CN116611751A - 逆向物流时效预测方法、装置、设备及存储介质 - Google Patents
逆向物流时效预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116611751A CN116611751A CN202310499905.7A CN202310499905A CN116611751A CN 116611751 A CN116611751 A CN 116611751A CN 202310499905 A CN202310499905 A CN 202310499905A CN 116611751 A CN116611751 A CN 116611751A
- Authority
- CN
- China
- Prior art keywords
- time
- predicted
- information
- delivery
- transfer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000032683 aging Effects 0.000 title claims abstract description 55
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 148
- 238000012546 transfer Methods 0.000 claims abstract description 136
- 238000012795 verification Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 11
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/08—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"
-
- 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
- G06Q10/0833—Tracking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及快件配送技术领域,尤其涉及逆向物流时效预测方法、装置、设备及存储介质,所述方法包括:获取并格式校验快件的物流信息;根据收件地址和寄件地址生成运输路线,根据寄件地址以及配送网点计算运输时间;当物流状态为揽件状态时,获取揽件时间;获取中转网点的第一网点信息以及中转网点在配送时间的预测调拨量,根据第一网点信息和预测调拨量得到预测调拨时间,并计算到达时间;获取配送网点的第二网点信息以及配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至时间预测模型,得到预测配送时间,并计算预测总时间;本申请公开的方法,考虑了多种因素对预测总时间的影响,得到的预测总时间具有准确度高的优点。
Description
技术领域
本发明涉及快件配送技术领域,尤其涉及一种逆向物流时效预测方法、装置、设备及存储介质。
背景技术
随着电子商务的发展,物流技术也不断成熟,快递不仅被要求准确送达客户要求的地址,还要保证快递到达的时间必须尽早;现有的物流技术中,部分快递公司并不能在快递运输过程中向客户提供准确的预计到达时间,导致客户无法有效安排取件事宜,进而影响用户取件体检。
站在整体供应链的角度,完全的物流系统包括正向物流和逆向物流,两者有着许多共同点,如都具有包装、装卸、储存、运输等环节,但相比之下,逆向物流的不稳定性更大、复杂性也较高;在消费升级和新零售的大环境下,退换货承诺被电商企业视为增加客户粘性、提升营业额的重要手段,例如,目前线上电商推出了“7天无理由退换货”、“随心换”等措施,以提高消费者满意度与复购率;相关数据显示,一般鞋服品牌的退货率在20%~30%,有的品牌甚至会高达50%,如何快速高效处理退货,加快商品流通,且如何准确预测逆向物流的预计到达时间,成为物流发展过程中绕不开的问题。
可见,现有技术还有待改进和提高。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种逆向物流时效预测方法、装置、设备及存储介质,考虑了多种因素对时间的影响,所生成的预测总时间具有准确度高的优点。
本发明第一方面提供了一种逆向物流时效预测方法,包括:获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验;根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间;判断快件的物流状态是否为揽件状态,若是,获取揽件时间;获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间;获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间。
可选的,在本发明第一方面的第一种实施方式中,所述获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验,具体包括:响应于逆向物流请求,获取快件的物流信息,所述物流信息包括收件地址和寄件地址;采用预先设置的地址校验规则分别对收件地址和寄件地址进行格式校验;若收件地址和寄件地址均任一不通过格式校验,生成并返回错误信息。
可选的,在本发明第一方面的第二种实施方式中,所述根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间,具体包括:采用GIS系统,将寄件地址和收件地址分别转换为寄件坐标和收件坐标;调用地图API,根据寄件坐标和收件坐标生成初始路线;根据初始路线匹配中转网点和配送网点,调用地图API,生成运输路线;采用GIS系统,分别将中转网点和配送网点转换为中转坐标和配送坐标,计算寄件地址与第一中转网点之间所需运输时间、相邻中转网点之间所需运输时间以及最后中转网点与配送网点之间所需运输时间,汇总所有运输时间,得到总运输时间。
可选的,在本发明第一方面的第三种实施方式中,所述根据初始路线匹配中转网点和配送网点,调用地图API,生成运输路线,具体包括:将初始路线输入至预设的网点地图,所述网点地图包括多个网点的坐标;以收件坐标为圆点,以预设半径R作圆,生成选取区域,在选取区域内选取与收件坐标直线距离最短的网点作为配送网点;根据初始路线所途径的市区和乡镇,匹配一个或多个中转网点;调用地图API,根据初始路线、一个或多个中转网点的坐标以及配送网点的坐标,生成运输路线。
可选的,在本发明第一方面的第四种实施方式中,所述判断快件的物流状态是否为揽件状态,若是,获取揽件时间,具体包括:当接收到状态更新请求时,获取更新内容,所述更新内容包括物流状态,所述物流状态包括发货状态和揽件状态;当物流状态为揽件状态时,获取发货信息和揽件信息,所述发货信息包括发货时间,所述揽件信息包括揽件时间;根据预设的更新规则整理发货信息和揽件信息,生成并输出更新指令。
可选的,在本发明第一方面的第五种实施方式中,所述获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间,具体包括:获取中转网点的第一网点信息,所述第一网点信息包括调拨人员数量和调拨车辆数量;计算与中转网点对应的累计运输时间,采用基于SPSS皮尔逊相关性预测模型获取中转网点在累计运输时间的预测调拨量;将调拨人员数量、调拨车辆数量和预测调拨量输入至预先训练的基于多任务学习的模型,得到预测调拨时间;根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间。
可选的,在本发明第一方面的第六种实施方式中,所述获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间具体包括:获取配送网点的第二网点信息,所述第二网点信息包括配送人员数量;采用基于SPSS皮尔逊相关性预测模型获取配送网点在到达时间的预测配送量;将配送人员数量和预测配送量输入至预先训练的基于多任务学习的模型,得到预测配送时间;根据所述到达时间以及所述预测配送时间计算预测总时间。
本发明第二方面提供了一种逆向物流时效预测装置,包括:获取模块,用于获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验;路线生成模块,用于根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间;判断模块,用于判断快件的物流状态是否为揽件状态,若是,获取揽件时间;第一计算模块,用于获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间;第二计算模块,用于获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间。
可选的,在本发明第二方面的第一种实现方式中,所述获取模块包括:第一获取单元,用于响应于逆向物流请求,获取快件的物流信息,所述物流信息包括收件地址和寄件地址;校验单元,用于采用预先设置的地址校验规则分别对收件地址和寄件地址进行格式校验;返回单元,用于若收件地址和寄件地址均任一不通过格式校验,生成并返回错误信息。
可选的,在本发明第二方面的第二种实现方式中,所述路线生成模块包括:转换单元,用于采用GIS系统,将寄件地址和收件地址分别转换为寄件坐标和收件坐标;第一生成单元,用于调用地图API,根据寄件坐标和收件坐标生成初始路线;第二生成单元,用于根据初始路线匹配中转网点和配送网点,调用地图API,生成运输路线;第一计算单元,用于采用GIS系统,分别将中转网点和配送网点转换为中转坐标和配送坐标,计算寄件地址与第一中转网点之间所需运输时间、相邻中转网点之间所需运输时间以及最后中转网点与配送网点之间所需运输时间,汇总所有运输时间,得到总运输时间。
可选的,在本发明第二方面的第三种实现方式中,所述路线生成模块还包括:处理单元,用于将初始路线输入至预设的网点地图,所述网点地图包括多个网点的坐标;选取单元,用于以收件坐标为圆点,以预设半径R作圆,生成选取区域,在选取区域内选取与收件坐标直线距离最短的网点作为配送网点;匹配单元,用于根据初始路线所途径的市区和乡镇,匹配一个或多个中转网点;第三生成单元,用于调用地图API,根据初始路线、一个或多个中转网点的坐标以及配送网点的坐标,生成运输路线。
可选的,在本发明第二方面的第四种实现方式中,所述判断模块包括:第二获取单元,用于当接收到状态更新请求时,获取更新内容,所述更新内容包括物流状态,所述物流状态包括发货状态和揽件状态;第三获取单元,用于当物流状态为揽件状态时,获取发货信息和揽件信息,所述发货信息包括发货时间,所述揽件信息包括揽件时间;更新单元,用于根据预设的更新规则整理发货信息和揽件信息,生成并输出更新指令。
可选的,在本发明第二方面的第五种实现方式中,所述第一计算模块包括:第四获取单元,用于获取中转网点的第一网点信息,所述第一网点信息包括调拨人员数量和调拨车辆数量;第一预测单元,用于计算与中转网点对应的累计运输时间,采用基于SPSS皮尔逊相关性预测模型获取中转网点在累计运输时间的预测调拨量;第二预测单元,用于将调拨人员数量、调拨车辆数量和预测调拨量输入至预先训练的基于多任务学习的模型,得到预测调拨时间;第二计算单元,用于根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间。
可选的,在本发明第二方面的第六种实现方式中,所述第二计算模块包括:第五获取单元,用于获取配送网点的第二网点信息,所述第二网点信息包括配送人员数量;第三预测单元,用于采用基于SPSS皮尔逊相关性预测模型获取配送网点在到达时间的预测配送量;第四预测单元,用于将配送人员数量和预测配送量输入至预先训练的基于多任务学习的模型,得到预测配送时间;第三计算单元,用于根据所述到达时间以及所述预测配送时间计算预测总时间。
本发明第三方面提供了一种逆向物流时效预测设备,所述逆向物流时效预测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;至少一个所述处理器调用所述存储器中的所述指令,以使得所述逆向物流时效预测设备执行上述任一项所述的逆向物流时效预测方法的各个步骤。
本发明的第四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上存储有指令,所述指令被处理器执行时实现上述任一项所述逆向物流时效预测方法的各个步骤。
本发明的技术方案中,通过获取并格式校验快件的物流信息;根据收件地址和寄件地址生成运输路线,根据寄件地址以及配送网点计算运输时间;当物流状态为揽件状态时,获取揽件时间;获取中转网点的第一网点信息以及中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至时间预测模型,得到预测调拨时间,并计算到达时间;获取配送网点的第二网点信息以及配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至时间预测模型,得到预测配送时间,并计算预测总时间;本申请公开的方法,考虑了快递运输过程和配送过程中多种可能对时间产生影响的因素,所得到的预测总时间具有准确度高、可靠性佳的优点,方便客户根据预测总时间预先安排收件事宜,提高用户的收件体验。
附图说明
图1为本发明实施例提供的逆向物流时效预测方法的第一种流程图;
图2为本发明实施例提供的逆向物流时效预测方法的第二种流程图;
图3为本发明实施例提供的逆向物流时效预测方法的第三种流程图;
图4为本发明实施例提供的逆向物流时效预测方法的第四种流程图;
图5为本发明实施例提供的逆向物流时效预测方法的第五种流程图;
图6为本发明实施例提供的逆向物流时效预测方法的第六种流程图;
图7为本发明实施例提供的逆向物流时效预测装置的一种结构示意图;
图8为本发明实施例提供的逆向物流时效预测装置的另一种结构示意图;
图9为本发明实施例提供的逆向物流时效预测设备的结构示意图。
具体实施方式
本发明提供了一种逆向物流时效预测方法、装置、设备及存储介质,本发明公开的技术方案中,通过获取并格式校验快件的物流信息;根据收件地址和寄件地址生成运输路线,根据寄件地址以及配送网点计算运输时间;当物流状态为揽件状态时,获取揽件时间;获取中转网点的第一网点信息以及中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至时间预测模型,得到预测调拨时间,并计算到达时间;获取配送网点的第二网点信息以及配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至时间预测模型,得到预测配送时间,并计算预测总时间;本申请公开的方法,考虑了快递运输过程和配送过程中多种可能对时间产生影响的因素,所得到的预测总时间具有准确度高、可靠性佳的优点,方便客户根据预测总时间预先安排收件事宜,提高用户的收件体验。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中逆向物流时效预测方法的一个实施例包括:
101、获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验;
在本实施例中,当收到快件的物流信息时,先对物流信息进行格式校验,确保所获取的物流信息准确有效,确保后续所生成的预测总时间准确有效;所述物流信息还包括订单号,当物流信息通过格式校验后,将物流信息存储至预先选择的数据库,可根据订单号在数据库中进行物流信息的快速查询。
102、根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间;
在本实施例中,通过生成运输路线,考虑运输路线的构成对预测总时间的影响,提高所得到的预测总时间的准确率。
103、判断快件的物流状态是否为揽件状态,若是,获取揽件时间;
在本实施例中,当客户上传取件请求时,客户反馈状态更新请求,或当快递公司揽件后,快递公司反馈状态更新请求,系统根据状态更新请求以确认快件的物流状态;采用揽件时间作为预测总时间的起始点,可进一步提高预测总时间的准确率。
104、获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间;
105、获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间。
本申请公开了一种逆向物流时效预测方法,通过获取并格式校验快件的物流信息;根据收件地址和寄件地址生成运输路线,根据寄件地址以及配送网点计算运输时间;当物流状态为揽件状态时,获取揽件时间;获取中转网点的第一网点信息以及中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至时间预测模型,得到预测调拨时间,并计算到达时间;获取配送网点的第二网点信息以及配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至时间预测模型,得到预测配送时间,并计算预测总时间;本申请公开的方法,考虑了快递运输过程和配送过程中多种可能对时间产生影响的因素,所得到的预测总时间具有准确度高、可靠性佳的优点,方便客户根据预测总时间预先安排收件事宜,提高用户的收件体验。
请参阅图2,本发明实施例中逆向物流时效预测方法的第二个实施例包括:
201、响应于逆向物流请求,获取快件的物流信息,所述物流信息包括收件地址和寄件地址;
在本实施中,所述逆向物流请求可由需退换货的客户通过物流APP或通过电商APP发起,当需退换货的客户在物流APP提交退换货订单或在电商APP点击售后服务时,表明反馈逆向物流请求。
202、采用预先设置的地址校验规则分别对收件地址和寄件地址进行格式校验;
203、若收件地址和寄件地址均任一不通过格式校验,生成并返回错误信息;
在本实施例中,所述地址校验规则为:地址需包括省份、市区、乡镇、街道、具体门牌号或具体公司名称;当缺少任一因素时,表明格式校验不通过,根据具体缺少的因素返回错误信息,所述错误信息为提醒弹窗;举例说明,当寄件地址缺少具体门牌号时,返回错误信息,提醒弹窗显示文案“寄件地址缺少具体门牌号,请补充”;当收件地址和寄件地址均通过格式校验时,将快件的物流信息存储至预先选择的数据库中,并执行后续步骤。
请参阅图3,本发明实施例中逆向物流时效预测方法的第三个实施例包括:
301、采用GIS系统,将寄件地址和收件地址分别转换为寄件坐标和收件坐标;
在本实施例中,所述坐标均指经纬度坐标;所述GIS系统为地理信息系统,地理信息系统是将计算机硬件、软件、地理数据以及系统管理人员组织而成的对任一形式的地理信息进行高效获取、存储、更新、操作、分析及显示的集成;地理信息系统的操作对象为空间数据,空间数据包括地理数据、属性数据、几何数据、时间数据,GIS对空间数据的管理与操作,是GIS区别于其它信息系统的根本标志;GIS独特的地理空间分析能力、快速的空间定位搜索和复杂的查询功能、强大的图形处理和表达、空间模拟和空间决策支持等,可产生常规方法难以获得的重要信息;地理学是GIS的理论依托,为GIS提供有关空间分析的基本观点和方法;测绘学为GIS提供各种定位数据,其理论和算法可直接用于空间数据的变换和处理。
302、调用地图API,根据寄件坐标和收件坐标生成初始路线;
在本实施例中,所述地图API为百度地图API,百度地图API是一套基于百度地图服务的应用接口,包括JavaScript API、Web服务API、Android SDK、iOS SDK、定位SDK、车联网API、LBS云等多种开发工具与服务,提供基本地图展现、搜索、定位、逆/地理编码、路线规划、LBS云存储与检索等功能;通过百度地图API可实现初始路线的生成。
303、根据初始路线匹配中转网点和配送网点,调用地图API,生成运输路线;
在本实施例中,运输路线除考虑寄件地址和收件地址外,还需考虑运输途中的中转网点和配送网点,确保所生成的运输路径的准确度。
304、采用GIS系统,分别将中转网点和配送网点转换为中转坐标和配送坐标,计算寄件地址与第一中转网点之间所需运输时间、相邻中转网点之间所需运输时间以及最后中转网点与配送网点之间所需运输时间,汇总所有运输时间,得到总运输时间;
在本实施例中,当完成中转网点和配送网点的匹配后,采用GIS系统,先根据寄件地址的寄件坐标和与之相邻的中转网点的中转坐标计算运输时间,再根据与寄件地址相邻的中转网点的中转坐标与下一中转网点的中转坐标计算运输时间,依次类推,直至根据最后一个中转网点的中转坐标与配送网点的配送坐标计算运输时间,汇总所有的运输时间,得到寄件地址到达配送网点所需的总运输时间,该总运输时间未考虑中转网点调拨货物所需时间和配送所需时间。
请参阅图3,本发明实施例中逆向物流时效预测方法的第四个实施例包括:
3031、将初始路线输入至预设的网点地图,所述网点地图包括多个网点的坐标;
在本实施例中,根据GIS系统所生成的初始路线在网点地图中匹配网点,以确认哪些网点为中转网点,哪个网点为配送网点。
3032、以收件坐标为圆点,以预设半径R作圆,生成选取区域,在选取区域内选取与收件坐标直线距离最短的网点作为配送网点;
在本实施例中,先生成一个选取区域,再在选取区域内选取配送网点,确保所选取的配送网点的准确率和有效性。
3033、根据初始路线所途径的市区和乡镇,匹配一个或多个中转网点;
在本实施例中,根据快件的市区跨越数和乡镇跨越数,确认快件需调拨次数,即确认快件需停留的中转网点的数量,根据所确认的中转网点的数量匹配中转网点。
3034、调用地图API,根据初始路线、一个或多个中转网点的坐标以及配送网点的坐标,生成运输路线;
在本实施例中,所述运输路线连接寄件坐标、一个或多个中转坐标以及配送坐标。
请参阅图4,本发明实施例中逆向物流时效预测方法的第五个实施例包括:
401、当接收到状态更新请求时,获取更新内容,所述更新内容包括物流状态,所述物流状态包括发货状态和揽件状态;
402、当物流状态为揽件状态时,获取发货信息和揽件信息,所述发货信息包括发货时间,所述揽件信息包括揽件时间;
403、根据预设的更新规则整理发货信息和揽件信息,生成并输出更新指令;
在本实施例中,所述更新规则包括,发货状态展示发货时间,所述发货时间包括年月日和具体时间,揽件状态展示揽件时间和揽件方名称,所述揽件时间包括年月日和具体时间;根据更新规则整理发货信息和揽件信息,并根据整理后的信息生成更新指令,将更新指令返回至逆向物流请求发起端,以实现物流信息的实时更新。
请参阅图5,本发明实施例中逆向物流时效预测方法的第六个实施例包括:
501、获取中转网点的第一网点信息,所述第一网点信息包括调拨人员数量和调拨车辆数量;
502、计算与中转网点对应的累计运输时间,采用基于SPSS皮尔逊相关性预测模型获取中转网点在累计运输时间的预测调拨量;
在本实施例中,计算与中转网点对应的累计运输时间,是指计算到达该中转网点所需的累计运输时间,举例说明,若中转网点为与寄件地址相邻的中转网点,则其累计运输时间为从寄件坐标到达寄件坐标相邻的中转坐标所需的运输时间;若中转网点为与配送网点相邻的中转网点,则累计运输时间为寄件地址与第一中转网点之间所需运输时间以及相邻中转网点之间所需运输时间的总和。
在本实施例中,当变量是定序变量时,需要通过皮尔逊相关系数(Pearsoncorrelation coefficient)来验证变量之间是否存在显著的相关性;先在基于SPSS皮尔逊相关性预测模型导入第一网点信息和累计运输时间,再进行pearson相关性分析,即可得出中转网点在累计运输时间的预测调拨量;选取该中转网点近五个月的调拨数据,所述调拨数据包括实际调拨量和与实际调拨量对应的日期,将前四个月的调拨数据作为训练样本输入至基于SPSS皮尔逊相关性预测模型中以进行训练,完成训练后,将最后一个月的调拨数据作为检测样本输入至基于SPSS皮尔逊相关性预测模型中以进行优化,得到完成训练的调拨量预测模型。
503、将调拨人员数量、调拨车辆数量和预测调拨量输入至预先训练的基于多任务学习的模型,得到预测调拨时间;
在本实施例中,所述基于多任务学习的模型为MTDTN模型,基于多任务学习的模型使用地理信息编码、卷积操作以及双向长短时记忆网络来捕获配送行为的时空关系,并使用多任务学习框架,引入顺序预测辅助任务,提高了模型预测性能;选取该中转网点近五个月的调拨数据,所述调拨数据包括多个日期以及与日期对应的实际调拨量、调拨人员数量和调拨车辆数量,将前四个月的调拨数据作为训练样本输入至基于多任务学习的模型中以进行训练,完成训练后,将最后一个月的调拨数据作为检测样本输入至基于多任务学习的模型中以进行优化,得到完成训练的时间预测模型。
504、根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间;
在本实施例中,所述到达时间等于揽件时间+总运输时间+各个中转网点的预测调拨时间。
请参阅图6,本发明实施例中逆向物流时效预测方法的第七个实施例包括:
601、获取配送网点的第二网点信息,所述第二网点信息包括配送人员数量;
602、采用基于SPSS皮尔逊相关性预测模型获取配送网点在到达时间的预测配送量;
在本实施例中,当变量是定序变量时,需要通过皮尔逊相关系数(Pearsoncorrelation coefficient)来验证变量之间是否存在显著的相关性;先在基于SPSS皮尔逊相关性预测模型导入第二网点信息和到达时间,再进行pearson相关性分析,即可得出配送网点在到达时间的预测配送量;选取该配送网点近五个月的配送数据,所述配送数据包括实际配送量和与实际配送量对应的日期,将前四个月的配送数据作为训练样本输入至基于SPSS皮尔逊相关性预测模型中以进行训练,完成训练后,将最后一个月的配送数据作为检测样本输入至基于SPSS皮尔逊相关性预测模型中以进行优化,得到完成训练的配送量预测模型。
603、将配送人员数量和预测配送量输入至预先训练的基于多任务学习的模型,得到预测配送时间;
在本实施例中,在本实施例中,所述基于多任务学习的模型为MTDTN模型,基于多任务学习的模型使用地理信息编码、卷积操作以及双向长短时记忆网络来捕获配送行为的时空关系,并使用多任务学习框架,引入顺序预测辅助任务,提高了模型预测性能;选取该配送网点近五个月的配送数据,所述配送数据包括多个日期以及与日期对应的实际配送量和配送人员数量,将前四个月的配送数据作为训练样本输入至基于多任务学习的模型中以进行训练,完成训练后,将最后一个月的配送数据作为检测样本输入至基于多任务学习的模型中以进行优化,得到完成训练的时间预测模型。
604、根据所述到达时间以及所述预测配送时间计算预测总时间;
在本实施例中,所述预测总时间为所述到达时间与所述预测配送时间之和,所述预测总时间包括年月日和具体时间。
上面对本发明实施例中逆向物流时效预测方法进行了描述,下面对本发明实施例中逆向物流时效预测装置进行描述,请参阅图7,本发明实施例中逆向物流时效预测装置的一个实施例包括:获取模块701,用于获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验;路线生成模块702,用于根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间;判断模块703,用于判断快件的物流状态是否为揽件状态,若是,获取揽件时间;第一计算模块704,用于获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间;第二计算模块705,用于获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间。
请参阅图8,本实施例中逆向物流时效预测装置的另一个实施例包括:
获取模块701,用于获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验;
路线生成模块702,用于根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间;
判断模块703,用于判断快件的物流状态是否为揽件状态,若是,获取揽件时间;
第一计算模块704,用于获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间;
第二计算模块705,用于获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间;
在本实施例中,所述获取模块701包括:第一获取单元7011,用于响应于逆向物流请求,获取快件的物流信息,所述物流信息包括收件地址和寄件地址;校验单元7012,用于采用预先设置的地址校验规则分别对收件地址和寄件地址进行格式校验;返回单元7013,用于若收件地址和寄件地址均任一不通过格式校验,生成并返回错误信息。
在本实施例中,所述路线生成模块702包括:转换单元7021,用于采用GIS系统,将寄件地址和收件地址分别转换为寄件坐标和收件坐标;第一生成单元7022,用于调用地图API,根据寄件坐标和收件坐标生成初始路线;第二生成单元7023,用于根据初始路线匹配中转网点和配送网点,调用地图API,生成运输路线;第一计算单元7024,用于采用GIS系统,分别将中转网点和配送网点转换为中转坐标和配送坐标,计算寄件地址与第一中转网点之间所需运输时间、相邻中转网点之间所需运输时间以及最后中转网点与配送网点之间所需运输时间,汇总所有运输时间,得到总运输时间。
在本实施例中,所述路线生成模块702还包括:处理单元7025,用于将初始路线输入至预设的网点地图,所述网点地图包括多个网点的坐标;选取单元7026,用于以收件坐标为圆点,以预设半径R作圆,生成选取区域,在选取区域内选取与收件坐标直线距离最短的网点作为配送网点;匹配单元7027,用于根据初始路线所途径的市区和乡镇,匹配一个或多个中转网点;第三生成单元7028,用于调用地图API,根据初始路线、一个或多个中转网点的坐标以及配送网点的坐标,生成运输路线。
在本实施例中,所述判断模块703包括:第二获取单元7031,用于当接收到状态更新请求时,获取更新内容,所述更新内容包括物流状态,所述物流状态包括发货状态和揽件状态;第三获取单元7032,用于当物流状态为揽件状态时,获取发货信息和揽件信息,所述发货信息包括发货时间,所述揽件信息包括揽件时间;更新单元7033,用于根据预设的更新规则整理发货信息和揽件信息,生成并输出更新指令。
在本实施例中,所述第一计算模块704包括:第四获取单元7041,用于获取中转网点的第一网点信息,所述第一网点信息包括调拨人员数量和调拨车辆数量;第一预测单元7042,用于计算与中转网点对应的累计运输时间,采用基于SPSS皮尔逊相关性预测模型获取中转网点在累计运输时间的预测调拨量;第二预测单元7043,用于将调拨人员数量、调拨车辆数量和预测调拨量输入至预先训练的基于多任务学习的模型,得到预测调拨时间;第二计算单元7044,用于根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间。
在本实施例中,所述第二计算模块705包括:第五获取单元7051,用于获取配送网点的第二网点信息,所述第二网点信息包括配送人员数量;第三预测单元7052,用于采用基于SPSS皮尔逊相关性预测模型获取配送网点在到达时间的预测配送量;第四预测单元7053,用于将配送人员数量和预测配送量输入至预先训练的基于多任务学习的模型,得到预测配送时间;第三计算单元7054,用于根据所述到达时间以及所述预测配送时间计算预测总时间。
上面图7和图8从模块化功能实体的角度对本发明实施例中的逆向物流时效预测装置进行详细描述,下面从硬件处理的角度对本发明实施例中逆向物流时效预测设备进行详细描述。
图9是本发明实施例提供的一种逆向物流时效预测设备的结构示意图,该逆向物流时效预测设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对逆向物流时效预测设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在逆向物流时效预测设备800上执行存储介质830中的一系列指令操作,以实现上述各方法实施例提供的逆向物流时效预测方法的步骤。
逆向物流时效预测设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,本申请示出的逆向物流时效预测设备结构并不构成对基于逆向物流时效预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行逆向物流时效预测方法的步骤。
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,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种逆向物流时效预测方法,其特征在于,包括:
获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验;
根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间;
判断快件的物流状态是否为揽件状态,若是,获取揽件时间;
获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间;
获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间。
2.根据权利要求1所述的一种逆向物流时效预测方法,其特征在于,所述获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验,具体包括:
响应于逆向物流请求,获取快件的物流信息,所述物流信息包括收件地址和寄件地址;
采用预先设置的地址校验规则分别对收件地址和寄件地址进行格式校验;
若收件地址和寄件地址均任一不通过格式校验,生成并返回错误信息。
3.根据权利要求1所述的一种逆向物流时效预测方法,其特征在于,所述根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间,具体包括:
采用GIS系统,将寄件地址和收件地址分别转换为寄件坐标和收件坐标;
调用地图API,根据寄件坐标和收件坐标生成初始路线;
根据初始路线匹配中转网点和配送网点,调用地图API,生成运输路线;
采用GIS系统,分别将中转网点和配送网点转换为中转坐标和配送坐标,计算寄件地址与第一中转网点之间所需运输时间、相邻中转网点之间所需运输时间以及最后中转网点与配送网点之间所需运输时间,汇总所有运输时间,得到总运输时间。
4.根据权利要求3所述的一种逆向物流时效预测方法,其特征在于,所述根据初始路线匹配中转网点和配送网点,调用地图API,生成运输路线,具体包括:
将初始路线输入至预设的网点地图,所述网点地图包括多个网点的坐标;
以收件坐标为圆点,以预设半径R作圆,生成选取区域,在选取区域内选取与收件坐标直线距离最短的网点作为配送网点;
根据初始路线所途径的市区和乡镇,匹配一个或多个中转网点;
调用地图API,根据初始路线、一个或多个中转网点的坐标以及配送网点的坐标,生成运输路线。
5.根据权利要求1所述的一种逆向物流时效预测方法,其特征在于,所述判断快件的物流状态是否为揽件状态,若是,获取揽件时间,具体包括:
当接收到状态更新请求时,获取更新内容,所述更新内容包括物流状态,所述物流状态包括发货状态和揽件状态;
当物流状态为揽件状态时,获取发货信息和揽件信息,所述发货信息包括发货时间,所述揽件信息包括揽件时间;
根据预设的更新规则整理发货信息和揽件信息,生成并输出更新指令。
6.根据权利要求1所述的一种逆向物流时效预测方法,其特征在于,所述获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间,具体包括:
获取中转网点的第一网点信息,所述第一网点信息包括调拨人员数量和调拨车辆数量;
计算与中转网点对应的累计运输时间,采用基于SPSS皮尔逊相关性预测模型获取中转网点在累计运输时间的预测调拨量;
将调拨人员数量、调拨车辆数量和预测调拨量输入至预先训练的基于多任务学习的模型,得到预测调拨时间;
根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间。
7.根据权利要求1所述的一种逆向物流时效预测方法,其特征在于,所述获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间具体包括:
获取配送网点的第二网点信息,所述第二网点信息包括配送人员数量;
采用基于SPSS皮尔逊相关性预测模型获取配送网点在到达时间的预测配送量;
将配送人员数量和预测配送量输入至预先训练的基于多任务学习的模型,得到预测配送时间;
根据所述到达时间以及所述预测配送时间计算预测总时间。
8.一种逆向物流时效预测装置,其特征在于,包括:
获取模块,用于获取快件的物流信息,所述物流信息包括收件地址和寄件地址,并对物流信息进行格式校验;
路线生成模块,用于根据收件地址和寄件地址生成运输路线,所述运输路线包括一个或多个中转网点以及配送网点,根据所述寄件地址以及所述配送网点计算运输时间;
判断模块,用于判断快件的物流状态是否为揽件状态,若是,获取揽件时间;
第一计算模块,用于获取中转网点的第一网点信息,并获取中转网点在配送时间的预测调拨量,将第一网点信息和预测调拨量输入至预先训练的时间预测模型,得到预测调拨时间,并根据所述总运输时间、所述揽件时间以及所述预测调拨时间计算到达时间;
第二计算模块,用于获取配送网点的第二网点信息,并获取配送网点在到达时间的预测配送量,将第二网点信息和预测配送量输入至预先训练的时间预测模型,得到预测配送时间,并根据所述到达时间以及所述预测配送时间计算预测总时间。
9.一种逆向物流时效预测设备,其特征在于,所述逆向物流时效预测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
至少一个所述处理器调用所述存储器中的所述指令,以使得所述逆向物流时效预测设备执行如权利要求1-7中任一项所述的逆向物流时效预测方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述逆向物流时效预测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499905.7A CN116611751A (zh) | 2023-05-05 | 2023-05-05 | 逆向物流时效预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499905.7A CN116611751A (zh) | 2023-05-05 | 2023-05-05 | 逆向物流时效预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611751A true CN116611751A (zh) | 2023-08-18 |
Family
ID=87677362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310499905.7A Pending CN116611751A (zh) | 2023-05-05 | 2023-05-05 | 逆向物流时效预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611751A (zh) |
-
2023
- 2023-05-05 CN CN202310499905.7A patent/CN116611751A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697524B (zh) | 优化收派件任务与资源匹配的方法、系统及设备 | |
CN111309759A (zh) | 企业科技项目智能匹配平台 | |
JP2009501119A (ja) | コンテナ密度を予測するためのシステム及び方法 | |
CN111256718B (zh) | 派件路线规划方法、装置、系统、设备及存储介质 | |
TW202133066A (zh) | 基於人工智慧的將產品分類的電腦實行系統以及使用人工智慧對產品進行分類的方法 | |
Campisi et al. | A literature review of the main factors influencing the e-commerce and last-mile delivery projects during COVID-19 pandemic | |
CN111652439B (zh) | 一种派送点派件量的生成方法、装置及计算机系统 | |
CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
Scholz et al. | Geocoding of German administrative data | |
CN114091914A (zh) | 工单处理方法及装置 | |
CN110619400A (zh) | 用于生成订单信息的方法和装置 | |
CN111325504B (zh) | 派件轨迹推荐方法、装置、系统、设备及存储介质 | |
CN113537878A (zh) | 包裹派送方法、装置、设备及存储介质 | |
CN116955853A (zh) | 订单签收时间预计查询方法、装置、设备及存储介质 | |
CN114612029A (zh) | 风险运单数据识别方法、装置、计算机设备和存储介质 | |
CN116611751A (zh) | 逆向物流时效预测方法、装置、设备及存储介质 | |
JP7282387B2 (ja) | 物流コスト解析方法、物流コスト解析プログラム、物流コスト解析プログラムが記録された記録媒体、及び、物流コスト解析装置 | |
CN111311152B (zh) | 派件路线推荐方法、装置、系统、设备及存储介质 | |
CN113822477A (zh) | 快件拦截处理方法、装置、设备及存储介质 | |
Shevchuk et al. | Cyber-Physical Integrated Transport and Warehouse Logistics System for Courier Delivery Service | |
CN111724090A (zh) | 收派件任务处理方法、装置、设备及其存储介质 | |
CN110991952A (zh) | 一种跨境物流模式选择方法和装置 | |
CN115018107A (zh) | 快件时效预测方法、装置、计算机设备和存储介质 | |
CN114298633B (zh) | 信息处理方法及装置、电子设备和计算机可读存储介质 | |
CN115577867B (zh) | 一种抽检任务创建方法、系统、计算机设备及存储介质 |
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 |