CN110414875A - 产能数据处理方法、装置、电子设备及计算机可读介质 - Google Patents
产能数据处理方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN110414875A CN110414875A CN201810387346.XA CN201810387346A CN110414875A CN 110414875 A CN110414875 A CN 110414875A CN 201810387346 A CN201810387346 A CN 201810387346A CN 110414875 A CN110414875 A CN 110414875A
- Authority
- CN
- China
- Prior art keywords
- parameter
- history
- model
- website
- capacity data
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本公开涉及一种产能数据处理方法、装置、电子设备及计算机可读介质。涉及计算机信息处理领域,该方法包括:将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立;将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立;以及通过所述第一产能数据与所述第二产能数据确定站点的产能数据。本公开的产能数据处理方法、装置、电子设备及计算机可读介质,能够准确获得站点的产能数据,提高用户体验。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种产能数据处理方法、装置、电子设备及计算机可读介质。
背景技术
随着电子商务的快速发展,网上购物越来越普及,尤其是在商品促销活动中,由于商品配送数量突然暴涨,可能经常会导致站点爆仓,产生配送不及时,或者商品大量积压的情况。如何准确的预估一个配送站点的产能以及配送时效,是当前急需解决的问题。由于针对站点产能目前一直都没有一个很明确的定义,很多信息无法很清晰衡量。可例如,单纯从拿包裹数量判断一个站点的输出产能是不合理的,因为对于站点配送不同类型的包裹,价值肯定不同,送一个有时效要求的生鲜包裹,和一个普通包裹,对配送员来说产生的价值是不同的,但是具体这种区别的价值该如何指定,目前仍旧是没有合适的方法。
在现有技术中,在如何衡量产能方面,主要的方法有以下三种定义:TPM(TheTotal Productivity Model,总生产力)、CLP(Construction labor productivity建筑业劳动生产力)、以及LP(Labor Porductivity劳动生产力)。以上的各种产能定义都不是针对配送类型的站点而言的,所以使用上述方法计算的站点产能存在很大的误差。
因此,需要一种新的产能数据处理方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种产能数据处理方法、装置、电子设备及计算机可读介质,能够准确获得站点的产能数据,提高用户体验。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种产能数据处理方法,该方法包括:将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立;将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立;以及通过所述第一产能数据与所述第二产能数据确定站点的产能数据。
在本公开的一种示例性实施例中,还包括:通过历史配送包裹参数与历史配送人员参数建立所述第一产能预测模型。
在本公开的一种示例性实施例中,通过历史配送包裹参数与历史配送人员参数建立所述第一产能预测模型包括:通过线性算法对历史配送包裹参数与历史配送人员参数进行数据训练以获取第一线性模型;通过机器学习算法对历史配送包裹参数与历史配送人员参数进行数据训练以获取第一学习模型;以及通过所述第一线性模型与所述第一学习模型以及第一模型分配权重确定所述第一产能预测模型。
在本公开的一种示例性实施例中,通过历史配送包裹参数与历史配送人员参数建立所述第一产能预测模型包括:通过历史配送包裹参数与历史配送人员参数计算第一模型参数;将所述第一模型参数建立第一模型属性向量;以及通过所述第一模型属性向量建立所述第一产能预测模型。
在本公开的一种示例性实施例中,还包括:通过历史站点参数与历史时效参数建立所述第二产能预测模型。
在本公开的一种示例性实施例中,通过历史站点参数与历史时效参数建立所述第二产能预测模型包括:通过线性算法对历史站点参数与历史时效参数进行数据训练以获取第二线性模型;通过机器学习算法对历史站点参数与历史时效参数进行数据训练以获取第二学习模型;以及通过所述第二线性模型与所述第二学习模型以及第二模型分配权重确定所述第二产能预测模型。
在本公开的一种示例性实施例中,通过历史站点参数与历史时效参数建立所述第二产能预测模型包括:通过历史站点参数与历史时效参数计算第二模型参数;将所述第二模型参数建立第二模型属性向量;以及通过所述第二模型属性向量建立所述第二产能预测模型。
在本公开的一种示例性实施例中,还包括:根据所述站点的产能数据确定配送策略。
在本公开的一种示例性实施例中,根据所述站点的产能数据确定配送策略包括:在所述站点的当前产能小于所述产能数值时,提供预约配送服务;在所述站点的当前产能小于所述产能数值时,允许订单下传;以及在所述站点的当前产能小于所述产能数值时,允许仓配正常生产。
根据本公开的一方面,提出一种产能数据处理装置,该装置包括:第一预测模块,用于将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立;第二预测模块,用于将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立;以及产能预测模块,用于通过所述第一产能数据与所述第二产能数据确定站点的产能数据。
根据本公开的一方面,提出一种电子设备,该电子设备包括: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上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的产能数据处理方法、装置、电子设备及计算机可读介质,能够准确获得站点的产能数据,提高用户体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种产能数据处理方法及装置的***框图。
图2是根据一示例性实施例示出的一种产能数据处理方法的流程图。
图3是根据另一示例性实施例示出的一种产能数据处理方法的流程图。
图4是根据另一示例性实施例示出的一种产能数据处理方法的流程图。
图5是根据另一示例性实施例示出的一种产能数据处理方法的示意图。
图6是根据一示例性实施例示出的一种产能数据处理装置的框图。
图7是根据另一示例性实施例示出的一种产能数据处理装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
图9是根据一示例性实施例示出一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
本申请的发明人发现,因为平时站点很少会有爆仓的问题,所有包裹都能按波次配送完毕,所以关于站点产能问题主要需要考虑的就是商家进行商品大促期间,如何来衡量站点的最大产能。在确定最大产能之后能够根据最大产能确定可以按时配送完的包裹量,从而达到提升用户体验,降低违约率的目的。还以得知每天站点最多可以配送多少包裹,和当前已下订单数量进行对比,判断是否达到了站点配送能力的极限,进而对到达站点的包裹数量进行一个提前的控制,缓解爆仓压力。
由于对每个站点来说,配送不同类型的包裹,产出的价值是不同的。由于订单有时效要求,所以配送1单加急时效的生鲜包裹所产出价值可能和配送n个普通时效包裹所产出的价值是相同的,具体这个价值比是多少,无法从历史记录里得到。所以,最后根据工时对站点产能进行定义:
其中的n指的是该站点当天拥有的配送员人数,Delivery person指的是配送员,Actual work hours指的是配送员实际工作时长。
而对于如何计算配送员的实际工作时长,本申请中给出下面的计算公式,对于任意的配送员k有:
Awhk=Lstmk-Fstmk
其中的Lstmk指的是配送员k最后一单成功妥投的时间,Fstmk指的则是配送员第一单成功妥投的时间。
根据上面产能的定义,可例如首先确定站点的最大产能。平时对站点来说,到站的包裹数量并没有很多,所以平时的站点产能是很难达到最大的。而在商品大促期间,配送人员配送货物再没有波次之分,包裹一旦到达站点就会立刻配送,每个人的时间被充分的利用,个人的配送能力假设可以达到最大。依据上面的假设,可以得出站点产能在大促期间达到最大的结论。
对站点最大产能的建模,就应该使用大促期间配送员配送的数据,去提取出可能影响产能的因素,例如:POI类型、配送员路区熟悉度、包裹重量、体积、时效要求、单量密集度等信息。
以下将对本申请中的产能数据处理方法进行详细说明。
图1是根据一示例性实施例示出的一种产能数据处理方法及装置的***框图。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器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上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品配送请求等数据进行分析等处理,并将处理结果(例如是否可以如期配送、预约配送时间等)反馈给终端设备。
服务器105可例如将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立;服务器105可例如将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立;服务器105可例如通过所述第一产能数据与所述第二产能数据确定站点的产能数据。
服务器105还可以通过历史配送包裹参数与历史配送人员参数建立所述第一产能预测模型;服务器105还可以通过历史站点参数与历史时效参数建立所述第二产能预测模型。
需要说明的是,本公开实施例所提供的产能数据处理方法可以由服务器105执行,相应地,产能数据处理装置可以设置于服务器105中。而提供给用户进行商品浏览的网页端与进行配送请求的请求端一般位于终端设备101、102、103中。
根据本申请的产能数据处理方法,在确定最大产能之后能够根据最大产能去确定可以按时配送完的包裹量,从而达到提升用户体验,降低违约率的目的。还能够通过利用产能模型可以得知每天站点最多可以配送多少包裹,和当前已下订单数量进行对比,判断是否达到了站点配送能力的极限,进而对到达站点的包裹数量进行一个提前的控制,缓解爆仓压力。
图2是根据一示例性实施例示出的一种产能数据处理方法的流程图。如图2所述,本公开中的产能数据处理方法20至少包括步骤S202至S206。
其中,在S202中,将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立。
对每个站点来说,一个站点的最大产能就是站点每个配送员的最大产能之和。不同站点有自己特殊的情况,比如:站点本身的位置,是繁华的一线城市还是偏僻的地区;站点负责的片区性质,是公司较多还是住户较多,这点直接影响配送时间和效率;站点订单密度,订单密度大的地方,相同时间内配送的更多;便民点个数,因为便民店支持集中妥投,极大的提高了配送效率
但是上述特点在针对某一个站点的时候,就成了固定值,所以在建模的时候可以不考虑,只考虑影响配送员的因素,可例如将上因素为了两类:配送包裹参数与配送人员参数:
配送包裹参数如下:
1)包裹重量:直接影响配送效率,越沉配送难度越大;
2)包裹体积:直接影响配送员装车;
3)包裹时效:时效越高的越需要优先配送;
4)包裹种类:不同种类的包裹,配送优先程度不同。
配送人员参数如下:
1)配送员对片区的熟悉程度:越熟悉配送效率会越高;
2)配送当天的天气情况:主要是下雨天和平时的区别;
3)配送时间:不同时间段配送员的疲劳程度不同。
针对包裹的重量和体积,可例如通过统计分析,将重量和体积进行离散化处理如下:
因为包裹种类自带了包裹时效,而且对配送员来说,不管是航空件还是ECLP,都是一样的。而在大促期间,货物本身配送时效可例如只有几种,一种为紧急时效,可例如生鲜类时效,一种为普通时效,可例如为其他种类包裹时效。本申请可例如将代配送的包裹分成2类,一类是紧急时效类包裹,一类普通时效类包裹。
在实际情况中,配送员的配送能力和配送时间是有关系的,因为不同时间段配送,人的疲劳程度是不同的,人的疲劳程度会很影响配送,
本申请通过计算历史大促期间配送员平均时间的配送量d,拟合出单位时间配送量d和配送时间段t的关系d=f(t)。可例如将疲劳程度定义为fp=1/d。
在一个实施例中,根据以上的分析,通过历史数据建立第一产能预测模型,并根据当前的配送包裹参数与配送人员参数确定第一产能数据。
在S204中,将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立。
针对站点个人的产能预测虽然可以不考虑很多站点的个性因素,但是还是有计算量很大,计算量大和泛化能力太弱的问题存在。针对上面的一些问题,本申请又提出了另一种角度的产能预测方法:站点总体产能预测方法。
在这个方式中,将站点总体作为考虑对象,不再将配送员作为考虑的维度,首先将站点分为下面2种类型:
1)订单量大且订单密度大的站点,即配送较容易。
2)订单量一般但订单密集度很低的站点,即配送难度大。
在本申请中,通过站点参数与时效参数来描述站点的不同:
站点参数如下:
1)站点平时的吞吐量:描述站点非大促期间每天的平均配送量;
2)站点大促期间吞吐量:描述站点大促期间每天的平均配送量;
3)站点大促压力增长比:描述站点大促压力和平时的比例。
时效参数如下:
1)当天站点总人数;
2)站点生鲜时效的子单数量;
3)站点普通时效的子弹数量。
在一个实施例中,根据以上的分析,通过历史数据建立第二产能预测模型,并根据当前的站点参数与时效参数确定第一产能数据。
在S206中,通过所述第一产能数据与所述第二产能数据确定站点的产能数据。
在一个实施例中,将第一产能数据与第二产能数据与该站点历史产能数据进行对比,将于历史产能数据较接近的预测产能数据(可能为第一产能数据,也可能为第二产能数据)作为该站点的产能数据。
在一个实施例中,将第一产能数据与第二产能数据做数据平均,将平均值作为该站点的产能数据。
在一个实施例中,还包括:根据所述站点的产能数据确定配送策略。具体包括:在所述站点的当前产能小于所述产能数值时,提供预约配送服务;在所述站点的当前产能小于所述产能数值时,允许订单下传;以及在所述站点的当前产能小于所述产能数值时,允许仓配正常生产。
根据本申请的产能数据处理方法,在确定最大产能之后能够根据最大产能去确定可以按时配送完的包裹量,从而达到提升用户体验,降低违约率的目的。还能够通过产能预测得知每天站点最多可以配送包裹数量,和当前已下订单数量进行对比,判断是否达到了站点配送能力的极限,进而对到达站点的包裹数量进行一个提前的控制,缓解爆仓压力。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种产能数据处理方法的流程图。图3中的步骤S302至S306是对图2所示的步骤S202中“将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立”中第一产能预测模块建立过程的详细说明。
其中,在S302中,通过线性算法对历史配送包裹参数与历史配送人员参数进行数据训练以获取第一线性模型。例如,通过历史配送包裹参数与历史配送人员参数计算第一模型参数;将所述第一模型参数建立第一模型属性向量,通过所述第一模型属性向量建立第一线性模型。
对所有配送员k:
计算每天k的实际工作时间Awhk=Lstmk-Fstmk;
分别计算每天不同时效p配送包裹属于{s1,s2,s3,s4}p四种情况的件数分别记为
判断每天天气状况,将天气分成3种:超高温大雪天气,记为W=2大雨天气记为W=3,剩下的天气则记为W=1;
配送员对自己片区的负责时长,记为fk;
计算当天疲劳程度其中n为当天配送的所有包裹数量;
构建属性向量:
使用数据对组成的数据集,通过线性算法对所述数据集进行训练,以获得第一线性模型。
在S304中,通过机器学习算法对历史配送包裹参数与历史配送人员参数进行数据训练以获取第一学习模型。例如,通过历史配送包裹参数与历史配送人员参数计算第一模型参数;将所述第一模型参数建立第一模型属性向量,通过所述第一模型属性向量建立第一学习模型。
如上文中的示例,使用数据对组成的数据集,通过机器学习算法对所述数据集进行训练,以获得第一学习模型。
在一个实施例中,机器学习算法包括GDBT(Gradient Boosting Decision Tree)算法。GBDT是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力较强的算法。GBDT通过采用加法模型(即基函数的线性组合),以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法。
在S306中,通过所述第一线性模型与所述第一学习模型以及第一模型分配权重确定所述第一产能预测模型。
可例如,将第一线性模型与第一学习模型的权重分别设置为50%,即为,在计算站点产能预测时,第一线性模型计算得到的第一预测数据与第一学习模型计算得到的第二预测数据的分别乘以50%的权重之后的数值,作为第一产能预测模型的输出数据。
根据本申请的产能数据处理方法,通过充分考虑站点中的配送人员特征与包裹特征建立的第一产能预测模型,能够更准确客观的反应站点产能数据。
图4是根据另一示例性实施例示出的一种产能数据处理方法的流程图。图4中的步骤S402至S406是对图2所示的步骤S204中“将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立”中,第二产能预测模型建立过程的详细说明。
其中,在S402中,通过线性算法对历史站点参数与历史时效参数进行数据训练以获取第二线性模型。可例如,通过历史站点参数与历史时效参数计算第二模型参数;将所述第二模型参数建立第二模型属性向量,通过所述第二模型属性向量进行数据训练以获取第二线性模型。
对每个站点s,分别计算:
该站点每天的人数humans;
该站点每天配送的生鲜时效的子单数量freshs;
该站点每天配送的非生鲜时效的子单数量Nofreshs;
站点每天平时的吞吐site_out_normals;
站点大促期间的吞吐site_outs,这个特征可例如集合上面第4)个特征2选一进行模型建立的设定。
站点大促压力增长比
站点计算每天的实际总工作时间
构建属性向量
如上文中的示例,使用数据对组成的数据集,通过机器学习算法对所述数据集进行训练,以获得第二线性模型。
在S404中,通过机器学习算法对历史站点参数与历史时效参数进行数据训练以获取第二学习模型。可例如,通过历史站点参数与历史时效参数计算第二模型参数;将所述第二模型参数建立第二模型属性向量,通过所述第二模型属性向量进行数据训练以获取第二机器学习算法模型。
如上文中的示例,使用数据对组成的数据集,通过机器学习算法对所述数据集进行训练,以获得第一学习模型。
在一个实施例中,机器学习算法包括GDBT(Gradient Boosting Decision Tree)算法。GBDT是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力较强的算法。GBDT通过采用加法模型(即基函数的线性组合),以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法。
在S406中,通过所述第二线性模型与所述第二学习模型以及第二模型分配权重确定所述第二产能预测模型。
可例如,将第一线性模型与第一学习模型的权重分别设置为50%,权重值可例如通过历史数据设定。即为,在计算站点产能预测时,第二线性模型计算得到的第一预测数据与第二学习模型计算得到的第二预测数据的分别乘以50%的权重之后的数值,作为第二产能预测模型的输出数据。
根据本申请的产能数据处理方法,通过充分考虑站点中自身特征与包裹时效方面的特征建立的第二产能预测模型,能够更准确客观的反应站点产能数据。
图5是根据另一示例性实施例示出的一种产能数据处理方法的示意图。在实际的站点配送过程中,可例如站点定时输入影响产能的参数,产能模型计算出站点的产能值。仓储***输入影响产能的参数传给产能模型,产能模型计算出仓储的产能值。其中,产能模型输出的站点产能作为参考值,站长进行数据的微小调整。
其中,各站点、仓库都有两个日历:产能日历指每日、每波次单量的最大产能。排产日历指每日、每波次的队列中有多少订单排队等待处理(每个站点,仓库建立计数队列)。
实时对比产能日历和排产日历更新前台的预约日历,当下单量小于产能时,前台预约日历该波次可选择;当下单量达到产能值时,前台预约日历该波次置灰,客户无法选择此波次。
排产日历更新,当客户点开预约日历选择某个波次,则更新排产日历该波次的队列值;当客户未点开预约日历时,则默认最快妥投波次,更新排产日历该波次的队列值。
站点积压的单量,在途的单量,仓储待生产出库的单量,这三项指标需要实时数据提供给站点,站点依此做产能的调度
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图6是根据一示例性实施例示出的一种产能数据处理装置的框图。如图6所示产能数据处理装置60包括:第一预测模块602,第二预测模块604,产能预测模块606。
第一预测模块602用于将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立;
第二预测模块604用于将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立;
产能预测模块606用于通过所述第一产能数据与所述第二产能数据确定站点的产能数据。
图7是根据另一示例性实施例示出的一种产能数据处理装置的框图。图7所示的产能数据处理装置70在包括如图6所示第一预测模块602,第二预测模块604,产能预测模块606之外,还包括:第一模型建立模块702,第二模型建立模块704。
第一模型建立模块702用于通过历史配送包裹参数与历史配送人员参数建立所述第一产能预测模型。
第二模型建立模块704用于通过历史站点参数与历史时效参数建立所述第二产能预测模型。
图8是根据一示例性实施例示出的一种电子设备的框图。
下面参照图8来描述根据本公开的这种实施方式的电子设备200。图8显示的电子设备200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同***组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2,图3,图4中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
图9示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图8所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
所述计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。可读存储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、有线、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的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
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一个该设备执行时,使得该计算机可读介质实现如下功能:将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立;将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立;以及通过所述第一产能数据与所述第二产能数据确定站点的产能数据。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
Claims (12)
1.一种产能数据处理方法,其特征在于,包括:
将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立;
将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立;以及
通过所述第一产能数据与所述第二产能数据确定站点的产能数据。
2.如权利要求1所述的方法,其特征在于,还包括:
通过历史配送包裹参数与历史配送人员参数建立所述第一产能预测模型。
3.如权利要求2所述的方法,其特征在于,通过历史配送包裹参数与历史配送人员参数建立所述第一产能预测模型包括:
通过线性算法对历史配送包裹参数与历史配送人员参数进行数据训练以获取第一线性模型;
通过机器学习算法对历史配送包裹参数与历史配送人员参数进行数据训练以获取第一学习模型;以及
通过所述第一线性模型与所述第一学习模型以及第一模型分配权重确定所述第一产能预测模型。
4.如权利要求3所述的方法,其特征在于,通过历史配送包裹参数与历史配送人员参数建立所述第一产能预测模型包括:
通过历史配送包裹参数与历史配送人员参数计算第一模型参数;
将所述第一模型参数建立第一模型属性向量;以及
通过所述第一模型属性向量建立所述第一产能预测模型。
5.如权利要求1所述的方法,其特征在于,还包括:
通过历史站点参数与历史时效参数建立所述第二产能预测模型。
6.如权利要求5所述的方法,其特征在于,通过历史站点参数与历史时效参数建立所述第二产能预测模型包括:
通过线性算法对历史站点参数与历史时效参数进行数据训练以获取第二线性模型;
通过机器学习算法对历史站点参数与历史时效参数进行数据训练以获取第二学习模型;以及
通过所述第二线性模型与所述第二学习模型以及第二模型分配权重确定所述第二产能预测模型。
7.如权利要求5所述的方法,其特征在于,通过历史站点参数与历史时效参数建立所述第二产能预测模型包括:
通过历史站点参数与历史时效参数计算第二模型参数;
将所述第二模型参数建立第二模型属性向量;以及
通过所述第二模型属性向量建立所述第二产能预测模型。
8.如权利要求1所述的方法,其特征在于,还包括:
根据所述站点的产能数据确定配送策略。
9.如权利要求8所述的方法,其特征在于,根据所述站点的产能数据确定配送策略包括:
在所述站点的当前产能小于所述产能数值时,提供预约配送服务;
在所述站点的当前产能小于所述产能数值时,允许订单下传;以及
在所述站点的当前产能小于所述产能数值时,允许仓配正常生产。
10.一种产能数据处理装置,其特征在于,包括:
第一预测模块,用于将配送包裹参数与配送人员参数输入第一产能预测模型以确定第一产能数据,所述第一产能预测模型通过线性算法与机器学习算法建立;
第二预测模块,用于将站点参数与时效参数输入第二产能预测模型以确定第二产能数据,所述第二产能预测模型通过线性算法与机器学习算法建立;以及
产能预测模块,用于通过所述第一产能数据与所述第二产能数据确定站点的产能数据。
11.一种电子设备,其特征在于,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1-9中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810387346.XA CN110414875B (zh) | 2018-04-26 | 2018-04-26 | 产能数据处理方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810387346.XA CN110414875B (zh) | 2018-04-26 | 2018-04-26 | 产能数据处理方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414875A true CN110414875A (zh) | 2019-11-05 |
CN110414875B CN110414875B (zh) | 2022-09-06 |
Family
ID=68345966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810387346.XA Active CN110414875B (zh) | 2018-04-26 | 2018-04-26 | 产能数据处理方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414875B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598259A (zh) * | 2020-12-17 | 2021-04-02 | 上海玑智自动化科技有限公司 | 产能测算方法、装置及计算机可读存储介质 |
CN117852737A (zh) * | 2024-01-17 | 2024-04-09 | 中国电子科技集团公司第十五研究所 | 一种用于精确制导弹药战时实时调配的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719008A (zh) * | 2015-05-22 | 2016-06-29 | 北京小度信息科技有限公司 | 对配送***进行优化的方法及装置 |
US20170161660A1 (en) * | 2015-12-04 | 2017-06-08 | International Business Machines Corporation | Predicting event types and time intervals for projects |
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN107403296A (zh) * | 2017-06-29 | 2017-11-28 | 北京小度信息科技有限公司 | 运力配置方法及装置 |
CN107767094A (zh) * | 2017-09-22 | 2018-03-06 | 北京京东尚科信息技术有限公司 | 一种物流阶梯运费优化方法和装置 |
-
2018
- 2018-04-26 CN CN201810387346.XA patent/CN110414875B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719008A (zh) * | 2015-05-22 | 2016-06-29 | 北京小度信息科技有限公司 | 对配送***进行优化的方法及装置 |
US20170161660A1 (en) * | 2015-12-04 | 2017-06-08 | International Business Machines Corporation | Predicting event types and time intervals for projects |
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN107403296A (zh) * | 2017-06-29 | 2017-11-28 | 北京小度信息科技有限公司 | 运力配置方法及装置 |
CN107767094A (zh) * | 2017-09-22 | 2018-03-06 | 北京京东尚科信息技术有限公司 | 一种物流阶梯运费优化方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598259A (zh) * | 2020-12-17 | 2021-04-02 | 上海玑智自动化科技有限公司 | 产能测算方法、装置及计算机可读存储介质 |
CN117852737A (zh) * | 2024-01-17 | 2024-04-09 | 中国电子科技集团公司第十五研究所 | 一种用于精确制导弹药战时实时调配的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110414875B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | Cloud infrastructure resource allocation for big data applications | |
Che | A genetic algorithm-based model for solving multi-period supplier selection problem with assembly sequence | |
Zhang et al. | Evaluation and selection model of community group purchase platform based on WEPLPA-CPT-EDAS method | |
Taleizadeh et al. | Optimising multi-product multi-chance-constraint inventory control system with stochastic period lengths and total discount under fuzzy purchasing price and holding costs | |
CN111831675A (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
CN107527115A (zh) | 智能仓储管理方法、装置、***、及无人智能仓储设备 | |
CN109658033A (zh) | 货源路线相似度计算方法、***、设备及存储介质 | |
CN110110012A (zh) | 用户预期价值评估方法、装置、电子设备及可读介质 | |
US10373117B1 (en) | Inventory optimization based on leftover demand distribution function | |
CN109034505A (zh) | 计量用表需求量在线预测方法及终端设备 | |
CN110837917A (zh) | 一种客户拜访管理***、方法、终端设备及存储介质 | |
CN105719221A (zh) | 针对多任务的路径协同规划方法和装置 | |
CN113627846A (zh) | 一种库存调整方法、装置、电子设备及计算机可读介质 | |
CN110148053A (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
CN109034853A (zh) | 基于种子用户寻找相似用户方法、装置、介质和电子设备 | |
CN110414875A (zh) | 产能数据处理方法、装置、电子设备及计算机可读介质 | |
CN113837794A (zh) | 基于时空图卷积网络的连锁零售门店销售预测方法 | |
Kenyon et al. | A survey on stochastic location and routing problems. | |
CN109902980A (zh) | 用于业务处理的方法及装置 | |
KR102345949B1 (ko) | It 인프라 시스템 추천 장치 | |
CN109978306A (zh) | 数据处理方法及装置 | |
CN109600757B (zh) | 基站扩容的预测方法、装置、计算机设备和存储介质 | |
CN115759574A (zh) | 物资的存储方法、装置、计算机设备和存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 |
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 |