CN111428933A - 物流地址推荐方法、系统、设备及存储介质 - Google Patents

物流地址推荐方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111428933A
CN111428933A CN202010238263.1A CN202010238263A CN111428933A CN 111428933 A CN111428933 A CN 111428933A CN 202010238263 A CN202010238263 A CN 202010238263A CN 111428933 A CN111428933 A CN 111428933A
Authority
CN
China
Prior art keywords
address
user
logistics
recommended
receiving
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
Application number
CN202010238263.1A
Other languages
English (en)
Other versions
CN111428933B (zh
Inventor
陶超
沙韬伟
李旭泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Manyun Software Technology Co Ltd
Original Assignee
Jiangsu Manyun Software Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Manyun Software Technology Co Ltd filed Critical Jiangsu Manyun Software Technology Co Ltd
Priority to CN202010238263.1A priority Critical patent/CN111428933B/zh
Publication of CN111428933A publication Critical patent/CN111428933A/zh
Application granted granted Critical
Publication of CN111428933B publication Critical patent/CN111428933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • 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
    • G06Q10/0838—Historical data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种物流地址推荐方法、系统、设备及存储介质，该方法包括以下步骤：接收用户的物流请求，获取当前状态并识别发送物流请求的用户ID，所述当前状态包括影响发货地址的各个变量；读取用户ID对应的历史物流数据，所述历史物流数据包括各个所述变量与发货地址之间影响关系和/或各个所述变量与收货地址之间影响关系的数据集；将当前状态和读取的所述历史物流数据输入至贝叶斯模型；根据所述贝叶斯模型预测的结果建立推荐地址列表；向用户发送所述推荐地址列表。本发明的物流地址推荐方法根据用户的历史物流数据，推荐按照预测的地址列表，方便用户的同时减少用户输入物流地址的时间和错误率，提高了用户的体验度和物流的效率。

Description

物流地址推荐方法、系统、设备及存储介质
技术领域
本发明涉及互联网领域，具体地说，涉及一种物流地址推荐方法、系统、设备及存储介质。
背景技术
现有的电商平台中，用户物流地址，即发货地址或收货地址有的平台采用由用户事填写的方法，有的则是首先获取用户当前的定位信息，再去历史的发货地址/收货地址中去检索获得。不管是上述哪种获得物流地址的方案，都是基于规则的方法，需要用户手动选择，且无法做到输入前推荐物流地址的效果。
随着GPS(Global Positioning System，全球定位系统)和4G(第四代的移动信息系统)网络的发展，移动App(Application，应用)可以收集到用户的轨迹信息，这些轨迹信息为预测用户行为特征提供了可能。使用机器学习或者深度学习方法可以有效的利用丰富的先验信息来对用户未来的可能行为做出预测。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
针对现有技术中的问题，本发明的目的在于提供了一种物流地址推荐方法、系统、设备及存储介质，该方法根据用户的历史行为，预测该用户当前可能的物流地址，减少了用户的输入程序以及由于输入程序可能带来的错误。
本发明的实施例提供了一种物流地址推荐方法，其特征在于，包括以下步骤：
接收用户的物流请求，获取当前状态并识别发送物流请求的用户ID，所述当前状态包括当前影响发货地址的各个变量；
读取用户ID对应的历史物流数据，所述历史物流数据至少包括各个所述变量与发货地址之间影响关系和/或各个所述变量与收货地址之间影响关系的数据集；
将当前状态和读取的所述历史物流数据输入至贝叶斯模型；
根据所述贝叶斯模型预测的结果建立推荐地址列表，所述推荐地址列表包括用户多个可选的发货地址和/或收货地址；
向用户发送所述推荐地址列表。
根据本发明的一实施例所示，所述贝叶斯模型包括发货地址预测模型和/或收货地址预测模型，所述建立推荐地址列表包括根据所述贝叶斯模型预测的结果分别建立推荐发货地址列表和/或推荐收货地址列表。
根据本发明的一实施例所示，所述发货地址预测模型采用如下公式：
Figure BDA0002431732550000021
所述收货地址预测模型采用如下公式：
Figure BDA0002431732550000022
其中，
ps(Y＝yi)和pr(Y＝yj)分别为用户ID的各个可选的发货地址的历史概率和用户ID的各个可选的收货地址的历史概率，其中，yi∈{y1,y2,y3,…,yn}为可选的发货地址列表，yj∈{y1,y2,y3,...,ym}为可选的收货地址列表；
xs和xr分别为预设的影响发货地址的变量和影响收货地址的变量；
ps(xs|Y＝yi)和pr(xr|Y＝yj)分别为各个可能的发货地址的似然概率和各个可能的收货地址的似然概率；
ps(Yi＝yi|xs)和pr(Yj＝yj|xr)分别为当前状态对应的各个发货地址的概率或各个收货地址的概率。
根据本发明的一实施例所示，所述变量包括时间段、季节、货物的一级分类、货物的二级分类、货物的体积、货物的重量和货物的装卸方式中的一种或多种。
根据本发明的一实施例所示，所述根据所述预测的结果分别建立推荐发货地址列表和/或推荐收货地址列表包括如下步骤：
按照当前状态对应的各个发货地址的概率ps(Yi＝yi|xs)的大小建立所述推荐发货地址列表；和/或
按照当前状态对应的各个收货地址的概率pr(Yj＝yj|xr)的大小建立所述推荐收货地址列表。
根据本发明的一实施例所示，所述物流地址推荐方法还包括以下步骤：
分别接收用户对推荐发货地址的第一反馈信息和/或对推荐收货地址的第二反馈信息，第一反馈信息为用户选定的发货地址，第二反馈信息为用户选定的收货地址；
根据所述第一反馈信息和/或所述第二反馈信息确定物流请求的发货地址和/或收货地址。
根据本发明的一实施例所示，所述变量还包括发货地址。
本发明的实施例还提供了一种物流地址推荐系统，用于实现上述所述物流地址推荐方法，包括用户模块、控制模块、数据模块和模型预测模块，其中：
所述用户模块用于接收用户的物流请求；
所述控制模块用于根据所述用户模块的物流请求获取当前状态并识别用户ID，所述当前状态包括当前影响发货地址的各个变量；所述控制模块还用于从所述数据模块读取用户ID对应的历史物流数据，所述数据模块预存有各个用户对应的历史物流数据，所述历史物流数据至少包括各个所述变量与发货地址之间影响关系和/或各个所述变量与收货地址之间影响关系的数据集；
所述模型预测模块用于将当前状态和读取的所述历史物流数据输入至贝叶斯模型；
所述控制模块还用于根据所述贝叶斯模型预测的结果建立推荐地址列表，所述推荐地址列表包括用户多个可选的发货地址和/或收货地址；
所述用户模块还用于向用户发送所述推荐地址列表。
本发明的实施例还提供了一种物流地址推荐设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行所述物流地址推荐方法的步骤。
本发明的实施例还提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述物流地址推荐方法的步骤。
本发明的物流地址推荐方法、系统、设备及存储介质利用用户的历史数据和当前状态的关联性，实现了在用户没有任何地址输入前向用户个性化推荐物流地址，极大地提高了平台的用户体验和效率，减少了用户时间和由于用户输入错误而造成的物流地址错误。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理，通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的物流地址推荐方法的流程图；
图2为本发明一实施例的物流地址推荐方法的流程图；
图3为本发明又一实施例的物流地址推荐方法的流程图；
图4为本发明一实施例的物流地址推荐系统的流程图；
图5为本发明一实施例的物流地址推荐设备的结构示意图；
图6为本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1为本发明一实施例的物流地址推荐方法的流程图，具体地，该方法包括以下步骤：
S100：接收用户的物流请求，获取当前状态并识别发送物流请求的用户ID；所述当前状态包括当前影响发货地址的各个变量；
S200：读取用户ID对应的历史物流数据，所述历史物流数据至少包括各个所述变量与发货地址之间影响关系和/或各个所述变量与收货地址之间影响关系的数据集；
S300：将当前状态和读取的所述历史物流数据输入至贝叶斯模型；
S400：根据所述贝叶斯模型预测的结果建立推荐地址列表，所述推荐地址列表包括用户多个可选的发货地址和/或收货地址；
S500：向用户发送所述推荐地址列表。
因此，本发明的物流地址推荐方法通过步骤S300中的贝叶斯模型计算用户的历史数据和当前状态的关联性，实现了在用户没有任何地址输入前向用户个性化推荐物流地址，极大地提高了平台的用户体验和效率，减少了用户时间和由于用户输入错误而造成的物流地址错误。
在该实施例中，S300步骤中所述贝叶斯模型包括发货地址预测模型和/或收货地址预测模型，所述建立推荐地址列表包括根据所述贝叶斯模型预测的结果分别建立推荐发货地址列表和/或推荐收货地址列表。
下面，将结合两个实施例具体介绍本发明的物流地址推荐方法。
实施例1
此实施例的物流地址推荐方法中，执行步骤S100和S200后，执行S300’，且S300’步骤中所述发货地址预测模型采用如下公式(1)：
Figure BDA0002431732550000061
所述收货地址预测模型采用如下公式(2)：
Figure BDA0002431732550000062
其中，
ps(Y＝yi)和pr(Y＝yj)分别为用户ID的各个可选的发货地址的历史概率和用户ID的各个可选的收货地址的历史概率，其中，yi∈{y1,y2,y3,...,yn}为可选的发货地址列表，yj∈{y1,y2,y3,...,ym}为可选的收货地址列表；此处ps(y1)可以为用户历史物流数据中发货地址为y1的次数除以总的所有发货次数。
所述变量包括时间段、季节、货物的一级分类、货物的二级分类、货物的体积、货物的重量或货物的装卸方式中的一种或多种。
所述当前状态包括当前影响发货地址的各个变量，即包括接收用户请求的时间段、季节、用户请求发货的货物的一级分类、货物的二级分类、货物的体积、货物的重量和货物的装卸方式中的一种或多种；
所述xs包括发货的时间段、季节、货物的一级分类、货物的二级分类、货物的体积、货物的重量和货物的装卸方式中的一种或多种；
所述xr包括收货的时间段、季节、货物的一级分类、货物的二级分类、货物的体积、货物的重量和货物的装卸方式中的一种或多种。在此实施例中，xs和xr分别包括上述多个变量。
ps(xs|Y＝yi)和pr(xr|Y＝yj)分别为各个可选的发货地址的似然概率和各个可选的收货地址的似然概率；即ps(xs|Y＝yi)为发货地址为yi时对应于具体变量xs的概率，pr(xr|Y＝yj)为发货地址为yj时对应于具体变量xr的概率。
ps(Yi＝yi|xs)和pr(Yj＝yj|xr)分别为当前状态对应的各个发货地址的概率或各个收货地址的概率。
举例来说，在接收到一用户的物流请求时，获得接收此用户请求的{时间段、当前的季节}、用户请求发货的{货物的一级分类}，则识别此用户ID，同时读取此用户ID对应的历史物流数据，所述历史物流数据为此用户在相同的时间段、相同的季节、发送同样的货物(货物的一级分类相同)时对应的发货地址分布概率等的数据集，和/或相同的时间段、相同的季节、发送同样的货物时对应的收货地址分布概率等的数据集。
此实施例中，S300’步骤中所预测的是当前状态下各个发货地址的概率和当前状态下各个收货地址的概率分别为：
ps(Yi＝yi|(时间段、季节、货物的一级分类)),和/或
pr(Yi＝yi|(时间段、季节、货物的一级分类))，即此时影响ps(Yi＝yi|xs)和pr(Yj＝yj|xr)的变量均为该用户历史的{时间段、季节、货物的一级分类}。
当根据贝叶斯模型预测出各个发货地址的概率和各个收货地址的概率后，则执行步骤S400’，根据所述预测的结果分别建立推荐发货地址列表和推荐收货地址列表，此实施例中，S400’步骤包括：
按照预测的当前状态对应的各个发货地址的概率ps(Yi＝yi|xs)的大小建立所述推荐发货地址列表；和按照预测的当前状态对应的各个收货地址的概率pr(Yj＝yj|xr)的大小建立所述推荐收货地址列表。
相应地，S500’步骤中向用户发送所述推荐地址列表，所述向用户推荐地址列表包括了推荐发货地址列表和推荐收货地址列表，该用户在收到上述推荐地址列表后，在推荐发货地址列表和推荐收货地址列表选择此次物流的发货地址和收货地址，并将之反馈给系统。
实施例1中，本发明的方法还包括S600：分别接收用户对推荐发货地址的第一反馈信息和对推荐收货地址的第二反馈信息，第一反馈信息为用户选定的发货地址，第二反馈信息为用户选定的后货地址；以及S700：将所述第一反馈信息和所述第二反馈信息确定为此次物流请求的发货地址和收货地址。实施例1的流程图见图2。
在上述实施例中，不需用户输入物流地址，方便用户的同时减少用户输入物流地址的时间和错误率，提高了用户的体验度和物流的效率。
实施例2
在此实施例中，与实施例1不同的是一用户的物流请求后，执行步骤S100和S200后，执行S300a步骤，此时，S300a步骤所要预测的是当前状态下各个发货地址的概率，当前状态仍以变量为{时间段、季节、货物的一级分类}为例，则当前状态下各个发货地址的概率为：
ps(Yi＝yi|(时间段、季节、货物的一级分类))，此时影响ps(Yi＝yi|xs)的变量为该用户历史的{时间段、季节、货物的一级分类}。
执行S400a步骤按照预测的当前状态对应的各个发货地址的概率ps(Yi＝yi|xs)的大小建立所述推荐发货地址列表；并将之发送给该用户S500a，该用户在收到上述推荐发货地址列表后，选择此次物流的发货地址并将之反馈给系统。
本实施例中，在S600a步骤接收用户对推荐发货地址的第一反馈信息后，再执行S300b步骤和S400b步骤，此时，S300b步骤中所预测的是当前状态下各个收货地址的概率：
pr(Yi＝yi|(发货地址、时间段、当前的季节、货物的一级分类))，此时影响ps(Yi＝yi|xs)的变量为该用户历史的{发货地址、时间段、季节、货物的一级分类}，即在预测当前状态下各个收货地址的概率时，变量增加了发货地址。
当根据贝叶斯模型预测出各个收货地址的概率后，再S400b步骤按照预测的当前状态对应的各个收货地址的概率pr(Yi＝yi|xs)的大小建立所述推荐收货地址列表；并将之发送给该用户S500b，该用户在收到上述推荐收货地址列表后，选择此次物流的收货地址并将之反馈给系统。
在S600b步骤接收用户对推荐发货地址的第一反馈信息后，最后执行S700：根据分别收到的所述第一反馈信息和所述第二反馈信息确定为此次物流请求的发货地址和收货地址。
在实施例2中，推荐发货地址列表和推荐收货地址列表的建立采用了分步走的策略，根据所述贝叶斯模型预测的结果建立推荐收货地址列表的过程中考虑的用户发货地址的反馈，增加了推荐收货地址列表的预测准确性。
本发明的实施例还提供了一种物流地址推荐系统，见图4，该系统用于实现上述所述物流地址推荐方法，具体包括用户模块M100、控制模块M200、数据模块M300和模型预测模块M400，其中：
所述用户模块M100用于接收用户的物流请求；
所述控制模块M200用于根据所述用户模块M100的物流请求获取当前状态并识别用户ID，所述当前状态包括影响发货地址的各个变量；所述控制模块M200还用于从所述数据模块M300读取用户ID对应的历史物流数据，所述数据模块M300预存有各个用户对应的历史物流数据，所述历史物流数据至少包括各个所述变量与发货地址之间影响关系和/或各个所述变量与收货地址之间影响关系的数据集；
所述模型预测模块M400用于将当前状态和读取的所述历史物流数据输入至贝叶斯模型；
所述控制模块M200还用于根据所述贝叶斯模型预测的结果建立推荐地址列表，所述推荐地址列表包括用户多个可选的发货地址和/或收货地址；
所述用户模块M100还用于向用户发送所述推荐地址列表。
其中，该物流地址推荐系统中的各个功能模块的功能实现方式均可以采用上述物流地址推荐方法中各个步骤的具体实施方式来实现。此处不予赘述。下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行实现分拣物流地址推荐方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明的物流地址推荐方法、系统、设备及存储介质根据用户的历史物流数据，推荐按照预测的地址列表，方便用户的同时减少用户输入物流地址的时间和错误率，提高了用户的体验度和物流的效率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种物流地址推荐方法，其特征在于，包括以下步骤：
接收用户的物流请求，获取当前状态并识别发送物流请求的用户ID，所述当前状态包括当前影响发货地址的各个变量；
读取用户ID对应的历史物流数据，所述历史物流数据至少包括各个所述变量与发货地址之间影响关系和/或各个所述变量与收货地址之间影响关系的数据集；
将当前状态和读取的所述历史物流数据输入至贝叶斯模型；
根据所述贝叶斯模型预测的结果建立推荐地址列表，所述推荐地址列表包括用户多个可选的发货地址和/或收货地址；
向用户发送所述推荐地址列表。
2.根据权利要求1所述的物流地址推荐方法，其特征在于，所述贝叶斯模型包括发货地址预测模型和/或收货地址预测模型，所述建立推荐地址列表包括根据所述贝叶斯模型预测的结果分别建立推荐发货地址列表和/或推荐收货地址列表。
3.根据权利要求2所述的物流地址推荐方法，其特征在于，所述发货地址预测模型采用如下公式：
Figure FDA0002431732540000011
所述收货地址预测模型采用如下公式：
Figure FDA0002431732540000012
其中，
ps(Y＝yi)和pr(Y＝yj)分别为用户ID的各个可选的发货地址的历史概率和用户ID的各个可选的收货地址的历史概率，其中，yi∈{y1,y2,y3,…,yn}为可选的发货地址列表，yj∈{y1,y2,y3,…,ym}为可选的收货地址列表；
xs和xr分别为预设的影响发货地址的各个变量和影响收货地址的各个变量；
ps(xs|Y＝yi)和pr(xr|Y＝yj)分别为各个可能的发货地址的似然概率和各个可能的收货地址的似然概率；
ps(Yi＝yi|xs)和pr(Yj＝yj|xr)分别为当前状态对应的各个发货地址的概率或各个收货地址的概率。
4.根据权利要求3所述的物流地址推荐方法，其特征在于，
所述变量包括时间段、季节、货物的一级分类、货物的二级分类、货物的体积、货物的重量和货物的装卸方式中的一种或多种。
5.根据权利要求3所述的物流地址推荐方法，其特征在于，所述根据所述预测的结果分别建立推荐发货地址列表和/或推荐收货地址列表包括如下步骤：
按照当前状态对应的各个发货地址的概率ps(Yi＝yi|xs)的大小建立所述推荐发货地址列表；和/或
按照当前状态对应的各个收货地址的概率pr(Yj＝yj|xr)的大小建立所述推荐收货地址列表。
6.根据权利要求5所述的物流地址推荐方法，其特征在于，还包括以下步骤：
分别接收用户对推荐发货地址的第一反馈信息和/或对推荐收货地址的第二反馈信息，第一反馈信息为用户选定的发货地址，第二反馈信息为用户选定的收货地址；
根据所述第一反馈信息和/或所述第二反馈信息确定物流请求的发货地址和/或收货地址。
7.根据权利要求4所述的物流地址推荐方法，其特征在于，所述变量还包括发货地址。
8.一种物流地址推荐系统，用于实现权利要求1至7中任一项所述的物流地址推荐方法，其特征在于，包括用户模块、控制模块、数据模块和模型预测模块，其中：
所述用户模块用于接收用户的物流请求；
所述控制模块用于根据所述用户模块的物流请求获取当前状态并识别用户ID，所述当前状态包括当前影响发货地址的各个变量；所述控制模块还用于从所述数据模块读取用户ID对应的历史物流数据，所述数据模块预存有各个用户对应的历史物流数据，所述历史物流数据至少包括各个所述变量与发货地址之间影响关系和/或各个所述变量与收货地址之间影响关系的数据集；
所述模型预测模块用于将当前状态和读取的所述历史物流数据输入至贝叶斯模型；
所述控制模块还用于根据所述贝叶斯模型预测的结果建立推荐地址列表，所述推荐地址列表包括用户多个可选的发货地址和/或收货地址；
所述用户模块还用于向用户发送所述推荐地址列表。
9.一种物流地址推荐设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任意一项所述物流地址推荐方法的步骤。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7任意一项所述物流地址推荐方法的步骤。
CN202010238263.1A 2020-03-30 2020-03-30 物流地址推荐方法、系统、设备及存储介质 Active CN111428933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010238263.1A CN111428933B (zh) 2020-03-30 2020-03-30 物流地址推荐方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010238263.1A CN111428933B (zh) 2020-03-30 2020-03-30 物流地址推荐方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111428933A true CN111428933A (zh) 2020-07-17
CN111428933B CN111428933B (zh) 2022-10-04

Family

ID=71549278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010238263.1A Active CN111428933B (zh) 2020-03-30 2020-03-30 物流地址推荐方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111428933B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417881A (zh) * 2020-12-17 2021-02-26 江苏满运物流信息有限公司 物流信息识别方法、装置、电子设备、存储介质
CN112488199A (zh) * 2020-11-30 2021-03-12 上海寻梦信息技术有限公司 物流配送方式预测方法、系统、设备及存储介质
CN112712314A (zh) * 2020-12-29 2021-04-27 江阴华西化工码头有限公司 一种基于物联网传感器的物流数据推荐方法
CN113011665A (zh) * 2021-03-29 2021-06-22 上海寻梦信息技术有限公司 物流时效预测方法、装置、设备及存储介质
CN113034076A (zh) * 2021-03-29 2021-06-25 上海寻梦信息技术有限公司 物流承运对象推荐方法、装置、电子设备和存储介质
CN113592401A (zh) * 2021-07-30 2021-11-02 上海寻梦信息技术有限公司 地址推荐方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255564A (zh) * 2017-07-13 2019-01-22 菜鸟智能物流控股有限公司 一种取件点地址推荐方法及装置
CN109816134A (zh) * 2017-11-22 2019-05-28 北京京东尚科信息技术有限公司 收货地址预测方法、装置以及存储介质
CN109871991A (zh) * 2019-01-30 2019-06-11 深圳市快金数据技术服务有限公司 一种物流路线的推荐方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255564A (zh) * 2017-07-13 2019-01-22 菜鸟智能物流控股有限公司 一种取件点地址推荐方法及装置
CN109816134A (zh) * 2017-11-22 2019-05-28 北京京东尚科信息技术有限公司 收货地址预测方法、装置以及存储介质
CN109871991A (zh) * 2019-01-30 2019-06-11 深圳市快金数据技术服务有限公司 一种物流路线的推荐方法、装置、设备及介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488199A (zh) * 2020-11-30 2021-03-12 上海寻梦信息技术有限公司 物流配送方式预测方法、系统、设备及存储介质
CN112417881A (zh) * 2020-12-17 2021-02-26 江苏满运物流信息有限公司 物流信息识别方法、装置、电子设备、存储介质
CN112712314A (zh) * 2020-12-29 2021-04-27 江阴华西化工码头有限公司 一种基于物联网传感器的物流数据推荐方法
CN113011665A (zh) * 2021-03-29 2021-06-22 上海寻梦信息技术有限公司 物流时效预测方法、装置、设备及存储介质
CN113034076A (zh) * 2021-03-29 2021-06-25 上海寻梦信息技术有限公司 物流承运对象推荐方法、装置、电子设备和存储介质
CN113034076B (zh) * 2021-03-29 2024-03-29 上海寻梦信息技术有限公司 物流承运对象推荐方法、装置、电子设备和存储介质
CN113592401A (zh) * 2021-07-30 2021-11-02 上海寻梦信息技术有限公司 地址推荐方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN111428933B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN111428933B (zh) 物流地址推荐方法、系统、设备及存储介质
CN110276446B (zh) 模型训练和选择推荐信息的方法和装置
US11770571B2 (en) Matrix completion and recommendation provision with deep learning
US11694109B2 (en) Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure
Pfister et al. Learning stable and predictive structures in kinetic systems
CN109784676B (zh) 数据分析的学习和使用方法、装置及计算机可读存储介质
US20200302346A1 (en) Data source-based service customizing device, method and system, and storage medium
CN112256886A (zh) 图谱中的概率计算方法、装置、计算机设备及存储介质
CN111209478A (zh) 任务推送方法及装置、存储介质及电子设备
CN112328909A (zh) 信息推荐方法、装置、计算机设备及介质
WO2023050143A1 (zh) 一种推荐模型训练方法及装置
CN117349424A (zh) 应用于语言模型的提示模板的处理方法、装置及电子设备
CN117251619A (zh) 一种数据处理方法及相关装置
CN113837216B (zh) 数据分类方法、训练方法、装置、介质及电子设备
CN112116393B (zh) 用于实现事件用户维护的方法、装置和设备
CN113609018A (zh) 测试方法、训练方法、装置、设备、介质和程序产品
CN111339448B (zh) 查询改写方法、系统、设备及存储介质
CN115097740A (zh) 设备控制方法、装置、系统及存储介质
CN113591979A (zh) 行业类目识别方法、设备、介质及计算机程序产品
CN112785234A (zh) 货物推荐方法、装置、设备及存储介质
CN113159877A (zh) 数据处理方法、装置、系统、计算机可读存储介质
CN110610392A (zh) 数据处理方法及系统、计算机系统和计算机可读存储介质
US12019671B2 (en) Locally constrained self-attentive sequential recommendation
CN117874515A (zh) 搜索排序模型训练、预测方法、系统、设备及存储介质
CN111460286B (zh) 信息推荐方法、装置、电子设备及介质

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