一种基于物流数据处理识别自动收货方法及系统与流程

1.本发明属于数据处理技术领域，尤其涉及一种基于物流数据处理识别自动收货方法及系统。


背景技术：

2.目前，自提柜的选择主要以目的地距离为标准，存在用户取货的时刻错配问题，难以实现顺道取货，从用户出行时空规律出发，在深入分析自提柜顺道取货可行性的前提上，提出了以用户日常出行时空轨迹信息为基础，出行数据处理与活动热点识别。由于用户自提一般采取不行的方式，需要了解用户出行过程中停留的空间位置和时长，在辅助进行顺道自提柜选择时而无法获得用户当天收货点前序活动热点位置，使得自动收货过程过于繁琐和完成收货效率低下。用户自提时倾向于顺道取货，但现实中用户常需偏离顺道路径取货，往往在成自提柜资源使用不均，用户满意度降低的问题。


技术实现要素：

3.有鉴于此，本发明提供了一种基于物流数据处理识别自动收货方法及系统，解决了更好识别用户出行的时空规律，将收件点前序的一个热点提取作为规律活动热点的备选数据集，以空间距离为标准进行顺道自提柜选择，提高了自动取货的精度和效率，具体采用以下技术方案来实现。
4.第一方面，本发明提供了一种基于物流数据处理识别自动收货方法，包括以下步骤：
5.获取计算被记录的位置点与其后续位置点距离-时间是否满足预设阈值的活动热点，在识别活动热点后，用户每天的步行时空轨迹呈现以热点为节点的链状分布，将轨迹转换为热点链；
6.根据热点链中的热点是否包含收货点，判断用户不行轨迹数据是否为用户的常规轨迹，并将含有收货点的不行轨迹提取，筛选出收货点前一个热点和与收货点间的时空轨迹；
7.将用户收货点前一个规律活动热点作为顺道取货的起点，根据热点间热点到收件点的时间-空间距离转化成核密度估计值选择规律活动热点，其中规律活动热点为某一用户空间-时间上经常停留的热点；
8.确定选择的规律活动热点后，自提柜将依据该活动热点到自提柜和自提柜到收货点的距离进行选择，并将核密度估计值最高的自提柜位置作为终选自提柜，其中，自提柜的旋转在考虑距离、时间的基础上，将快递重量、体积转换为核密度估计值纳入选择决策。
9.作为上述技术方案的进一步改进，用户每天的步行时空轨迹呈现以热点为节点的链状分布，将轨迹转换为热点链，包括：
10.采集的用户时空轨迹数据集中字段包括用户id、位置点的经度和纬度、记录的时间戳和当时行进的速度；
11.采用c标识用户记录的步行轨迹条数，nc表示用户第c条步行轨迹位置信息总数，其中c＝1,...,c；w
ci
表示用户在第c条步行轨迹第i条记录的位置信息，t
ci
表示用户在第c条步行轨迹第i条记录的时间信息，sp
ci
表示用户在第c条步行轨迹第i条记录的速度；
12.步行提取的过程为：初始位置，i＝1,c＝1，当c＜c，若sp
ci
＜5km/h，则位置点坐标w
ci
保留，否则位置点w
ci
剔除，i＝i 1，c＝c 1。
13.作为上述技术方案的进一步改进，根据热点间热点到收件点的时间-空间距离转化成核密度估计值选择规律活动热点，包括：
14.活动热点反应用户活动轨迹空间上集聚，时间上停留的特征，为用户经常访问和连续停留的位置，设置d(w1,w2)表示位置点w1和w2之间的球面距离，l表示判断位置点间是否位于同一区域空间距离的约束，f(c,i)表示连续满足距离约束的位置点的数量，m表示为用户活动热点的判断标准，w'(c,i,n)表示用户第c条轨迹数据集从第i点到第(i n-1)点的平均位置信息，k表示用户活动热点的数量，x
ck
表示活动热点的位置，y
ck
表示用户进入活动热点的时间，t
ck
表示用户在活动热点停留的时间，gw
ck
表示活动热点的谦虚轨迹，gt
ck
表示活动热点前序轨迹的时间集合，活动热点位置识别后，用户时空轨迹形成以热点为节点的热点链；
15.通过遍历所有轨迹，将轨迹点聚集程度作为用户活动热点判断依据，f(c,i)表示第c条步行轨迹第i点与后续轨迹点的聚集程度，其表达式为当f(c,i)＞m则认为i点与后续点构成热点区域，该区域的中心为活动热点k，其位置信息x
ck
，其时间信息包括到达时间和停留时间分别由y
ck
、t
ck
表示，其前序轨迹和对应的时间分别为gw
ck
、gt
ck
。
16.作为上述技术方案的进一步改进，f(c,i)表示第c条不行轨迹从第i条位置信息附加满足距离约束的位置点的数量，其中i(c,i,n)表示用户第c条步行轨迹从第i点到第(i n-1)条记录的平均位置信息与第i n条位置信息是否满足距离约束l，计算公式如下：w'(c,i,n)表示第i点后续n个点位置的重心，计算公式如下所示：
17.活动热点识别过程为：初始位置：i＝1，k＝0，j＝0，j'＝0；第一步活动热点识别：若f(c,i)＞m，k＝k 1，i＝i f(c,i)；x
ck
＝w'(c,i,f(c,i))，y
ck
＝t
ci
，t
ck
＝t
c(i f(c,i)-1)-t
ci
；若j＞0，gw
ck
＝(w
cj
,...,w
c(j j')
)，gt
ck
＝(t
cj
,...,t
c(j j')
)；j＝i f(c,i)，j'＝0；若i＝nc，推出；否则转动第一步；若f(c,i)＜m，i＝i 1，j'＝j' 1，若i＝nc，推出；否则转到第一步。
18.作为上述技术方案的进一步改进，确定选择的规律活动热点后，自提柜将依据该活动热点到自提柜和自提柜到收货点的距离进行选择，包括：
19.活动热点提取首先依据热点链中的热点是否包含收件点，判断用户不行轨迹数据是否为用户的常规轨迹；
20.将含有收货点的热点链提取，并提取出收货点前一个热点和与收货点间的时空轨迹，设置λ表示判断热点是否为收件点的距离约束，c'表示筛选后的热点链条数，xz表示用户填写的收件点位置信息。
21.作为上述技术方案的进一步改进，还包括：
22.通过热点的识别，将用户时空轨迹转化为以用户活动热点为节点的活动热点链，需要识别热点链中热点是否包含收货点，若不包含则将该条热点链剔除，若包含则提取该条热点链，并将收货点和后续热点和轨迹剔除，筛选后剩余c'条热点链，ks个活动热点，提取对应热点链中收件点前一个热点位置x
c'k'
，到达热点的时间y
c'k'
，热点停留的时间t
c'k'
，前序轨迹集合gw
c'k'
，前序轨迹时间集合gt
c'k'
，其中c'＝1...c',k'＝1...ks；
23.活动热点链提取的过程：识别出活动热点天数据中包含收件点的数据，初始设置c＝1，c'＝0，第一步：识别包含收件点位置的活动热点天数据，当c＜c，若存在d(xz,x
ck'
)＜λ，将第c天数据记录，c＝c 1，c'＝c' 1转入第一步，否则将第c天数据剔除，c＝c 1，转入第一步，否则c＝c,c'＝c'，结束；
24.将c'天活动热点中与收件点距离的满足约束的活动热点剔除，剩余活动热点数量为ks，初始设置s＝0，c'＝1，k'＝1，第一步：剔除收件点区域的活动热点，当c'＜c'，若d(xz,x
c'k'
)＞λ，s＝s 1，x
c'k'
为非收件点的活动热点；若k'≠k
c'
；k'＝k' 1，转入判断d(xz,x
c'k'
)；否则c＝c 1，转入第一步；否则c＝c'，s＝ks；结束。
25.作为上述技术方案的进一步改进，提取后的用户活动热点，在空间上的分布相对稀疏，其中隐含的用户的出行偏好的知识信息进一步显化，空间聚集的程度的评价衡量和提取热点在空间的聚集情况；
26.将提取的热点间的空间欧式距离，作为空间聚集程度的评价参数，与周围的热点的空间距离越近，表明某热点的空间聚集程度越高，通过热点的空间聚集程度提取后的热点在空间中聚集的核心位置。
27.作为上述技术方案的进一步改进，核密度估计的过程包括：设x1，x2，...，xn为取值于π的独立分布的随机变量，其分布密度函数为f(x),x∈π,令x
i-x＝u，f(x)表示核密度函数，k(u)表示核函数，h表示带宽是预先确定的一个自由参数，带宽的大小影响核密度估计函数的平滑程度，x
i-x表示数据点之间的距离。
28.作为上述技术方案的进一步改进，将用户从规律活动热点出发到自提柜自提，再由自提柜位置前往收件点位置作为顺道取件的整个过程，在完成规律活动热点筛选后，用户顺道取件的起点和终点进而确定，末端用户前往自提柜取件先从起点前往自提柜，再由自提柜回到收件点，完成取件的整个过程。
29.第二方面，本发明还提供了一种基于物流数据处理识别自动收货系统，包括：
30.获取单元，用于获取计算被记录的位置点与其后续位置点距离-时间是否满足预设阈值的活动热点，在识别活动热点后，用户每天的步行时空轨迹呈现以热点为节点的链状分布，将轨迹转换为热点链；
31.判断单元，用于根据热点链中的热点是否包含收货点，判断用户不行轨迹数据是否为用户的常规轨迹，并将含有收货点的不行轨迹提取，筛选出收货点前一个热点和与收货点间的时空轨迹；
32.转换单元，用于将用户收货点前一个规律活动热点作为顺道取货的起点，根据热点间热点到收件点的时间-空间距离转化成核密度估计值选择规律活动热点，其中规律活动热点为某一用户空间-时间上经常停留的热点；
33.确定单元，用于确定选择的规律活动热点后，自提柜将依据该活动热点到自提柜和自提柜到收货点的距离进行选择，并将核密度估计值最高的自提柜位置作为终选自提柜，其中，自提柜的旋转在考虑距离、时间的基础上，将快递重量、体积转换为核密度估计值纳入选择决策。
34.本发明提供了一种基于物流数据处理识别自动收货方法及系统，具有以下有益效果：
35.通过获取计算被记录的位置点与其后续位置点距离-时间是否满足预设阈值的活动热点，在识别活动热点后，用户每天的步行时空轨迹呈现以热点为节点的链状分布，将轨迹转换为热点链，根据热点链中的热点是否包含收货点，判断用户不行轨迹数据是否为用户的常规轨迹，并将含有收货点的不行轨迹提取，筛选出收货点前一个热点和与收货点间的时空轨迹，将用户收货点前一个规律活动热点作为顺道取货的起点，根据热点间热点到收件点的时间-空间距离转化成核密度估计值选择规律活动热点，其中规律活动热点为某一用户空间-时间上经常停留的热点，确定选择的规律活动热点后，自提柜将依据该活动热点到自提柜和自提柜到收货点的距离进行选择，并将核密度估计值最高的自提柜位置作为终选自提柜。通过对用户步行时空轨迹数据进行挖掘，识别出用户出行的活动热点，从而将时空轨迹转化为以热点为节点的热点链，了解用户出行过程中停留的空间位置和时长，从而了解用户出行的偏好。根据核密度估算并通过数据距离和重构函数了解用户规律活动热点的筛选模型，可以提高自动取货的精确度和效率。
附图说明
36.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
37.图1为本发明提供的基于物流数据处理识别自动收货方法的流程图；
38.图2为本发明提供的轨迹转换为热点链的流程图；
39.图3为本发明提供的自提柜选择的过程图；
40.图4为本发明提供的基于物流数据处理识别自动收货系统的结构框图。
具体实施方式
41.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
42.参阅图1，本发明提供了一种基于物流数据处理识别自动收货方法，包括以下步骤：
43.s1：获取计算被记录的位置点与其后续位置点距离-时间是否满足预设阈值的活动热点，在识别活动热点后，用户每天的步行时空轨迹呈现以热点为节点的链状分布，将轨迹转换为热点链；
44.s2：根据热点链中的热点是否包含收货点，判断用户不行轨迹数据是否为用户的
常规轨迹，并将含有收货点的不行轨迹提取，筛选出收货点前一个热点和与收货点间的时空轨迹；
45.s3：将用户收货点前一个规律活动热点作为顺道取货的起点，根据热点间热点到收件点的时间-空间距离转化成核密度估计值选择规律活动热点，其中规律活动热点为某一用户空间-时间上经常停留的热点；
46.s4：确定选择的规律活动热点后，自提柜将依据该活动热点到自提柜和自提柜到收货点的距离进行选择，并将核密度估计值最高的自提柜位置作为终选自提柜，其中，自提柜的旋转在考虑距离、时间的基础上，将快递重量、体积转换为核密度估计值纳入选择决策。
47.本实施例中，用户每天的步行时空轨迹呈现以热点为节点的链状分布，将轨迹转换为热点链，采集的用户时空轨迹数据集中字段包括用户id、位置点的经度和纬度、记录的时间戳和当时行进的速度；采用c标识用户记录的步行轨迹条数，nc表示用户第c条步行轨迹位置信息总数，其中c＝1,...,c；w
ci
表示用户在第c条步行轨迹第i条记录的位置信息，t
ci
表示用户在第c条步行轨迹第i条记录的时间信息，sp
ci
表示用户在第c条步行轨迹第i条记录的速度；步行提取的过程为：初始位置，i＝1,c＝1，当c＜c，若sp
ci
＜5km/h，则位置点坐标w
ci
保留，否则位置点w
ci
剔除，i＝i 1，c＝c 1。
48.需要说明的是，根据热点间热点到收件点的时间-空间距离转化成核密度估计值选择规律活动热点，活动热点反应用户活动轨迹空间上集聚，时间上停留的特征，为用户经常访问和连续停留的位置，设置d(w1,w2)表示位置点w1和w2之间的球面距离，l表示判断位置点间是否位于同一区域空间距离的约束，f(c,i)表示连续满足距离约束的位置点的数量，m表示为用户活动热点的判断标准，w'(c,i,n)表示用户第c条轨迹数据集从第i点到第(i n-1)点的平均位置信息，k表示用户活动热点的数量，x
ck
表示活动热点的位置，y
ck
表示用户进入活动热点的时间，t
ck
表示用户在活动热点停留的时间，gw
ck
表示活动热点的谦虚轨迹，gt
ck
表示活动热点前序轨迹的时间集合，活动热点位置识别后，用户时空轨迹形成以热点为节点的热点链；通过遍历所有轨迹，将轨迹点聚集程度作为用户活动热点判断依据，f(c,i)表示第c条步行轨迹第i点与后续轨迹点的聚集程度，其表达式为当f(c,i)＞m则认为i点与后续点构成热点区域，该区域的中心为活动热点k，其位置信息x
ck
，其时间信息包括到达时间和停留时间分别由y
ck
、t
ck
表示，其前序轨迹和对应的时间分别为gw
ck
、gt
ck
。
49.应理解，f(c,i)表示第c条不行轨迹从第i条位置信息附加满足距离约束的位置点的数量，其中i(c,i,n)表示用户第c条步行轨迹从第i点到第(i n-1)条记录的平均位置信息与第i n条位置信息是否满足距离约束l，计算公式如下：w'(c,i,n)表示第i点后续n个点位置的重心，计算公式如下所示：活动热点识别过程为：初始位置：i＝1，k＝0，j＝0，j'＝0；第一步活动热点识别：若f(c,i)＞m，k＝k 1，i＝i f(c,i)；x
ck
＝w'(c,i,f(c,i))，y
ck
＝t
ci
，t
ck
＝t
c(i f(c,i)-1)-t
ci
；若j＞0，gw
ck
＝(w
cj
,...,w
c(j j')
)，gt
ck
＝(t
cj
,...,t
c(j j')
)；j＝i f(c,i)，j'＝0；若i＝nc，推出；否则转动第一步；若f(c,i)＜m，i＝i 1，j'＝j' 1，若i＝nc，推出；否则转到第一步。
50.参阅图2，确定选择的规律活动热点后，自提柜将依据该活动热点到自提柜和自提柜到收货点的距离进行选择，包括：
51.s20：活动热点提取首先依据热点链中的热点是否包含收件点，判断用户不行轨迹数据是否为用户的常规轨迹；
52.s21：将含有收货点的热点链提取，并提取出收货点前一个热点和与收货点间的时空轨迹，设置λ表示判断热点是否为收件点的距离约束，c'表示筛选后的热点链条数，xz表示用户填写的收件点位置信息。
53.本实施例中，通过热点的识别，将用户时空轨迹转化为以用户活动热点为节点的活动热点链，需要识别热点链中热点是否包含收货点，若不包含则将该条热点链剔除，若包含则提取该条热点链，并将收货点和后续热点和轨迹剔除，筛选后剩余c'条热点链，ks个活动热点，提取对应热点链中收件点前一个热点位置x
c'k'
，到达热点的时间y
c'k'
，热点停留的时间t
c'k'
，前序轨迹集合gw
c'k'
，前序轨迹时间集合gt
c'k'
，其中c'＝1...c',k'＝1...ks；活动热点链提取的过程：识别出活动热点天数据中包含收件点的数据，初始设置c＝1，c'＝0，第一步：识别包含收件点位置的活动热点天数据，当c＜c，若存在d(xz,x
ck'
)＜λ，将第c天数据记录，c＝c 1，c'＝c' 1转入第一步，否则将第c天数据剔除，c＝c 1，转入第一步，否则c＝c,c'＝c'，结束；将c'天活动热点中与收件点距离的满足约束的活动热点剔除，剩余活动热点数量为ks，初始设置s＝0，c'＝1，k'＝1，第一步：剔除收件点区域的活动热点，当c'＜c'，若d(xz,x
c'k'
)＞λ，s＝s 1，x
c'k'
为非收件点的活动热点；若k'≠k
c'
；k'＝k' 1，转入判断d(xz,x
c'k'
)；否则c＝c 1，转入第一步；否则c＝c'，s＝ks；结束。
54.需要说明的是，常规自提柜选择和顺道自提柜出发的角度不同，选择目标也不同，当末端出现时空错配时，常规自提柜选择从快递员的角度出发，在征得收件人同意后，在收件点附近以距离为参考为用户选择自提柜。这种选择方式不考虑用户在惠东收件点时，是否会增加额外的取件时间和路程，以顺道为目标的自提柜选择，从用户的角度出发，将用户的取件时间、取件距离、出行偏好和自提柜的位置纳入考虑，以用户额外增加的取件成本最少为用户选择自提柜。
55.参阅图3，本发明还提供了自提柜选择的过程，包括以下步骤：
56.s30：提取后的用户活动热点，在空间上的分布相对稀疏，其中隐含的用户的出行偏好的知识信息进一步显化，空间聚集的程度的评价衡量和提取热点在空间的聚集情况；
57.s31：将提取的热点间的空间欧式距离，作为空间聚集程度的评价参数，与周围的热点的空间距离越近，表明某热点的空间聚集程度越高，通过热点的空间聚集程度提取后的热点在空间中聚集的核心位置。
58.本实施例中，核密度估计的过程包括：设x1，x2，...，xn为取值于π的独立分布的随机变量，其分布密度函数为f(x),x∈π,令x
i-x＝u，f(x)表示核密度函数，k(u)表示核函数，h表示带宽是预先确定的一个自由参数，带宽的大小影响核密度估计函数的平滑程度，x
i-x表示数据点之间的距离。
59.需要说明的是，将用户从规律活动热点出发到自提柜自提，再由自提柜位置前往收件点位置作为顺道取件的整个过程，在完成规律活动热点筛选后，用户顺道取件的起点和终点进而确定，末端用户前往自提柜取件先从起点前往自提柜，再由自提柜回到收件点，
完成取件的整个过程。
60.应理解，活动热点能够反应用户活动轨迹空间上集聚，时间上停留的特征，通常指用户经常访问和连续停留的位置。为实现顺道取货，互动热点筛选先根据热点链中的热点是否包含收货点，判断用户步行轨迹数据是否为用户的常规轨迹，并将含有收货点的步行轨迹进行提取，其次筛选出收货点前一个热点和与收货点间的时空轨迹。时空数据集采集的方式是通过用户携带具备gps模块的移动终端，以固定的周期频繁且连续进行数据采集，采集的用户个人的轨迹信息量大且完善，用户数据集的采集方式是用户在某个地理位置接入网络后留下的具备时间戳的位置点数据。
61.参阅图4，本发明还提供了一种基于物流数据处理识别自动收货系统，包括：
62.获取单元，用于获取计算被记录的位置点与其后续位置点距离-时间是否满足预设阈值的活动热点，在识别活动热点后，用户每天的步行时空轨迹呈现以热点为节点的链状分布，将轨迹转换为热点链；
63.判断单元，用于根据热点链中的热点是否包含收货点，判断用户不行轨迹数据是否为用户的常规轨迹，并将含有收货点的不行轨迹提取，筛选出收货点前一个热点和与收货点间的时空轨迹；
64.转换单元，用于将用户收货点前一个规律活动热点作为顺道取货的起点，根据热点间热点到收件点的时间-空间距离转化成核密度估计值选择规律活动热点，其中规律活动热点为某一用户空间-时间上经常停留的热点；
65.确定单元，用于确定选择的规律活动热点后，自提柜将依据该活动热点到自提柜和自提柜到收货点的距离进行选择，并将核密度估计值最高的自提柜位置作为终选自提柜，其中，自提柜的旋转在考虑距离、时间的基础上，将快递重量、体积转换为核密度估计值纳入选择决策。
66.本实施例中，用户出行轨迹往往会存在非常规轨迹，为实现顺道取货，活动热点提取先根据热点链中的热点是否包含收件点，判断用户步行轨迹数据是否为用户的常规轨迹，并将含有收货点的热点链提取，并提取出收货点前一个热点和收货点间的时空轨迹。活动热点筛选是为了在识别和提取用户热点后，在提取的热点中诗选出时空聚集程度最高的点作为用户顺道取件的起点，这个起点所具备的空间上聚集、时间上停留的特点最为明显。通过对用户步行时空轨迹数据进行挖掘，识别出用户出行的活动热点，从而将时空轨迹转化为以热点为节点的热点链，了解用户出行过程中停留的空间位置和时长，从而了解用户出行的偏好。根据核密度估算并通过数据距离和重构函数了解用户规律活动热点的筛选模型，可以提高自动取货的精确度和效率。
67.在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
68.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
69.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。