CN109961328A

CN109961328A - 确定订单冷静期的方法和装置

Info

Publication number: CN109961328A
Application number: CN201711338002.1A
Authority: CN
Inventors: 祝捷; 冯卓; 彭先铁; 林世洪; 张志维; 卢兰花
Original assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Current assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Priority date: 2017-12-14
Filing date: 2017-12-14
Publication date: 2019-07-02
Anticipated expiration: 2037-12-14
Also published as: CN109961328B

Abstract

本发明公开了确定订单冷静期的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取订单的订单属性数据、商品属性数据和用户属性数据；基于获取的数据，采用预设的分类模型预测所述订单的订单状态信息；若所述订单的订单状态信息为取消状态，则基于获取的数据，采用预设的预测模型预测所述订单的取消时长数据；依据所述取消时长数据，确定订单冷静期。本发明实施例能够根据每个订单对应的订单属性、商品属性及对应用户的历史行为画像信息自动确定一个较为合适的冷静期，从而，一方面提高被取消订单的拦截成功率，另一方面显著缩短订单总等待时间，既降低了成本损失，又减小了仓库生产压力。

Description

确定订单冷静期的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种确定订单冷静期的方法和装置。

背景技术

在线购物过程中，当订单被用户提交后，会被转入后续环节继而被生产。若不久后用户自行取消订单，则会导致正在被处理或已经下发仓库生产的商品被撤销操作，造成资源浪费，增加运营成本。所以，通常订单被提交后会暂停一段时间再转入下一环节，这段时间被称为冷静期。较长的冷静期会规避掉大部分因用户取消订单而造成的损失，但冷静期较长反而会对仓库造成更大的生产压力，故而如何设置一个合理的冷静时长是业内所关心的一个重要问题。

现有技术采用人为规定的方法，强制将每一订单的冷静期设置为一个固定值，如10分钟。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

(1)占大部分比重的没有被用户取消的订单也同样被冷静了一段时间，徒然增加仓库生产压力；

(2)无法捕获在超过了冷静时间后才被用户取消的订单，最终依然造成这部分成本的浪费。

发明内容

有鉴于此，本发明实施例提供一种确定订单冷静期的方法和装置，能够根据每个订单对应的订单属性、商品属性及对应用户的历史行为画像信息自动确定一个较为合适的冷静期，从而，一方面提高被取消订单的拦截成功率，另一方面显著缩短订单总等待时间，既降低了成本损失，又减小了仓库生产压力。

为实现上述目的，根据本发明实施例的一个方面，提供了一种确定订单冷静期的方法，包括：

获取订单的订单属性数据、商品属性数据和用户属性数据；

基于获取的数据，采用预设的分类模型预测所述订单的订单状态信息；所述订单状态信息包括：取消状态；

若所述订单的订单状态信息为取消状态，则基于获取的数据，采用预设的预测模型预测所述订单的取消时长数据；

依据所述取消时长数据，确定订单冷静期。

可选地，依据所述取消时长数据，确定所述订单的冷静期，包括：

确定所述取消时长数据与预设的缓冲时间阈值之和；

以确定出的和值作为所述订单的冷静期。

可选地，以确定出的和值作为所述订单的冷静期之前，还包括：

将所述和值与预设的冷静期下限和冷静期上限比较；

若所述和值小于或等于所述冷静期下限，则以所述冷静期下限作为所述订单的冷静期；

若所述和值大于或等于所述冷静期上限，则以所述冷静期上限作为所述订单的冷静期。

可选地，本发明实施例的方法还包括：

从历史数据中获取多个被取消历史订单的取消时长数据；

基于多个被取消订单的取消时长数据，拟合所述多个被取消订单的取消量随取消时长数据的分布曲线；

根据所述分布曲线的斜率确定所述冷静期下限；和/或，根据所述分布曲线，若大于过等于取消量阈值的所述被取消订单的取消时长数据小于或等于第一时长数据，则以所述第一时长数据作为所述冷静期上限。

可选地，本发明实施例的方法还包括：

根据所述分布曲线，确定90％置信区间的宽度；

以所述90％置信区间的宽度的一半作为所述缓冲时间阈值。

可选地，所述订单状态信息还包括：正常状态；若所述订单的订单状态信息为正常状态，则以所述冷静期下限作为所述订单的冷静期。

根据本发明实施例的再一个方面，提供了一种确定订单冷静期的装置，包括：

采集模块，获取订单的订单属性数据、商品属性数据和用户属性数据；

分类模块，基于获取的数据，采用预设的分类模型预测所述订单的订单状态信息；所述订单状态信息包括：取消状态；

处理模块，若所述订单的订单状态信息为取消状态，则基于获取的数据，采用预设的预测模型预测所述订单的取消时长数据；依据所述取消时长数据，确定订单冷静期。

可选地，所述处理模块依据所述取消时长数据，确定所述订单的冷静期，包括：

确定所述取消时长数据与预设的缓冲时间阈值之和；

以确定出的和值作为所述订单的冷静期。

可选地，所述处理模块还用于：

以确定出的和值作为所述订单的冷静期之前，将所述和值与预设的冷静期下限和冷静期上限比较；

可选地，所述处理模块还用于：

从历史数据中获取多个被取消历史订单的取消时长数据；

可选地，所述处理模块还用于：

根据所述分布曲线，确定90％置信区间的宽度；

以所述90％置信区间的宽度的一半作为所述缓冲时间阈值。

可选地，所述订单状态信息还包括：正常状态；所述处理模块还用于：若所述订单的订单状态信息为正常状态，则以所述冷静期下限作为所述订单的冷静期。

根据本发明实施例的另一个方面，提供了一种确定订单冷静期的电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的确定订单冷静期的方法。

根据本发明实施例的还一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的确定订单冷静期的方法。

上述发明中的一个实施例具有如下优点或有益效果：

1)根据订单的订单属性数据、商品属性数据和用户属性数据确定订单是否会被取消，一方面能避免没有被用户取消的订单被冷静较长时间，另一方面能提高对被取消订单的拦截成功率；

2)通过设置缓冲时间阈值，能确保冷静期大于预测的取消时长数据，进一步提高对被取消订单的拦截成功率；

3)设置冷静期下限，一方面能避免由于模型误差导致的部分实际被取消的订单无法被拦截，造成成本的浪费，另一方面，能避免将取消时长较短的被取消订单被误判为正常状态，提高对被取消订单的拦截成功率；

4)设置冷静期上限，能在具有较高拦截成功率的同时尽量缩短冷静期，并避免当预测的取消时长过大而导致订单一直处于等待状态的问题。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的确定订单冷静期的方法的主要流程的示意图；

图2是根据本发明可选实施例的确定订单冷静期的方法的流程示意图；

图3是根据本发明可选实施例的确定订单冷静期的方法的流程示意图；

图4是根据本发明实施例的确定订单冷静期的装置的主要模块的示意图；

图5是本发明实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本发明实施例中，根据每个订单对应的订单属性、商品属性及对应用户的历史行为画像信息确定订单的冷静期，能够充分考虑各个订单之间的差异性、以及每个订单的相关属性信息，进而合理地确定出每个订单的冷静期，一方面能提高对被取消订单的拦截成功率，另一方面能显著缩短所有订单的总等待时间，既降低了成本损失，又减小了仓库生产压力。

图1是根据本发明实施例的确定订单冷静期的方法的主要流程的示意图。

如图1所示，确定订单冷静期的方法，包括：

步骤S101、获取订单的订单属性数据、商品属性数据和用户属性数据。

订单属性数据是指与订单有关的数据，例如订单类别信息、运费信息、付款时间信息等。实际应用过程中，可以根据不同的维度划分订单类别以得到订单类别信息，例如，按照订单的支付方式可以将订单划分为在线支付订单、货到付款订单，按照订单对应的商品的来源，可以将订单划分为国内订单、全球购订单，按照订单对应的采购主体可以将订单划分为个人订单、公司订单。当一个订单被拆分成多个子订单时，订单属性数据还可以包括订单的拆分状态信息等。应当说明的是，以上列举的内容仅是对本发明实施例的订单属性数据的示例性说明，订单属性数据的具体内容可以根据实际需求进行选择，本发明实施例对此不做具体限定。以订单的订单属性数据作为预测订单的订单状态信息和订单冷静期的一个考察因子，能够充分考虑订单有关的数据对订单是否会被取消以及订单的等待时间(即订单提交之后，转入下一环节之前需要的等待时间，冷静期越短，表明需要的等待时间越短)产生的影响，使确定的出订单冷静期更加合理。

商品属性数据是指与商品有关的数据，例如商品类别信息、价格信息等。商品属性数据可以是与订单中所有商品的商品属性数据，也可以是指订单中某一个商品的商品属性数据，例如对订单状态信息具有重要影响的部分商品的商品属性数据。当一个订单被拆分成多个子订单时，商品属性数据也可以仅指某个子订单中所有或部分商品的商品属性数据。应当说明的是，以上列举的内容仅是对本发明实施例的商品属性数据的示例性说明，只要商品属性数据能够反映待分析订单的与商品有关的数据即可，商品属性数据的具体内容可以根据实际需求进行选择，本发明实施例对此不做具体限定。以订单的商品属性数据作为预测订单的订单状态信息和订单冷静期的一个考察因子，能够充分考虑商品有关的数据对订单是否会被取消以及订单的等待时间产生的影响，使确定的出订单冷静期更加合理。

用户属性数据是指与用户有关的数据，例如用户的账户等级、职业、学历、偏好商品、历史购买及取消订单记录等。以订单的用户属性数据作为预测订单的订单状态信息和订单冷静期的一个考察因子，能够充分考虑用户有关的数据对订单是否会被取消以及订单的等待时间产生的影响，使确定的出订单冷静期更加合理。

步骤S102、基于获取的数据，采用预设的分类模型预测所述订单的订单状态信息；所述订单状态信息包括：取消状态。

对于每个待分析的订单，若某一订单的订单状态信息为取消状态，则表明分类模型预测该订单会被取消，若某一订单的订单状态信息为正常状态，则表明分类模型预测该订单不会被取消。对于历史数据中的每个订单，若某一历史订单的订单状态信息为取消状态，则表明该历史订单被取消，若某一历史订单的订单状态信息为正常状态，则表明该历史订单没有被取消。

采用分类模型能够自动确定每个订单的订单状态信息。实际应用过程中，可以采用历史数据训练分类模型。由于历史订单是已经完成的订单，因此每个历史订单的订单状态信息是已知的。以历史订单中被取消订单的订单属性数据、商品属性数据和用户属性数据，以及未被取消订单的订单属性数据、商品属性数据和用户属性数据，可以训练得到订单属性数据、商品属性数据和用户属性数据与订单的订单状态信息之间的关系。以历史数据中的被取消订单和未被取消订单训练得到分类模型，模型的准确性好。

本领域技术人员可以根据应用场景的实际情况选择合适的分类模型进行训练，在一些实施例中，分类模型为：

式中，A为订单的订单状态信息，为订单的订单属性数据、商品属性数据和用户属性数据构成的向量，为订单属性数据的权重因子、商品属性数据的权重因子和用户属性数据的权重因子构成的向量，a为常量。

分类模型中的和a可以根据历史订单中被取消订单的订单属性数据、商品属性数据和用户属性数据，以及未被取消订单的订单属性数据、商品属性数据和用户属性数据，训练得到。

所述订单状态信息还可以包括：正常状态。若采用预设的分类模型预测的订单状态信息是正常状态，则表明订单有可能不会被用户取消。由于分类模型难免会存在一定程度的误差，可能会有一部分实际被取消的订单被判断错误而直接转入下一环节进行生产，造成成本的浪费。为了能尽量提高这类被取消订单的拦截率，若采用预设的分类模型预测的订单状态信息是正常状态，可以设置较短的冷静期，例如，预先设置冷静期下限，作为该类订单的冷静期。此外，设置冷静期下限也能避免将取消时长较短的被取消订单被误判为正常状态，提高对被取消订单的拦截成功率。

将待分析的订单的订单属性数据、商品属性数据和用户属性数据输入训练好的分类模型，模型的输出数据即为该订单的订单状态信息。根据订单状态信息即可判断该订单是取消状态还是正常状态。一般分类模型会输出订单状态的判断概率，通常以0.5为分界，若A大于或等于0.5，则为正类，即取消状态；若A小于0.5，则为负类，即正常状态。当训练分类模型时所采用的正负样本的比例差别较大时，需要采用不均衡样本的处理方式，如根据样本比例调整正负类订单状态的概率分界值或对样本进行针对性的采样等。

步骤S103、若所述订单的订单状态信息为取消状态，则基于获取的数据，采用预设的预测模型预测所述订单的取消时长数据。

采用预测模型能够自动确定每个订单的取消时长数据。实际应用过程中，可以采用历史数据训练预测模型。由于被取消的历史订单是已经完成的订单，因此每个被取消的历史订单的取消时长数据是已知的。以被取消的历史订单中每个订单的订单属性数据、商品属性数据和用户属性数据以及取消时长数据，可以训练得到订单属性数据、商品属性数据和用户属性数据与订单的取消时长数据之间的关系。以历史数据中的被取消订单训练得到预测模型，模型的准确性好。

本领域技术人员可以根据应用场景的实际情况选择合适的预测模型进行训练，在一些实施例中，预测模型为：

式中，T为被取消的历史订单的取消时长数据，为被取消的历史订单的订单属性数据、商品属性数据和用户属性数据构成的向量，为订单属性数据的权重因子、商品属性数据的权重因子和用户属性数据的权重因子构成的向量，b为常量，n为被取消的历史订单的数量。

预测模型中的和b可以根据被取消的历史订单的订单属性数据、商品属性数据和用户属性数据以及订单状态信息训练得到。

将取消状态的订单的订单属性数据、商品属性数据和用户属性数据输入训练好的预测模型，模型的输出数据即为该订单的取消时长数据。

步骤S104、依据所述取消时长数据，确定订单冷静期。

依据所述取消时长数据，确定所述订单的冷静期，可以包括：确定所述取消时长数据与预设的缓冲时间阈值之和；以确定出的和值作为所述订单的冷静期。通过设置缓冲时间阈值，能确保冷静期大于预测的取消时长数据，进一步提高对被取消订单的拦截成功率。

以确定出的和值作为所述订单的冷静期之前，还可以包括：将所述和值与预设的冷静期下限和冷静期上限比较；若所述和值小于或等于所述冷静期下限，则以所述冷静期下限作为所述订单的冷静期；若所述和值大于或等于所述冷静期上限，则以所述冷静期上限作为所述订单的冷静期。

由于分类模型难免会存在一定程度的误差，可能会有一部分实际被取消的订单被判断错误而直接转入下一环节进行生产，造成成本的浪费。设置冷静期下限，一方面能避免上述情况的出现，另一方面，能避免将取消时长较短的被取消订单被误判为正常状态，提高对被取消订单的拦截成功率。

设置冷静期上限，能在具有较高拦截成功率的同时尽量缩短冷静期，并避免当预测的取消时长过大而导致订单一直处于等待状态的问题。

冷静期下限τ_min的取值可以根据实际需求进行设置，在一些实施例中，可以按照如下方法确定冷静期下限：

从历史数据中获取多个被取消历史订单的取消时长数据；

根据所述分布曲线的斜率确定所述冷静期下限。

通常情况下，订单取消量随时间近似成指数分布，其表达式可写为：

P＝γ×e^-λ×τ

式中，P订单的概率密度，τ为订单的取消时长，λ和γ为待定系数。

由于被取消的历史订单是已经完成的订单，因此每个被取消的历史订单的取消时长数据是已知的。以被取消的历史订单中每个订单的取消时长数据可以训练得到式中的λ和γ。

根据指数分布的分布曲线可以获知，大部分订单会在较短时间内被取消。因此，在确定冷静期下限的取值时，可以仅采用该较短时间内被取消订单的取消时长进行计算。前述的指数分布是一个减函数，因此分布曲线的斜率小于0。分布曲线上任意一点的斜率代表该取消时长时订单被取消的概率的下降速率，随着取消时长的延长，分布曲线的斜率越来越大，表明订单被取消的概率的下降速率越慢。为了兼顾对被取消订单的拦截成功率和尽量缩短订单的等待时间，可以选择斜率为-1时的取消时长作为冷静期下限τ_min。即，令

得到

冷静期上限的取值可以根据实际需求进行设置，在一些实施例中，可以按照如下方法确定冷静期上限：

从历史数据中获取多个被取消历史订单的取消时长数据；

根据所述分布曲线，若大于或等于取消量阈值的所述被取消订单的取消时长数据小于或等于第一时长数据，则以所述第一时长数据作为所述冷静期上限。

例如，可以将90％的被取消订单被拦截成功时所对应的取消时长作为冷静期上限。以前述指数分布的分布曲线为例，则冷静期上限τ_max满足：

得到

本发明实施例可以以预测的取消时长数据与预设的缓冲时间阈值之和作为订单的冷静期。缓冲时间阈值可以根据实际需求进行设定，例如设置为1min。当然，缓冲时间阈值也可以按照如下步骤确定：

根据所述分布曲线，确定90％置信区间的宽度；

以所述90％置信区间的宽度的一半作为所述缓冲时间阈值。

图2是根据本发明可选实施例的确定订单冷静期的方法的流程示意图。如图2所述，确定订单冷静期的方法包括：

获取订单的订单属性数据、商品属性数据和用户属性数据；

基于获取的数据，采用预设的分类模型预测订单的订单状态信息；

判断订单状态信息是否为取消状态；若否，则以冷静期下限τ_min作为订单的冷静期；若是，则进入下一步；

基于获取的数据，采用预设的预测模型预测订单的取消时长数据；

确定预测的取消时长数据T与预设的缓冲时间阈值ε之和(T+ε)；

判断(T+ε)是否满足如下条件：τ_min＜T+ε＜τ_max；若是，则以(T+ε)作为订单的冷静期；若否，则进入下一步；

判断(T+ε)是否满足如下条件：T+ε≤τ_min；若是，则以τ_min作为订单的冷静期；否则，以τ_max作为订单的冷静期。

图3是根据本发明可选实施例的确定订单冷静期的方法的流程示意图。如图3所示，确定订单冷静期的方法的流程包括：

Kafka从订单系统中获取订单的订单属性数据和商品属性数据，将其传递给SparkStreaming框架中的分类模型；

分类模型从数据库中抽取与订单相匹配的用户属性数据，并结合订单属性数据和商品属性数据判断该订单的订单状态是否为取消状态(即是否会被取消)；

若判断该订单的订单状态是为正常状态(即不会被取消)，则将其冷静期设置为最小冷静时长τ_min；

若判断该订单的订单状态是为取消状态(即会被取消)，则将该订单的订单属性数据和商品属性数据下传到预测模型，同时相应的用户属性数据也会从数据库中被抽取出来，经由预测模型计算该订单的冷静期。通常，冷静期为预测模型的取消时长T加上一个很小的缓冲时间阈值ε，来确保计算出的冷静期稍大于预测的取消时长。ε可简单设定为1min或预测模型预测结果的90％置信区间宽度的一半大小。如果得到的冷静期大于或等于预先设定的冷静期上限τ_max，则将τ_max作为该订单最终的冷静时长；

Kafka获取计算出的该订单的冷静期结果，将其返回到订单系统中继而执行。

上述实施例采用Spark Streaming+Kafka的处理架构，使用Kafka来为SparkStreaming传递消息。其中Spark Streaming是分布式实时计算框架，能够采用分布式的方式来处理大规模的流式数据，适合与智能订单冷静期相匹配的应用场景。Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理网络中的所有动作流数据。在Spark框架下，有着丰富的机器学习模型可以调用，如逻辑回归和线性回归模型。同时，凭借分布式的计算框架，使得模型训练时可以使用超大体量的数据，确保模型能够从数据中学习到更全面准确的规律。

图4是根据本发明实施例的确定订单冷静期的装置的主要模块的示意图。

如图4所示，确定订单冷静期的装置400，包括：

采集模块401，获取订单的订单属性数据、商品属性数据和用户属性数据；

分类模块402，基于获取的数据，采用预设的分类模型预测所述订单的订单状态信息；所述订单状态信息包括：取消状态；

处理模块403，若所述订单的订单状态信息为取消状态，则基于获取的数据，采用预设的预测模型预测所述订单的取消时长数据；依据所述取消时长数据，确定订单冷静期。

确定所述取消时长数据与预设的缓冲时间阈值之和；

以确定出的和值作为所述订单的冷静期。

可选地，所述处理模块还用于：

从历史数据中获取多个被取消历史订单的取消时长数据；

可选地，所述处理模块还用于：

根据所述分布曲线，确定90％置信区间的宽度；

以所述90％置信区间的宽度的一半作为所述缓冲时间阈值。

一个或多个处理器；

存储装置，用于存储一个或多个程序，

图5示出了可以应用本发明实施例的确定订单冷静期的方法或确定订单冷静期的装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的确定订单冷静期的方法一般由服务器505执行，相应地，确定订单冷静期的装置一般设置于服务器505中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种确定订单冷静期的装置包括：采集模块，获取订单的订单属性数据、商品属性数据和用户属性数据；分类模块，基于获取的数据，采用预设的分类模型预测所述订单的订单状态信息；处理模块，若所述订单的订单状态信息为取消状态，则基于获取的数据，采用预设的预测模型预测所述订单的取消时长数据；依据所述取消时长数据，确定订单冷静期。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，采集模块还可以被描述为“采用预设的预测模型预测所述订单的取消时长数据的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：

获取订单的订单属性数据、商品属性数据和用户属性数据；

依据所述取消时长数据，确定订单冷静期。

根据本发明实施例的技术方案，

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims

1.一种确定订单冷静期的方法，其特征在于，包括：

获取订单的订单属性数据、商品属性数据和用户属性数据；

依据所述取消时长数据，确定订单冷静期。

2.如权利要求1所述的方法，其特征在于，依据所述取消时长数据，确定所述订单的冷静期，包括：

确定所述取消时长数据与预设的缓冲时间阈值之和；

以确定出的和值作为所述订单的冷静期。

3.如权利要求2所述的方法，其特征在于，以确定出的和值作为所述订单的冷静期之前，还包括：

将所述和值与预设的冷静期下限和冷静期上限比较；

4.如权利要求3所述的方法，其特征在于，还包括：

从历史数据中获取多个被取消历史订单的取消时长数据；

5.如权利要求4所述的方法，其特征在于，还包括：

根据所述分布曲线，确定90％置信区间的宽度；

以所述90％置信区间的宽度的一半作为所述缓冲时间阈值。

6.如权利要求3所述的方法，其特征在于，所述订单状态信息还包括：正常状态；所述方法还包括：若所述订单的订单状态信息为正常状态，则以所述冷静期下限作为所述订单的冷静期。

7.一种确定订单冷静期的装置，其特征在于，包括：

8.如权利要求7所述的装置，其特征在于，所述处理模块依据所述取消时长数据，确定所述订单的冷静期，包括：

确定所述取消时长数据与预设的缓冲时间阈值之和；

以确定出的和值作为所述订单的冷静期。

9.如权利要求8所述的装置，其特征在于，以确定出的和值作为所述订单的冷静期之前，所述处理模块还用于：

将所述和值与预设的冷静期下限和冷静期上限比较；

10.如权利要求9所述的装置，其特征在于，所述处理模块还用于：

从历史数据中获取多个被取消历史订单的取消时长数据；

11.如权利要求10所述的装置，其特征在于，所述处理模块还用于：

根据所述分布曲线，确定90％置信区间的宽度；

以所述90％置信区间的宽度的一半作为所述缓冲时间阈值。

12.如权利要求9所述的装置，其特征在于，所述订单状态信息还包括：正常状态；所述处理模块还用于：若所述订单的订单状态信息为正常状态，则以所述冷静期下限作为所述订单的冷静期。

13.一种确定订单冷静期的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。