CN113592407B - 一种商品售卖及配送方法和*** - Google Patents
一种商品售卖及配送方法和*** Download PDFInfo
- Publication number
- CN113592407B CN113592407B CN202110912777.5A CN202110912777A CN113592407B CN 113592407 B CN113592407 B CN 113592407B CN 202110912777 A CN202110912777 A CN 202110912777A CN 113592407 B CN113592407 B CN 113592407B
- Authority
- CN
- China
- Prior art keywords
- interest
- commodity
- distribution
- preset
- equipment
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012946 outsourcing Methods 0.000 claims description 90
- 238000011156 evaluation Methods 0.000 claims description 60
- 238000000605 extraction Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000003111 delayed effect Effects 0.000 abstract description 12
- 238000005057 refrigeration Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 12
- 230000007774 longterm Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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]
- G06Q30/0639—Item locations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种商品售卖及配送方法和***,其中,方法包括:步骤S1:获取用户在线下单的订单信息;步骤S2:基于订单信息,生成配送任务;步骤S3:基于预设的配送设备库,下发配送任务至适宜的配送设备;步骤S4:监测配送设备的配送状态,若发生异常,进行救援。本发明的商品售卖及配送方法和***,当无人配送小车发生异常时,对其进行救援,尽可能地不耽误送货,解决了无人配送小车发生异常会严重耽误送货的问题。
Description
技术领域
本发明涉及商品售卖技术领域,特别涉及一种商品售卖及配送方法和***。
背景技术
目前,用户通过外卖平台等下单商品时,多使用人工配送的方式,但是,人工配送不能满足一些特殊的使用情景【例如:疫情外卖配送存在风险、暴雨天气人工配送速度较慢等】,需使用无人配送的方法,例如:无人驾驶的配送小车,但是,由于无人驾驶技术存在不足、道路情况复杂等问题,配送小车在配送途中,可能会发生异常【例如:与私家车发生碰撞等】,这样就会严重耽误送货;
因此,亟需一种解决办法。
发明内容
本发明目的之一在于提供了一种商品售卖及配送方法和***,当无人配送小车发生异常时,对其进行救援,尽可能地不耽误送货,解决了无人配送小车发生异常会严重耽误送货的问题。
本发明实施例提供的一种商品售卖及配送方法,包括:
步骤S1:获取用户在线下单的订单信息;
步骤S2:基于订单信息,生成配送任务;
步骤S3:基于预设的配送设备库,下发配送任务至适宜的配送设备;
步骤S4:监测配送设备的配送状态,若发生异常,进行救援。
优选的,步骤S2:基于订单信息,生成配送任务,包括:
提取订单信息中的下单时间、第一商品、商家、送货地和送货时间;
获取预设的取货时间估测模型,将下单时间和第一商品输入取货时间估测模型,由取货时间估测模型估测出取货时间;
获取商家的商家地址,并作为取货地;
将取货地、取货时间、送货地和送货时间进行组合,获得配送任务。
优选的,步骤S3:基于预设的配送设备库,下发配送任务至适宜的配送设备,包括:
提取配送设备库中的多个第一设备信息项,第一设备信息项包括:第一设备代号、设备位置、在途配送任务、剩余配送任务和业务能力;
获取预设的配送任务分配模型,将配送任务和多个第一设备信息项输入配送任务分配模型,由配送任务分配模型确定分配目标,分配目标包括:第二设备代号;
下发配送任务至第二设备代号对应的配送设备。
优选的,商品售卖及配送方法,还包括:
步骤S5:建立取货设备库,基于取货设备库,安排适宜的取货设备为用户代取商品;
其中,建立取货设备库,包括:
获取预设的外包集,外包集包括:多个第一外包;
基于预设的评价库,确定第一外包的多个评价项,评价项包括:评价人、至少一个评价内容和附加内容;
基于语义理解技术,将评价内容拆分成多个第一语义;
基于预设的正向考证库,确定第一语义对应的至少一个正向考证项,正向考证项包括:第一提取目标和第一考证方式;
提取附加内容中第一提取目标对应的第一待考证内容,基于第一考证方式,对第一待考证内容进行正向考证,获取正向考证值;
基于预设的反向考证库,确定第一语义对应的至少一个反向考证项,反向考证项包括:第二提取目标和第二考证方式;
提取附加内容中第二提取目标对应的第二待考证内容,基于第二考证方式,对第二待考证内容进行反向考证,获取反向考证值;
若正向考证值小于等于预设的第一阈值和/或反向考证值小于等于预设的第二阈值,从评价内容中剔除对应第一语义,否则,将对应第一语义作为第二语义;
基于预设的第一得分库,确定第二语义对应的第一得分,并与对应评价项进行关联;
汇总各评价项关联的第一得分,获得第一得分和,并与对应第一外包关联;
基于预设的服务诉求库,确定第二语义对应的第一服务诉求;
确定第一服务诉求的数量,将第一服务诉求基于数量从大到小进行排序,获得服务诉求序列;
选取服务诉求序列中前n个第一服务诉求,并作为第二服务诉求;
基于预设的合约库,确定第一外包对应的合约;
提取合约上的多个承诺条款项,承诺条款项包括:承诺内容和违约惩罚金额;
基于第二服务诉求,对承诺内容进行符合度分析,获取第一符合度,并与对应承诺条款项进行关联;
基于预设的第二得分库,确定承诺条款项关联的第一符合度和违约惩罚金额共同对应的第二得分;
汇总合约上各承诺条款项的第二得分,获得第二得分和,并与对应第一外包进行关联;
汇总第一外包关联的第一得分和与第二得分和,获得第三得分和;
将第一外包基于第三得分和从大到小进行排序,获得外包序列;
选取外包序列中前N个第一外包,并作为第二外包;
基于预设的设备信息库,确定第二外包对应的多个第二设备信息项;
获取预设的空白数据库,将第二设备信息项存入空白数据库;
当需要存入空白数据库的第二设备信息项均存入后,将空白数据库作为取货设备库,完成建立。
优选的,商品售卖及配送方法,还包括:
构建虚拟商店,用户可以在虚拟商店内进行购物;
其中,构建虚拟商店,包括:
获取预设的商店模型,商店模型包括:入口、出口、购物通道、第一货架和第二货架,入口和出口分别设置于购物通道的两端,第一货架和第二货架分别设置于购物通道的两侧;
获取用户的购物兴趣内容,购物兴趣内容包括:多个第一兴趣商品和对应于第一兴趣商品的兴趣度;
将第一兴趣商品基于兴趣度从大到小进行排序,获得第一兴趣商品序列;
选取第一兴趣商品序列中位于序列首部的第一兴趣商品,并作为第二兴趣商品,同时,选取第一兴趣商品序列中位于序列尾部的第一兴趣商品,并作为第三兴趣商品;
基于预设的商品模型库,确定第二兴趣商品对应的第一商品模型,同时,确定第三兴趣商品对应的第二商品模型;
将第一商品模型和第二商品模型放置于第一货架或第二货架靠近入口的货架空闲商品摆放位置上;
放置完成后,从第一兴趣商品序列中剔除第二兴趣商品和第三兴趣商品,重新选取并进行相应摆放,直至第一兴趣商品序列中无剩余第一兴趣商品;
获取商店的库存商品集,库存商品集包括:多个第一库存商品和对应于第一库存商品的售价和库存量;
若第一库存商品中包含第四兴趣商品,同时,确定商店的商家地址和用户的取货地之间的距离,第四兴趣商品包括:第二兴趣商品或第三兴趣商品;
将第四兴趣商品与对应距离最小的商店、对应售价和库存量进行绑定;
将第一库存商品中除第四兴趣商品之外的第二库存商品随机放置于第一货架和/或第二货架的剩余货架空闲商品摆放位置,同时,将第二库存商品与对应距离最小的商店、对应售价和库存量进行绑定。
本发明实施例提供的一种商品售卖及配送***,包括:
获取模块,用于获取用户在线下单的订单信息;
生成模块,用于基于订单信息,生成配送任务;
下发模块,用于基于预设的配送设备库,下发配送任务至适宜的配送设备;
监测模块,用于监测配送设备的配送状态,若发生异常,进行救援。
优选的,生成模块执行如下操作:
提取订单信息中的下单时间、第一商品、商家、送货地和送货时间;
获取预设的取货时间估测模型,将下单时间和第一商品输入取货时间估测模型,由取货时间估测模型估测出取货时间;
获取商家的商家地址,并作为取货地;
将取货地、取货时间、送货地和送货时间进行组合,获得配送任务。
优选的,下发模块执行如下操作:
提取配送设备库中的多个第一设备信息项,第一设备信息项包括:第一设备代号、设备位置、在途配送任务、剩余配送任务和业务能力;
获取预设的配送任务分配模型,将配送任务和多个第一设备信息项输入配送任务分配模型,由配送任务分配模型确定分配目标,分配目标包括:第二设备代号;
下发配送任务至第二设备代号对应的配送设备。
优选的,商品售卖及配送***,还包括:
安排模块,用于建立取货设备库,基于取货设备库,安排适宜的取货设备为用户代取商品;
安排模块执行如下操作:
获取预设的外包集,外包集包括:多个第一外包;
基于预设的评价库,确定第一外包的多个评价项,评价项包括:评价人、至少一个评价内容和附加内容;
基于语义理解技术,将评价内容拆分成多个第一语义;
基于预设的正向考证库,确定第一语义对应的至少一个正向考证项,正向考证项包括:第一提取目标和第一考证方式;
提取附加内容中第一提取目标对应的第一待考证内容,基于第一考证方式,对第一待考证内容进行正向考证,获取正向考证值;
基于预设的反向考证库,确定第一语义对应的至少一个反向考证项,反向考证项包括:第二提取目标和第二考证方式;
提取附加内容中第二提取目标对应的第二待考证内容,基于第二考证方式,对第二待考证内容进行反向考证,获取反向考证值;
若正向考证值小于等于预设的第一阈值和/或反向考证值小于等于预设的第二阈值,从评价内容中剔除对应第一语义,否则,将对应第一语义作为第二语义;
基于预设的第一得分库,确定第二语义对应的第一得分,并与对应评价项进行关联;
汇总各评价项关联的第一得分,获得第一得分和,并与对应第一外包关联;
基于预设的服务诉求库,确定第二语义对应的第一服务诉求;
确定第一服务诉求的数量,将第一服务诉求基于数量从大到小进行排序,获得服务诉求序列;
选取服务诉求序列中前n个第一服务诉求,并作为第二服务诉求;
基于预设的合约库,确定第一外包对应的合约;
提取合约上的多个承诺条款项,承诺条款项包括:承诺内容和违约惩罚金额;
基于第二服务诉求,对承诺内容进行符合度分析,获取第一符合度,并与对应承诺条款项进行关联;
基于预设的第二得分库,确定承诺条款项关联的第一符合度和违约惩罚金额共同对应的第二得分;
汇总合约上各承诺条款项的第二得分,获得第二得分和,并与对应第一外包进行关联;
汇总第一外包关联的第一得分和与第二得分和,获得第三得分和;
将第一外包基于第三得分和从大到小进行排序,获得外包序列;
选取外包序列中前N个第一外包,并作为第二外包;
基于预设的设备信息库,确定第二外包对应的多个第二设备信息项;
获取预设的空白数据库,将第二设备信息项存入空白数据库;
当需要存入空白数据库的第二设备信息项均存入后,将空白数据库作为取货设备库,完成建立。
优选的,商品售卖及配送***,还包括:
构建模块,用于构建虚拟商店,用户可以在虚拟商店内进行购物;
构建模块执行如下操作:
获取预设的商店模型,商店模型包括:入口、出口、购物通道、第一货架和第二货架,入口和出口分别设置于购物通道的两端,第一货架和第二货架分别设置于购物通道的两侧;
获取用户的购物兴趣内容,购物兴趣内容包括:多个第一兴趣商品和对应于第一兴趣商品的兴趣度;
将第一兴趣商品基于兴趣度从大到小进行排序,获得第一兴趣商品序列;
选取第一兴趣商品序列中位于序列首部的第一兴趣商品,并作为第二兴趣商品,同时,选取第一兴趣商品序列中位于序列尾部的第一兴趣商品,并作为第三兴趣商品;
基于预设的商品模型库,确定第二兴趣商品对应的第一商品模型,同时,确定第三兴趣商品对应的第二商品模型;
将第一商品模型和第二商品模型放置于第一货架或第二货架靠近入口的货架空闲商品摆放位置上;
放置完成后,从第一兴趣商品序列中剔除第二兴趣商品和第三兴趣商品,重新选取并进行相应摆放,直至第一兴趣商品序列中无剩余第一兴趣商品;
获取商店的库存商品集,库存商品集包括:多个第一库存商品和对应于第一库存商品的售价和库存量;
若第一库存商品中包含第四兴趣商品,同时,确定商店的商家地址和用户的取货地之间的距离,第四兴趣商品包括:第二兴趣商品或第三兴趣商品;
将第四兴趣商品与对应距离最小的商店、对应售价和库存量进行绑定;
将第一库存商品中除第四兴趣商品之外的第二库存商品随机放置于第一货架和/或第二货架的剩余货架空闲商品摆放位置,同时,将第二库存商品与对应距离最小的商店、对应售价和库存量进行绑定。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种商品售卖及配送方法的流程图;
图2为本发明实施例中又一商品售卖及配送方法的流程图;
图3为本发明实施例中又一商品售卖及配送***的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种商品售卖及配送方法,如图1所示,包括:
步骤S1:获取用户在线下单的订单信息;
步骤S2:基于订单信息,生成配送任务;
步骤S3:基于预设的配送设备库,下发配送任务至适宜的配送设备;
步骤S4:监测配送设备的配送状态,若发生异常,进行救援。
上述技术方案的工作原理及有益效果为:
预设的配送设备库具体为:一数据库,内存储有大量无人配送设备的状态信息【例如:位置、在途任务等】等;
用户通过操作外卖平台的APP进行在线下单,生成订单信息;基于订单信息,生成待下发的配送任务;基于预设的配送设备库,将该配送任务下发至适宜【例如:距离用户近等】的配送设备;监测配送设备的配送状态,若发生异常,进行救援,例如:配送设备发出侧翻报警,调遣离其最近的救援车辆【由专门的员工驾驶,配备有道路救援设备】对其进行救援,同时,转移其正在进行配送的商品,重新分配给适宜的配送设备;
本发明实施例当无人配送小车发生异常时,对其进行救援,尽可能地不耽误送货,解决了无人配送小车发生异常会严重耽误送货的问题。
本发明实施例提供了一种商品售卖及配送方法,如图2所示,步骤S2:基于订单信息,生成配送任务,包括:
步骤S21:提取订单信息中的下单时间、第一商品、商家、送货地和送货时间;
步骤S22:获取预设的取货时间估测模型,将下单时间和第一商品输入取货时间估测模型,由取货时间估测模型估测出取货时间;
步骤S23:获取商家的商家地址,并作为取货地;
步骤S24:将取货地、取货时间、送货地和送货时间进行组合,获得配送任务。
上述技术方案的工作原理及有益效果为:
预设的取货时间估测模块具体为:利用机器学习算法对大量商家准备不同数量不同类型的商品的时间记录进行学习后生成的模型;
由取货时间估测模块估测取货时间,将取货地、取货时间、送货地和送货时间进行组合,即完成配送任务的生成。
本发明实施例提供了一种商品售卖及配送方法,步骤S3:基于预设的配送设备库,下发配送任务至适宜的配送设备,包括:
提取配送设备库中的多个第一设备信息项,第一设备信息项包括:第一设备代号、设备位置、在途配送任务、剩余配送任务和业务能力;
获取预设的配送任务分配模型,将配送任务和多个第一设备信息项输入配送任务分配模型,由配送任务分配模型确定分配目标,分配目标包括:第二设备代号;
下发配送任务至第二设备代号对应的配送设备。
上述技术方案的工作原理及有益效果为:
预设的配送任务分配模型具体为:利用机器学习算法对大量人工分配记录进行学习后生成的模型;
由配送任务分配模型基于各配送设备的当前位置、在途配送任务、剩余配送任务和业务能力【例如:车速等】,将配送任务分配至适宜的配送设备,十分智能化。
本发明实施例提供了一种商品售卖及配送方法,还包括:
步骤S5:建立取货设备库,基于取货设备库,安排适宜的取货设备为用户代取商品;
其中,建立取货设备库,包括:
获取预设的外包集,外包集包括:多个第一外包;
基于预设的评价库,确定第一外包的多个评价项,评价项包括:评价人、至少一个评价内容和附加内容;
基于语义理解技术,将评价内容拆分成多个第一语义;
基于预设的正向考证库,确定第一语义对应的至少一个正向考证项,正向考证项包括:第一提取目标和第一考证方式;
提取附加内容中第一提取目标对应的第一待考证内容,基于第一考证方式,对第一待考证内容进行正向考证,获取正向考证值;
基于预设的反向考证库,确定第一语义对应的至少一个反向考证项,反向考证项包括:第二提取目标和第二考证方式;
提取附加内容中第二提取目标对应的第二待考证内容,基于第二考证方式,对第二待考证内容进行反向考证,获取反向考证值;
若正向考证值小于等于预设的第一阈值和/或反向考证值小于等于预设的第二阈值,从评价内容中剔除对应第一语义,否则,将对应第一语义作为第二语义;
基于预设的第一得分库,确定第二语义对应的第一得分,并与对应评价项进行关联;
汇总各评价项关联的第一得分,获得第一得分和,并与对应第一外包关联;
基于预设的服务诉求库,确定第二语义对应的第一服务诉求;
确定第一服务诉求的数量,将第一服务诉求基于数量从大到小进行排序,获得服务诉求序列;
选取服务诉求序列中前n个第一服务诉求,并作为第二服务诉求;
基于预设的合约库,确定第一外包对应的合约;
提取合约上的多个承诺条款项,承诺条款项包括:承诺内容和违约惩罚金额;
基于第二服务诉求,对承诺内容进行符合度分析,获取第一符合度,并与对应承诺条款项进行关联;
基于预设的第二得分库,确定承诺条款项关联的第一符合度和违约惩罚金额共同对应的第二得分;
汇总合约上各承诺条款项的第二得分,获得第二得分和,并与对应第一外包进行关联;
汇总第一外包关联的第一得分和与第二得分和,获得第三得分和;
将第一外包基于第三得分和从大到小进行排序,获得外包序列;
选取外包序列中前N个第一外包,并作为第二外包;
基于预设的设备信息库,确定第二外包对应的多个第二设备信息项;
获取预设的空白数据库,将第二设备信息项存入空白数据库;
当需要存入空白数据库的第二设备信息项均存入后,将空白数据库作为取货设备库,完成建立。
上述技术方案的工作原理及有益效果为:
预设的外包集具体为:一集合,包含多个外包【代取设备的所属外包公司】;预设的评价库具体为:一数据库,内存储有不同外包的评价数据【用户对该公司的设备的评价、合作方的评价等】;预设的正向考证库具体为:一数据库,内存储有不同语义对应的正向考证项,正向考证项包含提取目标和考证方式【例如:某语义为“代取设备无制冷箱”,提取目标即为外包公司的设备介绍,考证方式即为设备介绍内是否确切记载设备无制冷箱】预设的反向考证库具体为:一数据库,内存储有不同语义对应的反向考证项,反向考证项包含提取目标和考证方式【例如:某语义为“代取设备无制冷箱”,反向思考用户是否下单过需要制冷的商品,提取目标即为对应的下单记录,考证方式即为考证下单记录内是否有需要制冷的商品】;预设的第一阈值具体为:例如,20;预设的第二阈值具体为:例如,23;预设的第一得分库具体为:一数据库,内存储有不同语义对应的得分;预设的服务诉求库具体为:一数据库,内存储有不同语义对应的服务诉求【例如:某语义为“代取设备无制冷箱”,服务诉求即为需要制冷箱】;预设的合约库具体为:一数据库,内存储有不同外包方上传的合作合约;预设的第二得分库具体为:一数据库,内存储有不同符合度和惩罚金额共同对应的得分,符合度越大、惩罚金额越大,得分越大;预设的设备信息库具体为:一数据库,内存储有不同外包下属的设备信息项【无人代取设备的位置、在途代取任务等】;预设的空白数据库具体为:一数据库,内无内容;
无人配送车大多需要用户自行下楼取货,无法上楼,同时,为了满足一些特殊情景【例如:用户临时有事无法自行取货、疫情期间用户无法下楼自行取货等】,还为了避免配送设备抵达送货点时,由于用户没有及时赶到,产生大量等待时间造成下一配送订单延误的问题,可以设置代取设备【例如:代取机器人,取完商品后送到住户门口】,但是,由于设备成本、管理成本过大,可以与一些代取设备的外包公司合作,即当配送小车抵达用户楼下时,与对应的代取设备对接,由代取设备进行接下来的送货上门;
为了更好地提升服务质量,需要对外包进行筛选;首先,基于各外包的评价进行筛选,但是,某些用户存在恶意评价行为,因此,也得对用户评价的真实性进行验证【正向验证和反向验证】;接着,确定非恶意评价的语义对应的服务诉求,并进行排序,基于外包合约上的条款与服务诉求进一步确定较佳的外包,建立外包设备库;
本发明实施例与代取设备的外包公司合作,更好地为用户提供服务,也避免配送设备抵达送货点时,由于用户没有及时赶到,产生大量等待时间造成下一配送订单延误的问题;对外包进行筛选时,对评价的真实性进行正向和反向验证,十分精细,保证了评价的真实性;筛选出真实的语义对应的服务诉求,基于服务诉求和外包的合约确定适宜的外包。
本发明实施例提供了一种商品售卖及配送方法,还包括:
构建虚拟商店,用户可以在虚拟商店内进行购物;
其中,构建虚拟商店,包括:
获取预设的商店模型,商店模型包括:入口、出口、购物通道、第一货架和第二货架,入口和出口分别设置于购物通道的两端,第一货架和第二货架分别设置于购物通道的两侧;
获取用户的购物兴趣内容,购物兴趣内容包括:多个第一兴趣商品和对应于第一兴趣商品的兴趣度;
将第一兴趣商品基于兴趣度从大到小进行排序,获得第一兴趣商品序列;
选取第一兴趣商品序列中位于序列首部的第一兴趣商品,并作为第二兴趣商品,同时,选取第一兴趣商品序列中位于序列尾部的第一兴趣商品,并作为第三兴趣商品;
基于预设的商品模型库,确定第二兴趣商品对应的第一商品模型,同时,确定第三兴趣商品对应的第二商品模型;
将第一商品模型和第二商品模型放置于第一货架或第二货架靠近入口的货架空闲商品摆放位置上;
放置完成后,从第一兴趣商品序列中剔除第二兴趣商品和第三兴趣商品,重新选取并进行相应摆放,直至第一兴趣商品序列中无剩余第一兴趣商品;
获取商店的库存商品集,库存商品集包括:多个第一库存商品和对应于第一库存商品的售价和库存量;
若第一库存商品中包含第四兴趣商品,同时,确定商店的商家地址和用户的取货地之间的距离,第四兴趣商品包括:第二兴趣商品或第三兴趣商品;
将第四兴趣商品与对应距离最小的商店、对应售价和库存量进行绑定;
将第一库存商品中除第四兴趣商品之外的第二库存商品随机放置于第一货架和/或第二货架的剩余货架空闲商品摆放位置,同时,将第二库存商品与对应距离最小的商店、对应售价和库存量进行绑定。
上述技术方案的工作原理及有益效果为:
预设的商店模型具体为:一种商店的三维模型,设置有入口、出口等;预设的商品模型库具体为:一数据库,内存储有不同商品对应的商品模型;
在构建虚拟商店时,确定用户感兴趣的商品,放置于靠近入口侧的货架上,便于用户通过虚拟现实设备【VR设备】进入时,能够首先看到自己喜欢的商品;基于兴趣度对兴趣商品进行排序,获得兴趣商品序列,首尾选取兴趣商品序列中的兴趣商品进行组合放置于货架上的靠入口侧,若均将兴趣度高的排至靠入口侧,用户可能挑选多个兴趣度高的商品后,由于购买预期【数量、金额等】有限,直接结账,这样设置,适当进行中和,避免兴趣度低的兴趣商品因为用户购买预期有限而导致不能购买,同时,该兴趣商品的兴趣度低,可能是获取的兴趣内容不准确,用户可能是极感兴趣的,极大程度上提升了的摆放的合理性;另外,构建虚拟商店,用户足不出户,就可以体验购物流程,而不是简单的在外卖平台上的列表中选择并下单,提升了用户体验;
货架上的商品均与距离用户最近的商家、商家的售价和库存量进行绑定,用户通过虚拟现实设备选取货架上的商品时,最后结账,通过对应的商家进行配货,同时,安排配送。
本发明实施例提供了一种商品售卖及配送方法,获取用户的购物兴趣内容,包括:
获取预设的路径集,所述路径集包括:多个路径,所述路径对应一个第一兴趣捕捉方;
获取所述第一兴趣捕捉方的兴趣捕捉类型,所述兴趣捕捉类型包括:长期兴趣捕捉和短期兴趣捕捉;
获取所述第一兴趣捕捉方对应于所述长期兴趣捕捉的第一试错记录,所述第一试错记录包括:多个第一错误项,所述第一错误项包括:第一错误原因、第一错误值和第一担保值;
对所述第一错误原因进行解析,获取第二错误值;
基于所述第一错误值、第二错误值和第一担保值计算第一判定指数,计算公式如下:
其中,θ1为所述第一判定指数,α1,i为第i个所述第一错误项中的第一错误值,α2,i对第i个所述第一错误项中的第一错误原因进行解析获取的第二错误值,β1,i为第i个所述第一错误项中的第一担保值,n1为所述第一错误项的总数目,O为预设的常数,β1,0为预设的第一担保值阈值,α1,0为预设的第一错误值阈值,σ1为预设的第一比较阈值,γ1,i和ρ1,i为中间变量,and为且,else为其它;
获取所述第一兴趣捕捉方对应于所述短期兴趣捕捉的第二试错记录,所述第二试错记录包括:多个第二错误项,所述第二错误项包括:第二错误原因、第三错误值和第二担保值;
对所述第二错误原因进行解析,获取第四错误值;
基于所述第三错误值、第四错误值和第二担保值计算第二判定指数,计算公式如下:
其中,θ2为所述第二判定指数,α3,i为第i个所述第二错误项中的第三错误值,α4,i对第i个所述第二错误项中的第二错误原因进行解析获取的第四错误值,β2,i为第i个所述第二错误项中的第二担保值,n2为所述第二错误项的总数目,O为预设的常数,β2,0为预设的第二担保值阈值,α2,0为预设的第二错误值阈值,σ2为预设的第二比较阈值,γ2,i和ρ2,i为中间变量,and为且,else为其它;
基于所述第一判定指数和所述第二判定指数计算判定值,计算公式如下:
其中,m为所述判定值,θ1为所述第一判定指数,θ2为所述第二判定指数,μ1和μ2为预设的权重值;
若所述判定值大于等于预设的判定值阈值,将对应所述第一兴趣捕捉方作为第二兴趣捕捉方;
通过所述第二兴趣捕捉方对应的所述路径获取兴趣数据;
整合各获取的所述兴趣数据,获得兴趣内容,完成获取。
上述技术方案的工作原理及有益效果为:
路径集中的不同路径分别对应一个兴趣捕捉方【例如:某购物网站,其有自己的兴趣捕捉方式】,兴趣捕捉方主流进行长期兴趣捕捉和短期兴趣捕捉,还会进行相应的试错【例如:捕捉到某个兴趣为用户的长期兴趣,某日,为用户推送该长期兴趣对应的商品,用户没有点击,发生兴趣捕捉错误,错误原因即为用户未点击捕捉的长期兴趣对应的商品,错误值代表购物网站自行确定错误原因的严重程度,担保值代表着该说错记录的真实性,担保值越大,真实性越大】;***需要对第一错误原因自行进行解析【例如:设置解析模型进行解析,该解析模型对大量人工解析错误原因的记录进行学习后生成】,重新确定错误值,以免兴趣捕捉方虚报;基于两类错误值和担保值计算判定指数,基于判定指数计算判定值,判定值越大,说明该路径捕捉方法越成熟,错误率低,通过对应路径进行获取,极大程度上提升了获取兴趣内容的精准性,同时,也提升了的***的工作效率;
公式中,两类错误值越大、担保值越大,对应判定指数越小;两类错误值的差值小于一定值【|α1,i-α1,i|≤σ1、|α1,i-α1,i|≤σ2】说明兴趣获取方没有虚报,可以采用;两类错误值很小时,直接赋值【0.142】计算;错误值较大时【α1,i≥α1,0、α2,i≥α1,0;α3,i≥α0、α4,i≥α0;】直接将错误值代入计算。
本发明实施例提供了一种商品售卖及配送***,如图3所示,包括:
获取模块1,用于获取用户在线下单的订单信息;
生成模块2,用于基于订单信息,生成配送任务;
下发模块3,用于基于预设的配送设备库,下发配送任务至适宜的配送设备;
监测模块4,用于监测配送设备的配送状态,若发生异常,进行救援。
上述技术方案的工作原理及有益效果为:
预设的配送设备库具体为:一数据库,内存储有大量无人配送设备的状态信息【例如:位置、在途任务等】等;
用户通过操作外卖平台的APP进行在线下单,生成订单信息;基于订单信息,生成待下发的配送任务;基于预设的配送设备库,将该配送任务下发至适宜【例如:距离用户近等】的配送设备;监测配送设备的配送状态,若发生异常,进行救援,例如:配送设备发出侧翻报警,调遣离其最近的救援车辆【由专门的员工驾驶,配备有道路救援设备】对其进行救援,同时,转移其正在进行配送的商品,重新分配给适宜的配送设备;
本发明实施例当无人配送小车发生异常时,对其进行救援,尽可能地不耽误送货,解决了无人配送小车发生异常会严重耽误送货的问题。
本发明实施例提供了一种商品售卖及配送***,生成模块2执行如下操作:
提取订单信息中的下单时间、第一商品、商家、送货地和送货时间;
获取预设的取货时间估测模型,将下单时间和第一商品输入取货时间估测模型,由取货时间估测模型估测出取货时间;
获取商家的商家地址,并作为取货地;
将取货地、取货时间、送货地和送货时间进行组合,获得配送任务。
上述技术方案的工作原理及有益效果为:
预设的取货时间估测模块具体为:利用机器学习算法对大量商家准备不同数量不同类型的商品的时间记录进行学习后生成的模型;
由取货时间估测模块估测取货时间,将取货地、取货时间、送货地和送货时间进行组合,即完成配送任务的生成。
本发明实施例提供了一种商品售卖及配送***,下发模块3执行如下操作:
提取配送设备库中的多个第一设备信息项,第一设备信息项包括:第一设备代号、设备位置、在途配送任务、剩余配送任务和业务能力;
获取预设的配送任务分配模型,将配送任务和多个第一设备信息项输入配送任务分配模型,由配送任务分配模型确定分配目标,分配目标包括:第二设备代号;
下发配送任务至第二设备代号对应的配送设备。
上述技术方案的工作原理及有益效果为:
预设的配送任务分配模型具体为:利用机器学习算法对大量人工分配记录进行学习后生成的模型;
由配送任务分配模型基于各配送设备的当前位置、在途配送任务、剩余配送任务和业务能力【例如:车速等】,将配送任务分配至适宜的配送设备,十分智能化。
本发明实施例提供了一种商品售卖及配送***,还包括:
安排模块,用于建立取货设备库,基于取货设备库,安排适宜的取货设备为用户代取商品;
安排模块执行如下操作:
获取预设的外包集,外包集包括:多个第一外包;
基于预设的评价库,确定第一外包的多个评价项,评价项包括:评价人、至少一个评价内容和附加内容;
基于语义理解技术,将评价内容拆分成多个第一语义;
基于预设的正向考证库,确定第一语义对应的至少一个正向考证项,正向考证项包括:第一提取目标和第一考证方式;
提取附加内容中第一提取目标对应的第一待考证内容,基于第一考证方式,对第一待考证内容进行正向考证,获取正向考证值;
基于预设的反向考证库,确定第一语义对应的至少一个反向考证项,反向考证项包括:第二提取目标和第二考证方式;
提取附加内容中第二提取目标对应的第二待考证内容,基于第二考证方式,对第二待考证内容进行反向考证,获取反向考证值;
若正向考证值小于等于预设的第一阈值和/或反向考证值小于等于预设的第二阈值,从评价内容中剔除对应第一语义,否则,将对应第一语义作为第二语义;
基于预设的第一得分库,确定第二语义对应的第一得分,并与对应评价项进行关联;
汇总各评价项关联的第一得分,获得第一得分和,并与对应第一外包关联;
基于预设的服务诉求库,确定第二语义对应的第一服务诉求;
确定第一服务诉求的数量,将第一服务诉求基于数量从大到小进行排序,获得服务诉求序列;
选取服务诉求序列中前n个第一服务诉求,并作为第二服务诉求;
基于预设的合约库,确定第一外包对应的合约;
提取合约上的多个承诺条款项,承诺条款项包括:承诺内容和违约惩罚金额;
基于第二服务诉求,对承诺内容进行符合度分析,获取第一符合度,并与对应承诺条款项进行关联;
基于预设的第二得分库,确定承诺条款项关联的第一符合度和违约惩罚金额共同对应的第二得分;
汇总合约上各承诺条款项的第二得分,获得第二得分和,并与对应第一外包进行关联;
汇总第一外包关联的第一得分和与第二得分和,获得第三得分和;
将第一外包基于第三得分和从大到小进行排序,获得外包序列;
选取外包序列中前N个第一外包,并作为第二外包;
基于预设的设备信息库,确定第二外包对应的多个第二设备信息项;
获取预设的空白数据库,将第二设备信息项存入空白数据库;
当需要存入空白数据库的第二设备信息项均存入后,将空白数据库作为取货设备库,完成建立。
上述技术方案的工作原理及有益效果为:
预设的外包集具体为:一集合,包含多个外包【代取设备的所属外包公司】;预设的评价库具体为:一数据库,内存储有不同外包的评价数据【用户对该公司的设备的评价、合作方的评价等】;预设的正向考证库具体为:一数据库,内存储有不同语义对应的正向考证项,正向考证项包含提取目标和考证方式【例如:某语义为“代取设备无制冷箱”,提取目标即为外包公司的设备介绍,考证方式即为设备介绍内是否确切记载设备无制冷箱】预设的反向考证库具体为:一数据库,内存储有不同语义对应的反向考证项,反向考证项包含提取目标和考证方式【例如:某语义为“代取设备无制冷箱”,反向思考用户是否下单过需要制冷的商品,提取目标即为对应的下单记录,考证方式即为考证下单记录内是否有需要制冷的商品】;预设的第一阈值具体为:例如,20;预设的第二阈值具体为:例如,23;预设的第一得分库具体为:一数据库,内存储有不同语义对应的得分;预设的服务诉求库具体为:一数据库,内存储有不同语义对应的服务诉求【例如:某语义为“代取设备无制冷箱”,服务诉求即为需要制冷箱】;预设的合约库具体为:一数据库,内存储有不同外包方上传的合作合约;预设的第二得分库具体为:一数据库,内存储有不同符合度和惩罚金额共同对应的得分,符合度越大、惩罚金额越大,得分越大;预设的设备信息库具体为:一数据库,内存储有不同外包下属的设备信息项【无人代取设备的位置、在途代取任务等】;预设的空白数据库具体为:一数据库,内无内容;
无人配送车大多需要用户自行下楼取货,无法上楼,同时,为了满足一些特殊情景【例如:用户临时有事无法自行取货、疫情期间用户无法下楼自行取货等】,还为了避免配送设备抵达送货点时,由于用户没有及时赶到,产生大量等待时间造成下一配送订单延误的问题,可以设置代取设备【例如:代取机器人,取完商品后送到住户门口】,但是,由于设备成本、管理成本过大,可以与一些代取设备的外包公司合作,即当配送小车抵达用户楼下时,与对应的代取设备对接,由代取设备进行接下来的送货上门;
为了更好地提升服务质量,需要对外包进行筛选;首先,基于各外包的评价进行筛选,但是,某些用户存在恶意评价行为,因此,也得对用户评价的真实性进行验证【正向验证和反向验证】;接着,确定非恶意评价的语义对应的服务诉求,并进行排序,基于外包合约上的条款与服务诉求进一步确定较佳的外包,建立外包设备库;
本发明实施例与代取设备的外包公司合作,更好地为用户提供服务,也避免配送设备抵达送货点时,由于用户没有及时赶到,产生大量等待时间造成下一配送订单延误的问题;对外包进行筛选时,对评价的真实性进行正向和反向验证,十分精细,保证了评价的真实性;筛选出真实的语义对应的服务诉求,基于服务诉求和外包的合约确定适宜的外包。
本发明实施例提供了一种商品售卖及配送***,还包括:
构建模块,用于构建虚拟商店,用户可以在虚拟商店内进行购物;
构建模块执行如下操作:
获取预设的商店模型,商店模型包括:入口、出口、购物通道、第一货架和第二货架,入口和出口分别设置于购物通道的两端,第一货架和第二货架分别设置于购物通道的两侧;
获取用户的购物兴趣内容,购物兴趣内容包括:多个第一兴趣商品和对应于第一兴趣商品的兴趣度;
将第一兴趣商品基于兴趣度从大到小进行排序,获得第一兴趣商品序列;
选取第一兴趣商品序列中位于序列首部的第一兴趣商品,并作为第二兴趣商品,同时,选取第一兴趣商品序列中位于序列尾部的第一兴趣商品,并作为第三兴趣商品;
基于预设的商品模型库,确定第二兴趣商品对应的第一商品模型,同时,确定第三兴趣商品对应的第二商品模型;
将第一商品模型和第二商品模型放置于第一货架或第二货架靠近入口的货架空闲商品摆放位置上;
放置完成后,从第一兴趣商品序列中剔除第二兴趣商品和第三兴趣商品,重新选取并进行相应摆放,直至第一兴趣商品序列中无剩余第一兴趣商品;
获取商店的库存商品集,库存商品集包括:多个第一库存商品和对应于第一库存商品的售价和库存量;
若第一库存商品中包含第四兴趣商品,同时,确定商店的商家地址和用户的取货地之间的距离,第四兴趣商品包括:第二兴趣商品或第三兴趣商品;
将第四兴趣商品与对应距离最小的商店、对应售价和库存量进行绑定;
将第一库存商品中除第四兴趣商品之外的第二库存商品随机放置于第一货架和/或第二货架的剩余货架空闲商品摆放位置,同时,将第二库存商品与对应距离最小的商店、对应售价和库存量进行绑定。
上述技术方案的工作原理及有益效果为:
预设的商店模型具体为:一种商店的三维模型,设置有入口、出口等;预设的商品模型库具体为:一数据库,内存储有不同商品对应的商品模型;
在构建虚拟商店时,确定用户感兴趣的商品,放置于靠近入口侧的货架上,便于用户通过虚拟现实设备【VR设备】进入时,能够首先看到自己喜欢的商品;基于兴趣度对兴趣商品进行排序,获得兴趣商品序列,首尾选取兴趣商品序列中的兴趣商品进行组合放置于货架上的靠入口侧,若均将兴趣度高的排至靠入口侧,用户可能挑选多个兴趣度高的商品后,由于购买预期【数量、金额等】有限,直接结账,这样设置,适当进行中和,避免兴趣度低的兴趣商品因为用户购买预期有限而导致不能购买,同时,该兴趣商品的兴趣度低,可能是获取的兴趣内容不准确,用户可能是极感兴趣的,极大程度上提升了的摆放的合理性;另外,构建虚拟商店,用户足不出户,就可以体验购物流程,而不是简单的在外卖平台上的列表中选择并下单,提升了用户体验;
货架上的商品均与距离用户最近的商家、商家的售价和库存量进行绑定,用户通过虚拟现实设备选取货架上的商品时,最后结账,通过对应的商家进行配货,同时,安排配送。
本发明实施例提供了一种商品售卖及配送***,所述构建模块执行如下操作:
获取预设的路径集,所述路径集包括:多个路径,所述路径对应一个第一兴趣捕捉方;
获取所述第一兴趣捕捉方的兴趣捕捉类型,所述兴趣捕捉类型包括:长期兴趣捕捉和短期兴趣捕捉;
获取所述第一兴趣捕捉方对应于所述长期兴趣捕捉的第一试错记录,所述第一试错记录包括:多个第一错误项,所述第一错误项包括:第一错误原因、第一错误值和第一担保值;
对所述第一错误原因进行解析,获取第二错误值;
基于所述第一错误值、第二错误值和第一担保值计算第一判定指数,计算公式如下:
其中,θ1为所述第一判定指数,α1,i为第i个所述第一错误项中的第一错误值,α1,i对第i个所述第一错误项中的第一错误原因进行解析获取的第二错误值,β1,i为第i个所述第一错误项中的第一担保值,n1为所述第一错误项的总数目,O为预设的常数,β1,0为预设的第一担保值阈值,α1,0为预设的第一错误值阈值,σ1为预设的第一比较阈值,γ1,i和ρ1,i为中间变量,and为且,else为其它;
获取所述第一兴趣捕捉方对应于所述短期兴趣捕捉的第二试错记录,所述第二试错记录包括:多个第二错误项,所述第二错误项包括:第二错误原因、第三错误值和第二担保值;
对所述第二错误原因进行解析,获取第四错误值;
基于所述第三错误值、第四错误值和第二担保值计算第二判定指数,计算公式如下:
其中,θ2为所述第二判定指数,α3,i为第i个所述第二错误项中的第三错误值,α4,i对第i个所述第二错误项中的第二错误原因进行解析获取的第四错误值,β2,i为第i个所述第二错误项中的第二担保值,n2为所述第二错误项的总数目,O为预设的常数,β2,0为预设的第二担保值阈值,α2,0为预设的第二错误值阈值,σ2为预设的第二比较阈值,γ2,i和ρ2,i为中间变量,and为且,else为其它;
基于所述第一判定指数和所述第二判定指数计算判定值,计算公式如下:
其中,m为所述判定值,θ1为所述第一判定指数,θ2为所述第二判定指数,μ1和μ2为预设的权重值;
若所述判定值大于等于预设的判定值阈值,将对应所述第一兴趣捕捉方作为第二兴趣捕捉方;
通过所述第二兴趣捕捉方对应的所述路径获取兴趣数据;
整合各获取的所述兴趣数据,获得兴趣内容,完成获取。
上述技术方案的工作原理及有益效果为:
路径集中的不同路径分别对应一个兴趣捕捉方【例如:某购物网站,其有自己的兴趣捕捉方式】,兴趣捕捉方主流进行长期兴趣捕捉和短期兴趣捕捉,还会进行相应的试错【例如:捕捉到某个兴趣为用户的长期兴趣,某日,为用户推送该长期兴趣对应的商品,用户没有点击,发生兴趣捕捉错误,错误原因即为用户未点击捕捉的长期兴趣对应的商品,错误值代表购物网站自行确定错误原因的严重程度,担保值代表着该说错记录的真实性,担保值越大,真实性越大】;***需要对第一错误原因自行进行解析【例如:设置解析模型进行解析,该解析模型对大量人工解析错误原因的记录进行学习后生成】,重新确定错误值,以免兴趣捕捉方虚报;基于两类错误值和担保值计算判定指数,基于判定指数计算判定值,判定值越大,说明该路径捕捉方法越成熟,错误率低,通过对应路径进行获取,极大程度上提升了获取兴趣内容的精准性,同时,也提升了的***的工作效率;
公式中,两类错误值越大、担保值越大,对应判定指数越小;两类错误值的差值小于一定值【|α1,i-α1,i|≤σ1、|α1,i-α1,i|≤σ2】说明兴趣获取方没有虚报,可以采用;两类错误值很小时,直接赋值【0.142】计算;错误值较大时【α1,i≥α1,0、α2,i≥α1,0;α3,i≥α0、α4,i≥α0;】直接将错误值代入计算。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种商品售卖及配送方法,其特征在于,包括:
步骤S1:获取用户在线下单的订单信息;
步骤S2:基于所述订单信息,生成配送任务;
步骤S3:基于预设的配送设备库,下发所述配送任务至适宜的配送设备;
步骤S4:监测所述配送设备的配送状态,若发生异常,进行救援;
步骤S2:基于所述订单信息,生成配送任务,包括:
提取所述订单信息中的下单时间、第一商品、商家、送货地和送货时间;
获取预设的取货时间估测模型,将所述下单时间和所述第一商品输入所述取货时间估测模型,由所述取货时间估测模型估测出取货时间;
获取所述商家的商家地址,并作为取货地;
将所述取货地、取货时间、送货地和送货时间进行组合,获得配送任务;
步骤S5:建立取货设备库,基于所述取货设备库,安排适宜的取货设备为用户代取所述商品;
其中,建立取货设备库,包括:
获取预设的外包集,所述外包集包括:多个第一外包,所述第一外包为代取设备的所属外包公司;
基于预设的评价库,确定所述第一外包的多个评价项,所述评价项包括:评价人、至少一个评价内容和附加内容;
基于语义理解技术,将所述评价内容拆分成多个第一语义;
基于预设的正向考证库,确定所述第一语义对应的至少一个正向考证项,所述正向考证项包括:第一提取目标和第一考证方式;
提取所述附加内容中所述第一提取目标对应的第一待考证内容,基于所述第一考证方式,对所述第一待考证内容进行正向考证,获取正向考证值;
基于预设的反向考证库,确定所述第一语义对应的至少一个反向考证项,所述反向考证项包括:第二提取目标和第二考证方式;
提取所述附加内容中所述第二提取目标对应的第二待考证内容,基于所述第二考证方式,对所述第二待考证内容进行反向考证,获取反向考证值;
若所述正向考证值小于等于预设的第一阈值和/或所述反向考证值小于等于预设的第二阈值,从所述评价内容中剔除对应所述第一语义,否则,将对应所述第一语义作为第二语义;
基于预设的第一得分库,确定所述第二语义对应的第一得分,并与对应所述评价项进行关联;
汇总各所述评价项关联的所述第一得分,获得第一得分和,并与对应所述第一外包关联;
基于预设的服务诉求库,确定所述第二语义对应的第一服务诉求;
确定所述第一服务诉求的数量,将所述第一服务诉求基于所述数量从大到小进行排序,获得服务诉求序列;
选取所述服务诉求序列中前n个所述第一服务诉求,并作为第二服务诉求;
基于预设的合约库,确定所述第一外包对应的合约;
提取所述合约上的多个承诺条款项,所述承诺条款项包括:承诺内容和违约惩罚金额;
基于所述第二服务诉求,对所述承诺内容进行符合度分析,获取第一符合度,并与对应所述承诺条款项进行关联;
基于预设的第二得分库,确定所述承诺条款项关联的所述第一符合度和所述违约惩罚金额共同对应的第二得分;
汇总所述合约上各所述承诺条款项的所述第二得分,获得第二得分和,并与对应所述第一外包进行关联;
汇总所述第一外包关联的所述第一得分和与所述第二得分和,获得第三得分和;
将所述第一外包基于所述第三得分和从大到小进行排序,获得外包序列;
选取所述外包序列中前N个所述第一外包,并作为第二外包;
基于预设的设备信息库,确定所述第二外包对应的多个第二设备信息项;
获取预设的空白数据库,将第二设备信息项存入所述空白数据库;
当需要存入所述空白数据库的所述第二设备信息项均存入后,将所述空白数据库作为取货设备库,完成建立。
2.如权利要求1所述的一种商品售卖及配送方法,其特征在于,步骤S3:基于预设的配送设备库,下发所述配送任务至适宜的配送设备,包括:
提取所述配送设备库中的多个第一设备信息项,所述第一设备信息项包括:第一设备代号、设备位置、在途配送任务、剩余配送任务和业务能力;
获取预设的配送任务分配模型,将所述配送任务和所述多个第一设备信息项输入所述配送任务分配模型,由所述配送任务分配模型确定分配目标,所述分配目标包括:第二设备代号;
下发所述配送任务至所述第二设备代号对应的配送设备。
3.如权利要求1所述的一种商品售卖及配送方法,其特征在于,还包括:
构建虚拟商店,所述用户可以在所述虚拟商店内进行购物;
其中,构建虚拟商店,包括:
获取预设的商店模型,所述商店模型包括:入口、出口、购物通道、第一货架和第二货架,所述入口和所述出口分别设置于所述购物通道的两端,所述第一货架和所述第二货架分别设置于所述购物通道的两侧;
获取所述用户的购物兴趣内容,所述购物兴趣内容包括:多个第一兴趣商品和对应于所述第一兴趣商品的兴趣度;
将所述第一兴趣商品基于所述兴趣度从大到小进行排序,获得第一兴趣商品序列;
选取所述第一兴趣商品序列中位于序列首部的所述第一兴趣商品,并作为第二兴趣商品,同时,选取所述第一兴趣商品序列中位于序列尾部的所述第一兴趣商品,并作为第三兴趣商品;
基于预设的商品模型库,确定所述第二兴趣商品对应的第一商品模型,同时,确定所述第三兴趣商品对应的第二商品模型;
将所述第一商品模型和所述第二商品模型放置于所述第一货架或所述第二货架靠近所述入口的货架空闲商品摆放位置上;
放置完成后,从所述第一兴趣商品序列中剔除所述第二兴趣商品和所述第三兴趣商品,重新选取并进行相应摆放,直至所述第一兴趣商品序列中无剩余所述第一兴趣商品;
获取所述商店的库存商品集,所述库存商品集包括:多个第一库存商品和对应于所述第一库存商品的售价和库存量;
若所述第一库存商品中包含第四兴趣商品,同时,确定所述商店的商家地址和所述用户的取货地之间的距离,所述第四兴趣商品包括:第二兴趣商品或所述第三兴趣商品;
将所述第四兴趣商品与对应所述距离最小的所述商店、对应所述售价和库存量进行绑定;
将所述第一库存商品中除所述第四兴趣商品之外的第二库存商品随机放置于所述第一货架和/或第二货架的剩余货架空闲商品摆放位置,同时,将所述第二库存商品与对应所述距离最小的所述商店、对应所述售价和库存量进行绑定。
4.一种商品售卖及配送***,其特征在于,包括:
获取模块,用于获取用户在线下单的订单信息;
生成模块,用于基于所述订单信息,生成配送任务;
下发模块,用于基于预设的配送设备库,下发所述配送任务至适宜的配送设备;
监测模块,用于监测所述配送设备的配送状态,若发生异常,进行救援;
所述生成模块执行如下操作:
提取所述订单信息中的下单时间、第一商品、商家、送货地和送货时间;
获取预设的取货时间估测模型,将所述下单时间和所述第一商品输入所述取货时间估测模型,由所述取货时间估测模型估测出取货时间;
获取所述商家的商家地址,并作为取货地;
将所述取货地、取货时间、送货地和送货时间进行组合,获得配送任务;
安排模块,用于建立取货设备库,基于所述取货设备库,安排适宜的取货设备为用户代取所述商品;
所述安排模块执行如下操作:
获取预设的外包集,所述外包集包括:多个第一外包,所述第一外包为代取设备的所属外包公司;
基于预设的评价库,确定所述第一外包的多个评价项,所述评价项包括:评价人、至少一个评价内容和附加内容;
基于语义理解技术,将所述评价内容拆分成多个第一语义;
基于预设的正向考证库,确定所述第一语义对应的至少一个正向考证项,所述正向考证项包括:第一提取目标和第一考证方式;
提取所述附加内容中所述第一提取目标对应的第一待考证内容,基于所述第一考证方式,对所述第一待考证内容进行正向考证,获取正向考证值;
基于预设的反向考证库,确定所述第一语义对应的至少一个反向考证项,所述反向考证项包括:第二提取目标和第二考证方式;
提取所述附加内容中所述第二提取目标对应的第二待考证内容,基于所述第二考证方式,对所述第二待考证内容进行反向考证,获取反向考证值;
若所述正向考证值小于等于预设的第一阈值和/或所述反向考证值小于等于预设的第二阈值,从所述评价内容中剔除对应所述第一语义,否则,将对应所述第一语义作为第二语义;
基于预设的第一得分库,确定所述第二语义对应的第一得分,并与对应所述评价项进行关联;
汇总各所述评价项关联的所述第一得分,获得第一得分和,并与对应所述第一外包关联;
基于预设的服务诉求库,确定所述第二语义对应的第一服务诉求;
确定所述第一服务诉求的数量,将所述第一服务诉求基于所述数量从大到小进行排序,获得服务诉求序列;
选取所述服务诉求序列中前n个所述第一服务诉求,并作为第二服务诉求;
基于预设的合约库,确定所述第一外包对应的合约;
提取所述合约上的多个承诺条款项,所述承诺条款项包括:承诺内容和违约惩罚金额;
基于所述第二服务诉求,对所述承诺内容进行符合度分析,获取第一符合度,并与对应所述承诺条款项进行关联;
基于预设的第二得分库,确定所述承诺条款项关联的所述第一符合度和所述违约惩罚金额共同对应的第二得分;
汇总所述合约上各所述承诺条款项的所述第二得分,获得第二得分和,并与对应所述第一外包进行关联;
汇总所述第一外包关联的所述第一得分和与所述第二得分和,获得第三得分和;
将所述第一外包基于所述第三得分和从大到小进行排序,获得外包序列;
选取所述外包序列中前N个所述第一外包,并作为第二外包;
基于预设的设备信息库,确定所述第二外包对应的多个第二设备信息项;
获取预设的空白数据库,将第二设备信息项存入所述空白数据库;
当需要存入所述空白数据库的所述第二设备信息项均存入后,将所述空白数据库作为取货设备库,完成建立。
5.如权利要求4所述的一种商品售卖及配送***,其特征在于,所述下发模块执行如下操作:
提取所述配送设备库中的多个第一设备信息项,所述第一设备信息项包括:第一设备代号、设备位置、在途配送任务、剩余配送任务和业务能力;
获取预设的配送任务分配模型,将所述配送任务和所述多个第一设备信息项输入所述配送任务分配模型,由所述配送任务分配模型确定分配目标,所述分配目标包括:第二设备代号;
下发所述配送任务至所述第二设备代号对应的配送设备。
6.如权利要求4所述的一种商品售卖及配送***,其特征在于,还包括:
构建模块,用于构建虚拟商店,所述用户可以在所述虚拟商店内进行购物;
所述构建模块执行如下操作:
获取预设的商店模型,所述商店模型包括:入口、出口、购物通道、第一货架和第二货架,所述入口和所述出口分别设置于所述购物通道的两端,所述第一货架和所述第二货架分别设置于所述购物通道的两侧;
获取所述用户的购物兴趣内容,所述购物兴趣内容包括:多个第一兴趣商品和对应于所述第一兴趣商品的兴趣度;
将所述第一兴趣商品基于所述兴趣度从大到小进行排序,获得第一兴趣商品序列;
选取所述第一兴趣商品序列中位于序列首部的所述第一兴趣商品,并作为第二兴趣商品,同时,选取所述第一兴趣商品序列中位于序列尾部的所述第一兴趣商品,并作为第三兴趣商品;
基于预设的商品模型库,确定所述第二兴趣商品对应的第一商品模型,同时,确定所述第三兴趣商品对应的第二商品模型;
将所述第一商品模型和所述第二商品模型放置于所述第一货架或所述第二货架靠近所述入口的货架空闲商品摆放位置上;
放置完成后,从所述第一兴趣商品序列中剔除所述第二兴趣商品和所述第三兴趣商品,重新选取并进行相应摆放,直至所述第一兴趣商品序列中无剩余所述第一兴趣商品;
获取所述商店的库存商品集,所述库存商品集包括:多个第一库存商品和对应于所述第一库存商品的售价和库存量;
若所述第一库存商品中包含第四兴趣商品,同时,确定所述商店的商家地址和所述用户的取货地之间的距离,所述第四兴趣商品包括:第二兴趣商品或所述第三兴趣商品;
将所述第四兴趣商品与对应所述距离最小的所述商店、对应所述售价和库存量进行绑定;
将所述第一库存商品中除所述第四兴趣商品之外的第二库存商品随机放置于所述第一货架和/或第二货架的剩余货架空闲商品摆放位置,同时,将所述第二库存商品与对应所述距离最小的所述商店、对应所述售价和库存量进行绑定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110912777.5A CN113592407B (zh) | 2021-08-10 | 2021-08-10 | 一种商品售卖及配送方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110912777.5A CN113592407B (zh) | 2021-08-10 | 2021-08-10 | 一种商品售卖及配送方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592407A CN113592407A (zh) | 2021-11-02 |
CN113592407B true CN113592407B (zh) | 2022-03-29 |
Family
ID=78256661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110912777.5A Expired - Fee Related CN113592407B (zh) | 2021-08-10 | 2021-08-10 | 一种商品售卖及配送方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592407B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504595A (zh) * | 2014-12-19 | 2015-04-08 | 上海点啥网络科技有限公司 | 一种基于在线订购的可预估取货时间的方法及其应用 |
CN108345587A (zh) * | 2018-02-14 | 2018-07-31 | 广州大学 | 一种评论的真实性检测方法与*** |
CN108415921A (zh) * | 2017-09-25 | 2018-08-17 | 平安科技(深圳)有限公司 | 供应商推荐方法、装置及计算机可读存储介质 |
CN108491951A (zh) * | 2018-01-25 | 2018-09-04 | 北京三快在线科技有限公司 | 一种外卖配送时间的预测方法、装置及电子设备 |
CN109977403A (zh) * | 2019-03-18 | 2019-07-05 | 北京金堤科技有限公司 | 恶意评论信息识别方法及装置 |
CN111429239A (zh) * | 2020-06-15 | 2020-07-17 | 北京云迹科技有限公司 | 一种基于送货机器人的商品售卖方法、装置及*** |
CN112215551A (zh) * | 2020-10-21 | 2021-01-12 | 深圳职业技术学院 | 一种零食售卖及配送*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003146437A (ja) * | 2001-11-07 | 2003-05-21 | Hitachi Ltd | 流通管理方法及びシステム |
WO2005083644A1 (en) * | 2004-03-02 | 2005-09-09 | Stikker.Com Bv | Method and system for verifying the authenticity of goods |
CN108305011A (zh) * | 2018-02-11 | 2018-07-20 | 中国航天标准化研究所 | 一种正逆结合的航天质量管理体系有效性评价方法 |
CN109670542A (zh) * | 2018-12-11 | 2019-04-23 | 田刚 | 一种基于评论外部信息的虚假评论检测方法 |
CN111966944B (zh) * | 2020-08-17 | 2024-04-09 | 中电科大数据研究院有限公司 | 一种多层级用户评论安全审核的模型构建方法 |
-
2021
- 2021-08-10 CN CN202110912777.5A patent/CN113592407B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504595A (zh) * | 2014-12-19 | 2015-04-08 | 上海点啥网络科技有限公司 | 一种基于在线订购的可预估取货时间的方法及其应用 |
CN108415921A (zh) * | 2017-09-25 | 2018-08-17 | 平安科技(深圳)有限公司 | 供应商推荐方法、装置及计算机可读存储介质 |
CN108491951A (zh) * | 2018-01-25 | 2018-09-04 | 北京三快在线科技有限公司 | 一种外卖配送时间的预测方法、装置及电子设备 |
CN108345587A (zh) * | 2018-02-14 | 2018-07-31 | 广州大学 | 一种评论的真实性检测方法与*** |
CN109977403A (zh) * | 2019-03-18 | 2019-07-05 | 北京金堤科技有限公司 | 恶意评论信息识别方法及装置 |
CN111429239A (zh) * | 2020-06-15 | 2020-07-17 | 北京云迹科技有限公司 | 一种基于送货机器人的商品售卖方法、装置及*** |
CN112215551A (zh) * | 2020-10-21 | 2021-01-12 | 深圳职业技术学院 | 一种零食售卖及配送*** |
Also Published As
Publication number | Publication date |
---|---|
CN113592407A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563572B (zh) | 一种订单分配方法、装置、计算机设备和存储介质 | |
Kuhn et al. | Integrated order batching and vehicle routing operations in grocery retail–a general adaptive large neighborhood search algorithm | |
US20070233597A1 (en) | Least cost network routing for electronic transactions | |
JP3481570B2 (ja) | 部品在庫管理における需要予測装置 | |
JP2006073031A5 (zh) | ||
CN109685551A (zh) | 信息处理方法及其装置、服务器及信息处理*** | |
CN105931068A (zh) | 一种持卡人消费画像的生成方法及装置 | |
CN108830455A (zh) | 企业生产、出厂管理***及其实现方法 | |
CN113220765B (zh) | 一种面向零售终端机成本控制数据仓库的数据组织方法 | |
KR20230122525A (ko) | 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 | |
Setamanit | Evaluation of outsourcing transportation contract using simulation and design of experiment | |
CN110222881B (zh) | 一种采购数据的预测方法、装置、存储介质及终端 | |
Saeed Osman | Modeling and simulation for inventory management of repairable items in maintenance systems | |
CN113592407B (zh) | 一种商品售卖及配送方法和*** | |
CN109583634A (zh) | 一种基于现代投资组合理论的外卖配送路径选择方法 | |
CN114819805A (zh) | 车辆运输管理*** | |
KR102664824B1 (ko) | 상품 분류 시스템 및 그 구동방법 | |
CN109191259A (zh) | 一种基于电子商务的物品及服务交换*** | |
US20220245579A1 (en) | Method and apparatus for predicting the daily available capacity of a parcel pick-up station and computerized locker banks | |
Serna-Ampuero et al. | Inventory Management Model under the Lean Warehousing Approach to Reduce the Rate of Returns in SME Distributors | |
Hou et al. | Matching models for crowd-shipping considering shipper’s acceptance uncertainty | |
Matthews | SKU assignment in a multiple picking line order picking system. | |
Merlevede et al. | Neuroevolution of a multi-agent system for the dynamic pickup and delivery problem | |
CN109165745A (zh) | 一种动车组检修成本信息自动化管理方法及*** | |
Saha et al. | Customer Appointment Analysis in Automobile Dealerships |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220329 |