多频次派件时长预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能领域，公开了一种多频次派件时长预测方法、装置、设备及存储介质，用于减小预估派件时长的误差，提高预测签收时刻的准确性。多频次派件时长预测方法包括：获取目标运单的初始特征数据，初始特征数据包括揽件时刻、揽件网点的地址、始发分拨中心的地址、目的分拨中心的地址和目的网点的地址；对初始特征数据进行数据预处理，得到第一特征数据、第二特征数据和第三特征数据；通过训练好的决策树模型分别对第一特征数据、第二特征数据和第三特征数据进行派件时长预测，得到第一预测时长、第二预测时长和第三预测时长；基于揽件时刻对第一预测时长、第二预测时长和第三预测时长进行累加计算，得到目标运单的预测签收时刻。

Multi frequency dispatch time prediction method, device, equipment and storage medium

【技术实现步骤摘要】
多频次派件时长预测方法、装置、设备及存储介质
本专利技术涉及人工智能领域，尤其涉及一种多频次派件时长预测方法、装置、设备及存储介质。
技术介绍
受益于电商消费的高速发展，快递行业景气度持续，运单的业务量继续保持高增长态势，因此，用户在下单时，也对物流到货时刻比较关注，而预测的签收时刻往往由于误差较大，常常引起用户的投诉，影响物流派送人员的绩效考核。在现有的技术中，当前业内主要采用始发地和目的地之间的距离以及货车所耗时长预估运单投递时长和运单签收时刻，但忽视了投递路径中每个网点的个体特征，例如，是否上门收件以及去分拨中心交件的时刻，导致预估派件时长的误差较大，以及预测运单签收时刻准确性较低。
技术实现思路
本专利技术的主要目的在于解决预估派件时长的误差较大，以及预测运单签收时刻准确性较低的问题。本专利技术第一方面提供了一种多频次派件时长预测方法，包括：获取目标运单的初始特征数据，所述初始特征数据包括揽件时刻、揽件网点的地址、始发分拨中心的地址、目的分拨中心的地址和目的网点的地址；对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行数据预处理，得到第一特征数据、第二特征数据和第三特征数据；通过训练好的决策树模型分别对所述第一特征数据、所述第二特征数据和所述第三特征数据进行派件时长预测，得到第一预测时长、第二预测时长和第三预测时长；基于所述揽件时刻对所述第一预测时长、所述第二预测时长和所述第三预测时长进行累加计算，得到所述目标运单的预测签收时刻。<br>可选的，在本专利技术第一方面的第一种实现方式中，所述对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行数据预处理，得到第一特征数据、第二特征数据和第三特征数据，包括：对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行经纬度转换，得到所述揽件网点的经纬度、所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述目的网点的经纬度；将所述揽件网点的经纬度和所述始发分拨中心的经纬度设置为第一特征数据，将所述始发分拨中心的经纬度和所述目的分拨中心的经纬度设置为第二特征数据，将所述目的分拨中心的经纬度和所述目的网点的经纬度设置为第三特征数据。可选的，在本专利技术第一方面的第二种实现方式中，所述对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行经纬度转换，得到所述揽件网点的经纬度、所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述目的网点的经纬度，包括：对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址按照预设的行政区划标准进行标准化处理，得到多个标准地址，所述多个标准地址包括所述揽件网点的标准地址、所述始发分拨中心的标准地址、所述目的分拨中心的地址和所述目的网点的地址；解析所述多个标准地址的经度和纬度，得到所述揽件网点的经纬度、所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述目的网点的经纬度。可选的，在本专利技术第一方面的第三种实现方式中，所述通过训练好的决策树模型分别对所述第一特征数据、所述第二特征数据和所述第三特征数据进行时长预测，得到第一预测时长、第二预测时长和第三预测时长，包括：将所述揽件网点的经纬度、所述始发分拨中心的经纬度和所述揽件时刻输入到训练好的决策树模型进行派件时长预测，得到第一预测时长；将所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述揽件时刻输入到所述训练好的决策树模型进行派件时长预测，得到第二预测时长；将所述目的分拨中心的经纬度、所述目的网点的经纬度和所述揽件时刻输入到所述训练好的决策树模型进行派件时长预测，得到第三预测时长。可选的，在本专利技术第一方面的第四种实现方式中，所述基于所述揽件时刻对所述第一预测时长、所述第二预测时长和所述第三预测时长进行累加计算，得到所述目标运单的预测签收时刻，包括：对所述第一预测时长、所述第二预测时长和所述第三预测时长进行求和运算，得到总的预测时长；基于所述揽件时刻累加所述总的预测时长，得到所述目标运单的预测签收时刻。可选的，在本专利技术第一方面的第五种实现方式中，在所述获取目标运单的初始特征数据，所述初始特征数据包括揽件时刻、揽件网点的地址、始发分拨中心的地址、目的分拨中心的地址和目的网点的地址之前，所述多频次派件时长预测方法还包括：对历史运单数据进行数据抽取和数据清洗，得到样本数据，并将所述样本数据划分为训练数据集和测试数据集；根据预置决策树算法和所述训练数据集对预置决策树模型进行训练；采用所述测试数据集评估已训练的决策树模型，得到评估结果，并根据所述评估结果对所述已训练的决策树模型进行迭代训练，得到训练好的决策树模型。可选的，在本专利技术第一方面的第六种实现方式中，所述根据预置决策树算法和所述训练数据集对预置决策树模型进行训练，包括：根据预置决策树算法提取所述训练数据集的特征属性，所述特征属性用于指示所述历史运单数据的预设特征输入变量和预设目标变量；通过所述训练数据集的特征属性初始化预置决策树模型的根节点和对应的特征属性集；判断当前决策树模型的目标节点中所述特征属性集是否属于相同类别；若所述当前决策树模型的目标节点中所述特征属性集属于相同类别，则将所述目标节点设置为待分裂的节点，并获取所述目标节点的信息增益率；采用所述目标节点的信息增益率对所述目标节点进行二分法分裂，将分裂后的节点替换所述目标节点，并添加一个新的叶子节点，实现决策树的递归分裂，得到所述特征属性集的时效均值。本专利技术第二方面提供了一种多频次派件时长预测装置，包括：获取模块，用于获取目标运单的初始特征数据，所述初始特征数据包括揽件时刻、揽件网点的地址、始发分拨中心的地址、目的分拨中心的地址和目的网点的地址；预处理模块，用于对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行数据预处理，得到第一特征数据、第二特征数据和第三特征数据；预测模块，用于通过训练好的决策树模型分别对所述第一特征数据、所述第二特征数据和所述第三特征数据进行派件时长预测，得到第一预测时长、第二预测时长和第三预测时长；计算模块，用于基于所述揽件时刻对所述第一预测时长、所述第二预测时长和所述第三预测时长进行累加计算，得到所述目标运单的预测签收时刻。可选的，在本专利技术第二方面的第一种实现方式中，所述预处理模块还包括：转换单元，用于对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行经纬度转换，得到所述揽件网点的经纬度、所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述目的网点的经纬度；设置单元，用于将所述揽件网点的经纬度和所述始发分拨中心的经纬度设置为第一特征数据，将所述始发分拨中心的经纬度和所述目的分拨中心的经纬度设置为第二特征数据，将所述目的分拨中心的经纬度和所述目的网点的经纬度设置为第三特征数据。可选的，在本专利技术第二方面的第二种实现方式中，所述转换单元具体用于本文档来自技高网...

【技术保护点】
1.一种多频次派件时长预测方法，其特征在于，所述多频次派件时长预测方法包括：/n获取目标运单的初始特征数据，所述初始特征数据包括揽件时刻、揽件网点的地址、始发分拨中心的地址、目的分拨中心的地址和目的网点的地址；/n对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行数据预处理，得到第一特征数据、第二特征数据和第三特征数据；/n通过训练好的决策树模型分别对所述第一特征数据、所述第二特征数据和所述第三特征数据进行派件时长预测，得到第一预测时长、第二预测时长和第三预测时长；/n基于所述揽件时刻对所述第一预测时长、所述第二预测时长和所述第三预测时长进行累加计算，得到所述目标运单的预测签收时刻。/n

【技术特征摘要】
1.一种多频次派件时长预测方法，其特征在于，所述多频次派件时长预测方法包括：
获取目标运单的初始特征数据，所述初始特征数据包括揽件时刻、揽件网点的地址、始发分拨中心的地址、目的分拨中心的地址和目的网点的地址；
对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行数据预处理，得到第一特征数据、第二特征数据和第三特征数据；
通过训练好的决策树模型分别对所述第一特征数据、所述第二特征数据和所述第三特征数据进行派件时长预测，得到第一预测时长、第二预测时长和第三预测时长；
基于所述揽件时刻对所述第一预测时长、所述第二预测时长和所述第三预测时长进行累加计算，得到所述目标运单的预测签收时刻。


2.根据权利要求1所述的多频次派件时长预测方法，其特征在于，所述对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行数据预处理，得到第一特征数据、第二特征数据和第三特征数据，包括：
对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行经纬度转换，得到所述揽件网点的经纬度、所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述目的网点的经纬度；
将所述揽件网点的经纬度和所述始发分拨中心的经纬度设置为第一特征数据，将所述始发分拨中心的经纬度和所述目的分拨中心的经纬度设置为第二特征数据，将所述目的分拨中心的经纬度和所述目的网点的经纬度设置为第三特征数据。


3.根据权利要求2所述的多频次派件时长预测方法，其特征在于，所述对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址进行经纬度转换，得到所述揽件网点的经纬度、所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述目的网点的经纬度，包括：
对所述揽件网点的地址、所述始发分拨中心的地址、所述目的分拨中心的地址和所述目的网点的地址按照预设的行政区划标准进行标准化处理，得到多个标准地址，所述多个标准地址包括所述揽件网点的标准地址、所述始发分拨中心的标准地址、所述目的分拨中心的地址和所述目的网点的地址；
解析所述多个标准地址的经度和纬度，得到所述揽件网点的经纬度、所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述目的网点的经纬度。


4.根据权利要求2所述的多频次派件时长预测方法，其特征在于，所述通过训练好的决策树模型分别对所述第一特征数据、所述第二特征数据和所述第三特征数据进行派件时长预测，得到第一预测时长、第二预测时长和第三预测时长，包括：
将所述揽件网点的经纬度、所述始发分拨中心的经纬度和所述揽件时刻输入到训练好的决策树模型进行派件时长预测，得到第一预测时长；
将所述始发分拨中心的经纬度、所述目的分拨中心的经纬度和所述揽件时刻输入到所述训练好的决策树模型进行派件时长预测，得到第二预测时长；
将所述目的分拨中心的经纬度、所述目的网点的经纬度和所述揽件时刻输入到所述训练好的决策树模型进行派件时长预测，得到第三预测时长。


5.根据权利要求1所述的多频次派件时长预测方法，其特征在于，所述基于所述揽件时刻对所述第一预测时长、所述第二预测时长和所述第三预...

【专利技术属性】
技术研发人员：杨周龙，黄理，
申请(专利权)人：上海东普信息科技有限公司，
类型：发明
国别省市：上海;31