CN113191708A - 物流配送监控方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及物流监控领域，公开了一种物流配送监控方法、装置、设备及存储介质，该方法包括：获取快件的录单地址以及订单信息，并基于录单地址和订单信息确定快件的配送规划数据；对快件的配送过程进行监控，并获取快件在配送过程中的实际配送数据；将配送规划数据与实际配送数据进行比对分析，得到分析结果；若分析结果为配送规划数据与实际配送数据不一致时，则发出异常预警提示。本发明的技术方案实现了对快件配送过程的有效监控，能够对快件在配送过程中出现的异常情况进行异常预警提示，方便后续对快件的配送过程进行优化。

Description

物流配送监控方法、装置、设备及存储介质

技术领域

本发明涉及物流监控领域，尤其涉及一种物流配送监控方法、装置、设备及存储介质。

背景技术

随着电子商务领域的不断成熟，人们日常的消费习惯逐渐从线下实体店转移到了电子商务网站，从而带动了物流配送行业的高速发展。

但是，如今对物流配送行业的监控管理还相对滞后，因而不能对快件的物流配送过程进行有效监控。当快件在物流配送过程出现快件滞留、配送路线不正确等配送异常的情况时，无法及时发送告警信息，进而无法快速明确具体的配送异常原因，从而导致不能根据物流配送过程的监控结果，对物流配送过程进行优化，提高物流配送效率。因此，如何实现对快件的物流配送过程进行有效监控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无法对快件的物流配送过程进行有效监控的技术问题。

本发明第一方面提供了一种物流配送监控方法，所述物流配送监控方法包括：获取快件的录单地址以及订单信息，并基于所述录单地址和所述订单信息确定所述快件的配送规划数据；对所述快件的配送过程进行监控，并获取所述快件在配送过程中的实际配送数据；将所述配送规划数据与所述实际配送数据进行比对分析，得到分析结果；若所述分析结果为所述配送规划数据与所述实际配送数据不一致时，则发出异常预警提示。

可选的，在本发明的第一方面的第一种实现方式中，所述获取快件的录单地址以及订单信息，并基于所述录单地址和所述订单信息确定所述快件的配送规划数据包括：获取快件的录单地址，并基于所述录单地址，确定所述录单地址对应的收发网点和所述快件的配送方向，其中，所述录单地址包括所述快件的发出地与签收地；根据所述收发网点和所述配送方向，从预设的配送网点中选取所述快件在配送过程中进行中转的配送网点，得到至少一个中转网点；分别计算所述收发网点和至少一个所述中转网点距离所述发出地的路径长度，并基于所述路径长度进行排序，生成配送路线；获取所述快件的订单信息，并根据所述配送路线和所述订单信息，计算所述快件沿着所述配送路线进行配送时产生的配送数据；将所述配送路线与所述配送数据作为配送规划数据。

可选的，在本发明的第一方面的第二种实现方式中，所述对所述快件的配送过程进行监控，并获取所述快件在配送过程中的实际配送数据包括：获取所述快件的配送过程中配送车辆的实际行驶数据，并基于所述实际行驶数据，生成所述快件在配送过程中的实际配送路线；对所述快件沿着所述实际配送路线到达各个所述配送网点时所产生的日志数据进行监控；将所述实际配送路线和所述日志数据作为所述快件在配送过程中所产生的实际配送数据。

可选的，在本发明的第一方面的第三种实现方式中，所述将所述配送规划数据与所述实际配送数据进行比对分析，得到分析结果包括：将所述配送规划数据中的配送路线与所述实际配送数据中的实际配送路线进行比对分析，得到分析结果；或，将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果；或，将所述配送规划数据中的配送路线与所述实际配送数据中的实际配送路线进行比对分析，以及将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果。

可选的，在本发明第一方面的第四种实现方式中，所述将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果包括：根据预设的维度类别，识别所述日志数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从所述日志数据中提取各维度的第一值数据；根据预设的维度类别，识别所述配送数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从所述配送数据中提取各维度的第二值数据；对隶属于同一维度类别的所述第一值数据和所述第二值数据进行比对分析，得到分析结果。

可选的，在本发明第一方面的第五种实现方式中，所述将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果还包括：将所述日志数据中所有的所述第一值数据按照预设的维度类别的先后顺序进行排列，生成序列，并基于所述序列，生成至少一个多元组，其中，所述多元组为笛卡尔积元素；将与所述笛卡尔积元素对应的日志数据进行聚合处理，并基于预设的度量类型，识别所述日志数据对应的度量类型；确定所述日志数据对应的度量周期，并基于所述度量类型和所述度量周期，对所有聚合处理后的所述日志数据分别进行周期性度量计算，得到至少一个计算结果；对至少一个所述计算结果进行持久化处理，生成第一多维聚合结果。

可选的，在本发明第一方面的第六种实现方式中，所述将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果还包括：对所述配送数据中各维度的第二值数据进行聚合处理，并基于预设的度量类型，识别所述配送数据对应的度量类型；确定所述配送数据对应的度量周期，并基于所述度量类型和所述度量周期，对聚合处理后的所述配送数据进行周期性度量计算，得到第二多维聚合结果；将所述第一多维聚合结果和所述第二多维聚合结果进行比对分析，得到分析结果。

本发明第二方面提出一种物流配送监控装置，所述物流配送监控装置包括：获取模块，用于获取快件的录单地址以及订单信息，并基于所述录单地址和所述订单信息确定所述快件的配送规划数据；监控模块，用于对所述快件的配送过程进行监控，并获取所述快件在配送过程中的实际配送数据；分析模块，用于将所述配送规划数据与所述实际配送数据进行比对分析，得到分析结果；提示模块，用于若所述分析结果为所述配送规划数据与所述实际配送数据不一致时，则发出异常预警提示。

可选的，在本发明第二方面的第一种实现方式中，所述获取模块具体用于：获取快件的录单地址，并基于所述录单地址，确定所述录单地址对应的收发网点和所述快件的配送方向，其中，所述录单地址包括所述快件的发出地与签收地；根据所述收发网点和所述配送方向，从预设的配送网点中选取所述快件在配送过程中进行中转的配送网点，得到至少一个中转网点；分别计算所述收发网点和至少一个所述中转网点距离所述发出地的路径长度，并基于所述路径长度进行排序，生成配送路线；获取所述快件的订单信息，并根据所述配送路线和所述订单信息，计算所述快件沿着所述配送路线进行配送时产生的配送数据；将所述配送路线与所述配送数据作为配送规划数据。

可选的，在本发明第二方面的第二种实现方式中，所述监控模块具体用于：获取所述快件的配送过程中配送车辆的实际行驶数据，并基于所述实际行驶数据，生成所述快件在配送过程中的实际配送路线；对所述快件沿着所述实际配送路线到达各个所述配送网点时所产生的日志数据进行监控；将所述实际配送路线和所述日志数据作为所述快件在配送过程中所产生的实际配送数据。

可选的，在本发明第二方面的第三种实现方式中，所述分析模块包括：路线分析单元，用于将所述配送规划数据中的配送路线与所述实际配送数据中的实际配送路线进行比对分析，得到分析结果；数据分析单元，用于将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果；综合分析单元，用于将所述配送规划数据中的配送路线与所述实际配送数据中的实际配送路线进行比对分析，以及将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果。

可选的，在本发明第二方面的第四种实现方式中，所述数据分析单元具体用于：根据预设的维度类别，识别所述日志数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从所述日志数据中提取各维度的第一值数据；根据预设的维度类别，识别所述配送数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从所述配送数据中提取各维度的第二值数据；对隶属于同一维度类别的所述第一值数据和所述第二值数据进行比对分析，得到分析结果。

可选的，在本发明第二方面的第五种实现方式中，所述数据分析单元还具体用于：将所述日志数据中所有的所述第一值数据按照预设的维度类别的先后顺序进行排列，生成序列，并基于所述序列，生成至少一个多元组；将与所述多元组对应的日志数据进行聚合处理，并基于预设的度量类型，识别所述日志数据对应的度量类型；确定所述日志数据对应的度量周期，并基于所述度量类型和所述度量周期，对所有聚合处理后的所述日志数据分别进行周期性度量计算，得到至少一个计算结果；对至少一个所述计算结果进行持久化处理，生成第一多维聚合结果。

可选的，在本发明第二方面的第六种实现方式中，所述数据分析单元还具体用于：对所述配送数据中各维度的第二值数据进行聚合处理，并基于预设的度量类型，识别所述配送数据对应的度量类型；确定所述配送数据对应的度量周期，并基于所述度量类型和所述度量周期，对聚合处理后的所述配送数据进行周期性度量计算，得到第二多维聚合结果；将所述第一多维聚合结果和所述第二多维聚合结果进行比对分析，得到分析结果。

本发明第三方面提供了一种物流配送监控设备，所述物流配送监控设备包括：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，以使得所述物流配送监控设备执行上述的物流配送监控方法的步骤。

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物流配送监控方法的步骤。

在本发明提供的技术方案中，通过获取快件的录单地址以及订单信息，并基于录单地址和订单信息确定快件的配送规划数据，对快件的配送过程进行监控，并在监控的过程中获取快件在配送过程中的实际配送数据，然后将配送规划数据与实际配送数据进行比对分析，分析结果为配送规划数据与实际配送数据不一致时，发出异常预警提示。本发明的技术方案实现了对快件配送过程的有效监控，能够对快件在配送过程中出现的异常情况进行异常预警提示，方便后续对快件的配送过程进行优化，提高快件配送的效率和安全性。

附图说明

图1为本发明实施例中物流配送监控方法的第一个实施例示意图；

图2为本发明实施例中物流配送监控方法的第二个实施例示意图；

图3为本发明实施例中物流配送监控方法的第三个实施例示意图；

图4为本发明实施例中物流配送监控方法的第四个实施例示意图；

图5为本发明实施例中物流配送监控装置的一个实施例示意图；

图6为本发明实施例中物流配送监控装置的另一个实施例示意图；

图7为本发明实施例中物流配送监控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物流配送监控方法、装置、设备及存储介质，通过获取快件的录单地址以及订单信息，并基于录单地址和订单信息确定快件的配送规划数据，对快件的配送过程进行监控，并在监控的过程中获取快件在配送过程中的实际配送数据，然后将配送规划数据与实际配送数据进行比对分析，分析结果为配送规划数据与实际配送数据不一致时，发出异常预警提示。本实施例实现了对快件配送过程的有效监控，能够对快件在配送过程中出现的异常情况进行异常预警提示，方便后续对快件的配送过程进行优化，提高快件配送的效率和安全性。

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，本发明实施例中物流配送监控方法的第一个实施例包括：

101，获取快件的录单地址以及订单信息，并基于录单地址和订单信息确定快件的配送规划数据；

当接收到需要配送的快件时，扫描并录入快件的订单信息，从而获取订单信息中快件的录单地址，其中，该录单地址包括快件的发出地与签收地。根据快件的发出地和签收地的地址信息，对快件的配送路线进行预测，并计算快件沿着预测的配送路线进行配送时的配送数据，并将预测的配送路线和配送数据作为该快件的配送规划数据。

具体的，根据该快件的录单地址，确定快件的配送方向，并从物流公司设置的所有配送网点中查找与快件的配送方向相同方向的配送网点，并从所有相同方向的配送网点中，选取从快件的发出地出发至最后配送到达签收地的过程中配送成本较低且总配送路径较短的配送网点，将这些配送网点作为预测的快件的配送路线。预测快件沿该配送路线进行配送时的相关配送数据，即计算快件在配送过程中产生的配送数据，该配送数据包括但不限于快件在配送过程中配送车辆的行驶时间、快件到达各个配送网点的时间、快件在各个配送网点的中转时间。

在实际应用中，物流公司会将一个城市划分成若干级物流对象(网点、承包区、配送员)，每个物流对象负责某一片地理区域。在快件配送过程中，一个典型配送路线是，从末转分拨中心分派到网点、网点分派到承包区，承包区分派到小件员。其中，快件在末转中心、网点、承包区内要进行大规模的分拣操作，不同的分拣方法决定了不同的分拣效率和准确性，进而影响快递公司服务的时效和成本。目前，快递行业多采用传统的人工分拣，即操作工人记忆各物流对象(网点和/或承包区和/或配送员)的配送区域信息，通过阅读面单地址来进行分拣。通常，工人会在快件上手写实体对应的代码，例如12代表苏州二部。本实施例可以应用于任意一个配送层级，该配送层级比如，中转中心、末转中心、网点、快递员。本实施例可以在除了快递员等人工配送层级之外，还可以由服务器进行分析配送的配送层级，比如中转中心、末转中心、网点。当然在实际应用中，对于快递员这一人工配送层级可以不构建物流对象确定模型，可以对人工配送层级之上的多个配送层级构建前述的物流对象确定模型。一个物流快件运抵一个物流对象后，可以采用该物流对象的扫描设备扫描该物流快件，扫描设备将数据发送至服务器时，即可将相应的当前配送层级标识也发送至服务器，服务器即可知道该物流快件当前所处的当前配送层级了，然后即可根据该当前配送层级去查找相应的物理对象模型进行使用。当然，物流设备也可以不发送当前配送层级标识，发送物流快件的物流编号和物流对象标识给服务器，服务器可以根据物流对象的标识确定该物流快件对应的当前配送层级。即对快件的配送路线的预测是通过调用预设的物流对象确定模型进行配送层级的确定。

102，对快件的配送过程进行监控，并获取快件在配送过程中的实际配送数据；

当确定了该快件的配送路线之后，对该快件进行配送，并对该快件沿着该配送路线进行配送的过程进行监控，并获取快件在配送过程中的实际配送数据。

具体的，快件由发出地的配送网点发出，配送车辆承载该快件沿着预测的配送路线进行配送，配送车辆装有车载终端，该终端记录配送车辆的实际行驶数据，其中，实际行驶数据包括但不限于配送车辆的发出时间、行驶时长、行驶速度、行驶路线、到达各配送网点的时间。当快件到达中转的配送网点时，该配送网点会对该快件对应的配送车辆的行驶数据进行记录，并记录配送网点对快件进行卸车、装车等操作时的操作数据，其中，该操作数据包括但不限于卸车时间、装车时间。根据所记录的配送车辆的行驶数据和操作数据，生成该配送网点记录该快件的日志数据。该日志数据存储在配送网点的数据库中，快件所途径的每个配送网点都会生成与该快件对应的日志数据。

103，将配送规划数据与实际配送数据进行比对分析，得到分析结果；

将配送规划数据与实际配送数据进行比对分析，判断预测的配送规划数据和实际配送数据是否一致。其比对分析的过程是，比对快件的预测的配送路线与实际配送路线是否一致，以及比对配送规划数据中的配送数据与实际配送数据中的日志数据是否一致。

104，若分析结果为配送规划数据与实际配送数据不一致时，则发出异常预警提示。

如果配送规划数据与实际配送数据不一致，表明快件的配送过程异常，则发出异常预警提示。其中，配送规划数据与实际配送数据不一致包括配送规划数据中的配送路线与实际配送数据中的实际配送路线不一致、配送规划数据中的配送数据与实际配送数据中的日志数据不一致、配送路线与实际配送路线不一致且配送数据与日志数据不一致。

另外，通过预先设置快件类别与属性信息预测公式之间的对应关系，针对一目标快件，可以按照其关联的目标商品对象的特征信息，确定出目标快件所属的目标类别，即根据预设的快件类别的特征信息，确定该目标快件的快件类别，并利用该目标类别对应的属性信息预测公式，预测出目标快件的属性信息，其中，属性信息包括但不限于快件重量、体积。这样，在物流各环节就可以利用这种属性信息的预测值进行运力的调配，相对于单纯依靠运单数量进行调配的方式，可以提高调配的准确性，降低运力浪费或者不足情况的发生概率。

进一步的，将分析后的快件的订单信息聚合处理形成统一监控数据，起到实时预测、预警功能。快件的订单信息通常包括寄件人姓名、寄件地址、寄件人联系方式、寄件公司，则对历史快件的订单信息分别按照寄件人姓名、寄件地址、寄件人联系方式、寄件公司来进行分组，由于同一个寄件人姓名，可能对应不同的寄件地址、不同的寄件人联系方式、不同的寄件公司；同一个寄件地址，可能对应不同的寄件人姓名、不同的寄件人联系方式、不同的寄件公司；同一个寄件人联系方式，可能对应不同的寄件人姓名、不同的寄件地址、不同的寄件公司；同一个寄件公司，可能对应不同的寄件人姓名、不同的寄件地址、不同的寄件人联系方式，因此，需要将历史快件的订单信息按照寄件人姓名、寄件地址、寄件人联系方式、寄件公司来进行分组。不同的分组进行不同的数据处理，能够提高异常件分类的准确性。例如，从历史快件的订单信息中划分出具有相同的寄件地址的处理数据，其中物品类别有日用品、食品和化妆品，其中日用品有100件，食品有50件，化妆品有30件，以此类推，从历史快件的订单信息中划分出具有相同的寄件公司、寄件人姓名、寄件人联系方式的处理数据，分别统计各组处理数据中的物品类别以及各物品类别对应的物品数量。然后根据各项数据的统计结果对快件的运力调配进行预测，对快件在配送过程中的快件数量和快件配送质量进行监控和预警，提高快件配送过程中快件的安全性。

在本发明实施例中，通过对快件的配线路线和配送数据进行预测规划，得到配送规划数据，并对快件的配送过程进行监控，获取实际配送数据，对配送规划数据和实际配送数据进行比对，当配送规划数据与实际配送数据不一致时，发出异常预警提示。本实施例实现了对物流配送过程的监控，能够根据快件在配送过程中出现的异常及时发出异常预警提示，进而对物流配送进行优化，提高物流配送效率。

请参阅图2，本发明实施例中物流配送监控方法的第二个实施例包括：

201，获取快件的录单地址，并基于录单地址，确定录单地址对应的收发网点和快件的配送方向；

本实施例采用Kafka、pika、flink与MySQL相结合的飞流平台的架构进行实现，通过对录单地址进行实时分析和扫描数据实时统计接入，预测出收发网点和中转网点，将分析后的快件的订单信息聚合处理形成统一监控数据，起到实时预测、预警功能。

当接收到需要配送的快件时，扫描并录入快件的订单信息，从而获取订单信息中快件的录单地址，其中，该录单地址包括快件的发出地与签收地。根据该快件的录单地址，确定快件的配送方向以及与录单地址对应的收发网点，其中，收发网点包括与发出地对应的揽件网点和与签收地对应的签收网点。

202，根据收发网点和配送方向，从预设的配送网点中选取快件在配送过程中进行中转的配送网点，得到至少一个中转网点；

从物流公司设置的所有配送网点中查找与快件的配送方向相同方向的配送网点，并从所有相同方向的配送网点中选取从快件的发出地出发，最后配送到达签收地的过程中配送成本较低且总配送路径较短的配送网点作为快件在配送过程中进行中转的配送网点，得到至少一个中转网点。

203，分别计算收发网点和至少一个中转网点距离录单地址中发出地的路径长度，并基于路径长度进行排序，生成配送路线；

计算所有的中转网点距离快件发出地对应的揽件网点的路径长度，根据各中转网点的路径长度的计算结果，按照路径长度的长短顺序(由短到长)，对收发网点和各中转网点进行排序，生成网点序列，基于该网点序列，生成配送路线，即以发出地对应的揽件网点作为起始点，连接各中转网点，最后连接签收网点，形成一条配送路线。且该配送路线为该快件的最佳配送路线。

204，获取快件的订单信息，并根据配送路线和订单信息，计算快件沿着配送路线进行配送时产生的配送数据；

获取快件对应的订单信息，根据配送路线和订单信息，对快件在配送过程中的配送数据进行预测，即计算快件沿着配送路线进行配送时产生的配送数据。其中，该配送数据包括但不限于配送车辆配送该快件时的行驶数据和快件到达配送路线中各配送网点时各配送网点记录的日志数据。其中，行驶数据包括但不限于配送车辆的发出时间、行驶时长、行驶速度、行驶路线、到达各配送网点的时间；日志数据为各配送网点对快件进行卸车、装车等操作时的操作数据，其中，该操作数据包括但不限于卸车时间、装车时间。

205，将配送路线与配送数据作为配送规划数据；

当对快件的配送过程进行预测，得到配送路线和配送数据时，将配送数据和配送路线作为对该快件进行配送规划的配送规划数据。

206，获取快件的配送过程中配送车辆的实际行驶数据，并基于实际行驶数据，生成快件在配送过程中的实际配送路线；

当快件进行配送时，对该快件的配送过程进行监控，并获取快件在配送过程中配送车辆的实际行驶数据，并根据配送车辆的实际行驶数据中的行驶路线，生成快件在配送过程中的实际配送路线。其中，实际行驶数据包括但不限于配送车辆的发出时间、行驶时长、行驶速度、行驶路线、到达各配送网点的时间。

207，对快件沿着实际配送路线到达各个配送网点时所产生的日志数据进行监控；

获取物流快递系统中各个配送网点的地址信息，并根据该地址信息解析出地理坐标，预先设置快件的状态，将扫描、刷卡操作的操作行为和快件的状态信息一一匹配设置，并通过物流必要的操作来同步自动化更新物流状态信息，该物流状态信息为各配送网点的日志数据。在中转网点对快件进行派送分拣时，根据各配送网点地址信息中相关详细地址的关键词，自动保存到快递员和配送车辆的划片负责区中，即将划片负责区与配送网点进行对应，不同的快递员和配送车辆负责派送不同配送网点的快件。再由快递员和配送车辆的划片负责区的识别工具识别该关键词，去除市区大范围内的字词，再以路、号、栋幢特征字来识别一级和二级的关键词，下次自动分配物件任务时候，自动根据快递员和配送车辆的划片识别关键词进行快件的分拣，如果被重复划分则启动二级关键词识别判断。进一步的，在中转网点，对快件进行下一步的派送需要根据快件的地址和各配送网点的地址确定该快件派送到的下一中转网点的地址，即确定快件的实际配送路线。

当确定了该快件的实际配送路线之后，对该快件进行配送，并对该快件沿着该实际配送路线进行配送的过程进行监控，并获取快件在配送过程中的实际配送数据。实际配送数据包括配送车辆的实际行驶数据和各配送网点的日志数据。

208，将实际配送路线和日志数据作为快件在配送过程中所产生的实际配送数据；

当得到快件在配送过程中的实际配送路线和日志数据后，将实际配送路线和日志数据作为快件在配送过程汇总所产生的实际配送数据。

209，将配送规划数据中的配送路线与实际配送数据中的实际配送路线进行比对分析，得到分析结果；

210，若分析结果为配送路线与实际配送路线不一致时，则发出异常预警提示。

提取快件的配送规划数据中的配送路线和实际配送数据中的实际配送路线，并将配送路线与实际配送路线进行比对分析，当配送路线与实际配送路线不一致时，则发出异常预警提示。其中，配送路线与实际配送路线不一致包括配送路线中的配送网点与实际配送路线中的配送网点不一致。

在本发明实施例中，通过对配送路线和实际配送路线进行比对，当两者不一致时，发出异常预警提示。本实施例实现了对快件在配送过程中的实际配送路线进行监控，当实际配送路线出现异常时，能够及时发出预警提示，提高快件配送的安全性。

请参阅图3，本发明实施例中物流配送监控方法的第三个实施例包括：

301，获取快件的录单地址，并基于录单地址，确定录单地址对应的收发网点和快件的配送方向；

302，根据收发网点和配送方向，从预设的配送网点中选取快件在配送过程中进行中转的配送网点，得到至少一个中转网点；

303，分别计算收发网点和至少一个中转网点距离录单地址中发出地的路径长度，并基于路径长度进行排序，生成配送路线；

304，获取快件的订单信息，并根据配送路线和订单信息，计算快件沿着配送路线进行配送时产生的配送数据；

305，将配送路线与配送数据作为配送规划数据；

306，获取快件的配送过程中配送车辆的实际行驶数据，并基于实际行驶数据，生成快件在配送过程中的实际配送路线；

307，对快件沿着实际配送路线到达各个配送网点时所产生的日志数据进行监控；

308，将实际配送路线和日志数据作为快件在配送过程中所产生的实际配送数据；

309，根据预设的维度类别，识别日志数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从日志数据中提取各维度的第一值数据；

根据预设的维度类别，识别各日志数据中各数据对应的维度，即确定日志数据中各数据对应的维度类别。每个不同的维度都对应着不同的维度的值数据提取方式，当确定了日志数据中各数据对应的维度类别时，也确定了日志数据中各维度的值数据的提取方式，根据该维度的值数据的提取方式，从日志数据中提取各维度的第一值数据。

310，根据预设的维度类别，识别配送数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从配送数据中提取各维度的第二值数据；

根据前述步骤，识别配送数据中各数据对应的维度，确定日志数据中各维度的值数据的提取方式，从配送数据中提取各维度的第二值数据。

311，对隶属于同一维度类别的第一值数据和第二值数据进行比对分析，得到分析结果；

从日志数据和配送数据中提取隶属于同一维度类别的值数据，即提取隶属于同一维度类别的第一值数据和第二值数据，将第一值数据和第二值数据间比对分析，得到分析结果，该比对分析的过程其实就是判断第一值数据与第二值数据是否一致。

312，若分析结果为第一值数据与第二值数据不一致时，则发出异常预警提示。

当第一值数据与第二值数据不一致时，表示该快件在配送过程中出现异常，则及时发出异常预警提示。

前述是根据隶属于同一维度类别的第一值数据与第二值数据的比对分析的结果判断快件在配送过程中是否出现异常，但还可以将不同维度类别的各值数据进行聚合处理之后再进行比对分析，得到分析结果。

具体的，通过大规模日志数据的集中多源采集和聚合，再对聚合后的数据进行比对，其中，快件在配送过程中途径的不同配送网点的日志数据为不同源的日志数据。飞流平台的可配置的多维统计分析机制是多维分析理论在互联网企业大规模日志数据实时处理场景中的新实践，包括数据源接入、多维数据的提取、多维聚合计算、多维聚合结果持久化等四个过程，具体如下：飞流平台采用Flume将不同源的日志数据采集、聚合和传输到一个集中的数据仓库，飞流平台选择Kafka作为这个集中的数据仓库暂时缓存数据，可以有效解决数据在传递和分析阶段丢失和数据量剧增时没有缓冲的问题。大规模日志数据的实时统计分析的计算部分工作以Storm分布式计算系统为基础。飞流平台的核心就是多个Stormtopology。需要聚合到一起处理的所有日志数据对应一个Kafka Topic。一个Stormtopology订阅一个Kafka Topic，启动一个Storm topology就可以进行一个Kafka Topic对应的日志数据的所有多维统计分析任务。多个Kafka Topic，对应启动多个Stormtopology，就可以进行所有日志数据的多维统计分析任务。启动topology是由数据平台部门做的，它对于用户是透明的。用户看到的，是一个统一的大规模日志数据实时多维统计分析平台。每个topology从Kafka拉取各自订阅的Topic的日志数据。物流商家通过Web UI输入快件的任务的配送数据，其中，一个快件的配送过程就是一个任务，任务的配送数据为快件在配送前所预测的配送规划数据中的配送数据，配送数据包含该任务分析的日志数据属于的Kafka Topic信息、维度信息、度量信息和度量周期四部分，飞流平台目前可配置的统计分析功能包括求和、取平均、最小、最大、计数、唯一计数，此外还提供包括提交新任务、更新旧任务和删除旧任务在内的控制信息配置。通过Web UI配置的任务提交后被写到MySQL数据库的任务配置表中，MySQL会自动为每一个配送数据生成一个标识号，该标识号作为配送数据对应的任务的标识号。每个topology动态地从任务配置表中读取与自己订阅的Topic对应的任务的配送数据，按照配置好的任务需求分析日志数据，topology将分析的结果实时持久化存储到HBase。Web UI动态地从HBase读取最新的分析结果，刷新展示结果的图表。

一个任务的配送数据中的维度信息由一个或多个<维度名，维度的值数据提取方式，黑/白名单>三元组表示，其中，设置黑/白名单是为了解决任务只处理用户关心的该维度的所有维度值组成的集合的一个子集对应的日志数据的问题，其中，维度值为各维度的值数据。假设任务i的配送数据中的维度信息里有n个<维度名，维度的值数据提取方式，黑/白名单>三元组，以第j(1<＝j<＝n)个三元组为例，维度名对应的所有维度值构成的集合记为Aj。如果是黑名单，黑名单包含的所有维度值构成的集合记为Cj，Cj对于Aj的补集Bj＝Aj-Cj(如果是白名单，白名单包含的所有维度值构成的集合记为Cj，且Bj＝Cj)。笛卡尔乘积B1*B2*B3...*Bj*Bn中的元素用笛卡尔积元素(dk)表示(1<＝k<＝B1*B2*B3*...*Bj*...*Bn中元素的个数)，其中，dk是一个n元组，表示成<v1，v2，v3，...，vj，...，vn>。

任务i的数据源接入，就是从其他系统拉取待统计分析的日志数据。任务i的多维数据的提取就是对于每一个到来的日志数据，从里面提取任务i的n个<维度名，维度的值数据提取方式，黑/白名单>三元组对应的n个维度的值数据。如果这些值数据都通过各自的黑/白名单的筛选，这些值数据按照任务配送数据里维度的先后顺序构成的n元组就是一个笛卡尔积元素。对应一个笛卡尔积元素的日志数据需要聚合到一起按照任务i的配送数据里的度量类型和度量周期做周期性的度量计算，其中，配送数据的度量类型和度量周期都是预先设置的，并将该度量计算作为任务i的一个子任务。任务i的多维聚合计算就是计算任务i的所有子任务。任务i的多维聚合结果持久化就是将多维聚合计算的结果持久化存储到HBase中，完成了这四个过程，就能够支持多维分析理论里的切片、切块和钻取操作，并多维统计分析机制的四个过程对应到一个Storm topology中。

进一步的，数据源的接入过程为，首先为需要聚合到一起统计分析的数据在Kafka上创建一个Topic，各配送网点相当于业务Server1、Server2、Server3，将这些配送网点产生的日志数据需要聚合到一起统计分析，为其创建了Topic1，创建Topic时需要指定一个或多个Kafka partition用来存放该Topic对应的数据，如Topic1指定了四个partition。然后，在产生需要聚合到一起处理的日志数据的服务器上部署Flume Agent守护进程(该进程采集并发送最新产生的日志数据到Kafka)，在业务Server1、Server2、Server3上部署的Flume Agent，部署时在Agent的配置文件中需要指明server产生的日志数据将会被发送到哪个Topic。如此，需要聚合到一起处理的日志数据将会被缓存到一个Kafka Topic对应的partition中，业务Server1、Server2、Server3产生的日志被缓存到Topic1对应的partition中。最后，就是这些日志数据的计算处理了。在topology的配置文件(这是飞流平台设计的配置文件，是普通的txt文件，放在提交topology的进程可以访问的任何目录)里，有该topology要处理的日志数据的Topic设置，例如，topology1的配置文件中的设置为Topic1。在topology中，数据接入组件Kafka Spout依据配置文件里的Topic信息，从Kafka集群中该Topic对应的partition拉取需要聚合到一起处理的日志数据，数据在KafkaSpout中被转换成Tuple，发送到到下游的ExtractBolt，Tuple从Kafka Spout到ExtractBolt之间通过ShuffleGrouping策略发送，即一个Tuple会被发送到一个随机选择的ExtractBolttask。

多维数据的提取这部分步骤由ExtractBolt完成，ExtractBolt从MySQL读取与该topology订阅的Topic对应的任务配置信息。在ExtractBolt里，Kafka Spout每传递过来一个Tuple，配置的所有任务对该日志数进行轮流解析。以一个任务i为例，对于第j个<维度名，维度的值数据提取方式，黑/白名单>三元组，按照维度的值数据提取方式从日志数据里提取维度的值数据，提取方式有分隔符、正则、先分隔符后正则三种。接着用黑/白名单筛选该值数据，黑/白名单可以用定值、正则或集合实现。若筛选通过，接着进行第j+1个三元组对应的工作。如此，提取完任务i配置的n个维度的值数据，并且所有维度的值数据都通过黑/白名单的筛选后(这些值数据构成的重组就对应一个dk)，还需要根据任务i配置信息里的度量信息里的度量数据提取方式，从日志数据里提取度量数据。接着构造Tuple(任务标识号_维度1名_维度1值数据_..._维度n名_维度n值数据，度量数据，度量类型，度量周期)，发射到下游LogicBolt。Tuple从ExtractBolt到LogicBolt通过FieldsGrouping策略发送的，设置Tuple中第一个字段为field，则任务标识号相同且维度的值数据相同的Tuple会发送到相同的一个LogicBolttask中，这样确保对应一个dk的所有日志数据能够聚合到一起进行接下来的多维聚合计算，即任务i的一个子任务的聚合计算。任务i的多维数据的提取完成后，进行第i+1个任务的多维数据的提取。ExtractBolt在多个Executor线程并行执行，每个线程处理不同的数据。

多维聚合计算这部分由LogicBolt完成，LogicBolt设置一个属性，记录被该LogicBolt实例对应的一个Executor线程处理的所有子任务当前度量周期的度量结果和开始时间等信息，属性的结构为哈希表，暂且称为度量结果哈希表。LogicBolt收到一个Tuple，首先解析Tuple里的度量类型，根据不同度量类型进入到不同算法中。每个算法的大致结构设计为：查看度量结果哈希表里面有没有该子任务的项，如果没有则表示这是用户提交的新任务或更新的旧任务的子任务，对Tuple里的度量数据做度量计算，最后用该计算结果、0值分别作为当前度量周期的度量结果和开始时间构造表项并put到结果哈希表中。如果有，则读取度量结果，并结合Tuple里的度量数据计算本度量周期到目前为止的度量结果并put到度量结果表中。度量结果的表示根据度量类型的不同而不同，比如取平均度量类型，需要保存当前度量周期内的所有Tuple的度量数据的总和以及Tuple的总数。退出算法，接着处理下一个到来的Tuple。LogicBolt的prepare方法启动计时线程EmitWatcher，该线程周期性(周期的值由用户在topology的配置文件设置，该值就是度量周期的分度值)扫描度量结果哈希表每个表项的开始时间字段，并和当前时间比较，如发现有子任务的度量周期到点，则计时线程读取该子任务的度量结果并构造新的Tuple(任务标识号_维度1名_维度1值数据...维度n名_维度n值数据，度量类型，时间戳，度量结果)发送到SaveBolt，最后将度量结果哈希表中该子任务当前度量周期的度量结果和开始时间清零，表示下一个度量周期的开始。Tuple从LogicBolt到SaveBolt通过FieldsGrouping策略发送的，设置Tuple中第一个字段为field。LogicBolt在多个Executor线程并行执行，每个线程处理不同子任务。

多维聚合结果持久化这部分由SaveBolt完成，HBase表的rowKey设计成“任务标识号_维度1名_维度1值数据...维度n名_维度n值数据_度量类型_时间戳”，value就是度量结果。SaveBolt使用LogicBolt传递下来的Tuple信息构造rowkey和value，持久化存储到HBase中。SaveBolt在多个Executor线程并行执行，每个线程处理不同子任务。

将配送数据、日志数据都进行多维的聚合处理之后，对应生成第一多维聚合结果、第二多维聚合结果，对配送数据对应的第一多维聚合结果和日志数据对应的第二多维聚合结果进行比对分析，当第一多维聚合结果与第二多维聚合结果不一致时，则发出异常预警提示。

在本发明实施例中，步骤301-308与上述的物流配送监控方法的第二个实施例中的步骤201-208一致，在此不再赘述。

在本发明实施例中，通过对配送数据和日志数据中同一维度类别下的数据进行比对，当比对结果为不一致时，发出异常预警提示。本实施例实现了对快件配送过程的有效监控，当配送过程出现异常时，能够及时定位异常原因，从而可以对配送过程进行优化，提高配送效率。

请参阅图4，本发明实施例中物流配送监控方法的第四个实施例包括：

401，获取快件的录单地址，并基于录单地址，确定录单地址对应的收发网点和快件的配送方向；

402，根据收发网点和配送方向，从预设的配送网点中选取快件在配送过程中进行中转的配送网点，得到至少一个中转网点；

403，分别计算收发网点和至少一个中转网点距离录单地址中发出地的路径长度，并基于路径长度进行排序，生成配送路线；

404，获取快件的订单信息，并根据配送路线和订单信息，计算快件沿着配送路线进行配送时产生的配送数据；

405，将配送路线与配送数据作为配送规划数据；

406，获取快件的配送过程中配送车辆的实际行驶数据，并基于实际行驶数据，生成快件在配送过程中的实际配送路线；

407，对快件沿着实际配送路线到达各个配送网点时所产生的日志数据进行监控；

408，将实际配送路线和日志数据作为快件在配送过程中所产生的实际配送数据；

409，将配送规划数据中的配送路线与实际配送数据中的实际配送路线进行比对分析，以及将配送规划数据中的配送数据与实际配送数据中的日志数据进行比对分析，得到分析结果；

410，若分析结果为配送路线与实际配送路线不一致和/或配送数据与日志数据不一致时，则发出异常预警提示。

将配送规划数据中的配送路线与实际配送数据中的实际配送路线进行比对分析，以及将配送规划数据中的配送数据与实际配送数据中的日志数据进行比对分析。当分析结果中包括配送路线与实际配送路线不一致的分析结果和配送数据与日志数据不一致的分析结果中的至少一种分析结果时，表明该快件在配送过程中出现了配送异常，则及时发出异常预警提示。

在本实施例中，步骤401-408与上述的物流配送监控方法的第二个实施例中的步骤201-208一致，在此不再赘述。

在本发明实施例中，将配送路线与实际配送路线进行比对分析，以及将配送数据与日志数据进行比对分析，根据这两个比对分析的结果做综合分析，判断是否发出异常预警提示。本实施例能够综合考虑快件在配送过程中的异常情况，能够对多种异常情况进行监控和分析，并发出预警提示，提高了快件配送的安全性。

上面对本发明实施例中的物流配送监控方法进行了描述，下面对本发明实施例中的物流配送监控装置进行描述，请参照图5，本发明实施例中的物流配送监控装置的一个实施例包括：

获取模块501，用于获取快件的录单地址以及订单信息，并基于所述录单地址和所述订单信息确定所述快件的配送规划数据；

监控模块502，用于对所述快件的配送过程进行监控，并获取所述快件在配送过程中的实际配送数据；

分析模块503，用于将所述配送规划数据与所述实际配送数据进行比对分析，得到分析结果；

提示模块504，用于若所述分析结果为所述配送规划数据与所述实际配送数据不一致时，则发出异常预警提示。

在本发明实施例中，物流配送监控装置能够根据快件的录单地址和订单信息确定配送规划数据，并对配送过程进行监控，获取实际配送数据，将配送规划数据与实际配送数据进行比对，当比对的结果为不一致时，就发出异常预警提示。本实施例实现了对快件的配送过程的有效监控，当出现异常情况时，还能够及时进行异常预警。

请参阅图6，本发明实施例中的物流配送监控装置的另一个实施例包括：

获取模块501，用于获取快件的录单地址以及订单信息，并基于所述录单地址和所述订单信息确定所述快件的配送规划数据；

监控模块502，用于对所述快件的配送过程进行监控，并获取所述快件在配送过程中的实际配送数据；

分析模块503，用于将所述配送规划数据与所述实际配送数据进行比对分析，得到分析结果；

提示模块504，用于若所述分析结果为所述配送规划数据与所述实际配送数据不一致时，则发出异常预警提示。

可选的，所述获取模块501具体用于：

获取快件的录单地址，并基于所述录单地址，确定所述录单地址对应的收发网点和所述快件的配送方向，其中，所述录单地址包括所述快件的发出地与签收地；

根据所述收发网点和所述配送方向，从预设的配送网点中选取所述快件在配送过程中进行中转的配送网点，得到至少一个中转网点；

分别计算所述收发网点和至少一个所述中转网点距离所述发出地的路径长度，并基于所述路径长度进行排序，生成配送路线；

获取所述快件的订单信息，并根据所述配送路线和所述订单信息，计算所述快件沿着所述配送路线进行配送时产生的配送数据；将所述配送路线与所述配送数据作为配送规划数据。

可选的，所述监控模块502具体用于：

获取所述快件的配送过程中配送车辆的实际行驶数据，并基于所述实际行驶数据，生成所述快件在配送过程中的实际配送路线；

对所述快件沿着所述实际配送路线到达各个所述配送网点时所产生的日志数据进行监控；

将所述实际配送路线和所述日志数据作为所述快件在配送过程中所产生的实际配送数据。

可选的，所述分析模块503包括：

路线分析单元5031，用于将所述配送规划数据中的配送路线与所述实际配送数据中的实际配送路线进行比对分析，得到分析结果；

数据分析单元5032，用于将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果；

综合分析单元5033，用于将所述配送规划数据中的配送路线与所述实际配送数据中的实际配送路线进行比对分析，以及将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果。

可选的，所述数据分析单元5032具体用于：

根据预设的维度类别，识别所述日志数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从所述日志数据中提取各维度的第一值数据；

根据预设的维度类别，识别所述配送数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从所述配送数据中提取各维度的第二值数据；

对隶属于同一维度类别的所述第一值数据和所述第二值数据进行比对分析，得到分析结果。

可选的，所述数据分析单元5032还具体用于：

将所述日志数据中所有的所述第一值数据按照预设的维度类别的先后顺序进行排列，生成序列，并基于所述序列，生成至少一个多元组；

将与所述多元组对应的日志数据进行聚合处理，并基于预设的度量类型，识别所述日志数据对应的度量类型；

确定所述日志数据对应的度量周期，并基于所述度量类型和所述度量周期，对所有聚合处理后的所述日志数据分别进行周期性度量计算，得到至少一个计算结果；

对至少一个所述计算结果进行持久化处理，生成第一多维聚合结果。

可选的，所述数据分析单元5032还具体用于：

对所述配送数据中各维度的第二值数据进行聚合处理，并基于预设的度量类型，识别所述配送数据对应的度量类型；

确定所述配送数据对应的度量周期，并基于所述度量类型和所述度量周期，对聚合处理后的所述配送数据进行周期性度量计算，得到第二多维聚合结果；

将所述第一多维聚合结果和所述第二多维聚合结果进行比对分析，得到分析结果。

在本发明实施例中，通过物流配送监控装置对快件的配送过程进行监控，并对配送规划数据和实际配送数据进行比对分析，根据分析的结果判断是否发出异常预警提示。本实施例能够对快件的配送过程进行监控，还能对快件在配送过程中的异常情况进行预警提示，提高了配送效率和安全性。

请参阅图7，下面从硬件处理的角度对本发明实施例中的物流配送监控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物流配送监控设备的结构示意图，该物流配送监控设备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物流配送监控设备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，在物流配送监控设备700上执行存储介质730中的一系列指令操作。

物流配送监控设备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示出的物流配送监控设备结构并不构成对物流配送监控设备的限定，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物流配送监控方法的步骤。

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)

1.一种物流配送监控方法，其特征在于，所述物流配送监控方法包括：

获取快件的录单地址以及订单信息，并基于所述录单地址和所述订单信息确定所述快件的配送规划数据；

对所述快件的配送过程进行监控，并获取所述快件在配送过程中的实际配送数据；

将所述配送规划数据与所述实际配送数据进行比对分析，得到分析结果；

若所述分析结果为所述配送规划数据与所述实际配送数据不一致时，则发出异常预警提示。

2.根据权利要求1所述的物流配送监控方法，其特征在于，所述获取快件的录单地址以及订单信息，并基于所述录单地址和所述订单信息确定所述快件的配送规划数据包括：

获取快件的录单地址，并基于所述录单地址，确定所述录单地址对应的收发网点和所述快件的配送方向，其中，所述录单地址包括所述快件的发出地与签收地；

根据所述收发网点和所述配送方向，从预设的配送网点中选取所述快件在配送过程中进行中转的配送网点，得到至少一个中转网点；

分别计算所述收发网点和至少一个所述中转网点距离所述发出地的路径长度，并基于所述路径长度进行排序，生成配送路线；

获取所述快件的订单信息，并根据所述配送路线和所述订单信息，计算所述快件沿着所述配送路线进行配送时产生的配送数据；

将所述配送路线与所述配送数据作为配送规划数据。

3.根据权利要求1或2所述的物流配送监控方法，其特征在于，所述对所述快件的配送过程进行监控，并获取所述快件在配送过程中的实际配送数据包括：

获取所述快件的配送过程中配送车辆的实际行驶数据，并基于所述实际行驶数据，生成所述快件在配送过程中的实际配送路线；

对所述快件沿着所述实际配送路线到达各个所述配送网点时所产生的日志数据进行监控；

将所述实际配送路线和所述日志数据作为所述快件在配送过程中所产生的实际配送数据。

4.根据权利要求3所述的物流配送监控方法，其特征在于，所述将所述配送规划数据与所述实际配送数据进行比对分析，得到分析结果包括：

将所述配送规划数据中的配送路线与所述实际配送数据中的实际配送路线进行比对分析，得到分析结果；

或，将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果；

或，将所述配送规划数据中的配送路线与所述实际配送数据中的实际配送路线进行比对分析，以及将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果。

5.根据权利要求4所述的物流配送监控方法，其特征在于，所述将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果包括：

根据预设的维度类别，识别所述日志数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从所述日志数据中提取各维度的第一值数据；

根据预设的维度类别，识别所述配送数据中各数据对应的维度，并基于预设的维度的值数据提取方式，从所述配送数据中提取各维度的第二值数据；

对隶属于同一维度类别的所述第一值数据和所述第二值数据进行比对分析，得到分析结果。

6.根据权利要求5所述的物流配送监控方法，其特征在于，所述将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果还包括：

将所述日志数据中所有的所述第一值数据按照预设的维度类别的先后顺序进行排列，生成序列，并基于所述序列，生成至少一个多元组，其中，所述多元组为笛卡尔积元素；

将与所述笛卡尔积元素对应的日志数据进行聚合处理，并基于预设的度量类型，识别所述日志数据对应的度量类型；

确定所述日志数据对应的度量周期，并基于所述度量类型和所述度量周期，对所有聚合处理后的所述日志数据分别进行周期性度量计算，得到至少一个计算结果；

对至少一个所述计算结果进行持久化处理，生成第一多维聚合结果。

7.根据权利要求6所述的物流配送监控方法，其特征在于，所述将所述配送规划数据中的配送数据与所述实际配送数据中的日志数据进行比对分析，得到分析结果还包括：

对所述配送数据中各维度的第二值数据进行聚合处理，并基于预设的度量类型，识别所述配送数据对应的度量类型；

确定所述配送数据对应的度量周期，并基于所述度量类型和所述度量周期，对聚合处理后的所述配送数据进行周期性度量计算，得到第二多维聚合结果；

将所述第一多维聚合结果和所述第二多维聚合结果进行比对分析，得到分析结果。

8.一种物流配送监控装置，其特征在于，所述物流配送监控装置包括：

获取模块，用于获取快件的录单地址以及订单信息，并基于所述录单地址和所述订单信息确定所述快件的配送规划数据；

监控模块，用于对所述快件的配送过程进行监控，并获取所述快件在配送过程中的实际配送数据；

分析模块，用于将所述配送规划数据与所述实际配送数据进行比对分析，得到分析结果；

提示模块，用于若所述分析结果为所述配送规划数据与所述实际配送数据不一致时，则发出异常预警提示。

9.一种物流配送监控设备，其特征在于，所述物流配送监控设备包括：

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，以使得所述物流配送监控设备执行如权利要求1-7中任一项所述的物流配送监控方法的步骤。

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中任一项所述的物流配送监控方法的步骤。

Images