拼单网络模型的生成方法及装置、计算机可读介质以及物流系统

摘要

本发明涉及一种拼单网络模型的生成方法及装置、计算机可读介质以及物流系统。该拼单网络模型的生成方法，包括：步骤S1，获取包含运输数据的历史订单，筛选出同一拼单调度下的多个订单；步骤S2，将同一拼单调度下多个订单的运输数据转换为一特征向量c，遍历所有历史订单，集合所有特征向量形成特征向量空间；步骤S3，采用DBSCAN算法对特征向量空间进行聚类。通过本发明提供的方案有助于建立基于DBSCAN的拼单网络模型，使多城配送拼单方法的调度更合理，可完全自动化运行大规模的拼单操作。

权利要求

1.一种拼单网络模型的生成方法，包括：步骤S1，获取包含运输数据的历史订单，筛选出同一拼单调度下的多个订单；

步骤S2，将同一拼单调度下多个订单的运输数据转换为一特征向量c，遍历所有历史订单，集合所有特征向量形成特征向量空间；

步骤S3，采用DBSCAN算法对所述特征向量空间进行聚类。

2.如权利要求1所述的生成方法，其特征在于，所述特征向量c至少包含三个特征α，β，γ，所述特征向量c表述为：c＝(α，β，γ)

其中α为所述同一拼车调度中最小延期时间，β为所述同一拼车调度中的前段距离与后段距离比值，γ为所述同一拼单调度中的装载率。

3.如权利要求2所述的生成方法，其特征在于，所述特征向量c还包含特征δ，所述特征向量c表述为：c＝(α，β，γ，δ)

其中δ为此模式拼车历史发生次数。

4.如权利要求2所述的生成方法，其特征在于，所述特征α为：α＝min(maxi∈Moi,maxj∈Noj)M、N分别为目的地，o表示目的地订单的延期时间。

5.如权利要求2所述的生成方法，其特征在于，所述特征γ为：其中以di表示第i段的行驶距离，mi表示第i个城市的订单数目，M为运输车辆的额定装载位数。

6.如权利要求1所述的生成方法，其特征在于，在步骤S1中包括对历史订单的运输数据进行预处理。

7.如权利要求6所述的生成方法，其特征在于，所述预处理包括去除异常数据。

8.一种多城配送拼单方法，适用于权利要求1至7任一所述的基于DBSCAN的拼单网络模型，其特征在于，包括：步骤V1，生成订单池，包含客户的订单；

步骤V2，在所述订单池中抽取所有同一目的地城市的订单，判断所述订单的货物是否能够满载，如能满载，执行步骤V6；

步骤V3，在所述订单池中随机抽取其它目的地城市的订单与原抽取的订单一起形成模拟订单；

步骤V4，将模拟拼单中所有订单的运输数据转换为所述特征向量c；

步骤V5，判断所述特征向量c是否属于所述拼单网络模型的簇，如不属于，拼单失败，则返回步骤V3；

步骤V6，完成拼单，实施订单操作，在所述订单池中去除已实施的订单，继续执行步骤V2。

9.一种拼单网络模型的生成装置，其特征在于，包括获取模块，适于获取包含运输数据的历史订单；

筛选模块，适于筛选出同一拼单调度下的多个订单；

创建模块，适于将同一拼单调度下多个订单的运输数据转换为一特征向量c，遍历所有历史订单，集合所有特征向量形成特征向量空间；

聚类模块，适于采用DBSCAN算法对所述特征向量空间进行聚类。

10.如权利要求9所述的生成装置，其特征在于，所述特征向量c至少包含三个特征α，β，γ，所述特征向量c表述为：c＝(α，β，γ)

其中α为所述同一拼车调度中最小延期时间，β为所述同一拼车调度中的前段距离与后段距离比值，γ为所述同一拼单调度中的装载率。

11.如权利要求10所述的生成装置，其特征在于，所述特征向量c还包含特征δ，所述特征向量c表述为：c＝(α，β，γ，δ)

其中δ为此模式拼车历史发生次数。

12.如权利要求10所述的生成装置，其特征在于，所述特征α为：α＝min(maxi∈Moi,maxj∈Noj)M、N分别为目的地，o表示目的地订单的延期时间。

13.如权利要求10所述的生成装置，其特征在于，所述特征γ为：其中以di表示第i段的行驶距离，mi表示第i个城市的订单数目，M为运输车辆的额定装载位数。

14.如权利要求9所述的生成装置，其特征在于，所述获取模块包括预处理单元，所述预处理单元适于对历史订单的运输数据进行预处理。

15.如权利要求14所述的生成装置，其特征在于，所述预处理包括去除异常数据。

16.一种计算机可读介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至7任一项所述生成方法的步骤。

17.一种物流系统，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至7任一项所述生成方法的步骤。

说明书

拼单网络模型的生成方法及装置、计算机可读介质以及物流

系统

技术领域

[0001] 本发明涉及机器学习、大数据处理及智能物流运输领域，特别涉及一种拼单网络模型的生成方法及装置、计算机可读介质以及物流系统。

背景技术

[0002] 基于大数据的智能物流运输决策是人工智能与物流领域的交叉领域，旨在利用人工智能技术从大数据中挖掘出相关规律从而指导物流决策。本发明要解决的问题是全国性范围多城市配送中的拼单问题。

[0003] 在一个全国范围内具有配送体系的物流公司而言，从出发地到达目的地的物流配送全部由本公司的运输车辆完成。中国是个幅员辽阔的国家，如果出发地和目的地的距离很远，而订单又不能满载。那么运输车辆的运输效率就会大大降低，由此产生了多个目的地拼单的方法。即多个目的地的订单放在一辆运输车辆上完成运输。这样可大大提高满载率从而最大程度上的降低了运营成本。但是配送拼单也会带来不好的地方，比如中途装卸会导致大型商品的质损，以及增加总的运输时间等等，因此如何选择拼单也就是一个难点问题。

[0004] 智能物流订单拼单的现有解决方案之一是经验判断法。资深的调度员根据多个目的地之间的距离，订单的延期状态，目的地的订单分布情况进行人为判断，从而决定是多个目的地进行拼单还是另外多个目的地进行拼单或者让订单继续延期从而可能在未来达到满载状态避免拼单。因为拼单在实际业务中涉及商品的装卸，从而加大了对商品的质损风险和商品的实际到达时间。这种拼单方法的结果相对比较好，但是需要耗费大量的人力对每一次调度进行判断，无法在自动化物流技术的大规模智能物流体系中应用。

[0005] 另一种拼单方法是则是距离规则法。利用目的地之间的距离远近人为设置一个距离来判断是否可以拼单。该方法实际效果有限，因为订单是否能拼单涉及到除距离以外的多个因素。因此，目前仍然缺乏有效的多城配送拼单策略。

发明内容

[0006] 本发明要解决的技术问题是提供一种拼单网络模型的生成方法及装置、多城配送拼单方法、计算机可读介质以及物流系统，所生成的拼单网络模型有助于实现自动化的多城配送拼单调度。

[0007] 为解决上述技术问题，本发明提供了一种拼单网络模型的生成方法，包括：

[0008] 步骤S1，获取包含运输数据的历史订单，筛选出同一拼单调度下的多个订单；

[0009] 步骤S2，将同一拼单调度下多个订单的运输数据转换为一特征向量c，遍历所有历史订单，集合所有特征向量形成特征向量空间；

[0010] 步骤S3，采用DBSCAN算法对所述特征向量空间进行聚类。

[0011] 根据本发明的一个实施例，所述特征向量c至少包含三个特征α，β，γ，所述特征向量c表述为：

[0012] c＝(α，β，γ)

[0013] 其中α为所述同一拼车调度中最小延期时间，β为所述同一拼车调度中的前段距离与后段距离比值，γ为所述同一拼单调度中的装载率。

[0014] 根据本发明的一个实施例，所述特征向量c还包含特征δ，所述特征向量c表述为：

[0015] c＝(α，β，γ，δ)

[0016] 其中δ为此模式拼车历史发生次数。

[0017] 根据本发明的一个实施例，所述特征α为：

[0018] α＝min(maxi∈M oi,maxj∈N oj)

[0019] M、N分别为目的地，o表示目的地订单的延期时间。

[0020] 根据本发明的一个实施例，所述特征γ为：

[0021]

[0022] 其中以di表示第i段的行驶距离，mi表示第i个城市的订单数目，M为运输车辆的额定装载位数。

[0023] 根据本发明的一个实施例，在步骤S1中包括对历史订单的运输数据进行预处理。

[0024] 根据本发明的一个实施例，所述预处理包括去除异常数据。

[0025] 本发明还提供了一种多城配送拼单方法，适用于前述拼单网络模型，包括：

[0026] 步骤V1，生成订单池，包含客户的订单；

[0027] 步骤V2，在所述订单池中抽取所有同一目的地城市的订单，判断所述订单的货物是否能够满载，如能满载，执行步骤V6；

[0028] 步骤V3，在所述订单池中随机抽取其它目的地城市的订单与原抽取的订单一起形成模拟订单；

[0029] 步骤V4，将模拟拼单中所有订单的运输数据转换为所述特征向量c；

[0030] 步骤V5，判断所述特征向量c是否属于基于DBSCAN的所述拼单网络模型的簇，如不属于，拼单失败，则返回步骤V3；

[0031] 步骤V6，完成拼单，实施订单操作，在所述订单池中去除已实施的订单，继续执行步骤V2。

[0032] 本发明还提供了一种拼单网络模型的生成装置，包括：

[0033] 获取模块，适于获取包含运输数据的历史订单；

[0034] 筛选模块，适于筛选出同一拼单调度下的多个订单；

[0035] 创建模块，适于将同一拼单调度下多个订单的运输数据转换为一特征向量c，遍历所有历史订单，集合所有特征向量形成特征向量空间；

[0036] 聚类模块，适于采用DBSCAN算法对所述特征向量空间进行聚类。

[0037] 根据本发明的一个实施例，所述特征向量c至少包含三个特征α，β，γ，所述特征向量c表述为：

[0038] c＝(α，β，γ)

[0039] 其中α为所述同一拼车调度中最小延期时间，β为所述同一拼车调度中的前段距离与后段距离比值，γ为所述同一拼单调度中的装载率。

[0040] 根据本发明的一个实施例，所述特征向量c还包含特征δ，所述特征向量c表述为：

[0041] c＝(α，β，γ，δ)

[0042] 其中δ为此模式拼车历史发生次数。

[0043] 根据本发明的一个实施例，所述特征α为：

[0044] α＝min(maxi∈M oi,maxj∈N oj)

[0045] M、N分别为目的地，o表示目的地订单的延期时间。

[0046] 根据本发明的一个实施例，所述特征γ为：

[0047]

[0048] 其中以di表示第i段的行驶距离，mi表示第i个城市的订单数目，M为运输车辆的额定装载位数。

[0049] 根据本发明的一个实施例，所述获取模块包括预处理单元，所述预处理单元适于对历史订单的运输数据进行预处理。

[0050] 根据本发明的一个实施例，所述预处理包括去除异常数据。

[0051] 本发明还提供了一种计算机可读介质，其上存储有计算机指令，所述计算机指令运行时执前述任一项所述生成方法的步骤。

[0052] 本发明还提供了一种物流系统，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行前述任一项所述生成方法的步骤。

[0053] 本发明基于DBSCAN密度聚类算法对历史拼单的订单运输数据进行分析聚类，创建一个多维的拼单网络模型，并生成相应的簇。多城配送拼单方法对订单池中的相同或不同目的地订单模拟拼单，模拟拼单的结果量化后形成一个特征向量，然后寻找该特征向量在已经构建的拼单网络模型中对应的簇，以此来判断是否可以拼单调度，有效实现了大规模自动化的多城配送拼单调度。

附图说明

[0054] 为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明，其中：

[0055] 图1是本发明一实施例的基于DBSCAN的拼单网络模型生成方法的流程图；

[0056] 图2是本发明一实施例的多城配送拼单方法的流程方框图；

[0057] 图3是本发明一实施例的基于DBSCAN的拼单网络模型生成装置的结构示意图。

具体实施方式

[0058] 为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。

[0059] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。

[0060] 如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

[0061] 在详述本申请实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本申请保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

[0062] 为了方便描述，此处可能使用诸如“之下”、“下方”、“低于”、“下面”、“上方”、“上”等等的空间关系词语来描述附图中所示的一个元件或特征与其他元件或特征的关系。将理解到，这些空间关系词语意图包含使用中或操作中的器件的、除了附图中描绘的方向之外的其他方向。例如，如果翻转附图中的器件，则被描述为在其他元件或特征“下方”或“之下”或“下面”的元件的方向将改为在所述其他元件或特征的“上方”。因而，示例性的词语“下方”和“下面”能够包含上和下两个方向。器件也可能具有其他朝向(旋转90度或处于其他方向)，因此应相应地解释此处使用的空间关系描述词。此外，还将理解，当一层被称为在两层“之间”时，它可以是所述两层之间仅有的层，或者也可以存在一个或多个介于其间的层。

[0063] 在本申请的上下文中，所描述的第一特征在第二特征之“上”的结构可以包括第一和第二特征形成为直接接触的实施例，也可以包括另外的特征形成在第一和第二特征之间的实施例，这样第一和第二特征可能不是直接接触。

[0064] 图1是本发明一实施例的拼单网络模型生成方法的流程图。本发明提供了一种拼单网络模型的生成方法，包括：

[0065] 步骤S1，获取包含运输数据的历史订单。该运输数据包括出发地，目的地及与该出发地和目的地有关的运输关联信息。接着，筛选出同一拼单调度下的多个订单。举例来说，传统的物流公司在全国范围内存在大量的物流配送服务。物流公司的系统会详细记录所有的运输数据，包括每一次订单及对应的运单。

[0066] 表1包含了一些历史订单的运输数据。

[0067]运单号 出发地 目的地 订单号
001 上海 成都 123456
001 上海 成都 234567
002 成都 重庆 123456
003 成都 绵阳 234567

[0068] 表1历史订单的运输数据

[0069] 参考表1，从出发地运输到目的地从而完成一次完整的运输行为。但是为了提高运营效率和节省订单延期时间，经常会发生从出发地运输到多个目的地的拼单行为。多个不同目的地的订单会放在同一个运输车辆运输，进而依次运往这些目的地。在IT系统及调度规划的数据上，我们会分别得到出发地上海到目的地成都、成都到重庆的订单及上海到成都、成都到绵阳的订单。实际上订单及运输单是存在强相关性，通过订单号和运单号相互关联。图中同一次调度运输用相同的运单号表示，同一批次货物用相同的订单号表示。例如，订单号“123456”对应的货物通过运单号“001”、“002”从出发地上海经过成都，最后运送到了重庆。而运单号“001”从上海到成都，其上装载了两个订单号“123456”和“234567”的货物，即完成了所谓的拼单运输。换言之，筛选出同一拼单调度下的多个订单，对于表1来说，运单号“001”属于一次拼单调度，在该次调度下，可筛选出两个订单“123456”和“234567”，该两个订单的前半段从上海至成都为拼单，具有相同的运单号，后半段目的地城市不同，具有不同的运单号。

[0070] 拼单对于物流公司来说十分重要。在目的地订单不能满载的情况下和其他目的地城市拼单可以提高运输效率。不过，因为拼单涉及中途的商品装卸，加大了商品的质损风险。所以如何合理的选择拼单就成为一个关键技术问题。

[0071] 步骤S2，将同一拼单调度下多个订单的运输数据转换为一特征向量c，遍历所有历史订单，集合所有特征向量c形成特征向量空间。该步骤将历史订单中的所有拼单运输数据转换为特征向量空间。

[0072] 步骤S3，采用DBSCAN算法对特征向量空间进行聚类。DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。算法语言描述如下：扫描整个特征向量空间，找到任意一个核心点，对该核心点进行扩充。扩充的方法是寻找从该核心点出发的所有密度相连的数据点。遍历该核心点的∈邻域内的所有核心点，寻找与这些数据点密度相连的点，直到没有可以扩充的数据点为止。最后聚类成的簇的边界节点都是非核心数据点。之后，重新扫描数据集(不包括之前寻找到的簇中的任何数据点)，寻找没有被聚类的核心点，再重复上面的步骤，对该核心点进行扩充直到数据集中没有新的核心点为止。需要说明的是，数据集中没有包含在任何簇中的数据点就构成异常点。这些异常点，即对应的特征向量所归属的拼单，我们可以认为是历史上调度员的不合理人工拼单策略所产生。

[0073] 较佳地，特征向量c至少包含三个特征α，β，γ，特征向量c表述为：

[0074] c＝(α，β，γ)

[0075] 其中α为同一拼车调度中最小延期时间。β为同一拼车调度中的前段距离与后段距离比值。比如从上海出发到北京和内蒙古的订单，虽然北京和内蒙古很远，从单纯的距离来看不可拼单。但是从前段距离上海到北京来说，因为前段距离很长，所以该拼单就比较合理。γ为同一拼单调度中的装载率。

[0076] 较佳地，特征向量c除α，β，γ以外，还包含特征δ，特征向量c表述为：

[0077] c＝(α，β，γ，δ)

[0078] 其中α为同一拼车调度中最小延期时间。β为同一拼车调度中的前段距离与后段距离比值。γ为同一拼单调度中的装载率。δ为此模式拼车历史发生次数，该发生次数是根据每一次拼单调度的出发地城市和目的地城市来对历史数据进行查重获得的。

[0079] 进一步的，在上述实施例中，特征α为：

[0080] α＝min(maxi∈M oi,maxj∈N oj)

[0081] 该公式来源于调度员的多年经验总结量化而成，M、N分别为目的地，o表示目的地订单的延期时间，一般将多个目的地的最小延期时间作为此次调度的关键指标。而每个城市的延期时间则有该城市订单的最大延期时间所决定。

[0082] 较佳地，在上述实施例中，特征γ为：

[0083]

[0084] 其中以di表示第i段的行驶距离，mi表示第i个城市的订单数目，M为运输车辆的额定装载位数。

[0085] 较佳地，在步骤S1中包括对历史订单的运输数据进行预处理。更佳地，预处理包括去除异常数据。例如，对历史订单的原始运输数据进行检查核对，去除异常数据，以避免影响后续拼单搜索的准确度。作为举例而非限制，在步骤S1中的预处理步骤还可以包括对缺失数据的处理。例如，对历史订单的原始运输数据进行检查核对，填补缺失数据，以提升后续拼单搜索的准确度。

[0086] 图2是本发明一实施例的多城配送拼单方法的流程方框图。如图所示，本发明还提供了一种基于上述拼单网络模型的多城配送拼单方法，包括：

[0087] 步骤V1，生成订单池。该订单池包含客户的未完成订单以及所有最新的订单。

[0088] 步骤V2，在订单池中抽取所有同一目的地城市的订单，判断订单的货物是否能够满载，如能满载，执行步骤V6。去往同一目的地城市的订单，如能满载，则只需一次装卸就可以完成所有订单。

[0089] 步骤V3，在订单池中随机抽取其它目的地城市的订单与原抽取的订单一起形成模拟订单。

[0090] 步骤V4，将模拟拼单中所有订单的运输数据转换为特征向量c。

[0091] 步骤V5，判断步骤V4中生成的特征向量c是否属于基于DBSCAN的拼单网络模型的簇，如不属于，拼单失败，则返回步骤V3。该步骤实际用于判断模拟拼单是否符合历史规律，即是否和历史拼单数据相一致。如果符合，则可以拼单，如果不符合，则拼单不成立。

[0092] 步骤V6，完成拼单。完成拼单动作包括实施订单操作，将货物装车，在订单池中去除已实施的订单，继续执行步骤V2。

[0093] 举例来说，在某次模拟拼单所生成的特征向量c的值为(5天，9，0.7，4次)，对应拼单网络模型中的点A。基于DBSCAN的拼单网络模型中的点B属于历史拼车空间的可以拼车的簇，点B的值为(7天，6，0.6，3次)。由于点A和点B接近，点A和点B密度可达，那么判断该特征向量c属于拼单网络模型中可拼车的簇，该模拟拼单成功。相反，另一次模拟拼单所生成的特征向量c为(10天，5，0.9，4次)对应拼单网络模型中的点C，虽然装载率很高，但是最小延期时间(10天太大)，从而远离拼单网络模型中的点B，则该模拟拼单不成立，需要重新抽取订单。

[0094] 简单来说，本发明是基于DBSCAN密度聚类算法对历史拼单数据进行分析聚类，建立出一个高维的拼单网络模型，即相当于一个历史拼单数据空间，并生成相应的簇。多个目的地的订单进入系统后形成订单池，对订单池中的若干目的地订单模拟拼单，模拟拼单的结果量化后形成一个特征向量c。然后寻找该特征向量c在拼单数据空间中对应的簇。如果找到，则说明该模拟拼单符合历史规律，可进行拼单调度。反之，则认为该模拟拼单不成立。

[0095] 现有的自动化拼单策略往往侧重于距离，对拼单的灵活性无法满足。实际拼单操作往往取决于后段距离、前段距离、订单延期、装载率等多项内容。因此纯粹基于距离的拼单是不符合业务需求的。调度员人为的拼单策略往往比较合理。但是面对数以千万的订单，需要大量的调度员来进行人为调度。不符合自动化调度的理念，在智能调度系统中也没法应用。

[0096] 本发明提供的多城配送拼单方法合理利用了调度员多年的技术积累，对历史上订单中的拼单调度进行量化，建立基于DBSCAN的拼单网络模型来自动挖掘历史拼单中的规律。采用更多的特征来表征特征向量c，使多城配送拼单方法的调度更合理，对于大规模的订单来说完全可自动化运行。

[0097] 在该多城配送拼单方法所对应系统中的拼单模块应用的伪代码如下

[0098]

[0099] 图3是本发明一实施例的拼单网络模型生成装置的结构示意图。如图所示，本发明还提供了一种拼单网络模型的生成装置300。该生成装置300包括：

[0100] 获取模块310，适于获取包含运输数据的历史订单。

[0101] 筛选模块320，适于筛选出同一拼单调度下的多个订单。

[0102] 创建模块330，适于将同一拼单调度下多个订单的运输数据转换为一特征向量c，遍历所有历史订单，集合所有特征向量形成特征向量空间。

[0103] 聚类模块340，适于采用DBSCAN算法对特征向量空间进行聚类。

[0104] 较佳地，特征向量c至少包含三个特征α，β，γ，特征向量c表述为：

[0105] c＝(α，β，γ)

[0106] 其中α为同一拼车调度中最小延期时间，β为同一拼车调度中的前段距离与后段距离比值，γ为同一拼单调度中的装载率。

[0107] 更佳地，特征向量c还包含特征δ，特征向量c表述为：

[0108] c＝(α，β，γ，δ)

[0109] 其中δ为此模式拼车历史发生次数。

[0110] 较佳地，特征α为：

[0111] α＝min(maxi∈M oi,maxj∈N oj)

[0112] 其中M、N分别为目的地，o表示目的地订单的延期时间。

[0113] 较佳地，特征γ为：

[0114]

[0115] 其中以di表示第i段的行驶距离，mi表示第i个城市的订单数目，M为运输车辆的额定装载位数。

[0116] 较佳地，获取模块310包括预处理单元。预处理单元适于对历史订单的运输数据进行预处理。更佳地，预处理包括去除异常数据。

[0117] 本发明还提供了一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，计算机指令运行时执行上述任一种基于DBSCAN的拼单网络模型生成方法对应的步骤，此处不再赘述。

[0118] 本发明还提供了一种物流系统，包括存储器和处理器，存储器上存储有能够在处理器上运行的计算机指令，处理器运行计算机指令时执行上述任一种基于DBSCAN的拼单网络模型生成方法的步骤。

[0119] 本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

[0120] 本发明的订单预测方法的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。

[0121] 计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。

[0122] 此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

[0123] 同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个申请实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

[0124] 一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

[0125] 虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可作出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。