一种运单滞留预测方法技术

本发明专利技术属于快件滞留运单预测技术领域，公开了一种运单滞留预测方法，使用有监督的模型训练方法，结合历史运单的派送记录，采用logit线性回归模型方法，对数据模型进行训练；通过模型预测运单派送滞留的概率，并结合阀值决定运单被识别成滞留订单或非滞留订单。本发明专利技术对被滞留的寄件可以选择不出仓或者延时派送，优化派送效率，降低派送成本；在寄件派送前就预测寄件是否会被滞留，对被滞留的寄件可以对客户做个性化的服务，提升客户满意度；优化管理流程和产品设计，对于滞留概率比较高的区域，或者滞留概率比较高的时段，可以督促管理人员优化资源分配、降低滞留率；通过系统指导员工行为，可以减少虚假滞留。

A method for predicting detention of Waybill

The invention belongs to the technical field of the express waybill retention prediction, discloses a waybill retention prediction method, a model using supervised training method, combined with the historical record delivery waybill, the logit linear regression model to training data model; probability prediction model through the delivery of Waybill detention, and combined with the threshold decision waybill is identified a detention order or non detention order. The invention can be sent to the detention warehouse or choose not to delay delivery, optimize the delivery efficiency, reduce delivery costs; the mailing delivery before the forecast will be sent to the mailing service stranded, stranded can do personalized to customers, improve customer satisfaction; optimize the management process and product design for the stranded, relatively high probability regions, or remain relatively high probability of a period of time, can urge the management personnel to optimize resource allocation and reduce the detention rate; through employee behavior guidance system, can reduce the false retention.

【技术实现步骤摘要】
一种运单滞留预测方法
本专利技术属于快件滞留运单预测
，尤其涉及一种运单滞留预测方法。
技术介绍
在快递行业中，针对不同的快递产品，都要求收派员在系统规定的派送时间前完成派送任务，并以此作为考核收派员业务能力的重要指标之一。然而，在实际业务场景中，很多情况会导致收派员无法在规定的时间内完成派送任务，如收派员能力限制、节假日客户不在、极端天气等。在这些情况下，收派员一般会对快件作滞留回仓操作。这些滞留的快件，一方面会影响整体的派送效率，收派员会在这些滞留的快件上做很多无用功。另一方面，非客户原因的滞留也会导致客户满意度的降低，影响公司的口碑。因此，如何预测运单滞留，在收派员派送前就做特殊处理，是一个十分重要的课题。综上所述，现有技术存在的问题是：由于目前网点采取的“全量派送”的模式，即不管什么件，在客户未要求的情况下，只要一到达网点，都需要立即去派送。同时，收派员由于对包裹信息不了解，或者对区域信息，客户信息不熟悉，造成很多派送都是无效劳动。结果就造成了很多快递包裹，最终都变成了滞留件，并且耗费了大量的生产成本。滞留的快件影响整体的派送效率，非客户原因的滞留也会导致客户满意度的降低。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种运单滞留预测方法。提供一种运单滞留预测方法，包括：获取历史运单收派记录的特征数据；建立logit回归模型，利用监督学习对该logit回归模型进行训练；利用logit线性回归模型预测运单的滞留概率，并与预设的阈值比较，若滞留概率值大于预设阈值则判断为滞留运单，若滞留概率小于预设阈值则判断为正常运单。进一步，所述历史运单收派记录的特征数据，包括：收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据中的至少一种。进一步，所述收派员操作数据，包括：妥投操作、滞留操作、操作网点、操作单元区域、单元区域类型、出仓时间、出仓收派员标识信息。进一步，所述运单信息数据包括：收件人电话、收件人地址、托寄物内容、体积及重量。进一步，所述收派员属性信息包括收派员性别、年龄、入职年月、雇佣类型、及交通工具信息。进一步，所述运单结算数据，包括：总费用、月结卡号、支付类型。进一步，所述衍生列计算数据，包括：每天的任务量、出仓任务前的运单滞留量。进一步，所述运单滞留预测方法还包括对收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据的空缺值及异常值进行填补或删除。进一步，所述对logit回归模型进行训练，包括：获取特征数据的数据集，所述数据集包括m个训练样本，其中，表示第1个logit回归模型训练样本的第一个特征数据；y1表示第1个训练记录对应的训练分类数据；将数据集输入logit回归模型对应的系数求解函数中，获取对应的相关系；利用优化函数来计算各个变量的系数，并通过迭代的方法，来优化系数。进一步，所述运单滞留预测方法还包括利用p-value对变量进行显著性检验，筛掉对结果判断不显著的特征数据。进一步，所述运单滞留预测方法还包括检测特征数据与特征数据之间是否存在线性关系，利用预设的方差膨胀阈值，删除具有共线性的特征数据。本专利技术的优点及积极效果为：对历史数据进行建模，揭示滞留运单的特征，更好理解滞留运单产生的原因；通过快件滞留预测引擎，运单在中转场发往分部的时候，就可以预测是否会被滞留。并在运单滞留前，就对运单进行特殊对待；滞留运单预测综合考虑了客户、收派员、派送时段等多维度信息；支持实时的在线分析，以及离线的优化升级；并可以在后期的运营维护中，增加新的维度信息，优化模型预测准确率。本专利技术在寄件派送前就预测寄件是否会被滞留，针对被滞留的寄件可以选择不出仓或者延时派送，优化派送效率，降低派送成本。本专利技术提供的模型对深圳试点网点的19124个历史派件进行滞留概率预测，结果如下：其中，滞留快件被正确识别的占58.49％,滞留与非滞留整体识别正确的占78.41％。如果被识别出来的快件都可以延缓出仓，或者提示用户更改派送时间，则可以大大减少派送成本。在寄件派送前就预测寄件是否会被滞留，针对被滞留的寄件可以对客户做个性化的服务，如温馨提示，转寄服务，放置丰巢柜等。提升客户满意度；优化管理流程和产品设计，对于滞留概率比较高的区域，或者滞留概率比较高的时段，可以督促管理人员优化资源分配、降低滞留率。同时，对滞留概率比较高的产品，也可以督促产品人员去优化产品；通过系统指导员工行为，员工工作任务更清晰简单，一定程度上可以减少虚假滞留。附图说明图1是本专利技术实施例提供的快件运单滞留预测方法流程图；图2是本专利技术实施例提供的当前派件任务的基本流程示意图；图3是本专利技术实施例提供的在理想状态下，派送任务流程示意图。具体实施方式为了更好的了解本专利技术的技术方案，下面结合说明书附图和具体实施例对本专利技术作进一步说明。为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。下面结合附图对本专利技术的应用原理作详细的描述。如图1所示，本专利技术实施例提供的运单滞留预测方法包括以下步骤：S101：获取历史运单收派记录的特征数据；S102：建立logit回归模型，利用监督学习对该logit回归模型进行训练；具体的，将使用有监督的模型训练方法，结合历史运单收派记录，采用logit线性回归模型(也可以采用随机森林，决策树，GBDT,一般回归模型等)方法，对数据模型进行训练；S103：利用logit回归模型预测运单的滞留概率，并与预设的阈值比较，若滞留概率值大于预设阈值则判断为滞留运单，若滞留概率小于预设阈值则判断为正常运单。下面结合附图对本专利技术的应用原理作进一步的描述。logit回归模型是针对单次派送任务是否会被滞留进行预测。一个运单，在它的派送生命周期内，会包含1次以上的派送行为。每一次的派送行为，都有可能因为各种原因造成快件被滞留。下图展示了当前派件任务的基本流程，如图2所示，一个快件在妥投之前可能会有多次滞留，所以logit回归模型需要对每一次的派送任务进行预测。如图3所示，是在理想状态下，使用logit回归模型的派送任务流程。每一次的派送之前都会使用模型对滞留概率进行预测，高滞留概率的快件选择不出仓，修改派送时间。低滞留概率的快件则可以出仓，直接派送。logit回归模型的研发将使用有监督的模型训练方法，结合历史运单的派送记录，采用logit线性回归模型方法，对数据模型进行训练。通过模型预测运单派送滞留的概率，并结合阀值决定运单被识别成滞留订单或非滞留订单。本专利技术实施例提供的快件滞留运单预测方法所应用的具体硬件环境为：8G内存，Win7操作系统，Intel-i5处理器。logit回归模型训练数据集有以下几个来源：1)顺丰收派员巴抢操作数据(201612-201701)，如滞留，妥投，出仓操作等信息；2)顺丰运单基本信息数据(201612-201701)，如派件地址，电话，员工号码等信息；3)顺丰收派员基本信息数据，如性别，年龄，年月等信息；4)顺丰运单费用结算信息数据(201612-201701)，如运费，结算，客户类型等信息；5)百度地址分类数据，如地址类型，地址经度等信息本文档来自技高网...

【技术保护点】
一种运单滞留预测方法，其特征在于，包括：获取历史运单收派记录的特征数据；建立logit回归模型，利用监督学习对该logit回归模型进行训练；利用logit回归模型预测运单的滞留概率，并与预设的阈值比较，若滞留概率值大于预设阈值则判断为滞留运单，若滞留概率小于预设阈值则判断为正常运单。

【技术特征摘要】
1.一种运单滞留预测方法，其特征在于，包括：获取历史运单收派记录的特征数据；建立logit回归模型，利用监督学习对该logit回归模型进行训练；利用logit回归模型预测运单的滞留概率，并与预设的阈值比较，若滞留概率值大于预设阈值则判断为滞留运单，若滞留概率小于预设阈值则判断为正常运单。2.根据权利要求1所述的运单滞留预测方法，其特征在于，所述历史运单收派记录的特征数据，包括：收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据中的至少一种。3.根据权利要求2所述的运单滞留预测方法，其特征在于，所述收派员操作数据，包括：妥投操作、滞留操作、操作网点、操作单元区域、单元区域类型、出仓时间、出仓收派员标识信息。4.根据权利要求2所述的运单滞留预测方法，其特征在于，所述运单信息数据包括：收件人电话、收件人地址、托寄物内容、体积及重量。5.根据权利要求2所述的运单滞留预测方法，其特征在于，所述收派员属性信息包括：收派员性别、年龄、入职年月、雇佣类型及交通工具信息。6.根据权利要求2所述的运单滞留预测方法，其特征在于，所述运单结算数据，包括：总费用、月结卡号、支付类型。7.根据权利要求2所述的运单滞留预测方法，其特征在于，所述衍生列计算数据，包括：每天的任务量...

【专利技术属性】
技术研发人员：刘子恒，金晶，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：广东,44