CN114066055A - 一种在物流运输中车辆晚靠台预测的方法、装置和服务器 - Google Patents
一种在物流运输中车辆晚靠台预测的方法、装置和服务器 Download PDFInfo
- Publication number
- CN114066055A CN114066055A CN202111355286.1A CN202111355286A CN114066055A CN 114066055 A CN114066055 A CN 114066055A CN 202111355286 A CN202111355286 A CN 202111355286A CN 114066055 A CN114066055 A CN 114066055A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- vehicle
- transportation
- waybill
- 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 44
- 238000013459 approach Methods 0.000 title description 3
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims abstract description 24
- 239000000523 sample Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000004580 weight loss Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 101100261006 Salmonella typhi topB gene Proteins 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101150032437 top-3 gene Proteins 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种在物流运输中车辆晚靠台预测的方法、装置和服务器。该方法，包括：获取目标车辆本次的订单信息和运单信息；基于所述订单信息和运单信息，关联预先建立的数据仓库中相应的参与实体信息及运输历史行为表现统计数据，汇集得到指标数据；将所述指标数据输入已训练的LightGBM模型；所述LightGBM模型与所述预先建立的数据仓库存在关联，用于在模型训练时获得实体属性补充信息和运输历史行为表现统计数据；所述LightGBM模型输出晚靠台预测结果。本发明基于LightGBM模型，通过与数据仓库关联的训练，将运单、订单之外的信息也纳入到机器学习，最终能够低成本地实现对目标车辆晚靠台情况的准确预测。
Description
技术领域
本申请涉及物流信息处理技术领域，具体涉及一种在物流运输中车辆晚靠台预测的方法。
背景技术
在物流运输中，货运准时到达的重要性是显而易见的，如敏感的绿蔬、生鲜行业，运输时间的延长，直接意味着重大经济损失。
因此在派单与定价的环节是否可以对准时到达进行预测决策，就显得十分重要。进而预测工作的展开也有助于减少货运企业与货主减少经济损失，同时也为货运平台增加客户信用度。
目前，统计型探索式数据分析EDA对于运营车辆的管理起着至关重要的监督与决策作用，其中更加凭借经验对车辆晚靠台规律进行总结，从而影响预测决策，但该方法的作用是有限的，对个体运单的预测能力不足。而且物流运输因其低毛利的行业特点，对于中后台等人工成本管理十分敏感。
如果借鉴传统的的回归类预测模型，需要大量而繁琐的数据与特征处理环节，如降维变量筛选方面，对数据科学工作者的经验要求较高。这也在人力和时间方面为该项工作增加了成本。
通常中小型货物物流企业输入低毛利行业，风险高，运力流动性大，运力难管理，依靠中介，人工审核统计运营数据等现象，而运单晚靠台要承担违约的风险；同时，企业人力成本预算也是有限的。
因此，尤其中小型物流企业需要一种迭代成本较低、免于雇佣资深的职业分析人员的物流信息管理(晚靠台预测)的方案。
发明内容
基于此，针对上述技术问题，提供一种在物流运输中车辆晚靠台预测的方法、装置和服务器。
第一方面，一种在物流运输中车辆晚靠台预测的方法，包括：
获取目标车辆本次的订单信息和运单信息；
基于所述订单信息和运单信息，关联预先建立的数据仓库中相应的参与实体信息及运输历史行为表现统计数据，汇集得到指标数据；
将所述指标数据输入已训练的LightGBM模型；所述LightGBM模型与所述预先建立的数据仓库存在关联，用于在模型训练时获得实体属性补充信息和运输历史行为表现统计数据；
所述LightGBM模型输出晚靠台预测结果。
进一步地，所述LightGBM模型的构建及训练方法包括：
步骤1)通过运营平台的数据采集获得历史发生订单及运单相关数据；
步骤2)从货运业务角度进行数据清洗与分析探索，得到有效的订单信息和运单信息；
步骤3)根据所述有效的订单信息和运单信息，结合数据仓库中的实体(司机、车辆及承运商)维度数据和运输历史行为表现统计数据，汇集历史指标数据；
步骤4)对所述历史指标数据进行工程预处理，构建训练集；
步骤5)构建LightGBM模型，模型输入为训练集的指标数据，模型输出为晚靠台结果，训练模型带有监督数据指标，并自动迭代处理。
可选地，所述订单信息包括发车时间、运单创建时间、计划运达时间、收发货地、运输计划时长、货物种类、货物名称、货重和承运商名称；所述运单信息包括承运商名称、司机身份、车辆身份和装卸地磅重量。
可选地，步骤2)中所述数据清洗与分析探索，包括：
a.业务逻辑清洗：过滤已作废、未发布以及未完成的订单及运单；
b.基础信息不完整筛选：过滤基础信息不完整的订单及运单；所述基础信息包括司机、车辆和承运商信息；
c.数据质量清洗，包括过滤运单号不符合运单平台编码规则的运单、运单创建时间晚于运达时间的运单。
可选地，步骤3)中，结合数据仓库中的实体维度数据和运输历史行为表现统计数据，汇集历史指标数据，具体包括：
A.关联数据仓库获得实体属性补充信息，得到以下具体的基础信息：
司机信息：性别、年龄、常驻地、运输从业年限、驾龄和从业资格证类型；
车辆信息：车型、吨位、车高、车籍地和车辆运输证类型；
承运商信息：承运商和平台注册年限；
B.关联相关历史行为，得到以下运输历史行为表现统计数据：
司机：运费、运输重量、运单次数、高频次收货地、高频次发货地、高频次运输货物、运输货物类别和网货监管上传司机信息成功次数；
车辆：晚靠台次数、晚靠台百分比、车辆里程、装卸货重损失率和网货监管上传车辆信息成功次数；
承运商：货运重量、运费、网货上传运单与流水单成功次数和经营许可证类型。
可选地，步骤4)中对所述历史指标数据进行工程预处理，具体包括：
4.1)训练样本正负样本比例观测：
根据多次历史数据统计，收录晚靠台发生率较高且样本正负较均衡的样本；若出现发生晚靠台样本比例过低，则找寻违约成本较低类型订单进行下探策略补充样本，或者采用SMOTE方法构造样本；
4.2)数据离散化处理：
对于连续数据，分段离散化处理；
对于文本数据，转换为数值型数据；
运用sklearn.preprocessing算法包进行数据预处理，文本运用独热编码。
可选地，步骤5)中，模型输出的晚靠台结果为1或0，1代表晚靠台，0代表正常时间内靠台。
第二方面，一种在物流运输中车辆晚靠台预测的装置，包括以下程序模块：
目标信息获取模块，用于获取目标车辆本次的订单信息和运单信息；
指标数据提取模块，基于所述订单信息和运单信息，关联预先建立的数据仓库中相应的参与实体信息及运输历史行为表现统计数据，汇集得到指标数据；
数据处理模块，用于将所述指标数据输入已训练的LightGBM模型，LightGBM模型输出晚靠台预测结果；所述LightGBM模型与所述预先建立的数据仓库存在关联，用于在模型训练时获得实体属性补充信息和运输历史行为表现统计数据。
第三方面，一种用于车辆晚靠台预测的服务器，包括存储器和处理器，所述存储器存储有计算机程序，其特殊之处在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，其特殊之处在于，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明至少具有以下有益效果：
本发明基于LightGBM模型，通过与数据仓库关联的训练，将运单、订单之外的信息也纳入到机器学习，最终能够低成本地实现对目标车辆晚靠台情况的准确预测。
本发明为物流行业在科技信息化发展舔砖加瓦，是一种精细化数据管理在企业运营中的实践，对中小型物流运输平台的运营提质增效与精细化管理，起到一定促进作用。
本发明的应用可从风险管控的角度，定量地分析违约风险，一定程度预先揭示风险，警示管理人员做出应对措施，从而助力降低风险。
本发明能够帮助降低运单问题的人工审核与统计的工作量，同时也助于对优良运力的筛查的自动化工作。
附图说明
图1为本发明一个实施例提供的一种在物流运输中车辆晚靠台预测的方法的流程示意图；
图2为本发明一个实施例基于LightGBM模型实现软件部署的实际工作流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的在物流运输中车辆晚靠台预测的方法，可以提供给网络货运平台、物流园区、物流运输企业等用于预测车辆是否晚靠台。
在车队、承运管理中，事后的描述与分析类信息处理方法，如趋势、对比、下钻等，可以根据不同颗粒度反应晚靠台情况，可以下钻至数据维度标签如运单、司机、车辆等维度，但是对于事后的经营总结与预测方法，更多的是依靠固定策略管理，其作用是有限的，无法准确到运单级别预判。
传统回归模型，如逻辑回归，基于最大熵原理，即追求最小分类误差，对数据分布需要假设条件同时也为避免共线性等问题，需要维度约减等特征处理。如需要对名义变量进行权重编码等一系列分箱处理。
在本发明一个实施例中，如图1所示，提供了一种在物流运输中车辆晚靠台预测的方法，包括以下步骤：
S1：获取目标车辆本次的订单信息和运单信息；
S2：基于订单信息和运单信息，关联预先建立的数据仓库中相应的参与实体信息及运输历史行为表现统计数据，汇集得到指标数据；
S3：将指标数据输入已训练的LightGBM模型；LightGBM模型与所述预先建立的数据仓库存在关联，用于在模型训练时获得实体属性补充信息和运输历史行为表现统计数据；
S4：LightGBM模型输出晚靠台预测结果。
基于GBDT梯度下降树的lightgbm的处理工艺更加偏向于自动化，通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，能够识别特征的重要性，所以这类模型对于高密度信息标签的特征工程的处理可以一定程度上简化处理流程，一定程度简化大量而繁琐的变量筛选。
本发明基于LightGBM模型，通过与数据仓库关联的训练，将运单、订单之外的信息也纳入到机器学习，最终实现对目标车辆晚靠台情况的准确预测。具体来说：
科学化：相较于单纯统计运输时间，结合货运主体和事件数据标签的预测模型，增加了预测的科学性。
工序：相较于传统逻辑回归方法，在数据处理与变量筛选环节，可以节省工序与人力。
可实践性：LightGBM模型具有低内存使用、支持并行化学习以及支持类别型特征的优势。
在一个实施例中，如图2所示，基于LightGBM模型实现软件部署的实际工作流程具体如下：
步骤1：数据采集(通过运营平台的数据采集获得历史发生订单运单相关数据)
历史运单过去6个整月数据(MTH，M1-M6)获取，运输运单，订单数据，主要分为：
订单信息：发车时间、运单创建时间、计划运达时间、收发货地、运输计划时长、货物种类、货物名称、货重、承运商(系统ID)；
运单信息：承运商信息、司机(系统ID)、车辆(系统ID)、装卸地磅重量；
步骤2:数据清洗与分析探索，货运业务角度筛选数据，如：
业务逻辑清洗：过滤已作废、未发布、未完成；
基础信息不完整筛选:如未登记司机、车辆、承运商信息；
数据质量清洗：运单号不符合运单平台编码规则等(疑似手工修改录入)、运单创建时间晚于运达时间运单。
步骤3：数据汇聚(结合数据仓库中实体维度数据以及运输历史行为表现统计等数据，汇集历史信息)
3.1关联数据仓库获得实体属性补充信息
主要基础信息：
司机：性别、年龄、常驻地、运输从业年限、驾龄，从业资格证类型(电子证照、IC卡、纸质)；
车辆：车型、吨位、车高、车籍地、车辆运输证类型(电子证照、IC卡、纸质)；
承运商：承运商、平台注册年限；
3.2关联相关历史行为
M1-M3历史表现指标(时间统计口径季度、月、周)：
司机：运费、运输重量、运单次数、top3常跑收货地(三级省市区)、top3常跑发货地(三级省市区)、top3运输货物，运输货物类别、网货监管上传司机信息成功次数；
车辆：晚靠台次数、晚靠台百分比、车辆里程、装卸货重损失率、网货监管上传车辆信息成功次数；
承运商：货运重量、运费、网货上传运单与流水单成功次数、经营许可证类型(电子证照、IC卡、纸质)。
步骤4：构建训练集
通过数据工程处理加工，获取相关的模型输入指标：
4.1训练样本正负样本比例观测：
根据多次历史数据统计，收录晚靠台发生率较高且样本正负较均衡，并未刻意构建采样点。
如出现发生晚靠台样本比例过低，可找寻违约成本较低类型订单进行下探策略补充样本，或者采用SMOTE方法构造样本。
4.2数据离散化处理：
连续数据，分段离散化处理，如司机年龄每10年分段处理。
文本数据，如车辆颜色结果国标转换JT/T 697.7-2014转换数值型数据。
数据预处理，运用sklearn.preprocessing算法包进行处理，如数值最大最小变换归一化处理，文本运用独热编码。
步骤5：构建模型
训练模型：输入LightGBM模型，晚靠台结果为Y,其余指标为X，训练模型，训练模型带有监督数据指标，对于运单是否发生过晚靠台标注1和0。模型会自动迭代处理，得出最优AUC。
测试模型：将测试集M4-M6月份数据输入训练模型，获得ROC结果。
步骤6：部署应用，预测运单晚靠台率。
采集最新发布运单(订单状态：执行中；运单状态：运输中)，对运单数据输出晚靠台预测结果。1代表会晚靠台，0代表正常时间内靠台。
本实施例应用LightGBM模型，该模型具有的优势具体包括：
低内存使用：使用了histogram算法，占用的内存低，数据分隔的复杂度更低。其思想是将连续的浮点特征离散成k个离散值，并构造宽度为k的Histogram。然后遍历训练数据，统计每个离散值在直方图中的累计统计量。在进行特征选择时，只需要根据直方图的离散值，遍历寻找最优的分割点。
支持并行化学习：LightGBM原生支持并行学习，目前支持特征并行和数据并行的两种。特征并行的主要思想是在不同机器在不同的特征集合上分别寻找最优的分割点，然后在机器间同步最优的分割点。数据并行则是让不同的机器先在本地构造直方图，然后进行全局的合并，最后在合并的直方图上面寻找最优分割点。在数据量很大的时候，使用投票并行可以得到非常好的加速效果。
支持类别型特征：不需要做one-hot编码。一般需要把类别特征，转化到多维的one-hot编码特征，降低了空间和时间的效率。而类别特征的使用是在实践中很常用的。基于这个考虑，LightGBM优化了对类别特征的支持，可以直接输入类别特征，不需要额外的one-hot编码展开。并在决策树算法上增加了类别特征的决策规则。
在一个实施例中，还提供了一种在物流运输中车辆晚靠台预测的装置，包括以下程序模块：
目标信息获取模块，用于获取目标车辆本次的订单信息和运单信息；
指标数据提取模块，基于所述订单信息和运单信息，关联预先建立的数据仓库中相应的参与实体信息及运输历史行为表现统计数据，汇集得到指标数据；
数据处理模块，用于将所述指标数据输入已训练的LightGBM模型，LightGBM模型输出晚靠台预测结果；所述LightGBM模型与所述预先建立的数据仓库存在关联，用于在模型训练时获得实体属性补充信息和运输历史行为表现统计数据。
关于该装置的具体限定可以参见上文中对于在物流运输中车辆晚靠台预测的方法的限定，在此不再赘述。上述各模块以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，还提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储前述数据仓库、样本集、测试集以及每一次的预测结果等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。上述计算机程序被处理器执行时以实现上述一种在物流运输中车辆晚靠台预测的方法。
在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，涉及上述实施例方法中的全部或部分流程。
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种在物流运输中车辆晚靠台预测的方法，其特征在于，包括：
获取目标车辆本次的订单信息和运单信息；
基于所述订单信息和运单信息，关联预先建立的数据仓库中相应的参与实体信息及运输历史行为表现统计数据，汇集得到指标数据；
将所述指标数据输入已训练的LightGBM模型；所述LightGBM模型与所述预先建立的数据仓库存在关联，用于在模型训练时获得实体属性补充信息和运输历史行为表现统计数据；
所述LightGBM模型输出晚靠台预测结果。
2.根据权利要求1所述的在物流运输中车辆晚靠台预测的方法，其特征在于，所述LightGBM模型的构建及训练方法包括：
步骤1)通过运营平台的数据采集获得历史发生订单及运单相关数据；
步骤2)从货运业务角度进行数据清洗与分析探索，得到有效的订单信息和运单信息；
步骤3)根据所述有效的订单信息和运单信息，结合数据仓库中的实体维度数据和运输历史行为表现统计数据，汇集历史指标数据；
步骤4)对所述历史指标数据进行工程预处理，构建训练集；
步骤5)构建LightGBM模型，模型输入为训练集的指标数据，模型输出为晚靠台结果，训练模型带有监督数据指标，并自动迭代处理。
3.根据权利要求2所述的在物流运输中车辆晚靠台预测的方法，其特征在于，所述订单信息包括发车时间、运单创建时间、计划运达时间、收发货地、运输计划时长、货物种类、货物名称、货重和承运商名称；所述运单信息包括承运商名称、司机身份、车辆身份和装卸地磅重量。
4.根据权利要求2所述的在物流运输中车辆晚靠台预测的方法，其特征在于，步骤2)中所述数据清洗与分析探索，包括：
a.业务逻辑清洗：过滤已作废、未发布以及未完成的订单及运单；
b.基础信息不完整筛选：过滤基础信息不完整的订单及运单；所述基础信息包括司机、车辆和承运商信息；
c.数据质量清洗，包括过滤运单号不符合运单平台编码规则的运单、运单创建时间晚于运达时间的运单。
5.根据权利要求4所述的在物流运输中车辆晚靠台预测的方法，其特征在于，步骤3)中，结合数据仓库中的实体维度数据和运输历史行为表现统计数据，汇集历史指标数据，具体包括：
A.关联数据仓库获得实体属性补充信息，得到以下具体的基础信息：
司机信息：性别、年龄、常驻地、运输从业年限、驾龄和从业资格证类型；
车辆信息：车型、吨位、车高、车籍地和车辆运输证类型；
承运商信息：承运商和平台注册年限；
B.关联相关历史行为，得到以下运输历史行为表现统计数据：
司机：运费、运输重量、运单次数、高频次收货地、高频次发货地、高频次运输货物、运输货物类别和网货监管上传司机信息成功次数；
车辆：晚靠台次数、晚靠台百分比、车辆里程、装卸货重损失率和网货监管上传车辆信息成功次数；
承运商：货运重量、运费、网货上传运单与流水单成功次数和经营许可证类型。
6.根据权利要求2所述的在物流运输中车辆晚靠台预测的方法，其特征在于，步骤4)中对所述历史指标数据进行工程预处理，具体包括：
4.1)训练样本正负样本比例观测：
根据多次历史数据统计，收录晚靠台发生率较高且样本正负较均衡的样本；若出现发生晚靠台样本比例过低，则找寻违约成本较低类型订单进行下探策略补充样本，或者采用SMOTE方法构造样本；
4.2)数据离散化处理：
对于连续数据，分段离散化处理；
对于文本数据，转换为数值型数据；
运用sklearn.preprocessing算法包进行数据预处理，文本运用独热编码。
7.根据权利要求2所述的在物流运输中车辆晚靠台预测的方法，其特征在于，步骤5)中，模型输出的晚靠台结果为1或0，1代表晚靠台，0代表正常时间内靠台。
8.一种在物流运输中车辆晚靠台预测的装置，其特征在于，包括以下程序模块：
目标信息获取模块，用于获取目标车辆本次的订单信息和运单信息；
指标数据提取模块，基于所述订单信息和运单信息，关联预先建立的数据仓库中相应的参与实体信息及运输历史行为表现统计数据，汇集得到指标数据；
数据处理模块，用于将所述指标数据输入已训练的LightGBM模型，LightGBM模型输出晚靠台预测结果；所述LightGBM模型与所述预先建立的数据仓库存在关联，用于在模型训练时获得实体属性补充信息和运输历史行为表现统计数据。
9.一种用于车辆晚靠台预测的服务器，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111355286.1A CN114066055A (zh) | 2021-11-16 | 2021-11-16 | 一种在物流运输中车辆晚靠台预测的方法、装置和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111355286.1A CN114066055A (zh) | 2021-11-16 | 2021-11-16 | 一种在物流运输中车辆晚靠台预测的方法、装置和服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114066055A true CN114066055A (zh) | 2022-02-18 |
Family
ID=80272658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111355286.1A Pending CN114066055A (zh) | 2021-11-16 | 2021-11-16 | 一种在物流运输中车辆晚靠台预测的方法、装置和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066055A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293712A (zh) * | 2022-10-08 | 2022-11-04 | 深圳普罗空运有限公司 | 基于物联网的数据信息处理系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050278063A1 (en) * | 2004-06-14 | 2005-12-15 | Richard Hersh | Dynamic and predictive information system and method for shipping assets and transport |
| CN101604416A (zh) * | 2009-07-21 | 2009-12-16 | 华中科技大学 | 一种基于第三方物流集配中心的运输调度方法及其调度系统 |
| CN104008473A (zh) * | 2014-02-12 | 2014-08-27 | 中华电信股份有限公司 | 具有通知功能的物流配送到达时间预估系统及方法 |
| CN109063931A (zh) * | 2018-09-06 | 2018-12-21 | 盈盈（杭州）网络技术有限公司 | 一种预测货运物流司机违约概率的模型方法 |
| CN109426930A (zh) * | 2017-08-25 | 2019-03-05 | 株式会社日立制作所 | 物流车辆的运输延迟预测系统及方法 |
| CN109840639A (zh) * | 2019-03-05 | 2019-06-04 | 东北大学 | 一种高速铁路列车运行晚点时间预测方法 |
| CN110941649A (zh) * | 2019-11-20 | 2020-03-31 | 珠海格力电器股份有限公司 | 一种物流信息处理方法、装置、设备及计算机存储介质 |
| CN112001258A (zh) * | 2020-07-27 | 2020-11-27 | 上海东普信息科技有限公司 | 物流货车准时到站识别方法、装置、设备和存储介质 |
| WO2021135212A1 (zh) * | 2020-01-03 | 2021-07-08 | 北京三快在线科技有限公司 | 订单处理 |
| US20210304133A1 (en) * | 2020-03-26 | 2021-09-30 | Caterpillar Inc. | Systems and methods for predicting machine delivery |
-
2021
- 2021-11-16 CN CN202111355286.1A patent/CN114066055A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050278063A1 (en) * | 2004-06-14 | 2005-12-15 | Richard Hersh | Dynamic and predictive information system and method for shipping assets and transport |
| CN101604416A (zh) * | 2009-07-21 | 2009-12-16 | 华中科技大学 | 一种基于第三方物流集配中心的运输调度方法及其调度系统 |
| CN104008473A (zh) * | 2014-02-12 | 2014-08-27 | 中华电信股份有限公司 | 具有通知功能的物流配送到达时间预估系统及方法 |
| CN109426930A (zh) * | 2017-08-25 | 2019-03-05 | 株式会社日立制作所 | 物流车辆的运输延迟预测系统及方法 |
| CN109063931A (zh) * | 2018-09-06 | 2018-12-21 | 盈盈（杭州）网络技术有限公司 | 一种预测货运物流司机违约概率的模型方法 |
| CN109840639A (zh) * | 2019-03-05 | 2019-06-04 | 东北大学 | 一种高速铁路列车运行晚点时间预测方法 |
| CN110941649A (zh) * | 2019-11-20 | 2020-03-31 | 珠海格力电器股份有限公司 | 一种物流信息处理方法、装置、设备及计算机存储介质 |
| WO2021135212A1 (zh) * | 2020-01-03 | 2021-07-08 | 北京三快在线科技有限公司 | 订单处理 |
| US20210304133A1 (en) * | 2020-03-26 | 2021-09-30 | Caterpillar Inc. | Systems and methods for predicting machine delivery |
| CN112001258A (zh) * | 2020-07-27 | 2020-11-27 | 上海东普信息科技有限公司 | 物流货车准时到站识别方法、装置、设备和存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293712A (zh) * | 2022-10-08 | 2022-11-04 | 深圳普罗空运有限公司 | 基于物联网的数据信息处理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Knoll et al. | Enabling value stream mapping for internal logistics using multidimensional process mining | |
| CN108632097A (zh) | 异常行为对象的识别方法、终端设备及介质 | |
| CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
| Banaszewska et al. | A framework for measuring efficiency levels—The case of express depots | |
| CN103971023B (zh) | 研发过程质量自动评估系统和方法 | |
| CN114386856A (zh) | 一种空壳企业识别方法、装置、设备及计算机存储介质 | |
| CN115147155A (zh) | 一种基于集成学习的铁路货运客户流失预测方法 | |
| CN115757660A (zh) | 一种自动生成数据库表间关联关系的方法、系统、电子设备及程序产品 | |
| CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
| CN116579804A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
| CN114066055A (zh) | 一种在物流运输中车辆晚靠台预测的方法、装置和服务器 | |
| Rogers et al. | Big data-driven decision-making processes, real-time advanced analytics, and cyber-physical production networks in industry 4.0-based manufacturing systems | |
| CN113918707A (zh) | 一种政策汇聚与企业画像匹配推荐的方法 | |
| CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
| CN112365339A (zh) | 一种中小企业商业价值信用贷款额度判定方法 | |
| CN111754261A (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
| CN115062876B (zh) | 基于ocr的流程快速建模方法、系统、设备及存储介质 | |
| Lu | Port logistics efficiency evaluation based on DEA model | |
| Sethi | Using Machine Learning Methods to Predict Order Lead Times | |
| CN117807377B (zh) | 多维度物流数据挖掘与预测方法及系统 | |
| Borucka et al. | Application of the digital twin concept in assessing the readiness of production systems | |
| CN113837854B (zh) | 一种企业多维度费用标准控制方法和系统 | |
| Sin et al. | Exploring the potential application of big data in the construction industry | |
| CN116933187B (zh) | 一种财务报销单据数字化处理方法及系统 | |
| CN112926816B (zh) | 供应商评价方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Zhe Inventor after: Shen Dangyun Inventor after: Fan Bin Inventor after: Meng Bao Inventor before: Zhang Tuo Inventor before: Shen Dangyun Inventor before: Fan Bin Inventor before: Meng Bao |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230414 Address after: 300210 Zhonghai Building at the intersection of Heiniucheng Road and Neijiang Road in Hexi District, Tianjin City Applicant after: CCCC Intelligent Transportation Co.,Ltd. Applicant after: CHINA HIGHWAY ENGINEERING CONSULTING Corp. Applicant after: ZHONGZI DATA CO.,LTD. Address before: No.13, heiniucheng Road, Hexi District, Tianjin 300210 Applicant before: CCCC Intelligent Transportation Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |