CN111768021A - 订单价格调整方法、装置、服务器及存储介质 - Google Patents

订单价格调整方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN111768021A
CN111768021A CN201910262647.4A CN201910262647A CN111768021A CN 111768021 A CN111768021 A CN 111768021A CN 201910262647 A CN201910262647 A CN 201910262647A CN 111768021 A CN111768021 A CN 111768021A
Authority
CN
China
Prior art keywords
order
taking probability
order taking
price
probability
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
CN201910262647.4A
Other languages
English (en)
Inventor
陈圣茜
周凯荣
李鑫
陈宁
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.)
Lazas Network Technology Shanghai Co Ltd
Original Assignee
Lazas Network Technology Shanghai 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 Lazas Network Technology Shanghai Co Ltd filed Critical Lazas Network Technology Shanghai Co Ltd
Priority to CN201910262647.4A priority Critical patent/CN111768021A/zh
Publication of CN111768021A publication Critical patent/CN111768021A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及信息处理技术领域，公开了一种订单价格调整方法、装置、服务器及存储介质。订单价格调整方法，包括：获取订单对应的候选配送资源的特征数据；根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预测模型根据配送资源历史的特征数据训练得到；根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。采用本发明的实施方式，能够根据预测的配送资源的接单概率对订单价格进行调整，从而保持订单被接起率和订单成本的均衡。

Description

订单价格调整方法、装置、服务器及存储介质
技术领域
本发明实施例涉及信息处理技术领域，特别涉及一种订单价格调整方法、装置、服务器及存储介质。
背景技术
在订单配送业务中，存在一种分配方式，当订单生成后，配送资源可根据订单的综合因素进行考量，来决定是否接受订单。
然而发明人发现相关技术中至少存在如下问题：在配送资源自行考量是否接单的订单配送场景中，通常有部分订单由于综合因素较劣而无法被配送资源接起，从而影响订单的被接起率和订单成本。
发明内容
本发明实施方式的目的在于提供一种订单价格调整方法、装置、服务器及存储介质，能够根据预测的配送资源的接单概率对订单价格进行调整，从而保持订单被接起率和订单成本的均衡。
为解决上述技术问题，本发明的实施方式提供了一种订单价格调整方法，包括：获取订单对应的候选配送资源的特征数据；根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预测模型根据配送资源历史的特征数据训练得到；根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
本发明的实施方式还提供了一种订单价格调整装置，包括：获取模块，用于获取订单对应的候选配送资源的特征数据；预测模块，用于根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预设预测模型根据配送资源历史的特征数据训练得到；调价模块，用于根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
本发明的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取订单对应的候选配送资源的特征数据；根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预测模型根据配送资源历史的特征数据训练得到；根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
本发明的实施方式还提供了一种计算机可读存储介质，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的订单价格调整方法。
本发明实施方式相对于现有技术而言，根据订单对应的候选配送资源的特征数据和预设的用于预测接单概率的预测模型，对候选配送资源的接单概率进行预测，并根据预测的接单概率和预设的接单概率阈值，对订单的价格进行调整，从而能够实现在配送资源的接单概率较低时，通过调价来提升配送资源的接单意愿，以保证订单的正常配送质量，控制订单被接单概率处于均衡状态；或是在配送资源的接单概率较高时，通过调价来控制订单产生的成本。另外，预设的用于预测接单概率的预测模型是根据配送资源历史的特征数据训练得到的，因此能够较为真实准确地对配送资源的接单概率进行预测，预测的接单概率的可参考价值较高。
另外，预设的接单概率阈值，根据配送资源历史的接单概率得到；所述预设的接单概率阈值，包括：第一接单概率和第二接单概率，其中，所述第一接单概率小于所述第二接单概率。由于接单概率阈值是根据配送资源历史的接单概率得到的，因此较为真实准确的反映了接单概率的变化规律；且由于预设的接单概率阈值包括第一接单概率和第二接单概率两个边界值，从而能够根据预设的接单概率阈值对订单的价格进行多段的调整，贴合接单概率的变化规律。
另外，根据预测的所述接单概率，对所述订单的价格进行调整，包括：当所述接单概率低于所述第一接单概率时，保持所述订单的价格；当所述接单概率高于所述第二接单概率时，降低所述订单的价格；当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加所述订单的价格。当所述接单概率低于所述第一接单概率时，所述接单概率处于较低水平，且基本不会因订单价格的波动而有明显上升，因此保持所述订单的价格以维持现状；当所述接单概率高于预设的第二接单概率时，所述接单概率处于较高水平，且基本不会因订单价格的波动而有明显下降，因此适当降低所述订单价格，以在所述订单配送质量有保证的同时降低所述订单产生的成本；当接单概率处于所述第一接单概率和所述第二接单概率之间时，订单价格的变化对于接单概率的影响较大，而期望接单概率得到一定的提升，因此增加订单的价格，以提升配送资源的接单意愿，使得订单有更大概率被接起，保证订单的配送质量。
另外，当所述接单概率高于所述第二接单概率时，降低的所述订单的价格的幅度与所述接单概率呈正比；当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加的所述订单的价格的幅度与所述接单概率呈反比。当所述接单概率高于所述第二接单概率时，所述接单概率基本不会因订单价格的波动而有明显下降，且接单概率越接近最大值，对于订单价格的波动越不敏感，因此令降低的所述订单的价格的幅度与接单概率呈正比，即接单概率越高，降价越多，从而在所述订单配送质量有保证的同时最大化降低所述订单产生的成本；当所述接单概率处于第一接单概率和所述第二接单概率之间时，需要增加订单的价格，同时所述接单概率越接近最大值，对于订单价格的波动越不敏感，因此令增加的所述订单的价格的幅度与接单概率呈反比，即接单概率越高，增价越少，从而在有效提升订单的被接起概率的同时控制订单增加的成本。
另外，特征数据，包括以下数据的任意组合：时间数据、订单数据、配送资源位置数据、配送资源属性数据、商户数据、环境数据。通过不同维度的数据组合对模型进行训练，使得模型训练的参考数据较为丰富，模型的预测结果更为准确可靠。
另外，预测模型，通过以下方式训练得到：分别获取在M个历史第一预设时间段内的多个配送资源历史的特征数据，作为M个训练集，所述M个训练集与所述M个历史第一预设时间段一一对应；根据所述M个训练集，分别进行模型训练，得到M个训练后的模型，使得模型能够在丰富的数据环境中进行训练，并便于在多个训练后的模型中选择效果最优的模型；对所述M个训练后的模型进行测试，将测试误差最小的所述训练后的模型，作为所述预测模型，以有效提高预测模型的预测准确度和可靠度。
另外，对所述M个训练后的模型进行测试，包括：分别获取在M个历史第二预设时间段内的多个所述配送资源历史的特征数据，作为M个测试集，所述M个测试集与所述M个训练后的模型一一对应；根据所述M个测试集，分别对对应的所述M个训练后的模型进行测试，获取所述M个训练后的模型的测试误差，根据测试结果计算每个预测模型的测试误差，使得对各预测模型的预测效果有统一的度量标准。
另外，预测模型，具体为xgboost模型，能够增加预测模型的鲁棒性，相较于传统的机器学习算法，速度快、效果好，能处理大规模数据，且支持多种语言和自定义损失函数。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1是根据本发明第一实施方式的订单价格调整方法的流程图；
图2是根据本发明第一实施方式的接单概率的映射函数图像；
图3是根据本发明第二实施方式的订单价格调整方法的流程图；
图4是根据本发明第三实施方式的对预测模型进行测试的流程图；
图5是根据本发明第四实施方式的订单价格调整装置的结构方框图；
图6是根据本发明第五实施方式的服务器的结构方框图。
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价格调整方法，方法的具体流程如图1所示，具体包括：
步骤101，获取订单对应的候选配送资源的特征数据；
步骤102，根据特征数据和预设的预测模型，对候选配送资源的接单概率进行预测；
步骤103，根据预测的接单概率和预设的接单概率阈值，对订单的价格进行调整。
本实施方式中，根据订单对应的候选配送资源的特征数据和预设的用于预测接单概率的预测模型，对候选配送资源的接单概率进行预测，并根据预测的接单概率和预设的接单概率阈值，对订单的价格进行调整，从而能够实现在配送资源的接单概率较低时，通过调价来提升配送资源的接单意愿，以保证订单的正常配送质量，控制订单被接单概率处于均衡状态；或是在配送资源的接单概率较高时，通过调价来控制订单产生的成本。另外，预设的用于预测接单概率的预测模型是根据配送资源历史的特征数据训练得到的，因此能够较为真实准确地对配送资源的接单概率进行预测，预测的接单概率的可参考价值较高。
下面对本实施方式的订单价格调整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。
在步骤101中，获取订单对应的候选配送资源的特征数据。本实施方式中，订单在生成后被分配至若干个对应的候选配送资源，各对应的候选配送资源可对订单进行接单操作或拒单操作。候选配送资源的特征数据，可借助订单管理后台实时获取得到；其中，特征数据，至少包括以下维度的数据的任意组合：时间数据(当前是一周中的第几天、当前的时间片等)、订单数据(如订单的预计出餐时长、订单的商品价格等)、配送资源位置数据(如配送资源距商户的距离等)、配送资源属性数据(如配送资源的最大背单能力等)、商户数据(如商户周围配送资源的数量及相对距离等)以及环境数据(如当前天气等级、当前时间片等)。本实施方式中，配送资源可以理解为完成配送所用到的资源，配送可以包括外卖配送、快递配送等，对应的配送资源可以包括外卖平台上完成外卖配送的骑手、快递平台上完成快递配送的快递员等。另外，配送资源也可以为无人车、无人机等，在此不做限制。
在步骤102中，根据获取到的特征数据和预设的预测模型，对候选配送资源的接单概率进行预测，其中，预设的预测模型是根据配送资源历史的特征数据训练得到的。本实施方式中，预测模型可采用xgboost模型，xgboost模型能够增加预测模型的鲁棒性，相较于传统的机器学习算法，速度快、效果好，能处理大规模数据，且支持多种语言和自定义损失函数。本实施方式中，配送资源历史的特征数据可从订单管理后台存储的历史数据中获取得到，特征数据包括的具体数据维度，同步骤101中特征数据包括的具体数据维度。通过不同维度的数据组合对模型进行训练，使得模型训练的参考数据较为丰富，模型的预测结果更为准确可靠。在一个实例中，特征数据包括的具体数据维度，如表1所示：
表1
Figure BDA0002015789480000061
Figure BDA0002015789480000071
Figure BDA0002015789480000081
需要说明的是，上述数据中涉及的时间片，可以理解为当前时间点所处的一个时间段，比如说，以单位时间为15分钟为例，可以将一天的时间划分为若干个时间片，00：00到00：15为第一个时间片；00：15到00：30为第二个时间片，依次类推。也就是说，在00：15这一时刻会得到第一个时间片，第一个时间片的编号为1，在00：30这一时刻会得到第二个时间片，第二个时间片的编号为2，依次类推；在本实施方式中，区分时间片并对时间片进行编号，将编号的时间片作为表示时间的特征数据，相较于直接将具体时间作为特征数据，更为清晰简洁；且便于根据时间片的编号,对处于同一时间片内的数据进行分类统计。
需要说明的是，特征数据中包含的配送资源属性数据，包括配送资源自身属性数据和配送资源与对应订单的相关数据；配送资源自身属性数据，用于评估配送资源的接单能力，配送资源与对应订单的相关数据，用于评估配送资源在历史时间段内接收对应订单的情况。
在步骤103中，根据预测的接单概率和预设的接单概率阈值，对订单的价格进行调整，以保证订单被接起率和订单成本的均衡。下面对预设的接单概率阈值的获取方式，和对订单的价格进行调整的具体方式，进行具体说明：
通过logit函数(评定函数)将配送资源历史的接单概率映射至[0,1]区间，得到如图2所示的函数图像，其中纵轴表示映射至[0,1]区间的接单概率，横轴表示订单价格。由图2所示的函数图像可知，当接单概率处于0.5附近时，函数的斜率变化较大，说明接单概率对于订单价格的变化较为敏感，也就是说订单价格的变化对接单概率的影响较大，在此区间对订单价格做调整能够最大化地影响接单概率；当接单概率处于接近0或是接近1的两端时，函数的斜率变化平缓，说明接单概率对于订单价格的变化基本不敏感，也就是说订单价格的变化对接单概率的影响很小。因此，根据如图2所示的接单概率的函数斜率变化，预设接单概率阈值为第一接单概率，和大于第一接单概率的第二接单概率；当接单概率低于预设的第一接单概率时，接单概率极低，函数的斜率变化平缓，极低的接单概率基本不会因订单价格的波动而有明显上升，可保持订单的价格不变，以维持现状；当接单概率高于预设的第二接单概率时，接单概率极高，函数的斜率变化平缓，极高的接单概率基本不会因订单价格的波动而有明显下降，可降低订单的价格，以在订单配送质量有保证的同时，降低订单产生的成本；当接单概率处于第一接单概率和第二接单概率之间时，可增加订单的价格，以提升配送资源的接单意愿，使得订单有更大概率被接起，保证订单的配送质量。另外，考虑到需要控制订单产生的成本，对于订单价格的调整范围也处于预设的价格调整范围内；预设的价格调整范围，可根据对所有订单平均成本变化的期望值来计算。例如，将价格调整范围设置为[-0.3,0.3](元)。
在一个实例中，预设第一接单概率为0.25，预设第二接单概率为0.75。则当接单概率处于[0,0.25)区间时，极低的接单概率基本不会因订单价格的波动而有明显上升，则不对订单价格做调整。当接单概率处于[0.25,0.75]区间时，可增加订单的价格；且由于接单概率越高，对于订单价格的变化越不敏感，因此配置增加价格的幅度与接单概率呈反比，即接单概率越高，增价越少，从而在有效提升订单的被接起概率的同时控制订单增加的成本。当接单概率处于(0.75,1]区间时，极高的接单概率基本不会因订单价格的波动而有明显下降，则降低订单价格；且由于接单概率越高，对于订单价格的变化越不敏感，因此配置降低价格的幅度与接单概率呈正比，即接单概率越高，降价越多，从而在订单配送质量有保证的同时最大化降低订单产生的成本。根据前述的价格调整方式，配置了如表1所示的价格调整规则：
表1
Figure BDA0002015789480000091
Figure BDA0002015789480000101
本实施方式相对于现有技术而言，根据订单对应的候选配送资源的特征数据和预设的用于预测接单概率的预测模型，对候选配送资源的接单概率进行预测，并根据预测的接单概率和预设的接单概率阈值，在接单概率低于预设的第一接单概率时，保持订单的价格不变；在接单概率高于预设的第二接单概率时，降低订单的价格，以在保证订单配送质量的同时，以降低订单产生的成本；在接单概率处于第一接单概率和第二接单概率之间时，增加订单的价格，以提升配送资源的接单意愿，使得订单有更大概率被接起，保证订单的配送质量。另外，预设的用于预测接单概率的预测模型，是根据丰富的配送资源历史的特征数据训练xgboost模型得到的，因此相较于传统的机器学习算法效果较好，能够较为真实准确地对配送资源的接单概率进行预测，预测的接单概率的可参考价值较高。
本发明的第二实施方式涉及一种订单价格调整方法，第二实施方式中提供了一种训练得到预测模型的方式。本实施方式中的订单价格调整方法如图3所示，下面对图3的流程做具体说明：
步骤300，预先获取预测模型。本实施方式中预测模型的获取方式具体通过步骤3001至3004实现，下面对步骤3001至3004做具体说明：
步骤3001，分别获取在M个历史第一预设时间段内的多个配送资源历史的特征数据，作为M个训练集。
具体地说，M为大于1的自然数。本实施方式中，以7天为历史第一预设时间段，在每7天内分别获取多个配送资源历史的特征数据，作为一个训练集，取M为5，即分别获取在5个7天内的多个配送资源历史的特征数据，得到5个训练集，5个训练集与5个历史第一预设时间段一一对应，如表2所示；配送资源的数量不做具体限制，配送资源的数量越多，则获取到的历史的特征数据越丰富，从而使得模型能够在丰富的数据环境中进行训练，以提高训练后模型输出的准确度。多个配送资源历史的特征数据包括的具体维度数据，同步骤102中的具体维度数据，此处不再赘述。
表2
训练集 历史时间段
训练集1 10月11日——10月17日
训练集2 10月13日——10月19日
训练集3 10月15日——10月21日
训练集4 10月17日——10月23日
训练集5 10月19日——10月25日
步骤3002，根据M个训练集，分别进行模型训练，得到M个训练后的模型。
具体地说，通过对训练集1至训练集5分别进行模型训练，得到5个训练后的模型，即训练集1对应的模型1，训练集2对应的模型2……以此类推。本实施方式中可将用于训练的xgboost模型的超参数设置为：树的颗数1000，树的深度5层，模型学习率0.03，模型特征采样比例0.75，模型样本采样比例0.75。当然，在实际应用中并不以此为限。
步骤3003，对M个训练后的模型进行测试。
具体地说，对训练后的模型1至模型5分别进行测试，以评估各训练后的模型的训练效果。若模型在测试结果上表现为欠拟合，则相应增加该模型的复杂度，例如增加模型树的颗数和树的深度；若模型在测试结果上表现为过拟合，则相应降低该模型的复杂度，例如减小模型树的颗数和树的深度。在根据测试结果对各训练后的模型的复杂度进行调整后，再次对各训练后的模型分别进行测试，直至各训练后的模型在测试结果上表现平稳。评估模型的训练效果是否平稳，可选用AUC(Area Under roc Curve)指标，AUC是一个概率值，当随机挑选一个正样本以及一个负样本时，待评估的模型将正样本排在负样本前面的概率就是AUC值，AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，从而能够很好的评估模型训练效果的好坏程度。本实施方式中，当模型的AUC指标稳定于[0.82,0.85]区间时，可认为模型表现平稳。
步骤3004，确定预测模型。
具体地说，根据对M个训练后的模型进行测试后得到的结果，将表现效果最好的预测模型，确定为预测模型，并将预测模型存储为文件；在需要预测配送资源的接单概率时，调用该存储的文件，以该文件存储的预测模型对接单概率进行预测。
步骤301，获取订单对应的候选配送资源的特征数据。此步骤与步骤101大致相同，此处不再赘述。
步骤302，根据特征数据和预设的预测模型，对候选配送资源的接单概率进行预测。此步骤与步骤102大致相同，此处不再赘述。
步骤303，根据预测的接单概率和预设的接单概率阈值，对订单的价格进行调整。此步骤与步骤103大致相同，此处不再赘述。
本实施方式相对于现有技术而言，获取在多个历史时间段内的多个配送资源历史的特征数据，分别对xgboost模型进行训练，得到多个训练后的模型，使得模型能够在丰富的数据环境中进行训练，并便于在多个训练后的模型中选择效果最优的模型；对训练后的模型进行测试以评估训练效果，并在训练效果趋于稳定时将测试误差最小的模型作为预测模型，以有效提高预测模型的预测准确度和可靠度。
本发明的第三实施方式涉及一种订单价格调整方法，第三实施方式中提供了一种对预测模型进行测试的方式，对第二实施方式中的步骤3003进行了进一步细化。本实施方式中的对预测模型进行测试的流程图如图4所示，下面对图4的流程做具体说明：
步骤30031，分别获取在M个历史第二预设时间段内的多个配送资源历史的特征数据，作为M个测试集。
具体地说，获取的M个测试集，与步骤3002中得到的M个训练后的模型一一对应；获取测试集的方式大致同步骤3002中获取训练集的方式。由于测试集是用来测试模型的训练效果，而非用于训练模型，因此测试集无需包含大量充足的特征数据，只需取较短时间段内的特征数据即可用来测试模型的训练效果。因此本实施方式中，以2天为历史第二预设时间段。由于前述步骤中获取了5个训练集，因此本实施方式中获取了5个2天内的多个配送资源历史的特征数据，作为5个测试集，5个测试集与5个训练后的模型一一对应，也就是与5个训练集一一对应，如表3所示。另外，为了保证测试集的测试效果，测试集所取的历史第二预设时间段内，不包括在相对应的训练集所取的历史第一预设时间段内。
表3
训练集 测试集
训练集1：10月11日——10月17日 测试集1：10月18日——10月19日
训练集2：10月13日——10月19日 测试集2：10月20日——10月21日
训练集3：10月15日——10月21日 测试集3：10月22日——10月23日
训练集4：10月17日——10月23日 测试集4：10月24日——10月25日
训练集5：10月19日——10月25日 测试集5：10月26日——10月27日
步骤30032，根据M个测试集分别对对应的M个训练后的模型进行测试。
具体地说，将测试集包括的历史时间段内配送资源历史的特征数据，作为对应的训练后的模型的输入，供训练后的模型输出预测的接单概率。
步骤30033，获取M个训练后的模型的测试误差。
具体地说，根据各训练后的模型在测试后输出的预测的接单概率，比较于用于测试的真实概率，计算出各训练后的模型的测试误差，以便于评估各训练后的模型的预测准确度并确定预测模型；测试误差具体以数值的形式表示。
本实施方式相对于现有技术而言，对每个预测模型分别采用不同的测试集进行测试，可实现对预测模型的个性化测试，根据测试结果计算每个预测模型的测试误差，使得对各预测模型的预测效果有统一的度量标准。
本发明的第四实施方式涉及一种订单价格调整装置，如图5所示，包括：获取模块501，预测模块502和调价模块503。
获取模块501，用于获取订单对应的候选配送资源的特征数据；
预测模块502，用于根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预设预测模型根据配送资源历史的特征数据训练得到；
调价模块503，用于根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
在一个实例中，调价模块503根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整，所述预设的接单概率阈值根据配送资源历史的接单概率得到；所述预设的接单概率阈值，包括：第一接单概率和第二接单概率，其中，所述第一接单概率小于所述第二接单概率。
在一个实例中，调价模块503用于当所述接单概率低于预设的第一接单概率时，保持所述订单的价格；当所述接单概率高于预设的第二接单概率时，降低所述订单的价格；当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加所述订单的价格。
在一个实例中，当所述接单概率高于所述第二接单概率时，调价模块503降低的所述订单的价格的幅度与所述接单概率呈正比；当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，调价模块503增加的所述订单的价格的幅度与所述接单概率呈反比。
在一个实例中，获取模块501获取的特征数据包括以下数据的任意组合：时间数据、订单数据、配送资源位置数据、配送资源属性数据、商户数据、环境数据。
在一个实例中，预测模块502用到的预测模型，通过以下方式训练得到：分别获取在M个历史第一预设时间段内的多个配送资源历史的特征数据，作为M个训练集，所述M个训练集与所述M个历史第一预设时间段一一对应；根据所述M个训练集，分别进行模型训练，得到M个训练后的模型；对所述M个训练后的模型进行测试，将测试误差最小的所述训练后的模型，作为所述预测模型。
在一个实例中，预测模块502用于对所述M个训练后的模型进行测试，包括：分别获取在M个历史第二预设时间段内的多个所述配送资源历史的特征数据，作为M个测试集，所述M个测试集与所述M个训练后的模型一一对应；根据所述M个测试集，分别对对应的所述M个训练后的模型进行测试，获取所述M个训练后的模型的测试误差。
在一个实例中，预测模块502用到的预测模型具体为xgboost模型。
不难发现，本实施方式为与第一实施方式至第三实施方式的相对应的装置实施例，本实施方式可与第一实施方式至第三实施方式互相配合实施。第一实施方式至第三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。相应的，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至第三实施方式中。
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。
本发明第五实施方式涉及一种服务器，如图6所示，该电子设备包括至少一个处理器601；以及，与至少一个处理器601通信连接的存储器602；以及，与订单价格调整装置通信连接的通信组件603，通信组件603在处理器601的控制下接收和发送数据；其中，存储器602存储有可被至少一个处理器601执行的指令，指令被至少一个处理器601执行以实现：获取订单对应的候选配送资源的特征数据；根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预测模型根据配送资源历史的特征数据训练得到；根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
具体地，该电子设备包括：一个或多个处理器601以及存储器602，图6中以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接，图6中以通过总线连接为例。存储器602作为一种计算机可读存储介质，可用于存储计算机软件程序、计算机可执行程序以及模块。处理器601通过运行存储在存储器602中的计算机软件程序、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，即实现上述订单价格调整方法。
存储器602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602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602可选包括相对于处理器601远程设置的存储器，这些远程存储器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602中，当被一个或者多个处理器601执行时，执行上述任意方法实施方式中的订单价格调整方法。
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。
在本实施方式中，根据订单对应的候选配送资源的特征数据和预设的用于预测接单概率的预测模型，对候选配送资源的接单概率进行预测，并根据预测的接单概率和预设的接单概率阈值，对订单的价格进行调整，从而能够实现在配送资源的接单概率较低时，通过调价来提升配送资源的接单意愿，以保证订单的正常配送质量，控制订单被接单概率处于均衡状态；或是在配送资源的接单概率较高时，通过调价来控制订单产生的成本。另外，预设的用于预测接单概率的预测模型是根据配送资源历史的特征数据训练得到的，因此能够较为真实准确地对配送资源的接单概率进行预测，预测的接单概率的可参考价值较高。
本发明第六实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述订单价格调整方法实施例。
即，本领域技术人员可以理解，实现上述订单价格调整方法实施例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-Only Memory)、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A1.一种订单价格调整方法，包括：
获取订单对应的候选配送资源的特征数据；
根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预测模型根据配送资源历史的特征数据训练得到；
根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
A2.如A1所述的订单价格调整方法，所述预设的接单概率阈值，根据配送资源历史的接单概率得到；
所述预设的接单概率阈值，包括：第一接单概率和第二接单概率，其中，所述第一接单概率小于所述第二接单概率。
A3.如A2所述的订单价格调整方法，所述根据预测的所述接单概率，对所述订单的价格进行调整，包括：
当所述接单概率低于所述第一接单概率时，保持所述订单的价格；
当所述接单概率高于所述第二接单概率时，降低所述订单的价格；
当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加所述订单的价格。
A4.如A3所述的订单价格调整方法，当所述接单概率高于所述第二接单概率时，降低的所述订单的价格的幅度与所述接单概率呈正比；
当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加的所述订单的价格的幅度与所述接单概率呈反比。
A5.如A1所述的订单价格调整方法，所述特征数据，包括以下数据的任意组合：时间数据、订单数据、配送资源位置数据、配送资源属性数据、商户数据、环境数据。
A6.如A5所述的订单价格调整方法，所述预测模型，通过以下方式训练得到：
分别获取在M个历史第一预设时间段内的多个配送资源历史的特征数据，作为M个训练集，所述M个训练集与所述M个历史第一预设时间段一一对应；
根据所述M个训练集，分别进行模型训练，得到M个训练后的模型；
对所述M个训练后的模型进行测试，将测试误差最小的所述训练后的模型，作为所述预测模型。
A7.如A6所述的订单价格调整方法，所述对所述M个训练后的模型进行测试，包括：
分别获取在M个历史第二预设时间段内的多个所述配送资源历史的特征数据，作为M个测试集，所述M个测试集与所述M个训练后的模型一一对应；
根据所述M个测试集，分别对对应的所述M个训练后的模型进行测试，获取所述M个训练后的模型的测试误差。
A8.如A1至A7中任一项所述的订单价格调整方法，所述预测模型，具体为xgboost模型。
本申请实施例公开了B1.一种订单价格调整装置，包括：
获取模块，用于获取订单对应的候选配送资源的特征数据；
预测模块，用于根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预设预测模型根据配送资源历史的特征数据训练得到；
调价模块，用于根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
本申请实施例公开了C1.一种服务器，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
获取订单对应的候选配送资源的特征数据；
根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预测模型根据配送资源历史的特征数据训练得到；
根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
C2.如C1所述的服务器，所述预设的接单概率阈值，根据配送资源历史的接单概率得到；
所述预设的接单概率阈值，包括：第一接单概率和第二接单概率，其中，所述第一接单概率小于所述第二接单概率。
C3.如C2所述的服务器，所述根据预测的所述接单概率，对所述订单的价格进行调整，包括：
当所述接单概率低于所述第一接单概率时，保持所述订单的价格；
当所述接单概率高于所述第二接单概率时，降低所述订单的价格；
当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加所述订单的价格。
C4.如C3所述的服务器，当所述接单概率高于所述第二接单概率时，降低的所述订单的价格的幅度与所述接单概率呈正比；
当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加的所述订单的价格的幅度与所述接单概率呈反比。
C5.如C1所述的服务器，所述特征数据，包括以下数据的任意组合：时间数据、订单数据、配送资源位置数据、配送资源属性数据、商户数据、环境数据。
C6.如C5所述的服务器，所述预测模型，通过以下方式训练得到：
分别获取在M个历史第一预设时间段内的多个配送资源历史的特征数据，作为M个训练集，所述M个训练集与所述M个历史第一预设时间段一一对应；
根据所述M个训练集，分别进行模型训练，得到M个训练后的模型；
对所述M个训练后的模型进行测试，将测试误差最小的所述训练后的模型，作为所述预测模型。
C7.如C6所述的服务器，所述对所述M个训练后的模型进行测试，包括：
分别获取在M个历史第二预设时间段内的多个所述配送资源历史的特征数据，作为M个测试集，所述M个测试集与所述M个训练后的模型一一对应；
根据所述M个测试集，分别对对应的所述M个训练后的模型进行测试，获取所述M个训练后的模型的测试误差。
C8.如C1至C7中任一项所述的服务器，所述预测模型，具体为xgboost模型。
本申请实施例还公开了D1.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现A1至A8中任一项所述的订单价格调整方法。

Claims (10)

1.一种订单价格调整方法，其特征在于，包括：
获取订单对应的候选配送资源的特征数据；
根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预测模型根据配送资源历史的特征数据训练得到；
根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
2.根据权利要求1所述的订单价格调整方法，其特征在于，所述预设的接单概率阈值，根据配送资源历史的接单概率得到；
所述预设的接单概率阈值，包括：第一接单概率和第二接单概率，其中，所述第一接单概率小于所述第二接单概率。
3.根据权利要求2所述的订单价格调整方法，其特征在于，所述根据预测的所述接单概率，对所述订单的价格进行调整，包括：
当所述接单概率低于所述第一接单概率时，保持所述订单的价格；
当所述接单概率高于所述第二接单概率时，降低所述订单的价格；
当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加所述订单的价格。
4.根据权利要求3所述的订单价格调整方法，其特征在于，当所述接单概率高于所述第二接单概率时，降低的所述订单的价格的幅度与所述接单概率呈正比；
当所述接单概率处于所述第一接单概率和所述第二接单概率之间时，增加的所述订单的价格的幅度与所述接单概率呈反比。
5.根据权利要求1所述的订单价格调整方法，其特征在于，所述特征数据，包括以下数据的任意组合：时间数据、订单数据、配送资源位置数据、配送资源属性数据、商户数据、环境数据。
6.根据权利要求5所述的订单价格调整方法，其特征在于，所述预测模型，通过以下方式训练得到：
分别获取在M个历史第一预设时间段内的多个配送资源历史的特征数据，作为M个训练集，所述M个训练集与所述M个历史第一预设时间段一一对应；
根据所述M个训练集，分别进行模型训练，得到M个训练后的模型；
对所述M个训练后的模型进行测试，将测试误差最小的所述训练后的模型，作为所述预测模型。
7.根据权利要求6所述的订单价格调整方法，其特征在于，所述对所述M个训练后的模型进行测试，包括：
分别获取在M个历史第二预设时间段内的多个所述配送资源历史的特征数据，作为M个测试集，所述M个测试集与所述M个训练后的模型一一对应；
根据所述M个测试集，分别对对应的所述M个训练后的模型进行测试，获取所述M个训练后的模型的测试误差。
8.一种订单价格调整装置，其特征在于，包括：
获取模块，用于获取订单对应的候选配送资源的特征数据；
预测模块，用于根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预设预测模型根据配送资源历史的特征数据训练得到；
调价模块，用于根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
9.一种服务器，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
获取订单对应的候选配送资源的特征数据；
根据所述特征数据和预设的用于预测接单概率的预测模型，对所述候选配送资源的接单概率进行预测，其中，所述预测模型根据配送资源历史的特征数据训练得到；
根据预测的所述接单概率和预设的接单概率阈值，对所述订单的价格进行调整。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的订单价格调整方法。
CN201910262647.4A 2019-04-02 2019-04-02 订单价格调整方法、装置、服务器及存储介质 Pending CN111768021A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910262647.4A CN111768021A (zh) 2019-04-02 2019-04-02 订单价格调整方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910262647.4A CN111768021A (zh) 2019-04-02 2019-04-02 订单价格调整方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN111768021A true CN111768021A (zh) 2020-10-13

Family

ID=72718200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910262647.4A Pending CN111768021A (zh) 2019-04-02 2019-04-02 订单价格调整方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN111768021A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766587A (zh) * 2021-01-26 2021-05-07 北京顺达同行科技有限公司 物流订单处理方法、装置、计算机设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530188A (zh) * 2016-09-30 2017-03-22 百度在线网络技术（北京）有限公司 在线叫车服务平台中司机的接单意愿评价方法和装置
CN108764460A (zh) * 2018-05-16 2018-11-06 华中科技大学 一种基于时间卷积和lstm的时间序列预测方法
CN109376942A (zh) * 2018-11-12 2019-02-22 达疆网络科技(上海)有限公司 订单处理方法、存储介质和装置
CN109523152A (zh) * 2018-11-12 2019-03-26 达疆网络科技(上海)有限公司 订单处理方法、存储介质和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530188A (zh) * 2016-09-30 2017-03-22 百度在线网络技术（北京）有限公司 在线叫车服务平台中司机的接单意愿评价方法和装置
CN108764460A (zh) * 2018-05-16 2018-11-06 华中科技大学 一种基于时间卷积和lstm的时间序列预测方法
CN109376942A (zh) * 2018-11-12 2019-02-22 达疆网络科技(上海)有限公司 订单处理方法、存储介质和装置
CN109523152A (zh) * 2018-11-12 2019-03-26 达疆网络科技(上海)有限公司 订单处理方法、存储介质和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴东武: "《农户信用评估与风险预警机制研究》", 30 June 2015, 中国金融出版社, pages: 32 - 35 *
李志辉: "《中国银行业风险控制和资本充足性管制研究》", 31 July 2007, 中国金融出版社, pages: 177 - 182 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766587A (zh) * 2021-01-26 2021-05-07 北京顺达同行科技有限公司 物流订单处理方法、装置、计算机设备以及存储介质
CN112766587B (zh) * 2021-01-26 2023-10-27 北京顺达同行科技有限公司 物流订单处理方法、装置、计算机设备以及存储介质

Similar Documents

Publication Publication Date Title
US11694109B2 (en) Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure
CN108833458B (zh) 一种应用推荐方法、装置、介质及设备
CN112258093A (zh) 风险等级的数据处理方法及装置、存储介质、电子设备
CN110956202B (zh) 基于分布式学习的图像训练方法、系统、介质及智能设备
CN111797320B (zh) 数据处理方法、装置、设备及存储介质
CN106919957B (zh) 处理数据的方法及装置
CN107766888A (zh) 数据处理方法和装置
CN112329843B (zh) 基于决策树的呼叫数据处理方法、装置、设备及存储介质
CN108629436B (zh) 一种估算仓库拣货能力的方法和电子设备
CN109842563A (zh) 内容分发网络流量调度方法、装置和计算机可读存储介质
CN112199559B (zh) 数据特征的筛选方法、装置及计算机设备
CN112183326A (zh) 人脸年龄识别模型训练方法及相关装置
CN113159213A (zh) 一种业务分配方法、装置及设备
CN112651534B (zh) 一种预测资源供应链需求量的方法、装置及存储介质
CN115409153A (zh) 一种基于注意力lstm的畜牧指标预测方法及预测系统
CN114782123A (zh) 一种信用评估方法及系统
CN109993562B (zh) 一种满意度仿真方法、装置及终端设备
CN111768021A (zh) 订单价格调整方法、装置、服务器及存储介质
CN104766221A (zh) 流量精细化营销参数的选取方法
CN110322055B (zh) 一种提高数据风险模型评分稳定性的方法和系统
CN112686690A (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN110134575B (zh) 一种服务器集群的服务能力计算方法及装置
CN113641823A (zh) 文本分类模型训练、文本分类方法、装置、设备及介质
CN112907362A (zh) 贷款业务的处理方法、装置、电子设备和存储介质
CN109325104A (zh) 一种动态计算新闻采集服务资源的方法

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