CN113298401A - 物流资源的分配方法、装置、存储介质和电子设备 - Google Patents
物流资源的分配方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113298401A CN113298401A CN202110610033.8A CN202110610033A CN113298401A CN 113298401 A CN113298401 A CN 113298401A CN 202110610033 A CN202110610033 A CN 202110610033A CN 113298401 A CN113298401 A CN 113298401A
- Authority
- CN
- China
- Prior art keywords
- volume
- sales
- commodity
- target
- sample
- 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
- G06Q10/06—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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种物流资源的分配方法、装置、存储介质和电子设备,涉及物流信息处理技术领域,该方法包括:根据目标商品的销售信息,预测目标商品在当前调度周期内的待完成销量。根据目标商品的属性信息,预测目标商品的单件体积。根据待完成销量和单件体积,确定目标商品的总体积。为目标商品分配与总体积匹配的物流资源。本公开能够利用目标商品的相关信息来预测目标商品的总体积,从而为目标商品自动分配相应的物流资源,能够提高物流资源分配的准确度和效率。
Description
技术领域
本公开涉及物流信息处理技术领域,具体地,涉及一种物流资源的分配方法、装置、存储介质和电子设备。
背景技术
相关技术领域中,随着电子商务相应技术的不断发展和配套服务的不断完善,人们在日常生活中的购物行为和习惯已经发生了极大的变化,通过电子商务来购买产品使用户有了更多选择,同时购物的整个流程也更加便利。电子商务(尤其是社区团购等场景)对于物流的时效性要求较高,需要为大量的商品合理分配仓库、车辆等物流资源。通常情况下,是由工作人员根据经验来分配物流资源,准确度和效率都较低。
发明内容
本公开的目的是提供一种物流资源的分配方法、装置、存储介质和电子设备,用以解决现有技术中存在的相关问题。
根据本公开实施例的第一方面,提供一种物流资源的分配方法,所述方法包括:
根据目标商品的销售信息,预测所述目标商品在当前调度周期内的待完成销量;
根据所述目标商品的属性信息,预测所述目标商品的单件体积;
根据所述待完成销量和所述单件体积,确定所述目标商品的总体积;
为所述目标商品分配与所述总体积匹配的物流资源,所述物流资源包括:仓储资源,和/或运输资源。
可选地,所述销售信息包括:所述目标商品的历史销量、所述目标商品在所述当前调度周期内的已完成销量、所述目标商品的推广转化率;所述根据目标商品的销售信息,预测所述目标商品在当前调度周期内的待完成销量,包括:
将所述历史销量、所述已完成销量和所述推广转化率,输入预先训练的销量预测模型,以得到所述销量预测模型输出的所述待完成销量;
所述属性信息包括:所述目标商品的规格和重量,关联商品的体积数据,所述关联商品与所述目标商品存在关联,所述关联商品的体积数据用于表征所述关联商品的体积的统计值;所述根据所述目标商品的属性信息,预测所述目标商品的单件体积,包括:
将所述目标商品的规格、重量,和所述关联商品的体积数据,输入预先训练的体积预测模型,以得到所述体积预测模型输出的所述单件体积。
可选地,在所述根据所述待完成销量和所述单件体积,确定所述目标商品的总体积之后,所述方法还包括:
根据所述目标商品对应的装载容器,确定装载冗余系数,并根据所述装载冗余系数对所述总体积进行修正;
所述为所述目标商品分配与所述总体积匹配的物流资源,包括:
为所述目标商品分配与修正后的所述总体积匹配的所述物流资源。
可选地,所述根据所述目标商品对应的装载容器,确定装载冗余系数,并根据所述装载冗余系数对所述总体积进行修正,包括:
根据所述目标商品对应的装载容器的容器厚度和空置比例,确定所述装载冗余系数;
将所述总体积与所述装载冗余系数的乘积,作为修正后的所述总体积。
可选地,若所述目标商品为多种,且每种所述目标商品的目的地均属于指定区域,所述为所述目标商品分配与所述总体积匹配的物流资源,包括:
根据每种所述目标商品的所述总体积,确定仓储体积,并在所述指定区域内为多种所述目标商品分配与所述仓储体积匹配的仓储资源;
若所述目标商品为多种,且每种所述目标商品的配送路线均重叠,所述为所述目标商品分配与所述总体积匹配的物流资源,包括:
根据每种所述目标商品的所述总体积,确定运输体积,并按照所述配送路线为多种所述目标商品分配与所述运输体积匹配的运输资源。
可选地,所述销量预测模型是通过如下方式训练得到的:
根据样本商品在抽取时刻之前的预设数量个调度周期内的销量,确定所述样本商品的样本历史销量;
根据样本商品在样本调度周期内的销量,确定所述样本商品的第一销量和第二销量,所述样本调度周期为所述抽取时刻所在的调度周期,所述第一销量为所述抽取时刻之前的销量,所述第二销量为所述抽取时刻之后的销量;
将所述样本历史销量、所述第一销量和所述样本商品的推广转化率,作为所述销量预测模型的输入,将所述第二销量作为所述销量预测模型的输出,以训练所述销量预测模型。
可选地,所述体积预测模型是通过如下方式训练得到的:
获取样本商品的规格、重量和体积;
确定与所述样本商品存在关联的样本关联商品,并根据所述样本关联商品的体积,确定所述样本关联商品的体积数据,所述样本关联商品的体积数据用于表征所述样本关联商品的体积的统计值;
将所述样本商品的规格、重量,和所述样本关联商品的体积数据作为所述体积预测模型的输入,将所述样本商品的体积作为所述体积预测模型的输出,以训练所述体积预测模型。
根据本公开实施例的第二方面,提供一种物流资源的分配装置,所述装置包括:
第一预测模块,用于根据目标商品的销售信息,预测所述目标商品在当前调度周期内的待完成销量;
第二预测模块,用于根据所述目标商品的属性信息,预测所述目标商品的单件体积;
确定模块,用于根据所述待完成销量和所述单件体积,确定所述目标商品的总体积;
分配模块,用于为所述目标商品分配与所述总体积匹配的物流资源,所述物流资源包括:仓储资源,和/或运输资源。
可选地,所述销售信息包括:所述目标商品的历史销量、所述目标商品在所述当前调度周期内的已完成销量、所述目标商品的推广转化率;所述第一预测模块用于:
将所述历史销量、所述已完成销量和所述推广转化率,输入预先训练的销量预测模型,以得到所述销量预测模型输出的所述待完成销量;
所述属性信息包括:所述目标商品的规格和重量,关联商品的体积数据,所述关联商品与所述目标商品存在关联,所述关联商品的体积数据用于表征所述关联商品的体积的统计值;所述第二预测模块用于:
将所述目标商品的规格、重量,和所述关联商品的体积数据,输入预先训练的体积预测模型,以得到所述体积预测模型输出的所述单件体积。
可选地,所述装置还包括:
修正模块,用于在所述根据所述待完成销量和所述单件体积,确定所述目标商品的总体积之后,根据所述目标商品对应的装载容器,确定装载冗余系数,并根据所述装载冗余系数对所述总体积进行修正;
相应的,所述分配模块用于:
为所述目标商品分配与修正后的所述总体积匹配的所述物流资源。
可选地,所述修正模块包括:
确定子模块,用于根据所述目标商品对应的装载容器的容器厚度和空置比例,确定所述装载冗余系数;
修正子模块,用于将所述总体积与所述装载冗余系数的乘积,作为修正后的所述总体积。
可选地,所述分配模块用于:
若所述目标商品为多种,且每种所述目标商品的目的地均属于指定区域,根据每种所述目标商品的所述总体积,确定仓储体积,并在所述指定区域内为多种所述目标商品分配与所述仓储体积匹配的仓储资源;
若所述目标商品为多种,且每种所述目标商品的配送路线均重叠,根据每种所述目标商品的所述总体积,确定运输体积,并按照所述配送路线为多种所述目标商品分配与所述运输体积匹配的运输资源。
可选地,所述销量预测模型是通过如下方式训练得到的:
根据样本商品在抽取时刻之前的预设数量个调度周期内的销量,确定所述样本商品的样本历史销量;
根据样本商品在样本调度周期内的销量,确定所述样本商品的第一销量和第二销量,所述样本调度周期为所述抽取时刻所在的调度周期,所述第一销量为所述抽取时刻之前的销量,所述第二销量为所述抽取时刻之后的销量;
将所述样本历史销量、所述第一销量和所述样本商品的推广转化率,作为所述销量预测模型的输入,将所述第二销量作为所述销量预测模型的输出,以训练所述销量预测模型。
可选地,所述体积预测模型是通过如下方式训练得到的:
获取样本商品的规格、重量和体积;
确定与所述样本商品存在关联的样本关联商品,并根据所述样本关联商品的体积,确定所述样本关联商品的体积数据,所述样本关联商品的体积数据用于表征所述样本关联商品的体积的统计值;
将所述样本商品的规格、重量,和所述样本关联商品的体积数据作为所述体积预测模型的输入,将所述样本商品的体积作为所述体积预测模型的输出,以训练所述体积预测模型。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面所述方法的步骤。
通过上述技术方案,本公开首先根据目标商品的销售信息来预测目标商品在当前调度周期内的待完成销量,并根据目标商品的属性信息来预测目标商品的单件体积。之后,根据待完成销量和单件体积,确定目标商品的总体积,最后为目标商品分配与总体积匹配的物流资源,物流资源包括:仓储资源、运输资源中的至少一种。本公开能够利用目标商品的相关信息来预测目标商品的总体积,从而为目标商品自动分配相应的物流资源,能够提高物流资源分配的准确度和效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种物流资源的分配方法的流程图;
图2是根据一示例性实施例示出的另一种物流资源的分配方法的流程图;
图3是根据一示例性实施例示出的另一种物流资源的分配方法的流程图;
图4是根据一示例性实施例示出的一种训练销量预测模型的流程图;
图5是根据一示例性实施例示出的一种训练体积预测模型的流程图;
图6是根据一示例性实施例示出的一种物流资源的分配装置的框图;
图7是根据一示例性实施例示出的另一种物流资源的分配装置的框图;
图8是根据一示例性实施例示出的另一种物流资源的分配装置的框图;
图9是根据一示例性实施例示出的一种电子设备的框图;
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本公开提供的物流资源的分配方法、装置、存储介质和电子设备之前,首先对本公开中各个实施例所涉及的应用场景进行介绍。本公开所提供的各实施例中的应用场景可以为调度场站对某个区域内的仓储资源进行调度,也可以为调度场站对运输资源进行调度。其中,仓储资源可以包括:仓库空间、仓库容器、仓库人员(例如:管理员、入库员等)等。运输资源可以包括:车辆空间、车辆容器、车辆人员(例如:驾驶员、安全员等)等。需要说明的是,本公开中的实施例的执行主体,可以是调度场站内的终端设备,也可以是服务器,还可以分别由终端设备和服务器共同作为执行主体,本公开对此不作具体限定。其中,终端设备可以是移动终端,包括但不限于诸如智能手机、平板电脑、智能电视、智能手表、PDA(英文:Personal Digital Assistant,中文:个人数字助理)、便携计算机等,也可以是台式计算机等固定终端。服务器,包括但不限于实体服务器,服务器集群或云端服务器。
图1是根据一示例性实施例示出的一种物流资源的分配方法的流程图,如图1所示,该方法可以包括以下步骤:
步骤101,根据目标商品的销售信息,预测目标商品在当前调度周期内的待完成销量。
举例来说,要预测当前时刻之后一段时间内目标商品的销量,可以先获取目标商品的销售信息。销售信息例如可以包括目标商品的历史销量,和目标商品在当前调度周期内的已完成销量。具体的,目标商品的销量是随着时间的推移连续增长的数据,可以先将目标商品的销量按照预设的调度周期进行划分,然后按照当前时刻,将目标商品的销量划分为当前时刻所属的当前调度周期内的销量,和当前调度周期之前的销量。当前调度周期内的销量,即为已完成销量。可以将已完成销量理解为,当前调度周期内截止到当前时刻产生的销量。当前调度周期之前的销量,包括了当前调度周期之前的多个调度周期的销量,可以将当前调度周期之前的预设数量(例如可以是7)个调度周期的销量的平均值(或者标准差)作为历史销量,也可以直接将当前调度周期之前的预设数量个调度周期的销量组合为一个向量,以作为历史销量,还可以直接将当前调度周期之前的上一个调度周期的销量,作为历史销量。也就是说,历史销量反映的是,当前调度周期之前,一个调度周期内产生的销量。例如,预设周期为一天,当前时刻为上午10:00,那么历史销量可以为之前一周内每天的销量的平均值,已完成销量为当天上午0:00至10:00已产生的销量。销售信息还可以包括:目标商品的促销信息、目标商品的推广转化率、目标商品的推广投放率等能够影响销量的数据,本公开对此不作具体限定。
之后,可以根据历史销量和已完成销量,来预测目标商品在当前调度周期内的待完成销量。待完成销量,可以理解为当前调度周期内从当前时刻,至当前调度周期结束时将要产生的销量。同样以预设周期为一天,当前时刻为上午10:00来举例,那么待完成销量即为当前上午10:00至晚上24:00将要产生的销量。例如,可以利用预先训练的销量预测模型来预测待完成销量,也可以利用预先根据大量样本数据拟合得到的预测函数来预测待完成销量,还可以利用预先根据大量样本数据统计得到的预测关系表格来预测待完成销量,本公开对此不作具体限定。
步骤102,根据目标商品的属性信息,预测目标商品的单件体积。
示例的,要为目标商品分配物流资源,除了待完成销量之外,还需要考虑每一个目标商品需要占用的体积,即目标商品的单件体积。可以先获取目标商品的属性信息,属性信息例如可以包括目标商品的规格和重量,其中,规格可以理解为用于描述目标商品尺寸的参数,以目标商品为鞋来举例,那么规格可以为鞋的尺码,再比如目标商品为电视,那么规格可以为电视的长、宽、高。之后,可以根据目标商品的规格和重量,来预测目标商品的单件体积。例如,可以利用预先训练的体积预测模型来预测单件体积,也可以利用预先根据大量样本数据拟合得到的预测函数来预测单件体积,还可以利用预先根据大量样本数据统计得到的预测关系表格来预测单件体积,本公开对此不作具体限定。需要说明的是,图1所示的步骤101和步骤102的执行顺序仅用于举例说明,本公开对此不作具体限定,即可以先预测待完成销量,再预测单件体积,也可以先预测单件体积,再预测待完成销量,还可以同时预测待完成销量单件体积。
步骤103,根据待完成销量和单件体积,确定目标商品的总体积。
步骤104,为目标商品分配与总体积匹配的物流资源,物流资源包括:仓储资源,和/或运输资源。
示例的,可以根据待完成销量和单件体积之后,确定目标商品的总体积。总体积可以理解为,待完成销量个目标商品需要占用的体积。例如,可以将待完成销量与单件体积的乘积作为总体积。之后,可以按照总体积,为目标商品分配相应的物流资源,使得物流资源能够与总体积匹配。物流资源可以包括仓储资源,和/或运输资源。物流资源与总体积匹配,可以理解为,物流资源所能提供的空间大于或等于总体积,即待完成销量个目标商品可以存储在相应的仓储资源中,或者待完成销量个目标商品可以通过相应的运输资源进行运输。若物流资源所能提供的空间小于总体积,则说明与总体积不匹配。进一步的,物流资源与总体积匹配,还可以包括物流资源所能提供的容器(包括:仓库容器或者车辆容器),包括目标商品对应的装载容器,且容积大于或等于总体积。物流资源与总体积匹配,还可以包括物流资源所能提供的管理人员(包括仓库人员或者车辆人员),能够管理的空间大于或等于总体积。
需要说明的是,上述目标商品可以是一种,也可以是多种,在目标商品为多种的场景中,可以针对每种目标商品执行上述步骤101-步骤104,也可以针对每种目标商品执行上述步骤101-步骤103,并在步骤104中,为所有的目标商品共同分配物流资源。其中,一种目标商品,可以理解为同一个品类的商品,本公开对品类的划分粒度不作具体限定,例如,按照较粗的划分粒度,目标商品可以是:蔬菜、水果、饮料、牛奶等,按照较细的划分粒度,目标商品也可以是:卷心菜、黄瓜、西红柿、土豆等。这样,分别根据销售信息和属性信息来预测目标商品的待完成销量和单件体积,以确定目标商品的总体积,从而为目标商品自动分配相应的物流资源,无需人工调度,能够有效提高物流资源分配的准确度和效率。
综上所述,本公开首先根据目标商品的销售信息来预测目标商品在当前调度周期内的待完成销量,并根据目标商品的属性信息来预测目标商品的单件体积。之后,根据待完成销量和单件体积,确定目标商品的总体积,最后为目标商品分配与总体积匹配的物流资源,物流资源包括:仓储资源、运输资源中的至少一种。本公开能够利用目标商品的相关信息来预测目标商品的总体积,从而为目标商品自动分配相应的物流资源,能够提高物流资源分配的准确度和效率。
在一种应用场景中,销售信息包括:目标商品的历史销量、目标商品在当前调度周期内的已完成销量、目标商品的推广转化率。步骤101的实现方式可以为:
将历史销量、已完成销量和推广转化率,输入预先训练的销量预测模型,以得到销量预测模型输出的待完成销量。
在另一种应用场景中,属性信息包括:目标商品的规格和重量,关联商品的体积数据,关联商品与目标商品存在关联,关联商品的体积数据用于表征关联商品的体积的统计值。步骤102的实现方式可以为:
将目标商品的规格、重量,和关联商品的体积数据,输入预先训练的体积预测模型,以得到体积预测模型输出的单件体积。
示例的,销售信息中可以包括目标商品的历史销量、目标商品在当前调度周期内的已完成销量,还可以包括目标商品的推广转化率,推广转化率可以为目标商品的分享次数、目标商品的点击次数等。这样,可以将历史销量、已完成销量和推广转化率,作为预先训练的销售预测模型的输入,以得到销量预测模型输出的待完成销量。其中,销量预测模型,可以是预先根据大量的训练样本训练得到的,能够根据商品的销售信息预测出该商品在当前调度周期内的待完成销量。销量预测模型的结构可以是RNN(英文:Recurrent NeuralNetwork,中文:循环神经网络)、CNN(英文:Convolutional Neural Networks,中文:卷积神经网络)、LSTM(英文:Long Short-Term Memory,中文:长短期记忆网络)等神经网络,也可以是:随机森林(英文:Random Forest,缩写:RF),Adaboost模型,XGboost模型等,本公开对此不作具体限定。具体的,可以将历史销量、已完成销量和推广转化率拼接为一个组合向量,并将组合向量输入销量预测模型。
进一步的,属性信息中可以包括目标商品的规格、重量,还可以包括关联商品的体积数据,其中,关联商品与目标商品存在关联,例如,关联商品与目标商品同属于一个商品类别,或者关联商品与目标商品的条形码相同,再或者关联商品的规格和重量,与目标商品的规格和重量相似。关联商品可以是一种,也可以是多种,相应的,关联商品的体积数据,用于表征关联商品的体积的统计值,例如可以是关联商品的体积均值、体积标准差、体积中位数中的至少一种。属性信息还可以包括其他能够影响体积的数据,本公开对此不作具体限定。可以将目标商品的规格、重量,和关联商品的体积数据,作为预先训练的体积预测模型的输入,以得到体积预测模型输出的单件体积。其中,体积预测模型,可以是预先根据大量的训练样本训练得到的,能够根据商品的属性信息预测出该商品的单件体积。体积预测模型的结构可以是RNN、CNN、LSTM等神经网络,也可以是:随机森林,Adaboost模型,XGboost模型等,本公开对此不作具体限定。具体的,可以将目标商品的规格、重量,和关联商品的体积数据拼接为一个组合向量,并将组合向量输入体积预测模型。
图2是根据一示例性实施例示出的另一种物流资源的分配方法的流程图,如图2所示,在步骤103之后,该方法还可以包括:
步骤105,根据目标商品对应的装载容器,确定装载冗余系数,并根据装载冗余系数对总体积进行修正。
相应的,步骤104的实现方式可以为:
为目标商品分配与修正后的总体积匹配的物流资源。
举例来说,通常情况下,目标商品的储存或者运输,都需要将目标商品装载在对应的装载容器中,装载容器例如可以是保温箱、橡胶筐、泡沫箱、纸箱等。不同的装载容器对应不同的装载冗余系数,相应的,使用装载容器来装载目标商品,也会对总体积产生影响。例如,装载容器本身也需要占用一定的体积,再比如,装载容器内需要留有一定的冗余空间,以避免目标商品之间的挤压损伤等。因此,需要利用装载冗余系数对总体积进行修正,以确定使用装载容器来装载待完成销量个目标商品需要占用的总体积。装载冗余系数可以理解为,使用一个装载容器装载多个目标商品所占的体积,与多个目标商品本身的体积之间的比值,装载冗余系数大于或等于1。在对总体积进行修正之后,可以按照修正后的总体积,为目标商品分配物流资源,使得物流资源能够与修正后的总体积匹配。
图3是根据一示例性实施例示出的另一种物流资源的分配方法的流程图,如图3所示,步骤105可以通过以下步骤来实现:
步骤1051,根据目标商品对应的装载容器的容器厚度和空置比例,确定装载冗余系数。
步骤1052,将总体积与装载冗余系数的乘积,作为修正后的总体积。
示例的,可以先根据目标商品对应的装载容器的容器厚度和空置比例,确定装载冗余系数。其中,装载容器的容器厚度,可以根据装载容器的规格来确定,反映了装载容器本身需要占用的体积,与装在容器的容积之间的关系。装载容器的空置比例,可以根据不同的目标商品的装载要求来确定,反映了装载容器内需要预留的空间的大小。可以根据容器厚度和空置比例,计算得到装载冗余系数,装载冗余系数与容器厚度正相关,装载冗余系数与空置比例正相关。例如,某种装载容器的容积为1m3,厚度为2cm,空置比例为0(即装载容器不需要预留空间),即使用一个装载容器装载多个目标商品所占的体积为1.061208m3,多个目标商品本身的体积为1m3,那么对应的装载冗余系数为:1.06。再比如,某种装载容器的容积为1m3,厚度可以忽略不计,空置比例为5%,那么对应的装载冗余系数为1.05。或者,某种装载容器的容积为1m3,厚度为2cm,空置比例为5%,那么对应的装载冗余系数为1.12。
在确定装载冗余系数之后,可以将总体积与装载冗余系数的乘积,作为修正后的总体积。例如,总体积为95m3,装载冗余系数为1.12,那么修正后的总体积为106.4m3。
针对不同的应用场景,步骤104可以通过不同的方式来实现:
场景一,目标商品为多种,且每种目标商品的目的地均属于指定区域,可以理解为目标商品为指定区域内的大量用户经常购买的多种商品。指定区域内可以配备有一个或多个仓库,用于存储多种目标商品。
相应的,步骤104的实现方式为:
根据每种目标商品的总体积,确定仓储体积,并在指定区域内为多种目标商品分配与仓储体积匹配的仓储资源。
示例的,调度场站可以先根据步骤101确定的每种目标商品的待完成销量,从供货商订购每种目标商品,再结合步骤102确定的每种目标商品的单件体积,确定每种目标商品的总体积。之后,根据每种目标商品的总体积,确定仓储体积,仓储体积可以理解为要存储全部的目标商品所需要的仓库空间的大小。一种实现方式中,可以将每种目标商品的总体积的和,作为仓储体积。另一种实现方式中,也可以在每种目标商品的总体积的和的基础上,增加一个冗余体积(例如:1m3),作为仓储体积。确定仓储体积之后,可以在指定区域内配备的一个或多个仓库中,为多种目标商品分配与仓储体积匹配的仓储资源。
场景二,目标商品为多种,且每种目标商品的配送路线均重叠,可以理解为目标商品为同一条配送路线上的大量用户经常购买的多种商品。任意两种目标商品的配送路线重叠,可以理解为该两种目标商品的配送路线相同,也可以理解为该两种目标商品的配送路线存在相交的部分,本公开对此不作具体限定。例如,目标商品可以是指定区域内某个小区的用户经常购买的商品,那么每种目标商品的配送路线,均为从指定区域内的仓库至该小区。
相应的,步骤104的实现方式为:
根据每种目标商品的总体积,确定运输体积,并按照配送路线为多种目标商品分配与运输体积匹配的运输资源。
示例的,调度场站可以先根据步骤101确定的每种目标商品的待完成销量,再结合步骤102确定的每种目标商品的单件体积,确定每种目标商品的总体积。然后,根据每种目标商品的总体积,确定运输体积,运输体积可以理解为要运输全部的目标商品所需要的车辆空间的大小。一种实现方式中,可以将每种目标商品的总体积的和,作为运输体积。另一种实现方式中,也可以在每种目标商品的总体积的和的基础上,增加一个冗余体积(例如:1m3),作为运输体积。确定运输体积之后,可以为多种目标商品分配与运输体积匹配的运输资源,并按照配送路线设置相应的运输资源。
图4是根据一示例性实施例示出的一种训练销量预测模型的流程图,如图4所示,销量预测模型是通过如下方式训练得到的:
步骤A,根据样本商品在抽取时刻之前的预设数量个调度周期内的销量,确定样本商品的样本历史销量。
步骤B,根据样本商品在样本调度周期内的销量,确定样本商品的第一销量和第二销量,样本调度周期为抽取时刻所在的调度周期,第一销量为抽取时刻之前的销量,第二销量为抽取时刻之后的销量。
步骤C,将样本历史销量、第一销量和样本商品的推广转化率,作为销量预测模型的输入,将第二销量作为销量预测模型的输出,以训练销量预测模型。
举例来说,要对销量预测模型进行训练,首先需要获取样本输入集和对应的样本输出集。样本输入集中包括大量的样本输入,样本输出集中包括与每个样本输入对应的样本输出。具体的,可以预先选择多种样本商品和多个抽取时刻,并按照样本商品、抽取时刻两个维度获取样本输入。以下针对任一种样本商品在任一个抽取时刻为例,对样本输入和样本输出的获取方式进行说明:
首先获取样本商品在抽取时刻之前的预设数量个调度周期内的销量,确定样本商品的样本历史销量。例如,可以将样本商品在抽取时刻之前的预设数量个调度周期内的销量的平均值(或者标准差)作为样本历史销量,也可以直接将抽取时刻之前的预设数量个调度周期内的销量组合为一个向量,以作为样本历史销量,还可以直接将抽取时刻之前的上一个调度周期的销量,作为样本历史销量。也就是说,样本历史销量反映的是,抽取时刻之前,一个调度周期内样本商品产生的销量。之后,根据样本商品在抽取时刻所在的样本调度周期内的销量,确定样本商品的第一销量和第二销量,第一销量为抽取时刻之前的销量,第二销量为抽取时刻之后的销量。也就是说,将样本商品在样本调度周期内的销量,按照抽取时刻之前、抽取时刻之后,划分为第一销量和第二销量(第一销量与第二销量的和,即为样本商品在样本调度周期内的销量)。这样,可以将样本历史销量、第一销量和样本商品的推广转化率,作为样本商品在抽取时刻对应的样本输入,相应的,将第二销量作为样本商品在抽取时刻对应的样本输出。其中,样本商品的推广转化率可以为样本商品的分享次数、样本商品的点击次数等。
之后,可以将样本历史销量、第一销量和样本商品的推广转化率作为销量预测模型的输入,并根据销量预测模型的输出和第二销量,训练销量预测模型。例如,可以根据销量预测模型的输出和第二销量的差(或者均方差),作为销量预测模型的损失函数,以降低损失函数为目标,利用反向传播算法来修正销量预测模型中的神经元的参数,神经元的参数例如可以是神经元的权重(英文:Weight)和偏置量(英文:Bias)。重复上述步骤,直至损失函数满足预设条件,例如损失函数小于预设的损失阈值。
图5是根据一示例性实施例示出的一种训练体积预测模型的流程图,如图5所示,体积预测模型是通过如下方式训练得到的:
步骤D,获取样本商品的规格、重量和体积。
步骤E,确定与样本商品存在关联的样本关联商品,并根据样本关联商品的体积,确定样本关联商品的体积数据,样本关联商品的体积数据用于表征样本关联商品的体积的统计值。
步骤F,将样本商品的规格、重量,和样本关联商品的体积数据作为体积预测模型的输入,将样本商品的体积作为体积预测模型的输出,以训练体积预测模型。
举例来说,要对体积预测模型进行训练,首先需要获取样本输入集和对应的样本输出集。样本输入集中包括大量的样本输入,样本输出集中包括与每个样本输入对应的样本输出。具体的,可以预先选择多种样本商品,并获取每种样本商品的规格、重量和体积。之后,再确定与样本商品存在关联的样本关联商品,例如,样本关联商品可以与样本商品同属于一个商品类别,或者样本关联商品与样本商品的条形码相同,再或者样本关联商品的规格和重量,与样本商品的规格和重量相似。样本关联商品可以是一种,也可以是多种。之后,可以根据样本关联商品的体积,确定样本关联商品的体积数据,样本关联商品的体积数据用于表征样本关联商品的体积的统计值,例如可以是样本关联商品的体积均值、体积标准差、体积中位数中的至少一种。这样,可以将样本商品的规格、重量,和样本关联商品的体积数据,作为样本商品对应的样本输入,相应的,将样本商品的体积作为样本商品对应的样本输出。
之后,可以将样本商品的规格、重量,和样本关联商品的体积数据作为体积预测模型的输入,并根据体积预测模型的输出和样本商品的体积,训练体积预测模型。例如,可以根据体积预测模型的输出和样本商品的体积的差(或者均方差),作为体积预测模型的损失函数,以降低损失函数为目标,利用反向传播算法来修正销量预测模型中的神经元的参数,神经元的参数例如可以是神经元的权重和偏置量。重复上述步骤,直至损失函数满足预设条件,例如损失函数小于预设的损失阈值。
综上所述,本公开首先根据目标商品的销售信息来预测目标商品在当前调度周期内的待完成销量,并根据目标商品的属性信息来预测目标商品的单件体积。之后,根据待完成销量和单件体积,确定目标商品的总体积,最后为目标商品分配与总体积匹配的物流资源,物流资源包括:仓储资源、运输资源中的至少一种。本公开能够利用目标商品的相关信息来预测目标商品的总体积,从而为目标商品自动分配相应的物流资源,能够提高物流资源分配的准确度和效率。
图6是根据一示例性实施例示出的一种物流资源的分配装置的框图,如图6所示,该装置200包括:
第一预测模块201,用于根据目标商品的销售信息,预测目标商品在当前调度周期内的待完成销量。
第二预测模块202,用于根据目标商品的属性信息,预测目标商品的单件体积。
确定模块203,用于根据待完成销量和单件体积,确定目标商品的总体积。
分配模块204,用于为目标商品分配与总体积匹配的物流资源,物流资源包括:仓储资源,和/或运输资源。
在一种应用场景中,销售信息包括:目标商品的历史销量、目标商品在当前调度周期内的已完成销量、目标商品的推广转化率。第一预测模块201可以用于:
将历史销量、已完成销量和推广转化率,输入预先训练的销量预测模型,以得到销量预测模型输出的待完成销量。
属性信息包括:目标商品的规格和重量,关联商品的体积数据,关联商品与目标商品存在关联,关联商品的体积数据用于表征关联商品的体积的统计值。第二预测模块202可以用于:
将目标商品的规格、重量,和关联商品的体积数据,输入预先训练的体积预测模型,以得到体积预测模型输出的单件体积。
图7是根据一示例性实施例示出的另一种物流资源的分配装置的框图,如图7所示,该装置200还可以包括:
修正模块205,用于在根据待完成销量和单件体积,确定目标商品的总体积之后,根据目标商品对应的装载容器,确定装载冗余系数,并根据装载冗余系数对总体积进行修正。
相应的,分配模块204可以用于:
为目标商品分配与修正后的总体积匹配的物流资源。
图8是根据一示例性实施例示出的另一种物流资源的分配装置的框图,如图8所示,修正模块205可以包括:
确定子模块2051,用于根据目标商品对应的装载容器的容器厚度和空置比例,确定装载冗余系数。
修正子模块2052,用于将总体积与装载冗余系数的乘积,作为修正后的总体积。
在一种应用场景中,分配模块204可以用于:
若目标商品为多种,且每种目标商品的目的地均属于指定区域,根据每种目标商品的总体积,确定仓储体积,并在指定区域内为多种目标商品分配与仓储体积匹配的仓储资源。
若目标商品为多种,且每种目标商品的配送路线均重叠,根据每种目标商品的总体积,确定运输体积,并按照配送路线为多种目标商品分配与运输体积匹配的运输资源。
在一种实现方式中,销量预测模型是通过如下方式训练得到的:
步骤A,根据样本商品在抽取时刻之前的预设数量个调度周期内的销量,确定样本商品的样本历史销量。
步骤B,根据样本商品在样本调度周期内的销量,确定样本商品的第一销量和第二销量,样本调度周期为抽取时刻所在的调度周期,第一销量为抽取时刻之前的销量,第二销量为抽取时刻之后的销量。
步骤C,将样本历史销量、第一销量和样本商品的推广转化率,作为销量预测模型的输入,将第二销量作为销量预测模型的输出,以训练销量预测模型。
在另一种实现方式中,体积预测模型是通过如下方式训练得到的:
步骤D,获取样本商品的规格、重量和体积。
步骤E,确定与样本商品存在关联的样本关联商品,并根据样本关联商品的体积,确定样本关联商品的体积数据,样本关联商品的体积数据用于表征样本关联商品的体积的统计值。
步骤F,将样本商品的规格、重量,和样本关联商品的体积数据作为体积预测模型的输入,将样本商品的体积作为体积预测模型的输出,以训练体积预测模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,本公开首先根据目标商品的销售信息来预测目标商品在当前调度周期内的待完成销量,并根据目标商品的属性信息来预测目标商品的单件体积。之后,根据待完成销量和单件体积,确定目标商品的总体积,最后为目标商品分配与总体积匹配的物流资源,物流资源包括:仓储资源、运输资源中的至少一种。本公开能够利用目标商品的相关信息来预测目标商品的总体积,从而为目标商品自动分配相应的物流资源,能够提高物流资源分配的准确度和效率。
图9是根据一示例性实施例示出的一种电子设备300的框图。如图9所示,该电子设备300可以包括:处理器301,存储器302。该电子设备300还可以包括多媒体组件303,输入/输出(I/O)接口304,以及通信组件305中的一者或多者。
其中,处理器301用于控制该电子设备300的整体操作,以完成上述的物流资源的分配方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作,这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口304为处理器301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件305可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备300可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的物流资源的分配方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的物流资源的分配方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器302,上述程序指令可由电子设备300的处理器301执行以完成上述的物流资源的分配方法。
图10是根据一示例性实施例示出的一种电子设备400的框图。例如,电子设备400可以被提供为一服务器。参照图10,电子设备400包括处理器422,其数量可以为一个或多个,以及存储器432,用于存储可由处理器422执行的计算机程序。存储器432中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器422可以被配置为执行该计算机程序,以执行上述的物流资源的分配方法。
另外,电子设备400还可以包括电源组件426和通信组件450,该电源组件426可以被配置为执行电子设备400的电源管理,该通信组件450可以被配置为实现电子设备400的通信,例如,有线或无线通信。此外,该电子设备400还可以包括输入/输出(I/O)接口458。电子设备400可以操作基于存储在存储器432的操作***,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的物流资源的分配方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器432,上述程序指令可由电子设备400的处理器422执行以完成上述的物流资源的分配方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的物流资源的分配方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,本领域技术人员在考虑说明书及实践本公开后,容易想到本公开的其它实施方案,均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。同时本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。本公开并不局限于上面已经描述出的精确结构,本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种物流资源的分配方法,其特征在于,所述方法包括:
根据目标商品的销售信息,预测所述目标商品在当前调度周期内的待完成销量;
根据所述目标商品的属性信息,预测所述目标商品的单件体积;
根据所述待完成销量和所述单件体积,确定所述目标商品的总体积;
为所述目标商品分配与所述总体积匹配的物流资源,所述物流资源包括:仓储资源,和/或运输资源。
2.根据权利要求1所述的方法,其特征在于,所述销售信息包括:所述目标商品的历史销量、所述目标商品在所述当前调度周期内的已完成销量、所述目标商品的推广转化率;所述根据目标商品的销售信息,预测所述目标商品在当前调度周期内的待完成销量,包括:
将所述历史销量、所述已完成销量和所述推广转化率,输入预先训练的销量预测模型,以得到所述销量预测模型输出的所述待完成销量;
所述属性信息包括:所述目标商品的规格和重量,关联商品的体积数据,所述关联商品与所述目标商品存在关联,所述关联商品的体积数据用于表征所述关联商品的体积的统计值;所述根据所述目标商品的属性信息,预测所述目标商品的单件体积,包括:
将所述目标商品的规格、重量,和所述关联商品的体积数据,输入预先训练的体积预测模型,以得到所述体积预测模型输出的所述单件体积。
3.根据权利要求1所述的方法,其特征在于,在所述根据所述待完成销量和所述单件体积,确定所述目标商品的总体积之后,所述方法还包括:
根据所述目标商品对应的装载容器,确定装载冗余系数,并根据所述装载冗余系数对所述总体积进行修正;
所述为所述目标商品分配与所述总体积匹配的物流资源,包括:
为所述目标商品分配与修正后的所述总体积匹配的所述物流资源。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标商品对应的装载容器,确定装载冗余系数,并根据所述装载冗余系数对所述总体积进行修正,包括:
根据所述目标商品对应的装载容器的容器厚度和空置比例,确定所述装载冗余系数;
将所述总体积与所述装载冗余系数的乘积,作为修正后的所述总体积。
5.根据权利要求1所述的方法,其特征在于,若所述目标商品为多种,且每种所述目标商品的目的地均属于指定区域,所述为所述目标商品分配与所述总体积匹配的物流资源,包括:
根据每种所述目标商品的所述总体积,确定仓储体积,并在所述指定区域内为多种所述目标商品分配与所述仓储体积匹配的仓储资源;
若所述目标商品为多种,且每种所述目标商品的配送路线均重叠,所述为所述目标商品分配与所述总体积匹配的物流资源,包括:
根据每种所述目标商品的所述总体积,确定运输体积,并按照所述配送路线为多种所述目标商品分配与所述运输体积匹配的运输资源。
6.根据权利要求2所述的方法,其特征在于,所述销量预测模型是通过如下方式训练得到的:
根据样本商品在抽取时刻之前的预设数量个调度周期内的销量,确定所述样本商品的样本历史销量;
根据样本商品在样本调度周期内的销量,确定所述样本商品的第一销量和第二销量,所述样本调度周期为所述抽取时刻所在的调度周期,所述第一销量为所述抽取时刻之前的销量,所述第二销量为所述抽取时刻之后的销量;
将所述样本历史销量、所述第一销量和所述样本商品的推广转化率,作为所述销量预测模型的输入,将所述第二销量作为所述销量预测模型的输出,以训练所述销量预测模型。
7.根据权利要求2所述的方法,其特征在于,所述体积预测模型是通过如下方式训练得到的:
获取样本商品的规格、重量和体积;
确定与所述样本商品存在关联的样本关联商品,并根据所述样本关联商品的体积,确定所述样本关联商品的体积数据,所述样本关联商品的体积数据用于表征所述样本关联商品的体积的统计值;
将所述样本商品的规格、重量,和所述样本关联商品的体积数据作为所述体积预测模型的输入,将所述样本商品的体积作为所述体积预测模型的输出,以训练所述体积预测模型。
8.一种物流资源的分配装置,其特征在于,所述装置包括:
第一预测模块,用于根据目标商品的销售信息,预测所述目标商品在当前调度周期内的待完成销量;
第二预测模块,用于根据所述目标商品的属性信息,预测所述目标商品的单件体积;
确定模块,用于根据所述待完成销量和所述单件体积,确定所述目标商品的总体积;
分配模块,用于为所述目标商品分配与所述总体积匹配的物流资源,所述物流资源包括:仓储资源,和/或运输资源。
9.一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,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610033.8A CN113298401A (zh) | 2021-06-01 | 2021-06-01 | 物流资源的分配方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610033.8A CN113298401A (zh) | 2021-06-01 | 2021-06-01 | 物流资源的分配方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298401A true CN113298401A (zh) | 2021-08-24 |
Family
ID=77326769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110610033.8A Pending CN113298401A (zh) | 2021-06-01 | 2021-06-01 | 物流资源的分配方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298401A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643080A (zh) * | 2021-10-14 | 2021-11-12 | 南通腾宇环保设备有限公司 | 一种密封制品的营销对象匹配方法及*** |
-
2021
- 2021-06-01 CN CN202110610033.8A patent/CN113298401A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643080A (zh) * | 2021-10-14 | 2021-11-12 | 南通腾宇环保设备有限公司 | 一种密封制品的营销对象匹配方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10839338B2 (en) | Order sourcing with asynchronous communication and using optimization for large sourcing networks | |
US10636008B2 (en) | Data processing system and method | |
CN110414731B (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
US11715147B2 (en) | Online platform for processing merchandise shipping | |
US10360522B1 (en) | Updating a forecast based on real-time data associated with an item | |
CN113298401A (zh) | 物流资源的分配方法、装置、存储介质和电子设备 | |
CN107977876A (zh) | 用于处理订单信息的方法及装置 | |
US20190026686A1 (en) | System for customized unrequested item resolution | |
CN113506068A (zh) | 一种出入库方法、装置、存储介质及电子设备 | |
US11843549B1 (en) | Automated resource prioritization using artificial intelligence techniques | |
CN111105176B (zh) | 数据处理方法、装置、设备和存储介质 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN115115313A (zh) | 一种订单时效管理方法和装置 | |
CN116933908A (zh) | 一种计算机任务处理方法及其相关设备 | |
CN114399239A (zh) | 异常物流的处理方法和***、电子设备及计算机可读存储介质 | |
US20200184387A1 (en) | Platform using swappable policies to simulate and perform warehouse processes | |
CN111062661A (zh) | 一种基于销量预测的库容分配方法及装置 | |
CN112053106A (zh) | 一种管理物品出库的方法及装置 | |
CN114897457B (zh) | 基于订单的仓库信息处理方法、设备和可读介质 | |
US20240152823A1 (en) | Logistics provider recommendation using machine learning | |
US11501114B2 (en) | Generating model insights by progressive partitioning of log data across a set of performance indicators | |
US20200334619A1 (en) | Platform using instruction engine to simulate and perform warehouse processes | |
CN113077072B (zh) | 货量预测的方法和装置 | |
US20230259872A1 (en) | Cognitive route planning using metric-based combinatorial evaluation techniques | |
CN110930088B (zh) | 数据处理方法和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220628 Address after: 200090 Room 102, block D2 (Building 8), No. 221, Huangxing Road, Yangpu District, Shanghai Applicant after: HANHAI INFORMATION TECHNOLOGY SHANGHAI Co.,Ltd. Address before: 2106-030, No.9, Beisihuan West Road, Haidian District, Beijing 100190 Applicant before: BEIJING SANKUAI ONLINE TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right |