CN113095603B - 箱型预测方法、装置、计算机设备及存储介质 - Google Patents
箱型预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113095603B CN113095603B CN202110633505.1A CN202110633505A CN113095603B CN 113095603 B CN113095603 B CN 113095603B CN 202110633505 A CN202110633505 A CN 202110633505A CN 113095603 B CN113095603 B CN 113095603B
- Authority
- CN
- China
- Prior art keywords
- information
- order
- sample
- box
- box type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (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)
- Container Filling Or Packaging Operations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种箱型预测方法、装置、计算机设备及存储介质,涉及信息技术领域,能够提高箱型的推荐精度和推荐效率,进而能够降低打包的物料成本,同时能减少操作人员的工作量,降低人工成本。其中方法包括:根据样本训练集,构建预设箱型预测模型;获取待预测的订单中所涉及商品的标识信息和数量信息;基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。本发明适用于打包箱型的预测。
Description
技术领域
本发明涉及信息技术领域,尤其是涉及一种箱型预测方法、装置、计算机设备及存储介质。
背景技术
随着物联网、智能软硬件、大数据等技术手段和物流业的不断发展,智慧物流从理念走向了实际,通过智慧物流能够实现物流各环节自动化、高效化、精细化、动态化和可视化的管理,有效地提升物流运作效率是现代化物流模式的发展趋势。
目前,在物流作业中对商品进行打包时,通常是由操作人员选择合适的箱型对用户订单所涉及的商品进行打包。然而,这种箱型的推荐方式主要依赖操作人员的工作经验,箱型推荐的过程受人为主观因素影响较大,从而导致箱型推荐的精度较低,增加了打包物料成本,此外,这种人为推荐箱型的方式,增加了操作人员的工作量,且箱型的推荐效率较低。
发明内容
本发明提供了一种箱型预测方法、装置、计算机设备及存储介质,主要在于能够提高箱型的推荐精度和推荐效率,进而能够降低打包的物料成本,同时能够减少操作人员的工作量,降低人工成本。
根据本发明的第一个方面,提供一种箱型预测方法,包括:
获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息;
根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集;
根据所述样本训练集,构建预设箱型预测模型;
获取待预测的订单中所涉及商品的标识信息和数量信息;
基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;
将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
本发明的第二个方面是,提供一种箱型预测装置,包括:
获取单元,用于获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息;
标记单元,用于根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集;
构建单元,用于根据所述样本训练集,构建预设箱型预测模型;
所述获取单元,还用于获取待预测的订单中所涉及商品的标识信息和数量信息;
确定单元,用于基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;
预测单元,用于将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
本发明的第三个方面是,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息;
根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集;
根据所述样本训练集,构建预设箱型预测模型;
获取待预测的订单中所涉及商品的标识信息和数量信息;
基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;
将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
本发明的第四个方面是,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息;
根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集;
根据所述样本训练集,构建预设箱型预测模型;
获取待预测的订单中所涉及商品的标识信息和数量信息;
基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;
将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
本发明提供的一种箱型预测方法、装置、计算机设备及存储介质,与目前由操作人员选择合适的箱型对用户订单所涉及的商品进行打包的方式相比,本发明能够获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息,并根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集,之后根据所述样本训练集,构建预设箱型预测模型,与此同时,获取待预测的订单中所涉及商品的标识信息和数量信息;并基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;最终将所述订单对应的特征向量输入至预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息,由此通过利用订单对应的特征向量和预设箱型预测模型进行箱型预测,能够实现自动推荐订单所需打包箱的箱型信息,从而能够提高箱型的推荐精度和推荐效率,降低打包的物料成本,提高操作人员的打包效率,同时能够减少操作人员的工作量,降低人工成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种箱型预测方法流程图;
图2示出了本发明实施例提供的另一种箱型预测方法流程图;
图3示出了本发明实施例提供的一种箱型预测装置的结构示意图;
图4示出了本发明实施例提供的另一种箱型预测装置的结构示意图;
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。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。
目前,箱型的推荐方式主要依赖操作人员的工作经验,箱型推荐的过程受人为主观因素影响较大,从而导致箱型推荐的精度较低,增加了打包物料成本,此外,这种人为推荐箱型的方式,增加了操作人员的工作量,且箱型的推荐效率较低。
为了解决上述问题,本发明实施例提供了一种箱型预测方法,如图1所示,所述方法包括:
101、获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息。
其中,商品的标识信息具体可以为商品的名称或者编码,样本箱型信息具体可以为样本订单所需打包箱的箱型型号。
为了克服现有技术中箱型推荐精度和推荐效率较低的缺陷,本发明实施例通过确定待预测订单对应的特征向量,并利用预设箱型预测模型对待预测订单的特征向量进行预测,能够确定待预测订单所需打包箱对应的箱型信息,进而根据推荐的箱型信息对待预测订单中所涉及的商品进行打包,从而能够提高箱型的推荐精度和推荐效率,减少操作人员的工作量。本发明实施例主要适用于对订单所需打包箱的箱型信息进行预测的场景,本发明实施例的执行主体为能够对箱型进行预测的装置或者设备,具体可以设置在客户端或者服务器一侧。
对于本发明实施例,为了构建预设箱型预测模型,需要建立样本训练集,具体地,收集大量历史订单信息,从历史订单信息中确定样本订单中所涉及商品的标识信息、数量信息和样本箱型信息,以便根据样本订单中所涉及商品的标识信息、数量信息和样本箱型信息,建立样本训练集。进一步地,为了提高预设箱型预测模型的预测精度,在建立样本训练集的过程中,还可以收集样本订单中所涉及商品的其他属性信息,例如,还可以收集商品的品牌信息、类目信息、尺寸信息和形状信息等。
进一步地,为了保证样本训练集中数据的质量,在收集数据的过程中需要预先排除掉一些可能存在偏差的数据,如针对样本订单,不同操作人员针对同一样本订单所选择的箱型信息可能不同,即有可能存在选择偏差,因此在构建样本训练集的过程中,需要对样本订单中存在偏差的箱型信息进行调整,基于此,在所述获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息之后,所述方法还包括:确定所述样本订单中所涉及商品的标识信息和数量信息均相同的目标样本订单及其对应的样本箱型信息;统计所述目标样本订单在不同样本箱型信息下的样本订单数量;从所述样本订单数量中筛选出最大样本订单数量对应的样本箱型信息,并根据所述最大样本订单数量对应的样本箱型信息对所述目标样本订单对应的样本箱型信息进行调整,得到调整后的箱型信息。
例如,在1000个样本订单中所涉及商品的标识信息和数量信息均相同的目标样本订单有300个,样本箱型信息包括样本箱型信息A,样本箱型信息B和样本箱型信息C,即共存在3款箱型,由于这300个目标样本订单中的商品种类和数量完全一致,因此其对应的箱型信息应该也是相同的,但是实际操作中,不同操作人员针对同一订单选择的箱型信息可以不同,因此需要进一步统计300个目标样本订单中分别使用样本箱型信息A、样本箱型信息B和样本箱型信息C的样本订单数量,如300个相同的目标样本订单中有270个目标样本订单使用样本箱型信息A,有20个目标样本订单使用样本箱型信息B,有10个目标样本订单使用样本箱型信息C,由此能够确定最大样本订单数量对应的样本箱型信息为A,即通过统计结果能够确定在日常打包操作过程中,针对目标样本订单,通常使用样本箱型信息A,因此,可以将剩余的30个目标样本订单对应的样本箱型信息调整为A,从而能够保证构建的样本训练集中的数据质量,进而能够保证模型的训练精度。
102、根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集。
在具体应用场景中,如果样本箱型信息经过调整,则所述调整后的箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集。
103、根据所述样本训练集,构建预设箱型预测模型。
其中,预设箱型预测模型具体可以为预设多层感知器,对于本发明实施例,在建立样本训练集之后,利用预设神经网络算法对样本训练集进行训练,构建预设箱型预测模型,基于此,所述方法包括:利用预设神经网络算法构建初始箱型预测模型;根据所述样本训练集中商品的标识信息和数量信息,以及所述初始箱型预测模型,确定所述样本订单中所涉及商品对应的初始箱型信息;根据所述初始箱型信息和所述样本训练集中商品对应的样本箱型信息,构建损失函数;基于所述损失函数对所述初始箱型预测模型进行训练,构建所述预设箱型预测模型。
104、获取待预测的订单中所涉及商品的标识信息和数量信息。
其中,待预测的订单为用户通过线上平台购买商品所下的订单,商品的标识信息具体可以为商品的编码或者名称,例如,在订单A中包括牙刷和药膏,牙刷的数量为两支,药膏的数量为一支。
对于本发明实施例,用户下单后,会生成相应的订单信息,该订单信息中包括用户本次下单的商品及其对应的数量信息,例如,待预测订单B对应的订单信息中包括玻璃杯和玻璃碗,玻璃杯对应的数量信息为4个,玻璃碗对应的数量信息为2个,由此通过查询用户的订单信息能够确定待预测订单中所涉及商品的标识信息和数量信息,以便根据订单信息中商品的标识信息和数量信息,对待预测订单所需打包箱的箱型信息进行预测。
105、基于所述标识信息和所述数量信息,确定所述订单对应的特征向量。
对于本发明实例,可以根据订单中所涉及商品的标识信息,查询商品对应的尺寸信息、类目信息和品牌信息等属性信息。需要说明的是,本发明实施例中商品的属性信息并不以上述信息为限,还可以包括其他信息,进一步地,通过对商品对应的标识信息、尺寸信息、类目信息和品牌信息进行编码,能够得到标识信息、尺寸信息、类目信息和品牌信息分别对应的特征向量,之后将标识信息、尺寸信息、类目信息和品牌信息分别对应的特征向量进行拼接,能够得到商品对应的特征向量,进一步地,将商品对应的特征向量与商品对应的数量相乘,能够得到订单对应的特征向量。
例如,订单中所涉及的商品A对应的数量信息为2个,商品A对应的标识信息为(a1,a2,a3),商品A对应的尺寸信息为(b1,b2),商品A对应的类目信息为(c1,c2,c3),商品A对应的品牌信息为(d1,d2),通过拼接得到商品A对应的特征向量为(a1,a2,a3,b1,b2,c1,c2,c3,d1,d2),之后将商品A对应的特征向量与商品A对应的数量相乘,得到订单对应的特征向量(2a1,2a2,2a3,2b1,2b2,2c1,2c2,2c3,2d1,2d2),以便根据该订单对应的特征向量,预测订单所需打包箱的箱型信息。
106、将所述订单对应的特征向量输入至预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
其中,箱型信息具体可以为打包箱的型号,不同型号的打包箱对应的尺寸信息不同,所述预设箱型预测模型可以为预设多层感知器,该预设多层感知器包括输入层、隐藏层和输出层。对于本发明实施例,为了利用预设多层感知器确定订单所需打包箱的箱型信息,步骤103具体包括:将所述订单对应的特征向量输入至预设多层感知器中进行箱型预测,得到所述订单所需打包箱属于不同箱型信息的概率值;从所述打包箱属于不同箱型信息的概率值中筛选最大概率值,并将所述最大概率值对应的箱型信息,确定为所述订单所需打包箱的箱型信息。
具体在,利用预设多层感知器进行预测的过程中,将订单对应的特征向量通过预设多层感知器的输入层输入至隐藏层f,通过该隐藏层输出的结果为:
其中,x为订单对应的特征向量,W1为隐藏层的权重,也是预设多层感知器的连接系数,b1为隐藏层的偏置系数,f函数通常可以采用sigmoid函数或者tanh函数,如下所示:
进一步地,在将订单对应的特征向量通过预设多层感知器的输入层输入至隐藏层f,得到该隐藏层输出的结果之后,再将该结果输入至输出层,通过该输出层softmax进行分类,得到的分类结果为:
其中,W2为输出层的权重***,b2为输出层的偏置系数,通过预设多层感知器的输出层能够输出待预测订单对应的分类结果,该分类结果实质上是订单所需打包箱属于不同箱型信息的概率值,将最大分类概率值对应的箱型信息,确定为订单所需打包箱的箱型信息。由此能够利用预设多层感知器预测订单所需打包箱的箱型信息,避免人为推荐箱型信息。
需要说明的是,本发明实施例中还可以采用其他模型对打包箱的箱型信息进行预测,并不局限于多层感知器。
本发明实施例提供的一种箱型预测方法,与目前由操作人员选择合适的箱型对用户订单所涉及的商品进行打包的方式相比,本发明能够获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息,并根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集,之后根据所述样本训练集,构建预设箱型预测模型,与此同时,获取待预测的订单中所涉及商品的标识信息和数量信息;并基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;最终将所述订单对应的特征向量输入至预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息,由此通过利用订单对应的特征向量和预设箱型预测模型进行箱型预测,能够实现自动推荐订单所需打包箱的箱型信息,从而能够提高箱型的推荐精度和推荐效率,降低打包的物料成本,提高操作人员的打包效率,同时能够较少操作人员的工作量,降低人工成本。
进一步的,为了更好的说明上述箱型预测的过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种行业推荐方法,如图2所示,所述方法包括:
201、获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息,根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集,并根据所述样本训练集,构建预设箱型预测模型。
对于本发明实施例,为了利用预设箱型预测模型对待预测订单对应的箱型信息进行预测,需要预先构建预设箱型预测模型,预设箱型预测模型的具体构建过程,与步骤101-103完全相同,在此不再赘述。
202、获取待预测的订单中所涉及商品的标识信息和数量信息。
对于本发明实施例,在利用预设箱型预测模型预测打包箱的箱型信息之前,需要获取订单信息中商品的标识信息和数量信息,商品的标识信息和数量信息的具体获取过程,与步骤104完全相同,在此不再赘述。
203、根据所述标识信息查询预设商品信息表,确定所述商品对应的品牌信息、类目信息和尺寸信息,并确定所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量。
其中,预设商品信息表中存储有不同商品的属性信息,该属性信息具体包括商品的品牌信息、类目信息、尺寸信息和形状信息等。对于本发明实施例,在获取订单中所涉及商品的标识信息之后,可以根据该标识信查询预设商品信息表,确定商品的属性信息,如商品的品牌信息、类目信息、尺寸信息和形状信息等。
进一步地,在确定订单中所涉及商品的属性信息之后,需要确定各个属性信息对应的特征向量,针对确定各个属性信息对应的特征向量的具体过程,作为一种可选实施方式,所述方法包括:利用预设编码方式分别对所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息进行编码,得到所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量。具体地,可以采用one-hot编码方式确定商品的标识信息、品牌信息、类目信息和尺寸信息等属性信息对应的特征向量,基于此,所述方法包括:确定所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征数量;基于所述特征数量和预设特征排列顺序,对所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息进行编码,得到所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量。
例如,商品对应的标识信息为abf,由于共有26个英文字母,因此确定标识信息对应的特征数量为26个,预设特征排列顺序具体可以为字母表的顺序,进一步地,根据该特征数量和预设特征排列顺序,对商品的标识信息进行编码,得到标识信息对应的特征向量,如表1所示。
表1
特征 | a | b | c | c | e | f | g | h | i | j | k | l | m | n | o | p | q | r | s | t | u | v | w | x | y | z |
a | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
b | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
f | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
此外,还可以将商品的标识信息、品牌信息、类目信息和尺寸信息等属性信息分别输入至预设embedding层,获取标识信息、品牌信息、类目信息和尺寸信息分别对应的特征向量,具体地,可以将one-hot编码后的向量与embedding层中的矩阵相乘,对one-hot编码后的向量进行降维处理,得到标识信息、品牌信息、类目信息和尺寸信息分别对应的特征向量,用这种方式获取的特征向量占用的数据存储空间较小。需要说明的是,在本发明实施例中还可以采用其他方式确定各个属性信息对应的特征向量,并不局限于上述两种编码方式。
204、将所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量进行拼接,得到所述商品对应的第一特征向量,并根据所述商品对应的第一特征向量,确定所述订单对应的特征向量。
在具体应用场景中,同一订单中可能会涉及多种商品,此时需要确定多种商品分别对应的特征向量,并根据多种商品分别对应的特征向量,计算订单对应的特征向量,基于此,所述根据所述拼接后的特征向量,确定所述订单对应的特征向量,包括:若所述订单中涉及多种商品,则根据所述多种商品分别对应的第一特征向量和所述数量信息相乘,得到所述多种商品分别对应的第二特征向量;将所述多种商品分别对应的第二特征向量相加,得到所述订单对应的特征向量。
例如,待预测订单中涉及商品A和商品B,商品A对应的数量信息为2和,商品B对应的数量信息为3个,通过对各个属性信息对应的特征向量进行拼接,确定商品A对应的第一特征向量为(s1,s2,s3,s4),商品B对应的第一特征向量为(m1,m2,m3,m4),进一步地,将商品A对应的第一特征向量与商品A对应的数量信息相乘,得到商品A对应的第二特征向量为(2s1,2s2,2s3,2s4),同理将商品B对应的第一特征向量与商品B对应的数量信息相乘,得到商品B对应的第二特征向量为(3m1,3m2,3m3,3m4),进一步地,将商品A对应的第二特征向量和商品B对应的第二特征向量相加,得到待预测订单对应的特征向量。由此在订单中涉及多种商品的情况下,按照上述方式能够确定待预测订单对应的特征向量。
205、将所述订单对应的特征向量输入至预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
对于本发明实施例,在预设箱型预测模型构建完成后,将订单信息对应的特征向量输入至预设箱型预测模型中进行箱型预测,得到待预测订单对应的箱型信息,其中,利用预设箱型预测模型进行箱型预测的具体过程与步骤106完全相同,在此不再赘述。
在具体应用场景中,利用预设箱型预测模型预测的箱型信息也有可能存在偏差,即输出的箱型信息无法满足实际的打包要求,因此在输出箱型信息之后,需要对该箱型信息进行评估,看其是否满足打包要求,基于此,在所述将所述订单对应的特征向量输入至预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息,所述方法还包括:根据所述箱型信息,确定所述打包箱对应的最大尺寸;根据所述商品对应的尺寸信息和形状信息,确定所述商品对应的最大尺寸;将所述商品对应的最大尺寸与所述打包箱对应的最大尺寸进行对比,根据对比结果判定预测的箱型信息是否准确。具体地,可以先根据预测模型输出的箱型信息查询预设打包箱信息表,确定打包箱对应的尺寸信息,具体包括打包箱对应的高度信息、宽度信息和长度信息,之后根据打包箱对应的高度信息、宽度信息和长度信息,确定打包箱对应的最大尺寸,如箱型A对应的高度信息为20mm,宽度信息为15mm,长度信息为30mm,由此能够确定打包箱对应的最大尺寸为30mm,进一步,如果订单中仅涉及一个商品,则根据订单中所涉及商品的尺寸信息和形状信息,确定商品对应的最大尺寸,如商品B对应的形状信息为长方体,长度信息、宽度信息和高度信息依次为25mm、20mm和25mm,因此可以确定商品B对应的最大尺寸为25mm,再比如,商品C对应的形状信息为椭球体,长轴距离为50mm,短轴距离为30mm,因此可以确定商品C对应的最大尺寸为50mm,进一步地,将商品对应的最大尺寸与打包箱对应的最大尺寸进行对比,如果商品对应的最大尺寸大于或者等于打包箱对应的最大尺寸,则确定预测模型输出的箱型信息不准确;如果商品对应的最大尺寸小于打包箱对应的最大尺寸,则确定预测模型输出的箱型信息准确。
进一步地,所述根据所述商品对应的尺寸信息和形状信息,确定所述商品对应的最大尺寸,包括:若所述订单中存在多个商品,则根据所述多个商品分别对应的尺寸信息和形状信息,确定所述多个商品分别对应的最小尺寸和最大尺寸;将所述多个商品分别对应的最小尺寸相加,得到相加后的最小尺寸;从所述多个商品分别对应的最大尺寸中筛选目标最大尺寸;与此同时,所述将所述商品对应的最大尺寸与所述打包箱对应的最大尺寸进行对比,根据对比结果判定预测的箱型信息是否准确,包括:将所述相加后的最小尺寸与所述打包箱对应的最大尺寸进行对比,得到第一对比结果;将所述目标最大尺寸与所述打包箱对应的最大尺寸进行对比,得到第二对比结果;根据所述第一对比结果和所述第二对比结果,判定预测的箱型信息是否准确。
在具体应用场景中,订单可能会涉及多个商品,例如,订单中包括商品A和商品B,商品A对应的形状信息为长方体,长度信息、宽度信息和高度信息分别为25mm、20mm和25mm,商品B对应的形状信息为椭球体,长轴距离为60mm,短轴距离为30mm,由此能够确定商品A对应的最小尺寸为20mm,最大尺寸为25mm,商品B对应的最小尺寸为30mm,最大尺寸为60mm,进一步地,将商品A对应的最小尺寸和商品B对应的最小尺寸相加,得到相加后的最小尺寸为50mm,同时确定商品A对应的目标最大尺寸为60mm,如果相加后的最小尺寸小于打包箱的最大尺寸,且目标最大尺寸小于打包箱的最大尺寸,则确定箱型信息正确;如果相加后的最小尺寸大于或者等于打包箱的最大尺寸,或者目标最大尺寸大于或者等于打包箱的最大尺寸,则确定箱型信息错误,如确定打包箱对应的最大尺寸为70mm,由于目标最大尺寸60mm和相加后的最小尺寸50mm均小于打包箱的最大尺寸70mm,因此可以确定输出的箱型信息正确。
需要说明的是,如果确定输出的箱型信息错误,则需要重新确定订单对应的箱型信息,并将该订单对应的箱型信息作为样本数据加入样本训练集重新对预测模型进行训练,从而能够不断地提高预测模型的预测精度。
本发明实施例提供的另一种箱型预测方法,与目前由操作人员选择合适的箱型对用户订单所涉及的商品进行打包的方式相比,本发明能够获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息,并根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集,之后根据所述样本训练集,构建预设箱型预测模型,与此同时,获取待预测的订单中所涉及商品的标识信息和数量信息;并基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;最终将所述订单对应的特征向量输入至预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息,由此通过利用订单对应的特征向量和预设箱型预测模型进行箱型预测,能够实现自动推荐订单所需打包箱的箱型信息,从而能够提高箱型的推荐精度和推荐效率,降低打包的物料成本,提高操作人员的打包效率,同时能够较少操作人员的工作量,降低人工成本。
进一步地,作为图1的具体实现,本发明实施例提供了一种箱型预测装置,如图3所示,所述装置包括:获取单元31、标记单元32、构建单元33、确定单元34和预测单元35。
所述获取单元31,可以用于获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息。
所述标记单元32,可以用于根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集。
所述构建单元33,可以用于根据所述样本训练集,构建预设箱型预测模型。
所述获取单元31,还可以用于获取待预测的订单中所涉及商品的标识信息和数量信息。
所述确定单元34,可以用于基于所述标识信息和所述数量信息,确定所述订单对应的特征向量。
所述预测单元35,可以用于将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
在具体应用场景中,为了确定所述订单对应的特征向量,如图4所示,所述确定单元34,包括:确定模块341和拼接模块342。
所述确定模块341,可以用于根据所述标识信息查询预设商品信息表,确定所述商品对应的品牌信息、类目信息和尺寸信息。
所述确定模块341,还可以用于确定所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量。
所述拼接模块342,可以用于将所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量进行拼接,得到所述商品对应的第一特征向量。
所述确定模块341,还可以用于根据所述商品对应的第一特征向量,确定所述订单对应的特征向量。
进一步地,为了确定所述订单对应的特征向量,所述确定模块321,包括:确定子模块和相加子模块。
所述确定子模块,可以用于若所述订单中涉及多种商品时,则根据所述多种商品分别对应的第一特征向量和所述数量信息,得到所述多种商品分别对应的第二特征向量。
所述相加子模块,可以用于将所述多种商品分别对应的第二特征向量相加,得到所述订单对应的特征向量。
在具体应用场景中,所述确定模块341,具体可以用于确定所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征数量;基于所述特征数量和预设特征排列顺序,对所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息进行编码,得到所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量。
在具体应用场景中,所述预设箱型预测模型为预设多层感知器,所述预测单元35,包括:预测模块351和确定模块352。
所述预测模块351,可以用于将所述订单对应的特征向量输入至预设多层感知器中进行箱型预测,得到所述订单所需打包箱属于不同箱型信息的概率值。
所述确定模块352,可以用于从所述打包箱属于不同箱型信息的概率值中筛选最大概率值,并将所述最大概率值对应的箱型信息,确定为所述订单所需打包箱的箱型信息。
在具体应用场景中,为了构建预设箱型预测模型,所述构建单元33,包括:构建模块331和确定模块332。
所述构建模块331,可以用于利用预设神经网络算法构建初始箱型预测模型。
所述确定模块332,可以用于根据所述样本训练集中商品的标识信息和数量信息,以及所述初始箱型预测模型,确定所述样本订单中所涉及商品对应的初始箱型信息。
所述构建模块331,还可以用于根据所述初始箱型信息和所述样本训练集中商品对应的样本箱型信息,构建损失函数。
所述构建模块331,还可以用于基于所述损失函数对所述初始箱型预测模型进行训练,构建所述预设箱型预测模型。
进一步地,为了保证样本训练集中样本数据的质量,所述装置还包括:统计单元36和调整单元37。
所述确定单元34,还可以用于确定所述样本订单中所涉及商品的标识信息和数量信息均相同的目标样本订单及其对应的样本箱型信息。
所述统计单元36,可以用于统计所述目标样本订单在不同样本箱型信息下的样本订单数量。
所述调整单元37,可以用于从所述样本订单数量中筛选出最大样本订单数量对应的样本箱型信息,并根据所述最大样本订单数量对应的样本箱型信息对所述目标样本订单对应的样本箱型信息进行调整,得到调整后的箱型信息。
所述标记单元32,具体可以用于根据所述调整后的箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集。
需要说明的是,本发明实施例提供的一种箱型预测装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息;根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集;根据所述样本训练集,构建预设箱型预测模型;获取待预测的订单中所涉及商品的标识信息和数量信息;基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
基于上述如图1所示方法和如图3所示装置的实施例,本发明实施例还提供了一种计算机设备的实体结构图,如图5所示,该计算机设备包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息;根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集;根据所述样本训练集,构建预设箱型预测模型;获取待预测的订单中所涉及商品的标识信息和数量信息;基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息。
通过本发明的技术方案,本发明能够获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息,并根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集,之后根据所述样本训练集,构建预设箱型预测模型,与此同时,获取待预测的订单中所涉及商品的标识信息和数量信息;并基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;最终将所述订单对应的特征向量输入至预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息,由此通过利用订单对应的特征向量和预设箱型预测模型进行箱型预测,能够实现自动推荐订单所需打包箱的箱型信息,从而能够提高箱型的推荐精度和推荐效率,降低打包的物料成本,提高操作人员的打包效率,同时能够较少操作人员的工作量,降低人工成本。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (8)
1.一种箱型预测方法,其特征在于,包括:
获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息;
根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集;
根据所述样本训练集,构建预设箱型预测模型;
获取待预测的订单中所涉及商品的标识信息和数量信息;
基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;
将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息;
其中,基于所述标识信息和所述数量信息,确定所述订单对应的特征向量,包括:
根据所述标识信息查询预设商品信息表,确定所述商品对应的品牌信息、类目信息和尺寸信息;
确定所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量;
将所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量进行拼接,得到所述商品对应的第一特征向量;
根据所述商品对应的第一特征向量,确定所述订单对应的特征向量;
其中,根据所述商品的第一特征向量,确定所述订单对应的特征向量,包括:
若所述订单中涉及多种商品,则根据所述多种商品分别对应的第一特征向量和所述数量信息,得到所述多种商品分别对应的第二特征向量;
将所述多种商品分别对应的第二特征向量相加,得到所述订单对应的特征向量。
2.根据权利要求1所述的方法,其特征在于,确定所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量,包括:
确定所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征数量;
基于所述特征数量和预设特征排列顺序,对所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息进行编码,得到所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量。
3.根据权利要求1所述的方法,所述预设箱型预测模型为预设多层感知器,将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息,包括:
将所述订单对应的特征向量输入至预设多层感知器中进行箱型预测,得到所述订单所需打包箱属于不同箱型信息的概率值;
从所述打包箱属于不同箱型信息的概率值中筛选最大概率值,并将所述最大概率值对应的箱型信息,确定为所述订单所需打包箱的箱型信息。
4.根据权利要求1所述的方法,其特征在于,根据所述样本训练集,构建预设箱型预测模型,包括:
利用预设神经网络算法构建初始箱型预测模型;
根据所述样本训练集中商品的标识信息和数量信息,以及所述初始箱型预测模型,确定所述样本订单中所涉及商品对应的初始箱型信息;
根据所述初始箱型信息和所述样本训练集中商品对应的样本箱型信息,构建损失函数;
基于所述损失函数对所述初始箱型预测模型进行训练,构建所述预设箱型预测模型。
5.根据权利要求1所述的方法,其特征在于,在所述获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息之后,所述方法还包括:
确定所述样本订单中所涉及商品的标识信息和数量信息均相同的目标样本订单及其对应的样本箱型信息;
统计所述目标样本订单在不同样本箱型信息下的样本订单数量;
从所述样本订单数量中筛选出最大样本订单数量对应的样本箱型信息,并根据所述最大样本订单数量对应的样本箱型信息对所述目标样本订单对应的样本箱型信息进行调整,得到调整后的箱型信息;
所述根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集,包括:
根据所述调整后的箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集。
6.一种箱型预测装置,其特征在于,包括:
获取单元,用于获取样本订单中所涉及商品的标识信息、数量信息和样本箱型信息;
标记单元,用于根据所述样本箱型信息对所述样本订单进行标记,将标记后的样本订单中所涉及商品的标识信息和数量信息作为样本训练集;
构建单元,用于根据所述样本训练集,构建预设箱型预测模型;
所述获取单元,还用于获取待预测的订单中所涉及商品的标识信息和数量信息;
确定单元,用于基于所述标识信息和所述数量信息,确定所述订单对应的特征向量;
预测单元,用于将所述订单对应的特征向量输入至所述预设箱型预测模型中进行箱型预测,得到所述订单对应的打包箱的箱型信息;
其中,所述确定单元,包括:确定模块和拼接模块,
所述确定模块,用于根据所述标识信息查询预设商品信息表,确定所述商品对应的品牌信息、类目信息和尺寸信息;
所述确定模块,还用于确定所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量;
所述拼接模块,用于将所述标识信息、所述品牌信息、所述类目信息和所述尺寸信息分别对应的特征向量进行拼接,得到所述商品对应的第一特征向量;
所述确定模块,还用于根据所述商品对应的第一特征向量,确定所述订单对应的特征向量;
所述确定模块,包括:确定子模块和相加子模块,
所述确定子模块,用于若所述订单中涉及多种商品时,则根据所述多种商品分别对应的第一特征向量和所述数量信息,得到所述多种商品分别对应的第二特征向量;
所述相加子模块,用于将所述多种商品分别对应的第二特征向量相加,得到所述订单对应的特征向量。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633505.1A CN113095603B (zh) | 2021-06-08 | 2021-06-08 | 箱型预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633505.1A CN113095603B (zh) | 2021-06-08 | 2021-06-08 | 箱型预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095603A CN113095603A (zh) | 2021-07-09 |
CN113095603B true CN113095603B (zh) | 2021-09-21 |
Family
ID=76666108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110633505.1A Active CN113095603B (zh) | 2021-06-08 | 2021-06-08 | 箱型预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095603B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492549A (zh) * | 2018-10-24 | 2019-03-19 | 杭州睿琪软件有限公司 | 一种训练样本集处理、模型训练方法及*** |
CN109509054A (zh) * | 2018-09-30 | 2019-03-22 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN112070444A (zh) * | 2020-09-15 | 2020-12-11 | 深圳坤湛科技有限公司 | 箱型推荐方法、装置和计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779897B (zh) * | 2015-11-23 | 2020-10-27 | 菜鸟智能物流控股有限公司 | 组合商品对象交易信息处理方法及装置 |
-
2021
- 2021-06-08 CN CN202110633505.1A patent/CN113095603B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509054A (zh) * | 2018-09-30 | 2019-03-22 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN109492549A (zh) * | 2018-10-24 | 2019-03-19 | 杭州睿琪软件有限公司 | 一种训练样本集处理、模型训练方法及*** |
CN112070444A (zh) * | 2020-09-15 | 2020-12-11 | 深圳坤湛科技有限公司 | 箱型推荐方法、装置和计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
菜鸟网络算法专家朱礼君:物流优化问题在大数据时代被赋予新的意义|CCF-GAIR 2017;李晓利;《https://www.leiphone.com/category/industrynews/X5OwMSiXHQgGqYPo.html》;20170713;2-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095603A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Björkman et al. | Global optimization of costly nonconvex functions using radial basis functions | |
US8458006B2 (en) | Product development process supporting system and product development process supporting method | |
US20200193323A1 (en) | Method and system for hyperparameter and algorithm selection for mixed integer linear programming problems using representation learning | |
Rehbach et al. | Expected improvement versus predicted value in surrogate-based optimization | |
CN110069699B (zh) | 排序模型训练方法和装置 | |
CN115689415B (zh) | 一种基于数字孪生的物流监视与仿真*** | |
CN116245112B (zh) | 一种物流信息的识别方法、装置和计算机设备 | |
CN113761073A (zh) | 用于信息处理的方法、装置、设备和存储介质 | |
Gitinavard et al. | A bi-objective multi-echelon supply chain model with Pareto optimal points evaluation for perishable products under uncertainty | |
CN113095603B (zh) | 箱型预测方法、装置、计算机设备及存储介质 | |
MacDonell et al. | FULSOME: fuzzy logic for software metric practitioners and researchers | |
JPWO2018185899A1 (ja) | ライブラリ検索装置、ライブラリ検索システム、及びライブラリ検索方法 | |
US6618642B2 (en) | Method, program storage device, and apparatus for optimizing and analyzing efficiency of equipment | |
JP2019101681A (ja) | 見積り取得装置、見積り取得方法およびプログラム | |
CN110689177A (zh) | 订单准备时间的预测方法和装置,电子设备及存储介质 | |
CN116070966A (zh) | 一种基于数据分析的芯片分销用货源筛选质量评估*** | |
CN113762842A (zh) | 仓库调度方法、服务器和*** | |
Hadad et al. | A revised method for allocating the optimum number of similar machines to operators | |
CN111209802A (zh) | 一种图形焦点转移的机器人视觉图像场景解析方法 | |
CN115577982B (zh) | 供应链网络设计方法及***、电子设备、存储介质 | |
Lee et al. | Reverse logistics network problem using priority-based genetic algorithm | |
Kim et al. | Deep Learning Model for Traffic Accident Prediction Using Multiple Feature Interactions | |
CN113988666B (zh) | 一种有机硅混炼胶智能定量包装方法及*** | |
CN117176596B (zh) | 一种面向工业互联网平台的制造服务供需网络仿真方法 | |
CN113344382B (zh) | 一种基于产品指标演化分析的设计决策指导方法 |
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 |