本發(fā)明涉及計算機，尤其涉及一種物流數(shù)據(jù)傳輸效率的優(yōu)化方法、裝置及設備。

背景技術：

1、在現(xiàn)代電商物流體系中，高效、準確的重量數(shù)據(jù)回傳對于供應鏈管理至關重要。特別是在大型電商平臺中，每天處理的訂單量巨大，涉及復雜的物流網(wǎng)絡和多級倉儲系統(tǒng)。傳統(tǒng)的重量回傳鏈路往往面臨數(shù)據(jù)處理延遲、傳輸錯誤、以及網(wǎng)絡資源分配不均等問題，這些都會直接影響到物流效率和成本控制，甚至導致客戶滿意度下降。特別是，在高峰期或網(wǎng)絡環(huán)境不穩(wěn)定的情況下，數(shù)據(jù)傳輸?shù)牟环€(wěn)定性和低效性更為顯著。以往的重量回傳系統(tǒng)大多依賴固定參數(shù)設置和人工監(jiān)控，難以適應快速變化的業(yè)務需求和網(wǎng)絡狀況。

技術實現(xiàn)思路

1、本發(fā)明提供了一種物流數(shù)據(jù)傳輸效率的優(yōu)化方法、裝置及設備，可以快速、準確地預測物流訂單中的風險數(shù)據(jù)并對物流鏈路參數(shù)進行調(diào)整，從而提高物流訂單的數(shù)據(jù)傳輸效率；顯著提升了物流數(shù)據(jù)處理的智能化管理效率。

2、一方面，本發(fā)明提供了一種物流數(shù)據(jù)傳輸效率的優(yōu)化方法，所述方法包括：

3、獲取物流訂單在訂單下載、軌跡回傳、重置回傳各階段的數(shù)據(jù)，并對所述數(shù)據(jù)進行數(shù)據(jù)清洗以及統(tǒng)一格式化處理，得到預處理數(shù)據(jù)；

4、對所述預處理數(shù)據(jù)進行分析處理，得到訂單處理時間、軌跡更新頻率以及重量回傳延遲數(shù)據(jù)，作為所述物流訂單的目標屬性數(shù)據(jù)；

5、構建數(shù)據(jù)傳輸風險預測模型，將所述目標屬性數(shù)據(jù)輸入數(shù)據(jù)傳輸風險預測模型進行數(shù)據(jù)傳輸風險預測處理，得到所述物流訂單的風險預測結果；

6、若所述風險預測結果表征所述物流訂單存在數(shù)據(jù)傳輸風險，動態(tài)調(diào)整所述物流訂單的鏈路參數(shù)，以實時優(yōu)化所述物流訂單的數(shù)據(jù)傳輸效率。

7、可選的，所述對所述數(shù)據(jù)進行數(shù)據(jù)清洗以及統(tǒng)一格式化處理，得到預處理數(shù)據(jù)，包括：

8、計算每個數(shù)據(jù)對應字段的均值、中位數(shù)以及標準差；

9、根據(jù)所述均值與三倍所述標準差之間的差值以及求和，確定篩選數(shù)據(jù)范圍；

10、將所述數(shù)據(jù)中超出所述篩選數(shù)據(jù)范圍的數(shù)據(jù)進行刪除處理，得到第一處理數(shù)據(jù)；

11、采用正則表達式對所述第一處理數(shù)據(jù)進行統(tǒng)一格式化處理，得到第二處理數(shù)據(jù)；

12、獲取所述第二處理數(shù)據(jù)中的缺失值，并將所述缺失值替換成所述均值、中位數(shù)或標準差。

13、可選的，所述方法還包括：

14、采用z-score方法識別并移除訂單處理時間中的離群值；

15、使用正則表達式統(tǒng)一設置訂單id的格式；

16、利用simpleimputer的median策略填充軌跡更新頻率的缺失值，并將所有時間戳字段轉換為統(tǒng)一的時間格式。

17、可選的，所述對所述預處理數(shù)據(jù)進行分析處理，得到訂單處理時間、軌跡更新頻率以及重量回傳延遲數(shù)據(jù)，作為所述物流訂單的目標屬性數(shù)據(jù)，包括：

18、對所述預處理數(shù)據(jù)進行分析處理，得到多個預處理特征；

19、將所述多個預處理特征輸入關鍵特征識別模型進行特征重要性預測處理，得到每個預處理特征的重要性參數(shù)；

20、根據(jù)每個預處理特征的重要性參數(shù)，對所述多個預處理特征進行排序，并根據(jù)排序結果，從所述多個預處理特征中篩選出關鍵特征；所述關鍵特征包括所述訂單處理時間、軌跡更新頻率以及重量回傳延遲數(shù)據(jù)；

21、將所述篩選出關鍵特征按照預設順序進行排列，形成向量特征，作為所述物流訂單的目標屬性數(shù)據(jù)。

22、可選的，所述關鍵特征識別模型的訓練方法包括：

23、獲取訓練物流訂單的多個預處理訓練特征；所述多個預處理訓練特征標注了訓練關鍵特征標簽；

24、將所述多個預處理訓練特征輸入遞歸特征消除算法模型，進行特征重要性預測處理，得到每個預處理訓練特征的重要性參數(shù)；

25、根據(jù)每個預處理訓練特征的重要性參數(shù)，對所述多個預處理訓練特征進行排序，并根據(jù)排序結果，從所述多個預處理特征中刪除重要性參數(shù)最小的特征，得到篩選訓練特征；

26、若所述篩選訓練特征的數(shù)量滿足預設條件，則根據(jù)所述篩選訓練特征與所述訓練關鍵特征標簽之間的差異，對所述遞歸特征消除算法模型進行訓練，得到所述關鍵特征識別模型。

27、可選的，所述構建數(shù)據(jù)傳輸風險預測模型包括：

28、獲取樣本物流訂單的樣本屬性數(shù)據(jù)集；所述樣本屬性數(shù)據(jù)集中每個樣本屬性數(shù)據(jù)標注了樣本風險結果標簽；

29、將所述樣本屬性數(shù)據(jù)集分成多個樣本數(shù)據(jù)集；

30、根據(jù)多個機器學習模型生成多個決策樹，并構建樣本數(shù)據(jù)集與決策樹的對應關系；

31、根據(jù)每個樣本數(shù)據(jù)集對每個樣本數(shù)據(jù)集對應的決策樹進行數(shù)據(jù)傳輸風險預測訓練，得到每個樣本物流訂單的樣本風險預測結果；

32、根據(jù)所述樣本風險預測結果與所述樣本風險結果標簽之間的差異，確定目標損失數(shù)據(jù)；

33、根據(jù)所述目標損失數(shù)據(jù)對各個決策樹進行訓練，并根據(jù)訓練結束時的多個決策樹構建所述數(shù)據(jù)傳輸風險預測模型；

34、相應的，所述將所述目標屬性數(shù)據(jù)輸入數(shù)據(jù)傳輸風險預測模型進行數(shù)據(jù)傳輸風險預測處理，得到所述物流訂單的風險預測結果，包括：

35、將所述目標屬性數(shù)據(jù)輸入數(shù)據(jù)傳輸風險預測模型中的各個決策樹進行數(shù)據(jù)傳輸風險預測處理，得到每個決策樹的初始風險預測結果；

36、根據(jù)每個決策樹的初始風險預測結果，確定所述物流訂單的風險預測結果。

37、可選的，所述獲取樣本物流訂單的樣本屬性數(shù)據(jù)，包括：

38、獲取樣本物流訂單在訂單下載、軌跡回傳、重置回傳各階段的樣本數(shù)據(jù)，并對所述樣本數(shù)據(jù)進行數(shù)據(jù)清洗以及統(tǒng)一格式化處理，得到預處理樣本數(shù)據(jù)；

39、對所述預處理樣本數(shù)據(jù)進行分析處理，得到訂單處理時間、軌跡更新頻率以及重量回傳延遲數(shù)據(jù)，作為所述樣本物流訂單的樣本屬性數(shù)據(jù)。

40、另一方面提供了一種物流數(shù)據(jù)傳輸效率的優(yōu)化裝置，所述裝置包括：

41、數(shù)據(jù)獲取模塊，用于獲取物流訂單在訂單下載、軌跡回傳、重置回傳各階段的數(shù)據(jù)，并對所述數(shù)據(jù)進行數(shù)據(jù)清洗以及統(tǒng)一格式化處理，得到預處理數(shù)據(jù)；

42、目標數(shù)據(jù)確定模塊，用于對所述預處理數(shù)據(jù)進行分析處理，得到訂單處理時間、軌跡更新頻率以及重量回傳延遲數(shù)據(jù)，作為所述物流訂單的目標屬性數(shù)據(jù)；

43、模型構建模塊，用于構建數(shù)據(jù)傳輸風險預測模型，將所述目標屬性數(shù)據(jù)輸入數(shù)據(jù)傳輸風險預測模型進行數(shù)據(jù)傳輸風險預測處理，得到所述物流訂單的風險預測結果；

44、參數(shù)調(diào)整模塊，用于若所述風險預測結果表征所述物流訂單存在數(shù)據(jù)傳輸風險，動態(tài)調(diào)整所述物流訂單的鏈路參數(shù)，以實時優(yōu)化所述物流訂單的數(shù)據(jù)傳輸效率。

45、可選的，所述數(shù)據(jù)獲取模塊包括：

46、計算單元，用于計算每個數(shù)據(jù)對應字段的均值、中位數(shù)以及標準差；

47、篩選單元，用于根據(jù)所述均值與三倍所述標準差之間的差值以及求和，確定篩選數(shù)據(jù)范圍；

48、第一處理單元，用于將所述數(shù)據(jù)中超出所述篩選數(shù)據(jù)范圍的數(shù)據(jù)進行刪除處理，得到第一處理數(shù)據(jù)；

49、第二處理單元，用于采用正則表達式對所述第一處理數(shù)據(jù)進行統(tǒng)一格式化處理，得到第二處理數(shù)據(jù)；

50、數(shù)值替換單元，用于獲取所述第二處理數(shù)據(jù)中的缺失值，并將所述缺失值替換成所述均值、中位數(shù)或標準差。

51、可選的，所述裝置還包括：

52、移除模塊，用于采用z-score方法識別并移除訂單處理時間中的離群值；

53、訂單格式設置模塊，用于使用正則表達式統(tǒng)一設置訂單id的格式；

54、時間格式轉換模塊，用于利用simpleimputer的median策略填充軌跡更新頻率的缺失值，并將所有時間戳字段轉換為統(tǒng)一的時間格式。

55、可選的，所述目標數(shù)據(jù)確定模塊包括：

56、分析單元，用于對所述預處理數(shù)據(jù)進行分析處理，得到多個預處理特征；

57、重要性參數(shù)確定單元，用于將所述多個預處理特征輸入關鍵特征識別模型進行特征重要性預測處理，得到每個預處理特征的重要性參數(shù)；

58、排序單元，用于根據(jù)每個預處理特征的重要性參數(shù)，對所述多個預處理特征進行排序，并根據(jù)排序結果，從所述多個預處理特征中篩選出關鍵特征；所述關鍵特征包括所述訂單處理時間、軌跡更新頻率以及重量回傳延遲數(shù)據(jù)；

59、目標數(shù)據(jù)確定單元，用于將所述篩選出關鍵特征按照預設順序進行排列，形成向量特征，作為所述物流訂單的目標屬性數(shù)據(jù)。

60、可選的，所述裝置還包括：

61、訓練特征獲取模塊，用于獲取訓練物流訂單的多個預處理訓練特征；所述多個預處理訓練特征標注了訓練關鍵特征標簽；

62、參數(shù)確定模塊，用于將所述多個預處理訓練特征輸入遞歸特征消除算法模型，進行特征重要性預測處理，得到每個預處理訓練特征的重要性參數(shù)；

63、排序模塊，用于根據(jù)每個預處理訓練特征的重要性參數(shù)，對所述多個預處理訓練特征進行排序，并根據(jù)排序結果，從所述多個預處理特征中刪除重要性參數(shù)最小的特征，得到篩選訓練特征；

64、關鍵模型訓練模塊，用于若所述篩選訓練特征的數(shù)量滿足預設條件，則根據(jù)所述篩選訓練特征與所述訓練關鍵特征標簽之間的差異，對所述遞歸特征消除算法模型進行訓練，得到所述關鍵特征識別模型。

65、可選的，所述模型構建模塊包括：

66、樣本數(shù)據(jù)獲取單元，用于獲取樣本物流訂單的樣本屬性數(shù)據(jù)集；所述樣本屬性數(shù)據(jù)集中每個樣本屬性數(shù)據(jù)標注了樣本風險結果標簽；

67、分組單元，用于將所述樣本屬性數(shù)據(jù)集分成多個樣本數(shù)據(jù)集；

68、關系構建單元，用于根據(jù)多個機器學習模型生成多個決策樹，并構建樣本數(shù)據(jù)集與決策樹的對應關系；

69、樣本結果預測單元，用于根據(jù)每個樣本數(shù)據(jù)集對每個樣本數(shù)據(jù)集對應的決策樹進行數(shù)據(jù)傳輸風險預測訓練，得到每個樣本物流訂單的樣本風險預測結果；

70、目標損失確定單元，用于根據(jù)所述樣本風險預測結果與所述樣本風險結果標簽之間的差異，確定目標損失數(shù)據(jù)；

71、模型構建單元，用于根據(jù)所述目標損失數(shù)據(jù)對各個決策樹進行訓練，并根據(jù)訓練結束時的多個決策樹構建所述數(shù)據(jù)傳輸風險預測模型；

72、相應的，所述模型構建模塊包括：

73、初始結果預測單元，用于將所述目標屬性數(shù)據(jù)輸入數(shù)據(jù)傳輸風險預測模型中的各個決策樹進行數(shù)據(jù)傳輸風險預測處理，得到每個決策樹的初始風險預測結果；

74、風險結果確定單元，用于根據(jù)每個決策樹的初始風險預測結果，確定所述物流訂單的風險預測結果。

75、可選的，所述樣本數(shù)據(jù)獲取單元包括：

76、樣本數(shù)據(jù)獲取子單元，用于獲取樣本物流訂單在訂單下載、軌跡回傳、重置回傳各階段的樣本數(shù)據(jù)，并對所述樣本數(shù)據(jù)進行數(shù)據(jù)清洗以及統(tǒng)一格式化處理，得到預處理樣本數(shù)據(jù)；

77、樣本屬性確定子單元，用于對所述預處理樣本數(shù)據(jù)進行分析處理，得到訂單處理時間、軌跡更新頻率以及重量回傳延遲數(shù)據(jù)，作為所述樣本物流訂單的樣本屬性數(shù)據(jù)。

78、另一方面提供了一種電子設備，所述設備包括處理器和存儲器，所述存儲器中存儲有至少一條指令或至少一段程序，所述至少一條指令或所述至少一段程序由所述處理器加載并執(zhí)行以實現(xiàn)如上所述的物流數(shù)據(jù)傳輸效率的優(yōu)化方法。

79、另一方面提供了一種計算機存儲介質(zhì)，所述計算機存儲介質(zhì)存儲有至少一條指令或至少一段程序，所述至少一條指令或至少一段程序由處理器加載并執(zhí)行以實現(xiàn)如上所述的物流數(shù)據(jù)傳輸效率的優(yōu)化方法。

80、另一方面提供了一種計算機程序產(chǎn)品或計算機程序，該計算機程序產(chǎn)品或計算機程序包括計算機指令，該計算機指令存儲在計算機可讀存儲介質(zhì)中。計算機設備的處理器從計算機可讀存儲介質(zhì)讀取該計算機指令，處理器執(zhí)行該計算機指令，使得該計算機設備執(zhí)行以實現(xiàn)如上所述的物流數(shù)據(jù)傳輸效率的優(yōu)化方法。

81、本發(fā)明提供的物流數(shù)據(jù)傳輸效率的優(yōu)化方法、裝置及設備，具有如下技術效果：

82、本發(fā)明獲取物流訂單在訂單下載、軌跡回傳、重置回傳各階段的數(shù)據(jù)，并對所述數(shù)據(jù)進行數(shù)據(jù)清洗以及統(tǒng)一格式化處理，得到預處理數(shù)據(jù)；對所述預處理數(shù)據(jù)進行分析處理，得到訂單處理時間、軌跡更新頻率以及重量回傳延遲數(shù)據(jù)，作為所述物流訂單的目標屬性數(shù)據(jù)；構建數(shù)據(jù)傳輸風險預測模型，將所述目標屬性數(shù)據(jù)輸入數(shù)據(jù)傳輸風險預測模型進行數(shù)據(jù)傳輸風險預測處理，得到所述物流訂單的風險預測結果；若所述風險預測結果表征所述物流訂單存在數(shù)據(jù)傳輸風險，動態(tài)調(diào)整所述物流訂單的鏈路參數(shù)，以實時優(yōu)化所述物流訂單的數(shù)據(jù)傳輸效率。本發(fā)明可以快速、準確地預測物流訂單中的風險數(shù)據(jù)并對物流鏈路參數(shù)進行調(diào)整，從而提高物流訂單的數(shù)據(jù)傳輸效率；顯著提升了物流數(shù)據(jù)處理的智能化管理效率，為電商物流領域帶來了顯著的效率提升和成本優(yōu)化。