CN115879849B - 一种物流信息的智能管理方法 - Google Patents

Abstract

本发明公开了一种物流信息的智能管理方法，属于信息管理技术领域；包括以下步骤：获取当前订单物流信息以及多个历史订单物流信息；获取当前订单物流信息与每个批次的异常程度；获取初始离群密度的评价指标；获取最优的离群密度；获取当前订单物流信息更新必要性；根据当前订单物流信息更新必要性对当前订单物流信息是否要更新进行判断。本发明通过自适应选取最优的离群密度，使得计算的离群程度与相似订单的异常程度差异越小，从而通过最优的离群密度获取的异常性指标能够对当前物流信息是否更新作出准备判断。

Description

一种物流信息的智能管理方法

技术领域

本发明涉及信息管理技术领域，具体涉及一种物流信息的智能管理方法。

背景技术

物流信息是记录物流活动的基本内容，包括接货内容、安排储存任务、作业程序选择、制定价格及相关人员查询等。通常采用完善的考核指标体系对物流作业计划和绩效进行评价和鉴别，能够保证物流服务的水平和质量。只有不断的加强信息的集成与流通，才能有利于物流作业的时效性，提高物流作业的质量与效率，减少劳动强度。其中对于物流配送信息，如果用户商品的物流长时间不更新，消费者非常容易产生焦虑的心理，进而产生一些投诉的行为。如果这样的现象产生，除了对商家的评价有坏的影响，也对消费者的购物体验造成了严重的负面影响。目前，在用户不断查看订单物流信息时，可能会因为订单物流信息的更新不及时，造成用户退单，投诉等行为，现有技术中对于一般订单物流信息是按地点或按时间进行更新的，在用户着急查看订单信息时，可能存在已有当前订单信息，但是并没有更新到用户可查看界面的情况。故本发明提供一种需要通过对获取的物流信息进行管理，以达到以及对用户订单更新的目的。

发明内容

为了解决现有技术中可能存在已有当前订单物流信息并没有更新到用户可查看界面的问题，本发明提供一种物流信息的智能管理方法，该方法通过自适应选取最优的离群密度，使得计算的离群程度与相似订单的异常程度差异越小，从而通过最优的离群密度获取的异常性指标能够对当前物流信息是否更新作出准备判断。

本发明的目的是提供一种物流信息的智能管理方法，包括以下步骤：

获取当前订单物流信息以及多个历史订单物流信息；

将当前订单物流信息以及多个历史订单物流信息进行聚类，将当前订单物流信息在同一聚类内的多个历史订单物流信息进行比较，获取与当前订单物流信息相似的多个历史订单物流信息；

利用与当前订单物流信息相似的多个历史订单物流信息基于LOF算法及初始离群密度获取初始离群密度的优选程度；并获取初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度；

将与当前订单物流信息相似的多个历史订单物流信息划分为多个批次；

根据当前订单物流信息与每个批次的物流信息获取当前订单物流信息与每个批次的异常程度；

根据初始离群密度的优选程度、初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度以及当前订单物流信息与每个批次的异常程度获取初始离群密度的评价指标；

对LOF算法中的初始离群密度进行调整，利用获取的每次调整后离群密度的评价指标中的最优评价指标得到最优的离群密度；

根据最优的离群密度对应的离群程度以及当前订单物流信息与每个批次的异常程度获取当前订单物流信息更新必要性；

根据当前订单物流信息更新必要性对当前订单物流信息是否要更新进行判断。

在一个实施例中，所述当前订单物流信息与每个批次的异常程度是按照以下步骤获取：

根据当前订单物流信息相对于每个批次的物流信息中运输在同一时间的位置差异，以及当前订单物流信息相对于每个批次的物流信息中处于相同位置时对应的时间间隔差异，获取当前订单物流信息与每个批次的异常程度。

在一个实施例中，所述初始离群密度的评价指标是按照以下步骤获取：

根据初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度，与当前订单物流信息与所有批次的异常程度累加值的绝对差值，乘以初始离群密度的优选程度获取初始离群密度的评价指标。

在一个实施例中，所述最优的离群密度是按照以下步骤获取的：

设置评价阈值；当对LOF算法中的初始离群密度进行调整时，计算的对应离群密度的评价指标大于评价阈值时，则将大于评价阈值所对应的离群密度作为最优的离群密度。

在一个实施例中，所述初始离群密度的优选程度是按照以下步骤获取：

利用与当前订单物流信息相似的多个历史订单物流信息基于在LOF算法及初始离群密度获取初始离群密度下的每个相似历史订单物流信息的离群因子；对离群因子采用K均值算法聚为两类；根据聚类后的两个聚类簇的簇内元素的数量的差异以及两个聚类簇的簇中心的差异，获取初始离群密度的优选程度。

在一个实施例中，所述根据当前订单物流信息更新必要性对当前订单物流信息是否要更新进行判断，包括：

设置更新阈值；若当前订单物流信息更新必要性大于更新阈值时，则要对当前订单物流信息进行更新。

在一个实施例中，所述聚类过程中是根据运输方式，运输路线进行聚类获取多类物流信息；其中，聚类距离为运输路线的初始地点、对应运输方式的终点以及运输方式。

本发明的有益效果是：本发明提供的一种物流信息的智能管理方法，该方法主要是通过历史订单物流信息来判断当前订单信息是否异常，而对当前订单物流信息是否进行更新作出判断。具体是利用与当前订单物流信息相似的多个历史订单物流信息基于LOF算法及初始离群密度获取初始离群密度的优选程度；并获取与当前订单物流信息相似的多个历史订单物流信息的离群程度；通过依次变换离群密度计算对应变换后离群密度的评价指标获取最优的离群密度，使计算得到最优的离群密度与相似订单的异常程度差异越小；再根据最优的离群密度对应的离群程度以及当前订单物流信息与每个批次的异常程度获取当前订单物流信息更新必要性；主要通过最优的离群密度获取的异常性指标能够对当前物流信息是否更新作出准备判断；从而实现了能够实时将当前订单物流信息更新到用户可查看界面上，避免用户着急的等待或者退单。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种物流信息的智能管理方法的实施例总体步骤的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明通过对获取的当前订单物流信息在用户界面更新时间进行分析，通过将其更新时间与对应当前订单物流信息相似的历史订单物流信息更新时间进行比较，获取当前订单物流信息的更新必要性，根据更新必要性对用户物流信息进行及时更新。

本发明提供的一种物流信息的智能管理方法，参见图1所示，包括以下步骤：

S1、获取当前订单物流信息以及多个历史订单物流信息。

将当前订单物流信息以及多个历史订单物流信息进行聚类，将当前订单物流信息在同一聚类内的多个历史订单物流信息进行比较，获取与当前订单物流信息相似的多个历史订单物流信息；其中，物流信息包括最近一次物流信息更新时间，物流状态，物流当前所在位置，运输方式，运输时间，运输路线，配送目的地，配送预计到达时间。

具体的，聚类过程中是根据运输方式，运输路线进行聚类获取多类物流信息；其中，聚类距离为运输路线的初始地点差异、对应运输方式的终点差异以及运输方式差异。为此，通过聚类可将当前订单物流信息划分至其中的一个聚类中，主要是为了获取与当前订单物流信息相似的历史订单物流信息，再通过相似的历史订单物流信息来推断当前订单信息是否异常。其中，聚类算法使用DBSCAN算法进行聚类。

在本实施例中，物流信息中的更新时间记为t0，物流状态Z记为1，0，其中1为正常，0为异常。物流当前所处位置WZ为真实经纬度坐标，运输方式Y分为3种，长途货车，飞机运输，以及快递员运输，分别记为0，1，2。运输时间记为t1，即记录该货物已运输时间。运输路线LX为一二维地图运送路线。配送目的地MD包括起始与目标目的地两部分，分别记为MD[0]，MD[1]。故获取的物流信息可记为G(t0，Z，WZ，Y，t1，LX，MD)。

在本实施例中，对当前订单物流信息中的预设配送路线进行提取，并对当前订单物流信息在同一聚类内的每个历史订单物流信息中的配送路线进行提取，根据预设配送路线与每个历史订单对应的配送路线进行比较，获取与当前订单物流信息相似的多个历史订单物流信息；

其中配送路线为在图像中标记的路线；由于配送过程中经过多种配送方式进行配送，故可以根据当前配送情况对应配送方式相似的进行比较。即根据物流所处不同配送方式，根据对应配送方式匹配相同配送路径下对应配送信息；配送方式即为运输方式。根据不同配送方式获取异常行为，即若当相同渠道相近订单，则说明当前订单没有问题。

需要说明的是，在预设配送路线与每个历史订单对应的配送路线进行比较，由于不同配送时间对应的配送人员以及配送习惯均有所不同，故本实施例首先通过对预设路径进行比较，获取与当前订单配送路线相似订单进行分析，分析在具体路线上也相似的配送路线对应历史订单物流信息。在配送路线匹配方法使用形状上下文算法进行匹配，该算法为现有公知技术，在此不再赘述。根据先验设置阈值δ=0.8，将配送路径相似度大于阈值对应的历史订单物流信息作为与当前订单物流信息相似的历史订单物流信息。

S2、获取初始离群密度的优选程度。

利用与当前订单物流信息相似的多个历史订单物流信息基于LOF算法及初始离群密度获取初始离群密度的优选程度；并获取初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度。

需要说明的是，本实施例中使用LOF离群检测算法，由于在使用过程中该算法中离群密度k的设置大多为人为根据经验进行设定，但是由于不同运输物流对应的不同路线，不同具体情况以及配送人员。故如果仅使用预先设置好的则会出现很大误差，可能会使得计算出来的异常值变大或变小，故本实施例设置的自适应k值。

具体的，初始离群密度的优选程度是按照以下步骤获取：利用与当前订单物流信息相似的多个历史订单物流信息基于在LOF算法及初始离群密度获取初始离群密度下的每个相似历史订单物流信息的离群因子；对离群因子采用K均值算法聚为两类；根据聚类后的两个聚类簇的簇内元素的数量的差异以及两个聚类簇的簇中心的差异，获取初始离群密度的优选程度。

在本实施例中，初始离群密度的优选程度计算公式如下：，式中，表示初始离群密度的优选程度；和分别表示使用K均值聚类后，获取到两个聚类簇的簇内元素的数量；表示两个聚类簇的簇中心的差异；即当所求两个聚类簇的簇内元素差异越大，簇中心差异越大，则说明当前LOF算法对应的k值越合适。也就是当获取的聚类结果中，所包含的聚类簇数中两个聚类簇内元素数量差异越小，则说明此时离群算法对应离群密度越差。

在本实施例中，获取初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度是根据LOF算法而获取的。

S3、获取当前订单物流信息与每个批次的异常程度。

将与当前订单物流信息相似的多个历史订单物流信息划分为多个批次；

根据当前订单物流信息与每个批次的物流信息获取当前订单物流信息与每个批次的异常程度；

需要说明的是，与当前订单物流信息相似的多个历史订单物流信息存在不同的运输批次，因此，将多个历史订单物流信息按照运输批次划分多个批次，其中每个批次为相同的运输批次。

其中，由于在进行物流配送时，配送物品不可能进行单独配送，故可以根据获取与当前物流重合的物流信息与当前物流信息进行比较，进而获取当前物流信息的异常程度。

具体的，当前订单物流信息与每个批次的异常程度是按照以下步骤获取：根据当前订单物流信息相对于每个批次的物流信息中运输在同一时间的位置差异，以及当前订单物流信息相对于每个批次的物流信息中处于相同位置时对应的时间间隔差异，获取当前订单物流信息与每个批次的异常程度。

在本实施例中，当前订单物流信息与每个批次的异常程度计算公式如下：，式中，表示当前订单与任一批次中相似订单物流信息对应运输在同一时间t时对应的平均位置差异，平均位置差异表示若当前批次中运输物品中物流信息相似订单有p个，则每个订单从开始运输到时间t时对应的地理位置坐标与当前订单在时间t时对应的地理坐标的欧式距离记为位置差异，这p个订单的位置差异的平均和即为平均位置差异，其中m表示当前运输路线上的已经过标记位置点的数量，表示当前运输数据与当前批次运输数据处于相同位置i时，对应的平均时间间隔的差异；平均时间间隔的差异表示若当前批次中运输物品中物流信息相似订单有p个，则每个订单从运输标记点i到运输标记点i+1时对应的时间与当前订单在运输标记点i到运输标记点i+1时对应的时间的差异，那么p个订单的m段路径对应的时间间隔差异的平均和即为平均时间间隔的差异。表示当前订单物流信息与一个批次的异常程度；需要说明的是，由于在进行物流配送时，配送物品不可能进行单独配送，故可以根据获取与当前物流重合的物流信息与当前物流信息进行比较，进而获取当前物流信息的异常程度；若当前运输时间在同一时间间隔下所处的位置越接近，同一位置对应到达时间越接近，则说明当前用户运输情况越正常。

S4、获取最优的离群密度；

根据初始离群密度的优选程度、初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度以及当前订单物流信息与每个批次的异常程度获取初始离群密度的评价指标；

对LOF算法中的初始离群密度进行调整，利用获取的每次调整后离群密度的评价指标中的最优评价指标得到最优的离群密度。

其中，初始离群密度的评价指标是按照以下步骤获取：根据初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度，与当前订单物流信息与所有批次的异常程度累加值的绝对差值，乘以初始离群密度的优选程度获取初始离群密度的评价指标。

在本实施例中，初始离群密度的评价指标计算公式如下：，式中，表示初始离群密度的评价指标；表示当前离群密度的优选程度，LOF表示当前订单物流信息在与其相似的多个历史订单物流信息中的离群程度，表示当前订单物流信息与第i个批次的异常程度；n表示将与当前订单物流信息相似的多个历史订单物流信息划分的批次；由于与当前订单相似订单对应于不同运输批次，故将于当前相似订单按运输批次划分为n个批次，则n表示所有与当前订单物流信息相似的历史订单物流信息中的所包含的运输批次。表示当前订单物流信息相似的多个历史订单物流信息的离群程度与当前订单物流信息与所有批次订单物流信息的异常程度的加和的差异的绝对值，即使用LOF算法获取的异常性指标与当前订单与所有相似订单的异常程度指标的差异，此差异越小说明LOF算法效果越好。即通过初始离群密度的优选程度结合异常程度差异对当前离群密度的评价指标进行综合评价，当所求计算获取的离群程度与异常程度差异越小，越可以说明当前使用的LOF算法对应K值越为优选K值。

具体的，最优的离群密度是按照以下步骤获取的：设置评价阈值；当对LOF算法中的初始离群密度进行调整时，计算的对应离群密度的评价指标大于评价阈值时，则将大于评价阈值所对应的离群密度作为最优的离群密度。

在本实施例中，更具先验设置评价阈值，并且设置初始离群密度为3，再依次增大调整，当计算的离群密度的评价指标归一化后的值大于评价阈值时，则将大于评价阈值所对应调整后的离群密度作为最优的离群密度。

S5、根据最优的离群密度对应的离群程度以及当前订单物流信息与每个批次的异常程度获取当前订单物流信息更新必要性；

根据当前订单物流信息更新必要性对当前订单物流信息是否要更新进行判断。

在本实施例中，当前订单物流信息更新必要性计算公式如下：，式中，表示最优的离群密度对应的离群程度；表示当前订单物流信息与第i个批次的异常程度；n表示与当前订单物流信息相似的多个历史订单物流信息划分的批次；表示以自然常数e为底的指数函数；表示综合离群程度与异常程度，R当前订单物流信息更新必要性，即所求越大，说明数据越异常，即所求R越大，说明当前订单物流信息越需要更新。也就是根据获取离群程度与异常程度可知，当前订单物流信息越异常，则说明该物流信息的更新就必须越及时越频繁，故其物流信息越异常，则其物流信息更新必要性就越大。

具体的，根据当前订单物流信息更新必要性对当前订单物流信息是否要更新进行判断，包括：设置更新阈值；若当前订单物流信息更新必要性大于更新阈值时，则要对当前订单物流信息进行更新。

在本实施例中，通过先验设置更新阈值ξ=0.8，若当前订单物流信息更新必要性大于更新阈值时，则要对当前订单物流信息进行更新，并根据R值的大小进行排队更新。

在本实施例中，由于在系统繁忙运行时，系统由于优先级问题，优先处理一些处理等级较高的用户订单物流信息的，或者处理一些商户信息的更新存储，故可以根据获取的不同订单物流更新必要性，对每个订单物流信息更新操作进行评级，进而对用户订单进行更新。根据获取的更新等级，对需要及时更新的物流信息进行更新。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种物流信息的智能管理方法，其特征在于，包括以下步骤：

获取当前订单物流信息以及多个历史订单物流信息；

将当前订单物流信息以及多个历史订单物流信息进行聚类，将当前订单物流信息在同一聚类内的多个历史订单物流信息进行比较，获取与当前订单物流信息相似的多个历史订单物流信息；

利用与当前订单物流信息相似的多个历史订单物流信息基于在LOF算法及初始离群密度获取初始离群密度的优选程度；并获取初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度；

所述初始离群密度的优选程度是按照以下步骤获取：

利用与当前订单物流信息相似的多个历史订单物流信息基于在LOF算法及初始离群密度获取初始离群密度下的每个相似历史订单物流信息的离群因子；对离群因子采用K均值算法聚为两类；根据聚类后的两个聚类簇的簇内元素的数量的差异以及两个聚类簇的簇中心的差异，获取初始离群密度的优选程度；

初始离群密度的优选程度计算公式如下：,式中，E表示初始离群密度的优选程度，P和O分别表示使用K均值聚类后，获取到两个聚类簇的簇内元素的数量，D表示两个聚类簇的簇中心的差异；

将与当前订单物流信息相似的多个历史订单物流信息划分为多个批次；

根据当前订单物流信息与每个批次的物流信息获取当前订单物流信息与每个批次的异常程度；

所述当前订单物流信息与每个批次的异常程度是按照以下步骤获取：

根据当前订单物流信息相对于每个批次的物流信息中运输在同一时间的位置差异，以及当前订单物流信息相对于每个批次的物流信息中处于相同位置时对应的时间间隔差异，获取当前订单物流信息与每个批次的异常程度；

当前订单物流信息与每个批次的异常程度计算公式如下：,式中，Q表示每个批次的异常程度，表示当前订单与任一批次中相似订单物流信息对应运输在同一时间t时对应的平均位置差异，m表示当前运输路线上的已经过标记位置点的数量，表示当前运输数据与当前批次运输数据处于相同位置i时，对应的平均时间间隔的差异；

根据初始离群密度的优选程度、初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度以及当前订单物流信息与每个批次的异常程度获取初始离群密度的评价指标；

所述初始离群密度的评价指标是按照以下步骤获取：

根据初始离群密度对应的与当前订单物流信息相似的多个历史订单物流信息的离群程度，与当前订单物流信息与每个批次的异常程度的加和值的绝对差值，乘以初始离群密度的优选程度获取初始离群密度的评价指标；

初始离群密度的评价指标计算公式如下：,式中，W表示初始离群密度的评价指标；E表示当前离群密度的优选程度，LOF表示与当前订单物流信息相似的多个历史订单物流信息的离群程度，表示当前订单物流信息与第i个批次的异常程度；n表示将与当前订单物流信息相似的多个历史订单物流信息划分的批次；

对LOF算法中的初始离群密度进行调整，利用获取的每次调整后离群密度的评价指标中的最优评价指标得到最优的离群密度；

根据最优的离群密度对应的离群程度以及当前订单物流信息与每个批次的异常程度获取当前订单物流信息更新必要性；

根据当前订单物流信息更新必要性对当前订单物流信息是否要更新进行判断。

2.根据权利要求1所述的物流信息的智能管理方法，其特征在于，所述最优的离群密度是按照以下步骤获取的：

设置评价阈值；当对LOF算法中的初始离群密度进行调整时，计算的对应离群密度的评价指标大于评价阈值时，则将大于评价阈值所对应的离群密度作为最优的离群密度。

3.根据权利要求1所述的物流信息的智能管理方法，其特征在于，所述根据当前订单物流信息更新必要性对当前订单物流信息是否要更新进行判断，包括：

设置更新阈值；若当前订单物流信息更新必要性大于更新阈值时，则要对当前订单物流信息进行更新。

4.根据权利要求1所述的物流信息的智能管理方法，其特征在于，所述聚类过程中是根据运输方式，运输路线进行聚类获取多类物流信息；其中，聚类距离为运输路线的初始地点、对应运输方式的终点以及运输方式。

Images