[发明专利]基于序列异常判断的物流站点风险预测方法

说明书

本发明公开了一种基于序列异常判断的物流站点风险预测方法，包括步骤：S1，获取用于预测物流站点风险的特征数据并形成为特征序列数据；S2，对不同类型的特征序列数据，利用Boxplot、3‑sigma、联合Boxplot和3‑sigma、结合STL和ESD方法中的任意一种或多种异常值检测算法进行异常特征检测；S3，判断检测出的异常特征数量是否超过预设的数量阈值，若是，则判定物流站点当前存在风险；若否，则判定物流站点当前不存在风险。本发明利用异常值检测算法对预测物流站点风险的特征数据进行异常值检测，实现了对物流站点风险的机器预测，克服了以往采用人工预测方式效率低下、准确率不高的技术问题。

技术领域

本发明涉及风险预测技术领域，具体涉及一种基于序列异常判断的物流站点风险预测方法。

背景技术

物流网络中的站点即平常而我们在取件或是寄件时直接接触的物流服务机构，是物流网络的门面，既是物流网络的前端也是物流网络的末端，承担着揽收和派送快件的重要工作。物流站点风险即站点由于某种原因无法承担快件的揽收和派送工作而造成的物流网络某一片区瘫痪的风险。造成站点风险的原因有许多，如站点经营不善、快件量突增来不及派送、招不到小件员(快递员)等人为及市场影响因素，或是天气、疫情、自然灾害等不可抗力影响因素。站点出现风险会使得物流网络服务质量下降，严重情况下会造成物流网络局部瘫痪，客户无法及时寄件或取件等不良影响。因此，需要对物流站点的运行是否健康做出预测、判断，以及时介入，减轻影响。

目前，预测物流站点风险的方法普遍采用人工预测。有经验的员工通过设定风险评估指标，并通过分析一些日常的物流数据，如站点的派件量、快件堆积量等，通过简单数学运算后得到相应的指标值，并判断指标值是否超过人为设定的阈值，当超过阈值时，判定物流站点异常，存在风险。但这种人为预测物流站点风险的方式依赖人为经验，局限性很大，且预测结果准确率不高，预测效率也非常低下。当用于站点风险预测的数据量过大时，人为预测方式更加力不从心，发现站点异常的滞后性将更加明显。

发明内容

本发明以实现机器预测物流站点风险，提高站点风险预测准确度和预测效率为目的，提供了一种基于序列异常判断的物流站点风险预测方法。

为达此目的，本发明采用以下技术方案：

提供一种基于序列异常判断的物流站点风险预测方法，包括步骤：

S1，获取用于预测物流站点风险的特征数据并形成为特征序列数据；

S2，对不同类型的所述特征序列数据，利用Boxplot、3-sigma、联合Boxplot和3-sigma、结合STL和ESD方法中的任意一种或多种异常值检测算法进行异常特征检测；

S3，判断检测出的异常特征数量是否超过预设的数量阈值，

若是，则判定所述物流站点当前存在风险；

若否，则判定所述物流站点当前不存在风险。

作为本发明的一种优选方案，用于预测物流站点风险的所述特征数据包括所述物流站点的快件堆积量、快件签收量以及小件员数量中的任意一种或多种。

作为本发明的一种优选方案，步骤S2中，联合Boxplot和3-sigma的异常值检测算法对所述特征序列数据进行异常特征检测的方法包括步骤：

A1，计算所述特征序列数据的hight值和low值；

A2，根据所述特征序列数据的数据类型，并基于所述hight值和/或所述low值判断所述特征序列数据中的每个数据是否为异常特征，具体判断方法如下：

当所述特征序列数据为快件堆积量特征序列数据时，判断序列中的每个数据的值是否大于所述hight值，

若是，则判定该数据为异常特征；

若否，则判定该数据为非异常特征；