CN113205292A - 物流订单的推荐方法、装置、电子设备及存储介质 - Google Patents
物流订单的推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113205292A CN113205292A CN202110450047.8A CN202110450047A CN113205292A CN 113205292 A CN113205292 A CN 113205292A CN 202110450047 A CN202110450047 A CN 202110450047A CN 113205292 A CN113205292 A CN 113205292A
- Authority
- CN
- China
- Prior art keywords
- logistics
- carrier
- historical
- target
- order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种物流订单的推荐方法、装置、电子设备及存储介质,涉及物流技术领域。该方法包括获取待分配物流订单的订单信息;获取当前可接单的各目标物流承运商的目标承运商信息;将各目标物流承运商的目标承运商信息与订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐。本申请提供的物流订单的推荐方法、装置、电子设备及存储介质可确保物流委托商与物流承运商双方的满意度,提高客户粘性。
Description
技术领域
本申请涉及物流技术领域,尤其涉及一种物流订单的推荐方法、装置、电子设备及存储介质。
背景技术
随着社会的发展,物流行业在社会中扮演着越来越重要的角色,许多行业都十分依赖于物流行业。
在物流运输服务中,物流订单的分配是物流运输前必不可少的步骤。目前,许多第三方物流服务企业在物流订单分配时往往是根据个人经验进行人工配单。然而,采用这样的方式往并未考虑到物流委托商及物流承运商双方的需求,导致在订单完成后物流委托商及物流承运商对分配的物流订单满意度不高,进而导致客户粘性差。
因此,如何提供一种有效的方案以确保物流委托商与物流承运商双方的满意度,已成为现有技术中一亟待解决的问题。
发明内容
本申请实施例提供了一种物流订单的推荐方法、装置、电子设备及存储介质,用于解决现有技术中存在的物流委托商及物流承运商对分配的物流订单满意度不高的问题。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供了一种物流订单的推荐方法,包括:
获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
在一个可能的设计中,所述基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐,包括:
将所述待分配物流订单推送给所述各目标物流承运商中推荐优先级最高的至少一个;
如果所述待分配物流订单在被推荐后的预设时间内未被抢单,则将所述待分配物流订单推送给所述目标物流承运商中的未被推荐所述待分配物流订单的物流承运商。
在一个可能的设计中,所述将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分,包括:
将各目标物流承运商的目标承运商信息进行量化处理,得到多个第一多维向量;
将所述订单信息进行量化处理,得到第二多维向量;
将每个所述第一多维向量与所述第二多维向量进行拼接,得到与各目标物流承运商一一对应的多个第三多维向量;
将所述多个第三多维向量作为所述评分模型的输入进行运算,得到各目标物流承运商的当前综合评分。
在一个可能的设计中,所述方法还包括:
将多个历史物流订单的订单信息进行量化处理,得到多个第四多维向量;
将与多个历史物流订单对应的承运商信息进行量化处理,得到多个第五多维向量;
将相对应的第四多维向量与第五多维向量进行拼接,得到多个第六多维向量;
以各第六多维向量作为建立的训练模型的输入、各第六多维向量对应的历史物流订单的综合评分作为所述训练模型的输出进行训练,得到所述评分模型。
在一个可能的设计中,当历史订单信息中存在数据缺失的第一历史订单信息时,所述方法还包括:
计算所述第一历史订单信息与未存在数据缺失的第二历史订单信息的相似度;
依据所述第二历史订单信息中与所述第一历史订单信息相似度最高的至少一个历史订单信息,对所述第一历史订单信息进行数据补齐。
在一个可能的设计中,所述评分模型为卷积神经网络模型或BP神经网络模型。
在一个可能的设计中,历史物流订单的综合评分为所述第一评分与所述第二评分的平均值,或历史物流订单的综合评分为根据所述第一评分和所述第二评分进行加权运算得到的。
第二方面,本申请实施例提供了一种物流订单的推荐装置,包括:
第一获取单元,用于获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
第二获取单元,用于获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
运算单元,用于将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
确定单元,用于基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
推荐单元,用于基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
第三方面,本申请实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序,实现以下流程:
获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现以下流程:
获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
本申请一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果:
由于将当前可接单的各目标物流承运商的目标承运商信息,以及待分配物流订单的订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分,并基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级,然后依据各目标物流承运商的推荐优先级对待分配物流订单进行推荐,而历史物流订单的综合评分是根据物流委托商针对历史物流订单的第一评分和物流承运商针对历史物流订单的第二评分确定出的。因此,在物流订单的推荐时既考虑了据物流委托商对物流订单的可能评分又考虑了物流承运商对物流订单的可能评分,使得待分配物流订单分在配给推荐的物流承运商后,物流委托商与物流承运商双方均对分配的物流订单的保持较高的满意度,确保物流委托商与物流承运商双方的满意度,提高客户粘性。
附图说明
此处所说明的附图用来提供对本文件的进一步理解,构成本文件的一部分,本文件的示意性实施例及其说明用于解释本文件,并不构成对本文件的不当限定。在附图中:
图1为本申请一个实施例提供的物流订单的推荐方法流程示意图。
图2为本申请一个实施例提供的电子设备的结构示意图。
图3为本申请一个实施例提供的物流订单的推荐装置的结构示意图。
具体实施方式
为了确保物流委托商与物流承运商双方的满意度,本申请实施例提供了一种流订单的推荐方法、装置、电子设备及存储介质,该流订单的推荐方法、装置、电子设备及存储介质确保物流委托商与物流承运商双方的满意度,提高客户粘性。
本申请实施例提供了的流订单的推荐方法可应用于第三方物流服务企业的服务器,所述服务器可以是网络服务器或数据库服务器。
为了便于描述,除特别说明外,本申请实施例均以服务器为执行主体进行说明。
可以理解,所述执行主体并不构成对本申请实施例的限定。
可选的,物流订单的推荐方法如图1所示,可以包括如下步骤:
步骤S101,获取待分配物流订单的订单信息。
本申请实施例中,第三方物流服务企业的服务器上安装有用于物流订单的推荐的应用,当物流委托商需要物流运输服务时,可委托第三方物流服务企业提供物流运输服务,此时第三方物流服务企业可根据物流委托商需的需求,在该服务器的应用上创建待分配物流订单,或者由物流委托商登录服务器并发起待分配物流订单。
其中,订单信息包括,但不限于货物类型、货物数量、运输距离和目的地。
步骤S102,获取当前可接单的各目标物流承运商的目标承运商信息。
服务器记录有合作的物流承运商,在获取到获取待分配物流订单的订单信息后,可获取当前可接单的各目标物流承运商的目标承运商信息。
其中,当前可接单的目标物流承运商,可以是指当前未分配物流订单的物流承运商,也可以是当前物流运输能力满足待分配物流订单需要的物流承运商,本申请实施例中不做具体限定。
其中,目标承运商信息包括,但不限于承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值。
历史订单完成时长与历史订单期限时长的比值,可以是历史订单完成时长之和与历史订单期限时长之和的比值,比值越小表明订单完成更高效。例如,一目标物流承运商完成过3次物流订单,3次订单的完成时长依次为3天、5天和4天,而该3次订单的订单期限时长依次为5天、10天、5天。则历史订单完成时长与历史订单期限时长的比值为(3+5+4)/(5+10+5)=0.6。
步骤S103,将各目标物流承运商的目标承运商信息与订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分。
本申请实施例中,预先建立有用于计算物流承运商的当前综合评分的评分模型。其中,该评分模型是以历史物流订单的历史订单信息(包括货物类型、货物数量、运输距离和目的地)和与历史物流订单对应的承运商信息(包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值)作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对历史物流订单的第一评分和物流承运商针对历史物流订单的第二评分确定出的。所述评分模型可以是,但不限于卷积神经网络(Convolutional Neural Networks,CNN)模型或BP(back propagation)神经网络模型。
本申请实施例中,在物流订单完成后,物流委托商和物流承运商均可以对分配的物流订单进行评分,用以分别表示物流委托商和物流承运商均对分配的物流订单的满意程度。针对已完成的历史物流订单,可根据物流委托商针对历史物流订单的第一评分和物流承运商针对历史物流订单的第二评分确定出历史物流订单的综合评分。
具体的,历史物流订单的综合评分可以是第一评分与第二评分的平均值,或历史物流订单的综合评分为根据第一评分和第二评分进行加权运算得到的,本申请实施例中不做具体限定。
本申请实施例中,将各目标物流承运商的目标承运商信息与订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分的具体过程可以是如下步骤:
步骤S1031,将各目标物流承运商的目标承运商信息进行量化处理,得到多个第一多维向量。
本申请实施例中,目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值,因此在进行量化处理时,可将各个目标承运商的承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值进行量化处理,得到多个三维的第一多维向量。
步骤S1032,将订单信息进行量化处理,得到第二多维向量。
订单信息中包括货物类型、货物数量、运输距离和目的地,因此在进行量化处理时,可将货物类型、货物数量、运输距离和目的地进行量化处理,得到四维的第二多维向量。
步骤S1033,将每个第一多维向量与第二多维向量进行拼接,得到与各目标物流承运商一一对应的多个第三多维向量。
步骤S1034,将多个第三多维向量作为评分模型的输入进行运算,得到各目标物流承运商的当前综合评分。
其中,在进行运算时,可分别将多个第三多维向量中的每一个单独作为评分模型的输入一一进行运算,得到各目标物流承运商的当前综合评分。
目标物流承运商的当前综合评分表示,物流委托商针对待分配物流订单分配给目标物流承运商后的预估评分以及目标物流承运商针对待分配物流订单的预估评分,两者最后的综合得分。
步骤S104,基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级。
目标物流承运商的当前综合评分表示,物流委托商针对待分配物流订单分配给目标物流承运商后的预估评分以及目标物流承运商针对待分配物流订单的预估评分,两者最后的综合得分。当前综合评分越高,则说明待分配物流订单分配给目标物流承运商后,物流委托商针对待分配物流订单的预估评分和物流承运商针对待分配物流订单的预估评分的综合评分越高,即物流委托商与物流承运商双方对待分配物流订单预估的综合满意度越高。
因此,在确定各目标物流承运商的推荐优先级时,可按照各目标物流承运商的当前综合评分从高到底的方式进行排序,并根据排序对各目标物流承运商设置不同优先级。例如,可根据排序对各目标物流承运商中排序靠前的一个或多个设置为第一优先级,其余的目标物流承运商设置为第二优先级,第一优先级高于第二优先级。
可以理解,上述设置优先级的方式仅仅是举例说明,在其他的一些实施例中还可以有其他的优先级设置方式。
步骤S105,基于各目标物流承运商的推荐优先级对待分配物流订单进行推荐。
具体的,在对待分配物流订单进行推荐时,可先将待分配物流订单推送给各目标物流承运商中推荐优先级最高的一个或多个,以便于推荐优先级最高的一个或多个目标物流承运商能够最先知晓该待分配物流订单,以于能够及时接单。
如果待分配物流订单在被推荐后的预设时间内未被抢单,则将待分配物流订单推送给目标物流承运商中的未被推荐待分配物流订单的物流承运商。其中,该预设时间可根据实际情况设定,本申请实施例中不做具体限定。
本申请实施例提供的物流订单的推荐方法,通过将当前可接单的各目标物流承运商的目标承运商信息,以及待分配物流订单的订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分,并基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级,然后依据各目标物流承运商的推荐优先级对待分配物流订单进行推荐,而历史物流订单的综合评分是根据物流委托商针对历史物流订单的第一评分和物流承运商针对历史物流订单的第二评分确定出的。因此,在物流订单的推荐时既考虑了据物流委托商对物流订单的可能评分又考虑了物流承运商对物流订单的可能评分,使得待分配物流订单分在配给推荐的物流承运商后,物流委托商与物流承运商双方均对分配的物流订单的保持较高的满意度,确保物流委托商与物流承运商双方的满意度,提高客户粘性,避免第三方物流服务企业的客户流失,促进第三方物流服务企业与物流委托商以及物流承运商建立良好的长期合作关系,有利于第三方物流服务企持续健康发展。
进一步的,本申请实施例还提供了一种训练评分模型的可能设计一。其可以包括,但不限于如下步骤:
步骤S201,将多个历史物流订单的订单信息进行量化处理,得到多个第四多维向量。
步骤S202,将与多个历史物流订单对应的承运商信息进行量化处理,得到多个第五多维向量。
步骤S203,将相对应的第四多维向量与第五多维向量进行拼接,得到多个第六多维向量。
其中,相对应的第四多维向量与第五多维向量是指,该第四多维向量所对应的历史物流订单,与该第五多维向量所对应的历史物流订单为同一历史物流订单。
步骤S204,以各第六多维向量作为建立的训练模型的输入、各第六多维向量对应的历史物流订单的综合评分作为训练模型的输出进行训练,得到评分模型。
本申请实施例中,预先建立有一训练模型,在训练时可将各第六多维向量作为建立的训练模型的输入,各第六多维向量对应的历史物流订单的综合评分作为训练模型的输出进行训练,得到评分模型。
进一步的,本申请实施例中,部分历史物流订单的订单信息(当历史订单信息)可能由于数据漏登而存在数据缺失。基于此,本申请实施例还提供了一种对存在数据缺失的历史订单信息进行数据补齐的可能设计二。其可以包括,但不限于如下步骤:
步骤S301,计算第一历史订单信息与未存在数据缺失的第二历史订单信息的相似度。
步骤S302,依据第二历史订单信息中与第一历史订单信息相似度最高的至少一个历史订单信息,对第一历史订单信息进行数据补齐。
具体的,在对第一历史订单信息进行数据补齐时,可首先确定出第二历史订单信息中与第一历史订单信息相似度最高的至少一个历史订单信息,为便于描述这里将第二历史订单信息中与第一历史订单信息相似度最高的至少一个历史订单信息称之为第三历史订单信息。然后根据第三历史订单信息中与缺失数据对应的数据,对第一历史订单信息进行数据补齐。
例如,第一历史订单信息中的运输距离和目的地缺失,第三历史订单信息为3个,3个第三历史订单信息中的运输距离分别为200公里、250公里和300公里,目的地分别为A地区、A地区及B地区。则对第一历史订单信息进行数据补齐时,可将3个第三历史订单信息中的运输距离的平均值作为第一历史订单信息中的运输距离,或将3个第三历史订单信息中的运输距离的中间值作为第一历史订单信息中的运输距离,可将3个第三历史订单信息中同重复次数出现最多的目的地(即A地区)作为第一历史订单信息中的目的地。
由此通过上述的可能设计二,可对数据存在缺失的历史订单信息进行数据补齐,从而为评分模型提供更多的训练数据,确保所训练的评分模型的准确性。
图2是本申请的一个实施例提供的电子设备的结构示意图。请参考图2,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成物流订单的推荐装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
上述如本申请图2所示实施例揭示的物流订单的推荐装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法,并实现物流订单的推荐装置在图2所示实施例的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
图3是本申请的一个实施例提供的物流订单的推荐装置的结构示意图。请参阅图3,在一种软件实施方式中,物流订单的推荐装置包括:
第一获取单元,用于获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
第二获取单元,用于获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
运算单元,用于将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
确定单元,用于基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
推荐单元,用于基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
总之,以上所述仅为本文件的较佳实施例而已,并非用于限定本文件的保护范围。凡在本文件的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本文件的保护范围之内。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本文件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***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种物流订单的推荐方法,其特征在于,包括:
获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
2.根据权利要求1所述的方法,其特征在于,所述基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐,包括:
将所述待分配物流订单推送给所述各目标物流承运商中推荐优先级最高的至少一个;
如果所述待分配物流订单在被推荐后的预设时间内未被抢单,则将所述待分配物流订单推送给所述目标物流承运商中的未被推荐所述待分配物流订单的物流承运商。
3.根据权利要求1所述的方法,其特征在于,所述将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分,包括:
将各目标物流承运商的目标承运商信息进行量化处理,得到多个第一多维向量;
将所述订单信息进行量化处理,得到第二多维向量;
将每个所述第一多维向量与所述第二多维向量进行拼接,得到与各目标物流承运商一一对应的多个第三多维向量;
将所述多个第三多维向量作为所述评分模型的输入进行运算,得到各目标物流承运商的当前综合评分。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将多个历史物流订单的订单信息进行量化处理,得到多个第四多维向量;
将与多个历史物流订单对应的承运商信息进行量化处理,得到多个第五多维向量;
将相对应的第四多维向量与第五多维向量进行拼接,得到多个第六多维向量;
以各第六多维向量作为建立的训练模型的输入、各第六多维向量对应的历史物流订单的综合评分作为所述训练模型的输出进行训练,得到所述评分模型。
5.根据权利要求1所述的方法,其特征在于,当历史订单信息中存在数据缺失的第一历史订单信息时,所述方法还包括:
计算所述第一历史订单信息与未存在数据缺失的第二历史订单信息的相似度;
依据所述第二历史订单信息中与所述第一历史订单信息相似度最高的至少一个历史订单信息,对所述第一历史订单信息进行数据补齐。
6.根据权利要求1所述的方法,其特征在于,所述评分模型为卷积神经网络模型或BP神经网络模型。
7.根据权利要求1所述的方法,其特征在于,历史物流订单的综合评分为所述第一评分与所述第二评分的平均值,或历史物流订单的综合评分为根据所述第一评分和所述第二评分进行加权运算得到的。
8.一种物流订单的推荐装置,其特征在于,包括:
第一获取单元,用于获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
第二获取单元,用于获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
运算单元,用于将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
确定单元,用于基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
推荐单元,用于基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序,实现以下流程:
获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
10.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现以下流程:
获取待分配物流订单的订单信息,所述订单信息包括货物类型、货物数量、运输距离和目的地;
获取当前可接单的各目标物流承运商的目标承运商信息,所述目标承运商信息包括承运商规模、物流运输方式以及历史订单完成时长与历史订单期限时长的比值;
将各目标物流承运商的目标承运商信息与所述订单信息作为预先训练的评分模型的输入进行运算,得到各目标物流承运商的当前综合评分;
基于各目标物流承运商的当前综合评分,确定出各目标物流承运商的推荐优先级;
基于各目标物流承运商的推荐优先级对所述待分配物流订单进行推荐;
其中,所述评分模型是以历史物流订单的历史订单信息和与历史物流订单对应的承运商信息作为输入,历史物流订单的综合评分作为输出进行训练得到的,历史物流订单的综合评分是根据物流委托商针对所述历史物流订单的第一评分和物流承运商针对所述历史物流订单的第二评分确定出的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450047.8A CN113205292A (zh) | 2021-04-25 | 2021-04-25 | 物流订单的推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450047.8A CN113205292A (zh) | 2021-04-25 | 2021-04-25 | 物流订单的推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205292A true CN113205292A (zh) | 2021-08-03 |
Family
ID=77028447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450047.8A Pending CN113205292A (zh) | 2021-04-25 | 2021-04-25 | 物流订单的推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205292A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933857A (zh) * | 2024-03-21 | 2024-04-26 | 广州平云小匠科技股份有限公司 | 售后平台的物流订单调度方法、设备和可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574754A (zh) * | 2015-12-22 | 2016-05-11 | 保利(北京)能源电子商务发展有限公司 | 一种电商平台与物流交易平台交易信息撮合的方法及*** |
CN107506617A (zh) * | 2017-09-29 | 2017-12-22 | 杭州电子科技大学 | 半局部社交信息miRNA‑疾病关联性预测方法 |
CN108038637A (zh) * | 2017-11-30 | 2018-05-15 | 云南九通天下信息技术有限公司 | 基于云平台的物流信息管理*** |
CN108985679A (zh) * | 2018-06-21 | 2018-12-11 | 李勇 | 物流平台管理方法及*** |
CN109636262A (zh) * | 2018-10-26 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种订单处理方法、装置、***、计算机设备和存储介质 |
CN109816311A (zh) * | 2019-01-22 | 2019-05-28 | 浙江数链科技有限公司 | 物流承运商推荐方法和装置 |
CN110738376A (zh) * | 2019-10-16 | 2020-01-31 | 安徽九州通智能科技有限公司 | 一种云物流服务资源优化匹配方法 |
CN111104593A (zh) * | 2019-12-12 | 2020-05-05 | 南京邮电大学 | 物流信息平台、物流服务推荐方法以及物流服务协调方法 |
CN112418758A (zh) * | 2020-11-17 | 2021-02-26 | 国网电子商务有限公司 | 一种为货主智能推荐承运商的方法及*** |
-
2021
- 2021-04-25 CN CN202110450047.8A patent/CN113205292A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574754A (zh) * | 2015-12-22 | 2016-05-11 | 保利(北京)能源电子商务发展有限公司 | 一种电商平台与物流交易平台交易信息撮合的方法及*** |
CN107506617A (zh) * | 2017-09-29 | 2017-12-22 | 杭州电子科技大学 | 半局部社交信息miRNA‑疾病关联性预测方法 |
CN108038637A (zh) * | 2017-11-30 | 2018-05-15 | 云南九通天下信息技术有限公司 | 基于云平台的物流信息管理*** |
CN108985679A (zh) * | 2018-06-21 | 2018-12-11 | 李勇 | 物流平台管理方法及*** |
CN109636262A (zh) * | 2018-10-26 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种订单处理方法、装置、***、计算机设备和存储介质 |
CN109816311A (zh) * | 2019-01-22 | 2019-05-28 | 浙江数链科技有限公司 | 物流承运商推荐方法和装置 |
CN110738376A (zh) * | 2019-10-16 | 2020-01-31 | 安徽九州通智能科技有限公司 | 一种云物流服务资源优化匹配方法 |
CN111104593A (zh) * | 2019-12-12 | 2020-05-05 | 南京邮电大学 | 物流信息平台、物流服务推荐方法以及物流服务协调方法 |
CN112418758A (zh) * | 2020-11-17 | 2021-02-26 | 国网电子商务有限公司 | 一种为货主智能推荐承运商的方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933857A (zh) * | 2024-03-21 | 2024-04-26 | 广州平云小匠科技股份有限公司 | 售后平台的物流订单调度方法、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874440B (zh) | 一种信息推送及其模型训练的方法、装置及电子设备 | |
CN110134516B (zh) | 金融数据处理方法、装置、设备及计算机可读存储介质 | |
CN109271380B (zh) | 一种数据表海量数据校验方法及终端设备 | |
EP3961384A1 (en) | Automatic derivation of software engineering artifact attributes from product or service development concepts | |
CN110930221A (zh) | 异常订单处理方法、存储介质及计算机设备 | |
US11978072B2 (en) | Systems for management of location-aware market data | |
CN113205292A (zh) | 物流订单的推荐方法、装置、电子设备及存储介质 | |
CN108932525B (zh) | 一种行为预测方法及装置 | |
CN112149708A (zh) | 数据模型选择优化方法、装置、计算机装置及存储介质 | |
CN109063967B (zh) | 一种风控场景特征张量的处理方法、装置及电子设备 | |
CN108154377B (zh) | 广告作弊预测方法及装置 | |
CN114329093B (zh) | 数据的处理方法、装置及设备 | |
CN114520773B (zh) | 一种服务请求的响应方法、装置、服务器及存储介质 | |
CN109241050B (zh) | 一种数据查询方法、装置及***、电子设备 | |
CN113962403A (zh) | 运维处理方法、装置及电子设备 | |
CN112308595B (zh) | 用于确定货品状态的方法和装置 | |
CN112182502A (zh) | 合规审核方法、装置和设备 | |
CN111080393A (zh) | 一种交易撮合方法及装置 | |
CN116776849B (zh) | 船舶edi的模板编辑方法、装置、电子设备及存储介质 | |
CN109240878B (zh) | 数据处理方法和装置 | |
CN111339134B (zh) | 一种数据查询方法及装置 | |
CN110874386A (zh) | 建立类目映射关系的方法和装置 | |
CN112836965B (zh) | 压力调控方案的选取方法和装置 | |
CN112749854B (zh) | 业务量极限数据处理方法、装置、计算机设备和存储介质 | |
CN108829732B (zh) | 一种数据处理方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |