CN109902996B - 订单处理方法、装置、电子设备及计算机可读存储介质 - Google Patents
订单处理方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109902996B CN109902996B CN201910127155.4A CN201910127155A CN109902996B CN 109902996 B CN109902996 B CN 109902996B CN 201910127155 A CN201910127155 A CN 201910127155A CN 109902996 B CN109902996 B CN 109902996B
- Authority
- CN
- China
- Prior art keywords
- order
- carrier
- orders
- requested
- parameter
- 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
Images
Landscapes
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种订单处理方法、装置、电子设备及计算机可读存储介质，通过在取消承运订单的请求方对应的超时参数满足第一条件，且请求取消的承运订单被重新接单的接单参数满足第二条件时，将请求取消的承运订单和所述请求方的绑定关系解除，其中，超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况，由此，可以提高订单配送效率和订单配送的可靠性。
Description
技术领域
本发明涉及计算机技术领域，更具体地，涉及一种订单处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着网上购物、网上订餐用户的不断增加，使得订单的数量快速增加，大量级的订单需要较多的配送员提供配送服务。但是，由于商家出货慢、或路况较堵等客观原因可能会导致订单超时，而在预测到订单超时将影响后续订单的送达时间时，如何判断配送员能够无责取消该订单的配送任务是目前亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供一种订单处理方法、装置、电子设备及计算机可读存储介质，以提高订单配送的效率和订单配送的可靠性。
第一方面，本发明实施例提供一种订单处理方法，所述方法包括：
响应于接收到取消承运订单的请求，根据请求方的状态信息和订单信息确定所述请求方对应的超时参数；其中，请求取消的承运订单与所述请求方绑定，所述超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况；
预测请求取消的承运订单被重新接单的接单参数；以及
响应于所述超时参数满足第一条件，所述接单参数满足第二条件，将所述请求取消的承运订单和所述请求方的绑定关系解除。
进一步地，所述根据请求方的状态信息和订单信息确定所述请求方对应的超时参数包括：
对于所述请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据所述请求方的状态信息和订单信息获取每个所述承运订单的预计超时情况；
根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数。
进一步地，所述根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数包括：
计算预计超时的承运订单的数量占所述请求方绑定的承运订单的总数量的比例以获取所述请求方对应的超时参数。
进一步地，所述方法还包括：
进一步地，所述超时参数满足第一条件包括：
所述超时参数大于或等于第一阈值，所述第一阈值根据预定区域的平均超时率确定。
训练所述超时预测模型，所述超时预测模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。
进一步地，所述超时预测模型为多元线性回归模型。
进一步地，所述接单参数为所述请求取消的承运订单被重新接单的概率；
所述预测所述订单被重新接单的接单参数包括：
根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率。
进一步地，所述订单信息包括所述请求取消的承运订单的配送距离和所述请求取消的承运订单的预计送达时间与当前时间的时间差。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段；
根据对应的时间差的预定分段查询第一分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第一分段概率表通过历史订单数据获得。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述配送距离的预定分段；
根据所述对应的所述配送距离的预定分段查询第二分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第二分段概率表通过历史订单数据获得。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段和所述配送距离的预定分段；
根据所述对应的所述时间差的预定分段和所述配送距离的预定分段查询第三分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第三分段概率表通过历史订单数据获得。
进一步地，所述方法还包括：
根据历史订单的订单信息获取所述时间差的预定分段中的所述历史订单被接单的概率以获取所述第一分段概率表，所述时间差的预定分段中的历史订单被接单的概率为所述时间差的预定分段中的被接单的历史订单数量占所述时间差的预定分段中的历史订单总数量的比例。
进一步地，所述方法还包括：
根据历史订单的订单信息获取所述配送距离的预定分段中的所述历史订单被接单的概率以获取所述第二分段概率表，所述配送距离的预定分段中的所述历史订单被接单的概率为所述配送距离的预定分段中的被接单的历史订单数量占所述配送距离的预定分段中的历史订单总数量的比例。
进一步地，所述方法还包括：
根据历史订单的订单信息获取所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表，所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率为在所述时间差的预定分段和所述配送距离的预定分段中的被接单的历史订单数量占所述时间差的预定分段和所述配送距离的预定分段中的历史订单总数量的比例。
进一步地，所述接单参数为第一状态或第二状态，所述接单参数满足第二条件包括所述接单参数为第一状态；
所述预测请求取消的承运订单被重新接单的接单参数包括：
通过预先训练的接单参数模型根据所述请求取消的承运订单的订单信息预测所述请求取消的订单被重新接单的接单参数。
进一步地，所述方法还包括：
训练所述接单参数模型，所述接单参数模型的样本数据包括历史订单的订单信息。
进一步地，所述方法还包括：
响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。
进一步地，所述方法还包括：
在所述超时参数不满足所述第一条件和/或所述接单参数不满足所述第二条件时，响应于所述请求方确认取消承运订单的消息，将请求取消的承运订单和所述请求方的绑定关系解除，并执行预设的惩罚操作。
第二方面，本发明实施例提供一种订单处理装置，所述装置包括：
超时参数获取模块，被配置为响应于接收到取消承运订单的请求，根据请求方的状态信息和订单信息确定所述请求方对应的超时参数；其中，请求取消的承运订单与所述请求方绑定，所述超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况；
接单参数获取模块，被配置为预测请求取消的承运订单被重新接单的接单参数；以及
第一绑定关系解除模块，被配置为响应于所述超时参数满足第一条件，所述接单参数满足第二条件，将所述请求取消的承运订单和所述请求方的绑定关系解除。
进一步地，所述超时参数获取模块包括：
预计超时情况获取子模块，被配置为对于所述请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据所述请求方的状态信息和订单信息获取每个所述承运订单的预计超时情况；
超时参数获取子模块，被配置为根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数。
进一步地，所述超时参数获取子模块包括：
超时参数获取单元，被配置为计算预计超时的承运订单的数量占所述请求方绑定的承运订单的总数量的比例以获取所述请求方对应的超时参数。
进一步地，所述超时参数满足第一条件包括所述超时参数大于或等于第一阈值，所述第一阈值根据预定区域的平均超时率确定。
进一步地，所述装置还包括：
超时预测模型训练模块，被配置为训练所述超时预测模型，所述超时预测模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。
进一步地，所述超时预测模型为多元线性回归模型。
进一步地，所述接单参数为所述请求取消的承运订单被重新接单的概率；
所述接单参数获取模块包括：
接单概率获取子模块，被配置为根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率。
进一步地，所述订单信息包括所述请求取消的承运订单的配送距离和所述请求取消的承运订单的预计送达时间与当前时间的时间差。
进一步地，所述接单概率获取子模块包括：
第一预定分段获取单元，被配置为获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段；
第一接单概率获取单元，被配置为根据对应的时间差的预定分段查询第一分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第一分段概率表通过历史订单数据获得。
进一步地，所述接单概率获取子模块还包括：
第二预定分段获取单元，被配置为获取所述请求取消的承运订单的订单信息对应的所述配送距离的预定分段；
第二接单概率获取单元，被配置为根据所述对应的所述配送距离的预定分段查询第二分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第二分段概率表通过历史订单数据获得。
进一步地，所述接单概率获取子模块还包括：
第三预定分段获取单元，被配置为获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段和所述配送距离的预定分段；
第三接单概率获取单元，被配置为根据所述对应的所述时间差的预定分段和所述配送距离的预定分段查询第三分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第三分段概率表通过历史订单数据获得。
进一步地，所述装置还包括：
第一分段概率表获取模块，被配置为根据历史订单的订单信息获取所述时间差的预定分段中的所述历史订单被接单的概率以获取所述第一分段概率表，所述时间差的预定分段中的历史订单被接单的概率为所述时间差的预定分段中的被接单的历史订单数量占所述时间差的预定分段中的历史订单总数量的比例。
进一步地，所述装置还包括：
第二分段概率表获取模块，被配置根据历史订单的订单信息获取所述配送距离的预定分段中的所述历史订单被接单的概率以获取所述第二分段概率表，所述配送距离的预定分段中的所述历史订单被接单的概率为所述配送距离的预定分段中的被接单的历史订单数量占所述配送距离的预定分段中的历史订单总数量的比例。
进一步地，所述装置还包括：
第三分段概率表获取模块，被配置根据历史订单的订单信息获取所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表，所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率为在所述时间差的预定分段和所述配送距离的预定分段中的被接单的历史订单数量占所述时间差的预定分段和所述配送距离的预定分段中的历史订单总数量的比例。
进一步地，所述接单参数为第一状态或第二状态，所述接单参数满足第二条件包括所述接单参数为第一状态；
所述接单参数获取模块包括：
接单参数获取子模块，被配置为通过预先训练的接单参数模型根据所述请求取消的承运订单的订单信息预测所述请求取消的订单被重新接单的接单参数。
进一步地，所述装置还包括：
接单参数模型训练模块，被配置为训练所述接单参数模型，所述接单参数模型的样本数据包括历史订单的订单信息。
进一步地，所述装置还包括：
消息提醒模块，被配置为响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。
进一步地，所述装置还包括：
第二绑定关系解除模块，被配置为在所述超时参数不满足所述第一条件和/或所述接单参数不满足所述第二条件时，响应于所述请求方确认取消承运订单的消息，将请求取消的承运订单和所述请求方的绑定关系解除，并执行预设的惩罚操作。
第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
响应于接收到取消承运订单的请求，根据请求方的状态信息和订单信息确定所述请求方对应的超时参数；其中，请求取消的承运订单与所述请求方绑定，所述超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况；
预测请求取消的承运订单被重新接单的接单参数；以及
响应于所述超时参数满足第一条件，所述接单参数满足第二条件，将所述请求取消的承运订单和所述请求方的绑定关系解除。
进一步地，所述根据请求方的状态信息和订单信息确定所述请求方对应的超时参数包括：
对于所述请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据所述请求方的状态信息和订单信息获取每个所述承运订单的预计超时情况；
根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数。
进一步地，所述根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数包括：
计算预计超时的承运订单的数量占所述请求方绑定的承运订单的总数量的比例以获取所述请求方对应的超时参数。
进一步地，所述超时参数满足第一条件包括：
所述超时参数大于或等于第一阈值，所述第一阈值根据平均超时率确定。
进一步地，所述步骤还包括：
训练所述超时预测模型，所述超时预测模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。
进一步地，所述超时预测模型为多元线性回归模型。
进一步地，所述接单参数为所述请求取消的承运订单被重新接单的概率；
所述预测所述订单被重新接单的接单参数包括：
根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率。
进一步地，所述订单信息包括所述请求取消的承运订单的配送距离和所述请求取消的承运订单的预计送达时间与当前时间的时间差。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段；
根据对应的时间差的预定分段查询第一分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第一分段概率表通过历史订单数据获得。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述配送距离的预定分段；
根据所述对应的所述配送距离的预定分段查询第二分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第二分段概率表通过历史订单数据获得。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段和所述配送距离的预定分段；
根据所述对应的所述时间差的预定分段和所述配送距离的预定分段查询第三分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第三分段概率表通过历史订单数据获得。
进一步地，所述步骤还包括：
根据历史订单的订单信息获取所述时间差的预定分段中的所述历史订单被接单的概率以获取所述第一分段概率表，所述时间差的预定分段中的历史订单被接单的概率为所述时间差的预定分段中的被接单的历史订单数量占所述时间差的预定分段中的历史订单总数量的比例。
进一步地，所述步骤还包括：
根据历史订单的订单信息获取所述配送距离的预定分段中的所述历史订单被接单的概率以获取所述第二分段概率表，所述配送距离的预定分段中的所述历史订单被接单的概率为所述配送距离的预定分段中的被接单的历史订单数量占所述配送距离的预定分段中的历史订单总数量的比例。
进一步地，所述步骤还包括：
根据历史订单的订单信息获取所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表，所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率为在所述时间差的预定分段和所述配送距离的预定分段中的被接单的历史订单数量占所述时间差的预定分段和所述配送距离的预定分段中的历史订单总数量的比例。进一步地，所述接单参数为第一状态或第二状态，所述接单参数满足第二条件包括所述接单参数为第一状态；
所述预测请求取消的承运订单被重新接单的接单参数包括：
通过预先训练的接单参数模型根据所述请求取消的承运订单的订单信息预测所述请求取消的订单被重新接单的接单参数。
进一步地，所述步骤还包括：
训练所述接单参数模型，所述接单参数模型的样本数据包括历史订单的订单信息。
进一步地，所述步骤还包括：
响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。
进一步地，所述步骤还包括：
在所述超时参数不满足所述第一条件和/或所述接单参数不满足所述第二条件时，响应于所述请求方确认取消承运订单的消息，将请求取消的承运订单和所述请求方的绑定关系解除，并执行预设的惩罚操作。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如上所述的方法。
本发明实施例的技术方案通过在取消承运订单的请求方对应的超时参数满足第一条件，且请求取消的承运订单被重新接单的接单参数满足第二条件时，将请求取消的承运订单和所述请求方的绑定关系解除，其中，超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况，由此，可以提高订单配送效率和订单配送的可靠性。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明第一实施例的订单处理方法的流程图；
图2是本发明第二实施例的订单处理方法的流程图；
图3是本发明第三实施例的订单处理装置的示意图；
图4是本发明第四实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1是本发明第一实施例的订单处理方法的流程图。如图1所示，本实施例的订单处理方法包括以下步骤：
步骤S110，响应于接收到取消承运订单请求，根据请求方的状态信息和订单信息确定请求方对应的超时参数。其中，请求取消的承运订单与请求方绑定。请求方对应的超时参数用于表征请求方绑定的多个承运订单的预计超时情况。请求方的状态信息包括请求方的配送等级、配送经验值、配送工具(如电动车)的剩余里程、环境信息(如天气等)、时段信息、路况信息中的至少一项。订单信息包括请求方承运的订单量、请求取消的订单的配送距离及距离预计送达时间的时间差、其他订单的配送距离及距离预计送达时间的时间差、各订单对应的商户的类型和出货速度中的至少一项。
在一种可选的实现方式中，对应请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据请求方的状态信息和订单信息获取每个承运订单预计超时情况，并根据每个承运订单的预计超时情况获取请求方对应的超时参数。可选的，请求方对应的超时参数为预计超时的承运订单的数量占请求方绑定的承运订单的总数量的比例。
本实施例的订单处理方法还包括：训练上述超时预测模型。其中，超时训练模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。在一种可选的实现方式中，超时预测模型为多元线性回归模型。其中，超时预测模型的输入包括历史订单配送方的配送等级、配送经验值、配送工具(如电动车)的剩余里程、环境信息(如天气等)、时段信息、路况信息、承运的订单量、该历史订单的配送距离及距离预计送达时间的时间差、该历史订单配送方承运的其他订单的配送距离及距离预计送达时间的时间差、历史订单配送方承运的各订单对应的商户的类型和出货速度中的至少一项。通过训练以修正超时预测模型的系数，从而对于每一个历史订单，使得超时预测模型的输出与该历史订单的超时情况匹配。
例如，历史订单A的超时情况为“超时”，则将历史订单A对应的订单配送方的状态信息和历史订单信息输入到训练好的超时预测模型中，超时预测模型输出的超时情况为“超时”。由此，可以将请求方的状态信息及其绑定的每个承运订单的订单信息输入到训练好的超时预测模型中，以预测该请求方绑定的每个承运订单的超时情况。然后，计算预计超时的承运订单的数量占请求方绑定的承运订单的总数量的比例以获取该请求方对应的超时参数。
在本实施例中，通过多维度的与请求取消的承运订单相关的数据来确定请求方对应的超时参数，使得获取的超时参数更符合当前的场景，从而可以提高订单配送的可靠性。
步骤S120，预测请求取消的承运订单被重新接单的接单参数。
在一种可选的实现方式中，接单参数为请求取消的承运订单被重新接单的概率。预测请求取消的承运订单被重新接单的接单参数具体为：根据请求取消的承运订单的订单信息预测请求取消的承运订单被重新接单的概率。其中，请求取消的承运订单的订单信息包括请求取消的承运订单的配送距离和请求取消的承运订单的预计送达时间与当前时间的时间差。
可选的，根据请求取消的承运订单的订单信息预测请求取消的承运订单被重新接单的概率包括：获取请求取消的承运订单的订单信息对应的时间差的预定分段，并根据对应的时间差的预定分段查询第一分段概率表以获取该请求取消的承运订单被重新接单的概率。其中，第一分段概率表通过历史订单数据获得。
可选的，根据历史订单的订单信息获取时间差的预定分段中的历史订单被接单的概率以获取第一分段概率表。其中，在时间差的预定分段中的历史订单被接单的概率为该时间差的预定分段中的被接单的历史订单数量占该时间差的预定分段中的历史订单总数量的比例。例如，距离预计送达时间的时间差在11-20min之间的历史订单总数量为100单，其中被接单的历史订单为20单，则时间差的预定分段为11-20min，对应的接单概率为20％。表(1)为一个示例性的第一分段概率表，应理解，本实施例以表(1)的第一分段概率表为例进行说明，但是，表(1)并不作为本实施例的限定，时间差的预定分段可以根据实际情况进行设置。
表(1)
| 时间差的预定分段(min) | 接单概率 |
| 0-10min | 5％ |
| 11-20min | 20％ |
| 21-30min | 55％ |
| 31-40min | 70％ |
| 41-50min | 85％ |
| 51-60min | 95％ |
例如，请求取消的承运订单的距离预计送达时间的时间差为25分钟，则其对应的时间差的预定分段为21-30min，则该请求取消的承运订单被重新接单的概率为55％，也即接单参数为55％。应理解，第一分段概率表可以每隔预定时间(例如一天)更新一次，也可以实时更新。
可选的，根据请求取消的承运订单的订单信息预测请求取消的承运订单被重新接单的概率包括：获取请求取消的承运订单的订单信息对应的配送距离的预定分段，并根据对应的配送距离的预定分段查询第二分段概率表以获取该请求取消的承运订单被重新接单的概率。其中第二分段概率表通过历史订单数据获得。
可选的，根据历史订单的订单信息获取配送距离的预定分段中的历史订单被接单的概率以获取第二分段概率表。其中，在配送距离的预定分段中的历史订单被接单的概率为该配送距离的预定分段中的被接单的历史订单数量占该配送距离的预定分段中的历史订单总数量的比例。例如，配送距离在500m-1km之间的历史订单总数量为500单，其中被接单的历史订单为460单，则配送距离的预定分段为500m-1km，对应的接单概率为92％。表(2)为一个示例性的第二分段概率表，应理解，本实施例以表(2)的第二分段概率表为例进行说明，但是，表(2)并不作为本实施例的限定，配送距离的预定分段可以根据实际情况进行设置。
表(2)
| 配送距离的预定分段(m) | 接单概率 |
| 0-500m | 98％ |
| 501-1000m | 92％ |
| 1001-1500m | 80％ |
| 1501-2000m | 65％ |
| 2001-3000m | 55％ |
| 3001-4000m | 45％ |
例如，请求取消的承运订单的配送距离为3.5km分钟，则其对应的配送距离的预定分段为3001-4000m，则该请求取消的承运订单被重新接单的概率为45％，也即接单参数为45％。应理解，第二分段概率表可以每隔预定时间(例如一天)更新一次，也可以实时更新。可选的，在配送距离处于极端情况下，优先查询第二分段表以获取请求取消的承运订单被重新接单的概率。例如，在请求取消的承运订单的配送距离在500m以内，则可直接通过查询第二分段表以获取对应的接单参数。
可选的，根据请求取消的承运订单的订单信息预测请求取消的承运订单被重新接单的概率包括：获取请求取消的承运订单的订单信息对应的时间差的预定分段和配送距离的预定分段，并根据对应的时间差的预定分段和配送距离的分段查询第三分段概率表以获取该请求取消的承运订单被重新接单的概率。其中，第三分段概率表通过历史订单数据获得。
可选的，根据历史订单的订单信息获取时间差的预定分段和配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表。其中，在时间差的预定分段和配送距离的预定分段中的历史订单被接单的概率为该时间差的预定分段和配送距离的预定分段中的被接单的历史订单数量占该时间差的预定分段和配送距离的预定分段中的历史订单总数量的比例。例如，距离预计送达时间的时间差在21-30min之间，配送距离在1km-2km的历史订单总数量为1000单，其中被接单的历史订单为800单，则时间差的预定分段为21-30min，配送距离的预定分段为1km-1.5km，对应的接单概率为80％。表(3)为一个示例性的第三分段概率表，应理解，本实施例以表(3)的第三分段概率表为例进行说明，但是，表(3)并不作为本实施例的限定，时间差的预定分段和配送距离的预定分段可以根据实际情况进行设置。
表(3)
| 时间差的预定分段(min) | 配送距离的预定分段(km) | 接单概率 |
| 0-10min | 0-1km | 51％ |
| 0-10min | 1-2km | 34％ |
| 0-10min | 2-3km | 5％ |
| 11-20min | 0-1km | 72％ |
| 11-20min | 1-2km | 58％ |
| 11-20min | 2-3km | 40％ |
| 21-30min | 0-1km | 95％ |
| 21-30min | 1-2km | 80％ |
| 21-30min | 2-3km | 45％ |
例如，请求取消的承运订单的距离预计送达时间的时间差18min，配送距离为1.5km，其对应的时间差的预定分段为11-20min，对应的配送距离的预定分段为1-2km，因此该请求取消的承运订单被重新接单的概率为58％，也即接单参数为58％。应理解，第三分段概率表可以每隔预定时间(例如一天)更新一次，也可以实时更新。
在另一种可选的实现方式中，接单参数为第一状态或第二状态。接单参数为第一状态用于表征请求取消的承运订单可以被重新接单，接单参数为第二状态用于表征请求取消的承运订单基本不会被重新接单。
预测请求取消的承运订单被重新接单的接单参数具体为：通过预先训练的接单参数模型，根据该请求取消的承运订单的订单信息预测该请求取消的承运订单被重新接单的接单参数。
本实施例的订单处理方法还包括：训练上述接单参数模型。其中，接单参数模型的样本数据包括历史订单的订单信息。历史订单的订单信息至少包括配送距离和距离预计送达时间的时间差。可选的，接单参数模型也可以为多远线性回归模型。通过历史订单训练该接单参数模型，以修正接单参数模型的系统，进而使得接单参数模型的输出结果基本与各历史订单的实际接单情况匹配。例如，历史订单B接单情况为“未被接单”，则将历史订单B的配送距离6公里，距离预计到达时间的时间差10分钟输入到训练好的接单参数模型中，接单参数预测模型的输出结果为“接单参数为第二状态”。由此，可以将请求取消的承运订单的配送距离和距离预计送达时间的时间差输入到训练好的接单参数模型中，以预测该请求取消的承运订单的接单参数。
步骤S300，响应于超时参数满足第一条件，接单参数满足第二条件，将请求取消的承运订单和请求方的绑定关系解除。
在一种可选的实现方式中，超时参数为预计超时的承运订单的数量占请求方绑定的承运订单的总数量的比例。接单参数为请求取消的承运订单被重新接单的概率。
响应于超时参数满足第一条件，接单参数满足第二条件，将请求取消的承运订单和请求方的绑定关系解除具体为：预计超时的承运订单的数量占请求方绑定的承运订单的总数量的比例大于或等于第一阈值，请求取消的承运订单被重新接单的概率大于或等于第二阈值，将请求取消的订单和请求方的绑定关系解除。也就是说，订单配送方解除与某个承运订单的绑定需要同时满足两个条件，也即若不取消该承运订单会导致该订单配送方绑定的多个承运订单超时，并且该订单配送方解除与该承运订单的绑定后，其他订单配送方大概率能够与该承运订单重新绑定。由此，可以在保证配送效率的前提下，确保该请求取消的承运订单仍旧可以完成配送，提高了订单配送的可靠性。并且，通过判断超时参数和接单参数，可以避免一些订单配送方恶意取消订单或取消订单后会造成配送效率更低的问题。例如，一个订单配送方当前的总承运订单量为1，若其承运订单被预测为超时，则其超时参数为100％，由此，若至只判断超时参数，则该订单一定会被无责取消，但是，这并没有改善当前的配送效率，甚至可能下一个接单的订单配送方需要花更多的时间进行配送。但在本实施例中，通过判断该订单对应的接单参数，若该订单的接单参数较低，则不允许无责取消订单，若该订单的接单参数满足第二条件，允许无责取消订单。本实施例确保订单被取消后仍旧可以完成配送，由此，可以在保证配送效率的前提下，提高了订单配送的可靠性。容易理解，订单配送方会根据订单信息(剩余时间和配送距离)预测不会配送超时，才会选择接单。
在一种可选的实现方式中，第一阈值根据预定区域(如一个城市)的平均超时率确定。可选的，预定区域的平均超时率可以为在一个时间段内(例如一天)的超时订单量占总订单量的比例。在订单配送方的超时参数大于或等于第一阈值时，也即订单配送方的超时参数大于或等于对应的区域的平均超时率时，通过取消对应的承运订单，以降低订单配送方的超时率。由此，可以通过降低各订单配送方的超时率以逐步降低该预定区域的总超时率，提高了配送效率。容易理解，第一阈值可以根据预定区域的平均超时率每隔预定时间(例如一周)进行更新。
例如，订单配送方A在接收到可以请求取消承运订单a的提醒消息，发送取消承运订单a的消息。其中，订单配送方A当前绑定的承运订单的总数量为10，承运订单a的配送距离为2公里，距离预计送达时间的时间差为25分钟。将订单配送方A的状态信息和与订单配送方A绑定的所有承运订单的订单信息输入超时预测模型中，超时预测模型的输出结果为4个承运订单超时，6个承运订单不超时。则订单配送方A对应的超时参数为40％。查询承运订单a的配送距离和距离预计送达时间的时间差对应的第一范围，并获取该第一范围对应的被重新接单的概率为80％。假设第一阈值为30％，第二阈值为50％，则将承运订单a与订单配送方A的绑定关系解除。
在另一种可选的实现方式中，超时参数为预计超时的承运订单的数量占请求方绑定的承运订单的总数量的比例。接单参数为第一状态或第二状态。接单参数为第一状态用于表征请求取消的承运订单可以被重新接单，接单参数为第二状态用于表征请求取消的承运订单基本不会被重新接单。
响应于超时参数满足第一条件，接单参数满足第二条件，将请求取消的承运订单和请求方的绑定关系解除具体为：预计超时的承运订单的数量占请求方绑定的承运订单的总数量的比例大于或等于第一阈值，接单参数为第一状态，将请求取消的订单和请求方的绑定关系解除。也就是说，订单配送方解除与某个承运订单的绑定需要同时满足两个条件，也即若不取消该承运订单会导致该订单配送方绑定的多个承运订单超时，并且该订单配送方解除与该承运订单的绑定后，其他订单配送方大概率能够与该承运订单重新绑定。由此，可以在保证配送效率的前提下，确保该请求取消的承运订单仍旧可以完成配送，提高了订单配送的可靠性。
例如，订单配送方B在接收到可以请求取消承运订单b的提醒消息，发送取消承运订单b的消息。其中，订单配送方B当前绑定的承运订单的总数量为5，承运订单b的配送距离为2公里，距离预计送达时间的时间差为25分钟。将订单配送方B的状态信息和与订单配送方B绑定的所有承运订单的订单信息输入超时预测模型中，超时预测模型的输出结果为1个承运订单超时，4个承运订单不超时。则订单配送方B对应的超时参数为20％。将承运订单b的配送距离和距离预计送达时间的时间差输入到接单参数模型，接单参数模型输出的承运订单b被重新接单的接单参数为第一状态。若第一阈值为30％，则订单配送方B对应的超时参数不满足第一条件，即使承运订单b对应的接单参数满足第二条件，也不会将承运订单b与订单配送方B的绑定关系解除。若此时订单配送方B发送确认取消承运订单b的请求，则将承运订单b与订单配送方B的绑定关系解除，并对订单配送方B执行预设的惩罚操作。例如，扣除奖金、信用积分、降低等级等。
本发明实施例通过在取消承运订单的请求方对应的超时参数满足第一条件，且请求取消的承运订单被重新接单的接单参数满足第二条件时，将请求取消的承运订单和所述请求方的绑定关系解除，其中，超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况，由此，可以提高订单配送效率和订单配送的可靠性。
本实施例的订单处理方法还包括：响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。可选的，预设时间可以为10分钟，消息提醒可以为语音提醒、短信提醒等。例如，订单配送方C在到达商户M处时发送已到达的消息，则在订单配送方C到达商户M处10分钟后仍未离开，发送取消对应的承运订单的消息提醒。订单配送方C可根据该承运订单的状态选择是否发送取消该承运订单的请求。例如，在和商户M确认该承运订单可在2分钟内出货，则不发送取消该承运订单的请求。否则，发送取消该承运订单的请求。由此，通过对订单配送方进行消息提醒，以避免订单配送方持续等待，从而提高了订单配送的可靠性。
在一种可选的实现方式中，本实施例的订单处理方法还包括：响应于订单生成达到预设时间，且未接收到对应的订单配送方的到达商户处信息，发送取消对应的承运订单的消息提醒。可选的，预设时间可以为10分钟，消息提醒可以为语音提醒、短信提醒等。例如，订单配送方C在订单m生成后成功接单，但是在接单10分钟后仍旧未到达商户M，也即服务器未接收到订单配送方C到达商户M处的消息，向订单配送方C发送取消对应的承运订单的消息提醒。订单配送方C可根据该承运订单的状态选择是否发送取消该承运订单的请求。例如，若马上就能达到商户处，则不发送取消该承运订单的请求。否则，发送取消该承运订单的请求。由此，通过对订单配送方进行消息提醒，以避免订单配送方对应的总超时率增大，从而提高了订单配送的可靠性。
本实施例的订单处理方法还包括：在订单配送方对应的超时参数不满足第一条件和/或请求取消的承运订单不满足第二条件时，响应于订单配送方确认取消承运订单的消息，将请求取消的承运订单和该订单配送方解除绑定，并执行预设的惩罚操作，以对订单配送方的行为进行制约，从而提高订单配送的可靠性。其中，预设的惩罚操作包括但不限于扣除奖金、信用积分、降低等级。
图2是本发明第二实施例的订单处理方法的流程图。以下以超时参数为预计超时的承运订单的数量占请求方绑定的承运订单的总数量的比例，接单参数为请求取消的承运订单被重新接单的概率，通过第三分段概率表查询接单参数为例对本实施例进行描述。如图2所示，本实施例的订单处理方法包括以下步骤：
步骤S210，接收到取消承运订单的请求。在一种可选的实现方式中，响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。可选的，预设时间可以为10分钟，消息提醒可以为语音提醒、短信提醒等。订单配送方在接收到消息提醒后发送取消当前等待的承运订单的请求。例如，订单配送方A在到达商户M处时发送已到达的消息，则在订单配送方A到达商户M处10分钟后仍未离开，向订单配送方A发送取消对应的承运订单的消息提醒。订单配送方A根据该承运订单的状态发送取消该承运订单的请求。
步骤S220，将请求方的状态信息和订单信息输入超时预测模型中，以获取与请求方绑定的每个承运订单的预计超时情况。其中，请求方为请求取消承运订单的订单配送方。超时训练模型时预先通过历史订单数据训练的。请求方的状态信息包括请求方的配送等级、配送经验值、配送工具(如电动车)的剩余里程、环境信息(如天气等)、时段信息、路况信息中的至少一项。订单信息包括请求方承运的订单量、请求取消的订单的配送距离及距离预计送达时间的时间差、其他订单的配送距离及距离预计送达时间的时间差、各订单对应的商户的类型和出货速度中的至少一项。
步骤S230，计算预计超时的承运订单数量占与请求方绑定的承运订单总数量的比例以获取请求方对应的超时参数。例如，与订单配送方A绑定的承运订单的总数量为10个，其中，超时训练模型的输出结果中，有4个承运订单被预测为超时，有6个承运订单被预测为不超时，则订单配送方A对应的超时参数为4/10*100％＝40％。
步骤S240，判断超时参数是否满足第一条件。在一种可选的实现方式中，判断超时参数是否大于或等于第一阈值。响应于超时参数大于或等于第一阈值，执行步骤S280。响应于超时参数小于第一阈值，执行步骤S290。
步骤S250，获取请求取消的承运订单的配送距离和距离预计送达时间的时间差对应的配送距离的预定分段和时间差的预定分段。例如，订单配送方A请求取消的承运订单a的配送距离为1.5公里，距离预计送达时间的时间差为20分钟，则其对应的配送距离的预定分段1-2公里，对应的时间差的预定分段为11-20分钟。
步骤S260，根据对应的配送距离的预定分段和时间差的预定分段查询第三分段概率表以获取请求取消的承运订单对应的接单参数。在本实施例中，通过历史订单数据获取第三分段概率表。在一种可选的实现方式中，根据历史订单的订单信息获取时间差的预定分段和配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表。其中，在时间差的预定分段和配送距离的预定分段中的历史订单被接单的概率为该时间差的预定分段和配送距离的预定分段中的被接单的历史订单数量占该时间差的预定分段和配送距离的预定分段中的历史订单总数量的比例。例如，订单配送方A请求取消的承运订单a对应的配送距离的预定分段1-2公里，对应的时间差的预定分段为11-20分钟，查询表(3)中的第三分段概率表，获取的请求取消的承运订单a对应的接单参数为58％。
步骤S270，判断接单参数是否满足第二条件。在一种可选的实现方式中，判断接单参数是否大于或等于第二阈值。响应于接单参数大于或等于第二阈值，执行步骤S280。响应于接单参数小于第一阈值，执行步骤S290。
应理解，步骤S220-步骤S240与步骤S250-步骤S270可以同时执行，也可以先执行步骤S220-步骤S240再执行步骤S250-步骤S270，还可以先执行步骤S250-步骤S270再执行步骤S220-步骤S240。
步骤S280，响应于超时参数满足第一条件且接单参数满足第二条件，将请求取消的承运订单和请求方的绑定关系解除，并将成功取消该承运订单的消息发送给请求方。例如，假设第一阈值为30％，第二阈值为50％，则可以将订单配送方A(对应的超时参数为40％，对应的接单参数为58％)与承运订单a的绑定关系解除。此时，订单配送方A不需要对取消承运订单a承担责任。
步骤S290，响应于请求方确认取消订单的请求，将请求取消的承运订单和请求方的绑定关系解除，并执行预定的惩罚操作，并将执行结果发送给请求方。惩罚操作包括但不限于扣除奖金、信用积分、降低等级。
另外，响应于超时参数不满足第一条件和/或接单参数不满足第二条件，向请求方发送该承运订单不能被取消的消息。请求方可以选择继续在对应的商户等待，也可以发送确认取消订单的请求。
本发明实施例通过在取消承运订单的请求方对应的超时参数满足第一条件，且请求取消的承运订单被重新接单的接单参数满足第二条件时，将请求取消的承运订单和所述请求方的绑定关系解除，其中，超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况，由此，可以提高订单配送效率和订单配送的可靠性。
图3是本发明第三实施例的订单处理装置的示意图。如图3所示，本实施例的订单处理装置3包括超时参数获取模块31、接单参数获取模块32和第一绑定关系解除模块33。
超时参数获取模块31被配置为响应于接收到取消承运订单的请求，根据请求方的状态信息和订单信息确定所述请求方对应的超时参数。其中，请求取消的承运订单与请求方绑定，超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况。
在一种可选的实现方式中，超时参数获取模块31包括预计超时情况子模块311和超时参数获取子模块312。预计超时情况获取子模块311被配置为对于所述请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据所述请求方的状态信息和订单信息获取每个所述承运订单的预计超时情况。订单处理装置3还包括超时预测模型训练单元34。超时预测模型训练模块34被配置为训练所述超时预测模型，所述超时预测模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。在一种可选的实现方式中，超时预测模型为多元线性回归模型。
超时参数获取子模块312被配置为根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数。在一种可选的实现方式中，超时参数获取子模块312包括超时参数获取单元312a。超时参数获取单元312a被配置为计算预计超时的承运订单的数量占所述请求方绑定的承运订单的总数量的比例以获取所述请求方对应的超时参数。
接单参数获取模块32被配置为预测请求取消的承运订单被重新接单的接单参数。
在一种可选的实现方式中，接单参数为所述请求取消的承运订单被重新接单的概率。接单参数获取模块32包括接单概率获取子模块321。接单概率获取子模块321被配置为根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率。可选的，订单信息包括所述请求取消的承运订单的配送距离和所述请求取消的承运订单的预计送达时间与当前时间的时间差。
可选的，接单概率获取子模块321包括第一预定分段获取单元321a和第一接单概率获取单元321b。第一预定分段获取单元321a被配置为获取请求取消的承运订单的订单信息对应的时间差的预定分段。第一接单概率获取单元321b被配置为根据对应的时间差的预定分段查询第一分段概率表以获取请求取消的承运订单被重新接单的概率。其中，第一分段概率表通过历史订单数据获得。在一种可选的实现方式中，订单处理装置3还包括第一分段概率表获取模块35。第一分段概率表获取模块35被配置为根据历史订单的订单信息获取时间差的预定分段中的历史订单被接单的概率以获取第一分段概率表。其中，时间差的预定分段中的历史订单被接单的概率为时间差的预定分段中的被接单的历史订单数量占时间差的预定分段中的历史订单总数量的比例。
可选的，接单概率获取子模块321包括第二预定分段获取单元321c和第二接单概率获取单元321d。第二预定分段获取单元321c被配置为获取请求取消的承运订单的订单信息对应的配送距离的预定分段。第二接单概率获取单元321d被配置为根据对应的配送距离的预定分段查询第二分段概率表以获取请求取消的承运订单被重新接单的概率。其中，第二分段概率表通过历史订单数据获得。在一种可选的实现方式中，订单处理装置3还包括第二分段概率表获取模块36。第二分段概率表获取模块36被配置根据历史订单的订单信息获取配送距离的预定分段中的历史订单被接单的概率以获取第二分段概率表。其中，所述配送距离的预定分段中的所述历史订单被接单的概率为所述配送距离的预定分段中的被接单的历史订单数量占所述配送距离的预定分段中的历史订单总数量的比例。
可选的，接单概率获取子模块321包括第三预定分段获取单元321e和第三接单概率获取单元321f。第三预定分段获取单元321e被配置为获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段和所述配送距离的预定分段。第三接单概率获取单元321f被配置为根据所述对应的所述时间差的预定分段和所述配送距离的预定分段查询第三分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第三分段概率表通过历史订单数据获得。在一种可选的实现方式中，订单处理装置3还包括第三分段概率表获取模块37。第三分段概率表获取模块37被配置根据历史订单的订单信息获取所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表。其中，所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率为在所述时间差的预定分段和所述配送距离的预定分段中的被接单的历史订单数量占所述时间差的预定分段和所述配送距离的预定分段中的历史订单总数量的比例。
在另一种可选的实现方式中，接单参数为第一状态或第二状态。接单参数为第一状态用于表征请求取消的承运订单可以被重新接单，接单参数为第二状态用于表征请求取消的承运订单基本不会被重新接单。接单参数获取模块32包括接单参数获取子模块322。接单参数获取子模块322被配置为通过预先训练的接单参数模型根据所述请求取消的承运订单的订单信息预测所述请求取消的订单被重新接单的接单参数。订单处理装置还包括接单参数模型训练模块38。接单参数模型训练模块38被配置为训练所述接单参数模型，所述接单参数模型的样本数据包括历史订单的订单信息。
第一绑定关系解除模块33被配置为响应于所述超时参数满足第一条件，所述接单参数满足第二条件，将所述请求取消的承运订单和所述请求方的绑定关系解除。在一种可选的实现方式中，超时参数满足第一条件包括所述超时参数大于或等于第一阈值，所述第一阈值根据预定区域的平均超时率确定。
在一种可选的实现方式中，订单处理装置3还包括消息提醒模块39，被配置为响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。
在一种可选的实现方式中，订单处理装置3还包括第二绑定关系解除模块3A，被配置为在所述超时参数不满足所述第一条件和/或所述接单参数不满足所述第二条件时，响应于所述请求方确认取消承运订单的消息，将请求取消的承运订单和所述请求方的绑定关系解除，并执行预设的惩罚操作。
本发明实施例通过在取消承运订单的请求方对应的超时参数满足第一条件，且请求取消的承运订单被重新接单的接单参数满足第二条件时，将请求取消的承运订单和所述请求方的绑定关系解除，其中，超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况，由此，可以提高订单配送效率和订单配送的可靠性。
图4是本发明第四实施例的电子设备的示意图。如图4所示，该电子设备：至少包括一个处理器401；以及，与至少一个处理器401通信连接的存储器402；以及，与扫描装置通信连接的通信组件403，通信组件403在处理器401的控制下接收和发送数据；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行以实现：
响应于接收到取消承运订单的请求，根据请求方的状态信息和订单信息确定所述请求方对应的超时参数；其中，请求取消的承运订单与所述请求方绑定，所述超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况；
预测请求取消的承运订单被重新接单的接单参数；以及
响应于所述超时参数满足第一条件，所述接单参数满足第二条件，将所述请求取消的承运订单和所述请求方的绑定关系解除。
进一步地，所述根据请求方的状态信息和订单信息确定所述请求方对应的超时参数包括：
对于所述请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据所述请求方的状态信息和订单信息获取每个所述承运订单的预计超时情况；
根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数。
进一步地，所述根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数包括：
计算预计超时的承运订单的数量占所述请求方绑定的承运订单的总数量的比例以获取所述请求方对应的超时参数。
进一步地，所述超时参数满足第一条件包括：
所述超时参数大于或等于第一阈值，所述第一阈值根据平均超时率确定。
进一步地，指令被至少一个处理器401执行还用以实现：
训练所述超时预测模型，所述超时预测模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。
进一步地，所述超时预测模型为多元线性回归模型。
进一步地，所述接单参数为所述请求取消的承运订单被重新接单的概率；
所述预测所述订单被重新接单的接单参数包括：
根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率。
进一步地，所述订单信息包括所述请求取消的承运订单的配送距离和所述请求取消的承运订单的预计送达时间与当前时间的时间差。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段；
根据对应的时间差的预定分段查询第一分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第一分段概率表通过历史订单数据获得。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述配送距离的预定分段；
根据所述对应的所述配送距离的预定分段查询第二分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第二分段概率表通过历史订单数据获得。
进一步地，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段和所述配送距离的预定分段；
根据所述对应的所述时间差的预定分段和所述配送距离的预定分段查询第三分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第三分段概率表通过历史订单数据获得。
进一步地，指令被至少一个处理器401执行还用以实现：
根据历史订单的订单信息获取所述时间差的预定分段中的所述历史订单被接单的概率以获取所述第一分段概率表，所述时间差的预定分段中的历史订单被接单的概率为所述时间差的预定分段中的被接单的历史订单数量占所述时间差的预定分段中的历史订单总数量的比例。
进一步地，指令被至少一个处理器401执行还用以实现：
根据历史订单的订单信息获取所述配送距离的预定分段中的所述历史订单被接单的概率以获取所述第二分段概率表，所述配送距离的预定分段中的所述历史订单被接单的概率为所述配送距离的预定分段中的被接单的历史订单数量占所述配送距离的预定分段中的历史订单总数量的比例。
进一步地，指令被至少一个处理器401执行还用以实现：
根据历史订单的订单信息获取所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表，所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率为在所述时间差的预定分段和所述配送距离的预定分段中的被接单的历史订单数量占所述时间差的预定分段和所述配送距离的预定分段中的历史订单总数量的比例。
进一步地，所述接单参数为第一状态或第二状态，所述接单参数满足第二条件包括所述接单参数为第一状态；
所述预测请求取消的承运订单被重新接单的接单参数包括：
通过预先训练的接单参数模型根据所述请求取消的承运订单的订单信息预测所述请求取消的订单被重新接单的接单参数。
进一步地，指令被至少一个处理器401执行还用以实现：
训练所述接单参数模型，所述接单参数模型的样本数据包括历史订单的订单信息。
进一步地，指令被至少一个处理器401执行还用以实现：
响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。
进一步地，指令被至少一个处理器401执行还用以实现：
在所述超时参数不满足所述第一条件和/或所述接单参数不满足所述第二条件时，响应于所述请求方确认取消承运订单的消息，将请求取消的承运订单和所述请求方的绑定关系解除，并执行预设的惩罚操作。
具体地，该电子设备包括：一个或多个处理器401以及存储器402，图4中以一个处理器401为例。处理器401、存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现本发明实施例的订单处理方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器402中，当被一个或者多个处理器401执行时，执行上述任意方法实施方式中的订单处理方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的方法。
本发明实施例通过在取消承运订单的请求方对应的超时参数满足第一条件，且请求取消的承运订单被重新接单的接单参数满足第二条件时，将请求取消的承运订单和所述请求方的绑定关系解除，其中，超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况，由此，可以提高订单配送效率和订单配送的可靠性。
本发明的第五实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlBMemorB)、随机存取存储器(RAM，Random Access MemorB)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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 (55)
1.一种订单处理方法，其特征在于，所述方法包括：
响应于接收到取消承运订单的请求，根据请求方的状态信息和订单信息确定所述请求方对应的超时参数；其中，请求取消的承运订单与所述请求方绑定，所述超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况；
预测请求取消的承运订单被重新接单的接单参数；以及
响应于所述超时参数满足第一条件，所述接单参数满足第二条件，将所述请求取消的承运订单和所述请求方的绑定关系解除。
2.根据权利要求1所述的订单处理方法，其特征在于，所述根据请求方的状态信息和订单信息确定所述请求方对应的超时参数包括：
对于所述请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据所述请求方的状态信息和订单信息获取每个所述承运订单的预计超时情况；
根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数。
3.根据权利要求2所述的订单处理方法，其特征在于，所述根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数包括：
计算预计超时的承运订单的数量占所述请求方绑定的承运订单的总数量的比例以获取所述请求方对应的超时参数。
4.根据权利要求1所述的订单处理方法，其特征在于，所述超时参数满足第一条件包括：
所述超时参数大于或等于第一阈值，所述第一阈值根据预定区域的平均超时率确定。
5.根据权利要求2所述的订单处理方法，其特征在于，所述方法还包括：
训练所述超时预测模型，所述超时预测模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。
6.根据权利要求2所述的订单处理方法，其特征在于，所述超时预测模型为多元线性回归模型。
7.根据权利要求1所述的订单处理方法，其特征在于，所述接单参数为所述请求取消的承运订单被重新接单的概率；
所述预测请求取消的承运订单被重新接单的接单参数包括：
根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率。
8.根据权利要求7所述的订单处理方法，其特征在于，所述订单信息包括所述请求取消的承运订单的配送距离和所述请求取消的承运订单的预计送达时间与当前时间的时间差。
9.根据权利要求8所述的订单处理方法，其特征在于，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段；
根据对应的时间差的预定分段查询第一分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第一分段概率表通过历史订单数据获得。
10.根据权利要求8所述的订单处理方法，其特征在于，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述配送距离的预定分段；
根据所述对应的所述配送距离的预定分段查询第二分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第二分段概率表通过历史订单数据获得。
11.根据权利要求8所述的订单处理方法，其特征在于，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段和所述配送距离的预定分段；
根据所述对应的所述时间差的预定分段和所述配送距离的预定分段查询第三分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第三分段概率表通过历史订单数据获得。
12.根据权利要求9所述的订单处理方法，其特征在于，所述方法还包括：
根据历史订单的订单信息获取所述时间差的预定分段中的所述历史订单被接单的概率以获取所述第一分段概率表，所述时间差的预定分段中的历史订单被接单的概率为所述时间差的预定分段中的被接单的历史订单数量占所述时间差的预定分段中的历史订单总数量的比例。
13.根据权利要求10所述的订单处理方法，其特征在于，所述方法还包括：
根据历史订单的订单信息获取所述配送距离的预定分段中的所述历史订单被接单的概率以获取所述第二分段概率表，所述配送距离的预定分段中的所述历史订单被接单的概率为所述配送距离的预定分段中的被接单的历史订单数量占所述配送距离的预定分段中的历史订单总数量的比例。
14.根据权利要求11所述的订单处理方法，其特征在于，所述方法还包括：
根据历史订单的订单信息获取所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表，所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率为在所述时间差的预定分段和所述配送距离的预定分段中的被接单的历史订单数量占所述时间差的预定分段和所述配送距离的预定分段中的历史订单总数量的比例。
15.根据权利要求1所述的订单处理方法，其特征在于，所述接单参数为第一状态或第二状态，所述接单参数满足第二条件包括所述接单参数为第一状态；所述接单参数为所述第一状态用于表征所述请求取消的承运订单能够被重新接单，所述接单参数为所述第二状态用于表征所述请求取消的承运订单不会被重新接单；
所述预测请求取消的承运订单被重新接单的接单参数包括：
通过预先训练的接单参数模型根据所述请求取消的承运订单的订单信息预测所述请求取消的订单被重新接单的接单参数。
16.根据权利要求15所述的订单处理方法，其特征在于，所述方法还包括：
训练所述接单参数模型，所述接单参数模型的样本数据包括历史订单的订单信息。
17.根据权利要求1所述的订单处理方法，其特征在于，所述方法还包括：
响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。
18.根据权利要求1所述的订单处理方法，其特征在于，所述方法还包括：
在所述超时参数不满足所述第一条件和/或所述接单参数不满足所述第二条件时，响应于所述请求方确认取消承运订单的消息，将请求取消的承运订单和所述请求方的绑定关系解除，并执行预设的惩罚操作。
19.一种订单处理装置，其特征在于，所述装置包括：
超时参数获取模块，被配置为响应于接收到取消承运订单的请求，根据请求方的状态信息和订单信息确定所述请求方对应的超时参数；其中，请求取消的承运订单与所述请求方绑定，所述超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况；
接单参数获取模块，被配置为预测请求取消的承运订单被重新接单的接单参数；以及
第一绑定关系解除模块，被配置为响应于所述超时参数满足第一条件，所述接单参数满足第二条件，将所述请求取消的承运订单和所述请求方的绑定关系解除。
20.根据权利要求19所述的订单处理装置，其特征在于，所述超时参数获取模块包括：
预计超时情况获取子模块，被配置为对于所述请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据所述请求方的状态信息和订单信息获取每个所述承运订单的预计超时情况；
超时参数获取子模块，被配置为根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数。
21.根据权利要求20所述的订单处理装置，其特征在于，所述超时参数获取子模块包括：
超时参数获取单元，被配置为计算预计超时的承运订单的数量占所述请求方绑定的承运订单的总数量的比例以获取所述请求方对应的超时参数。
22.根据权利要求19所述的订单处理装置，其特征在于，所述超时参数满足第一条件包括所述超时参数大于或等于第一阈值，所述第一阈值根据预定区域的平均超时率确定。
23.根据权利要求20所述的订单处理装置，其特征在于，所述装置还包括：
超时预测模型训练模块，被配置为训练所述超时预测模型，所述超时预测模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。
24.根据权利要求20所述的订单处理装置，其特征在于，所述超时预测模型为多元线性回归模型。
25.根据权利要求19所述的订单处理装置，其特征在于，所述接单参数为所述请求取消的承运订单被重新接单的概率；
所述接单参数获取模块包括：
接单概率获取子模块，被配置为根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率。
26.根据权利要求25所述的订单处理装置，其特征在于，所述订单信息包括所述请求取消的承运订单的配送距离和所述请求取消的承运订单的预计送达时间与当前时间的时间差。
27.根据权利要求26所述的订单处理装置，其特征在于，所述接单概率获取子模块包括：
第一预定分段获取单元，被配置为获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段；
第一接单概率获取单元，被配置为根据对应的时间差的预定分段查询第一分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第一分段概率表通过历史订单数据获得。
28.根据权利要求26所述的订单处理装置，其特征在于，所述接单概率获取子模块还包括：
第二预定分段获取单元，被配置为获取所述请求取消的承运订单的订单信息对应的所述配送距离的预定分段；
第二接单概率获取单元，被配置为根据所述对应的所述配送距离的预定分段查询第二分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第二分段概率表通过历史订单数据获得。
29.根据权利要求26所述的订单处理装置，其特征在于，所述接单概率获取子模块还包括：
第三预定分段获取单元，被配置为获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段和所述配送距离的预定分段；
第三接单概率获取单元，被配置为根据所述对应的所述时间差的预定分段和所述配送距离的预定分段查询第三分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第三分段概率表通过历史订单数据获得。
30.根据权利要求27所述的订单处理装置，其特征在于，所述装置还包括：
第一分段概率表获取模块，被配置为根据历史订单的订单信息获取所述时间差的预定分段中的所述历史订单被接单的概率以获取所述第一分段概率表，所述时间差的预定分段中的历史订单被接单的概率为所述时间差的预定分段中的被接单的历史订单数量占所述时间差的预定分段中的历史订单总数量的比例。
31.根据权利要求28所述的订单处理装置，其特征在于，所述装置还包括：
第二分段概率表获取模块，被配置根据历史订单的订单信息获取所述配送距离的预定分段中的所述历史订单被接单的概率以获取所述第二分段概率表，所述配送距离的预定分段中的所述历史订单被接单的概率为所述配送距离的预定分段中的被接单的历史订单数量占所述配送距离的预定分段中的历史订单总数量的比例。
32.根据权利要求29所述的订单处理装置，其特征在于，所述装置还包括：
第三分段概率表获取模块，被配置根据历史订单的订单信息获取所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表，所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率为在所述时间差的预定分段和所述配送距离的预定分段中的被接单的历史订单数量占所述时间差的预定分段和所述配送距离的预定分段中的历史订单总数量的比例。
33.根据权利要求19所述的订单处理装置，其特征在于，所述接单参数为第一状态或第二状态，所述接单参数满足第二条件包括所述接单参数为第一状态；所述接单参数为所述第一状态用于表征所述请求取消的承运订单能够被重新接单，所述接单参数为所述第二状态用于表征所述请求取消的承运订单不会被重新接单；
所述接单参数获取模块包括：
接单参数获取子模块，被配置为通过预先训练的接单参数模型根据所述请求取消的承运订单的订单信息预测所述请求取消的订单被重新接单的接单参数。
34.根据权利要求33所述的订单处理装置，其特征在于，所述装置还包括：
接单参数模型训练模块，被配置为训练所述接单参数模型，所述接单参数模型的样本数据包括历史订单的订单信息。
35.根据权利要求19所述的订单处理装置，其特征在于，所述装置还包括：
消息提醒模块，被配置为响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。
36.根据权利要求19所述的订单处理装置，其特征在于，所述装置还包括：
第二绑定关系解除模块，被配置为在所述超时参数不满足所述第一条件和/或所述接单参数不满足所述第二条件时，响应于所述请求方确认取消承运订单的消息，将请求取消的承运订单和所述请求方的绑定关系解除，并执行预设的惩罚操作。
37.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
响应于接收到取消承运订单的请求，根据请求方的状态信息和订单信息确定所述请求方对应的超时参数；其中，请求取消的承运订单与所述请求方绑定，所述超时参数用于表征所述请求方绑定的多个承运订单的预计超时情况；
预测请求取消的承运订单被重新接单的接单参数；以及
响应于所述超时参数满足第一条件，所述接单参数满足第二条件，将所述请求取消的承运订单和所述请求方的绑定关系解除。
38.根据权利要求37所述的电子设备，其特征在于，所述根据请求方的状态信息和订单信息确定所述请求方对应的超时参数包括：
对于所述请求方绑定的多个承运订单中的每一个承运订单，通过预先训练的超时预测模型根据所述请求方的状态信息和订单信息获取每个所述承运订单的预计超时情况；
根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数。
39.根据权利要求38所述的电子设备，其特征在于，所述根据每个所述承运订单的预计超时情况获取所述请求方对应的超时参数包括：
计算预计超时的承运订单的数量占所述请求方绑定的承运订单的总数量的比例以获取所述请求方对应的超时参数。
40.根据权利要求37所述的电子设备，其特征在于，所述超时参数满足第一条件包括：
所述超时参数大于或等于第一阈值，所述第一阈值根据平均超时率确定。
41.根据权利要求38所述的电子设备，其特征在于，所述步骤还包括：
训练所述超时预测模型，所述超时预测模型的样本数据包括历史订单对应的订单配送方的状态信息和历史订单信息。
42.根据权利要求38所述的电子设备，其特征在于，所述超时预测模型为多元线性回归模型。
43.根据权利要求37所述的电子设备，其特征在于，所述接单参数为所述请求取消的承运订单被重新接单的概率；
所述预测请求取消的承运订单被重新接单的接单参数包括：
根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率。
44.根据权利要求43所述的电子设备，其特征在于，所述订单信息包括所述请求取消的承运订单的配送距离和所述请求取消的承运订单的预计送达时间与当前时间的时间差。
45.根据权利要求44所述的电子设备，其特征在于，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段；
根据对应的时间差的预定分段查询第一分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第一分段概率表通过历史订单数据获得。
46.根据权利要求44所述的电子设备，其特征在于，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述配送距离的预定分段；
根据所述对应的所述配送距离的预定分段查询第二分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第二分段概率表通过历史订单数据获得。
47.根据权利要求44所述的电子设备，其特征在于，所述根据所述请求取消的承运订单的订单信息预测所述请求取消的承运订单被重新接单的概率还包括：
获取所述请求取消的承运订单的订单信息对应的所述时间差的预定分段和所述配送距离的预定分段；
根据所述对应的所述时间差的预定分段和所述配送距离的预定分段查询第三分段概率表以获取所述请求取消的承运订单被重新接单的概率，所述第三分段概率表通过历史订单数据获得。
48.根据权利要求45所述的电子设备，其特征在于，所述步骤还包括：
根据历史订单的订单信息获取所述时间差的预定分段中的所述历史订单被接单的概率以获取所述第一分段概率表，所述时间差的预定分段中的历史订单被接单的概率为所述时间差的预定分段中的被接单的历史订单数量占所述时间差的预定分段中的历史订单总数量的比例。
49.根据权利要求46所述的电子设备，其特征在于，所述步骤还包括：
根据历史订单的订单信息获取所述配送距离的预定分段中的所述历史订单被接单的概率以获取所述第二分段概率表，所述配送距离的预定分段中的所述历史订单被接单的概率为所述配送距离的预定分段中的被接单的历史订单数量占所述配送距离的预定分段中的历史订单总数量的比例。
50.根据权利要求47所述的电子设备，其特征在于，所述步骤还包括：
根据历史订单的订单信息获取所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率以获取第三分段概率表，所述时间差的预定分段和所述配送距离的预定分段中的历史订单被接单的概率为在所述时间差的预定分段和所述配送距离的预定分段中的被接单的历史订单数量占所述时间差的预定分段和所述配送距离的预定分段中的历史订单总数量的比例。
51.根据权利要求37所述的电子设备，其特征在于，所述接单参数为第一状态或第二状态，所述接单参数满足第二条件包括所述接单参数为第一状态；所述接单参数为所述第一状态用于表征所述请求取消的承运订单能够被重新接单，所述接单参数为所述第二状态用于表征所述请求取消的承运订单不会被重新接单；
所述预测请求取消的承运订单被重新接单的接单参数包括：
通过预先训练的接单参数模型根据所述请求取消的承运订单的订单信息预测所述请求取消的订单被重新接单的接单参数。
52.根据权利要求51所述的电子设备，其特征在于，所述步骤还包括：
训练所述接单参数模型，所述接单参数模型的样本数据包括历史订单的订单信息。
53.根据权利要求37所述的电子设备，其特征在于，所述步骤还包括：
响应于订单配送方在商户处的等待时间达到预设时间，发送取消对应的承运订单的消息提醒。
54.根据权利要求37所述的电子设备，其特征在于，所述步骤还包括：
在所述超时参数不满足所述第一条件和/或所述接单参数不满足所述第二条件时，响应于所述请求方确认取消承运订单的消息，将请求取消的承运订单和所述请求方的绑定关系解除，并执行预设的惩罚操作。
55.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-18中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910127155.4A CN109902996B (zh) | 2019-02-20 | 2019-02-20 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910127155.4A CN109902996B (zh) | 2019-02-20 | 2019-02-20 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109902996A CN109902996A (zh) | 2019-06-18 |
| CN109902996B true CN109902996B (zh) | 2020-03-06 |
Family
ID=66945038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910127155.4A Active CN109902996B (zh) | 2019-02-20 | 2019-02-20 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902996B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322141B (zh) * | 2019-06-28 | 2022-10-11 | 浙江吉利控股集团有限公司 | 一种实时单自动接单方法、装置及终端 |
| CN112232614A (zh) * | 2019-07-15 | 2021-01-15 | 拉扎斯网络科技（上海）有限公司 | 配送任务分配方法、装置、电子设备及计算机存储介质 |
| CN112750003B (zh) * | 2019-10-31 | 2024-08-20 | 北京三快在线科技有限公司 | 订单分配的方法、装置、存储介质以及电子设备 |
| CN111582574B (zh) * | 2020-04-30 | 2020-12-15 | 南京福佑在线电子商务有限公司 | 订单解绑的方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4771336B2 (ja) * | 2004-01-29 | 2011-09-14 | ビージーシー パートナーズ，インコーポレイテッド | 取引注文に付随するトランザクション費用を回避するためのシステムおよび方法 |
| CN108074164A (zh) * | 2017-06-14 | 2018-05-25 | 北京小度信息科技有限公司 | 订单处理方法和装置 |
| CN109345000A (zh) * | 2018-09-07 | 2019-02-15 | 北京三快在线科技有限公司 | 订单处理方法、装置、电子设备和计算机可读存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060271441A1 (en) * | 2000-11-14 | 2006-11-30 | Mueller Raymond J | Method and apparatus for dynamic rule and/or offer generation |
| CN106127660A (zh) * | 2016-06-30 | 2016-11-16 | 成都我来啦网格信息技术有限公司 | 一种接力配送系统及其配送方法 |
| CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术（北京）有限公司 | 提供叫车服务的方法和装置 |
| CN106530188B (zh) * | 2016-09-30 | 2021-06-11 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中司机的接单概率评价方法和装置 |
| CN106845656A (zh) * | 2016-12-19 | 2017-06-13 | 北京东方车云信息技术有限公司 | 一种乘车订单处理方法及系统 |
| CN108805660A (zh) * | 2018-05-24 | 2018-11-13 | 北京三快在线科技有限公司 | 订单处理方法、装置及服务器 |
-
2019
- 2019-02-20 CN CN201910127155.4A patent/CN109902996B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4771336B2 (ja) * | 2004-01-29 | 2011-09-14 | ビージーシー パートナーズ，インコーポレイテッド | 取引注文に付随するトランザクション費用を回避するためのシステムおよび方法 |
| CN108074164A (zh) * | 2017-06-14 | 2018-05-25 | 北京小度信息科技有限公司 | 订单处理方法和装置 |
| CN109345000A (zh) * | 2018-09-07 | 2019-02-15 | 北京三快在线科技有限公司 | 订单处理方法、装置、电子设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109902996A (zh) | 2019-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902996B (zh) | 订单处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110832512B (zh) | 用于减少提供运输服务等待时间的系统和方法 | |
| CN108133619B (zh) | 停车场停车预测的方法、装置、存储介质及终端设备 | |
| CN109816128B (zh) | 网约车订单的处理方法、装置、设备及可读存储介质 | |
| CN108960976B (zh) | 一种处理预约单的方法、装置及存储介质 | |
| CN111210136B (zh) | 一种机器人任务调度的方法及服务器 | |
| CN109670684B (zh) | 基于时间窗口的货运车辆的调度方法及电子设备 | |
| CN110378529B (zh) | 一种数据生成的方法、装置、可读存储介质和电子设备 | |
| US20190057475A1 (en) | System and method for predicting wait time | |
| CN107545319A (zh) | 一种运力调配方法及装置 | |
| CN110111057B (zh) | 一种订单分配的方法、装置、可读存储介质和电子设备 | |
| CN112085418A (zh) | 农机调度方法、系统及农机调度平台 | |
| CN110276628B (zh) | 订单处理方法和装置 | |
| CN113129102B (zh) | 一种延迟派单方法、装置、电子设备及存储介质 | |
| CN111612285A (zh) | 追踪调度方法、非易失性计算机可读存储介质和电子设备 | |
| CN113129055A (zh) | 乘车费用计算方法、系统、终端设备及存储介质 | |
| CN113516391A (zh) | 处理车辆巡检任务的方法、计算设备和存储介质 | |
| CN113269339A (zh) | 一种网约车任务自动创建和分发的方法及系统 | |
| CN112506896B (zh) | 一种数据删除方法、装置及电子设备 | |
| CN109726960B (zh) | 订单处理方法、装置、电子设备及计算机可读存储介质 | |
| CN116151906A (zh) | 订单分配方法、装置、电子设备及介质 | |
| CN111507753A (zh) | 信息推送方法、装置和电子设备 | |
| CN112053087A (zh) | 投诉工单的处理方法、装置、设备及存储介质 | |
| CN117495237B (zh) | 货运集散系统的管理方法、设备和可读存储介质 | |
| CN112860417B (zh) | 一种数据处理方法、装置、设备、系统和存储介质 |
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 |