CN116542456B - 一种智能派单方法、装置和设备 - Google Patents
一种智能派单方法、装置和设备 Download PDFInfo
- Publication number
- CN116542456B CN116542456B CN202310455864.1A CN202310455864A CN116542456B CN 116542456 B CN116542456 B CN 116542456B CN 202310455864 A CN202310455864 A CN 202310455864A CN 116542456 B CN116542456 B CN 116542456B
- Authority
- CN
- China
- Prior art keywords
- factory
- plant
- order
- style
- identifications
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 200
- 238000004519 manufacturing process Methods 0.000 claims description 82
- 238000012384 transportation and delivery Methods 0.000 claims description 66
- 239000004744 fabric Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012797 qualification Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 193
- 239000000463 material Substances 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000009940 knitting Methods 0.000 description 2
- 239000010985 leather Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000009958 sewing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009965 tatting Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 244000208060 Lawsonia inermis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/06395—Quality analysis or 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及订单派发技术领域,尤其涉及一种智能派单方法、装置和设备,该方法包括:当接收到新订单派单请求时,获取订单信息,订单信息包括:新订单的款式图和订单数据;获取多个工厂标识和各自对应的工厂数据,并基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分,工厂评分用于评判工厂加工新订单的加工能力;基于多个工厂标识各自对应的工厂评分,从多个工厂标识中确定最高工厂评分对应的目标工厂标识;将订单信息派发至加工厂对应的终端,加工厂表征与目标工厂标识对应的工厂。本申请具有的技术效果是提高了订单派发的准确度。
Description
技术领域
本申请涉及订单派发的技术领域,尤其是涉及一种智能派单方法、装置和设备。
背景技术
随着消费水平的提高,人们对服装的要求也越来越高,要想更好满足人们对服装的要求,就必须要提高服装出货质量,此时,就需要选择合适的加工厂。
相关技术中接收到新订单后,会将新订单随机派发给任一工厂,但不同的工厂加工服装的质量不同,可能派发给加工质量较差的工厂,并导致出现新订单加工质量问题。可见,相关技术中订单派发的准确度较低。
发明内容
为了提高订单派发准确度,本申请提供一种智能派单方法、装置和设备。
第一方面,本申请提供一种智能派单方法,采用如下的技术方案:
一种智能派单方法,包括:
当接收到新订单派单请求时,获取订单信息,所述订单信息包括:新订单的款式图和订单数据;
获取多个工厂标识和各自对应的工厂数据,并基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定所述多个工厂标识各自对应的工厂评分,所述工厂评分用于评判工厂加工新订单的加工能力;
基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识;
将所述订单信息派发至加工厂对应的终端,所述加工厂表征与目标工厂标识对应的工厂。
在一种可能实现的方式中,所述工厂数据包括工厂订单处理等级评分、工厂生产能力评分和历史订单款式图,基于新订单的款式图和所述多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分,包括:
基于新订单的款式图和多个工厂标识各自对应的历史订单款式图进行款式相似度计算,确定新订单的款式图和多个历史订单款式图各自的款式图片相似度;
基于所述款式图片相似度和相似度与工厂款式评分的对应关系,确定多个工厂标识各自对应的工厂款式评分;
基于所述多个工厂标识各自对应的订单处理等级评分、工厂生产能力评分和工厂款式评分,确定多个工厂标识各自对应的工厂评分。
在一种可能实现的方式中,所述工厂标识对应的所述工厂订单处理等级评分的确定过程,包括:
获取工厂标识的上一接单时间信息,并基于所述上一接单时间信息,确定工厂标识的当前接单间隔时间信息,所述上一接单时间信息表征基于当前工厂所有历史订单中的最后订单;
获取工厂标识的历史订单入仓数量和历史订单发货数量,并基于历史订单入仓数量和历史订单发货数量,确定工厂标识的订单合格率;
获取工厂标识的订单总数量和交期内订单完成数量,并基于订单总数量和交期内订单完成数量,确定工厂标识的订单交期内完成率;
获取工厂标识的订单总数量和未返工订单的数量,并基于订单总数量和未返工订单的数量,确定工厂标识的直通率;
基于接单周期、订单合格率、订单交期内完成率和直通率,确定多个工厂标识各自对应的工厂等级数据;
基于工厂标识的工厂等级数据和工厂等级数据与工厂订单处理等级评分的对应关系,确定工厂标识的工厂订单处理等级评分。
在一种可能实现的方式中,工厂生产能力评分的确定过程,包括:
获取多个工厂标识各自对应的生产规模数据,并基于生产规模数据和生产规模数据与工厂生产能力评分的对应关系,确定与生产规模数据对应的工厂生产能力评分;
获取多个工厂标识各自对应的加工流程数据,并基于加工流程数据和加工流程数据与工厂生产能力评分的对应关系,确定与加工流程数据对应的工厂生产能力评分;
获取多个工厂标识各自对应的加工面料数据,并基于加工面料数据和加工面料数据与工厂生产能力评分的对应关系,确定与加工面料数据对应的工厂生产能力评分;
基于多个工厂标识各自对应的与生产规模数据对应的工厂生产能力评分、与加工能力数据对应的工厂生产能力评分和与加工面料数据对应的工厂生产能力评分,确定多个工厂标识各自对应的工厂生产能力评分。
在一种可能实现的方式中,所述基于新订单的款式图和所述多个工厂标识各自对应的工厂数据,确定所述多个工厂标识各自对应的工厂评分,包括:
获取认证工厂名单,其中,认证工厂名单中包括至少一个认证工厂对应的工厂标识;
基于认证工厂名单、所述多个工厂标识,确定每一工厂标识各自的附加评分,其中,若某一工厂标识在认证工厂名单内,则附加评分不为0,否则附加评分为0;
基于新订单的款式图、所述多个工厂标识各自对应的工厂数据和附加评分,确定多个工厂标识各自对应的工厂评分。
在一种可能实现的方式中,所述订单数据至少包括订单交付日期信息和订单加工时长,所述基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识,包括:
基于所述多个工厂标识各自对应的工厂评分,确定最高工厂评分对应的初始目标工厂标识;若初始目标工厂标识的数量不小于为2个,则获取所有初始目标工厂标识各自对应的订单排期信息;
基于订单排期信息、交付日期信息和订单加工时长,确定从所有初始目标工厂标识中确定目标工厂标识,所述目标工厂标识对应的工厂能够在交付日期信息前完成订单交付任务。
在一种可能实现的方式中,所述基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识之后,还包括:
实时获取多个工厂标识各自对应的订单处理数据,其中,订单处理数据包括接单时间信息、订单入仓数量、完成且未返工订单数量和订单发货数量;
基于预设更新周期和订单信息更新多个工厂标识各自对应的工厂订单处理等级评分。
在一种可能实现的方式中,所述获取多个工厂标识和各自对应的工厂数据之前,还包括:
获取款式模型库中的所有工厂标识对应的历史款式图;
基于新订单的款式图、所有工厂标识各自对应的历史款式图,从所有工厂标识对应的历史款式图中确定与新订单的款式图对应的多个相似款式图;
基于所述多个相似款式图和工厂标识款式数据库,确定与所述多个相似款式图各自对应的工厂标识,以得到所述多个工厂标识。
第二方面,本申请提供一种智能派单装置,采用如下的技术方案:
一种智能派单装置,包括:
获取模块,用于当接收到新订单派单请求时,获取订单信息,所述订单信息包括:新订单的款式图和订单数据;
工厂评分确定模块,用于获取多个工厂标识和各自对应的工厂数据,并基于新订单的款式图和所述多个工厂标识各自对应的工厂数据,确定所述多个工厂标识各自对应的工厂评分,所述工厂评分用于评判工厂加工新订单的加工能力;
目标工厂标识确定模块,用于基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识;
订单信息派发模块,用于将所述订单信息派发至加工厂对应的终端,所述加工厂表征与目标工厂标识对应的工厂。
第三面,本申请提供一种电子设备,采用如下的技术方案:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行如第一方面任一项所述的智能派单方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行如第一方面任一项所述的智能派单方法。
综上,本申请包括以下至少一种有益技术效果:
1.当接收到新订单派单请求时,获取新订单的款式图、多个工厂标识和各自对应的多个工厂数据,并根据款式图和多个工厂数据确定工厂评分,以确定每一工厂加工新订单的加工能力,多个工厂数据为多个不同维度的数据,而基于款式和多个不同维度的数据可以实现对工厂进行更全面的评分,以提高评判工厂加工新订单的加工能力的准确度;进一步的,根据所有工厂评分和各自的工厂标识选最高工厂评分的工厂,以使加工新订单的加工能力最高的工厂对新订单进行加工,在保证工厂选择准确度较高的基础上对新订单进行加工,进一步保证了新订单的加工质量;再将订单信息派发至目标工厂对应的终端,以完成派单。
附图说明
图1为本申请实施例提供的一种智能派单方法流程示意图。
图2为本申请实施例提供的一种工厂推荐示意图。
图3为本申请实施例提供的一种智能派单装置示意图。
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图4对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
随着服装工厂人员成本的上升,精益管理成为服装工厂追求的重点,目前服装行业中会使用AI智能超排系统对新订单的排料进行规划,进而降低成本。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种智能派单方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
进一步地,下述实施例中,将电子设备称为接收端终端设备,但是不作为电子设备的限定。
结合图1,图1为本申请实施例提供的一种智能派单方法的流程示意图,其中,该方法包括步骤S101、步骤S102、步骤S103和步骤S104,其中:
步骤S101、当接收到新订单派单请求时,获取订单信息,订单信息包括:新订单的款式图和订单数据。
具体的,新订单派单请求可以为订单出售商家对应的发送端终端设备发送至接收端终端设备,接收端终端设备发送获取请求信号至发送端终端设备,以获取新订单的订单信息,。订单信息可以包括:新订单的款式图和订单数据,订单数据可以包括:新订单的加工数量、新订单的交付日期、新订单的材质、新订单的加工时长和新订单的收货方,新订单的材质至少可以包括:针织材质、梭织材质、皮革材质、牛仔材质和皮草材质。
步骤S102、获取多个工厂标识和各自对应的工厂数据,并基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分,工厂评分用于评判工厂加工新订单的加工能力。
具体的,多个工厂标识可以为基于新订单的款式图和接收端终端设备中所有工厂标识各自对应的历史款式图各自对应的相似度筛选后得到的,也可以为接收端终端设备中所有工厂标识,在本申请实施例中,优选的多个工厂标识为筛选后得到的,而通过筛选得到多个工厂标识可以有效减少数据计算量。
工厂标识可以为工厂名称,也可以为与工厂对应的工厂编号,每一工厂对应唯一的工厂标识,每一工厂的工厂标识可以为技术人员预先输入至电子设备中的。工厂数据可以包括:工厂订单处理等级评分、工厂生产能力评分和每一工厂对应的所有历史订单款式图,其中,订单处理等级评分用于评判工厂处理订单能力的评分,工厂处理订单的能力可以包括:工厂的接单周期、工厂的订单完成效率、订单的合格率和订单直通率,订单直通率为订单直接通过验收的概率;工厂生产能力评分用于评判工厂生产情况的评分,工厂生产能力情况可以包括:工厂的生产规模、工厂的加工流程数据和工厂的面料数据;每一工厂对应的所有历史订单款式图为工厂在接单时接收端终端设备自动记录的。根据新订单的款式图和多个工厂标识各自对应的工厂数据确定各自对应的工厂评分,工厂数据包括多个不同维度的数据,而基于款式和多个不同维度的数据可以实现对工厂全面的评分,有效提高了评判工厂加工新订单的加工能力的准确度。
步骤S103、基于多个工厂标识各自对应的工厂评分,从多个工厂标识中确定最高工厂评分对应的目标工厂标识。
具体的,每一工厂标识对应的工厂评分可以相同,也可以不同,基于实际工厂评分计算结果确定。确定多个工厂标识各自对应的工厂评分后,按照工厂评分由大到小的顺序将与工厂评分对应的工厂标识进行排列,针对排列顺序为第一名的工厂标识对应的工厂,即工厂评分最高的工厂确定为目标工厂标识,目标工厂。具体可参考图2,图2为接收端终端设备基于工厂评分由高到低推荐的工厂名单,在推荐页面包括有工厂名称、加工流程、工厂所在地、工厂面料能力、款式能力、品质等级、工人数、当前在手订单情况、所有订单的总数量、所有订单的金额和跟厂人员,其中,所有订单的金额为工厂的管理人员输入的,跟厂人员为工厂负责人,即对工厂的实际情况进行监督的工作人员;低风险表征工厂为认证工厂,可信度高,因而风险较低。由图2可知,针对新订单,排名顺序第一的为广西秒优智能工厂,排名顺序第二的河南秒优智能工厂。
步骤S104、将订单信息派发至加工厂对应的终端,加工厂表征与目标工厂标识对应的工厂。
具体的,接收端终端设备可以将新订单的订单信息以提醒消息的形式或语音的形式发送至目标工厂标识对应的终端,其中,目标工厂对应的终端可以为移动设备也可以为服务器,本申请实施例不再进行限定。
确定加工厂后,接收端终端会自动对订单的状态进行记录,其中,订单的状态可以包括:订单处于缝制中或订单处于裁剪中、订单出货的紧急程度、订单的加工厂名称、订单合同的状态和合同工段,其中,紧急程度可以包括:一般、紧急和特急;合同状态可以为待签署和未生成状态。
基于上述实施例,当接收到新订单派单请求时,获取新订单的款式图、多个工厂标识和各自对应的多个工厂数据,并根据款式图和多个工厂数据确定工厂评分,以确定每一工厂加工新订单的加工能力,多个工厂数据为多个不同维度的数据,而基于款式和多个不同维度的数据可以实现对工厂进行更全面的评分,以提高评判工厂加工新订单的加工能力的准确度;进一步的,根据所有工厂评分和各自的工厂标识选取最高工厂评分的工厂,以使加工新订单的加工能力最高的工厂对新订单进行加工,在保证工厂选择准确度较高的基础上对新订单进行加工,进一步保证了新订单的加工质量;再将订单信息派发至目标工厂对应的终端,以完成派单。
进一步地,在本申请实施例中,工厂数据包括工厂订单处理等级评分、工厂生产能力评分和历史订单款式图,基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分,包括步骤SA1-SA3(附图未示出),其中:
步骤SA1、基于新订单的款式图和多个工厂标识各自对应的历史订单款式图进行款式相似度计算,确定新订单的款式图和多个历史订单款式图各自的款式图片相似度。
具体的,可以基于图片识别技术计算款式相似度,或,通过款式特征提取网络模型计算款式相似度。
基于图片识别技术计算款式相似度的可实现方式,具体可以包括:将新订单的款式图与任一历史订单款式图进行灰度化处理,得到各自对应的灰度图像;创建一维灰度直方图,以使统计图像分布在预设像素范围内,本申请实施例不对预设像素范围进行限定,再计算新订单款式图的灰度图像的一维直方图,并对一维直方图进行归一化处理,创建一张显示图,用于显示各个像素的直方图,显示图中的横坐标为灰度级,纵坐标为像素个数,再将每个直方图绘制到创建的显示图中,度量两幅图像直方图的巴氏距离,度量结果为图片相似度。
基于款式特征提取网络模型计算款式相似度的可实现方式,具体可以包括:将新订单的款式图和任一历史订单款式图分别输入至款式图特征提取模型,得到输出神经元作为特征的各层上新订单的款式图的特征向量和历史订单款式图的特征向量;对各层分别计算新订单的款式图的特征向量和历史订单款式图的特征向量之间的相似度,各层上新订单的款式图的特征向量、历史订单款式图的特征向量和线性回归算法计算得到新订单款式图与历史订单款式图的相似度,并得到新订单款式图和所有历史订单款式图各自对应的相似度。其中,款式特征提取网络模型为基于多个订单款式图训练样本和神经网络训练得到的。
步骤SA2、基于款式图片相似度和相似度与工厂款式评分的对应关系,确定多个工厂标识各自对应的工厂款式评分。
具体的,相似度与工厂款式评分的对应关系为预先输入至接收端终端设备中的,且相似度款式与工厂款式评分的对应关系为技术人员设定的,本申请实施例不进行限定。相似度可以为固定数值,也可以为对应的数值范围,当相似度为固定数值时,相似度数值的大小与工厂款式评分的大小相同,例如,当相似度为80%,则对应工厂款式评分为80;当相似度为对应的数值范围时,则任一数值范围对应唯一的工厂款式评分,例如,当相似度为60%时,对应数值范围可以为41%-60%时,对应工厂款式评分为50,可以理解的是,相似度值最大为100%,本申请实施例不对相似度的数值范围的数量进行限定,每一数值范围内起始端数值和末尾端数值的数值间隔相同。进一步的,当确定款式图片相似度后,可以确定与每一工厂标识对应的工厂款式评分。
步骤SA3、基于多个工厂标识各自对应的订单处理等级评分、工厂生产能力评分和工厂款式评分,确定多个工厂标识各自对应的工厂评分。
根据订单处理等级评分、工厂生产能力评分和工厂款式评分和工厂评分计算公式得到工厂评分,其中,工厂评分计算公式为:工厂评分=订单处理等级评分+工厂生产能力评分+工厂款式评分。
基于上述实施例,根据新订单的款式图和历史订单款式进行款式相似度计算,以从款式维度准确评判工厂款式评分,计算相似度可以确定工厂的历史订单的款式图与新订单款式的相似度的数值大小,当相似度越高时,表明工厂的任一历史订单的款式图与新订单的款式图越接近,进而工厂能够处理新订单的能力也就越大;再结合订单处理等级评分和工厂生产能力评分,确定工厂评分,以实现从多个维度对工厂评分的准确判断。
进一步地,在本申请实施例中,工厂标识对应的工厂订单处理等级评分的确定过程,包括步骤SB1-SB6(附图未示出),其中:
步骤SB1、获取工厂标识的上一接单时间信息,并基于上一接单时间信息,确定工厂标识的当前接单间隔时间信息,上一接单时间信息表征基于当前工厂所有历史订单中的最后订单。
具体的,每一工厂标识的多个接单时间信息为可以为对应工厂的管理人员输入至接收端终端设备,也可以为对应工厂的管理人员将数据发送至接收端终端设备管理人员,并由接收端终端设备管理人员上传。接单时间信息包括接单的年份、月份和具体的日期,例如,2022年10月5日。基于当前时刻和上一接单时间信息确定时间间隔,并作为当前接单时间间隔。
步骤SB2、获取工厂标识的历史订单入仓数量和历史订单发货数量,并基于历史订单入仓数量和历史订单发货数量,确定工厂标识的订单合格率。
具体的,历史订单入仓数量表示进入工厂货仓的所有订单的总数量,订单入仓数量为在派送历史订单时接收端终端设备自动记录的。历史订单发货数量表示为历史订单所有的发货数量,不包括订单返工数量。基于订单合格率计算公式确定订单合格率,其中,订单合格率计算公式为:
步骤SB3、获取工厂标识的订单总数量和交期内订单完成数量,并基于订单总数量和交期内订单完成数量,确定工厂标识的订单交期内完成率。
具体的,订单总数量为针对任一订单的订单总数量,不同于历史订单入仓数量,订单在交期内发货即为交期内完成,交期内订单完成数量为预先输入至接收端终端设备中的,基于订单交期内完成率计算公式确定订单交期内完成率,其中,订单交期内完成率计算公式为:
步骤SB4、获取工厂标识的订单总数量和未返工订单的数量,并基于订单总数量和未返工订单的数量,确定工厂标识的直通率。
具体的,未返工订单的数量表明发货后的且未返还给工厂重新加工的订单数量,即订单一次通过的概率,未返工订单的数量为预先输入至接收端终端设备中的,基于直通率计算公式确定直通率,其中,直通率计算公式为:
步骤SB5、基于接单周期、订单合格率、订单交期内完成率和直通率,确定多个工厂标识各自对应的工厂等级数据。
在本申请实施例中,优选的,接单周期、订单合格率、订单交期内完成率和直通率和工厂等级数据的对应关系可参考表1。
表1
在表1中,淘汰工厂的剩余条件分别对应:在线订单周期大于一年,合格品率<90%,交期内完成率<90%,直通率<80%,且在线订单周期、合格率、交期内完成率和直通率关系为与的关系,例如,若当前接单间隔时间信息为一个季度时,且合格频率不小于98%,且交期内完成率不小于100%,且直通率不小于99%时,该工厂则为良品工厂。
步骤SB6、基于工厂标识的工厂等级数据和工厂等级数据与工厂订单处理等级评分的对应关系,确定工厂标识的工厂订单处理等级评分。
具体的,工厂等级数据和工厂订单处理等级评分的对应关系为预先输入至接收端终端的。可以理解的是,为准确确定工厂订单处理等级评分,任一工厂等级数据对应唯一的工厂订单处理等级评分,工厂等级数据和工厂订单处理等级评分的对应关系为相关技术人员设定的,本申请实施例不进行限定。
基于上述实施例,通过上一接单时间信息确定工厂的接单间隔时间,当工厂的接单间隔时间越短时,工厂加工订单的频率越高,进一步表明工厂的加工能力越好;根据历史订单入仓数据和历史订单发货数量可以确定订单合格率,当订单合格率越高时,表明工厂的加工质量越高;根据订单总数量和交期内订单完成数量确定订单交期内完成率,以确定工厂是否守时,当订单交期内完成率越高时,表明工厂的守信度更高,由守信度高的工厂加工订单更可靠;根据订单的总数量和未返工订单的数量确定工厂直通率,以衡量工厂加工产品一次性通过的概率,当直通率越高时,表明工厂的加工质量和加工能力越高,因而产品一次性通过的概率也就越高;根据接单周期、订单合格率、订单交期内完成率和直通率确定工厂等级数据,以实现从多个维度全面衡量工厂等级,有效提高了工厂等级数据的准确度,进一步的,可以得到准确的工厂订单处理等级评分。
进一步地,在本申请实施例中,工厂生产能力评分的确定过程,包括步骤SC1-SC4(附图未示出),其中:
步骤SC1、获取多个工厂标识各自对应的生产规模数据,并基于生产规模数据和生产规模数据与工厂生产能力评分的对应关系,确定与生产规模数据对应的工厂生产能力评分。
具体的,生产规模数据包括工厂的工位数和工人数。生产规模数据与工厂生产能力评分的对应关系为预先输入至接收端终端设备中,且由技术人员确定的,本申请实施例不进行限定,可以理解的是当生产规模越大时,工厂能够承载的订单加工数量越大,即工厂加工能力越强,因而生产规模数据越大时,工厂的生产能力评分也大。可以理解的是,不同工厂对应的生产规模不同,为减少计算量,生产规模可以为对应数值范围,例如,工位数为22,工人数为12时的生产规模为34,对应数值范围可以为21-40,数值范围20-40对应的工厂生产能力评分可以为5分;工位数为40,工人数为20时的生产规模为60,对应数值范围为41-60,数值范围为41-60对应的工厂生产能力评分可以为10分。
步骤SC2、获取多个工厂标识各自对应的加工流程数据,并基于加工流程数据和加工流程数据与工厂生产能力评分的对应关系,确定与加工流程数据对应的工厂生产能力评分。
具体的,加工流程数据可以包括加工方式的数量、加工品质和加工工序的数量,可以基于与加工方式的数量对应的工厂生产能力评分、加工品质对应的工厂生产能力评分和与加工工序的数量对应的工厂生产能力评分得到加工流程数据对应的工厂生产能力评分。其中,加工方式包括:摆件、吊挂和推框;加工品质包括:高档、中档和低档;加工工序包括:裁剪、车缝和后道。进一步的,可以基于加工方式的数量和与加工方式数量对应的生产能力评分的对应关系,确定与加工方式数量对应的生产能力评分,例如,当加工方式数量为1时,与加工方式数量对应的生产能力评分为1;当加工方式数量为2时,与加工方式数量对应的生产能力评分为2;可以基于加工工序的数量和与加工工序的数量对应的生产能力评分的对应关系,确定与加工工序的数量对应的生产能力评分,例如,当加工工序的数量为1时,与加工工序的数量对应的生产能力评分为1;当加工工序的数量为2时,与加工工序的数量对应的生产能力评分为2;可以基于加工品质和与加工品质对应的生产能力评分的对应关系,确定与加工品质对应的生产能力评分,例如,当工厂加工品质为高档时,对应的生产能力评分可以为3;当工厂加工品质为中档时,对应的生产能力评分可以为2。可以基于生产能力评分计算公式确定与加工流程数据对应的工厂生产能力评分,其中,计算公式为:加工流程数据对应的工厂生产能力评分=与加工方式的数量对应的工厂生产能力评分+加工品质对应的工厂生产能力评分+加工工序的数量对应的工厂生产能力评分。
步骤SC3、获取多个工厂标识各自对应的加工面料数据,并基于加工面料数据和加工面料数据与工厂生产能力评分的对应关系,确定与加工面料数据对应的工厂生产能力评分。
具体的,加工面料数据包括加工面料的数量和款式能力。加工面料可以包括:针织、梭织、皮革、牛仔和皮草;款式能力可以包括:可做难款和仅可做普通款。随着加工面料的数量的增加,对应的加工面料的数量的工厂生产能力评分也更大,例如,当工厂加工面料的数量为3时,加工面料对应的评分可以为3;当工厂加工面料的数量为5时,加工面料的数量对应的评分可以为5,其中,加工面料的数量与加工面料对应的评分的对应关系,本申请实施例不再限定,用户可自行设置。工厂可做难款时,对应的款式能力的评分高于仅可做普通款。例如,当工厂可做难款时,对应的款式能力的评分可以为5分;当工厂为仅可做普通款时,对应的款式能力的评分可以为3分。进而,可以基于加工面料数据确定与加工面料数据对应的工厂生产能力评分。
步骤SC4、基于多个工厂标识各自对应的与生产规模数据对应的工厂生产能力评分、与加工能力数据对应的工厂生产能力评分和与加工面料数据对应的工厂生产能力评分,确定多个工厂标识各自对应的工厂生产能力评分。
具体的,可以根据工厂生产能力评分计算公式得到工厂生产能力评分,其中,工厂生产能力评分计算公式为:工厂生产能力评分=生产规模数据对应的工厂生产能力评分+加工能力数据对应的工厂生产能力评分+加工面料数据对应的工厂生产能力评分。
基于上述实施例,根据生产规模数据确定对应的工厂生产能力评分,随着工厂生产规模的扩大,工厂承载订单的能力也就越大,与生产规模数据对应的工厂生产能力评分也越大;根据加工流程数据确定对应的工厂生产能力评分,当工厂具备更多可操作的加工流程时,工厂的加工能力也越高,与加工流程数据对应的工厂生产能力评分也越高;根据加工面料数据确定对应的工厂生产能力评分,当工厂能够加工更多的面料时,也表明工厂的加工能力越高;因而,根据生产规模数据、加工流程数据和加工面料数据评判工厂生产能力评分,以从工厂自身生产情况准确衡量了工厂的生产加工能力,从多维度对工厂生产加工能力进行准确衡量,也进一步提高了工厂的生产能力评分的准确度。
进一步地,在本申请实施例中,基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分,包括步骤SD1-SD3(附图未示出),其中:步骤SD1、获取认证工厂名单,其中,认证工厂名单中包括至少一个认证工厂对应的工厂标识。
具体的,认证工厂名单为预先输入至接收端终端的。工厂可以通过工商营业执照、组织机构代码证、税务登记证或通过确认法人身份进行认证。工厂可以将工商营业执照、组织机构代码证、税务登记证或法人身份上传至接收端终端以完整认证,可以理解的是,经过认证的工厂可靠度更高。当工厂通过认证后,工厂的名称、工厂法人姓名、工厂简称、工厂法人的手机号、工厂所在地、收款方名称、收款银行账号和银行开户支行信息也会随之登记到接收端终端中。
步骤SD2、基于认证工厂名单、多个工厂标识,确定每一工厂标识各自的附加评分,其中,若某一工厂标识在认证工厂名单内,则附加评分不为0,否则附加评分为0。
具体的,将多个工厂标识中的每一工厂和认证工厂名单中的工厂标识一一进行匹配,确定每一工厂是否为认证工厂。若工厂为认证工厂,则工厂的附加评分的数值为大于0的数值,其中,本申请实施例不对认证工厂的附加评分的数值进行限定,用户可自行设置;若工厂不为认证工程,则附加评分为0。
步骤SD3、基于新订单的款式图、多个工厂标识各自对应的工厂数据和附加评分,确定多个工厂标识各自对应的工厂评分。
具体的,可以将新订单的款式图与对应的工厂评分、多个工厂数据各自对应工厂评分和附加评分相加得到分数总和,并将分数总和确定为多个工厂标识各自对应的工厂评分。
基于上述实施例,获取认证工厂名单和多个工厂标识,以确定每一工厂标识各自的附加评分,处于认证工厂名单的工厂标识可信度更高,当可信度更高时,加工质量也可以得到更大概率的保障,因而附加评分不为;否则,则确定附加评分为。
进一步地,在本申请实施例中,订单数据至少包括订单交付日期信息和订单加工时长,基于多个工厂标识各自对应的工厂评分,从多个工厂标识中确定最高工厂评分对应的目标工厂标识,包括步骤SE1-SE3(附图未示出),其中:
步骤SE1、基于多个工厂标识各自对应的工厂评分,确定最高工厂评分对应的初始目标工厂标识。
具体的,将所有评分按照由高到低的顺序排列,进而可以确定最高工厂评分。
步骤SE2、若初始目标工厂标识的数量不小于为2个,则获取所有初始目标工厂标识各自对应的订单排期信息。
具体的,订单排期信息为工厂所有订单和与订单对应的订单开始加工时间和订单结束加工时间;每一初始目标工厂标识各自对应的订单排期信息为预先输入至电子设备中的。
步骤SE3、基于订单排期信息、交付日期信息和订单加工时长,确定从所有初始目标工厂标识中确定目标工厂标识,目标工厂标识对应的工厂能够在交付日期信息前完成订单交付任务。
具体的,根据订单排期信息、交付日期和订单加工时长,根据交付日期和订单加工时长可以确定新订单的开始加工日期,再根据新订单的开始加工日期和订单排期信息中筛选出在新订单的开始加工日期前至交付日期时段内或在新订单的开始加工日期当天至交付日期时段内无加工订单的工厂,并确定为目标工厂标识。
基于上述实施例,当最高评分的工厂标识的数量至少为2个时,获取各自对应的订单排期信息,再根据新订单的交付日期确定目标工厂标识,以避免订单超期交付。
进一步地,在本申请实施例中,基于多个工厂标识各自对应的工厂评分,从多个工厂标识中确定最高工厂评分对应的目标工厂标识之后,还包括:
实时获取多个工厂标识各自对应的订单处理数据,其中,订单处理数据包括接单时间信息、订单入仓数量、订单总数量和订单发货数量。
基于预设更新周期和订单信息更新多个工厂标识各自对应的工厂订单处理等级评分。
具体的,每一工厂的订单处理数据为在接收端终端设备实时更新的。当工厂接受新订单时,会自动记录在接收端终端设备。为提高工厂订单处理数据的准确度,在本申请实施例中,优选的预设更新周期为一天。接收端终端设备每天对工厂的接单时间信息、订单入仓数量和完成且未返工订单数量和订单发货数量进行更新,以实现对工厂订单处理等级评分的更新。
基于上述实施例,实时获取多个工厂标识各自对应的订单处理数据,并基于预设更新周期对工厂订单处理等级进行更新,以提高工厂订单处理等级评分的时效性,当工厂接单的数量变化时工厂订单处理等级评分也随之变化,因而定期更新,可以提高工厂订单处理等级评分的准确度。
进一步地,在本申请实施例中,获取多个工厂标识和各自对应的工厂数据之前,还包括:
获取款式模型库中的所有工厂标识对应的历史款式图。
具体的,所有工厂标识对应的历史款式图为预先输入至接收端终端中的。
基于新订单的款式图、所有工厂标识各自对应的历史款式图,从所有工厂标识对应的历史款式图中确定与新订单的款式图对应的多个相似款式图。
具体的,可以确定新订单的款式图与所有工厂标识各自对应的历史款式图各自对应的相似度,其中,可以基于图片识别技术计算相似度,或,通过款式特征提取网络模型计算相似度,基于图片识别技术计算相似度和通过款式特征提取网络模型计算相似度的具体实现方式与步骤SA1相同。再根据预设相似度阈值,确定与相似度不小于预设相似度阈值对应的款式图,并确定为相似款式图。其中,本申请实施例不对预设相似度阈值进行限定,用户可自行设置。
基于多个相似款式图和工厂标识款式数据库,确定与多个相似款式图各自对应的工厂标识,以得到多个工厂标识。
具体的,工厂标识款式数据库为每一款式对应的工厂标识,将每一相似款式与工厂标识款式数据库中的款式进行匹配,进而可以确定相似款式对应的工厂标识,并得到多个工厂标识。
基于上述实施例,获取所有工厂标识对应的历史款式图,并确定相似度款式;再根据相似款式确定对应的工厂标识,以从相似款式的角度对工厂进行筛选,从款式相似度维度进行筛选,可以避免未加工相似款式的工厂加工新订单,有效保证加工质量,将筛选后得到的工厂进行评分,可以通过减少工厂数量来减少工厂数据计算量,以有效提高计算速度。
上述实施例从方法流程的角度介绍一种智能派单方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种智能派单装置,具体详见下述实施例。
本申请实施例提供一种智能派单装置,如图3所示,该智能派单装置具体可以包括:获取模块210,用于当接收到新订单派单请求时,获取订单信息,订单信息包括:新订单的款式图和订单数据;
工厂评分确定模块220,用于获取多个工厂标识和各自对应的工厂数据,并基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分,工厂评分用于评判工厂加工新订单的加工能力;
目标工厂标识确定模块230,用于基于多个工厂标识各自对应的工厂评分,从多个工厂标识中确定最高工厂评分对应的目标工厂标识;
订单信息派发模块240,用于将订单信息派发至加工厂对应的终端,加工厂表征与目标工厂标识对应的工厂。
本申请实施例中的一种可能的实现方式,工厂评分确定模块220在执行基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分时,用于:
基于新订单的款式图和多个工厂标识各自对应的历史订单款式图进行款式相似度计算,确定新订单的款式图和多个历史订单款式图各自的款式图片相似度;
基于款式图片相似度和款式图片相似度与工厂款式评分的对应关系,确定多个工厂标识各自对应的工厂款式评分;
基于多个工厂标识各自对应的订单处理等级评分、工厂生产能力评分和工厂款式评分,确定多个工厂标识各自对应的工厂评分。
本申请实施例中的一种可能的实现方式,工厂评分确定模块220在执行工厂标识对应的工厂订单处理等级评分的确定时,用于:
获取工厂标识的上一接单时间信息,并基于上一接单时间信息,确定工厂标识的当前接单间隔时间信息,上一接单时间信息表征基于当前工厂所有历史订单中的最后订单;
获取工厂标识的历史订单入仓数量和历史订单发货数量,并基于历史订单入仓数量和历史订单发货数量,确定工厂标识的订单合格率;
获取工厂标识的订单总数量和交期内订单完成数量,并基于订单总数量和交期内订单完成数量,确定工厂标识的订单交期内完成率;
获取工厂标识的订单总数量和未返工订单的数量,并基于订单总数量和未返工订单的数量,确定工厂标识的直通率;
基于接单周期、订单合格率、订单交期内完成率和直通率,确定多个工厂标识各自对应的工厂等级数据;
基于工厂标识的工厂等级数据和工厂等级数据与工厂订单处理等级评分的对应关系,确定工厂标识的工厂订单处理等级评分。
本申请实施例中的一种可能的实现方式,工厂评分确定模块220在执行工厂生产能力评分的确定时,用于:
获取多个工厂标识各自对应的生产规模数据,并基于生产规模数据和生产规模数据与工厂生产能力评分的对应关系,确定与生产规模数据对应的工厂生产能力评分;
获取多个工厂标识各自对应的加工流程数据,并基于加工流程数据和加工流程数据与工厂生产能力评分的对应关系,确定与加工流程数据对应的工厂生产能力评分;
获取多个工厂标识各自对应的加工面料数据,并基于加工面料数据和加工面料数据与工厂生产能力评分的对应关系,确定与加工面料数据对应的工厂生产能力评分;
基于多个工厂标识各自对应的与生产规模数据对应的工厂生产能力评分、与加工能力数据对应的工厂生产能力评分和与加工面料数据对应的工厂生产能力评分,确定多个工厂标识各自对应的工厂生产能力评分。
本申请实施例中的一种可能的实现方式,工厂评分确定模块220在执行基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分时,用于:
获取认证工厂名单,其中,认证工厂名单中包括至少一个认证工厂对应的工厂标识;
基于认证工厂名单、多个工厂标识,确定每一工厂标识各自的附加评分,其中,若某一工厂标识在认证工厂名单内,则附加评分不为0,否则附加评分为0;
基于新订单的款式图、多个工厂标识各自对应的工厂数据和附加评分,确定多个工厂标识各自对应的工厂评分。
本申请实施例中的一种可能的实现方式,目标工厂标识确定模块230在执行于多个工厂标识各自对应的工厂评分,从多个工厂标识中确定最高工厂评分对应的目标工厂标识时,用于:
基于多个工厂标识各自对应的工厂评分,确定最高工厂评分对应的初始目标工厂标识;
若初始目标工厂标识的数量不小于为2个,则获取所有初始目标工厂标识各自对应的订单排期信息;
基于订单排期信息、交付日期信息和订单加工时长,确定从所有初始目标工厂标识中确定目标工厂标识,目标工厂标识对应的工厂能够在交付日期信息前完成订单交付任务。
本申请实施例中的一种可能的实现方式,智能派单装置,还包括:
工厂订单处理等级评分更新模块,用于:
实时获取多个工厂标识各自对应的订单处理数据,其中,订单处理数据包括接单时间信息、订单入仓数量、完成且未返工订单数量和订单发货数量;
基于预设更新周期和订单信息更新多个工厂标识各自对应的工厂订单处理等级评分。
本申请实施例中的一种可能的实现方式,智能派单装置,还包括:
工厂标识确定模块,用于:
获取款式模型库中的所有工厂标识对应的历史款式图;
基于新订单的款式图、所有工厂标识各自对应的历史款式图,从所有工厂标识对应的历史款式图中确定与新订单的款式图对应的多个相似款式图;
基于多个相似款式图和工厂标识款式数据库,确定与多个相似款式图各自对应的工厂标识,以得到多个工厂标识。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的一种智能派单装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
下面对本申请实施例提供的一种电子设备进行介绍,下文描述的电子设备与上文描述的智能派单装置可相互对应参照。
本申请实施例提供了一种电子设备,如图4所示,图4为本申请实施例提供的一种电子设备的结构示意图,图4所示的电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmabl eGate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请实施例公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图4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。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请实施例方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与相关技术相比,当接收到新订单派单请求时,获取新订单的款式图、多个工厂标识和各自对应的多个工厂数据,并根据款式图和多个工厂数据确定工厂评分,以确定每一工厂加工新订单的加工能力,多个工厂数据为多个不同维度的数据,而基于款式和多个不同维度的数据可以实现对工厂进行更全面的评分,以提高评判工厂加工新订单的加工能力的准确度;进一步的,根据所有工厂评分和各自的工厂标识选最高工厂评分的工厂,以使加工新订单的加工能力最高的工厂对新订单进行加工,在保证工厂选择准确度较高的基础上对新订单进行加工,进一步保证了新订单的加工质量;再将订单信息派发至目标工厂对应的终端,以完成派单。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种智能派单方法,其特征在于,包括:
当接收到新订单派单请求时,获取订单信息,所述订单信息包括:新订单的款式图和订单数据;
获取多个工厂标识和各自对应的工厂数据,并基于新订单的款式图和多个工厂标识各自对应的工厂数据,确定所述多个工厂标识各自对应的工厂评分,所述工厂评分用于评判工厂加工新订单的加工能力;
基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识;
将所述订单信息派发至加工厂对应的终端,所述加工厂表征与目标工厂标识对应的工厂;
其中,所述工厂数据包括工厂订单处理等级评分、工厂生产能力评分和历史订单款式图,
基于新订单的款式图和所述多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分,包括:
基于新订单的款式图和多个工厂标识各自对应的历史订单款式图进行款式相似度计算,确定新订单的款式图和多个历史订单款式图各自的款式图片相似度;
基于所述款式图片相似度和款式图片相似度与工厂款式评分的对应关系,确定多个工厂标识各自对应的工厂款式评分;
基于所述多个工厂标识各自对应的订单处理等级评分、工厂生产能力评分和工厂款式评分,确定多个工厂标识各自对应的工厂评分;
其中,所述订单数据至少包括订单交付日期信息和订单加工时长,所述基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识,包括:
基于所述多个工厂标识各自对应的工厂评分,确定最高工厂评分对应的初始目标工厂标识;
若初始目标工厂标识的数量不小于为2个,则获取所有初始目标工厂标识各自对应的订单排期信息;
基于订单排期信息、交付日期信息和订单加工时长,确定从所有初始目标工厂标识中确定目标工厂标识,所述目标工厂标识对应的工厂能够在交付日期信息前完成订单交付任务;
其中,获取所述多个工厂标识,包括:
基于所述新订单的款式图和所有工厂标识各自对应的历史款式图,确定相似度;
基于所述所有工厂标识各自对应的相似度和所述所有工厂标识,确定所述多个工厂标识;
其中,所述确定新订单的款式图和多个历史订单款式图各自对应的款式图片相似度,包括:
将所述新订单的款式图和所述多个历史订单款式图输入至预设的款式图特征提取模型,得到所述新订单的款式图的特征向量和所述多个历史订单款式图各自对应的的特征向量;
基于所述新订单的款式图的特征向量 、所述多个历史订单款式图的特征向量和线性回归算法,确定所述新订单的款式图和所述多个历史订单款式图各自对应的款式图片相似度。
2.根据权利要求1所述的智能派单方法,其特征在于,工厂标识对应的所述工厂订单处理等级评分的确定过程,包括:
获取工厂标识的上一接单时间信息,并基于所述上一接单时间信息,确定工厂标识的当前接单间隔时间信息,所述上一接单时间信息表征基于当前工厂所有历史订单中的最后订单;
获取工厂标识的历史订单入仓数量和历史订单发货数量,并基于历史订单入仓数量和历史订单发货数量,确定工厂标识的订单合格率;
获取工厂标识的订单总数量和交期内订单完成数量,并基于订单总数量和交期内订单完成数量,确定工厂标识的订单交期内完成率;
获取工厂标识的订单总数量和未返工订单的数量,并基于订单总数量和未返工订单的数量,确定工厂标识的直通率;
基于接单周期、订单合格率、订单交期内完成率和直通率,确定多个工厂标识各自对应的工厂等级数据;
基于工厂标识的工厂等级数据和工厂等级数据与工厂订单处理等级评分的对应关系,确定工厂标识的工厂订单处理等级评分。
3.根据权利要求1所述的智能派单方法,其特征在于,所述工厂生产能力评分的确定过程,包括:
获取多个工厂标识各自对应的生产规模数据,并基于生产规模数据和生产规模数据与工厂生产能力评分的对应关系,确定与生产规模数据对应的工厂生产能力评分;
获取多个工厂标识各自对应的加工流程数据,并基于加工流程数据和加工流程数据与工厂生产能力评分的对应关系,确定与加工流程数据对应的工厂生产能力评分;
获取多个工厂标识各自对应的加工面料数据,并基于加工面料数据和加工面料数据与工厂生产能力评分的对应关系,确定与加工面料数据对应的工厂生产能力评分;
基于多个工厂标识各自对应的与生产规模数据对应的工厂生产能力评分、与加工能力数据对应的工厂生产能力评分和与加工面料数据对应的工厂生产能力评分,确定多个工厂标识各自对应的工厂生产能力评分。
4.根据权利要求1所述的智能派单方法,其特征在于,所述基于新订单的款式图和所述多个工厂标识各自对应的工厂数据,确定所述多个工厂标识各自对应的工厂评分,包括:
获取认证工厂名单,其中,认证工厂名单中包括至少一个认证工厂对应的工厂标识;
基于认证工厂名单、所述多个工厂标识,确定每一工厂标识各自的附加评分,其中,若某一工厂标识在认证工厂名单内,则附加评分不为0,否则附加评分为0;
基于新订单的款式图、所述多个工厂标识各自对应的工厂数据和附加评分,确定多个工厂标识各自对应的工厂评分。
5.根据权利要求1-4任一项所述的智能派单方法,其特征在于,所述基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识之后,还包括:
实时获取多个工厂标识各自对应的订单处理数据,其中,订单处理数据包括接单时间信息、订单入仓数量、完成且未返工订单数量和订单发货数量;
基于预设更新周期和订单信息更新多个工厂标识各自对应的工厂订单处理等级评分。
6.根据权利要求1-4任一项所述的智能派单方法,其特征在于,所述获取多个工厂标识和各自对应的工厂数据之前,还包括:
获取款式模型库中的所有工厂标识对应的历史款式图;
基于新订单的款式图、所有工厂标识各自对应的历史款式图,从所有工厂标识对应的历史款式图中确定与新订单的款式图对应的多个相似款式图;
基于所述多个相似款式图和工厂标识款式数据库,确定与所述多个相似款式图各自对应的工厂标识,以得到所述多个工厂标识。
7.一种智能派单装置,其特征在于,包括:
获取模块,用于当接收到新订单派单请求时,获取订单信息,所述订单信息包括:新订单的款式图和订单数据;
工厂评分确定模块,用于获取多个工厂标识和各自对应的工厂数据,并基于新订单的款式图和所述多个工厂标识各自对应的工厂数据,确定所述多个工厂标识各自对应的工厂评分,所述工厂评分用于评判工厂加工新订单的加工能力;
目标工厂标识确定模块,用于基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识;
订单信息派发模块,用于将所述订单信息派发至加工厂对应的终端,所述加工厂表征与目标工厂标识对应的工厂;
其中,所述工厂数据包括工厂订单处理等级评分、工厂生产能力评分和历史订单款式图,
所述工厂评分确定模块在执行基于新订单的款式图和所述多个工厂标识各自对应的工厂数据,确定多个工厂标识各自对应的工厂评分时,用于:
基于新订单的款式图和多个工厂标识各自对应的历史订单款式图进行款式相似度计算,确定新订单的款式图和多个历史订单款式图各自的款式图片相似度;
基于所述款式图片相似度和款式图片相似度与工厂款式评分的对应关系,确定多个工厂标识各自对应的工厂款式评分;
基于所述多个工厂标识各自对应的订单处理等级评分、工厂生产能力评分和工厂款式评分,确定多个工厂标识各自对应的工厂评分;
其中,所述订单数据至少包括订单交付日期信息和订单加工时长,所述目标工厂标识确定模块在执行基于所述多个工厂标识各自对应的工厂评分,从所述多个工厂标识中确定最高工厂评分对应的目标工厂标识时,用于 :
基于所述多个工厂标识各自对应的工厂评分,确定最高工厂评分对应的初始目标工厂标识;
若初始目标工厂标识的数量不小于为2个,则获取所有初始目标工厂标识各自对应的订单排期信息;
基于订单排期信息、交付日期信息和订单加工时长,确定从所有初始目标工厂标识中确定目标工厂标识,所述目标工厂标识对应的工厂能够在交付日期信息前完成订单交付任务;
其中,所述工厂评分确定模块在执行获取所述多个工厂标识时,用于:
基于所述新订单的款式图和所有工厂标识各自对应的历史款式图,确定相似度;
基于所述所有工厂标识各自对应的相似度和所述所有工厂标识,确定所述多个工厂标识;
其中,所述工厂评分确定模块在执行确定新订单的款式图和多个历史订单款式图各自对应的款式图片相似度时,用于:
将所述新订单的款式图和所述多个历史订单款式图输入至预设的款式图特征提取模型,得到所述新订单的款式图的特征向量和所述多个历史订单款式图各自对应的的特征向量;
基于所述新订单的款式图的特征向量 、所述多个历史订单款式图的特征向量和线性回归算法,确定所述新订单的款式图和所述多个历史订单款式图各自对应的款式图片相似度。
8.一种电子设备,其特征在于,包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~6任一项所述的智能派单方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310455864.1A CN116542456B (zh) | 2023-04-25 | 2023-04-25 | 一种智能派单方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310455864.1A CN116542456B (zh) | 2023-04-25 | 2023-04-25 | 一种智能派单方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542456A CN116542456A (zh) | 2023-08-04 |
CN116542456B true CN116542456B (zh) | 2023-12-01 |
Family
ID=87453491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310455864.1A Active CN116542456B (zh) | 2023-04-25 | 2023-04-25 | 一种智能派单方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542456B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117472300B (zh) * | 2023-11-03 | 2024-06-14 | 深圳市金石三维打印科技有限公司 | 一种分布式3d打印制造平台的订单派单方法和系统 |
CN117314505B (zh) * | 2023-11-29 | 2024-03-05 | 深圳市易图资讯股份有限公司 | 一种基于arima模型的大数据处理方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005284626A (ja) * | 2004-03-29 | 2005-10-13 | Jfe Steel Kk | 現品充当システムにおけるオーダロット単位の製造進捗評価装置及び方法 |
CN107146035A (zh) * | 2017-05-19 | 2017-09-08 | 中原工学院 | 针织服装大货生产中批量系数的计算方法 |
CN110335102A (zh) * | 2019-05-09 | 2019-10-15 | 中山易裁剪网络科技有限公司 | 一种服务平台给服装加工工厂配置订单的系统 |
WO2022228176A1 (zh) * | 2021-04-25 | 2022-11-03 | 阿里巴巴(中国)有限公司 | 一种订单处理方法、设备及存储介质 |
CN115660310A (zh) * | 2022-08-18 | 2023-01-31 | 杉数科技(北京)有限公司 | 服装订单的生产分配方法、装置、介质及电子设备 |
CN115880027A (zh) * | 2022-12-12 | 2023-03-31 | 深圳市宝视佳科技有限公司 | 一种电子商务网站商品季节性预测模型创建方法 |
-
2023
- 2023-04-25 CN CN202310455864.1A patent/CN116542456B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005284626A (ja) * | 2004-03-29 | 2005-10-13 | Jfe Steel Kk | 現品充当システムにおけるオーダロット単位の製造進捗評価装置及び方法 |
CN107146035A (zh) * | 2017-05-19 | 2017-09-08 | 中原工学院 | 针织服装大货生产中批量系数的计算方法 |
CN110335102A (zh) * | 2019-05-09 | 2019-10-15 | 中山易裁剪网络科技有限公司 | 一种服务平台给服装加工工厂配置订单的系统 |
WO2022228176A1 (zh) * | 2021-04-25 | 2022-11-03 | 阿里巴巴(中国)有限公司 | 一种订单处理方法、设备及存储介质 |
CN115660310A (zh) * | 2022-08-18 | 2023-01-31 | 杉数科技(北京)有限公司 | 服装订单的生产分配方法、装置、介质及电子设备 |
CN115880027A (zh) * | 2022-12-12 | 2023-03-31 | 深圳市宝视佳科技有限公司 | 一种电子商务网站商品季节性预测模型创建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116542456A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116542456B (zh) | 一种智能派单方法、装置和设备 | |
CN107993144A (zh) | 客户风险等级确定方法、装置、设备及可读存储介质 | |
CN109919781A (zh) | 团伙欺诈案件识别方法、电子装置及计算机可读存储介质 | |
CN110689355A (zh) | 客户分类方法、装置、计算机设备和存储介质 | |
US10699225B2 (en) | Production management support apparatus, production management support method, and production management support program | |
CN108038655A (zh) | 部门需求的推荐方法、应用服务器及计算机可读存储介质 | |
CN111835561A (zh) | 基于用户行为数据的异常用户群体检测方法、装置、设备 | |
CN111639706A (zh) | 基于图像集的个人风险画像生成方法及相关设备 | |
CN115619270A (zh) | 数据资产管理方法、装置、计算机设备、存储介质 | |
CN115082225A (zh) | 一种企业融资风险的评估方法和装置 | |
CN115082153A (zh) | 一种商家质量评价方法、装置、电子设备及存储介质 | |
CN111160929B (zh) | 一种客户类型的确定方法及装置 | |
CN112580915A (zh) | 一种项目里程碑确定方法、装置、存储介质及电子设备 | |
JP6489340B1 (ja) | 比較対象企業選定システム | |
CN110619564B (zh) | 一种反欺诈特征生成方法和装置 | |
CN111080364A (zh) | 一种工程造价数据中心管理系统及装置 | |
CN111260155A (zh) | 粮食加工的工序优化方法、装置、电子设备及存储介质 | |
CN115222370A (zh) | 多维度创业孵化项目评测方法、系统及电子设备 | |
CN115358894A (zh) | 一种知识产权生命周期托管管理方法、装置、设备及介质 | |
JP2020004161A (ja) | 審査支援装置、審査支援方法、およびサービス提供方法 | |
CN115438812A (zh) | 输电设备全生命管理方法、装置、计算机设备和存储介质 | |
CN115249131A (zh) | 确定员工工作质量的数据处理方法及装置和介质和程序 | |
US20200342302A1 (en) | Cognitive forecasting | |
CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 | |
CN110837951A (zh) | 业务渠道的排序方法及装置和电子设备 |
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 |