CN112766587B - 物流订单处理方法、装置、计算机设备以及存储介质 - Google Patents
物流订单处理方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN112766587B CN112766587B CN202110103541.7A CN202110103541A CN112766587B CN 112766587 B CN112766587 B CN 112766587B CN 202110103541 A CN202110103541 A CN 202110103541A CN 112766587 B CN112766587 B CN 112766587B
- Authority
- CN
- China
- Prior art keywords
- order
- logistics
- processing
- newly
- logistics order
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title description 8
- 238000012545 processing Methods 0.000 claims abstract description 220
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007175 bidirectional communication Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 241000917105 Forda Species 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种物流订单处理方法、装置、计算机设备以及存储介质,所述方法包括:获取新增物流订单的接单时长和取消概率,所述接单时长和所述取消概率是根据所述新增物流订单的订单数据预测确定的;当所述接单时长和所述取消概率满足预设的基础处理触发条件时,根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单;获取所述处理后的新增物流订单或所述新增物流订单的累计未接时长;当所述累计未接时长满足预设的动态处理触发条件时,对所述处理后的新增物流订单或所述新增物流订单进行动态处理,得到处理后的物流订单。采用本方法,可减少系统订单存量冗余,进而提高物流订单的处理效率。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种物流订单处理方法、装置、计算机设备以及存储介质。
背景技术
随着计算机技术的快速发展,以及即时物流订单业务量的急速增长,存在部分尾单因长时间无人接单而导致取消的现象。
传统的即时物流尾单处理方法,虽然可以根据实时的商圈压力等因素进行动态的溢价调整,但仍无法针对各式各样的订单都能给出十分合理的补贴额度,导致部分订单的接起率提升有限、订单搁置时间较长。
因此,传统的即时物流尾单处理方法存在因订单补贴策略设置不合理,而导致物流订单处理效率低的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种物流订单处理方法、装置、计算机设备以及存储介质,用以合理分配订单补贴,以使物流订单的配送费用与配送难度相匹配,进而促进订单接起率得到有效提升、缩减订单搁置时长、缓解订单周围运力紧张的状态,最终提高物流订单的处理效率。
第一方面,本申请提供一种物流订单处理方法,所述方法包括:
获取新增物流订单的接单时长和取消概率,所述接单时长和所述取消概率是根据所述新增物流订单的订单数据预测确定的;
当所述接单时长和所述取消概率满足预设的基础处理触发条件时,根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单;
获取物流订单的累计未接时长,所述物流订单为所述处理后的新增物流订单或所述新增物流订单;
当所述累计未接时长满足预设的动态处理触发条件时,对所述物流订单进行动态处理,得到处理后的物流订单。
在本申请一些实施例中,所述获取新增物流订单的接单时长和取消概率的步骤,包括:
获取新增物流订单的订单数据;
将所述订单数据输入至已训练的物流订单预测模型,所述已训练的物流订单预测模型是基于历史订单数据训练得到的;
获取所述已训练的物流订单预测模型的输出结果,得到所述新增物流订单的接单时长和取消概率。
在本申请一些实施例中,所述获取新增物流订单的订单数据的步骤,包括:
接收针对所述新增物流订单的订单处理请求;
响应于所述订单处理请求,获取所述新增物流订单的实时特征数据和离线特征数据,所述实时特征数据包括物流订单信息、物流运力信息以及天气信息中的至少一个,所述离线特征数据包括与所述新增物流订单关联相似的历史物流订单的数据;
确定所述实时特征数据和所述离线特征数据,作为所述新增物流订单的订单数据。
在本申请一些实施例中,在所述将所述订单数据输入至已训练的物流订单预测模型之前,所述方法还包括:
构建初始的物流订单预测模型;
获取历史物流订单的历史订单数据,并提取所述历史订单数据中的订单特征,所述订单特征至少包括以下之一:基础特征、商户历史特征、区域组合特征、骑士偏好特征、天气特征以及热点区域特征;
基于所述订单特征及所述历史物流订单的接单时长和订单取消信息,训练所述初始的物流订单预测模型,得到所述已训练的物流订单预测模型。
在本申请一些实施例中,所述订单数据包括订单位置,所述当所述接单时长和所述取消概率满足预设的基础处理触发条件时,根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单的步骤,包括:
基于所述订单位置,确定所述新增物流订单对应预设的时长阈值和概率阈值;
当所述接单时长大于或等于所述时长阈值,且所述取消概率大于或等于所述概率阈值时,判定所述接单时长和所述取消概率满足所述基础处理触发条件;
根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单。
在本申请一些实施例中,所述根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单的步骤,包括:
基于所述订单位置,确定所述新增物流订单对应预设的补贴上限值;
根据所述补贴上限值、所述时长阈值和所述接单时长,获取所述新增物流订单的基础补贴数值;
获取所述基础补贴数值与初始配送费用数值之和,得到目标配送费用,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值;
基于所述目标配送费用,对所述新增物流订单进行基础处理,得到处理后的新增物流订单,所述处理后的新增物流订单包括订单处理标签。
在本申请一些实施例中,所述订单数据包括订单位置,所述当所述累计未接时长满足预设的动态处理触发条件时,对所述物流订单进行动态处理,得到处理后的物流订单的步骤,包括:
基于所述订单位置,确定所述新增物流订单对应预设的时长阈值范围,所述时长阈值范围包括至少一个时长阈值区间,各个时长阈值区间分别具有对应的动态补贴数值;
基于所述累计未接时长,确定所述时长阈值范围中的目标时长阈值区间;
当所述目标时长阈值区间对应的目标动态补贴数值不为零时,判定所述累计未接时长满足所述动态处理触发条件;
基于所述目标动态补贴数值与初始配送费用数值之和,对所述物流订单进行动态处理,得到处理后的物流订单,所述处理后的物流订单包括订单处理标签,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值。
第二方面,本申请提供一种物流订单处理装置,所述装置包括:
数据获取模块,用于获取新增物流订单的接单时长和取消概率,所述接单时长和所述取消概率是根据所述新增物流订单的订单数据预测确定的;
第一处理模块,用于当所述接单时长和所述取消概率满足预设的基础处理触发条件时,根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单;
时长获取模块,用于获取物流订单的累计未接时长,所述物流订单为所述处理后的新增物流订单或所述新增物流订单;
第二处理模块,用于当所述累计未接时长满足预设的动态处理触发条件时,对所述物流订单进行动态处理,得到处理后的物流订单。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现所述的物流订单处理方法。
第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的物流订单处理方法中的步骤。
第五方面,本申请实施例提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述第一方面提供的方法。
上述物流订单处理方法、装置、计算机设备以及存储介质,服务器通过获取新增物流订单的接单时长和取消概率,以当接单时长和取消概率满足预设的基础处理触发条件时,根据订单处理触发条件对应的时长阈值,对新增物流订单进行基础处理,得到处理后的新增物流订单;进而获取处理后的新增物流订单或新增物流订单的累计未接时长,以当累计未接时长满足预设的动态处理触发条件时,对处理后的新增物流订单或所述新增物流订单进行动态处理,得到处理后的物流订单。由于本申请实施例提出了两种订单处理方式来处理订单,使得处理后的物流订单在配送费用和配送难度两方面得到了一定程度匹配。因而可有效促进订单接起率的提升、缩减订单搁置时长、缓解订单周围运力紧张的状态、降低系统订单存量冗余,最终提高物流订单的处理效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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的附图。
图1是本申请实施例中物流订单处理方法的场景示意图;
图2是本申请实施例中物流订单处理方法的流程示意图;
图3是本申请实施例中物流订单处理方法的具体流程示意图;
图4是本申请实施例中物流订单处理装置的结构示意图;
图5是本申请实施例中计算机设备的结构示意图。
具体实施方式
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,显然,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。基于本申请中的实施例,本领域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。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,术语“例如”一词仅用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
在本申请实施例中,物流订单处理方法主要涉及人工智能(ArtificialIntelligence,AI)领域。其中,人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
在本申请实施例中,本申请提供的物流订单处理方法由于是在计算机设备中执行,各计算机设备的处理对象均以数据或信息的形式存在,例如时长,实质为时长信息,可以理解的是,后续实施例中若提及天气、区域、费用等,均为对应的数据存在,以便计算机设备进行处理,具体此处不作赘述。
本申请实施例提供一种物流订单处理方法、装置、计算机设备以及存储介质,以下分别进行详细说明。
参阅图1,图1为本申请提供的物流订单处理方法的场景示意图,该物流订单处理方法可应用于物流订单处理系统中。其中,物流订单处理系统包括终端100和服务器200。终端100可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端,终端100具体还可以是手机、平板电脑、笔记本电脑等中的一种。服务器200可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,网络包含但不限于是:广域网、城域网或局域网。
本领域技术人员应该理解,图1中示出的应用环境,仅仅是适用于本申请方案的一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的计算机设备,例如图1中仅示出1个服务器200,可以理解的是,该物流订单处理系统还可以包括一个或多个其他服务器,或者一个或多个其他终端,具体此处不作限定。另外,该物流订单处理系统还可以包括存储器,用于存储数据,如存储物流数据,例如物流平台的各种数据,如中转场等物流网点的物流运输信息,具体的,如快件信息,配送车辆信息和物流网点信息等。
本领域技术人员应该理解,图1所示的物流订单处理系统的场景示意图仅仅是一个示例,本发明实施例描述的物流订单处理系统以及场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着物流订单处理系统的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
参阅图2,本申请实施例提供了一种物流订单处理方法,主要以该方法应用于上述图1中的服务器200来举例说明,该方法包括步骤S201至S204,具体如下:
S201,获取新增物流订单的接单时长和取消概率,所述接单时长和所述取消概率是根据所述新增物流订单的订单数据预测确定的。
其中,新增物流订单可以是指个人用户或商家用户通过物流平台提交的物流订单,该订单在平台属于新增订单,因而可成为新增物流订单。
其中,接单时长可以是指从订单生成时刻起,到订单被骑士接入时刻终这之间的时长,例如,订单A的生成时刻为10点21分、订单A的被接时刻为10点33分,则订单A的接单时长为12分钟;又例如,订单B的生成时刻为10点01分,订单B的被接时刻为11点41分,则订单B的接单时长为1小时40分钟。
其中,取消概率可以表示为X、抢单概率可以表示为Y,则X=1-Y,取消概率是一段时间内,P(商家未被骑士接起的订单量)与Q(商家总发单量)的商值,即X=P/Q;抢单概率是一段时间内,O(商家被骑士接起的订单量)与Q(商家总发单量)的商值,即Y=O/Q。其中,该时间段可以是以小时、天、周等维度设定的时间段;取消概率的取值在0至1之间。
其中,订单数据可以是商品买卖、货物运输等线上交易业务的订单数据,包括但不限于订单标识(也可称为订单编号)、货物名称、运输金额、下单时间、订单状态等数据信息;订单标识是一种全局唯一的字符串标识,用于表示各类商品交易、物流交易、出行交易等多方交易的唯一凭证,其字符串包括但不限于英文大小写字符、中文字符、特殊字符;订单状态可以是指订单的处理状态,也可以是指订单的数量状态,例如处理状态包括:未完成订单、已完成订单、已取消订单、超时订单等;数量状态包括:已承接订单数量为“3”、已承接订单数量为“0”。
具体地,服务器200获取新增物流订单的接单时长和取消概率之前,可先获取新增物流订单的订单数据,以根据该订单数据进行分析预测,即将订单数据输入至已训练模型中进行数据分析,使其输出新增物流订单的接单时长和取消概率。而在此之前,服务器200可首先接收到终端100发送的订单处理请求,进而查询获取该新增物流订单的订单数据。又或是,新增物流订单的订单数据是终端100发送至服务器200的,服务器200接收到订单数据之后进入分析进程,方才得到新增物流订单的接单时长和取消概率。本实施例中涉及的订单数据获取步骤,以及接单时长和取消概率获取步骤,将在下文详细说明。
在一个实施例中,本步骤包括:获取新增物流订单的订单数据;将所述订单数据输入至已训练的物流订单预测模型,所述已训练的物流订单预测模型是基于历史订单数据训练得到的;获取所述已训练的物流订单预测模型的输出结果,得到所述新增物流订单的接单时长和取消概率。
其中,已训练的物流订单预测模型是基于历史订单数据训练得到的;历史订单数据可以是指历史物流订单的订单数据,而历史物流订单可以是相对于新增物流订单而言,预设历史时段内记录的物流订单;物流订单预测模型可以是由卷积神经网络(Convolutional Neural Network,CNN)、或循环神经网络(Recurrent Neural Network,RNN)、或深度神经网络(Deep Neural Networks,DNN)构成的预测模型。又或是多个模型结构的结合,例如,卷积神经网络和循环神经网络的结合,即卷积循环神经网络模型(Convolutional Recurrent Neural Network,CRNN),具体可依据实际业务需求设定,本申请不做限定。
具体地,当新增物流订单的订单数据并非终端100发送之时,服务器200可基于终端100发送的数据获取指令,来查询获取预存于数据库的部分订单数据,或是分析新增物流订单的订单详情来获取订单数据。进而,将订单数据输入至已训练的物流订单预测模型,使其基于历史学习到的数据分析能力,分析输出新增物流订单的接单时长和取消概率。例如,接单时长预测为“10分钟”、取消概率预测为“0.2”。本实施例中涉及的订单数据获取步骤将在下文详细说明。
在一个实施例中,所述获取新增物流订单的订单数据的步骤,包括:接收针对所述新增物流订单的订单处理请求;响应于所述订单处理请求,获取所述新增物流订单的实时特征数据和离线特征数据,所述实时特征数据包括物流订单信息、物流运力信息以及天气信息中的至少一个,所述离线特征数据包括与所述新增物流订单关联相似的历史物流订单的数据;确定所述实时特征数据和所述离线特征数据,作为所述新增物流订单的订单数据。
其中,订单处理请求可以是终端100发至服务器200,用于请求服务器200获取订单数据以对新增物流订单进行处理,最终反馈经其处理的新增物流订单。
其中,物流订单信息包括但不限于是上述实施例中描述的订单数据;物流运力信息所涉及的运力,包括但不限于是飞机、无人机、汽车等,物流运力信息包括的运力出发时间和运力到达时间,可以根据实际业务需求具体到年/月/日,甚至是时/分/秒,物流运力信息包括的任务开始地点和任务结束地点是基于物流运输(配送)任务预置的运力出发地点和运力到达地点,对此本申请实施例不做具体限定;天气信息可以是指实时天气,例如,多云、晴、雨;又例如气温多少、湿度多少、空气质量等。
具体地,服务器200针对订单数据的获取触发,可以是终端100发送的订单处理请求,当服务器200接收到该请求之后,可立即响应该请求进一步获取新增物流订单的实时特征数据和离线特征数据;又或者是在响应请求之前对验证请求的有效性,如验证请求中携带的身份信息是否有效,又如验证请求中携带的密钥是否正确,进而在验证有效且安全的情况下,获取新增物流订单的实时特征数据和离线特征数据,作为新增物流订单的订单数据。
顾名思义,实时特征数据是新增物流订单生成时获取的特征数据,而离线特征数据则是预先离线计算完成的、与新增物流订单关联相似的历史统计特征数据。其中的关联相似可体现在多个维度,例如:可以是相同的发单商户,相同的用户位置,相同的时段,相同的距离,以及上述信息的两两组合等。
在一个实施例中,在所述将所述订单数据输入至已训练的物流订单预测模型之前,所述方法还包括:构建初始的物流订单预测模型;获取历史物流订单的历史订单数据,并提取所述历史订单数据中的订单特征,所述订单特征至少包括以下之一:基础特征、商户历史特征、区域组合特征、骑士偏好特征、天气特征以及热点区域特征;基于所述订单特征及所述历史物流订单的接单时长和订单取消信息,训练所述初始的物流订单预测模型,得到所述已训练的物流订单预测模型。
其中,基础特征包括订单配送距离、待配送商品信息、期望送达时间、配送难度、下单时段等。配送难度主要是间接的获取,例如用导航距离除以直线距离来刻画线路复杂度、订单的配送距离除以配送时间来刻画配送速度等。下单时段是下单时间所处的小时时段(0至23小时)。
其中,商户历史特征包括商户发单量、接单时长,取消率,商户区域位置、出餐时间、商户历史的抢单率、商户类型等。商户类型主要是这商户的发单类型的,例如快餐、蛋糕店、鲜花店、便利店等。
其中,区域组合特征包括周围骑士数量、周围未接起订单特征,最近的骑士距离、骑士单量分布、骑士订单配送角度等。周围骑士数量是以商户位置为中心的周围骑士数量。
其中,骑士偏好特征包括历史抢单数量、订单顺路程度、骑士爱接的订单类型和距离等。
其中,天气特征如上文所述的天气信息,本实施例不再赘述。
其中,热点区域特征可以是指预先设定针对热点区域统计得到的特征数据,例如,区域发单量、区域取消率等。
其中,订单取消信息可以是指物流订单的订单取消状态,该状态可用标签表示,例如,“0”表示订单未被取消、“1”表示订单已被取消。取消原因主要是订单未被骑士及时接入。
具体地,服务器200利用已训练的物流订单预测模型对新增物流订单进行参数预测之前,首先需构建初始的物流订单预测模型,初始的物流订单预测模型可以是经过预训练的神经网络模型,也可以是未经预训练的神经网络模型:(1)若该初始的物流订单预测模型是经过预训练的神经网络模型,则会具备一定初始化参数,在后续训练过程中可省略部分模型训练流程,节省模型训练时间;(2)若该初始的物流订单预测模型是未经预训练的神经网络模型,则需获取并利用历史物流订单的历史订单数据对其进行完整训练,直至其具备接单时长和取消概率的预测能力。
更具体地,服务器200获取到的历史订单数据可以是经过筛选得到的数据,原因在于:原始数据无法直接用于模型训练,需要进行去重、补全、异常值替换等操作,直至数据符合模型训练标准。服务器200获取到历史订单数据之后,还需获取历史物流订单的接单时长和订单取消信息,帮助模型统计区分已取消的订单和未取消的订单分别具有哪些特征,进而对模型进行训练,最终得到已训练的物流订单预测模型。
当然,在模型处理过程中,常规操作是利用训练集数据对模型进行训练,在部分实施例中,还会将筛选后的原始数据分为测试集,即利用测试集数据对训练后的模型进行测试,使其能够对服务器200所需的数据进行准确预测。由此,本实施例中涉及的历史订单数据,即可分为训练集数据,也可分为测试集数据。
S202,当所述接单时长和所述取消概率满足预设的基础处理触发条件时,根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单。
其中,时长阈值是判定接单时长是否满足基础处理触发条件的时长临界值,例如,50秒、20分钟、1小时等。
具体地,服务器200获取到新增物流订单的接单时长和取消概率之后,可基于预先设置的基础处理触发条件,比对接单时长和取消概率是否均达到该条件中各自对应的阈值。若是,则可判定该新增物流订单的接单时长和取消概率满足基础处理触发条件,进而在满足条件的情况下,依据时长阈值对新增物流订单进行基础处理。
更具体地,基础处理操作实际是对新增物流订单的运输费用(也可成为配送费用)进行基础补贴操作,即提高新增物流订单的运输费用,促使新增物流订单能够因运输费用的增长,而得到骑士(配送员/运送员)的及时接单,缩短订单搁置时长、降低订单被用户的取消风险、提高物流运力的利用率、减少系统订单存量冗余,进而提升物流订单的处理效率。本实施例中涉及的订单处理步骤将在下文详细说明。
在一个实施例中,所述订单数据包括订单位置,本步骤包括:基于所述订单位置,确定所述新增物流订单对应预设的时长阈值和概率阈值;当所述接单时长大于或等于所述时长阈值,且所述取消概率大于或等于所述概率阈值时,判定所述接单时长和所述取消概率满足所述基础处理触发条件;根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单。
其中,订单位置可以是指新增物流订单生成时,提交该订单的终端定位坐标,也可以是指新增物流订单的订单始发位置。这里所涉及的位置可以是指①商圈位置、②城区位置、③省市位置,例如,商圈位置可以是“以XX科技大厦为中心的直径500米商圈范围”,城区位置可以是“深圳市福田区”,省市位置可以是“广东省广州市”。
其中,概率阈值的解释参见上文所述的时长阈值,即其可以是判定取消概率是否满足基础处理触发条件的概率临界值,例如,0至1之间的0.1、0.5等。
具体地,新增物流订单对应预设的时长阈值和概率阈值,是随其对应订单位置的不同而取值不同的,例如,A城市对应的时长阈值为3分钟、概率阈值为0.5,B城市对应的时长阈值为1分钟、概率阈值为0.9。由此,服务器200判断新增物流订单的接单时长和取消概率是否满足基础条件之前,首先需分析其订单位置来确定条件的判断依据,即时长阈值和概率阈值。进而在接单时长大于或等于时长阈值,且取消概率大于或等于概率阈值时,参考该时长阈值来对新增物流订单进行基础处理,以获取其对应处理后的新增物流订单。
例如,当前A城市对应预设的时长阈值为3分钟、概率阈值为0.5,而B城市对应预设的时长阈值为1分钟、概率阈值为0.9。若此时分析确定新增物流订单的订单位置为“城市A”,则其对应的时长阈值为“3分钟”、对应的概率阈值为“0.5”。故,当且仅当新增物流订单的接单时长大于或等于“3分钟”,同时其取消概率为大于或等于“0.5”时,可基于该时长阈值“3分钟”对新增物流订单进行基础处理,以获取处理后的新增物流订单。
在一个实施例中,所述根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单的步骤,包括:基于所述订单位置,确定所述新增物流订单对应预设的补贴上限值;根据所述补贴上限值、所述时长阈值和所述接单时长,获取所述新增物流订单的基础补贴数值;获取所述基础补贴数值与初始配送费用数值之和,得到目标配送费用,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值;基于所述目标配送费用,对所述新增物流订单进行基础处理,得到处理后的新增物流订单,所述处理后的新增物流订单包括订单处理标签。
其中,补贴上限值可以是指平台/系统(物流服务方)预设的订单补贴最大预算,且该补贴是针对订单的配送费用(运输费用)设置的费用补贴。
其中,初始配送费用数值可以是终端100或服务器200,根据新增物流订单的订单数据,参考各项因素(包括订单位置这一因素)计算得到的初始配送费用,例如,30元、1.5万。
具体地,服务器200实际对新增物流订单进行基础处理过程中,不仅需参考时长阈值,还需参考系统预设的补贴上限值。同时由于不同位置可能分别存在相同或不同的补贴上限值,因此服务器200还需分析新增物流订单的订单位置来确定其对应可用的补贴上限值,进而按照预设公式:(1-时长阈值/接单时长)*补贴上限值,获取新增物流订单饿的基础补贴数值。
例如,时长阈值为“180秒”、接单时长为“360秒”、补贴上限值为“2元”,则基础补贴数值=(1-180/360)*2,最终得到基础补贴数据为“1元”。
更具体地,服务器200分析计算出新增物流订单的基础补贴数值之后,即可将基础补贴数值叠加至其初始配送费用数值之上,即获取基础补贴数值与初始配送费用数值之和,作为新增物流订单的目标配送费用。最后,利用目标配送费用替换掉初始配送费用数值,即可实现对新增物流订单的基础处理。
例如,基础补贴数据为“1元”、初始配送费用数值为“0.5元”,则目标配送费用为“1.5元”。
与此同时,服务器200还可为处理后的新增物流订单打上特定标签,称为订单处理标签,该标签可与处理后的新增物流订单绑定一起,并反馈至终端100展示,以便用户能够有效区分出处理后的新增物流订单。该订单处理标签可用数值“1”表示,也可用其他字符串表示,如“ac”,具体本申请不做限定。
S203,获取物流订单的累计未接时长,所述物流订单为所述处理后的新增物流订单或所述新增物流订单。
其中,累计未接时长可以是指从新增物流订单生成时刻开始进行计时,直至当前分析确定时刻这期间,订单一直未被接起的时间段,例如,30分钟。
具体地,上述实施例已充分说明了如何处理满足于基础处理触发条件的订单,故本实施例将说明另一种订单处理方式,即动态处理方式。该动态处理操作的触发条件是动态处理触发条件,判断依据是订单的累计未接时长,此处的订单既可以是新增物流订单,也可以是处理后的新增物流订单。
也即是说,存在一种情况:新增物流订单不满足基础处理触发条件,故服务器200并未对其进行基础处理,因此需进一步获取其累计未接时长来判断是否满足动态触发条件,避免尾部订单被遗漏而长时间搁置,影响订单处理效率。又或是另一种情况:新增物流订单虽已经过基础处理,但处理后的新增物流订单依旧有可能长时间未被接单,针对这种情况也可进行动态处理判断,避免影响订单处理效率。本实施例中涉及的订单动态处理步骤将在下文详细说明。
S204,当所述累计未接时长满足预设的动态处理触发条件时,对所述物流订单进行动态处理,得到处理后的物流订单。
具体地,服务器200获取到处理后的新增物流订单,和/或未经处理的新增物流订单的累计未接时长之后,即可判断其是否满足动态处理触发条件,即分析累计未接时长是否达到了相关的预设阈值。若是,即可判定对应订单需要进行动态处理,以获取处理后的物流订单反馈至终端100展示,缩短订单搁置时长、降低系统订单存量冗余,进而提高订单处理效率。
在一个实施例中,所述订单数据包括订单位置,本步骤包括:基于所述订单位置,确定所述新增物流订单对应预设的时长阈值范围,所述时长阈值范围包括至少一个时长阈值区间,各个时长阈值区间分别具有对应的动态补贴数值;基于所述累计未接时长,确定所述时长阈值范围中的目标时长阈值区间;当所述目标时长阈值区间对应的目标动态补贴数值不为零时,判定所述累计未接时长满足所述动态处理触发条件;基于所述目标动态补贴数值与初始配送费用数值之和,对所述物流订单进行动态处理,得到处理后的物流订单,所述处理后的物流订单包括订单处理标签,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值。
具体地,用于判断动态处理触发条件的时长阈值范围,同用于判断基础处理触发条件的时长阈值类似,均需依据订单位置进行确定,此时的时长阈值范围是一个包括一个或多个时长阈值区间的时长范围。例如,“0至10分钟”这个时长阈值范围中,包括“0-5分钟”、“5-10分钟”这两个时长阈值区间,且不同区间对应预设有各自的动态补贴数值。区别于基础处理中补贴上限值的是,这里的动态不提数值是直接累积到订单的初始配送费用数值上。
更具体地,服务器200获得当前所分析订单的累计未接时长之后,即可依据时长阈值范围,首先确定出各个时长阈值区间中的目标时长阈值区间,并利用该区间对应的动态补贴数值进行订单动态处理,直至获取到处理后的物流订单反馈至终端100展示。同时,该处理后的物流订单也将绑定有订单处理标签,标签作用已在上文说明,在此不再赘述。
例如,“0至10分钟”这个时长阈值范围中,时长阈值区间“0-5分钟”对应的动态补贴数值是“1”,单位是“元”、时长阈值区间“5-10分钟”对应的动态补贴数值是“2”,单位是“元”。如当前分析的订单已持续6分钟未被接单,则其目标动态补贴为“2元”,而此时若其初始配送费用数值为“0.5”,则处理后的物流订单应存在“2.5元”的配送定价费用。除此之外,若该订单还包括基础处理得到的目标配送费用“1元”,则最终配送定价费用为“3.5元”。
上述实施例所述的物流订单处理方法,服务器通过获取新增物流订单的接单时长和取消概率,以当接单时长和取消概率满足预设的基础处理触发条件时,根据订单处理触发条件对应的时长阈值,对新增物流订单进行基础处理,得到处理后的新增物流订单;进而获取处理后的新增物流订单或新增物流订单的累计未接时长,以当累计未接时长满足预设的动态处理触发条件时,对处理后的新增物流订单或所述新增物流订单进行动态处理,得到处理后的物流订单。由于本申请实施例提出了两种订单处理方式来处理订单,使得处理后的物流订单在配送费用和配送难度两方面得到了一定程度匹配。因而可有效促进订单接起率的提升、缩减订单搁置时长、缓解订单周围运力紧张的状态、降低系统订单存量冗余,最终提高物流订单的处理效率。
为了使本领域技术人员充分理解本申请提出的物流订单处理方法,本申请还提供一种应用场景,该应用场景应用上述的物流订单处理方法。具体地,该物流订单处理方法在该应用场景的应用将结合图3进行如下说明:
如图3所示,本实施例提出对物流订单进行处理之前,首先基于机器学习算法(接单预测模型)预测出每个订单的接单时长和取消概率,在不同的配送难度和商圈运力、配送时间等复杂场景下,识别出定价低于合理值的订单,并采用计提匹配规则对其进行智能化的补贴。除了这种通过机器学习的基础补贴策略(基础补贴受平台预算限制),还增加了实时补贴(也称动态补贴)的规则策略对其进行兜底。具体来说,就是对长时间无人接单的订单进行一定的配送费补贴,以此全面覆盖到基础补贴策略没有召回的“应补贴订单”。
例如,订单A和订单B分别下单后,经过模型预计订单A在360秒后会被骑士抢单,其取消概率为0.7;订单B在120秒后会被骑士接单,取消概率0.1。
此时,根据平台补贴额度和预期,基础补贴是对预测超过180秒且取消概率大于0.5的订单进行加价补贴,加价上限是2元。动态补贴是对实际超过5分钟无人接单的订单加价1元,超过10分钟无人接单的订单加价2元。
由此,A订单的基础加价是(1-180/360)*2=1.0元,B订单不进行基础补贴。若B订单实际在5分钟后仍未被骑士接单,则需要进行实时补贴加价1元。
本实施例中,通过预测订单的接单时间和取消概率,来将高危订单(即可能被用户取消的订单)预先识别出来,只对这部分接单难度大、配送费不合理的订单进行定向基础补贴,同时结合实时补贴的兜底逻辑,保证了众包订单的接单率,提高了用户满意度。同时,缩减了订单搁置时长、缓解了订单周围运力紧张的状态,更减少了系统订单存量冗余,最终使得物流订单的处理效率得以有效提升。
为了更好实施本申请实施例中的物流订单处理方法,在物流订单处理方法基础之上,本申请实施例中还提供一种物流订单处理装置,如图4所示,所述物流订单处理装置400包括:
数据获取模块410,用于获取新增物流订单的接单时长和取消概率,所述接单时长和所述取消概率是根据所述新增物流订单的订单数据预测确定的;
第一处理模块420,用于当所述接单时长和所述取消概率满足预设的基础处理触发条件时,根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单;
时长获取模块430,用于获取物流订单的累计未接时长,所述物流订单为所述处理后的新增物流订单或所述新增物流订单;
第二处理模块440,用于当所述累计未接时长满足预设的动态处理触发条件时,对所述物流订单进行动态处理,得到处理后的物流订单。
在本申请一些实施例中,数据获取模块410还用于获取新增物流订单的订单数据;将所述订单数据输入至已训练的物流订单预测模型,所述已训练的物流订单预测模型是基于历史订单数据训练得到的;获取所述已训练的物流订单预测模型的输出结果,得到所述新增物流订单的接单时长和取消概率。
在本申请一些实施例中,数据获取模块410还用于接收针对所述新增物流订单的订单处理请求;响应于所述订单处理请求,获取所述新增物流订单的实时特征数据和离线特征数据,所述实时特征数据包括物流订单信息、物流运力信息以及天气信息中的至少一个,所述离线特征数据包括与所述新增物流订单关联相似的历史物流订单的数据;确定所述实时特征数据和所述离线特征数据,作为所述新增物流订单的订单数据。
在本申请一些实施例中,数据获取模块410还用于构建初始的物流订单预测模型;获取历史物流订单的历史订单数据,并提取所述历史订单数据中的订单特征,所述订单特征至少包括以下之一:基础特征、商户历史特征、区域组合特征、骑士偏好特征、天气特征以及热点区域特征;基于所述订单特征及所述历史物流订单的接单时长和订单取消信息,训练所述初始的物流订单预测模型,得到所述已训练的物流订单预测模型。
在本申请一些实施例中,所述订单数据包括订单位置,第一处理模块420还用于基于所述订单位置,确定所述新增物流订单对应预设的时长阈值和概率阈值;当所述接单时长大于或等于所述时长阈值,且所述取消概率大于或等于所述概率阈值时,判定所述接单时长和所述取消概率满足所述基础处理触发条件;根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单。
在本申请一些实施例中,第一处理模块420还用于基于所述订单位置,确定所述新增物流订单对应预设的补贴上限值;根据所述补贴上限值、所述时长阈值和所述接单时长,获取所述新增物流订单的基础补贴数值;获取所述基础补贴数值与初始配送费用数值之和,得到目标配送费用,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值;基于所述目标配送费用,对所述新增物流订单进行基础处理,得到处理后的新增物流订单,所述处理后的新增物流订单包括订单处理标签。
在本申请一些实施例中,所述订单数据包括订单位置,第二处理模块440还用于基于所述订单位置,确定所述新增物流订单对应预设的时长阈值范围,所述时长阈值范围包括至少一个时长阈值区间,各个时长阈值区间分别具有对应的动态补贴数值;基于所述累计未接时长,确定所述时长阈值范围中的目标时长阈值区间;当所述目标时长阈值区间对应的目标动态补贴数值不为零时,判定所述累计未接时长满足所述动态处理触发条件;基于所述目标动态补贴数值与初始配送费用数值之和,对所述物流订单进行动态处理,得到处理后的物流订单,所述处理后的物流订单包括订单处理标签,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值。
上述实施例中,服务器通过获取新增物流订单的接单时长和取消概率,以当接单时长和取消概率满足预设的基础处理触发条件时,根据订单处理触发条件对应的时长阈值,对新增物流订单进行基础处理,得到处理后的新增物流订单;进而获取处理后的新增物流订单或新增物流订单的累计未接时长,以当累计未接时长满足预设的动态处理触发条件时,对处理后的新增物流订单或所述新增物流订单进行动态处理,得到处理后的物流订单。由于本申请实施例提出了两种订单处理方式来处理订单,使得处理后的物流订单在配送费用和配送难度两方面得到了一定程度匹配。因而可有效促进订单接起率的提升、缩减订单搁置时长、缓解订单周围运力紧张的状态、降低系统订单存量冗余,最终提高物流订单的处理效率。
关于物流订单处理装置的具体限定可以参见上文中对于物流订单处理方法的限定,在此不再赘述。上述物流订单处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请一些实施例中,物流订单处理装置400可以实现为一种计算机程序的形式,计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该物流订单处理装置400的各个程序模块,比如,图4所示的数据获取模块410、第一处理模块420、时长获取模块430以及第二处理模块440。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的物流订单处理方法中的步骤。
例如,图5所示的计算机设备可以通过如图4所示的物流订单处理装置400中的数据获取模块410执行步骤S201。计算机设备可通过第一处理模块420执行步骤S202。计算机设备可通过时长获取模块430执行步骤S203。计算机设备可通过第二处理模块440执行步骤S204。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种物流订单处理方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请一些实施例中,提供了一种计算机设备,包括一个或多个处理器;存储器;以及一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述物流订单处理方法的步骤。此处物流订单处理方法的步骤可以是上述各个实施例的物流订单处理方法中的步骤。
在本申请一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器进行加载,使得处理器执行上述物流订单处理方法的步骤。此处物流订单处理方法的步骤可以是上述各个实施例的物流订单处理方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上对本申请实施例所提供的一种物流订单处理方法、装置、计算机设备以及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种物流订单处理方法,其特征在于,所述方法包括:
获取新增物流订单的接单时长和取消概率,所述接单时长和所述取消概率是根据所述新增物流订单的订单数据预测确定的;其中,所述订单数据包括订单位置;
当所述接单时长和所述取消概率满足预设的基础处理触发条件时,根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单;具体的,基于所述订单位置,确定所述新增物流订单对应预设的时长阈值和概率阈值;当所述接单时长大于或等于所述时长阈值,且所述取消概率大于或等于所述概率阈值时,判定所述接单时长和所述取消概率满足所述基础处理触发条件;根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单;
获取物流订单的累计未接时长,所述物流订单为所述处理后的新增物流订单或所述新增物流订单;
当所述累计未接时长满足预设的动态处理触发条件时,对所述物流订单进行动态处理,得到处理后的物流订单;具体的,基于所述订单位置,确定所述新增物流订单对应预设的时长阈值范围,所述时长阈值范围包括至少一个时长阈值区间,各个时长阈值区间分别具有对应的动态补贴数值;基于所述累计未接时长,确定所述时长阈值范围中的目标时长阈值区间;当所述目标时长阈值区间对应的目标动态补贴数值不为零时,判定所述累计未接时长满足所述动态处理触发条件;基于所述目标动态补贴数值与初始配送费用数值之和,对所述物流订单进行动态处理,得到处理后的物流订单,所述处理后的物流订单包括订单处理标签,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值。
2.如权利要求1所述的物流订单处理方法,其特征在于,所述获取新增物流订单的接单时长和取消概率的步骤,包括:
获取新增物流订单的订单数据;
将所述订单数据输入至已训练的物流订单预测模型,所述已训练的物流订单预测模型是基于历史订单数据训练得到的;
获取所述已训练的物流订单预测模型的输出结果,得到所述新增物流订单的接单时长和取消概率。
3.如权利要求2所述的物流订单处理方法,其特征在于,所述获取新增物流订单的订单数据的步骤,包括:
接收针对所述新增物流订单的订单处理请求;
响应于所述订单处理请求,获取所述新增物流订单的实时特征数据和离线特征数据,所述实时特征数据包括物流订单信息、物流运力信息以及天气信息中的至少一个,所述离线特征数据包括与所述新增物流订单关联相似的历史物流订单的数据;
确定所述实时特征数据和所述离线特征数据,作为所述新增物流订单的订单数据。
4.如权利要求2所述的物流订单处理方法,其特征在于,在所述将所述订单数据输入至已训练的物流订单预测模型之前,所述方法还包括:
构建初始的物流订单预测模型;
获取历史物流订单的历史订单数据,并提取所述历史订单数据中的订单特征,所述订单特征至少包括以下之一:基础特征、商户历史特征、区域组合特征、骑士偏好特征、天气特征以及热点区域特征;
基于所述订单特征及所述历史物流订单的接单时长和订单取消信息,训练所述初始的物流订单预测模型,得到所述已训练的物流订单预测模型。
5.如权利要求1所述的物流订单处理方法,其特征在于,所述根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单的步骤,包括:
基于所述订单位置,确定所述新增物流订单对应预设的补贴上限值;
根据所述补贴上限值、所述时长阈值和所述接单时长,获取所述新增物流订单的基础补贴数值;
获取所述基础补贴数值与初始配送费用数值之和,得到目标配送费用,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值;
基于所述目标配送费用,对所述新增物流订单进行基础处理,得到处理后的新增物流订单,所述处理后的新增物流订单包括订单处理标签。
6.一种物流订单处理装置,其特征在于,所述装置包括:
数据获取模块,用于获取新增物流订单的接单时长和取消概率,所述接单时长和所述取消概率是根据所述新增物流订单的订单数据预测确定的;其中,所述订单数据包括订单位置;
第一处理模块,用于当所述接单时长和所述取消概率满足预设的基础处理触发条件时,根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单;具体的,基于所述订单位置,确定所述新增物流订单对应预设的时长阈值和概率阈值;当所述接单时长大于或等于所述时长阈值,且所述取消概率大于或等于所述概率阈值时,判定所述接单时长和所述取消概率满足所述基础处理触发条件;根据所述订单处理触发条件对应的时长阈值,对所述新增物流订单进行基础处理,得到处理后的新增物流订单;
时长获取模块,用于获取物流订单的累计未接时长,所述物流订单为所述处理后的新增物流订单或所述新增物流订单;
第二处理模块,用于当所述累计未接时长满足预设的动态处理触发条件时,对所述物流订单进行动态处理,得到处理后的物流订单;具体的,基于所述订单位置,确定所述新增物流订单对应预设的时长阈值范围,所述时长阈值范围包括至少一个时长阈值区间,各个时长阈值区间分别具有对应的动态补贴数值;基于所述累计未接时长,确定所述时长阈值范围中的目标时长阈值区间;当所述目标时长阈值区间对应的目标动态补贴数值不为零时,判定所述累计未接时长满足所述动态处理触发条件;基于所述目标动态补贴数值与初始配送费用数值之和,对所述物流订单进行动态处理,得到处理后的物流订单,所述处理后的物流订单包括订单处理标签,所述初始配送费用数值是基于所述新增物流订单的订单位置确定的数值。
7.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至5中任一项所述的物流订单处理方法。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至5任一项所述的物流订单处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103541.7A CN112766587B (zh) | 2021-01-26 | 2021-01-26 | 物流订单处理方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103541.7A CN112766587B (zh) | 2021-01-26 | 2021-01-26 | 物流订单处理方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766587A CN112766587A (zh) | 2021-05-07 |
CN112766587B true CN112766587B (zh) | 2023-10-27 |
Family
ID=75705751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110103541.7A Active CN112766587B (zh) | 2021-01-26 | 2021-01-26 | 物流订单处理方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766587B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554386A (zh) * | 2021-06-25 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 适用于电商订单的物流分配方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017063356A1 (zh) * | 2015-10-14 | 2017-04-20 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
CN107248012A (zh) * | 2017-06-08 | 2017-10-13 | 北京惠赢天下网络技术有限公司 | 配送订单的处理方法、装置及终端设备 |
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 |
CN108537352A (zh) * | 2017-03-02 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置和服务器 |
CN109165895A (zh) * | 2018-08-08 | 2019-01-08 | 北京三快在线科技有限公司 | 一种基于配送业务的定价方法及装置 |
CN109345000A (zh) * | 2018-09-07 | 2019-02-15 | 北京三快在线科技有限公司 | 订单处理方法、装置、电子设备和计算机可读存储介质 |
CN109376942A (zh) * | 2018-11-12 | 2019-02-22 | 达疆网络科技(上海)有限公司 | 订单处理方法、存储介质和装置 |
CN109426896A (zh) * | 2017-08-23 | 2019-03-05 | 北京三快在线科技有限公司 | 一种确定区域运力状态的方法及装置、电子设备 |
CN109919551A (zh) * | 2019-03-08 | 2019-06-21 | 拉扎斯网络科技(上海)有限公司 | 物流服务提供方法、装置、电子设备及可读存储介质 |
CN110276582A (zh) * | 2019-06-25 | 2019-09-24 | 北京三快在线科技有限公司 | 订单分配方法及装置、电子设备和计算机可读存储介质 |
CN111325503A (zh) * | 2020-02-10 | 2020-06-23 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、服务器和非易失性存储介质 |
CN111526170A (zh) * | 2019-02-01 | 2020-08-11 | 北京嘀嘀无限科技发展有限公司 | 推送方法、显示方法、装置、服务器、终端和存储介质 |
CN111523955A (zh) * | 2019-04-02 | 2020-08-11 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备和非易失性存储介质 |
CN111768021A (zh) * | 2019-04-02 | 2020-10-13 | 拉扎斯网络科技(上海)有限公司 | 订单价格调整方法、装置、服务器及存储介质 |
-
2021
- 2021-01-26 CN CN202110103541.7A patent/CN112766587B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017063356A1 (zh) * | 2015-10-14 | 2017-04-20 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
CN108537352A (zh) * | 2017-03-02 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置和服务器 |
CN107248012A (zh) * | 2017-06-08 | 2017-10-13 | 北京惠赢天下网络技术有限公司 | 配送订单的处理方法、装置及终端设备 |
CN109426896A (zh) * | 2017-08-23 | 2019-03-05 | 北京三快在线科技有限公司 | 一种确定区域运力状态的方法及装置、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 |
CN109165895A (zh) * | 2018-08-08 | 2019-01-08 | 北京三快在线科技有限公司 | 一种基于配送业务的定价方法及装置 |
CN109345000A (zh) * | 2018-09-07 | 2019-02-15 | 北京三快在线科技有限公司 | 订单处理方法、装置、电子设备和计算机可读存储介质 |
CN109376942A (zh) * | 2018-11-12 | 2019-02-22 | 达疆网络科技(上海)有限公司 | 订单处理方法、存储介质和装置 |
CN111526170A (zh) * | 2019-02-01 | 2020-08-11 | 北京嘀嘀无限科技发展有限公司 | 推送方法、显示方法、装置、服务器、终端和存储介质 |
CN109919551A (zh) * | 2019-03-08 | 2019-06-21 | 拉扎斯网络科技(上海)有限公司 | 物流服务提供方法、装置、电子设备及可读存储介质 |
CN111523955A (zh) * | 2019-04-02 | 2020-08-11 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备和非易失性存储介质 |
CN111768021A (zh) * | 2019-04-02 | 2020-10-13 | 拉扎斯网络科技(上海)有限公司 | 订单价格调整方法、装置、服务器及存储介质 |
CN110276582A (zh) * | 2019-06-25 | 2019-09-24 | 北京三快在线科技有限公司 | 订单分配方法及装置、电子设备和计算机可读存储介质 |
CN111325503A (zh) * | 2020-02-10 | 2020-06-23 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、服务器和非易失性存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112766587A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782042B (zh) | 横向联邦和纵向联邦联合方法、装置、设备及介质 | |
CN112232293B (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
CN112532439B (zh) | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
EP3750115B1 (en) | Machine learning on a blockchain | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
CN110110269B (zh) | 一种基于区块链的事件订阅方法及装置 | |
US10956976B2 (en) | Recommending shared products | |
CN111970400B (zh) | 骚扰电话识别方法及装置 | |
CN113706211B (zh) | 基于神经网络的广告点击率预测方法及系统 | |
CN111160566A (zh) | 样本生成方法、装置、计算机可读存储介质和计算机设备 | |
CN112766587B (zh) | 物流订单处理方法、装置、计算机设备以及存储介质 | |
CN110826867B (zh) | 车辆管理方法、装置、计算机设备和存储介质 | |
CN111489196A (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
CN115774813A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN116681470A (zh) | 门店选址方法、装置、计算机设备、存储介质和产品 | |
CN115759574A (zh) | 物资的存储方法、装置、计算机设备和存储介质 | |
CN115905682A (zh) | 一种兴趣点推荐方法及系统 | |
Xue et al. | Urban population density estimation based on spatio‐temporal trajectories | |
KR20230075678A (ko) | 객체 인식을 기반으로 하는 가격 변동 예측 방법 및 장치 | |
CN112905892A (zh) | 应用于用户画像挖掘的大数据处理方法及大数据服务器 | |
CN111105284B (zh) | 订单处理方法、装置、m层订单处理模型、电子设备及储存介质 | |
Lee et al. | PGDRT: Prediction Demand Based on Graph Convolutional Network for Regional Demand‐Responsive Transport | |
US20220237639A1 (en) | System and method for data prediction using heat maps | |
KR102561611B1 (ko) | 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |