CN113011666A - 时效预测模型的训练方法、时效预测方法及相关设备 - Google Patents
时效预测模型的训练方法、时效预测方法及相关设备 Download PDFInfo
- Publication number
- CN113011666A CN113011666A CN202110332046.3A CN202110332046A CN113011666A CN 113011666 A CN113011666 A CN 113011666A CN 202110332046 A CN202110332046 A CN 202110332046A CN 113011666 A CN113011666 A CN 113011666A
- Authority
- CN
- China
- Prior art keywords
- logistics
- prediction model
- aging
- training
- site
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 215
- 238000012549 training Methods 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000015654 memory Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000002431 foraging effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001550 time effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000737 periodic effect Effects 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
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流技术领域,提供一种时效预测模型的训练方法、时效预测方法及相关设备。时效预测模型的训练方法包括:自历史物流数据中,提取包括物流站点和途经时间的物流信息;根据物流信息构建训练数据,每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效;构建用于预测两物流站点之间的物流站点序列的第一预测模型和用于预测两物流站点之间的物流时效的第二预测模型,将第一预测模型的输出连接至第二预测模型的输入,形成时效预测模型;通过训练数据训练时效预测模型。本发明通过先后预测物流站点序列和物流时效的多任务联合的时效预测模型,在中间物流站点未知的场景中极大提升物流时效的预测准确率。
Description
技术领域
本发明涉及物流技术领域,具体地说,涉及一种时效预测模型的训练方法、时效预测方法及相关设备。
背景技术
在线购物场景中,电商平台需在订单页面展示快递揽收后经几天派件给消费者,使消费者预知收件时间,提升购物体验。
实际的物流运营中,由快递公司通过运输管理系统配置全国任意两个物流站点之间的路由方案,快递包裹按照配置的路由方案进行流转。但是,出于数据安全的考虑,快递公司不会将物流站点之间的路由方案告知给电商平台,只会在快递揽收后显示揽收站点和派件站点。
因此,对于电商平台而言,在快递揽收时能够确切获取到的物流信息仅有揽收站点和派件站点,而无法获取到中间物流站点,此时如何准确预测出快递包裹从揽收到派件的物流时效,成为亟待解决的技术难题。
需要说明的是,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
有鉴于此,本发明提供一种时效预测模型的训练方法、时效预测方法及相关设备,能够通过先后预测物流站点序列和物流时效的多任务联合的时效预测模型,在中间物流站点未知的场景中极大提升物流时效的预测准确率。
本发明的一个方面提供一种时效预测模型的训练方法,包括:自历史物流数据中,提取包括物流站点和途经时间的物流信息;根据所述物流信息构建训练数据,每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效;构建用于预测两物流站点之间的物流站点序列的第一预测模型和用于预测两物流站点之间的物流时效的第二预测模型,将所述第一预测模型的输出连接至所述第二预测模型的输入,形成时效预测模型;通过所述训练数据训练所述时效预测模型。
在一些实施例中,所述时效预测模型的训练包括依次进行的第一训练阶段和第二训练阶段;在所述第一训练阶段,自每组所述训练数据中分别获取所述第一预测模型的第一训练数据和所述第二预测模型的第二训练数据,对所述第一预测模型和所述第二预测模型进行单独训练;在所述第二训练阶段,以所述第一预测模型的输出作为所述第二预测模型的输入,对所述第一预测模型和所述第二预测模型进行联合训练。
在一些实施例中,所述第二训练阶段的训练包括:将一当前第一训练数据的输入数据输入所述第一预测模型,获得所述第一预测模型输出的预测物流站点序列;将所述预测物流站点序列输入所述第二预测模型,获得所述第二预测模型输出的预测物流时效;比对所述预测物流时效及对应的一当前第二训练数据的输出数据;于所述预测物流时效与所述当前第二训练数据的输出数据不匹配时,判断所述预测物流站点序列与所述当前第一训练数据的输出数据是否匹配;若是则调整所述第二预测模型的参数,若否则调整所述第一预测模型的参数。
在一些实施例中,所述第一预测模型基于循环神经网络构建,在所述第一训练阶段,以每组所述训练数据的起始物流站点和目的物流站点为输入,以对应的物流站点序列为输出,对所述第一预测模型进行训练。
在一些实施例中,所述第二预测模型基于深度因子分解机构建,在所述第一训练阶段,以每组所述训练数据的物流站点序列为输入,以对应的物流时效为输出,对所述第二预测模型进行训练。
在一些实施例中,所述物流信息还包括物流承运对象,每组所述训练数据还包括对应物流承运对象的物流标识。
在一些实施例中,所述历史物流数据为一预设周期内的历史物流数据;所述时效预测模型每隔所述预设周期进行更新训练。
本发明的又一个方面提供一种时效预测方法,包括:接收物流揽收信息,获得揽收物流站点、揽收时间和派件物流站点;将所述揽收物流站点和所述派件物流站点输入经上述任意实施例描述的训练方法训练生成的所述时效预测模型,获得预计物流时效;根据所述揽收时间和所述预计物流时效,获得派件时间,推送至对应页面。
在一些实施例中,将所述揽收物流站点和所述派件物流站点输入所述时效预测模型后,还获得预计物流站点序列,所述时效预测方法还包括:监测途经物流站点;于所述途经物流站点与所述预计物流站点序列不匹配时,将所述途经物流站点和所述派件物流站点输入所述时效预测模型,获得更新物流时效;根据所述更新物流时效更新所述派件时间。
在一些实施例中,于所述途经物流站点与所述预计物流站点序列不匹配时,所述时效预测方法还包括:判断所述途经物流站点与所述预计物流站点序列中的对应物流站点之间的距离是否超过距离阈值,和/或,判断所述揽收物流站点指向所述途经物流站点的第一方向与所述揽收物流站点指向所述派件物流站点的第二方向之间的夹角是否超过角度阈值;当任意判断结果为是,判定所述途经物流站点异常,向所述途经物流站点发出提醒信息,并返回所述监测途经物流站点的步骤。
本发明的又一个方面提供一种时效预测模型的训练装置,包括:物流信息获取模块,配置为自历史物流数据中,提取包括物流站点和途经时间的物流信息;训练数据构建模块,配置为根据所述物流信息构建训练数据,每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效;预测模型构建模块,配置为构建用于预测两物流站点之间的物流站点序列的第一预测模型和用于预测两物流站点之间的物流时效的第二预测模型,将所述第一预测模型的输出连接至所述第二预测模型的输入,形成时效预测模型;预测模型训练模块,配置为通过所述训练数据训练所述时效预测模型。
本发明的又一个方面提供一种时效预测装置,包括:物流数据获取模块,配置为接收物流揽收信息,获得揽收物流站点、揽收时间和派件物流站点;物流时效预测模块,配置为将所述揽收物流站点和所述派件物流站点输入经上述任意实施例描述的训练方法训练生成的所述时效预测模型,获得预计物流时效;预测结果推送模块,配置为根据所述揽收时间和所述预计物流时效,获得派件时间,推送至对应页面。
本发明的又一个方面提供一种电子设备,包括:一处理器;一存储器,所述存储器中存储有可执行指令;其中,所述可执行指令被所述处理器执行时,实现上述任意实施例描述的时效预测模型的训练方法,和/或,实现上述任意实施例描述的时效预测方法。
本发明的又一个方面提供一种计算机可读的存储介质,用于存储程序,所述程序被执行时实现上述任意实施例描述的时效预测模型的训练方法,和/或,实现上述任意实施例描述的时效预测方法。
本发明与现有技术相比的有益效果至少包括:
以第一预测模型为子任务,学习两物流站点之间的关于物流站点序列的路线特征,以第二预测模型为主任务,学习两物流站点之间的关于物流时效的时间特征,且第二预测模型以第一预测模型的输出为输入,多任务联合学习路线特征和时间特征的关联性并提升准确性;
从而,通过第一预测模型和第二预测模型联合形成的先后预测物流站点序列和物流时效的多任务联合的时效预测模型,能够在快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景中,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测揽派线路的物流时效的方式,极大提升快递自揽收至派件的物流时效的预测准确率,并提升用户的购物体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述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示出本发明实施例中时效预测模型的训练方法的步骤示意图;
图2示出本发明实施例中时效预测模型的训练过程的场景示意图;
图3示出本发明实施例中时效预测模型的第二训练阶段的步骤示意图;
图4示出本发明实施例中时效预测模型的训练装置的模块示意图;
图5示出本发明实施例中时效预测方法的步骤示意图;
图6示出本发明另一实施例中时效预测方法的步骤示意图;
图7示出本发明实施例中时效预测装置的模块示意图;
图8示出本发明实施例中电子设备的结构示意图;
图9示出本发明实施例中计算机可读的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实施方式。相反,提供这些实施方式使本发明全面和完整,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。
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。
此外,附图中所示的流程仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤可以分解,有的步骤可以合并或部分合并,且实际执行的顺序有可能根据实际情况改变。具体描述时使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。需要说明的是,在不冲突的情况下,本发明的实施例及不同实施例中的特征可以相互组合。
图1示出实施例中时效预测模型的训练方法的主要步骤,参照图1所示,本实施例中时效预测模型的训练方法包括:在步骤S110中,自历史物流数据中,提取包括物流站点和途经时间的物流信息;在步骤S120中,根据物流信息构建训练数据,每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效;在步骤S130中,构建用于预测两物流站点之间的物流站点序列的第一预测模型和用于预测两物流站点之间的物流时效的第二预测模型,将第一预测模型的输出连接至第二预测模型的输入,形成时效预测模型;在步骤S140中,通过训练数据训练时效预测模型。
上述的时效预测模型的训练方法,以第一预测模型为子任务,学习两物流站点之间的关于物流站点序列的路线特征,以第二预测模型为主任务,学习两物流站点之间的关于物流时效的时间特征,且第二预测模型以第一预测模型的输出为输入,多任务联合学习路线特征和时间特征的关联性并提升准确性;从而,通过第一预测模型和第二预测模型联合形成的先后预测物流站点序列和物流时效的多任务联合的时效预测模型,能够在快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景中,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测揽派线路的物流时效的方式,极大提升快递自揽收至派件的物流时效的预测准确率,并提升用户的购物体验。
下面结合具体的示例,对时效预测模型的训练方法的各个步骤进行详细说明。
步骤S110中,历史物流数据可自电商平台的历史成交订单的物流数据中获取。在一个实施例中,考虑到实际物流运营场景中快递量的周期性波动规律,历史物流数据选取一段预设周期内的数据;时效预测模型每隔预设周期,结合最新周期内的历史物流数据进行更新训练,以提高模型准确性。
例如,实际物流运营场景中,快递量通常以周为单位进行周期性波动,同时兼顾考虑模型学习所需的数据量,因此,选取过去两周的历史物流数据。在其他实施例中,根据实际需要,可以灵活调整预设周期的时间范围。
获取到合适时间范围内的历史物流数据后,从中提取出模型训练所需的基础数据。由于快递包裹的物流流转线路,即快递包裹在物流流转过程中经过的物流站点对其物流时效的影响较大,因此,从历史物流数据中提取出包括物流站点和途经时间的物流信息。
具体来说,一个快递包裹的物流流转线路通常包括从揽收到派件所经过的多个物流站点,例如包括:一个揽收站点、一个始发分拨中心、若干中转分拨中心、一个目的分拨中心和一个派件站点;从该快递包裹的物流流转线路中,提取出该快递包裹所经过的每个物流站点(包括揽收站点、始发分拨中心、每个中转分拨中心、目的分拨中心和派件站点)及到达每个物流站点的途经时间。
在一个实施例中,考虑到不同物流公司的物流时效存在较大差异,因此,从历史物流数据中提取的物流信息还包括物流承运对象,即物流公司。
步骤S120中,对提取到的物流信息进行处理,构建模型训练所需的特征数据。本实施例中,时效预测模型是联合子任务(学习两物流站点之间的关于物流站点序列的路线特征的第一预测模型)和主任务(学习两物流站点之间的关于物流时效的时间特征的第二预测模型)的多任务学习模型,因此,构建的每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效,物流时效具体是指快递包裹从起始物流站点到目的物流站点所经过的时间。每组训练数据还可包括对应物流承运对象的物流标识。
起始物流站点/目的物流站点并不局限于物流流转线路中真实的揽收站点/派件站点,根据训练所需数据量、训练所需数据大小等需求,可以自物流流转线路中截取合适长度,例如截取揽收站点至某个中间物流站点、某个中间物流站点至派件站点、或者某两个中间物流站点之间的子线路,获得对应的起始物流站点/目的物流站点。
步骤S130中,构建联合物流站点预测和物流时效预测的时效预测模型。时效预测模型是一个多任务学习模型,模型学习的子任务是学习两物流站点之间的关于物流站点序列的路线特征,模型学习的主任务是学习两物流站点之间的关于物流时效的时间特征,使经过训练的时效预测模型应用至快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景时,能够准确预测从揽收站点到派件站点的揽派线路所经过的物流站点序列,并基于预测的物流站点序列进一步预测揽派线路的物流时效。
在一个实施例中,第一预测模型基于循环神经网络构建,具体可采用LSTM(LongShort-Term Memory,长短期记忆人工神经网络),以适应本实施例中有复杂时间关联性,且信息长度各异的训练数据,准确学习到从起始物流站点至目的物流站点的关于物流站点序列的路线特征。第二预测模型基于深度因子分解机(DeepFM)构建,DeepFM将深度学习和因子分解机算法(Factorization Machine,简称FM)结合起来,融合多阶特征,准确学习到从起始物流站点至目的物流站点的关于物流时效的时间特征,提高物流时效的预测准确性。
步骤S140中,采用训练数据对时效预测模型进行训练时,先对第一预测模型和第二预测模型进行单独训练,使其参数初步成型;再对参数初步成型的第一预测模型和第二预测模型进行联合训练,使第一预测模型和第二预测模型在对抗优化中进一步调参。
图2示出实施例中时效预测模型的训练过程场景,参照图2所示,时效预测模型200的训练包括依次进行的第一训练阶段S210和第二训练阶段S220。在第一训练阶段S210,第一预测模型200a的输入输出和第二预测模型200b的输入输出均自真实的训练数据中获取,通过对历史物流数据进行统计的方式,预先粗略地预估出各条物流流转线路的途径物流站点,并统计途径时间等相关特征,形成训练数据,进行时效预测。具体训练时,自每组训练数据中分别获取第一预测模型200a的第一训练数据和第二预测模型200b的第二训练数据,对第一预测模型200a和第二预测模型200b进行单独训练,使第一预测模型200a初步学习到训练数据的路线特征,第二预测模型200b初步学习到训练数据的时间特征。
在第二训练阶段S220,以第一预测模型200a的输出作为第二预测模型200b的输入,对第一预测模型200a和第二预测模型200b进行联合训练,学习训练数据的路线特征与时间特征之间的关联性并提升准确性,使经过训练的时效预测模型200应用至快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景时,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测物流时效的方式,准确预测出快递自揽收至派件的物流时效。
自每组训练数据中提取的第一训练数据具体包括作为第一预测模型的输入的起始物流站点和目的物流站点,以及作为第一预测模型的输出的物流站点序列;第一预测模型的第一训练阶段即以每组训练数据的起始物流站点和目的物流站点为输入,以对应的物流站点序列为输出,学习两物流站点之间的路线特征。自每组训练数据中提取的第二训练数据具体包括作为第二预测模型的输入的物流站点序列,以及作为第二预测模型的输出的物流时效;第二预测模型的第一训练阶段即以每组训练数据的物流站点序列为输入,以对应的物流时效为输出,学习两物流站点之间的时间特征。
图3示出实施例中时效预测模型的第二训练阶段的训练步骤,参照图3所示,时效预测模型的第二训练阶段的训练包括:步骤S310,将一当前第一训练数据的输入数据输入第一预测模型,获得第一预测模型输出的预测物流站点序列;步骤S320,将预测物流站点序列输入第二预测模型,获得第二预测模型输出的预测物流时效;步骤S330,比对预测物流时效及对应的一当前第二训练数据的输出数据;当前第二训练数据与当前第一训练数据对应,获取自同一组训练数据。于预测物流时效与当前第二训练数据的输出数据不匹配时,执行步骤S340,判断预测物流站点序列与当前第一训练数据的输出数据是否匹配;于预测物流时效与当前第二训练数据的输出数据匹配时,可进入下一组训练。
若判断预测物流站点序列与当前第一训练数据的输出数据匹配,则表明第一预测模型的预测结果准确,是由于第二预测模型的预测偏差而导致预测物流时效与当前第二训练数据的输出数据不匹配;因此,执行步骤S350,对第二预测模型进行参数调优。若判断预测物流站点序列与当前第一训练数据的输出数据不匹配,则表明是由于第一预测模型的预测偏差,而导致预测物流时效与当前第二训练数据的输出数据不匹配;因此,执行步骤S360,对第一预测模型进行参数调优。
通过第一预测模型与第二预测模型之间的不断地对抗优化,能够极大地提升时效预测模型的预测准确率,使经过训练的时效预测模型应用至快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景时,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测物流时效的方式,准确预测出快递自揽收至派件的物流时效。
本发明实施例还提供一种时效预测模型的训练装置,可用于实现上述任意实施例描述的时效预测模型的训练方法。上述实施例描述的训练方法的特征和原理均可应用至下面的训练装置实施例。在下面的训练装置实施例中,对已经阐明的关于时效预测模型的特征和原理不再重复说明。
图4示出实施例中时效预测模型的训练装置的主要模块,参照图4所示,本实施例中时效预测模型的训练装置400包括:物流信息获取模块410,配置为自历史物流数据中,提取包括物流站点和途经时间的物流信息;训练数据构建模块420,配置为根据物流信息构建训练数据,每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效;预测模型构建模块430,配置为构建用于预测两物流站点之间的物流站点序列的第一预测模型和用于预测两物流站点之间的物流时效的第二预测模型,将第一预测模型的输出连接至第二预测模型的输入,形成时效预测模型;预测模型训练模块440,配置为通过训练数据训练时效预测模型。
进一步地,时效预测模型的训练装置400还可包括实现上述各时效预测模型的训练方法实施例的其他流程步骤的模块,各个模块的具体原理可参照上述各训练方法实施例的描述,此处不再重复说明。
如上所述,本发明的时效预测模型的训练装置,通过对多任务联合的时效预测模型的训练,使其学习到两物流站点之间的路线特征和时间特征,从而在快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景中,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测揽派线路的物流时效的方式,极大提升快递自揽收至派件的物流时效的预测准确率,并提升用户的购物体验。
本发明实施例还提供一种时效预测方法,将经过训练的时效预测模型应用至实际的预测场景。上述任意实施例描述的关于时效预测模型的特征和原理均可应用至下面的时效预测方法实施例。在下面的时效预测方法实施例中,对已经阐明的关于时效预测模型的特征和原理不再重复说明。
图5示出实施例中时效预测方法的主要步骤,参照图5所示,本实施例中时效预测方法包括:在步骤S510中,接收物流揽收信息,获得揽收物流站点、揽收时间和派件物流站点;在步骤S520中,将揽收物流站点和派件物流站点输入经上述任意实施例描述的训练方法训练生成的时效预测模型,获得预计物流时效;在步骤S530中,根据揽收时间和预计物流时效,获得派件时间,推送至对应页面。
在快递包裹揽收时,电商平台能够自物流揽收信息中获得揽收物流站点、揽收时间和派件物流站点;另外,还可获得物流承运对象。此时,采用经上述任意实施例描述的时效预测模型的训练方法训练生成的时效预测模型,能够准确预测出快递包裹从揽收物流站点到派件物流站点所需的预计物流时效。
具体实现时,根据揽收物流站点生成字符串类型的揽收站点编码got_branch_code,用于唯一标记当前预测请求对应的揽收物流站点;根据派件物流站点生成字符串类型的派件站点编码send_branch_code,用于唯一标记当前预测请求对应的派件物流站点;另外,还可根据物流承运对象生成字符串类型的承运对象编码express_id,用于唯一标记当前预测请求对应的物流承运对象。将承运对象编码express_id、揽收站点编码got_branch_code和派件站点编码send_branch_code输入时效预测模型,时效预测模型经过计算,输出预计物流时效。
获得预计物流时效后,将揽收时间与预计物流时效相加,即可获得派件时间。接着,根据推送所需的时间精度,可将派件时间精确至符合推送所需的时间精度的时间信息。例如,推送所需的时间精度为日期,则将派件时间精确至日期,推送至对应页面;再如,推送所需的时间精度为小时,则将派件时间精确至小时,推送至对应页面。对应页面可以是物流详情页、订单信息页等任意适合展示订单物流信息的页面。
从而,采用经过训练的时效预测模型,能够在快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景中,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测物流时效的方式,准确预测出快递自揽收至派件的物流时效,提升用户的购物体验。
进一步地,在实际的预测场景中,时效预测方法还监测实际的物流流转线路是否符合预测的物流流转线路,在监测到实际的物流流转线路发生变化时,将发生变化的物流站点即时输入时效预测模型,重新进行物流时效的预测并更新至对应页面,以实时跟进快递包裹的最新物流流转进度。
具体参照图6示出的时效预测方法,本实施例中,在步骤S520’中,将揽收物流站点和派件物流站点(还可包括物流承运对象)输入时效预测模型后,除获得最终预测结果(预计物流时效)外,还获得中间预测结果,即预计物流站点序列;在步骤S530之后,时效预测方法还包括:
步骤S610,监测途经物流站点;快递包裹每到达一途径物流站点,物流承运对象会发布相关的物流流转信息,因此,电商平台能够即时地监测到快递包裹所经过的每个途经物流站点。于途经物流站点与预计物流站点序列不匹配时,例如,根据预计物流站点序列,快递包裹在揽收物流站点之后会流转至一物流站点A10,而根据实际监测到的物流流转信息,快递包裹在揽收物流站点之后流转至了不同于物流站点A10的另一物流站点A101;此时,执行步骤S620,将途经物流站点(即物流站点A101)和派件物流站点输入时效预测模型,获得最新预测的物流时效,即物流站点A101至派件物流站点的物流时效,作为更新物流时效;并执行步骤S630,根据更新物流时效更新派件时间,具体可将更新物流时效与快递包裹到达物流站点A101的途径时间相加,并精确至推送所需的时间精度,更新至对应页面。
于途经物流站点与预计物流站点序列匹配时,表明时效预测模型预测的物流流转线路和物流时效准确,则继续监测后续的途经物流站点。
进一步地,在实际的物流流转线路发生变化时,还判断物流流转线路的变化是否异常,以识别到可能分派错误的快递包裹,防止影响用户正常收件。
具体来说,继续参照图6,当步骤S610监测到途经物流站点与预计物流站点序列不匹配时,时效预测方法还包括:步骤S640,判断途经物流站点(物流站点A101)与预计物流站点序列中的对应物流站点(物流站点A10)之间的距离是否超过距离阈值,和/或,判断揽收物流站点指向途经物流站点的第一方向与揽收物流站点指向派件物流站点的第二方向之间的夹角是否超过角度阈值;当任意判断结果为是,表明快递包裹可能分派错误,远离了自揽收物流站点至派件物流站点的正确线路方向,执行步骤S650,判定途经物流站点异常,向途经物流站点发出提醒信息,例如,向物流站点A101的控制中心发出“快递包裹xxx(物流单号)可能分派异常,请查验”的提醒信息;并且返回继续监测途经物流站点。
本发明实施例还提供一种时效预测装置,可用于实现上述任意实施例描述的时效预测方法。上述任意实施例描述的时效预测方法的特征和原理均可应用至下面的时效预测装置实施例。在下面的时效预测装置实施例中,对已经阐明的关于时效预测的特征和原理不再重复说明。
图7示出实施例中时效预测装置的主要模块,参照图7所示,本实施例中时效预测装置700包括:物流数据获取模块710,配置为接收物流揽收信息,获得揽收物流站点、揽收时间和派件物流站点;物流时效预测模块720,配置为将揽收物流站点和派件物流站点输入经上述任意训练方法实施例训练生成的时效预测模型,获得预计物流时效;预测结果推送模块730,配置为根据揽收时间和预计物流时效,获得派件时间,推送至对应页面。
进一步地,时效预测装置700还可包括实现上述各时效预测方法实施例的其他流程步骤的模块,各个模块的具体原理可参照上述各时效预测方法实施例的描述,此处不再重复说明。
如上所述,本发明的时效预测装置,能够在快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景中,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测物流时效的方式,准确预测出快递自揽收至派件的物流时效,提升用户的购物体验。
本发明实施例还提供一种电子设备,包括处理器和存储器,存储器中存储有可执行指令,可执行指令被处理器执行时,实现上述任意实施例描述的时效预测模型的训练方法,和/或,实现上述任意实施例描述的时效预测方法。
如上所述,本发明的电子设备能够通过多任务联合的时效预测模型,学习到两物流站点之间的路线特征和时间特征,从而在快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景中,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测揽派线路的物流时效的方式,极大提升快递自揽收至派件的物流时效的预测准确率,并提升用户的购物体验。
图8是本发明实施例中电子设备的结构示意图,应当理解的是,图8仅仅是示意性地示出各个模块,这些模块可以是虚拟的软件模块或实际的硬件模块,这些模块的合并、拆分及其余模块的增加都在本发明的保护范围之内。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件包括但不限于:至少一个处理单元810、至少一个存储单元820、连接不同平台组件(包括存储单元820和处理单元810)的总线830、显示单元840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810执行,使得处理单元810执行上述任意实施例描述的时效预测模型的训练方法的步骤,和/或,执行上述任意实施例描述的时效预测方法的步骤。例如,处理单元810可以执行如图1和图2,和/或,图3和图4所示的步骤。
存储单元820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)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一个或多个程序模块8205的程序/实用工具8204,这样的程序模块8205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830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800也可以与一个或多个外部设备8000通信,外部设备8000可以是键盘、指向设备、蓝牙设备等设备中的一种或多种。这些外部设备8000使得用户能与该电子设备800进行交互通信。电子设备800也能与一个或多个其它计算设备进行通信,所示计算机设备包括路由器、调制解调器。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860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860可以通过总线830与电子设备800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800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的存储介质,用于存储程序,程序被执行时实现上述任意实施例描述的时效预测模型的训练方法,和/或,实现上述任意实施例描述的时效预测方法。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上述任意实施例描述的时效预测模型的训练方法,和/或,执行上述任意实施例描述的时效预测方法。
如上所述,本发明的计算机可读的存储介质能够通过多任务联合的时效预测模型,学习到两物流站点之间的路线特征和时间特征,从而在快递揽收时揽收站点和派件站点之间的中间物流站点未知的场景中,通过先预测揽派线路的途经物流站点再结合预测的途经物流站点进一步预测揽派线路的物流时效的方式,极大提升快递自揽收至派件的物流时效的预测准确率,并提升用户的购物体验。
图9是本发明的计算机可读的存储介质的结构示意图。参考图9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900,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包括但不限于: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。
计算机可读的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。
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。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (14)
1.一种时效预测模型的训练方法,其特征在于,包括:
自历史物流数据中,提取包括物流站点和途经时间的物流信息;
根据所述物流信息构建训练数据,每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效;
构建用于预测两物流站点之间的物流站点序列的第一预测模型和用于预测两物流站点之间的物流时效的第二预测模型,将所述第一预测模型的输出连接至所述第二预测模型的输入,形成时效预测模型;
通过所述训练数据训练所述时效预测模型。
2.如权利要求1所述的训练方法,其特征在于,所述时效预测模型的训练包括依次进行的第一训练阶段和第二训练阶段;
在所述第一训练阶段,自每组所述训练数据中分别获取所述第一预测模型的第一训练数据和所述第二预测模型的第二训练数据,对所述第一预测模型和所述第二预测模型进行单独训练;
在所述第二训练阶段,以所述第一预测模型的输出作为所述第二预测模型的输入,对所述第一预测模型和所述第二预测模型进行联合训练。
3.如权利要求2所述的训练方法,其特征在于,所述第二训练阶段的训练包括:
将一当前第一训练数据的输入数据输入所述第一预测模型,获得所述第一预测模型输出的预测物流站点序列;
将所述预测物流站点序列输入所述第二预测模型,获得所述第二预测模型输出的预测物流时效;
比对所述预测物流时效及对应的一当前第二训练数据的输出数据;
于所述预测物流时效与所述当前第二训练数据的输出数据不匹配时,判断所述预测物流站点序列与所述当前第一训练数据的输出数据是否匹配;
若是则调整所述第二预测模型的参数,若否则调整所述第一预测模型的参数。
4.如权利要求2所述的训练方法,其特征在于,所述第一预测模型基于循环神经网络构建,在所述第一训练阶段,以每组所述训练数据的起始物流站点和目的物流站点为输入,以对应的物流站点序列为输出,对所述第一预测模型进行训练。
5.如权利要求2所述的训练方法,其特征在于,所述第二预测模型基于深度因子分解机构建,在所述第一训练阶段,以每组所述训练数据的物流站点序列为输入,以对应的物流时效为输出,对所述第二预测模型进行训练。
6.如权利要求1-5任一项所述的训练方法,其特征在于,所述物流信息还包括物流承运对象,每组所述训练数据还包括对应物流承运对象的物流标识。
7.如权利要求1-5任一项所述的训练方法,其特征在于,所述历史物流数据为一预设周期内的历史物流数据;
所述时效预测模型每隔所述预设周期进行更新训练。
8.一种时效预测方法,其特征在于,包括:
接收物流揽收信息,获得揽收物流站点、揽收时间和派件物流站点;
将所述揽收物流站点和所述派件物流站点输入经权利要求1-7任一项所述的训练方法训练生成的所述时效预测模型,获得预计物流时效;
根据所述揽收时间和所述预计物流时效,获得派件时间,推送至对应页面。
9.如权利要求8所述的时效预测方法,其特征在于,将所述揽收物流站点和所述派件物流站点输入所述时效预测模型后,还获得预计物流站点序列,所述时效预测方法还包括:
监测途经物流站点;
于所述途经物流站点与所述预计物流站点序列不匹配时,将所述途经物流站点和所述派件物流站点输入所述时效预测模型,获得更新物流时效;
根据所述更新物流时效更新所述派件时间。
10.如权利要求9所述的时效预测方法,其特征在于,于所述途经物流站点与所述预计物流站点序列不匹配时,所述时效预测方法还包括:
判断所述途经物流站点与所述预计物流站点序列中的对应物流站点之间的距离是否超过距离阈值,和/或,判断所述揽收物流站点指向所述途经物流站点的第一方向与所述揽收物流站点指向所述派件物流站点的第二方向之间的夹角是否超过角度阈值;
当任意判断结果为是,判定所述途经物流站点异常,向所述途经物流站点发出提醒信息,并返回所述监测途经物流站点的步骤。
11.一种时效预测模型的训练装置,其特征在于,包括:
物流信息获取模块,配置为自历史物流数据中,提取包括物流站点和途经时间的物流信息;
训练数据构建模块,配置为根据所述物流信息构建训练数据,每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效;
预测模型构建模块,配置为构建用于预测两物流站点之间的物流站点序列的第一预测模型和用于预测两物流站点之间的物流时效的第二预测模型,将所述第一预测模型的输出连接至所述第二预测模型的输入,形成时效预测模型;
预测模型训练模块,配置为通过所述训练数据训练所述时效预测模型。
12.一种时效预测装置,其特征在于,包括:
物流数据获取模块,配置为接收物流揽收信息,获得揽收物流站点、揽收时间和派件物流站点;
物流时效预测模块,配置为将所述揽收物流站点和所述派件物流站点输入经权利要求1-7任一项所述的训练方法训练生成的所述时效预测模型,获得预计物流时效;
预测结果推送模块,配置为根据所述揽收时间和所述预计物流时效,获得派件时间,推送至对应页面。
13.一种电子设备,其特征在于,包括:
一处理器;
一存储器,所述存储器中存储有可执行指令;
其中,所述可执行指令被所述处理器执行时,实现如权利要求1-7任一项所述的时效预测模型的训练方法,和/或,实现如权利要求8-10任一项所述的时效预测方法。
14.一种计算机可读的存储介质,用于存储程序,其特征在于,所述程序被执行时实现如权利要求1-7任一项所述的时效预测模型的训练方法,和/或,实现如权利要求8-10任一项所述的时效预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332046.3A CN113011666B (zh) | 2021-03-29 | 2021-03-29 | 时效预测模型的训练方法、时效预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332046.3A CN113011666B (zh) | 2021-03-29 | 2021-03-29 | 时效预测模型的训练方法、时效预测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011666A true CN113011666A (zh) | 2021-06-22 |
CN113011666B CN113011666B (zh) | 2024-04-26 |
Family
ID=76408521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110332046.3A Active CN113011666B (zh) | 2021-03-29 | 2021-03-29 | 时效预测模型的训练方法、时效预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011666B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154696A (zh) * | 2021-11-19 | 2022-03-08 | 中国建设银行股份有限公司 | 资金流预测方法、系统、计算机设备及存储介质 |
CN114970972A (zh) * | 2022-05-05 | 2022-08-30 | 上海东普信息科技有限公司 | 基于大数据的智慧跑圈方法、装置、设备和存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030008565A (ko) * | 2001-07-19 | 2003-01-29 | 정성문 | 인터넷상에서 예비군 훈련 물품을 대여하는 방법 |
JP2005089060A (ja) * | 2003-09-16 | 2005-04-07 | Ns Solutions Corp | 物流拠点決定装置、物流拠点決定方法及びそのプログラム |
CN106651277A (zh) * | 2017-01-04 | 2017-05-10 | 南阳师范学院 | 一种基于区域物流信息的网络传输系统及数据分析方法 |
WO2017148264A1 (zh) * | 2016-02-29 | 2017-09-08 | 阿里巴巴集团控股有限公司 | 用于物流配送的数据处理、基于配送方的移动终端进行物流配送的方法和装置 |
AU2018282332A1 (en) * | 2016-05-23 | 2019-01-17 | Crown Equipment Corporation | Systems and methods for use of a materials handling vehicle in a warehouse environment |
CN109284948A (zh) * | 2017-07-20 | 2019-01-29 | 菜鸟智能物流控股有限公司 | 物流对象选择方法、物流对象选择装置和电子装置 |
CN109376908A (zh) * | 2018-09-26 | 2019-02-22 | 费翔 | 物流网点健康状况的预测方法、系统、存储介质、及设备 |
CN109829667A (zh) * | 2017-11-23 | 2019-05-31 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
CN110060004A (zh) * | 2019-03-19 | 2019-07-26 | 深圳市金鹰鹏物流有限公司 | 物流配送异常检测方法及系统 |
US20190258722A1 (en) * | 2018-02-19 | 2019-08-22 | Microsoft Technology Licensing, Llc | Personalized deep models for smart suggestions ranking |
US20190287026A1 (en) * | 2018-03-14 | 2019-09-19 | International Business Machines Corporation | Learning service blockchain |
CN110874702A (zh) * | 2018-09-04 | 2020-03-10 | 菜鸟智能物流控股有限公司 | 物流分拣场景下的模型训练方法、装置以及电子设备 |
CN111626578A (zh) * | 2020-05-18 | 2020-09-04 | 上海东普信息科技有限公司 | 物流货车的调配方法、装置、设备及存储介质 |
CN111724095A (zh) * | 2019-05-17 | 2020-09-29 | 上海寻梦信息技术有限公司 | 物流分拣信息的处理方法及系统、电子设备及存储介质 |
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 |
CN112101839A (zh) * | 2020-07-10 | 2020-12-18 | 上海寻梦信息技术有限公司 | 建立快递送达时间预测模型的方法、预测方法及相关设备 |
AU2020103001A4 (en) * | 2020-10-24 | 2020-12-24 | Banik, Barnali Gupta DR | Decentralized training and recruitment model for unemployment using blockchain technology |
-
2021
- 2021-03-29 CN CN202110332046.3A patent/CN113011666B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030008565A (ko) * | 2001-07-19 | 2003-01-29 | 정성문 | 인터넷상에서 예비군 훈련 물품을 대여하는 방법 |
JP2005089060A (ja) * | 2003-09-16 | 2005-04-07 | Ns Solutions Corp | 物流拠点決定装置、物流拠点決定方法及びそのプログラム |
WO2017148264A1 (zh) * | 2016-02-29 | 2017-09-08 | 阿里巴巴集团控股有限公司 | 用于物流配送的数据处理、基于配送方的移动终端进行物流配送的方法和装置 |
AU2018282332A1 (en) * | 2016-05-23 | 2019-01-17 | Crown Equipment Corporation | Systems and methods for use of a materials handling vehicle in a warehouse environment |
CN106651277A (zh) * | 2017-01-04 | 2017-05-10 | 南阳师范学院 | 一种基于区域物流信息的网络传输系统及数据分析方法 |
CN109284948A (zh) * | 2017-07-20 | 2019-01-29 | 菜鸟智能物流控股有限公司 | 物流对象选择方法、物流对象选择装置和电子装置 |
CN109829667A (zh) * | 2017-11-23 | 2019-05-31 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
US20190258722A1 (en) * | 2018-02-19 | 2019-08-22 | Microsoft Technology Licensing, Llc | Personalized deep models for smart suggestions ranking |
US20190287026A1 (en) * | 2018-03-14 | 2019-09-19 | International Business Machines Corporation | Learning service blockchain |
CN110874702A (zh) * | 2018-09-04 | 2020-03-10 | 菜鸟智能物流控股有限公司 | 物流分拣场景下的模型训练方法、装置以及电子设备 |
CN109376908A (zh) * | 2018-09-26 | 2019-02-22 | 费翔 | 物流网点健康状况的预测方法、系统、存储介质、及设备 |
CN110060004A (zh) * | 2019-03-19 | 2019-07-26 | 深圳市金鹰鹏物流有限公司 | 物流配送异常检测方法及系统 |
CN111724095A (zh) * | 2019-05-17 | 2020-09-29 | 上海寻梦信息技术有限公司 | 物流分拣信息的处理方法及系统、电子设备及存储介质 |
CN111626578A (zh) * | 2020-05-18 | 2020-09-04 | 上海东普信息科技有限公司 | 物流货车的调配方法、装置、设备及存储介质 |
CN112101839A (zh) * | 2020-07-10 | 2020-12-18 | 上海寻梦信息技术有限公司 | 建立快递送达时间预测模型的方法、预测方法及相关设备 |
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 |
AU2020103001A4 (en) * | 2020-10-24 | 2020-12-24 | Banik, Barnali Gupta DR | Decentralized training and recruitment model for unemployment using blockchain technology |
Non-Patent Citations (1)
Title |
---|
黄虎;蒋葛夫;严余松;廖百胜;夏国恩;: "基于支持向量回归机的区域物流需求预测模型及其应用", 计算机应用研究, no. 09, 15 September 2008 (2008-09-15), pages 2738 - 2740 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154696A (zh) * | 2021-11-19 | 2022-03-08 | 中国建设银行股份有限公司 | 资金流预测方法、系统、计算机设备及存储介质 |
CN114970972A (zh) * | 2022-05-05 | 2022-08-30 | 上海东普信息科技有限公司 | 基于大数据的智慧跑圈方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113011666B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184115B (zh) | 物流预警方法、物流推荐方法、装置及相关设备 | |
CN111950803A (zh) | 物流对象送达时间预测方法、装置、电子设备及存储介质 | |
CN113011666B (zh) | 时效预测模型的训练方法、时效预测方法及相关设备 | |
CN111400471B (zh) | 问题推荐方法、系统、电子设备和存储介质 | |
CN110210946A (zh) | 数据处理方法及装置、介质和计算设备 | |
CN113689125A (zh) | 信息推送方法和装置 | |
CN113128788A (zh) | 一种电力应急物资输送路径优化方法、装置及存储介质 | |
CN113011672B (zh) | 物流时效预测方法、装置、电子设备及存储介质 | |
CN113222205A (zh) | 一种路径规划的方法和装置 | |
US11810209B2 (en) | Outage restoration time prediction during weather events and optimized solutions for recovery | |
CN113011664A (zh) | 物流时效监控方法、装置、电子设备及存储介质 | |
CN112488624A (zh) | 物流路由信息计算方法、装置、设备以及存储介质 | |
CN111861323B (zh) | 物流信息管理方法及装置、存储介质、计算机系统 | |
CN115062056B (zh) | 一种用于民航数据的用户查找方法、电子设备及存储介质 | |
CN110110032B (zh) | 用于更新索引文件的方法和装置 | |
CN116167935A (zh) | 二维码的修复方法、装置、设备及介质 | |
CN114926120A (zh) | 自提点推送方法、装置、设备及存储介质 | |
CN115905958A (zh) | 一种虚假妥投行为的判别方法和装置 | |
CN113741459B (zh) | 确定训练样本的方法和自动驾驶模型的训练方法、装置 | |
KR102421046B1 (ko) | 자동으로 발주서를 생성하는 약국 단말 및 약국 단말의 동작 방법 | |
CN111489024B (zh) | 出行方案推荐方法、装置、设备及存储介质 | |
CN113011665A (zh) | 物流时效预测方法、装置、设备及存储介质 | |
CN114461499A (zh) | 异常信息检测模型的构建方法和灰度环境异常检测方法 | |
CN112163932A (zh) | 恶意占座订单的识别方法、装置及电子设备 | |
CN114580692A (zh) | 配送路径生成方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |