CN110400012A - 一种确定配送路径的方法及装置 - Google Patents

Abstract

本说明书公开了一种确定配送路径的方法及装置，首先根据已指派给骑手的订单中包含的任务点确定任务点集合，其次，通过对任务点集合中的任务点进行聚类确定若干簇，之后确定各簇的特征以及确定包含骑手的配送偏好特征的骑手的特征。最后根据确定出的骑手特征以及每个簇的特征，确定该骑手对应的配送路径。

Description

一种确定配送路径的方法及装置

技术领域

本申请涉及物流配送技术领域，尤其涉及一种确定配送路径的方法及装置。

背景技术

目前，配送平台为了提高配送效率，通常根据待指派订单与骑手的匹配度，在调度时刻将待指派订单指派给骑手。并且，为了提高配送效率，通常平台还会根据已经指派给骑手的订单包含的任务点，确定骑手执行配送任务的顺序。例如，假设平台已经指派给骑手X订单A、B、C，且各订单分别对应的任务点为a1、a2、b1、b2、c1以及c2，在对骑手的配送路径进行规划后，确定骑手X执行配送任务的顺序为：b1、c1、b2、a1、a2、c2。其中，任务点的标识中1表示取货位置、2表示送货位置。

在现有技术中，平台通常是基于配送路径的耗时以及配送路径的配送距离，进行配送路径规划的。其原理是通过遍历不同的任务点的配送顺序，确定每种可能的配送路径的耗时以及配送距离，并根据耗时以及配送距离对每种可能的配送路径进行打分，以最小耗时以及配送距离为优化目标，最终确定配送路径。

但是，由于骑手通常也会按照自己的偏好进行配送，这就导致平台给出的执行配送任务的顺序与实际骑手执行配送任务的顺序不完全一致。而这种不一致会导致平台对可用运力的预测出现偏差，导致基于骑手配送路径做出的决策出现问题。

发明内容

本说明书实施例提供一种确定配送路径的方法及装置，用于部分解决现有技术中存在的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种确定配送路径的方法，包括：

根据已指派给骑手的各订单中包含的任务点，确定任务点集合；

根据所述任务点集合中各任务点的位置，对所述各任务点进行聚类，得到若干簇；

根据各订单的信息确定每个簇的特征，根据各订单的信息以及所述骑手的信息，确定所述骑手的特征，其中，所述骑手的特征包含所述骑手的配送偏好特征；

根据确定出的所述骑手的特征以及每个簇的特征，确定所述骑手对应的配送路径。

可选地，所述根据确定出的所述骑手的特征以及每个簇的特征，确定所述骑手对应的配送路径，包括：

根据确定出的所述骑手的特征以及每个簇的特征，通过预先训练的预测模型，确定所述骑手选择每个簇的概率；

根据所述骑手选择每个簇的概率，确定目标簇；

从所述目标簇中选择任务点，并将选择的任务点作为最后一个任务点添加到配送路径中；

重新对所述任务点集合中未添加到所述配送路径中的任务点进行聚类，以重新选择任务点并添加到所述配送路径中，直至将所述任务点集合中的所有任务点均添加到所述配送路径中时，将所述配送路径确定为所述骑手对应的配送路径。

可选地，所述根据已指派给骑手的各订单中包含的任务点，确定任务点集合，包括：

根据所述骑手尚未取货的订单的取货位置对应的任务点以及所述骑手已经取货的订单的送货位置对应的任务点，确定所述任务点集合；

若添加到所述配送路径中的任务点为订单的取货位置对应的任务点，则相应的，所述重新对所述任务点集合中未添加到所述配送路径中的任务点进行聚类，包括：

确定所述添加到所述配送路径中的任务点对应的订单；

将确定出的订单的送货位置对应的任务点，添加到所述任务点集合中；

重新根据所述任务点集合中未添加到所述配送路径的各任务点的位置进行聚类。

可选地，所述根据所述任务点集合中各任务点的位置，对所述各订单中的任务点进行聚类，包括：

根据各任务点分别对应的订单的承诺送达时间从早到晚的顺序，依次针对所述任务点集合中未添加到所述配送路径的每个任务点，判断该任务点是否不属于已经确定出的簇；

若是，则以该任务点的位置为聚类中心点，确定与所述聚类中心距离在预设阈值内的各任务点为一个簇；

若否，则继续判断所述任务点集合中下一个未添加到所述配送路径的任务点是否不属于已经确定出的簇，直至确定出所述任务点集合中所有任务点的聚类结果为止。

可选地，所述根据各订单的信息确定每个簇的特征，包括：

根据各簇中包含的任务点数量、任务点的承诺送达时间以及任务点对应的平均配送距离中的一个或多个对各簇进行排序，根据排序结果确定每个簇的特征。

可选地，所述根据各订单的信息以及所述骑手的信息，确定所述骑手的特征，包括：

根据历史上所述骑手实际配送路径与规划配送路径的一致率，确定所述骑手的特征；和/或，

针对至少一个偏好类型，根据历史上所述骑手以该偏好类型执行的订单数量占所述骑手执行的订单总量的比例，确定所述骑手的特征；和/或，

根据所述骑手的优先级，确定所述骑手的特征；和/或，

根据当前所述骑手的负载，确定所述骑手的特征；和/或，

根据当前所述骑手尚未取货的订单数量，确定所述骑手的特征。

可选地，所述根据确定出的所述骑手的特征以及每个簇的特征，通过预先训练的预测模型，确定所述骑手选择每个簇的概率，包括：

针对每个簇，将该簇的特征以及所述骑手的特征输入所述预先训练的预测模型，得到所述骑手选择执行该簇中包含的任务点对应任务的概率，作为所述骑手选择该簇的概率。

可选地，所述从所述目标簇中选择任务点，包括：

根据所述目标簇包含的各任务点分别对应的订单的承诺送达时间，选择任务点。

本说明书提供一种确定配送路径的装置，包括：

任务点确定模块，根据已指派给骑手的各订单中包含的任务点，确定任务点集合；

聚类模块，根据所述任务点集合中各任务点的位置，对所述各任务点进行聚类，得到若干簇；

特征确定模块，根据各订单的信息确定每个簇的特征，根据各订单的信息以及所述骑手的信息，确定所述骑手的特征，其中，所述骑手的特征包含所述骑手的配送偏好特征；

路径确定模块，根据确定出的所述骑手的特征以及每个簇的特征，确定所述骑手对应的配送路径。

本说明书提供的一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述确定配送路径的方法。

本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述确定配送路径的方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

首先根据已指派给骑手的订单中包含的任务点，确定任务点集合，其次，通过对任务点集合中的任务点进行聚类确定若干簇，之后确定各簇的特征，以及确定包含骑手的配送偏好特征的骑手的特征，最后根据确定出的骑手特征以及每个簇的特征，确定该骑手对应的配送路径。通过确定出于包含骑手的配送偏好特征的起手特征，使得后续确定出的配送路径是符合骑手的配送偏好的。可更准确的得到骑手的配送路径，减少平台对可用运力的预测出现的偏差，提高基于骑手配送路径做出的决策的准确率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的一种确定配送路径的过程；

图2为本说明书实施例提供的任务点聚类的示意图；

图3为本说明书实施例提供的路径一致率示意图；

图4为本说明书实施例提供的一种确定配送路径的装置的结构示意图；

图5为本说明书实施例提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书实施例提供的一种确定配送路径的过程，具体可包括以下步骤：

S100：根据已指派给骑手的各订单中包含的任务点，确定任务点集合。

在本说明书中，具体可由配送平台的服务器执行该确定配送路径过程，因此可由服务器针对需要确定配送路径的骑手，确定骑手对应的配送路径。于是，该服务器可根据已指派给骑手的各订单中包含的任务点，确定任务点集合。而任务点集合中包含的各任务点，就是该骑手需要在配送过程中遍历到的任务点。

具体的，在本说明书中该确定出的配送路径，为确定骑手如何执行已指派给该骑手的订单的过程，因此可先确定已指派给骑手的各订单分别对应的各任务点。其中，订单对应的各任务点包括：该订单的取货位置对应的任务点以及该订单的送货位置对应的任务点。

另外，由于在确定骑手的配送路径时，针对任一订单，若骑手尚未取该订单的配送物(即，没有到达该订单的取货位置对应的任务点，执行对应的任务)，则骑手即使去了该订单的送货位置的任务点，也会因为没有配送物而无法完成配送任务。于是，在本说明书中，服务器可从各订单分别对应的各任务点中，确定当前骑手尚未取货的订单的取货位置对应的任务点，以及当前骑手已经取货的订单的送货位置对应的任务点，这些任务点都是骑手到达后可以执行对应任务的任务点，可作为当前骑手为完成配送任务可能到达的任务点，确定该任务点集合。

例如，假设已指派给骑手X的订单A、B、C，骑手X均未取货，则任务点集合中的任务点包括：订单A取货位置对应的任务点、订单B取货位置对应的任务点以及订单C取货位置对应的任务点。若订单B骑手X已经取货，则任务点集合中的任务点包括：订单A取货位置对应的任务点、订单B送货位置对应的任务点以及订单C取货位置对应的任务点。因此可见，在本说明书中，已指派给骑手的订单是骑手尚未配送完成的订单。假设当某个订单已经被配送完成了，那么该订单对应的任务点就不会在出现在任务点集合中，也就不会添加到骑手的配送路径中。

S102：根据所述任务点集合中各任务点的位置，对所述各任务点进行聚类，得到若干簇。

在本说明书中，步骤S100确定出的任务点集合中的任务点，就是可添加到骑手配送路径中的最后一个任务点的集合，而骑手的配送偏好通常与任务点的位置相关，因此服务器可先根据任务点集合中各任务点的位置，对所述各任务点进行聚类，得到若干簇。其中，任务点的位置为任务点的实际地理位置，若为取货位置对应的任务点，则可根据订单信息中包含的配送物提供方的经纬度确定，若为送货位置对应的任务点，则可根据订单信息中包含的配送物接收方的经纬度确定。

具体的，首先服务器可针对任务点集合中的每个任务点，确定该任务点对应的订单的承诺送达时间，并按照确定出的承诺送达时间从早到晚的顺序，对各任务点进行排序。其中，订单的承诺送达时间可以表示配送任务的紧急程度，例如，当前时刻距订单A的承诺送达时间为5分钟，距订单B的承诺送达时间为50分钟，则订单A对应的配送任务的紧急程度要高于订单B，一般骑手和平台都会选择优先执行订单A对应的配送任务。

之后，根据确定出的各任务点的排序，依次针对任务点集合中未添加到配送路径的每个任务点，判断该任务点是否不属于已经确定出的簇。也就是根据确定该任务点的位置，判断该任务点的位置是否没有落入已经确定出的任一簇中。

若是，则将该任务点的位置作为一个新簇的聚类中心，确定与该聚类中心的距离在预设阈值内的各任务点为一个簇。即，确定落入以该任务点的位置为中心，预设阈值为半径内的所有任务点，作为一个簇内包含的任务点，如图2所示。

图2为本说明书提供的任务点聚类的示意图，其中，每个圆形对应一个任务点的位置，圆形中的数字为任务点排序的标号，数字越小表示排序越靠前。深色圆形对应当前进行判断的任务点，浅色圆形对应任务点集合中未添加到配送路径的任务点，虚线表示确定出的簇的边界。则在对任务点集合中安排序的第一个任务点进行判断时，由于还没有确定任何簇，因此确定圆形1为簇中心点，并将预设阈值内的其他任务点(即圆形2和7)确定为该簇内的任务点。

若否，则说明该任务点的位置落入已经确定出的簇中，如图2中的圆形2对应的任务点，则服务器可继续按照排序，判断任务点集合中下一个未添加到该配送路径的任务点是否不属于已经确定出的簇，直至确定出任务点集合中所有任务点的聚类结果为止。如图2中所示的，当服务器继续判断至圆形3对应的任务点时，确定该任务点未落入已经确定的簇中，则重复确定簇中心点和确定簇包含的任务点的过程，直到确定出圆形7对应的任务点的聚类结果为止。

需要说明的是，在本说明书中通过上述方法确定出的簇，簇中心点位置对应的任务点是该簇中排序最靠前的任务点。因此，通过该聚类方法相当于基于任务点的位置以及任务点对应的订单的承诺送达时间的先后顺序，进行聚类的。一方面体现了地理位置对聚类的影响，另一方面体现了配送任务紧急程度对聚类的影响。而任务点的位置以及任务点对应的订单的配送紧急程度，为影响骑手配送偏好的主要因素，因此通过步骤S102确定出的簇，相当于按照配送偏好的类型，对任务点进行了聚类。

另外，在本说明书中并不限制该服务器具体采用的聚类方法，只要能根据各任务点对应的订单的承诺送达时间，以及各任务点的位置，进行聚类确定簇即可。例如，基于干扰的密度的聚类方法(Density-Based Spatial Clustering of Applications withNoise，DBSCAN)、凝聚层次聚类算法等等，由于具体需要聚类为几簇与各任务点的数量以及位置都有关系，因此可以采用无需预先确定簇的数量的聚类方法，或者预先设置数量合理的簇数量。

S104：根据各订单的信息确定每个簇的特征，根据各订单的信息以及所述骑手的信息，确定所述骑手的特征，其中，所述骑手的特征包含所述骑手的配送偏好特征。

在本说明书中，当确定出各簇之后，服务器可先确定每个簇的特征以及该骑手的特征。其中，对于确定簇的特征，服务器可以根据各订单的信息确定。而对于骑手的特征，服务器可以根据各订单的信息以及该骑手的信息确定。

具体的，由于簇是任务点的集合，而任务点对应的是订单，因此簇的特征是基于订单的信息确定的。服务器可根据各簇中包含的任务点数量、任务点的承诺送达时间以及任务点对应的平均配送距离中的一个或多个对各簇进行排序，根据排序结果确定每个簇的特征。

对于基于订单数量的簇的特征，服务器可根据各簇中包含的任务点的数量，确定每个簇对应的订单数量，之后按照订单数量对各簇进行排序，并根据排序结果确定每个簇的特征。其中，簇的特征可以利用相对值和绝对值中的至少一种表示。例如，假设服务器确定出簇I、簇II以及簇III，分别包含的任务点数量(即订单数量)为100、10以及50，则可确定按照数量从大到小的排序：簇I、簇III、簇II。那么根据排序结果确定出的相对值如表1所示。

簇标识	特征标识	数值
			簇I	数量排序	1
簇II	数量排序	3
			簇III	数量排序	2

表1

或者，若用绝对值来表示的话，则表1的数值从上到下分别为100、10、50。即可体现出排序的先后顺序，也可体现出实际的数量特征。

同样除了基于任务点数量进行排序，根据排序结果确定出的各簇的特征以外，服务器还可以根据各簇中包含的任务点的承诺送达时间对各簇进行排序，以根据排序结果确定每个簇的特征。其中，根据各簇中包含的任务点的承诺送达时间对各簇进行排序时，可以根据任务点的承诺送达时间的总时长进行排序，同样也可利用相对值和绝对值中的至少一种表示。并且，基于承诺送达时间确定的排序结果在用绝对值表示时，还可以通过与前述基于任务点数量确定的排序结果的绝对值，为预测模型确定簇的平均承诺送达时间提供可能。

另外，服务器还可以根据各簇中包含的任务点对应的平均配送距离对各簇进行排序，根据排序结果确定每个簇的特征。其中，针对每个任务点，该任务点对应的配送距离，可根据该任务点对应的订单的取货位置到送货位置的距离确定。同样确定出的特征可利用相对值和绝对值中的至少一种进行表示。

进一步地，在本说明书中，对于已经取货的订单来说，确定任务点对应的配送距离时，由于取货位置对应的任务点骑手已经去过，因此此时服务器可根据骑手当前位置以及该任务点的位置，确定任务点对应的配送距离，或者仍以该任务点对应的订单的取货位置到送货位置的距离，确定任务点对应的配送距离。

更进一步地，服务器也可根据任务点数量、任务点的承诺送达时间以及任务点对应的平均配送距离中的多个对各簇进行排序。例如，根据任务点数量和任务点的承诺送达时间，确定每个簇的任务点平均承诺送达时间，并进行排序。或者，先确定每个簇的任务点平均承诺送达时间，再根据任务点对应的平均配送距离，对每个簇打分，并根据打分结果进行排序。如根据公式M＝α·T+β·D确定每个簇的打分，其中，T表示簇的任务点平均承诺送达时间，D表示簇的任务点对应的平均配送距离，α和β分别为预设的权重值。

另外，对于骑手的特征的确定，服务器可根据骑手的历史数据，确定骑手实际配送路径与平台规划出的配送路径的一致率，确定骑手的特征。

具体的，服务器可以先确定骑手指定时间段内执行配送任务的数据，该指定时间段可根据需要设置，例如最近的一个月内，或最近一周内等等，本说明书不做限制。之后，针对该指定时间段内的每个调度周期，确定在该调度周期内骑手实际执行配送任务时到达任务点的顺序以及数量(即，确定在该调度周期内骑手的实际配送路径)，并根据历史数据，确定该调度周期内平台确定出的规划配送路径，之后根据实际配送路径与规划配送路径的差异，确定骑手的配送路径的一致率，作为该骑手的特征。

在本说明书中，在确定实际配送路径与规划配送路径的差异时，服务器可根据从该调度周期开始到该调度周期结束的时间顺序，依次对每个任务点，确定该任务点是否与规划配送路径中相同排序的任务点一致，若一致则继续判断下一个任务点，若不一致，则确定该任务点之前的任务点为相同的任务点。根据相同的任务点的数量，占该调度周期实际配送路径中任务点数量的比例，确定路径一致率。

例如，图3为本说明书提供的路径一致率示意图，其中圆形表示任务点，字母表示订单，数字1表示取货位置对应的任务点，数字2表示送货位置对应的任务点。图3中上方为历史上骑手实际配送路径，下方为规划配送路径，虚线分隔出不同的调度周期，箭头表示配送先后顺序。可见虚线框内的任务点为相同的任务点数量为3，实际配送路径中任务点数量为7，则在该调度周期骑手的路径一致率为3/7。

当然，指定时间段内服务器可确定出多个骑手的路径一致率，可将路径一致率的平均值，确定为骑手的特征。

另外，服务器还可针对预设的至少一个偏好类型，根据历史上该骑手以该偏好类型执行的订单数量占该骑手执行的订单总量的比例，确定骑手的特征。其中，偏好类型为预先设置的骑手执行配送任务时的偏好的类型。例如，该配送偏好可包括：交替配送、能送即送、风险优先以及距离最近等等。其中，交替配送为先将调度周期接收的订单都取货之后，再逐一进行配送。能送即送为对调度周期接收的订单，配送完一单之后再配送下一单，也就是取货之后只要能配送就优先进行配送。风险优先为对调度周期接收的订单，按照承诺配送时间从早到晚的顺序，进行配送。距离最近为选择距离自己最近的任务点执行对应的任务。

服务器可根据骑手的历史配送数据，针对至少一个偏好类型，确定在该指定时间段内，骑手按照该偏好类型执行配送订单的数量，并根据骑手在该指定时间段内执行的订单总量，确定骑手基于该偏好类型行动的占比，作为骑手的特征。当然，本说明书中列举的仅为几种偏好类型的实施例，具体偏好类型可根据需要设置，本说明书不做限定。

进一步地，由于在不同时段骑手的偏好可能不完全相同，因此上述基于偏好类型，确定出的骑手的特征，还可以增加时间维度上的约束，例如，服务器可确定早餐时段骑手风险优先偏好占比，以及晚餐时段骑手风险优先偏好占比，并分别作为两个骑手的特征。

需要说明的是，上述根据骑手实际配送路径与规划配送路径的一致率，确定出的特征，以及针对偏好类型确定出的特征，都属于骑手的配送偏好特征。

更进一步地，在本说明书中，服务器还可以根据骑手的优先级，确定骑手的特征，或者根据骑手的负载，确定骑手的特征，或者根据骑手尚未取货的订单数量，确定骑手的特征。其中，骑手的负载可包括：配送物的总重量和已取货订单的数量，可分别确定两种骑手的特征。

S106：根据确定出的所述骑手的特征以及每个簇的特征，确定所述骑手对应的配送路径。

在本说明书中，在确定出每个簇的特征以及骑手的特征后，服务器便可通过预先训练的预测模型，确定骑手选择每个簇的概率，该概率表示骑手选择执行簇中包含的任务点对应的任务的概率。而由于输入预测模型的骑手的特征包含骑手配送偏好特征，因此得到的概率是基于骑手配送偏好确定的，于是根据每个簇的概率的排序，可以确定骑手对应的配送路径。

具体的，服务器可针对每个簇，将该簇的特征以及该骑手的特征输入预先训练的预测模型，得到该骑手选择执行该簇中包含的任务点对应任务的概率，作为该骑手选择该簇的概率，则服务器可确定该骑手选择每个簇的概率。

之后，按照确定出的骑手选择每个簇的概率从高到低的顺序，依次将各簇中的任务点添加到配送路径中，得到该骑手对应的配送路径。也就是根据骑手选择簇的概率，确定骑手选择簇的偏好，再基于该偏好确定骑手执行任务的配送路径。

服务器针对每个簇，该簇中包含的任务点，可以按照该簇包含的各任务点分别对应的订单的承诺送达时间从早到晚的顺序，依次将该簇包含的各任务点作为最后一个任务点添加到配送路径中，直至将所有任务点添加到配送路径时，确定该配送路径为该骑手的配送路径。需要说明的是，在本说明书中若根据骑手选择每个簇的概率，确定该骑手对应的配送路径，则在步骤S102中对任务点进行聚类时，是根据已指派给骑手的各订单中包含的任务点进行聚类的，其中各任务点包含了已指派的订单中骑手尚未达到的各任务点。

另外，在本说明书中，该预测模型为预测骑手选择簇的概率的模型，可利用历史数据确定训练样本，以骑手实际选择的簇为优化目标，调整该预测模型的参数。

具体的，训练该预测模型的过程可包括：首先，确定训练样本，服务器可针对至少一个历史时刻，确定若干历史骑手，并针对每个历史骑手，确定在该历史时刻时的已指派给该历史骑手的订单，之后采用与步骤S100至步骤S104相同的过程，确定需要输入待训练的该预测模型的数据，作为训练样本。之后以该历史骑手在该历史时刻后，第一个到达的任务点所属的簇为优化目标，调整该预测模型的参数。直至该预测模型的预测准确率达到预设值，或者训练次数达到预设的次数为止。

其中，训练样本可根据大量历史骑手对应的历史数据确定，该历史时刻的范围可以是最近一天内。该预测模型可以是每天重新进行训练，得到次日使用的预测模型。也就是每日使用的预测模型，为根据上一日的历史数据训练得到的。

需要说明的是，该预测模型的优化目标为历史骑手实际选择的任务点所述的簇，相当于本说明书中所述的骑手对簇的选择的概率。也就是说，若历史骑手在历史时刻后，首先执行了某个簇中的任务点对应的任务，则可认为该历史骑手选择了该簇。

基于图1所示的确定配送路径的方法，根据已指派给骑手的订单中包含的任务点，确定任务点集合，再通过对任务点集合中的任务点进行聚类确定若干簇，之后确定各簇的特征，以及确定包含骑手的配送偏好特征的骑手的特征，最后根据确定出的骑手特征以及每个簇的特征，确定该骑手对应的配送路径。通过确定出于包含骑手的配送偏好特征的起手特征，使得后续确定出的配送路径是符合骑手的配送偏好的。可更准确的得到骑手的配送路径，减少平台对可用运力的预测出现的偏差，提高基于骑手配送路径做出的决策的准确率。

另外，由于服务器每次在将任一任务点作为最后一个任务点添加到配送路径后，确定配送路径中下一个任务点所基于的骑手的状态，与该任务点添加到配送路径之前骑手的状态产生的变化。如，骑手待配送的订单数量变化、骑手的负载产生变化、骑手的位置产生变化。同样的，当任务点被添加到配送路径之后，聚类所基于的任务点集合产生的变化，因此使得簇也产生了变化。因此在将任一任务点作为最后一个任务点添加到配送路径后，骑手的特征和每个簇的特征都有可能产生变化。

于是，为了更准确的选择任务点添加到配送路径中，在本说明书步骤S106中，服务器在根据骑手特征和每个簇的特征，确定骑手对应的配送路径时，可以先确定作为最后一个任务点添加到配送路径中的任务点，之后再重复步骤S100至S106的过程，再选择一个任务点添加到配送路径中。

具体的，服务器在确定骑手选择每个簇的概率之后，还可根据概率从高到底的顺序，先确定骑手选择概率最大的簇，作为目标簇。再从该目标簇中，根据该目标簇包含的各任务点分别对应的订单的承诺送达时间，选择任务点。之后，将选择的任务点作为最后一个任务点添加到配送路径中。然后，重新对该任务点集合中未添加到该配送路径中的任务点进行聚类，以重新选择任务点并添加到该配送路径中(也就是重复步骤S100至步骤S106的过程，每重复一次就选择一个任务点添加到该配送路径中)。直至将该任务点集合中的所有任务点均添加到该配送路径中时，将该配送路径确定为该骑手对应的配送路径。

其中，服务器在从该目标簇中，根据该目标簇包含的各任务点分别对应的订单的承诺送达时间，选择任务点时，可以按照承诺送达时间从早到晚的顺序，选择承诺送达时间最早的订单对应的任务点。也就是说在步骤S106中，服务器可基于骑手配送偏好确定目标簇，再根据目标簇中选择配送时间上需要优先执行的任务点，作为最后一个任务点添加到配送路径中。

每当服务器将一个任务点添加到配送路径后，则任务点集合中还有未添加到配送路径中的任务点，则服务器可以对任务点集合中未添加到所述配送路径中的任务点，重复步骤S100至步骤S106，直至将该任务点集合中的所有任务点均添加到配送路径中时，将该配送路径确定为该骑手对应的配送路径。

需要说明的是，当步骤S106中添加到配送路径中的任务点为订单的取货位置对应的任务点时，则服务器可先确定在步骤S106添加到该配送路径中的任务点对应的订单，之后再将该订单的送货位置对应的任务点，添加到该任务点集合中，再重复步骤S100至步骤S106，选择任务点添加到配送路径中。

也就是说，服务器每重复步骤S100至步骤S106一次，便可从任务点集合中选择出一个任务点，作为最后一个任务点添加到配送路径中，则最终当任务点集合中至剩余一个任务点时，服务器可直接将该任务点作为最后一个任务点添加到配送路径中，无需再重复步骤S100至步骤S106。也就是说，当已指派给骑手的各订单中包含的任务点的数量为N时，服务器需要重复N-1次步骤S100至步骤S106，以确定骑手对应的配送路径。

另外，当该配送路径中还没有其他任务点时，则首次通过步骤S106选择出的任务点，同时是该配送路径中的第一个任务点也是配送路径中最后一个任务点。

上述重复步骤S100至步骤S106，依次选择任务点并添加到配送路径中的过程，通过对任务点进行聚类，相当于基于距离对各任务点进行了分类，也就是通过分类将骑手可能执行下一个配送任务进行了分类。而后续通过确定每个簇的特征以及确定骑手的特征，使得利用基于骑手配送偏好进行训练得到的预测模型，可以预测出骑手选择每个簇的概率。最后，从根据骑手选择每个簇的概率确定出的目标簇中选择任务点，并将选择的任务点作为最后一个任务点添加到配送路径中，达到了根据骑手配送偏好以及订单的紧急程度为配送路径添加任务点的效果。骑手选择簇的概率，需要根据骑手的特征确定，因此向配送路径中添加任务点的决策是受到了骑手偏好的影响。由于每次添加任务点时都是基于骑手的配送偏好以及剩余任务点的聚类结果进行的，因此配送路径是符合骑手的配送偏好，且进行了配送效率优化的。于是通过上述过程可更准确的得到骑手的配送路径，减少平台对可用运力的预测出现的偏差，提高基于骑手配送路径做出的决策的准确率。

另外，在循环步骤S100至步骤S106的过程中，由于任务点会不断被添加至配送路径中，因此本说明书步骤S102确定的簇会随之而变，因此每个簇的特征也在变化。而对于骑手来说，当确定将取货位置对应的任务点添加至配送路径中后，骑手的负载从数量和重量上也会产生变化，同样尚未取货的订单数量也会出现变化，因此簇的特征和骑手的特征都需要重新确定，以使得到的骑手选择每个簇的概率更加准确，并最终确定出更符合该骑手配送偏好的配送路径。

于是需要说明的是，在本说明书中，当前所述骑手的负载以及当前所述骑手尚未取货的订单数量，为将任务点添加到配送路径后的负载和尚未取货的订单数量。若还没有将任一任务点添加到配送路径时，则此时骑手的负载以及骑手尚未取货的订单数量，为实际骑手的负载和骑手实际尚未取货的订单数量。

基于图1所示的确定配送路径方法，本说明书实施例还对应提供一种确定配送路径的装置的结构示意图，如图4所示。

图4为本说明书实施例提供的一种确定配送路径的装置的结构示意图，所述装置包括：

任务点确定模块200，根据已指派给骑手的各订单中包含的任务点，确定任务点集合；

聚类模块202，根据所述任务点集合中各任务点的位置，对所述各任务点进行聚类，得到若干簇；

特征确定模块204，根据各订单的信息确定每个簇的特征，根据各订单的信息以及所述骑手的信息，确定所述骑手的特征；

路径确定模块206，根据确定出的所述骑手的特征以及每个簇的特征，确定所述骑手对应的配送路径。

可选地，所述路径确定模块206，根据确定出的所述骑手的特征以及每个簇的特征，通过预先训练的预测模型，确定所述骑手选择每个簇的概率，根据所述骑手选择每个簇的概率，确定目标簇，从所述目标簇中选择任务点，并将选择的任务点作为最后一个任务点添加到配送路径中，以重新对所述任务点集合中未添加到所述配送路径中的任务点进行聚类，重新选择任务点并添加到所述配送路径中，直至将所述任务点集合中的所有任务点均添加到所述配送路径中时，将所述配送路径确定为所述骑手对应的配送路径。

可选地，任务点确定模块200，根据所述骑手尚未取货的订单的取货位置对应的任务点以及所述骑手已经取货的订单的送货位置对应的任务点，确定所述任务点集合。若添加到所述配送路径中的任务点为订单的取货位置对应的任务点，所述任务点确定模块200，确定所述添加到所述配送路径中的任务点对应的订单，将确定出的订单的送货位置对应的任务点，添加到所述任务点集合中，所述路径确定模块206，以重新根据所述任务点集合中未添加到所述配送路径的各任务点的位置进行聚类。

可选地，所述聚类模块202，根据各任务点分别对应的订单的承诺送达时间从早到晚的顺序，依次针对所述任务点集合中未添加到所述配送路径的每个任务点，判断该任务点是否不属于已经确定出的簇，若是，则以该任务点的位置为聚类中心点，确定与所述聚类中心距离在预设阈值内的各任务点为一个簇，若否，则继续判断所述任务点集合中下一个未添加到所述配送路径的任务点是否不属于已经确定出的簇，直至确定出所述任务点集合中所有任务点的聚类结果为止。

可选地，所述特征确定模块204，根据各簇中包含的任务点数量、任务点的承诺送达时间以及任务点对应的平均配送距离中的一个或多个对各簇进行排序，根据排序结果确定每个簇的特征。

可选地，所述特征确定模块204，训根据历史上所述骑手实际配送路径与规划配送路径的一致率，确定所述骑手的特征，和/或针对至少一个偏好类型，根据历史上所述骑手以该偏好类型执行的订单数量占所述骑手执行的订单总量的比例，确定所述骑手的特征，和/或根据所述骑手的优先级，确定所述骑手的特征，和/或根据当前所述骑手的负载，确定所述骑手的特征，和/或根据当前所述骑手尚未取货的订单数量，确定所述骑手的特征。

可选地，所述路径确定模块206，针对每个簇，将该簇的特征以及所述骑手的特征输入所述预先训练的预测模型，得到所述骑手选择执行该簇中包含的任务点对应任务的概率，作为所述骑手选择该簇的概率。

可选地，所述路径确定模块206，根据所述目标簇包含的各任务点分别对应的订单的承诺送达时间，选择任务点。

本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的确定配送路径的方法。

基于图1所示的确定配送路径的方法，本说明书实施例还提出了图5所示的电子设备的示意结构图。如图5，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的确定配送路径的方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、设备(系统)、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。

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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种确定配送路径的方法，其特征在于，包括：

根据已指派给骑手的各订单中包含的任务点，确定任务点集合；

根据所述任务点集合中各任务点的位置，对所述各任务点进行聚类，得到若干簇；

根据各订单的信息确定每个簇的特征，根据各订单的信息以及所述骑手的信息确定所述骑手的特征，其中，所述骑手的特征包含所述骑手的配送偏好特征；

根据确定出的所述骑手的特征以及每个簇的特征，确定所述骑手对应的配送路径。

2.如权利要求1所述的方法，其特征在于，所述根据确定出的所述骑手的特征以及每个簇的特征，确定所述骑手对应的配送路径，包括：

根据确定出的所述骑手的特征以及每个簇的特征，通过预先训练的预测模型，确定所述骑手选择每个簇的概率；

根据所述骑手选择每个簇的概率，确定目标簇；

从所述目标簇中选择任务点，并将选择的任务点作为最后一个任务点添加到配送路径中；

重新对所述任务点集合中未添加到所述配送路径中的任务点进行聚类，以重新选择任务点并添加到所述配送路径中，直至将所述任务点集合中的所有任务点均添加到所述配送路径中时，将所述配送路径确定为所述骑手对应的配送路径。

3.如权利要求2所述的方法，其特征在于，所述根据已指派给骑手的各订单中包含的任务点，确定任务点集合，包括：

根据所述骑手尚未取货的订单的取货位置对应的任务点以及所述骑手已经取货的订单的送货位置对应的任务点，确定所述任务点集合；

若添加到所述配送路径中的任务点为订单的取货位置对应的任务点，则相应的，所述重新对所述任务点集合中未添加到所述配送路径中的任务点进行聚类，包括：

确定所述添加到所述配送路径中的任务点对应的订单；

将确定出的订单的送货位置对应的任务点，添加到所述任务点集合中；

重新根据所述任务点集合中未添加到所述配送路径的各任务点的位置进行聚类。

4.如权利要求3所述的方法，其特征在于，所述根据所述任务点集合中各任务点的位置，对所述各订单中的任务点进行聚类，包括：

根据各任务点分别对应的订单的承诺送达时间从早到晚的顺序，依次针对所述任务点集合中未添加到所述配送路径的每个任务点，判断该任务点是否不属于已经确定出的簇；

若是，则以该任务点的位置为聚类中心点，确定与所述聚类中心距离在预设阈值内的各任务点为一个簇；

若否，则继续判断所述任务点集合中下一个未添加到所述配送路径的任务点是否不属于已经确定出的簇，直至确定出所述任务点集合中所有任务点的聚类结果为止。

5.如权利要求1所述的方法，其特征在于，所述根据各订单的信息确定每个簇的特征，包括：

根据各簇中包含的任务点数量、任务点的承诺送达时间以及任务点对应的平均配送距离中的一个或多个对各簇进行排序，根据排序结果确定每个簇的特征。

6.如权利要求1所述的方法，其特征在于，所述根据各订单的信息以及所述骑手的信息，确定所述骑手的特征，包括：

根据历史上所述骑手实际配送路径与规划配送路径的一致率，确定所述骑手的特征；和/或，

针对至少一个偏好类型，根据历史上所述骑手以该偏好类型执行的订单数量占所述骑手执行的订单总量的比例，确定所述骑手的特征；和/或，

根据所述骑手的优先级，确定所述骑手的特征；和/或，

根据当前所述骑手的负载，确定所述骑手的特征；和/或，

根据当前所述骑手尚未取货的订单数量，确定所述骑手的特征。

7.如权利要2所述的方法，其特征在于，所述根据确定出的所述骑手的特征以及每个簇的特征，通过预先训练的预测模型，确定所述骑手选择每个簇的概率，包括：

针对每个簇，将该簇的特征以及所述骑手的特征输入所述预先训练的预测模型，得到所述骑手选择执行该簇中包含的任务点对应任务的概率，作为所述骑手选择该簇的概率。

8.如权利要求2所述的方法，其特征在于，所述从所述目标簇中选择任务点，包括：

根据所述目标簇包含的各任务点分别对应的订单的承诺送达时间，选择任务点。

9.一种确定配送路径的装置，其特征在于，所述装置包括：

任务点确定模块，根据已指派给骑手的各订单中包含的任务点，确定任务点集合；

聚类模块，根据所述任务点集合中各任务点的位置，对所述各任务点进行聚类，得到若干簇；

特征确定模块，根据各订单的信息确定每个簇的特征，根据各订单的信息以及所述骑手的信息，确定所述骑手的特征，其中，所述骑手的特征包含所述骑手的配送偏好特征；

路径确定模块，根据确定出的所述骑手的特征以及每个簇的特征，确定所述骑手对应的配送路径。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-8任一所述的方法。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-8任一所述的方法。