CN116151542A - 物流订单实时监控方法、装置、设备及存储介质 - Google Patents
物流订单实时监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116151542A CN116151542A CN202211516645.1A CN202211516645A CN116151542A CN 116151542 A CN116151542 A CN 116151542A CN 202211516645 A CN202211516645 A CN 202211516645A CN 116151542 A CN116151542 A CN 116151542A
- Authority
- CN
- China
- Prior art keywords
- logistics
- data
- original data
- monitoring
- customer
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 42
- 238000012806 monitoring device Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 abstract description 10
- 238000013523 data management Methods 0.000 abstract description 3
- 239000004576 sand Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 5
- 241000282376 Panthera tigris Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001125046 Sardina pilchardus Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011499 joint compound Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000019512 sardine Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流监控技术领域，公开了一种物流运单实时监控方法、装置、设备及存储介质。该方法包括：当接收到物流运单的调用指令时，获取物流运单原始数据；将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型；根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。本发明根据得到的数据类型将物流运单原始数据生成对应更细分的业务表单，从而便于规范物流运单数据管理，提高物流运输的可靠性，提高物流运输管理水平和降低运行成本。
Description
技术领域
本发明涉及物流监控技术领域，尤其涉及一种物流订单实时监控方法、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，以“物流+互联网”的业务协同组合模式在物流综合服务平台中得到了广泛的应用和推广。物流业是当前实现产品流通的重要服务环节，对商品流通、物资调配发挥着不可替代的作用。
随着电子商务领域的不断成熟，物流领域信息化的不断完善，物流领域对物流数据处理的需求越来越大。物流业务需要逐层的转包和分包，使得物流信息全程跟踪链路过长，在日益增长的物流数据或者物流业务的多次转包和分包之后，导致跟踪物流运单数据得不到细分，使得物流运单数据不够完善和清晰，从而导致物流运输管理水平下降，提高了运行成本。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于解决现有物流运单数据不够细分，导致物流运输管理水平下降、运行成本较高的问题。
本发明第一方面提供了一种物流运单实时监控方法，包括：当接收到物流运单的调用指令时，获取物流运单原始数据；将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型；根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。
可选的，在本发明第一方面的第一种实现方式中，所述将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型，包括：当接收到数据存储指令时，将所述物流运单原始数据写入至卡夫卡消息队列的集群中；以标题为单位对写入的物流运单原始数据进行归纳存储；调用卡夫卡消息队列中的物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型，所述数据类型包括揽收数据、在途数据和签收数据。
可选的，在本发明第一方面的第二种实现方式中，所述调用卡夫卡消息队列中的物流运单原始数据输入到已训练的分类模型中进行类型划分，包括：当接收到类型划分指令时，调用卡夫卡消息队列中的物流运单原始数据；对所述物流运单原始数据进行语素分析，得到具有特定语素的单词，即语素词；将从所述物流运单原始数据中得到的语素词输入到已训练的分类模型，输出分类结果，所述分类结果为将所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率。
可选的，在本发明第一方面的第三种实现方式中，所述将从所述物流运单原始数据中得到的语素词输入到已训练的分类模型中，之前还包括：获取已知数据类型的物流运单原始数据；对所述已知数据类型的物流运单原始数据进行语素分析，获得已知数据类型的物流运单数据对应的语素词；以所述已知数据类型的物流运单数据对应的语素词作为训练数据集，以物流运单原始数据的已知数据类型作为标签，对初始分类模型进行训练，得到已训练的分类模型。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控，包括：当判定所述物流运单原始数据为揽收数据时，将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，并对所述大客户票件明细表和大客户揽件率报表进行实时监控；当判定所述物流运单数据为在途数据时，将所述物流运单原始数据生成大客户在途票件，并对所述大客户在途票件进行实时监控；当判定所述物流运单数据为签收数据时，将所述物流运单原始数据生成大客户票件签收率报表，并对所述大客户票件签收率报表进行实时监控。
可选的，在本发明第一方面的第五种实现方式中，所述当判定所述物流运单原始数据为揽收数据时，将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，并对所述大客户票件明细表和大客户揽件率报表进行实时监控，包括：获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；若所述物流运单原始数据判定为揽收数据的概率大于预设概率阈值，则判定所述物流运单原始数据为揽收数据；将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，所述大客户票件明细表的内容包括运单号、客户名称、下单时间、揽件时间、客户规定签收时间以及企业规定签收时间，所述大客户揽件率报表的内容包括订单量、应揽件量、超时揽件量、未揽件量以及揽件及时量；对所述大客户票件明细表和大客户揽件率报表中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
可选的，在本发明第一方面的第六种实现方式中，所述当判定所述物流运单数据为在途数据时，将所述物流运单原始数据生成大客户在途票件，并对所述大客户在途票件进行实时监控，包括：获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；若所述物流运单原始数据判定为在途数据的概率大于预设概率阈值，则判定所述物流运单原始数据为在途数据；将所述物流运单原始数据生成大客户在途票件，所述大客户在途票件的内容包括已超时未揽收量、中转未更新量和派件超时量；对所述大客户在途票件中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
本发明第二方面提供了一种物流运单实时监控装置，包括：原始数据获取模块，用于当接收到物流运单的调用指令时，获取物流运单原始数据；类型划分模块，用于将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型；表单生成监控模块，用于根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。
可选的，在本发明第二方面的第一种实现方式中，所述类型划分模块包括：写入单元，用于当接收到数据存储指令时，将所述物流运单原始数据写入至卡夫卡消息队列的集群中；存储单元，用于以标题为单位对写入的物流运单原始数据进行归纳存储；分类单元，用于调用卡夫卡消息队列中的物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型，所述数据类型包括揽收数据、在途数据和签收数据。
可选的，在本发明第二方面的第二种实现方式中，所述分类单元包括：调用子单元，用于当接收到类型划分指令时，调用卡夫卡消息队列中的物流运单原始数据；语素分析子单元，用于对所述物流运单原始数据进行语素分析，得到具有特定语素的单词，即语素词；分类子单元，用于将从所述物流运单原始数据中得到的语素词输入到已训练的分类模型中，输出分类结果，所述分类结果为将所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率。
可选的，在本发明第二方面的第三种实现方式中，所述类型划分模块还包括：训练单元，用于获取已知数据类型的物流运单原始数据，对所述已知数据类型的物流运单原始数据进行语素分析，获得已知数据类型的物流运单数据对应的语素词，以所述已知数据类型的物流运单数据对应的语素词作为训练数据集，以物流运单原始数据的已知数据类型作为标签，对初始分类模型进行训练，得到已训练的分类模型判定。
可选的，在本发明第二方面的第四种实现方式中，所述表单生成监控模块包括：第一表单生成监控单元，用于当判定所述物流运单原始数据为揽收数据时，将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，并对所述大客户票件明细表和大客户揽件率报表进行实时监控；第二表单生成监控单元，用于当判定所述物流运单数据为在途数据时，将所述物流运单原始数据生成大客户在途票件，并对所述大客户在途票件进行实时监控；第三表单生成监控单元，用于当判定所述物流运单数据为签收数据时，将所述物流运单原始数据生成大客户票件签收率报表，并对所述大客户票件签收率报表进行实时监控。
可选的，在本发明第二方面的第五种实现方式中，所述第一表单生成监控单元包括：第一获取子单元，用于获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；第一判定子单元，用于若所述物流运单原始数据判定为揽收数据的概率大于预设概率阈值，则判定所述物流运单原始数据为揽收数据；第一生成子单元，用于将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，所述大客户票件明细表的内容包括运单号、客户名称、下单时间、揽件时间、客户规定签收时间以及企业规定签收时间，所述大客户揽件率报表的内容包括订单量、应揽件量、超时揽件量、未揽件量以及揽件及时量；第一监控子单元，用于对所述大客户票件明细表和大客户揽件率报表中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
可选的，在本发明第二方面的第五种实现方式中，所述第二表单生成监控单元包括：第二获取子单元，用于获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；第二判定子单元，用于若所述物流运单原始数据判定为在途数据的概率大于预设概率阈值，则判定所述物流运单原始数据为在途数据；第二生成子单元，用于将所述物流运单原始数据生成大客户在途票件，所述大客户在途票件的内容包括已超时未揽收量、中转未更新量和派件超时量；第二监控子单元，用于对所述大客户在途票件中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
本发明第三方面提供了一种物流运单实时监控设备，其包括存储器和至少一个处理器，所述存储器中存储有计算机可读指令；所述至少一个处理器调用所述存储器中的所述计算机可读指令，以执行如上所述物流运单实时监控方法的各个步骤。
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上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如上所述物流运单实时监控方法的各个步骤。
本发明的技术方案中，获取物流运单原始数据；将所述物流运单原始数据按照预设规则进行类型划分，得到划分数据类型的物流运单原始数据；根据数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。本发明根据得到的数据类型将物流运单原始数据生成对应更细分的业务表单，从而便于规范物流运单数据管理，提高物流运输的可靠性，提高物流运输管理水平和降低运行成本。
附图说明
图1为本发明实施例提供的物流运单实时监控方法的第一种流程图；
图2为本发明实施例提供的物流运单实时监控方法的第二种流程图；
图3为本发明实施例提供的物流运单实时监控方法的第三种流程图；
图4为本发明实施例提供的物流运单实时监控方法的第四种流程图；
图5为本发明实施例提供的物流运单实时监控装置的一种结构示意图；
图6为本发明实施例提供的物流运单实时监控装置的另一种结构示意图；
图7为本发明实施例提供的物流运单实时监控设备的结构示意图。
具体实施方式
本发明实施例提供了一种物流运单实时监控方法、装置、设备及存储介质，获取物流运单原始数据；将所述物流运单原始数据进行类型划分，得到已划分数据类型的物流运单原始数据；根据数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。本发明解决了现有物流运单数据不够细分，导致物流运输管理水平下降、运行成本较高的问题。
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。
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，本发明实施例中物流运单实时监控方法的第一个实施例包括：
S100、当接收到物流运单的调用指令时，获取物流运单原始数据；
可以理解的是，本发明的执行主体可以为物流运单实时监控装置，也可以是终端设备或者服务器，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。
在本实施例中，所述物流运单原始数据的获取可以是人工录入或者通过扫描仪自动扫描录入，为避免人工录入的误差，本实施例优选扫描仪自动扫描录入。具体来讲，当接收到物流运单的调用指令时，通过启动与服务器通讯连接的扫描仪对物流运单进行扫描以获取物流运单原始数据，扫描仪将扫描获取的物流运单原始数据发送至服务器。
在本实施例中，所述物流运单原始数据包括订单位置信息、客户信息和客户时效表。其中，订单位置信息包括省信息、市信息、区县信息，省信息包括省名称和省邮政编码，市信息包括市名称、市邮政编码和归属省，区县信息包括区县名称、区县邮政编码和归属市，所述省名称、市名称和区县名称均与国家辖区划分命名一致。所述客户信息包括客户ID、客户名称和客户角色关系，其中客户ID的编码规则为网点编码+VIP编码，所述客户角色关系是指客户ID与角色ID之间的一一对应关系。所述客户时效表包括始发省份、始发城市、目的省份、目的城市、目的区县、规定时长以及规定方式，其中规定时长为确定始发城市和目的城市后从揽件到签收的时长，按小时算则为签收时间减去揽件扫描时间，按自然日算则为揽件当日到签收日的23：59：59(即N+1日)。
S200、将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型；
在本实施例中，对于客户而言，其需要清楚掌握自己购买或者自己寄送的物流订单状态，以便于按期完成工作安排。对于物流公司而言，其更需要清楚并实时地掌握每个物流订单的状态，从而便于调度快递员、运输车辆，以提高物流运输管理效率，降低运行成本。因此，本实施例需要对物理运单数据输入到已训练的分类模型进行类型划分，得到所述物流运单原始数据归属的数据类型。在本实施例中，所述物流运单原始数据的数据类型包括揽收数据、在途数据和签收数据，当所述物流运单原始数据划分数据类型后，客户或物流公司便能够掌握物流订单的状态。作为举例，若物流运单原始数据的类型为揽收数据，这说明该物流订单处于已揽收但还未运输的状态；若物流运单原始数据的类型为在途数据，这说明该物流订单处于已揽收且在运输的状态；若物流运单原始数据的类型为签收数据，这说明该物流订单处于运输到达目的地且已签收的状态。
S300、根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。
在本实施例中，由于现有的物流订单通常需要进行逐层的转包和分包，这使得物流运单信息全程跟踪链路过长，导致跟踪物流运单数据得不到细分，使得物流运单数据不够完善和清晰，从而导致物流运输管理水平降低，提升运行成本对所述。因此，本实施例需要根据数据类型将所述物流运单原始数据转换成对应的更细分的业务表单，并对所述业务表单进行实时监控，从而能够清楚、完善地掌握每个物流订单的具体状态，便于对快递员或运输车辆进行调度，进而提高物流运输的可靠性，提高物流运输管理水平和降低运行成本。
请参阅图2，本发明实施例中物流运单实时监控方法的第二个实施例包括：
S210、当接收到数据存储指令时，将所述物流运单原始数据写入至卡夫卡消息队列的集群中；
S220、以标题为单位对写入的物流运单原始数据进行归纳存储。
S230、调用卡夫卡消息队列中的物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型，所述数据类型包括揽收数据、在途数据和签收数据。
在本实施例中，所述卡夫卡(kafka)消息队列是分布式应用程序间交换数据的常用技术，其数据可保存在内存或硬盘上，消息队列中存储的消息被应用程序读取前可一直保存。通过所述卡夫卡消息队列，各应用程序间可独立地异步执行。卡夫卡消息队列的入列与出列速度均可达到毫秒级，并且消息队列在物流数据高峰期对数据缓冲处理，kafka包括生产者和消费者，消息的发送者叫Producer(生产者)，消息的使用者和接受者是Consumer(消费者)，生产者将数据保存到Kafka集群中，消费者从中获取消息进行业务的处理，一个topic(标题)里保存的是同一类消息，相当于对消息的分类，每个producer将消息发送到kafka中，都需要指明要存的topic是哪个，也就是指明这个消息属于哪一类。
也就是说，对于每个消息，卡夫卡对其日志进行了分区，每个分区都由一系列有序的、不可变的消息组成，这些消息被连续的追加到分区中。分区中的每个消息都有一个连续的序列号叫做offset。分区目的是：每个日志小，可在单个服务上保存，每个分区可以单独发布和消费。
本实施例利用卡夫卡消息队列这种适用于分布式应用程序间交换数据的特性，当接收到数据存储指令时，将所述物流运单原始数据写入至卡夫卡消息队列的集群中，以标题为单位对写入的物流运单原始数据进行归纳存储。便于服务器随时调用存储在所述卡夫卡消息队列中的物流运单原始数据并对其进行类型划分，得到已划分数据类型的物流运单原始数据，所述数据类型包括揽收数据、在途数据和签收数据。且本实施例在将所述物流运单原始数据存储至卡夫卡消息队列时，基于卡夫卡消息队列的分区特性已经对所述物流运单原始数据进行了一个初始分类，更有助于提升后期类型划分的准确性。
请参阅图3，本发明实施例中物流运单实时监控方法的第三个实施例包括：
S221、当接收到类型划分指令时，调用卡夫卡消息队列中的物流运单原始数据；
S222、对所述物流运单原始数据进行语素分析，得到具有特定语素的单词，即语素词；
在本实施例中，所述语素是指最小的有意义的语言单位，也就是最小的音义结合体。作为举例，语素的确定一般可以采取替换和比较的方法，例如比较现代汉语中的沙场、沙丘、沙田、沙土，可以看出这几个单位里沙有着共同的语音形式和共同的意义(细小的石粒)，而且可以单独拿出来与别的单位替换，如与广、土、水、泥替换组成广场、土丘、水田、泥土，而且沙也不能再分割了。这样就可以确定这些单位里的沙是一个语素了。用同样的犯法可以判断这里的场、丘、田、土也是语素。但沙发、沙龙、沙丁鱼里面的沙就不是一个语素，因此这里的沙不表示意义，也不能被替换掉。
语素与语素组合构成语素词，语素词是比语素大一级的语法单位，作为举例，现代汉语中的虎是一个语素，这个语素无法运用到句子当中，因此它不是一个词，当它与不自由语素“老”组合，就构成了“老虎”这个语素词，老虎这个词可以自由运用，并且也是最小的单位，比语素的层级要大。
本实施例调用卡夫卡消息队列中的物流运单原始数据，并对所述物流运单原始数据进行语素分析，在获取到大量的语素后，再将各语速进行随机组合，得到具有特定语素的单词，即语素词。
S222、获取已知数据类型的物流运单原始数据；对所述已知数据类型的物流运单原始数据进行语素分析，获得已知数据类型的物流运单数据对应的语素词；以所述已知数据类型的物流运单数据对应的语素词作为训练数据集，以物流运单原始数据的已知数据类型作为标签，对初始分类模型进行训练，得到已训练的分类模型；
具体来讲，机器学习是一个从训练集中学习出算法的研究领域，分类是一项需要使用机器学习算法的任务，该算法学习如何为数据集分配类别标签。在机器学习中，分类是指预测建模问题，对给定示例的输入数据预测其类别标签。从建模的角度来看，分类需要训练数据集，其中包含需对可供学习的输入输出数据。模型将使用训练数据集，并计算如何将输入数据样本更加准确地映射到特定的类别标签，因此，训练数据集必须拥有足够的代表性，并且每个分类标签都用于较多样本数据，类别标签通常是字符串值。有很多不同类型的分类算法可以对分类预测问题进行建模，关于如何将合适的算法应用到具体分类问题上，没有固定的模式准则。但可以通过试验来确定，通常是试验者使用受控实验，在给定的分类任务中，哪种算法和算法配置拥有最佳性能，从而将其挑选出来。分类准确度是一种常用的度量标准，其通过预测的类别标签来评估模型的性能。某些任务可能需要预测每个样本类别成员的概率，而不是标签。这为预测提供了额外的不确定性，评估预测概率的一种通用判断方法是ROC曲线(积分面积)。
与二分类不同，多类别分类没有正常和异常结果的概念。相反，样本被分类为属于一系列已知类别中的一个。在某些问题上，类标签的数量可能非常大。例如，涉及预测单词序列的问题，例如文本翻译模型，也可以视为一种特殊类型的多类别分类。要预测的单词序列中的每个单词都涉及一个多类分类，其中词汇量定义了可以预测的可能类别的数量，其数量可能是成千上万个单词。通常使用每个样本的Multinoulli概率分布的模型来对多类分类任务进行建模。所述Multinoulli概率分布是覆盖情况下的事件将有一个明确的结果，例如离散概率分布k在{1，2，3，...，k}。对于分类，这意味着模型可以预测样本属于每个类别标签的概率。
许多用于二分类的算法也可以用于解决多分类问题，可用于多类分类的流行算法包括：k最近邻(k-Nearest Neighbors)、决策树(Decision Trees)、朴素贝叶斯(NaiveBayes)、随机森林(Random Forest)、梯度Boosting(Gradient Boosting)。这涉及使用一种策略，该策略为每个类别与所有其他类别(称为“一对多”)拟合多个二分类模型，或者为每对类别(称为“一对一”)拟合一个模型。可以使用这些策略进行多分类的二分类算法包括：逻辑回归(Logistic Regression)和支持向量机(Support Vector Machine)。
本实施例选择的分类模型为多类别分类模型，多类别分类是指具有两个以上类别标签的分类任务，本实施例具体的标签有3个，即揽收数据、在途数据和签收数据。本实施例以物流运单原始数据中的语素词作为训练数据集，以所述物流运单原始数据所属数据类型作为标签，对多类别分类模型进行训练，得到已训练的分类模型。在本实施例中，根据语素分析结果为每个生成的语素词分配相应的权重，权重的数值将取决于每个语素词的出现频率。
224、将从所述物流运单原始数据中得到的语素词输入到已训练的分类模型中，输出分类结果，所述分类结果为将所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率。
在本实施例中，当得到已训练的分类模型后，将从每个物流运单原始数据中得到的语素词输入到所述已训练的分类模型中，输出分类结果，所述分类结果为将所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率。作为举例，当获取到物流运单原始数据后，首先对所述物流运单原始数据进行语素分析，获得该物流运单原始数据对应的所有语素词，将所述语素词均输入到所述已训练的分类模型中，输出所述物流运单原始数据为揽收数据的概率85％，为在途数据的概率10％，为签收数据的概率5％；取概率最大的数据类型作为所述物流运单原始数据所述数据类型，即判定当前物流运单原始数据属于揽收数据。
请参阅图4，本发明实施例中物流运单实时监控方法的第四个实施例包括：
S310、当判定所述物流运单原始数据为揽收数据时，将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，并对所述大客户票件明细表和大客户揽件率报表进行实时监控；
S320、当判定所述物流运单数据为在途数据时，将所述物流运单原始数据生成大客户在途票件，并对所述大客户在途票件进行实时监控；
S330、当判定所述物流运单数据为签收数据时，将所述物流运单原始数据生成大客户票件签收率报表，并对所述大客户票件签收率报表进行实时监控。
在本实施例中，为了能够清楚、完善地掌握每个物流订单的具体状态，便于对快递员或运输车辆进行调度，进而提高物流运输的可靠性，提高物流运输管理水平和降低运行成本，本实施例根据数据类型将所述物流运单原始数据转换成对应的更细分的业务表单，并对所述业务表单进行实时监控。
具体来讲，获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率，若所述物流运单原始数据判定为揽收数据的概率大于预设概率阈值，则判定所述物流运单原始数据为揽收数据，将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，对所述大客户票件明细表和大客户揽件率报表进行实时监控并根据监控结果对快递员和运输车辆进行调配。所述大客户票件明细表包括运单号、客户ID、客户名称、下单时间、始发省名称、始发市名称、始发区县名称，目的省名称、目的市名称、目的区县名称、客户规定时效、企业规定时效、客户规定签收时间、企业规定签收时间、揽件时间、实际签收时间、是否超时、异常签收类型、首发分拨、首发分拨到达时间、首发分拨离开时间、末端分拨、末端分拨到达时间、末端分拨离开时间、到达网点时间、网点分发业务员时间。其中，客户规定签收时间为从揽件到签收的时间，按小时算则为揽件时间+客户时效表规定时间；按天算则为揽件当日+客户时效表中规定天数得出的当天23：59：59(T+N天的23：59：59)。企业规定签收时间也为从揽件到签收的时间，按小时算则为揽件时间+企业时效表规定时间；按天算则为揽件当日+企业时效表中规定天数得出的当天23：59：59(T+N天的23：59：59)。揽件时间为揽件扫描时间，如果没有做揽件扫描，则以物流订单的第一次扫描时间为准；时间签收时间-规定签收时间>0则为超时，否则为按时。
所述大客户揽件率报表包括客户ID、客户名称、订单量、应揽件量、及时揽件量、超时揽件量、未揽件量和揽件及时率。其中，应揽件量为订单量-取消订单量；及时揽件量为查询的规定揽件时间内实际产生的揽收扫描的量，超时揽件量为查询时间下实际产生的揽收扫描的量-及时揽件量；未揽件量为应揽件量-及时揽件量-超时揽件量；揽件及时率为及时揽件量/应揽件量。
若所述物流运单原始数据判定为在途数据的概率大于预设概率阈值，则判定所述物流运单原始数据为在途数据，将所述物流运单原始数据生成大客户在途票件，对所述大客户在途票件进行实时监控，并根据监控结果对快递员和运输车辆进行调配。所述大客户在途票件包括已超时未揽收量、中转未更新量和派件超时量，其中中转未更新量是指始发网点做了揽收扫描之后，在预定时间内，没有生成任何中转扫描记录的量。
若所述物流运单原始数据判定为签收数据的概率大于预设概率阈值，则判定所述物流运单数据为签收数据时，将所述物流运单原始数据生成大客户票件签收率报表，对所述大客户票件签收率报表进行实时监控，并根据监控结果对快递员和运输车辆进行调配。所述大客户票件签收率报表的内容包括：客户ID、客户名称、应派票数，达成票数、达成率、超时签收票数、异常订单量、异常率、未签收票数。
上面对本发明实施例中物流运单实时监控方法进行了描述，下面对本发明实施例中物流运单实时监控装置进行描述，请参阅图5，本发明实施例中物流运单实时监控装置一个实施例包括：
原始数据获取模块10，用于当接收到物流运单的调用指令时，获取物流运单原始数据；类型划分模块；
类型划分模块20，用于将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型；
表单生成监控模块30，用于根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。
本实施例提供的本发明提供的物流运单实时监控装置可根据得到的数据类型将物流运单原始数据生成对应更细分的业务表单，从而便于规范物流运单数据管理，提高物流运输的可靠性，提高物流运输管理水平和降低运行成本。
请参阅图6，本发明实施例中物流运单实时监控装置的另一个实施例包括：
原始数据获取模块10，用于当接收到物流运单的调用指令时，获取物流运单原始数据；类型划分模块；
类型划分模块20，用于将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型；
表单生成监控模块30，用于根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。
在本实施例中，所述类型划分模块20包括：
写入单元21，用于当接收到数据存储指令时，将所述物流运单原始数据写入至卡夫卡消息队列的集群中；
存储单元22，用于以标题为单位对写入的物流运单原始数据进行归纳存储；
分类单元23，用于调用卡夫卡消息队列中的物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型，所述数据类型包括揽收数据、在途数据和签收数据。
在本实施例中，所述分类单元23包括：
调用子单元231，用于当接收到类型划分指令时，调用卡夫卡消息队列中的物流运单原始数据；
语素分析子单元232，用于对所述物流运单原始数据进行语素分析，得到具有特定语素的单词，即语素词；
分类子单元233，用于将从所述物流运单原始数据中得到的语素词输入到已训练的分类模型中，输出分类结果，所述分类结果为将所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率。
在本实施例中，所述类型划分模块20包括：
训练单元24，用于获取已知数据类型的物流运单原始数据，对所述已知数据类型的物流运单原始数据进行语素分析，获得已知数据类型的物流运单数据对应的语素词，以所述已知数据类型的物流运单数据对应的语素词作为训练数据集，以物流运单原始数据的已知数据类型作为标签，对初始分类模型进行训练，得到已训练的分类模型判定。
在本实施例中，所述表单生成监控模块包括30包括：
第一表单生成监控单元31，用于当判定所述物流运单原始数据为揽收数据时，将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，并对所述大客户票件明细表和大客户揽件率报表进行实时监控；
第二表单生成监控单元32，用于当判定所述物流运单数据为在途数据时，将所述物流运单原始数据生成大客户在途票件，并对所述大客户在途票件进行实时监控；
第三表单生成监控单元33，用于当判定所述物流运单数据为签收数据时，将所述物流运单原始数据生成大客户票件签收率报表，并对所述大客户票件签收率报表进行实时监控。
在本实施例中，第一表单生成监控单元31包括：
第一获取子单元311，用于获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；
第一判定子单元312，用于若所述物流运单原始数据判定为揽收数据的概率大于预设概率阈值，则判定所述物流运单原始数据为揽收数据；
第一生成子单元313，用于将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，所述大客户票件明细表的内容包括运单号、客户名称、下单时间、揽件时间、客户规定签收时间以及企业规定签收时间，所述大客户揽件率报表的内容包括订单量、应揽件量、超时揽件量、未揽件量以及揽件及时量；
第一监控子单元314，用于对所述大客户票件明细表和大客户揽件率报表中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
在本实施例中，第二表单生成监控单元32包括：
第二获取子单元321，用于获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；
第二判定子单元322，用于若所述物流运单原始数据判定为在途数据的概率大于预设概率阈值，则判定所述物流运单原始数据为在途数据；
第二生成子单元323，用于将所述物流运单原始数据生成大客户在途票件，所述大客户在途票件的内容包括已超时未揽收量、中转未更新量和派件超时量；
第二监控子单元324，用于对所述大客户在途票件中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
在本实施例中，第三表单生成监控单元33包括：
第三获取子单元331，用于获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；
第三判定子单元322，用于若所述物流运单原始数据判定为签收数据的概率大于预设概率阈值，则判定所述物流运单原始数据为签收数据；
第三生成子单元323，用于将所述物流运单原始数据生成大客户票件签收率报表，所述大客户票件签收率报表的内容包括客户ID、客户名称、应派票数，达成票数、达成率、超时签收票数、异常订单量、异常率、未签收票数；
第三监控子单元324，用于对所述大客户票件签收率报表中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
上面图5和图6从模块化功能实体的角度对本发明实施例中物流运单实时监控装置进行详细描述，下面从硬件处理的角度对本发明实施例中物流运单实时监控设备进行详细描述。
图7是本发明实施例提供的一种物流运单实时监控设备的结构示意图，该物流运单实时监控设备700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)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730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物流运单实时监控设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在物流运单实时监控设备700上执行存储介质730中的一系列指令操作。
物流运单实时监控设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的设备结构并不构成对物流运单实时监控设备700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，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行物流运单实时监控方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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(可以是个人计算机，服务器，或者网络设备等)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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种物流运单实时监控方法，其特征在于，所述物流运单实时监控方法，包括：
当接收到物流运单的调用指令时，获取物流运单原始数据；
将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型；
根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。
2.根据权利要求1所述的物流运单实时监控方法，其特征在于，所述将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型，包括：
当接收到数据存储指令时，将所述物流运单原始数据写入至卡夫卡消息队列的集群中；
以标题为单位对写入的物流运单原始数据进行归纳存储；
调用卡夫卡消息队列中的物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型，所述数据类型包括揽收数据、在途数据和签收数据。
3.根据权利要求2所述的物流运单实时监控方法，其特征在于，所述调用卡夫卡消息队列中的物流运单原始数据输入到已训练的分类模型中进行类型划分，包括：
当接收到类型划分指令时，调用卡夫卡消息队列中的物流运单原始数据；
对所述物流运单原始数据进行语素分析，得到具有特定语素的单词，即语素词；
将从所述物流运单原始数据中得到的语素词输入到已训练的分类模型中，输出分类结果，所述分类结果为将所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率。
4.根据权利要求3所述的物流运单实时监控方法，其特征在于，所述将从所述物流运单原始数据中得到的语素词输入到已训练的分类模型中，之前还包括：
获取已知数据类型的物流运单原始数据；
对所述已知数据类型的物流运单原始数据进行语素分析，获得已知数据类型的物流运单数据对应的语素词；
以所述已知数据类型的物流运单数据对应的语素词作为训练数据集，以物流运单原始数据的已知数据类型作为标签，对初始分类模型进行训练，得到已训练的分类模型。
5.根据权利要求4所述的物流运单实时监控方法，其特征在于，所述根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控，包括：
当判定所述物流运单原始数据为揽收数据时，将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，并对所述大客户票件明细表和大客户揽件率报表进行实时监控；
当判定所述物流运单数据为在途数据时，将所述物流运单原始数据生成大客户在途票件，并对所述大客户在途票件进行实时监控；
当判定所述物流运单数据为签收数据时，将所述物流运单原始数据生成大客户票件签收率报表，并对所述大客户票件签收率报表进行实时监控。
6.根据权利要求5所述的物流运单实时监控方法，其特征在于，所述当判定所述物流运单原始数据为揽收数据时，将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，并对所述大客户票件明细表和大客户揽件率报表进行实时监控，包括：
获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；
若所述物流运单原始数据判定为揽收数据的概率大于预设概率阈值，则判定所述物流运单原始数据为揽收数据；
将所述物流运单原始数据生成大客户票件明细表和大客户揽件率报表，所述大客户票件明细表的内容包括运单号、客户名称、下单时间、揽件时间、客户规定签收时间以及企业规定签收时间，所述大客户揽件率报表的内容包括订单量、应揽件量、超时揽件量、未揽件量以及揽件及时量；
对所述大客户票件明细表和大客户揽件率报表中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
7.根据权利要求1所述的物流运单实时监控方法，其特征在于，所述当判定所述物流运单数据为在途数据时，将所述物流运单原始数据生成大客户在途票件，并对所述大客户在途票件进行实时监控，包括：
获取所述物流运单原始数据分别判定为揽收数据、在途数据和签收数据的概率；
若所述物流运单原始数据判定为在途数据的概率大于预设概率阈值，则判定所述物流运单原始数据为在途数据；
将所述物流运单原始数据生成大客户在途票件，所述大客户在途票件的内容包括已超时未揽收量、中转未更新量和派件超时量；
对所述大客户在途票件中的内容进行实时监控，并根据监控结果对快递员和运输车辆进行调配。
8.一种物流运单实时监控装置，其特征在于，包括：
原始数据获取模块，用于当接收到物流运单的调用指令时，获取物流运单原始数据；
类型划分模块，用于将所述物流运单原始数据输入到已训练的分类模型中进行类型划分，得到所述物流运单原始数据归属的数据类型；
表单生成监控模块，用于根据所述数据类型将所述物流运单原始数据生成对应的业务表单，并对所述业务表单进行实时监控。
9.一种物流运单实时监控设备，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有计算机可读指令；
所述至少一个处理器调用所述存储器中的所述计算机可读指令，以执行如权利要求1-7中任一项所述物流运单实时监控方法的各个步骤。
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计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述物流运单实时监控方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211516645.1A CN116151542A (zh) | 2022-11-30 | 2022-11-30 | 物流订单实时监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211516645.1A CN116151542A (zh) | 2022-11-30 | 2022-11-30 | 物流订单实时监控方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116151542A true CN116151542A (zh) | 2023-05-23 |
Family
ID=86351531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211516645.1A Pending CN116151542A (zh) | 2022-11-30 | 2022-11-30 | 物流订单实时监控方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116151542A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651232A (zh) * | 2015-11-02 | 2017-05-10 | 阿里巴巴集团控股有限公司 | 运单号数据分析方法及装置 |
| CN110032639A (zh) * | 2018-12-27 | 2019-07-19 | 中国银联股份有限公司 | 将语义文本数据与标签匹配的方法、装置及存储介质 |
| CN110069495A (zh) * | 2019-03-13 | 2019-07-30 | 中科恒运股份有限公司 | 数据存储方法、装置和终端设备 |
| CN111340419A (zh) * | 2020-02-18 | 2020-06-26 | 上海东普信息科技有限公司 | 物流在线监控方法、装置、系统、设备及存储介质 |
| CN113220756A (zh) * | 2021-03-25 | 2021-08-06 | 上海东普信息科技有限公司 | 物流数据实时处理方法、装置、设备及存储介质 |
| CN114428812A (zh) * | 2021-12-31 | 2022-05-03 | 新奥数能科技有限公司 | 报表数据监控方法、装置、设备及存储介质 |
| CN114969169A (zh) * | 2022-05-25 | 2022-08-30 | 上海东普信息科技有限公司 | 签收数据监控方法、装置、设备及存储介质 |
| CN115170027A (zh) * | 2022-07-04 | 2022-10-11 | 上海东普信息科技有限公司 | 数据分析方法、装置、设备及存储介质 |
| CN115293685A (zh) * | 2022-07-20 | 2022-11-04 | 上海东普信息科技有限公司 | 物流订单的状态跟踪方法、装置、设备和存储介质 |
-
2022
- 2022-11-30 CN CN202211516645.1A patent/CN116151542A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651232A (zh) * | 2015-11-02 | 2017-05-10 | 阿里巴巴集团控股有限公司 | 运单号数据分析方法及装置 |
| CN110032639A (zh) * | 2018-12-27 | 2019-07-19 | 中国银联股份有限公司 | 将语义文本数据与标签匹配的方法、装置及存储介质 |
| CN110069495A (zh) * | 2019-03-13 | 2019-07-30 | 中科恒运股份有限公司 | 数据存储方法、装置和终端设备 |
| CN111340419A (zh) * | 2020-02-18 | 2020-06-26 | 上海东普信息科技有限公司 | 物流在线监控方法、装置、系统、设备及存储介质 |
| CN113220756A (zh) * | 2021-03-25 | 2021-08-06 | 上海东普信息科技有限公司 | 物流数据实时处理方法、装置、设备及存储介质 |
| CN114428812A (zh) * | 2021-12-31 | 2022-05-03 | 新奥数能科技有限公司 | 报表数据监控方法、装置、设备及存储介质 |
| CN114969169A (zh) * | 2022-05-25 | 2022-08-30 | 上海东普信息科技有限公司 | 签收数据监控方法、装置、设备及存储介质 |
| CN115170027A (zh) * | 2022-07-04 | 2022-10-11 | 上海东普信息科技有限公司 | 数据分析方法、装置、设备及存储介质 |
| CN115293685A (zh) * | 2022-07-20 | 2022-11-04 | 上海东普信息科技有限公司 | 物流订单的状态跟踪方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11983664B2 (en) | Systems and methods for predictive in-transit shipment delivery exception notification and automated resolution | |
| US9126235B2 (en) | Enhanced postal data modeling framework | |
| DeCroix et al. | A series system with returns: Stationary analysis | |
| US11551182B2 (en) | Systems and methods for AI-based detection of delays in a shipping network | |
| Hu et al. | A fuzzy-based customer classification method for demand-responsive logistical distribution operations | |
| CN107292418A (zh) | 一种运单滞留预测方法 | |
| US11949760B2 (en) | System and method for content parsing | |
| CN118097316B (zh) | 一种基于货物转移进度及用户行为监控的货物分类方法 | |
| Hathikal et al. | Prediction of ocean import shipment lead time using machine learning methods | |
| US8244601B2 (en) | Generating an order plan for a supply chain network | |
| CN118246584A (zh) | 快递全程时效预测方法、装置、设备及存储介质 | |
| CN116151542A (zh) | 物流订单实时监控方法、装置、设备及存储介质 | |
| US12062011B1 (en) | Token allocation for distributed shipping document processing | |
| Varas et al. | Managing premium wines using an (s-1, s)(s-1, s) inventory policy: a heuristic solution approach | |
| CN115759514A (zh) | 一种冷链配送车调度管理方法及装置 | |
| KR101722611B1 (ko) | 수요 예측 장치 및 방법 | |
| JP2010055589A (ja) | 輸入／輸出モデリング・システム | |
| Huang et al. | Predicting Deviation in Supplier Lead Time and Truck Arrival Time Using Machine Learning-A Data Mining Project at Volvo Group | |
| Hämmerle et al. | Solving a vehicle routing problem with ant colony optimisation and stochastic ranking | |
| Heo et al. | A Study on the Factors Development of the Prediction Model of Freight Volume Using the Deep Learning | |
| Amrouss et al. | Managing unforeseen events in forest transportation | |
| Čižiūnienė | Information Systems in Freight Transportation | |
| CN118350731A (zh) | 物流工单快速处理方法、装置、设备及存储介质 | |
| Hudnurkar et al. | Predicting Delays for Truck Delivery Logistics: An Application of AI and ML | |
| Emanuel Febrianto Prakoso | Integrating Predictive and Optimization Model for Intelligent Schedule Management based on Real Time ETA Information: A Concept of Machine Learning and Exact Solution in Petrochemical Loading Facility |
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 |