[发明专利]一种运单滞留预测方法

说明书

技术领域

本发明属于快件滞留运单预测技术领域，尤其涉及一种运单滞留预测方法。

背景技术

在快递行业中，针对不同的快递产品，都要求收派员在系统规定的派送时间前完成派送任务，并以此作为考核收派员业务能力的重要指标之一。然而，在实际业务场景中，很多情况会导致收派员无法在规定的时间内完成派送任务，如收派员能力限制、节假日客户不在、极端天气等。在这些情况下，收派员一般会对快件作滞留回仓操作。这些滞留的快件，一方面会影响整体的派送效率，收派员会在这些滞留的快件上做很多无用功。另一方面，非客户原因的滞留也会导致客户满意度的降低，影响公司的口碑。因此，如何预测运单滞留，在收派员派送前就做特殊处理，是一个十分重要的课题。

综上所述，现有技术存在的问题是：

由于目前网点采取的“全量派送”的模式，即不管什么件，在客户未要求的情况下，只要一到达网点，都需要立即去派送。同时，收派员由于对包裹信息不了解，或者对区域信息，客户信息不熟悉，造成很多派送都是无效劳动。结果就造成了很多快递包裹，最终都变成了滞留件，并且耗费了大量的生产成本。滞留的快件影响整体的派送效率，非客户原因的滞留也会导致客户满意度的降低。

发明内容

针对现有技术存在的问题，本发明提供了一种运单滞留预测方法。

提供一种运单滞留预测方法，包括：

获取历史运单收派记录的特征数据；

建立logit回归模型，利用监督学习对该logit回归模型进行训练；

利用logit线性回归模型预测运单的滞留概率，并与预设的阈值比较，若滞留概率值大于预设阈值则判断为滞留运单，若滞留概率小于预设阈值则判断为正常运单。

进一步，所述历史运单收派记录的特征数据，包括：

收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据中的至少一种。

进一步，所述收派员操作数据，包括：

妥投操作、滞留操作、操作网点、操作单元区域、单元区域类型、出仓时间、出仓收派员标识信息。

进一步，所述运单信息数据包括：

收件人电话、收件人地址、托寄物内容、体积及重量。

进一步，所述收派员属性信息包括

收派员性别、年龄、入职年月、雇佣类型、及交通工具信息。

进一步，所述运单结算数据，包括：

总费用、月结卡号、支付类型。

进一步，所述衍生列计算数据，包括：

每天的任务量、出仓任务前的运单滞留量。

进一步，所述运单滞留预测方法还包括对收派员操作数据、运单信息数据、收派员属性数据、运单结算数据、天气数据及衍生列计算数据的空缺值及异常值进行填补或删除。

进一步，所述对logit回归模型进行训练，包括：

获取特征数据的数据集，所述数据集包括m个训练样本，

其中，表示第1个logit回归模型训练样本的第一个特征数据；y¹表示第1个训练记录对应的训练分类数据；

将数据集输入logi t回归模型对应的系数求解函数中，获取对应的相关系；

利用优化函数来计算各个变量的系数，并通过迭代的方法，来优化系数。

进一步，所述运单滞留预测方法还包括利用p-value对变量进行显著性检验，筛掉对结果判断不显著的特征数据。

进一步，所述运单滞留预测方法还包括检测特征数据与特征数据之间是否存在线性关系，利用预设的方差膨胀阈值，删除具有共线性的特征数据。

本发明的优点及积极效果为：对历史数据进行建模，揭示滞留运单的特征，更好理解滞留运单产生的原因；通过快件滞留预测引擎，运单在中转场发往分部的时候，就可以预测是否会被滞留。并在运单滞留前，就对运单进行特殊对待；滞留运单预测综合考虑了客户、收派员、派送时段等多维度信息；支持实时的在线分析，以及离线的优化升级；并可以在后期的运营维护中，增加新的维度信息，优化模型预测准确率。

本发明在寄件派送前就预测寄件是否会被滞留，针对被滞留的寄件可以选择不出仓或者延时派送，优化派送效率，降低派送成本。

本发明提供的模型对深圳试点网点的19124个历史派件进行滞留概率预测，结果如下：