一种已揽件包裹状态批量跟踪方法、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仓储物流领域，公开了一种已揽件包裹状态批量跟踪方法、装置、设备及存储介质。该方法包括：获取全网已揽件订单数据；设定已揽件订单的预期时限，所述预期时限根据历史数据和物流运输的平均时间确定；将获取的已揽件订单数据按照不同的时间维度进行分类，得到分类数据；根据分类数据，批量获取已揽件订单的实时位置信息；将实际的已揽件订单状态与设定的预期时限进行批量比对，若发现异常状态，则进行批量预警处理。本发明专利技术通过数据获取、预期时限设定、分类数据处理、实时位置信息获取和异常状态的识别与预警处理，解决了在已揽件包裹状态批量跟踪过程中的关键技术问题，实现了对订单状态的自动化监控和批量处理。了对订单状态的自动化监控和批量处理。了对订单状态的自动化监控和批量处理。

【技术实现步骤摘要】
一种已揽件包裹状态批量跟踪方法、装置、设备及存储介质


[0001]本专利技术涉及仓储物流领域，尤其涉及一种已揽件包裹状态批量跟踪方法、装置、设备及存储介质。

技术介绍

[0002]目前，针对已进行揽收扫描的包裹，仅依赖于客户的主动反馈来确定订单的物流状态异常是一种原始的方法。这种方法存在一些问题，例如需要耗费大量时间和精力等待客户的反馈，无法实现主动监控和批量监控。

技术实现思路

[0003]本专利技术的主要目的在于解决现有技术中解决了在已揽件包裹状态批量跟踪过程中的关键技术问题。
[0004]本专利技术第一方面提供了一种已揽件包裹状态批量跟踪方法，所述已揽件包裹状态批量跟踪方法包括：获取全网已揽件订单数据；设定已揽件订单的预期时限，所述预期时限根据历史数据和物流运输的平均时间确定；将获取的已揽件订单数据按照不同的时间维度进行分类，得到分类数据；根据分类数据，批量获取已揽件订单的实时位置信息；将实际的已揽件订单状态与设定的预期时限进行批量比对，若发现异常状态，则进行批量预警处理。
[0005]作为本专利技术的一种优选的技术方案，所述设定已揽件订单的预期时限，所述预期时限根据历史数据和物流运输的平均时间确定，包括：基于的历史订单数据，使用统计分析方法计算物流运输平均时间；获取已揽件订单的订单因素数据，所述订单因素数据包括订单类型、目的地距离、运输方式、包裹体积、包裹重量、包裹价值、货物特性、发货地、收货地、客户等级、交通状况；根据物流运输平均时间和订单因素数据，使用时间序列分析，得到已揽件订单的预期时限。
[0006]作为本专利技术的一种优选的技术方案，所述根据物流运输平均时间和订单因素数据，使用时间序列分析，得到已揽件订单预期时限，包括：对分类型变量进行独热编码，将分类型变量转化为模型可接受的数值表示，对连续型变量进行归一化，将连续型变量尺度调整到合适的范围，得到特征数据；将时间序列数据和特征数据整合为模型的输入，将特征数据直接作为时间序列模型的外部回归变量，进行时间序列建模，得到时间序列模型；使用历史数据进行时间序列模型的训练，得到训练好的时间序列模型；使用训练好的时间序列模型和最新的订单因素数据进行预测，得到已揽件订单的预期时限。
[0007]作为本专利技术的一种优选的技术方案，所述对分类型变量进行独热编码，将分类型变量转化为模型可接受的数值表示，对连续型变量进行归一化，将连续型变量尺度调整到合适的范围，得到特征数据，包括：对于独热编码得到的二进制特征：假设得到的独热编码特征为矩阵encoded_features，其中每一列代表一个分类型变量的编码结果；对于每个订单，将独热编码特征中对应的列取出，形成一个独热编码向量，表示该订单的分类型变量编码，将独热编码向量按行排列，形成一个矩阵，记作categorical_features；所述
categorical_features的每一行代表一个订单的分类型变量编码；对于归一化得到的连续型变量数据：假设归一化后的连续型变量数据为矩阵normalized_features，其中每一列代表一个连续型变量的归一化结果；对于每个订单，从normalized_features中取出对应的列，形成一个归一化向量，表示该订单的连续型变量归一化结果，将归一化向量按行排列，形成一个矩阵，记作continuous_features；所述continuous_features的每一行代表一个订单的连续型变量归一化或标准化结果；将categorical_features和
[0008]continuous_features按列连接，形成最终的特征数据集矩阵，记作feature_matrix，其中每一行代表一个订单的特征数据；feature_matrix的列数为独热编码特征的列数加上归一化特征的列数。
[0009]作为本专利技术的一种优选的技术方案，所述将获取的已揽件订单数据按照不同的时间维度进行分类，得到分类数据，包括：从订单数据中提取与时间相关特征，所述时间相关特征为订单创建时间、发货时间或预计到达时间；确保时间相关特征的格式正确，并将所述转换为时间相关特征日期时间类型；根据时间维度，将订单数据进行分组，以得到按时间维度分类的数据子集；将按时间维度分类得到的数据子集保存为不同的数据结构，得到分类数据。
[0010]作为本专利技术的一种优选的技术方案，所述根据分类数据，批量获取已揽件订单的实时位置信息，包括：确定时间维度分类，遍历所述时间维度分类的数据子集；通过物流跟踪系统或物流服务提供商的API，使用订单的唯一标识符来查询订单的实时位置信息；记录已揽件的订单号和对应的实时位置信息；将获取到的已揽件订单的实时位置信息存储到数据结构中。
[0011]作为本专利技术的一种优选的技术方案，所述将实际的已揽件订单状态与设定的预期时限进行批量比对，若发现异常状态，则进行批量预警处理，包括：从数据库或数据文件中获取已揽件订单的实际状态和预期时限信息；遍历订单列表，对于每个订单：将订单的实际状态与预期时限进行比对，如果订单的实际状态与预期时限不符合设定的标准，则认为订单处于异常状态；将处于异常状态的订单进行批量预警处理；继续遍历订单列表，直到处理完所有订单。
[0012]本专利技术第二方面提供了一种已揽件包裹状态批量跟踪装置，包括：数据获取单元，用于设定已揽件订单的预期时限，所述预期时限根据历史数据和物流运输的平均时间确定；时限计算单元，设定已揽件订单的预期时限，所述预期时限根据历史数据和物流运输的平均时间确定；订单分类单元，用于将获取的已揽件订单数据按照不同的时间维度进行分类，得到分类数据；位置获取单元，用于根据分类数据，批量获取已揽件订单的实时位置信息；批量处理单元，用于将实际的已揽件订单状态与设定的预期时限进行批量比对，若发现异常状态，则进行批量预警处理。
[0013]本专利技术第三方面提供了一种电子设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，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指令，以使得所述电子设备执行上述的如上所述的已揽件包裹状态批量跟踪方法。
[0014]本专利技术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指令，当其在计算机上运行时，使得计算机执行上述的如上所述的已揽件包裹状态
批量跟踪方法。
[0015]本专利技术的技术方案中，通过获取全网已揽件订单数据，可以综合考虑多个渠道和物流服务提供商的信息，实现全面的跟踪和监控。这种综合性的数据获取和整合是提高跟踪效率和准确性的关键。
[0016]设定预期时限时，考虑到历史数据和物流运输的平均时间，可以更加准确地预估订单的运输时间。这种基于数据和平均时间的设定方式，有助于更精确地判断订单是否处于异常状态。
[0017]将已揽件订单数据按照不同的时间维度进行分类，可以实现对大量订单数据的批量处理。这种批量处理方式有效地提高了处理效率和跟踪的准确性，减少了人工操作的工作量。
[0018]通过批量获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种已揽件包裹状态批量跟踪方法，其特征在于，所述已揽件包裹状态批量跟踪方法包括：获取全网已揽件订单数据；设定已揽件订单的预期时限，所述预期时限根据历史数据和物流运输的平均时间确定；将获取的已揽件订单数据按照不同的时间维度进行分类，得到分类数据；根据分类数据，批量获取已揽件订单的实时位置信息；将实际的已揽件订单状态与设定的预期时限进行批量比对，若发现异常状态，则进行批量预警处理。2.根据权利要求1所述的一种已揽件包裹状态批量跟踪方法，其特征在于，所述设定已揽件订单的预期时限，所述预期时限根据历史数据和物流运输的平均时间确定，包括：基于的历史订单数据，使用统计分析方法计算物流运输平均时间；获取已揽件订单的订单因素数据，所述订单因素数据包括订单类型、目的地距离、运输方式、包裹体积、包裹重量、包裹价值、货物特性、发货地、收货地、客户等级、交通状况；根据物流运输平均时间和订单因素数据，使用时间序列分析，得到已揽件订单的预期时限。3.根据权利要求2所述的一种已揽件包裹状态批量跟踪方法，其特征在于，所述根据物流运输平均时间和订单因素数据，使用时间序列分析，得到已揽件订单预期时限，包括：对分类型变量进行独热编码，将分类型变量转化为模型可接受的数值表示，对连续型变量进行归一化，将连续型变量尺度调整到合适的范围，得到特征数据；将时间序列数据和特征数据整合为模型的输入，将特征数据直接作为时间序列模型的外部回归变量，进行时间序列建模，得到时间序列模型；使用历史数据进行时间序列模型的训练，得到训练好的时间序列模型；使用训练好的时间序列模型和最新的订单因素数据进行预测，得到已揽件订单的预期时限。4.根据权利要求3所述的一种已揽件包裹状态批量跟踪方法，其特征在于，所述对分类型变量进行独热编码，将分类型变量转化为模型可接受的数值表示，对连续型变量进行归一化，将连续型变量尺度调整到合适的范围，得到特征数据，包括：对于独热编码得到的二进制特征：假设得到的独热编码特征为矩阵encoded_features，其中每一列代表一个分类型变量的编码结果；对于每个订单，将独热编码特征中对应的列取出，形成一个独热编码向量，表示该订单的分类型变量编码，将独热编码向量按行排列，形成一个矩阵，记作categorical_features；所述categorical_features的每一行代表一个订单的分类型变量编码；对于归一化得到的连续型变量数据：假设归一化后的连续型变量数据为矩阵normalized_features，其中每一列代表一个连续型变量的归一化结果；对于每个订单，从normalized_features中取出对应的列，形成一个归一化向量，表示该订单的连续型变量归一化结果，将归一化向量按行排列，形成一个矩阵，记作
continuous_features；所述continuous_features的每一行代表一个订单的连续型变量归一化或标准化...

【专利技术属性】
技术研发人员：陈少瑜，杨周龙，
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：