CN113011672B - 物流时效预测方法、装置、电子设备及存储介质 - Google Patents
物流时效预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113011672B CN113011672B CN202110344428.8A CN202110344428A CN113011672B CN 113011672 B CN113011672 B CN 113011672B CN 202110344428 A CN202110344428 A CN 202110344428A CN 113011672 B CN113011672 B CN 113011672B
- Authority
- CN
- China
- Prior art keywords
- waybill
- predicted
- track
- prediction
- track data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000032683 aging Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012827 research and development Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000036962 time dependent Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种物流时效预测方法、装置、电子设备及存储介质,物流时效预测方法,包括:基于待预测运单的运单信息,确定待预测运单的轨迹类别;根据所述待预测运单的轨迹类别,确定预测模型;采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效。本发明基于不同情况的复杂多变的物流数据,实现高效的时效预测服务的研发、提高时效预测服务的可靠性和业务覆盖率。
Description
技术领域
本发明涉及计算机应用领域,尤其涉及一种物流时效预测方法、装置、电子设备及存储介质。
背景技术
在物流时效预测场景中,不同的物流供应商和不同的线路其数据来源的数量和质量复杂且多变。例如,某些物流供应商提供的物流数据的数量较大,数据质量较高;而某些物流供应商提供的物流数据的数据量较小,数据质量较差(例如部分数据缺失以及数据错误)。目前的物流时效预测需要基于这些复杂多变的物流数据来实现。然而,在实现过程中存在如下问题:时效预测服务的研发效率低、时效预测可靠性差,业务覆盖率不足。
由此,如何基于不同情况的复杂多变的物流数据,实现高效的时效预测服务的研发、提高时效预测服务的可靠性和业务覆盖率,是本领域亟待解决的技术问题。
发明内容
本发明为了克服上述相关技术存在的缺陷,提供一种物流时效预测方法、装置、电子设备及存储介质,进而基于不同情况的复杂多变的物流数据,实现高效的时效预测服务的研发、提高时效预测服务的可靠性和业务覆盖率。
根据本发明的一个方面,提供一种物流时效预测方法,包括:
基于待预测运单的运单信息,确定待预测运单的轨迹类别;
根据所述待预测运单的轨迹类别,确定预测模型;
采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效。
在本申请的一些实施例中,所述待预测运单的轨迹类别基于与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量确定。
在本申请的一些实施例中,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量属于第一阈值范围时,所述待预测运单属于第一轨迹类别,所述第一轨迹类别关联第一预测模型,所述第一预测模型至少由所述待预测运单具有至少一相同属性的历史轨迹数据训练获得。
在本申请的一些实施例中,所述第一预测模型为一个或多个机器学习模型。
在本申请的一些实施例中,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量属于第二阈值范围时,所述待预测运单属于第二轨迹类别,所述第二轨迹类别关联第二预测模型,所述第二预测模型基于至少所述待预测运单具有至少一相同属性的历史轨迹数据统计获得。
在本申请的一些实施例中,所述第二预测模型根据如下步骤建立:
获取与所述待预测运单具有至少一相同属性的历史轨迹数据的时效数据;
计算所获得的时效数据的中位数和/或平均数。
在本申请的一些实施例中,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量属于第三阈值范围时,所述待预测运单属于第三轨迹类别,所述第三轨迹类别关联第三预测模型,所述第三预测模型为时效查询配置表。
在本申请的一些实施例中,第一阈值范围大于第二阈值范围,第二阈值范围大于第三阈值范围。
在本申请的一些实施例中,所述属性包括物流服务商、发件地址、收件地址、揽件节点、派件节点、中转节点中的一个或多个组合。
在本申请的一些实施例中,所述采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效包括:
采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的各运输节点之间的时效;
基于所预测的各运输节点之间的时效,计算所述待预测运单的时效。
根据本申请的又一方面,还提供一种物流时效预测装置,包括:
第一确定模块,配置成基于待预测运单的运单信息,确定待预测运单的轨迹类别;
第二确定模块,配置成根据所述待预测运单的轨迹类别,确定预测模型;
预测模块,配置成采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效。
根据本发明的又一方面,还提供一种电子设备,所述电子设备包括:处理器;存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面,还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术,本发明的优势在于:
本发明通过待预测运单的运单信息,确定待预测运单的轨迹类别,从而根据所述待预测运单的轨迹类别,确定预测模型,采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效,由此,针对不同的轨迹类别使用不同的预测模型进行时效预测,从而适应各种不同数据的场景,以基于不同情况的复杂多变的物流数据,实现高效的时效预测服务的研发、提高时效预测服务的可靠性和业务覆盖率。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的物流时效预测方法的流程图。
图2示出了根据本发明实施例的建立第二预测模型的流程图。
图3示出了根据本发明实施例的采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效的流程图。
图4示出了根据本发明一具体实施例的物流时效预测方法的流程图。
图5示出了根据本发明实施例的划物流时效预测装置的模块图。
图6示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
图7示意性示出本发明示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此,实际执行的顺序有可能根据实际情况改变。
在本发明的各个实施例中,本发明提供的物流时效预测方法可以应用于物流平台、电商平台或任何第三方需要实现物流时效预测的平台,但本发明的应用场景并非以此为限制,在此不予赘述。
图1示出了根据本发明实施例的物流时效预测方法的流程图。物流时效预测方法包括如下步骤:
步骤S110:基于待预测运单的运单信息,确定待预测运单的轨迹类别。
具体而言,待预测订单的轨迹类别可以基于与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量确定。所述属性包括物流服务商、发件地址、收件地址、揽件节点、派件节点、中转节点中的一个或多个组合。由此,本发明可以依据各种不同属性组合的历史轨迹数据实现不同的轨迹类别的分类情况。所需的属性可以按需设置。例如,在一些具体实施例中,可以将物流服务商、发件地址(发件城市)以及收件地址(收件城市),作为所选取的属性,以根据与待预测订单属于同一物流服务商、发件地址(发件城市)以及收件地址(收件城市)的历史轨迹数据来确信待预测订单的轨迹类图3示出了根据本发明实施例的判断该的流程图。
在另一些实施例中,也可以将起始中转节点以及目标中转节点,作为所选取的属性,以根据与待预测订单属于同一起始中转节点以及目标中转节点的历史轨迹数据来确信待预测订单的轨迹类别。本发明还可以实现各种不同的属性组合,在此不予赘述。
具体而言,在本实施例中,轨迹类别基于历史轨迹数据的数量确定。在另一些实施例中,轨迹类别基于历史轨迹数据的质量确定。历史轨迹数据的质量可以包括但不限于历史轨迹数据的完整性、历史轨迹数据的准确性以及历史轨迹数据的时效性(是否与当前时间较近)。本发明并非以此为限制。历史轨迹数据的数量/质量是影响时效预测模型的重要指标。其它可能影响所要选取的时效预测模型的指标也可以在本发明的轨迹类别的分类指标的保护范围之内,在此不予赘述。
步骤S120:根据所述待预测运单的轨迹类别,确定预测模型。
具体而言,步骤S120可以依据不同的轨迹类别,确定不同的预测模型。在前述通过历史轨迹数据的数量和/或质量进行轨迹分类的实施例中,历史轨迹数据的数量越大和/或质量越高,所确定的预测模型的智能程度越高。预测模型的智能程度从高至低例如是深度学习模型、机器学习模型、统计学模型、查询表(映射表)模型。以上仅仅是示意性地,本发明并非以此为限制。
具体而言,所确定的预测模型可以预先根据不同的轨迹类别建立。在另一些实施例中,预测模型也可以实时根据轨迹类别来选择和建立。
步骤S130:采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效。
具体而言,根据不同的预测模型,本发明可以直接实现待预测运单的签收时效或者到达某一设定节点的时效。在一些变化例中,本发明也可以通过节点之间的时效预测,来确定运输总的时效预测。
在本发明提供的物流时效预测方法中,通过待预测运单的运单信息,确定待预测运单的轨迹类别,从而根据所述待预测运单的轨迹类别,确定预测模型,采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效,由此,针对不同的轨迹类别使用不同的预测模型进行时效预测,从而适应各种不同数据的场景,以基于不同情况的复杂多变的物流数据,实现高效的时效预测服务的研发、提高时效预测服务的可靠性和业务覆盖率。
下面将分别结合多个实施例,描述本发明的不同轨迹类别以及对应采用的时效预测模型。
在本申请的一些实施例中,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量属于第一阈值范围时,所述待预测运单属于第一轨迹类别。属性可以包括但不限于物流服务商、发件地址、收件地址、揽件节点、派件节点、中转节点中的一个或多个组合。具体而言,第一阈值范围为轨迹类别的数值范围中下限数值最大的阈值范围,从而表示待预测运单的对应属性的历史轨迹数据具有较大的数量和/或较高的质量。由于第一轨迹类别表示对应的历史轨迹数据具有较大的数量和/或较高的质量,从而能够也适于使用智能程度较高的预测模型。
具体而言,第一轨迹类别例如可以关联第一预测模型。所述第一预测模型至少由所述待预测运单具有至少一相同属性的历史轨迹数据训练获得。在本实施例中,用于判断待预测运单的轨迹类别的历史轨迹数据可以与训练第一预测模型的历史轨迹数据为相同的数据。本发明并非以此为限制。在一些变化例中,用于判断待预测运单的轨迹类别的历史轨迹数据也可以与训练第一预测模型的历史轨迹数据是不同历史时间段的历史轨迹数据,其中所阐述的不同历史时间段包括历史时间段的部分重叠和完全不重叠,本发明并非以此为限制。
具体而言,第一预测模型可以为一个或多个机器学习模型。例如可以采用XGBoost算法来实现。本发明并非以此为限制,其它神经网络模型、回归模型、时间序列预测模型等作为第一预测模型都在本发明的保护范围之内。
在本申请的一些实施例中,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量属于第二阈值范围时,所述待预测运单属于第二轨迹类别。属性的含义与第一轨迹类别判断时所使用的属性一致。具体而言,第二阈值范围的上限可以小于第一阈值范围的下限。第二阈值范围的下限也可以不小于最低阈值范围的上限。由此,表示待预测运单的对应属性的历史轨迹数据具有适中的数量和/或适中的质量。由于第二轨迹类别表示对应的历史轨迹数据具有适中的数量和/或适中的质量,从而能够也适于使用智能程度适中的预测模型。
具体而言,所述第二轨迹类别例如可以关联第二预测模型。所述第二预测模型基于至少所述待预测运单具有至少一相同属性的历史轨迹数据统计获得。在本实施例中,用于判断待预测运单的轨迹类别的历史轨迹数据可以与统计构建第二预测模型的历史轨迹数据为相同的数据。在一些变化例中,用于判断待预测运单的轨迹类别的历史轨迹数据也可以与统计构建第二预测模型的历史轨迹数据是不同历史时间段的历史轨迹数据。
下面参见图2,图2示出了根据本发明实施例的建立第二预测模型的流程图。图2共示出如下步骤:
步骤S101:获取与所述待预测运单具有至少一相同属性的历史轨迹数据的时效数据。
步骤S102:计算所获得的时效数据的中位数和/或平均数。
由此,可以通过上述步骤,以统计学中的中位数和/或平均数建立第二预测模型。具体而言,第二预测模型可以包括不同节点之间的时效数据的中位数和/或平均数,以通过类似查询的方式,作为与待预测运单在各节点之间的时效预测结果。进一步地,第二预测模型可以按周期或者按需更新,尽管第二预测模型基于统计学,从而相对第一预测模型具有相对低的智能程度,但其仍然具有自学习和更新的功能,从而也能够实现有效的时效预测。
在本申请的一些实施例中,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量属于第三阈值范围时,所述待预测运单属于第三轨迹类别。属性的含义与第一轨迹类别判断时所使用的属性一致。具体而言,第三阈值范围的上限可以小于第二阈值范围的下限。由此,表示待预测运单的对应属性的历史轨迹数据具有较低的数量和/或较低的质量。由于第三轨迹类别表示对应的历史轨迹数据具有较低的数量和/或较低的质量,从而可以适于使用智能程度较低的预测模型。
具体而言,所述第三轨迹类别例如可以关联第三预测模型。所述第三预测模型为时效查询配置表。时效查询配置表可以由物流供应商提供,时效查询配置表储存物流供应商提供的各节点之间的运输时间。在一个具体实施例中,第三预测模型可以通过同步该物流供应商的二级城市间的平均时效值落库获得。由此,对于第三轨迹类别,可以通过节点查表的形式,来实现时效预测。
以上仅仅是示意性地示出本发明提供的三种轨迹类别以及对应的预测模型,本发明并非以此为限制,采用其中任意两种轨迹类别以及对应的预测模型,或者按需增加其它轨迹类别和预测模型也在本发明的保护范围之内。
下面参见图3,图3示出了根据本发明实施例的采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效的流程图。图3共示出如下步骤:
步骤S131:采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的各运输节点之间的时效;
步骤S132:基于所预测的各运输节点之间的时效,计算所述待预测运单的时效。
由此,本发明可以按需实现任意节点之间的时效预测,也可以实现运输过程中的总的时效。
在本发明的各个实时例中,所述的时效可以为时间段或者时间点,本发明并非以此为限制。
下面参见图4,图4示出了根据本发明一具体实施例的物流时效预测方法的流程图。图4共示出如下步骤:
首先获取运单信息(201);然后根据运单信息确定轨迹类别,从而根据轨迹类别确定所使用的预测模型(202)。
对于历史数据量大且质量高的第一轨迹类别的运单信息,可以采用第一预测模型进行时效预测(207)。第一预测模型通过输入历史轨迹数据(208),从而进行模型训练(209)。第一预测模型例如通过XGBoost算法来实现,从而模型的训练即特征树的构建和完善。将运单信息输入第一预测模型(210),在经训练的第一预测模型中计算运单信息在特征树中对应的节点(211),根据节点值相加作为时效预测值(212)。由此,实现第一轨迹类别的时效预测。
对于历史数据量适中且质量适中的第二轨迹类别的运单信息,可以采用第二预测模型进行时效预测(203)。第二预测模型通过获取历史轨迹数据(204)、统计时效中位数或平均值(205),从而建立第二预测模型(206)。第二预测模型(206)可以包括节点组和节点组之间的时效统计值,从而将运输路径中的节点之间的时效统计值相加(或者直接获取节点之间的时效统计值),作为时效预测结果。由此,实现第二轨迹类别的时效预测。
对于历史数据量小且质量低的第三轨迹类别的运单信息,可以采用第三预测模型进行时效预测(213)。第三预测模型从物流供应商接收的查询表(214)。查询表例如可以为物流供应商的城市间的平均时效值落库;并提供配置平台便于更改。由此,可以通过分布式缓存或数据库查询的方式基于查询表实现第三轨迹类别的时效预测查询。
以上仅仅是本发明的物流时效预测方法的多个具体实现方式,各实现方式可以独立或组合来实现,本发明并非以此为限制。进一步地,本发明的流程图仅仅是示意性地,各步骤之间的执行顺序并非以此为限制,步骤的拆分、合并、顺序交换、其它同步或异步执行的方式皆在本发明的保护范围之内。
下面参见图5,图5示出了根据本发明实施例的物流时效预测装置的模块图。物流时效预测装置300包括第一确定模块310、第二确定模块320以及预测模块330。
第一确定模块310配置成基于待预测运单的运单信息,确定待预测运单的轨迹类别。
第二确定模块320配置成根据所述待预测运单的轨迹类别,确定预测模型。
预测模块330配置成采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效。
在本发明的示例性实施方式的物流时效预测装置中,通过待预测运单的运单信息,确定待预测运单的轨迹类别,从而根据所述待预测运单的轨迹类别,确定预测模型,采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效,由此,针对不同的轨迹类别使用不同的预测模型进行时效预测,从而适应各种不同数据的场景,以基于不同情况的复杂多变的物流数据,实现高效的时效预测服务的研发、提高时效预测服务的可靠性和业务覆盖率。
图5仅仅是示意性的分别示出本发明提供的物流时效预测装置300,在不违背本发明构思的前提下,模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的物流时效预测装置200可以由软件、硬件、固件、插件及他们之间的任意组合来实现,本发明并非以此为限。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被例如处理器执行时可以实现上述任意一个实施例中所述物流时效预测方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述所述物流时效预测方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到租户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本发明的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述物流时效预测方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图7来描述根据本发明的这种实施方式的电子设备500。图7显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同***组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述所述物流时效预测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1至图4任一幅或多幅附图所示的步骤。
所述存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通讯,还可与一个或者多个使得租户能与该电子设备500交互的设备通讯,和/或与使得该电子设备500能与一个或多个其它计算设备进行通讯的任何设备(例如路由器、调制解调器等等)通讯。这种通讯可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通讯。网络适配器560可以通过总线530与电子设备500的其它模块通讯。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述所述物流时效预测方法。
相比现有技术,本发明的优势在于:
本发明通过待预测运单的运单信息,确定待预测运单的轨迹类别,从而根据所述待预测运单的轨迹类别,确定预测模型,采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效,由此,针对不同的轨迹类别使用不同的预测模型进行时效预测,从而适应各种不同数据的场景,以基于不同情况的复杂多变的物流数据,实现高效的时效预测服务的研发、提高时效预测服务的可靠性和业务覆盖率。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种物流时效预测方法,其特征在于,包括:
基于待预测运单的运单信息,确定待预测运单的轨迹类别,所述待预测运单的轨迹类别基于与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量确定;
其中,所述属性包括物流服务商、发件地址、收件地址、揽件节点、派件节点、中转节点中的一个或多个组合;所述历史轨迹数据的质量包括所述历史轨迹数据的完整性、准确性和时效性;
根据所述待预测运单的轨迹类别,确定预测模型;
其中,对所对应的历史轨迹数据的数量大和/或质量高的轨迹类别,确定所述预测模型为机器学习模型;对所对应的历史轨迹数据的数量适中和/或质量适中的轨迹类别,确定所述预测模型为统计学模型;对所对应的历史轨迹数据的数量小和/或质量低的轨迹类别,确定所述预测模型为查询表模型;
采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效。
2.如权利要求1所述的物流时效预测方法,其特征在于,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量大和/或质量高时,所述待预测运单属于第一轨迹类别,所述第一轨迹类别关联所述机器学习模型,所述机器学习模型至少由所述待预测运单具有至少一相同属性的历史轨迹数据训练获得。
3.如权利要求2所述的物流时效预测方法,其特征在于,所述机器学习模型包括一个或多个。
4.如权利要求1所述的物流时效预测方法,其特征在于,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量适中和/或质量适中时,所述待预测运单属于第二轨迹类别,所述第二轨迹类别关联所述统计学模型,所述统计学模型基于至少所述待预测运单具有至少一相同属性的历史轨迹数据统计获得。
5.如权利要求4所述的物流时效预测方法,其特征在于,所述统计学模型根据如下步骤建立:
获取与所述待预测运单具有至少一相同属性的历史轨迹数据的时效数据;
计算所获得的时效数据的中位数和/或平均数。
6.如权利要求1所述的物流时效预测方法,其特征在于,当与所述待预测运单具有至少一相同属性的历史轨迹数据的数量小和/或质量低时,所述待预测运单属于第三轨迹类别,所述第三轨迹类别关联所述查询表模型,所述查询表模型为时效查询配置表。
7.如权利要求1至6任一项所述的物流时效预测方法,其特征在于,所述采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效包括:
采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的各运输节点之间的时效;
基于所预测的各运输节点之间的时效,计算所述待预测运单的时效。
8.一种物流时效预测装置,其特征在于,包括:
第一确定模块,配置成基于待预测运单的运单信息,确定待预测运单的轨迹类别,所述待预测运单的轨迹类别基于与所述待预测运单具有至少一相同属性的历史轨迹数据的数量和/或质量确定;
其中,所述属性包括物流服务商、发件地址、收件地址、揽件节点、派件节点、中转节点中的一个或多个组合;所述历史轨迹数据的质量包括所述历史轨迹数据的完整性、准确性和时效性;
第二确定模块,配置成根据所述待预测运单的轨迹类别,确定预测模型;
其中,对所对应的历史轨迹数据的数量大和/或质量高的轨迹类别,确定所述预测模型为机器学习模型;对所对应的历史轨迹数据的数量适中和/或质量适中的轨迹类别,确定所述预测模型为统计学模型;对所对应的历史轨迹数据的数量小和/或质量低的轨迹类别,确定所述预测模型为查询表模型;
预测模块,配置成采用所确定的预测模型,基于所述待预测运单的运单信息和/或轨迹数据,预测所述待预测运单的时效。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行:
如权利要求1至7任一项所述的物流时效预测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行:
如权利要求1至7任一项所述的物流时效预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344428.8A CN113011672B (zh) | 2021-03-29 | 2021-03-29 | 物流时效预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344428.8A CN113011672B (zh) | 2021-03-29 | 2021-03-29 | 物流时效预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011672A CN113011672A (zh) | 2021-06-22 |
CN113011672B true CN113011672B (zh) | 2024-04-19 |
Family
ID=76409483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344428.8A Active CN113011672B (zh) | 2021-03-29 | 2021-03-29 | 物流时效预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011672B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418236A (zh) * | 2022-02-09 | 2022-04-29 | 北京京东振世信息技术有限公司 | 信息预测方法、装置、存储介质及电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109313742A (zh) * | 2017-05-16 | 2019-02-05 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的方法及*** |
CN109784820A (zh) * | 2019-03-28 | 2019-05-21 | 上海中通吉网络技术有限公司 | 一种快递路由智能解决方法、装置、终端设备及存储介质 |
CN111008805A (zh) * | 2019-12-06 | 2020-04-14 | 京东数字城市(成都)科技有限公司 | 妥投时间确定方法、装置、存储介质与电子设备 |
CN111080007A (zh) * | 2019-12-13 | 2020-04-28 | 上海中通吉网络技术有限公司 | 快件到达时间的预测方法、装置、设备及存储介质 |
CN111260151A (zh) * | 2020-02-12 | 2020-06-09 | 上海东普信息科技有限公司 | 多频次派件时长预测方法、装置、设备及存储介质 |
CN111476588A (zh) * | 2019-01-24 | 2020-07-31 | 北京嘀嘀无限科技发展有限公司 | 订单需求预测方法、装置、电子设备及可读存储介质 |
CN111861302A (zh) * | 2020-05-21 | 2020-10-30 | 上海寻梦信息技术有限公司 | 物流订单的断更处理方法、装置、电子设备及存储介质 |
CN111861328A (zh) * | 2020-07-21 | 2020-10-30 | 上海寻梦信息技术有限公司 | 建立物流识别库的方法、物流轨迹查询更新方法及设备 |
CN111950803A (zh) * | 2020-08-24 | 2020-11-17 | 上海寻梦信息技术有限公司 | 物流对象送达时间预测方法、装置、电子设备及存储介质 |
CN111967793A (zh) * | 2020-08-28 | 2020-11-20 | 上海寻梦信息技术有限公司 | 物流时效评价方法、装置、电子设备及存储介质 |
CN112101839A (zh) * | 2020-07-10 | 2020-12-18 | 上海寻梦信息技术有限公司 | 建立快递送达时间预测模型的方法、预测方法及相关设备 |
CN112465149A (zh) * | 2020-11-30 | 2021-03-09 | 上海寻梦信息技术有限公司 | 同城件识别方法、装置、电子设备以及存储介质 |
CN112488623A (zh) * | 2020-11-30 | 2021-03-12 | 上海寻梦信息技术有限公司 | 展示包裹预配送路线的方法、装置、设备以及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3586285A4 (en) * | 2017-06-13 | 2020-01-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR RECOMMENDING AN ESTIMATED ARRIVAL TIME |
CN113011665A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 物流时效预测方法、装置、设备及存储介质 |
-
2021
- 2021-03-29 CN CN202110344428.8A patent/CN113011672B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109313742A (zh) * | 2017-05-16 | 2019-02-05 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的方法及*** |
CN111476588A (zh) * | 2019-01-24 | 2020-07-31 | 北京嘀嘀无限科技发展有限公司 | 订单需求预测方法、装置、电子设备及可读存储介质 |
CN109784820A (zh) * | 2019-03-28 | 2019-05-21 | 上海中通吉网络技术有限公司 | 一种快递路由智能解决方法、装置、终端设备及存储介质 |
CN111008805A (zh) * | 2019-12-06 | 2020-04-14 | 京东数字城市(成都)科技有限公司 | 妥投时间确定方法、装置、存储介质与电子设备 |
CN111080007A (zh) * | 2019-12-13 | 2020-04-28 | 上海中通吉网络技术有限公司 | 快件到达时间的预测方法、装置、设备及存储介质 |
CN111260151A (zh) * | 2020-02-12 | 2020-06-09 | 上海东普信息科技有限公司 | 多频次派件时长预测方法、装置、设备及存储介质 |
CN111861302A (zh) * | 2020-05-21 | 2020-10-30 | 上海寻梦信息技术有限公司 | 物流订单的断更处理方法、装置、电子设备及存储介质 |
CN112101839A (zh) * | 2020-07-10 | 2020-12-18 | 上海寻梦信息技术有限公司 | 建立快递送达时间预测模型的方法、预测方法及相关设备 |
CN111861328A (zh) * | 2020-07-21 | 2020-10-30 | 上海寻梦信息技术有限公司 | 建立物流识别库的方法、物流轨迹查询更新方法及设备 |
CN111950803A (zh) * | 2020-08-24 | 2020-11-17 | 上海寻梦信息技术有限公司 | 物流对象送达时间预测方法、装置、电子设备及存储介质 |
CN111967793A (zh) * | 2020-08-28 | 2020-11-20 | 上海寻梦信息技术有限公司 | 物流时效评价方法、装置、电子设备及存储介质 |
CN112465149A (zh) * | 2020-11-30 | 2021-03-09 | 上海寻梦信息技术有限公司 | 同城件识别方法、装置、电子设备以及存储介质 |
CN112488623A (zh) * | 2020-11-30 | 2021-03-12 | 上海寻梦信息技术有限公司 | 展示包裹预配送路线的方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113011672A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555640B (zh) | 路由规划的方法和装置 | |
CN107133645B (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
CN114091617A (zh) | 联邦学习建模优化方法、电子设备、存储介质及程序产品 | |
WO2020168851A1 (zh) | 行为识别 | |
CN111950803A (zh) | 物流对象送达时间预测方法、装置、电子设备及存储介质 | |
CN110708285B (zh) | 流量监控方法、装置、介质及电子设备 | |
US10176437B2 (en) | Method and apparatus to analytically support parts provision for hardware maintenance service | |
CN111967808B (zh) | 确定物流对象收货方式的方法、装置、电子设备及存储介质 | |
CN112819263A (zh) | 一种调度客服的方法和装置 | |
CN113011672B (zh) | 物流时效预测方法、装置、电子设备及存储介质 | |
CN112347316A (zh) | 基于GraphSAGE的不良嗜好行为检测方法、装置及电子设备 | |
CN111044062B (zh) | 路径规划、推荐方法和装置 | |
CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN115062617A (zh) | 基于提示学习的任务处理方法、装置、设备及介质 | |
CN105447032A (zh) | 用于处理消息与订阅信息方法和*** | |
CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
CN110363583B (zh) | 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备 | |
CN113011665A (zh) | 物流时效预测方法、装置、设备及存储介质 | |
CN113723890B (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
CN113011664B (zh) | 物流时效监控方法、装置、电子设备及存储介质 | |
CN112183859B (zh) | 路由配置表更新方法、装置、电子设备以及存储介质 | |
CN112488624A (zh) | 物流路由信息计算方法、装置、设备以及存储介质 | |
CN113537671B (zh) | 分拣时效预测方法及装置、存储介质、电子设备 | |
CN114547106A (zh) | 数据查询方法及装置、存储介质、计算机*** |
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 |