CN113095756B - 异常运单特征确定方法、装置、设备和计算机可读介质 - Google Patents
异常运单特征确定方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113095756B CN113095756B CN202110402548.9A CN202110402548A CN113095756B CN 113095756 B CN113095756 B CN 113095756B CN 202110402548 A CN202110402548 A CN 202110402548A CN 113095756 B CN113095756 B CN 113095756B
- Authority
- CN
- China
- Prior art keywords
- waybill
- abnormal
- aging
- feature
- index
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 257
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000032683 aging Effects 0.000 claims abstract description 415
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 26
- 238000003908 quality control method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000001550 time effect Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medicines Containing Plant Substances (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了异常运单特征确定方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括:获取预设时间段内的、目标城市的妥投运单信息集合;对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合;确定上述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合;对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型;确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合。该实施方式能够从物流时效的宏观层面挖掘出影响整体物流时效的关键异常运单特征。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及异常运单特征确定方法、装置、设备和计算机可读介质。
背景技术
异常运单特征,是指导致运单的物流时效降低的运单特征。目前,在确定导致物流时效降低的异常运单特征时,通常采用的方式为:在单个运单包裹的层面,对天气、包裹的揽收、中转、运输和派送等环节的信息进行实时监控,从而及时的发现状态异常的运单特征以及时做出应对措施。
然而,当采用上述方式确定异常运单特征时,经常会存在如下技术问题:
仅从单个运单层面确定异常运单特征,不能从宏观角度对整体上的运单时效指标进行综合考量,难以挖掘出影响整体物流时效的关键异常运单特征。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了异常运单特征确定方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种异常运单特征确定方法,该方法包括:获取预设时间段内的、目标城市的妥投运单信息集合;对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合;确定上述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合;根据上述运单特征组集合和上述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型;基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合。
可选的,上述根据上述运单特征组集合和上述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型,包括:对上述运单特征组集合中的各个运单特征组进行聚类处理,得到聚类运单特征组集合;根据上述聚类运单特征组集合、上述一级时效运单指标值集合和上述一级时效运单指标异常值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型。
可选的,上述基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合,包括:基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,从上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,得到异常运单特征组集合。
可选的,上述基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,从上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,包括:利用上述聚类运单特征组、上述一级时效运单指标异常值和上述目标一级时效运单指标值生成模型,对上述初始解释模型进行训练,得到目标解释模型;根据上述目标解释模型,确定上述聚类运单特征组中每个聚类运单特征对应的异常解释值,得到异常解释值集合;基于上述异常解释值集合,从上述聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征组,以生成异常运单特征组。
可选的,上述利用上述聚类运单特征组、上述一级时效运单指标异常值和上述目标一级时效运单指标值生成模型,对上述初始解释模型进行训练,得到目标解释模型,包括:根据上述聚类运单特征组,生成随机向量组和与上述随机向量组对应的模拟运单特征组集合;利用上述模拟运单特征组集合、上述目标一级时效运单指标值生成模型和上述随机向量组,对上述初始解释模型进行训练,得到目标解释模型。
可选的,上述确定上述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合,包括:根据上述一级时效运单指标值集合中的各个一级时效运单指标值,确定质控上限值和质控下限值;从上述一级时效运单指标值集合中选择出满足预设条件的一级时效运单指标值作为一级时效运单指标异常值,得到一级时效运单指标异常值集合,其中,上述预设条件是根据上述质控上限值和上述质控下限值进行设置的。
可选的,上述对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合,包括:对上述妥投运单信息集合中的各个妥投运单信息进行数据清洗处理,得到清洗后的妥投运单信息集合;基于上述清洗后的妥投运单信息集合,生成运单特征组集合和一级时效运单指标值集合。
第二方面,本公开的一些实施例提供了一种异常运单特征确定装置,装置包括:获取单元,被配置成获取预设时间段内的、目标城市的妥投运单信息集合;预处理单元,被配置成对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合;第一确定单元,被配置成确定上述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合;训练单元,被配置成根据上述运单特征组集合和上述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型;第二确定单元,被配置成基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合。
可选的,上述异常运单特征确定装置的训练单元被进一步配置成:对上述运单特征组集合中的各个运单特征组进行聚类处理,得到聚类运单特征组集合;根据上述聚类运单特征组集合、上述一级时效运单指标值集合和上述一级时效运单指标异常值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型。
可选的,上述异常运单特征确定装置的第二确定单元被进一步配置成:基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合,包括:基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,从上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,得到异常运单特征组集合。
可选的,上述基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,从上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,包括:利用上述聚类运单特征组、上述一级时效运单指标异常值和上述目标一级时效运单指标值生成模型,对上述初始解释模型进行训练,得到目标解释模型;根据上述目标解释模型,确定上述聚类运单特征组中每个聚类运单特征对应的异常解释值,得到异常解释值集合;基于上述异常解释值集合,从上述聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征组,以生成异常运单特征组。
可选的,上述利用上述聚类运单特征组、上述一级时效运单指标异常值和上述目标一级时效运单指标值生成模型,对上述初始解释模型进行训练,得到目标解释模型,包括:根据上述聚类运单特征组,生成随机向量组和与上述随机向量组对应的模拟运单特征组集合;利用上述模拟运单特征组集合、上述目标一级时效运单指标值生成模型和上述随机向量组,对上述初始解释模型进行训练,得到目标解释模型。
可选的,上述异常运单特征确定装置的第一确定单元被进一步配置成:根据上述一级时效运单指标值集合中的各个一级时效运单指标值,确定质控上限值和质控下限值;从上述一级时效运单指标值集合中选择出满足预设条件的一级时效运单指标值作为一级时效运单指标异常值,得到一级时效运单指标异常值集合,其中,上述预设条件是根据上述质控上限值和上述质控下限值进行设置的。
可选的,上述异常运单特征确定装置的预处理单元被进一步配置成:对上述妥投运单信息集合中的各个妥投运单信息进行数据清洗处理,得到清洗后的妥投运单信息集合;基于上述清洗后的妥投运单信息集合,生成运单特征组集合和一级时效运单指标值集合。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的异常运单特征确定方法得到的异常运单特征,能够从物流时效的宏观层面挖掘出影响整体物流时效的关键异常运单特征。具体来说,造成相关的异常运单特征确定方法难以从物流时效的宏观层面挖掘出影响整体物流时效的关键异常运单特征原因在于:仅从天气、包裹的揽收、中转、运输和派送等单个运单环节层面确定异常运单特征,难以从宏观角度对整体上的运单时效指标进行综合考量。基于此,本公开的一些实施例的异常运单特征确定方法,首先,获取预设时间段内的、目标城市的妥投运单信息集合。然后,针对预设时间段内的所有日期拟合各个环节中的各个运单特征对宏观的物流时效指标的影响。接着,以预设时间段内的每个妥投日期为粒度,利用解释模型具体分析造成某日时效异常的运单特征。从而,实现了可解释机器学习在物流实际问题中的应用,从物流时效的宏观层面挖掘出影响整体物流时效的关键异常运单特征。进而,可以帮助相关物流人员监控物流系统的状态,并对可能存在问题的环节进行整改,提升物流系统的可靠性和稳定性以及运单的时效性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的异常运单特征确定方法的一个应用场景的示意图;
图2是根据本公开的异常运单特征确定方法的一些实施例的流程图;
图3是根据本公开的异常运单特征确定方法的另一些实施例的流程图;
图4是根据本公开的异常运单特征确定方法的一些实施例中的得到一级时效运单指标异常值集合的示意图;
图5是根据本公开的异常运单特征确定装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的异常运单特征确定方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取预设时间段内的、目标城市的妥投运单信息集合102。接着,计算设备101可以对上述妥投运单信息集合102进行预处理,得到运单特征组集合103和一级时效运单指标值集合104。然后,计算设备101可以确定上述一级时效运单指标值集合104中异常的一级时效运单指标值,得到一级时效运单指标异常值集合105。再然后,计算设备101可以根据上述运单特征组集合103和上述一级时效运单指标值集合104,对预设的初始一级时效运单指标值生成模型106进行训练,得到目标一级时效运单指标值生成模型107。最后,计算设备101可以基于预设的初始解释模型108和上述目标一级时效运单指标值生成模型107,确定上述一级时效运单指标异常值集合105中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合109。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的异常运单特征确定方法的一些实施例的流程200。该异常运单特征确定方法,包括以下步骤:
步骤201,获取预设时间段内的、目标城市的妥投运单信息集合。
在一些实施例中,异常运单特征确定方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式获取预设时间段内的、目标城市的妥投运单信息集合。其中,上述预设时间段可以是7天或者30天等。上述预设时间段的终止时间点可以是当前时间点。上述目标城市可以是需要确定异常运单特征的城市。上述妥投运单信息集合中的妥投运单信息可以包括:妥投日期,妥投四级地址,一级时效运单数,二级时效运单数,三级时效运单数和本地仓满足单数。其中,上述妥投运单信息中的一级时效运单数,二级时效运单数和三级时效运单数可以分别是在上述妥投日期内、妥投四级地址处妥投的一级时效运单的数量、二级时效运单的数量和三级时效运单的数量。上述一级时效运单可以是时效性最高的运单(例如,半日达运单)。上述数二级时效运单可以是时效性仅次于上述一级时效运单的运单(例如,次日达运单)。上述三级时效运单数可以是时效性仅次于上述二级时效运单的运单(例如,隔日达运单)。上述本地仓满足单数可以是上述一级时效运单,二级时效运单和三级时效运单中对应的包裹的发货仓为上述目标城市的发仓库的运单的数量。
作为示例,上述预设时间段可以是28天。上述妥投运单信息集合可以是:
{
[2021/2/10,A市B1区C1街道,170,66,2,171],
[2021/2/10,A市B1区C2街道,86,34,4,86],
……
[2021/2/10,A市B17区C131街道,101,47,5,101],
……
[2021/3/9,A市B17区C131街道,123,56,2,123],
}。
步骤202,对妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合。
在一些实施例中,上述执行主体对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合,可以包括以下步骤:
第一步,将上述妥投运单信息集合中每个妥投运单信息中包括的本地仓满足单数与一级时效运单数,二级时效运单数和三级时效运单数之和的比值确定为本地仓满足单量占比,以及分别将上述本地仓满足单量占比和上述妥投运单信息中包括的妥投日期,妥投四级地址,一级时效运单数,二级时效运单数和三级时效运单数确定为运单特征,得到运单特征组。
第二步,将上述妥投运单信息集合中每个妥投运单信息中包括的一级时效运单数与一级时效运单数,二级时效运单数和三级时效运单数之和的比值确定为一级时效运单指标值,得到一级时效运单指标值集合。
作为示例,上述一级时效运单指标值集合可以是{0.7243,0.6835,……,0.6701,……,0.6696}。
在一些实施例的一些可选的实现方式中,上述执行主体对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合,可以包括以下步骤:
第一步,对上述妥投运单信息集合中的各个妥投运单信息进行数据清洗处理,得到清洗后的妥投运单信息集合。其中,上述清洗处理可以是删除上述妥投运单信息集合中重复的或者存在缺失项的妥投运单信息。
第二步,基于上述清洗后的妥投运单信息集合,生成运单特征组集合和一级时效运单指标值集合,可以包括以下步骤:
第一子步骤,将上述清洗后的妥投运单信息集合中每个妥投运单信息中包括的本地仓满足单数与一级时效运单数,二级时效运单数和三级时效运单数之和的比值确定为本地仓满足单量占比,以及分别将上述本地仓满足单量占比和上述妥投运单信息中包括的妥投日期,妥投四级地址,一级时效运单数,二级时效运单数和三级时效运单数确定为运单特征,得到运单特征组。
第二子步骤,将上述清洗后的妥投运单信息集合中每个妥投运单信息中包括的一级时效运单数与一级时效运单数,二级时效运单数和三级时效运单数之和的比值确定为一级时效运单指标值,得到一级时效运单指标值集合。
步骤203,确定一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合。
在一些实施例中,上述执行主体可以从上述一级时效运单指标值集合中选择出满足异常值条件的一级时效运单指标值作为一级时效运单指标异常值,得到一级时效运单指标异常值集合。其中,上述异常值条件可以是一级时效运单指标值小于预设数值。
作为示例,上述预设数值可以是0.6。
在一些实施例的一些可选的实现方式中,上述执行主体确定上述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合,可以包括以下步骤:
第一步,根据上述一级时效运单指标值集合中的各个一级时效运单指标值,通过以下步骤,确定质控上限值和质控下限值:
第一子步骤,确定上述一级时效运单指标值集合中的各个一级时效运单指标值的算术平均值。
第二子步骤,对上述一级时效运单指标值集合中的一级时效运单指标值进行目标数目次随机排序处理以生成目标数目个一级时效运单指标值序列,得到一级时效运单指标值序列集合。
第三子步骤,根据上述算术平均值和上述一级时效运单指标值序列集合,通过以下公式,确定上述质控上限值和上述质控下限值:
其中,UCL表示上述质控上限值。LCL表示上述质控下限值。CL表示上述算术平均值。M表示上述一级时效运单指标值序列集合中一级时效运单指标值序列的个数。l表示上述一级时效运单指标值序列集合中一级时效运单指标值序列的序号。N表示上述一级时效运单指标值序列集合中一级时效运单指标值序列中的一级时效运单指标值的个数。d表示上述一级时效运单指标值序列集合中一级时效运单指标值序列中一级时效运单指标值的序号。Y表示上述一级时效运单指标值序列集合中一级时效运单指标值序列中的一级时效运单指标值。Y l,d 表示上述一级时效运单指标值序列集合中第l个一级时效运单指标值序列中第d个一级时效运单指标值。Y l,d-1 表示上述一级时效运单指标值序列集合中第l个一级时效运单指标值序列中第d-1个一级时效运单指标值。
第二步,从上述一级时效运单指标值集合中选择出满足预设条件的一级时效运单指标值作为一级时效运单指标异常值,得到一级时效运单指标异常值集合,其中,上述预设条件可以是一级时效运单指标值大于上述质控上限值或者小于上述质控下限值。
步骤204,根据运单特征组集合和一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型。
在一些实施例中,上述初始一级时效运单指标值生成模型可以是神经网络模型或者回归模型等模型。上述初始一级时效运单指标值生成模型的损失函数可以是平方损失函数。上述执行主体可以根据上述运单特征组集合和上述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型,可以包括以下步骤:
第一步,根据上述运单特征组集合中每个运单特征组中包括的妥投日期对上述运单特征组集合进行分组处理,得到运单特征组子组集合。其中,上述运单特征组子组集合中的运单特征组子组可以包括至少一个运单特征组。同一运单特征组子组中各个运单特征组包括的妥投日期相同。不同运单特征组子组之间运单特征组包括的妥投日期不同。
第二步,根据上述运单特征组子组集合和上述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型执行以下训练步骤:
第一子步骤,将上述运单特征组子组集合中每个运单特征组子组中各个运单特征组中包括的本地仓满足单量占比,一级时效运单数,二级时效运单数和三级时效运单数输入初始一级时效运单指标值生成模型以生成的一级时效运单指标估计值,得到一级时效运单指标估计值集合。
第二子步骤,利用以下平方损失函数公式,确定上述一级时效运单指标估计值集合和上述一级时效运单指标值集合之间的损失值:
其中,L表示上述损失值。i表示上述一级时效运单指标估计值集合和上述一级时效运单指标值集合中一级时效运单指标估计值和一级时效运单指标值的序号。P表示上述一级时效运单指标值集合中一级时效运单指标值的个数。x表示上述一级时效运单指标估计值集合中包括的一级时效运单指标估计值。x i 表示上述一级时效运单指标估计值集合中包括的第i个一级时效运单指标估计值。X i 表示上述一级时效运单指标值集合中第i个一级时效运单指标值。
第三子步骤,响应于确定上述损失值小于等于第一预设损失值,将初始一级时效运单指标值生成模型确定为目标一级时效运单指标值生成模型。
第三步,响应于确定上述损失值大于上述第一预设损失值,调整初始一级时效运单指标值生成模型中的相关参数,以及继续执行上述训练步骤。
步骤205,基于预设的初始解释模型和目标一级时效运单指标值生成模型,确定一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合。
在一些实施例中,上述初始解释模型可以是线性模型。上述执行主体可以基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,通过以下步骤,确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组:
第一步,从上述运单特征组子组集合中选择出与上述一级时效运单指标异常值对应的预设时间段对应的运单特征组子组,作为运单特征组参照子组,得到运单特征组参照子组集合。
第二步,将上述运单特征组参照子组集合中每个运单特征组参照子组中各个运单特征组中的运单特征输入至上述目标一级时效运单指标值生成模型以生成第一一级时效运单指标值,得到第一一级时效运单指标值集合。
第三步,利用上述运单特征组参照子组集合和上述目标一级时效运单指标值生成模型,对上述初始解释模型执行以下训练步骤:
第一子步骤,将上述运单特征组参照子组集合中每个运单特征组参照子组中各个运单特征组中的运单特征输入至上述初始解释模型中以生成第二一级时效运单指标值,得到第二一级时效运单指标值集合。
第二子步骤,通过预设的损失函数确定上述第二一级时效运单指标值集合和上述第一一级时效运单指标值集合之间的损失值。其中,上述预设的损失函数可以是交叉熵损失函数、感知损失函数或者指数损失函数等。
第三子步骤,响应于确定上述损失值小于等于第二预设损失值,将初始解释模型确定为目标解释模型。
第四步,响应于确定上述损失值大于上述第二预设损失值,调整初始解释模型中的相关参数,以及继续执行上述训练步骤。
第五步,将上述运单特征组参照子组集合中每个运单特征组参照子组中每个运单特征组中的每个运单特征在目标解释模型中的系数确定为异常解释值,得到异常解释值集合。
第六步,从上述运单特征组参照子组集合中选择出对应的异常解释值大于上述异常解释值集合中各个异常解释值的算术平均值的运单特征作为异常运单特征,得到异常运单特征组。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的异常运单特征确定方法得到的异常运单特征,能够从物流时效的宏观层面挖掘出影响整体物流时效的关键异常运单特征。具体来说,造成相关的异常运单特征确定方法难以从物流时效的宏观层面挖掘出影响整体物流时效的关键异常运单特征原因在于:仅从天气、包裹的揽收、中转、运输和派送等单个运单环节层面确定异常运单特征,难以从宏观角度对整体上的运单时效指标进行综合考量。基于此,本公开的一些实施例的异常运单特征确定方法,首先,获取预设时间段内的、目标城市的妥投运单信息集合。然后,针对预设时间段内的所有日期拟合各个环节中的各个运单特征对宏观的物流时效指标的影响。接着,以预设时间段内的每个妥投日期为粒度,利用解释模型具体分析造成某日时效异常的运单特征。从而,实现了可解释机器学习在物流实际问题中的应用,从物流时效的宏观层面挖掘出影响整体物流时效的关键异常运单特征。进而,可以帮助相关物流人员监控物流系统的状态,并对可能存在问题的环节进行整改,提升物流系统的可靠性和稳定性以及运单的时效性。
进一步参考图3,其示出了异常运单特征确定方法的另一些实施例的流程300。该异常运单特征确定方法的流程300,包括以下步骤:
步骤301,获取预设时间段内的、目标城市的妥投运单信息集合。
在一些实施例中,异常运单特征确定方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式获取预设时间段内的、目标城市的妥投运单信息集合。其中,上述妥投运单信息集合中的妥投运单信息可以包括:妥投日期,一级时效运单数,一级时效履约运单数,物流网点标识,环节处理信息组。上述物流网点标识可以是物流网点的名称或者编号等。上述环节处理信息组中的环节处理信息可以包括:环节首操作,环节末操作,环节的平均处理时长和未履约一级时效运单数。上述环节首操作和环节末操作可以是上述物流网点所执行的两个相邻的物流操作中的首操作和末操作。上述环节的平均处理时长可以是上述物流网点在上述妥投日期内某一环节处理过的各个运单的处理时长的平均值。上述处理时长可以是执行环节首操作和环节末操作之间的时间差。上述环节处理信息中包括的未履约一级时效运单数可以是上述妥投日期内妥投的所有一级时效运单中妥投时间超时且首个超时操作为该环节处理信息对应的环节末操作的一级时效运单的数量。
上述妥投运单信息中包括的一级时效运单数和一级时效履约运单数可以是该妥投运单信息中包括的妥投日期内上述目标城市中的所有的一级时效运单的数量和妥投时间未超时的一级时效运单的数量。
作为示例,上述妥投运单信息集合可以是:
{[2021/2/10,170,151,D1仓库,[(订单打印,拣货完成,5分钟,1),(拣货完成,扫描完成,6分钟,3),(扫描完成,打包完成,1分钟,0)]],
[2021/2/10,170,151,E1接货仓,[(分拣完成,准备运输,5分钟,12)]],
……
[2021/2/10,170,151,F1分拣中心,[(分拣完成,准备运输,5分钟,23)]],
……
[2021/3/9,125,98,F1分拣中心,[(分拣完成,准备运输,5分钟,9)]]}。
步骤302,对妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合。
在一些实施例中,上述执行主体可以对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合。其中,上述一级时效运单指标值集合可以是一级时效履约单占比。上述运单特征组集合中的运单特征组可以包括:妥投日期,物流网点标识,环节处理特征组集合。上述环节处理特征组集合中的环节处理特征组可以包括环节的平均处理时长和未履约一级时效运单数。
上述一级时效履约单占比可以是上述妥投运单信息中包括的一级时效履约运单数与一级时效运单数的比值。上述预处理的方法可以参考图2对应的那些实施例中的步骤202,在此不再赘述。
步骤303,确定一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合。
在一些实施例中,步骤303的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤203,在此不再赘述。
步骤304,对运单特征组集合中的各个运单特征组进行聚类处理,得到聚类运单特征组集合。
在一些实施例中,上述执行主体对上述运单特征组集合中的各个运单特征组进行聚类处理,得到聚类运单特征组集合,可以包括以下步骤:
第一步,根据上述运单特征组集合中运单特征组中包括的物流网点标识,对上述运单特征组集合进行分组,得到运单特征组子组集合。其中,上述运单特征组子组集合中的运单特征组子组可以包括至少一个运单特征组。
第二步,利用谱聚类方法对上述运单特征组子组集合中的各个运单特征组子组进行聚类,以确定上述运单特征组子组集合中的各个运单特征组子组的聚类类别。
第三步,以妥投日期为维度,将上述运单特征组子组集合中聚类类别相同的运单特征组子组中妥投日期相同的各个运单特征组中的各个运单特征进行组合处理,得到聚类运单特征组集合。其中,上述聚类运单特征组集合中的聚类运单特征组可以包括:妥投日期,物流网点标识组,环节处理组合特征组集合。上述环节处理组合特征组集合中的环节处理组合特征组可以包括环节的组合平均处理时长和未履约一级时效运单组合数。上述环节的组合平均处理时长可以是上述运单特征组子组集合中聚类类别相同的运单特征组子组中妥投日期相同的各个运单特征组中包括的环节的平均处理时长的算术平均值。上述未履约一级时效运单组合数可以是上述运单特征组子组集合中聚类类别相同的运单特征组子组中妥投日期相同的各个运单特征组中包括的未履约一级时效运单数的算术平均值。
作为示例,参考图4,首先,可以根据上述运单特征组集合401中运单特征组中包括的物流网点标识,对上述运单特征组集合401进行分组,得到运单特征组子组集合402。接着,可以利用谱聚类方法对上述运单特征组子组集合402中的各个运单特征组子组进行聚类,以确定上述运单特征组子组集合中的各个运单特征组子组的聚类类别。最后,可以以妥投日期为维度,将上述运单特征组子组集合402中聚类类别相同的运单特征组子组中妥投日期相同的各个运单特征组中的各个运单特征进行组合处理,得到聚类运单特征组集合403。
步骤305,根据聚类运单特征组集合、一级时效运单指标值集合和一级时效运单指标异常值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型。
在一些实施例中,上述执行主体根据上述聚类运单特征组集合、上述一级时效运单指标值集合和上述一级时效运单指标异常值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型,可以包括以下步骤:
第一步,确定上述一级时效运单指标值集合中每个一级时效运单指标值对应的权重。
作为示例,可以将上述一级时效运单指标值集合中与上述一级时效运单指标异常值集合中的一级时效运单指标异常值对应的一级时效运单指标值的权重设置为上述一级时效运单指标值集合中一级时效运单指标值的数量与上述一级时效运单指标异常值集合中一级时效运单指标异常值的数量的比值。可以将上述一级时效运单指标值集合中与上述一级时效运单指标异常值集合中的一级时效运单指标异常值对应的一级时效运单指标值的权重设置为1。
第二步,根据上述聚类运单特征组集合,上述一级时效运单指标值集合和上述一级时效运单指标异常值集合,对预设的初始一级时效运单指标值生成模型执行以下训练步骤:
第一子步骤,将上述聚类运单特征组集合中每个聚类运单特征组中包括的环节处理组合特征组集合中的每个环节处理组合特征组中包括的环节的组合平均处理时长和未履约一级时效运单组合数输入初始一级时效运单指标值生成模型以生成一级时效运单指标估计值,得到一级时效运单指标估计值集合。
第二子步骤,利用预设的加权平方损失函数公式和上述一级时效运单指标值集合中每个一级时效运单指标值对应的权重,确定上述一级时效运单指标估计值集合和上述一级时效运单指标值集合之间的损失值:
其中,L表示上述损失值。i表示上述一级时效运单指标估计值集合和上述一级时效运单指标值集合中一级时效运单指标估计值和一级时效运单指标值的序号。P表示上述一级时效运单指标值集合中一级时效运单指标值的个数。x表示上述一级时效运单指标估计值集合中包括的一级时效运单指标估计值。x i 表示上述一级时效运单指X i 估计值集合中包括的第i个一级时效运单指标估计值。X i 表示上述一级时效运单指标值集合中第i个一级时效运单指标值。W表示上述一级时效运单指标值集合中一级时效运单指标值对应的权重。W i 表示上述一级时效运单指标值集合中第i个一级时效运单指标值对应的权重。
第三子步骤,响应于确定上述损失值小于等于第一预设损失值,将初始一级时效运单指标值生成模型确定为目标一级时效运单指标值生成模型。
第三步,响应于确定上述损失值大于上述第一预设损失值,调整初始一级时效运单指标值生成模型中的相关参数,以及继续执行上述训练步骤。
步骤306,基于预设的初始解释模型和目标一级时效运单指标值生成模型,从一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,得到异常运单特征组集合。
在一些实施例中,上述执行主体可以基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,参考图2对应的那些实施例中的步骤203,从上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,得到异常运单特征组集合。
在一些实施例的一些可选的实现方式中,上述执行主体基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,从上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,得到异常运单特征组集合,可以包括以下步骤:
第一步,利用上述聚类运单特征组、上述一级时效运单指标异常值和上述目标一级时效运单指标值生成模型,对上述初始解释模型进行训练,得到目标解释模型,可以包括以下步骤:
第一子步骤,根据上述聚类运单特征组,生成随机向量组和与上述随机向量组对应的模拟运单特征组集合。其中,上述随机向量组中的各个随机向量的维数与上述聚类运单特征组各个环节处理组合特征组集合中包括的环节处理组合特征的总数相同。上述随机向量组中的各个随机向量的中的个各维数字可以是0或者1。
可以将上述随机向量组中每个随机向量中数值为1数值更改为与上述聚类运单特征组中包括的环节处理组合特征组集合中对应的环节处理组合特征。将上述随机向量组中每个随机向量中数值为0数值更改为随机值。从而,得到与上述随机向量组对应的模拟运单特征组集合。
第二子步骤,将上述模拟运单特征组集合中每个模拟运单特征组中各个模拟运单特征输入至上述目标一级时效运单指标值生成模型以生成第一一级时效运单指标值,得到第一一级时效运单指标值集合。
第三子步骤,利用上述随机向量组和上述目标一级时效运单指标值生成模型,对上述初始解释模型执行以下训练步骤:
首先,将上述随机向量组中每个随机向量输入至上述初始解释模型中以生成第二一级时效运单指标值,得到第二一级时效运单指标值集合。其中,上述初始解释模型可以是Kernel Shap解释模型(核形解释模型)或者Tree Shap解释模型(树形解释模型)等。
然后,利用预设的损失函数,确定上述第二一级时效运单指标值集合和上述第一一级时效运单指标值集合之间的损失值。
最后,响应于确定上述损失值小于等于第二预设损失值,将初始解释模型确定为目标解释模型。
第四子步骤,响应于确定上述损失值大于上述第二预设损失值,调整初始解释模型中的相关参数,以及继续执行上述训练步骤。
第二步,根据上述目标解释模型,确定上述聚类运单特征组中每个聚类运单特征对应的异常解释值,得到异常解释值集合。可以将上述聚类运单特征组中每个聚类运单特征在目标解释模型中的系数确定为异常解释值,得到异常解释值集合。
第三步,基于上述异常解释值集合,从上述聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,可以包括以下子步骤:
第一子步骤,从上述异常解释值集合中选择出数值为正值的异常解释值作为候选异常解释值,得到候选异常解释值集合。
第二子步骤,对上述候选异常解释值集合中的各个候选异常解释值按照数值由大到小的顺序进行排序,得到候选异常解释值序列。
第三子步骤,利用肘方法确定上述候选异常解释值序列对应的目标数量。
第四子步骤,从上述候选异常解释值序列中选择出上述目标数量个数值最大的候选异常解释值作为目标异常解释值,得到目标异常解释值集合。
第五子步骤,将上述聚类运单特征组中与上述目标异常解释值集合中的每个目标异常解释值与对应的聚类运单特征作为异常运单特征,得到异常运单特征组。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的异常运单特征确定方法的流程300体现了对运单特征组集合中的各个运单特征组进行聚类以及对解释模型进行训练的具体步骤。由此,这些实施例描述的方案可以实现对运单特征组集合中运单特征组的降维,从而可以避免特征维度过高为模型引入过多噪声或者出现过拟合现象。同时,可以利用解释模型直接输出可以供相关物流人员理解的造成时效异常的异常运单特征解释值。从而,进一步帮助物流人员监控物流系统的状态,并对可能存在问题的环节进行整改,提升物流系统的可靠性和稳定性。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种异常运单特征确定装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的异常运单特征确定装置500包括:获取单元501、预处理单元502、第一确定单元503、训练单元504和第二确定单元505。其中,获取单元501被配置成获取预设时间段内的、目标城市的妥投运单信息集合;预处理单元502被配置成对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合;第一确定单元503被配置成确定上述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合;训练单元504被配置成根据上述运单特征组集合和上述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型;第二确定单元505被配置成基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合。
在一些实施例的一些可选实现方式中,上述异常运单特征确定装置500的训练单元504可以被进一步配置成:对上述运单特征组集合中的各个运单特征组进行聚类处理,得到聚类运单特征组集合;根据上述聚类运单特征组集合、上述一级时效运单指标值集合和上述一级时效运单指标异常值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型。
在一些实施例的一些可选实现方式中,上述异常运单特征确定装置500的第二确定单元505可以被进一步配置成:基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合,包括:基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,从上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,得到异常运单特征组集合。
在一些实施例的一些可选实现方式中,上述基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,从上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征,以生成异常运单特征组,可以包括:利用上述聚类运单特征组、上述一级时效运单指标异常值和上述目标一级时效运单指标值生成模型,对上述初始解释模型进行训练,得到目标解释模型;根据上述目标解释模型,确定上述聚类运单特征组中每个聚类运单特征对应的异常解释值,得到异常解释值集合;基于上述异常解释值集合,从上述聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征组,以生成异常运单特征组。
在一些实施例的一些可选实现方式中,上述利用上述聚类运单特征组、上述一级时效运单指标异常值和上述目标一级时效运单指标值生成模型,对上述初始解释模型进行训练,得到目标解释模型,可以包括:根据上述聚类运单特征组,生成随机向量组和与上述随机向量组对应的模拟运单特征组集合;利用上述模拟运单特征组集合、上述目标一级时效运单指标值生成模型和上述随机向量组,对上述初始解释模型进行训练,得到目标解释模型。
在一些实施例的一些可选实现方式中,上述异常运单特征确定装置500的第一确定单元503可以被进一步配置成:根据上述一级时效运单指标值集合中的各个一级时效运单指标值,确定质控上限值和质控下限值;从上述一级时效运单指标值集合中选择出满足预设条件的一级时效运单指标值作为一级时效运单指标异常值,得到一级时效运单指标异常值集合,其中,上述预设条件是根据上述质控上限值和上述质控下限值进行设置的。
在一些实施例的一些可选实现方式中,上述异常运单特征确定装置500的预处理单元502可被进一步配置成:对上述妥投运单信息集合中的各个妥投运单信息进行数据清洗处理,得到清洗后的妥投运单信息集合;基于上述清洗后的妥投运单信息集合,生成运单特征组集合和一级时效运单指标值集合。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读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,该计算机可读信号介质可以发送、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。计算机可读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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取预设时间段内的、目标城市的妥投运单信息集合;对上述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合;确定上述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合;根据上述运单特征组集合和上述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型;基于预设的初始解释模型和上述目标一级时效运单指标值生成模型,确定上述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合。
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公开的一些实施例的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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、预处理单元、第一确定单元、训练单元和第二确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取预设时间段内的、目标城市的妥投运单信息集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
Claims (8)
1.一种异常运单特征确定方法,包括:
获取预设时间段内的、目标城市的妥投运单信息集合;
对所述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合;
确定所述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合;
根据所述运单特征组集合和所述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型,包括:对所述运单特征组集合中的各个运单特征组进行聚类处理,得到聚类运单特征组集合;
基于预设的初始解释模型和所述目标一级时效运单指标值生成模型,确定所述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合,包括:利用所述聚类运单特征组、所述一级时效运单指标异常值和所述目标一级时效运单指标值生成模型,对所述初始解释模型进行训练,得到目标解释模型;根据所述目标解释模型,确定所述聚类运单特征组中每个聚类运单特征对应的异常解释值,得到异常解释值集合;基于所述异常解释值集合,从所述聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征组,以生成异常运单特征组。
2.根据权利要求1所述的方法,其中,所述根据所述运单特征组集合和所述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型,还包括:
根据所述聚类运单特征组集合、所述一级时效运单指标值集合和所述一级时效运单指标异常值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型。
3.根据权利要求2所述的方法,其中,所述利用所述聚类运单特征组、所述一级时效运单指标异常值和所述目标一级时效运单指标值生成模型,对所述初始解释模型进行训练,得到目标解释模型,包括:
根据所述聚类运单特征组,生成随机向量组和与所述随机向量组对应的模拟运单特征组集合;
利用所述模拟运单特征组集合、所述目标一级时效运单指标值生成模型和所述随机向量组,对所述初始解释模型进行训练,得到目标解释模型。
4.根据权利要求1所述的方法,其中,所述确定所述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合,包括:
根据所述一级时效运单指标值集合中的各个一级时效运单指标值,确定质控上限值和质控下限值;
从所述一级时效运单指标值集合中选择出满足预设条件的一级时效运单指标值作为一级时效运单指标异常值,得到一级时效运单指标异常值集合,其中,所述预设条件是根据所述质控上限值和所述质控下限值进行设置的。
5.根据权利要求1所述的方法,其中,所述对所述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合,包括:
对所述妥投运单信息集合中的各个妥投运单信息进行数据清洗处理,得到清洗后的妥投运单信息集合;
基于所述清洗后的妥投运单信息集合,生成运单特征组集合和一级时效运单指标值集合。
6.一种异常运单特征确定装置,包括:
获取单元,被配置成获取预设时间段内的、目标城市的妥投运单信息集合;
预处理单元,被配置成对所述妥投运单信息集合进行预处理,得到运单特征组集合和一级时效运单指标值集合;
第一确定单元,被配置成确定所述一级时效运单指标值集合中异常的一级时效运单指标值,得到一级时效运单指标异常值集合;
训练单元,被配置成根据所述运单特征组集合和所述一级时效运单指标值集合,对预设的初始一级时效运单指标值生成模型进行训练,得到目标一级时效运单指标值生成模型,包括:对所述运单特征组集合中的各个运单特征组进行聚类处理,得到聚类运单特征组集合;
第二确定单元,被配置成基于预设的初始解释模型和所述目标一级时效运单指标值生成模型,确定所述一级时效运单指标异常值集合中每个一级时效运单指标异常值对应的异常运单特征组,得到异常运单特征组集合,包括:利用所述聚类运单特征组、所述一级时效运单指标异常值和所述目标一级时效运单指标值生成模型,对所述初始解释模型进行训练,得到目标解释模型;根据所述目标解释模型,确定所述聚类运单特征组中每个聚类运单特征对应的异常解释值,得到异常解释值集合;基于所述异常解释值集合,从所述聚类运单特征组中选择出异常的聚类运单特征作为异常运单特征组,以生成异常运单特征组。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402548.9A CN113095756B (zh) | 2021-04-14 | 2021-04-14 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402548.9A CN113095756B (zh) | 2021-04-14 | 2021-04-14 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095756A CN113095756A (zh) | 2021-07-09 |
CN113095756B true CN113095756B (zh) | 2024-01-12 |
Family
ID=76677597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110402548.9A Active CN113095756B (zh) | 2021-04-14 | 2021-04-14 | 异常运单特征确定方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095756B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570573A (zh) * | 2015-10-13 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 预测包裹属性信息的方法及装置 |
CN107292418A (zh) * | 2017-05-23 | 2017-10-24 | 顺丰科技有限公司 | 一种运单滞留预测方法 |
CN108595448A (zh) * | 2017-03-17 | 2018-09-28 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN110097323A (zh) * | 2019-05-10 | 2019-08-06 | 深圳市前海云途物流有限公司 | 异常包裹管理方法、装置及计算机可读存储介质 |
CN110135780A (zh) * | 2019-05-10 | 2019-08-16 | 深圳市前海云途物流有限公司 | 包裹处理方法、装置及计算机可读存储介质 |
CN110837995A (zh) * | 2019-11-12 | 2020-02-25 | 德邦物流股份有限公司 | 物流异常的处理方法及装置、电子设备、存储介质 |
CN110874778A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 异常订单检测方法及装置 |
CN111932348A (zh) * | 2020-09-22 | 2020-11-13 | 北京每日优鲜电子商务有限公司 | 针对异常订单的报警方法、装置、电子设备和可读介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10929799B2 (en) * | 2017-06-29 | 2021-02-23 | Amazon Technologies, Inc. | Identification of inaccurate addresses for package deliveries |
-
2021
- 2021-04-14 CN CN202110402548.9A patent/CN113095756B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570573A (zh) * | 2015-10-13 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 预测包裹属性信息的方法及装置 |
CN108595448A (zh) * | 2017-03-17 | 2018-09-28 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN107292418A (zh) * | 2017-05-23 | 2017-10-24 | 顺丰科技有限公司 | 一种运单滞留预测方法 |
CN110874778A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 异常订单检测方法及装置 |
CN110097323A (zh) * | 2019-05-10 | 2019-08-06 | 深圳市前海云途物流有限公司 | 异常包裹管理方法、装置及计算机可读存储介质 |
CN110135780A (zh) * | 2019-05-10 | 2019-08-16 | 深圳市前海云途物流有限公司 | 包裹处理方法、装置及计算机可读存储介质 |
CN110837995A (zh) * | 2019-11-12 | 2020-02-25 | 德邦物流股份有限公司 | 物流异常的处理方法及装置、电子设备、存储介质 |
CN111932348A (zh) * | 2020-09-22 | 2020-11-13 | 北京每日优鲜电子商务有限公司 | 针对异常订单的报警方法、装置、电子设备和可读介质 |
Non-Patent Citations (1)
Title |
---|
一种混合模型的时序数据异常检测方法;温粉莲;;数字通信世界(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095756A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368980B (zh) | 状态检测方法、装置、设备及存储介质 | |
WO2018207878A1 (ja) | 需要予測装置 | |
CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
CN116502807B (zh) | 基于科技知识图谱的产业链分析应用方法和装置 | |
CN112686418A (zh) | 一种履约时效预测方法和装置 | |
CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
CN113988485B (zh) | 站点到货量预测方法、装置、电子设备和计算机可读介质 | |
CN113821330B (zh) | 任务调度方法、装置、计算机设备和存储介质 | |
US20240118984A1 (en) | Prediction method and apparatus for faulty gpu, electronic device and storage medium | |
CN116911805B (zh) | 资源告警方法、装置、电子设备和计算机可读介质 | |
CN112085442B (zh) | 设备操作方法、装置、电子设备和计算机可读介质 | |
CN113255950B (zh) | 一种优化物流网络的方法和装置 | |
CN113095756B (zh) | 异常运单特征确定方法、装置、设备和计算机可读介质 | |
CN115660244B (zh) | 路线信息生成方法、装置、设备和介质 | |
CN116245595A (zh) | 供应端物品运输方法、装置、电子设备和计算机可读介质 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN113176873A (zh) | 用于信息管理的方法和装置、电子设备、及介质 | |
CN117077982B (zh) | 项目物资调度方法、装置、电子设备和可读介质 | |
CN113627662B (zh) | 库存数据预测方法、装置、设备和存储介质 | |
CN112036821B (zh) | 基于网格图规划专线的量化方法、装置、介质和电子设备 | |
CN115169321B (zh) | 物流内容文本核对方法、装置、电子设备和计算机介质 | |
CN112965827B (zh) | 信息调度方法、装置、电子设备和计算机介质 | |
CN117978363B (zh) | 区域相关数据信息流转方法、装置、电子设备和介质 | |
CN116703263B (zh) | 电力设备配送方法、装置、电子设备和计算机可读介质 | |
CN113554385B (zh) | 配送机器人控制方法、装置、电子设备和计算机可读介质 |
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 |