[发明专利]基于XGBoost模型的异常下单重量预警方法及系统

说明书

本发明公开了一种基于XGBoost模型的异常下单重量预警方法及系统，其中，方法包括：接收客户当前下单数据；结合客户当前下单和历史下单数据进行特征工程，构建当前下单关联的入模特征变量集；将当前下单关联的入模特征变量集输入至训练好的XGBoost模型中，分别获得当前下单为坏订单和好订单的概率；根据当前下单为坏订单和好订单的概率，判断是否作出调整下单重量预警。本发明通过将当前下单数据结合历史下单数据进行特征工程，并输入至XGBoost模型中，得到当前下单为坏订单和好订单的概率，进而判断是否作出调整下单重量预警，避免因客户提供的下单重量不准确而导致安排的取件车辆不合理，降低取件车辆空跑率，节省运输成本。

技术领域

本发明涉及物流货量预测技术领域，尤其涉及一种基于XGBoost模型的异常下单重量预警方法及系统。

背景技术

在物流行业，客户在填写托寄物的大概重量时，由于各种原因(误填、乱填)往往不能做到精准估计托寄物的实际重量，从而导致托寄物的大概重量和实际重量偏差过大。例如某客户托寄物的实际重量为500公斤，而客户在下单时由于个人疏忽只填写了50公斤，这样产生的一个直接后果是调度安排的取件车辆载重不匹配，本应该安排小卡车取货却只安排了小型面包车，等司机到达客户处发现面包车不能装载所有托寄物后，只能返回点部重新换车。再例如客户托寄物的实际重量为50斤，而下单时填写了500斤，导致调度安排小卡车取货，浪费了小卡车的运力资源。由于客户下单不严谨不仅导致取件司机空跑或浪费运力资源，而且使得司机取件操作时间延长，影响客户体验效果。

发明内容

本发明提供了一种基于XGBoost模型的异常下单重量预警方法及系统，以解决现有物流行业中，客户下单时误填下单重量导致不能合理安排的取件车辆，造成资源浪费的问题。

为了解决上述问题，本发明提供了一种基于XGBoost模型的异常下单重量预警方法，包括：接收客户当前下单数据；结合客户当前下单和历史下单数据进行特征工程，构建当前下单关联的入模特征变量；特征工程构建的特征包括，当前下单的重量、件数、时间、下单渠道，以及基于历史下单数据统计出来的下单实际重量和件数的特定最大值、最小值、求和值、平均数值、中位数值和四分位数值；将当前下单关联的入模特征变量输入至训练好的XGBoost模型中，分别获得当前下单为坏订单和好订单的概率；坏订单是指下单实际重量与下单重量的绝对差值大于预设重量阈值；反之，则为好订单；根据当前下单为坏订单和好订单的概率，判断是否作出调整下单重量预警。

作为本发明的进一步改进，在接收客户当前下单数据之前，先对XGBoost模型进行训练，包括：获取所有客户的历史下单数据集；随机剔除历史下单数据集中的订单，得到目标历史下单数据集；目标历史下单数据集中好订单与坏订单的单数比达到预设比例值；对目标历史下单数据集进行特征工程，构建入模特征变量集；将目标历史下单数据集中每单为好订单或坏订单信息，以及入模特征变量集输入至XGBoost模型，对XGBoost模型进行训练。

作为本发明的进一步改进，根据当前下单为坏订单和好订单的概率，判断是否作出调整下单重量预警的步骤，包括：若当前下单为坏订单的概率高于预设概率阈值，则作出调整重量预警；或若当前下单为坏订单的概率高于为好订单的概率，则作出调整重量预警。

作为本发明的进一步改进，目标历史下单数据集中好订单与坏订单单数比的预设比例值为2:1。

作为本发明的进一步改进，获取所有客户的历史下单数据集步骤之后，先对历史下单数据集中的下单重量和下单件数进行数据清洗，包括：若客户当笔下单的下单重量为零，则将该笔下单的下单重量替换为该客户历史下单数据中记录的下单最小实际重量；若客户当笔下单的下单重量大于预设下单重量阈值，则将该笔下单的下单重量替换为该客户历史下单数据中记录的所有下单实际重量的中位数；若客户当笔下单的下单件数为零，则将该笔下单的下单件数替换为该客户历史下单数据中记录的下单最小实际件数；若客户当笔下单的下单件数大于预设下单件数阈值，则将该笔下单的下单件数替换为该客户历史下单数据中记录的所有下单实际件数的中位数。