CN109934368A - 订单数量和订单状态的预测方法、装置及系统 - Google Patents
订单数量和订单状态的预测方法、装置及系统 Download PDFInfo
- Publication number
- CN109934368A CN109934368A CN201711347589.2A CN201711347589A CN109934368A CN 109934368 A CN109934368 A CN 109934368A CN 201711347589 A CN201711347589 A CN 201711347589A CN 109934368 A CN109934368 A CN 109934368A
- Authority
- CN
- China
- Prior art keywords
- order
- order status
- prediction
- status
- probability
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000000875 corresponding effect Effects 0.000 claims description 149
- 238000012216 screening Methods 0.000 claims description 47
- 230000009471 action Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 50
- 230000008569 process Effects 0.000 description 30
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000010757 Reduction Activity Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了订单数量和订单状态的预测方法、装置及系统,其中订单数量的预测方法包括:获取至少一个订单的订单状态;确定所述至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率;确定预测订单状态在多个订单中的发生概率;确定预测订单状态对应的订单数量。本申请会根据各个物流节点的当前订单状态来预测当前订单状态的未来的订单状态和发生概率。由于当前订单状态是实时的、准确的,所以基于当前订单状态预测到的预测订单状态和对应的发生概率也具有一定的准确性。相比于现有技术完全基于历史订单数量计算订单数量而言,本申请可以大大提高获得的预测订单状态的订单数量的准确性。
Description
技术领域
本申请涉及物流技术领域,尤其涉及一种订单数量的预测方法、装置及系统、订单状态的预测方法、装置及系统。
背景技术
物流节点是指物流网络中连接物流线路的结节之处,物流节点包括但不限于仓库、分拨中心、末端网点、菜鸟驿站等等。各个物流节点可以对订单对应的物资进行中转、集散和储运。
由于各个物流线路的订单数量是波动的,所以各个物流节点的订单数量也是变动的。目前,物流节点需要依据订单数量来提前进行工作安排,所以需要对物流节点的订单数量进行预测。
目前通常会统计物流节点的历史订单数量,并利用物流节点的历史订单数量,来预测物流节点未来的订单数量。但是,在物流领域中物流节点的订单数量具有较大的突变性和偶然性,这导致物流节点的历史订单数量无法体现出物流节点的突变。
例如,电商平台某天或某个时刻临时的降价活动或促销活动,会导致订单数量突然增加;又如,由于天气、交通等不可控因素导致行车路线发生变更、车辆故障,导致订单数量突然减少或增多。
因此,现有基于物流节点的历史订单数量,对未来的订单数量进行预测的方案,其准确性较低。
发明内容
鉴于此,本申请提供了一种订单数量的预测方法、装置及系统、订单状态的预测方法、装置及系统,以便对物流节点的订单数量进行准确预测。为了实现上述目的提供了下述技术特征:
一种订单数量的预测方法包括:
获取至少一个订单的订单状态;
确定所述至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率;
确定预测订单状态在多个订单中的发生概率;
确定预测订单状态对应的订单数量。
可选的,所述确定至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率,包括:
输入订单的订单状态至订单状态预测模型;
获得所述订单状态模型输出若干预测订单状态,以及若干预测订单状态的原概率;
对若干个预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率;
其中,所述订单状态预测模型为以订单状态为输入,用于对订单状态的后续订单状态进行预测,并输出预测订单状态和预测订单状态对应发生概率的机器模型。
可选的,所述对若干个预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率,包括:
在订单的物流路径规划中,确定订单的下一物流节点标识和动作标识;
在订单的若干预测订单状态中进行筛选操作,保留包含订单的下一物流节点标识和动作标识的多个预测订单状态;
计算筛选后多个预测订单状态的原概率的和值;
分别将多个预测订单状态的原概率与所述和值的比值,确定为多个预测订单状态对应的发生概率。
可选的,所述确定预测订单状态在多个订单中的发生概率,包括:
按照订单状态对多个订单的多个预测订单状态及发生概率进行分类汇总;
在分类汇总结果中,确定预测订单状态对应的多个订单的发生概率。
可选的,所述确定预测订单状态对应的预测订单数量,包括:
基于一预测订单状态对应的多个订单的发生概率,计算该预测订单状态的期望;
将所述期望确定为该预测订单状态的订单数量。
可选的,所述订单状态包括订单所在物流节点标识,订单动作对应的动作标识,以及,订单动作发生时间所属的时间片段的时间片标识;则获取至少一个订单的订单状态包括:
获取至少一个订单的订单数据;
按照订单状态数据格式,将订单数据转换为订单状态。
可选的,在所述确定预测订单状态对应的订单数量后,还包括:
确定统计属性;所述统计属性包含的物流节点标识、动作标识、时间片标识中的一个或多个属性;
依据所述统计属性确定至少一个预测订单状态;
将所述至少一个预测订单状态对应订单数量的和值,确定为所述统计属性对应的订单数量。
可选的,还包括:
在订单的物流路径规划中确定最后一条路径规划;
若订单的预测订单状态中物流节点标识和动作标识不对应最后一条路径规划,则在订单的多个预测订单状态中选择一个预测订单状态,并进入确定至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率的步骤。
可选的,还包括:在进入确定至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率的步骤后,更新已有的预测订单状态以及预测订单状态对应的发生概率。
可选的,所述确定预测订单状态对应的订单数量,包括:
发送预测订单状态在多个订单中的发生概率,至预测订单状态中物流节点标识对应的执行终端,以供终端设备确定预测订单状态对应的订单数量;
在更新已有的预测订单状态以及预测订单状态对应的发生概率后,还包括:记录发生变化的预测订单状态和及其发生概率,仅发送发生变化的预设订单状态及其发生概率至终端设备,以供执行终端重新确定预测订单状态对应的订单数量。
一种订单数量的预测系统,包括:
服务器,用于获取至少一个订单的订单状态,确定所述至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率,确定预测订单状态在多个订单中的发生概率,确定预测订单状态对应的订单数量,发送预测订单状态对应的订单数量至终端设备;
终端设备,用于接收并输出预测订单状态对应的订单数量。
一种订单数量的预测系统,包括:
服务器,用于获取至少一个订单的订单状态,确定至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率,确定预测订单状态在多个订单中的发生概率,发送预测订单状态在多个订单中的发生概率至终端设备;
终端设备,用于接收预测订单状态在多个订单中的发生概率,并确定预测订单状态对应的订单数量,输出预测订单状态对应的订单数量。
可选的,服务器,还用于在更新已有的预测订单状态以及预测订单状态对应的发生概率后,记录发生变化的预测订单状态和及其发生概率,仅发送发生变化的预设订单状态及其发生概率至终端设备;
终端设备,用于更新发生变化的预设订单状态及其发生概率,重新确定预测订单状态对应的订单数量。
一种订单状态的预测方法,包括:
确定订单的订单状态;其中,订单状态包括物流节点标识、动作标识以及表示时间片段的时间片标识;
确定订单的订单状态对应的若干预测订单状态以及若干预测订单状态对应的原概率;
对订单的若干预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率;
输出发生概率最大预测订单状态。
可选的,在确定筛选后的多个预测订单状态及多个预测订单状态的发生概率之后,还包括:
构建以订单标识为主键,多个预测订单状态和发生概率为数据值的订单维表;
构建以预测订单状态为主键,订单标识的和订单标识对应的订单中该预测订单状态的发生概率为数据值的状态维表。
可选的,在确定订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率之后,还包括:
确定订单的路径规划;
在预测订单状态中的物流节点标识和动作标识不对应路径规划中最后一条路径规划的情况下,重新进入确定订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率的步骤;
更新订单维表和状态维表。
可选的,所述更新订单维表和状态维表包括:
在所述订单维表中删除该订单标识对应的历史预测订单状态和历史发生概率,并在订单维表中写入订单标识的当前预测订单状态和当前发生概率;
在所述状态维表中删除该订单标识对应的历史预测订单状态和历史发生概率,并在订单维表中写入订单标识的当前预测订单状态和当前发生概率;
针对订单标识的每个当前预测订单状态:若在状态维表中查找到当前预测订单状态,则写入订单标识和当前预测订单状态的发生概率;若在状态维表未查找到当前预测订单状态,则在状态维表添加当前预测订单状态,并写入订单标识和当前预测订单状态的发生概率。
可选的,还包括:接收包含订单标识的订单物流预测指令;
在订单维表中查找到订单标识对应的多个预测订单状态组;
分别在多个预测订单状态组中,确定出最大发生概率对应的预测订单状态;按顺序输出多个预测订单状态。
可选的,还包括:
接收包含预测订单状态的订单数量查询指令;
在状态维表中,查找预测订单状态在多个订单中的发生概率;
确定预测订单状态对应的订单数量。
一种订单状态预测模型的训练方法,包括:
获取多个订单从起始物流节点至目的物流节点按时间先后顺序排列的多个订单状态;其中,订单状态包括物流节点标识、订单动作对应的动作标识以及订单动作发生时间所属的时间片段的时间片标识;
以每个订单的多个订单状态来训练循环神经网络模型;其中,循环神经网络模型包括多个输入节点,与每个输入节点相连的隐藏节点,与每个隐藏节点相连的输出节点且多个隐藏节点相连;
将训练后的循环神经网络模型,确定为订单状态预测模型。
一种订单数量的预测装置,包括:
订单状态获取单元,用于获取至少一个订单的订单状态;
预测单元,用于确定所述至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率;
发生概率确定单元,用于确定预测订单状态在多个订单中的发生概率;
订单数量确定单元,用于确定预测订单状态对应的订单数量。
可选的,所述预测单元包括:
输入单元,用于输入订单的订单状态至订单状态预测模型;其中,所述订单状态预测模型为以订单状态为输入,用于对订单状态的后续订单状态进行预测,并输出预测订单状态和预测订单状态对应发生概率的机器模型;
输出单元,用于获得所述订单状态模型输出若干预测订单状态,以及若干预测订单状态的原概率;
筛选单元,用于对若干个预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率。
可选的,所述筛选单元包括:
确定标识单元,用于在订单的物流路径规划中,确定订单的下一物流节点标识和动作标识;
保留单元,用于在订单的若干预测订单状态中进行筛选操作,保留包含订单的下一物流节点标识和动作标识的多个预测订单状态;
概率计算单元,用于计算筛选后多个预测订单状态的原概率的和值,分别将多个预测订单状态的原概率与所述和值的比值,确定为多个预测订单状态对应的发生概率。
可选的,还包括:
属性确定单元,用于确定统计属性;所述统计属性包含的物流节点标识、动作标识、时间片标识中的一个或多个属性;
订单状态确定单元,用于依据所述统计属性确定至少一个预测订单状态;
订单数量计算单元,用于将所述至少一个预测订单状态对应订单数量的和值,确定为所述统计属性对应的订单数量。
一种订单状态的预测装置,包括:
订单状态确定单元,用于确定订单的订单状态;其中,订单状态包括物流节点标识、动作标识以及表示时间片段的时间片标识;
预测单元,用于确定订单的订单状态对应的若干预测订单状态以及若干预测订单状态对应的原概率;
筛选单元,用于对订单的若干预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率;
输出单元,用于输出发生概率最大预测订单状态。
可选的,还包括:
第一构建单元,用于构建以订单标识为主键,多个预测订单状态和发生概率为数据值的订单维表;
第二构建单元,用于构建以预测订单状态为主键,订单标识的和订单标识对应的订单中该预测订单状态的发生概率为数据值的状态维表;
可选的,还包括:更新单元,用于在重新确定订单的预测订单状态后,更新订单维表和状态维表。
可选的,还包括:
物流预测单元,用于接收包含订单标识的订单物流预测指令;在订单维表中查找到订单标识对应的多个预测订单状态组;分别在多个预测订单状态组中,确定出最大发生概率对应的预测订单状态;按顺序输出多个预测订单状态。
可选的,还包括:
订单数量查询单元,用于接收包含预测订单状态的订单数量查询指令;在状态维表中,查找预测订单状态在多个订单中的发生概率;确定预测订单状态对应的订单数量。
一种订单状态预测模型的训练装置,包括:
获取单元,用于获取多个订单从起始物流节点至目的物流节点按时间先后顺序排列的多个订单状态;其中,订单状态包括物流节点标识、订单动作对应的动作标识以及订单动作发生时间所属的时间片段的时间片标识;
训练单元,用于以每个订单的多个订单状态来训练循环神经网络模型;其中,循环神经网络模型包括多个输入节点,与每个输入节点相连的隐藏节点,与每个隐藏节点相连的输出节点且多个隐藏节点相连;
确定单元,用于将训练后的循环神经网络模型,确定为订单状态预测模型。
通过以上技术手段,可以实现以下有益效果:
本申请会根据各个物流节点的当前订单状态来预测当前订单状态的未来的订单状态和发生概率。由于当前订单状态是实时的、准确的,所以基于当前订单状态预测到的预测订单状态和对应的发生概率也具有一定的准确性。相比于现有技术完全基于历史订单数量计算订单数量而言,本申请可以大大提高获得的预测订单状态的订单数量的准确性。
此外,由于在物流领域中物流节点的订单动作具有较强的波次性,为此本申请的订单状态包括订单动作发生时间所属的时间分段,以便可以确定订单动作在某个时间分段的订单数量。相对于现有技术统计订单动作整天订单数量而言,降低了统计粒度,使得订单数量更加贴合实际使用场景的需求。
并且,本申请中多个时间片段可以随机组合,以便计算订单在多个时间片段的订单数量,具有较高的灵活性。
当然,实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。
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,下面将对实施例或现有技术描述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1a为本申请实施例公开的一种循环神经网络模型的示意图;
图1b为本申请实施例公开的订单状态预测模型的确定方法的流程图;
图2为本申请实施例公开的一种订单状态的预测系统的结构示意图;
图3为本申请实施例公开的一种订单状态的预测方法的流程图;
图4为本申请实施例公开的又一订单状态的预测方法的流程图;
图5为本申请实施例公开的更新订单维表和状态维表的流程图;
图6为本申请实施例公开的一种订单数量的预测方法的流程图;
图7为本申请实施例公开的又一订单数量的预测方法的流程图;
图8为本申请实施例公开的一种订单数量的预测系统的结构示意图;
图9为本申请实施例公开的订单状态预测模型的训练装置的示意图;
图10为本申请实施例公开的订单数量的预测装置的示意图;
图11为本申请实施例公开的订单状态的预测装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
可以理解的是,每个物流节点可以具有多个订单动作(订单到达、订单分拣、订单装车、订单派送等),在实际应用中需要针对不同订单动作的订单数量来进行任务安排。例如,基于订单装车动作的数量确定车辆数量,基于订单派送动作的数量确定派送人员派送任务。
鉴于物流领域的特殊性,在物流领域中物流节点的订单动作具有较强的波次性。比如:7:00-8:00到达物流节点的订单均会在10:00统一发出;在11:00-13:00到达物流节点的订单会在14:00统一发出。因此,在实际应用中需要依据各个时间分段的订单数量来进行任务安排。
因此,一个物流节点中订单动作和时间分段同样重要,为此,本申请会确定物流节点的订单动作在某个时间分段的订单数量,或者时间分段中某个订单动作的订单数量,这才是有实用价值的订单数量。
相对于现有技术中统计物流节点整天的订单数量而言,本实施例增加订单动作和时间分段两个统计属性。因此降低统计粒度,使得订单数量更加贴合实际使用场景的需求。
为了实现依据订单动作和时间分段确定订单数量的目的,本申请提供一种订单状态的数据格式,订单状态包括物流节点标识、订单动作对应的动作标识以及订单动作发生时间所属时间片段的时间片标识三个属性。例如,一个订单状态可以为:杭州分拨中心-订单到达-12:00~18:00。
其中,物流节点标识用于表示订单所在的物流节点。动作标识表示订单动作对应的标识,订单动作可以包括订单到达、订单分拣、订单装车、订单出发等等。
时间片标识为用于表示时间分段的标识,按照业务场景的精度要求,时间分段可以按1小时为间隔(即1小时为一个时间分段)、6小时为间隔(即6小时为一个时间分段)、12小时为间隔(即12小时为一个时间分段)等等。
本申请会基于按订单状态统计订单数量。以订单状态为杭州分拨中心-订单到达-12:00~18:00为例,统计该订单状态的订单数量后可以得到:杭州分拨中心在12:00~18:00期间订单到达的订单数量。
为了适应物流领域的突变性,本申请不再基于历史订单数量来预测的未来订单数量,而是会构建一个订单状态预测模型。订单状态预测模型用来输入的当前订单状态来预测当前订单状态的下一订单状态。由于当前订单状态是实时的、准确的,所以基于当前订单状态预测到的预测订单状态也具有一定的准确性。
下面介绍本申请的执行过程,为了便于本领域技术人员理解,首先介绍订单状态预测模型的确定过程。
根据本申请的一个实施例,提供一种订单状态预测模型的确定方法。本实施例采用循环神经网络模型(Recurrent NeuralNetworks,RNN)作为机器模型,并依据各个物流节点的订单状态对其进行训练,从而获得订单状态预测模型。
参见图1a,RNN包括输入层S、隐藏层H和输出层O,具体连接方式参见图示。
RNN的输入层S包括多个输入节点Si(i=0,1,2,3……)。输入节点数量与订单中路径规划的最大节点数量一致。
以一个订单为例,其由“北京电视台”派送至“上海电视台”,则其路径规划可以为“北京网点1-揽收”、“北京网点1-发货”“北京航空网点-揽收”、“北京航空网点-发货”、“上海航空网点-揽收”、“上海航空网点-发货”、“上海网点1-揽收”、“上海网点1-发货”共8个节点,对应的RNN模型中需要8个输入节点。
可以理解的是,由于各个订单中节点数量是不同的,有的节点数量多,有的节点数量少,为了适应各个节点,RNN模型中的输入节点可以为所有订单中最大输入节点数量。例如,一个订单最多经过20个节点,则RNN模型的输入节点的数量为20。
其中,Si可以采用“one-hot”的向量表示,向量长度与订单状态的总数量相同,每个订单状态采用1位表示。
例如,假设共有10个物流节点标识、3个动作标识和5个时间片标识,则订单状态的总数量为10×3×5=150,那么Si的向量长度为150位,每一位代表一种订单状态。假设,S2中第10位有效其余位为无效,则表示S2为第10位对应的订单状态。
RNN的隐藏层H包括多个隐藏节点Hi(i=0,1,2,3,……),Hi是一个实数向量,其向量长度是RNN模型的一个超参(在实际应用中根据具体情况而定,例如取50)。隐藏层H在计算过程中会不断的发生变化。
RNN模型中各个隐藏节点会由前至后传输,所以一个隐藏节点受其前面隐藏节点的影响,并对后面隐藏节点产生影响。
在物流领域中,本物流节点的订单动作时间除受上一物流节点的影响外,还有可能与更早的物流节点的时间有关(一些商家要求上午11点之前下单的订单务必要当日送达)。订单状态预测模型中的隐藏层可以很好地、将不相邻的订单状态之间的关系由上至下的传递下去。
RNN的输出层O包括多个输出节点Oi(i=0,1,2,3,……),Oi是一个实数向量,其长度与输入向量的长度相同,每一位代表由输入订单状态转移至该订单状态的发生概率。
在RNN模型的输入层至隐藏层之间具有权重矩阵U、从隐藏层至输出层之间具有权重矩阵V,从隐藏层至下一隐藏层之间具有权重矩阵W。
其次,介绍对RNN进行训练的训练数据。
预先收集多个物流节点在一段时间内历史订单数据,在历史订单数据中每个订单均具有从起始物流节点到目的物流节点各个阶段的订单数据,每个订单数据包括订单标识、物流节点标识、动作标识和动作时间。
对每个订单标识的各个阶段的订单数据,按照订单状态的数据格式进行归一化,得到每个订单标识的各个订单状态,并可以采用订单状态序号来表示各个订单状态之间前后顺序。
为了便于理解,参见表1,为每个订单标识的各个订单状态的示意。
表1
注:表1中时间片以3小时为间隔。
最后,以每个订单标识的各个订单状态对RNN进行训练,从而获得订单状态预测模型。
由于每个订单标识的各个订单状态对RNN进行训练的过程是一致的,所以以一个订单标识的多条订单状态为例,对RNN进行训练进行说明。
参见图1b,RNN的训练过程可以包括以下步骤:
步骤S101:向第一输入节点输入订单标识的第一条订单状态对应的第一输入矩阵,第一输入矩阵经权重矩阵U处理得到第一隐藏节点的第一隐藏矩阵,第一隐藏矩阵经权重矩阵V处理后得到第一输出节点的第一输出结果,且,第一隐藏矩阵经权重矩阵W处理后得到第二隐藏节点的第二隐藏矩阵1。
以pk_002为例,将第一条订单状态“c仓库-下单-当日15:00~18:00”转换成第一输入矩阵,输入至第一输入节点S0。
第一输入矩阵经权重矩阵U处理后得到第一隐藏矩阵H0。第一隐藏矩阵H0经权重矩阵W处理后得到第二隐藏节点的第二隐藏矩阵1(H21)。第一隐藏矩阵H0经权重矩阵V处理后得到第一输出节点O0的第一输出结果。
RNN模型中权重矩阵U和权重矩阵V的作用在于对输入订单状态进行预测,所以获得的第一输出结果包括第一条订单状态的各个预测订单状态,以及各个预测订单状态对应的发生概率,可以记为[Sn,p]。
其中,Sn为预测订单状态的标识,p为各个预测订单状态对应的发生概率。
步骤S102:对RNN模型的权重矩阵进行调整,使得第一输出结果尽量靠近下一条订单状态及其发生概率。
参见表1,第一条订单状态的下一条订单状态为“B分拨-到货-次日09:00~12:00”且其发生概率为1(因为已经发生)。
依据第二条订单状态“B分拨-到货-次日09:00~12:00”及其发生概率为1,对RNN权重矩阵U、权重矩阵V和/或权重矩阵W进行调整,使得第一输出结果尽量靠近第二条订单状态“B分拨-到货-次日09:00~12:00”及其发生概率1。
具体调整权重矩阵的过程涉及RNN模型的具体计算过程,由于RNN已经为成熟模型技术,因此,调整过程权重矩阵的过程不再赘述。
步骤S103:向第二输入节点输入订单标识的第二条订单状态对应的第二输入矩阵,第二输入矩阵经权重矩阵U处理得到第二隐藏节点的第二隐藏矩阵2,第二隐藏节点将第二隐藏矩阵1和第二隐藏矩阵2的和值或卷积值,确定为第二隐藏矩阵,第二隐藏矩阵经权重矩阵V处理后得到第二输出节点的第二输出结果。
继续以pk_002为例,将第二条订单状态“B分拨-到货-次日09:00~12:00”整理成第二输入矩阵,输入至第二输入节点S1,经过权重矩阵U后得到第二隐藏矩阵2(H22)。第二隐藏层将第二隐藏矩阵1(H21)和第二隐藏矩阵2(H22)的和值或卷积值,作为第二隐藏矩阵H2。
将第二隐藏矩阵H2与权重矩阵V处理后得到第二输出结果。第二输出结果包括各个预测订单状态以及对应的发生概率,可以记为[Sn,p]。
步骤S104:对RNN模型的权重矩阵进行调整,使得第二输出结果尽量靠近下一条订单状态及其发生概率。
参见表1,第二条订单状态的下一条订单状态为“b网点-到货-次日15:00~18:00”且其发生概率为1(因为已经发生)。
依据第三条订单状态“b网点-到货-次日15:00~18:00”及其发生概率为1,对RNN权重矩阵U、权重矩阵V和/或权重矩阵W进行调整,使得第二输出结果尽量靠近第三条订单状态“b网点-到货-次日15:00~18:00”的订单状态。
由于第三条订单状态已经是最后一条订单状态,所以该订单标识的训练过程结束。
可以理解的是,若还有第四条订单状态,则在步骤S103中还会执行第二隐藏矩阵经权重矩阵W处理后得到第三隐藏节点的第三隐藏矩阵1的过程。
然后,在RNN模型中后续输入节点、隐藏节点和输出节点中重复执行步骤103和步骤S104的过程,直到下一订单状态为该订单标识的最后一条订单状态。
在各个订单标识的多条订单状态均对RNN进行训练后,或者,在训练过程中RNN已经满足训练结束条件后,对RNN的训练过程结束。将训练后的RNN确定为订单状态预测模型。
为了便于本领域技术人员了解本申请的应用场景,提供了一种订单状态的预测系统。参见图2,包括设置于各个物流节点的终端设备100和与各个物流节点的终端设备100相连服务器200。
各个物流节点的终端设备100用于分别向服务器200发送订单的当前订单数据。
各个物流节点的终端100在接收订单后会更新订单的订单数据,然后向服务器200发送订单的当前订单数据。当前订单数据包括订单标识、物流节点标识、动作标识和时间信息。
下面介绍服务器200的执行过程。参见图3,包括以下步骤:
步骤S301:分别接收各个物流节点的终端设备发送的订单的当前订单数据,并将按订单状态的数据格式对各个订单数据进行归一化,并将各个订单的订单状态确定为订单状态。
其中,订单状态包括物流节点标识、订单动作对应的动作标识以及订单动作发生时间所属时间片段的时间片标识。该过程可以参见前述对RNN进行训练的训练数据的介绍,在此不再赘述。
步骤S302:将各个订单的订单状态输入至订单状态预测模型并获得各个订单的输出结果,基于各个订单的输出结果,确定各个订单对应的预测订单状态和每个预测订单状态对应的发生概率。
由于对各个订单的订单状态的处理过程是一致的,参见图4,以一个订单的订单状态为例,对本步骤进行详细说明。
步骤S401:将订单的订单状态输出至订单状态预测模型并获得订单的输出结果。
将订单状态标记为S,在经过订单状态预测模型的计算后,获得订单状态预测模型的输出结果。输出结果是一个二元组集合,记为<Sn,p>。其中Sn为订单状态编号,p为由输入订单状态转移至该订单状态时的发生概率。
步骤S402:在订单的路径规划中,确定订单的下一物流节点标识和动作标识。
可以理解的是每个订单均有一个路径规划。为了便于理解,对路径规划进行举例说明。参见表2,为订单标识“pk-001”的路径规划。
表2
服务器可以依据订单的起始点地址和目的点地址,经过路径规划计算方法从而确定订单的路径规划。当然,确定订单的路径规划的过程也可以由其它设备来执行,服务器可以从其它设备上拉取订单的路径规划。
本申请不限定服务器确定订单的路径规划的过程和方式,可以根据实际应用而定。关于路径规划算法已经为成熟技术,在此不再赘述。
以订单“pk_001”为例,假设订单的订单状态中物流节点标识和动作标识为“a网点-发货”,则通过路径规划可知,下一物流节点标识和动作标识为“A分拨-到货”。
步骤S403:在订单的输出结果中,保留包含所述订单的下一物流节点标识和动作标识的预测订单状态,获得筛选输出结果。
由于订单的输出结果是订单状态预测模型预测得到的,其中不乏有一些错误订单状态。例如,物流节点标识错误和/或动作标识错误。
因此,在订单的输出结果中排除不正确的订单状态,保留包含所述订单的下一物流节点和所述动作标识的预测订单状态,即保留正确的订单状态。
例如,在输出结果中仅保留包含“A分拨-到货”的所有订单状态,结果是一个二元组的集合,记为<St,p>,其中St为保留的订单状态标识,p为其发生概率。
步骤S404:利用筛选输出结果中各个预测订单状态的原概率,重新确定各个预测订单状态对应的发生概率。
由于输出结果中各个订单状态的发生概率和为1,在S403中排除不正确的订单状态后,筛选输出结果中的预测订单状态的发生概率和不为1。因此,需要重新确定筛选输出结果中各个预测订单状态对应的发生概率。
其中,重新确定每个预测订单状态的发生概率的公式为其中pi为筛选输出结果中各个预测订单状态的原概率,pi’为重新确定的各个预测订单状态的发生概率。
在重新确定预测订单状态的发生概率后,筛选输出结果可以表示为<St,p’>,其中St为保留的订单状态标识,p’为其重新确定的发生概率,保存并输出各个预测订单状态及其发生概率。
各个订单的订单状态均可以执行图4所示的过程,并获得各个订单的筛选输出结果(各个预测订单状态及其重新确定的发生概率)。
接着返回图3,进入步骤S303:判断各个筛选结果集合中的物流节点标识和动作标识是否为最后一条路径规划,若否,则进入步骤S304,若是则进入步骤S305。
在步骤S302执行一次订单状态预测后,还可以继续执行订单状态的预测过程,直到预测订单状态到达最后一条路径规划,以便对订单各个阶段的订单状态进行预测。
当然,步骤S302也可以执行一次便结束,具体实现可以基于实际情况而定,再次不做限定。
步骤S304:在各个订单的筛选结果集合中均选择一个预测订单状态,对应确定为各个订单的订单状态,进入步骤S302。
为了继续执行后续的订单状态预测,可以在各个订单的筛选结果集合中,随机选择一个预测订单状态确定为订单状态;也可以选择发生概率值最大的预测订单状态确定为订单状态,然后重新进入步骤S302。
本申请不限定在筛选结果集合中选择预测订单状态的方式,可以根据实际情况而定。
步骤S305:结束各个订单的订单状态预测过程。
在步骤S305(执行多次预测过程)获得各个订单的预测订单状态和发生概率后,可以存储各个订单的预测订单状态和其发生概率,以便后续查询。
本申请提供了两种存储方式:
第一种存储方式:以预测订单状态为主键、各个订单的发生概率为数据值的状态维表。参见表3为状态维表的一种表现形式:
表3
状态标识 | 订单信息 |
A分拨-到货-当日18:00~21:00 | pk_001,0.95;pk_002,0.85….. |
A分拨-到货-当日21:00~24:00 | pk_001,0.05;pk_003,0.9….. |
…… | …… |
第二种存储方式:以订单标识为主键、各个订单状态和订单发生概率为数据值的订单维表。
由于同一订单标识中执行了多次预测过程,为了便于区分,多次预测过程中得到的预测结果分开存储,且,多次预测结果按预测顺序排列。参见表4为订单维表的一种表现形式。
表4
图3所示的执行过程为服务器接收各个物流节点的发送的当前订单数据后的一次执行过程。可以理解的是,各个物流节点会不断向服务器发送各个订单的当前订单数据,所以服务器会不断执行图3所示的过程,以获得各个订单最新的预测订单状态和其发生概率。
然后,利用新的预测订单状态和其发生概率,来更新之前预测订单状态和发生概率,以便使得各个预测订单状态和发生概率尽量准确。
为了便于区分最新的各个订单的预测订单状态和其发生概率,称为订单的当前预测订单状态和当前发生概率,之前的称为历史预测订单状态和历史发生概率。
根据本申请的一个实施例,提供更新订单维表和状态维表的过程。本实施例中可以对步骤S305获得的各个订单进行更新。
以一个订单为例,对更新订单维表和状态维表的过程进行说明。参见图5,包括以下步骤:
步骤S501:获取一个订单的当前预测订单状态和当前发生概率。
步骤S502:判断订单维表中是否具有该订单的订单标识。若是,则进入标识S504,若否则进入步骤S503。
步骤S503:若订单维表中不具有该订单的订单标识,则在订单维表中添加订单标识并写入当前预测订单状态和当前发生概率,进入步骤S506。
若订单维表中不具有该订单标识,则表明之前没有该订单标识,所以订单维表和状态维表中均不具有该订单标识的数据。因此直接更新至订单维表中即可。
步骤S504:若订单维表中具有该订单的订单标识,在订单维表中读取订单标识的历史预测订单状态和历史发生概率,并在状态维表中的各个历史预测订单状态的数据值中删除对应的订单标识和发生概率,并删除订单维表中历史预测订单状态和历史发生概率。
若订单维表中具有该订单标识,则在订单维表和状态维表中删除历史预测订单状态和历史发生概率。
步骤S505:在订单维表中写入订单标识的当前预测订单状态和当前发生概率。
步骤S506:针对该订单标识的每个当前预测订单状态,判断状态维表中是否具有当前预测订单状态,若是,则进入步骤S507,若否则进入步骤S508。
步骤S507:若在状态维表中查找到当前预测订单状态,则写入订单标识和当前预测订单状态的发生概率。
步骤S508:若在状态维表未查找到当前预测订单状态,则在状态维表添加当前预测订单状态,并写入订单标识和当前预测订单状态的发生概率。
在每个订单的当前预测订单状态和当前发生概率均更新完毕后,输出更新后的订单维表和状态维表。
下面介绍本申请的两个应用场景:
第一个应用场景:服务器计算处于各个预测订单状态的订单数量。
本过程可以在每个步骤S302后,基于一次订单的预测订单状态和对应发生概率执行,也可以在步骤S305后对多次订单的预测订单状态和对应发生概率批量执行,两种实现方式均可。
根据本申请的一个实施例,提供计算处于各个预测订单状态的订单数量的过程。参见图6,包括以下步骤:
步骤S601:按照预测订单状态对各个订单的发生概率进行分类汇总。
根据本申请的一个实施例,可以构建并存储以预测订单状态为主键、各个订单的发生概率为数据值的状态维表。详见表3,在此不再赘述。
步骤S602:利用预测订单状态下各个订单的发生概率,计算预测订单状态的期望。
在发生概率论和统计学中,期望是试验中可能结果的发生概率乘以其结果的总和。它反映随机变量平均取值的大小。
在本实施例中,预测订单状态为可能结果其取值均为1,所以在预测订单状态均为1的情况下,期望变成各个预测订单状态的发生概率和,其可以反映预测订单状态的平均订单数量。
其中,Nk为订单状态k的订单数量的预测值;
Fk为订单状态k的预测订单状态的集合;
Si为预测订单状态集合Fk中的一个订单状态;
为订单状态Si落在订单状态Fk的发生概率。
举例,以“A分拨-到货-当日18:00~21:00”为例,在状态维表中获取其下各个订单的发生概率;N=0.95+0.85+……。
步骤S603:将所述期望确定为处于预测订单状态的订单数量。
通过上述内容可以得知,本申请具有以下有益效果:
本申请会将各个物流节点的当前订单状态输入至订单状态预测模型,以来预测当前订单状态的未来的订单状态和发生概率。由于当前订单状态是准确的,所以基于当前订单状态预测到的预测订单状态和对应的发生概率也具有一定的准确性。
相比于现有技术完全基于历史订单数量计算订单数量而言,本申请可以大大提高获得的预测订单状态的订单数量的准确性。
在计算得到各个预测订单状态的订单数量后,还可以根据实际应用场景,对预测订单数量的场景进行扩展。参见图7,包括以下步骤:
步骤S701:确定统计属性,其中,其中,所述统计属性为流节点标识、动作标识、时间片标识中的一个或多个属性。
终端设备可以向服务器发送统计属性,或者,服务器内部预先设定统计属性。本申请不限定服务器确定统计属性的方式。
统计属性为订单状态中一个或多个属性。例如,杭州分拨中心,订单标识为订单到货,以及9:00-12:00时间片和12:00-15:00两个时间片。
步骤S702:依据所述统计属性确定多个预测订单状态;
根据统计属性,在状态维表中确定“杭州分拨中心-订单到货-9:00-12:00”以及,“杭州分拨中心-订单到货-12:00-15:00”两个预测订单状态。此统计属性的含义为计算杭州分拨中心9:00-15:00的订单到货的订单数量。
步骤S703:将所述多个预测订单状态对应订单数量的和值,确定为所述统计属性对应的订单数量。
然后,获取“杭州分拨中心-订单到货-9:00-12:00”的订单数量,以及,获取“杭州分拨中心-订单到货-12:00-15:00”的订单数量,计算两个预测订单状态的订单数量的和值,确定统计属性对应的订单数量。
可以理解的是,统计属性可以根据需求在物流节点标识、动作标识和时间片标识之间自由组合。
第二个应用场景:接收用户输入的订单标识,输出订单包含目的物流节点标识的订单状态。
终端设备可以向服务器发送订单标识,服务器接收订单标识后,在订单维表中查找订单标识对应的订单状态和发生概率。然后,在包含目的物流节点的订单状态中,输出发生概率最大的订单状态。
例如,输入为订单标识为0001,其由“北京电视台”派送至“上海电视台”,则首先确定其路径规划,假设其路径规划可以为“北京网点1-揽收”、“北京网点1-发货”“北京航空网点-揽收”、“北京航空网点-发货”、“上海航空网点-揽收”、“上海航空网点-发货”、“上海网点1-揽收”、“上海网点1-发货”共8个节点。
然后,利用订单状态预测模型不断进行预测,分别得到8个节点中的预测订单状态中最大发生概率的预测订单状态。最后按路径规划的顺分别显示8个节点预测订单状态。
当然,还可以根据实际情况需求,获取部分节点的最大发生概率的预测订单状态,并按路径规划中的顺序进行显示。
本申请具有一串连锁反应,终端设备重新发送订单的订单数据后,服务器便需要重新确定订单的当前订单状态、然后,重新计算订单的预测订单状态和对应发生概率,进而更新状态维表,再重新计算预测订单状态的订单数量。
由于各个物流节点的订单量较大,所以物流网络中同时会有大量的订单状态发生变化。这会产生以下两个问题:
第一,频繁有订单状态变更发生,导致服务器频繁执行计算过程。这会消耗服务器大量的计算资源和读写带宽。
第二,在订单状态的总数量较多的场景下,每个订单状态都需要进行更新以及计算订单数量,其工作量十分巨大。
为了解决以上两个问题,参见图8,本实施例提供一种批处理、分布式架构系统。
服务器,以及与服务器相连的多个处理设备300。处理设备可以为服务器可以为终端设备,本申请不限定处理设备的实现方式。
通常情况下,多个处理设备是按照地理区域设置的。例如,按照省份设置为每个省份设置一个处理设备。
服务器还用于监控状态维表中发生变化的预测订单状态标识,在监控一段时间后,批量处理发生变化的预测订单状态标识。
批量处理发生变化的预测订单状态标识包括:根据地理区域和订单状态的对应的关系,将发生变化的订单状态发送至相应地理区域的处理设备。
处理设备批量从状态维表中读取预测订单状态的数据,并按照公式一计算发生变化的预测订单状态的订单数量,并更新预测订单状态的订单数量。
本系统可以缓解服务器的压力,提高计算预测订单状态的订单数量的效率。
参见图9,本申请提供一种订单状态预测模型的训练装置,包括:
获取单元91,用于获取多个订单从起始物流节点至目的物流节点按时间先后顺序排列的多个订单状态;其中,订单状态包括物流节点标识、订单动作对应的动作标识以及订单动作发生时间所属的时间片段的时间片标识;
训练单元92,用于以每个订单的多个订单状态来训练循环神经网络模型;其中,循环神经网络模型包括多个输入节点,与每个输入节点相连的隐藏节点,与每个隐藏节点相连的输出节点且多个隐藏节点相连;
确定单元93,用于将训练后的循环神经网络模型,确定为订单状态预测模型。
关于订单状态预测模型的训练装置的具体实现过程可以参见图1b,在此不再赘述。
参见图10,本申请提供一种订单数量的预测装置,包括:
订单状态获取单元101,用于获取至少一个订单的订单状态;
预测单元102,用于确定所述至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率;
发生概率确定单元103,用于确定预测订单状态在多个订单中的发生概率;
订单数量确定单元104,用于确定预测订单状态对应的订单数量。
属性确定单元105,用于确定统计属性;所述统计属性包含的物流节点标识、动作标识、时间片标识中的一个或多个属性;
订单状态确定单元106,用于依据所述统计属性确定至少一个预测订单状态;
订单数量计算单元107,用于将所述至少一个预测订单状态对应订单数量的和值,确定为所述统计属性对应的订单数量。
其中,所述预测单元102包括:
输入单元1021,用于输入订单的订单状态至订单状态预测模型;其中,所述订单状态预测模型为以订单状态为输入,用于对订单状态的后续订单状态进行预测,并输出预测订单状态和预测订单状态对应发生概率的机器模型;
输出单元1022,用于获得所述订单状态模型输出若干预测订单状态,以及若干预测订单状态的原概率;
筛选单元1023,用于对若干个预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率。
其中,所述筛选单元1023包括:
确定标识单元,用于在订单的物流路径规划中,确定订单的下一物流节点标识和动作标识;
保留单元,用于在订单的若干预测订单状态中进行筛选操作,保留包含订单的下一物流节点标识和动作标识的多个预测订单状态;
概率计算单元,用于计算筛选后多个预测订单状态的原概率的和值,分别将多个预测订单状态的原概率与所述和值的比值,确定为多个预测订单状态对应的发生概率。
关于订单数量的预测装置具体实现过程,可以参见图4-图6所示的过程,在此不再赘述。
参见图11,本申请还提供了一种订单状态的预测装置,包括:
订单状态确定单元111,用于确定订单的订单状态;其中,订单状态包括物流节点标识、动作标识以及表示时间片段的时间片标识;
预测单元112,用于确定订单的订单状态对应的若干预测订单状态以及若干预测订单状态对应的原概率;
筛选单元113,用于对订单的若干预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率;
输出单元114,用于输出发生概率最大预测订单状态。
第一构建单元115,用于构建以订单标识为主键,多个预测订单状态和发生概率为数据值的订单维表;
第二构建单元116,用于构建以预测订单状态为主键,订单标识的和订单标识对应的订单中该预测订单状态的发生概率为数据值的状态维表;
更新单元117,用于在重新确定订单的预测订单状态后,更新订单维表和状态维表。
物流预测单元118,用于接收包含订单标识的订单物流预测指令;在订单维表中查找到订单标识对应的多个预测订单状态组;分别在多个预测订单状态组中,确定出最大发生概率对应的预测订单状态;按顺序输出多个预测订单状态。
订单数量查询单元119,用于接收包含预测订单状态的订单数量查询指令;在状态维表中,查找预测订单状态在多个订单中的发生概率;确定预测订单状态对应的订单数量。关于订单状态的预测装置具体实现过程,可以参见图4-图6所示的过程,在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (30)
1.一种订单数量的预测方法,其特征在于,包括:
获取至少一个订单的订单状态;
确定所述至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率;
确定预测订单状态在多个订单中的发生概率;
确定预测订单状态对应的订单数量。
2.如权利要求1所述的方法,其特征在于,所述确定至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率,包括:
输入订单的订单状态至订单状态预测模型;
获得所述订单状态模型输出若干预测订单状态,以及若干预测订单状态的原概率;
对若干个预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率;
其中,所述订单状态预测模型为以订单状态为输入,用于对订单状态的后续订单状态进行预测,并输出预测订单状态和预测订单状态对应发生概率的机器模型。
3.如权利要求2所述的方法,其特征在于,所述对若干个预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率,包括:
在订单的物流路径规划中,确定订单的下一物流节点标识和动作标识;
在订单的若干预测订单状态中进行筛选操作,保留包含订单的下一物流节点标识和动作标识的多个预测订单状态;
计算筛选后多个预测订单状态的原概率的和值;
分别将多个预测订单状态的原概率与所述和值的比值,确定为多个预测订单状态对应的发生概率。
4.如权利要求1所述的方法,其特征在于,所述确定预测订单状态在多个订单中的发生概率,包括:
按照订单状态对多个订单的多个预测订单状态及发生概率进行分类汇总;
在分类汇总结果中,确定预测订单状态对应的多个订单的发生概率。
5.如权利要求1所述的方法,其特征在于,所述确定预测订单状态对应的预测订单数量,包括:
基于一预测订单状态对应的多个订单的发生概率,计算该预测订单状态的期望;
将所述期望确定为该预测订单状态的订单数量。
6.如权利要求1所述的方法,其特征在于,所述订单状态包括订单所在物流节点标识,订单动作对应的动作标识,以及,订单动作发生时间所属的时间片段的时间片标识;则获取至少一个订单的订单状态包括:
获取至少一个订单的订单数据;
按照订单状态数据格式,将订单数据转换为订单状态。
7.如权利要求6所述的方法,其特征在于,在所述确定预测订单状态对应的订单数量后,还包括:
确定统计属性;所述统计属性包含的物流节点标识、动作标识、时间片标识中的一个或多个属性;
依据所述统计属性确定至少一个预测订单状态;
将所述至少一个预测订单状态对应订单数量的和值,确定为所述统计属性对应的订单数量。
8.如权利要求1所述的方法,其特征在于,还包括:
在订单的物流路径规划中确定最后一条路径规划;
若订单的预测订单状态中物流节点标识和动作标识不对应最后一条路径规划,则在订单的多个预测订单状态中选择一个预测订单状态,并进入确定至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率的步骤。
9.如权利要求8所述的方法,其特征在于,还包括:
在进入确定至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率的步骤后,更新已有的预测订单状态以及预测订单状态对应的发生概率。
10.如权利要求9所述的方法,其特征在于,所述确定预测订单状态对应的订单数量,包括:
发送预测订单状态在多个订单中的发生概率,至预测订单状态中物流节点标识对应的执行终端,以供终端设备确定预测订单状态对应的订单数量;
在更新已有的预测订单状态以及预测订单状态对应的发生概率后,还包括:记录发生变化的预测订单状态和及其发生概率,仅发送发生变化的预设订单状态及其发生概率至终端设备,以供执行终端重新确定预测订单状态对应的订单数量。
11.一种订单数量的预测系统,其特征在于,包括:
服务器,用于获取至少一个订单的订单状态,确定所述至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率,确定预测订单状态在多个订单中的发生概率,确定预测订单状态对应的订单数量,发送预测订单状态对应的订单数量至终端设备;
终端设备,用于接收并输出预测订单状态对应的订单数量。
12.一种订单数量的预测系统,其特征在于,包括:
服务器,用于获取至少一个订单的订单状态,确定至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率,确定预测订单状态在多个订单中的发生概率,发送预测订单状态在多个订单中的发生概率至终端设备;
终端设备,用于接收预测订单状态在多个订单中的发生概率,并确定预测订单状态对应的订单数量,输出预测订单状态对应的订单数量。
13.如权利要求12所述的系统,其特征在于,
服务器,还用于在更新已有的预测订单状态以及预测订单状态对应的发生概率后,记录发生变化的预测订单状态和及其发生概率,仅发送发生变化的预设订单状态及其发生概率至终端设备;
终端设备,用于更新发生变化的预设订单状态及其发生概率,重新确定预测订单状态对应的订单数量。
14.一种订单状态的预测方法,其特征在于,包括:
确定订单的订单状态;其中,订单状态包括物流节点标识、动作标识以及表示时间片段的时间片标识;
确定订单的订单状态对应的若干预测订单状态以及若干预测订单状态对应的原概率;
对订单的若干预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率;
输出发生概率最大预测订单状态。
15.如权利要求14所述的方法,其特征在于,在确定筛选后的多个预测订单状态及多个预测订单状态的发生概率之后,还包括:
构建以订单标识为主键,多个预测订单状态和发生概率为数据值的订单维表;
构建以预测订单状态为主键,订单标识的和订单标识对应的订单中该预测订单状态的发生概率为数据值的状态维表。
16.如权利要求15所述的方法,其特征在于,在确定订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率之后,还包括:
确定订单的路径规划;
在预测订单状态中的物流节点标识和动作标识不对应路径规划中最后一条路径规划的情况下,重新进入确定订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率的步骤;
更新订单维表和状态维表。
17.如权利要求16所述的方法,其特征在于,所述更新订单维表和状态维表包括:
在所述订单维表中删除该订单标识对应的历史预测订单状态和历史发生概率,并在订单维表中写入订单标识的当前预测订单状态和当前发生概率;
在所述状态维表中删除该订单标识对应的历史预测订单状态和历史发生概率,并在订单维表中写入订单标识的当前预测订单状态和当前发生概率;
针对订单标识的每个当前预测订单状态:若在状态维表中查找到当前预测订单状态,则写入订单标识和当前预测订单状态的发生概率;若在状态维表未查找到当前预测订单状态,则在状态维表添加当前预测订单状态,并写入订单标识和当前预测订单状态的发生概率。
18.如权利要求17所述的方法,其特征在于,还包括:
接收包含订单标识的订单物流预测指令;
在订单维表中查找到订单标识对应的多个预测订单状态组;
分别在多个预测订单状态组中,确定出最大发生概率对应的预测订单状态;
按顺序输出多个预测订单状态。
19.如权利要求17所述的方法,其特征在于,还包括:
接收包含预测订单状态的订单数量查询指令;
在状态维表中,查找预测订单状态在多个订单中的发生概率;
确定预测订单状态对应的订单数量。
20.一种订单状态预测模型的训练方法,其特征在于,包括:
获取多个订单从起始物流节点至目的物流节点按时间先后顺序排列的多个订单状态;其中,订单状态包括物流节点标识、订单动作对应的动作标识以及订单动作发生时间所属的时间片段的时间片标识;
以每个订单的多个订单状态来训练循环神经网络模型;其中,循环神经网络模型包括多个输入节点,与每个输入节点相连的隐藏节点,与每个隐藏节点相连的输出节点且多个隐藏节点相连;
将训练后的循环神经网络模型,确定为订单状态预测模型。
21.一种订单数量的预测装置,其特征在于,包括:
订单状态获取单元,用于获取至少一个订单的订单状态;
预测单元,用于确定所述至少一个订单的订单状态对应的多个预测订单状态以及多个预测订单状态对应的发生概率;
发生概率确定单元,用于确定预测订单状态在多个订单中的发生概率;
订单数量确定单元,用于确定预测订单状态对应的订单数量。
22.如权利要求21所述的装置,其特征在于,所述预测单元包括:
输入单元,用于输入订单的订单状态至订单状态预测模型;其中,所述订单状态预测模型为以订单状态为输入,用于对订单状态的后续订单状态进行预测,并输出预测订单状态和预测订单状态对应发生概率的机器模型;
输出单元,用于获得所述订单状态模型输出若干预测订单状态,以及若干预测订单状态的原概率;
筛选单元,用于对若干个预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率。
23.如权利要求22所述的装置,其特征在于,所述筛选单元包括:
确定标识单元,用于在订单的物流路径规划中,确定订单的下一物流节点标识和动作标识;
保留单元,用于在订单的若干预测订单状态中进行筛选操作,保留包含订单的下一物流节点标识和动作标识的多个预测订单状态;
概率计算单元,用于计算筛选后多个预测订单状态的原概率的和值,分别将多个预测订单状态的原概率与所述和值的比值,确定为多个预测订单状态对应的发生概率。
24.如权利要求20所述的装置,其特征在于,还包括:
属性确定单元,用于确定统计属性;所述统计属性包含的物流节点标识、动作标识、时间片标识中的一个或多个属性;
订单状态确定单元,用于依据所述统计属性确定至少一个预测订单状态;
订单数量计算单元,用于将所述至少一个预测订单状态对应订单数量的和值,确定为所述统计属性对应的订单数量。
25.一种订单状态的预测装置,其特征在于,包括:
订单状态确定单元,用于确定订单的订单状态;其中,订单状态包括物流节点标识、动作标识以及表示时间片段的时间片标识;
预测单元,用于确定订单的订单状态对应的若干预测订单状态以及若干预测订单状态对应的原概率;
筛选单元,用于对订单的若干预测订单状态中进行筛选操作,确定筛选后的多个预测订单状态及多个预测订单状态的发生概率;
输出单元,用于输出发生概率最大预测订单状态。
26.如权利要求25所述的装置,其特征在于,还包括:
第一构建单元,用于构建以订单标识为主键,多个预测订单状态和发生概率为数据值的订单维表;
第二构建单元,用于构建以预测订单状态为主键,订单标识的和订单标识对应的订单中该预测订单状态的发生概率为数据值的状态维表。
27.如权利要求26所述的装置,其特征在于,还包括:
更新单元,用于在重新确定订单的预测订单状态后,更新订单维表和状态维表。
28.如权利要求25所述的装置,其特征在于,还包括:
物流预测单元,用于接收包含订单标识的订单物流预测指令;在订单维表中查找到订单标识对应的多个预测订单状态组;分别在多个预测订单状态组中,确定出最大发生概率对应的预测订单状态;按顺序输出多个预测订单状态。
29.如权利要求25所述的装置,其特征在于,还包括:
订单数量查询单元,用于接收包含预测订单状态的订单数量查询指令;在状态维表中,查找预测订单状态在多个订单中的发生概率;确定预测订单状态对应的订单数量。
30.一种订单状态预测模型的训练装置,其特征在于,包括:
获取单元,用于获取多个订单从起始物流节点至目的物流节点按时间先后顺序排列的多个订单状态;其中,订单状态包括物流节点标识、订单动作对应的动作标识以及订单动作发生时间所属的时间片段的时间片标识;
训练单元,用于以每个订单的多个订单状态来训练循环神经网络模型;其中,循环神经网络模型包括多个输入节点,与每个输入节点相连的隐藏节点,与每个隐藏节点相连的输出节点且多个隐藏节点相连;
确定单元,用于将训练后的循环神经网络模型,确定为订单状态预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711347589.2A CN109934368B (zh) | 2017-12-15 | 2017-12-15 | 订单数量和订单状态的预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711347589.2A CN109934368B (zh) | 2017-12-15 | 2017-12-15 | 订单数量和订单状态的预测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934368A true CN109934368A (zh) | 2019-06-25 |
CN109934368B CN109934368B (zh) | 2023-11-10 |
Family
ID=66979582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711347589.2A Active CN109934368B (zh) | 2017-12-15 | 2017-12-15 | 订单数量和订单状态的预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934368B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991907A (zh) * | 2019-12-05 | 2020-04-10 | 江苏艾佳家居用品有限公司 | 一种基于有限状态自动机的订单服务质量评估方法 |
CN112308280A (zh) * | 2019-08-02 | 2021-02-02 | 菜鸟智能物流控股有限公司 | 物流调度管理方法、装置、电子设备和存储介质 |
CN112541716A (zh) * | 2019-09-20 | 2021-03-23 | 北京三快在线科技有限公司 | 选择待配送任务节点的方法、装置、存储介质和电子设备 |
CN114742477A (zh) * | 2022-06-09 | 2022-07-12 | 未来地图(深圳)智能科技有限公司 | 企业订单数据处理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799674A (zh) * | 2012-07-17 | 2012-11-28 | 东北大学 | 面向大规模不确定物流网络的需求概率查询方法 |
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 |
US20170061368A1 (en) * | 2015-09-02 | 2017-03-02 | Alibaba Group Holding Limited | Method and apparatus for processing logistics path information |
CN107292418A (zh) * | 2017-05-23 | 2017-10-24 | 顺丰科技有限公司 | 一种运单滞留预测方法 |
-
2017
- 2017-12-15 CN CN201711347589.2A patent/CN109934368B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799674A (zh) * | 2012-07-17 | 2012-11-28 | 东北大学 | 面向大规模不确定物流网络的需求概率查询方法 |
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 |
US20170061368A1 (en) * | 2015-09-02 | 2017-03-02 | Alibaba Group Holding Limited | Method and apparatus for processing logistics path information |
CN107292418A (zh) * | 2017-05-23 | 2017-10-24 | 顺丰科技有限公司 | 一种运单滞留预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308280A (zh) * | 2019-08-02 | 2021-02-02 | 菜鸟智能物流控股有限公司 | 物流调度管理方法、装置、电子设备和存储介质 |
CN112541716A (zh) * | 2019-09-20 | 2021-03-23 | 北京三快在线科技有限公司 | 选择待配送任务节点的方法、装置、存储介质和电子设备 |
CN110991907A (zh) * | 2019-12-05 | 2020-04-10 | 江苏艾佳家居用品有限公司 | 一种基于有限状态自动机的订单服务质量评估方法 |
CN110991907B (zh) * | 2019-12-05 | 2022-07-26 | 江苏艾佳家居用品有限公司 | 一种基于有限状态自动机的订单服务质量评估方法 |
CN114742477A (zh) * | 2022-06-09 | 2022-07-12 | 未来地图(深圳)智能科技有限公司 | 企业订单数据处理方法、装置、设备及存储介质 |
CN114742477B (zh) * | 2022-06-09 | 2022-08-12 | 未来地图(深圳)智能科技有限公司 | 企业订单数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109934368B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934368A (zh) | 订单数量和订单状态的预测方法、装置及系统 | |
Huang et al. | An internet-of-things-based production logistics optimisation method for discrete manufacturing | |
CN112086958B (zh) | 一种基于多步回溯强化学习算法的输电网扩展规划方法 | |
Yu et al. | Combining local search into non-dominated sorting for multi-objective line-cell conversion problem | |
CN110910659A (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
US7877337B2 (en) | Auto-adaptive network for sensor data processing and forecasting | |
CN106485589A (zh) | 一种基于物联网的农业企业集团信息化管理系统 | |
CN106793031A (zh) | 基于集合竞优算法的智能手机能耗优化方法 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN114021811A (zh) | 基于注意力改进的交通预测方法及计算机介质 | |
CN110851662A (zh) | 基于元路径的异质信息网络链路预测方法 | |
CN115796932B (zh) | 一种工程造价预测方法、装置、电子设备及存储介质 | |
CN103345552A (zh) | 电力ict通信网可靠性的评估方法及系统 | |
CN113469425A (zh) | 深度交通拥堵预测方法 | |
Gharib et al. | A dynamic dispatching problem to allocate relief vehicles after a disaster | |
CN114584406A (zh) | 一种联邦学习的工业大数据隐私保护系统及方法 | |
CN105913654B (zh) | 一种智能交通管理系统 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN117479049B (zh) | 用于智慧燃气的数据传输管控方法、物联网系统及介质 | |
EP2327231B1 (en) | Method and device for operating a system with distributed sensors | |
CN108829846A (zh) | 一种基于用户特征的业务推荐平台数据聚类优化系统及方法 | |
CN111861397A (zh) | 一种针对客户探访的智能排班平台 | |
CN116959249A (zh) | 基于cim的城市信息管理平台及方法 | |
CN115936238B (zh) | 一种全域风电中长期出力预测方法、系统、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |