基于节点状态机与多维度穿透的物流进出港实时监控方法及装置与流程

本发明涉及物流监控，尤其涉及一种基于节点状态机与多维度穿透的物流进出港实时监控方法及装置。

背景技术：

1、传统物流监控系统通常仅能展示快件的简单状态（如“运输中”、“派件中”），无法精确、实时地定位快件在复杂的“分拨、网点、分部、业务员、站柜”等多级服务网络中的具体滞留环节。网点管理者往往只能被动等待问题发生，难以主动、实时地发现运营瓶颈（如分拨滞留、网点未分发、业务员未签收等），更无法从宏观指标直接下钻至具体问题单号进行干预。现有技术存在数据延迟高、监控粒度粗、缺乏多维度（如三段码、客户、业务员）穿透分析能力等问题。

2、所以提供一种基于节点状态机与多维度穿透的物流进出港实时监控方法及装置，解决上述问题。

技术实现思路

1、本发明的主要目的在于解决现有技术中，物流监控系统通常仅能展示快件的简单状态，无法精确、实时地定位快件在复杂的等多级服务网络中的具体滞留环节，数据延迟高、监控粒度粗、缺乏多维度穿透分析能力等技术问题。

2、本发明第一方面提供了一种基于节点状态机与多维度穿透的物流进出港实时监控方法，所述基于节点状态机与多维度穿透的物流进出港实时监控方法包括：

3、将分布式消息系统中的扫描轨迹数据、订单数据和配置数据通过规则引擎生成标准化物流事件流；

4、构建节点状态机模型，所述节点状态机模型为每个运单构建生命周期，依据运单最新轨迹的扫描站点与操作类型，将运单自动归因至预设的多个状态节点中的一个，所述多个状态节点之间互斥且具有有序的流转关系；

5、基于节点状态机的归因结果采用秒级聚合进行多维度层级下钻，并通过状态穿透展示可排序且首列冻结的运单明细列表；

6、基于运单明细列表引入融合无监督异常检测、时序模式聚类及有监督辅助分类的ai算法链，建立数据驱动的动态异常行为基准模型。

7、可选的，所述规则引擎中的规则包括但不限于对轨迹进行重定向和映射，将非标准节点统一映射为标准网点或分拨节点。

8、可选的，所述节点状态机模型中至少包括进港状态机与出港状态机，其中，所述进港状态机用于管理运单进入目的城市后的末端流转状态，所述出港状态机用于管理运单自揽收至发往目的城市前的始发流转状态。

9、可选的，所述进港状态机包含以下按流转顺序排列的状态节点：

10、在途状态节点：表示运单已由分拨中心发出，但目的网点尚未执行任何扫描操作；所述在途状态节点进一步包括以下子状态：分拨滞留总量、分拨已发出总量、在途件量、已发未超72小时量；

11、在网点状态节点：表示运单已到达网点但尚未分发至分部或业务员；所述在网点状态节点进一步包括以下子状态：网点已到件量、网点已分发业务员量、网点已分发分部量；

12、在分部状态节点：表示运单已分发至分部，但分部尚未操作或尚未进一步分发；

13、在业务员状态节点：表示运单已分发给业务员但尚未签收；所述在业务员状态节点进一步包括以下子状态：已分发未签收量、待送货上门量、漏到件量；

14、在站柜状态节点：表示运单已入库或入柜但尚未出库；所述在站柜状态节点进一步包括以下子状态：入库入柜量、在库在柜量、超72小时未出库量；

15、异常签收/退件状态节点：表示运单状态为异常签收或已被标记为退回件；

16、已签收状态节点：表示运单已完成正常签收；

17、所述出港状态机依据订单生成、揽收、交件、中转、派送等轨迹数据，将运单归因至以下按流转顺序排列的状态节点：在客户状态节点、在网点状态节点、在中心状态节点、在末端状态节点、签收状态节点。

18、可选的，所述状态节点之间的流转为单向有序流转，运单在任一时刻仅归属于所述多个状态节点中的一个。

19、可选的，所述基于节点状态机的归因结果采用秒级聚合进行多维度层级下钻，并通过状态穿透展示可排序且首列冻结的运单明细列表具体包括：

20、获取所述节点状态机模型输出的每个运单的当前状态节点及其子状态归因结果；

21、根据用户输入的查询条件，所述查询条件至少包括时间范围、产品类型、取件分拨标识和平台类型中的一种或多种，对满足所述查询条件的运单，在各状态节点及其子指标上进行秒级计数统计，生成实时聚合结果；

22、响应于用户的操作指令，对所述实时聚合结果进行多维度下钻分析，所述多维度下钻包括：

23、维度下钻：从当前汇总层级逐级下钻至更细粒度维度，所述维度包括但不限于网点、三段码、业务员；

24、状态穿透：响应于用户对任一状态节点或指标数值的点击操作，生成并显示构成该指标的所有运单单号明细列表；

25、对所述明细列表提供智能排序与冻结功能，所述智能排序功能支持用户按任意指标列进行升降序排序，所述冻结功能将列表的首列固定显示。

26、可选的，所述基于运单明细列表引入融合无监督异常检测、时序模式聚类及有监督辅助分类的ai算法链，建立数据驱动的动态异常行为基准模型包括：

27、响应于用户对运单明细列表中任一运单号的点击操作，获取并展示该运单的完整生命周期轨迹信息，所述生命周期轨迹信息至少包括上一站发出时间、到件时间、分发时间、派件业务员、签收时间、异常签收类型及标识、问题件或退回件标记中的一种或多种；

28、构建基于无监督学习的异常检测模块，所述异常检测模块持续采集全量运单的历史轨迹序列特征，建立正常操作行为基准模型，并实时计算每个运单的异常得分，当所述异常得分超过预设动态阈值时，将该运单标记为疑似操作不规范；

29、构建基于时序聚类的模式发现模块，对具有高异常得分的运单轨迹序列进行相似性聚类，自动将相似的异常轨迹归并为同一异常模式类别，并生成各类别的特征描述；

30、构建基于有监督学习的分类辅助模块，基于人工标注的样本数据训练分类器，对所述异常检测模块标记的疑似运单进行二次预测，以辅助判断是否需人工复核；

31、根据所述异常检测模块、模式发现模块和分类辅助模块的综合输出结果，生成漏扫描诊断信息，自动识别并标记操作不规范的单号，并将识别结果反馈至监控看板进行指标展示。

32、本发明第二方面提供了一种基于节点状态机与多维度穿透的物流进出港实时监控装置，所述基于节点状态机与多维度穿透的物流进出港实时监控装置包括：

33、事件流标准模块，用于将分布式消息系统中的扫描轨迹数据、订单数据和配置数据通过规则引擎生成标准化物流事件流；

34、状态机模型构建模块，用于构建节点状态机模型，所述节点状态机模型为每个运单构建生命周期，依据运单最新轨迹的扫描站点与操作类型，将运单自动归因至预设的多个状态节点中的一个，所述多个状态节点之间互斥且具有有序的流转关系；

35、统计与分析模块，用于基于节点状态机的归因结果采用秒级聚合进行多维度层级下钻，并通过状态穿透展示可排序且首列冻结的运单明细列表；

36、辅助决策模块，用于基于运单明细列表引入融合无监督异常检测、时序模式聚类及有监督辅助分类的ai算法链，建立数据驱动的动态异常行为基准模型。

37、本发明第三方面提供了一种电子设备，所述电子设备包括存储器和至少一个处理器，所述存储器中存储有指令；

38、所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执行如上所述的基于节点状态机与多维度穿透的物流进出港实时监控方法的各个步骤。

39、本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现如上所述的基于节点状态机与多维度穿透的物流进出港实时监控方法的各个步骤。

40、本发明的技术方案通过构建复杂的节点状态机模型，解决了快件在多级结构中状态模糊不清的问题，通过状态和维度双重穿透分析能力，用户不仅可以从宏观指标穿透刀围观明细，还可以在穿透过程中动态切换分析维度，极大提上了问题定位效率，系统内置的“漏扫描诊断”、“超时滞留预警”等功能，将被动监控升级为主动问题发现与流程稽核，为网点精细化管理提供了数据支撑，通过可配置的规则引擎，有效处理了网格仓映射、直营网点、村组件、错发件、代分拨等复杂业务场景，保证了数据的准确性，具有很强的行业通用性和技术先进性。