CN106570573A - 预测包裹属性信息的方法及装置 - Google Patents
预测包裹属性信息的方法及装置 Download PDFInfo
- Publication number
- CN106570573A CN106570573A CN201510657895.0A CN201510657895A CN106570573A CN 106570573 A CN106570573 A CN 106570573A CN 201510657895 A CN201510657895 A CN 201510657895A CN 106570573 A CN106570573 A CN 106570573A
- Authority
- CN
- China
- Prior art keywords
- parcel
- target
- classification
- attribute information
- formula
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了预测包裹属性信息的方法及装置,其中,该方法包括:预先保存各包裹类别与属性信息预测公式之间的对应关系;其中,包裹类别通过从该类别内各商品对象提取出的相同特征信息表示;针对目标物流运单,确定该物流运单关联的目标商品对象的特征信息;按照目标商品对象的特征信息,确定目标包裹所属的目标类别;利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息。通过本申请实施例,能够提高调配的准确性,降低运力浪费或者不足情况的发生概率。
Description
技术领域
本申请涉及包裹信息处理技术领域,特别是涉及预测包裹属性信息的方法及装置。
背景技术
随着电子商务和在线交易的飞速发展,对物流领域带来的冲击是非常大的,如何做到在单量爆发式增长的情况下,还能做到游刃有余的运作,对于现有的物流体系是一个极大的挑战。例如,在“双11”等大型促销活动期间,单量往往非常大,此时,需要物流各环节做好配合,预留出足够的运力,包括配送的人力、车辆等等。但在日常状态下,对运力的需求不会这么大,因此,通常需要物流方做好合理的调配,尽量避免出现运力过剩或者不足的情况,在保证配送时效的情况下,还不会带来资源的浪费。
在传统方式下,如果想要达到上述目的,较大程度的依赖揽收快递人员的专业性,这就具有比较大的不确定性。同时国内的快递业态大多是加盟制,要以行业自律来推动快递变革会比较有难度,使得运力不足或者过剩的情况还是普遍存在。
为了解决上述问题,现有技术中可以根据物流运单的数量来进行运力的调配,也即,当运单数量大时,就调配更多的运力,运单数量少时,则调配较少的运力。虽然这种方式能够在一定程度上解决运力不足或者过剩的问题,但是在实际应用中发现,仍然经常会出现运力不足或者过剩的情况。例如,某日的运单数量并不多,调配了一辆小型的货运车进行配送,但是,装车时发现,该货运车无法容纳下所有的货物,或者造成超重等现象,以至于影响配送时效。
因此,如何帮助物流方进行更合理的运力调配,成为需要本领域技术人员解决的技术问题。
发明内容
本申请提供了预测包裹属性信息的方法及装置,能够提高调配的准确性,降低运力浪费或者不足情况的发生概率。
本申请提供了如下方案:
一种建立包裹属性信息数据库的方法,包括:
收集已知包裹的属性信息;
确定各包裹关联的商品对象的特征信息,并按照商品对象的特征信息,对各包裹进行聚类;
确定各类别适用的统计模型,并按照所述统计模型,对各类别内包裹的属性信息进行统计,确定统计模型中的参数值;
根据所述统计模型以及所述参数值,确定各类别对应的预测公式;
保存各类别与预测公式之间的对应关系,生成所述包裹属性信息数据库。
一种预测包裹属性信息的方法,包括:
预先保存各包裹类别与属性信息预测公式之间的对应关系;其中,包裹类别通过从该类别内各商品对象提取出的相同特征信息表示;
针对目标物流运单,确定该物流运单关联的目标商品对象的特征信息;
按照目标商品对象的特征信息,确定目标包裹所属的目标类别;
利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息。
一种建立包裹属性信息数据库的装置,包括:
包裹属性收集单元,用于收集已知包裹的属性信息;
包裹聚类单元,用于确定各包裹关联的商品对象的特征信息,并按照商品对象的特征信息,对各包裹进行聚类;
统计单元,用于确定各类别适用的统计模型,并按照所述统计模型,对各类别内包裹的属性信息进行统计,确定统计模型中的参数值;
预测公式确定单元,用于根据所述统计模型以及所述参数值,确定各类别对应的预测公式;
对应关系保存单元,用于保存各类别与预测公式之间的对应关系,生成所述包裹属性信息数据库。
一种预测包裹属性信息的装置,包括:
对应关系保存单元,用于预先保存各包裹类别与属性信息预测公式之间的对应关系;其中,包裹类别通过从该类别内各商品对象提取出的相同特征信息表示;
特征信息确定单元,用于针对目标物流运单,确定该物流运单关联的目标商品对象的特征信息;
目标类别确定单元,用于按照目标商品对象的特征信息,确定目标包裹所属的目标类别;
预测单元,用于利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息。
根据本申请提供的具体实施例,本申请公开了以下技术效果:
通过本申请实施例,可以预先保存包裹类别与属性信息预测公式之间的对应关系,这样,针对一目标物流运单,可以按照其关联的目标商品对象的特征信息,确定出目标包裹所属的目标类别,并利用该目标类别对应的预测公式,预测出目标包裹的属性信息,例如,可以包括重量、体积等。这样,物流各环节就可以利用这种属性信息的预测值进行运力的调配等,相对于单纯依靠运单数量进行调配的方式,可以提高调配的准确性,降低运力浪费或者不足情况的发生概率。
当然,实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的方法的流程图;
图2是本申请实施例提供的另一方法的流程图;
图3是本申请实施例提供的装置的示意图;
图4是本申请实施例提供的另一装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例中,为了帮助物流方进行更合理的运力调配,可以对包裹重量、体积等属性信息进行预测,这样,使得物流方可以根据该预测的重量、体积等属性信息进行运力的调配,从而进一步降低运力过剩或者不足的情况出现概率。为了进行上述预测,可以首先建立包裹属性信息数据库,也即,针对历史配送数据中各个包裹的已知重量、体积等数据,建立起预测公式,然后利用这种预测公式进行包裹属性信息的预测。下面进行详细介绍。、
实施例一
在该实施例一中,首先提供了一种建立包裹属性信息数据库的方法,参见图1,该方法可以包括以下步骤:
S101:收集已知包裹的属性信息;
所谓的已知包裹可以是历史配送记录中的包裹。在实际应用中,物流方在针对物流运单进行货品出库时,通常会对货品进行打包,包括使用包装袋、包装箱等进行包装,包装内部可能还含有填充物,等等,打包完毕后就得到一个个的包裹。在本申请实施例中,物流方可以在打包完毕后,上传包裹的重量、体积等信息到服务器。服务器在收到包裹重量、体积等属性信息后,可以进行保存。
S102:确定各包裹关联的商品对象的特征信息,并按照商品对象的特征信息,对各包裹进行聚类;
在本申请实施例中,为了统计出具体的包裹属性预测公式,可以首先对包裹进行分类,对同一类中各包裹的属性信息进行统计分析,提取出共同点,生成预测公式。而对包裹分类时,可以是基于包裹关联的商品对象的特征信息进行的。也就是说,通常情况下,如果两件商品对象具有相同的特征,则这两件商品对象对应的包裹的属性信息相同或者相似的概率会比较高。因此,可以首先确定出各包裹关联的商品对象的特征信息,然后按照这种商品对象的特征信息,对各包裹进行聚类。
其中,关于包裹内关联的商品对象的特征信息,可以通过多种方式获得。例如,其中一种方式下,可以是在物流方上传包裹属性信息时,还上传商品对象的特征信息,包括商品对象的类目、SPU(Standard Product Unit,标准化产品单元)、SKU(Stock Keeping Unit,库存量单位)等。这样,服务器在收集包裹属性信息时,还可以收集到其关联的商品对象的特征信息。
或者,为了节省物流方上传包裹属性信息的效率,还可以通过以下方式实现:由于物流方在执行发货操作时,通常是基于服务器提供的物流运单进行的,因此,可以在物流方客户端的物流运单详情信息等界面中,提供用于提交包裹属性信息的操作选项。这样,物流方可以直接通过该操作选项将包裹属性信息上传到服务器,而不用再上传关联的商品对象的特征信息。这是因为,物流方的上传操作是基于物流运单执行的,因此,服务器在收到包裹属性信息的同时,还可以获知到关联的物流运单信息,包括运单号等。而物流运单通常是基于交易订单生成的,所谓的交易订单,就是指在第一用户(例如,买家用户、消费者用户等)通过交易平台服务器执行购买某商品对象的操作时,服务器会针对该操作生成交易订单,其中记录购买的商品对象信息,第一用户的收货地址信息等等。在第一用户为该交易订单支付完毕后,服务器端还可以确定出具体的物流服务提供方,并生成物流运单。也就是说,物流运单与交易订单之间是具有对应关系的。这样,服务器在接收到针对某物流运单上传的包裹属性信息后,还可以确定出该物流运单关联的交易订单,进而,就可以从该交易订单中提取出关联的商品对象的特征信息。也就是说,可以据此获知包裹内具体商品对象的类目、SPU、SKU等等。
为了便于理解,首先对SPU与SKU之间的关系进行简单介绍。SPU是商品信息聚合的最小单位,是一组可复用、易检索的标准化信息的集合,该集合描述了一个产品的特性。通俗点讲,属性值、特性相同的商品就可以称为一个SPU。例如,iphone4就是一个SPU,这个与颜色、存储容量等无关,也就是说,无论是什么颜色,什么存储容量,这个商品都是iphone4。
而SKU是库存进出计量的单位,可以是以件、盒、托盘等为单位。在服装、鞋类商品中使用最多最普遍。例如,纺织品中一个SKU通常需要明确给出具体的规格、颜色、款式等。也就是说,SKU是物理上不可分割的最小存货单元。例如,在iphone4的例子中,假设某商家为该商品提供了多种可选的属性,其中,颜色有白色和黑色两种,存储容量有16G、64G两种,则该商品对应有4个SKU,分别为白色16G、白色64G、黑色16G、黑色64G。可见,SKU相对应SPU,会更具体到一件商品对象本身。
在获取到包裹关联的商品对象的特征信息后,就可以基于这种特征信息,对包裹进行聚类。需要说明的是,商品对象的特征信息往往可以有多个维度上的信息,例如类目、SPU、SKU等都属于商品对象的特征信息,这些特征都与对应包裹的属性信息是相关的,因此,在进行聚类时,可以根据实际的需求,选择其中一种特征维度,进行聚类。例如,可以从SKU维度上进行聚类,这样,每个SKU都可以对应具体的包裹属性信息预测公式。或者,从SPU维度上进行聚类,这样,每个SPU都可以对应具体的包裹属性信息预测公式。再或者,还可以从类目维度上进行聚类,也即,将相同类目的商品对象对应的包裹聚为一类,这样,可以使得每个类目对应一个预测公式,等等。
另外,在实际应用中,考虑到商品对象的上述各种特征信息往往具有一种层级关系,并且相邻的层级之间可以具有父子关系。例如,第一层级为类目,第二层级为SPU,第三层级为SKU,如果将其描述为树状结构,则每一级节点实际上都能够从一定程度上描述一个商品对象的特征,并且,越接近叶子节点,描述的越具体。因此,如果全部利用SKU对应的预测公式进行预测,则得到的结果是最准确的。但是,如果历史配送数据中没有出现过某SKU,则就无法对该SKU进行预测了。为此,在本申请实施例中,可以针对各个层级上的特征信息,都分别进行聚类。也就是说,可以按照商品对象类目,将包裹聚类为X个类别,按照商品对象的SPU,将包裹聚类为Y个类别,按照商品对象的SKU,还可以包裹聚类为Z个类别。通常,Z>Y>X。然后,分别基于各种聚类的结果,统计出对应的预测公式。这样,在具体进行预测时,可以优先利用叶子节点上的特征对应的预测公式进行预测,例如,首先判断待预测包裹关联的商品对象的SKU,然后判断是否存在与该SKU对应的预测公式,如果存在,则利用该公式进行预测,否则,可以判断该SKU的父层级上是否对应有预测公式,例如该商品对象所属的SPU是否对应有预测公式,如果仍然没有,还可以继续判断该商品对象所属的类目是否对应有预测公式,等等。这样,可以使得预测准确度以及覆盖度都得到提高。
需要说明的是,关于商品对象所属的类目,往往也是包括多个层级,例如,一级类目、二级类目等等。因此,在基于类目进行聚类时,也可以分别基于各级类目进行聚类。也就是说,在一种实现方式下,在对包裹进行聚类时,可以包括一级类目层级,二级类目层级……叶子类目层级,下面还可以有SPU层级,SPU层级下面还可以有SKU层级,每个层级上都可以分别进行预测公式的统计。
另外需要说明的是,在实际应用中,第一用户在进行下单时,往往存在多种可能,例如,在某店铺中选择了某件商品对象,并且只买一件(如在某店铺中买了一瓶洗发水),于是,对应的包裹属于“单品单件”包裹。或者,在某店铺中选择了某件商品对象,但同时买了多件(如,在某店铺中买了两瓶同样的洗发水),此时,对应的包裹属于“单品多件”包裹。
也就是说,不同的包裹中关联的商品对象的数量可能都是不同的,显然,这会导致包裹属性信息发生变化,因此,在对包裹进行聚类时,还可以按照包裹关联的商品对象的数量,分别进行聚类。这与基于商品对象特征信息的聚类并不冲突,例如,具体实现时,可以首先基于商品对象特征进行聚类,然后,在每个类别内部,再分别针对单品单件、单品多件的情况分别聚类为多个子类。或者,也可以首先针对单品单件、单品多件的情况进行聚类,然后,针对单品单件的包裹,按照商品对象特征信息进行聚类,单品多件的包裹也是类似。这样,最终生成的预测公式中,每一种商品对象特征都可以分别对应单品单件的预测公式,以及单品多件的预测公式,这样可以使得预测结果更准确。
其中,对于针对多个特征层级分别都进行聚类的情况,也是适用的,例如,包裹的类别可以包括一级类目层级,二级类目层级……叶子类目层级,下面还可以有SPU层级,SPU层级下面还可以有SKU层级,每个层级的预测公式都对应单品单件包裹预测公式、单品多件包裹预测公式。
另外,第一用户还可能在同一店铺中选择了多个品类的商品对象(如,在某店铺中买了一瓶洗发水,另外,还买了一瓶护发素),此时,对应的包裹可能会成为“多品多件”包裹。针对这种包裹,由于其中包含了多个品类的商品对象,因此,显然无法被划分到某个SPU或者SKU对应的包裹类别中,但可以按照商品对象类目进行划分,例如,某包裹中包含一瓶洗发水,一瓶护发素,可以聚类为洗护类商品对象对应的包裹,等等。然后对该类包裹的属性信息进行统计分析,确定出该该类包裹在“多品多件”时对应的预测公式。当然,针对多品多件的情况,通过上述统计的方式获得的预测公式准确性可能会下降,因此,在具体实现时,还可以通过在单品单件、单品多件对应的预测公式基础上添加一参数等方式进行获得。
S103:确定各类别适用的统计模型,并按照所述统计模型,对各类别内包裹的属性信息进行统计,确定统计模型中的参数值;
在确定出各个包裹类别后,可以在各类别内部,对包裹的属性信息进行统计分析。其中,每个包裹类别可以对应有各自的统计模型,当然,不同包裹类别对应的统计模型可以是相同的,也可以是不同的,具体可以根据实际的需要选择模型。
例如,基于SKU聚类时,单品单件包裹重量预测模型可以为:
W=w*(1+r1)*r2*r3
其中,W:物流包裹重量;w:SKU属性重量;r1:单件单品包裹系数;r2:单件单品校正系数;r3:误差率(每个品类的误差率要求可能不同)。
每个包裹类别对应的统计模型确定后,就可以对类别内的各包裹的属性信息进行统计分析,统计分析的目的,就是确定模型中各参数的具体取值。
当然,包裹属性信息包括重量、体积等,针对不同的属性信息,所使用的统计模型是不同的,相应的,也会对应不同的预测公式。
S104:根据所述统计模型以及所述参数值,确定各类别对应的预测公式;
在确定出模型中参数的取值后,将参数值带入到统计模型中,就可以得到对应的预测公式。
S105:保存各类别与预测公式之间的对应关系,生成所述包裹属性信息数据库。
在得到各类别对应的预测公式后,就可以对各类别与预测公式之间的对应关系进行保存,以此生成包裹属性信息数据库。其中,在保存对应关系时,包裹类别的信息,可以用从该类别内各商品对象提取出的相同特征信息表示。例如,在SKU维度进行聚类时,可以直接用SKU作为包裹类别名称,在类目维度进行聚类时,可以用类目名称作为包裹类别的名称,等等。
也就是说,最终生成的数据库,可以是公式库,用于保存各个包裹类别对应的预测公式。对于分别从不同层级上进行了聚类,并分别得到预测公式的情况,可以存储为不同的公式库。例如,SKU层级的公式库结构可以参见表1所示。
表1
SKU | 数量 | 公式 |
Iphone4白色16G | 单品单件 | 公式1 |
Iphone4白色16G | 单品多件 | 公式2 |
Iphone4白色64G | 单品单件 | 公式3 |
Iphone4白色64G | 单品多件 | 公式4 |
…… | …… | …… |
SPU层级的公式库可以如表2所示:
表2
SPU | 数量 | 公式 |
Iphone4 | 单品单件 | 公式5 |
Iphone6 | 单品多件 | 公式6 |
…… | …… | …… |
某叶子类目层级的公式库可以如表3所示:
表3
叶子类目 | 数量 | 公式 |
手机 | 单品单件 | 公式7 |
手机 | 单品多件 | 公式8 |
手机 | 多品多件 | 公式9 |
笔记本电脑 | 单品单件 | 公式10 |
笔记本电脑 | 单品多件 | 公式11 |
…… | …… | …… |
从表3与表1、表2的区别可见,在类目级别的公式库中,可以有“多品多件”包裹对应的预测公式。
在建立了上述包裹属性信息数据库之后,就可以利用该数据库对包裹属性信息进行预测,下面进行介绍。
实施例二
该实施例二提供了一种预测包裹属性信息的方法,参见图2,该方法可以包括以下步骤:
S201:预先保存各包裹类别与属性信息预测公式之间的对应关系;其中,包裹类别通过从该类别内各商品对象提取出的相同特征信息表示;
关于对应关系的建立方式可以参见实施例一中的介绍,当然,在实际应用中,也可以通过其他方式建立,例如,可以是根据经验进行各类别预测公式的设置,等等。
S202:针对目标物流运单,确定该物流运单关联的目标商品对象的特征信息;
关于目标物流运单,可以是当前生成的物流运单。例如,在某第一用户针对其交易订单完成付款后,可以生成与该交易订单对应的物流运单,在该物流订单生成时,就可以进行包裹属性信息的预测相关操作。因此,该实施例二中各步骤的执行主体可以是交易平台服务器,或者交易平台关联的物流管理平台服务器等。也就是说,在货品尚未出库,尚未被打包成物流包裹时,就可以对包裹的属性信息进行预测。
具体的,由于物流运单通常是与交易订单关联的,而交易订单中记录有目标商品对象的信息,因此,可以从关联的交易订单中,提取出关联的目标商品对象的特征信息。例如,可以包括商品对象所属的类目、SPU、SKU等等。当然,还可以提取出订单关联的商品对象的数量,商品对象品类的数量,等等。
S203:按照目标商品对象的特征信息,确定目标包裹所属的目标类别;
在提取出目标商品对象的特征信息后,就可以根据这种特征信息确定出目标包裹所属的目标类别。其中,如果提取出多个层级的特征信息,则可以确定出目标包裹属于多个包裹类别。例如,某目标商品对象的特征信息包括:手机类,iphone4,白色,64G,则可以确定出目标包裹所属的类别分别包括:白色64G iphone4这一SKU对应的第一目标类别,iphone4这一SPU对应的第二目标类别,手机这一类目对应的第三目标类别,等等。
当然,在具体实现时,当前目标商品对象在某层级上的特征,在对应层级的公式库中,不一定存在对应的预测公式。例如,对于当前目标商品对象的SKU,在SKU层级的公式库中,可能不存在与之对应的预测公式,此时,可以判断SPU层级的公式库中,是否存在该目标商品对象的SPU对应的预测公式,以此类推,逐级向上查找,直到在某层级的公式库中找到该目标商品对象的某特征对应的预测公式,然后利用该预测公式预测所述目标包裹的属性信息。
具体的,在类目、SPU、SKU三个层级的实现方式下,在步骤S202中确定目标包裹所属的目标类别时,可以首先按照目标商品对象的SKU信息,确定目标包裹所属的第一目标类别,然后判断所述对应关系中是否存在该SKU对应的第一目标预测公式,如果存在,则利用该第一目标预测公式,预测所述目标包裹的属性信息。否则,判断对应关系中是否存在该目标商品对象所属的SPU对应的第二目标预测公式,如果存在,则利用该第二目标预测公式,预测所述目标包裹的属性信息,否则,判断所述对应关系中是否存在该目标商品对象所属的类目对应的第三目标预测公式,如果存在,则利用该第三目标预测公式,预测所述目标包裹的属性信息。当然,关于目标商品对象的类目对应的第三预测公式,可以优先使用子类目对应的预测公式,如果子类目对应的预测公式不存在,再逐级向上查找存在预测公式的父类目。
例如,某目标物流运单关联的商品对象特征为手机类,iphone4,白色,32G,可以确定出其SKU为白色32G iphone4,SPU为iphone4,类目为手机类。之后,可以首先判断在SKU层级的公式库中,是否存在该SKU对应的预测公式,例如,如表1所示,在SKU层级的公式库中,不存在该白色32G iphone4对应的预测公式;则此时,可以判断在SPU层级的公式库中,是否存在该SPU对应的预测公式,如表2所示,在SPU层级的公式库中,存在iphone4对应的预测公式,因此,就可以用该预测公式进行包裹属性的预测。否则,如果表2中,不存在iphone4对应的预测公式,则还可以进一步查找表3所示的类目层级公式库中,是否存在手机类对应的预测公式,以此类推。
当然,如果对应关系中,针对包裹关联的商品对象数量的不同,对应不同的包裹类别,并对应不同的预测公式,则还可以确定出目标物流运单关联的商品对象的数量,然后,根据目标商品对象的数量以及特征信息,确定目标包裹所属的目标类别。例如,某SKU的单品单件类包裹,或者某SPU的单品多件类包裹,等等。相应的,可以从对应关系中,确定出对应的预测公式。
另外,如果对应关系中,针对包裹关联的商品对象数量以及品类数量的不同,对应不同的包裹类别,并对应不同的预测公式,则还可以确定出目标物流运单关联的商品对象数量以及品类数量,然后,可以根据目标商品对象数量、品类数量以及商品对象特征信息,确定目标包裹所属的目标类别。例如,如果是单品单件,或者单品多件,可以进一步确定其所属的SKU、SPU、类目等对应的单品单件或者单品多件的预测公式,如果是多品多件,还则可以确定出多个品类共同所属的类目对应的多品多件预测公式。
S204:利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息。
在确定出预测公式后,就可以利用该预测公式预测出目标包裹的属性信息。其中,预测出的属性信息可以包括重量、体积等等。
在预测出目标包裹的属性信息后,可以添加到所述目标物流运单中,这样,物流方的各个处理环节只要根据该物流运单中记录的预测信息,就可以大致确定出目标包裹的重量、体积等,相应的,也可以根据这种预测值进行运力的调配,这样可以提高调配的准确性,降低运力浪费或者不足情况的发生概率。
需要说明的是,在实际应用中,在实际对目标包裹进行打包完成,进行出库时,物流方还可以上传目标包裹的实际属性信息,包括实际重量、体积等,这样,可以利用预测得到的属性信息与所述实际属性信息之间的差异,对所述目标预测公式进行校正。具体实现时,校正的方式可以有多种,例如,可以是每次收到一个目标包裹的实际属性信息,就进行一次校正,或者,还可以是利用一段时间内收到的多个目标包裹的实际属性信息进行校正,等等。
与实施例一相对应,本申请实施例还提供了一种建立包裹属性信息数据库的装置,参见图3,该装置具体可以包括:
包裹属性收集单元301,用于收集已知包裹的属性信息;
包裹聚类单元302,用于确定各包裹关联的商品对象的特征信息,并按照商品对象的特征信息,对各包裹进行聚类;
统计单元303,用于确定各类别适用的统计模型,并按照所述统计模型,对各类别内包裹的属性信息进行统计,确定统计模型中的参数值;
预测公式确定单元304,用于根据所述统计模型以及所述参数值,确定各类别对应的预测公式;
对应关系保存单元305,用于保存各类别与预测公式之间的对应关系,生成所述包裹属性信息数据库。
具体实现时,所述包裹聚类单元具体用于:
按照多个层级的特征信息,分别各包裹进行聚类,其中,相邻层级之间具有父子关系。
其中,所述多个层级的特征信息包括以下中一个或多个:商品对象所属的类目、标准化产品单元SPU、库存量单位SKU信息。
其中,所述商品对象所属的类目包括多级。
具体实现时,所述包裹聚类单元还用于:
按照包裹关联的商品对象数量的不同,聚类为不同的包裹类别。
其中,所述包裹的属性信息包括包裹的重量或体积,不同的属性信息对应不同的预测公式。
与实施例二相对应,本申请实施例还提供了一种预测包裹属性信息的装置,参见图4,该装置可以包括:
对应关系保存单元401,用于预先保存各包裹类别与属性信息预测公式之间的对应关系;其中,包裹类别通过从该类别内各商品对象提取出的相同特征信息表示;
特征信息确定单元402,用于针对目标物流运单,确定该物流运单关联的目标商品对象的特征信息;
目标类别确定单元403,用于按照目标商品对象的特征信息,确定目标包裹所属的目标类别;
预测单元404,用于利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息。
其中,所述对应关系中,针对包裹关联的商品对象数量的不同,对应不同的包裹类别,并对应不同的预测公式;
所述装置还包括:
商品对象数量确定单元,用于确定所述目标物流运单关联的商品对象的数量;
所述目标类别确定单元具体用于:
根据所述目标商品对象的数量以及特征信息,确定目标包裹所属的目标类别。
如果所述对应关系中,针对包裹关联的商品对象数量以及品类数量的不同,对应不同的包裹类别,并对应不同的预测公式;
所述装置还包括:
商品及品类数量确定单元,用于确定所述目标物流运单关联的商品对象数量以及品类数量;
所述目标类别确定单元具体用于:
根据所述目标商品对象数量、品类数量以及商品对象特征信息,确定目标包裹所属的目标类别。
如果所述对应关系中保存的包裹类别,包括多个特征层级的包裹类别,相邻层级之间具有父子关系;
所述目标类别确定单元具体用于:
按照目标商品对象在其中一层级上的特征信息,确定目标包裹所属的目标类别;
所述预测单元包括:
判断子单元,用于判断所述对应关系中是否存在该目标类别对应的目标预测公式;
第一预测子单元,用于如果存在,则利用所述目标预测公式,预测所述目标包裹的属性信息;
第二预测子单元,用于如果对应关系中不存在该目标类别对应的目标预测公式,则利用所述目标商品对象的其他特征信息逐级向上查找,直到对应关系中出现某层级上的特征信息对应的目标预测公式,利用该预测公式预测所述目标包裹的属性信息。
其中,所述多个层级的包裹类别包括商品对象类目、SPU、SKU;
所述目标类别确定单元具体用于:
按照所述目标商品对象的SKU信息,确定目标包裹所属的目标类别;
所述预测单元包括:
第一判断子单元,用于判断所述对应关系中是否存在该SKU对应的第一目标预测公式;
第三预测子单元,用于如果存在,则利用该第一目标预测公式,预测所述目标包裹的属性信息;
第二判断子单元,用于如果对应关系中不存在该SKU对应的第一目标预测公式,则判断所述对应关系中是否存在该目标商品对象所属的SPU对应的第二目标预测公式;
第四预测子单元,用于如果存在,则利用该第二目标预测公式,预测所述目标包裹的属性信息;
第三判断子单元,用于如果对应关系中不存在该目标商品对象所属的SPU对应的第二目标预测公式,则判断所述对应关系中是否存在该目标商品对象所属的类目对应的第三目标预测公式;
第五预测子单元,用于如果存在,则利用该第三目标预测公式,预测所述目标包裹的属性信息。
商品对象所属的类目包括多级类目,在利用类目对应的预测公式进行预测时,优先利用子类目对应的预测公式进行预测。
具体实现时,该装置还可以包括:
属性信息添加单元,用于将所述预测出的目标包裹的属性信息添加到所述目标物流运单中。
另外还可以包括:
实际属性信息确定单元,用于确定所述目标物流运单对应的包裹的实际属性信息;
校正单元,用于利用所述预测得到的属性信息与所述实际属性信息之间的差异,对所述目标预测公式进行校正。
通过本申请实施例,可以预先保存包裹类别与属性信息预测公式之间的对应关系,这样,针对一目标物流运单,可以按照其关联的目标商品对象的特征信息,确定出目标包裹所属的目标类别,并利用该目标类别对应的预测公式,预测出目标包裹的属性信息,例如,可以包括重量、体积等。这样,物流各环节就可以利用这种属性信息的预测值进行运力的调配等,相对于单纯依靠运单数量进行调配的方式,可以提高调配的准确性,降低运力浪费或者不足情况的发生概率。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上对本申请所提供的预测包裹属性信息的方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本申请的限制。
Claims (28)
1.一种建立包裹属性信息数据库的方法,其特征在于,包括:
收集已知包裹的属性信息;
确定各包裹关联的商品对象的特征信息,并按照商品对象的特征信息,对各包裹进行聚类;
确定各类别适用的统计模型,并按照所述统计模型,对各类别内包裹的属性信息进行统计,确定统计模型中的参数值;
根据所述统计模型以及所述参数值,确定各类别对应的预测公式;
保存各类别与预测公式之间的对应关系,生成所述包裹属性信息数据库。
2.根据权利要求1所述的方法,其特征在于,所述按照商品对象的特征信息,对各包裹进行聚类,包括:
按照多个层级的特征信息,分别各包裹进行聚类,其中,相邻层级之间具有父子关系。
3.根据权利要求2所述的方法,其特征在于,所述多个层级的特征信息包括以下中一个或多个:商品对象所属的类目、标准化产品单元SPU、库存量单位SKU信息。
4.根据权利要求3所述的方法,其特征在于,所述商品对象所属的类目包括多级。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述按照商品对象的特征信息,对各包裹进行聚类,还包括:
按照包裹关联的商品对象数量的不同,聚类为不同的包裹类别。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述包裹的属性信息包括包裹的重量或体积,不同的属性信息对应不同的预测公式。
7.一种预测包裹属性信息的方法,其特征在于,包括:
预先保存各包裹类别与属性信息预测公式之间的对应关系;其中,包裹类别通过从该类别内各商品对象提取出的相同特征信息表示;
针对目标物流运单,确定该物流运单关联的目标商品对象的特征信息;
按照目标商品对象的特征信息,确定目标包裹所属的目标类别;
利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息。
8.根据权利要求7所述的方法,其特征在于,所述对应关系中,针对包裹关联的商品对象数量的不同,对应不同的包裹类别,并对应不同的预测公式;
所述方法还包括:
确定所述目标物流运单关联的商品对象的数量;
所述按照目标商品对象的特征信息,确定目标包裹所属的目标类别,包括:
根据所述目标商品对象的数量以及特征信息,确定目标包裹所属的目标类别。
9.根据权利要求7所述的方法,其特征在于,所述对应关系中,针对包裹关联的商品对象数量以及品类数量的不同,对应不同的包裹类别,并对应不同的预测公式;
所述方法还包括:
确定所述目标物流运单关联的商品对象数量以及品类数量;
所述按照目标商品对象的特征信息,确定目标包裹所属的目标类别,包括:
根据所述目标商品对象数量、品类数量以及商品对象特征信息,确定目标包裹所属的目标类别。
10.根据权利要求7至9任一项所述的方法,其特征在于,所述对应关系中保存的包裹类别,包括多个特征层级的包裹类别,相邻层级之间具有父子关系;
所述按照目标商品对象的特征信息,确定目标包裹所属的目标类别,包括:
按照目标商品对象在其中一层级上的特征信息,确定目标包裹所属的目标类别;
所述利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息包括:
判断所述对应关系中是否存在该目标类别对应的目标预测公式;
如果存在,则利用所述目标预测公式,预测所述目标包裹的属性信息;
否则,利用所述目标商品对象的其他特征信息逐级向上查找,直到对应关系中出现某层级上的特征信息对应的目标预测公式,利用该预测公式预测所述目标包裹的属性信息。
11.根据权利要求10所述的方法,其特征在于,所述多个层级的包裹类别包括商品对象类目、SPU、SKU;
所述按照目标商品对象的特征信息,确定目标包裹所属的目标类别,包括:
按照所述目标商品对象的SKU信息,确定目标包裹所属的目标类别;
所述利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息包括:
判断所述对应关系中是否存在该SKU对应的第一目标预测公式;
如果存在,则利用该第一目标预测公式,预测所述目标包裹的属性信息;
否则,判断所述对应关系中是否存在该目标商品对象所属的SPU对应的第二目标预测公式;
如果存在,则利用该第二目标预测公式,预测所述目标包裹的属性信息;
否则,判断所述对应关系中是否存在该目标商品对象所属的类目对应的第三目标预测公式;
如果存在,则利用该第三目标预测公式,预测所述目标包裹的属性信息。
12.根据权利要求11所述的方法,其特征在于,商品对象所属的类目包括多级类目,在利用类目对应的预测公式进行预测时,优先利用子类目对应的预测公式进行预测。
13.根据权利要求7至12任一项所述的方法,其特征在于,还包括:
将所述预测出的目标包裹的属性信息添加到所述目标物流运单中。
14.根据权利要求7至12任一项所述的方法,其特征在于,还包括:
确定所述目标物流运单对应的包裹的实际属性信息;
利用所述预测得到的属性信息与所述实际属性信息之间的差异,对所述目标预测公式进行校正。
15.一种建立包裹属性信息数据库的装置,其特征在于,包括:
包裹属性收集单元,用于收集已知包裹的属性信息;
包裹聚类单元,用于确定各包裹关联的商品对象的特征信息,并按照商品对象的特征信息,对各包裹进行聚类;
统计单元,用于确定各类别适用的统计模型,并按照所述统计模型,对各类别内包裹的属性信息进行统计,确定统计模型中的参数值;
预测公式确定单元,用于根据所述统计模型以及所述参数值,确定各类别对应的预测公式;
对应关系保存单元,用于保存各类别与预测公式之间的对应关系,生成所述包裹属性信息数据库。
16.根据权利要求15所述的装置,其特征在于,所述包裹聚类单元具体用于:
按照多个层级的特征信息,分别各包裹进行聚类,其中,相邻层级之间具有父子关系。
17.根据权利要求16所述的装置,其特征在于,所述多个层级的特征信息包括以下中一个或多个:商品对象所属的类目、标准化产品单元SPU、库存量单位SKU信息。
18.根据权利要求17所述的装置,其特征在于,所述商品对象所属的类目包括多级。
19.根据权利要求15至18任一项所述的装置,其特征在于,所述包裹聚类单元还用于:
按照包裹关联的商品对象数量的不同,聚类为不同的包裹类别。
20.根据权利要求15至18任一项所述的装置,其特征在于,所述包裹的属性信息包括包裹的重量或体积,不同的属性信息对应不同的预测公式。
21.一种预测包裹属性信息的装置,其特征在于,包括:
对应关系保存单元,用于预先保存各包裹类别与属性信息预测公式之间的对应关系;其中,包裹类别通过从该类别内各商品对象提取出的相同特征信息表示;
特征信息确定单元,用于针对目标物流运单,确定该物流运单关联的目标商品对象的特征信息;
目标类别确定单元,用于按照目标商品对象的特征信息,确定目标包裹所属的目标类别;
预测单元,用于利用所述目标类别对应的预测公式,预测所述目标包裹的属性信息。
22.根据权利要求21所述的装置,其特征在于,所述对应关系中,针对包裹关联的商品对象数量的不同,对应不同的包裹类别,并对应不同的预测公式;
所述装置还包括:
商品对象数量确定单元,用于确定所述目标物流运单关联的商品对象的数量;
所述目标类别确定单元具体用于:
根据所述目标商品对象的数量以及特征信息,确定目标包裹所属的目标类别。
23.根据权利要求21所述的装置,其特征在于,所述对应关系中,针对包裹关联的商品对象数量以及品类数量的不同,对应不同的包裹类别,并对应不同的预测公式;
所述装置还包括:
商品及品类数量确定单元,用于确定所述目标物流运单关联的商品对象数量以及品类数量;
所述目标类别确定单元具体用于:
根据所述目标商品对象数量、品类数量以及商品对象特征信息,确定目标包裹所属的目标类别。
24.根据权利要求21至23任一项所述的装置,其特征在于,所述对应关系中保存的包裹类别,包括多个特征层级的包裹类别,相邻层级之间具有父子关系;
所述目标类别确定单元具体用于:
按照目标商品对象在其中一层级上的特征信息,确定目标包裹所属的目标类别;
所述预测单元包括:
判断子单元,用于判断所述对应关系中是否存在该目标类别对应的目标预测公式;
第一预测子单元,用于如果存在,则利用所述目标预测公式,预测所述目标包裹的属性信息;
第二预测子单元,用于如果对应关系中不存在该目标类别对应的目标预测公式,则利用所述目标商品对象的其他特征信息逐级向上查找,直到对应关系中出现某层级上的特征信息对应的目标预测公式,利用该预测公式预测所述目标包裹的属性信息。
25.根据权利要求24所述的装置,其特征在于,所述多个层级的包裹类别包括商品对象类目、SPU、SKU;
所述目标类别确定单元具体用于:
按照所述目标商品对象的SKU信息,确定目标包裹所属的目标类别;
所述预测单元包括:
第一判断子单元,用于判断所述对应关系中是否存在该SKU对应的第一目标预测公式;
第三预测子单元,用于如果存在,则利用该第一目标预测公式,预测所述目标包裹的属性信息;
第二判断子单元,用于如果对应关系中不存在该SKU对应的第一目标预测公式,则判断所述对应关系中是否存在该目标商品对象所属的SPU对应的第二目标预测公式;
第四预测子单元,用于如果存在,则利用该第二目标预测公式,预测所述目标包裹的属性信息;
第三判断子单元,用于如果对应关系中不存在该目标商品对象所属的SPU对应的第二目标预测公式,则判断所述对应关系中是否存在该目标商品对象所属的类目对应的第三目标预测公式;
第五预测子单元,用于如果存在,则利用该第三目标预测公式,预测所述目标包裹的属性信息。
26.根据权利要求25所述的装置,其特征在于,商品对象所属的类目包括多级类目,在利用类目对应的预测公式进行预测时,优先利用子类目对应的预测公式进行预测。
27.根据权利要求21至26任一项所述的装置,其特征在于,还包括:
属性信息添加单元,用于将所述预测出的目标包裹的属性信息添加到所述目标物流运单中。
28.根据权利要求21至26任一项所述的装置,其特征在于,还包括:
实际属性信息确定单元,用于确定所述目标物流运单对应的包裹的实际属性信息;
校正单元,用于利用所述预测得到的属性信息与所述实际属性信息之间的差异,对所述目标预测公式进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510657895.0A CN106570573B (zh) | 2015-10-13 | 2015-10-13 | 预测包裹属性信息的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510657895.0A CN106570573B (zh) | 2015-10-13 | 2015-10-13 | 预测包裹属性信息的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106570573A true CN106570573A (zh) | 2017-04-19 |
CN106570573B CN106570573B (zh) | 2022-05-27 |
Family
ID=58508133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510657895.0A Active CN106570573B (zh) | 2015-10-13 | 2015-10-13 | 预测包裹属性信息的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570573B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389337A (zh) * | 2017-08-04 | 2019-02-26 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
CN109583806A (zh) * | 2018-10-29 | 2019-04-05 | 跨越速运集团有限公司 | 一种基于智能调整下单重量后的车辆调度取件方法及*** |
WO2019105030A1 (zh) * | 2017-11-28 | 2019-06-06 | 华为技术有限公司 | 物品分箱方法、装置以及计算机可读存储介质 |
WO2019109790A1 (zh) * | 2017-12-08 | 2019-06-13 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
WO2019242521A1 (zh) * | 2018-06-21 | 2019-12-26 | 菜鸟智能物流控股有限公司 | 订单界面展示方法、订单生成方法、订单处理*** |
CN111275294A (zh) * | 2020-01-09 | 2020-06-12 | 名创优品(横琴)企业管理有限公司 | 一种商品信息批量处理分析方法、装置和设备 |
CN111325495A (zh) * | 2018-12-17 | 2020-06-23 | 顺丰科技有限公司 | 异常件分类方法及*** |
CN113095756A (zh) * | 2021-04-14 | 2021-07-09 | 北京京东振世信息技术有限公司 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193936A (zh) * | 2010-03-09 | 2011-09-21 | 阿里巴巴集团控股有限公司 | 一种数据分类的方法及装置 |
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和*** |
CN102467726A (zh) * | 2010-11-04 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
CN103824192A (zh) * | 2012-08-31 | 2014-05-28 | 埃森哲环球服务有限公司 | 混合推荐*** |
WO2014194337A1 (en) * | 2013-05-30 | 2014-12-04 | Atlas Wearables, Inc. | Portable computing device and analyses of personal data captured therefrom |
-
2015
- 2015-10-13 CN CN201510657895.0A patent/CN106570573B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193936A (zh) * | 2010-03-09 | 2011-09-21 | 阿里巴巴集团控股有限公司 | 一种数据分类的方法及装置 |
CN102467726A (zh) * | 2010-11-04 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和*** |
CN103824192A (zh) * | 2012-08-31 | 2014-05-28 | 埃森哲环球服务有限公司 | 混合推荐*** |
WO2014194337A1 (en) * | 2013-05-30 | 2014-12-04 | Atlas Wearables, Inc. | Portable computing device and analyses of personal data captured therefrom |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389337A (zh) * | 2017-08-04 | 2019-02-26 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
CN109389337B (zh) * | 2017-08-04 | 2021-11-02 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
WO2019105030A1 (zh) * | 2017-11-28 | 2019-06-06 | 华为技术有限公司 | 物品分箱方法、装置以及计算机可读存储介质 |
WO2019109790A1 (zh) * | 2017-12-08 | 2019-06-13 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
CN109903064A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
WO2019242521A1 (zh) * | 2018-06-21 | 2019-12-26 | 菜鸟智能物流控股有限公司 | 订单界面展示方法、订单生成方法、订单处理*** |
CN109583806A (zh) * | 2018-10-29 | 2019-04-05 | 跨越速运集团有限公司 | 一种基于智能调整下单重量后的车辆调度取件方法及*** |
CN111325495A (zh) * | 2018-12-17 | 2020-06-23 | 顺丰科技有限公司 | 异常件分类方法及*** |
CN111325495B (zh) * | 2018-12-17 | 2023-12-01 | 顺丰科技有限公司 | 异常件分类方法及*** |
CN111275294A (zh) * | 2020-01-09 | 2020-06-12 | 名创优品(横琴)企业管理有限公司 | 一种商品信息批量处理分析方法、装置和设备 |
CN111275294B (zh) * | 2020-01-09 | 2023-04-21 | 创优数字科技(广东)有限公司 | 一种商品信息批量处理分析方法、装置和设备 |
CN113095756A (zh) * | 2021-04-14 | 2021-07-09 | 北京京东振世信息技术有限公司 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
CN113095756B (zh) * | 2021-04-14 | 2024-01-12 | 北京京东振世信息技术有限公司 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106570573B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570573A (zh) | 预测包裹属性信息的方法及装置 | |
Singh et al. | Third party logistics (3PL) selection for cold chain management: a fuzzy AHP and fuzzy TOPSIS approach | |
Dutta et al. | Design and planning of a closed-loop supply chain with three way recovery and buy-back offer | |
CN107963385B (zh) | 一种物流仓储领域中货物的处理方法及*** | |
CN113487259B (zh) | 一种用于电商智能仓储的出库配送方法 | |
Ramaa et al. | Impact of warehouse management system in a supply chain | |
Fontana et al. | Use of Promethee method to determine the best alternative for warehouse storage location assignment | |
US8560461B1 (en) | Shipment splitting analyzer | |
US8027860B2 (en) | Systems and methods for planning demand for configurable products | |
CN105867322B (zh) | 用于材料处理设备中的程序管理的***和方法 | |
CN106991548A (zh) | 一种仓库货位规划方法、装置及电子装置 | |
CN108197873A (zh) | 仓库商品拣货方法、装置、计算机设备及存储介质 | |
US20070027573A1 (en) | Systems and methods for automated parallelization of transport load builder | |
CN107578314A (zh) | 一种电子商务物流*** | |
CN110288167A (zh) | 货品配送规划方法、装置、电子设备及可读存储介质 | |
Le et al. | Determining an optimal warehouse location, capacity, and product allocation in a multi-product, multi-period distribution network: a case study | |
Setamanit | Evaluation of outsourcing transportation contract using simulation and design of experiment | |
Huang et al. | A routing and consolidation decision model for containerized air-land intermodal operations | |
Aktas et al. | Goal programming model for production-distribution planning by considering carbon emission | |
US20120303156A1 (en) | Method and apparatus for optimized shipping strategies accounting for endpoint requirements | |
CN114186903A (zh) | 仓库选品方法、装置、计算机设备和存储介质 | |
Dixit et al. | Picking improvement of an FMCG warehouse: a lean perspective | |
US8126755B2 (en) | Systems and methods for automated parallelization of deployment | |
Li et al. | Optimal decision-making on product ranking for crossdocking/warehousing operations | |
Matthews | SKU assignment in a multiple picking line order picking system. |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180411 Address after: Four story 847 mailbox of the capital mansion of Cayman Islands, Cayman Islands, Cayman Applicant after: CAINIAO SMART LOGISTICS HOLDING Ltd. Address before: Cayman Islands Grand Cayman capital building a four storey No. 847 mailbox Applicant before: ALIBABA GROUP HOLDING Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |