CN113077299A - 订单处理方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种订单处理方法、装置、设备及存储介质，属于计算机技术领域。本实施例提供了一种利用深度学习对订单进行预测的方法，可以广泛地应用在各种时序调度的场景下，例如餐品赔付、物流运输等。通过考虑到同一个订单在不同阶段的特征具有时序关联的性质，将订单在历史阶段的特征以及当前阶段的特征视为一个时间序列，共同作为模型的输入，从而通过模型，根据订单在各个阶段的特征预测出订单触发事件发生的概率，进而应用订单触发事件的概率，来调整订单的配送参数。由于预测时不仅考虑了订单在当前阶段的特征，还考虑了订单在历史阶段的特征以及不同阶段的时序，因此可以提高预测结果的准确性。

Description

订单处理方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域，特别涉及一种订单处理方法、装置、设备及存储介质。

背景技术

在电子商务领域，当用户下了一笔订单后，订单可能会触发各种各样的事件发生。比如说，外卖配送的场景中，外卖订单可能会触发餐损赔付事件产生。具体而言，当用户在平台上点了某个餐品，会产生一笔外卖订单，商户接单生产餐品后，如果长时间没有配送人员接这笔订单，会导致餐品被浪费。这种情况下，商户可以向平台申请餐损赔付，则平台会赔付商户一定的费用，从而弥补商户由于餐品浪费造成的损失。为了提前应对订单触发餐损赔付的事件，可以对订单进行处理，预测出订单是否将要触发事件，以便根据预测结果执行对应的操作。

相关技术中，会获取订单在当前时间点的特征，根据订单在当前时间点的特征，使用极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法，预测订单触发事件发生的概率。

订单的特征可以随着时间的推移发生变化，比如说，订单在任一阶段均有可能被取消，或被接起，或进入下一阶段。然而采用上述方法时，由于仅考虑了订单在当前时间点的特征，导致预测结果的准确性较差。

发明内容

本申请实施例提供了一种订单处理方法、装置、设备及存储介质，能够解决相关技术中预测结果准确性较差的问题。所述技术方案如下：

一方面，提供了一种订单处理方法，所述方法包括：

获取待配送的订单；

提取所述订单在当前阶段的特征，所述当前阶段为订单的处理流程中当前时间点对应的阶段；

将所述当前阶段的特征以及所述订单在历史阶段的特征输入预测模型，所述预测模型用于预测事件发生的概率，所述历史阶段为订单的处理流程中历史时间点对应的阶段；

通过所述预测模型，基于时序对所述当前阶段的特征以及所述历史阶段的特征进行处理，得到所述订单触发所述事件发生的概率；

基于所述事件发生的概率，对所述订单的配送参数进行调整。

可选地，所述通过所述预测模型，基于时序对所述当前阶段的特征以及所述历史阶段的特征进行处理，包括：

按照时间的先后顺序，对所述当前阶段的特征与所述历史阶段对应的中间结果进行加权计算。

可选地，所述通过所述预测模型，基于时序对所述当前阶段的特征以及所述历史阶段的特征进行处理，包括：

根据每个阶段对应的权重，对所述预测模型的输出层对应的输出向量进行加权计算，得到所述事件发生的概率，其中，所述输出向量的每个维度对应订单的处理流程中的一个阶段。

可选地，所述当前阶段的特征包括第一向量，相应地，所述提取所述订单在当前阶段的特征，包括：

获取所述订单对应的物品的名称；

将所述物品的名称映射至向量空间，得到第一向量。

可选地，所述当前阶段的特征包括第二向量，相应地，所述提取所述订单在当前阶段的特征，包括：

获取所述订单对应的物品的名称；

将所述物品的名称映射至向量空间，得到所述第一向量；

对所述第一向量与所述物品的交易参数进行融合，得到所述第二向量，其中，所述交易参数包括销量或出售频率中的一项或多项。

可选地，所述出售频率采用以下方式得到：

根据所述订单的下单时间点，查询所述订单对应的商户的下单时间与出售频率之间的对应关系，得到所述下单时间点对应的所述出售频率。

可选地，所述事件包括餐品赔付事件，所述配送参数包括订单的配送费用，相应地，所述基于所述事件发生的概率，对所述订单的配送参数进行调整，包括：

根据所述订单触发所述餐品赔付事件发生的概率，获取配送费用的增加值，其中，所述增加值与所述餐品赔付事件发生的概率正相关；

根据所述增加值，对所述订单的配送费用进行调整。

可选地，所述预测模型采用以下方式进行训练：

获取样本订单，所述样本订单标注有标签，所述标签用于指示所述样本订单的每个阶段是否触发所述事件发生；

提取所述样本订单的每个阶段的特征；

使用所述样本订单的每个阶段的特征以及所述标签进行模型训练，得到所述预测模型。

另一方面，提供了一种订单处理装置，所述装置包括：

获取模块，其配置为用于获取待配送的订单；

提取模块，其配置为用于提取所述订单在当前阶段的特征，所述当前阶段为订单的处理流程中当前时间点对应的阶段；

输入模块，其配置为用于将所述当前阶段的特征以及所述订单在历史阶段的特征输入预测模型，所述预测模型用于预测事件发生的概率，所述历史阶段为订单的处理流程中历史时间点对应的阶段；

处理模块，其配置为用于通过所述预测模型，基于时序对所述当前阶段的特征以及所述历史阶段的特征进行处理，得到所述订单触发所述事件发生的概率；

调度模块，其配置为用于基于所述事件发生的概率，对所述订单的配送参数进行调整。

可选地，所述处理模块，其配置为用于按照时间的先后顺序，对所述当前阶段的特征与所述历史阶段对应的中间结果进行加权计算。

可选地，所述处理模块，其配置为用于根据每个阶段对应的权重，对所述预测模型的输出层对应的输出向量进行加权计算，得到所述事件发生的概率，其中，所述输出向量的每个维度对应订单的处理流程中的一个阶段。

可选地，所述当前阶段的特征包括第一向量，相应地，所述提取模块，其配置为用于获取所述订单对应的物品的名称；将所述物品的名称映射至向量空间，得到所述第一向量。

可选地，所述当前阶段的特征包括第二向量，所述提取模块，其配置为用于获取所述订单对应的物品的名称；将所述物品的名称映射至向量空间，得到第一向量；对所述第一向量与所述物品的交易参数进行融合，得到所述第二向量，其中，所述交易参数包括销量或出售频率中的一项或多项。

可选地，所述出售频率采用以下方式得到：根据所述订单的下单时间点，查询所述订单对应的商户的下单时间与出售频率之间的对应关系，得到所述下单时间点对应的所述出售频率。

可选地，所述事件包括餐品赔付事件，所述配送资源包括订单的配送费用，相应地，所述调整模块，其配置为用于根据所述订单触发所述餐品赔付事件发生的概率，获取配送费用的增加值，其中，所述增加值与所述餐品赔付事件发生的概率正相关；根据所述增加值，对所述订单的配送费用进行调整。

可选地，所述预测模型采用以下方式进行训练：获取样本订单，所述样本订单标注有标签，所述标签用于指示所述样本订单的每个阶段是否触发所述事件发生；提取所述样本订单的每个阶段的特征；使用所述样本订单的每个阶段的特征以及所述标签进行模型训练，得到所述预测模型。

另一方面，提供了一种电子设备，所述电子设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条指令，所述至少一条指令由所述一个或多个处理器加载并执行以实现上述订单处理方法所执行的操作。

另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述订单处理方法所执行的操作。

本申请实施例提供的技术方案带来的有益效果至少包括：

本实施例提供了一种利用深度学习对订单进行预测的方法。考虑到同一个订单在不同阶段的特征具有时序关联的性质，将订单在历史阶段的特征以及当前阶段的特征视为一个时间序列，共同作为模型的输入，从而通过模型，根据订单在各个阶段的特征预测出订单触发事件发生的概率，进而应用订单触发事件的概率，来对订单的配送参数进行调整。由于预测时不仅考虑了订单在当前阶段的特征，还考虑了订单在历史阶段的特征以及不同阶段的时序，因此可以提高预测结果的准确性。

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的附图。

图1是本申请实施例提供的一种订单处理方法的实施环境的示意图；

图2是本申请实施例提供的一种模型训练方法的流程图；

图3是本申请实施例提供的一种预测模型的架构图；

图4是本申请实施例提供的一种订单处理方法的流程图；

图5是本申请实施例提供的一种订单处理装置的结构示意图；

图6是本申请实施例提供的一种终端的结构示意图；

图7是本申请实施例提供的一种服务器的结构示意图。

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。

本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本申请中的字符“/”，一般表示前后关联对象是一种“或”的关系。

本申请中术语“多个”的含义是指两个或两个以上，例如，多个数据包是指两个或两个以上的数据包。

本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。

以下，示例性介绍本申请的系统架构。

图1是本申请实施例提供的一种订单处理方法的实施环境的示意图。该实施环境包括：终端101和调度平台102。终端101通过无线网络或有线网络与调度平台102相连。

终端101可以是智能手机、游戏主机、台式计算机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器或MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器和膝上型便携计算机中的至少一种。终端101安装和运行有支持下单功能的应用程序，例如，该应用程序可以是购物应用、外卖应用、快递应用等。示例性的，终端101是用户使用的终端，终端101中运行的应用程序内登录有用户账号。

调度平台102包括一台服务器、多台服务器、云计算平台和虚拟化中心中的至少一种。调度平台102用于为应用程序提供后台服务。

可选地，调度平台102包括：服务器1021和数据库1022。服务器1021用于处理订单。服务器1021可以是一台或多台。当服务器1021是多台时，存在至少两台服务器1021用于提供不同的服务，和/或，存在至少两台服务器1021用于提供相同的服务，比如以负载均衡方式提供同一种服务，本申请实施例对此不加以限定。数据库1022存储有大量的订单以及每个订单关联的物品数据或商户数据，当服务器1021需要订单以及数据时，可以访问数据库1022，读取数据库1022存储的数据。当服务器处理完成，得到处理结果时，可以将处理结果写入至数据库1022，从而通过数据库1022对处理结果进行持久化存储。例如，在下述方法实施例中，服务器1021可以访问数据库1022，读取数据库1022存储的样本订单的每个阶段的特征，使用样本订单进行模型训练，得到预测模型，将预测模型写入至数据库1022，从而通过数据库1022对预测模型进行持久化存储。当一笔新的订单创建后，服务器1021可以访问数据库1022，读取数据库1022存储的预测模型，通过预测模型来预测订单触发事件发生的概率。

本领域技术人员可以知晓，上述终端101、服务器1021的数量可以更多或更少。比如上述终端101、服务器1021可以仅为一个，或者上述终端101、服务器1021为几十个或几百个，或者更多数量，此时上述实施环境还包括其他终端或其他服务器。本申请实施例对终端或服务器的数量和设备类型不加以限定。

以下，对本申请实施例提供的预测模型的训练流程进行介绍。

图2是本申请实施例提供的一种预测模型的训练方法的流程图。参见图2，该方法包括：

201、电子设备获取样本订单。

样本订单可以是已经历了作业周期中各个阶段的订单。样本订单可以标注有标签，标签用于指示样本订单的每个阶段是否触发事件发生。在一些可能的实施例中，样本订单可以包括第一样本订单以及第二样本订单，第一样本订单是触发了事件发生的订单，第二样本订单是未触发事件发生的订单。第一样本订单的标签和第二样本订单的标签不同。通过获取第一样本订单以及第二样本订单以进行训练，模型可以通过第一样本订单，学习出什么特征的样本订单触发事件发生的概率高，通过第二样本订单，学习出什么特征的样本触发事件发生的概率低，从而挖掘出订单每个阶段的特征与触发事件的概率之间的规律。比如说，应用在餐损赔付的场景中，样本订单的标签可以指示样本订单的每个阶段是否触发餐损赔付发生。第一样本订单可以是触发了餐损赔付的订单，第二样本订单是未触发餐损赔付的订单。

202、电子设备提取样本订单的每个阶段的特征。

样本订单的每个阶段的数据可以预先存储在数据库，电子设备可以访问数据库，得到数据库存储的样本订单的每个阶段的数据，对每个阶段的数据分别进行特征提取，得到样本订单的每个阶段的特征。

在一些实施例中，样本订单的每个阶段的特征均包括第一向量。第一向量用于表示样本订单对应的物品的名称，第一向量也可以称为物品名称的特征向量或者物品名称的向量表示。其中，样本订单对应的物品是指通过样本订单购买的物品，比如，应用在外卖配送场景中，样本订单对应的物品可以是餐品，第一向量可以是餐品名称的特征向量。

提取第一向量的方式可以包括多种。例如，可以获取样本订单对应的物品的名称。将物品的名称映射至向量空间，得到第一向量。在一种可能的实现中，可以将产品名称输入词向量生成模型，通过词向量生成模型对物品的名称进行处理，输出第一向量。其中，该词向量生成模型可以是神经网络模型，例如可以是单词至向量(word to vector，word2vec)模型。在另一些实施例中，也可以采用word2vec之外的其他方式得到第一向量，比如对物品的名称进行编码，本实施例对提取第一向量的方式不做限定。

通过上述方式，将物品名称引入到预测的算法中，从而充分考虑了物品名称对事件发生的影响。并且，利用深度学习技术，将物品名称进行向量表示，使用表征物品名称的向量来进行模型训练，使得模型可以学习出物品名称与事件是否发生之间的规律，提高预测的准确性。例如，应用在餐损赔付场景中，可以通过使用餐品名称的向量表示，让模型学习出餐品名称与是否发生餐损赔付之间的规律，从而可以在模型预测的过程中，更准确地预测出餐损赔付发生的概率。

在一些实施例中，样本订单的每个阶段的特征均包括第二向量，第二向量用于表示物品名称与物品名称之外的其他特征之间的融合特征。其中，该其他特征可以为与物品名称具有交叉关系的特征，该其他特征可以和物品名称具有一定的关联关系，比如，该其他特征可以是物品的销量或出售频率，可以对第一向量与其他特征进行融合，得到第二向量。

提取第二向量的方式可以包括多种，以下通过方式一至方式三举例说明。

方式一、可以对第一向量与物品的销量进行融合，得到第二向量。

融合的方式可以包括多种，例如，可以对第一向量与物品的销量进行拼接，得到第二向量，则第二向量可以包括第一向量与物品的销量。

方式二、可以对第一向量与物品的出售频率进行融合，得到第二向量。

融合的方式可以包括多种，例如，可以对第一向量与物品的出售频率进行相乘，得到第二向量，则第二向量可以为第一向量与物品的出售频率之间的乘积。

方式三、可以对第一向量与物品的销量以及物品的出售频率进行融合，得到第二向量。

融合的方式可以包括多种，例如，可以对第一向量与物品的出售频率进行相乘，将乘积与物品的销量进行拼接，得到第二向量，则第二向量可以包括乘积和销量，该乘积是指第一向量与物品的出售频率之间的积。

在一些实施例中，第二向量可以是高维向量，可以对第二向量进行降维，得到降维后的第二向量，使用降维后的第二向量进行模型训练，也即是，样本订单的每个阶段的特征包括可以降维后的第二向量。通过进行降维，可以减少第二向量的数据量，从而减少训练时的计算量。其中，可以利用embedding(词嵌入)对第二向量进行降维。

在一些实施例中，样本订单的每个阶段的特征还可以均包括第三向量，第三向量用于表示样本订单对应的商户信息。

在一些实施例中，样本订单的每个阶段的特征还可以均包括第四向量，第四向量用于表示样本订单对应的商户所处的区域，或者第四向量用于表示样本订单对应的用户所处的区域。

在一些实施例中，样本订单的每个阶段的特征还可以均包括第五向量，第五向量用于表示样本订单对应的其他实时特征。

以应用预测模型来预测餐品赔付的场景为例，示例性地，参见图3，样本订单的每个阶段的特征提取过程可以包括：对餐品名称进行word2vec，得到餐名的特征向量。对餐名的特征向量与商户的订单信息进行embedding，得到融合特征。对商户的订单信息、区域特征以及其他实时特征组合为特征集合。将餐名的特征向量、融合特征以及特征集合进行拼接，作为样本订单在一个阶段的特征。

203、电子设备使用样本订单的每个阶段的特征以及标签进行模型训练，得到预测模型。

预测模型用于预测事件发生的概率。预测模型的输入参数可以包括订单的一个或多个阶段的特征，预测模型的输出参数可以包括订单触发事件发生的概率。

在一些可能的实施例中，预测模型的输入参数可以是一个矩阵，矩阵的每一行代表订单的一个阶段，矩阵中行的顺序可以代表不同阶段的时间先后顺序，从而体现订单特征的时序性。例如，参见图3，如果订单包括N个阶段，则预测模型的输入参数可以是N行的矩阵，第一行代表订单在第一个阶段的特征，第二行代表订单在第二个阶段的特征，以此类推，第N行代表订单在第N个阶段的特征，其中N为正整数。

通过上述方式，达到的效果至少可以包括：考虑到不同订单可能不存在时序价值信息，而同一个订单存在充分的时序关联信息，即，订单在不同阶段之间的特征可以互相影响，比如说，如果订单在某一阶段被取消或被接起，都将会影响订单在下一个阶段的特征。而通过使用样本订单的每个阶段的特征进行模型训练，可以挖掘出样本订单包含的时序关联信息与触发事件之间的规律，以便在模型预测阶段，利用订单包含的时序关联信息来预测触发事件的概率。

预测模型可以包括多种类型。例如，预测模型可以是递归模型。比如说，预测模型可以是循环神经网络。循环神经网络能够按照时间的先后顺序，对时间序列进行递归运算，因此通过采用循环神经网络对订单的时序特征进行预测，能够利用循环神经网络特有的优势，在计算每个阶段的特征时，还回顾以往阶段的特征，对同一个订单在不同阶段的特征按照时序进行递归运算，使得预测过程更加完善和合理，从而极大地提高预测结果的准确性。

其中，参见图3，预测模型可以包括长短期记忆(LSTM，Long Short-Term Memory)模型。LSTM模型可以包括输入层、隐藏层以及输出层。该输入层用于获取订单的每个阶段的特征，输入隐藏层。该隐藏层可以包括至少一个节点，每个节点可以将接收的特征与上一个节点的隐层状态进行加权运算，生成该节点对应的隐层状态，该输出层可以对隐层状态进行加权运算并输出。

训练LSTM模型的方式可以包括多种。在一些实施例中，模型训练可以包括多次迭代的过程。每次迭代的过程可以包括：将样本订单的每个阶段的特征输入预测模型，通过预测模型对样本订单的每个阶段的特征进行处理，输出预测结果，根据该预测结果与标签，通过损失函数(loss function)计算损失值，损失值表示预测结果与标签之间的偏差，预测结果与标签之间的偏差越大，则损失值越大。可以根据损失值调整预测模型的参数。其中，每当迭代一次后，电子设备可以检测当前是否已经满足训练终止条件，当不满足训练终止条件时，电子设备执行下一次迭代过程；当满足训练终止条件时，电子设备将本次迭代过程所采用的预测模型输出为训练完成的预测模型。

其中，该训练终止条件可以为迭代次数达到目标次数或者损失函数满足预设条件，还可以为基于验证数据集验证时，其能力在一段时间内没有提升。其中，该目标次数可以是预先设置的迭代次数，用以确定训练结束的时机，避免对训练资源的浪费。该预设条件可以是训练过程中损失值在一段时间内不变或者不下降，此时说明训练过程已经达到了训练的效果，即预测模型具有了根据订单的每个阶段的特征来预测事件发生概率的功能。

在一些实施例中，随着时间序列的深入，单个时间片段上的样本分布会逐渐均衡。有鉴于此，可以对损失函数进行一定的加权处理，例如，可以提取输出层的输出向量，对输出向量与[1,1…1,1]依维度进行交叉熵运算，将得到的交叉熵作为损失函数计算出的损失值，通过交叉熵来调整模型的参数。后续在使用预测模型进行预测时，可以输入订单当前已经历的每个阶段上的特征，从而获取当前时间下的预测模型所预测的概率。通过该方式，将样本订单视为一个时序样本，利用循环神经网络的特点，基于最终识别阶段有效性定义损失函数，从而提升模型效果对应用策略的作用关系。

本实施例提供的方法，通过使用样本订单在每个阶段的特征一起进行模型训练，从而得出时序上的预测模型，从而保证训练得到的预测模型更完善和合理。

上述图2实施例描述了预测模型的训练过程，以下通过图4实施例介绍该预测模型的推理预测过程。应理解，预测模型的推理预测过程中的一些步骤可以和预测模型的训练过程中的一些步骤同理，其具体细节可以参见图2实施例，在图4实施例不做赘述。

图4是本申请实施例提供的一种订单处理方法的流程图。参见图4，该方法包括：

401、电子设备获取待配送的订单。

例如，电子设备可以访问订单分配系统，得到订单分配系统存储的待配送的订单。例如，可以获取当前时间段进入订单分配系统的订单，比如汇集第一分钟进入订单分配系统的订单。其中，该订单分配系统用于缓存待配送的订单。其中，可以对该订单分配系统中的订单进行识别，若订单满足抢单模式，则将订单添加至抢单系统。

402、电子设备提取订单在当前阶段的特征。

当前阶段可以为订单的处理流程中当前时间点对应的阶段，可以是订单的最新处理阶段。

在一些实施例中，订单在当前阶段的特征可以包括第一向量。其中，提取第一向量的过程可以包括：获取订单对应的物品的名称，将物品的名称映射至向量空间，得到第一向量。例如，可以使用word2vec方法，将餐品名称转换为第一向量，则第一向量表现为餐品名称的描述。通过引入第一向量，可以利用物品名称来预测事件发生的概率，比如利用餐品名称来预测餐损赔付的概率，从而提高预测结果的准确性。并且，通过深度学习技术，充分使用餐名称的自然语言信息，以实现最终对餐损赔付更完善的识别。

在一些实施例中，订单在当前阶段的特征可以包括第二向量，第二向量可以表征商户对于该订单的融合特征。其中，提取第二向量的过程可以包括：对第一向量与订单在当前阶段的其他特征进行融合，得到第二向量。该当前阶段的其他特征可以是与物品名称具有交叉关系的特征，从而实现交叉维度的特征融合。比如，该其他特征可以是物品在当前阶段的销量或当前阶段的出售频率。

提取第二向量的方式可以包括多种，例如，可以对第一向量与物品的交易参数进行融合，得到第二向量。其中，交易参数可以包括销量或出售频率中的一项或多项，以下分别通过方式一至方式三举例说明。

方式一、可以对第一向量与物品的销量进行融合，得到第二向量。

融合的方式可以包括多种，例如，可以对第一向量与物品在当前阶段的销量进行拼接，得到第二向量，则第二向量可以包括第一向量与物品的销量。其中，该物品的销量可以是订单的下单时间点的销量。比如说，如果在X时Y刻创建了一笔订单，可以将该订单的餐品名称的向量表示与X时Y刻的销量进行融合。其中，X和Y为正整数。可选地，物品的销量也可以是进行预测时的销量。

获取销量的实现方式可以包括：读取出售该物品的商户在每个历史时间段的订单，统计每个历史时间段的订单的数量，得到每个历史时间段的物品的销量，可以建立销量与历史时间段之间的对应关系，将销量与历史时间段之间的对应关系存储至数据库。在预测过程中，可以根据订单的下单时间点，查询订单对应的商户的下单时间与销量之间的对应关系，得到下单时间点对应的物品的销量。例如，可以判断下单时间点落入哪个历史时间段，查找该历史时间段对应的物品的销量。

例如，在餐损赔付场景中，可以获取每个商户的每月的外卖订单，预先统计得出每个商户的每个物品的销量，当得到任一商户的任一物品的订单时，可以使用该商户对该物品的销量，来预测物品是否会发生损失赔付。

方式二、可以对第一向量与物品的出售频率进行融合，得到第二向量。

融合的方式可以包括多种，例如，可以对第一向量与物品在当前阶段的出售频率进行相乘，得到第二向量，则第二向量可以为第一向量与物品的出售频率之间的乘积。其中，该物品的出售频率可以是订单的下单时间点的出售频率。比如说，如果在X时Y刻创建了一笔订单，可以将该订单的餐品名称的向量表示与X时Y刻的出售频率进行融合。可选地，物品的出售频率也可以是进行预测时的出售频率。

出售频率可以采用以下方式得到：读取出售该物品的商户在每个历史时间段的订单，根据每个历史时间段的订单的数量以及历史时间段的时长，得到每个历史时间段的物品的出售频率，可以建立出售频率与历史时间段之间的对应关系，将出售频率与历史时间段之间的对应关系存储至数据库。在预测过程中，可以根据订单的下单时间点，查询订单对应的商户的下单时间与出售频率之间的对应关系，得到下单时间点对应的物品的出售频率。例如，可以判断下单时间点落入哪个历史时间段，查找该历史时间段对应的物品的出售频率。

例如，在餐损赔付场景中，可以获取每个商户的每月的外卖订单，预先统计得出每个商户的每个物品的出售频率，当得到任一商户的任一物品的订单时，可以使用该商户对该物品的出售频率，来预测物品是否会发生损失赔付。

方式三、可以对第一向量与物品的销量以及物品的出售频率进行融合，得到第二向量。

融合的方式可以包括多种，例如，可以对第一向量与物品在当前阶段的出售频率进行相乘，将乘积与物品在当前阶段的销量进行拼接，得到第二向量，则第二向量可以包括乘积和销量，该乘积是指第一向量与物品在当前阶段的出售频率之间的积。方式三中，该物品的销量同理地可以是订单的下单时间点的销量，该物品的出售频率同理地可以是订单的下单时间点的出售频率。

以餐损赔付场景为例，通过上述方式一至方式三，达到的效果至少可以包括：由于不同商家的不同餐品的出售频率不同，可以选择将餐品名称特征与商家交付该餐品的数量进行相乘操作。基于离线调研，餐品本能被申请赔付而未被申请赔付的核心因素为商家太忙或该餐品可被更高复用，而通过融合餐品向量与商家出售餐品量与商家不同时序的餐品出售频率，可以基于餐损识别问题的时序问题背景，通过餐品与商家和阶段高度耦合关系提取特征，从而充分利用了输入阶段的商家特征与餐品特征的耦合关系，回避大规模统计获取交叉特征的问题。

在一些实施例中，第二向量可以是高维向量，可以对第二向量进行降维，得到降维后的第二向量，使用降维后的第二向量进行预测，也即是，订单的当前阶段的特征包括可以降维后的第二向量。通过进行降维，可以减少第二向量的数据量，从而减少训练时的计算量。其中，可以利用embedding(词嵌入)对第二向量进行降维。

在一些实施例中，订单的每个阶段的特征还可以均包括第三向量，第三向量用于表示订单对应的商户信息。

在一些实施例中，订单的每个阶段的特征还可以均包括第四向量，第四向量用于表示订单对应的商户所处的区域，或者第四向量用于表示订单对应的用户所处的区域。

在一些实施例中，订单的每个阶段的特征还可以均包括第五向量，第五向量用于表示订单对应的其他实时特征。

以应用预测模型来预测餐品赔付的场景为例，示例性地，参见图3，订单的每个阶段的特征提取过程可以包括：对餐品名称进行word2vec，得到餐名的特征向量。对餐名的特征向量与商户在当前时间点的订单信息进行embedding，得到融合特征。对商户在当前时间点的订单信息、在当前时间点区域特征以及其他实时特征组合为特征集合。将餐名的特征向量、融合特征以及特征集合进行拼接，作为订单在当前阶段的特征。

在一些实施例中，提取订单在当前阶段的特征后，可以对订单在当前阶段的特征进行持久化存储，以便后续如果产生新阶段的特征时，可以读取预先存储的以往阶段的特征。例如，可以为订单创建特征记录，特征记录用于存储订单的每个阶段的特征。提取订单在当前阶段的特征后，可以将订单在当前阶段的特征以及阶段标识写入特征记录中。

403、电子设备将当前阶段的特征以及订单在历史阶段的特征输入预测模型。

历史阶段为订单的处理流程中历史时间点对应的阶段。获取订单在历史阶段的特征的过程可以包括：根据订单的标识，查询特征记录，得到订单在历史阶段的特征。

404、电子设备通过预测模型，基于时序对当前阶段的特征以及历史阶段的特征进行处理，得到订单触发事件发生的概率。

在通过预测模型进行处理的过程中，可以从第2个阶段开始，按照时间的先后顺序，对当前阶段的特征与历史阶段对应的中间结果进行加权计算。其中，该时间的先后顺序可以是阶段的先后顺序。该中间结果可以是：将历史阶段的特征输入预测模型后，通过预测模型的隐藏层对该历史阶段的特征进行处理后得到的隐层状态。例如，如果当前阶段是第3个阶段，则首先通过隐藏层对第1个阶段的特征进行处理，得到第1个阶段的隐藏状态，再对第2个阶段的特征以及第1个阶段的隐藏状态进行加权计算，得到第2个阶段的隐藏状态，再对第3个阶段的特征以及第2个阶段的隐藏状态进行加权计算，得到第3个阶段的隐藏状态，依次类推。

例如，参见图3，在通过LSTM模型进行计算的过程中，LSTM模型的隐藏层可以按照时间的先后顺序，对各个阶段的特征依次进行计算，并采用递归计算的方式，将前一个隐藏层的隐层状态与本阶段的特征进行加权求和后继续进行计算，直至历史阶段至当前阶段中每个阶段的特征在LSTM模型中均计算完成。

由于LSTM模型能够按照时间的先后顺序，对时间序列进行递归运算，因此通过采用LSTM模型对订单的时序特征进行预测，能够利用LSTM模型特有的优势，在计算每个阶段的特征时，还回顾以往阶段的特征，对同一个订单在不同阶段的特征按照时序进行递归运算，使得预测过程更加完善和合理，从而极大地提高预测结果的准确性。

在一些实施例中，可以根据每个阶段对应的权重，对预测模型的输出层对应的输出向量进行加权计算，得到事件发生的概率，其中，该输出向量的每个维度对应订单的处理流程中的一个阶段。例如，参见图3，输出层对应的输出向量可以是(k1 k2……kn)，k1表示第1阶段事件发生的概率，k2表示第2阶段事件发生的概率，以此类推，kn表示第n阶段事件发生的概率，即当前阶段事件发生的概率。k1至kn可以是一个递增的序列。比如说，在餐损赔付场景中，k1表示第1阶段发生餐损赔付的概率，k2表示第2阶段发生餐损赔付的概率，以此类推，kn表示第n阶段发生餐损赔付的概率。通过上述方式，可以通过模型计算后，在最终层依据阶段进行加权，从而满足餐损识别应用有效性的策略需求。

405、电子设备基于事件发生的概率，对订单的配送参数进行调整。

订单的配送参数可以包括订单的配送费用、订单的配送方式等。在一些实施例中，可以对事件发生的概率与阈值进行比较，若事件发生的概率大于或等于阈值，则增加订单的配送参数，从而通过更多的配送参数增加订单被成功配送的可能性，避免事件的发生。若事件发生的概率小于阈值，可以保持订单的配送参数不变。

以餐品赔付场景为例，预测的事件可以是餐品赔付事件，配送参数可以是订单的配送费用，步骤405可以包括以下步骤一至步骤二：

步骤一、根据订单触发餐品赔付事件发生的概率，获取配送费用的增加值。

其中，增加值与赔付事件发生的概率正相关。例如，可以建立赔付事件的概率与增加值之间的映射关系，当预测出概率后，查询该映射关系，得到概率对应的增加值。

步骤二、根据增加值，对订单的配送费用进行调整。

例如，可以计算订单的配送费用与增加值之间的和值，将和值作为调整后的配送费用，可以将订单以及调整后的配送费用发布至抢单池，配送人员可以对抢单池中的订单触发接单操作，从而承接该订单的配送工作。当配送人员对订单配送后，平台可以将调整后的配送费用转移至配送人员的账户。通过这种方式，若餐品将要触发餐损赔付事件的可能性越高，则对餐品订单在抢单池中的价格加价的越多，从而鼓励配送人员对订单进行接单。如此，可以科学、充分地调度空闲运力，提高配送资源利用率，均衡配送压力，实现配送运力的均衡。由于订单的配送费用得到了提高，订单被接单的概率也就得到了提高，因此，提高了订单履约的效率和质量。

应理解，餐品赔付事件仅是对事件的举例，事件也可以是时序调度场景下的其他事件，比如物流运输场景中的赔付事件等。在其他时序调度场景下，也可以采用上述步骤一至步骤二同理的方式，对订单的配送费用进行调整。如此，通过根据订单触发赔付事件的概率，对订单的配送费用进行调整，随着时间的推移，订单可以不断地产生新阶段的特征，此时通过实施本实施例的方法，可以结合订单每个阶段的特征，预测当前阶段发生事件的可能性大小，从而各种时序调度的场景下，能够依据对未来的预测结果，提供当下最合适的调度策略。

本实施例提供了一种利用深度学习对订单进行预测的方法。考虑到同一个订单在不同阶段的特征具有时序关联的性质，将订单在历史阶段的特征以及当前阶段的特征视为一个时间序列，共同作为模型的输入，从而通过模型，根据订单在各个阶段的特征预测出订单触发事件发生的概率，进而应用订单触发事件的概率，来调度订单的配送参数。由于预测时不仅考虑了订单在当前阶段的特征，还考虑了订单在历史阶段的特征以及不同阶段的时序，因此可以提高预测结果的准确性。

以下，示例性介绍本申请的应用场景。

本实施例提供的方法可以应用在各种基于订单来调度资源的场景下，包括而不限于外卖平台，物流系统等。其中，订单的处理流程可以包括多个阶段，每个阶段用于对订单执行不同的处理操作。例如，外卖平台中订单可以包括用户下单阶段、商户接单阶段、骑手抢单阶段、骑手配送阶段、送达阶段等等，物流系统中订单可以包括发货阶段、运输阶段、配送阶段、签收阶段等等。本实施例中，通过依据订单在各个阶段的特征来进行预测，可以利用订单在不同阶段上的时序关联性，从而提高预测准确性。

以外卖配送领域为例，时下，常常会出现这样的场景：商家接单后生产餐品，而由于周边运力因素，长时间无人接到运单导致商家的餐品被浪费，此时，外卖平台要依据餐品的生产价格赔付商家费用。为解决该问题，可以通过下述方法实施例，识别订单在某一时间段是否会成为餐损，若成为餐损，则对该运单在抢单池中的价格进行加价，若非餐损，则不执行操作。

相关技术中，可以收集订单所在时刻的实时特征与订单所对应的区域特征商家特征等离线特征，将时间阶段作为输入特征，应用XGBoost模型进行训练。基于模型的准召表现，给出对应的阈值，若大于阈值，则对订单的抢单价格进行加钱操作，若小于或等于阈值，则不对订单的抢单价格进行加钱操作。而这样的方法至少存在三个问题。第一，由于将每一时间阶段作为识别标签放入样本中，导致在训练过程中，同一个订单将反复出现多次。在全样本空间中，每次执行判定时将依赖其当前样本分布，因此将出现巨大的样本分布污染。第二，利用XGBoost模型时，难以使用对餐损影响很大的餐品字段特征。第三，订单在任一阶段均有可能被取消，或被接起，或进入下一阶段，因此该方法有极大的应用缺陷。

而通过上述方法实施例，可以构建时序上的识别模型，从而提供更完善和合理的预测模型，并且，通过深度学习技术，充分使用餐名称的自然语言信息，能够最终实现对餐损赔付更完善的识别。

图5是本申请实施例提供的一种订单处理装置的结构示意图。参见图5，该装置包括：

获取模块501，其配置为用于获取待配送的订单；

提取模块502，其配置为用于提取订单在当前阶段的特征，当前阶段为订单的处理流程中当前时间点对应的阶段；

输入模块503，其配置为用于将当前阶段的特征以及订单在历史阶段的特征输入预测模型，预测模型用于预测事件发生的概率，历史阶段为订单的处理流程中历史时间点对应的阶段；

处理模块504，其配置为用于通过预测模型，基于时序对当前阶段的特征以及历史阶段的特征进行处理，得到订单触发事件发生的概率；

调整模块505，其配置为用于基于事件发生的概率，对订单的配送参数进行调整。

本实施例提供了一种利用深度学习对订单进行预测的装置。考虑到同一个订单在不同阶段的特征具有时序关联的性质，将订单在历史阶段的特征以及当前阶段的特征视为一个时间序列，共同作为模型的输入，从而通过模型，根据订单在各个阶段的特征预测出订单触发事件发生的概率，进而应用订单触发事件的概率，来调度订单的配送资源。由于预测时不仅考虑了订单在当前阶段的特征，还考虑了订单在历史阶段的特征以及不同阶段的时序，因此可以提高预测结果的准确性。

可选地，处理模块504，其配置为用于按照时间的先后顺序，对当前阶段的特征与历史阶段对应的中间结果进行加权计算。

通过在计算每个阶段的特征时，还回顾以往阶段的特征，对同一个订单在不同阶段的特征按照时序进行运算，使得预测过程更加完善和合理，从而极大地提高预测结果的准确性。

可选地，处理模块504，其配置为用于根据每个阶段对应的权重，对预测模型的输出层对应的输出向量进行加权计算，得到事件发生的概率，其中，输出向量的每个维度对应订单的处理流程中的一个阶段。

可选地，当前阶段的特征包括第一向量，相应地，提取模块502，其配置为用于获取订单对应的物品的名称；将物品的名称映射至向量空间，得到第一向量。

通过上述方式，利用深度学习技术，将物品名称进行向量表示，从而充分使用物品名称的自然语言信息，将物品名称引入到预测的算法中，提高预测的准确性，实现更完善的识别。

可选地，当前阶段的特征包括第二向量，提取模块502，其配置为用于获取订单对应的物品的名称；将物品的名称映射至向量空间，得到第一向量；对第一向量与物品的交易参数进行融合，得到第二向量，其中，交易参数包括销量或出售频率中的一项或多项。

可选地，出售频率采用以下方式得到：根据订单的下单时间点，查询订单对应的商户的下单时间与出售频率之间的对应关系，得到下单时间点对应的出售频率。

考虑到同一物品在不同时间的出售频率可能具有差异，通过融合表达名称的向量与对应时间的出售频率，充分利用了时间与出售频率之间的耦合关系，从而提高预测的精确性，回避大规模统计获取交叉特征的问题。

可选地，事件包括餐品赔付事件，配送资源包括订单的配送费用，相应地，调整模块505，其配置为用于根据订单触发餐品赔付事件发生的概率，获取配送费用的增加值，增加值与赔付事件发生的概率正相关；根据增加值，对订单的配送费用进行调整。

通过这种方式，若餐品将要触发餐损赔付事件的可能性越高，则对餐品订单在配送费用的增加地越多，从而鼓励配送人员对订单进行接单。如此，可以科学、充分地调度空闲运力，提高配送资源利用率，均衡配送压力，实现配送运力的均衡。由于订单的配送费用得到了提高，订单被接单的概率也就得到了提高，因此，提高了订单履约的效率和质量。

可选地，预测模型采用以下方式进行训练：获取样本订单，样本订单标注有标签，标签用于指示样本订单的每个阶段是否触发事件发生；提取样本订单的每个阶段的特征；使用样本订单的每个阶段的特征以及标签进行模型训练，得到预测模型。

通过上述方式，考虑到同一个订单存在充分的时序关联信息，即，订单在不同阶段之间的特征可以互相影响，比如说，如果订单在某一阶段被取消或被接起，都将会影响订单在下一个阶段的特征。而通过使用样本订单的每个阶段的特征进行模型训练，可以挖掘出样本订单包含的时序关联信息与触发事件之间的规律，使用样本订单在每个阶段的特征一起进行模型训练，从而得出时序上的预测模型，从而保证训练得到的预测模型更完善和合理，以便在模型预测阶段，利用订单包含的时序关联信息来准确地预测触发事件的概率。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

需要说明的是：上述实施例提供的订单处理装置在处理订单时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将订单处理装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的订单处理装置与订单处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述方法实施例中的电子设备可以实现为终端。例如，图6示出了本申请一个示例性实施例提供的终端600的结构框图。该终端600可以是：智能手机、平板电脑、MP3(MovingPicture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑、可穿戴设备或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端600包括有：一个或多个处理器601和一个或多个存储器602。

处理器601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一条指令，该至少一条指令用于被处理器601所执行以实现本申请中方法实施例提供的订单处理方法。

在一些实施例中，终端600还可选包括有：外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地，外围设备包括：射频电路604、触摸显示屏605、摄像头组件606、音频电路607、定位组件608和电源609中的至少一种。

外围设备接口603可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中，处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上；在一些其他实施例中，处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路604用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路604包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路604还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏605用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时，显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时，显示屏605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏605可以为一个，设置终端600的前面板；在另一些实施例中，显示屏605可以为至少两个，分别设置在终端600的不同表面或呈折叠设计；在再一些实施例中，显示屏605可以是柔性显示屏，设置在终端600的弯曲表面上或折叠面上。甚至，显示屏605还可以设置成非矩形的不规则图形，也即异形屏。显示屏605可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件606用于采集图像或视频。可选地，摄像头组件606包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器601进行处理，或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路607还可以包括耳机插孔。

定位组件608用于定位终端600的当前地理位置，以实现导航或LBS(LocationBasedService，基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于：加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。

加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号，控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器612可以检测终端600的机体方向及转动角度，陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3D动作。处理器601根据陀螺仪传感器612采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器613可以设置在终端600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在终端600的侧边框时，可以检测用户对终端600的握持信号，由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时，由处理器601根据用户对触摸显示屏605的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器614用于采集用户的指纹，由处理器601根据指纹传感器614采集到的指纹识别用户的身份，或者，由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商Logo时，指纹传感器614可以与物理按键或厂商Logo集成在一起。

光学传感器615用于采集环境光强度。在一个实施例中，处理器601可以根据光学传感器615采集的环境光强度，控制触摸显示屏605的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏605的显示亮度；当环境光强度较低时，调低触摸显示屏605的显示亮度。在另一个实施例中，处理器601还可以根据光学传感器615采集的环境光强度，动态调整摄像头组件606的拍摄参数。

接近传感器616，也称距离传感器，通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中，当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时，由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态；当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时，由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图6中示出的结构并不构成对终端600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

上述方法实施例中的电子设备可以实现为服务器。例如，图7是本申请实施例提供的一种服务器的结构示意图，该服务器700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central Processing Units，CPU)701和一个或一个以上的存储器702，其中，存储器702中存储有至少一条指令，至少一条指令由处理器701加载并执行以实现上述各个方法实施例提供的订单处理方法。当然，该服务器还可以具有有线或无线网络接口以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括至少一条指令的存储器，上述至少一条指令由可由处理器执行以完成上述实施例中的订单处理方法。例如，计算机可读存储介质可以是只读存储器(Read-Only Memory，简称：ROM)、随机存取存储器(Random Access Memory，简称：RAM)、只读光盘(Compact Disc Read-Only Memory，简称：CD-ROM)、磁带、软盘和光数据存储设备等。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上描述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种订单处理方法，其特征在于，所述方法包括：

获取待配送的订单；

提取所述订单在当前阶段的特征，所述当前阶段为订单的处理流程中当前时间点对应的阶段；

将所述当前阶段的特征以及所述订单在历史阶段的特征输入预测模型，所述预测模型用于预测事件发生的概率，所述历史阶段为订单的处理流程中历史时间点对应的阶段；

通过所述预测模型，基于时序对所述当前阶段的特征以及所述历史阶段的特征进行处理，得到所述订单触发所述事件发生的概率；

基于所述事件发生的概率，对所述订单的配送参数进行调整。

2.根据权利要求1所述的方法，其特征在于，所述通过所述预测模型，基于时序对所述当前阶段的特征以及所述历史阶段的特征进行处理，包括：

按照时间的先后顺序，对所述当前阶段的特征与所述历史阶段对应的中间结果进行加权计算。

3.根据权利要求1所述的方法，其特征在于，所述通过所述预测模型，基于时序对所述当前阶段的特征以及所述历史阶段的特征进行处理，包括：

根据每个阶段对应的权重，对所述预测模型的输出层对应的输出向量进行加权计算，得到所述事件发生的概率，其中，所述输出向量的每个维度对应订单的处理流程中的一个阶段。

4.根据权利要求1所述的方法，其特征在于，所述当前阶段的特征包括第一向量，相应地，所述提取所述订单在当前阶段的特征，包括：

获取所述订单对应的物品的名称；

将所述物品的名称映射至向量空间，得到所述第一向量。

5.根据权利要求1所述的方法，其特征在于，所述当前阶段的特征包括第二向量，相应地，所述提取所述订单在当前阶段的特征，包括：

获取所述订单对应的物品的名称；

将所述物品的名称映射至向量空间，得到第一向量；

对所述第一向量与所述物品的交易参数进行融合，得到所述第二向量，其中，所述交易参数包括销量或出售频率中的一项或多项。

6.根据权利要求5所述的方法，其特征在于，所述出售频率采用以下方式得到：

根据所述订单的下单时间点，查询所述订单对应的商户的下单时间与出售频率之间的对应关系，得到所述下单时间点对应的所述出售频率。

7.根据权利要求1所述的方法，其特征在于，所述事件包括餐品赔付事件，所述配送参数包括订单的配送费用，相应地，所述基于所述事件发生的概率，对所述订单的配送参数进行调整，包括：

根据所述订单触发所述餐品赔付事件发生的概率，获取配送费用的增加值，其中，所述增加值与所述餐品赔付事件发生的概率正相关；

根据所述增加值，对所述订单的配送费用进行调整。

8.根据权利要求1所述的方法，其特征在于，所述预测模型采用以下方式进行训练：

获取样本订单，所述样本订单标注有标签，所述标签用于指示所述样本订单的每个阶段是否触发所述事件发生；

提取所述样本订单的每个阶段的特征；

使用所述样本订单的每个阶段的特征以及所述标签进行模型训练，得到所述预测模型。

9.一种订单处理装置，其特征在于，所述装置包括：

获取模块，其配置为用于获取待配送的订单；

提取模块，其配置为用于提取所述订单在当前阶段的特征，所述当前阶段为订单的处理流程中当前时间点对应的阶段；

输入模块，其配置为用于将所述当前阶段的特征以及所述订单在历史阶段的特征输入预测模型，所述预测模型用于预测事件发生的概率，所述历史阶段为订单的处理流程中历史时间点对应的阶段；

处理模块，其配置为用于通过所述预测模型，基于时序对所述当前阶段的特征以及所述历史阶段的特征进行处理，得到所述订单触发所述事件发生的概率；

调度模块，其配置为用于基于所述事件发生的概率，对所述订单的配送参数进行调整。

10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条指令，所述至少一条指令由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求8任一项所述的订单处理方法所执行的操作。

11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求8任一项所述的订单处理方法所执行的操作。

Images