CN110503353A - 一种配送区域表达方法及装置 - Google Patents
一种配送区域表达方法及装置 Download PDFInfo
- Publication number
- CN110503353A CN110503353A CN201810469934.8A CN201810469934A CN110503353A CN 110503353 A CN110503353 A CN 110503353A CN 201810469934 A CN201810469934 A CN 201810469934A CN 110503353 A CN110503353 A CN 110503353A
- Authority
- CN
- China
- Prior art keywords
- businessman
- cluster
- user
- order
- distance
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种配送区域表达方法、装置及计算机可读存储介质和电子设备。其中，所述方法包括：获取待表达的配送区域内商家、用户和历史订单信息；对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇；确定所述历史订单信息中接单商家所属的目标商家簇、下单用户所属的目标用户簇；建立所述目标商家簇和目标用户簇之间的订单流；在所述配送区域内标识所述商家簇、用户簇和订单流。
Description
技术领域
本申请涉及物流技术领域，尤其涉及一种配送区域表达方法、装置及计算机存储介质和电子设备。
背景技术
配送区域表示的是配送对象的最大可配送范围。在配送区域内一个配送订单的完整配送过程包含了用户下单、商家接单、配送系统安排配送人员配送等环节。
在相关技术中，配送区域表达方式一般基于历史订单信息，所述历史订单信息包含有下单用户和接单商家。针对每一个历史订单，在表达时，都会在配送区域上标识出下单用户和接单商家的位置，并且连接下单用户和接单商家，所述连接的线段即表示一个历史订单。由于这种表达方式针对的是每一个历史订单，因此表达的配送区域存在商家、用户、订单线段较为杂乱，特别是历史订单越多，表达的配送区域越杂乱，无法直观地体现配送区域内部的配送关系。
发明内容
有鉴于此，本申请提供一种配送区域表达方法、装置及计算机存储介质和电子设备，用于解决上述问题。
具体地，本申请是通过如下技术方案实现的：
根据本说明书实施例的第一方面，提供一种配送区域表达方法，所述方法包括：
获取待表达的配送区域内商家、用户和历史订单信息；
对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇；
确定所述历史订单信息中接单商家所属的目标商家簇、下单用户所属的目标用户簇；
建立所述目标商家簇和目标用户簇之间的订单流；
在所述配送区域内标识所述商家簇、用户簇和订单流。
可选的，所述方法还包括：
根据所述历史订单信息，从所述商家中确定出活跃商家，以及从所述用户中确定出活跃用户；
所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，包括：
对所述活跃商家进行聚类，得到商家簇，以及对所述活跃用户进行聚类，得到用户簇。
可选的，所述方法所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
统计所述商家出现在所述历史订单信息中接单商家的次数，得到所述商家的接单频次，将接单频次超过预设接单频次的商家确定为活跃商家；
统计所述用户出现在所述历史订单信息中下单用户的次数，得到所述用户的下单频次，将下单频次超过预设下单频次的用户确定为活跃用户。
可选的，所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇。
可选的，所述根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇，具体包括：
获取所述商家的经纬度坐标；
根据所述商家的经纬度坐标，计算两两商家之间的直线距离；
根据所述两两商家之间的直线距离进行聚类，得到商家簇；
获取所述用户的经纬度坐标；
根据所述用户的经纬度坐标，计算两两用户之间的直线距离；
根据所述两两用户之间的直线距离进行聚类，得到用户簇。
可选的，所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
根据所述商家之间的导航距离进行聚类，得到商家簇，以及根据所述用户之间的导航距离进行聚类，得到用户簇。
可选的，所述根据所述商家之间的导航距离进行聚类，得到商家簇，具体包括：
获取两两商家之间的导航距离；
根据两两商家之间的导航距离构建商家距离矩阵；
根据所述商家距离矩阵并基于DBSCAN算法，计算得到商家簇。
可选的，所述方法还包括：
统计所有商家簇中商家的第一数量；
计算所述第一数量与所述配送区域内商家的总数的比值；
在所述比值超过阈值的情况下，输出所述商家簇中的中心点和商家归属信息。
可选的，所述根据所述用户之间的导航距离进行聚类，得到用户簇，具体包括：
获取两两用户之间的导航距离；
根据两两用户之间的导航距离构建用户距离矩阵；
根据所述用户距离矩阵并基于k-medoids算法，计算得到用户簇。
可选的，所述k-medoids算法的参数k，通过如下方式确定：
获取所述配送区域的面积；
将所述面积除以2并取整；
将取整后的数值确定为参数k的值。
可选的，所述方法还包括：
在未获取到两两商家或者用户之间的导航距离时，获取所述两两商家或者用户的经纬度坐标；
根据所述两两商家或者用户的经纬度坐标，计算直线距离；
以所述直线距离的预设倍数作为所述两两商家或者用户之间的导航距离。
可选的，所述方法还包括：
在表达所述配送区域时，为所述商家簇、用户簇和/或订单流添加属性信息。
可选的，所述商家簇包括至少一个如下属性信息：
平均取货时长、平均配送时长、平均订单费用。
可选的，所述用户簇包括至少一个如下属性信息：
平均交付时长、平均配送时长、平均订单费用。
可选的，所述订单流包括至少一个如下属性信息：
订单占比、平均订单费用。
可选的，所述方法还包括：
在表达所述配送区域时，在所述商家簇之间、用户簇之间和/或订单流之间添加关系信息。
可选的，所述商家簇之间包括至少一个如下关系信息：
商家簇之间的距离、商家簇共现率；
其中，所述商家簇共现率反映了配送员同时配送两个商家簇内订单的比例。
可选的，所述用户簇之间包括至少一个如下关系信息：
用户簇之间的距离、用户簇共现率；
其中，所述用户簇共现率反映了配送员同时配送两个用户簇内订单的比例。
可选的，所述订单流之间包括至少一个如下关系信息：
订单流之间的顺路程度。
可选的，所述在所述配送区域内标识所述商家簇、用户簇和订单流，具体包括：
以知识图谱的方式在所述配送区域内标识所述商家簇、用户簇和订单流。
根据本说明书实施例的第二方面，提供一种配送区域表达装置，所述装置包括：
确定单元，确获取待表达的配送区域内商家、用户和历史订单信息；
聚类单元，对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇；
确定单元，确定所述历史订单信息中接单商家所属的目标商家簇、下单用户所属的目标用户簇；
建立单元，建立所述目标商家簇和目标用户簇之间的订单流；
表达单元，在所述配送区域内标识所述商家簇、用户簇和订单流。
根据本说明书实施例的第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一项所述配送区域表达方法。
根据本说明书实施例的第四方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为上述任一项所述配送区域表达方法。
本申请实施例提出的配送区域表达方案中，通过商家簇和用户簇取代了原先数量众多的商家和用户，以及通过订单流取代了数量众多的订单线段；不仅简化了配送区域中元素数量，使得更为明确配送区域内配送运行机理，方便配送平台针对性设置配送策略；另一方面还提供有商家簇、用户簇、订单流的多种属性和关系，从而丰富了配送区域的可用信息。
附图说明
图1是本申请一示例性实施例示出的一种配送区域表达方法的流程图；
图2是本申请一示例性实施例示出的DBSCAN算法聚类的流程图；
图3是本申请一示例性实施例示出的配送区域内构建的商家簇的示意图；
图4是本申请一示例性实施例示出的配送区域内构建的用户簇的示意图；
图5是本申请一示例性实施例示出的商家簇、用户簇和订单流示意图；
图6是本申请一示例性实施例示出的基于知识图谱的配送区域表达示意图；
图7是本申请一示例性实施例示出的配送区域表达装置所在的一种硬件结构图；
图8是本申请一示例性实施例示出的一种配送区域表达装置的模块示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是本申请一示例性实施例示出的一种配送区域表达的方法流程图，所述方法可以应用于进行配送区域表达的服务器(以下简称服务器)，该方法具体可以包括如下步骤：
步骤110：获取待表达的配送区域内商家、用户和历史订单信息。
举例说明，工作人员可以输入待表达的配送区域，例如输入杭州市滨江区；则服务器可以以杭州市滨江区的行政区域为待表达的配送区域，进而获取杭州市滨江区范围内的商家、用户和历史订单信息。
所以外卖场景为例，所述配送区域可以是指外卖配送区域；
所述商家可以是指在外卖平台上注册的位于配送区域内的外卖商家；
所述用户可以是指在外卖平台上注册的位于配送区域内的点餐用户。
在实际应用过程中，商家位置一般是相对固定的，而用户位置可能经常发送变化；因此，本申请中可以使用商家编码POI(Point of Interest，兴趣点)ID作为商家的唯一标识；可以使用用户所属地址编码geohash作为用户的唯一标识。
一般的订单信息可以包括接单商家、下单用户、商家经纬度、用户经纬度等。
在实际应用中，配送区域内往往存在很多不活跃的商家或者用户；例如，商家在外卖平台上注册了，但是后来因为经验不善关门了，由于平台无法获知该消息因此该商家依然存在于配送区域内。再例如，用户是可以移动的，同一用户在配送区域内可能多处进行点餐，某些地点仅点餐一次，某些地点如家、公司点餐多次，那么相对而言，点餐一次的地点该用户属于不活跃，而在家、公司该用户属于活跃用户。
为了识别配送区域内哪些是活跃商家、活跃用户，哪些是不活跃商家、不活跃用户，并排除哪些不活跃商家、不活跃用户，在本申请一实施例中，所述方法包括：
根据所述历史订单信息，从所述商家中确定出活跃商家，以及从所述用户中确定出活跃用户
所述步骤120，具体包括：
对所述活跃商家进行聚类，得到商家簇，以及对所述活跃用户进行聚类，得到用户簇。
在一实施例中，所述方法所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
统计所述商家出现在所述历史订单信息中接单商家的次数，得到所述商家的接单频次，将接单频次超过预设接单频次的商家确定为活跃商家；
统计所述用户出现在所述历史订单信息中下单用户的次数，得到所述用户的下单频次，将下单频次超过预设下单频次的用户确定为活跃用户。
通过该实施例，可以将不活跃商家和不活跃用户排除，仅针对活跃商家、活跃用户进行聚类，从而可以减少数据处理量，提升整体处理效率。
步骤120：对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇。
聚类是对物理的或者抽象的对象集合分组的过程，聚类生成的组称为簇，而簇是数据对象的集合。通常，簇内部的任意两个对象之间具有较高的相似度；属于不同的簇的两个对象间具有较高的相异度。
本申请中，通过对配送区域内的商家进行聚类，可以根据商家之间的距离作为聚类标准，从而可以将大量距离较近的商家视为一个整体进行处理，这些相似的商家集合可以称之为商家簇。以外卖场景为例，这些商家簇也可以定义为商圈。以及，通过对配送区域内的用户进行聚类，可以根据用户之间的距离作为聚类标准，从而可以将大量距离较近的用户视为一个整体进行处理，这些相似的用户集合可以称之为用户簇。以外卖场景为例，这些用户簇也可以定义为餐圈。
在一实施例中，所述步骤120，具体可以包括：
根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇。
在实际应用中，可以基于商家与商家、用户与用户之间的直线距离作为聚类条件，从而聚类得到商家簇和用户簇。
具体地，所述根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇，可以包括：
获取所述商家的经纬度坐标；
根据所述商家的经纬度坐标，计算两两商家之间的直线距离；
根据所述两两商家之间的直线距离进行聚类，得到商家簇。
获取所述用户的经纬度坐标；
根据所述用户的经纬度坐标，计算两两用户之间的直线距离；
根据所述两两用户之间的直线距离进行聚类，得到用户簇。
以下针对商家聚类加以说明，将配送区域作为一个二维平面图像，那么每一个商家的经纬度坐标即为该二维平面图像上的一个点。所述聚类可以采用DBSCAN算法进行。
所述DBSCAN算法(即基于密度的聚类算法)包含2个参数，分别为半径r和最小数量MinPoints。
以下说明DBSCAN算法聚类过程如图2所示：
A1：获取初始的半径r和最小数量MinPoints；
A2：从商家中确定任意一个未被使用过的点(即经纬度坐标点)；
A3：以当前确定的点为中心点，以r为半径确定一个圆形区域；
A4：统计所述圆形区域内包含的点的数量；
A5：在所述数量超过所述最小数量MinPoints时，确定所述圆形区域包含所有点的集合为一个用户簇，标记该中心点已使用并重复执行A1，直至所有点均已使用，执行A7；
A6：在所述数量不超过所述最小数量MinPoints时，增加半径r的值并重复执行A3；
A7：输出所确定的用户簇的中心点及商家归属。
其中，所述超过可以是指大于或者等于的情况。所述商家归属可以是商家与其所在用户簇之间的对应关系。
其中，所述半径r和最小数量MinPoints可以是人为预先设置的。一般的，在业务上，只有当商家数量达到一定量级时，用户簇才有价值；因此，在一实施例中，可以将最小数量MinPoints固定为一个数量；而半径r可以根据不同配送区域灵活调整。在一示例性实施例中，最小数量MinPoints可以固定为10，半径r初始值可以为50米，每次增加半径r的值都可以是增加50米。
其中，判断任意一点是否位于圆形区域，可以是根据该点与中心点的经纬度坐标计算出的直线距离；并在该直线距离小于或等于半径r时，确定位于圆形区域内；反之，该直线距离大于半径r时，确定不位于圆形区域内。
在一实施例中，通常可以基于覆盖率判断商家簇的有效性；例如当确定的商家簇包含的商家数量达到一定比例的时候，可以认为商家簇的覆盖率较高，即可以说明配送区域内商家聚类效果已到达理想情况，此处如果继续聚类可能会存在商家簇数量过多的问题，因此，当覆盖率达到一定阈值时，可以停止聚类的迭代，不用等到所有点均已使用才执行A7。具体地，所述步骤A5，具体可以包括，
A51：在所述数量超过所述最小数量MinPoints时，确定所述圆形区域包含所有点的集合为一个用户簇，标记该中心点已使用；
A52：统计所有商家簇中商家的第一数量；
A53：计算所述第一数量与所述配送区域内商家的总数的比值；
A54：在所述比值不超过阈值的情况下，重复执行A1；
A55：在所述比值超过阈值的情况下，执行步骤A7输出所述商家簇中的中心点和商家归属信息。
以下如图3所示一示例性的配送区域内构建的商家簇的示意图。如图3所示圈1、2、3即商家簇所在的圆形区域；配送区域内的商家以POI点标识；其中，没有位于商家簇内的商家以POI-A表示，位于商家簇内的商家以POI-B、POI-C表示，并且商家簇所在圆形区域的中心点是以POI-C表示。
以下针对用户聚类加以说明，将配送区域作为一个二维平面图像，那么每一个用户的经纬度坐标即为该二维平面图像上的一个点。所述聚类可以采用K-Medoids算法进行。
所述K-Medoids算法(即K中心点算法)包含1个参数k值；因此，计算时，首先需要确定k值。所述k值用于表示期望输出的簇的个数，例如k为2时通过K-Medoids算法可以聚类出2个用户簇。
一般的，如果k值过大，则各用户簇包含的用户数量会偏小，不具有统计意义；如果k值过大，则各用户簇的面积会偏大，容易出现用户簇内用户之间的距离较远的情况下，违背了将距离较近的用户视为一个整体的初衷。因此，本申请采用一种根据配送区域面积得出k值的计算方式。具体地，所述K-Medoids算法的参数k，通过如下方式确定：
获取所述配送区域的面积；
将所述面积除以2并取整；
将取整后的数值确定为参数k的值。
举例说明。假设某配送区域的面积为9平方米，则9除以2取整为可以为4(也可以为5，根据具体设置的取整规则决定)；即k值为4，那么最终聚类后可以得到4个用户簇。
由于K-Medoids算法是本领域常用的聚类算法，此处不再详细赘述K-Medoids算法聚类过程。需要说明的是，与商家簇不同的是，商家簇输出的是中心点和商家归属信息；而用户簇输出的可以是中心点。
以下如图4所示的一示例性的配送区域内构建的用户簇的示意图，图4中配送区域内标识出的是每个用户簇的中心点，该中心点表示了用户簇的中心；一般中心点也是一个用户，如前所述中心点可以使用用户所属地址编码geohash标识。
在实际配送业务场景下，商家之间的实际距离可能受到道路、建筑物等物理环境的影响，并非是简单的根据经纬度坐标换算出的直线距离；例如，道路存在弯曲，因此实际距离会大于直线距离；再例如，同样两个商家，从A商家到B商家，和B商家到A商家的距离都可能存在差异，比如由于A商家到B的商家的道路是单向通行的，如果从B商家到A商家则不能原路返回需要走其它道路，因此A商家到B商家，和B商家到A商家的距离也是不同的。在前一实施例中，商家聚类过程中仅参考的是商家之间的直线距离，并未考虑到实际配送业务场景下的物理环境因素的影响，可能会导致聚类得出的商家簇存在准确的问题。
同样地，用户之间的实际距离也可能受到道路、建筑物等物理环境的影响，并非是简单的根据经纬度坐标换算出的直线距离。在前一实施例中，用户聚类过程中仅参考的是用户之间的直线距离，并未考虑到实际配送业务场景下的物理环境因素的影响，可能会导致聚类得出的用户簇存在准确的问题。
为了解决该问题，本申请另一实施例中，采用商家与商家之间的导航距离作为实际距离，采用用户与用户之间的导航距离作为实际距离；所述导航距离是根据导航软件计算出的距离，这样计算出的距离已经考虑了物流环境因素，因此可以认为导航距离即为实际距离。通常，配送系统在进行配送调度时，会计算有商家-商家之间的导航距离，并记录在商家导航距离日志中；以及可以将用户-用户之间的导航距离记录在经纬度导航距离日志中。具体地，所述步骤120，可以包括：
根据所述商家之间的导航距离进行聚类，得到商家簇，以及根据所述用户之间的导航距离进行聚类，得到用户簇。
在一实施例中，所述根据所述商家之间的导航距离进行聚类，得到商家簇，具体包括：
获取两两商家之间的导航距离；
根据两两商家之间的导航距离构建商家距离矩阵；
根据所述商家距离矩阵并基于DBSCAN算法，计算得到商家簇。
其中，如前所述可以是从商家导航距离日志中获取的两两商家之间的导航距离。
以下以一个示例性例子加以说明，配送区域内存在a，b，c，d这4个商家；两两商家组合的方式有种，假设两两导航距离如下表1所示：
表1
| a | b | c | d | |
| a | 0 | 184 | 220 | 177 |
| b | 184 | 0 | 45 | 123 |
| c | 250 | 45 | 0 | 130 |
| d | 210 | 152 | 140 | 0 |
其中，a到b的导航距离为184；b到a的导航距离为184；
a到c的导航距离为220；c到a的导航距离为250；
a到d的导航距离为177；d到a的导航距离为210；
b到c的导航距离为45；c到b的导航距离为45；
b到d的导航距离为123；d到b的导航距离为152；
c到d的导航距离为130；d到c的导航距离为140；单位均为米。
则，构建商家距离矩阵可以为：
进一步的，根据所述商家矩阵中商家与商家之间的导航距离，并基于DBSCAN算法，计算得到商家簇。此处，DBSCAN算法聚类过程与前一实施例相同，此处不再赘述。另，同样可以采用商家的覆盖率判断商家簇的有效性，此次也不再赘述。
以a，c两商家为例，假设半径为230，
以a为中心点时，判断c是否位于圆形区域是根据a到c的导航距离即220，由于小于半径，可以确定c位于以a为中心点的圆形区域内；
而当以c为中心点，判断a是否位于圆形区域是根据c到a的导航距离即250，由于大于半径，可以确定a不位于以c为中心点的圆形区域内；
同样是a和c的两家商家，在前一实施例采用直线距离时，得到的必定是同样的结果；而采用导航距离时，考虑了实际配送业务中物理环境因素，可能得到完全不同的结果，因此基于导航距离聚类得到的商家簇更为准确。
在一实施例中，在未获取到两两商家之间的导航距离时，获取所述两两商家的经纬度坐标；
根据所述两两商家的经纬度坐标，计算直线距离；
以所述直线距离的预设倍数作为所述两两商家之间的导航距离。
在实际应用中，商家导航距离日志中可能会存在部分数据缺失的情况，针对缺失的导航距离，本申请中可以采用直线距离的预设倍数作为导航距离。所述预设倍数可以是人为预先设置的经验值，例如可以设置为1.414倍。
在一实施例中，所述根据所述用户之间的导航距离进行聚类，得到用户簇，具体包括：
获取两两用户之间的导航距离；
根据两两用户之间的导航距离构建用户距离矩阵；
根据所述用户距离矩阵并基于K-Medoids算法，计算得到用户簇。
其中，如前所述可以是从经纬度导航距离日志中获取的两两用户之间的导航距离。
所述构建用户距离矩阵与前述构建商家距离矩阵类似，此处不再进行赘述。
通过本实施例采用导航距离时，由于考虑了实际配送业务中物理环境因素，因此基于导航距离聚类得到的用户簇可以更为准确。
在一实施例中，在未获取到两两用户之间的导航距离时，获取所述两两用户的经纬度坐标；
根据所述两两用户的经纬度坐标，计算直线距离；
以所述直线距离的预设倍数作为所述两两用户之间的导航距离。
在实际应用中，经纬度导航距离日志中可能会存在部分数据缺失的情况，针对缺失的导航距离，本申请中可以采用直线距离的预设倍数作为导航距离。所述预设倍数可以是人为预先设置的经验值，例如可以设置为1.414倍。
步骤130：确定所述历史订单信息中接单商家所属的目标商家簇、下单用户所属的目标用户簇。
步骤140：建立所述目标商家簇和目标用户簇之间的订单流。
经过前述步骤120、130聚类之后，可以根据历史订单信息中包含的接单商家-下单用户，确定<目标商家簇，目标用户簇>对。并建立所述目标商家簇和目标用户簇之间的订单流；其中，所述订单流的方向为目标商家簇指向目标用户簇。
步骤150：在所述配送区域内标识所述商家簇、用户簇和订单流。
如图5中左边的图a为现有的商家、用户、订单示意图，右边的图b为应用本申请实施例得出的商家簇、用户簇和订单流示意图；可以图b与图a相比，本申请提出的配送区域表达中，通过商家簇和用户簇取代了原先数量众多的商家和用户，以及通过订单流取代了数量众多的订单；不仅简化了配送区域中元素数量，使得更为明确配送区域内配送运行机理，方便配送平台针对性设置配送策略。
在一实施例中，在表达配送区域时，可以为所述商家簇、用户簇和/或订单流添加属性信息。
通过为所述商家簇、用户簇和/或订单流添加属性信息，可以方便工作人员快速了解配送区域内商家簇、用户簇、订单流反映的一些属性，从而更加合理的调节配送区域内配送策略，例如针对引导配送员去往热点区域(商家簇区域)；将顺利程度到订单流的订单分配给同一配送员等等。
在一实施例中，所述商家簇包括至少一个如下属性信息：
平均取货时长、平均配送时长、平均订单费用。
其中，所述平均取货时长反映了商家簇内配送员取货的难易程度；
计算方式为：商家簇内所有历史订单信息中的取货时长的均值。所述取货时长可以是指商家接收用户订单到配送员成功在商家处取到货的时长。
所述平均配送时长反映了商家簇内订单配送的难易程度；
计算方式为：商家簇内所有历史订单信息中的配送时长的均值。所述配送时长可以是指配送员在商家处取到货到配送员到达用户处的时长。
所述平均订单费用反映了商家簇内用户消费水平；
计算方式为：商家簇内所有历史订单信息中的费用的均值。所述订单费用可以包括用户购买物品的费用以及配送费用之和。
在一实施例中所述用户簇包括至少一个如下属性信息：
平均交付时长、平均配送时长、平均订单费用。
其中，所述平均交付时长反映了用户簇内交付用户的难易程度；
计算方式为：用户簇内所有历史订单信息中的交付时长的均值。所述交付时长可以是指配送员到达用户处到用户确认接收的时长。
所述平均配送时长反映了用户簇内订单配送的难易程度；
计算方式为：用户簇内所有历史订单信息中的配送时长的均值。所述配送时长可以是指配送员在商家处取到货到配送员到达用户处的时长。
所述平均订单费用反映了用户簇内用户的消费水平；
计算方式为：用户簇内所有历史订单信息中的费用的均值。所述订单费用可以包括用户购买物品的费用以及配送费用之和。
在一实施例中，所述订单流包括至少一个如下属性信息：
订单占比、平均订单费用。
其中，所述订单占比反映了订单流的重要程度；
计算方式为：订单流内订单数量除以配送区域内总订单数量。
所述平均订单费用反映了订单流方向上用户的消费水平；
计算方式为：订单流内所有历史订单信息中的费用的均值。所述订单费用可以包括用户购买物品的费用以及配送费用之和。
在一实施例中，在表达所述配送区域时，在所述商家簇之间、用户簇之间和/或订单流之间添加关系信息。
通过为所述商家簇之间、用户簇之间和/或订单流之间添加关系信息，可以方便工作人员快速了解配送区域内商家簇之间的关系、用户簇之间的关系、订单流之间的关系，从而更加合理的调节配送区域内配送策略。
在一实施例中，所述商家簇之间包括至少一个如下关系信息：
商家簇之间的距离、商家簇共现率；
其中，所述商家簇之间的距离反映了商家簇之间的临近程度；
计算方式为：两两商家簇的中心点的距离。所述距离可以是直线距离也可以是导航距离。
所述商家簇共现率反映了配送员同时配送两个商家簇内订单的比例；
计算方式为：两两商家簇内相同历史订单数量除以这两个商家簇内历史订单之和。举例说明，假设商家簇A有a个订单，商家簇B有b个订单；如果存在c个同一订单；则商家簇A和商家簇B的共现率为c/(a+b)。
在一实施例中，所述用户簇之间包括至少一个如下关系信息：
用户簇之间的距离、用户簇共现率；
其中，所述用户簇之间的距离反映了用户簇之间的临近程度；
计算方式为：两两用户簇的中心点的距离。所述距离可以是直线距离也可以是导航距离。
所述用户簇共现率反映了配送员同时配送两个用户簇内订单的比例；
计算方式为：两两用户簇内相同历史订单数量除以这两个用户簇内历史订单之和。举例说明，假设用户簇A有a个订单，用户簇B有b个订单；如果存在c个同一订单；则用户簇A和用户簇B的共现率为c/(a+b)。
在一实施例中，订单流之间的顺路程度。
计算方式：两两订单流最小配送距离除以这两个订单流的距离之和。举例说明，假设两订单流A的配送距离为a，订单流B的配送距离为b；如果存在订单流A、B的最小配送距离c；则订单流A和订单流B的顺利程度为c/(a+b)。
在一实施例中，所述步骤150，具体包括：
以知识图谱的方式在所述配送区域内标识所述商家簇、用户簇和订单流。
如图6所示的一个基于知识图谱的配送区域表达示意图，该图中以矩形表示商家簇、以圆形表示用户簇、以六边形表示订单流；并且还展示有商家簇的属性：平均取货时长、平均配送时长、平均订单费用；用户簇的属性：平均交付时长、平均配送时长、平均订单费用；订单流的属性：订单占比、平均订单费用；还展示有商家簇之间距离的关系，用户簇之间共现率的关系，订单流之间顺路程度的关系。通过知识图谱的形式表达配送区域，可以非常迅速且直观地了解配送区域内配送机理；在实际应用中，根据这样表达的配送区域供工作人员查看，可以使得工作人员更加合理的调节配送区域内配送策略，例如针对引导配送员去往热点区域(商家簇区域)；将顺利程度到订单流的订单分配给同一配送员等等。
与前述配送区域表达方法的实施例相对应，本申请还提供了配送区域表达装置的实施例。
本申请配送区域表达装置的实施例可以应用在服务器上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图7所示，为本申请配送区域表达装置所在的一种硬件结构图，除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中通常根据该配送区域表达的实际功能，还可以包括其他硬件，对此不再赘述。
请参考图8，在一种软件实施方式中，该配送区域表达装置可以包括：
获取单元210，获取待表达的配送区域内商家、用户和历史订单信息；
聚类单元220，对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇；
确定单元230，确定所述历史订单信息中接单商家所属的目标商家簇、下单用户所属的目标用户簇；
建立单元240，建立所述目标商家簇和目标用户簇之间的订单流；
表达单元250，在所述配送区域内标识所述商家簇、用户簇和订单流。
在一可选的实施例中：
所述装置还包括：
筛选单元，根据所述历史订单信息，从所述商家中确定出活跃商家，以及从所述用户中确定出活跃用户；
所述聚类单元220，包括：
对所述活跃商家进行聚类，得到商家簇，以及对所述活跃用户进行聚类，得到用户簇。
在一可选的实施例中：
所述筛选单元，具体包括：
第一筛选子单元，统计所述商家出现在所述历史订单信息中接单商家的次数，得到所述商家的接单频次，将接单频次超过预设接单频次的商家确定为活跃商家；
第二筛选子单元，统计所述用户出现在所述历史订单信息中下单用户的次数，得到所述用户的下单频次，将下单频次超过预设下单频次的用户确定为活跃用户。
在一可选的实施例中：
所述聚类单元220，包括：
直线聚类子单元，根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇。
在一可选的实施例中：
所述第一聚类子单元，具体包括：
第一获取子单元，获取所述商家的经纬度坐标；
第一计算子单元，根据所述商家的经纬度坐标，计算两两商家之间的直线距离；
第一聚类子单元，根据所述两两商家之间的直线距离进行聚类，得到商家簇。
第二获取子单元，获取所述用户的经纬度坐标；
第二计算子单元，根据所述用户的经纬度坐标，计算两两用户之间的直线距离；
第三聚类子单元，根据所述两两用户之间的直线距离进行聚类，得到用户簇。
在一可选的实施例中：
所述聚类单元220，包括：
导航聚类子单元，根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇。
在一可选的实施例中：
所述商家之间的直线距离进行聚类，得到商家簇，具体包括：
获取子单元，获取两两商家之间的导航距离；
构建子单元，根据两两商家之间的导航距离构建商家距离矩阵；
聚类子单元，根据所述商家距离矩阵并基于DBSCAN算法，计算得到商家簇。
在一可选的实施例中：
所述装置还包括：
统计子单元，统计所有商家簇中商家的第一数量；
计算子单元，计算所述第一数量与所述配送区域内商家的总数的比值；
输出子单元，在所述比值超过阈值的情况下，输出所述商家簇中的中心点和商家归属信息。
在一可选的实施例中：
根据所述用户之间的直线距离进行聚类，得到用户簇，具体包括：
获取子单元，从经纬度导航距离日志中获取两两用户之间的导航距离；
构建子单元，根据两两用户之间的导航距离构建用户距离矩阵；
聚类子单元，根据所述用户距离矩阵并基于k-medoids算法，计算得到用户簇。
在一可选的实施例中：
所述k-medoids算法的参数k，通过如下方式确定：
获取所述配送区域的面积；
将所述面积除以2并取整；
将取整后的数值确定为参数k的值。
在一可选的实施例中：
所述装置还包括：
获取子单元，在未获取到两两商家或者用户之间的导航距离时，获取所述两两商家或者用户的经纬度坐标；
计算子单元，根据所述两两商家或者用户的经纬度坐标，计算直线距离；
填充子单元，以所述直线距离的预设倍数作为所述两两商家或者用户之间的导航距离。
在一可选的实施例中：
所述装置还包括：
添加单元，在表达所述配送区域时，为所述商家簇、用户簇和/或订单流添加属性信息。
在一可选的实施例中：
所述商家簇包括至少一个如下属性信息：
平均取货时长、平均配送时长、平均订单费用。
在一可选的实施例中：
所述用户簇包括至少一个如下属性信息：
平均交付时长、平均配送时长、平均订单费用。
在一可选的实施例中：
所述订单流包括至少一个如下属性信息：
订单占比、平均订单费用。
在一可选的实施例中：
所述装置还包括：
添加单元，在表达所述配送区域时，在所述商家簇之间、用户簇之间和/或订单流之间添加关系信息。
在一可选的实施例中：
所述商家簇之间包括至少一个如下关系信息：
商家簇之间的距离、商家簇共现率；
其中，所述商家簇共现率反映了配送员同时配送两个商家簇内订单的比例。
在一可选的实施例中：
所述用户簇之间包括至少一个如下关系信息：
用户簇之间的距离、用户簇共现率；
其中，所述用户簇共现率反映了配送员同时配送两个用户簇内订单的比例。
在一可选的实施例中：
所述订单流之间包括至少一个如下关系信息：
订单流之间的顺路程度。
在一可选的实施例中：
所述表达单元250，具体包括：
以知识图谱的方式在所述配送区域内标识所述商家簇、用户簇和订单流。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上图8描述了业务监控装置的内部功能模块和结构示意，其实质上的执行主体可以为一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取待表达的配送区域内商家、用户和历史订单信息；
对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇；
确定所述历史订单信息中接单商家所属的目标商家簇、下单用户所属的目标用户簇；
建立所述目标商家簇和目标用户簇之间的订单流；
在所述配送区域内标识所述商家簇、用户簇和订单流。
可选的，还包括：
根据所述历史订单信息，从所述商家中确定出活跃商家，以及从所述用户中确定出活跃用户；
所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，包括：
对所述活跃商家进行聚类，得到商家簇，以及对所述活跃用户进行聚类，得到用户簇。
可选的，所述方法所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
统计所述商家出现在所述历史订单信息中接单商家的次数，得到所述商家的接单频次，将接单频次超过预设接单频次的商家确定为活跃商家；
统计所述用户出现在所述历史订单信息中下单用户的次数，得到所述用户的下单频次，将下单频次超过预设下单频次的用户确定为活跃用户。
可选的，所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇。
可选的，所述根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇，具体包括：
获取所述商家的经纬度坐标；
根据所述商家的经纬度坐标，计算两两商家之间的直线距离；
根据所述两两商家之间的直线距离进行聚类，得到商家簇；
获取所述用户的经纬度坐标；
根据所述用户的经纬度坐标，计算两两用户之间的直线距离；
根据所述两两用户之间的直线距离进行聚类，得到用户簇。
可选的，所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
根据所述商家之间的导航距离进行聚类，得到商家簇，以及根据所述用户之间的导航距离进行聚类，得到用户簇。
可选的，所述根据所述商家之间的导航距离进行聚类，得到商家簇，具体包括：
获取两两商家之间的导航距离；
根据两两商家之间的导航距离构建商家距离矩阵；
根据所述商家距离矩阵并基于DBSCAN算法，计算得到商家簇。
可选的，还包括：
统计所有商家簇中商家的第一数量；
计算所述第一数量与所述配送区域内商家的总数的比值；
在所述比值超过阈值的情况下，输出所述商家簇中的中心点和商家归属信息。
可选的，所述根据所述用户之间的导航距离进行聚类，得到用户簇，具体包括：
获取两两用户之间的导航距离；
根据两两用户之间的导航距离构建用户距离矩阵；
根据所述用户距离矩阵并基于k-medoids算法，计算得到用户簇。
可选的，所述k-medoids算法的参数k，通过如下方式确定：
获取所述配送区域的面积；
将所述面积除以2并取整；
将取整后的数值确定为参数k的值。
可选的，还包括：
在未获取到两两商家或者用户之间的导航距离时，获取所述两两商家或者用户的经纬度坐标；
根据所述两两商家或者用户的经纬度坐标，计算直线距离；
以所述直线距离的预设倍数作为所述两两商家或者用户之间的导航距离。
可选的，还包括：
在表达所述配送区域时，为所述商家簇、用户簇和/或订单流添加属性信息。
可选的，所述商家簇包括至少一个如下属性信息：
平均取货时长、平均配送时长、平均订单费用。
可选的，所述用户簇包括至少一个如下属性信息：
平均交付时长、平均配送时长、平均订单费用。
可选的，所述订单流包括至少一个如下属性信息：
订单占比、平均订单费用。
可选的，还包括：
在表达所述配送区域时，在所述商家簇之间、用户簇之间和/或订单流之间添加关系信息。
可选的，所述商家簇之间包括至少一个如下关系信息：
商家簇之间的距离、商家簇共现率；
其中，所述商家簇共现率反映了配送员同时配送两个商家簇内订单的比例。
可选的，所述用户簇之间包括至少一个如下关系信息：
用户簇之间的距离、用户簇共现率；
其中，所述用户簇共现率反映了配送员同时配送两个用户簇内订单的比例。
可选的，所述订单流之间包括至少一个如下关系信息：
订单流之间的顺路程度。
可选的，所述在所述配送区域内标识所述商家簇、用户簇和订单流，具体包括：
以知识图谱的方式在所述配送区域内标识所述商家簇、用户簇和订单流。
在上述电子设备的实施例中，应理解，该处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，而前述的存储器可以是只读存储器(英文：read-only memory，缩写：ROM)、随机存取存储器(英文：random access memory，简称：RAM)、快闪存储器、硬盘或者固态硬盘。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
本申请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，对于电子设备实施例而言，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。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (23)
1.一种配送区域表达方法，其特征在于，所述方法包括：
获取待表达的配送区域内商家、用户和历史订单信息；
对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇；
确定所述历史订单信息中接单商家所属的目标商家簇、下单用户所属的目标用户簇；
建立所述目标商家簇和目标用户簇之间的订单流；
在所述配送区域内标识所述商家簇、用户簇和订单流。
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：
根据所述历史订单信息，从所述商家中确定出活跃商家，以及从所述用户中确定出活跃用户；
所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，包括：
对所述活跃商家进行聚类，得到商家簇，以及对所述活跃用户进行聚类，得到用户簇。
3.根据权利要求2所述的方法，其特征在于，所述方法所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
统计所述商家出现在所述历史订单信息中接单商家的次数，得到所述商家的接单频次，将接单频次超过预设接单频次的商家确定为活跃商家；
统计所述用户出现在所述历史订单信息中下单用户的次数，得到所述用户的下单频次，将下单频次超过预设下单频次的用户确定为活跃用户。
4.根据权利要求1所述的方法，其特征在于，所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇。
5.根据权利要求4所述的方法，其特征在于，所述根据所述商家之间的直线距离进行聚类，得到商家簇，以及根据所述用户之间的直线距离进行聚类，得到用户簇，具体包括：
获取所述商家的经纬度坐标；
根据所述商家的经纬度坐标，计算两两商家之间的直线距离；
根据所述两两商家之间的直线距离进行聚类，得到商家簇；
获取所述用户的经纬度坐标；
根据所述用户的经纬度坐标，计算两两用户之间的直线距离；
根据所述两两用户之间的直线距离进行聚类，得到用户簇。
6.根据权利要求1所述的方法，其特征在于，所述对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇，具体包括：
根据所述商家之间的导航距离进行聚类，得到商家簇，以及根据所述用户之间的导航距离进行聚类，得到用户簇。
7.根据权利要求6所述的方法，其特征在于，所述根据所述商家之间的导航距离进行聚类，得到商家簇，具体包括：
获取两两商家之间的导航距离；
根据两两商家之间的导航距离构建商家距离矩阵；
根据所述商家距离矩阵并基于DBSCAN算法，计算得到商家簇。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
统计所有商家簇中商家的第一数量；
计算所述第一数量与所述配送区域内商家的总数的比值；
在所述比值超过阈值的情况下，输出所述商家簇中的中心点和商家归属信息。
9.根据权利要求6所述的方法，其特征在于，所述根据所述用户之间的导航距离进行聚类，得到用户簇，具体包括：
获取两两用户之间的导航距离；
根据两两用户之间的导航距离构建用户距离矩阵；
根据所述用户距离矩阵并基于k-medoids算法，计算得到用户簇。
10.根据权利要求9所述的方法，其特征在于，所述k-medoids算法的参数k，通过如下方式确定：
获取所述配送区域的面积；
将所述面积除以2并取整；
将取整后的数值确定为参数k的值。
11.根据权利要求7或9所述的方法，其特征在于，所述方法还包括：
在未获取到两两商家或者用户之间的导航距离时，获取所述两两商家或者用户的经纬度坐标；
根据所述两两商家或者用户的经纬度坐标，计算直线距离；
以所述直线距离的预设倍数作为所述两两商家或者用户之间的导航距离。
12.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在表达所述配送区域时，为所述商家簇、用户簇和/或订单流添加属性信息。
13.根据权利要求12所述的方法，其特征在于，所述商家簇包括至少一个如下属性信息：
平均取货时长、平均配送时长、平均订单费用。
14.根据权利要求12所述的方法，其特征在于，所述用户簇包括至少一个如下属性信息：
平均交付时长、平均配送时长、平均订单费用。
15.根据权利要求12所述的方法，其特征在于，所述订单流包括至少一个如下属性信息：
订单占比、平均订单费用。
16.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在表达所述配送区域时，在所述商家簇之间、用户簇之间和/或订单流之间添加关系信息。
17.根据权利要求16所述的方法，其特征在于，所述商家簇之间包括至少一个如下关系信息：
商家簇之间的距离、商家簇共现率；
其中，所述商家簇共现率反映了配送员同时配送两个商家簇内订单的比例。
18.根据权利要求16所述的方法，其特征在于，所述用户簇之间包括至少一个如下关系信息：
用户簇之间的距离、用户簇共现率；
其中，所述用户簇共现率反映了配送员同时配送两个用户簇内订单的比例。
19.根据权利要求16所述的方法，其特征在于，所述订单流之间包括至少一个如下关系信息：
订单流之间的顺路程度。
20.根据权利要求1所述的方法，其特征在于，所述在所述配送区域内标识所述商家簇、用户簇和订单流，具体包括：
以知识图谱的方式在所述配送区域内标识所述商家簇、用户簇和订单流。
21.一种配送区域表达装置，其特征在于，所述装置包括：
获取单元，获取待表达的配送区域内商家、用户和历史订单信息；
聚类单元，对所述商家进行聚类，得到商家簇，以及对所述用户进行聚类，得到用户簇；
确定单元，确定所述历史订单信息中接单商家所属的目标商家簇、下单用户所属的目标用户簇；
建立单元，建立所述目标商家簇和目标用户簇之间的订单流；
表达单元，在所述配送区域内标识所述商家簇、用户簇和订单流。
22.一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，所述计算机程序用于执行上述权利要求1-20中任一项所述的方法。
23.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为上述权利要求1-20中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810469934.8A CN110503353B (zh) | 2018-05-16 | 2018-05-16 | 一种配送区域表达方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810469934.8A CN110503353B (zh) | 2018-05-16 | 2018-05-16 | 一种配送区域表达方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110503353A true CN110503353A (zh) | 2019-11-26 |
| CN110503353B CN110503353B (zh) | 2022-04-01 |
Family
ID=68584947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810469934.8A Active CN110503353B (zh) | 2018-05-16 | 2018-05-16 | 一种配送区域表达方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503353B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111444422A (zh) * | 2020-03-25 | 2020-07-24 | 沈树新 | 物流信息推荐方法、装置、物流配送系统及服务器 |
| CN111461627A (zh) * | 2020-04-27 | 2020-07-28 | 上海东普信息科技有限公司 | 快递员派送区域的划分方法、装置、设备及存储介质 |
| CN111931077A (zh) * | 2020-06-30 | 2020-11-13 | 汉海信息技术(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112907275A (zh) * | 2021-01-21 | 2021-06-04 | 长沙市到家悠享网络科技有限公司 | 商圈围栏配置方法、服务信息分配方法及设备、介质 |
| CN114077979A (zh) * | 2020-08-18 | 2022-02-22 | 北京三快在线科技有限公司 | 一种确定配送服务范围的方法及装置 |
| CN114418510A (zh) * | 2022-03-29 | 2022-04-29 | 小柿子(北京)汽车供应链管理有限公司 | 货物运输管理方法、系统、平台和存储介质 |
| CN114596040A (zh) * | 2022-05-09 | 2022-06-07 | 浙江口碑网络技术有限公司 | 物流区域划分方法、装置、存储介质及电子设备 |
| CN116911566A (zh) * | 2023-08-04 | 2023-10-20 | 北京丰赞科技有限公司 | 一种面向团餐场景的运力分级调度方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012108738A (ja) * | 2010-11-17 | 2012-06-07 | Sony Corp | 情報処理装置、潜在特徴量算出方法、及びプログラム |
| US20160110442A1 (en) * | 2014-10-16 | 2016-04-21 | Accenture Global Services Limited | Segmentation Discovery, Evaluation and Implementation Platform |
| CN106557829A (zh) * | 2015-09-30 | 2017-04-05 | 百度在线网络技术（北京）有限公司 | 用车业务中获取需求与运力不匹配区域的方法和装置 |
| WO2017092636A1 (zh) * | 2015-12-04 | 2017-06-08 | 深圳大学 | 具有三级索引结构的海图数据库及其数据读取方法 |
| CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
| CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
| CN107464174A (zh) * | 2017-08-21 | 2017-12-12 | 合肥工业大学 | 一种基于商圈的外卖平台、外卖点餐系统及点餐方法 |
| CN107844885A (zh) * | 2017-09-05 | 2018-03-27 | 北京小度信息科技有限公司 | 信息推送方法和装置 |
| CN107844930A (zh) * | 2017-06-26 | 2018-03-27 | 北京小度信息科技有限公司 | 订单分配方法及装置 |
-
2018
- 2018-05-16 CN CN201810469934.8A patent/CN110503353B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012108738A (ja) * | 2010-11-17 | 2012-06-07 | Sony Corp | 情報処理装置、潜在特徴量算出方法、及びプログラム |
| US20160110442A1 (en) * | 2014-10-16 | 2016-04-21 | Accenture Global Services Limited | Segmentation Discovery, Evaluation and Implementation Platform |
| CN106557829A (zh) * | 2015-09-30 | 2017-04-05 | 百度在线网络技术（北京）有限公司 | 用车业务中获取需求与运力不匹配区域的方法和装置 |
| WO2017092636A1 (zh) * | 2015-12-04 | 2017-06-08 | 深圳大学 | 具有三级索引结构的海图数据库及其数据读取方法 |
| CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
| CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
| CN107844930A (zh) * | 2017-06-26 | 2018-03-27 | 北京小度信息科技有限公司 | 订单分配方法及装置 |
| CN107464174A (zh) * | 2017-08-21 | 2017-12-12 | 合肥工业大学 | 一种基于商圈的外卖平台、外卖点餐系统及点餐方法 |
| CN107844885A (zh) * | 2017-09-05 | 2018-03-27 | 北京小度信息科技有限公司 | 信息推送方法和装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111444422A (zh) * | 2020-03-25 | 2020-07-24 | 沈树新 | 物流信息推荐方法、装置、物流配送系统及服务器 |
| CN111461627A (zh) * | 2020-04-27 | 2020-07-28 | 上海东普信息科技有限公司 | 快递员派送区域的划分方法、装置、设备及存储介质 |
| CN111461627B (zh) * | 2020-04-27 | 2023-09-26 | 上海东普信息科技有限公司 | 快递员派送区域的划分方法、装置、设备及存储介质 |
| CN111931077A (zh) * | 2020-06-30 | 2020-11-13 | 汉海信息技术(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN111931077B (zh) * | 2020-06-30 | 2023-12-12 | 汉海信息技术(上海)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN114077979A (zh) * | 2020-08-18 | 2022-02-22 | 北京三快在线科技有限公司 | 一种确定配送服务范围的方法及装置 |
| CN114077979B (zh) * | 2020-08-18 | 2024-05-28 | 北京三快在线科技有限公司 | 一种确定配送服务范围的方法及装置 |
| CN112907275A (zh) * | 2021-01-21 | 2021-06-04 | 长沙市到家悠享网络科技有限公司 | 商圈围栏配置方法、服务信息分配方法及设备、介质 |
| CN114418510A (zh) * | 2022-03-29 | 2022-04-29 | 小柿子(北京)汽车供应链管理有限公司 | 货物运输管理方法、系统、平台和存储介质 |
| CN114596040A (zh) * | 2022-05-09 | 2022-06-07 | 浙江口碑网络技术有限公司 | 物流区域划分方法、装置、存储介质及电子设备 |
| CN116911566A (zh) * | 2023-08-04 | 2023-10-20 | 北京丰赞科技有限公司 | 一种面向团餐场景的运力分级调度方法及装置 |
| CN116911566B (zh) * | 2023-08-04 | 2024-01-09 | 北京丰赞科技有限公司 | 一种面向团餐场景的运力分级调度方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110503353B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503353A (zh) | 一种配送区域表达方法及装置 | |
| US20180247265A1 (en) | Task grouping method and apparatus, electronic device, and computer storage medium | |
| CN108491951A (zh) | 一种外卖配送时间的预测方法、装置及电子设备 | |
| CN109544015B (zh) | 一种基于数据处理的任务分配方法及相关设备 | |
| CN107093121A (zh) | 界面显示方法、配送订单分配方法和装置 | |
| CN109636121A (zh) | 配送运力调度方法、订单分配方法及装置、电子设备 | |
| CN107862559A (zh) | 一种广告投放方法及装置 | |
| CN108460618A (zh) | 一种资源配置方法及装置，电子设备 | |
| CN111047264B (zh) | 一种物流任务分配方法及装置 | |
| CN109118310A (zh) | 订单处理方法和装置 | |
| CN109146381A (zh) | 物流数据监控方法、装置、电子设备及计算机存储介质 | |
| CN109063935A (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
| CN108876545A (zh) | 订单识别方法、装置和可读存储介质 | |
| CN109460884A (zh) | 孤儿单分配方法、电子装置及可读存储介质 | |
| CN112070423A (zh) | 库存预占方法、装置、电子设备及存储介质 | |
| CN111008800B (zh) | 配送任务的数据处理方法、装置、服务器和存储介质 | |
| CN109801693A (zh) | 病案分组方法及装置、终端和计算机可读存储介质 | |
| CN108681834A (zh) | 订单配送任务生成方法和生成装置 | |
| WO2020238157A1 (zh) | 等待时间的确定 | |
| CN111459675A (zh) | 一种数据处理方法、装置、可读存储介质和电子设备 | |
| CN110019774A (zh) | 标签分配方法、装置、存储介质及电子装置 | |
| WO2017024020A1 (en) | Real-time routing system and associated methodology for adapting order flow for enhanced execution performance | |
| CN106886936B (zh) | 一种订单处理方法、装置及服务器 | |
| CN110135762A (zh) | 一种信息处理方法、装置、存储介质和电子设备 | |
| CN108874805A (zh) | 数据的处理方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |