CN111105176A - 数据处理方法、装置、设备和存储介质 - Google Patents
数据处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111105176A CN111105176A CN201811251694.0A CN201811251694A CN111105176A CN 111105176 A CN111105176 A CN 111105176A CN 201811251694 A CN201811251694 A CN 201811251694A CN 111105176 A CN111105176 A CN 111105176A
- Authority
- CN
- China
- Prior art keywords
- logistics
- data
- center
- analyzer
- characteristic data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 47
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims 1
- 230000032258 transport Effects 0.000 description 37
- 230000008569 process Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 17
- 238000012417 linear regression Methods 0.000 description 13
- 230000003203 everyday effect Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005945 translocation Effects 0.000 description 1
Images
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种数据处理方法、装置、设备和存储介质，以提高确定转运中心所需处理物流对象数量的准确性。所述的方法包括：提供分析器，所述分析器用于进行物流对象数量的预测；获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据；从所述物流关联数据中提取物流特征数据；采用所述分析器和物流特征数据，确定对应物流对象的数量。能够准确预测出转运中心需要运输的物流对象的数量，便于进行运输工具的调配。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种数据处理方法、一种数据处理装置、一种电子设备和一种存储介质。
背景技术
随着物流快递业的发展，物流快递业务给用户提供了高效、便捷的物流运输服务，用户通过快递寄出物流对象，也可通过快递接收物流对象。
物流对象从揽收、运输到配送的过程中，通常会通过一个或多个转运中心进行转运，例如从A地的转运中心发到B地的转运中心等。因此，每个转运中心每天都会收到大量的物流对象，也会运送出大量的物流对象。
转运中心每天需要运送的物流对象的数量是不定的，例如店铺促销可能导致物流对象数量增加等。这也导致转运中心向外运送物流对象时可能出现物流对象数量不足导致车辆未装满，或者，由于车的数量不够导致物流对象滞留等问题。
发明内容
本申请实施例提供了一种数据处理方法，以提高确定转运中心所需处理物流对象数量的准确性。
相应的，本申请实施例还提供了一种数据处理装置、一种电子设备和一种存储介质，用以保证上述方法的实现及应用。
为了解决上述问题，本申请实施例公开了一种数据处理方法，所述的方法包括：提供分析器，所述分析器用于进行物流对象数量的预测；获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据；从所述物流关联数据中提取物流特征数据；采用所述分析器和物流特征数据，确定对应物流对象的数量。
可选的，所述采用所述分析器和物流特征数据，确定对应物流对象的数量，包括：依据所述物流特征数据，确定第一转运中心对应的状态特征数据；将所述状态特征数据输入到所述分析器中，得到预测的物流对象的数量。
可选的，所述依据所述物流特征数据，确定第一转运中心对应的状态特征数据，包括：确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据。
可选的，所述从所述物流关联数据中提取物流特征数据，包括：从订单数据提取该物流对象的地址特征数据，以及从物流数据中提取物流节点对应的节点特征数据。
可选的，所述确定第一转运中心和流向信息，包括：将从所述订单数据提取的物流对象的地址特征数据，与所述物流数据中的节点特征数据进行匹配，确定与不同地址对应的第一转运中心；依据所述第一转运中心和对应的末端转运中心确定流向信息；其中，所述第一转运中心包括始发转运中心和/或中间转运中心。
可选的，所述依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据，包括：将所述地址特征数据和流向信息进行匹配，确定匹配的地址特征数据；对所述匹配的地址特征数据对应的节点特征数据进行统计，确定所述第一转运中心对应的状态特征数据。
可选的，所述第一转运中心包括始发转运中心，所述分析器包括第一分析器；所述状态特征数据包括：目标物流节点的物流对象数量，所述目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。
可选的，所述目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。
可选的，所述第一转运中心包括中间转运中心，所述分析器包括第二分析器；所述状态特征数据包括：第一物流节点的物流对象数量，所述第一物流节点包括第一转运中心对应的物流节点。
可选的，所述第一物流节点的物流对象数量包括：已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
可选的，所述分析器包括第一分析器和第二分析器，所述确定对应物流对象的数量包括：将所述第一分析器对应预测的第一数量和所述第二分析器对应预测的第二数量的和值，作为所述物流对象的数量。
可选的，还包括：依据所述物流对象的数量，进行对应运输工具的调配。
本申请实施例还公开了一种数据处理方法，所述的方法包括：获取物流关联数据，所述物流关联数据包括：物流数据和订单数据；从所述物流关联数据中提取物流特征数据；依据所述物流特征数据进行训练对应的分析器。
可选的，所述从所述物流关联数据中提取物流特征数据，包括：从物流数据中提取物流节点对应的节点特征数据；从订单数据提取该物流对象的地址特征数据。
可选的，所述依据所述物流特征数据训练分析器，包括：确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据和输出数据；依据所述状态特征数据进行训练，调整所述分析器的参数。
可选的，所述依据所述状态特征数据进行训练，调整所述分析器的参数，包括：将所述状态特征数据输入所述分析器，得到对应的分析结果；将所述分析结果和输出数据进行比较，依据比较结果调整所述分析器的参数。
可选的，所述第一转运中心包括始发转运中心，所述分析器包括第一分析器；所述状态特征数据包括：目标物流节点的物流对象数量，所述目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。
可选的，所述目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。
可选的，所述第一转运中心包括中间转运中心，所述分析器包括第二分析器；所述状态特征数据包括：第一物流节点的物流对象数量，所述第一物流节点包括第一转运中心对应的物流节点。
可选的，所述第一物流节点的物流对象数量包括：已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
本申请实施例还公开了一种数据处理装置，所述的装置包括：提供模块，用于提供分析器，所述分析器用于进行物流对象数量的预测；获取模块，用于获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据；提取模块，用于从所述物流关联数据中提取物流特征数据；预测模块，用于采用所述分析器和物流特征数据，确定对应物流对象的数量。
本申请实施例还公开了一种数据处理装置，所述的装置包括：数据获取模块，用于获取物流关联数据，所述物流关联数据包括：物流数据和订单数据；特征提取模块，用于从所述物流关联数据中提取物流特征数据；训练模块，用于依据所述物流特征数据进行训练对应的分析器。
本申请实施例还公开了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本申请实施例中一个或多个所述的数据处理方法。
本申请实施例还公开了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本申请实施例中一个或多个所述的数据处理方法。
本申请实施例还公开了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本申请实施例中一个或多个所述的数据处理方法。
本申请实施例还公开了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本申请实施例中一个或多个所述的数据处理方法。
与现有技术相比，本申请实施例包括以下优点：
在本申请实施例中，可提供分析器进行物流对象数量的预测，因此可获取设定时间内的物流关联数据，然后从物流关联数据中提取物流特征数据，再采用所述分析器和物流特征数据，确定对应物流对象的数量，从而能够准确预测出转运中心需要运输的物流对象的数量，便于进行运输工具的调配。
附图说明
图1是本申请的一种数据处理方法实施例的步骤流程图；
图2是本申请的另一种数据处理方法实施例的步骤流程图；
图3是本申请的一种分析器训练方法实施例的步骤流程图；
图4是本申请的一种预测方法实施例的步骤流程图；
图5是本申请实施例的一种第一分析器的训练方法实施例的步骤流程图；
图6是本申请实施例的一种第二分析器的训练方法实施例的步骤流程图；
图7是本申请的另一种预测方法实施例的步骤流程图
图8是本申请一种数据处理装置实施例的结构框图；
图9是本申请一种数据处理装置可选实施例的结构框图；
图10是本申请另一种数据处理装置实施例的结构框图
图11是本申请另一种数据处理装置可选实施例的结构框图；
图12是本申请一实施例提供的装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请实施例中，物流系统是物流对象从供应地向接收地的实体流动处理的系统，可包括运输、储存、装卸搬运、包装、流通加工、配送、信息处理等功能。则物流对象指的是物流系统中处理的对象如物品、包裹等。物流中心是物流系统中的基础设施，物流中心包括转运中心，转运中心用于对物流对象进行转运，可以承担物流对象通过一种或多种运输方式进行转运的任务，如从配送站等网点、其他转运中心接收物流对象，又如将物流对象转运给其他转运中心、发送给配送站等网点。
转运中心需要将进入的物流对象转运出去，但是由于每天转运中心需要运送的物流对象的数量是不定的，若车辆等运输工具调配不合理，就可以可能导致运输工具未装满，或者由于运输工具不够而导致物流对象滞留等问题。
本申请实施例可进行转运中心对应转运物流对象的数量的预测，从而提高运输工具调配的准确性。可通过分析器对包括转运中心在内的物流中心对应需要运送的物流对象的数量进行预测，从而能够基于预测的物流对象的数量进行运输工具的调配。
其中，分析器也可称为分析模型、用于分析预测的数据集合等，该分析器可基于各种可进行预测分析的数据模型构建，如通过线性回归模型构建分析器等。其中，数学模型是运用数理逻辑方法和数学语言建构的科学或工程模型，数学模型是针对参照某种事物系统的特征或数量依存关系，采用数学语言，概括地或近似地表述出的一种数学结构，这种数学结构是借助于数学符号刻画出来的某种系统的纯关系结构。数学模型可以是一个或一组代数方程、微分方程、差分方程、积分方程或统计学方程及其组合，通过这些方程定量地或定性地描述系统各变量之间的相互关系或因果关系。除了用方程描述的数学模型外，还有用其他数学工具，如代数、几何、拓扑、数理逻辑等描述的模型。数学模型描述的是系统的行为和特征而不是系统的实际结构。
通过分析器可预测物流中心需要运送的物流对象的数量，以应用于转运中心为例。
物流对象可在不同转运中心之间转运，物流对象的转运过程至少包括始发转运中心和末端转运中心，该始发转运中心为转运该物流对象的第一个转运中心，所述末端转运中心为转运该物流对象的最后一个转运中心，转运过程可能还涉及到其他中间转运中心，中间转运中心为在始发转运中心和末端转运中心之间进行该物流对象转运的转运中心。每个转运中心在进行物流对象的转运过程中，通常是依据末端转运中心进行物流对象的分配，也就是依据末端转运中心确定该物流对象的流向信息，依据流向信息进行物流对象的转运分配。需要预测的转运中心可为始发转运中心，也可为中间转运中心，可按照流向进行预测，因此可依据末端转运中心进行预测。
其中，对于分析器的训练可通过如下步骤实现：
参照图1，示出了本申请的一种数据处理方法实施例的步骤流程图。
步骤102，获取物流关联数据。
可在设定时间内收集物流对象的物流关联数据，作为样本数据进行分析器的训练。其中，物流关联数据指的是该物流过程中与物流相关的数据，可依据物流节点、物流对象进行物流关联数据的获取。物流关联数据包括：物流数据和订单数据。其中，物流数据指的是物流对象的物流详情数据，可包括物流标识、该物流对象对应揽收、运输、配送等各个物流节点的数据；订单数据指的是物流对象关联订单的数据，如订单标识、商品名称等商品数据、收货地址、发货地址等，订单中的商品或该商品对应的包裹为物流对象。
例如，商品H的订单数据包括：订单标识(或称订单编号)、商品名称，收货地址、发货地址等地址信息、关联的物流标识等各种数据；依据该物流标识可确定该商品H对应物流对象的物流数据，如物流标识，物流过程中各物流节点的数据。如X1时间从R网点揽收，又如X2时间从R网点发往Q转运中心等。
步骤104，从所述物流关联数据中提取物流特征数据。
物流特征数据为物流对象在物流过程中处理的特征数据，如在各物流节点处理的特征数据等，物流过程可由各个物流节点串联组合，物流过程可包括以下至少一种物流节点：发货节点、揽收节点、网点处理节点、转运中心处理节点、配送节点、签收节点等，其中，网点处理节点可包括网点接收节点和/或网点发送节点，转运中心处理节点包括转运中心接收节点和/或转运中心发送节点，且该物流过程中可包括至少两个转运中心分别对应的转运中心处理节点，也就是一个物流过程中可包括始发转运中心的转运中心处理节点和末端转运中心的转运中心处理节点，还可包括至少一个中间转运中心的转运中心处理节点。
基于上述物流过程可进行物流特征数据的提取，其中，可从物流数据中提取物流节点对应的节点特征数据，对于一个已完结的物流数据，可从中提取到物流过程中各个物流节点对应的节点特征数据，对于一个未完结的物流数据可从中提取到物流过程从初始到最新的物流节点对应的节点特征数据。其中，具有签收节点的物流数据为完结的物流数据。节点特征数据为该物流节点对应的特征，包括物流节点类别和处理时间。从而便于确定在各个物流节点对应的处理时间、数量等信息。
从订单数据提取该物流对象的地址特征数据，包括收货地址和发货地址，将各订单数据与对应的物流数据进行匹配，即可确定各收货地址对应的始发转运中心，以及发货地址对应的末端转运中心，从而便于进行始发转运中心和末端转运中心的预测。
步骤106，依据所述物流特征数据训练分析器。
基于物流特征数据可进行分析器的训练，其中，始发转运中心和中间转运中心都会将物流对象向末端转运中心运输，分析器可预测转运中心需要发出的物流对象的数量，因此可针对每个转运中心分别训练分析器。
对于分析器所预测的转运中心称为第一转运中心，一个可选实施例中，所述依据所述物流特征数据训练分析器，包括：确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；依据所述流向信息和所述物流特征数据，确定第一转运中心对应的状态特征数据和输出数据；依据所述状态特征数据进行训练，调整所述分析器的参数。
转运中心按照流向进行运输工具的调配，因此可针对每个流向分别预测物流对象的数量，从而可按照第一转运中心和末端转运中心确定对应的流向信息，该流向信息可指向末端转运中心。状态特征数据指的是处于指定状态的物流对象的数量信息，指定状态可依据物流节点确定，输出数据指的是该第一转运中心对应运输物流对象的数量信息，也就是通过统计得到的物流对象的数量，输出数据可依据状态特征数据确定。以第一转运中心为基点进行物流特征数据的处理，统计设定时间内流向末端的状态特征数据和输出数据。
一个可选实施例中，所述依据所述状态特征数据进行训练，调整所述分析器的参数，包括：将所述状态特征数据输入所述分析器，得到对应的分析结果；将所述分析结果和输出数据进行比较，依据比较结果调整所述分析器的参数。可以将状态特征数据输入到分析器中，通过分析器处理可得到相应的输出结果，该输出结果为预测的该第一转运中心的物流对象数量，输出数据为统计得出的物流对象的数量，然后可将该预测的物流对象数量和统计得出的物流对象的数量进行比较，依据比较结果调整分析器的参数，提高分析器预测的准确性。
在实际处理过程中，可定时如每日、每周等收集最近设定时间的物流关联数据，进行分析器的训练过程，从而不断的调整分析器的参数，以提高分析器预测的准确性。
本申请实施例中，所述第一转运中心包括始发转运中心和/或中间转运中心，第一转运中心在物流过程中的作用不同，相应所要统计的状态特征数据也不同，对应得到输出数据也不同。本申请实施例中，可统计设定时间内的状态特征数据和输出数据。
一个可选实施例中，所述第一转运中心包括始发转运中心，所述分析器包括第一分析器；所述状态特征数据包括：目标物流节点的物流对象数量，所述目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。所述目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。其中，到达指的是达到第一转运中心。
对于始发转运中心，处于发货状态、揽收状态、网点处理状态等均可能会发往始发转运中心，由始发转运中心向通往末端转运中心的下一个物流节点发送，因此可通过物流状态截止到第一转运中心对应的第一物流节点为止的物流对象的数量，可依据物流状态对应物流节点的节点特征数据确定。
其中，各目标物流节点的物流对象数量对应相同的第一转运中心和末端转运中心，所述发货数量指的是处于发货状态的物流对象的数量；揽收数量指的是处于揽收状态的物流对象的数量；网点发出数量指的是处于网点发出状态的物流对象的数量；已到达数量指的是处于到达始发转运中心状态的物流对象的数量。通常物流对象从发货、揽收、网点发出直到到达转运中心都是在24小时(一天)甚至更短时间内可完成的，相应的，这些物流对象也是转运中心需要转运出去的物流对象，因此可通过上述物流节点统计出处于相应状态的物流对象的数量，来预测第一转运中心要发出物流对象的数量。
但是，有些情况中，可能获取在发货、揽收、网点发出后由于各种原因超过24小时(一天)或规定的时间未达到转运中心的物流对象，这些也可能会达到第一转运中心，作为需要转运出去的物流对象，因此还可在第一时间范围内统计如下物流对象的数量：发货但未到达数量指的是处于发货状态但未到达始发转运中心的物流对象数量；揽收但未到达数量指的是处于揽收状态但未到达始发转运中心的物流对象数量；网点发出但未到达数量指的是处于网点发出状态但未到达始发转运中心的物流对象数量。
通过上述目标物流节点的物流对象数量可进行第一分析器的训练，从而调整第一分析器的参数以提高预测的准确性。以一种线性回归模型作为第一分析器为例，论述第一分析器的训练过程。
例如第一转运中心为转运中心C1，末端转运中心C2。以第一转运中心C1为始发转运中心，可以任意时间为时间节点进行特征数据的提取来训练第一分析器。例如从历史数据中提取n日已完结物流过程对应的物流关联数据，然后基于该n日内的物流关联数据提取截止到X点从始发转运中心C1到末端转运中心C2流向对应的状态特征数据，包括如下数据：
截止到T日X点，从转运中心C1到末端转运中心C2流向的发货数量F1；
截止到T日X点，从转运中心C1到末端转运中心C2流向的揽收数量F2；
截止到T日X点，从转运中心C1到末端转运中心C2流向的网点发出数量F3；
截止到T日X点，从转运中心C1到末端转运中心C2流向已到达数量F4；
T-n日到T日X点，从转运中心C1到末端转运中心C2流向的发货但未到达数量F5；
T-n日到T日X点，从转运中心C1到末端转运中心C2流向的揽收但未到达数量F6；
T-n日到T日X点，从转运中心C1到末端转运中心C2流向的网点发出但未到达数量F7。
其中，T在n日内取值。并且可统计上述数据中在T日总计需要运输的物流对象的数量为输出数据Y1。基于上述状态特征数据可训练线性回归模型：
f(F)＝w1F1+w2F2+…+w7F7+b1
其中，w1、w2…W7分别为F1、F2…F7的权重，b1为截距。
从而可将提取的状态特征数据输入到线性回归模型中，得到输出结果f(F)，将f(F)和输出数据Y1进行比较，得到比较结果，然后依据比较结果调整权重w1、w2…W7，以及截距b1。
本申请实施例中，可基于任意时间节点训练第一分析器，如针对第一转运中心的每个流向的每个整点分别训练第一分析器，从而在不同时间可通过不同的第一分析器进行预测，提高准确性。
另一个可选实施例中，所述第一转运中心包括中间转运中心，所述分析器包括第二分析器；所述状态特征数据包括：第一物流节点的物流对象数量，所述第一物流节点包括第一转运中心对应的物流节点。所述第一物流节点的物流对象数量包括：已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
对于中间转运中心，会将从前一个转运中心获取的物流对象向末端转运中心运送，因此可基于前一个转运中心向第一转运中心转运的物流对象确定状态特征数据。其中：已到达数量指的是从前一个转运中心向第一转运中心转运的状态为已到达第一转运中心的物流对象的数量；发出但未到达数量指的是前一个转运中心向第一转运中心转运，但状态为已发出，还未到达第一转运中心的物流对象的数量。通过上述状态特征数据可进行第二分析器的训练，从而调整第二分析器的参数以提高预测的准确性。
以一种线性回归模型作为第二分析器为例，论述第二分析器的训练过程。例如第一转运中心为转运中心C1，末端转运中心C2。以第一转运中心C1为中间转运中心。例如从历史数据中提取n日已完结物流过程对应的物流关联数据，然后基于该n日内的物流关联数据确定从中间转运中心C1到末端转运中心C2流向对应的状态特征数据，包括如下数据：
T日从前一个转运中心向第一转运中心C1发出并且已到达第一转运中心C1，末端转运中心是C2的已到达数量F8；
T-m日从前一个转运中心向第一转运中心C1发出但到达第一转运中心C1，末端转运中心是C2的发出但未到达数量F9。
其中，T在n日内取值，m不大于n。并且可统计上述数据中在T日总计需要运输的物流对象的数量为输出数据Y2。基于上述状态特征数据可训练线性回归模型，一种示例如下：
f(F)＝w8F8+w9F9+b2
其中，w8、w9分别为F8、F9的权重，b2为截距。
从而可将提取的状态特征数据输入到线性回归模型中，得到输出结果f(F)，将f(F)和输出数据Y2进行比较，得到比较结果，然后依据比较结果调整权重w8、w9，以及截距b2。
在实际处理中，可在每天都进行上述两种分析器的训练并将训练得到的参数进行存储，从而第二天可基于最新的参数进行分析器的预测。例如在每日凌晨会把17点-23点之间的所有流向的分析器训练出来，对于训练得到的分析器的参数，可同步到数据库中。例如采用键-值(key-value)的方式存储。例如通过key为first_hh_A1_A2查询第一分析器的参数信息，得到value为相应的权重、截距等，其中，first表征为针对始发转运中心的第一分类器的查询，hh表征时间节点，A1对应始发转运中心的标识，A2对应末端转运中心的标识，从而上述通过first_17_C1_C2可查询始发时间节点为17点，从转运中心C1向末端转运中心C2对应第一分析器的参数。
基于训练得到的分析器可进行第一转运中心对应需要转运的物流对象的数量，从而进行运输工具的调配。其中，基于分析器进行物流对象的数量的预测可通过如下步骤实现：
参照图2，示出了本申请的另一种数据处理方法实施例的步骤流程图。
步骤202，提供分析器，所述分析器用于进行物流对象数量的预测。基于训练得到的分析器可提供进行物流对象数量的预测。
步骤204，获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据。
依据转运中心每日运送物流对象的规则，可确定进行预测的设定时间，例如从前一日17时到当日17时，又如从当日5时到17时，以及从前一日17时到当日5时等，基于该设定时间可获取设定时间内的物流关联数据。其中，可获取订单数据及其关联的物流数据，物流数据从物流过程的首个物流节点开始，如将已发货对应物流节点确定为首个物流节点。
步骤206，从所述物流关联数据中提取物流特征数据。
基于物流关联数据可提取到物流特征数据，如提取订单数据、物流节点相关的数据等，以便于后续基于物流节点确定物流状态，进而进行预测。其中，所述从所述物流关联数据中提取物流特征数据，包括：从订单数据提取该物流对象的地址特征数据，以及，从物流数据中提取物流节点对应的节点特征数据。可从订单数据中获取地址特征数据，包括收货地址和发货地址，基于该收货地址可确定对应的始发转运中心，并且，基于发货地址可确定对应的末端转运中心。基于末端转运中心能够确定物流对象的流向信息。还可基于订单数据关联的物流数据，提取该物流对象已执行的物流过程中物流节点对应的节点特征数据，其中可提取最新物流节点的节点特征数据。
为了进行第一转运中心对应的预测，因此所提取的最新物流节点可包括第一转运中心对应的第一物流节点，第一物流节点之前的物流节点。若当前的最新的物流节点在第一物流节点之后，则针对第一转运中心的预测可丢弃该数据，最新可依据时间确定，距离执行预测的时间最近的物流节点为最新的物流节点。
步骤208，采用所述分析器和物流特征数据，确定对应物流对象的数量。
可获取系统中存储的分析器对应的参数，然后依据该参数对应的分析器和物流特征数据，可确定对应物流对象的数量。其中，所述采用所述分析器和物流特征数据，确定对应物流对象的数量，包括：依据所述物流特征数据，确定第一转运中心对应的状态特征数据；将所述状态特征数据输入到所述分析器中，得到预测的物流对象的数量。依据地址特征数据可确定出末端转运中心，其中，针对始发转运中心的预测也可依据地址特征数据确定，而针对中间转运中心的预测则可依据物流数据中的物流节点确定，从而确定出第一转运中心对应的物流特征数据，再结合末端转运中心确定流向信息，从而得到该第一转运中心对应处于各物流状态的状态特征数据，将所述状态特征数据输入到所述分析器中，分析器即可基于该状态特征数据进行处理，输出相应的数量信息，作为预测的物流对象的数量。
一个可选实施例中，所述依据所述物流特征数据，确定第一转运中心对应的状态特征数据，包括：确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据。转运中心按照流向进行运输工具的调配，因此可针对每个流向分别预测物流对象的数量。因此基于从所述订单数据提取该物流对象的地址特征数据进行处理，如基于收货地址可确定末端转运中心，基于发货地址以及所述物流数据中的节点特征数据可确定当前的物流节点，从而确定出对应的第一转运中心，如发货地址对应的始发转运中心为第一转运中心，又如当前节点对应的中间转运中心为第一转运中心等，进而可确定出第一转运中心指向该末端转运中心处理的流向信息。从而以该流向信息确定该流向对应的物流特征数据，再统计所述第一转运中心流向该末端转运中心对应的状态特征数据，其中可按照物流对象对应的物流状态进行统计，如统计不同物流状态对应物流对象的数量作为状态特征数据等。
所述依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据，包括：将所述地址特征数据和流向信息进行匹配，确定匹配的地址特征数据；对所述匹配的地址特征数据对应的节点特征数据进行统计，确定所述第一转运中心对应的状态特征数据。本申请实施例中，所获取的第一转运中心的物流特征数据可能包括多种不同的流向信息，因此可基于地址特征数据中的收货地址确定末端转运中心，进而匹配到流向信息，在该流向信息上，对匹配的地址特征数据对应的节点特征数据进行统计，从而确定出第一转运中心对应各个物流状态的状态特征数据。
本申请实施例中，始发转运中心和中间转运中心都会将物流对象向末端转运中心运输，分析器可预测转运中心需要发出的物流对象的数量，因此所预测的数量包括第一转运中心作为始发转运中心和中间转运中心对应预测的数量，可提高预测的准确性。第一转运中心在物流过程中的作用不同，相应所要统计的状态特征数据也不同，因此可基于转运中心的作用确定不同的分析器分别进行预测。则所述分析器包括第一分析器和第二分析器。所述第一分析器用于进行始发转运中心对应需要转运的物流对象的第一数量；第二分析器用于进行中间转运中心对应需要转运的物流对象的第二数量。所述确定对应物流对象的数量包括：将所述第一分析器对应预测的第一数量和所述第二分析器对应预测的第二数量的和值，作为所述物流对象的数量。
本申请实施例中，可基于转运中心的作用确定不同的分析器分别进行预测，然后再将不同分析器的预测结果相加求和，从而得到该第一转运中心需要运输的物流对象的总量。
所述第一转运中心包括始发转运中心，所述分析器包括第一分析器；所述状态特征数据包括：目标物流节点的物流对象数量，所述目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。所述目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。可将上述各目标物流节点的物流对象数量输入到第一分析器中，从而基于第一分析器对应配置的参数进行计算，可得到预测出的物流对象的第一数量。
以一种线性回归模型作为第一分析器为例，第一转运中心为转运中心C1，末端转运中心C2。以第一转运中心C1为始发转运中心。基于该当日内的物流关联数据确定截止到X点从始发转运中心C1到末端转运中心C2流向对应的状态特征数据，包括如下数据：
截止到当日X点，从转运中心C1到末端转运中心C2流向的发货数量F1；
截止到当日X点，从转运中心C1到末端转运中心C2流向的揽收数量F2；
截止到当日X点，从转运中心C1到末端转运中心C2流向的网点发出数量F3；
截止到当日X点，从转运中心C1到末端转运中心C2流向已到达数量F4；
1-n日到当日X点，从转运中心C1到末端转运中心C2流向的发货但未到达数量F5；
1-n日到当日X点，从转运中心C1到末端转运中心C2流向的揽收但未到达数量F6；
1-n日到当日X点，从转运中心C1到末端转运中心C2流向的网点发出但未到达数量F7。
可将上述状态特征数据输入到X点对应的第一线性回归模型中：
f(F)＝w1F1+w2F2+…+w7F7+b1
其中，w1、w2…W7分别为F1、F2…F7的权重，b1为截距，其中权重和截距等参数，可依据始发转运中心C1、末端转运中心C2、X点等作为key值查询数据库来获取。该第一线性回归模型输出的结果为预测的物流对象的第一数量。
所述第一转运中心包括中间转运中心，所述分析器包括第二分析器；所述状态特征数据包括：第一物流节点的物流对象数量，所述第一物流节点包括第一转运中心对应的物流节点。所述第一物流节点的物流对象数量包括：已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。可将上述各第一物流节点的物流对象数量输入到第二分析器中，从而基于第二分析器对应配置的参数进行计算，可得到预测出的物流对象的第二数量。
以一种线性回归模型作为第二分析器为例，第一转运中心为转运中心C1，末端转运中心C2。以第一转运中心C1为中间转运中心。基于当日的物流关联数据，确定从中间转运中心C1到末端转运中心C2流向对应的状态特征数据，包括如下数据：
当日从前一个转运中心向第一转运中心C1发出并且已到达第一转运中心C1，末端转运中心是C2的已到达数量F8；
1-m日从前一个转运中心向第一转运中心C1发出但到达第一转运中心C1，末端转运中心是C2的发出但未到达数量F9。
可将上述状态特征数据输入到对应的第二线性回归模型中：
f(F)＝w8F8+w9F9+b2
其中，w8、w9分别为F8、F9的权重，b2为截距，m的取值可依据需求确定如m为3。权重和截取可基于中间转运中心C1和m取值等确定。该第二线性回归模型输出的结果为预测的物流对象的第二数量。
将第一数量和第二数量相加取和值，为该第一转运中心需要转运出去的物流对象的总量。从而在一个可选实施例中，依据所述物流对象的数量，进行对应运输工具的调配。确定出第一转运中心需要转运出去的物流对象的总量后，可基于该物流对象的总量进行对应运输工具的调配。
本申请实施例中，运输工具可包括汽车、火车、飞机等各种运输工具。
在上述实施例的基础上，本申请实施例还提供了一种分析器的训练方法，可采用如图3所示的步骤：
步骤302，获取物流关联数据，所述物流关联数据包括：物流数据和订单数据。
步骤304，从物流数据中提取物流节点对应的节点特征数据，以及，从订单数据提取该物流对象的地址特征数据。
步骤306，确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定。
步骤308，依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据和输出数据。
步骤310，依据所述状态特征数据进行训练，调整所述分析器的参数。
其中，所述依据所述状态特征数据进行训练，调整所述分析器的参数，包括：将所述状态特征数据输入所述分析器，得到对应的分析结果；将所述分析结果和输出数据进行比较，依据比较结果调整所述分析器的参数。
基于上述实施例训练得到的分析器，可进行第一转运中心对应物流对象数量的预测，一种预测方法可采用如图4所示的步骤：
步骤402，提供分析器，所述分析器用于进行物流对象数量的预测。
步骤404，获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据。
步骤406，从订单数据提取该物流对象的地址特征数据，以及从物流数据中提取物流节点对应的节点特征数据。
步骤408，依据所述物流特征数据，确定第一转运中心对应的状态特征数据，将所述状态特征数据输入到所述分析器中，得到预测的物流对象的数量。
步骤410，依据所述物流对象的数量，进行对应运输工具的调配。
其中，所述依据所述物流特征数据，确定第一转运中心对应的状态特征数据，包括：确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据。所述依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据，包括：将所述地址特征数据和流向信息进行匹配，确定匹配的地址特征数据；对所述匹配的地址特征数据对应的节点特征数据进行统计，确定所述第一转运中心对应的状态特征数据。
在上述实施例的基础上，本申请实施例还提供了一种用于始发转运中心预测的第一分析器的训练方法，可采用如图5所示的步骤：
步骤502，获取物流关联数据，所述物流关联数据包括：物流数据和订单数据。
步骤504，从物流数据中提取物流节点对应的节点特征数据，以及，从订单数据提取该物流对象的地址特征数据，其中，所提取的目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。
步骤506，确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定。
步骤508，依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的第一输出数据，以及目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。
步骤510，将所述目标物流节点的物流对象数量输入所述第一分析器，得到对应的第一分析结果；将所述第一分析结果和第一输出数据进行比较，依据第一比较结果调整所述第一分析器的第一参数。
可通过上述状态特征数据可进行第一分析器的训练，从而调整第一分析器的参数以提高预测的准确性。
在上述实施例的基础上，本申请实施例还提供了一种用于中间转运中心预测的第二分析器的训练方法，可采用如图6所示的步骤：
步骤602，获取物流关联数据，所述物流关联数据包括：物流数据和订单数据。
步骤604，从物流数据中提取第一物流节点对应的节点特征数据，以及，从订单数据提取该物流对象的地址特征数据，其中，所述第一物流节点包括第一转运中心对应的物流节点。
步骤606，确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定。
步骤608，依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的第二输出数据，以及第一物流节点的物流对象数量，包括已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
步骤610，将所述目标物流节点的物流对象数量输入所述第二分析器，得到对应的第二分析结果；将所述第二分析结果和第二输出数据进行比较，依据第二比较结果调整所述第二分析器的第二参数。
通过上述状态特征数据可进行第二分析器的训练，从而调整第二分析器的参数以提高预测的准确性。
基于上述实施例训练得到的第一分析器和第二分析器，可进行第一转运中心对应物流对象总量的预测，一种预测方法可采用如图7所示的步骤：
步骤702，提供第一分析器和第二分析器；所述第一分析器用于进行始发转运中心对应需要转运的物流对象的第一数量；第二分析器用于进行中间转运中心对应需要转运的物流对象的第二数量。
步骤704，获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据。
步骤706，从订单数据提取该物流对象的地址特征数据，以及从物流数据中提取物流节点对应的节点特征数据；其中，所提取的目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。
步骤708，依据所述物流特征数据，确定第一转运中心对应的状态特征数据，将所述状态特征数据输入到所述分析器中，得到预测的物流对象的数量。
步骤710，确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定。
步骤712，以第一转运中心为始发转运中心，依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的第一输出数据，以及目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。
步骤714，将所述目标物流节点的物流对象数量输入所述第一分析器，得到预测的物流对象的第一数量。
步骤716，以第一转运中心为中间转运中心，依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的第二输出数据，以及第一物流节点的物流对象数量，包括已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
步骤718，将所述目标物流节点的物流对象数量输入所述第二分析器，得到预测的物流对象的第二数量。
步骤720，将所述第一分析器对应预测的第一数量和所述第二分析器对应预测的第二数量的和值，作为所述物流对象的数量。
步骤722，依据所述物流对象的数量，进行对应运输工具的调配。
本申请实施例可定时触发上述预测步骤对应流程的执行，可根据始发转运中心、中间转运中心、末端转运中心、时间节点等确定分析器对应的参数，然后采用相应的分析器进行预测，可以定时给出预测结果。例如基于转运中心的业务运输规则，可在每日10点-23点之间每小时分别进行预测，则可每小时定时给出最新预测的物流对象数量。
本申请实施例中，物流对象的预测始发转运中心、末端转运中心，可在依据订单进行发货时，预测出该物流对象对应始发转运中心、末端转运中心，从而确定出物流对象的流向。其中，物流对象对应始发转运中心，可基于订单数据中卖家标识、取货网点、发货地、收货地信息等至少一种信息进行预测。例如，基于历史数据预测出始发转运中心，末端转运中心和发货地、收货地的关系，又如物流公司在系统中配置了发货地址和始发转运中心、收货地址和末端转运中心的映射关系表等，得到末端转运中心等。
本申请实施例中，在进行转运中心对应各流向的物流对象数据时，对应的物流特征数据可实时获取，从而能够保证数据的时效性，提高预测的准确性。以往的数据分析都是离线统计T-1的数据，无法根据当天的实际情况进行分析。
本申请实施例，可将物流平台和电商平台结合进行预测，从而根据当日的电商平台的发货量，及物流平台当日的揽收量，网点发出量等数据的波动量，可以提前预估出当日转运中心对应需要运输的物流对象的数量，在电商平台的商家进行促销等导致发货量增加的场景中，能够提前预估出转运中心对应需要运输的物流对象的数量的增长。
预测可依据物流业务的需求，在每日至少一个时间点上，进行转运中心对应需要运输的物流对象的数量的预测，经过发明人验证，预测的准确率可90％以上，从而转运中心可以根据当日需要运输的物流对象的数量进行车辆等运输工具的调配。并且，每日持续在多个时间点上进行预测，使得预测的准确率不断提高。
基于预测的结果，在物流平台中，基于转运中心的视角、平台整体的视角可分别进行当日需要运输的物流对象的数量的查询。其中，基于转运中心的视角，专员中心可以查看本专员中心各个流向的需要运输的物流对象的数量；基于平台整体的视角，可以查看各个转运中心的所有流向总计需要运输的物流对象的数量，以及任一流向的需要运输的物流对象的数量等。便于及时获知业务状态，还可进行后续配送、前期揽收等各物流节点的调配。
需要说明的是，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。
在上述实施例的基础上，本实施例还提供了一种数据处理装置，应用于物流平台等与物流业务相关的各平台的服务器等电子设备中。
参照图8，示出了本申请一种数据处理装置实施例的结构框图，具体可以包括如下模块：
提供模块802，用于提供分析器，所述分析器用于进行物流对象数量的预测。
获取模块804，用于获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据。
提取模块806，用于从所述物流关联数据中提取物流特征数据。
预测模块808，用于采用所述分析器和物流特征数据，确定对应物流对象的数量。
综上，可提供分析器进行物流对象数量的预测，因此可获取设定时间内的物流关联数据，然后从物流关联数据中提取物流特征数据，再采用所述分析器和物流特征数据，确定对应物流对象的数量，从而能够准确预测出转运中心需要运输的物流对象的数量，便于进行运输工具的调配。
参照图9，示出了本申请一种数据处理装置可选实施例的结构框图，具体可以包括如下模块：
提供模块802，用于提供分析器，所述分析器用于进行物流对象数量的预测。
获取模块804，用于获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据。
提取模块806，用于从所述物流关联数据中提取物流特征数据。
预测模块808，用于采用所述分析器和物流特征数据，确定对应物流对象的数量。
调配模块810，用于依据所述物流对象的数量，进行对应运输工具的调配。
其中，预测模块808，包括：状态确定子模块8082和预测处理子模块8084，其中：
状态确定子模块8082，用于依据所述物流特征数据，确定第一转运中心对应的状态特征数据；
预测处理子模块8084，用于将所述状态特征数据输入到所述分析器中，得到预测的物流对象的数量。
所述状态确定子模块8082，用于确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据。
所述状态确定子模块8082，用于将从所述订单数据提取的物流对象的地址特征数据，与所述物流数据中的节点特征数据进行匹配，确定与不同地址对应的第一转运中心；依据所述第一转运中心和对应的末端转运中心确定流向信息；其中，所述第一转运中心包括始发转运中心和/或中间转运中心。
所述提取模块806，用于从订单数据提取该物流对象的地址特征数据，以及从物流数据中提取物流节点对应的节点特征数据。
所述状态确定子模块8082，用于将所述地址特征数据和流向信息进行匹配，确定匹配的地址特征数据；对所述匹配的地址特征数据对应的节点特征数据进行统计，确定所述第一转运中心对应的状态特征数据。
其中，所述第一转运中心包括始发转运中心，所述分析器包括第一分析器；所述状态特征数据包括：目标物流节点的物流对象数量，所述目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。所述目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。
所述第一转运中心包括中间转运中心，所述分析器包括第二分析器；所述状态特征数据包括：第一物流节点的物流对象数量，所述第一物流节点包括第一转运中心对应的物流节点。所述第一物流节点的物流对象数量包括：已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
其中所述分析器包括第一分析器和第二分析器，所述预测模块808，用于将所述第一分析器对应预测的第一数量和所述第二分析器对应预测的第二数量的和值，作为所述物流对象的数量。
在上述实施例的基础上，本实施例还提供了另一种数据处理装置，应用于物流平台等与物流业务相关的各平台的服务器等电子设备中。
参照图10，示出了本申请另一种数据处理装置实施例的结构框图，具体可以包括如下模块：
数据获取模块1002，用于获取物流关联数据，所述物流关联数据包括：物流数据和订单数据。
特征提取模块1004，用于从所述物流关联数据中提取物流特征数据。
训练模块1006，用于依据所述物流特征数据进行训练对应的分析器。
在实际处理过程中，可定时如每日、每周等收集最近设定时间的物流关联数据，进行分析器的训练过程，从而不断的调整分析器的参数，以提高分析器预测的准确性。
参照图11，示出了本申请另一种数据处理装置可选实施例的结构框图，具体可以包括如下模块：
数据获取模块1002，用于获取物流关联数据，所述物流关联数据包括：物流数据和订单数据。
特征提取模块1004，用于从所述物流关联数据中提取物流特征数据。
训练模块1006，用于依据所述物流特征数据进行训练对应的分析器。
其中，所述特征提取模块1004，用于从物流数据中提取物流节点对应的节点特征数据；从订单数据提取该物流对象的地址特征数据。
所述训练模块1006，包括：流向确定子模块10062、数据预处理子模块10064和分析器训练子模块10066，其中：
流向确定子模块10062，用于确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；
数据预处理子模块10064，用于依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据和输出数据；
分析器训练子模块10066，用于依据所述状态特征数据进行训练，调整所述分析器的参数。
所述分析器训练子模块10066，用于将所述状态特征数据输入所述分析器，得到对应的分析结果；将所述分析结果和输出数据进行比较，依据比较结果调整所述分析器的参数。
其中，所述第一转运中心包括始发转运中心，所述分析器包括第一分析器；所述状态特征数据包括：目标物流节点的物流对象数量，所述目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。所述目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。
所述第一转运中心包括中间转运中心，所述分析器包括第二分析器；所述状态特征数据包括：第一物流节点的物流对象数量，所述第一物流节点包括第一转运中心对应的物流节点。所述第一物流节点的物流对象数量包括：已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
本申请实施例可定时触发上述预测步骤对应流程的执行，可根据始发转运中心、中间转运中心、末端转运中心、时间节点等确定分析器对应的参数，然后采用相应的分析器进行预测，可以定时给出预测结果。例如基于转运中心的业务运输规则，可在每日10点-23点之间每小时分别进行预测，则可每小时定时给出最新预测的物流对象数量。
本申请实施例中，物流对象的预测始发转运中心、末端转运中心，可在依据订单进行发货时，预测出该物流对象对应始发转运中心、末端转运中心，从而确定出物流对象的流向。其中，物流对象对应始发转运中心，可基于订单数据中卖家标识、取货网点、发货地、收货地信息等至少一种信息进行预测。例如，基于历史数据预测出始发转运中心，末端转运中心和发货地、收货地的关系，又如物流公司在系统中配置了发货地址、收货地址映射末端转运中心的配置表，得到末端转运中心等。
本申请实施例中，在进行转运中心对应各流向的物流对象数据时，对应的物流特征数据可实时获取，从而能够保证数据的时效性，提高预测的准确性。以往的数据分析都是离线统计T-1的数据，无法根据当天的实际情况进行分析。
本申请实施例，可将物流平台和电商平台结合进行预测，从而根据当日的电商平台的发货量，及物流平台当日的揽收量，网点发出量等数据的波动量，可以提前预估出当日转运中心对应需要运输的物流对象的数量，在电商平台的商家进行促销等导致发货量增加的场景中，能够提前预估出转运中心对应需要运输的物流对象的数量的增长。
预测可依据物流业务的需求，在每日至少一个时间点上，进行转运中心对应需要运输的物流对象的数量的预测，经过发明人验证，预测的准确率可90％以上，从而转运中心可以根据当日需要运输的物流对象的数量进行车辆等运输工具的调配。并且，每日持续在多个时间点上进行预测，使得预测的准确率不断提高。
基于预测的结果，在物流平台中，基于转运中心的视角、平台整体的视角可分别进行当日需要运输的物流对象的数量的查询。其中，基于转运中心的视角，专员中心可以查看本专员中心各个流向的需要运输的物流对象的数量；基于平台整体的视角，可以查看各个转运中心的所有流向总计需要运输的物流对象的数量，以及任一流向的需要运输的物流对象的数量等。便于及时获知业务状态，还可进行后续配送、前期揽收等各物流节点的调配。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。
本申请实施例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，使得电子设备执行如上述实施例中一个或多个所述的方法。本申请实施例中，所述电子设备包括服务器(集群)、终端设备等。
本公开的实施例可被实现为使用任意适当的硬件，固件，软件，或及其任意组合进行想要的配置的装置，该装置可包括服务器(集群)、终端设备等电子设备。图12示意性地示出了可被用于实现本申请中所述的各个实施例的示例性装置1200。
对于一个实施例，图12示出了示例性装置1200，该装置具有一个或多个处理器1202、被耦合到(一个或多个)处理器1202中的至少一个的控制模块(芯片组)1204、被耦合到控制模块1204的存储器1206、被耦合到控制模块1204的非易失性存储器(NVM)/存储设备1208、被耦合到控制模块1204的一个或多个输入/输出设备1210，以及被耦合到控制模块1206的网络接口1212。
处理器1202可包括一个或多个单核或多核处理器，处理器1202可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，装置1200能够作为本申请实施例中所述物流相关平台对应服务器(集群)等电子设备。
在一些实施例中，装置1200可包括具有指令1214的一个或多个计算机可读介质(例如，存储器1206或NVM/存储设备1208)以及与该一个或多个计算机可读介质相合并被配置为执行指令1214以实现模块从而执行本公开中所述的动作的一个或多个处理器1202。
对于一个实施例，控制模块1204可包括任意适当的接口控制器，以向(一个或多个)处理器1202中的至少一个和/或与控制模块1204通信的任意适当的设备或组件提供任意适当的接口。
控制模块1204可包括存储器控制器模块，以向存储器1206提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器1206可被用于例如为装置1200加载和存储数据和/或指令1214。对于一个实施例，存储器1206可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，存储器1206可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块1204可包括一个或多个输入/输出控制器，以向NVM/存储设备1208及(一个或多个)输入/输出设备1210提供接口。
例如，NVM/存储设备1208可被用于存储数据和/或指令1214。NVM/存储设备1208可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备1208可包括在物理上作为装置1200被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备1208可通过网络经由(一个或多个)输入/输出设备1210进行访问。
(一个或多个)输入/输出设备1210可为装置1200提供接口以与任意其他适当的设备通信，输入/输出设备1210可以包括通信组件、音频组件、传感器组件等。网络接口1212可为装置1200提供接口以通过一个或多个网络通信，装置1200可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(一个或多个)处理器1202中的至少一个可与控制模块1204的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器1202中的至少一个可与控制模块1204的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例，(一个或多个)处理器1202中的至少一个可与控制模块1204的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器1202中的至少一个可与控制模块1204的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，装置1200可以但不限于是：服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，装置1200可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，装置1200包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
其中，检测装置中可采用主控芯片作为处理器或控制模块，传感器数据、位置信息等存储到存储器或NVM/存储设备中，传感器组可作为输入/输出设备，通信接口可包括包括网络接口。
本申请实施例还提供了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本申请实施例中一个或多个所述的数据处理方法。
本申请实施例还提供了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本申请实施例中一个或多个所述的数据处理方法。
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。
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数据处理方法、一种数据处理装置、一种电子设备和一种存储介质，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 (26)
1.一种数据处理方法，其特征在于，所述的方法包括：
提供分析器，所述分析器用于进行物流对象数量的预测；
获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据；
从所述物流关联数据中提取物流特征数据；
采用所述分析器和物流特征数据，确定对应物流对象的数量。
2.根据权利要求1所述的方法，其特征在于，所述采用所述分析器和物流特征数据，确定对应物流对象的数量，包括：
依据所述物流特征数据，确定第一转运中心对应的状态特征数据；
将所述状态特征数据输入到所述分析器中，得到预测的物流对象的数量。
3.根据权利要求2所述的方法，其特征在于，所述依据所述物流特征数据，确定第一转运中心对应的状态特征数据，包括：
确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；
依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据。
4.根据权利要求3所述的方法，其特征在于，所述从所述物流关联数据中提取物流特征数据，包括：
从订单数据提取该物流对象的地址特征数据，以及从物流数据中提取物流节点对应的节点特征数据。
5.根据权利要求4所述的方法，其特征在于，所述确定第一转运中心和流向信息，包括：
将从所述订单数据提取的物流对象的地址特征数据，与所述物流数据中的节点特征数据进行匹配，确定与不同地址对应的第一转运中心；
依据所述第一转运中心和对应的末端转运中心确定流向信息；
其中，所述第一转运中心包括始发转运中心和/或中间转运中心。
6.根据权利要求4所述的方法，其特征在于，所述依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据，包括：
将所述地址特征数据和流向信息进行匹配，确定匹配的地址特征数据；
对所述匹配的地址特征数据对应的节点特征数据进行统计，确定所述第一转运中心对应的状态特征数据。
7.根据权利要求1-6任一所述的方法，其特征在于，所述第一转运中心包括始发转运中心，所述分析器包括第一分析器；所述状态特征数据包括：目标物流节点的物流对象数量，所述目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。
8.根据权利要求7所述的方法，其特征在于，所述目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。
9.根据权利要求1-6任一所述的方法，其特征在于，所述第一转运中心包括中间转运中心，所述分析器包括第二分析器；所述状态特征数据包括：第一物流节点的物流对象数量，所述第一物流节点包括第一转运中心对应的物流节点。
10.根据权利要求9所述的方法，其特征在于，所述第一物流节点的物流对象数量包括：已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
11.根据权利要求1所述的方法，其特征在于，所述分析器包括第一分析器和第二分析器，所述确定对应物流对象的数量包括：
将所述第一分析器对应预测的第一数量和所述第二分析器对应预测的第二数量的和值，作为所述物流对象的数量。
12.根据权利要求1、2、3、4、6或11所述的方法，其特征在于，还包括：
依据所述物流对象的数量，进行对应运输工具的调配。
13.一种数据处理方法，其特征在于，所述的方法包括：
获取物流关联数据，所述物流关联数据包括：物流数据和订单数据；
从所述物流关联数据中提取物流特征数据；
依据所述物流特征数据进行训练对应的分析器。
14.根据权利要求13所述的方法，其特征在于，所述从所述物流关联数据中提取物流特征数据，包括：
从物流数据中提取物流节点对应的节点特征数据；
从订单数据提取该物流对象的地址特征数据。
15.根据权利要求13所述的方法，其特征在于，所述依据所述物流特征数据训练分析器，包括：
确定第一转运中心和流向信息，其中，所述流向信息依据所述第一转运中心对应的末端转运中心确定；
依据所述流向信息和所述物流特征数据，确定所述第一转运中心对应的状态特征数据和输出数据；
依据所述状态特征数据进行训练，调整所述分析器的参数。
16.根据权利要求15所述的方法，其特征在于，所述依据所述状态特征数据进行训练，调整所述分析器的参数，包括：
将所述状态特征数据输入所述分析器，得到对应的分析结果；
将所述分析结果和输出数据进行比较，依据比较结果调整所述分析器的参数。
17.根据权利要求13-16任一所述的方法，其特征在于，所述第一转运中心包括始发转运中心，所述分析器包括第一分析器；所述状态特征数据包括：目标物流节点的物流对象数量，所述目标物流节点包括：所述第一转运中心对应的第一物流节点，和所述第一物流节点之前的物流节点。
18.根据权利要求17所述的方法，其特征在于，所述目标物流节点的物流对象数量，包括以下至少一种：发货数量、揽收数量、网点发出数量、已到达数量、发货但未到达数量、揽收但未到达数量、网点发出但未到达数量。
19.根据权利要求13-16任一所述的方法，其特征在于，所述第一转运中心包括中间转运中心，所述分析器包括第二分析器；所述状态特征数据包括：第一物流节点的物流对象数量，所述第一物流节点包括第一转运中心对应的物流节点。
20.根据权利要求19所述的方法，其特征在于，所述第一物流节点的物流对象数量包括：已到达数量和发出但未到达数量，其中，发出物流对象的物流节点包括第一转运中心的前一个转运中心。
21.一种数据处理装置，其特征在于，所述的装置包括：
提供模块，用于提供分析器，所述分析器用于进行物流对象数量的预测；
获取模块，用于获取设定时间内的物流关联数据，其中，所述物流关联数据包括物流数据和订单数据；
提取模块，用于从所述物流关联数据中提取物流特征数据；
预测模块，用于采用所述分析器和物流特征数据，确定对应物流对象的数量。
22.一种数据处理装置，其特征在于，所述的装置包括：
数据获取模块，用于获取物流关联数据，所述物流关联数据包括：物流数据和订单数据；
特征提取模块，用于从所述物流关联数据中提取物流特征数据；
训练模块，用于依据所述物流特征数据进行训练对应的分析器。
23.一种电子设备，其特征在于，包括：处理器；和
存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如权利要求1-12中一个或多个所述的数据处理方法。
24.一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如权利要求1-12中一个或多个所述的数据处理方法。
25.一种电子设备，其特征在于，包括：处理器；和
存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如权利要求13-20中一个或多个所述的数据处理方法。
26.一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如权利要求13-20中一个或多个所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811251694.0A CN111105176B (zh) | 2018-10-25 | 2018-10-25 | 数据处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811251694.0A CN111105176B (zh) | 2018-10-25 | 2018-10-25 | 数据处理方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111105176A true CN111105176A (zh) | 2020-05-05 |
| CN111105176B CN111105176B (zh) | 2023-12-29 |
Family
ID=70417855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811251694.0A Active CN111105176B (zh) | 2018-10-25 | 2018-10-25 | 数据处理方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105176B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11250380B2 (en) | 2020-07-17 | 2022-02-15 | Coupang Corp. | Computer-implemented systems and methods for optimization of a product inventory by intelligent distribution of inbound products using product assignment validation |
| CN115660535A (zh) * | 2022-12-26 | 2023-01-31 | 北京京东振世信息技术有限公司 | 物流信息的预测方法、装置和计算机可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001106310A (ja) * | 1999-10-08 | 2001-04-17 | Kirin Engineering Co Ltd | 物流システム |
| US20130159208A1 (en) * | 2011-12-19 | 2013-06-20 | Byung Jun Song | Shipper-oriented logistics base optimization system |
| US20140039964A1 (en) * | 2012-07-31 | 2014-02-06 | Tata Consultancy Services Limited | Order management in liner shipping services |
| WO2016047949A1 (ko) * | 2014-09-24 | 2016-03-31 | 삼성에스디에스 주식회사 | 물류 리스크 예측 방법 및 그 장치 |
| CN105550838A (zh) * | 2015-11-30 | 2016-05-04 | 国家电网公司 | 一种物流配送仓储系统 |
| CN106600178A (zh) * | 2015-10-19 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 业务数据处理方法及装置 |
| CN108090643A (zh) * | 2016-11-21 | 2018-05-29 | 莫元劲 | 快递物流调度方法及装置 |
| US20180276695A1 (en) * | 2017-03-24 | 2018-09-27 | Accenture Global Solutions Limited | Logistic demand forecasting |
-
2018
- 2018-10-25 CN CN201811251694.0A patent/CN111105176B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001106310A (ja) * | 1999-10-08 | 2001-04-17 | Kirin Engineering Co Ltd | 物流システム |
| US20130159208A1 (en) * | 2011-12-19 | 2013-06-20 | Byung Jun Song | Shipper-oriented logistics base optimization system |
| US20140039964A1 (en) * | 2012-07-31 | 2014-02-06 | Tata Consultancy Services Limited | Order management in liner shipping services |
| WO2016047949A1 (ko) * | 2014-09-24 | 2016-03-31 | 삼성에스디에스 주식회사 | 물류 리스크 예측 방법 및 그 장치 |
| CN106600178A (zh) * | 2015-10-19 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 业务数据处理方法及装置 |
| CN105550838A (zh) * | 2015-11-30 | 2016-05-04 | 国家电网公司 | 一种物流配送仓储系统 |
| CN108090643A (zh) * | 2016-11-21 | 2018-05-29 | 莫元劲 | 快递物流调度方法及装置 |
| US20180276695A1 (en) * | 2017-03-24 | 2018-09-27 | Accenture Global Solutions Limited | Logistic demand forecasting |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11250380B2 (en) | 2020-07-17 | 2022-02-15 | Coupang Corp. | Computer-implemented systems and methods for optimization of a product inventory by intelligent distribution of inbound products using product assignment validation |
| US11810016B2 (en) | 2020-07-17 | 2023-11-07 | Coupang Corp. | Computer-implemented systems and methods for optimization of a product inventory by intelligent distribution of inbound products using product assignment validation |
| TWI824220B (zh) * | 2020-07-17 | 2023-12-01 | 南韓商韓領有限公司 | 用於智慧分配產品的電腦實行系統以及方法 |
| CN115660535A (zh) * | 2022-12-26 | 2023-01-31 | 北京京东振世信息技术有限公司 | 物流信息的预测方法、装置和计算机可读存储介质 |
| CN115660535B (zh) * | 2022-12-26 | 2024-04-16 | 北京京东振世信息技术有限公司 | 物流信息的预测方法、装置和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111105176B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829667B (zh) | 物流节点包裹量的预测方法和装置 | |
| Epp et al. | A discrete-time queueing network approach to performance evaluation of autonomous vehicle storage and retrieval systems | |
| CN109842563A (zh) | 内容分发网络流量调度方法、装置和计算机可读存储介质 | |
| CN109063935A (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
| CN111105176B (zh) | 数据处理方法、装置、设备和存储介质 | |
| Fan et al. | Stochastic programming for flexible global supply chain planning | |
| KR20230053581A (ko) | 딥러닝에 기반한 화물 운송 가격 결정 방법 및 장치 | |
| CN111507542A (zh) | 货量测量方法、装置及电子设备 | |
| CN107730388A (zh) | 保单配送任务分配方法、装置、计算机设备和存储介质 | |
| Steinberg et al. | A novel machine learning model for predicting late supplier deliveries of low-volume-high-variety products with application in a German machinery industry | |
| CN114444751A (zh) | 物资需求预测方法、装置、计算机设备以及存储介质 | |
| CN111680941B (zh) | 保价推荐方法、装置、设备及存储介质 | |
| JP2018180822A (ja) | 倉庫管理サーバ、倉庫管理方法及び倉庫管理プログラム | |
| CN110414875B (zh) | 产能数据处理方法、装置、电子设备及计算机可读介质 | |
| CN112308280A (zh) | 物流调度管理方法、装置、电子设备和存储介质 | |
| CN115545617A (zh) | Erp电商订单库存管理方法、装置、设备及可读存储介质 | |
| CN114154921A (zh) | 物流订单处理方法、装置、电子设备和存储介质 | |
| EP2763090A1 (en) | Shipment planning | |
| CN113822609A (zh) | 物流线路的生成方法、装置以及服务器 | |
| US11100454B1 (en) | CDD with heuristics for automated variable use-case based constrained logistics route optimization | |
| CN110879752B (zh) | 资源分配方法、装置、可读存储介质和电子设备 | |
| CN109064091B (zh) | 资源确定、资源处理方法及装置 | |
| KR20220043417A (ko) | 화물의 운송 효율 측정을 수행하고 향상시키는 방법 및 이를 수행하는 서버 | |
| CN112990948A (zh) | 服务评估方法、装置、设备、存储介质及计算机程序产品 | |
| CN112734309A (zh) | 用于物品的车辆调度方法、装置、设备和计算机可读介质 |
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 |