CN110472910A - 确定目标配送任务节点的方法、装置及存储介质、电子设备 - Google Patents

确定目标配送任务节点的方法、装置及存储介质、电子设备 Download PDF

Info

Publication number
CN110472910A
CN110472910A CN201910663173.4A CN201910663173A CN110472910A CN 110472910 A CN110472910 A CN 110472910A CN 201910663173 A CN201910663173 A CN 201910663173A CN 110472910 A CN110472910 A CN 110472910A
Authority
CN
China
Prior art keywords
dispatching
task
task node
node
point
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.)
Pending
Application number
CN201910663173.4A
Other languages
English (en)
Inventor
陈扬
李世伟
郝井华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910663173.4A priority Critical patent/CN110472910A/zh
Publication of CN110472910A publication Critical patent/CN110472910A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开一种确定目标配送任务节点的方法、装置及存储介质、电子设备，涉及物流领域。该方法通过根据与配送员标识关联的待完成的订单，获取配送任务节点集；然后从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；最后将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点，从而可以根据实时的配送环境场景的变化，对配送员的下一个配送任务节点进行预测，提高了配送员实际进行配送的任务节点的执行顺序与预测的任务节点的执行顺序一致度，可以对待完成订单的任务执行好坏的评估提供准确的依据，提高了配送员调度系统派单的可靠性。

Description

确定目标配送任务节点的方法、装置及存储介质、电子设备
技术领域
本公开涉及物流领域，具体地，涉及一种确定目标配送任务节点的方法、装置及存储介质、电子设备。
背景技术
随着互联网行业的不断进步，外卖行业也得到迅速的发展。外卖需要配送员配送上门，由此，当客户新下外卖订单时，需要配送员调度系统调度配送员完成新下的订单任务配送。通常地，同一个配送员背负有多个待完成的订单的任务节点的配送任务，在配送员需要执行订单配送任务之前，需要对多个待完成订单的任务节点的完成次序进行预测，然后根据不同配送员的次序规划的结果预测配送时间和配送路径，并选择时间、路程最短的配送员。由此，对配送员的待完成订单的任务节点的完成次序进行预测，对配送员调度系统派单的可靠性有重要影响。
现有的对配送员的待完成订单的任务节点的完成次序预测，以完成待完成订单的所有任务节点的总时间、总路程的和作为目标函数，通过初始化生成一条较优的待完成订单的完成次序，然后不断调整各任务点的次序，最终使目标函数分值最小，从而预测出待完成订单的任务节点的完成次序。然而在实际配送场景中，由于实时环境场景的变化，配送员实际进行任务节点的执行顺序与预测的任务节点的执行顺序经常存在不一致的现象，从而不能对待完成订单的任务执行好坏的评估提供准确的依据，导致配送员调度系统派单的可靠性低。
发明内容
本公开的目的是提供一种确定目标配送任务节点的方法、装置及存储介质、电子设备，以改善上述的配送员对派单进行配送完毕后，不能对待完成订单的任务执行好坏的评估提供准确的依据，导致配送员调度系统派单的可靠性低的问题。
为了实现上述目的，本公开实施例第一方面提供了一种确定目标配送任务节点的方法，所述方法包括：
根据与配送员标识关联的待完成的订单，获取配送任务节点集；
从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；
将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点；
其中，所述任务点预测模型的目标函数包括针对每一实时配送特征，限定所述任务点预测模型输出候选配送任务节点中的任一节点，作为所述目标配送任务节点的约束函数。
可选地，所述方法还包括：
在从所述至少两个候选配送任务节点中确定目标配送任务节点之后，根据所述配送员的标识、所述配送员的实际配送任务节点更新所述实时配送特征，以及从所述配送任务节点集中剔除所述实际配送任务节点以更新所述配送任务节点集；
返回所述从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点的步骤，直到所述配送任务节点集中所有的配送任务节点被确定为目标配送任务节点。
可选地，所述方法还包括：
记录配送员进行配送的实际配送任务节点的执行先后顺序；
计算所述配送任务节点集中各配送任务节点被确定为目标配送任务节点的先后顺序与所述执行先后顺序的一致率；
当所述一致率低于预设定阈值时，重新获取训练数据样本；
根据重新获取到的多个训练数据样本再次训练所述任务点预测模型。
可选地，根据最长前缀匹配法计算所述配送任务节点集中各配送任务节点被确定为目标配送任务节点的先后顺序与所述执行先后顺序的一致率。
可选地，所述方法还包括：
根据目标配送任务节点被确定的先后顺序以及预存储的电子地图预测配送员经过所有目标配送任务节点的第一配送时间；
记录配送员实际进行配送的第二配送时间；
根据所述第一配送时间和所述第二配送时间计算准时率；
当所述准时率低于预设定阈值时，重新获取训练数据样本；
根据重新获取到的多个训练数据样本再次训练所述任务点预测模型。
可选地，在所述根据与配送员标识关联的待完成的订单，获取配送任务节点集的步骤之前，所述方法还包括：
根据历史配送任务节点集中的一个上游配送任务节点的历史配送特征、与所述上游配送节点关联的历史候选配送节点的标识、及与所述上游配送任务节点相邻的下游配送任务节点的标识构建的训练样本训练所述任务点预测模型。
可选地，所述配送任务节点包括取货点和/或送货点，所述当前配送条件为取货条件和/或送货条件。
本公开实施例第二方面提供了一种确定目标配送任务节点的装置，所述装置包括：
信息获取模块，被配置成根据与配送员标识关联的待完成的订单，获取配送任务节点集；
节点选择模块，被配置成从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；
节点确定模块，被配置成将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点；
其中，所述任务点预测模型的目标函数包括针对每一实时配送特征，限定所述任务点预测模型输出候选配送任务节点中的任一节点，作为所述目标配送任务节点的约束函数。
本公开实施例第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例第一方面提供的方法的步骤。
本公开实施例第四方面提供了一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开实施例第一方面提供的方法的步骤。
通过上述技术方案，本公开实施例提供的一种确定目标配送任务节点的方法、装置及存储介质、电子设备，通过根据与配送员标识关联的待完成的订单，获取配送任务节点集；然后从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；最后将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点，从而可以根据实时的配送环境场景的变化，对配送员的下一个配送任务节点进行预测，提高了配送员实际进行配送的任务节点的执行顺序与预测的任务节点的执行顺序一致度，可以对待完成订单的任务执行好坏的评估提供准确的依据，提高了配送员调度系统派单的可靠性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开实施例提供的一种确定目标配送任务节点的方法的应用环境示意图；
图2是本公开实施例提供的一种确定目标配送任务节点的方法的流程图；
图3是本公开实施例提供的一种确定目标配送任务节点的方法的流程图；
图4是本公开实施例提供的一种确定目标配送任务节点的方法的流程图；
图5是本公开实施例提供的一种确定目标配送任务节点的方法的流程图；
图6是本公开实施例提供的一种确定目标配送任务节点的装置的功能模块框图；
图7是本公开实施例提供的一种确定目标配送任务节点的装置的功能模块框图；
图8是本公开实施例提供的一种确定目标配送任务节点的装置的功能模块框图；
图9是本公开实施例提供的一种确定目标配送任务节点的装置的功能模块框图；
图10是本公开实施例提供的电子设备的电路连接框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
本公开实施例提供了一种确定目标配送任务节点的方法，可应用于如图1所示的应用环境中。如图1所示，客户端100、服务器200位于网络300中，通过该网络300，客户端100与服务器200进行数据交互。于本公开实施例中，客户端100中安装有至少一个应用程序(Application，APP)，与服务器200相对应，为用户提供服务。于本公开实施例中，客户端100优选为移动终端设备，例如，移动终端设备可以包括智能手机、平板电脑、电子书阅读器、膝上型便携计算机、车载电脑、穿戴式移动终端等等。如图2所示，所述方法包括：
S21：根据与配送员标识关联的待完成的订单，获取配送任务节点集。
其中，配送员标识可以为配送员打开客户端100的应用程序注册时的账号、身份证号、电话号码等等，每个配送员均具有唯一的配送员标识。配送员在工作时间内，派单系统可以根据实际情况向配送员派单，例如，派单系统根据配送员分别与商家、客户距离的远近向配送员派单。其中，配送员完成一个订单的过程为：接收到订单，前往商家取待配送商品，然后将待配送商品配送至用户地址，用户签收配送商品后，订单完成。基于上述，假设待完成的订单包括A、B、C三个新派发的订单，则任务节点集包括A订单的取货点、A订单的送货点、B订单的取货点、B订单的送货点；C订单的取货点、C订单的送货点。
S22：从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点。
其中，当前配送条件为取货条件和/或送货条件。基于上述，当前配送条件为取货条件时，符合当前配送条件的任务节点包括A订单的取货点、B订单的取货点、C订单的取货点。当配送员完成一个任务节点的任务后，例如，去A订单的取货点完成取货任务，则符合当前配送条件的任务节点更新为A订单的送货点、B订单的取货点、C订单的取货点。
S23：将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点。
具体地，实时配送特征可以包括以下配送特征：商家维度的配送特征，例如，准时率、平均取餐时长、平均等餐时长、日均单量、取餐难度系数以及商家类别等；配送员维度的配送特征，例如，出勤率、人效、完成单量、准时率、单均送达时长、日均总运单量、平均速度等；任务点维度的配送特征，例如，当前任务点与配送员的距离、当前任务点与其余任务点的最小距离、当前任务点与其余任务点的最大距离、当前任务点与其余任务点的平均距离等；区域维度的配送特征，例如，区域负载、区域内配送准时率、区域内配送员日均单量、区域内配送员数量等等。另外，还可以包括订单维度、路径维度等维度的配送特征，在此就不再一一举例说明。
其中，所述任务点预测模型的目标函数包括针对每一实时配送特征，限定所述任务点预测模型输出候选配送任务节点中的任一节点，作为所述目标配送任务节点的约束函数，通过约束函数任务点预测模型从所述至少两个候选配送任务节点中确定目标配送任务节点。可选地，任务点预测模型可以采用预先训练的极端梯度提升模型(eXtreme GradientBoosting，XGB)。
任务点预测模型可以根据历史配送任务节点集中的一个上游配送任务节点的历史配送特征、与所述上游配送节点关联的历史候选配送节点的标识、及与所述上游配送任务节点相邻的下游配送任务节点的标识构建的训练样本训练所述任务点预测模型。
本公开实施例提供的一种确定目标配送任务节点的方法，通过根据与配送员标识关联的待完成的订单，获取配送任务节点集；然后从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；最后将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点，从而可以根据实时的配送环境场景的变化，对配送员的下一个配送任务节点进行预测，提高了配送员实际进行配送的任务节点的执行顺序与预测的任务节点的执行顺序一致度，可以对待完成订单的任务执行好坏的评估提供准确的依据，提高了配送员调度系统派单的可靠性，并且每次仅对一个配送任务节点进行预测，大幅度地降低了运算时间。
可选地，如图3所示，所述方法还包括：
S24：根据所述配送员的标识、所述配送员的实际配送任务节点更新所述实时配送特征，以及从所述配送任务节点集中剔除所述实际配送任务节点以更新所述配送任务节点集。
当任务节点集包括A订单的取货点、A订单的送货点、B订单的取货点、B订单的送货点、C订单的取货点、C订单的送货点时，若确定目标配送任务节点为A订单的取货点，则更新后的配送任务点集包括A订单的送货点、B订单的取货点、B订单的送货点、C订单的取货点、C订单的送货点。对于更新所述实时配送特征可以为，例如，将配送员在执行A订单的送货点之前的地址分别与更新前的配送任务节点集各个配送任务点的距离更新为配送员在执行A订单的送货点之后的地址分别与更新后的配送任务节点集各个任务点的距离；再例如，配送员在执行A订单的送货点之前的地址所在的区域内的配送员数量更新为执行A订单的送货点之后的地址所在的区域的配送员数量等等。对每预测一个任务点即更新一次实时配送特征，从而使得每一次根据更新后的实时配送特征预测的下一个配送任务点的可靠性更高。
需要说明的是，当配送任务节点被预测出来以后，配送员的实际配送任务节点预测出来的配送任务节点，可能相同也可能不同，但是对于实时配送特征、配送任务节点集的更新可以将配送员的实际配送任务节点为依据，以更可靠的预测出下一个配送任务节点。
S25：判断所述配送任务节点集中所有的配送任务节点是否被确定过为目标配送任务节点，如果否，则返回S22。
可选地，如图4所示，所述方法还包括：
S41：记录配送员进行配送的实际配送任务节点的执行先后顺序。
例如，实际配送任务节点的执行先后顺序可以为A订单的取货点、B订单的取货点、A订单的送货点、B订单的送货点、C订单的取货点、C订单的送货点；预测的目标配送任务节点的先后顺序可以为A订单的取货点、B订单的取货点、C订单的取货点、A订单的送货点、B订单的送货点、C订单的送货点。配送员进行配送的实际配送任务节点的执行先后顺序与预测的目标配送任务节点的先后顺序可能相同，也可能不同。即是说，配送员可能会根据实际配送场景不按照预测的先后顺序执行目标配送任务节点。
S42：计算所述配送任务节点集中各配送任务节点被确定为目标配送任务节点的先后顺序与所述执行先后顺序的一致率。
可选地，根据最长前缀匹配法计算所述配送任务节点集中各配送任务节点被确定为目标配送任务节点的先后顺序与所述执行先后顺序的一致率。
基于上述，总共有6个配送任务节点，其中，位于实际配送任务节点的执行先后顺序与预测的目标配送任务节点的先后顺序中的最靠前的A订单的取货点、B订单的取货点相同，则根据最长前缀匹配法计算出的一致率为33.33％。
S43：当所述一致率低于预设定阈值时，重新获取训练数据样本。
当一致率低于预设定阈值(如60％)时，说明当前的任务点预测模型预测出的目标配送任务节点的先后顺序可参考性比较低(可能因为配送场景变化较大导致)，为了避免预测出的目标配送任务节点的先后顺序对后续的配送员造成路径配送误导，影响后续配送员的配送效率及准时性，因此，需要重新训练任务点预测模型。
S44：根据重新获取到的多个训练数据样本再次训练所述任务点预测模型。
当所述一致率低于预设定阈值(如60％)时，说明当前训练的任务节点预测模型不够精确，因此，需要重新进行训练，以得到可靠性更高的任务预测模型；新训练出的任务节点预测模型预测出的目标配送任务节点的先后顺序更贴合实际配送场景，从而不会对后续的配送员造成路径配送误导，提高了后续配送员的配送效率及准时性。
可选地，如图5所示，所述方法还包括：
S51：根据目标配送任务节点被确定的先后顺序以及预存储的电子地图预测配送员经过所有目标配送任务节点的第一配送时间。
例如，预测的目标配送任务节点的先后顺序可以为A订单的取货点、B订单的取货点、C订单的取货点、A订单的送货点、B订单的送货点、C订单的送货点；根据目标配送任务节点被确定的先后顺序以及预存储的电子地图即可规划出配送员的配送路径，并估算出配送员根据规划出的配送路径依次经过A订单的取货点、B订单的取货点、C订单的取货点、A订单的送货点、B订单的送货点、C订单的送货点的第一配送时间。
S52：记录配送员实际进行配送的第二配送时间。
配送员进行配送的实际配送任务节点的执行先后顺序与预测的目标配送任务节点的先后顺序可能相同，也可能不同。即是说，配送员可能会根据实际配送场景不按照预测的先后顺序执行目标配送任务节点，因此，需要记录配送员实际进行配送的第二配送时间。实际配送任务节点的执行先后顺序可以为A订单的取货点、B订单的取货点、A订单的送货点、B订单的送货点、C订单的取货点、C订单的送货点，则可以记录配送员依次经过A订单的取货点、B订单的取货点、A订单的送货点、B订单的送货点、C订单的取货点、C订单的送货点的第二配送时间。
S53：根据所述第一配送时间和所述第二配送时间计算准时率。
基于上述，由于预测的目标配送任务节点的先后顺序与实际配送任务节点的执行先后顺序不同，因此，第一配送时间与第二配送时间也不同。例如，第一配送时间为30分钟，第二配送时间为45分钟，则准时率为30/45＝60％
S54：当所述准时率低于预设定阈值时，重新获取训练数据样本。
当准时率低于预设定阈值(如60％)时，说明当前的任务点预测模型预测出的目标配送任务节点的先后顺序可参考性比较低(可能因为配送场景变化较大导致)，为了避免预测出的目标配送任务节点的先后顺序对后续的配送员造成路径配送误导，影响后续配送员的配送效率及准时性，因此，需要重新训练任务点预测模型。
S55：根据重新获取到的多个训练数据样本再次训练所述任务点预测模型。
当所述准时率低于预设定阈值(如60％)时，说明当前训练的任务节点预测模型不够精确，因此，需要重新进行训练，以得到可靠性更高的任务预测模型；新训练出的任务节点预测模型预测出的目标配送任务节点的先后顺序更贴合实际配送场景，从而不会对后续的配送员造成路径配送误导，提高了后续配送员的配送效率及准时性。
本公开实施例还提供了一种确定目标配送任务节点的装置600，如图6所示，所述装置600包括信息获取模块601、节点选择模块602以及节点确定模块603。其中，
信息获取模块601被配置成根据与配送员标识关联的待完成的订单，获取配送任务节点集。
节点选择模块602被配置成从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点。
节点确定模块603被配置成将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点。
其中，所述任务点预测模型的目标函数包括针对每一实时配送特征，限定所述任务点预测模型输出候选配送任务节点中的任一节点，作为所述目标配送任务节点的约束函数。根据历史配送任务节点集中的一个上游配送任务节点的历史配送特征、与所述上游配送节点关联的历史候选配送节点的标识、及与所述上游配送任务节点相邻的下游配送任务节点的标识构建的训练样本训练所述任务点预测模型。
本公开实施例提供的一种确定目标配送任务节点装置600，可以实现如下功能：根据与配送员标识关联的待完成的订单，获取配送任务节点集；从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点，从而可以根据实时的配送环境场景的变化，对配送员的下一个配送任务节点进行预测，提高了配送员实际进行配送的任务节点的执行顺序与预测的任务节点的执行顺序一致度，可以对待完成订单的任务执行好坏的评估提供准确的依据，提高了配送员调度系统派单的可靠性。
可选地，如图7所示，所述装置600还包括：
信息更新模块701，被配置成在从所述至少两个候选配送任务节点中确定目标配送任务节点之后，根据所述配送员的标识、所述配送员的实际配送任务节点更新所述实时配送特征，以及从所述配送任务节点集中剔除所述实际配送任务节点以更新所述配送任务节点集。
节点选择模块602还被配置成从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点，直到所述配送任务节点集中所有的配送任务节点被确定为目标配送任务节点。
可选地，如图8所示，所述装置600还包括：
信息记录模块801，被配置成记录配送员进行配送的实际配送任务节点的执行先后顺序。
计算模块802，被配置成计算所述配送任务节点集中各配送任务节点被确定为目标配送任务节点的先后顺序与所述执行先后顺序的一致率。
计算模块802可以具体被配置成根据最长前缀匹配法计算所述配送任务节点集中各配送任务节点被确定为目标配送任务节点的先后顺序与所述执行先后顺序的一致率。
信息获取模块601还被配置成当所述一致率低于预设定阈值时，重新获取训练数据样本。
模型训练模块803，被配置成根据重新获取到的多个训练数据样本再次训练所述任务点预测模型。
可选地，如图9所示，所述装置600还包括：
时间预测模块901，被配置成根据目标配送任务节点被确定的先后顺序以及预存储的电子地图预测配送员经过所有目标配送任务节点的第一配送时间。
时间记录模块902，被配置成记录配送员实际进行配送的第二配送时间。
计算模块903，被配置成根据所述第一配送时间和所述第二配送时间计算准时率。
信息获取模块601还被配置成当所述准时率低于预设定阈值时，重新获取训练数据样本。
模型训练模块904，被配置成根据重新获取到的多个训练数据样本再次训练所述任务点预测模型。
关于上述实施例中的装置600，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种电子设备1000的框图。例如，电子设备1000可以被提供为服务器200。参照图10，电子设备1000包括处理器1022，其数量可以为一个或多个，以及存储器1032，用于存储可由处理器1022执行的计算机程序。存储器1032中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1022可以被配置为执行该计算机程序，以执行上述的确定目标配送任务节点方法。
另外，电子设备1000还可以包括电源组件1026和通信组件1050，该电源组件1026可以被配置为执行电子设备1000的电源管理，该通信组件1050可以被配置为实现电子设备1000的通信，例如，有线或无线通信。此外，该电子设备1000还可以包括输入/输出(I/O)接口1058。电子设备1000可以操作基于存储在存储器1032的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的确定目标配送任务节点方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1032，上述程序指令可由电子设备1000的处理器1022执行以完成上述的确定目标配送任务节点方法。比如，处理器1022可以执行以下操作：根据与配送员标识关联的待完成的订单，获取配送任务节点集；从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点，从而可以根据实时的配送环境场景的变化，对配送员的下一个配送任务节点进行预测，提高了配送员实际进行配送的任务节点的执行顺序与预测的任务节点的执行顺序一致度，可以对待完成订单的任务执行好坏的评估提供准确的依据，提高了配送员调度系统派单的可靠性。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种确定目标配送任务节点的方法，其特征在于，所述方法包括：
根据与配送员标识关联的待完成的订单，获取配送任务节点集；
从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；
将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点；
其中，所述任务点预测模型的目标函数包括针对每一实时配送特征，限定所述任务点预测模型输出候选配送任务节点中的任一节点，作为所述目标配送任务节点的约束函数。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在从所述至少两个候选配送任务节点中确定目标配送任务节点之后，根据所述配送员的标识、所述配送员的实际配送任务节点更新所述实时配送特征，以及从所述配送任务节点集中剔除所述实际配送任务节点以更新所述配送任务节点集；
返回所述从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点的步骤，直到所述配送任务节点集中所有的配送任务节点被确定为目标配送任务节点。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
记录配送员进行配送的实际配送任务节点的执行先后顺序；
计算所述配送任务节点集中各配送任务节点被确定为目标配送任务节点的先后顺序与所述执行先后顺序的一致率；
当所述一致率低于预设定阈值时，重新获取训练数据样本；
根据重新获取到的多个训练数据样本再次训练所述任务点预测模型。
4.根据权利要求3所述的方法，其特征在于，根据最长前缀匹配法计算所述配送任务节点集中各配送任务节点被确定为目标配送任务节点的先后顺序与所述执行先后顺序的一致率。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据目标配送任务节点被确定的先后顺序以及预存储的电子地图预测配送员经过所有目标配送任务节点的第一配送时间；
记录配送员实际进行配送的第二配送时间；
根据所述第一配送时间和所述第二配送时间计算准时率；
当所述准时率低于预设定阈值时，重新获取训练数据样本；
根据重新获取到的多个训练数据样本再次训练所述任务点预测模型。
6.根据权利要求1-5任一所述的方法，其特征在于，在所述根据与配送员标识关联的待完成的订单，获取配送任务节点集的步骤之前，所述方法还包括：
根据历史配送任务节点集中的一个上游配送任务节点的历史配送特征、与所述上游配送节点关联的历史候选配送节点的标识、及与所述上游配送任务节点相邻的下游配送任务节点的标识构建的训练样本训练所述任务点预测模型。
7.根据权利要求1-5任一所述的方法，其特征在于，所述配送任务节点包括取货点和/或送货点，所述当前配送条件为取货条件和/或送货条件。
8.一种确定目标配送任务节点的装置，其特征在于，所述装置包括：
信息获取模块，被配置成根据与配送员标识关联的待完成的订单，获取配送任务节点集；
节点选择模块，被配置成从所述配送任务节点集选择出符合当前配送条件的至少两个候选配送任务节点；
节点确定模块，被配置成将实时配送特征和所述至少两个候选配送任务节点的标识输入预训练的任务点预测模型，以从所述至少两个候选配送任务节点中确定目标配送任务节点；
其中，所述任务点预测模型的目标函数包括针对每一实时配送特征，限定所述任务点预测模型输出候选配送任务节点中的任一节点，作为所述目标配送任务节点的约束函数。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN201910663173.4A 2019-07-22 2019-07-22 确定目标配送任务节点的方法、装置及存储介质、电子设备 Pending CN110472910A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910663173.4A CN110472910A (zh) 2019-07-22 2019-07-22 确定目标配送任务节点的方法、装置及存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910663173.4A CN110472910A (zh) 2019-07-22 2019-07-22 确定目标配送任务节点的方法、装置及存储介质、电子设备

Publications (1)

Publication Number Publication Date
CN110472910A true CN110472910A (zh) 2019-11-19

Family

ID=68509635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910663173.4A Pending CN110472910A (zh) 2019-07-22 2019-07-22 确定目标配送任务节点的方法、装置及存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN110472910A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275358A (zh) * 2020-02-25 2020-06-12 北京多禾聚元科技有限公司 派单匹配方法、装置、设备及存储介质
CN112036697A (zh) * 2020-07-28 2020-12-04 拉扎斯网络科技（上海）有限公司 一种任务分配的方法、装置、可读存储介质和电子设备
CN112541716A (zh) * 2019-09-20 2021-03-23 北京三快在线科技有限公司 选择待配送任务节点的方法、装置、存储介质和电子设备
CN112612362A (zh) * 2020-12-17 2021-04-06 拉扎斯网络科技（上海）有限公司 基于手势交互的任务执行方法及装置
CN112700200A (zh) * 2021-01-06 2021-04-23 上海燕汐软件信息科技有限公司 一种快递末端配送的方法、装置及介质
CN113139764A (zh) * 2020-01-19 2021-07-20 北京三快在线科技有限公司 派单方法、装置、存储介质及电子设备
CN113222487A (zh) * 2020-01-21 2021-08-06 北京三快在线科技有限公司 调度路径生成方法，装置，存储介质及电子设备
TWI793456B (zh) * 2019-12-13 2023-02-21 南韓商韓領有限公司 用於遞送工作者自動排期的電腦化系統以及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194656A (zh) * 2017-07-04 2017-09-22 北京惠赢天下网络技术有限公司 一种基于标准箱订单的配送路径的规划方法及装置
CN107464018A (zh) * 2017-08-01 2017-12-12 北京同城必应科技有限公司 一种配送路径优化方法和装置、计算机设备、存储介质
CN108345958A (zh) * 2018-01-10 2018-07-31 拉扎斯网络科技（上海）有限公司 一种订单出餐时间预测模型构建、预测方法、模型和装置
CN108876008A (zh) * 2018-05-11 2018-11-23 中国联合网络通信集团有限公司 快递配送方法、装置和快递车
CN109063935A (zh) * 2018-09-27 2018-12-21 北京三快在线科技有限公司 一种预测任务处理时间的方法、装置及存储介质
CN109426885A (zh) * 2017-08-28 2019-03-05 北京小度信息科技有限公司 订单分配方法和装置
CN109598368A (zh) * 2018-11-14 2019-04-09 拉扎斯网络科技（上海）有限公司 路径决策评估、订单分配方法及装置、电子设备及介质
CN109726843A (zh) * 2017-10-30 2019-05-07 阿里巴巴集团控股有限公司 配送数据预测的方法、装置和终端
CN109993382A (zh) * 2017-12-29 2019-07-09 顺丰科技有限公司 快递员派送顺序推荐方法及系统
US20190213509A1 (en) * 2018-01-10 2019-07-11 Walmart Apollo, Llc System for relational-impact based task management

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194656A (zh) * 2017-07-04 2017-09-22 北京惠赢天下网络技术有限公司 一种基于标准箱订单的配送路径的规划方法及装置
CN107464018A (zh) * 2017-08-01 2017-12-12 北京同城必应科技有限公司 一种配送路径优化方法和装置、计算机设备、存储介质
CN109426885A (zh) * 2017-08-28 2019-03-05 北京小度信息科技有限公司 订单分配方法和装置
CN109726843A (zh) * 2017-10-30 2019-05-07 阿里巴巴集团控股有限公司 配送数据预测的方法、装置和终端
CN109993382A (zh) * 2017-12-29 2019-07-09 顺丰科技有限公司 快递员派送顺序推荐方法及系统
CN108345958A (zh) * 2018-01-10 2018-07-31 拉扎斯网络科技（上海）有限公司 一种订单出餐时间预测模型构建、预测方法、模型和装置
US20190213509A1 (en) * 2018-01-10 2019-07-11 Walmart Apollo, Llc System for relational-impact based task management
CN108876008A (zh) * 2018-05-11 2018-11-23 中国联合网络通信集团有限公司 快递配送方法、装置和快递车
CN109063935A (zh) * 2018-09-27 2018-12-21 北京三快在线科技有限公司 一种预测任务处理时间的方法、装置及存储介质
CN109598368A (zh) * 2018-11-14 2019-04-09 拉扎斯网络科技（上海）有限公司 路径决策评估、订单分配方法及装置、电子设备及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ABDULRAHMAN AL-MOLEGI 等: "STF-RNN: Space Time Features-based Recurrent Neural Network for predicting people next location", 2016 IEEE SYMPOSIUM SERIES ON COMPUTATIONAL INTELLIGENCE, 13 February 2017 (2017-02-13) *
LUIS MOREIRA-MATIAS 等: "Predicting taxi–passenger demand using streaming data", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, vol. 14, no. 3, 14 June 2013 (2013-06-14), pages 1393 - 1402, XP011525551, DOI: 10.1109/TITS.2013.2262376 *
喜东东: "2021KDD论文解读：外卖配送服务中路径预测与时间预测的深度学习方法", Retrieved from the Internet <URL:https://segmentfault.com/a/1190000042570627> *
徐荣贞;刘文强;傅子洋;: "战时持续消耗型军需物资配送优化问题研究", 铁道科学与工程学报, vol. 12, no. 5, 15 October 2015 (2015-10-15), pages 1243 - 1247 *
赵丹凤: "基于智慧物流配送路径的优化研究", 中国优秀硕士学位论文全文数据库 经济与管理科学辑, 15 February 2017 (2017-02-15), pages 157 - 409 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541716A (zh) * 2019-09-20 2021-03-23 北京三快在线科技有限公司 选择待配送任务节点的方法、装置、存储介质和电子设备
TWI793456B (zh) * 2019-12-13 2023-02-21 南韓商韓領有限公司 用於遞送工作者自動排期的電腦化系統以及方法
CN113139764A (zh) * 2020-01-19 2021-07-20 北京三快在线科技有限公司 派单方法、装置、存储介质及电子设备
CN113139764B (zh) * 2020-01-19 2023-04-14 北京三快在线科技有限公司 派单方法、装置、存储介质及电子设备
CN113222487A (zh) * 2020-01-21 2021-08-06 北京三快在线科技有限公司 调度路径生成方法，装置，存储介质及电子设备
CN113222487B (zh) * 2020-01-21 2023-04-18 北京三快在线科技有限公司 调度路径生成方法，装置，存储介质及电子设备
CN111275358A (zh) * 2020-02-25 2020-06-12 北京多禾聚元科技有限公司 派单匹配方法、装置、设备及存储介质
CN112036697A (zh) * 2020-07-28 2020-12-04 拉扎斯网络科技（上海）有限公司 一种任务分配的方法、装置、可读存储介质和电子设备
CN112612362A (zh) * 2020-12-17 2021-04-06 拉扎斯网络科技（上海）有限公司 基于手势交互的任务执行方法及装置
CN112612362B (zh) * 2020-12-17 2023-04-07 拉扎斯网络科技（上海）有限公司 基于手势交互的任务执行方法及装置
CN112700200A (zh) * 2021-01-06 2021-04-23 上海燕汐软件信息科技有限公司 一种快递末端配送的方法、装置及介质
CN112700200B (zh) * 2021-01-06 2024-01-16 上海燕汐软件信息科技有限公司 一种快递末端配送的方法、装置及介质

Similar Documents

Publication Publication Date Title
CN110472910A (zh) 确定目标配送任务节点的方法、装置及存储介质、电子设备
CN104346372B (zh) 用于评估预测模型的方法和装置
WO2021017609A1 (zh) 确定预计送达时间
TWI522974B (zh) 到站時間預測系統與方法
CN108022140A (zh) 一种用车订单推荐方法、装置及服务器
US20140180978A1 (en) Instance weighted learning machine learning model
CN107633323A (zh) 核保难度预测的方法、装置、计算机设备及存储介质
US11682018B2 (en) Machine learning model and narrative generator for prohibited transaction detection and compliance
US20210090017A1 (en) Feedback-based management of delivery orders
CN109615201A (zh) 订单分配方法、装置、电子设备和存储介质
US20210089988A1 (en) Allocation and relocation in vehicle or ride-sharing systems by training of an objective function
CN109376766B (zh) 一种画像预测分类方法、装置及设备
CN109003091A (zh) 一种风险防控处理方法、装置及设备
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN112036696A (zh) 任务分配方法、任务分配装置、存储介质和电子设备
CN113554387A (zh) 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质
WO2015138272A1 (en) Two stage risk model building and evaluation
CN113393284A (zh) 订单状态提示方法和装置、存储介质和电子设备
CN115130711A (zh) 一种数据处理方法、装置、计算机及可读存储介质
CN110322337A (zh) 一种查询业务自动查复方法及装置
CN111144936B (zh) 基于用户标签的相似人群扩展方法及装置
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
CN109472616A (zh) 基于门店订单的服务方法以及装置
CN113128597B (zh) 一种用户行为特征的提取和分类预测的方法及装置
CN115984853A (zh) 文字识别方法及装置

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