CN116888609A - 用于托运周期的自动化管理的系统和方法 - Google Patents

Abstract

用于托运周期的自动化管理的系统和方法。该方法包括：使用训练数据集训练机器学习模型，其中训练数据集包括托运交易，其中机器学习模型被训练以通过配送链输出提议的托运分配；从第一数据库中检索配送链中的收货人的托运分数和当前托运级别；通过将机器学习模型应用于从电子通知、托运分数和当前托运级别中提取的特征来为收货人中的每个生成提议的托运分配；基于提议的托运分配生成托运分配列表；基于托运分配列表生成包装信息；以及基于包装信息为收货人中的至少一个第一收货人打印装箱单，其中每个第一收货人具有根据所生成的托运分配列表的托运分配。

Description

用于托运周期的自动化管理的系统和方法

相关申请的交叉引用

本申请要求于2021年2月24日提交的美国临时专利申请号63，153，212的权益，该申请的内容通过引用合并于此。

技术领域

本公开总体上涉及支持配送链的计算机过程，更具体地涉及通过托运链的产品。

背景技术

配送世界是复杂的并且面临许多物流挑战。通过供应链将货物从制造商递送到消费者的一种技术是使用称为托运的过程。在托运中，发货人违背在预定时间期限内支付或退回产品的承诺，向收货人提供托运的货物。在该期限结束时，收货人向发货人进行支付或者返回产品。在一些情况下，可以延期，即延长托运期限，这可能涉及由于未达到商定的目标而导致收货人的产品成本发生改变。

虽然现有解决方案已经试图解决配送链内的托运的许多方面，但仍然存在显著的缺陷，该缺陷在整个配送链中导致不太希望的结果。这些解决方案通常使用协议作为定义交易关系的基础来使用记账过程用于在实体之间移动货物。这些缺陷阻碍了配送链中的每个元素在局部优化和全局优化两者上的最优操作。关于涉及产品交易、支付交易、产品放置和产品再配送的管理的产品的托运存在特别的缺陷。此外，虽然现有解决方案主要解决配送挑战的机制和物流，但是这些解决方案未能整体上(即全局地)以及在更有限或局部的基础上管理与配送渠道的管理相关联的风险。

因此，在本领域中需要提供克服现有解决方案在托运过程的有效和高效管理中的缺陷的解决方案。

发明内容

以下是对本公开的若干示例实施例的概述。提供本概述是为了方便读者提供对这种实施例的基本理解并且不完全限定本公开的范围。本概述不是所有预期实施例的广泛概述，并且既不旨在标识所有实施例的关键或重要元素，也不旨在描绘任何或所有方面的范围。其唯一的目的是以简化的形式呈现一个或更多个实施例的一些概念，作为稍后呈现的更详细描述的序言。为了方便起见，术语“一些实施例”或“某些实施例”可以在本文中用于指本公开的单个实施例或多个实施例。

本文公开的某些实施例包括一种用于托运周期的自动化管理的方法。该方法包括：使用训练数据集训练机器学习模型，其中训练数据集包括多个托运交易，其中训练机器学习模型以通过配送链输出提议的托运分配；接收可供托运的货物的电子通知；从第一数据库中检索配送链中的多个收货人的托运分数和当前托运级别；通过将机器学习模型应用于从电子通知、托运分数和当前托运级别中提取的特征，来为多个收货人中的每个生成提议的托运分配；基于所提议的托运分配生成托运分配列表；基于托运分配列表生成包装信息；以及基于包装信息为多个收货人中的至少一个第一收货人打印装箱单，其中至少一个第一收货人中的每个具有根据所生成的托运分配列表的托运分配。

本文所公开的某些实施例还包括一种非暂时性计算机可读介质，非暂时性计算机可读介质存储有使处理电路执行的过程，该过程包括：使用训练数据集训练机器学习模型，其中训练数据集包括多个托运交易，其中机器学习模型被训练以通过配送链输出提议的托运分配；接收可供托运的货物的电子通知；从第一数据库中检索配送链中的多个收货人的托运分数和当前托运级别；通过将机器学习模型应用于从电子通知、托运分数和当前托运级别中提取的特征，来为多个收货人中的每个生成提议的托运分配；基于所提议的托运分配生成托运分配列表；基于托运分配列表生成包装信息；以及基于包装信息为多个收货人中的至少一个第一收货人打印装箱单，其中至少一个第一收货人中的每个具有根据所生成的托运分配列表的托运分配。

本文公开的某些实施例还包括一种[基于最终权利要求完成的]系统。该系统包括：处理电路；以及存储器，该存储器包括指令，该指令在由处理电路执行时将系统配置为：使用训练数据集训练机器学习模型，其中训练数据集包括多个托运交易，其中机器学习模型被训练以通过配送链输出提议的托运分配；接收可供托运的货物的电子通知；从第一数据库中检索配送链中的多个收货人的托运分数和当前托运级别；通过将机器学习模型应用于从电子通知、托运分数和当前托运级别中提取的特征，来为多个收货人中的每个生成提议的托运分配；基于所提议的托运分配生成托运分配列表；基于托运分配列表生成包装信息；以及基于包装信息为多个收货人中的至少一个第一收货人打印装箱单，其中至少一个第一收货人中的每个具有根据所生成的托运分配列表的托运分配。

附图说明

本说明书的结尾处的权利要求书中特别指出并且明确要求保护了本文公开的主题。通过结合附图进行的以下详细描述，所公开的实施例的上述和其他目的、特征以及优点将变得显而易见。

图1是根据实施例的用于管理托运链的系统的示意图；

图2是根据实施例的用于管理托运链的系统的托运服务器的框图；

图3是根据实施例的托运服务器的操作方法的流程图；以及

图4是根据实施例的可以利用托运服务器的货物配送链的示意图。

具体实施方式

重要的是应注意，本文公开的实施例仅是本文的创新教导的许多有利用途的示例。通常，本申请的说明书中进行的陈述不一定限制所要求保护的各种实施例中的任一个。此外，一些陈述可能应用于一些创造性特征，而不应用于其他特征。通常，除非另有说明，否则单数元件可以是复数的，反之亦然，不失一般性。在附图中，通过几个视图，相同的附图标记表示相同的部件。

题目为“System and Process for Distributing Products(用于配送产品的系统和方法)”的美国专利申请号11/457,045、公开号2007/0016462(下文称为‘045专利申请)承认“需要改进的配送过程，特别是需要改进的托运配送系统”。为了解决这个问题，‘045专利申请建议一种系统，该系统中“认证交易的存在可以用于可靠地确定产品的所有权的变化并且确定参与产品配送的各方的适当的财务结算”解决了某些托运链挑战。然而，‘045专利申请没有补救以上确定的许多缺陷并且保持在解决物流问题的领域中。本文描述的不同实施例提供了补救这些缺陷的解决方案。

产品可以通过复杂的配送网络从制造商递送到消费者。对于多个中介机构来说，特别是在必需管理货物的托运的情况下，需要提供有效的管理方式。因此，该系统及其方法从第一服务器接收可供托运的货物的通知，然后从数据库中检索潜在收货人的托运分数和当前托运级别。基于此，它准备了提议的托运分配，在确保提议的分配是可保证的之后，通过配送网络优化货物的配送。通过这样做，降低了发货人和收货人的风险，同时提供了实时解决方案，否则是不可能的。

现在参考图1，其描绘了根据实施例的用于管理托运链的系统100的示例示意图。系统100包括网络110，该网络110通信地连接如本文所描述的系统100的组件。网络可以包括作为局域网(local area network，LAN)、广域网(wide-area network，WAN)、城域网(metro-area network，MAN)、互联网、万维网(worldwide web，WWW)和任何组合的类似网络的一个或更多个网络。网络可以是任何组合的有线网络(以太网、光纤等)或无线网络(蜂窝等)。

托运服务器(consignment server，CS)120通信地连接至网络110并且适于执行本文更详细描述的功能。数据库(database，DB)130进一步通信地连接至网络110以提供在CS120的控制下操作并且如本文中进一步解释的数据库功能，诸如但不限于结构查询语言(Structure Query Language，SQL)功能、数据存储和检索功能等。

系统100的用户可以具有各自的用户设备(user device，UD)140(例如UD 140-1至UD 140-n，其中“n”是大于“1”的整数)以通信地连接到网络140，从而操作本文描述的托运过程。UD 140包括但不限于个人计算机(personal computer，PC)、笔记本计算机、平板计算机、蜂窝电话、终端和允许利用如本文中更详细描述的系统100的益处的其他类似设备。根据由CS120提供的至少某些指令，每个UD 140可以提供用户界面(user interface，UI)，该用户界面(UI)可以在UD 140的显示器上显示(或与UD 140相关联)。使用UI，UD 140的用户可以在CS120的控制下交互，即提供输入和接收输出。

图2示出了根据实施例的用于管理托运链的CS120的示例框图。

在托运可用的商业环境中，托运过程可以是层级结构的。可以有发货人：提供待托运的产品的主体，收货人：接收托运给它的产品的主体。某些商业条款可以被附加到这些货物的托运上。例如，但并非以限制的方式，这些条款可以包括单位销售成本、收货人应向发货人支付的时间、达到期望目标的某些好处等。

如本文所述，CS120被配置为通过接收数据、处理该数据并以优化托运过程的有意义的方式分发数据来执行托运管理过程。这种优化包括：通过托运链适当配送可托运货物、管理托运链内的托运的货物、基于分析管理收益等。出于这些目的并且如本文进一步解释的，CS120包括处理电路122、存储器124和输入/输出(I/O)接口128。

存储器124可以组合易失性存储器(例如，随机存取存储器)和非易失性存储器(例如，闪存、只读存储器等)两者。存储器124的一部分可以包含代码125。代码125包括可以由处理电路122执行的指令。当由处理电路122执行时，代码将CS120配置为执行本文提供的优化的托运的方法。此外，存储器124可以包含训练集127和人工智能(artificialintelligence，AI)模型126。

可以如本文所描述地使用训练集127来训练AI模型126。当执行代码125以为了分析根据所公开的实施例的托运管理的某些方面的目的时，执行训练以确保AI模型126在由处理电路122操作时的正确操作。处理电路122、存储器124和I/O接口128例如通过总线121通信连接，但不限于此。本领域普通技术人员将容易理解，在不背离本公开的范围的情况下，AI模型126可以是人工神经网络学习方法的模型。

图3是示出了根据实施例的用于托运周期的自动化管理的方法的示例流程图300。在实施例中，该方法由图1的托运服务器120执行。

在S310处，电子地接收通知。该通知包括可供托运的货物的信息，例如但不限于可供托运的货物的数量、托运的价格、条款和条件等。托运服务器120可以从通过网络110与托运服务器120通信连接的用户设备140接收这种通知。该通知是使用各种接口被操作用户设备140的货物的发货人提供的，各种接口通信连接到用户设备140，各种接口包括但不限于物理键盘、虚拟键盘、图像捕获、音频捕获等。

如下文关于图4所讨论的，货物的发货人可以是制造商、经销商(reseller)、批发商或可以具有管理托运过程的权限的任何其他实体。如图4所示，用户设备140可以由配送链内的特定级别的商务管理者操作，并进一步说明需要本文所述的技术方案来解决托运挑战的层级结构性质。

在S320处，从数据库中检索收货人信息以及相应的托运信息。收货人信息可以包括但不限于收货人的姓名、收货人的地址等。具体收货人的托运信息可以包括但不限于托运分数、收货人的当前托运级别、年度销售额、今年迄今的销售额、过去的促销和业绩等。

在S330处，基于(在S310处)所接收的通知和(在S320处)从数据库中检索的数据生成托运分配。在实施例中，通过将从所接收的通知和所检索的数据中提取的特征馈送至AI模型126来生成托运分配，AI模型126是在AI模型128的初始训练之后由处理电路122执行的。即通过在配送链(例如参见图4)上提供优化的托运计划，AI模型126的这种训练确保了AI模型126表现良好。为此，在进一步的实施例中，可以使用反馈来更新AI模型126。此外，如下文进一步描述的，随着配送链改变，可以使用更新的训练集不断地更新AI模型126，从而改善AI模型126的性能。

应当理解，配送链是动态的，使得配送链中可能存在添加和遗漏、性能随时间的改变、环境改变等。这些改变可能会影响未来的性能。因此，提供训练数据集127是必要的，训练数据集127可以用于训练AI模型126以便实现其期望的性能。虽然关于AI模型126的执行描述了分配，但应当理解，可以使用其他技术，例如应用规则和使用规则引擎(未示出)来代替AI模型126或与AI模型126组合。

在实施例中，在S330处生成的分配是按照分销链的特定级别的单个商务管理者的请求提供的(参见图4，用于这样的级别的示例)。在另一实施例中，在不脱离本公开范围的情况下，托运服务器120可以被配置为为配送链的一个或更多个级别提供托运分配。

在S340处，检查生成的分配是否能够被保证，如果是，则继续执行到S360；否则，继续执行到S350。

保证是允许系统检查保证人是否可以向在S330处生成的托运分配计划中的每个发放保证的解决方案的一方面。这用于降低总体风险，因此保持成本处于控制之下。当在配送链的层级结构中存在多个层时，处理这种保证变成了重大挑战，其中配送链中的每个经销商(也参见图4)具有可能受多种因素影响的不同的风险状况，该因素包括但不限于地址、一年中的时间、地址周围的其他收货人、天气模式的改变(预测的或其他的)和许多其他因素。

在实施例中，该系统(特别是AI模型128)可以适于基于正在进行的学习过程评估风险，从而以增加收入、降低风险以及允许货物在配送网络中可管理的配送的方式分配和重新分配货物的托运。

在S350处，检查是否要生成新的托运计划，如果是，则继续执行S330；否则，终止执行。

在S360处，基于托运计划生成托运分配列表。生成的托运分配列表可以包括但不限于：每个收货人的信息、要托运的货物量、(如果有的话)要退回的货物数量、托运时间表(例如，在货物退回之前托运生效的天数)等。

在S370处，生成装箱单(例如用于装运)以及用于操纵接收装箱单的用户设备140的托运管理者的信息，使得托运管理者可以期望接收包裹并且然后从中配送包裹。在实施例中，装箱单可以是处于层级结构的较低级别处的经销商(还参见图4)。如有必要，可以打印这种装箱单用于放置包裹。

图4是根据实施例的可以利用托运服务器的货物配送链的示例图400。在层级结构的顶部处的是例如要用于托运配送的货物的制造商410。熟悉配送链的人将意识到，在一些情况下，例如，独家全国性配送公司可能位于配送层级结构的顶部处。

在另一实施例中，最高层级结构级别410处的根公司可以是批发公司。在又一实施例中，根公司可以是经销商。经销商可以具有层级结构，即，级别420处的经销商(例如经销商420-1)可以再销售给在层级结构的较低级别处的经销商，例如级别430处的经销商、例如经销商430-1，进而经销商430-1可以销售给在层级结构级别440处的经销商，例如销售给经销商440-1，等等。

随着货物托运通过配送链的层级结构过滤，需要处理的经销越来越多，需要管理的托运越来越多，因此需要有效地控制货物的转运和托运条款的应用，以及对此的保证。应当理解，如本文所讨论的，不能手动执行考虑各种参数的最优托运计划的确定，并且所公开的实施例提供了允许自动确定最优托运计划的特定解决方案。

根据各种实施例，创建的托运计划可以由各个经销商独立于其他经销商在货物向下流动时使用，或者可替换地，跨两个或更多个层级结构级别，以进一步获得可能的优化优点，即，提供跨配送链的全局优化而不仅仅是局部优化。虽然在图4中示出了由制造商(410)和经销商(420、430和440)组成的层级结构，但是本领域普通技术人员将容易理解，批发商、零售商、微型零售商或可能有权管理托运过程的其他实体的类似实体也可以出于本文所讨论的目的利用用户设备140。每个发货人可以是收货人，但仅限于货物被出售给终端用户的层级结构中的最低级别。

从每个级别的经销商电子地收集的数据最初用作训练集，例如，用作训练集127。训练集可以包含关于销售、退回、费用和支付以及收据和销售日期的信息。基于创建训练集并用于训练机器学习模型的配送链是动态的，使得配送链的组件、这些组件之间的连接、或这两者可以随时间而改变。作为配送链改变的非限制性示例，经销商可以改变级别、停止运营、迁移到其他地理区域或扩展其业务范围以包括附加区域。

通过连续地收集来自经销商系统的数据并更新训练集，生成改进的AI模型，诸如AI模型126。改进的AI模型然后用于生成新的和更好的托运计划，允许系统更有效率，即，处理更多的交易并提供更好的精度。这种更好的精度还可以具有与提供更好地适应市场需求的托运计划相关的有益效果。

此外，当AI模型通过用更新的训练集进行迭代训练而随时间改变时，AI模型变得能够对市场中的实际改变做出响应，否则实际改变在表现为链上的可检测特征之前需要延长的期限。由于AI模型的迭代训练，这些变化可能具有可以避免的显著的成本和性能影响。

可以通过训练数据集进一步适配AI模型以优化托运期限。也就是说，可以优化托运期限以允许足够的托运时间但不会过长，从而在供应链中创造平衡。例如，如果托运期限太长，则许多货物可能在单个时间处于过渡，从而在实际产生收益之前产生制造和递送更多产品的需要。另一方面，如果托运期限太短，则产品可能会被不必要地且过早地退回。这两种情况都会导致系统100上的重负荷、特别是托运服务器120上的重负荷。

通过使用AI模型，识别随时间改变的复杂模式，从而在提高系统100的整体性能的同时允许降低托运服务器120的负荷。因此，如本文所描述的那样对购买模式进行分析，此后在各种产品、各个仓库和各个区域之间进行比较。此外，数据集中提供的附加数据可以包括但不限于：使用全球定位系统(global system positioning，GPS)的路由信息、行驶路线、递送模式的改变、(例如，由于洪水、暴乱、地震等)某些区域的阻塞等。通过更新的训练集连续更新的所有这些数据提供了响应于近实时变化的动态AI模型。

AI模型可以进一步用于基于集合约束来分析和推荐产品以生成适当的产品捆绑包，其中，捆绑包是以预定价格水平一起提供给经销商的不同产品的组合。使用AI模型，可以基于对数据的分析来创建新的捆绑包，以及当市场、经销商和消费者改变时，重新训练AI模型以适应新的数据。

在实施例中，可以训练AI模型以基于数据和参数来识别经销商的简档，并且定义相关捆绑包，否则由于存在大量的超出人类能力范围的可能性而相关捆绑包实际上是不可能设想的。AI模型可以进一步基于零售商在系统上的时间、订单数量和其他相关参数来创建捆绑包。在实施例中，AI模型可以用于基于托运还款和还款时间来确定是否扩展或以其他方式扩展信贷。

在又一实施例中，可以训练AI模型，以在经销商链充满产品时识别市场中产品的“泛滥”。当识别出这样的泛滥时，可以确定链中的哪些具体经销商的托运应当停止，以便在整个链中实现更好的平衡。基于对经销商的简档和状态的分析，AI模型可以用于识别在每个级别处的市场状态并订购正确的产品，或对可以配送的情况(例如，在“泛滥”市场的情况下)设置限制。

根据本文公开的不同实施例，可以更新提议的托运的生成以适应在层级结构的每个级别处的不同交互。因此，处理(例如，在图3的S330处)来自收货人(例如，在层级结构级别430处的经销商21)的输入，以便向经销商21的发货人(例如，在层级结构级别420处的经销商11)以及向经销商21托运货物的发货人提供关于其收货人(例如，经销商21)的必要建议。这些可以包括但不限于：基于过去的业绩和预测的未来的业绩的收货人的货物的托运级别、允许的延期(没有、完全或部分)的级别、价格调整、折扣和征税，这些都会影响整个配送链的整体业绩。

通过提供学习系统，如例如关于AI模型126的使用所示出的，为技术解决方案提供了本文中所示的在深度和广泛的配送渠道中无法达到的优化水平。此外，系统120还基于其学习能力提供可以保证关于整个配送链的风险水平，该风险水平提供可以跨整个配送链的整体优化。

本领域技术人员将认识到延期是扩展的示例。当支付(全部或部分)托运金额的收货人立即使用该金额来支付(全部或部分)托运，然后整个托运在附加期限(例如，两周)内自动延期时，延期可能是必要的。在实施例中，该托运延期被限制，使得托运在该期限内执行不多于预定次数。这可以通过启发法或通过AI模型126通过其对整个配送链的学习能力来完成，目的是优化总体结果。即使当仅针对托运金额进行部分支付时，AI模型126在由PU122执行时也可以将特定收货人识别为有价值的客户并将其考虑在内。例如，它可以允许针对该部分支付将托运延期附加的时间期限。

本文公开的不同实施例可以被实现为硬件、固件、软件或其任何组合。此外，软件优选地实现为有形地包含在程序存储单元或计算机可读介质上的应用程序，该程序存储单元或计算机可读介质由部件或某些设备和/或设备的组合组成。应用程序可以被上传至包括任何合适架构的机器并且由该机器执行。优选地，机器在具有硬件(诸如一个或更多个中央处理单元(“central processing unit，CPU”)、存储器和输入/输出接口)的计算机平台上实现。计算机平台还可以包括操作系统和微指令代码。本文描述的不同处理和功能可以是微指令代码的一部分或应用程序的一部分、或其任意组合，无论这样的计算机或处理器是否被明确地示出，它们都可以由CPU执行。此外，诸如附加数据存储单元和打印单元的不同的其他外围单元可以连接到计算机平台。此外，非暂时性计算机可读介质是除了暂时性传播信号之外的任何计算机可读介质。

本文所列举的所有示例和条件性语言都旨在用于教学目的，以帮助读者理解所公开的实施例的原理以及由发明人为促进本领域所贡献的概念，并且将被解释为不限于此类具体列举的示例和条件。此外，本文引用所公开的实施例的原理、方面和实施例、以及其具体示例的所有陈述旨在涵盖其结构和功能等同物两者。此外，旨在这样的等同物包括当前已知的等同物以及将来开发的等同物两者，即，不管结构如何都执行相同功能的任何开发的元件。

应当理解的是，本文使用诸如“第一”、“第二”等的名称对元素的任何引用通常不限制那些元素的数量或顺序。相反，这些名称在本文中一般用作在两个或更多个元素或元素的实例之间进行区分的方便方法。由此，对第一和第二元素的引用并不意味着在那里可以仅采用两个元素或第一元素必须以某种方式在第二元素之前。此外，除非另有说明，否则一组元素包括一个或更多个元素。

如本文中所使用的，跟随有项目列表的短语“至少一个”意味着可以单独使用所列出的项目中的任一个、或者可以使用所列出的项目中的两个或更多个的任何组合。例如，如果系统被描述为包括“A、B和C中的至少一个”，则该系统可以包括：仅A；仅B；仅C；2A；2B；2C；3A；A和B的组合；B和C的组合；A和C的组合；A、B和C的组合；2A和C的组合；A、3B和2C的组合；等等。

Claims (19)

1.一种用于托运周期的自动化管理的方法，包括：

使用训练数据集训练机器学习模型，其中，所述训练数据集包括多个托运交易，其中，所述机器学习模型被训练以通过配送链输出提议的托运分配；

接收能够供托运的货物的电子通知；

从第一数据库中检索所述配送链中的多个收货人的托运分数和当前托运级别；

通过将所述机器学习模型应用于从所述电子通知、所述托运分数和所述当前托运级别中提取的特征，来为所述多个收货人中的每个生成提议的托运分配；

基于所提议的托运分配生成托运分配列表；

基于所述托运分配列表生成包装信息；以及

基于所述包装信息为所述多个收货人中的至少一个第一收货人打印装箱单，其中，所述至少一个第一收货人中的每个具有根据所生成的托运分配列表的托运分配。

2.根据权利要求1所述的方法，其中，所述训练数据集基于所述配送链的改变而被连续地更新，其中，所述机器学习模型使用所述训练数据集在多个时间被迭代地训练。

3.根据权利要求2所述的方法，其中，所述配送链的改变包括以下中的至少一个：所述配送链的组件的改变、以及所述配送链的组件之间的连接的改变。

4.根据权利要求1所述的方法，其中，所述机器学习模型被进一步训练以优化所提议的托运分配的托运期限。

5.根据权利要求1所述的方法，其中，所提议的托运分配至少部分地受所述多个收货人中的每个收货人的预定分数层的影响。

6.根据权利要求1所述的方法，还包括：

基于所述多个收货人的托运数据来确定所提议的托运分配能够被保证。

7.根据权利要求6所述的方法，其中，确定所提议的分配能够被保证还包括：

确定所述多个收货人中的至少一个第一收货人是否在预定时间期限内使用了托运。

8.根据权利要求7所述的方法，还包括：

对所述多个收货人中在预定时间期限内没有使用托运的每个收货人生成电子需求通知。

9.根据权利要求1所述的方法，其中，生成所提议的托运分配还包括：

确定托运货物的允许延期。

10.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质存储有用于使处理电路执行过程的指令，所述过程包括：

使用训练数据集训练机器学习模型，其中，所述训练数据集包括多个托运交易，其中，所述机器学习模型被训练以通过配送链输出提议的托运分配；

接收能够供托运的货物的电子通知；

从第一数据库中检索所述配送链中的多个收货人的托运分数和当前托运级别；

通过将所述机器学习模型应用于从所述电子通知、所述托运分数和所述当前托运级别中提取的特征，来为所述多个收货人中的每个生成提议的托运分配；

基于所提议的托运分配生成托运分配列表；

基于所述托运分配列表生成包装信息；以及

基于所述包装信息为所述多个收货人中的至少一个第一收货人打印装箱单，其中，所述至少一个第一收货人中的每个具有根据所生成的托运分配列表的托运分配。

11.一种用于货物托运周期的自动化管理的托运服务器，包括：

处理电路；

通信地连接至所述处理电路的输入/输出接口；以及

通信地连接至所述处理电路的存储器，所述存储器包括代码，所述代码在由所述处理电路执行时将所述托运服务器配置为：

使用训练数据集训练机器学习模型，其中，所述训练数据集包括多个托运交易，其中，所述机器学习模型被训练以通过配送链输出提议的托运分配；

接收能够供托运的货物的电子通知；

从第一数据库中检索所述配送链中的多个收货人的托运分数和当前托运级别；

通过将所述机器学习模型应用于从所述电子通知、所述托运分数和所述当前托运级别中提取的特征，来为所述多个收货人中的每个生成提议的托运分配；

基于所提议的托运分配生成托运分配列表；

基于所述托运分配列表生成包装信息；以及

基于所述包装信息为所述多个收货人中的至少一个第一收货人打印装箱单，其中，所述至少一个第一收货人中的每个具有根据所生成的托运分配列表的托运分配。

12.根据权利要求11所述的系统，其中，所述训练数据集基于所述配送链的改变而被连续地更新，其中，所述机器学习模型使用所述训练数据集在多个时间被迭代地训练。

13.根据权利要求12所述的系统，其中，所述配送链的改变包括以下中的至少一个：所述配送链的组件的改变、以及所述配送链的组件之间的连接的改变。

14.根据权利要求11所述的系统，其中，所述机器学习模型被进一步训练以优化所提议的托运分配的托运期限。

15.根据权利要求11所述的系统，其中，所提议的托运分配至少部分地受所述多个收货人中的每个收货人的预定分数层的影响。

16.根据权利要求11所述的系统，其中，所述系统还被配置为：

基于所述多个收货人的托运数据来确定所提议的托运分配能够被保证。

17.根据权利要求16所述的系统，其中，所述系统还被配置为：

确定所述多个收货人中的至少一个第一收货人是否在预定时间期限内使用了托运。

18.根据权利要求17所述的系统，其中，所述系统还被配置为：

对所述多个收货人中在预定时间期限内没有使用托运的每个收货人生成电子需求通知。

19.根据权利要求11所述的系统，其中，所述系统还被配置为：

确定托运货物的允许延期。