一种物流成本预测方法、装置、电子设备以及存储介质与流程

1.本发明涉及物流领域，尤其是指一种物流成本预测方法、装置、电子设备以及存储介质。


背景技术：

2.目前，物流的运输环节往往通过招标采购的方式进行，而招标采购又采用人工决定。显然，这种方式人为主观因素较多，有时会依靠人的经验做出判断，但是这些判断准确度较低，不利于降低成本。
3.所以急需一种物流成本预测方法，可以避免人为的主观因素，通过相对客观的方式评估出物流成本，以有助于解决现有技术中通过人工方式对物流运输成本进行评估，导致由于人为主观因素使评估的物流成本不准确的技术问题。


技术实现要素：

4.本技术提供了一种物流成本预测方法，其目的在于，通过物流历史记录中的线路数据样本训练方量预测模型，根据所述方量预测模型客观计算出物流运输成本，有助于解决现有技术中通过人工方式对物流运输成本进行评估，导致由于人为主观因素使评估的物流成本不准确的技术问题。
5.该方法包括：
6.接收待预测成本物流线路的出发地和目的地；
7.根据所述出发地和所述目的地从物流历史记录中获取线路数据样本，其中，所述线路数据样本包括不同时间中不同车型的物流方量；
8.根据所述线路数据样本训练得到方量预测模型；
9.根据所述出发地和所述目的地通过所述方量预测模型计算得到不同车型的预测方量；
10.根据所述预测方量与对应不同车型的单位方量单价计算所述待预测成本物流线路的物流成本。
11.在一可选实施例中，所述根据所述线路数据样本训练得到方量预测模型包括：
12.将所述线路数据样本按照月份进行分组得到分组后的所述线路数据样本；
13.根据不同车型对每组所述线路数据样本生成每天的方量时序列；
14.按照预定聚类方式对所述方量时序列进行聚类得到聚类后的方量时序列组；
15.对每个聚类的所述方量时序列组分别进行训练得到所述方量预测模型。
16.在一可选实施例中，所述根据所述出发地和所述目的地通过所述方量预测模型计算得到不同车型的预测方量包括：
17.根据所述待预测成本物流线路选取最符合相同条件聚类下的方量预测模型；
18.通过选取的方量预测模型根据所述待预测成本物流线路计算得到不同车型的预测方量。
19.在一可选实施例中，所述根据所述出发地和所述目的地从物流历史记录中获取线路数据样本步骤后，该方法还包括：
20.判断所述线路数据样本的数量是否满足额定数量，
21.如果所述线路数据样本的数量满足所述额定数量，则执行后续步骤。
22.在一可选实施例中，所述判断所述线路数据样本的数量是否满足额定数量还包括：
23.如果所述线路数据样本的数量不满足所述额定数量，则从所述物流历史记录中获取订单数据，其中，所述物流历史记录包括不同订单的物流数据和所述订单数据，所述订单数据包括每个订单的订单日期和每类货品的单价；将所述订单数据中的所述订单按照所述订单日期和货品类别进行分类得到分类后的订单；根据分类后的订单按照每类货品的所述单价按照预定的价格区间分割为不同档次；根据不同档次分类后的订单计算生成参照向量；根据所述参照向量从所述物流历史记录中获取符合预定选取规则的样本作为所述线路数据样本或补充所述线路数据样本。
24.在一可选实施例中，所述根据所述参照向量从所述物流历史记录中获取符合预定选取规则的线路作为所述线路数据样本或补充所述线路数据样本包括：
25.随机选择一个聚类参考值，且所述聚类参考值不大于所述物流历史记录中的线路总数；
26.按照所述聚类参考值将所述物流历史记录中分类后的样本进行聚类，如果所述样本中与所述参照向量相同向量之间的方差小于预定阀值则聚类完成，如果与所述参照向量相同向量之间的方差大于等于预定阀值，则增加所述聚类参考值进行聚类，直到所述样本中与所述参照向量相同向量之间的方差小于预定阀值则聚类完成；
27.计算每个聚类中样本的平均向量；
28.将所述平均向量与所述参考向量最近聚类中的所述样本作为所述线路数据样本或补充所述线路数据样本。
29.在一可选实施例中，所述方量预测模型为岭回归模型。
30.在一可选实施例中，本技术还提供了一种物流成本预测装置，该装置包括：
31.接收模块，用于接收待预测成本物流线路的出发地和目的地；
32.获取模块，用于根据所述出发地和所述目的地从物流历史记录中获取线路数据样本，其中，所述线路数据样本包括不同时间中不同车型的物流方量；
33.训练模块，用于根据所述线路数据样本训练得到方量预测模型；
34.计算模块，用于根据所述出发地和所述目的地通过所述方量预测模型计算得到不同车型的预测方量；还用于根据所述预测方量与对应不同车型的单位方量单价计算所述待预测成本物流线路的物流成本。
35.本技术还提供了一种电子设备，所述电子设备包括：处理器和存储器；
36.所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行如所述的程序测试方法的步骤。
37.本技术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，该程序被处理器执行时实现所述的程序测试方法的步骤。
38.如上可见，基于上述实施例，本技术通过对信息接口和流程逻辑关系的配置，实现
对不同待测程序进行同时高效地测试，以有助于解决现有技术无法对不同类型的测试程序进行批量测试的技术问题。
附图说明
39.图1为本发明一实施例中物流成本预测方法的流程100示意图；
40.图2为本发明一实施例中物流成本预测方法的流程200示意图；
41.图3为本发明一实施例中物流成本预测方法的流程300示意图；
42.图4为本发明一实施例中物流成本预测方法的流程400示意图；
43.图5为本发明一实施例中物流成本预测装置的架构示意图。
具体实施方式
44.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
45.发明人发现，目前物流运输过程中，通常采用对物流公司进行招标采购的方式，即物流公司对目标线路采用不同车型单位方量的单价进行报价，所述方量可以理解为货品运输时的吞吐量。招标采购会根据经验对不同车型的方量进行判断，最终得到根据报价计算出总的运营成本，但是这种方式主要依据人的经验，显然会掺杂人的主观因素，所以很容易出现偏颇，导致最终的成本预测不准确，无法选择出正确的最低报价。
46.图1为本发明一实施例中物流成本预测方法的流程100示意图。如图1所示，在一实施例中，本技术提供了一种物流成本预测方法，包括：
47.s101，接收待预测成本物流线路的出发地和目的地。
48.在本步骤中提供了一种接收所述待预测成本物流线路的所述出发地和所述目的地的具体步骤。招标时会给出物流的具体所述出发地和所述目的地，根据具体的所述出发地和所述目的地给出报价，比如所述出发地和所述目的地分别为北京到上海，本步骤中需要获取这两个地点，以进行后续的预测。当所述出发地和所述目的地确定以后，所述待预测成本物流线路的线路也已经确定。
49.s102，根据所述出发地和所述目的地从物流历史记录中获取额定数量的线路数据样本，其中，所述线路数据样本包括不同时间中不同车型的物流方量。
50.在本步骤中提供了一种通过已经确定的所述出发地和所述目的地从物流历史记录中获取额定数量的所述路线数据样本，所述路线数据样本具有线路起点和线路终点，所述线路起点和所述线路终点分别对应所述待预测成本物流线路的所述出发地和所述目的地。另外，所述路线数据样本包括不同车型的物流放量。
51.s103，根据所述线路数据样本训练得到方量预测模型。
52.在本步骤中提供了一种根据所述线路数据样本训练放量预测模型的具体实施方式。需要指出的是在本步骤中可以根据一个月内中不同日期对方量进行数据提取，具体的方式后文还会有进一步的解释，在此就不再赘述了。最终所述方量预测模型是不同车型预测出的方量。
53.s104，根据所述出发地和所述目的地通过所述方量预测模型计算得到不同车型的预测方量。
54.在本步骤中提供了一种具体计算方量的步骤。对所述出发地和所述目的地的线路已经根据所述线路数据样本计算出的所述方量预测模型可以利用ai深度学习可以客观的计算出不同车型的方量。
55.s105，根据所述预测方量与对应不同车型的单位方量单价计算所述待预测成本物流线路的物流成本。
56.在本步骤中提供了一种根据所述预测方量与报价计算出所述待预测成本物流线路的预测的物流成本。选择所有物流公司中所述物流成本最低的公司即可。
57.在本实施例中提供了一种物流成本预测方法的具体实施方式。首先，接收待预测成本物流线路的出发地和目的地。所述出发地和所述目的地在招标过程中已经确认，比如招标中规定具体的物流运输线路为北京到上海，即所述出发地和所述目的地。然后，根据所述出发地和所述目的地从物流历史记录中获取额定数量的线路数据样本，其中，所述线路数据样本包括不同车型的物流方量。所述物流历史记录中会存储有所述线路数据样本，所述线路数据样本用于后续的模型训练，影响所述物流方量的因素其实很多，比如淡旺季、订单情况、天气情况、道路状况等等，但是不同所述线路数据样本至少可以确认出路线的所述线路起点和所述线路终点，以及不同车型的方量。用于训练模型需要一定数量的所述线路数据样本才能实现，所以所述线路数据样本需要具有额定的数量。随后，根据所述线路数据样本训练得到方量预测模型。再然后，根据所述出发地和所述目的地通过所述方量预测模型计算得到不同车型的预测方量，此时已经可以预测出不同车型的所述预测方量。最后，根据所述预测方量与对应不同车型的单位方量单价计算所述待预测成本物流线路的物流成本，在本步骤中计算出所述物流成本，选择出所述物流成本最低的物流公司即可。通过物流历史记录中的线路数据样本训练方量预测模型，根据所述方量预测模型客观计算出物流运输成本，有助于解决现有技术中通过人工方式对物流运输成本进行评估，导致由于人为主观因素使评估的物流成本不准确的技术问题。
58.图2为本发明一实施例中物流成本预测方法的流程200示意图。如图2所示，在另一可选实施例中，所述根据所述线路数据样本训练得到方量预测模型包括：
59.s201,将所述线路数据样本按照月份进行分组得到分组后的所述线路数据样本。
60.在本步骤中提供了一种对所述线路数据样本按月份进行分组的具体步骤。那么按照一年12个月，每一个月对应一个组，每个组的标记为g1,g2,
…
,g12，每个组内都包括本月的所述线路数据样本。需要指出的是本步骤中的所述线路数据样本包括不同车型的物流运输日期和对应的运输方量，比如a型车2019年3月24日的运输吞吐量为100，那么所述物流运输日期为2019年3月24日，归在3月组中，所述运输方量为100。
61.s202,根据不同车型对每组所述线路数据样本生成每天的方量时序列。
62.在本步骤中提供了一种根据不同车型对每组所述线路数据样本生成每天的方量时序列。根据上面的例子在3月组中24号的所述运输方量为100，那么可以得到g
a3
＝<50,80,
…
100,
…
,20>。这个所述方量时序列中第24位为100。下角标3表示3月，a表示a型车。
63.s203,按照预定聚类方式对所述方量时序列进行聚类得到聚类后的方量时序列组。
64.在本步骤中提供了一个进行聚类的步骤，在本步骤中可以使用relocation clustering procedure算法将所述方量时序列划分聚类为，cluster1，cluster2，cluster3，
…
，clusterk等k个聚类。k如何决定需要根据每个聚类的d(x,y)<＝r，x,y是该聚类内部的任意两个序列数据，r是给定误差。
65.s204,对每个聚类的所述方量时序列组分别进行训练得到所述方量预测模型。
66.在本步骤中提供了一种根据每个聚类分别进行训练得到所述方量预测模型的具体实施方式，这样可以得到每个聚类中的所述方量预测模型，在计算所述预测方量时，也根据所述待预测成本物流线路的数据判断属于哪个聚类，然后利用属于聚类的所述方量预测模型进行预测，可以更加准确。
67.在本实施例中提供了一种训练所述方量预测模型的具体实施方式。首先，将所述线路数据样本按照月份进行分组得到分组后的所述线路数据样本。需要指出的是之所以要通过月份、日期等方式进行训练，是因为需要通过具体日期将对应的方量引出，但是训练后并不会涉及具体的月份和日期。根据不同车型对每组所述线路数据样本生成每天的方量时序列，所述方量时序列也是为了将日期对应的方量引出进行后面的训练。然后，按照预定聚类方式对所述方量时序列进行聚类得到聚类后的方量时序列组。聚类是为了之后的计算更加准确，对每个聚类的所述方量时序列组分别进行训练得到所述方量预测模型。
68.图3为本发明一实施例中物流成本预测方法的流程300示意图。如图3所示，在另一可选实施例中，所述根据所述出发地和所述目的地通过所述方量预测模型计算得到不同车型的预测方量包括：
69.s301,根据所述待预测成本物流线路选取最符合相同条件聚类下的方量预测模型。
70.在本步骤中提供了一种根据所述待预测成本物流线路选取最符合相同条件聚类下的方量预测模型的具体步骤。
71.s302,通过选取的方量预测模型根据所述待预测成本物流线路计算得到不同车型的预测方量。
72.在本步骤中提供了一种通过选取出的方量预测模型计算不同车型的预测方量的具体步骤。
73.在本实施例中提供了一种在聚类的多个所述方量预测模型中选取最符合所述待预测成本物流线路情况的所述方量预测模型，这样可以得到更加准确的所述预测方量，进而得到更准确的所述物流成本。
74.在另一可选实施例中，所述根据所述出发地和所述目的地从物流历史记录中获取额定数量的线路数据样本步骤后，该方法还包括：
75.判断所述线路数据样本的数量是否满足所述额定数量，如果所述线路数据样本的数量满足所述额定数量，则执行后续步骤。
76.在本实施例中提供了一种当根据所述出发地和所述目的地能够从所述物流历史记录中获取所述额定数量的所述线路数据样本时的具体实施方式。
77.所述额定数量被记为minlinequantity，比如所述额定数量为1万，则需要1万条所述线路数据样本可以满足之后的训练，当可以从所述物流历史记录中拿到相同所述出发地和所述目的地的数据时，则可以直接执行后续步骤。
78.在另一可选实施例中，所述判断所述线路数据样本的数量是否满足额定数量还包括：
79.如果所述线路数据样本的数量不满足所述额定数量，则从所述物流历史记录中获取订单数据，其中，所述物流历史记录包括不同订单的物流数据和所述订单数据，所述订单数据包括每个订单的订单日期和每类货品的单价；将所述订单数据中的所述订单按照所述订单日期和货品类别进行分类得到分类后的订单；根据分类后的订单按照每类货品的所述单价按照预定的价格区间分割为不同档次；根据不同档次分类后的订单计算生成参照向量；根据所述参照向量从所述物流历史记录中获取符合预定选取规则的样本作为所述线路数据样本或补充所述线路数据样本。
80.在本实施例中提供了一种当minlinequantity，即所述额定数量无法被满足时，可以通过从所述物流历史记录中获取其他的样本来补充所述线路数据样本。首先，所述物流历史记录中存储有订单数据，因为所述线路数据样本是通过具体的订单进行后续物流运输后完成的，所以所述线路数据样本依附于所述订单数据，所述订单数据则包括订单日期和每类货品的单价，作为每类货品的所述单价按照预定的价格区间进行分类，比如0到500元为低档，500到2000元为中档，2000元以上为高档，另外通过所述订单日期也可以按月进行分类，所以可以得到所述参考向量，即v
分类、月份
＝<档次，数量>。那么之后从所述物流历史记录中不再根据所述出发地和所述目的地作为依据获取样本，而是将所述参考向量与所述样本对应的向量距离可允许范围内的所述样本作为所述线路数据样本或者补充作为所述线路数据样本，比如相同所述出发地和所述目的地的所述线路数据样本为8000个，但是还需要2000个样本，那么可以通过这种方式再获取2000个所述样本作为所述线路数据样本。其本质是忽略所述发出地和所述目的地，所述物流历史记录中的所述样本是以线路为主体，并附有具体所述订单的样本，比如，北京到上海，本次物流中有5000件毛衣，3000台手机，在2019年3月24出发进行运输。所以v
分类、月份
＝<档次，数量>是指在3月份运输了5000件毛衣，3000台手机的样本，当然所述样本还具有具体所用车型等。最终，所述预定选取规则的是选取同样是3月份运输了5000件毛衣和3000台手机的样本，但是已经忽略了所述出发地和所述目的地，即北京到上海。
81.图4为本发明一实施例中物流成本预测方法的流程400示意图。如图4所示，在一可选实施例中，所述根据所述参照向量从所述物流历史记录中获取符合预定选取规则的线路作为所述线路数据样本或补充所述线路数据样本包括：
82.s401，随机选择一个聚类参考值，且所述聚类参考值不大于所述物流历史记录中的线路总数。
83.在本步骤中提供了一种获取所述聚类参考值的具体实施方式。比如，所述聚类参考值为m，需要指出的是所述聚类参考值为m需要对所述物流历史记录中的所有线路进行聚类，那么所述聚类参考值应小于或等于所述物流历史记录中的线路总数，否则每个线路都被聚类则失去聚类的意思了。
84.s402,按照所述聚类参考值将所述物流历史记录中分类后的样本进行聚类，如果所述样本中与所述参照向量相同向量之间的方差小于预定阀值则聚类完成，如果与所述参照向量相同向量之间的方差大于等于预定阀值，则增加所述聚类参考值进行聚类，直到所述样本中与所述参照向量相同向量之间的方差小于预定阀值则聚类完成。
85.在本步骤中提供了一种具体的聚类步骤。首先，预设一个所述预定阈值，即方差，记为r，所述预定阈值用于通过kmeans算法确保进行聚类。比如，所述物流历史记录中3月份、苹果手机的所述订单数量为5000，所述苹果手机的单价为6000元，那么从v
分类、月份
＝<档次，数量>为v
苹果手机、3月份
＝<高，5000>。按照这种方式可以将所述物流历史记录中的所有样本进行归类形成向量集合，那么苹果手机的5000个订单就会归于这个向量集合中。在这5000个订单中，确定各个维度上的向量r是否在所述预定阈值内，如果r大于r，则说明聚类合理，则聚类完成，反之如果r小于等于r，则说明聚类的细分程度不够，将聚类的所述聚类参考值为m+1进行聚类，重复上述过程直到r大于r，则聚类结束。
86.s403，计算每个聚类中样本的平均向量。
87.在本步骤中提供了一种对每个聚类中的样本计算平均向量的步骤。
88.s404，将所述平均向量与所述参考向量最近聚类中的所述样本作为所述线路数据样本或补充所述线路数据样本。
89.在本步骤中根据不同聚类的所述平均向量和所述参考向量最近的聚类中的所述样本作为所述线路数据样本或补充所述线路数据样本。
90.在本实施例中提供了一种通过所述物流历史记录中的样本补充所述线路数据样本或补充所述线路数据样本的具体实施方式。
91.在另一可选实施例中，所述方量预测模型为岭回归模型。
92.在本实施例中提供了一种所述方量预测模型的具体方式。
93.图5为本发明一实施例中物流成本预测装置的架构示意图。如图5所示，在另一可选实施例中，本技术还提供了一种物流成本预测装置，该装置包括：
94.接收模块101，用于接收待预测成本物流线路的出发地和目的地；
95.获取模块102，用于根据所述出发地和所述目的地从物流历史记录中获取线路数据样本，其中，所述线路数据样本包括不同时间中不同车型的物流方量；
96.训练模块103，用于根据所述线路数据样本训练得到方量预测模型；
97.计算模块104，用于根据所述出发地和所述目的地通过所述方量预测模型计算得到不同车型的预测方量；还用于根据所述预测方量与对应不同车型的单位方量单价计算所述待预测成本物流线路的物流成本。
98.在另一可选实施例中，本技术还提供了一种电子设备，所述电子设备包括：处理器和存储器；
99.所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行如所述的程序测试方法的步骤。
100.在另一可选实施例中，一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述的程序测试方法的步骤。
101.另外，本技术所述的方法步骤除了可以用数据处理程序来实现，还可以由硬件来实现，例如，可以由逻辑门、开关、专用集成电路(asic)、可编程逻辑控制器和嵌微控制器等来实现。因此这种可以实现本技术所述方法的硬件也可以构成本技术。
102.本技术附图中的流程图和框图，示出了按照本技术公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或者代码的一部分，上述模块、程序段、或代码的一部分
包含一个或多个用于实现规定的逻辑功能的可执行指令。也应该注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同附图中所标准的顺序发生。例如，两个连接地表示的方框实际上可以基本并行地执行，它们有时也可以按照相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或者流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
103.本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本技术中。特别地，在不脱离本技术精神和教导的情况下，本技术的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，所有这些组合和/或结合均落入本技术公开的范围。
104.本文中应用了具体实施例对本发明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发明的方法及其核心思路，并不用于限制本技术。对于本领域的技术人员来说，可以依据本发明的思路、精神和原则，在具体实施方式及应用范围上进行改变，其所做的任何修改、等同替换、改进等，均应包含在本技术保护的范围之内。
105.实际应用中，所述的计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的，也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或多个程序被执行时，实现所描述的数据的分表装置进行数据的分表方法。
106.根据本技术公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件，或者上述的任意合适的组合，但不用于限制本技术保护的范围。在本技术公开的实施例中，计算机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。