CN117893282A - 物流订单生成方法、装置、设备及存储介质 - Google Patents
物流订单生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117893282A CN117893282A CN202410016098.3A CN202410016098A CN117893282A CN 117893282 A CN117893282 A CN 117893282A CN 202410016098 A CN202410016098 A CN 202410016098A CN 117893282 A CN117893282 A CN 117893282A
- Authority
- CN
- China
- Prior art keywords
- order
- target
- logistics
- freight
- user
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 60
- 238000012360 testing method Methods 0.000 claims description 45
- 238000003062 neural network model Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 241000544061 Cuculus canorus Species 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 10
- 235000005770 birds nest Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000005765 wild carrot Nutrition 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003280 down draw process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- 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
- G06Q10/0837—Return transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明数据处理技术领域，公开了一种物流订单生成方法、装置、设备及存储介质。该方法包括：从退货申请中获取用户的寄件地址和收货地址；根据寄件地址和收货地址得到可配送物流服务商，根据可配送物流服务商得到目标物流服务商；获取目标物流服务商下符合预设条件的目标网点，将退货申请和目标网点的信息发送给目标物流服务商，生成物流订单；构建定价模型，将物流订单输入到定价模型中得到订单运费；将目标物流订单和订单运费发送给用户进行查看和支付。本发明通过获取用户通过移动端提交的订单信息选择出最合适的网点，并根据定价模型生成该运单对应的订单价格，提醒用户进行支付，实现订单处理的自动化、减少人工错误、并提高整体物流效率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种物流订单生成方法、装置、设备及存储介质。
背景技术
物流原意为“实物分配”或“货物配送”，是供应链活动的一部分，是为了满足客户需要而对商品、服务消费以及相关信息从产地到消费地的高效、低成本流动和储存进行的规划、实施与控制的过程。物流以仓储为中心，促进生产与市场保持同步。物流是为了满足客户的需要，以最低的成本，通过运输、保管、配送等方式，实现原材料、半成品、成品及相关信息由商品的产地到商品的消费地所进行的计划、实施和管理的全过程。
但是，随着电子商务的蓬勃发展，物流行业面临着前所未有的挑战，物流公司每天处理大量的订单，传统的手工管理方式已经无法满足现代的业务需求。退货申请的错误不仅影响到客户的满意度，也可能导致公司巨大的经济损失。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于处理现有技术中订单生成的自动化程度较低，且生成订单时考虑不够全面，生成的订单容易出错，导致物流整体物流效率不高的问题。
本发明第一方面提供了一种物流订单生成方法，包括：当用户在购物平台提交退货申请后，从所述退货申请中获取用户的寄件地址和收货地址；根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商；获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单；构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型，将所述物流订单输入到所述定价模型中得到订单运费；为所述物流订单添加所述购物平台的指定标识得到目标物流订单，将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令。
可选的，在本发明第一方面的第一种实现方式中，所述根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商的步骤包括：同步采集各个物流服务商在各个城市的配送服务范围；获取所述配送服务范围包含所述寄件地址和收货地址的若干个所述可配送物流服务商；将若干个所述可配送物流服务商以单选框或者复选框的格式发送给用户进行选择，得到用户发送过来的所述目标物流服务商。
可选的，在本发明第一方面的第二种实现方式中，所述获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单的步骤包括：获取所述目标物流服务商下距离所述寄件地址最近且在服务时间内的目标网点作为目标网点；获取所述退货申请中用户联系方式、寄件地址、收货地址和运费险信息，并获取所述目标网点的地址信息；根据所述用户联系方式、所述寄件地址、所述收货地址、所述运费险信息和所述目标网点的地址信息生成物流订单。
可选的，在本发明第一方面的第三种实现方式中，所述构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型的步骤包括：采用布谷鸟算法构建ANN神经网络模型，获取历史物流订单数据和历史订单运费作为数据集，并将所述数据集按照预设比例划分为训练集和测试集；将所述训练集输入到所述ANN神经网络模型中，采用非线性优化方法训练所述ANN神经网络模型，当所述ANN神经网络模型的训练满足预设的终止条件后，得到改进后的神经网络模型；将所述测试集输入到改进后的神经网络模型进行计算，得到测试结果，将所述测试结果进行反归一化处理，得到目标测试结果，将所述目标测试结果与所述测试集中的真实数据进行比较，根据比较结果得到改进后的神经网络模型的性能，若所述性能符合预设要求，则得到所述定价模型。
可选的，在本发明第一方面的第四种实现方式中，所述将所述物流订单输入到所述定价模型中得到订单运费的步骤包括：将所述用户联系方式、所述寄件地址、所述收货地址和所述目标网点的地址信息输入到所述定价模型中得到原始订单运费；获取所述运费险信息，若所述运费险信息为无运费险，则将所述原始订单运费作为订单运费；若所述运费险信息为有运费险，根据运费险金额对所述原始订单运费进行减免，得到订单运费。
可选的，在本发明第一方面的第五种实现方式中，所述为所述物流订单添加所述购物平台的指定标识得到目标物流订单的步骤包括：获取所述购物平台的指定标识，并为所述指定标识设置有效时间；将所述指定标识添加到所述物流订单的指定位置上，并在所述有效时间内向用户提供保价服务。
可选的，在本发明第一方面的第六种实现方式中，所述将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令的步骤包括：将所述目标物流订单发送给用户进行查看，并在所述目标物流订单上设置下划的引导标识，在所述目标物流订单的最下方展示所述订单运费；当用户支付完所述订单运费后，向所述目标网点下发派人上门取件的指令。
本发明第二方面提供了一种物流订单生成装置，包括：收寄件地址获取模块，用于当用户在购物平台提交退货申请后，从所述退货申请中获取用户的寄件地址和收货地址；目标服务商确认模块，用于根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商；物流订单生成模块，用于获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单；订单运费计算模块，用于构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型，将所述物流订单输入到所述定价模型中得到订单运费；物流订单下发模块，用于为所述物流订单添加所述购物平台的指定标识得到目标物流订单，将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令。
可选的，在本发明第二方面的第一种实现方式中，所述目标服务商确认模块包括：服务商数据采集单元，用于同步采集各个物流服务商在各个城市的配送服务范围；可配送服务商获取单元，用于获取所述配送服务范围包含所述寄件地址和收货地址的若干个所述可配送物流服务商；目标服务商生成单元，用于将若干个所述可配送物流服务商以单选框或者复选框的格式发送给用户进行选择，得到用户发送过来的所述目标物流服务商。
可选的，在本发明第二方面的第二种实现方式中，所述物流订单生成模块包括：目标网点获取单元，用于获取所述目标物流服务商下距离所述寄件地址最近且在服务时间内的目标网点作为目标网点；订单数据整合单元，用于获取所述退货申请中用户联系方式、寄件地址、收货地址和运费险信息，并获取所述目标网点的地址信息；物流订单生成单元，用于根据所述用户联系方式、所述寄件地址、所述收货地址、所述运费险信息和所述目标网点的地址信息生成物流订单。
可选的，在本发明第二方面的第三种实现方式中，所述订单运费计算模块包括：模型构建单元，用于采用布谷鸟算法构建ANN神经网络模型，获取历史物流订单数据和历史订单运费作为数据集，并将所述数据集按照预设比例划分为训练集和测试集；模型训练单元，用于将所述训练集输入到所述ANN神经网络模型中，采用非线性优化方法训练所述ANN神经网络模型，当所述ANN神经网络模型的训练满足预设的终止条件后，得到改进后的神经网络模型；性能测试单元，用于将所述测试集输入到改进后的神经网络模型进行计算，得到测试结果，将所述测试结果进行反归一化处理，得到目标测试结果，将所述目标测试结果与所述测试集中的真实数据进行比较，根据比较结果得到改进后的神经网络模型的性能，若所述性能符合预设要求，则得到所述定价模型。
可选的，在本发明第二方面的第四种实现方式中，所述订单运费计算模块还包括：原订单运费计算单元，用于将所述用户联系方式、所述寄件地址、所述收货地址和所述目标网点的地址信息输入到所述定价模型中得到原始订单运费；订单运费计算单元，用于获取所述运费险信息，若所述运费险信息为无运费险，则将所述原始订单运费作为订单运费；订单运费减免单元，用于若所述运费险信息为有运费险，根据运费险金额对所述原始订单运费进行减免，得到订单运费。
可选的，在本发明第二方面的第五种实现方式中，所述物流订单下发模块包括：指定标识获取单元，用于获取所述购物平台的指定标识，并为所述指定标识设置有效时间；指定标识添加单元，用于将所述指定标识添加到所述物流订单的指定位置上，并在所述有效时间内向用户提供保价服务。
可选的，在本发明第二方面的第六种实现方式中，所述物流订单下发模块还包括：目标物流订单下发单元，用于将所述目标物流订单发送给用户进行查看，并在所述目标物流订单上设置下划的引导标识，在所述目标物流订单的最下方展示所述订单运费；取件指令下发单元，用于当用户支付完所述订单运费后，向所述目标网点下发派人上门取件的指令。
本发明第三方面提供了一种物流订单生成设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机可读指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述计算机可读指令，以使得所述物流订单生成设备执行如上所述物流订单生成方法的各个步骤。
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中存储有计算机可读指令，当其在计算机上运行时，使得计算机执行如上所述物流订单生成方法的各个步骤。
有益效果：本发明的技术方案中，通过获取用户通过移动端提交的订单信息选择出最合适的网点，并根据定价模型生成该运单对应的订单价格，提醒用户进行支付，实现订单处理的自动化、减少人工错误、并提高整体物流效率。
附图说明
图1为本发明实施例提供的物流订单生成方法的第一种流程图；
图2为本发明实施例提供的物流订单生成方法的第二种流程图；
图3为本发明实施例提供的物流订单生成方法的第三种流程图；
图4为本发明实施例提供的物流订单生成方法的第四种流程图；
图5为本发明实施例提供的物流订单生成方法的第五种流程图；
图6为本发明实施例提供的物流订单生成方法的第六种流程图；
图7为本发明实施例提供的物流订单生成方法的第七种流程图；
图8为本发明实施例提供的物流订单生成装置的一种结构示意图；
图9为本发明实施例提供的物流订单生成装置的另一种结构示意图；
图10为本发明实施例提供的物流订单生成设备的结构示意图。
具体实施方式
本发明实施例提供了一种物流订单生成方法、装置、设备及存储介质，当用户在购物平台提交退货申请后，从所述退货申请中获取用户的寄件地址和收货地址；根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商；获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单；构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型，将所述物流订单输入到所述定价模型中得到订单运费；为所述物流订单添加所述购物平台的指定标识得到目标物流订单，将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令。本发明通过获取用户通过移动端提交的订单信息选择出最合适的网点，并根据定价模型生成该运单对应的订单价格，提醒用户进行支付，实现订单处理的自动化、减少人工错误、并提高整体物流效率。
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，本发明实施例中物流订单生成方法的第一个实施例包括：
S101、当用户在购物平台提交退货申请后，从所述退货申请中获取用户的寄件地址和收货地址；
在本实施例中，当用户再网上购买的商品不合适想要退货时，会在对应的购物平台上进行退货操作，在填写好相关信息后即可提交退货申请，其中，所述相关信息包括用户联系方式、运费险信息、用户的购买商品的实付金额、收货地址和寄件地址等信息；当用户在购物平台提交退货申请后，就可以从所述退货申请中获取用户的寄件地址和收货地址，通过所述寄件地址和收货地址进行后续的物流服务商选择。
作为举例，当用户购买了一件衣服后，觉得该衣服不合身，决定退掉该衣服，此时用户打开了下单的购物平台并在订单找到了这件衣服的订单，选择退货按钮进入退货申请的详情页面进行填写，其中包括了寄件地址(即用户收货的地址)和收货地址(即卖家发货的地址)，填写完成后提交退货申请，此时系统会从所述退货申请中获取用户的寄件地址和收货地址。
S102、根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商；
在本实施例中，根据所述寄件地址和收货地址得到可配送物流服务商(即在配送服务范围内的物流公司)之前，需要同步采集各个物流服务商在各个城市的配送服务范围；并设置定时更新，每隔预设时间(如一周)后，重新同步采集一次各个物流服务商在各个城市的配送服务范围，做到实时更新，保证生成结果(可配送物流服务商)的准确性。
进一步地，得到可配送物流服务商后，在所述物流服务商中找出配送服务范围包含所述寄件地址和收货地址的若干个所述可配送物流服务商(包含所述寄件地址和收货地址的所述寄件地址和收货地址可以完成物流过程中的取货和送货一整套流程)，并根据若干个所述可配送物流服务商生成可供用户选择的按钮，可以是将若干个所述可配送物流服务商以单选框或者复选框的格式发送给用户进行选择，得到用户发送过来的所述目标物流服务商。
S103、获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单；
在本实施例中，当接收到用户发送过来的所述目标物流服务商后，由于所述目标物流服务商下具有很多个网点，此时对网点进行筛选，获取所述目标物流服务商下符合预设条件的网点作为目标网点，其中，所述预设条件为距离所述寄件地址最近且在服务时间内，即获取所述目标物流服务商下距离所述寄件地址最近且在服务时间内的目标网点作为目标网点。
进一步地，获取所述退货申请中的用户联系方式、寄件地址、收货地址和运费险信息，并获取所述目标网点的地址信息；将所述用户联系方式、所述寄件地址、所述收货地址、所述运费险信息和所述目标网点的地址信息进行处理，生成物流订单，其中，所述物流订单包含了寄件地址和所述收货地址，根据所述寄件地址和所述收货地址可以确定出大致的运费范围，而所述用户联系方式和所述目标网点的地址信息用于提供下联系信息，所述运费险信息用于减免运费。
作为举例，得到的所述目标物流服务商A下面有a,b,c,d四个网点，其中a网点距离所述寄件地址(也就是距离用户最近的网点，目的是加快取件速度，提高用户的体验)的距离为30km，服务时间为8：00-17：00；b网点距离所述寄件地址的距离为80km，服务时间为9：00-19：00；c网点距离所述寄件地址的距离为5km，服务时间为8：00-18：00；d网点距离所述寄件地址的距离为15km，服务时间为9：00-20：00；则按照距离排序可以确定出四个网点的优先级为c>d>a>b，然后获取用户发出退货申请时的当前时间，若当前时间为18：35分，即使c距离所述寄件地址的距离最近，但是c此时不在服务时间，因此选择在服务时间内的d网点作为所述目标网点。
S104、构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型，将所述物流订单输入到所述定价模型中得到订单运费；
在本实施例中，根据定价模型生成该运单对应的订单价格，并提醒用户进行支付，所述定价模型以ANN网络为基本结构，构建ANN网络，采用四层的人工神经网络，该模型由每组数据的8项元素指标作为输入以价格作为输出，则输入层神经元个数为8,输出层神经元个数为1，layer1层神经元个数设置为2.layer2神经元个数设置为4，所以建立8-2-4-1的网终结构；采用布谷鸟算法进行计算得到最合适的鸟窝的位置best，把这些最佳鸟窝的位置作为输入层的初始权值。采用非线性优化方法训练网络，采用LM算法作为训练算法，当满足终止条件后，得到训练好的改进的人工神经网络,将测试集代入训练后的ANN网络，得到测试结果，进行反归一化处理，将结果与真实数据比较，进行误差分析，得到定价模型，通过定价模型对用户的定价模型进行价格预测，并生成对应的订单价格。
S105、为所述物流订单添加所述购物平台的指定标识得到目标物流订单，将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令。
在本实施例中，获取所述购物平台的指定标识，并为所述指定标识设置有效时间，设置完成后将所述指定标识添加到所述物流订单的指定位置上，并在所述有效时间内向用户提供保价服务(保价服务是一项保险业务,用于寄递贵重物品、有价证券、包裹等,如有遗失,邮电部门按保价金额负责赔偿)。
作为举例，获取XX购物平台的指定标识后，所述指定标识在订单上显示为“XX保障”，只要所述指定标识存在的有效时间内，可以保障全链路时效，提高物流的效率和安全性。
进一步地，将所述目标物流订单发送给用户进行查看，并在所述目标物流订单上设置下划的引导标识，用户在手机上进行下划操作即可在所述目标物流订单的最下方展示所述订单运费，如果商家有提供运费险，则会在订单运费的明细中进行显示，当用户点击支付按钮选择对应的支付方式进行支付后，系统立即向所述目标网点下发派人上门取件的指令，指派取件工作人员上门取件。
本实施例提供的是一种物流订单生成方法，通过获取用户通过移动端提交的订单信息选择出最合适的网点，并根据定价模型生成该运单对应的订单价格，提醒用户进行支付，实现订单处理的自动化、减少人工错误、并提高整体物流效率。
请参阅图2，本发明实施例中物流订单生成方法的第二个实施例包括：
请参阅图2，本发明实施例中物流订单生成方法的第二个实施例包括：
S201、同步采集各个物流服务商在各个城市的配送服务范围；
S202、获取所述配送服务范围包含所述寄件地址和收货地址的若干个所述可配送物流服务商；
S203、将若干个所述可配送物流服务商以单选框或者复选框的格式发送给用户进行选择，得到用户发送过来的所述目标物流服务商。
可以理解的是，由于各个物流服务商在各个城市的配送服务范围不同比如H物流服务商主要服务南方地区，而J服务商主要服务北方地区，因此需要同步采集各个物流服务商在各个城市的配送服务范围，同时，由于业务的改变和更新，服务范围可能会随之改变，因此设置定时更新，每隔预设时间后，重新同步采集一次各个物流服务商在各个城市的配送服务范围，做到实时更新，保证生成结果的准确性。
进一步地，得到可配送物流服务商后，在所述物流服务商中找出配送服务范围包含所述寄件地址和收货地址的若干个所述可配送物流服务商，并根据若干个所述可配送物流服务商生成可供用户选择的按钮，可以是将若干个所述可配送物流服务商以单选框或者复选框的格式发送给用户进行选择，得到用户发送过来的所述目标物流服务商。
请参阅图3，本发明实施例中物流订单生成方法的第三个实施例包括：
S301、获取所述目标物流服务商下距离所述寄件地址最近且在服务时间内的目标网点作为目标网点；
S302、获取所述退货申请中用户联系方式、寄件地址、收货地址和运费险信息，并获取所述目标网点的地址信息；
S303、根据所述用户联系方式、所述寄件地址、所述收货地址、所述运费险信息和所述目标网点的地址信息生成物流订单。
具体地，当接收到用户发送过来的所述目标物流服务商后，由于所述目标物流服务商下具有很多个网点，因此需要对网点进行筛选，目的是为了获取所述目标物流服务商下距离所述寄件地址最近且在服务时间内的目标网点作为目标网点。
进一步地，获取所述退货申请中的用户联系方式、寄件地址、收货地址和运费险信息，并获取所述目标网点的地址信息；将所述用户联系方式、所述寄件地址、所述收货地址、所述运费险信息和所述目标网点的地址信息进行处理，生成物流订单，其中，所述物流订单包含了寄件地址和所述收货地址，根据所述寄件地址和所述收货地址可以确定出大致的运费范围，而所述用户联系方式和所述目标网点的地址信息用于提供下联系信息，所述运费险信息用于减免运费。
请参阅图4，本发明实施例中物流订单生成方法的第四个实施例包括：
S401、采用布谷鸟算法构建ANN神经网络模型，获取历史物流订单数据和历史订单运费作为数据集，并将所述数据集按照预设比例划分为训练集和测试集；
S402、将所述训练集输入到所述ANN神经网络模型中，采用非线性优化方法训练所述ANN神经网络模型，当所述ANN神经网络模型的训练满足预设的终止条件后，得到改进后的神经网络模型；
S403、将所述测试集输入到改进后的神经网络模型进行计算，得到测试结果，将所述测试结果进行反归一化处理，得到目标测试结果，将所述目标测试结果与所述测试集中的真实数据进行比较，根据比较结果得到改进后的神经网络模型的性能，若所述性能符合预设要求，则得到所述定价模型。
人工神经网络(Artificial Neural Network，简称ANN)是一种模仿生物神经网络的算法数学模型，用于进行信息处理和模式识别。人工神经网络的基本原理是模拟人脑中神经元之间的相互连接和信息传递。它由多个人工神经元(节点)组成，这些神经元通过连接权重相互传递信号，并通过激活函数对输入信号进行处理。如果网络不能准确识别输入，系统就会调整权重。经过充分的训练后，它将始终如一地识别出正确的模式。
具体地，采用布谷鸟算法构建ANN神经网络模型，所述ANN神经网络模型采用四层的人工神经网络，所述ANN神经网络模型由每组数据的8项元素指标作为输入以价格作为输出，则输入层神经元个数为8,输出层神经元个数为1，layer1层神经元个数设置为2，layer2神经元个数设置为4，所以建立8-2-4-1的网终结构；采用布谷鸟算法进行计算得到最合适的鸟窝的位置best，把这些最佳鸟窝的位置作为输入层的初始权值。
进一步地，获取历史物流订单数据和历史物流订单数据对应的历史订单运费作为数据集，并将所述数据集按照预设比例划分为训练集和测试集；所述训练集输入到所述ANN神经网络模型中，采用非线性优化方法训练所述ANN神经网络模型，当所述ANN神经网络模型的训练满足预设的终止条件后，模型参数达到预设的收敛条件，使用所述参数优化所述神经网络模型，得到改进后的神经网络模型。
更进一步地，同将所述测试集输入到改进后的神经网络模型进行计算，得到测试结果，将所述测试结果进行反归一化处理(反归一化是将经过归一化处理的数据还原为原始数据的过程，反归一化通常在模型预测或评估阶段使用，以便将归一化后的结果转换回原始数据的范围)，得到目标测试结果；将所述目标测试结果与所述测试集中的真实数据进行比较，根据比较结果计算出改进后的神经网络模型的性能，若所述性能符合预设要求，则得到所述定价模型。
请参阅图5，本发明实施例中物流订单生成方法的第五个实施例包括：
S501、将所述用户联系方式、所述寄件地址、所述收货地址和所述目标网点的地址信息输入到所述定价模型中得到原始订单运费；
S502、获取所述运费险信息，若所述运费险信息为无运费险，则将所述原始订单运费作为订单运费；
S503、若所述运费险信息为有运费险，根据运费险金额对所述原始订单运费进行减免，得到订单运费。
具体地，获取所述退货申请中的用户联系方式、寄件地址、收货地址和运费险信息，并获取所述目标网点的地址信息；将所述用户联系方式、所述寄件地址、所述收货地址、所述运费险信息和所述目标网点的地址信息进行处理，生成物流订单，其中，所述物流订单包含了寄件地址和所述收货地址，根据所述寄件地址和所述收货地址可以确定出大致的运费范围，而所述用户联系方式和所述目标网点的地址信息用于提供下联系信息，所述运费险信息用于减免运费，若所述运费险信息为有运费险，根据运费险金额对所述原始订单运费进行减免，最多减免全部的运费，得到订单运费。
请参阅图6，本发明实施例中物流订单生成方法的第六个实施例包括：
S601、获取所述购物平台的指定标识，并为所述指定标识设置有效时间；
S602、将所述指定标识添加到所述物流订单的指定位置上，并在所述有效时间内向用户提供保价服务。
可以理解的是，目前的购物平台很多都有添加指定标识的功能，从用户下单的购物平台中获取所述指定标识，并为所述指定标识设置有效时间，将所述指定标识添加到所述物流订单的指定位置上，并在所述有效时间内向用户提供保价服务，如获取XX购物平台的指定标识后，所述指定标识在订单上显示为“XX保障”，在四天之内所述指定标识一直在订单中心存在，可以保障全链路时效，提高物流的效率和安全性。
请参阅图7，本发明实施例中物流订单生成方法的第七个实施例包括：
S701、将所述目标物流订单发送给用户进行查看，并在所述目标物流订单上设置下划的引导标识，在所述目标物流订单的最下方展示所述订单运费；
S702、当用户支付完所述订单运费后，向所述目标网点下发派人上门取件的指令。
可以理解的是，将所述目标物流订单发送给用户进行查看，所述目标物流订单上方显示订单的详细信息如寄件人信息、收件人信息和订单号能，所述订单运费在所述目标物流订单下方展示，并提供支付按钮。同时，在所述目标物流订单上设置下划的引导标识，用户在手机上进行下划操作即可在所述目标物流订单的最下方找到所述订单运费，如果商家有提供运费险，则会在订单运费的明细中进行显示，当用户点击支付按钮选择对应的支付方式进行支付后，系统立即向所述目标网点下发派人上门取件的指令，指派取件工作人员上门取件。
上面对本发明实施例中物流订单生成方法进行了描述，下面对本发明实施例中物流订单生成装置进行描述，请参阅图8，本发明实施例中物流订单生成装置一个实施例包括：
收寄件地址获取模块50，用于当用户在购物平台提交退货申请后，从所述退货申请中获取用户的寄件地址和收货地址；
目标服务商确认模块60，用于根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商；
物流订单生成模块70，用于获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单；
订单运费计算模块80，用于构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型，将所述物流订单输入到所述定价模型中得到订单运费；
物流订单下发模块90，用于为所述物流订单添加所述购物平台的指定标识得到目标物流订单，将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令。
本实施例中，通过获取用户通过移动端提交的订单信息选择出最合适的网点，并根据定价模型生成该运单对应的订单价格，提醒用户进行支付，实现订单处理的自动化、减少人工错误、并提高整体物流效率。
请参阅图9，本发明实施例中物流订单生成装置的另一个实施例包括：
收寄件地址获取模块50，用于当用户在购物平台提交退货申请后，从所述退货申请中获取用户的寄件地址和收货地址；
目标服务商确认模块60，用于根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商；
物流订单生成模块70，用于获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单；
订单运费计算模块80，用于构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型，将所述物流订单输入到所述定价模型中得到订单运费；
物流订单下发模块90，用于为所述物流订单添加所述购物平台的指定标识得到目标物流订单，将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令。
在本实施例中，所述目标服务商确认模块60包括：
服务商数据采集单元601，用于同步采集各个物流服务商在各个城市的配送服务范围；
可配送服务商获取单元602，用于获取所述配送服务范围包含所述寄件地址和收货地址的若干个所述可配送物流服务商；
目标服务商生成单元603，用于将若干个所述可配送物流服务商以单选框或者复选框的格式发送给用户进行选择，得到用户发送过来的所述目标物流服务商。
在本实施例中，所述物流订单生成模块70包括：
目标网点获取单元701，用于获取所述目标物流服务商下距离所述寄件地址最近且在服务时间内的目标网点作为目标网点；
订单数据整合单元702，用于获取所述退货申请中用户联系方式、寄件地址、收货地址和运费险信息，并获取所述目标网点的地址信息；
物流订单生成单元703，用于根据所述用户联系方式、所述寄件地址、所述收货地址、所述运费险信息和所述目标网点的地址信息生成物流订单.
在本实施例中，所述订单运费计算模块80包括：
模型构建单元801，用于采用布谷鸟算法构建ANN神经网络模型，获取历史物流订单数据和历史订单运费作为数据集，并将所述数据集按照预设比例划分为训练集和测试集；
模型训练单元802，用于将所述训练集输入到所述ANN神经网络模型中，采用非线性优化方法训练所述ANN神经网络模型，当所述ANN神经网络模型的训练满足预设的终止条件后，得到改进后的神经网络模型；
性能测试单元803，用于将所述测试集输入到改进后的神经网络模型进行计算，得到测试结果，将所述测试结果进行反归一化处理，得到目标测试结果，将所述目标测试结果与所述测试集中的真实数据进行比较，根据比较结果得到改进后的神经网络模型的性能，若所述性能符合预设要求，则得到所述定价模型
在本实施例中，所述订单运费计算模块80还包括：
原订单运费计算单元804，用于将所述用户联系方式、所述寄件地址、所述收货地址和所述目标网点的地址信息输入到所述定价模型中得到原始订单运费；
订单运费计算单元805，用于获取所述运费险信息，若所述运费险信息为无运费险，则将所述原始订单运费作为订单运费；
订单运费减免单元806，用于若所述运费险信息为有运费险，根据运费险金额对所述原始订单运费进行减免，得到订单运费。
在本实施例中，所述物流订单下发模块90包括：
指定标识获取单元901，用于获取所述购物平台的指定标识，并为所述指定标识设置有效时间；
指定标识添加单元902，用于将所述指定标识添加到所述物流订单的指定位置上，并在所述有效时间内向用户提供保价服务。
在本实施例中，所述物流订单下发模块90还包括：
目标物流订单下发单元903，用于将所述目标物流订单发送给用户进行查看，并在所述目标物流订单上设置下划的引导标识，在所述目标物流订单的最下方展示所述订单运费；
取件指令下发单元904，用于当用户支付完所述订单运费后，向所述目标网点下发派人上门取件的指令。
本发明提供的是一种物流订单生成方法，本发明通过获取用户通过移动端提交的订单信息选择出最合适的网点，并根据定价模型生成该运单对应的订单价格，提醒用户进行支付，实现订单处理的自动化、减少人工错误、并提高整体物流效率。
上面图8和图9从模块化功能实体的角度对本发明实施例中的物流订单生成装置进行详细描述，下面从硬件处理的角度对本发明实施例中物流订单生成设备进行详细描述。
图10是本发明实施例提供的一种物流订单生成设备的结构示意图，该物流订单生成设备10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)11(例如，一个或一个以上处理器)和存储器12，一个或一个以上存储应用程序133或数据132的存储介质13(例如一个或一个以上海量存储设备)。其中，存储器12和存储介质13可以是短暂存储或持久存储。存储在存储介质13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物流订单生成设备10中的一系列指令操作。更进一步地，处理器11可以设置为与存储介质13通信，在物流订单生成设备10上执行存储介质13中的一系列指令操作。
物流订单生成设备10还可以包括一个或一个以上电源14，一个或一个以上有线或无线网络接口15，一个或一个以上输入输出接口16，和/或，一个或一个以上操作系统131，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图10示出的设备结构并不构成对物流订单生成设备10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，使得计算机执行物流订单生成配方法的步骤。
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。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种物流订单生成方法，其特征在于，所述物流订单生成方法包括：
当用户在购物平台提交退货申请后，从所述退货申请中获取用户的寄件地址和收货地址；
根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商；
获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单；
构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型，将所述物流订单输入到所述定价模型中得到订单运费；
为所述物流订单添加所述购物平台的指定标识得到目标物流订单，将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令。
2.根据权利要求1所述物流订单生成方法，其特征在于，所述根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商的步骤包括：
同步采集各个物流服务商在各个城市的配送服务范围；
获取所述配送服务范围包含所述寄件地址和收货地址的若干个所述可配送物流服务商；
将若干个所述可配送物流服务商以单选框或者复选框的格式发送给用户进行选择，得到用户发送过来的所述目标物流服务商。
3.根据权利要求1所述物流订单生成方法，其特征在于，所述获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单的步骤包括：
获取所述目标物流服务商下距离所述寄件地址最近且在服务时间内的目标网点作为目标网点；
获取所述退货申请中用户联系方式、寄件地址、收货地址和运费险信息，并获取所述目标网点的地址信息；
根据所述用户联系方式、所述寄件地址、所述收货地址、所述运费险信息和所述目标网点的地址信息生成物流订单。
4.根据权利要求1所述物流订单生成方法，其特征在于，所述构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型的步骤包括：
采用布谷鸟算法构建ANN神经网络模型，获取历史物流订单数据和历史订单运费作为数据集，并将所述数据集按照预设比例划分为训练集和测试集；
将所述训练集输入到所述ANN神经网络模型中，采用非线性优化方法训练所述ANN神经网络模型，当所述ANN神经网络模型的训练满足预设的终止条件后，得到改进后的神经网络模型；
将所述测试集输入到改进后的神经网络模型进行计算，得到测试结果，将所述测试结果进行反归一化处理，得到目标测试结果，将所述目标测试结果与所述测试集中的真实数据进行比较，根据比较结果得到改进后的神经网络模型的性能，若所述性能符合预设要求，则得到所述定价模型。
5.根据权利要求3所述物流订单生成方法，其特征在于，所述将所述物流订单输入到所述定价模型中得到订单运费的步骤包括：
将所述用户联系方式、所述寄件地址、所述收货地址和所述目标网点的地址信息输入到所述定价模型中得到原始订单运费；
获取所述运费险信息，若所述运费险信息为无运费险，则将所述原始订单运费作为订单运费；
若所述运费险信息为有运费险，根据运费险金额对所述原始订单运费进行减免，得到订单运费。
6.根据权利要求1所述物流订单生成方法，其特征在于，所述为所述物流订单添加所述购物平台的指定标识得到目标物流订单的步骤包括：
获取所述购物平台的指定标识，并为所述指定标识设置有效时间；
将所述指定标识添加到所述物流订单的指定位置上，并在所述有效时间内向用户提供保价服务。
7.根据权利要求1所述物流订单生成方法，其特征在于，所述将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令的步骤包括：
将所述目标物流订单发送给用户进行查看，并在所述目标物流订单上设置下划的引导标识，在所述目标物流订单的最下方展示所述订单运费；
当用户支付完所述订单运费后，向所述目标网点下发派人上门取件的指令。
8.一种物流订单生成装置，其特征在于，包括：
收寄件地址获取模块，用于当用户在购物平台提交退货申请后，从所述退货申请中获取用户的寄件地址和收货地址；
目标服务商确认模块，用于根据所述寄件地址和收货地址得到可配送物流服务商，将所述可配送物流服务商发送给用户进行选择，得到目标物流服务商；
物流订单生成模块，用于获取所述目标物流服务商下符合预设条件的网点作为目标网点，将所述退货申请和所述目标网点的信息发送给所述目标物流服务商，生成物流订单；
订单运费计算模块，用于构建人工神经网络模型，使用数据集训练所述人工神经网络模型，得到定价模型，将所述物流订单输入到所述定价模型中得到订单运费；
物流订单下发模块，用于为所述物流订单添加所述购物平台的指定标识得到目标物流订单，将所述目标物流订单和所述订单运费发送给用户进行查看和支付，当用户支付完成后，向所述目标网点下发上门取件的指令。
9.一种物流订单生成设备，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有计算机可读指令；
所述至少一个处理器调用所述存储器中的所述计算机可读指令，以执行如权利要求1-7中任一项所述物流订单生成方法的各个步骤。
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计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述物流订单生成方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016098.3A CN117893282A (zh) | 2024-01-04 | 2024-01-04 | 物流订单生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016098.3A CN117893282A (zh) | 2024-01-04 | 2024-01-04 | 物流订单生成方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117893282A true CN117893282A (zh) | 2024-04-16 |
Family
ID=90648149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410016098.3A Pending CN117893282A (zh) | 2024-01-04 | 2024-01-04 | 物流订单生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117893282A (zh) |
-
2024
- 2024-01-04 CN CN202410016098.3A patent/CN117893282A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12002001B2 (en) | Integrated multi-location scheduling, routing, and task management | |
| US20170236088A1 (en) | Delivery method and system | |
| US8200514B1 (en) | Travel-related prediction system | |
| US20180341919A1 (en) | System and method for invitation mechanisms to facilitate associate delivery of products en route from work | |
| CN107437137A (zh) | 供应链中的风险识别 | |
| CN104050553A (zh) | 基于云计算的库存与配送管理系统 | |
| US11620590B1 (en) | Network value of a flight leg booking | |
| CN109376942A (zh) | 订单处理方法、存储介质和装置 | |
| US10373117B1 (en) | Inventory optimization based on leftover demand distribution function | |
| JP7054952B2 (ja) | 公開運賃市場シミュレーションシステム及び公開運賃市場の表示方法 | |
| KR101980689B1 (ko) | 배송 중개서비스를 위한 역경매 기반 배송비 산정 방법 | |
| CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
| Bräysy et al. | Chapter 12: Software tools and emerging technologies for vehicle routing and intermodal transportation | |
| KR102560210B1 (ko) | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 | |
| CN109523152A (zh) | 订单处理方法、存储介质和装置 | |
| Lamb et al. | Planning delivery-by-drone micro-fulfilment centres | |
| CN109508917A (zh) | 订单分配方法、订单分配装置、存储介质和电子设备 | |
| CN109978420A (zh) | 一种物流配送管理调度系统 | |
| CN112801759B (zh) | 基于智能供应链的电商系统 | |
| Yadav et al. | Machine learning-based mathematical model for drugs and equipment resilient supply chain using blockchain | |
| CN110414875B (zh) | 产能数据处理方法、装置、电子设备及计算机可读介质 | |
| CN117893282A (zh) | 物流订单生成方法、装置、设备及存储介质 | |
| CN115545307A (zh) | 货物调配方法、装置、设备及存储介质 | |
| CN115689245A (zh) | 一种用于确定不同场景下骑手的背单量的方法及装置 | |
| CN112990948A (zh) | 服务评估方法、装置、设备、存储介质及计算机程序产品 |
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 |