CN113139770A - 快递的路由数据分析方法、装置、设备及存储介质 - Google Patents
快递的路由数据分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113139770A CN113139770A CN202110433353.0A CN202110433353A CN113139770A CN 113139770 A CN113139770 A CN 113139770A CN 202110433353 A CN202110433353 A CN 202110433353A CN 113139770 A CN113139770 A CN 113139770A
- Authority
- CN
- China
- Prior art keywords
- data
- particle
- routing node
- point data
- routing
- 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 74
- 238000007405 data analysis Methods 0.000 title claims abstract description 60
- 238000012384 transportation and delivery Methods 0.000 title claims description 71
- 239000002245 particle Substances 0.000 claims abstract description 514
- 238000012163 sequencing technique Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据分析领域,公开了一种快递的路由数据分析方法、装置、设备及存储介质,该方法包括:通过获取与多个快递的运单号对应的路由节点数据,确定各路由节点数据中各颗粒点数据的颗粒维度并分类,得到多个数据集,对数据集中的各颗粒点数据进行排序,并基于排序的结果分析预测用户需求。本发明的技术方案结合物流路由和大数据分析预测技术,对路由节点数据进行分析,实现对用户需求的预测,提高了用户满意度,提高了物流运营能力和管理效率。其中,本发明还涉及区块链技术,路由节点数据可存储于区块链中。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种快递的路由数据分析方法、装置、设备及存储介质。
背景技术
现如今,随着全球一体化的加速发展和互联网、物联网技术的更广泛应用形势下,智能化物流越来越备受关注。特别是智慧物流路由也成为当前物流新技术领域的一个热门话题。由于受到物流平台限制、运费价格、配送范围、物流公司实力及服务品质等因素影响,各个物流公司物流路由信息同步和配送时效残次不齐,无法较好的满足用户需求。
目前,获取物流数据依赖于多个物流平台,而来自物流平台的数据具有一定的局限性和不准确性,不能够精确预测总体物流需求的变化,而通过各物流公司的物流路由信息,可以全面获取物流数据。因此,如何通过物流路由更全面地获取物流数据,对用户需求进行精确预测,提高物流行业的服务质量和运输效率,成为亟需解决的问题。
发明内容
本发明的主要目的在于解决现有技术中不能全面获取物流数据并对用户需求进行精确预测,导致物流行业服务质量差、运输效率低的技术问题。
本发明第一方面提供了一种快递的路由数据分析方法,所述快递的路由数据分析方法包括:获取与多个快递的运单号对应的路由节点数据,其中,所述路由节点数据包含多个颗粒点数据;提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度;基于所述颗粒维度,对各所述颗粒点数据进行分类处理,得到多个数据集;对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列;对所述排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于所述用户需求影响因子,对用户需求进行预测,得到预测结果。
可选的,在本发明的第一方面的第一种实现方式中,在所述提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度之前,还包括:提取所有所述路由节点数据的位置信息中的发出地信息与签收地信息,并比较各所述路由节点数据中的发出地信息是否一致;若是,则比较对应的所述路由节点数据中的签收地信息是否一致;若是,则提取对应的路由节点数据。
可选的,在本发明的第一方面的第二种实现方式中,所述提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度包括:提取所述路由节点数据中颗粒点数据的颗粒维度特征;基于预设的颗粒维度类别,计算所述颗粒维度特征与所述颗粒维度类别的匹配度;将所述匹配度与预设匹配阈值进行比较,基于比较的结果确定与各所述颗粒点数据对应的颗粒维度。
可选的,在本发明的第一方面的第三种实现方式中,所述基于所述颗粒维度,对各所述颗粒点数据进行分类处理,得到多个数据集包括:判断所述路由节点数据中各颗粒点数据是否隶属于同一颗粒维度;若是,则将对应的各颗粒点数据进行汇集,得到多个数据集。
可选的,在本发明第一方面的第四种实现方式中,所述对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列包括:提取所述数据集中各颗粒点数据的数据值,并对所有所述数据集中的各颗粒点数据的数据值进行比较,得到多个比较结果;基于多个所述比对结果,对各所述颗粒点数据进行排序,得到排序序列;或者,基于各所述颗粒维度的预设权重,对所有所述数据集中的各颗粒点数据进行权值计算,得到计算结果;对所述计算结果进行排序,得到排序序列。
可选的,在本发明第一方面的第五种实现方式中,在所述获取与多个快递的运单号对应的路由节点数据之后,还包括:提取所述路由节点数据中的位置信息,并对所述位置信息进行解析,得到位置数据;基于所述位置数据,分析与所述节点路由数据对应的路由节点的状态,得到路由节点状态;基于所述路由节点状态,更新并发送物流的状态信息。
可选的,在本发明第一方面的第六种实现方式中,在所述对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列之前,还包括:基于预设的异常检测规则,检测所述数据集中的各颗粒点数据是否异常;若是,则剔除对应的颗粒点数据并发送警告信息。
本发明第二方面提出一种快递的路由数据分析装置,所述快递的路由数据分析装置包括:获取模块,用于获取与多个快递的运单号对应的路由节点数据,其中,所述路由节点数据包含多个颗粒点数据;匹配模块,用于提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度;分类模块,用于基于所述颗粒维度,对各所述颗粒点数据进行分类处理,得到多个数据集;排序模块,用于对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列;预测模块,用于对所述排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于所述用户需求影响因子,对用户需求进行预测,得到预测结果。
可选的,在本发明第二方面的第一种实现方式中,所述快递的路由数据分析装置还包括比较模块,所述比较模块具体用于:提取所有所述路由节点数据的位置信息中的发出地信息与签收地信息,并比较各所述路由节点数据中的发出地信息是否一致;若发出地信息一致,则比较对应的所述路由节点数据中的签收地信息是否一致;若签收地信息一致,则提取对应的路由节点数据。
可选的,在本发明第二方面的第二种实现方式中,所述匹配模块具体用于:提取所述路由节点数据中颗粒点数据的颗粒维度特征;基于预设的颗粒维度类别,计算所述颗粒维度特征与所述颗粒维度类别的匹配度;将所述匹配度与预设匹配阈值进行比较,基于比较的结果确定与各所述颗粒点数据对应的颗粒维度。
可选的,在本发明第二方面的第三种实现方式中,所述分类模块具体用于:判断所述路由节点数据中各颗粒点数据是否隶属于同一颗粒维度;若各所述颗粒点数据隶属于同一颗粒维度,则将对应的各颗粒点数据进行汇集,得到多个数据集。
可选的,在本发明第二方面的第四种实现方式中,所述排序模块具体用于:提取所述数据集中各颗粒点数据的数据值,并对所有所述数据集中的各颗粒点数据的数据值进行比较,得到多个比较结果;基于多个所述比对结果,对各所述颗粒点数据进行排序,得到排序序列;或者,基于各所述颗粒维度的预设权重,对所有所述数据集中的各颗粒点数据进行权值计算,得到计算结果;对所述计算结果进行排序,得到排序序列。
可选的,在本发明第二方面的第五种实现方式中,所述快递的路由数据分析装置还包括更新模块,所述更新模块具体用于:提取所述路由节点数据中的位置信息,并对所述位置信息进行解析,得到位置数据;基于所述位置数据,分析与所述节点路由数据对应的路由节点的状态,得到路由节点状态;基于所述路由节点状态,更新并发送物流的状态信息。
可选的,在本发明第二方面的第六种实现方式中,所述快递的路由数据分析装置还包括检测模块,所述检测模块具体用于:基于预设的异常检测规则,检测所述数据集中的各颗粒点数据是否异常;若所述颗粒点数据异常,则剔除对应的颗粒点数据并发送警告信息。
本发明第三方面提供了一种快递的路由数据分析设备,所述快递的路由数据分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述快递的路由数据分析设备执行上述的快递的路由数据分析方法的步骤。
本发明第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当其在计算机上运行时,使得计算机执行上述的快递的路由数据分析方法的步骤。
在本发明提供的技术方案中,通过获取与多个快递的运单号对应的路由节点数据,确定路由节点数据中各颗粒点数据的颗粒维度;基于颗粒维度,对各颗粒点数据进行分类处理,得到多个数据集;对数据集中的各颗粒点数据进行比对并排序,得到排序序列;基于排序序列,对用户需求进行预测,得到预测结果。本发明的技术方案通过物流路由,更全面地获取各物流平台的物流数据,对用户需求进行精确预测,提高物流行业的服务质量和运输效率,同时也提高了用户满意度和用户粘度。
附图说明
图1为本发明实施例中快递的路由数据分析方法的第一个实施例示意图;
图2为本发明实施例中快递的路由数据分析方法的第二个实施例示意图;
图3为本发明实施例中快递的路由数据分析方法的第三个实施例示意图;
图4为本发明实施例中快递的路由数据分析方法的第四个实施例示意图;
图5为本发明实施例中快递的路由数据分析装置的一个实施例示意图;
图6为本发明实施例中快递的路由数据分析装置的另一个实施例示意图;
图7为本发明实施例中快递的路由数据分析设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种快递的路由数据分析方法、装置、设备及存储介质,通过获取与多个快递的运单号对应的路由节点数据,确定路由节点数据中各颗粒点数据的颗粒维度;基于颗粒维度,对各颗粒点数据进行分类处理,得到多个数据集;对数据集中的各颗粒点数据进行比对并排序,得到排序序列;基于排序序列,对用户需求进行预测,得到预测结果。本实施例通过物流路由,更全面地获取各物流平台的物流数据,对用户需求进行精确预测,提高物流行业的服务质量和运输效率,同时也提高了用户满意度和用户粘度。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体内容进行描述,请参阅图1,本发明实施例中快递的路由数据分析方法的第一个实施例包括:
101,获取与多个快递的运单号对应的路由节点数据;
通过接入国内主流获取物流路由信息服务商和直接对接各个物流公司获取物流路由节点API的形式,一般是针对性的对接国内主流物流公司API获取路由节点,小众物流公司路由节点信息,是通过第三方路由节点服务商获取,获取各物流公司订单发货的运单号对应的路由节点数据,其中,路由节点数据中包含有多个颗粒点数据,该颗粒点数据表示了物流配送时效、运费、用户满意度、配送范围、物流公司实力及服务品质等物流考量指标信息,且物流配送时效、运费、用户满意度、配送范围、物流公司实力及服务品质等信息为各颗粒点数据的颗粒维度,反映了各个物流公司在物流配送的各个环节的具体信息数据,体现了各个物流公司的运营能力。
另外,获取路由节点数据的时候还可以确定各个运单号对应的路由节点的位置信息,由此筛选出发出地与签收地一致的各个路由节点,并获取对应的路由节点数据,即筛选出同一空间维度的路由节点数据,其物流配送的位移一致,方便后续利用该路由节点数据进行分析,对用户需求进行预测。
102,提取路由节点数据中各颗粒点数据的颗粒维度特征,并将颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各颗粒点数据对应的颗粒维度;
各路由节点数据中的各颗粒点数据携带有颗粒维度特征,反映了各个颗粒点数据对应的颗粒维度的信息,其中,颗粒维度可以理解为是物流行业中物流配送时效、运费、用户满意度、配送范围、物流公司实力及服务品质等物流考量指标信息。通过提取各颗粒点数据携带的颗粒维度特征,并分析确定该颗粒维度特征对应的颗粒维度。其颗粒维度的确定过程主要是,提取各颗粒点数据的颗粒维度特征,计算颗粒维度特征与预设的颗粒维度类别的匹配度,当匹配度的值不小于预设阈值时,说明进行计算的颗粒维度特征与颗粒维度类别是匹配的,即该颗粒点数据的颗粒维度特征与该颗粒维度类别对应,则说明该颗粒点数据属于该颗粒维度类别,由此确定所有的颗粒点数据对应的颗粒维度。
103,基于颗粒维度,对各颗粒点数据进行分类处理,得到多个数据集;
根据所确定好的各颗粒点数据对应的颗粒维度,将各颗粒点数据按照对其对应的颗粒维度进行分类,形成多个数据集。具体的,对所有的路由节点数据中的各颗粒点数据的颗粒维度进行比对,将隶属于同一颗粒维度的各颗粒点数据汇集成为一个数据集,直至所有的颗粒点数据都比对完毕。其中,每个数据集都至少包含一个颗粒点数据,分类得到的数据集至少为一个,一个数据集表示一个颗粒维度。
104,对数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各颗粒点数据进行排序,得到排序序列;
当获取到发出地与签收地一致的对应的各个路由节点数据,并对各路由节点数据的颗粒点数据进行分类之后,对分类所得到的各个数据集中的各颗粒点数据所对应的数据值进行比较,并根据各数据值的比较结果,对同一颗粒维度下的各颗粒点数据进行排序,得到多个排序序列,并将该排序序列作为排序序列,具体的,对隶属于同一颗粒维度下的各颗粒点数据的数据值进行大小比较,即比较各数据值的大小,并依据其比较的结果,对对应的各颗粒点数据进行排序,如该数据集表示物流配送花费的时间,则数据集里中的各颗粒点数据为物流配送花费的总时长,将该数据集中各颗粒点数据按照数据值的大小进行排序,即按照配送时长的长短进行排序,由此得到的排序结果反映了在相同的配送位移下,各物流公司的配送时效。
105,对排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于用户需求影响因子,对用户需求进行预测,得到预测结果。
可以根据所得到的排序序列,对用户需求进行预测,得到预测结果。排序序列反映了各个颗粒维度下各物流公司的相关数据,即各个物流公司在对应的各个物流考量指标下的相关运营能力数据。通过快递从发货人开始到收件人签收为止,各个物流公司配送过程中,物流路由经过所有行政区县信息、物流路由各个节点花费时间、运送交通工具、费用、天气、物流评价,车辆信息,参与人员信息等因素作为颗粒维度,对各颗粒维度下的各颗粒点数据进行排序,反映出各个物流公司各个环节的时间、费用、用户评价,得出当前各个物流企业运营能力,并可以根据这些数据预测用户需求。具体的,对排序序列中各颗粒维度的排序情况进行分析,分析的过程主要是在同一颗粒维度下,对各个物流公司的排序情况进行分析,并再综合分析所有的颗粒维度下,各个物流公司的排序情况。其中,各颗粒维度都可以看作是影响用户需求的影响因素,将各颗粒维度的排序情况的分析结果与用户评价进行结合,对用户需求的影响因素进行重要性排序,筛选得到能够真正影响用户需求的用户需求影响因子,并根据各个颗粒维度的排序结果、物流评价以及用户需求影响因子,对用户的物流配送要求进行分析,预测用户未来的物流需求,调整物流配送的服务质量。
另外,还根据时效要求、运费预算、物流公司满意度等颗粒维度下的排序结果,给用户推荐最优承运物流公司。基于物流路由可以根据市场进行数据分析,提高运营管理效率,合理规划分配资源,调整业务结构,确保每个业务均可赢利,基于物流路由大数据的预测技术可根据用户的消费偏好及习惯,预测用户的消费需求,将商品物流环节和用户的需求同步进行,并预计运输路线和配送路线,缓解运输高峰期的物流压力,提高用户的满意度,提高用户粘度。
在本发明实施例中,通过获取多个路由节点数据,并确定路由节点数据中各颗粒点数据的颗粒维度,对各颗粒点数据进行分类处理,得到多个数据集,然后对数据集中的各颗粒点数据进行比对并排序,根据排序结果对用户需求进行预测。本实施例通过物流路由,更全面地获取各物流平台的物流数据,对用户需求进行精确预测,提高物流行业的服务质量和运输效率,同时也提高了用户满意度和用户粘度。
请参阅图2,本发明实施例中快递的路由数据分析方法的第二个实施例包括:
201,获取与多个快递的运单号对应的路由节点数据;
通过接入国内主流获取物流路由信息服务商和直接对接各个物流公司获取物流路由节点API的形式,一般是针对性的对接国内主流物流公司API获取路由节点,小众物流公司路由节点信息,是通过第三方路由节点服务商获取,获取各物流公司订单发货的运单号对应的路由节点数据,其中,路由节点数据中包含有多个颗粒点数据,该颗粒点数据表示了物流配送时效、运费、用户满意度、配送范围、物流公司实力及服务品质等物流考量指标信息,且物流配送时效、运费、用户满意度、配送范围、物流公司实力及服务品质等信息为各颗粒点数据的颗粒维度,反映了各个物流公司在物流配送的各个环节的具体信息数据,体现了各个物流公司的运营能力。
202,提取所有路由节点数据的位置信息中的发出地信息与签收地信息,并比较各路由节点数据中的发出地信息是否一致;
对所有的路由节点数据进行分析,从中提取出位置信息,并从所有的路由节点数据的位置信息中提取出各运单号对应的发出地信息和签收地信息,并对各运单号对应的发出地信息进行比较,筛选出为同一发出地信息的运单号。
203,若各路由节点数据中的发出地信息一致,则比较对应的路由节点数据中的签收地信息是否一致;
对发出地信息一致的对应的路由节点数据进行签收地信息的比对,即如果有多个路由节点数据的发出地信息一致,则对这些路由节点数据的签收地信息进行比对,比较其签收地信息是否也一致。
204,若对应的路由节点数据中的签收地信息一致,则提取对应的路由节点数据;
若发出地信息一致的路由节点数据,其签收地信息也一致,则从所有的路由节点数据中将对应的路由节点数据进行提取。比较路由节点数据中的发出地信息和签收地信息的目的是为了能够使得各路由节点数据处于同一个空间维度,方便后续对各路由节点数据的各颗粒点数据进行比对分析,从而能够更好的对用户需求进行预测。
205,提取路由节点数据中颗粒点数据的颗粒维度特征;
因为路由节点数据里的各数据都是物流环节中各业务的数据,即各路由节点数据中的各数据都对应各个颗粒维度,其中路由节点数据的各数据为颗粒点数据,即各路由节点数据中包含有多个颗粒点数据,且每个颗粒点数据都携带有相对应颗粒维度的颗粒维度特征,由此可以从各路由节点数据中提取各颗粒点数据的颗粒维度特征。
206,基于预设的颗粒维度类别,计算颗粒维度特征与颗粒维度类别的匹配度;
预先对历史路由节点数据进行分析,并预先设置了路由节点数据的颗粒维度类别,根据各颗粒点数据携带的颗粒维度特征,分析该颗粒维度特征与预设的颗粒维度类别之间的关联性,即计算各颗粒点数据的颗粒维度特征与颗粒维度类别的匹配度。在该步骤中,并不对匹配度的计算规则和计算方式进行限定。
207,将匹配度与预设匹配阈值进行比较,基于比较的结果确定与各颗粒点数据对应的颗粒维度;
根据所计算的匹配度进行分析,即预设一个匹配阈值,用于与匹配度进行比对,如果各颗粒点数据的颗粒维度特征与颗粒维度类别的匹配度小于预设的匹配阈值时,则说明该颗粒点数据不属于该颗粒维度类别,当匹配度不小于匹配阈值时,就说明该颗粒点数据对应该颗粒维度类别,即可以确定该颗粒点数据的颗粒维度。其中,颗粒维度可以是时效要求、运费预算、物流公司满意度等颗粒维度。
208,判断路由节点数据中各颗粒点数据是否隶属于同一颗粒维度;
当确定好各颗粒点数据对应的颗粒维度之后,对路由节点数据中各颗粒点数据的颗粒维度进行比对,判断各颗粒点数据对应的颗粒维度是否一致,即比对各路由节点数据中的各颗粒点数据是否隶属于同一颗粒维度。
209,若各颗粒点数据隶属于同一颗粒维度,则将对应的各颗粒点数据进行汇集,得到多个数据集;
如果得到的比对的结果为一致,即路由节点数据中有多个颗粒点数据隶属于同一颗粒维度,则将对应的多个颗粒点数据进行聚类,对各路由节点数据中的各颗粒点数据按照其对应的颗粒维度进行分类,同一颗粒维度的颗粒点数据归为一个数据集,从而可以得到多个数据集。
210,提取数据集中各颗粒点数据的数据值,并对所有数据集中的各颗粒点数据的数据值进行比较,得到多个比较结果;
对所有的数据集中的各颗粒点数据的数据值进行比对,得到多个比对结果,即对隶属于同一颗粒维度的各颗粒点数据的数据值进行比对,得到各数据值的比对结果。例如,颗粒维度为运送时间,则对属于运送时间颗粒维度的各颗粒点数据的数据值进行比对。
211,基于多个比对结果,对各颗粒点数据进行排序,得到排序序列;
根据所有的颗粒点数据的数据值的比对结果,对各颗粒点数据进行相应排序,其中,设定排序时的关键参数为颗粒维度,即对隶属于同一颗粒维度的各颗粒点数据按照对应的数据值大小进行排序。在该步骤中,因为各数据集的颗粒点数据对应不同的颗粒维度,所以相应的排序规则也不一样,所以需要预先根据不同的颗粒维度,设置不同的排序规则,然后再将各颗粒点数据根据数据值的比对结果进行相应的排序,由此得到不同颗粒维度的排序序列,该排序序列体现了各个颗粒维度下各个物流商家对应的数据。
212,对排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于用户需求影响因子,对用户需求进行预测,得到预测结果。
可以根据所得到的排序序列,对用户需求进行预测,得到预测结果。排序序列反映了各个颗粒维度下各物流公司的相关数据,即各个物流公司在对应的各个物流考量指标下的相关运营能力数据。通过快递从发货人开始到收件人签收为止,各个物流公司配送过程中,物流路由经过所有行政区县信息、物流路由各个节点花费时间、运送交通工具、费用、天气、物流评价,车辆信息,参与人员信息等因素作为颗粒维度,对各颗粒维度下的各颗粒点数据进行排序,反映出各个物流公司各个环节的时间、费用、用户评价,得出当前各个物流企业运营能力,并可以根据这些数据预测用户需求。具体的,对排序序列中各颗粒维度的排序情况进行分析,分析的过程主要是在同一颗粒维度下,对各个物流公司的排序情况进行分析,并再综合分析所有的颗粒维度下,各个物流公司的排序情况。其中,各颗粒维度都可以看作是影响用户需求的影响因素,将各颗粒维度的排序情况的分析结果与用户评价进行结合,对用户需求的影响因素进行重要性排序,筛选得到能够真正影响用户需求的用户需求影响因子,并根据各个颗粒维度的排序结果、物流评价以及用户需求影响因子,对用户的物流配送要求进行分析,预测用户未来的物流需求,调整物流配送的服务质量。
在本发明实施例中,通过提取各颗粒点数据的颗粒维度特征,计算颗粒维度特征与预设颗粒维度类别的匹配度来确定各颗粒点数据对应的颗粒维度,并按照颗粒维度的类别,将各颗粒点数据进行分类得到多个数据集,并在数据集中进行各颗粒点数据的数值比较并排序,从而可以在同一维度上,根据排序结果,有效地预测用户需求,提高用户需求预测的准确度。
请参阅图3,本发明实施例中快递的路由数据分析方法的第三个实施例包括:
301,获取与多个快递的运单号对应的路由节点数据;
302,提取所有路由节点数据的位置信息中的发出地信息与签收地信息,并比较各路由节点数据中的发出地信息是否一致;
303,若各路由节点数据中的发出地信息一致,则比较对应的路由节点数据中的签收地信息是否一致;
304,若对应的路由节点数据中的签收地信息一致,则提取对应的路由节点数据;
305,提取路由节点数据中颗粒点数据的颗粒维度特征;
306,基于预设的颗粒维度类别,计算颗粒维度特征与颗粒维度类别的匹配度;
307,将匹配度与预设匹配阈值进行比较,基于比较的结果确定与各颗粒点数据对应的颗粒维度;
308,判断路由节点数据中各颗粒点数据是否隶属于同一颗粒维度;
309,若各颗粒点数据隶属于同一颗粒维度,则将对应的各颗粒点数据进行汇集,得到多个数据集;
310,基于各颗粒维度的预设权重,对所有数据集中的各颗粒点数据进行权值计算,得到计算结果;
预先设置好每个颗粒维度的权重,然后对所有的数据集中的各颗粒点数据进行权值计算,在该步骤中,是将隶属于同一物流商家的所有的颗粒维度对应的颗粒点数据进行权值计算,由此得到计算结果,即该计算结果是同一物流商家下各颗粒维度的权值计算结果之和。
311,对计算结果进行排序,得到排序序列;
当得到所有的物流商家下各颗粒维度的权值计算结果之和以后,根据该计算结果和该计算结果对应的物流商家进行排序,其排序的关键参数为物流商家,即按照权值计算之后得到的计算结果的数值大小,对不同物流商家进行排序,在此过程中,权值计算的计算结果反映了各物流商家对应的运营能力,根据该计算结果的数值大小,对各个物流商家进行排序,其实也就是对各个物流商家对应的运营能力进行排序,由此得到的排序序列作为第一排序序列,其排序序列反应了各个物流商家运营能力的整体情况。根据得到的第一排序序列进行分析,可以对用户需求进行预测。
另外,还可以对所有的数据集中的各颗粒点数据的数据值进行比对,得到多个比对结果,即对隶属于同一颗粒维度的各颗粒点数据的数据值进行比对,得到各数据值的比对结果。例如,颗粒维度为运送时间,则对属于运送时间颗粒维度的各颗粒点数据的数据值进行比对。然后根据所有的颗粒点数据的数据值的比对结果,对各颗粒点数据进行相应排序,其中,设定排序时的关键参数为颗粒维度,即对隶属于同一颗粒维度的各颗粒点数据按照对应的数据值大小进行排序。在该步骤中,因为各数据集的颗粒点数据对应不同的颗粒维度,所以相应的排序规则也不一样,所以需要预先根据不同的颗粒维度,设置不同的排序规则,然后再将各颗粒点数据根据数据值的比对结果进行相应的排序,由此得到不同颗粒维度的排序序列,并将其作为第二排序序列,该第二排序序列体现了各个颗粒维度下各个物流商家对应的数据。
当得到第一排序序列和第二排序序列之后,可以综合这两个排序序列进行分析,具体的,结合两个排序序列的排序情况进行再排序,将位于两个排序序列靠前排名的颗粒维度作为重要维度,对不同的颗粒维度的排序情况进行综合分析,得到最终排序。还可以对这两个排序序列设置不同的偏重值,将偏重值较高的排序序列作为主要参考的排序序列,由此得到排序结果,用于对用户需求进行预测。
312,对排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于用户需求影响因子,对用户需求进行预测,得到预测结果。
可以根据所得到的排序序列,对用户需求进行预测,得到预测结果。排序序列反映了各个颗粒维度下各物流公司的相关数据,即各个物流公司在对应的各个物流考量指标下的相关运营能力数据。通过快递从发货人开始到收件人签收为止,各个物流公司配送过程中,物流路由经过所有行政区县信息、物流路由各个节点花费时间、运送交通工具、费用、天气、物流评价,车辆信息,参与人员信息等因素作为颗粒维度,对各颗粒维度下的各颗粒点数据进行排序,反映出各个物流公司各个环节的时间、费用、用户评价,得出当前各个物流企业运营能力,并可以根据这些数据预测用户需求。具体的,对排序序列中各颗粒维度的排序情况进行分析,分析的过程主要是在同一颗粒维度下,对各个物流公司的排序情况进行分析,并再综合分析所有的颗粒维度下,各个物流公司的排序情况。其中,各颗粒维度都可以看作是影响用户需求的影响因素,将各颗粒维度的排序情况的分析结果与用户评价进行结合,对用户需求的影响因素进行重要性排序,筛选得到能够真正影响用户需求的用户需求影响因子,并根据各个颗粒维度的排序结果、物流评价以及用户需求影响因子,对用户的物流配送要求进行分析,预测用户未来的物流需求,调整物流配送的服务质量。
在本发明实施例中,步骤301-309与上述快递的路由数据分析方法的第二个实施例中的步骤201-209一致,在此不再赘述。
在本发明实施例中,根据各颗粒维度的预设权重,对各颗粒点数据进行权值计算,并根据该权值计算结果进行排序,该排序结果反映了不同物流商家格子的运营能力,从而可以对各物流商家的运营能力进行分析,进而对用户需求进行精准预测,提高用户需求的预测准确度,也可以提高物流行业整体的运营能力。
请参阅图4,本发明实施例中快递的路由数据分析方法的第四个实施例包括:
401,获取与多个快递的运单号对应的路由节点数据;
通过接入国内主流获取物流路由信息服务商和直接对接各个物流公司获取物流路由节点API的形式,一般是针对性的对接国内主流物流公司API获取路由节点,小众物流公司路由节点信息,是通过第三方路由节点服务商获取,获取各物流公司订单发货的运单号对应的路由节点数据,其中,路由节点数据中包含有多个颗粒点数据,该颗粒点数据表示了物流配送时效、运费、用户满意度、配送范围、物流公司实力及服务品质等物流考量指标信息,且物流配送时效、运费、用户满意度、配送范围、物流公司实力及服务品质等信息为各颗粒点数据的颗粒维度,反映了各个物流公司在物流配送的各个环节的具体信息数据,体现了各个物流公司的运营能力。
402,对路由节点数据中的位置信息进行解析,得到位置数据;
对路由节点数据中的位置信息进行解析,即对各路由节点的节点位置信息进行解析,得到对应各路由节点的位置数据,具体的解析过程可以通过数据解析工具对其数据解析,在本步骤中并不对数据解析过程即解析方式进行限定,其中,该路由节点的位置数据包括各路由节点发生城市,节点经纬度数据等。
403,基于位置数据,分析与节点路由数据对应的路由节点的状态,得到路由节点状态;
在对各路由节点数据的收集获取过程中,可以根据所得到的各路由节点的位置数据,对各路由节点的位置进行分析,从而得到各路由节点的状态,例如,当路由节点的位置发生了改变,则说明路由节点的状态为在途状态,即对应的快递的物流状态处于在途状态,当前该快递正处在运送过程中。
404,基于路由节点状态,更新并发送物流的状态信息;
根据分析得到的各个路由节点状态,更新对应的物流的状态信息,并通过客户端将最新的物流状态信息同步给用户及商家,方便用户和商家对该快递进行物流跟踪。
具体的,当路由节点状态为揽件状态时,对应更新该快递的物流状态,并以短信形式,通知用户发货信息,其中,发货信息至少包括商品信息、承接物流公司、运单号、物流公司基本信息、防欺诈提醒安全等信息;还可以通过客户端站内信形式,通知用户发货提醒;并且同步物流状态给商户,以便处理售后事宜。
当路由节点状态为在途状态时,通过客户端站内信方式,将最新的物流路由信息,第一时间同步给用户;同时用户也可以通过客户端实时查询商品位置及预计派送时间,方便掌握派送时间,避免非必要的经济损失和时间规划。
当路由节点状态为签收状态时,通过客户端站内信方式,将最新的物流签收信息,第一时间同步给用户和商家。如果签收人不是用户本人或用户授权的委托签收人,用户可以第一时间知道商品物流路由信息,避免造成经济损失。
405,提取路由节点数据中各颗粒点数据的颗粒维度特征,并将颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各颗粒点数据对应的颗粒维度;
各路由节点数据中的各颗粒点数据携带有颗粒维度特征,反映了各个颗粒点数据对应的颗粒维度的信息,其中,颗粒维度可以理解为是物流行业中物流配送时效、运费、用户满意度、配送范围、物流公司实力及服务品质等物流考量指标信息。通过提取各颗粒点数据携带的颗粒维度特征,并分析确定该颗粒维度特征对应的颗粒维度。其颗粒维度的确定过程主要是,提取各颗粒点数据的颗粒维度特征,计算颗粒维度特征与预设的颗粒维度类别的匹配度,当匹配度的值不小于预设阈值时,说明进行计算的颗粒维度特征与颗粒维度类别是匹配的,即该颗粒点数据的颗粒维度特征与该颗粒维度类别对应,则说明该颗粒点数据属于该颗粒维度类别,由此确定所有的颗粒点数据对应的颗粒维度。
406,基于颗粒维度,对各颗粒点数据进行分类处理,得到多个数据集;
根据所确定好的各颗粒点数据对应的颗粒维度,将各颗粒点数据按照对其对应的颗粒维度进行分类,形成多个数据集。具体的,对所有的路由节点数据中的各颗粒点数据的颗粒维度进行比对,将隶属于同一颗粒维度的各颗粒点数据汇集成为一个数据集,直至所有的颗粒点数据都比对完毕。其中,每个数据集都至少包含一个颗粒点数据,分类得到的数据集至少为一个,一个数据集表示一个颗粒维度。
407,基于预设的异常检测规则,检测数据集中的各颗粒点数据是否异常;
将各颗粒点数据按照对应的颗粒维度划分为不同的数据集之后,可以根据预设的异常检测规则,对各数据集中的各颗粒点数据进行异常检测。其中,异常检测具体是检测各颗粒点数据的数据格式是否符合预设的格式要求,各颗粒点数据的数据值是否为空值。
408,若颗粒点数据为异常数据,则剔除对应的颗粒点数据并发送警告信息;
如果被检测的颗粒点数据的数据格式不符合预设的格式要求,和/或颗粒点数据的数据值为空值,则将该颗粒点数据标记为异常数据,从数据集中将其剔除,得到新的数据集,并向服务器发送警告信息,表明该颗粒点数据为异常数据。
对各颗粒点数据进行异常检测,可以用于从物流业务域获取订单处理过程中产生的异常信息,并将异常信息通过开放平台发送给客户;或发送到客服质控域;此外在运输任务的异常处理方面,智能动态路径规划也能提供实时、高效地帮助,节省大量人工介入成本和响应滞后的问题。基于物流路由大数据解析对物流路由异常情况进行实时预警,帮助运营提高物流路由管理效率。
409,对数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各颗粒点数据进行排序,得到排序序列;
当获取到发出地与签收地一致的对应的各个路由节点数据,并对各路由节点数据的颗粒点数据进行分类之后,对分类所得到的各个数据集中的各颗粒点数据所对应的数据值进行比较,并根据各数据值的比较结果,对同一颗粒维度下的各颗粒点数据进行排序,得到多个排序序列,并将该排序序列作为排序序列,具体的,对隶属于同一颗粒维度下的各颗粒点数据的数据值进行大小比较,即比较各数据值的大小,并依据其比较的结果,对对应的各颗粒点数据进行排序,如该数据集表示物流配送花费的时间,则数据集里中的各颗粒点数据为物流配送花费的总时长,将该数据集中各颗粒点数据按照数据值的大小进行排序,即按照配送时长的长短进行排序,由此得到的排序结果反映了在相同的配送位移下,各物流公司的配送时效。
410,对排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于用户需求影响因子,对用户需求进行预测,得到预测结果。
可以根据所得到的排序序列,对用户需求进行预测,得到预测结果。排序序列反映了各个颗粒维度下各物流公司的相关数据,即各个物流公司在对应的各个物流考量指标下的相关运营能力数据。通过快递从发货人开始到收件人签收为止,各个物流公司配送过程中,物流路由经过所有行政区县信息、物流路由各个节点花费时间、运送交通工具、费用、天气、物流评价,车辆信息,参与人员信息等因素作为颗粒维度,对各颗粒维度下的各颗粒点数据进行排序,反映出各个物流公司各个环节的时间、费用、用户评价,得出当前各个物流企业运营能力,并可以根据这些数据预测用户需求。具体的,对排序序列中各颗粒维度的排序情况进行分析,分析的过程主要是在同一颗粒维度下,对各个物流公司的排序情况进行分析,并再综合分析所有的颗粒维度下,各个物流公司的排序情况。其中,各颗粒维度都可以看作是影响用户需求的影响因素,将各颗粒维度的排序情况的分析结果与用户评价进行结合,对用户需求的影响因素进行重要性排序,筛选得到能够真正影响用户需求的用户需求影响因子,并根据各个颗粒维度的排序结果、物流评价以及用户需求影响因子,对用户的物流配送要求进行分析,预测用户未来的物流需求,调整物流配送的服务质量。
在本发明实施例中,通过对颗粒点数据进行异常检测,并剔除异常数据、发出告警信息,本发明实施例可以减少数据冗余对用户需求预测的影响,同时对异常数据进行了剔除,利用各数据对用户需求预测时,提高了预测的精准度。
上面对本发明实施例中的快递的路由数据分析方法进行了描述,下面对本发明实施例中的快递的路由数据分析装置进行描述,请参照图5,本发明实施例中的快递的路由数据分析装置的一个实施例包括:
获取模块501,用于获取与多个快递的运单号对应的路由节点数据;
匹配模块502,用于提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度;
分类模块503,用于基于所述颗粒维度,对各所述颗粒点数据进行分类处理,得到多个数据集;
排序模块504,用于对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列;
预测模块505,用于对所述排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于所述用户需求影响因子,对用户需求进行预测,得到预测结果。
本发明实施例,通过上述快递的路由数据分析装置运行快递的路由数据分析方法的步骤,通过获取路由节点数据,并对各路由节点数据中的各颗粒点数据进行处理分析,实现了对用户需求的精准预测。
请参阅图6,本发明实施例中的快递的路由数据分析装置的另一个实施例包括:
获取模块501,用于获取与多个快递的运单号对应的路由节点数据;
匹配模块502,用于提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度;
分类模块503,用于基于所述颗粒维度,对各所述颗粒点数据进行分类处理,得到多个数据集;
排序模块504,用于对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列;
预测模块505,用于对所述排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于所述用户需求影响因子,对用户需求进行预测,得到预测结果。
可选的,所述快递的路由数据分析装置还包括比较模块506,所述比较模块506具体用于:
提取所有所述路由节点数据的位置信息中的发出地信息与签收地信息,并比较各所述路由节点数据中的发出地信息是否一致;
若发出地信息一致,则比较对应的所述路由节点数据中的签收地信息是否一致;
若签收地信息一致,则提取对应的路由节点数据。
可选的,所述匹配模块502具体用于:
提取所述路由节点数据中颗粒点数据的颗粒维度特征;
基于预设的颗粒维度类别,计算所述颗粒维度特征与所述颗粒维度类别的匹配度;
将所述匹配度与预设匹配阈值进行比较,基于比较的结果确定与各所述颗粒点数据对应的颗粒维度。
可选的,所述分类模块503具体用于:
判断所述路由节点数据中各颗粒点数据是否隶属于同一颗粒维度;
若各所述颗粒点数据隶属于同一颗粒维度,则将对应的各颗粒点数据进行汇集,得到多个数据集。
可选的,所述排序模块504具体用于:
提取所述数据集中各颗粒点数据的数据值,并对所有所述数据集中的各颗粒点数据的数据值进行比较,得到多个比较结果;基于多个所述比对结果,对各所述颗粒点数据进行排序,得到排序序列;
或者,基于各所述颗粒维度的预设权重,对所有所述数据集中的各颗粒点数据进行权值计算,得到计算结果;对所述计算结果进行排序,得到排序序列。
可选的,所述快递的路由数据分析装置还包括更新模块507,所述更新模块507具体用于:
提取所述路由节点数据中的位置信息,并对所述位置信息进行解析,得到位置数据;
基于所述位置数据,分析与所述节点路由数据对应的路由节点的状态,得到路由节点状态;
基于所述路由节点状态,更新并发送物流的状态信息。
可选的,所述快递的路由数据分析装置还包括检测模块508,所述检测模块508具体用于:
基于预设的异常检测规则,检测所述数据集中的各颗粒点数据是否异常;
若所述颗粒点数据异常,则剔除对应的颗粒点数据并发送警告信息。
在本发明实施例中,通过对隶属于同一颗粒维度的各颗粒点数据进行数值比较或通过对颗粒点数据进行权值计算,并根据计算的结果,对用户需求进行预测,提高了预测的效率,并对颗粒点数据进行异常检测,减少了异常数据对用户需求预测的干扰,提高了预测结果的精准度。
请参阅图7,下面从硬件处理的角度对本发明实施例中的快递的路由数据分析设备的一个实施例进行详细描述。
图7是本发明实施例提供的一种快递的路由数据分析设备的结构示意图,该快递的路由数据分析设备700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)710(例如,一个或一个以上处理器)和存储器720,一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对快递的路由数据分析设备700中的一系列指令操作。更进一步地,处理器710可以设置为与存储介质730通信,在快递的路由数据分析设备700上执行存储介质730中的一系列指令操作。
快递的路由数据分析设备700还可以包括一个或一个以上电源740,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口760,和/或,一个或一个以上操作系统731,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的快递的路由数据分析设备结构并不构成对快递的路由数据分析设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述快递的路由数据分析方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种快递的路由数据分析方法,其特征在于,所述快递的路由数据分析方法包括:
获取与多个快递的运单号对应的路由节点数据,其中,所述路由节点数据包含多个颗粒点数据;
提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度;
基于所述颗粒维度,对各所述颗粒点数据进行分类处理,得到多个数据集;
对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列;
对所述排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于所述用户需求影响因子,对用户需求进行预测,得到预测结果。
2.根据权利要求1所述的快递的路由数据分析方法,其特征在于,在所述提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度之前,还包括:
提取所有所述路由节点数据的位置信息中的发出地信息与签收地信息,并比较各所述路由节点数据中的发出地信息是否一致;
若是,则比较对应的所述路由节点数据中的签收地信息是否一致;
若是,则提取对应的路由节点数据。
3.根据权利要求2所述的快递的路由数据分析方法,其特征在于,所述提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度包括:
提取所述路由节点数据中颗粒点数据的颗粒维度特征;
基于预设的颗粒维度类别,计算所述颗粒维度特征与所述颗粒维度类别的匹配度;
将所述匹配度与预设匹配阈值进行比较,基于比较的结果确定与各所述颗粒点数据对应的颗粒维度。
4.根据权利要求3所述的快递的路由数据分析方法,其特征在于,所述基于所述颗粒维度,对各所述颗粒点数据进行分类处理,得到多个数据集包括:
判断所述路由节点数据中各颗粒点数据是否隶属于同一颗粒维度;
若是,则将对应的各颗粒点数据进行汇集,得到多个数据集。
5.根据权利要求1-4中任一项所述的快递的路由数据分析方法,其特征在于,所述对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列包括:
提取所述数据集中各颗粒点数据的数据值,并对所有所述数据集中的各颗粒点数据的数据值进行比较,得到多个比较结果;基于多个所述比对结果,对各所述颗粒点数据进行排序,得到排序序列;
或者,基于各所述颗粒维度的预设权重,对所有所述数据集中的各颗粒点数据进行权值计算,得到计算结果;对所述计算结果进行排序,得到排序序列。
6.根据权利要求1-4中任一项所述的快递的路由数据分析方法,其特征在于,在所述获取与多个快递的运单号对应的路由节点数据之后,还包括:
提取所述路由节点数据中的位置信息,并对所述位置信息进行解析,得到位置数据;
基于所述位置数据,分析与所述节点路由数据对应的路由节点的状态,得到路由节点状态;
基于所述路由节点状态,更新并发送物流的状态信息。
7.根据权利要求1-4中任一项所述的快递的路由数据分析方法,其特征在于,在所述对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列之前,还包括:
基于预设的异常检测规则,检测所述数据集中的各颗粒点数据是否异常;
若是,则剔除对应的颗粒点数据并发送警告信息。
8.一种快递的路由数据分析装置,其特征在于,所述快递的路由数据分析装置包括:
获取模块,用于获取与多个快递的运单号对应的路由节点数据,其中,所述路由节点数据包含多个颗粒点数据;
匹配模块,用于提取所述路由节点数据中各颗粒点数据的颗粒维度特征,并将所述颗粒维度特征与预设颗粒维度特征类别进行匹配,得到与各所述颗粒点数据对应的颗粒维度;
分类模块,用于基于所述颗粒维度,对各所述颗粒点数据进行分类处理,得到多个数据集;
排序模块,用于对所述数据集中的各颗粒点数据进行数值比较,得到比较结果,并根据比较结果对各所述颗粒点数据进行排序,得到排序序列;
预测模块,用于对所述排序序列中各颗粒维度的排序情况进行分析,得到用户需求影响因子,并基于所述用户需求影响因子,对用户需求进行预测,得到预测结果。
9.一种快递的路由数据分析设备,其特征在于,所述快递的路由数据分析设备包括:
存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述快递的路由数据分析设备执行如权利要求1-7中任一项所述的快递的路由数据分析方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的快递的路由数据分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433353.0A CN113139770A (zh) | 2021-04-22 | 2021-04-22 | 快递的路由数据分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433353.0A CN113139770A (zh) | 2021-04-22 | 2021-04-22 | 快递的路由数据分析方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139770A true CN113139770A (zh) | 2021-07-20 |
Family
ID=76813419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110433353.0A Pending CN113139770A (zh) | 2021-04-22 | 2021-04-22 | 快递的路由数据分析方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139770A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868947A (zh) * | 2016-03-21 | 2016-08-17 | 北京小米移动软件有限公司 | 确定快递公司的方法及装置 |
CN106250451A (zh) * | 2016-07-27 | 2016-12-21 | 北京小米移动软件有限公司 | 路由信息查询方法及装置 |
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 |
-
2021
- 2021-04-22 CN CN202110433353.0A patent/CN113139770A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868947A (zh) * | 2016-03-21 | 2016-08-17 | 北京小米移动软件有限公司 | 确定快递公司的方法及装置 |
CN106250451A (zh) * | 2016-07-27 | 2016-12-21 | 北京小米移动软件有限公司 | 路由信息查询方法及装置 |
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 |
Non-Patent Citations (3)
Title |
---|
施滢萍;徐晓敏;: "快递服务质量影响因素研究", 北京信息科技大学学报(自然科学版), no. 06, 15 December 2019 (2019-12-15), pages 28 - 32 * |
王梓萌等: "基于用户评论下的生鲜农产品优选排序", 江苏农业科学, 10 April 2020 (2020-04-10), pages 305 - 310 * |
王鹏;: "基于系统动力学的网购快递配送及时率的模型分析与研究", 科技资讯, no. 16, 3 June 2020 (2020-06-03), pages 16 - 17 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
CN111563074B (zh) | 一种基于多维标签的数据质量检测方法和系统 | |
CN115271617B (zh) | 一种大宗商品物流运输交易智能信息处理系统 | |
CN108764375A (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN117807377B (zh) | 多维度物流数据挖掘与预测方法及系统 | |
CN115018513A (zh) | 数据巡检方法、装置、设备及存储介质 | |
CN117172721B (zh) | 用于融资业务的数据流转监管预警方法及系统 | |
CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
CN107038593B (zh) | 一种基于防伪溯源系统的异常数据处理方法及系统 | |
CN107924423A (zh) | 模型确定设备和模型确定方法 | |
CN114612029A (zh) | 风险运单数据识别方法、装置、计算机设备和存储介质 | |
CN116955853A (zh) | 订单签收时间预计查询方法、装置、设备及存储介质 | |
CN113139770A (zh) | 快递的路由数据分析方法、装置、设备及存储介质 | |
CN111461630A (zh) | 派送快递包裹的监控方法、装置、设备及存储介质 | |
US20160232542A1 (en) | Forecasting demands for equipment based on road surface conditions | |
CN112614345B (zh) | 车辆速度的计算方法、装置、设备及存储介质 | |
CN108614811B (zh) | 一种数据分析方法及装置 | |
Hwang et al. | Building an Analytical Platform of Big Data for Quality Inspection in the Dairy Industry: A Machine Learning Approach | |
EP3493082A1 (en) | A method of exploring databases of time-stamped data in order to discover dependencies between the data and predict future trends | |
CN115423488A (zh) | 烟草销售串烟风险预测方法、装置、电子设备及存储介质 | |
CN112051843B (zh) | 基于订单预估的路径规划方法、装置、机器人和存储介质 | |
CN113191712A (zh) | 超范围揽件行为的识别方法、装置、设备及存储介质 | |
CN113822477A (zh) | 快件拦截处理方法、装置、设备及存储介质 | |
CN113641725A (zh) | 信息展示方法、装置、设备及存储介质 | |
CN112668796A (zh) | 回款预测方法及系统 |
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 |