CN116955853A - 订单签收时间预计查询方法、装置、设备及存储介质 - Google Patents
订单签收时间预计查询方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116955853A CN116955853A CN202310928482.6A CN202310928482A CN116955853A CN 116955853 A CN116955853 A CN 116955853A CN 202310928482 A CN202310928482 A CN 202310928482A CN 116955853 A CN116955853 A CN 116955853A
- Authority
- CN
- China
- Prior art keywords
- time
- track
- information
- logistics
- latest
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001502 supplementing effect Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012384 transportation and delivery Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
- G06Q10/0833—Tracking
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息处理技术领域,尤其涉及一种订单签收时间预计查询方法、装置、设备及存储介质,通过对初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据最新物流轨迹查询结果进行计算,得到最新预计签收时间,进而根据实际运输状况能动态更新物流订单的预计签收时间,提高物流订单签收时间的预计精准度,通过起始时间信息进行计算得到兜底预计签收时间,具备签收时间兜底预计,当初始物流轨迹查询结果无更新状态时,将兜底预计签收时间发送至查询终端,提高订单签收时间预计的可靠度,提升物流订单整体结算效率和公司运营效率,提升用户和网点的双方体验。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种订单签收时间预计查询方法、装置、设备及存储介质。
背景技术
随着电商网络的不断发展,以“物流+互联网”的业务协同组合模式在物流综合服务平台中得到了广泛的应用和推广,物流业是当前实现产品流通的重要服务环节,对商品流通、物资调配发挥着不可替代的作用,随着电子商务领域的不断成熟,物流领域信息化的不断完善,物流领域对物流数据处理的需求越来越大,物流订单的签收时间通常伴随着物流订单的结束和物流订单的账单计算,但因为物流业务需要逐层的转包和分包,使得物流信息全程跟踪链路过长,在日益增长的物流数据或者物流业务的多次转包和分包之后,难以对物流订单预计签收时间进行精准的预计,降低物流订单整体结算效率和公司运营效率,且目前预计到达时间仅根据历史数据估计,无法及时提供运输网络调整发生变动后的快件预计到达时间,且快件在实际运输途中可能遭遇堵车、订单过多导致人手不足或因天气原因留仓等状况,现有的方案仅做一次性预测,无法动态更新预计到达时间,准确性偏低,降低用户和网点的双方体验。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种根据实际运输状况能动态更新物流订单的预计签收时间,提高物流订单签收时间的预计精准度,提升物流订单整体结算效率和公司运营效率,提升用户和网点的双方体验,同时具备签收时间兜底预计,提高订单签收时间预计可靠度的订单签收时间预计查询方法、装置、设备及存储介质。
本发明第一方面提供了一种订单签收时间预计查询方法,包括:获取查询终端发送的运单号信息,将所述运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果;识别所述初始物流轨迹查询结果的起始时间信息,根据所述起始时间信息进行计算,得到兜底预计签收时间;判断所述初始物流轨迹查询结果是否有更新状态;若是,则对所述初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据所述最新物流轨迹查询结果进行计算,得到最新预计签收时间;将所述兜底预计签收时间替换为最新预计签收时间,并将所述最新预计签收时间发送至所述查询终端。
可选的,在本发明第一方面的第一种实现方式中,所述获取查询终端发送的运单号信息,将所述运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果,包括:获取查询终端发送的运单号信息,并获取历史物流轨迹数据;从所述历史物流轨迹数据中提取物流轨迹特征数据,所述物流轨迹特征数据至少包括轨迹片段特征以及操作时段特征;生成多个轨迹样本,各个所述轨迹样本包括物流轨迹特征数据以及物流轨迹送达时长;利用所述轨迹样本训练为物流轨迹模型;调用物流轨迹模型,将所述运单号信息输入至所述物流轨迹模型进行查询,得到初始物流轨迹查询结果。
可选的,在本发明第一方面的第二种实现方式中,所述识别所述初始物流轨迹查询结果的起始时间信息,根据所述起始时间信息进行计算,得到兜底预计签收时间,包括:识别所述初始物流轨迹查询结果的多个轨迹节点,并预计多个所述轨迹节点分别对应的多个执行时长;分别获取每个所述轨迹节点的班表日历信息,识别所述班表日历信息中的放假信息;基于所述起始时间信息对所述放假信息和多个所述执行时长进行累加,得到兜底预计签收时间。
可选的,在本发明第一方面的第三种实现方式中,所述识别所述初始物流轨迹查询结果的多个轨迹节点,并预计多个所述轨迹节点分别对应的多个执行时长,包括:识别所述初始物流轨迹查询结果的多个轨迹节点;采集相邻两个所述轨迹节点之间的历史订单数据,根据所述历史订单数据计算历史平均配送时长;根据多个所述历史平均配送时长分别预计多个所述轨迹节点对应的多个执行时长。
可选的,在本发明第一方面的第四种实现方式中,所述若是,则对所述初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据所述最新物流轨迹查询结果进行计算,得到最新预计签收时间,包括:若是,则在物流轨迹模型中获取扫描终端实时传输的物流扫描记录信息,所述物流扫描记录信息包括扫描时间和扫描网点;根据所述扫描时间对所述运单号信息对应的多个物流扫描记录信息进行排序,并识别所述扫描时间最晚的物流扫描记录信息,得到目标扫描记录信息;根据所述目标扫描记录信息生成最新物流轨迹查询结果;根据所述目标扫描记录信息对应的扫描时间对所述最新物流轨迹查询结果进行计算,得到最新预计签收时间。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述目标扫描记录信息对应的扫描时间对所述最新物流轨迹查询结果进行计算,得到最新预计签收时间,包括:实时获取速度影响特征数据,所述速度影响特征数据包括实时天气数据和实时路况数据,根据所述目标扫描记录信息对应的扫描时间对所述最新物流轨迹查询结果进行计算,得到初始预计签收时间;识别所述扫描网点当前的背单状态信息和运载力信息,根据所述背单状态信息和所述运载力信息计算第一补时信息,根据所述实时天气数据计算第二补时信息;根据所述实时路况数据更新路径信息,得到最新路径信息,根据所述最新路径信息修正所述扫描网点的原始轨迹距离,得到修正轨迹距离;根据所述原始轨迹距离和所述修正轨迹距离计算第三补时信息,根据所述第一补时信息、所述第二补时信息和所述第三补时信息对所述初始预计签收时间进行迭代,得到最新预计签收时间。
可选的,在本发明第一方面的第六种实现方式中,所述判断所述初始物流轨迹查询结果是否有更新状态之后,还包括:若否,则根据初始物流轨迹查询结果生成物流轨迹图;将兜底预计签收时间绘制于物流轨迹图内,得到物流轨迹预计签收时间图;将所述物流轨迹预计签收时间图发送至所述查询终端。
本发明第二方面提供了一种订单签收时间预计查询装置,包括:获取查询模块,用于获取查询终端发送的运单号信息,将所述运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果;识别计算模块,用于识别所述初始物流轨迹查询结果的起始时间信息,根据所述起始时间信息进行计算,得到兜底预计签收时间;判断模块,用于判断所述初始物流轨迹查询结果是否有更新状态;更新计算模块,用于若是,则对所述初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据所述最新物流轨迹查询结果进行计算,得到最新预计签收时间;替换发送模块,用于将所述兜底预计签收时间替换为最新预计签收时间,并将所述最新预计签收时间发送至所述查询终端。
可选的,在本发明第二方面的第一种实现方式中,所述获取查询模块包括:第一获取单元,用于获取查询终端发送的运单号信息,并获取历史物流轨迹数据;提取单元,用于从所述历史物流轨迹数据中提取物流轨迹特征数据,所述物流轨迹特征数据至少包括轨迹片段特征以及操作时段特征;第一生成单元,用于生成多个轨迹样本,各个所述轨迹样本包括物流轨迹特征数据以及物流轨迹送达时长;训练单元,用于利用所述轨迹样本训练为物流轨迹模型;调用输入单元,用于调用物流轨迹模型,将所述运单号信息输入至所述物流轨迹模型进行查询,得到初始物流轨迹查询结果。
可选的,在本发明第二方面的第二种实现方式中,所述识别计算模块包括:识别预计单元,用于识别所述初始物流轨迹查询结果的多个轨迹节点,并预计多个所述轨迹节点分别对应的多个执行时长;获取识别单元,用于分别获取每个所述轨迹节点的班表日历信息,识别所述班表日历信息中的放假信息;累加单元,用于基于所述起始时间信息对所述放假信息和多个所述执行时长进行累加,得到兜底预计签收时间。
可选的,在本发明第二方面的第三种实现方式中,所述识别预计单元具体用于识别所述初始物流轨迹查询结果的多个轨迹节点;采集相邻两个所述轨迹节点之间的历史订单数据,根据所述历史订单数据计算历史平均配送时长;根据多个所述历史平均配送时长分别预计多个所述轨迹节点对应的多个执行时长。
可选的,在本发明第二方面的第四种实现方式中,所述更新计算模块包括:第二获取单元,用于若是,则在物流轨迹模型中获取扫描终端实时传输的物流扫描记录信息,所述物流扫描记录信息包括扫描时间和扫描网点;排序识别单元,用于根据所述扫描时间对所述运单号信息对应的多个物流扫描记录信息进行排序,并识别所述扫描时间最晚的物流扫描记录信息,得到目标扫描记录信息;第二生成单元,用于根据所述目标扫描记录信息生成最新物流轨迹查询结果;计算单元,用于根据所述目标扫描记录信息对应的扫描时间对所述最新物流轨迹查询结果进行计算,得到最新预计签收时间。
可选的,在本发明第二方面的第五种实现方式中,所述计算单元具体用于实时获取速度影响特征数据,所述速度影响特征数据包括实时天气数据和实时路况数据,根据所述目标扫描记录信息对应的扫描时间对所述最新物流轨迹查询结果进行计算,得到初始预计签收时间;识别所述扫描网点当前的背单状态信息和运载力信息,根据所述背单状态信息和所述运载力信息计算第一补时信息,根据所述实时天气数据计算第二补时信息;根据所述实时路况数据更新路径信息,得到最新路径信息,根据所述最新路径信息修正所述扫描网点的原始轨迹距离,得到修正轨迹距离;根据所述原始轨迹距离和所述修正轨迹距离计算第三补时信息,根据所述第一补时信息、所述第二补时信息和所述第三补时信息对所述初始预计签收时间进行迭代,得到最新预计签收时间。
可选的,在本发明第二方面的第六种实现方式中,还包括:生成模块,用于若否,则根据初始物流轨迹查询结果生成物流轨迹图;绘制模块,用于将兜底预计签收时间绘制于物流轨迹图内,得到物流轨迹预计签收时间图;发送模块,用于将所述物流轨迹预计签收时间图发送至所述查询终端。
本发明第三方面提供了一种订单签收时间预计查询设备,所述订单签收时间预计查询设备包括:存储器和至少一个处理器,所述存储器中存储有指令;至少一个所述处理器调用所述存储器中的所述指令,以使得所述订单签收时间预计查询设备执行上述任一项所述的订单签收时间预计查询方法的各个步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述任一项所述订单签收时间预计查询方法的各个步骤。
本发明的技术方案中,通过对初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据最新物流轨迹查询结果进行计算,得到最新预计签收时间,进而根据实际运输状况能动态更新物流订单的预计签收时间,提高物流订单签收时间的预计精准度,通过起始时间信息进行计算得到兜底预计签收时间,具备签收时间兜底预计,当初始物流轨迹查询结果无更新状态时,将兜底预计签收时间发送至查询终端,提高订单签收时间预计的可靠度,提升物流订单整体结算效率和公司运营效率,提升用户和网点的双方体验。
附图说明
图1为本发明实施例提供的订单签收时间预计查询方法的第一种流程图;
图2为本发明实施例提供的订单签收时间预计查询方法的第二种流程图;
图3为本发明实施例提供的订单签收时间预计查询方法的第三种流程图;
图4为本发明实施例提供的订单签收时间预计查询方法的第四种流程图;
图5为本发明实施例提供的订单签收时间预计查询装置的一种结构示意图;
图6为本发明实施例提供的订单签收时间预计查询装置的另一种结构示意图;
图7为本发明实施例提供的订单签收时间预计查询设备的结构示意图。
具体实施方式
本发明提供了一种订单签收时间预计查询方法、装置、设备及存储介质,通过根据实际运输状况能动态更新物流订单的预计签收时间,提高物流订单签收时间的预计精准度,提升物流订单整体结算效率和公司运营效率,提升用户和网点的双方体验,同时具备签收时间兜底预计,提高订单签收时间预计的可靠度。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中订单签收时间预计查询方法的一个实施例包括:
101、获取查询终端发送的运单号信息,将运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果;
在本实施例中,从查询终端获取用户输入的运单号信息,使用预设的物流轨迹模型,将获取到的运单号信息作为输入,执行查询操作,物流轨迹模型是一个事先训练好的模型,通常基于历史数据和算法,能够根据运单号推断出相应的物流信息,得到初始物流轨迹查询结果。
102、识别初始物流轨迹查询结果的起始时间信息,根据起始时间信息进行计算,得到兜底预计签收时间;
在本实施例中,从初始物流轨迹查询结果中提取出第一个扫描记录的时间信息,作为起始时间,如果查询结果是按时间顺序排序的,可以直接获取第一个扫描记录的时间,如果查询结果没有按时间排序,需要遍历所有扫描记录,找到最早的时间作为起始时间,以起始时间为基准,结合相关运输数据和经验规则,进行预测和计算,得到兜底预计签收时间,计算公式为:起始时间+预设时间=兜底预计签收时间,预设时间的设定方法可以包括预估货物在不同运输节点之间的平均运输时间,并考虑距离、运输方式、交通状况等因素;考虑常见延误情况,如天气影响、航班取消、海关清关等,给予相应的调整;考虑物流快递公司的服务水平、历史数据和指标,并进行评估和修正,进而设定预设时间。
103、判断初始物流轨迹查询结果是否有更新状态;
在本实施例中,将获取到的最新物流轨迹查询结果与之前保存的上一次查询结果进行比较,识别每个扫描记录的时间和信息,如果最新查询结果中出现了新的扫描记录,表示物流轨迹有更新,除了扫描记录外,还可以比对运输状态的变化,例如,如果查询结果中的运输状态从"在途"变为"派送中",则表示物流轨迹有更新,根据扫描记录和运输状态的比较结果,判断是否存在更新状态,如果有任何一个扫描记录或运输状态发生了变化,即可认为物流轨迹有更新。
104、若是,则对初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据最新物流轨迹查询结果进行计算,得到最新预计签收时间;
在本实施例中,将初始的物流轨迹查询结果进行实时更新,根据实时更新的过程,获取到最新的物流轨迹查询结果,确保获取到的数据是经过最新更新的信息,基于最新物流轨迹查询结果和相关信息,进行计算得出最新预计签收时间。
105、将兜底预计签收时间替换为最新预计签收时间,并将最新预计签收时间发送至查询终端;
在本实施例中,首先,需要获取到原先的兜底预计签收时间,这是在物流轨迹查询结果中提供的一个初始估计时间,根据最新的物流轨迹查询结果和相关信息,进行计算得出最新的预计签收时间,将计算得到的最新预计签收时间替换原先的兜底预计签收时间,将更新后的最新预计签收时间发送给查询终端,可以通过短信、电子邮件、手机应用程序等方式进行通知。
本发明实施例中,通过对初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据最新物流轨迹查询结果进行计算,得到最新预计签收时间,进而根据实际运输状况能动态更新物流订单的预计签收时间,提高物流订单签收时间的预计精准度,通过起始时间信息进行计算得到兜底预计签收时间,具备签收时间兜底预计,当初始物流轨迹查询结果无更新状态时,将兜底预计签收时间发送至查询终端,提高订单签收时间预计的可靠度,提升物流订单整体结算效率和公司运营效率,提升用户和网点的双方体验。
请参阅图2,本发明实施例中订单签收时间预计查询方法的第二个实施例包括:
201、获取查询终端发送的运单号信息,并获取历史物流轨迹数据;
在本实施例中,获取用户输入的运单号信息,物流公司会通过自己的信息***记录和管理物流运输的过程,包括各个环节的扫描信息、仓储信息等,因此,可以通过与物流公司的***进行数据交互来获取历史物流轨迹数据。
202、从历史物流轨迹数据中提取物流轨迹特征数据,物流轨迹特征数据至少包括轨迹片段特征以及操作时段特征;
在本实施例中,轨迹片段特征是指物流轨迹中的一段连续时间和空间上的运输路径,为了提取轨迹片段特征数据,可以考虑以下几个方面:距离特征:计算轨迹片段的总距离或平均距离,以衡量货物在该段路程上的行驶情况,时间特征:计算轨迹片段的总时间或平均时间,以表示货物在该段路程上的耗时情况,速度特征:通过计算轨迹段的行驶速度,例如平均速度、最大速度和最小速度,来了解货物在不同路段上的运输速度变化,路径特征:提取轨迹片段经过的道路或地理位置信息,用于分析货物运输的具体路径;
操作时段特征:操作时段特征主要指物流轨迹中的操作时间段的特征,为了提取操作时段特征数据,可以考虑以下几个方面:开始时间和结束时间:记录每个轨迹片段的开始时间和结束时间,以便确定货物在不同时间段内的运输情况,运营时间窗口:将一天划分为若干个时间段,统计货物在每个时间段内的运输情况,例如早上、中午、下午或晚上等,高峰运输时段:识别出具有较高货运量的时间段,用于分析货物在高负荷情况下的运输状况;
通过提取轨迹片段特征数据和操作时段特征数据,可以更好地了解物流运输过程中的行驶距离、耗时、速度变化以及运输时间段的分布情况。
203、生成多个轨迹样本,各个轨迹样本包括物流轨迹特征数据以及物流轨迹送达时长;
在本实施例中,根据历史物流轨迹数据和提取的轨迹特征数据,可以生成多个轨迹样本,这些轨迹样本可以包含一系列的特征数据,如距离特征、时间特征、速度特征和路径特征等,每个轨迹样本代表了一次货物的运输过程,在空间和时间上反映出货物的运动轨迹,除了物流轨迹特征数据外,每个轨迹样本还应包括物流轨迹的送达时长,送达时长是指从货物发出到最终送达目的地所经过的总时间,它可以作为一个目标变量或标签,用于衡量物流运输的效率和准确性;
生成多个轨迹样本的过程需要使用历史物流数据和相关特征进行训练和模型建立,可以采用机器学习方法,如回归模型或深度学习模型,通过对特征数据和送达时长的建模来预测未知轨迹样本的送达时间,生成的多个轨迹样本可以用于物流规划、预测和优化等应用。
204、利用轨迹样本训练为物流轨迹模型;
在本实施例中,首先需要收集一定数量的物流轨迹样本数据,这些样本数据应包括物流轨迹的特征数据和对应的标签(例如送达时长),可以从历史物流记录中获取这些数据,确保数据的质量和准确性,在进行模型训练之前,需要对轨迹样本数据进行特征工程处理,这包括选择合适的特征,对特征进行预处理和转换,以便更好地表达物流轨迹的信息,根据任务的需求和数据的特点,选择合适的机器学习算法或深度学习模型来构建物流轨迹模型,常用的机器学习算法包括线性回归、决策树、随机森林和支持向量机等,深度学习模型中,可以考虑使用循环神经网络(RNN)或长短期记忆网络(LSTM)等结构,适应序列数据建模的特点;
将准备好的轨迹样本数据划分为训练集和验证集,使用训练集对选定的模型进行训练,在训练过程中,根据损失函数和优化算法不断调整模型参数,以最小化预测值与实际标签之间的差异,同时,利用验证集对模型进行评估和调优,确保模型有良好的泛化能力,使用验证集评估模型的性能,并进行调优,包括调整模型的超参数、尝试不同的特征组合和模型结构等,常用的评估指标包括均方根误差(RMSE)、平均绝对百分比误差(MAPE)等,根据具体任务的需求选择适当的评估指标,在模型训练完成且经过充分评估后,可以将其应用于未知轨迹数据的预测和推断,通过输入新的轨迹样本数据,模型可以输出相应的预测结果,例如预测该轨迹样本的送达时长。
205、调用物流轨迹模型,将运单号信息输入至物流轨迹模型进行查询,得到初始物流轨迹查询结果;
在本实施例中,首先需要获得要查询的运单号信息,用户可以通过输入或其他方式提供相应的运单号,将获取的运单号信息输入已经训练好的物流轨迹模型中进行查询操作,查询过程涉及模型的推断阶段,根据输入的运单号信息,模型会输出预测的物流轨迹结果,根据物流轨迹模型的设计和训练,查询结果可能包含一些与运单相关的信息,例如货物当前的位置、运输状态、预计到达时间等。
206、识别初始物流轨迹查询结果的多个轨迹节点;
在本实施例中,首先,需要对初始物流轨迹查询结果进行解析,查询结果包含了多个轨迹节点的信息,在物流领域中,轨迹节点通常指货物运输过程中的关键事件或状态变化,例如发货、中转、到达等,每个轨迹节点都会包含相关的时间、地点和描述信息,通过解析查询结果,可以逐个识别出其中的多个轨迹节点,每个节点都会在查询结果中以独立的记录或条目的形式出现,因此可以通过相应的数据处理技术,如文本分割、正则表达式匹配等,将不同节点的信息提取出来,一旦多个轨迹节点被识别,就可以对每个节点的信息进行分析,这包括解读节点中的时间、地点和描述信息,通过比较各个节点之间的时间顺序和地点变化,可以了解货物在运输过程中的具体路径和状态变化。
207、采集相邻两个轨迹节点之间的历史订单数据,根据历史订单数据计算历史平均配送时长;
在本实施例中,首先需要采集相邻两个轨迹节点之间的历史订单数据,这包括了从某一起始轨迹节点到相邻下一个轨迹节点之间的多个订单配送记录,订单数据可以从物流***、数据库或其他相关记录中获得,从历史订单数据中提取配送的时间信息,每个订单记录通常会包含订单创建时间和订单配送完成时间等时间戳,通过计算这两个时间戳之间的差值,即可得到每个订单的配送时长,将所有相邻两个轨迹节点之间的历史订单配送时长进行累加,并除以订单数量,即可计算历史平均配送时长,这反映了在过去的订单配送过程中,相邻节点之间平均所需的时间,根据计算得到的历史平均配送时长。
208、根据多个历史平均配送时长分别预计多个轨迹节点对应的多个执行时长;
在本实施例中,分别将多个历史平均配送时长对应分配给多个轨迹节点,每个轨迹节点得到对应的执行时长。
209、分别获取每个轨迹节点的班表日历信息,识别班表日历信息中的放假信息;
在本实施例中,针对每个轨迹节点,需要获取其对应的班表日历信息,班表日历信息可以包括工作日、休息日以及特殊日期的安排等具体安排,在获取到班表日历信息后,需要对这些信息进行进一步分析,以识别出其中的放假信息,这可能包括国家法定节假日、公司额外安排的休假日或其他特殊放假日等。
210、基于起始时间信息对放假信息和多个执行时长进行累加,得到兜底预计签收时间;
在本实施例中,首先,获取起始时间和多个执行时长,对于每个执行时长,累加到起始时间上,得到一个预计完成时间,然后,对预计完成时间进行放假日期的排除,根据班表日历信息或其他相关信息,确定哪些日期是休息日或特殊放假日,并将这些日期从预计完成时间中排除,最终,得到的结果就是一个兜底的预计签收时间,即考虑了放假日期和执行时长后的预计完成时间。
本发明实施例中,调用物流轨迹模型对初始物流轨迹查询结果进行查询,并能根据历史平均配送时长预计执行时长,根据执行时长和放假信息能对签收时间兜底预计,提高订单签收时间预计的可靠度。
请参阅图3,本发明实施例中订单签收时间预计查询方法的第三个实施例包括:
301、判断初始物流轨迹查询结果是否有更新状态;
在本实施例中,将获取到的最新物流轨迹查询结果与之前保存的上一次查询结果进行比较,识别每个扫描记录的时间和信息,如果最新查询结果中出现了新的扫描记录,表示物流轨迹有更新,除了扫描记录外,还可以比对运输状态的变化,例如,如果查询结果中的运输状态从"在途"变为"派送中",则表示物流轨迹有更新,根据扫描记录和运输状态的比较结果,判断是否存在更新状态,如果有任何一个扫描记录或运输状态发生了变化,即可认为物流轨迹有更新。
302、若是,则在物流轨迹模型中获取扫描终端实时传输的物流扫描记录信息,物流扫描记录信息包括扫描时间和扫描网点;
在本实施例中,物流轨迹模型用于跟踪物流运输过程,通过物流轨迹模型可以在物流网络中实时获取物流扫描记录信息,并帮助追踪货物的位置和状态变化,扫描终端指的是用于扫描物流包裹或货物标签的设备,扫描终端可以通过扫描条形码、二维码或其他识别技术,读取包裹的相关信息并传输给物流***,扫描终端会将扫描到的物流包裹信息实时传输给物流***或云端服务器,这样能够及时更新物流信息,使其可供进一步处理和查询,物流扫描记录信息包括两个主要方面:扫描时间:指扫描操作发生的时间戳,记录了每次扫描的时间点,扫描网点:指扫描操作所在的物流网点或站点,记录了每次扫描的地理位置或具体的网点编号。
303、根据扫描时间对运单号信息对应的多个物流扫描记录信息进行排序,并识别扫描时间最晚的物流扫描记录信息,得到目标扫描记录信息;
在本实施例中,每个物流包裹都有一个唯一的运单号用于标识,在物流***中,可以根据运单号来查询该包裹的物流扫描记录信息,针对某个特定的运单号,可能存在多条物流扫描记录信息,代表了该包裹在不同时间点被扫描的情况,为了确定最晚的物流扫描记录信息,需要对该运单号所对应的多个物流扫描记录信息按照扫描时间进行排序,可以使用日期和时间的先后顺序进行排序,确保最晚的记录排在最后,排序后最后一条记录即为扫描时间最晚的物流扫描记录信息,它便是目标扫描记录信息,可以从中获取该包裹最近一次被扫描的时间和扫描网点信息。
304、根据目标扫描记录信息生成最新物流轨迹查询结果;
在本实施例中,目标扫描记录信息包括最晚的物流扫描时间和扫描网点信息,假设扫描时间为T,扫描网点为N,物流轨迹查询结果是根据物流包裹的扫描记录信息生成的,它可以展示物流包裹从发出到最后一次扫描的全过程,并反映包裹的运输状态和位置变化,为了生成最新的物流轨迹查询结果,可以使用目标扫描记录信息作为起点,从目标扫描记录的扫描时间T开始,依次查找该运单号之后的物流扫描记录信息,将这些记录按照扫描时间的先后顺序排列,可以得到物流包裹的最新运输轨迹。
305、实时获取速度影响特征数据,速度影响特征数据包括实时天气数据和实时路况数据,根据目标扫描记录信息对应的扫描时间对最新物流轨迹查询结果进行计算,得到初始预计签收时间;
在本实施例中,实时天气数据指当前所在地区的天气情况,例如温度、降水量、风力等,这些数据可以通过天气预报服务或气象站点获取,实时路况数据指道路的交通状况,例如交通流量、拥堵情况、事故等,这些数据可以通过交通管理部门或交通导航应用程序获取,目标扫描记录信息中包含物流包裹的最后一次扫描时间,根据目标扫描记录信息对应的扫描时间计算出初始预计签收时间。
306、识别扫描网点当前的背单状态信息和运载力信息,根据背单状态信息和运载力信息计算第一补时信息,根据实时天气数据计算第二补时信息;
在本实施例中,背单状态信息指扫描网点当前的快递包裹背单情况,运载力信息指扫描网点当前可用于承载物流包裹的能力,通常以承载数量或重量为衡量标准,第一补时信息是根据背单状态信息和运载力信息来计算的扫描网点的第一个预计补充时间,具体的计算方法可以基于包裹的背单数量、网点的运载能力以及业务处理效率等因素进行预估,实时天气数据是指扫描网点所在地区当前的天气情况,例如温度、降水量、风力等,这些数据可以通过天气预报服务或气象站点获取,第二补时信息是根据实时天气数据来计算的扫描网点的第二个预计补充时间,具体的计算方法可以根据不同的业务需求来确定,例如根据天气情况对快递配送速度或处理时间进行调整。
307、根据实时路况数据更新路径信息,得到最新路径信息,根据最新路径信息修正扫描网点的原始轨迹距离,得到修正轨迹距离;
在本实施例中,实时路况数据是指道路交通状况的实时信息,包括拥堵程度、车流情况等,这些数据可以通过交通管理部门的监测***或导航软件等渠道获取,路径信息是指扫描网点原始轨迹的路线规划信息,它可能是按照预设条件或者历史数据生成的,路径信息一般包括起始位置、经过的地点以及最终目的地等,根据实时路况数据更新路径信息,即根据实际路况情况重新规划路线,得到更加准确的路径信息,根据最新路径信息修正扫描网点的原始轨迹距离,意味着将实际行驶的路线与原始路线进行比较,计算出修正后的轨迹距离,修正后的轨迹距离能更准确地反映快递包裹在运输过程中所经历的实际里程数。
308、根据原始轨迹距离和修正轨迹距离计算第三补时信息,根据第一补时信息、第二补时信息和第三补时信息对初始预计签收时间进行迭代,得到最新预计签收时间;
在本实施例中,根据原始轨迹距离和修正后的轨迹距离计算第三补时信息,在根据第一补时信息、第二补时信息和第三补时信息的基础上迭代计算得到最新预计签收时间。
本发明实施例中,最新预计签收时间具体的计算方法是基于初始预计签收时间后根据物流运输的平均速度、路程长度以及实时的天气和路况因素来进行进一步预估,提高物流订单签收时间的预计精准度,提升物流订单整体结算效率和公司运营效率,提升用户和网点的双方体验。
请参阅图4,本发明实施例中订单签收时间预计查询方法的第四个实施例包括:
401、判断初始物流轨迹查询结果是否有更新状态;
在本实施例中,检查初始物流轨迹查询结果是否有新的扫描记录信息或状态更新。
402、若否,则根据初始物流轨迹查询结果生成物流轨迹图;
在本实施例中,如果没有更新,则利用初始物流轨迹查询结果中的扫描记录信息和相关数据,生成物流轨迹图,物流轨迹图用于展示货物在运输过程中的轨迹和节点,物流轨迹图可以包含运单号、扫描时间、扫描网点等信息。
403、将兜底预计签收时间绘制于物流轨迹图内,得到物流轨迹预计签收时间图;
在本实施例中,将计算得到的兜底预计签收时间信息进行绘制并添加到物流轨迹图中的相应位置。
404、将物流轨迹预计签收时间图发送至查询终端;
在本实施例中,将生成的物流轨迹预计签收时间图发送给查询终端,使用户能够查看物流轨迹以及预计签收时间信息。
本发明实施例中,当初始物流轨迹查询结果无更新状态时,将物流轨迹预计签收时间图发送至查询终端,提高订单签收时间预计的可靠度,并使用户能够查看物流轨迹以及预计签收时间信息,提升物流订单整体结算效率和公司运营效率,提升用户和网点的双方体验。
上面对本发明实施例中订单签收时间预计查询方法进行了描述,下面对本发明实施例中订单签收时间预计查询装置进行描述,请参阅图5,本发明实施例中订单签收时间预计查询装置一个实施例包括:
获取查询模块501,用于获取查询终端发送的运单号信息,将运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果;
识别计算模块502,用于识别初始物流轨迹查询结果的起始时间信息,根据起始时间信息进行计算,得到兜底预计签收时间;
判断模块503,用于判断初始物流轨迹查询结果是否有更新状态;
更新计算模块504,用于若是,则对初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据最新物流轨迹查询结果进行计算,得到最新预计签收时间;
替换发送模块505,用于将兜底预计签收时间替换为最新预计签收时间,并将最新预计签收时间发送至查询终端。
本实施例中,通过对初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据最新物流轨迹查询结果进行计算,得到最新预计签收时间,进而根据实际运输状况能动态更新物流订单的预计签收时间,提高物流订单签收时间的预计精准度,通过起始时间信息进行计算得到兜底预计签收时间,具备签收时间兜底预计,当初始物流轨迹查询结果无更新状态时,将兜底预计签收时间发送至查询终端,提高订单签收时间预计的可靠度,提升物流订单整体结算效率和公司运营效率,提升用户和网点的双方体验。
请参阅图6,本发明实施例中订单签收时间预计查询装置的另一个实施例包括:
获取查询模块501,用于获取查询终端发送的运单号信息,将运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果;
识别计算模块502,用于识别初始物流轨迹查询结果的起始时间信息,根据起始时间信息进行计算,得到兜底预计签收时间;
判断模块503,用于判断初始物流轨迹查询结果是否有更新状态;
更新计算模块504,用于若是,则对初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据最新物流轨迹查询结果进行计算,得到最新预计签收时间;
替换发送模块505,用于将兜底预计签收时间替换为最新预计签收时间,并将最新预计签收时间发送至查询终端;
在本实施例中,获取查询模块501包括:第一获取单元5011,用于获取查询终端发送的运单号信息,并获取历史物流轨迹数据;提取单元5012,用于从历史物流轨迹数据中提取物流轨迹特征数据,物流轨迹特征数据至少包括轨迹片段特征以及操作时段特征;第一生成单元5013,用于生成多个轨迹样本,各个轨迹样本包括物流轨迹特征数据以及物流轨迹送达时长;训练单元5014,用于利用轨迹样本训练为物流轨迹模型;调用输入单元5015,用于调用物流轨迹模型,将运单号信息输入至物流轨迹模型进行查询,得到初始物流轨迹查询结果。
在本实施例中,识别计算模块502包括:识别预计单元5021,用于识别初始物流轨迹查询结果的多个轨迹节点,并预计多个轨迹节点分别对应的多个执行时长;获取识别单元5022,用于分别获取每个轨迹节点的班表日历信息,识别班表日历信息中的放假信息;累加单元5023,用于基于起始时间信息对放假信息和多个执行时长进行累加,得到兜底预计签收时间。
在本实施例中,识别预计单元5021具体用于识别初始物流轨迹查询结果的多个轨迹节点;采集相邻两个轨迹节点之间的历史订单数据,根据历史订单数据计算历史平均配送时长;根据多个历史平均配送时长分别预计多个轨迹节点对应的多个执行时长。
在本实施例中,更新计算模块504包括:第二获取单元5041,用于若是,则在物流轨迹模型中获取扫描终端实时传输的物流扫描记录信息,物流扫描记录信息包括扫描时间和扫描网点;排序识别单元5042,用于根据扫描时间对运单号信息对应的多个物流扫描记录信息进行排序,并识别扫描时间最晚的物流扫描记录信息,得到目标扫描记录信息;第二生成单元5043,用于根据目标扫描记录信息生成最新物流轨迹查询结果;计算单元5044,用于根据目标扫描记录信息对应的扫描时间对最新物流轨迹查询结果进行计算,得到最新预计签收时间。
在本实施例中,计算单元5044具体用于实时获取速度影响特征数据,速度影响特征数据包括实时天气数据和实时路况数据,根据目标扫描记录信息对应的扫描时间对最新物流轨迹查询结果进行计算,得到初始预计签收时间;识别扫描网点当前的背单状态信息和运载力信息,根据背单状态信息和运载力信息计算第一补时信息,根据实时天气数据计算第二补时信息;根据实时路况数据更新路径信息,得到最新路径信息,根据最新路径信息修正扫描网点的原始轨迹距离,得到修正轨迹距离;根据原始轨迹距离和修正轨迹距离计算第三补时信息,根据第一补时信息、第二补时信息和第三补时信息对初始预计签收时间进行迭代,得到最新预计签收时间。
在本实施例中,还包括:生成模块506,用于若否,则根据初始物流轨迹查询结果生成物流轨迹图;绘制模块507,用于将兜底预计签收时间绘制于物流轨迹图内,得到物流轨迹预计签收时间图;发送模块508,用于将物流轨迹预计签收时间图发送至查询终端。
上面图5和图6从模块化功能实体的角度对本发明实施例中的订单签收时间预计查询装置进行详细描述,下面从硬件处理的角度对本发明实施例中订单签收时间预计查询设备进行详细描述。
图7是本发明实施例提供的一种订单签收时间预计查询设备的结构示意图,该订单签收时间预计查询设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对订单签收时间预计查询设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在订单签收时间预计查询设备600上执行存储介质630中的一系列指令操作,以实现上述各方法实施例提供的订单签收时间预计查询方法的步骤。
订单签收时间预计查询设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作***631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的订单签收时间预计查询设备结构并不构成对基于订单签收时间预计查询设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行订单签收时间预计查询方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种订单签收时间预计查询方法,其特征在于,包括:
获取查询终端发送的运单号信息,将所述运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果;
识别所述初始物流轨迹查询结果的起始时间信息,根据所述起始时间信息进行计算,得到兜底预计签收时间;
判断所述初始物流轨迹查询结果是否有更新状态;
若是,则对所述初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据所述最新物流轨迹查询结果进行计算,得到最新预计签收时间;
将所述兜底预计签收时间替换为最新预计签收时间,并将所述最新预计签收时间发送至所述查询终端。
2.根据权利要求1所述的订单签收时间预计查询方法,其特征在于,所述获取查询终端发送的运单号信息,将所述运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果,包括:
获取查询终端发送的运单号信息,并获取历史物流轨迹数据;
从所述历史物流轨迹数据中提取物流轨迹特征数据,所述物流轨迹特征数据至少包括轨迹片段特征以及操作时段特征;
生成多个轨迹样本,各个所述轨迹样本包括物流轨迹特征数据以及物流轨迹送达时长;
利用所述轨迹样本训练为物流轨迹模型;
调用物流轨迹模型,将所述运单号信息输入至所述物流轨迹模型进行查询,得到初始物流轨迹查询结果。
3.根据权利要求1所述的订单签收时间预计查询方法,其特征在于,所述识别所述初始物流轨迹查询结果的起始时间信息,根据所述起始时间信息进行计算,得到兜底预计签收时间,包括:
识别所述初始物流轨迹查询结果的多个轨迹节点,并预计多个所述轨迹节点分别对应的多个执行时长;
分别获取每个所述轨迹节点的班表日历信息,识别所述班表日历信息中的放假信息;
基于所述起始时间信息对所述放假信息和多个所述执行时长进行累加,得到兜底预计签收时间。
4.根据权利要求3所述的订单签收时间预计查询方法,其特征在于,所述识别所述初始物流轨迹查询结果的多个轨迹节点,并预计多个所述轨迹节点分别对应的多个执行时长,包括:
识别所述初始物流轨迹查询结果的多个轨迹节点;
采集相邻两个所述轨迹节点之间的历史订单数据,根据所述历史订单数据计算历史平均配送时长;
根据多个所述历史平均配送时长分别预计多个所述轨迹节点对应的多个执行时长。
5.根据权利要求1所述的订单签收时间预计查询方法,其特征在于,所述若是,则对所述初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据所述最新物流轨迹查询结果进行计算,得到最新预计签收时间,包括:
若是,则在物流轨迹模型中获取扫描终端实时传输的物流扫描记录信息,所述物流扫描记录信息包括扫描时间和扫描网点;
根据所述扫描时间对所述运单号信息对应的多个物流扫描记录信息进行排序,并识别所述扫描时间最晚的物流扫描记录信息,得到目标扫描记录信息;
根据所述目标扫描记录信息生成最新物流轨迹查询结果;
根据所述目标扫描记录信息对应的扫描时间对所述最新物流轨迹查询结果进行计算,得到最新预计签收时间。
6.根据权利要求5所述的订单签收时间预计查询方法,其特征在于,所述根据所述目标扫描记录信息对应的扫描时间对所述最新物流轨迹查询结果进行计算,得到最新预计签收时间,包括:
实时获取速度影响特征数据,所述速度影响特征数据包括实时天气数据和实时路况数据,根据所述目标扫描记录信息对应的扫描时间对所述最新物流轨迹查询结果进行计算,得到初始预计签收时间;
识别所述扫描网点当前的背单状态信息和运载力信息,根据所述背单状态信息和所述运载力信息计算第一补时信息,根据所述实时天气数据计算第二补时信息;
根据所述实时路况数据更新路径信息,得到最新路径信息,根据所述最新路径信息修正所述扫描网点的原始轨迹距离,得到修正轨迹距离;
根据所述原始轨迹距离和所述修正轨迹距离计算第三补时信息,根据所述第一补时信息、所述第二补时信息和所述第三补时信息对所述初始预计签收时间进行迭代,得到最新预计签收时间。
7.根据权利要求1所述的订单签收时间预计查询方法,其特征在于,所述判断所述初始物流轨迹查询结果是否有更新状态之后,还包括:
若否,则根据初始物流轨迹查询结果生成物流轨迹图;
将兜底预计签收时间绘制于物流轨迹图内,得到物流轨迹预计签收时间图;
将所述物流轨迹预计签收时间图发送至所述查询终端。
8.一种订单签收时间预计查询装置,其特征在于,包括:
获取查询模块,用于获取查询终端发送的运单号信息,将所述运单号信息输入至预设的物流轨迹模型进行查询,得到初始物流轨迹查询结果;
识别计算模块,用于识别所述初始物流轨迹查询结果的起始时间信息,根据所述起始时间信息进行计算,得到兜底预计签收时间;
判断模块,用于判断所述初始物流轨迹查询结果是否有更新状态;
更新计算模块,用于若是,则对所述初始物流轨迹查询结果进行实时更新,得到最新物流轨迹查询结果,并根据所述最新物流轨迹查询结果进行计算,得到最新预计签收时间;
替换发送模块,用于将所述兜底预计签收时间替换为最新预计签收时间,并将所述最新预计签收时间发送至所述查询终端。
9.一种订单签收时间预计查询设备,其特征在于,所述订单签收时间预计查询设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
至少一个所述处理器调用所述存储器中的所述指令,以使得所述订单签收时间预计查询设备执行如权利要求1-7中任一项所述的订单签收时间预计查询方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述订单签收时间预计查询方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928482.6A CN116955853A (zh) | 2023-07-26 | 2023-07-26 | 订单签收时间预计查询方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928482.6A CN116955853A (zh) | 2023-07-26 | 2023-07-26 | 订单签收时间预计查询方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116955853A true CN116955853A (zh) | 2023-10-27 |
Family
ID=88450886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310928482.6A Pending CN116955853A (zh) | 2023-07-26 | 2023-07-26 | 订单签收时间预计查询方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955853A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118210839A (zh) * | 2024-05-20 | 2024-06-18 | 浙江口碑网络技术有限公司 | 订单信息渲染、处理方法、装置、电子设备及存储介质 |
CN118278715A (zh) * | 2024-06-04 | 2024-07-02 | 科鲁德奥(山东)能源科技有限公司 | 物流调度方法、装置、***及介质 |
-
2023
- 2023-07-26 CN CN202310928482.6A patent/CN116955853A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118210839A (zh) * | 2024-05-20 | 2024-06-18 | 浙江口碑网络技术有限公司 | 订单信息渲染、处理方法、装置、电子设备及存储介质 |
CN118278715A (zh) * | 2024-06-04 | 2024-07-02 | 科鲁德奥(山东)能源科技有限公司 | 物流调度方法、装置、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116955853A (zh) | 订单签收时间预计查询方法、装置、设备及存储介质 | |
US7587330B1 (en) | Method and system for constructing prediction interval based on historical forecast errors | |
CN109389270B (zh) | 一种物流对象确定方法、装置和机器可读介质 | |
Van Heeswijk et al. | Evaluating urban logistics schemes using agent-based simulation | |
US20150081586A1 (en) | Notice and non-response tracking | |
Wang et al. | Towards delivery-as-a-service: Effective neighborhood search strategies for integrated delivery optimization of E-commerce and static O2O parcels | |
Lekić et al. | Big Data in logistics | |
Gentile et al. | Movement generation and trip distribution for freight demand modelling applied to city logistics | |
Chu et al. | A multi-trip split-delivery vehicle routing problem with time windows for inventory replenishment under stochastic travel times | |
KR102560210B1 (ko) | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 | |
Flamini et al. | Assessing the value of information for retail distribution of perishable goods | |
Sharman et al. | Multilevel modelling of commercial vehicle inter-arrival duration using GPS data | |
CA3108904A1 (en) | System and method for retail price optimization | |
Kellner | Insights into the effect of traffic congestion on distribution network characteristics–a numerical analysis based on navigation service data | |
Heni et al. | Measuring fuel consumption in vehicle routing: New estimation models using supervised learning | |
JP2016532164A (ja) | リサイクル用古紙の品質管理サーバ及びその方法 | |
CN114266395A (zh) | 基于组合预测法卷烟物流集散分拨中心信息*** | |
Guo et al. | Integrated inventory control and scheduling decision framework for packaging and products on a reusable transport item sharing platform | |
CN114444998A (zh) | 一种物流供应链管理*** | |
CN117807377A (zh) | 多维度物流数据挖掘与预测方法及*** | |
Cobb et al. | Forward cycle time distributions for returnable transport items | |
CN114612029A (zh) | 风险运单数据识别方法、装置、计算机设备和存储介质 | |
CN113033924A (zh) | 基于Boosting算法历史数据驱动的包裹交付时长预测方法 | |
Muñoz-Villamizar et al. | Measuring environmental impact of collaborative urban transport networks: A case study | |
CN102629253A (zh) | 为商业智能***数据仓库创建gps数据库的方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |