CN116911714B - 物品运输方法、装置、电子设备和计算机可读介质 - Google Patents
物品运输方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116911714B CN116911714B CN202311159852.0A CN202311159852A CN116911714B CN 116911714 B CN116911714 B CN 116911714B CN 202311159852 A CN202311159852 A CN 202311159852A CN 116911714 B CN116911714 B CN 116911714B
- Authority
- CN
- China
- Prior art keywords
- information
- region
- value
- regional
- preset
- 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 44
- 238000011156 evaluation Methods 0.000 claims abstract description 105
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 230000010365 information processing Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 13
- 238000012417 linear regression Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000001275 Bouea macrophylla Nutrition 0.000 description 2
- 240000001160 Bouea macrophylla Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001502 supplementing 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了物品运输方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:接收目标终端发送的对应目标区域的文档信息集;对文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集;获取区域评价信息集;根据区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对区域信息集进行信息处理,以生成第一区域评分值;将区域信息集输入至预先训练的信息评分模型,得到第二区域评分值;根据第一区域评分值和第二区域评分值,确定区域评分值,以及根据区域评分值,控制相关联的车辆对目标区域进行物品运输。该实施方式可以避免运输的物品与实际物品需求不相符,进而避免了物品积压。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及物品运输方法、装置、电子设备和计算机可读介质。
背景技术
随着极端天气的数量不断增加,根据不同的区域,需要储备不同的应急物资。在确定不同区域储备的应急物资时,通常采用的方式为:使用预先训练的线型回归模型作为评分模型对区域进行评分,通过评分确定需要储备的物资。
然而,当采用上述方式确定不同区域储备的应急物资时,经常会存在如下技术问题:
第一,在数据较多时,需要耗费较长的时间对线型回归模型的参数进行配置,且线型回归模型可能会受到极值(极大值或者极小值)的影响,导致得到的评分与实际评分不符,从而导致运输的物品与实际物品需求不相符,造成物品积压。
第二,在对区域信息进行存储时,区域信息中存在较多的无用信息,将全部区域信息进行存储时,未对区域信息中的无用信息进行去除,导致存储资源的浪费。
第三,在对区域信息进行映射时,通常设定范围将区域信息映射为具体的评分数值。而设定的范围不合理,导致得到的评分与实际评分不符,从而导致运输的物品与实际物品需求不相符,造成物品积压。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了物品运输方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种物品运输方法,该方法包括:接收目标终端发送的对应目标区域的文档信息集;对上述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集,其中,上述区域信息集中的区域信息包括以下之一:区域等级、区域面积和人口数量信息;获取区域评价信息集,其中,上述区域评价信息集中的区域评价信息包括评价名称和评价映射范围集;根据上述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对上述区域信息集进行信息处理,以生成第一区域评分值;将上述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值;根据上述第一区域评分值和上述第二区域评分值,确定区域评分值,以及根据上述区域评分值,控制相关联的车辆对上述目标区域进行物品运输。
第二方面,本公开的一些实施例提供了一种物品运输装置,装置包括:接收单元,被配置成接收目标终端发送的对应目标区域的文档信息集;预处理单元,被配置成对上述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集,其中,上述区域信息集中的区域信息包括以下之一:区域等级、区域面积和人口数量信息;获取单元,被配置成获取区域评价信息集,其中,上述区域评价信息集中的区域评价信息包括评价名称和评价映射范围集;信息处理单元,被配置成根据上述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对上述区域信息集进行信息处理,以生成第一区域评分值;输入单元,被配置成将上述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值;控制单元,被配置成根据上述第一区域评分值和上述第二区域评分值,确定区域评分值,以及根据上述区域评分值,控制相关联的车辆对上述目标区域进行物品运输。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的物品运输方法,可以避免运输的物品与实际物品需求不相符,从而可以避免物品积压。具体来说,
造成运输的物品与实际物品需求不相符,造成物品积压的原因在于:在数据较多时,需要耗费较长的时间对线型回归模型的参数进行配置,且线型回归模型可能会受到极值(极大值或者极小值)的影响,导致得到的评分与实际评分不符,从而导致运输的物品与实际物品需求不相符,造成物品积压。基于此,本公开的一些实施例的物品运输方法,首先,接收目标终端发送的对应目标区域的文档信息集。由此,可以得到目标区域的各种文档数据。其次,对上述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集。由此,可以通过预处理,对得到的文档信息集进行整理,整理出需要的数据。然后,获取区域评价信息集。由此,可以通过区域评价信息集对区域信息集进行评分。之后,根据上述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对上述区域信息集进行信息处理,以生成第一区域评分值。由此,可以将不同领域不同计量的数据映射为统一计量的映射值。从而,可以避免使用线型回归模型,进而避免因出现极值导致得到的评分与实际评分不符。再然后,将上述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值。由此,可以通过预先训练的模型对区域信息集再次进行评分。最后,根据上述第一区域评分值和上述第二区域评分值,确定区域评分值,以及根据上述区域评分值,控制相关联的车辆对上述目标区域进行物品运输。由此,可以通过第一区域评分值和第二区域评分值,准确确定目标区域的评分,从而根据评分对目标区域进行物品运输,可以避免运输的物品与实际物品需求不相符,进而避免了物品积压。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的物品运输方法的一些实施例的流程图;
图2是根据本公开的物品运输装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的物品运输方法的一些实施例的流程100。该物品运输方法,包括以下步骤:
步骤101,接收目标终端发送的对应目标区域的文档信息集。
在一些实施例中,物品运输方法的执行主体(例如服务器)可以通过有线连接或者无线连接的方式接收目标终端发送的对应目标区域的文档信息集。其中,上述目标区域可以是需要进行物品配送的行政区域。上述文档信息集中的文档信息可以是上述目标区域的某一领域的文档信息。
步骤102,对文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集。
在一些实施例中,上述执行主体可以对上述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集。其中,上述区域信息集中的区域信息包括以下之一:区域等级、区域面积和人口数量信息。上述区域等级可以是目标区域的行政区域等级。上述人口数量信息可以表征目标区域内的人口数量。
实践中,上述执行主体可以通过以下步骤对上述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集:
第一步,对上述文档信息集中的各个文档信息进行过滤处理,以生成至少一个过滤后的文档信息,作为过滤后文档信息集。实践中,第一,可以通过有线连接或者无线连接的方式从相关联的数据库中获取预设过滤条件集合。其中,上述预设过滤条件集合中的预设过滤条件可以是预先设定的用于对文档信息进行过滤的条件。第二,对于上述文档信息集中的每个文档信息,响应于上述文档信息满足上述预设过滤条件集合中任一预设过滤条件,对上述文档信息进行过滤。
第二步,将上述过滤后文档信息集中的每个过滤后文档信息进行结构化处理,以生成结构化文档信息,得到结构化文档信息集。
实践中,上述执行主体可以通过以下子步骤对上述过滤后文档信息集中的每个过滤后文档信息进行结构化处理:
第一子步骤,对于上述过滤后文档信息集中的每个过滤后文档信息,执行如下处理步骤:
第一处理步骤,对上述过滤后文档信息进行分词处理,以生成分词后文档信息。其中,上述分词处理可以是通过基于词典的分词算法对上述过滤后文档信息包括的各个句子进行分词。
第二处理步骤,对上述分词后文档信息进行合词处理,以生成合词后文档信息。其中,上述合词处理可以是通过基于字序列标注的算法对上述分词后文档信息包括的各个字进行合词。
第三处理步骤,对上述合词后文档信息包括的各个词语进行词性标注,以生成标注后文档信息。其中,上述词性标注可以是使用最大熵算法对上述合词后文档信息包括的各个词语进行词性标注。
第四处理步骤,将上述标注后文档信息输入至条件随机场中,以对标注后文档信息包括的各个词语进行语义组块。
第五处理步骤,对语义组块后的标注后文档信息进行命名实体标注。这里,可以使用隐马尔可夫模型和维特比算法对语义组块后的标注后文档信息包括的各个词语进行命名实体标注。
第六处理步骤,对语义组块后的标注后文档信息包括的每个句子进行句法分析,以生成结构化语法树,得到结构化语法树组。实践中,可以使用依存语法分析算法对语义组块后的标注后文档信息包括的每个句子进行句法分析。
第二子步骤,将所生成的各个结构化语法树组确定为结构化文档信息集。
第三子步骤,将上述结构化文档信息存储至预设高速缓存中。其中,上述预设高速缓存可以是预先设置的与上述执行主体通过有线连接或者无线连接的高速缓存器。
上述第一子步骤-第三子步骤中的相关内容作为本公开的一个发明点,解决了背景技术提及的技术问题二“在对区域信息进行存储时,区域信息中存在较多的无用信息,将全部区域信息进行存储时,未对区域信息中的无用信息进行去除,导致存储资源的浪费”。造成存储资源的浪费的因素往往如下:在对区域信息进行存储时,区域信息中存在较多的无用信息,将全部区域信息进行存储时,未对区域信息中的无用信息进行去除,导致存储资源的浪费。如果解决了上述因素,就能达到减少存储资源的浪费的效果。为了达到这一效果,第一,对于上述过滤后文档信息集中的每个过滤后文档信息,执行如下处理步骤:首先,对上述过滤后文档信息进行分词处理,以生成分词后文档信息。由此,可以将文档信息中的句子划分为各个词语。其次,对上述分词后文档信息进行合词处理,以生成合词后文档信息。由此,可以将文档信息中单独的字合词为词语。然后,对上述合词后文档信息包括的各个词语进行词性标注,以生成标注后文档信息。由此,可以对文档信息中的各个词语的词性进行标注,以便于对文档信息进行梳理。之后,将上述标注后文档信息输入至条件随机场中,以对标注后文档信息包括的各个词语进行语义组块。由此,可以将词语进行语义组合,得到句子的主语、谓语等句子成分。再然后,对语义组块后的标注后文档信息进行命名实体标注。由此,可以将文档信息中具有特定意义的实体进行标注。之后,对语义组块后的标注后文档信息包括的每个句子进行句法分析,以生成结构化语法树,得到结构化语法树组。由此可以将文档信息中的句子通过树状格式进行表示。最后,将所生成的各个结构化语法树组确定为结构化文档信息集;将上述结构化文档信息存储至预设高速缓存中。由此,可以将各个结构化语法树组进行存储,从而可以通过对文档信息中的句子进行语义分析,并提取为树状结构进行存储,可以对文档信息中的无用信息进行去除,从而在存储文档信息时减少了存储的文档信息的内容,进而减少了存储资源的浪费。
第三步,对上述结构化文档信息集包括的各个结构化文档信息进行关键字提取处理,以生成至少一个关键字以及对应上述至少一个关键字的至少一个关键字数据,作为区域信息集。
实践中,上述执行主体可以通过以下子步骤对上述结构化文档信息集包括的各个结构化文档信息进行关键字提取处理,以生成至少一个关键字以及对应上述至少一个关键字的至少一个关键字数据,作为区域信息集:
第一子步骤,对于上述结构化文档信息集中的每个结构化文档信息,执行如下提取步骤:
第一提取步骤,获取预设关键字集合和预设缺失信息集合。其中,上述预设缺失信息集合中的预设缺失信息包括缺失关键字和缺失关键字数据。上述缺失关键字可以是预先设置的需要进行关键字数据补充的关键字。上述缺失关键字数据可以是用于补充缺失了关键字数据的关键字对应的关键字数据。上述预设关键字集合中的预设关键字可以是预先设定的需要进行提取的关键字。
第二提取步骤,响应于上述结构化文档信息中存在与上述预设关键字集合包括的任一预设关键字相同的至少一个关键字,对上述结构化文档信息包括的至少一个目标关键字进行提取处理,以生成目标关键字集。
第三提取步骤,确定上述目标关键字集中的每个目标关键字对应的关键字数据。实践中,可以通过预先训练的语义模型确定上述目标关键字集中的每个目标关键字对应的关键字数据。其中,上述预先训练的语义模型可以是预先训练的深度学习模型。
第四提取步骤,对于不存在对应的关键字数据的各个目标关键字中的每个目标关键字,响应于上述预设缺失信息集合中存在包括的缺失关键字与上述目标关键字相同的预设缺失信息,将包括的缺失关键字与上述目标关键字相同的预设缺失信息包括的缺失关键字数据确定为上述目标关键字对应的关键字数据。
可选地,在第四提取步骤之后,对于不存在对应的关键字数据的各个目标关键字中的每个目标关键字,响应于上述预设缺失信息集合中不存在包括的缺失关键字与上述目标关键字相同的预设缺失信息,从上述目标关键字集中删除上述目标关键字,以对上述目标关键字集进行更新。
第二子步骤,将所生成的各个目标关键词集以及上述各个目标关键词集对应的各个关键字数据确定为区域信息集。
步骤103,获取区域评价信息集。
在一些实施例中,上述执行主体可以获取区域评价信息集。实践中,上述区域评价信息集中的区域评价信息包括评价名称和评价映射范围集。上述评价名称可以是上述目标区域的某一领域的名称。上述评价映射范围集中的评价映射范围可以是预先设定的用于对某一数值进行映射的范围。例如,上述评价映射范围可以是[0-100,1],表征某一数值在0-100时,将此数值的映射值为1。
步骤104,根据区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对区域信息集进行信息处理,以生成第一区域评分值。
在一些实施例中,上述执行主体可以根据上述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对上述区域信息集进行信息处理,以生成第一区域评分值。
实践中,上述执行主体可以执行如下信息处理步骤:
第一信息处理步骤,对于上述区域信息集中的每个区域信息,执行如下步骤:
第一步,从上述区域评价信息集中选取出包括的评价名称与上述区域信息包括的关键字相同的区域评价信息,作为目标区域评价信息。
第二步,从上述目标区域评价信息包括的评价映射范围集中选取出对应上述区域信息包括的关键字数据的评价映射范围,作为目标评价映射范围。其中,上述关键字数据在上述目标评价映射范围内。
第三步,将上述关键字数据映射为上述目标评价映射范围对应的映射值。
第二信息处理步骤,将所得到的各个映射值的和确定为第一区域评分值。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下生成步骤生成第一区域评分值:
第一生成步骤,将上述区域信息集中的每个区域信息进行模糊化处理,以生成模糊化后区域信息,得到模糊化后区域信息集。其中,上述模糊化处理可以是通过玛达尼控制算法对区域信息进行模糊化处理。上述模糊化处理的隶属函数可以是梯形隶属函数。
第二生成步骤,获取预设模糊规则集合。其中,上述预设模糊规则集合中的预设模糊规则可以是预先设定的模糊控制规则。
第三生成步骤,根据上述预设模糊规则集合,对上述区域信息集包括的每个区域信息进行匹配处理,以生成匹配度模糊值,得到匹配度模糊值集合。
第四生成步骤,上述匹配度模糊值集合中的各个匹配度模糊值集合进行解模糊化处理,以生成匹配度值集合。这里,可以通过最大隶属度平均法对各个匹配度模糊值集合进行解模糊化处理。
第五生成步骤,将上述匹配度值集合中的各个匹配度值的和确定为第一区域评分值。
上述第一生成步骤-第五生成步骤中的相关内容,结合下文步骤“步骤106”,作为本公开的一个发明点,解决了背景技术提及的技术问题三“在对区域信息进行映射时,通常设定范围将区域信息映射为具体的评分数值。而设定的范围不合理,导致得到的评分与实际评分不符,从而导致运输的物品与实际物品需求不相符,造成物品积压”。造成物品积压的因素往往如下:在对区域信息进行映射时,通常设定范围将区域信息映射为具体的评分数值。而设定的范围不合理,导致得到的评分与实际评分不符,从而导致运输的物品与实际物品需求不相符,造成物品积压。如果解决了上述因素,就能达到避免物品积压的效果。为了达到这一效果,首先,将上述区域信息集中的每个区域信息进行模糊化处理,以生成模糊化后区域信息,得到模糊化后区域信息集。由此,可以将区域信息模糊为模糊量。其次,获取预设模糊规则集合;根据上述预设模糊规则集合,对上述区域信息集包括的每个区域信息进行匹配处理,以生成匹配度模糊值,得到匹配度模糊值集合。由此,可以通过预先设定的模糊规则,确定区域信息的匹配度的模糊值。然后,对上述匹配度模糊值集合中的各个匹配度模糊值集合进行解模糊化处理,以生成匹配度值集合。由此,可以将匹配度的模糊值进行解模糊化,以得到匹配度。最后,将上述匹配度值集合中的各个匹配度值的和确定为第一区域评分值。由此,可以确定目标区域的第一区域评分值。结合步骤106,根据第一区域评分值和第二区域评分值,确定区域评分值,以及根据区域评分值,控制相关联的车辆对目标区域进行物品运输。由此,可以通过确定区域信息对于模糊规则的匹配度值,避免了因设定的映射范围不合理导致的映射得到的评分与实际评分不符的情况,从而结合步骤106进行物品运输时,可以避免运输的物品与实际物品需求不相符的情况,进而避免了物品积压。
步骤105,将区域信息集输入至预先训练的信息评分模型,得到第二区域评分值。
在一些实施例中上述执行主体可以将上述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值。
可选地,上述信息评分模型可以是通过以下步骤训练得到的:
第一步,获取样本集合。
在一些实施例中,上述执行主体可以获取样本集合。其中,上述样本集合中的样本包括样本区域信息集,以及与上述样本区域信息集对应的样本第二区域评分值。
第二步,从上述样本集合中选择样本。
在一些实施例中,上述执行主体可以从上述样本集合中选择样本。这里,上述执行主体可以随机从上述样本集合中选择样本。
第三步,将上述样本输入至初始网络模型,得到对应上述样本的第二区域评分值。
在一些实施例中,上述执行主体可以将上述样本输入至初始网络模型,得到对应上述样本的第二区域评分值。其中,上述初始神经网络可以是能够根据区域信息集得到第二区域评分值的各种神经网络。例如,上述初始神经网络可以是卷积神经网络。上述初始神经网络还可以是深度神经网络。
第四步,基于预设的损失函数,确定上述第二区域评分值与上述样本包括的样本第二区域评分值之间的损失值。
在一些实施例中,上述执行主体可以基于预设的损失函数,确定上述第二区域评分值与上述样本包括的样本第二区域评分值之间的损失值。例如,上述预设的损失函数可以是交叉熵损失函数。
第五步,响应于上述损失值大于等于预设阈值,调整上述初始网络模型的网络参数。
在一些实施例中,上述执行主体可以响应于上述损失值大于等于预设阈值,调整上述初始网络模型的网络参数。这里,对于预设阈值的设定,不作限制。例如,可以对损失值和预设阈值求差值,得到损失差值。在此基础上,利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
可选地,响应于上述损失值小于上述预设阈值,将上述初始网络模型确定为信息评分模型。
在一些实施例中,上述执行主体可以响应于上述损失值小于上述预设阈值,将上述初始网络模型确定为信息评分模型。
步骤106,根据第一区域评分值和第二区域评分值,确定区域评分值,以及根据区域评分值,控制相关联的车辆对目标区域进行物品运输。
在一些实施例中,上述执行主体可以根据上述第一区域评分值和上述第二区域评分值,确定区域评分值,以及根据上述区域评分值,控制相关联的车辆对上述目标区域进行物品运输。实践中,第一,可以通过预先设定的第一权值和第二权值对上述第一区域评分值和第二区域评分值进行加权求和,确定区域评分值。这里,关于第一权值和第二权值的设定,不作限制,可以是通过实验得到的权值。第二,获取预设区域评分对应关系表。上述预设区域评分对应关系表可以是预先设定的、区域评分区间与需要运输的物品的物品信息的对应关系表。这里,上述预设区域评分对应关系表可以包括区域评分区间与物品信息的运输关系。实践中,可以从上述预设区域评分对应关系表中选取出目标区域评分区间对应的至少一个物品信息作为待运输物品信息集。上述目标区域评分区间可以是上述预设区域评分对应关系表中包括上述区域评分值的区域评分区间。第三,可以控制相关联的车辆对上述待运输物品信息集对应的各个物品进行运输。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的物品运输方法,可以避免运输的物品与实际物品需求不相符,从而可以避免物品积压。具体来说,造成运输的物品与实际物品需求不相符,造成物品积压的原因在于:在数据较多时,需要耗费较长的时间对线型回归模型的参数进行配置,且线型回归模型可能会受到极值(极大值或者极小值)的影响,导致得到的评分与实际评分不符,从而导致运输的物品与实际物品需求不相符,造成物品积压。基于此,本公开的一些实施例的物品运输方法,首先,接收目标终端发送的对应目标区域的文档信息集。由此,可以得到目标区域的各种文档数据。其次,对上述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集。由此,可以通过预处理,对得到的文档信息集进行整理,整理出需要的数据。然后,获取区域评价信息集。由此,可以通过区域评价信息集对区域信息集进行评分。之后,根据上述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对上述区域信息集进行信息处理,以生成第一区域评分值。由此,可以将不同领域不同计量的数据映射为统一计量的映射值。从而,可以避免使用线型回归模型,进而避免因出现极值导致得到的评分与实际评分不符。再然后,将上述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值。由此,可以通过预先训练的模型对区域信息集再次进行评分。最后,根据上述第一区域评分值和上述第二区域评分值,确定区域评分值,以及根据上述区域评分值,控制相关联的车辆对上述目标区域进行物品运输。由此,可以通过第一区域评分值和第二区域评分值,准确确定目标区域的评分,从而根据评分对目标区域进行物品运输,可以避免运输的物品与实际物品需求不相符,进而避免了物品积压。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种物品运输装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该物品运输装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的物品运输装置200包括:接收单元201、预处理单元202、获取单元203、信息处理单元204、输入单元205和控制单元206。其中,接收单元201被配置成接收目标终端发送的对应目标区域的文档信息集;预处理单元202被配置成对上述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集,其中,上述区域信息集中的区域信息包括以下之一:区域等级、区域面积和人口数量信息;获取单元203被配置成获取区域评价信息集,其中,上述区域评价信息集中的区域评价信息包括评价名称和评价映射范围集;信息处理单元204被配置成根据上述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对上述区域信息集进行信息处理,以生成第一区域评分值;输入单元205被配置成将上述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值;控制单元206被配置成根据上述第一区域评分值和上述第二区域评分值,确定区域评分值,以及根据上述区域评分值,控制相关联的车辆对上述目标区域进行物品运输。
可以理解的是,物品运输装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于物品运输装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、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3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置301(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收目标终端发送的对应目标区域的文档信息集。对上述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集,其中,上述区域信息集中的区域信息包括以下之一:区域等级、区域面积和人口数量信息。获取区域评价信息集,其中,上述区域评价信息集中的区域评价信息包括评价名称和评价映射范围集。根据上述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对上述区域信息集进行信息处理,以生成第一区域评分值。将上述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值。根据上述第一区域评分值和上述第二区域评分值,确定区域评分值,以及根据上述区域评分值,控制相关联的车辆对上述目标区域进行物品运输。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、预处理单元、获取单元、信息处理单元、输入单元和控制单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收目标终端发送的对应目标区域的文档信息集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种物品运输方法,包括:
接收目标终端发送的对应目标区域的文档信息集;
对所述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集,其中,所述区域信息集中的区域信息包括以下之一:区域等级、区域面积和人口数量信息;
获取区域评价信息集,其中,所述区域评价信息集中的区域评价信息包括评价名称和评价映射范围集;
根据所述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对所述区域信息集进行信息处理,以生成第一区域评分值;
将所述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值;
根据所述第一区域评分值和所述第二区域评分值,确定区域评分值,以及根据所述区域评分值,控制相关联的车辆对所述目标区域进行物品运输;
其中,所述根据所述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对所述区域信息集进行信息处理,以生成第一区域评分值,包括:
将所述区域信息集中的每个区域信息进行模糊化处理,以生成模糊化后区域信息,得到模糊化后区域信息集;
获取预设模糊规则集合;
根据所述预设模糊规则集合,对所述区域信息集包括的每个区域信息进行匹配处理,以生成匹配度模糊值,得到匹配度模糊值集合;
对所述匹配度模糊值集合中的各个匹配度模糊值进行解模糊化处理,以生成匹配度值集合;
将所述匹配度值集合中的各个匹配度值的和确定为第一区域评分值;
其中,所述根据所述第一区域评分值和所述第二区域评分值,确定区域评分值,以及根据所述区域评分值,控制相关联的车辆对所述目标区域进行物品运输,包括:
通过预先设定的第一权值和第二权值对所述第一区域评分值和第二区域评分值进行加权求和,确定区域评分值;
获取预设区域评分对应关系表,其中,所述预设区域评分对应关系表是预先设定的、区域评分区间与需要运输的物品的物品信息的对应关系表;
控制相关联的车辆对待运输物品信息集对应的各个物品进行运输。
2.根据权利要求1所述的方法,其中,所述对所述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集,包括:
对所述文档信息集中的各个文档信息进行过滤处理,以生成至少一个过滤后的文档信息,作为过滤后文档信息集;
将所述过滤后文档信息集中的每个过滤后文档信息进行结构化处理,以生成结构化文档信息,得到结构化文档信息集;
对所述结构化文档信息集包括的各个结构化文档信息进行关键字提取处理,以生成至少一个关键字以及对应所述至少一个关键字的至少一个关键字数据,作为区域信息集。
3.根据权利要求2所述的方法,其中,所述对所述结构化文档信息集包括的各个结构化文档信息进行关键字提取处理,以生成至少一个关键字以及对应关键字的关键字数据,作为区域信息集,包括:
对于所述结构化文档信息集中的每个结构化文档信息,执行如下提取步骤:
获取预设关键字集合和预设缺失信息集合,其中,所述预设缺失信息集合中的预设缺失信息包括缺失关键字和缺失关键字数据;
响应于所述结构化文档信息中存在与所述预设关键字集合包括的任一预设关键字相同的至少一个关键字,对所述结构化文档信息包括的至少一个目标关键字进行提取处理,以生成目标关键字集;
确定所述目标关键字集中的每个目标关键字对应的关键字数据;
对于不存在对应的关键字数据的各个目标关键字中的每个目标关键字,响应于所述预设缺失信息集合中存在包括的缺失关键字与所述目标关键字相同的预设缺失信息,将包括的缺失关键字与所述目标关键字相同的预设缺失信息包括的缺失关键字数据确定为所述目标关键字对应的关键字数据。
4.根据权利要求3所述的方法,其中,所述提取步骤还包括:
对于不存在对应的关键字数据的各个目标关键字中的每个目标关键字,响应于所述预设缺失信息集合中不存在包括的缺失关键字与所述目标关键字相同的预设缺失信息,从所述目标关键字集中删除所述目标关键字,以对所述目标关键字集进行更新。
5.根据权利要求1所述的方法,其中,所述信息评分模型是通过以下步骤训练得到的:
获取样本集合,其中,所述样本集合中的样本包括样本区域信息集,以及与所述样本区域信息集对应的样本第二区域评分值;
从所述样本集合中选择样本;
将所述样本输入至初始网络模型,得到对应所述样本的第二区域评分值;
基于预设的损失函数,确定所述第二区域评分值与所述样本包括的样本第二区域评分值之间的损失值;
响应于所述损失值大于等于预设阈值,调整所述初始网络模型的网络参数。
6.根据权利要求5所述的方法,其中,所述方法还包括:
响应于所述损失值小于所述预设阈值,将所述初始网络模型确定为信息评分模型。
7.一种物品运输装置,包括:
接收单元,被配置成接收目标终端发送的对应目标区域的文档信息集;
预处理单元,被配置成对所述文档信息集中的文档信息进行预处理,以生成至少一个预处理后的文档信息作为区域信息集;
获取单元,被配置成获取区域评价信息集,其中,所述区域评价信息集中的区域评价信息包括评价名称和评价映射范围集;
信息处理单元,被配置成根据所述区域评价信息集中的区域评价信息包括的评价名称和评价映射范围集,对所述区域信息集进行信息处理,以生成第一区域评分值;所述信息处理单元被进一步配置成:
将所述区域信息集中的每个区域信息进行模糊化处理,以生成模糊化后区域信息,得到模糊化后区域信息集;
获取预设模糊规则集合;
根据所述预设模糊规则集合,对所述区域信息集包括的每个区域信息进行匹配处理,以生成匹配度模糊值,得到匹配度模糊值集合;
对所述匹配度模糊值集合中的各个匹配度模糊值进行解模糊化处理,以生成匹配度值集合;
将所述匹配度值集合中的各个匹配度值的和确定为第一区域评分值;
输入单元,被配置成将所述区域信息集输入至预先训练的信息评分模型,得到第二区域评分值;
控制单元,被配置成根据所述第一区域评分值和所述第二区域评分值,确定区域评分值,以及根据所述区域评分值,控制相关联的车辆对所述目标区域进行物品运输;所述控制单元被进一步配置成:
通过预先设定的第一权值和第二权值对所述第一区域评分值和第二区域评分值进行加权求和,确定区域评分值;
获取预设区域评分对应关系表,其中,所述预设区域评分对应关系表是预先设定的、区域评分区间与需要运输的物品的物品信息的对应关系表;
控制相关联的车辆对待运输物品信息集对应的各个物品进行运输。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159852.0A CN116911714B (zh) | 2023-09-11 | 2023-09-11 | 物品运输方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159852.0A CN116911714B (zh) | 2023-09-11 | 2023-09-11 | 物品运输方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911714A CN116911714A (zh) | 2023-10-20 |
CN116911714B true CN116911714B (zh) | 2023-12-08 |
Family
ID=88351370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311159852.0A Active CN116911714B (zh) | 2023-09-11 | 2023-09-11 | 物品运输方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911714B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111405314A (zh) * | 2020-03-09 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN112317109A (zh) * | 2020-09-27 | 2021-02-05 | 鞍钢集团矿业有限公司 | 圆锥破碎机故障预判方法 |
CN112819324A (zh) * | 2021-01-29 | 2021-05-18 | 佛山市墨纳森智能科技有限公司 | 一种基于物联网的救援物资调度方法、系统及可读存储介质 |
CN113496361A (zh) * | 2020-03-19 | 2021-10-12 | 上海达牛信息技术有限公司 | 一种实时运力推荐方法 |
CN116245595A (zh) * | 2022-12-07 | 2023-06-09 | 国网物资有限公司 | 供应端物品运输方法、装置、电子设备和计算机可读介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200334637A1 (en) * | 2019-04-16 | 2020-10-22 | United States Postal Service | Methods and systems for item delivery along delivery routes |
-
2023
- 2023-09-11 CN CN202311159852.0A patent/CN116911714B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111405314A (zh) * | 2020-03-09 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN113496361A (zh) * | 2020-03-19 | 2021-10-12 | 上海达牛信息技术有限公司 | 一种实时运力推荐方法 |
CN112317109A (zh) * | 2020-09-27 | 2021-02-05 | 鞍钢集团矿业有限公司 | 圆锥破碎机故障预判方法 |
CN112819324A (zh) * | 2021-01-29 | 2021-05-18 | 佛山市墨纳森智能科技有限公司 | 一种基于物联网的救援物资调度方法、系统及可读存储介质 |
CN116245595A (zh) * | 2022-12-07 | 2023-06-09 | 国网物资有限公司 | 供应端物品运输方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116911714A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959236B (zh) | 医学文献分类模型训练方法、医学文献分类方法及其装置 | |
CN111061881A (zh) | 文本分类方法、设备及存储介质 | |
CN114385780B (zh) | 程序接口信息推荐方法、装置、电子设备和可读介质 | |
CN111460288B (zh) | 用于检测新闻事件的方法和装置 | |
CN111414471B (zh) | 用于输出信息的方法和装置 | |
CN111090993A (zh) | 属性对齐模型训练方法及装置 | |
CN111428011B (zh) | 词语的推荐方法、装置、设备及存储介质 | |
CN113408507B (zh) | 基于履历文件的命名实体识别方法、装置和电子设备 | |
CN111078849A (zh) | 用于输出信息的方法和装置 | |
CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
CN113111167A (zh) | 基于深度学习模型的接处警文本车辆型号提取方法和装置 | |
CN111555960A (zh) | 信息生成的方法 | |
CN111382262A (zh) | 用于输出信息的方法和装置 | |
CN115062119B (zh) | 政务事件办理推荐方法、装置 | |
CN116911714B (zh) | 物品运输方法、装置、电子设备和计算机可读介质 | |
CN112182179B (zh) | 实体问答处理方法、装置、电子设备和存储介质 | |
CN111459959B (zh) | 用于更新事件集合的方法和装置 | |
CN114492400A (zh) | 标题实体识别模型训练方法、标题实体识别方法和装置 | |
CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
CN114385781B (zh) | 基于语句模型的接口文件推荐方法、装置、设备和介质 | |
CN117093604B (zh) | 检索信息生成方法、装置、电子设备和计算机可读介质 | |
CN117131152B (zh) | 信息存储方法、装置、电子设备和计算机可读介质 | |
CN114492413B (zh) | 文本校对方法、装置和电子设备 | |
CN111753080B (zh) | 用于输出信息的方法和装置 |
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 |