CN116136977A - 兜底送达时效预测方法、装置、存储介质及计算机设备 - Google Patents
兜底送达时效预测方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN116136977A CN116136977A CN202310342205.7A CN202310342205A CN116136977A CN 116136977 A CN116136977 A CN 116136977A CN 202310342205 A CN202310342205 A CN 202310342205A CN 116136977 A CN116136977 A CN 116136977A
- Authority
- CN
- China
- Prior art keywords
- delivery
- spam
- aging
- coordinates
- prediction
- 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
- G06Q10/04—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- 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)
- Information Transfer Between Computers (AREA)
Abstract
本申请提供了一种兜底送达时效预测方法、装置、存储介质及计算机设备。该方法包括:在生成订单时,获取订单信息;根据所述订单信息获取发货时长、发货地坐标及收货地坐标;计算所述发货地坐标与所述收货地坐标之间的目标距离;基于所述目标距离在预设的聚类模型中匹配对应的配送时长;所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到;计算所述发货时长与所述配送时长之和作为兜底送达时效。本申请无需依赖于过多的时间节点配置信息,且计算简单,基于聚类模型和发货时长得到准确率较高的送达时效,能够保证所有订单都能有兜底送达时效。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种兜底送达时效预测方法、装置、存储介质及计算机设备。
背景技术
随着互联网技术的发展,越来越多的人们会选择网上购物,消费者通过电商平台下单后,商家通过物流将商品运输至消费者手中。为了使消费者了解自己的商品何时能抵达自己的手中,电商平台会预测送达时效供消费者查看。
目前的时效预测方式,计算需要依赖的数据较多,需要足够多的历史订单才能提供充分的数据计算出延误率较低的时效,并且计算规则十分复杂,无法保证所有订单都能计算出延误率较低的预测时效。
发明内容
本申请实施例提供了一种兜底送达时效预测方法、装置、存储介质及计算机设备,能够为订单提供一个较为可靠的兜底送达时效,保证所有订单都能提供预测送达时效,提高消费者体验。
第一方面,本申请提供了一种兜底送达时效预测方法,所述方法包括:
在生成订单时,获取订单信息;
根据所述订单信息获取发货时长、发货地坐标及收货地坐标;
计算所述发货地坐标与所述收货地坐标之间的目标距离;
基于所述目标距离在预设的聚类模型中匹配对应的配送时长;所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到;
计算所述发货时长与所述配送时长之和作为兜底送达时效。
在其中一个实施例中,所述方法还包括:
若在预设时间内未调取到标准预测时效,则将所述兜底送达时效确定为订单预测送达时效。
在其中一个实施例中,所述方法还包括:
若在预设时间内调取到标准预测时效,则将所述标准预测时效确定为订单预测送达时效。
在其中一个实施例中,所述标准预测时效为路由时效或配置时效。
在其中一个实施例中,所述计算所述发货地坐标与所述收货地坐标之间的目标距离,包括:
计算所述发货地坐标与所述收货地坐标之间的地理球面距离;
将所述地理球面距离确定为所述目标距离。
在其中一个实施例中,所述根据所述订单信息获取发货时长、发货地坐标及收货地坐标,包括:
根据所述订单信息对应商品获取商品信息;
根据所述商品信息确定对应发货考核时效作为所述发货时长;
根据所述商品信息获取所述发货地坐标;
根据所述订单信息中收货信息确定所述收货地坐标。
在其中一个实施例中,所述方法还包括:
定期获取历史订单数据更新所述聚类模型。
第二方面,本申请提供了一种兜底送达时效预测装置,包括:
第一获取模块,用于在生成订单时,获取订单信息;
第二获取模块,用于根据所述订单信息获取发货时长、发货地坐标及收货地坐标;
距离计算模块,用于计算所述发货地坐标与所述收货地坐标之间的目标距离;
匹配模块,用于基于所述目标距离在预设的聚类模型中匹配对应的配送时长;所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到;
时效计算模块,用于计算所述发货时长与所述配送时长之和作为兜底送达时效。
第三方面,本申请提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述任一项实施例所述兜底送达时效预测方法的步骤。
第四方面,本申请提供了一种计算机设备,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述一个或多个处理器执行时所述计算机可读指令时,执行如上述任一项实施例所述兜底送达时效预测方法的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供的兜底送达时效预测方法、装置、存储介质及计算机设备,在生成订单时获取订单信息,根据订单信息获取发货时长、发货地坐标及收货地坐标,计算出发货地坐标与收货地坐标之间的目标距离,基于预先建立的发货地与收货地之间距离与配送时长之间对应关系的聚类模型,匹配对应与目标距离的配送时长,计算发货时长与配送时长之和作为兜底送达时效,无需依赖于过多的时间节点配置信息,且计算简单,基于聚类模型和发货时长得到准确率较高的送达时效,能够保证所有订单都能有兜底送达时效。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为一个实施例中,兜底送达时效预测方法的流程示意图;
图2为一个实施例中,兜底送达时效预测装置的结构框图;
图3为一个实施例中,计算机设备的内部结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,本申请实施例提供了一种兜底送达时效预测方法,所述方法包括步骤S101至S105,其中:
步骤S101,在生成订单时,获取订单信息。
订单为消费者通过电商平台账户在电商平台中创建的购物订单,订单信息即为创建的购物订单相关的信息,包括但不限于商品信息和收货信息。
步骤S102,根据所述订单信息获取发货时长、发货地坐标及收货地坐标。
发货时长为电商平台或第三方商家配置预计发货时间,是指自订单达成交易后至发货时间的最大时长;发货地坐标为创建的订单对应的商品发货地址坐标,发货地坐标由电商平台或第三方商家预先配置,在获取订单信息时即可直接获取。
在其中一个实施例中,所述根据所述订单信息获取发货时长、发货地坐标及收货地坐标,包括:
根据所述订单信息对应商品获取商品信息;
根据所述商品信息确定对应发货考核时效作为所述发货时长;
根据所述商品信息获取所述发货地坐标;
根据所述订单信息中收货信息确定所述收货地坐标。
步骤S103,计算所述发货地坐标与所述收货地坐标之间的目标距离。
目标距离可以为采用任意计算方式,例如可以采用地理球面距离作为目标距离,也可以根据运输线路的总距离计算目标距离。
在其中一个实施例中,所述计算所述发货地坐标与所述收货地坐标之间的目标距离,包括:
计算所述发货地坐标与所述收货地坐标之间的地理球面距离;
将所述地理球面距离确定为所述目标距离。
步骤S104,基于所述目标距离在预设的聚类模型中匹配对应的配送时长。
所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到。
步骤S105,计算所述发货时长与所述配送时长之和作为兜底送达时效。
兜底送达时效作为兜底的时效,用于保证每个订单至少能有一个准确度较高的送达时效,即使订单配置信息不完整或者其他原因导致的无法计算更为精准的送达时效,也能提供兜底送达时效供消费者参考,提高消费者满意度。
本申请实施例提供的兜底送达时效预测方法,在生成订单时获取订单信息,根据订单信息获取发货时长、发货地坐标及收货地坐标,计算出发货地坐标与收货地坐标之间的目标距离,基于预先建立的发货地与收货地之间距离与配送时长之间对应关系的聚类模型,匹配对应与目标距离的配送时长,计算发货时长与配送时长之和作为兜底送达时效,无需依赖于过多的时间节点配置信息,且计算简单,基于聚类模型和发货时长得到准确率较高的送达时效,能够保证所有订单都能有兜底送达时效。
在其中一个实施例中,所述方法还包括:
若在预设时间内未调取到标准预测时效,则将所述兜底送达时效确定为订单预测送达时效;
若在预设时间内调取到标准预测时效,则将所述标准预测时效确定为订单预测送达时效。
本实施例中的标准预测时效是指在时效计算所需信息配置完整时计算出的更为精准的送达预测时效,若未调取到标准预测时效,可能是由于配置的信息不足导致无法完成标准预测时效的计算,或是由于计算资源等其他原因影响无法在预设时间内完成计算,此时则以订单的兜底送达时效作为订单预测送达时效展示给消费者参考。若在预设时间内调取到标准预测时效,则优先以更加请准的标准预测时效作为订单预测送达时效展示给消费者参考。
在其中一个实施例中,所述标准预测时效为路由时效或配置时效。配置时效是对每个仓库的每个作业节点配置作业时长,对每条路线配置配送时长,再根据订单匹配的仓库、发货地、收货地,选择合适的仓配配置,进而计算出预测时效。路由时效是基于路由对历史数据进行分位统计得出分段时效,通过对过去60天的数据进行清洗后,将每个订单按照环节进行数据聚合,采用统计学方法,选取合适的分位时长作为该环节的预计时长,最终根据各环节的预计市场计算出预测时间。
在其中一个实施例中,所述方法还包括:
定期获取历史订单数据更新所述聚类模型。
本实施例中,为了保证聚类模型的有效性,定期获取新的历史订单数据对聚类模型进行更新,保证目标距离与配送时长的对应关系具有时效性,从而保证兜底送达时效的准确性。
在其中一个实施例中,若计算兜底送达时效失败,则根据订单信息生成预警通知,将预警通知发送至预设的告警人,以便及时检查失败原因进行配置优化。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
下面对本申请实施例提供的兜底送达时效预测装置进行描述,下文描述的兜底送达时效预测装置与上文描述的兜底送达时效预测方法可相互对应参照。
如图2所示,本申请实施例提供了一种兜底送达时效预测装置200,包括:
第一获取模块201,用于在生成订单时,获取订单信息;
第二获取模块202,用于根据所述订单信息获取发货时长、发货地坐标及收货地坐标;
距离计算模块203,用于计算所述发货地坐标与所述收货地坐标之间的目标距离;
匹配模块204,用于基于所述目标距离在预设的聚类模型中匹配对应的配送时长;所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到;
时效计算模块205,用于计算所述发货时长与所述配送时长之和作为兜底送达时效。
在其中一个实施例中,兜底送达时效预测装置还包括:
第一时效确定模块,用于在预设时间内未调取到标准预测时效时,将所述兜底送达时效确定为订单预测送达时效。
在其中一个实施例中,兜底送达时效预测装置还包括:
第二时效确定模块,用于在预设时间内调取到标准预测时效时,将所述标准预测时效确定为订单预测送达时效。
在其中一个实施例中,距离计算模块被配置为用于执行以下步骤:
计算所述发货地坐标与所述收货地坐标之间的地理球面距离;
将所述地理球面距离确定为所述目标距离。
在其中一个实施例中,第二获取模块被配置为用于执行以下步骤:
根据所述订单信息对应商品获取商品信息;
根据所述商品信息确定对应发货考核时效作为所述发货时长;
根据所述商品信息获取所述发货地坐标;
根据所述订单信息中收货信息确定所述收货地坐标。
在其中一个实施例中,兜底送达时效预测装置还包括:
模型更新模块,用于定期获取历史订单数据更新所述聚类模型。
上述兜底送达时效预测装置中各个模块的划分仅仅用于举例说明,在其他实施例中,可将兜底送达时效预测装置按照需要划分为不同的模块,以完成上述兜底送达时效预测装置的全部或部分功能。上述兜底送达时效预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行以下步骤:
在生成订单时,获取订单信息;
根据所述订单信息获取发货时长、发货地坐标及收货地坐标;
计算所述发货地坐标与所述收货地坐标之间的目标距离;
基于所述目标距离在预设的聚类模型中匹配对应的配送时长;所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到;
计算所述发货时长与所述配送时长之和作为兜底送达时效。
在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:
若在预设时间内未调取到标准预测时效,则将所述兜底送达时效确定为订单预测送达时效。
在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:
若在预设时间内调取到标准预测时效,则将所述标准预测时效确定为订单预测送达时效。
在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:
计算所述发货地坐标与所述收货地坐标之间的地理球面距离;
将所述地理球面距离确定为所述目标距离。
在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:
根据所述订单信息对应商品获取商品信息;
根据所述商品信息确定对应发货考核时效作为所述发货时长;
根据所述商品信息获取所述发货地坐标;
根据所述订单信息中收货信息确定所述收货地坐标。
在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:
定期获取历史订单数据更新所述聚类模型。
在一个实施例中,本申请还提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述一个或多个处理器执行所述计算机可读指令时,执行以下步骤:
在生成订单时,获取订单信息;
根据所述订单信息获取发货时长、发货地坐标及收货地坐标;
计算所述发货地坐标与所述收货地坐标之间的目标距离;
基于所述目标距离在预设的聚类模型中匹配对应的配送时长;所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到;
计算所述发货时长与所述配送时长之和作为兜底送达时效。
在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:
若在预设时间内未调取到标准预测时效,则将所述兜底送达时效确定为订单预测送达时效。
在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:
若在预设时间内调取到标准预测时效,则将所述标准预测时效确定为订单预测送达时效。
在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:
计算所述发货地坐标与所述收货地坐标之间的地理球面距离;
将所述地理球面距离确定为所述目标距离。
在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:
根据所述订单信息对应商品获取商品信息;
根据所述商品信息确定对应发货考核时效作为所述发货时长;
根据所述商品信息获取所述发货地坐标;
根据所述订单信息中收货信息确定所述收货地坐标。
在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:
定期获取历史订单数据更新所述聚类模型。
示意性地,在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种兜底送达时效预测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种兜底送达时效预测方法,其特征在于,所述方法包括:
在生成订单时,获取订单信息;
根据所述订单信息获取发货时长、发货地坐标及收货地坐标;
计算所述发货地坐标与所述收货地坐标之间的目标距离;
基于所述目标距离在预设的聚类模型中匹配对应的配送时长;所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到;
计算所述发货时长与所述配送时长之和作为兜底送达时效。
2.根据权利要求1所述的兜底送达时效预测方法,其特征在于,所述方法还包括:
若在预设时间内未调取到标准预测时效,则将所述兜底送达时效确定为订单预测送达时效。
3.根据权利要求2所述的兜底送达时效预测方法,其特征在于,所述方法还包括:
若在预设时间内调取到标准预测时效,则将所述标准预测时效确定为订单预测送达时效。
4.根据权利要求2或3所述的兜底送达时效预测方法,其特征在于,所述标准预测时效为路由时效或配置时效。
5.根据权利要求1所述的兜底送达时效预测方法,其特征在于,所述计算所述发货地坐标与所述收货地坐标之间的目标距离,包括:
计算所述发货地坐标与所述收货地坐标之间的地理球面距离;
将所述地理球面距离确定为所述目标距离。
6.根据权利要求1所述的兜底送达时效预测方法,其特征在于,所述根据所述订单信息获取发货时长、发货地坐标及收货地坐标,包括:
根据所述订单信息对应商品获取商品信息;
根据所述商品信息确定对应发货考核时效作为所述发货时长;
根据所述商品信息获取所述发货地坐标;
根据所述订单信息中收货信息确定所述收货地坐标。
7.根据权利要求1所述的兜底送达时效预测方法,其特征在于,所述方法还包括:
定期获取历史订单数据更新所述聚类模型。
8.一种兜底送达时效预测装置,其特征在于,包括:
第一获取模块,用于在生成订单时,获取订单信息;
第二获取模块,用于根据所述订单信息获取发货时长、发货地坐标及收货地坐标;
距离计算模块,用于计算所述发货地坐标与所述收货地坐标之间的目标距离;
匹配模块,用于基于所述目标距离在预设的聚类模型中匹配对应的配送时长;所述聚类模型根据历史订单中的发货地与收货地之间的距离与配送时长的对应关系进行聚类得到;
时效计算模块,用于计算所述发货时长与所述配送时长之和作为兜底送达时效。
9.一种存储介质,其特征在于:所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项所述兜底送达时效预测方法的步骤。
10.一种计算机设备,其特征在于,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述一个或多个处理器执行时所述计算机可读指令时,执行如权利要求1至7中任一项所述兜底送达时效预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310342205.7A CN116136977A (zh) | 2023-03-31 | 2023-03-31 | 兜底送达时效预测方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310342205.7A CN116136977A (zh) | 2023-03-31 | 2023-03-31 | 兜底送达时效预测方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116136977A true CN116136977A (zh) | 2023-05-19 |
Family
ID=86334491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310342205.7A Pending CN116136977A (zh) | 2023-03-31 | 2023-03-31 | 兜底送达时效预测方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116136977A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096029A (zh) * | 2024-04-23 | 2024-05-28 | 宁波安得智联科技有限公司 | 订单的时效解析方法、装置、设备及计算机存储介质 |
-
2023
- 2023-03-31 CN CN202310342205.7A patent/CN116136977A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096029A (zh) * | 2024-04-23 | 2024-05-28 | 宁波安得智联科技有限公司 | 订单的时效解析方法、装置、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437137B (zh) | 供应链中的风险识别 | |
Snyder et al. | The stochastic location model with risk pooling | |
US11080726B2 (en) | Optimization of demand forecast parameters | |
US20150254589A1 (en) | System and Method to Provide Inventory Optimization in a Multi-Echelon Supply Chain Network | |
WO2019089146A1 (en) | Demand forecasting using weighted mixed machine learning models | |
Ahiska et al. | A Markov decision process-based policy characterization approach for a stochastic inventory control problem with unreliable sourcing | |
US11568432B2 (en) | Auto clustering prediction models | |
US20200104771A1 (en) | Optimized Selection of Demand Forecast Parameters | |
JP2017501477A (ja) | アイテム間類似度の生成 | |
US20210224833A1 (en) | Seasonality Prediction Model | |
CN111581078B (zh) | 一种业务异常定位方法、装置、计算机设备及存储介质 | |
CN116136977A (zh) | 兜底送达时效预测方法、装置、存储介质及计算机设备 | |
CN111507673A (zh) | 对商品库存进行管理的方法和装置 | |
CN114757630B (zh) | 仓储管理模型确定方法、装置及计算机设备 | |
US20170178221A1 (en) | Method and system for inventory availability prediction | |
Kumar et al. | Machine Learning Based Decision Support System for Resilient Supplier Selection | |
US11995669B2 (en) | Method and system for simulating fulfillment of digital orders | |
CN111242532A (zh) | 一种采购管理方法、装置和电子设备 | |
US20220222689A1 (en) | Methods and apparatus for surge-adjusted forecasting | |
US20230316202A1 (en) | Methods and apparatuses for automatically predicting fill rates | |
CN115759574A (zh) | 物资的存储方法、装置、计算机设备和存储介质 | |
Kim et al. | A multi-agent reinforcement learning model for inventory transshipments under supply chain disruption | |
CN115713200A (zh) | 库存调拨、订单处理、调度数据的处理方法和装置 | |
CN112017000A (zh) | 一种商品信息推送方法、装置、设备及存储介质 | |
Lutsenko et al. | A METHOD TO FORM CONTROL OVER QUEUING SYSTEMS TAKING INTO CONSIDERATION THE PROBABILISTIC CHARACTER OF DEMAND. |
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 |