CN112561112A - 订单分配的方法、装置、计算机可读存储介质及电子设备 - Google Patents

订单分配的方法、装置、计算机可读存储介质及电子设备 Download PDF

Info

Publication number
CN112561112A
CN112561112A CN201910851434.5A CN201910851434A CN112561112A CN 112561112 A CN112561112 A CN 112561112A CN 201910851434 A CN201910851434 A CN 201910851434A CN 112561112 A CN112561112 A CN 112561112A
Authority
CN
China
Prior art keywords
factor
order
delivery time
determining
delivery
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
CN201910851434.5A
Other languages
English (en)
Inventor
周越
潘基泽
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910851434.5A priority Critical patent/CN112561112A/zh
Publication of CN112561112A publication Critical patent/CN112561112A/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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书公开了订单分配的方法、装置、计算机可读存储介质及电子设备，根据获取待分配订单对应的数据，通过预测模型中，订单的正常承诺送达时间，以及导致配送超时的至少一个因素对应的异常承诺送达时间及其延时时间。然后针对至少一个因素，根据该因素对应的延时时间，通过权重确定模型，确定该因素的权重。最后可根据确定出的权重、异常承诺送达时间以及正常承诺送达时间，确定该待分配订单的综合承诺送达时间以分配订单。通过预测模型相当于量化了每个因素单独导致的订单配送时间延时。使得当订单与小概率因素相关时，可以给出小概率因素作用下该订单的综合承诺送达时间，提高了确定出的承诺送达时间的准确性，进而提高配送效率。

Description

订单分配的方法、装置、计算机可读存储介质及电子设备
技术领域
本申请涉及信息技术技术领域，尤其涉及订单分配的方法、装置、计算机可读存储介质及电子设备。
背景技术
目前，外卖配送平台为了提高用户体验以及配送效率，在接收到用户发起的订单后，通常会先根据订单的内容，通过预先训练的预测模型，预测骑手将该订单送达用户的时间，作为承诺送达时间。以便后续可以根据该承诺送达时间确定配送该订单的骑手，以及将该承诺送达时间返回给用户，提高用户体验。
在现有技术中，通常会根据历史上已经配送完成的订单对应的历史数据，确定训练样本，以订单实际送达时间为预期训练预测模型。一般情况下只要预测模型的训练足够充分，其输出的预测结果是足够准确的。
然而，在实际订单配送场景中，若订单配送难度大，则可能导致长时间无人接单，使得实际订单送达时间超过了承诺送达时间。或者，当供货方未能按时向骑手提供配送物时，也会导致配送超时。这种由不同的因素导致配送超时的情况，通常都是由于在这些因素的影响下，配送的某一个环节出现了延时，可称为因素对应的延时时间。
通常导致配送超时是小概率事件，也就是各因素出现概率较小，因此实际订单配送场景中与各因素相关的订单的分布，常见如图1所示的分布情况。图1为实际场景中订单在不同场景下数量分布的示意图，横坐标为各种配送情况如，不同场景，纵坐标为订单数量。在统计学上概率分布集中的部分称为“头”，而概率分布较低的部分称为“尾”，在图1中就是各种因素相关的订单。
但是由于长尾效应(Long Tail Effect)，使得虽然订单配送超时的因素通常都是小概率事件，但是每种因素相关的订单总数却并非小到可以忽略，如图1中所示的各“尾”部订单的总数与“头”部订单的总数的对比仍显不少。
在现有技术中，由于与各种因素相关的订单占订单总数的比例比较小，因此从基于大量订单的预测结果来看，现有技术得出的承诺送达时间的准确性还是可以保证的。同样，在训练样本中各种因素相关的训练样本的占比也较小，否则可能导致训练出的预测模型在实际应用过程中的整体准确性降低，而由于模型训练时通常考虑的是全局输出结果的优化，一般是对优化难度低、训练样本中占比高、对训练效果提升最明显的参数进行优化，而占订单总数的比例比较小的与各种因素相关的训练样本，对训练过程的影响较小。因此，现有技术在实际应用预测模型时，难以避免的无法准确的给出与各种因素相关的订单的承诺送达时间，使得在绝对数量上仍有不可忽略的一部分订单，难以通过现有技术给出准确的承诺送达时间预测，影响订单分配的准确性、用户体验以及订单的配送效率。
发明内容
本说明书实施例提供一种订单分配的方法及装置，用于部分解决现有技术中存在的问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种订单分配的方法，包括：
获取待分配订单对应的数据；
将所述数据输入到预先训练的预测模型，得到所述待分配订单的正常承诺送达时间，以及导致所述待分配订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间；
针对至少一个因素，根据该因素对应的延时时间，通过预先训练的权重确定模型，确定该因素的权重，其中，该因素的权重与出现该因素的概率正相关；
根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述待分配订单的综合承诺送达时间，以根据所述综合承诺送达时间分配所述待分配订单。
可选地，导致所述待分配订单配送超时的因素包括以下因素中的至少一个：配送方接单时间超过第一预设值以及供货方供货时间超过第二预设值。
可选地，所述根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述待分配订单的综合承诺送达时间，包括：
针对至少一个因素，根据该因素的权重，对该因素的异常承诺送达时间与所述正常承诺送达时间的差值进行加权，得到该因素对应的加权结果；
根据所述正常承诺送达时间以及至少一个因素的加权结果之和，确定所述待分配订单的综合承诺送达时间。
可选地，所述预先训练预测模型，包括：
获取历史上若干已完成订单对应的历史数据，并根据获取的已完成订单确定下述各损失函数：
根据获取的已完成订单对应的历史数据，确定用于计算正常承诺送达时间的损失函数；
针对每个因素，在获取的已完成订单中确定出现该因素的已完成订单，根据确定出的已完成订单，确定用于计算该因素对应的异常承诺送达时间的损失函数；
针对每个因素，根据获取的已完成订单，确定该因素对应的实际延时时间，确定用于计算该因素对应的延时时间的损失函数；
根据所述已完成订单和所述各损失函数，迭代训练所述预测模型。
可选地，所述根据所述已完成订单和所述各损失函数，迭代训练所述预测模型，包括：
针对每次迭代训练过程，将已完成订单对应的历史数据输入所述预测模型，得到输出结果；
从确定的各损失函数中选择一个损失函数，作为当前迭代训练过程采用的损失函数；
根据所述输出结果和所述损失函数，计算当前迭代训练过程对应的损失值；
以最小化当前迭代训练过程对应的损失值作为优化目标，调整所述预测模型中的模型参数。
可选地，所述预先训练权重确定模型，包括：
获取历史上已完成订单对应的历史数据，并确定所述已完成订单的实际送达时间；
根据所述已完成订单和训练完成的所述预测模型，得到所述已完成订单的正常承诺送达时间，以及导致所述已完成订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间；
针对所述至少一个因素，根据该因素对应的延时时间以及待训练的权重确定模型，确定该因素的权重；
根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述已完成订单的综合承诺送达时间；
以最小化所述已完成订单的综合承诺送达时间与所述已完成订单的实际送达时间的差值的绝对值作为优化目标，训练所述待训练的权重确定模型。
可选地，不同因素对应不同的权重确定模型。
本说明书提供一种订单分配的装置，包括：
获取模块，其配置为用于获取待分配订单对应的数据；
第一确定模块，其配置为用于将所述数据输入到预先训练的预测模型，得到所述待分配订单的正常承诺送达时间，以及导致所述待分配订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间；
第二确定模块，其配置为用于对至少一个因素，根据该因素对应的延时时间，通过预先训练的权重确定模型，确定该因素的权重，其中，该因素的权重与出现该因素的概率正相关；
订单分配模块，其配置为用于根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述待分配订单的综合承诺送达时间，以根据所述综合承诺送达时间分配所述待分配订单。
本说明书提供的一种计算机可读存储介质，所述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订单分配的方法。
本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述订单分配的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
首先获取待分配订单对应的数据，之后将获取的数据输入预先训练的预测模型中，得到该待分配订单的正常承诺送达时间，以及导致该待分配订单配送超时的至少一个因素对应的异常承诺送达时间，和该至少一个因素对应的延时时间。然后针对至少一个因素，根据该因素对应的延时时间，通过预先训练的权重确定模型，确定该因素的权重。并且，该预先训练的模型确定出的权重与因素出现概率正相关。于是，最后可根据确定出各因素的权重、各因素对应的异常承诺送达时间以及该正常承诺送达时间，确定该待分配订单的综合承诺送达时间，并根据综合承诺送达时间来分配该待分配订单。通过预测算法，针对可能的导致配送超时的因素，分别计算出该因素导致的异常送达时间以及该因素对应的延时时间，相当于量化了每个因素单独导致的时间延时。并且由于预测结果是针对每个因素分别确定的，因此训练过程也较为容易做到各因素进行优化。后续再通过权重确定模型，确定出与每个因素出现概率成正相关的权重，使得即使的出现概率较小的因素，对最终确定待分配订单的综合承诺送达时间也有了贡献。使得当订单与小概率因素相关时，通过本说明书提供的方法，可以给出小概率因素作用下该订单的综合承诺送达时间，提高了确定出的承诺送达时间的准确性。减少由于承诺送达时间的误差导致的订单分配的不准确性，可以提高订单的配送效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为长尾效应示意图；
图2本说明书实施例提供的订单分配的流程示意图；
图3为本说明书实施例提供的预测模型的示意图；
图4为本说明书实施例提供的权重确定模型的示意图；
图5为本说明书实施例提供的订单分配的装置示意图；
图6为本说明书实施例提供的实现订单分配方法的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图2为本说明书实施例提供的一种订单分配的过程，具体可包括以下步骤：
S202：获取待分配订单对应的数据。
在本说明书中，可由配送平台的服务器执行该订单分配过程。服务器在确定如何指派待分配订单之前，需要先确定该待分配订单的承诺送达时间。以便后续可基于该承诺送达时间，确定该待分配订单与若干配送方的匹配度，并最终根据确定出的各匹配度，确定匹配度最高的配送方，为该配送方分配该待分配订单。可见预测出的该待分配订单的承诺送达时间，影响后续订单分配的准确性。其中，配送方为执行配送任务的单位，例如，骑手、无人配送车、无人配送飞行器等等。为了方便描述，本说明书中后续以配送方为骑手进行说明。
具体的，首先由于还没有确定由那个骑手配送待分配订单，因此该待分配订单的承诺送达时间，只能基于该待分配订单对应的数据确定。待分配订单对应的数据至少可包括：待分配订单的价格(包括配送物的价格以及配送价格等)、待分配订单的配送距离(即，取货位置到送货位置的距离)、该待分配订单所属区域、该待分配订单所属区域的下单量、该待分配订单的供货方的标识、该待分配订单的供货方需要提供但尚未提供的配送物的订单数量，等等。
其中，配送平台通常为了方便管理以及统计，会将骑手配送区域进行划分，通常一个骑手只在一个区域内执行配送任务，一方面可以提高配送效率减少远距离配送，另一方面可以减少骑手熟悉道路所需的学习成本，同样可以增加配送效率。同样，供货方所在的区域也属于预先划分的一个区域内，服务器可针对该待分配订单，确定该待分配订单对应的供货方所属区域，作为待分配订单所属区域。
进一步地，确定待分配订单所述区域的下单量，可以确定该区域的运力压力，当下单量较大导致运力压力增加时，出现意外情况导致配送超时的可能性将会增加。例如，当天气较为炎热时，更多用户选择外卖平台点餐，则区域下单量会增加，该区域的运力紧张，导致出现人为失误的可能性增加。
更进一步地，服务器确定待分配订单的供货方，需要提供但尚未提供配送物的订单数量，也就是确定供货方的供货压力，作为待分配订单对应的数据。由于当供货方需要提供但是还没有提供的配送物的数量较多时，说明供货方需要准备的配送物的数量较多、压力较大，则出现骑手到达供货方，但是供货方无法及时提供配送物的情况出现的概率增加。可见服务器在确定待分配订单对应的数据，已经囊括了订单超时所对应的潜在原因。使得后续可以根据待分配订单对应的数据，确定订单由于各种因素导致的延时时间，并确定订单的综合承诺送达时间。
S204：将所述数据输入到预先训练的预测模型，得到所述待分配订单的正常承诺送达时间，以及导致所述待分配订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间。
通常导致订单超时的因素通常存在多种，而每种因素出现的概率不完全相同，并且由该因素导致的送达时间的延时也不完全一样。在本说明书中，由于步骤S202中获取的待分配订单对应的数据中，包含了导致订单超时的潜在原因，因此服务器可将获取的数据输入道预先训练的预测模型中，以得到该预测模型输出的正常承诺送达时间，以及针对至少一个因素，该因素对应的异常承诺送达时间，和该因素对应的延时时间。
具体的，由于服务器确定出的该待分配订单对应的数据，可包括若干维度的数据，则该预测模型为可接收多维数据输入的模型，服务器可将该待分配订单对应的数据分别输入该预测模型中。并且在本说明书中，该预测模型需要输出的结果为多个，包括：在没有任何因素影响的情况下，该待分配订单的正常承诺送达时间。在各不同的因素分别影响下，该待分配订单的异常承诺送达时间。以及，在各不同的因素分别影响下，该待分配订单出现延时的时长。也就是，该预测模型可以输出不同的因素导致延时时长，以及出现延时后不同因素影响下的异常承诺送达时间。
其中，由于预测模型输入的是多维数据，并且输出的也是多个结果，因此该预测模型可以基于多层感知机(Multi-Layer Perception，MLP)，或者DeepFM模型训练得到。当然，只要满足多维数据输入，输出多个结果的回归模型都可以在经过训练后用于本说明书的步骤S204中，本说明书对于具体采用何种模型不做限定。
另外，该导致待分配订单配送超时的因素至少包括以下因素中的一个：骑手接单时间超过第一预设值(即，骑手接单晚)，以及供货方供货时间超过第二预设值(即，供货晚)。骑手接单晚，即服务器接收到用户发起的订单后，由于长时间没有骑手接单，导致最后订单的实际送达时间超过承诺送达时间。供货晚，即由于供货方未能及时提供配送物，导致骑手在供货方需要额外耗费时间等待，导致订单的实际送达时间超过承诺送达时间。
其中，通常骑手接单晚的潜在原因是由于订单不易于配送，导致没有骑手接单，供货晚的潜在原因是供货方供货压力较大，导致不能及时准备配送物。而这些导致配送超时的因素对应的潜在原因，均包含在待配送订单对应的数据中。例如，待分配订单的价格和待分配订单的配送距离，可以评价骑手接单的意愿，而该待分配订单所属区域的下单量和该待分配订单的供货方需要提供但尚未提供的配送物的订单数量等，可以用于评价供货方的供货压力等等。
需要说明的是，在本说明书中由于预测模型是针对每个因素，输出该因素对应的延时时间和异常承诺送达时间的，因此在训练该预测模型时，可以针对每种因素可通过适合的训练样本，对输出该因素对应的输出结果的模型参数进行充分训练。以保证针对每种因素，预测模型输出的结果的准确性。
S206：针对至少一个因素，根据该因素对应的延时时间，通过预先训练的权重确定模型，确定该因素的权重，其中，该因素的权重与出现该因素的概率正相关。
在本说明书中，在步骤S204中预测模型针对至少一个因素输出的输出结果都是互不相关的，因此还需要确定各因素分别对待分配订单的影响程度，也就是确定各因素的权重值，以便后续确定待分配订单的综合承诺送达时间。在本说明书中，服务器可针对至少一个因素，将该因素对应的延时时间输入预先训练的权重确定模型，确定该权重确定模型输出的权重，作为该因素的权重。并且，由于当一个因素的出现概率越高时，该因素可能产生的影响就越高，因此在本说明书确定出的因素的权重，与因素的出现概率是正相关的。
具体的，在本说明书中，不同的因素对应不同的权重确定模型，首先，服务器针对每个因素，通过将至少包含该因素的延时时间作为输入，通过该因素对应的预先训练的权重确定模型，确定权重确定模型的输出结果，之后再通过Sigmoid函数将该输出结果做数值范围0～1上的映射，得到该因素的权重。
另外，在本说明书中，由于不同因素之间也有产生干扰的可能，因此为了更准确的确定每个因素的权重，在本说明书中，每个因素对应的权重确定模型的输入可为多个因素的延时时间，并在对输出结果通过Sigmoid函数进行映射后的结果作为因素的权重。
例如，当只考虑骑手接单晚以及供货方供货晚两种因素时，每个因素分别对应的权重确定模型的输入可以都是两种因素的延时时间。如通过公式α＝1/1+exp[-FMα(pred接单晚，pred供货晚)]和公式β＝1/1+exp[-FMβ(pred接单晚，pred供货晚)]，分别确定接单晚因素的权重以及供货晚因素的权重。其中，α表示接单晚因素的权重、β表示供货晚因素的权重、FMα(pred接单晚，pred供货晚)表示接单晚因素对应的权重确定模型的输出结果、FMα(pred接单晚，pred供货晚)表示供货晚因素对应的权重确定模型的输出结果、pred接单晚表示接单晚因素对应的延时时间、pred供货晚表示供货晚因素对应的延时时间。可见针对这两个因素，该因素的权重确定模型的输入是一样的，包含了该因素自身的延时时间以及其他因素的延时时间。当然，由于每个权重确定模型都是分开训练的，因此不同因素的权重确定模型内的模型参数也是不完全一致的，也就是说不同因素的权重确定模型是不同的。
S208：根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述待分配订单的综合承诺送达时间，以根据所述综合承诺送达时间分配所述待分配订单。
在本说明书中，当确定出各因素的权重之后，服务器便可确定出各因素对该正常承诺送达时间的影响，使得服务器可基于正常承诺送达时间，以及各因素对该正常承诺送达时间的影响，确定待分配订单的综合承诺送达时间。并最终根据该综合承诺送达时间，分配该待分配订单。
具体的，服务器可针对至少一个因素，根据步骤S206确定出的该因素的权重，对步骤S204确定出的该因素的异常承诺送达时间和该待分配订单的正常承诺送达时间的差值进行加权，得到该因素对应的加权结果。之后，再根据该正常承诺送达时间以及至少一个因素的加权结果之和，确定该待分配订单的综合承诺送达时间。
继续沿用上例，服务器待分配订单的综合承诺送达时间，可利用公式predfinal＝prednormal+α(pred接单晚-prednormal)+β(pred供货晚-prednormal)确定。其中，predfinal为待分配订单的综合承诺送达时间、prednormal为步骤S204确定的正常承诺送达时间、pred接单晚和pred供货晚分别为接单晚因素和供货晚因素对应的异常承诺送达时间、α(pred接单晚-prednormal)为接单晚因素对应的加权结果、β(pred供货晚-prednormal)为供货晚因素对应的加权结果。当然，服务器也可根据两个因素中的任一一个因素的加权结果，确定综合承诺送达时间，如predfinal＝prednormal+α(pred接单晚-prednormal)为根据接单晚因素对应的加权结果与正常承诺送达时间，确定待分配订单的综合承诺送达时间。
基于图2所示的订单分配的方法，通过预测算法，针对可能的导致配送超时的因素，分别计算出该因素导致的异常送达时间以及该因素对应的延时时间，相当于量化了每个因素单独导致的时间延时。并且由于预测结果是针对每个因素分别确定的，因此训练过程也较为容易做到各因素进行优化。后续再通过权重确定模型，确定出与每个因素出现概率成正相关的权重，使得即使的出现概率较小的因素，对最终确定待分配订单的综合承诺送达时间也有了贡献。使得当订单与小概率因素相关时，通过本说明书提供的方法，可以给出小概率因素作用下该订单的综合承诺送达时间，提高了确定出的承诺送达时间的准确性。减少由于承诺送达时间的误差导致的订单分配的不准确性，可以提高订单的配送效率。
另外，在本说明书中该预测模型在训练时，可先获取历史上若干已完成订单对应的历史数据，之后根据获取的已完成订单确定各损失函数，最后根据所述已完成订单和所述各损失函数，训练所述预测模型。以导致订单配送超时的因素为接单晚因素和供货晚因素为例，该DeepFM的结构示意图可如图3所示。
具体的，获取已完成订单对应的历史数据类似于本说明书中步骤S202的过程，获取的历史数据用于作为训练样本包含的数据输入预测模型。本说明书对于历史数据具体包含何种数据不再赘述，可参考步骤S202中的描述。
另外，需要说明的是，在本说明书中已完成订单包括：正常完成的订单，也就是没有受到导致超时因素影响的订单，以及受到至少一个因素影响并完成的订单。由于都是历史是已经完成的订单，因此是否受到导致超时的因素影响可以根据订单对应的历史数据确定。
之后，将已完成订单对应的历史数据，输入待训练的预测模型中(后续以该预测模型为DeepFM为例进行说明)，得到该DeepFM输出的各预测时间。由于DeepFM输出的结果可以是多维的，因此在设计该DeepFM时可以根据需要设置该模型输出的预测结果的数量。其中，该DeepFM输出的预测结果至少包括：预测的已完成订单的正常承诺送达时间。并且，为了后续可针对每种因素确定因素的权重，针对每个因素，该DeepFM还可输出预测的该因素对应的已完成订单的异常承诺送达时间，以及该已完成订单的延时时间。
服务器可根据DeepFM输出的各预测结果，以及已完成订单的实际送达时间，确定各损失函数。针对正常承诺送达时间的损失函数，该损失函数可根据该预测模型输出的正常承诺送达时间与已完成订单的实际送达时间的差值的绝对值确定。可用公式
Figure BDA0002197076290000121
确定损失。其中，avgall表示对所有已完成订单的差值的平均值，作为损失。prednormal表示DeepFM预测出的正常送达时间，realnormal为实际送达时间。
以导致订单配送超时的因素为接单晚因素和供货晚因素为例，针对每个因素，可在获取的已完成订单中确定出现该因素的已完成订单，根据确定出的已完成订单，确定用于计算该因素对应的异常承诺送达时间的损失函数为：所述预测模型输出的该因素对应的异常承诺送达时间与所述确定出的已完成订单的实际送达时间的差值的绝对值。
例如用公式
Figure BDA0002197076290000131
确定损失。avg出餐时间≥25min的运单表示将供货时间超过25分钟的已完成订单，作为出现供货晚因素的订单，并只针对这类订单确定差值平均值。real供货晚表示供货时间超过25分钟的已完成订单的实际送达时间，pred供货晚表示DeepFM输出的供货时间超过25分钟的已完成订单的异常承诺送达时间。
利用公式
Figure BDA0002197076290000132
确定损失。avg接单时间≥5min的运单表示将接单时间超过5分钟的已完成订单，作为出现接单晚因素的订单，并只针对这类订单确定差值平均值。real接单晚表示接单时间超过5分钟的已完成订单的实际送达时间，pred接单晚表示DeepFM输出的接单时间超过5分钟的已完成订单的异常承诺送达时间。
并且，通过该针对每个因素，根据获取的已完成订单，确定该因素对应的实际延时时间，确定用于计算该因素对应的延时时间的损失函数为：所述预测模型输出的该因素对应的延时时间与确定出的该因素对应的实际延时时间的差值的绝对值。
例如用公式
Figure BDA0002197076290000133
确定损失。pred供货时间表示DeepFM输出的预测供货时间，real供货时间为已完成订单的实际供货时间，差值即为由于供货晚导致的延时时间。同理利用公式
Figure BDA0002197076290000134
确定损失。pred接单时间表示DeepFM输出的预测接单时间，real接单时间为已完成订单的实际接单时间，差值即为由于接单晚导致的延时时间。
进一步地，在本说明书中，该由于服务器可确定多个损失函数，则在训练时，可以从各损失函数中选择一个损失函数，作为当前迭代训练过程采用的损失函数，并根据DeepFM的输出结果和选择出的损失函数，计算当前迭代训练过程的损失值，以最小化损失值作为优化目标，调整DeepFM中的模型参数。
更进一步地，在本说明书中，该服务器可采用随机梯度下降法、小批量梯度下降法等等调整模型参数，具体采用何种方式本说明书不做限定。
另外，在本说明书中该权重确定模型的训练，可在该预测模型训练完成后进行，并利用预测模型输出的结果作为权重确定模型的输入。
具体的，首先，服务器可先获取历史上若干已完成订单对应的历史数据，并针对每个已完成订单，确定该已完成订单的实际送达时间。
其次，根据训练完成的预测模型以及该已完成订单对应的历史数据，确定该已完成订单的正常承诺送达时间、导致该已完成订单配送超时的至少一个因素对应的异常承诺送达时间以及该至少一个因素对应的延时时间。
之后，针对至少一个因素，根据该因素对应的延时时间以及待训练的权重确定模型，确定该因素的权重。
其中，该服务器可将该因素对应的延时时间进行离散化处理后，再输入该待训练的权重确定模型，以统一不同时间长度的对应的输入。例如，当五分钟内接单时，对实际订单延误的影响可忽略不计，因此无需区分1分钟还是5分钟。或者，当超过25分钟供货时，对订单延误的影响已经足够大无需区分是26分钟还是36分钟。可简化模型计算量，降低输入数据的变量范围。
另外，该权重确定模型具体可以是FM模型+sigmoid函数，如图4所示。如公式
Figure BDA0002197076290000141
和公式
Figure BDA0002197076290000142
所示，其中可见该权重确定模型时针对不同因素分别训练的。输入都是pred接单时间和pred供货时间，但是输出的权重是对应不同因素的。
然后，根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定该已完成订单的综合承诺送达时间。
最后，以最小化该已完成订单的综合承诺送达时间与该已完成订单的实际送达时间的差值的绝对值作为优化目标，训练该待训练的权重确定模型。
具体的，以导致订单配送超时的因素为接单晚因素和供货晚因素为例，该损失函数可以为：
Figure BDA0002197076290000151
其中，各项系数可根据需要设置。并且具体的predfinal-predmian计算过程可见步骤S208中的描述，本说明书对此不再赘述。
另外，在本说明书中，当配送方为无人配送车或者无人配送飞行器时，接单晚的潜在原因可能与骑手接单晚的原因不完全相同，可能是由于没有合适的无人配送车或者无人配送飞行器来配送待分配订单，导致长时间没有接单。当然，预测模型是针对每个因素，输出该因素对应的延时时间和异常承诺送达时间的，因此对于各因素来说无论潜在原因是什么，对于预测出现该因素导致的延时时间不会造成影响。
基于图2所示的订单分配方法，本说明书实施例还对应提供一种订单分配的装置的结构示意图，如图5所示。
图5为本说明书实施例提供的一种订单分配的装置的结构示意图，所述装置包括：
获取模块300，其配置为用于获取待分配订单对应的数据；
第一确定模块302，其配置为用于将所述数据输入到预先训练的预测模型，得到所述待分配订单的正常承诺送达时间，以及导致所述待分配订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间；
第二确定模块304，其配置为用于针对至少一个因素，根据该因素对应的延时时间，通过预先训练的权重确定模型，确定该因素的权重，其中，该因素的权重与出现该因素的概率正相关；
订单分配模块306，其配置为用于根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述待分配订单的综合承诺送达时间，以根据所述综合承诺送达时间分配所述待分配订单。
可选地，导致所述待分配订单配送超时的因素包括以下因素中的至少一个：配送方接单时间超过第一预设值以及供货方供货时间超过第二预设值。
可选地，所述订单分配模块306，其配置为用于针对至少一个因素，根据该因素的权重，对该因素的异常承诺送达时间与所述正常承诺送达时间的差值进行加权，得到该因素对应的加权结果；
根据所述正常承诺送达时间以及至少一个因素的加权结果之和，确定所述待分配订单的综合承诺送达时间。
可选地，所述装置还包括：训练模块308，其配置为用于预先训练预测模型，包括：获取历史上若干已完成订单对应的历史数据，并根据获取的已完成订单确定下述各损失函数：根据获取的已完成订单对应的历史数据，确定用于计算正常承诺送达时间的损失函数，针对每个因素，在获取的已完成订单中确定出现该因素的已完成订单，根据确定出的已完成订单，确定用于计算该因素对应的异常承诺送达时间的损失函数，针对每个因素，根据获取的已完成订单，确定该因素对应的实际延时时间，确定用于计算该因素对应的延时时间的损失函数，根据所述已完成订单和所述各损失函数，迭代训练所述预测模型。
可选地，所述训练模块308，针对每次迭代训练过程，将已完成订单对应的历史数据输入所述预测模型，得到输出结果，从确定的各损失函数中选择一个损失函数，作为当前迭代训练过程采用的损失函数，根据所述输出结果和所述损失函数，计算当前迭代训练过程对应的损失值，以最小化当前迭代训练过程对应的损失值作为优化目标，调整所述预测模型中的模型参数。
可选地，所述训练模块308，获取历史上已完成订单对应的历史数据，并确定所述已完成订单的实际送达时间，根据所述已完成订单和训练完成的所述预测模型，得到所述已完成订单的正常承诺送达时间，以及导致所述已完成订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间，针对所述至少一个因素，根据该因素对应的延时时间以及待训练的权重确定模型，确定该因素的权重，根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述已完成订单的综合承诺送达时间，以最小化所述已完成订单的综合承诺送达时间与所述已完成订单的实际送达时间的差值的绝对值作为优化目标，训练所述待训练的权重确定模型。
可选地，不同因素对应不同的权重确定模型。
基于图5所示的订单分配的装置，通过预测算法，针对可能的导致配送超时的因素，分别计算出该因素导致的异常送达时间以及该因素对应的延时时间，相当于量化了每个因素单独导致的时间延时。并且由于预测结果是针对每个因素分别确定的，因此训练过程也较为容易做到各因素进行优化。后续再通过权重确定模型，确定出与每个因素出现概率成正相关的权重，使得即使的出现概率较小的因素，对最终确定待分配订单的综合承诺送达时间也有了贡献。使得当订单与小概率因素相关时，通过本说明书提供的方法，可以给出小概率因素作用下该订单的综合承诺送达时间，提高了确定出的承诺送达时间的准确性。减少由于承诺送达时间的误差导致的订单分配的不准确性，可以提高订单的配送效率。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述任一种提供的订单分配的方法。
基于图2所示的订单分配的方法，本说明书实施例还提出了图6所示的电子设备的示意结构图。如图6，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述任一所述的订单分配的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、MicrochipPIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种订单分配的方法，其特征在于，包括：
获取待分配订单对应的数据；
将所述数据输入到预先训练的预测模型，得到所述待分配订单的正常承诺送达时间，以及导致所述待分配订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间；
针对至少一个因素，根据该因素对应的延时时间，通过预先训练的权重确定模型，确定该因素的权重，其中，该因素的权重与出现该因素的概率正相关；
根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述待分配订单的综合承诺送达时间，以根据所述综合承诺送达时间分配所述待分配订单。
2.如权利要求1所述的方法，其特征在于，其中，导致所述待分配订单配送超时的因素包括以下因素中的至少一个：配送方接单时间超过第一预设值以及供货方供货时间超过第二预设值。
3.如权利要求1所述的方法，其特征在于，所述根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述待分配订单的综合承诺送达时间，包括：
针对至少一个因素，根据该因素的权重，对该因素的异常承诺送达时间与所述正常承诺送达时间的差值进行加权，得到该因素对应的加权结果；
根据所述正常承诺送达时间以及至少一个因素的加权结果之和，确定所述待分配订单的综合承诺送达时间。
4.如权利要求1所述的方法，其特征在于，预先训练预测模型，包括：
获取历史上若干已完成订单对应的历史数据，并根据获取的已完成订单确定下述各损失函数：
根据获取的已完成订单对应的历史数据，确定用于计算正常承诺送达时间的损失函数；
针对每个因素，在获取的已完成订单中确定出现该因素的已完成订单，根据确定出的已完成订单，确定用于计算该因素对应的异常承诺送达时间的损失函数；
针对每个因素，根据获取的已完成订单，确定该因素对应的实际延时时间，确定用于计算该因素对应的延时时间的损失函数；
根据所述已完成订单和所述各损失函数，迭代训练所述预测模型。
5.如权利要求4所述的方法，其特征在于，所述根据所述已完成订单和所述各损失函数，迭代训练所述预测模型，包括：
针对每次迭代训练过程，将已完成订单对应的历史数据输入所述预测模型，得到输出结果；
从确定的各损失函数中选择一个损失函数，作为当前迭代训练过程采用的损失函数；
根据所述输出结果和所述损失函数，计算当前迭代训练过程对应的损失值；
以最小化当前迭代训练过程对应的损失值作为优化目标，调整所述预测模型中的模型参数。
6.如权利要求1所述的方法，其特征在于，预先训练权重确定模型，包括：
获取历史上已完成订单对应的历史数据，并确定所述已完成订单的实际送达时间；
根据所述已完成订单和训练完成的所述预测模型，得到所述已完成订单的正常承诺送达时间，以及导致所述已完成订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间；
针对所述至少一个因素，根据该因素对应的延时时间以及待训练的权重确定模型，确定该因素的权重；
根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述已完成订单的综合承诺送达时间；
以最小化所述已完成订单的综合承诺送达时间与所述已完成订单的实际送达时间的差值的绝对值作为优化目标，训练所述待训练的权重确定模型。
7.如权利要求6所述的方法，其特征在于，不同因素对应不同的权重确定模型。
8.一种订单分配的装置，其特征在于，所述装置包括：
获取模块，获取待分配订单对应的数据；
第一确定模块，其配置为用于将所述数据输入到预先训练的预测模型，得到所述待分配订单的正常承诺送达时间，以及导致所述待分配订单配送超时的至少一个因素对应的异常承诺送达时间和所述至少一个因素对应的延时时间；
第二确定模块，其配置为用于对至少一个因素，根据该因素对应的延时时间，通过预先训练的权重确定模型，确定该因素的权重，其中，该因素的权重与出现该因素的概率正相关；
订单分配模块，其配置为用于根据确定出的各因素的权重、各因素对应的异常承诺送达时间以及所述正常承诺送达时间，确定所述待分配订单的综合承诺送达时间，以根据所述综合承诺送达时间分配所述待分配订单。
9.一种计算机可读存储介质，其特征在于，所述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权利要求1-7任一所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7所述的方法。
CN201910851434.5A 2019-09-10 2019-09-10 订单分配的方法、装置、计算机可读存储介质及电子设备 Pending CN112561112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910851434.5A CN112561112A (zh) 2019-09-10 2019-09-10 订单分配的方法、装置、计算机可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910851434.5A CN112561112A (zh) 2019-09-10 2019-09-10 订单分配的方法、装置、计算机可读存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN112561112A true CN112561112A (zh) 2021-03-26

Family

ID=75028785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910851434.5A Pending CN112561112A (zh) 2019-09-10 2019-09-10 订单分配的方法、装置、计算机可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112561112A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469710A (zh) * 2021-07-06 2021-10-01 携程商旅信息服务（上海）有限公司 咨询订单的预测方法、系统、电子设备和存储介质
CN113689223A (zh) * 2021-09-01 2021-11-23 北京京东振世信息技术有限公司 信息生成方法、装置、电子设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469710A (zh) * 2021-07-06 2021-10-01 携程商旅信息服务（上海）有限公司 咨询订单的预测方法、系统、电子设备和存储介质
CN113469710B (zh) * 2021-07-06 2022-10-11 携程商旅信息服务（上海）有限公司 咨询订单的预测方法、系统、电子设备和存储介质
CN113689223A (zh) * 2021-09-01 2021-11-23 北京京东振世信息技术有限公司 信息生成方法、装置、电子设备和存储介质
CN113689223B (zh) * 2021-09-01 2023-08-08 北京京东振世信息技术有限公司 信息生成方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN110414731B (zh) 订单分配的方法、装置、计算机可读存储介质及电子设备
CN104471573A (zh) 更新高速缓存的数据库查询结果
CN110020427B (zh) 策略确定方法和装置
CN110674408A (zh) 业务平台、训练样本的实时生成方法及装置
CN112561112A (zh) 订单分配的方法、装置、计算机可读存储介质及电子设备
CN113641896A (zh) 一种模型训练以及推荐概率预测方法及装置
CN112966186A (zh) 一种模型训练和信息推荐的方法及装置
CN114936085A (zh) 基于深度学习算法的etl调度方法及装置
CN109922212B (zh) 一种时段话务量占比的预测方法及装置
CN109886737A (zh) 需求预测方法、装置、电子设备及可读存储介质
CN110033383B (zh) 一种数据处理方法、设备、介质以及装置
CN116151907A (zh) 一种处理订单的方法、装置、电子设备及计算机存储介质
CN113298445B (zh) 一种模型训练和调度无人设备的方法及装置
CN114860967A (zh) 一种模型训练的方法、信息推荐的方法以及装置
CN115049433A (zh) 一种模型训练方法、装置、存储介质及电子设备
CN114120273A (zh) 一种模型训练的方法及装置
CN114742623A (zh) 订单分配的方法、装置、计算机可读存储介质及电子设备
CN115439180A (zh) 一种目标对象确定方法、装置、电子设备及存储介质
CN110866206B (zh) 数据更新设置方法和装置
CN112862133A (zh) 订单处理的方法、装置、可读存储介质及电子设备
CN113343085A (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN112306677A (zh) 一种资源调度方法及装置
CN116431888A (zh) 一种模型训练的方法、信息推荐的方法以及装置
US20110047113A1 (en) Method and apparatus for the prediction of order turnaround time in an information verification system
CN111143746B (zh) 一种灰度任务的发布方法、装置及设备

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