CN118097316B - 一种基于货物转移进度及用户行为监控的货物分类方法 - Google Patents
一种基于货物转移进度及用户行为监控的货物分类方法 Download PDFInfo
- Publication number
- CN118097316B CN118097316B CN202410512997.2A CN202410512997A CN118097316B CN 118097316 B CN118097316 B CN 118097316B CN 202410512997 A CN202410512997 A CN 202410512997A CN 118097316 B CN118097316 B CN 118097316B
- Authority
- CN
- China
- Prior art keywords
- user
- goods
- cargo
- time
- transportation
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 208000019901 Anxiety disease Diseases 0.000 claims abstract description 38
- 230000036506 anxiety Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000007418 data mining Methods 0.000 claims abstract description 7
- 238000012384 transportation and delivery Methods 0.000 claims description 43
- 230000006399 behavior Effects 0.000 claims description 41
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 13
- 230000008451 emotion Effects 0.000 claims description 12
- 230000032683 aging Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 11
- 230000001965 increasing effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012300 Sequence Analysis Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013439 planning Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000001550 time effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 239000003519 biomedical and dental material Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于货物转移进度及用户行为监控的货物分类方法,包括:获取用户历史签收数据,通过数据分析和挖掘,对用户的签收行为、频率、时间进行分析,根据分析结果建立用户画像;通过图像识别模块,提取货物的特征信息,通过货物属性模型,对货物进行分隔识别,为货物赋予货物属性;若货物属于高优先级类别时,则通过优先调度和空运转移,确保货物及时送达目的地;在货物运送过程中,获取用户的运单查询行为数据,包括查询次数、查询时间,通过数据分析,判断当前货物运送策略下用户的关注度和焦虑程度。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种基于货物转移进度及用户行为监控的货物分类方法。
背景技术
在快递物流行业中,建立用户画像和货物分类***面临着诸多技术挑战和矛盾。用户历史签收数据量庞大且格式不一,如何高效提取和处理这些数据,并从中发现有价值的用户行为模式,是一个亟待解决的问题。货物分隔识别涉及计算机视觉、图像处理等多个技术领域,如何在嘈杂的环境中准确识别和分类不同类型的货物,并将其与用户画像相结合,也存在诸多困难。不同分类的货物在运送过程中需要采用不同的运送方式和转移区域,这就要求分类***能够根据货物的特性和目的地,智能地选择最优的运输路径和方式,同时还要兼顾成本和时效的平衡。在运送过程中,用户可能会多次查询运单状态,这就需要***能够实时跟踪货物的位置和状态,并根据用户的查询行为动态更新用户画像,以便为用户提供更加个性化的服务。在海量的运单数据和用户查询记录中,如何快速检索和分析相关信息,并及时反馈给用户画像和货物分类***,也是一个巨大的挑战。在快递物流行业中,如何通过先进的技术手段来优化用户画像和货物分类***,提高运输效率和用户满意度,是一个复杂而又充满机遇的课题。
发明内容
本发明提供了一种基于货物转移进度及用户行为监控的货物分类方法,主要包括:
获取用户历史签收数据,通过数据分析和挖掘,对用户的签收行为、频率、时间进行分析,根据分析结果建立用户画像;
通过图像识别模块,提取货物的特征信息,通过货物属性模型,对货物进行分隔识别,为货物赋予货物属性;
货物分类***根据用户画像和货物的目的地,对货物进行优先级别排序,通过货物运送策略模型,结合货物属性,生成当前货物的运送策略,包括转移区域以及运送方式;
若货物属于高优先级类别时,则通过优先调度和空运转移,确保货物及时送达目的地;
在货物运送过程中,获取用户的运单查询行为数据,包括查询次数、查询时间,通过数据分析,判断当前货物运送策略下用户的关注度和焦虑程度;
根据用户关注度、焦虑程度、投诉率以及打分反馈对用户画像进行更新,动态调整用户画像中对运送时效的敏感度和需求,同时根据用户画像的变化,对货物分类***进行优化和调整。
进一步地,所述获取用户历史签收数据,通过数据分析和挖掘,对用户的签收行为、频率、时间进行分析,根据分析结果建立用户画像,包括:
获取用户历史签收数据,提取签收行为、签收频率以及签收时间,其中签收行为包括签收地点和签收模式;根据采集到的签收时间,利用时间序列分析,绘制用户签收活动的时间分布图,识别用户的高频签收时间段和非活跃时间段;对用户的签收频率进行分析,识别用户对应的用户群体,包括高频签收用户或低频签收用户;对用户的签收地点和签收模式进行分析,确定用户的签收习惯;对用户反馈信息进行情感分析,从中提取出用户对物流服务的满意程度,以及对快递员服务态度的评价,判断用户的服务敏感点;分析用户的退换货频率和选择的预设退换缘由,从对应的评价内容中提炼关键词,得到影响用户满意度的关键因素;结合时间分布图、用户群体、签收习惯、服务敏感点和影响用户满意度的关键因素,建立的用户画像。
进一步地,所述通过图像识别模块,提取货物的特征信息,通过货物属性模型,对货物进行分隔识别,为货物赋予货物属性,包括:
通过图像采集模块获取货物图像,对采集到的货物图像进行预处理,包括去噪声、对比度增强;通过图像分割模块将货物图像中的每个物体与背景或其他物体分离,得到独立的目标物体图像;提取目标物体图像的特征信息,包括颜色直方图、纹理特征、形状描述子;选择机器学习算法,包括支持向量机(SVM)或卷积神经网络(CNN),用于训练货物属性模型;使用已标注的数据集对货物属性模型进行训练,调整货物属性模型的模型参数直至达到预期的识别准确率;对训练好的货物属性模型在新的货物图像数据集上进行测试,测试货物属性模型的识别效果;根据测试结果,对货物属性模型进行优化调整;将优化后的货物属性模型部署到实际的货物分类***中,监控货物属性模型在实际环境中的表现,并根据反馈数据进一步优化。
进一步地,所述货物分类***根据用户画像和货物的目的地,对货物进行优先级别排序,通过货物运送策略模型,结合货物属性,生成当前货物的运送策略,包括转移区域以及运送方式,包括:
通过货物对应的用户画像分析得到用户配送优先级以及用户偏好的物流配送策略;分析货物目的地的地理位置、交通状况和送达难易程度,得到货物目的地的物流难度评分;结合用户配送优先级和货物目的地物流难度评分,对货物进行优先级别排序;利用货物运送策略模型,根据货物属性、优先级别、发出点信息及目的地信息,对货物进行转移区域的规划,以及分析不同类型货物的尺寸、重量和优先级别,并对运送方式进行分类,包括空运、陆运或海运;结合转移区域规划结果与运送方式分类信息,结合预设运输时效,为货物的各个转移区域配置转移时效;获取实时物流网络数据,监控当前物流网络状态,包括各转移区域的拥堵程度、天气信息,用于调整货物转移区域的转移时效;根据货物的优先级别和转移时效,通过动态规划算法,计算出最优的转移路径,以及预计到达时间;采用自适应调整机制,监控货物在转移过程中的状态,包括实时位置和预计到达时间,若出现延误,则重新计算调整转移路径和转移时效;生成货物运送策略,包括最终确定的转移区域、运送方式和预计到达时间,并将货物运送策略下发至物流执行***作为指导信息。
进一步地,所述若货物属于高优先级类别时,则通过优先调度和空运转移,确保货物及时送达目的地,包括:
若货物类型为易腐品或生物医疗材料,启动特殊物流方案,标注特别包装和温控要求;获取货物尺寸和重量信息后,确定空运容器或包装选择,并调整运输计划以适应有效载荷;通过实时分析航班频率和直达航班数据,得到航线选项,并为高优先级货物预留航班位置;若航班预订***显示直达航班已满,则搜索并预留下一个最快的转机航班;采用高级追踪***,实时监控货物的运输状态,若检测到任何延误或异常情况,则通知物流协调员;获取目的地的接收能力信息,包括清关速度和卸货效率,预测货物到达后的处理时间,并调整整体运输计划以符合预期的交货时间;若监测到货物在任一节点发生延误,则启动备选方案,调度其他资源,包括备用运输工具或额外的地面运输服务,以确保货物的及时送达;根据运输成本和时效保证的要求,为客户生成费用预算和时间框架,提供影响成本和时间因素。
进一步地,所述在货物运送过程中,获取用户的运单查询行为数据,包括查询次数、查询时间,通过数据分析,判断当前货物运送策略下用户的关注度和焦虑程度,包括:
通过数据采集***获取用户运单查询行为数据,包括用户ID、运单号、查询次数、首次查询时间、最后一次查询时间、查询间隔、查询时间点和查询设备;获取运单信息数据,涵盖发货日期、预计到达日期、实际到达日期、货物种类和服务等级;利用时序分析工具分析用户查询时间点的分布,若用户查询主要集中在预计到达日期前两天,判断用户对运送时效具有高关注度;根据查询间隔和查询次数计算用户查询频率,若查询频率在预计到达日期后增加,判断用户出现焦虑情绪;结合实际到达日期和预计到达日期,通过时间序列分析工具计算预期与实际时效差异,分析差异对用户查询行为的影响;分析用户评价和投诉记录,应用文本分析工具处理用户评价数据,提取情感倾向,以评估用户对运送服务的满意度;若用户在运送期间存在投诉行为,则标注为高焦虑程度。
进一步地,所述根据用户关注度、焦虑程度、投诉率以及打分反馈对用户画像进行更新,动态调整用户画像中对运送时效的敏感度和需求,同时根据用户画像的变化,对货物分类***进行优化和调整,包括:
统计用户的投诉内容和频次,以评估投诉率,并识别投诉因素;通过自然语言模型分析用户的打分反馈,识别出用户对货物运送的加分点;融合用户关注度、焦虑程度、投诉因素以及加分点,对用户画像进行更新,包括更新用户对运送时效敏感度;根据用户画像变化中的时效需求差异,调整货物分类***的参数,包括调整货物优先级排序参数;
还包括:根据用户关注度、焦虑程度,调整优化货物运送策略模型。
所述根据用户关注度、焦虑程度,调整优化货物运送策略模型,具体包括:
根据用户关注度、焦虑程度,判断用户对货物运送的期望和潜在问题。分析当前货物的货物属性,确定会导致用户关注度和焦虑程度增加的关键货物属性。基于用户对货物运送的期望、潜在问题和关键货物属性,生成针对性的调整策略。将调整策略及关键货物属性,反馈至货物运送策略模型,调整优化货物运送策略模型。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种基于货物转移进度及用户行为监控的货物分类方法。该方法通过获取用户历史签收数据,应用数据分析和挖掘技术,对用户签收行为、频率、时间等维度进行深入分析,进而建立精准的用户画像。本发明采用图像识别和机器学习算法对货物进行智能分辨和分类,提取货物特征信息,并根据这些信息,将货物划分为不同的类别。针对特定的业务场景问题,例如如何根据用户画像和货物信息优化物流效率,本发明对货物进行优先级设定,结合用户画像和货物目的地信息,采用机器学习算法确定货物的转移区域,并对运送方式进行分类。这一过程中,高优先级货物会被选定快速运送方式,通过优先调度策略和空运转移确保快速送达。在物流运送过程中,本发明还收集用户的运单查询行为数据,分析查询频次和时间,以评估不同运送时效下用户的关注度和焦虑程度。进一步地,结合用户的查询行为、投诉率和反馈打分,本发明能够对用户画像进行实时更新,并动态调整用户对运送时效的敏感度和需求,优化用户体验。本发明的货物分类***会持续通过机器学习算法进行迭代和优化,自动调整分类规则和权重,根据历史数据和实时反馈提高货物分类的准确性。总体上,本发明实现了用户画像与货物分类两大核心模块的有效结合,优化了物流效率,减少了运输时间,提升了用户满意度,为智能物流***提供了一个高效、精准、自适应的解决方案。
附图说明
图1为本发明的一种基于货物转移进度及用户行为监控的货物分类方法的流程图。
图2为本发明的一种基于货物转移进度及用户行为监控的货物分类方法的示意图。
图3为本发明的一种基于货物转移进度及用户行为监控的货物分类方法的又一示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1-3,本实施例一种基于货物转移进度及用户行为监控的货物分类方法具体可以包括:
步骤S101,获取用户历史签收数据,通过数据分析和挖掘,对用户的签收行为、频率、时间进行分析,根据分析结果建立用户画像。
获取用户历史签收数据,提取签收行为、签收频率以及签收时间,其中签收行为包括签收地点和签收模式。根据采集到的签收时间,利用时间序列分析,绘制用户签收活动的时间分布图,识别用户的高频签收时间段和非活跃时间段。对用户的签收频率进行分析,识别用户对应的用户群体,包括高频签收用户或低频签收用户。对用户的签收地点和签收模式进行分析,确定用户的签收习惯。对用户反馈信息进行情感分析,从中提取出用户对物流服务的满意程度,以及对快递员服务态度的评价,判断用户的服务敏感点。分析用户的退换货频率和选择的预设退换缘由,从对应的评价内容中提炼关键词,得到影响用户满意度的关键因素。结合时间分布图、用户群体、签收习惯、服务敏感点和影响用户满意度的关键因素,建立的用户画像。
例如,利用用户A的签收时间记录,绘制时间分布图,例如,分析表明,用户A的签收活动在工作日18:00至20:00之间最为频繁,占所有签收活动的80%。用户A的非活跃时间段主要在工作日的上午时间(09:00-12:00),这个时段的签收活动仅占5%。用户A每月的签收频率约为15次,根据设定的标准识别用户A对应的用户群体,包括高频签收用户或低频签收用户(具体可以为每月签收次数超过10次为高频用户),用户A被归类为“高频签收用户”的用户群体。用户A80%的签收地址关联到用户A的签收偏好:工作地点,也即公司地址;用户A通常选择非本人代收,代收这种签收模式占所有签收情况的70%。分析得到用户A的签收习惯包括工作地点签收偏好以及代收签收模式。进一步,通过对签收地点和签收时间的相关性分析,发现用户A的签收习惯与其工作日程紧密相关。例如,工作日更偏好公司地址收货,而周末则偏好在家收货。对用户A的反馈进行情感分析,发现在正面评价中“准时”出现频率最高,占比40%;而在负面评价中,“延迟”是最常见的关键词,占比达到30%。因此可以分析得到用户A的服务敏感点为物流时间。用户A在过去一年中有三次退换货经历,其中两次选择的退换缘由是“产品与描述不符”,通过分析评价内容发现“质量问题”是最频繁的关键字,因此可以分析得到影响用户满意度的关键因素为产品质量。综合用户A的时间分布图、用户群体类型、签收习惯、服务敏感点和影响用户满意度的关键因素,建立用户画像:用户A是一位高频在线购物者,偏好工作日在公司签收,周末在家签收,有代收需求,对准时配送有高要求,对产品质量十分敏感。根据用户A的画像,物流公司可以提供个性化的配送服务方案,例如确保工作日有足够的配送人员覆盖用户A的工作区域,确保周末有足够的配送人员覆盖用户A的家庭区域,以及提升对商品质量检查的严格度,从而提升用户A的满意度。
步骤S102,通过图像识别模块,提取货物的特征信息,通过货物属性模型,对货物进行分隔识别,为货物赋予货物属性。
通过图像采集模块获取货物图像,对采集到的货物图像进行预处理,包括去噪声、对比度增强。通过图像分割模块将货物图像中的每个物体与背景或其他物体分离,得到独立的目标物体图像。提取目标物体图像的特征信息,包括颜色直方图、纹理特征、形状描述子。选择机器学习算法,包括支持向量机(SVM)或卷积神经网络(CNN),用于训练货物属性模型。使用已标注的数据集对货物属性模型进行训练,调整货物属性模型的模型参数直至达到预期的识别准确率。对训练好的货物属性模型在新的货物图像数据集上进行测试,测试货物属性模型的识别效果。根据测试结果,对货物属性模型进行优化调整。将优化后的货物属性模型部署到实际的货物分类***中,监控货物属性模型在实际环境中的表现,并根据反馈数据进一步优化。
例如,在一个图像采集模块中,使用了一台具有500万像素的高清摄像头来获取货物图像数据。为了确保图像清晰度和分辨率满足后续处理的需求,设置相机的分辨率为2592x1944像素,并通过实验确定最佳的拍摄距离为5米,这样可以保证图像的细节不会因距离过远而变得模糊。在对采集到的货物图像进行预处理过程中,发现原始图像存在轻微的噪声。因此,应用了一个3x3的高斯滤波器来去除噪声,这使得图像的信噪比从20dB提升到30dB。为了提高图像中特征的可识别性,还使用直方图均衡化技术提高了对比度,使得图像的亮度分布更加均匀。接下来,在图像分割阶段,通过图像分割模块基于阈值的分割技术来将每个物体与背景分离,得到独立的目标物体图像。例如,通过计算图像的灰度直方图,找到了一个阈值为150(在0-255的灰度级范围内),能够有效地将货物(灰度值高于150)与背景(灰度值低于150)分离。在特征提取阶段,计算了目标物体的颜色直方图,并发现目标物体的红色通道占比为70%,这表明目标物体具有较多的红色成分。同时,计算了目标物体的纹理特征,例如使用灰度共生矩阵(GLCM)得到了目标物体的对比度为8,同质性为5,表示目标物体的纹理较为复杂且不均匀。在选择机器学习算法时,例如选用了卷积神经网络(CNN),并通过调整网络层次和参数使模型的识别准确率提高到了95%。例如,在训练集上,模型的准确率最初为87%,但通过调整学习率从01降到001,并增加训练轮数从10轮到50轮,准确率提高到了95%。在模型部署前,使用一个包含1000张新货物图像的数据集来测试模型的泛化能力。测试结果显示,模型在新数据集上的准确率为92%,比预期目标略低。因此,进一步优化模型,例如增加数据增强的方式,如随机旋转和翻转图像,从而提升模型对新图像数据的泛化能力和预测效果。最后,将优化后的货物属性模型部署到实际的货物分类***中,并在实际操作中监控货物属性模型表现。例如,一个月内,货物属性模型处理了约1万次货物属性识别任务,货物属性包括物理属性、化学属性、机械属性、生物属性、质量属性和/或包装属性,其中准确识别率保持在94%以上,通过分析错误识别的案例(约600次),确定了需要进一步优化的方向,比如增强对某些特定货物特征的识别能力。具体地,可以将分析错误识别的案例重新正确标识后用于反馈优化模型。
步骤S103,货物分类***根据用户画像和货物的目的地,对货物进行优先级别排序,通过货物运送策略模型,结合货物属性,生成当前货物的运送策略,包括转移区域以及运送方式。
通过货物对应的用户画像分析得到用户配送优先级以及用户偏好的物流配送策略。分析货物目的地的地理位置、交通状况和送达难易程度,得到货物目的地的物流难度评分。结合用户配送优先级和货物目的地物流难度评分,对货物进行优先级别排序。利用货物运送策略模型,根据货物属性、优先级别、发出点信息及目的地信息,对货物进行转移区域的规划,以及分析不同类型货物的尺寸、重量和优先级别,并对运送方式进行分类,包括空运、陆运或海运。结合转移区域规划结果与运送方式分类信息,结合预设运输时效,为货物的各个转移区域配置转移时效。获取实时物流网络数据,监控当前物流网络状态,包括各转移区域的拥堵程度、天气信息,用于调整货物转移区域的转移时效。根据货物的优先级别和转移时效,通过动态规划算法,计算出最优的转移路径,以及预计到达时间。采用自适应调整机制,监控货物在转移过程中的状态,包括实时位置和预计到达时间,若出现延误,则重新计算调整转移路径和转移时效。生成货物运送策略,包括最终确定的转移区域、运送方式和预计到达时间,并将货物运送策略下发至物流执行***作为指导信息
具体的,根据用户画像分析,得知用户A对于快速配送非常重视,因此其配送优先级被赋予高等级,比如优先级分数为90(满分100)。用户A偏好的物流配送策略是“次日达”,即希望在下单后的第二天收到货物。分析用户A货物的目的地,假设是位于山区的小镇,通过地理信息***(GIS)对地形、道路状况进行评估,交通状况评分为70(满分100),送达难易程度评分为40(满分100),综合计算得到物流难度评分50(满分100)。采用优先级判定算法,结合用户A的优先级分数90和货物目的地的物流难度评分50,综合得出货物的最终优先级别为高。货物运送策略模型分析后,采用最短路径算法,规划货物应从发货点中转仓库B,再转移到区域C,最终到达目的地,共三次转移。货物运送策略模型,可以包括机器学习分类模型,如决策树,根据货物的尺寸、重量是5公斤、体积是1立方米,优先级别为高,以及目的地信息,对运送方式进行分类,建议采用陆运的方式。结合转移区域规划结果与运送方式分类信息,运输时效优化算法计算得出,为保证“次日达”服务,每次转移的转移时效需要控制在8小时内。获取实时物流网络数据显示,中转仓库B到区域C的路线因为突发交通事故,拥堵程度增加,预计延误1小时。因此,调整其他转移的转移时效为7.5小时,以便在保证送达时间;或增加一次转移以绕过拥堵区域,调整转移时效为6小时。通过最短路径动态规划算法,计算出最优的转移路径是:中转仓库B->高速公路A->绕行道路D->区域C,预计到达时间是当天下午3点。在货物转移过程中,采用自适应调整机制,监测到货物实时位置已过绕行道路D,但由于天气恶劣导致延误半小时,预计到达时间调整为当天下午3点半。重新计算调整转移路径,可以加快最后一段快递配送车辆的速度,以弥补天气造成的延误。
步骤S104,若货物属于高优先级类别时,则通过优先调度和空运转移,确保货物及时送达目的地。
若货物类型为易腐品或生物医疗材料,启动特殊物流方案,标注特别包装和温控要求。获取货物尺寸和重量信息后,确定空运容器或包装选择,并调整运输计划以适应有效载荷。通过实时分析航班频率和直达航班数据,得到航线选项,并为高优先级货物预留航班位置。若航班预订***显示直达航班已满,则搜索并预留下一个最快的转机航班。采用高级追踪***,实时监控货物的运输状态,若检测到任何延误或异常情况,则通知物流协调员。获取目的地的接收能力信息,包括清关速度和卸货效率,预测货物到达后的处理时间,并调整整体运输计划以符合预期的交货时间。若监测到货物在任一节点发生延误,则启动备选方案,调度其他资源,包括备用运输工具或额外的地面运输服务,以确保货物的及时送达。根据运输成本和时效保证的要求,为客户生成费用预算和时间框架,提供影响成本和时间因素。
例如,一个货物的长、宽、高分别为120cm、80cm、60cm,重量为50kg。会自动计算其体积重量(假设体积重量计算系数为5000),则体积重量为(120*80*60)/5000=112kg。由于体积重量大于实际重量,可使用体积重量进行航空运费计算,并自动选择适合此体积重量的标准空运集装箱。示例性地,一批生物医疗材料需要从北京运输到纽约,评估这批货物属于高优先级,因此自动触发特殊物流方案,包括选择带有恒温设施的特殊容器,并标记为“优先处理”。实时分析从北京到纽约的航班,发现每天有5班直达航班,平均每班航班的满载率为85%。基于满载概率和货物优先级,为高优先级货物预留了接下来一周内满载率最低的直达航班位置,确保快速运输。统计了过去一个月内到达纽约的所有货物中,平均清关时间为2小时,而卸货效率为每小时卸载1吨货物。基于这些数据,预测货物到达后需要4小时才能完成所有处理,并据此调整了运输计划,确保按时交货。生物医疗材料从北京运输到纽约的初步费用预算为$3000,预计运输时间为10天。但在运输过程中,由于突发天气影响,航班延误可能增加成本和时间。实时更新费用预算和运输时间,预计额外成本为$500,总运输时间延长至12天,并提供这些更新给客户。这些操作能够确保货物按照优先级和特殊要求得到合理处理,同时提供有效的成本控制和时间管理。
步骤S105,在货物运送过程中,获取用户的运单查询行为数据,包括查询次数、查询时间,通过数据分析,判断当前货物运送策略下用户的关注度和焦虑程度。
通过数据采集***获取用户运单查询行为数据,包括用户ID、运单号、查询次数、首次查询时间、最后一次查询时间、查询间隔、查询时间点和查询设备。获取运单信息数据,涵盖发货日期、预计到达日期、实际到达日期、货物种类和服务等级。利用时序分析工具分析用户查询时间点的分布,若用户查询主要集中在预计到达日期前两天,判断用户对运送时效具有高关注度。根据查询间隔和查询次数计算用户查询频率,若查询频率在预计到达日期后增加,判断用户出现焦虑情绪。结合实际到达日期和预计到达日期,通过时间序列分析工具计算预期与实际时效差异,分析差异对用户查询行为的影响。分析用户评价和投诉记录,应用文本分析工具处理用户评价数据,提取情感倾向,以评估用户对运送服务的满意度;若用户在运送期间存在投诉行为,则标注为高焦虑程度。
例如,通过数据采集***获取到的用户行为数据表明,用户ID为12345的客户在发货日期后的三天内对其运单号XYZ789共查询了5次。首次查询时间为3月1日上午9:00,最后一次查询时间为3月3日下午5:00,查询间隔平均为12小时,查询时间点主要集中在下午2:00至4:00,使用的查询设备为智能手机。运单信息数据显示,该运单的发货日期为2月28日,预计到达日期为3月5日,而实际到达日期为3月6日。货物种类为电子产品,服务等级为加急。在数据库管理***中,用户查询行为数据和运单信息数据被存储在一起,以保证数据的整合性和高效的查询性能。通过时序分析工具分析发现,大多数用户查询行为在预计到达日期前后一天内(即3月4日至3月6日)的查询量占比超过了70%,这表明用户对运送时效具有高关注度。计算用户查询频率时,我们发现用户ID为12345的客户在实际到达日(3月6日)后的查询频率比之前增加了50%,即从之前的每24小时查询1次增加到每12小时查询1次,这表明用户可能出现了焦虑情绪。结合实际到达日期和预计到达日期,我们通过时间序列分析工具计算出平均预期与实际时效差异为1天,在这1天的差异中,我们观察到查询次数增加了25%,说明时效差异对用户查询行为有一定的影响。应用文本分析工具处理用户评价数据后发现,用户ID为12345的客户给出了3星评价,并评论称“服务效率尚可,但延误了一天”,情感倾向分析得分为中性偏消极,这反映了用户对运送服务的满意度处于一般水平。在用户评价和投诉记录的分析中,用户ID为12345的客户在运送期间没有投诉记录,因此我们不将其行为数据标注为高焦虑程度。利用机器学习模型整合上述分析结果,预测用户ID为12345的客户在未来的运单查询中,关注度为高,焦虑程度为中等。可以根据改客户的关注度和焦虑程度进行对应的客服服务,优化用户体验。
步骤S106,根据用户关注度、焦虑程度、投诉率以及打分反馈对用户画像进行更新,动态调整用户画像中对运送时效的敏感度和需求,同时根据用户画像的变化,对货物分类***进行优化和调整。
统计用户的投诉内容和频次,以评估投诉率,并识别投诉因素。通过自然语言模型分析用户的打分反馈,识别出用户对货物运送的加分点。融合用户关注度、焦虑程度、投诉因素以及加分点,对用户画像进行更新,包括更新用户对运送时效敏感度。根据用户画像变化中的时效需求差异,调整货物分类***的参数,包括调整货物优先级排序参数。
例如,收集了过去一个季度的用户投诉数据,统计得到,共有500次用户投诉,其中150次与货物延迟到达有关,100次关于货物损坏,而剩余的250次涉及其他各类问题。总订单数为10000,因此计算得出的总体投诉率为500/10000*100%=5%。在投诉分析过程中,运用自然语言处理模型对用户的文本反馈进行分析,发现用户在5分满分的评分中普遍提到“准时”、“包装完好”和“快递员态度好”作为正面评价要素。用户在给出5分的评价中,有65%的评论提到了“准时”,表明货物运送的时效性是用户满意的重要因素。为了更好地理解和服务的用户,更新了用户画像,提高“对运送时效敏感度”这一关键属性。假设原先将用户分为高、中、低三个敏感度层级,通过分析用户的订单和反馈数据,发现约有30%的用户在订单中特别要求快递服务,对时效表现出高度敏感。根据用户画像的变化,针对性地调整了货物分类***的参数,具体可为调整货物优先级排序参数。例如,将货物分为急件和普通件,若用户画像的变化中对运送时效敏感度变为高度敏感,则将普通件升级为急件。原始数据表明,对于急件类订单,用户的期望送达时间为1-2天,而普通件的期望是3-5天。对物流配送策略进行调整,确保急件类订单优先处理,并在物流资源分配中给予优先权。通过这些措施,能准确地满足不同用户的需求,提升整体的用户满意度,并减少投诉率。
根据用户关注度、焦虑程度,调整优化货物运送策略模型。
根据用户关注度、焦虑程度,判断用户对货物运送的期望和潜在问题。分析当前货物的货物属性,确定会导致用户关注度和焦虑程度增加的关键货物属性。基于用户对货物运送的期望、潜在问题和关键货物属性,生成针对性的调整策略。将调整策略及关键货物属性,反馈至货物运送策略模型,调整优化货物运送策略模型
例如,用户关注度高于阈值,则表明用户时刻关注货物运送信息,期望可以随时了解货物当前运送状态。用户焦虑程度高于阈值,则表明存在运送服务不满意的潜在问题,包括货物在运输过程中的损坏、延误或丢失。示例性,当前货物为艺术花瓶,会导致用户关注度和焦虑程度增加的关键货物属性为高价值易碎物品,因为当前货物需要特别小心包装和搬运。基于随时了解货物当前运送状态的期望,则增加每到一个转移区域就发布货物当前运送信息的手段;基于货物在运输过程中的损坏、延误或丢失的潜在问题,则提供货物运送损失保险及延时保险;基于高价值易碎物的关键货物属性,提供额外的包装服务,确保艺术花瓶在硬质包装盒内,并且每个包装箱的缓冲材料至少有5厘米厚,以减少运输过程中的损坏风险。还可以选择信誉等级为良好的物流公司,以减少延误和丢失的风险,并确保所有货物都能够追踪。为高价值物品提供损失保险,具体保险费用可为货值的1%,以缓解顾客的焦虑,并提供一种财务上的保障措施。采用快速运输选项,确保实际运输时间不超过预估运输时间,即使这意味着每件艺术品的运费提高。将上述调整手段封装为调整策略,将调整策略与关键货物属性进行关联,提高关键货物属性的权重,以调整策略为损失,调整货物运送策略模型的参数。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (7)
1.一种基于货物转移进度及用户行为监控的货物分类方法,其特征在于,所述方法包括:
获取用户历史签收数据,通过数据分析和挖掘,对用户的签收行为、频率、时间进行分析,根据分析结果建立用户画像;
通过图像识别模块,提取货物的特征信息,通过货物属性模型,对货物进行分隔识别,为货物赋予货物属性;
货物分类***根据用户画像和货物的目的地,对货物进行优先级别排序,通过货物运送策略模型,结合货物属性,生成当前货物的运送策略,包括转移区域以及运送方式;
若货物属于高优先级类别时,则通过优先调度和空运转移,确保货物及时送达目的地;
在货物运送过程中,获取用户的运单查询行为数据,包括查询次数、查询时间,通过数据分析,判断当前货物运送策略下用户的关注度和焦虑程度;
根据用户关注度、焦虑程度、投诉率以及打分反馈对用户画像进行更新,动态调整用户画像中对运送时效的敏感度和需求,同时根据用户画像的变化,对货物分类***进行优化和调整;
其中,所述货物分类***根据用户画像和货物的目的地,对货物进行优先级别排序,通过货物运送策略模型,结合货物属性,生成当前货物的运送策略,包括转移区域以及运送方式,包括:
通过货物对应的用户画像分析得到用户配送优先级以及用户偏好的物流配送策略;
分析货物目的地的地理位置、交通状况和送达难易程度,得到货物目的地的物流难度评分;
结合用户配送优先级和货物目的地物流难度评分,对货物进行优先级别排序;
利用货物运送策略模型,根据货物属性、优先级别和发出点信息及目的地信息,对货物进行转移区域的规划,以及分析不同类型货物的尺寸、重量和优先级别,并对运送方式进行分类,包括空运或陆运或海运;
结合转移区域规划结果与运送方式分类信息,结合预设运输时效,为货物的各个转移区域配置转移时效;
获取实时物流网络数据,监控当前物流网络状态,包括各转移区域的拥堵程度和天气信息,用于调整货物转移区域的转移时效;
根据货物的优先级别和转移时效,通过动态规划算法,计算出最优的转移路径,以及预计到达时间;
采用自适应调整机制,监控货物在转移过程中的状态,包括实时位置和预计到达时间,若出现延误,则重新计算调整转移路径和转移时效;
生成货物运送策略,包括最终确定的转移区域、运送方式和预计到达时间,并将货物运送策略下发至物流执行***作为指导信息。
2.根据权利要求1所述的方法,其中,所述获取用户历史签收数据,通过数据分析和挖掘,对用户的签收行为、频率、时间进行分析,根据分析结果建立用户画像,包括:
获取用户历史签收数据,提取签收行为和签收频率以及签收时间,其中签收行为包括签收地点和签收模式;
根据采集到的签收时间,利用时间序列分析,绘制用户签收活动的时间分布图,识别用户的高频签收时间段和非活跃时间段;
对用户的签收频率进行分析,识别用户对应的用户群体,包括高频签收用户或低频签收用户;
对用户的签收地点和签收模式进行分析,确定用户的签收习惯;
对用户反馈信息进行情感分析,从中提取出用户对物流服务的满意程度,以及对快递员服务态度的评价,判断用户的服务敏感点;
分析用户的退换货频率和选择的预设退换缘由,从对应的评价内容中提炼关键词,得到影响用户满意度的关键因素;
结合时间分布图、用户群体、签收习惯、服务敏感点和影响用户满意度的关键因素,建立的用户画像。
3.根据权利要求1所述的方法,其中,所述通过图像识别模块,提取货物的特征信息,通过货物属性模型,对货物进行分隔识别,为货物赋予货物属性,包括:
通过图像采集模块获取货物图像,对采集到的货物图像进行预处理,包括去噪声和对比度增强;
通过图像分割模块将货物图像中的每个物体与背景或其他物体分离,得到独立的目标物体图像;
提取目标物体图像的特征信息,包括颜色直方图、纹理特征和形状描述子;
选择机器学习算法,包括支持向量机(SVM)或卷积神经网络(CNN),用于训练货物属性模型;
使用已标注的数据集对货物属性模型进行训练,调整货物属性模型的模型参数直至达到预期的识别准确率;
对训练好的货物属性模型在新的货物图像数据集上进行测试,测试货物属性模型的识别效果;
根据测试结果,对货物属性模型进行优化调整;
将优化后的货物属性模型部署到实际的货物分类***中,监控货物属性模型在实际环境中的表现,并根据反馈数据进一步优化。
4.根据权利要求1所述的方法,其中,所述若货物属于高优先级类别时,则通过优先调度和空运转移,确保货物及时送达目的地,包括:
若货物类型为易腐品或生物医疗材料,启动特殊物流方案,标注特别包装和温控要求;
获取货物尺寸和重量信息后,确定空运容器或包装选择,并调整运输计划以适应有效载荷;
通过实时分析航班频率和直达航班数据,得到航线选项,并为高优先级货物预留航班位置;
若航班预订***显示直达航班已满,则搜索并预留下一个最快的转机航班;
采用高级追踪***,实时监控货物的运输状态,若检测到任何延误或异常情况,则通知物流协调员;
获取目的地的接收能力信息,包括清关速度和卸货效率,预测货物到达后的处理时间,并调整整体运输计划以符合预期的交货时间;
若监测到货物在任一节点发生延误,则启动备选方案,调度其他资源,包括备用运输工具或额外的地面运输服务,以确保货物的及时送达;
根据运输成本和时效保证的要求,为客户生成费用预算和时间框架,提供影响成本和时间因素。
5.根据权利要求1所述的方法,其中,所述在货物运送过程中,获取用户的运单查询行为数据,包括查询次数、查询时间,通过数据分析,判断当前货物运送策略下用户的关注度和焦虑程度,包括:
通过数据采集***获取用户运单查询行为数据,包括用户ID、运单号、查询次数、首次查询时间、最后一次查询时间、查询间隔、查询时间点和查询设备;
获取运单信息数据,涵盖发货日期、预计到达日期、实际到达日期、货物种类和服务等级;
利用时序分析工具分析用户查询时间点的分布,若用户查询主要集中在预计到达日期前两天,判断用户对运送时效具有高关注度;
根据查询间隔和查询次数计算用户查询频率,若查询频率在预计到达日期后增加,判断用户出现焦虑情绪;
结合实际到达日期和预计到达日期,通过时间序列分析工具计算预期与实际时效差异,分析差异对用户查询行为的影响;
分析用户评价和投诉记录,应用文本分析工具处理用户评价数据,提取情感倾向,以评估用户对运送服务的满意度;
若用户在运送期间存在投诉行为,则标注为高焦虑程度。
6.根据权利要求1所述的方法,其中,所述根据用户关注度、焦虑程度、投诉率以及打分反馈对用户画像进行更新,动态调整用户画像中对运送时效的敏感度和需求,同时根据用户画像的变化,对货物分类***进行优化和调整,包括:
统计用户的投诉内容和频次,以评估投诉率,并识别投诉因素;
通过自然语言模型分析用户的打分反馈,识别出用户对货物运送的加分点;
融合用户关注度、焦虑程度和投诉因素以及加分点,对用户画像进行更新,包括更新用户对运送时效敏感度;
根据用户画像变化中的时效需求差异,调整货物分类***的参数,包括调整货物优先级排序参数;
还包括:根据用户关注度、焦虑程度,调整优化货物运送策略模型。
7.根据权利要求6所述的方法,其中,所述根据用户关注度、焦虑程度,调整优化货物运送策略模型,包括:
根据用户关注度、焦虑程度,判断用户对货物运送的期望和潜在问题;
分析当前货物的货物属性,确定会导致用户关注度和焦虑程度增加的关键货物属性;
基于用户对货物运送的期望、潜在问题和关键货物属性,生成针对性的调整策略;
将调整策略及关键货物属性,反馈至货物运送策略模型,调整优化货物运送策略模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410512997.2A CN118097316B (zh) | 2024-04-26 | 2024-04-26 | 一种基于货物转移进度及用户行为监控的货物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410512997.2A CN118097316B (zh) | 2024-04-26 | 2024-04-26 | 一种基于货物转移进度及用户行为监控的货物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118097316A CN118097316A (zh) | 2024-05-28 |
CN118097316B true CN118097316B (zh) | 2024-07-02 |
Family
ID=91158799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410512997.2A Active CN118097316B (zh) | 2024-04-26 | 2024-04-26 | 一种基于货物转移进度及用户行为监控的货物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118097316B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102560210B1 (ko) * | 2023-01-27 | 2023-07-27 | (주)와이오엘 | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 |
CN117455346A (zh) * | 2023-12-21 | 2024-01-26 | 广东鑫港湾供应链管理有限公司 | 一种用于药品仓储中心的包装追踪方法及*** |
-
2024
- 2024-04-26 CN CN202410512997.2A patent/CN118097316B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102560210B1 (ko) * | 2023-01-27 | 2023-07-27 | (주)와이오엘 | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 |
CN117455346A (zh) * | 2023-12-21 | 2024-01-26 | 广东鑫港湾供应链管理有限公司 | 一种用于药品仓储中心的包装追踪方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN118097316A (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11055644B2 (en) | Package delivery sub-route assignments to delivery workers based on expected delivery efficiency | |
US10467562B1 (en) | Systems and methods for computerized balanced delivery route assignment | |
US11087253B2 (en) | Interactive real time system and real time method of use thereof in conveyance industry segments | |
US10776750B2 (en) | System and method for fulfilling e-commerce orders from a hierarchy of fulfilment centres | |
US8560461B1 (en) | Shipment splitting analyzer | |
US9230233B1 (en) | Systems and methods for implementing specialty packaging in a materials handling facility | |
US20170011327A1 (en) | Method of computing an estimated queuing delay | |
KR20220012396A (ko) | 인공 지능을 이용한 제품 통합 및 중복제거를 위한 컴퓨터 시스템 및 방법 | |
CN109685429B (zh) | 配送能力确定方法、装置、电子设备及存储介质 | |
US20240086726A1 (en) | Systems and methods for big data analytics | |
CN110705805A (zh) | 货物的装配方法及装置、存储介质、电子装置 | |
CN116187718B (zh) | 基于计算机视觉的智慧货物识别分拣方法及*** | |
Özcan et al. | 3PL service provider selection with a goal programming model supported with multicriteria decision making approaches | |
Zhou et al. | A data-driven business intelligence system for large-scale semi-automated logistics facilities | |
CN116664029A (zh) | 冷链干线与落地配整合方法、装置、设备及存储介质 | |
US20140129269A1 (en) | Forecasting Business Entity Characteristics Based on Planning Infrastructure | |
CN109117989B (zh) | 一种任务匹配时的预测方法及装置 | |
Hathikal et al. | Prediction of ocean import shipment lead time using machine learning methods | |
Guo et al. | Integrated inventory control and scheduling decision framework for packaging and products on a reusable transport item sharing platform | |
CN113935528A (zh) | 智能调度方法、装置、计算机设备及存储介质 | |
CN118097316B (zh) | 一种基于货物转移进度及用户行为监控的货物分类方法 | |
Endler et al. | Systematic review of the latest scientific publications on the vehicle routing problem | |
CN117726265A (zh) | 一种基于智能手机终端的冷链物流信息平台 | |
Chakroun et al. | Logistics and supply chain analytics: Benefits and challenges | |
Qiu et al. | Improving First-time Attempts in Last-Mile Deliveries |
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 |