CN112465149A - 同城件识别方法、装置、电子设备以及存储介质 - Google Patents
同城件识别方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN112465149A CN112465149A CN202011373420.6A CN202011373420A CN112465149A CN 112465149 A CN112465149 A CN 112465149A CN 202011373420 A CN202011373420 A CN 202011373420A CN 112465149 A CN112465149 A CN 112465149A
- Authority
- CN
- China
- Prior art keywords
- scene
- information
- logistics
- track information
- track
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 230000032683 aging Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001960 triggered effect 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
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明提供一种同城件识别方法、装置、电子设备以及存储介质,所述同城件识别方法,包括:按物流场景将物流轨迹信息划分为多段场景轨迹信息,所述物流场景至少包括揽收场景以及末端场景;提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息;自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息;自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息;判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息;若是,则将该物流轨迹识别为同城件。本发明提供的方法及装置能够有效识别同城件。
Description
技术领域
本发明涉及计算机应用领域,尤其涉及一种同城件识别方法、装置、电子设备以及存储介质。
背景技术
随着大数据和人工智能的发展,物流行业中各类信息开始逐渐采用大数据结合机器学习模型的形式来进行诸如物流时效、运单量、物流路径等数据的预测。
在结合历史的物流轨迹数据进行机器学习的过程中,需要将物流轨迹数据特征化以获得特征数据。然而,有些特征数据可以直接从历史的物流轨迹数据中获取,另一些特征数据需要通过对历史的物流轨迹数据进行复杂的计算才能获得,然而,在机器学习时计算获取这些特征数据会降低学习效率。
由此,如何选定特征,并高效得对该特征进行识别,以通过该特征的识别,来减少模型学习过程中的计算量,以提高模型学习效率,是本领域技术人员亟待解决的技术问题。
发明内容
本发明为了克服上述相关技术存在的缺陷,提供一种同城件识别方法、装置、电子设备以及存储介质,进而选定同城件特征,并高效得对该同城件特征进行识别,以通过该特征的识别,来减少模型学习过程中的计算量,以提高模型学习效率。
根据本发明的一个方面,提供一种同城件识别方法,包括:
按物流场景将物流轨迹信息划分为多段场景轨迹信息,所述物流场景至少包括揽收场景以及末端场景;
提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息;
自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息;
自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息;
判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息;
若是,则将该物流轨迹识别为同城件。
在本发明的一些实施例中,所述按物流场景将物流轨迹信息划分为多段场景轨迹信息之后,且所述提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息之前还包括:
判断所述物流轨迹信息中是否存在异常场景;
若是,则将该物流轨迹标记为无法识别轨迹。
在本发明的一些实施例中,所述按物流场景将物流轨迹信息划分为多段场景轨迹信息之后,且所述提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息之前还包括:
判断所述物流轨迹信息中是否不存在末端场景;
若是,则将该物流轨迹标记为无法识别轨迹。
在本发明的一些实施例中,所述预设关键字包括省、市、区、县、自治区中的一项或多项。
在本发明的一些实施例中,
所述自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息包括:
自所述揽收场景的场景轨迹信息中过滤预设关键字,并按关键字将所述发件信息划分为多个字段;
对应地,所述自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息包括:
自所述末端场景的场景轨迹信息中过滤预设关键字,并按关键字将所述收件信息划分为多个字段;
在本发明的一些实施例中,所述判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息包括:
判断所述发件信息以及所述收件信息中是否存在属于同一城市的字段。
在本发明的一些实施例中,识别为同城件的物流轨迹用于预测发件地址与收件地址位于同一城市的运输订单的物流时效。
在本发明的一些实施例中,所述末端场景包括派送场景以及签收场景。
根据本发明的又一方面,还提供一种同城件识别装置,包括:
划分模块,配置成按物流场景将物流轨迹信息划分为多段场景轨迹信息,所述物流场景至少包括揽收场景以及末端场景;
提取模块,配置成提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息;
第一过滤模块,配置成自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息;
第二过滤模块,配置成自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息;
判断模块,配置成判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息;
识别模块,配置成当所述判断模块判断为是时,将该物流轨迹识别为同城件。
根据本发明的又一方面,还提供一种电子设备,所述电子设备包括:处理器;存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面,还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术,本发明的优势在于:
本发明选择同城件作为待识别的特征,一方面,通过按物流场景对物流轨迹信息的划分,从而根据揽收场景和末端场景的数据来实现同城件的识别,无需设计中转部分的数据,所需处理的数据较少,识别效率高;另一方面,通过揽收场景和末端场景的预设关键词的过滤,以避免不同的关键词对信息识别的影响,同时,预设关键词过滤的数据处理便捷,无需进行复杂的计算和匹配,进一步提高同城件的识别效率;再一方面,选定同城件特征进行识别,以通过该同城件特征的识别,来减少物流行业的各类机器模型学习过程中的计算量,以提高模型学习效率。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的同城件识别方法的流程图。
图2示出了根据本发明一具体实施例的将物流轨迹标记为无法识别轨迹的流程图。
图3示出了根据本发明另一具体实施例的将物流轨迹标记为无法识别轨迹的流程图。
图4示出了根据本发明一具体实施例的按关键字将所述发件信息以及收件信息划分为多个字段的流程图。
图5示出了根据本发明实施例的同城件识别装置的模块图。
图6示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
图7示意性示出本发明示例性实施例中一种电子设备示意图。
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发明将更加全面和完整,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,附图仅为本发明的示意性图解,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。
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步骤。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。
在本发明的各个实施例中,本发明提供的同城件识别方法可以应用至物流平台、电商平台或者其它可以调用物流平台的物流轨迹数据的第三方平台。进一步地,本发明的各个实施例中,本发明提供的同城件的识别可以仅用作识别同城件并进行展示和标记等,本发明提供的同城件的识别也可以用于进一步地机器学习中,机器学习可以用于学习物流时效、运单量、物流路径等等,本发明并非以此为限制。以上仅仅是示意性地提供本发明的多种应用场景,本发明的应用场景并非以此为限制,在此不予赘述。
图1示出了根据本发明实施例的同城件识别方法的流程图。同城件识别方法包括如下步骤:
步骤S110:按物流场景将物流轨迹信息划分为多段场景轨迹信息,所述物流场景至少包括揽收场景以及末端场景。
具体而言,物流场景包括但不限于揽收场景、干线场景以及末端场景。其中,干线场景可以按需进一步划分,本发明并非以此为限制。
具体而言,末端场景可以包括派送场景以及签收场景。在一些实施例中,派件员直接将包裹从派件网点派件至收件地址,则该物流轨迹中可以仅包括派送场景。在另一些实施例中,派件员将包裹从派件网点派件至驿站、快递柜等代收点,则末端场景可以包括派件员将包裹从派件网点派件至驿站、快递柜等代收点的派送场景,以及用户从驿站、快递柜等代收点收取快递的签收场景。进一步地,在末端场景包括派送场景及签收场景的实施例中,可以将派送场景或签收场景作为末端场景进行后续的数据处理,本发明并非以此为限制。
步骤S120:提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息。
具体而言,根据步骤S110中的物流场景将物流轨迹信息划分为多段场景轨迹信息后,步骤S120仅提取其中的揽收场景的场景轨迹信息以及末端场景的场景轨迹信息,从而仅对揽收场景和末端场景执行步骤S130和步骤S140。由此,无需对干线场景进行任何处理,减少冗余的数据处理时间。
步骤S130:自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息。
步骤S140:自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息。
上述步骤S130和步骤S140将结合图4示出的流程图进行展开说明,在此不予赘述。
步骤S150:判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息。
若步骤S150判断为是,则执行步骤S160将该物流轨迹识别为同城件。
若步骤S150判断为否,则可以将物流轨迹识别为非同城件。
在本发明提供的同城件识别方法中,选择同城件作为待识别的特征,一方面,通过按物流场景对物流轨迹信息的划分,从而根据揽收场景和末端场景的数据来实现同城件的识别,无需设计中转部分的数据,所需处理的数据较少,识别效率高;另一方面,通过揽收场景和末端场景的预设关键词的过滤,以避免不同的关键词对信息识别的影响,同时,预设关键词过滤的数据处理便捷,无需进行复杂的计算和匹配,进一步提高同城件的识别效率;再一方面,选定同城件特征进行识别,以通过该同城件特征的识别,来减少物流行业的各类机器模型学习过程中的计算量,以提高模型学习效率。
下面参见图2,图2示出了根据本发明一具体实施例的将物流轨迹标记为无法识别轨迹的流程图。具体而言,图1中步骤S110按物流场景将物流轨迹信息划分为多段场景轨迹信息之后,且步骤S120所述提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息之前还包括如下步骤:
步骤S111:判断所述物流轨迹信息中是否存在异常场景。
具体而言,异常场景包括但不限于包裹为问题件(例如包裹不允许经过快递运输)、包裹退回、包裹为拒收状态等。异常场景可以按需设置。
若步骤S111判断为是,则执行步骤S112:将该物流轨迹标记为无法识别轨迹。
当物流轨迹信息中存在异常场景,则表示该物流轨迹信息无法识别出其是否为同城件,由此,可以通过步骤S112对该物流轨迹进行标记。进一步地,被标记为无法识别轨迹无需进行同城件的识别,大大减少了同城件识别的数据量,同时避免由于异常场景导致同城件识别无法执行(例如当各物流轨迹信息经由消息队列触发依次执行同城件识别,当其中一物流轨迹由于异常场景无法进行同城件识别时,同城件识别的执行可能出现卡住或暂停的情况,影响消息队列中,后序的物流轨迹信息的同城件识别),进而影响整体同城件识别的效率。
下面参见图3,图3示出了根据本发明另一具体实施例的将物流轨迹标记为无法识别轨迹的流程图。具体而言,图1中步骤S110按物流场景将物流轨迹信息划分为多段场景轨迹信息之后,且步骤S120所述提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息之前还包括如下步骤:
步骤S113:判断所述物流轨迹信息中是否不存在末端场景。
具体而言,在本实施例中,当物流轨迹信息中不存在末端场景时,则无法获取用户的实际收件的地址,由此,无法进行同城件的识别。
若步骤S113判断为是,则执行步骤S114:将该物流轨迹标记为无法识别轨迹。
与图2所示的实施例类似,本实施例中,可以通过步骤S114对该物流轨迹进行标记。进一步地,被标记为无法识别轨迹无需进行同城件的识别,大大减少了同城件识别的数据量,同时避免由于异常场景导致同城件识别无法执行,进而影响整体同城件识别的效率。
进一步地,在本发明的一个优选例中,可以结合图2和图3的实施例。例如,可以首先执行步骤S111:判断所述物流轨迹信息中是否存在异常场景。若步骤S111判断为是,则执行步骤S112:将该物流轨迹标记为无法识别轨迹。若步骤S112判断为否,则执行步骤S113:判断所述物流轨迹信息中是否不存在末端场景。若步骤S113判断为是,则执行步骤S114:将该物流轨迹标记为无法识别轨迹。若步骤S113判断为否,则执行步骤S120-S160以进行同城件的识别。
由此,该实施例相当于先执行异常场景的检测,将异常场景排除后,对无异常的物流轨迹信息再进行是否不存在末端场景的识别,由此可以加快整体的无法识别轨迹的判断消息。进一步地,与前述实施例相反的判断顺序,例如,先执行物流轨迹信息再进行是否不存在末端场景的识别,然后对于具有末端场景的物流轨迹执行异常场景的检测,以将异常场景排除。本发明还可以实现更多的变化方式,例如,实现其它维度的无法识别同城件的物理轨迹的判断(并与该两个维度的判断结合),在此不予赘述。
下面参见图4,图4示出了根据本发明一具体实施例的按关键字将所述发件信息以及收件信息划分为多个字段的流程图。
具体而言,图4示出了两个步骤:
步骤S131:自所述揽收场景的场景轨迹信息中过滤预设关键字,并按关键字将所述发件信息划分为多个字段。
具体而言,步骤S131为图1中步骤S130所述自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息的具体实现。
步骤S141:自所述末端场景的场景轨迹信息中过滤预设关键字,并按关键字将所述收件信息划分为多个字段;
具体而言,步骤S141为图1中步骤S140所述自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息的具体实现。
在上述实施例中,所述预设关键字包括省、市、区、县、自治区中的一项或多项。由此,可以将揽收场景的场景轨迹信息以及末端场景的场景轨迹信息中这些与具体内容无关的关键字删除,以保留与具体地址关联内容。进一步地,该些关键字可以将轨迹信息划分为多个字段,以在步骤S150判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息中,通过判断所述发件信息以及所述收件信息中是否存在属于同一城市的字段来实现。例如,当划分为多个字段后,可以对省对应字段进行匹配处理,而仅需判断市、区、县、自治区字段中是否存在属于同一城市的字段,从而实现同城件的识别。
在本发明的一个具体应用中,识别为同城件的物流轨迹用于预测发件地址与收件地址位于同一城市的运输订单的物流时效。在该实施例中,可以分别为同城件和非同城件训练两个物流时效预测模型,从而利用同城件时效预测模型来对识别为同城件的物流轨迹进行时效预测;利用非同城件时效预测模型来对识别为非同城件的物流轨迹进行时效预测。由于同城件的时效预测所需的数据相比非同城件的时效预测所需的数据少得多,因此,相比于,对同城件和非同城件采用同一时效预测模型,通过同城件的识别,以分别采用不同的时效预测模型进行预测(从而在同城件时效预测模型中仅提取较少的数据,在非同城件时效预测模型中提取原本需要的数据),可以大大整体的特征数据的处理,从而加快时效预测的效率。
以上仅仅是本发明的同城件识别方法的多个具体实现方式,各实现方式可以独立或组合来实现,本发明并非以此为限制。
下面参见图5,图5示出了根据本发明实施例的同城件识别装置的模块图。同城件识别装置200包括划分模块210、提取模块220、第一过滤模块230、第二过滤模块240、判断模块250以及识别模块260。
划分模块210配置成按物流场景将物流轨迹信息划分为多段场景轨迹信息,所述物流场景至少包括揽收场景以及末端场景。
提取模块220配置成提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息。
第一过滤模块230配置成自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息。
第二过滤模块240配置成自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息。
判断模块250配置成判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息。
识别模块260配置成当所述判断模块判断为是时,将该物流轨迹识别为同城件。
在本发明的示例性实施方式的同城件识别装置中,选择同城件作为待识别的特征,一方面,通过按物流场景对物流轨迹信息的划分,从而根据揽收场景和末端场景的数据来实现同城件的识别,无需设计中转部分的数据,所需处理的数据较少,识别效率高;另一方面,通过揽收场景和末端场景的预设关键词的过滤,以避免不同的关键词对信息识别的影响,同时,预设关键词过滤的数据处理便捷,无需进行复杂的计算和匹配,进一步提高同城件的识别效率;再一方面,选定同城件特征进行识别,以通过该同城件特征的识别,来减少物流行业的各类机器模型学习过程中的计算量,以提高模型学习效率。
图5仅仅是示意性的分别示出本发明提供的同城件识别装置200,在不违背本发明构思的前提下,模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的同城件识别装置200可以由软件、硬件、固件、插件及他们之间的任意组合来实现,本发明并非以此为限。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被例如处理器执行时可以实现上述任意一个实施例中所述同城件识别方法的步骤。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,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述同城件识别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700,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。
所述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。
所述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,所述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租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租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),连接到租户计算设备,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)。
在本发明的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述同城件识别方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备500。图7显示的电子设备500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7所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述同城件识别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,所述处理单元510可以执行如图1至图4任一幅或多幅附图所示的步骤。
所述存储单元520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)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205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530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500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通讯,还可与一个或者多个使得租户能与该电子设备500交互的设备通讯,和/或与使得该电子设备500能与一个或多个其它计算设备进行通讯的任何设备(例如路由器、调制解调器等等)通讯。这种通讯可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560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)通讯。网络适配器560可以通过总线530与电子设备500的其它模块通讯。应当明白,尽管图中未示出,可以结合电子设备500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系统等。
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,根据本发明实施方式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)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述同城件识别方法。
相比现有技术,本发明的优势在于:
本发明选择同城件作为待识别的特征,一方面,通过按物流场景对物流轨迹信息的划分,从而根据揽收场景和末端场景的数据来实现同城件的识别,无需设计中转部分的数据,所需处理的数据较少,识别效率高;另一方面,通过揽收场景和末端场景的预设关键词的过滤,以避免不同的关键词对信息识别的影响,同时,预设关键词过滤的数据处理便捷,无需进行复杂的计算和匹配,进一步提高同城件的识别效率;再一方面,选定同城件特征进行识别,以通过该同城件特征的识别,来减少物流行业的各类机器模型学习过程中的计算量,以提高模型学习效率。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。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公开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所附的权利要求指出。
Claims (11)
1.一种同城件识别方法,其特征在于,包括:
按物流场景将物流轨迹信息划分为多段场景轨迹信息,所述物流场景至少包括揽收场景以及末端场景;
提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息;
自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息;
自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息;
判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息;
若是,则将该物流轨迹识别为同城件。
2.如权利要求1所述的同城件识别方法,其特征在于,所述按物流场景将物流轨迹信息划分为多段场景轨迹信息之后,且所述提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息之前还包括:
判断所述物流轨迹信息中是否存在异常场景;
若是,则将该物流轨迹标记为无法识别轨迹。
3.如权利要求1所述的同城件识别方法,其特征在于,所述按物流场景将物流轨迹信息划分为多段场景轨迹信息之后,且所述提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息之前还包括:
判断所述物流轨迹信息中是否不存在末端场景;
若是,则将该物流轨迹标记为无法识别轨迹。
4.如权利要求1所述的同城件识别方法,其特征在于,所述预设关键字包括省、市、区、县、自治区中的一项或多项。
5.如权利要求4所述的同城件识别方法,其特征在于,
所述自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息包括:
自所述揽收场景的场景轨迹信息中过滤预设关键字,并按关键字将所述发件信息划分为多个字段;
对应地,所述自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息包括:
自所述末端场景的场景轨迹信息中过滤预设关键字,并按关键字将所述收件信息划分为多个字段。
6.如权利要求5所述的同城件识别方法,其特征在于,所述判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息包括:
判断所述发件信息以及所述收件信息中是否存在属于同一城市的字段。
7.如权利要求1至6任一项所述的同城件识别方法,其特征在于,识别为同城件的物流轨迹用于预测发件地址与收件地址位于同一城市的运输订单的物流时效。
8.如权利要求1至6任一项所述的同城件识别方法,其特征在于,所述末端场景包括派送场景以及签收场景。
9.一种同城件识别装置,其特征在于,包括:
划分模块,配置成按物流场景将物流轨迹信息划分为多段场景轨迹信息,所述物流场景至少包括揽收场景以及末端场景;
提取模块,配置成提取揽收场景的场景轨迹信息以及末端场景的场景轨迹信息;
第一过滤模块,配置成自所述揽收场景的场景轨迹信息中过滤预设关键字,以作为发件信息;
第二过滤模块,配置成自所述末端场景的场景轨迹信息中过滤预设关键字,以作为收件信息;
判断模块,配置成判断所述发件信息以及所述收件信息中是否存在属于同一城市的信息;
识别模块,配置成当所述判断模块判断为是时,将该物流轨迹识别为同城件。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行:
如权利要求1至8任一项所述的同城件识别方法。
11.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行:
如权利要求1至8任一项所述的同城件识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011373420.6A CN112465149A (zh) | 2020-11-30 | 2020-11-30 | 同城件识别方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011373420.6A CN112465149A (zh) | 2020-11-30 | 2020-11-30 | 同城件识别方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465149A true CN112465149A (zh) | 2021-03-09 |
Family
ID=74806703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011373420.6A Pending CN112465149A (zh) | 2020-11-30 | 2020-11-30 | 同城件识别方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465149A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011672A (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、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180064A (zh) * | 2016-03-11 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 一种物流信息处理方法、装置及物流信息系统 |
CN107194630A (zh) * | 2017-03-31 | 2017-09-22 | 无锡漫途科技有限公司 | 同城物流调度方法、装置及系统 |
CN108090722A (zh) * | 2017-12-14 | 2018-05-29 | 吉旗(成都)科技有限公司 | 一种基于gps的物流网络站点识别设备与识别方法 |
CN109242384A (zh) * | 2018-08-28 | 2019-01-18 | 深圳市鼎昇贸易有限公司 | 电子商务订单的物流分配方法及相关产品 |
CN111753840A (zh) * | 2020-06-18 | 2020-10-09 | 北京同城必应科技有限公司 | 一种同城物流配送名片下单技术 |
CN111950803A (zh) * | 2020-08-24 | 2020-11-17 | 上海寻梦信息技术有限公司 | 物流对象送达时间预测方法、装置、电子设备及存储介质 |
CN111967793A (zh) * | 2020-08-28 | 2020-11-20 | 上海寻梦信息技术有限公司 | 物流时效评价方法、装置、电子设备及存储介质 |
-
2020
- 2020-11-30 CN CN202011373420.6A patent/CN112465149A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180064A (zh) * | 2016-03-11 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 一种物流信息处理方法、装置及物流信息系统 |
CN107194630A (zh) * | 2017-03-31 | 2017-09-22 | 无锡漫途科技有限公司 | 同城物流调度方法、装置及系统 |
CN108090722A (zh) * | 2017-12-14 | 2018-05-29 | 吉旗(成都)科技有限公司 | 一种基于gps的物流网络站点识别设备与识别方法 |
CN109242384A (zh) * | 2018-08-28 | 2019-01-18 | 深圳市鼎昇贸易有限公司 | 电子商务订单的物流分配方法及相关产品 |
CN111753840A (zh) * | 2020-06-18 | 2020-10-09 | 北京同城必应科技有限公司 | 一种同城物流配送名片下单技术 |
CN111950803A (zh) * | 2020-08-24 | 2020-11-17 | 上海寻梦信息技术有限公司 | 物流对象送达时间预测方法、装置、电子设备及存储介质 |
CN111967793A (zh) * | 2020-08-28 | 2020-11-20 | 上海寻梦信息技术有限公司 | 物流时效评价方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011672A (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、电子设备及存储介质 |
CN113011672B (zh) * | 2021-03-29 | 2024-04-19 | 上海寻梦信息技术有限公司 | 物流时效预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460250B (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN112348520A (zh) | 基于XGBoost的风险评估方法、装置和电子设备 | |
CN111708938B (zh) | 用于信息处理的方法、装置、电子设备和存储介质 | |
CN109978619B (zh) | 机票定价策略筛选的方法、系统、设备以及介质 | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CN112016855B (zh) | 基于关系网匹配的用户行业识别方法、装置和电子设备 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN113450075A (zh) | 基于自然语言技术的工单处理方法及装置 | |
CN111861328B (zh) | 建立物流识别库的方法、物流轨迹查询更新方法及设备 | |
CN112465149A (zh) | 同城件识别方法、装置、电子设备以及存储介质 | |
CN108628863B (zh) | 信息获取方法和装置 | |
CN110929499B (zh) | 文本相似度获取方法、装置、介质及电子设备 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN110689257B (zh) | 基于运营商大数据的快消品行业督查方法以及装置 | |
CN112417996A (zh) | 工业图纸的信息处理方法、装置、电子设备和存储介质 | |
CN113569929B (zh) | 基于小样本扩展的互联网服务提供方法、装置及电子设备 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN113590484B (zh) | 算法模型服务测试方法、系统、设备及存储介质 | |
CN115409104A (zh) | 用于识别对象类型的方法、装置、设备、介质和程序产品 | |
CN113935802A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN110674491B (zh) | 用于安卓应用的实时取证的方法、装置和电子设备 | |
CN110083807B (zh) | 合同的修改影响自动预测方法、装置、介质及电子设备 | |
CN112488625A (zh) | 退回件识别方法、装置、设备以及存储介质 | |
CN111045849A (zh) | 核对异常原因的识别方法、装置、服务器和存储介质 | |
CN112418354B (zh) | 货源信息分类方法、装置、电子设备、存储介质 |
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 |