CN116703101B - 一种基于大数据的汽车销售服务管理系统及方法 - Google Patents
一种基于大数据的汽车销售服务管理系统及方法 Download PDFInfo
- Publication number
- CN116703101B CN116703101B CN202310715422.6A CN202310715422A CN116703101B CN 116703101 B CN116703101 B CN 116703101B CN 202310715422 A CN202310715422 A CN 202310715422A CN 116703101 B CN116703101 B CN 116703101B
- Authority
- CN
- China
- Prior art keywords
- driving
- test
- service
- date
- demand
- 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 24
- 238000012360 testing method Methods 0.000 claims abstract description 195
- 238000005457 optimization Methods 0.000 claims abstract description 74
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q50/10—Services
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的汽车销售服务管理系统及方法,属于服务管理技术领域。搭建服务云平台,上传城市内的线下试驾店的地理坐标,接收客户的试驾需求申请;对客户进行线下试驾店的服务分类;随机化生成一组服务日期,对服务日期进行流转区间划分;构建服务日期优化迭代模型,计算每次优化迭代的试驾需求满足度,选取试驾需求满足度最大时对应的服务日期,并通过服务云平台发送至销售服务人员;进而保证上门服务的同时,能够统筹城市内多家线下试驾店的试驾车辆和服务人员,对大量的试驾需求进行降维分散处理,使不同客户需求时间能够最大程度的在同一个日期聚集服务,从而提高服务效率,减少客户的服务等待时间,维持客户试驾的积极性。
Description
技术领域
本发明涉及服务管理技术领域,具体为一种基于大数据的汽车销售服务管理系统及方法。
背景技术
随着大数据相关的技术、产品、应用的不断发展,各行业服务也越来越体现标准化、数据化和智能化,线下与线上的结合成为了服务现代人们的一种主流方式;
在申请公布日2020.11.03、申请号202010636339.6、名称为一种用于上门试驾系统和方法的专利中,包括以下步骤:步骤1、客户通过用户端向服务器提交个人信息;步骤2、服务器审核个人信息并反馈审核结果,若审核不通过则返回上一步,若审核通过则执行下一步;步骤3、客户向服务器提交上门试驾请求,所述上门试驾请求包括试驾时间、试驾车型和试驾地点;步骤4、服务器将用户端服务区域内试驾时间、试驾车型空闲的汽车销售单位推送给用户端;步骤5、客户通过用户端选择其一个汽车销售单位,提交上门试驾订单;步骤6、服务器将试驾请求发送给所选择汽车销售单位的客服端;步骤7、汽车销售单位的工作人员按照约定试驾时间、试驾车型和试驾地点执行上门试驾订单;步骤8、执行完上门试驾订单后将信息反馈给服务器;步骤9、服务器核销上门试驾订单;步骤10、服务器接收用户端针对上门试驾订单的打分和/或评价;
但是上述专利中,仍然存在以下问题:现实生活中,线下试驾店的试驾车辆数量往往非常有限,当收到众多客户的试驾服务请求时,如果按照一对一的上门服务,将很大程度上降低服务效率,使客户需要更多的排队等候时间,消磨了客户试驾的积极性,进而上述专利中无法解决这个问题。
发明内容
本发明的目的在于提供一种基于大数据的汽车销售服务管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于大数据的汽车销售服务管理系统,本系统包括:数据采集模块、服务清单生成模块、随机化服务日期模块和优化迭代模块;
所述数据采集模块,用于搭建服务云平台,上传城市内的全部线下试驾店的地理坐标,并接收客户的试驾需求申请,对客户的试驾需求添加标签,记录客户的试驾需求,所述试驾需求包括试驾日期和位置坐标,所述位置坐标为客户所处位置的坐标;
所述服务清单生成模块,用于获取客户的位置坐标与线下试驾店的地理坐标之间的最短路线距离;根据最短路线距离,对客户进行线下试驾店的服务安排分类,统计线下试驾店服务的全部客户试驾需求,并生成试驾需求服务清单;
所述随机化服务日期模块,用于随机化生成一组服务日期,并对服务日期进行流转区间划分,生成不同的日期流转区间,验证随机化是否满足试驾需求数量条件;
所述优化迭代模块,用于构建服务日期优化迭代模型,计算每次优化迭代的试驾需求满足度,选取试驾需求满足度最大时对应的服务日期,并通过服务云平台发送至销售服务人员。
进一步的,所述数据采集模块还包括试驾店地理信息上传单元和试驾需求接收单元;
所述试驾店地理信息上传单元,用于统筹城市内的全部线下试驾店,获取线下试驾店的地理坐标,将任意一个线下试驾店的地理坐标记为PLi,其中,i表示任意一个线下试驾店的编号;
所述试驾需求接收单元,用于接收客户的试驾需求,并将接收到的所有发送试驾需求的客户进行统一编号,将一个编号客户对应生成该客户的试驾需求标签,记为DDj=(dj,pj),其中,j表示客户编号,DDj表示第j个客户对应生成的试驾需求标签,dj表示第j个客户的试驾日期,pj表示第j个客户的位置坐标。
进一步的,所述服务清单生成模块还包括最短路线距离获取单元和服务分类单元;
所述最短路线距离获取单元,根据线下试驾店的地理坐标和客户试驾需求中的位置坐标,获取任意一个位置坐标pj与任意一个地理坐标PLi之间的最短路线距离,记为Lij,统计任意一个位置坐标pj与每一个地理坐标之间的最短路线距离,并生成路线距离集合,记为RDj;
所述服务分类单元,根据路线距离集合,对客户进行线下试驾店服务分类,计算客户试驾需求的隶属度,具体计算公式如下:
MGij=(NUM(RDj)-1)-1×∑L∈RD|Lij-Lnj|2
其中,MGij表示客户j与线下试驾店i之间的试驾需求隶属度,NUM(RDj)表示路线距离集合RDj中包含的最短路线距离数量,L=Lnj,RD=RDj-{Lij},n表示线下试驾店的编号;
令i=i+1,计算客户j与线下试驾店i+1之间的试驾需求隶属度,选取试驾需求隶属度最小值min{MG1j,MG2j,...,MGmj},其中,MG1j,MG2j,...,MGmj分别表示客户j与线下试驾店1,2,...,m之间的试驾需求隶属度;
按照选取的试驾需求隶属度最小值对应的线下试驾店,对客户进行线下试驾店服务分类;统计线下试驾店i服务的全部客户试驾需求,并生成试驾需求服务清单,记为SLi。
进一步的,所述随机化服务日期模块还包括日期流转区间生成单元和随机化验证单元;
所述日期流转区间生成单元,用于随机化一组服务日期集合,记为DCk={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机化的第1,2,...,m个服务日期,T0为固定值且T0=0;根据服务日期集合DCk,生成w个日期流传区间,将其中第a个日期流传区间记为Ra:Ta-1~Ta,其中,Ta、Ta+1∈DCk且1≤a≤w;
所述随机化验证单元,用于将客户的试驾日期按照日期流传区间进行相应映射,统计日期流传区间Ra映射的全部试驾日期,生成流转需求集合,记为TD(Ra);根据流转需求集合,验证随机化是否满足条件:∑a=1 wNUM[TD(Ra)]=NUM(SLi),其中,NUM[TD(Ra)]表示流转需求集合TD(Ra)中包含的试驾需求数量,NUM(SLi)表示试驾需求服务清单SLi中包含的试驾需求数量;如果验证随机化满足条件,则可以进行随机化;否则重新进行随机化。
进一步的,所述优化迭代模块还包括试驾需求满足度计算单元和云平台传输单元;
所述试驾需求满足度计算单元,用于构建服务日期优化迭代模型,令第k次优化迭代的样本服务日期集合为DCk,计算第k次优化迭代的试驾需求满足度,具体计算公式如下:
DS(DCk)={B/w×∑a=1 wceil{NUM[TD(Ra)]/B}}/NUM(SLi)
其中,DS(DCk)表示第k次优化迭代的试驾需求满足度,B表示单次试驾服务的人数,ceil{·}表示对实数向大取整函数;
令k=k+1,随机化一组服务日期集合DCk+1,返回服务日期优化迭代模型,计算第k+1次优化迭代的试驾需求满足度,当k=Q时,停止优化迭代,其中,Q表示优化迭代的总次数;
所述云平台传输单元,用于选取试驾需求满足度最大时对应的样本服务日期集合,并通过服务云平台发送至销售服务人员。
一种基于大数据的汽车销售服务管理方法,本方法包括以下步骤:
步骤S100:搭建服务云平台,上传城市内的全部线下试驾店的地理坐标,并接收客户的试驾需求申请,对客户的试驾需求添加标签,记录客户的试驾需求,所述试驾需求包括试驾日期和位置坐标,所述位置坐标为客户所处位置的坐标;
步骤S200:获取客户的位置坐标与线下试驾店的地理坐标之间的最短路线距离;根据最短路线距离,对客户进行线下试驾店的服务安排分类,统计线下试驾店服务的全部客户试驾需求,并生成试驾需求服务清单;
步骤S300:随机化生成一组服务日期,并对服务日期进行流转区间划分,生成不同的日期流转区间,验证随机化是否满足试驾需求数量条件;
步骤S400:构建服务日期优化迭代模型,计算每次优化迭代的试驾需求满足度,选取试驾需求满足度最大时对应的服务日期,并通过服务云平台发送至销售服务人员。
进一步的,所述步骤S100的具体实施过程包括:
步骤S101:统筹城市内的全部线下试驾店,获取线下试驾店的地理坐标,将任意一个线下试驾店的地理坐标记为PLi,其中,i表示任意一个线下试驾店的编号;
步骤S102:客户发送试驾需求至服务云平台,服务云平台将接收到的所有发送试驾需求的客户进行统一编号,将一个编号客户对应生成该客户的试驾需求标签,记为DDj=(dj,pj),其中,j表示客户编号,DDj表示第j个客户对应生成的试驾需求标签,dj表示第j个客户的试驾日期,pj表示第j个客户的位置坐标。
进一步的,所述步骤S200的具体实施过程包括:
步骤S201:根据线下试驾店的地理坐标和客户试驾需求中的位置坐标,获取任意一个位置坐标pj与任意一个地理坐标PLi之间的最短路线距离,记为Lij,统计任意一个位置坐标pj与每一个地理坐标之间的最短路线距离,并生成路线距离集合,记为RDj;
步骤S202:根据路线距离集合,对客户进行线下试驾店服务分类,计算客户试驾需求的隶属度,具体计算公式如下:
MGij=(NUM(RDj)-1)-1×∑L∈RD|Lij-Lnj|2
其中,MGij表示客户j与线下试驾店i之间的试驾需求隶属度,NUM(RDj)表示路线距离集合RDj中包含的最短路线距离数量,L=Lnj,RD=RDj-{Lij},n表示线下试驾店的编号;
令i=i+1,计算客户j与线下试驾店i+1之间的试驾需求隶属度,选取试驾需求隶属度最小值min{MG1j,MG2j,...,MGmj},其中,MG1j,MG2j,...,MGmj分别表示客户j与线下试驾店1,2,...,m之间的试驾需求隶属度;
按照选取的试驾需求隶属度最小值对应的线下试驾店,对客户进行线下试驾店服务分类;统计线下试驾店i服务的全部客户试驾需求,并生成试驾需求服务清单,记为SLi。
进一步的,所述步骤S300的具体实施过程包括:
步骤S301:随机化一组服务日期集合,记为DCk={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机化的第1,2,...,m个服务日期,T0为固定值且T0=0;根据服务日期集合DCk,生成w个日期流传区间,将其中第a个日期流传区间记为Ra:Ta-1~Ta,其中,Ta、Ta+1∈DCk且1≤a≤w;
步骤S302:将客户的试驾日期按照日期流传区间进行相应映射,统计日期流传区间Ra映射的全部试驾日期,生成流转需求集合,记为TD(Ra);根据流转需求集合,验证随机化是否满足条件:∑a=1 wNUM[TD(Ra)]=NUM(SLi),其中,NUM[TD(Ra)]表示流转需求集合TD(Ra)中包含的试驾需求数量,NUM(SLi)表示试驾需求服务清单SLi中包含的试驾需求数量;如果验证随机化满足条件,则可以进行随机化;否则重新进行随机化。
进一步的,所述步骤S400的具体实施过程包括:
步骤S401:构建服务日期优化迭代模型,令第k次优化迭代的样本服务日期集合为DCk,计算第k次优化迭代的试驾需求满足度,具体计算公式如下:
DS(DCk)={B/w×∑a=1 wceil{NUM[TD(Ra)]/B}}/NUM(SLi)
其中,DS(DCk)表示第k次优化迭代的试驾需求满足度,B表示单次试驾服务的人数,ceil{·}表示对实数向大取整函数;
令k=k+1,随机化一组服务日期集合DCk+1,返回服务日期优化迭代模型,计算第k+1次优化迭代的试驾需求满足度,当k=Q时,停止优化迭代,其中,Q表示优化迭代的总次数;
步骤S402:选取试驾需求满足度最大时对应的样本服务日期集合,并通过服务云平台发送至销售服务人员;
根据上述方法,现实生活中,线下试驾店的试驾车辆数量往往是非常有限的,因此,试驾服务往往都是先预约,再排队等候,尤其,当商家推出一款新产品汽车时,试驾需求往往会在短时间内激增;因此,本申请发明在保证上门服务的同时,通过线下试驾店的地理位置与客户的地理位置之间的关系,对客户的服务进行分类,进而能够统筹城市内多家线下试驾店的试驾车辆和服务人员,对大量的试驾需求进行降维分散处理,通过隶属度计算公式来判断客户距离哪家线下试驾店最近,进而进行服务分类;同时由于一辆试驾车能够至多坐5人,进而可以将隶属于同一个试驾区域的客户进行组队服务,单次试驾服务能够至多同时满足4个客户需求,进一步考虑到客户的试驾需求时间往往存在差异,进而通过构建服务日期优化迭代模型,使不同客户需求时间能够最大程度的在同一个日期聚集服务。
与现有技术相比,本发明所达到的有益效果是:本发明提供的一种基于大数据的汽车销售服务管理系统及方法中,搭建服务云平台,上传城市内的线下试驾店的地理坐标,接收客户的试驾需求申请;对客户进行线下试驾店的服务分类;随机化生成一组服务日期,对服务日期进行流转区间划分;构建服务日期优化迭代模型,计算每次优化迭代的试驾需求满足度,选取试驾需求满足度最大时对应的服务日期,并通过服务云平台发送至销售服务人员;进而保证上门服务的同时,能够统筹城市内多家线下试驾店的试驾车辆和服务人员,对大量的试驾需求进行降维分散处理,使不同客户需求时间能够最大程度的在同一个日期聚集服务,从而提高服务效率,减少客户的服务等待时间,维持客户试驾的积极性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并且不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的汽车销售服务管理系统的结构示意图;
图2是本发明一种基于大数据的汽车销售服务管理方法的步骤示意图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供技术方案:
请参阅图1,在本实施例一中:提供一种基于大数据的汽车销售服务管理系统,该系统包括:数据采集模块、服务清单生成模块、随机化服务日期模块和优化迭代模块;
数据采集模块,用于搭建服务云平台,上传城市内的全部线下试驾店的地理坐标,并接收客户的试驾需求申请,对客户的试驾需求添加标签,记录客户的试驾需求,试驾需求包括试驾日期和位置坐标,位置坐标为客户所处位置的坐标;
其中,数据采集模块还包括试驾店地理信息上传单元和试驾需求接收单元;
试驾店地理信息上传单元,用于统筹城市内的全部线下试驾店,获取线下试驾店的地理坐标,将任意一个线下试驾店的地理坐标记为PLi,其中,i表示任意一个线下试驾店的编号;
试驾需求接收单元,用于接收客户的试驾需求,并将接收到的所有发送试驾需求的客户进行统一编号,将一个编号客户对应生成该客户的试驾需求标签,记为DDj=(dj,pj),其中,j表示客户编号,DDj表示第j个客户对应生成的试驾需求标签,dj表示第j个客户的试驾日期,pj表示第j个客户的位置坐标;
服务清单生成模块,用于获取客户的位置坐标与线下试驾店的地理坐标之间的最短路线距离;根据最短路线距离,对客户进行线下试驾店的服务安排分类,统计线下试驾店服务的全部客户试驾需求,并生成试驾需求服务清单;
其中,服务清单生成模块还包括最短路线距离获取单元和服务分类单元;
最短路线距离获取单元,根据线下试驾店的地理坐标和客户试驾需求中的位置坐标,获取任意一个位置坐标pj与任意一个地理坐标PLi之间的最短路线距离,记为Lij,统计任意一个位置坐标pj与每一个地理坐标之间的最短路线距离,并生成路线距离集合,记为RDj;
服务分类单元,根据路线距离集合,对客户进行线下试驾店服务分类,计算客户试驾需求的隶属度,具体计算公式如下:
MGij=(NUM(RDj)-1)-1×∑L∈RD|Lij-Lnj|2
其中,MGij表示客户j与线下试驾店i之间的试驾需求隶属度,NUM(RDj)表示路线距离集合RDj中包含的最短路线距离数量,L=Lnj,RD=RDj-{Lij},n表示线下试驾店的编号;
令i=i+1,计算客户j与线下试驾店i+1之间的试驾需求隶属度,选取试驾需求隶属度最小值min{MG1j,MG2j,...,MGmj},其中,MG1j,MG2j,...,MGmj分别表示客户j与线下试驾店1,2,...,m之间的试驾需求隶属度;
按照选取的试驾需求隶属度最小值对应的线下试驾店,对客户进行线下试驾店服务分类;统计线下试驾店i服务的全部客户试驾需求,并生成试驾需求服务清单,记为SLi;
随机化服务日期模块,用于随机化生成一组服务日期,并对服务日期进行流转区间划分,生成不同的日期流转区间,验证随机化是否满足试驾需求数量条件;
其中,随机化服务日期模块还包括日期流转区间生成单元和随机化验证单元;
日期流转区间生成单元,用于随机化一组服务日期集合,记为DCk={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机化的第1,2,...,m个服务日期,T0为固定值且T0=0;根据服务日期集合DCk,生成w个日期流传区间,将其中第a个日期流传区间记为Ra:Ta-1~Ta,其中,Ta、Ta+1∈DCk且1≤a≤w;
随机化验证单元,用于将客户的试驾日期按照日期流传区间进行相应映射,统计日期流传区间Ra映射的全部试驾日期,生成流转需求集合,记为TD(Ra);根据流转需求集合,验证随机化是否满足条件:∑a=1 wNUM[TD(Ra)]=NUM(SLi),其中,NUM[TD(Ra)]表示流转需求集合TD(Ra)中包含的试驾需求数量,NUM(SLi)表示试驾需求服务清单SLi中包含的试驾需求数量;如果验证随机化满足条件,则可以进行随机化;否则重新进行随机化;
优化迭代模块,用于构建服务日期优化迭代模型,计算每次优化迭代的试驾需求满足度,选取试驾需求满足度最大时对应的服务日期,并通过服务云平台发送至销售服务人员;
其中,优化迭代模块还包括试驾需求满足度计算单元和云平台传输单元;
试驾需求满足度计算单元,用于构建服务日期优化迭代模型,令第k次优化迭代的样本服务日期集合为DCk,计算第k次优化迭代的试驾需求满足度,具体计算公式如下:
DS(DCk)={B/w×∑a=1 wceil{NUM[TD(Ra)]/B}}/NUM(SLi)
其中,DS(DCk)表示第k次优化迭代的试驾需求满足度,B表示单次试驾服务的人数,ceil{·}表示对实数向大取整函数;
令k=k+1,随机化一组服务日期集合DCk+1,返回服务日期优化迭代模型,计算第k+1次优化迭代的试驾需求满足度,当k=Q时,停止优化迭代,其中,Q表示优化迭代的总次数;
云平台传输单元,用于选取试驾需求满足度最大时对应的样本服务日期集合,并通过服务云平台发送至销售服务人员。
请参阅图2,在本实施例二中:提供一种基于大数据的汽车销售服务管理方法,该方法包括以下步骤:
搭建服务云平台,上传城市内的全部线下试驾店的地理坐标,并接收客户的试驾需求申请,对客户的试驾需求添加标签,记录客户的试驾需求,试驾需求包括试驾日期和位置坐标,位置坐标为客户所处位置的坐标;
统筹城市内的全部线下试驾店,获取线下试驾店的地理坐标,将任意一个线下试驾店的地理坐标记为PLi,其中,i表示任意一个线下试驾店的编号;
客户发送试驾需求至服务云平台,服务云平台将接收到的所有发送试驾需求的客户进行统一编号,将一个编号客户对应生成该客户的试驾需求标签,记为DDj=(dj,pj),其中,j表示客户编号,DDj表示第j个客户对应生成的试驾需求标签,dj表示第j个客户的试驾日期,pj表示第j个客户的位置坐标;
获取客户的位置坐标与线下试驾店的地理坐标之间的最短路线距离;根据最短路线距离,对客户进行线下试驾店的服务安排分类,统计线下试驾店服务的全部客户试驾需求,并生成试驾需求服务清单;
根据线下试驾店的地理坐标和客户试驾需求中的位置坐标,获取任意一个位置坐标pj与任意一个地理坐标PLi之间的最短路线距离,记为Lij,统计任意一个位置坐标pj与每一个地理坐标之间的最短路线距离,并生成路线距离集合,记为RDj;
根据路线距离集合,对客户进行线下试驾店服务分类,计算客户试驾需求的隶属度,具体计算公式如下:
MGij=(NUM(RDj)-1)-1×∑L∈RD|Lij-Lnj|2
其中,MGij表示客户j与线下试驾店i之间的试驾需求隶属度,NUM(RDj)表示路线距离集合RDj中包含的最短路线距离数量,L=Lnj,RD=RDj-{Lij},n表示线下试驾店的编号;
令i=i+1,计算客户j与线下试驾店i+1之间的试驾需求隶属度,选取试驾需求隶属度最小值min{MG1j,MG2j,...,MGmj},其中,MG1j,MG2j,...,MGmj分别表示客户j与线下试驾店1,2,...,m之间的试驾需求隶属度;
按照选取的试驾需求隶属度最小值对应的线下试驾店,对客户进行线下试驾店服务分类;统计线下试驾店i服务的全部客户试驾需求,并生成试驾需求服务清单,记为SLi;
随机化生成一组服务日期,并对服务日期进行流转区间划分,生成不同的日期流转区间,验证随机化是否满足试驾需求数量条件;
随机化一组服务日期集合,记为DCk={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机化的第1,2,...,m个服务日期,T0为固定值且T0=0;根据服务日期集合DCk,生成w个日期流传区间,将其中第a个日期流传区间记为Ra:Ta-1~Ta,其中,Ta、Ta+1∈DCk且1≤a≤w;
将客户的试驾日期按照日期流传区间进行相应映射,统计日期流传区间Ra映射的全部试驾日期,生成流转需求集合,记为TD(Ra);根据流转需求集合,验证随机化是否满足条件:∑a=1 wNUM[TD(Ra)]=NUM(SLi),其中,NUM[TD(Ra)]表示流转需求集合TD(Ra)中包含的试驾需求数量,NUM(SLi)表示试驾需求服务清单SLi中包含的试驾需求数量;如果验证随机化满足条件,则可以进行随机化;否则重新进行随机化;
构建服务日期优化迭代模型,计算每次优化迭代的试驾需求满足度,选取试驾需求满足度最大时对应的服务日期,并通过服务云平台发送至销售服务人员;
构建服务日期优化迭代模型,令第k次优化迭代的样本服务日期集合为DCk,计算第k次优化迭代的试驾需求满足度,具体计算公式如下:
DS(DCk)={B/w×∑a=1 wceil{NUM[TD(Ra)]/B}}/NUM(SLi)
其中,DS(DCk)表示第k次优化迭代的试驾需求满足度,B表示单次试驾服务的人数,ceil{·}表示对实数向大取整函数;例如,ceil{3.4}=4;
令k=k+1,随机化一组服务日期集合DCk+1,返回服务日期优化迭代模型,计算第k+1次优化迭代的试驾需求满足度,当k=Q时,停止优化迭代,其中,Q表示优化迭代的总次数;
选取试驾需求满足度最大时对应的样本服务日期集合,并通过服务云平台发送至销售服务人员;
例如,第3次随机化一组服务日期集合为{0,6月4日,6月8日,6月12日},则得到w=3个日期流转区间,分别为R1:0~6月4日,R2:6月4日~6月8日,R3:6月8日~6月12日,将客户的试驾日期按照日期流传区间进行相应映射,得到流转需求集合TD(R1)内共有3个客户需求,该3个客户需求的试驾日期分别为6月2日有1个客户,6月4日有2个客户;依次,得到流转需求集合TD(R2)内共有5个客户,得到流转需求集合TD(R3)内共有8个客户,则试驾需求服务清单上的试驾需求数量为3+5+8=16,其中,试驾店规定单次试驾服务的人数B=3,根据试驾需求满足度计算公式,
DS(DC3)=3/3×[ceil(3/3)+ceil(5/3)+ceil(8/3)]/16=3/8。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并且不用于限制本发明,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 (2)
1.一种基于大数据的汽车销售服务管理方法,其特征在于,该方法包括以下步骤:
步骤S100:搭建服务云平台,上传城市内的全部线下试驾店的地理坐标,并接收客户的试驾需求申请,对客户的试驾需求添加标签,记录客户的试驾需求,所述试驾需求包括试驾日期和位置坐标,所述位置坐标为客户所处位置的坐标;
步骤S200:获取客户的位置坐标与线下试驾店的地理坐标之间的最短路线距离;根据最短路线距离,对客户进行线下试驾店的服务安排分类,统计线下试驾店服务的全部客户试驾需求,并生成试驾需求服务清单;
步骤S300:随机化生成一组服务日期,并对服务日期进行流转区间划分,生成不同的日期流转区间,验证随机化是否满足试驾需求数量条件;
步骤S400:构建服务日期优化迭代模型,计算每次优化迭代的试驾需求满足度,选取试驾需求满足度最大时对应的服务日期,并通过服务云平台发送至销售服务人员;
所述步骤S100的具体实施过程包括:
步骤S101:统筹城市内的全部线下试驾店,获取线下试驾店的地理坐标,将任意一个线下试驾店的地理坐标记为PLi,其中,i表示任意一个线下试驾店的编号;
步骤S102:客户发送试驾需求至服务云平台,服务云平台将接收到的所有发送试驾需求的客户进行统一编号,将一个编号客户对应生成该客户的试驾需求标签,记为DDj=(dj,pj),其中,j表示客户编号,DDj表示第j个客户对应生成的试驾需求标签,dj表示第j个客户的试驾日期,pj表示第j个客户的位置坐标;
所述步骤S200的具体实施过程包括:
步骤S201:根据线下试驾店的地理坐标和客户试驾需求中的位置坐标,获取任意一个位置坐标pj与任意一个地理坐标PLi之间的最短路线距离,记为Lij,统计任意一个位置坐标pj与每一个地理坐标之间的最短路线距离,并生成路线距离集合,记为RDj;
步骤S202:根据路线距离集合,对客户进行线下试驾店服务分类,计算客户试驾需求的隶属度,具体计算公式如下:
MGij=(NUM(RDj)-1)-1×∑L∈RD|Lij-Lnj|2
其中,MGij表示客户j与线下试驾店i之间的试驾需求隶属度,NUM(RDj)表示路线距离集合RDj中包含的最短路线距离数量,L=Lnj,RD=RDj-{Lij},n表示线下试驾店的编号;
令i=i+1,计算客户j与线下试驾店i+1之间的试驾需求隶属度,选取试驾需求隶属度最小值min{MG1j,MG2j,...,MGmj},其中,MG1j,MG2j,...,MGmj分别表示客户j与线下试驾店1,2,...,m之间的试驾需求隶属度;
按照选取的试驾需求隶属度最小值对应的线下试驾店,对客户进行线下试驾店服务分类;统计线下试驾店i服务的全部客户试驾需求,并生成试驾需求服务清单,记为SLi;
所述步骤S300的具体实施过程包括:
步骤S301:随机化一组服务日期集合,记为DCk={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机化的第1,2,...,m个服务日期,T0为固定值且T0=0;根据服务日期集合DCk,生成w个日期流转区间,将其中第a个日期流转区间记为Ra:Ta-1~Ta,其中,Ta、Ta+1∈DCk且1≤a≤w;
步骤S302:将客户的试驾日期按照日期流转区间进行相应映射,统计日期流转区间Ra映射的全部试驾日期,生成流转需求集合,记为TD(Ra);根据流转需求集合,验证随机化是否满足条件:∑a=1 wNUM[TD(Ra)]=NUM(SLi),其中,NUM[TD(Ra)]表示流转需求集合TD(Ra)中包含的试驾需求数量,NUM(SLi)表示试驾需求服务清单SLi中包含的试驾需求数量;如果验证随机化满足条件,则进行随机化;否则重新进行随机化;
所述步骤S400的具体实施过程包括:
步骤S401:构建服务日期优化迭代模型,令第k次优化迭代的样本服务日期集合为DCk,计算第k次优化迭代的试驾需求满足度,具体计算公式如下:
DS(DCk)={B/w×∑a=1 wceil{NUM[TD(Ra)]/B}}/NUM(SLi)
其中,DS(DCk)表示第k次优化迭代的试驾需求满足度,B表示单次试驾服务的人数,ceil{·}表示对实数向大取整函数;
令k=k+1,随机化一组服务日期集合DCk+1,返回服务日期优化迭代模型,计算第k+1次优化迭代的试驾需求满足度,当k=Q时,停止优化迭代,其中,Q表示优化迭代的总次数;
步骤S402:选取试驾需求满足度最大时对应的样本服务日期集合,并通过服务云平台发送至销售服务人员。
2.一种基于大数据的汽车销售服务管理系统,其特征在于,所述系统包括:数据采集模块、服务清单生成模块、随机化服务日期模块和优化迭代模块;
所述数据采集模块,用于搭建服务云平台,上传城市内的全部线下试驾店的地理坐标,并接收客户的试驾需求申请,对客户的试驾需求添加标签,记录客户的试驾需求,所述试驾需求包括试驾日期和位置坐标,所述位置坐标为客户所处位置的坐标;
所述服务清单生成模块,用于获取客户的位置坐标与线下试驾店的地理坐标之间的最短路线距离;根据最短路线距离,对客户进行线下试驾店的服务安排分类,统计线下试驾店服务的全部客户试驾需求,并生成试驾需求服务清单;
所述随机化服务日期模块,用于随机化生成一组服务日期,并对服务日期进行流转区间划分,生成不同的日期流转区间,验证随机化是否满足试驾需求数量条件;
所述优化迭代模块,用于构建服务日期优化迭代模型,计算每次优化迭代的试驾需求满足度,选取试驾需求满足度最大时对应的服务日期,并通过服务云平台发送至销售服务人员;
所述数据采集模块还包括试驾店地理信息上传单元和试驾需求接收单元;
所述试驾店地理信息上传单元,用于统筹城市内的全部线下试驾店,获取线下试驾店的地理坐标,将任意一个线下试驾店的地理坐标记为PLi,其中,i表示任意一个线下试驾店的编号;
所述试驾需求接收单元,用于接收客户的试驾需求,并将接收到的所有发送试驾需求的客户进行统一编号,将一个编号客户对应生成该客户的试驾需求标签,记为DDj=(dj,pj),其中,j表示客户编号,DDj表示第j个客户对应生成的试驾需求标签,dj表示第j个客户的试驾日期,pj表示第j个客户的位置坐标;
所述服务清单生成模块还包括最短路线距离获取单元和服务分类单元;
所述最短路线距离获取单元,根据线下试驾店的地理坐标和客户试驾需求中的位置坐标,获取任意一个位置坐标pj与任意一个地理坐标PLi之间的最短路线距离,记为Lij,统计任意一个位置坐标pj与每一个地理坐标之间的最短路线距离,并生成路线距离集合,记为RDj;
所述服务分类单元,根据路线距离集合,对客户进行线下试驾店服务分类,计算客户试驾需求的隶属度,具体计算公式如下:
MGij=(NUM(RDj)-1)-1×∑L∈RD|Lij-Lnj|2
其中,MGij表示客户j与线下试驾店i之间的试驾需求隶属度,NUM(RDj)表示路线距离集合RDj中包含的最短路线距离数量,L=Lnj,RD=RDj-{Lij},n表示线下试驾店的编号;
令i=i+1,计算客户j与线下试驾店i+1之间的试驾需求隶属度,选取试驾需求隶属度最小值min{MG1j,MG2j,...,MGmj},其中,MG1j,MG2j,...,MGmj分别表示客户j与线下试驾店1,2,...,m之间的试驾需求隶属度;
按照选取的试驾需求隶属度最小值对应的线下试驾店,对客户进行线下试驾店服务分类;统计线下试驾店i服务的全部客户试驾需求,并生成试驾需求服务清单,记为SLi;
所述随机化服务日期模块还包括日期流转区间生成单元和随机化验证单元;
所述日期流转区间生成单元,用于随机化一组服务日期集合,记为DCk={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机化的第1,2,...,m个服务日期,T0为固定值且T0=0;根据服务日期集合DCk,生成w个日期流转区间,将其中第a个日期流转区间记为Ra:Ta-1~Ta,其中,Ta、Ta+1∈DCk且1≤a≤w;
所述随机化验证单元,用于将客户的试驾日期按照日期流转区间进行相应映射,统计日期流转区间Ra映射的全部试驾日期,生成流转需求集合,记为TD(Ra);根据流转需求集合,验证随机化是否满足条件:∑a=1 wNUM[TD(Ra)]=NUM(SLi),其中,NUM[TD(Ra)]表示流转需求集合TD(Ra)中包含的试驾需求数量,NUM(SLi)表示试驾需求服务清单SLi中包含的试驾需求数量;如果验证随机化满足条件,则进行随机化;否则重新进行随机化;
所述优化迭代模块还包括试驾需求满足度计算单元和云平台传输单元;
所述试驾需求满足度计算单元,用于构建服务日期优化迭代模型,令第k次优化迭代的样本服务日期集合为DCk,计算第k次优化迭代的试驾需求满足度,具体计算公式如下:
DS(DCk)={B/w×∑a=1 wceil{NUM[TD(Ra)]/B}}/NUM(SLi)
其中,DS(DCk)表示第k次优化迭代的试驾需求满足度,B表示单次试驾服务的人数,ceil{·}表示对实数向大取整函数;
令k=k+1,随机化一组服务日期集合DCk+1,返回服务日期优化迭代模型,计算第k+1次优化迭代的试驾需求满足度,当k=Q时,停止优化迭代,其中,Q表示优化迭代的总次数;
所述云平台传输单元,用于选取试驾需求满足度最大时对应的样本服务日期集合,并通过服务云平台发送至销售服务人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715422.6A CN116703101B (zh) | 2023-06-16 | 2023-06-16 | 一种基于大数据的汽车销售服务管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715422.6A CN116703101B (zh) | 2023-06-16 | 2023-06-16 | 一种基于大数据的汽车销售服务管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703101A CN116703101A (zh) | 2023-09-05 |
CN116703101B true CN116703101B (zh) | 2024-06-04 |
Family
ID=87842985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310715422.6A Active CN116703101B (zh) | 2023-06-16 | 2023-06-16 | 一种基于大数据的汽车销售服务管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703101B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819786A (zh) * | 2012-07-20 | 2012-12-12 | 浪潮电子信息产业股份有限公司 | 一种面向供需双方的服务资源整合模型 |
CN107194576A (zh) * | 2017-05-19 | 2017-09-22 | 重庆大学 | 一种快递配送过程中处理新增取件需求的动态调度方法 |
CN109472391A (zh) * | 2018-09-20 | 2019-03-15 | 重庆满惠网络科技有限公司 | 一种基于大数据的物流信息监控管理系统 |
CN110378607A (zh) * | 2019-07-24 | 2019-10-25 | 青岛鲁诺金融电子技术有限公司 | 一种基于算法的汽车金融服务系统 |
CN110674968A (zh) * | 2019-08-02 | 2020-01-10 | 重庆大学 | 一种快递配送途中客户需求动态变更的车辆路径优化方法 |
CN111667086A (zh) * | 2019-03-08 | 2020-09-15 | 山东大学 | 一种车辆共乘路径寻优方法及系统 |
CN111882094A (zh) * | 2020-07-03 | 2020-11-03 | 芜湖雄狮汽车科技有限公司 | 一种用于上门试驾系统和方法 |
CN111932106A (zh) * | 2020-08-05 | 2020-11-13 | 山东科技大学 | 一种有效实用的云制造任务与服务资源匹配方法 |
CN112651657A (zh) * | 2020-12-31 | 2021-04-13 | 杭州电子科技大学 | 一种健康体检服务流程优化调度方法 |
CN113516525A (zh) * | 2020-04-12 | 2021-10-19 | 上海诺锐汽车服务有限公司 | 一种基于互联网的汽车销售服务平台及其使用方法 |
CN113689016A (zh) * | 2021-08-24 | 2021-11-23 | 支付宝(杭州)信息技术有限公司 | 车辆预约处理方法及装置 |
CN114881580A (zh) * | 2022-07-11 | 2022-08-09 | 深圳市元美供应链管理有限公司 | 一种基于智能供应链的电商物流配送管理系统及方法 |
CN115271427A (zh) * | 2022-07-26 | 2022-11-01 | 平安银行股份有限公司 | 一种激活业务的管理方法、装置、计算机设备及存储介质 |
CN115879658A (zh) * | 2022-10-25 | 2023-03-31 | 山东大学 | 定制公交路径优化方法、系统、存储介质及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278687A1 (en) * | 2013-03-15 | 2014-09-18 | Gridglo Llc | System and Method for Optimizing A Demand Response Event |
US10664808B2 (en) * | 2015-12-14 | 2020-05-26 | Shift Technologies, Inc. | System and method for managing on-demand test drives |
US20190138953A1 (en) * | 2017-10-25 | 2019-05-09 | Jimmy Caudillo | Vehicle Test Drive Management Platform |
US20220318759A1 (en) * | 2021-03-30 | 2022-10-06 | Honda Motor Co., Ltd. | Method and System for Efficiently Scheduling Vehicle Test Drives |
-
2023
- 2023-06-16 CN CN202310715422.6A patent/CN116703101B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819786A (zh) * | 2012-07-20 | 2012-12-12 | 浪潮电子信息产业股份有限公司 | 一种面向供需双方的服务资源整合模型 |
CN107194576A (zh) * | 2017-05-19 | 2017-09-22 | 重庆大学 | 一种快递配送过程中处理新增取件需求的动态调度方法 |
CN109472391A (zh) * | 2018-09-20 | 2019-03-15 | 重庆满惠网络科技有限公司 | 一种基于大数据的物流信息监控管理系统 |
CN111667086A (zh) * | 2019-03-08 | 2020-09-15 | 山东大学 | 一种车辆共乘路径寻优方法及系统 |
CN110378607A (zh) * | 2019-07-24 | 2019-10-25 | 青岛鲁诺金融电子技术有限公司 | 一种基于算法的汽车金融服务系统 |
CN110674968A (zh) * | 2019-08-02 | 2020-01-10 | 重庆大学 | 一种快递配送途中客户需求动态变更的车辆路径优化方法 |
CN113516525A (zh) * | 2020-04-12 | 2021-10-19 | 上海诺锐汽车服务有限公司 | 一种基于互联网的汽车销售服务平台及其使用方法 |
CN111882094A (zh) * | 2020-07-03 | 2020-11-03 | 芜湖雄狮汽车科技有限公司 | 一种用于上门试驾系统和方法 |
CN111932106A (zh) * | 2020-08-05 | 2020-11-13 | 山东科技大学 | 一种有效实用的云制造任务与服务资源匹配方法 |
CN112651657A (zh) * | 2020-12-31 | 2021-04-13 | 杭州电子科技大学 | 一种健康体检服务流程优化调度方法 |
CN113689016A (zh) * | 2021-08-24 | 2021-11-23 | 支付宝(杭州)信息技术有限公司 | 车辆预约处理方法及装置 |
CN114881580A (zh) * | 2022-07-11 | 2022-08-09 | 深圳市元美供应链管理有限公司 | 一种基于智能供应链的电商物流配送管理系统及方法 |
CN115271427A (zh) * | 2022-07-26 | 2022-11-01 | 平安银行股份有限公司 | 一种激活业务的管理方法、装置、计算机设备及存储介质 |
CN115879658A (zh) * | 2022-10-25 | 2023-03-31 | 山东大学 | 定制公交路径优化方法、系统、存储介质及设备 |
Non-Patent Citations (4)
Title |
---|
基于大数据背景下的汽车4S店营销模式优化;李红梅;张云莉;蒋小燕;钟佳薇;卓巧英;杨玲;;汽车实用技术;20200515(第09期);第282-286页 * |
有道路限行的集团蔬菜城市配送车辆路径问题;赵璐;赵磊;朱道立;;上海管理科学;20131020(第05期);第131-140页 * |
考虑需求起讫点及需求等级的响应型社区公交行车调度优化;赵靖;葛庆红;韩印;;公路交通科技;20200615(第06期);第42-49页 * |
赵靖 ; 葛庆红 ; 韩印 ; .考虑需求起讫点及需求等级的响应型社区公交行车调度优化.公路交通科技.2020,(第06期),第42-49页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116703101A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A two-phase optimization model for the demand-responsive customized bus network design | |
Gendreau et al. | Dynamic vehicle routing and dispatching | |
US8239219B2 (en) | Method and apparatus for providing availability of airline seats | |
TWI522974B (zh) | 到站時間預測系統與方法 | |
CN109636216A (zh) | 一种乘客订单的生成方法和装置 | |
US20150142256A1 (en) | Method and system for facilitating service at service centers | |
US20140032422A1 (en) | Method and system for facilitating service at service centers | |
Yan et al. | A car pooling model and solution method with stochastic vehicle travel times | |
Häll et al. | A modeling system for simulation of dial-a-ride services | |
CN110866770A (zh) | 车辆保养方案的预测方法和预测系统 | |
JP2019152917A (ja) | 車売買情報管理方法、車売買支援システム並びに車売買システム | |
JP6307376B2 (ja) | 交通分析システム、交通分析プログラムおよび交通分析方法 | |
CN116703101B (zh) | 一种基于大数据的汽车销售服务管理系统及方法 | |
JP2019091389A5 (zh) | ||
Badoe | Modelling work-trip mode choice decisions in two-worker households | |
CN116739213A (zh) | 基于代理模型辅助算法的地铁接驳公交优化方法 | |
Vateekul et al. | Recurrent Neural‐Based Vehicle Demand Forecasting and Relocation Optimization for Car‐Sharing System: A Real Use Case in Thailand | |
US20050015294A1 (en) | Method and system for modeling and simulating an automobile service facility | |
US11769352B2 (en) | Smart and shared services platform | |
JP5413825B2 (ja) | 配送シミュレーション装置、配送シミュレーション処理方法、及び配送シミュレーション処理プログラム | |
Zhang et al. | Generalized stable user matching for autonomous vehicle co-ownership programs | |
CN111695919B (zh) | 评价数据处理方法、装置、电子设备及存储介质 | |
CN111369087A (zh) | 一种适用于车辆集团的基于erp系统的车辆管理方法 | |
Chakroborty | Optimal routing and scheduling in transportation: using genetic algorithm to solve difficult optimization problems | |
CN112015755B (zh) | 基于物联网技术的道路客运售票信息查询处理方法 |
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 |