具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在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。
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。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图仅为本发明的示意性图解,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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
下面结合附图对本发明示例实施方式进行详细说明。
图1是根据一示例性实施例示出的一种订单数据处理方法及装置的系统框图。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的订单数据处理系统提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的订单数据处理请求等数据进行分析等处理,并将处理结果(例如物流状态转移矩阵、目标值序列、异常订单--仅为示例)反馈给终端设备。
服务器105可例如获取订单的物流状态变化,并将其整合为物流状态序列,所述物流状态序列包括物流状态编码与其对应的时间序列信息;服务器105可例如通过所述物流状态序列构建物流状态转移矩阵、物流起始状态概率向量、以及物流结束状态概率向量;服务器105可例如通过所述物流状态转移矩阵、物流起始状态概率向量以及物流结束状态概率向量对所述物流状态序列进行转换,生成物流状态转换序列。服务器105可例如基于所述物流状态转换序列计算所述订单的订单。生产效率值,若所述订单生产效率值小于订单异常阈值,则将所述订单标记为异常订单。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,服务器105中的一部分可例如作为本申请中的订单数据处理任务提交系统,用于获取将要执行订单数据处理命令的任务;以及服务器105中的一部分还可例如作为本申请中的订单数据处理系统,用于获取订单的物流状态变化,并将其整合为物流状态序列,所述物流状态序列包括物流状态编码与其对应的时间序列信息;通过所述物流状态序列构建物流状态转移矩阵、物流起始状态概率向量、以及物流结束状态概率向量;通过所述物流状态转移矩阵、物流起始状态概率向量以及物流结束状态概率向量对所述物流状态序列进行转换,生成物流状态转换序列;以及基于所述物流状态转换序列计算所述订单的订单生产效率值,若所述订单生产效率值小于订单异常阈值,则将所述订单标记为异常订单。
需要说明的是,本申请实施例所提供的订单数据处理的方法可以由服务器105执行,相应地,订单数据处理的装置可以设置于服务器105中。而提供给用户用于提交订单数据处理任务与获取订单数据处理结果的请求端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种订单数据处理方法的流程图。根据图2示出的订单数据处理方法,能够准确筛选出由于线下流转以及线上系统导致的异常订单,且无需限制数据维度。下面,将参照图2,对本申请示例性实施例中的订单数据处理方法进行说明。
在步骤S210中,获取订单的物流状态变化,并将其整合为物流状态序列,物流状态序列包括物流状态编码与其对应的时间序列信息。其中,订单可为提取的历史已完成订单或正在处理的订单,例如物流运单,又例如为电商的购物订单。订单的状态可例如为但不限于等待受理、正在配货、分拣中心分拣、分拣中心发货、站点收货、站点验货等,以表示订单在每一时间段内所处的状态。其中,可使用数字或字母作为物流状态编码,并根据订单的物流状态变化生成订单的物流状态序列。例如,订单状态依次为:等待受理、正在配货、分拣中心分拣、分拣中心发货、站点收货、站点验货、配送员投递、妥投,其物流状态编码分别表示为A、B、C、D、E、F、G、H,则物流状态序列可通过时间序列表示为:{A,B,C,D,E,F,G,H}。
在步骤S220中,基于物流状态序列生成物流状态转移矩阵、物流起始状态概率向量、以及物流结束状态概率向量。所述物流状态转移矩阵中的元素表示所述订单从一个物流状态转移到另一物流状态的概率值,所述物流起始状态概率向量中的元素表示对应物流状态作为所述订单的物流初始状态的概率值,所述物流结束状态概率向量中的元素表示对应物流状态作为所述订单的物流结束状态的概率值
根据示例实施例,可根据所述物流状态编码确定所述订单的多个流转状态;根据所述时间序列信息确定所述多个流转状态的多个物流状态转换概率;以及根据所述多个物流状态转换概率与对应的物流状态编码确定所述物流状态转移矩阵。其中当物流状态编码为字母A、B、C、D等表示时,多个流转状态可例如表示为A-B、A-C、A-D、B-C、B-D等。多个物流状态转换概率可根据某一状态转换至另一状态的次数进行计算。例如,A-B的物流状态转换概率可通过下式计算:A-B流转状态的出现次数/A-任意状态的流转状态的出现次数。物流状态转移矩阵可以是维度为状态数量的方阵T,元素Tij表示为第i个状态到第j个状态的物流状态转换概率。
根据示例实施例,可根据时间序列信息确定物流状态编码为物流状态序列起始状态的概率;以及根据物流状态编码为物流状态序列起始状态的概率构建物流起始状态概率向量,物流起始状态概率向量为列向量,其行数为物流状态编码的数量。其中,物流起始状态概率向量中第i个元素表示为第i个状态出现在每一物流状态序列起始位置的概率。例如,在n个物流状态序列(与n个订单相对应)中,以第i个状态(例如物流状态编码为A的状态)为起始状态的物流状态序列有ai个,则物流起始状态概率向量的第i个元素si=ai/n。
根据示例实施例,还可根据时间序列信息确定物流状态编码为物流状态序列结束状态的概率;以及根据物流状态编码为物流状态序列结束状态的概率构建物流结束状态概率向量,物流结束状态概率向量为列向量,其行数为物流状态编码的数量。其中,物流结束状态概率向量中第i个元素表示为第i个状态出现在每一物流状态序列结束位置的概率。例如,在n个物流状态序列(与n个订单相对应)中,以第i个状态(例如物流状态编码为A的状态)为结束状态的物流状态序列有bi个,则物流结束状态概率向量的第i个元素ei=bi/n。
在步骤S230中,通过物流状态转移矩阵、物流起始状态概率向量以及物流结束状态概率向量对所述物流状态序列进行转换,生成物流状态转换序列。其中,物流状态转换序列可为与物流状态序列维度相同的行向量。物流状态转换序列中的元素可表示其对应的状态转换为下一状态的概率值。
根据示例实施例,可根据物流起始状态概率向量以及物流结束状态概率向量确定物流状态序列中的起始元素值以及结束元素值;根据物流状态转移矩阵确定物流状态序列中剩余元素的取值;以及根据起始元素值、结束元素值以及剩余元素的取值生成物流状态转换序列。在物流状态转换序列中,与物流状态序列中起始状态相对应的元素可为该起始状态为所有物流状态序列起始状态的概率;与物流状态序列中结束状态相对应的元素可为该结束状态为所有物流状态序列结束状态的概率;剩余元素的取值可为与其对应的物流状态序列的物流状态转换概率,即通过物流状态转移矩阵中对应的元素值确定。
在步骤S240中,基于所述物流状态转换序列计算所述订单的订单生产效率值,若所述订单生产效率值小于订单异常阈值,则将所述订单标记为异常订单。物流状态转换序列中的元素值均表征概率,当概率较小或满足订单异常阈值时,即认为该流转状态可能为异常流转状态,即其对应的订单可能出现了异常情况。
根据示例实施例,可通过目标值算法与所述物流状态转换序列计算所述订单的订单生产效率值;根据所述订单生产效率值对所述订单进行排序,生成订单生产效率值序列;以及在所述订单生产效率值序列中存在小于订单异常阈值的元素时,确定该元素对应的订单为异常订单。
根据示例实施例,通过目标值算法与所述物流状态转换序列计算所述订单的订单生产效率值可包括以下情况的一种或多种:通过最小值算法与所述物流状态转换序列计算所述订单的订单生产效率值;通过联乘算法与所述物流状态转换序列计算所述订单的订单生产效率值;以及通过修正算法与所述物流状态转换序列计算所述订单的订单生产效率值。最小值算法可确定物流状态转换序列中的最小值;联乘算法可计算物流状态转换序列中所有元素值的乘积;修正算法可计算连乘值的次方根,例如为联乘值开k次方根,k为物流状态转换序列的维度。对订单的排序可例如根据订单生产效率值的大小进行排序。
根据示例实施例,所述订单生产效率值序列中存在小于订单异常阈值的元素可包括:在所述订单生产效率值序列中存在小于订单异常阈值的元素,且该元素在所述订单生产效率值序列的排名大于排序阈值时,确定该目标值为异常值。例如,当目标值序列中排序在排序阈值W位以后,且目标值小于异常阈值V时,认为该目标值为异常值。排序阈值W和异常阈值V的具体取值可根据经验数值或试验确定。
根据本申请的订单数据处理方法,通过构建基于样本的物流状态转移矩阵、物流起始状态概率向量以及物流结束状态概率向量,并根据其构建物流状态转换序列以及计算目标值,以根据目标值筛选异常订单。本申请的订单数据处理方法基于订单的物流状态变化计算订单生产效率值,能够据此准确筛选出由于线下流转以及线上系统导致的异常订单,且无需限制数据维度。
图3是根据一示例性实施例示出的一种订单数据处理方法的流程图。参照图3,订单数据处理方法可包括:
在步骤S310中,根据物流状态编码确定订单的多个流转状态。其中,多个流转状态表示订单的状态从例如A流转到B的过程。根据每一订单的物流状态序列,可获得多个流转状态,例如,订单的物流状态序列为{A,B,C,D,E,F,G,H}时,其对应的多个流转状态分别为:A-B、B-C、C-D、D-E、E-F、F-G、G-H。
在步骤S320中,根据时间序列信息确定多个流转状态的多个物流状态转换概率。其中,以A-B的物流状态转换概率为例,流转状态A-B可能在一个订单中出现多次,也可能在多个订单中均有出现;此外,以流转状态的起始状态A为例,还有A-C、A-D等等多种,统计上述多种流转状态的出现次数,A-B的转移概率可计算为:A-B的出现次数/A流转的总次数。应该理解,流转概率还可以流转状态的结束状态为统计基础,本发明的技术方案并不以此为限。
在步骤S330中,根据多个物流状态转换概率与对应的物流状态编码确定物流状态转移矩阵。其中,物流状态转移矩阵的维度与状态的总数相同。在物流状态转移矩阵T中,元素Tij表示为第i个状态到第j个状态的物流状态转换概率。
图4是根据一示例性实施例示出的一种订单数据处理方法的流程图。参照图4,订单数据处理方法可包括:
在步骤S410中,根据物流起始状态概率向量以及物流结束状态概率向量确定物流状态序列中的起始元素值以及结束元素值。例如,某一订单的物流状态序列以A为起始状态,B为结束状态,则其对应的起始元素值为物流起始状态概率向量中状态A对应的元素值,其对应的结束元素值为物流结束状态概率向量中状态B对应的元素值。
在步骤S420中,根据物流状态转移矩阵确定物流状态序列中剩余元素的取值。其中,物流状态序列中的剩余元素指物流状态序列除去起始状态、结束状态后的状态,剩余元素的取值由物流状态转移矩阵确定。例如,在物流状态序列{A,B,C,D,E,F,G,H}中,剩余元素为{B,C,D,E,F,G},其取值可分别为B-C、C-D、D-E、E-F、F-G、G-H的流转概率,即物流状态转移矩阵中对应的取值。
在步骤S430中,根据起始元素值、结束元素值以及剩余元素的取值生成所述物流状态转换序列。其中,可根据步骤S410、S420中获得的值以一一对应的顺序构建物流状态转换序列,物流状态转换序列可为与物流状态序列维度相同的行向量。物流状态转换序列中的元素可相应表征每一状态出现的概率值。
图5是根据一示例性实施例示出的一种订单数据处理方法的流程图。参照图5,订单数据处理方法可包括:
在步骤S510中,通过目标值算法与所述物流状态转换序列计算所述订单的订单生产效率值。其中,目标值算法可例如但不限于为最小值算法、联乘算法以及修正算法。由于物流状态转换序列与订单是一一对应的,所以目标值与订单也是一一对应的,即每一订单具有一目标值。
在步骤S520中,根据订单生产效率值对订单进行排序,生成订单生产效率值序列。其中,可根据订单生产效率值序列的大小对其进行排序,排序结果即为订单生产效率值序列。由于订单生产效率值与订单是一一对应的,即可根据订单生产效率值序列的排序结果对订单进行排序。
在步骤S530中,在订单生产效率值序列中存在小于订单异常阈值的元素时,确定该元素对应的订单为异常订单。其中,通过目标值算法计算得到的目标值可表征该订单为异常订单的情况。例如,当使用最小值算法时,得到目标值序列为物流状态转换序列中的最小值,即物流状态序列中可能出现的最小概率,当该最小概率不满足例如最小概率阈值条件时,认为该订单生产效率值(即订单生产效率值序列中的该元素)对应的订单为异常订单。
图6是根据一示例性实施例示出的一种订单数据处理方法的流程图。参照图6,订单数据处理方法可包括:
在步骤S610中,通过最小值算法与所述物流状态转换序列计算所述订单的订单生产效率值。其中,最小值算法可确定每一物流状态转换序列中的最小值。
在步骤S620中,通过联乘算法与所述物流状态转换序列计算所述订单的订单生产效率值。其中,联乘算法可计算物流状态转换序列中所有元素的乘积。
在步骤S630中,通过修正算法与所述物流状态转换序列计算所述订单的订单生产效率值。其中,修正算法可在联乘算法的基础上,对所有元素进行开方,以获得其订单生产效率值。例如为联乘值开k次方根,k为物流状态转换序列的维度。
图7是根据一示例性实施例示出的一种订单数据处理方法的流程图。参照图7,订单数据处理方法可包括:
在步骤S710中,模型构建。其中,模型包括物流状态转移矩阵T、物流起始状态概率向量S以及物流结束状态概率向量E。在构建模型时,可从订单业务系统中获取全部已完结的历史订单,作为待提取的历史订单,每一条订单数据为一个时间序列,序列中的每一项为订单物流状态编码,运单数据就反映了该订单从起始至结束按时间先后顺序状态的流转情况。企业中的历史订单数量庞大,仅一周时间生产的订单数量可达千万量级,本实施例中仅从中抽取5条,以说明本申请的技术方案流程。数据格式如表1所示。以第1条订单为例,订单号为77741266190,订单从产生至完结所经历的状态按时间顺序依次为13、16、10、10、13、16、-450、60、80、110、90、-480、90、150。上述数字为物流状态编码。在一个实施例中,13可代表分拣中心分拣,16可代表分拣中心发货,10可代表分拣中心验货,-450可代表封车,60可代表站点收货,80可代表站点验货,110可代表配送员收货,90可代表站点转站点,-480可代表取件单再投,150可代表妥投,其它将不一一例举。
表1、订单数据样例
在实际应用中,订单数据可为全部历史订单数据(例如数十亿运单)或超过一定数量的订单数据,不可能一一列出。在本实施例中,仅根据表1中的5条数据说明本示例实施例的方法流程,假设历史订单中只包含此5条数据。
首先,构建物流状态转移矩阵T:
矩阵T中元素的计算公式为:
其中,tsv代表订单由s状态转移至v状态的转移概率,s,v=1,2,……,n,n为订单状态总数。以表1为依据构建的物流状态转移矩阵可如图8所示。例如由状态10转移到状态13的概率为t_(10→13)=3/4=0.75,其中状态10在全部5条样本中发生转移的次数为4次,其中有3次转移至状态13。
其次,构建物流起始状态概率向量S:
向量S中的元素的计算公式为:
其中,i=1,2,……,n,n为状态总数。向量S中元素代表某一状态作为初始状态的概率值。以表1为依据构建的物流起始状态概率向量可如图9所示。在本实施例中,样本数量为5,其中以状态10作为初始状态的样本只有一条,因此,状态10作为初始状态的概率为0.2。
最后,构建物流结束状态概率向量E:
向量E中元素的计算公式为:
其中,j=1,2,……,n,n为状态总数。向量S中元素代表某一状态作为结束状态的概率值。以表1为依据构建的物流结束状态概率向量可如图10所示。在本实施例中,样本数量为5,其中以状态150作为结束状态的样本有4条,因此,状态150作为结束状态的概率为0.8。
步骤S720,数据转换。其中,可根据物流状态转移矩阵T、物流起始状态概率向量S及物流结束状态概率向量E对原始物流状态序列O
0={x1,x2,...,xk}
进行转换,得到物流状态转换序列
其中,x1,x2,...,xk表示原始序列O中对应时刻的物流状态编码,k为序列的长度。表1中的物流状态序列在经过转换后,获得转换系列如表2所示。
表2 运单-转换序列对应表
运单号(包裹号) |
物流状态转换序列 |
77741266190 |
[0.4,0.6,0.4,0.25,0.75,0.6,0.6,0.33,1,0.33,0.2,0.5,1,0.5,0.8] |
76926672179 |
[0.2,0.75,0.40.5,1,0.6,0.67,0.17,0.5,0.8] |
76912780692 |
[0.4,1,0.2,0.5,1,0.17,1,1,0.4,0.8] |
77720286063 |
[0.4,0.6,0.4,0.75,0.4,0.5,1,1,1,0.6,0.67,0.17,0.33,0.4,0.8] |
77674901639 |
[0.4,1,0.2,0.17,1,1,0.2] |
以订单77741266190为例,物流状态转换序列中第一个元素0.4对应于状态13的初始概率,最后一个元素0.8对应于状态150的结束概率,第二个元素对应于状态13至状态16的转移概率,以此类推。
步骤S730,订单生产效率值计算。分别采用最小值算法、联乘算法和修正算法计算每一个物流状态序列的订单生产效率值,其中
a)最小值算法,取物流状态转换序列C中的最小元素作为订单生产效率值Vm,
具体计算公式为:
其中ci代表物流状态转换序列C中的元素,i=1,2,……,K,K为物流状态转换序列C的长度,表3展示了基于最小值算法计算的订单生产效率值,每个运单的订单生产效率值即为物流状态转换序列C中的最小元素。
表3 基于最小值算法计算的订单生产效率值
b)联乘算法,取物流状态转换序列C中所有元素的乘积作为订单生产效率值Vp,具体计算公式为:
其中ci代表物流状态转换序列C中的元素,i=1,2,……,K,K为物流状态转换序列C的长度,表4展示了基于联乘算法计算的订单生产效率值,每个订单的订单生产效率值即为物流状态转换序列C中各元素的乘积。
表4 基于联乘算法计算的订单生产效率值
订单号 |
订单生产效率值 |
77741266190 |
2.8×10-5 |
76926672179 |
8.2×10-4 |
76912780692 |
2.2×10-3 |
77720286063 |
1.0×10-4 |
77674901639 |
1.36×10-2 |
c)修正算法,在联乘算法的基础上开K次方作为订单生产效率值Vc,具体计算公式为:
其中ci代表物流状态转换序列C中的元素,i=1,2,……,K,K为物流状态转换序列C的长度;表5展示了基于修正算法计算的订单生产效率值,每个订单的订单生产效率值即为物流状态转换序列中各元素相乘之后在开K,K为对应物流状态转换序列的长度。
表5 基于修正算法计算的订单生产效率值
步骤S740,异常提取。根据物流状态序列对应的异常值,提取异常物流状态序列,具体步骤包括:
a)异常值排序,具体包括:
1.对基于最小值算法计算得到的订单生产效率值进行排序,得到订单生产效率值序列:
其中,n=1,2,...,N,N为物流状态序列的数量,且当n1<n2时,/>
表6 最小值算法计算得到的订单生产效率值的排序(由小到大)
订单号 |
订单生产效率值 |
76912780692 |
0.17 |
76926672179 |
0.17 |
77674901639 |
0.2 |
77741266190 |
0.25 |
77720286063 |
0.33 |
2.对基于联乘算法计算得到的订单生产效率值进行排序,得到订单生产效率值序列:
其中,n=1,2,...,N,N为物流状态序列的数量,且当n1<n2时,
表7 联乘算法计算得到的订单生产效率值的排序(由小到大)
3.对基于修正算法计算得到的订单生产效率值进行排序,得到订单生产效率值序列:
其中,n=1,2,...,N,N为物流状态序列的数量,且当n1<n2时,
表8 修正算法计算得到的订单生产效率值进行排序(由小到大)
订单号 |
订单生产效率值 |
76926672179 |
0.49 |
77741266190 |
0.50 |
76912780692 |
0.54 |
77720286063 |
0.54 |
77674901639 |
0.54 |
b)设定阈值,具体包括:
1.针对订单生产效率值序列Qm,设置排序阈值Wm及订单异常阈值Vm,其中,Wm为正整数且小于物流状态序列的数量,且0≤Vm≤1;本实施例中可例如设定为Wm=2、Vm=0.2,但本发明的技术方案并不以此为限。
2.针对订单生产效率值序列Qp,设置排序阈值Wp及订单异常阈值Vp,其中,Wp为正整数且小于物流状态序列的数量,且0≤Vp≤1;本实施例中可例如设定为Wp=2、Vp=1.0×10-4,但本发明的技术方案并不以此为限。
3.针对订单生产效率值序列Qc,设置排序阈值Wc及订单异常阈值Vc,其中,Wc为正整数且小于物流状态序列的数量,且0≤Vc≤1,本实施例中可例如设定为Wc=2、Vc=0.5,但本发明的技术方案并不以此为限。
c)异常值提取,提取所有至少满足以下一个条件的物流状态序列O:
1.qm≤Vm,且qm在最小值序列Qm的排序小于Wm,其中,qm为物流状态序列O基于最小值算法计算得到的异常值,Vm为对应于最小值序列Qm的异常阈值,Wm为对应于最小值序列Qm的排序阈值。据此提取表6中,排序前2个运单及其所对应的原始物流状态序列,提取结果如表9所示。
表9 基于最小值算法的异常提取结果
2.qp≤Vp,且qp在联乘序列Qp的排序小于Wp,其中,qp为物流状态序列O基于联乘算法计算得到的异常值,Vp为对应于联乘序列Qp的异常阈值,Wp为对应于联乘序列Qp的排序阈值。据此提取表7中,排序前2个运单及其所对应的原始物流状态序列,如表10所示。
表10 基于联乘算法的异常提取结果
3.qc≤Vc,且qc在修正序列Qc的排序小于Wc,其中,qc为物流状态序列O基于修正算法计算得到的异常值,Vc为对应于修正序列Qc的异常阈值,Wc为对应于修正序列Qc的排序阈值。提取表8中,排序前2个运单及其所对应的原始物流状态序列,如表11所示。
表11 基于修正算法的异常提取结果
以上对于本实施例中实施方式的描述仅为说明算法流程以及提取过程,本申请在实际使用时仅在使用大量的样本数据(千万级以上)时,异常提取结果才具有统计意义。
根据本申请的订单数据处理,针对人工制定逻辑规则不能提取线上系统漏洞导致的异常情况,以及传统聚类方法对数据维度、数据形式的限制,提出了一种基于物流状态转移矩阵的订单数据处理方法。本申请的订单数据处理方法不仅可以监测运单包裹线下流转异常,对于线上系统问题导致的异常同样有效,利用多种目标值计算方法,多角度考察认知范围之外的异常情况,有助于及时发现系统漏洞,避免造成大规模的损失。
图11是根据一示例性实施例示出的一种订单数据处理装置的框图。参照图11,订单数据处理装置可以包括:物流状态序列模块1110、矩阵构建模块1120、物流状态转换序列模块1130以及异常判断模块1140。
在订单数据处理装置中,物流状态序列模块1110用于获取订单的物流状态变化,并将其整合为物流状态序列,所述物流状态序列包括物流状态编码与其对应的时间序列信息。其中,订单可为提取的历史已完成订单或正在处理的订单。
矩阵构建模块1120用于通过所述物流状态编码与其对应的时间序列物流状态序列构建物流状态转移矩阵、物流起始状态概率向量、以及物流结束状态概率向量。物流状态转移矩阵中每一元素可表示订单从一个状态转移到另一状态的概率。物流起始状态概率向量中的元素可表示其对应状态作为初始状态的概率值。物流结束状态概率向量中的元素可表示其对应状态作为结束状态的概率值。
根据示例实施例,可根据所述物流状态编码确定所述订单的多个流转状态;根据所述时间序列信息确定所述多个流转状态的多个物流状态转换概率;以及根据所述多个物流状态转换概率与对应的物流状态编码确定所述物流状态转移矩阵。
根据示例实施例,可根据时间序列信息确定物流状态编码为物流状态序列起始状态的概率;以及根据物流状态编码为物流状态序列起始状态的概率构建物流起始状态概率向量,物流起始状态概率向量为列向量,其行数为物流状态编码的数量。
根据示例实施例,还可根据时间序列信息确定物流状态编码为物流状态序列结束状态的概率;以及根据物流状态编码为物流状态序列结束状态的概率构建物流结束状态概率向量,物流结束状态概率向量为列向量,其行数为物流状态编码的数量。
物流状态转换序列模块1130用于通过所述物流状态转移矩阵、物流起始状态概率向量以及物流结束状态概率向量对所述物流状态序列进行转换,生成物流状态转换序列。根据示例实施例,可根据物流起始状态概率向量以及物流结束状态概率向量确定物流状态序列中的起始元素值以及结束元素值;根据物流状态转移矩阵确定物流状态序列中剩余元素的取值;以及根据起始元素值、结束元素值以及剩余元素的取值生成物流状态转换序列。
异常判断模块1140用于基于所述物流状态转换序列计算所述订单的订单生产效率值,若所述订单生产效率值小于订单异常阈值,则将所述订单标记为异常订单。物流状态转换序列中的元素值均表征概率,当概率较小或满足一定阈值时,即认为该流转状态可能为异常流转状态,即其对应的订单可能出现了异常情况。
根据本申请的订单数据处理装置通过构建基于样本的物流状态转移矩阵、物流起始状态概率向量以及物流结束状态概率向量,并根据其构建物流状态转换序列以及计算目标值,以根据目标值筛选异常订单。本申请的订单数据处理装置基于订单的物流状态变化计算订单生产效率值,能够据此准确筛选出由于线下流转以及线上系统导致的异常订单,且无需限制数据维度。
图12是根据一示例性实施例示出的一种用于订单数据处理的电子设备的框图。下面参照图12来描述根据本申请的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统1200包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从储存部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。例如,中央处理单元1201可以执行如图2、图3、图4、图5、图6、图7中的一个或多个所示的步骤。
在RAM 1203中,还存储有系统操作所需的各种程序和数据,例如物流状态转移矩阵、物流状态转换序列以及订单生产效率值序列等。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括触摸屏、键盘等的输入部分1206;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分1207;包括闪存等的储存部分1208;以及包括诸如无线网卡、高速网卡等的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如半导体存储器、磁盘等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入储存部分1208。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本发明实施例的方法,例如图2、图3、图4、图5、图6、图7中的一个或多个所示的步骤。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
应当理解的是,本发明并不限于这里已经示出的详细结构、附图方式或实现方法,相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。