CN113822477A - 快件拦截处理方法、装置、设备及存储介质 - Google Patents
快件拦截处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113822477A CN113822477A CN202111091204.7A CN202111091204A CN113822477A CN 113822477 A CN113822477 A CN 113822477A CN 202111091204 A CN202111091204 A CN 202111091204A CN 113822477 A CN113822477 A CN 113822477A
- Authority
- CN
- China
- Prior art keywords
- interception
- site
- express
- information
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G06Q10/0837—Return transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了一种快件拦截处理方法、装置、设备及存储介质。方法包括:获取待拦截快件的信息表,所述待拦截快件的信息表用于指示所述待拦截快件的物流轨迹信息;将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点;对所述目标拦截站点进行类型匹配,确定与所述目标拦截站点匹配的目标站点类型;将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述目标站点类型对所述目标拦截站点的快件拦截信息进行更新,得到目标拦截信息。本发明还涉及区块链技术,待拦截快件的信息表可存储于区块链中。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种快件拦截处理方法、装置、设备及存储介质。
背景技术
随着互联网技术的不断发展,越来越多的人逐渐将网购作为平时日常生活的主要购物方式,进而促进了物流行业的发展,物流是物品从供应地向接收地的流动过程中,根据实际需要,将运输、储存、装卸、搬运、包装、流通加工、配送、信息处理等功能有机结合起来实现用户要求的过程。互联网的发展使得网络购物成为人们生活的一部分,例如快递、外卖、跑腿、到家等配送上门的服务更是使人可以足不出户而享受到各种便利。
在快件从寄件地址运送到收件地址的过程中,如果发生寄件物品错误或者用户中途想要取消快件投递的情况,就需要及时拦截快件,如果不拦截成功就难以满足消费者的需求,降低了消费者的用户体验,但是由于数据庞大,在物流运输过程中会经过始发网点、分拨中心和末端网点,业务人员无法直观地知道需要返款的站点,从而无法及时获取快件拦截站点以进行快件拦截。
发明内容
本发明的主要目的在于解决获取快件拦截站点时效率较低的问题。
本发明第一方面提供了一种快件拦截处理方法,包括:获取待拦截快件的信息表,所述待拦截快件的信息表用于指示所述待拦截快件的物流轨迹信息;将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定拦截站点;对所述拦截站点进行类型匹配,确定与所述拦截站点匹配的站点类型;将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述与所述拦截站点匹配的站点类型对所述拦截站点进行返款处理。
可选的,在本发明第一方面的第一种实现方式中,在所述获取待拦截快件的信息表之前,还包括:从预置业务系统获取隐私脱敏后的历史数据,所述历史数据是指已成功拦截快件的历史物流轨迹信息;对所述历史数据进行数据转换,得到时序数据;对所述时序数据进行标准化处理,得到训练样本;将训练样本输入预置的差分整合移动平均自回归模型进行模型训练,得到拦截站点分配模型。
可选的,在本发明第一方面的第二种实现方式中,所述对所述历史数据进行数据转换,得到时序数据包括:对所述历史数据进行属性提取,得到属性信息数据;将所述属性信息数据进行数据清洗,得到标准属性信息数据;将所述标准属性信息数据进行数据聚合,得到数据标量值;调用数据转换函数将所述数据标量值进行数据转换,生成时序数据。
可选的,在本发明第一方面的第三种实现方式中,所述对所述时序数据进行标准化处理,得到训练样本包括:判断所述时序数据是否为平稳时间序列;若是,则将所述时序数据作为训练样本;若否,则对所述时序数据进行时间序列的差分,使所述时序数据成为平稳时间序列并作为训练样本。
可选的,在本发明第一方面的第四种实现方式中,所述将训练样本输入预置的差分整合移动平均自回归模型进行模型训练,得到拦截站点分配模型包括:获取与所述训练样本对应的预设标签;将所述训练样本对应的预设标签输入到预置的差分整合移动平均自回归模型中进行基础训练,得到基础分配模型;对所述基础分配模型对所述训练样本对应的训练样本权重进行迭代更新,直至满足预设终止条件,得到更新后的基础分配模型并作为所述拦截站点分配模型。
可选的,在本发明第一方面的第五种实现方式中,所述将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点包括:将所述物流轨迹信息输入预置拦截站点分配模型进行分析,获取所述待拦截快件的地址信息;利用所述地址信息分别获取始端物流中心站点编码、末端物流中心站点编码;通过所述始端物流中心站点编码、所述末端物流中心站点编码及所述预置拦截站点分配模型进行分配计算,得到从所述始端物流中心至所述末端物流中心之间的运行轨迹及途径的物流站点信息;通过所述途径的物流站点信息进行拦截站点识别,确定所述待拦截快件将要经过的下一个物流站点并作为所述目标拦截站点。
可选的,在本发明第一方面的第六种实现方式中,在所述将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述目标站点类型对所述目标拦截站点的快件拦截信息进行更新,得到目标拦截信息之后,还包括:将所述目标拦截站点的信息及所述目标拦截信息合并为拦截快件数据文件,并通过所述拦截快件数据文件生成拦截站点统计报表;通过所述拦截站点统计报表及与所述拦截站点匹配的站点类型对所述拦截站点进行返款处理。
本发明第二方面提供了一种快件拦截处理装置,包括:第一获取模块,用于获取待拦截快件的信息表,所述待拦截快件的信息表用于指示所述待拦截快件的物流轨迹信息;站点分配模块,用于将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定拦截站点;类型匹配模块,用于对所述拦截站点进行类型匹配,确定与所述拦截站点匹配的站点类型;第一处理模块,用于将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述与所述拦截站点匹配的站点类型对所述拦截站点进行返款处理。
可选的,在本发明第二方面的第一种实现方式中,所述快件拦截处理装置还包括:第二获取模块,用于从预置业务系统获取隐私脱敏后的历史数据,所述历史数据是指已成功拦截快件的历史物流轨迹信息;数据转换模块,用于对所述历史数据进行数据转换,得到时序数据;第二处理模块,用于对所述时序数据进行标准化处理,得到训练样本;模型训练模块,用于将训练样本输入预置的差分整合移动平均自回归模型进行模型训练,得到拦截站点分配模型。
可选的,在本发明第二方面的第二种实现方式中,所述数据转换模块具体用于:对所述历史数据进行属性提取,得到属性信息数据;将所述属性信息数据进行数据清洗,得到标准属性信息数据;将所述标准属性信息数据进行数据聚合,得到数据标量值;调用数据转换函数将所述数据标量值进行数据转换,生成时序数据。
可选的,在本发明第二方面的第三种实现方式中,所述第二处理模块具体用于:判断所述时序数据是否为平稳时间序列;若是,则将所述时序数据作为训练样本;若否,则对所述时序数据进行时间序列的差分,使所述时序数据成为平稳时间序列并作为训练样本。
可选的,在本发明第二方面的第四种实现方式中,所述模型训练模块具体用于:获取与所述训练样本对应的预设标签;将所述训练样本对应的预设标签输入到预置的差分整合移动平均自回归模型中进行基础训练,得到基础分配模型;对所述基础分配模型对所述训练样本对应的训练样本权重进行迭代更新,直至满足预设终止条件,得到更新后的基础分配模型并作为所述拦截站点分配模型。
可选的,在本发明第二方面的第五种实现方式中,所述站点分配模块具体用于:将所述物流轨迹信息输入预置拦截站点分配模型进行分析,获取所述待拦截快件的地址信息;利用所述地址信息分别获取始端物流中心站点编码、末端物流中心站点编码;通过所述始端物流中心站点编码、所述末端物流中心站点编码及所述预置拦截站点分配模型进行分配计算,得到从所述始端物流中心至所述末端物流中心之间的运行轨迹及途径的物流站点信息;通过所述途径的物流站点信息进行拦截站点识别,确定所述待拦截快件将要经过的下一个物流站点并作为所述目标拦截站点。
可选的,在本发明第二方面的第六种实现方式中,所述快件拦截装置还包括:信息合并模块,用于将所述待拦截快件的信息发送至所述拦截站点,并将所述目标拦截站点的信息及所述待拦截快件的信息合并为拦截快件数据文件,并通过所述拦截快件数据文件生成拦截站点统计报表;返款处理模块,用于通过所述拦截站点统计报表及与所述拦截站点匹配的站点类型对所述拦截站点进行返款处理。
本发明第三方面提供了一种快件拦截处理设备,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,以使得所述快件拦截处理设备执行上述的快件拦截处理方法。
本发明的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中存储有指令,当其在计算机上运行时,使得计算机执行上述的快件拦截处理方法。
本发明提供的技术方案中,获取待拦截快件的信息表,所述待拦截快件的信息表用于指示所述待拦截快件的物流轨迹信息;将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点;对所述目标拦截站点进行类型匹配,确定与所述目标拦截站点匹配的目标站点类型;将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述目标站点类型对所述目标拦截站点的快件拦截信息进行更新,得到目标拦截信息。本发明实施例中,服务器据此预测待拦截快件物流轨迹,获取待拦截问题快件将要经过的所有站点信息,服务器将据此预测待拦截快件物流轨迹,获取待拦截问题快件将要经过的所有站点信息,进而确定拦截站点,通过将轨迹物流信息输入预置拦截站点分配模型进行分析,能够快速的确定相应的拦截站点,可以提升拦截的时效性,及时进行快件拦截。
附图说明
图1为本发明实施例中快件拦截处理方法的一个实施例示意图;
图2为本发明实施例中快件拦截处理方法的另一个实施例示意图;
图3为本发明实施例中快件拦截处理装置的一个实施例示意图;
图4为本发明实施例中快件拦截处理装置的另一个实施例示意图;
图5为本发明实施例中快件拦截处理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件拦截处理方法、装置、设备及存储介质。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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中快件拦截处理方法的一个实施例包括:
101、获取待拦截快件的信息表,待拦截快件的信息表用于指示待拦截快件的物流轨迹信息;
可以理解的是,本发明的执行主体可以为快件拦截处理装置,还可以是服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是,待拦截快件的信息表可以包括快件的单号或者其他能够标识快件身份的信息。快件单号可以是数字、字母或者二者的组合,本发明申请中对获取待拦截快件的信息表的方式不作限定。具体的,服务器获取业务员终端或者客服中心终端上传的待拦截快件的快件信息,或者通过待拦截快件所对应的标识并获取待拦截快件的快件信息,其中,业务员终端是站点、网点业务员所使用的终端设备,其可以是手机、平板电脑、计算机或其他智能终端设备。客服中心终端是客服中心人员所使用的终端设备,其可以是手机、平板电脑、计算机或其他智能终端设备。标识可以是二维码或者条形码。对于待拦截的问题快件,其快件信息的获取方式可以通过用户上传、站点业务员上传、客服中心工作人员上传,还可以通过快件标识的方式来获取待拦截快件的快件信息,需要强调的是,为进一步保证上述待拦截快件的信息表的私密和安全性,上述待拦截快件的信息表还可以存储于一区块链的节点中。
102、将物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点;
具体的,服务器将物流轨迹信息输入预置拦截站点分配模型,从而将所得始末端分拨中心站点编码和运输工具数据进行匹配计算,可以得出快件对应始末端分拨中心之间所有运输工具的运行轨迹及所经过站点,服务器据此预测待拦截快件物流轨迹,获取待拦截问题快件将要经过的所有站点信息,服务器将据此预测待拦截快件物流轨迹,获取待拦截问题快件将要经过的所有站点信息,进而确定拦截站点。
103、对目标拦截站点进行类型匹配,确定与目标拦截站点匹配的目标站点类型;
需要说明的是,该站点类型主要包括始末端分拨中心站点,其中,非始末端分拨中心站点主要是指在快件运输过程中有可能经过的中转站点,这样,根据站点信息将拦截信息进行分类,预测站点待拦截的快件,按站点生成相应的拦截提示信息,根据站点下发相应的拦截提示信息,提前下发拦截提醒至站点,每个站点实时获取本站点待拦截的快件,便于站点及时开展拦截工作,进而服务器对对拦截站点进行类型匹配,确定与拦截站点匹配的站点类型。
104、将待拦截快件的信息发送至目标拦截站点以进行快件拦截处理,并通过目标站点类型对目标拦截站点的快件拦截信息进行更新,得到目标拦截信息。
需要说明的是,服务器将该待拦截快件的信息数据填充到拦截站点统计报表末班的数据页面中,并生成拦截站点统计报表,拦截站点统计报表的内容主要包括运单号、始发网点、操作拦截站点、创建日期,拦截状态、是否打单、操作打单站点;通过拦截站点统计报表便于业务人员进行统计,需要说明的是,目标站点类型主要包括始发站点、中转站点及末端网点,通过该目标站点类型对快件拦截信息中的快件拦截站点进行更新替换,目的是为了后续在进行报表统计中分析拦截成功的网点类型比例,并设置相应的返款比例,本发明申请中,服务器对拦截成功的站点进行返款,始发网点拦截类型里的返款给始发站点,非始发网点拦截类型返款给对应的打单站点。具体的,服务器将待拦截快件的信息发送至拦截站点以进行快件拦截处理,并通过与拦截站点匹配的站点类型对拦截站点进行返款处理。
本发明实施例中,服务器将物流轨迹信息输入预置拦截站点分配模型,从而将所得始末端分拨中心站点编码和运输工具数据进行匹配计算,可以得出快件对应始末端分拨中心之间所有运输工具的运行轨迹及所经过站点,服务器据此预测待拦截快件物流轨迹,获取待拦截问题快件将要经过的所有站点信息,服务器将据此预测待拦截快件物流轨迹,获取待拦截问题快件将要经过的所有站点信息,进而确定拦截站点,通过将轨迹物流信息输入预置拦截站点分配模型进行分析,能够快速的确定相应的拦截站点,可以提升拦截的时效性,及时进行快件拦截。
请参阅图2,本发明实施例中快件拦截处理方法的另一个实施例包括:
201、获取待拦截快件的信息表,待拦截快件的信息表用于指示待拦截快件的物流轨迹信息;
具体的,在本实施例中,步骤201的具体实施方式与上述步骤101类似,此处不再赘述。
202、从预置业务系统获取隐私脱敏后的历史数据,历史数据是指已成功拦截快件的历史物流轨迹信息;
具体的,在实际应用中,上述预置业务系统可以包括与淘宝、天猫、支付宝、阿里云等应用,服务器从对应的业务系统中获取线上隐私脱敏后的历史数据及线下隐私脱敏后的历史数据,以便于后续进行使用。
203、对历史数据进行数据转换,得到时序数据;
具体的,服务器对历史数据进行属性提取,得到属性信息数据;将属性信息数据进行数据清洗,得到标准属性信息数据;将标准属性信息数据进行数据聚合,得到数据标量值;调用数据转换函数将数据标量值进行数据转换,生成时序数据。
其中,服务器获取历史数据,将历史数据进行属性提取,主要包括通过数据提取、数据清洗和数据聚合将各种不同类型的数据转换成算法可以输入的数据类型。首先通过提取历史数据的多种数据源属性,得到历史数据的属性信息数据,再将属性信息数据进行数据清洗,得到标准属性信息数据,标准属性信息数据进行数据聚合,得到数据标量值。本实施例中,通过提取历史数据的日志文本属性,网络信息传输数据,数据库相关的调用读取信息,服务器资源使用信息等数据源属性文本类型,将具有关联性的特征数据进行转换以生成时序数据。
204、对时序数据进行标准化处理,得到训练样本;
具体的,服务器判断时序数据是否为平稳时间序列;若是,则将时序数据作为训练样本;若否,则对时序数据进行时间序列的差分,使时序数据成为平稳时间序列并作为训练样本。
其中,具体实施时还包括服务器对时序数据进行数据缩放、数据标准化、数据归一化处理,这些处理方法都是将数据按比例缩放,使之落入特定区间,在数据训练过程中便于收敛,本发明中,对数据取了对数,缩小数据的绝对数值,方便计算,取对数后,不会改变数据的性质和相关关系,但缩小了变量的尺度,使得数据更加平稳,也消弱了模型的共线性、方差性等。本步骤中,服务器通过单位根检验方法记性判断时序数据是否为平稳时间序列,若是,则将时序数据作为训练样本;若否,则对时序数据进行时间序列的差分,使时序数据成为平稳时间序列并作为训练样本。
205、将训练样本输入预置的差分整合移动平均自回归模型进行模型训练,得到拦截站点分配模型;
具体的,服务器获取与训练样本对应的预设标签;将训练样本对应的预设标签输入到预置的差分整合移动平均自回归模型中进行基础训练,得到基础分配模型;对基础分配模型对训练样本对应的训练样本权重进行迭代更新,直至满足预设终止条件,得到更新后的基础分配模型并作为拦截站点分配模型。
其中,服务器采用基于差分整合移动平均自回归模型进行网格搜索来确定参数p,d,q的值,其中,p为自回归项数,q为滑动平均项数,d为使时序数据成为平稳时间序列所做的差分次数,服务器遍历p和q的值,取其为最小值时对应的p和q的值。根据p,d,q的值构建差分整合移动平均自回归模型。参数p,d,q用于参数化差分整合移动平均自回归模型,其中,p为自回归项数,q为滑动平均项数,d为能够使得时序数据成为平稳时间序列所做的差分次数,差分整合移动平均自回归模型对时间序列的要求是平稳型,本实施例中,服务器可以将训练样本对应的预设标签输入到差分整合移动平均自回归模型进行预测,得到预测结果,根据该预测结果计算损失,根据损失反向更新预训练预测模型并返回将训练样本对应的预设标签输入到预训练预测模型中进行预测的步骤迭代执行,直到当达到基础训练完成条件时,将达到基础训练完成条件的预测模型作为基础预测模型。其中,基础训练完成条件是指得到基础预测模型的条件,包括训练达到预先设置好的迭代次数上限或者损失达到预先设置好的阈值,或者模型的参数不再发生变化等等。
206、将物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点;
具体的,服务器将物流轨迹信息输入预置拦截站点分配模型进行分析,获取待拦截快件的地址信息;利用地址信息分别获取始端物流中心站点编码、末端物流中心站点编码;通过始端物流中心站点编码、末端物流中心站点编码及预置拦截站点分配模型进行分配计算,得到从始端物流中心至末端物流中心之间的运行轨迹及途径的物流站点信息;通过途径的物流站点信息进行拦截站点识别,得到拦截站点。
其中,服务器将物流轨迹信息输入预置拦截站点分配模型进行分析,获取快件信息获取待拦截快件的寄件地址、收件地址寄件地址例如是A市B区C路39号,收件地址例如是D市E区F路65号。服务器利用寄件地址、该收件地址分别获取始端分拨中心站点编码、末端分拨中心站点编码。例如可以将寄件地址、收件地址的详细地址信息代入地址归集大数据进行计算,利用地址归集大数据和北斗路由信息大数据的交叉计算获取始末端对应的分拨中心及其站点编码,其中,该地址归集大数据是对海量的地址大数据进行归集后得到的地址归集模型。北斗路由信息大数据是对交通路径数据进行归类整理后得到的路径模型。具体的,服务器利用寄件地址、收件地址分别获取始端分拨中心及其站点编码、末端分拨中心及其站点编码。服务器利用始端分拨中心站点编码、末端分拨中心站点编码和运输工具数据进行匹配计算,获取从始端分拨中心至末端分拨中心之间所有运输工具的运行轨迹及其经过的分拨中心。服务器将所得始末端分拨中心站点编码和每天所有运输工具数据进行匹配计算,可以得出快件对应始末端分拨中心之间所有运输工具的运行轨迹及所经过站点,据此预测待拦截快件物流轨迹,获取待拦截问题快件将要经过的所有站点信息。服务器利用所获取的分拨中心预测待拦截快件将要经过的分拨中心。可以预测快件将要经过的最近一个或多个分拨中心。服务器生成包含快件信息的拦截提示信息并实时发送到预测到的分拨中心,进而服务器确定对应的拦截站点。
207、对目标拦截站点进行类型匹配,确定与目标拦截站点匹配的目标站点类型;
具体的,在本实施例中,步骤207的具体实施方式与上述步骤103类似,此处不再赘述。
208、将待拦截快件的信息发送至目标拦截站点以进行快件拦截处理,并通过目标站点类型对目标拦截站点的快件拦截信息进行更新,得到目标拦截信息。
需要说明的是,该快件拦截信息是指在目标拦截站点进行拦截的快件信息,主要包括拦截快件的数量、拦截快件的类型以及拦截快件的价格信息。具体的,服务器将该待拦截快件的信息发送至目标拦截站点以进行快件拦截处理,并通过目标站点类型对目标拦截站点的快件拦截信息进行更新,得到目标拦截信息。
进一步的,在通过目标站点类型对目标拦截站点的快件拦截信息进行更新,得到目标拦截信息之后,还可以包括:服务器将目标拦截站点的信息及目标拦截信息合并为拦截快件数据文件,并通过拦截快件数据文件生成拦截站点统计报表;服务器通过拦截站点统计报表及与拦截站点匹配的站点类型对拦截站点进行返款处理。
其中,服务器将待拦截快件的信息传输至拦截站点统计报表末班的数据页面中,并生成拦截站点统计报表,拦截站点统计报表的内容主要包括运单号、始发网点、操作拦截站点、创建日期,拦截状态、是否打单、操作打单站点;通过拦截站点统计报表便于业务人员进行统计,服务器进而给拦截成功的站点进行返款奖励,始发网点拦截类型里的返款给始发站点,非始发网点拦截类型返款给对应的打单站点,进一步的,在返款奖励中,当该拦截快件为退货订单时,确定该拦截快件订单不属于常规返款奖励类型,根据退货地址与当前站点地址进行距离计算,确定退货距离并根据预设转换系数计算得到对应的返款奖励扣除比例,对奖励金额进行相应比例的扣除,若该拦截快件的状态为修改配送地址时,则在生成新的目标送货地址之后,执行针对该拦截快件的返款奖励操作,具体的,还应该考虑待拦截快件对应的时间点是否超出时间阈值,当超出时间阈值时,则不进行返款奖励,若待拦截快件对应的时间点未超出时间阈值,则确定待拦截快件订单可以进行返款奖励。
本发明实施例中,服务器对时序数据进行数据缩放、数据标准化、数据归一化处理,这些处理方法都是将数据按比例缩放,使之落入特定区间,在数据训练过程中便于收敛,本发明中,对数据取了对数,缩小数据的绝对数值,方便计算,取对数后,不会改变数据的性质和相关关系,但缩小了变量的尺度,使得数据更加平稳,也消弱了模型的共线性、方差性等,服务器通过单位根检验方法记性判断时序数据是否为平稳时间序列,若是,则将时序数据作为训练样本;若否,则对时序数据进行时间序列的差分,使时序数据成为平稳时间序列并作为训练样本,本实施例中针对样本数据进行标准化处理,可以保证训练后模型针对拦截站点的准确性,进而为保障拦截站点的时效性提供基础。
请参阅图3,本发明实施例中快件拦截处理装置的一个实施例包括:
第一获取模块3001,用于获取待拦截快件的信息表,所述待拦截快件的信息表用于指示所述待拦截快件的物流轨迹信息;
站点分配模块3002,用于将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点;
类型匹配模块3003,用于对所述目标拦截站点进行类型匹配,确定与所述目标拦截站点匹配的目标站点类型;
第一处理模块3004,用于将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述目标站点类型对所述目标拦截站点的快件拦截信息进行更新,得到目标拦截信息。
请参阅图4,本发明实施例中快件拦截处理装置的另一个实施例包括:
第一获取模块301,用于获取待拦截快件的信息表,所述待拦截快件的信息表用于指示所述待拦截快件的物流轨迹信息;
站点分配模块3002,用于将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点;
类型匹配模块3003,用于对所述目标拦截站点进行类型匹配,确定与所述目标拦截站点匹配的目标站点类型;
第一处理模块3004,用于将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述目标站点类型对所述目标拦截站点的快件拦截信息进行更新,得到目标拦截信息。
可选的,所述快件拦截处理装置还包括:
第二获取模块3005,用于从预置业务系统获取隐私脱敏后的历史数据,所述历史数据是指已成功拦截快件的历史物流轨迹信息;
数据转换模块3006,用于对所述历史数据进行数据转换,得到时序数据;
第二处理模块3007,用于对所述时序数据进行标准化处理,得到训练样本;
模型训练模块3008,用于将训练样本输入预置的差分整合移动平均自回归模型进行模型训练,得到拦截站点分配模型。
可选的,所述数据转换模块3006具体用于:对所述历史数据进行属性提取,得到属性信息数据;将所述属性信息数据进行数据清洗,得到标准属性信息数据;将所述标准属性信息数据进行数据聚合,得到数据标量值;调用数据转换函数将所述数据标量值进行数据转换,生成时序数据。
可选的,所述第二处理模块3007具体用于:判断所述时序数据是否为平稳时间序列;若是,则将所述时序数据作为训练样本;若否,则对所述时序数据进行时间序列的差分,使所述时序数据成为平稳时间序列并作为训练样本。
可选的,所述模型训练模块3008具体用于:获取与所述训练样本对应的预设标签;将所述训练样本对应的预设标签输入到预置的差分整合移动平均自回归模型中进行基础训练,得到基础分配模型;对所述基础分配模型对所述训练样本对应的训练样本权重进行迭代更新,直至满足预设终止条件,得到更新后的基础分配模型并作为所述拦截站点分配模型。
可选的,所述站点分配模块3002具体用于:将所述物流轨迹信息输入预置拦截站点分配模型进行分析,获取所述待拦截快件的地址信息;利用所述地址信息分别获取始端物流中心站点编码、末端物流中心站点编码;通过所述始端物流中心站点编码、所述末端物流中心站点编码及所述预置拦截站点分配模型进行分配计算,得到从所述始端物流中心至所述末端物流中心之间的运行轨迹及途径的物流站点信息;通过所述途径的物流站点信息进行拦截站点识别,确定所述待拦截快件将要经过的下一个物流站点并作为所述目标拦截站点。
可选的,所述快件拦截装置还包括:
信息合并模块3009,用于将所述目标拦截站点的信息及所述目标拦截信息合并为拦截快件数据文件,并通过所述拦截快件数据文件生成拦截站点统计报表;
返款处理模块3010,用于通过所述拦截站点统计报表及与所述拦截站点匹配的站点类型对所述拦截站点进行返款处理。
图5是本发明实施例提供的一种快件拦截处理设备的结构示意图,该快件拦截处理设备500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)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530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件拦截处理设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在快件拦截处理设备500上执行存储介质530中的一系列指令操作。
快件拦截处理设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS,Uni,Linu,FreeBSD等等。本领域技术人员可以理解,图5示出的快件拦截处理设备结构并不构成对快件拦截处理设备的限定,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。
本发明还提供一种快件拦截处理设备,所述快件拦截处理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述快件拦截处理方法的步骤。
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件拦截处理方法的步骤。
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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
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。
Claims (10)
1.一种快件拦截处理方法,其特征在于,所述快件拦截处理方法包括:
获取待拦截快件的信息表,所述待拦截快件的信息表用于指示所述待拦截快件的物流轨迹信息;
将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点;
对所述目标拦截站点进行类型匹配,确定与所述目标拦截站点匹配的目标站点类型;
将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述目标站点类型对所述目标拦截站点的快件拦截信息进行更新,得到目标拦截信息。
2.根据权利要求1所述的快件拦截处理方法,其特征在于,在所述获取待拦截快件的信息表之前,还包括:
从预置业务系统获取隐私脱敏后的历史数据,所述历史数据是指已成功拦截快件的历史物流轨迹信息;
对所述历史数据进行数据转换,得到时序数据;
对所述时序数据进行标准化处理,得到训练样本;
将训练样本输入预置的差分整合移动平均自回归模型进行模型训练,得到拦截站点分配模型。
3.根据权利要求2所述的快件拦截处理方法,其特征在于,所述对所述历史数据进行数据转换,得到时序数据包括:
对所述历史数据进行属性提取,得到属性信息数据;
将所述属性信息数据进行数据清洗,得到标准属性信息数据;
将所述标准属性信息数据进行数据聚合,得到数据标量值;
调用数据转换函数将所述数据标量值进行数据转换,生成时序数据。
4.根据权利要求2所述的快件拦截处理方法,其特征在于,所述对所述时序数据进行标准化处理,得到训练样本包括:
判断所述时序数据是否为平稳时间序列;
若是,则将所述时序数据作为训练样本;
若否,则对所述时序数据进行时间序列的差分,使所述时序数据成为平稳时间序列并作为训练样本。
5.根据权利要求2所述的快件拦截处理方法,其特征在于,所述将训练样本输入预置的差分整合移动平均自回归模型进行模型训练,得到拦截站点分配模型包括:
获取与所述训练样本对应的预设标签;
将所述训练样本对应的预设标签输入到预置的差分整合移动平均自回归模型中进行基础训练,得到基础分配模型;
对所述基础分配模型对所述训练样本对应的训练样本权重进行迭代更新,直至满足预设终止条件,得到更新后的基础分配模型并作为所述拦截站点分配模型。
6.根据权利要求1所述的快件拦截处理方法,其特征在于,所述将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定目标拦截站点包括:
将所述物流轨迹信息输入预置拦截站点分配模型进行分析,获取所述待拦截快件的地址信息;
利用所述地址信息分别获取始端物流中心站点编码、末端物流中心站点编码;
通过所述始端物流中心站点编码、所述末端物流中心站点编码及所述预置拦截站点分配模型进行分配计算,得到从所述始端物流中心至所述末端物流中心之间的运行轨迹及途径的物流站点信息;
通过所述途径的物流站点信息进行拦截站点识别,确定所述待拦截快件将要经过的下一个物流站点并作为所述目标拦截站点。
7.根据权利要求1-6中任一项所述的快件拦截处理方法,其特征在于,在所述将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述目标站点类型对所述目标拦截站点的快件拦截信息进行更新,得到目标拦截信息之后,还包括:
将所述目标拦截站点的信息及所述目标拦截信息合并为拦截快件数据文件,并通过所述拦截快件数据文件生成拦截站点统计报表;
通过所述拦截站点统计报表及与所述拦截站点匹配的站点类型对所述拦截站点进行返款处理。
8.一种快件拦截处理装置,其特征在于,所述快件拦截处理装置包括:
第一获取模块,用于获取待拦截快件的信息表,所述待拦截快件的信息表用于指示所述待拦截快件的物流轨迹信息;
站点分配模块,用于将所述物流轨迹信息输入预置拦截站点分配模型进行拦截站点分配,确定拦截站点;
类型匹配模块,用于对所述拦截站点进行类型匹配,确定与所述拦截站点匹配的站点类型;
第一处理模块,用于将所述待拦截快件的信息发送至所述目标拦截站点以进行快件拦截处理,并通过所述与所述拦截站点匹配的站点类型对所述拦截站点进行返款处理。
9.一种快件拦截处理设备,其特征在于,所述快件拦截处理设备包括: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,以使得所述快件拦截处理设备执行如权利要求1-7中任意一项所述的快件拦截处理方法。
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中任一项所述快件拦截处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091204.7A CN113822477A (zh) | 2021-09-17 | 2021-09-17 | 快件拦截处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091204.7A CN113822477A (zh) | 2021-09-17 | 2021-09-17 | 快件拦截处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822477A true CN113822477A (zh) | 2021-12-21 |
Family
ID=78922286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111091204.7A Pending CN113822477A (zh) | 2021-09-17 | 2021-09-17 | 快件拦截处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822477A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630089A (zh) * | 2022-11-09 | 2023-01-20 | 上海东普信息科技有限公司 | 物流问题件匹配方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-17 CN CN202111091204.7A patent/CN113822477A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630089A (zh) * | 2022-11-09 | 2023-01-20 | 上海东普信息科技有限公司 | 物流问题件匹配方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284948A (zh) | 物流对象选择方法、物流对象选择装置和电子装置 | |
CN109255564B (zh) | 一种取件点地址推荐方法及装置 | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
CN109214719A (zh) | 一种基于人工智能的营销稽查分析的系统和方法 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
Browne | Artificial intelligence data-driven internet of things systems, real-time process monitoring, and sustainable industrial value creation in smart networked factories | |
Beheshtinia et al. | A multi-objective and integrated model for supply chain scheduling optimization in a multi-site manufacturing system | |
CN109063935A (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN104834651A (zh) | 一种提供高频问题回答的方法和装置 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN112116168B (zh) | 一种用户行为的预测方法、装置及电子设备 | |
CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
CN113780956A (zh) | 物流运费生成方法、装置、设备及存储介质 | |
CN106250398A (zh) | 一种投诉事件的投诉内容分类判定方法及装置 | |
CN113822477A (zh) | 快件拦截处理方法、装置、设备及存储介质 | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN113537878A (zh) | 包裹派送方法、装置、设备及存储介质 | |
CN110619400A (zh) | 用于生成订单信息的方法和装置 | |
CN111222923B (zh) | 一种判断潜在客户的方法及装置、电子设备和存储介质 | |
CN111461630A (zh) | 派送快递包裹的监控方法、装置、设备及存储介质 | |
CN115471148A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115935076A (zh) | 基于人工智能的旅游服务信息推送方法及系统 | |
Bvuchete et al. | A case of healthcare supply chain visibility in South Africa |
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 |