CN117787851B - 一种基于兴趣度匹配的物流调度方法、存储介质及设备 - Google Patents
一种基于兴趣度匹配的物流调度方法、存储介质及设备 Download PDFInfo
- Publication number
- CN117787851B CN117787851B CN202410208308.9A CN202410208308A CN117787851B CN 117787851 B CN117787851 B CN 117787851B CN 202410208308 A CN202410208308 A CN 202410208308A CN 117787851 B CN117787851 B CN 117787851B
- Authority
- CN
- China
- Prior art keywords
- goods
- price
- interestingness
- interest
- community
- 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 38
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于兴趣度匹配的物流调度方法、存储介质及设备,获取目标社区发出的团购物资的申请,读取目标社区所在区域的转运中心内与申请的团购物资同一类别的库存货物信息,并计算该类别的库存货物的兴趣度;发送至社区用户,将该类别的库存货物的兴趣度以坐标点的形式置于可视化的二维平面内;统计目标社区所有社区用户的投票结果,根据所有投票结果对应的投票点位置信息将投票点拟合出一条直线,将该直线与所述二维平面上分布的货物兴趣度坐标点进行比较,选取与直线截距最短的坐标点作为最终匹配成功的货物进行调度。优点:提高物资利用率的同时可以更好地满足社区用户的个性化需求、保证目标货物的合理性。
Description
技术领域
本发明涉及一种基于兴趣度匹配的物流调度方法、存储介质及设备,属于物流快递数据处理技术领域。
背景技术
当前大数据与人工智能的机器学习方法日趋成熟,然而,现有的机器学习模型所实现的精确匹配难以同时满足应急物资交付的个性化需求与时效性要求。在应急物流背景下,应急物资形成供应商—社区—居民的社区团购电商模式时,单纯采用现有的大宗团购代替小包配送模式,或许能在一定程度上整合物流资源,但其组织方式较为粗放,运行上也没有充分发挥快递配送企业的专业性。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于兴趣度匹配的物流调度方法、存储介质及设备。
为解决上述技术问题,本发明是采用下述技术方案实现的。
一方面,本发明提供一种基于兴趣度匹配的物流调度方法,包括:
获取目标社区发出的团购物资的申请,读取目标社区所在区域的转运中心内与申请的团购物资同一类别的库存货物信息,并计算该类别的库存货物的兴趣度;
将该类别的库存货物信息与对应的兴趣度发送至社区用户,同时将该类别的库存货物的兴趣度以坐标点的形式置于可视化的二维平面内;
获取社区用户选择团购货物的意向信息作为投票结果以及每个投票结果对应的投票点位置信息,统计目标社区所有社区用户的投票结果,根据所有投票结果对应的投票点位置信息将投票点拟合出一条直线,将该直线与所述二维平面上分布的货物兴趣度坐标点进行比较,选取与直线截距最短的坐标点作为最终匹配成功的货物进行调度。
进一步的,所述计算该类别的库存货物的兴趣度,包括:
设定转运中心库存货物的兴趣度Interest(ω)为二维向量,表示为:
Interest(ω)=(time(ω),cost(ω)) ;
式中,time(ω)是预计时间兴趣度,cost(ω)是预计代价兴趣度;
;
式中,e为自然常数,ET为预计运输时间,R为预计运输时间对应的权重,time(ω)∈(0,1);
cost(ω)=f(fresh(ω),price(ω),transcost(ω)) ;
式中,f(·)表示货物新鲜度、货物价格、运输代价三种影响因子共同构成的函数,fresh(ω) 表示货物新鲜度影响因子,price(ω)表示货物价格影响因子,transcost(ω)表示运输代价影响因子。
进一步的,计算所述货物新鲜度影响因子,包括:
当预计收货时货物已过期,则停止该货物后续的兴趣度计算,fresh(ω) =0;
当货物保质期视为无穷时,fresh(ω) =1;
当fresh(ω)不等于0或1时,利用w=w 0×K(x)计算货物新鲜度影响因子,w为货物新鲜度影响因子的值,K(x)为兴趣存量,w 0为初始货物新鲜度影响因子;
;
式中,k、c为设定的常量,T(t)为货物当前价值;
;
式中,T(t0)为货物剩余保质期为t时初始价值,a为衰减系数,a∈(0,1)。
进一步的,计算所述货物价格影响因子的表达式为:
;
式中,price(ω 0)为初始货物价格影响因子, 为货物当前价格变动百分比,P为货物的正常价格,ΔP为当前货物价格相较于货物正常价格的变动量,b为货物价格弹性系数;
;
式中,为第i个月内货物需求量变动的百分比,Q为货物的正常需求量,ΔQi为第i个月内货物需求量相较于正常需求量的变动量,/>是第i个月内货物价格变动的百分比,ΔPi为第i个月内货物价格相较于正常价格的变动量,i=1,2,3,…,n,n∈N +,n为统计数据月份的个数,N +为正整数。
进一步的,计算所述运输代价影响因子的表达式为:
;
式中,C为货物总运费,tq为区域运输带宽;
;
式中,GCR为货物运价,Spec为计费规格,Dis为计费里程;
;
式中,abindex为异常指数,表示区域处于异常事件时对运输带宽造成的影响,index为一般指数,表示区域在正常情况下相较于全区域平均运输状况的水平,m为异常指数权重,m∈(0,1);
;
式中,vol为该区域正常公路货运量,abvol为异常事件下公路货运量,当abvol≥vol时,abindex=1,当abvol<vol时,;
;
式中,LocalTvi为本地运量指数,AvgTvi为全区域平均运量指数。
进一步的,所述货物新鲜度、货物价格、运输代价三种影响因子共同构成的函数采用神经网络;
fresh(ω) 、price(ω)、transcost(ω)分别输入所述神经网络的三个输入口,所述神经网络对输入的数据进行融合,得到预计代价兴趣度从输出口输出。
第二方面,本发明提供一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述方法。
第三方面,本发明提供一种计算机设备,包括,一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述方法的指令。
本发明所达到的有益效果:
1、本发明依据上述实施例借助数学方法给物资赋予兴趣度这一属性,在用户既有时间要求和个性化需求,本地物资又不能精确匹配用户的场景下,尽可能将本地物流资源与社区用户的申请相匹配,最终在提高物资利用率的同时,可以更好地满足社区用户的个性化需求;
2、本发明通过发挥现有物流管理平台与信息基础设施的支撑作用,可以提高应急物流调度的效率,同时在社区用户端可采用智能合约的投票反馈机制,利用投票曲线与货物兴趣度拟合,尽可能保证目标货物的合理性。
附图说明
图1为兴趣度匹配流程示意图;
图2为物流快递信息平台模块结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1,本实施例介绍一种基于兴趣度匹配的物流调度方法,基于用户的输入与本地的物资进行匹配,从而形成物流调度,以此在相对短的时间内最大程度满足用户的个性化需求,具体包含如下步骤:
步骤1,当社区发出团购物资的申请时,读取社区所在区域的转运中心内与申请物资同一类别的库存货物信息,并计算该类别的库存货物的兴趣度。
步骤2,完成计算后,将该类别的库存货物与对应的兴趣度信息发送至社区用户,同时将货物的兴趣度以坐标点的形式置于可视化的二维平面内(X轴为预计代价兴趣度,Y轴为预计时间兴趣度)。社区用户进行投票,按意向选择团购货物。统计所有用户的投票结果,将所有用户的投票点(多个用户的投票点坐标可能相同)拟合出一条直线(使该直线尽可能逼近所有投票点),将该直线与同一平面上分布的货物兴趣度坐标点进行比较,选取与直线截距最短的坐标点,以此确认最终匹配成功的货物。
计算该类别的库存货物的兴趣度,包括:
设定转运中心库存货物的兴趣度Interest(ω)为二维向量,表示为:
Interest(ω)=(time(ω),cost(ω)) ;
式中,time(ω)是预计时间兴趣度,cost(ω)是预计代价兴趣度;
;
式中,e为自然常数,ET为预计运输时间,R为预计运输时间对应的权重,time(ω)∈(0,1)。
预计代价兴趣度是由货物新鲜度,货物价格,运输代价三种影响因子共同构成的函数;
cost(ω)=f(fresh(ω),price(ω),transcost(ω));
式中,f(·)表示货物新鲜度、货物价格、运输代价三种影响因子共同构成的函数,fresh(ω) 表示货物新鲜度影响因子,price(ω)表示货物价格影响因子,transcost(ω)表示运输代价影响因子。
计算货物新鲜度影响因子fresh(ω)时,用户在收货阶段对部分货物的兴趣与该货物的剩余保质期成正相关,且用户对过期的货物兴趣为0,因此有:
;
当fresh(ω)为0时,停止该货物后续的兴趣度计算,将该货物cost(ω)置为0。
fresh(ω)不等于0或1时,设定兴趣存量K(x),初始货物新鲜度影响因子w 0=1,w= w 0×K(x),fresh(ω)∈(0,1)。用户对货物的兴趣,本质上可视为用户对该货物的价值的兴趣,因此通过计算剩余保质期对货物剩余价值的影响来衡量货物处在某新鲜度时对用户兴趣存量的影响,K(x)与商品当前价值呈正相关。设定货物当前价值为T(t),参考艾宾浩斯记忆衰减定律,公式如下:
;
其中k、c为设定的常量,用以控制货物当前价值减少时用户兴趣存量的衰减速率。研究表明c∈(1.2,1.3),k∈(1.8,1.9)时较为符合用户兴趣存量的衰减变化规律。货物当前价值与剩余保质期呈正相关,因此参考牛顿温度冷却定律,货物当前价值是货物剩余保质期为t时初始价值T(t0)和衰减速率的乘积,公式如下:
;
其中T(t0)=1,e为自然常数。衰减速率由衰减系数a决定,a∈(0,1)。设定货物保质期为t1,生产日期为t2,当前日期为t3,预计运输时间为ET,则货物的剩余保质期为t=t1-(t3-t2)-ET。
计算货物价格影响因子price(ω)时,应急物资的价格可能在特殊时期发生一定的波动。考虑用该商品的市场需求量随价格变化的关系来衡量当价格发生变化时消费者对购买该商品的兴趣变化。参考消费者对商品的需求函数公式,price(ω)的计算公式如下:
;
式中,price(ω 0)为初始货物价格影响因子, 为货物当前价格变动百分比,P为货物的正常价格,ΔP为当前货物价格相较于货物正常价格的变动量,b为货物价格弹性系数,b越大,代表消费者对该货物价格变化越敏感,需求变化也就越大,则该货物价格发生变化时消费者对其的购买兴趣度变化越大;
;
式中,为第i个月内货物需求量变动的百分比,Q为货物的正常需求量,ΔQi为第i个月内货物需求量相较于正常需求量的变动量,/>是第i个月内货物价格变动的百分比,ΔPi为第i个月内货物价格相较于正常价格的变动量,i=1,2,3,…,n,n∈N +,n为统计数据月份的个数,N +为正整数(即根据市场调研选用i个月内该货物对应的货物需求量变动百分比以及货物价格变动百分比的历史数据求出b)。
计算运输代价影响因子transcost(ω)时,用户对货物的兴趣与运输代价呈负相关。运输代价与总运费呈正相关,运输代价与区域运输带宽呈负相关,则用户兴趣与总运费呈负相关,用户兴趣与区域运输带宽呈正相关,因此有:
;
式中,C为货物总运费,tq为区域运输带宽;
;
式中,GCR为货物运价,Spec为计费规格,Dis为计费里程;
;
式中,abindex为异常指数,表示区域处于异常事件时对运输带宽造成的影响,index为一般指数,表示区域在正常情况下相较于全区域平均运输状况的水平,m为异常指数权重,m∈(0,1),当较高异常地区向较低异常地区运输时阻力较小,因此m较小,当较低异常地区向较高异常地区运输时阻力较大,因此m较大;
;
式中,vol为该区域正常公路货运量(以区域所在省份为标准),abvol为异常事件下公路货运量,当abvol≥vol时,abindex=1,当abvol<vol时,;
;
式中,LocalTvi为本地运量指数(以区域所在省份为标准),AvgTvi为全区域平均运量指数。
当fresh(ω)不等于0时,将fresh(ω),price(ω),transcost(ω)) 三种影响因子的数据作为神经网络的三个输入口,输出口为cost(ω),利用神经网络融合三个影响因子的数据得到预计代价兴趣度,并对所有货物的预计代价兴趣度采用归一化处理,显然有cost(ω)∈[0,1]。
融合影响因子数据所需的神经网络可以适用一般的神经网络,例如采用BP神经网络时,本例中三层网络结构即可满足应用要求。根据神经网络的输入数据和输出数据,确定神经网络的输入层包含3个节点,输出层包含1个节点。其中隐节点个数参考经验公式为:
;
其中n 1为隐节点个数,n是输入个数,m是输出个数,a 1为常数且a 1∈[1,10]。本文中a 1设定为4,即隐节点个数为6个。
实施例2,与实施例1基于相同的发明构思,本实施例介绍一种基于兴趣度匹配的物流调度系统,包括:
首先需要构建包含必要模块的物流快递信息平台,然后在平台基础上进行物流快递数据的采集。当社区用户发起物资申请时,平台的兴趣度匹配模块对数据库内已完成货物归类的转运中心库存货物进行兴趣度计算。完成计算后,平台将货物与对应的兴趣度反馈给社区用户,社区用户通过智能合约模块进行投票,兴趣度匹配模块通过投票点拟合直线,确认最终匹配成功的货物。平台向货物所在的转运中心发出配送要求,社区用户收到货物后通过智能合约完成支付及评价。其流程图如图1所示。
S1:物流快递信息平台构建:
步骤1,为保证本发明提出的物流调度方法可以实施,标准化的物流快递信息平台负责连接本地转运中心群与社区用户群,应包括以下几个模块:数据库模块、货物归类模块、兴趣度匹配模块和智能合约模块。物流快递信息平台模块结构如图2所示。
数据库模块用于存储或读取物流及配送状态,运输单位,转运中心,库存货物,社区,申请物资,团购交易,区域运输条件等信息数据。
货物归类模块用于库存货物与申请物资的归类。当货物进入物流快递信息平台管理下的转运中心时,将该货物标记为数据库模块可识别的某一类别。当社区发出团购物资的申请时,平台获取该申请信息,将该申请物资标记为数据库模块可识别的某一类别。
兴趣度匹配模块用于计算库存货物的兴趣度。将所有用户的投票点(多个用户的投票点坐标可能相同)拟合出一条直线(使该直线尽可能逼近所有投票点),将该直线与二维平面上(X轴为预计代价兴趣度,Y轴为预计时间兴趣度)分布的货物兴趣度坐标点进行比较,选取与直线截距最短的坐标点,以此确认最终匹配成功的货物。
智能合约模块用于社区用户投票反馈,将货物的兴趣度以坐标点的形式置于可视化的二维平面内(X轴为预计代价兴趣度,Y轴为预计时间兴趣度),社区用户通过智能合约模块进行投票,按意向选择团购货物,投票结束后统计所有用户的投票结果,并最终作为社区团购的交易支付手段。
S2:物流快递数据采集:
货物进入物流快递信息平台管理下的转运中心时,采集该货物的名称、使用途径,是否时间敏感等数据,基于该数据,货物归类模块将该货物标记为数据库模块可识别的某一类别,数据库模块更新该入库货物的基本信息。
社区用户向物流快递信息平台发起申请时,采集该申请货物的名称,使用途径,是否时间敏感等数据,基于该数据,货物归类模块将该申请货物标记为数据库模块可识别的某一类别,数据库模块更新该社区申请的基本信息。
物流快递信息平台还需要采集货物运输、中转、配送等状态数据;物流快递运输单位的运输条件,运价,接单状况等数据;转运中心位置坐标,库存状态等数据;社区位置坐标,社区所在区域公路货运量,区域运量指数,区域受灾风险程度等数据。
S3:货物兴趣度计算:
当物流快递信息平台的数据库模块更新社区申请信息时,数据库模块读取转运中心内与社区申请信息同一类别的库存货物信息,兴趣度匹配模块接收库存货物信息后开始计算库存货物的兴趣度。
设定转运中心库存货物的兴趣度为二维向量Interest(ω)=(time(ω),cost(ω)),其中time(ω)是预计时间兴趣度,cost(ω)是预计代价兴趣度。同时设定时间与代价两个维度作为货物的兴趣度,其优势在于不同的用户选择货物时采取的策略可能不同,部分用户倾向于以更高的预计时间换取更低的预计代价,而另一部分用户则恰恰相反,可能愿意以更高的预计代价换取更低的预计时间。
预计时间兴趣度与预计运输时间ET成负相关,即预计运输时间越长,用户对该货物的兴趣越低,因此设定,e为自然常数,R为预计运输时间对应的权重,显然有time(ω)∈(0,1),预计运输时间由负责物流运输的单位直接提供。
预计代价兴趣度并非通常意义上的货物购买价格,而是由货物新鲜度,货物价格,运输代价三种影响因子共同构成的函数:
cost(ω)=f(fresh(ω),price(ω),transcost(ω));
计算货物新鲜度影响因子,包括:
用户在收货阶段对部分货物的兴趣会随其剩余保质期的减少而降低,但过期的货物一定不感兴趣,因此有:
;
在预计运输时间和货物基本信息已知的情况下,易证fresh(ω)为1或0的结果,不再列式计算,且fresh(ω)为0时,停止该货物后续兴趣度计算,将该货物cost(ω)置为0。
fresh(ω)不等于0或1时,设定兴趣存量K(x),初始货物新鲜度影响因子w 0=1,w= w 0×K(x),fresh(ω)∈(0,1)。用户对货物的兴趣,本质上可视为用户对该货物的价值的兴趣,因此通过计算剩余保质期对货物剩余价值的影响来衡量货物处在某新鲜度时对用户兴趣存量的影响,K(x)随着货物当前价值的减少而降低。设定货物当前价值为T(t),参考艾宾浩斯记忆衰减定律,公式如下:
;
其中k、c为设定的常量,用以控制货物当前价值减少时用户兴趣存量的衰减速率。研究表明c∈(1.2,1.3),k∈(1.8,1.9)时较为符合用户兴趣存量的衰减变化规律。货物当前价值与剩余保质期呈正相关,因此参考牛顿温度冷却定律,货物当前价值是货物剩余保质期为t时初始价值T(t0)和衰减速率的乘积,公式如下:
;
其中T(t0)=1,e为自然常数。衰减速率由衰减系数a决定,a∈(0,1)。设定货物保质期为t1,生产日期为t2,当前日期为t3,预计运输时间为ET,则货物的剩余保质期为t=t1-(t3-t2)-ET。
计算货物价格影响因子,包括:
应急物资的价格可能在特殊时期发生一定的波动。考虑用该货物的市场需求量随价格变化的关系来衡量当价格发生变化时消费者对购买该货物的兴趣变化。参考消费者对商品的需求函数公式,
price(ω),的计算公式如下:
;
式中,price(ω 0)为初始货物价格影响因子, 为货物当前价格变动百分比,P为货物的正常价格,ΔP为当前货物价格相较于货物正常价格的变动量,b为货物价格弹性系数,b越大,代表消费者对该货物价格变化越敏感,需求变化也就越大,则该货物价格发生变化时消费者对其的购买兴趣度变化越大;
;
式中,为第i个月内货物需求量变动的百分比,Q为货物的正常需求量,ΔQi为第i个月内货物需求量相较于正常需求量的变动量,/>是第i个月内货物价格变动的百分比,ΔPi为第i个月内货物价格相较于正常价格的变动量,i=1,2,3,…,n,n∈N +,n为统计数据月份的个数,N +为正整数(即根据市场调研选用i个月内该货物对应的货物需求量变动百分比以及货物价格变动百分比的历史数据求出b)。
计算运输代价影响因子transcost(ω)时,用户对货物的兴趣与运输代价呈负相关。运输代价与总运费呈正相关,运输代价与区域运输带宽呈负相关,则用户兴趣与总运费呈负相关,用户兴趣与区域运输带宽呈正相关,因此有:
;
式中,C为货物总运费,tq为区域运输带宽;
;
式中,GCR为货物运价,Spec为计费规格,Dis为计费里程;
;
式中,abindex为异常指数,表示区域处于异常事件时对运输带宽造成的影响,index为一般指数,表示区域在正常情况下相较于全区域平均运输状况的水平,m为异常指数权重,m∈(0,1),当较高异常地区向较低异常地区运输时阻力较小,因此m较小,当较低异常地区向较高异常地区运输时阻力较大,因此m较大;
;
式中,vol为该区域正常公路货运量(以区域所在省份为标准),abvol为异常事件下公路货运量,当abvol≥vol时,abindex=1,当abvol<vol时,;
;
式中,LocalTvi为本地运量指数(以区域所在省份为标准),AvgTvi为全区域平均运量指数。
三种影响因子融合,包括:
当fresh(ω)不等于0时,将fresh(ω),price(ω),transcost(ω)) 三种影响因子的数据作为神经网络的三个输入口,输出口为cost(ω),利用神经网络融合三个影响因子的数据得到预计代价兴趣度,并对所有i个结果采用归一化处理(i∈Z *),归一化公式如下所示,显然有cost(ω)∈[0,1]。
;
融合影响因子数据所需的神经网络可以适用一般的神经网络,例如采用LSTM神经网络时,本例中模型参数一共有7个,根据神经网络的输入数据和输出数据,确定LSTM模型相关参数如下:
时间步长seq_length = 3,输入维度大小input_size = 3,网络层数num_layers= 3,隐藏层大小hidden_size = 6,批数量batch_size = 64,输出维度output_size = 1,单向LSTM:num_directions=1。
S4:社区用户投票与货物匹配:
完成计算后,兴趣度匹配模块将与申请信息同一类别的库存货物与对应的兴趣度信息发送至智能合约模块。此时智能合约模块将货物的兴趣度以坐标点的形式置于可视化的二维平面内(X轴为预计代价兴趣度,Y轴为预计时间兴趣度)。社区用户通过智能合约模块进行投票,按意向选择团购货物。智能合约模块统计所有用户的投票结果发送给兴趣度匹配模块。兴趣度匹配模块将所有用户的投票点(多个用户的投票点坐标可能相同)拟合出一条直线(使该直线尽可能逼近所有投票点),将该直线与同一平面上分布的货物兴趣度坐标点进行比较,选取与直线截距最短的坐标点,以此确认最终匹配成功的货物。
S5:货物配送与接收:
当兴趣度匹配模块确认最终匹配成功的货物后,进入货物配送过程,平台向货物所在转运中心发起配送要求。包裹配送的过程以现有的物流快递配送技术为主,本发明不做改变。当货物配送至发起申请的社区后,社区用户确认该货物无误并签收,社区用户通过智能合约模块进行支付并对此次交易和物流进行评分。平台记录并完成整个交易过程。
实施例3,与其它实施例基于相同的发明构思,本实施例介绍一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述方法。
实施例4,与其它实施例基于相同的发明构思,本实施例介绍一种计算机设备,包括,一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述方法的指令。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于兴趣度匹配的物流调度方法,其特征在于,包括:
获取目标社区发出的团购物资的申请,读取目标社区所在区域的转运中心内与申请的团购物资同一类别的库存货物信息,并计算该类别的库存货物的兴趣度;
将该类别的库存货物信息与对应的兴趣度发送至社区用户,同时将该类别的库存货物的兴趣度以坐标点的形式置于可视化的二维平面内;
获取社区用户选择团购货物的意向信息作为投票结果以及每个投票结果对应的投票点位置信息,统计目标社区所有社区用户的投票结果,根据所有投票结果对应的投票点位置信息将投票点拟合出一条直线,将该直线与所述二维平面上分布的货物兴趣度坐标点进行比较,选取与直线截距最短的坐标点作为最终匹配成功的货物进行调度;
所述计算该类别的库存货物的兴趣度,包括:
设定转运中心库存货物的兴趣度Interest(ω)为二维向量,表示为:
Interest(ω)=(time(ω),cost(ω)) ;
式中,time(ω)是预计时间兴趣度,cost(ω)是预计代价兴趣度;
;
式中,e为自然常数,ET为预计运输时间,R为预计运输时间对应的权重,time(ω)∈(0,1);
cost(ω)=f(fresh(ω),price(ω),transcost(ω)) ;
式中,f(·)表示货物新鲜度、货物价格、运输代价三种影响因子共同构成的函数,fresh(ω) 表示货物新鲜度影响因子,price(ω)表示货物价格影响因子,transcost(ω)表示运输代价影响因子。
2.根据权利要求1所述的基于兴趣度匹配的物流调度方法,其特征在于,计算所述货物新鲜度影响因子,包括:
当预计收货时货物已过期,则停止该货物后续的兴趣度计算,fresh(ω) =0;
当货物保质期视为无穷时,fresh(ω) =1;
当fresh(ω)不等于0或1时,利用w=w 0×K(x)计算货物新鲜度影响因子,w为货物新鲜度影响因子的值,K(x)为兴趣存量,w 0为初始货物新鲜度影响因子;
;
式中,k、c为设定的常量,T(t)为货物当前价值;
;
式中,T(t0)为货物剩余保质期为t时初始价值,a为衰减系数,a∈(0,1)。
3.根据权利要求1所述的基于兴趣度匹配的物流调度方法,其特征在于,计算所述货物价格影响因子的表达式为:
;
式中,price(ω 0)为初始货物价格影响因子, 为货物当前价格变动百分比,P为货物的正常价格,ΔP为当前货物价格相较于货物正常价格的变动量,b为货物价格弹性系数;
;
式中,为第i个月内货物需求量变动的百分比,Q为货物的正常需求量,ΔQi为第i个月内货物需求量相较于正常需求量的变动量,/>是第i个月内货物价格变动的百分比,ΔPi为第i个月内货物价格相较于正常价格的变动量,i=1,2,3,…,n,n∈N +,n为统计数据月份的个数,N +为正整数。
4.根据权利要求1所述的基于兴趣度匹配的物流调度方法,其特征在于,计算所述运输代价影响因子的表达式为:
;
式中,C为货物总运费,tq为区域运输带宽;
;
式中,GCR为货物运价,Spec为计费规格,Dis为计费里程;
;
式中,abindex为异常指数,表示区域处于异常事件时对运输带宽造成的影响,index为一般指数,表示区域在正常情况下相较于全区域平均运输状况的水平,m为异常指数权重,m∈(0,1);
;
式中,vol为该区域正常公路货运量,abvol为异常事件下公路货运量,当abvol≥vol时,abindex=1,当abvol<vol时,;
;
式中,LocalTvi为本地运量指数,AvgTvi为全区域平均运量指数。
5.根据权利要求1所述的基于兴趣度匹配的物流调度方法,其特征在于,所述货物新鲜度、货物价格、运输代价三种影响因子共同构成的函数采用神经网络;
fresh(ω) 、price(ω)、transcost(ω)分别输入所述神经网络的三个输入口,所述神经网络对输入的数据进行融合,得到预计代价兴趣度从输出口输出。
6.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行权利要求1至5中的任一所述方法。
7.一种计算机设备,其特征在于,包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至5中的任一所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410208308.9A CN117787851B (zh) | 2024-02-26 | 2024-02-26 | 一种基于兴趣度匹配的物流调度方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410208308.9A CN117787851B (zh) | 2024-02-26 | 2024-02-26 | 一种基于兴趣度匹配的物流调度方法、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787851A CN117787851A (zh) | 2024-03-29 |
CN117787851B true CN117787851B (zh) | 2024-05-10 |
Family
ID=90393037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410208308.9A Active CN117787851B (zh) | 2024-02-26 | 2024-02-26 | 一种基于兴趣度匹配的物流调度方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787851B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997796A (zh) * | 2022-06-24 | 2022-09-02 | 上海禹璨信息技术有限公司 | 基于共享仓的发货方法、装置、设备及存储介质 |
CN115630221A (zh) * | 2022-09-27 | 2023-01-20 | 中国建设银行股份有限公司 | 终端应用界面展示数据处理方法、装置及计算机设备 |
KR102565446B1 (ko) * | 2023-01-27 | 2023-08-08 | (주)와이오엘 | 인공지능 기반의 해상 운임 예측 및 맞춤형 고객 관리 시스템 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10332032B2 (en) * | 2016-11-01 | 2019-06-25 | International Business Machines Corporation | Training a machine to automate spot pricing of logistics services in a large-scale network |
-
2024
- 2024-02-26 CN CN202410208308.9A patent/CN117787851B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997796A (zh) * | 2022-06-24 | 2022-09-02 | 上海禹璨信息技术有限公司 | 基于共享仓的发货方法、装置、设备及存储介质 |
CN115630221A (zh) * | 2022-09-27 | 2023-01-20 | 中国建设银行股份有限公司 | 终端应用界面展示数据处理方法、装置及计算机设备 |
KR102565446B1 (ko) * | 2023-01-27 | 2023-08-08 | (주)와이오엘 | 인공지능 기반의 해상 운임 예측 및 맞춤형 고객 관리 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CN117787851A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113393040B (zh) | 一种基于博弈论的工业园区物流调度方法及系统 | |
Waters | Inventory control and management | |
Kingsman et al. | Responding to customer enquiries in make-to-order companies problems and solutions | |
US8463665B1 (en) | System and method for event-driven inventory disposition | |
US8447664B1 (en) | Method and system for managing inventory by expected profitability | |
Liu et al. | Decision criteria and optimal inventory processes | |
CN102385724A (zh) | 一种应用于库存管理的零配件组合需求预测信息处理方法 | |
Liu et al. | Cost reduction of inventory-production-system in multi-echelon supply chain using game theory and fuzzy demand forecasting | |
CN111507667A (zh) | 一种应用于短距离物流的订单分配方法和服务器 | |
US20020069082A1 (en) | Electronic commerce system and operating method thereof | |
CN112990590B (zh) | 一种网络货运平台背景下的电商物流中转优化方法及系统 | |
Özcan et al. | 3PL service provider selection with a goal programming model supported with multicriteria decision making approaches | |
JP2001523866A (ja) | コンピュータ実行製品価値決定ツール | |
KR20210025931A (ko) | 타이어 재고관리를 통한 재고공유 방법 및 시스템 | |
Farughi et al. | A hybrid approach based on ANP, ELECTRE and SIMANP metaheuristic method for outsourcing manufacturing procedures according to supply chain risks-Case study: A medical equipment manufacturer company in Iran | |
Dotoli et al. | Integrated network design of agile resource-efficient supply chains under uncertainty | |
CN117787851B (zh) | 一种基于兴趣度匹配的物流调度方法、存储介质及设备 | |
Feki et al. | A hedging policy for carriers’ selection under availability and demand uncertainty | |
CN114819805A (zh) | 车辆运输管理系统 | |
US20230104886A1 (en) | Heavyweight quoting and associating plane types with package sizes | |
Chen et al. | Dynamic programming model for attended delivery time slot management | |
CN114663012A (zh) | 一种基于区块链的生产物流管理系统及方法 | |
Thonemann et al. | Designing a single-vehicle automated guided vehicle system with multiple load capacity | |
CN112734237A (zh) | 用于交易业务的配送员匹配方法 | |
CN114663024B (zh) | 一种基于中央库存的齐套性验证方法及系统 |
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 |