CN113469462A - 订单热度预测及订单分配方法及设备 - Google Patents
订单热度预测及订单分配方法及设备 Download PDFInfo
- Publication number
- CN113469462A CN113469462A CN202110852313.XA CN202110852313A CN113469462A CN 113469462 A CN113469462 A CN 113469462A CN 202110852313 A CN202110852313 A CN 202110852313A CN 113469462 A CN113469462 A CN 113469462A
- Authority
- CN
- China
- Prior art keywords
- order
- historical
- distribution
- target
- characteristic 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- 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]
- G06Q30/0639—Item locations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种订单热度预测方法、订单分配方法及设备。所述订单热度预测方法,包括:获得待分配配送资源的目标订单;根据所述目标订单获取历史订单信息,获取所述目标订单对应的历史订单的特征数据;根据所述历史订单的特征数据预测所述目标订单的订单热度,其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度。所述订单分配方法,包括:获得针对待分配配送资源的目标订单预测得到的订单热度;选择用于为目标订单分配配送资源的订单分配决策策略;根据所述订单分配决策策略以及所述订单热度,为所述目标订单分配配送资源。采用上述方法,提供更合理的订单预测及优化分配方案,解决了订单分配优化的问题。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种订单热度预测方法及设备。本申请还涉及一种订单分配方法及设备。
背景技术
随着配送行业的发展,配送量日益加大,这在一定程度上对订单分配决策提出了更高的要求。
现有订单分配系统在进行决策时一般根据能够获取的已知信息进行订单优化分配。所谓已知信息包括当前已经产生的订单和当前备选配送资源,当前备选配送资源的一个例子为当前在线的骑手。然而,只基于已知信息进行优化求解得到的订单分配解可能仅对当前订单分配效果来说为较优解,随着未来新订单的产生该较优解很可能导致较差的订单分配效果。
因此,如何实现订单分配以提升订单分配优化效果是需要解决的问题。
发明内容
本申请实施例提供的订单热度预测及订单分配方法,提供更合理的订单预测及优化分配方案,解决了订单分配优化的问题。
本申请实施例提供一种订单热度预测方法,包括:获得待分配配送资源的目标订单;根据所述目标订单获取历史订单信息,获取所述目标订单对应的历史订单的特征数据;根据所述历史订单的特征数据预测所述目标订单的订单热度,其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度。
可选的,还包括:获取订单样本、对应于所述订单样本的样本热度数据、对应于所述订单样本的样本特征数据;根据所述订单样本、对应于所述订单样本的样本热度数据、对应于所述订单样本的样本特征数据,训练基于机器学习的热度预测模型;所述根据所述历史订单的特征数据预测所述目标订单的订单热度,包括:将所述目标订单对应的历史订单特征数据以及所述目标订单的基础数据,输入所述热度预测模型,得到所述目标订单的订单热度。
可选的,所述目标订单的基础数据包括所述目标订单的至少下述一种数据:预计送达时间、预计出餐时间、提取位置信息以及配送位置信息;和/或,所述目标订单对应的历史订单特征数据包括至少下述一种数据:所述目标订单对应的实体对象的历史配送特征数据、所述实体对象所在区域的历史配送特征数据;其中,所述实体对象的历史配送特征数据包括所述实体对象的下述任意数据:历史订单平均数量、历史平均订单距离,历史订单平均配送时长;所述所在区域的历史配送特征数据包括所述所在区域的下述任意数据:历史订单平均数量、历史平均订单距离,历史订单平均配送时长、历史订单配送组合的平均订单数量、配送资源的平均取餐距离。
可选的,所述根据所述目标订单获取历史订单信息,获取所述历史订单的特征数据,包括:获取所述目标订单对应的实体对象信息;获取所述实体对象的历史配送特征数据和/或,所述实体对象所在区域的历史配送特征数据,作为所述历史订单的特征数据;其中,所述获取所述实体对象的历史配送特征数据,包括:获取参考时段内所述实体对象的历史订单信息,根据所述实体对象的历史订单信息确定所述实体对象的历史配送特征数据;所述获取所述实体对象所在区域的历史配送特征数据,包括:获取所述参考时段内所述实体对象所在区域的历史订单信息,根据所述实体对象所在区域的历史订单信息确定所述所在区域的历史配送特征数据。
可选的,还包括:获取所述历史订单信息中的历史订单的生成时间,根据生成时间确定所述历史订单对应的时间片;获取所述时间片对应的配送环境数据以及用于表征配送区域承运订单和运力情况的配送压力数据,作为所述历史订单的配送条件特征数据。
可选的,还包括:将所述目标订单对应的时间片为当前时间片,确定当前时间片的参考时间片,所述参考时间片包括下述时间片至少之一:当前时间片相邻下一个或多个时间片各自对应的特定历史时段内的相同时间片、当前时间片相邻上一个或多个时间片对应的特定历史时段内的相同时间片;获取所述参考时间片的订单热度以及所述参考时间片内所在区域的统计特征数据,作为所述历史订单的时序特征数据;所述统计特征数据包括下述数据:所述参考时间片内所在区域的平均订单数量、平均订单等待时长、订单配送组合的平均订单数量、平均取餐距离;所述根据所述历史订单的特征数据预测所述目标订单的订单热度,包括:根据所述实体对象的历史配送特征数据、所述所在区域的历史配送特征数据、所述历史订单的配送条件特征数据以及所述历史订单的时序特征数据至少之一,预测所述目标订单的订单热度。
可选的,所述订单热度为下述任一热度数据:包含所述目标订单的订单配送组合的订单数量;包含所述目标订单的订单配送组合的配送代价向量;其中,所述订单配送组合为从获得所述目标订单的当前时间开始直至未来特定时间为止的特定时间段内可与所述目标订单配送组合配送的订单以及所述目标订单形成的订单配送组合。
本申请实施例还提供一种订单分配方法,包括:获得针对待分配配送资源的目标订单预测得到的订单热度;其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度;选择用于为目标订单分配配送资源的订单分配决策策略;根据所述订单分配决策策略以及所述订单热度,为所述目标订单分配配送资源。
可选的,所述选择用于为目标订单分配配送资源的订单分配决策策略,包括:根据预先设定的约束条件从预置的订单分配决策策略集合中选定一个或多个订单分配决策策略;其中,所述预先设定的约束条件包括以下元素中的至少一个:配送资源的背单能力数据、配送方向热门程度数据、配送资源承接目标订单的时空价值数据;所述订单分配决策策略包括以下策略至少之一:基于订单热度与背单能力匹配的策略;基于订单配送方向热门程度选择配送效率优先或并单效率优先的策略;基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略。
本申请实施例还提供一种电子设备,包括:存储器,以及处理器;所述存储器用于存储计算机程序,所述计算机程序被所述处理器运行后,执行本申请实施例提供的所述方法。
本申请实施例还提供一种存储设备,存储有计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
与现有技术相比,本申请具有以下优点:
本申请实施例提供的一种订单热度预测方法及设备,通过根据目标订单获取历史订单信息,获取所述目标订单对应的历史订单的特征数据;根据所述历史订单的特征数据预测所述目标订单的订单热度,其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度。通过挖掘历史信息构建特征,可以更准确地预测每个订单的未来热度。
本申请实施例提供的一种订单分配方法及设备,通过获得针对待分配配送资源的目标订单预测得到的订单热度;选择用于为目标订单分配配送资源的订单分配决策策略;根据所述订单分配决策策略以及所述订单热度,为所述目标订单分配配送资源。根据订单热度以及合适的订单分配决策策略分配订单,能够较好地优化订单分配效果。
附图说明
图1是本申请第一实施例提供的一种订单热度预测方法的处理流程图;
图2是本申请第一实施例提供的基于机器学习的热度预测模型架构示意图;
图3是本申请第一实施例提供的基于预测优化订单分配与基于已知信息分配订单的效果比较示意图;
图4是本申请第二实施例提供的一种订单分配方法的处理流程图;
图5是本申请第三实施例提供的订单热度预测装置示意图;
图6是本申请第四实施例提供的订单分配装置示意图;
图7是本申请提供的电子设备示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请实施例提供一种订单热度预测方法、装置、电子设备及存储设备。在下面的实施例中逐一进行说明。
为便于理解,首先给出本实施例提供的方法的应用场景:用户选择商品下单后生成的订单分配给配送资源,由配送资源执行配送任务。其中,配送资源可以是骑手、快递员以及自移动配送设备如机器人。实际应用中,陆续生成的若干订单被分配给若干备选骑手。其中,由一个骑手一次性配送完成的订单配送组合称为一个波次;将多个订单配送组合成一个波次称为打包。由于配送量日益加大,因而如何进行订单分配以达到整体配送效率的优化显得尤其重要。现有订单分配一般尽可能合并订单,不论当前骑手是否过剩,优化方向更倾向于并单效率,容易出现浪费空闲运力的情况,导致整体的配送效果较差。在对订单分配进行决策过程中,如果不仅仅基于已知信息进行优化求解,而是基于预测结果对订单分配进行优化,则可以使得在未来新订单的产生情况下订单分配效果仍然能保持在较优状态。订单分配效果可以用区域内订单配送效率、配送评价数据等一种或多种数据衡量。
本申请实施例提供的订单热度预测方法,挖掘待分配配送资源的目标订单相关的历史订单信息,构建特征,更准确预测每个目标订单未来的热度,以便进一步根据预测出的热度数据向该目标订单分配合适的配送资源,达到优化整体配送效果的目的。实施时,可通过挖掘历史信息构建特征,使用机器学习模型预测每个订单未来的订单热度,再基于预测得到的订单热度采用合适的订单分配决策策略进行订单分配优化。因此较准确的订单热度预测数据以及较合适的订单分配决策策略,可以达到订单分配的整体优化效果。
本实施例提出的订单热度,为表征对订单进行组合配送的组合配送热门程度的数据。例如,对每个订单预测未来一段时间内有多少订单可以跟该订单打包,则可将打包的订单数量作为订单热度。再如,对每个订单预测未来一段时间内跟该订单成包的订单成本向量。
本实施例中,使用基于机器学习的热度模型预测每个订单未来的订单热度。实施时,选取订单样本、对应于所述订单样本的样本热度数据、对应于订单样本的历史特征数据作为训练样本,训练热度预测模型,使用训练好的模型预测当前生成的订单的订单热度。
以下结合图1至图3对本申请第一实施例提供的订单热度预测方法进行详细说明。图1所示的数据处理方法,包括:步骤S101至步骤S103。
步骤S101,获得待分配配送资源的目标订单。
由于本申请实施例主要考虑的是根据目标订单对应的信息将目标订单分配给合适的配送资源,以便使得特定时段内特定配送区域的整体订单配送效果更好,所以本步骤中所获取的目标订单是实体订单对应的实体订单信息,即目标订单为目标订单信息,为了阐述方便统称为目标订单。目标订单包括目标订单对应的实体对象信息和目标用户信息,实体对象信息包括实体对象信息对应的实体对象所在的位置信息,实体对象所在的位置为目标订单的提取位置。目标用户信息对应的位置为目标订单的配送位置。通过提取位置和配送位置可以确定目标订单的配送距离。当然,目标订单所包含的信息还有很多。例如订单生成时间、预计等待时长、预计配送时间等。再如还包含预计配送时间对应的订单日期的气象数据等。因为天气状况影响配送效果,例如,目标订单的气象数据是晴天及微风,则可能缩短了目标订单的配送时长。本申请实施例的目标订单所包含的信息还有很多,只要是涉及配送资源配送目标订单的信息,均是本申请第一实施例所要保护的范围。
步骤S102,根据所述目标订单获取历史订单信息,获取所述目标订单对应的历史订单的特征数据。
本实施例中,挖掘目标订单的基础特征数据以及与目标订单相关的历史订单特征数据,基于上述特征数据预测每个订单未来的订单热度。本步骤实施时具体从多个维度提取当前计算热度的目标订单的基础特征数据以及与目标订单相关的历史订单特征数据。
例如,从订单维度提取目标订单的以下一个或多个特征数据:预计送达时间,预计出餐时间,提取位置和配送位置,目标订单对应的实体对象在参考时段内的产生的平均订单数量,所述实体对象的平均订单等待时长,所述实体对象的订单的平均预计送达时间等数据。再如,从网格维度提取目标订单对应的网格的以下一个或多个特征数据:在参考时段内产生的平均订单数量,平均订单等待时长,平均波次大小,配送资源平均取餐距离等。其中,所谓网格是指目标订单对应的实体对象的地理位置所在区域。
再如,从时间维度提取目标订单对应的当前时间片的配送环境特征数据以及配送压力特征数据,例如,需要配送目标订单的当天的时间片、星期几、天气、温度等配送环境特征数据;配送压力特征数据可以为当天的时间片需要配送的订单数量及运力数据。配送环境及配送压力影响订单配送效率。
再如,还可进一步根据所述当前的时间片得到历史订单数据的时序特征数据,作为热度预测模型的输入特征。例如,当前目标订单在参考时段内(如过去1至7天前)相邻时间片的订单热度,利用历史订单分布模拟当前时间片相邻下一时间片的未来订单分布,从而得到目标订单的订单热度预测数据。再如,将参考时段内同网格的统计特征作为热度预测模型的输入特征,所述统计特征包括参考时段内目标订单对应的网格的下述一种或多种统计数据:平均订单数量,平均订单等待时长,平均波次大小,平均取餐距离等。
本步骤中,根据所述目标订单获取历史订单信息,获取所述历史订单的特征数据,具体包括:获取所述目标订单对应的实体对象信息;获取所述实体对象的历史配送特征数据和/或所述实体对象所在区域的历史配送特征数据,作为所述历史订单的特征数据;其中,所述获取所述实体对象的历史配送特征数据,包括:获取参考时段内所述实体对象的历史订单信息,根据所述实体对象的历史订单信息确定所述实体对象的历史配送特征数据;所述获取所述实体对象所在区域的历史配送特征数据,包括:获取所述参考时段内所述实体对象所在区域的历史订单信息,根据所述实体对象所在区域的历史订单信息确定所述所在区域的历史配送特征数据。
进一步,还包括获取时序特征数据:获取所述历史订单信息中的历史订单的生成时间,根据生成时间确定所述历史订单对应的时间片;获取所述时间片对应的配送环境数据以及用于表征配送区域承运订单和运力情况的配送压力数据,作为所述历史订单的配送条件特征数据。具体的,将所述目标订单对应的时间片为当前时间片,确定当前时间片的参考时间片,所述参考时间片包括下述时间片至少之一:当前时间片相邻下一个或多个时间片各自对应的特定历史时段内的相同时间片、当前时间片相邻上一个或多个时间片对应的特定历史时段内的相同时间片;获取所述参考时间片的订单热度以及所述参考时间片内所在区域的统计特征数据,作为所述历史订单的时序特征数据;所述统计特征数据包括下述数据:所述参考时间片内所在区域的平均订单数量、平均订单等待时长、订单配送组合的平均订单数量、平均取餐距离;所述根据所述历史订单的特征数据预测所述目标订单的订单热度,包括:根据所述实体对象的历史配送特征数据、所述所在区域的历史配送特征数据、所述历史订单的配送条件特征数据以及所述历史订单的时序特征数据至少之一,预测所述目标订单的订单热度。
步骤S103,根据所述历史订单的特征数据预测所述目标订单的订单热度,其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度。
本步骤中为根据上述步骤获取到的与目标订单相关的历史订单的特征数据预测目标订单的订单热度。本实施例中,所述订单热度为下述任一热度数据:包含所述目标订单的订单配送组合的订单数量、包含所述目标订单的订单配送组合的配送代价向量;其中,所述订单配送组合为从获得所述目标订单的当前时间开始直至未来特定时间为止的特定时间段内可与所述目标订单配送组合配送的订单以及所述目标订单形成的订单配送组合。可以理解的是,实际实施时也可以采用其他代表订单热度的信号表示订单热度,也在本申请保护范围之内。
本实施例中使用基于机器学习的热度模型预测目标订单未来的订单热度。初始的热度模型在构建其网络结构后需要基于现有的历史订单数据选取一定规模的样本数据进行训练,训练后的热度模型可用于对新产生的订单(如目标订单)预测其未来热度。训练使用的样本数据包括:作为样本的订单样本以及该订单样本对应的样本热度数据以及样本特征数据。其中,所谓订单样本是指选取作为样本的每个订单的订单数据,其至少包括订单基础数据;所谓样本特征数据是指与订单样本对应的特征数据,其包括与该订单样本对应的和/或相关联的历史配送特征数据,如该订单样本所属的实体对象的历史配送特征数据、所述实体对象所在区域的历史配送特征数据等,订单样本及样本特征数据为训练模型的输入信息。所谓样本热度数据是指该订单样本的实际热度,用于训练模型使得热度模型的输出逼近该实际热度。实施时,具体包括:获取订单样本、对应于所述订单样本的样本热度数据、对应于所述订单样本的样本特征数据;根据所述订单样本、对应于所述订单样本的样本热度数据、对应于所述订单样本的样本特征数据,训练基于机器学习的热度预测模型;将所述目标订单对应的历史订单特征数据以及所述目标订单的基础数据,输入所述热度预测模型,得到所述目标订单的订单热度。目标订单可以为需要使用训练后的热度模型预测其热度的新产生订单,将该目标订单对应的历史订单特征数据以及目标订单的基础数据作为热度模型的输入信息,运行该热度模型预测得到该目标订单的未来热度。其中,所述目标订单的基础数据包括所述目标订单的至少下述一种数据:预计送达时间、预计出餐时间、提取位置信息以及配送位置信息。所述目标订单对应的历史订单特征数据包括至少下述一种数据:所述目标订单对应的实体对象的历史配送特征数据、所述实体对象所在区域的历史配送特征数据;其中,所述实体对象的历史配送特征数据包括所述实体对象的下述任意数据:历史订单平均数量、历史平均订单距离,历史订单平均配送时长;所述所在区域的历史配送特征数据包括所述所在区域的下述任意数据:历史订单平均数量、历史平均订单距离,历史订单平均配送时长、历史订单配送组合的平均订单数量、配送资源的平均取餐距离。其中,订单距离是指订单的提取位置至配送位置之间的距离。所谓历史平均订单距离是指选取的各历史订单的提取位置至配送位置之间的距离平均值,如历史外卖订单提供外卖的餐厅与订外卖的用户之间的距离平均值。实施时,可从多维度提取训练样本的特征数据作为热度预测模型的输入信息对模型进行训练,包括:从多个维度提取样本订单的基础特征数据以及与样本订单相关的历史订单特征数据。例如,从订单维度提取样本订单的以下一个或多个特征数据:预计送达时间,预计出餐时间,提取位置和配送位置,订单对应的实体对象在参考时段内的产生的平均订单数量,所述实体对象的平均订单等待时长,所述实体对象的订单的平均预计送达时间,所述实体对象(比如餐厅)在过去一定的历史时间内(如过去7天内)同时间段产生的平均订单距离等数据。再如,从网格维度提取样本订单对应的网格的以下一个或多个特征数据:在参考时段内产生的平均订单数量,平均订单等待时长,平均波次大小,配送资源平均取餐距离等。其中,所谓网格是指订单对应的实体对象的地理位置所在区域。再如,从时间维度提取样本订单对应的时间片的配送环境特征数据以及配送压力特征数据,其中包括:需要配送订单的当天的时间片、星期几、天气、温度等配送环境特征数据;配送压力特征数据可以为当天的时间片需要配送的订单数量及运力数据。还可进一步根据样本订单对应的时间片得到历史订单数据的时序特征数据,作为热度预测模型的输入特征。例如,当前订单在参考时段内(如过去1至7天前)相邻时间片的订单热度,利用样本订单相关的历史订单分布模拟当前时间片相邻下一时间片的未来订单分布,从而得到样本订单的订单热度预测数据,训练热度预测模型使其逼近样本订单实际对应的订单热度数据。再如,将参考时段内同网格的统计特征作为热度预测模型的输入特征,所述统计特征包括参考时段内样本订单对应的网格的下述一种或多种统计数据:平均订单数量,平均订单等待时长,平均波次大小,平均取餐距离等。
请参考图2,图中给出了一种热度预测模型的架构,包括:订单的基础特征数据和需要进行时间序列化的特征数据分别输入具有不同结构的输入层,其中,基础特征数据如网格ID、时间片对应的历史统计信息等输入包含嵌入层及全连接层的第一输入层201;时序特征数据如历史特征数据等输入包含LSTM层、最大池化层、平均池化层的第二输入层202。输出层输出的信息为预测的订单热度值。可以理解的是,图2所示的模型架构并非用于限定本申请的订单热度预测方法,采用其他不同机器学习模型也在本申请保护范围之内。
可以理解的是,基于订单是由配送资源进行配送的本申请实施例中,所以目标订单可通过目标配送资源进行配送,本实施例中,目标配送资源基于预测得到的目标订单的订单热度确定的。具体的,基于目标订单的订单热度选择合适的订单分配决策策略分配订单,包括:获得针对所述目标订单预测得到的订单热度;选择用于为目标订单分配配送资源的订单分配决策策略;根据所述订单分配决策策略以及所述订单热度,为所述目标订单分配配送资源。其中,所述选择用于为目标订单分配配送资源的订单分配决策策略,包括:根据预先设定的约束条件从预置的订单分配决策策略集合中选定一个或多个订单分配决策策略;其中,所述预先设定的约束条件包括以下元素中的至少一个:配送资源的背单能力数据、配送方向热门程度数据、配送资源承接目标订单的时空价值数据;所述订单分配决策策略包括以下策略至少之一:基于订单热度与背单能力匹配的策略;基于订单配送方向热门程度选择配送效率优先或并单效率优先的策略;基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略。上面列举了本实施例获取的三种决策策略,在具体的实施过程中,可以根据具体的需要从中选取某一种决策策略、或者两种及以上决策策略进行组合,也可以选用不同于上述三种决策策略但是原理相同的其他决策策略,对此本申请不作具体的限定。
例如,实施时,基于订单热度与背单能力匹配的策略将热门的订单优先给背单能力强的骑手,冷门订单优先给能力弱骑手。再如,基于订单配送方向热门程度选择配送效率优先或并单效率优先的策略,对热门配送方向的目标订单分配时优先配送效率,对冷门配送方向的目标订单分配时优先并单效率。再如,基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略,使用MDP(Markov Decision Process,马尔科夫决策过程)聚合时空信息,可以刻画骑手从某个位置出发接某个订单的价值,从而优化整体配送效率,具体的,根据目标订单的订单热度,计算可选配送资源承接目标订单配送任务的时空价值,根据时空价值计算目标订单对应的配送区域的整体效率;按照整体效率优化结果确定目标配送资源。
本实施例给出的基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略,考虑了如何使用空载。空载的使用在连续的订单分配决策中更利于全局的订单配送效率及服务质量。期望的收益定义应满足如下原则:配送易追单订单收益高,配送不易追单订单收益低;从冷门区域送到热门区域收益高,反之收益低。并且,定义收益时为了控制状态空间大小,将不加入骑手的纬度而只考虑订单本身的时空特征,在订单分配时再加入骑手纬度的影响。基于以上因素,本实施例给出了时空价值定义如下:
定义时空状态:s(t,g)∈S,t∈T,g∈G,其中,T为时间片,G为位置。
定义状态值函数:V(s)=V(s)+α[Rss′+λV(s′)-V(s)],
其中,α和λ为计算系数;
Rss′定义为从s到s′的期望波次收益,Rss′可以近似为s到s′的可并单数量,可并单数量与追单热度相同或相似。
对每个订单可以转化为D(sp,sd),即每个订单从sp到sd带来的状态变化,其中,sp是指提取位置和出餐时间(或提取试剂),sd是用户的位置(即配送位置)和预计送达时间。
本实施例提供的方法,给目标订单分配目标配送资源时可以同时将运力因素及订单间的差异因素将目标订单分配给合适的目标配送资源,例如,相同压力下订单密集和订单稀疏的区域可使用不同决策策略。
本实施例提供的方法中订单分配决策考虑了预测的未来订单热度,具有远见性,而基于已知信息的订单分配决策不具备远见性。请参考图3,图中基于已知信息分配订单301的情形中:11:40将订单1分配给骑手1,11:45在不考虑未来11:50将要产生的订单情况下仅根据已知信息将新产生的订单2分配给空载骑手2,当11:50新产生订单3分配时则会拉低整体的配送效率。基于预测热度分配订单302的情形中:11:40将订单1分配给骑手1,11:45新产生订单2,在考虑未来11:50将要产生的新订单3情况下根据对订单2的热度预测将订单2分配给非空载骑手1,这样当11:50新产生订单3分配时能保持整体的配送效率较高。
需要说明的是,在不冲突的情况下,在本实施例和本申请的其他实施例中给出的特征可以相互组合,并且步骤S101和S102或类似用语不限定步骤必须先后执行。
至此,对本实施例提供的方法进行了说明,所述方法根据目标订单获取历史订单信息,获取所述目标订单对应的历史订单的特征数据;根据所述历史订单的特征数据预测所述目标订单的订单热度,其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度。通过挖掘历史信息构建特征,可以更准确地预测每个订单的未来热度。
以第一实施例为基础,本申请第二实施例提供一种订单分配方法。以下结合图4对所述订单分配方法进行说明。图4所示的订单分配方法,包括:步骤S401至步骤S403。
步骤S401,获得针对待分配配送资源的目标订单预测得到的订单热度;其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度。
本实施例中,目标配送资源基于预测得到的目标订单的订单热度及合适的订单分配决策策略分配的。其中,订单热度基于挖掘目标订单的基础特征数据以及与目标订单相关的历史订单特征数据而预测。实施时具体从多个维度提取当前计算热度的目标订单的基础特征数据以及与目标订单相关的历史订单特征数据。
例如,从订单维度提取目标订单的以下一个或多个特征数据:预计送达时间,预计出餐时间,提取位置和配送位置,目标订单对应的实体对象在参考时段内的产生的平均订单数量,所述实体对象的平均订单等待时长,所述实体对象的订单的平均预计送达时间等数据。再如,从网格维度提取目标订单对应的网格的以下一个或多个特征数据:在参考时段内产生的平均订单数量,平均订单等待时长,平均波次大小,配送资源平均取餐距离等。其中,所谓网格是指目标订单对应的实体对象的地理位置所在区域。
再如,从时间维度提取目标订单对应的当前时间片的配送环境特征数据以及配送压力特征数据,例如,需要配送目标订单的当天的时间片、星期几、天气、温度等配送环境特征数据;配送压力特征数据可以为当天的时间片需要配送的订单数量及运力数据。配送环境及配送压力影响订单配送效率。
再如,还可进一步根据所述当前的时间片得到历史订单数据的时序特征数据,作为热度预测模型的输入特征。例如,当前目标订单在参考时段内(如过去1至7天前)相邻时间片的订单热度,利用历史订单分布模拟当前时间片相邻下一时间片的未来订单分布,从而得到目标订单的订单热度预测数据。再如,将参考时段内同网格的统计特征作为热度预测模型的输入特征,所述统计特征包括参考时段内目标订单对应的网格的下述一种或多种统计数据:平均订单数量,平均订单等待时长,平均波次大小,平均取餐距离等。
步骤S402,选择用于为目标订单分配配送资源的订单分配决策策略。
本步骤中,所述选择用于为目标订单分配配送资源的订单分配决策策略,包括:根据预先设定的约束条件从预置的订单分配决策策略集合中选定一个或多个订单分配决策策略;其中,所述预先设定的约束条件包括以下元素中的至少一个:配送资源的背单能力数据、配送方向热门程度数据、配送资源承接目标订单的时空价值数据;所述订单分配决策策略包括以下策略至少之一:基于订单热度与背单能力匹配的策略;基于订单配送方向热门程度选择配送效率优先或并单效率优先的策略;基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略。
上面列举了本实施例获取的三种决策策略,在具体的实施过程中,可以根据具体的需要从中选取某一种决策策略、或者两种及以上决策策略进行组合,也可以选用不同于上述三种决策策略但是原理相同的其他决策策略,对此本申请不作具体的限定。
例如,实施时,基于订单热度与背单能力匹配的策略将热门的订单优先给背单能力强的骑手,冷门订单优先给能力弱骑手。再如,基于订单配送方向热门程度选择配送效率优先或并单效率优先的策略,对热门配送方向的目标订单分配时优先配送效率,对冷门配送方向的目标订单分配时优先并单效率。再如,基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略,使用MDP(Markov Decision Process,马尔科夫决策过程)聚合时空信息,可以刻画骑手从某个位置出发接某个订单的价值,从而优化整体配送效率,具体的,根据目标订单的订单热度,计算可选配送资源承接目标订单配送任务的时空价值,根据时空价值计算目标订单对应的配送区域的整体效率;按照整体效率优化结果确定目标配送资源。本实施例给出的基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略,考虑了如何使用空载。空载的使用在连续的订单分配决策中更利于全局的订单配送效率及服务质量。
步骤S403,根据所述订单分配决策策略以及所述订单热度,为所述目标订单分配配送资源。
本实施例提供的方法,给目标订单分配目标配送资源时可以同时将运力因素及订单间的差异因素将目标订单分配给合适的目标配送资源,例如,相同压力下订单密集和订单稀疏的区域可使用不同决策策略。
至此,对本实施例提供的方法进行了说明,所述方法通过获得针对待分配配送资源的目标订单预测得到的订单热度;选择用于为目标订单分配配送资源的订单分配决策策略;根据所述订单分配决策策略以及所述订单热度,为所述目标订单分配配送资源。根据订单热度以及合适的订单分配决策策略分配订单,能够较好地优化订单分配效果。
与第一实施例对应,本申请第三实施例提供一种订单热度预测装置。以下结合图5对所述装置进行说明。图5所示的订单热度预测装置,包括:
订单获取单元501,用于获得待分配配送资源的目标订单;
特征数据获取单元502,用于根据所述目标订单获取历史订单信息,获取所述目标订单对应的历史订单的特征数据;
热度预测单元503,用于根据所述历史订单的特征数据预测所述目标订单的订单热度,其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度。
可选的,所述装置还包括模型训练单元,所述模型训练单元用于:获取订单样本、对应于所述订单样本的样本热度数据、对应于所述订单样本的样本特征数据;根据所述订单样本、对应于所述订单样本的样本热度数据、对应于所述订单样本的样本特征数据,训练基于机器学习的热度预测模型;
相应的,所述热度预测单元503具体用于:将所述目标订单对应的历史订单特征数据以及所述目标订单的基础数据,输入所述热度预测模型,得到所述目标订单的订单热度。
可选的,所述目标订单的基础数据包括所述目标订单的至少下述一种数据:预计送达时间、预计出餐时间、提取位置信息以及配送位置信息;和/或,所述目标订单对应的历史订单特征数据包括至少下述一种数据:所述目标订单对应的实体对象的历史配送特征数据、所述实体对象所在区域的历史配送特征数据;其中,所述实体对象的历史配送特征数据包括所述实体对象的下述任意数据:历史订单平均数量、历史平均订单距离,历史订单平均配送时长;所述所在区域的历史配送特征数据包括所述所在区域的下述任意数据:历史订单平均数量、历史平均订单距离,历史订单平均配送时长、历史订单配送组合的平均订单数量、配送资源的平均取餐距离。
可选的,所述特征数据获取单元502具体用于:获取所述目标订单对应的实体对象信息;获取所述实体对象的历史配送特征数据和/或,所述实体对象所在区域的历史配送特征数据,作为所述历史订单的特征数据;其中,所述获取所述实体对象的历史配送特征数据,包括:获取参考时段内所述实体对象的历史订单信息,根据所述实体对象的历史订单信息确定所述实体对象的历史配送特征数据;所述获取所述实体对象所在区域的历史配送特征数据,包括:获取所述参考时段内所述实体对象所在区域的历史订单信息,根据所述实体对象所在区域的历史订单信息确定所述所在区域的历史配送特征数据。
可选的,所述特征数据获取单元502具体用于:获取所述历史订单信息中的历史订单的生成时间,根据生成时间确定所述历史订单对应的时间片;获取所述时间片对应的配送环境数据以及用于表征配送区域承运订单和运力情况的配送压力数据,作为所述历史订单的配送条件特征数据。
可选的,所述特征数据获取单元502具体用于:将所述目标订单对应的时间片为当前时间片,确定当前时间片的参考时间片,所述参考时间片包括下述时间片至少之一:当前时间片相邻下一个或多个时间片各自对应的特定历史时段内的相同时间片、当前时间片相邻上一个或多个时间片对应的特定历史时段内的相同时间片;
获取所述参考时间片的订单热度以及所述参考时间片内所在区域的统计特征数据,作为所述历史订单的时序特征数据;所述统计特征数据包括下述数据:所述参考时间片内所在区域的平均订单数量、平均订单等待时长、订单配送组合的平均订单数量、平均取餐距离;
相应的,所述热度预测单元503具体用于:根据所述实体对象的历史配送特征数据、所述所在区域的历史配送特征数据、所述历史订单的配送条件特征数据以及所述历史订单的时序特征数据至少之一,预测所述目标订单的订单热度。
可选的,所述订单热度为下述任一热度数据:包含所述目标订单的订单配送组合的订单数量;包含所述目标订单的订单配送组合的配送代价向量;其中,所述订单配送组合为从获得所述目标订单的当前时间开始直至未来特定时间为止的特定时间段内可与所述目标订单配送组合配送的订单以及所述目标订单形成的订单配送组合。
与第二实施例对应,本申请第四实施例提供一种订单分配装置。以下结合图6对所述装置进行说明。图6所示的订单分配装置,包括:
热度预测单元601,用于获得针对待分配配送资源的目标订单预测得到的订单热度;其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度;
策略选择单元602,用于选择用于为目标订单分配配送资源的订单分配决策策略;
订单分配单元603,用于根据所述订单分配决策策略以及所述订单热度,为所述目标订单分配配送资源。
可选的,所述策略选择单元602具体用于:根据预先设定的约束条件从预置的订单分配决策策略集合中选定一个或多个订单分配决策策略;其中,所述预先设定的约束条件包括以下元素中的至少一个:配送资源的背单能力数据、配送方向热门程度数据、配送资源承接目标订单的时空价值数据;所述订单分配决策策略包括以下策略至少之一:基于订单热度与背单能力匹配的策略;基于订单配送方向热门程度选择配送效率优先或并单效率优先的策略;基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略。
以上述实施例为基础,本申请第五实施例提供一种电子设备,相关的部分请参见上述实施例的对应说明即可。请参考图7,图7所示的电子设备包括存储器701和处理器702。所述存储器存储有计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
以上述实施例为基础,本申请第六实施例提供一种存储设备,相关的部分请参见上述实施例的对应说明即可。所述存储设备的示意图类似图7。所述存储设备存储有计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种订单热度预测方法,其特征在于,包括:
获得待分配配送资源的目标订单;
根据所述目标订单获取历史订单信息,获取所述目标订单对应的历史订单的特征数据;
根据所述历史订单的特征数据预测所述目标订单的订单热度,其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取订单样本、对应于所述订单样本的样本热度数据、对应于所述订单样本的样本特征数据;
根据所述订单样本、对应于所述订单样本的样本热度数据、对应于所述订单样本的样本特征数据,训练基于机器学习的热度预测模型;
所述根据所述历史订单的特征数据预测所述目标订单的订单热度,包括:
将所述目标订单对应的历史订单特征数据以及所述目标订单的基础数据,输入所述热度预测模型,得到所述目标订单的订单热度。
3.根据权利要求2所述的方法,其特征在于,所述目标订单的基础数据包括所述目标订单的至少下述一种数据:预计送达时间、预计出餐时间、提取位置信息以及配送位置信息;
和/或,
所述目标订单对应的历史订单特征数据包括至少下述一种数据:所述目标订单对应的实体对象的历史配送特征数据、所述实体对象所在区域的历史配送特征数据;其中,所述实体对象的历史配送特征数据包括所述实体对象的下述任意数据:历史订单平均数量、历史平均订单距离,历史订单平均配送时长;所述所在区域的历史配送特征数据包括所述所在区域的下述任意数据:历史订单平均数量、历史平均订单距离,历史订单平均配送时长、历史订单配送组合的平均订单数量、配送资源的平均取餐距离。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标订单获取历史订单信息,获取所述历史订单的特征数据,包括:
获取所述目标订单对应的实体对象信息;
获取所述实体对象的历史配送特征数据和/或,所述实体对象所在区域的历史配送特征数据,作为所述历史订单的特征数据;
其中,
所述获取所述实体对象的历史配送特征数据,包括:
获取参考时段内所述实体对象的历史订单信息,根据所述实体对象的历史订单信息确定所述实体对象的历史配送特征数据;
所述获取所述实体对象所在区域的历史配送特征数据,包括:
获取所述参考时段内所述实体对象所在区域的历史订单信息,根据所述实体对象所在区域的历史订单信息确定所述所在区域的历史配送特征数据。
5.根据权利要求1或4所述的方法,其特征在于,还包括:
获取所述历史订单信息中的历史订单的生成时间,根据生成时间确定所述历史订单对应的时间片;
获取所述时间片对应的配送环境数据以及用于表征配送区域承运订单和运力情况的配送压力数据,作为所述历史订单的配送条件特征数据。
6.根据权利要求5所述的方法,其特征在于,还包括:
将所述目标订单对应的时间片为当前时间片,确定当前时间片的参考时间片,所述参考时间片包括下述时间片至少之一:当前时间片相邻下一个或多个时间片各自对应的特定历史时段内的相同时间片、当前时间片相邻上一个或多个时间片对应的特定历史时段内的相同时间片;
获取所述参考时间片的订单热度以及所述参考时间片内所在区域的统计特征数据,作为所述历史订单的时序特征数据;所述统计特征数据包括下述数据:所述参考时间片内所在区域的平均订单数量、平均订单等待时长、订单配送组合的平均订单数量、平均取餐距离;
所述根据所述历史订单的特征数据预测所述目标订单的订单热度,包括:
根据所述实体对象的历史配送特征数据、所述所在区域的历史配送特征数据、所述历史订单的配送条件特征数据以及所述历史订单的时序特征数据至少之一,预测所述目标订单的订单热度。
7.根据权利要求1所述的方法,其特征在于,所述订单热度为下述任一热度数据:
包含所述目标订单的订单配送组合的订单数量;
包含所述目标订单的订单配送组合的配送代价向量;
其中,所述订单配送组合为从获得所述目标订单的当前时间开始直至未来特定时间为止的特定时间段内可与所述目标订单配送组合配送的订单以及所述目标订单形成的订单配送组合。
8.一种订单分配方法,其特征在于,包括:
获得针对待分配配送资源的目标订单预测得到的订单热度;其中,所述订单热度用于表征对所述目标订单进行组合配送的组合配送热门程度;
选择用于为目标订单分配配送资源的订单分配决策策略;
根据所述订单分配决策策略以及所述订单热度,为所述目标订单分配配送资源。
9.根据权利要求8所述的方法,其特征在于,所述选择用于为目标订单分配配送资源的订单分配决策策略,包括:根据预先设定的约束条件从预置的订单分配决策策略集合中选定一个或多个订单分配决策策略;
其中,所述预先设定的约束条件包括以下元素中的至少一个:
配送资源的背单能力数据、配送方向热门程度数据、配送资源承接目标订单的时空价值数据;
所述订单分配决策策略包括以下策略至少之一:
基于订单热度与背单能力匹配的策略;
基于订单配送方向热门程度选择配送效率优先或并单效率优先的策略;
基于备选配送资源承接目标订单配送任务的时空价值对配送区域整体效率优化的策略。
10.一种电子设备,其特征在于,包括:
存储器,以及处理器;所述存储器用于存储计算机程序,所述计算机程序被所述处理器运行后,执行权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110852313.XA CN113469462B (zh) | 2021-07-27 | 2021-07-27 | 订单热度预测及订单分配方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110852313.XA CN113469462B (zh) | 2021-07-27 | 2021-07-27 | 订单热度预测及订单分配方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469462A true CN113469462A (zh) | 2021-10-01 |
CN113469462B CN113469462B (zh) | 2023-05-02 |
Family
ID=77882768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110852313.XA Active CN113469462B (zh) | 2021-07-27 | 2021-07-27 | 订单热度预测及订单分配方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469462B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331567A (zh) * | 2022-03-03 | 2022-04-12 | 未来地图(深圳)智能科技有限公司 | 一种订单热度预测方法、预测系统和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN109426885A (zh) * | 2017-08-28 | 2019-03-05 | 北京小度信息科技有限公司 | 订单分配方法和装置 |
CN109685609A (zh) * | 2018-12-14 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 订单分配方法、装置、电子设备及存储介质 |
CN110110871A (zh) * | 2018-02-01 | 2019-08-09 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和系统 |
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 |
CN111582612A (zh) * | 2019-02-15 | 2020-08-25 | 拉扎斯网络科技(上海)有限公司 | 订单分配方法、装置、电子设备及计算机可读存储介质 |
CN111582539A (zh) * | 2020-03-26 | 2020-08-25 | 拉扎斯网络科技(上海)有限公司 | 配送时长获取、配送时长预测模型生成的方法、装置 |
CN111695842A (zh) * | 2019-03-11 | 2020-09-22 | 拉扎斯网络科技(上海)有限公司 | 配送方案确定方法、装置、电子设备及计算机存储介质 |
CN112036697A (zh) * | 2020-07-28 | 2020-12-04 | 拉扎斯网络科技(上海)有限公司 | 一种任务分配的方法、装置、可读存储介质和电子设备 |
CN112819394A (zh) * | 2019-11-15 | 2021-05-18 | 北京三快在线科技有限公司 | 运单处理方法、装置、计算机可读存储介质及电子设备 |
-
2021
- 2021-07-27 CN CN202110852313.XA patent/CN113469462B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN109426885A (zh) * | 2017-08-28 | 2019-03-05 | 北京小度信息科技有限公司 | 订单分配方法和装置 |
CN110110871A (zh) * | 2018-02-01 | 2019-08-09 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和系统 |
CN109685609A (zh) * | 2018-12-14 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 订单分配方法、装置、电子设备及存储介质 |
CN111582612A (zh) * | 2019-02-15 | 2020-08-25 | 拉扎斯网络科技(上海)有限公司 | 订单分配方法、装置、电子设备及计算机可读存储介质 |
CN111695842A (zh) * | 2019-03-11 | 2020-09-22 | 拉扎斯网络科技(上海)有限公司 | 配送方案确定方法、装置、电子设备及计算机存储介质 |
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 |
CN112819394A (zh) * | 2019-11-15 | 2021-05-18 | 北京三快在线科技有限公司 | 运单处理方法、装置、计算机可读存储介质及电子设备 |
CN111582539A (zh) * | 2020-03-26 | 2020-08-25 | 拉扎斯网络科技(上海)有限公司 | 配送时长获取、配送时长预测模型生成的方法、装置 |
CN112036697A (zh) * | 2020-07-28 | 2020-12-04 | 拉扎斯网络科技(上海)有限公司 | 一种任务分配的方法、装置、可读存储介质和电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331567A (zh) * | 2022-03-03 | 2022-04-12 | 未来地图(深圳)智能科技有限公司 | 一种订单热度预测方法、预测系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113469462B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Umang et al. | Real-time management of berth allocation with stochastic arrival and handling times | |
US11574545B2 (en) | Systems and methods for automated real-time and advisory routing within a fleet of geographically distributed drivers | |
US8972983B2 (en) | Efficient execution of jobs in a shared pool of resources | |
He et al. | Modeling berth allocation and quay crane assignment considering QC driver cost and operating efficiency | |
US20170046653A1 (en) | Planning of transportation requests | |
US20140067467A1 (en) | Adjacency optimization system for product category merchandising space allocation | |
Zurheide et al. | Revenue management methods for the liner shipping industry | |
CN107767212B (zh) | 一种供需关系的计算方法、装置、服务器和存储介质 | |
CN111260274A (zh) | 用于二级库存分配的方法和系统 | |
US11461709B2 (en) | Resource capacity planning system | |
CN113469462A (zh) | 订单热度预测及订单分配方法及设备 | |
Cai et al. | Dynamic bicycle relocation problem with broken bicycles | |
US20200364641A1 (en) | System and method for managing transportation vessels | |
KR102229214B1 (ko) | 데이터 공유를 위한 위성 데이터 서비스 시스템 | |
US10929805B2 (en) | Adjusting simulation times for cost simulation analysis of transportation lane proposals based on space and time granularities | |
CN115759574A (zh) | 物资的存储方法、装置、计算机设备和存储介质 | |
CN111353626A (zh) | 数据的审核方法、装置及设备 | |
CN114970859A (zh) | 参数优化及其服务方法、设备及存储介质 | |
CN112836965B (zh) | 压力调控方案的选取方法和装置 | |
CN109523189A (zh) | 一种车辆调度方法及系统 | |
US20240095648A1 (en) | Rail rake planning for transportation and maintenance | |
CN112381491A (zh) | 一种配送资源接单时长获得方法、装置、以及电子设备 | |
CN108389013A (zh) | 仓储数据动态处理方法及装置 | |
CN117933857A (zh) | 售后平台的物流订单调度方法、设备和可读存储介质 | |
CN115550283A (zh) | 实例的资源分配方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |