CN112036800A - 餐品配送方法和装置 - Google Patents

Abstract

本发明公开了一种餐品配送方法和装置。其中，该方法包括：获取多个订单中每个订单的订单信息，其中，所述订单信息中包括第一信息、第二信息与第三信息，所述第一信息包括所述每个订单的订单属性、生产所述每个订单对应的餐品的门店的门店属性，所述第二信息包括所述每个订单的对应的所述餐品的餐品属性、配送所述餐品的环境的环境属性，所述第三信息包括接收所述餐品的对象的对象属性；根据所述订单信息，确定出所述每个订单的配送时长；按照所述配送时长确定所述多个订单的配送顺序。本发明解决了餐品配送的效率较低的技术问题。

Description

餐品配送方法和装置

技术领域

本发明涉及餐饮配送领域，具体而言，涉及一种餐品配送方法和装置。

背景技术

餐饮行业中，餐品的自动化配送是配送方式的一个趋势。而自动化配送过程中，如何提高自动化配送的效率是需要考虑的问题。

现有技术中，在餐品的自动化配送过程中，通常根据订单的创建时间点的早晚决定餐品的配送顺序，而该方法造成餐品的自动化配送效率低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种餐品配送方法和装置，以至少解决餐品配送的效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种餐品配送方法，包括：获取多个订单中每个订单的订单信息，其中，上述订单信息中包括第一信息、第二信息与第三信息，上述第一信息包括上述每个订单的订单属性、生产上述每个订单对应的餐品的门店的门店属性，上述第二信息包括上述每个订单的对应的上述餐品的餐品属性、配送上述餐品的环境的环境属性，上述第三信息包括接收上述餐品的对象的对象属性；根据上述订单信息，确定出上述每个订单的配送时长；按照上述配送时长确定上述多个订单的配送顺序。

作为一种可选的实施方式，上述根据上述订单信息，确定出上述每个订单的配送时长包括：将上述多个订单中的上述每个订单依次作为目标订单，对上述目标订单执行如下操作：根据上述目标订单的上述第一信息，获取上述目标订单的准备时长，其中，上述准备时长为从接收到上述目标订单开始到准备好与上述目标订单对应的目标餐品所使用的时长；根据上述目标订单的上述第二信息，获取上述目标订单的运输时长，其中，上述运输时长为从开始运输上述目标餐品到将上述目标餐品运输到目标位置使用的时长，上述目标位置为上述目标订单中指定的配送位置；根据上述目标订单的上述第三信息，获取上述目标订单的取餐时长，其中，上述取餐时长为从上述目标餐品被配送到上述目标位置开始到上述目标餐品被取走所使用的时长；根据上述准备时长、上述运输时长与上述取餐时长确定上述配送时长。

作为一种可选的实施方式，上述根据上述目标订单的上述第一信息，获取上述目标订单的准备时长包括：将上述第一信息输入到第一神经网络模型中，由上述第一神经网络模型输出上述准备时长，其中，上述第一神经网络模型为使用样本订单的第一样本信息训练的用于输出上述样本信息的上述准备时长的模型，上述样本订单为从历史订单中获取的订单；上述根据上述目标订单的上述第二信息，获取上述目标订单的运输时长包括：将上述第二信息输入到第二神经网络模型中，由上述第二神经网络模型输出上述运输时长，其中，上述第二神经网络模型为使用上述样本订单的第二样本信息训练的用于输出上述第二样本信息的上述运输时长的模型；上述根据上述目标订单的上述第三信息，获取上述目标订单的取餐时长包括：将上述第三信息输入到第三神经网络模型中，由上述第三神经网络模型输出上述取餐时长，其中，上述第三神经网络模型为使用上述样本订单的第三样本信息训练的用于输出上述第三样本信息的上述取餐时长的模型。

作为一种可选的实施方式，上述根据上述准备时长、上述运输时长与上述取餐时长确定上述配送时长包括：将上述准备时长、上述运输时长与上述取餐时长作为为多元回归模型的自变量，输入到上述多元回归模型中；将上述多元回归模型输出的因变量确定为上述配送时长。

作为一种可选的实施方式，上述按照上述配送时长确定上述多个订单的配送顺序包括：按照上述配送时长由长到短对上述多个订单进行排序；按照排序后的顺序依次配送上述多个订单对应的餐品。

作为一种可选的实施方式，上述按照上述配送时长确定上述多个订单的配送顺序包括：获取上述多个订单中上述每个订单的目标时间点，其中，上述目标时间点为上述每个订单对应的餐品被要求送到目标位置的最晚时间点，上述目标位置为上述每个订单中指定的配送位置；获取当前时间点到上述目标时间点的第一时间段；按照上述第一时间段与上述配送时长的差由小到大的顺序对上述多个订单进行排序；按照上述多个订单排序后的顺序依次配送上述多个订单对应的餐品。

作为一种可选的实施方式，在按照上述多个订单排序后的顺序依次配送上述多个订单对应的餐品之前，上述方法还包括：在上述多个订单中上述每个订单的上述订单信息中包括目标信息的情况下，将包括上述目标信息的订单的位置在上述多个订单排序后的顺序中向前调整N个位置，其中，上述N为正整数，上述N的大小通过上述目标信息确定，上述目标信息用于指示产生上述目标信息的订单的帐号为会员账号。

作为一种可选的实施方式，通过上述目标信息确定上述N的大小包括：将上述会员账号的等级确定为上述N。

根据本发明实施例的另一方面，还提供了一种餐品配送装置，包括：获取单元，用于获取多个订单中每个订单的订单信息，其中，上述订单信息中包括第一信息、第二信息与第三信息，上述第一信息包括上述每个订单的订单属性、生产上述每个订单对应的餐品的门店的门店属性，上述第二信息包括上述每个订单的对应的上述餐品的餐品属性、配送上述餐品的环境的环境属性，上述第三信息包括接收上述餐品的对象的对象属性；第一确定单元，用于根据上述订单信息，确定出上述每个订单的配送时长；第二确定单元，用于按照上述配送时长确定上述多个订单的配送顺序。

作为一种可选的实施方式，上述第一确定单元包括：处理模块，用于将上述多个订单中的上述每个订单依次作为目标订单，对上述目标订单执行如下操作：根据上述目标订单的上述第一信息，获取上述目标订单的准备时长，其中，上述准备时长为从接收到上述目标订单开始到准备好与上述目标订单对应的目标餐品所使用的时长；根据上述目标订单的上述第二信息，获取上述目标订单的运输时长，其中，上述运输时长为从开始运输上述目标餐品到将上述目标餐品运输到目标位置使用的时长，上述目标位置为上述目标订单中指定的配送位置；根据上述目标订单的上述第三信息，获取上述目标订单的取餐时长，其中，上述取餐时长为从上述目标餐品被配送到上述目标位置开始到上述目标餐品被取走所使用的时长；根据上述准备时长、上述运输时长与上述取餐时长确定上述配送时长。

作为一种可选的实施方式，上述处理模块还用于将上述第一信息输入到第一神经网络模型中，由上述第一神经网络模型输出上述准备时长，其中，上述第一神经网络模型为使用样本订单的第一样本信息训练的用于输出上述样本信息的上述准备时长的模型，上述样本订单为从历史订单中获取的订单；将上述第二信息输入到第二神经网络模型中，由上述第二神经网络模型输出上述运输时长，其中，上述第二神经网络模型为使用上述样本订单的第二样本信息训练的用于输出上述第二样本信息的上述运输时长的模型；将上述第三信息输入到第三神经网络模型中，由上述第三神经网络模型输出上述取餐时长，其中，上述第三神经网络模型为使用上述样本订单的第三样本信息训练的用于输出上述第三样本信息的上述取餐时长的模型。

作为一种可选的实施方式，上述处理模块还用于：将上述准备时长、上述运输时长与上述取餐时长作为为多元回归模型的自变量，输入到上述多元回归模型中；将上述多元回归模型输出的因变量确定为上述配送时长。

作为一种可选的实施方式，上述第二确定单元包括：第一排序模块，用于按照上述配送时长由长到短对上述多个订单进行排序；第一配送模块，用于按照排序后的顺序依次配送上述多个订单对应的餐品。

作为一种可选的实施方式，上述第二确定单元包括：第一获取模块，用于获取上述多个订单中上述每个订单的目标时间点，其中，上述目标时间点为上述每个订单对应的餐品被要求送到目标位置的最晚时间点，上述目标位置为上述每个订单中指定的配送位置；第二获取模块，用于获取当前时间点到上述目标时间点的第一时间段；第二排序模块，用于按照上述第一时间段与上述配送时长的差由小到大的顺序对上述多个订单进行排序；第二配送模块，用于按照上述多个订单排序后的顺序依次配送上述多个订单对应的餐品。

作为一种可选的实施方式，上述第二确定单元还包括：调整模块，用于在按照上述多个订单排序后的顺序依次配送上述多个订单对应的餐品之前，在上述多个订单中上述每个订单的上述订单信息中包括目标信息的情况下，将包括上述目标信息的订单的位置在上述多个订单排序后的顺序中向前调整N个位置，其中，上述N为正整数，上述N的大小通过上述目标信息确定，上述目标信息用于指示产生上述目标信息的订单的帐号为会员账号。

作为一种可选的实施方式，上述调整模块还用于：将上述会员账号的等级确定为上述N。

在本发明实施例中，采用了获取多个订单中每个订单的订单信息，其中，上述订单信息中包括第一信息、第二信息与第三信息，上述第一信息包括上述每个订单的订单属性、生产上述每个订单对应的餐品的门店的门店属性，上述第二信息包括上述每个订单的对应的上述餐品的餐品属性、配送上述餐品的环境的环境属性，上述第三信息包括接收上述餐品的对象的对象属性；根据上述订单信息，确定出上述每个订单的配送时长；按照上述配送时长确定上述多个订单的配送顺序的方法。由于在上述方法中，在获取到多个订单之后，可以按照多个订单的配送时长确定多个订单的配送顺序，提高了餐品的配送效率，进而解决了餐品配送的效率较低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的餐品配送方法的应用环境的示意图；

图2是根据本发明实施例的一种可选的餐品配送方法的流程图的示意图；

图3是根据本发明实施例的一种可选的餐品配送方法的订单排序示意图；

图4是根据本发明实施例的一种可选的餐品配送方法的订单排序结果示意图；

图5是根据本发明实施例的一种可选的餐品配送方法的确定配送时长的示意图；

图6是根据本发明实施例的一种可选的餐品配送方法的提示取餐的示意图；

图7是根据本发明实施例的一种可选的餐品配送方法的配送完成提示的示意图；

图8是根据本发明实施例的另一种可选的餐品配送方法的配送完成提示的示意图；

图9是根据本发明实施例的一种可选的餐品配送装置的示意图；

图10是根据本发明实施例的另一种可选的餐品配送装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例的一个方面，提供了一种餐品配送方法，可选地，作为一种可选的实施方式，上述餐品配送方法可以但不限于应用于如图1所示的环境中。终端102通过网络104与服务器106之间进行数据的交互，终端102可以将订单的订单信息发送给服务器106，服务器106在获取到多个订单之后，获取多个订单的美个订单的订单信息，然后根据订单信息中的第一信息、第二信息与第三信息确定出订单的配送时长，进而根据多个订单的配送时长确定订单的配送顺序。

可选地，作为一种可选的实施方式，如图2所示，上述餐品配送方法包括：

S202，获取多个订单中每个订单的订单信息，其中，订单信息中包括第一信息、第二信息与第三信息，第一信息包括每个订单的订单属性、生产每个订单对应的餐品的门店的门店属性，第二信息包括每个订单的对应的餐品的餐品属性、配送餐品的环境的环境属性，第三信息包括接收餐品的对象的对象属性；

S204，根据订单信息，确定出每个订单的配送时长；

S206，按照配送时长确定多个订单的配送顺序。

可选的，在本实施例中，上述餐品配送方法可以但不限于应用在配送餐品的过程中确定配送顺序的过程中。服务器或者本申请中的系统可以获取一段时间内的多个订单，一段时间可以为一分钟，本申请并不限定。例如，如图3所示，一分钟之内接收到了3个订单，3个订单都需要进行配送，则可以根据3个订单每个订单的配送时长，确定多个订单的配送顺序。

需要说明的是，通过获取多个订单中每个订单的订单信息，其中，订单信息中包括第一信息、第二信息与第三信息，第一信息包括每个订单的订单属性、生产每个订单对应的餐品的门店的门店属性，第二信息包括每个订单的对应的餐品的餐品属性、配送餐品的环境的环境属性，第三信息包括接收餐品的对象的对象属性；根据订单信息，确定出每个订单的配送时长；按照配送时长确定多个订单的配送顺序的方法，从而在获取到一批订单之后，可以按照订单的配送时长对订单的配送顺序进行排序，提高了订单的配送效率。

可选的，本申请实施例中，上述的多个订单中每个订单的第一信息可以包括每个订单对应的餐品的门店的门店属性，第二信息可以包括每个订单的对应的餐品的餐品属性、配送餐品的环境的环境属性，第三信息可以包括接收餐品的对象的对象属性。在确定订单的配送时长时，可以根据上述订单的三个信息来确定配送时长。

可选的，本申请中的配送时长是包括了餐品准备的时长与餐品运输的时长与餐品被顾客取走的时长的。三个时长的组合组成配送时长。例如，一个餐品从下单，制作花了10分钟，运输花了30分钟，顾客取走餐品花了5分钟，总共配送时长45分钟。

对于一个订单，获取订单中的第一信息、第二信息与第三信息后，根据目标订单的第一信息，获取目标订单的准备时长，其中，准备时长为从接收到目标订单开始到准备好与目标订单对应的目标餐品所使用的时长；根据目标订单的第二信息，获取目标订单的运输时长，其中，运输时长为从开始运输目标餐品到将目标餐品运输到目标位置使用的时长，目标位置为目标订单中指定的配送位置；根据目标订单的第三信息，获取目标订单的取餐时长，其中，取餐时长为从目标餐品被配送到目标位置开始到目标餐品被取走所使用的时长；根据准备时长、运输时长与取餐时长确定配送时长。

也就是说，分别使用订单的三个信息获取到订单的配送时长的三个部分，再将配送时长的三个部分的和作为配送时长。而确定配送时长的三个部分的方法需要使用到神经网络模型。将第一信息输入到第一神经网络模型中，由第一神经网络模型输出准备时长，其中，第一神经网络模型为使用样本订单的第一样本信息训练的用于输出样本信息的准备时长的模型，样本订单为从历史订单中获取的订单，将第二信息输入到第二神经网络模型中，由第二神经网络模型输出运输时长，其中，第二神经网络模型为使用样本订单的第二样本信息训练的用于输出第二样本信息的运输时长的模型，将第三信息输入到第三神经网络模型中，由第三神经网络模型输出取餐时长，其中，第三神经网络模型为使用样本订单的第三样本信息训练的用于输出第三样本信息的取餐时长的模型。

也就是说，通过三个模型分别获取一个订单的准备时长、运输时长与取餐时长，然后再将准备时长、运输时长与取餐时长通过多元回归模型来确定出配送时长。

在确定出配送时长之后，按照配送时长对多个订单进行排序，按照排序后的顺序依次配送多个订单对应的餐品。

在对多个订单进行排序时，可以按照配送时长由长到短对多个订单进行排序。

或者，在对多个订单进行排序时，还可以获取多个订单中每个订单的目标时间点，其中，目标时间点为每个订单对应的餐品被要求送到目标位置的最晚时间点，目标位置为每个订单中指定的配送位置；获取当前时间点到目标时间点的第一时间段；按照第一时间段与配送时长的差由小到大的顺序对多个订单进行排序。也就是说，在对多个订单进行排序时，可以按照该订单被要求的最晚配送时间点到当前时间点的第一时间段，减去该订单的配送时长所剩余的时间作为排序依据。如一个订单被要求下午2点送达，而该订单配送时长为10分钟，当前为1点30，也就是说该订单的准备时间只剩下了20分钟。根据订单剩余的准备时间的长度确定配送顺序，准备时间越短，配送顺序越高。当然，配送顺序是包含了制作的。一个订单的配送顺序越高，越先制作该订单对应的餐品，并配送餐品。在确定出配送顺序之后，如果创建订单的用户为会员用户，则可以将该用户创建的订单的配送顺序向前调整，具体可以根据会员等级确定订单在配送顺序中调整的位置的数量。如会员为3级，将订单向前调整3个位置。例如，如图4所示，图4为一种可选的显示排序后的多个订单的示意图。

以下结合一个具体示例解释上述订单配送方法。结合图5进行说明。

配送时间的构成：根据实际下单和配送流程，将总体预计送达时间(配送时长)进行拆分。包括餐厅制作时间(从接单到制作餐点完成)、无人机取餐送餐时间(从无人机被指派接单到去餐厅取餐，取餐完成至送餐到用户附近指定距离的时间)、无人机交付时间(从无人机到达用户附近指定距离到交付至用户手中)。无人机安装定位系统，通过轨迹监测及地图数据，判断位置及时间节点。如无人机取餐完成时间判断逻辑为，无人机离开餐厅指定距离时确认已离店完成。

一个订单的配送时长的预估：

(一)训练数据的获取：按照分段时间划分及影响因素在设置监测机制，追踪总体送达时间及分段送达时间。抽取一定时间周期内历史数据或实验数据(如近30天)进行模型的训练。模型分为第一神经网络模型、第二神经网络模型、第三神经网络模型，分别用于获取一个订单的准备时长、运输时长与取餐时长。

(二)训练三个神经网络模型。

1、餐品制作的时间：训练多决策树模型，如：XGBoots模型(梯度提升决策树模型)，得到近30天的历史数据中的订单内容和实际制作完成时间之间的对应关系，影响因素包括：

1)订单基本特征：订单中菜品数量、品类、所属门店、城市、订单总价、订单时间、所处用餐时段

2)制作压力：同期订单中菜品数量、品类数、订单总金额、与本订单相同品类的数量

3)门店平均订单表现：订单金额/门店平均订单总价、门店菜品品类数、平均菜品总数、门店平均备餐用时。

将上述订单的信息作为训练数据输入到第一神经网络模型中，由第一神经网络模型输出餐品的准备时长。

2.无人机取餐时间、无人机送餐时间：训练多决策树模型，如：XGBoots模型(梯度提升决策树模型)，此段行程主要为无人机飞行过程所需时间，影响因素包括：

1)餐点情况：餐点重量、餐点放置方式(如悬挂式)

2)无人机基本情况：无人机基础速度、无人机承重、无人机飞行高度限制、是否需专业人员操纵等

3)距离因素：无人机起点至餐厅导航距离、餐厅至用户导航距离

4)环境因素：天气、风力、障碍物

将上述订单的信息作为训练数据输入到第二神经网络模型中，由第二神经网络模型输出餐品的运输时长。

3.无人机交付时间：训练多决策树模型，如：XGBoots模型(梯度提升决策树模型)，此段时间主要与用户取餐习惯、送餐地址相关，影响因素包括：

1)用户情况：用户ID、历史取餐时间、好评率

2)送餐地址：是否设有固定送餐点、性质(小区/学校/写字楼等)、海拔、楼层、是否拦截无人机等

将上述订单的信息作为训练数据输入到第三神经网络模型中，由第三神经网络模型输出餐品的取餐时长。

在三个模型训练完毕之后，在获取到一批订单之后，将一批订单中的一个订单的订单信息输入到上述三个模型中，分别获取订单的准备时长、运输时长与取餐时长。通过建立多元回归模型，得到该订单的配送时长。

在得到所有的订单的配送时长之后，确定所有的订单的配送顺序。配送包括了由制作到运输到顾客拿到餐品的过程。无人机运送过程中，可以在预计到目标配送位置还有三分钟的情况下向配送目标发送提示消息，提示配送目标取餐。例如，如图6所示，图6为一种可选的提示餐品即将到达的示意图。在配送完成后，可以向餐厅发送消息，提示配送已经完成。例如，如图7所示，图7为一种直接发送提示消息提示某一个订单配送完成的示意图，图8为显示所有的订单是否已经配送完成的示意图。

通过本实施例，通过获取多个订单中每个订单的订单信息，其中，订单信息中包括第一信息、第二信息与第三信息，第一信息包括每个订单的订单属性、生产每个订单对应的餐品的门店的门店属性，第二信息包括每个订单的对应的餐品的餐品属性、配送餐品的环境的环境属性，第三信息包括接收餐品的对象的对象属性；根据订单信息，确定出每个订单的配送时长；按照配送时长确定多个订单的配送顺序的方法，从而在获取到一批订单之后，可以按照订单的配送时长对订单的配送顺序进行排序，提高了订单的配送效率。

作为一种可选的实施方式，根据订单信息，确定出每个订单的配送时长包括：将多个订单中的每个订单依次作为目标订单，对目标订单执行如下操作：根据目标订单的第一信息，获取目标订单的准备时长，其中，准备时长为从接收到目标订单开始到准备好与目标订单对应的目标餐品所使用的时长；根据目标订单的第二信息，获取目标订单的运输时长，其中，运输时长为从开始运输目标餐品到将目标餐品运输到目标位置使用的时长，目标位置为目标订单中指定的配送位置；根据目标订单的第三信息，获取目标订单的取餐时长，其中，取餐时长为从目标餐品被配送到目标位置开始到目标餐品被取走所使用的时长；根据准备时长、运输时长与取餐时长确定配送时长。

本实施方式的目的在于，通过第一信息、第二信息与第三信息分别确定一个订单的准备时长、运输时长与取餐时长，再根据准备时长、运输市场与取餐时长确定一个订单的配送时长，从而提高确定配送时长的准确度。

作为一种可选的实施方式，根据目标订单的第一信息，获取目标订单的准备时长包括：将第一信息输入到第一神经网络模型中，由第一神经网络模型输出准备时长，其中，第一神经网络模型为使用样本订单的第一样本信息训练的用于输出样本信息的准备时长的模型，样本订单为从历史订单中获取的订单；根据目标订单的第二信息，获取目标订单的运输时长包括：将第二信息输入到第二神经网络模型中，由第二神经网络模型输出运输时长，其中，第二神经网络模型为使用样本订单的第二样本信息训练的用于输出第二样本信息的运输时长的模型；根据目标订单的第三信息，获取目标订单的取餐时长包括：将第三信息输入到第三神经网络模型中，由第三神经网络模型输出取餐时长，其中，第三神经网络模型为使用样本订单的第三样本信息训练的用于输出第三样本信息的取餐时长的模型。

本实施方式的目的在于，在确定准备时长、运输时长与取餐时长的时候，可以通过预先训练的模型来确定准备时长、运输时长与取餐时长，从而提高确定准备时长、运输时长与取餐时长的准确度。

作为一种可选的实施方式，根据准备时长、运输时长与取餐时长确定配送时长包括：将准备时长、运输时长与取餐时长作为为多元回归模型的自变量，输入到多元回归模型中；将多元回归模型输出的因变量确定为配送时长。

本实施方式的目的在于，在确定出准备时长、运输时长与取餐时长之后，使用准备时长、运输时长与取餐时长确定配送时长的情况下，提高确定配送时长的准确度。

作为一种可选的实施方式，按照配送时长确定多个订单的配送顺序包括：按照配送时长由长到短对多个订单进行排序；按照排序后的顺序依次配送多个订单对应的餐品。

本实施方式的目的在于，在确定出多个订单的配送时长之后，可以按照配送时长的长短对订单进行排序，然后按照排序后的顺序进行配送，提高配送多个订单的效率。

作为一种可选的实施方式，按照配送时长确定多个订单的配送顺序包括：获取多个订单中每个订单的目标时间点，其中，目标时间点为每个订单对应的餐品被要求送到目标位置的最晚时间点，目标位置为每个订单中指定的配送位置；获取当前时间点到目标时间点的第一时间段；按照第一时间段与配送时长的差由小到大的顺序对多个订单进行排序；按照多个订单排序后的顺序依次配送多个订单对应的餐品。

本实施方式的目的在于，在确定出多个订单的配送时长之后，可以按照每个订单的要求时间与配送时间与当前时间，确定出一个订单剩下的自由支配时间，在自由支配时间用完后，必须准备该订单，否则该订单会超时，按照自由支配时间对订单进行排序，提高配送多个订单的效率。

作为一种可选的实施方式，在按照多个订单排序后的顺序依次配送多个订单对应的餐品之前，方法还包括：在多个订单中每个订单的订单信息中包括目标信息的情况下，将包括目标信息的订单的位置在多个订单排序后的顺序中向前调整N个位置，其中，N为正整数，N的大小通过目标信息确定，目标信息用于指示产生目标信息的订单的帐号为会员账号。

作为一种可选的实施方式，通过目标信息确定N的大小包括：将会员账号的等级确定为N。

由于不同的帐号有不同的账号属性，因此，通过判断账号是否为会员从而将队员的订单提前，有利于提高多个订单的配送效率。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

根据本发明实施例的另一个方面，还提供了一种用于实施上述餐品配送方法的餐品配送装置。如图9所示，该装置包括：

获取单元902，用于获取多个订单中每个订单的订单信息，其中，订单信息中包括第一信息、第二信息与第三信息，第一信息包括每个订单的订单属性、生产每个订单对应的餐品的门店的门店属性，第二信息包括每个订单的对应的餐品的餐品属性、配送餐品的环境的环境属性，第三信息包括接收餐品的对象的对象属性；

第一确定单元904，用于根据订单信息，确定出每个订单的配送时长；

第二确定单元906，用于按照配送时长确定多个订单的配送顺序。

可选的，在本实施例中，上述餐品配送装置可以但不限于应用在配送餐品的过程中确定配送顺序的过程中。服务器或者本申请中的系统可以获取一段时间内的多个订单，一段时间可以为一分钟，本申请并不限定。例如，如图3所示，一分钟之内接收到了3个订单，3个订单都需要进行配送，则可以根据3个订单每个订单的配送时长，确定多个订单的配送顺序。

需要说明的是，通过获取多个订单中每个订单的订单信息，其中，订单信息中包括第一信息、第二信息与第三信息，第一信息包括每个订单的订单属性、生产每个订单对应的餐品的门店的门店属性，第二信息包括每个订单的对应的餐品的餐品属性、配送餐品的环境的环境属性，第三信息包括接收餐品的对象的对象属性；根据订单信息，确定出每个订单的配送时长；按照配送时长确定多个订单的配送顺序的方法，从而在获取到一批订单之后，可以按照订单的配送时长对订单的配送顺序进行排序，提高了订单的配送效率。

可选的，本申请实施例中，上述的多个订单中每个订单的第一信息可以包括每个订单对应的餐品的门店的门店属性，第二信息可以包括每个订单的对应的餐品的餐品属性、配送餐品的环境的环境属性，第三信息可以包括接收餐品的对象的对象属性。在确定订单的配送时长时，可以根据上述订单的三个信息来确定配送时长。

可选的，本申请中的配送时长是包括了餐品准备的时长与餐品运输的时长与餐品被顾客取走的时长的。三个时长的组合组成配送时长。例如，一个餐品从下单，制作花了10分钟，运输花了30分钟，顾客取走餐品花了5分钟，总共配送时长45分钟。

对于一个订单，获取订单中的第一信息、第二信息与第三信息后，根据目标订单的第一信息，获取目标订单的准备时长，其中，准备时长为从接收到目标订单开始到准备好与目标订单对应的目标餐品所使用的时长；根据目标订单的第二信息，获取目标订单的运输时长，其中，运输时长为从开始运输目标餐品到将目标餐品运输到目标位置使用的时长，目标位置为目标订单中指定的配送位置；根据目标订单的第三信息，获取目标订单的取餐时长，其中，取餐时长为从目标餐品被配送到目标位置开始到目标餐品被取走所使用的时长；根据准备时长、运输时长与取餐时长确定配送时长。

也就是说，分别使用订单的三个信息获取到订单的配送时长的三个部分，再将配送时长的三个部分的和作为配送时长。而确定配送时长的三个部分的方法需要使用到神经网络模型。将第一信息输入到第一神经网络模型中，由第一神经网络模型输出准备时长，其中，第一神经网络模型为使用样本订单的第一样本信息训练的用于输出样本信息的准备时长的模型，样本订单为从历史订单中获取的订单，将第二信息输入到第二神经网络模型中，由第二神经网络模型输出运输时长，其中，第二神经网络模型为使用样本订单的第二样本信息训练的用于输出第二样本信息的运输时长的模型，将第三信息输入到第三神经网络模型中，由第三神经网络模型输出取餐时长，其中，第三神经网络模型为使用样本订单的第三样本信息训练的用于输出第三样本信息的取餐时长的模型。

也就是说，通过三个模型分别获取一个订单的准备时长、运输时长与取餐时长，然后再将准备时长、运输时长与取餐时长通过多元回归模型来确定出配送时长。

在确定出配送时长之后，按照配送时长对多个订单进行排序，按照排序后的顺序依次配送多个订单对应的餐品。

在对多个订单进行排序时，可以按照配送时长由长到短对多个订单进行排序。

或者，在对多个订单进行排序时，还可以获取多个订单中每个订单的目标时间点，其中，目标时间点为每个订单对应的餐品被要求送到目标位置的最晚时间点，目标位置为每个订单中指定的配送位置；获取当前时间点到目标时间点的第一时间段；按照第一时间段与配送时长的差由小到大的顺序对多个订单进行排序。也就是说，在对多个订单进行排序时，可以按照该订单被要求的最晚配送时间点到当前时间点的第一时间段，减去该订单的配送时长所剩余的时间作为排序依据。如一个订单被要求下午2点送达，而该订单配送时长为10分钟，当前为1点30，也就是说该订单的准备时间只剩下了20分钟。根据订单剩余的准备时间的长度确定配送顺序，准备时间越短，配送顺序越高。当然，配送顺序是包含了制作的。一个订单的配送顺序越高，越先制作该订单对应的餐品，并配送餐品。在确定出配送顺序之后，如果创建订单的用户为会员用户，则可以将该用户创建的订单的配送顺序向前调整，具体可以根据会员等级确定订单在配送顺序中调整的位置的数量。如会员为3级，将订单向前调整3个位置。例如，如图4所示，图4为一种可选的显示排序后的多个订单的示意图。

以下结合一个具体示例解释上述订单配送方法。结合图5进行说明。

配送时间的构成：根据实际下单和配送流程，将总体预计送达时间(配送时长)进行拆分。包括餐厅制作时间(从接单到制作餐点完成)、无人机取餐送餐时间(从无人机被指派接单到去餐厅取餐，取餐完成至送餐到用户附近指定距离的时间)、无人机交付时间(从无人机到达用户附近指定距离到交付至用户手中)。无人机安装定位系统，通过轨迹监测及地图数据，判断位置及时间节点。如无人机取餐完成时间判断逻辑为，无人机离开餐厅指定距离时确认已离店完成。

一个订单的配送时长的预估：

(一)训练数据的获取：按照分段时间划分及影响因素在设置监测机制，追踪总体送达时间及分段送达时间。抽取一定时间周期内历史数据或实验数据(如近30天)进行模型的训练。模型分为第一神经网络模型、第二神经网络模型、第三神经网络模型，分别用于获取一个订单的准备时长、运输时长与取餐时长。

(二)训练三个神经网络模型。

1、餐品制作的时间：训练多决策树模型，如：XGBoots模型(梯度提升决策树模型)，得到近30天的历史数据中的订单内容和实际制作完成时间之间的对应关系，影响因素包括：

1)订单基本特征：订单中菜品数量、品类、所属门店、城市、订单总价、订单时间、所处用餐时段

2)制作压力：同期订单中菜品数量、品类数、订单总金额、与本订单相同品类的数量

3)门店平均订单表现：订单金额/门店平均订单总价、门店菜品品类数、平均菜品总数、门店平均备餐用时。

将上述订单的信息作为训练数据输入到第一神经网络模型中，由第一神经网络模型输出餐品的准备时长。

2.无人机取餐时间、无人机送餐时间：训练多决策树模型，如：XGBoots模型(梯度提升决策树模型)，此段行程主要为无人机飞行过程所需时间，影响因素包括：

1)餐点情况：餐点重量、餐点放置方式(如悬挂式)

2)无人机基本情况：无人机基础速度、无人机承重、无人机飞行高度限制、是否需专业人员操纵等

3)距离因素：无人机起点至餐厅导航距离、餐厅至用户导航距离

4)环境因素：天气、风力、障碍物

将上述订单的信息作为训练数据输入到第二神经网络模型中，由第二神经网络模型输出餐品的运输时长。

3.无人机交付时间：训练多决策树模型，如：XGBoots模型(梯度提升决策树模型)，此段时间主要与用户取餐习惯、送餐地址相关，影响因素包括：

1)用户情况：用户ID、历史取餐时间、好评率

2)送餐地址：是否设有固定送餐点、性质(小区/学校/写字楼等)、海拔、楼层、是否拦截无人机等

将上述订单的信息作为训练数据输入到第三神经网络模型中，由第三神经网络模型输出餐品的取餐时长。

在三个模型训练完毕之后，在获取到一批订单之后，将一批订单中的一个订单的订单信息输入到上述三个模型中，分别获取订单的准备时长、运输时长与取餐时长。通过建立多元回归模型，得到该订单的配送时长。

在得到所有的订单的配送时长之后，确定所有的订单的配送顺序。配送包括了由制作到运输到顾客拿到餐品的过程。无人机运送过程中，可以在预计到目标配送位置还有三分钟的情况下向配送目标发送提示消息，提示配送目标取餐。例如，如图6所示，图6为一种可选的提示餐品即将到达的示意图。在配送完成后，可以向餐厅发送消息，提示配送已经完成。例如，如图7所示，图7为一种直接发送提示消息提示某一个订单配送完成的示意图，图8为显示所有的订单是否已经配送完成的示意图。

通过本实施例，通过获取多个订单中每个订单的订单信息，其中，订单信息中包括第一信息、第二信息与第三信息，第一信息包括每个订单的订单属性、生产每个订单对应的餐品的门店的门店属性，第二信息包括每个订单的对应的餐品的餐品属性、配送餐品的环境的环境属性，第三信息包括接收餐品的对象的对象属性；根据订单信息，确定出每个订单的配送时长；按照配送时长确定多个订单的配送顺序的方法，从而在获取到一批订单之后，可以按照订单的配送时长对订单的配送顺序进行排序，提高了订单的配送效率。

作为一种可选的实施方式，如图10所示，上述第一确定单元904包括：处理模块1002，用于将多个订单中的每个订单依次作为目标订单，对目标订单执行如下操作：根据目标订单的第一信息，获取目标订单的准备时长，其中，准备时长为从接收到目标订单开始到准备好与目标订单对应的目标餐品所使用的时长；根据目标订单的第二信息，获取目标订单的运输时长，其中，运输时长为从开始运输目标餐品到将目标餐品运输到目标位置使用的时长，目标位置为目标订单中指定的配送位置；根据目标订单的第三信息，获取目标订单的取餐时长，其中，取餐时长为从目标餐品被配送到目标位置开始到目标餐品被取走所使用的时长；根据准备时长、运输时长与取餐时长确定配送时长。

本实施方式的目的在于，通过第一信息、第二信息与第三信息分别确定一个订单的准备时长、运输时长与取餐时长，再根据准备时长、运输市场与取餐时长确定一个订单的配送时长，从而提高确定配送时长的准确度。

本实施例的其他示例请参见上述实施例，在此不再赘述。

上述实施例中的集成的单元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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明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全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，例如多个单元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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种餐品配送方法，其特征在于，包括：

获取多个订单中每个订单的订单信息，其中，所述订单信息中包括第一信息、第二信息与第三信息，所述第一信息包括所述每个订单的订单属性、生产所述每个订单对应的餐品的门店的门店属性，所述第二信息包括所述每个订单的对应的所述餐品的餐品属性、配送所述餐品的环境的环境属性，所述第三信息包括接收所述餐品的对象的对象属性；

根据所述订单信息，确定出所述每个订单的配送时长；

按照所述配送时长确定所述多个订单的配送顺序。

2.根据权利要求1所述的方法，其特征在于，所述根据所述订单信息，确定出所述每个订单的配送时长包括：

将所述多个订单中的所述每个订单依次作为目标订单，对所述目标订单执行如下操作：

根据所述目标订单的所述第一信息，获取所述目标订单的准备时长，其中，所述准备时长为从接收到所述目标订单开始到准备好与所述目标订单对应的目标餐品所使用的时长；

根据所述目标订单的所述第二信息，获取所述目标订单的运输时长，其中，所述运输时长为从开始运输所述目标餐品到将所述目标餐品运输到目标位置使用的时长，所述目标位置为所述目标订单中指定的配送位置；

根据所述目标订单的所述第三信息，获取所述目标订单的取餐时长，其中，所述取餐时长为从所述目标餐品被配送到所述目标位置开始到所述目标餐品被取走所使用的时长；

根据所述准备时长、所述运输时长与所述取餐时长确定所述配送时长。

3.根据权利要求2所述的方法，其特征在于，

所述根据所述目标订单的所述第一信息，获取所述目标订单的准备时长包括：将所述第一信息输入到第一神经网络模型中，由所述第一神经网络模型输出所述准备时长，其中，所述第一神经网络模型为使用样本订单的第一样本信息训练的用于输出所述样本信息的所述准备时长的模型，所述样本订单为从历史订单中获取的订单；

所述根据所述目标订单的所述第二信息，获取所述目标订单的运输时长包括：将所述第二信息输入到第二神经网络模型中，由所述第二神经网络模型输出所述运输时长，其中，所述第二神经网络模型为使用所述样本订单的第二样本信息训练的用于输出所述第二样本信息的所述运输时长的模型；

所述根据所述目标订单的所述第三信息，获取所述目标订单的取餐时长包括：将所述第三信息输入到第三神经网络模型中，由所述第三神经网络模型输出所述取餐时长，其中，所述第三神经网络模型为使用所述样本订单的第三样本信息训练的用于输出所述第三样本信息的所述取餐时长的模型。

4.根据权利要求2所述的方法，其特征在于，所述根据所述准备时长、所述运输时长与所述取餐时长确定所述配送时长包括：

将所述准备时长、所述运输时长与所述取餐时长作为为多元回归模型的自变量，输入到所述多元回归模型中；

将所述多元回归模型输出的因变量确定为所述配送时长。

5.根据权利要求1所述的方法，其特征在于，所述按照所述配送时长确定所述多个订单的配送顺序包括：

按照所述配送时长由长到短对所述多个订单进行排序；

按照排序后的顺序依次配送所述多个订单对应的餐品。

6.根据权利要求1所述的方法，其特征在于，所述按照所述配送时长确定所述多个订单的配送顺序包括：

获取所述多个订单中所述每个订单的目标时间点，其中，所述目标时间点为所述每个订单对应的餐品被要求送到目标位置的最晚时间点，所述目标位置为所述每个订单中指定的配送位置；

获取当前时间点到所述目标时间点的第一时间段；

按照所述第一时间段与所述配送时长的差由小到大的顺序对所述多个订单进行排序；

按照所述多个订单排序后的顺序依次配送所述多个订单对应的餐品。

7.根据权利要求6所述的方法，其特征在于，在按照所述多个订单排序后的顺序依次配送所述多个订单对应的餐品之前，所述方法还包括：

在所述多个订单中所述每个订单的所述订单信息中包括目标信息的情况下，将包括所述目标信息的订单的位置在所述多个订单排序后的顺序中向前调整N个位置，其中，所述N为正整数，所述N的大小通过所述目标信息确定，所述目标信息用于指示产生所述目标信息的订单的帐号为会员账号。

8.根据权利要求7所述的方法，其特征在于，通过所述目标信息确定所述N的大小包括：

将所述会员账号的等级确定为所述N。

9.一种餐品配送装置，其特征在于，包括：

获取单元，用于获取多个订单中每个订单的订单信息，其中，所述订单信息中包括第一信息、第二信息与第三信息，所述第一信息包括所述每个订单的订单属性、生产所述每个订单对应的餐品的门店的门店属性，所述第二信息包括所述每个订单的对应的所述餐品的餐品属性、配送所述餐品的环境的环境属性，所述第三信息包括接收所述餐品的对象的对象属性；

第一确定单元，用于根据所述订单信息，确定出所述每个订单的配送时长；

第二确定单元，用于按照所述配送时长确定所述多个订单的配送顺序。

10.根据权利要求9所述的装置，其特征在于，所述第二确定单元包括：

第一排序模块，用于按照所述配送时长由长到短对所述多个订单进行排序；

第一配送模块，用于按照排序后的顺序依次配送所述多个订单对应的餐品。

Images