚送达时长之外的所述预测送达时长中选择待推送时长;
信息推送模块,用于根据所述待推送时长、所述待推送时长的预测概率和所述最晚送达时长生成推送信息,并推送至用户端。
13.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行根据权利要求1至11任一项所述的物流运单时效推送方法。
14.一种计算机存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器运行时执行根据权利要求1至11任一项所述的物流运单时效推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332034.0A CN113034075A (zh) | 2021-03-29 | 2021-03-29 | 物流运单时效推送方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332034.0A CN113034075A (zh) | 2021-03-29 | 2021-03-29 | 物流运单时效推送方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034075A true CN113034075A (zh) | 2021-06-25 |
Family
ID=76452536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110332034.0A Pending CN113034075A (zh) | 2021-03-29 | 2021-03-29 | 物流运单时效推送方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034075A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110071883A1 (en) * | 2009-09-23 | 2011-03-24 | Sap Ag | System and Method of Model Forecasting Based on Supply and Demand |
CN105719145A (zh) * | 2014-12-04 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 获取商品到货时间的方法和装置 |
CN108122042A (zh) * | 2016-11-28 | 2018-06-05 | 北京小度信息科技有限公司 | 配送时间预估方法及装置 |
CN109767166A (zh) * | 2019-01-08 | 2019-05-17 | 广东邮政邮件快件服务有限公司 | 一种基于区块链的共享物流配送系统 |
US20190156283A1 (en) * | 2017-11-22 | 2019-05-23 | United Parcel Service Of America, Inc. | Automatically predicting shipper behavior using machine learning models |
CN109961248A (zh) * | 2017-12-25 | 2019-07-02 | 顺丰科技有限公司 | 运单投诉预测方法、装置、设备及其存储介质 |
CN110543968A (zh) * | 2019-07-30 | 2019-12-06 | 北京三快在线科技有限公司 | 预计送达时间确定方法、装置、电子设备及存储介质 |
CN111950803A (zh) * | 2020-08-24 | 2020-11-17 | 上海寻梦信息技术有限公司 | 物流对象送达时间预测方法、装置、电子设备及存储介质 |
CN112101839A (zh) * | 2020-07-10 | 2020-12-18 | 上海寻梦信息技术有限公司 | 建立快递送达时间预测模型的方法、预测方法及相关设备 |
CN112258122A (zh) * | 2020-10-29 | 2021-01-22 | 江苏满运物流信息有限公司 | 运输方式匹配方法、系统、设备及存储介质 |
-
2021
- 2021-03-29 CN CN202110332034.0A patent/CN113034075A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110071883A1 (en) * | 2009-09-23 | 2011-03-24 | Sap Ag | System and Method of Model Forecasting Based on Supply and Demand |
CN105719145A (zh) * | 2014-12-04 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 获取商品到货时间的方法和装置 |
CN108122042A (zh) * | 2016-11-28 | 2018-06-05 | 北京小度信息科技有限公司 | 配送时间预估方法及装置 |
US20190156283A1 (en) * | 2017-11-22 | 2019-05-23 | United Parcel Service Of America, Inc. | Automatically predicting shipper behavior using machine learning models |
CN109961248A (zh) * | 2017-12-25 | 2019-07-02 | 顺丰科技有限公司 | 运单投诉预测方法、装置、设备及其存储介质 |
CN109767166A (zh) * | 2019-01-08 | 2019-05-17 | 广东邮政邮件快件服务有限公司 | 一种基于区块链的共享物流配送系统 |
CN110543968A (zh) * | 2019-07-30 | 2019-12-06 | 北京三快在线科技有限公司 | 预计送达时间确定方法、装置、电子设备及存储介质 |
CN112101839A (zh) * | 2020-07-10 | 2020-12-18 | 上海寻梦信息技术有限公司 | 建立快递送达时间预测模型的方法、预测方法及相关设备 |
CN111950803A (zh) * | 2020-08-24 | 2020-11-17 | 上海寻梦信息技术有限公司 | 物流对象送达时间预测方法、装置、电子设备及存储介质 |
CN112258122A (zh) * | 2020-10-29 | 2021-01-22 | 江苏满运物流信息有限公司 | 运输方式匹配方法、系统、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
刘春月;: "物流需求量灰色―马尔科夫链预测模型分析研究", 物流科技, no. 10, pages 17 - 20 * |
张晓玲;: "基于Logit模型的高铁快递市场分担率预测研究", 铁道运输与经济, no. 12, pages 97 - 101 * |
耿立艳;张占福;: "物流需求预测方法研究进展", 物流技术, no. 01, pages 7 - 11 * |
许荣斌;王业国;王福田;何明慧;汪梦龙;谢莹;: "基于改进PSO-BP算法的快递业务量预测", 计算机集成制造系统, no. 07, pages 287 - 295 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10628758B2 (en) | Transportation service reservation method, transportation service reservation apparatus, and computer-readable storage medium | |
CN109636047B (zh) | 用户活跃度预测模型训练方法、系统、设备及存储介质 | |
CN111950803A (zh) | 物流对象送达时间预测方法、装置、电子设备及存储介质 | |
CN107133645B (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
CN110503528B (zh) | 一种线路推荐方法、装置、设备和存储介质 | |
CN109978619B (zh) | 机票定价策略筛选的方法、系统、设备以及介质 | |
CN112101839A (zh) | 建立快递送达时间预测模型的方法、预测方法及相关设备 | |
CN111967808B (zh) | 确定物流对象收货方式的方法、装置、电子设备及存储介质 | |
CN112184115A (zh) | 物流预警方法、物流推荐方法、装置及相关设备 | |
CN113902370A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN111915256B (zh) | 构建派件围栏的方法、异地签收识别方法及相关设备 | |
CN110598989B (zh) | 一种货源质量评估方法、装置、设备和存储介质 | |
CN111861328A (zh) | 建立物流识别库的方法、物流轨迹查询更新方法及设备 | |
CN112465035A (zh) | 物流配送任务分配方法、系统、设备及存储介质 | |
CN112288362A (zh) | 包裹重投递方法、包裹投递方法以及相关设备 | |
CN113034075A (zh) | 物流运单时效推送方法、系统、设备及存储介质 | |
CN116703440A (zh) | 基于地铁数字票务的数智运营方法 | |
CN112818684B (zh) | 地址元素排序方法、装置、电子设备及存储介质 | |
CN112132500B (zh) | 构建派件围栏的方法、超派运单的识别方法及相关设备 | |
CN111327661A (zh) | 推送方法、推送装置、服务器和计算机可读存储介质 | |
CN115759307A (zh) | 一种订单派送方法、装置、电子设备及存储介质 | |
CN112488624A (zh) | 物流路由信息计算方法、装置、设备以及存储介质 | |
CN111339448B (zh) | 查询改写方法、系统、设备及存储介质 | |
CN114880600A (zh) | 展示酒店信息的方法、装置、电子设备、存储介质 | |
CN113011665A (zh) | 物流时效预测方法、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 |