CN113988485A - 站点到货量预测方法、装置、电子设备和计算机可读介质 - Google Patents
站点到货量预测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113988485A CN113988485A CN202111593778.4A CN202111593778A CN113988485A CN 113988485 A CN113988485 A CN 113988485A CN 202111593778 A CN202111593778 A CN 202111593778A CN 113988485 A CN113988485 A CN 113988485A
- Authority
- CN
- China
- Prior art keywords
- historical
- cargo
- station
- target
- cargo quantity
- 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
- 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
- G06Q10/0838—Historical data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了站点到货量预测方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取预设历史时段内目标分拣中心的货量信息集合;基于每个站点,根据货量信息集合包括的对应站点的各个历史货量,生成各个历史货量占比作为历史货量占比组,得到历史货量占比组集合;基于历史货量占比组集合和每个站点,确定站点的历史货量占比是否稳定;响应于确定目标站点的历史货量占比稳定,根据历史货量集合和对应目标站点的各个历史货量,生成目标货量占比;根据目标货量占比和目标分拣中心的预测总货量,生成站点到货量。该实施方式可以自动化且快速地确定分拣中心的各个站点的货量占比稳定性,提高了预测的站点到货量的准确性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及站点到货量预测方法、装置、电子设备和计算机可读介质。
背景技术
在进行物流配送时,通常采用首分拣中心-末分拣中心-站点的物流配送网络模式进行配送。对末分拣中心至站点的货物进行配送前,可以根据预测的末分拣中心的总货量预测到达每一站点的站点到货量。因此,需要首先确定站点在末分拣中心的货量占比稳定,才能根据稳定的货量占比预测站点到货量。目前,在预测站点到货量时,通常采用的方式为:基于方差分析或看图分析,从分拣中心维度确定末分拣中心对应的各个站点的货量占比是否稳定,进而预测站点到货量。
然而,当采用上述方式预测站点到货量时,经常会存在如下技术问题:从分拣中心维度确定末分拣中心对应的各个站点的货量占比是否稳定,未考虑每一站点的货量占比在时间维度的波动,需要利用专家经验知识才能确定货量占比是否稳定,分析速度较慢,且分析结果的主观性较强,造成预测的站点到货量的准确性较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了站点到货量预测方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种站点到货量预测方法,该方法包括:获取预设历史时段内目标分拣中心的货量信息集合,其中,上述货量信息集合中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量;基于上述各个站点中的每个站点,根据上述货量信息集合包括的对应上述站点的各个历史货量,生成上述预设历史时段内上述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合;基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定;响应于确定上述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和上述历史货量集合中对应上述目标站点的各个历史货量,生成目标货量占比,其中,上述历史货量集合为上述货量信息集合所包括的历史货量的集合;根据上述目标货量占比和对应上述目标分拣中心的预测总货量,生成对应上述目标站点的站点到货量。
可选地,方法还包括:根据对应上述目标站点的各个分拣中心的预测总货量和上述目标站点对应于上述各个分拣中心的目标货量占比,生成对应上述目标站点的站点到货总量,其中,上述预设历史时段内上述目标站点在上述各个分拣中心的历史货量占比稳定。
可选地,上述货量信息集合中的货量信息还包括各个站点的历史货物总体量,方法还包括:从上述货量信息集合包括的各个货量信息中提取对应上述目标站点的历史货物总体量,得到历史货物总体量集合;根据上述历史货物总体量集合,确定目标货物总体量;根据上述目标货物总体量和上述站点到货量,从预设的运输车辆标识组中选择对应上述目标站点的运输车辆标识;控制上述运输车辆标识对应的运输车辆行驶至上述目标分拣中心。
可选地,方法还包括:控制相关联的物品搬运设备将对应于上述目标站点的物品搬运至上述运输车辆;控制装载有对应于上述目标站点的物品的运输车辆行驶至上述目标站点。
可选地,上述基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定,包括:基于上述历史货量占比组集合中的每个历史货量占比组,确定上述历史货量占比组对应的历史货量占比极差,得到历史货量占比极差集合;将上述历史货量集合包括的各个历史货量的和确定为上述预设历史时段内的总历史货量;将上述历史货量占比极差集合中小于等于预设极差的各个历史货量占比极差对应的各个站点确定为待备选站点集合;将上述历史货量集合包括的对应上述待备选站点集合的各个历史货量的和确定为站点历史货量和;响应于确定上述站点历史货量和与上述总历史货量的比值大于等于预设比值,将对应上述站点历史货量和的各个站点确定为备选站点集合。
可选地,上述确定上述预设历史时段内上述站点的历史货量占比是否稳定,包括:响应于上述备选站点集合包括上述站点,且上述货量信息集合中对应于上述站点的各个历史货量的极差小于等于预设货量极差,确定上述预设历史时段内上述站点的历史货量占比稳定。
可选地,在上述获取预设历史时段内目标分拣中心的货量信息集合之后,方法还包括:根据上述货量信息集合包括的各个货量信息,确定上述各个站点中的每个站点在上述预设历史时段内的历史货量序列,得到历史货量序列集合;响应于上述历史货量序列集合中存在至少一个包括的历史货量均小于预设货量阈值的历史货量序列,将包括的历史货量均小于上述预设货量阈值的各个历史货量序列确定为待剔除历史货量序列集合;从上述货量信息集合中剔除上述待剔除历史货量序列集合包括的各个历史货量。
可选地,在上述根据上述货量信息集合包括的各个货量信息,确定上述各个站点中的每个站点在上述预设历史时段内的历史货量序列,得到历史货量序列集合之后,方法还包括:响应于上述历史货量序列集合中存在至少一个包括的历史货量满足预设离群条件的历史货量序列,将包括的历史货量满足上述预设离群条件的各个历史货量序列确定为待平滑历史货量序列集合;对于上述待平滑历史货量序列集合中每个待平滑历史货量序列包括的满足上述预设离群条件的每个历史货量,根据上述待平滑历史货量序列,生成上述历史货量的平滑历史货量,以及将上述历史货量替换为上述平滑历史货量。
第二方面,本公开的一些实施例提供了一种站点到货量预测装置,装置包括:获取单元,被配置成获取预设历史时段内目标分拣中心的货量信息集合,其中,上述货量信息集合中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量;第一生成单元,被配置成基于上述各个站点中的每个站点,根据上述货量信息集合包括的对应上述站点的各个历史货量,生成上述预设历史时段内上述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合;确定单元,被配置成基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定;第二生成单元,被配置成响应于确定上述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和上述历史货量集合中对应上述目标站点的各个历史货量,生成目标货量占比,其中,上述历史货量集合为上述货量信息集合所包括的历史货量的集合;第三生成单元,被配置成根据上述目标货量占比和对应上述目标分拣中心的预测总货量,生成对应上述目标站点的站点到货量。
可选地,装置还包括:站点到货总量生成单元,被配置成根据对应上述目标站点的各个分拣中心的预测总货量和上述目标站点对应于上述各个分拣中心的目标货量占比,生成对应上述目标站点的站点到货总量,其中,上述预设历史时段内上述目标站点在上述各个分拣中心的历史货量占比稳定。
可选地,上述货量信息集合中的货量信息还包括各个站点的历史货物总体量。
可选地,装置还包括:历史货物总体量提取单元、目标货物总体量生成单元、运输车辆标识选择单元和第一运输车辆控制单元。其中,历史货物总体量提取单元被配置成从上述货量信息集合包括的各个货量信息中提取对应上述目标站点的历史货物总体量,得到历史货物总体量集合。目标货物总体量生成单元被配置成根据上述历史货物总体量集合,确定目标货物总体量。运输车辆标识选择单元被配置成根据上述目标货物总体量和上述站点到货量,从预设的运输车辆标识组中选择对应上述目标站点的运输车辆标识。第一运输车辆控制单元被配置成控制上述运输车辆标识对应的运输车辆行驶至上述目标分拣中心。
可选地,装置还包括:物品搬运设备控制单元和第二运输车辆控制单元。其中,物品搬运设备控制单元被配置成控制相关联的物品搬运设备将对应于上述目标站点的物品搬运至上述运输车辆。第二运输车辆控制单元被配置成控制装载有对应于上述目标站点的物品的运输车辆行驶至上述目标站点。
可选地,确定单元包括:历史货量占比极差确定单元、总历史货量确定单元、待备选站点集合确定单元、站点历史货量和确定单元和备选站点集合确定单元。其中,历史货量占比极差确定单元被配置成基于上述历史货量占比组集合中的每个历史货量占比组,确定上述历史货量占比组对应的历史货量占比极差,得到历史货量占比极差集合。总历史货量确定单元被配置成将上述历史货量集合包括的各个历史货量的和确定为上述预设历史时段内的总历史货量。待备选站点集合确定单元被配置成将上述历史货量占比极差集合中小于等于预设极差的各个历史货量占比极差对应的各个站点确定为待备选站点集合。站点历史货量和确定单元被配置成将上述历史货量集合包括的对应上述待备选站点集合的各个历史货量的和确定为站点历史货量和。备选站点集合确定单元被配置成响应于确定上述站点历史货量和与上述总历史货量的比值大于等于预设比值,将对应上述站点历史货量和的各个站点确定为备选站点集合。
可选地,确定单元还包括:历史货量占比稳定性确定单元,被配置成响应于上述备选站点集合包括上述站点,且上述货量信息集合中对应于上述站点的各个历史货量的极差小于等于预设货量极差,确定上述预设历史时段内上述站点的历史货量占比稳定。
可选地,在获取单元之后,装置还包括:历史货量序列确定单元、待剔除历史货量序列集合确定单元和历史货量剔除单元。其中,历史货量序列确定单元被配置成根据上述货量信息集合包括的各个货量信息,确定上述各个站点中的每个站点在上述预设历史时段内的历史货量序列,得到历史货量序列集合。待剔除历史货量序列集合确定单元被配置成响应于上述历史货量序列集合中存在至少一个包括的历史货量均小于预设货量阈值的历史货量序列,将包括的历史货量均小于上述预设货量阈值的各个历史货量序列确定为待剔除历史货量序列集合。历史货量剔除单元被配置成从上述货量信息集合中剔除上述待剔除历史货量序列集合包括的各个历史货量。
可选地,在历史货量序列确定单元之后,装置还包括:待平滑历史货量序列集合确定单元和历史货量平滑单元。其中,待平滑历史货量序列集合确定单元被配置成响应于上述历史货量序列集合中存在至少一个包括的历史货量满足预设离群条件的历史货量序列,将包括的历史货量满足上述预设离群条件的各个历史货量序列确定为待平滑历史货量序列集合。历史货量平滑单元被配置成对于上述待平滑历史货量序列集合中每个待平滑历史货量序列包括的满足上述预设离群条件的每个历史货量,根据上述待平滑历史货量序列,生成上述历史货量的平滑历史货量,以及将上述历史货量替换为上述平滑历史货量。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的站点到货量预测方法,可以自动化且快速地确定分拣中心对应的各个站点的货量占比稳定性,预测的站点到货量的准确性有所提高。具体来说,造成不能自动化且快速地确定分拣中心对应的各个站点的货量占比稳定性以及预测的站点到货量的准确性较低的原因在于:从分拣中心维度确定末分拣中心对应的各个站点的货量占比是否稳定,未考虑每一站点的货量占比在时间维度的波动,需要利用专家经验知识才能确定货量占比是否稳定,分析速度较慢,且分析结果的主观性较强,造成预测的站点到货量的准确性较低。基于此,本公开的一些实施例的站点到货量预测方法,首先,获取预设历史时段内目标分拣中心的货量信息集合。其中,上述货量信息集合中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量。由此,获取的预设历史时段内的货量信息集合可以作为确定目标分拣中心对应的各个站点的货量占比稳定性的真实历史数据源。然后,基于上述各个站点中的每个站点,根据上述货量信息集合包括的对应上述站点的各个历史货量,生成上述预设历史时段内上述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合。由此,可以从站点维度,确定每一站点在预设历史时段内各个时间粒度的历史货量占比。之后,基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定。由此,可以根据每一站点在预设历史时段内各个时间粒度的历史货量占比,确定站点历史货量占比的稳定性。其次,响应于确定上述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和上述历史货量集合中对应上述目标站点的各个历史货量,生成目标货量占比。其中,上述历史货量集合为上述货量信息集合所包括的历史货量的集合。由此,针对历史货量占比稳定的站点,可以综合预测其在分拣中心的货量占比。最后,根据上述目标货量占比和对应上述目标分拣中心的预测总货量,生成对应上述目标站点的站点到货量。由此,可以根据在先预测的分拣中心的预测总货量和预测的站点在该分拣中心的货量占比,预测从该分拣中心到该站点的站点到货量。也因为每个历史货量占比组是每一站点在预设历史时段内各个时间粒度的历史货量占比,可以体现历史货量占比在时间维度的波动,从而可以自动确定站点历史货量占比的稳定性。由此,可以自动化且快速地确定分拣中心对应的各个站点的货量占比稳定性,进而提高了预测的站点到货量的准确性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的站点到货量预测方法的一个应用场景的示意图;
图2是根据本公开的站点到货量预测方法的一些实施例的流程图;
图3是根据本公开的站点到货量预测方法的另一些实施例的流程图;
图4是根据本公开的站点到货量预测方法的又一些实施例的流程图;
图5是根据本公开的站点到货量预测装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的站点到货量预测方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取预设历史时段内目标分拣中心的货量信息集合102。其中,上述货量信息集合102中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量。然后,计算设备101可以基于上述各个站点中的每个站点,根据上述货量信息集合102包括的对应上述站点的各个历史货量,生成上述预设历史时段内上述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合103。之后,计算设备101可以基于上述历史货量占比组集合103和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定。其次,计算设备101可以响应于确定上述各个站点中目标站点的历史货量占比稳定,根据历史货量集合104和上述历史货量集合104中对应上述目标站点的各个历史货量,生成目标货量占比105。其中,上述历史货量集合104为上述货量信息集合102所包括的历史货量的集合。最后,计算设备101可以根据上述目标货量占比105和对应上述目标分拣中心的预测总货量106,生成对应上述目标站点的站点到货量107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备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计算设备。
继续参考图2,示出了根据本公开的站点到货量预测方法的一些实施例的流程200。该站点到货量预测方法,包括以下步骤:
步骤201,获取预设历史时段内目标分拣中心的货量信息集合。
在一些实施例中,站点到货量预测方法的执行主体(例如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式从终端获取预设历史时段内目标分拣中心的货量信息集合。其中,上述预设历史时段可以为在先设定的任意历史时段。这里对于预设历史时段的具体设定,不作限定。上述目标分拣中心可以为任意一个末分拣中心。上述末分拣中心可以为用于直接向各个站点配送货物的分拣仓。上述目标分拣中心对应的站点的数量可以大于等于预设数量。例如,预设数量可以为3。这里,对于上述预设数量的具体设定,不作限定。
上述站点可以直接供用户提取货物。上述货量信息集合中的各个货量信息对应上述预设历史时段内的各个时间粒度。例如,上述预设历史时段可以为“2021/10/11-2021/10/24”。则上述货量信息集合中的第一个货量信息对应时间粒度2021/10/11。上述货量信息集合中的第二个货量信息对应时间粒度2021/10/12。上述货量信息可以包括上述目标分拣中心分拣至对应的各个站点的各个历史货量。可以理解为,上述货量信息可以包括一个时间粒度下各个站点的历史货量。上述历史货量可以为到达上述目标分拣中心的一站点的历史包裹数量。
作为示例,上述预设历史时段可以为“2021/10/11-2021/10/14”。上述货量信息集合可以为:
[站点a:60,站点b:40,站点c:20,站点d:80];
[站点a:40,站点b:40,站点c:80,站点d:40];
[站点a:50,站点b:60,站点c:80,站点d:30];
[站点a:50,站点b:50,站点c:70,站点d:40]。
其中,第一个货量信息[站点a:60,站点b:40,站点c:20,站点d:80]对应的时间粒度为2021/10/11。第二个货量信息[站点a:40,站点b:40,站点c:80,站点d:40]对应的时间粒度为2021/10/12。第三个货量信息[站点a:50,站点b:60,站点c:80,站点d:30]对应的时间粒度为2021/10/13。第四个货量信息[站点a:50,站点b:50,站点c:70,站点d:40]对应的时间粒度为2021/10/14。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。由此,获取的预设历史时段内的货量信息集合可以作为确定目标分拣中心对应的各个站点的货量占比稳定性的真实历史数据源。
可选地,首先,上述执行主体可以根据上述货量信息集合包括的各个货量信息,确定上述各个站点中的每个站点在上述预设历史时段内的历史货量序列,得到历史货量序列集合。实践中,上述执行主体可以从上述各个货量信息中提取上述站点在各个时间粒度的历史货量,得到历史货量序列。然后,可以响应于上述历史货量序列集合中存在至少一个包括的历史货量均小于预设货量阈值的历史货量序列,将包括的历史货量均小于上述预设货量阈值的各个历史货量序列确定为待剔除历史货量序列集合。其中,上述预设货量阈值可以为预先设定的最小货量阈值。这里,对于上述货量阈值的具体设定,不作限定。最后,可以从上述货量信息集合中剔除上述待剔除历史货量序列集合包括的各个历史货量。由此,可以预先剔除每个时间粒度的历史货量均小于预设货量阈值的站点的历史货量。
可选地,在上述根据上述货量信息集合包括的各个货量信息,确定上述各个站点中的每个站点在上述预设历史时段内的历史货量序列,得到历史货量序列集合之后,首先,上述执行主体可以响应于上述历史货量序列集合中存在至少一个包括的历史货量满足预设离群条件的历史货量序列,将包括的历史货量满足上述预设离群条件的各个历史货量序列确定为待平滑历史货量序列集合。
其中,上述预设离群条件可以包括但不限于以下至少一项:历史货量序列中存在大于上述历史货量序列包括的各个历史货量的均值的N倍的历史货量,历史货量序列中存在小于上述历史货量序列包括的各个历史货量的均值的M倍的历史货量,历史货量序列中存在大于上四分位数与四分位间距X倍的和的历史货量,历史货量序列中存在小于下四分位数与四分位间距Y倍的差的历史货量。上述历史货量序列中四分之一的历史货量大于上述上四分位数。上述历史货量序列中四分之一的历史货量小于上述下四分位数。上述四分位间距为上述上四分位数与上述下四分位数的差。这里,N为大于1的数值。例如,N可以为10。M为小于1的数值。例如,M可以为0.1。X和Y为大于1的数值。例如,X、Y可以均为1.5。对于N、M、X和Y的具体设定,不作限定。然后,对于上述待平滑历史货量序列集合中每个待平滑历史货量序列包括的满足上述预设离群条件的每个历史货量,可以根据上述待平滑历史货量序列,生成上述历史货量的平滑历史货量,以及将上述历史货量替换为上述平滑历史货量。
实践中,首先,上述执行主体可以将上述历史货量从上述待平滑历史货量序列中剔除。然后,可以将剔除上述历史货量后的待平滑历史货量序列包括的待平滑历史货量的均值确定为平滑历史货量。之后,可以,将上述平滑历史货量添加至上述待平滑历史货量序列中上述历史货量对应的位置。由此,可以对极大或极小的历史货量进行平滑处理。
步骤202,基于各个站点中的每个站点,根据货量信息集合包括的对应站点的各个历史货量,生成预设历史时段内站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合。
在一些实施例中,上述执行主体可以基于上述各个站点中的每个站点,根据上述货量信息集合包括的对应上述站点的各个历史货量,生成上述预设历史时段内上述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合。实践中,对于上述各个站点中的每个站点,首先,上述执行主体可以将上述货量信息集合包括的对应上述站点的各个历史货量的和确定为站点总历史货量。然后,可以将上述货量信息集合包括的对应上述站点的每个历史货量与上述站点总历史货量的比值确定为历史货量占比,得到历史货量占比组。进而可以得到历史货量占比组集合。由此,可以从站点维度,确定每一站点在预设历史时段内各个时间粒度的历史货量占比。
作为示例,对于步骤201中示例的货量信息集合中的站点a,上述货量信息集合包括的对应上述站点a的各个历史货量的和为200(60+40+50+50=200)。对于上述货量信息集合包括的对应上述站点a的第一个历史货量60,上述执行主体可以将历史货量60与上述站点总历史货量200的比值确定为历史货量占比3/10。对于上述货量信息集合包括的对应上述站点a的第二个历史货量40,上述执行主体可以将历史货量40与上述站点总历史货量200的比值确定为历史货量占比2/10。对于上述货量信息集合包括的对应上述站点a的第三个或第四个历史货量50,上述执行主体可以将历史货量50与上述站点总历史货量200的比值确定为历史货量占比1/4。由此,得到的对应站点a的历史货量占比组为[3/10,2/10,1/4,1/4]。得到的对应站点b的历史货量占比组为[4/19,4/19,6/19,5/19]。得到的对应站点c的历史货量占比组为[2/25,8/25,8/25,7/25]。得到的对应站点d的历史货量占比组为[8/19,4/19,3/19,4/19]。
步骤203,基于历史货量占比组集合和各个站点中的每个站点,确定预设历史时段内站点的历史货量占比是否稳定。
在一些实施例中,上述执行主体可以基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定。实践中,首先,上述执行主体可以将上述历史货量占比组集合中每个历史货量占比组包括的最大历史货量占比与最小历史货量占比的差确定为货量占比极差,得到货量占比极差集合。作为示例,对于步骤202示例的历史货量占比组集合中对应站点a的历史货量占比组[3/10,2/10,1/4,1/4],货量占比极差为1/10。对于对应站点b的历史货量占比组[4/19,4/19,6/19,5/19],货量占比极差为2/19。对于对应站点c的历史货量占比组[2/25,8/25,8/25,7/25],货量占比极差为6/25。对于对应站点d的历史货量占比组[8/19,4/19,3/19,4/19],货量占比极差为5/19。得到的货量占比极差集合为[1/10,2/19,6/25,5/19]。
然后,可以将上述货量信息集合中各个货量信息所包括的各个历史货量的和确定为历史货量总和。作为示例,步骤201示例的货量信息集合中第一个货量信息所包括的各个历史货量的和为200(60+40+20+80=200)。第二个货量信息所包括的各个历史货量的和为200(40+40+80+40=200)。第三个货量信息所包括的各个历史货量的和为220(50+60+80+30=220)。第四个货量信息所包括的各个历史货量的和为210(50+50+70+40=210)。则步骤201示例的历史货量占比组集合中四个货量信息所包括的各个历史货量的和为830(200+200+220+210=830)。
之后,可以将上述货量占比极差集合中小于等于预设极差的各个货量占比极差对应的各个站点确定为待备选站点集合。作为示例,上述预设极差可以为0.25。则货量占比极差集合[1/10,2/19,6/25,5/19]中小于等于上述预设极差0.25的货量占比极差为1/10、2/19和6/25。货量占比极差1/10、2/19和6/25对应的站点分别为站点a、站点b和站点c。则待备选站点集合为[站点a,站点b,站点c]。
其次,可以将上述货量信息集合包括的对应上述待备选站点集合中各个待备选站点的各个历史货量的和确定为站点历史货量和。作为示例,步骤201示例的货量信息集合中对应待备选站点a的各个历史货量为60、40、50和50。对应待备选站点b的各个历史货量为40、40、60和50。对应待备选站点c的各个历史货量为20、80、80和70。由此,确定的站点历史货量和为640(60+40+50+50+40+40+60+50+20+80+80+70=640)。
之后,可以响应于确定上述站点历史货量和与上述历史货量总和的比值大于等于预设比值,将上述待备选站点集合确定为备选站点集合。作为示例,上述站点历史货量和可以为640。上述历史货量总和可以为830。上述站点历史货量和640与上述历史货量总和830的比值为64/83(约为0.77)。上述预设比值可以为0.7。则上述站点历史货量和640与上述历史货量总和830的比值64/83大于上述预设比值0.7,上述执行主体可以将上述待备选站点集合[站点a,站点b,站点c]确定为备选站点集合。
最后,可以响应于确定上述站点存在于上述备选站点集合,确定上述预设历史时段内上述站点的历史货量占比稳定。这里,对于预设极差和预设比值的具体设定,不作限定。作为示例,上述站点可以为站点a,上述执行主体可以响应于确定上述站点a存在于上述备选站点集合[站点a,站点b,站点c],确定上述预设历史时段内上述站点a的历史货量占比稳定。
由此,可以根据每一站点在预设历史时段内各个时间粒度的历史货量占比,确定站点历史货量占比的稳定性。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤,基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定:
第一步,基于上述历史货量占比组集合中的每个历史货量占比组,确定上述历史货量占比组对应的历史货量占比极差,得到历史货量占比极差集合。其中,上述历史货量占比极差可以为上述历史货量占比组中最大的历史货量占比和最小的历史货量占比的差。
第二步,将上述历史货量集合包括的各个历史货量的和确定为上述预设历史时段内的总历史货量。
第三步,将上述历史货量占比极差集合中小于等于预设极差的各个历史货量占比极差对应的各个站点确定为待备选站点集合。其中,上述预设极差可以为预先设定的极差。这里,对于预设极差的具体设定,不作限定。实践中,上述执行主体可以将上述历史货量占比极差集合中小于等于预设极差的每个历史货量占比极差对应的站点确定为待备选站点,得到待备选站点集合。
第四步,将上述历史货量集合包括的对应上述待备选站点集合的各个历史货量的和确定为站点历史货量和。实践中,首先,上述执行主体可以将上述历史货量集合包括的对应上述待备选站点集合中每个待备选站点的各个历史货量的和确定为单站点历史货量和,得到单站点历史货量和集合。然后,可以将上述单站点历史货量和集合所包括的单站点历史货量和的和确定为站点历史货量和。
第五步,响应于确定上述站点历史货量和与上述总历史货量的比值大于等于预设比值,将对应上述站点历史货量和的各个站点确定为备选站点集合。其中,上述预设比值可以为预先设定的小于等于1的比值。这里,对于预设比值的具体设定,不作限定。对应上述站点历史货量和的各个站点的历史货量的和为上述站点历史货量和。
第六步,响应于上述备选站点集合包括上述站点,且上述货量信息集合中对应于上述站点的各个历史货量的极差小于等于预设货量极差,确定上述预设历史时段内上述站点的历史货量占比稳定。其中,上述预设货量极差可以为预先设定的货量的极差。这里,对于预设货量极差的具体设定,不作限定。
由此,可以在历史货量占比极差小于预设极差的各个站点的历史货量总占比大于等于预设比值,且当前站点的各个历史货量的极差小于等于预设货量极差时,才确定当前站点的历史货量占比稳定。
步骤204,响应于确定各个站点中目标站点的历史货量占比稳定,根据历史货量集合和历史货量集合中对应目标站点的各个历史货量,生成目标货量占比。
在一些实施例中,上述执行主体可以响应于确定上述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和上述历史货量集合中对应上述目标站点的各个历史货量,生成目标货量占比。其中,上述历史货量集合可以为由上述货量信息集合所包括的历史货量组成的集合。上述目标站点可以为上述各个站点中任意一个站点。实践中,响应于确定上述各个站点中目标站点的历史货量占比稳定,首先,上述执行主体可以从上述历史货量集合中选择上述目标站点在各个时间粒度的历史货量作为目标历史货量,得到目标历史货量集合。作为示例,上述目标站点可以为站点a。历史货量集合可以为:
[60(站点a),40(站点b),20(站点c),80(站点d)];
[40(站点a),40(站点b),80(站点c),40(站点d)];
[50(站点a),60(站点b),80(站点c),30(站点d)];
[50(站点a),50(站点b),70(站点c),40(站点d)]。
上述历史货量集合中上述目标站点a在各个时间粒度的历史货量为60、40、50和50。得到的目标历史货量集合为[60,40,50,50]。
然后,可以将上述目标历史货量集合所包括的各个目标历史货量的和确定为目标历史货量总和。作为示例,上述目标历史货量集合[60,40,50,50]所包括的各个目标历史货量的和为200(60+40+50+50=200)。
之后,可以将上述目标历史货量总和与上述历史货量集合对应的上述历史货量总和的比值确定为目标货量占比。作为示例,上述目标历史货量总和可以为200。上述历史货量总和可以为830。则确定的目标货量占比为20/83。
由此,针对历史货量占比稳定的站点,可以综合预测其在分拣中心的货量占比。
步骤205,根据目标货量占比和对应目标分拣中心的预测总货量,生成对应目标站点的站点到货量。
在一些实施例中,上述执行主体可以根据上述目标货量占比和对应上述目标分拣中心的预测总货量,生成对应上述目标站点的站点到货量。其中,上述预测总货量可以为预先预测的上述目标分拣中心的总货量。这里,对于预测上述预测总货量的方式,不作限定。实践中,上述执行主体可以将上述目标货量占比与上述预测总货量的乘积确定为对应上述目标站点的站点到货量。由此,可以根据在先预测的分拣中心的预测总货量和预测的站点在该分拣中心的货量占比,预测从该分拣中心到该站点的站点到货量。
作为示例,上述预测总货量可以为996。上述目标货量占比可以为20/83。则对应目标站点a的站点到货量可以为240(996×20/83=240)。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的站点到货量预测方法,可以自动化且快速地确定分拣中心对应的各个站点的货量占比稳定性,预测的站点到货量的准确性有所提高。具体来说,造成不能自动化且快速地确定分拣中心对应的各个站点的货量占比稳定性以及预测的站点到货量的准确性较低的原因在于:从分拣中心维度确定末分拣中心对应的各个站点的货量占比是否稳定,未考虑每一站点的货量占比在时间维度的波动,需要利用专家经验知识才能确定货量占比是否稳定,分析速度较慢,且分析结果的主观性较强,造成预测的站点到货量的准确性较低。
基于此,本公开的一些实施例的站点到货量预测方法,首先,获取预设历史时段内目标分拣中心的货量信息集合。其中,上述货量信息集合中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量。由此,获取的预设历史时段内的货量信息集合可以作为确定目标分拣中心对应的各个站点的货量占比稳定性的真实历史数据源。然后,基于上述各个站点中的每个站点,根据上述货量信息集合包括的对应上述站点的各个历史货量,生成上述预设历史时段内上述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合。由此,可以从站点维度,确定每一站点在预设历史时段内各个时间粒度的历史货量占比。之后,基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定。
由此,可以根据每一站点在预设历史时段内各个时间粒度的历史货量占比,确定站点历史货量占比的稳定性。其次,响应于确定上述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和上述历史货量集合中对应上述目标站点的各个历史货量,生成目标货量占比。其中,上述历史货量集合为上述货量信息集合所包括的历史货量的集合。由此,针对历史货量占比稳定的站点,可以综合预测其在分拣中心的货量占比。
最后,根据上述目标货量占比和对应上述目标分拣中心的预测总货量,生成对应上述目标站点的站点到货量。由此,可以根据在先预测的分拣中心的预测总货量和预测的站点在该分拣中心的货量占比,预测从该分拣中心到该站点的站点到货量。也因为每个历史货量占比组是每一站点在预设历史时段内各个时间粒度的历史货量占比,可以体现历史货量占比在时间维度的波动,从而可以自动确定站点历史货量占比的稳定性。由此,可以自动化且快速地确定分拣中心对应的各个站点的货量占比稳定性,进而提高了预测的站点到货量的准确性。
进一步参考图3,其示出了站点到货量预测方法的另一些实施例的流程300。该站点到货量预测方法的流程300,包括以下步骤:
步骤301,获取预设历史时段内目标分拣中心的货量信息集合。
步骤302,基于各个站点中的每个站点,根据货量信息集合包括的对应站点的各个历史货量,生成预设历史时段内站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合。
步骤303,基于历史货量占比组集合和各个站点中的每个站点,确定预设历史时段内站点的历史货量占比是否稳定。
步骤304,响应于确定各个站点中目标站点的历史货量占比稳定,根据历史货量集合和历史货量集合中对应目标站点的各个历史货量,生成目标货量占比。
步骤305,根据目标货量占比和对应目标分拣中心的预测总货量,生成对应目标站点的站点到货量。
在一些实施例中,步骤301-305的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-205,在此不再赘述。
步骤306,根据对应目标站点的各个分拣中心的预测总货量和目标站点对应于各个分拣中心的目标货量占比,生成对应目标站点的站点到货总量。
在一些实施例中,站点到货量预测方法的执行主体(例如图1所示的计算设备101)可以根据对应上述目标站点的各个分拣中心的预测总货量和上述目标站点对应于上述各个分拣中心的目标货量占比,生成对应上述目标站点的站点到货总量。其中,上述预设历史时段内上述目标站点在上述各个分拣中心的历史货量占比稳定。上述各个分拣中心可以为用于直接向上述目标站点配送货物的末分拣中心。实践中,对于上述各个分拣中心中的每个分拣中心,上述执行主体可以将对应上述分拣中心的预测总货量和目标货量占比的乘积确定为站点到货量。然后,可以将所得到的站点到货量的和确定为站点到货总量。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的站点到货量预测方法的流程300体现了对站点到货总量进行扩展的步骤。由此,这些实施例描述的方案可以根据在先预测的各个分拣中心的预测总货量和预测的站点在各个分拣中心的货量占比,预测从各个分拣中心到该站点的站点到货总量。提高了预测的站点到货总量的准确性。
进一步参考图4,其示出了站点到货量预测方法的又一些实施例的流程400。该站点到货量预测方法的流程400,包括以下步骤:
步骤401,获取预设历史时段内目标分拣中心的货量信息集合。
在一些实施例中,站点到货量预测方法的执行主体(例如图1所示的计算设备101)可以获取预设历史时段内目标分拣中心的货量信息集合。其中,上述货量信息集合中的货量信息还可以包括各个站点的历史货物总体量。上述历史货物总体量可以为对应站点的历史货量的货物的总体量,可以包括但不限于以下中的至少一项:历史货物总体积,历史货物总重量。历史货物总体积可以为对应站点的历史货量的货物的总体积。历史货物总重量可以为对应站点的历史货量的货物的总重量。
步骤402,基于各个站点中的每个站点,根据货量信息集合包括的对应站点的各个历史货量,生成预设历史时段内站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合。
步骤403,基于历史货量占比组集合和各个站点中的每个站点,确定预设历史时段内站点的历史货量占比是否稳定。
步骤404,响应于确定各个站点中目标站点的历史货量占比稳定,根据历史货量集合和历史货量集合中对应目标站点的各个历史货量,生成目标货量占比。
步骤405,根据目标货量占比和对应目标分拣中心的预测总货量,生成对应目标站点的站点到货量。
在一些实施例中,步骤402-405的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤202-205,在此不再赘述。
步骤406,从货量信息集合包括的各个货量信息中提取对应目标站点的历史货物总体量,得到历史货物总体量集合。
在一些实施例中,上述执行主体可以从上述货量信息集合包括的各个货量信息中提取对应上述目标站点的历史货物总体量,得到历史货物总体量集合。实践中,上述执行主体可以依次从各个货量信息中提取对应上述目标站点的历史货物总体量,得到历史货物总体量集合。
步骤407,根据历史货物总体量集合,确定目标货物总体量。
在一些实施例中,上述执行主体可以根据上述历史货物总体量集合,确定目标货物总体量。实践中,首先,上述执行主体可以将上述历史货物总体量集合包括的各个历史货物总体积的均值确定为目标货物总体积。然后,上述执行主体可以将上述历史货物总体量集合包括的各个历史货物总重量的均值确定为目标货物总重量。最后,可以将上述目标货物总体积和上述目标货物总重量组合为目标货物总体量。其中,组合方式可以为字符拼接。由此,可以根据目标站点对应的历史货物总体量集合,预测目标站点的目标货物总体量。
步骤408,根据目标货物总体量和站点到货量,从预设的运输车辆标识组中选择对应目标站点的运输车辆标识。
在一些实施例中,上述执行主体可以根据上述目标货物总体量和上述站点到货量,从预设的运输车辆标识组中选择对应上述目标站点的运输车辆标识。其中,上述运输车辆标识组可以为预先设定的各个运输车辆标识的集合。运输车辆标识可以唯一表示运输车辆。实践中,上述执行主体可以从对应上述运输车辆标识组的运输车辆标识表中选择对应上述目标货物总体量和上述站点到货量的运输车辆标识。上述运输车辆标识表可以为包含货物总体量和站点到货量同时对应的运输车辆标识的表。即,可以从运输车辆标识表中查询到同时对应一货物总体量和一站点到货量的运输车辆标识。由此,可以根据预测的目标站点的目标货物总体量,确定用于运输目标站点的货物的运输车辆。
步骤409,控制运输车辆标识对应的运输车辆行驶至目标分拣中心。
在一些实施例中,上述执行主体可以控制上述运输车辆标识对应的运输车辆行驶至上述目标分拣中心。实践中,上述执行主体可以向上述运输车辆标识对应的运输车辆的车载终端发送表征行驶至上述目标分拣中心的指令,使得上述运输车辆行驶至上述目标分拣中心。由此,可以控制所确定的运输车辆行驶至存储了目标站点的货物的目标分拣中心。
可选地,首先,上述执行主体可以控制相关联的物品搬运设备将对应于上述目标站点的物品搬运至上述运输车辆。其中,上述物品搬运设备可以为用于搬运物品的设备,例如,可以为机械臂。对应于上述目标站点的物品可以为实际到达目标分拣中心的需配送至上述目标站点的物品。实践中,可以向上述物品搬运设备发送表征将对应于上述目标站点的物品搬运至上述运输车辆的指令,使得上述物品搬运设备将对应于上述目标站点的物品搬运至上述运输车辆。然后,可以控制装载有对应于上述目标站点的物品的运输车辆行驶至上述目标站点。实践中,可以向上述运输车辆的车载终端发送表征行驶至上述目标站点的指令,使得上述运输车辆行驶至上述目标站点。由此,可以在运输车辆行驶至目标分拣中心后,通过物品搬运设备进行物品装载,进而可以使得装载有物品的运输车辆行驶至目标站点,以实现对目标站点的物品配送。
从图4中可以看出,与图2对应的一些实施例的描述相比,图4对应的一些实施例中的站点到货量预测方法的流程400体现了对控制运输车辆行驶至目标分拣中心进行扩展的步骤。由此,这些实施例描述的方案可以根据目标站点对应的历史货物总体量集合,预测目标站点的目标货物总体量。从而可以根据预测的目标站点的目标货物总体量,确定用于运输目标站点的货物的运输车辆。进而可以控制所确定的运输车辆行驶至存储了目标站点的货物的目标分拣中心。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种站点到货量预测装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的站点到货量预测装置500包括:获取单元501、第一生成单元502、确定单元503、第二生成单元504和第三生成单元505。其中,获取单元501被配置成获取预设历史时段内目标分拣中心的货量信息集合,其中,上述货量信息集合中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量;第一生成单元502被配置成基于上述各个站点中的每个站点,根据上述货量信息集合包括的对应上述站点的各个历史货量,生成上述预设历史时段内上述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合;确定单元503被配置成基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定;第二生成单元504被配置成响应于确定上述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和上述历史货量集合中对应上述目标站点的各个历史货量,生成目标货量占比,其中,上述历史货量集合为上述货量信息集合所包括的历史货量的集合;第三生成单元505被配置成根据上述目标货量占比和对应上述目标分拣中心的预测总货量,生成对应上述目标站点的站点到货量。
可选地,站点到货量预测装置500还可以包括:站点到货总量生成单元(图中未示出),被配置成根据对应上述目标站点的各个分拣中心的预测总货量和上述目标站点对应于上述各个分拣中心的目标货量占比,生成对应上述目标站点的站点到货总量,其中,上述预设历史时段内上述目标站点在上述各个分拣中心的历史货量占比稳定。
可选地,上述货量信息集合中的货量信息还包括各个站点的历史货物总体量。
可选地,站点到货量预测装置500还可以包括:历史货物总体量提取单元、目标货物总体量生成单元、运输车辆标识选择单元和第一运输车辆控制单元(图中未示出)。其中,历史货物总体量提取单元被配置成从上述货量信息集合包括的各个货量信息中提取对应上述目标站点的历史货物总体量,得到历史货物总体量集合。目标货物总体量生成单元被配置成根据上述历史货物总体量集合,确定目标货物总体量。运输车辆标识选择单元被配置成根据上述目标货物总体量和上述站点到货量,从预设的运输车辆标识组中选择对应上述目标站点的运输车辆标识。第一运输车辆控制单元被配置成控制上述运输车辆标识对应的运输车辆行驶至上述目标分拣中心。
可选地,站点到货量预测装置500还可以包括:物品搬运设备控制单元和第二运输车辆控制单元(图中未示出)。其中,物品搬运设备控制单元被配置成控制相关联的物品搬运设备将对应于上述目标站点的物品搬运至上述运输车辆。第二运输车辆控制单元被配置成控制装载有对应于上述目标站点的物品的运输车辆行驶至上述目标站点。
可选地,确定单元503可以包括:历史货量占比极差确定单元、总历史货量确定单元、待备选站点集合确定单元、站点历史货量和确定单元和备选站点集合确定单元(图中未示出)。其中,历史货量占比极差确定单元被配置成基于上述历史货量占比组集合中的每个历史货量占比组,确定上述历史货量占比组对应的历史货量占比极差,得到历史货量占比极差集合。总历史货量确定单元被配置成将上述历史货量集合包括的各个历史货量的和确定为上述预设历史时段内的总历史货量。待备选站点集合确定单元被配置成将上述历史货量占比极差集合中小于等于预设极差的各个历史货量占比极差对应的各个站点确定为待备选站点集合。站点历史货量和确定单元被配置成将上述历史货量集合包括的对应上述待备选站点集合的各个历史货量的和确定为站点历史货量和。备选站点集合确定单元被配置成响应于确定上述站点历史货量和与上述总历史货量的比值大于等于预设比值,将对应上述站点历史货量和的各个站点确定为备选站点集合。
可选地,确定单元503还可以包括:历史货量占比稳定性确定单元(图中未示出),被配置成响应于上述备选站点集合包括上述站点,且上述货量信息集合中对应于上述站点的各个历史货量的极差小于等于预设货量极差,确定上述预设历史时段内上述站点的历史货量占比稳定。
可选地,在获取单元501之后,站点到货量预测装置500还可以包括:历史货量序列确定单元、待剔除历史货量序列集合确定单元和历史货量剔除单元(图中未示出)。其中,历史货量序列确定单元被配置成根据上述货量信息集合包括的各个货量信息,确定上述各个站点中的每个站点在上述预设历史时段内的历史货量序列,得到历史货量序列集合。待剔除历史货量序列集合确定单元被配置成响应于上述历史货量序列集合中存在至少一个包括的历史货量均小于预设货量阈值的历史货量序列,将包括的历史货量均小于上述预设货量阈值的各个历史货量序列确定为待剔除历史货量序列集合。历史货量剔除单元被配置成从上述货量信息集合中剔除上述待剔除历史货量序列集合包括的各个历史货量。
可选地,在历史货量序列确定单元之后,站点到货量预测装置500还可以包括:待平滑历史货量序列集合确定单元和历史货量平滑单元(图中未示出)。其中,待平滑历史货量序列集合确定单元被配置成响应于上述历史货量序列集合中存在至少一个包括的历史货量满足预设离群条件的历史货量序列,将包括的历史货量满足上述预设离群条件的各个历史货量序列确定为待平滑历史货量序列集合。历史货量平滑单元被配置成对于上述待平滑历史货量序列集合中每个待平滑历史货量序列包括的满足上述预设离群条件的每个历史货量,根据上述待平滑历史货量序列,生成上述历史货量的平滑历史货量,以及将上述历史货量替换为上述平滑历史货量。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)600的结构示意图图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机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。而在本公开的一些实施例中,计算机可读信号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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机可读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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取预设历史时段内目标分拣中心的货量信息集合,其中,上述货量信息集合中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量;基于上述各个站点中的每个站点,根据上述货量信息集合包括的对应上述站点的各个历史货量,生成上述预设历史时段内上述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合;基于上述历史货量占比组集合和上述各个站点中的每个站点,确定上述预设历史时段内上述站点的历史货量占比是否稳定;响应于确定上述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和上述历史货量集合中对应上述目标站点的各个历史货量,生成目标货量占比,其中,上述历史货量集合为上述货量信息集合所包括的历史货量的集合;根据上述目标货量占比和对应上述目标分拣中心的预测总货量,生成对应上述目标站点的站点到货量。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一生成单元、确定单元、第二生成单元和第三生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取预设历史时段内目标分拣中心的货量信息集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种站点到货量预测方法,包括:
获取预设历史时段内目标分拣中心的货量信息集合,其中,所述货量信息集合中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量;
基于所述各个站点中的每个站点,根据所述货量信息集合包括的对应所述站点的各个历史货量,生成所述预设历史时段内所述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合;
基于所述历史货量占比组集合和所述各个站点中的每个站点,确定所述预设历史时段内所述站点的历史货量占比是否稳定;
响应于确定所述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和所述历史货量集合中对应所述目标站点的各个历史货量,生成目标货量占比,其中,所述历史货量集合为所述货量信息集合所包括的历史货量的集合;
根据所述目标货量占比和对应所述目标分拣中心的预测总货量,生成对应所述目标站点的站点到货量。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据对应所述目标站点的各个分拣中心的预测总货量和所述目标站点对应于所述各个分拣中心的目标货量占比,生成对应所述目标站点的站点到货总量,其中,所述预设历史时段内所述目标站点在所述各个分拣中心的历史货量占比稳定。
3.根据权利要求1所述的方法,其中,所述货量信息集合中的货量信息还包括各个站点的历史货物总体量,所述方法还包括:
从所述货量信息集合包括的各个货量信息中提取对应所述目标站点的历史货物总体量,得到历史货物总体量集合;
根据所述历史货物总体量集合,确定目标货物总体量;
根据所述目标货物总体量和所述站点到货量,从预设的运输车辆标识组中选择对应所述目标站点的运输车辆标识;
控制所述运输车辆标识对应的运输车辆行驶至所述目标分拣中心。
4.根据权利要求3所述的方法,其中,所述方法还包括:
控制相关联的物品搬运设备将对应于所述目标站点的物品搬运至所述运输车辆;
控制装载有对应于所述目标站点的物品的运输车辆行驶至所述目标站点。
5.根据权利要求1所述的方法,其中,所述基于所述历史货量占比组集合和所述各个站点中的每个站点,确定所述预设历史时段内所述站点的历史货量占比是否稳定,包括:
基于所述历史货量占比组集合中的每个历史货量占比组,确定所述历史货量占比组对应的历史货量占比极差,得到历史货量占比极差集合;
将所述历史货量集合包括的各个历史货量的和确定为所述预设历史时段内的总历史货量;
将所述历史货量占比极差集合中小于等于预设极差的各个历史货量占比极差对应的各个站点确定为待备选站点集合;
将所述历史货量集合包括的对应所述待备选站点集合的各个历史货量的和确定为站点历史货量和;
响应于确定所述站点历史货量和与所述总历史货量的比值大于等于预设比值,将对应所述站点历史货量和的各个站点确定为备选站点集合。
6.根据权利要求5所述的方法,其中,所述确定所述预设历史时段内所述站点的历史货量占比是否稳定,包括:
响应于所述备选站点集合包括所述站点,且所述货量信息集合中对应于所述站点的各个历史货量的极差小于等于预设货量极差,确定所述预设历史时段内所述站点的历史货量占比稳定。
7.根据权利要求1所述的方法,其中,在所述获取预设历史时段内目标分拣中心的货量信息集合之后,所述方法还包括:
根据所述货量信息集合包括的各个货量信息,确定所述各个站点中的每个站点在所述预设历史时段内的历史货量序列,得到历史货量序列集合;
响应于所述历史货量序列集合中存在至少一个包括的历史货量均小于预设货量阈值的历史货量序列,将包括的历史货量均小于所述预设货量阈值的各个历史货量序列确定为待剔除历史货量序列集合;
从所述货量信息集合中剔除所述待剔除历史货量序列集合包括的各个历史货量。
8.根据权利要求7所述的方法,其中,在所述根据所述货量信息集合包括的各个货量信息,确定所述各个站点中的每个站点在所述预设历史时段内的历史货量序列,得到历史货量序列集合之后,所述方法还包括:
响应于所述历史货量序列集合中存在至少一个包括的历史货量满足预设离群条件的历史货量序列,将包括的历史货量满足所述预设离群条件的各个历史货量序列确定为待平滑历史货量序列集合;
对于所述待平滑历史货量序列集合中每个待平滑历史货量序列包括的满足所述预设离群条件的每个历史货量,根据所述待平滑历史货量序列,生成所述历史货量的平滑历史货量,以及将所述历史货量替换为所述平滑历史货量。
9.一种站点到货量预测装置,包括:
获取单元,被配置成获取预设历史时段内目标分拣中心的货量信息集合,其中,所述货量信息集合中的货量信息包括上述目标分拣中心分拣至对应的各个站点的各个历史货量;
第一生成单元,被配置成基于所述各个站点中的每个站点,根据所述货量信息集合包括的对应所述站点的各个历史货量,生成所述预设历史时段内所述站点的各个历史货量占比作为历史货量占比组,得到历史货量占比组集合;
确定单元,被配置成基于所述历史货量占比组集合和所述各个站点中的每个站点,确定所述预设历史时段内所述站点的历史货量占比是否稳定;
第二生成单元,被配置成响应于确定所述各个站点中目标站点的历史货量占比稳定,根据历史货量集合和所述历史货量集合中对应所述目标站点的各个历史货量,生成目标货量占比,其中,所述历史货量集合为所述货量信息集合所包括的历史货量的集合;
第三生成单元,被配置成根据所述目标货量占比和对应所述目标分拣中心的预测总货量,生成对应所述目标站点的站点到货量。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593778.4A CN113988485B (zh) | 2021-12-24 | 2021-12-24 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
PCT/CN2022/118580 WO2023116075A1 (zh) | 2021-12-24 | 2022-09-14 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593778.4A CN113988485B (zh) | 2021-12-24 | 2021-12-24 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113988485A true CN113988485A (zh) | 2022-01-28 |
CN113988485B CN113988485B (zh) | 2022-06-07 |
Family
ID=79734213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111593778.4A Active CN113988485B (zh) | 2021-12-24 | 2021-12-24 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113988485B (zh) |
WO (1) | WO2023116075A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023116075A1 (zh) * | 2021-12-24 | 2023-06-29 | 北京京东振世信息技术有限公司 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
WO2023202244A1 (zh) * | 2022-04-21 | 2023-10-26 | 北京京东振世信息技术有限公司 | 运单量拆分方法、装置、电子设备和计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160232637A1 (en) * | 2013-09-20 | 2016-08-11 | Nec Corporation | Shipment-Volume Prediction Device, Shipment-Volume Prediction Method, Recording Medium, and Shipment-Volume Prediction System |
US20190318369A1 (en) * | 2016-12-15 | 2019-10-17 | Koubei Holding Limited | Method and device for predicting business volume |
CN110866786A (zh) * | 2019-11-12 | 2020-03-06 | 德邦物流股份有限公司 | 一种货量预测方法、装置、电子设备及存储介质 |
CN112906930A (zh) * | 2019-12-04 | 2021-06-04 | 顺丰科技有限公司 | 场地货量预测方法、装置、设备及存储介质 |
CN113128820A (zh) * | 2020-01-16 | 2021-07-16 | 北京京东振世信息技术有限公司 | 评估仓库调整计划的方法、装置、设备和计算机可读介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6312003B2 (ja) * | 2016-04-15 | 2018-04-18 | 裕之 本地川 | ピッキング作業管理システム、及びプログラム |
CN111325398B (zh) * | 2020-02-19 | 2023-08-01 | 上海东普信息科技有限公司 | 网点货量的预测方法及系统、存储介质 |
CN113988485B (zh) * | 2021-12-24 | 2022-06-07 | 北京京东振世信息技术有限公司 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
-
2021
- 2021-12-24 CN CN202111593778.4A patent/CN113988485B/zh active Active
-
2022
- 2022-09-14 WO PCT/CN2022/118580 patent/WO2023116075A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160232637A1 (en) * | 2013-09-20 | 2016-08-11 | Nec Corporation | Shipment-Volume Prediction Device, Shipment-Volume Prediction Method, Recording Medium, and Shipment-Volume Prediction System |
US20190318369A1 (en) * | 2016-12-15 | 2019-10-17 | Koubei Holding Limited | Method and device for predicting business volume |
CN110866786A (zh) * | 2019-11-12 | 2020-03-06 | 德邦物流股份有限公司 | 一种货量预测方法、装置、电子设备及存储介质 |
CN112906930A (zh) * | 2019-12-04 | 2021-06-04 | 顺丰科技有限公司 | 场地货量预测方法、装置、设备及存储介质 |
CN113128820A (zh) * | 2020-01-16 | 2021-07-16 | 北京京东振世信息技术有限公司 | 评估仓库调整计划的方法、装置、设备和计算机可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023116075A1 (zh) * | 2021-12-24 | 2023-06-29 | 北京京东振世信息技术有限公司 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
WO2023202244A1 (zh) * | 2022-04-21 | 2023-10-26 | 北京京东振世信息技术有限公司 | 运单量拆分方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023116075A1 (zh) | 2023-06-29 |
CN113988485B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980955B (zh) | 用于输出信息的方法和装置 | |
JP7136921B2 (ja) | 商品棚を搬送する方法および装置 | |
CN113988485B (zh) | 站点到货量预测方法、装置、电子设备和计算机可读介质 | |
CN108805316A (zh) | 货物搬运方法和装置 | |
CN110555640A (zh) | 路由规划的方法和装置 | |
CN113222205B (zh) | 一种路径规划的方法和装置 | |
CN112435101A (zh) | 订单信息处理方法、装置、电子设备和计算机可读介质 | |
CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
CN110766348A (zh) | 一种组合拣货任务的方法和装置 | |
CN113205300B (zh) | 配送车辆调度方法、装置、电子设备和计算机可读介质 | |
CN111144796B (zh) | 用于生成理货信息的方法和装置 | |
CN112365109B (zh) | 配送路径信息生成方法、装置、电子设备和可读介质 | |
CN113255950B (zh) | 一种优化物流网络的方法和装置 | |
CN112116120B (zh) | 物流路径规划方法和装置 | |
CN110276508B (zh) | 用于分配任务信息的方法和装置 | |
CN116029505A (zh) | 车辆调度方法、装置、电子设备及可读存储介质 | |
CN116245595A (zh) | 供应端物品运输方法、装置、电子设备和计算机可读介质 | |
CN113065820A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN113986959A (zh) | 物流信息采集方法、装置、电子设备和计算机可读介质 | |
CN113592396A (zh) | 物品出库方法、装置、电子设备和计算机可读介质 | |
CN112486033A (zh) | 一种设备的仿真测试方法和装置 | |
CN112085359A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112669099A (zh) | 用于处理订单的方法和装置 | |
CN112529346A (zh) | 任务分配方法和装置 | |
CN111445173A (zh) | 确定分拣场地的方法、装置、设备及其存储介质 |
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 |