CN114638563A - 订单冷区域预测方法、装置及电子设备 - Google Patents

订单冷区域预测方法、装置及电子设备 Download PDF

Info

Publication number
CN114638563A
CN114638563A CN202011492659.5A CN202011492659A CN114638563A CN 114638563 A CN114638563 A CN 114638563A CN 202011492659 A CN202011492659 A CN 202011492659A CN 114638563 A CN114638563 A CN 114638563A
Authority
CN
China
Prior art keywords
order
scene
probability
expected
matching
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
Application number
CN202011492659.5A
Other languages
English (en)
Inventor
卞士尧
陈冠岭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Fuyou Online E Commerce Co ltd
Original Assignee
Nanjing Fuyou Online E Commerce Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Fuyou Online E Commerce Co ltd filed Critical Nanjing Fuyou Online E Commerce Co ltd
Priority to CN202011492659.5A priority Critical patent/CN114638563A/zh
Publication of CN114638563A publication Critical patent/CN114638563A/zh
Pending legal-status Critical Current

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
    • 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"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • 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
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种订单冷区域预测方法、装置及电子设备，其中，方法包括：预测第一地区在预设日期的空车数量；获取M个第二地区在历史上的N天的出货订单信息，根据N天中每一天的出货订单信息对应建立N个场景；根据概率模型确定N个场景中的每个场景在所述预设日期出现的期望概率；分别将空车与N个场景中的出货订单进行匹配，遍历出所有匹配方案，并计算每一个匹配方案的期望值；当所有匹配方案中最大的期望值小于预设值时，则确定所述第一地区在所述预设日期为订单冷区域。可以基于历史场景对某区域进行预测，有效预测订单冷区域的产生，可以做为订单调价及订单分配过程中提供重要数据支撑，使订单调价及订单分配更为精准。

Description

订单冷区域预测方法、装置及电子设备
技术领域
本申请涉及物流技术领域，具体而言，涉及一种订单冷区域预测方法、装置及电子设备。
背景技术
目前物流领域，尤其是卡车货运领域，存在订单冷区域的概念，该订单冷区域也被称作“沙漠城市”，其对货运的影响非常大；“沙漠城市”可以简单理解为进货量远大于出货量的地区或城市，即，车辆将货物送入“沙漠城市”，不仅无法盈利，还会出现亏损；而且“沙漠城市”并不是固定的，其很可能会因季节气候等因素变化使某些地区或城市形成“沙漠城市”或使某些“沙漠城市”消失。如果车辆将货物送入“沙漠城市”，很可能会出现由于车辆在该城市没有找到后续衔接订单，因此只能空驶离开该城市的情况；这种情况下，空驶所产生的费用越大，承运方的损失也就越大。除此以外，有些车辆即使在该城市找到了衔接订单，但是由于该衔接订单的发货时间是在几天之后，也就造成了车辆需要在原地等待情况，这期间车辆的停运同样会带来一定的损失。
由此可见，如何提前精准预测物流订单冷区域就成为亟待解决的问题。
发明内容
本申请的主要目的在于提供一种订单冷区域预测方法、装置及电子设备，解决如何提前精准预测物流订单冷区域。
为了实现上述目的，根据本申请的第一方面，提供了一种订单冷区域预测方法，包括：预测第一地区在预设日期的空车数量；获取M个第二地区在历史上的N天的出货订单信息，根据N天中每一天的出货订单信息对应建立N个场景，每个场景中包括一天内所述M个第二地区的出货订单信息，其中，M和N为大于零的正整数；根据概率模型确定N个场景中的每个场景在所述预设日期出现的期望概率，所述概率模型为根据M个地区在历史上的N天的出货订单信息建立的用于确定历史上的N个场景在预设日期的出现概率的模型；分别将空车与N个场景中的出货订单进行匹配，遍历出所有匹配方案，并计算每一个匹配方案的期望值，期望值为匹配方案中所有空车的期望收益之和，其中，期望值＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率；当所有匹配方案中最大的期望值小于预设值时，则确定所述第一地区在所述预设日期为订单冷区域。
可选地，在根据概率模型确定N个场景中的每个场景在预设日期出现的期望概率之前，所述方法还包括：根据每个场景在时间维度和/或周期维度与预设日期的远近关系建立概率模型。
可选地，在所述时间维度下，所述场景出现的期望概率与所述场景实际发生日期距离所述预设日期的天数呈反相关。
可选地，在所述周期维度下，所述场景出现的期望概率与周期内所述场景实际发生日期距离所述预设日期的天数呈正相关。
可选地，所述预测第一地区的空车数量包括：预测第一地区在预设日期的出货订单数量和进货订单数量，若进货订单数量大于出货订单数量，则将进货订单数量与出货订单数量的差值作为空车数量。
可选地，根据概率模型确定每个场景在预设日期出现的期望概率包括：根据概率模型确定所述N个场景在预设日期的出现概率；对N个出现概率进行正则化，得到N个场景的期望概率。
为了实现上述目的，根据本申请的第一方面，提供了一种订单冷区域预测装置，包括：空车预测模块，用于预测第一地区在预设日期的空车数量；第一获取模块，用于获取M个第二地区在历史上的N天的出货订单信息，根据N天中每一天的出货订单信息对应建立N个场景，每个场景中包括一天内所述M个第二地区的出货订单信息，其中，M和N为大于零的正整数；概率预测模块，用于根据概率模型确定N个场景中的每个场景在所述预设日期出现的期望概率，所述概率模型为根据M个地区在历史上的N天的出货订单信息建立的用于确定历史上的N个场景在预设日期的出现概率的模型；订单匹配模块，用于分别将空车与N个场景中的出货订单进行匹配，遍历出所有匹配方案，并计算每一个匹配方案的期望值，期望值为匹配方案中所有空车的期望收益之和，其中，期望值＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率；区域确定模块，用于当所有匹配方案中最大的期望值小于预设值时，则确定所述第一地区在所述预设日期为订单冷区域。
为了实现上述目的，根据本申请的第三方面，提供了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指令，所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的订单冷区域预测方法。
为了实现上述目的，根据本申请的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任意一项所述的订单冷区域预测方法。
在本申请实施例中，将待预测的第一地区之外的多个第二地区在按照历史上N天的订单信息建立N个场景，每个场景中包括一天内所述M个第二地区的出货订单信息，并计算每个场景在预设日期的期望概率，将第一地区预测的空车与N个场景中的出货订单分别进行匹配，基于出货订单所在场景的期望概率和出货订单的价格计算各个匹配方案的期望值，当所有匹配方案中最大的期望值小于预设值时，可以确定第一地区在预设日期为订单冷区域，可以基于历史场景对某区域进行预测，从而准确的预测某一地区在某一天是否为订单冷区域，可以有效确定订单冷区域的产生，从而可以做为订单调价及订单分配过程中提供重要数据支撑，使订单调价及订单分配更为精准。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种订单冷区域预测方法流程图；
图2是根据本申请实施例提供的一种按每个场景在时间维度与预设日期的远近关系，建立的概率模型的示意图；
图3是根据本申请实施例提供的一种按每个场景在周期维度与预设日期的远近关系，建立的概率模型的示意图；
图4是根据本申请实施例提供的一种按每个场景在时间维度和周期维度与预设日期的远近关系，建立的概率模型的示意图；
图5是根据本申请实施例提供的一种订单冷区域预测装置的组成框图；
图6是根据本申请实施例提供的电子设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例，提供了一种订单冷区域预测方法，如图1所示，该方法包括如下的步骤：
S101.预测第一地区在预设日期的空车数量。作为示例性的实施例，可以基于第一地区在预设日期的出货订单数量和进货订单数量确定空车数量，具体的，可以比较上述的出货订单数量和进货订单数量，若进货订单数量大于出货订单数量，则将进货订单数量与出货订单数量的差值作为空车数量；若进货订单数量不大于出货订单数量，则第一地区在所述预设日期不是订单冷区域。示例性的，在预测第一地区在预设日期的出货订单数量和进货订单数量之前，可以选取需要进行预测的第一地区，在本实施例中，第一地区的类型并不作限制，地区可以为区、县、市、省等人为划分的地区或区域，在本实施例中，可以以第一地区为城市为例，例如张掖市，当然也可以为某些地区、行政区域等。预设日期可以为某一天，例如2021年8月1日。
之后需要预测第一地区在预设日期的出货订单数量和进货订单数量，由于目前的现有技术中存在预测某一地区在某日的出货订单数量和进货订单数量的方法，因此本申请对预测方法不做限定，只要能够预测出第一地区在预设日期的出货订单数量和进货订单数量即可。
在预测到第一地区在预设日期的出货订单数量和进货订单数量后，可以直接比较出货订单数量和进货订单数量的大小，当进货订单数量大于出货订单数量时，则将进货订单数量与出货订单数量的差值作为空车数量。
S102.获取M个第二地区在历史上的N天的出货订单信息，根据N天中每一天的出货订单信息对应建立N个场景，每个场景中包括一天内所述M个第二地区的出货订单信息，其中，M和N为大于零的正整数。作为示例性的实施例，在本实施例中，第二地区可以是与第一地区不同的地区，M个第二地区可以为全国范围内的除第一地区以外的其他的全部区域，例如城市；如果从减小计算量的方面考虑，可以不要将距离第一地区较远的地区作为第二地区，这样可以减小计算量。
在确定了M个第二地区后，可以从数据库中获取这些第二地区在历史上的N天的出货订单信息。在本实施例中，出货订单信息可以包括出货订单价格，装货地，卸货地，装货时间，发货时间等各种相关信息，以便可以完成后续的匹配工作；对于选取历史上哪些天作为所述历史上的N天，在本实施例中不做限定，完全可以选取全部历史数据，也可以选取部分连续或不连续的历史数据，其均能完成后续的预测工作；相对来说，使用的历史数据越多，即N越大，最后的结果也越有保证。
后面根据N天中每一天的出货订单，对应建立N个场景，每个场景中包含了一天内M个第二地区的出货订单信息。
例如，第一地区为张掖市，预设日期为2020年8月26日(假设当前日期为2020年8月25日)。
M个第二地区为酒泉市和金昌市，那么可以获取2020年8月25日当日及之前的N天的历史出货订单数据，这里为了方便说明，只将两个地区作为M个第二城市，同时只假设了2020年8月20-22日3天的历史数据进行说明。
根据3天中每一天的出货订单，对应建立3个场景；
例如，2020年8月20日内，酒泉市有一个出货订单A，金昌市没有出货订单，那么建立对应的场景就可以为，
场景1(2020年8月20日对应的场景)：
酒泉市，订单A：从酒泉市出发到敦煌市，订单价格1000元；
需要说明的是，场景可以通过列表的形式建立，另外，上面场景中订单的信息只是为了方便说明，实际当中还可以在建立场景时列入更多的信息，乃至出货订单的全部信息。
下面给出另外两个场景的信息，
2020年8月21日内，酒泉市有一个出货订单，金昌市有两个出货订单，那么建立对应的场景就可以为，
场景2(2020年8月21日对应的场景)：
酒泉市，订单B：从酒泉市出发到嘉峪关市，订单价格100元；
金昌市，订单C：从金昌市出发到武威市，订单价格200元；
金昌市，订单D：从金昌市出发到武威市，订单价格200元；
2020年8月22日内，酒泉市有两个出货订单，金昌市无出货订单，那么建立对应的场景就可以为，
场景3(2020年8月22日对应的场景)：
酒泉市，订单E：从酒泉市出发到嘉峪关市，订单价格100元；
酒泉市，订单F：从酒泉市出发到嘉峪关市，订单价格100元；
以上示例，就是根据2020年8月20-22日这3天中每一天的出货订单，对应建立了3个场景，每个场景中包含了一天内酒泉市和金昌市这2个第二地区的出货订单信息。
S103.根据概率模型确定N个场景中的每个场景在所述预设日期出现的期望概率。所述概率模型为根据M个第二地区在历史上的N天的出货订单信息建立的用于确定历史上的N个场景在预设日期的出现概率的模型。作为示例性的实施例。由于相同线路、相同价格的订单是存在重复出现的情况的，而场景中不仅包含了单个订单的各种信息，还包含了各个订单之间的关联关系，因此这里以场景为基础，利用场景对应的日期与预设日期的远近关系建立概率模型，之后只要利用场景对应的日期或时间输入概率模型就可以得到场景的出现概率了。这里也可以直接利用现有技术中已经存在的概率模型，如均匀分布概率模型等。
在得到了N个场景各自在预设日期的出现概率后，可以对这N个出现概率进行正则化，得到N个场景各自的期望概率，这样可以保证N个场景的期望概率之和为1。
假设，得到的场景1的出现概率为0.07，场景2的出现概率为0.23，场景3的出现概率为0.6，那么正则化后，场景1的期望概率为0.078，场景2的期望概率为0.256，场景3的期望概率为0.666。
S104.分别将空车与N个场景中的出货订单进行匹配，遍历出所有匹配方案，并计算每一个匹配方案的期望值，期望值为匹配方案中所有空车的期望收益之和，其中，期望收益＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率。
由于此前已经得到了空车数量，就相当于存在对应数量的空车，这里只需要将空车与N个场景中的出货订单进行匹配；需要匹配的双方是空车及N个场景中的出货订单，并可以得到多种匹配方案；
假设目前空车数量有两辆，即车辆1和车辆2，及N个场景中的6个出货订单，订单A到订单F。
如，方案1，车辆1与订单A匹配，车辆2与订单B匹配；
方案2，车辆1与订单A匹配，车辆2与订单C匹配；
具体方案这里不再一一列举，但是这里共可以匹配出30种方案。
需要说明的是，实际当中的匹配方案数量可能会比较多，但是目前也存在很多的算法或利用计算机匹配并遍历出所有方案的技术，可以利用这些来节省匹配时间，这里就不在进行赘述了。
后面需要计算每一个匹配方案的期望值，期望值为方案中所有空车的期望收益之和；期望收益＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率。
这里首先说一下接单空驶成本，接单空驶成本为车辆为了承接订单而空驶到装货地所产生的费用，而此处空驶到装货地的距离是已知的，即从第一城市(即第一地区)到某个第二城市(即第二地区)的行驶距离(利用导航等现有技术就可得到相关数值)，而车辆在单位距离行驶产生的费用也可以依靠现有数据得到的，如车辆的百公里油耗、油价等数据；进而可以依靠这些数据得到接单空驶成本。实现过程中，得到接单空驶成本的方法很多，可以综合车辆的单位距离行驶费用，将单位距离行驶费用设为一个固定值，在利用从第一城市到订单所在的第二城市的行驶距离与该固定值的乘积作为接单空驶成本。
利用上面示例中的数据来继续步骤的说明；
假设，车辆从张掖市到酒泉市的接单空驶成本为400元，车辆从张掖市到金昌市的接单空驶成本为400元。
示例，
方案1中，
由于车辆1与订单A完成匹配，因此匹配订单的价格为订单A的价格，即1000元；接单空驶成本为车辆1的接单空驶成本，由于车辆1目前位于张掖市，订单A的装货地在酒泉市，因此从张掖市到酒泉市车辆空驶费用就是车辆1与订单A完成匹配时的接单空驶成本，即400元，加之订单A所在的场景1的期望概率为0.078，因此，车辆1与订单A的期望收益＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率＝(1000-400)×0.078＝46.8；
同理，由于车辆2与订单B完成匹配，因此匹配订单的价格为订单B的价格，即100元；接单空驶成本为车辆2的接单空驶成本，由于车辆2目前位于张掖市，订单B的装货地在金昌市，因此从张掖市到金昌市车辆空驶费用就是车辆2与订单B完成匹配时的接单空驶成本，即400元，加之订单B所在的场景2的期望概率为0.256，因此，车辆2与订单B的期望收益＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率＝(100-400)×0.256＝-76.8；
到这里其实已经可以计算出方案1的期望值了，即方案1的期望值＝所有空车的期望收益之和＝车辆1的期望收益+车辆2的期望收益＝46.8-76.8＝-30；但是为了更加详细的说明，下面把可以省略的计算过程在此进行说明。
方案1中的匹配方案为车辆1与订单A完成匹配，车辆2与订单B完成匹配，同时没有车辆与订单C、订单D、订单E或订单F完成匹配。
由于没有车辆与订单C完成匹配，因此订单C属于没有完成匹配的订单或者说订单C不属于完成匹配的订单，因此可以将匹配订单的价格记作0；同理，由于没有完成匹配，也不会存在接单空驶成本，因此可以将接单空驶成本记作0；另外订单C所在的场景2的期望概率为0.256；因此可以记作，无车与订单C的期望收益＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率＝(0-0)×0.256＝0；
同理，订单D所在的场景2的期望概率为0.256，因此可以记作，无车与订单D的期望收益＝(0-0)×0.256＝0；
同理，订单E所在的场景3的期望概率为0.666，因此可以记作，无车与订单E的期望收益＝(0-0)×0.666＝0；
同理，订单F所在的场景3的期望概率为0.666，因此可以记作，无车与订单F的期望收益＝(0-0)×0.666＝0；
通过上述计算，方案1的期望值＝46.8-76.8+0+0+0+0＝-30；
同理，方案2中，车辆1与订单A的期望收益＝(1000-400)×0.078＝46.8；车辆2与订单C的期望收益＝(200-400)×0.256＝-51.2；那么方案2的期望值＝46.8-51.2＝-4.4。
这里一共能够得到30个方案的期望值。
需要说明的是，即使存在空车数量大于订单数量的情况下也同样适用上述方法，即由于车辆没有完成匹配，其对应的期望收益＝0即可；但是实际情况当中，只要M和N的取值不是很小，这种情况发生概率较小。
接下来，关于场景订单所在场景的期望概率；
由于此前已经得到了N个场景各自的期望概率，这里直接利用就可以，这里利用上面的示例进行说明，上面的示例中提供给出了三个场景，场景1、场景2和场景3。
场景1的期望概率为0.078，场景1包含订单A，那么订单A的场景订单所在场景的期望概率就是0.078；
同理，
场景2的期望概率为0.256，场景2包含订单B、订单C和订单D，那么订单B、订单C和订单D的场景订单所在场景的期望概率就都是0.256；
场景3的期望概率为0.666，场景3包括订单E和订单F，那么订单E和订单F的场景订单所在场景的期望概率就都是0.666；
如下表
Figure BDA0002839675580000111
S105.当所有匹配方案中最大的期望值小于预设值时，则确定所述第一地区在所述预设日期为沙漠区域。
可以遍历所有匹配方案的期望值，选择期望值最大的匹配方案，当该期望值最大的匹配方案的期望值小于预设值时，该预设值为0，当然，也可以根据实际情况设置其他值作为预设值，则该第一地区在预设日期为订单冷区域(沙漠城市)，示例性的，参见上述实施例中对于各个匹配方案的期望值计算的说明，由于这30个方案的期望值中最大的为-4.4，其小于0(预设值)，所以张掖市(第一地区)在2020年8月26日(预设日期)为订单冷区域(沙漠城市)。
将待预测的第一地区之外的多个第二地区在按照历史上N天的订单信息建立N个场景，每个场景中包括一天内所述M个第二地区的出货订单信息，并计算每个场景在预设日期的期望概率，将第一地区预测的空车与N个场景中的出货订单分别进行匹配，基于出货订单所在场景的期望概率和出货订单的价格计算各个匹配方案的期望值，当所有匹配方案中最大的期望值小于预设值时，可以确定第一地区在预设日期为订单冷区域，可以基于历史场景对某区域进行预测，从而准确的预测某一地区在某一天是否为订单冷区域，可以有效确定订单冷区域的产生，从而可以做为订单调价及订单分配过程中提供重要数据支撑，使订单调价及订单分配更为精准。
在确定了订单冷区域后，还可以将订单冷区域的信息(地址信息，时间信息，等)发送到用户或司机的客户端，通知用户或司机，减少货运车辆进入该区域，进而减少其出现亏损的情况，同时避免资源浪费。
本实施例对模型的建立进行详细的说明。
首先需要说明的是，模型是在匹配方案的期望值计算之前得到的，但是其建立不限定在计算匹配方案的期望值前的哪个步骤之前或之后执行；概率模型也可以是提前建立好的。另外，模型也可以是在一个独立的系统或者装置中进行单独建立的，之后直接通过获取的方式供系统使用。
作为示例性的实施例，建立模型的方法可以为：按每个场景在时间维度与预设日期的远近关系，建立概率模型；或按每个场景在周期维度与预设日期的远近关系，建立概率模型；或按每个场景在时间维度和周期维度与预设日期的远近关系，建立概率模型。下面分别针对每种情况进行说明：
1、按每个场景在时间维度与预设日期的远近关系，建立概率模型，并根据概率模型得到N个场景的出现概率(也可以理解为N个场景在预设日期的出现或复现的概率)。其中，在所述时间维度下，所述场景出现的期望概率与所述场景实际发生日期距离所述预设日期的天数呈反相关。具体的，场景实际发生日期距预设日期越远，则出现概率越低；场景实际发生日期距预设日期越近，则出现概率越高。如图2所示，图中给出了按场景实际发生日期距预设日期越近，则出现概率越高的图示说明。图中由于场景2比场景1距预设日期更近，因此场景2比场景1的出现概率更高。
2、按每个场景在周期维度与预设日期的远近关系，建立概率模型，并根据概率模型得到N个场景在预设日期的出现概率。其中，在所述周期维度下，所述场景出现的期望概率与周期内所述场景实际发生日期距离所述预设日期的天数呈正相关。具体的，场景实际发生日期在周期内的位置与预设日期在周期内的位置越远，则出现概率越低；场景实际发生日期在周期内的位置与预设日期在周期内的位置越近，则出现概率越高。这里需要说明的是，周期可以是星期，月，季度，年等周期，亦或是物流货运的淡旺季交替时间等周期。如图3所示，如场景2和预设日期都处在周三，场景1处在周日，从周期维度上看，场景2与预设日期更近，而场景1则更远，因此场景2比场景1的出现概率更高。
3、按每个场景在时间维度和周期维度与预设日期的远近关系，建立概率模型，并根据概率模型得到N个场景在预设日期的出现概率，可以为，场景实际发生日期距预设日期越远，且场景实际发生日期在周期内的位置与预设日期在周期内的位置越远，则出现概率越低；场景实际发生日期距预设日期越近，且场景实际发生日期在周期内的位置与预设日期在周期内的位置越近，则出现概率越高；如图4所示，综合时间维度和周期维度，可以建立概率模型，进而得到场景2和场景1的出现概率。
进一步的，针对上述第3种概率模型的建立，给出更具体的模型进行说明，如下。
根据场景在时间维度和周期维度与预设日期的远近关系建立概率模型为：
Figure BDA0002839675580000131
其中，Tx表示场景x在时间维度上对应的数值，该数值随场景所在日期与预设日期之间天数的差值增加而提高。
Cx表示场景x在周期维度上对应的数值，该数值可以人为设置，如图4中所示，2个场景共涉及4个周期，那么与预设日期在一个周期内的Cx为0.9，相差一个周期的Cx为0.8，相差两个周期的Cx为0.7，相差三个周期的Cx为0.6，那么最后C2＝0.8，C1＝0.6；该数值该可以直接利用历史数据得到，如
Figure BDA0002839675580000132
公式变为，
Figure BDA0002839675580000141
其中，D0表示预设日期的日期，Dx表示场景x所在的日期。如由于场景1与预设日期的日期相差21天，因此，D0-D1＝21；场景2与预设日期的日期相差6天，D0-D2＝6。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述图1方法的订单冷区域预测装置，如图5所示，该装置包括：
空车预测模块21，用于预测第一地区在预设日期的空车数量；
第一获取模块22，用于获取M个第二地区在历史上的N天的出货订单信息，根据N天中每一天的出货订单信息对应建立N个场景，每个场景中包括一天内所述M个第二地区的出货订单信息，其中，M和N为大于零的正整数；
概率预测模块23，用于根据概率模型确定N个场景中的每个场景在所述预设日期出现的期望概率，所述概率模型为根据M个地区在历史上的N天的出货订单信息建立的用于确定历史上的N个场景在预设日期的出现概率的模型；
订单匹配模块24，用于分别将空车与N个场景中的出货订单进行匹配，遍历出所有匹配方案，并计算每一个匹配方案的期望值，期望值为匹配方案中所有空车的期望值之和，其中，期望收益＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率；区域确定模块25，用于当所有匹配方案中最大的期望值小于预设值时，则确定所述第一地区在所述预设日期为订单冷区域。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
图6是根据本申请实施例的一种可选的电子设备的结构框图，如图6所示，包括处理器602、通信接口604、存储器606和通信总线608，其中，处理器602、通信接口604和存储器606通过通信总线608完成相互间的通信，其中，
存储器606，用于存储计算机程序；
处理器602，用于执行存储器606上所存放的计算机程序时，实施上述实施例中的订单冷区域预测方法的流程步骤。
可选地，在本实施例中，上述的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例，如图6所示，上述存储器602中可以但不限于包括上述订单冷区域预测装置中的功能模块。此外，还可以包括但不限于上述订单冷区域预测装置中的其他模块单元，本示例中不再赘述。
上述处理器可以是通用处理器，可以包含但不限于：CPU(Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(DigitalSignal Processing，数字信号处理器)、ASIC(Application Specific IntegratedCircuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图6所示的结构仅为示意，实施上述订单冷区域预测方法的设备可以是终端设备，该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图6其并不对上述电子装置的结构造成限定。例如，终端设备还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图6所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行订单冷区域预测方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行上述实施例中步骤订单冷区域预测方法的流程步骤的程序代码。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种订单冷区域预测方法，其特征在于，所述方法包括：
预测第一地区在预设日期的空车数量；
获取M个第二地区在历史上的N天的出货订单信息，根据N天中每一天的出货订单信息对应建立N个场景，每个场景中包括一天内所述M个第二地区的出货订单信息，其中，M和N为大于零的正整数；
根据概率模型确定N个场景中的每个场景在所述预设日期出现的期望概率，所述概率模型为根据M个地区在历史上的N天的出货订单信息建立的用于确定历史上的N个场景在预设日期的出现概率的模型；
分别将空车与N个场景中的出货订单进行匹配，遍历出所有匹配方案，并计算每一个匹配方案的期望值，期望值为匹配方案中所有空车的期望收益之和，其中，期望收益＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率；
当所有匹配方案中最大的期望值小于预设值时，则确定所述第一地区在所述预设日期为订单冷区域。
2.根据权利要求1所述的订单冷区域预测方法，其特征在于，在根据概率模型确定N个场景中的每个场景在预设日期出现的期望概率之前，所述方法还包括：
根据每个场景在时间维度和/或周期维度与预设日期的远近关系建立概率模型。
3.如权利要求2所述的订单冷区域预测方法，其特征在于，在所述时间维度下，所述场景出现的期望概率与所述场景实际发生日期距离所述预设日期的天数呈反相关。
4.如权利要求2所述的订单冷区域预测方法，其特征在于，在所述周期维度下，所述场景出现的期望概率与周期内所述场景实际发生日期距离所述预设日期的天数呈正相关。
5.根据权利要求1所述的订单冷区域预测方法，其特征在于，所述预测第一地区的空车数量包括：
预测第一地区在预设日期的出货订单数量和进货订单数量，若进货订单数量大于出货订单数量，则将进货订单数量与出货订单数量的差值作为空车数量。
6.根据权利要求1所述的订单冷区域预测方法，其特征在于，根据概率模型确定每个场景在预设日期出现的期望概率包括：
根据概率模型确定所述N个场景在预设日期的出现概率；
对N个出现概率进行正则化，得到N个场景的期望概率。
7.一种订单冷区域预测装置，其特征在于，所述装置包括：
空车预测模块，用于预测第一地区在预设日期的空车数量；
第一获取模块，用于获取M个第二地区在历史上的N天的出货订单信息，根据N天中每一天的出货订单信息对应建立N个场景，每个场景中包括一天内所述M个第二地区的出货订单信息，其中，M和N为大于零的正整数；
概率预测模块，用于根据概率模型确定N个场景中的每个场景在所述预设日期出现的期望概率，所述概率模型为根据M个地区在历史上的N天的出货订单信息建立的用于确定历史上的N个场景在预设日期的出现概率的模型；
订单匹配模块，用于分别将空车与N个场景中的出货订单进行匹配，遍历出所有匹配方案，并计算每一个匹配方案的期望值，期望值为匹配方案中所有空车的期望收益之和，其中，期望收益＝(匹配订单的价格-接单空驶成本)×匹配订单所在场景的期望概率；
区域确定模块，用于当所有匹配方案中最大的期望值小于预设值时，则确定所述第一地区在所述预设日期为订单冷区域。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任意一项所述的订单冷区域预测方法。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7任意一项所述的订单冷区域预测方法。
CN202011492659.5A 2020-12-16 2020-12-16 订单冷区域预测方法、装置及电子设备 Pending CN114638563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011492659.5A CN114638563A (zh) 2020-12-16 2020-12-16 订单冷区域预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011492659.5A CN114638563A (zh) 2020-12-16 2020-12-16 订单冷区域预测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114638563A true CN114638563A (zh) 2022-06-17

Family

ID=81944926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011492659.5A Pending CN114638563A (zh) 2020-12-16 2020-12-16 订单冷区域预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114638563A (zh)

Similar Documents

Publication Publication Date Title
CN109360413B (zh) 一种车辆调度方法及系统
US10628892B1 (en) Insurance claim capitation and predictive payment modeling
CN112862184A (zh) 运输信息预测方法、装置、电子设备及可读存储介质
US10163119B1 (en) Systems and methods for synchronized delivery
CN111369288A (zh) 一种基于推理引擎的跨国物流费用试算方法及其系统
CN115511319A (zh) 共享单车调度方法、装置、电子设备及存储介质
CN112837007A (zh) 供应链管理方法、装置、设备及存储介质
WO2017152115A1 (en) Methods and systems for aggregating excess carrier capacity
US20120323638A1 (en) Production system carrier capacity prediction process and tool
CN116128408A (zh) 智能补货方法、系统以及计算机可读介质
CN111832872A (zh) 一种车辆调度方法、装置、电子设备和存储介质
CN110910005A (zh) 车辆的调度方法、装置以及存储介质
Gunay et al. A stochastic programming model for resequencing buffer content optimisation in mixed-model assembly lines
CN112950302A (zh) 订单的处理方法及装置
CN110442598A (zh) 一种数据查询方法和装置
CN113935528A (zh) 智能调度方法、装置、计算机设备及存储介质
CN109255588A (zh) 物料出入库票据的自动生成方法、装置及计算机存储介质
CN114638563A (zh) 订单冷区域预测方法、装置及电子设备
CN113393190B (zh) 仓储信息处理方法、装置、电子设备及可读介质
CN112990633B (zh) 指标数据生成方法、物流成本仿真方法、设备、存储介质
CN114638565B (zh) 订单分配方法、装置及电子设备
CN114819790A (zh) 一种基于大数据的门店智能补货方法及系统
CN112581057A (zh) 智能备货方法、装置、计算机设备及存储介质
CN111932149A (zh) 一种动态更新检修标准的方法、装置和资产管理系统
CN116384856B (zh) 一种智能物流订单管理系统

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