[发明专利]一种基于机器学习的快递站点健康度检测方法

说明书

本发明公开一种基于机器学习的快递站点健康度检测方法，包括：快递站点历史运营数据采集；采用特征工程方法对运营数据进行处理，构建建模使用的特征属性集：使用各种原始运营数据构造能体现站点运营状况的特征属性集S1；从S1中选取特征子集，并以多项式曲线拟合技术，构建能够体现站点长期运营状况变化趋势的特征属性集S2；使用构建好的特征属性数据集训练模型：对特征属性集S1中的正面样例进行上采样，然后训练随机森林模型Model1；修改随机森林的Bootstrap采样方法为下采样方法，然后使用特征属性集S2训练改进后的随机森林模型Model2。本发明可根据快递站点的运营状况发现运营异常及存在异常变化趋势的站点。

技术领域

本发明涉及物流技术领域。更具体地，涉及一种基于机器学习的快递站点健康度检测方法。

背景技术

稳定的快递网络是保证快递业务正常运转的主要因素。其中，网络末端的快递站点发生运营异常对快递网络的稳定性造成的影响很大。在现阶段运营中，几乎每个月都有一定数量的快递站点出现运营异常的情况，这会对正常的快递业务造成短时间内无法消除的影响。由于运营异常情况一般都属于突发状况，快递网络的管理端无法及时感知到问题的出现，或者虽然发现问题但留给管理端的应对时间很短，所以出现站点运营异常的情况基本都会对正常的快递业务造成影响。

因此，需要提供一种可根据快递站点的运营情况判断快递站点是否出现运营异常或者存在运营异常发生倾向的基于机器学习的快递站点健康度检测方法。

发明内容

本发明的目的在于提供一种基于机器学习的快递站点健康度检测方法，能根据快递站点的运营情况提前发现运营异常或者存在运营异常发生倾向的快递站点。进而，一方面，快递网络管理人员可以提前介入并进行改善；另一方面，也能有充分的时间提前准备新的加盟资源，减少甚至消除快递站点发生运营异常对快递网络造成的影响。

为达到上述目的，本发明采用下述技术方案：

一种基于机器学习的快递站点健康度检测方法，包括如下步骤：

步骤1、以快递站点各种运营数据的周均值作为各运营数据的周稳定值，选取各运营数据的多周稳定值，构建能够体现快递站点整体运营状况的特征属性集S1；

步骤2、从S1中选取能够体现快递站点运营异常发生前长期变化趋势的特征属性子集，并以多项式曲线拟合技术分别拟合选取出的特征属性子集中各特征属性的多周稳定值，将拟合产生的多项式系数以及选取出的特征属性子集中各特征属性的首尾周稳定值的差值进行组合，构建能够体现快递站点长期运营状况变化趋势的特征属性集S2；

步骤3、以运营异常发生时间为基准来分别对齐发生运营异常的快递站点与正常运营的快递站点平稳运营时的特征属性集S1与S2，并将S1与S2分别根据快递站点发生运营异常或正常运营进行分类；

步骤4、从已经对齐并分类的特征属性集S1包含的数据中，选取发生运营异常的快递站点运营异常发生前n₁周的数据与正常运营的快递站点相同周数的平稳运营时的数据；对归属于正面样例的发生运营异常的快递站点的特征属性集S1进行向上采样，然后使用随机森林算法构造并训练模型Model1；从已经对齐并分类的特征属性集S2包含的数据中，选取发生运营异常的快递站点运营异常发生n₂周前的n₃周的数据与正常运营站点相同周数的平稳运营时的数据，使用改进的随机森林算法构造并训练模型Model2，其中，改进的随机森林算法是将构建单棵决策树的抽样方法由Bootsrap方法改进为每次从样本量大的反面样例中随机有放回地选取一定比例的样本的下采样方法；