CN111833079A

CN111833079A - 一种热点区域预测方法和装置

Info

Publication number: CN111833079A
Application number: CN201910300318.4A
Authority: CN
Inventors: 田雨晴
Original assignee: Beijing Sankuai Online Technology Co Ltd
Current assignee: Beijing Sankuai Online Technology Co Ltd
Priority date: 2019-04-15
Filing date: 2019-04-15
Publication date: 2020-10-27
Anticipated expiration: 2039-04-15

Abstract

本申请实施例公开了一种热点区域预测方法和装置，方法包括：获取指定地理区域的历史订单数据，根据所述历史订单数据，得到各第一统计周期内与各区域块对应的第一订单数量，依据所述第一订单数量对所述区域块排序，将与目标区域块对应的区域确定为所述第一统计周期内的历史热点区域，由所述第一统计周期内的历史热点区域，预测得到指定地理区域的第二统计周期内的热点区域。由此实现了对各个统计周期指示的时间段内热点区域的预测，预测粒度更细，预测结果更准确，而且大大提高了预测效率。

Description

一种热点区域预测方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及一种热点区域预测方法和装置。

背景技术

目前热点区域预测是利用历史单量均值预测某个配送区域(比如，王府井商圈)未来一段时间的总单量；然后，根据历史上每个GeoHash块的单量在配送区域内的占比，对各个GeoHash块对应的单量进行预测，根据每个GeoHash块的单量排序，得到热点区域。

这种方案准确性较低。因为直接预测绝对单量(比如某个GeoHash块的单量为1000)，随机性较大而实践中大部分区域的单量较小，某个商家推出新的运营活动或者停止合作等都会导致区域单量有大幅的波动。另外，该方案的时效性较差，每个GeoHash块的预测和统计以天为单位，不能很好的预测一天内不同时段的单量变化。

发明内容

有鉴于此，本申请实施例中提供了一种热点区域预测方法和装置，预测结果更准确，避免了热点区域一整天都是热点的不合理情况，并简化了预测过程，实现了快速预测。

根据本申请实施例的第一个方面，提供了一种热点区域预测方法，包括

获取指定地理区域的历史订单数据，根据所述历史订单数据，得到各第一统计周期内与各区域块对应的第一订单数量，其中所述指定地理区域由多个所述区域块组成；

依据所述第一订单数量对所述区域块排序，将与目标区域块对应的区域确定为所述第一统计周期内的历史热点区域，所述目标区域块是排序靠前的预设个数个所述区域块；

由所述第一统计周期内的历史热点区域，预测得到所述指定地理区域的第二统计周期内的热点区域，其中，所述第二统计周期与所述第一统计周期指示的时间段相等。

根据本申请实施例的第二个方面，提供了一种热点区域预测装置，包括：

订单量确定单元，用于获取指定地理区域的历史订单数据，根据所述历史订单数据，得到各第一统计周期内与各区域块对应的第一订单数量，其中所述指定地理区域由多个所述区域块组成；

历史热点确定单元，用于依据所述第一订单数量对所述区域块排序，将与目标区域块对应的区域确定为所述第一统计周期内的历史热点区域，所述目标区域块是排序靠前的预设个数个所述区域块；

预测单元，用于由所述第一统计周期内的历史热点区域，预测得到所述指定地理区域的第二统计周期内的热点区域，其中，所述第二统计周期与所述第一统计周期指示的时间段相等。

根据本申请实施例的第三个方面，提供了一种电子设备，所述电子设备包括：处理器，以及存储有可在处理器上运行的计算机程序的存储器；其中，所述处理器，用于在执行所述存储器中的计算机程序时执行根据本申请实施例的第一个方面所述方法的步骤。

根据本申请实施例的第四个方面，提供了一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现根据本申请实施例的第一个方面所述方法的步骤。

有益效果：应用本发明实施例的热点区域预测方法和装置，通过获取指定地理区域的历史订单数据，根据历史订单数据得到各第一统计周期内与各区域块对应的第一订单数量，依据第一订单数量对区域块排序确定出第一统计周期内的历史热点区域，由第一统计周期内的历史热点区域预测得到第二统计周期内的热点区域。从而，一方面，实现了对各个统计周期指示的时间段内热点区域的预测，相比以天为单位的预测方案，本实施例的预测粒度更细，预测结果更准确，避免了热点区域一整天都是热点的不合理情况，保证了准确度。另一方面，使用历史热点区域和热点时段作为当前的热点区域和热点时段，简化了预测的过程，实现了快速预测，效率大大提高。

附图说明

图1是本申请一个实施例的热点区域预测方法的流程图；

图2是本申请一个实施例的热点区域预测装置的框图；

图3是本申请一个实施例的电子设备的结构示意图；

图4是本申请一个实施例的非瞬时性计算机可读存储介质的结构示意图。

具体实施方式

为使本申请实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请实施例保护的范围。

在一些业务场景中经常需要预测热点区域以供决策参考，比如在外卖场景、代驾场景中，根据预测的热点区域进行调度实现区域内运力平衡，进而提高调度效果以及运力的利用率，提升企业效益。以外卖场景为例，应用本实施例的热点区域预测方法，预测调度过程中的外卖订单较多的热点区域和热点时段，从而提前调度相应规模的运力以支持热点时段和热点区域的订单运送，有效提高运力的利用率并缩短配送时长，提高消费者的满意度。

图1是本申请一个实施例的热点区域预测方法的流程图，参见图1，本实施例的热点区域预测方法包括：

步骤S101，获取指定地理区域的历史订单数据，根据所述历史订单数据，得到各第一统计周期内与各区域块对应的第一订单数量，

其中，所述指定地理区域由多个所述区域块组成；

步骤S102，依据所述第一订单数量对所述区域块排序，将与目标区域块对应的区域确定为所述第一统计周期内的历史热点区域，所述目标区域块是排序靠前的预设个数个所述区域块；

步骤S103，由所述第一统计周期内的历史热点区域，预测得到所述指定地理区域的第二统计周期内的热点区域，

其中，所述第二统计周期与所述第一统计周期指示的时间段相等。

由图1所示可知，本实施例的热点区域预测方法，通过获取指定地理区域的历史订单数据，根据历史订单数据得到各第一统计周期内与各区域块对应的第一订单数量，依据第一订单数量对区域块排序，得到第一统计周期内的历史热点区域，由历史热点区域预测得到第二统计周期内的热点区域。相比传统的以静态商圈划分热点区域的方案，本发明实施例的技术方案实现了快速预测以及热点区域范围精细化的技术效果，简化了预测过程，并保证了预测结果的准确度。

前述步骤中根据历史订单数据，得到各第一统计周期内与各区域块对应的第一订单数量包括：依据所述历史订单数据中的下单时间，统计得到下单时间在所述第一统计周期指示的时间段内的第一订单，对所述第一订单中的商家地理位置进行转换得到GeoHash编码，统计GeoHash编码相同的各所述第一订单，得到各区域块的自身订单数量，由第一区域块的自身订单数量以及多个第二区域块的自身订单数量，得到所述第一区域块的所述第一订单数量；其中，所述第一区域块是与所述GeoHash编码一一对应的区域块，所述第二区域块是与所述第一区域块邻近的区域块，所述第一统计周期指示的时间段包括第一时间段以及第一时间段之后的多个第二时间段，所述第一时间段和所述第二时间段的长度相等。

也就是说，本申请实施例中，将某个区域块自身的订单以及周围多个区域块的订单作为该区域块的订单以此避免地理位置跳变现象，所谓的地理位置跳变现象是指相邻的两个区域块，其中一个是热点而另一个是非热点的现象。举例而言，指定地理位置区域可以被划分为100个矩形区域，每个矩形区域对应一个区域块，区域块A(或称第一区域块)的订单数量是区域块A的订单数量加上周围24个区域块(即第二区域块)的订单数量得到。也就是说区域块A的订单数量一共包括了25个区域块的订单数量，以此类推，对这100个区域块分别计算区域块的第一订单数量。由于每个区域块的订单数量不仅仅根据自身区域的订单还包括了周围区域块的订单避免了由于区域块划分不合理导致的地理位置跳变现象，提高了热点区域预测的准确性。

这里的每个区域块自身的订单数量是通过对接收到的一段时间内的订单中的商家地理位置进行转换得到GeoHash编码，将GeoHash编码相同的各第一订单累加，所得订单之和即为每个区域块自身的订单数量。比如第一统计周期为12：00-12：45这一段时间，那么对这一段时间内接收到的订单比如80个订单进行计算，由于每个订单中都包括了商家地理位置，那么可以对订单中的商家地理位置进行转换得到GeoHash编码(比如W4ZXO)，统计这80个订单中GeoHash编码相同的订单数量，比如GeoHash编码相同的订单为25个，那么这25个订单就属于同一个区域块的订单。

需要说明的是，为了提高订单配送效率，本实施例将指定地理区域划分为多个区域块，即区域块是对指定地理区域划分后得到的，指定地理区域由多个区域块组成，各个区域块对应分配一定数量的运力，以快速响应各个区域块内的外卖订单配送。

继续以北京中关村地区为例，在电子地图上，对北京中关村地区进行划分得到多个矩形区域，计算各个矩形区域对应的GeoHash编码，GeoHash是将二维的经纬度转换成字符串，比如WX4ER，WX4G2、WX4G3等等，每一个编码代表了某一矩形区域。也就是说，这个矩形区域内所有的点(经纬度坐标)都共享相同的GeoHash编码，这样既可以保护隐私，又比较容易做缓存。

另外，如前述，本申请实施例中第一统计周期指示的时间段包括第一时间段以及第一时间段之后的多个第二时间段，之所以将每个统计周期指示的时间段包括第一时间段以及第一时间段之后的多个第二时间段是因为本实施例想要达到热点预测的效果，即在当前时刻预测未来一段时间热点的变化。

接上例，第一统计周期指示的时间段为12：00-12：45这一段时间，这一段时间具体是由第一时间段(12：00-12：15)以及2个第二时间段(12：16-12：30、12：31-12：45)组成的，以此，在12:00这一时间点上对派单过程中未来一段时间外卖订单热点区域进行预测，方便调度决策的同时进行运力规划和调度。

也就是说，本申请实施例中预测时间粒度不是以一天为单位而是以一天内的细分时间段为单位。具体的，本实施例中，将一天24小时均分为多个时间段比如以15分钟为间隔，那么一天24小时可分为96个时间段，通过比较不同时间段内各区域块的订单数量，可以得到历史热点区域以及相应的热点时段。

比如，针对同一天同一个指定地理区域内，将排名在前5％的GeoHash块及时段确定为热点区域和热点时段。即，将多个区域块(或称GeoHash块)的订单数量按照从小到大进行排序，将排序靠前的预设个数个区域块确定为目标区域块，将与目标区域块对应的区域确定为第一统计周期内的历史热点区域。预设个数根据比例、区域块的总数，如果比例为5％，区域块总数为比如100，那么预设个数即为5个，也就是说，将排序靠前的5个区域块确定为目标区域块，与这5个区域块对应的区域即为热点区域。由于本实施例中在每个第一统计周期内都会统计和预测一次热点区域，所以可以得到多个第一统计周期内的热点区域，根据热点区域对应的第一统计周期，得到热点时段。

本实施例中，在得到历史热点区域和历史热点时段之后，利用历史数据预测当日的热点区域和热点时段。具体的，本实施例获取指定地理区域的历史订单数据，包括：获取指定地理区域前一日的历史订单数据，由所述第一统计周期内的历史热点区域，预测得到所述指定地理区域的第二统计周期内的热点区域包括：将所述第一统计周期内的历史热点区域直接作为所述指定地理区域当日的第二统计周期内的热点区域，其中，所述前一日与所述当日均为工作日，或所述前一日与所述当日均为休息日。

举例而言，指定地理区域是北京中关村地区，当日为周二，周二是工作日，前一日为周一，那么本实施例中，中关村地区周二的热点预测结果是直接使用周一的热点区域和热点时段，如此，能够快速得到预测结果，避免了复杂的计算。而且根据长期外卖订单的统计数据可知，周一和周二的外卖订单数量相差不大，所以使用前一日的热点区域和热点时段直接作为当日的热点区域和热点时段也保证了预测结果的准确度。当然如果当日为休息日，那么为了保证预测结果，本实施例中选择上一个休息日作为前一日，并基于前一日的历史热点数据预测当日的热点区域。

以上介绍了快速确定当日热点区域和热点时段的方法，实际应用中，某个区域块内的实时变化比如天气变化或者某个商家组织大型促销活动等都会对区域内需要运送的订单造成影响进而影响调度的重点区域，为了提高热点区域预测结果的准确度以及为了运力调度过程中应对这种实时变化和突发状况，本实施例中，使用LR(Logistic Regressive，逻辑回归)模型进行分类验证，以确定前述实施例确定的热点区域是真热点区域还是假热点区域。通过将实时的数据作为训练特征的一部分体现了对当日的实时变化的考虑，这里的相关特征主要包括：指定地理区域的实时数据特征和区域块的实时数据特征。

需要说明的是，本实施例中在使用LR模型进行分类验证时，之所以考虑指定地理区域的实时特征是因为外卖场景中运力调度的实际需要。比如，两个区域块订单数量相同，所在的地理区域(一个在中关村、一个在望京)不同，那么是否为热点区域的判断结果可能不同，即，有可能一个区域块是热点区域，另一个区域块不是热点区域。

换句话说，在本实施例中一个区域块是否是热点区域不仅仅考虑订单数量，还要考虑该区域块所在指定地理区域的天气、配送时长、配送距离等等因素，以此综合确定哪些区域块是热点区域，从而提高预测结果的准确性。比如，本实施例的热点区域预测方法进一步包括，在由第一统计周期内的历史热点区域，预测得到指定地理区域的第二统计周期内的热点区域之后，获取所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据，依据所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据，验证所述热点区域，如果所述热点区域通过所述验证，则将所述热点区域标记为有效，如果所述热点区域未通过所述验证，则将所述热点区域标记为无效。这里的实时配送特征数据包括下列特征数据中的一项或多项：订单数量，天气，配送时长，配送距离，运力，商业促销。

前述依据指定地理区域的实时配送特征数据以及热点区域的实时配送特征数据，验证热点区域包括：将所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据作为测试数据输入到预先训练完成的逻辑回归模型中，得到所述逻辑回归模型输出的分类结果，由所述分类结果确定所述热点区域通过或未通过所述验证，其中，所述逻辑回归模型是利用样本数据训练得到的，所述样本数据包括所述指定地理区域的历史配送特征以及各所述区域块的历史配送特征，所述历史配送特征包括下列特征中的一项或多项：订单数量，天气，配送时长，配送距离，运力，商业促销。

也就是说，本实施例中预先采集指定地理区域的历史配送特征和区域块的历史配送数据作为样本数据，以用于训练逻辑回归模型。利用训练完成的逻辑回归模型对热点区域进行验证，如果验证通过则将热点区域确定为有效即，为真热点区域，如果热点区域未通过验证，则无效即，将热点区域确定为假热点区域，后续可以将假热点区域过滤掉不作为运力调度的重点，而集中运力满足热点区域的订单配送需求。

需要说明的是，历史配送特征是与实时配送特征数据对应的，如果训练逻辑回归模型时分别选择指定地理区域和区域块的订单数量，天气和商业促销这三项指标信息作为历史配送特征，那么在后续模型验证阶段，也相应的获取指定地理区域的订单数量，天气和商业促销三项指标以及热点区域的订单数量，天气和商业促销三项指标信息作为实时特征数据进行测试。

注：如何训练逻辑回归模型为现有技术，因此可以参见现有技术中的说明，这里不再赘述。

由此可知，本实施例中通过考虑调度过程中指定地理区域以及指定地理区域内各热点区域的实时变化验证快速预测实施例中预测出的热点区域，将真正的热点区域挑选出来作为后续运力调度的重点，提高了热点区域预测的准确性和调度效率。

为了提高调度和运力配送效率，本实施例中对距离相近的多个热点区域进行聚合，比如在预测得到所述指定地理区域的热点区域之后，依据GeoHash编码前缀匹配结果，将距离在预设距离阈值范围内的多个热点区域聚合为多边形，由所述多边形指示的区域以及获取的运力的地理位置信息确定运力调度方向，其中，所述运力调度方向包括：运力从一热点区域到另一热点区域、运力从一热点区域到一非热点区域、运力从一非热点区域到一热点区域、运力从一非热点区域到另一非热点区域。

GeoHash编码是由点的经纬度坐标转换而来的，所以如果区域块的GeoHash编码前缀相同则表示区域块距离较近，比如距离在预设距离阈值(比如2公里)范围内有三个热点区域的GeoHash编码前缀均为Wx4，那么本实施例中在电子地图上将这三个热点区域聚合为多边形，由多边形指示的区域以及获取的运力的地理位置信息确定运力调度方向。考虑到实际应用中，运力是活动的其地理位置并不固定，本实施例中对距离相近的多个热点区域进行聚合，并由多边形以及运力的地理位置确定运力调度方向。这里的运力调度方向包括：运力从一热点区域到另一热点区域、运力从一热点区域到一非热点区域、运力从一非热点区域到一热点区域、运力从一非热点区域到另一非热点区域。

通过在调度中考虑聚合后较大的一个区域内未来订单配送的情况，可以更合理的调整运力分布，使运力补充到订单配送任务量较多的区域，进而实现对运力的充分利用，并保证订单的配送效率。

与前述热点区域预测方法同属于一个技术构思，本申请实施例还提供了一种热点区域预测装置，参见图2，本实施例的热点区域预测装置200包括：

订单量确定单元201，用于获取指定地理区域的历史订单数据，根据所述历史订单数据，得到各第一统计周期内与各区域块对应的第一订单数量，其中所述指定地理区域由多个所述区域块组成；

历史热点确定单元202，用于依据所述第一订单数量对所述区域块排序，将与目标区域块对应的区域确定为所述第一统计周期内的历史热点区域，所述目标区域块是排序靠前的预设个数个所述区域块；

预测单元203，用于由所述第一统计周期内的历史热点区域，预测得到所述指定地理区域的第二统计周期内的热点区域，其中，所述第二统计周期与所述第一统计周期指示的时间段相等。

在本发明的一个实施例中，订单量确定单元201具体用于依据所述历史订单数据中的下单时间，统计得到下单时间在所述第一统计周期指示的时间段内的第一订单，对所述第一订单中的商家地理位置进行转换得到GeoHash编码，统计GeoHash编码相同的各所述第一订单，得到各区域块的自身订单数量，由第一区域块的自身订单数量以及多个第二区域块的自身订单数量，得到所述第一区域块的所述第一订单数量；其中，所述第一区域块是与所述GeoHash编码一一对应的区域块，所述第二区域块是与所述第一区域块邻近的区域块，所述第一统计周期指示的时间段包括第一时间段以及第一时间段之后的多个第二时间段，所述第一时间段和所述第二时间段的长度相等。

在本发明的一个实施例中，订单量确定单元201具体用于获取指定地理区域前一日的历史订单数据，所述预测单元203具体用于将所述第一统计周期内的历史热点区域直接作为所述指定地理区域当日的第二统计周期内的热点区域，其中，所述前一日与所述当日均为工作日，或所述前一日与所述当日均为休息日。

在本发明的一个实施例中，图2所示的热点区域预测装置进一步包括验证单元，用于获取所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据，依据所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据，验证所述热点区域，如果所述热点区域通过所述验证，则将所述热点区域标记为有效，如果所述热点区域未通过所述验证，则将所述热点区域标记为无效。

在本发明的一个实施例中，实时配送特征数据包括下列特征数据中的一项或多项：订单数量，天气，配送时长，配送距离，运力，商业促销。

在本发明的一个实施例中，所述验证单元，具体用于将所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据作为测试数据输入到预先训练完成的逻辑回归模型中，得到所述逻辑回归模型输出的分类结果，由所述分类结果确定所述热点区域通过或未通过所述验证，其中，所述逻辑回归模型是利用样本数据训练得到的，所述样本数据包括所述指定地理区域的实时配送特征以及各所述区域块的历史配送特征，所述历史配送特征包括下列特征中的一项或多项：订单数量，天气，配送时长，配送距离，运力，商业促销。

在本发明的一个实施例中，图2所示的热点区域预测装置进一步包括：调度单元，用于依据GeoHash编码前缀匹配结果，将距离在预设距离阈值范围内的多个热点区域聚合为多边形，由所述多边形指示的区域以及获取的运力的地理位置信息确定运力调度方向，其中，所述运力调度方向包括：运力从一热点区域到另一热点区域、运力从一热点区域到一非热点区域、运力从一非热点区域到一热点区域、运力从一非热点区域到另一非热点区域。

关于图2所示的热点区域预测装置中的各单元所执行的各功能的举例解释说明，与前述方法实施例中的举例解释说明一致，这里不再一一赘述。

综上所述，本实施例的热点区域预测方法和装置，利用统计学和地图理论确定区域块的相对热度，简化了热点区域预测的过程并保证了准确度，结合实际应用场景实现了快速预测和范围精细化的效果，为运力调度提供了决策参考。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请实施例的内容，并且上面对特定语言所做的描述是为了披露本申请实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个申请方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，申请方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请实施例的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的页面性能测试装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3是本申请一个实施例的电子设备的结构示意图。该电子设备300包括：处理器301，以及存储有可在所述处理器301上运行的计算机程序的存储器302。处理器301，用于在执行所述存储器302中的计算机程序时执行本申请实施例中方法的各步骤。存储器302可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器302具有存储用于执行上述方法中的任何方法步骤的计算机程序304的存储空间303。计算机程序304可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所示的非瞬时性计算机可读存储介质。

图4是本申请一个实施例的非瞬时性计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本申请实施例的方法步骤的计算机程序304，可以被电子设备300的处理器301读取，当计算机程序304由电子设备300运行时，导致该电子设备300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算程序304可以执行上述任一实施例中示出的方法。计算机程序304可以以适当形式进行压缩。

应该注意的是上述实施例对本申请实施例进行说明而不是对本申请实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词、第二、以及第三等的使用不表示任何顺序，可将这些单词解释为名称。

Claims

1.一种热点区域预测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述根据所述历史订单数据，得到各第一统计周期内与各区域块对应的第一订单数量包括：

依据所述历史订单数据中的下单时间，统计得到下单时间在所述第一统计周期指示的时间段内的第一订单，

对所述第一订单中的商家地理位置进行转换得到GeoHash编码，统计GeoHash编码相同的各所述第一订单，得到各区域块的自身订单数量，

由第一区域块的自身订单数量以及多个第二区域块的自身订单数量，得到所述第一区域块的所述第一订单数量；

其中，所述第一区域块是与所述GeoHash编码一一对应的区域块，所述第二区域块是与所述第一区域块邻近的区域块，所述第一统计周期指示的时间段包括第一时间段以及第一时间段之后的多个第二时间段，所述第一时间段和所述第二时间段的长度相等。

3.如权利要求1或2所述的方法，其特征在于，所述获取指定地理区域的历史订单数据包括：

获取指定地理区域前一日的历史订单数据，

由所述第一统计周期内的历史热点区域，预测得到所述指定地理区域的第二统计周期内的热点区域包括：

将所述第一统计周期内的历史热点区域直接作为所述指定地理区域当日的第二统计周期内的热点区域，其中，所述前一日与所述当日均为工作日，或所述前一日与所述当日均为休息日。

4.如权利要求1所述的方法，其特征在于，在由所述第一统计周期内的历史热点区域，预测得到所述指定地理区域的第二统计周期内的热点区域之后，所述方法进一步包括：

获取所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据；

依据所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据，验证所述热点区域；

如果所述热点区域通过所述验证，则将所述热点区域标记为有效，如果所述热点区域未通过所述验证，则将所述热点区域标记为无效。

5.如权利要求4所述的方法，其特征在于，所述实时配送特征数据包括下列特征数据中的一项或多项：订单数量，天气，配送时长，配送距离，运力，商业促销。

6.如权利要求4所述的方法，其特征在于，所述依据所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据，验证所述热点区域包括：

将所述指定地理区域的实时配送特征数据以及所述热点区域的实时配送特征数据作为测试数据输入到预先训练完成的逻辑回归模型中，得到所述逻辑回归模型输出的分类结果，由所述分类结果确定所述热点区域通过或未通过所述验证，

其中，所述逻辑回归模型是利用样本数据训练得到的，所述样本数据包括所述指定地理区域的历史配送特征以及各所述区域块的历史配送特征，所述历史配送特征包括下列特征中的一项或多项：订单数量，天气，配送时长，配送距离，运力，商业促销。

7.如权利要求1-6中任一项所述的方法，其特征在于，在预测得到所述指定地理区域的热点区域之后，

依据GeoHash编码前缀匹配结果，将距离在预设距离阈值范围内的多个热点区域聚合为多边形，由所述多边形指示的区域以及获取的运力的地理位置信息确定运力调度方向，

其中，所述运力调度方向包括：运力从一热点区域到另一热点区域、运力从一热点区域到一非热点区域、运力从一非热点区域到一热点区域、运力从一非热点区域到另一非热点区域。

8.一种热点区域预测装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：处理器，以及存储有可在处理器上运行的计算机程序的存储器；

其中，所述处理器，用于在执行所述存储器中的计算机程序时执行权利要求1-7中任一项所述方法的步骤。

10.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机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。