CN108734431A - 一种驻店物流调度的订单智能选店方法及装置 - Google Patents
一种驻店物流调度的订单智能选店方法及装置 Download PDFInfo
- Publication number
- CN108734431A CN108734431A CN201810426763.0A CN201810426763A CN108734431A CN 108734431 A CN108734431 A CN 108734431A CN 201810426763 A CN201810426763 A CN 201810426763A CN 108734431 A CN108734431 A CN 108734431A
- Authority
- CN
- China
- Prior art keywords
- shop
- order
- trade company
- intelligent selection
- prediction model
- 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.)
- Pending
Links
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开一种驻店物流调度的订单智能选店方法及装置,其中,方法包括:获取驻店订单与商户的样本数据,驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;根据驻店订单与商户的样本数据,构建订单智能选店预测模型;基于待选店的驻店订单,利用订单智能选店预测模型对待选店的驻店订单预设距离内的所有商户进行预测,将待选店的驻店订单指派给预测结果为正的商户。本发明实施例能够在高峰期下驻店订单密度较大时可以有效合理的疏解订单压力,有效避免高峰期下一个商户大量压单,提高驻店物流调度的派单效率和配送效率,避免驻店订单超时。
Description
技术领域
本发明实施例涉及计算机技术领域,具体涉及一种驻店物流调度的订单智能选店方法及装置。
背景技术
在驻店物流调度中,需要将新产生的驻店订单指派给所选择的商户。
目前,现有技术通常是利用划区域经营和就近选店技术来进行驻店订单的选店。
其中,划区域经营划区域经营是简单的对一个城市根据连锁商户划分明确的经营区域,从而方便经营和管理,当用户下单,根据用户的位置匹配自己所属的区域,再匹配区域内的商户,然后商户看到自己区域内的订单,这种方式简单方便,方便管理,是市场上比较常见的解决方案。但是,这种划区域经营的选店方式也存在明显的缺陷,如不同区域的用户量,不同时刻的单量密度有可能差别很大,但是每个商户的处理订单能力和运力资源有限,当处于高峰期的时候,所属区域超出处理订单能力,而其他区域商户可能比较空闲,造成部分订单严重超时且浪费商户资源和运力资源,并且严重影响用户体验,从一定程度降低了用户对品牌的信任。
就近选店技术是对用户下得单就近选择商户进行服务,当用户下单后,根据商户的位置和附近所有的商户计算距离,选择最近的商户为其服务,这种技术方便简单,是市场上比较常见的解决方案之一。但是,就近选店技术虽然就近能解决平常情况下送餐效率较高,准时率较高,然而每个商户的处理订单能力和运力资源有限,当到高峰时候,订单密度较大的区域依然会对附近的商户造成严重压单和订单大量超时,严重影响用户体验,并不能有效对订单密度较大的区域订单进行分散,有效分散压力,整体提高用户体验。
鉴于此,如何在驻店模式下进行驻店订单的智能选店,以在高峰期下驻店订单密度较大时可以有效合理的疏解订单压力,提高驻店物流调度的派单效率和配送效率成为目前需要解决的技术问题。
发明内容
由于现有方法存在上述问题,本发明实施例提出一种驻店物流调度的订单智能选店方法及装置。
第一方面,本发明实施例提出一种驻店物流调度的订单智能选店方法,包括:
获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;
根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型;
基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
可选地,所述根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型,包括:
从所述驻店订单与商户的样本数据中提取选店特征;
基于所提取的选店特征构成样本集,并将所述样本集分为训练样本集和测试样本集;
对所述训练样本集进行训练,生成订单智能选店预测模型;
利用所述测试样本集,对所述订单智能选店预测模型进行验证。
可选地,所述选店特征包括:驻店订单与商户的特征、驻店订单预设距离内的商户实时特征、驻店订单预设距离内的商户的历史特征和驻店订单的时间维度特征。
可选地,所述将所述样本集分为训练样本集和测试样本集,包括:
通过K折交叉,将所述样本集分为训练样本集和测试样本集,其中,K为训练样本集/测试样本集中样本的数量。
可选地,所述利用所述测试样本集,对所述订单智能选店预测模型进行验证,包括:
利用所述测试样本集,通过混淆矩阵验证所述订单智能选店预测模型的选店结果的准确率和召回率。
第二方面,本发明实施例还提出一种驻店物流调度的订单智能选店装置,包括:
获取模块,用于获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;
构建模块,用于根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型;
预测模块,用于基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
可选地,所述构建模块,具体用于
从所述驻店订单与商户的样本数据中提取选店特征;
基于所提取的选店特征构成样本集,并将所述样本集分为训练样本集和测试样本集;
对所述训练样本集进行训练,生成订单智能选店预测模型;
利用所述测试样本集,对所述订单智能选店预测模型进行验证。
可选地,所述选店特征包括:驻店订单与商户的特征、驻店订单预设距离内的商户实时特征、驻店订单预设距离内的商户的历史特征和驻店订单的时间维度特征。
第三方面,本发明实施例还提出一种电子设备,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现上述方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述方法。
由上述技术方案可知,本发明实施例提供的一种驻店物流调度的订单智能选店方法及装置,通过获取驻店订单与商户的带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;根据驻店订单与商户的样本数据,构建订单智能选店预测模型;基于待选店的驻店订单,利用订单智能选店预测模型对待选店的驻店订单预设距离内的所有商户进行预测,将待选店的驻店订单指派给预测结果为正的商户,由此,能够在高峰期下驻店订单密度较大时可以有效合理的疏解订单压力,有效避免高峰期下一个商户大量压单,提高驻店物流调度的派单效率和配送效率,避免驻店订单超时。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种驻店物流调度的订单智能选店方法的流程示意图;
图2为本发明一实施例提供的一种驻店物流调度的订单智能选店装置的结构示意图;
图3为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的一种驻店物流调度的订单智能选店方法的流程示意图,如图1所示,本实施例的驻店物流调度的订单智能选店方法,包括:
S1、获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户。
S2、根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型。
S3、基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
可以理解的是,驻店物流调度是给特定商户专门分配骑士提供其物流配送。
可以理解的是,本实施例所述方法可应用于驻店物流调度系统中。
本实施例的驻店物流调度的订单智能选店方法,通过获取驻店订单与商户的带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;根据驻店订单与商户的样本数据,构建订单智能选店预测模型;基于待选店的驻店订单,利用订单智能选店预测模型对待选店的驻店订单预设距离内的所有商户进行预测,将待选店的驻店订单指派给预测结果为正的商户,由此,能够在高峰期下驻店订单密度较大时可以有效合理的疏解订单压力,有效避免高峰期下一个商户大量压单,提高驻店物流调度的派单效率和配送效率,避免驻店订单超时严重达到最优。本实施例所述方法不仅会考虑驻店订单与商户的距离,也会考虑周围商户的订单压力,运力资源以及历史单量等信息,能准确有效的合理派单,尽量提高用户体验。
进一步地,在上述实施例的基础上,所述步骤S2,可以包括图中未示出的步骤S21-S24:
S21、从所述驻店订单与商户的样本数据中提取选店特征。
在具体应用中,所述选店特征可以包括:驻店订单与商户的特征(如驻店订单地址与商户距离等)、驻店订单预设距离内的商户实时特征(如驻店订单量、运力以及空闲驻店骑士等情况)、驻店订单预设距离内的商户的历史特征(如驻店订单预设距离内的商户的历史单量趋势、历史准确率等)和驻店订单的时间维度特征。
其中,所述时间维度特征可以包括:当前下单时间、是否是高峰期以及通过时间交叉特征(高峰期下单准确率等)等。
S22、基于所提取的选店特征构成样本集,并将所述样本集分为训练样本集和测试样本集。
S23、对所述训练样本集进行训练,生成订单智能选店预测模型。
S24、利用所述测试样本集,对所述订单智能选店预测模型进行验证。
可以理解的是,通过利用所述测试样本集,对所述订单智能选店预测模型进行验证后,可以对订单智能选店预测模型中的参数进行调整,直至订单智能选店预测模型达到最优。
由此,本实施例能够根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型。
进一步地,所述步骤S22,可以包括:
基于所提取的选店特征构成样本集,通过K折交叉,将所述样本集分为训练样本集和测试样本集,其中,K为训练样本集/测试样本集中样本的数量。
可以理解的是,通过K-fold折交叉,将所述样本集分为训练样本集和测试样本集,可以提高训练生成的订单智能选店预测模型的准确率。
进一步地,所述步骤S24可以包括:
利用所述测试样本集,通过混淆矩阵(可参考下述表1,表1为混淆矩阵的示意表)验证所述订单智能选店预测模型的选店结果的准确率和召回率。
表1
准确率=(TP+TN)/(TP+TN+FN+FP);
召回率=TP/(TP+FN);
可以理解的是,所述订单智能选店预测模型实际为一个分类器,TP表示被分类器正确分类的正类数,TN表示被分类器正确分类的负类数,FN表示被分类器错误分类的负类数,FP表示被分类器错误分类的正类数。
可以理解的是,利用所述测试样本集,通过混淆矩阵验证所述订单智能选店预测模型的选店结果的准确率和召回率,可以提高训练生成的订单智能选店预测模型的准确率。
本实施例的驻店物流调度的订单智能选店方法,能够在高峰期下驻店订单密度较大时可以有效合理的疏解订单压力,有效避免高峰期下一个商户大量压单,提高驻店物流调度的派单效率和配送效率,避免驻店订单超时严重达到最优。本实施例所述方法不仅会考虑驻店订单与商户的距离,也会考虑周围商户的订单压力,运力资源以及历史单量等信息,能准确有效的合理派单,尽量提高用户体验。
图2示出了本发明一实施例提供的一种驻店物流调度的订单智能选店装置的结构示意图,如图2所示,本实施例的驻店物流调度的订单智能选店装置,包括:获取模块21、构建模块22和预测模块23;其中:
所述获取模块21,用于获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;
所述构建模块22,用于根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型;
所述预测模块23,用于基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
具体地,所述获取模块21获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;所述构建模块22根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型;所述预测模块23基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
可以理解的是,驻店物流调度是给特定商户专门分配骑士提供其物流配送。
可以理解的是,本实施例所述装置可应用于驻店物流调度系统中。
本实施例的驻店物流调度的订单智能选店装置,能够在高峰期下驻店订单密度较大时可以有效合理的疏解订单压力,有效避免高峰期下一个商户大量压单,提高驻店物流调度的派单效率和配送效率,避免驻店订单超时严重达到最优。本实施例所述装置不仅会考虑驻店订单与商户的距离,也会考虑周围商户的订单压力,运力资源以及历史单量等信息,能准确有效的合理派单,尽量提高用户体验。
进一步地,在上述实施例的基础上,所述构建模块22,可具体用于
从所述驻店订单与商户的样本数据中提取选店特征;
基于所提取的选店特征构成样本集,并将所述样本集分为训练样本集和测试样本集;
对所述训练样本集进行训练,生成订单智能选店预测模型;
利用所述测试样本集,对所述订单智能选店预测模型进行验证。
其中,所述选店特征可以包括:驻店订单与商户的特征(如驻店订单地址与商户距离等)、驻店订单预设距离内的商户实时特征(如驻店订单量、运力以及空闲驻店骑士等情况)、驻店订单预设距离内的商户的历史特征(如驻店订单预设距离内的商户的历史单量趋势、历史准确率等)和驻店订单的时间维度特征。
其中,所述时间维度特征可以包括:当前下单时间、是否是高峰期以及通过时间交叉特征(高峰期下单准确率等)等。
可以理解的是,本实施例通过利用所述测试样本集,对所述订单智能选店预测模型进行验证后,可以对订单智能选店预测模型中的参数进行调整,直至订单智能选店预测模型达到最优。
由此,本实施例所述装置能够根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型。
进一步地,所述构建模块22可以基于所提取的选店特征构成样本集,通过K折交叉,将所述样本集分为训练样本集和测试样本集,其中,K为训练样本集/测试样本集中样本的数量。
可以理解的是,通过K-fold折交叉,将所述样本集分为训练样本集和测试样本集,可以提高训练生成的订单智能选店预测模型的准确率。
进一步地,所述构建模块22可以利用所述测试样本集,通过混淆矩阵(可参考上述表1,表1为混淆矩阵的示意表)验证所述订单智能选店预测模型的选店结果的准确率和召回率。
其中,准确率=(TP+TN)/(TP+TN+FN+FP);
召回率=TP/(TP+FN);
可以理解的是,所述订单智能选店预测模型实际为一个分类器,表1中TP表示被分类器正确分类的正类数,TN表示被分类器正确分类的负类数,FN表示被分类器错误分类的负类数,FP表示被分类器错误分类的正类数。
可以理解的是,利用所述测试样本集,通过混淆矩阵验证所述订单智能选店预测模型的选店结果的准确率和召回率,可以提高训练生成的订单智能选店预测模型的准确率。
本实施例的驻店物流调度的订单智能选店装置,能够在高峰期下驻店订单密度较大时可以有效合理的疏解订单压力,有效避免高峰期下一个商户大量压单,提高驻店物流调度的派单效率和配送效率,避免驻店订单超时严重达到最优,不仅会考虑驻店订单与商户的距离,也会考虑周围商户的订单压力,运力资源以及历史单量等信息,能准确有效的合理派单,尽量提高用户体验。
本实施例的驻店物流调度的订单智能选店装置,可以用于执行前述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图3示出了本发明实施例提供的一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器31、存储器32、总线33及存储在存储器32上并可在处理器31上运行的计算机程序;
其中,所述处理器31,存储器32通过所述总线33完成相互间的通信;
所述处理器31执行所述计算机程序时实现上述各方法实施例所提供的方法,例如包括:获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型;基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例所提供的方法,例如包括:获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型;基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置、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/系统。
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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种驻店物流调度的订单智能选店方法,其特征在于,包括:
获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;
根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型;
基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
2.根据权利要求1所述的方法,其特征在于,所述根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型,包括:
从所述驻店订单与商户的样本数据中提取选店特征;
基于所提取的选店特征构成样本集,并将所述样本集分为训练样本集和测试样本集;
对所述训练样本集进行训练,生成订单智能选店预测模型;
利用所述测试样本集,对所述订单智能选店预测模型进行验证。
3.根据权利要求2所述的方法,其特征在于,所述选店特征包括:驻店订单与商户的特征、驻店订单预设距离内的商户实时特征、驻店订单预设距离内的商户的历史特征和驻店订单的时间维度特征。
4.根据权利要求2所述的方法,其特征在于,所述将所述样本集分为训练样本集和测试样本集,包括:
通过K折交叉,将所述样本集分为训练样本集和测试样本集,其中,K为训练样本集/测试样本集中样本的数量。
5.根据权利要求2所述的方法,其特征在于,所述利用所述测试样本集,对所述订单智能选店预测模型进行验证,包括:
利用所述测试样本集,通过混淆矩阵验证所述订单智能选店预测模型的选店结果的准确率和召回率。
6.一种驻店物流调度的订单智能选店装置,其特征在于,包括:
获取模块,用于获取驻店订单与商户的样本数据,所述驻店订单与商户的样本数据为带标签的样本数据,其中,正标签代表驻店订单被分配给商户,负标签代表驻店订单未被分配给商户;
构建模块,用于根据所述驻店订单与商户的样本数据,构建订单智能选店预测模型;
预测模块,用于基于待选店的驻店订单,利用所述订单智能选店预测模型,对所述待选店的驻店订单预设距离内的所有商户进行预测,将所述待选店的驻店订单指派给预测结果为正的商户。
7.根据权利要求6所述的装置,其特征在于,所述构建模块,具体用于
从所述驻店订单与商户的样本数据中提取选店特征;
基于所提取的选店特征构成样本集,并将所述样本集分为训练样本集和测试样本集;
对所述训练样本集进行训练,生成订单智能选店预测模型;
利用所述测试样本集,对所述订单智能选店预测模型进行验证。
8.根据权利要求7所述的装置,其特征在于,所述选店特征包括:驻店订单与商户的特征、驻店订单预设距离内的商户实时特征、驻店订单预设距离内的商户的历史特征和驻店订单的时间维度特征。
9.一种电子设备,其特征在于,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426763.0A CN108734431A (zh) | 2018-05-07 | 2018-05-07 | 一种驻店物流调度的订单智能选店方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426763.0A CN108734431A (zh) | 2018-05-07 | 2018-05-07 | 一种驻店物流调度的订单智能选店方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734431A true CN108734431A (zh) | 2018-11-02 |
Family
ID=63937076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810426763.0A Pending CN108734431A (zh) | 2018-05-07 | 2018-05-07 | 一种驻店物流调度的订单智能选店方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734431A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685622A (zh) * | 2018-12-25 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 一种信息处理方法、装置、存储介质和电子设备 |
CN109685276A (zh) * | 2018-12-27 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
CN111813674A (zh) * | 2020-07-06 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 分单业务的压测方法、装置、电子设备及存储介质 |
TWI801710B (zh) * | 2020-01-31 | 2023-05-11 | 華新智能科技有限公司 | 移動路徑之智能指派方法 |
-
2018
- 2018-05-07 CN CN201810426763.0A patent/CN108734431A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685622A (zh) * | 2018-12-25 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 一种信息处理方法、装置、存储介质和电子设备 |
CN109685276A (zh) * | 2018-12-27 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
TWI801710B (zh) * | 2020-01-31 | 2023-05-11 | 華新智能科技有限公司 | 移動路徑之智能指派方法 |
CN111813674A (zh) * | 2020-07-06 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 分单业务的压测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734431A (zh) | 一种驻店物流调度的订单智能选店方法及装置 | |
Lim et al. | Agility and proximity considerations in supply chain design | |
CN110414731B (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
CN108062573A (zh) | 模型训练方法及装置 | |
CN104504619B (zh) | 两种考虑温度和经济增长因素的月度统调用电量预测方法 | |
CN108537568A (zh) | 一种信息推荐方法和装置 | |
CN106549772A (zh) | 资源预测方法、系统和容量管理装置 | |
CN109146381A (zh) | 物流数据监控方法、装置、电子设备及计算机存储介质 | |
CN108197873A (zh) | 仓库商品拣货方法、装置、计算机设备及存储介质 | |
CN109542789A (zh) | 一种代码覆盖率统计方法及装置 | |
CN108573355A (zh) | 模型更新后替换运行的方法、装置、及业务服务器 | |
CN110033130A (zh) | 异常业务的监控方法及装置 | |
CN104462755A (zh) | 基于可靠性模型的电子设备备件配置计算方法 | |
CN110400012A (zh) | 一种确定配送路径的方法及装置 | |
EP3832576A1 (en) | Trajectory determination method and apparatus, and time recommendation method, apparatus and system | |
CN109460884A (zh) | 孤儿单分配方法、电子装置及可读存储介质 | |
CN109345109A (zh) | 一种基于分类预测模型的员工评估方法及终端设备 | |
CN108681542A (zh) | 一种异常检测的方法及装置 | |
CN109299096A (zh) | 一种流水数据的处理方法、装置及设备 | |
CN109886737A (zh) | 需求预测方法、装置、电子设备及可读存储介质 | |
CN109597678A (zh) | 任务处理方法及装置 | |
CN105159925B (zh) | 一种数据库集群数据分配方法及系统 | |
CN116050947A (zh) | 车辆调度效果的评价方法、装置、计算机设备和存储介质 | |
CN107807730B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN110069488A (zh) | 一种数据存储方法、数据读取方法及其装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |