CN109389270A - 一种物流对象确定方法、装置和机器可读介质 - Google Patents

Abstract

本申请公开了一种物流对象确定方法、装置和机器可读介质，涉及物流技术领域。所述方法，包括：提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；获取目标物流包裹的派送信息；确定所述目标物流包裹的当前派送层级；确定所述当前派送层级所对应的目标物流对象确定模型；利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。现有方法在确定物流对象时耗费时间以及精力，分拣犯错可能性较高，容易影响派送效率的技术问题。取得了可以针对不同派送层级精准的预测其负责派送的物流包裹应该派送给那个物流对象，减少了时间以及精力的耗费，提高分拣效率以及准确率的有益效果。

Description

一种物流对象确定方法、装置和机器可读介质

技术领域

本申请涉及物流技术领域，具体涉及一种物流对象确定方法、装置和机器可读介质。

背景技术

随着电子商务的发展，越来越多用户在网上购买商品，然后商家通过物流渠道将商品发送给用户，从而推动了物流行业的发展。一般而言，物流包裹的生命周期包括以下环节：寄件人发货，业务员揽收到网点，网点运输到首转中心，首转中心运输到末转中心，末转中心分拣到派送网点，派送网点分拣到派件员，派件员派送，用户签收。

通常，快递企业将一个城市划分成若干级物流对象(网点、承包区、小件员)，每个物流对象负责某一片地理区域。在包裹派送过程中，一个典型派送路径是，从末转分拨中心分派到网点、网点分派到承包区，承包区分派到小件员。其中，包裹在末转中心、网点、承包区内要进行大规模的分拣操作，不同的分拣方法决定了不同的分拣效率和准确性，进而影响快递公司服务的时效和成本。

目前，快递行业多采用传统的人工分拣，即操作工人记忆各物流对象(网点、承包区或业务员)的派送区域信息，通过阅读面单地址来进行分拣。通常，工人会在包裹上手写实体对应的代码，例如14代表余杭一部。但是这种方法有几种弊端：第一、派件地址的规模非常庞大，工人需要经过大量的培训才能上岗，耗费时间以及精力；第二、工人靠记忆分拣，不可能记住所有的派件地址，很容易发生分拣出错，影响快递派送的准确性以及效率；3.工人需要阅读每一个面单上的详细地址来分拣，效率比较低，同样影响快递派送的效率。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的物流对象确定装置和相应的物流对象确定方法。

依据本申请的一个方面，提供了一种物流对象确定方法，包括：

提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；

获取目标物流包裹的派送信息；

确定所述目标物流包裹的当前派送层级；

确定所述当前派送层级所对应的目标物流对象确定模型；

利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

根据本申请的另一方面，提供了一种物流对象确定装置，包括：

模型提供模块，用于提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；

派送信息获取模块，用于获取目标物流包裹的派送信息；

当前派送层级确定模块，用于确定所述目标物流包裹的当前派送层级；

模型确定模块，用于确定所述当前派送层级所对应的目标物流对象确定模型；

物流对象确定模块，用于利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

根据本申请的另一方面，提供了一种装置，其特征在于，包括：

一个或多个处理器；和

其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如前述的一个或多个的方法。

根据本申请的另一方面，提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如前述的一个或多个的方法。

根据本申请的一种物流对象确定方法，可以提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；获取目标物流包裹的派送信息；确定所述目标物流包裹的当前派送层级；确定所述当前派送层级所对应的目标物流对象确定模型；利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。由此解决了现有方法在确定物流对象时耗费时间以及精力，分拣犯错可能性较高，容易影响派送效率的技术问题。取得了可以针对不同派送层级精准的预测其负责派送的物流包裹应该派送给那个物流对象，减少了时间以及精力的耗费，提高分拣效率以及准确率的有益效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本申请一个实施例的一种物流对象确定方法的步骤流程图；

图2示出了根据本申请一个实施例的一种物流对象确定方法的步骤流程图；

图3示出了根据本申请一个实施例的一种物流对象确定装置的结构示意图；

图4示出了根据本申请一个实施例的一种物流对象确定装置的结构示意图；以及

图5示出了根据本申请一个实施例的一种服务器结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

物流包裹的生命周期通常包括以下环节：寄件人发货，业务员揽收到网点，网点运输到首转中心，首转中心运输到末转中心，末转中心分拣到派送网点，派送网点分拣到派件员，派件员派送，用户签收等过程。

通常，快递企业会将一个城市划分成若干级物流对象(网点、承包区、派送员)，每个物流对象负责某一片地理区域。在包裹派送过程中，一个典型派送路径是，从末转分拨中心分派到网点、网点分派到承包区，承包区分派到小件员。

其中，包裹在末转中心、网点、承包区内要进行大规模的分拣操作，不同的分拣方法决定了不同的分拣效率和准确性，进而影响快递公司服务的时效和成本。

目前，快递行业多采用传统的人工分拣，即操作工人记忆各物流对象(网点和/或承包区和/或派送员)的派送区域信息，通过阅读面单地址来进行分拣。通常，工人会在包裹上手写实体对应的代码，例如14代表余杭一部；

这种方法有几种弊端：1.派件地址的规模非常庞大，工人需要经过大量的培训才能上岗。2.工人靠记忆分拣，不可能记住所有的派件地址，很容易发生分拣出错3.工人需要阅读每一个面单上的详细地址来分拣，效率比较低。

本申请实施例通过采集的物流对象的派送区域信息和已派送物流包裹的已派送历史数据所构建的训练样本集合所训练的物流对象确定模型，在发货时，对某个派送层级的目标物流包裹，通过该派送层级的目标物流对象确定模型提前预测物流对象(网点和/或承包区和/或派送员)，从而大大提升分拣效率，降低专业分拣人工的培训和投入，节约人力成本。同时，本申请实施例的物流对象确定方法，可以针对不同派送层级精准的预测其负责派送的物流包裹应该派送给那个物流对象，预测精准度高，可大大降低人工分拣的错误率。

实施例一

详细介绍本申请实施例提供的一种物流对象确定方法。

参照图1，示出了本申请实施例中一种物流对象确定方法的步骤流程图。

步骤101，提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应。

在本申请实施例中，首先要根据由采集的物流对象的派送区域信息和已派送物流包裹的已派送历史数据所构建的训练样本集合，训练获得物流对象确定模型。而且，如前述，在一个物流包裹在实际派送过程中，会分别依次经过多个不同派送层级的物流对象，那么在本申请实施例中的每个物流对象确定模型分别与一个派送层级的物流对象对应，而对于一个物流包裹而言，为了获取其在整个派送过程中各个派送层级对应的物流对象，需要用到至少一个物流对象确定模型，因此在本申请实施例中，需要提供多个物流对象确定模型。

在本申请实施例中，对于物流包裹，其每个派送环节都会在服务器中记录其派送过程，比如因此一个快递包括的已派送历史数据可以包括：派送地址、分发到的各级物流对象及对应时间等，比如物流包裹A，从北京发送到杭州，其派送地址是“浙江省杭州市余杭区良睦路999号”，那么该包裹A先从北京中转中心向到杭州中转中心发送，此时服务器会记录：包裹A，向杭州中转中心发送中；在杭州中转中心收到该包裹A后，会记录：包裹A到达杭州中转中心；然后杭州中转中心会将该包裹A分发到杭州余杭一部，则此时服务器会记录：包裹A，向杭州余杭一部发送中；杭州余杭一部收到该包裹后，会记录：包裹A到达杭州余杭一部；然后杭州余杭一部分派快递员M负责该包裹A，会记录：包裹A，快递员A于*年*月*日进行派送。可以理解，上述过程中，包裹进出物流对象，都可以由物流对象的录入设备录入物流包裹的信息，然后生成相应信息上传的服务器，服务器则根据流程进行记录。那么本申请实施例的服务器可以获得上述类似的已派送物流包裹的已派送历史数据。当然，上述记录仅仅是示例，也可以采用其他方式进行记录。

在得到大量上述已派送物流包裹的历史记录后，则可已物流对象的派送区域信息和已派送物流包裹的已派送历史数据所构建的训练样本集合，然后训练物流对象确定模型，然后在该模型中输入派送信息，比如派送地址，就可以输出物流对象了。

例如，可以先根据派送信息，以及各物流对象的派送区域信息，确定对应该待物流对象的候选物流对象，然后将派送信息转换为物流对象确定模型可以接收到数据形式，并将转换后的派送信息分别与各候选物流对象输入物流对象确定模型中，则可以得到各个候选物流对象的置信度，那么则可以选择置信度最高的候选物流对象作为与目标物流包裹对应的实际物流对象。其中，具体输入物流对象确定模型的候选物流对象可以为候选物流对象的编号、或者是候选物流对象的名称等等能都唯一代表各候选物流对象的信息，对此本申请实施例不加以限定。

当然，为了进一步保证确定的实际物流对象的准确度，还可以预先设置一个物流对象的置信度应该满足的阈值条件，那么如果各个候选物流对象的置信度中的最大值满足上述的阈值条件，那么则可以置信度的最大值对应的候选物流对象作为与目标物流包裹对应的实际物流对象。而如果各个候选物流对象的置信度中的最大值不满足上述的阈值条件，那么此时则无法确定目标物流包裹对应的实际物流对象。那么为了进一步确定该目标物流包裹对应的实际物流对象，可以调整对应该待物流对象的候选物流对象，然后利用物流对象确定模型重新计算各候选物流对象的置信度。

由上述分析可知，在训练物流对象确定模型时的已派送物流包裹的已派送历史数据中可以包括已派送物流包裹的实际物流对象、已派送物流包裹的派送信息等等，而且其中的派送信息还可以进一步包括派送地址、快递公司信息等等，对此本申请实施例不加以限定。

在本申请实施例中，预先针对每个派送层级构建前述物流对象确定模型，那么每个物流对象确定模型可以与一个派送层级对应。

步骤102，获取目标物流包裹的派送信息。

在本申请实施例中，目标物流包裹可以理解为是一个物流对象待派送的物流包括。目标物流包裹的派送信息可以通过物流详情以及电商订单数据等获取。而且在实际应用中，可以存在多个快递公司，那么对于不同快递公司而言，其包含的物流对象可能完全不同或不完全相同，那么对于同一区域，对应于不同快递公司的物流对象可能不相同。因此，在本申请中，为了针对目标物流包裹的快递公司确定该目标物流包裹的物流对象，那么需要获取的派送信息可以包括派送地址以及快递公司信息。

本申请实施例可以应用于任意一个派送层级，该派送层级比如，中转中心、末转中心、网点、快递员。执行本申请实施例的方法的可以在除了快递员等人工派送层级之外的可以由服务器进行分析派送的派送层级，比如中转中心、末转中心、网点。当然在实际应用中，对于快递员这一人工派送层级可以不构建物流对象确定模型，可以对人工派送层级之上的多个派送层级构建前述物流对象确定模型。

步骤103，确定所述目标物流包裹的当前派送层级。

在实际应用中，当前派送的目标物流包裹在任意时刻可能处于某一派送层级中，那么此时则需要确定其下一层级的物流对象，以对该目标物流包裹进行派送。例如，如果目标物流包裹A当前处于末转中心派送层级，那么后续则需要将其派送至下一层级，也即网点派送层级。在本申请实施例中，可以设定目标物流包裹所处派送层级为当前派送层级。

当然，收到目标物流包裹的物流对象的设备去发送派送层级信息或物流对象标识等给服务器，服务器可根据这些信息确定该目标物流包裹所在的当前物流层级。

步骤104，确定所述当前派送层级所对应的目标物流对象确定模型。

而如前述，不同派送层级的物流对象确定模型并不一定完全相同，那么在获取了当前派送的目标物流包裹的派送信息之后，为了确定其对应的物流对象，需要确定当前派送的目标物流包裹的当前派送层级所对应的物流对象确定模型。

而由于针对每个派送层级构建了一个物流对象确定模型。那么在确定前述当前派送层级后，即可根据派送层级与物流对象确定模型之间的对应关系，确定该当前派送层级所对应的目标物流对象确定模型。

在实际应用中，一个物流包裹运抵一个物流对象后，可以采用该物流对象的扫描设备扫描该物流包裹，扫描设备将数据发送至服务器时，即可将相应的当前派送层级标识也发送至服务器，服务器即可知道该物流包裹当前所处的当前派送层级了，然后即可根据该当前派送层级去查找相应的物理对象模型进行使用。当然，物流设备也可以不发送当前派送层级标识，发送物流包裹的物流编号和物流对象标识给服务器，服务器可以根据物流对象的标识确定该物流包裹对应的当前派送层级。

步骤105，利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

在获取了目标物流包裹的派送信息，以及当前派送的目标物流包裹的当前派送层级所对应的物流对象确定模型之后，则可以根据该派送信息，利用确定的物流对象确定模型获取与目标物流包裹对应的物流对象。

根据本申请的一种物流对象确定方法，可以提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；获取目标物流包裹的派送信息；确定所述目标物流包裹的当前派送层级；确定所述当前派送层级所对应的目标物流对象确定模型；利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。由此取得了可以针对不同派送层级精准的预测其负责派送的物流包裹应该派送给那个物流对象，减少了时间以及精力的耗费，提高分拣效率以及准确率的有益效果。

实施例二

详细介绍本申请实施例提供的一种物流对象确定方法。

参照图2，示出了本申请实施例中一种物流对象确定方法的步骤流程图。

步骤201，利用提供的物流对象的派送区域信息和已派送物流包裹的已派送历史数据，分别针对多个派送层级训练对应的物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应。

在实际应用中，各快递公司会设置多个物流对象，同时规定了各物流对象的派送区域信息，也即各物流对象的派送区域。对于已派送物流包裹，可以获取其已派送历史数据，已派送历史数据可以包括已派送物流包裹的实际物流对象以及派送信息。其中的派送信息也可以包括地址信息以及快递公司信息。那么在本申请中，则可以根据需求获取已派送物流包裹的已派送历史数据，以及各物流对象及相应派送区域信息，进而可以利用提供的物流对象的派送区域信息和已派送物流包裹的已派送历史数据，分别针对多个派送层级训练对应的物流对象确定模型。在实际应用中，所述多个物流对象确定模型分别与一个派送层级对应。具体的可以从已派送物流包裹的已派送历史数据中获取对应各派送层级的已派送历史数据，然后基于相应派送层级的已派送历史数据训练对应该派送层级的物流对象确定模型。

另外，需要说明的是，在本申请中的物流对象也可以为前述的网点或承包区或派送员，而且在实际应用中，物流包裹在从末转中心进入派送的过程中，依次可以经过网点、承包区、派送员等派送层级。当然如果各快递公司对其派送层级进行进一步地划分，那么则可以经过更多层级，对此本申请不加以限定。

那么，在本申请中，如果需要根据物流对象确定模型获取目标物流包裹的实际物流对象，而该实际物流对象可以包括前述的网点和/或承包区和/或派送员，那么在对物流对象确定模型进行训练时，则需要利用已知实际网点、实际承包区、实际派送员的已派送物流包裹对物流对象确定模型进行训练。也即已派送历史数据中包括的实际物流对象可以包括实际网点、实际承包区、实际派送员，等等。而且，需要获取的各物流对象及相应派送区域信息也可以包括各网点的派送区域信息、各承包区的派送区域信息、各派送员的派送区域信息，等等。

当然，如果需要根据物流对象确定模型获取目标物流包裹的实际物流对象，而该实际物流对象只为前述的网点、承包区、派送员中的某一层级或多个层级，那么则可以相应的获取相应层级对应的各物流对象及相应派送区域信息，以及已派送物流包裹的相应层级的实际物流对象。

其中各物流对象的派送区域信息可以由相应物流对象的快递公司以及相应物流对象提供。

例如，以网点为例，获取的某一网点的派送区域信息可以如下表一：

表一

派送区域信息	网点名称	网点编号
			浙江省杭州市余杭区良睦路	杭州余杭一部	50001

另外，也可以获取当前时刻之前预设时间段内的已派送物流包裹的已派送历史数据，以及各物流对象及相应派送区域信息；所述已派送历史数据至少包括：派送信息、实际物流对象。或者是以一定比例筛选当前时刻之前预设时间段内的已派送物流包裹的已派送历史数据，以及各物流对象及相应派送区域信息；所述已派送历史数据至少可以包括：派送信息、实际物流对象；等等，对此本申请实施例不加以限定。

在利用物流对象确定模型确定与目标物流包裹对应的物流对象之前，需要先根据提供的物流对象的派送区域信息和针对已派送物流包裹的已派送历史数据，分别针对多个派送层级训练对应的物流对象确定模型。具体如前述，在此不在赘述。

可选地，在本申请实施例中，所述物流对象确定模型包括一个分类模型，或者一个回归模型，或者至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型。

其中的分类模型可以为最大熵模型、逻辑回归、神经网络等模型中的任何一种；回归模型可以为线性回归、支持向量回归、提升回归树等模型中的任何一种；融合模型可以为投票、加权求和、线性回归、单层神经网络等模型中的任何一种。而且，各个分类模型的构造互相之间并不完全一致，各个回归模型的构造互相之间并不完全一致。

可选地，在本申请实施例中，所述步骤201，进一步可以包括：

子步骤2011，对于每个已派送物流包裹，根据相应派送信息中的派送地址，获取地址分词。

在实际应用中，派送信息中的派送地址一般可以包括XX省XX市XXX区/县XX路XXX号等等内容。其中的“XX省”、“XX市”、“XXX区/县”等等可以理解为地址分词，那么本申请中，对于每个已派送物流包裹，可以根据相应派送信息中的派送地址，获取地址分词。

具体的可以对派送地址进行分词处理，进而可以按照地理等级进行分词，可以得到派送地址的地址分词，同时可以确定分词后得到的各地址分词的地理等级。

例如：如果某一已派送物流包裹的派送信息中的派送地址为浙江省杭州市余杭区良睦路999号，那么对其进行分词处理后可以得到地址分词以及各地址分词的地理等级如下：

prov＝浙江省，city＝杭州市，district＝余杭区，road＝良睦路，roadNo＝999号，detailAddr＝良睦路999号。

其中，prov表示省级地理等级、district表示区级地理等级、road表示道路级地理等级、roadNo表示门牌号地理等级、detailAddr表示详细地址地理等级。当然，在本申请中，可以根据需求预先设置用于表示各地理等级的标识，对此本申请不加以限定。

当然，在本申请实施例中，也可以不标识各地址分词的地理等级，而是根据各地址分词确定其对应的地理等级，例如设定以“省”结尾的地址分词为省级地理分词，以“市”结尾的地址分词为市级地理分词，等等。或者是可以将获取的地理分词与现有的各省市级等等地标进行匹配，以匹配结果确定各地址分词的地理等级，等等。

在本申请实施例中，如果需要确定各地址分词的地理等级，那么可以采用各地理等级词典对所述派送信息进行匹配，获得地址分词以及对应的少一个地理等级；将各地址分词及对应的少一个地理等级，按序与预置的地理等级结构模板匹配，确定各地址分词的地理等级。

在本申请实施例中，可以从第三方的服务器中获取标准的地理等级词典，比如从地图供应商处获取标准的省市区词典，里面包括省级词、市级词、区级词、村级词、街道词等。

需要说明的是，在本申请实施例中，还可以对海量的已派送快递信息进行统计，对标准的词典中表示同一个对象的词进行扩充，即针对同一个地址，设置对应字词正确的地址信息，和至少一个包括错别字的地址信息和/或同义词的地址信息。比如经统计良睦路有大于第一阈值的已派送包裹的地址中错写为梁睦路，那么这两个词都可以对应一个地址即良睦路。还有某个地址其实有多种称呼，即不同的词实际上是说的一个地方，比如词A和词B都说的是地区P，那么词A和词B在地里位置这个概念下属于同义词，其中，词A是地区P的标准词，那么可以词A、词B都对应地区A。其他地址类似。

其中，可能一个词对于多个地理等级，也可以理解为一个地址名称可能有多个地理位置的含义。

那么本申请实施例中，可以先用词典按序对派送信息中的地址进行匹配，确定每个词的地理等级。

在本申请实施例中，可以预先构建一系列地址习惯写法的地理等级模板，比如“prov＝，city＝，district＝，road＝，roadNo＝，detailAddr＝”，“prov＝，district＝，road＝”等，然后与从前往后，层级从高往低，对具有地理等级的标签进行匹配，从而几个确定一个地址分词具体的地理等级。

当然，本申请实施例中，还可以采用其他分词方式本申请实施例不对其加以限制。

子步骤2012，针对一派送层级，根据所述派送信息中的快递公司信息、所述地址分词中属于所述派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象；其中，所述候选物流对象包括所述已派送物流包裹的实际物流对象。

本申请如果要针对多个派送层级构建物流对象确定模型，那么对于多个派送层级中的每个被构建的派送层级，为了对各被构建的派送层级对应的物流对象确定模型进行训练，需要获取前述已派送物流包裹的对应于各被构建的派送层级的下一层级的候选物流对象。如前述，实际应用中的物流对象可以包括网点、承包区、派送员等派送层级，那么在本申请中获取的各个候选物流对象必然是对应于上述的其中一个派送层级，而且物流包裹在派送过程中，可以依次经过网点、承包区、派送员等派送层级，首先可以将物流包裹右末端分拣中心分拣到网点，然后由网点分拣到该网点派送区域信息内的某一承包区，然后由该承包区分拣到该承包区派送区域信息内的某一派送员。在实际应用中，不同派送层级对应的地址分词有所不同，例如网点派送层级可能对应于前述的市级地理等级的地址分词，而承包区派送层级可能对应于前述的区级地理等级的地址分词，派送员派送层级可能对应于前述的道路级地理等级的地址分词。不同快递公司的网点、承包区、派送员等物流对象的派送区域信息并不相同，而且，即使处于同一派送层级的不同快递公司的不同物流对象的派送区域信息也会有所不同。因此，在本申请中，需要根据派送信息中的快递公司信息、地址分词中属于所述各被构建的派送层级的下一层级的地址分词、物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象；其中所述候选物流对象中包括相应派送层级的所述已派送物流包裹的实际物流对象。其中的被构建的派送层级可以为需要确定的候选物流对象所在层级的上一派送层级。当然，实际应用中，对于一被构建的派送层级，可以选择其下面一个或多个层级的物流对象去训练模型，当然本申请实施例优选的选择其下面一个层级的物流对象去训练模型。

例如，对于已派送物流包裹A，其派送信息中的快递公司信息为快递公司甲。假设其当前的被构建的派送层级为末转中心派送层级，假设网点派送层级对应于市级地理等级的地址分词，而承包区派送层级对应于区级地理等级的地址分词，派送员派送层级对应于前述的道路级地理等级的地址分词，已派送物流包裹A对应的地址分词如下：浙江省，杭州市，余杭区，良睦路，999号，良睦路999号。

那么，获取被构建的派送层级的下一派送层级的至少一个物流对象作为候选物流对象，即为获取浙江省这个末转中心的下一派送层级，也即网点派送层级中至少一个网点作为候选物流对象。而且，候选物流对象中包括已派送物流包裹A在派送过程中的的实际网点。

另外，本申请实施例中，还可以同时获取用以训练被构建的派送层级之下的第二派送层级、第三派送层级等等对应的物流对象确定模型的候选物流对象。

例如，对于前述的已派送物流包裹A，获取被构建的派送层级之下的第二个派送层级的至少一个物流对象作为候选物流对象，即为杭州市中至少一个承包区作为候选物流对象。而且，至少一个承包区中包括已派送物流包裹A在派送过程中的的实际承包区；

获取被构建的派送层级之下的第三个派送层级的至少一个物流对象作为候选物流对象，即为获取余杭区中至少一个派送员作为候选物流对象。而且，至少一个派送员中包括已派送物流包裹A在派送过程中的的实际派送员。

子步骤2013，将所述已派送物流包裹的派送地址分别与所述候选物流对象进行组合，构建所述派送层级的训练样本集合。

在获取了用以训练物流对象确定模型的已派送物流包裹的候选物流对象之后，则可以根据各已派送物流包裹的派送地址分别和所述候选物流对象组合，构建各被构建的派送层级的训练样本集合。具体的可以将已派送物流包裹的派送地址分别与相应派送层级的候选物流对象进行组合，构建相应派送层级的训练样本集合。

例如，对于已派送物流包裹A，其派送地址为浙江省杭州市余杭区良睦路999号，地址分词为：浙江省，杭州市，余杭区，良睦路，999号，良睦路999号。假设已派送物流包裹A在一个末转中心派送层级所对应的候选物流对象包括物流对象1、物流对象2和物流对象3。其中，物流对象2为已派送物流包裹A的实际物流对象。

那么可以利用已派送物流包裹A的派送地址分别与各候选物流对象构建训练样本，可以得到三个训练样本分别如下：

(浙江省，杭州市，余杭区，良睦路，999号，良睦路999号，物流对象1)；

(浙江省，杭州市，余杭区，良睦路，999号，良睦路999号，物流对象2)；

(浙江省，杭州市，余杭区，良睦路，999号，良睦路999号，物流对象3)。其中训练样本可以利用任何其他可用方式表示，对此本申请不加以限定。上述训练样本则构成了针对末转中心派送层级的训练样本集合。

如此，分别将已派送物流包裹的派送地址与各派送层级的候选物流对象进行组合，则可以构建相应各派送层级的训练样本集合。

当然，在本申请中，在构建训练样本集合时，还可以不利用地址分词，而是直接利用派送地址构建训练样本集合，那么则可以得到形如(浙江省杭州市余杭区良睦路999号，物流对象1)的训练样本，对此可以根据需求进行预先设定，本申请也不加以限定。

子步骤2014，利用所述派送层级的训练样本集合，训练相应派送层级的物流对象确定模型。

在得到训练样本集合之后，则可以利用各派送层级的训练样本集合，训练相应派送层级的物流对象确定模型。

可选地，在本申请实施例中，所述子步骤2014进一步可以包括：

子步骤A20141，对所述派送层级的训练样本集合的样本，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征。

需要将各训练样本集合转化为物流对象确定模型可接收的输入形式。因此在本申请中，需要针对各派送层级的训练样本集合中的每个样本，根据派送地址中的地址分词以及各地址分词的地理等级获取文本特征，根据派送地址获取空间特征，根据候选物流对象获取规则特征。

例如，根据地址分词以及各地址分词的地理等级获取文本特征，具体可以通过对分词结果进行处理，得到文本特征，如良睦路^road。此外，以网点为例，有的道路由多个网点派送，彼此不交叉，故仅仅道路名无法确定目的网点，因此加入多类组合特征，包括但不限于道路+道路号这类组合特征，如良睦路999号^road_road_name。

根据派送地址获取空间特征，具体的可以根据派送地址获取空间信息，然后将空间信息转化为空间特征。其中的空间信息可以根据需求进行预设设定，例如假设空间信息为经纬度信息，那么则可以对获取的对应各派送地址的经纬度信息进行转化为空间特征，例如可以设置对经纬度信息中的经纬度数值分别取小数点后的三位小数即可以得到该派送地址对应的空间特征，等等。在本申请中，可以根据需求预先设置将经纬度信息转化为空间特征的预设经纬度格式，对此本申请不加以限定。

根据候选物流对象获取规则特征，具体的可以设置如果当前训练样本集合中的候选物流对象为相应派送地址对应的实际物流对象，那么其规则特征为第一数值；而如果当前训练样本集合中的候选物流对象不是相应派送地址对应的实际物流对象，那么其规则特征为第二数值。其中的第一数值和第二数值互不相同。例如可以设置第一数值为1，第二数值为0，等等。对此本申请不加以限定。

可选地，在本申请实施例中，所述子步骤A20141，进一步可以包括：根据所述派送地址获取相应的经纬度信息；将所述经纬度信息转化为满足预设经纬度格式的空间特征。

利用在本申请中，为了进一步提高训练物流对象确定模型的准确性，还可以利用各物流包裹的派送信息中的派送地址，获取相应的经纬度信息。然后将经纬度信息转化为满足预设经纬度格式的空间特征，以利用派送地址对应的经纬度信息训练物流对象确定模型。

在获取到派送地址之后，则可以利用地图数据等任何可用方法或技术查找与该派送地址对应的经纬度信息。例如，对于前述的派送地址浙江省杭州市余杭区良睦路999号，可以查找到与之对应的经纬度信息为120.10293，32.20182。当然，在本申请实施例中，也可以通过其他任何可用方式根据派送地址获取相应的经纬度信息，对此本申请实施例不加以限定。

而且，在本申请中，可以在构建训练样本集合之前执行本步骤，然后在构建训练样本集合时，利用派送地址对应得地址分词、派送地址对应的经纬度信息以及各候选物流对象构建训练样本集合。那么对于前述的派送地址，则可以得到形如{(浙江省，杭州市，余杭区，良睦路，999号，良睦路999号，120.10293，32.20182，物流对象1)；(……)；……}的训练样本集合，其中(浙江省，杭州市，余杭区，良睦路，999号，良睦路999号，120.10293，32.20182，物流对象1)为集合中的一个样本。

当然，本步骤也可以在获取派送地址之后，训练物流对象确定模型之前执行，对此本申请不加以限定。

可选地，在本申请实施例中，所述子步骤A20141，进一步可以包括：对所述派送层级的训练样本集合的样本，利用相应模型的特征抽取规则，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征。

在本申请实施例中，如果物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，而各个模型的特征抽取规则可能并不完全相同，可以有所不同，那么此时则需要对各派送层级的训练样本集合的样本，利用相应模型的特征抽取规则，根据派送地址中的地址分词及地址分词的地理等级获取文本特征，根据派送地址获取空间特征，根据候选物流对象获取规则特征。其中，可以根据需求在本步骤之前，或者在本步骤之前的任一步骤之前设置各个模型的特征抽取规则，对此本申请实施例不加以限定。

在本申请实施例中物流对象确定模型可以采用一个分类模型，或者一个回归模型，然后以所述文本特征、空间特征、候选物流对象构建训练向量的输入维度参数，以所述规则特征构建训练向量的输出维度参数；利用所述训练向量训练上述模型，得到物流对象确定模型。

在本申请中，物流对象确定模型可以包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型，那么此时则需要分别对分类模型、回归模型以及融合模型进行训练，但是在利用训练样本集合训练物流对象确定模型中的各个子模型，根据训练样本集合获取各种特征时，可以设置针对不同模型的特征抽取规则不完全相同。那么则可以针对训练样本集合中的每个样本，利用相应模型的特征抽取规则，根据所述地址分词以及各地址分词的地理等级获取文本特征、根据所述地址信息获取空间特征、根据所述候选物流对象获取规则特征。

例如，对于某一分类模型或者是回归模型，将经纬度信息与网点编号拼接到一起构成的空间特征会比较有效，那么则可以形如”120.102_32.201-001”的数据作为该分类模型或者是回归模型空间特征，但是对于其他的分类模型或是回归模型，则可以仍然以经纬度信息转化为空间特征，即形如“120.102，32.20”。

如前述，在本申请中的物流对象确定模型可以包括至少一个分类模型和至少一个回归模型，一个融合模型。其中的分类模型都可以为最大熵模型、逻辑回归、神经网络等模型中的任何一种；回归模型都可以为线性回归、支持向量回归、提升回归树等模型中的任何一种；融合模型都可以为投票、加权求和、线性回归、单层神经网络等模型中的任何一种。而且，各个分类模型的构造互相之间并不完全一致，各个回归模型的构造互相之间并不完全一致。

其中的分类模型以及回归模型都可以计算各候选物流对象的预测置信度，而融合模型则用于将多个分类模型以及回归模型的输出结果进行融合，得到各候选物流对象的最终置信度。

另外，在本申请中，物流对象确定模型也可以只包括分类模型或者是只包含回归模型。如果物流对象确定模型只包含一个分类模型或者是只包含一个回归模型，那么则不会包含后续的融合模型；而如果物流对象确定模型只包括多个分类模型或者是只包含多个回归模型，那么则仍然需要包含融合模型。而且，在本申请中，物流对象确定模型中还可以包含多个融合模型，那么则可以各个融合模型计算的针对同一候选物流对象的置信度中的最大值作为该候选物流对象最终的置信度，当然也可以各个融合模型计算的针对同一候选物流对象的置信度的平均值等等任何方式作为为该候选物流对象最终的置信度，对此可以根据需求进行设定，本申请不加以限定。

那么当物流对象确定模型包括至少一个分类模型和至少一个回归模型，一个融合模型时，针对每个分类模型或回归模型，在训练集的构建过程中对样本的抽样策略也会有不同。那么则需要针对每个分类模型或回归模型，按照预设的针对各分类模型、各回归模型的抽样比例，从已派送物流包裹的已派送历史数据中抽样。

例如，针对不同模型的抽样比例不同，如全集和随机抽样，训练集的抽样时间跨度不同，如使用过去30天或60天的数据构建训练集等。在本申请中，可以根据需求预先设置针对不同模型的抽样比例，抽样时间跨度等等参数，对此本申请不加以限定。

子步骤A20142，以所述文本特征、空间特征、候选物流对象构建训练向量的输入维度参数，以所述规则特征构建训练向量的输出维度参数。

在训练物流对象确定模型时，是利用已知的输入维度参数以及输出维度参数对其内部的参数进行训练。因此，在本申请实施例中，在获取文本特征、空间特征、候选物流对象之后，则可以文本特征、空间特征、候选物流对象构建训练向量的输入维度参数，以规则特征构建训练向量的输出维度参数。

例如，假设针对某一训练样本集合获得的文本特征为浙江省^prov，杭州市^city，余杭区^district，良睦路^road，999号^roadNo；获得的空间特征为120.102，32.202；候选物流对象为物流对象1，该物流对象对应的规则特征为第一数值。那么则可以得到物流对象确定模型的输入维度参数为：浙江省^prov，杭州市^city，余杭区^district，良睦路^road，999号^roadNo，120.102，32.202，物流对象1。与之对应的物流对象确定模型的输出维度参数为第一数值。

当然，也可以只利用文本特征和空间特征之中的一个与候选物流对象构建训练向量的输入维度参数，对此不申请不加以限定。而且在利用候选物流对象构建训练向量的输入维度参数时，具体的可以利用候选物流对象的名称或者是候选物流对象的编号等能够唯一标识各候选物流对象的信息构建训练向量的输入维度参数，对此本申请也不加以限定。

子步骤A20143，利用所述训练向量训练所述物流对象确定模型。

在构建了物流对象确定模型了输入维度参数，以及相应的输出维度参数之后，则可以训练向量中的输入维度参数作为物流对象确定模型的输入，以相应训练向量中的输出维度参数作为物流对象确定模型的输出，对物流对象确定模型进行训练。

可选地，在本申请实施例中，当所述物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，所述步骤2014，进一步可以包括：

子步骤B20141，根据所述训练样本集合中的原始样本，分别训练所述至少一个分类模型和/或至少一个回归模型。

如前述，在本申请中，融合模型则用于将至少一个分类模型和/或至少一个回归模型的输出结果进行融合，得到各候选物流对象的最终置信度。因此，在对物流对象确定模型进行训练的过程中，可以首先利用训练样本集合中的原始样本，分别训练所述至少一个分类模型和/或至少一个回归模型。

可选地，在本申请实施例中，所述子步骤B20141，进一步可以包括：

子步骤M11，将训练样本的文本特征、空间特征和候选物流对象构建初始训练向量的输入维度参数；

本步骤与前述的A20142类似，在此不再赘述。

子步骤M12，根据训练样本的候选物流对象是否为相应已派送包裹的实际物流对象的情况，构建初始训练向量的输出维度参数；

本步骤与前述的A20142类似，在此不再赘述。

子步骤M13，利用所述初始训练向量训练所述至少一个分类模型和/或至少一个回归模型。

在构建得到训练向量的输入参数维度以及相应的输出参数维度之后，则可分别以各训练向量的输入参数维度作为物流对象确定模型模型包含的各分类模型和回归模型的输入，同时以相应训练向量的输出参数维度作为物流对象确定模型模型包含的各分类模型和回归模型的输出，以训练物流对象确定模型所包含的各分类模型和回归模型中的参数。

子步骤B20142，在所述至少一个分类模型和/或至少一个回归模型训练完毕后，将所述原始样本分别输入所述至少一个分类模型和/或至少一个回归模型，获得相应的中间输出结果。

在训练完物流对象确定模型中包含的各分类模型和回归模型之后，则可以利用已训练的至少一个分类模型和至少一个回归模型得到用于训练融合模型的中间输出结果。具体的可以将训练至少一个分类模型和至少一个回归模型的原始样本再次分别输入至少一个分类模型和至少一个回归模型，获得各分类模型和回归模型的输出结果作为相应的中间输出结果。

可选地，可以将各原始样本对应的文本特征、空间特征和候选物流对象构建初始训练向量的输入参数维度，然后将各初始训练向量的输入参数维度输入物流对象确定模型中包含的各分类模型和回归模型，得到各分类模型和回归模型相应的中间输出结果。

可选地，在本申请实施例中，还包括：按照预设的针对各分类模型、各回归模型的抽样比例，从已派送物流包裹的已派送历史数据中抽样，获得针对每个分类模型或回归模型的用于训练的已派送历史数据。

如前述，在本申请中的物流对象确定模型可以包括至少一个分类模型和至少一个回归模型，一个融合模型。其中的分类模型都可以为最大熵模型、逻辑回归、神经网络等模型中的任何一种；回归模型都可以为线性回归、支持向量回归、提升回归树等模型中的任何一种；融合模型都可以为投票、加权求和、线性回归、单层神经网络等模型中的任何一种。而且，各个分类模型的构造互相之间并不完全一致，各个回归模型的构造互相之间并不完全一致。

其中的分类模型以及回归模型都可以计算各候选物流对象的预测置信度，而融合模型则用于将多个分类模型以及回归模型的输出结果进行融合，得到各候选物流对象的最终置信度。

另外，在本申请中，物流对象确定模型也可以只包括分类模型或者是只包含回归模型。如果物流对象确定模型只包含一个分类模型或者是只包含一个回归模型，那么则不会包含后续的融合模型；而如果物流对象确定模型只包括多个分类模型或者是只包含多个回归模型，那么则仍然需要包含融合模型。而且，在本申请中，物流对象确定模型中还可以包含多个融合模型，那么则可以各个融合模型计算的针对同一候选物流对象的置信度中的最大值作为该候选物流对象最终的置信度，当然也可以各个融合模型计算的针对同一候选物流对象的置信度的平均值等等任何方式作为为该候选物流对象最终的置信度，对此可以根据需求进行设定，本申请不加以限定。

那么当物流对象确定模型包括至少一个分类模型和至少一个回归模型，一个融合模型时，针对每个分类模型或回归模型，在训练集的构建过程中对样本的抽样策略也会有不同。那么则需要针对每个分类模型或回归模型，按照预设的针对各分类模型、各回归模型的抽样比例，从已派送物流包裹的中抽样获得针对每个分类模型或回归模型的用于训练的已派送历史数据。

例如，针对不同模型的抽样比例不同，如全集和随机抽样，训练集的抽样时间跨度不同，如使用过去30天或60天的数据构建训练集等。在本申请中，可以根据需求预先设置针对不同模型的抽样比例，抽样时间跨度等等参数，对此本申请不加以限定。

子步骤B20143，利用所述中间输出结果训练所述融合模型。

那么则可以获取的中间输出结果训练融合模型。具体的可以将针对同一原始样本的各分类模型和回归模型相应的中间输出结果作为融合模型的输入，同时将针对该原始样本的规则特征作为融合模型的输出，以训练融合模型。

例如，对于当前的物流对象确定模型，假设其中有3个分类模型，3个回归模型和一个融合模型。训练样本集合中包含了对应于已派送物流包裹A的各个训练样合分别如下：

训练样本1：(prov＝浙江省，city＝杭州市，district＝余杭区，road＝良睦路，roadNo＝999号，detailAddr＝良睦路999号，物流对象1)；

训练样本2：(prov＝浙江省，city＝杭州市，district＝余杭区，road＝良睦路，roadNo＝999号，detailAddr＝良睦路999号，物流对象2)；

训练样本3：(prov＝浙江省，city＝杭州市，district＝余杭区，road＝良睦路，roadNo＝999号，detailAddr＝良睦路999号，物流对象3)；

其中，物流对象2为已派送物流包裹A的实际物流对象，已派送物流包裹A的派送地址为浙江省杭州市余杭区良睦路999号，该地址的经纬度信息为(120.10293，32.20182)。

假设设置当候选物流对象为相应已派送物流包裹的实际物流对象，那么与该候选物流对象的规则特征为1，而当候选物流对象不是相应已派送物流包裹的实际物流对象，那么与该候选物流对象的规则特征为0。那么在利用上述的训练样本1训练分类模型或者是回归模型时，分类模型或者是回归模型的输入可以包括浙江省^prov，杭州市^city，余杭区^district，良睦路^road，999号^roadNo，120.103，32.202，物流对象1；相应的输出为0。在利用上述的训练样本2训练分类模型或者是回归模型时，分类模型或者是回归模型的输入可以包括浙江省^prov，杭州市^city，余杭区^district，良睦路^road，999号^roadNo，120.103，32.202，物流对象2；相应的输出为1。

那么在将3个分类模型，3个回归模型都训练完成之后，则可以进一步训练融合模型。此时可以再次利用前述的三个训练样本集合中的训练样本分别输入3个分类模型和3个回归模型，获得相应的中间输出结果。

具体的，可以将在训练时的同样输入值再次输入训练后的分类模型和回归模型，得到的各分类模型和回归模型的输出即为中间输出结果，此时各分类模型和回归模型的输出并不一定全部为训练时的输出值。

例如，对于训练样本1，各训练完成的3个分类模型和3个回归模型的输出可以分别为0.1、0.24、0.006、0、0.34、0。对于训练样本2，各训练完成的3个分类模型和3个回归模型的输出可以分别为1.2、1.24、1.006、0.8、0.94、1.01。

那么，对于训练样本1，相应的中间输出结果可以为0.1、0.24、0.006、0、0.34、0；对于训练样本2，相应的中间输出结果可以为1.2、1.24、1.006、0.8、0.94、1.01。

那么在利用上述中间输出结果训练融合模型时，对于训练样本1，融合模型的输入值包括0.1、0.24、0.006、0、0.34、0，输出值为训练样本1对应的规则特征，即0；对于训练样本2，融合模型的输入值包括1.2、1.24、1.006、0.8、0.94、1.01，输出值为训练样本2对应的规则特征，即1。

步骤202，获取目标物流包裹的派送信息。

步骤203，确定所述目标物流包裹的当前派送层级。

步骤204，确定所述当前派送层级所对应的目标物流对象确定模型。

步骤205，根据所述目标物流包裹的派送信息，获取对应的文本特征、空间特征以及候选物流对象。

可选地，在本申请实施例中，所述步骤205进一步可以包括：

子步骤A2051，根据所述派送信息中的派送地址，获取地址分词。

本步骤与前述的子步骤2011中针对已派送物流包裹，根据相应派送信息中的派送地址，获取地址分词类似，在此不再加以赘述。

子步骤A2052，根据所述派送信息中的快递公司信息、所述地址分词中属于所述当前派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象。

本步骤与前述的子步骤2012中针对已派送物流包裹，根据所述派送信息中的快递公司信息、所述地址分词中属于所述当前派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象类似，在此不再加以赘述。但是此时本步骤中的目标物流包裹的实际物流实体是未知的。

可选地，在本申请实施例中，所述子步骤A2052进一步可以包括：将所述地址分词中属于所述当前派送层级的下一层级的地址分词，与所述快递公司信息的属于所述下一层级的物流对象的派送区域信息进行匹配，确定至少一个物流对象。

那么则可以利用地址分词中属于所述当前派送层级的下一层级的地址分词，与对应所述快递公司信息的物流对象的派送区域信息进行匹配，确定至少一个物流对象作为候选物流对象。

同样对于前述的例子，如果当前的当前派送层级为末转中心派送层级其下层级为网点物流对象，那么则可以利用地址分词中属于网点物流对象的地址分词，例如良睦路与相应的快递公司甲中各物流对象的派送区域信息进行匹配，由于如前述，不同层级的物流对象对应于不同的地理等级，那么能与良睦路匹配的物流对象为对应于市级地址分词的网点，也即可以获取浙杭州市内的至少一个网点作为候选物流对象；对于当前确定的其他地址分词，也可以此类推，在此不再赘述。

可选地，在本申请实施例中，所述物流对象的派送区域信息可以为所述物流对象对应的一个或多个关键字。

在实际应用中，在本申请中，可以通过快递公司和网点配置的关键字，得到关键字和物流对象的匹配关系。例如，通过以下表二，可以获取(良睦路，杭州余杭一部)的派送匹配关系。其中的关键字即可以表征相应网点的派送区域信息。

表二

关键字	网点
		良睦路	杭州余杭一部

当然对于其他派送层级的物流对象，也有相应的关键词，本发明实施例不对其加以限定。

子步骤A2053，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征。

本步骤与前述的子步骤A20141类似，在此不加以赘述。

可选地，在本申请实施例中，所述步骤205进一步可以包括：

子步骤B2051，针对所述所述目标物流包裹的派送信息，利用相应模型的特征抽取规则，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征。

本步骤与前述类似，在此不加以赘述。

子步骤B2052，根据所述派送地址获取候选物流对象。

本步骤与前述类似，在此不加以赘述。

步骤206，将所述候选物流对象、文本特征以及空间特征输入所述目标物流对象确定模型，得到各候选物流对象的置信度。

可选地，在本申请实施例中，当所述目标物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，所述步骤206，进一步可以包括：

子步骤2061，将所述候选物流对象、文本特征以及空间特征构建初始识别向量并分别输入所述至少一个分类模型和/或至少一个回归模型，得到输出结果。

子步骤2062，以所述输出结果构建中间识别向量并输入所述融合模型，得到各候选物流对象的置信度。

步骤207，在各候选物流对象的置信度中的最大值满足置信度条件时，将所述最大值对应的候选物流对象作为所述目标物流包裹对应的物流对象。

在本申请中，为了进一步提高利用物流对象确定模型确定的实际物流对象的准确性，还可以预先设定一个预设阈值条件，例如要求实际物流对象的置信度不小于0.9等等。那么在获取了物流对象确定模型针对各候选物流对象的置信度之后，还需要判断各候选物流对象的置信度中的最大值是否满足预设阈值条件。如果置信度中的最大值满足预设阈值条件，则可以将最大值对应的候选物流对象作为相应目标物流包裹对应的实际物流对象。

需要说明的是，上述情况针对的是越高的置信度对应的候选物流对象为实际物流对象的正确性越高的情况。那么此时对应于在前述的在对物流对象确定模型进行训练的过程中，当训练样本中的候选物流对象为训练样本对应的已派送物流包裹的实际物流对象时，该训练样本对应的规则特征的取值大于候选物流对象不为训练样本对应的已派送物流包裹的实际物流对象的训练样本对应的规则特征的取值。

例如，假设如前述，当训练样本中的候选物流对象为训练样本对应的已派送物流包裹的实际物流对象时，该训练样本对应的规则特征为第一数值；而当训练样本中的候选物流对象不为训练样本对应的已派送物流包裹的实际物流对象时，该训练样本对应的规则特征为第二数值，那么则需要第一数值大于第二数值。

而如果在训练过程中的第一数值小于第二数值，那么此时则可以在各候选物流对象的置信度中的最小值满足预设阈值条件，则将所述最小值对应的候选物流对象作为所述目标物流包裹对应的物流对象。

可选地，在本申请实施例中，还包括：

步骤208，判断所述目标物流包裹的派送信息中的派送地址是否合法；如果不合法，则对所述目标物流包裹进行地址不合法标记。

在实际应用中，可能存在用户在填写物流包裹的派送地址时出现错误等情况导致物流包裹对应的派送地址不合法。例如，某一物流包裹对应的派送地址为浙江省-嘉兴市-余杭区，在现有的市区划分中，余杭区属于杭州市而不是嘉兴市，很明显此派送地址中的市和区匹配不上，为非法地址。

因此，在本申请中，为了尽可能提高物流对象确定模型的准确性，需要保证派送地址的合法性，那么则可以判断每个已派送物流包裹的派送信息中的派送地址是否合法；如果不合法，则对该目标物流包裹进行地址不合法标记，另外，还可以对该不合法的派送地址进行过滤等等，对此本申请实施例不加以限定。具体的可以通过判断派送地址中各个层级的地址是否匹配，如果存在某一层级的地址与其相邻层级的地址不匹配，则可以判断该派送地址不合法；当然，在本申请中也可以利用任何其他可用方法判断每个已派送物流包裹的派送信息中的派送地址是否合法，对此本申请不加以限定。

需要说明的是，在确定目标物流包裹的物流对象时，对于不合法的地址信息可以不进行过滤，而是进行地址不合法标记，以便后续相关人员可以随时获知该目标物流包裹的地址不合法，进而分配至相关人员进行进一步处理，等等。具体的可以利用任何可用方式进行地址不合法标记，对此本申请不加以限定。

可选地，在本申请实施例中，所述地理等级包括：行政区划级别，则所述步骤208，进一步可以包括：将所述派送地址分词得到地址分词，按照相应的行政区划级别与地理等级词典进行匹配；如果匹配不上，则派送地址不合法。

那么如果在对派送地址进行分词处理时，得到各分词的地理等级包括了行政区划级别，而且，可以获取针对现有行政区划级别的行政区划级别地理词典。那么在判断派送地址是否合法的过程中，可以将派送地址分词得到地址分词，按照相应的行政区划级别与行政区划级别地理词典进行匹配，如果匹配不上，则说明派送地址不合法。

例如，可以取派送地址的省级地址分词、市级地址分词以及区级地址分词，然后与系统内置的或者是外部获取并导入的行政区划级别地理词典进行匹配，若匹配错误，则返回地址非法。

可选地，在本申请实施例中，还包括：

步骤209，将所述物流对象的实体编码打印至派送面单。

在本申请中，为了区分各物流对象以方便派送人员进行派送，可以在本步骤之前，或者是在本步骤之前的任一步骤之前根据需求设置用以表征物流对象与实体编码之间对应关系的第一映射表。另外在申请中，派送人员还可以利用相关的扫码设备扫描实体编码，从而可以随时获取与实体编码对应的实际物流对象。

那么在确定了与目标物流包裹对应的实际物流对象之后，则可以根据该实际物流对象，在预设的第一映射表中查找与该实际物流对象匹配的实体编码。

如果在第一映射表中查找到与实际物流对象匹配的实体编码，那么为了派送人员随时查看该实体编码，则将该实体编码打印至派送面单。其中的派送面单可以粘贴至相应的目标物流包裹。

而如果在第一映射表中未查找到与实际物流对象匹配的实体编码，则无法打印与实际物流对象匹配的实体编码。那么此时可以设置直接实体打印实际物流对象，或者是发出提示在第一映射表中不存在与该实际物流对象对应的实体编码，那么相关人员可以在第一映射表中添加相应的实体编码；等等，对此本发明实施例不加以限定。

可选地，在本申请实施例中，还包括：

步骤210，在所述目标物流包裹派送完毕从而转换为已派送物流包裹后，利用新获得的已派送物流包裹的已派送历史数据优化所述物流对象确定模型。

在目标物流包裹派送完成之后，那么该派送物流包裹则转换为已派送物流包裹。那么则可以新获得的已派送物流包裹的已派送历史数据优化物流对象确定模型。

尤其是对于利用物流对象确定模型获取的实际物流对象，与最终派送成功的物流对象并不是同一个物流对象的情况。例如，对于目标物流包裹A，利用物流对象确定模型获取的实际物流对象为物流对象1，但是在目标物流包裹A在实际派送过程中，是通过物流对象2派送成功，那么为了进一步提高物流对象确定模型的准确率，则可以物流对象2作为目标物流包裹A的实际物流对象，以及目标物流包裹A的其他已派送历史数据优化物流对象确定模型。

具体的，可以设置每隔预设周期则获取该预设周期内的新获得的已派送物流包裹的已派送历史数据优化所述物流对象确定模型。其中的预设周期可以根据需求进行预先设定，对此本发明实施例不加以限定。例如，假如预设周期为一个星期，那么在首次对物流对象确定模型进行训练之后，可以每隔一个星期，获取在最近一个星期内已派送物流包裹的已派送历史数据优化所述物流对象确定模型。当然，也可以设置每隔预设周期则获取该预设周期内的新获得的已派送成功且利用物流对象确定模型获取的实际物流对象与最终的派送过程中的物流对象不一致的物流包裹的已派送历史数据优化所述物流对象确定模型，其中此时的已派送历史数据中包含的各已派送物流包裹对应的实际物流对象为最终的派送过程中的物流对象。

或者是可以在目标物流包裹派送完毕从而转换为已派送物流包裹后，以预设比例以及预筛选规则从新获得的已派送物流包裹中筛选部分已派送物流包裹，然后以筛选出的已派送物流包裹的已派送历史数据优化所述物流对象确定模型。对此本申请不加以限定。

可选地，在本申请实施例中，还包括：

步骤211，当所述物流对象的派送区域信息更新后，利用所述已派送物流包裹的已派送历史数据和更新后的物流对象更新所述物流对象确定模型。

在实际应用中，物流对象的派送区域信息可能会发生变化，那么为了保证物流对象确定模型的准确性，可以在当物流对象的派送区域信息更新后，利用已派送物流包裹的已派送历史数据和更新后的物流对象更新物流对象确定模型。具体的过程可以与前述的训练过程类似，在此不加以赘述。

在本申请实施例中，可以提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；获取目标物流包裹的派送信息；确定所述目标物流包裹的当前派送层级；确定所述当前派送层级所对应的目标物流对象确定模型；利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。由此可以针对不同派送层级精准的预测其负责派送的物流包裹应该派送给那个物流对象，减少了时间以及精力的耗费，提高分拣效率以及准确率。

而且，在本申请中，在确定待派送快递包裹的实际派送实体之后，还可以根据所述实际派送实体，在预设的第一映射表中查找与所述实际派送实体匹配的实体编码。如果在所述第一映射表中查找到与所述实际派送实体匹配的实体编码，则将所述实体编码打印至派送面单。并且在在所述待派送快递包裹派送完毕从而转换为已派送快递包裹后，利用新获得的已派送快递包裹的已派送历史数据优化所述在线预测模型。从而可以不断优化在线预测模型的准确性，进而提高最终确定的实际派送实体的准确性。

在训练在线预测模型时，可以获取已派送快递包裹的已派送历史数据，以及各派送实体及相应派送范围；所述已派送历史数据至少包括：派送信息、实际派送实体；利用所述已派送包裹的派送信息、实际派送实体，以及各派送实体及相应派送范围，构建所述训练样本集合；利用所述训练样本集合训练所述在线预测模型。并且，将每个已派送快递包裹的派送信息中的地址信息进行分词处理，得到切分后的地址分词以及各地址分词的地理等级；根据地址分词以及各地址分词的地理等级，以及相应派送信息中的快递公司信息，以及目标分拣层级对应的地理等级，获取目标分拣层级之下的至少一个分拣层级的至少一个派送实体作为候选派送实体；其中所述至少一个派送实体中包括相应分拣层级的所述快递包裹的实际派送实体；根据所述地址信息分别和所述候选派送实体组合，构建训练样本集合。从而可以进一步提高在线预测模型的训练效果以及训练后的准确率。

另外，所述物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型，其利用多种模型、多层模型进行训练，可以进一步提高物流对象确定模型的准确性。

再者，对错别字、针对同一地址的多义词处理，可以提高对有错别字或者多义词的派送地址的识别准确率，能更准确的确定物流对象。

与本申请实施例相近的方案：

目前，快递行业存在的与本申请实施例最接近的方案有两类，第一类是基于关键字规则的分单系统，第二类是基于经纬度区域范围的分单系统。

基于关键字规则的分单系统，通过人工收集地址的关键字规则，构建实体的派送规则库，然后基于规则库中规则的匹配来进行预测。例如“浙江省杭州市余杭区良睦路999号”是物流对象“余杭一部”的一条派送规则，那么当实际收件地址为“浙江省杭州市余杭区良睦路999号”时，系统会匹配到该条规则，预测物流对象为“余杭一部”。

基于关键字规则的分单系统主要有三大缺点：第一，全国范围内规则量巨大，人工难以配置完整，导致很多地址无法预测，匹配率低；第二，全国范围内规则量巨大之外，快递公司业务变更频繁，每次变更对应的规则需要多对应的重新收集或修改，因此不论规则库的搭建还是维护，都需要大量的人力成本；第三，规则的人工维护容易出错。

基于经纬度区域范围的分单系统，利用人工在电子地图上画出某个物流对象的派送区域信息(由范围边界的经纬度点围成)，利用电子地图引擎将目标收件地址映射成兴趣点(POI，Point of Interest)经纬度，再判定该点是否属于某派送区域，如果是，即将包裹分单到该区域。

基于经纬度区域范围的分单系统主要有两大缺点：第一，每个物流对象的范围都需要人工在地图上绘制，工作量巨大且效率低下；第二，地图引擎的POI库依赖线下采集，地址在转经纬度POI的过程中，存在覆盖度不足、精确度不高的情况，不论是在实体派送区域边界，还是在偏远地区，都很容易由于数据采集不足或粒度不够精细等原因造成误分。

相对基于关键字规则的分单系统和基于经纬度区域范围的分单系统，本申请实施例可以有以下几点优势其中至少一点：第一，本申请实施例是一个实时反馈系统，从数据采集、处理，再到预测、输出，最后又回到输入端，模型重新学习更新，这形成了一个完整的信息通道闭环，使得模型能快速地自动地自我修复、纠正，而规则系统不具备捕获反馈信息并且自动更新的能力；第二，本申请实施例的预测模型具有很强的自我学习能力，可以自动地学习派送区域信息变动，不需要人为地对关键字规则和空间经纬度规则进行调整，这避免了大量的人工配置工作及其过程中出现的配置错误；第三，本申请实施例的预测模型采用多种数据、模型、策略融合的方式，使得学习到的规则集极为完备，对包含错别字、多义词的地址也能准确地确定物流对象，有效地解决了人工规则匹配率低的问题。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。

实施例三

详细介绍本申请实施例提供的一种物流对象确定装置。

参照图3，示出了本申请实施例中一种物流对象确定装置的结构示意图。

模型提供模块301，用于提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应。

派送信息获取模块302，用于获取目标物流包裹的派送信息。

当前派送层级确定模块303，用于确定所述目标物流包裹的当前派送层级。

模型确定模块304，用于利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

物流对象确定模块305，用于利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

在本申请实施例中，可以提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；获取目标物流包裹的派送信息；确定所述目标物流包裹的当前派送层级；确定所述当前派送层级所对应的目标物流对象确定模型；利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。由此解决了现有方法在确定物流对象时耗费时间以及精力，分拣犯错可能性较高，容易影响派送效率的技术问题。取得了可以针对不同派送层级精准的预测其负责派送的物流包裹应该派送给那个物流对象，减少了时间以及精力的耗费，提高分拣效率以及准确率的有益效果。

实施例四

详细介绍本申请实施例提供的一种物流对象确定装置。

参照图4，示出了本申请实施例中一种物流对象确定装置的结构示意图。

模型提供模块401，用于提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应。

可选地，在本申请实施例中，所述物流对象确定模型包括一个分类模型，或者一个回归模型，或者至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型。

可选地，在本申请实施例中，所述模型提供模块，还用于利用提供的物流对象的派送区域信息和已派送物流包裹的已派送历史数据，分别针对多个派送层级训练对应的物流对象确定模型。

可选地，在本申请实施例中，所述模型提供模块401，进一步可以包括：

地址分词获取子模块4011，用于对于每个已派送物流包裹，根据相应派送信息中的派送地址，获取地址分词。

候选物流对象确定子模块4012，用于针对一派送层级，根据所述派送信息中的快递公司信息、所述地址分词中属于所述派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象；其中，所述候选物流对象包括所述已派送物流包裹的实际物流对象。

训练样本集合构建子模块4013，用于将所述已派送物流包裹的派送地址分别与所述候选物流对象进行组合，构建所述派送层级的训练样本集合。

模型训练子模块4014，用于利用所述派送层级的训练样本集合，训练相应派送层级的物流对象确定模型。

可选地，在本申请实施例中，所述模型训练子模块4014，进一步可以包括：

第一特征获取单元，用于对所述派送层级的训练样本集合的样本，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征。

可选地，在本申请实施例中，所述第一特征获取单元，进一步可以包括：

经纬度信息获取子单元，用于根据所述派送地址获取相应的经纬度信息。

空间特征获取子单元，用于将所述经纬度信息转化为满足预设经纬度格式的空间特征。

可选地，在本申请实施例中，所述第一特征获取单元，进一步还用于对所述派送层级的训练样本集合的样本，利用相应模型的特征抽取规则，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征。

训练向量构建单元，用于以所述文本特征、空间特征、候选物流对象构建训练向量的输入维度参数，以所述规则特征构建训练向量的输出维度参数。

模型训练单元，用于利用所述训练向量训练所述物流对象确定模型。

可选地，在本申请实施例中，当所述物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，所述模型训练子模块4014，进一步可以包括：

分类回归模块训练单元，用于根据所述训练样本集合中的原始样本，分别训练所述至少一个分类模型和/或至少一个回归模型。

可选地，在本申请实施例中，所述分类回归模块训练单元，进一步可以包括：

输入维度参数构建子单元，用于将训练样本的文本特征、空间特征和候选物流对象构建初始训练向量的输入维度参数。

输出维度参数构建子单元，用于根据训练样本的候选物流对象是否为相应已派送包裹的实际物流对象的情况，构建初始训练向量的输出维度参数。

分类回归模块训练子单元，用于利用所述初始训练向量训练所述至少一个分类模型和/或至少一个回归模型。

中间输出结果获取单元，用于在所述至少一个分类模型和/或至少一个回归模型训练完毕后，将所述原始样本分别输入所述至少一个分类模型和/或至少一个回归模型，获得相应的中间输出结果。

融合模型训练单元，用于利用所述中间输出结果训练所述融合模型。

派送信息获取模块402，用于获取目标物流包裹的派送信息。

当前派送层级确定模块403，用于确定所述目标物流包裹的当前派送层级。

模型确定模块404，用于确定所述当前派送层级所对应的目标物流对象确定模型。

物流对象确定模块405，用于利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

可选地，在本申请实施例中，所述物流对象确定模块405，进一步可以包括：

基础数据获取子模块4051，用于根据所述目标物流包裹的派送信息，获取对应的文本特征、空间特征以及候选物流对象。

可选地，在本申请实施例中，所述基础数据获取子模块4051，进一步可以包括：

地址分词获取单元，用于根据所述派送信息中的派送地址，获取地址分词。

候选物流对象确定单元，用于根据所述派送信息中的快递公司信息、所述地址分词中属于所述当前派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象。

可选地，在本申请实施例中，所述候选物流对象确定单元，还用于将所述地址分词中属于所述当前派送层级的下一层级的地址分词，与所述快递公司信息的属于所述下一层级的物流对象的派送区域信息进行匹配，确定至少一个物流对象。

第二特征获取单元，用于根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征。

可选地，在本申请实施例中，所述基础数据获取子模块4051，进一步可以包括：

第三特征获取单元，用于针对所述所述目标物流包裹的派送信息，利用相应模型的特征抽取规则，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征。

候选物流对象获取单元，用于根据所述派送地址获取候选物流对象。

置信度确定子模块4052，用于将所述候选物流对象、文本特征以及空间特征输入所述目标物流对象确定模型，得到各候选物流对象的置信度。

可选地，在本申请实施例中，当所述物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，所述置信度确定子模块4052，包括：

输出结果获取单元，用于将所述候选物流对象、文本特征以及空间特征构建初始识别向量并分别输入所述至少一个分类模型和/或至少一个回归模型，得到输出结果。

置信度确定单元，用于以所述输出结果构建中间识别向量并输入所述融合模型，得到各候选物流对象的置信度。

实际物流对象确定子模块4053，用于在各候选物流对象的置信度中的最大值满足置信度条件时，将所述最大值对应的候选物流对象作为所述所述目标物流包裹对应的物流对象。

可选地，在本申请实施例中，还包括：已派送历史数据获取模块，用于按照预设的针对各分类模型、各回归模型的抽样比例，从已派送物流包裹的已派送历史数据中抽样，获得针对每个分类模型或回归模型的用于训练的已派送历史数据。

可选地，在本申请实施例中，还包括：

合法性判断模块，用于判断所述目标物流包裹的派送信息中的派送地址是否合法。

不合法标记模块，用于如果不合法，则对所述目标物流包裹进行地址不合法标记。

可选地，在本申请实施例中，所述地理等级包括：行政区划级别，则所述合法性判断模块，还用于将所述派送地址分词得到地址分词，按照相应的行政区划级别与地理等级词典进行匹配；如果匹配不上，则派送地址不合法。

可选地，在本申请实施例中，还包括：实体编码打印模块，用于将所述物流对象的实体编码打印至派送面单。

可选地，在本申请实施例中，还包括：模型优化模块，用于在所述目标物流包裹派送完毕从而转换为已派送物流包裹后，利用新获得的已派送物流包裹的已派送历史数据优化所述物流对象确定模型。

可选地，在本申请实施例中，还包括：模型更新模块，用于当所述物流对象的派送区域信息更新后，利用所述已派送物流包裹的已派送历史数据和更新后的物流对象更新所述物流对象确定模型。

在本申请实施例中，可以提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；获取目标物流包裹的派送信息；确定所述目标物流包裹的当前派送层级；确定所述当前派送层级所对应的目标物流对象确定模型；利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。由此解决了现有方法在确定物流对象时耗费时间以及精力，分拣犯错可能性较高，容易影响派送效率的技术问题。取得了可以针对不同派送层级精准的预测其负责派送的物流包裹应该派送给那个物流对象，减少了时间以及精力的耗费，提高分拣效率以及准确率的有益效果。

而且，在本申请中，在确定待派送快递包裹的实际派送实体之后，还可以根据所述实际派送实体，在预设的第一映射表中查找与所述实际派送实体匹配的实体编码。如果在所述第一映射表中查找到与所述实际派送实体匹配的实体编码，则将所述实体编码打印至派送面单。并且在在所述待派送快递包裹派送完毕从而转换为已派送快递包裹后，利用新获得的已派送快递包裹的已派送历史数据优化所述在线预测模型。从而可以不断优化在线预测模型的准确性，进而提高最终确定的实际派送实体的准确性。

在训练在线预测模型时，可以获取已派送快递包裹的已派送历史数据，以及各派送实体及相应派送范围；所述已派送历史数据至少包括：派送信息、实际派送实体；利用所述已派送包裹的派送信息、实际派送实体，以及各派送实体及相应派送范围，构建所述训练样本集合；利用所述训练样本集合训练所述在线预测模型。并且，将每个已派送快递包裹的派送信息中的地址信息进行分词处理，得到切分后的地址分词以及各地址分词的地理等级；根据地址分词以及各地址分词的地理等级，以及相应派送信息中的快递公司信息，以及目标分拣层级对应的地理等级，获取目标分拣层级之下的至少一个分拣层级的至少一个派送实体作为候选派送实体；其中所述至少一个派送实体中包括相应分拣层级的所述快递包裹的实际派送实体；根据所述地址信息分别和所述候选派送实体组合，构建训练样本集合。从而可以进一步提高在线预测模型的训练效果以及训练后的准确率。

另外，所述物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型，其利用多种模型、多层模型进行训练，可以进一步提高物流对象确定模型的准确性。

再者，对错别字、针对同一地址的多义词处理，可以提高对有错别字或者多义词的派送地址的识别准确率，能更准确的确定物流对象。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

图5是本申请实施例提供的一种服务器结构示意图。参见图5，服务器500可以用于实施上述实施例中提供的物流对象确定方法。该服务器500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中央处理器(central processing units，CPU)522(例如，一个或一个以上处理器)和存储器532，一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器532和存储介质530可以是短暂存储的或持久存储的。存储在存储介质530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服务器中的一系列指令操作。更进一步地，中央处理器522可以设置为与存储介质530通信，在服务器500上执行存储介质530中的一系列指令操作。

服务器500还可以包括一个或一个以上电源526，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口558，一个或一个以上键盘556，和/或，一个或一个以上操作系统541，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。其中，中央处理器522可以在服务器500上执行以下操作的指令：

提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；

获取目标物流包裹的派送信息；

确定所述目标物流包裹的当前派送层级；确定所述当前派送层级所对应的目标物流对象确定模型；

利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

可选地，该一个或多个模块可以具有前述任一步骤的方法的功能。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本申请还提供了一种装置，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如前述物流对象确定方法。

本申请还提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如前述物流对象确定方法。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

在一个典型的配置中，所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非持续性的电脑可读媒体(transitory media)，如调制的数据信号和载波。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种物流对象确定方法、一种物流对象确定装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (42)

1.一种物流对象确定方法，包括：

提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；

获取目标物流包裹的派送信息；

确定所述目标物流包裹的当前派送层级；

确定所述当前派送层级所对应的目标物流对象确定模型；

利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

2.根据权利要求1所述的方法，其特征在于，所述提供多个物流对象确定模型的步骤，包括：

利用提供的物流对象的派送区域信息和已派送物流包裹的已派送历史数据，分别针对多个派送层级训练对应的物流对象确定模型。

3.根据权利要求2所述的方法，其特征在于，所述利用提供的物流对象的派送区域信息和已派送物流包裹的已派送历史数据，分别针对多个派送层级训练对应的物流对象确定模型的步骤，包括：

对于每个已派送物流包裹，根据相应派送信息中的派送地址，获取地址分词；

针对一派送层级，根据所述派送信息中的快递公司信息、所述地址分词中属于所述派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象；其中，所述候选物流对象包括所述已派送物流包裹的实际物流对象；

将所述已派送物流包裹的派送地址分别与所述候选物流对象进行组合，构建所述派送层级的训练样本集合；

利用所述派送层级的训练样本集合，训练相应派送层级的物流对象确定模型。

4.根据权利要求3所述的方法，其特征在于，所述利用所述派送层级的训练样本集合，训练相应派送层级的物流对象确定模型的步骤，包括:

对所述派送层级的训练样本集合的样本，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征；

以所述文本特征、空间特征、候选物流对象构建训练向量的输入维度参数，以所述规则特征构建训练向量的输出维度参数；

利用所述训练向量训练所述物流对象确定模型。

5.根据权利要求4所述的方法，其特征在于，所述根据所述派送地址获取空间特征的步骤，包括：

根据所述派送地址获取相应的经纬度信息；

将所述经纬度信息转化为满足预设经纬度格式的空间特征。

6.根据权利要求2-5任一项所述的方法，其特征在于，所述物流对象确定模型包括一个分类模型，或者一个回归模型，或者至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型。

7.根据权利要求6所述的方法，其特征在于，当所述物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，所述利用所述派送层级的训练样本集合，训练相应派送层级的物流对象确定模型的步骤，包括：

根据所述训练样本集合中的原始样本，分别训练所述至少一个分类模型和/或至少一个回归模型；

在所述至少一个分类模型和/或至少一个回归模型训练完毕后，将所述原始样本分别输入所述至少一个分类模型和/或至少一个回归模型，获得相应的中间输出结果；

利用所述中间输出结果训练所述融合模型。

8.根据权利要求7所述的方法，其特征在于，所述根据所述训练样本集合中的原始样本，分别训练所述至少一个分类模型和/或至少一个回归模型的步骤，包括：

将训练样本的文本特征、空间特征和候选物流对象构建初始训练向量的输入维度参数；

根据训练样本的候选物流对象是否为相应已派送包裹的实际物流对象的情况，构建初始训练向量的输出维度参数；

利用所述初始训练向量训练所述至少一个分类模型和/或至少一个回归模型。

9.根据权利要求7所述的方法，其特征在于，还包括：

按照预设的针对各分类模型、各回归模型的抽样比例，从已派送物流包裹的已派送历史数据中抽样，获得针对每个分类模型或回归模型的用于训练的已派送历史数据。

10.根据权利要求7所述的方法，其特征在于，所述对所述派送层级的训练样本集合的样本，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征的步骤，包括：

对所述派送层级的训练样本集合的样本，利用相应模型的特征抽取规则，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征。

11.根据权利要求4所述的方法，其特征在于，所述利用所述目标物流对象确定模型确定所述派送信息对应的物流对象的步骤，包括：

根据所述目标物流包裹的派送信息，获取对应的文本特征、空间特征以及候选物流对象；

将所述候选物流对象、文本特征以及空间特征输入所述目标物流对象确定模型，得到各候选物流对象的置信度；

在各候选物流对象的置信度中的最大值满足置信度条件时，将所述最大值对应的候选物流对象作为所述目标物流包裹对应的物流对象。

12.根据权利要求11所述的方法，其特征在于，所述根据所述目标物流包裹的派送信息，获取对应的文本特征、空间特征以及候选物流对象的步骤，包括：

根据所述派送信息中的派送地址，获取地址分词；

根据所述派送信息中的快递公司信息、所述地址分词中属于所述当前派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象；

根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征。

13.根据权利要求12所述的方法，其特征在于，所述根据所述派送信息中的快递公司信息、所述地址分词中属于所述当前派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象的步骤，包括：

将所述地址分词中属于所述当前派送层级的下一层级的地址分词，与所述快递公司信息的属于所述下一层级的物流对象的派送区域信息进行匹配，确定至少一个物流对象。

14.根据权利要求13所述的方法，其特征在于，还包括：

判断所述目标物流包裹的派送信息中的派送地址是否合法；如果不合法，则对所述目标物流包裹进行地址不合法标记。

15.根据权利要求14所述的方法，其特征在于，所述地理等级包括：行政区划级别，则所述判断所述目标物流包裹的派送信息中的派送地址是否合法的步骤，包括：

将所述派送地址分词得到地址分词，按照相应的行政区划级别与地理等级词典进行匹配；如果匹配不上，则派送地址不合法。

16.根据权利要求11所述的方法，其特征在于，当所述目标物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，所述将所述候选物流对象、文本特征以及空间特征输入所述目标物流对象确定模型，得到各候选物流对象的置信度的步骤，包括：

将所述候选物流对象、文本特征以及空间特征构建初始识别向量并分别输入所述至少一个分类模型和/或至少一个回归模型，得到输出结果；

以所述输出结果构建中间识别向量并输入所述融合模型，得到各候选物流对象的置信度。

17.根据权利要求16所述的方法，其特征在于，所述根据所述目标物流包裹的派送信息，获取对应的文本特征、空间特征以及候选物流对象的步骤，包括：

针对所述所述目标物流包裹的派送信息，利用相应模型的特征抽取规则，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征；

根据所述派送地址获取候选物流对象。

18.根据权利要求1所述的方法，其特征在于，还包括：

将所述物流对象的实体编码打印至派送面单。

19.根据权利要求2所述的方法，其特征在于，还包括：

在所述目标物流包裹派送完毕从而转换为已派送物流包裹后，利用新获得的已派送物流包裹的已派送历史数据优化所述物流对象确定模型。

20.根据权利要求2所述的方法，其特征在于，还包括：

当所述物流对象的派送区域信息更新后，利用所述已派送物流包裹的已派送历史数据和更新后的物流对象更新所述物流对象确定模型。

21.一种物流对象确定装置，包括：

模型提供模块，用于提供多个物流对象确定模型；所述多个物流对象确定模型分别与派送层级对应；

派送信息获取模块，用于获取目标物流包裹的派送信息；

当前派送层级确定模块，用于确定所述目标物流包裹的当前派送层级；

模型确定模块，用于确定所述当前派送层级所对应的目标物流对象确定模型；

物流对象确定模块，用于利用所述目标物流对象确定模型确定所述派送信息对应的物流对象。

22.根据权利要求21所述的装置，其特征在于，所述模型提供模块，还用于利用提供的物流对象的派送区域信息和已派送物流包裹的已派送历史数据，分别针对多个派送层级训练对应的物流对象确定模型。

23.根据权利要求22所述的装置，其特征在于，所述模型提供模块，包括：

地址分词获取子模块，用于对于每个已派送物流包裹，根据相应派送信息中的派送地址，获取地址分词；

候选物流对象确定子模块，用于针对一派送层级，根据所述派送信息中的快递公司信息、所述地址分词中属于所述派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象；其中，所述候选物流对象包括所述已派送物流包裹的实际物流对象；

训练样本集合构建子模块，用于将所述已派送物流包裹的派送地址分别与所述候选物流对象进行组合，构建所述派送层级的训练样本集合；

模型训练子模块，用于利用所述派送层级的训练样本集合，训练相应派送层级的物流对象确定模型。

24.根据权利要求23所述的装置，其特征在于，所述模型训练子模块，包括:

第一特征获取单元，用于对所述派送层级的训练样本集合的样本，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征；

训练向量构建单元，用于以所述文本特征、空间特征、候选物流对象构建训练向量的输入维度参数，以所述规则特征构建训练向量的输出维度参数；

模型训练单元，用于利用所述训练向量训练所述物流对象确定模型。

25.根据权利要求24所述的装置，其特征在于，所述第一特征获取单元，包括：

经纬度信息获取子单元，用于根据所述派送地址获取相应的经纬度信息；

空间特征获取子单元，用于将所述经纬度信息转化为满足预设经纬度格式的空间特征。

26.根据权利要求22-25任一项所述的装置，其特征在于，所述物流对象确定模型包括一个分类模型，或者一个回归模型，或者至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型。

27.根据权利要求26所述的装置，其特征在于，当所述物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，所述模型训练子模块，包括：

分类回归模块训练单元，用于根据所述训练样本集合中的原始样本，分别训练所述至少一个分类模型和/或至少一个回归模型；

中间输出结果获取单元，用于在所述至少一个分类模型和/或至少一个回归模型训练完毕后，将所述原始样本分别输入所述至少一个分类模型和/或至少一个回归模型，获得相应的中间输出结果；

融合模型训练单元，用于利用所述中间输出结果训练所述融合模型。

28.根据权利要求27所述的装置，其特征在于，所述分类回归模块训练单元，包括：

输入维度参数构建子单元，用于将训练样本的文本特征、空间特征和候选物流对象构建初始训练向量的输入维度参数；

输出维度参数构建子单元，用于根据训练样本的候选物流对象是否为相应已派送包裹的实际物流对象的情况，构建初始训练向量的输出维度参数；

分类回归模块训练子单元，用于利用所述初始训练向量训练所述至少一个分类模型和/或至少一个回归模型。

29.根据权利要求27所述的装置，其特征在于，还包括：

已派送历史数据获取模块，用于按照预设的针对各分类模型、各回归模型的抽样比例，从已派送物流包裹的已派送历史数据中抽样，获得针对每个分类模型或回归模型的用于训练的已派送历史数据。

30.根据权利要求27所述的装置，其特征在于，所述第一特征获取单元，还用于对所述派送层级的训练样本集合的样本，利用相应模型的特征抽取规则，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征，根据所述候选物流对象获取规则特征。

31.根据权利要求24所述的装置，其特征在于，所述物流对象确定模块，包括：

基础数据获取子模块，用于根据所述目标物流包裹的派送信息，获取对应的文本特征、空间特征以及候选物流对象；

置信度确定子模块，用于将所述候选物流对象、文本特征以及空间特征输入所述目标物流对象确定模型，得到各候选物流对象的置信度；

实际物流对象确定子模块，用于在各候选物流对象的置信度中的最大值满足置信度条件时，将所述最大值对应的候选物流对象作为所述所述目标物流包裹对应的物流对象。

32.根据权利要求31所述的装置，其特征在于，所述基础数据获取子模块，包括：

地址分词获取单元，用于根据所述派送信息中的派送地址，获取地址分词；

候选物流对象确定单元，用于根据所述派送信息中的快递公司信息、所述地址分词中属于所述当前派送层级的下一层级的地址分词、所述物流对象的派送区域信息，获取所述下一层级的至少一个物流对象作为候选物流对象；

第二特征获取单元，用于根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征。

33.根据权利要求32所述的装置，其特征在于，所述候选物流对象确定单元，还用于将所述地址分词中属于所述当前派送层级的下一层级的地址分词，与所述快递公司信息的属于所述下一层级的物流对象的派送区域信息进行匹配，确定至少一个物流对象。

34.根据权利要求33所述的装置，其特征在于，还包括：

合法性判断模块，用于判断所述目标物流包裹的派送信息中的派送地址是否合法；

不合法标记模块，用于如果不合法，则对所述目标物流包裹进行地址不合法标记。

35.根据权利要求34所述的装置，其特征在于，所述地理等级包括：行政区划级别，则所述合法性判断模块，还用于将所述派送地址分词得到地址分词，按照相应的行政区划级别与地理等级词典进行匹配；如果匹配不上，则派送地址不合法。

36.根据权利要求31所述的装置，其特征在于，当所述物流对象确定模型包括至少一个分类模型和一个融合模型，或者至少一个回归模型和一个融合模型，或者至少一个分类模型和至少一个回归模型、一个融合模型时，所述置信度确定子模块，包括：

输出结果获取单元，用于将所述候选物流对象、文本特征以及空间特征构建初始识别向量并分别输入所述至少一个分类模型和/或至少一个回归模型，得到输出结果；

置信度确定单元，用于以所述输出结果构建中间识别向量并输入所述融合模型，得到各候选物流对象的置信度。

37.根据权利要求36所述的装置，其特征在于，所述基础数据获取子模块，包括：

第三特征获取单元，用于针对所述所述目标物流包裹的派送信息，利用相应模型的特征抽取规则，根据所述派送地址中的地址分词及所述地址分词的地理等级获取文本特征，根据所述派送地址获取空间特征；

候选物流对象获取单元，用于根据所述派送地址获取候选物流对象。

38.根据权利要求21所述的装置，其特征在于，还包括：

实体编码打印模块，用于将所述物流对象的实体编码打印至派送面单。

39.根据权利要求22所述的装置，其特征在于，还包括：

模型优化模块，用于在所述目标物流包裹派送完毕从而转换为已派送物流包裹后，利用新获得的已派送物流包裹的已派送历史数据优化所述物流对象确定模型。

40.根据权利要求22所述的装置，其特征在于，还包括：

模型更新模块，用于当所述物流对象的派送区域信息更新后，利用所述已派送物流包裹的已派送历史数据和更新后的物流对象更新所述物流对象确定模型。

41.一种装置，其特征在于，包括：

一个或多个处理器；和

其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行如权利要求1-20一个或多个的方法。

42.一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如权利要求1-20一个或多个的方法。