CN111445191A - 一种配送难度的预估方法、装置和存储介质 - Google Patents

Abstract

本发明实施例涉及信息处理技术领域，公开了一种配送难度的预估方法、装置和存储介质。配送难度的预估方法包括：通过至少一个处理器获取实体所属的地理单元的特征向量；根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分，难度排序模型的训练数据包括各训练地理单元的特征向量和各训练地理单元的难度等级；其中，训练地理单元的难度等级根据训练地理单元的抵达时间信息确定。该实施例有利于更准确的评估各实体的配送难度。

Description

一种配送难度的预估方法、装置和存储介质

技术领域

本发明涉及信息处理技术领域，特别涉及一种配送难度的预估方法、装置和存储介质。

背景技术

外卖平台给骑手的配送费最初是基于规则进行定价的，但规则定价考虑到的因素十分有限。后来，平台对定价系统进行优化，使用智能基配的方法进行定价。

然而，发明人发现相关技术中至少存在如下问题：智能基配的方法考虑到了包括配送难度的多种因素，但现有的刻画配送难度的方法并不准确，导致智能基配仍无法根据配送难度对定价进行调整。

发明内容

本发明实施方式的目的在于提供一种配送难度的预估方法、装置和存储介质，有利于更准确的评估各实体的配送难度。

为解决上述技术问题，本发明的实施方式提供了一种配送难度的预估方法，包括：通过至少一个处理器获取实体所属的地理单元的特征向量；根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分，难度排序模型的训练数据包括各训练地理单元的特征向量和各训练地理单元的难度等级；其中，训练地理单元的难度等级根据训练地理单元的抵达时间信息确定。

本发明的实施方式还提供了一种配送难度的预估装置，包括：获取模块和确定模块；获取模块用于通过至少一个处理器获取实体所属的地理单元的特征向量；确定模块用于根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分，难度排序模型的训练数据包括各训练地理单元的特征向量和各训练地理单元的难度等级；其中，训练地理单元的难度等级根据各训练地理单元的抵达时间信息确定。

本发明的实施方式还提供了一种电子设备，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：通过至少一个处理器获取实体所属的地理单元的特征向量；根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分，难度排序模型的训练数据包括各训练地理单元的特征向量和各训练地理单元的难度等级；其中，训练地理单元的难度等级根据训练地理单元的抵达时间信息确定。

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，计算机可读程序用于供计算机执行如上述实施方式提及的配送难度的预估方法。

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：根据训练地理单元的抵达时间信息，确定训练地理单元的难度等级，并基于训练地理单元的难度等级和训练地理单元的特征向量训练得到难度排序模型，使得难度排序模型可以基于输入的实体所属的地理单元的特征向量，评估实体所属的地理单元的相对难度，进而确定实体的配送难度得分。基于相对配送难度评估实体的配送难度得分，可以避免直接使用抵达时间信息标识配送难度的方式中，无法确定抵达时间的问题，以及由于抵达时间集中无法体现实体的配送难易程度的问题，使得配送难度得分更为准确。

另外，各训练地理单元的难度等级根据各训练地理单元的抵达时间信息的排序结果，以及预设的难度等级划分规则确定。

另外，抵达时间信息相等的训练地理单元的个数不大于预设值。

另外，确定各所述训练地理单元的难度等级的过程包括：通过至少一个处理器按照第一划分规则，将训练区域划分为N个训练地理单元，N为大于1的正整数；通过至少一个处理器获取各所述训练地理单元的抵达时间信息；通过至少一个处理器根据各所述训练地理单元的抵达时间信息，对各所述训练地理单元进行排序；通过至少一个处理器根据所述排序结果，判断抵达时间信息相等的训练地理单元的个数是否大于预设值；若确定是，对第一划分规则进行调整，根据调整后的划分规则，重新划分所述训练区域，返回执行所述通过至少一个处理器获取各所述训练地理单元的抵达时间信息的步骤，直至抵达时间信息相等的训练地理单元的个数不大于所述预设值；若确定不是，根据排序结果和所述难度级别数，通过至少一个处理器确定各所述地理单元的难度等级。

另外，在根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分之后，还包括：根据实体的配送难度得分，以及预先设置的配送难度得分和配送费的约束关系，通过至少一个处理器确定配送费。该例子中，基于相对配送难度得分，预估配送费，使得配送费分配更合理，摆脱了之前由于配送难度不准确而导致配送费过高或过低的窘境。

另外，在根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分之后，还包括：根据实体的配送难度得分，以及预先设置的配送难度得分和配送时间的约束关系，通过至少一个处理器确定配送时间。

另外，训练地理单元的抵达时间信息为：预设时间内训练地理单元对应的历史订单的平均抵达时间。

另外，在通过至少一个处理器获取实体所属的地理单元的特征向量之前，还包括：根据预设的第二划分规则，将实体所属区域划分为M个地理单元，M为大于1的正整数。

附图说明

图1是根据本发明第一实施方式中的配送难度的预估方法的流程图；

图2是根据本发明第二实施方式中的配送难度的预估方法的流程图；

图3是根据本发明第三实施方式中的配送难度的预估装置的示意图；

图4是根据本发明第四实施方式中的电子设备的结构示意图。

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配送难度的预估方法，应用于电子设备，例如，服务器或终端。如图1所示，该方法包括：

步骤101：通过至少一个处理器获取实体所属的地理单元的特征向量。

具体地说，实体可以是某一商圈、某一订单的具体配送地点等，此处不做限制。

在一个例子中，电子设备在分析某一实体的配送难度时，通过至少一个处理器确定该实体所属的地理单元；根据该实体所属的地理单元的历史订单数据，确定该配送地点所属的地理单元的特征向量。

值得一提的是，以地理单元的粒度对各地区的特征进行分析，减少了运算量，提高了分析效率。除此之外，以地理单元的粒度对各地区的特征进行分析，可以避免直接使用抵达时间信息标识配送难度的方式中，无法确定抵达时间的问题，以及由于抵达时间集中无法体现实体的配送难易程度的问题。

需要说明的是，本领域技术人员可以理解，在确定实体所属的地理单元的特征向量的过程中，还可以实体所属的地理单元的历史订单数据以外的其他信息，如建筑物信息、小区管理信息等。例如，电子设备根据实体所属的地理单元的平均接单时长、平均接单率、平均配送费、实体所属的地理单元的建筑类型(如是否有电梯，是否准许进入小区，楼层)等因素中的任意一个或多个因素确定实体所属的地理单元的特征向量，也可以根据其他因素确定，此处不一一列举。

例如，实体所属的地理单元的特征向量为(A1，B1)，其中，A1根据实体所属的地理单元的平均接单时长确定，B1根据实体所属的地理单元内的各个建筑是否有电梯确定，若配送地点所属的地理单元内有电梯的建筑的数量超过总建筑的T倍，则B1＝1，否则，B1＝0。T为大于0小于1的正数，具体取值可以根据需要设置。

步骤102：根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分。

具体地说，难度排序模型为预先训练的用于确定实体所属的地理单元的特征向量所表征的配送难度得分的网络模型，难度排序模型的训练数据包括各训练地理单元的特征向量和各训练地理单元的难度等级；其中，训练地理单元的难度等级根据训练地理单元的抵达时间信息确定。

在一个例子中，各训练地理单元的难度等级根据各训练地理单元的抵达时间信息的排序结果和预设的难度级别数确定。例如，确定各训练地理单元的难度等级的过程包括：

步骤1021：通过至少一个处理器获取各训练地理单元的抵达时间信息。

具体地说，在训练难度排序模型时，电子设备可以随机选择一个区域，作为训练区域，或者，基于测试者输入数据，选择一个区域，作为训练区域，并将训练区域划分为多个训练地理单元。电子设备也可以基于测试者输入数据，锁定一些地点，构成训练地理单元。此处不限制锁定训练地理单元的方式。

在确定训练地理单元后，电子设备基于各训练地理单元内的历史订单信息，确定各训练地理单元的抵达时间信息。其中，各训练地理单元内的历史订单信息可以由电子设备从订单管理平台获取，也可以由电子设备通过读取外部存储介质的方式获取，此处不对订单信息的获取方式进行限制。

需要说明的是，本领域技术人员可以理解，抵达时间可以是配送运力从取货点到实体所在位置的时间，也可以是配送运力到达实体所在位置到将餐品交给用户的时间，本实施方式不限制抵达时间的具体含义。其中，配送运力可以是机器人或配送员。

步骤1022：通过至少一个处理器根据各训练地理单元的抵达时间信息，对各训练地理单元进行排序。

具体地说，电子设备可以根据抵达时间由长到短的顺序，或者由短到长的顺序，对各训练地理单元进行排序。

在一个例子中，训练地理单元的抵达时间信息为：预设时间内训练地理单元对应的历史订单的平均抵达时间。其中，预设时间可以根据需要设置，例如，设置为获取训练地理单元对应的历史订单前的一周，此处不做限制。

需要说明的是，电子设备也可以根据训练地理单元内所有的历史订单的抵达时间，确定训练区域的地理单元的抵达时间信息，本实施方式不限制抵达时间信息的确定方式。

步骤1023：根据排序结果，以及预设的难度等级划分规则，通过至少一个处理器确定各训练地理单元的难度等级。

在一个例子中，预设的难度等级划分规则指示各难度等级的训练地理单元数量。电子设备根据各难度等级的训练地理单元数量，以及排序结果，确定各训练地理单元的难度等级。例如，若各难度等级的训练地理单元数量均为10，训练地理单元根据抵达时间由短到长的顺序排序，则将排位在第1位至第10位的训练地理单元作为第1级，排位在第11位至第20位的训练地理单元作为第2级……以此类推，级数越高配送难度越大。

又如，预设的难度等级划分规则指示各难度等级的训练地理单元在所有训练地理单元中所占的百分比。例如，预设的难度等级规则指示，取第1～14％位为第1级，第14％～28％位为第2级，第28％～42％位为第3级，第42％～56％位为第4级，第56％～68％位为第5级，第68％～80％位为第6级，第80％～90％位为第7级，第90％～96％位为第8级，第96％～99％位为第9级，第99％～100％位为第10级，级数越高配送难度越大。电子设备根据各难度等级的训练地理单元在所有训练地理单元中所占的百分比，以及排序结果，确定各训练地理单元的难度等级。

需要说明的是，本领域技术人员可以理解，实际应用中，还可以设置其他的划分规则，本实施方式仅为举例说明。

在一个例子中，抵达时间信息相等的训练地理单元的个数不大于预设值。为确保抵达时间信息相等的训练地理单元的个数不大于预设值，测试人员可以控制输入的训练地理单元的数据，也可以控制训练地理单元的划分过程和确定难度等级的过程。

值得一提的是，若抵达时间信息相同的训练地理单元过多，基于预设的难度等级划分规则划分训练地理单元的难度等级时，容易出现划分失败的情况。因此，对抵达信息相同的训练地理单元的个数进行限制，可以减少难度等级划分失败的情况，提高了难度排序模型训练成功的概率。

例如，确定各训练地理单元的难度等级的过程包括：

通过至少一个处理器按照第一划分规则，将训练区域划分为N个训练地理单元，N为大于1的正整数；通过至少一个处理器获取各所述训练地理单元的抵达时间信息；通过至少一个处理器根据各所述训练地理单元的抵达时间信息，对各所述训练地理单元进行排序；通过至少一个处理器根据所述排序结果，判断抵达时间信息相等的训练地理单元的个数是否大于预设值；若确定是，对第一划分规则进行调整，根据调整后的划分规则，重新划分所述训练区域，返回执行所述通过至少一个处理器获取各所述训练地理单元的抵达时间信息的步骤，直至抵达时间信息相等的训练地理单元的个数不大于所述预设值；若确定不是，根据排序结果和所述难度级别数，通过至少一个处理器确定各所述地理单元的难度等级。

步骤1031：通过至少一个处理器按照第一划分规则，将训练区域划分为N个地理单元。N为大于1的正整数。

步骤1032：通过至少一个处理器获取各所述训练地理单元的抵达时间信息。该步骤可参见步骤1021的相关描述实施。

步骤1033：通过至少一个处理器根据各所述训练地理单元的抵达时间信息，对各所述训练地理单元进行排序。该步骤可参见步骤1022的相关描述实施。

步骤1034：通过至少一个处理器根据排序结果，判断抵达时间信息相同的训练地理单元的个数是否大于预设值。

具体地说，若确定是，对第一划分规则进行调整，根据调整后的划分规则，重新划分训练区域，返回执行步骤1032，直至排位相同的训练实体所属的地理单元的个数不大于预设值。若确定不是，执行步骤1035。

需要说明的是，本领域技术人员可以理解，实际应用中，预设值可以根据需要设置为各正整数。例如，设置为1，或者2，或者其他小于10的正整数。

具体地说，多个训练地理单元排位相同，可能是由于训练区域的划分规则不合适，导致划分的训练地理单元太小，比如一个学校分成了多个单元，那这几个单元的排位很可能是相同的，因此，可以尝试调整划分规则，扩大各地理单元。电子设备调整第一划分规则的方法可以是：电子设备中存储有多个划分规则，在调整划分规则时，依次将各预先存储的划分规则作为第一划分规则，也可以是：调整第一划分规则中的划分的地理单元的尺度大小，例如，从每100平方米划分为一个地理单元调整为每150平方米划分为一个地理单元。本实施方式不限制电子设备调整第一划分规则的方法。

值得一提的是，在难度排序模型的训练数据不符合预设要求时，自动重新划分地理单元，提高了模型训练过程的智能性。

需要说明的是，本领域技术人员可以理解，实际应用中，可以周期性地对难度排序模型进行更新，其中，更新周期可以根据需要设置。

在一个例子中，电子设备在通过至少一个处理器获取实体所属的地理单元的特征向量之前，根据预设的第二划分规则，将实体所属的区域划分为M个地理单元，M为大于1的正整数。其中，第二划分规则可以和最终用于划分训练区域的划分规则相同，也可以不同，本实施方式不做限制。

以下结合实际场景，对模型训练过程进行举例说明。

假设，以国家中某一城市作为训练区域，难度排序模型为基于learn-to-rank算法的模型，则基于该训练区域，训练难度排序模型的过程如下：首先，将该城市划分为多个训练地理单元，得到训练地理单元列表(训练地理单元可以是商圈、网格、六边形网格，或其他地理单元)。训练地理单元的划分方式可以是基于人工标注的商圈抽取，或者，基于规则的网格划分，如可以使用六边形网格(Hexagonal Grids)算法划分。本实施方式不限制划分训练区域的方法。然后，根据各训练地理单元的抵达时间信息，对城市的所有训练地理单元进行等级排序。具体的，电子设备可以依据各训练地理单元的历史订单数据，确定训练地理单元的抵达时间信息。例如，抵达时间为交付时间，电子设备取当前城市下所有训练地理单元近两周的订单数据，计算得到每个训练地理单元的平均实际交付时间，作为该训练地理单元的交付时间。对每个城市下所有训练地理单元按交付时间从小到大进行排序。根据排序结果，取第1～14％位为第1级，第14％～28％位为第2级，第28％～42％位为第3级，第42％～56％位为第4级，第56％～68％位为第5级，第68％～80％位为第6级，第80％～90％位为第7级，第90％～96％位为第8级，第96％～99％位为第9级，第99％～100％位为第10级，级数越高配送难度越大。最后，利用特征工程等技术，提取每个训练地理单元的特征向量，将每个训练地理单元的特征向量和每个训练地理单元的难度等级作为训练数据，输入到排序(learn-to-rank)模型，训练难度排序模型。其中，每个训练地理单元的难度等级作为每个训练地理单元的特征向量的标签。训练后的难度排序模型可以根据输入的特征向量，输出0～1的值，表示配送难度得分。

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，根据训练地理单元的抵达时间信息，确定训练地理单元的难度等级，并基于训练地理单元的难度等级和训练地理单元的特征向量训练得到难度排序模型，使得难度排序模型可以基于输入的实体所属的地理单元的特征向量，评估实体所属的地理单元的相对难度，进而确定实体的配送难度得分。基于相对配送难度评估实体的配送难度得分，可以避免直接使用抵达时间信息标识配送难度的方式中，无法确定抵达时间的问题，以及由于抵达时间集中无法体现实体的配送难易程度的问题，使得配送难度得分更为准确。

本发明的第二实施方式涉及一种配送难度的评估方法，本实施方式中，举例说明了：在基于第一实施方式中预估的配送难度得分后，可基于配送难度得分执行的其他操作。

具体的说，如图2所示，在本实施方式中，包含步骤201至步骤203，其中，步骤201和步骤202分别与第一实施方式中的步骤101和步骤102大致相同，此处不再赘述。下面主要介绍不同之处：

执行步骤201和步骤202。

步骤203：根据实体的配送难度得分，以及预先设置的配送难度得分和配送费的约束关系，通过至少一个处理器确定配送费。

在一个例子中，电子设备中存储有智能基配模型，该智能基配模型用于指示配送难度得分和配送费的约束关系。智能基配模型可以是训练好的xgboost模型，或其他模型。

在一个例子中，智能基配模型为训练好的xgboost模型。电子设备可以构建针对配送难度得分的分类树，以及针对配送费的其他参考因素的分类树，如商圈加价、骑手加价、特殊奖励、历史价格、骑手背单情况和店铺接单情况等，得到未训练的xgboot模型。根据xgboost模型和它的目标函数，通过最小化目标函数来找到xgboost模型的最佳参数组。将训练好的xgboost模型作为智能基配模型。

在另一个例子中，电子设备中存储有预定义的、以配送费为因变量，以配送难度得分为自变量，或，以配送难度得分和其他参考因素为自变量的函数关系式。电子设备在确定某一订单的配送费时，基于该订单的订单信息，通过步骤201和步骤202，确定订单的配送难度得分，从订单的订单信息中，提取其他参考因素的取值，将配送难度得分和其他参考因素，带入函数关系式，得到该订单的配送费。

需要说明的是，本领域技术人员可以理解，实际应用中，配送难度得分和配送费的约束关系可以以各种形式存储于电子设备中，配送难度得分和配送费的约束也可以根据需要设置。

需要说明的是，本领域技术人员可以理解，电子设备还可以根据实体的配送难度得分，以及预先设置的配送难度得分和配送时间的约束关系，通过至少一个处理器确定配送时间。其中，配送难度得分和配送时间的约束关系可以根据需要设置，例如，若配送难度得分为x，则将基于距离确定的配送时间和最大延迟时间*x的和，作为最终的配送时间，其中，最大延迟时间可以根据需要设置，例如，设置为10-30分钟的任意数值。本实施方式仅为举例说明，实际应用中，电子设备可以基于实体的配送难度得分，计算配送过程中的其他参量，本实施方式不一一列举。

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，根据训练地理单元的抵达时间信息，确定训练地理单元的难度等级，并基于训练地理单元的难度等级和训练地理单元的特征向量训练得到难度排序模型，使得难度排序模型可以基于输入的实体所属的地理单元的特征向量，评估实体所属的地理单元的相对难度，进而确定实体的配送难度得分。基于相对配送难度评估实体的配送难度得分，可以避免直接使用抵达时间信息标识配送难度的方式中，无法确定抵达时间的问题，以及由于抵达时间集中无法体现实体的配送难易程度的问题，使得配送难度得分更为准确。除此之外，基于各实体的相对配送难度，预估配送费，使得配送费分配更合理，摆脱了之前由于配送难度不准确而导致配送费过高或过低的窘境。

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配送难度的预估装置，如图3所示，该装置包括：获取模块301和确定模块302。获取模块301用于通过至少一个处理器获取实体所属的地理单元的特征向量；确定模块302用于根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分，难度排序模型的训练数据包括各训练地理单元的特征向量和各训练地理单元的难度等级；其中，训练地理单元的难度等级根据各训练地理单元的抵达时间信息确定。

在一个例子中，各训练地理单元的难度等级根据各训练地理单元的抵达时间信息的排序结果，以及预设的难度等级划分规则确定。

在一个例子中，抵达时间信息相等的训练地理单元的个数不大于预设值。

在一个例子中，确定各所述训练地理单元的难度等级的过程包括：通过至少一个处理器按照第一划分规则，将训练区域划分为N个训练地理单元，N为大于1的正整数；通过至少一个处理器获取各所述训练地理单元的抵达时间信息；通过至少一个处理器根据各所述训练地理单元的抵达时间信息，对各所述训练地理单元进行排序；通过至少一个处理器根据所述排序结果，判断抵达时间信息相等的训练地理单元的个数是否大于预设值；若确定是，对第一划分规则进行调整，根据调整后的划分规则，重新划分所述训练区域，返回执行所述通过至少一个处理器获取各所述训练地理单元的抵达时间信息的步骤，直至抵达时间信息相等的训练地理单元的个数不大于所述预设值；若确定不是，根据排序结果和所述难度级别数，通过至少一个处理器确定各所述地理单元的难度等级。

在一个例子中，预估装置还包括定价模块，定价模块用于在确定模块302根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分之后，根据实体的配送难度得分，以及预先设置的配送难度得分和配送费的约束关系，通过至少一个处理器确定配送费。

在一个例子中，预估装置还包括定时模块，定时模块用于在确定模块302根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分之后，根据实体的配送难度得分，以及预先设置的配送难度得分和配送时间的约束关系，通过至少一个处理器确定配送时间。

在一个例子中，训练地理单元的抵达时间信息为：预设时间内训练地理单元对应的历史订单的平均抵达时间。

在一个例子中，预估装置还包括划分模块，划分模块用于在获取模块301通过至少一个处理器获取实体所属的地理单元的特征向量之前，根据预设的第二划分规则，将实体所属区域划分为M个地理单元，M为大于1的正整数。

不难发现，本实施方式为与第一实施方式或第二实施方式相对应的装置实施例，本实施方式可与第一实施方式或第二实施方式互相配合实施。第一实施方式或第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实施方式或第二实施方式中。

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电子设备，如图4所示，该电子设备包括：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；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：

通过至少一个处理器获取实体所属的地理单元的特征向量；

根据实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取实体的配送难度得分，难度排序模型的训练数据包括各训练地理单元的特征向量和各训练地理单元的难度等级；其中，训练地理单元的难度等级根据训练地理单元的抵达时间信息确定。

在一个例子中，处理器401运行程序时执行第一实施方式或第二实施方式提及的配送难度的预估方法。

具体地，该电子设备包括：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，即实现上述配送难度的预估方法。

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502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配送难度的预估方法。

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。

本申请实施例公开了A1.一种配送难度的预估方法，包括：

通过至少一个处理器获取实体所属的地理单元的特征向量；

根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体的配送难度得分，所述难度排序模型的训练数据包括各训练地理单元的特征向量和各所述训练地理单元的难度等级；其中，所述训练地理单元的难度等级根据所述训练地理单元的抵达时间信息确定。

A2.如A1所述的配送难度的预估方法，各所述训练地理单元的难度等级根据各所述训练地理单元的抵达时间信息的排序结果，以及预设的难度等级划分规则确定。

A3.如A1所述的配送难度的预估方法，抵达时间信息相等的训练地理单元的个数不大于预设值。

A4.如A3所述的配送难度的预估方法，确定各所述训练地理单元的难度等级的过程包括：

通过至少一个处理器按照第一划分规则，将训练区域划分为N个训练地理单元，N为大于1的正整数；

通过至少一个处理器获取各所述训练地理单元的抵达时间信息；

通过至少一个处理器根据各所述训练地理单元的抵达时间信息，对各所述训练地理单元进行排序；

通过至少一个处理器根据所述排序结果，判断抵达时间信息相等的训练地理单元的个数是否大于预设值；

若确定是，对第一划分规则进行调整，根据调整后的划分规则，重新划分所述训练区域，返回执行所述通过至少一个处理器获取各所述训练地理单元的抵达时间信息的步骤，直至抵达时间信息相等的训练地理单元的个数不大于所述预设值；

若确定不是，根据排序结果，以及预设的难度等级划分规则，通过至少一个处理器确定各所述地理单元的难度等级。

A5.如A1至A4中任一项所述的配送难度的预估方法，在所述根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体的配送难度得分之后，还包括：

根据所述实体的配送难度得分，以及预先设置的配送难度得分和配送费的约束关系，通过至少一个处理器确定配送费。

A6.如A1至A4中任一项所述的配送难度的预估方法，在所述根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体的配送难度得分之后，还包括：

根据所述实体的配送难度得分，以及预先设置的配送难度得分和配送时间的约束关系，通过至少一个处理器确定配送时间。

A7.如A1至A4中任一项所述的配送难度的预估方法，所述训练地理单元的抵达时间信息为：预设时间内所述训练地理单元对应的历史订单的平均抵达时间。

A8.如A1至A4中任一项所述的配送难度的预估方法，在所述通过至少一个处理器获取实体所属的地理单元的特征向量之前，还包括：

根据预设的第二划分规则，将所述实体所属区域划分为M个地理单元，M为大于1的正整数。

本申请实施例公开了B1.一种配送难度的预估装置，包括：获取模块和确定模块；

所述获取模块用于通过至少一个处理器获取实体所属的地理单元的特征向量；

所述确定模块用于根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体所属的地理单元的配送难度得分，所述难度排序模型的训练数据包括各训练地理单元的特征向量和各所述训练地理单元的难度等级；其中，所述训练地理单元的难度等级根据所述训练地理单元的抵达时间信息确定。

B2.如B1所述的配送难度的预估装置，各所述训练地理单元的难度等级根据各所述训练地理单元的抵达时间信息的排序结果，以及预设的难度等级划分规则确定。

B3.如B1所述的配送难度的预估装置，抵达时间信息相等的训练地理单元的个数不大于预设值。

B4.如B3所述的配送难度的预估装置，确定各所述训练地理单元的难度等级的过程包括：

通过至少一个处理器按照第一划分规则，将训练区域划分为N个训练地理单元，N为大于1的正整数；

通过至少一个处理器获取各所述训练地理单元的抵达时间信息；

通过至少一个处理器根据各所述训练地理单元的抵达时间信息，对各所述训练地理单元进行排序；

通过至少一个处理器根据所述排序结果，判断抵达时间信息相等的训练地理单元的个数是否大于预设值；

若确定是，对第一划分规则进行调整，根据调整后的划分规则，重新划分所述训练区域，返回执行所述通过至少一个处理器获取各所述训练地理单元的抵达时间信息的步骤，直至抵达时间信息相等的训练地理单元的个数不大于所述预设值；

若确定不是，根据排序结果，以及预设的难度等级划分规则，通过至少一个处理器确定各所述地理单元的难度等级。

B5.如B1至B4中任一项所述的配送难度的预估装置，所述预估装置还包括定价模块；

所述定价模块用于在所述确定模块根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体的配送难度得分之后，根据所述实体的配送难度得分，以及预先设置的配送难度得分和配送费的约束关系，通过至少一个处理器确定配送费。

B6.如B1至B4中任一项所述的配送难度的预估装置，所述预估装置还包括定时模块；

所述定时模块用于在所述确定模块根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体的配送难度得分之后，根据所述实体的配送难度得分，以及预先设置的配送难度得分和配送时间的约束关系，通过至少一个处理器确定配送时间。

B7.如B1至B4中任一项所述的配送难度的预估装置，所述训练地理单元的抵达时间信息为：预设时间内所述训练地理单元对应的历史订单的平均抵达时间。

B8.如B1至B4中任一项所述的配送难度的预估装置，所述预估装置还包括划分模块；

所述划分模块用于在所述获取模块通过至少一个处理器获取实体所属的地理单元的特征向量之前，根据预设的第二划分规则，将所述实体所属区域划分为M个地理单元，M为大于1的正整数。

本申请实施例公开了C1.一种电子设备，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：

通过至少一个处理器获取实体所属的地理单元的特征向量；

根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体所属的地理单元的配送难度得分，所述难度排序模型的训练数据包括各训练地理单元的特征向量和各所述训练地理单元的难度等级；其中，所述训练地理单元的难度等级根据所述训练地理单元的抵达时间信息确定。

C2.如C1所述的电子设备，所述处理器运行程序时执行如A2至A8中任一项所述的配送难度的预估方法。

本申请实施例公开了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A8中任一项所述的配送难度的预估方法。

Claims (10)

1.一种配送难度的预估方法，其特征在于，包括：

通过至少一个处理器获取实体所属的地理单元的特征向量；

根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体的配送难度得分，所述难度排序模型的训练数据包括各训练地理单元的特征向量和各所述训练地理单元的难度等级；其中，所述训练地理单元的难度等级根据所述训练地理单元的抵达时间信息确定。

2.根据权利要求1所述的配送难度的预估方法，其特征在于，各所述训练地理单元的难度等级根据各所述训练地理单元的抵达时间信息的排序结果，以及预设的难度等级划分规则确定。

3.根据权利要求1所述的配送难度的预估方法，其特征在于，抵达时间信息相等的训练地理单元的个数不大于预设值。

4.根据权利要求3所述的配送难度的预估方法，其特征在于，确定各所述训练地理单元的难度等级的过程包括：

通过至少一个处理器按照第一划分规则，将训练区域划分为N个训练地理单元，N为大于1的正整数；

通过至少一个处理器获取各所述训练地理单元的抵达时间信息；

通过至少一个处理器根据各所述训练地理单元的抵达时间信息，对各所述训练地理单元进行排序；

通过至少一个处理器根据所述排序结果，判断抵达时间信息相等的训练地理单元的个数是否大于预设值；

若确定是，对第一划分规则进行调整，根据调整后的划分规则，重新划分所述训练区域，返回执行所述通过至少一个处理器获取各所述训练地理单元的抵达时间信息的步骤，直至抵达时间信息相等的训练地理单元的个数不大于所述预设值；

若确定不是，根据排序结果，以及预设的难度等级划分规则，通过至少一个处理器确定各所述地理单元的难度等级。

5.根据权利要求1至4中任一项所述的配送难度的预估方法，其特征在于，在所述根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体的配送难度得分之后，还包括：

根据所述实体的配送难度得分，以及预先设置的配送难度得分和配送费的约束关系，通过至少一个处理器确定配送费。

6.根据权利要求1至4中任一项所述的配送难度的预估方法，其特征在于，在所述根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体的配送难度得分之后，还包括：

根据所述实体的配送难度得分，以及预先设置的配送难度得分和配送时间的约束关系，通过至少一个处理器确定配送时间。

7.根据权利要求1至4中任一项所述的配送难度的预估方法，其特征在于，在所述通过至少一个处理器获取实体所属的地理单元的特征向量之前，还包括：

根据预设的第二划分规则，将所述实体所属区域划分为M个地理单元，M为大于1的正整数。

8.一种配送难度的预估装置，其特征在于，包括：获取模块和确定模块；

所述获取模块用于通过至少一个处理器获取实体所属的地理单元的特征向量；

所述确定模块用于根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体所属的地理单元的配送难度得分，所述难度排序模型的训练数据包括各训练地理单元的特征向量和各所述训练地理单元的难度等级；其中，所述训练地理单元的难度等级根据所述训练地理单元的抵达时间信息确定。

9.一种电子设备，其特征在于，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：

通过至少一个处理器获取实体所属的地理单元的特征向量；

根据所述实体所属的地理单元的特征向量，以及难度排序模型，通过至少一个处理器获取所述实体所属的地理单元的配送难度得分，所述难度排序模型的训练数据包括各训练地理单元的特征向量和各所述训练地理单元的难度等级；其中，所述训练地理单元的难度等级根据所述训练地理单元的抵达时间信息确定。

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8中任一项所述的配送难度的预估方法。

Images