1.一种智慧物流配送数据管理平台，其特征在于，包括数据管理模块、重度测试与预测模块和需求本体构建模块；

数据管理模块通过机器学习的聚类算法，自动对历史订单数据进行分类，并提取有效特征构建特征向量，同时利用关联规则挖掘技术挖掘数据间的关联关系，从而确定历史数据的可分析优先级，形成训练用数据集合，将训练用数据集合发送至重度测试与预测模块；

重度测试与预测模块利用隐马尔科夫链模型，根据订单特征和历史数据，动态构建顾客的物流配送需求序列，并通过状态转移概率和观测概率矩阵预测订单的重要度，实现订单优先级分类，将处理结果发送至需求本体构建模块；

需求本体构建模块利用关键特征与物流配送标准的程度比较，筛选符合要求的现有配送资源，并依据订单重要度校对运营成本，最终选取调整后成本最低的配送资源对订单进行处理；

数据管理模块包括以下处理内容：

步骤1-1，根据订单数据的特征和属性，提取特征；

步骤1-2，对提取的特征进行融合，将不同特征按照等比例进行归一化，然后拼接成一个综合特征向量，构建综合特征向量；

将综合特征向量标准化为单位向量，计算向量之间的夹角余弦值，获取订单之间的相似度矩阵；

步骤1-3，将标准化后的综合特征向量作为输入，使用t-SNE算法将高维特征空间映射到一个低维空间，最终得到每个订单在低维空间中的坐标；

步骤1-4，将降维后的特征向量作为输入，应用选择的聚类算法将订单数据分成若干个簇，每个簇包含具有相似特征的订单；

步骤2-1，使用Apriori算法从每个簇的订单数据中提取挖掘的特征，寻找频繁项集；

步骤2-2，基于频繁项集，生成订单重要指数；

订单重要指数的计算公式为：

其中，

提取每个簇中的订单重要指数超过重要阈值的订单，构成训练用数据集合；

重度测试与预测模块包括以下内容：

对训练用数据集合进行特征提取，构建顾客的物流配送需求序列：将顾客的物流配送需求分为不同的状态，并将订单的特征作为观测变量，定义状态转移概率矩阵，表示不同状态之间的转移概率，计算公式为：其中，

定义观测概率矩阵：表示在各个状态下观测到各个订单特征的概率，具体步骤如下：对每个订单特征进行归一化处理，将订单金额划分为若干个区间，将地点信息转换为距离等级；

设隐藏状态集合为

设观测变量集合为

对于每个隐藏状态，计算在该状态下观测到每个订单特征的概率；

将所有观测概率组合成一个观测概率矩阵；

随机初始化状态转移概率矩阵和观测概率矩阵，设转移概率矩阵为A、观测概率矩阵为B；

步骤3-1，对于每个订单序列，使用前向算法计算观测序列的联合概率，即给定当前参数A和B下观察到该订单序列的概率；

根据当前参数A和B，利用后向算法计算每个订单序列在每个隐藏状态下的前向和后向概率，具体而言：前向概率

后向概率

利用前向和后向概率计算每个订单序列在每个隐藏状态下的概率分布，即给定当前参数下，该订单序列处于每个隐藏状态的概率；

步骤3-2，更新状态转移概率矩阵A和观测概率矩阵B;状态转移概率矩阵A的更新公式为：

其中，

观测概率矩阵B的更新公式为：

其中，

重复执行步骤3-1和步骤3-2，直到达到最大迭代次数；

步骤3-3，计算观测序列出现在每个状态下的概率；

根据先验概率，计算每个状态的重要度；

计算每个状态下的后验概率，即订单的重要度；

需求分配模块包括以下内容：

步骤4-1，统计现在可投入使用的物流资源，并统计每个可投入使用的物流资源的对应的配送标准；

步骤4-2，从新产生的顾客的订单中提取关键特征；

设

将关键特征与物流配送标准转化为向量形式，设关键特征则每个关键特征属于物流配送中对应每项标准的程度为：其中，

计算获得关键特征属于标准程度，将每项关键特征的关键特征属于标准程度和对应的属于程度阈值进行比较，若每项关键特征的关键特征属于标准程度均大于对应的属于程度阈值，则表示当前客户的订单中对应的关键特征符合现有可用的配送资源的对应的配送标准，以此类推，检查每项关键特征是否都符合现有可用的配送资源对应的配送标准，之后统计符合条件的现有的配送资源，使用订单的重要度对运营成本进行校对，获得调整运营成本，按照调整运营成本从小到大进行对所有符合条件的配送资源进行排序，选取排序首位的配送资源对新产生的顾客的订单进行处理。