CN113807762B - 一种辅助物流异常决策的方法及系统 - Google Patents
一种辅助物流异常决策的方法及系统 Download PDFInfo
- Publication number
- CN113807762B CN113807762B CN202110176681.7A CN202110176681A CN113807762B CN 113807762 B CN113807762 B CN 113807762B CN 202110176681 A CN202110176681 A CN 202110176681A CN 113807762 B CN113807762 B CN 113807762B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- decision
- logistic
- logistics
- result
- 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 384
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 25
- 238000011144 upstream manufacturing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 230000005856 abnormality Effects 0.000 description 15
- 238000007726 management method Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000003908 quality control method 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种辅助物流异常决策的方法及系统,本发明实施例设置了辅助物流异常决策系统,接入到异常管控平台上的数据可用层,所述系统针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值;当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息,进行提供。这样,就可以实现物流异常事件的自动识别及分类,得到辅助物流异常决策信息,辅助物流异常决策。
Description
技术领域
本发明涉及物流技术领域,特别涉及一种辅助物流异常决策的方法及系统。
背景技术
目前,在对物流异常进行运营时,采用了如图1所示的现有技术物流异常运营系统结构示意图,包括上游系统、异常管控平台及下游系统,上游系统将物流数据上传给异常管控平台,不同工作职能的运营人员接入到异常管控平台上对物流数据进行物流异常决策处理后,可以将物流异常决策处理结果发送给下游系统,进行进一步处理。不同工作职能的运营人员包括了了录入、提报、判定、监控、分析、查看、审核、确认或/和预测的运营人员。
图2为现有技术提供的异常管控平台的结构示意图,其中包括了数据贯通层、数据可视层及数据可用层,其中,数据贯通层从上游系统接收到物流数据,经过了异常报备、责任判定、损失挽回、应收监控或/和实物跟踪等物流异常决策处理后,发送给下游系统;数据可视层用于对数据贯通层中的物流异常数据的可视化处理,具体可以对物流异常数据进行判责可视化、回损可视化、奖惩可视化、或/和丢损可视化等等;数据可用层用于对数据可视化的物流异常数据进行数据分析,包括了支撑运营分析、运营决策分析及运营预测分析等等。
从图1及图2所示可以看出,物流异常全流程运营过程中,基于异常管控平台对物流过程中的质控、判责、回损、奖惩或金盾等业务的统筹串联,已经形成贯穿物流异常发生与完结的异常管控系统,实现了与物流数据的上下游外部系统(诸如理赔系统或客服系统)的数据贯通,支撑了判责或回损等运营人员的线上操作及决策。
在日常操作过程中,异常管控平台主要负责各来源物流数据的抓取、接入、总控及处理等,同时提供物流数据的串联、上下游衔接、基础操作的支撑以及向运营人员提供等;二是最小单位、区域、集团等各岗位操作人员基于异常管控平台提供的异常信息,结合人为的分析思考,在该平台上落实相关的操作和决策。在不同场景下,上述两个步骤的重复组合及交互,便形成了运营人员的简单操作流程,用于支撑物流数据的线上处理。但是,运营的目的不仅仅在于处理物流数据中的异常信息,更应根据物流数据处理中的问题,定期复盘及分析物流异常事件的发生及处理规律:一是辅助异常处理,提升异常处理效率;二是辅助识别物流异常事件产生概率较大的环节和区域,降低物流异常事件的发生率。
目前,异常管控平台中的辅助异常处理及辅助异常识别的过程,依赖于运营人员线下对各场景的物流数据的人工分类、标记及统计,例如:责任判定过程中,判责人员将“①异常来源为最小单位主动报备的;②异常类型为“包装不合格”的;③报备部门已举证照片信息的;④报备部门的上游部门未举证、反馈的”的四种因素同时发生的物流异常事件归为一类情况,经过对大量此类物流异常事件的统计,一是能够确定此类物流异常事件,最终责任判定为报备部门上游的分拣部门、运输部门、仓储部门或揽收部门的发生概率,并确定最终不同类别落责依据的概率,从而辅助运营人员进行责任判定和落责依据选择的决策;二是能够确认此类物流异常事件发生在各区域、各环节及各时间段的概率,从而能够识别此类物流异常事件的热点范围,提前进行重点关注。
受限于物流数据规模较大,所涉及物流区域、流程环节、产品类型及异常类型等因素众多,人工进行的分类、标记、统计只能针对某些场景较单一的物流异常事件,一是无法覆盖所有物流异常事件,难以形成规模效应;二是所选取的关联因素不多,分析结果不够精准;三是人工手动作业,无法保证物流数据的准确性。
发明内容
有鉴于此,本发明实施例提供一种辅助物流异常决策的方法,该方法能够实现物流异常事件的自动识别及分类,得到辅助物流异常决策信息,辅助物流异常决策。
本发明实施例还提供一种辅助物流异常决策的系统,该系统能够实现物流异常事件的自动识别及分类,得到辅助物流异常决策信息,辅助的物流异常决策。
本发明实施例是这样实现的:
一种辅助物流异常决策的方法,包括:
针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值;
当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;
将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息提供。
较佳地,所述针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值包括:
获取多个类型的物流异常事件,且将每个类型异常事件中的多个因素信息进行标签化;
将具有多个相同因素信息的物流异常事件设置在同一标签池中,且对该标签池中的相同因素信息作为标签池中的物流异常事件对应的异常画像;
对于标签池中的非异常画像的因素信息作为结果标签,针对每个结果标签占该标签池中所有结果标签的比例值,确定结果概率;
当其中的某一结果标签超过设定的结果概率后,将该结果标签所属的类型物流异常事件进入到决策池中;
该决策池中的该类型物流异常事件的异常画像作为该类型物流异常事件的第一因素信息,将该决策池中的该类型物流异常事件的结果标签作为该类型物流异常事件的一异常决策信息,将该决策池中的该类型物流异常事件的结果概率作为该类型物流异常事件的该异常决策信息的概率值。
较佳地,所述将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息,包括:
当接收到物流异常事件的异常画像与决策池中的物流异常事件的异常画像相同时,则将该物流异常事件的结果标签及结果概率作为辅助物流异常决策信息。
较佳地,所述根据标签池中的每个结果标签占该标签池中所有结果标签的比例值,确定结果概率值时,该结果概率值随着标签池中的所属类型异常事件的增加不断增加。
一种辅助物流异常决策的系统,所述系统接入到异常管控平台中的数据可用层,包括:设置单元及辅助决策单元,其中,
设置单元,用于针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值;
辅助决策单元,用于当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息提供。
较佳地,所述设置单元,还用于获取多个类型的物流异常事件,且将每个类型异常事件中的多个因素信息进行标签化;将具有多个相同因素信息的物流异常事件设置在同一标签池中,且对该标签池中的相同因素信息作为标签池中的物流异常事件对应的异常画像;对于标签池中的非异常画像的因素信息作为结果标签,针对每个结果标签占该标签池中所有结果标签的比例值,确定结果概率;当其中的某一结果标签超过设定的结果概率后,将该结果标签所属的类型物流异常事件进入到决策池中;该决策池中的该类型物流异常事件的异常画像作为该类型物流异常事件的第一因素信息,将该决策池中的该类型物流异常事件的结果标签作为该类型物流异常事件的一异常决策信息,将该决策池中的该类型物流异常事件的结果概率作为该类型物流异常事件的该异常决策信息的概率值。
较佳地,所述辅助决策单元,用于当接收到异常事件的异常画像与决策池中的物流异常事件的异常画像相同时,则将物流该异常事件的结果标签及结果概率作为辅助物流异常决策信息。
较佳地,所述设置单元,还用于所述根据标签池中的每个结果标签占该标签池中所有结果标签的比例值,确定结果概率值时,该结果概率值随着标签池中的所属类型异常事件的增加不断增加。
一种辅助物流异常决策的方法的装置,包括:
存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行上述任一所述的辅助物流异常决策的方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一所述的辅助物流异常决策的方法。
如上所见,本发明实施例设置了辅助物流异常决策系统,接入到异常管控平台上的数据可用层,所述系统针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值;当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息,进行提供。这样,就可以实现物流异常事件的自动识别及分类,得到辅助物流异常决策信息,辅助物流异常决策。
附图说明
图1为现有技术提供的物流异常运营系统结构示意图;
图2为现有技术提供的异常管控平台的结构示意图;
图3为本发明实施例提供的辅助物流异常决策的方法流程图;
图4为本发明实施例提供的辅助物流异常决策的方法具体例子例程图;
图5为本发明实施例提供的物流数据标签示意图;
图6为本发明实施例提供的标签池的结构示意图;
图7为本发明实施例提供的标签池中的结果概率表示示意图;
图8为本发明实施例提供的一种辅助物流异常决策的系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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他步骤或单元。
下面以具体实施例对本发明的技术方案进行详细说明。下面几个具体实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
背景技术中在异常管控品平台上对物流数据进行统计、分类及计算后,得到所属的物流异常事件及解决该物流异常事件的辅助物流决策信息的过程,都是采用人工方式,是由运营人员进行处理的,所以只能针对某些场景较单一的物流异常事件,一是无法覆盖所有物流异常事件,难以形成规模效应;二是所选取的关联因素不多,分析结果不够精准;三是人工手动作业,无法保证物流数据的准确性。为了克服这个问题,本发明实施例设置了辅助物流异常决策系统,接入到异常管控平台上的数据可用层,所述系统针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值;当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息,进行提供。
这样,就可以实现物流异常事件的自动识别及分类,得到辅助物流异常决策信息,辅助物流异常决策。
图3为本发明实施例提供的辅助物流异常决策的方法流程图,其具体步骤包括:
步骤301、针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值;
步骤302、当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;
步骤303、将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息提供。
在该方法中,所述统计得到该类型物流异常事件的第一因素信息、及至少异常决策信息及每个异常决策信息的概率值时,是根据接入的物流数据增多,逐步统计得到的。
在该方法中,对于每一物流异常事件,都包括有执行该物流异常事件时的所有信息,比如执行时间、物流传输地址、揽收信息、分拣信息、仓储信息及运输信息等的因素信息,所以将具有相同或相似因素信息的所有物流异常事件归于一种类型的物流异常事件中。
在该方法中,对于某一类型物流异常信息中对于某物流异常事件的异常决策信息也包括在因素信息中,比如可以是分拣出现问题,得出了分拣异常决策信息,或者运输出现问题,得出了运输异常决策信息,其实际上就是执行该物流异常事件时出现异常的因素信息。
在该方法中,该类型物流异常事件中包括多个子异常决策信息,分别可以指示多个异常决策,其中有些子异常决策不准确,有些子异常决策准确,所以从中统计出至少一异常决策信息,及每个异常决策信息的概率值,可以反映这类型物流异常事件至少一个最有可能做出的异常决策,从而将异常决策信息进行后续的该类型物流异常事件的辅助决策。
在该方法中,所述针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值包括:
获取多个类型的物流异常事件,且将每个类型异常事件中的多个因素信息进行标签化;
将具有多个相同因素信息的物流异常事件设置在同一标签池中,且对该标签池中的相同因素信息作为标签池中的物流异常事件对应的异常画像;
对于标签池中的非异常画像的因素信息作为结果标签,针对每个结果标签占该标签池中所有结果标签的比例值,确定结果概率;
当其中的某一结果标签超过设定的结果概率后,将该结果标签所属的类型物流异常事件进入到决策池中;
该决策池中的该类型物流异常事件的异常画像作为该类型物流异常事件的第一因素信息,将该决策池中的该类型物流异常事件的结果标签作为该类型物流异常事件的一异常决策信息,将该决策池中的该类型物流异常事件的结果概率作为该类型物流异常事件的该异常决策信息的概率值。
在该方法中,所述将所确定对应的物流异常事件的至少异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息,包括:
当接收到物流异常事件的异常画像与决策池中的物流异常事件的异常画像相同时,则将该物流异常事件的结果标签及结果概率作为辅助物流异常决策信息。
在该方法中,所述根据标签池中的每个结果标签占该标签池中所有结果标签的比例值,确定结果概率值时,该结果概率值随着标签池中的所属类型异常事件的增加不断增加。
上述方法是所设置的物流异常辅助决策系统实现的,所述系统接入到异常管控平台中的数据可用层,应用系统大数据算力批量覆盖所有类型的物流异常事件,并关联物流异常事件中的第一因素信息及至少一异常决策信息,通过所设置的逻辑算法实现物流异常事件的自动识别、分类及计算,保证物流数据准确性的同时,提升了运营分析效率。
图4为本发明实施例提供的辅助物流异常决策的方法具体例子例程图,其具体步骤包括:
步骤401、获取多个类型的物流异常事件,且将每个类型异常事件中的多个因素信息进行标签化;
在该步骤中,将异常处理过程中的物流数据中的因素信息,也就是使用痕迹进行存储,因素信息包括物流异常事件的相关信息、系统计算结果、人工操作日志(角色、时间、操作行为等)、最终决策内容(人工进行的责任判定、数据确认、热点范围识别等),并通过异常单号与对应的唯一的物流异常事件进行关联后,进行标签化;
步骤402、建立不同的标签池,对于每一个标签池具有多个相同因素信息的物流异常事件,且对该标签池中的相同因素信息作为该标签池中的物流异常事件对应的异常画像;
步骤403、对于标签池中的非异常画像的因素信息作为结果标签,针对每个结果标签占该标签池中所有结果标签的比例值,确定结果概率;
从该步骤可以看出,每个标签池中的物流异常事件中的所有标签可分为两部分,一部分为组成异常画像的因素信息,另一部分为结果标签;
步骤404、在标签池中,针对每个结果标签,占该标签池中所有结果标签的比例,标记为该结果标签的结果概率;
步骤405、当其中的某一结果标签超过设定的结果概率后,将该结果标签所属的类型物流异常事件进入到决策池中;
在本步骤中,设定的结果概率可以由用户自行根据经验设定,这里不限制;
在本步骤中,日常运营及操作过程中,新的物流异常事件会不断产生,因素信息及结果标签也会不断积累,结果概率也会不断更新;
步骤406、当接收到异常事件的异常画像与决策池中的异常事件的异常画像相同时,则将该异常事件的结果标签及结果概率作为辅助物流异常决策信息,推送给运营人员,帮助运营人员进行辅助决策。
图4中的上述过程首先对每个类型的异常事件中的多个因素信息进行标签化,具体过程如下所述。
将上述涉及异常业务运营流程的各类因素信息进行标签化分类,可整体分为①“上游数据”、②“下游数据”、③“操作数据”、④“计算数据”及⑤“决策数据”的五大类的物流数据标签,定义其为“异常标签”,如图5所示,图5为本发明实施例提供的物流数据标签示意图。
每一个物流异常事件,都会包含上述①-⑤中的多类异常标签,具体的标签数量与物流业务流程的复杂度成正比,在物流异常事件从起始到结束的过程中,物流异常事件所附标签将随着流程的推进越来越多,而通过标签对该物流异常事件进行的描述也更详细,其中,五大类的物流数据标签的定义具体如下:
①上游数据:上游系统下传时所包含的所有数据,每一项数据可作为一个标签,例如:“来源为主动报备系统”、“异常类型为丢损”、“发生时间为2020年11月”等都为上游系统下传时所包含的信息,属于异常标签,并归属为“上游数据”类;
②下游数据:需要下传给下游系统的所有数据,每一项数据可作为一个标签,属于异常标签,并归属为“下游数据”类;
③操作数据:最小单位、区域、集团等各岗位操作人员的系统操作信息,如操作角色、操作时间、操作内容等,属于异常标签,并归属为“操作数据”类;
④计算数据:基于系统逻辑,将上下游、操作数据经计算、加工而得到的数据,如指标数据等,属于异常标签,并归属为“计算数据”类;
⑤决策数据:经操作人员人工判断,并在系统上确认的业务结果数据,如判责结果、数据核实结果、审批结果等,属于异常标签,并归属为“决策数据”类。
图4中所述的过程建立了多个不同的标签池,含有多种相同的异常标签的物流异常事件存储在同一标签池,在同一标签池中的物流异常事件所包括的异常标签可以分为两个部分,一部分为组成异常画像的异常标签,另一部分为结果标签。如图6所示,图6为本发明实施例提供的标签池的结构示意图,可以看出,在统计一个类型的物流异常事件的第一因素信息及至少一异常决策信息时,是采用标签池及决策池的方式进行的。
在图4所述的过程中,定义标签池中相同异常标签的组合——为池中的物流异常事件的异常画像;每个标签池所对应的异常画像,可用来表征池中所包含物流异常事件的因素信息,异常画像中所包含的异常标签越多,说明对此类物流异常事件的异常画像越清晰。
异常画像所包含的异常标签具体类型,由用户进行自由配置,例如:用户配置上游数据中的“责任环节”数据项(“责任环节”数据项取值可为“揽收”、“仓储”、“中转”、“运输”、“配送”)为标签池中异常画像所需异常标签,当系统识别某物流异常事件来自上游系统,且包含“责任环节”数据项时,系统将自动建立5个标签池,分别存储责任环节为“揽收”、“仓储”、“中转”、“运输”、“配送”的物流异常事件,可匹配到这5个标签池中的物流异常事件,异常画像分别为“数据来源:上游系统,责任环节:揽收”、“数据来源:上游系统,责任环节:仓储”、“数据来源:上游系统,责任环节:中转”、“数据来源:上游系统,责任环节:运输”、“数据来源:上游系统,责任环节:配送”。
在图4所述的过程中,定义每个标签池中非组成“异常画像”的异常标签——为池中异常事件的“结果标签”。
在图4所述的过程中,定义各类“结果标签”占池中所有“结果标签”的比例——为池中的物流异常事件发生该结果的“结果概率”,如图7所示,图7为本发明实施例提供的标签池中的结果概率表示示意图。
在图4所述的过程中,当某一结果概率达到一定程度时(所设定的结果概率),定义系对于此类物流异常事件的分析结果,已能满足辅助决策功能要求,将该结果概率所对应的物流异常事件存入到决策池;该物流异常事件对应的异常画像存入到决策池;
用户可自行设定结果概率的阈值,在日常运营、操作过程中新的物流异常事件会不断产生、因素信息会不断积累,结果概率也会不断更新。
当任一来源的物流异常事件的异常画像与决策池中的任一种物流异常画像相同时,将池中的异常画像对应的结果标签、结果概率推送给运营人员,帮助运营人员进行辅助决策。
实际的辅助决策内容,会根据用户选定的不同的结果标签而确定,例如:当结果标签为“XX大区(物流异常事件发生区域)”时,其结果概率数值越高,此类物流异常事件在XX大区的发生的概率就越高,当该结果概率大于运营人员设定的阈值时,会主动告知运营人员,需要重点关注此区域发生某一类异常场景,上述“某一类异常场景”即为该结果标签所对应的异常画像所覆盖的物流异常事件;当结果标签为“主动上报单位的上游单位(最终定责单位)”时,其结果概率数值越高,此类物流异常事件最终责任单位为“主动上报单位的上游单位”的概率就越高,当该物流概率大于用户设定的阈值时,会主动告知运营人员此类物流异常事件最终责任单位有百分之XX的概率(结果概率)为“主动上报单位的上游单位”,上述“此类物流异常事件”即为该物流结果标签所对应的异常画像所覆盖的异常事件。
举一个具体例子。
在华北的区域和在1月份的时间范围内进行物流配送,符合此标签的物流异常事件都进入到该标签池;判断分拣异常的结果标签在该标签池的其他所有结果标签所占比例,比如为75%,则将该物流异常事件的异常画像进入到决策池中。
当有一个在1月份的时间及华北区域的物流异常事件到来时,则向运营人员推送结果标签为分拣信息及结果概率值75%,帮助后续的决策。
这样,将物流异常事件进行因素信息的拆解、标签识别及分类统计,输出对应的决策结果,以达到辅助用户开展异常处理、分析等运营工作,提升运营质量与运营效率的目的。
图8为本发明实施例提供的一种辅助物流异常决策的系统结构示意图,其系统包括:所述系统接入到异常管控平台中的数据可用层,包括:设置单元及辅助决策单元,其中,
设置单元,用于针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及异常决策信息及异常决策信息的概率值;
辅助决策单元,用于当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息,进行提供。
在该系统中,所述设置单元,还用于获取多个类型的物流异常事件,且将每个类型异常事件中的多个因素信息进行标签化;将具有多个相同因素信息的物流异常事件设置在同一标签池中,且对该标签池中的相同因素信息作为标签池中的物流异常事件对应的异常画像;对于标签池中的非异常画像的因素信息作为结果标签,针对每个结果标签占该标签池中所有结果标签的比例值,确定结果概率;当其中的某一结果标签超过设定的结果概率后,将该结果标签所属的类型物流异常事件进入到决策池中;该决策池中的该类型物流异常事件的异常画像作为该类型物流异常事件的第一因素信息,将该决策池中的该类型物流异常事件的结果标签作为该类型物流异常事件的一异常决策信息,将该决策池中的该类型物流异常事件的结果概率作为该类型物流异常事件的该异常决策信息的概率值。
在该系统中,所述辅助决策单元,用于当接收到异常事件的异常画像与决策池中的物流异常事件的异常画像相同时,则将物流该异常事件的结果标签及结果概率作为辅助物流异常决策信息。
在该系统中,所述设置单元,还用于所述根据标签池中的每个结果标签占该标签池中所有结果标签的比例值,确定结果概率值时,该结果概率值随着标签池中的所属类型异常事件的增加不断增加。
本申请实施例还提供一种计算机可读介质,所述计算机可读存储介质存储指令,所述指令在由处理器执行时可执行如上所述的为辅助物流异常决策的方法的步骤。实际应用中,所述的计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的,也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或多个程序被执行时,可以实现上述各实施例描述的所述的辅助物流异常决策的方法。根据本申请公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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,但不用于限制本申请保护的范围。在本申请公开的实施例中,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。
本发明实施例还提供一种电子设备,其中可以集成本申请实施例实现方法的装置。具体来讲:
该电子设备可以包括一个或一个以上处理核心的处理器、一个或一个以上计算机可读存储介质的存储器以及存储在存储器上并可在处理器上运行的计算机程序。在执行所述存储器的程序时,可以实现上述的辅助物流异常决策的方法。
具体的,实际应用中,该电子设备还可以包括电源、输入单元、以及输出单元等部件。本领域技术人员可以理解,本发明实施例中的电子设备的结构并不构成对该电子设备的限定,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。其中:
处理器是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器内的软件程序和/或模块,以及调用存储在存储器内的数据,执行服务器的各种功能和处理数据,从而对该电子设备进行整体监控。
存储器可用于存储软件程序以及模块,即上述计算机可读存储介质。处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
该电子设备还包括给各个部件供电的电源,可以通过电源管理系统与处理器逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元,该输入单元可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该电子设备还可以包括输出单元,该输出单元可以用于显示由用户输入的信息或提供给用户的信息以及各种图像用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。
本申请附图中的流程图和框图,示出了按照本申请公开的各种实施例的系统、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、或者代码的一部分,上述模块、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。也应该注意,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附图中所标准的顺序发生。例如,两个连接地表示的方框实际上可以基本并行地执行,它们有时也可以按照相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或者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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本申请中。特别地,在不脱离本申请精神和教导的情况下,本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,所有这些组合和/或结合均落入本申请公开的范围。
本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思路,并不用于限制本申请。对于本领域的技术人员来说,可以依据本发明的思路、精神和原则,在具体实施方式及应用范围上进行改变,其所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (8)
1.一种辅助物流异常决策的方法,其特征在于,包括:
针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值;
当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;
将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息提供;
其中,所述针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值包括:
获取多个类型的物流异常事件,且将每个类型异常事件中的多个因素信息进行标签化;
将具有多个相同因素信息的物流异常事件设置在同一标签池中,且对该标签池中的相同因素信息作为标签池中的物流异常事件对应的异常画像;
对于标签池中的非异常画像的因素信息作为结果标签,针对每个结果标签占该标签池中所有结果标签的比例值,确定结果概率;
当其中的某一结果标签超过设定的结果概率后,将该结果标签所属的类型物流异常事件进入到决策池中;
该决策池中的该类型物流异常事件的异常画像作为该类型物流异常事件的第一因素信息,将该决策池中的该类型物流异常事件的结果标签作为该类型物流异常事件的一异常决策信息,将该决策池中的该类型物流异常事件的结果概率作为该类型物流异常事件的该异常决策信息的概率值。
2.如权利要求1所述的方法,其特征在于,所述将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息,包括:
当接收到物流异常事件的异常画像与决策池中的物流异常事件的异常画像相同时,将该物流异常事件的结果标签及结果概率作为辅助物流异常决策信息。
3.如权利要求1或2所述的方法,其特征在于,所述根据标签池中的每个结果标签占该标签池中所有结果标签的比例值,确定结果概率值时,该结果概率值随着标签池中的所属类型物流异常事件的增加不断增加。
4.一种辅助物流异常决策的系统,其特征在于,所述系统接入到异常管控平台中的数据可用层,包括:设置单元及辅助决策单元,其中,
设置单元,用于针对每一类型物流异常事件,统计得到该类型物流异常事件的第一因素信息、及至少一异常决策信息及每个异常决策信息的概率值;
辅助决策单元,用于当接收到物流数据时,根据物流数据包括的第一因素信息,确定对应的物流异常事件;将所确定对应的物流异常事件的至少一异常决策信息及每个异常决策信息的概率值,作为辅助物流异常决策信息提供;
其中,所述设置单元,还用于获取多个类型的物流异常事件,且将每个类型异常事件中的多个因素信息进行标签化;将具有多个相同因素信息的物流异常事件设置在同一标签池中,且对该标签池中的相同因素信息作为标签池中的物流异常事件对应的异常画像;对于标签池中的非异常画像的因素信息作为结果标签,针对每个结果标签占该标签池中所有结果标签的比例值,确定结果概率;当其中的某一结果标签超过设定的结果概率后,将该结果标签所属的类型物流异常事件进入到决策池中;该决策池中的该类型物流异常事件的异常画像作为该类型物流异常事件的第一因素信息,将该决策池中的该类型物流异常事件的结果标签作为该类型物流异常事件的一异常决策信息,将该决策池中的该类型物流异常事件的结果概率作为该类型物流异常事件的该异常决策信息的概率值。
5.如权利要求4所述的系统,其特征在于,所述辅助决策单元,用于当接收到异常事件的异常画像与决策池中的物流异常事件的异常画像相同时,则将物流该异常事件的结果标签及结果概率作为辅助物流异常决策信息。
6.如权利要求4或5所述的系统,其特征在于,所述设置单元,还用于所述根据标签池中的每个结果标签占该标签池中所有结果标签的比例值,确定结果概率值时,该结果概率值随着标签池中的所属类型异常事件的增加不断增加。
7.一种辅助物流异常决策的方法的装置,其特征在于,包括:
存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1~3任一所述的辅助物流异常决策的方法。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1~3任一所述的辅助物流异常决策的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110176681.7A CN113807762B (zh) | 2021-02-09 | 2021-02-09 | 一种辅助物流异常决策的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110176681.7A CN113807762B (zh) | 2021-02-09 | 2021-02-09 | 一种辅助物流异常决策的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807762A CN113807762A (zh) | 2021-12-17 |
CN113807762B true CN113807762B (zh) | 2023-12-08 |
Family
ID=78892814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110176681.7A Active CN113807762B (zh) | 2021-02-09 | 2021-02-09 | 一种辅助物流异常决策的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807762B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348644B (zh) * | 2020-11-16 | 2024-04-02 | 上海品见智能科技有限公司 | 一种通过建立单调正相关过滤网的异常物流订单检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164346A (ja) * | 2005-12-12 | 2007-06-28 | Toshiba Corp | 決定木変更方法、異常性判定方法およびプログラム |
CN101620694A (zh) * | 2008-07-02 | 2010-01-06 | 中冶宝钢技术服务有限公司 | 物流运输决策支持系统及方法、运输管理系统 |
JP2018055460A (ja) * | 2016-09-29 | 2018-04-05 | Nttテクノクロス株式会社 | 監視装置、検出方法及びプログラム |
CN111858973A (zh) * | 2020-07-30 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 多媒体事件信息的检测方法、装置、服务器及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304007B2 (en) * | 2015-12-08 | 2019-05-28 | International Business Machines Corporation | Using a plurality of heterogeneous decision engines to produce a single decision |
-
2021
- 2021-02-09 CN CN202110176681.7A patent/CN113807762B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164346A (ja) * | 2005-12-12 | 2007-06-28 | Toshiba Corp | 決定木変更方法、異常性判定方法およびプログラム |
CN101620694A (zh) * | 2008-07-02 | 2010-01-06 | 中冶宝钢技术服务有限公司 | 物流运输决策支持系统及方法、运输管理系统 |
JP2018055460A (ja) * | 2016-09-29 | 2018-04-05 | Nttテクノクロス株式会社 | 監視装置、検出方法及びプログラム |
CN111858973A (zh) * | 2020-07-30 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 多媒体事件信息的检测方法、装置、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
Consumer decision-making and smart logistics planning based on FPGA and convolutional neural network;Tianbao Liang等;《Microprocessors and Microsystems》;第80卷;1-5页 * |
物联网通信异常数据的检测方法研究;刘杰;戈军;沈微微;王学军;;现代电子技术(09);82-85 * |
Also Published As
Publication number | Publication date |
---|---|
CN113807762A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10579949B2 (en) | Methods and systems for facilitating transportation of articles in warehouses using video analytics | |
US20100082708A1 (en) | System and Method for Management of Performance Fault Using Statistical Analysis | |
CN111210108B (zh) | 一种电力物资供应链的绩效管控模型 | |
CN104573996A (zh) | 一种铸造企业用自动报价系统 | |
CN113807762B (zh) | 一种辅助物流异常决策的方法及系统 | |
CN103817153A (zh) | 一种钢铁企业棒材轧钢轧辊管理系统与方法 | |
CN113076353A (zh) | 一种电力核算异常分析方法及系统 | |
CN116976778A (zh) | 一种基于智能物流运输平台的监控系统及方法 | |
CN102446298A (zh) | 一种采购系统的信息监控和评价装置及其方法 | |
CN113689152A (zh) | 故障预警的处理方法和装置、电子设备和存储介质 | |
Thakur et al. | Total productive maintenance | |
CN114119315A (zh) | 企业级智能消保管理体系及其管理方法 | |
CN109214929A (zh) | 投资监督方法及装置 | |
CN110032154A (zh) | 一种小批量产品的生产控制方法及系统 | |
CN116993221A (zh) | 数字员工监督方法、装置、设备及介质 | |
Viveros et al. | Resolution of reliability problems based on failure mode analysis: an integrated proposal applied to a mining case study | |
Razzaq et al. | Artificial intelligence (AI)-integrated operation; insights into supply chain management | |
CN115860465A (zh) | 一种企业关联数据处理预警方法、系统及装置 | |
CN113987015A (zh) | 一种设备资产状态管理方法、系统、设备及存储介质 | |
Gaiya et al. | A Cost Reflective And Optimal Replacement Policy For A 9hp Tiller | |
CN117408643B (zh) | 应用于工程数智化管理平台的进度监控管理方法和系统 | |
Samsudin et al. | Customer Satisfaction and Service Experience in Big Data Analytics for Automotive Service Advisor | |
CN116843179A (zh) | 一种风险客户分析方法、电子设备及计算机存储介质 | |
CN117788189A (zh) | 基于大数据分析的企业服务业务的智能催收系统及方法 | |
CN116883068A (zh) | 一种客户流失预警方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |