快件时效预测方法、装置、计算机设备及存储介质与流程

本申请实施例涉及人工智能，特别是涉及一种快件时效预测方法、装置、计算机设备及存储介质。

背景技术：

1、在物流领域中，快件承诺时效通常是根据业务经验粗略估计的，统称为快件时效预测方法，包括但不限于如下几种方式：(1)以城市中一个代表网点的某产品流向的85％快件能够达成的时效，作为这个城市所有网点的该产品该流向的承诺时效；(2)将快件生命周期分成收件端-网点-中转场-中转场-网点-派件端的六点五段的形式，每一段根据网点/中转场的每天的班次规划，根据历史14天数据计算85％的可达成时效，然后进行累加。

2、然而，第一种方式的缺点是对相同城市网点不加区分的给与一个固定承诺时效，会产生一定的偏差，根据件量选择的代表网点的时效并不一定具有代表性；第二种方式的缺点是历史14天数据只能覆盖70％的流向，导致预测时数据缺失，每一段独立计算导致误差累加，5张表每周2次的先后依赖刷新，不仅耗费大量机器资源还存在因某环节调度失败后续环节需要重跑的风险。

3、因此，传统的快件时效预测方法存在着预测准确率低的问题。

技术实现思路

1、本申请的目的在于提供一种快件时效预测方法、装置、计算机设备及存储介质，用以提升快件时效的预测准确率。

2、第一方面，本申请提供一种快件时效预测方法，包括：

3、获取目标快件的快件属性信息；

4、对快件属性信息进行特征工程处理，得到目标快件的快件特征；

5、将快件特征输入至已训练的时效预测模型，输出目标快件在各个预设时效类型下的预测概率值；其中，已训练的时效预测模型是由全连接层、dropout层、融合层以及归一化层构成的；

6、分析各预测概率值，以确定目标快件的物流时效。

7、在本申请一些实施例中，将快件特征输入至已训练的时效预测模型，输出目标快件在各个预设时效类型下的预测概率值，包括：将快件特征进行特征合并，得到合并后的快件特征；将快件特征输入至已训练的时效预测模型，输出特征内部的第一关联信息；以及将合并后的快件特征输入至已训练的时效预测模型，输出特征之间的第二关联信息；分析第一关联信息和第二关联信息，得到目标快件在各个预设时效类型下的预测概率值。

8、在本申请一些实施例中，将快件特征输入至已训练的时效预测模型，输出特征内部的第一关联信息，包括：将快件特征输入至已训练的时效预测模型，通过全连接层和dropout层对快件特征进行特征分类，得到初始特征向量和初始特征向量的差异化系数；通过融合层对初始特征向量和差异化系数进行融合，得到携带有差异化系数的目标特征向量；通过归一化层对目标特征向量进行归一化处理，得到特征内部的第一关联信息。

9、在本申请一些实施例中，分析第一关联信息和第二关联信息，得到目标快件在各个预设时效类型下的预测概率值，包括：获取第一关联信息对应的第一特征矩阵，及第二关联信息对应的第二特征矩阵；将第一特征矩阵与第二特征矩阵进行矩阵相乘，得到综合特征；通过携带有sigmoid函数的目标全连接层，对综合特征进行特征分类，得到目标快件在各个预设时效类型下的预测概率值。

10、在本申请一些实施例中，在将快件特征输入至已训练的时效预测模型之前，还包括：构建初始的时效预测模型；基于预设的初始学习率，对初始的时效预测模型进行初步训练，直至训练次数达到预设第一阈值，得到初步训练后的时效预测模型；基于预设的峰值学习率，对初步训练后的时效预测模型进行水平训练，直至训练次数达到预设第二阈值，得到水平训练后的时效预测模型；按照峰值学习率的三角函数曲线，对水平训练后的时效预测模型进行调试训练，得到已训练的时效预测模型。

11、在本申请一些实施例中，对快件属性信息进行特征工程处理，得到目标快件的快件特征，包括：提取快件属性信息包括的地址信息、时间信息以及产品信息；对地址信息进行特征工程处理，得到网点信息和距离信息作为快件特征；以及对时间信息进行特征工程处理，得到节日信息和寄件时刻作为快件特征；以及对产品信息进行特征工程处理，得到产品类型信息作为快件特征。

12、在本申请一些实施例中，分析各预测概率值，以确定目标快件的物流时效，包括：筛选出各预测概率值中的最大值，得到目标预测概率值；确定目标预测概率值对应的时效类型，作为目标快件的物流时效。

13、第二方面，本申请提供一种快件时效预测装置，包括：

14、信息获取模块，用于获取目标快件的快件属性信息；

15、特征工程模块，用于对快件属性信息进行特征工程处理，得到目标快件的快件特征；

16、模型分析模块，用于将快件特征输入至已训练的时效预测模型，输出目标快件在各个预设时效类型下的预测概率值；其中，已训练的时效预测模型是由全连接层、dropout层、融合层以及归一化层构成的；

17、时效确定模块，用于分析各预测概率值，以确定目标快件的物流时效。

18、第三方面，本申请还提供一种计算机设备，包括：

19、一个或多个处理器；

20、存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现上述第一方面的快件时效预测方法。

21、第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行快件时效预测方法中的步骤。

22、第五方面，本申请实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。

23、上述快件时效预测方法、装置、计算机设备及存储介质，服务器通过获取目标快件的快件属性信息，并对快件属性信息进行特征工程处理，可得到目标快件的快件特征，进而将快件特征输入至已训练的时效预测模型，即可输出得到目标快件在各个预设时效类型下的预测概率值，以此分析各预测概率值，确定目标快件的物流时效。由此，采用本申请提出的时效预测模型对目标快件进行时效预测，无需关注快件中转环节的耗时影响，确保了预测结果的稳定性，最终提升了快件时效的预测准确率。

技术特征：

1.一种快件时效预测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述将所述快件特征输入至已训练的时效预测模型，输出所述目标快件在各个预设时效类型下的预测概率值，包括：

3.如权利要求2所述的方法，其特征在于，所述将所述快件特征输入至已训练的时效预测模型，输出特征内部的第一关联信息，包括：

4.如权利要求2所述的方法，其特征在于，所述分析所述第一关联信息和所述第二关联信息，得到所述目标快件在各个预设时效类型下的预测概率值，包括：

5.如权利要求1至4任一项所述的方法，其特征在于，在所述将所述快件特征输入至已训练的时效预测模型之前，还包括：

6.如权利要求1所述的方法，其特征在于，所述对所述快件属性信息进行特征工程处理，得到所述目标快件的快件特征，包括：

7.如权利要求1所述的方法，其特征在于，所述分析各所述预测概率值，以确定所述目标快件的物流时效，包括：

8.一种快件时效预测装置，其特征在于，包括：

9.一种计算机设备，其特征在于，所述计算机设备包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的快件时效预测方法中的步骤。

技术总结
本申请提供一种快件时效预测方法、装置、计算机设备及存储介质，方法包括：获取目标快件的快件属性信息；对快件属性信息进行特征工程处理，得到目标快件的快件特征；将快件特征输入至已训练的时效预测模型，输出目标快件在各个预设时效类型下的预测概率值；其中，已训练的时效预测模型是由全连接层、dropout层、融合层以及归一化层构成的；分析各预测概率值，以确定目标快件的物流时效。采用本方法能够提升快件时效的预测准确率。

技术研发人员：武晨,李珂
受保护的技术使用者：顺丰科技有限公司
技术研发日：
技术公布日：2024/1/13