CN113657654A - 楼宇包裹送达数量预估方法、装置、设备及存储介质 - Google Patents
楼宇包裹送达数量预估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113657654A CN113657654A CN202110901200.4A CN202110901200A CN113657654A CN 113657654 A CN113657654 A CN 113657654A CN 202110901200 A CN202110901200 A CN 202110901200A CN 113657654 A CN113657654 A CN 113657654A
- Authority
- CN
- China
- Prior art keywords
- crowd
- scale
- preset period
- time interval
- estimated
- 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
- 238000012384 transportation and delivery Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种楼宇包裹送达数量预估方法、装置、计算机设备及存储介质,所述方法包括:通过将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,从前N+1个基础时段中,获取至少两个基础时段,作为参考时段,获取参考时段的每个楼层人群规模,作为第一人群规模,基于每个第一人群规模进行线性回归,得到预设周期内的预估人群规模,基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数,基于加权系数和预估人群规模,确定预设周期内的包裹送达数量,提高楼宇包裹送达数量预估的准确性。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种楼宇包裹送达数量预估方法、装置、设备及存储介质。
背景技术
随着网络技术的发展,网络购物越来越方便,由生活习惯和运输效率导致,楼宇的配送包裹一般具高集中度的特点:外卖一般发生在午饭和晚饭时间;快递公司一般按每日一至二次的频率进行集合配送。这种短时间内的大量配送需求会对整栋楼宇的运力带来压力,尤其是外卖这种即时性较高的需求,需要对每栋楼宇每个时间段的包裹送达数量进行评估,进而为实际运行中为运力的调度提供数据支撑,现有方式一般采用机器学习模型,对历史数据进行分析学习,进而预测每个时间段的包裹送达数量,但实际中,会受到各种环境因子影响,例如突发事件、假期等,使得现有的这种方式包裹送达数量预估准确率不高。
发明内容
本发明实施例提供一种楼宇包裹送达数量预估方法、装置、计算机设备和存储介质,以提高包裹送达数量预估准确率。
为了解决上述技术问题,本申请实施例提供一种楼宇包裹送达数量预估方法,包括:
将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,其中,N为正整数;
从前N+1个基础时段中,获取至少两个所述基础时段,作为参考时段;
获取参考时段的每个楼层人群规模,作为第一人群规模;
基于每个所述第一人群规模进行线性回归,得到预设周期内的预估人群规模;
基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数;
基于所述加权系数和所述预估人群规模,确定所述预设周期内的包裹送达数量。
可选地,所述获取参考时段的每个楼层人群规模,作为第一人群规模包括:
在每个所述参考时段,获取电梯在每层停靠时的负载数据;
在电梯负载发生变化时,获取变化后的负载数据,计算基于负载变化的数值,并对当前位置对应的楼层人群规模进行更新,得到更新后的人群规模,将所述更新后的人群规模,最为所述第一人群规模。
可选地,所述基于每个所述第一人群规模进行线性回归,得到预设周期内的预估人群规模包括:
基于每个所述第一人群规模进行线性回归,得到参考时段之后的每个基础时段的第二人群规模;
将每个所述参考时段的所述第一人群规模和每个所述参考时段之后的基础时段的所述第二人群规模进行求和,得到所述预设周期内的预估人群规模。
可选地,在所述基于每个所述第一人群规模进行线性回归,得到预设周期内的预估人群规模之后,所述方法还包括:
基于如下公式对所述预估人群规模进行修正:
其中,N’为预设周期内修正后的预估人群规模,所述N为所述预设周期内的预估人群规模,所述n为当前时间点对应基础时段的第二人群规模,所述t为当前时间点,所述T1为预设周期的开始时间点,所述T2为预设周期的结束时间点。
可选地,在所述基于所述加权系数和所述预估人群规模,确定所述预设周期内的包裹送达数量之后,所述方法还包括:
对所述预设周期内的包裹送达数量进行归一化处理,得到包裹送达数量在每个所述基础时段的分布;
基于所述包裹送达数量在每个所述基础时段的分布和所述所述预设周期内的包裹送达数量,确定未送达的包裹的到达预期。
楼宇包裹送达数量预估方法为了解决上述技术问题,本申请实施例还提供一种楼宇包裹送达数量预估装置,包括:
基础时段划分模块,用于将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,其中,N为正整数;
参考时段获取模块,用于从前N+1个基础时段中,获取至少两个所述基础时段,作为参考时段;
第一规模确定模块,用于获取参考时段的每个楼层人群规模,作为第一人群规模;
第二规模确定模块,用于基于每个所述第一人群规模进行线性回归,得到预设周期内的预估人群规模;
加权系数计算模块,用于基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数;
送达数量预估模块,用于基于所述加权系数和所述预估人群规模,确定所述预设周期内的包裹送达数量。
可选地,所述第一规模确定模块包括:
负载数据获取单元,用于在每个所述参考时段,获取电梯在每层停靠时的负载数据;
人群规模变更单元,用于在电梯负载发生变化时,获取变化后的负载数据,计算基于负载变化的数值,并对当前位置对应的楼层人群规模进行更新,得到更新后的人群规模,将所述更新后的人群规模,最为所述第一人群规模。
可选地,所述第二规模确定模块包括:
线性回归单元,用于基于每个所述第一人群规模进行线性回归,得到参考时段之后的每个基础时段的第二人群规模;
汇总单元,用于将每个所述参考时段的所述第一人群规模和每个所述参考时段之后的基础时段的所述第二人群规模进行求和,得到所述预设周期内的预估人群规模。
可选地,所述装置还包括:
人群规模修正模块,用于基于如下公式对所述预估人群规模进行修正:
其中,N’为预设周期内修正后的预估人群规模,所述N为所述预设周期内的预估人群规模,所述n为当前时间点对应基础时段的第二人群规模,所述t为当前时间点,所述T1为预设周期的开始时间点,所述T2为预设周期的结束时间点。
可选地,所述装置还包括:
归一化模块,用于对所述预设周期内的包裹送达数量进行归一化处理,得到包裹送达数量在每个所述基础时段的分布;
预估模块,用于基于所述包裹送达数量在每个所述基础时段的分布和所述所述预设周期内的包裹送达数量,确定未送达的包裹的到达预期。
楼宇包裹送达数量预估装置为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述楼宇包裹送达数量预估方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述楼宇包裹送达数量预估方法的步骤。
本发明实施例提供的楼宇包裹送达数量预估方法、装置、计算机设备及存储介质,通过将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,从前N+1个基础时段中,获取至少两个基础时段,作为参考时段,获取参考时段的每个楼层人群规模,作为第一人群规模,基于每个第一人群规模进行线性回归,得到预设周期内的预估人群规模,基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数,基于加权系数和预估人群规模,确定预设周期内的包裹送达数量,提高楼宇包裹送达数量预估的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是本申请的楼宇包裹送达数量预估方法的一个实施例的流程图;
图3是根据本申请的楼宇包裹送达数量预估装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请实施例所提供的楼宇包裹送达数量预估方法由服务器执行,相应地,楼宇包裹送达数量预估装置设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器,本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2,图2示出本发明实施例提供的一种楼宇包裹送达数量预估方法,以该方法应用在图1中的服务端为例进行说明,本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本实施例的具体详述如下:
S201:将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,其中,N为正整数。
其中,预设周期为预先设定的时间周期,优选地,本实施例预设周期为1天。
其中,固定时间间隔可以根据实际环境设定,此处不做具体限定。
需要说明的是,包裹的到达时间取决于下单时间、接单时间、装配过程、交通状况等多重因素,在小范围时间内具有极高的不确定性,过细的时段划分不仅增加了计算量(训练难以收敛),还会增加预测的波动性,本实施例中,作为一种优选方式,将固定时间间隔设置为10分钟,得到144个基础时段。
S202:从前N+1个基础时段中,获取至少两个基础时段,作为参考时段。
具体地,考虑到通过先到达的包裹对未到达的包裹的达到时间分布进行预测,本实施例中,从前一半基础时段中,随机获取至少两个基础时段,作为参考时段。
S203:获取参考时段的每个楼层人群规模,作为第一人群规模。
具体地,通过对参考时段的电梯负载数据进行解析,得到每个楼层的人群规模,作为第一人群规模。
具体得到每个楼层人群规模的实现过程,可参考后续实施例的描述,为避免重复,此处不再赘述。
S204:基于每个第一人群规模进行线性回归,得到预设周期内的预估人群规模。
在得到参考时段对应的第一人群规模之后,按照线性回归的方式,对非参考时段,或者参考时段之后的基础时段进行人群规模预测,进而得到预设周期内的预估人群规模。
S205:基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数。
具体地,通过采用机器学习的方式,对历史数据进行训练,得到预设周期内到达包裹与人群规模的关系,进而确定加权系数。
其中,所述加权系数用于对所述人群规模进行加权得到预设周期内到达包裹数量。
S206:基于加权系数和预估人群规模,确定预设周期内的包裹送达数量。
本实施例中,通过将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,从前N+1个基础时段中,获取至少两个基础时段,作为参考时段,获取参考时段的每个楼层人群规模,作为第一人群规模,基于每个第一人群规模进行线性回归,得到预设周期内的预估人群规模,基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数,基于加权系数和预估人群规模,确定预设周期内的包裹送达数量,提高楼宇包裹送达数量预估的准确性。
在一具体可选实施方式中,步骤S203中,获取参考时段的每个楼层人群规模,作为第一人群规模包括:
在每个参考时段,获取电梯在每层停靠时的负载数据;
在电梯负载发生变化时,获取变化后的负载数据,计算基于负载变化的数值,并对当前位置对应的楼层人群规模进行更新,得到更新后的人群规模,将更新后的人群规模,最为第一人群规模。
具体地,变化后的负载数据为获取停靠时的负载数据后,第一次发生变化获取的数据,基于如下公式计算楼层人群规模的增加值:
其中,精度系数可根据实际需要进行设定,额定担任体重可参考实际标准进行设定。
需要说明的是,由于人体的重量并不是固定值,这样的估计会存在偏差。本实施例引入精度系数使得小数部分也具有一定的叠加效果,例如:精度系数为2时,单次的人口增加值可以为0.5而不会因为取整变为0;其次按天进行累计,使得单日间的误差互补影响。
在一具体可选实施方式中,步骤S204中,基于每个第一人群规模进行线性回归,得到预设周期内的预估人群规模包括:
基于每个第一人群规模进行线性回归,得到参考时段之后的每个基础时段的第二人群规模;
将每个参考时段的第一人群规模和每个参考时段之后的基础时段的第二人群规模进行求和,得到预设周期内的预估人群规模。
具体地,考虑到传统上周末和节假日等影响,为使模型可以识别出这样的影响,一般的解决方式都是手动维护一张假期表。但当涉及的国家和地区较多时,这样的工作会变得繁锁且有概率出错。因此本实施例基于电梯数据提出一种自动化解决方案。根据普遍的生活方式,早间的人流基本决定了楼宇当日的人群规模。因此本实施例从前N+1个基础时段中,获取至少两个基础时段,作为参考时段,将每一层的当日人群规模相对于其在参考时段的人群规模分别作线性回归,获得参考时段之后的人群规模,实现通过参考时段推测该层全天人群规模的参数。这种做法实际是利用一小部分人的行为推测整体人群的行为,对于周末和节假日等对人群行为具有普遍影响的因素时,具有很好地自适应性。
在一具体事例中,设置一个时间点较早的预设时间点,对预设时间点(例如上午8点)之前的人群规模,采用传统的半衰加权方式进行预测。这样虽然会高估非工作日的人群规模,但由于预设时间点(上午8点)前的包裹数量普遍较少,与人群规模间的系数接近0,因此实际可能也只是一个包裹以内的偏差。同时预设时间点(上午8点)后便会根据回归参数进行修正,因此误差存在的时间也是可控的。针对非普遍场景也可以增加会提前预测的时间节点。
本实施例中,基于每个第一人群规模进行线性回归,得到参考时段之后的每个基础时段的第二人群规模,进而将每个参考时段的第一人群规模和每个参考时段之后的基础时段的第二人群规模进行求和,得到预设周期内的预估人群规模,实现快速对预设周期内的预估人群规模的预测。
在一具体可选实施方式中,步骤S204之后,也即,在基于每个第一人群规模进行线性回归,得到预设周期内的预估人群规模之后,该方法还包括:
基于如下公式对预估人群规模进行修正:
其中,N’为预设周期内修正后的预估人群规模,N为预设周期内的预估人群规模,n为当前时间点对应基础时段的第二人群规模,t为当前时间点,T1为预设周期的开始时间点,T2为预设周期的结束时间点。
在一具体可选实施方式中,步骤S206之后,也即,在基于加权系数和预估人群规模,确定预设周期内的包裹送达数量之后,该方法还包括:
对预设周期内的包裹送达数量进行归一化处理,得到包裹送达数量在每个基础时段的分布;
基于包裹送达数量在每个基础时段的分布和预设周期内的包裹送达数量,确定未送达的包裹的到达预期。
具体地,在收到一部分包裹后,通过得到的预设周期内的包裹送达数量,确定包裹送达数量在每个基础时段的分布,进而根据已经送达的包裹,确定后续送达包裹的预期,其中,初步计算包裹到达预期的分布采用如下公式:
包裹到达预期分布=预设周期内的包裹送达数量×包裹送达数量在每个基础时段的分布。
本实施例中,通过计算每个基础时段的包裹送达数量分布,对未送达的包裹的送达时间进行预估,有利于及时进行运力调整,提高运输配送效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例楼宇包裹送达数量预估方法一一对应的楼宇包裹送达数量预估装置的原理框图。如图3所示,该楼宇包裹送达数量预估装置包括基础时段划分模块31、参考时段获取模块32、第一规模确定模块33、第二规模确定模块34、加权系数计算模块35和送达数量预估模块36。各功能模块详细说明如下:
基础时段划分模块31,用于将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,其中,N为正整数;
参考时段获取模块32,用于从前N+1个基础时段中,获取至少两个基础时段,作为参考时段;
第一规模确定模块33,用于获取参考时段的每个楼层人群规模,作为第一人群规模;
第二规模确定模块34,用于基于每个第一人群规模进行线性回归,得到预设周期内的预估人群规模;
加权系数计算模块35,用于基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数;
送达数量预估模块36,用于基于加权系数和预估人群规模,确定预设周期内的包裹送达数量。
可选地,第一规模确定模块33包括:
负载数据获取单元,用于在每个参考时段,获取电梯在每层停靠时的负载数据;
人群规模变更单元,用于在电梯负载发生变化时,获取变化后的负载数据,计算基于负载变化的数值,并对当前位置对应的楼层人群规模进行更新,得到更新后的人群规模,将更新后的人群规模,最为第一人群规模。
可选地,第二规模确定模块34包括:
线性回归单元,用于基于每个第一人群规模进行线性回归,得到参考时段之后的每个基础时段的第二人群规模;
汇总单元,用于将每个参考时段的第一人群规模和每个参考时段之后的基础时段的第二人群规模进行求和,得到预设周期内的预估人群规模。
可选地,该装置还包括:
人群规模修正模块,用于基于如下公式对预估人群规模进行修正:
其中,N’为预设周期内修正后的预估人群规模,N为预设周期内的预估人群规模,n为当前时间点对应基础时段的第二人群规模,t为当前时间点,T1为预设周期的开始时间点,T2为预设周期的结束时间点。
可选地,该装置还包括:
归一化模块,用于对预设周期内的包裹送达数量进行归一化处理,得到包裹送达数量在每个基础时段的分布;
预估模块,用于基于包裹送达数量在每个基础时段的分布和预设周期内的包裹送达数量,确定未送达的包裹的到达预期。
关于楼宇包裹送达数量预估装置的具体限定可以参见上文中对于楼宇包裹送达数量预估方法的限定,在此不再赘述。上述楼宇包裹送达数量预估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如安卓安装包压缩的程序代码等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据,例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的楼宇包裹送达数量预估方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种楼宇包裹送达数量预估方法,其特征在于,包括:
将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,其中,N为正整数;
从前N+1个基础时段中,获取至少两个所述基础时段,作为参考时段;
获取参考时段的每个楼层人群规模,作为第一人群规模;
基于每个所述第一人群规模进行线性回归,得到预设周期内的预估人群规模;
基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数;
基于所述加权系数和所述预估人群规模,确定所述预设周期内的包裹送达数量。
2.如权利要求1所述的楼宇包裹送达数量预估方法,其特征在于,所述获取参考时段的每个楼层人群规模,作为第一人群规模包括:
在每个所述参考时段,获取电梯在每层停靠时的负载数据;
在电梯负载发生变化时,获取变化后的负载数据,计算基于负载变化的数值,并对当前位置对应的楼层人群规模进行更新,得到更新后的人群规模,将所述更新后的人群规模,最为所述第一人群规模。
3.如权利要求1所述的楼宇包裹送达数量预估方法,其特征在于,所述基于每个所述第一人群规模进行线性回归,得到预设周期内的预估人群规模包括:
基于每个所述第一人群规模进行线性回归,得到参考时段之后的每个基础时段的第二人群规模;
将每个所述参考时段的所述第一人群规模和每个所述参考时段之后的基础时段的所述第二人群规模进行求和,得到所述预设周期内的预估人群规模。
5.如权利要求1至4任一项所述的楼宇包裹送达数量预估方法,其特征在于,在所述基于所述加权系数和所述预估人群规模,确定所述预设周期内的包裹送达数量之后,所述方法还包括:
对所述预设周期内的包裹送达数量进行归一化处理,得到包裹送达数量在每个所述基础时段的分布;
基于所述包裹送达数量在每个所述基础时段的分布和所述所述预设周期内的包裹送达数量,确定未送达的包裹的到达预期。
6.一种楼宇包裹送达数量预估装置,其特征在于,包括:
基础时段划分模块,用于将预设周期按照固定时间间隔划分为至少2N+1或2N+2个基础时段,其中,N为正整数;
参考时段获取模块,用于从前N+1个基础时段中,获取至少两个所述基础时段,作为参考时段;
第一规模确定模块,用于获取参考时段的每个楼层人群规模,作为第一人群规模;
第二规模确定模块,用于基于每个所述第一人群规模进行线性回归,得到预设周期内的预估人群规模;
加权系数计算模块,用于基于历史数据中预设周期内到达包裹与人群规模的关系,确定加权系数;
送达数量预估模块,用于基于所述加权系数和所述预估人群规模,确定所述预设周期内的包裹送达数量。
7.如权利要求6所述的楼宇包裹送达数量预估装置,其特征在于,所述第一规模确定模块包括:
负载数据获取单元,用于在每个所述参考时段,获取电梯在每层停靠时的负载数据;
人群规模变更单元,用于在电梯负载发生变化时,获取变化后的负载数据,计算基于负载变化的数值,并对当前位置对应的楼层人群规模进行更新,得到更新后的人群规模,将所述更新后的人群规模,最为所述第一人群规模。
8.如权利要求6所述的楼宇包裹送达数量预估装置,其特征在于,所述第二规模确定模块包括:
线性回归单元,用于基于每个所述第一人群规模进行线性回归,得到参考时段之后的每个基础时段的第二人群规模;
汇总单元,用于将每个所述参考时段的所述第一人群规模和每个所述参考时段之后的基础时段的所述第二人群规模进行求和,得到所述预设周期内的预估人群规模。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的楼宇包裹送达数量预估方法。
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至5任一项所述的楼宇包裹送达数量预估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901200.4A CN113657654B (zh) | 2021-08-06 | 2021-08-06 | 楼宇包裹送达数量预估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901200.4A CN113657654B (zh) | 2021-08-06 | 2021-08-06 | 楼宇包裹送达数量预估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657654A true CN113657654A (zh) | 2021-11-16 |
CN113657654B CN113657654B (zh) | 2024-04-19 |
Family
ID=78490451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110901200.4A Active CN113657654B (zh) | 2021-08-06 | 2021-08-06 | 楼宇包裹送达数量预估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657654B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074545A (zh) * | 2016-02-18 | 2018-12-21 | 埃尔瓦有限公司 | 用于机器人车辆的包装管理系统 |
CN109829667A (zh) * | 2017-11-23 | 2019-05-31 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
CN110390503A (zh) * | 2019-07-03 | 2019-10-29 | 北京三快在线科技有限公司 | 模型训练、配送时间确定的方法和装置、存储介质和电子设备 |
CN110443475A (zh) * | 2019-07-23 | 2019-11-12 | 苏宁云计算有限公司 | 分时配送分配方法及装置 |
CN110651284A (zh) * | 2017-05-26 | 2020-01-03 | 索尼公司 | 配送管理装置、货物配送系统和程序 |
CN110877338A (zh) * | 2019-11-29 | 2020-03-13 | 上海有个机器人有限公司 | 一种用于辅助机器人的电梯调度方法、介质、终端和装置 |
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 |
CN112700199A (zh) * | 2020-12-31 | 2021-04-23 | 拉扎斯网络科技(上海)有限公司 | 订单数据处理方法及装置、存储介质、计算机设备 |
CN112884415A (zh) * | 2021-03-11 | 2021-06-01 | 上海有个机器人有限公司 | 一种基于递送机器人自动通知收货人取货的系统及方法 |
-
2021
- 2021-08-06 CN CN202110901200.4A patent/CN113657654B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074545A (zh) * | 2016-02-18 | 2018-12-21 | 埃尔瓦有限公司 | 用于机器人车辆的包装管理系统 |
CN110651284A (zh) * | 2017-05-26 | 2020-01-03 | 索尼公司 | 配送管理装置、货物配送系统和程序 |
CN109829667A (zh) * | 2017-11-23 | 2019-05-31 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
CN110390503A (zh) * | 2019-07-03 | 2019-10-29 | 北京三快在线科技有限公司 | 模型训练、配送时间确定的方法和装置、存储介质和电子设备 |
CN110443475A (zh) * | 2019-07-23 | 2019-11-12 | 苏宁云计算有限公司 | 分时配送分配方法及装置 |
CN110877338A (zh) * | 2019-11-29 | 2020-03-13 | 上海有个机器人有限公司 | 一种用于辅助机器人的电梯调度方法、介质、终端和装置 |
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 |
CN112700199A (zh) * | 2020-12-31 | 2021-04-23 | 拉扎斯网络科技(上海)有限公司 | 订单数据处理方法及装置、存储介质、计算机设备 |
CN112884415A (zh) * | 2021-03-11 | 2021-06-01 | 上海有个机器人有限公司 | 一种基于递送机器人自动通知收货人取货的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113657654B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN108449313B (zh) | 电子装置、互联网服务系统风险预警方法及存储介质 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN112365202B (zh) | 一种多目标对象的评价因子筛选方法及其相关设备 | |
CN111507542B (zh) | 货运订单量测量方法、装置及电子设备 | |
CN112631751A (zh) | 任务调度方法、装置、计算机设备及存储介质 | |
CN113570312B (zh) | 物品配送的调度方法、装置、计算机设备及存储介质 | |
CN112182118A (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN113886721B (zh) | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 | |
CN112631884A (zh) | 基于数据同步的压测方法、装置、计算机设备及存储介质 | |
CN117114909A (zh) | 一种核算规则引擎构建方法、装置、设备及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN113642959B (zh) | 物品配送任务分配方法、装置、计算机设备及存储介质 | |
CN115712422A (zh) | 表单页面的生成方法、装置、计算机设备及存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN110414875B (zh) | 产能数据处理方法、装置、电子设备及计算机可读介质 | |
CN113657654B (zh) | 楼宇包裹送达数量预估方法、装置、设备及存储介质 | |
CN109902847A (zh) | 预测分库订单量的方法和装置 | |
CN112669136A (zh) | 基于大数据的金融产品推荐方法、系统、设备及存储介质 | |
CN113708438B (zh) | 包裹配送机器人的充电控制方法、装置、设备及存储介质 | |
CN115271582A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN114549053A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
CN112764923A (zh) | 计算资源分配方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |