一种用于估算配送快件平均体积的方法、装置及存储介质与流程

1.本发明涉及物流配送领域，特别涉及一种用于估算配送快件平均体积的方法、装置及存储介质。


背景技术：

2.在物流配送中，用产品结构表示一立方米体积可以容纳的快件的数量，产品结构作为物流配送中使用的一个基本参数，表示快件数量到体积的映射，其在数值上等于快件平均体积的倒数。
3.产品结构通常分为两种，一种为线段产品结构，线段指有车辆直达的两个分拨地之间的区段，一个线段通常承载多个始发分拨地和目的分拨地的快件，例如有班车运行济南-杭州线段，其中可能承载济南发往杭州、济宁发往杭州、济南发往嘉兴的快件，线段产品结构即为线段承载的所有快件的平均体积的倒数。另外一种为始发目的产品结构，即始发分拨地到目的分拨地所有快件平均体积的倒数。
4.在快递物流网络中，由于快件抛货居多，绝大部分车辆的装载受体积制约，而我们通常能够比较轻易地获得各个始发分拨到目的分拨的件量，如果要计算需要的车辆数量，就需要通过产品结构将件量转换成体积。由于很难获取每一个快件的精确体积，且始发地和目的地不同的快件通常有不同的产品结构，因此我们需要一种科学的方法来估算快递网络中各个分拨之间的产品结构数据。


技术实现要素：

5.本方案的一个目的在于提供一种用于估算配送快件平均体积的方法。
6.本方案的另一个目的在于提供一种用于估算配送快件平均体积的装置。
7.本方案的第三个目的在于提供一种存储介质。
8.为达到上述目的，本方案如下：
9.一种用于估算配送快件平均体积的方法，该方法包括：
10.基于获取的某日的某一始发分拨地至某一目的分拨地的待配送快件的测量数据，初步得出该日从所述始发分拨地至所述目的分拨地的待配送快件平均体积；
11.建立范数逼近模型，求解对从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数；
12.基于所述修正系数和初步得出的该日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，获得该日从所述始发分拨地至所述目的分拨地的待配送快件的平均体积。
13.优选的，所述建立范数逼近模型，求解对从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数包括：
14.基于初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第一层级修正系数；
15.基于第一层级修正系数和初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第二层级修正系数；
16.基于第一层级修正系数、第二层级修正系数和初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第三层级修正系数；
17.将第一层级修正系数，第二层级修正系数和第三层级修正系数相乘的结果作为对从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数；
18.为减少参数数量，在每一层级的拟合中，配送的快件数量不超过1000件的修正系数始终固定为1。
19.优选的，该方法还包括基于获取的快件测量数据筛选出满载车辆；
20.所述筛选出满载车辆包括：
21.基于始发分拨地和目的分拨地对待配送快件进行第一次分组，获取第一次分组后的每组快件的平均体积；
22.基于第一次分组后每组快件的平均体积和每辆运输车的装载数据，获得装载待配送快件的每辆运输车的近似装载体积；
23.将每辆运输车的近似装载体积与其额定装载体积进行比较，如近似装载体积与额定装载体积的比值大于等于0.95，则将该运输车选入第一筛选组；
24.基于已装载待配送快件的每辆运输车的额定装载体积和运输线段对全部运输车进行第二次分组；
25.对第二次分组后每组运输车按每辆运输车装载的快件数量从多到少排序，将排序在该组运输车前30％的运输车选入第二筛选组；
26.其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第二筛选组的运输车；
27.或
28.对第二次分组后每组运输车按每辆运输车装载的快件重量从多到少排序，将排序在该组运输车前30％的运输车选入第三筛选组；
29.其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第三筛选组的运输车；
30.将第一筛选组、第二筛选组和第三筛选组的运输车合并，按照每辆运输车的额定装载体积和运输线段对合并后的全部运输车进行第三次分组，找出第三次分组后的每一组中装载的快件数量最少或装载的快件重量最小的运输车，并以该运输车装载的快件数量或快件重量作为该组的筛选阈值，将该组中装载的快件数量或装载的快件重量超过筛选阈值的运输车确认为满载车辆。
31.优选的，第一次分组是将具有相同的始发分拨地和目的分拨地的待配送快件分为一组；
32.第二次分组是将额定装载体积和运输线段都相同的运输车分为一组；
33.第三次分组是将额定装载体积和运输线段都相同的运输车分为一组。
34.优选的，所述快件的测量数据包括快件的扫描日期，始发分拨地，目的分拨地，快件的测量体积。
35.第二方面，提供一种用于估算配送快件平均体积的装置，包括：
36.数据获取单元，基于获取的某日的某一始发分拨地至某一目的分拨地的待配送快件的测量数据，初步得出该日从所述始发分拨地至所述目的分拨地的待配送快件平均体积；
37.拟合单元，建立范数逼近模型，求解对从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数；
38.基于所述修正系数和初步得出的该日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，获得从所述始发分拨地至所述目的分拨地的待配送快件的平均体积。
39.其中，通过范数逼近模型求解最终修正系数包括：
40.基于初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第一层级修正系数；
41.基于第一层级修正系数和初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第二层级修正系数；
42.基于第一层级修正系数、第二层级修正系数和初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第三层级修正系数；
43.将第一层级修正系数，第二层级修正系数和第三层级修正系数相乘的结果作为对从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数；
44.为减少参数数量，在每一层级的拟合中，配送的快件数量不超过1000件的修正系数始终固定为1。
45.优选的，该装置还包括数据筛选单元，用于筛选出满载车辆，包括如下步骤：
46.基于始发分拨地和目的分拨地对待配送快件进行第一次分组，获取第一次分组后的每组快件的平均体积；
47.基于第一次分组后每组快件的平均体积和每辆运输车的装载数据，获得装载待配送快件的每辆运输车的近似装载体积；
48.将每辆运输车的近似装载体积与其额定装载体积进行比较，如近似装载体积与额定装载体积的比值大于等于0.95，则将该运输车选入第一筛选组；
49.基于已装载待配送快件的每辆运输车的额定装载体积和运输线段对全部运输车进行第二次分组；
50.对第二次分组后每组运输车按每辆运输车装载的快件数量从多到少排序，将排序在该组运输车前30％的运输车选入第二筛选组；
51.其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第二筛选组的运输车；
52.或
53.对第二次分组后每组运输车按每辆运输车装载的快件重量从多到少排序，将排序在该组运输车前30％的运输车选入第三筛选组；
54.其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第三筛选组的运输车；
55.将第一筛选组、第二筛选组和第三筛选组的运输车合并，按照每辆运输车的额定
装载体积和运输线段对合并后的全部运输车进行第三次分组，找出第三次分组后的每一组中装载的快件数量最少或装载的快件重量最小的运输车，并以该运输车装载的快件数量或快件重量作为该组的筛选阈值，将该组中装载的快件数量或装载的快件重量超过筛选阈值的运输车确认为满载车辆；
56.其中，第一次分组是将具有相同的始发分拨地和目的分拨地的待配送快件分为一组；
57.第二次分组是将额定装载体积和运输线段都相同的运输车分为一组；
58.第三次分组是将额定装载体积和运输线段都相同的运输车分为一组。
59.优选的，所述快件的测量数据包括快件的扫描日期，始发分拨地，目的分拨地，快件的测量体积。
60.第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述方法的步骤。
61.本方案的有益效果如下：
62.本方案提供了一种系统化的方法用以高效、准确地计算每一个始发分拨地到每一个目的分拨地的产品结构数据，从而可以更精确地根据要处理的快件数量进行车辆资源的安排。
附图说明
63.为了更清楚地说明本方案的实施，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本方案的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
64.图1为用于估算配送快件平均体积的方法流程图；
65.图2为用于估算配送快件平均体积的装置示意图。
具体实施方式
66.下面将结合附图对本方案的实施方式作进一步地详细描述。显然，所描述的实施例仅是本方案的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本方案中的实施例及实施例中的特征可以相互组合。
67.说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备，不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
68.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
69.物流网络中很大一部分为电商件，由于始发地的产业聚集效应以及目的地具有相
似的消费习惯，且分拨通常只覆盖有限的范围(通常为分拨所在城市及周边城市)，因此从某个始发分拨地发往相同目的分拨地的快件通常具有相似的特征，始发目的产品结构更能反映真实的情况。
70.分拨间的快件数量巨大，千差万别，因此产品结构只是一个统计意义上的数字，用来代表两地间快件的平均大小。快递网络通常有近百个分拨，因此需要估算的始发目的产品结构数量接近一万个。
71.物流公司一般会部署大量的dws(dimension weigh scanning)设备，可以使用激光测量各个快件的体积，但是由于快件形状的不规则，测量的体积并不十分精确。此外，估算产品结构的主要目的是通过件量确定需要的班车数量，而装载过程中会有一定的挤压变形与空隙。因此，即使可以得到每个快件精确的体积也不能直接导出产品结构。
72.在物流网络中，每辆班车的额定装载体积是已知的，其中装载的快件的数量，以及各个快件的始发分拨地和目的分拨地也是已知的，但是班车的实际装载体积是未知的，这给产品结构的估算带来了很大的挑战。
73.已有的计算线段产品结构的方法是将该线段上所有班车的实际装载体积之和除以该线段上的快件数量，由于班车的实际装载体积是未知的，通常只能筛选满载的班车，将其额定体积作为装载体积。根据筛选出的满车以及车辆的装载明细数据，可以计算线段产品结构。
74.已有的计算始发目的产品结构的方法是计算始发分拨地到目的分拨地所有快件平均体积的倒数。根据筛选出的满车以及车辆的装载明细数据，直接使用最小二乘法拟合各个始发目的的平均体积，并将其倒数作为始发目的产品结构。
75.但计算线段产品结构的方法由于受到快件路由的影响，路由指的是从始发分拨地到目的分拨地的完整路径，例如，从分拨地a发往目的分拨地d的路由为a-b-c-d，其中要经过b和c两个分拨地进行中转。一个线段上的快件通常具有多个始发分拨与目的分拨，如果快件的路由发生变化，对应线段的产品结构也会发生较大的变化，难以将其运用到未来的日期，而始发目的产品结构则较为稳定，如果日期相差不远的话，可以在未来直接使用当前的产品结构。
76.且计算线段产品结构无法计算无班车相连的两个分拨地之间的产品结构。如果两个分拨没有班车直接相连，则无法估算该线段上所有快件的体积，也就没有对应的线段产品结构。
77.计算始发目的产品结构的方法则拟合参数过多，始发目的总共有接近一万个，而使用一周的数据筛选出来的班车通常只有几千个，容易造成过拟合，虽然最终汇总到线段上的误差不大，但是各个流向可能与真实值的差距均较大。且对于同一始发目的多天的计算结果不稳定，对于件量较大的流向拟合较准，而对于件量较小的流向偏差较大。
78.针对现有计算方法存在的问题，本技术的发明人提出一种估算配送快件平均体积的方法，如图1所示，该方法包括：
79.s100基于获取的某日的某一始发分拨地至某一目的分拨地的待配送快件的测量数据，初步得出该日从所述始发分拨地至所述目的分拨地的待配送快件平均体积；
80.s200建立范数逼近模型，求解对从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数；
81.s300基于所述修正系数和初步得出的该日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，获得从所述始发分拨地至所述目的分拨地的待配送快件的平均体积。
82.在步骤s100中，基于始发分拨地和目的分拨地对待配送快件进行分组，获取分组后的每组待配送快件平均体积。
83.在步骤s200中，
84.求解所述修正系数包括：
85.基于初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第一层级修正系数；
86.基于第一层级修正系数和初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第二层级修正系数；
87.基于第一层级修正系数、第二层级修正系数和初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第三层级修正系数；
88.将第一层级修正系数，第二层级修正系数和第三层级修正系数相乘的结果作为对从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数；
89.为减少参数数量，在每一层级的拟合中，配送的快件数量不超过1000件的修正系数始终固定为1。
90.同时，步骤s200还包括基于获取的快件测量数据筛选出满载车辆，筛选满载车辆的步骤如下：
91.基于始发分拨地和目的分拨地对待配送快件进行第一次分组，获取第一次分组后的每组快件的平均体积；
92.基于第一次分组后每组快件的平均体积和每辆运输车的装载数据，获得装载待配送快件的每辆运输车的近似装载体积；
93.其中，每辆运输车上可能装载多组待配送快件；
94.将每辆运输车的近似装载体积与其额定装载体积进行比较，如近似装载体积与额定装载体积的比值大于等于0.95，则将该运输车选入第一筛选组；
95.基于已装载待配送快件的每辆运输车的额定装载体积和运输线段对全部运输车进行第二次分组；
96.对第二次分组后每组运输车按每辆运输车装载的快件数量从多到少排序，将排序在该组运输车前30％的运输车选入第二筛选组；其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第二筛选组的运输车；
97.或
98.对第二次分组后每组运输车按每辆运输车装载的快件重量从多到少排序，将排序在该组运输车前30％的运输车选入第三筛选组；其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第三筛选组的运输车；
99.将第一筛选组、第二筛选组和第三筛选组的运输车合并，按照每辆运输车的额定装载体积和运输线段对合并后的全部运输车进行第三次分组，找出第三次分组后的每一组中装载的快件数量最少或装载的快件重量最小的运输车，并以该运输车装载的快件数量或
快件重量作为该组的筛选阈值，将该组中装载的快件数量或装载的快件重量超过筛选阈值的运输车确认为满载车辆。
100.下面通过具体实施例对本方案进行说明。
101.步骤1：从dws设备(自动化包裹称重扫描测体积设备)，获取从多个始发分拨地配送至各个目的分拨地的快件的测量数据，下面表1中为获取的某一始发分拨地发至某一目的分拨地的快件的扫描记录。
102.表1
[0103][0104][0105]
剔除扫描数据中的异常值后，按照(扫描日期，始发分拨地，目的分拨地)分组，例如，如表1中的快件，以杭州转运中心为始发分拨地，以北京转运中心为目的分拨地，这些快件被分为同一组；
[0106]
计算各组快件的平均体积，初步得到每日待配送快件的平均体积。
[0107]
步骤2：筛选满载车辆
[0108]
表2所示为一辆运输车上装载的待配送快件的测量数据。
[0109]
表2
[0110][0111]
由于只有满载的运输车才知道准确的装载体积，因此需要从所有的装载数据中筛选出满载车辆。筛选的方法如下：
[0112]
基于始发分拨地和目的分拨地对待配送快件进行第一次分组，获取第一次分组后的每组快件的平均体积；
[0113]
基于第一次分组后每组快件的平均体积和每辆运输车的装载数据，获得装载待配送快件的每辆运输车的近似装载体积；
[0114]
将每辆运输车的近似装载体积与其额定装载体积进行比较，如近似装载体积与额定装载体积的比值大于等于0.95，则将该运输车选入第一筛选组；
[0115]
基于已装载待配送快件的每辆运输车的额定装载体积和运输线段对全部运输车进行第二次分组；
[0116]
对第二次分组后每组运输车按每辆运输车装载的快件数量从多到少排序，将排序在该组运输车前30％的运输车选入第二筛选组；其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第二筛选组的运输车；
[0117]
或
[0118]
对第二次分组后每组运输车按每辆运输车装载的快件重量从多到少排序，将排序在该组运输车前30％的运输车选入第三筛选组；其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第三筛选组的运输车；
[0119]
将第一筛选组、第二筛选组和第三筛选组的运输车合并，按照每辆运输车的额定装载体积和运输线段对合并后的全部运输车进行第三次分组，找出第三次分组后的每一组中装载的快件数量最少或装载的快件重量最小的运输车，并以该运输车装载的快件数量或快件重量作为该组的筛选阈值，将该组中装载的快件数量或装载的快件重量超过筛选阈值的运输车确认为满载车辆。
[0120]
步骤3：建立范数逼近模型
[0121]
根据获得满载车辆上的快件的各项测量数据，建立范数逼近模型，由于相邻日期的快件体积变化幅度应当很小，如果直接拟合各个始发目的的平均体积可能会导致相邻日期的结果差异过大，因此选择拟合dws测量值的修正系数。虽然dws测量值并不准确，但是同一方向不同日期的测量值的变化趋势可以反映真实的快件体积的趋势，即dws测量值同时存在系统误差与随机误差，通过拟合各个运输方向的修正系数，可以消除测量值的系统误差。
[0122]
为了避免过拟合，不直接拟合所有始发分拨地到目的分拨地的修正系数，而是分为三个层级依次进行拟合。首先基于各个始发分拨地的dws测量值拟合第一层级修正系数，此时需要拟合的参数只有不到100个；然后再拟合始发分拨地到目的分拨地所在省的修正系数即第二层级修正系数；最后再拟合始发分拨地到目的分拨地的修正系数即第三层级修正系数。为了进一步减少参数数量，在每个层级中快件数量不超过1000的修正系数始终固定为1。这三个层级的变量数逐级增加，修正系数允许的变动范围逐级减小，最终的修正系数等于三个层级的修正系数的乘积，最终的产品结构等于修正系数与dws测量的平均体积的乘积的倒数。本方法的基本构思是，始发分拨地对于修正系数起了决定性的作用，同样的始发分拨地，不同的目的省和目的分拨地的修正系数只能进行微调。
[0123]
通过建立范数逼近模型，即在已知每辆运输车在每个线段的实际装载方数(体积)以及装载的各个始发分拨地和目的分拨地快件数量的情况下，找到一组最优的对dws测量值的修正系数，在满足上下界约束的情况下，使得计算的方数与实际装载方数的误差最小。对于给定的层级l，建立的范数逼近模型如式(1)所示：
[0124][0125]
式(1)表示的模型中符号的含义见表1。目标函数包含三项：误差项、正则项、松弛变量惩罚，|| ||为某种范数，其含义为最小化实际装载体积与计算体积误差的某个范数之和，一般取1-范数，即误差绝对值之和；或2-范数，即误差平方和(此时为最小二乘问题)。为了防止过拟合，目标函数中加入了l2正则化，即待拟合的修正系数与前几日修正系数均值的差异。第一个约束给出了修正系数的上下界约束，第二三个约束给出了最终产品结构的上下界约束，为了保证可行性，引入了松弛变量s。
[0126]
表1
[0127]
[0128][0129]
为了获得更好的鲁棒性，消除某些异常数据对结果的影响，这里采用1-范数，通过引入辅助变量可以将绝对值目标转化为线性约束，如式(2)所示，其中u
t
为引入的辅助变量，这是一个凸的二次规划问题，使用求解器可以直接得到最优解。
[0130][0131]
以浙江省发往河北省和河南省的快件为例，按照步骤1所述，对所有快件的dws扫描记录(始发分拨，目的分拨)进行分组，求得各组的平均体积，数据如表4所示：
[0132]
表4各个方向dws测量平均体积
[0133][0134]
表5班车装载明细
[0135][0136]
表5为浙江省发往河北省和河南省的班车的装载明细，以表5为例，进行满载运输车的筛选流程如下：
[0137]
首先计算，各辆车的近似装载体积，以dbgj003603为例，其装载杭州-洛阳快件892件，义乌-洛阳快件17914件，从表4得知杭州-洛阳快件测量平均体积为0.00804m3，义乌-洛阳快件测量平均体积为0.00405m3，因而该运输车的近似装载体积为892
×
0.00804 17914
×
0.00405＝79.72m3。经计算，三辆运输车的近似装载体积与额定方数的比值均小于0.95，因此第一筛选组为空。
[0138]
以表5中的义乌-洛阳线段及额定装载体积为135m3的分组为例，因为具有相同的额定装载体积和相同的线段被分为一组，因此该组中包含有如下三辆运输车，即dbgj003603、dbgj003604、qygj013652；
[0139]
按该组中运输车装载的快件数量进行排序，选取排序在该组前30％的运输车，在选取运输车的时候，按照向上取整的原则进行选取，由于该组中只有3辆运输车，则3
×
30％＝0.9，不足一辆车，但根据向上取整则可以选取一辆车即选取装载快件数量最多的运输车作为进入第二筛选组的车辆，即选取dbgj003603进入第二筛选组；
[0140]
同理，第三筛选组选取装载重量最大的运输车，仍然是dbgj003603。
[0141]
将第一筛选组，第二筛选组和第三筛选组的运输车合并，合并之后的运输车集合中只有一辆，即dbgj003603，其最小的装载快件数量和快件重量分别为18806，8675.76kg，将该车装载的快件数量和快件重量作为筛选阈值，即所有义乌-洛阳线段上额定装载体积为135m3的车辆中，只要装载快件数量或快件重量大于等于该阈值，则确认为满载车辆。本实施例中只有dbgj003603这一个满载车辆。最终得到的满载车辆如表6所示。
[0142]
表6最终筛选得到的满载车辆
[0143][0144]
首先使用式(2)计算第一层级的修正系数，即杭州和义乌的修正系数，此时v
lod
等于从o到d的dws测量的平均体积，将数据代入后可以使用优化求解器(如gurobi、cplex等)进行求解，可以得到杭州和义乌的修正系数；然后继续使用式(2)计算第二层级的修正系数，此时v
lod
等于从o到d的dws测量的平均体积乘以第一层级中o的修正系数，可以得到杭州到河北省、河南省，以及义乌到河北省、河南省的修正系数；最后使用式(2)计算第三层级的修正系数，此时v
lod
等于从o到d的dws测量的平均体积乘以第一层级中o的修正系数，再乘以第二层级中从o到d所在省的修正系数。最后，从o到d的平均体积等于o到d的dws测量平均体积乘以第一层级得到的o的修正系数，再乘以第二层级得到的o到d所在省的修正系数，最后乘以第三层级得到的o到d的修正系数。
[0145]
如图2所示，本实施例还提供一种用于估算配送快件平均体积的装置10，该装置包括：
[0146]
数据获取单元11，基于获取的某日的某一始发分拨地至某一目的分拨地的待配送快件的测量数据，初步得出该日从所述始发分拨地至所述目的分拨地的待配送快件平均体积；
[0147]
拟合单元13，建立范数逼近模型，求解对从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数；
[0148]
基于所述修正系数和初步得出的该日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，获得从所述始发分拨地至所述目的分拨地的待配送快件的平均体积其中，通过范数逼近模型求解最终修正系数包括：
[0149]
基于初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第一层级修正系数；
[0150]
基于第一层级修正系数和初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第二层级修正系数；
[0151]
基于第一层级修正系数、第二层级修正系数和初步得出的某日从所述始发分拨地至所述目的分拨地的待配送快件平均体积，利用范数逼近模型进行拟合，获得第三层级修正系数；
[0152]
将第一层级修正系数，第二层级修正系数和第三层级修正系数相乘的结果作为对
从所述始发分拨地至所述目的分拨地的待配送快件平均体积进行修正的修正系数；
[0153]
为减少参数数量，在每一层级的拟合中，配送的快件数量不超过1000件的修正系数始终固定为1。
[0154]
该装置还包括数据筛选单元12，用于筛选出满载车辆，包括如下步骤该装置还包括数据筛选单元，用于筛选出满载车辆，包括如下步骤:
[0155]
基于始发分拨地和目的分拨地对待配送快件进行第一次分组，获取第一次分组后的每组快件的平均体积；
[0156]
基于第一次分组后每组快件的平均体积和每辆运输车的装载数据，获得装载待配送快件的每辆运输车的近似装载体积；
[0157]
将每辆运输车的近似装载体积与其额定装载体积进行比较，如近似装载体积与额定装载体积的比值大于等于0.95，则将该运输车选入第一筛选组；
[0158]
基于已装载待配送快件的每辆运输车的额定装载体积和运输线段对全部运输车进行第二次分组；
[0159]
对第二次分组后每组运输车按每辆运输车装载的快件数量从多到少排序，将排序在该组运输车前30％的运输车选入第二筛选组；其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第二筛选组的运输车；或
[0160]
对第二次分组后每组运输车按每辆运输车装载的快件重量从多到少排序，将排序在该组运输车前30％的运输车选入第三筛选组；其中对排序在该组运输车前30％的运输车采用向上取整的方法确定进入第三筛选组的运输车；
[0161]
将第一筛选组、第二筛选组和第三筛选组的运输车合并，按照每辆运输车的额定装载体积和运输线段对合并后的全部运输车进行第三次分组，找出第三次分组后的每一组中装载的快件数量最少或装载的快件重量最小的运输车，并以该运输车装载的快件数量或快件重量作为该组的筛选阈值，将该组中装载的快件数量或装载的快件重量超过筛选阈值的运输车确认为满载车辆。
[0162]
本方案进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述数据采集方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
[0163]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
[0164]
计算机可读存储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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
[0165]
计算机可读存储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、有线、光缆、rf等等，或者上述的任意合适的组合。
[0166]
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如java、c 等，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设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0167]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。