本发明涉及应急物流技术领域，特别是涉及一种应急物资调配方法及装置。
背景技术：
当前对于物流时效性方面的要求越来越高，尤其是在应急物流方面。如果物资调配效率较高，则能够直接影响到获取方的用户体验。
为了实现高效率配送，通常设置有很多物资网点，根据配送目的地决定启用哪个物资网点。由于每个物资网点储备的物资不同，且配送目的地需求也不同，因此，在调配过程中，经常是盲目性的调配，不仅造成配送时间过程的问题，而且往往运输成本也很高，有时候启用的物资网点也较多。
基于上述问题，如何合理的实现物资调配使得配送的过程达到最优是本领域技术人员亟待解决的问题。
技术实现要素：
本发明的目的是提供一种应急物资调配方法及装置，用于合理的实现物资调配使得配送的过程达到最优。
为解决上述技术问题，本发明提供一种应急物资调配方法，包括：
获取与物资网点的关联因素；
按照预定规则对所述关联因素进行筛选以得到与调配结果的关联性超过预设值的特征属性；
将所述特征属性作为样本特征向量输入至逻辑回归模型中以得到对应的逻辑函数；
采用最大似然估计法得到所述逻辑回归模型中的各系数；
获取当前物资网点的当前特征属性，并带入所述逻辑回归模型中得到调配结果。
优选地，所述预定规则具体为统计分析方法。
优选地，所述关联因素具体包括：在预设范围内与其它网点的距离、物资种类、物资储备量、物资运输车辆数量、运输路径中的红绿灯数量、与配送目的地的距离。
优选地，在将所述特征属性作为样本特征向量输入至逻辑回归模型之前，还包括：
对所述特征属性进行数据预处理；
所述数据预处理包括补值处理、非数值型特征因子化处理、归一化处理、离散化处理。
优选地，还包括：
对所述逻辑回归模型采用随机梯度下降法进行优化。
优选地，所述关联因素的存储格式具体为dataframe格式。
优选地，当所述调配结果为1时，调取当前物资网点与所述配送目的地的路径规划信息，并发送至预设的终端设备；
其中，所述调配结果为0表示未选中，为1表示选中。
为解决上述技术问题，本发明提供一种应急物资调配装置，包括：
获取单元，用于获取与物资网点的关联因素；
筛选单元，用于按照预定规则对所述关联因素进行筛选以得到与调配结果的关联性超过预设值的特征属性；
训练单元，用于将所述特征属性作为样本特征向量输入至逻辑回归模型中以得到对应的逻辑函数；
计算单元，用于采用最大似然估计法得到所述逻辑回归模型中的各系数；
调配结果输出单元，用于获取当前物资网点的当前特征属性，并带入所述逻辑回归模型中得到调配结果。
优选地，所述预定规则具体为统计分析方法。
优选地，所述关联因素具体包括：在预设范围内与其它网点的距离、物资种类、物资储备量、物资运输车辆数量、运输路径中的红绿灯数量、与配送目的地的距离。
本发明所提供的应急物资调配方法，包括获取与物资网点的关联因素；按照预定规则对关联因素进行筛选以得到与调配结果的关联性超过预设值的特征属性；将特征属性作为样本特征向量输入至逻辑回归模型中以得到对应的逻辑函数；采用最大似然估计法得到逻辑回归模型中的各系数；获取当前物资网点的当前特征属性，并带入逻辑回归模型中得到调配结果。本方法通过采用逻辑回归模型来预测当前物资网点的可用性，能够在无监督的情况下合理选择物资网点，另外，由于对关联因素进行了筛选，所以得到的特征属性对于调配结果的影响也较大，因此使得该方法更加有效和合理。
此外，本发明还提供一种与上述方法对应的应急物资调配装置，效果如上所述。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种应急物资调配方法的流程图；
图2为本发明实施例提供的另一种应急物资调配方法的流程图；
图3为本发明实施例提供的一种应急物资调配装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。
本发明的核心是提供一种应急物资调配方法及装置，用于合理的实现物资调配使得配送的过程达到最优。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种应急物资调配方法的流程图。如图1所示，该方法包括：
s10：获取与物资网点的关联因素。
s11：按照预定规则对关联因素进行筛选以得到与调配结果的关联性超过预设值的特征属性。
s12：将特征属性作为样本特征向量输入至逻辑回归模型中以得到对应的逻辑函数。
s13：采用最大似然估计法得到逻辑回归模型中的各系数。
s14：获取当前物资网点的当前特征属性，并带入逻辑回归模型中得到调配结果。
可以理解的是，步骤s10中的关联因素需要从历史数据中得到，作为优选地实施方式，关联因素具体包括：在预设范围内与其它网点的距离、物资种类、物资储备量、物资运输车辆数量、运输路径中的红绿灯数量、与配送目的地的距离。在具体实施中，可以对每个物资网点建立数据表格，表格中包含有关联因素。关联因素的存储格式具体为dataframe格式。需要说明的是，上述提到的关联因素的类型只是一部分，还可以根据实际情况包含其它类型的因素，本发明不作限定。
步骤s11中预定规则可以为统计分析方法，当然除了统计分析方法只是其中的一种，该方法可以确定出关联因素中哪些因素与调配结果关联性大，哪些因素与调配结果关联性小，然后将关联性小的因素忽略即可得到特征属性。筛选后得到的特征属性就是作为逻辑回归模型的样本，通过这些特征属性可以对逻辑回归模型进行训练。
由于调配结果只有两种可能，一种是该物资网点被选中，另一种该物资网点未被选中，因此，调节结果对应的是一个二分类问题。二分类问题是指预测的y值只有两个取值(0或1)，可以理解的是，二分类问题对应的解决方法有很多种，而本发明中采用逻辑回归模型实现。逻辑回归模型中所使用一个函数来归一化y值，使y的取值在区间(0,1)内，这个函数称为逻辑函数(logisticfunction)，也称为sigmoid函数(sigmoidfunction)。具体逻辑函数的描述可参加现有技术，本发明不再赘述。在得到逻辑函数后，采用最大似然估计法计算，似然函数的值最大时对应的逻辑回归模型中的各系数就是最终要求得的系数，至此逻辑回归模型就相当于训练完成。
将得到的当前物资网点的当前特征属性输入至逻辑回归模型，就可以得到调配结果。通过调配结果就可以确定当前物资网点是否能够被选中。
本实施例提供的应急物资调配方法，包括获取与物资网点的关联因素；按照预定规则对关联因素进行筛选以得到与调配结果的关联性超过预设值的特征属性；将特征属性作为样本特征向量输入至逻辑回归模型中以得到对应的逻辑函数；采用最大似然估计法得到逻辑回归模型中的各系数；获取当前物资网点的当前特征属性，并带入逻辑回归模型中得到调配结果。本方法通过采用逻辑回归模型来预测当前物资网点的可用性，能够在无监督的情况下合理选择物资网点，另外，由于对关联因素进行了筛选，所以得到的特征属性对于调配结果的影响也较大，因此使得该方法更加有效和合理。
图2为本发明实施例提供的另一种应急物资调配方法的流程图。如图2所示，在上述实施例的基础上，作为优选地实施方式，在将特征属性作为样本特征向量输入至逻辑回归模型之前，还包括：
s20：对特征属性进行数据预处理。
数据预处理包括补值处理、非数值型特征因子化处理、归一化处理、离散化处理。
在具体实施中，对于历史数据来说，可能有的数据并不完整，或者有些数据是错误的，因此，需要对这些特征属性进行数据预处理，确保得到的数据可用，至于上述所述的几种数据预处理方式可以参见现有技术，本实施例不再赘述。
如图2所示，在上述实施例的基础上，作为优选地实施方式，还包括：
s21：对逻辑回归模型采用随机梯度下降法进行优化。
随机梯度下降是通过每个样本来迭代更新一次，如果样本量很大的情况(例如几十万)，那么可能只用其中几万条或者几千条的样本，就已经将参数θ迭代到最优解了，相对于批量梯度下降法，迭代一次需要用到十几万训练样本，一次迭代不可能最优，如果迭代10次的话就需要遍历训练样本10次。但是，随机梯度下降法伴随的一个问题是噪音较批量梯度下降法要多，使得随机梯度下降法并不是每次迭代都向着整体最优化方向。最小化每条样本的损失函数，虽然不是每次迭代得到的损失函数都向着全局最优方向，但是大的整体的方向是向全局最优解的，最终的结果往往是在全局最优解附近。
在上述实施例的基础上，作为优选地实施方式，当调配结果为1时，调取当前物资网点与配送目的地的路径规划信息，并发送至预设的终端设备；
其中，调配结果为0表示未选中，为1表示选中。
可以理解的是，当调配结果计算出来后，工作人员还需要知道当前物资网点与配送目的地的运输路径，从而成功将物资运输到配送目的地。基于此，本实施例中，将路径规划信息发送至预设的终端设备，例如终端设备可以为手机，路径规划信息可以是地图+语音，则工作人员依据这一信息就可以将物资运输到目的地。综上所述，工作人员无需再选择路径，从而节约了物资运输的时间。
上文中，对于应急物资调配方法对应的实施例进行了详细描述，本发明还提供一种与上述方法对应的装置。由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。图3为本发明实施例提供的一种应急物资调配装置的结构图。如图3所示，该装置包括：
获取单元10，用于获取与物资网点的关联因素；
筛选单元11，用于按照预定规则对关联因素进行筛选以得到与调配结果的关联性超过预设值的特征属性；
训练单元12，用于将特征属性作为样本特征向量输入至逻辑回归模型中以得到对应的逻辑函数；
计算单元13，用于采用最大似然估计法得到逻辑回归模型中的各系数；
调配结果输出单元14，用于获取当前物资网点的当前特征属性，并带入逻辑回归模型中得到调配结果。
本实施例提供的应急物资调配装置，包括获取单元，用于获取与物资网点的关联因素；筛选单元，用于按照预定规则对关联因素进行筛选以得到与调配结果的关联性超过预设值的特征属性；训练单元，用于将特征属性作为样本特征向量输入至逻辑回归模型中以得到对应的逻辑函数；计算单元，用于采用最大似然估计法得到逻辑回归模型中的各系数；调配结果输出单元，用于获取当前物资网点的当前特征属性，并带入逻辑回归模型中得到调配结果。本方法通过采用逻辑回归模型来预测当前物资网点的可用性，能够在无监督的情况下合理选择物资网点，另外，由于对关联因素进行了筛选，所以得到的特征属性对于调配结果的影响也较大，因此使得该方法更加有效和合理。
作为优选地实施方式，预定规则具体为统计分析方法。
作为优选地实施方式，关联因素具体包括：在预设范围内与其它网点的距离、物资种类、物资储备量、物资运输车辆数量、运输路径中的红绿灯数量、与配送目的地的距离。
以上对本发明所提供的应急物资调配方法及装置进行了详细介绍。说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。