CN117911100A - 快递包裹寄件费用预测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及物流数据处理领域，公开了一种快递包裹寄件费用预测方法、装置、设备及存储介质。该方法包括：获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。本发明提供的是一种快递包裹寄件费用预测方法，通过构建费用预测模型并对待寄件包裹进行费用预测，避免人为错误和估计误差，提高计费效率和准确率，使得快递寄送更加便捷，提高了快递寄送的工作效率。

Description

快递包裹寄件费用预测方法、装置、设备及存储介质

技术领域

本发明涉及物流数据处理领域，尤其涉及一种快递包裹寄件费用预测方法、装置、设备及存储介质。

背景技术

随着科技的发展和进步，物流快递服务成为人们生活中必不可少的一项服务，在用户使用物流快递服务时，通常需要支付对应的物流费用。物流费用是指货物在运输、储存、装卸搬运等过程中所消耗的各种成本，物流费用的计算方法因不同的运输方式和货物类型而异。

大部分用户在使用物流快递服务时，所寄出的货物可以称为零担货物，零担货物指的是一次物流快递服务运输的货物重量或体积不足以装满一个货运车厢的货物。对于零担货物，物流费用的计算方法是运单单价乘以计费重量，同时也有着起价和低运费的规定，但在计算的过程中，物流费用也会被运输距离、燃料费、通行费、货物大小等因素影响，导致计算物流费用的效率低，容易产生误差，准确率不高的问题。

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技术中在计算物流费用时影响因素多，导致计算物流费用的效率低，容易产生误差，导致准确率不高的问题。

本发明第一方面提供了一种快递包裹寄件费用预测方法，包括：获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

可选的，在本发明第一方面的第一种实现方式中，所述获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据的步骤包括：接收用户输入的待寄件包裹的包裹信息，根据所述包裹信息在预设数据库中获取多个样本数据；分别计算所述包裹信息和每个所述样本数据的灰色关联度，得到每个所述样本数据对应的第一灰色关联度；根据第一预设阈值对所有所述第一灰色关联度进行筛选操作，将第一灰色关联度大于所述第一预设阈值的样本数据作为相似样本数据；待所有所述样本数据筛选完成后，得到所述包裹信息对应的多个相似样本数据。

可选的，在本发明第一方面的第二种实现方式中，所述根据所述包裹信息在预设数据库中获取多个样本数据的步骤包括：根据所述包裹信息获取查找匹配要素，其中，所述查找匹配要素包括重量信息、地址信息和运输信息；根据所述重量信息、所述地址信息和所述运输信息在所述预设数据库中进行匹配查找操作，得到多个样本数据。

可选的，在本发明第一方面的第三种实现方式中，所述获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素的步骤包括：获取每个所述相似样本数据对应的影响要素；分别计算每个所述影响要素和对应的相似样本数据的灰色关联度，得到每个所述影响要素对应的第二灰色关联度；根据第二预设阈值对所有所述第二灰色关联度进行筛选操作，将第二灰色关联度大于所述第二预设阈值的影响要素作为关键影响要素；待所有所述影响要素筛选完成后，得到每个所述相似样本数据对应的关键影响要素。

可选的，在本发明第一方面的第四种实现方式中，所述计算每个所述关键影响要素的实际权重的步骤包括：根据所有所述关键影响要素构建样本协同效应矩阵；根据所述样本协同效应矩阵计算每个所述关键影响要素的协同效应指标值；根据每个所述协同效应指标值计算每个所述关键影响要素的第三灰色关联度；根据每个所述第三灰色关联度计算每个所述关键影响要素对所述样本协同效应矩阵的贡献值；根据每个所述贡献值确定每个所述关键影响要素的实际权重。

可选的，在本发明第一方面的第五种实现方式中，所述根据所有所述实际权重构建费用预测模型的步骤包括：将所有所述实际权重作为每个所述关键影响要素的累加阶数；根据所有所述累加阶数构建费用预测模型，并计算所述费用预测模型的系数；当系数求解完成后，完成对所述费用预测模型的构建。

可选的，在本发明第一方面的第六种实现方式中，所述将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果的步骤包括：根据所有所述关键影响要素从所述包裹信息中获取待寄件包裹的多个包裹影响要素；将所有所述包裹影响要素输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

本发明第二方面提供了一种快递包裹寄件费用预测装置，包括：相似样本获取模块，用于获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；关键要素获取模块，用于获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；预测模型构建模块，用于计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；预测结果输出模块，用于将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

可选的，在本发明第二方面的第一种实现方式中，所述相似样本获取模块：样本数据获取单元，用于接收用户输入的待寄件包裹的包裹信息，根据所述包裹信息在预设数据库中获取多个样本数据；第一灰色计算单元，用于分别计算所述包裹信息和每个所述样本数据的灰色关联度，得到每个所述样本数据对应的第一灰色关联度；相似样本筛选单元，用于根据第一预设阈值对所有所述第一灰色关联度进行筛选操作，将第一灰色关联度大于所述第一预设阈值的样本数据作为相似样本数据；相似样本提取单元，用于待所有所述样本数据筛选完成后，得到所述包裹信息对应的多个相似样本数据。

可选的，在本发明第二方面的第二种实现方式中，所述样本数据获取单元包括：匹配要素获取子单元，用于根据所述包裹信息获取查找匹配要素，其中，所述查找匹配要素包括重量信息、地址信息和运输信息；样本数据匹配子单元，用于根据所述重量信息、所述地址信息和所述运输信息在所述预设数据库中进行匹配查找操作，得到多个样本数据。

可选的，在本发明第二方面的第三种实现方式中，所述关键要素获取模块包括：影响要素获取单元，用于获取每个所述相似样本数据对应的影响要素；第二灰色计算单元，用于分别计算每个所述影响要素和对应的相似样本数据的灰色关联度，得到每个所述影响要素对应的第二灰色关联度；关键要素筛选单元，用于根据第二预设阈值对所有所述第二灰色关联度进行筛选操作，将第二灰色关联度大于所述第二预设阈值的影响要素作为关键影响要素；关键要素提取单元，用于待所有所述影响要素筛选完成后，得到每个所述相似样本数据对应的关键影响要素。

可选的，在本发明第二方面的第四种实现方式中，所述预测模型构建模块包括：协同矩阵构建单元，用于根据所有所述关键影响要素构建样本协同效应矩阵；协同指标计算单元，用于根据所述样本协同效应矩阵计算每个所述关键影响要素的协同效应指标值；第三灰色计算单元，用于根据每个所述协同效应指标值计算每个所述关键影响要素的第三灰色关联度；协同贡献计算单元，用于根据每个所述第三灰色关联度计算每个所述关键影响要素对所述样本协同效应矩阵的贡献值；实际权重确定单元，用于根据每个所述贡献值确定每个所述关键影响要素的实际权重。

可选的，在本发明第二方面的第五种实现方式中，所述预测模型构建模块还包括：累加阶数获取单元，用于将所有所述实际权重作为每个所述关键影响要素的累加阶数；模型系数计算单元，用于根据所有所述累加阶数构建费用预测模型，并计算所述费用预测模型的系数；模型构建完成单元，用于当系数求解完成后，完成对所述费用预测模型的构建。

可选的，在本发明第二方面的第六种实现方式中，所述预测结果输出模块包括：包裹要素获取单元，用于根据所有所述关键影响要素从所述包裹信息中获取待寄件包裹的多个包裹影响要素；费用结果输出单元，用于将所有所述包裹影响要素输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

本发明第三方面提供了一种快递包裹寄件费用预测设备，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，以使得所述快递包裹寄件费用预测设备执行如上所述快递包裹寄件费用预测方法的各个步骤。

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快递包裹寄件费用预测方法的各个步骤。

有益效果：本发明的技术方案中，获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。本发明提供的是一种快递包裹寄件费用预测方法，通过待寄件包裹的包裹信息获取到多个相似样本数据，再根据所有相似样本数据获取到多个关键影响要素，分别计算每个关键影响要素的实际权重，再根据所有实际权重构建费用预测模型，利用费用预测模型对待寄件包裹进行费用预测，输出最终的费用预测结果，避免人为错误和估计误差，综合考虑了多种因素对费用预测的影响，保证了对待寄件包裹进行费用预测的准确性，自动化的预测过程也提高了计费的效率，使得快递寄送更加便捷，提高了快递服务的工作效率，减少了客户的等待时间。

附图说明

图1为本发明实施例提供的快递包裹寄件费用预测方法的第一种流程图；

图2为本发明实施例提供的快递包裹寄件费用预测方法的第二种流程图；

图3为本发明实施例提供的快递包裹寄件费用预测方法的第三种流程图；

图4为本发明实施例提供的快递包裹寄件费用预测方法的第四种流程图；

图5为本发明实施例提供的快递包裹寄件费用预测方法的第五种流程图；

图6为本发明实施例提供的快递包裹寄件费用预测方法的第六种流程图；

图7为本发明实施例提供的快递包裹寄件费用预测方法的第七种流程图；

图8为本发明实施例提供的快递包裹寄件费用预测装置的一种结构示意图；

图9为本发明实施例提供的快递包裹寄件费用预测装置的另一种结构示意图；

图10为本发明实施例提供的快递包裹寄件费用预测设备的结构示意图。

具体实施方式

本发明实施例提供了一种快递包裹寄件费用预测方法、装置、设备及存储介质，获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。本发明解决了现有技术中在计算物流费用时影响因素多，导致计算物流费用的效率低，容易产生误差，导致准确率不高的问题。

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，本发明实施例中快递包裹寄件费用预测方法的第一个实施例包括：

S101、获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；

在本实施例中，费用预测系统先接收用户(快递员)输入的待寄件包裹的包裹信息，包裹信息包括了待寄件包裹的重量信息、地址信息和运输信息。

然后再根据包裹信息在预设数据库中获取到对应的多个相似样本数据，相似样本数据实际上为已完成的历史物流订单，历史物流订单中包括了费用信息、重量信息、地址信息和运输信息，也就是说，相似样本数据为重量信息、地址信息和运输信息与待寄件包裹的包裹信息相近的历史物流订单。

S102、获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；

在本实施例中，费用预测系统会获取每个相似样本数据的影响要素，影响要素实际上指的是影响物流的费用信息的相关信息，例如物流的距离、燃料费、通行费、物流方式、包裹的体积和重量等。

然后费用预测系统再对多个影响要素进行筛选操作，得到对费用信息影响程度大的多个关键影响要素。

S103、计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；

在本实施例中，监控系统再计算每个关键影响要素的实际权重大小，实际权重主要应用于构建费用预测模型(灰色分数阶累加模型)，将每个关键影响要素的实际权重大小作为对应的累加阶数，再根据所有累加阶数构建费用预测模型。

S104、将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

在本实施例中，将包裹信息进行处理后输入到费用预测模型，费用预测模型会根据处理完的包裹信息进行累减还原，从而得到最终的费用预测结果，并将费用预测结果输出。

本实施例提供的是一种快递包裹寄件费用预测方法，通过待寄件包裹的包裹信息获取到多个相似样本数据，再根据所有相似样本数据获取到多个关键影响要素，分别计算每个关键影响要素的实际权重，再根据所有实际权重构建费用预测模型，利用费用预测模型对待寄件包裹进行费用预测，输出最终的费用预测结果，避免人为错误和估计误差，综合考虑了多种因素对费用预测的影响，保证了对待寄件包裹进行费用预测的准确性，自动化的预测过程也提高了计费的效率，使得快递寄送更加便捷，提高了快递服务的工作效率，减少了客户的等待时间。

请参阅图2，本发明实施例中快递包裹寄件费用预测方法的第二个实施例包括：

S201、接收用户输入的待寄件包裹的包裹信息，根据所述包裹信息在预设数据库中获取多个样本数据；

S202、分别计算所述包裹信息和每个所述样本数据的灰色关联度，得到每个所述样本数据对应的第一灰色关联度；

S203、根据第一预设阈值对所有所述第一灰色关联度进行筛选操作，将第一灰色关联度大于所述第一预设阈值的样本数据作为相似样本数据；

S204、待所有所述样本数据筛选完成后，得到所述包裹信息对应的多个相似样本数据。

在本实施例中，费用预测系统先接收用户输入的待寄件包裹对应的包裹信息，包裹信息可以在用户(快递员)获取到待寄件包裹后对其进行相应的测量获得，例如尺寸测量、称重等方式；然后再根据包裹信息在预设数据库中获取到多个样本数据，预设数据库中存储有多个已完成的历史物流订单，此时获取到的多个样本数据是根据包裹信息在预设数据库中进行粗略选取得到的。

然后再计算包裹信息和每个样本数据的灰色关联度，并将此次计算的灰色关联度作为第一灰色关联度，从而得到每个样本数据对应的第一灰色关联度。

需要说明的是，灰色关联度分析是在小样本、贫信息下根据因素之间发展趋势的相似或相异程度，当两个因素变化的趋势越一致，同步变化程度越高，灰色关联度的数值也会相应地越大，代表着两个因素具有更高的关联程度。

费用预测系统通过技术人员预先设定的第一预设阈值对所有第一灰色关联度进行筛选，将第一灰色关联度大于第一预设阈值的样本数据作为包裹信息对应的相似样本数据，也就是说，费用预测系统会剔除与待寄件包裹的包裹信息关联程度较低的样本数据，保留关联程度较高的样本数据并作为相似样本数据，以保证关联程度高的相似样本数据在后续进行费用预测时所占的权重更大；当费用预测系统对所有样本数据筛选完成后，就可以得到待寄件包裹的包裹信息对应的所有相似样本数据，相似样本数据实际上指的是重量信息、地址信息和运输信息都与包裹信息相近的历史物流订单。

在本实施例中，通过待寄件包裹的包裹信息从预设数据库中获取多个样本数据，并分别计算包裹信息与每个样本数据的第一灰色关联度，再根据第一灰色关联度对样本数据进行筛选，将第一灰色关联度大于第一预设阈值的样本数据作为相似样本数据，实现了对样本数据的筛选，提高了样本数据的使用效率，并且通过计算灰色关联度，量化了待寄件包裹和样本数据之间的相似性，从而准确地选出与待寄件包裹相似的样本数据，提高筛选的精度。

请参阅图3，本发明实施例中快递包裹寄件费用预测方法的第三个实施例包括：

S301、根据所述包裹信息获取查找匹配要素，其中，所述查找匹配要素包括重量信息、地址信息和运输信息；

S302、根据所述重量信息、所述地址信息和所述运输信息在所述预设数据库中进行匹配查找操作，得到多个样本数据。

在本实施例中，费用预测系统会先获取包裹信息中的查找匹配要素，查找匹配要素包括了重量信息、地址信息和运输信息，其中，重量信息包括待寄件包裹的重量、尺寸和体积，地址信息包括待寄件包裹的寄出地址和收货地址，运输信息包括用户选择的寄件物流方式，例如空运、陆运或海运等。

然后费用预测系统再根据重量信息、地址信息和运输信息在预设数据库中进行匹配查找操作，从预设数据库中粗略选取出多个样本数据，粗略选取出的样本数据至少包含了一项与查找匹配要素相同的信息。

在本实施例中，通过包裹信息获取重量信息、地址信息和运输信息，再根据这些信息在预设数据库中进行匹配查找操作，得到多个样本数据，通过在预设数据库中进行初步的匹配查找操作，可以快速找到与待寄件包裹相关的样本数据，避免了对大量无关数据的筛选和处理，减少了数据的冗余，并且也大大提高了匹配查找的效率和精准度。

请参阅图4，本发明实施例中快件的快递包裹寄件费用预测方法的第四个实施例包括：

S401、获取每个所述相似样本数据对应的影响要素；

S402、分别计算每个所述影响要素和对应的相似样本数据的灰色关联度，得到每个所述影响要素对应的第二灰色关联度；

S403、根据第二预设阈值对所有所述第二灰色关联度进行筛选操作，将第二灰色关联度大于所述第二预设阈值的影响要素作为关键影响要素；

S404、待所有所述影响要素筛选完成后，得到每个所述相似样本数据对应的关键影响要素。

在本实施例中，费用预测系统先获取每个相似样本数据对应的影响要素，影响要素指的是影响物流的费用信息的相关信息，例如物流的距离、燃料费、通行费、物流方式、包裹的体积和重量等，也就是说，费用预测系统会先获取到每个相似样本数据中会影响到费用信息计算的影响因素。

然后再计算每个影响要素和对应的相似样本数据的费用信息的灰色关联度，并将此次计算的灰色关联度作为每个影响要素对应的第二灰色关联度，从而可以得到每个影响要素对费用信息的影响程度，然后再根据技术人员设置的第二预设阈值对所有第二灰色关联度进行筛选，将第二灰色关联度大于第二预设阈值的影响要素作为关键影响要素，实际上就是筛选出变动趋势与费用信息一致的影响要素，变动趋势与费用信息一致的影响要素代表着此影响要素的变动会引起费用信息的同步变动。

当根据第二灰色关联度对所有影响要素筛选完成后，就可以得到每个相似样本数据对应的多个关键影响要素。

在本实施例中，通过获取每个相似样本数据对应的影响要素，再计算每个影响要素和对应相似样本数据的灰色关联度，并根据第二预设阈值对第二灰色关联度进行筛选，保留第二灰色关联度大于第二预设阈值的影响要素，并作为每个相似样本数据对应的关键影响要素，从而可以筛选出与相似样本数据关联度较高的关键影响要素，从而可以更加聚焦于关键影响要素的分析，避免对所有影响要素的全面分析，更加高效地找到影响费用信息的关键所在，提高了对费用进行预测的效率。

请参阅图5，本发明实施例中快件的快递包裹寄件费用预测方法的第五个实施例包括：

S501、根据所有所述关键影响要素构建样本协同效应矩阵；

S502、根据所述样本协同效应矩阵计算每个所述关键影响要素的协同效应指标值；

S503、根据每个所述协同效应指标值计算每个所述关键影响要素的第三灰色关联度；

S504、根据每个所述第三灰色关联度计算每个所述关键影响要素对所述样本协同效应矩阵的贡献值；

S505、根据每个所述贡献值确定每个所述关键影响要素的实际权重。

在本实施例中，由于通过灰色关联度筛选的关键影响要素之间可能存在着协同效应，如果直接使用采用关键影响要素与对应的相似样本数据的第二灰色关联度大小来确定关键影响要素的实际权重大小，则会忽视关键影响要素之间协同作用的影响，使得各关键影响要素的权重配置不合理，费用预测的偏差增大。

而通过相关性分析虽然能够判断两个关键影响要素之间可能存在协同效应，但难以衡量单个影响要素对相似样本数据的费用信息的实际影响程度，也难以测定各关键影响要素在后续的费用预测模型中的实际权重。

因此，费用预测模型可以根据所有关键影响要素构建样本协同效应矩阵，然后再根据样本协同效应矩阵计算每个关键影响要素对应的协同效应指标值；当协同效应指标值的变化趋势更趋近于相似样本数据的费用信息的变化趋势的时候，则证明通过样本协同效应矩阵进行结合的多个关键影响要素比作为单独的关键影响要素具有更好地反映费用信息变化的能力，所以计算每个协同效应指标值计算每个关键影响要素对应的第三灰色关联度，第三灰色关联度实际上就是协同效应指标值与相似样本数据的费用信息的灰色关联度。

然后费用预测系统再根据第三灰色关联度来计算每个关键影响要素对样本协同矩阵的贡献值，也就是计算每个关键影响要素对灰色关联协同效应的贡献程度大小，并根据每个关键影响要素的贡献值确定每个关键影响要素的实际权重大小。

在本实施例中，根据所有关键影响要素构建样本协同效应矩阵，并根据样本协同效应矩阵计算每个关键影响要素的协同效应值，再根据每个协同效应值计算每个关键影响要素的第三灰色关联度，最后再根据每个第三灰色关联度计算每个关键影响要素对样本协同效应矩阵的贡献值，并根据贡献值确定每个关键影响要素的实际权重，能够综合考虑各个关键影响要素之间的相互作用和关系，从而更加准确地评估它们之间的综合影响，也使得最终计算得出的各关键影响要素的实际权重更加准确，减小了后续对待寄件包裹进行费用预测的误差，保证了费用预测的准确性。

请参阅图6，本发明实施例中快件的快递包裹寄件费用预测方法的第六个实施例包括：

S601、将所有所述实际权重作为每个所述关键影响要素的累加阶数；

S602、根据所有所述累加阶数构建费用预测模型，并计算所述费用预测模型的系数；

S603、当系数求解完成后，完成对所述费用预测模型的构建。

在本实施例中，费用预测系统获取到每个关键影响要素的实际权重后，会根据所有实际权重构建费用预测模型(实际上就是灰色分数阶累加模型)。

在灰色分数阶累加模型中，多参数的累加模型阶数一般都为同阶，而异阶离散分数阶模型即不同参数的阶数不同且分别代表其实际权重。

所以将每个关键影响要素的实际权重作为每个关键影响要素的累加阶数，并根据所有累加阶数构建异阶离散分数阶累加费用预测模型，并计算费用预测模型的系数，当费用预测模型的所有系数求解完成后，将系数返回给费用预测模型，从而完成对费用预测模型的构建。

在本实施例中，将每个关键影响要素的实际权重作为对应的累加阶数，并根据累加阶数构建费用预测模型，计算费用预测模型的系数，当计算完所有系数后，代表完成对费用预测模型的构建，构建费用预测模型可以更好地对待寄件包裹的费用进行预测，提高预测的精度，并且也避免人为错误和估计误差，提高费用预测的效率和准确率。

请参阅图7，本发明实施例中快件的快递包裹寄件费用预测方法的第七个实施例包括：

S701、根据所有所述关键影响要素从所述包裹信息中获取待寄件包裹的多个包裹影响要素；

S702、将所有所述包裹影响要素输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

在本实施例中，费用预测系统会根据所有关键影响要素从包裹信息中获取待寄件包裹对应的多个包裹影响要素，也就是从包裹信息中获取到与关键影响要素对应的数值，例如物流距离、包裹的重量和体积等信息对应的数值，并将这些数值作为包裹影响要素输入到费用预测模型中，费用预测模型根据包裹影响要素进行计算后，输出待寄件包裹的费用预测结果。

在本实施例中，通过包裹信息获取包裹影响要素，并将包裹影响要素输入到费用预测模型，费用预测模型进行计算后得到待寄件包裹的费用预测结果，从而更加准确地预测待寄件包裹的费用，提高了对待寄件包裹的费用进行预测的效率，使得快递寄送更加便捷，提高了快递服务的工作效率，减少了客户的等待时间，从而更好地满足了用户的实际需求，提升了用户的使用体验。

上面对本发明实施例中快递包裹寄件费用预测方法进行了描述，下面对本发明实施例中快递包裹寄件费用预测装置进行描述，请参阅图8，本发明实施例中快递包裹寄件费用预测装置的一个实施例包括：

相似样本获取模块50，用于获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；

关键要素获取模块60，用于获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；

预测模型构建模块70，用于计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；

预测结果输出模块80，用于将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

本实施例中，通过待寄件包裹的包裹信息获取到多个相似样本数据，再根据所有相似样本数据获取到多个关键影响要素，分别计算每个关键影响要素的实际权重，再根据所有实际权重构建费用预测模型，利用费用预测模型对待寄件包裹进行费用预测，输出最终的费用预测结果，避免人为错误和估计误差，综合考虑了多种因素对费用预测的影响，保证了对待寄件包裹进行费用预测的准确性，自动化的预测过程也提高了计费的效率，使得快递寄送更加便捷，提高了快递服务的工作效率，减少了客户的等待时间。

请参阅图9，本发明实施例中快递包裹寄件费用预测装置的另一个实施例包括：

相似样本获取模块50，用于获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；

关键要素获取模块60，用于获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；

预测模型构建模块70，用于计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；

预测结果输出模块80，用于将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

在本实施例中，所述相似样本获取模块50包括：

样本数据获取单元501，用于接收用户输入的待寄件包裹的包裹信息，根据所述包裹信息在预设数据库中获取多个样本数据；

第一灰色计算单元502，用于分别计算所述包裹信息和每个所述样本数据的灰色关联度，得到每个所述样本数据对应的第一灰色关联度；

相似样本筛选单元503，用于根据第一预设阈值对所有所述第一灰色关联度进行筛选操作，将第一灰色关联度大于所述第一预设阈值的样本数据作为相似样本数据；

相似样本提取单元504，用于待所有所述样本数据筛选完成后，得到所述包裹信息对应的多个相似样本数据。

在本实施例中，所述样本数据获取单元501包括：

匹配要素获取子单元5011，用于根据所述包裹信息获取查找匹配要素，其中，所述查找匹配要素包括重量信息、地址信息和运输信息；

样本数据匹配子单元5012，用于根据所述重量信息、所述地址信息和所述运输信息在所述预设数据库中进行匹配查找操作，得到多个样本数据。

在本实施例中，所述关键要素获取模块60包括：

影响要素获取单元601，用于获取每个所述相似样本数据对应的影响要素；

第二灰色计算单元602，用于分别计算每个所述影响要素和对应的相似样本数据的灰色关联度，得到每个所述影响要素对应的第二灰色关联度；

关键要素筛选单元603，用于根据第二预设阈值对所有所述第二灰色关联度进行筛选操作，将第二灰色关联度大于所述第二预设阈值的影响要素作为关键影响要素；

关键要素提取单元604，用于待所有所述影响要素筛选完成后，得到每个所述相似样本数据对应的关键影响要素。

在本实施例中，所述预测模型构建模块70包括：

协同矩阵构建单元701，用于根据所有所述关键影响要素构建样本协同效应矩阵；

协同指标计算单元702，用于根据所述样本协同效应矩阵计算每个所述关键影响要素的协同效应指标值；

第三灰色计算单元703，用于根据每个所述协同效应指标值计算每个所述关键影响要素的第三灰色关联度；

协同贡献计算单元704，用于根据每个所述第三灰色关联度计算每个所述关键影响要素对所述样本协同效应矩阵的贡献值；

实际权重确定单元705，用于根据每个所述贡献值确定每个所述关键影响要素的实际权重。

在本实施例中，所述预测模型构建模块70还包括：

累加阶数获取单元706，用于将所有所述实际权重作为每个所述关键影响要素的累加阶数；

模型系数计算单元707，用于根据所有所述累加阶数构建费用预测模型，并计算所述费用预测模型的系数；

模型构建完成单元708，用于当系数求解完成后，完成对所述费用预测模型的构建。

在本实施例中，所述预测结果输出模块80包括：

包裹要素获取单元801，用于根据所有所述关键影响要素从所述包裹信息中获取待寄件包裹的多个包裹影响要素；

费用结果输出单元802，用于将所有所述包裹影响要素输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

本发明提供的是一种快递包裹寄件费用预测方法，获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。本发明提供的是一种快递包裹寄件费用预测方法，通过待寄件包裹的包裹信息获取到多个相似样本数据，再根据所有相似样本数据获取到多个关键影响要素，分别计算每个关键影响要素的实际权重，再根据所有实际权重构建费用预测模型，利用费用预测模型对待寄件包裹进行费用预测，输出最终的费用预测结果，避免人为错误和估计误差，综合考虑了多种因素对费用预测的影响，保证了对待寄件包裹进行费用预测的准确性，自动化的预测过程也提高了计费的效率，使得快递寄送更加便捷，提高了快递服务的工作效率，减少了客户的等待时间。

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快递包裹寄件费用预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中快递包裹寄件费用预测设备进行详细描述。

图10是本发明实施例提供的一种快递包裹寄件费用预测设备的结构示意图，该快递包裹寄件费用预测设备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快递包裹寄件费用预测设备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，在快递包裹寄件费用预测设备10上执行存储介质13中的一系列指令操作。

快递包裹寄件费用预测设备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快递包裹寄件费用预测设备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，使得计算机执行快递包裹寄件费用预测配方法的步骤。

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)

1.一种快递包裹寄件费用预测方法，其特征在于，所述快递包裹寄件费用预测方法包括：

获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；

获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；

计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；

将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

2.根据权利要求1所述快递包裹寄件费用预测方法，其特征在于，所述获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据的步骤包括：

接收用户输入的待寄件包裹的包裹信息，根据所述包裹信息在预设数据库中获取多个样本数据；

分别计算所述包裹信息和每个所述样本数据的灰色关联度，得到每个所述样本数据对应的第一灰色关联度；

根据第一预设阈值对所有所述第一灰色关联度进行筛选操作，将第一灰色关联度大于所述第一预设阈值的样本数据作为相似样本数据；

待所有所述样本数据筛选完成后，得到所述包裹信息对应的多个相似样本数据。

3.根据权利要求2所述快递包裹寄件费用预测方法，其特征在于，所述根据所述包裹信息在预设数据库中获取多个样本数据的步骤包括：

根据所述包裹信息获取查找匹配要素，其中，所述查找匹配要素包括重量信息、地址信息和运输信息；

根据所述重量信息、所述地址信息和所述运输信息在所述预设数据库中进行匹配查找操作，得到多个样本数据。

4.根据权利要求1所述快递包裹寄件费用预测方法，其特征在于，所述获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素的步骤包括：

获取每个所述相似样本数据对应的影响要素；

分别计算每个所述影响要素和对应的相似样本数据的灰色关联度，得到每个所述影响要素对应的第二灰色关联度；

根据第二预设阈值对所有所述第二灰色关联度进行筛选操作，将第二灰色关联度大于所述第二预设阈值的影响要素作为关键影响要素；

待所有所述影响要素筛选完成后，得到每个所述相似样本数据对应的关键影响要素。

5.根据权利要求4所述快递包裹寄件费用预测方法，其特征在于，所述计算每个所述关键影响要素的实际权重的步骤包括：

根据所有所述关键影响要素构建样本协同效应矩阵；

根据所述样本协同效应矩阵计算每个所述关键影响要素的协同效应指标值；

根据每个所述协同效应指标值计算每个所述关键影响要素的第三灰色关联度；

根据每个所述第三灰色关联度计算每个所述关键影响要素对所述样本协同效应矩阵的贡献值；

根据每个所述贡献值确定每个所述关键影响要素的实际权重。

6.根据权利要求1所述快递包裹寄件费用预测方法，其特征在于，所述根据所有所述实际权重构建费用预测模型的步骤包括：

将所有所述实际权重作为每个所述关键影响要素的累加阶数；

根据所有所述累加阶数构建费用预测模型，并计算所述费用预测模型的系数；

当系数求解完成后，完成对所述费用预测模型的构建。

7.根据权利要求1所述快递包裹寄件费用预测方法，其特征在于，所述将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果的步骤包括：

根据所有所述关键影响要素从所述包裹信息中获取待寄件包裹的多个包裹影响要素；

将所有所述包裹影响要素输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

8.一种快递包裹寄件费用预测装置，其特征在于，包括：

相似样本获取模块，用于获取待寄件包裹的包裹信息，根据所述包裹信息获取多个相似样本数据；

关键要素获取模块，用于获取每个所述相似样本数据的影响要素，并根据每个所述影响要素获取每个所述相似样本数据的关键影响要素；

预测模型构建模块，用于计算每个所述关键影响要素的实际权重，并根据所有所述实际权重构建费用预测模型；

预测结果输出模块，用于将所述包裹信息输入到所述费用预测模型，输出所述待寄件包裹的费用预测结果。

9.一种快递包裹寄件费用预测设备，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中任一项所述快递包裹寄件费用预测方法的各个步骤。

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中任一项所述快递包裹寄件费用预测方法的各个步骤。