CN115063164A - 一种外卖业务ai智能预测方法 - Google Patents
一种外卖业务ai智能预测方法 Download PDFInfo
- Publication number
- CN115063164A CN115063164A CN202210550056.9A CN202210550056A CN115063164A CN 115063164 A CN115063164 A CN 115063164A CN 202210550056 A CN202210550056 A CN 202210550056A CN 115063164 A CN115063164 A CN 115063164A
- Authority
- CN
- China
- Prior art keywords
- order
- orders
- stores
- rider
- method comprises
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种外卖业务AI智能预测方法，包括以下步骤：步骤一：区域内门店订单预测，合理预测门店订单，规划高订单门店配送范围；步骤二：骑手调度及订单智能分派，基于合理预测的订单分布，调度区域内骑手接单，并对订单进行并单处理以规划高效路线；步骤三：参数权重调整，对预测模型本身进行算法迭代，提升模型的时效性和准确性；本发明通过对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单，再对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥，从而达到合理预测门店订单，规划高订单门店配送范围的效果。
Description
技术领域
本发明属于信息智能化处理技术领域，具体涉及一种外卖业务AI智能预测方法。
背景技术
外卖，是指销售供顾客带离店铺的食品(一般指自己店铺现做的)，通常以打包出现，也是最早出现的外卖形式，虽然古老，却延续。随着电话、手机、网络的普及，外卖行业得到迅速的发展。现阶段外卖订单的分配普遍采用骑手抢单或门店分配的方式来分配给骑手完成配送任务，这在实际场景中造成了分配不均匀(高负载门店订单无人接单或低负载骑手闲置)，路线不科学(路线存在绕路，反复的情况)，骑手运力剩余(未发现潜在可并单的订单，即可以顺路配送的订单)等问题，实际配送效率较低，部分订单配送体验较差。现有技术方案是基于通过LSTM(长短期记忆网络)来进行时间片维度预测门店每小时的订单数，后续结合多场景、多规则、多参数来划定不同时间点的繁忙门店及其接单范围，将骑手定时调度分配至指定区域接单，再对订单进行并单处理以达到路线最优化，最终实现配送效率最大化。
但是现有技术方案存在以下问题：
1、同一时间点，个别门店存在爆单情况，个别门店运力剩余；
2、骑手路线出现反复，绕路等情况；
3、路线重复或部分路线重复的订单没有被发现，导致运力损耗。
发明内容
本发明要解决的技术问题是克服现有的缺陷，提供一种外卖业务AI智能预测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种外卖业务AI智能预测方法，包括以下步骤：
步骤一：区域内门店订单预测，合理预测门店订单，规划高订单门店配送范围；
步骤二：骑手调度及订单智能分派，基于合理预测的订单分布，调度区域内骑手接单，并对订单进行并单处理以规划高效路线；
步骤三：参数权重调整，对预测模型本身进行算法迭代，提升模型的时效性和准确性；
步骤四：区域内骑手疏密性调度以及信息合并；
步骤五：结合预测模型与骑手疏密性等信息分配订单。
优选的，所述步骤一中，将地理空间转化成三个空间(客户群空间、餐厅群空间、客户-餐厅群空间)，使用CNN(卷积神经网络)来预测订单出现的地理空间坐标。
优选的，所述步骤一中，通过LSTM(长短期记忆网络)来进行时间片维度的数据预测，保证数据在时间位面的准确度。
优选的，所述步骤二中，基于门店预测单量、订单接单、配送时长等多维度数据，通过配送地址路线规划将骑手逐渐调度至下一时段繁忙门店接单范围内。
优选的，所述步骤二中，考量不同变量(门店产能包括库存，压单量，并单量，时间段，天气等因素；配送效能包含收货距离，可用骑手数量，可用骑手与门店距离等因素)所占比例及其动态变化，将订单智能分配到被调度到配送范围内的骑手身上。
优选的，所述步骤三中，通过随机森林算法对沉淀历史数据预测订单效能是否达标，对各个KPI的参数重要性进行打分，随机森林由n个分类树构成，分类树中的节点选择会倾向选择分类结果不纯度越低的特征。(优先选择能将样本分的更清楚的特征)。
优选的，所述步骤三中，基于定期对累积数据进行模型训练打分，对预设的参数权重进行调整，以优化算法本身。
优选的，所述步骤四中，在对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单。
优选的，所述步骤四中，对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥。
优选的，所述步骤五中，将骑手定时调度分配至指定区域接单，再对订单进行并单处理以达到路线最优化，最终实现配送效率最大化。
与现有技术相比，本发明提供了一种外卖业务AI智能预测方法，具备以下有益效果：
1、本发明通过对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单，再对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥，从而达到合理预测门店订单，规划高订单门店配送范围的效果；
2、本发明通过随机森林算法对沉淀历史数据预测订单效能是否达标，对各个KPI的参数重要性进行打分，随机森林由n个分类树构成，分类树中的节点选择会倾向选择分类结果不纯度越低的特征，并且对预测模型本身进行算法迭代，从而能够提升模型的时效性和准确性；
3、本发明通过LSTM(长短期记忆网络)来进行时间片维度的数据预测，保证数据在时间位面的准确度，从而合理预测订单的分布情况，使位于调度区域内的骑手接单，并对订单进行并单处理以规划高效路线，以此方式能够解决骑手路线出现反复，绕路等情况。
附图说明
图1为本发明提出的反馈型多层神经网络组成图；
图2为本发明提出的LSTM的系统流程图；
图3为本发明提出的LSTM层面组成结构图；
图4为本发明提出的随机森林分类树构成图；
图5为本发明提出的预测后骑手位置示意图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明提供以下技术方案：一种外卖业务AI智能预测方法，包括以下步骤：
步骤一：区域内门店订单预测，合理预测门店订单，规划高订单门店配送范围；
步骤二：骑手调度及订单智能分派，基于合理预测的订单分布，调度区域内骑手接单，并对订单进行并单处理以规划高效路线；
步骤三：参数权重调整，对预测模型本身进行算法迭代，提升模型的时效性和准确性；
步骤四：区域内骑手疏密性调度以及信息合并；
步骤五：结合预测模型与骑手疏密性等信息分配订单。
本发明中，优选的，步骤一中，将地理空间转化成三个空间(客户群空间、餐厅群空间、客户-餐厅群空间)，使用CNN(卷积神经网络)来预测订单出现的地理空间坐标。
本发明中，优选的，步骤一中，通过LSTM(长短期记忆网络)来进行时间片维度的数据预测，保证数据在时间位面的准确度。
本发明中，优选的，步骤二中，基于门店预测单量、订单接单、配送时长等多维度数据，通过配送地址路线规划将骑手逐渐调度至下一时段繁忙门店接单范围内。
本发明中，优选的，步骤二中，考量不同变量(门店产能包括库存，压单量，并单量，时间段，天气等因素；配送效能包含收货距离，可用骑手数量，可用骑手与门店距离等因素)所占比例及其动态变化，将订单智能分配到被调度到配送范围内的骑手身上。
本发明中，优选的，步骤三中，通过随机森林算法对沉淀历史数据预测订单效能是否达标，对各个KPI的参数重要性进行打分，随机森林由n个分类树构成，分类树中的节点选择会倾向选择分类结果不纯度越低的特征。(优先选择能将样本分的更清楚的特征)。
本发明中，优选的，步骤三中，基于定期对累积数据进行模型训练打分，对预设的参数权重进行调整，以优化算法本身。
本发明中，优选的，步骤四中，在对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单。
本发明中，优选的，步骤四中，对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥。
本发明中，优选的，步骤五中，将骑手定时调度分配至指定区域接单，再对订单进行并单处理以达到路线最优化，最终实现配送效率最大化。
本发明的工作原理及使用流程：使用时，
实施例一：
本发明提供以下技术方案：一种外卖业务AI智能预测方法，包括以下步骤：
步骤一：区域内门店订单预测，合理预测门店订单，规划高订单门店配送范围；
步骤二：骑手调度及订单智能分派，基于合理预测的订单分布，调度区域内骑手接单，并对订单进行并单处理以规划高效路线；
步骤三：参数权重调整，对预测模型本身进行算法迭代，提升模型的时效性和准确性；
步骤四：区域内骑手疏密性调度以及信息合并；
步骤五：结合预测模型与骑手疏密性等信息分配订单。
本发明中，优选的，步骤一中，将地理空间转化成三个空间(客户群空间、餐厅群空间、客户-餐厅群空间)，使用CNN(卷积神经网络)来预测订单出现的地理空间坐标。
本发明中，优选的，步骤一中，通过LSTM(长短期记忆网络)来进行时间片维度的数据预测，保证数据在时间位面的准确度。
本发明中，优选的，步骤二中，基于门店预测单量、订单接单、配送时长等多维度数据，通过配送地址路线规划将骑手逐渐调度至下一时段繁忙门店接单范围内。
本发明中，优选的，步骤二中，考量不同变量(门店产能包括库存，压单量，并单量，时间段，天气等因素；配送效能包含收货距离，可用骑手数量，可用骑手与门店距离等因素)所占比例及其动态变化，将订单智能分配到被调度到配送范围内的骑手身上。
本发明中，优选的，步骤三中，通过随机森林算法对沉淀历史数据预测订单效能是否达标，对各个KPI的参数重要性进行打分，随机森林由n个分类树构成，分类树中的节点选择会倾向选择分类结果不纯度越低的特征。(优先选择能将样本分的更清楚的特征)。
本发明中，优选的，步骤三中，基于定期对累积数据进行模型训练打分，对预设的参数权重进行调整，以优化算法本身。
本发明中，优选的，步骤四中，在对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单。
本发明中，优选的，步骤四中，对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥。
本发明中，优选的，步骤五中，将骑手定时调度分配至指定区域接单，再对订单进行并单处理以达到路线最优化，最终实现配送效率最大化。
实施例二：
本发明提供以下技术方案：一种外卖业务AI智能预测方法，包括以下步骤：
步骤一：区域内门店订单预测，合理预测门店订单，规划高订单门店配送范围；
步骤二：骑手调度及订单智能分派，基于合理预测的订单分布，调度区域内骑手接单，并对订单进行并单处理以规划高效路线；
步骤三：参数权重调整，对预测模型本身进行算法迭代，提升模型的时效性和准确性；
步骤四：区域内骑手疏密性调度以及信息合并；
步骤五：结合预测模型与骑手疏密性等信息分配订单。
本发明中，优选的，步骤一中，将地理空间转化成三个空间(客户群空间、餐厅群空间、客户-餐厅群空间)，使用CNN(卷积神经网络)来预测订单出现的地理空间坐标。
本发明中，优选的，步骤一中，通过LSTM(长短期记忆网络)来进行时间片维度的数据预测，保证数据在时间位面的准确度。
本发明中，优选的，步骤二中，基于门店预测单量、订单接单、配送时长等多维度数据，通过配送地址路线规划将骑手逐渐调度至下一时段繁忙门店接单范围内。
本发明中，优选的，步骤二中，考量不同变量(门店产能包括库存，压单量，并单量，时间段，天气等因素；配送效能包含收货距离，可用骑手数量，可用骑手与门店距离等因素)所占比例及其动态变化，将订单智能分配到被调度到配送范围内的骑手身上。
本发明中，优选的，步骤三中，通过随机森林算法对沉淀历史数据预测订单效能是否达标，对各个KPI的参数重要性进行打分，随机森林由n个分类树构成，分类树中的节点选择会倾向选择分类结果不纯度越低的特征。(优先选择能将样本分的更清楚的特征)。
本发明中，优选的，步骤三中，基于定期对累积数据进行模型训练打分，对预设的参数权重进行调整，以优化算法本身。
本发明中，优选的，步骤四中，在对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单。
本发明中，优选的，步骤四中，对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥。
本发明中，优选的，步骤五中，将骑手定时调度分配至指定区域接单，再对订单进行并单处理以达到路线最优化，最终实现配送效率最大化。
实施例三：
本发明提供以下技术方案：一种外卖业务AI智能预测方法，包括以下步骤：
步骤一：区域内门店订单预测，合理预测门店订单，规划高订单门店配送范围；
步骤二：骑手调度及订单智能分派，基于合理预测的订单分布，调度区域内骑手接单，并对订单进行并单处理以规划高效路线；
步骤三：参数权重调整，对预测模型本身进行算法迭代，提升模型的时效性和准确性；
步骤四：区域内骑手疏密性调度以及信息合并；
步骤五：结合预测模型与骑手疏密性等信息分配订单。
本发明中，优选的，步骤一中，将地理空间转化成三个空间(客户群空间、餐厅群空间、客户-餐厅群空间)，使用CNN(卷积神经网络)来预测订单出现的地理空间坐标。
本发明中，优选的，步骤一中，通过LSTM(长短期记忆网络)来进行时间片维度的数据预测，保证数据在时间位面的准确度。
本发明中，优选的，步骤二中，基于门店预测单量、订单接单、配送时长等多维度数据，通过配送地址路线规划将骑手逐渐调度至下一时段繁忙门店接单范围内。
本发明中，优选的，步骤二中，考量不同变量(门店产能包括库存，压单量，并单量，时间段，天气等因素；配送效能包含收货距离，可用骑手数量，可用骑手与门店距离等因素)所占比例及其动态变化，将订单智能分配到被调度到配送范围内的骑手身上。
本发明中，优选的，步骤三中，通过随机森林算法对沉淀历史数据预测订单效能是否达标，对各个KPI的参数重要性进行打分，随机森林由n个分类树构成，分类树中的节点选择会倾向选择分类结果不纯度越低的特征。(优先选择能将样本分的更清楚的特征)。
本发明中，优选的，步骤三中，基于定期对累积数据进行模型训练打分，对预设的参数权重进行调整，以优化算法本身。
本发明中，优选的，步骤四中，在对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单。
本发明中，优选的，步骤四中，对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥。
本发明中，优选的，步骤五中，将骑手定时调度分配至指定区域接单，再对订单进行并单处理以达到路线最优化，最终实现配送效率最大化。
本发明提供以下技术方案：一种外卖业务AI智能预测方法，包括以下步骤：
步骤一：区域内门店订单预测，合理预测门店订单，规划高订单门店配送范围；
步骤二：骑手调度及订单智能分派，基于合理预测的订单分布，调度区域内骑手接单，并对订单进行并单处理以规划高效路线；
步骤三：参数权重调整，对预测模型本身进行算法迭代，提升模型的时效性和准确性；
步骤四：区域内骑手疏密性调度以及信息合并；
步骤五：结合预测模型与骑手疏密性等信息分配订单。
本发明中，优选的，步骤一中，将地理空间转化成三个空间(客户群空间、餐厅群空间、客户-餐厅群空间)，使用CNN(卷积神经网络)来预测订单出现的地理空间坐标。
本发明中，优选的，步骤一中，通过LSTM(长短期记忆网络)来进行时间片维度的数据预测，保证数据在时间位面的准确度。
本发明中，优选的，步骤二中，基于门店预测单量、订单接单、配送时长等多维度数据，通过配送地址路线规划将骑手逐渐调度至下一时段繁忙门店接单范围内。
本发明中，优选的，步骤二中，考量不同变量(门店产能包括库存，压单量，并单量，时间段，天气等因素；配送效能包含收货距离，可用骑手数量，可用骑手与门店距离等因素)所占比例及其动态变化，将订单智能分配到被调度到配送范围内的骑手身上。
本发明中，优选的，步骤三中，通过随机森林算法对沉淀历史数据预测订单效能是否达标，对各个KPI的参数重要性进行打分，随机森林由n个分类树构成，分类树中的节点选择会倾向选择分类结果不纯度越低的特征。(优先选择能将样本分的更清楚的特征)。
本发明中，优选的，步骤三中，基于定期对累积数据进行模型训练打分，对预设的参数权重进行调整，以优化算法本身。
本发明中，优选的，步骤四中，在对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单。
本发明中，优选的，步骤四中，对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥。
本发明中，优选的，步骤五中，将骑手定时调度分配至指定区域接单，再对订单进行并单处理以达到路线最优化，最终实现配送效率最大化。
综合上述实施例，在对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单，再对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥，从而将订单智能分配到被调度到配送范围内的骑手身上。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种外卖业务AI智能预测方法，其特征在于：包括以下步骤：
步骤一：区域内门店订单预测，合理预测门店订单，规划高订单门店配送范围；
步骤二：骑手调度及订单智能分派，基于合理预测的订单分布，调度区域内骑手接单，并对订单进行并单处理以规划高效路线；
步骤三：参数权重调整，对预测模型本身进行算法迭代，提升模型的时效性和准确性；
步骤四：区域内骑手疏密性调度以及信息合并；
步骤五：结合预测模型与骑手疏密性等信息分配订单。
2.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤一中，将地理空间转化成三个空间(客户群空间、餐厅群空间、客户-餐厅群空间)，使用CNN(卷积神经网络)来预测订单出现的地理空间坐标。
3.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤一中，通过LSTM(长短期记忆网络)来进行时间片维度的数据预测，保证数据在时间位面的准确度。
4.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤二中，基于门店预测单量、订单接单、配送时长等多维度数据，通过配送地址路线规划将骑手逐渐调度至下一时段繁忙门店接单范围内。
5.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤二中，考量不同变量(门店产能包括库存，压单量，并单量，时间段，天气等因素；配送效能包含收货距离，可用骑手数量，可用骑手与门店距离等因素)所占比例及其动态变化，将订单智能分配到被调度到配送范围内的骑手身上。
6.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤三中，通过随机森林算法对沉淀历史数据预测订单效能是否达标，对各个KPI的参数重要性进行打分，随机森林由n个分类树构成，分类树中的节点选择会倾向选择分类结果不纯度越低的特征。(优先选择能将样本分的更清楚的特征)。
7.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤三中，基于定期对累积数据进行模型训练打分，对预设的参数权重进行调整，以优化算法本身。
8.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤四中，在对门店进行各时段订单产出的合理预测后，在不同时间节点将区域内骑手进行疏密性调度，保证高产出门店配送范围内的运力后让剩余骑手消化低产出门店的订单。
9.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤四中，对订单本身进行路线合并、地址合并等处理，最终达到运力的充分发挥。
10.根据权利要求1所述的一种外卖业务AI智能预测方法，其特征在于：所述步骤五中，将骑手定时调度分配至指定区域接单，再对订单进行并单处理以达到路线最优化，最终实现配送效率最大化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210550056.9A CN115063164A (zh) | 2022-05-20 | 2022-05-20 | 一种外卖业务ai智能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210550056.9A CN115063164A (zh) | 2022-05-20 | 2022-05-20 | 一种外卖业务ai智能预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115063164A true CN115063164A (zh) | 2022-09-16 |
Family
ID=83199321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210550056.9A Pending CN115063164A (zh) | 2022-05-20 | 2022-05-20 | 一种外卖业务ai智能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063164A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720802A (zh) * | 2023-08-08 | 2023-09-08 | 深圳市升蓝物流有限公司 | 一种基于人工智能的物流规划智能处理系统 |
| CN116777338A (zh) * | 2023-08-23 | 2023-09-19 | 深圳安培时代数字能源科技有限公司 | 针对外卖车辆电池信息的处理方法及相关装置 |
-
2022
- 2022-05-20 CN CN202210550056.9A patent/CN115063164A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720802A (zh) * | 2023-08-08 | 2023-09-08 | 深圳市升蓝物流有限公司 | 一种基于人工智能的物流规划智能处理系统 |
| CN116720802B (zh) * | 2023-08-08 | 2024-01-09 | 深圳市升蓝物流有限公司 | 一种基于人工智能的物流规划智能处理系统 |
| CN116777338A (zh) * | 2023-08-23 | 2023-09-19 | 深圳安培时代数字能源科技有限公司 | 针对外卖车辆电池信息的处理方法及相关装置 |
| CN116777338B (zh) * | 2023-08-23 | 2023-11-21 | 深圳安培时代数字能源科技有限公司 | 针对外卖车辆电池信息的处理方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115063164A (zh) | 一种外卖业务ai智能预测方法 | |
| US20210312347A1 (en) | Dispatching distribution | |
| CN103927643B (zh) | 一种大规模订单处理与配送路径优化的方法 | |
| CN108171452B (zh) | 一种快递点选址方法及装置 | |
| CN110782064B (zh) | 一种集车辆调度优化与任务分配于一体的可视化方法及系统 | |
| CN102722553A (zh) | 基于用户日志分析的分布式倒排索引组织方法 | |
| CN111539590A (zh) | 一种基于后悔理论的应急资源配置优化方法 | |
| CN102393937A (zh) | 一种基于反向生成的地址树的地址匹配方法及匹配系统 | |
| CN105956723A (zh) | 基于数据挖掘的物流信息管理方法 | |
| CN110675189A (zh) | 一种基于Wide&Deep模型和遗传算法的无人货架选址方法 | |
| CN101594371A (zh) | 食品安全追溯数据库的负载均衡优化方法 | |
| CN111737325A (zh) | 一种基于大数据技术的电力数据分析方法和装置 | |
| CN111047102B (zh) | 基于精英驱动粒子群算法的快递配送路线优化方法 | |
| CN110298613B (zh) | 一种仓储领域中提高商品拣选效率的处理方法及系统 | |
| CN110705793A (zh) | 一种社区结构下的生鲜电商仓库选址系统及方法 | |
| CN105956816A (zh) | 物资运输信息智能处理方法 | |
| CN111260288B (zh) | 订单管理方法、装置、介质及电子设备 | |
| CN116629495A (zh) | 用于输出信息的方法和装置 | |
| CN102929914A (zh) | 一种基于p2p节点调度的移动地图服务搜索方法 | |
| Darley-Waddilove et al. | An allocation model framework for a capacity-constrained port: a case for citrus exports at the port of Durban | |
| Yan et al. | Study on vehicle routing optimization of cold chain logistics with soft time window under stochastic demand | |
| Dharmapriya et al. | A review of supply network configuration literature and decision support tools | |
| CN112446519A (zh) | 一种增量配电园区的用电需求预测方法及系统 | |
| Van Nieuwenhuyse et al. | Order batching in multi-server pick-and-sort warehouses | |
| Zhang | Study Research on Location Selection of YF Aviation Logistics Company Transit Warehouse Based on AHP |
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 |