【技术实现步骤摘要】
本专利技术属于物流信息处理，具体涉及一种基于ai的快递共配结算智能优化方法。
技术介绍
1、随着快递物流和人工智能技术的发展，物流信息处理技术已广泛应用于共同配送工作模式，将区域内相对分散的资源进行整合，实施系统化的末端配送服务；现有人工智能技术与物流信息处理技术的结合主要体现在自动化控制方面，还未能对信息管理模式、数据高效处理方面进行优化处理；目前行业内使用的快递结算软件普遍存在无法识别共配(多快递网络集合体)的快速数据采集的问题，因各网络的单号，目的地，客户代码等存在很大的差异，使得快递从业人员遇到了新客户后无法准确快速的预测成本及利润，在应对砍价情况下可能会做出一些存在亏损可能的价格。快递结算软件在快递生命周期完结后准确数据产生后，账单快速调整的次数需要通过一次调整即可完成如：目的地，重量，体积，均重差异，返点等调整，需要经过数次调整才能得出最终账单，因共配型网点单号的目的地格式均不一样，后期反复调整严重影响系统的资源及稳定性，调整次数越多效率越低。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种基于ai的快递共配结算智能优化方法，本专利技术的目的可以通过以下技术方案实现：
2、通过对接快递结算系统设置定价并获取快递数据，根据所述快递数据构建快递共配网络，通过线下快递网点类型、快递运力资源数据对所述快递共配网络进行智能分析得到配送任务；
3、获取历史报价数据，根据所述历史报价数据对应的快递数据建立模型训练集，基于所述定价和所述配
4、具体地，所述快递共配网络为转运中心、线下网点地址、目的地址组成的拓扑关系网。
5、具体地，所述智能分析方法为：通过目的地址、经济效益构建自变量空间，通过快递吞吐量构建因变量空间，为网点地址设置覆盖半径，为自变量设定权重值，根据快递企业类型选取候选网点集合，根据快递数据和运力资源数据通过多元逻辑回归算法对候选网点以及配送路径进行权重拟合，得到基于配送路线的权重集合，计算所述权重集合的最小损失得到最优权重，根据所述最优权重建立配送任务。
6、具体地，所述运力资源数据为运力车辆调度路径规划坐标集合；以快递运输车辆的配送总路程计算运力过程的加权价值累计和，同时更新运力资源配送效率的累积期望；通过上述方式遍历所述快递共配网络得到运力调度系统环境，所述运力调度系统环境包括可调度运力总和、剩余可调度运力；通过网点分布环境、快递数据对应的地址以及快递货车和快递小车两种车型车辆承载力进行路径寻优得到运力车辆调度路径规划坐标集合。
7、所述初始成本预测模型基于bp人工神经网络预测，所述快递数据包括快递单号、目的地地址、重量、体积，通过所述快递单号提取快递类型，将所述快递类型、所述目的地地址、所述重量、所述体积、配送任务经济效益作为输入层的5个神经元，输出层由期望成本1个神经元组成，隐藏层的神经元个数初始化为5；基于所述配送任务确定权值与阈值；通过所述权值与阈值对输入样本进行正向传播得到输出层结果，根据所述输出层结果和所述定价的误差进行反向传播，所述误差计算方式为：其中，e为误差，k为样本数量，m为样本迭代计数，t为定价，zk为输出层结果；通过计算所述误差对应输出神经元中权重与阈值的偏导数，调整正向传播过程的权值与阈值，计算公式为：
8、
9、其中，wjk为权重值，为权重梯度，η为学习速率，δk为误差灵敏度，zj为隐含层输出结果，xi为输入层输入样本。
10、具体地，所述误差在调节过程中采用梯度下降法沿着误差下降最快的方向调节，引入动量项增加模型收敛，计算公式为：
11、
12、其中，δw(n)为连接权值改变量，a为动量因子aδw(n-1)为动量项，η为学习速率，为梯度下降方向。
13、本专利技术的有益效果为：
14、(1)通过快递结算系统设置多元化的价格，对接快递结算系统获取快递数据，并对所述快递共配网络进行智能分析，从无标识的快递信息中快速的分析出相应的网络，兼顾了顾客满意度、经济效益、可协调性、可持续性等方面的优化，更准确的计算出快递费用，避免后期反复价格调整，减少了人力物力成本，增强了系统的稳定性。
15、(2)通过设置成本预测模型，结合历史数据进行智能报价预测分析，使快递从业人员在遇到新客户后准确快速的得到预测成本及利润，促成双方合作。
16、(3)可以一次性调整目的地，重量，体积，均重差异，返点等账单差异，减少系统的负载。
本文档来自技高网...【技术保护点】
1.一种基于AI的快递共配结算智能优化方法，其特征在于，包括：
2.根据权利要求1所述的一种基于AI的快递共配结算智能优化方法，其特征在于，所述快递共配网络为转运中心、线下网点地址、目的地址组成的拓扑关系网。
3.根据权利要求1所述的一种基于AI的快递共配结算智能优化方法，其特征在于，所述智能分析方法为：通过目的地址、经济效益构建自变量空间，通过快递吞吐量构建因变量空间，为网点地址设置覆盖半径，为自变量设定权重值，根据快递企业类型选取候选网点集合，根据快递数据和运力资源数据通过多元逻辑回归算法对候选网点以及配送路径进行权重拟合，得到基于配送路线的权重集合，计算所述权重集合的最小损失得到最优权重，根据所述最优权重建立配送任务。
4.根据权利要求3所述的一种基于AI的快递共配结算智能优化方法，其特征在于，所述运力资源数据为运力车辆调度路径规划坐标集合；以快递运输车辆的配送总路程计算运力过程的加权价值累计和，同时更新运力资源配送效率的累积期望；通过上述方式遍历所述快递共配网络得到运力调度系统环境，所述运力调度系统环境包括可调度运力总和、剩余可调度运力
5.根据权利要求1所述的一种基于AI的快递共配结算智能优化方法，其特征在于，所述初始成本预测模型基于BP人工神经网络预测，所述快递数据包括快递单号、目的地地址、重量、体积，通过所述快递单号提取快递类型，将所述快递类型、所述目的地地址、所述重量、所述体积、配送任务经济效益作为输入层的5个神经元，输出层由期望成本1个神经元组成，隐藏层的神经元个数初始化为5；基于所述配送任务确定权值与阈值；通过所述权值与阈值对输入样本进行正向传播得到输出层结果，根据所述输出层结果和所述定价的误差进行反向传播，所述误差计算方式为：其中，e为误差，k为样本数量，m为样本迭代计数，T为定价，zk为输出层结果；通过计算所述误差对应输出神经元中权重与阈值的偏导数，调整正向传播过程的权值与阈值，计算公式为：
6.根据权利要求5所述的一种基于AI的快递共配结算智能优化方法，其特征在于，所述误差在调节过程中采用梯度下降法沿着误差下降最快的方向调节，引入动量项增加模型收敛，计算公式为：
...【技术特征摘要】
1.一种基于ai的快递共配结算智能优化方法，其特征在于，包括：
2.根据权利要求1所述的一种基于ai的快递共配结算智能优化方法，其特征在于，所述快递共配网络为转运中心、线下网点地址、目的地址组成的拓扑关系网。
3.根据权利要求1所述的一种基于ai的快递共配结算智能优化方法，其特征在于，所述智能分析方法为：通过目的地址、经济效益构建自变量空间，通过快递吞吐量构建因变量空间，为网点地址设置覆盖半径，为自变量设定权重值，根据快递企业类型选取候选网点集合，根据快递数据和运力资源数据通过多元逻辑回归算法对候选网点以及配送路径进行权重拟合，得到基于配送路线的权重集合，计算所述权重集合的最小损失得到最优权重，根据所述最优权重建立配送任务。
4.根据权利要求3所述的一种基于ai的快递共配结算智能优化方法，其特征在于，所述运力资源数据为运力车辆调度路径规划坐标集合；以快递运输车辆的配送总路程计算运力过程的加权价值累计和，同时更新运力资源配送效率的累积期望；通过上述方式遍历所述快递共配网络得到运力调度系统环境，所述运力调度系统环境包括可调度运力总和、剩余可调度运力；通过网...
【专利技术属性】
技术研发人员：曹加佳，
申请(专利权)人：上海递道信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。