CN111833119A - 一种订单分配的方法、装置、电子设备及存储介质 - Google Patents
一种订单分配的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111833119A CN111833119A CN201910301376.9A CN201910301376A CN111833119A CN 111833119 A CN111833119 A CN 111833119A CN 201910301376 A CN201910301376 A CN 201910301376A CN 111833119 A CN111833119 A CN 111833119A
- Authority
- CN
- China
- Prior art keywords
- order
- node
- historical
- service
- content
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004891 communication Methods 0.000 claims description 60
- 238000012216 screening Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G06Q50/40—
Abstract
本申请提供了一种订单分配的方法、装置、电子设备及存储介质,其中,该方法包括:接收服务请求端发送的服务请求,并基于所述服务请求生成当前订单;提取所述当前订单中的当前订单内容,基于所述当前订单内容和预先构建的贝叶斯网络模型,确定在出现所述当前订单内容的条件下出现每个订单类别标签的条件概率;根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签;根据所述当前订单匹配的订单类别标签,确定与所述当前订单匹配的服务提供端,并将所述当前订单分配给所述服务提供端。通过上述方法,可以提高订单的分配效率以及服务资源的利用率。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种订单分配的方法、装置、电子设备及存储介质。
背景技术
在一些服务场景下,服务平台中服务器可以接收服务请求端发送的服务请求,并基于服务请求生成服务订单,进而将服务订单分配给服务提供端来执行。
目前,服务器在分配服务订单时,往往是筛选出满足预设的订单分配条件的服务提供端。示例性的,以服务订单为乘车订单为例,可以根据乘车订单中记录的起始位置,确定订单分配区域,并将处于订单分配区域内的服务提供端,作为符合订单分配条件的服务提供端。但是,如果当前订单分配区域内可派单的服务提供端较为紧缺,而订单分配区域以外的其它区域内可派单的服务提供端较为充足,这种情况下,若采用上述订单分配方式,一方面因无法及时分配服务订单,导致订单分配效率较低,另一方面,也会使得其它区域内的服务提供端的服务资源被浪费。
发明内容
有鉴于此,本申请的目的在于提供一种订单分配的方法、装置、电子设备及存储介质,以提高订单分配的效率和服务资源的利用率。
第一方面,本申请实施例提供了一种订单分配的方法,包括:
接收服务请求端发送的服务请求,并基于所述服务请求生成当前订单;
提取所述当前订单中的当前订单内容,基于所述当前订单内容和预先构建的贝叶斯网络模型,确定在出现所述当前订单内容的条件下出现每个订单类别标签的条件概率;
根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签;
根据所述当前订单匹配的订单类别标签,确定与所述当前订单匹配的服务提供端,并将所述当前订单分配给所述服务提供端。
一种可能的实施方式中,所述根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签,包括:
选择条件概率最高的订单类别标签,作为所述当前订单匹配的订单类别标签。
一种可能的实施方式中,根据以下方式构建所述贝叶斯网络模型:
从历史订单集合包含的每个历史订单中提取订单内容、以及对应的订单类别标签;
根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型;
其中,所述贝叶斯网络模型包括n级网络,除第n级网络之外的每级网络中各个节点分别用来标识归属于同一类型但取值不同的订单内容,第n级网络中各个节点分别用于标识不同的订单类别标签;不同级网络中的节点通过有向边连接;
第n级网络中的第p个节点对应至少一个历史条件概率,所述第p个节点经过至少一条由不同级网络中的节点相连接构成的连通路径;所述第p个节点对应的历史条件概率用于表示在出现与所述第p个节点之间构成的连通路径上各个节点标识的订单内容的情况下,出现所述第p个节点标识的订单类别标签的条件概率;n为大于1的正整数,p为正整数。
一种可能的实施方式中,所述订单内容包括以下内容中的至少一种:
服务请求方的标识信息、请求服务的时间信息、请求服务的地址信息。
一种可能的实施方式中,所述订单类别标签用于表示所述服务请求端请求的服务的紧急程度。
一种可能的实施方式中,根据以下方式计算所述第p个节点对应的历史条件概率:
针对与所述第p个节点之间的构成的连通路径上的各个上级节点,计算各个上级节点标识的订单内容之间的第一联合概率,以及,计算各个上级节点标识的订单内容与所述第p个节点标识的订单类别标签之间的第二联合概率;
基于计算的所述第一联合概率和所述第二联合概率,计算所述第p个节点对应的历史条件概率。
一种可能的实施方式中,根据以下方式计算各个上级节点标识的订单内容之间的第一联合概率:
确定所述历史订单集合中包含各个上级节点标识的订单内容的历史订单的第一数量;
将所述第一数量与所述历史订单集合中包含的历史订单的总数量之间的比值,作为所述第一联合概率。
一种可能的实施方式中,根据以下方式计算各个上级节点标识的订单内容与所述第p个节点标识的订单类别标签之间的第二联合概率:
确定所述历史订单集合中包含各个上级节点标识的订单内容、且订单类别标签为所述第p个节点标识的订单类别标签的历史订单的第二数量;
将所述第二数量与所述历史订单集合中包含的历史订单的总数量之间的比值,作为所述第二联合概率。
一种可能的实施方式中,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,还包括:
接收新的历史订单,并提取所述新的历史订单的订单内容、以及对应的订单类别标签;
若所述新的历史订单的任意一个订单内容不包含在所述贝叶斯网络模型中,则在所述贝叶斯网络模型中添加标识该订单内容的节点;
基于所述新的历史订单的其它订单内容、以及对应的订单类别标签,确定与新添加的节点存在关联关系的关联节点,并在所述贝叶斯网络模型中构建所述新添加的节点与所述关联节点的有向边;
调整所述贝叶斯网络模型中所述第n级网络中的节点对应的历史条件概率。
一种可能的实施方式中,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,根据以下方式调整所述贝叶斯网络模型:
确定除所述第n级网络之外的每级网络中的每个节点连接其它节点的数量;
基于每个节点连接其它节点的数量,确定每个节点的权重;
筛选出权重不符合设定条件的节点,并将每个筛选出的节点与相连的其它节点之间的有向边删除。
第二方面,本申请实施例提供了一种订单分配的装置,包括:
接收模块,用于接收服务请求端发送的服务请求,并基于所述服务请求生成当前订单;
第一确定模块,用于提取所述当前订单中的当前订单内容,基于所述当前订单内容和预先构建的贝叶斯网络模型,确定在出现所述当前订单内容的条件下出现每个订单类别标签的条件概率;
第二确定模块,用于根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签;
订单分配模块,用于根据所述当前订单匹配的订单类别标签,确定与所述当前订单匹配的服务提供端,并将所述当前订单分配给所述服务提供端。
一种可能的设计中,所述第一确定模块,在根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签时,具体用于:
选择条件概率最高的订单类别标签,作为所述当前订单匹配的订单类别标签。
一种可能的设计中,所述装置还包括:
模型构建模块,用于根据以下方式构建所述贝叶斯网络模型:
从历史订单集合包含的每个历史订单中提取订单内容、以及对应的订单类别标签;
根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型;
其中,所述贝叶斯网络模型包括n级网络,除第n级网络之外的每级网络中各个节点分别用来标识归属于同一类型但取值不同的订单内容,第n级网络中各个节点分别用于标识不同的订单类别标签;不同级网络中的节点通过有向边连接;
第n级网络中的第p个节点对应至少一个历史条件概率,所述第p个节点经过至少一条由不同级网络中的节点相连接构成的连通路径;所述第p个节点对应的历史条件概率用于表示在出现与所述第p个节点之间构成的连通路径上各个节点标识的订单内容的情况下,出现所述第p个节点标识的订单类别标签的条件概率;n为大于1的正整数,p为正整数。
一种可能的设计中,所述订单内容包括以下内容中的至少一种:
服务请求方的标识信息、请求服务的时间信息、请求服务的地址信息。
一种可能的设计中,所述订单类别标签用于表示所述服务请求端请求的服务的紧急程度。
一种可能的设计中,所述模型构建模块,在计算所述第p个节点对应的历史条件概率时,具体用于:
针对与所述第p个节点之间的构成的连通路径上的各个上级节点,计算各个上级节点标识的订单内容之间的第一联合概率,以及,计算各个上级节点标识的订单内容与所述第p个节点标识的订单类别标签之间的第二联合概率;
基于计算的所述第一联合概率和所述第二联合概率,计算所述第p个节点对应的历史条件概率。
一种可能的设计中,所述模型构建模块,在计算各个上级节点标识的订单内容之间的第一联合概率时,具体用于:
确定所述历史订单集合中包含各个上级节点标识的订单内容的历史订单的第一数量;
将所述第一数量与所述历史订单集合中包含的历史订单的总数量之间的比值,作为所述第一联合概率。
一种可能的设计中,所述模型构建模块,在计算各个上级节点标识的订单内容与所述第p个节点标识的订单类别标签之间的第二联合概率时,具体用于:
确定所述历史订单集合中包含各个上级节点标识的订单内容、且订单类别标签为所述第p个节点标识的订单类别标签的历史订单的第二数量;
将所述第二数量与所述历史订单集合中包含的历史订单的总数量之间的比值,作为所述第二联合概率。
一种可能的设计中,所述模型构建模块,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,还用于:
接收新的历史订单,并提取所述新的历史订单的订单内容、以及对应的订单类别标签;
若所述新的历史订单的任意一个订单内容不包含在所述贝叶斯网络模型中,则在所述贝叶斯网络模型中添加标识该订单内容的节点;
基于所述新的历史订单的其它订单内容、以及对应的订单类别标签,确定与新添加的节点存在关联关系的关联节点,并在所述贝叶斯网络模型中构建所述新添加的节点与所述关联节点的有向边;
调整所述贝叶斯网络模型中所述第n级网络中的节点对应的历史条件概率。
一种可能的设计中,所述模型构建模块,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,根据以下方式调整所述贝叶斯网络模型:
确定除所述第n级网络之外的每级网络中的每个节点连接其它节点的数量;
基于每个节点连接其它节点的数量,确定每个节点的权重;
筛选出权重不符合设定条件的节点,并将每个筛选出的节点与相连的其它节点之间的有向边删除。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中所述的订单分配的方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式中所述的订单分配的方法的步骤。
本申请实施例中,在接收到服务请求端发送的服务请求之后,基于服务请求生成当前订单,并根据当前订单中的当前订单内容和预先构建的贝叶斯网络模型,确定在出现当前订单内容的条件下出现每个订单类别标签的条件概率,并根据每个订单对应的条件概率,确定与当前订单相匹配的服务提供端。
通过这种方式,可以根据当前订单内容以及预先构建的贝叶斯网络模型,筛选服务提供端,由此可以提高订单的分配效率,而分配订单时不再仅仅依靠于预设的规则进行分配,使得闲置的服务资源得以利用,从而可以提高服务资源的利用率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种服务系统的架构示意图;
图2示出了本申请实施例提供的一种贝叶斯网络模型构建方法的流程示意图;
图3示出了本申请实施例提供的一种可能的贝叶斯网络模型的结构示意图;
图4示出了本申请实施例提供的一种历史条件概率计算方法的流程示意图;
图5示出了本申请实施例提供的一种贝叶斯网络模型对比示意图;
图6示出了本申请实施例提供的一种可能的贝叶斯网络模型的结构示意图;
图7示出了本申请实施例提供的一种可能的贝叶斯网络模型的结构示意图;
图8示出了本申请实施例提供的一种可能的贝叶斯网络模型的结构示意图;
图9示出了本申请实施例提供的一种订单分配的方法的流程示意图;
图10示出了本申请实施例提供的一种订单分配的装置的架构示意图;
图11示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
首先,对本申请可适用的应用场景做出介绍。本申请所提供的方法可适用于服务平台派发服务订单的场景中。
服务请求端向服务平台发送服务请求,服务平台可以根据服务请求生成服务订单,并将服务订单派发给服务提供端。
现有技术中,在派发服务订单时,是基于某种条件进行筛选,以网约车场景为例,乘客在通过网约车服务平台进行约车服务请求时,网约车服务平台可以根据服务请求生成服务订单,然后可以根据服务订单中乘客的起始位置,筛选司机,然后将服务订单派发给司机。
实际应用中,网约车服务平台在筛选司机时,一般是筛选距离服务订单中乘客的起始位置在预设距离的司机,但是这种情况容易造成以下两种情况:
一、距离服务订单中乘客的起始位置在预设距离的司机较少,乘客的服务订单不能及时派发。
二、距离服务订单中乘客的起始位置超过预设距离的司机较多,这些位置的司机不能接收到足够的服务订单。
上述两种情况一方面会造成服务平台服务订单的派送效率低,一方面会造成服务平台的服务资源不能充分利用。
基于此,本申请提供了一种订单分配方法,可以基于服务提供端的订单内容,对服务提供端进行筛选,进而提高订单的分配效率和服务资源的利用率。
实施例一
图1是本申请实施例提供的一种服务系统100的架构示意图。例如,服务系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。服务系统100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140、和数据库150中的一种或多种。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从服务请求方终端130获得的服务请求来生成当前订单。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
在一些实施例中,服务请求方终端130和服务提供方终端140对应的设备类型可以是移动设备,比如可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,也可以是平板计算机、膝上型计算机、或机动车辆中的内置设备等。
在一些实施例中,数据库150可以连接到网络120以与服务系统100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等)通信。服务系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到服务系统100中的一个或多个组件,或者,数据库150也可以是服务器110的一部分。
本申请中的术语“乘客”和“服务请求方”可互换使用,以指代可以请求或订购服务的个人。本申请中的术语“司机”和“服务提供方”可互换使用,以指代可以提供服务的个人。本申请中的术语“服务请求方终端”和“服务请求端”可以互换使用,指代请求服务的实体或工具。本申请中的术语“服务提供方终端”和“服务提供端”可以互换使用,指代提供服务的实体或工具。
本申请中的术语“服务订单”和“订单”可互换使用,以指代由乘客、服务请求方、司机、服务提供方等、或其任意组合发起的请求。服务请求可以是收费的或免费的。
下面结合上述图1示出的服务系统100中描述的内容,对本申请实施例提供的订单分配的方法进行详细说明。
本申请所提供的方法,在接收到服务请求端发送的服务请求之后,基于服务请求生成当前订单,并根据当前订单中的当前订单内容和预先构建的贝叶斯网络模型,确定在出现当前订单内容的条件下出现每个订单类别标签的条件概率,然后根据每个订单对应的条件概率,确定与当前订单相匹配的服务提供端。
实施例二
在本实施例中,将先对本申请中所用到的贝叶斯网络模型的构建方法展开介绍。
参见图2所示,为本实施例提供的一种贝叶斯网络模型构建方法的流程示意图,该方法可以由服务系统100中的服务器110来执行,包括以下步骤:
步骤201、从历史订单集合包含的每个历史订单中提取订单内容、以及对应的订单类别标签。
其中,订单内容包括以下内容中的至少一种:
服务请求方的标识信息、请求服务的时间信息、请求服务的地址信息。
以网约车的应用场景为例,服务请求方的标识信息可以是乘客的标识信息(如乘客的手机号码);请求服务的时间信息可以是乘客发起约车请求的时间信息;请求服务的地址信息可以是乘客所输入的起始位置信息和终点位置信息。
上述历史订单的订单类别标签用于表示服务请求端请求的服务的紧急程度。
一种可能的实施方式中,订单的类别标签可以包括不同等级的紧急标签,如订单的类别标签可以是一级紧急、二级紧急、三级紧急等。实际应用中,可以根据订单的紧急标签,为服务请求端选择合适的服务提供端,具体服务提供端的选择方法将在实施例三中展开介绍,在此暂不展开说明。
在另一种可能的实施方式中,订单的类别标签可以包括服务请求端发送服务请求的目的标签,服务请求端发送服务请求的目的可以是回家、赶场、去公司等。实际应用中,可以根据确定出的不同的服务请求端发送服务请求的目的,为服务请求端选择合适的服务提供端,具体服务提供端的选择方法将在实施例三中展开介绍,在此暂不展开说明。
本申请一示例中,历史订单集合中每个历史订单对应的订单类别标签可以是由人工标注的,也可以是在每个历史订单结束之后,将历史订单发送到对应的服务请求端,由服务请求端对该历史订单进行标注,对此,本申请并不进行限定。
实际应用中,考虑到本申请所提供的方法是基于历史订单中的订单内容,构建贝叶斯网络模型,因此,为保证构建贝叶斯网络模型中样本数据的多样性,历史订单集合中所包含的历史订单可以是来自不同用户终端的历史订单。
步骤202、根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型。
其中,贝叶斯网络模型包括n级网络,除第n级网络之外的每级网络中各个节点分别用来标识归属于同一类型但取值不同的订单内容,第n级网络中各个节点分别用于标识不同的订单类别标签,n为大于1的正整数。
示例性的,参见图3所示,为一种可能的贝叶斯网络模型的结构示意图,该贝叶斯网络模型包括三级网络模型,第三级网络中y1,y2,…,yn分别表示不同的订单类别标签,第一级网络中x1,x2,…,xn分别表示在第一种类型下不同取值的订单内容,第二级网络中j1,j2,…,jn分别表示在第二种类型下不同取值的订单内容。
实际应用中,订单内容的类型可以包括服务请求方的标识信息、请求服务的时间信息、请求服务的地址信息等。
在一种可能的实施方式中,贝叶斯网络模型中各级网络所包含的节点之间可以通过有向边进行连接,同一级网络所包含的节点之间无连接,第k级网络所包含的节点可以与第k+1级网络所包含的节点连接,也可以与第k-1级网络所包含的节点连接,第k级网络中的一个节点可以与第k+1级网络或第k-1级网络中的一个或多个节点连接,每一级网络中包含的节点所标识的订单内容之间没有共同内容,其中,k为大于1的整数。
在贝叶斯网络模型的第n级网络中,第p个节点对应至少一个历史条件概率,第p个节点经过至少一条由不同级网络中的节点相连接构成的连通路径;第p个节点对应的历史条件概率用于表示在出现与第p个节点之间构成的连通路径上各个节点标识的订单内容的情况下,出现第p个节点标识的订单类别标签的条件概率;n为大于1的正整数,p为正整数。
示例性的,以贝叶斯网络模型中第n级网络中第p个节点为图3中贝叶斯网络模型中的节点y1为例,y1经过的连通路径包括x1→j1→y1,x2→j1→y1,…,xn→j1→y1,x1→j2→y1,x2→j2→y1,…,xn→j2→y1,x1→jn→y1,x2→jn→y1,…,xn→jn→y1,然后可以基于节点y1经过的不同连通路径上各个节点标识,确定在每一个连同路径下节点y1标识的订单类别标签的条件概率。
具体的,在计算第p个节点对应的历史条件概率时,可以按照图4所示的历史条件概率计算方法的流程示意图进行计算,包括以下步骤:
步骤401、针对与第p个节点之间的构成的连通路径上的各个上级节点,计算各个上级节点标识的订单内容之间的第一联合概率。
具体的,在计算各个上级节点标识的订单内容之间的第一联合概率时,可以按照以下方式进行计算:
首先,确定历史订单集合中包含的各个上级节点标识的订单内容的订单内容的历史订单的第一数量,然后根据第一数量和历史订单集合中包含的历史订单的总数量,计算第一联合概率。
在一种可能的实施方式中,可以将每个节点对应的第一数量与历史订单集合中包含的历史订单的总数量之间的比值作为该节点标识的订单内容的出现概率。
示例性的,若节点S1标识的订单类别标签所对应的连通路径包括:连通路径1:a1→b2→c3→S1;连通路径2:a1→b1→c2→S1;连通路径3:a2→b2→c2→S1,历史订单集合中包含100个历史订单,历史订单集合包含的历史订单中经过路径a1→b2→c3的历史订单数量为10个,经过路径a1→b1→c2的历史订单数量为20个,经过路径a2→b2→c2的历史订单数量为30个,则连通路径1的第一联合概率为10÷100=0.1,连通路径2的第一联合概率为20÷100=0.2,连通路径3的第一联合概率为30÷100=0.3。
步骤402、计算各个上级节点标识的订单内容与第p个节点标识的订单类别标签之间的第二联合概率。
具体的,在计算各个上级节点标识的订单内容与第p个节点的订单类别标签之间的第二联合概率时,可以按照以下方式进行计算:
首先,确定历史订单集合中包含各个上级节点标识的订单内容,且订单类别标签为第p个节点标识的订单类别标签的历史订单的第二数量,然后基于第二数量和历史订单集合中包含的历史订单的总数量,计算第二联合概率。
在一种可能的实施方式中,可以将第二数量与历史订单集合中包含的历史订单的总数量之间的比值作为各个上级节点标识的订单内容与第p个节点的订单类别标签之间的第二联合概率。
示例性的,若节点S2的标识的订单类别标签所对应的连通路径包括:连通路径1:a1→b2→c3→S2;连通路径2:a1→b1→c2→S2;连通路径3:a2→b2→c2→S2,历史订单集合中包含100个历史订单,历史订单集合中包含的历史订单中经过连通路径1或连通路径2或连通路径3的订单数量的总数为60个,则确定节点S2对应的第二联合概率为60÷100=0.6。
步骤403、基于计算的第一联合概率和第二联合概率,计算第p个节点对应的历史条件概率。
具体的,在基于计算的第一联合概率和第二联合概率计算第p个节点对应的历史条件概率时,可以将计算的第一联合概率与第二联合概率的比值,将比值作为第p个节点对应的历史条件概率。
示例性的,若节点S3标识的订单类别标签所对应的连通路径包括:连通路径1:a1→b2→c3→S3;连通路径2:a1→b1→c2→S3;连通路径3:a2→b2→c2→S3,历史订单集合中包含100个历史订单,历史订单集合包含的历史订单中经过路径a1→b2→c3的历史订单数量为10个,经过路径a1→b1→c2的历史订单数量为20个,经过路径a2→b2→c2的历史订单数量为30个,则连通路径1的第一联合概率为10÷100=0.1,连通路径2的第一联合概率为20÷100=0.2,连通路径3的第一联合概率为30÷100=0.3,节点S3对应的第二联合概率为(10+20+30)÷100=0.6,此时在连通路径1下节点S3的历史条件概率为在连通路径2下节点S3的历史条件概率为在连通路径3下节点S3的历史条件概率为
其中,在连通路径1下节点S3的历史条件概率表示,满足a1、b2、c3标识的订单内容的情况下出现S3标识的订单类别标签的概率为 在连通路径2下节点S3的历史条件概率表示,同时满足a1、b1、c2标识的订单内容的情况下出现S3标识的订单类别标签的概率为 在连通路径3下节点S3的历史条件概率表示,同时满足a2、b2、c2标识的订单内容的情况下出现S3标识的订单类别标签的概率为
考虑到历史订单所包含的内容可能会不断的更新,如请求服务的地址信息可能会不断更新,因此,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,还可以对贝叶斯网络模型进行调整。
具体的,在接收到新的历史订单之后,可以提取新的历史订单的订单内容,以及对应的订单类别标签,如果检测到新的历史订单的任意一个订单内容不包含在贝叶斯网络模型中,则在贝叶斯网络模型中添加表示该订单内容的节点,然后基于新的历史订单的其他订单内容,以及对应的订单类别标签,确定与新添加的节点存在关联关系的关联节点,并在贝叶斯网络模型中构建新添加的节点与关联节点的有向边,并调整贝叶斯网络模型中表示订单类别标签的节点对应的历史条件概率。
示例性的,参见图5所示,若构建的贝叶斯网络模型的结构如图5左边网络模型所示,在接收到新的历史订单之后,新的历史订单中包含订单内容jn+1不包含在贝叶斯网络模型中,则需要在构建的贝叶斯网络模型中添加节点jn+1,以及在贝叶斯网络模型中构建节点jn+1与关联节点的有向边。
因为新添加的节点添加入贝叶斯网络模型中之后,历史订单结合中所包含的历史订单的总数发生变化,各个节点标识的订单内容的出现概率发生改变,各个节点标识的订单类别标签的出现概率也发生改变,因此,需要调整最后一级节点对应的历史条件概率。
在一种可能的实施方式中,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,考虑到不同的节点对于区分订单类别的作用不同,因此还可以对贝叶斯网络模型的节点进行调整。
具体的,可以确定出第n级网络之外(第n级网络的每个节点标识订单的类别标签)的每级网络中每个节点连接其他节点的数量,基于每个节点连接其他节点的数量,确定每个节点的权重,然后筛选出权重不符合设定条件的节点,并将每个筛选出的节点与相连的其他节点之间的有向边删除。
示例性地,在基于每个节点连接其他节点的数量,确定每个节点的权重时,以确定第x级网络中第n个节点的权重为例,则可以先确定第x-1级网络中与第x级网络中的节点连接的有向边的数量c,然后确定第x-1级网络中与第x级网络中第n个节点连接的有向边的数量d,然后计算数量d与数量c的比值,并将计算出的比值作为第x级网络中第n个节点的权重。
例如,图6中第2级网络中与第3级网络中节点连接的有向边的数量为8,与第3级网络中节点b4连接的有向边有2条,因此节点b4的权重为2÷8=0.25。
本申请一示例中,在根据节点的权重筛选权重不符合设定条件的节点时,可以将节点的权重不在预设权重范围内的节点确定为不符合设定条件的节点,并将筛选出的节点与相连的其他节点之间的有向边删除。
一种可能的应用场景中,如图7所示,贝叶斯网络模型中所有节点都与其中某一个节点相连,此时,该节点对于区分订单类别的作用不大,因此可以在贝叶斯网络模型中删除该节点。
下面,将以网约车订单的应用场景为例,对本实施例提供的贝叶斯网络模型构建方法进行详细介绍。
首先,获取网约车历史订单集合,网约车历史订单集合中包含至少一个网约车历史订单,网约车历史订单中的内容可以包括乘客的标识信息、约车时间、起点位置信息、终点位置信息等,以及每个网约车订单对应的订单类别标签。
然后根据获取的网约车历史订单,以及每个网约车订单对应的订单类别标签,构建贝叶斯网络模型。
具体的,可以先确定贝叶斯网络模型中每一级网络所标识的订单内容类型,参见图8所示,为本申请实施例提供的一种可能的贝叶斯网络模型的结构示意图,第一级网络用于标识乘客的标识信息,第二级网络用于标识约车时间,第三级网络用于标识起点位置信息,第四级网络用于标识终点位置信息,然后根据获取的网约车历史订单的内容,以及每个网约车订单对应的类别标签,确定每个网约车历史订单对应的连通路径。
若网约车订单的订单内容为{1,12:00,A地,B地},该网约车订单所对应的订单类别标签为回家,贝叶斯网络模型中第一级网络中第a个节点标识乘客的标识信息为1,贝叶斯网络模型中第二级网络中第b个节点标识约车时间为11:00~12:00,贝叶斯网络模型中第三级网络中第c个节点标识起点位置信息为A地,贝叶斯网络模型中第四级网络中第d个节点标识终点位置信息为B地,贝叶斯网络模型中第五级网络中第e个节点标识订单类别标签为回家,则该网约车订单的连通路径为a→b→c→d→e。
按照上述方法确定网约车历史订单集合中每个网约车历史订单所对应的连通路径之后,可以根据每种连通路径所包含的网约车历史订单的数目,确定在每种连通路径所对应的订单类别标签的概率。
实际应用中,若新获取一网约车订单,当需要判断新获取的网约车订单的订单类别标签时,需要首先确定新获取的网约车订单在贝叶斯网络模型的第一级网络、第二级网络、第三级网络、第四级网络中的取值,进而确定新获取的网约车订单除最后一级网络之外的连通路径,然后确定在该连通路径下对应各个网约车订单类别标签的概率,并将概率符合要求的网约车订单类别标签作为新获取的网约车订单的订单类别标签。
通过本实施例所提供的贝叶斯网络模型构建方法构建出的贝叶斯网络模型,可以在接收到订单时,根据订单内容对订单对应的订单类别标签进行判断,进而可以根据订单类别标签的不同,选择不同的服务提供端,由此可以提高订单分配的效率以及服务资源的利用率。
实施例三
参照图9所示,为本申请实施例所提供的一种订单分配的方法的流程示意图,由图1所示的服务系统中服务器110执行,包括以下步骤:
步骤901、接收服务请求端发送的服务请求,并基于服务请求生成当前订单。
具体实施中,服务请求端在发送服务请求时,服务请求中可以包括服务请求方的标识信息、请求服务的时间信息、请求服务的起点位置信息、请求服务的终点位置信息等,服务器在接收到服务请求端发送的服务请求后,可以根据服务请求所包括的上述内容,生成当前订单。
步骤902、提取当前订单中的当前订单内容,基于当前订单内容和预先构建的贝叶斯网络模型,确定在出现当前订单内容的条件下出现每个订单类别标签的条件概率。
在一种可能的实施方式中,可以将提取的当前订单中的当前订单内容输入至预先构建的贝叶斯网络模型中,输出得到出现当前订单内容条件下出现每个订单类别标签的条件概率。
具体的,可以先根据当前订单内容,确定当前订单内容在预先构建的贝叶斯网络模型中除最后一级网络外的各级网络中所对应的节点,然后根据当前订单内容在各级网络中所对应的节点,确定当前订单内容所对应的连通路径,再根据连通路径,确定在该连通路径下对应每个订单类别标签的条件概率。
步骤903、根据每个订单类别标签对应的条件概率,确定当前订单匹配的订单类别标签。
一种可能的实施方式中,可以选择条件概率最高的订单类别标签,作为当前订单匹配的订单类别标签。
步骤904、根据当前订单匹配的订单类别标签,确定与当前订单匹配的服务提供端,并将当前订单分配给服务提供端。
具体实施中,可以为不同的订单类别标签配置不同的服务提供端筛选策略。示例性的,若订单类别标签包含一级紧急标签、二级紧急标签以及三级紧急标签,紧急标签等级越高,表示紧急程度越高。针对以及带有三级紧急标签的订单,可以为该类型的订单配置筛选条件较为宽松的筛选策略,以实现对该紧急程度的订单的快速分配,而对于带有一级紧急标签的订单,因为服务请求方对于订单分配并不是特别急切,因此,可以为该类型的订单配置筛选条件较为严格的筛选策略。
以网约车的应用场景为例,在网约车的场景中,订单类别标签可能包括回家、上班、娱乐等。在一种可能的实施方式中,若在接收到乘客的服务请求之后,判断该乘客所对应的订单的订单类别标签为回家,则可以在距离乘客当前位置在第一预设距离范围内,为乘客选择网约车司机,若判断该乘客所对应的订单的订单类别标签为上班,则可以在距离乘客当前位置在第二预设距离范围内,为乘客选择网约车司机,其中,第一预设距离小于第二预设距离。
在另外一种可能的实施方式中,可以为不同订单类别标签的订单分配不同种类的网约车司机。例如,在乘客的当前位置区域内,出租车司机的数量较少,而专车司机的数量较多,同样行驶距离下,专车司机所收取的费用要高于出租车司机的费用。而若乘客的订单所对应的订单类别标签的为上班,订单属于紧急订单,此时,可以在为该乘客筛选网约车司机时可以不仅仅选择出租车司机,还可以同时选择出租车司机和专车司机。
具体应用中,在获取乘客当前位置时,可以基于全球定位系统(GlobalPositioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-ZenithSatellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等,或其任意组合。
通过这种方式,可以根据当前订单内容以及预先构建的贝叶斯网络模型,筛选服务提供端,由此可以提高订单的分配效率,而分配订单时不再仅仅依靠于预设的规则进行分配,使得闲置的服务资源得以利用,从而可以提高服务资源的利用率。
实施例四
本实施例还提供了一种订单分配的装置,参见图10所示,为本实施例提供的订单分配的装置的架构示意图,包括接收模块1001、第一确定模块1002、第二确定模块1003、订单分配模块1004、以及模型构建模块1005,具体的:
接收模块1001,用于接收服务请求端发送的服务请求,并基于所述服务请求生成当前订单;
第一确定模块1002,用于提取所述当前订单中的当前订单内容,基于所述当前订单内容和预先构建的贝叶斯网络模型,确定在出现所述当前订单内容的条件下出现每个订单类别标签的条件概率;
第二确定模块1003,用于根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签;
订单分配模块1004,用于根据所述当前订单匹配的订单类别标签,确定与所述当前订单匹配的服务提供端,并将所述当前订单分配给所述服务提供端。
在一种可能的设计中,所述第一确定模块1002,在根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签时,具体用于:
选择条件概率最高的订单类别标签,作为所述当前订单匹配的订单类别标签。
在一种可能的设计中,模型构建模块1005,用于根据以下方式构建所述贝叶斯网络模型:
从历史订单集合包含的每个历史订单中提取订单内容、以及对应的订单类别标签;
根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型;
其中,所述贝叶斯网络模型包括n级网络,除第n级网络之外的每级网络中各个节点分别用来标识归属于同一类型但取值不同的订单内容,第n级网络中各个节点分别用于标识不同的订单类别标签;不同级网络中的节点通过有向边连接;
第n级网络中的第p个节点对应至少一个历史条件概率,所述第p个节点经过至少一条由不同级网络中的节点相连接构成的连通路径;所述第p个节点对应的历史条件概率用于表示在出现与所述第p个节点之间构成的连通路径上各个节点标识的订单内容的情况下,出现所述第p个节点标识的订单类别标签的条件概率;n为大于1的正整数,p为正整数。
在一种可能的设计中,所述订单内容包括以下内容中的至少一种:
服务请求方的标识信息、请求服务的时间信息、请求服务的地址信息。
在一种可能的设计中,所述订单类别标签用于表示所述服务请求端请求的服务的紧急程度。
在一种可能的设计中,所述模型构建模块1005,在计算所述第p个节点对应的历史条件概率时,具体用于:
针对与所述第p个节点之间的构成的连通路径上的各个上级节点,计算各个上级节点标识的订单内容之间的第一联合概率,以及,计算各个上级节点标识的订单内容与所述第p个节点标识的订单类别标签之间的第二联合概率;
基于计算的所述第一联合概率和所述第二联合概率,计算所述第p个节点对应的历史条件概率。
在一种可能的设计中,所述模型构建模块1005,在计算各个上级节点标识的订单内容之间的第一联合概率时,具体用于:
确定所述历史订单集合中包含各个上级节点标识的订单内容的历史订单的第一数量;
将所述第一数量与所述历史订单集合中包含的历史订单的总数量之间的比值,作为所述第一联合概率。
在一种可能的设计中,所述模型构建模块1005,在计算各个上级节点标识的订单内容与所述第p个节点标识的订单类别标签之间的第二联合概率时,具体用于:
确定所述历史订单集合中包含各个上级节点标识的订单内容、且订单类别标签为所述第p个节点标识的订单类别标签的历史订单的第二数量;
将所述第二数量与所述历史订单集合中包含的历史订单的总数量之间的比值,作为所述第二联合概率。
在一种可能的设计中,所述模型构建模块1005,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,还用于:
接收新的历史订单,并提取所述新的历史订单的订单内容、以及对应的订单类别标签;
若所述新的历史订单的任意一个订单内容不包含在所述贝叶斯网络模型中,则在所述贝叶斯网络模型中添加标识该订单内容的节点;
基于所述新的历史订单的其它订单内容、以及对应的订单类别标签,确定与新添加的节点存在关联关系的关联节点,并在所述贝叶斯网络模型中构建所述新添加的节点与所述关联节点的有向边;
调整所述贝叶斯网络模型中所述第n级网络中的节点对应的历史条件概率。
一种可能的设计中,所述模型构建模块1005,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,根据以下方式调整所述贝叶斯网络模型:
确定除所述第n级网络之外的每级网络中的每个节点连接其它节点的数量;
基于每个节点连接其它节点的数量,确定每个节点的权重;
筛选出权重不符合设定条件的节点,并将每个筛选出的节点与相连的其它节点之间的有向边删除。
通过这种装置,可以根据当前订单内容以及预先构建的贝叶斯网络模型,筛选服务提供端,由此可以提高订单的分配效率,而分配订单时不再仅仅依靠于预设的规则进行分配,使得闲置的服务资源得以利用,从而可以提高服务资源的利用率。
实施例五
基于相同的技术构思,本申请实施例还提供了一种电子设备。参照图11所示,为本申请实施例提供的电子设备1100的结构示意图,包括处理器1101、存储器1102、和总线1103。其中,存储器1102用于存储执行指令,包括内存11021和外部存储器11022;这里的内存11021也称内存储器,用于暂时存放处理器1101中的运算数据,以及与硬盘等外部存储器11022交换的数据,处理器1101通过内存11021与外部存储器11022进行数据交换,当电子设备1100运行时,处理器1101与存储器1102之间通过总线1103通信,使得处理器1101在执行以下指令:
接收服务请求端发送的服务请求,并基于所述服务请求生成当前订单;
提取所述当前订单中的当前订单内容,基于所述当前订单内容和预先构建的贝叶斯网络模型,确定在出现所述当前订单内容的条件下出现每个订单类别标签的条件概率;
根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签;
根据所述当前订单匹配的订单类别标签,确定与所述当前订单匹配的服务提供端,并将所述当前订单分配给所述服务提供端。
其中,处理器1101执行的具体处理过程可参见上述方法实施例中的说明,这里不再展开说明。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述订单分配的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述订单分配的方法,从而提高订单分配的效率和服务资源的利用率。
本申请实施例所提供的订单分配的方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种订单分配的装置,其特征在于,包括:
接收模块,用于接收服务请求端发送的服务请求,并基于所述服务请求生成当前订单;
第一确定模块,用于提取所述当前订单中的当前订单内容,基于所述当前订单内容和预先构建的贝叶斯网络模型,确定在出现所述当前订单内容的条件下出现每个订单类别标签的条件概率;
第二确定模块,用于根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签;
订单分配模块,用于根据所述当前订单匹配的订单类别标签,确定与所述当前订单匹配的服务提供端,并将所述当前订单分配给所述服务提供端。
2.如权利要求1所述的装置,其特征在于,所述第一确定模块,在根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签时,具体用于:
选择条件概率最高的订单类别标签,作为所述当前订单匹配的订单类别标签。
3.如权利要求1所述的装置,其特征在于,所述装置还包括:
模型构建模块,用于根据以下方式构建所述贝叶斯网络模型:
从历史订单集合包含的每个历史订单中提取订单内容、以及对应的订单类别标签;
根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型;
其中,所述贝叶斯网络模型包括n级网络,除第n级网络之外的每级网络中各个节点分别用来标识归属于同一类型但取值不同的订单内容,第n级网络中各个节点分别用于标识不同的订单类别标签;不同级网络中的节点通过有向边连接;
第n级网络中的第p个节点对应至少一个历史条件概率,所述第p个节点经过至少一条由不同级网络中的节点相连接构成的连通路径;所述第p个节点对应的历史条件概率用于表示在出现与所述第p个节点之间构成的连通路径上各个节点标识的订单内容的情况下,出现所述第p个节点标识的订单类别标签的条件概率;n为大于1的正整数,p为正整数。
4.如权利要求3所述的装置,其特征在于,所述订单内容包括以下内容中的至少一种:
服务请求方的标识信息、请求服务的时间信息、请求服务的地址信息。
5.如权利要求3所述的装置,其特征在于,所述订单类别标签用于表示所述服务请求端请求的服务的紧急程度。
6.如权利要求3所述的装置,其特征在于,所述模型构建模块,在计算所述第p个节点对应的历史条件概率时,具体用于:
针对与所述第p个节点之间的构成的连通路径上的各个上级节点,计算各个上级节点标识的订单内容之间的第一联合概率,以及,计算各个上级节点标识的订单内容与所述第p个节点标识的订单类别标签之间的第二联合概率;
基于计算的所述第一联合概率和所述第二联合概率,计算所述第p个节点对应的历史条件概率。
7.如权利要求3所述的装置,其特征在于,所述模型构建模块,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,还用于:
接收新的历史订单,并提取所述新的历史订单的订单内容、以及对应的订单类别标签;
若所述新的历史订单的任意一个订单内容不包含在所述贝叶斯网络模型中,则在所述贝叶斯网络模型中添加标识该订单内容的节点;
基于所述新的历史订单的其它订单内容、以及对应的订单类别标签,确定与新添加的节点存在关联关系的关联节点,并在所述贝叶斯网络模型中构建所述新添加的节点与所述关联节点的有向边;
调整所述贝叶斯网络模型中所述第n级网络中的节点对应的历史条件概率。
8.如权利要求3所述的装置,其特征在于,所述模型构建模块,在根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型之后,根据以下方式调整所述贝叶斯网络模型:
确定除所述第n级网络之外的每级网络中的每个节点连接其它节点的数量;
基于每个节点连接其它节点的数量,确定每个节点的权重;
筛选出权重不符合设定条件的节点,并将每个筛选出的节点与相连的其它节点之间的有向边删除。
9.一种订单分配的方法,其特征在于,包括:
接收服务请求端发送的服务请求,并基于所述服务请求生成当前订单;
提取所述当前订单中的当前订单内容,基于所述当前订单内容和预先构建的贝叶斯网络模型,确定在出现所述当前订单内容的条件下出现每个订单类别标签的条件概率;
根据每个订单类别标签对应的条件概率,确定所述当前订单匹配的订单类别标签;
根据所述当前订单匹配的订单类别标签,确定与所述当前订单匹配的服务提供端,并将所述当前订单分配给所述服务提供端。
10.如权利要求9所述的方法,其特征在于,根据以下方式构建所述贝叶斯网络模型:
从历史订单集合包含的每个历史订单中提取订单内容、以及对应的订单类别标签;
根据提取的订单内容和对应的订单类别标签,构建贝叶斯网络模型;
其中,所述贝叶斯网络模型包括n级网络,除第n级网络之外的每级网络中各个节点分别用来标识归属于同一类型但取值不同的订单内容,第n级网络中各个节点分别用于标识不同的订单类别标签;不同级网络中的节点通过有向边连接;
第n级网络中的第p个节点对应至少一个历史条件概率,所述第p个节点经过至少一条由不同级网络中的节点相连接构成的连通路径;所述第p个节点对应的历史条件概率用于表示在出现与所述第p个节点之间构成的连通路径上各个节点标识的订单内容的情况下,出现所述第p个节点标识的订单类别标签的条件概率;n为大于1的正整数,p为正整数。
11.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求9至10任一所述的订单分配的方法的步骤。
12.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求9至10任一所述的订单分配的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301376.9A CN111833119A (zh) | 2019-04-15 | 2019-04-15 | 一种订单分配的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301376.9A CN111833119A (zh) | 2019-04-15 | 2019-04-15 | 一种订单分配的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833119A true CN111833119A (zh) | 2020-10-27 |
Family
ID=72914228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910301376.9A Pending CN111833119A (zh) | 2019-04-15 | 2019-04-15 | 一种订单分配的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833119A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507193A (zh) * | 2020-10-30 | 2021-03-16 | 长沙市到家悠享网络科技有限公司 | 数据更新方法、装置、设备和存储介质 |
CN112948592A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 基于人工智能的订单分级方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657883A (zh) * | 2015-03-02 | 2015-05-27 | 北京嘀嘀无限科技发展有限公司 | 基于订单的配对方法和配对设备 |
CN105096166A (zh) * | 2015-08-27 | 2015-11-25 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
CN106204220A (zh) * | 2016-07-13 | 2016-12-07 | 深圳市拓源天创实业发展有限公司 | 一种订单自动分配方法及系统 |
CN107038618A (zh) * | 2016-02-02 | 2017-08-11 | 阿里巴巴集团控股有限公司 | 一种订单生成方法、装置、服务器及计算机存储介质 |
US20170330266A1 (en) * | 2016-05-13 | 2017-11-16 | International Business Machines Corporation | System and method for shortcutting order fulfillment decisions |
CN108182524A (zh) * | 2017-12-26 | 2018-06-19 | 北京三快在线科技有限公司 | 一种订单分配方法及装置、电子设备 |
CN108564244A (zh) * | 2018-02-26 | 2018-09-21 | 新智数字科技有限公司 | 订单处理方法、装置、设备和半导体可读存储介质 |
CN109284881A (zh) * | 2017-07-20 | 2019-01-29 | 北京嘀嘀无限科技发展有限公司 | 订单分配方法、装置、计算机可读存储介质及电子设备 |
CN109377023A (zh) * | 2018-09-28 | 2019-02-22 | 北京三快在线科技有限公司 | 订单的分配方法、装置及电子设备 |
-
2019
- 2019-04-15 CN CN201910301376.9A patent/CN111833119A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657883A (zh) * | 2015-03-02 | 2015-05-27 | 北京嘀嘀无限科技发展有限公司 | 基于订单的配对方法和配对设备 |
US20180240054A1 (en) * | 2015-03-02 | 2018-08-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for order pairing |
CN105096166A (zh) * | 2015-08-27 | 2015-11-25 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
CN107038618A (zh) * | 2016-02-02 | 2017-08-11 | 阿里巴巴集团控股有限公司 | 一种订单生成方法、装置、服务器及计算机存储介质 |
US20170330266A1 (en) * | 2016-05-13 | 2017-11-16 | International Business Machines Corporation | System and method for shortcutting order fulfillment decisions |
CN106204220A (zh) * | 2016-07-13 | 2016-12-07 | 深圳市拓源天创实业发展有限公司 | 一种订单自动分配方法及系统 |
CN109284881A (zh) * | 2017-07-20 | 2019-01-29 | 北京嘀嘀无限科技发展有限公司 | 订单分配方法、装置、计算机可读存储介质及电子设备 |
CN108182524A (zh) * | 2017-12-26 | 2018-06-19 | 北京三快在线科技有限公司 | 一种订单分配方法及装置、电子设备 |
CN108564244A (zh) * | 2018-02-26 | 2018-09-21 | 新智数字科技有限公司 | 订单处理方法、装置、设备和半导体可读存储介质 |
CN109377023A (zh) * | 2018-09-28 | 2019-02-22 | 北京三快在线科技有限公司 | 订单的分配方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507193A (zh) * | 2020-10-30 | 2021-03-16 | 长沙市到家悠享网络科技有限公司 | 数据更新方法、装置、设备和存储介质 |
CN112948592A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 基于人工智能的订单分级方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111366160B (zh) | 路径规划方法、路径规划装置及终端设备 | |
CN110645983B (zh) | 用于无人车的路径规划方法、装置和系统 | |
CN113222305B (zh) | 订单调度方法、装置、存储介质和电子设备 | |
US20180225796A1 (en) | Resource Allocation in a Network System | |
CN106600057B (zh) | 一种快递配送任务调度方法及装置 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN110503528B (zh) | 一种线路推荐方法、装置、设备和存储介质 | |
CN111784018A (zh) | 一种资源调度方法、装置、电子设备及存储介质 | |
CN111861081A (zh) | 一种订单分配方法、装置、电子设备及存储介质 | |
CN111275470A (zh) | 服务发起概率预测方法及其模型的训练方法和装置 | |
CN111833119A (zh) | 一种订单分配的方法、装置、电子设备及存储介质 | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN111476389A (zh) | 一种预估接单等待时长的方法及装置 | |
CN110619402A (zh) | 一种派车方法和装置、电子设备、存储介质 | |
CN111199440A (zh) | 事件预估方法、装置以及电子设备 | |
CN111210134B (zh) | 服务区域划分方法、装置、服务器和可读存储介质 | |
CN110956384A (zh) | 配送任务的处理方法、装置、电子设备及可读存储介质 | |
CN107391728B (zh) | 数据挖掘方法以及数据挖掘装置 | |
CN111339468B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111798283A (zh) | 订单派发方法、装置、电子设备及计算机可读存储介质 | |
CN111866051B (zh) | 一种资源信息的分配方法、装置、设备及介质 | |
CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
CN113919734A (zh) | 订单配送方法和装置 | |
CN113793195A (zh) | 网约车订单处理方法、装置、计算机设备及可读存储介质 | |
CN110619403A (zh) | 一种拼车方法和装置、电子设备、存储介质 |
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 |