CN108470261B - 一种下单方法及装置 - Google Patents
一种下单方法及装置 Download PDFInfo
- Publication number
- CN108470261B CN108470261B CN201810187335.7A CN201810187335A CN108470261B CN 108470261 B CN108470261 B CN 108470261B CN 201810187335 A CN201810187335 A CN 201810187335A CN 108470261 B CN108470261 B CN 108470261B
- Authority
- CN
- China
- Prior art keywords
- order
- merchant
- commodity
- predicted
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 description 17
- 238000003066 decision tree Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 235000012054 meals Nutrition 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 235000012020 french fries Nutrition 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 235000021186 dishes Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种下单方法及装置，所述方法包括：针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单，并向所述商户发送所述第一订单；其中，所述第一订单用于指示所述商户制作所述预测下单量的所述商品；基于各商户的各商品对应的第一订单，确定预售商品，所述预售商品为第一订单中包含的商品；接收用户对所述预售商品的下单请求，所述下单请求包括配送信息；根据所述下单请求生成第二订单，并将所述第二订单发送至配送员。
Description
技术领域
本申请涉及电子商务领域，尤其涉及一种下单方法及装置。
背景技术
在外卖行业，物流即时配送是极其重要业务场景之一，随着外卖需求的增加，如何提升服务质量和提高配送效率，是一个越发严峻的问题。在用户角度，用户下完单以后希望尽可能快的送达。但是，在外卖订餐高峰时段，由于人手，路况，餐厅营业等多方面原因，导致用户从订外卖到拿到餐品，需要等待很长的时间，用户体验较差，如何提高配送质量，进一步缩短整体配送时长，是目前亟待解决的问题。
发明内容
本申请实施例提供一种下单方法及装置，用以提高外卖配送的效率，提高用户体验。
本申请实施例提供一种下单方法，包括：
针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单，并向所述商户发送所述第一订单；其中，所述第一订单用于指示所述商户制作所述预测下单量的所述商品；
基于各商户的各商品对应的第一订单，确定预售商品，所述预售商品为第一订单中包含的商品；
接收用户对所述预售商品的下单请求，所述下单请求包括配送信息；
根据所述下单请求生成第二订单，并将所述第二订单发送至配送员。
一种可能的实现方式，所述基于对所述商户的所述商品的预测下单量，生成第一订单，包括：
根据所述商户的所述商品的预测下单量N，生成N个所述第一订单；每个第一订单包括所述商户的商户信息、所述商品的商品信息及订单流水号，每个第一订单对应一个预售商品；
所述根据所述下单请求生成第二订单，包括：
确定所述下单请求对应的第一订单；
在所述第一订单中添加所述配送信息，生成所述第二订单。
一种可能的实现方式，所述预售商品的下单请求为多个；
在所述第一订单中添加所述配送信息，生成所述第二订单，包括：
根据所述多个第一订单中的商户信息和商品信息，生成合并订单，所述合并订单的订单流水号与所述多个第一订单的订单流水号均不同；
在所述合并订单中添加所述配送信息，生成所述第二订单。
一种可能的实现方式，所述根据所述多个第一订单中的商户信息和商品信息，生成合并订单，包括：
若所述多个第一订单中包括多个商户，则针对每个商户生成一个合并订单。
一种可能的实现方式，通过如下方式确定所述商户的所述商品的预测下单量，包括：
根据所述商户的所述商品的历史下单数据，确定所述商户的所述商品的预测下单量；或
根据所述商品的多个商户的历史下单数据，确定所述商户的所述商品的预测下单量，所述商户为所述多个商户中的任一个。
一种可能的实现方式，所述根据所述商户的所述商品的历史下单数据，确定所述商户的所述商品的预测下单量，包括：
获取所述商户的所述商品的历史下单数据；
从所述历史下单数据中确定历史特征数据；
根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量。
一种可能的实现方式，所述从所述历史下单数据中确定历史特征数据，包括：
根据所述历史下单数据，统计每个时间片段内的下单量；
确定同一天内相邻时间片段内的下单量的趋势变化值作为历史特征数据；
根据不同天内预测时间片段对应的时间片段的下单量，确定的趋势变化值作为历史特征数据。
一种可能的实现方式，所述预测模型包括多个预测子模型；其中，各预测子模型的权重是根据各预测子模型的准确度确定的；所述根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量，包括：
将所述历史特征数据输入各预测子模型，得到各预测子模型的子预测量；
根据各预测子模型的权重以及各预测子模型的子预测量，确定所述预测模型的预测下单量。
一种可能的实现方式，所述方法还包括：
若确定所述预售商品在第二预设时间段内未销售完，则更新所述预售商品的促销信息。
本申请实施例提供一种下单装置，包括：
处理单元，用于针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单；其中，所述第一订单用于指示所述商户制作所述预测下单量的所述商品；基于各商户的各商品对应的第一订单，确定预售商品，所述预售商品为第一订单中包含的商品；根据所述下单请求生成第二订单；
收发单元，用于向所述商户发送所述第一订单；接收用户对所述预售商品的下单请求，所述下单请求包括配送信息；将所述第二订单发送至配送员。
一种可能的实现方式，所述处理单元具体用于：
根据所述商户的所述商品的预测下单量N，生成N个所述第一订单；每个第一订单包括所述商户的商户信息、所述商品的商品信息及订单流水号，每个第一订单对应一个预售商品；确定所述下单请求对应的第一订单；在所述第一订单中添加所述配送信息，生成所述第二订单。
一种可能的实现方式，所述预售商品的下单请求为多个；所述处理单元具体用于：根据所述多个第一订单中的商户信息和商品信息，生成合并订单，所述合并订单的订单流水号与所述多个第一订单的订单流水号均不同；在所述合并订单中添加所述配送信息，生成所述第二订单。
一种可能的实现方式，所述处理单元具体用于：
若所述多个第一订单中包括多个商户，则针对每个商户生成一个合并订单。
一种可能的实现方式，所述处理单元具体用于：
根据所述商户的所述商品的历史下单数据，确定所述商户的所述商品的预测下单量；或
根据所述商品的多个商户的历史下单数据，确定所述商户的所述商品的预测下单量，所述商户为所述多个商户中的任一个。
一种可能的实现方式，所述处理单元具体用于：
获取所述商户的所述商品的历史下单数据；从所述历史下单数据中确定历史特征数据；根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量。
一种可能的实现方式，所述处理单元具体用于：
根据所述历史下单数据，统计每个时间片段内的下单量；确定同一天内相邻时间片段内的下单量的趋势变化值作为历史特征数据；根据不同天内预测时间片段对应的时间片段的下单量，确定的趋势变化值作为历史特征数据。
一种可能的实现方式，所述预测模型包括多个预测子模型；其中，各预测子模型的权重是根据各预测子模型的准确度确定的；
所述处理单元具体用于：根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量；将所述历史特征数据输入各预测子模型，得到各预测子模型的子预测量；根据各预测子模型的权重以及各预测子模型的子预测量，确定所述预测模型的预测下单量。
一种可能的实现方式，所述处理单元还用于：若确定所述预售商品在第二预设时间段内未销售完，则更新所述预售商品的促销信息。
本申请实施例中，针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单，并向所述商户发送所述第一订单；可以使得商户提前制作所述预测下单量的所述商品，极大的减少了用户等待的时间。另外，基于各商户的各商品对应的第一订单，确定预售商品，所述预售商品为第一订单中包含的商品；用户在外卖平台上下单时可以直接查看到预设商品，进而确定对所述预售商品下单，直接提升了用户的下单体验；通过提前下单，做到骑手到店，餐厅即做好餐，能够进一步降低整体配送时长，提高服务质量。因此，相较于现有技术有效提高了外卖配送的效率，极大的缩短了用户下单后等待的时间，提高了用户的下单体验和外卖体验。
附图说明
图1为本申请实施例中一种下单方法流程示意图；
图2为本申请实施例中一种下单预测结果示意图；
图3为本申请实施例中一种下单装置的结构示意图。
具体实施方式
目前外卖行业，都是用户下单，餐厅接单/出餐，骑手到店/取餐，骑手送餐，最后送达这样一个流程。一个外卖从下单到最后送达，绝大部分时间都被餐厅出餐和骑手送餐占据，现有的外卖下单方法导致外卖的整体配送时长较长，在下单高峰时段，下单用户平均需要等待1小时才能拿到餐，比起堂吃需要等更长的时间，降低了外卖的体验。为了降低整体时长，本申请实施例提供一种下单方法，如图1所示，包括以下步骤：
步骤101：针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单，并向所述商户发送所述第一订单；
其中，所述第一订单用于指示所述商户制作所述预测下单量的所述商品；
步骤102：基于各商户的各商品对应的第一订单，确定预售商品；
其中，所述预售商品为第一订单中包含的商品；
步骤103：接收用户对所述预售商品的下单请求；
其中，所述下单请求包括配送信息；
步骤104：根据所述下单请求生成第二订单，并将所述第二订单发送至配送员。
在步骤101中，针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，可以根据历史下单数据，确定所述商户的所述商品的预测下单量。
在具体实施过程中，在获取到所述历史下单数据后，可以先对所述历史下单数据进行数据预处理，以增加预测的准确性。例如，剔除异常下单的历史下单数据，剔除信息缺失的历史下单数据等。
将经过预处理的历史订单数据按照数据的特征进行分类，确定历史特征数据。例如，可以按照历史订单数据中商户特征，商品特征，下单时间特征等进行分类，进而确定所述历史特征数据。
所述商户特征可以包括：所述商户的地理位置信息，所述商户的商户类型，所述商户的营销信息；其中，所述商户的地理位置信息可以根据外卖的站点配送范围进行划分，便于提高外卖员的配送效率，也可以根据所述商户的历史下单数据划分出密集下单区域，便于分析所述商户的密集下单区域的下单特征；例如，所述密集下单区域可以通过商圈进行划分，在商圈的下单数据和非商圈的下单数据可能会出现明显差异，通过对区域的划分，有利于增加预测的准确性。例如，由于商圈内可能包括大量的商户，和大量的用户，商圈内的用户的选择可能较多，配送距离较短，若确定所述商圈内的用户在所述商圈内的商户的下单量较高，则向所述商圈内的用户推荐所述商户的预售商品，可以有效的降低用户下单后拿到所述预售商品的等待时间的比值，极大的提高用户体验；例如，若用户选择下单非预售商品，商户在收到所述用户的订单后，开始制作所述非预售商品，假设需要等待15分钟，配送需要15分钟，共计30分钟才能拿到所述非预售商品。但是，由于用户选择了预售商品，用户等待的时间仅为配送员的配送时间15分钟，这表示用户等待时间缩短了1半，促进用户对所述预售商品下单；而非商圈区域可能商户较少，用户也较少，在非商圈区域的用户下单，查找商圈内的商户的概率可能由多种因素决定，因此，增加区域的特征，可以进一步提高对所述商品的预测下单量的准确性，并可以根据区域划分显示给用户的预售商品的优先级以及发送给配送员的优先级，提高预售商品销售的概率。
所述商户的商户类型可以根据所述商户的经营范围和所述商户包括的商品确定。所述商户的营销信息可以包括所述商户整体的活动信息，也可以为所述商户中部分商品的活动信息。
所述商品特征可以包括商品的价格，商品的活动信息，红包等。
针对所述商户的所述商品的下单时间特征可以包括：时间特征，实时特征，统计时间特征等。即可以进行横向时间特征的确定，也可以进行纵向时间特征的确定。
举例来说，可以选取6周针对中午高峰时段的所述商户的所述商品的历史下单数据，即所述第一预设时间段为预测所述商户的所述商品的预测下单量所需的历史下单数据所在的时间段。
根据所述第一预设时间段内的历史下单数据，将所述历史下单数据以时间片为单位进行分割，所述时间片可以为15分钟，即一个数据点表示所述商户的所述商品在15分钟内的下单量；
所述商户的所述商品的下单时间的时间特征可以包括：所述下单时间所属的时间片，是否为周末，工作日为第几天等特征。
所述商户的所述商品的实时特征可以包括：确定每个时间片内的下单量，以及相邻时间片的下单量的变化量。所述相邻时间片可以为该时间片的历史时间片，也可以为该时间片的未来时间片。例如，所述商户的所述商品在第一时间片内的下单量，在第二时间片内的下单量，第一时间片的下单量与第二时间片内的下单量的趋势变化，在具体实施过程中，所述趋势变化可以为第一时间片的下单量与第二时间片内的下单量的差值或单位时间内的差值。所述单位时间可以为分钟。
所述统计时间特征可以包括：
每天所述商户的所述商品在同一时间片的下单量的统计值，所述统计值可以包括，平均下单量，最小下单量，最大下单量等；进一步的，可以根据时间特征进一步划分，例如，工作日所述商户的所述商品在同一时间片的下单量的统计值；周末所述商户的所述商品在同一时间片的下单量的统计值；
每天所述商户的所述商品在相邻时间片的下单量的统计值，所述统计值可以包括平均单量，中位数单量，最小单量，最大单量等。进一步的，可以根据时间特征进一步划分，例如，工作日所述商户的所述商品在同一时间片的下单量的统计值；周末所述商户的所述商品在同一时间片的下单量的统计值；
当前时间片的下单量统计值与相邻时间片的下单量的统计值的变化值；具体的，可以包括：每天所述商户的所述商品在同一时间片的下单量的统计值与其相邻时间片的下单量的统计值的差值或者单位时间的差值。
步骤二的一种可能的实现方式，所述历史特征数据包括统计时间特征，可以根据以下步骤确定：
步骤一、根据所述历史下单数据，统计每个时间片段内的下单量；
步骤二、确定同一天内相邻时间片段内的下单量的变化值作为历史特征数据；根据不同天内预测时间片段对应的时间片段的下单量，确定所述变化值作为历史特征数据。
上述特征仅为示例说明，在具体实施过程中，也可以根据实际需求增减，在此不做限定。
一种可能的实现方式，可以通过如下方式确定所述商户的所述商品的预测下单量，包括：
根据所述商户的所述商品的历史下单数据，确定所述商户的所述商品的预测下单量。
一种可能的实现方式，包括以下步骤：
步骤一、获取所述商户的所述商品的历史下单数据；
步骤二、从所述历史下单数据中确定历史特征数据；
步骤三、根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量。
在步骤一中，可以包括：从所述历史订单数据中，确认出所述商户的所述商品在第一预设时间段内的历史数据；
其中，所述第一预设时间段可以包括所述预测时间的数据，也可以为选取的高峰时段，以提高预测的效率已经准确率。具体可以根据实际需要进行选取，在此不做限定。举例来说，可以选取6周针对中午高峰时段的所述商户的所述商品的历史下单数据。
在步骤二中，结合上述举例，可以将6周中的前4周针对中午高峰时段的所述商户的所述商品的历史数据，根据商户特征，商品特征和下单时间特征，确定所述历史数据的历史特征数据。
进一步的，针对同一外卖配送范围内的不同商户间可能存在相同商品的竞争，为提高预测的准确率，一种可能的实现方式，可以根据以下方式确定所述预测下单量：
根据所述商品的多个商户的历史下单数据，确定所述商户的所述商品的预测下单量，所述商户为所述多个商户中的任一个。
具体的，可以包括：从所述历史订单数据中，确认出与所述商品相关的不同商户在第一预设时间段内的历史数据；
举例来说，可以选取6周针对中午高峰时段的不同商户的所述商品的历史下单数据。在具体实施过程中，可以在相同商户类型中选取销售相同商品的商户作为与所述商品相关的不同商户；例如，销售薯条的商户可以有麦当劳，也可以有肯德基，麦当劳和肯德基销售薯条的历史数据都可以作为麦当劳销售薯条的预测下单量的历史数据；也可以在不同地理位置的相同商户品牌的商户作为与所述商品相关的不同商户；例如，在外卖区域1中的麦当劳a和在外卖区域2中的麦当劳b销售的薯条的下单量，可以作为麦当劳a在预设时段内的预测下单量的历史数据，通过对大数据的特征提取，可以有效的优化计算过程，减少计算的时间，提高计算效率。
在步骤二中、根据所述历史数据，确定所述历史数据的历史特征数据；
结合上述例子，根据与上述商品相关的不同商户的历史数据，可以针对不同商户间的影响因素，增加所述历史数据的历史特征数据，进一步增加预测的准确率。
在步骤三中，所述预测模型可以为梯度提升树模型(Gradient BoostingDecision Tree，简称GBDT)，GBDT是是一种迭代的决策树算法，由若干棵决策树组成。梯度提升树模型是一种决策树与提升方法(比如，XGBoost)相结合的模型，其核心思想是：在构建一系列决策树的过程中，后一棵决策树所学习的是前面所有决策树的结论和残差，当后一棵决策树的残差小于设置的阈值或者达到迭代次数，则模型终止训练，通过这种不断拟合前面决策树残差的方式最终得到若干棵决策树。对待测样本，梯度提升树模型输出结果为k棵决策树的输出结果之和。在这个过程中，样本的选择是随机的，特征的选择也是随机的，这意味着总的训练集中有些样本可能多次出现在一棵树的训练集中，也可能从未出现在任何一棵树的训练集中。其主要步骤如下：应用重采样技术从m个模型训练样本中随机抽取n个样本集，并由此构建n棵决策树。对每棵决策树生长过程中，每一个节点从所有特征中随机抽取F个特征作为当前节点分裂的子集，在构建决策树时通常采用最小均方误差作为分裂的评判标准，以此选择最好的分裂方式。将n棵决策树组成最终的GBDT模型。
在构建预测下单量的GBDT模型时，按照预设条件对历史下单数据进行采样确定构建GBDT模型的样本，将样本划分为训练集和测试集，然后将训练集的样本以及历史特征数据构建GBDT模型。构建GBDT模型后，采用测试集对GBDT模型进行评估，评估的指标分别为平均绝对值误差和相邻时间片的准确率。
结合上述举例，在具体实施过程中，所述预设条件可以设置为第一周至第4周为历史特征数据确定的样本，第5周的历史下单数据为训练样本，第6周的历史下单数据为测试样本。
在具体实施过程中，梯度提升树模型最大树深度可以为5，迭代次数可以为100。
一种可能的实现方式，所述预测模型可以为深度学习模型，例如，(Long Short-Term Memory,LSTM)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的样本。在具体实施过程中，可以根据LSTM构建时间步长为一个时间片的时序模型，第二层为包括所述历史特征数据的LSTM的激活单元，最终在输出单元输出所述模型对所述商户的所述商品的预测下单量。
为提高预测的准确性，所述预测模型可以包括多个预测子模型；其中，各预测子模型的权重是根据各预测子模型的准确度确定的；在具体实施过程中，可以包括以下步骤：
步骤一、根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量；
步骤二、将所述历史特征数据输入各预测子模型，得到各预测子模型的子预测量；
步骤三、根据各预测子模型的权重以及各预测子模型的子预测量，确定所述预测模型的预测下单量。
具体的，若所述子模型包括GBDT模型，和LSTM模型，可以根据权重融合，将2者的预测值相加，权重融合公式如下：
prediction＝a×GBDT+b×lstm
其中，prediction为所述模型的预测值，所述GBDT为所述GBDT模型的预测值，所述LSTM为所述LSTM的预测值，a为所述GBDT模型的预测值的权重，b为所述LSTM的预测值的权重。例如，所述a可以为0.55，所述b可以为0.45。
如表1所示，为一个具体的预测结果的例子，其中MAE为平均绝度误差，MSE为均方误差。
| MAE | MSE | 相似度 | |
| GBDT+LSTM | 2.1884 | 9.3245 | 0.8046 |
| LSTM | 2.2306 | 9.4386 | 0.8040 |
| GBDT | 2.1947 | 9.6208 | 0.7972 |
| Prediction＝Yt-1 | 2.8845 | 17.1631 | 0.6755 |
可以看出，所述预测下单量在所述模型包括2个子模型时的准确率高于一个子模型确定的预测下单量的准确率。所述模型包括2个子模型时的预测值与真实值的相似度高于单一模型的相似度。
如图2所示，为本申请实施例中在12天内的预测结果与真实下单的示意图，黑色粗线表示真实下单量，灰色细线表示预测下单量。可以看出，预测结果的可信度较高。
在步骤103中，为节省外卖订单平台服务器的网络资源，所述第一订单与所述第二订单的流水号可以共用。
一种可能的实现方式，可以包括以下步骤：
步骤一、根据所述商户的所述商品的预测下单量N，生成N个所述第一订单；
其中，每个第一订单包括所述商户的商户信息、所述商品的商品信息及订单流水号，每个第一订单对应一个预售商品；
步骤二、确定所述下单请求对应的第一订单；
步骤三、在所述第一订单中添加所述配送信息，生成所述第二订单。
通过每个商品唯一对应一个第一订单，并且每个第一订单唯一对应一个订单流水号，从用户下单，至商户接单，再到配送员接单配送的完整下单过程中，所述第一订单的流水号是唯一的，不会发生变化，便于所述外卖订单平台服务器的管理，节省了服务器的计算资源，更容易实现。
在步骤103中，为提高用户体验，节省用户的下单时间，一种可能的实现方式，所述预售商品的下单请求为多个；在所述第一订单中添加所述配送信息，生成所述第二订单，可以包括以下步骤：
步骤一、根据所述多个第一订单中的商户信息和商品信息，生成合并订单，所述合并订单的订单流水号与所述多个第一订单的订单流水号均不同；
步骤二、在所述合并订单中添加所述配送信息，生成所述第二订单。
在具体实施过程中，用户可能需要同时添加多个预售商品，此时，将所述多个预售商品的第一订单生成合并订单，便于用户查看订单信息，跟踪订单，提升了用户体验。
在步骤103中，为提高配送效率，一种可能的实现方式，根据所述多个第一订单中的商户信息和商品信息，生成合并订单，可以包括以下步骤：
若所述多个第一订单中包括多个商户，则针对每个商户生成一个合并订单。
通过对同一用户针对不同商户的预售商品的订单的区分，可以将同一商户的至少一个预售商品生成一个合并订单，便于配送员接收配送消息，进而更加快速的配送所述用户的订单。
当然，也可以根据所述不同商户的地理位置信息，将距离小于阈值的同一用户的第一订单中的不同商户，合并为一个订单。具体实施过程，可以根据实际需要进行确定，在此不做限定。
在步骤104中，所述方法还可以包括：
若确定所述预售商品在第二预设时间段内未销售完，则更新所述预售商品的促销信息。
在具体实施过程中，可以针对于每一个预测下单的预售商品设定一个失效时间，例如15分钟。所述失效时间为所述第二预设时间段。
举例来说，若预测用户10:00-10:15有下单行为，且在10:15的时候没有用户确认下单，则所述预测单失效，属于亏损。此时，则可以更新所述预售商品的促销信息，具体的，可以根据动态定价的方式，刺激用户在10:00-10:15时间段内将此单买走。所述促销信息可以为随着时间的增加，折扣增加的方式确定，一种可能的实现方式，所述折扣可以表示为以下公式:
discount＝1/emax(15×60-(stockExpireTime-curTime),0)/15×60
其中，stockExpireTime为所述第二预设时间段，单位为分钟，curTime为当前时间,单位为分钟，discount为所述预售商品的折扣。
如图3所示，本申请实施例提供一种下单装置，包括：
处理单元301，用于针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单；其中，所述第一订单用于指示所述商户制作所述预测下单量的所述商品；基于各商户的各商品对应的第一订单，确定预售商品，所述预售商品为第一订单中包含的商品；根据所述下单请求生成第二订单；
收发单元302，用于向所述商户发送所述第一订单；接收用户对所述预售商品的下单请求，所述下单请求包括配送信息；将所述第二订单发送至配送员。
一种可能的实现方式，处理单元301具体用于：
根据所述商户的所述商品的预测下单量N，生成N个所述第一订单；每个第一订单包括所述商户的商户信息、所述商品的商品信息及订单流水号，每个第一订单对应一个预售商品；确定所述下单请求对应的第一订单；在所述第一订单中添加所述配送信息，生成所述第二订单。
一种可能的实现方式，所述预售商品的下单请求为多个；处理单元301具体用于：根据所述多个第一订单中的商户信息和商品信息，生成合并订单，所述合并订单的订单流水号与所述多个第一订单的订单流水号均不同；在所述合并订单中添加所述配送信息，生成所述第二订单。
一种可能的实现方式，处理单元301具体用于：
若所述多个第一订单中包括多个商户，则针对每个商户生成一个合并订单。
一种可能的实现方式，处理单元301具体用于：
根据所述商户的所述商品的历史下单数据，确定所述商户的所述商品的预测下单量；或
根据所述商品的多个商户的历史下单数据，确定所述商户的所述商品的预测下单量，所述商户为所述多个商户中的任一个。
一种可能的实现方式，处理单元301具体用于：
获取所述商户的所述商品的历史下单数据；从所述历史下单数据中确定历史特征数据；根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量。
一种可能的实现方式，处理单元301具体用于：
根据所述历史下单数据，统计每个时间片段内的下单量；确定同一天内相邻时间片段内的下单量的趋势变化值作为历史特征数据；根据不同天内预测时间片段对应的时间片段的下单量，确定的趋势变化值作为历史特征数据。
一种可能的实现方式，所述预测模型包括多个预测子模型；其中，各预测子模型的权重是根据各预测子模型的准确度确定的；
处理单元301具体用于：根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量；将所述历史特征数据输入各预测子模型，得到各预测子模型的子预测量；根据各预测子模型的权重以及各预测子模型的子预测量，确定所述预测模型的预测下单量。
一种可能的实现方式，处理单元301还用于：若确定所述预售商品在第二预设时间段内未销售完，则更新所述预售商品的促销信息。
本申请实施例中，针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单，并向所述商户发送所述第一订单；可以使得商户提前制作所述预测下单量的所述商品，极大的减少了用户等待的时间。另外，基于各商户的各商品对应的第一订单，确定预售商品，所述预售商品为第一订单中包含的商品；用户在外卖平台上下单时可以直接查看到预设商品，进而确定对所述预售商品下单，直接提升了用户的下单体验；因此，相较于现有技术有效提高了外卖配送的效率，极大的缩短了用户下单后等待的时间，提高了用户的下单体验和外卖体验。通过提前预测并下单，能够有效的降低时长，让用户更早的拿到餐，提高整个外卖领域的配送质量，让下单用户感受到和堂吃一样的实时性。同时设计动态定价，消耗掉预测过多的菜品，降低成本。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (18)
1.一种下单方法，其特征在于，包括：
针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单，并向所述商户发送所述第一订单；其中，所述第一订单用于指示所述商户制作所述预测下单量的所述商品；
基于各商户的各商品对应的第一订单，确定预售商品，所述预售商品为第一订单中包含的商品；
接收用户对所述预售商品的下单请求，所述下单请求包括配送信息；
根据所述下单请求生成第二订单，并将所述第二订单发送至配送员；
其中，所述根据所述下单请求生成第二订单，包括：确定所述下单请求对应的第一订单；在所述第一订单中添加所述配送信息，生成所述第二订单。
2.如权利要求1所述的方法，其特征在于，所述基于对所述商户的所述商品的预测下单量，生成第一订单，包括：
根据所述商户的所述商品的预测下单量N，生成N个所述第一订单；每个第一订单包括所述商户的商户信息、所述商品的商品信息及订单流水号，每个第一订单对应一个预售商品。
3.如权利要求1所述的方法，其特征在于，所述预售商品的下单请求为多个；
所述在所述第一订单中添加所述配送信息，生成所述第二订单，包括：
根据多个第一订单中的商户信息和商品信息，生成合并订单，所述合并订单的订单流水号与所述多个第一订单的订单流水号均不同；
在所述合并订单中添加所述配送信息，生成所述第二订单。
4.如权利要求3所述的方法，其特征在于，所述根据所述多个第一订单中的商户信息和商品信息，生成合并订单，包括：
若所述多个第一订单中包括多个商户，则针对每个商户生成一个合并订单。
5.如权利要求1至4任一项所述的方法，其特征在于，通过如下方式确定所述商户的所述商品的预测下单量，包括：
根据所述商户的所述商品的历史下单数据，确定所述商户的所述商品的预测下单量；或
根据所述商品的多个商户的历史下单数据，确定所述商户的所述商品的预测下单量，所述商户为所述多个商户中的任一个。
6.如权利要求5所述的方法，其特征在于，所述根据所述商户的所述商品的历史下单数据，确定所述商户的所述商品的预测下单量，包括：
获取所述商户的所述商品的历史下单数据；
从所述历史下单数据中确定历史特征数据；
根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量。
7.如权利要求6所述的方法，其特征在于，所述从所述历史下单数据中确定历史特征数据，包括：
根据所述历史下单数据，统计每个时间片段内的下单量；
确定同一天内相邻时间片段内的下单量的趋势变化值作为历史特征数据；
根据不同天内预测时间片段对应的时间片段的下单量，确定的趋势变化值作为历史特征数据。
8.如权利要求6所述的方法，其特征在于，所述预测模型包括多个预测子模型；其中，各预测子模型的权重是根据各预测子模型的准确度确定的；所述根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量，包括：
将所述历史特征数据输入各预测子模型，得到各预测子模型的子预测量；
根据各预测子模型的权重以及各预测子模型的子预测量，确定所述预测模型的预测下单量。
9.如权利要求1至4和6至8中任一项所述的方法，其特征在于，所述方法还包括：
若确定所述预售商品在第二预设时间段内未销售完，则更新所述预售商品的促销信息。
10.一种下单装置，其特征在于，包括：
处理单元，用于针对任一商户的任一商品，基于对所述商户的所述商品的预测下单量，生成第一订单；其中，所述第一订单用于指示所述商户制作所述预测下单量的所述商品；基于各商户的各商品对应的第一订单，确定预售商品，所述预售商品为第一订单中包含的商品；根据下单请求生成第二订单；
收发单元，用于向所述商户发送所述第一订单；接收用户对所述预售商品的下单请求，所述下单请求包括配送信息；将所述第二订单发送至配送员；
其中，所述处理单元具体用于确定所述下单请求对应的第一订单；在所述第一订单中添加所述配送信息，生成所述第二订单。
11.如权利要求10所述的装置，其特征在于，所述处理单元具体用于：
根据所述商户的所述商品的预测下单量N，生成N个所述第一订单；每个第一订单包括所述商户的商户信息、所述商品的商品信息及订单流水号，每个第一订单对应一个预售商品。
12.如权利要求10所述的装置，其特征在于，所述预售商品的下单请求为多个；所述处理单元具体用于：根据多个第一订单中的商户信息和商品信息，生成合并订单，所述合并订单的订单流水号与所述多个第一订单的订单流水号均不同；在所述合并订单中添加所述配送信息，生成所述第二订单。
13.如权利要求12所述的装置，其特征在于，所述处理单元具体用于：
若所述多个第一订单中包括多个商户，则针对每个商户生成一个合并订单。
14.如权利要求10至13任一项所述的装置，其特征在于，所述处理单元具体用于：
根据所述商户的所述商品的历史下单数据，确定所述商户的所述商品的预测下单量；或
根据所述商品的多个商户的历史下单数据，确定所述商户的所述商品的预测下单量，所述商户为所述多个商户中的任一个。
15.如权利要求14所述的装置，其特征在于，所述处理单元具体用于：
获取所述商户的所述商品的历史下单数据；从所述历史下单数据中确定历史特征数据；根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量。
16.如权利要求15所述的装置，其特征在于，所述处理单元具体用于：
根据所述历史下单数据，统计每个时间片段内的下单量；确定同一天内相邻时间片段内的下单量的趋势变化值作为历史特征数据；根据不同天内预测时间片段对应的时间片段的下单量，确定的趋势变化值作为历史特征数据。
17.如权利要求15所述的装置，其特征在于，所述预测模型包括多个预测子模型；其中，各预测子模型的权重是根据各预测子模型的准确度确定的；
所述处理单元具体用于：根据所述历史特征数据和预测模型，确定所述商户的所述商品的预测下单量；将所述历史特征数据输入各预测子模型，得到各预测子模型的子预测量；根据各预测子模型的权重以及各预测子模型的子预测量，确定所述预测模型的预测下单量。
18.如权利要求10至13和15至17中任一项所述的装置，其特征在于，所述处理单元还用于：若确定所述预售商品在第二预设时间段内未销售完，则更新所述预售商品的促销信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810187335.7A CN108470261B (zh) | 2018-03-07 | 2018-03-07 | 一种下单方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810187335.7A CN108470261B (zh) | 2018-03-07 | 2018-03-07 | 一种下单方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108470261A CN108470261A (zh) | 2018-08-31 |
| CN108470261B true CN108470261B (zh) | 2022-04-26 |
Family
ID=63264204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810187335.7A Active CN108470261B (zh) | 2018-03-07 | 2018-03-07 | 一种下单方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108470261B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376942A (zh) * | 2018-11-12 | 2019-02-22 | 达疆网络科技(上海)有限公司 | 订单处理方法、存储介质和装置 |
| CN109697636A (zh) * | 2018-12-27 | 2019-04-30 | 拉扎斯网络科技（上海）有限公司 | 一种商户推荐方法、商户推荐装置、电子设备和介质 |
| CN112581205A (zh) * | 2019-09-30 | 2021-03-30 | 阿里巴巴集团控股有限公司 | 订单处理方法和装置、电子设备以及计算机可读存储介质 |
| CN112132652B (zh) * | 2020-09-02 | 2022-11-29 | 苏宁云计算有限公司 | 订单信息获取方法、装置、计算机设备和存储介质 |
| CN113743803B (zh) * | 2021-09-08 | 2024-03-15 | 上海哔哩哔哩科技有限公司 | 对象处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881797A (zh) * | 2015-06-03 | 2015-09-02 | 北京京东尚科信息技术有限公司 | 特征属性的构建方法 |
| CN105913204A (zh) * | 2016-03-31 | 2016-08-31 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
| CN106447411A (zh) * | 2016-12-27 | 2017-02-22 | 东华互联宜家数据服务有限公司 | 撮合平台和系统 |
| CN107368987A (zh) * | 2017-06-29 | 2017-11-21 | 仓智（上海）智能科技有限公司 | 一种基于b2b或b2c混合的仓库订单管理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437146B (zh) * | 2017-08-01 | 2021-03-09 | 北京同城必应科技有限公司 | 一种订单供需调度方法、系统、计算机设备和存储介质 |
-
2018
- 2018-03-07 CN CN201810187335.7A patent/CN108470261B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881797A (zh) * | 2015-06-03 | 2015-09-02 | 北京京东尚科信息技术有限公司 | 特征属性的构建方法 |
| CN105913204A (zh) * | 2016-03-31 | 2016-08-31 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
| CN106447411A (zh) * | 2016-12-27 | 2017-02-22 | 东华互联宜家数据服务有限公司 | 撮合平台和系统 |
| CN107368987A (zh) * | 2017-06-29 | 2017-11-21 | 仓智（上海）智能科技有限公司 | 一种基于b2b或b2c混合的仓库订单管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108470261A (zh) | 2018-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108470261B (zh) | 一种下单方法及装置 | |
| CN109726843B (zh) | 配送数据预测的方法、装置和终端 | |
| CN104169950B (zh) | 利用面向批处理的计算的数据库系统 | |
| CN110400103A (zh) | 补货量确定方法、装置、计算机装置及存储介质 | |
| US20230394432A1 (en) | Machine-learned model for optmizing selection sequence for items in a warehouse | |
| CN108205766A (zh) | 信息推送方法、装置及系统 | |
| JP7402791B2 (ja) | 需要予測パラメータの最適化 | |
| CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
| CN107657476A (zh) | 店铺的评价方法及装置、店铺推荐方法及装置 | |
| CN111899059A (zh) | 一种基于区块链的航司收益管理动态定价方法 | |
| US20200410573A1 (en) | Computer-implemented method for generating a suggestion list and system for generating an order list | |
| CN110570233A (zh) | 用于电商平台的用户回购时间预测方法及装置 | |
| KR20150113644A (ko) | 협업필터링 기반의 상품 추천 시스템에서 추천 기법을 선택하는 방법 | |
| JP2012234367A (ja) | 情報提供システム、情報提供方法、プログラム及び情報記録媒体 | |
| CN112200526A (zh) | 订单输出方法、装置、计算机设备及计算机可读存储介质 | |
| CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
| CN111597447A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
| CN111353794B (zh) | 数据处理的方法、供应链调度的方法和装置 | |
| CN116205560A (zh) | 库存自动化管理系统及其方法 | |
| CN110458602A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
| CN111460301B (zh) | 对象推送方法、装置、电子设备及存储介质 | |
| US20230367768A1 (en) | Anonymization of query information while retaining query structure and sizing information | |
| CN113554455A (zh) | 基于人工智能的店铺商品分析方法、装置及存储介质 | |
| CN110264219B (zh) | 一种基于大数据的客户监测分析系统 | |
| Dellino et al. | Waste reduction in fresh food supply chains: an operations research approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |