CN107292418A - 一种运单滞留预测方法 - Google Patents
一种运单滞留预测方法 Download PDFInfo
- Publication number
- CN107292418A CN107292418A CN201710366942.5A CN201710366942A CN107292418A CN 107292418 A CN107292418 A CN 107292418A CN 201710366942 A CN201710366942 A CN 201710366942A CN 107292418 A CN107292418 A CN 107292418A
- Authority
- CN
- China
- Prior art keywords
- waybill
- data
- msubsup
- detained
- retention
- 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 37
- 230000014759 maintenance of location Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012384 transportation and delivery Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 abstract description 5
- 238000013499 data model Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 239000000843 powder Substances 0.000 abstract 1
- 230000009897 systematic effect Effects 0.000 abstract 1
- 230000000717 retained effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 241001604129 Polydactylus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于快件滞留运单预测技术领域,公开了一种运单滞留预测方法,使用有监督的模型训练方法,结合历史运单的派送记录,采用logit线性回归模型方法,对数据模型进行训练;通过模型预测运单派送滞留的概率,并结合阀值决定运单被识别成滞留订单或非滞留订单。本发明对被滞留的寄件可以选择不出仓或者延时派送,优化派送效率,降低派送成本;在寄件派送前就预测寄件是否会被滞留,对被滞留的寄件可以对客户做个性化的服务,提升客户满意度;优化管理流程和产品设计,对于滞留概率比较高的区域,或者滞留概率比较高的时段,可以督促管理人员优化资源分配、降低滞留率;通过系统指导员工行为,可以减少虚假滞留。
Description
技术领域
本发明属于快件滞留运单预测技术领域,尤其涉及一种运单滞留预测方法。
背景技术
在快递行业中,针对不同的快递产品,都要求收派员在系统规定的派送时间前完成派送任务,并以此作为考核收派员业务能力的重要指标之一。然而,在实际业务场景中,很多情况会导致收派员无法在规定的时间内完成派送任务,如收派员能力限制、节假日客户不在、极端天气等。在这些情况下,收派员一般会对快件作滞留回仓操作。这些滞留的快件,一方面会影响整体的派送效率,收派员会在这些滞留的快件上做很多无用功。另一方面,非客户原因的滞留也会导致客户满意度的降低,影响公司的口碑。因此,如何预测运单滞留,在收派员派送前就做特殊处理,是一个十分重要的课题。
综上所述,现有技术存在的问题是:
由于目前网点采取的“全量派送”的模式,即不管什么件,在客户未要求的情况下,只要一到达网点,都需要立即去派送。同时,收派员由于对包裹信息不了解,或者对区域信息,客户信息不熟悉,造成很多派送都是无效劳动。结果就造成了很多快递包裹,最终都变成了滞留件,并且耗费了大量的生产成本。滞留的快件影响整体的派送效率,非客户原因的滞留也会导致客户满意度的降低。
发明内容
针对现有技术存在的问题,本发明提供了一种运单滞留预测方法。
提供一种运单滞留预测方法,包括:
获取历史运单收派记录的特征数据;
建立logit回归模型,利用监督学习对该logit回归模型进行训练;
利用logit线性回归模型预测运单的滞留概率,并与预设的阈值比较,若滞留概率值大于预设阈值则判断为滞留运单,若滞留概率小于预设阈值则判断为正常运单。
进一步,所述历史运单收派记录的特征数据,包括:
收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据中的至少一种。
进一步,所述收派员操作数据,包括:
妥投操作、滞留操作、操作网点、操作单元区域、单元区域类型、出仓时间、出仓收派员标识信息。
进一步,所述运单信息数据包括:
收件人电话、收件人地址、托寄物内容、体积及重量。
进一步,所述收派员属性信息包括
收派员性别、年龄、入职年月、雇佣类型、及交通工具信息。
进一步,所述运单结算数据,包括:
总费用、月结卡号、支付类型。
进一步,所述衍生列计算数据,包括:
每天的任务量、出仓任务前的运单滞留量。
进一步,所述运单滞留预测方法还包括对收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据的空缺值及异常值进行填补或删除。
进一步,所述对logit回归模型进行训练,包括:
获取特征数据的数据集,所述数据集包括m个训练样本,
其中,表示第1个logit回归模型训练样本的第一个特征数据;y1表示第1个训练记录对应的训练分类数据;
将数据集输入logi t回归模型对应的系数求解函数中,获取对应的相关系;
利用优化函数来计算各个变量的系数,并通过迭代的方法,来优化系数。
进一步,所述运单滞留预测方法还包括利用p-value对变量进行显著性检验,筛掉对结果判断不显著的特征数据。
进一步,所述运单滞留预测方法还包括检测特征数据与特征数据之间是否存在线性关系,利用预设的方差膨胀阈值,删除具有共线性的特征数据。
本发明的优点及积极效果为:对历史数据进行建模,揭示滞留运单的特征,更好理解滞留运单产生的原因;通过快件滞留预测引擎,运单在中转场发往分部的时候,就可以预测是否会被滞留。并在运单滞留前,就对运单进行特殊对待;滞留运单预测综合考虑了客户、收派员、派送时段等多维度信息;支持实时的在线分析,以及离线的优化升级;并可以在后期的运营维护中,增加新的维度信息,优化模型预测准确率。
本发明在寄件派送前就预测寄件是否会被滞留,针对被滞留的寄件可以选择不出仓或者延时派送,优化派送效率,降低派送成本。
本发明提供的模型对深圳试点网点的19124个历史派件进行滞留概率预测,结果如下:
其中,滞留快件被正确识别的占58.49%,滞留与非滞留整体识别正确的占78.41%。如果被识别出来的快件都可以延缓出仓,或者提示用户更改派送时间,则可以大大减少派送成本。
在寄件派送前就预测寄件是否会被滞留,针对被滞留的寄件可以对客户做个性化的服务,如温馨提示,转寄服务,放置丰巢柜等。提升客户满意度;优化管理流程和产品设计,对于滞留概率比较高的区域,或者滞留概率比较高的时段,可以督促管理人员优化资源分配、降低滞留率。同时,对滞留概率比较高的产品,也可以督促产品人员去优化产品;通过系统指导员工行为,员工工作任务更清晰简单,一定程度上可以减少虚假滞留。
附图说明
图1是本发明实施例提供的快件运单滞留预测方法流程图;
图2是本发明实施例提供的当前派件任务的基本流程示意图;
图3是本发明实施例提供的在理想状态下,派送任务流程示意图。
具体实施方式
为了更好的了解本发明的技术方案,下面结合说明书附图和具体实施例对本发明作进一步说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的运单滞留预测方法包括以下步骤:
S101:获取历史运单收派记录的特征数据;
S102:建立logit回归模型,利用监督学习对该logit回归模型进行训练;
具体的,将使用有监督的模型训练方法,结合历史运单收派记录,采用logit线性回归模型(也可以采用随机森林,决策树,GBDT,一般回归模型等)方法,对数据模型进行训练;
S103:利用logit回归模型预测运单的滞留概率,并与预设的阈值比较,若滞留概率值大于预设阈值则判断为滞留运单,若滞留概率小于预设阈值则判断为正常运单。
下面结合附图对本发明的应用原理作进一步的描述。
logit回归模型是针对单次派送任务是否会被滞留进行预测。一个运单,在它的派送生命周期内,会包含1次以上的派送行为。每一次的派送行为,都有可能因为各种原因造成快件被滞留。下图展示了当前派件任务的基本流程,如图2所示,一个快件在妥投之前可能会有多次滞留,所以logit回归模型需要对每一次的派送任务进行预测。
如图3所示,是在理想状态下,使用logit回归模型的派送任务流程。每一次的派送之前都会使用模型对滞留概率进行预测,高滞留概率的快件选择不出仓,修改派送时间。低滞留概率的快件则可以出仓,直接派送。
logit回归模型的研发将使用有监督的模型训练方法,结合历史运单的派送记录,采用logit线性回归模型方法,对数据模型进行训练。通过模型预测运单派送滞留的概率,并结合阀值决定运单被识别成滞留订单或非滞留订单。
本发明实施例提供的快件滞留运单预测方法所应用的具体硬件环境为:8G内存,Win7操作系统,Intel-i5处理器。
logit回归模型训练数据集有以下几个来源:
1)顺丰收派员巴抢操作数据(201612-201701),如滞留,妥投,出仓操作等信息;
2)顺丰运单基本信息数据(201612-201701),如派件地址,电话,员工号码等信息;
3)顺丰收派员基本信息数据,如性别,年龄,年月等信息;
4)顺丰运单费用结算信息数据(201612-201701),如运费,结算,客户类型等信息;
5)百度地址分类数据,如地址类型,地址经度等信息;
6)深圳市天气数据(201612-201701),如温度,能见度,降雨等信息。
特征列表见表1。
表1 特征列表
本发明实施例提供的运单滞留预测方法包括以下步骤:
1、数据准备
步骤1,收派员操作数据,即巴抢操作数据处理。logit回归模型是基于单次派送任务进行预测的模型,所以模型的训练数据集将基于运单的历史派送记录。每次的运单派送记录由出仓操作进行间隔划分。出仓后的“妥投”或“滞留”操作,作为分类标签。表2示出了一个完整的运单记录,如何划分成几个不同的派送任务记录。针对每一个派件任务,还会获取派件任务的操作网点,操作单元区域,单元区域类型,出仓时间,出仓星期几,出仓收派员工号等字段信息。
表2 完整的运单记录
步骤2,运单信息数据处理。从运单基本信息中获取收件人电话,收件人地址,托寄物内容,体积,重量等基本信息。针对收件人电话,会用正则表达式匹配是否符合电话编码规则,并对电话号码标打标签(“有效号码”,“无效号码”)。对于收件人地址,会使用百度Geocoding API获取地址类型,和地址精度。
步骤3,收派员属性信息数据处理。获取收派员的基本信息,如性别,年龄,入职年月,雇佣类型,使用交通工具等信息。
步骤4,运单结算数据处理。一个运单可能有多重类型的费用产生,如运费,保价费,物料费等。为了模型的简洁,针对每一个运单,只计算运单的总费用。同时,还会从结算数据中,获取月结卡号,支付类型。针对月结考核,主要标识该用户是否是月结客户。
步骤5,天气数据。本实施例通过第三方数据获取,使用R包weatherData获取深圳市从12月1日至2月1日的天气数据。
步骤6,衍生列计算。针对网点,单元区域,员工,计算对应的每天的任务量。针对单元区域,员工,收件人,月结卡号,计算在出仓任务前的运单滞留量。该衍生列(derivedcolumn)是指,不是直接获得的特征数据值,而是经过计算获得的。
步骤7,对原始数据的空缺值和异常值进行处理,采用删除法、填补法。
2、数据建模
步骤1,对以上数据进行整理,获取logit回归模型的训练集。训练集的m个训练样本可以标识成以下形式:
其中表示第1个logit回归模型训练样本的第一个特征,如收派员单元区域类型。y1表示第1个训练记录对应的训练标签,在logit回归模型中表示该件是否被滞留,用0或1表示。
logit回归模型将数据集输入至logit回归模型对应的系数求解函数中去,通过训练数据集获取对应的相关系。逻辑回归主要应用与两分类问题,即输出一般只有两种结果。logit回归模型(或称Sigmod函数)的函数一般表达式如下:
logit回归模型会通过一个优化函数来计算各个变量的系数,并通过迭代的方法,来优化系数,寻找与训练集拟合程度好的变量系数。本发明实施例使用的是R-Studio的glm函数来实现对logit回归模型的计算,以下是部分的模型结果。
Coefficients:
由于logit回归模型会为所有的变量进行回归计算;使用p-value进行显著性检验,筛掉不显著的变量。
变量与变量之间还可能存在线性关系,也会对结果产生负面的影响;采用方差膨胀因子来判断系数之间的相关关系;一般来说,方差膨胀因子大于100时,变量之间的存在严重的共线性;存在共线性的变量需要删除;采用Step逐步回归函数,减少变量之间共线性的影响。
模型训练完成后,可以对未标识的订单判断其为滞留订单的概率。根据运单的特征数据,结合训练完成的logit回归模型,计算运单的滞留概率。假设滞留概率为P,则模型会返回0至1区间范围内的数值。P越大,则模型滞留的概率越高。
在实际业务场景中,需要预先设定一个阀值,来决定模型判定结果。假设预设阀值为0.5,则大于0.5时,认为订单会被滞留,小于0.5时,运单不会被滞留。
针对大于阈值的运单,可以选择不出仓或者通知用户修改时间。针对小于阀值的运单,可以正常派送。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种运单滞留预测方法,其特征在于,包括:
获取历史运单收派记录的特征数据;
建立logit回归模型,利用监督学习对该logit回归模型进行训练;
利用logit回归模型预测运单的滞留概率,并与预设的阈值比较,若滞留概率值大于预设阈值则判断为滞留运单,若滞留概率小于预设阈值则判断为正常运单。
2.根据权利要求1所述的运单滞留预测方法,其特征在于,所述历史运单收派记录的特征数据,包括:
收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据中的至少一种。
3.根据权利要求2所述的运单滞留预测方法,其特征在于,所述收派员操作数据,包括:
妥投操作、滞留操作、操作网点、操作单元区域、单元区域类型、出仓时间、出仓收派员标识信息。
4.根据权利要求2所述的运单滞留预测方法,其特征在于,所述运单信息数据包括:
收件人电话、收件人地址、托寄物内容、体积及重量。
5.根据权利要求2所述的运单滞留预测方法,其特征在于,所述收派员属性信息包括:
收派员性别、年龄、入职年月、雇佣类型及交通工具信息。
6.根据权利要求2所述的运单滞留预测方法,其特征在于,所述运单结算数据,包括:
总费用、月结卡号、支付类型。
7.根据权利要求2所述的运单滞留预测方法,其特征在于,所述衍生列计算数据,包括:
每天的任务量、出仓任务前的运单滞留量。
8.根据权利要求2-7任一项所述的运单滞留预测方法,其特征在于,还包括对收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据的空缺值及异常值进行填补或删除。
9.根据权利要求1-7任一项所述的运单滞留预测方法,其特征在于,所述对logit回归模型进行训练,包括:
获取特征数据的数据集,所述数据集包括m个训练样本:
<mrow>
<mo>{</mo>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mn>1</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mn>1</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>3</mn>
<mn>1</mn>
</msubsup>
<mo>,</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>M</mi>
<mn>1</mn>
</msubsup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mn>1</mn>
</msup>
<mo>}</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mi>n</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mi>n</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>3</mn>
<mi>n</mi>
</msubsup>
<mo>,</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>M</mi>
<mi>n</mi>
</msubsup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>n</mi>
</msup>
<mo>}</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mi>m</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mi>m</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>3</mn>
<mi>m</mi>
</msubsup>
<mo>,</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>M</mi>
<mi>m</mi>
</msubsup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>m</mi>
</msup>
<mo>}</mo>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中,表示第1个logit回归模型训练样本的第一个特征数据;y1表示第1个训练记录对应的训练分类数据;
将数据集输入logit回归模型对应的系数求解函数中,获取对应的相关系;
利用优化函数来计算各个变量的系数,并通过迭代的方法,来优化系数。
10.根据权利要求1-7任一项所述的运单滞留预测方法,其特征在于,还包括利用p-value对变量进行显著性检验,筛掉对结果判断不显著的特征数据。
11.根据权利要求1-7任一项所述的运单滞留预测方法,其特征在于,还包括检测特征数据与特征数据之间是否存在线性关系,利用预设的方差膨胀阈值,删除具有共线性的特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710366942.5A CN107292418A (zh) | 2017-05-23 | 2017-05-23 | 一种运单滞留预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710366942.5A CN107292418A (zh) | 2017-05-23 | 2017-05-23 | 一种运单滞留预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292418A true CN107292418A (zh) | 2017-10-24 |
Family
ID=60094510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710366942.5A Pending CN107292418A (zh) | 2017-05-23 | 2017-05-23 | 一种运单滞留预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292418A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428188A (zh) * | 2018-01-24 | 2018-08-21 | 顺丰科技有限公司 | 理赔风险预测方法、系统、设备及存储介质 |
CN108520335A (zh) * | 2018-03-20 | 2018-09-11 | 顺丰科技有限公司 | 抽检对象预测方法、装置、设备及其存储介质 |
CN109685276A (zh) * | 2018-12-27 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
CN109934368A (zh) * | 2017-12-15 | 2019-06-25 | 菜鸟智能物流控股有限公司 | 订单数量和订单状态的预测方法、装置及系统 |
CN110399995A (zh) * | 2018-04-20 | 2019-11-01 | 顺丰科技有限公司 | 运单投诉处理方法、装置、设备及其存储介质 |
CN110533207A (zh) * | 2018-05-23 | 2019-12-03 | 顺丰科技有限公司 | 运单滞留预测方法、装置及手持终端后台服务器 |
CN110619410A (zh) * | 2018-06-20 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 订单再投预测方法、装置和系统 |
CN113033851A (zh) * | 2019-12-09 | 2021-06-25 | 顺丰科技有限公司 | 件量预测方法、装置、计算机设备和存储介质 |
CN113095756A (zh) * | 2021-04-14 | 2021-07-09 | 北京京东振世信息技术有限公司 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
CN113537680A (zh) * | 2020-04-20 | 2021-10-22 | 北京京东振世信息技术有限公司 | 一种确定运输任务的完成时间的方法及装置 |
CN113537858A (zh) * | 2020-04-16 | 2021-10-22 | 顺丰科技有限公司 | 运单时效升级方法、相关装置及存储介质 |
CN114689107A (zh) * | 2020-12-28 | 2022-07-01 | 顺丰科技有限公司 | 运单操作的检测方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794053A (zh) * | 2014-03-05 | 2014-05-14 | 中商商业发展规划院有限公司 | 一种城市短途物流单目标配送时间模糊预测方法及系统 |
CN105224994A (zh) * | 2014-07-03 | 2016-01-06 | 富士通株式会社 | 预测停留时间的装置和方法、确定投递路径的设备和方法 |
CN105719008A (zh) * | 2015-05-22 | 2016-06-29 | 北京小度信息科技有限公司 | 对配送系统进行优化的方法及装置 |
CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及系统 |
-
2017
- 2017-05-23 CN CN201710366942.5A patent/CN107292418A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794053A (zh) * | 2014-03-05 | 2014-05-14 | 中商商业发展规划院有限公司 | 一种城市短途物流单目标配送时间模糊预测方法及系统 |
CN105224994A (zh) * | 2014-07-03 | 2016-01-06 | 富士通株式会社 | 预测停留时间的装置和方法、确定投递路径的设备和方法 |
CN105719008A (zh) * | 2015-05-22 | 2016-06-29 | 北京小度信息科技有限公司 | 对配送系统进行优化的方法及装置 |
CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
吴斌等: "基于Logistics回归算法的证券客户流失预测模型及应用", 《金融电子化》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934368A (zh) * | 2017-12-15 | 2019-06-25 | 菜鸟智能物流控股有限公司 | 订单数量和订单状态的预测方法、装置及系统 |
CN108428188A (zh) * | 2018-01-24 | 2018-08-21 | 顺丰科技有限公司 | 理赔风险预测方法、系统、设备及存储介质 |
CN108520335A (zh) * | 2018-03-20 | 2018-09-11 | 顺丰科技有限公司 | 抽检对象预测方法、装置、设备及其存储介质 |
CN110399995A (zh) * | 2018-04-20 | 2019-11-01 | 顺丰科技有限公司 | 运单投诉处理方法、装置、设备及其存储介质 |
CN110533207A (zh) * | 2018-05-23 | 2019-12-03 | 顺丰科技有限公司 | 运单滞留预测方法、装置及手持终端后台服务器 |
CN110619410A (zh) * | 2018-06-20 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 订单再投预测方法、装置和系统 |
CN109685276A (zh) * | 2018-12-27 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
CN113033851A (zh) * | 2019-12-09 | 2021-06-25 | 顺丰科技有限公司 | 件量预测方法、装置、计算机设备和存储介质 |
CN113537858A (zh) * | 2020-04-16 | 2021-10-22 | 顺丰科技有限公司 | 运单时效升级方法、相关装置及存储介质 |
CN113537680A (zh) * | 2020-04-20 | 2021-10-22 | 北京京东振世信息技术有限公司 | 一种确定运输任务的完成时间的方法及装置 |
CN113537680B (zh) * | 2020-04-20 | 2023-12-05 | 北京京东振世信息技术有限公司 | 一种确定运输任务的完成时间的方法及装置 |
CN114689107A (zh) * | 2020-12-28 | 2022-07-01 | 顺丰科技有限公司 | 运单操作的检测方法、装置、计算机设备和存储介质 |
CN113095756A (zh) * | 2021-04-14 | 2021-07-09 | 北京京东振世信息技术有限公司 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
CN113095756B (zh) * | 2021-04-14 | 2024-01-12 | 北京京东振世信息技术有限公司 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292418A (zh) | 一种运单滞留预测方法 | |
JP4236638B2 (ja) | 出荷情報に基づいてビジネスインテリジェンスを提供するシステムおよび方法 | |
US8131607B2 (en) | Device and method of planning and managing real-time postal delivery work | |
US20230214760A1 (en) | System and method for generating and implementing a household customer database | |
AU2004267843B2 (en) | Methods and systems for predicting business behavior from profiling consumer card transactions | |
US20210110343A1 (en) | Methods and systems for generating address score information | |
US8725288B2 (en) | Synthesis of mail management information from physical mail data | |
US20160314492A1 (en) | Marketing communication tracking | |
US20080046382A1 (en) | Personal price indexing based upon personal spending habits | |
Hu et al. | A fuzzy-based customer classification method for demand-responsive logistical distribution operations | |
US20210383405A1 (en) | Method and system for processing environmental impact | |
CN109685421A (zh) | 一种商品库存管理方法、装置、存储介质及终端 | |
Sharman et al. | Multilevel modelling of commercial vehicle inter-arrival duration using GPS data | |
CN116955853A (zh) | 订单签收时间预计查询方法、装置、设备及存储介质 | |
CN111967808A (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 | |
CN114612029A (zh) | 风险运单数据识别方法、装置、计算机设备和存储介质 | |
CN113537858A (zh) | 运单时效升级方法、相关装置及存储介质 | |
CN114282951B (zh) | 一种网络零售预测方法、设备及介质 | |
CN115689713A (zh) | 异常风险数据处理方法、装置、计算机设备和存储介质 | |
US8301485B2 (en) | Work optimization based upon lifecycle tracking data | |
CN114066105B (zh) | 运单配送超时预估模型的训练方法,存储介质和电子设备 | |
Rindrasari et al. | Efficiency Analysis of Last Mile Delivery Station | |
CN105404987A (zh) | 一种铁路货运数据处理方法和装置 | |
US20110213668A1 (en) | Method for identifying prospects for direct mail marketing | |
de Groot et al. | Integration of international trade and transport flow statistics for the Netherlands |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
RJ01 | Rejection of invention patent application after publication |