CN112488199A - 物流配送方式预测方法、系统、设备及存储介质 - Google Patents

Abstract

本发明提供了一种物流配送方式预测方法、系统、设备及存储介质，该方法包括：采集历史收件数据，所述历史收件数据包括收件地址信息和配送方式；基于所述历史收件数据训练配送方式预测模型，所述配送方式预测模型的输入数据包括收件地址信息，输出数据包括预测的配送方式；接收到用户的下单请求，获取用户输入的收件地址信息；将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，并推送至用户。本发明可以采用配送方式预测模型来实现配送方式的预测，便于用户预先了解到可能实现的配送方式，所述配送方式预测模型通过历史收件数据进行机器学习训练得到，得到的预测模型更符合实际情况，并且预测结果更为准确。

Description

物流配送方式预测方法、系统、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种物流配送方式预测方法、系统、设备及存储介质。

背景技术

实际生活中快递的最终配送方式可分为上门配送，存放快递超市，存放自提柜等几种。不同的消费者可能对最终的配送方式有一定的偏好，有些甚至会在详细收件地址中注明。但这些特殊要求信息经常会被配送员忽略。对于消费者来说，往往无法实现自己所期望的配送方式。

对于快递公司来说，如果希望满足消费者的期望，完全遵照消费者的配送方式偏好进行配送，一方面会造成很大的快递数据管理负担，不仅需要管理快递收件地址，还要管理快递配送方式，再一方面对于配送员的分配会造成很大的困难，如果将多种不同配送方式的快递分配给同一个配送员，也会造成配送员的配送效率大大降低。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种物流配送方式预测方法、系统、设备及存储介质，可以采用配送方式预测模型来实现配送方式的预测，便于用户根据预测的配送方式来做出选择。

本发明实施例提供一种物流配送方式预测方法，包括如下步骤：

采集历史收件数据，所述历史收件数据包括收件地址信息和配送方式；

基于所述历史收件数据训练配送方式预测模型，所述配送方式预测模型的输入数据包括收件地址信息，输出数据包括预测的配送方式；

接收到用户的下单请求，获取用户输入的收件地址信息；

将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，并推送至用户。

在一些实施例中，所述历史收件数据还包括物流模式，基于所述历史收件数据训练配送方式预测模型，包括如下步骤：

将所述历史收件数据按照物流模式进行分类，得到各个物流模式的历史收件数据；

采用各个物流模式的历史收件数据训练所述配送方式预测模型。

在一些实施例中，所述接收到用户的下单请求之后，还包括获取可选的物流模式；

所述将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括将用户输入的收件地址信息输入所述配送方式预测模型，得到各种可选的物流模式所对应的配送方式。

在一些实施例中，所述配送方式预测模型包括各个物流模式所对应的配送方式预测模型；

所述采用各个物流模式的历史收件数据训练所述配送方式预测模型，包括将所述历史收件数据中的收件地址信息输入各个可选的物流模式所对应的配送方式预测模型，得到对应于各个可选的物流模式的预测的配送方式。

在一些实施例中，基于所述历史收件数据训练配送方式预测模型，包括如下步骤：

提取所述历史收件数据中的收件地址信息的特征和所述物流模式的特征；

将提取到的特征组合作为所述配送方式预测模型的输入数据，训练所述配送方式预测模型。

在一些实施例中，所述将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括如下步骤：

提取用户输入的收件地址信息的特征和各个用户可选的物流模式的特征；

对于每种可选的物流模式，将用户输入的收件地址信息的特征和该物流模式的特征组合后输入所述配送方式预测模型，得到该物流模式对应的预测的配送方式。

在一些实施例中，各个所述物流模式包括地区类别、物流公司类别或地区类别和物流公司类别的组合。

在一些实施例中，所述获取用户可选的物流模式，包括如下步骤：

根据所述下单请求获取对应的商家信息；

获取所述商家信息所对应的可选的物流模式。

在一些实施例中，所述得到预测的配送方式，并推送至用户，包括如下步骤：

基于可选的物流模式和对应的预测的配送方式生成物流选择页面，并推送至用户。

在一些实施例中，所述得到预测的配送方式，并推送至用户之后，还包括如下步骤：

获取用户在所述物流选择页面中选择的物流模式以及配送方式，并推送至所述下单请求所对应的商家。

在一些实施例中，基于所述历史收件数据训练配送方式预测模型，包括如下步骤：

将所述地址信息按照预设的规范化规则进行规范化处理；

将规范化处理后的地址信息进行分词后提取文本特征；

将提取的文本特征输入所述配送方式预测模型，得到所述配送方式预测模型预测的配送方式；

基于所述预测的配送方式和所述历史收件数据中对应的配送方式构建损失函数，迭代训练所述配送方式预测模型。

本发明实施例还提供一种物流配送方式预测系统，应用于所述的物流配送方式预测方法，所述系统包括：

第一采集模块，用于采集历史收件数据，所述历史收件数据包括收件地址信息和配送方式；

模型训练模块，用于基于所述历史收件数据训练配送方式预测模型，所述配送方式预测模型的输入数据包括收件地址信息，输出数据包括预测的配送方式；

第二采集模块，用于接收到用户的下单请求，获取用户输入的收件地址信息；

信息预测模块，用于将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，并推送至用户。

在一些实施例中，所述历史收件数据还包括物流模式，所述模型训练模块基于所述历史收件数据训练配送方式预测模型，包括：将所述历史收件数据按照物流模式进行分类，得到各个物流模式的历史收件数据，并采用各个物流模式的历史收件数据训练所述配送方式预测模型；

所述第二采集模块接收到用户的下单请求之后，还用于获取可选的物流模式；

所述信息预测模块将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括：将用户输入的收件地址信息输入所述配送方式预测模型，得到各种可选的物流模式所对应的配送方式。

本发明实施例还提供一种物流配送方式预测设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行所述的物流配送方式预测方法的步骤。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的物流配送方式预测方法的步骤。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

本发明的物流配送方式预测方法、系统、设备及存储介质具有如下有益效果：

本发明可以采用配送方式预测模型来实现配送方式的预测，便于用户预先了解到可能实现的配送方式，并且在用户有配送方式偏好时可以根据预测的配送方式来做出选择，在基于一种物流模式预测得到的配送方式不是用户所需要的方式时，用户可以选择其他的物流模式，以获取更符合自己期望的配送方式，本发明的配送方式预测模型通过历史收件数据进行机器学习训练得到，得到的预测模型更符合实际情况，并且预测结果更为准确。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明一实施例的物流配送方式预测方法的流程图；

图2是本发明一实施例的配送方式预测模型的训练流程图；

图3是本发明一实施例的具有多个配送方式预测模型时的配送方式预测的流程图；

图4是本发明一实施例的具有一个配送方式预测模型时的配送方式预测的流程图；

图5是本发明一实施例的物流配送方式预测系统的结构示意图；

图6是本发明一实施例的物流配送方式预测设备的结构示意图；

图7是本发明一实施例的计算机可读存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

如图1所示，本发明实施例提供一种物流配送方式预测方法，包括如下步骤：

S100：采集历史收件数据，所述历史收件数据包括收件地址信息和配送方式，所述收件地址信息可以包括省、市、区以及详细地址(例如街道、小区名称、楼号等)，所述历史收件数据中配送方式即为所对应的地址信息的配送方式标签，所述配送方式可以包括上门配送、配送至特定驿站、配送至自提柜等；

S200：基于所述历史收件数据训练配送方式预测模型，所述配送方式预测模型的输入数据包括收件地址信息，输出数据包括预测的配送方式；

S300：接收到用户的下单请求，获取用户输入的收件地址信息；

S400：将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，并推送至用户。

本发明可以通过步骤S300和步骤S400，在接收到用户的下单请求时，采用配送方式预测模型来实现配送方式的预测，便于用户预先了解到可能实现的配送方式，并且在用户有配送方式偏好时可以根据预测的配送方式来做出选择，在基于一种物流模式预测得到的配送方式不是用户所需要的方式时，用户可以选择其他的物流模式，以获取更符合自己期望的配送方式。本发明的配送方式预测模型通过步骤S100和步骤S200，采用历史收件数据进行机器学习训练得到，得到的预测模型更符合实际情况，并且预测结果更为准确。

在本发明的各个实施例中，本发明应用于物流场景中。具体而言，本发明提供的物流配送方式预测方法可以布局在电商平台的服务器或物流管理中心的服务器上，从而为用户提供物流配送方式预测服务，但本发明不以此为限。在将该物流配送方式预测方法布局在电商平台的服务器上时，其可以与物流管理中心的服务器进行通信，以获取历史物流配送数据，以用于配送方式预测模型的训练，用户可以通过访问电商平台来查看预测的配送方式。在将该物流配送方式预测方法布局在物流管理中心的服务器上时，其可以与电商平台的服务器进行通信，从而可以获取用户下单时填写的收件地址，并且在预测得到配送方式后返回给电商平台的服务器，用户同样可以通过访问电商平台来查看预测的配送方式，而无需进行访问方式的转换。此外，所述物流配送方式预测系统可以布局在一个单独的服务器上，该单独的服务器可以与电商平台的服务器和/或物流管理中心的服务器进行通信。

在该实施例中，可以进一步联合多家物流公司的数据来训练所述配送方式预测所述历史收件数据还包括物流模式。所述物流模式可以按照物流公司类别进行划分，例如一种物流模式为A物流公司配送，一种物流模式为B物流公司配送，一种物流模式为C物流公司配送等。在另一种可替代的实施方式中，所述物流模式也可以按照地区类别进行划分，例如一种物流模式为J地区配送，一种物流模式为K地区配送。在再一种可替代的实施方式中，所述物流模式也可以为所述地区类别或所述物流公司类别组合来划分，例如，一种物流模式S1为J地区A物流公司，一种物流模式S2为J地区B物流公司，一种物流模式S3为K地区B物流公司等。所述地区类别的划分深度可以根据需要设定，例如设定以省级进行划分，即X省A物流公司，X省B物流公司，或者设定以地级市进行划分，即X省Y市A物流公司，X省Y市B物流公司等。

在具有多种可选的物流模式时，可以预测得到多种不同物流模式对应的配送方式。用户可以有更多种的选择，从而选择更适合自己的配送方式。

在该实施例中，以所述物流模式按照地区类别和物流公司来划分为例进行说明，地区类别可以选择为以地级市进行划分，例如定义每种物流模式为X省Y市Z物流公司。在其他可替代的实施方式中，也可以只采用物流公司来进行划分，或采用其他因素划分物流模型，均属于本发明的保护范围之内。

所述步骤S200：基于所述历史收件数据训练配送方式预测模型，包括如下步骤：

S210：将所述历史收件数据按照物流模式进行分类，得到各个物流模式的历史收件数据；

在该实施例中，将所述历史收件数据按照省+市+物流公司划分，划分得到不同物流模式的历史收件数据；

S220：将所述地址信息进行数据清洗，并且按照预设的规范化规则进行规范化处理，所述数据清洗即删除所述地址信息中的无效符号，去除重复字符等，所述规范化规则可以包括将所述地址信息整理成固定的格式，例如按照省、市、区、街道、小区名称、楼号等顺序进行排列；

S230：将规范化处理后的地址信息进行分词后提取文本特征，具体地，可以将所述地址信息进行分词后，分别将每个词映射为词向量，组合得到对应的文本特征；

S240：将提取的文本特征输入所述配送方式预测模型，得到所述配送方式预测模型预测的配送方式；

在该实施例中，所述配送方式预测模型可以采用例如SVM(Support VectorMachines，支持向量机)、Transformer模型、卷积神经网络等分类模型进行构建，在其他的实施方式中，也可以采用未列在此处的其他分类模型进行构建；

S250：基于所述预测的配送方式和所述历史收件数据中对应的配送方式构建损失函数，迭代训练所述配送方式预测模型，所述历史收件数据中对应的配送方式即为所述历史收件数据中地址信息的标签，至所述损失函数小于预设损失阈值为止，所述配送方式预测模型训练完成，可以用于后续配送方式的预测。

在该实施例中，所述步骤S300：接收到用户的下单请求之后，还包括S310：获取可选的物流模式。所述步骤S400：将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括将用户输入的收件地址信息输入所述配送方式预测模型，得到各种可选的物流模式所对应的配送方式。由此，用户可以查看到各个可选的物流模式所对应的配送方式，给用户更多的选择，更方便用户选择符合自己需求的配送方式，并且可以根据配送方式选择对应的物流模式，从而保证能够实现自己需求的配送方式。

在该实施例中，在有多种不同的物流模式的情况下，所述步骤S200中，可以训练多个配送方式预测模型，即所述配送方式预测模型包括各个物流模式所对应的配送方式预测模型。

所述步骤S200中，采用各个物流模式的历史收件数据训练所述配送方式预测模型，包括将所述历史收件数据中的收件地址信息输入各个可选的物流模式所对应的配送方式预测模型，得到对应于各个可选的物流模式的预测的配送方式。

具体地，在所述步骤S210中，将所述历史收件数据按照物流模式进行分类，得到各个物流模式的历史收件数据之后，基于各个物流模式所对应的历史收件数据来预测该物流模式所对应的配送方式预测模型，即将各个物流模式所对应的历史收件数据中的收件地址信息输入该物流模式所对应的配送方式预测模型，得到预测的配送方式。

采用针对不同物流模式分别构建和训练配送方式预测模型的方式，可以进一步提高配送方式预测模型在训练时的针对性，并且在预测该物流模式的配送方式时也可以得到较为准确的预测结果。

在另一种可替代的实施方式中，也可以针对于多种物流模式训练同一个配送方式预测模型，由此可以只采用一个配送方式预测模型即实现各种不同物流模式下针对于一收件地址信息的配送方式预测。为了区分各种不同的物流模式，该配送方式预测模型的输入数据不仅包括收件地址信息，还需要包括对应的物流模式的特征。具体地，所述步骤S200：基于所述历史收件数据训练配送方式预测模型，包括如下步骤：

提取所述历史收件数据中的收件地址信息的特征和所述物流模式的特征，所述收件地址信息的特征可以包括分词后映射得到的词向量组合，所述物流模式的特征可以包括预设的各种物流模式所对应的特征向量，也可以是对所述物流模式进行分词后，将每个词映射到词向量后的组合；

将提取到的特征组合作为所述配送方式预测模型的输入数据，训练所述配送方式预测模型，即将提取到的特征组合(包括收件地址信息的特征和物流模式的特征，可以采用拼接的方式进行组合)输入到所述配送方式预测模型中，得到所述配送方式预测模型的输出，然后与所对应的配送方式标签一起构建损失函数，迭代训练所述配送方式预测模型。

所述步骤S300中，用户的下单请求可以是用户在电商平台中的商品购买请求，如果购买的是实体产品，在电商平台中生成订单时，需要用户输入收件地址信息，此时，需要从电商平台中采集到用户输入的收件地址信息。

如图3所示，在该实施例中，所述步骤S310：获取用户可选的物流模式，包括如下步骤：

S311：根据所述下单请求获取对应的商家信息；

S312：获取所述商家信息所对应的可选的物流模式，即所述下单请求所购买的商品的商家所支持的物流模式。在物流模式为地区+物流公司的组合时，一般对于一个收件地址来说，地区是固定的，物流公司可能有多种选择；

如图3所示，在针对于不同的物流模式采用不同的配送方式预测模型时，所述步骤S400：将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括如下步骤：

S411：根据所述可选的物流模式确定可选的配送方式预测模型；

S412：提取用户输入的收件地址信息的特征，输入到各个可选的配送方式预测模型中；

此处，用户输入的收件地址信息也可以首先按照上述历史收件数据的处理方式进行处理，即对数据进行清洗，然后按照预设的规范化规则进行处理，得到指定的格式后，进行分词和提取特征的处理，得到用户输入的收件地址信息的特征；

S413：得到各个可选的配送方式预测模型预测的配送方式，作为各种可选物流模式的预测的配送方式。

如图4所示，在针对于不同的物流模式采用一个统一的配送方式预测模型时，所述步骤S400：将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括如下步骤：

S421：提取用户输入的收件地址信息的特征和各个用户可选的物流模式的特征；

S422：对于每种可选的物流模式，将用户输入的收件地址信息的特征和该物流模式的特征组合后分别输入所述配送方式预测模型；

此处，用户输入的收件地址信息也可以首先按照上述历史收件数据的处理方式进行处理，即对数据进行清洗，然后按照预设的规范化规则进行处理，得到指定的格式后，进行分词和提取特征的处理，得到用户输入的收件地址信息的特征；所述物流模式的特征可以直接基于在训练配送方式预测模型时建立的物流模式与特征向量的映射来得到；

S423：得到所述配送方式预测模型对应于不同输入数据的预测结果，作为所对应的物流模式对应的预测的配送方式，即将物流模式S1和收件地址信息的组合输入配送方式预测模型时，模型输出的是物流模式S1下的预测的配送方式，将物流模式S2和收件地址信息的组合输入配送方式预测模型时，模型输出的是物流模式S2下的预测的配送方式。

在该实施例中，所述步骤S400中，得到预测的配送方式，并推送至用户，包括如下步骤：

基于可选的物流模式和对应的预测的配送方式生成物流选择页面，并推送至用户。用户通过其终端设备可以在物流选择页面中直观地看到各种不同的物流模式所对应的预测的配送方式，并且可以根据自己偏好的或者需要的配送方式，选择对应的物流模式。

例如，所述物流选择页面中显示可选的物流模式有S1、S2、S3三种，并且物流模式S1的预测的配送方式为上门配送，物流模式S2的预测的配送方式为配送至特定驿站，物流模式S3的预测的配送方式为配送至自提柜。用户偏好于配送至特定驿站，则可以选择物流模式S2，即选择物流模式S2对应的地区+物流公司的组合。用户可以通过在订单中留言的方式或者与商家私聊的方式说明自己需要的物流模式为物流模式S2，则商家可以按照物流模式S2进行发货，从而提高用户获得期望的配送方式的几率。

在该实施例中，所述步骤S400中，得到预测的配送方式，并推送至用户之后，还可以进一步增加获取用户在所述物流选择页面中选择的物流模式以及配送方式，并推送至所述下单请求所对应的商家的步骤。由此，对于用户来说，只需要在物流选择页面中选择自己所期望的物流模式即可，无需其他操作，云端服务器在接收到该选择结果后，会自动推送给商家，一方面简化了用户的操作，另一方面也可以避免商家遗漏或者遗忘用户的留言信息。

进一步地，在商家启动发货流程时，也可以增加根据用户选择的物流模式和配送方式来提醒商家的功能，以避免避免商家遗漏或者遗忘。

如图5所示，本发明实施例还提供一种物流配送方式预测系统，应用于所述的物流配送方式预测方法，所述系统包括：

第一采集模块M100，用于采集历史收件数据，所述历史收件数据包括收件地址信息和配送方式；

模型训练模块M200，用于基于所述历史收件数据训练配送方式预测模型，所述配送方式预测模型的输入数据包括收件地址信息，输出数据包括预测的配送方式；

第二采集模块M300，用于接收到用户的下单请求，获取用户输入的收件地址信息；

信息预测模块M400，用于将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，并推送至用户。

本发明可以通过第二采集模块M300和信息预测模块M400，在接收到用户的下单请求时，采用配送方式预测模型来实现配送方式的预测，便于用户预先了解到可能实现的配送方式，并且在用户有配送方式偏好时可以根据预测的配送方式来做出选择，在基于一种物流模式预测得到的配送方式不是用户所需要的方式时，用户可以选择其他的物流模式，以获取更符合自己期望的配送方式。本发明的配送方式预测模型通过第一采集模块M100和模型训练模块M200，采用历史收件数据进行机器学习训练得到，得到的预测模型更符合实际情况，并且预测结果更为准确。

同样地，本发明提供的物流配送方式预测系统可以布局在电商平台的服务器或物流管理中心的服务器上，也可以布局在一个单独的服务器上，该单独的服务器可以与电商平台的服务器和/或物流管理中心的服务器进行通信，从而为用户提供物流配送方式预测服务，但本发明不以此为限。图5仅仅是示意性的示出本发明提供的物流配送方式预测系统，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的物流配送方式预测系统可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明不以此为限。

在该实施例中，所述物流配送方式预测系统中，各个模块的功能可以采用上述物流配送方式预测方法中各个步骤的具体实施方式来实现，具体地，所述第一采集模块M100可以采用上述步骤S100的具体实施方式来采集历史收件数据，，所述收件地址信息可以包括省、市、区以及详细地址(例如街道、小区名称、楼号等)，所述历史收件数据中配送方式即为所对应的地址信息的配送方式标签，所述配送方式可以包括上门配送、配送至特定驿站、配送至自提柜等。所述模型训练模块M200可以采用上述步骤S200的具体实施方式来训练配送方式预测模型。所述第二采集模块M300可以采用上述步骤S300的具体实施方式来采集用户输入的收件地址信息。所述信息预测模块M400可以采用上述步骤S400的具体实施方式来实现配送方式预测并将预测结果推送给用户。

在该实施例中，在有多种物流模式可供选择的情况下，还可以进一步增加物流模式的因素，即对应于不同的物流模式，同一收件地址也可能是会有多种不同的预测的配送方式。

具体地，所述历史收件数据还包括物流模式，所述模型训练模块M200基于所述历史收件数据训练配送方式预测模型，包括：将所述历史收件数据按照物流模式进行分类，得到各个物流模式的历史收件数据，并采用各个物流模式的历史收件数据训练所述配送方式预测模型。

所述第二采集模块M300接收到用户的下单请求之后，还用于获取可选的物流模式。所述信息预测模块M400将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括：将用户输入的收件地址信息输入所述配送方式预测模型，得到各种可选的物流模式所对应的配送方式。由此，用户可以根据不同的物流模式所对应的配送方式，在多种可选的物流模式中选择适合自己需求的物流模式，并告知商家。

在该实施例中，所述模型训练模块M200训练的配送方式预测模型可以为一个或多个。在一种实施方式中，所述配送方式预测模型可以为多个，并且与不同的物流模式一一对应。所述模型训练模块M200在训练各个所述配送方式预测模型时，将所对应的物流模式的收件地址信息输入到所述配送方式预测模型中去进行模型训练。由此，所述信息预测模块M400在预测配送方式时，也需要首先确定可选的物流模式种类，然后确定可选的配送方式预测模型，将用户输入的收件地址信息依次输入到各个可选的配送方式预测模型中，得到多个可选的配送方式预测模型的预测结果，即为多个可选的物流模式的预测的配送方式。

在另一种实施方式中，所述配送方式预测模型可以为一个整合了多种物流模式的预测模型。所述模型训练模块M200在训练各个所述配送方式预测模型时，将收件地址信息和物流模式的特征进行组合后，输入到所述配送方式预测模型中进行模型训练。由此，所述信息预测模块M400在预测配送方式时，也需要首先确定可选的物流模式种类，然后将用户输入的收件地址信息的特征分别跟多种物流模式的特征进行组合，然后分多次输入到所述配送方式预测模型中，得到多次预测结果，即为多个可选的物流模式的预测的配送方式。

在该实施例中，所述配送方式预测模型在将预测结果推送给用户时，可以基于可选的物流模式和对应的预测的配送方式生成物流选择页面，并推送至用户。所述物流配送方式预测系统还可以包括配送方式选择模块，用于获取用户在所述物流选择页面中选择的物流模式以及配送方式，并推送至所述下单请求所对应的商家，从而进一步方便用户的操作，并且提高物流模式选择的效率。

本发明实施例还提供一种物流配送方式预测设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的物流配送方式预测方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述物流配送方式预测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

所述物流配送方式预测设备中，所述存储器中的程序被处理器执行时实现所述的物流配送方式预测方法的步骤，因此，所述计算机存储介质也可以获得上述物流配送方式预测方法的技术效果。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的物流配送方式预测方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述物流配送方式预测方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

所述计算机存储介质中的程序被处理器执行时实现所述的物流配送方式预测方法的步骤，因此，所述计算机存储介质也可以获得上述物流配送方式预测方法的技术效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (15)

1.一种物流配送方式预测方法，其特征在于，所述方法包括：

采集历史收件数据，所述历史收件数据包括收件地址信息和配送方式；

基于所述历史收件数据训练配送方式预测模型，所述配送方式预测模型的输入数据包括收件地址信息，输出数据包括预测的配送方式；

接收到用户的下单请求，获取用户输入的收件地址信息；

将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，并推送至用户。

2.根据权利要求1所述的物流配送方式预测方法，其特征在于，所述历史收件数据还包括物流模式，基于所述历史收件数据训练配送方式预测模型，包括如下步骤：

将所述历史收件数据按照物流模式进行分类，得到各个物流模式的历史收件数据；

采用各个物流模式的历史收件数据训练所述配送方式预测模型。

3.根据权利要求2所述的物流配送方式预测方法，其特征在于，所述接收到用户的下单请求之后，还包括获取可选的物流模式；

所述将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括将用户输入的收件地址信息输入所述配送方式预测模型，得到各种可选的物流模式所对应的配送方式。

4.根据权利要求3所述的物流配送方式预测方法，其特征在于，所述配送方式预测模型包括各个物流模式所对应的配送方式预测模型；

所述采用各个物流模式的历史收件数据训练所述配送方式预测模型，包括将所述历史收件数据中的收件地址信息输入各个可选的物流模式所对应的配送方式预测模型，得到对应于各个可选的物流模式的预测的配送方式。

5.根据权利要求3所述的物流配送方式预测方法，其特征在于，基于所述历史收件数据训练配送方式预测模型，包括如下步骤：

提取所述历史收件数据中的收件地址信息的特征和所述物流模式的特征；

将提取到的特征组合作为所述配送方式预测模型的输入数据，训练所述配送方式预测模型。

6.根据权利要求5所述的物流配送方式预测方法，其特征在于，所述将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括如下步骤：

提取用户输入的收件地址信息的特征和各个用户可选的物流模式的特征；

对于每种可选的物流模式，将用户输入的收件地址信息的特征和该物流模式的特征组合后输入所述配送方式预测模型，得到该物流模式对应的预测的配送方式。

7.根据权利要求2至6中任一项所述的物流配送方式预测方法，其特征在于，各个所述物流模式包括地区类别、物流公司类别或地区类别和物流公司类别的组合。

8.根据权利要求2至6中任一项所述的物流配送方式预测方法，其特征在于，所述获取用户可选的物流模式，包括如下步骤：

根据所述下单请求获取对应的商家信息；

获取所述商家信息所对应的可选的物流模式。

9.根据权利要求2至6中任一项所述的物流配送方式预测方法，其特征在于，所述得到预测的配送方式，并推送至用户，包括如下步骤：

基于可选的物流模式和对应的预测的配送方式生成物流选择页面，并推送至用户。

10.根据权利要求9所述的物流配送方式预测方法，其特征在于，所述得到预测的配送方式，并推送至用户之后，还包括如下步骤：

获取用户在所述物流选择页面中选择的物流模式以及配送方式，并推送至所述下单请求所对应的商家。

11.根据权利要求1所述的物流配送方式预测方法，其特征在于，基于所述历史收件数据训练配送方式预测模型，包括如下步骤：

将所述地址信息按照预设的规范化规则进行规范化处理；

将规范化处理后的地址信息进行分词后提取文本特征；

将提取的文本特征输入所述配送方式预测模型，得到所述配送方式预测模型预测的配送方式；

基于所述预测的配送方式和所述历史收件数据中对应的配送方式构建损失函数，迭代训练所述配送方式预测模型。

12.一种物流配送方式预测系统，其特征在于，应用于权利要求1至11中任一项所述的物流配送方式预测方法，所述系统包括：

第一采集模块，用于采集历史收件数据，所述历史收件数据包括收件地址信息和配送方式；

模型训练模块，用于基于所述历史收件数据训练配送方式预测模型，所述配送方式预测模型的输入数据包括收件地址信息，输出数据包括预测的配送方式；

第二采集模块，用于接收到用户的下单请求，获取用户输入的收件地址信息；

信息预测模块，用于将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，并推送至用户。

13.根据权利要求12所述的物流配送方式预测系统，其特征在于，所述历史收件数据还包括物流模式，所述模型训练模块基于所述历史收件数据训练配送方式预测模型，包括：将所述历史收件数据按照物流模式进行分类，得到各个物流模式的历史收件数据，并采用各个物流模式的历史收件数据训练所述配送方式预测模型；

所述第二采集模块接收到用户的下单请求之后，还用于获取可选的物流模式；

所述信息预测模块将用户输入的收件地址信息输入所述配送方式预测模型，得到预测的配送方式，包括：将用户输入的收件地址信息输入所述配送方式预测模型，得到各种可选的物流模式所对应的配送方式。

14.一种电子设备，其特征在于，所述电子设备包括：

处理器；

存储器，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行根据权利要求1至11任一项所述的物流配送方式预测方法。

15.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器运行时执行根据权利要求1至11任一项所述的物流配送方式预测方法。

Images