物流节点包裹量的预测方法和装置与流程

本申请涉及物流领域，特别是涉及一种物流节点包裹量的预测方法和装置。
背景技术：
：随着电商包裹数量的增多及快递行业的不断发展，快递公司已经不满足依靠打价格战来抢夺市场，而是通过提高自身的服务能力，推出物流时效服务产品，向商家做出时效承诺。根据不同的线路，时效服务分为次日承诺达和隔日承诺。但是快递公司各个目标物流节点固定的操作人员和运输车辆等资源都是有限的，且快递行业且受电商交易影响较大，遇到电商大促，件量波动大，容易造成人员或车辆资源短缺，使得到达目标物流节点的包裹无法及时运输，导致快件积压。这带来两个后果，一是影响了快件的时效达成，影响消费者的体验，二是临时人员和临时车辆的调度会大大提高目标物流节点的操作成本。在此背景下，提前预测目标物流节点各条线路上的包裹数量能够辅助中心提前决策，提前安排人员和车辆，保证包裹能及时运出，同时能降低车辆调度成本，提高车辆的运营效率。传统的方法主要是基于历史的平均值统计方法，中心的操作经理根据昨天或者上周同期的包裹数量来大致估计当晚各个线路上的包裹数量。具体地，现有技术采用的是基于历史平均单量的预估方法，中心的操作经理根据昨天或者上周同期的包裹数量来大致估计当晚各个线路上的包裹数量。基于历史平均单量预估的方法主要缺点有如下几点：1)基于平均值的方式，没有考虑到单量随时间、季节、区域的变化性，预估日常单量准确率不高。2)快递业务受电商交易影响较大，遇到电商大促，件量波动大，基于平均单量的方法无法预估大促时的出港单量。3)由于线路级别的单量波动大，基于平均值的方式只能预估中心整体的出港单量，无法预估具体线路上的出港单量。4)由于中转路由不确定性大且中心之间信息沟通不充分，无法预测其他中心来本中心中转出港的单量。5)校正时间滞后，基于平均单量的预测准确与否，需要等快件到达目标物流节点之后才能做出判断，无法根据当天包裹已经发货或者揽收数据来校正预测结果。技术实现要素：鉴于上述问题，本发明一实施例提出一种物流节点包裹量的预测方法和预测装置，以解决现有技术存在的问题。为了解决上述问题，本申请一实施例公开一种物流节点包裹量的预测方法，包括：提供多个物流线路，所述多个物流线路分别由多个物流节点组成；确定目标物流节点和目标物流节点所在的至少一条目标物流线路；确定目标物流节点对应的包裹的物流关联信息，所述物流关联信息包括交易信息和物流信息；将所述物流关联信息输入包裹量预测模型，确定目标物流节点在所述至少一条目标物流线路上的包裹量。为了解决上述问题，本申请一实施例公开一种物流节点包裹量的预测装置，包括：物流线路提供模块，用于提供多个物流线路，所述多个物流线路分别由多个物流节点组成；目标节点确定模块，用于确定目标物流节点和目标物流节点所在的至少一条目标物流线路；第一关联信息获取模块，用于确定目标物流节点对应的包裹的物流关联信息，所述物流关联信息包括交易信息和物流信息；预测模块，用于将所述物流关联信息输入包裹量预测模型，确定目标物流节点在所述至少一条目标物流线路上的包裹量。为了解决上述问题，本申请一实施例还公开一种电子装置，该电子装置包括：存储器，用于存储计算机可读程序；处理器，当所述处理器读取所述存储器中的计算机可读程序时，所述电子装置执行如下操作：提供多个物流线路，所述多个物流线路分别由多个物流节点组成；确定目标物流节点和目标物流节点所在的至少一条目标物流线路；确定目标物流节点对应的包裹的物流关联信息，所述物流关联信息包括交易信息和物流信息；将所述物流关联信息输入包裹量预测模型，确定目标物流节点在所述至少一条目标物流线路上的包裹量。本申请一实施例还公开一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得电子装置执行上述的方法。由上述可知，本申请实施例包括以下优点：本发明实施例提出的物流节点的包裹量预测方法和装置，能够根据包裹的物流相关信息，例如交易信息和物流信息，预测包裹的目标物流线路，使得预测时间提前。此外，本发明提供的方法根据多条物流线路分别预测包裹量，将预测维度细化到线路级别，提高了预测结果的精度。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请第一实施例的物流节点包裹量预测方法的示意图。图2是本申请第一实施例的物流节点包裹量预测方法的流程图。图3a至图3d是本申请第二实施例的物流节点包裹量预测方法的流程图。图4是本申请第三实施例的物流节点的包裹量预测装置的方框图。图5是本申请第四实施例的物流节点的包裹量预测装置的方框图。图6所示为本发明一实施例的实时数据采集流程的示意图。图7示意性地示出了用于执行根据本发明的方法的电子装置的框图。图8示意性地示出了用于保持或者携带实现根据本发明的方法的程序代码的存储单元。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。本申请的核心思想之一在于，提出一种物流节点的包裹量预测方法和装置，如图1所示，针对目标物流节点的不同目标物流线路，获取物流关联信息，所述物流关联信息包括交易信息和物流信息，根据所述物流关联信息预测该目标物流线路上经过该目标物流节点的包裹量。第一实施例本发明第一实施例提出一种物流节点包裹量的预测方法。图2所示为本发明第一实施例的物流节点包裹量的预测方法的步骤流程图。如图2所示，本发明实施例的物流节点包裹量的预测方法包括如下步骤：s101，提供多个物流线路，所述多个物流线路分别由多个物流节点组成；在这一步骤中，可以获取历史记录中存储的多个物流路线，每一个物流路线例如可以包括多个物流节点。举例来说，数据库中可以存储有的多条物流线路，例如北京-杭州-广州、北京-郑州-云南等。这些物流路线是通过物流节点来表示的，物流节点可以是转运中心，也可以是揽收节点等，本发明并不特别限制。上述的物流线路可以是存储在数据库中的，也可以是即时根据包裹的物流路线生成的，在此并不限定。s102，确定目标物流节点和目标物流节点所在的至少一条目标物流线路；在这一步骤中，使用者指定目标物流节点。目标物流节点可以为需要预测包裹量的物流节点，通过目标物流节点，执行主体可以从步骤s101中提供的多个物流线路中确定目标物流节点所在的目标物流线路，并确定至少一条目标物流线路用于预测包裹量。例如，当需要预测的目标物流节点为杭州中转中心，从步骤s101中提供的多条线路中可选择与杭州中转中心相关的若干条物流线路，例如北京-杭州-广州、青岛-杭州-厦门等。可以从杭州相关的物流线路中确定至少一条物流线路作为目标物流线路，用于预测该目标物流的包裹量。s103，确定目标物流节点对应的包裹的物流关联信息，所述物流关联信息包括交易信息和物流信息；在这一步骤中，执行主体从数据库中获取第一时间段内——例如需要预测包裹量的当天的物流关联信息，包括从交易平台获取的交易信息、从各物流平台获取的物流信息等，并从这些信息中获取与目标物流节点对应的信息。在第一时间段内交易成功的订单或者已发出的包裹中既有与该目标物流节点相关的物流关联信息，又有无关的物流关联信息。在这一步骤中，可以筛选出与目标物流节点相关的物流关联信息。在获取了物流关联信息之后，可以根据每一条物流关联信息预测其可能经过的物流节点。例如一条包裹的物流信息显示是从北京到杭州的，则可以初步判断其经过的物流节点为北京中转中心和杭州中转中心。因此可以将这一物流信息作为目标物流节点(杭州)对应的物流关联信息。再例如，一条交易信息显示卖家在杭州，买家在厦门，则可以初步判断其将会经过的转运中心是杭州中转中心和厦门中转中心；则可以将这个交易信息作为目标物流节点(杭州)对应的物流关联信息。在这一步骤中，将第一时间段内的多个物流关联信息中与目标物流节点相关的物流关联信息筛选出，用于后续预测包裹量。s104，将所述物流关联信息输入包裹量预测模型，确定目标物流节点在所述至少一条目标物流线路上的包裹量。在这一步骤中，可以将上述的物流关联信息输入包裹量预测模型，利用包裹量预测模型预测出第一时间段内(例如当天)该目标物流节点相关的各目标物流线路上的包裹量。如果需要获知该目标物流节点当天的总包裹量，则将上述每一条目标物流线路上的包裹量相加即可获取。上述包裹量预测模型可以是根据历史时间内该目标物流线路对应的物流关联信息、对应的目标物流节点的包裹量训练获取的预测模型。例如，每一条目标物流线路可以利用一组该目标物流线路相关的样本数据进行训练，获取该目标物流线路的物流关联信息；将该物流关联信息，结合最新的物流关联信息，共同输入包裹量预测模型，可以获取该物流线路的在该目标物流节点的预测当天的包裹量。举例来说，假设杭州转运中心需要预测与其相关的两条目标物流线路——杭州转运中心-北京转运中心和杭州转运中心-虎门转运中心的当天的包裹量，针对杭州转运中心-北京转运中心，将每一条目标物流线路上的物流关联信息输入预测模型，通过模型可以预测出该目标物流节点的每一条目标物流线路的包裹量。举例来说，通过事先对模型进行训练，已经计算了模型的参数向量(w1,w2,…,wk)，将该参数向量与物流关联信息组成的特征向量直接相乘，即可以计算每条目标物流线路上对应的包裹量num＝σwi*xi。由上述可知，本发明第一实施例提出的物流节点包裹量的预测方法至少具有如下技术效果：本发明实施例提出的物流节点的包裹量预测方法和装置，能够根据包裹的物流相关信息，例如交易信息和物流信息，预测包裹的目标物流线路。相比于现有技术利用历史数据预测当天的包裹量的方法，本发明提出的方法能够提前预测的时间。此外，本发明提供的方法根据多条物流线路分别预测包裹量，将预测维度细化到线路级别，提高了预测结果的精度。第二实施例本发明第二实施例提出一种物流节点包裹量的预测方法。图3a所示为本发明第二实施例的物流节点包裹量的预测方法的步骤流程图。如图3a所示，本发明实施例的物流节点包裹量的预测方法如下步骤：s201，提供多个物流线路，所述多个物流线路分别由多个物流节点组成；s206，确定目标物流节点和目标物流节点所在的至少一条目标物流线路；s207，确定目标物流节点对应的包裹的物流关联信息，所述物流关联信息包括交易信息和物流信息；s208，将所述物流关联信息输入包裹量预测模型，确定目标物流节点在所述至少一条目标物流线路上的包裹量。上述步骤s201、s206、s207至步骤s208与上一实施例的步骤s101至步骤s104相同或相似，在此不再赘述。本实施例重点说明与上一实施例的不同之处。在本发明一可选实施例中，如图3b所示，步骤s207，即确定目标物流节点对应的包裹的物流关联信息的步骤例如可以包括：s2071，获取第一指定时段内包裹的物流关联信息；在这一步骤中，可以获得第一指定时段——例如需要预测包裹量的当天的物流关联信息，包括从交易平台获取的交易信息和从物流平台获取的物流信息等。例如，针对待揽收的包裹或者完成的交易订单对应的预计发出的包裹，获取订单中的发货方地址和收货方地址；针对已发出的包裹，获取已产生的物流信息。当天的物流关联信息可以是当天产生的所有的物流关联信息，也可以是部分的物流关联信息，在此并不限制。在这一实施例中，服务器可以从当天的交易信息中可以获取当天产生的每一笔订单对应的交易信息，例如订单编号、收件地址和发件地址；从当天的物流信息中可以获取从生成包裹单号到揽收、流转、派送的每一个物流订单的包裹编号、收件地址、发件地址、当前状态等。图6所示为本发明一实施例的实时数据采集流程的示意图。如图6所示，服务器可以基于实时的流式计算系统，对网购平台和物流平台实时生成的数据流进行计算和存储。即，所采集的物流信息可以来自于快递业务系统，所采集的交易信息可以来自于实时业务交易系统，例如各网购平台。在本实施例中，由于采集了交易信息，本发明实施例提出的方法能够将预测的时间提前；结合物流信息，能够更准确地对包裹量进行预测。s2072，确定所述物流关联信息对应的物流节点；在这一步骤中，可以利用预测的方式获得物流关联信息对应的物流节点。例如，前述发件方在北京收件方在杭州的交易订单，通过其物流关联信息可以预测所经过的路线为北京转运中心-郑州转运中心-杭州转运中心；则对应的物流节点为北京、郑州、杭州。此外，尽管这里是以转运中心举例说明的，但是在实际场景中，物流节点还可以包括揽收节点、派送节点等，在此并不限制。s2073，根据对应的物流节点，从所述多个物流关联信息中获取与所述目标物流节点关联的物流关联信息；所述物流关联信息包括交易信息和物流信息。在这一步骤中，根据子步骤s2072中获得的物流节点，可以筛选出第一指定时段内获得的物流关联信息中与目标物流节点相关的信息。例如，步骤s2072中获得的“北京转运中心-郑州转运中心-杭州转运中心”的物流线路与目标物流节点杭州相关；“广州转运中心-厦门转运中心”的物流线路与目标物流线路杭州无关。在本发明一可选实施例中，步骤s208，即将所述物流关联信息输入包裹量预测模型，确定目标物流节点在所述至少一条目标物流线路上的包裹量的步骤之前，所述方法还可以包括：s203，针对至少一条目标物流线路，获取历史数据中的多个物流关联信息；s204，获取所述至少一条目标物流线路在目标物流节点的操作时段内的包裹量；s205，针对所述至少一条目标物流线路，利用历史数据的多个物流关联信息和所述目标物流节点的操作时间内包裹量训练包裹量预测模型；上述的历史数据中可以包括第一指定时段，也可以不包括第一指定时段，例如为包含预测当天的30天内的历史数据，或者不包括预测当天的30天内的历史数据。上述子步骤s203至s205描述了训练该预测模型的步骤。在子步骤s203中，当物流关联信息包括交易信息和物流信息，针对交易信息，可以收集电子面单取号时间、发货时间、发货地址、收货地址等。针对物流信息，可以统计物流流转过程中经过每个实体节点的信息以及车辆信息,节点包含网点、目标物流节点，信息包括节点代码、节点名称、操作状态、操作时间、到达节点时间、离开节点时间。例如，当包裹被网点揽收时，有网点代码、网点名称、揽收时间、到达网点时间、离开网点时间。当包裹到达目标物流节点时收集目标物流节点代码、目标物流节点名称、到达目标物流节点时间、离开目标物流节点时间、在目标物流节点上车时间、目标物流节点发车时间等等。例如所收集的信息可以表现为如下的表1：表1在子步骤s204中，可以针对每一条目标物流线路,获取该目标线路对应的某一天的包裹量，在子步骤s205中，可以利用历史数据中的物流关联信息和包裹量来训练模型。举例来说，在步骤s203中获得了针对目标物流线路的历史数据中的物流关联信息，例如过去30天的物流关联信息，在步骤s204中可以获得这些天的包裹量。根据所获取的时间信息，将这些物流关联信息划分成多个时间段，例如2017年3月9日到2017年4月9日中每一天；再将步骤s204中获得的包裹量划分为每一天的包裹量，输入预测模型，将过去多天的物流关联信息和某一天的包裹量作为一个样本输入预测模型，在步骤s205中用来训练模型。训练模型即是根据物流关联信息中的特征向量和历史数据中获取的已知的包裹量确定模型的参数向量(w1,w2,…,wk)。如上述，该参数向量与物流关联信息中的特征向量直接相乘，即可以计算每条目标物流线路上对应的包裹量num＝σwi*xi。特征向量即是前述从物流关联信息中获得的各方面的信息，可以由预测模型的开发人员设定，例如包括电子面单取号时间、发货时间、发货地址、收货地址；经过每个实体节点的信息以及车辆信息,节点包含网点、目标物流节点，信息包括节点代码、节点名称、操作状态、操作时间、到达节点时间、离开节点时间等等。本发明并不特别限制。在子步骤s205中，例如可以根据每一条目标物流线路，分别获取第二指定时段内该目标物流线路的包裹量。在本发明一可选实施例中，如图3c所示，子步骤s205，即针对所述至少一条目标物流线路，利用历史数据的多个物流关联信息和所述目标物流节点的操作时段内包裹量训练包裹量预测模型的步骤，例如可以包括：s2051，提供多个物流特征和每一个物流特征对应的待确定权重；s2052，将历史的多个物流关联信息和所述目标物流节点的操作时段内的包裹量输入回归模型，获取针对每一个物流特征的权重；s2053，将所述第一指定时段之前的包裹量输入时序模型，获取预估日常单量；s2054，将所述回归模型输出的权重和所述时序模型输出的日常单量输入融合模型，输出修正后的每一个物流特征的权重。子步骤s2051到子步骤s2054描述了确定每一个特征对应的权重的方法。在子步骤s2051中，可以设每一个物流特征对应的待确定权重为x，在子步骤s2052中将物流关联信息和包裹量输入回归模型，由于物流关联信息中已包括了多个物流特征，在这一步骤中可以根据输入的物流关联信息和包裹量获得物流特征对应的权重。在步骤s2053中可以使用另外的时序模型，利用时序模型分析历史包裹量的周期性，预测当前的包裹量；在步骤s2054中，将二者进行融合，以修正物流特征的权重。上述回归模型，时序模型，融合模型分别如下：回归模型，目标是根据输入特征，对每个输入特征进行打分。回归模型主要考虑多个和日常单量相关的因子，通过构建回归模型，学习因子与日常单量的关系，从而更好地利用因子信息，得到更准确的单量预估。本模块用到的回归模型，包括但不限于线性回归、支持向量回归、提升回归树等。回归模型训练可以得到一组参数向量(w1,w2,….,wk)，用于在线预测。本发明使用的机器学习模型包括但不限于线性回归、支持向量回归、提升回归树。时序模型主要基于时间序列的方法，挖掘日常单量变化的趋势性和周期性，提供更准确的单量预估。首先，基于包裹量的数据计算线路近一段时间(例如30天)日常单量(n1,n2,…,n30)；然后将这段时间的单量输入到时间序列模型，包括但不限于arma、arch等；最后模型输出得到线路的预估日常单量。例如，要预测广州目标物流节点到上海目标物流节点的日常单量，首先计算该线路近30天日常单量，如(13013,14563,…,12043)，输入到时间序列模型中，经过训练后，输出预估日常单量为13850。融合模型，目标是对分类模型和回归模型的预测结果做融合，得到每条线路的预测值。融合模型训练可以得到一组参数向量(w1,w2,….,wk)，用于在线预测。本发明使用的融合模型包括但不限于投票、加权求和、线性回归。在本发明一可选实施例中，如图3d所示，步骤s201，即所述提供多个物流线路的步骤例如可以包括：s2011，预测所述包裹的首转中心；s2012，预测所述包裹的末转中心；s2013，利用所述首转中心和所述末转中心获取所述包裹的物流线路。在子步骤s2011中，可以将发件地址按照结构化语义进行划分；在这一步骤中，可以将发件地址和收件地址进行结构化处理，例如通过结构化标签提取出地址中的省、市、区等不同行政级别的结构化地址。之后进行子步骤s2011的首转中心预测和子步骤s2012的末转中心的预测，进而获取步骤s2013的目标物流线路。针对首转中心，可以根据过去一段时间内统计的发货地结构化地址-收货地结构化地址-首转中心出现次数，将出现次数最多的首转中心作为该包裹的首转中心。针对末转中心，根据过去一段时间内统计的收货地址-末转中心出现的次数，将出现次数最多的末转中心作为该包裹的末转中心。在本发明一可选实施例中，所述子步骤s2011，即预测所述包裹的首转中心的步骤例如可以包括：s20111，根据所述物流关联信息的交易信息中的发货地址与首转中心的对应关系，预测所述包裹的首转中心。在本发明一可选实施例中，，所述子步骤s2011，即预测所述包裹的首转中心的步骤例如还可以包括：s20112，利用所述物流信息中的揽收网点信息，修正所述首转中心。在本发明的实施例中，预测首转中心可以包括预测和修正两个分步骤。在分步骤s20111中，可以根据过去一段时间内统计的发货地结构化地址-收货地结构化地址-首转中心出现次数，将出现次数最多的首转中心作为该包裹的首转中心。在分步骤s20122中，可以根据揽收网点信息修正预测的首转中心。由于揽收网点相比于发件地址能够用来更好地预测该包裹的首转中心，所以在根据发件地址预测之后，增加揽收网点预测的步骤，能够更准确地预测首转中心。例如，可以根据一段时间内的订单统计揽收网点-首转中心出现次数，为每个揽收网点取出现次数最多的首转中心作为该行政区应该映射的首转中心。举例来说：根据一段时间内实际的历史订单统计，杭州市萧山中部-杭州目标物流节点出现的次数最多，被杭州市萧山中部揽收的订单包裹的首转中心是北京。如表2所示。揽收网点首转中心出现次数杭州市萧山中部杭州目标物流节点38939杭州市萧山中部嘉兴目标物流节点1393杭州市萧山中部上海目标物流节点500表2利用预测出的首转中心“北京”修正先前根据发件地址预测出的首转中心，获取修正后的首转中心。在本发明一可选实施例中，s20111，即根据所述物流关联信息的交易信息中的发货地址与首转中心的对应关系，预测所述包裹的首转中心的步骤例如可以包括：s20111a，将发货地址按照结构化语义进行分词；s20111b，将分词后的发货地址标注结构化语义标签，获取多级结构化地址；s20111c，根据预置的结构化语义标签模板，补全所述发货地址中缺失的内容；s20111d，利用所述补全的发货地址，建立每一级结构化地址对应的首转中心；s20111e，将每一级结构化地址对应的次数最多的首转中心作为预测的包裹的首转中心。上述步骤s20111a至s20111e描述了对发件地址和收件地址进行分词获取多级结构化地址，在获取结构化地址后，在步骤s20111c中将标注的结构化语义标签与预置的结构化语义标签模板进行对比，如果发现缺少某一级，则补全缺失的内容；如果发现某一级有错误，可以进行纠错。例如，原始的收件地址字符串为“浙江省杭州市良睦路111号”。通过基于地址信息的文本字符串分词，将该地址结构化为省：“浙江省”，市：“杭州市”，街道：“良睦路”。通过地址数据库查询到杭州市的“良睦路”是在“余杭区”，补全街道的行政区为余杭区。在本发明一可选实施例中，s2012，即所述预测所述包裹的末转中心的步骤例如可以包括：利用所述包裹的收货地址与末转中心的对应关系，预测所述包裹的末转中心。在这一步骤中，针对末转中心，根据过去一段时间内统计的收货地址-末转中心出现的次数，将出现次数最多的末转中心作为该包裹的末转中心。在本发明一可选实施例中，步骤s201，即提供多个物流线路，所述多个物流线路分别由多个物流节点组成步骤之后，所述方法还可以包括：s202，根据所述物流关联信息中的物流节点信息，将所述多个物流关联信息划分为揽收物流关联信息和中转物流关联信息；针对所述揽收物流关联信息和中转物流关联信息，分别执行如下操作：获取所述至少一条目标物流线路在目标物流节点的操作时段内的包裹量；针对所述至少一条目标物流线路，利用历史数据的多个物流关联信息和所述目标物流节点的操作时间内包裹量训练包裹量预测模型；其中所述第二指定时段包括所述目标物流节点的操作时段。在步骤s202中，可以针对揽收物流关联信息和中转物流关联信息分别建模进行预测。揽收包裹是指本中心的下属网点从商家揽收包裹后发到下一个中心的包裹量；中转包裹是指其他中心发往本中心，经过本中心发送到下一个中心的包裹量。通过数据可以获知，将包裹分为揽收出港和中转出港能够更准确地预测中心的包裹量，因此可以针对揽收物流关联信息和中转物流关联信息，分别建模，训练模型。在本发明一可选实施例中，步骤s208，即确定目标物流节点在目标物流线路上的包裹量的步骤之后，所述方法还可以包括：s209，根据每一条目标物流线路上的包裹量，获取该目标物流节点在所述第一时段的总包裹量。在这一步骤中，可以将目标物流节点的每一条目标物流路线的包裹量相加，获得总的包裹量。综上所述，本实施例提出的物流节点包裹量的预测方法至少具有如下优点：本发明实施例提出的物流节点的包裹量预测方法和装置，能够根据包裹的物流相关信息，例如交易信息和物流信息，预测包裹的目标物流线路，使得预测时间提前。此外，本发明提供的方法根据多条物流线路分别预测包裹量，将预测维度细化到线路级别，提高了预测结果的精度。除此之外，本实施例提出的物流节点包裹量的预测方法至少还包括如下优点：本发明实施例提出的物流节点的包裹量预测方法和装置，能够根据包裹的流转信息预测包裹的目标物流线路，并利用流转信息分别获取这些目标物流线路对应的包裹流转特征，通过包裹流转特征预测目标物流节点的本发明实施例提出的物流节点的包裹量预测方法和装置，通过采集例如包括交易信息和物流信息的物流关联信息，从订单成立的时刻开始即可提前预测目标物流节点的包裹量，将预测时间提前；同时还能够根据实时的物流信息不断修正预测结果，提高预测结果的精度。通过预测模型的设计，本发明统计出与预估结果强相关的发货特征、揽收特征、网点发出量特征，使得预测更加准确。第三实施例本发明第三实施例提出一种物流节点包裹量的预测装置，如图4所示，该装置包括：物流线路提供模块301，用于提供多个物流线路，所述多个物流线路分别由多个物流节点组成；目标节点确定模块302，用于确定目标物流节点和目标物流节点所在的至少一条目标物流线路；第一关联信息获取模块303，用于确定目标物流节点对应的包裹的物流关联信息，所述物流关联信息包括交易信息和物流信息；预测模块304，用于将所述物流关联信息输入包裹量预测模型，确定目标物流节点在所述至少一条目标物流线路上的包裹量。综上所述，本实施例提出的物流节点包裹量的预测装置至少具有如下优点：本发明实施例提出的物流节点的包裹量预测方法和装置，能够根据包裹的物流相关信息，例如交易信息和物流信息，预测包裹的目标物流线路，使得预测时间提前。此外，本发明提供的方法根据多条物流线路分别预测包裹量，将预测维度细化到线路级别，提高了预测结果的精度。第四实施例本发明第四实施例提出一种物流节点包裹量的预测装置，如图5所示，该装置包括：物流线路提供模块401，用于提供多个物流线路，所述多个物流线路分别由多个物流节点组成；目标节点确定模块402，用于确定目标物流节点和目标物流节点所在的至少一条目标物流线路；第一关联信息获取模块403，用于确定目标物流节点对应的包裹的物流关联信息，所述物流关联信息包括交易信息和物流信息；预测模块404，用于将所述物流关联信息输入包裹量预测模型，确定目标物流节点在所述至少一条目标物流线路上的包裹量。在本发明一可选实施例中，所述第一关联信息获取模块403包括：关联信息获取子模块，用于获取第一指定时段内包裹的物流关联信息；物流节点确定子模块，用于确定所述物流关联信息对应的物流节点；筛选子模块，用于根据对应的物流节点，从所述多个物流关联信息中获取与所述目标物流节点关联的物流关联信息；所述物流关联信息包括交易信息和物流信息。在本发明一可选实施例中，所述装置还包括：第二关联信息获取模块405，用于针对至少一条目标物流线路，获取历史数据中的多个物流关联信息；包裹量获取模块406，用于获取所述至少一条目标物流线路在目标物流节点的操作时段内的包裹量；模型训练模块407，用于针对所述至少一条目标物流线路，利用历史数据的多个物流关联信息和所述目标物流节点的操作时间内包裹量训练包裹量预测模型；其中所述第二指定时段包括所述目标物流节点的操作时段。在本发明一可选实施例中，所述模型训练模块407包括：提供子模块，用于提供多个物流特征和每一个物流特征对应的待确定权重；权重获取子模块，用于将所述第二指定时段内的多个物流关联信息和所述目标物流节点的操作时段内的包裹量输入回归模型，获取针对每一个物流特征的权重；预估单量确定子模块，用于将所述第一指定时段之前的包裹量输入时序模型，确定预估日常单量；权重确定子模块用于将所述回归模型输出的权重和所述时序模型输出的日常单量输入融合模型，输出修正后的每一个物流特征的权重。在本发明一可选实施例中，所述物流线路提供模块401包括：首转中心预测子模块，用于预测所述包裹的首转中心；末转中心预测子模块，用于预测所述包裹的末转中心；物流线路确定子模块，用于利用所述首转中心和所述末转中心获取所述包裹的物流线路。在本发明一可选实施例中，所述首转中心预测子模块包括：预测单元，用于根据所述物流关联信息的交易信息中的发货地址与首转中心的对应关系，预测所述包裹的首转中心。在本发明一可选实施例中，所述首转中心预测子模块还包括：修正单元，用于利用所述物流信息中的揽收网点信息，修正所述首转中心。在本发明一可选实施例中，所述预测单元包括：分词子单元，用于将发货地址按照结构化语义进行分词；结构化地址获取子单元，用于将分词后的发货地址标注结构化语义标签，获取多级结构化地址；补全子单元，用于根据预置的结构化语义标签模板，补全所述发货地址中缺失的内容；映射建立子单元，用于利用所述补全的发货地址，建立每一级结构化地址对应的首转中心；预测子单元，用于将每一级结构化地址对应的次数最多的首转中心作为预测的包裹的首转中心。在本发明一可选实施例中，所述末转中心预测子模块用于：利用所述包裹的收货地址与末转中心的对应关系，预测所述包裹的末转中心。在本发明一可选实施例中，所述装置还包括：划分模块408，根据所述物流关联信息中的物流节点信息，将所述多个物流关联信息划分为揽收物流关联信息和中转物流关联信息。在本发明一可选实施例中，所述装置还包括：累加模块409，用于根据每一条目标物流线路上的包裹量，获取该目标物流节点在所述第一时段的总包裹量。综上所述，本实施例提出的物流节点包裹量的预测装置至少具有如下优点：本发明实施例提出的物流节点的包裹量预测方法和装置，能够根据包裹的物流相关信息，例如交易信息和物流信息，预测包裹的目标物流线路，使得预测时间提前。此外，本发明提供的方法根据多条物流线路分别预测包裹量，将预测维度细化到线路级别，提高了预测结果的精度。除此之外，本实施例提出的物流节点包裹量的预测装置至少还包括如下优点：本发明实施例提出的物流节点的包裹量预测方法和装置，能够根据包裹的流转信息预测包裹的目标物流线路，并利用流转信息分别获取这些目标物流线路对应的包裹流转特征，通过包裹流转特征预测目标物流节点的本发明实施例提出的物流节点的包裹量预测方法和装置，通过采集例如包括交易信息和物流信息的物流关联信息，从订单成立的时刻开始即可提前预测目标物流节点的包裹量，将预测时间提前；同时还能够根据实时的物流信息不断修正预测结果，提高预测结果的精度。通过预测模型的设计，本发明统计出与预估结果强相关的发货特征、揽收特征、网点发出量特征，使得预测更加准确。对于装置实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。图7为本申请一实施例提供的电子装置的硬件结构示意图。如图7所示，该电子装置可以包括输入设备90、处理器91、输出设备92、存储器93和至少一个通信总线94。通信总线94用于实现元件之间的通信连接。存储器93可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，存储器93中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。可选的，上述处理器91例如可以为中央处理器(centralprocessingunit，简称cpu)、应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，该处理器91通过有线或无线连接耦合到上述输入设备90和输出设备92。可选的，上述输入设备90可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如usb接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；可选的，上述收发信机可以是具有通信功能的射频收发芯片、基带处理芯片以及收发天线等。麦克风等音频输入设备可以接收语音数据。输出设备92可以包括显示器、音响等输出设备。在本实施例中，该电子装置的处理器包括用于执行各设备中数据处理装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。图8为本申请另一实施例提供的电子装置的硬件结构示意图。图8是对图7在实现过程中的一个具体的实施例。如图8所示，本实施例的电子装置包括处理器101以及存储器102。处理器101执行存储器102所存放的计算机程序代码，实现上述实施例中图2、图3a至图3d的物流节点包裹量的预测方法。存储器102被配置为存储各种类型的数据以支持在电子装置的操作。这些数据的示例包括用于在电子装置上操作的任何应用程序或方法的指令，例如消息，图片，视频等。存储器102可能包含随机存取存储器(randomaccessmemory，简称ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。可选地，处理器101设置在处理组件100中。该电子装置还可以包括：通信组件103，电源组件104，多媒体组件105，音频组件106，输入/输出接口107和/或传感器组件108。电子装置具体所包含的组件等依据实际需求设定，本实施例对此不作限定。处理组件100通常控制电子装置的整体操作。处理组件100可以包括一个或多个处理器101来执行指令，以完成上述图2、图3a至图3d方法的全部或部分步骤。此外，处理组件100可以包括一个或多个模块，便于处理组件100和其他组件之间的交互。例如，处理组件100可以包括多媒体模块，以方便多媒体组件105和处理组件100之间的交互。电源组件104为电子装置的各种组件提供电力。电源组件104可以包括电源管理系统，一个或多个电源，及其他与为电子装置生成、管理和分配电力相关联的组件。多媒体组件105包括在电子装置和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(lcd)和触摸面板(tp)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。音频组件106被配置为输出和/或输入音频信号。例如，音频组件106包括一个麦克风(mic)，当电子装置处于操作模式，如语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器102或经由通信组件103发送。在一些实施例中，音频组件106还包括一个扬声器，用于输出音频信号。输入/输出接口107为处理组件100和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。传感器组件108包括一个或多个传感器，用于为电子装置提供各个方面的状态评估。例如，传感器组件108可以检测到电子装置的打开/关闭状态，组件的相对定位，用户与电子装置接触的存在或不存在。传感器组件108可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与电子装置间的距离。在一些实施例中，该传感器组件108还可以包括摄像头等。通信组件103被配置为便于电子装置和其他设备之间有线或无线方式的通信。电子装置可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个实施例中，该电子装置中可以包括sim卡插槽，该sim卡插槽用于插入sim卡，使得电子装置可以登录gprs网络，通过互联网与服务端建立通信。由上可知，在图8实施例中所涉及的通信组件103、音频组件106以及输入/输出接口107、传感器组件108均可以作为图7实施例中的输入设备的实现方式。本申请实施例提供了一种电子装置，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述电子装置执行如本申请实施例中一个或多个所述的视频摘要的生成方法。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者电子装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者电子装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者电子装置中还存在另外的相同要素。以上对本申请所提供的一种物流节点包裹量的预测方法和预测装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。当前第1页12