CN117422348A - 物流单计算错误的处理方法、装置、设备及存储介质 - Google Patents

物流单计算错误的处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117422348A
CN117422348A CN202311183058.XA CN202311183058A CN117422348A CN 117422348 A CN117422348 A CN 117422348A CN 202311183058 A CN202311183058 A CN 202311183058A CN 117422348 A CN117422348 A CN 117422348A
Authority
CN
China
Prior art keywords
abnormal
logistics
target
orders
information
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
Application number
CN202311183058.XA
Other languages
English (en)
Inventor
葛建东
肖广明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202311183058.XA priority Critical patent/CN117422348A/zh
Publication of CN117422348A publication Critical patent/CN117422348A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0838—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及物流运输领域，公开了一种物流单计算错误的处理方法、装置、设备及存储介质。该方法包括：获取若干待处理的物流订单，将物流订单的运单号三段码输入到目标模型中计算，得到若干异常物流订单，对若干异常物流订单的网点信息进行聚类，得到异常网点簇，根据异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单；根据若干目标异常物流订单的基础信息重新计算若干目标异常物流订单信息的运单号三段码，直至若干目标异常物流订单信息的运单号三段码满足预设指标；本发明批量配置基础数据，找到发生异常的物流单，将以前计算错误的物流订单重新计算正确，帮助异常网点快速分拣，大幅提升运输效率。

Description

物流单计算错误的处理方法、装置、设备及存储介质
技术领域
本发明涉及物流运输技术领域，尤其涉及一种物流单计算错误的处理方法、装置、设备及存储介质。
背景技术
现代物流指的是将信息、运输、仓储、库存、装卸搬运以及包装等物流活动，综合起来的一种新型的集成式管理，其任务是尽可能降低物流的总成本，为顾客提供最好的服务。物流电子商务化是以互联网的形式提供物流行业相关信息，包括货运信息、空运信息、陆运信息、海运信息、以及物流行业资讯和物流知识，法律法规等，还提供物流行业企业库，供货源方查找，货源方也可通过物流网发布货源信息，以供物流企业合作，同时，快递行业在现代社会中扮演着至关重要的角色，每天处理着大量的包裹和信息。
然而，目前快递业务量大和信息复杂，快递电子面单数据来自不同平台的计算结果，平台无法提前感知业务现场情况，并且包裹量巨大，物流地址分布范围较大，复杂度高，难以人工处理，分拣环节经常出现异常，如因筛单重启、新开网点、业务范围变更、业务操作不规范而导致电子面单计算错误或计算不出结果，影响自动线分拣落格，使得快递运输的整体效率较低，难以应对异常情况。
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处理现有技术中快递在运输途中经常发生异常情况而导致电子面单打印错误或计算不出结果，影响快递运输的整体效率的问题。
本发明第一方面提供了一种物流单计算错误的处理方法，包括：采集历史数据，将所述历史数据导入分布式存储系统并进行加工处理得到训练数据，根据所述训练数据对LSTM模型进行训练，得到目标模型；获取若干待处理的物流订单，将所述物流订单的运单号三段码输入到所述目标模型中计算，得到若干异常物流订单，其中，所述物流订单包括基础信息、网点信息和运单号三段码；对所述若干异常物流订单的网点信息进行聚类，得到异常网点簇，根据所述异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单；根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标。
可选的，在本发明第一方面的第一种实现方式中，所述采集历史数据，将所述历史数据导入分布式存储系统并进行加工处理得到训练数据的步骤包括：采集历史物流订单和历史物流轨迹数据，将所述历史采集物流订单和所述历史物流轨迹数据导入分布式存储系统；通过Hive和Spark SQL对所述历史采集物流订单和所述历史物流数据进行清洗、转换和加载处理得到训练数据。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述训练数据对LSTM模型进行训练，得到目标模型的步骤包括：将所述训练数据输入到所述LSTM模型，利用所述训练数据计算梯度，根据所述梯度更新所述LSTM模型的参数；当所述参数的变化达到预设最大迭代次数时，根据所述参数优化所述LSTM模型，得到所述目标模型。
可选的，在本发明第一方面的第三种实现方式中，所述将所述物流订单的运单号三段码输入到所述目标模型中计算，得到若干异常物流订单的步骤包括：将所述物流订单的运单号三段码输入到所述目标模型中进行计算，输出所述物流订单的预测送达时间，其中，所述运单号三段码表示运输中心编号、末端网点编号和业务员编号；将所述预测送达时间与预设的正常时间范围进行比较，若所述预测送达时间不在所述正常时间范围内，则表示所述物流订单存在异常，得到所述若干异常物流订单。
可选的，在本发明第一方面的第四种实现方式中，所述对所述若干异常物流订单的网点信息进行聚类，得到异常网点簇的步骤包括：获取所述若干异常物流订单中各网点信息以及所述各网点信息的出现次数；采用KMeans算法对所述出现次数超过预设次数的网点信息进行聚类，得到所述异常网点簇。
可选的，在本发明第一方面的第五种实现方式中，所述根据所述异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单的步骤包括：根据所述异常网点簇得到对应的各个异常网点，获取各个异常网点的分拣设备扫描结果；若所述分拣设备扫描结果为快递经过自动线分拣设备时无法落格或者落格错误，则表示所述快递的物流订单的运单号三段码存在异常，获取存在异常的物流订单作为所述若干目标异常物流订单。
可选的，在本发明第一方面的第六种实现方式中，所述根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标的步骤包括：根据所述若干目标异常物流订单的基础信息，并结合运输地图、历史算法以及最新的配置数据，重新计算所述若干目标异常物流订单信息的运单号三段码，得到中间运单号三段码；判断所述中间运单号三段码是否满足所述预设指标，若满足所述预设指标，则将所述中间运单号三段码作为目标运单号三段码；若不满足所述预设指标，则再次计算所述若干目标异常物流订单信息的运单号三段码，直至得到满足所述预设指标的目标运单号三段码。
本发明第二方面提供了一种物流单计算错误的处理装置，包括：模型训练模块，用于采集历史数据，将所述历史数据导入分布式存储系统并进行加工处理得到训练数据，根据所述训练数据对LSTM模型进行训练，得到目标模型；异常物流订单获取模块，用于获取若干待处理的物流订单，将所述物流订单的运单号三段码输入到所述目标模型中计算，得到若干异常物流订单，其中，所述物流订单包括基础信息、网点信息和运单号三段码；目标异常物流订单获取模块，用于对所述若干异常物流订单的网点信息进行聚类，得到异常网点簇，根据所述异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单；运单号三段码重计算模块，用于根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标。
可选的，在本发明第二方面的第一种实现方式中，所述模型训练模块包括：数据采集单元，用于采集历史物流订单和历史物流轨迹数据，将所述历史采集物流订单和所述历史物流轨迹数据导入分布式存储系统；数据处理单元，用于通过Hive和Spark SQL对所述历史采集物流订单和所述历史物流数据进行清洗、转换和加载处理得到训练数据。
可选的，在本发明第二方面的第二种实现方式中，所述模型训练模块还包括：参数更新单元，用于将所述训练数据输入到所述LSTM模型，利用所述训练数据计算梯度，根据所述梯度更新所述LSTM模型的参数；模型优化单元，用于当所述参数的变化达到预设最大迭代次数时，根据所述参数优化所述LSTM模型，得到所述目标模型。
可选的，在本发明第二方面的第三种实现方式中，所述异常物流订单获取模块包括：时间预测单元，用于将所述物流订单的运单号三段码输入到所述目标模型中进行计算，输出所述物流订单的预测送达时间，其中，所述运单号三段码表示运输中心编号、末端网点编号和业务员编号；异常物流订单获取单元，用于将所述预测送达时间与预设的正常时间范围进行比较，若所述预测送达时间不在所述正常时间范围内，则表示所述物流订单存在异常，得到所述若干异常物流订单。
可选的，在本发明第二方面的第四种实现方式中，所述目标异常物流订单获取模块包括：网点信息获取单元，用于获取所述若干异常物流订单中各网点信息以及所述各网点信息的出现次数；异常网点簇获取单元，用于采用KMeans算法对所述出现次数超过预设次数的网点信息进行聚类，得到所述异常网点簇。
可选的，在本发明第二方面的第五种实现方式中，所述目标异常物流订单获取模块还包括：扫描结果获取单元，用于根据所述异常网点簇得到对应的各个异常网点，获取各个异常网点的分拣设备扫描结果；目标异常物流订单获取单元，用于若所述分拣设备扫描结果为快递经过自动线分拣设备时无法落格或者落格错误，则表示所述快递的物流订单的运单号三段码存在异常，获取存在异常的物流订单作为所述若干目标异常物流订单。
可选的，在本发明第二方面的第六种实现方式中，所述运单号三段码重计算模块包括：运单号三段码重计算单元，用于根据所述若干目标异常物流订单的基础信息，并结合运输地图、历史算法以及最新的配置数据，重新计算所述若干目标异常物流订单信息的运单号三段码，得到中间运单号三段码；指标判断单元，用于判断所述中间运单号三段码是否满足所述预设指标，若满足所述预设指标，则将所述中间运单号三段码作为目标运单号三段码；目标运单号三段码生成单元，用于若不满足所述预设指标，则再次计算所述若干目标异常物流订单信息的运单号三段码，直至得到满足所述预设指标的目标运单号三段码。
本发明第三方面提供了一种物流单计算错误的处理设备，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，所述存储器和所述至少一个处理器通过线路互连；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，以使得所述物流单计算错误的处理设备执行如上所述物流单计算错误的处理方法的各个步骤。
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中存储有计算机可读指令，当其在计算机上运行时，使得计算机执行如上所述物流单计算错误的处理方法的各个步骤。
有益效果：本发明的技术方案中，将以前计算错误的物流订单重新计算正确，降低现场分拣难度，快速清场；批量配置基础数据，定位分单错分原因，保证错误快递可以正确分拣，极大降低错分成本，将以前计算错误的运单号三段码重新计算正确，帮助异常网点快速分拣，大幅提升运输效率。
附图说明
图1为本发明实施例提供的物流单计算错误的处理方法的第一种流程图；
图2为本发明实施例提供的物流单计算错误的处理方法的第二种流程图；
图3为本发明实施例提供的物流单计算错误的处理方法的第三种流程图；
图4为本发明实施例提供的物流单计算错误的处理方法的第四种流程图；
图5为本发明实施例提供的物流单计算错误的处理方法的第五种流程图；
图6为本发明实施例提供的物流单计算错误的处理方法的第六种流程图；
图7为本发明实施例提供的物流单计算错误的处理方法的第七种流程图；
图8为本发明实施例提供的物流单计算错误的处理装置的一种结构示意图；
图9为本发明实施例提供的物流单计算错误的处理装置的另一种结构示意图；
图10为本发明实施例提供的物流单计算错误的处理设备的结构示意图。
具体实施方式
本发明实施例提供了一种物流单计算错误的处理方法、装置、设备及存储介质，采集历史数据，将所述历史数据导入分布式存储系统并进行加工处理得到训练数据，根据所述训练数据对LSTM模型进行训练，得到目标模型；获取若干待处理的物流订单，将所述物流订单的运单号三段码输入到所述目标模型中计算，得到若干异常物流订单，其中，所述物流订单包括基础信息、网点信息和运单号三段码；对所述若干异常物流订单的网点信息进行聚类，得到异常网点簇，根据所述异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单；根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标。本发明处理了现有技术中快递在运输途中经常发生异常情况而导致电子面单打印错误或计算不出结果，影响快递运输的整体效率的问题。
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单计算错误的处理方法的第一个实施例包括：
S101、采集历史数据，将所述历史数据导入分布式存储系统并进行加工处理得到训练数据，根据所述训练数据对LSTM模型进行训练，得到目标模型。
在本实施例中，采集往来的历史数据，将采集到的历史数据(各类结构化和非结构化数据)导入到Hadoop(Hadoop是一个由Apache基金会所开发的分布式系统基础架构，用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力进行高速运算和存储)、Spark(Spark一般指Apache Spark，Apache Spark是专为大规模数据处理而设计的快速通用的计算引擎)等分布式存储系统进行存储。
进一步地，借助Hive(Hive是基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制)、Spark SQL(Spark SQL是Spark用来处理结构化数据的一个模块，作为分布式SQL查询引擎)等工具对存入的所述历史数据进行清洗、转换、加载等处理，得到所述训练数据，所述训练数据可用于机器学习、数据分析等用途。
根据所述训练数据对LSTM模型(Long Short-Term Memory，长短期记忆网络，是一种时间循环神经网络，是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的)进行训练，得到目标模型。
作为举例，收集某快递历史订单数据和物流轨迹数据，例如收集某快递网点过去一年的订单信息,以及这些订单在各物流节点的扫描时间、位置信息，将所述订单信息、所述扫描时间和所述位置信息借助Hive、Spark SQL等工具进行清洗、转换、加载等处理，得到所述训练数据，再根据所述训练数据对LSTM模型进行训练，得到目标模型。
S102、获取若干待处理的物流订单，将所述物流订单的运单号三段码输入到所述目标模型中计算，得到若干异常物流订单，其中，所述物流订单包括基础信息、网点信息和运单号三段码。
在本实施例中，所述物流订单包括基础信息、网点信息和运单号三段码，其中，所述基础信息包括单号、录单日期、录单来源等，但不局限于此；所述网点信息包括录单网店信息、录单的设备信息等；所述运单号三段码根据所述基础信息通过算法计算得到，所述运单号三段码通常用于决定所述物流订单的运输路径(如经历哪个中转站，由哪个网点最终接收，由哪个业务员进行最后的派送等)，所述运单号三段码中的三段数字分别代表运输中心编号、末端网点编号和业务员编号，例如运单号三段码为28-01-056，则说明中心分组码为编号28所对应的运输中心，末端网点为编号01所对应的网点，业务员编号为编号056所对应的业务员。
将所述物流订单的运单号三段码输入到所述目标模型中计算，由于所述运单号三段码决定了所述物流订单的运输路径，因此可以通过所述运输路径，基于所述目标模型进行计算，得到一个物流订单的预测送达时间，根据所述的预测送达时间与预设的正常时间范围进行比较，即可得到若干异常物流订单。
103、对所述若干异常物流订单的网点信息进行聚类，得到异常网点簇，根据所述异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单。
在本实施例中，对所述若干异常物流订单的网点信息进行聚类，就是将所述若干异常物流订单中出现的网点信息进行一个统计，将出错次数较多的网点信息进行聚类，并将其命名为异常网点簇，根据所述异常网点簇中各个异常网点，到对应异常网店的分拣设备中进行确认，获取所述分拣设备的扫描结果，根据所述扫描结果可以得到出现异常的若干物流订单，将出现异常的物流订单作为目标异常物流订单。
可以理解的是，本发明通过获取一部分的待处理的物流订单来获取异常网点信息，实现对异常网点的准确定位，再根据所述异常网点信息来获取所述异常网点中所有存在异常的目标异常物流订单，通过批量的数据，定位分单错分原因，及时找到异常网点和异常订单。
104、根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标。
在本实施例中，获取所述若干目标异常物流订单的基础信息，根据所述基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，并综合根据现场人工抽样调查、专家判断和识别率等统计指标进行判断，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标；需要说明的是，所述预设指标的类型和具体的参数大小都是预先设置好的，并可以结合具体的使用场景和根据具体情况进行改变，这里只是举例，对所述预设指标的具体内容不作限制。
本实施例提供的是一种物流单计算错误的处理方法，通过将批量配置基础数据，找到发生异常的物流单，将以前计算错误的物流订单重新计算正确，帮助异常网点快速分拣，大幅提升运输效率。
请参阅图2，本发明实施例中物流单计算错误的处理方法的第二个实施例包括：
S201、采集历史物流订单和历史物流轨迹数据，将所述历史采集物流订单和所述历史物流轨迹数据导入分布式存储系统。
S202、通过Hive和Spark SQL对所述历史采集物流订单和所述历史物流数据进行清洗、转换和加载处理得到训练数据。
在本实施例中，所述历史数据包括历史物流订单和历史物流轨迹数据(包括各类结构化和非结构化数据)，其中，所述历史物流订单包括基础信息、网点信息和运单号三段码，所述历史物流轨迹数据包括所述历史物流订单实际的运输轨迹数据，比如所述历史物流订单在各物流节点的扫描时间、位置信息等；再将所述历史采集物流订单和所述历史物流轨迹数据导入分布式存储系统进行储存和后续处理。
在本实施例中，通过Hive和Spark SQL对储存在分布式存储系统中的所述历史采集物流订单和所述历史物流数据进行数据清洗(数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等)、数据转换(数据转换是将数据从一种格式或结构转换为另一种格式或结构的过程,数据转换对于数据集成和数据管理等活动至关重要)和数据加载(数据加载是继数据抽取和转换清洗后的一个阶段，它负责将从数据源中抽取加工所需的数据，经过数据清洗和转换后，最终按照预定义好的数据仓库模型，将数据加载到目标数据集市或数据仓库中去，可实现SQL或批量加载)处理得到训练数据。
请参阅图3，本发明实施例中物流单计算错误的处理方法的第三个实施例包括：
S301、将所述训练数据输入到所述LSTM模型，利用所述训练数据计算梯度，根据所述梯度更新所述LSTM模型的参数。
S302、当所述参数的变化达到预设最大迭代次数时，根据所述参数优化所述LSTM模型，得到所述目标模型。
在本实施例中，将所述训练数据输入到所述LSTM模型后，需要对所述LSTM模型的参数进行训练，本申请中采用随机梯度下降法(SGD，是一种简单但非常有效的方法,多用于支持向量机、逻辑回归(LR)等凸损失函数下的线性分类器的学习。并且SGD已成功应用于文本分类和自然语言处理中经常遇到的大规模和稀疏机器学习问题)训练所述参数；具体地，首先初始化参数，从数据集中随机选取一个样本，计算其对应的梯度，然后根据梯度更新参数，并根据所述梯度更新所述LSTM模型的参数。
进一步地，当所述参数的变化达到预设最大迭代次数时(也可以是预设一个预设值，当所述参数的变化小于预设值时)，根据所述参数优化所述LSTM模型，得到所述目标模型；此外，还可以使用图形处理器来加速随机梯度下降法的计算，这是因为它有许多可以并行处理的操作，可以大大减少训练时间，为实时模型提供支持，从而为实际应用提供了一种可行的方法，通过所述算法可以有效避免局部最优解，缩短训练时间,并可以用硬件加速，为实时应用提供支持。
请参阅图4，本发明实施例中快件的物流单计算错误的处理方法的第四个实施例包括：
S401、将所述物流订单的运单号三段码输入到所述目标模型中进行计算，输出所述物流订单的预测送达时间，其中，所述运单号三段码表示运输中心编号、末端网点编号和业务员编号。
S402、若所述新运输车辆有在值的物流订单，则将所述可调度物流订单与初始运输车辆解绑并将所述初始运输车辆设置为空运单状态，将所述可调度物流订单与所述新运输车辆建绑，将所述可调度物流订单加入到所述新运输车辆的运单信息中并更新所述新运输车辆的运单信息。
在本实施例中，先获取若干待处理的物流订单，所述物流订单包括基础信息、网点信息和运单号三段码，其中，所述基础信息包括单号、录单日期、录单来源等，但不局限于此；所述网点信息包括录单网店信息、录单的设备信息等；所述运单号三段码根据所述基础信息通过算法计算得到，所述运单号三段码通常用于决定所述物流订单的运输路径，所述运单号三段码中的三段数字分别代表运输中心编号、末端网点编号和业务员编号。
将所述物流订单的运单号三段码输入到所述目标模型中计算，由于所述运单号三段码决定了所述物流订单的运输路径，因此可以通过所述运输路径，基于所述目标模型进行计算，得到一个物流订单的预测送达时间，根据所述的预测送达时间与预设的正常时间范围进行比较，即可得到若干异常物流订单。
请参阅图5，本发明实施例中快件的物流单计算错误的处理方法的第五个实施例包括：
S501、获取所述若干异常物流订单中各网点信息以及所述各网点信息的出现次数。
S502、采用KMeans算法对所述出现次数超过预设次数的网点信息进行聚类，得到所述异常网点簇。
在本实施例中，获取所述若干异常物流订单，对所述若干异常物流订单中各网点信息以及所述各网点信息的出现次数进行统计，并使用KMeans算法(k均值聚类算法，是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类；每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算；这个过程将不断重复直到满足某个终止条件；终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小)对所述出现次数超过预设次数的网点信息进行聚类，得到所述异常网点簇；其中，所述预设次数可以根据具体情况进行设置，这里不做限制。
作为举例，从所述若干异常物流订单中得到了8个出现异常物流订单的异常网点，并且设置所述预设次数为5，在8个出现异常物流订单的异常网点中，存在3个异常网点的异常物流订单数超过了所述预设次数，则将这3个异常网点通过KMeans算法进行聚类，得到由这三个异常网点组成的所述异常网点簇。
请参阅图6，本发明实施例中快件的物流单计算错误的处理方法的第六个实施例包括：
S601、根据所述异常网点簇得到对应的各个异常网点，获取各个异常网点的分拣设备扫描结果。
S602、若所述分拣设备扫描结果为快递经过自动线分拣设备时无法落格或者落格错误，则表示所述快递的物流订单的运单号三段码存在异常，获取存在异常的物流订单作为所述若干目标异常物流订单。
在本实施例中，根据所述异常网点簇中的异常网点信息得到对应的各个异常网点，可以理解的是，在网点中进行订单的分拣时，都是通过分拣设备对所述物流订单进行扫描后分拣的，而如果所述物流订单的所述运单号三段码存在异常(比如所述运单号三段码不符合规则或者所述运单号三段码没有打印上去)，则所述分拣设备对所述异常物流订单进行扫描后，会保存所述扫描结果并停止对所述异常物流订单的分拣；因此获取各个异常网点的分拣设备扫描结果，根据所述分拣结果获取所述异常网点中的异常物流订单。
作为举例，获取到某个异常网点的所述扫描结果后，对所述扫描结果进行判断，若所述分拣设备扫描结果为快递经过自动线分拣设备时无法落格或者落格错误，则表示所述快递的物流订单的运单号三段码存在异常，获取存在异常的物流订单作为所述若干目标异常物流订单；若所述分拣设备扫描结果为快递经过自动线分拣设备能够正常落格，则表示所述快递的物流订单的运单号三段码是正确的。
请参阅图7，本发明实施例中快件的物流单计算错误的处理方法的第七个实施例包括：
S701、根据所述若干目标异常物流订单的基础信息，并结合运输地图、历史算法以及最新的配置数据，重新计算所述若干目标异常物流订单信息的运单号三段码，得到中间运单号三段码。
S702、判断所述中间运单号三段码是否满足所述预设指标，若满足所述预设指标，则将所述中间运单号三段码作为目标运单号三段码。
S703、若不满足所述预设指标，则再次计算所述若干目标异常物流订单信息的运单号三段码，直至得到满足所述预设指标的目标运单号三段码。
在本实施例中，根据所述若干目标异常物流订单的单号、录单日期、录单来源等信息，并结合当前区域的运输地图、历史的运单号三段码计算算法以及最新的配置数据(例如最新的运输中心地址、最新的天气情况、路面情况和最新的业务员名单等)，重新计算所述若干目标异常物流订单信息的运单号三段码，得到中间运单号三段码；将所述中间运单号三段码与所述预设指标进行比较，判断所述中间运单号三段码是否满足所述预设指标，若满足所述预设指标，则将所述中间运单号三段码作为目标运单号三段码；若不满足所述预设指标，则再次计算所述若干目标异常物流订单信息的运单号三段码，直至得到满足所述预设指标的目标运单号三段码为止，由此完成对物流单计算错误的处理；其中，所述预设指标包括现场人工抽样调查情况、专家判断情况和识别率等统计指标。
上面对本发明实施例中物流单计算错误的处理方法进行了描述，下面对本发明实施例中物流单计算错误的处理装置进行描述，请参阅图8，本发明实施例中物流单计算错误的处理装置一个实施例包括：
模型训练模块50，用于获取初始运输车辆的运单信息以及与所述初始运输车辆建绑的物流订单；
异常物流订单获取模块60，用于当接收到物流订单调度指令时，判断所述物流订单是否可调度；
目标异常物流订单获取模块70，用于判定所述物流订单为可调度物流订单后，为所述可调度物流订单匹配新运输车辆，将所述可调度物流订单与所述初始运输车辆解绑并与新运输车辆建绑，同时更新初始运输车辆和新运输车辆的运单信息；
运单号三段码重计算模块80，用于根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标。
本实施例中，批量配置基础数据，定位分单错分原因，保证错误快递可以正确分拣，极大降低错分成本，将以前计算错误的运单号三段码重新计算正确，帮助异常网点快速分拣，大幅提升运输效率。
请参阅图9，本发明实施例中物流单计算错误的处理装置的另一个实施例包括：
模型训练模块50，用于获取初始运输车辆的运单信息以及与所述初始运输车辆建绑的物流订单；
异常物流订单获取模块60，用于当接收到物流订单调度指令时，判断所述物流订单是否可调度；
目标异常物流订单获取模块70，用于判定所述物流订单为可调度物流订单后，为所述可调度物流订单匹配新运输车辆，将所述可调度物流订单与所述初始运输车辆解绑并与新运输车辆建绑，同时更新初始运输车辆和新运输车辆的运单信息；
运单号三段码重计算模块80，用于根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标。
在本实施例中，所述模型训练模块50包括：
数据采集单元501，用于采集历史物流订单和历史物流轨迹数据，将所述历史采集物流订单和所述历史物流轨迹数据导入分布式存储系统；
数据处理单元502，用于通过Hive和Spark SQL对所述历史采集物流订单和所述历史物流数据进行清洗、转换和加载处理得到训练数据。
在本实施例中，所述模型训练模块50还包括：
参数更新单元503，用于将所述训练数据输入到所述LSTM模型，利用所述训练数据计算梯度，根据所述梯度更新所述LSTM模型的参数；
模型优化单元504，用于当所述参数的变化达到预设最大迭代次数时，根据所述参数优化所述LSTM模型，得到所述目标模型。
在本实施例中，所述异常物流订单获取模块60包括：
时间预测单元601，用于将所述物流订单的运单号三段码输入到所述目标模型中进行计算，输出所述物流订单的预测送达时间，其中，所述运单号三段码表示运输中心编号、末端网点编号和业务员编号；
异常物流订单获取单元602，用于将所述预测送达时间与预设的正常时间范围进行比较，若所述预测送达时间不在所述正常时间范围内，则表示所述物流订单存在异常，得到所述若干异常物流订单。
在本实施例中，所述目标异常物流订单获取模块70包括：
网点信息获取单元701，用于获取所述若干异常物流订单中各网点信息以及所述各网点信息的出现次数；
异常网点簇获取单元702，用于采用KMeans算法对所述出现次数超过预设次数的网点信息进行聚类，得到所述异常网点簇。
在本实施例中，所述目标异常物流订单获取模块70还包括：
扫描结果获取单元703，用于根据所述异常网点簇得到对应的各个异常网点，获取各个异常网点的分拣设备扫描结果；
目标异常物流订单获取单元704，用于若所述分拣设备扫描结果为快递经过自动线分拣设备时无法落格或者落格错误，则表示所述快递的物流订单的运单号三段码存在异常，获取存在异常的物流订单作为所述若干目标异常物流订单。
在本实施例中，所述运单号三段码重计算模块80包括：
运单号三段码重计算单元801，用于根据所述若干目标异常物流订单的基础信息，并结合运输地图、历史算法以及最新的配置数据，重新计算所述若干目标异常物流订单信息的运单号三段码，得到中间运单号三段码；
指标判断单元802，用于判断所述中间运单号三段码是否满足所述预设指标，若满足所述预设指标，则将所述中间运单号三段码作为目标运单号三段码；
目标运单号三段码生成单元803，用于若不满足所述预设指标，则再次计算所述若干目标异常物流订单信息的运单号三段码，直至得到满足所述预设指标的目标运单号三段码。
本发明提供的是一种物流单计算错误的处理方法，本发明将以前计算错误的物流订单重新计算正确，降低现场分拣难度，快速清场；批量配置基础数据，定位分单错分原因，保证错误快递可以正确分拣，极大降低错分成本，将以前计算错误的运单号三段码重新计算正确，帮助异常网点快速分拣，大幅提升运输效率。
上面图8和图9从模块化功能实体的角度对本发明实施例中的物流单计算错误的处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中物流单计算错误的处理设备进行详细描述。
图10是本发明实施例提供的一种物流单计算错误的处理设备的结构示意图，该物流单计算错误的处理设备10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)11(例如，一个或一个以上处理器)和存储器12，一个或一个以上存储应用程序133或数据132的存储介质13(例如一个或一个以上海量存储设备)。其中，存储器12和存储介质13可以是短暂存储或持久存储。存储在存储介质13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单计算错误的处理设备10中的一系列指令操作。更进一步地，处理器11可以设置为与存储介质13通信，在物流单计算错误的处理设备10上执行存储介质13中的一系列指令操作。
物流单计算错误的处理设备10还可以包括一个或一个以上电源14，一个或一个以上有线或无线网络接口15，一个或一个以上输入输出接口16，和/或，一个或一个以上操作系统131，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图10示出的设备结构并不构成对物流单计算错误的处理设备10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单计算错误的处理配方法的步骤。
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)

1.一种物流单计算错误的处理方法，其特征在于，所述物流单计算错误的处理方法包括：
采集历史数据，将所述历史数据导入分布式存储系统并进行加工处理得到训练数据，根据所述训练数据对LSTM模型进行训练，得到目标模型；
获取若干待处理的物流订单，将所述物流订单的运单号三段码输入到所述目标模型中计算，得到若干异常物流订单，其中，所述物流订单包括基础信息、网点信息和运单号三段码；
对所述若干异常物流订单的网点信息进行聚类，得到异常网点簇，根据所述异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单；
根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标。
2.根据权利要求1所述物流单计算错误的处理方法，其特征在于，所述采集历史数据，将所述历史数据导入分布式存储系统并进行加工处理得到训练数据的步骤包括：
采集历史物流订单和历史物流轨迹数据，将所述历史采集物流订单和所述历史物流轨迹数据导入分布式存储系统；
通过Hive和Spark SQL对所述历史采集物流订单和所述历史物流数据进行清洗、转换和加载处理得到训练数据。
3.根据权利要求1所述物流单计算错误的处理方法，其特征在于，所述根据所述训练数据对LSTM模型进行训练，得到目标模型的步骤包括：
将所述训练数据输入到所述LSTM模型，利用所述训练数据计算梯度，根据所述梯度更新所述LSTM模型的参数；
当所述参数的变化达到预设最大迭代次数时，根据所述参数优化所述LSTM模型，得到所述目标模型。
4.根据权利要求1所述物流单计算错误的处理方法，其特征在于，所述将所述物流订单的运单号三段码输入到所述目标模型中计算，得到若干异常物流订单的步骤包括：
将所述物流订单的运单号三段码输入到所述目标模型中进行计算，输出所述物流订单的预测送达时间，其中，所述运单号三段码表示运输中心编号、末端网点编号和业务员编号；
将所述预测送达时间与预设的正常时间范围进行比较，若所述预测送达时间不在所述正常时间范围内，则表示所述物流订单存在异常，得到所述若干异常物流订单。
5.根据权利要求4所述物流单计算错误的处理方法，其特征在于，所述对所述若干异常物流订单的网点信息进行聚类，得到异常网点簇的步骤包括：
获取所述若干异常物流订单中各网点信息以及所述各网点信息的出现次数；
采用KMeans算法对所述出现次数超过预设次数的网点信息进行聚类，得到所述异常网点簇。
6.根据权利要求1所述物流单计算错误的处理方法，其特征在于，所述根据所述异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单的步骤包括：
根据所述异常网点簇得到对应的各个异常网点，获取各个异常网点的分拣设备扫描结果；
若所述分拣设备扫描结果为快递经过自动线分拣设备时无法落格或者落格错误，则表示所述快递的物流订单的运单号三段码存在异常，获取存在异常的物流订单作为所述若干目标异常物流订单。
7.根据权利要求4所述物流单计算错误的处理方法，其特征在于，所述根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标的步骤包括：
根据所述若干目标异常物流订单的基础信息，并结合运输地图、历史算法以及最新的配置数据，重新计算所述若干目标异常物流订单信息的运单号三段码，得到中间运单号三段码；
判断所述中间运单号三段码是否满足所述预设指标，若满足所述预设指标，则将所述中间运单号三段码作为目标运单号三段码；
若不满足所述预设指标，则再次计算所述若干目标异常物流订单信息的运单号三段码，直至得到满足所述预设指标的目标运单号三段码。
8.一种物流单计算错误的处理装置，其特征在于，包括：
模型训练模块，用于采集历史数据，将所述历史数据导入分布式存储系统并进行加工处理得到训练数据，根据所述训练数据对LSTM模型进行训练，得到目标模型；
异常物流订单获取模块，用于获取若干待处理的物流订单，将所述物流订单的运单号三段码输入到所述目标模型中计算，得到若干异常物流订单，其中，所述物流订单包括基础信息、网点信息和运单号三段码；
目标异常物流订单获取模块，用于对所述若干异常物流订单的网点信息进行聚类，得到异常网点簇，根据所述异常网点簇中各个异常网点的分拣设备扫描结果，获取若干目标异常物流订单；
运单号三段码重计算模块，用于根据所述若干目标异常物流订单的基础信息重新计算所述若干目标异常物流订单信息的运单号三段码，直至所述若干目标异常物流订单信息的所述运单号三段码满足预设指标。
9.一种物流单计算错误的处理设备，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中任一项所述物流单计算错误的处理方法的各个步骤。
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中任一项所述物流单计算错误的处理方法的各个步骤。
CN202311183058.XA 2023-09-13 2023-09-13 物流单计算错误的处理方法、装置、设备及存储介质 Pending CN117422348A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311183058.XA CN117422348A (zh) 2023-09-13 2023-09-13 物流单计算错误的处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311183058.XA CN117422348A (zh) 2023-09-13 2023-09-13 物流单计算错误的处理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117422348A true CN117422348A (zh) 2024-01-19

Family

ID=89523642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311183058.XA Pending CN117422348A (zh) 2023-09-13 2023-09-13 物流单计算错误的处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117422348A (zh)

Similar Documents

Publication Publication Date Title
JP2008529168A (ja) 地域内の各サービス地点の住所データの登録および維持
US8249997B2 (en) Method and system for integrated pallet and sort scheme maintenance
CN110990529B (zh) 企业的行业明细划分方法及系统
CN110059137B (zh) 事务分类系统
CN113190426B (zh) 一种大数据评分系统稳定性监控方法
CN104834651A (zh) 一种提供高频问题回答的方法和装置
CN114936214A (zh) 数据实时更新方法、装置、设备及存储介质
CN118071212B (zh) 基于模型的物流效率指标智能分析及优化方法及系统
CN113469612A (zh) 物流时效提示方法、装置、设备及存储介质
CN116955853A (zh) 订单签收时间预计查询方法、装置、设备及存储介质
CN117155771B (zh) 一种基于工业物联网的设备集群故障溯源方法及装置
CN113822628A (zh) 快件数据处理方法、装置、设备及存储介质
CN113191708A (zh) 物流配送监控方法、装置、设备及存储介质
CN117422348A (zh) 物流单计算错误的处理方法、装置、设备及存储介质
CN110688457A (zh) 一种基于标识解析的汽摩行业文本信息录入方法
CN116757591A (zh) 一种已揽件包裹状态批量跟踪方法、装置、设备及存储介质
CN111325495A (zh) 异常件分类方法及系统
CN114066055A (zh) 一种在物流运输中车辆晚靠台预测的方法、装置和服务器
CN113517998A (zh) 预警配置数据的处理方法、装置、设备及存储介质
CN118822397A (zh) 协议客户订单揽收方法、装置、设备及存储介质
CN116468341B (zh) 仲裁工单的处理方法、装置、系统及存储介质
CN118333489A (zh) 网点分单结果查询方法、装置、设备及存储介质
CN114862298A (zh) 快递包裹的回退监控方法、装置、设备及存储介质
CN118628003A (zh) 商家寄件订单数据关联方法、装置、设备及存储介质
CN116384866A (zh) 物流订单费用核算优化方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication