CN108985694A - 用于确定配送中心地址的方法和装置 - Google Patents
用于确定配送中心地址的方法和装置 Download PDFInfo
- Publication number
- CN108985694A CN108985694A CN201810786397.XA CN201810786397A CN108985694A CN 108985694 A CN108985694 A CN 108985694A CN 201810786397 A CN201810786397 A CN 201810786397A CN 108985694 A CN108985694 A CN 108985694A
- Authority
- CN
- China
- Prior art keywords
- home
- delivery
- delivery center
- center
- resource consumption
- 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
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于确定配送中心地址的方法和装置。该方法的一具体实施方式包括:获取历史订单的配送地址,对历史订单的配送地址进行聚类得到至少一个聚簇,将初始配送中心和聚簇的中心作为候选配送中心,基于候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量,基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、配送服务对象的位置数据和配送需求量、各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址,该实施方式提升了配送中心选址的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及物流技术领域,尤其涉及用于确定配送中心地址的方法和装置。
背景技术
物流配送中心是物流***中距离客户最近的一个节点,因此,实体店铺以及电商平台的配送过程都依赖于物流配送中心网络。配送中心的地址关系到配送效率和整个物流***的正常运转,因此配送中心的地址选择是物流***中较为关键的一个环节。
在选择物流配送中心的地址时,目前采用的主要方法是基于专家知识给出最优的规划方案,然而专家知识主观性较强,缺乏统一量化的标准,可靠性有待提升。
发明内容
本申请实施例提出了用于确定配送中心地址的方法和装置。
第一方面,本申请实施例提供了一种用于确定配送中心地址的方法,包括:获取历史订单的配送地址;对历史订单的配送地址进行聚类,得到至少一个聚簇;将已确定的初始配送中心和聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量;基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
在一些实施例中,上述对历史订单的配送地址进行聚类,得到至少一个聚簇,包括:确定聚簇数的取值范围;将聚簇数的取值范围内的最小值作为初始的当前聚簇数,执行搜索操作,搜索操作包括:基于当前聚簇数对历史订单的配送地址进行全局聚类,计算全局聚类结果的贝叶斯信息量,贝叶斯信息量用于表征聚类结果与实际分布的似然程度;比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数的贝叶斯信息量,若当前聚簇数的全局聚类结果的贝叶斯信息量大于上一个聚簇数的贝叶斯信息量,对基于当前聚簇数的全局聚类结果中的每个类簇进行局部聚类,将全局聚类结果中的每个类簇划分为至少两个子簇,计算各子簇的贝叶斯信息量,并比对基于当前聚簇数的全局聚类结果的贝叶斯信息量与局部聚类结果中各子簇的贝叶斯信息量之和;若基于当前聚簇数的全局聚类结果的贝叶斯信息量小于局部聚类结果中各子簇的贝叶斯信息量之和,则将子簇作为基于当前聚簇数的聚类结果,并将所有子簇的贝叶斯信息量之和作为当前聚簇数的贝叶斯信息量;若基于当前聚簇数的全局聚类结果的贝叶斯信息量大于局部聚类结果中各子簇的贝叶斯信息量之和,则将全局聚类结果作为基于当前聚簇数的聚类结果,并将当前聚簇数的全局聚类结果的贝叶斯信息量作为当前聚簇数的贝叶斯信息量;判断当前聚簇数是否达到聚簇数的取值范围内的最大值;若搜索操作的判断结果为当前聚簇数未达到聚簇数的取值范围内的最大值,增大当前聚簇数,执行搜索操作。
在一些实施例中,上述基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址,包括:基于由初始配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、以及配送服务对象的配送需求量、初始配送中心的最大配送量,计算预设数目个初始配送中心的总运输资源消耗量之和;确定使预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合,基于使预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合中各配送服务对象的位置数据,确定预设数目个初始配送中心的配送范围;基于由预设数目个初始配送中心的配送范围内的其他候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、配送服务对象的配送需求量、预设数目个初始配送中心的配送范围内的其他候选配送中心的最大配送量,计算预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,并基于预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,确定将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和;基于预设数目个初始配送中心的总运输资源消耗量之和,以及将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和,确定出使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
在一些实施例中,初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量还包括构建初始配送中心的配送范围内的其他候选配送中心的预设资源消耗量。
在一些实施例中,上述方法还包括:确定目标配送中心的配送服务对象集合。
第二方面,本申请实施例提供了一种用于确定配送中心地址的装置,包括:获取单元,被配置成获取历史订单的配送地址;聚类单元,被配置成对历史订单的配送地址进行聚类,得到至少一个聚簇;计算单元,被配置成将已确定的初始配送中心和聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量;处理单元,被配置成基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
在一些实施例中,上述聚类单元被进一步配置成按照如下方式对历史订单的配送地址进行聚类,得到至少一个聚簇:确定聚簇数的取值范围;将聚簇数的取值范围内的最小值作为初始的当前聚簇数,执行搜索操作,搜索操作包括:基于当前聚簇数对历史订单的配送地址进行全局聚类,计算全局聚类结果的贝叶斯信息量,贝叶斯信息量用于表征聚类结果与实际分布的似然程度;比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数的贝叶斯信息量,若当前聚簇数的全局聚类结果的贝叶斯信息量大于上一个聚簇数的贝叶斯信息量,对基于当前聚簇数的全局聚类结果中的每个类簇进行局部聚类,将全局聚类结果中的每个类簇划分为至少两个子簇,计算各子簇的贝叶斯信息量,并比对基于当前聚簇数的全局聚类结果的贝叶斯信息量与局部聚类结果中各子簇的贝叶斯信息量之和;若基于当前聚簇数的全局聚类结果的贝叶斯信息量小于局部聚类结果中各子簇的贝叶斯信息量之和,则将子簇作为基于当前聚簇数的聚类结果,并将所有子簇的贝叶斯信息量之和作为当前聚簇数的贝叶斯信息量;若基于当前聚簇数的全局聚类结果的贝叶斯信息量大于局部聚类结果中各子簇的贝叶斯信息量之和,则将全局聚类结果作为基于当前聚簇数的聚类结果,并将当前聚簇数的全局聚类结果的贝叶斯信息量作为当前聚簇数的贝叶斯信息量;判断当前聚簇数是否达到聚簇数的取值范围内的最大值;若搜索操作的判断结果为当前聚簇数未达到聚簇数的取值范围内的最大值,增大当前聚簇数,执行搜索操作。
在一些实施例中,上述处理单元进一步被配置成按照如下方式确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址:基于由初始配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、以及配送服务对象的配送需求量、初始配送中心的最大配送量,计算预设数目个初始配送中心的总运输资源消耗量之和;确定使预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合,基于使预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合中各配送服务对象的位置数据,确定预设数目个初始配送中心的配送范围;基于由预设数目个初始配送中心的配送范围内的其他候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、配送服务对象的配送需求量、预设数目个初始配送中心的配送范围内的其他候选配送中心的最大配送量,计算预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,并基于预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,确定将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和;基于预设数目个初始配送中心的总运输资源消耗量之和,以及将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和,确定出使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
在一些实施例中,初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量还包括构建初始配送中心的配送范围内的其他候选配送中心的预设资源消耗量。
在一些实施例中,上述装置还包括:确定单元,被配置成确定目标配送中心的配送服务对象集合。
第三方面,本申请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,用于存储一个或多个程序,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如第一方面提供的用于确定配送中心地址的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现第一方面提供的用于确定配送中心地址的方法。
本申请上述实施例的用于确定配送中心地址的方法和装置,通过获取历史订单的配送地址,随后对历史订单的配送地址进行聚类,得到至少一个聚簇,之后将已确定的初始配送中心和聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量,最后基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址,实现了基于历史订单的潜在地理位置分布特征定位配送中心,提升了确定出的配送中心的准确性,还可以有效降低配送中心的资源消耗量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于确定配送中心地址的方法的一个实施例的流程图;
图3是根据本申请的用于确定配送中心地址的方法中对历史订单的配送地址进行聚类操作的一种可选实现方式的流程示意图;
图4是根据本申请的确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址的一种可选实现方式的流程示意图;
图5是本申请的用于确定配送中心地址的装置的一个结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于确定配送中心地址的方法或用于确定配送中心地址的装置的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104、以及服务器105。网络104用以在终端设备101、102、103 和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种数据交互,例如搜索引擎客户端、地图客户端、即时通信软件、选址应用等等。
终端设备101、102、103可以是具有显示器并支持互联网访问的各种电子设备,包括但不限于智能手机、平板电脑、智能手表、笔记本电脑、膝上便携型电脑、电子书阅读器等。
服务器105可以是为终端设备提供选址服务的查询服务器,服务器105可以对终端设备101、102、103发出的选址请求进行解析,根据解析结果确定目标地址,并可以将确定出的目标地址的相关信息通过网络104反馈给终端设备101、102、103。
需要说明的是,本申请实施例所提供的用于确定配送中心地址的方法可以由服务器105执行,相应地,用于确定配送中心地址的装置可以设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络、服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器。
继续参考图2,其示出了根据本申请的用于确定配送中心地址的方法的一个实施例的流程200。该用于确定配送中心地址的方法,包括以下步骤:
步骤201,获取历史订单的配送地址。
在本实施例中,上述用于确定配送中心地址的方法的执行主体可以获取提交选址请求的用户所提交的选址区域内的历史订单,并从历史订单中提取出每个订单的配送地址。在这里,选址区域可以是上述用户指定的区域,可以是覆盖一定的地理位置范围的区域,例如,北京市海淀区。
用户提交选址请求时,可以一并提交请求选定地址的选址区域内的所有历史订单。该历史订单可以是配送地址在所选定的区域内的所有线上/线下历史订单。配送地址可以表征配送目的地,也即订单的收获地址。
在本实施例的一些可选的实现方式中,上述执行主体可以从存储有历史订单信息的电子设备获取历史订单的配送地址。例如可以与存储历史订单信息的服务器建立连接,并从存储历史订单信息的服务器接收历史订单信息,从历史订单信息中提取出配送地址。可选地,配送地址可以用地理位置坐标表示。
步骤202,对历史订单的配送地址进行聚类,得到至少一个聚簇。
在本实施例中,可以采用各种聚类方法对步骤201获取的历史订单的配送地址进行聚类。可以将距离较近的配送地址划分入为同一个聚簇,将距离较远的配送地址划分入不同的聚簇。具体地,可以直接基于各配送地址之间的距离进行聚类,也可以按照所获取的所有历史订单的配送地址的密度分布进行聚类,还可以采用诸如神经网络的机器学习模型进行聚类。聚类得到的每个聚簇可以包含至少一个配送地址的数据点。
在聚类时,可以首先确定至少两个聚类中心,然后将获取的配送地址分别聚类至各聚类中心所代表的聚簇中。在聚类过程中,还可以根据同一聚簇中数据点的分布以及不同聚簇之间数据点之间的距离调整聚簇数量和聚簇中心,得到较准确的聚类结果。例如可选地,可以迭代调整聚簇数量和聚簇中心的位置,在同一聚簇中数据点的分布以及不同聚簇中数据点之间的距离满足预设的条件时,停止迭代调整操作,得到聚类结果。
步骤203,将已确定的初始配送中心和聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量。
在根据历史订单的配送地址进行聚类之后,可以将得到的至少一个聚簇的中心作为候选配送中心,同时将已确定的初始配送中心也作为候选配送中心,从候选配送中心选择合适的一个或多个作为目标配送中心。在这里,已确定的初始配送中心可以是已建成、或正在使用的配送中心。步骤202中在聚簇时可以获取聚簇中心的地址,例如聚簇中心的坐标,初始配送中心的地址可以预先获取。
配送服务对象可以是提供的配送服务所针对的用户对象,可以是预先设定的用户对象集合中的用户对象。例如配送服务对象可以包括发出历史订单请求的用户对象,还可以包括未发出过订单请求的用户对象。可以预先获取配送服务对象的位置数据,例如可以将历史订单的配送地址作为生成历史订单的配送服务对象的地址来获取其位置数据,可以获取未发出过订单请求的用户对象的居住地址或工作地址作为对应的配送服务对象的位置数据。
然后可以根据候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量。
在本实施例中,可以根据各候选配送中心的地址以及各配送服务对象的位置数据,计算从每个候选配送中心到各个配送服务对象的距离,然后根据各候选配送中心到各个配送服务对象的距离确定由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量。其中,单位距离内单位运输量的运输资源消耗量可以是预先获取的。运输资源消耗量可以是运输货物消耗的资源量,包括但不限于运输费用、运输消耗的电力资源、石油资源。例如每公里运输所需消耗的能源量 (如汽车行驶一公里所需消耗的汽油量、电动车辆行驶一公里所需消耗的电力资源量、每公里的运输费等等)可以预先获取。这样,可以根据预先获取的由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量,以及计算出的各候选配送中心到各配送服务对象的距离,计算由各候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量。具体可以将由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量与对应的各候选配送中心到对应的各配送服务对象的距离相乘,得到由各候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量。
步骤204,基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
在本实施例中,还可以获取各配送服务对象的配送需求量,例如可以对配送服务对象的历史订单进行统计,确定配送对象在历史时间段内的需求量,进而根据历史时间段内的需求量确定当前的配送需求量。该配送需求量可以以预设的时间段统计,例如三个月。还可以预先配置各候选配送中心的最大配送量。接着,可以选出预设数目个候选配送中心,将所有的配送服务对象分配至选出的候选配送中心的配送范围内。例如,可以选出三个配送中心A、B、C,将所有的100个配送服务对象分别分配至三个配送中心A、B、C的配送范围,即三个配送中心A、B、C的配送范围覆盖100个配送服务对象,且三个配送中心的配送范围A、B、C互不重叠。之后,可以根据步骤203计算得出的由每个候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量,计算选出的各个候选配送中心的总运输资源消耗量。具体可以将选出的候选配送中心配送至其配送范围内的各配送服务对象的单位运输量的运输资源消耗量与对应的各配送服务对象的配送量相乘,得到各个候选配送中心的总运输资源消耗量。
在计算总运输资源消耗量时,需要确保每个候选配送中心的最大配送量可以满足该候选配送中心的所有配送服务对象的配送需求,即每个候选配送中心的最大配送量不小于该候选中心为各配送服务对象的配送量之和。同时,还需要确保配送服务中心能够满足每个配送服务对象的需求,即保证选出的各候选中心为同一配送服务对象的配送量之和不小于该配送服务对象的配送需求量。
可以对选出的候选配送中心的总运输资源消耗量进行求和,得到选出的候选配送中心的总运输资源消耗量之和。
之后,可以重新选择预设数目个候选配送中心,按照上述方法计算得出重新选择的候选配送中心的总运输资源消耗量之和,比对每次选出的候选配送中心的总运输资源消耗量之和,选择总运输资源消耗量最小的预设数目个候选配送中心为目标配送中心,将总运输资源消耗量最小的预设数目个候选配送中心的地址作为目标配送中心的地址。
本申请上述实施例的用于确定配送中心地址的方法和装置,通过获取历史订单的配送地址,随后对历史订单的配送地址进行聚类,得到至少一个聚簇,之后将已确定的初始配送中心和聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量,最后基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址,实现了基于历史订单的潜在地理位置分布特征定位配送中心,提升了确定出的配送中心的准确性,还可以有效降低配送中心的资源消耗量。
在一些实施例中,可以采用全局聚类结合局部聚类的方法执行上述对历史订单的配送地址进行聚类,得到至少一个聚簇的步骤。具体地,请参考图3,其示出了根据本申请的用于确定配送中心地址的方法中对历史订单的配送地址进行聚类操作的一种可选实现方式的流程示意图。如图3所示,本实施例的对历史订单的配送地址进行聚类操作的流程300,可以包括以下步骤:
步骤301,确定聚簇数的取值范围。
首先,可以根据历史经验、行政区域划分等设定聚簇数的取值范围,该取值范围可以包含最小值kmin和最大值kmax。其中kmin和 kmax均为正整数,且kmin≤kmax。例如某一城市行政区域划分为5 个分区,则聚簇数的取值范围可以设定为包含5的自然数范围,例如2-8。
步骤302,将聚簇数的取值范围内的最小值作为初始的当前聚簇数,执行搜索操作。
接着,可以将最小值kmin作为初始的当前聚簇数k_cur,来搜索基于当前聚簇数k_cur的最优聚类结果。
具体地,搜索操作可以包括步骤3021、步骤3022、步骤3023、步骤3024以及步骤3025。
在步骤3021中,基于当前聚簇数对历史订单的配送地址进行全局聚类,计算全局聚类结果的贝叶斯信息量。
在本实施例中,使用当前聚簇数k_cur,将步骤201获取的历史订单的配送地址作为待聚类的数据点,执行全局聚类。全局聚类的操作流程如下:
首先,如果当前没有聚簇中心,则从待聚类的数据点中随机选取当前聚簇数k_cur个数据点作为初始的聚簇中心;然后,将每个待聚类的数据点绑定至离该数据点最近的聚簇中心下,每个聚簇中心下绑定的所有数据点形成一个聚簇;之后,对每个聚簇,计算该聚簇内所有数据点的中心坐标,并将计算出的中心坐标更新为该聚簇的聚簇中心的坐标。重复执行上述将每个待聚类的数据点绑定至离该数据点最近的聚簇中心下和对每个聚簇,计算该聚簇内所有数据点的中心坐标,并将计算出的中心坐标更新为该聚簇的聚簇中心的坐标的操作,直到聚类结果收敛。在这里,聚类结果收敛可以是在更新各个聚簇的中心时,聚簇中心坐标相对于上一次更新时的变化量小于预设的偏移量。
通过重复执行数据点绑定得到聚簇、更新聚簇中心坐标的操作,能够得到全局最优的聚类结果。
在得到全局聚类结果之后,可以计算全局聚类结果的贝叶斯信息量。其中,贝叶斯信息量用于表征聚类结果与实际分布的似然程度。在这里,贝叶斯信息量是按照BIC(贝叶斯信息准则)计算得出的。 BIC在模型选择中通过鼓励模型的准确度、惩罚模型的复杂性来保证求解出的模型尽可能贴合真实情况,防止过拟合。在本实施例中,BIC 准则所应用的模型的准确度为用于衡量数据点的聚簇结果与真实分布的似然函数,函数的值越大,则表明数据点的真实分布与聚簇结果一致的可能性越大。模型的复杂性则是聚簇中所采用的自由参数的数量,可以包括聚簇数目,聚簇中心的坐标,每个聚簇对应的数据点分布的均值和方差等。
一种可选的贝叶斯信息量的计算方式为:
其中,参数φ表示聚簇方案,BIC(φ)表示聚簇方案φ的贝叶斯信息量,表示对于聚簇方案φ,所有数据点都服从这个方案的对数可能性,pφ表示该聚簇方案所包含的自由参数的个数,R表示参与聚簇的数据点的数量。如果BIC(φ1)>BIC(φ2),则聚簇方案φ1优于φ2。
在步骤3022中,比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数的贝叶斯信息量,若当前聚簇数的全局聚类结果的贝叶斯信息量大于上一个聚簇数的贝叶斯信息量,对基于当前聚簇数的全局聚类结果中的每个类簇进行局部聚类,将全局聚类结果中的每个类簇划分为至少两个子簇,计算各子簇的贝叶斯信息量,并比对基于当前聚簇数的全局聚类结果的贝叶斯信息量与局部聚类结果中各子簇的贝叶斯信息量之和。
可以比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数的贝叶斯信息量。即可以比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数下的最优聚簇方案的贝叶斯信息量,也就是比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数的最大贝叶斯信息量。如果当前聚簇数是kmin,则上一个聚簇数的贝叶斯信息量可以为0。
如果比对结果为当前聚簇数的全局聚类结果的贝叶斯信息量大于上一个聚簇数的贝叶斯信息量,则表明当前聚簇数的全局聚类结果为最优的全局聚簇结果。接着可以对基于当前聚簇数的全局聚类结果中的每个类簇进行局部聚类,将全局聚类结果中的每个类簇划分为至少两个子簇。即对基于当前聚簇数的全局聚类结果中的每个类簇,可以取出其中的数据点以聚簇数为N(N≥2)进行聚簇,得到至少两个子簇。之后可以采用与上述计算全局聚类得到的类簇的贝叶斯信息量相同的方法计算同一类簇中各子簇的贝叶斯信息量,得到BIC1、 BIC2、…、BICN。
之后可以比对当前聚簇数的全局聚类结果的贝叶斯信息量与当前聚簇数的局部聚类得到的所有子簇的贝叶斯信息量之和,即比对全局聚簇方案φ的贝叶斯信息量BIC(φ)与将全局聚类结果的类簇划分为N 个子簇的聚类方案的贝叶斯信息量之和BIC1+BIC2+…+BICN。
在步骤3023中,若基于当前聚簇数的全局聚类结果的贝叶斯信息量小于局部聚类结果中各子簇的贝叶斯信息量之和,则将子簇作为基于当前聚簇数的聚类结果,并将当前聚簇数的所有子簇的贝叶斯信息量之和作为当前聚簇数的贝叶斯信息量。
如果BIC(φ)<BIC1+BIC2+…+BICN,则可以将局部聚类结果作为当前聚簇的聚类结果,并将当前聚簇数的局部聚类结果中各子簇的贝叶斯信息量之和作为当前聚簇数的贝叶斯信息量。
在步骤3024中,若基于当前聚簇数的全局聚类结果的贝叶斯信息量大于局部聚类结果中各子簇的贝叶斯信息量之和,则将全局聚类结果作为基于当前聚簇数的聚类结果,并将当前聚簇数的全局聚类结果的贝叶斯信息量作为当前聚簇数的贝叶斯信息量。
如果BIC(φ)>BIC1+BIC2+…+BICN,则表明全局聚类结果聚类准确度更高,可以将全局聚类结果作为当前聚簇数的聚类结果,将全局聚类结果(即采用方案φ的聚类结果)的贝叶斯信息量BIC(φ)作为当前聚簇数的贝叶斯信息量。
在步骤3025中,判断当前聚簇数是否达到聚簇数的取值范围内的最大值。
在确定当前聚簇数的聚类结果以及贝叶斯信息量之后,可以判断当前聚簇数是否达到聚簇数的取值范围内的最大值,即判断k_cur是否大于等于kmax。
上述搜索操作中,通过全局聚类,比对全局聚类结果的贝叶斯信息量与上一个聚簇数的聚类结果的贝叶斯信息量,并在当前聚簇数的全局聚类结果的贝叶斯信息量大于上一个聚簇数的聚类结果的贝叶斯信息量时,进一步进行局部聚类,寻找基于当前聚簇数的更优的聚簇方案,可以进一步提升聚簇结果的准确性。
上述对历史订单的配送地址进行聚类操作的流程300还包括:
步骤303,若搜索操作的判断结果为当前聚簇数未达到聚簇数的取值范围内的最大值,增大当前聚簇数,然后执行搜索操作,即返回步骤3021。
如果步骤3025的判断结果是当前聚簇数未达到聚簇数的取值范围内的最大值,可以增大当前聚簇数,例如将当前聚簇数k_cur加一,得到新的当前聚簇数,返回基于新的当前聚簇数搜索最优的聚簇方案。
本实施例的对历史订单的配送地址进行聚类操作的方法,通过在同一聚簇数内比对全局聚类结果和局部聚类结果,在不同的聚簇数之间比对聚类结果,寻找出贝叶斯信息量最大的聚簇方案,可以得到更为精确的聚簇结果。
图4示出了本申请实施例的用于确定配送中心地址的方法的上述步骤204的一些可选实现方式的流程示意图。如图4所示,上述步骤 204的一种可选实现方式的流程400可以包括:
步骤401,基于由初始配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、以及配送服务对象的配送需求量、初始配送中心的最大配送量,计算预设数目个初始配送中心的总运输资源消耗量之和。
首先可以计算预设数目个初始配送中心的总运输资源消耗量之和。假设预设数目K个初始配送中心分别为s1,s2,s3,…,sK,配送服务对象的总数为n,从配送中心si配送至配送服务对象j的单位运输量的运输资源消耗量为配送中心si到配送服务对象的配送量(运输量)为配送中心si的最大配送量为配送服务对象j的配送需求量为Dj,则K个初始配送中心的总运输量之和U为:
其中,公式(3)表示所有配送中心为任意一个配送服务对象j提供的配送量均不小于配送服务对象j的需求量;公式(4)表示配送中心si为所有配送服务对象提供的配送量不超过配送中心si的最大配送量。
基于上述公式(2)、(3)、(4)、(5),通过求解U的最小值,即 min(U),可以得出预设数目K个初始配送中心的总运输资源消耗量之和的最小值。
步骤402,确定使预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合,基于使预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合中各配送服务对象的位置数据,确定预设数目个初始配送中心的配送范围。
在求解得出U的最小值的配送方案后,可以确定该方案中每个初始配送中心si所服务的配送服务对象集合Ni。不同初始配送中心的服务对象集合之间可以有交集。然后可以根据使得总运输资源消耗量之和U最小的配送方案中,各初始配送中心所服务的配送服务对象集合中所有配送服务对象的位置数据,确定出各初始配送中心的配送范围。该配送范围可以是地理区域的范围,可例如采用地理区域的边缘点的坐标表示。
步骤403,基于由预设数目个初始配送中心的配送范围内的其他候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、配送服务对象的配送需求量、预设数目个初始配送中心的配送范围内的其他候选配送中心的最大配送量,计算预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,并基于预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,确定将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和。
在本实施例中,可以对步骤402求出的每一个初始配送中心的配送范围,将配送中心变更为该配送范围内的其他候选配送中心,基于变更后的候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、配送服务对象的配送需求量、变更后的候选配送中心的最大配送量,计算变更后的候选配送中心的总运输资源消耗量,基于预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,确定将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和。
具体地,可以在初始配送中心的配送范围内随机选择一个其他候选中心作为该配送范围内的新的配送中心,然后将该新的配送中心配送至各配送服务对象的运输量与对应的单位运输量的运输资源消耗量相乘,得到该新的配送中心的总运输资源消耗量。之后对与预设数目个初始配送中心对应更新后的预设数目个新的配送中心的总运输资源消耗量求和,得到将初始配送中心替换为新的其他候选配送中心后的总运输资源消耗量之和。
假设初始配送中心si的配送范围为Ni,配送范围Ni中的其他候选配送中心构成集合Li,Li中第l个候选配送中心为tl,则在以tl为新的配送中心时,配送范围内的总运输资源消耗量为
上述和分别表示从配送中心tl到配送服务对象j的运输量和单位运输量的运输资源消耗量。
可选地,上述初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量还包括构建初始配送中心的配送范围内的其他候选配送中心的预设资源消耗量。假设构建配送中心tl的预设资源消耗量为则可以按照公式(7)得到以tl为新的配送中心时,配送范围内的总运输资源消耗量为
求解式(8)可以得出初始配送中心si 对应的总运输资源消耗量的最小值:
然后可以计算以配送中心为选定的配送中心时的总运输资源量的最小值csi与若则将配送中心更新为c’tl;若则配送中心更新后为si。
分别对每个初始配送中心的配送中心的配送范围内的配送中心进行更新,得到新的预设数目个配送中心{s’i},i=1,2,…,K,可以计算新的预设数目个配送中心的总运输资源消耗量之和。
步骤404,基于预设数目个初始配送中心的总运输资源消耗量之和,以及将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和,确定出使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
之后可以根据新的预设数目个配送中心的总运输资源消耗量之和 (即将初始配送中心替换为其他候选配送中心后的总运输资源消耗量),利用公式(2)、(3)、(4)、(5)提供的方法求解新的预设数目个配送中心的总运输资源消耗量的最小值,比对新的预设数目个配送中心的总运输资源消耗量的最小值与预设数目个初始配送中心的总运输资源消耗量的最小值,若新的预设数目个配送中心的总运输资源消耗量的最小值小于预设数目个初始配送中心的总运输资源消耗量的最小值,则可以确定新的预设数目个配送中心为目标配送中心;若新的预设数目个配送中心的总运输资源消耗量的最小值大于预设数目个初始配送中心的总运输资源消耗量的最小值,则可以确定预设数目个初始配送中心为目标配送中心。进而可以根据已获取的候选配送中心的地址确定出目标配送中心的地址。
在本实施例的一些可选的实现方式中,可以重复执行步骤403和步骤404,直到总运输资源消耗量的最小值不能下降为止,得到最优的配送中心选址方案。
通过上述确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址的方法流程400,可以有效地从候选配送中心确定出总运输资源量之和最小的预设数目个目标配送中心,保证确定出的配送中心的选址方案具有较高的准确度。
可选地,在求解最小总运输资源消耗量之和时,可以根据公式(2) 提供的方法确定出每个配送中心的配送服务对象集合。则在确定预设数量个目标配送中心后,可以确定出每个目标配送中心的配送服务对象集合。由此,本实施例的方法可以提供更精准的配送方案。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于确定配送中心地址的装置的一个实施例,该装置实施例与图2至图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于确定配送中心地址的装置500包括:获取单元501、聚类单元502、计算单元503以及处理单元504。其中,获取单元501被配置成获取历史订单的配送地址;聚类单元502被配置成对历史订单的配送地址进行聚类,得到至少一个聚簇;计算单元 503被配置成将已确定的初始配送中心和聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量;处理单元504被配置成基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
在一些实施例中,上述聚类单元502可以被进一步配置成按照如下方式对历史订单的配送地址进行聚类,得到至少一个聚簇:首先确定聚簇数的取值范围;然后将聚簇数的取值范围内的最小值作为初始的当前聚簇数,执行搜索操作。搜索操作包括:基于当前聚簇数对历史订单的配送地址进行全局聚类,计算全局聚类结果的贝叶斯信息量,贝叶斯信息量用于表征聚类结果与实际分布的似然程度;比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数的贝叶斯信息量,若当前聚簇数的全局聚类结果的贝叶斯信息量大于上一个聚簇数的贝叶斯信息量,对基于当前聚簇数的全局聚类结果中的每个类簇进行局部聚类,将全局聚类结果中的每个类簇划分为至少两个子簇,计算各子簇的贝叶斯信息量,并比对基于当前聚簇数的全局聚类结果的贝叶斯信息量与局部聚类结果中各子簇的贝叶斯信息量之和;若基于当前聚簇数的全局聚类结果的贝叶斯信息量小于局部聚类结果中各子簇的贝叶斯信息量之和,则将子簇作为基于当前聚簇数的聚类结果,并将所有子簇的贝叶斯信息量之和作为当前聚簇数的贝叶斯信息量;若基于当前聚簇数的全局聚类结果的贝叶斯信息量大于局部聚类结果中各子簇的贝叶斯信息量之和,则将全局聚类结果作为基于当前聚簇数的聚类结果,并将当前聚簇数的全局聚类结果的贝叶斯信息量作为当前聚簇数的贝叶斯信息量;判断当前聚簇数是否达到聚簇数的取值范围内的最大值。最后若搜索操作的判断结果为当前聚簇数未达到聚簇数的取值范围内的最大值,增大当前聚簇数,执行搜索操作。
在一些实施例中,上述处理单元504可以进一步被配置成按照如下方式确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址:基于由初始配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、以及配送服务对象的配送需求量、初始配送中心的最大配送量,计算预设数目个初始配送中心的总运输资源消耗量之和;确定使预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合,基于使预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合中各配送服务对象的位置数据,确定预设数目个初始配送中心的配送范围;基于由预设数目个初始配送中心的配送范围内的其他候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、配送服务对象的配送需求量、预设数目个初始配送中心的配送范围内的其他候选配送中心的最大配送量,计算预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,并基于预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,确定将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和;基于预设数目个初始配送中心的总运输资源消耗量之和,以及将初始配送中心替换为其他候选配送中心后的总运输资源消耗量之和,确定出使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
在一些实施例中,初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量还可以包括构建初始配送中心的配送范围内的其他候选配送中心的预设资源消耗量。
在一些实施例中,装置500还可以包括:确定单元,被配置成确定目标配送中心的配送服务对象集合。
应当理解,装置500中记载的诸单元与参考图2至图4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和特征同样适用于装置500及其中包含的单元,在此不再赘述。
本申请上述实施例的用于确定配送中心地址的装置500,通过获取单元获取历史订单的配送地址,随后聚类单元对历史订单的配送地址进行聚类,得到至少一个聚簇,之后计算单元将已确定的初始配送中心和聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量,最后处理单元基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址,实现了基于历史订单的潜在地理位置分布特征定位配送中心,提升了确定出的配送中心的准确性,还可以有效降低配送中心的资源消耗量。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608 加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入 /输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口 605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,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。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601 执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请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***、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。在本申请中,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***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的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。计算机可读的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,该计算机可读介质可以发送、传播或者传输用于由指令执行***、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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申请的操作的计算机程序代码,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,图示了按照本申请各种实施例的***、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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到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:一种处理器包括获取单元、聚类单元、计算单元和处理单元。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,获取单元还可以被描述为“获取历史订单的配送地址的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。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装置执行时,使得该装置:获取历史订单的配送地址;对历史订单的配送地址进行聚类,得到至少一个聚簇;将已确定的初始配送中心和聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量;基于由候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
以上描述仅为本申请的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,本申请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。例如上述特征与本申请中公开的(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 (12)
1.一种用于确定配送中心地址的方法,包括:
获取历史订单的配送地址;
对所述历史订单的配送地址进行聚类,得到至少一个聚簇;
将已确定的初始配送中心和所述聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由所述候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量;
基于由所述候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
2.根据权利要求1所述的方法,其中,所述对所述历史订单的配送地址进行聚类,得到至少一个聚簇,包括:
确定聚簇数的取值范围;
将所述聚簇数的取值范围内的最小值作为初始的当前聚簇数,执行搜索操作,所述搜索操作包括:
基于当前聚簇数对所述历史订单的配送地址进行全局聚类,计算全局聚类结果的贝叶斯信息量,所述贝叶斯信息量用于表征聚类结果与实际分布的似然程度;
比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数的贝叶斯信息量,若当前聚簇数的全局聚类结果的贝叶斯信息量大于上一个聚簇数的贝叶斯信息量,对基于当前聚簇数的全局聚类结果中的每个类簇进行局部聚类,将全局聚类结果中的每个类簇划分为至少两个子簇,计算各子簇的贝叶斯信息量,并比对基于当前聚簇数的全局聚类结果的贝叶斯信息量与局部聚类结果中各子簇的贝叶斯信息量之和;
若基于当前聚簇数的全局聚类结果的贝叶斯信息量小于局部聚类结果中各子簇的贝叶斯信息量之和,则将所述子簇作为基于当前聚簇数的聚类结果,并将所有子簇的贝叶斯信息量之和作为当前聚簇数的贝叶斯信息量;
若基于当前聚簇数的全局聚类结果的贝叶斯信息量大于局部聚类结果中各子簇的贝叶斯信息量之和,则将所述全局聚类结果作为基于当前聚簇数的聚类结果,并将所述当前聚簇数的全局聚类结果的贝叶斯信息量作为当前聚簇数的贝叶斯信息量;
判断当前聚簇数是否达到所述聚簇数的取值范围内的最大值;
若搜索操作的判断结果为当前聚簇数未达到所述聚簇数的取值范围内的最大值,增大当前聚簇数,执行所述搜索操作。
3.根据权利要求1所述的方法,其中,所述基于由所述候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址,包括:
基于由所述初始配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、以及所述配送服务对象的配送需求量、所述初始配送中心的最大配送量,计算预设数目个初始配送中心的总运输资源消耗量之和;
确定使所述预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合,基于使所述预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合中各配送服务对象的位置数据,确定所述预设数目个初始配送中心的配送范围;
基于由预设数目个初始配送中心的配送范围内的其他候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、配送服务对象的配送需求量、预设数目个初始配送中心的配送范围内的其他候选配送中心的最大配送量,计算预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,并基于所述预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,确定将所述初始配送中心替换为所述其他候选配送中心后的总运输资源消耗量之和;
基于预设数目个初始配送中心的总运输资源消耗量之和,以及将所述初始配送中心替换为所述其他候选配送中心后的总运输资源消耗量之和,确定出使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
4.根据权利要求3所述的方法,其中,初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量还包括构建所述初始配送中心的配送范围内的其他候选配送中心的预设资源消耗量。
5.根据权利要求3或4所述的方法,其中,所述方法还包括:
确定所述目标配送中心的配送服务对象集合。
6.一种用于确定配送中心地址的装置,包括:
获取单元,被配置成获取历史订单的配送地址;
聚类单元,被配置成对所述历史订单的配送地址进行聚类,得到至少一个聚簇;
计算单元,被配置成将已确定的初始配送中心和所述聚簇的中心作为候选配送中心,基于已获取的候选配送中心的地址和配送服务对象的位置数据,计算由所述候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量;
处理单元,被配置成基于由所述候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、已获取的各配送服务对象的位置数据和配送需求量、以及各候选配送中心的最大配送量,计算各候选配送中心的总运输资源消耗量,确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
7.根据权利要求6所述的装置,其中,所述聚类单元被进一步配置成按照如下方式对所述历史订单的配送地址进行聚类,得到至少一个聚簇:
确定聚簇数的取值范围;
将所述聚簇数的取值范围内的最小值作为初始的当前聚簇数,执行搜索操作,所述搜索操作包括:
基于当前聚簇数对所述历史订单的配送地址进行全局聚类,计算全局聚类结果的贝叶斯信息量,所述贝叶斯信息量用于表征聚类结果与实际分布的似然程度;
比对当前聚簇数的全局聚类结果的贝叶斯信息量与上一个聚簇数的贝叶斯信息量,若当前聚簇数的全局聚类结果的贝叶斯信息量大于上一个聚簇数的贝叶斯信息量,对基于当前聚簇数的全局聚类结果中的每个类簇进行局部聚类,将全局聚类结果中的每个类簇划分为至少两个子簇,计算各子簇的贝叶斯信息量,并比对基于当前聚簇数的全局聚类结果的贝叶斯信息量与局部聚类结果中各子簇的贝叶斯信息量之和;
若基于当前聚簇数的全局聚类结果的贝叶斯信息量小于局部聚类结果中各子簇的贝叶斯信息量之和,则将所述子簇作为基于当前聚簇数的聚类结果,并将所有子簇的贝叶斯信息量之和作为当前聚簇数的贝叶斯信息量;
若基于当前聚簇数的全局聚类结果的贝叶斯信息量大于局部聚类结果中各子簇的贝叶斯信息量之和,则将所述全局聚类结果作为基于当前聚簇数的聚类结果,并将所述当前聚簇数的全局聚类结果的贝叶斯信息量作为当前聚簇数的贝叶斯信息量;
判断当前聚簇数是否达到所述聚簇数的取值范围内的最大值;
若搜索操作的判断结果为当前聚簇数未达到所述聚簇数的取值范围内的最大值,增大当前聚簇数,执行所述搜索操作。
8.根据权利要求6所述的装置,其中,所述处理单元进一步被配置成按照如下方式确定使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址:
基于由所述初始配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、以及所述配送服务对象的配送需求量、所述初始配送中心的最大配送量,计算预设数目个初始配送中心的总运输资源消耗量之和;
确定使所述预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合,基于使所述预设数目个初始配送中心的总运输资源消耗量之和最小的配送服务对象集合中各配送服务对象的位置数据,确定所述预设数目个初始配送中心的配送范围;
基于由预设数目个初始配送中心的配送范围内的其他候选配送中心配送至各配送服务对象的单位运输量的运输资源消耗量、配送服务对象的配送需求量、预设数目个初始配送中心的配送范围内的其他候选配送中心的最大配送量,计算预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,并基于所述预设数目个初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量,确定将所述初始配送中心替换为所述其他候选配送中心后的总运输资源消耗量之和;
基于预设数目个初始配送中心的总运输资源消耗量之和,以及将所述初始配送中心替换为所述其他候选配送中心后的总运输资源消耗量之和,确定出使得总运输资源消耗量之和最小的预设数目个候选配送中心的地址为目标配送中心的地址。
9.根据权利要求8所述的装置,其中,初始配送中心的配送范围内的其他候选配送中心的总运输资源消耗量还包括构建所述初始配送中心的配送范围内的其他候选配送中心的预设资源消耗量。
10.根据权利要求8或9所述的装置,其中,所述装置还包括:
确定单元,被配置成确定所述目标配送中心的配送服务对象集合。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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1-5中任一所述的方法。
12.一种计算机可读存储介质,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1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810786397.XA CN108985694B (zh) | 2018-07-17 | 2018-07-17 | 用于确定配送中心地址的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810786397.XA CN108985694B (zh) | 2018-07-17 | 2018-07-17 | 用于确定配送中心地址的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985694A true CN108985694A (zh) | 2018-12-11 |
CN108985694B CN108985694B (zh) | 2022-04-22 |
Family
ID=64549477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810786397.XA Active CN108985694B (zh) | 2018-07-17 | 2018-07-17 | 用于确定配送中心地址的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985694B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615137A (zh) * | 2018-12-13 | 2019-04-12 | 合肥工业大学智能制造技术研究院 | 用于云物流环境下云配送的选址优化方法 |
CN109657027A (zh) * | 2018-12-19 | 2019-04-19 | 金瓜子科技发展(北京)有限公司 | 一种聚类选址的方法、装置、存储介质及电子设备 |
CN110348678A (zh) * | 2019-05-31 | 2019-10-18 | 口碑(上海)信息技术有限公司 | 配送资源的调度及针对菜品配送的资源调度方法及装置 |
CN111582794A (zh) * | 2020-05-07 | 2020-08-25 | 优信数享(北京)信息技术有限公司 | 一种物流节点的选址方法及装置 |
CN111738539A (zh) * | 2020-02-28 | 2020-10-02 | 北京京东乾石科技有限公司 | 一种拣货任务分配方法、装置、设备及介质 |
CN112258105A (zh) * | 2020-10-15 | 2021-01-22 | 拉扎斯网络科技(上海)有限公司 | 配送地址合规检测、合规配送范围信息获得方法及装置 |
CN112819395A (zh) * | 2019-11-15 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 基于矩阵表示的配送方式确定方法、装置、介质及设备 |
CN112949884A (zh) * | 2019-12-10 | 2021-06-11 | 顺丰科技有限公司 | 物品运单处理方法、装置、计算机设备和存储介质 |
CN113762864A (zh) * | 2021-01-06 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种物流站点的选址方法和装置 |
CN114386500A (zh) * | 2021-12-31 | 2022-04-22 | 苏州市公安局 | 传染病采样点选取方法、装置、设备及存储介质 |
CN115099732A (zh) * | 2022-03-31 | 2022-09-23 | 日日顺供应链科技股份有限公司 | 冷链网格仓的设定方法及团购生鲜产品的配送方法 |
CN117649164A (zh) * | 2024-01-30 | 2024-03-05 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110317927A1 (en) * | 2010-06-29 | 2011-12-29 | Canon Kabushiki Kaisha | Clustering processing apparatus and clustering processing method |
CN103473612A (zh) * | 2013-09-06 | 2013-12-25 | 周伟华 | 面向超大规模物流配送的选址与运输优化方法 |
CN103686923A (zh) * | 2013-12-26 | 2014-03-26 | 华北电力大学 | 面向目标跟踪的无线传感器聚簇能量管理方法 |
CN105373909A (zh) * | 2015-12-04 | 2016-03-02 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 一种基于仿真软件的物流配送中心选址方法 |
CN106127327A (zh) * | 2016-05-17 | 2016-11-16 | 北京京东尚科信息技术有限公司 | 基于gis的配送站点选址方法和*** |
CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
CN107590242A (zh) * | 2017-09-14 | 2018-01-16 | 北京三快在线科技有限公司 | 一种地址信息处理方法及装置 |
WO2018077031A1 (zh) * | 2016-10-24 | 2018-05-03 | 菜鸟智能物流控股有限公司 | 一种资源分配方法和相关装置 |
CN108171452A (zh) * | 2017-12-08 | 2018-06-15 | 苏宁云商集团股份有限公司 | 一种快递点选址方法及装置 |
-
2018
- 2018-07-17 CN CN201810786397.XA patent/CN108985694B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110317927A1 (en) * | 2010-06-29 | 2011-12-29 | Canon Kabushiki Kaisha | Clustering processing apparatus and clustering processing method |
CN103473612A (zh) * | 2013-09-06 | 2013-12-25 | 周伟华 | 面向超大规模物流配送的选址与运输优化方法 |
CN103686923A (zh) * | 2013-12-26 | 2014-03-26 | 华北电力大学 | 面向目标跟踪的无线传感器聚簇能量管理方法 |
CN105373909A (zh) * | 2015-12-04 | 2016-03-02 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 一种基于仿真软件的物流配送中心选址方法 |
CN106127327A (zh) * | 2016-05-17 | 2016-11-16 | 北京京东尚科信息技术有限公司 | 基于gis的配送站点选址方法和*** |
WO2018077031A1 (zh) * | 2016-10-24 | 2018-05-03 | 菜鸟智能物流控股有限公司 | 一种资源分配方法和相关装置 |
CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
CN107590242A (zh) * | 2017-09-14 | 2018-01-16 | 北京三快在线科技有限公司 | 一种地址信息处理方法及装置 |
CN108171452A (zh) * | 2017-12-08 | 2018-06-15 | 苏宁云商集团股份有限公司 | 一种快递点选址方法及装置 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615137A (zh) * | 2018-12-13 | 2019-04-12 | 合肥工业大学智能制造技术研究院 | 用于云物流环境下云配送的选址优化方法 |
CN109657027B (zh) * | 2018-12-19 | 2020-11-03 | 金瓜子科技发展(北京)有限公司 | 一种聚类选址的方法、装置、存储介质及电子设备 |
CN109657027A (zh) * | 2018-12-19 | 2019-04-19 | 金瓜子科技发展(北京)有限公司 | 一种聚类选址的方法、装置、存储介质及电子设备 |
CN110348678A (zh) * | 2019-05-31 | 2019-10-18 | 口碑(上海)信息技术有限公司 | 配送资源的调度及针对菜品配送的资源调度方法及装置 |
CN112819395A (zh) * | 2019-11-15 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 基于矩阵表示的配送方式确定方法、装置、介质及设备 |
CN112949884B (zh) * | 2019-12-10 | 2023-04-07 | 顺丰科技有限公司 | 物品运单处理方法、装置、计算机设备和存储介质 |
CN112949884A (zh) * | 2019-12-10 | 2021-06-11 | 顺丰科技有限公司 | 物品运单处理方法、装置、计算机设备和存储介质 |
CN111738539A (zh) * | 2020-02-28 | 2020-10-02 | 北京京东乾石科技有限公司 | 一种拣货任务分配方法、装置、设备及介质 |
CN111738539B (zh) * | 2020-02-28 | 2024-04-19 | 北京京东乾石科技有限公司 | 一种拣货任务分配方法、装置、设备及介质 |
CN111582794A (zh) * | 2020-05-07 | 2020-08-25 | 优信数享(北京)信息技术有限公司 | 一种物流节点的选址方法及装置 |
CN111582794B (zh) * | 2020-05-07 | 2024-06-07 | 优信数享(北京)信息技术有限公司 | 一种物流节点的选址方法及装置 |
CN112258105A (zh) * | 2020-10-15 | 2021-01-22 | 拉扎斯网络科技(上海)有限公司 | 配送地址合规检测、合规配送范围信息获得方法及装置 |
CN113762864A (zh) * | 2021-01-06 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种物流站点的选址方法和装置 |
CN114386500A (zh) * | 2021-12-31 | 2022-04-22 | 苏州市公安局 | 传染病采样点选取方法、装置、设备及存储介质 |
CN115099732A (zh) * | 2022-03-31 | 2022-09-23 | 日日顺供应链科技股份有限公司 | 冷链网格仓的设定方法及团购生鲜产品的配送方法 |
CN117649164A (zh) * | 2024-01-30 | 2024-03-05 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及*** |
CN117649164B (zh) * | 2024-01-30 | 2024-04-16 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108985694B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985694A (zh) | 用于确定配送中心地址的方法和装置 | |
CN109003028A (zh) | 用于划分物流区域的方法和装置 | |
CN104756467B (zh) | 云中的cdn流量管理 | |
CN104756444B (zh) | 云中的cdn负载平衡 | |
CN113239317B (zh) | 确定订单履约仓库的方法和装置 | |
CN109426885A (zh) | 订单分配方法和装置 | |
CN110443533A (zh) | 商品分仓入库方法、装置、电子设备及计算机可读介质 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN109636490A (zh) | 广告转化率的实时预测方法、广告评价方法与*** | |
CN108734559A (zh) | 一种订单处理方法和装置 | |
CN109544076A (zh) | 用于生成信息的方法和装置 | |
CN109740873A (zh) | 保单的分配方法、装置、介质及电子设备 | |
CN109583945A (zh) | 一种广告资源分配的方法和装置 | |
CN110400184A (zh) | 用于生成信息的方法和装置 | |
CN109002925A (zh) | 业务量预测方法和装置 | |
CN110516985A (zh) | 仓库选择方法、***、计算机***和计算机可读存储介质 | |
CN108173958A (zh) | 一种多云环境下基于蚁群算法的数据优化存储方法 | |
CN109978213A (zh) | 一种任务路径规划方法和装置 | |
CN109754199A (zh) | 信息输出方法和装置 | |
CN110400020A (zh) | 用于输出信息的方法和装置 | |
Ostertag et al. | POPMUSIC for a real-world large-scale vehicle routing problem with time windows | |
US20210256590A1 (en) | Intelligent service and customer matching using an information processing system | |
EP3301638A1 (en) | Method for automatic property valuation | |
CN111429237A (zh) | 订单价格的确定方法、装置、服务器及存储介质 | |
CN111371879A (zh) | 网络路径管理方法、装置、***、业务架构和电子设备 |
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 |