快件时效预测方法、装置、计算机设备及存储介质制造方法及图纸

本申请提供一种快件时效预测方法、装置、计算机设备及存储介质，方法包括：获取目标快件的快件属性信息；对快件属性信息进行特征工程处理，得到目标快件的快件特征；将快件特征输入至已训练的时效预测模型，输出目标快件在各个预设时效类型下的预测概率值；其中，已训练的时效预测模型是由全连接层、dropout层、融合层以及归一化层构成的；分析各预测概率值，以确定目标快件的物流时效。采用本方法能够提升快件时效的预测准确率。升快件时效的预测准确率。升快件时效的预测准确率。

【技术实现步骤摘要】
快件时效预测方法、装置、计算机设备及存储介质


[0001]本申请实施例涉及人工智能
，特别是涉及一种快件时效预测方法、装置、计算机设备及存储介质。

技术介绍

[0002]在物流领域中，快件承诺时效通常是根据业务经验粗略估计的，统称为快件时效预测方法，包括但不限于如下几种方式：(1)以城市中一个代表网点的某产品流向的85％快件能够达成的时效，作为这个城市所有网点的该产品该流向的承诺时效；(2)将快件生命周期分成收件端
‑
网点
‑
中转场
‑
中转场
‑
网点
‑
派件端的六点五段的形式，每一段根据网点/中转场的每天的班次规划，根据历史14天数据计算85％的可达成时效，然后进行累加。
[0003]然而，第一种方式的缺点是对相同城市网点不加区分的给与一个固定承诺时效，会产生一定的偏差，根据件量选择的代表网点的时效并不一定具有代表性；第二种方式的缺点是历史14天数据只能覆盖70％的流向，导致预测时数据缺失，每一段独立计算导致误差累加，5张表每周2次的先后依赖本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快件时效预测方法，其特征在于，包括：获取目标快件的快件属性信息；对所述快件属性信息进行特征工程处理，得到所述目标快件的快件特征；将所述快件特征输入至已训练的时效预测模型，输出所述目标快件在各个预设时效类型下的预测概率值；其中，所述已训练的时效预测模型是由全连接层、dropout层、融合层以及归一化层构成的；分析各所述预测概率值，以确定所述目标快件的物流时效。2.如权利要求1所述的方法，其特征在于，所述将所述快件特征输入至已训练的时效预测模型，输出所述目标快件在各个预设时效类型下的预测概率值，包括：将所述快件特征进行特征合并，得到合并后的快件特征；将所述快件特征输入至已训练的时效预测模型，输出特征内部的第一关联信息；以及将所述合并后的快件特征输入至已训练的时效预测模型，输出特征之间的第二关联信息；分析所述第一关联信息和所述第二关联信息，得到所述目标快件在各个预设时效类型下的预测概率值。3.如权利要求2所述的方法，其特征在于，所述将所述快件特征输入至已训练的时效预测模型，输出特征内部的第一关联信息，包括：将所述快件特征输入至已训练的时效预测模型，通过所述全连接层和所述dropout层对所述快件特征进行特征分类，得到初始特征向量和所述初始特征向量的差异化系数；通过所述融合层对所述初始特征向量和所述差异化系数进行融合，得到携带有所述差异化系数的目标特征向量；通过所述归一化层对所述目标特征向量进行归一化处理，得到所述特征内部的第一关联信息。4.如权利要求2所述的方法，其特征在于，所述分析所述第一关联信息和所述第二关联信息，得到所述目标快件在各个预设时效类型下的预测概率值，包括：获取所述第一关联信息对应的第一特征矩阵，及所述第二关联信息对应的第二特征矩阵；将所述第一特征矩阵与所述第二特征矩阵进行矩阵相乘，得到综合特征；通过携带有sigmoid函数的目标全连接层，对所述综合特征进行特征分类，得到所述目标快件在各个预设时效类型下的预测概率值。5.如权利要求1至4任一项所述的方法，其特征在于，在所述将所述快件特征输入至已训练的时效预测模型之前，还包括：构建初始的时效预测模型；基于预设...

【专利技术属性】
技术研发人员：武晨，李珂，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：