建立快递送达时间预测模型的方法、预测方法及相关设备与流程

本发明涉及计算机应用领域，尤其涉及一种建立快递送达时间预测模型的方法、预测方法及相关设备。

背景技术：

随着网络信息技术的发展，无论是物流公司还是电商平台，通常会向用户提供快递预计送达时间的功能，从而便于用户合理安排签收时间，进而提升用户购物体验。

目前，普遍采用的快递预计送达时间，要么直接将历史轨迹的平均送达时间来作为预计送达时间；要么获取当前快递所在网点，并基于历史轨迹中，该网点与送达位置之间的平均送达时间，来预测快递送达时间。

然而，该两种方式仅考虑出发点和送达点，并未将其它对快递送达时间有所影响一并进行考虑，从而难以提高快递送达时间的预测准确率。

由此，如何通过对物流轨迹数据进行处理，从而增加影响快递送达时间预测的因素，进一步提升快递送达时间的预测准确率，是本领域技术人员亟待解决的技术问题。

技术实现要素：

本发明为了克服上述相关技术存在的缺陷，提供一种建立快递送达时间预测模型的方法、预测方法及相关设备，进而通过对物流轨迹数据进行处理，从而增加影响快递送达时间预测的因素，进一步提升快递送达时间的预测准确率。

根据本发明的一个方面，提供一种建立快递送达时间预测模型的方法，包括：

获取历史物流轨迹数据；

自所述历史物流轨迹数据，提取物流轨迹的特征数据，所述特征数据至少包括轨迹片段特征以及操作时段特征；

生成多个轨迹样本，各所述轨迹样本包括物流轨迹的特征数据以及该物流轨迹的送达时长；

利用所述轨迹样本训练一分类模型；以及

将训练后的分类模型作为所述快递送达时间预测模型。

在本发明的一些实施例中，所述获取历史物流轨迹数据之后，且所述自所述历史物流轨迹数据，提取物流轨迹的特征数据之前还包括：

按物流轨迹的至少部分关键环节，对所述历史物流轨迹数据进行数据清洗；和/或

按至少部分异常包裹类型，对所述历史物流轨迹数据进行数据清洗。

在本发明的一些实施例中，所述关键环节至少包括包裹揽收环节、始发支线环节、干线运输环节、目的支线环节以及包裹派送环节。

在本发明的一些实施例中，所述按物流轨迹的至少部分关键环节，对所述历史物流轨迹数据进行数据清洗包括：

按物流轨迹的包裹揽收环节，对所述历史物流轨迹数据进行数据清洗；和/或

按物流轨迹的包裹派送环节，对所述历史物流轨迹数据进行数据清洗。

在本发明的一些实施例中，所述按物流轨迹的包裹揽收环节，对所述历史物流轨迹数据进行数据清洗包括：

针对同一物流轨迹，对多条揽收记录进行清洗；和/或

针对同一物流轨迹，对异常揽收记录进行清洗。

在本发明的一些实施例中，所述按物流轨迹的包裹派送环节，对所述历史物流轨迹数据进行数据清洗包括：

针对同一物流轨迹，对多条签收记录进行清洗；和/或

针对同一物流轨迹，对异常签收记录进行清洗。

在本发明的一些实施例中，所述异常包裹类型至少包括退回包裹、拒签包裹、虚假包裹以及转单包裹。

在本发明的一些实施例中，所述轨迹片段特征至少包括包裹自一站点至另一站点的时间间隔。

在本发明的一些实施例中，所述物流轨迹中包裹自一站点至另一站点的时间间隔根据包含有该两个站点的多条历史物流轨迹数据计算。

在本发明的一些实施例中，所述轨迹片段特征按多个时间粒度编码。

在本发明的一些实施例中，所述站点包括揽收站点、始发分拨站点、目的分拨站点以及派件站点。

在本发明的一些实施例中，所述操作时段特征至少包括包裹揽收的时段、包裹签收的时段以及在一站点对包裹执行物流操作的时段中的一项或多项。

在本发明的一些实施例中，所述在一站点对包裹执行物流操作的时段根据包含有该站点的多条历史物流轨迹数据计算。

在本发明的一些实施例中，所述操作时段特征按一个时间粒度编码。

在本发明的一些实施例中，所述物流操作包括包裹到达该站点和/或包裹离开该站点。

在本发明的一些实施例中，所述特征数据还包括揽派地点特征，所述揽派地点特征包括揽件地点、派件地点以及包裹自揽件地点至派件地点的时间间隔。

在本发明的一些实施例中，所述特征数据还包括快递公司特征。

在本发明的一些实施例中，所述利用所述轨迹样本训练一分类模型包括：

按设定物流操作时间由远及近对多个轨迹样本进行排序；

按排序结果将前n％的轨迹样本作为训练集以训练所述分类模型，n为大于1小于100的常数；

按排序结果将后(100-n)％的轨迹样本作为测试集以测试经训练的分类模型。

在本发明的一些实施例中，还包括：

按预测准确率及预测及时率对所述快递送达时间预测模型进行评估。

根据本发明的又一方面，还提供一种快递送达时间预测方法，包括：

获取当前物流轨迹数据；

提取所获取的物流轨迹数据的特征数据；

将所提取的特征数据输入快递送达时间预测模型，所述快递送达时间预测模型经由如上所述的建立快递送达时间预测模型的方法建立；以及

根据所述快递送达时间预测模型的输出预测快递送达时间。

根据本发明的又一方面，还提供一种建立快递送达时间预测模型的装置，包括：

第一获取模块，配置成获取历史物流轨迹数据；

第一提取模块，配置成自所述历史物流轨迹数据，提取物流轨迹的特征数据，所述特征数据至少包括轨迹片段特征以及操作时段特征；

生成模块，配置成生成多个轨迹样本，各所述轨迹样本包括物流轨迹的特征数据以及该物流轨迹的送达时长；

训练模块，配置成利用所述轨迹样本训练一分类模型；以及

建立模块，配置成将训练后的分类模型作为所述快递送达时间预测模型。

根据本发明的又一方面，还提供一种快递送达时间预测装置，包括：

第二获取模块，配置成获取当前物流轨迹数据；

第二提取模块，配置成提取所获取的物流轨迹数据的特征数据；

输入模块，配置成将所提取的特征数据输入快递送达时间预测模型，所述快递送达时间预测模型经由如上所述的建立快递送达时间预测模型的方法建立；以及

预测模块，配置成根据所述快递送达时间预测模型的输出预测快递送达时间。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。

根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。

相比现有技术，本发明的优势在于：

本发明通过自所述历史物流轨迹数据，提取至少包括轨迹片段特征以及操作时段特征，从而增加影响快递送达时间预测的因素；在提供多个影响快递送达时间预测的因素的前提下，采用分类模型进行学习，从而能够学习多个影响快递送达时间预测的因素对快递送达时间的具体影响，以进一步提升快递送达时间的预测准确率。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的建立快递送达时间预测方法的流程图。

图2示出了根据本发明具体实施例的按物流轨迹的至少部分关键环节以及至少部分异常包裹类型进行清洗的流程图。

图3示出了根据本发明具体实施例的按物流轨迹的包裹揽收环节以及派送环节进行清洗的流程图。

图4示出了根据本发明具体实施例的对多条揽收记录及异常揽收记录进行清洗的流程图。

图5示出了根据本发明具体实施例的对多条签收记录及异常前述记录进行清洗的流程图。

图6示出了根据本发明具体实施例的一种分类模型训练前的样本处理的流程图。

图7示出了根据本发明实施例的快递送达时间预测方法的流程图。

图8示出了根据本发明实施例的建立快递送达时间预测模型的装置的模块图。

图9示出了根据本发明实施例的快递送达时间预测装置的模块图。

图10示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。

图11示意性示出本发明示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

在本发明的各个实施例中，本发明应用于物流平台或电商平台，本发明并非以此为限制，本发明也可以应用于其它需要预测快递送达时间的任一平台。

图1示出了根据本发明实施例的建立快递送达时间预测模型的方法的流程图。建立快递送达时间预测模型的方法包括如下步骤：

步骤s110：获取历史物流轨迹数据。

具体而言，历史物流轨迹数据可以自物流平台的数据库中获取。当本发明应用于电商平台时，可以自多个物流平台的数据库获取各物流平台的历史轨迹数据。

步骤s120：自所述历史物流轨迹数据，提取物流轨迹的特征数据，所述特征数据至少包括轨迹片段特征以及操作时段特征。

具体而言，由于物流轨迹的过程中，包裹将经过揽收站点、始发分拨站点、目的分拨站点以及派件站点中的多个站点。然而，仅从揽收站点到派件站点的完整轨迹上的历史单量较为稀疏，难以深入学习物流轨迹的规律。因此，步骤s120中可以通过站点进行物流轨迹片段的划分，以使得轨迹片段特征至少包括包裹自一站点至另一站点的时间间隔。例如，包裹自揽收站点至始发分拨站点(始发支线)的时间间隔、包裹自始发分拨站点到目的分拨站点(干线运输)的时间间隔、包裹自目的分拨站点到派件站点(目的支线)的时间间隔。本发明并非以此为限制，当物流轨迹中包括更多的站点时，轨迹片段特征也可以包括包裹在更多的站点之间的流转的时间间隔。

进一步地，所述物流轨迹中包裹自一站点至另一站点的时间间隔可以根据包含有该两个站点的多条历史物流轨迹数据计算。例如，根据多条包含该两个站点的历史物流轨迹数据，获取该多条历史物流轨迹数据中包裹在该两个站点之间的流转的时间间隔，将多条时间间隔的平均值、中位数等数学计算，以获取物流轨迹中包裹自一站点至另一站点的时间间隔。

在前述的实施例中，由于轨迹片段特征至少包括包裹自一站点至另一站点的时间间隔，为了表示时间间隔，所述轨迹片段特征按多个时间粒度编码。具体而言，时间粒度例如可以包括周、天、小时、分钟等。按多个时间粒度编码，例如可以按“天”和“小时”两个粒度编码，采用一个三位整型数进行编码，其中，百位数表示相隔天数，十位数和个位数表示轨迹片段完成的小时时间段，当裹自一站点至另一站点的时间间隔编码为″315″，表示当前轨迹片段，在3天后的15点结束(可以表示当前轨迹片段自该轨迹片段开始后，3天后的15点结束；也可以表示当前轨迹片段自该完整的轨迹开始后，3天后的15点结束，可以按需设置，本发明并非以此为限制)。以上仅仅是示例性地描述包裹自一站点至另一站点的时间间隔的编码方式，本发明并非以此为限制。在该实施例中，轨迹片段特征中包裹自一站点至另一站点的时间间隔还需包含一站点与另一站点的站点编号。

进一步地，轨迹片段特征可以并非以此为限制，轨迹片段特征例如还可以包括该轨迹片段(包裹自一站点至另一站点)的运输工具(如航运、货车运输、火车运输等)。其它轨迹片段中的相关特征也在本发明的保护范围之内。

具体而言，考虑到包裹在各环节的操作的时间段(如上午、下午、晚上等)不同，对包裹运输也会产生影响。例如，上午揽收的包裹通常当天才会进入始发分拨站点，下午或晚上揽收的包裹通常隔天才会进入始发分拨站点。由此，物流轨迹的特征数据还可以包括操作时段特征。

操作时段特征可以包括包裹揽收的时段、包裹签收的时段以及在一站点对包裹执行物流操作的时段中的一项或多项。所述物流操作可以为包裹到达该站点。所述物流操作也可以为包裹离开该站点。进一步地，所述物流操作可以包括包裹到达该站点和包裹离开该站点。由此，通过包裹到达和/或离开该站点的时间段来表示包裹在该站点的操作时间。

进一步地，所述在一站点对包裹执行物流操作的时段根据包含有该站点的多条历史物流轨迹数据计算。例如，可以根据包含有该站点的多条历史物流轨迹数据中在一站点对包裹执行物流操作的不同时段进行聚类，将聚类数量最多的时段作为在一站点对包裹执行物流操作的时段。又例如，可以根据包含有该站点的多条历史物流轨迹数据中在一站点对包裹执行物流操作的不同时段，计算不同时段的平均值、中位数等数据计算作为在一站点对包裹执行物流操作的时段。再例如，可以根据在轨迹片段特征中的已计算的包裹自一站点至另一站点的时间间隔，只要确定物流轨迹中的揽收时段，即可以依次根据已计算的时间间隔计算出在一站点对包裹执行物流操作的时段。进一步地，物流轨迹中的揽收时段可以通过前述的两种方式(聚合和平均值/中位数计算)中的任一种方式计算，或将该历史流轨迹数据中的实际揽收时间段作为该特征中的揽收时段。物流轨迹中签收时段可以通过前述的三种方式(聚合、平均值/中位数计算、自揽收站点依据已计算的时间间隔依次叠加确定)中的任一种方式计算，或将该历史流轨迹数据中的实际签收时间段作为该特征中的签收时段。

在前述的实施例中，为了表示操作的时间段，所述操作时段特征可以按一个时间粒度编码，本发明并非以此为限制。具体而言，时间粒度例如可以包括周、天、小时、分钟等。可以按“小时”粒度来对操作的时间段进行编码。例如，采用一个二位整型数进行编码，表示操作对应的小时时段。当操作的时间段编码为″15″时，表示当前操作(例如揽收、到达站点、离开站点、签收)在15点钟进行操作。

以上仅仅是示意性地描述本发明提供的操作时段特征，本发明并非以此为限制。

在本发明的一些实施例中，考虑到揽派地点也会对快递送达时间产生影响，因此，所述物流轨迹的特征数据还可以包括揽派地点特征，从而丰富特征向量的维度。所述揽派地点特征包括揽件地点、派件地点以及包裹自揽件地点至派件地点的时间间隔。揽件地点、派件地点可以以城市、地区或自定义的区域划分来表示。由此，可以将揽件地点、派件地点的因素加入到特征向量中。

下面以城市表示揽件地点和派件地点为例，揽件城市编码可以为整型数据类型，每一编码唯一对应一个城市，在此指代揽收城市。派件城市编码也可以为整型数据类型，每一编码唯一对应一个城市，在此指代派件城市。揽派城市之间的包裹流转的时间间隔可以以多个时间粒度进行编码。例如，以″天″、″小时″两类时间粒度进行编码，采用一个三位整型数进行编码，其中，百位数表示相隔天数，十位数和个位数自揽件城市到派件城市的小时时间段(编码方式可以与包裹自一站点至另一站点的时间间隔类似)。

在本发明的一些实施例中，考虑到不同快递公司在运输网络、车辆频次、操作时段设计上均有所区别，因此，还可以将快递公司特征加入特征数据中。由此，所述特征数据还可以包括快递公司特征。快递公司特征可以采用整型数据类型进行编码，用于唯一指代一家快递公司。

步骤s130：生成多个轨迹样本，各所述轨迹样本包括物流轨迹的特征数据以及该物流轨迹的送达时长。

步骤s140：利用所述轨迹样本训练一分类模型。

具体而言，本发明可以采用诸如xgboost、gb(gradientboosting)、gbdt(gradientboostingdecisiontree)等分类模型，本发明并非以此为限制。各类具有分类功能的机器学习模型、深度学习模型等皆在本发明的保护范围之内。

步骤s150：将训练后的分类模型作为所述快递送达时间预测模型。

在本发明提供的建立快递送达时间预测模型的方法中，通过自所述历史物流轨迹数据，提取至少包括轨迹片段特征以及操作时段特征，从而增加影响快递送达时间预测的因素；在提供多个影响快递送达时间预测的因素的前提下，采用分类模型进行学习，从而能够学习多个影响快递送达时间预测的因素对快递送达时间的具体影响，以进一步提升快递送达时间的预测准确率。

下面参见图2，图2示出了根据本发明具体实施例的按物流轨迹的至少部分关键环节以及至少部分异常包裹类型进行清洗的流程图。

在本实施例中，在图1步骤s110获取历史物流轨迹数据之后，且步骤s120所述自所述历史物流轨迹数据，提取物流轨迹的特征数据之前还可以包括图2示出的步骤s101和步骤s102：

步骤s101：按物流轨迹的至少部分关键环节，对所述历史物流轨迹数据进行数据清洗。

步骤s102：按至少部分异常包裹类型，对所述历史物流轨迹数据进行数据清洗。

具体而言，尽管图2示出了步骤s101和步骤s102，但步骤s101和步骤s102的执行顺序可以按相反的顺序执行、同时执行、单独执行步骤s101、单独执行步骤s102，这些变化方式都在本发明的保护范围之内。

具体而言，步骤s101中所述的关键环节至少包括包裹揽收环节、始发支线环节、干线运输环节、目的支线环节以及包裹派送环节。包裹揽收环节主要指快递公司从用户处获取包裹，并开始物流运输的过程。包裹揽收环节中，影响最终送达时间的要素可以包括不同快递公司、包裹揽收时间点、包裹揽收城市。始发支线环节主要指包裹从揽收站点运送至始发分拨在站点的过程。始发支线环节中，影响最终送达时间的要素可以包括始发支线运输时长。干线运输环节主要指包裹从始发分拨站点运送至目的分拨站点的过程。干线运输环节中，影响最终送达时间的要素可以包括包裹到达始发分拨站点的时间点、干线运输时长。目的支线环节主要指包裹从目的分拨站点运送至派件站点的过程。目的支线环节中，影响最终送达时间的要素可以包括包裹到达目的分拨站点时间点、目的支线运输时长。包裹派送环节主要指包裹从派件站点出发，最终送达至用户，完成包裹签收的过程。包裹派送环节中，影响最终送达时间的要素可以包括包裹到达派送站点时间点、包裹派送城市等。以上仅仅是示意性地描述本发明提供的多个关键环节。进一步地，前述步骤5120中的特征数据也可以按各关键环节中影响最终送达时间的因素进行特征提取，在此不予赘述。

具体而言，步骤5101将结合图3至图5进行描述，在此不予赘述。

步骤5102中，异常包裹可以包括退回包裹、拒签包裹、虚假包裹、转单包裹等。具体而言，退回包裹为用户签收包裹后，又将包裹退回给商家产生的物流轨迹的包裹。可以通过剔除所有退回包裹对应的物流轨迹数据来按退回包裹对所述历史物流轨迹数据进行数据清洗。拒签包裹为用户收到包裹后，拒绝执行签收操作的包裹。通过剔除所有拒签包裹对应的物流轨迹数据以按拒签包裹对所述历史物流轨迹数据进行数据清洗。虚假包裹为电商平台商家为逃避处罚，通过伪造、冒用手段产生的物流轨迹的包裹。可以通过剔除所有虚假包裹对应的物流轨迹数据来实现按虚假包裹对所述历史物流轨迹数据进行数据清洗。转单包裹为针对部分无法覆盖的偏远区域，快递公司将包裹转由其他快递公司运输，产生物流轨迹的包裹。可以通过剔除所有转单包裹对应的物流轨迹数据来实现按转单包裹对所述历史物流轨迹数据进行数据清洗。由此，通过按上述一种或多种异常包裹类型，对所述历史物流轨迹数据进行数据清洗，以避免该些异常包裹的异常轨迹对于正常包裹的快递送达时间的预测产生影响，提高快递送达时间的预测准确性。

下面参见图3，图3示出了根据本发明具体实施例的按物流轨迹的包裹揽收环节以及派送环节进行清洗的流程图。图3通过步骤s111和步骤s112来实现图2所示的步骤s101。

步骤s111：按物流轨迹的包裹揽收环节，对所述历史物流轨迹数据进行数据清洗。

步骤s112：按物流轨迹的包裹派送环节，对所述历史物流轨迹数据进行数据清洗。

具体而言，尽管图3示出了步骤s111和步骤s112，但步骤s111和步骤s112的执行顺序可以按相反的顺序执行、同时执行、单独执行步骤s111、单独执行步骤s112，这些变化方式都在本发明的保护范围之内。步骤s111的具体实现可以结合图4进行说明。步骤s112的具体实现可以结合图5进行说明。

下面参见图4，图4示出了根据本发明具体实施例的对多条揽收记录及异常揽收记录进行清洗的流程图。图4示出了如下步骤：

步骤s121：针对同一物流轨迹，对多条揽收记录进行清洗。

步骤s122：针对同一物流轨迹，对异常揽收记录进行清洗。

具体而言，当揽收快递员重复扫描，针对同一运单产生多条揽收操作记录，且时间点不同时，会生成多条揽收记录。由此，步骤s121可以通过如下方式进行清洗：针对同一物流轨迹，对多条揽收记录的运单，仅保留操作时间点最晚的一条揽收记录，剔除其余揽收记录。

具体而言，当揽收快递员操作异常，产生部分时间点位于揽收之前的异常轨迹片段，会生成异常揽收记录。可以针对同一物流轨迹，具有异常揽收记录的运单，剔除操作时间点位于该揽收操作之前的所有轨迹片段，以实现异常揽收记录的清洗。

具体而言，尽管图4示出了步骤s121和步骤s122，但步骤s121和步骤s122的执行顺序可以按相反的顺序执行、同时执行、单独执行步骤s121、单独执行步骤s122，这些变化方式都在本发明的保护范围之内。

下面参见图5，图5示出了根据本发明具体实施例的对多条签收记录及异常前述记录进行清洗的流程图。图5示出了如下步骤：

步骤s131：针对同一物流轨迹，对多条签收记录进行清洗。

步骤s132：针对同一物流轨迹，对异常签收记录进行清洗。

具体而言，当派件快递员重复扫描，针对同一运单产生多条签收操作记录，且时间点不同时，会生成多条签收记录。由此，步骤s131可以通过如下方式进行清洗：针对同一物流轨迹，对多条签收记录的运单，仅保留操作时间点最晚的一条签收记录，剔除其余签收记录。

具体而言，当派件快递员操作异常，产生部分时间点位于签收之后的异常轨迹片段，会生成异常签收记录。可以针对同一物流轨迹，具有异常签收记录的运单，剔除操作时间点位于该签收操作之后的所有轨迹片段，以实现异常签收记录的清洗。

具体而言，尽管图5示出了步骤s131和步骤s132，但步骤s131和步骤s132的执行顺序可以按相反的顺序执行、同时执行、单独执行步骤s131、单独执行步骤s132，这些变化方式都在本发明的保护范围之内。

由此，通过上述历史物流轨迹数据的清洗，可以使得步骤s120中获得的特征数据更为准确，减少异常数据的干扰。

下面参见图6，图6示出了根据本发明具体实施例的一种分类模型训练前的样本处理的流程图。图6示出图1中步骤s140的具体实现。图6共示出如下步骤：

步骤s141：按设定物流操作时间由远及近对多个轨迹样本进行排序。

设定物流操作时间可以是揽件时间、派件时间、或在任一站点的操作时间。

步骤s142：按排序结果将前n％的轨迹样本作为训练集以训练所述分类模型，n为大于1小于100的常数。

步骤s143：按排序结果将后(100-n)％的轨迹样本作为测试集以测试经训练的分类模型。

在一些实施例中，n为小于50的常数(例如，n为10、20、30等)。由此，通过数据较多且时间较远的轨迹样本进行训练，通过数据较少且时间较近的轨迹样本进行测试，从而能够获得准确率及及时率较高的分类模型。

具体而言，在利用测试集进行评估时，可以按预测准确率及预测及时率对所述快递送达时间预测模型进行评估。预测准确率为测试集中预测准确的样本数量占测试集中样本总量的比例。预测及时率为测试集中预测值(预测送达时间)不早于实际值(实际送达时间)的样本数量占测试集中样本总量的比例。由此，通过预测准确率及预测及时率对经训练的快递送达时间预测模型的评估，从而能够对快递送达时间预测模型进行评估，并可基于评估结果对快递送达时间预测模型进行优化，提高快递送达时间预测模型的预测准确率及预测及时率。

以上仅仅是本发明的多个具体实现方式，各实现方式可以独立或组合来实现，本发明并非以此为限制。

本发明的又一方面，还提供一种快递送达时间预测方法。如图7所示，快递送达时间预测方法包括如下步骤：

步骤s210：获取当前物流轨迹数据。

步骤s220：提取所获取的物流轨迹数据的特征数据。

具体而言，步骤s220的特征数据的提取和图1中步骤s120的特征数据的提取方式类似，例如，按特征数据包含的内容，从当前物流轨迹数据中提取各特征数据的实际取值，在此不予赘述。

步骤s230：将所提取的特征数据输入快递送达时间预测模型，所述快递送达时间预测模型经由如上所述的建立快递送达时间预测模型的方法建立。

具体而言，快递送达时间预测模型可以以pmml(预测模型标记语言，predictivemodelmarkuplanguage)格式保存。快递送达时间预测模型可以为线上模型，以实时进行更迭。快递送达时间预测模型也可以为线下模型，以加快预测时间。

步骤s240：根据所述快递送达时间预测模型的输出预测快递送达时间。

在本发明提供的快递送达时间预测方法中，通过自所述历史物流轨迹数据，提取至少包括轨迹片段特征以及操作时段特征，从而增加影响快递送达时间预测的因素；在提供多个影响快递送达时间预测的因素的前提下，采用分类模型进行学习，从而能够学习多个影响快递送达时间预测的因素对快递送达时间的具体影响，以进一步提升快递送达时间的预测准确率。

下面参见图8，图8示出了根据本发明实施例的建立快递送达时间预测模型的装置的模块图。建立快递送达时间预测装置300包括生成模块210、第一发送模块220、第一获取模块310、第一提取模块320、生成模块330、训练模块340以及建立模块350。

第一获取模块310配置成获取历史物流轨迹数据。

第一提取模块320配置成自所述历史物流轨迹数据，提取物流轨迹的特征数据，所述特征数据至少包括轨迹片段特征以及操作时段特征。

生成模块330配置成生成多个轨迹样本，各所述轨迹样本包括物流轨迹的特征数据以及该物流轨迹的送达时长。

训练模块340配置成利用所述轨迹样本训练一分类模型。

建立模块350配置成将训练后的分类模型作为所述快递送达时间预测模型。

图8仅仅是示意性的示出本发明提供的建立快递送达时间预测模型的装置300，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的建立快递送达时间预测模型的装置300可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

下面参见图9，图9示出了根据本发明实施例的快递送达时间预测装置的模块图。快递送达时间预测装置400包括第二获取模块410、第二提取模块420、输入模块430以及预测模块440

第二获取模块410配置成获取当前物流轨迹数据。

第二提取模块420配置成提取所获取的物流轨迹数据的特征数据。

输入模块430配置成将所提取的特征数据输入快递送达时间预测模型，所述快递送达时间预测模型经由如上所述的建立快递送达时间预测模型的方法建立。

预测模块440配置成根据所述快递送达时间预测模型的输出预测快递送达时间。

图9仅仅是示意性的示出本发明提供的快递送达时间预测装置400，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的快递送达时间预测装置400可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

在本发明的示例性实施方式的建立快递送达时间预测模型的装置300以及快递送达时间预测装置400中，通过自所述历史物流轨迹数据，提取至少包括轨迹片段特征以及操作时段特征，从而增加影响快递送达时间预测的因素；在提供多个影响快递送达时间预测的因素的前提下，采用分类模型进行学习，从而能够学习多个影响快递送达时间预测的因素对快递送达时间的具体影响，以进一步提升快递送达时间的预测准确率。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述取消订单的处理方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述取消订单的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如java、c++等，还包括常规的过程式程序设计语言-诸如“c”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述取消订单的处理方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图11来描述根据本发明的这种实施方式的电子设备500。图11显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述取消订单的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1至图7任一幅或多幅附图所示的步骤。

所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。

所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通讯，还可与一个或者多个使得租户能与该电子设备500交互的设备通讯，和/或与使得该电子设备500能与一个或多个其它计算设备进行通讯的任何设备(例如路由器、调制解调器等等)通讯。这种通讯可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通讯。网络适配器560可以通过总线530与电子设备500的其它模块通讯。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述取消订单的处理方法。

相比现有技术，本发明的优势在于：

本发明通过自所述历史物流轨迹数据，提取至少包括轨迹片段特征以及操作时段特征，从而增加影响快递送达时间预测的因素；在提供多个影响快递送达时间预测的因素的前提下，采用分类模型进行学习，从而能够学习多个影响快递送达时间预测的因素对快递送达时间的具体影响，以进一步提升快递送达时间的预测准确率。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。