CN115222315A - 物流包裹异常状态的识别方法、装置和计算机设备 - Google Patents
物流包裹异常状态的识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN115222315A CN115222315A CN202110418862.6A CN202110418862A CN115222315A CN 115222315 A CN115222315 A CN 115222315A CN 202110418862 A CN202110418862 A CN 202110418862A CN 115222315 A CN115222315 A CN 115222315A
- Authority
- CN
- China
- Prior art keywords
- logistics
- parcel
- historical
- packages
- candidate
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种物流包裹异常状态的识别方法、装置、计算机设备和存储介质,包括:获取物流包裹在业务节点的物流特征;获取多个历史包裹各自对应的物流特征和历史流转状态;比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并根据所述特征相似度,从多个历史包裹中获取目标历史包裹;根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常,能够综合业务节点的物流特征和过往物流包裹的历史流转状态,实现物流包裹异常流转状态的及时监控和提前预警,将事后被动发现流转异常,转变为事中的及时主动发现或者事前的提前预测,有效提高了预警效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种物流包裹异常状态的识别方法、装置、计算机设备和存储介质。
背景技术
在物流运输过程中,物流包裹从揽收到派送的流转过程中,会涉及到多个业务环节,例如末端收派、包裹运输、场地中转。在现有技术中,虽然可以通过业务系统对各个业务环节分别进行数据采集,然而仍然是在物流包裹发生异常状况一段时间后,才被动发现,难以对物流包裹存在的异常进行预警或及时发现。
发明内容
基于此,有必要针对上述技术问题,提供一种物流包裹异常状态的识别方法、装置、计算机设备和存储介质。
一种物流包裹异常状态的识别方法,所述方法包括:
获取物流包裹在业务节点的物流特征;
获取多个历史包裹各自对应的物流特征和历史流转状态;
比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并根据所述特征相似度,从多个历史包裹中获取目标历史包裹;
根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常。
可选地,所述获取物流包裹在业务节点的物流特征,包括:
接收业务系统发送的数据流,并从所述数据流中获取原始的物流特征;所述业务系统用于采集物流包裹在多个业务节点的物流特征;
获取所述原始的物流特征对应的第一特征向量,作为所述物流包裹的物流特征。
可选地,所述历史流转状态包括异常状态和正常状态,所述根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常,包括:
确定历史流转状态为异常状态的目标历史包裹,并获取异常状态的目标历史包裹与目标历史包裹总量的比例;
当所述比例超过比例阈值时,确定所述物流包裹当前的流转状态异常。
可选地,在获取多个历史包裹各自对应的物流特征和历史流转状态的步骤之前,所述方法还包括:
获取所述物流包裹对应的包裹类型,以及,获取多个候选包裹各自对应的包裹类型;
确定出对应包裹类型与所述物流包裹的包裹类型匹配的多个候选包裹,作为所述多个历史包裹。
可选地,所述获取多个候选包裹各自对应的包裹类型,包括:
获取多个候选包裹各自对应的键值对;所述键值对中存储有候选包裹的包裹类型;
针对每一候选包裹,根据该候选包裹对应的键值对,确定包裹类型。
可选地,还包括:
获取候选包裹对应的包裹标识和流转状态,以及,获取所述候选包裹在多个业务节点的物流特征;
根据所述候选包裹对应的物流特征,确定所述候选包裹对应的包裹类型;
采用所述候选包裹对应的包裹标识和包裹类型,生成所述候选包裹对应的键,以及,采用所述候选包裹对应的物流特征和流转状态,生成所述候选包裹对应的值;
根据所述候选包裹对应的键和值,确定所述候选包裹对应的键值对。
可选地,所述获取候选包裹在多个业务节点的物流特征,包括:
针对每个业务节点,获取多个候选包裹相同特征类型的物流特征,以及,获取相同特征类型的物流特征各自对应的向量;其中,多个相同特征类型的物流特征为离散的物流特征;
对多个向量进行连续化处理,并对连续化处理后的每一向量进行数据标准化,将数据标准化结果确定为对应候选包裹的第二特征向量。
可选地,所述根据所述候选包裹对应的物流特征,确定所述候选包裹对应的包裹类型,包括:
获取预设的识别特征类型;所述识别特征类型为用于识别包裹类型的特征类型;
从所述候选包裹对应的物流特征中,获取与所述识别特征类型匹配的物流特征,作为所述候选包裹对应的包裹类型。
一种物流包裹异常状态的识别装置,所述装置包括:
物流特征获取模块,用于获取物流包裹在业务节点的物流特征;
历史流转状态获取模块,用于获取多个历史包裹各自对应的物流特征和历史流转状态;
比对模块,用于比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并根据所述特征相似度,从多个历史包裹中获取目标历史包裹;
流转状态识别模块,用于根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常。
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如上任一项所述方法的步骤。
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如上任一项所述方法的步骤。
上述一种物流包裹异常状态的识别方法、装置、计算机设备和存储介质,通过获取物流包裹在业务节点的物流特征,获取多个历史包裹各自对应的物流特征和历史流转状态,比对物流包裹的物流特征以及历史包裹的物流特征,得到特征相似度,并根据特征相似度,从多个历史包裹中获取目标历史包裹,根据目标历史包裹对应的历史流转状态,确定物流包裹当前的流转状态是否异常,能够综合业务节点的物流特征和过往物流包裹的历史流转状态,实现物流包裹异常流转状态的及时监控和提前预警,将事后被动发现流转异常,转变为事中的及时主动发现或者事前的提前预测,有效提高了预警效率。
附图说明
图1为一个实施例中一种物流包裹异常状态的识别方法的应用环境图;
图2为一个实施例中一种物流包裹异常状态的识别方法的流程示意图;
图3为一个实施例中生成键值对步骤的流程示意图;
图4为一个实施例中一种物流包裹异常状态的识别方法的架构示意图;
图5为另一个实施例中一种物流包裹异常状态的识别方法的流程示意图;
图6为一个实施例中一种物流包裹异常状态的识别装置的结构框图;
图7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。
本申请提供一种物流包裹异常状态的识别方法,可以应用于如图1所示的应用环境中。其中,服务器102可以与业务系统104通信连接,业务系统104可以记录物流包裹的物流特征。服务器102和/或业务系统104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种物流包裹异常状态的识别方法,以该方法应用于图1中的服务器102为例进行说明,可以包括以下步骤:
步骤201,获取物流包裹在业务节点的物流特征。
作为一示例,业务节点可以与物流业务环节对应,业务节点的物流特征可以表征物流包裹在对应物流业务环节的物流状态和/或物流业务属性的信息,其中,业务节点可以是一个或多个,当物流包裹已在多个物流业务环节流转,业务节点的物流特征可以包括物流包裹不同维度的物流特征,例如物流包裹在揽件、中转等各个物流业务环节的物流特征。
在实际应用中,服务器可以对物流包裹进行监控,在进行监控时,可以获取物流包裹在业务节点的物流特征,其中,被监控的物流包裹可以是未运抵目的地或未被用户签收的物流包裹,业务节点可以包括历史业务节点和当前业务节点中的至少一种,历史业务节点可以是物流包裹已流转或已完成的物流业务环节所对应的业务节点,当前业务节点可以是物流包裹当前所处的物流业务环节对应的业务节点。
步骤202,获取多个历史包裹各自对应的物流特征和历史流转状态。
作为一示例,历史包裹可以是物流任务已结束的物流包裹。
在具体实现中,由于历史包裹的物流任务已结束,可以获取历史包裹在物流任务中的流转状态,即历史流转状态,历史流转状态可以是表征历史包裹在物流业务环节中是否正常流转的信息。
在得到历史流转状态后,可以将历史包裹对应的物流特征和历史流转状态存储在预设的存储模块中,例如文件系统;则服务器在对物流包裹进行监控时,可以从存储模块中获取多个历史包裹各自对应的物流特征和历史流转状态。
步骤203,比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并根据所述特征相似度,从多个历史包裹中获取目标历史包裹。
在得到历史包裹对应的物流特征后,可以将物流包裹对应的物流特征与历史包裹对应的物流特征进行比对,确定物流包裹的物流特征与历史包裹的物流特征之间的相似程度,得到特征相似度,并根据特征相似度,从多个历史包裹中筛选出目标历史包裹。
具体实现中,可以预先设置相似度条件,该相似度条件可以是特征相似度最高的预设数量的历史包裹,也可以是特征相似度满足相似度阈值的历史包裹。在确定特征相似度后,可以从多个历史包裹中,获取特征相似度满足相似度条件的目标历史包裹。
步骤204,根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常。
在确定目标历史包裹后,则可以根据目标历史包裹对应的历史流转状态,确定物流包裹当前的流转状态是否异常。具体而言,由于目标历史包裹与物流包裹之间的特征相似度满足相似度条件,可以基于目标历史包裹的历史流转状态预测物流包裹的流转状态,确定出物流包裹当前流转正常或流转异常。
在本申请实施例中,通过获取物流包裹在业务节点的物流特征,获取多个历史包裹各自对应的物流特征和历史流转状态,比对物流包裹的物流特征以及历史包裹的物流特征,得到特征相似度,并根据特征相似度,从多个历史包裹中获取目标历史包裹,根据目标历史包裹对应的历史流转状态,确定物流包裹当前的流转状态是否异常,能够综合业务节点的物流特征和过往物流包裹的历史流转状态,实现物流包裹异常流转状态的及时监控和提前预警,将事后被动发现流转异常,转变为事中的及时主动发现或者事前的提前预测,有效提高了预警效率。
在一个实施例中,所述获取物流包裹在业务节点的物流特征,可以包括如下步骤:
接收业务系统发送的数据流,并从所述数据流中获取原始的物流特征;获取所述原始的物流特征对应的第一特征向量,作为所述物流包裹的物流特征。
作为一示例,业务系统可用于采集物流包裹在多个业务节点的物流特征,业务系统可以是多个业务系统,每个业务系统可以对物流包裹的一个或多个物流业务环节进行监控,并获取物流包裹在对应业务节点的物流特征。
具体而言,物流包裹从揽收到收派的流转过程中,可以涉及到多个物流业务环节,针对多个物流业务环节,可以由多个业务系统对多个物流业务环节进行监控,例如通过末端收派系统、包裹运输系统、场地中转系统,分别对收派、运输和中转环节进行监控。然而,物流包裹的异常情况可以出现在任意物流业务环节,一旦物流包裹出现异常,由于各个业务系统之间的交互难度较高,难以及时发现导致异常的原因。
基于此,在本实施例中,业务系统可以通过数据流的方式,向服务器发送物流包裹原始的物流特征,使服务器接收到与物流包裹在多个业务节点的物流特征。具体而言,可以预先设置流处理平台,该流处理平台可以是具有高吞吐量的分布式发布订阅消息系统,例如流处理平台Kafka。各个业务系统在分别采集到物流包裹不同维度原始的物流特征后,可以将其已数据流的形式发送到流处理平台,由流处理平台将数据流转发至服务器。
服务器在得到数据流后,可以从数据流中获取物流包裹原始的物流特征,并基于原始的物流特征,获取对应的第一特征向量,作为物流包裹的物流特征。
在本实施例中,通过接收业务系统发送的数据流,并从数据流中获取原始的物流特征,获取原始的物流特征对应的第一特征向量,作为物流包裹的物流特征,能够汇总各个物流业务环节的物流特征,从而提高问题定位效率,及时发现物流包裹的流转状态异常,并且,基于数据流的处理方式,可以对海量的物流包裹进行流转状态监控,大大提高了数据处理效率,为快速及时地发现流转状态异常提供计算基础。
在一个实施例中,历史流转状态可以包括异常状态和正常状态,所述根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常,可以包括如下步骤:
确定历史流转状态为异常状态的目标历史包裹,并获取异常状态的目标历史包裹与目标历史包裹总量的比例;当所述比例超过比例阈值时,确定所述物流包裹当前的流转状态异常。
其中,目标历史包裹总量为目标历史包裹的总数量。
在实际应用中,针对各个目标历史包裹,可以根据各目标历史包裹对应的历史流转状态,确定出历史流转状态为异常状态的目标历史包裹。进而可以获取目标历史包裹总量,并获取异常状态的目标历史包裹与目标历史包裹总量之间的比例。在确定出该比例后,可以判断该比例是否超过预设的比例阈值,例如0.5,若该比例超过比例阈值,确定物流包裹当前的流转状态异常;若该比例不超过比例阈值,可以确定物流包裹当前的流转状态正常。
在本实施例中,通过获取异常状态的目标历史包裹与目标历史包裹总量的比例,当比例超过比例阈值时,确定物流包裹当前的流转状态异常,能够及时确定或提前预测物流包裹的流转情况。
在一个实施例中,在获取多个历史包裹各自对应的物流特征和历史流转状态的步骤之前,所述方法还包括:
获取所述物流包裹对应的包裹类型,以及,获取多个候选包裹各自对应的包裹类型;确定出对应包裹类型与所述物流包裹的包裹类型匹配的多个候选包裹,作为所述多个历史包裹。
作为一示例,候选包裹可以是物流任务已结束的物流包裹。
在实际应用中,可以预先对包裹进行类别划分,得到多种包裹类型。在对物流包裹进行监控时,可以获取物流包裹对应的包裹类型,以及,获取多个候选包裹各自对应的包裹类型。在获取各个候选包裹对应的包裹类型后,可以将对应的包裹类型,与物流包裹的包裹类型匹配的多个候选包裹,作为历史包裹。
在一示例中,由于历史包裹的数量会随着历史样本量的增大,为了提高服务器的处理效率,可以将预设数量的包裹类型匹配的候选包裹作为历史包裹,预设数量可以根据数据处理速度的要求或服务器的数据处理能力确定。例如,当服务器基于数据流的方式从各个业务系统获取物流特征进行数据处理,对数据处理速度要求较高,预设数量可以取20000。
在本实施例中,通过确定出对应包裹类型与所述物流包裹的包裹类型匹配的多个候选包裹,作为多个历史包裹,可以有效缩小历史包裹的范围,提高数据处理效率,及时确定出物流包裹的流转状态。
在一个实施例中,如图3所示,所述方法还可以包括如下步骤:
步骤301,获取候选包裹对应的包裹标识和流转状态,以及,统中获取所述候选包裹在多个业务节点的物流特征。
作为一示例,候选包裹对应的物流特征可以包括描述候选包裹静态属性的物流特征,以及,描述候选包裹动态属性的物流特征。
其中,描述静态属性的物流特征也可以称为静态属性数据,是物流包裹的初始化特征,例如包裹的始发地、目的地、包裹的产品类型、包裹时效类型、包裹重量、包裹的物流费用。
描述动态属性的物流特征也可以称为动态行为数据,可以是描述快件处于哪一业务环节(也可以称为包裹生命周期)和当前环节业务特征的信息,例如包裹当前业务环节的出发时间、当前业务环节的持续时长、当前业务环节经过的场地数量、该业务环节中是否按规划线路执行、是否按规划班次出发、是否按规划班次到达,其中,业务环节可以包括收件环节、中转环节和派件环节。
在具体实现中,候选包裹可以具有对包裹进行唯一标识的包裹标识,而候选包裹在物流任务的处理过程中,可以由业务系统记录对应的物流特征,当物流任务完成时,可以记录候选包裹在物流任务中的流转状态。
则服务器可以获取预设时长内的候选包裹对应的包裹标识和流转状态,并从业务系统中获取候选包裹在流转过程中多个业务节点对应的物流特征。
步骤302,根据所述候选包裹对应的物流特征,确定所述候选包裹对应的包裹类型。
在得到候选包裹对应的物流特征后,可以根据其中的一种或多种物流特征,确定候选包裹对应的包裹类型。
步骤303,采用所述候选包裹对应的包裹标识和包裹类型,生成所述候选包裹对应的键,以及,采用所述候选包裹对应的物流特征和流转状态,生成所述候选包裹对应的值。
步骤304,根据所述候选包裹对应的键和值,确定所述候选包裹对应的键值对。
在本实施例中,可以将候选包裹的物流特征设置为键值对格式,即“key/value”格式。
在实际应用中,可以采用候选包裹对应的包裹标识和包裹类型,生成包裹对应的键,具体例如,将包裹类型作为前缀prefix,并拼接上候选包裹对应的包裹标识UUID,将拼接结果“prefix|UUID”作为候选包裹对应的键“key”。
针对键值对中的值,可以采用候选包裹对应的物流特征和流转状态生成。具体的,流转状态可以是流转状态标签Label,其中,流转异常可以通过“0”表示,流转正常可以通过“1”表示,进而将候选包裹对应的物流特征“X”拼接上流转状态“Label”,得到对应的值,即value=X|Label。
在得到候选包裹对应的键key和值value后,则可以采用键和值生成键值对,并将键值对保存到内存中。
在本实施例中,能够采用键值对的方式存储候选包裹相关的物流特征和其他信息,在有效节省存储空间的同时,能够为后续快速匹配出历史包裹提供数据基础。
在一个实施例中,所述获取多个候选包裹各自对应的包裹类型,可以包括如下步骤:
获取多个候选包裹各自对应的键值对;所述键值对中存储有候选包裹的包裹类型;针对每一候选包裹,根据该候选包裹对应的键值对,确定包裹类型。
在具体实现中,各个候选包裹对应的键值对可以预先存储在内存中,在服务器筛选历史包裹时,可以获取各候选包裹对应的键值对,该键值对中存储有候选包裹对应的包裹类型,则在得到候选包裹对应的键值对,确定候选包裹对应的包裹类型。
在一示例中,在确定出对应包裹类型与物流包裹的包裹类型匹配的多个候选包裹,作为多个历史包裹时,由于物流包裹和候选包裹各自对应的包裹类型,可以作为键的前缀,存储在键值对中,可以采用物流包裹对应的前缀匹配出具有相同前缀的键值对,由此确定出多个历史包裹,多个历史包裹对应的键值对可以存储在列表中。
在本实施例中,能够快速获取到候选包裹对应的包裹类型,有效提高数据处理速度,为快速匹配出历史包裹提供基础。
在一个实施例中,所述获取候选包裹在多个业务节点的物流特征,包括:
针对每个业务节点,获取多个候选包裹相同特征类型的物流特征,以及,获取相同特征类型的物流特征各自对应的向量;对多个向量进行连续化处理,并对连续化处理后的每一向量进行数据标准化,将数据标准化结果确定为对应候选包裹的第二特征向量。
其中,多个相同特征类型的物流特征为离散的物流特征。
在实际应用中,针对同一业务节点对应的多个候选包裹,可以获取具有相同特征类型的物流特征,并确定其各自对应的向量。在得到相同特征类型的物流特征各自对应的向量后,可以对多个向量进行连续化处理。同时,由于物流特征之间的量纲不同,可以对连续化处理后的多个向量进行数据标准化,进而可以将每一向量的数据标准化结果,确定为对应候选包裹的第二特征向量。其中,可以通过如下公式进行数据标准化:
其中,xi为第二特征向量中的分量,u为多个分量xi对应的均值,σ为多个分量xi对应的方差。通过进行数据标准化,可以实现数据缩放,例如将相同特征类型的物流特征缩放为均值为0,方差为1。
在一示例中,在获取原始的物流特征对应的第一特征向量时,其处理过程与候选包裹相同特征类型的物流特征处理过程相同。具体的,针对原始的物流特征X,候选包裹相同特征类型的物流特征为物流特征Y,则在获取第一特征向量时,可以获取物流特征X处理对应的向量x,向量x的长度与物流特征Y对应向量y的长度相同。在得到向量x后,可以对向量x进行连续化处理和数据标准化处理,得到第一特征向量。
在本实施例中,针对每个业务节点,可以获取多个候选包裹相同特征类型的物流特征,以及,获取相同特征类型的物流特征各自对应的向量,对多个向量进行连续化处理,并对连续化处理后的每一向量进行数据标准化,将数据标准化结果确定为对应候选包裹的第二特征向量,能够有效提高第二特征向量的准确性、可靠性和可度量性,为特征相似度的准确计算提供基础。
在一个实施例中,所述比对所述物流包裹的物流特征以及所述历史包裹的物流特征,获取特征相似度,可以包括如下步骤:
获取所述第一特征向量和所述第二特征向量之间的欧氏距离,并将所述欧氏距离作为特征相似度。
在得到第一特征向量后,则可以计算第一特征向量与第二特征向量之间的欧式距离,并将欧式距离作为特征相似度。在计算时,可以采用如下所示的公式计算:
其中,Y为第一特征向量,X为第二特征向量,xi为第二特征向量中的分量,yi为第一特征向量中的分量。
在本实施例中,通过获取第一特征向量和第二特征向量之间的欧氏距离,作为特征相似度,能够物流包裹与历史包裹之间的相似程度进行量化,为后续确定物流包裹的流转状态提供基础。
在一个实施例中,所述根据所述候选包裹对应的物流特征,确定所述候选包裹对应的包裹类型,可以包括如下步骤:
获取预设的识别特征类型;从所述候选包裹对应的物流特征中,获取与所述识别特征类型匹配的物流特征,作为所述候选包裹对应的包裹类型。
其中,识别特征类型可以是用于识别包裹类型的物流特征类型。
在具体实现中,候选包裹可以具有多个不同特征类型的物流特征,可以从多个特征类型中,预先确定出作为识别特征类型的特征类型。服务器在获取到候选包裹对应的物流特征后,可以获取预设的识别特征类型,进而可以从候选包裹的物流特征中,获取与识别特征类型匹配的物流特征,作为候选包裹的包裹类型。
例如,识别特征类型可以是包裹产品类型和包裹时效类型,则可以获取包裹产品类型和包裹时效类型具体对应的物流特征,作为包裹类型。
在本实施例中,可以从候选包裹对应的物流特征中,获取与识别特征类型匹配的物流特征,作为候选包裹对应的包裹类型,能够预设标准对候选包裹的类型进行区分。
在一个实施例中,所述方法还可以包括如下步骤:
当确定所述物流包裹的流转状态异常时,生成告警信息;向所述物流包裹关联的监控终端发送所述告警信息。
作为一示例,监控终端可以是执行物流任务的操作人员的手持终端设备。
在实际应用中,在确定物流包裹的流转状态异常时,可以生成告警信息,并向物流包裹关联的监控终端发送告警信息,提示相关的操作人员进行异常检查。当操作人员确认异常状况存在时,可以及时进行解决,并服务器上报产生异常的异常原因;若检查后确定异常不存在,则可以向服务器上传误报原因,服务器可以将接收到的误报原因进行数据持久化,后续可以根据误报原因进行数据剔除。
在本实施例中,当确定物流包裹的流转状态异常时,生成告警信息,并向物流包裹关联的监控终端发送所述告警信息,能够及时通知相关人员解决异常,从而保证物流运输的时效,降低运输成本。
为了使本领域技术人员能够更好地理解上述步骤,以下通过一个例子对本申请实施例加以示例性说明,但应当理解的是,本申请实施例并不限于此。
以服务器为流处理系统为例,本实施例可以采用如图4所示的框架,包括数据源模块、流处理系统和数据服务模块。
具体的,数据源模块为可重放数据的Kafka流处理平台,流处理平台可以从各个业务系统中接收流数据(stream),并根据流数据的topic(类型)进行分类,并流数据发送至流处理系统中。
流处理系统在接收到流数据后,可以首先将数据存储至数据仓库工具(例如hive)中,进行批处理,定义计算逻辑,通过数据仓库工具中的数据集进行建模得到模型。该模型可以针对物流包裹,提供事中异常监控告警服务和事前异常识别服务,其中,事中异常监控告警服务和事前异常识别服务可以采用如上所述的物流包裹异常状态的识别方法进行监控和识别。
在实际监控过程中,可以对接收到的数据流进行向量化处理、连续化处理和标准化处理,并通过预先构建的模型对物流包裹进行监控,同时,也可以将处理后的数据存储到存储模块中。
针对流处理系统,如图5所示,流处理系统在接收到数据流后,可以将数据流保存在文件系统中,并离线训练异常识别模型。在对物流包裹进行监控时,可以加载事前异常识别模型,并结合事中业务异常计算逻辑,对接收到的数据流进行计算,确定出事中异常或事前异常,并生成告警信息,推送到相关系统和操作人员终端。操作人员在接收到告警信息后,可以检查物流包裹是否存在异常,若是,则解决异常并将异常原因上传至流处理系统;若否,则可以确定误报原因并上传流处理系统,流处理系统可以将异常原因和误报原因存储至文件系统。
应该理解的是,虽然图1-5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1-5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,如图6所示,提供了一种物流包裹异常状态的识别装置,所述装置可以包括:
物流特征获取模块601,用于获取物流包裹在业务节点的物流特征;
历史流转状态获取模块602,用于获取多个历史包裹各自对应的物流特征和历史流转状态;
比对模块603,用于比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并根据所述特征相似度,从多个历史包裹中获取目标历史包裹;
流转状态识别模块604,用于根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常。
在一个实施例中,所述物流特征获取模块601,包括:
数据流获取子模块,用于接收业务系统发送的数据流,并从所述数据流中获取原始的物流特征;所述业务系统用于采集物流包裹在多个业务节点的物流特征;
第一特征向量获取子模块,用于获取所述原始的物流特征对应的第一特征向量,作为所述物流包裹的物流特征。
在一个实施例中,所述历史流转状态包括异常状态和正常状态,所述流转状态识别模块604,包括:
比例计算子模块,用于确定历史流转状态为异常状态的目标历史包裹,并获取异常状态的目标历史包裹与目标历史包裹总量的比例;
异常状态识别子模块,用于当所述比例超过比例阈值时,确定所述物流包裹当前的流转状态异常。
在一个实施例中,所述装置还包括:
包裹类型获取模块,用于获取所述物流包裹对应的包裹类型,以及,获取多个候选包裹各自对应的包裹类型;
历史包裹确定模块,用于确定出对应包裹类型与所述物流包裹的包裹类型匹配的多个候选包裹,作为所述多个历史包裹。
在一个实施例中,所述包裹类型获取模块,包括:
键值对获取子模块,用于获取多个候选包裹各自对应的键值对;所述键值对中存储有候选包裹的包裹类型;
键值对识别子模块,用于针对每一候选包裹,根据该候选包裹对应的键值对,确定包裹类型。
在一个实施例中,所述装置还包括:
包裹标识获取模块,用于获取候选包裹对应的包裹标识和流转状态,以及,获取所述候选包裹在多个业务节点的物流特征;
包裹类型确定模块,用于根据所述候选包裹对应的物流特征,确定所述候选包裹对应的包裹类型;
键值获取模块,用于采用所述候选包裹对应的包裹标识和包裹类型,生成所述候选包裹对应的键,以及,采用所述候选包裹对应的物流特征和流转状态,生成所述候选包裹对应的值;
键值对生成模块,用于根据所述候选包裹对应的键和值,确定所述候选包裹对应的键值对。
在一个实施例中,所述包裹标识获取模块,包括:
向量获取子模块,用于针对每个业务节点,获取多个候选包裹相同特征类型的物流特征,以及,获取相同特征类型的物流特征各自对应的向量;其中,多个相同特征类型的物流特征为离散的物流特征;
第二特征向量获取子模块,用于对多个向量进行连续化处理,并对连续化处理后的每一向量进行数据标准化,将数据标准化结果确定为对应候选包裹的第二特征向量。
在一个实施例中,所述根包裹类型确定模块,包括:
识别特征类型获取子模块,用于获取预设的识别特征类型;所述识别特征类型为用于识别包裹类型的特征类型;
匹配子模块,用于从所述候选包裹对应的物流特征中,获取与所述识别特征类型匹配的物流特征,作为所述候选包裹对应的包裹类型。
在一个实施例中,所述装置还包括:
告警信息生成模块,用于当确定所述物流包裹的流转状态异常时,生成告警信息;
告警信息发送模块,用于向所述物流包裹关联的监控终端发送所述告警信息。
关于一种物流包裹异常状态的识别装置的具体限定可以参见上文中对于一种物流包裹异常状态的识别方法的限定,在此不再赘述。上述一种物流包裹异常状态的识别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。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7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从业务系统获取的数据流。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物流包裹异常状态的识别方法。
本领域技术人员可以理解,图7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以下步骤:
获取物流包裹在多个业务系统中的物流特征;所述多个业务系统用于采集所述物流包裹不同维度的物流特征;
获取多个历史包裹各自对应的物流特征和历史流转状态;
比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并从多个历史包裹中,获取所述特征相似度满足预设的相似度条件的目标历史包裹;
根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常。
在一个实施例中,处理器执行计算机程序时还实现上述其他实施例中的步骤。
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,计算机程序被处理器执行时实现以下步骤:
获取物流包裹在多个业务系统中的物流特征;所述多个业务系统用于采集所述物流包裹不同维度的物流特征;
获取多个历史包裹各自对应的物流特征和历史流转状态;
比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并从多个历史包裹中,获取所述特征相似度满足预设的相似度条件的目标历史包裹;
根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的步骤。
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 (11)
1.一种物流包裹异常状态的识别方法,其特征在于,所述方法包括:
获取物流包裹在业务节点的物流特征;
获取多个历史包裹各自对应的物流特征和历史流转状态;
比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并根据所述特征相似度,从多个历史包裹中获取目标历史包裹;
根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常。
2.根据权利要求1所述的方法,其特征在于,所述获取物流包裹在业务节点的物流特征,包括:
接收业务系统发送的数据流,并从所述数据流中获取原始的物流特征;所述业务系统用于采集物流包裹在多个业务节点的物流特征;
获取所述原始的物流特征对应的第一特征向量,作为所述物流包裹的物流特征。
3.根据权利要求1所述的方法,其特征在于,所述历史流转状态包括异常状态和正常状态,所述根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常,包括:
确定历史流转状态为异常状态的目标历史包裹,并获取异常状态的目标历史包裹与目标历史包裹总量的比例;
当所述比例超过比例阈值时,确定所述物流包裹当前的流转状态异常。
4.根据权利要求1至3中任一项所述的方法,其特征在于,在获取多个历史包裹各自对应的物流特征和历史流转状态的步骤之前,所述方法还包括:
获取所述物流包裹对应的包裹类型,以及,获取多个候选包裹各自对应的包裹类型;
确定出对应包裹类型与所述物流包裹的包裹类型匹配的多个候选包裹,作为所述多个历史包裹。
5.根据权利要求4所述的方法,其特征在于,所述获取多个候选包裹各自对应的包裹类型,包括:
获取多个候选包裹各自对应的键值对;所述键值对中存储有候选包裹的包裹类型;
针对每一候选包裹,根据该候选包裹对应的键值对,确定包裹类型。
6.根据权利要求5所述的方法,其特征在于,还包括:
获取候选包裹对应的包裹标识和流转状态,以及,获取所述候选包裹在多个业务节点的物流特征;
根据所述候选包裹对应的物流特征,确定所述候选包裹对应的包裹类型;
采用所述候选包裹对应的包裹标识和包裹类型,生成所述候选包裹对应的键,以及,采用所述候选包裹对应的物流特征和流转状态,生成所述候选包裹对应的值;
根据所述候选包裹对应的键和值,确定所述候选包裹对应的键值对。
7.根据权利要求6所述的方法,其特征在于,所述获取所述候选包裹在多个业务节点的物流特征,包括:
针对每个业务节点,获取多个候选包裹相同特征类型的物流特征,以及,获取相同特征类型的物流特征各自对应的向量;其中,多个相同特征类型的物流特征为离散的物流特征;
对多个向量进行连续化处理,并对连续化处理后的每一向量进行数据标准化,将数据标准化结果确定为对应候选包裹的第二特征向量。
8.根据权利要求5所述的方法,其特征在于,所述根据所述候选包裹对应的物流特征,确定所述候选包裹对应的包裹类型,包括:
获取预设的识别特征类型;所述识别特征类型为用于识别包裹类型的特征类型;
从所述候选包裹对应的物流特征中,获取与所述识别特征类型匹配的物流特征,作为所述候选包裹对应的包裹类型。
9.一种物流包裹异常状态的识别装置,其特征在于,所述装置包括:
物流特征获取模块,用于获取物流包裹在业务节点的物流特征;
历史流转状态获取模块,用于获取多个历史包裹各自对应的物流特征和历史流转状态;
比对模块,用于比对所述物流包裹的物流特征以及所述历史包裹的物流特征,得到特征相似度,并根据所述特征相似度,从多个历史包裹中获取目标历史包裹;
流转状态识别模块,用于根据所述目标历史包裹对应的历史流转状态,确定所述物流包裹当前的流转状态是否异常。
10.一种计算机设备,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8中任一项所述方法的步骤。
11.一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8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110418862.6A CN115222315A (zh) | 2021-04-19 | 2021-04-19 | 物流包裹异常状态的识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110418862.6A CN115222315A (zh) | 2021-04-19 | 2021-04-19 | 物流包裹异常状态的识别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222315A true CN115222315A (zh) | 2022-10-21 |
Family
ID=83604461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110418862.6A Pending CN115222315A (zh) | 2021-04-19 | 2021-04-19 | 物流包裹异常状态的识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222315A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689444A (zh) * | 2022-10-25 | 2023-02-03 | 国网物资有限公司 | 基于历史案例的物流自动监控方法、装置、设备和介质 |
-
2021
- 2021-04-19 CN CN202110418862.6A patent/CN115222315A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689444A (zh) * | 2022-10-25 | 2023-02-03 | 国网物资有限公司 | 基于历史案例的物流自动监控方法、装置、设备和介质 |
CN115689444B (zh) * | 2022-10-25 | 2023-06-13 | 国网物资有限公司 | 基于历史案例的物流自动监控方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110888755B (zh) | 一种微服务系统异常根因节点的查找方法及装置 | |
CN113473511A (zh) | 经由机器学习模型的网络系统故障解决 | |
CN110784355B (zh) | 一种故障识别方法及装置 | |
CN106874135B (zh) | 用于检测机房故障的方法、装置及设备 | |
CN112817785A (zh) | 一种微服务系统的异常检测方法及装置 | |
CN111695884B (zh) | 一种基于智慧工地的物联网大数据可视化方法及系统 | |
US20140351414A1 (en) | Systems And Methods For Providing Prediction-Based Dynamic Monitoring | |
CN115222315A (zh) | 物流包裹异常状态的识别方法、装置和计算机设备 | |
CN115272983B (zh) | 基于图像识别的接触网悬挂状态监测方法及系统 | |
CN116319777A (zh) | 一种基于边缘计算的智能网关业务处理方法 | |
CN112765217A (zh) | 基于边缘计算和路径分析的数据处理方法及系统 | |
CN113723555A (zh) | 异常数据的检测方法及装置、存储介质、终端 | |
CN117033421A (zh) | 车辆故障分析方法、装置、设备、介质和产品 | |
WO2023050670A1 (zh) | 虚假信息检测方法、系统、计算机设备及可读存储介质 | |
CN115757398A (zh) | 数据存储方法、装置、计算机设备和存储介质 | |
CN111935279B (zh) | 基于区块链和大数据的物联网络维护方法及计算节点 | |
CN111966515A (zh) | 业务异常数据处理方法、装置、计算机设备和存储介质 | |
CN115118631A (zh) | 链路异常处理方法、装置、电子设备及存储介质 | |
CN110808915B (zh) | 数据流所属应用识别方法、装置及数据处理设备 | |
CN113901849A (zh) | 智能化物料检测方法及系统 | |
CN114428704A (zh) | 全链路分布式监控的方法、装置、计算机设备和存储介质 | |
CN111581062A (zh) | 服务的故障处理方法及服务器 | |
CN111985446A (zh) | 人脸识别方法以及系统 | |
CN117057786B (zh) | 一种数据中心智能化运维管理方法、系统及存储介质 | |
CN114706737B (zh) | 崩溃告警方法、装置、系统、设备及可读存储介质 |
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 |