应用大数据的物流配送业务信息分析方法及服务器技术

本发明专利技术提供了应用大数据的物流配送业务信息分析方法及服务器，实现了采用混合视觉化机器学习模型对存在变化的配送业务事项的处理，在不同配送业务事项中可以满足混合视觉化机器学习模型的跟踪优化以升级得到具有高时效性的混合视觉化机器学习模型，同时对之前的混合视觉化机器学习模型已获得的信息进行存留，在通过第二混合视觉化机器学习模型并利用物流配送日志中的不同配送业务事项，执行相应配送地区中的不同配送资源匹配任务的过程中，能够确保配送资源匹配任务处理时所考虑层面的丰富性和预见性，以提高配送资源匹配任务处理的效率，保障物流配送顺畅地运营。保障物流配送顺畅地运营。保障物流配送顺畅地运营。

Logistics distribution business information analysis method and server based on big data

【技术实现步骤摘要】
应用大数据的物流配送业务信息分析方法及服务器


[0001]本申请涉及机器学习以及信息分析
，特别涉及应用大数据的物流配送业务信息分析方法及服务器。

技术介绍

[0002]机器学习从广义上来讲，是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来讲，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。
[0003]机器学习跟模式识别，统计学习，数据挖掘是类似的，同时，机器学习与其他领域的处理技术的结合，形成了计算机视觉、语音识别、自然语言处理等交叉学科。因此，一般说数据挖掘时，可以等同于说机器学习。同时，我们平常所说的机器学习应用，大部分是通用的，不仅仅局限在结构化数据，还有图像、音频、专家系统等领域应用。随着人工智能的不断成熟，人工智能的应用领域越来越广泛，比如现目前的物流领域。在实际应用中，为了实现满足日益增长的物流需求，需要对不同的配送资源匹配任务进行灵活高效处理，然而相关技术难以满足这一要求，进而难以保障物流配送顺畅地运营。

技术实现思路

[0004]为改善相关技术中存在的技术问题，本申请提供了应用大数据的物流配送业务信息分析方法及服务器。
[0005]本申请提供了一种应用大数据的物流配送业务信息分析方法，应用于物流配送服务器，所述方法包括：获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项；响应于所获取的所述待处理配送业务事项，激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块；基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块，确定与不同物流配对信息块相对应的视觉型映射内容；基于相应的视觉型映射内容结果，激活信息优化操作，以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化，形成第二混合视觉化机器学习模型，以实现通过所述第二混合视觉化机器学习模型利用所述物流配送日志中的不同配送业务事项，执行相应配送地区中的不同配送资源匹配任务。
[0006]一种可独立实施的实施例，所述方法还包括：当所述第一混合视觉化机器学习模型为可视化映射地图，所述第一混合视觉化机器学习模型的配送地区为交互式物流场景时，基于相应的双向交互式数据，确定与双向交互式数据中的目标业务方相对应的第一可视化映射地图；基于所述目标业务方，确定预设参考信息中与所述目标业务方相对应的优化指
示；对所述目标业务方的第一可视化映射地图进行拆解处理，并基于所述优化指示对所述第一可视化映射地图中的不同多模态信息簇进行优化，形成第二可视化映射地图，以实现通过所述第二可视化映射地图对互动端口所接收的请求事项进行反馈。
[0007]一种可独立实施的实施例，所述方法还包括：确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标；基于所述第一模型代价评估指标和第二模型代价评估指标，确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标；基于与所述第二混合视觉化机器学习模型相对应的模型代价评估指标，改善所述第二混合视觉化机器学习模型的模型变量；直到所述第二混合视觉化机器学习模型的模型代价评估指标符合相应的模型评估约束，以实现通过所述第二混合视觉化机器学习模型对不同的配送地区中的待处理配送业务事项进行处理。
[0008]一种可独立实施的实施例，所述确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标，包括：当所述第一混合视觉化机器学习模型为可视化映射地图时，基于所述物流配送日志中的待处理配送业务事项，确定相应的异常多模态信息簇作为消极性范例；基于所述消极性范例确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标，或者，当所述第一混合视觉化机器学习模型为深度学习网络时，确定所述第一混合视觉化机器学习模型中的模型单元关键词与模型单元类型数目；基于所述第一混合视觉化机器学习模型中的模型单元关键词和模型单元类型数目，确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标；相应的，所述基于所述第一模型代价评估指标和第二模型代价评估指标，确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标，包括：确定与所述第二混合视觉化机器学习模型相对应的限制性模型代价评估指标；确定所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量；基于所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量，确定所述第一模型代价评估指标、第二模型代价评估指标和限制性模型代价评估指标的全局处理结果，作为与所述第二混合视觉化机器学习模型相对应的模型代价评估指标。
[0009]一种可独立实施的实施例，所述响应于所获取的所述待处理配送业务事项，激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块，包括：基于所述多模态信息簇中的模型单元的物流描述关键表达，确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合；基于与所述多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合，
对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行拆解，形成与所述多模态信息簇相对应的不同物流配对信息块。
[0010]一种可独立实施的实施例，所述获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项，包括：基于所述第一混合视觉化机器学习模型的配送地区，确定所述第一混合视觉化机器学习模型中的有向连线描述集与模型单元描述集；基于所述有向连线描述集与模型单元描述集，确定所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇；基于所述第一混合视觉化机器学习模型的配送地区，对所述物流配送日志中的不同类别的配送业务事项进行分析，确定与所述第一混合视觉化机器学习模型的配送地区相对应的待处理配送业务事项。
[0011]一种可独立实施的实施例，所述基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块，确定与不同物流配对信息块相对应的视觉型映射内容，包括：当所述第一混合视觉化机器学习模型为可视化映射地图时，确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的局部聚焦参量， 对与所述多模态信息簇相对应的局部聚焦参量进行简化处理，以实现通过所述局部聚焦参量表征所述多模态信息簇中的有向连线信息与相应物流配对信息块之间的相关性程度；相应的，所述方法还包括：当所述第一混合视觉化机器学习模型为基于二次修复的可视化映射地图时，基于所述多模态信息簇中的模型单元参量，确定两个或多于两个物流配对信息块并进行信息块关联；基于信息块关联的结果，进行简化处理，以实现确定与不同物流配对信息块相对应的视觉型映射内容；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用大数据的物流配送业务信息分析方法，其特征在于，应用于物流配送服务器，所述方法包括：获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项；响应于所获取的所述待处理配送业务事项，激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块；基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块，确定与不同物流配对信息块相对应的视觉型映射内容；基于相应的视觉型映射内容结果，激活信息优化操作，以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化，形成第二混合视觉化机器学习模型，以实现通过所述第二混合视觉化机器学习模型利用所述物流配送日志中的不同配送业务事项，执行相应配送地区中的不同配送资源匹配任务。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：当所述第一混合视觉化机器学习模型为可视化映射地图，所述第一混合视觉化机器学习模型的配送地区为交互式物流场景时，基于相应的双向交互式数据，确定与双向交互式数据中的目标业务方相对应的第一可视化映射地图；基于所述目标业务方，确定预设参考信息中与所述目标业务方相对应的优化指示；对所述目标业务方的第一可视化映射地图进行拆解处理，并基于所述优化指示对所述第一可视化映射地图中的不同多模态信息簇进行优化，形成第二可视化映射地图，以实现通过所述第二可视化映射地图对互动端口所接收的请求事项进行反馈。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标；基于所述第一模型代价评估指标和第二模型代价评估指标，确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标；基于与所述第二混合视觉化机器学习模型相对应的模型代价评估指标，改善所述第二混合视觉化机器学习模型的模型变量；直到所述第二混合视觉化机器学习模型的模型代价评估指标符合相应的模型评估约束，以实现通过所述第二混合视觉化机器学习模型对不同的配送地区中的待处理配送业务事项进行处理。4.根据权利要求3所述的方法，其特征在于，所述确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标，包括：当所述第一混合视觉化机器学习模型为可视化映射地图时，基于所述物流配送日志中的待处理配送业务事项，确定相应的异常多模态信息簇作为消极性范例；基于所述消极性范例确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标，或者，当所述第一混合视觉化机器学习模型为深度学习网络时，确定所述第一混合视觉化机器学习模型中的模型单元关键词与模型单元类型数目；基于所述第一混合视觉化机器学习模型中的模型单元关键词和模型单元类型数目，确
定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标；相应的，所述基于所述第一模型代价评估指标和第二模型代价评估指标，确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标，包括：确定与所述第二混合视觉化机器学习模型相对应的限制性模型代价评估指标；确定所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量；基于所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量，确定所述第一模型代价评估指标、第二模型代价评估指标和限制性模型代价评估指标的全局处理结果，作为与所述第二混合视觉化机器学习模型相对应的模型代价评估指标。5.根据权利要求1所述的方法，其特征在于，所述响应于所获取的所述待处理配送业务事项，激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块，包括：基于所述多模态信息簇中的模型单元的物流描述关键表达，确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的模型单元特...

【专利技术属性】
技术研发人员：高春亚，赵正军，张菊，杨建国，
申请(专利权)人：创域智能常熟网联科技有限公司，
类型：发明
国别省市：