CN116029637A - 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 - Google Patents
跨境电商物流渠道智能推荐方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN116029637A CN116029637A CN202211731212.8A CN202211731212A CN116029637A CN 116029637 A CN116029637 A CN 116029637A CN 202211731212 A CN202211731212 A CN 202211731212A CN 116029637 A CN116029637 A CN 116029637A
- Authority
- CN
- China
- Prior art keywords
- logistics
- target
- data
- channel
- order data
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于人工智能应用技术领域,公开了一种跨境电商物流渠道智能推荐方法及装置、设备、存储介质,通过在产生目标订单数据时,获取目标订单数据的预计发货时间以及与目标订单数据匹配的多个目标物流渠道,并根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与目标订单数据的预计发货时间对应的报价区间,最后将各个目标物流渠道及其报价区间作为目标订单数据的推荐选项进行推荐,可以基于价格浮动数据,对待选目标物流渠道在预计发货时间的报价区间进行预测,使得预测的价格信息更加符合预计发货时间的实时情况,从而可以减少预测的物流价格信息的滞后性,提高预测准确性,提高物流渠道推荐的精确性。
Description
技术领域
本发明属于人工智能应用技术领域,具体涉及一种跨境电商物流渠道智能推荐方法及装置、设备、存储介质。
背景技术
随着大量卖家涌入亚马逊、eBay等跨境电商平台,流量红利逐渐消失。越来越多的平台卖家和跨境电商新卖家加入独立站卖家的行列。然而,不管在哪个国家和地区,跨境电商行业自身在不停地变化去满足人们的消费需求。例如,求新、求快、求智能、求性价比等。
目前跨境业务量增速可观,对比国内电商业务,跨境业务最难的就是物流环节,由于各种物流渠道良莠不齐,且收货地址遍布全球,受制于不同国家的产品尺寸、产品种类、运输能力、海关政策、运费变化、运输周期等因素,卖家很难从众多物流商中找到合适的物流渠道。
传统采用人工录入的方法来对物流价格数据进行更新,工作量较大,效率低。如今现有技术中提出一些物流渠道推荐方法,整合了市面上所有主流物流承运商对应的物流渠道,定期接受外部处理好的物流渠道的价格信息再推送到网站上,推荐给卖家选择,无需卖家人工录入、也无需卖家人工计算,可以提高效率。
但是在实践中发现,各物流渠道的物流价格更新频率快,而现有推荐方法中所推送的物流渠道的价格信息存在滞后性,导致推送的价格不够准确,推荐的精确性较低。
发明内容
本发明的目的在于提供一种跨境电商物流渠道智能推荐方法及装置、设备、存储介质,可以提高物流价格信息的预测准确性,进而提高物流渠道推荐的精确性。
本发明第一方面公开一种跨境电商物流渠道智能推荐方法,包括:
当检测到产生目标订单数据时,获取所述目标订单数据的预计发货时间;
获取与所述目标订单数据匹配的多个目标物流渠道;
根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与所述预计发货时间对应的报价区间;
将各个目标物流渠道及其报价区间作为所述目标订单数据的推荐选项;
将所述推荐选项显示于所述目标订单数据的关联用户界面。
本发明第二方面公开一种跨境电商物流渠道智能推荐装置,包括:
预计单元,用于在检测到产生目标订单数据时,获取所述目标订单数据的预计发货时间;
匹配单元,用于获取与所述目标订单数据匹配的多个目标物流渠道;
预测单元,用于根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与所述预计发货时间对应的报价区间;
推荐单元,用于将各个目标物流渠道及其报价区间作为所述目标订单数据的推荐选项;
显示单元,用于将所述推荐选项显示于所述目标订单数据的关联用户界面。
本发明第三方面公开一种电子设备,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行第一方面公开的跨境电商物流渠道智能推荐方法。
本发明第四方面公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行第一方面公开的跨境电商物流渠道智能推荐方法。
本发明的有益效果在于,所提供的跨境电商物流渠道智能推荐方法及装置、设备、存储介质,通过在产生目标订单数据时,获取目标订单数据的预计发货时间以及与目标订单数据匹配的多个目标物流渠道,并根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与目标订单数据的预计发货时间对应的报价区间,最后将各个目标物流渠道及其报价区间作为目标订单数据的推荐选项,显示于该订单的关联用户界面进行推荐,从而可以基于价格浮动数据,对待选目标物流渠道在预计发货时间的报价区间进行预测,使得预测的价格信息更加符合预计发货时间的实时情况,从而可以减少预测的物流价格信息的滞后性,提高物流价格信息的预测准确性,进而提高物流渠道推荐的精确性。
附图说明
此处的附图,示出了本发明所述技术方案的具体实例,并与具体实施方式构成说明书的一部分,用于解释本发明的技术方案、原理及效果。
除非特别说明或另有定义,不同附图中,相同的附图标记代表相同或相似的技术特征,对于相同或相似的技术特征,也可能会采用不同的附图标记进行表示。
图1是本发明公开的一种跨境电商物流渠道智能推荐方法的流程图;
图2是本发明公开的一种跨境电商物流渠道智能推荐装置的结构示意图;
图3是本发明公开的一种电子设备的结构示意图。
附图标记说明:
201、预计单元;202、匹配单元;203、预测单元;204、推荐单元;205、显示单元;206、获取单元;207、确定单元;208、分析单元;301、存储器;302、处理器。
具体实施方式
除非特别说明或另有定义,本文所使用的所有技术和科学术语与所属技术领域的技术人员通常理解的含义相同。在结合本发明的技术方案以现实的场景的情况下,本文所使用的所有技术和科学术语也可以具有与实现本发明的技术方案的目的相对应的含义。本文所使用的“第一、第二…”仅仅是用于对名称的区分,不代表具体的数量或顺序。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
除非特别说明或另有定义,本文所使用的“所述”、“该”为相应位置之前所提及或描述的技术特征或技术内容,该技术特征或技术内容与其所提及的技术特征或技术内容可以是相同的,也可以是相似的。
毫无疑义,与本发明的目的相违背,或者明显矛盾的技术内容或技术特征,应被排除在外。为了便于理解本发明,下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
如图1所示,本发明实施例公开一种跨境电商物流渠道智能推荐方法,该方法的执行主体可为如计算机电脑、笔记本电脑、平板电脑等电子设备,或内嵌于电子设备中的跨境电商物流渠道智能推荐装置,本发明对此不作限定。在本实施例中,以电子设备为例进行阐述。该方法包括以下步骤101~105:
101、当检测到产生目标订单数据时,电子设备获取目标订单数据的预计发货时间。
在本发明实施例中,电子设备可以实时监测卖家用户的独立站网页,当监测到卖家用户的独立站网页产生新的订单数据时,则采集该新的订单数据作为目标订单数据,目标订单数据至少包括目的地国家、产品重量、产品尺寸、产品类型、配送时效等信息,然后利用目标订单数据进行下一步的计算,以匹配可用的物流方案。
优选的,考虑到不同卖家可能配置有不同的工厂仓库等,以及不同的产品包装所需时间也可能不同。在本发明实施例中,首先根据目标订单数据进行发货时间预测,从而获得目标订单数据的预计发货时间,具体的包括步骤111~113:
111、获取目标订单数据对应的用户账号信息。
该用户账号信息指的是卖家用户在系统上注册的身份标识号(Identitydocument,ID);由于电子设备可能同时监测多个卖家用户的订单数据,因此根据ID可以识别出属于哪个卖家用户的订单。
112、调取用户账号信息对应的历史订单数据进行分析,获得目标订单数据对应的发货时效。
一般来说,同一卖家用户的产品类型都差不多,比如有的卖衣服,有的卖玩具。因此对于同一家跨境电商店来说,其发货时效具备一定的规律,比如有的卖家用户习惯在下单2天内发货,有的卖家用户习惯是在下单5天后发货等。本发明实施例通过调取与该卖家用户的ID相对应的历史订单数据进行大数据分析,可以确定卖家用户针对当前的目标订单数据的发货时效。其中,发货时效的影响因子包括但不限于不同的季节、不同的收货国家等,即在淡旺季、不同的收货国家,可能发货时效也有所不同,从而影响预计发货时间是否有所延迟或提前。
113、根据发货时效,预测目标订单数据的预计发货时间。
在确定目标订单数据的发货时效之后,即可根据目标订单数据的下单时间加上发货时效后,得到预计发货时间。比如,下单时间是某月1号,而该卖家用户的发货时效为3日后,那么可得预计发货时间为该月4号。
102、电子设备获取与目标订单数据匹配的多个目标物流渠道。
在本发明实施例中,每个目标物流渠道可以包括一个或多个物流承运商(简称承运商,如国内的某通、某达等)。当每个目标物流渠道包括一个物流承运商时,步骤102具体可包括:
首先根据以下公式(1)计算获得每个物流承运商的综合评分,然后将综合评分达到匹配阈值的物流承运商,确定为与目标订单数据匹配的多个目标物流渠道:
其中,S代表物流承运商的综合评分,wi代表第i个参考因子的权重系数,Xi代表第i个参考因子的分值,n为参考因子的数量。
参考因子包括但不限于符合的时段类别数量、物流价格主体、物流地区方案、物流重量方案和具体价格方案等。其中,时段类别至少包括三种(例如7天内、8-15天、超过16天),而符合的时段类别数量指的是该物流承运商符合以上三种时段类别中的多少种,可能是仅符合一种,也可能三种都符合;比如,对于符合的时段类别数量,每符合一种加10分,若某一物流承运商符合三种,则该项得分30分。其他的物流价格主体、物流地区方案、物流重量方案和具体价格方案则是由物流承运商发布的物流计费参考方案。这些物流计费参考方案,可以通过采集网站用户评价数据,对每一项进行评分,获得每一项的分值。
针对以上几个参考因子,可以分别预先配置一权重系数,所有参考因子的权重系数的总和为1,从而可以着重考虑某些参考因子,以便权衡不同重要程度的参考因子,进行综合性评分。权重系数的值,可以由卖家用户来选择,例如设定物流价格主体的权重系数为0.25,物流地区方案的权重系数为0.2,物流重量方案的权重系数为0.15,具体价格方案的权重系数为0.3,符合的时段类别数量的权重系数为0.1。
在一些可能的实施例中,当每个目标物流渠道包括多个物流承运商时,步骤102具体可包括以下步骤121~123:
121、将目标订单数据输入预设规划模型,获得物流路线;其中,物流路线包括多个按照时间先后顺序依个衔接的运程。
其中,具体可以根据目标订单数据确定目的地国家、产品重量、产品尺寸、产品类型和配送时效等信息,再将目的地国家、产品重量、产品尺寸、产品类型和配送时效等信息输入预设规划模型,获得物流路线。
预设规划模型可以是利用有监督学习方法预先训练深度学习神经网络所获得的,在训练过程中可以采集历史配送完成的一些订单样本数据,以及各个订单样本数据对应的物流样本路线,组成训练集,对构建的深度学习神经网络进行训练。在训练过程中,订单样本数据作为训练样本,物流样本路线作为训练样本的真实标签,采用基于交并比(Intersection over Union,IOU)的损失函数计算模型预测路线与真实标签之间的损失,以增强模型的判别能力。利用损失函数不断优化迭代,更新模型参数,直至损失值小于一定阈值,判定模型优化迭代完成,从而获得预设规划模型。关键在于在实际应用中,可利用该预设规划模型对新订单的物流路线进行预测。
其中,IOU损失函数如下,即计算训练样本的预测路线和真实标签之间的交集/并集:
其中,A代表训练样本的预测路线,B代表训练样本的真实标签。
上述预测得到的物流路线,为跨境物流路线,其可以包括多个按照时间先后顺序依个衔接的运程,例如包括6个运程,分别对应国内运输、国内报关、跨境运输、海外清关、仓储中转、海外派送等6个环节。在本发明实施例中,针对目标订单数据,可以规划出具体的包括以上6个环节的物流运程,比如,包括的多个运程为,L1~L2、L2~L3、L3~L4、L4~L5、L5~L6、L6~L7,其中L1为发货地址,L7为收货地址。
122、获取各个运程的指定数量个目标承运商。
针对各个运程,可能符合运输条件的有多个不同的目标承运商,且各个不同目标承运商针对该运程的运输方式、运输计费也有所不同。因此在本发明实施例中,可以通过针对各个运程的具体需求匹配指定数量Nj个目标承运商,其中,j代表第j个运程,Nj代表第j个运程的指定数量,各个运程的指定数量可以有所不同。例如针对第1个运程,对应的指定数量为2,针对第2个运程的指定数量为3等等。一般Nj的值不大于5,优选为3。
在一些可能的实施例中,步骤122可以具体包括:
获取各个运程对应的备选承运商集,该备选承运商集中包括有多个具备该运程运输条件的备选承运商;然后计算各个备选承运商集中各个备选承运商的用户感兴趣值;最后,将各个备选承运商集中用户感兴趣值较高的指定数量个备选承运商,确定为相应的运程的目标承运商。
其中,计算各个备选承运商集中各个备选承运商的用户感兴趣值的具体实施方式可以包括:
采集与卖家用户ID对应的历史配送数据,从该历史配送数据中提取出所有卖家用户选用过的历史承运商,组成历史选项集;统计所有历史承运商的总数,并计算各个历史承运商被选用的次数与该总数的比值,作为各个历史承运商的选用频数;然后,在计算任一备选承运商时,若从历史选项集中匹配出一个历史承运商与该备选承运商相同,则根据该历史承运商的选用频数,计算该备选承运商的用户感兴趣值。其中,用户感兴趣值与相应的选用频数之间呈正相关关系,即选用频数越高,视为用户喜爱度越高,说明用户更感兴趣。例如可以获取该历史承运商的选用频数乘以100%后的值作为该备选承运商的用户感兴趣值。
另外,在计算任一备选承运商时,若从历史选项集中匹配不到一个历史承运商与该备选承运商相同。则采用预先构建的分类模型对该备选承运商进行分类,获得分类类别,该分类类别为多个候选类别中的任一个,然后根据该分类类别对应的目标候选类别的选用频数均值,计算该备选承运商的用户感兴趣值。其中,多个候选类别可以基于上述历史选项集中的多个历史承运商进行聚类分类所得到。在聚类得到多个候选类别之后,可以计算各个候选类别下的历史承运商的选用频数均值。用户感兴趣值与相应的选用频数均值之间亦呈正相关关系。例如可以获取该目标候选类别下的选用频数均值乘以100%后的值作为该备选承运商的用户感兴趣值。
进一步优选的,在计算各个备选承运商集中各个备选承运商的用户感兴趣值之前,可以先获取各个备选承运商的运输计划数据(如存在其他卖家用户的订单选用了该备选承运商,即可将该订单对应的物流数据存储为运输计划数据),然后根据运输计划数据判断在相应运程的配送时段(各个运程的配送时段总和为该目标订单的配送时效)内,该备选承运商的运输工具是否能够到达该运程的终点;若该备选承运商的运输工具(包括但不限于车辆、飞机、轮船等)未能够在相应运程的配送时段内到达该运程的终点,则执行上述计算各个备选承运商集中各个备选承运商的用户感兴趣值的步骤。
优选的在其他一些可能的实施例中,若该备选承运商的运输工具能够在相应运程的配送时段内到达该运程的终点,则将该备选承运商标记为可拼运的优选承运商,以及直接将优选承运商确定为相应运程的目标承运商。同样的,各个运程的优选承运商数量可以为多个,但一般不超过各运程对应的指定数量。
通过实施以上实施方式,可以在筛选承运商的过程中考虑其他卖家用户的物流需求,将有计划在相应运程运输且不耽误相应运程的配送时段的备选承运商确定为可拼运的优选承运商,由于采用拼运的方式进行运输,其计费更加优惠,从而可以为卖家节省物流成本。
123、对多个运程的目标承运商按照物流路线进行组合,获得多个目标物流渠道。
举例来说,获得的各个运程的指定数量个目标承运商如下表1所示,然后对所有运程的目标承运商进行组合,表1可获得48种组合方式,即获得48个目标物流渠道,例如其中一目标物流渠道为A-C-E-F-D-E。在该目标物流渠道中,可以实现联程多式联运,从而更加灵活,更能符合用户需求。
表1各个运程的目标承运商
运程 | L1~L2 | L2~L3 | L3~L4 | L4~L5 | L5~L6 | L6~L7 |
指定数量 | 3 | 2 | 1 | 1 | 2 | 4 |
目标承运商 | A、B、D | C、D | E | F | DG | DEFG |
可以理解的是,为了减少目标物流渠道的数量,可根据需求对各个运程的指定数量进行适应调整,本发明对此不作限定。
103、电子设备根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与预计发货时间对应的报价区间。
在确定出各个目标物流渠道之后,则可进一步计算报价。在本发明实施例中,针对各个目标物流渠道在计算报价时,可以先正常计算一个当前价格,然后基于价格浮动数据,对当前价格进行调小和调大处理,从而分别获得第一报价和第二报价,再由第一报价和第二报价组成报价区间。也即,报价区间包括第一报价a和第二报价b,分别为该区间的下限和上限,如[a,b]。其中,当前价格可参考5层价格逻辑运算出来,如第1层计算首重价格,第2层计算续重价格,第3层计算燃油费价格,第4层计算杂费价格,第5层计算操作费价格,由此可得出各个目标物流渠道的当前价格。
可以理解的是,当目标物流渠道包括多个物流承运商时,则按照各个运程对应的各个物流承运商进行计算,最后计算总价即可。
其中,在执行步骤103之前,需要先计算各个目标物流渠道的价格浮动数据,该价格浮动数据是基于各个目标物流渠道在指定历史时段内产生的第一历史物流数据进行分析所获得的。具体实施方式包括:
首先获取各个目标物流渠道的最新物流数据,如果是多个物流承运商的,可具体采用各个运程的各个物流承运商的最新物流数据,然后从最新物流数据中确定在指定历史时段内产生的第一历史物流数据;对第一历史物流数据进行分析,获得各个目标物流渠道的价格浮动数据。
其中,指定历史时段指的是过去的一段时间(如过去一周、过去一个月、过去一年等),对该指定历史时段内产生的历史物流数据进行大数据分析,可以获得在各个时段级别内的价格浮动数据,例如在3天内,价格浮动范围为上下1%;在7天内,价格浮动范围为上下2%等等。
作为一种可选的实施方式,上述获取各个目标物流渠道的最新物流数据的方式具体可以包括以下步骤131~133:
131、以预设时间间隔获取各个目标物流渠道的当前物流数据,将当前物流数据存储至第一储存空间。
其中预设时间间隔可以设置为12小时、24小时、或者48小时等。例如间隔24小时,可以定时在每天0点,电子设备通过其中央处理器接口形式,到另一通信连接的网站服务器获取当前物流数据,包括物流方式、物流价格、物流地区、物流重量等,数据量多达三十万;把同步回来的三十万物流数据,先放到中央处理器的一个临时地方,即第一储存空间。
132、计算当前物流数据与存储于第二储存空间的第二历史物流数据的相似度。
可以通过计算当前物流数据与第二历史物流数据的杰卡德相似系数、余弦相似度、欧式距离、曼哈顿距离或皮尔逊相关系数等度量值作为两者的相似度。
133、若当前物流数据与第二历史物流数据的相似度小于指定阈值,根据当前物流数据对第二历史物流数据进行更新,获得各个目标物流渠道的最新物流数据。
若当前物流数据与第二历史物流数据的相似度小于指定阈值,说明两者存在差异,则根据当前物流数据对第二历史物流数据进行更新,获得各个目标物流渠道(或各个目标承运商)的最新物流数据。
具体的,与之前存储的历史物流数据作对比,如果有相同的物流商,则对比其价格数据是否有差异,有差异就更新;如果没有相同的物流商,则以新的数据记录。处理好后,清空刚才存储当前物流数据的第一储存空间。
实施步骤131~133,可以通过对新获取的物流数据与历史物流数据进行比对,将相同的信息进行整合,避免服务器重复运行这海量且重复的数据占用更多进程,释放更多资源来运行有用的进程可以减轻服务器负载压力,从而可以提升服务器效率。
104、电子设备将各个目标物流渠道及其报价区间作为目标订单数据的推荐选项。
105、电子设备将推荐选项显示于目标订单数据的关联用户界面。
最后电子设备可以按照报价从小到大的顺序将各个目标物流渠道进行排序,并显示于目标订单数据的关联用户界面,相当于卖家用户在查看该目标订单的时候,可以一并看到以上推荐选项的信息,从而完成物流渠道推荐。
在本发明实施例中,目标订单数据中已经有存在配送时效,该配送时效为卖家用户选择的某一目标时段类别,因此可以仅针对该目标时段类别进行推荐。
但在其他一些可能的实施例中,如果在目标订单数据中没有存在配送时效的数据,也可以针对各个时段类别,分别计算出推荐选项,一同推荐给卖家用户选择。
综上,实施本发明实施例,可以基于价格浮动数据,对待选目标物流渠道在预计发货时间的报价区间进行预测,使得预测的价格信息更加符合预计发货时间的实时情况,从而可以减少预测的物流价格信息的滞后性,提高物流价格信息的预测准确性,进而提高物流渠道推荐的精确性。
使用简单,卖家用户只需要选择勾选自己的配送时效需求即可一键获得物流方案的最优推荐结果,使卖家能够快速直接获取最优物流解决方案,由于计算量极小,可以有效避免卖家自行计算以及出错情况。
同时,还能够快速获取最优的联程多式联运方案推荐给卖家用户选择,更加灵活,更能符合用户需求,而且可进一步为卖家用户节省物流成本。
如图2所示,本发明实施例公开一种跨境电商物流渠道智能推荐装置,包括预计单元201、匹配单元202、预测单元203、推荐单元204、显示单元205,其中,
预计单元201,用于在检测到产生目标订单数据时,获取目标订单数据的预计发货时间;
匹配单元202,用于获取与目标订单数据匹配的多个目标物流渠道;
预测单元203,用于根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与预计发货时间对应的报价区间;
推荐单元204,用于将各个目标物流渠道及其报价区间作为目标订单数据的推荐选项;
显示单元205,用于将推荐选项显示于目标订单数据的关联用户界面。
作为一种可选的实施方式,图2所示的跨境电商物流渠道智能推荐装置还可以包括获取单元206、确定单元207、分析单元208,其中,
获取单元206,用于在匹配单元202获取与目标订单数据匹配的多个目标物流渠道之后,以及预测单元203根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与预计发货时间对应的报价区间之前,获取各个目标物流渠道的最新物流数据;
确定单元207,用于从最新物流数据中确定在指定历史时段内产生的第一历史物流数据;
分析单元208,用于对第一历史物流数据进行分析,获得各个目标物流渠道的价格浮动数据。
如图3所示,本发明实施例公开一种电子设备,包括存储有可执行程序代码的存储器301以及与存储器301耦合的处理器302;
其中,处理器302调用存储器301中存储的可执行程序代码,执行上述各实施例中描述的跨境电商物流渠道智能推荐方法。
本发明实施例还公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行上述各实施例中描述的跨境电商物流渠道智能推荐方法。
以上实施例的目的,是对本发明的技术方案进行示例性的再现与推导,并以此完整的描述本发明的技术方案、目的及效果,其目的是使公众对本发明的公开内容的理解更加透彻、全面,并不以此限定本发明的保护范围。
以上实施例也并非是基于本发明的穷尽性列举,在此之外,还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进,均属本发明的保护范围。
Claims (10)
1.跨境电商物流渠道智能推荐方法,其特征在于,包括:
当检测到产生目标订单数据时,获取所述目标订单数据的预计发货时间;
获取与所述目标订单数据匹配的多个目标物流渠道;
根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与所述预计发货时间对应的报价区间;
将各个目标物流渠道及其报价区间作为所述目标订单数据的推荐选项;
将所述推荐选项显示于所述目标订单数据的关联用户界面。
2.如权利要求1所述的跨境电商物流渠道智能推荐方法,其特征在于,获取所述目标订单数据的预计发货时间,包括:
获取所述目标订单数据对应的用户账号信息;
调取所述用户账号信息对应的历史订单数据进行分析,获得所述目标订单数据对应的发货时效;
根据所述发货时效,预测所述目标订单数据的预计发货时间。
3.如权利要求1所述的跨境电商物流渠道智能推荐方法,其特征在于,获取与所述目标订单数据匹配的多个目标物流渠道,包括:
将所述目标订单数据输入预设规划模型,获得物流路线;其中,所述物流路线包括多个按照时间先后顺序依个衔接的运程;
获取各个运程的指定数量个目标承运商;
对多个运程的目标承运商按照所述物流路线进行组合,获得多个目标物流渠道。
4.如权利要求3所述的跨境电商物流渠道智能推荐方法,其特征在于,获取各个运程的指定数量个目标承运商,包括:
获取各个运程对应的多个备选承运商集;
计算各个所述备选承运商集中各个所述备选承运商的用户感兴趣值;
将各个所述备选承运商集中所述用户感兴趣值较高的指定数量个备选承运商,确定为相应的运程的目标承运商。
5.如权利要求1至4任一项所述的跨境电商物流渠道智能推荐方法,其特征在于,获取与所述目标订单数据匹配的多个目标物流渠道之后,以及根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与所述预计发货时间对应的报价区间之前,所述方法还包括:
获取各个目标物流渠道的最新物流数据;
从所述最新物流数据中确定在指定历史时段内产生的第一历史物流数据;
对第一历史物流数据进行分析,获得各个目标物流渠道的价格浮动数据。
6.如权利要求5所述的跨境电商物流渠道智能推荐方法,其特征在于,获取各个目标物流渠道的最新物流数据,包括:
以预设时间间隔获取各个目标物流渠道的当前物流数据,将当前物流数据存储至第一储存空间;
计算所述当前物流数据与存储于第二储存空间的第二历史物流数据的相似度;
若所述当前物流数据与所述第二历史物流数据的相似度小于指定阈值,根据所述当前物流数据对所述第二历史物流数据进行更新,获得各个目标物流渠道的最新物流数据。
7.跨境电商物流渠道智能推荐装置,其特征在于,包括:
预计单元,用于在检测到产生目标订单数据时,获取所述目标订单数据的预计发货时间;
匹配单元,用于获取与所述目标订单数据匹配的多个目标物流渠道;
预测单元,用于根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与所述预计发货时间对应的报价区间;
推荐单元,用于将各个目标物流渠道及其报价区间作为所述目标订单数据的推荐选项;
显示单元,用于将所述推荐选项显示于所述目标订单数据的关联用户界面。
8.如权利要求7所述的跨境电商物流渠道智能推荐装置,其特征在于,还包括:
获取单元,用于在所述匹配单元获取与所述目标订单数据匹配的多个目标物流渠道之后,以及所述预测单元根据各个目标物流渠道的价格浮动数据,预测各个目标物流渠道与所述预计发货时间对应的报价区间之前,获取各个目标物流渠道的最新物流数据;
确定单元,用于从所述最新物流数据中确定在指定历史时段内产生的第一历史物流数据;
分析单元,用于对第一历史物流数据进行分析,获得各个目标物流渠道的价格浮动数据。
9.电子设备,其特征在于,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至6任一项所述的跨境电商物流渠道智能推荐方法。
10.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计算机程序,其中,所述计算机程序使得计算机执行权利要求1至6任一项所述的跨境电商物流渠道智能推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211731212.8A CN116029637A (zh) | 2022-12-30 | 2022-12-30 | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211731212.8A CN116029637A (zh) | 2022-12-30 | 2022-12-30 | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029637A true CN116029637A (zh) | 2023-04-28 |
Family
ID=86077354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211731212.8A Pending CN116029637A (zh) | 2022-12-30 | 2022-12-30 | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029637A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408594A (zh) * | 2023-12-14 | 2024-01-16 | 山东省鲁商冰轮建筑设计有限公司 | 一种基于大数据的冷链物流信息平台 |
CN117933575A (zh) * | 2024-03-21 | 2024-04-26 | 深圳市智岩科技有限公司 | 物流运输管理方法及其装置、设备、介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445195A (zh) * | 2020-04-15 | 2020-07-24 | 北京易点淘网络技术有限公司 | 预估收货时间的方法、装置、存储介质及电子设备 |
CN112036706A (zh) * | 2020-08-07 | 2020-12-04 | 深圳市艾密特供应链管理有限公司 | 物流渠道择优分配方法、装置、设备及存储介质 |
CN113034076A (zh) * | 2021-03-29 | 2021-06-25 | 上海寻梦信息技术有限公司 | 物流承运对象推荐方法、装置、电子设备和存储介质 |
CN113592386A (zh) * | 2021-07-01 | 2021-11-02 | 申怡群供应链服务(深圳)有限公司 | 基于多物流渠道的物流产品生成方法、装置、设备及介质 |
CN113888244A (zh) * | 2021-11-22 | 2022-01-04 | 于施洋 | 数据商品的定价方法与装置、电子设备及计算机可读存储介质 |
CN114548605A (zh) * | 2022-04-25 | 2022-05-27 | 深圳市快金数据技术服务有限公司 | 一种基于大数据的跨境电商物流订单分析管理系统 |
CN115051932A (zh) * | 2022-06-16 | 2022-09-13 | 贵州宇豪科技发展有限公司 | 一种基于云平台的数据中心远程智能运维管理方法 |
-
2022
- 2022-12-30 CN CN202211731212.8A patent/CN116029637A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445195A (zh) * | 2020-04-15 | 2020-07-24 | 北京易点淘网络技术有限公司 | 预估收货时间的方法、装置、存储介质及电子设备 |
CN112036706A (zh) * | 2020-08-07 | 2020-12-04 | 深圳市艾密特供应链管理有限公司 | 物流渠道择优分配方法、装置、设备及存储介质 |
CN113034076A (zh) * | 2021-03-29 | 2021-06-25 | 上海寻梦信息技术有限公司 | 物流承运对象推荐方法、装置、电子设备和存储介质 |
CN113592386A (zh) * | 2021-07-01 | 2021-11-02 | 申怡群供应链服务(深圳)有限公司 | 基于多物流渠道的物流产品生成方法、装置、设备及介质 |
CN113888244A (zh) * | 2021-11-22 | 2022-01-04 | 于施洋 | 数据商品的定价方法与装置、电子设备及计算机可读存储介质 |
CN114548605A (zh) * | 2022-04-25 | 2022-05-27 | 深圳市快金数据技术服务有限公司 | 一种基于大数据的跨境电商物流订单分析管理系统 |
CN115051932A (zh) * | 2022-06-16 | 2022-09-13 | 贵州宇豪科技发展有限公司 | 一种基于云平台的数据中心远程智能运维管理方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408594A (zh) * | 2023-12-14 | 2024-01-16 | 山东省鲁商冰轮建筑设计有限公司 | 一种基于大数据的冷链物流信息平台 |
CN117408594B (zh) * | 2023-12-14 | 2024-03-29 | 山东省鲁商冰轮建筑设计有限公司 | 一种基于大数据的冷链物流信息平台 |
CN117933575A (zh) * | 2024-03-21 | 2024-04-26 | 深圳市智岩科技有限公司 | 物流运输管理方法及其装置、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
Menou et al. | Decision support for centralizing cargo at a Moroccan airport hub using stochastic multicriteria acceptability analysis | |
WO2020001106A1 (zh) | 分类模型的训练方法、店铺分类的方法及装置 | |
CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
CN109255564B (zh) | 一种取件点地址推荐方法及装置 | |
CN104463548B (zh) | 一种多因素影响下的承运量化选择方法 | |
US20190130476A1 (en) | Management System and Predictive Modeling Method for Optimal Decision of Cargo Bidding Price | |
CN109118316B (zh) | 线上店铺真实性的识别方法和装置 | |
CN110675189B (zh) | 一种基于Wide&Deep模型和遗传算法的无人货架选址方法 | |
CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
CN110750697B (zh) | 商户分类方法、装置、设备及存储介质 | |
CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
CN116308684B (zh) | 一种网购平台店铺信息推送方法及系统 | |
Rahaman et al. | Wait time prediction for airport taxis using weighted nearest neighbor regression | |
CN107203558A (zh) | 对象推荐方法和装置、推荐信息处理方法和装置 | |
Yudhistyra et al. | Using big data analytics for decision making: analyzing customer behavior using association rule mining in a gold, silver, and precious metal trading company in Indonesia | |
CN107368501A (zh) | 数据的处理方法及装置 | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
CN111091409A (zh) | 客户标签的确定方法、装置和服务器 | |
Kavus et al. | A hybrid Bayesian BWM and Pythagorean fuzzy WASPAS-based decision-making framework for parcel locker location selection problem | |
CN113537878A (zh) | 包裹派送方法、装置、设备及存储介质 | |
KR102560210B1 (ko) | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 | |
CN114282951B (zh) | 一种网络零售预测方法、设备及介质 | |
CN116091171A (zh) | 会员统计与管理系统 | |
CN115577184A (zh) | 信息推荐方法、装置、电子设备及介质 |
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 |