CN115204435A - 快递物料需求的预测方法、装置、设备和介质 - Google Patents

Abstract

本申请提供了一种快递物料需求的预测方法、装置、计算机设备和存储介质。该方法包括：通过获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息，根据历史件量信息确定对应类型的件量预测模型，将收派员特征信息和待预测日特征信息输入到该件量预测模型，根据该件量预测模型的输出结果，得到该待预测收派员对应的预测件量，并根据该待预测收派员的物料消耗率，确定该待预测收派员的物料预测领用量。上述方案，避免了基于网点进行物料分配导致的高消耗率，实现了基于收派员维度的物料领用量的预测，提高了快递物料需求量预测的精确化程度。

Description

快递物料需求的预测方法、装置、设备和介质

技术领域

本申请涉及物流技术领域，特别是涉及一种快递物料需求的预测方法、装置、计算机设备和存储介质。

背景技术

随着电子商务的不断发展和快递业务的迅速增长，快递物料使用量也逐渐攀升，对于文件封、包装胶袋、透明胶纸等生产性物料，用量大且库存成本高，快递企业需要通过预测快递件量，以进行快递物料的调配。

目前技术中，快递企业通常是基于快递网点进行件量预测和派发，收派员从快递网点领取所需物料，而收派员通常会领取较多的物料，导致快递物料消耗率较高。

发明内容

基于此，有必要针对目前技术中存在的快递物料消耗率高的技术问题，提供一种快递物料需求的预测方法、装置、计算机设备和存储介质。

一种快递物料需求的预测方法，所述方法包括：

获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息；

根据所述历史件量信息确定对应类型的件量预测模型；

将所述收派员特征信息和待预测日特征信息输入到所述件量预测模型，根据所述件量预测模型的输出结果得到所述待预测收派员对应的预测件量；

获取所述待预测收派员的物料预测消耗率；所述物料预测消耗率根据所述待预测收派员的物料领用记录得到；

根据所述预测件量和物料预测消耗率，确定所述待预测收派员的物料预测领用量。

在其中一个实施例中，所述根据所述历史件量信息确定对应类型的件量预测模型，包括：

若所述待预测收派员的历史件量信息对应的时间范围大于或等于预设时间阈值，确定所述件量预测模型为机器学习模型；所述机器学习模型根据收派员特征信息、历史件量信息和所述历史件量信息对应的日期特征信息训练得到；所述机器学习模型包括通过集成算法融合的至少两类决策树模型；

若所述待预测收派员的历史件量信息对应的时间范围小于预设时间阈值，确定所述件量预测模型为时间序列模型；所述时间序列模型根据收派员特征信息、历史件量信息和所述历史件量信息对应的日期特征信息预测得到。

在其中一个实施例中，所述获取所述待预测收派员的物料预测消耗率，包括：

获取所述待预测收派员的物料领用记录，根据所述物料领用记录对应的领用周期，确定待预测收派员对应的物料消耗率模型；

将所述物料领用记录和所述历史件量信息输入所述物料消耗率模型，根据所述物料消耗率模型的输出结果得到所述物料预测消耗率。

在其中一个实施例中，所述根据所述预测件量和物料预测消耗率，确定所述待预测收派员的物料预测领用量，包括：

根据所述预测件量和物料预测消耗率的乘积，得到所述待预测收派员的物料预测领用量。

在其中一个实施例中，所述确定所述待预测收派员的物料预测领用量之后，还包括：

获取物料对应的最小包装数量；所述最小包装数量表征最小单位的包装中可配置的所述物料的数量；

根据所述待预测收派员的物料预测领用量以及所述最小包装数量，确定所述待预测收派员的多个配送批次和各个配送批次对应的配送数量。

在其中一个实施例中，还包括：

获取所述多个配送批次分别对应的物料配送重量；

若所述多个配送批次的物料的总配送重量大于第一预设阈值，且存在配送批次对应的物料配送重量大于第二预设阈值，将所述配送批次对应的物料配送重量分配到其他配送批次中。

在其中一个实施例中，还包括：

确定所述待预测收派员的工号，在所述待预测收派员所属的快递网点对应的各个收派员的工号中的排序；

根据所述排序和所述待预测收派员的多个配送批次，确定所述待预测收派员的在所述快递网点的物料领取顺序，发送所述物料领取顺序给所述待预测收派员。

一种快递物料需求的预测装置，所述装置包括：

信息获取模块，用于获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息；

件量模型模块，用于根据所述历史件量信息确定对应类型的件量预测模型；

预测件量获取模块，用于将所述收派员特征信息和待预测日特征信息输入到所述件量预测模型，根据所述件量预测模型的输出结果得到所述待预测收派员对应的预测件量；

预测消耗率获取模块，用于获取所述待预测收派员的物料预测消耗率；所述物料预测消耗率根据所述待预测收派员的物料领用记录得到；

物料预测量获取模块，用于根据所述预测件量和物料预测消耗率，确定所述待预测收派员的物料预测领用量。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中快递物料需求的预测方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中快递物料需求的预测方法步骤。

上述快递物料需求的预测方法、装置、计算机设备和存储介质，通过获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息，根据历史件量信息确定对应类型的件量预测模型，将收派员特征信息和待预测日特征信息输入到该件量预测模型，根据该件量预测模型的输出结果，得到该待预测收派员对应的预测件量，并根据该待预测收派员的物料消耗率，确定该待预测收派员的物料预测领用量。上述方案，避免了基于网点进行物料分配导致的高消耗率，实现了基于收派员维度的物料领用量的预测，提高了快递物料需求量预测的精确化程度。

附图说明

图1为一个实施例中快递物料需求的预测方法的流程示意图；

图2为另一个实施例中快递物料需求的预测方法的流程示意图；

图3为另一个实施例中快递物料需求的预测方法的流程示意图；

图4为一个实施例中快递物料需求的预测装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

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。

需要说明的是，本发明实施例所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

在一个实施例中，如图1所示，提供了一种快递物料需求的预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤S101，获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息。

本公开中，待预测收派员可以是具体的某一收派员，也可以是某一类具有共同特征信息的收派员。服务器可以具体的某一收派员进行物料需求预测，也可以针对某一类收派员进行的物料需求预测。

本公开中，收派员特征信息指的是待预测收派员的年龄、工龄、入职天数、出勤率、网点信息等信息。服务器可以预先根据收派员特征信息，进行收派员分类，将某一个收派员划分为某一个类别的收派员。

其中，收派员可以对应有快递网点，各个快递网点的快递件量存在差异，服务器可以通过类别编码等来区分收派员所在的快递网点。

本公开中，历史件量信息指的是该待预测收派员在过去的对应时间段的快递数量，以及快递数量的统计值。例如，该待预测收派员前n天的销量、前n天销量平均值、前n天销量最小值、前n天销量最大值、前n天销量中位数、前n天销量标准差、前n天销量偏度值等。也可以是该待预测收派员所属的收派员类别对应的快件数量的统计信息，例如该类别的所有收派员在某个时间段的快递数量的均值，以及快递数量的统计值。

本公开中，待预测日特征信息指的是待预测日对应的时间维度的特征，包括春夏时令、节假日特征、促销日特征，各个待预测日特征信息可以通过不同的类编码进行标识。例如，可以以1、2、3月份为春季，4、5、6月份为夏季，7、8、9为秋季，10、11、12月份为冬季，分别配置各个季节对应的时令类别编码；将元旦、春节等节假日以及前n天进行标记，分别配置对应的节假日类别编码；将促销日以及前后n天进行标记，分别配置对应的促销日类别编码。

具体实现中，服务器可以从存储模块获取待预测收派员对应的收派员特征信息、历史件量信息和待预测日特征信息。

在一些实施例中，服务器可以根据待预测收派员的工号等唯一标识信息，从存储模块获取该收派员对应的收派员特征信息，以及该收派员的历史件量信息和待预测日特征信息。

在一些实施例中，服务器可以根据待预测收派员所属的收派员类别，获取类别的收派员对应的收派员特征信息，以及该类收派员的历史件量信息的统计值，并获取待预测日特征信息。

步骤S102，根据历史件量信息确定对应类型的件量预测模型。

本公开中，件量预测模型可以根据历史信息，针对收派员的进行未来的件量预测，针对不同历史件量可以分别对应不同件量预测模型，以提高预测值的准确性。件量预测模型可以基于多个收派员的收派员特征信息、历史件量信息和对应的日期特征信息为基础数据进行构建。

其中，服务器可以预先建立的历史件量信息与件量预测模型的对应关系，该对应关系根据收派员对应的历史件量信息的时间跨度来确定。例如，若收派员的历史件量信息持续时间较长，影响该收派员件量预测值的因素就越复杂，可以采用复杂的神经网络模型进行预测。

具体实现中，服务器可以根据待预测收派员的历史件量信息，从预先建立的历史件量信息与件量预测模型的对应关系中，确定用于针对该待预测收派员进行件量预测的件量预测模型。

步骤S103，将收派员特征信息和待预测日特征信息输入到件量预测模型，根据件量预测模型的输出结果得到所述待预测收派员对应的预测件量。

本公开中，预测件量可以是该待预测收派员在待预测日对应的快递预测件量。服务器可以根据多个待预测日对应的快递预测件量，获取该待预测收派员在一定时间周期内预测件量，例如一个月、一个季度等。

在一些实施例中，件量预测模型也可以配置为针对某一个时间周期的件量进行预测，此时，服务器可以获取与该时间周期对应的收派员特征信息和待预测日特征信息进行预测。

例如，件量预测模型可以是收派员的月度历史件量信息和对应的日期特征信息配置得到，服务器可以获取待预测收派员的收派员特征信息、月度历史件量信息和该预测月对应的待预测日特征信息，以进行该待预测收派员对应的月度的件量预测。

步骤S104，获取待预测收派员的物料预测消耗率。

本公开中，物料预测消耗率可以根据待预测收派员的物料领用记录得到。物料领用记录可以包括该待预测收派员历史时期的物料领用数量和领用时间，物料预测消耗率可以表示为物料领用数量与快递件量的比值。

其中，每个待预测收派员的物料预测消耗率与其所属的网点相关联，不超过该网点的消耗率。网点的消耗率可以根据历史时期的消耗率进行调整。

其中，收派员的工作期限会影响对未来预测消耗率的判断，服务器可以为不同工作期限的收派员提供不同的物料预测消耗率的计算模型。

其中，收派员的在历史时期可能存在临时快递需求，导致物料领用数量存在异常增加，服务器可以调高该待预测收派员对应的物料预测消耗率，以满足快递运输需求。

具体实现中，服务器可以根据待预测收派员的物料领用记录，确定对应的物料预测消耗率。

步骤S105，根据预测件量和物料预测消耗率，确定待预测收派员的物料预测领用量。

本公开中，物料预测领用量指的是待预测收派员完成一定时期的预测件量的收件，所需要物料的预测量，服务器可以根据该物料预测领用量，向该待预测收派员进行物料发放。

上述快递物料需求的预测方法中，通过获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息，根据历史件量信息确定对应类型的件量预测模型，将收派员特征信息和待预测日特征信息输入到该件量预测模型，根据该件量预测模型的输出结果，得到该待预测收派员对应的预测件量，并根据该待预测收派员的物料消耗率，确定该待预测收派员的物料预测领用量。上述方案，避免了基于网点进行物料分配导致的高消耗率，实现了基于收派员维度的物料领用量的预测，提高了快递物料需求量预测的精确化程度。

在一个实施例中，步骤S102中确定根据历史件量信息确定对应类型的件量预测模型的步骤包括：

若待预测收派员的历史件量信息对应的时间范围大于或等于预设时间阈值，确定件量预测模型为机器学习模型。若待预测收派员的历史件量信息对应的时间范围小于预设时间阈值，确定件量预测模型为时间序列模型。

本公开中，历史件量信息和件量预测模型之间存在对应关系，该对应关系可以与待预测收派员的历史件量信息的时间范围有关。收派员历史件量信息的时间跨度越长，则影响因素越复杂，时间跨度越短，则线性相关性就越强。

其中，预设时间阈值可以是3个月，或者其他时间跨度数值。

例如，若待预测收派员的历史件量信息中，历史收件数据大于或等于3个月，则可以采用通过集成算法融合的至少两类决策树模型的机器学习模型，进行件量预测。若历史收件数据小于3个月，则可以通过时间序列模型进行件量预测。

本公开中，用于进行机器学习模型训练的训练数据，和用于进行时间序列模型构建的数据，数据源可以是相同的，包括各个收派员特征信息、历史件量信息和历史件量信息。

其中，机器学习模型可以是集成算法融合的至少两类决策树模型，至少两类决策树模型可以是XGBoost模型、LightGBM模型。XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携，可以快速准确地解决许多数据科学问题。LightGBM(LightGradient Boosting Machine)是微软开源的一个实现GBDT算法的框架，支持高效率的并行训练。

其中，时间序列模型可以是根据系统观测得到的时间序列数据，可以通过曲线拟合和参数估计来建立。

上述实施例的方案，通过获取待预测收派员的历史件量信息，根据该历史件量信息对应的时间范围，确定对应的件量预测模型，充分考虑了件量的影响因素，提升了件量预测的准确性。

在一个实施例中，步骤S103中确定获取待预测收派员的物料预测消耗率的步骤，包括：

获取待预测收派员的物料领用记录，根据物料领用记录对应的领用周期，确定待预测收派员对应的物料消耗率模型；将物料领用记录和历史件量信息输入物料消耗率模型，根据物料消耗率模型的输出结果得到物料预测消耗率。

本公开中，物料消耗率模型指的是根据待预测收派员的物料领用记录和历史加量信息的得到消耗率模型。物料消耗率模型与收派员的物料领用记录对应的领用周期相关，服务器可以建议领用周期与物料消耗率模型的对应关系。

其中，服务器可以将领用周期划分区间，为每个区间配置对应的物料消耗率模型。落入该区间的收派员，可以通过该物料消耗率模型确定物料预测消耗率。

在一些实施例中，领用区间可以划分为区间1：超过3个月有领用记录；区间2：超过1个月但是不超过3个月有领用记录；区间3：无领用记录。

针对落入区间1的收派员，对应的预测物料消耗率模型为：预测物料消耗率＝前三个月物资领用量之和/前三个月件量之和。

针对落入区间2的收派员，对应的预测物料消耗率模型为：预测物料消耗率＝前1个月物资领用量之和/前1个月件量之和。

针对落入区间3的收派员，对应的预测消耗率模型，可以根据历史领用记录以及件量数据进行聚类，得到各个类型的收派员的物料消耗率，作为该收派员的预测物料消耗率。

在一些实施例中，服务器可以获取收派员的物料领用记录、领用周期和历史件量信息，作为训练数据集，以各个收派员对应的实际物料消耗率为验证集，训练得到各个领用周期对应的神经网络模型，作为各个领用周期对应的物料消耗率模型。

在一些实施例中，若收派员曾出现了临时快递需求，服务器可以按照一定比例将其预测物料消耗率上浮。若没有出现临时需求，可以适当将其预测物料消耗率下调。

在一些实施例中，服务器可以给各个网点设定网点物料消耗率，并根据各个网点的实际物料消耗情况进行调整。各个收派员物料预测消耗率可以配置为不高于该物料消耗率，以提高物料管理的效率和准确性。

上述实施例的方案，通过获取物料领用记录，确定物料消耗率模型，并根据物料领用记录和历史件量信息输入物料消耗率模型，得到该待预测收派员的物料预测消耗率，充分衡量了收派员个体的历史记录，提高了获取物料预测消耗率的准确性。

在一个实施例中，步骤S105中根据预测件量和物料预测消耗率，确定待预测收派员的物料预测领用量的步骤，包括：

根据预测件量和物料预测消耗率的乘积，得到待预测收派员的物料预测领用量。

本实施例中，服务器可以根据预测件量和物料预测消耗率的乘积，得到待预测收派员的物料预测领用量。

其中，若预测件量对应的为某一日的件量，则物料预测领用量则为该日对应的预测领用量。若预测件量对应的为某一月的件量，则物料预测领用量则为该月对应的预测领用量，实现根据预测件量和物料预测消耗率，得到该待预测收派员的物料预测领用量。

在一个实施例中，步骤S105中确定待预测收派员的物料预测领用量之后的步骤，包括：

获取物料对应的最小包装数量；根据待预测收派员的物料预测领用量以及最小包装数量，确定待预测收派员的多个配送批次和各个配送批次对应的配送数量。

本公开中，最小包装数量表征最小单位的包装中可配置的该物料的数量，指的从仓库向各个收派员配送物料时，每个最小包装单位中，可以容纳的该物料的数量。例如，物料为文件封，仓库向收派员发货时，包装文件封的最小包装单位，可以容纳50个文件封。

本公开中，配送批次指的是待预测收派员的该物料预测领用量，分多个批次从仓库配送给该收派员。配送数量指的是每个批次对应的物料的数量。

例如，待预测收派员的某个月的物料预测领用量为a，最小包装数量为b，可以按照下表的拆分规则确定配送批次。

表1 需求拆分规则：

上述实施例的方案，通过获取物料对应的最小包装数量，确定收派员对应的物料配送批次和数量，提升了基于收派员的物料配送优化，提升物料配送的效率。

在一个实施例中，上述方法还包括：

获取多个配送批次分别对应的物料配送重量；若多个配送批次的物料的总配送重量大于第一预设阈值，且存在配送批次对应的物料配送重量大于第二预设阈值，将配送批次对应的物料配送重量分配到其他配送批次中。

本公开中，物料配送重量可以根据各个配送批次对应的配送数量和物料重量参数得到，针对某一收派员，若某个配送批次配送重量过大，或者总体的物料预测需求量对应的配送重量过大，会影响仓库出库整体的配送效率。服务器可以配置针对配送重量过大的收派员或者配送批次进行动态调整。

其中，第一预设阈值可以是待预测收派员的多个配送批次的总物料配送重量的最大值，第二预设阈值可以是该待预测收派员的各个配送批次的物料配送重量的最大值。

例如，第一预设阈值可以为80kg，第二预设阈值可以是20kg。若待预测收派员的多个配送批次的总物料配送重量小于80kg，且某一配送批次对应的物料配送重量大于20kg，服务器可以将大于20kg的该配送批的物料的25％的比重，增加到其他配送批次中。

上述实施例的方案，通过物料配送重量，对待预测收派员的各个配送批次进行优化，提高了物料配送至收派员的效率。

在一个实施例中，上述方法还包括：

确定待预测收派员的工号，在待预测收派员所属的快递网点对应的各个收派员的工号中的排序；根据排序和待预测收派员的多个配送批次，确定待预测收派员的在网点的物料领取顺序，发送物料领取顺序给待预测收派员。

本公开中，网点指的是该待预测收派员所属的编制区域，可以通过网点类别编码进行区分，不同网点的件量存在差异。各个网点对应有多个收派员。服务器在进行物料配送时，可以通过配送优化，确保每个网点有物料订单发送至仓库。

在一个实施例中，网点的一定时期内的物料配送需求总次数，可以是网点各个收派员配送批次的和。服务器可以根据物料配送需求总次数，获取该网点每天需进行物料配送的次数，并规划仓库的发货。

在一些实施例中，收派员可以按照工号大小进行排列，服务器可以根据工号排序和该收派员的配送批次，确定该收派员在网点的物料领取顺序，并按照该顺序进行物料配送。

其中，物料领取顺序可以包括该收派员在一定时期内的物料领取的规划，可可以在满足每个收派员的物料均能得到配送的情况下进行配置，此处不做具体限制。

例如，收派员2号对应的物料预测领用量为200，最小包装数量为50，其对应的配送批次为4次，每个批次领用50件。服务器可以分配收派员在当月的2号、10号、15号和25进行物料领取，并通知该收派员。

上述实施例的方案，通过工号和配送批次，确定待预测收派员在网点的物料领取顺序，提升了物料配送和领取的效率。

在一个实施例中，如图2所示，提供了一种快递物料需求的预测方法，该方法包括：

步骤S201，获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息。

步骤S202，若待预测收派员的历史件量信息对应的时间范围大于或等于预设时间阈值，确定件量预测模型为机器学习模型；机器学习模型根据收派员特征信息、历史件量信息和历史件量信息对应的日期特征信息训练得到；机器学习模型包括通过集成算法融合的至少两类决策树模型；若待预测收派员的历史件量信息对应的时间范围小于预设时间阈值，确定件量预测模型为时间序列模型；时间序列模型根据收派员特征信息、历史件量信息和历史件量信息对应的日期特征信息预测得到。

步骤S203，将收派员特征信息和待预测日特征信息输入到件量预测模型，根据件量预测模型的输出结果得到待预测收派员对应的预测件量。

步骤S204，获取待预测收派员的物料领用记录，根据物料领用记录对应的领用周期，确定待预测收派员对应的物料消耗率模型；将物料领用记录和历史件量信息输入物料消耗率模型，根据物料消耗率模型的输出结果得到物料预测消耗率。

步骤S205，根据预测件量和物料预测消耗率的乘积，得到待预测收派员的物料预测领用量。

步骤S206，获取物料对应的最小包装数量；最小包装数量表征最小单位的包装中可配置的物料的数量；根据待预测收派员的物料预测领用量以及最小包装数量，确定待预测收派员的多个配送批次和各个配送批次对应的配送数量。

步骤S207，获取多个配送批次分别对应的物料配送重量；若多个配送批次的物料的总配送重量大于第一预设阈值，且存在配送批次对应的物料配送重量大于第二预设阈值，将配送批次对应的物料配送重量分配到其他配送批次中。

上述实施例，通过获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息，根据历史件量信息确定对应类型的件量预测模型，将收派员特征信息和待预测日特征信息输入到该件量预测模型，根据输出结果，得到该待预测收派员对应的预测件量，并根据该待预测收派员的物料消耗率，确定该待预测收派员的物料预测领用量，根据该物料预测领用量针对该待预测收派员进行物料配送规划。上述方案，避免了基于网点进行物料分配导致的高消耗率，实现了基于收派员维度的物料领用量的预测，以及基于收派员维度的物料配送规划，提高了快递物料需求量预测的精确化程度。

应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，本申请上述实施例快递物料需求的预测方法，可以是如图3所示。

其中，服务器可以根据收派员的历史件量数据、收派员特征信息、历史件量信息对应的日期特征信息等数据，将数据进行预处理后，提取各个数据对应的特征工程，将数据划分为训练集和测试集后，进行参数优化、算法建模后，生成件量预测模型。服务器可以通过ETL技术从源数据中提取数据。ETL(Extract-Transform-Load)的缩写，用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。

服务器可以将待预测收派员的收派员特征信息、历史件量信息输入到该件量预测模型中，得到对应的预测件量。

服务器可以从源数据中获取待预测收派员对应的物料领用记录，该物料领用记录可以是收派员从快递网点直发领用记录，服务器可以根据该直发领用记录获取该待预测收派员对应的预测消耗率。服务器进一步根据待预测收派员对应的预测件量和预测消耗率，得到该待预测收派员的物料预测领用量。

在一个实施例中，如图4所示，提供了一种快递物料需求的预测装置，该装置400包括：

信息获取模块401，用于获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息；

件量模型模块402，用于根据历史件量信息确定对应类型的件量预测模型；

预测件量获取模块403，用于将收派员特征信息和待预测日特征信息输入到件量预测模型，根据件量预测模型的输出结果得到待预测收派员对应的预测件量；

预测消耗率获取模块404，用于获取待预测收派员的物料预测消耗率；物料预测消耗率根据待预测收派员的物料领用记录得到；

物料预测量获取模块405，用于根据预测件量和物料预测消耗率，确定待预测收派员的物料预测领用量。

在一个实施例中，件量模型模块402，包括：件量模型单元，用于若待预测收派员的历史件量信息对应的时间范围大于或等于预设时间阈值，确定件量预测模型为机器学习模型；机器学习模型根据收派员特征信息、历史件量信息和历史件量信息对应的日期特征信息训练得到；机器学习模型包括通过集成算法融合的至少两类决策树模型；若待预测收派员的历史件量信息对应的时间范围小于预设时间阈值，确定件量预测模型为时间序列模型；时间序列模型根据收派员特征信息、历史件量信息和历史件量信息对应的日期特征信息预测得到。

在一个实施例中，预测消耗率获取模块404，包括：预测消耗率获取单元，用于获取待预测收派员的物料领用记录，根据物料领用记录对应的领用周期，确定待预测收派员对应的物料消耗率模型；将物料领用记录和历史件量信息输入物料消耗率模型，根据物料消耗率模型的输出结果得到物料预测消耗率。

在一个实施例中，物料预测量获取模块405，包括：物料预测量获取单元，用于根据预测件量和物料预测消耗率的乘积，得到待预测收派员的物料预测领用量。

在一个实施例中，上述装置400还包括：配送批次单元，用于获取物料对应的最小包装数量；最小包装数量表征最小单位的包装中可配置的物料的数量；根据待预测收派员的物料预测领用量以及最小包装数量，确定待预测收派员的多个配送批次和各个配送批次对应的配送数量。

在一个实施例中，配送批次单元，进一步用于获取多个配送批次分别对应的物料配送重量；若多个配送批次的物料的总配送重量大于第一预设阈值，且存在配送批次对应的物料配送重量大于第二预设阈值，将配送批次对应的物料配送重量分配到其他配送批次中。

在一个实施例中，配送批次单元，进一步用于确定待预测收派员的工号，在待预测收派员所属的快递网点对应的各个收派员的工号中的排序；根据排序和待预测收派员的多个配送批次，确定待预测收派员的在快递网点的物料领取顺序，发送物料领取顺序给待预测收派员。

关于快递物料需求的预测装置的具体限定可以参见上文中对于快递物料需求的预测方法的限定，在此不再赘述。上述快递物料需求的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以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。

本申请提供的快递物料需求的预测方法，可以应用于计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。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件量预测模型、历史件量信息、收派员等数据。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。该计算机程序被处理器执行时以实现一种快递物料需求的预测方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，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)

1.一种快递物料需求的预测方法，其特征在于，所述方法包括：

获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息；

根据所述历史件量信息确定对应类型的件量预测模型；

将所述收派员特征信息和待预测日特征信息输入到所述件量预测模型，根据所述件量预测模型的输出结果得到所述待预测收派员对应的预测件量；

获取所述待预测收派员的物料预测消耗率；所述物料预测消耗率根据所述待预测收派员的物料领用记录得到；

根据所述预测件量和物料预测消耗率，确定所述待预测收派员的物料预测领用量。

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史件量信息确定对应类型的件量预测模型，包括：

若所述待预测收派员的历史件量信息对应的时间范围大于或等于预设时间阈值，确定所述件量预测模型为机器学习模型；所述机器学习模型根据收派员特征信息、历史件量信息和所述历史件量信息对应的日期特征信息训练得到；所述机器学习模型包括通过集成算法融合的至少两类决策树模型；

若所述待预测收派员的历史件量信息对应的时间范围小于预设时间阈值，确定所述件量预测模型为时间序列模型；所述时间序列模型根据收派员特征信息、历史件量信息和所述历史件量信息对应的日期特征信息预测得到。

3.根据权利要求1所述的方法，其特征在于，所述获取所述待预测收派员的物料预测消耗率，包括：

获取所述待预测收派员的物料领用记录，根据所述物料领用记录对应的领用周期，确定待预测收派员对应的物料消耗率模型；

将所述物料领用记录和所述历史件量信息输入所述物料消耗率模型，根据所述物料消耗率模型的输出结果得到所述物料预测消耗率。

4.根据权利要求1所述的方法，其特征在于，所述根据所述预测件量和物料预测消耗率，确定所述待预测收派员的物料预测领用量，包括：

根据所述预测件量和物料预测消耗率的乘积，得到所述待预测收派员的物料预测领用量。

5.根据权利要求1所述的方法，其特征在于，所述确定所述待预测收派员的物料预测领用量之后，还包括：

获取物料对应的最小包装数量；所述最小包装数量表征最小单位的包装中可配置的所述物料的数量；

根据所述待预测收派员的物料预测领用量以及所述最小包装数量，确定所述待预测收派员的多个配送批次和各个配送批次对应的配送数量。

6.根据权利要求5所述的方法，其特征在于，还包括：

获取所述多个配送批次分别对应的物料配送重量；

若所述多个配送批次的物料的总配送重量大于第一预设阈值，且存在配送批次对应的物料配送重量大于第二预设阈值，将所述配送批次对应的物料配送重量分配到其他配送批次中。

7.根据权利要求5所述的方法，其特征在于，还包括：

确定所述待预测收派员的工号，在所述待预测收派员所属的快递网点对应的各个收派员的工号中的排序；

根据所述排序和所述待预测收派员的多个配送批次，确定所述待预测收派员的在所述快递网点的物料领取顺序，发送所述物料领取顺序给所述待预测收派员。

8.一种快递物料需求的预测装置，其特征在于，所述装置包括：

信息获取模块，用于获取待预测收派员的收派员特征信息、历史件量信息和待预测日特征信息；

件量模型模块，用于根据所述历史件量信息确定对应类型的件量预测模型；

预测件量获取模块，用于将所述收派员特征信息和待预测日特征信息输入到所述件量预测模型，根据所述件量预测模型的输出结果得到所述待预测收派员对应的预测件量；

预测消耗率获取模块，用于获取所述待预测收派员的物料预测消耗率；所述物料预测消耗率根据所述待预测收派员的物料领用记录得到；

物料预测量获取模块，用于根据所述预测件量和物料预测消耗率，确定所述待预测收派员的物料预测领用量。

9.一种计算机设备，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。

Images