1.本发明涉及贸易技术领域，具体而言，涉及一种进出口货物贸易订单管理方法和系统。
背景技术：
2.目前，在进出口货物贸易订单管理中，常见的运输方式是根据用户下单量再根据相应的收货地址来配置相应的运输车辆。但是当需运输到某一收货地址的货物暴增时，那就可能面临运输车辆不足，不能及时将货物运输到客户手上的问题，那么就会降低客户的满意度；因需要一种能对未来的热门收货地址进行预测，进而可以帮助商家提前规划调度运输工具的方法。
技术实现要素：
3.本发明的目的在于提供一种进出口货物贸易订单管理方法和系统，以改善上述问题。
4.为了实现上述目的，本技术实施例提供了如下技术方案：一方面，本技术实施例提供了一种进出口货物贸易订单管理方法，所述方法包括：获取在不同历史时间段内的历史订单数据，所述历史订单数据包括历史消费者购买信息，所述消费者购买信息包括购买商品信息和第一历史收货地址信息；根据所述历史消费者购买信息确定每个历史订单数据所属的消费领域，按照所述消费领域对所述历史订单数据进行分类，得到多个历史订单数据集；基于dbscan聚类算法，对每个所述历史订单数据集中每个所述历史订单数据对应的第一历史收货地址信息进行聚类操作，得到收货地址信息聚类结果；对所述收货地址信息聚类结果进行分析，得到在每个所述历史时间段内不同消费领域对应的热门收货地址信息；基于在每个所述历史时间段内不同消费领域对应的热门收货地址信息，预测在未来任意时段不同消费领域的热门收货地址信息，以提示商家安排运输工具。
5.第二方面，本技术实施例提供了进出口货物贸易订单管理系统，所述系统包括获取模块、分类模块、聚类模块和分析模块。
6.获取模块，用于获取在不同历史时间段内的历史订单数据，所述历史订单数据包括历史消费者购买信息，所述消费者购买信息包括购买商品信息和第一历史收货地址信息；分类模块，用于根据所述历史消费者购买信息确定每个历史订单数据所属的消费领域，按照所述消费领域对所述历史订单数据进行分类，得到多个历史订单数据集；聚类模块，用于基于dbscan聚类算法，对每个所述历史订单数据集中每个所述历史订单数据对应的第一历史收货地址信息进行聚类操作，得到收货地址信息聚类结果；分析模块，用于对所述收货地址信息聚类结果进行分析，得到在每个所述历史时
间段内不同消费领域对应的热门收货地址信息；基于在每个所述历史时间段内不同消费领域对应的热门收货地址信息，预测在未来任意时段不同消费领域的热门收货地址信息，以提示商家安排运输工具。
7.第三方面，本技术实施例提供了一种进出口货物贸易订单管理设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述进出口货物贸易订单管理方法的步骤。
8.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述进出口货物贸易订单管理方法的步骤。
9.本发明的有益效果为：本发明首先通过获取一段时间的历史订单数据，考虑到不同的消费领域，需要的运输工具可能不同，因此本发明对订单数据进行消费领域划分；消费领域划分后，针对每一个消费领域，分别计算出了不同历史时段下的热门收货地址，然后根据不同历史时段下的热门收货地址来预测未来时段下的热门收货地址，通过此种方法可以让商家提前做好运输工具的规划调度准确，以保证未来时段下货物能按时运输出去，提高客户的满意度。
10.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
11.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
12.图1是本发明实施例中所述的进出口货物贸易订单管理方法流程示意图；图2是本发明实施例中所述的进出口货物贸易订单管理装置结构示意图；图3是本发明实施例中所述的进出口货物贸易订单管理设备结构示意图。
13.其中，701、获取模块；702、分类模块；703、聚类模块；704、分析模块；7021、输入单元；7022、第一训练单元；7031、提取单元；7032、聚类单元；70321、第一计算单元；70322、第二训练单元；70323、第二计算单元；703231、解读单元；7041、第三计算单元；7042、预测单元；70421、集合单元；70422、构建单元；800、进出口货物贸易订单管理设备；801、处理器；802、存储器；803、多媒体组件；804、i/o接口；805、通信组件。
具体实施方式
14.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施
例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
16.实施例1如图1所示，本实施例提供了一种进出口货物贸易订单管理方法，该方法包括步骤s1、步骤s2、步骤s3和步骤s4。
17.步骤s1、获取在不同历史时间段内的历史订单数据，所述历史订单数据包括历史消费者购买信息，所述消费者购买信息包括购买商品信息和第一历史收货地址信息；在本步骤中，不同历史时间段可以理解为，以当前时间为基础，在当前时间的前1天，前2天，前3天等，具体历史时间段可以根据用户的需求进行自定义设置；步骤s2、根据所述历史消费者购买信息确定每个历史订单数据所属的消费领域，按照所述消费领域对所述历史订单数据进行分类，得到多个历史订单数据集；在本步骤中，考虑到不同的消费领域，运输的工具并不相同，例如，冷鲜物品需要冷链运输，也就是说需要冷链运输工具，因此本步骤对消费领域进行了划分，具体步骤包括步骤s21和步骤s22；步骤s21、将所述购买商品信息输入预设的注意力模型中，得到所述注意力模型输出的关注点数据；在本步骤中，注意力模型用于表征购买商品信息与关注点的对应关系；步骤s22、获取样本购买商品信息，将所述样本购买商品信息记录输入预设的注意力模型中，得到所述注意力模型输出的样本关注点数据，对所述样本关注点数据进行标注，标注信息为所述样本关注点数据对应的消费领域；利用标注后的样本关注点数据对卷积神经网络模型进行训练，得到第一模型；将所述注意力模型输出的关注点数据输入所述第一模型中，得到每个历史订单数据所属的消费领域。
18.本步骤中的样本购买商品信息可以是在任意历史时间段下的购买商品信息；在本步骤中，除了对卷积神经网络模型进行训练之外，还可以用其他模型，例如残差网络模型等；在得到消费领域后，本实施例进行了热点收货地址的计算；步骤s3、基于dbscan聚类算法，对每个所述历史订单数据集中每个所述历史订单数据对应的第一历史收货地址信息进行聚类操作，得到收货地址信息聚类结果；在本步骤中，除了dbscan聚类算法之外，还可以利用k‑means聚类算法、层次聚类算法等；本步骤的具体实现步骤包括步骤s31和步骤s32；步骤s31、对所述第一历史收货地址信息进行特征提取，得到特征向量，将所述特征向量记为第一数据；在本步骤中，可以利用机器学习模型，例如神经网络模型进行特征提取，特征包括地址中的国家；步骤s32、利用dbscan聚类算法和第一数据对各第一历史收货地址信息进行聚类处理，得到多个第一聚类结果，将每个第一聚类结果中包含的全部第一历史收货地址信息
进行集合，得到第一集合，将所述第一集合中每个第一历史收货地址信息对应的第一数据进行平均值计算，得到第二数据；基于所述第二数据计算得到收货地址信息聚类结果。
19.在本步骤中，将所述第一集合中每个第一历史收货地址信息对应的第一数据进行平均值计算，得到第二数据可以理解为聚类结果的中心；同时，基于所述第二数据计算得到收货地址信息聚类结果的具体实现步骤包括步骤s321、步骤s322和步骤s323；步骤s321、针对每个所述第一聚类结果，计算所述第一聚类结果对应的每个第一数据与所述第二数据之间的距离，将距离最远对应的第一数据记为第三数据；按照预设的组合规则将所述第三数据和所述第二数据进行组合，得到第四数据，计算所述第四数据对应的协方差矩阵的特征向量，并将所述第四数据对应的协方差矩阵的特征向量记为第五数据；在本步骤中，预设的组合规则可以为沿矩阵列方向、沿矩阵行方向等；步骤s322、将每个所述第五数据输入预设的第二模型中，得到每个所述第五数据对应的评价结果；其中，在训练所述第二模型时，先获取样本数据，所述样本数据包括第二历史收货地址信息，对所述第二历史收货地址信息进行聚类处理，得到多个第二聚类结果，对每个所述第二聚类结果进行评价结果标注，同时计算每个所述第二聚类结果对应的协方差矩阵的特征向量；采用深度学习方法，将每个第二聚类结果对应的协方差矩阵的特征向量作为输入，标注信息作为输出进行训练，得到所述第二模型；在本步骤中，计算每个所述第二聚类结果对应的协方差矩阵的特征向量按照上述计算第五数据的计算方法进行计算；同时，进行评价结果标注时，可以标注为准确，较为准确，不准确，然后分别用0,1,2来表示；同时，在采用深度学习方法进行训练时，可以利用卷积神经网络进行训练；步骤s323、根据每个所述第五数据对应的评价结果计算得到收货地址信息聚类结果。本步骤的具体实现步骤包括步骤s3231；步骤s3231、将每个所述第五数据对应的评价结果进行解读，若解读后满足预设标准，则将此时聚类得到的多个第一聚类结果作为所述收货地址信息聚类结果，其中，预设标准为解读后n个第五数据对应的评价结果均达到标准评价结果，n为大于零的正整数且n大于预设数值；否则，调整dbscan聚类算法的参数，再次进行聚类，直至评价结果满足所述预设标准。
20.在本步骤中，预设数值可以根据用户的需求进行自定义设置，标准评价结果可以为评价结果为准确；同时，本步骤中满足预设标注可以理解为：例如预设数值为7，当解读后有8个第五数据对应的评价结果都达到了准确，那么就达到了预设标准；通过上述的方法，可以提高聚类的准确性；步骤s4、对所述收货地址信息聚类结果进行分析，得到在每个所述历史时间段内不同消费领域对应的热门收货地址信息；基于在每个所述历史时间段内不同消费领域对应的热门收货地址信息，预测在未来任意时段不同消费领域的热门收货地址信息，以提示商家安排运输工具。
21.通过上述步骤就可以看出每个消费领域对应的聚类结果，在聚类结果中就可以看出最热门的收货地址，本步骤的具体实现步骤包括步骤s41和步骤s42；步骤s41、将每个所述收货地址信息聚类结果中包含数据最多的子聚类结果作为
热门收货地址信息，所述收货地址信息聚类结果由子聚类结果组成；本步骤中的子聚类结果可以理解为上述的第一聚类结果，当聚类之后每个聚类结果均会有多个数据，那么就将包含数据最多的那个聚类结果作为热门收货地址，例如聚类之后，成都这个聚类结果中包含的数据最多，那么就将成都这个地址作为热门收货地址；步骤s42、针对每个历史时间段，将在此历史时间段内，每个所述消费领域对应的热门收货地址信息进行量化，得到量化结果，基于每个所述消费领域对应的全部量化结果和预测模型，得到在未来任意时段不同消费领域的热门收货地址信息。
22.本步骤可以理解为：例如在当前时间的前一天内，生鲜食物这个领域的热门收货地址为成都，那么按照此方法还可以将前两天的热门收货地址计算出来，按照此种逻辑就可以得到生鲜食物这个领域，在不同历史时间段下的热门收货地址，然后将每个热门收货地址进行量化，例如将美国记为1，德国记为2，英国记为3等，就可以得到每个消费领域对应的热门收货地址时间序列，然后将此序列输入预测模型中，即可预测未来的热门收货地址；本步骤的具体实现步骤包括步骤s421和步骤s422；步骤s421、将每个所述消费领域对应的全部量化结果进行集合，得到第一数据集，利用卡尔曼滤波算法对所述数据集进行去噪处理，得到第二数据集；在本步骤中，利用卡尔曼滤波算法对所述数据集进行去噪处理后，可以提高数据的精度，进而提高模型预测的准确性。
23.步骤s422、根据所述第二数据集构建差分自回归移动平均预测模型，利用所述差分自回归移动平均预测模型预测在未来任意时段不同消费领域的热门收货地址信息。
24.通过上述步骤可以预测出未来的热门收货地址，预测出后可以提前进行运输工具的规划调度，保证到时候有足够的运输工具进行运输，进而实现准时送到客户的目的，提高客户满意度。
25.实施例2如图2所示，本实施例提供了一种进出口货物贸易订单管理系统，所述系统包括获取模块701、分类模块702、聚类模块703和分析模块704。
26.获取模块701，用于获取在不同历史时间段内的历史订单数据，所述历史订单数据包括历史消费者购买信息，所述消费者购买信息包括购买商品信息和第一历史收货地址信息；分类模块702，用于根据所述历史消费者购买信息确定每个历史订单数据所属的消费领域，按照所述消费领域对所述历史订单数据进行分类，得到多个历史订单数据集；聚类模块703，用于基于dbscan聚类算法，对每个所述历史订单数据集中每个所述历史订单数据对应的第一历史收货地址信息进行聚类操作，得到收货地址信息聚类结果；分析模块704，用于对所述收货地址信息聚类结果进行分析，得到在每个所述历史时间段内不同消费领域对应的热门收货地址信息；基于在每个所述历史时间段内不同消费领域对应的热门收货地址信息，预测在未来任意时段不同消费领域的热门收货地址信息，以提示商家安排运输工具。
27.在本公开的一种具体实施方式中，所述分类模块702，还包括输入单元7021和第一训练单元7022。
28.输入单元7021，用于将所述购买商品信息输入预设的注意力模型中，得到所述注
意力模型输出的关注点数据；第一训练单元7022，用于获取样本购买商品信息，将所述样本购买商品信息记录输入预设的注意力模型中，得到所述注意力模型输出的样本关注点数据，对所述样本关注点数据进行标注，标注信息为所述样本关注点数据对应的消费领域；利用标注后的样本关注点数据对卷积神经网络模型进行训练，得到第一模型；将所述注意力模型输出的关注点数据输入所述第一模型中，得到每个历史订单数据所属的消费领域。
29.在本公开的一种具体实施方式中，所述聚类模块703，还包括提取单元7031和聚类单元7032。
30.提取单元7031，用于对所述第一历史收货地址信息进行特征提取，得到特征向量，将所述特征向量记为第一数据；聚类单元7032，用于利用dbscan聚类算法和第一数据对各第一历史收货地址信息进行聚类处理，得到多个第一聚类结果，将每个第一聚类结果中包含的全部第一历史收货地址信息进行集合，得到第一集合，将所述第一集合中每个第一历史收货地址信息对应的第一数据进行平均值计算，得到第二数据；基于所述第二数据计算得到收货地址信息聚类结果。
31.在本公开的一种具体实施方式中，所述聚类单元7032，还包括第一计算单元70321、第二训练单元70322和第二计算单元70323。
32.第一计算单元70321，用于针对每个所述第一聚类结果，计算所述第一聚类结果对应的每个第一数据与所述第二数据之间的距离，将距离最远对应的第一数据记为第三数据；按照预设的组合规则将所述第三数据和所述第二数据进行组合，得到第四数据，计算所述第四数据对应的协方差矩阵的特征向量，并将所述第四数据对应的协方差矩阵的特征向量记为第五数据；第二训练单元70322，用于将每个所述第五数据输入预设的第二模型中，得到每个所述第五数据对应的评价结果；其中，在训练所述第二模型时，先获取样本数据，所述样本数据包括第二历史收货地址信息，对所述第二历史收货地址信息进行聚类处理，得到多个第二聚类结果，对每个所述第二聚类结果进行评价结果标注，同时计算每个所述第二聚类结果对应的协方差矩阵的特征向量；采用深度学习方法，将每个第二聚类结果对应的协方差矩阵的特征向量作为输入，标注信息作为输出进行训练，得到所述第二模型；第二计算单元70323，用于根据每个所述第五数据对应的评价结果计算得到收货地址信息聚类结果。
33.在本公开的一种具体实施方式中，所述第二计算单元70323，还包括解读单元703231。
34.解读单元703231，用于将每个所述第五数据对应的评价结果进行解读，若解读后满足预设标准，则将此时聚类得到的多个第一聚类结果作为所述收货地址信息聚类结果，其中，预设标准为解读后n个第五数据对应的评价结果均达到标准评价结果，n为大于零的正整数且n大于预设数值；否则，调整dbscan聚类算法的参数，再次进行聚类，直至评价结果满足所述预设标准。
35.在本公开的一种具体实施方式中，所述分析模块704，还包括第三计算单元7041和预测单元7042。
36.第三计算单元7041，用于将每个所述收货地址信息聚类结果中包含数据最多的子聚类结果作为热门收货地址信息，所述收货地址信息聚类结果由子聚类结果组成；预测单元7042，用于针对每个历史时间段，将在此历史时间段内，每个所述消费领域对应的热门收货地址信息进行量化，得到量化结果，基于每个所述消费领域对应的全部量化结果和预测模型，得到在未来任意时段不同消费领域的热门收货地址信息。
37.在本公开的一种具体实施方式中，所述预测单元7042，还包括集合单元70421和构建单元70422。
38.集合单元70421，用于将每个所述消费领域对应的全部量化结果进行集合，得到第一数据集，利用卡尔曼滤波算法对所述数据集进行去噪处理，得到第二数据集；构建单元70422，用于根据所述第二数据集构建差分自回归移动平均预测模型，利用所述差分自回归移动平均预测模型预测在未来任意时段不同消费领域的热门收货地址信息。
39.需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
40.实施例3相应于上面的方法实施例，本公开实施例还提供了进出口货物贸易订单管理设备，下文描述的进出口货物贸易订单管理设备与上文描述的进出口货物贸易订单管理方法可相互对应参照。
41.图3是根据一示例性实施例示出的进出口货物贸易订单管理设备800的框图。如图3所示，该进出口货物贸易订单管理设备800可以包括：处理器801，存储器802。该进出口货物贸易订单管理设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
42.其中，处理器801用于控制该进出口货物贸易订单管理设备800的整体操作，以完成上述的进出口货物贸易订单管理方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该进出口货物贸易订单管理设备800的操作，这些数据例如可以包括用于在该进出口货物贸易订单管理设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该进出口货物贸易订单管理设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信
(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
43.在一示例性实施例中，该进出口货物贸易订单管理设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的进出口货物贸易订单管理方法。
44.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的进出口货物贸易订单管理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该进出口货物贸易订单管理设备800的处理器801执行以完成上述的进出口货物贸易订单管理方法。
45.实施例4相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的进出口货物贸易订单管理方法可相互对应参照。
46.一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的进出口货物贸易订单管理方法的步骤。
47.该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
48.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。