CN111784246B - 物流路径的估测方法 - Google Patents

物流路径的估测方法 Download PDF

Info

Publication number
CN111784246B
CN111784246B CN202010620367.9A CN202010620367A CN111784246B CN 111784246 B CN111784246 B CN 111784246B CN 202010620367 A CN202010620367 A CN 202010620367A CN 111784246 B CN111784246 B CN 111784246B
Authority
CN
China
Prior art keywords
logistics
node
sub
determining
chain network
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.)
Active
Application number
CN202010620367.9A
Other languages
English (en)
Other versions
CN111784246A (zh
Inventor
包先雨
程立勋
郑文丽
何俐娟
何睿智
郭云
秦智峰
卢体康
仲建忠
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.)
Shenzhen Academy of Inspection and Quarantine
Shenzhen Customs Animal and Plant Inspection and Quarantine Technology Center
Shenzhen Customs Information Center
Original Assignee
Shenzhen Academy of Inspection and Quarantine
Shenzhen Customs Animal and Plant Inspection and Quarantine Technology Center
Shenzhen Customs Information Center
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 Shenzhen Academy of Inspection and Quarantine, Shenzhen Customs Animal and Plant Inspection and Quarantine Technology Center, Shenzhen Customs Information Center filed Critical Shenzhen Academy of Inspection and Quarantine
Priority to CN202010620367.9A priority Critical patent/CN111784246B/zh
Priority to US17/008,626 priority patent/US20220004947A1/en
Publication of CN111784246A publication Critical patent/CN111784246A/zh
Application granted granted Critical
Publication of CN111784246B publication Critical patent/CN111784246B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/08355—Routing methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

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

Abstract

本申请提供了一种物流路径的估测方法，用于估测物流单元在物流链网中的物流路径；其中，所述物流链网由多条所述物流路径组成，所述物流路径由多个物流节点按单一方向连接而成；所述方法包括：获取物流单元对应的物流链网的链网信息，并依据链网信息确定物流单元的目标分析域及置信节点；其中，链网信息包括物流节点信息；依据链网信息，目标分析域以及物流链网中各物流节点的时效性等级确定快速节点；依据链网信息，目标分析域以及置信节点确定物流单元对应的物流估测路径。优先确定物流单元流经的快速节点，提高估测效率；将置信节点作为多可选流转路径物流单元判定依据，提高估测可信度。

Description

物流路径的估测方法
技术领域
本申请涉及物流路径预测领域，特别是一种物流路径的估测方法。
背景技术
物流链网是指在一个物流系统中，存在产品交易或仓储、运输等业务而联系起来的全部组织，通过用节点表示组织，用有向箭头表示物流单元在两节点间的流转关系的方式而形成的一个有向无环图。物流链网的构建过程即为构建该有向无环图的过程。具体即为，通过预设的物流单元流转信息数据集，统计全部物流单元流转路径节点及其在节点间的流转次序，构建物流链网。
物流单元追溯从流通方式上可分为离散批物流单元追溯和连续批物流单元追溯。前者主要是研究一批或多批物流单元在物流链网中各个节点间的流转次序，而后者则主要对物流单元的拆分和混合过程进行研究。对于离散批物流单元追溯，目前多采用基于追踪标记的追溯方法，主要包括条码技术、射频识别技术以及生物识别技术。
但目前在物流单元追溯研究方面，鲜有考虑当追溯信息链断裂、信息不完备时如何利用已有的不完备数据实现物流单元追溯。
在追溯数据缺失情况下的物流单元追溯应用中，一种物流单元往往与其总体相异程度较小的物流单元具有相同或相似的流转路径。在以往的不完备数据链物流单元追溯方法中，一般采用对物流链网存在链接关系的全部节点对之间物流单元流转时间分布进行建模，得到节点就流转时间分布模型并求解期望，从而计算出路径流转时间期望。但现有的不完备数据链物流单元追溯方法存在的分析域过大，模型粒度较小、物流单元流转路径可信度低且无法满足某些节点的分析时效性要求等问题。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种物流路径的估测方法，包括：
一种物流路径的估测方法，所述方法应用于估测物流单元在物流链网中的物流路径；其中，所述物流链网由多条所述物流路径组成，所述物流路径由多个物流节点按单一方向连接而成；
所述方法包括：
获取物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点；其中，所述链网信息包括物流节点信息；
依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点；
依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径。
进一步地，所述依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点的步骤包括：
依据所述链网信息及目标分析域确定第一子链网；
依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点。
进一步地，所述依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径的步骤包括：
依据所述第一子链网及所述快速节点确定第二子链网；
依据所述第二子链网及所述置信节点确定所述物流估测路径。
进一步地，所述依据所述链网信息及目标分析域确定第一子链网的步骤，包括：
依据所述链网信息确定所述物流链网中各物流节点的节点类型；其中，所述节点类型包括起始节点，终止节点，分叉节点，分叉起始节点，以及路径中间节点；
依据所述起始节点，所述终止节点，所述分叉节点，以及所述分叉起始节点生成所述第一子链网。
进一步地，所述依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点的步骤，包括：
依据所述第一子链网中各物流节点的时效性等级确定出时效性等级最高的所述分叉节点所对应的分叉起始节点，并将所述分叉起始节点设为快速分叉起始节点；
确定所述快速分叉起始节点对应的所述分叉节点为快速分叉节点，并依据所述起始节点，所述终止节点，以及所述快速分叉节点生成第三子链网；
分别确定第三子链网中从所述起始节点通过各个所述快速分叉节点到达终止节点的时间期望参数；
将最小时间期望参数所对应的快速分叉节点设为所述快速节点。
进一步地，所述依据所述第一子链网及所述快速节点确定第二子链网的步骤，包括：
剔除所述第一子链网中的所述快速分叉起始节点和所述快速分叉节点；
依据所述第一子链网中剩余的所述物流节点生成所述第二子链网。
进一步地，所述依据所述第二子链网及所述置信节点确定所述物流估测路径的步骤，包括：
分别确定第二子链网中从所述起始节点通过各个所述分叉节点到达终止节点的时间期望参数；
依据所述时间期望参数以及所述置信节点生成所述物流估测路径。
进一步地，所述依据所述时间期望参数以及所述置信节点生成所述物流估测路径的步骤，包括：
若存在时间期望参数相同的物流路径，则将含有所述置信节点数量最多的物流路径设为所述物流估测路径；
若不存在时间期望参数相同的物流路径，则将最小时间期望参数所对应的物流路径设为所述物流估测路径。
一种物流路径的估测装置，所述装置应用于估测物流单元在物流链网中的物流路径；其中，所述物流链网由多条所述物流路径组成，所述物流路径由多个物流节点按单一方向连接而成；
具体包括：
第一确定模块，用于获取物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点；其中，所述链网信息包括物流节点信息；
第二确定模块，用于依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点；
第三确定模块，用于依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径。
一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的物流路径的估测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的物流路径的估测方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过获取物流单元对应的物流链网的链网信息，并依据链网信息确定物流单元的目标分析域及置信节点；其中，链网信息包括物流节点信息；依据链网信息，目标分析域以及物流链网中各物流节点的时效性等级确定快速节点；依据链网信息，目标分析域以及置信节点确定物流单元对应的物流估测路径。根据精简后的物流链网中变化节点的不同时效性要求，将变化节点分为快速节点和慢速节点，构建快速且精简的物流链网，直接针对快速节点进行物流单元路径分析，优先确定物流单元流经的快速节点，并进一步确定物流单元完整流转路径，提高估测效率。将置信节点作为多可选流转路径物流单元判定依据，提高物流单元估测可信度。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种物流路径的估测方法的步骤流程图；
图2是本申请一实施例提供的一种物流路径的估测方法的物流链网示意图；
图3是本申请一实施例提供的一种物流路径的估测方法的第一子链网示意图；
图4是本申请一实施例提供的一种物流路径的估测方法的第二子链网示意图；
图5是本申请一实施例提供的一种物流路径的估测方法的第三子链网示意图；
图6是本申请一实施例提供的一种物流路径的估测装置的结构框图；
图7是本发明一实施例的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、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。显然，所描述的实施例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作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。
参照图1，示出了本申请一实施例提供的一种物流路径的估测方法，所述方法应用于估测物流单元在物流链网中的物流路径；其中，所述物流链网由多条所述物流路径组成，所述物流路径由多个物流节点按单一方向连接而成；
所述方法包括：
S110、获取物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点；其中，所述链网信息包括物流节点信息；
S120、依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点；
S130、依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径。
在本申请的实施例中，通过获取物流单元对应的物流链网的链网信息，并依据链网信息确定物流单元的目标分析域及置信节点；其中，链网信息包括物流节点信息；依据链网信息，目标分析域以及物流链网中各物流节点的时效性等级确定快速节点；依据链网信息，目标分析域以及置信节点确定物流单元对应的物流估测路径。根据精简后的物流链网中变化节点的不同时效性要求，将变化节点分为快速节点和慢速节点，构建快速且精简的物流链网，直接针对快速节点进行物流单元路径分析，优先确定物流单元流经的快速节点，并进一步确定物流单元完整流转路径，提高估测效率。将置信节点作为多可选流转路径物流单元判定依据，提高物流单元估测可信度。
下面，将对本示例性实施例中物流路径的估测方法作进一步地说明。
如所述步骤S110所述，获取所述物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点。
需要说明的是，所述目标分析域根据分析情况的不同，而进行不同的设置，以物流单元追溯为例：由于物流单元追溯的过程中存在时效性要求较高的节点，必须优先解决快速节点的选择问题。而对物流单元进行追溯，判断其在物流链网中流转节点及其次序，一般情况下，问题分析域越大，则分析时间较长，分析域越小，则分析时间较短。因此，为了满足快速节点判定在时效性方面的要求，必须缩小物流单元目标分析域。同时，为了在确定快速节点之后，解决进一步得到物流单元完整流转路径时可能出现的多条可选流转路径问题，在生成物流单元目标分析域的同时需要确定置信节点。
作为一种示例，物流单元的目标分析域及置信节点的生成过程，实质上是物流单元对象不完备数据集聚类并对缺失值进行填补的过程。在不完备数据聚类方法中，可通过武森等人提出的一种MIBOI算法进行生产，具体为将物流链网节点引入为物流单元二值属性，将聚类结果中包含追溯信息不完备的物流单元所属类视为物流单元目标分析域，数据填补结果视为节点置信值，置信值为1的节点即为置信节点。
在具体的聚类过程中，一次扫描各个物流单元对象，从扫描到的第一个对象创建第一个类开始，通过一次扫描针对全部物流单元对象完成扫描到的物流单元对象到类的归并或者新类的创建。
对于已创建的类，仅保留约束容差集合精简，不保留全部物流单元对象的信息。而是否创建新类则取决于预先指定的约束容差集合差异度上限u，对于每扫描到的一个物流单元对象，找到其并入后使得约束容差集合差异度最小的类，并判断该最小的约束容差集合差异度是否小于u，若小于则并入该类，否则创建新类。在上述聚类完成后，找到追溯信息缺失的物流单元所在类，该类即为物流单元目标分析域。
基于聚类结果，对每个约束容差属性，如果其容差值不为“*”，将该类中物流单元对象在该属性为“*”的值，用该容差值替换。填补值即为节点置信值，置信值为1的节点即为置信节点。
如所述步骤S120所述，依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点。
在一实施例中，可以结合下列描述进一步说明步骤S120所述“依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点”的具体过程。
如下列步骤所述，依据所述链网信息及目标分析域确定第一子链网。
需要说明的是，所述第一子链网为所述物流链网进行精简后的链网，具体为剔除物流链网中各物流路径的路径中间节点后，所重新形成的精简路径所组成的精简链网。
由此，可以提高在物流单元追溯过程时对于问题节点追溯时的时效性。
在一进阶实施例中，可以结合下列描述进一步说明步骤“依据所述链网信息及目标分析域确定第一子链网”的具体过程。
如下列步骤所述，依据所述链网信息确定所述物流链网中各物流节点的节点类型；其中，所述节点类型包括起始节点，终止节点，分叉节点，分叉起始节点，以及路径中间节点；
由此，通过对链网中各物流节点进行节点类型的分类能高效地将非重要节点进行筛除，提高物流链网的间接性，从而将为后续的步骤节省时间。
如下列步骤所述，依据所述起始节点，所述终止节点，所述分叉节点，以及所述分叉起始节点生成所述第一子链网。
参照图2-3，作为一种示例，在得到物流单元目标分析域后，对原有物流链网进行精简。设物流链网如图2所示。图中节点N1-N11表示物流链中的组织，节点Ni和Nj之间通过有向箭头相连表示在这个物流链网中，节点Ni和Nj之间存在物流单元交易、运输等联系。
根据物流单元目标分析域内的物流单元流转路径数据，可以得到精简后的所述第一子链网。其中，分析域为总体相异程度较小的物流单元集合，因此，精简后的物流链网一般为具有少数分叉的路径，如图2中虚线箭头及其相关节点组成的链网，其中节点N2、N5、N6、N7及N8为变化节点，N1、N4、N9及N11为固定节点。删除全部流转路径中相同的节点，仅保留起始节点及各个路径分叉节点及其分叉起始节点，得到精简后的物流链网，即，第一子链网，如图3所示。
如下列步骤所述，依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点。
需要说明的是，由于某些节点判定具有较高的时效性要求。例如在物流单元追溯应用中，如当出现问题产品流入某一区域时，说明某个具有检查功能的物流节点存在审查漏洞。由于查明出现审查漏洞的检查功能的物流节点和堵住该审查漏洞具有急迫性，因此需要快速判定进出口物流单元所流经的具有检查功能的物流节点，即必须优先对具有某些特定功能的物流节点进行判定，此时，该种具有特定功能的物流节点即为快速节点。
在一进阶实施例中，可以结合下列描述进一步说明步骤“依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点”的具体过程。
如下列步骤所述，依据所述第一子链网中各物流节点的时效性等级确定出时效性等级最高的所述分叉节点所对应的分叉起始节点，并将所述分叉起始节点设为快速分叉起始节点；
如下列步骤所述，确定所述快速分叉起始节点对应的所述分叉节点为快速分叉节点，并依据所述起始节点，所述终止节点，以及所述快速分叉节点生成第三子链网；
参照图3和4，作为一种示例，假设在图3所示的第一子链网中，节点N2和N5为对时效性要求最高的节点，即快速节点，需要快速判断物流单元所经节点为N2还是N5。因此，需要对通过目标分析域进行了一次精简后的所述第一子链网进行进一步的精简，优先对快速节点进行判定。删去目标分析域内物流链网中除快速节点和起始节终止节点以外的其它所有节点，可得如图4所示的进一步精简的物流链网，即第三子链网。
由此，可将分析范围缩到最小，快速判定快速节点。
如下列步骤所述，分别确定第三子链网中从所述起始节点通过各个所述快速分叉节点到达终止节点的时间期望参数；
作为一种示例，将物流单元在第三子链网中两节点间的流转时间t看作随机变量，从分析域内采集n个时间样本，将样本区间分成k个不相容的等距区间，k的值可由斯特格斯(H·A·Sturges)提出的经验公式k＝1.87(n-1)2/5确定。样本区间指采集的n个时间样本中最大值与最小值的差值；统计落入各区间的样本个数，计算出个区间的累积频率，从而初步估测物流单元时间分布。
使用极大似然法求解物流单元时间分布参数。以图2中节点N1与N5间物流单元流转时间分布估计为例，设两节点间流转时间随机变量为T，假设初步估计变量分布为正态分布，可采用极大似然法求解正态分布参数；其概率密度函数为f(t，μ，σ)，获得时间样本值为t1，t2，...tn，则随机点(T1，T2，...Tn)取值为(t1，t2，...tn)时联合密度函数值为
Figure BDA0002564980140000091
因此按照极大似然法，应选，μ和σ的值使得该概率达到最大。似然函数如下：
Figure BDA0002564980140000101
其中，公式(1)的似然函数为：
Figure BDA0002564980140000102
将l(μ，σ2)分别对μ，σ2求偏导，并令其都为0，得似然方程组：
Figure BDA0002564980140000103
解似然方程组，得：
Figure BDA0002564980140000104
求解出分布参数μ，σ，从而确定节点N1与N5之间物流单元流转时间的分布。
使用如上方法，分别求出节点N1和N5、N1和N2、N5和N11以及N2和N11之间的物流单元流转时间分布，则可以求解两个节点间物流单元流转时间期望参数。
Figure BDA0002564980140000105
因此可以得到各物流路径的时间期望参数，一条物流路径的时间期望参数为其各段节点间路径时间期望参数之和。如路径N1→N5→N11的路径时间期望参数为
Figure BDA0002564980140000111
如下列步骤所述，将最小时间期望参数所对应的快速分叉节点设为所述快速节点。
参照图4，作为一种示例，在通过前述步骤求出所述第三子链网中所有物流路径的时间期望参数后，以预设的物流单元时间差与各物流路径时间期望参数最小化为目标，选择基准路径，在该路径上所通过的快速分叉节点(N2或N5)即为物流单元通过的快速节点。
如所述步骤S130所述，依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径。
需要说明的是，在通过前述步骤得到物流单元在物流链网中经过的快速节点后，进一步进行对物流路径的完整路径进行估测。
该估测路径能够进一步确定物流单元的危害问题引入的节点，以及对物流单元安全问题进行溯源，还可以对待运送的物流单元进行物流路径的推荐。
在一实施例中，可以结合下列描述进一步说明步骤S130所述“依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径”的具体过程。
如下列步骤所述，依据所述第一子链网及所述快速节点确定第二子链网；
在一进阶实施例中，可以结合下列描述进一步说明步骤“依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点”的具体过程。
如下列步骤所述，剔除所述第一子链网中的所述快速分叉起始节点和所述快速分叉节点；
如下列步骤所述，依据所述第一子链网中剩余的所述物流节点生成所述第二子链网。
参照图5，需要说明的是，由于已经通过前述步骤确定出物流单元所经过的快速节点，因此可以将分析域内物流链网中的该被经过的快速节点视为固定节点进行剔除，保持其它变化节点不变，得到如图5所示的第二子链网。
如下列步骤所述，依据所述第二子链网及所述置信节点确定所述物流估测路径。
在一进阶实施例中，可以结合下列描述进一步说明步骤“依据所述第二子链网及所述置信节点确定所述物流估测路径”的具体过程。
如下列步骤所述，分别确定第二子链网中从所述起始节点通过各个所述分叉节点到达终止节点的时间期望参数；
需要说明的是，本步骤所进行的时间期望参数的计算方式与前述步骤中计算N1→N5的时间期望参数的计算方式相同，具体过程参考前文，在此不再重复赘述。
如下列步骤所述，依据所述时间期望参数以及所述置信节点生成所述物流估测路径。
由此，可以提高确认出的物流估测路径的真实性，以及提高估测效率。
在一进阶实施例中，可以结合下列描述进一步说明步骤“依据所述时间期望参数以及所述置信节点生成所述物流估测路径”的具体过程。
如下列步骤所述，若存在时间期望参数相同的物流路径，则将含有所述置信节点数量最多的物流路径设为所述物流估测路径；
如下列步骤所述，若不存在时间期望参数相同的物流路径，则将最小时间期望参数所对应的物流路径设为所述物流估测路径。
参照图5，作为一种示例，在分别计算出N1和N8、N1和N6、N1和N7、N8和N11、N6和N11以及N7和N11之间的物流单元流转时间分布，得到3条路径的路径时间期望参数。由于在不包含快速节点的其它变化节点路径判定中，路径的选择可能存在多条，因此预设路径选择阈值γ，规定所有与基准路径时间期望参数差值小于γ的路径均为可选路径。
当求解出多条可选路径时，将置信节点作为物流单元路径估测依据，包含置信节点较多的路径视为物流单元流转路径。在确定物流单元流转快速节点以及其它变化节点之后，结合在物流单元目标分析域中统计得到的固定节点数据，可以得到物流单元在物流链网中的完整的物流估测路径。
在一可选实施例中，还可以包括，依据所述快速节点和所述物流估测路径确定所述物流单元的所述问题节点。
在一实施例中，可以结合下列描述进一步说明上述步骤“依据所述快速节点和所述物流估测路径确定所述物流单元的所述问题节点”的具体过程：
如下列步骤所述，确定所述物流估测路径中位于所述快速节点前的物流节点为问题节点。
由此，以降低排查人员所需要进行排查的物流节点数量，以提高物流单元追溯的效率以及准确性。
本发明针对传统的不完备数据链物流单元追溯方法中存在的分析域过大，模型粒度较小、物流单元流转路径可信度低且无法满足某些节点的分析时效性要求等问题，将物流链网中的节点分为变化节点和固定节点，针对变化节点进行分析。并根据变化节点的不同分析时效性要求，将变化节点分为快速节点和慢速节点。通过在物流单元数据集中引入物流链网节点属性，并将其视为不完备数据集。将物流单元流转路径估测问题视为不完备数据集中缺失数据填补问题，引入不完备数据聚类方法，将聚类结果视为物流单元目标分析域，同时将缺失数据填补结果视为节点置信值，并由此确定置信节点。通过物流单元目标分析域确定精简物流链网(第一子链网)，进而确定快速精简的物流链网(第二子链网)。在此基础上，再使用不完备数据链物流单元估测方法，从而优先快速确定物流单元流经的快速节点，并进一步确定物流单元流经的变化节点。在存在多条可选路径时，引入置信节点对流转路径进行判别，从而增大了物流单元流转路径估测可信度。将分析域限制为与追溯数据缺失的物流单元对象总体相异程度较小的物流单元对象数据集，从而缩小不完备数据链物流单元追溯方法分析域，排除无关节点及数据。基于精简物流链网求解物流单元时间分布模型，增大了模型粒度，并降低了求解过程的复杂度。
参考图2-5，在一具体实现中，为了验证通过物流链网求解物流单元流转的快速节点，并进一步确定物流单元流转路径方法的有效性，以图2所示的物流链网为例进行仿真分析。假设通过物流单元历史数据集构建的物流链网如图2所示，现知道某物流单元从端节点N1出发，在后续多个节点(N2-N12)间流转，其追溯数据丢失，须确定物流单元流转路径。
将物流链网中的节点引入为物流单元二值属性，如果物流单元历史数据集中，一个物流单元通过节点N2，则其属性N2的值为1。假设物流单元A的追溯数据缺失，即其路径节点属性N1至N12属性值未知。使用基于不完备数据聚类方法对物流单元历史数据集进行聚类，假设聚类后的包含物流单元A的一类物流单元对象共100个，路径节点属性填补值从N1至N12为(1，0，0，1，1，1，1，0，1，0，1，0)。对这100个物流单元对象流转数据分析得到，其流转涉及的路径如图2中虚线箭头及相应节点部分，即如图3所示第一子链网。
假设知道节点N2和N5为快速节点，按上述方法，删除节点N4、N6、N7、N8及相应的有向边，得到第二子链网如图4所示。
在节点间的物流单元流转关系中，物流单元在两个节点间的流转时间，如物流单元在两个存在有向边直接相连的节点间的配送时间，可近似认为在某个值上下浮动，即流转时间可以视为呈正太分布。若据实际情况分析得出为其他分布类型，也可依照下述步骤流程进行估测。
以节点N1和N2间时间分布函数f(t1，2)估测为例，求解节点间时间分布特征，从而得出路径时间期望参数，从而确定物流单元流经的快速节点。采集在前述中得到100个物流单元对象的流转时间数据(当聚类后包含物流单元A的一类物流单元对象数量过多时，可选取合适数量的物流单元对象作为随机样本)作为随机样本t1，t2，t3，...，t100，单位为h。根据分组经验公式将样本数据划分成12组，将总体值域划分成12个互不相容的区间，并建立样本频率分布表，如表一所示。
组序 组中值 频数 频率 累积频率
1 3.2215 1 0.01 0.01
2 3.3937 3 0.03 0.04
3 3.5124 6 0.06 0.10
4 3.6668 9 0.09 0.19
5 3.7817 14 0.14 0.33
6 3.9001 15 0.15 0.48
7 4.0223 18 0.18 0.66
8 4.1518 14 0.14 0.80
9 4.2624 8 0.08 0.88
10 4.3730 6 0.06 0.94
11 4.4908 3 0.03 0.97
12 4.5855 3 0.03 1.00
表一
通过频率分布表可以实现对变量分布形态的估计。由表一判定节点N1和N2间的时间分布服从正太分布，期望值在4附近。经过计算，得到正太分布参数μ和σ的极大似然估计值分别为：
Figure BDA0002564980140000151
因此，节点N1和N2之间的物流单元流转时间分布为N(3.97，0.10)。同理，计算出各节点间的物流单元流转时间分布如表二所示。
出发节点 到达节点 时间分布
N1 N5 N(3.23，0.07)
N1 N2 N(3.97，0.10)
N5 N11 N(14.05，0.06)
N2 N11 N(15.88，0.09)
表二
计算出第二子链网中2条路径的流转时间期望参数如表三所示。
路径 流转时间期望参数
N1→N5→N11 17.28
N1→N2→N11 19.85
表三
假设在预设的追溯数据缺失的物流单元发出时间和接收时间已知，其差值为19.50h。路径N1→N2→N11与预设时间值的差为0.35h，路径N1→N5→N11的时间差为1.77h。据上述分析，该目标分析域通过的快速节点为N2。
在确定快速节点之后，需要进一步确定物流单元完整流转路径。按照前述方法，求出如图5所示第三子链网中存在有向边相连的各节点间的物流单元流转时间分布如表四所示。
出发节点 到达节点 时间分布
N1 N8 N(9.52，0.09)
N1 N7 N(10.43，0.09)
N1 N6 N(11.05，0.08)
N8 N11 N(6.24，0.07)
N7 N11 N(5.45，0.11)
N6 N11 N(6.88，0.12)
表四
同理，可求出3条路径的流转时间期望参数如表五所示。
路径 流转时间期望参数
N1→N8→N11 15.78
N1→N7→N11 15.88
N1→N6→N11 17.93
表五
由于在第一子链网中，变化节点一般较多，而且变化节点所产生的路径分支同样较多，因此直接采用路径流转时间期望参数与预设时间差值作为判定依据，容易产生较大的误差，导致物流单元路径估测可信度低。因此，在进行变化节点判定时，预设一个阈值γ，在实际应用中，γ的值根据两节点间流转时间的数量级进行设置，建议设置为节点间物流单元流转时间均值的10％-20％。在该仿真分析中，两节点间流转时间期望参数约为4h，可将γ值设置为0.5h。路径流转时间期望参数与预设时间的差值小于γ的路径均为可选路径。设预设的追溯数据缺失的物流单元发出时间和接收时间差值为16.2h，因此路径N1→N8→N11及N1→N7→N11均为可选路径。当存在多条可选路径时，采用置信节点作为路径判定依据。查找追溯数据缺失的物流单元的节点属性置信值为(1，0，0，1，1，1，1，0，1，0，1，0)，可知节点N7置信值为1，节点N8置信值为0，说明节点N7为置信节点，包含置信节点较多的路径具有更高的可信度。因此，物流单元流转路径为N1→N7→N11。
经过上述分析，分别确定了物流单元在精简物流链网中流经的快速节点及变化节点，综合固定节点信息，可以确定物流单元完整流转路径为：N1→N2→N4→N7→N9→N11。
进一步地，由于N2为快速节点，因此，问题节点则可以为N1和/或N2。
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。
参照图6，示出了本申请一实施例提供的一种物流路径的估测装置，所述装置应用于估测物流单元在物流链网中的物流路径；其中，所述物流链网由多条所述物流路径组成，所述物流路径由多个物流节点按单一方向连接而成；
具体包括：
第一确定模块610，用于获取物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点；其中，所述链网信息包括物流节点信息；
第二确定模块620，用于依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点；
第三确定模块630，用于依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径。
在本发明一实施例中，所述第二确定模块620，包括：
第一子链网确定子模块，用于依据所述链网信息及目标分析域确定第一子链网；
快速节点确定子模块，用于依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点。
在本发明一实施例中，所述第三确定模块630，包括：
第二子链网确定子模块，用于依据所述第一子链网及所述快速节点确定第二子链网；
物流估测路径确定子模块，用于依据所述第二子链网及所述置信节点确定所述物流估测路径。
在本发明一实施例中，所述第一子链网确定子模块，包括：
节点类型确定子模块，用于依据所述链网信息确定所述物流链网中各物流节点的节点类型；其中，所述节点类型包括起始节点，终止节点，分叉节点，分叉起始节点，以及路径中间节点；
第一子链网生成子模块，用于依据所述起始节点，所述终止节点，所述分叉节点，以及所述分叉起始节点生成所述第一子链网。
在本发明一实施例中，所述快速节点确定子模块，包括：
快速分叉起始节点确定子模块，用于依据所述第一子链网中各物流节点的时效性等级确定出时效性等级最高的所述分叉节点所对应的分叉起始节点，并将所述分叉起始节点设为快速分叉起始节点；
快速分叉节点确定子模块，用于确定所述快速分叉起始节点对应的所述分叉节点为快速分叉节点，并依据所述起始节点，所述终止节点，以及所述快速分叉节点生成第三子链网；
第一时间期望参数确定子模块，用于分别确定第三子链网中从所述起始节点通过各个所述快速分叉节点到达终止节点的时间期望参数；
快速节点设置子模块，用于将最小时间期望参数所对应的快速分叉节点设为所述快速节点。
在本发明一实施例中，所述第二子链网确定子模块，包括：
快速分叉起始节点和快速分叉节点剔除子模块，用于剔除所述第一子链网中的所述快速分叉起始节点和所述快速分叉节点；
第二子链网生成子模块，用于依据所述第一子链网中剩余的所述物流节点生成所述第二子链网。
在本发明一实施例中，所述物流估测路径确定子模块，包括：
第二时间期望参数确定子模块，用于分别确定第二子链网中从所述起始节点通过各个所述分叉节点到达终止节点的时间期望参数；
物流估测路径生成子模块，用于依据所述时间期望参数以及所述置信节点生成所述物流估测路径。
在本发明一实施例中，所述物流估测路径生成子模块，包括：
第一物流估测路径设置子模块，用于若存在时间期望参数相同的物流路径，则将含有所述置信节点数量最多的物流路径设为所述物流估测路径；
第二物流估测路径设置子模块，用于若不存在时间期望参数相同的物流路径，则将最小时间期望参数所对应的物流路径设为所述物流估测路径。
参照图7，示出了本发明的一种物流路径的估测方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20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。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图7中未示出，可以结合计算机设备12使用其他硬件和/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16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的物流路径的估测方法。
也即，上述处理单元16执行上述程序时实现：获取物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点；其中，所述链网信息包括物流节点信息；依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点；依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的物流路径的估测方法：
也即，给程序被处理器执行时实现：获取物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点；其中，所述链网信息包括物流节点信息；依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点；依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机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。
计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。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。
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物流路径的估测方法，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 (9)

1.一种物流路径的估测方法，其特征在于，所述方法应用于估测物流单元在物流链网中的物流路径；其中，所述物流链网由多条所述物流路径组成，所述物流路径由多个物流节点按单一方向连接而成；
所述方法包括：
获取物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点；其中，所述链网信息包括物流节点信息；具体地，聚类所述物流单元对象不完备数据集并对缺失值进行填补，将所述物流链网的节点引入为所述物流单元的二值属性，将聚类结果中包含追溯信息不完备的所述物流单元所属类视为所述目标分析域，数据填补结果为节点置信值，置信值为1的节点为所述置信节点；
依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点；具体地，依据所述链网信息及目标分析域确定第一子链网；依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点；其中，所述快速节点的时间期望参数最小；
依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径；具体地，依据所述第一子链网及所述快速节点确定第二子链网；依据所述第二子链网及所述置信节点确定所述物流估测路径。
2.根据权利要求1所述的方法，其特征在于，所述依据所述链网信息及目标分析域确定第一子链网的步骤，包括：
依据所述链网信息确定所述物流链网中各物流节点的节点类型；其中，所述节点类型包括起始节点，终止节点，分叉节点，分叉起始节点，以及路径中间节点；
依据所述起始节点，所述终止节点，所述分叉节点，以及所述分叉起始节点生成所述第一子链网。
3.根据权利要求2所述的方法，其特征在于，所述依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点的步骤，包括：
依据所述第一子链网中各物流节点的时效性等级确定出时效性等级最高的所述分叉节点所对应的分叉起始节点，并将所述分叉起始节点设为快速分叉起始节点；
确定所述快速分叉起始节点对应的所述分叉节点为快速分叉节点，并依据所述起始节点，所述终止节点，以及所述快速分叉节点生成第三子链网；
分别确定第三子链网中从所述起始节点通过各个所述快速分叉节点到达终止节点的时间期望参数；
将最小时间期望参数所对应的快速分叉节点设为所述快速节点。
4.根据权利要求3所述的方法，其特征在于，所述依据所述第一子链网及所述快速节点确定第二子链网的步骤，包括：
剔除所述第一子链网中的所述快速分叉起始节点和所述快速分叉节点；
依据所述第一子链网中剩余的所述物流节点生成所述第二子链网。
5.根据权利要求4所述的方法，其特征在于，所述依据所述第二子链网及所述置信节点确定所述物流估测路径的步骤，包括：
分别确定第二子链网中从所述起始节点通过各个所述分叉节点到达终止节点的时间期望参数；
依据所述时间期望参数以及所述置信节点生成所述物流估测路径。
6.根据权利要求5所述的方法，其特征在于，所述依据所述时间期望参数以及所述置信节点生成所述物流估测路径的步骤，包括：
若存在时间期望参数相同的物流路径，则将含有所述置信节点数量最多的物流路径设为所述物流估测路径；
若不存在时间期望参数相同的物流路径，则将最小时间期望参数所对应的物流路径设为所述物流估测路径。
7.一种物流路径的估测装置，其特征在于，所述装置应用于估测物流单元在物流链网中的物流路径；其中，所述物流链网由多条所述物流路径组成，所述物流路径由多个物流节点按单一方向连接而成；
具体包括：
第一确定模块，用于获取物流单元对应的物流链网的链网信息，并依据所述链网信息确定所述物流单元的目标分析域及置信节点；其中，所述链网信息包括物流节点信息；具体地，聚类所述物流单元对象不完备数据集并对缺失值进行填补，将所述物流链网的节点引入为所述物流单元的二值属性，将聚类结果中包含追溯信息不完备的所述物流单元所属类视为所述目标分析域，数据填补结果为节点置信值，置信值为1的节点为所述置信节点；
第二确定模块，用于依据所述链网信息，目标分析域以及所述物流链网中各物流节点的时效性等级确定快速节点；具体地，依据所述链网信息及目标分析域确定第一子链网；依据所述第一子链网及所述物流链网中各物流节点的时效性等级确定所述快速节点；其中，所述快速节点的时间期望参数最小；
第三确定模块，用于依据所述链网信息，目标分析域以及所述置信节点确定所述物流单元对应的物流估测路径；具体地，依据所述第一子链网及所述快速节点确定第二子链网；依据所述第二子链网及所述置信节点确定所述物流估测路径。
8.一种计算机设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
CN202010620367.9A 2020-07-01 2020-07-01 物流路径的估测方法 Active CN111784246B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010620367.9A CN111784246B (zh) 2020-07-01 2020-07-01 物流路径的估测方法
US17/008,626 US20220004947A1 (en) 2020-07-01 2020-08-31 Logistics route prediction method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010620367.9A CN111784246B (zh) 2020-07-01 2020-07-01 物流路径的估测方法

Publications (2)

Publication Number Publication Date
CN111784246A CN111784246A (zh) 2020-10-16
CN111784246B true CN111784246B (zh) 2023-04-07

Family

ID=72760921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010620367.9A Active CN111784246B (zh) 2020-07-01 2020-07-01 物流路径的估测方法

Country Status (2)

Country Link
US (1) US20220004947A1 (zh)
CN (1) CN111784246B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611761B (zh) * 2023-07-18 2024-01-05 深圳市恒顺合鑫科技有限公司 一种基于智慧物流的信息处理方法及系统
CN116911470B (zh) * 2023-09-12 2024-01-02 深圳市宏大供应链服务有限公司 一种基于深度学习的数据分析方法、系统及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2279359C (en) * 1999-07-30 2012-10-23 Basantkumar John Oommen A method of generating attribute cardinality maps
CN104519010B (zh) * 2013-09-27 2018-01-16 中国电信股份有限公司 网络安全探针的部署方法和装置
CN104598979B (zh) * 2013-10-31 2021-10-08 Sap欧洲公司 基于时间和位置的递送最优化
CN106919998B (zh) * 2015-12-28 2021-07-06 航天信息股份有限公司 一种基于aoe网络的物流模型及方法
AU2017423439A1 (en) * 2017-07-12 2019-12-05 Deutsche Post Ag Improved routing system
CN109104304B (zh) * 2018-07-24 2021-06-01 国网山东省电力公司电力科学研究院 一种分布式实时故障处理方法
CN110730128B (zh) * 2018-11-05 2021-09-21 安天科技集团股份有限公司 信息传播路径的处理方法、装置、电子设备、存储介质
CN110430133B (zh) * 2019-05-23 2020-06-26 北京航空航天大学 一种基于置信区间的域间路径标识前缀获取方法
CN111090780B (zh) * 2019-12-09 2023-05-26 建信金融科技有限责任公司 可疑交易信息的确定方法及装置、存储介质、电子设备

Also Published As

Publication number Publication date
US20220004947A1 (en) 2022-01-06
CN111784246A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN108595157B (zh) 区块链数据的处理方法、装置、设备和存储介质
CN106951925B (zh) 数据处理方法、装置、服务器及系统
CN111680165B (zh) 信息匹配方法、装置、可读存储介质和电子设备
CN111784246B (zh) 物流路径的估测方法
CN114418035A (zh) 决策树模型生成方法、基于决策树模型的数据推荐方法
CN110909868A (zh) 基于图神经网络模型的节点表示方法和装置
CN112181430A (zh) 代码变更统计方法、装置、电子设备及存储介质
CN113268665A (zh) 基于随机森林的信息推荐方法、装置、设备及存储介质
CN112214402A (zh) 一种代码验证算法的选择方法、装置及存储介质
CN111784248B (zh) 物流溯源方法
CN111738290A (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN116089504A (zh) 一种关系型表格数据生成方法和系统
CN113591881B (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN110765100B (zh) 标签的生成方法、装置、计算机可读存储介质及服务器
CN115203556A (zh) 一种评分预测模型训练方法、装置、电子设备及存储介质
CN110708414B (zh) 一种电话号码的排序方法、装置及电子设备
CN112732891A (zh) 办公课程推荐方法、装置、电子设备及介质
CN112948469A (zh) 数据挖掘方法、装置、计算机设备及存储介质
CN111461892A (zh) 用于风险识别模型的衍生变量选择方法和装置
CN113191405B (zh) 一种基于集成电路的带权超图的多级聚类方法及存储介质
CN113284027A (zh) 团伙识别模型的训练方法、异常团伙识别方法及装置
CN114185943A (zh) 一种数据校验系统、方法和电子设备
CN117973926A (zh) 一种项目绩效评价模型的构建方法
CN117609234A (zh) 数据处理方法及装置
CN116611939A (zh) 基于深度q学习优化理赔预测模型的方法及其相关设备

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