一种拥堵预测方法、装置、设备和存储介质与流程

1.本发明实施例涉及计算机技术，尤其涉及一种拥堵预测方法、装置、设备和存储介质。


背景技术：

2.随着科学技术的快速发展，越来越多自动化设备应用于分拣中心，以提高分拣效率。
3.通常，分拣中心需要处理的包裹量较大，并且分拣装置的容量是有限的，从而会导致在传送带的某些区域上发生拥堵，大大影响了分拣效率，甚至会造成运输和配送的晚点。为了应对传送带拥堵的情况，目前是通过利用传感器或者计算机视觉的方式对监测节点的拥堵情况进行识别，一旦发现出现拥堵，便利用人工手段消除拥堵。
4.然而，在实现本发明过程中，发现现有技术中至少存在如下问题：
5.现有方式是在拥堵已经发生时进行识别，再进行人工处理。可见，人工处理时拥堵已经造成了一定的损失，所以这种事后处理方式也将影响分拣效率，无法有效提高分拣效率。


技术实现要素：

6.本发明实施例提供了一种拥堵预测方法、装置、设备和存储介质，以实现拥堵情况的事先预测，便于后续可以提前处理拥堵，从而有效提高分拣效率。
7.第一方面，本发明实施例提供了一种拥堵预测方法，包括：
8.确定分拣装置的每个入口对应的当前包裹流速信息；
9.将各个所述当前包裹流速信息输入至预设拥堵预测模型中，并根据所述预设拥堵预测模型的输出，确定所述分拣装置中的每个监测节点对应的当前拥堵预测结果；
10.其中，所述预设拥堵预测模型是预先基于样本数据训练获得的。
11.第二方面，本发明实施例还提供了一种拥堵预测装置，包括：
12.当前包裹流速信息确定模块，用于确定分拣装置的每个入口对应的当前包裹流速信息；
13.当前拥堵预测结果确定模块，用于将各个所述当前包裹流速信息输入至预设拥堵预测模型中，并根据所述预设拥堵预测模型的输出，确定所述分拣装置中的每个监测节点对应的当前拥堵预测结果；
14.其中，所述预设拥堵预测模型是预先基于样本数据训练获得的。
15.第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
16.一个或多个处理器；
17.存储器，用于存储一个或多个程序；
18.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的拥堵预测方法。
19.第四方面，本发明实施例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如本发明任意实施例所提供的拥堵预测方法。
20.上述发明中的实施例具有如下优点或有益效果：
21.通过将分拣装置的每个入口对应的当前包裹流速信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，可以确定分拣装置中的每个监测节点对应的当前拥堵预测结果，从而实现拥堵情况的事先预测，以便可以提前处理拥堵，从而有效提高分拣效率。
附图说明
22.图1是本发明实施例一提供的一种拥堵预测方法的流程图；
23.图2是本发明实施例二提供的一种拥堵预测方法的流程图；
24.图3是本发明实施例三提供的一种拥堵预测装置的结构示意图；
25.图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
26.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
27.实施例一
28.图1为本发明实施例一提供的一种拥堵预测方法的流程图，本实施例可适用于对分拣设备中的拥堵情况进行事先预测的情况。该方法可以由拥堵预测装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于电子设备中。如图1所示，该方法具体包括以下步骤：
29.s110、确定分拣装置的每个入口对应的当前包裹流速信息。
30.其中，分拣装置可以对应多个入口。每个入口可以对应一个扫描装置，用于扫描包裹的信息。通过扫描装置将待分拣的包裹扫描后放置到相应的入口处。分拣装置中的传送带可以将入口处的包裹按照预定路线传送至相应的出口，从而完成分拣操作。每个入口对应的当前包裹流速信息可以是指每个入口处包裹被扫描的扫描频率，用于表征每个入口传送包裹的频率。
31.具体地，可以通过扫描装置，获取每个入口扫描的每个包裹对应的扫描信息，并基于扫描信息确定每个入口对应的当前包裹流速信息。例如，对于每个入口，可以获取该入口当前扫描的每个包裹对应的扫描时间，并基于这些扫描时间可以确定预设时间段内扫描的包裹总数量作为该入口对应的当前包裹流速信息。例如，将最近一分钟内扫描的包裹总数量作为该入口对应的当前包裹流速。
32.s120、将各个当前包裹流速信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，确定分拣装置中的每个监测节点对应的当前拥堵预测结果；其中，预设拥堵预测模型是预先基于样本数据训练获得的。
33.其中，预设拥堵预测模型可以是指用于预测拥堵情况的深度神经网络模型。例如，预设拥堵预测模型可以为任意一种二分类网络模型。监测节点可以是指分拣装置中需要监
控的传送带节点，其具体位置和数量可以基于业务需求和实际场景进行确定。例如，可以将传送带上最经常发生拥堵的每个节点作为监测节点。当前拥堵预测结果可以包括拥堵状态和非拥堵状态两种预测结果。拥堵状态可以是指预测监测节点将会发生拥堵的状态。非拥堵状态可以是指预测监测节点不会发生拥堵的状态。
34.具体地，可以将所有入口对应的各个当前包裹流速信息输入至已经训练好的预设拥堵预测模型中进行拥堵预测，并根据预设拥堵预测模型的输出，确定出每个监测节点对应的当前拥堵预测结果。例如，根据每个入口对应的当前包裹流速x确定出预设拥堵预测模型的输入向量x＝[x1，x2，...，x
m
]，其中，m为分拣装置的入口数量。相应的，预设拥堵预测模型的输出向量为：y＝[y1，y2，...，y
s
]，其中，s为分拣装置的监测节点数量，y为当前每个监测节点发生拥堵的概率。本实施例可以检测每个监测节点发生拥堵的概率是否大于预设概率，若是，则确定该监测节点对应的当前拥堵预测结果为拥堵状态，若否，则确定该监测节点对应的当前拥堵预测结果为非拥堵状态，从而可以事先预测每个监测节点的拥堵情况，以便后续可以提前处理拥堵，从而有效提高分拣效率。
[0035]
本实施例中的预设拥堵预测模型是预先基于样本数据训练好的模型。预设拥堵预测模型可以由一个深度神经网络f(
·
)表示：y＝f(x)。训练预设拥堵预测模型f(
·
)的样本数据可以从实际生产中获取。例如，在时间节点t∈{1，2，...，t}对分拣装置的输入和各个监测节点的拥堵情况进行取样，获得的输入为x
t
，输出为y
t
。对于这些样本，由于每个监测节点是否发生拥堵是以知的，y
t
中每个位置的取值为0或1。预设拥堵预测模型f(
·
)的网络参数可以利用随机梯度下降方式基于采集的t个训练样本进行模型训练，获得可以用于预测拥堵情况的预设拥堵预测模型。
[0036]
本实施例的技术方案，通过将分拣装置的每个入口对应的当前包裹流速信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，可以确定分拣装置中的每个监测节点对应的当前拥堵预测结果，从而实现拥堵情况的事先预测，以便可以提前处理拥堵，从而有效提高分拣效率。
[0037]
在上述技术方案的基础上，s110可以包括：针对每个入口，获取入口最近扫描的预设数量个包裹中的每个包裹对应的扫描时间；根据每个包裹对应的扫描时间，确定该入口对应的当前包裹流速信息。
[0038]
具体地，针对每个入口而言，可以从扫描装置中获取最近预设数量个包裹中每个被扫描的扫描时间，并基于最近扫描相同数量的包裹所对应的扫描时间确定入口对应的当前包裹流速信息。例如，可以将最近扫描的预设数量个包裹中的第一包裹与最后一个包裹的扫描时间间隔确定为该入口对应的当前包裹流速信息。
[0039]
示例性地，根据每个包裹对应的扫描时间，确定该入口对应的当前包裹流速信息，可以包括：根据每个包裹对应的扫描时间，确定每相邻两个包裹之间的扫描时间间隔；对各个扫描时间间隔进行取平均处理，获得该入口对应的当前包裹流速信息。
[0040]
具体地，对于最近扫描的预设数量个包裹而言，可以通过将后一包裹的扫描时间减去前一包裹的扫描时间的方式，获得每相邻两个包裹之间的扫描时间间隔。将获得的所有扫描时间间隔进行相加，并除以扫描时间间隔总个数，获得相除结果作为入口对应的当前包裹流速。例如，第k个入口扫描第i个包裹和第i 1个包裹之间的时间间隔为则第
k个入口对应的当前包裹流速为：n为预设数量。当第k个入口中的第n 1个包裹被扫描后，第k个入口对应的当前包裹流速更新为：从而通过实时更新包裹流速，可以保证拥堵预测的准确性。本实施例通过将n个包裹的移动平均值作为入口对应的包裹流速，从而可以更加准确地表征出包裹流速，进一步保证拥堵预测的准确性。
[0041]
实施例二
[0042]
图2为本发明实施例二提供的一种拥堵预测方法的流程图，本实施例在上述各实施例的基础上，对当前拥堵预测结果为拥堵状态的目标监测节点进行入口流速调节，以避免目标监测节点发生拥堵。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
[0043]
参见图2，本实施例提供的拥堵预测方法具体包括以下步骤：
[0044]
s210、确定分拣装置的每个入口对应的当前包裹流速信息。
[0045]
s220、将各个当前包裹流速信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，确定分拣装置中的每个监测节点对应的当前拥堵预测结果。
[0046]
s230、将当前拥堵预测结果为拥堵状态的监测节点作为目标监测节点。
[0047]
其中，目标监测节点可以是当前需要调节入口流速，以便避免发生拥堵情况的监测节点。具体地，本实施例可以获取当前拥堵预测结果为拥堵状态的各个监测节点，即预测将会发生拥堵的各个监测节点，并可以将任一监测节点作为目标监测节点进行入口流速的调节。
[0048]
示例性地，s230可以包括：若存在至少两个当前拥堵预测结果为拥堵状态的监测节点，则获取当前拥堵预测结果为拥堵状态的每个监测节点对应的拥堵预测概率；将拥堵预测概率最大的监测节点作为目标监测节点。
[0049]
具体地，通过将拥堵预测概率最大的监测节点作为目标监测节点，可以优先调节最有可能发生拥堵的监测节点，以优先避免该监测节点发生拥堵，从而有效提高分拣效率。若存在多个拥堵预测概率相同的监测节点，则可以随机选择一个监测节点作为目标监测节点。
[0050]
s240、确定每个入口对目标监测节点造成拥堵影响的权重值。
[0051]
其中，权重值用于表征入口对目标监测节点造成拥堵的影响大小。
[0052]
本实施例中的包裹从不同入口进行分拣装置后通常会有不同的目的地，从而包裹在分拣装置中也有不同的流向。因此，一些入口的包裹流速虽然较快，但从这些入口进行分拣装置的包裹不会经过某些监测节点，从而也不会对这些监测节点的拥堵造成影响。而且，多个入口都可能会造成同一个监测节点发生拥堵，但影响大小不一定相同，从而当某个监测节点拥堵时，需要从能够影响该监测节点的入口进行流速调节，并且可以基于影响程度进行先后调节，从而可以从根本上有效解决拥堵情况，避免后续目标监测节点再次发生拥堵，有效保证分拣效率。
[0053]
具体地，预设拥堵预测模型是一个高度非线性的复杂模型，但根据泰勒级数展开，其在每个局部区域都可以拟合一个线性分量，直观描述输入和输出的各个维度之间的关系，从而本实施例可以基于利用可解释机器学习中的kernelshap方法进行线性拟合，根据拟合结果确定出每个入口对目标监测节点造成拥堵影响的权重值。
[0054]
示例性地，s240可以包括：在输入预设拥堵预测模型的各个当前包裹流速信息的附近区域内，随机生成包裹流速样本信息；将包裹流速样本信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，获得目标监测节点对应的样本拥堵预测概率；根据包裹流速样本信息和相应的样本拥堵预测概率进行线性拟合，并根据拟合后的线性模型确定每个入口对目标监测节点造成拥堵影响的权重值。
[0055]
具体地，可以以预设拥堵预测模型的当前输入向量x＝[x1，x2，...，x
m
]为中心，以预设长度为半径的附近区域内随机生成多个包裹流速样本，并将每个包裹流速样本输入至预设拥堵预测模型中进行拥堵预测，并获得预设拥堵预测模型输出的目标监测节点对应的样本拥堵预测概率，从而可以生成当前包裹流速局部区域的样本数据。对各个包裹流速样本和相应的样本拥堵预测概率进行线性拟合，获得一个目标监测节点对应的线性模型，即y＝∑
i
φ
i
x(i) φ0，线性模型中每个特征的系数的绝对值则表征对应入口对目标监测节点的影响大小。在kernelshap方法中，φ
i
，i＞0是第i个入口的shap值，其绝对值为第i个入口对目标监测节点影响的权重值。通过利用上述线性拟合的方式，可以准确地评估分拣装置的每个入口造成目标监测节点拥堵的影响大小。
[0056]
s250、根据每个入口对应的权重值，对入口的当前包裹流速进行调节，以使目标监测节点对应的当前拥堵预测结果为非拥堵状态。
[0057]
具体地，可以基于每个入口对应的权重值，对造成较大影响的入口进行流速调节，放慢进货节奏，从而可以从根本上避免在目标监测节点处发生拥堵，有效地提高了分拣效率。相比于现有技术中对发生拥堵的监测节点进行人工疏通的方式而言，本实施例通过调整入口分拣节奏的方式，可以解决造成拥堵的根本问题，防止拥堵再次发生，有效保证了分拣效率。
[0058]
示例性地，s250可以包括：根据每个入口对应的权重值，确定当前调节入口；根据当前调节入口对应的最小包裹流速信息，对当前调节入口的当前包裹流速进行调节，以使目标监测节点对应的当前拥堵预测结果为非拥堵状态。
[0059]
其中，由于车辆卸货时具有一定的时间要求，不能速度过慢，从而每个入口对应一个最小包裹流速，即包裹流速的下限值。具体地，可以将权重值大于零的一个入口作为当前调节入口。本实施例可以在保证当前调节入口的当前包裹流速大于或等于最小包裹流速的前提下，以预设步长逐步降低当前调节入口的当前包裹流速，并在每次降低当前调节入口的当前包裹流速后，将降低后的当前包裹流速和其他入口的当前包裹流速输入至预设拥堵预测模型中进行再次拥堵预测，直接到当目标监测节点对应的当前拥堵预测结果为非拥堵状态，即目标监测节点发生拥堵的概率小于或等于预设概率为止。通过仅对目标监测节点拥堵存在影响的入口进行流速调节，无需调节无关的入口，从而可以解决造成拥堵的根本问题，防止拥堵再次发生，有效提高了分拣效率。
[0060]
示例性地，根据每个入口对应的权重值，确定当前调节入口，可以包括：对每个入口对应的权重值进行排序，并将权重值最大的入口确定为当前调节入口。
[0061]
具体地，可以按照权重值从大到小的顺序，对所有入口进行排序，并将排序后的第一个入口作为当前调节入口，以便可以优先对影响最大的入口进行流速调节，从而可以尽快地解决目标监测节点的预测拥堵问题，防止再次预测到目标监测节点的拥堵情况。
[0062]
示例性地，根据当前调节入口对应的最小包裹流速信息，对当前调节入口的当前
包裹流速进行调节，以使目标监测节点对应的当前拥堵预测结果为非拥堵状态，可以包括：若将当前调节入口的当前包裹流速调节到相应的最小包裹流速时，目标监测节点对应的当前拥堵预测结果仍为拥堵状态，则确定下一调节入口，并基于下一调节入口对应的最小包裹流速信息，对下一调节入口的当前包裹流速进行调节，直到目标监测节点对应的拥堵预测结果为非拥堵状态为止。
[0063]
具体地，当将当前调节入口的当前包裹流速调节到相应的最小包裹流速时，目标监测节点对应的当前拥堵预测结果仍为拥堵状态(即目标监测节点发生拥堵的概率大于预设概率)，则可以将当前调节入口的当前包裹流速调节到相应的最小包裹流速保持不变，并按照上述的入口排序，将第二个入口作为下一调节入口，即对目标监测节点影响次之的入口作为下一调节入口，并按照上述类似的调节方式，基于下一调节入口对应的最小包裹流速信息，对下一调节入口的当前包裹流速进行流速调节，以此类推，直到目标监测节点对应的拥堵预测结果为非拥堵状态为止。
[0064]
需要说明的是，在实际应用环境中，预设拥堵预测模型无法保证完全准确，可能会发生漏检的情况，从而也可以同时利用计算机视觉方式对分拣装置中的每个监测节点进行拥堵检测，以便及时发现预设拥堵预测模型预测出不会发生拥堵，但实际上却发生拥堵的监测节点。针对这种情况，可以将当前已发生拥堵的监测节点作为目标监测节点，并可以获取各个入口的当前包裹流速确定出输入向量x，并将该目标监测节点所对应的标签y(s)置为1，执行上述步骤s240
‑
s250的入口流速操作，从而可以解决造成拥堵的根本问题，避免该目标监测节点后续再次发生拥堵情况，有效地保证了分拣效率。
[0065]
本实施例的技术方案，通过确定每个入口对当前拥堵预测结果为拥堵状态的目标监测节点造成拥堵影响的权重值，并根据每个入口对应的权重值，对入口的当前包裹流速进行调节，使得目标监测节点对应的当前拥堵预测结果为非拥堵状态，从而可以通过调整入口分拣节奏的方式，解决造成拥堵的根本问题，防止拥堵再次发生，有效保证了分拣效率。
[0066]
以下是本发明实施例提供的拥堵预测装置的实施例，该装置与上述各实施例的拥堵预测方法属于同一个发明构思，在拥堵预测装置的实施例中未详尽描述的细节内容，可以参考上述拥堵预测方法的实施例。
[0067]
实施例三
[0068]
图3为本发明实施例三提供的一种拥堵预测装置的结构示意图，本实施例可适用于对分拣设备中的拥堵情况进行事先预测的情况，该装置具体包括：当前包裹流速信息确定模块310和当前拥堵预测结果确定模块320。
[0069]
其中，当前包裹流速信息确定模块310，用于确定分拣装置的每个入口对应的当前包裹流速信息；当前拥堵预测结果确定模块320，用于将各个当前包裹流速信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，确定分拣装置中的每个监测节点对应的当前拥堵预测结果；其中，预设拥堵预测模型是预先基于样本数据训练获得的。
[0070]
可选地，当前包裹流速信息确定模块310，包括：
[0071]
扫描时间获取单元，用于针对每个入口，获取入口最近扫描的预设数量个包裹中的每个包裹对应的扫描时间；
[0072]
当前包裹流速信息确定单元，用于根据每个包裹对应的扫描时间，确定该入口对
应的当前包裹流速信息。
[0073]
可选地，当前包裹流速信息确定单元，具体用于：根据每个包裹对应的扫描时间，确定每相邻两个包裹之间的扫描时间间隔；对各个扫描时间间隔进行取平均处理，获得该入口对应的当前包裹流速信息。
[0074]
可选地，该装置还包括：
[0075]
目标监测节点确定模块，用于在确定分拣装置中的每个监测节点对应的当前拥堵预测结果之后，将当前拥堵预测结果为拥堵状态的监测节点作为目标监测节点；
[0076]
权重值确定模块，用于确定每个入口对目标监测节点造成拥堵影响的权重值；
[0077]
流速调节模块，用于根据每个入口对应的权重值，对入口的当前包裹流速进行调节，以使目标监测节点对应的当前拥堵预测结果为非拥堵状态。
[0078]
可选地，目标监测节点确定模块，具体用于：若存在至少两个当前拥堵预测结果为拥堵状态的监测节点，则获取当前拥堵预测结果为拥堵状态的每个监测节点对应的拥堵预测概率；将拥堵预测概率最大的监测节点作为目标监测节点。
[0079]
可选地，权重值确定模块，具体用于：在输入预设拥堵预测模型的各个当前包裹流速信息的附近区域内，随机生成包裹流速样本信息；将包裹流速样本信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，获得目标监测节点对应的样本拥堵预测概率；根据包裹流速样本信息和相应的样本拥堵预测概率进行线性拟合，并根据拟合后的线性模型确定每个入口对目标监测节点造成拥堵影响的权重值。
[0080]
可选地，流速调节模块，包括：
[0081]
当前调节入口确定单元，用于根据每个入口对应的权重值，确定当前调节入口；
[0082]
流速调节单元，用于根据当前调节入口对应的最小包裹流速信息，对当前调节入口的当前包裹流速进行调节，以使目标监测节点对应的当前拥堵预测结果为非拥堵状态。
[0083]
可选地，当前调节入口确定单元，具体用于：对每个入口对应的权重值进行排序，并将权重值最大的入口确定为当前调节入口。
[0084]
可选地，流速调节单元，具体用于：若将当前调节入口的当前包裹流速调节到相应的最小包裹流速时，目标监测节点对应的当前拥堵预测结果仍为拥堵状态，则确定下一调节入口，并基于下一调节入口对应的最小包裹流速信息，对下一调节入口的当前包裹流速进行调节，直到目标监测节点对应的拥堵预测结果为非拥堵状态为止。
[0085]
本发明实施例所提供的拥堵预测装置可执行本发明任意实施例所提供的拥堵预测方法，具备执行拥堵预测方法相应的功能模块和有益效果。
[0086]
值得注意的是，上述拥堵预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0087]
实施例四
[0088]
图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0089]
如图4所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括
系统存储器28和处理单元16)的总线18。
[0090]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0091]
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0092]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd
‑
rom,dvd
‑
rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0093]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0094]
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0095]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的一种拥堵预测方法步骤，该方法包括：
[0096]
确定分拣装置的每个入口对应的当前包裹流速信息；
[0097]
将各个当前包裹流速信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，确定分拣装置中的每个监测节点对应的当前拥堵预测结果；
[0098]
其中，预设拥堵预测模型是预先基于样本数据训练获得的。
[0099]
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的拥堵预测方法的技术方案。
[0100]
实施例五
[0101]
本实施例提供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
器执行时实现如本发明任意实施例所提供的拥堵预测方法步骤，该方法包括：
[0102]
确定分拣装置的每个入口对应的当前包裹流速信息；
[0103]
将各个当前包裹流速信息输入至预设拥堵预测模型中，并根据预设拥堵预测模型的输出，确定分拣装置中的每个监测节点对应的当前拥堵预测结果；
[0104]
其中，预设拥堵预测模型是预先基于样本数据训练获得的。
[0105]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、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。在本文件中，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。
[0106]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0107]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0108]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0109]
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
[0110]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以
包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。