CN110009155A - 业务区域配送难度的估计方法、装置和电子设备 - Google Patents

Abstract

本发明实施例公开了一种业务区域配送难度的估计方法、装置和电子设备。本发明实施例通过确定待估计业务区域在所在第一地理区域的配送难度概率向量，并根据待估计区域的配送难度概率向量和区域特征确定待估计区域在第二地理区域中的配送难度系数，从而根据待估计业务区域的配送难度系数确定待估计业务区域的配送难度分类。由此，较为快速、合理且准确地确定了待估计业务区域的配送难度，使得不同第一地理区域的不同业务区域可以根据相同的标准进行配送难度的估计，并能够业务区域的配送难度在后续对订单的配送时间提供较为准确的数据支持。

Description

业务区域配送难度的估计方法、装置和电子设备

技术领域

本发明公开涉及数据处理领域，具体涉及一种业务区域配送难度的估计方法、装置和电子设备。

背景技术

随着互联网的不断发展，O2O(online to offline，线上到线下)交易也变得越来越普及。业务区域的配送难度与订单的分配难度紧密相关，业务区域的配送难度越高，订单越难被分配；业务区域的配送难度越低，订单越容易被分配。因此对于电商平台或物流公司而言，需要合理、准确地确定业务区域的配送难度，从而能够在后续用于估计订单的配送时间。

发明内容

有鉴于此,本发明实施例提供了一种业务区域配送难度的估计方法、装置和电子设备，能够较为快速、合理且准确地确定待估计业务区域的配送难度，并能够业务区域的配送难度在后续对订单的配送时间提供较为准确的数据支持。

第一方面，本发明实施例提供了一种业务区域配送难度的估计方法，所述方法包括：

确定待估计业务区域所在第一地理区域；

根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域不同业务区域的历史数据训练获得；

确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得；

根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

优选地，所述根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量包括：

获取待估计业务区域的兴趣区域属性，所述兴趣区域属性包括送单位置在所述待估计业务区域内的各所述兴趣区域的订单数量的占比；

以所述兴趣区域属性为输入，根据所述分类估计模型确定所述待估计业务区域的所述配送难度估计向量。

优选地，所述待估计业务区域的区域特征包括所述待估计业务区域内顺路订单的夹角，所述顺路订单为所述待估计业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个订单。

优选地，所述待估计业务区域的区域特征还包括所述待估计业务区域内下单时间在高峰时段的订单数量的占比、单位面积订单数量、单位面积商户数量、单位面积用户数量、平均配送距离、所在第一地理区域和人均消耗参数中的至少一项。

优选地，用于训练所述分类估计模型的所述历史数据中，输入包括各所述业务区域的兴趣区域历史属性，输出为根据对应的难度参数分类获得的难度向量，所述兴趣区域历史属性包括送单位置在各所述业务区域内的各所述兴趣区域的历史订单数量的占比。

优选地，用于训练所述回归估计模型的所述历史数据中，输入包括各所述业务区域的历史配送难度估计向量和历史区域特征，输出为对应的难度参数，所述历史配送难度估计向量用于表征各所述业务区域的历史配送难度分类的概率分布，所述历史区域特征包括所述历史顺路订单的夹角，所述历史顺路订单为各所述业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个历史订单。。

优选地，所述历史区域特征还包括各所述业务区域内下单时间在高峰时段的历史订单数量的占比、单位面积历史订单数量、单位面积历史商户数量、单位面积历史用户数量、历史平均配送距离、所在第一地理区域和历史人均消耗参数中的至少一项。

第二方面，本发明实施例提供了一种业务区域配送难度的估计装置，所述装置包括：

第一地理区域确定单元，用于确定待估计业务区域所在第一地理区域；

估计向量确定单元，用于根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域不同业务区域的历史数据训练获得；

第二地理区域确定单元，用于确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

难度系数确定单元，用于以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得；

难度分类确定单元，用于根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。

第四方面，本发明实施例提供了一种电子设备，包括存储器和处理器，其中，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：

确定待估计业务区域第一地理区域；

根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述所在第一地理区域不同业务区域的历史数据训练获得；

确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得；

根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

本发明实施例通过确定待估计业务区域在所在第一地理区域的配送难度概率向量，并根据待估计区域的配送难度概率向量和区域特征确定待估计区域在第二地理区域中的配送难度系数，从而根据待估计业务区域的配送难度系数确定待估计业务区域的配送难度分类。由此，较为快速、合理且准确地确定了待估计业务区域的配送难度，使得不同第一地理区域的不同业务区域可以根据相同的标准进行配送难度的估计，并能够业务区域的配送难度在后续对订单的配送时间提供较为准确的数据支持。

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业务区域配送难度的估计方法的流程图；

图2是本发明实施例的历史顺路订单的夹角的示意图；

图3是本发明第一实施例的业务区域配送难度的估计方法的数据流程图；

图4是本发明第二实施例的业务区域配送难度的估计装置的示意图；

图5是本发明第三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公开进行描述，但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中，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公开。为了避免混淆本发明公开的实质，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。

在本发明公开的描述中，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，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在订单配送领域，业务区域的配送难度与订单的分配难度紧密相关，通常业务区域的配送难度越高，订单被接起的概率越低，因此订单越难被分配；业务区域的配送难度越低，订单被接起的概率越高，因此订单越容易被分配。因此如何确定业务区域的配送难度是十分重要的问题。

图1是本发明第一实施例的业务区域配送难度的估计方法的流程图。如图1所示，本实施例的方法包括如下步骤：

步骤S100，确定待估计业务区域所在第一地理区域。

在本实施例中，业务区域也可以被称为网格、配送单元等，能够将物理上广泛分布的各种资源(如，计算资源、存储资源、宽带资源、信息资源等)整合在一起，从而实现资源共享。第一地理区域可以为城市、区、县等。

优选地，在本步骤前，可以根据地理位置等对业务区域进行划分。还可以获取业务区域-第一地理区域的对应关系。由此可以根据业务区域-第一地理区域的对应关系获取待估计业务区域所在第一地理区域。

步骤S200，根据第一地理区域对应的分类估计模型确定待估计业务区域的配送难度估计向量。

其中，配送难度估计向量用于表征待估计业务区域在所在第一地理区域的配送难度分类的概率分布。

在本实施例中，分类估计模型可以为决策树、贝叶斯分类器、神经网络等，并根据所在第一地理区域的历史数据训练获得。模型的选择可以根据历史数据中各参数的特征和/或实际需求确定。用于训练分类模型的历史数据包括所在第一地理区域内各业务区域的兴趣区域历史属性和根据对应的难度参数分类获得的难度向量。

以神经网络为例，神经网络全称人工神经网络(Artificial Neural Network，ANN)，是由大量处理单元互联形成的信息处理模型。常见的人工神经网络包括卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network，RNN)等。ANN具有非线性(适于处理非线性信息)、非局限性(也即，一个系统的整体行为取决于处理单元间的相互作用)、非常定性(也即，具有自适应、自组织、自学习能力，能够在处理信息的过程中不断进行自我学习)和非凸性(模型的激活函数具有多个极值，这使得模型具有多个较为稳定的平衡态，从而使得模型的变化是多样的)的特点，因此能够广泛地应用于各种领域，进行较为准确的数据预测。

其中，AOI(Area Of Interest，兴趣区域，如住宅区、办公区、学校、购物区等)历史属性包括送单位置在各业务区域内的各AOI的历史订单数量的占比。例如，业务区域1内送单位置在AOI1的历史订单数量为100，送单位置在业务区域1的历史订单总量为1000，则业务区域1的AOI1历史属性为送单位置在AOI1的历史订单数量/送单位置在业务区域1的历史订单总量＝0.1。

优选地，在本步骤前，可以预先确定AOI的分类，由此可以在后续根据AOI的分类确定分类估计模型的输入。

难度参数根据各业务区域的历史平均接单时长和历史平均配送时长确定。例如，可以根据历史平均接单时长和历史平均配送时长的加权和确定。其中，历史平均接单时长和历史平均配送时长对应的权重可以根据实际需求进行确定。平均接单时长和平均配送时长越长，难度参数越大，表示业务区域在所在城市的配送难度越高。

难度向量根据难度参数分类获得。具体地，难度参数分类可以预先根据大量难度参数获取难度参数范围，并对难度参数范围进行分段获得。例如，难度参数最大为95，最小为5，则难度参数范围可以为[0,100]，可以根据需求确定难度参数的分类数量，如[0,10]等10个分类、[0,5]等20个分类等。若AOI1的难度参数为25，难度参数分类为[0,10]等10个分类，则AOI1对应的难度向量为(0,0,1,0,0,0,0,0,0,0)。

具体地，在分类估计模型的训练过程中，模型的输入为该第一地理区域内各业务区域的AOI历史属性，输出为根据难度参数分类获得的难度向量。更具体地，模型的每个输入为由该第一地理区域内任一业务区域的AOI历史属性构成的向量。例如，AOI的分类包括AOI1(住宅类AOI)、AOI2(办公楼类AOI)、AOI3(商场类AOI)、AOI4(学校类AOI)和AOI5(工厂类AOI)，业务区域1的AOI历史属性中AOI1历史属性＝0.1，AOI2历史属性＝0.2，AOI3历史属性＝0.3，AOI4历史属性＝0.15，AOI5历史属性＝0.25，则业务区域1对应的分类估计模型的输入向量为(0.1,0.2，0.3,0.15，0.25)。

由此，在获取待估计业务区域的AOI属性并将该业务区域的AOI属性输入所在第一地理区域的分类估计模型后，可以获得该业务区域的配送难度估计向量，从而对待估计业务区域在所在第一地理区域的配送难度进行估计。容易理解，AOI属性的获取方式与AOI历史属性的获取方式相似，在此不再赘述。

容易理解，不同第一地理区域内业务区域的配送难度评价标准可能不同，例如，难度参数范围不同(例如，第一地理区域1的难度参数范围为[10,50]，第一地理区域2的难度参数范围为[20,80])，或难度参数范围的分段方式不同，导致不同第一地理区域内的业务区域即使难度参数相同，难度参数分类也可能不同，从而导致对应的难度向量可能不同。

步骤S300，确定待估计业务区域所在第二地理区域。

其中，第二地理区域包括待估计地区所在第一地理区域。在本实施例中，第二地理区域可以为包括待估计地区所在第一地理区域在内的多个城市、区、县，或者国家等。

步骤S400，以配送难度估计向量和待估计业务区域的区域特征为输入，根据第二地理区域对应的回归估计模型确定待估计业务区域的配送难度系数。

由于第二地理区域内包括多个第一地理区域，不同第一地理区域的配送难度评价标准可能不同，使得不同第一地理区域的不同业务区域无法较为客观地进行配送难度的比较。因此，根据待估计业务区域的配送难度估计向量和区域特征以及第二地理区域对应的回归估计模型能够使得不同第一地理区域的不同待估计业务区域采用相同的标准进行配送难度的估计。

在本实施例中，回归估计模型可以为线性回归模型、支持向量机、神经网络等，并根据第二地理区域内的不同业务区域的历史数据训练获得。模型的选择可以根据历史数据中各参数的特征和/或实际需求确定。用于训练回归估计模型的历史数据包括各业务区域的历史配送难度估计向量、历史区域特征和对应的难度参数。

以支持向量机为例，支持向量机(Support Vector Machine，SVM)是以有监督学习的方式对数据进行二元分类的广义线性分类器，具有稀疏性(决策边界仅由支持向量决定)和稳健性(在处理问题时考虑同时最小化结构风险和经验风险)的特点，因此能够在获取较为准确的预测结果的同时降低核矩阵的计算量和内存开销。在处理非线性问题时，SVM还可以通过核方法(kernel method)进行非线性分类，具体地，可以通过非线性函数将原始的特征空间映射至更高维度的希尔伯特空间(Hilbert space)，从而将原始问题转化为线性可分问题进行处理。

其中，历史配送难度估计向量用于表征各业务区域的历史配送难度分类的概率分布。容易理解，历史配送难度估计向量的获取方式与配送难度估计向量的获取方式相似，在此不再赘述。

优选地，历史区域特征包括待估计业务区内历史顺路订单的夹角。具体地，顺路订单为待估计业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个订单。其中，第一条件可以为距离小于等于第一阈值，第二条件可以为距离小于等于第二阈值。容易理解，在历史顺路订单由多个历史订单组成时，任意两个历史订单的取单位置间的距离需满足第一条件且送单位置间的距离需满足第二条件。

图2是本发明实施例的历史顺路订单的夹角的示意图。如图2所示，21为历史订单1的取单位置(也即，商户所在位置)，22为历史订单1的送单位置(也即，用户所在位置)，23为历史订单2的取单位置，24为历史订单2的送单位置。d1为历史订单1和历史订单2的取单位置间的距离，d2为历史订单1和历史订单2的历史送单位置间的距离，且d1满足第一条件，d2满足第二条件，因此历史订单1和历史订单2为历史顺路订单。历史订单1和历史订单2的夹角为历史订单1的取单位置与送单位置的连线L1的延长线和历史订单2的取单位置与送单位置的连线L2的延长线间的夹角，也即α。

在地势起伏较小的业务区域，顺路订单的配送难度较低，配送人员在对顺路订单进行配送时，能够以较短的路程完成配送，配送人员在抢单时愿意抢较大夹角的顺路订单，因此在地势起伏较小的业务区域，顺路订单的夹角会较大。在地势起伏较大的业务区域，顺路订单的配送难度较高，配送人员在对顺路订单进行配送时，可能需要以较长的路程(也即，绕远路)完成配送，配送人员在抢单时愿意抢较小夹角的顺路订单以便于配送，因此在地势起伏较大的区域，顺路订单的夹角会较小。因此在本实施例中考虑顺路订单的夹角对业务区域配送难度的影响。

可选地，历史区域特征还可以包括各业务区域内下单时间在高峰时段的历史订单数量的占比、单位面积历史订单数量、单位面积历史商户数量、单位面积历史用户数量、历史平均配送距离、所在第一地理区域和历史人均消耗参数中的至少一项。其中，下单时间在高峰时段的历史订单数量的占比可以为预定天数的下单时间在高峰时段的历史订单数量与历史订单总量的比值，历史人均消耗参数可以为历史客单价(也即，历史平均交易金额)。容易理解，区域特征可以根据实际需求设定，且同样可以包括除上述参数外的其他参数。具体地，在回归估计模型的训练过程中，模型的输入包括第二地理区域的各业务区域的历史配送难度估计向量和历史区域特征，输出为对应的难度参数。由此可以根据相同的标准对不同第一地理区域的不同业务区域进行配送难度的估计。

由此，在将待估计业务区域的配送难度估计向量和对应的区域特征输入第二地理区域的回归估计模型后，可以获得该业务区域的配送难度系数，从而对待估计业务区域在第二地理区域的配送难度进行估计。容易理解，区域特征(包括顺路单的夹角等)的获取方式与历史区域特征的获取方式相似，在此不再赘述。

步骤S500，根据配送难度系数确定待估计业务区域的配送难度分类。

类似地，配送难度分类可以预先根据大量配送难度系数获取配送难度系数范围，并对配送难度系数范围进行分段获得。例如，配送难度系数最大为99，最小为1，则配送难度系数范围可以为[0,100]，可以根据需求确定配送难度系数的分类数量，如[0,10]等10个分类、[0,5]等20个分类等。由此，若待估计业务区域的配送难度系数为33，难度系数分类为[0,5]等20个分类，则待估计业务区域的配送难度分类为7。

图3是本发明第一实施例的业务区域配送难度的估计方法的数据流程图。参照图1，如图3所示，本实施例的数据流向如下：

步骤S100，确定待估计业务区域301所在第一地理区域302。

步骤S200，根据第一地理区域302对应的分类估计模型305确定待估计业务区域的配送难度估计向量306。

具体地，将待估计业务区域301的兴趣区域属性303输入所在第一地理区域302对应的分类估计模型305后，可以获得待估计业务区域301的配送难度估计向量306。其中，兴趣区域属性303的获取方式和所在第一地理区域302对应的分类估计模型305的训练方式在此不再赘述。

步骤S300，确定待估计业务区域301所在第二地理区域307。

其中，第二地理区域307包括待估计业务区域301所在第一地理区域302。

步骤S400，以配送难度估计向量306和待估计业务区域301的区域特征304为输入，根据第二地理区域307对应的回归估计模型308确定待估计业务区域301的配送难度系数309。

其中，区域特征304至少包括顺路订单的夹角。顺路订单的夹角、区域特征304中的其他参数以及回归估计模型308的训练方式在此不再赘述。

步骤S500，根据配送难度系数309确定待估计业务区域301的配送难度分类3010。

本实施例通过确定待估计业务区域在所在第一业务区域的配送难度概率向量，并根据待估计区域的配送难度概率向量和区域特征确定待估计区域在第二地理区域中的配送难度系数，从而根据待估计业务区域的配送难度系数确定待估计业务区域的配送难度分类。由此，较为快速、合理且准确地确定了待估计业务区域的配送难度，使得不同第一业务区域的不同业务区域可以根据相同的标准进行配送难度的估计，并能够业务区域的配送难度在后续对订单的配送时间提供较为准确的数据支持。

图4是本发明第二实施例的业务区域配送难度的估计装置的示意图。如图4所示，本实施例的装置包括城市确定单元41、估计向量确定单元42、难度系数确定单元43和难度分类确定单元44。

其中，第一地理区域确定单元41用于确定待估计业务区域所在第一地理区域。估计向量确定单元42用于根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域不同业务区域的历史数据训练获得。第二地理区域确定单元43用于确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域。难度系数确定单元44用于以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得。难度分类确定单元45用于根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

进一步地，所述估计向量确定单元42包括属性获取子单元421和估计向量确定子单元422。

其中，属性获取子单元421用于获取待估计业务区域的兴趣区域属性，所述兴趣区域属性包括送单位置在所述待估计业务区域内的各所述兴趣区域的订单数量的占比。估计向量确定子单元422用于以所述兴趣区域属性为输入，根据所述分类估计模型确定所述待估计业务区域的所述配送难度估计向量。

进一步地，所述待估计业务区域的区域特征包括所述待估计业务区域内顺路订单的夹角，所述顺路订单为所述待估计业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个订单。

进一步地，所述待估计业务区域的区域特征还包括所述待估计业务区域内下单时间在高峰时段的订单数量的占比、单位面积订单数量、单位面积商户数量、单位面积用户数量、平均配送距离、所在第一地理区域和人均消耗参数中的至少一项。

进一步地，用于训练所述分类估计模型的所述历史数据中，输入包括各所述业务区域的兴趣区域历史属性，输出为根据对应的难度参数分类获得的难度向量，所述兴趣区域历史属性包括送单位置在各所述业务区域内的各所述兴趣区域的历史订单数量的占比。

进一步地，用于训练所述回归估计模型的所述历史数据中，输入包括各所述业务区域的历史配送难度估计向量和历史区域特征，输出为对应的难度参数，所述历史配送难度估计向量用于表征各所述业务区域的历史配送难度分类的概率分布，所述历史区域特征包括所述历史顺路订单的夹角，所述历史顺路订单为各所述业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个历史订单。

进一步地，所述历史区域特征还包括各所述业务区域内下单时间在高峰时段的历史订单数量的占比、单位面积历史订单数量、单位面积历史商户数量、单位面积历史用户数量、历史平均配送距离、所在第一地理区域和历史人均消耗参数中的至少一项。

进一步地，所述难度参数根据各所述业务区域的历史平均接单时长和历史平均配送时长确定。

本实施例通过确定待估计业务区域在所在第一地理区域的配送难度概率向量，并根据待估计区域的配送难度概率向量和区域特征确定待估计区域在第二地理区域中的配送难度系数，从而根据待估计业务区域的配送难度系数确定待估计业务区域的配送难度分类。由此，较为快速、合理且准确地确定了待估计业务区域的配送难度，使得不同第一地理区域的不同业务区域可以根据相同的标准进行配送难度的估计，并能够在后续对订单的配送时间进行较为准确地估计。

图5是本发明第三实施例的电子设备的示意图。如图5所示，该电子设备：至少包括一个处理器501；以及，与至少一个处理器501通信连接的存储器502；以及，与扫描装置通信连接的通信组件503，通信组件503在处理器501的控制下接收和发送数据；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行以实现：

确定待估计业务区域所在第一地理区域；

根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域不同业务区域的历史数据训练获得；

确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得；

根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

进一步地，所述根据所述所在第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量包括：

获取待估计业务区域的兴趣区域属性，所述兴趣区域属性包括送单位置在所述待估计业务区域内的各所述兴趣区域的订单数量的占比；

以所述兴趣区域属性为输入，根据所述分类估计模型确定所述待估计业务区域的所述配送难度估计向量。

进一步地，所述待估计业务区域的区域特征包括所述待估计业务区域内顺路订单的夹角，所述顺路订单为所述待估计业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个订单。

进一步地，所述待估计业务区域的区域特征还包括所述待估计业务区域内下单时间在高峰时段的订单数量的占比、单位面积订单数量、单位面积商户数量、单位面积用户数量、平均配送距离、所在第一地理区域和人均消耗参数中的至少一项。

进一步地，用于训练所述分类估计模型的所述历史数据中，输入包括各所述业务区域的兴趣区域历史属性，输出为根据对应的难度参数分类获得的难度向量，所述兴趣区域历史属性包括送单位置在各所述业务区域内的各所述兴趣区域的历史订单数量的占比。

进一步地，用于训练所述回归估计模型的所述历史数据中，输入包括各所述业务区域的历史配送难度估计向量和历史区域特征，输出为对应的难度参数，所述历史配送难度估计向量用于表征各所述业务区域的历史配送难度分类的概率分布，所述历史区域特征包括所述历史顺路订单的夹角，所述历史顺路订单为各所述业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个历史订单。

进一步地，所述历史区域特征还包括各所述业务区域内下单时间在高峰时段的历史订单数量的占比、单位面积历史订单数量、单位面积历史商户数量、单位面积历史用户数量、历史平均配送距离、所在第一地理区域和历史人均消耗参数中的至少一项。

进一步地，所述难度参数根据各所述业务区域的历史平均接单时长和历史平均配送时长确定。

具体地，该电子设备包括：一个或多个处理器501以及存储器502，图5中以一个处理器501为例。处理器501、存储器502可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器502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501通过运行存储在存储器502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，即实现上述业务区域配送难度的估计方法。

存储器502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502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。在一些实施例中，存储器502可选包括相对于处理器501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502中，当被一个或者多个处理器501执行时，执行上述任意方法实施例中的业务区域配送难度的估计方法。

上述产品可执行本申请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，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本实施例通过确定待估计业务区域在所在第一地理区域的配送难度概率向量，并根据待估计区域的配送难度概率向量和区域特征确定待估计区域在第二地理区域中的配送难度系数，从而根据待估计业务区域的配送难度系数确定待估计业务区域的配送难度分类。由此，较为快速、合理且准确地确定了待估计业务区域的配送难度，使得不同第一地理区域的不同业务区域可以根据相同的标准进行配送难度的估计，并能够业务区域的配送难度在后续对订单的配送时间提供较为准确的数据支持。

本发明的第四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-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例公开了A1、一种业务区域配送难度的估计方法，所述方法包括：

确定待估计业务区域所在第一地理区域；

根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域的不同业务区域的历史数据训练获得；

确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据所述第二地理区域的不同业务区域的历史数据训练获得；

根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

A2、如A1所述的方法中，所述根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量包括：

获取待估计业务区域的兴趣区域属性，所述兴趣区域属性包括送单位置在所述待估计业务区域内的各所述兴趣区域的订单数量的占比；

以所述兴趣区域属性为输入，根据所述分类估计模型确定所述待估计业务区域的所述配送难度估计向量。

A3、如A1所述的方法中，所述待估计业务区域的区域特征包括所述待估计业务区域内顺路订单的夹角，所述顺路订单为所述待估计业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个订单。

A4、如A3所述的方法中，所述待估计业务区域的区域特征还包括所述待估计业务区域内下单时间在高峰时段的订单数量的占比、单位面积订单数量、单位面积商户数量、单位面积用户数量、平均配送距离、所在第一地理区域和人均消耗参数中的至少一项。

A5、如A1所述的方法中，用于训练所述分类估计模型的所述历史数据中，输入包括各所述业务区域的兴趣区域历史属性，输出为根据对应的难度参数分类获得的难度向量，所述兴趣区域历史属性包括送单位置在各所述业务区域内的各所述兴趣区域的历史订单数量的占比。

A6、如A1所述的方法中，用于训练所述回归估计模型的所述历史数据中，输入包括各所述业务区域的历史配送难度估计向量和历史区域特征，输出为对应的难度参数，所述历史配送难度估计向量用于表征各所述业务区域的历史配送难度分类的概率分布，所述历史区域特征包括所述历史顺路订单的夹角，所述历史顺路订单为各所述业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个历史订单。

A7、如A6所述的方法中，所述历史区域特征还包括各所述业务区域内下单时间在高峰时段的历史订单数量的占比、单位面积历史订单数量、单位面积历史商户数量、单位面积历史用户数量、历史平均配送距离、所在第一地理区域和历史人均消耗参数中的至少一项。

A8、如A5或A6所述的方法中，所述难度参数根据各所述业务区域的历史平均接单时长和历史平均配送时长确定。

本发明实施例还公开了B1、一种业务区域配送难度的估计装置，所述装置包括：

第一地理区域确定单元，用于确定待估计业务区域所在第一地理区域；

估计向量确定单元，用于根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域不同业务区域的历史数据训练获得；

第二地理区域确定单元，用于确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

难度系数确定单元，用于以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得；

难度分类确定单元，用于根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

B2、如B1所述的装置中，所述估计向量确定单元包括：

属性获取子单元，用于获取待估计业务区域的兴趣区域属性，所述兴趣区域属性包括送单位置在所述待估计业务区域内的各所述兴趣区域的订单数量的占比；

估计向量确定子单元，用于以所述兴趣区域属性为输入，根据所述分类估计模型确定所述待估计业务区域的所述配送难度估计向量。

B3、如B1所述的装置中，所述待估计业务区域的区域特征包括所述待估计业务区域内顺路订单的夹角，所述顺路订单为所述待估计业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个订单。

B4、如B3所述的装置中，所述待估计业务区域的区域特征还包括所述待估计业务区域内下单时间在高峰时段的订单数量的占比、单位面积订单数量、单位面积商户数量、单位面积用户数量、平均配送距离、所在第一地理区域和人均消耗参数中的至少一项。

B5、如B1所述的装置中，用于训练所述分类估计模型的所述历史数据中，输入包括各所述业务区域的兴趣区域历史属性，输出为根据对应的难度参数分类获得的难度向量，所述兴趣区域历史属性包括送单位置在各所述业务区域内的各所述兴趣区域的历史订单数量的占比。

B6、如B1所述的装置中，用于训练所述回归估计模型的所述历史数据中，输入包括各所述业务区域的历史配送难度估计向量和历史区域特征，输出为对应的难度参数，所述历史配送难度估计向量用于表征各所述业务区域的历史配送难度分类的概率分布，所述历史区域特征包括所述历史顺路订单的夹角，所述历史顺路订单为各所述业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个历史订单。

B7、如B6所述的装置中，所述历史区域特征还包括各所述业务区域内下单时间在高峰时段的历史订单数量的占比、单位面积历史订单数量、单位面积历史商户数量、单位面积历史用户数量、历史平均配送距离、所在第一地理区域和历史人均消耗参数中的至少一项。

B8、如B5或B6所述的装置中，所述难度参数根据各所述业务区域的历史平均接单时长和历史平均配送时长确定。

本发明实施例还公开了C1、一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如A1-A8中任一项所述的方法。

本发明实施例还公开了D1、一种电子设备，包括存储器和处理器，其中，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：

确定待估计业务区域所在第一地理区域；

根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域不同业务区域的历史数据训练获得；

确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得；

根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

D2、如D1所述的电子设备中，所述根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量包括：

获取待估计业务区域的兴趣区域属性，所述兴趣区域属性包括送单位置在所述待估计业务区域内的各所述兴趣区域的订单数量的占比；

以所述兴趣区域属性为输入，根据所述分类估计模型确定所述待估计业务区域的所述配送难度估计向量。

D3、如D1所述的电子设备中，所述待估计业务区域的区域特征包括所述待估计业务区域内顺路订单的夹角，所述顺路订单为所述待估计业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个订单。

D4、如D3所述的电子设备中，所述待估计业务区域的区域特征还包括所述待估计业务区域内下单时间在高峰时段的订单数量的占比、单位面积订单数量、单位面积商户数量、单位面积用户数量、平均配送距离、所在第一地理区域和人均消耗参数中的至少一项。

D5、如D1所述的电子设备中，用于训练所述分类估计模型的所述历史数据中，输入包括各所述业务区域的兴趣区域历史属性，输出为根据对应的难度参数分类获得的难度向量，所述兴趣区域历史属性包括送单位置在各所述业务区域内的各所述兴趣区域的历史订单数量的占比。

D6、如D1所述的电子设备中，用于训练所述回归估计模型的所述历史数据中，输入包括各所述业务区域的历史配送难度估计向量和历史区域特征，输出为对应的难度参数，所述历史配送难度估计向量用于表征各所述业务区域的历史配送难度分类的概率分布，所述历史区域特征包括所述历史顺路订单的夹角，所述历史顺路订单为各所述业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个历史订单。

D7、如D6所述的电子设备中，所述历史区域特征还包括各所述业务区域内下单时间在高峰时段的历史订单数量的占比、单位面积历史订单数量、单位面积历史商户数量、单位面积历史用户数量、历史平均配送距离、所在第一地理区域和历史人均消耗参数中的至少一项。

D8、如D5或D6所述的电子设备中，所述难度参数根据各所述业务区域的历史平均接单时长和历史平均配送时长确定。

本领域的普通技术人员可以理解，上述各实施例是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种业务区域配送难度的估计方法，其特征在于，所述方法包括：

确定待估计业务区域所在第一地理区域；

根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域的不同业务区域的历史数据训练获得；

确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据所述第二地理区域的不同业务区域的历史数据训练获得；

根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量包括：

获取待估计业务区域的兴趣区域属性，所述兴趣区域属性包括送单位置在所述待估计业务区域内的各所述兴趣区域的订单数量的占比；

以所述兴趣区域属性为输入，根据所述分类估计模型确定所述待估计业务区域的所述配送难度估计向量。

3.根据权利要求1所述的方法，其特征在于，所述待估计业务区域的区域特征包括所述待估计业务区域内顺路订单的夹角，所述顺路订单为所述待估计业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个订单。

4.根据权利要求3所述的方法，其特征在于，所述待估计业务区域的区域特征还包括所述待估计业务区域内下单时间在高峰时段的订单数量的占比、单位面积订单数量、单位面积商户数量、单位面积用户数量、平均配送距离、所在第一地理区域和人均消耗参数中的至少一项。

5.根据权利要求1所述的方法，其特征在于，用于训练所述分类估计模型的所述历史数据中，输入包括各所述业务区域的兴趣区域历史属性，输出为根据对应的难度参数分类获得的难度向量，所述兴趣区域历史属性包括送单位置在各所述业务区域内的各所述兴趣区域的历史订单数量的占比。

6.根据权利要求1所述的方法，其特征在于，用于训练所述回归估计模型的所述历史数据中，输入包括各所述业务区域的历史配送难度估计向量和历史区域特征，输出为对应的难度参数，所述历史配送难度估计向量用于表征各所述业务区域的历史配送难度分类的概率分布，所述历史区域特征包括所述历史顺路订单的夹角，所述历史顺路订单为各所述业务区域内取单位置间的距离满足第一条件且送单位置间的距离满足第二条件的多个历史订单。

7.根据权利要求6所述的方法，其特征在于，所述历史区域特征还包括各所述业务区域内下单时间在高峰时段的历史订单数量的占比、单位面积历史订单数量、单位面积历史商户数量、单位面积历史用户数量、历史平均配送距离、所在第一地理区域和历史人均消耗参数中的至少一项。

8.一种业务区域配送难度的估计装置，其特征在于，所述装置包括：

第一地理区域确定单元，用于确定待估计业务区域所在第一地理区域；

估计向量确定单元，用于根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域不同业务区域的历史数据训练获得；

第二地理区域确定单元，用于确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

难度系数确定单元，用于以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得；

难度分类确定单元，用于根据所述配送难度系数确定所述待估计业务区域的配送难度分类。

9.一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1-7中任一项所述的方法。

10.一种电子设备，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：

确定待估计业务区域所在第一地理区域；

根据所述第一地理区域对应的分类估计模型确定所述待估计业务区域的配送难度估计向量，所述配送难度估计向量用于表征所述待估计业务区域的配送难度分类的概率分布，其中，所述分类估计模型根据所述第一地理区域不同业务区域的历史数据训练获得；

确定所述待估计业务区域所在第二地理区域，其中，所述第二地理区域包括所述第一地理区域；

以所述配送难度估计向量和所述待估计业务区域的区域特征为输入，根据所述第二地理区域对应的回归估计模型确定所述待估计业务区域的配送难度系数，所述回归估计模型根据第二地理区域的不同业务区域的历史数据训练获得；

根据所述配送难度系数确定所述待估计业务区域的配送难度分类。