一种适用于自动化物流的智能风险评估方法及系统与流程

本技术涉及自动化物流，尤其涉及一种适用于自动化物流的智能风险评估方法及系统。

背景技术：

1、随着电子商务和即时配送行业的快速发展，自动化物流系统承担着日益增长的订单处理与配送调度任务。在物流配送过程中，准确评估配送风险是实现智能化调度决策的基础。配送风险主要来源于两个维度：一是货物本身的时效性风险，尤其是鲜食类物品在脱离冷链环境后随时间推移发生的品质劣化；二是物流人员的履约能力风险，即配送人员因经验不足、路线不熟或运力不匹配等因素导致的延时配送。对这两类风险进行准确量化并融合评估，对于保障配送时效、降低货损率以及提升用户满意度具有重要意义。

2、在鲜食类物品的配送场景中，货物的品质风险具有显著的非线性时变特征。鲜食类物品在保质期内并非匀速变质，而是在不同时间阶段呈现出差异化的劣化速率：在入库初期品质相对稳定，接近保质期尾声时则加速劣化。现有的风险评估方案通常采用线性衰减模型或简单的剩余时间占比来衡量货物时效风险，无法准确反映鲜食类物品在不同阶段的差异化变质规律，导致在安全期内过度预警或在高危期内预警不足，影响了配送优先级排序和资源调度的合理性。

3、另一方面，现有方案在进行人员风险评估时，通常要求物流人员具备充足的历史配送记录作为评估依据。然而在实际运营中，新入职人员、跨区调配人员或低频作业人员的个人历史数据往往不足以支撑可靠的统计推断。现有方法在面对此类少样本或零样本场景时，要么直接排除这些人员参与配送调度导致运力浪费，要么采用群体平均值进行粗略替代导致评估精度大幅下降。同时，现有方案大多将货物风险与人员风险割裂评估，缺乏将两者进行有效融合的量化机制，无法形成面向具体配送任务的综合风险判断，制约了自动化物流系统在复杂场景下的智能决策能力。

4、因此，本发明公开了一种适用于自动化物流的智能风险评估方法及系统，用于解决以上技术问题

技术实现思路

1、本技术提供一种适用于自动化物流的智能风险评估方法及系统，解决了现有技术中，新入职人员、跨区调配人员或低频作业人员的个人历史数据不足以支撑可靠的统计推断的技术问题。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，提供一种适用于自动化物流的智能风险评估方法，包括：

4、s1：获取目标物品的目标数据和基础数据；其中，目标数据包括入库时间和保质时间；基础数据包括物品类型、配送地址、物品体积和物品重量；

5、s2：当目标物品的物品类型为鲜食类时，基于目标数据确定各个时间点的货物风险因子，跳转至s3；否则，将货物风险因子取值为0，跳转至s3；

6、s3：基于基础数据选择待选物流人员，判断待选物流人员的配送单数量是否满足基准数据量；是，基于配送单数量确定待选物流人员的人员风险因子；否，对待选物流人员建立扩展数据库，并基于扩展数据库确定待选物流人员的人员风险因子；

7、s4：基于货物风险因子和人员风险因子确定综合风险因子，基于综合风险因子进行智能风险评估建议。

8、结合上述第一方面，在一种可能的实现方式中，获取目标物品的目标数据和基础数据，包括：

9、通过仓储管理系统（wms）获取目标物品的入库时间；通过物品信息数据库和产品批次记录获取目标物品的保质时间；通过订单管理系统（oms）获取目标物品的配送地址；通过仓储管理系统和物品信息数据库获取目标物品的物品类型；通过仓储管理系统中的货物称重设备和体积扫描设备获取目标物品的物品重量和物品体积；其中，物品类型包括鲜食类和非鲜食类。

10、结合上述第一方面，在一种可能的实现方式中，基于目标数据确定各个时间点的货物风险因子，包括：

11、目标物品的入库时间、保质时间，从系统时钟获取当前时间戳，基于入库时间、保质时间和当前时间戳确定时间进度比；其中，时间进度比的计算式为：，越大代表目标物品越临近保质截止时间；

12、当时间进度比时，物品距保质期较远，变质风险极低，货物风险因子；

13、当时间进度比时，物品进入潜在变质窗口，风险开始显现，货物风险因子；

14、当时间进度比时，物品临近保质期截止，变质风险急剧上升，货物风险因子；其中，为安全阈值，为警戒阈值，且，二者根据目标物品所属鲜食细的保质时长设置得到，保质时长越大和取值越大；为人工设置的过渡阶段的风险增长曲率系数，的取值范围为[1,3]；为人工设置的高危阶段的风险饱和速率系数，的取值范围为[2,5]。

15、结合上述第一方面，在一种可能的实现方式中，基于基础数据选择待选物流人员，包括：

16、提取目标物品的物品类型、配送地址、物品体积和物品重量；当目标物品的物品类型为鲜食类时，将标签为鲜食配送员的物流人员标记为初筛物流人员；当目标物品的物品类型不为鲜食类时，将所有物流人员标记为初筛物流人员；

17、获取初筛物流人员中物流人员的配送范围，将覆盖所述配送地址的配送范围对应的初筛物流人员中的物流人员标记为二筛物流人员；

18、获取二筛物流人员中物流人员对应的最大装载体积和最大装载重量，将最大装载体积大于物品体积，以及最大装载重量大于物品重量的二筛物流人员中物流人员标记为待选物流人员；其中，最大装载体积和最大装载重量是根据物流人员对应的配送车辆设置得到。

19、结合上述第一方面，在一种可能的实现方式中，判断待选物流人员的历史数据量是否满足基准数据量，包括：

20、依次提取待选物流人员，判断目标物品的物品类型是否为鲜食类；是，获取所述待选物流人员在历史中鲜食类订单的配送单数量，当所述配送单数量不小于鲜食基准数量时，判断待选物流人员的配送单数量满足基准数据量；当所述配送单数量小于鲜食基准数量时，判断待选物流人员的配送单数量不满足基准数据量；

21、否，获取所述待选物流人员在历史中非鲜食类订单的配送单数量，当所述配送单数量不小于非鲜食基准数量时，判断待选物流人员的配送单数量满足基准数据量；当所述配送单数量小于非鲜食基准数量时，判断待选物流人员的配送单数量不满足基准数据量；其中，鲜食基准数量和非鲜食基准数量是通过人工设置得到，且鲜食基准数量大于非鲜食基准数量，即鲜食类物品对物流人员的配送单数量要求更高，以保证鲜食配送的风险评估可靠性。

22、结合上述第一方面，在一种可能的实现方式中，基于配送单数量确定待选物流人员的人员风险因子，包括：

23、从当前待选物流人员的历史配送记录中获取各个延时配送订单对应的延时时长，将所述延时间整合为参考时长组；获取所述参考时长组中延时时长的方差，判断所述方差是否小于对应的时长方差阈值；是，对所述参考时长组中延时时长进行平均值计算得到特征延时时长；否，去除参考时长组中与延时时长平均值相差最大的延时时长，重新计算参考时长组剩余数据的方差并重新进行方差判断，直到参考时长组的方差小于时长方差阈值时，对参考时长组中剩余的延时时长进行平均值计算得到特征延时时长；其中，时长方差阈值是通过经验设置得到；

24、获取配送单数量中延时配送订单的数量占所述配送单数量的比例，基于比例和特征延时时长确定当前待选物流人员的人员风险因子；其中人员风险因子的计算式为：，为历史中若干待选物流人员对应的特征延时时长的平均值，为人工设置的幅度调节因子，且的取值范围为[0,1]。

25、结合上述第一方面，在一种可能的实现方式中，对待选物流人员建立扩展数据库，包括：

26、从物流人员管理数据库获取当前待选物流人员的身份标识、所属班组、入职时间、培训批次、所属配送站点、常用车辆类型；

27、以待选物流人员为中心，从物流人员管理数据库中筛选出与所述待选物流人员具有一项或多项相似属性的其他物流人员，并整合为参考人员候选集；其中，相似属性包括：：与待选物流人员属于同一班组或同一配送站点；：与待选物流人员属于同一入职培训批次或相同工龄；：与待选物流人员使用的配送车辆类型相同；：配送范围部分覆盖或全部覆盖目标物品配送地址所属行政区域，部分覆盖为大于80%覆盖；为相似属性中属性的编号；

28、对参考人员候选集中的每位参考人员，计算其与当前待选物流人员的综合相似度；其中，综合相似度的计算式为：，其中，为第个相似属性的匹配指示函数，当与在第个属性匹配时，不匹配时；为各属性的预设权重，且，例如，、、、；

29、按照综合相似度从高到低对参考人员候选集排序，选取前位参考人员作为对照参考人员，提取所述对照参考人员的历史配送记录；从物流人员历史数据库获取当前待选物流人员的历史配送记录；将对照参考人员的历史配送记录和当前待选物流人员的历史配送记录整合为当前待选物流人员的扩展数据库。

30、结合上述第一方面，在一种可能的实现方式中，基于扩展数据库确定待选物流人员的人员风险因子，包括：

31、从扩展数据库中提取当前待选物流人员的各个延时配送订单对应的延时时长，将所述延时间整合为参考时长组；获取所述参考时长组中延时时长的方差，判断所述方差是否小于对应的时长方差阈值；是，对所述参考时长组中延时时长进行平均值计算得到特征延时时长；否，去除参考时长组中与延时时长平均值相差最大的延时时长，重新计算参考时长组剩余数据的方差并重新进行方差判断，直到参考时长组的方差小于时长方差阈值时，对参考时长组中剩余的延时时长进行平均值计算得到特征延时时长；其中，时长方差阈值是通过经验设置得到；

32、获取配送单数量中延时配送订单的数量占所述配送单数量的比例，基于比例和特征延时时长确定当前待选物流人员的人员风险因子；其中人员风险因子的计算式为：，为历史中若干待选物流人员对应的特征延时时长的平均值，为人工设置的幅度调节因子，且的取值范围为[0,1]。

33、结合上述第一方面，在一种可能的实现方式中，基于货物风险因子和人员风险因子确定综合风险因子，包括：

34、提取当前待选物流人员的货物风险因子和人员风险因子，基于所述货物风险因子和人员风险因子确定综合风险因子；其中，综合风险因子的计算式为：，和均是通过人工设置的比例调节系数，且，。

35、结合上述第一方面，在一种可能的实现方式中，基于综合风险因子进行智能风险评估建议，包括：

36、将待选物流人员中最小的综合风险因子对应的待选物流人员标记为配送人员，当所述配送人员的综合风险因子小于风险阈值一时，系统自动下发配送指令，无需额外干预；

37、当所述配送人员的综合风险因子不小于风险阈值一，且小于风险阈值二时，系统自动将当前配送任务标记为关注订单，并在配送过程中由系统实时追踪该订单的配送进度，若出现偏离预计路径或延误趋势，及时向管理人员推送提醒；

38、当所述配送人员的综合风险因子不小于风险阈值二时，系统自动将当前配送任务标记为重点关注订单，并为当前配送任务额外增加一条人工复核通道，由配送站长在出发前对物品状态和人员状态进行二次确认；其中，风险阈值一、风险阈值二、风险阈值三是通过人工设置得到，且风险阈值一小于风险阈值二，风险阈值二小于风险阈值三。

39、第二方面，提供一种适用于自动化物流的智能风险评估系统，包括：通信单元和处理单元；

40、所述通信单元：用于获取目标物品的目标数据和基础数据；其中，目标数据包括入库时间和保质时间；基础数据包括物品类型、配送地址、物品体积和物品重量；

41、所述处理单元：用于当目标物品的物品类型为鲜食类时，基于目标数据确定各个时间点的货物风险因子；否则，将货物风险因子取值为0；

42、基于基础数据选择待选物流人员，判断待选物流人员的配送单数量是否满足基准数据量；是，基于配送单数量确定待选物流人员的人员风险因子；否，对待选物流人员建立扩展数据库，并基于扩展数据库确定待选物流人员的人员风险因子；

43、基于货物风险因子和人员风险因子确定综合风险因子，基于综合风险因子进行智能风险评估建议。

44、本技术提供一种适用于自动化物流的智能风险评估方法及系统，有益效果为：

45、1.本技术通过在人员风险评估环节设置基准数据量阈值作为分流判据，并在判定个体历史数据不足时，构建涵盖班组归属、培训批次、车辆类型、区域覆盖四个维度的多源相似度匹配矩阵，以加权综合相似度为排序依据选取高相似参考人员，将其历史配送记录与目标人员自身有限记录整合为扩展数据库。其原理在于：在物流场景中，具有相似组织归属、培训背景、作业工具和配送区域的物流人员，其配送行为模式和风险特征具有统计意义上的可比性，通过群体经验的迁移可以有效弥补个体样本的缺失。该机制使得系统在风险样本极度稀缺的条件下仍能输出可靠的人员风险评估结果，有效克服了传统监督学习方法在标注数据不足时性能急剧下降的技术缺陷，填补了自动化物流场景下少样本乃至零样本风险评估方法的空白，同时避免了因数据不足而将可用人员排除出调度池导致的运力浪费问题。

46、2.本技术通过获取入库时间与保质时间构建时间进度比，并基于时间进度比设计三阶段自适应非线性风险积累函数，将货物生命周期划分为安全期、过渡期和高危期三个阶段，分别采用零风险赋值、幂函数缓增和指数饱和三种差异化计算策略，其中幂函数的曲率系数和高危阶段的饱和速率系数可根据不同鲜食品类的实际变质特性进行灵活配置。其原理在于：鲜食类物品的品质劣化过程并非线性匀速，而是呈现出前期稳定、中期渐升、后期急剧加速的非线性特征，三阶段分段建模能够精确拟合这一物理规律。该机制使得货物风险因子能够真实反映不同时间阶段下配送紧迫度的差异，避免了线性模型在安全期内过度预警或在高危期内预警不足的问题，显著提升了自动化物流系统在鲜食配送场景下的时效管控能力和风险评估的颗粒度。

47、应当理解的是，本技术中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反，可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此，本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而，还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解，无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中，还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。