CN109767052A - 自动任务分配方法和系统 - Google Patents

Abstract

本发明公开了一种自动任务分配方法，包括如下步骤：S1.获取历史任务分配数据；S2.将历史任务分配数据转化为模型的训练集，基于训练集得到分配模型；S3.针对一个待分配的派送任务，将该派送任务的相关信息转化为分配模型输入向量，调用分配模型得到推荐的任务执行对象。本发明的有益效果：本发明所述的自动任务分配方法和系统，在一个订单产生时就能够得到派送任务的相关信息，从而获取到负责执行该派送任务的对象，如此一来，任务执行对象和网点的工作人员就能够提前获得次日的派送任务分配列表，计算每个对象的任务量，有利于合理地分配人力资源。

Description

自动任务分配方法和系统

技术领域

本发明涉及物流信息处理技术领域，技术领域，具体来说，涉及一种自动任务分配方法和系统。

背景技术

在现有技术中，派送任务的分配是依据快递员之间协定的规则进行的，主要是根据派送地址和客户信息，人工对派送任务进行分配。人工分配派送任务的缺点在于以下几点：一、在派送任务分配完成的时刻才能知道每个人当班的任务量情况，无法提前计算任务量然后进行合理的人力安排；二、对于新员工友好程度欠佳，新员工不熟悉历史的任务分配情况，在人工分配的过程中需要一定的学习成本；三、人工任务分配的方法难以修改和监督。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的上述技术问题，本发明提出一种自动任务分配方法和系统，能够根据历史派送数据将任务分配给合适的任务执行对象，该任务分配结果不仅可以帮助物流公司更合理的配置资源，还可以帮助新任务执行对象熟悉任务分配过程，并且可以避免出现任务分配不公的现象。本方案中，任务执行对象不仅包括快递员，也可以指派件机器人、无人派件车等装置。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种自动任务分配方法，包括如下步骤：

S1.获取历史任务分配数据；

S2.将历史任务分配数据转化为模型的训练集，基于训练集得到分配模型；

S3.针对一个待分配的派送任务，将该派送任务的相关信息转化为分配模型输入向量，调用分配模型得到推荐的任务执行对象。

优选地，所述历史任务分配数据包括在一个单元区域内，历史派送任务的派送地址、客户电话号码和实际的任务执行对象。

优选地，所述历史任务分配数据还包括在一个单元区域内，历史派送任务的派送班次。

优选地，步骤S2中所述的将历史任务分配数据转化为模型的训练集进一步包括如下步骤：

将历史派送任务的派送地址、客户电话号码转化为模型的输入，将任务执行对象转化为模型的输出。

优选地，所述模型的输入转化方法为：

基于地址词库将派送地址转化为关键词向量；

将客户电话号码对应的任务执行对象派送次数转化为对任务执行象熟悉度向量；

关键词向量和任务执行对象熟悉度向量所组成联合向量即为所述模型的输入。

优选地，所述步骤S3中，该派送任务的相关信息至少包括该派送任务的派送地址、客户电话号码和派送班次。

优选地，所述分配模型输入向量转化方法为：

基于地址词库将派送地址转化为关键词向量；

将客户电话号码对应的各任务执行对象派送次数转化为任务执行对象熟悉度向量；

将对象排班表中与派送班次对应的信息转化为对象上休表向量；

关键词向量、任务执行对象熟悉度向量和任务执行对象上休表向量所组成联合向量即为所述分配模型输入向量。

优选地，所述分类器为随机森林分类器。

本发明的另一方面，提供一种自动任务分配系统，包括：

信息获取单元：用于获取派送任务的相关信息；

信息转换单元：用于将派送任务的相关信息转化为分配模型的输入向量；

分配模型：用于根据分配模型的输入向量获得推荐的任务执行对象；

其中，所述分配模型是基于将历史任务分配数据转化为模型的训练集得到的。

优选地，所述历史任务分配数据包括在一个单元区域内，历史派送任务的派送地址、客户电话号码和任务执行对象。

优选地，所述信息获取单元至少能够获取到派送任务相关的派送地址、客户电话号码和派送班次。

本发明的有益效果：本发明所述的自动任务分配方法和系统，在一个订单产生时就能够根据派送任务的相关信息，合理分配任务执行对象，尽可能地让任务执行对象对熟悉的客户进行派件，提高派件效率和客户体验，同时任务执行对象和网点的工作人员就能够获得待派送任务分配列表，计算每个任务执行对象的任务量，有利于合理地分配人力资源。

本发明所述的自动任务分配方法和系统，使任务执行对象工作任务更清晰简单，并完善了任务执行对象在收派环节的行为管理，避免了人工任务分配可能发生的任务分配不公的现象。

本发明所述的自动任务分配方法和系统，扩展性良好，可以根据需要重新训练分配模型，以实现新的分配规则，并且可以确保新分配规则的执行力，帮助监督和规范对象的行为。

本发明所述的自动任务分配方法和系统，根据任务执行对象的历史派送情况将任务按照最符合历史派送规则的方式分配给现有对象，分配模型完全基于数据，无需提前从对象处人工搜集信息，且能一定程度上解决地址信息数据质量低下的问题。

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，还可以根据这些附图获得其他的附图。

图1是本发明实施例一所述的自动任务分配方法的流程图；

图2是本发明实施例一中具体的6个派送任务的相关信息；

图3是本发明实施例一中派送地址与关键词向量的对应关系；

图4是本发明实施例一中客户电话号码与任务执行对象熟悉度向量的对应关系；

图5是本发明实施例一中派送班次与任务执行对象上休表向量的对应关系；

图6是本发明实施例一中联合向量与历史任务分配数据的对应关系；

图7是本发明实施例二所述的自动任务分配系统的模块图；

图8是本发明实施例二所述的自动任务分配系统的一种具体实施方式的模块图；

图9是是本发明实施例二所述的自动任务分配系统的另一种具体实施方式的模块图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1所示，是根据本发明实施例所述的一种自动任务分配方法的流程图，它包括如下步骤：

S1.获取历史任务分配数据；

S2.将历史任务分配数据转化为模型的训练集，基于练集训得到分配模型；

S3.针对一个待分配的派送任务，将该派送任务的相关信息转化为分配模型输入向量，调用分配模型得到推荐的任务执行对象。

具体而言，分配模型例如是基于训练集训练分类器得到的，分类器是数据挖掘中对样本进行分类的方法的统称，分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(Classifier)。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。这里，我们将分类器应用到物流行业，对任务执行对象进行自动任务分配。各种项目的历史数据可以很容易地从物流公司的管理数据库中得到，例如，运单号、客户姓名、客户电话、派送任务执行对象、派送地址、派送日期、派送具体时间、签收人、客户评价等等，针对任务分配，我们可以根据需要选择合适的项目作为历史任务分配数据，合理地建立矩阵，将这些历史任务分配数据转化为训练集进而得到一个分配模型，该分配模型就可以用于推荐任务执行对象。在使用该分配模型时，只需要提供待分配的派送任务的相关信息，调用分配模型即可得到推荐任务执行对象。

具体地，我们挑选的历史任务分配数据包括在一个单元区域内，历史派送任务的派送地址、客户电话号码、派送班次和实际的任务执行对象，如图2所示，是6个具体派送任务的相关信息。其中，历史任务分配数据也可以不包括派送班次，而是仅包括历史派送任务的派送地址、客户电话号码、和任务执行对象。

单元区域是指网点的下一级划分，一个网点一般有100多名快递员，一个单元区域则有2-10不等的快递员，由于每个单元区域涉及的任务执行对象和派送信息都是完全不同的，因此，要针对每一个单元区域实现任务分配就需要为每一个单元区域训练一个分配模型。

接着，我们需要将已经确定好的历史任务分配数据转化为模型的训练集，步骤如下：

S2.1.将历史派送任务涉及的派送地址、客户电话号码转化为模型的输入，将实际的任务执行对象转化为模型的输出；其中，作为优选的实施方式，除了该历史派送任务涉及的派送地址、客户电话号码以外，还可以将该历史派送任务涉及的派送班次也转化为模型的输入。

重复步骤S2.1，直到所有的派送任务均转化为训练数据，即为所述训练集。

具体地，模型的输入转化方法为：

基于地址词库将派送地址转化为关键词向量；

将客户电话号码对应的各任务执行对象派送次数转化为任务执行对象熟悉度向量；

关键词向量、任务执行对象熟悉度向量所组成联合向量即为所述模型的输入。

其中，当将该历史派送任务涉及的派送班次也转化为模型的输入时，作为训练数据，将任务执行对象排班表中与派送班次对应的信息转化为任务执行对象上休表向量，此时，关键词向量、任务执行对象熟悉度向量和任务执行对象上休表向量所组成联合向量即为所述模型的输入。例如，针对图2获得的历史任务分配数据中的第一条，

派送地址：广东省深圳市龙岗区布吉镇南岭村南岭西路20路华行玩具(深圳)有限公司；

客户电话号码：189XXXXXXXX；

派送班次：001；

当日任务执行对象排班表如表1所示，将一个工作日的工作时间分成6个时段给出班次号，填入数字代表上休状态，其中，1表示当班，0表示休息；

实际的派送任务执行对象：对象A。

表1.当日任务执行对象排班表

首先，将该派送地址转中关于地址的关键词提取出来，借助地址词库将派送地址转化为关键词向量，例如，图2中第一条记录中的派送地址转化为关键词向量的形式就是(0,1,0，…)。

接着，将客户电话号码对应的各任务执行对象的派送次数转化为对象熟悉度向量，例如，图2中第一条记录中的189XXXXXXXX对应的各对象派送次数为：对象A派送12次，对象B派送0次，对象C派送1次，对象D派送0次，对象熟悉度向量就是(12,0,1,0)。

最后，将当日对象排班表中与派送班次对应的信息转化为任务执行对象上休表向量，例如，图2中第一条记录中的派送班次为001，在当日对象上休表中与001班次对应的各任务执行对象上休情况为，任务执行对象A、任务执行对象B、任务执行对象C当班，任务执行对象D休息，任务执行对象上休表向量就是(1,1,1,0)。

将以上三个向量所组成联合向量即为所述模型的输入，以图2中第一条记录为例，综合向量就是(0,1,0，…)(12,0,1,0)(1,1,1,0)。

当然，也可以不考虑派送班次，仅将关键词向量和对象熟悉度向量组成的联合向量作为模型的输入，以图2中第一条记录为例，综合向量就是(0,1,0，…)(12,0,1,0)。

模型的输出是实际派送的任务执行对象，针对图2中第一条记录，实际的派送任务执行对象就是任务执行对象A。

经过上述步骤，我们就得到了一组训练数据，下面我们重复该过程，对图2中剩下的记录进行模型输入和模型输出的转换，针对图2中的6条记录而言，派送地址与关键词向量的对应关系如图3所示，客户电话号码与任务执行对象熟悉度向量的对应关系如图4所示，派送班次与任务执行对象上休表向量的对应关系如图5所示，联合向量与历史任务分配数据的对应关系如图6所示。

我们将尽可能多的历史派送数据进行转化，得到庞大的训练数据，即为所述训练集。

下一步我们使用训练集训练分类器，以得到分配模型，这里使用的分类器为随机森林。随机森林是一种基于决策树的机器学习模型，可以用来解决多分类的问题。

分配模型训练好后，就可以用来对新的派送任务进行自动任务分配。

针对一个待分配的派送任务，首先要将该派送任务的相关信息转化为分配模型输入向量。由于在训练分类器时，我们使用了关键词向量、任务执行对象熟悉度向量和任务执行对象上休表向量的联合向量作为模型输入，相对应地，想要调用分配模型至少需要从该派送任务的相关信息中得到关键词向量、任务执行对象熟悉度向量和任务执行对象上休表向量的联合向量作为分配模型的输入向量，因此，该派送任务的相关信息至少要包括该任务的派送地址、客户电话号码和派送班次。而物流行业多以运单号码作为信息查询的依据，通常只需要知晓该派送任务的运单号，即可对应地得到该任务的派送地址、客户电话号码和派送班次等信息。

在训练分类器时，如果只使用关键词向量、对象熟悉度向量作为模型输入而得到分配模型，对于这样的分配模型，也同样至少需要关键词向量、对象熟悉度向量和对象上休表向量的联合向量作为分配模型的输入向量，调用这样的分配模型时，先根据联合向量中的关键词向量、对象熟悉度向量给出若干个推荐的对象，再根据对象上休表向量确定当班的对象，从而给出推荐的对象。具体地，分配模型输入向量转化方法为：

基于地址词库将派送地址转化为关键词向量；

将客户电话号码对应的各对象派送次数转化为对象熟悉度向量；

将对象排班表中与派送班次对应的信息转化为对象上休表向量；

关键词向量、对象熟悉度向量和对象上休表向量所组成联合向量即为所述分配模型输入向量。

得到分配模型输入向量后，调用分配模型，就可以得到该派送任务的推荐任务执行对象。

该自动任务分配方法，根据任务执行对象的历史派送情况将任务按照最符合历史派送规则的方式分配给现有任务执行对象。模型完全基于数据，无需提前从任务执行对象处人工搜集信息，对于地址信息数据质量低下的问题具有一定的鲁棒性。

数据质量低下的问题主要是指，地址文本数据存在信息缺失，错别字，以及一地多名的情况，例如，以下地址都指的是同一地名：

原地址：深圳市龙岗区布吉街道深惠路桂芳园5期依涛居。

信息缺失的情况：深圳市龙岗区布吉街道深惠路桂芳园5期。

错别字：深圳市龙岗区布吉街道深惠路桂芳园5期倚涛居。

一地多名：深圳市龙岗区布吉街道深惠路桂芳园5期19栋。

本发明提出的自动任务分配方法对于一地多名和错别字的方法有着良好非常好的鲁棒性，因为对于分配模型而言，输入的联合向量是根据历史数据生成的，历史上常见的错别字和同名地名基本都出现过，错别字和同名地名会被当成特征识别出来，从而保证使用分配模型得到的最终结果的质量。

当需要执行新的分配规则时，例如，当发生了对象离职，区域重划分的情况时，之前的分配规则不再适用，需要调整分配规则，分配规则的调整包括事后调整和事前调整，事后调整的意思是模型经过一段时间的数据积累之后可以重新学习到调整之后的规则。事前调整的意思是当分配规则发生变化时，需要系统实时改变生效，此时因为没有历史数据积累，是一个典型的冷启动问题。可以使用配置规则的方案解决冷启动的问题。比如指定地址包含特定关键词的订单分给特定任务执行对象。事前调整一段时间后，就可以积累得到一定量的数据，以该数据作为基础转化训练集，进行事后调整，就可以得到新的分配模型。此外，还可以从历史数据中选取其它信息转化为训练集，重新训练分类器，以获得新的分配模型。

实施例二

如图7所示，是根据本发明实施例所述的一种自动任务分配系统，包括：

信息获取单元：用于获取派送任务的相关信息；

信息转换单元：用于将派送任务的相关信息转化为分配模型的输入向量；

分配模型：用于根据分配模型的输入向量获得推荐的任务执行对象；

其中，所述分配模型是基于将历史任务分配数据转化为模型的训练集得到的。

系统的工作过程如下：首先通过信息获取单元获取派送任务的相关信息，传递给信息转换单元，信息转换单元将这些信息转化为分配模型的输入向量，传递给分配模型，最后由分配模型算出结果，给出推荐的执行任务的任务执行对象。

具体地，如图8所示，该自动任务分配系统可以包括终端，信息获取单元、信息转换单元、分配模型都设置于该终端上。在终端上开设用于获取派送任务相关信息的输入接口，作为信息获取单元。在终端内设置载有分配模型的处理器，处理器同时作为信息转换单元，它接收信息获取单元获得的派送任务相关信息，并将其转化为分配模型的输入向量传输给分配模型，经过分配模型计算输出推荐的任务执行对象。终端上还可以设置显示装置，用于显示分配模型的输出结果。此外，该终端上还可以设置存储器，一方面用于存储众多的派送任务相关信息，另一方面用于存储分配模型的输出结果。

作为另一种实施方式，如图9所示，还可以设置一个服务器，它包括通信设备(以下称为通信设备A)、载有分配模型和信息转换单元的处理器，以及存有众多派送任务相关信息的存储器。在终端上设置通信设备(以下称为通信设备B)、用于获取派送任务相关信息的输入接口和用于显示分配模型的输出结果的显示装置。快递员将部分信息(例如运单号)输入至输入接口，通过信设备B传给通信设备A，服务器从存储器中调取对应的派送任务相关信息，传递给处理器，处理器将派送任务相关信息转化为分配模型的输入向量传输给分配模型，经过分配模型计算输出推荐的任务执行对象，经通信设备A传给通信设备B，最后显示在终端的显示装置上。此种实施方式的好处可以减轻终端的功能负担，服务器方便集中维护和更新数据。

用于训练分配模型的历史任务分配数据，包括在一个单元区域内，历史派送任务的派送地址、客户电话号码和实际的任务执行对象。此外，历史任务分配数据还可以包括一个单元区域内历史派送任务的派送班次。在实施例一中已经具体阐述过如何获取训练集训练分类器，此处不在赘述。

针对信息获取单元而言，它至少能够获取到派送任务对应的派送地址、客户电话号码和派送班次。获取的方法可以是通过硬件输入的方式，也可以是通过与数据库连接调用的方式。

综上所述，根据本发明较佳实施例提供的一种自动任务分配方法及系统，运用了大数据和机器学习，可以智能有效地将派送任务分配给对象，节省了人工分配的学习成本，避免了人工分配引起的分配不公现象。此外，随着本方法和系统的不断使用，得到的历史数据量会越来越大，而自动任务分配系统也会随着数据增大而不断学习进步变得越来越精确。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。

Claims (10)

1.一种自动任务分配方法，其特征在于，包括如下步骤：

S1.获取历史任务分配数据；

S2.将历史任务分配数据转化为模型的训练集，基于训练集得到分配模型；

S3.针对一个待分配的派送任务，将该派送任务的相关信息转化为分配模型输入向量，调用分配模型得到推荐的任务执行对象。

2.根据权利要求1所述的自动任务分配方法，其特征在于，所述历史任务分配数据包括在一个单元区域内，历史派送任务的派送地址、客户电话号码和任务执行对象。

3.根据权利要求2所述的自动任务分配方法，其特征在于，

所述历史任务分配数据还包括在一个单元区域内，历史派送任务的派送班次。

4.根据权利要求2所述的自动任务分配方法，其特征在于，步骤S2中所述的将历史任务分配数据转化为模型的训练集进一步包括如下步骤：

将历史派送任务的派送地址、客户电话号码转化为模型的输入，将任务执行对象转化为模型的输出。

5.根据权利要求4所述的自动任务分配方法，其特征在于，所述模型的输入转化方法为：

基于地址词库将派送地址转化为关键词向量；

将客户电话号码对应的任务执行对象派送次数转化为任务执行对象熟悉度向量；

关键词向量和任务执行对象熟悉度向量所组成联合向量即为所述模型的输入。

6.根据权利要求1所述的自动任务分配方法，其特征在于，所述步骤S3中，该派送任务的相关信息至少包括该派送任务的派送地址、客户电话号码和派送班次。

7.根据权利要求1所述的自动任务分配方法，其特征在于，所述分配模型输入向量转化方法为：

基于地址词库将派送地址转化为关键词向量；

将客户电话号码对应的任务执行对象派送次数转化为任务执行对象熟悉度向量；

将任务执行对象排班表中与派送班次对应的信息转化为任务执行对象上休表向量；

关键词向量、任务执行对象熟悉度向量和任务执行对象上休表向量所组成联合向量即为所述分配模型输入向量。

8.一种自动任务分配系统，其特征在于，包括：

信息获取单元：用于获取派送任务的相关信息；

信息转换单元：用于将派送任务的相关信息转化为分配模型的输入向量；

分配模型：用于根据分配模型的输入向量获得推荐的任务执行对象；

其中，所述分配模型是基于将历史任务分配数据转化为模型的训练集得到的。

9.根据权利要求8所述的自动任务分配系统，其特征在于，所述历史任务分配数据包括在一个单元区域内，历史派送任务的派送地址、客户电话号码和任务执行对象。

10.根据权利要求9所述的自动任务分配系统，其特征在于，所述信息获取单元至少能够获取到派送任务相关的派送地址、客户电话号码和派送班次。