(12)发明专利申请
(10)申请公布号 CN 111507655 A(43)申请公布日 2020.08.07
(21)申请号 201910098852.1(22)申请日 2019.01.31
(71)申请人 顺丰科技有限公司
地址 518061 广东省深圳市南山区学府路
（以南）与白石路（以东）交汇处深圳市软件产业基地1栋B座6-13层(72)发明人 乔世吉 姚小龙 刘煜光 孙钥
李佳玮 王超 邢睿佳 邓颖欣 史忆 杜笑涵 王颖 孙佩琳 张真贞 徐冬焱 张铭杰 谭云飞 杨晓瑜 幺忠玮 张冬杰 孙延华 金健 (74)专利代理机构 北京志霖恒远知识产权代理
事务所(普通合伙) 11435
代理人 赵奕
权利要求书2页 说明书11页 附图3页
(51)Int.Cl.
G06Q 10/08(2012.01)G06Q 30/02(2012.01)
CN 111507655 A(54)发明名称
一种物流产品智能定价系统和方法(57)摘要
本发明涉及一种物流产品智能定价系统和方法，所述定价系统包括：价量模型：利用历史数据信息进行模型训练，通过模型训练获得单位价格与件量数之间的关系模型；成本模型：利用历史数据信息进行模型训练，通过模型训练获得成本与件量数之间的关系模型；定价模型：通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型通过所述训练好的定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格。改变输入的约束条件能快速做出相应的改变，即可得出新的价格方案，可以大幅度减小人工计算所带来的误差与时间、效率成本。
CN 111507655 A
权 利 要 求 书
1/2页
1.一种物流产品智能定价系统，其特征在于，包括：价量模型：利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量数相关，通过模型训练获得单位价格与件量数之间的关系模型，即训练好的价量模型；
成本模型：利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量数相关，通过模型训练获得成本与件量数之间的关系模型，即训练好的成本模型；
定价模型：通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型，在该定价模型中，利润、收入和成本均与单位价格变量相关，所述定价模型可以设置约束条件，通过所述训练好的定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格。
2.根据权利要求1所述的物流产品智能定价系统，其特征在于，所述历史数据信息包括：物流流向内各城市的区码号、城市等级、GDP指数数据及各个城市之间的距离以及相应流向的物流产品的历史单位价格及其对应的件量数据。
3.根据权利要求1或2所述的物流产品智能定价系统，其特征在于，还包括件量数预测模型，所述件量数预测模型采用深度门控循环单元神经网络，选择三层GRU、激活层以及池化层来搭建件量数预测模型，计算成本随物流产品件量数据的变化关系，通过价量模型调价得出的件量数减去件量数预测模型中预测出来的件量数监测调价带来件量数的变化。
4.根据权利要求1所述的物流产品智能定价系统，其特征在于，根据价格弹性原理，价量模型满足计算公式：V＝k*Pe，通过训练该模型，输入历史数据，该历史数据为各个流向上的件量数和平均单位价格，由此得出K和e的值，其中，V为物流产品的件量数、P为物流产品的单位价格、k为修正参数、e为物流产品价格弹性。
5.根据权利要求1所述的物流产品智能定价系统，其特征在于，成本模型满足计算公式：C＝A*V+B，通过训练该模型，输入不同流向的历史成本和件量数获得不同流向下的A、B值，通过价量模型计算出的件量数，获得不同流向下的预测成本，其中，C为不同流向下的预测成本，A,B为计算常数。
6.根据权利要求1所述的物流产品智能定价系统，其特征在于，所述约束条件包括以下至少一种：物流产品的价格随运输距离增加而增加、物流产品的单位价格高于竞争对手、物流产品价格按照时序特征进行排序。
7.根据权利要求1所述的物流产品智能定价系统，其特征在于，所述物流产品按照时序特征和重量区间进行分类，价量模型按照不同时序特征、重量区间的物流产品获得单位价格与件量数之间的关系模型。
8.一种物流产品智能定价方法，其特征在于，包括：利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量数相关，通过模型训练获得单位价格与件量数之间的关系模型，即训练好的价量模型；
利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量数相关，通过模型训练获得成本与件量数之间的关系模型，即训练好的成本模型；
通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型，在该定价模型中，利润、收入和成本均与单位价格变量相关，所述定价模型可以设置约束条件，通过所述训练好的定价模型，获得在约束条件下，达到最大
2
CN 111507655 A
权 利 要 求 书
2/2页
利润时物流产品的单位价格。
9.根据权利要求8所述的物流产品智能定价方法，其特征在于，所述历史数据信息包括：物流流向内各城市的区码号、城市等级、GDP指数数据及各个城市之间的距离以及相应流向的物流产品的历史单位价格及其对应的件量数据。
10.根据权利要求8所述的物流产品智能定价方法，其特征在于，还包括采用深度门控循环单元神经网络，选择三层GRU、激活层以及池化层搭建件量数预测模型，计算成本随物流产品件量数的变化关系，通过价量模型调价得出的件量数减去件量数预测模型中预测出来的件量数监测调价带来件量数的变化。
3
CN 111507655 A
说 明 书
一种物流产品智能定价系统和方法
1/11页
技术领域
[0001]本发明涉及电子商务技术领域，尤其涉及一种物流产品智能定价系统和方法。背景技术
[0002]随着物流领域以及人工智能技术的发展，如何有效实现物流产品的定价策略能够直接影响公司未来的发展，现有的物流产品一般通过手动估算成本、利润或者以竞争对手的价格为参考人工制定定价策略，该方法存在许多的不足之处：[0003]首先，采用以人工计算成本、利润的定价方法，很难得出分重量段、时间段的物流产品最优价格方案；[0004]其次，现有的定价方法在不同的城市对之间，同一物流产品距离与价格之间存在严重倒挂的情况，从而造成价格方案的不合理；[0005]最后，采用对标竞争对手价格的定价方法，定价约束过于单一。发明内容
[0006]为了解决上述技术问题，本发明的目的在于提供一种物流产品智能定价系统和方法。
[0007]根据本发明的一个方面，提供了一种物流产品智能定价系统，包括：[0008]价量模型：利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量数相关，通过模型训练获得单位价格与件量数之间的关系模型，即训练好的价量模型；
[0009]成本模型：利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量数相关，通过模型训练获得成本与件量数之间的关系模型，即训练好的成本模型；[0010]定价模型：通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型，在该定价模型中，利润、收入和成本均与单位价格变量相关，所述定价模型可以设置约束条件，通过所述训练好的定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格。[0011]进一步的，所述历史数据信息包括：物流流向内各城市的区码号、城市等级、GDP指数数据及各个城市之间的距离以及相应流向的物流产品的历史单位价格及其对应的件量数据。
[0012]进一步的，还包括件量数预测模型，所述件量数预测模型采用深度门控循环单元神经网络，选择三层GRU、激活层以及池化层来搭建件量数预测模型，计算成本随物流产品件量数据的变化关系，通过价量模型调价得出的件量数减去件量数预测模型中预测出来的件量数监测调价带来件量数的变化。[0013]进一步的，根据价格弹性原理，价量模型满足计算公式：V＝k*Pe，通过训练该模型，输入历史数据，该历史数据为各个流向上的件量数和平均单位价格，由此得出K和e的值，其中，V为物流产品的件量数、P为物流产品的单位价格、k为修正参数、e为物流产品价格
4
CN 111507655 A
说 明 书
2/11页
弹性。
进一步的，成本模型满足计算公式：C＝A*V+B，通过训练该模型，输入不同流向的
历史成本和件量数获得不同流向下的A、B值，通过价量模型计算出的件量数，获得不同流向下的预测成本，其中，C为不同流向下的预测成本，A,B为计算常数。[0015]进一步的，所述约束条件包括以下至少一种：物流产品的价格随运输距离增加而增加、物流产品的单位价格高于竞争对手、物流产品价格按照时序特征进行排序。[0016]进一步的，所述物流产品按照时序特征和重量区间进行分类，价量模型按照不同时序特征、重量区间的物流产品获得单位价格与件量数之间的关系模型。[0017]进一步的，所述时序特征包括早上、中午和晚上。[0018]根据本发明的另一个方面，提供了利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量数相关，通过模型训练获得单位价格与件量数之间的关系模型，即训练好的价量模型；[0019]利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量数相关，通过模型训练获得成本与件量数之间的关系模型，即训练好的成本模型；[0020]通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型，在该定价模型中，利润、收入和成本均与单位价格变量相关，所述定价模型可以设置约束条件，通过所述训练好的定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格。[0021]进一步的，所述历史数据信息包括：物流流向内各城市的区码号、城市等级、GDP指数数据及各个城市之间的距离以及相应流向的物流产品的历史单位价格及其对应的件量数据。
[0022]进一步的，还包括采用深度门控循环单元神经网络，选择三层GRU、激活层以及池化层搭建件量数预测模型，计算成本随物流产品件量数的变化关系，通过价量模型调价得出的件量数减去件量数预测模型中预测出来的件量数监测调价带来件量数的变化。[0023]进一步的，价量模型满足计算公式：V＝k*Pe，通过训练该模型，输入历史数据，该历史数据为各个流向上的件量数和平均单位价格，由此得出K和e的值，其中，V为物流产品的件量数、P为物流产品的单位价格、k为修正参数、e为物流产品价格弹性。[0024]进一步的，成本模型满足计算公式：C＝A*V+B，通过训练该模型，输入不同流向的历史成本和件量数获得不同流向下的A、B值，通过价量模型计算出的件量数，获得不同流向下的预测成本，其中，C为不同流向下的预测成本，A,B为计算常数。[0025]进一步的，所述约束条件包括以下至少一种：物流产品的价格随运输距离增加而增加、物流产品的单位价格高于竞争对手、物流产品价格按照时序特征进行排序。[0026]进一步的，所述物流产品按照时序特征和重量区间进行分类，价量模型按照不同时序特征、重量区间的物流产品获得单位价格与件量数之间的关系模型。[0027]进一步的，所述时序特征包括早上、中午和晚上。[0028]一个或多个处理器；[0029]存储器，用于存储一个或多个程序，
[0030]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一项所述的方法。
5
[0014]
CN 111507655 A[0031]
说 明 书
3/11页
根据本发明的另一个方面，提供了一种存储有计算机程序的计算机可读存储介
质，该程序被处理器执行时实现如上任一项所述的方法。[0032]与现有技术相比，本发明具有以下有益效果：[0033]1、本发明示例的物流产品智能定价系统，基于单位价格与件量数之间的关系模型及成本与件量数之间的关系模型构建定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格，能够根据物流产品的流向针对不同地区采取不同的价格方案，最大化企业利润，从而当市场环境发生变化时，改变输入的约束条件能快速做出相应的改变，即可得出新的价格方案，可以大幅度减小人工计算所带来的误差与时间、效率成本。[0034]2、本发明示例的物流产品智能定价方法，通过物流产品件量数据随物流产品价格的变化关系及成本随物流产品件量数据的变化关系构建定价模型，可以根据物流产品的流向针对不同地区采取不同的价格方案来达到公司产品的战略部署，同时通过智能系统的计算方法可以减小人工计算所带来的误差与时间、效率成本。附图说明
[0035]图1为本发明物流产品智能定价方法流程图。[0036]图2为件量数预测模型的结构框图。[0037]图3为定价模型的结构框图。
[0038]图4为本发明的计算机系统的结构示意图。
具体实施方式
[0039]为了更好的了解本发明的技术方案，下面结合具体实施例、说明书附图对本发明作进一步说明。[0040]实施例1：
[0041]本实施例的一种物流产品智能定价系统，包括：[0042]价量模型：利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量数相关，通过模型训练获得单位价格与件量数之间的关系模型，即训练好的价量模型，根据价格弹性原理，价量模型满足计算公式：V＝k*Pe，通过训练该模型，输入历史数据，该历史数据为各个流向上的件量数和平均单位价格，由此得出K和e的值，其中，V为物流产品的件量数、P为物流产品的单位价格、k为修正参数、e为物流产品价格弹性，e数学表达式为：e＝(△Q/Q)/(△P/P)，Q代表件量数，P代表平均单位价格。通过训练该模型，输入与物流产品的单位价格和件量数相关的历史数据，由此得出K和e的值。然后再根据训练好的价量模型计算出调价格后的件量数，这个件量数根据历史数据预测的。作为可选方案，构建模型时根据物流产品的流向，根据不同流向的相应的单位价格和件量数，进行数据的比较和训练，获得各个流向上的件量数和价格关系，因为不同的流向的相关信息是有差异的，关系也可能会有差异，这样能够增加件量数预测的准确性，当然对于流向的相应的单位价格和件量数差异不大的情况，或者误差在允许范围内的情况下，也可以不分流向。[0043]成本模型：利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量数相关，通过模型训练获得成本与件量数之间的关系模型，即训练好的成本模型，成本模型满足计算公式：C＝A*V+B，通过训练该模型，输入不同流向的历史成本和件量数获得
6
CN 111507655 A
说 明 书
4/11页
不同流向下的A、B值，通过价量模型计算出的件量数，获得不同流向下的预测成本，其中，C为不同流向下的预测成本，A,B为计算常数。训练成本模型后，通过输入不同流向的历史成本和件量数获得不同流向下的A、B值，然后根据训练好的模型，通过价量模型预测件量数，进而获得预测的成本。通过价量模型件量数乘以调节后的价格获得收入R，收入减去成本模型的成本获得利润。作为可选方案，构建模型时根据不同流向的相应的单位价格和件量数，进行数据的比较和训练，获得各个流向上的件量数和价格关系，因为不同的流向的相关信息是有差异的，关系也可能会有差异，这样能够增加成本预测的准确性，当然对于流向间差异不大的情况，或者误差在允许范围内的情况下，也可以不分流向。[0044]其中，所述历史数据信息包括：物流流向内各城市的区码号、城市等级、GDP指数数据及各个城市之间的距离以及相应流向的物流产品的历史单位价格及其对应的件量数据，具体的能够根据城市等级或GDP等确定各城市或各流向是否属于同一级别，同一级别是指，成本、收入、利润等差异不大或者误差在允许范围内，可以划分至同一高度或层次进行比较的。比如基本相同的三线城市的数据可以一起采集使用，若是一线和三线，两者经济水平还是相差比较大，没有可比性，若是混淆数据进行训练或使用的话，可能导致模型没有可行性。历史数据信息可以通过采集模块采集，也可以是历史数据从业务数据库获取而直接导入。
[0045]定价模型：通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型，在该定价模型中，利润、收入和成本均与单位价格变量相关，所述定价模型可以设置约束条件，通过所述训练好的定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格；所述约束条件包括以下至少一种：物流产品的价格随运输距离增加而增加、物流产品的单位价格高于竞争对手、物流产品价格按照时序特征进行排序，所述时序特征包括早上、中午和晚上。集成价量模型、成本模型的计算公式，导入该定价模型，得到定价公式：max:P(p)＝R(p)-C(p)，即通过价量模型件量数乘以调节后的价格获得收入R，收入减去成本模型的成本获得利润，且可以设置约束条件，实现物流产品距离与价格之间不倒挂、物流产品价格大于竞争对手的值等。[0046]该物流产品智能定价系统具体的数学求解表达如下所示：[0047]max:P(p)＝R(p)-C(p)[0048]st：t∈{1,2,3,4}[0049]其中P(p)、R(p)、C(p)分别为利润、收入、成本的值，t为约束集合；输入当前价格值，接着通过价量模型、成本模型计算此时的收入、成本以及利润值，接着改变不同的单位价格p，不断迭代求得达到最大利润时物流产品的单位价格。将约束pd 7 CN 111507655 A 说 明 书 5/11页 价得出的件量数减去件量数预测模型中预测出来的件量数监测调价带来件量数的变化。通过历史数据信息，例如历史件量数获得一定价格下的预测件量数，这个可以是现有的件量预测方式，然后根据获得的件量数与价量模型计算出的件量数进行比较，可以通过价量模型调价得出的件量减去件量模型中预测出来的件量就是调价带来件量的增长或减小大小，若是差异在预设范围内，则认可上述总的定价模型可靠可行，若不是，则需要进一步调节上述两个模型进行结果计算，件量预测模型能够发挥验证作用，而后根据市场反馈得到真正的业务数据后，再进一步验证这些模型的可行性，不断的对模型进行调试[0051]作为可选方案，所述物流产品按照时序特征和重量区间进行分类，价量模型按照不同时序特征、重量区间的物流产品获得单位价格与件量数之间的关系模型，物流产品智能定价系统输入当前不同时段、不同重要的价格值，接着通过价量模型、成本模型计算此时的收入、成本以及利润值，接着改变不同的价格值p，不断迭代求得最优的价格方案，具体的数学求解表达如下所示： [0052]基于如上的数学表达式，分重量段以及分时间段且不发生价格与距离倒挂的定价方法过程如下： [0053]max:P(p)＝R(p)-C(p)[0054]st：t∈{1,2,3,4,pd＜pd+1} [0055]1.将物流产品在一天中的寄件时间分为三个时序特征：早晨、中午、晚上，用三个时间段表示：T12，T18，T20分别表示寄件时间为早上12之前、12-18以及18-20点。[0056]2.为了对不同重量段的物流产品制定不同的价格方案，对物流产品不同重量段制定不同的价格方案，例如分为：0-5kg、5-10kg、10-30kg、30kg以上等不同重量段。[0057]根据上述1,2对时间段和重量段的划分情况，输入不同时间段和不同重量段的初始价格方案，很方便的解决价格分时间段以及重量段且不发生价格与距离倒挂的较优价格方案，比如当需要改变价格策略时，只需要调节上述约束集合t中的约束，例如需要时间段T12比T18的市场占有率更高，则只需将约束条件2设置为V12>V18，V为物流产品的件量数然后重新进行价格方案的求解。 [0058]本实施例的物流产品智能定价系统对应的定价方法，包括以下步骤：[0059]S1：利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量相关，通过模型训练获得单位价格与件量之间的关系模型，即训练好的价量模型；价量模型满足计算公式：V＝k*Pe，通过训练该模型，输入历史数据，该历史数据为各个流向上的件量数和平均单位价格，由此得出K和e的值，其中，V为物流产品的件量数、P为物流产品的单位价格、k为修正参数、e为物流产品价格弹性，e数学表达式为：e＝(△Q/Q)/(△P/P)，Q代表件量数，P代表平均单位价格。通过训练该模型，输入与物流产品的单位价格和件量数相关的历史数据，由此得出K和e的值。然后再根据训练好的价量模型计算出调价格后的件量数，这个件量数根据历史数据预测的。[0060]利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量相关，通过模型训练获得成本与件量之间的关系模型，即训练好的成本模型；成本模型满足计算公式：C＝A*V+B，通过训练该模型，输入不同流向的历史成本和件量数获得不同流向下的A、B值，通过价量模型计算出的件量数，获得不同流向下的预测成本，其中，C为不同流向下的预测成本，A,B为计算常数。训练成本模型后，通过输入不同流向的历史成本和件量数获 8 CN 111507655 A 说 明 书 6/11页 得不同流向下的A、B值，然后根据训练好的模型，通过价量模型预测件量数，进而获得预测的成本。通过价量模型件量数乘以调节后的价格获得收入R，收入减去成本模型的成本获得利润。 [0061]其中，所述历史数据信息包括：物流流向内各城市的区码号、城市等级、GDP指数数据及各个城市之间的距离以及相应流向的物流产品的历史单位价格及其对应的件量数据，具体的能够根据城市等级或GDP等确定各城市或各流向是否属于同一级别，同一级别是指，成本、收入、利润等差异不大或者误差在允许范围内，可以划分至同一高度或层次进行比较的。比如基本相同的三线城市的数据可以一起采集使用，若是一线和三线，两者经济水平还是相差比较大，没有可比性，若是混淆数据进行训练或使用的话，可能导致模型没有可行性。历史数据信息可以通过采集模块采集，也可以是历史数据从业务数据库获取而直接导入。 [0062]S2：通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型，在该定价模型中，利润、收入和成本均与单位价格变量相关，所述定价模型可以设置约束条件，通过所述训练好的定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格，所述约束条件包括以下至少一种：物流产品的价格随运输距离增加而增加、物流产品的单位价格高于竞争对手、物流产品价格按照时序特征进行排序，所述时序特征包括早上、中午和晚上。集成价量模型、成本模型的计算公式，导入该定价模型，得到定价公式：max:P(p)＝R(p)-C(p)，即通过价量模型件量数乘以调节后的价格获得收入R，收入减去成本模型的成本获得利润，且可以设置约束条件，实现物流产品距离与价格之间不倒挂、物流产品价格大于竞争对手的值等。 [0063]该物流产品智能定价系统具体的数学求解表达如下所示：[0064]max:P(p)＝R(p)-C(p)[0065]st：t∈{1,2,3,4}[0066]其中P(p)、R(p)、C(p)分别为利润、收入、成本的值，t为约束集合。输入当前价格值，接着通过价量模型、成本模型计算此时的收入、成本以及利润值，接着改变不同的单位价格p，不断迭代求得达到最大利润时物流产品的单位价格。将约束pd 9 CN 111507655 A 说 明 书 7/11页 能够发挥验证作用，而后根据市场反馈得到真正的业务数据后，再进一步验证这些模型的可行性，不断的对模型进行调试。 [0068]下面结合具体实例对物流产品智能定价方法进一步解释：[0069]该物流产品智能定价方法的具体方案包括如下步骤：[0070]第1步、基于物流产品流向收集与智能定价方法相关数据信息，具体地，步骤S1中的数据收集，可以通过第三方数据库直接获取，包括如下步骤：[0071]第1-1步、城市相关数据：按照物流产品的流向采集各个城市的城市区码号、各个城市对之间的距离大小；[0072]第1-2步、宏观经济数据：采集最近几年各个城市的GDP指数数据；[0073]第1-3步、价格数据：采集最近几年物流产品的历史单位价格及其对应的件量数据、总成本。 [0074]具体的能够根据城市等级或GDP等确定各城市或各流向是否属于同一级别，同一级别是指，成本、收入、利润等差异不大或者误差在允许范围内，可以划分至同一高度或层次进行比较的，比如基本相同的三线城市的数据可以一起采集使用，若是一线城市和三线城市，两者经济水平还是相差比较大，没有可比性，若是混淆数据进行训练或使用的话，可能导致模型没有可行性。历史数据信息可以通过采集模块采集，也可以是历史数据从业务数据库获取而直接导入。[0075]第2步、利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量相关，通过模型训练获得单位价格与件量之间的关系模型，即训练好的价量模型；[0076]利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量相关，通过模型训练获得成本与件量之间的关系模型，即训练好的成本模型。[0077]具体地包括：[0078]第2-1步、价量模型：根据价格弹性原理，市场需求量的变化与历史单位价格之间满足如下的计算公式： [0079]e＝(△Q/Q)/(△P/P) [0080]上述计算公式中P代表历史寄件单位价格，Q代表P对应的市场需求量，例如不同流向的市场需求量，可以用市场占有率表示，e代表价格弹性。 [0081]根据上述的价格弹性原理以及物流产品的市场环境得到基于物流产品的价量模型，具体计算公式如下所示：V＝k*Pe；[0082]其中，V为件量数的大小；k为修正参数，用于调节同一物流产品在不同地区而造成的模型差异，根据V、P、e求取；[0083]第2-2步、成本模型：在定价系统中，关注的是件量数变动带来的成本的变量关系，因此，为了更加精确的刻画件量数变动所带来的成本变化，构建如下的件量数与成本计算公式：C＝A*V+B，其中C代表V对应的总成本，A、B为计算常数，通过成本与件量数的历史数据计算得出。[0084]第2-3步、件量数预测模型：通过以往未进行调价的历史数据来预测未进行调价的件量数大小，以此来判断调价对件量数带来的影响，基于数据信息采用深度门控循环单元神经网络选择三层GRU、激活层以及池化层来搭建件量数预测模型采用深度学习进行件量 10 CN 111507655 A 说 明 书 8/11页 数预测，如图2所示，其中GRU：用于提取数据时序特征；激活层：用于对提取的特征进行非线性变换；池化层：对数据进行特征选择，考虑到数据量的大小，选择三层GRU、激活层以及池化层来搭建网络结构，输入层为物流产品的时序特征及其历史单位价格和相对应的件量数据，通过三层网络对数据进行训练得到件量数预测模型，能够更加精准的预测件量数的大小，件量数预测模型是预测没有进行调价的时候市场未来一段时间件量数的大小，通过价量模型调价得出的件量数减去件量数模型中预测出来的件量数就是调价带来件量数的增长或减小大小，便于对调节价格后市场反应进行分析。[0085]第3步、基于上述的两个步骤研发物流产品智能定价模型，通过价量模型、成本模型计算此时的收入、成本以及利润值(利润值＝收入-成本)，基于物流产品件量数据随物流产品价格的变化关系及成本随物流产品件量数据的变化关系构建定价模型，接着改变物流产品的单位价格，不断迭代求得最优的价格方案，输出在预设约束条件限制下利润最大时物流产品对应的单位价格，具体的数学求解表达如下所示：[0086]max:P(p)＝R(p)-C(p)[0087]st：t∈{1,2,3,4}[0088]其中P(p)、R(p)、C(p)分别为利润、收入、成本的值，t为约束集合。[0089]关于约束条件的设置： [0090]1)为了解决现有的定价方法在不同的城市对之间，同一物流产品距离与价格之间存在严重倒挂的情况，可以将约束条件设置为pd＜pd+1，得模型的数学表达式：[0091]max:P(p)＝R(p)-C(p)[0092]st：t∈{pd＜pd+1}[0093]其中，Pd为距离为d时的价格。 [0094]2)为了解决基于对标竞争对手价格方案的定价方法过于单一的问题，可以将约束条件设置为物流产品单位价格高于竞争对手，加入到约束条件中去。[0095]3)为了获得预想的市场占有率，可以将约束条件设置为公司物流产品的总量除以市场的所有总量预期占比，加入到约束条件中去。[0096]进一步的，实际应用中可以将物流产品在一天中的寄件时间分为三个时序特征：早晨、中午、晚上，为了对不同重量段的物流产品制定不同的价格方案，作为可选方案，构建定价模型时将物流产品按照时序特征和重量区间进行分类，件量数预测模型构建单元按照不同时序特征、重量区间的物流产品历史件量数据为输入量，预测预设时长内各时序特征不同重量区间物流产品的件量数据，分别表示寄件时间为早上12之前、12-18点以及18-20点，对物流产品不同重量区间，分为：0-5kg、5-10kg、10-30kg、30kg以上等不同重量段，对时间段和重量段的划分情况，输入不同时间段和不同重量段的初始价格方案，在预设约束条件限制下利润最大时按照时序特征和重量区间输出物流产品对应的单位价格；当需要改变价格策略时，只需要调节上述约束集合t中的约束，例如需要早上比中午的市场占有率更高，则只需将约束条件设置为V12>V18，V为物流产品的件量数，然后重新进行价格方案的求解。[0097]例如，约束同一物流产品距离与价格之间不发生倒挂且需要早上比中午的市场占有率更高同时得模型的数学表达式：[0098]max:P(p)＝R(p)-C(p) 11 CN 111507655 A[0099] 说 明 书 9/11页 st：t∈{pd＜pd+1，V12＞V18} [0100]综上所述，物流产品智能定价方法当需要改变价格策略时，只需要调节上述约束集合t中的约束，例如需要早晨比中午的市场占有率更高，则只需将约束条件：早晨的件量数大于中午的件量数，然后重新进行价格方案的求解，从整体上更有利于对产品价格进行调控。同时制定合理的价格方案有利于减小客户的损失，基于物流流向，当公司战略针对某个地区需要进行收入调整时，如由利润最大化转变为市场占用率的最大化，只需要简单调整定价系统的相关设置即可得出新的价格方案，从而当市场环境发生变化时，能快速做出相应的应对方案。 [0101]本发明中示例的设备，通过物流产品智能定价方法，能够改变输入的约束条件能快速做出相应的改变，即可得出新的价格方案，可以大幅度减小人工计算所带来的误差与时间、效率成本。 [0102]本发明中示例的可读存储介质，储存有被处理器执行时实现的物流产品智能定价方法，便于物流产品智能定价系统的使用及推广。进一步介绍如下：计算机系统包括中央处理单元(CPU)101，其可以根据存储在只读存储器(ROM)102中的程序或者从存储部分加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM103中，还存储有系统操作所需的各种程序和数据。CPU 101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。[0103]以下部件连接至I/O接口105：包括键盘、鼠标等的输入部分106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分109。通信部分109经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口105。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分108。[0104]特别地，根据本发明的实施例，上文参考流程图4描述的过程可以被实现为计算机软件程序。例如，本发明的实施例1包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)101执行时，执行本申请的系统中限定的上述功能。 [0105]需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限 12 CN 111507655 A 说 明 书 10/11页 于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。 [0106]附图中的流程图和框图，图示了按照本发明各种实施例1的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。 [0107]描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种物流产品智能定价系统，包括：价量模型：利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量数相关，通过模型训练获得单位价格与件量数之间的关系模型，即训练好的价量模型；成本模型：利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量数相关，通过模型训练获得成本与件量数之间的关系模型，即训练好的成本模型；定价模型：通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型，在该定价模型中，利润、收入和成本均与单位价格变量相关，所述定价模型可以设置约束条件，通过所述训练好的定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格。[0108]作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的物流产品智能定价方法。[0109]例如，所述电子设备可以实现如图1中所示的：步骤S1：利用历史数据信息进行模型训练，其中所述历史数据信息与物流产品的单位价格和件量数相关，通过模型训练获得单位价格与件量数之间的关系模型，即训练好的价量模型；利用历史数据信息进行模型训练，其中所述历史数据信息与物流成本和件量数相关，通过模型训练获得成本与件量数之间的关系模型，即训练好的成本模型；步骤S2：通过训练好的价量模型和训练好的成本模型，构建利润、收入和成本三者之间的关系模型，即训练好的定价模型，在该定价模型中，利润、收入和成本均与单位价格变量相关，所述定价模型可以设置约束条件，通过所述训练好的定价模型，获得在约束条件下，达到最大利润时物流产品的单位价格。[0110]应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多 13 CN 111507655 A 说 明 书 11/11页 模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。[0111]此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。 [0112]以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。 14 CN 111507655 A 说 明 书 附 图 1/3页 图1 15 CN 111507655 A 说 明 书 附 图 2/3页 图2 16 CN 111507655 A 说 明 书 附 图 3/3页 图3 图4 17 因篇幅问题不能全部显示，请点此查看更多更全内容