CN115081961A - 一种基于大数据的物流运力智能调派方法 - Google Patents

一种基于大数据的物流运力智能调派方法 Download PDF

Info

Publication number
CN115081961A
CN115081961A CN202210992102.0A CN202210992102A CN115081961A CN 115081961 A CN115081961 A CN 115081961A CN 202210992102 A CN202210992102 A CN 202210992102A CN 115081961 A CN115081961 A CN 115081961A
Authority
CN
China
Prior art keywords
logistics
transportation
enterprise
time period
historical order
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
Application number
CN202210992102.0A
Other languages
English (en)
Other versions
CN115081961B (zh
Inventor
谭程明
李勇虎
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.)
Shenzhen Kuaijin Data Technology Service Co ltd
Original Assignee
Shenzhen Kuaijin Data Technology Service 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 Shenzhen Kuaijin Data Technology Service Co ltd filed Critical Shenzhen Kuaijin Data Technology Service Co ltd
Priority to CN202210992102.0A priority Critical patent/CN115081961B/zh
Publication of CN115081961A publication Critical patent/CN115081961A/zh
Application granted granted Critical
Publication of CN115081961B publication Critical patent/CN115081961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及物流运力调派管理领域，具体公开一种基于大数据的物流运力智能调派方法，本发明通过获取各物流企业在预设时间周期内各历史订单的服务信息和运输信息，解析得到各物流企业对应的服务信息评价系数、运输性价比影响权重指数和运输路线覆盖度影响权重指数，并评估各物流企业对应的物流运力调派评价系数，从而实现对物流企业的物流运力调派能力进行数据化、精准化以及系统化分析，同时对比筛选最高物流运力调派评价系数对应的物流企业，并将该物流企业推荐至发货企业，从而能够给发货企业推荐最优物流运力调派能力的物流企业，确保物流运输过程中能够达到预期理想效果。

Description

一种基于大数据的物流运力智能调派方法
技术领域
本发明涉及物流运力调派管理领域，涉及到一种基于大数据的物流运力智能调派方法。
背景技术
随着物流行业的快速发展，市面上可供发货企业选择的物流企业越来越多，各物流公司都采用各自的物流方式和管理模式，使得物流运输方式、物流运力调派等各方面都不同，甚至存在很大差异。由于存在多家可供选择的物流企业，发货企业很难在众多物流企业中选择最优的物流企业，因此，如何帮助发货企业选择最优的物流企业成为亟待解决的问题。
目前，发货企业在选择物流企业的时候，由于无法掌握各物流企业的情况，只能根据企业规模、以往发货经验等方面的了解，尝试性地从各物流企业中选择一家发货，但是由于不同物流企业对应物流能力是有差别的，这种选择方式容易造成选择失误，使得物流运输过程中无法达到预期理想的效果，进一步无法满足发货企业的物流运输需求。
同时，现有方式无法考虑物流企业真实的服务信息和运输信息，从而不能对物流企业对应物流运力调派能力进行数据化、精准化以及系统化分析，导致无法选择最优物流运力调派能力的物流企业，进一步降低发货企业选择物流企业的效率和准确度，也不能够很好的控制物流运输成本，无法对选择的物流企业提供成本更低、时效更优的服务，进而直接影响发货企业的满意程度。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种基于大数据的物流运力智能调派方法。
本发明解决其技术问题采用的技术方案是：本发明提供一种基于大数据的物流运力智能调派方法，包括如下步骤：S1、历史订单服务信息获取：获取各物流企业在预设时间周期内各历史订单的服务信息，其中服务信息包括基本信息和回复信息。
S2、历史订单服务信息解析：对各物流企业在预设时间周期内各历史订单的服务信息进行解析，得到各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数和服务质量符合比例指数。
S3、物流企业服务信息评价系数分析：根据各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数和服务质量符合比例指数，分析各物流企业对应的服务信息评价系数。
S4、历史订单运输信息获取：获取各物流企业在预设时间周期内各历史订单的运输信息，其中运输信息包括货物重量、货物体积、运输金额和运输路线。
S5、历史订单运输信息解析：对各物流企业在预设时间周期内各历史订单的运输信息进行解析，得到各物流企业对应的运输性价比影响权重指数和运输路线覆盖度影响权重指数。
S6、物流运力调派评价系数评估：评估各物流企业对应的物流运力调派评价系数，筛选最高物流运力调派评价系数对应的物流企业，并将该物流企业推荐至发货企业。
优选地，所述各物流企业在预设时间周期内各历史订单的基本信息包括下单时间、揽件时间、开始运输时间和物流签收时间；所述各物流企业在预设时间周期内各历史订单的回复信息为客服交互内容。
优选地，所述步骤S2中对应的具体步骤如下：S21、根据各物流企业在预设时间周期内各历史订单的基本信息，得到各物流企业在预设时间周期内各历史订单对应下单时间与揽件时间的有效间隔、揽件时间与运输时间的有效间隔和物流运输时长。
S22、提取物流运输数据库中存储的各物流企业在预设时间周期内各历史订单的标准物流运输时长，分析得到各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数
Figure 641583DEST_PATH_IMAGE001
，其中
Figure 276832DEST_PATH_IMAGE002
，i表示为第i个物流企业的编号，
Figure 56569DEST_PATH_IMAGE003
，j表示为预设时间周期内第j个历史订单的编号。
S23、根据各物流企业在预设时间周期内各历史订单的客服交互内容，得到各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重和客服回复精准性影响权重，将其分别标记为
Figure 655041DEST_PATH_IMAGE004
和
Figure 469413DEST_PATH_IMAGE005
。
S24、分析各物流企业在预设时间周期内各历史订单的服务质量符合比例指数
Figure 291876DEST_PATH_IMAGE006
，其中
Figure 762171DEST_PATH_IMAGE007
和
Figure 961071DEST_PATH_IMAGE008
分别表示为预设的客服回复及时性修正因子和客服回复精准性修正因子。
优选地，所述步骤S22中各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数分析公式为
Figure 348059DEST_PATH_IMAGE009
，其中
Figure 341423DEST_PATH_IMAGE010
、
Figure 95753DEST_PATH_IMAGE011
、
Figure 36027DEST_PATH_IMAGE012
分别表示为预设的下单时间与揽件时间的间隔、揽件时间与运输时间的间隔、物流运输时长对应时效性影响因子，
Figure 559412DEST_PATH_IMAGE013
、
Figure 458098DEST_PATH_IMAGE014
分别表示为预设的订单下单时间与揽件时间的允许间隔、订单揽件时间与运输时间的允许间隔，
Figure 699723DEST_PATH_IMAGE015
、
Figure 974847DEST_PATH_IMAGE016
、
Figure 70848DEST_PATH_IMAGE017
分别表示为第i个物流企业在预设时间周期内第j个历史订单对应下单时间与揽件时间的有效间隔、揽件时间与运输时间的有效间隔、物流运输时长，
Figure 406014DEST_PATH_IMAGE018
表示为第i个物流企业在预设时间周期内第j个历史订单的标准物流运输时长，e表示为自然常数。
优选地，所述步骤S23中各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重和客服回复精准性影响权重获取方式为：根据各物流企业在预设时间周期内各历史订单的客服交互内容，提取各物流企业在预设时间周期内各历史订单对应各次交互中客户提问时间和客服回复时间，将其分别标记为
Figure 603777DEST_PATH_IMAGE019
、
Figure 682592DEST_PATH_IMAGE020
，
Figure 383831DEST_PATH_IMAGE021
，r表示为第r次交互。
分析各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重
Figure 155478DEST_PATH_IMAGE022
，其中
Figure 106117DEST_PATH_IMAGE023
表示为预设的客服回复及时性补偿因子，u表示为交互次数，
Figure 444082DEST_PATH_IMAGE024
表示为预设的客服交互中允许回复间隔时长。
根据各物流企业在预设时间周期内各历史订单的客服交互内容，得到各物流企业在预设时间周期内各历史订单对应的交互次数，将其记为
Figure 796566DEST_PATH_IMAGE025
，并提取各物流企业在预设时间周期内各历史订单对应各次交互中客户提问文本和客服回复文本，对比得到各物流企业在预设时间周期内各历史订单对应的匹配客服回复文本数量，将其记为
Figure 207955DEST_PATH_IMAGE026
。
分析各物流企业在预设时间周期内各历史订单的客服回复精准性影响权重
Figure 645890DEST_PATH_IMAGE027
，其中
Figure 269769DEST_PATH_IMAGE028
表示为预设的客服回复精准性补偿因子。
优选地，所述步骤S3中分析各物流企业对应的服务信息评价系数，具体分析方式为：将各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数
Figure 742339DEST_PATH_IMAGE029
和服务质量符合比例指数
Figure 855789DEST_PATH_IMAGE030
代入服务信息评价系数分析公式
Figure 499128DEST_PATH_IMAGE031
，得到各物流企业对应的服务信息评价系数
Figure 723436DEST_PATH_IMAGE032
，其中m表示为预设时间周期内历史订单数量，
Figure 988196DEST_PATH_IMAGE033
、
Figure 272546DEST_PATH_IMAGE034
分别表示为预设的服务时效性符合影响因子和服务质量符合影响因子。
优选地，所述步骤S5中各物流企业对应的运输性价比影响权重指数解析方式为：提取各物流企业在预设时间周期内各历史订单的货物重量、货物体积和运输金额，处理得到各物流企业在预设时间周期内各历史订单对应单位货物重量的运输金额和单位货物体积的运输金额，对比筛选各物流企业在预设时间周期内各历史订单对应的单位运输金额，并根据平均值计算公式得到各物流企业对应的单位平均运输金额，将其标记为
Figure 153915DEST_PATH_IMAGE035
。
根据运输性价比影响权重指数解析公式
Figure 181914DEST_PATH_IMAGE036
，得到各物流企业对应的运输性价比影响权重指数
Figure 363496DEST_PATH_IMAGE037
，其中
Figure 5699DEST_PATH_IMAGE038
表示为预设的物流运输性价比修正因子，n表示为物流企业的数量。
优选地，所述步骤S5中各物流企业对应的运输路线覆盖度影响权重指数解析方式为：提取各物流企业在预设时间周期内各历史订单的运输路线，得到各物流企业在预设时间周期内各历史订单的运输路程，并统计各物流企业在预设时间周期内各历史订单运输路线对应的物流中转站数量，分析得到各物流企业在预设时间周期内各历史订单对应物流中转站之间的平均运输路程，将其标记为
Figure 905522DEST_PATH_IMAGE039
。
提取物流运输数据库中存储的各物流企业对应的物流中转站总数量，解析各物流企业对应的运输路线覆盖度影响权重指数
Figure 940474DEST_PATH_IMAGE040
，其中
Figure 242142DEST_PATH_IMAGE041
表示为预设的物流运输路线覆盖度修正因子，
Figure 602717DEST_PATH_IMAGE042
表示为圆周率，
Figure 193098DEST_PATH_IMAGE042
取值为3.14，m表示为预设时间周期内历史订单数量，
Figure 562899DEST_PATH_IMAGE043
表示为第i个物流企业对应的物流中转站总数量。
优选地，所述步骤S6中各物流企业对应的物流运力调派评价系数具体评估方式为：将各物流企业对应的服务信息评价系数
Figure 906025DEST_PATH_IMAGE044
、各物流企业对应的运输性价比影响权重指数
Figure 703080DEST_PATH_IMAGE045
和各物流企业对应的运输路线覆盖度影响权重指数
Figure 311915DEST_PATH_IMAGE046
代入公式
Figure 954249DEST_PATH_IMAGE047
，得到各物流企业对应的物流运力调派评价系数
Figure 964931DEST_PATH_IMAGE048
，其中
Figure 136149DEST_PATH_IMAGE049
和
Figure 232281DEST_PATH_IMAGE050
分别表示为预设的物流企业服务信息对应的物流运力影响因子和物流企业运输信息对应的物流运力影响因子。
相对于现有技术，本发明所述的一种基于大数据的物流运力智能调派方法具有以下有益效果：1、本发明通过获取各物流企业在预设时间周期内各历史订单的服务信息和运输信息，解析得到各物流企业对应的服务信息评价系数、运输性价比影响权重指数和运输路线覆盖度影响权重指数，并评估各物流企业对应的物流运力调派评价系数，从而实现对物流企业的物流运力调派能力进行数据化、精准化以及系统化分析，确保后期能够选择最优物流运力调派能力的物流企业，进而不仅很好地控制了物流运输成本，而且提高后期发货企业选择物流企业的效率和准确度，进一步使得后期选择的物流企业能够提供成本更低、时效更优、服务更好的需求，提高发货企业的满意程度。
2、本发明通过将各物流企业对应的物流运力调派评价系数进行相互对比，筛选最高物流运力调派评价系数对应的物流企业，并将该物流企业推荐至发货企业，从而能够给发货企业推荐最优物流运力调派能力的物流企业，确保物流运输过程中能够达到预期理想效果，满足发货企业的物流运输需求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明提供一种基于大数据的物流运力智能调派方法，包括如下步骤：S1、历史订单服务信息获取：获取各物流企业在预设时间周期内各历史订单的服务信息，其中服务信息包括基本信息和回复信息。
在上述实施例的基础上，所述各物流企业在预设时间周期内各历史订单的基本信息包括下单时间、揽件时间、开始运输时间和物流签收时间；所述各物流企业在预设时间周期内各历史订单的回复信息为客服交互内容。
S2、历史订单服务信息解析：对各物流企业在预设时间周期内各历史订单的服务信息进行解析，得到各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数和服务质量符合比例指数。
在上述实施例的基础上，所述步骤S2中对应的具体步骤如下：S21、根据各物流企业在预设时间周期内各历史订单的基本信息，得到各物流企业在预设时间周期内各历史订单对应下单时间与揽件时间的有效间隔、揽件时间与运输时间的有效间隔和物流运输时长。
作为本发明的一个具体实施例，所述各物流企业在预设时间周期内各历史订单对应下单时间与揽件时间的有效间隔获得方式为：
提取各物流企业在预设时间周期内各历史订单的下单时间和揽件时间，若某物流企业在预设时间周期内某历史订单的下单时间对应日期与其对应揽件时间对应日期相同，则该物流企业在预设时间周期内该历史订单对应下单时间与揽件时间的有效间隔为
Figure 943885DEST_PATH_IMAGE051
，其中
Figure 277914DEST_PATH_IMAGE052
和
Figure 416772DEST_PATH_IMAGE053
分别表示为该物流企业在预设时间周期内该历史订单对应下单时间和揽件时间。
若某物流企业在预设时间周期内某历史订单的下单时间对应日期与其对应揽件时间对应日期不同，则提取该物流企业对应的日工作时间段，将该物流企业在预设时间周期内该历史订单的下单时间与其对应日工作时间段进行比对，若该物流企业在预设时间周期内该历史订单的下单时间处于其对应日工作时间段内，则该物流企业在预设时间周期内该历史订单对应下单时间与揽件时间的有效间隔为
Figure 443941DEST_PATH_IMAGE054
，其中
Figure 693656DEST_PATH_IMAGE055
和
Figure 882192DEST_PATH_IMAGE056
分别表示为该物流企业对应日工作时间段的开始时间和结束时间；若该物流企业在预设时间周期内该历史订单的下单时间处于其对应日工作时间段外，则该物流企业在预设时间周期内该历史订单对应下单时间与揽件时间的有效间隔为
Figure 191951DEST_PATH_IMAGE057
。
进而，统计各物流企业在预设时间周期内各历史订单对应下单时间与揽件时间的有效间隔。
进一步地，所述各物流企业在预设时间周期内各历史订单对应下揽件时间与运输时间的有效间隔和物流运输时长具体获取方式为：将各物流企业在预设时间周期内各历史订单的开始运输时间减去其对应的揽件时间，得到各物流企业在预设时间周期内各历史订单对应下揽件时间与运输时间的有效间隔。
将各物流企业在预设时间周期内各历史订单的物流签收时间减去其对应的开始运输时间，得到各物流企业在预设时间周期内各历史订单对应物流运输时长。
S22、提取物流运输数据库中存储的各物流企业在预设时间周期内各历史订单的标准物流运输时长，分析得到各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数
Figure 262675DEST_PATH_IMAGE058
，其中
Figure 784923DEST_PATH_IMAGE059
，i表示为第i个物流企业的编号，
Figure 624703DEST_PATH_IMAGE060
，j表示为预设时间周期内第j个历史订单的编号。
作为本发明的一个具体实施例，所述步骤S22中各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数分析公式为
Figure 557893DEST_PATH_IMAGE061
，
其中
Figure 850334DEST_PATH_IMAGE062
、
Figure 176273DEST_PATH_IMAGE063
、
Figure 870560DEST_PATH_IMAGE064
分别表示为预设的下单时间与揽件时间的间隔、揽件时间与运输时间的间隔、物流运输时长对应时效性影响因子，
Figure 725383DEST_PATH_IMAGE065
、
Figure 770700DEST_PATH_IMAGE066
分别表示为预设的订单下单时间与揽件时间的允许间隔、订单揽件时间与运输时间的允许间隔，
Figure 884018DEST_PATH_IMAGE067
、
Figure 432811DEST_PATH_IMAGE068
、
Figure 520853DEST_PATH_IMAGE069
分别表示为第i个物流企业在预设时间周期内第j个历史订单对应下单时间与揽件时间的有效间隔、揽件时间与运输时间的有效间隔、物流运输时长，
Figure 991149DEST_PATH_IMAGE070
表示为第i个物流企业在预设时间周期内第j个历史订单的标准物流运输时长，e表示为自然常数。
S23、根据各物流企业在预设时间周期内各历史订单的客服交互内容，得到各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重和客服回复精准性影响权重，将其分别标记为
Figure 190049DEST_PATH_IMAGE071
和
Figure 796611DEST_PATH_IMAGE072
。
作为本发明的一个具体实施例，所述步骤S23中各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重和客服回复精准性影响权重获取方式为：根据各物流企业在预设时间周期内各历史订单的客服交互内容，提取各物流企业在预设时间周期内各历史订单对应各次交互中客户提问时间和客服回复时间，将其分别标记为
Figure 55554DEST_PATH_IMAGE073
、
Figure 809883DEST_PATH_IMAGE074
，
Figure 265004DEST_PATH_IMAGE075
，r表示为第r次交互。
分析各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重
Figure 788389DEST_PATH_IMAGE076
，其中
Figure 421496DEST_PATH_IMAGE077
表示为预设的客服回复及时性补偿因子，u表示为交互次数，
Figure 866384DEST_PATH_IMAGE078
表示为预设的客服交互中允许回复间隔时长。
根据各物流企业在预设时间周期内各历史订单的客服交互内容，得到各物流企业在预设时间周期内各历史订单对应的交互次数，将其记为
Figure 407086DEST_PATH_IMAGE079
，并提取各物流企业在预设时间周期内各历史订单对应各次交互中客户提问文本和客服回复文本，对比得到各物流企业在预设时间周期内各历史订单对应的匹配客服回复文本数量，将其记为
Figure 506017DEST_PATH_IMAGE080
。
分析各物流企业在预设时间周期内各历史订单的客服回复精准性影响权重
Figure 841183DEST_PATH_IMAGE081
，其中
Figure 570105DEST_PATH_IMAGE082
表示为预设的客服回复精准性补偿因子。
需要说明的是，上述中对比得到各物流企业在预设时间周期内各历史订单对应的匹配客服回复文本数量，具体包括：对各物流企业在预设时间周期内各历史订单对应各次交互中客户提问文本与预设的各设定提问文本进行匹配，统计各物流企业在预设时间周期内各历史订单对应各次交互中客户提问文本与各设定提问文本的匹配度，筛选各物流企业在预设时间周期内各历史订单对应各次交互中客户提问文本对应匹配度最高的设定提问文本。
根据预设的各设定提问文本对应的标准回复文本，筛选各物流企业在预设时间周期内各历史订单对应各次交互中客户提问文本的标准回复文本，记为各物流企业在预设时间周期内各历史订单对应各次交互中客服标准回复文本，处理得到各物流企业在预设时间周期内各历史订单对应各次交互中客服标准回复文本词汇集合
Figure 117761DEST_PATH_IMAGE083
。
对各物流企业在预设时间周期内各历史订单对应各次交互中客服回复文本进行分词处理，得到各物流企业在预设时间周期内各历史订单对应各次交互中客服回复文本词汇集合
Figure 615738DEST_PATH_IMAGE084
，分析各物流企业在预设时间周期内各历史订单对应各次交互中客服回复文本相似度
Figure 325068DEST_PATH_IMAGE085
。
将各物流企业在预设时间周期内各历史订单对应各次交互中客服回复文本相似度与预设的客服回复文本相似度阈值进行对比，若某物流企业在预设时间周期内某历史订单对应某次交互中客服回复文本相似度大于或等于预设的客服回复文本相似度阈值，则将该物流企业在预设时间周期内该历史订单对应该次交互中客服回复文本记为匹配客服回复文本，统计各物流企业在预设时间周期内各历史订单对应的匹配客服回复文本数量。
S24、分析各物流企业在预设时间周期内各历史订单的服务质量符合比例指数
Figure 541286DEST_PATH_IMAGE086
，其中
Figure 141901DEST_PATH_IMAGE087
和
Figure 494384DEST_PATH_IMAGE088
分别表示为预设的客服回复及时性修正因子和客服回复精准性修正因子。
S3、物流企业服务信息评价系数分析：根据各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数和服务质量符合比例指数，分析各物流企业对应的服务信息评价系数。
在上述实施例的基础上，所述步骤S3中分析各物流企业对应的服务信息评价系数，具体分析方式为：将各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数
Figure 640195DEST_PATH_IMAGE089
和服务质量符合比例指数
Figure 78130DEST_PATH_IMAGE090
代入服务信息评价系数分析公式
Figure 498747DEST_PATH_IMAGE091
，得到各物流企业对应的服务信息评价系数
Figure 174579DEST_PATH_IMAGE092
，其中m表示为预设时间周期内历史订单数量，
Figure 22449DEST_PATH_IMAGE093
、
Figure 665789DEST_PATH_IMAGE094
分别表示为预设的服务时效性符合影响因子和服务质量符合影响因子。
S4、历史订单运输信息获取：获取各物流企业在预设时间周期内各历史订单的运输信息，其中运输信息包括货物重量、货物体积、运输金额和运输路线。
S5、历史订单运输信息解析：对各物流企业在预设时间周期内各历史订单的运输信息进行解析，得到各物流企业对应的运输性价比影响权重指数和运输路线覆盖度影响权重指数。
在上述实施例的基础上，所述步骤S5中各物流企业对应的运输性价比影响权重指数解析方式为：提取各物流企业在预设时间周期内各历史订单的货物重量、货物体积和运输金额，处理得到各物流企业在预设时间周期内各历史订单对应单位货物重量的运输金额和单位货物体积的运输金额，对比筛选各物流企业在预设时间周期内各历史订单对应的单位运输金额，并根据平均值计算公式得到各物流企业对应的单位平均运输金额，将其标记为
Figure 890097DEST_PATH_IMAGE095
。
根据运输性价比影响权重指数解析公式
Figure 217173DEST_PATH_IMAGE096
，得到各物流企业对应的运输性价比影响权重指数
Figure 704786DEST_PATH_IMAGE097
，其中
Figure 117313DEST_PATH_IMAGE098
表示为预设的物流运输性价比修正因子，n表示为物流企业的数量。
作为本发明的一个具体实施例，上述中对比筛选各物流企业在各预设时间周期内各历史订单对应的单位运输金额，具体包括：将各物流企业在预设时间周期内各历史订单对应单位货物重量的运输金额与其对应的单位货物体积的运输金额进行对比，若某物流企业在预设时间周期内某历史订单对应单位货物重量的运输金额大于或等于其对应的单位货物体积的运输金额，则将该物流企业在预设时间周期内该历史订单对应单位货物重量的运输金额作为其对应的单位运输金额，若某物流企业在预设时间周期内某历史订单对应单位货物重量的运输金额小于其对应的单位货物体积的运输金额，则将该物流企业在预设时间周期内该历史订单对应单位货物体积的运输金额作为其对应的单位运输金额。
在上述实施例的基础上，所述步骤S5中各物流企业对应的运输路线覆盖度影响权重指数解析方式为：提取各物流企业在预设时间周期内各历史订单的运输路线，得到各物流企业在预设时间周期内各历史订单的运输路程，并统计各物流企业在预设时间周期内各历史订单运输路线对应的物流中转站数量，分析得到各物流企业在预设时间周期内各历史订单对应物流中转站之间的平均运输路程，将其标记为
Figure 348574DEST_PATH_IMAGE099
。
提取物流运输数据库中存储的各物流企业对应的物流中转站总数量，解析各物流企业对应的运输路线覆盖度影响权重指数
Figure 530157DEST_PATH_IMAGE100
，其中
Figure 437939DEST_PATH_IMAGE101
表示为预设的物流运输路线覆盖度修正因子，
Figure 337761DEST_PATH_IMAGE102
表示为圆周率，
Figure 903872DEST_PATH_IMAGE102
取值为3.14，m表示为预设时间周期内历史订单数量，
Figure 408803DEST_PATH_IMAGE103
表示为第i个物流企业对应的物流中转站总数量。
进一步地，所述各物流企业在预设时间周期内各历史订单对应物流中转站之间的平均运输路程分析公式为
Figure 34956DEST_PATH_IMAGE104
，其中
Figure 625337DEST_PATH_IMAGE105
表示为第i个物流企业在预设时间周期内第j个历史订单的运输路程，
Figure 729560DEST_PATH_IMAGE106
表示为第i个物流企业在预设时间周期内第j个历史订单运输路线对应的物流中转站数量。
在本实施例中，本发明通过获取各物流企业在预设时间周期内各历史订单的服务信息和运输信息，解析得到各物流企业对应的服务信息评价系数、运输性价比影响权重指数和运输路线覆盖度影响权重指数，并评估各物流企业对应的物流运力调派评价系数，从而实现对物流企业的物流运力调派能力进行数据化、精准化以及系统化分析，确保后期能够选择最优物流运力调派能力的物流企业，进而不仅很好地控制了物流运输成本，而且提高后期发货企业选择物流企业的效率和准确度，进一步使得后期选择的物流企业能够提供成本更低、时效更优、服务更好的需求，提高发货企业的满意程度。
S6、物流运力调派评价系数评估：评估各物流企业对应的物流运力调派评价系数，筛选最高物流运力调派评价系数对应的物流企业，并将该物流企业推荐至发货企业。
在上述实施例的基础上，所述步骤S6中各物流企业对应的物流运力调派评价系数具体评估方式为：将各物流企业对应的服务信息评价系数
Figure 354576DEST_PATH_IMAGE107
、各物流企业对应的运输性价比影响权重指数
Figure 151631DEST_PATH_IMAGE108
和各物流企业对应的运输路线覆盖度影响权重指数
Figure 215926DEST_PATH_IMAGE109
代入公式
Figure 389419DEST_PATH_IMAGE110
，得到各物流企业对应的物流运力调派评价系数
Figure 603362DEST_PATH_IMAGE111
，其中
Figure 571318DEST_PATH_IMAGE112
和
Figure 667450DEST_PATH_IMAGE113
分别表示为预设的物流企业服务信息对应的物流运力影响因子和物流企业运输信息对应的物流运力影响因子。
在本实施例中，本发明通过将各物流企业对应的物流运力调派评价系数进行相互对比，筛选最高物流运力调派评价系数对应的物流企业，并将该物流企业推荐至发货企业，从而能够给发货企业推荐最优物流运力调派能力的物流企业，确保物流运输过程中能够达到预期理想效果，满足发货企业的物流运输需求。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于大数据的物流运力智能调派方法，其特征在于，包括如下步骤：
S1、历史订单服务信息获取：获取各物流企业在预设时间周期内各历史订单的服务信息，其中服务信息包括基本信息和回复信息；
S2、历史订单服务信息解析：对各物流企业在预设时间周期内各历史订单的服务信息进行解析，得到各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数和服务质量符合比例指数；
S3、物流企业服务信息评价系数分析：根据各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数和服务质量符合比例指数，分析各物流企业对应的服务信息评价系数；
S4、历史订单运输信息获取：获取各物流企业在预设时间周期内各历史订单的运输信息，其中运输信息包括货物重量、货物体积、运输金额和运输路线；
S5、历史订单运输信息解析：对各物流企业在预设时间周期内各历史订单的运输信息进行解析，得到各物流企业对应的运输性价比影响权重指数和运输路线覆盖度影响权重指数；
S6、物流运力调派评价系数评估：评估各物流企业对应的物流运力调派评价系数，筛选最高物流运力调派评价系数对应的物流企业，并将该物流企业推荐至发货企业;
所述步骤S6中各物流企业对应的物流运力调派评价系数具体评估方式为：
将各物流企业对应的服务信息评价系数
Figure 386714DEST_PATH_IMAGE001
、各物流企业对应的运输性价比影响权重指数
Figure 110957DEST_PATH_IMAGE002
和各物流企业对应的运输路线覆盖度影响权重指数
Figure 453076DEST_PATH_IMAGE003
代入公式
Figure 302084DEST_PATH_IMAGE004
，得到各物流企业对应的物流运力调派评价系数
Figure 126033DEST_PATH_IMAGE005
，其中
Figure 580148DEST_PATH_IMAGE006
和
Figure 155486DEST_PATH_IMAGE007
分别表示为预设的物流企业服务信息对应的物流运力影响因子和物流企业运输信息对应的物流运力影响因子。
2.权利要求1所述的一种基于大数据的物流运力智能调派方法，其特征在于：所述各物流企业在预设时间周期内各历史订单的基本信息包括下单时间、揽件时间、开始运输时间和物流签收时间；所述各物流企业在预设时间周期内各历史订单的回复信息为客服交互内容。
3.根据权利要求2所述的一种基于大数据的物流运力智能调派方法，其特征在于：所述步骤S2中对应的具体步骤如下：
S21、根据各物流企业在预设时间周期内各历史订单的基本信息，得到各物流企业在预设时间周期内各历史订单对应下单时间与揽件时间的有效间隔、揽件时间与运输时间的有效间隔和物流运输时长；
S22、提取物流运输数据库中存储的各物流企业在预设时间周期内各历史订单的标准物流运输时长，分析得到各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数
Figure 554107DEST_PATH_IMAGE008
，其中
Figure 873092DEST_PATH_IMAGE009
，i表示为第i个物流企业的编号，
Figure 916135DEST_PATH_IMAGE010
，j表示为预设时间周期内第j个历史订单的编号；
S23、根据各物流企业在预设时间周期内各历史订单的客服交互内容，得到各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重和客服回复精准性影响权重，将其分别标记为
Figure 662374DEST_PATH_IMAGE011
和
Figure 33444DEST_PATH_IMAGE012
；
S24、分析各物流企业在预设时间周期内各历史订单的服务质量符合比例指数
Figure 359383DEST_PATH_IMAGE013
，其中
Figure 319248DEST_PATH_IMAGE014
和
Figure 298706DEST_PATH_IMAGE015
分别表示为预设的客服回复及时性修正因子和客服回复精准性修正因子。
4.根据权利要求3所述的一种基于大数据的物流运力智能调派方法，其特征在于：所述步骤S22中各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数分析公式为
Figure 812864DEST_PATH_IMAGE016
，其中
Figure 473652DEST_PATH_IMAGE017
、
Figure 599609DEST_PATH_IMAGE018
、
Figure 156492DEST_PATH_IMAGE019
分别表示为预设的下单时间与揽件时间的间隔、揽件时间与运输时间的间隔、物流运输时长对应时效性影响因子，
Figure 423525DEST_PATH_IMAGE020
、
Figure 622426DEST_PATH_IMAGE021
分别表示为预设的订单下单时间与揽件时间的允许间隔、订单揽件时间与运输时间的允许间隔，
Figure 619200DEST_PATH_IMAGE022
、
Figure 346985DEST_PATH_IMAGE023
、
Figure 101314DEST_PATH_IMAGE024
分别表示为第i个物流企业在预设时间周期内第j个历史订单对应下单时间与揽件时间的有效间隔、揽件时间与运输时间的有效间隔、物流运输时长，
Figure 182534DEST_PATH_IMAGE025
表示为第i个物流企业在预设时间周期内第j个历史订单的标准物流运输时长，e表示为自然常数。
5.根据权利要求3所述的一种基于大数据的物流运力智能调派方法，其特征在于：所述步骤S23中各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重和客服回复精准性影响权重获取方式为：
根据各物流企业在预设时间周期内各历史订单的客服交互内容，提取各物流企业在预设时间周期内各历史订单对应各次交互中客户提问时间和客服回复时间，将其分别标记为
Figure 971498DEST_PATH_IMAGE026
、
Figure 339026DEST_PATH_IMAGE027
，
Figure 846231DEST_PATH_IMAGE028
，r表示为第r次交互；
分析各物流企业在预设时间周期内各历史订单的客服回复及时性影响权重
Figure 714829DEST_PATH_IMAGE029
，其中
Figure 561563DEST_PATH_IMAGE030
表示为预设的客服回复及时性补偿因子，u表示为交互次数，
Figure 427888DEST_PATH_IMAGE031
表示为预设的客服交互中允许回复间隔时长；
根据各物流企业在预设时间周期内各历史订单的客服交互内容，得到各物流企业在预设时间周期内各历史订单对应的交互次数，将其记为
Figure 471323DEST_PATH_IMAGE032
，并提取各物流企业在预设时间周期内各历史订单对应各次交互中客户提问文本和客服回复文本，对比得到各物流企业在预设时间周期内各历史订单对应的匹配客服回复文本数量，将其记为
Figure 81296DEST_PATH_IMAGE033
；
分析各物流企业在预设时间周期内各历史订单的客服回复精准性影响权重
Figure 48115DEST_PATH_IMAGE034
，其中
Figure 882079DEST_PATH_IMAGE035
表示为预设的客服回复精准性补偿因子。
6.根据权利要求3所述的一种基于大数据的物流运力智能调派方法，其特征在于：所述步骤S3中分析各物流企业对应的服务信息评价系数，具体分析方式为：
将各物流企业在预设时间周期内各历史订单的服务时效性符合比例指数
Figure 363876DEST_PATH_IMAGE036
和服务质量符合比例指数
Figure 449644DEST_PATH_IMAGE037
代入服务信息评价系数分析公式
Figure 67707DEST_PATH_IMAGE038
，得到各物流企业对应的服务信息评价系数
Figure 823304DEST_PATH_IMAGE039
，其中m表示为预设时间周期内历史订单数量，
Figure 730080DEST_PATH_IMAGE040
、
Figure 681856DEST_PATH_IMAGE041
分别表示为预设的服务时效性符合影响因子和服务质量符合影响因子。
7.根据权利要求1所述的一种基于大数据的物流运力智能调派方法，其特征在于：所述步骤S5中各物流企业对应的运输性价比影响权重指数解析方式为：
提取各物流企业在预设时间周期内各历史订单的货物重量、货物体积和运输金额，处理得到各物流企业在预设时间周期内各历史订单对应单位货物重量的运输金额和单位货物体积的运输金额，对比筛选各物流企业在预设时间周期内各历史订单对应的单位运输金额，并根据平均值计算公式得到各物流企业对应的单位平均运输金额，将其标记为
Figure 216742DEST_PATH_IMAGE042
；
根据运输性价比影响权重指数解析公式
Figure 799034DEST_PATH_IMAGE043
，得到各物流企业对应的运输性价比影响权重指数
Figure 989843DEST_PATH_IMAGE044
，其中
Figure 791315DEST_PATH_IMAGE045
表示为预设的物流运输性价比修正因子，n表示为物流企业的数量。
8.根据权利要求1所述的一种基于大数据的物流运力智能调派方法，其特征在于：所述步骤S5中各物流企业对应的运输路线覆盖度影响权重指数解析方式为：
提取各物流企业在预设时间周期内各历史订单的运输路线，得到各物流企业在预设时间周期内各历史订单的运输路程，并统计各物流企业在预设时间周期内各历史订单运输路线对应的物流中转站数量，分析得到各物流企业在预设时间周期内各历史订单对应物流中转站之间的平均运输路程，将其标记为
Figure 587233DEST_PATH_IMAGE046
；
提取物流运输数据库中存储的各物流企业对应的物流中转站总数量，解析各物流企业对应的运输路线覆盖度影响权重指数
Figure 137163DEST_PATH_IMAGE047
，其中
Figure 612006DEST_PATH_IMAGE048
表示为预设的物流运输路线覆盖度修正因子，
Figure 108847DEST_PATH_IMAGE049
表示为圆周率，
Figure 556009DEST_PATH_IMAGE049
取值为3.14，m表示为预设时间周期内历史订单数量，
Figure 89889DEST_PATH_IMAGE050
表示为第i个物流企业对应的物流中转站总数量。
CN202210992102.0A 2022-08-18 2022-08-18 一种基于大数据的物流运力智能调派方法 Active CN115081961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210992102.0A CN115081961B (zh) 2022-08-18 2022-08-18 一种基于大数据的物流运力智能调派方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210992102.0A CN115081961B (zh) 2022-08-18 2022-08-18 一种基于大数据的物流运力智能调派方法

Publications (2)

Publication Number Publication Date
CN115081961A true CN115081961A (zh) 2022-09-20
CN115081961B CN115081961B (zh) 2022-11-08

Family

ID=83244028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210992102.0A Active CN115081961B (zh) 2022-08-18 2022-08-18 一种基于大数据的物流运力智能调派方法

Country Status (1)

Country Link
CN (1) CN115081961B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879849A (zh) * 2023-03-03 2023-03-31 青岛海天利达金属技术有限公司 一种物流信息的智能管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738376A (zh) * 2019-10-16 2020-01-31 安徽九州通智能科技有限公司 一种云物流服务资源优化匹配方法
CN110866698A (zh) * 2019-11-14 2020-03-06 北京京东尚科信息技术有限公司 用于评定服务提供方的服务分值的装置
CN112288374A (zh) * 2020-11-19 2021-01-29 南京岁卞智能设备有限公司 一种基于云计算的智慧供应链物流智能优化管理系统
CN113157673A (zh) * 2021-05-25 2021-07-23 武汉新之扬电子商务有限公司 基于用户特征识别分析的快递物流用户数据库统一化建立方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738376A (zh) * 2019-10-16 2020-01-31 安徽九州通智能科技有限公司 一种云物流服务资源优化匹配方法
CN110866698A (zh) * 2019-11-14 2020-03-06 北京京东尚科信息技术有限公司 用于评定服务提供方的服务分值的装置
CN112288374A (zh) * 2020-11-19 2021-01-29 南京岁卞智能设备有限公司 一种基于云计算的智慧供应链物流智能优化管理系统
CN113157673A (zh) * 2021-05-25 2021-07-23 武汉新之扬电子商务有限公司 基于用户特征识别分析的快递物流用户数据库统一化建立方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜一凡: "D快递公司物流服务质量评价与提升对策研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879849A (zh) * 2023-03-03 2023-03-31 青岛海天利达金属技术有限公司 一种物流信息的智能管理方法
CN115879849B (zh) * 2023-03-03 2023-05-09 青岛海天利达金属技术有限公司 一种物流信息的智能管理方法

Also Published As

Publication number Publication date
CN115081961B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN109784979B (zh) 一种大数据驱动的供应链需求预测方法
TWI486885B (zh) 對多個請求群組提供不同服務品質的效率庫存管理
CN110598940A (zh) 一种基于物联网贸易的物流订单分析预测系统
US8024218B2 (en) Method and apparatus for determining the product marketability utilizing a percent coverage
US20060111966A1 (en) Supplier performance reporting
CN113255997B (zh) 智慧物流运输路径规划方法、系统、设备和计算机存储介质
CN115081961B (zh) 一种基于大数据的物流运力智能调派方法
CN108364191A (zh) 基于随机森林和逻辑回归的优质客户优化识别方法及装置
CN116433052A (zh) 一种基于智能化的招标信息采集数据分析评价系统
JP5031715B2 (ja) 商品需要予測システム、商品の売上数調整システム
CN111815348A (zh) 一种基于各门店商品相似度聚类的区域商品生产计划方法
CN110619462A (zh) 一种基于ai模型的项目质量评估方法
CN113052541A (zh) 一种基于工业物联网和数据分析的工业产品订货管理平台
CN110781250B (zh) 一种基于大数据的bi决策管理系统和方法
CN116579804A (zh) 一种节假日商品销量预测方法、装置及计算机存储介质
JP4988687B2 (ja) 商品需要予測システムおよび年末年始の商品需要予測システム
CN116881242A (zh) 一种生鲜农产品电商采购数据智能存储系统
CN115063207A (zh) 一种基于云计算的建材采购智能比价分析处理系统
CN113157673B (zh) 基于用户特征识别分析的快递物流用户数据库统一化建立方法
CN113592379B (zh) 散粮集装箱物流运输环境异常检测的关键特征识别方法
US20210142348A1 (en) Multi-layered system for heterogeneous pricing decisions by continuously learning market and hotel dynamics
CN113077107A (zh) 一种电力物资配置需求预测系统
CN113326254A (zh) 一种调研数据清洗方法及系统
CN113379211A (zh) 基于区块链的物流信息平台违约风险管控系统及方法
US20210110445A1 (en) Multi-layered system for heterogeneous pricing decisions by continuously learning market and hotel dynamics

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