CN111127154A - 订单处理方法、装置、服务器和非易失性存储介质 - Google Patents

Abstract

本发明实施例涉及信息处理技术领域，公开了一种订单处理方法、装置、服务器和非易失性存储介质。上述订单处理方法包括：解析来自客户端的数据消息确定目标订单；根据用于预估接单时长比例的预估模型预估目标订单被接起的接单时长比例；预估模型以预先采集的订单的历史特征数据为训练样本通过机器学习框架进行离线训练得到；根据目标订单的接单时长比例确定对目标订单的配送价格的增加金额；获取针对目标订单增加后的配送价格并根据增加后的配送价格为目标订单呼叫运力，能够快速合理的完成加价使得目标订单能够被快速接起，以缩短对目标订单的处理时长，进而提高了服务器在单位时长内处理的订单量，有利于从整体上提高服务器对订单的处理效率。

Description

订单处理方法、装置、服务器和非易失性存储介质

技术领域

本发明涉及信息处理技术领域，特别涉及一种订单处理方法、装置、服务器和非易失性存储介质。

背景技术

目前，外卖平台将订单分配给骑手，骑手在完成订单的配送后，将得到应有的配送报酬，而骑手得到的配送报酬需要在订单被接起之前预先确定，骑手根据看到的配送报酬选择是否接单。

然而，发明人发现相关技术中至少存在如下问题：当需要调整订单配送报酬时，主要由运维人员基于基础配送价格进行人工调价，人工调价通常导致定价不合理，耗时耗力，在一定程度上会影响订单被接起的速度。

发明内容

本发明实施方式的目的在于提供一种订单处理方法、装置、服务器和非易失性存储介质，可以避免耗时耗力的人工加价工作，能够快速合理的完成加价，使得目标订单能够被快速接起，以缩短对目标订单的处理时长，进而提高了服务器在单位时长内处理的订单量，有利于从整体上提高服务器对订单的处理效率。

为解决上述技术问题，本发明的实施方式提供了一种订单处理方法，包括：接收来自客户端的数据消息；通过至少一个处理器解析所述数据消息，确定目标订单；根据用于预估接单时长比例的预估模型，通过至少一个处理器预估目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；根据所述目标订单的接单时长比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额；通过至少一个处理器获取针对所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

本发明的实施方式还提供了一种订单处理装置，包括：接收模块,用于接收来自客户端的数据消息；解析模块，用于解析所述数据消息，确定目标订单；预估模块，用于根据用于预估接单时长比例的预估模型，预估目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；确定模块，用于根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额；呼叫模块，用于获取所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

本发明的实施方式还提供了一种服务器，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行：接收来自客户端的数据消息；解析所述数据消息，确定目标订单；根据用于预估接单时长比例的预估模型，预估目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额；获取所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

本发明的实施方式还提供了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如上所述的订单处理方法。

本发明实施方式相对于现有技术而言，主要区别及其效果在于：根据用于预估接单时长比例的预估模型，通过至少一个处理器预估目标订单被接起的接单时长比例；其中，预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到，即训练预估模型的数据来源于订单的真实历史数据，参考价值高，可使得预估结果更加准确、可靠。根据目标订单的接单时长比例，通过至少一个处理器确定对目标订单的配送价格的增加金额，由于接单时长比例的大小能够很好的反映加价额度的大小，因此根据接单时长比例确定的配送价格的增加金额更加合理。从而，获取的增加后的配送价格也更加合理，使得根据增加后的配送价格为目标订单呼叫运力时，能够快速吸引到配送资源接单，提高目标订单被接起的速度。而且，本发明实施方式中，可以避免繁琐复杂、耗时耗力的人工加价工作，有利于快速合理的完成加价，使得目标订单能够被快速接起，以缩短对目标订单的处理时长，进而提高了服务器在单位时长内处理的订单量，有利于从整体上提高服务器对订单的处理效率。

另外，所述根据所述目标订单的接单时长比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额，包括：根据所述目标订单的属性信息，通过至少一个处理器确定与所述目标订单对应的基准加价比例；根据所述目标订单的接单时长比例和所述基准加价比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额。提供了一种方便对配送价格的增加幅度进行控制的方式，通过引入基准加价比例，有利于将增加金额控制在一定范围内，在保证确定的增加金额合理的同时，还能使增加金额可控，有利于满足实际需求。

另外，所述根据所述目标订单的接单时长比例和所述基准加价比例确定对所述目标订单的配送价格的增加金额，具体为：通过至少一个处理器利用以下公式计算所述配送价格的增加金额：配送价格的增加金额＝配送价格×接单时长比例×基准加价比例。提供了一种计算增加金额的具体公式，使得可以方便准确的得到目标订单的配送价格的增加金额。

另外，在所述根据所述增加后的配送价格为所述目标订单呼叫运力之前，还包括：通过至少一个处理器确定所述增加后的配送价格是否大于预设金额；若通过至少一个处理器确定所述增加后的配送价格大于所述预设金额，则所述根据所述增加后的配送价格为所述目标订单呼叫运力，具体为：将所述预设金额作为所述增加后的配送价格，为所述目标订单呼叫运力。提供了一种方便对配送价格的增加幅度进行控制的方式，通过引入预设金额有利于将增加后的配送金额控制在一定范围内，在保证增加后的配送金额合理的同时，还能使增加后的配送金额可控，有利于满足实际需求。

另外，所述目标订单通过以下方式确定：通过至少一个处理器监控为各订单呼叫运力的呼叫时长；通过至少一个处理器将各所述订单中呼叫时长大于预设时长的订单确定为目标订单。提供了一种目标订单的确定方式，通过监控各订单的呼叫时长，有利于方便、准确的确定各订单中的目标订单。

附图说明

图1是根据本发明第一实施方式中的订单处理方法的流程图；

图2是根据本发明第二实施方式中的订单处理方法的流程图；

图3是根据本发明第三实施方式中的订单处理装置示意图；

图4是根据本发明第四实施方式提供的服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

本发明的第一实施方式涉及一种订单处理方法，应用于服务器。服务器对订单进行处理主要是指服务器对订单的配送价格进行处理，配送价格可以为配送资源在完成订单的配送后，应得到的配送报酬。其中，配送资源可以为骑手、无人机、智能车辆等。下面对本实施方式的订单处理方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

本实施方式中的订单处理方法的流程图可以如图1所示，该方法包括：

步骤S101，接收来自客户端的数据消息。

其中，来自客户端的数据信息可以包括来自不同用户使用的客户端的数据信息。比如，用户通过手机上的点餐APP提交订单时生成的订单消息，即数据信息中包括来自不同客户端的订单信息。

步骤S102，通过至少一个处理器解析所述数据消息，确定目标订单。

具体的说，可以通过服务器中的处理器对数据消息进行解析，即对数据消息中包括的大量订单信息进行分析，确定其中的目标订单。由于，服务器通常可能会监控大量订单的配送进度，需要增加配送价格的目标订单在这大量订单之中。因此，服务器可以在为各订单呼叫运力后，监控为各订单呼叫运力的呼叫时长，将各订单中呼叫时长大于预设时长的订单确定为目标订单。其中，预设时长可以根据实际需要进行设置，本实施方式对此不做具体限定。将各订单中呼叫时长大于预设时长的订单确定为目标订单，也就是说，将各订单中长时间没有配送资源接起的订单确定为目标订单。

步骤S103，根据用于预估接单时长比例的预估模型，通过至少一个处理器预估目标订单被接起的接单时长比例。

其中，预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到。订单的历史特征数据可以包括：单个订单的一些历史特征数据，比如，配送订单时的天气数据、路况数据、配送时间段、订单类型(鲜花、蛋糕、文件、餐品等)、接单时长、配送区域信息等；还可以包括：多个订单的一些统计数据，比如，某一区域在某一时间段内订单的平均接单时长、平均加价金额等。需要说明的是，本实施方式中，订单的历史特征数据只是以上述各特征数据为例，在具体实现中，并不以此为限。另外，在训练预估模型时，可以将接单时长这一特征数据映射到处于区间[0，1]之间，即将接单时长转换为处于[0，1]之间的接单时长比例。

以下为根据采集的订单的历史特征数据训练，得到预估模型的大致方法：

首先，选择训练样本；即，选取一段时间内的历史订单作为训练样本。例如，在外卖平台上，选取一个月内的历史订单作为训练样本。需要说明的是，本实施方式中只是以选取外卖平台上的历史订单作为训练样本为例，在具体实现中并不以此为限。

其次，选择样本特征；即，可以选取一段时间内的历史订单的一些特征数据，例如上述的单个订单的特征数据和多个订单的统计数据等。

最后，样本训练；即，基于训练样本和样本特征进行样本训练，如通过机器学习框架XGBoost进行离线训练，得到预估模型；其中，训练得到的预估模型的输入是目标订单的相关特征数据，输出为目标订单被接起的接单时长比例。

在一个例子中，在训练得到预估模型后，可以每隔一段时间对预估模型进行更新。还可以将利用预估模型得到的估计结果与实际结果进行对比，从而对预估模型的参数进行调整，比如说，可以通过增加样本数据量或者增加训练次数来对预估模型的参数进行调整，使得利用预估模型的估计结果更加准确。

进一步的，服务器可以将确定的目标订单的特征数据输入训练得到的预估模型，预估模型可以输出目标订单被接起的接单时长比例。其中，目标订单的特征数据可以包括：目标订单的订单类型，当前时间段、天气数据、路况数据、配送区域信息等。

步骤S104，根据目标订单的接单时长比例，通过至少一个处理器确定对目标订单的配送价格的增加金额。

其中，目标订单的配送价格可以理解为：服务器在一开始为目标订单呼叫运力时确定的配送价格。配送价格的增加金额可以理解为：服务器以一开始确定的配送价格为目标订单呼叫运力后，目标订单长时间没有被接起，服务器针对一开始确定的配送价格进行加价操作后得到的配送价格的增加金额。可以理解的是，目标订单的接单时长比例越大，表示预估的目标订单被接起的时长越长，即目标订单越不容易被接起，为了促使目标订单被快速接起，可以增加目标订单的配送价格。

在一个例子中，根据目标订单的接单时长比例，通过至少一个处理器确定对目标订单的配送价格的增加金额的方式可以为：根据目标订单的属性信息，通过至少一个处理器确定与目标订单对应的基准加价比例，然后根据目标订单的接单时长比例和基准加价比例，确定对目标订单的配送价格的增加金额。其中，目标订单的属性信息可以为以下任意之一或其组合：配送区域、配送时间段、配送环境、订单类型等，配送区域可以为目标订单的配送目的地所处的配送区域，配送环境可以包括：配送时的天气状况、交通状况等。比如，针对不同配送区域可以设置不同的基准加价比例，可以理解的是，针对较偏远的配送区域的订单通常不容易很快被接起，基准加价比例可以设置的较大。再比如，针对不同配送时间段可以设置不同的基准加价比例，可以理解的是，针对配送高峰期设置的基准加价比例可以高于针对配送低峰期设置的基准加价比例。

在一个例子中，还可以同时根据多种属性信息确定与目标订单对应的基准加价比例。比如同时根据目标订单的配送区域、配送时间段、配送环境、订单类型这四个属性信息确定与目标订单对应的基准加价比例。服务器可以先获取四个属性信息分别对应的四个基准加价比例，然后将四个基准加价比例的平均值作为最终确定的与目标订单对应的基准加价比例。在具体实现中，还可以将四个基准加价比例中最大或最小的一个作为最终确定的与目标订单对应的基准加价比例，或者对四个基准加价比例进行加权求和，将加权求和的结果作为最终确定的与目标订单对应的基准加价比例。然而，本实施方式对此并不限定。需要说明的是，本示例中只是以根据上述四种属性信息确定与目标订单对应的基准加价比例为例，在具体实现中并不以此为限。

在一个例子中，可以通过以下公式确定对目标订单的配送价格的增加金额：配送价格的增加金额＝配送价格×接单时长比例×基准加价比例，该公式使得可以方便准确的得到目标订单的配送价格的增加金额。基准加价比例为0到1之间的一个数，通过引入基准加价比例，有利于将增加金额控制在一定范围内，在保证确定的增加金额合理的同时，还能使增加金额可控，有利于满足实际需求。

步骤S105，通过至少一个处理器获取针对目标订单增加后的配送价格。

具体的说，服务器可以通过至少一个处理器对目标订单的配送价格和步骤S102中得到的增加金额进行求和，得到针对目标订单增加后的配送价格。

步骤S106，通过至少一个处理器根据增加后的配送价格为目标订单呼叫运力。

具体的说，服务器在通过至少一个处理器为目标订单呼叫运力时可以携带配送价格，呼叫运力可以理解为呼叫配送资源接单，配送资源可以根据携带的目标订单的配送价格选择是否接起目标订单。具体的，服务器在未对配送价格进行加价操作之前以一开始确定的配送价格为目标订单呼叫运力，在对配送价格进行加价操作后，以增加后的配送价格为目标订单呼叫运力。

下面以外卖场景下的订单配送场景为例，对本实施方式中的订单处理方法进行举例说明：

服务器可以对外卖平台上的各订单进行监控，将呼叫时长大于预设时长的订单确定为目标订单，目标订单即为需要进行加价操作的订单，假设目标订单为订单1。服务器可以先将订单1的特征数据输入预先训练好的预估模型，预估模型输出订单1被接起的接单时长比例。然后，服务器可以根据订单1的属性信息确定与订单1对应的基准加价比例。其次，可以根据公式“配送价格的增加金额＝配送价格×接单时长比例×基准加价比例”计算订单1的配送价格的增加金额。接着，可以根据计算得到的配送价格的增加金额计算增加后的配送价格。最后，将为订单1呼叫运力时所携带的配送价格改为上述增加后的配送价格，即可以理解为开始以增加后的配送价格为目标订单呼叫配送员接单。由于，订单1为长时间没有配送员接起的订单，通过本示例中的加价方式，可以合理的对订单1的配送价格进行加价操作，有利于吸引配送员快速接单，缩短订单1被接起所需的接单时长。本示例中，目标订单只是以一个订单即上述的订单1为例，在具体实现中，目标订单可以为多个需要进行加价操作的订单，服务器可以同时按照上述方式对多个目标订单进行加价操作。

需要说明的是，本实施方式中的上述各示例均为为方便理解进行的举例说明，并不对本发明的技术方案构成限定。

与现有技术相比，本实施方式中，根据用于预估接单时长比例的预估模型，通过至少一个处理器预估目标订单被接起的接单时长比例；其中，预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到，即训练预估模型的数据来源于订单的真实历史数据，参考价值高，可使得预估结果更加准确、可靠。根据目标订单的接单时长比例确定对目标订单的配送价格的增加金额，由于接单时长比例的大小能够很好的反映加价额度的大小，因此根据接单时长比例确定的配送价格的增加金额更加合理。从而，获取的增加后的配送价格也更加合理，使得根据增加后的配送价格为目标订单呼叫运力时，能够快速吸引到配送资源接单，提高目标订单被接起的速度。而且，本发明实施方式中，可以避免繁琐复杂、耗时耗力的人工加价工作，有利于快速合理的完成加价，使得目标订单能够被快速接起，以缩短对目标订单的处理时长，进而提高了服务器在单位时长内处理的订单量，有利于从整体上提高服务器对订单的处理效率。

本发明的第二实施方式涉及一种订单处理方法，下面对本实施方式的订单处理方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

本实施方式的订单处理方法如图2所示，包括以下步骤：

步骤S201，接收来自客户端的数据消息。

步骤S202，通过至少一个处理器解析所述数据消息，确定目标订单。

步骤S203，根据用于预估接单时长比例的预估模型，通过至少一个处理器预估目标订单被接起的接单时长比例。

需要说明的是，步骤S201至步骤S203与第一实施方式中步骤S101至步骤S103大致相同，为避免重复此处不再赘述。

步骤S204，根据目标订单的接单时长比例，通过至少一个处理器确定对目标订单的配送价格的增加金额。

具体的说，由于接单时长比例可以反映加价额度的大小，接单时长比例越大，加价额度越大，即对配送价格的增加金额越大。在一个例子中，可以根据如下公式确定对目标订单的配送价格的增加金额：

配送价格的增加金额＝配送价格×接单时长比例

通过上述公式可以方便准确的得到目标订单的配送价格的增加金额。

步骤S205，通过至少一个处理器获取针对目标订单增加后的配送价格。

具体的说，服务器可以对目标订单的配送价格和步骤S202中得到的增加金额进行求和，得到针对目标订单增加后的配送价格。

步骤S206，通过至少一个处理器确定增加后的配送价格是否大于预设金额；如果是，则执行步骤S208，否则执行步骤S207。

其中，预设金额可以根据实际需要进行设置，旨在将增加后的配送价格控制在一定范围之内，使得增加后的配送价格不会过高，然而对于预设金额的具体大小本实施方式不做具体限定。

具体的说，服务器可以将增加后的配送价格与预设金额的大小进行对比，从而确定增加后的配送价格是否大于预设金额。

步骤S207，通过至少一个处理器根据增加后的配送价格为目标订单呼叫运力。

需要说明的是，步骤S207与第一实施方式中步骤S106大致相同，为避免重复此处不再赘述。

步骤S208，通过至少一个处理器将预设金额作为增加后的配送价格，为目标订单呼叫运力。

需要说明的是，步骤S208与步骤S207大致相同，不同之处在于：在为目标订单呼叫运力时携带的配送价格不同。步骤S207中携带的配送价格为步骤S205中获取的增加后的配送价格，而步骤S208中携带的配送价格为上述预设金额。

同样以外卖场景下的订单配送场景为例，对本实施方式中的订单处理方法进行举例说明：

服务器可以对外卖平台上的各订单进行监控，将呼叫时长大于预设时长的订单确定为目标订单，目标订单即为需要进行加价操作的订单，假设目标订单为订单2和订单3。服务器可以分别将订单2和订单3的特征数据输入预先训练好的预估模型，预估模型输出订单2和订单3被接起的接单时长比例。其次，服务器可以根据公式“配送价格的增加金额＝配送价格×接单时长比例”计算订单2和订单3的配送价格的增加金额。接着，可以根据计算得到的配送价格的增加金额计算订单2和订单3增加后的配送价格。然后，可以确定订单2和订单3增加后的配送价格是否大于预设金额。假设订单2的增加后的配送价格大于预设金额，订单3增加后的配送价格小于预设金额，那么服务器将为订单2呼叫运力时所携带的配送价格改为上述预设金额，将为订单3呼叫运力时所携带的配送价格改为上述针对订单3计算得到的增加后的配送价格。即可以理解为，服务器开始以预设金额为订单2呼叫配送员接单，以针对订单3计算得到的增加后的配送价格为订单3呼叫配送员接单。由于，订单2和订单3为长时间没有配送员接起的订单，通过本示例中的加价方式，可以合理的对订单2和订单3的配送价格进行加价操作，有利于吸引配送员快速接单，缩短订单2和订单3被接起所需的接单时长，同时还能保证进行加价操作后的配送价格不会过高，使增加后的配送价格处于可控的状态。

需要说明的是，本实施方式中的上述各示例均为为方便理解进行的举例说明，并不对本发明的技术方案构成限定。

与现有技术相比，本实施方式中，提供了一种方便对配送价格的增加幅度进行控制的方式，通过引入预设金额有利于将增加后的配送金额控制在一定范围内，在保证增加后的配送金额合理的同时，还能使增加后的配送金额可控，有利于满足实际需求。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明的第三实施方式涉及一种订单处理装置，下面对本实施方式的订单处理装置的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

本实施方式的订单处理装置的示意图可以如图3所示，该装置包括：接收模块301,用于接收来自客户端的数据消息；解析模块302，用于解析所述数据消息，确定目标订单；预估模块303，用于根据用于预估接单时长比例的预估模型，预估目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；确定模块304，用于根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额；呼叫模块305，用于获取所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

在一个例子中，确定模块304根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额，包括：根据所述目标订单的属性信息确定与所述目标订单对应的基准加价比例；根据所述目标订单的接单时长比例和所述基准加价比例，确定对所述目标订单的配送价格的增加金额。

在一个例子中，确定模块304根据所述目标订单的接单时长比例和所述基准加价比例确定对所述目标订单的配送价格的增加金额，具体为：通过以下公式计算所述配送价格的增加金额：

配送价格的增加金额＝配送价格×接单时长比例×基准加价比例。

在一个例子中，所述属性信息为以下任意之一或其组合：配送区域、配送时间段、配送环境、订单类型。

在一个例子中，呼叫模块305还用于在所述根据所述增加后的配送价格为所述目标订单呼叫运力之前，确定所述增加后的配送价格是否大于预设金额；若所述增加后的配送价格大于所述预设金额，则将所述预设金额作为所述增加后的配送价格，为所述目标订单呼叫运力。

在一个例子中，所述目标订单通过以下方式确定：监控为各订单呼叫运力的呼叫时长；将各所述订单中呼叫时长大于预设时长的订单确定为目标订单。

与现有技术相比，本实施方式中，预估模块根据用于预估接单时长比例的预估模型，预估目标订单被接起的接单时长比例；其中，预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到，即训练预估模型的数据来源于订单的真实历史数据，参考价值高，可使得预估结果更加准确、可靠。确定模块根据目标订单的接单时长比例确定对目标订单的配送价格的增加金额，由于接单时长比例的大小能够很好的反映加价额度的大小，因此根据接单时长比例确定的配送价格的增加金额更加合理。从而，获取的增加后的配送价格也更加合理，使得呼叫模块根据增加后的配送价格为目标订单呼叫运力时，能够快速吸引到配送资源接单，提高目标订单被接起的速度。而且，本发明实施方式中，可以避免繁琐复杂、耗时耗力的人工加价工作，有利于快速合理的完成加价，使得目标订单能够被快速接起，以缩短对目标订单的处理时长，进而提高了服务器在单位时长内处理的订单量，有利于从整体上提高服务器对订单的处理效率。

不难发现，本实施方式为与第一、二实施方式相对应的装置实施例，本实施方式可与第一、二实施方式互相配合实施。第一、二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一、二实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本发明的第四实施方式涉及一种服务器，如图4所示，该服务器包括：至少一个处理器401；以及，与至少一个处理器401通信连接的存储器402；以及，与扫描装置通信连接的通信组件403，通信组件403在处理器401的控制下接收和发送数据；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行以实现：

接收来自客户端的数据消息；解析所述数据消息，确定目标订单；根据用于预估接单时长比例的预估模型，预估目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额；获取所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

具体地，该服务器包括：一个或多个处理器401以及存储器402，图4中以一个处理器401为例。处理器401、存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器402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401通过运行存储在存储器402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，即实现上述订单处理方法。

存储器402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402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。在一些实施方式中，存储器402可选包括相对于处理器401远程设置的存储器402，这些远程存储器402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402中，当被一个或者多个处理器401执行时，执行上述任意方法实施方式中的订单处理方法。

上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。

本发明的第五实施方式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)执行本申请各个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。

本领域的普通技术人员可以理解，上述各实施方式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。

本申请实施例提供了A1.一种订单处理方法，包括：

接收来自客户端的数据消息；

通过至少一个处理器解析所述数据消息，确定目标订单；

根据用于预估接单时长比例的预估模型，通过至少一个处理器预估所述目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；

根据所述目标订单的接单时长比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额；

通过至少一个处理器获取针对所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

A2.根据A1所述的订单处理方法，所述根据所述目标订单的接单时长比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额，包括：

根据所述目标订单的属性信息，通过至少一个处理器确定与所述目标订单对应的基准加价比例；

根据所述目标订单的接单时长比例和所述基准加价比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额。

A3.根据A2所述的订单处理方法，所述根据所述目标订单的接单时长比例和所述基准加价比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额，具体为：

通过至少一个处理器利用以下公式计算所述配送价格的增加金额：

配送价格的增加金额＝配送价格×接单时长比例×基准加价比例。

A4.根据A2所述的订单处理方法，所述属性信息为以下任意之一或其组合：

配送区域、配送时间段、配送环境、订单类型。

A5.根据A1所述的订单处理方法，在所述根据所述增加后的配送价格为所述目标订单呼叫运力之前，还包括：

通过至少一个处理器确定所述增加后的配送价格是否大于预设金额；

若通过至少一个处理器确定所述增加后的配送价格大于所述预设金额，则所述根据所述增加后的配送价格为所述目标订单呼叫运力，具体为：

将所述预设金额作为所述增加后的配送价格，为所述目标订单呼叫运力。

A6.根据A1所述的订单处理方法，所述目标订单通过以下方式确定：

通过至少一个处理器监控为各订单呼叫运力的呼叫时长；

通过至少一个处理器将各所述订单中呼叫时长大于预设时长的订单确定为目标订单。

本申请实施例还提供了B1.一种订单处理装置，包括：

接收模块,用于接收来自客户端的数据消息；

解析模块，用于解析所述数据消息，确定目标订单；

预估模块，用于根据用于预估接单时长比例的预估模型，预估所述目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；

确定模块，用于根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额；

呼叫模块，用于获取所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

本申请实施例还提供了C1.一种服务器，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行：

接收来自客户端的数据消息；

解析所述数据消息，确定目标订单；

根据用于预估接单时长比例的预估模型，预估所述目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；

根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额；

获取所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

C2.根据C1所述的服务器，所述根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额，包括：

根据所述目标订单的属性信息确定与所述目标订单对应的基准加价比例；

根据所述目标订单的接单时长比例和所述基准加价比例，确定对所述目标订单的配送价格的增加金额。

C3.根据C2所述的服务器，所述根据所述目标订单的接单时长比例和所述基准加价比例确定对所述目标订单的配送价格的增加金额，具体为：

通过以下公式计算所述配送价格的增加金额：

配送价格的增加金额＝配送价格×接单时长比例×基准加价比例。

C4.根据C2所述的服务器，所述属性信息为以下任意之一或其组合：

配送区域、配送时间段、配送环境、订单类型。

C5.根据C1所述的服务器，在所述根据所述增加后的配送价格为所述目标订单呼叫运力之前，还包括：

确定所述增加后的配送价格是否大于预设金额；

若所述增加后的配送价格大于所述预设金额，则所述根据所述增加后的配送价格为所述目标订单呼叫运力，具体为：

将所述预设金额作为所述增加后的配送价格，为所述目标订单呼叫运力。

C6.根据C1所述的服务器，所述目标订单通过以下方式确定：

监控为各订单呼叫运力的呼叫时长；

将各所述订单中呼叫时长大于预设时长的订单确定为目标订单。

本申请实施例还提供了D1.一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如A1至A6中任一项所述的订单处理方法。

Claims (10)

1.一种订单处理方法，其特征在于，包括：

接收来自客户端的数据消息；

通过至少一个处理器解析所述数据消息，确定目标订单；

根据用于预估接单时长比例的预估模型，通过至少一个处理器预估所述目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；

根据所述目标订单的接单时长比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额；

通过至少一个处理器获取针对所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

2.根据权利要求1所述的订单处理方法，其特征在于，所述根据所述目标订单的接单时长比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额，包括：

根据所述目标订单的属性信息，通过至少一个处理器确定与所述目标订单对应的基准加价比例；

根据所述目标订单的接单时长比例和所述基准加价比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额。

3.根据权利要求2所述的订单处理方法，其特征在于，所述根据所述目标订单的接单时长比例和所述基准加价比例，通过至少一个处理器确定对所述目标订单的配送价格的增加金额，具体为：

通过至少一个处理器利用以下公式计算所述配送价格的增加金额：

配送价格的增加金额＝配送价格×接单时长比例×基准加价比例。

4.根据权利要求2所述的订单处理方法，其特征在于，所述属性信息为以下任意之一或其组合：

配送区域、配送时间段、配送环境、订单类型。

5.根据权利要求1所述的订单处理方法，其特征在于，在所述根据所述增加后的配送价格为所述目标订单呼叫运力之前，还包括：

通过至少一个处理器确定所述增加后的配送价格是否大于预设金额；

若通过至少一个处理器确定所述增加后的配送价格大于所述预设金额，则所述根据所述增加后的配送价格为所述目标订单呼叫运力，具体为：

将所述预设金额作为所述增加后的配送价格，为所述目标订单呼叫运力。

6.根据权利要求1所述的订单处理方法，其特征在于，所述目标订单通过以下方式确定：

通过至少一个处理器监控为各订单呼叫运力的呼叫时长；

通过至少一个处理器将各所述订单中呼叫时长大于预设时长的订单确定为目标订单。

7.一种订单处理装置，其特征在于，包括：

接收模块,用于接收来自客户端的数据消息；

解析模块，用于解析所述数据消息，确定目标订单；

预估模块，用于根据用于预估接单时长比例的预估模型，预估所述目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；

确定模块，用于根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额；

呼叫模块，用于获取所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

8.一种服务器，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行：

接收来自客户端的数据消息；

解析所述数据消息，确定目标订单；

根据用于预估接单时长比例的预估模型，预估所述目标订单被接起的接单时长比例；其中，所述预估模型以预先采集的订单的历史特征数据为训练样本，通过机器学习框架进行离线训练得到；

根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额；

获取所述目标订单增加后的配送价格，并根据所述增加后的配送价格为所述目标订单呼叫运力。

9.根据权利要求8所述的服务器，其特征在于，所述根据所述目标订单的接单时长比例确定对所述目标订单的配送价格的增加金额，包括：

根据所述目标订单的属性信息确定与所述目标订单对应的基准加价比例；

根据所述目标订单的接单时长比例和所述基准加价比例，确定对所述目标订单的配送价格的增加金额。

10.一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如权利要求1至6中任一项所述的订单处理方法。

Images