CN113139764B - 派单方法、装置、存储介质及电子设备 - Google Patents

派单方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN113139764B
CN113139764B CN202010062786.5A CN202010062786A CN113139764B CN 113139764 B CN113139764 B CN 113139764B CN 202010062786 A CN202010062786 A CN 202010062786A CN 113139764 B CN113139764 B CN 113139764B
Authority
CN
China
Prior art keywords
parameter set
order
determining
data resource
parameter
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
Application number
CN202010062786.5A
Other languages
English (en)
Other versions
CN113139764A (zh
Inventor
吴卓林
张涛
孔兵
于洋
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 CN202010062786.5A priority Critical patent/CN113139764B/zh
Publication of CN113139764A publication Critical patent/CN113139764A/zh
Application granted granted Critical
Publication of CN113139764B publication Critical patent/CN113139764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种派单方法、装置、存储介质及电子设备，所述方法包括：获取新生成的订单的特征信息；根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间，所述目标参数集包括所述派单模型中各变量的取值；其中，所述目标参数集是通过迭代执行如下步骤直至满足预设条件得到的：通过多个计算节点并行确定多个参数集中的每一参数集的适应值，所述适应值与订单配送代价正相关；针对每一所述参数集，根据粒子群算法和所述每一参数集的适应值对该参数集进行更新。这样，针对新生成的订单，可以通过获取该订单的特征信息，并通过派单模型，结合所述参数集以及所述订单的特征信息来确定所述订单的派送时间，从而能够提升配送效率。

Description

派单方法、装置、存储介质及电子设备
技术领域
本公开涉及信息处理领域，具体地，涉及一种派单方法、装置、存储介质及电子设备。
背景技术
外卖作为一种连接商家与用户的新型餐饮方式，近年来得到了迅猛的发展。一般来说，外卖订单具有较为明显的时间空间分布特征，并且在外卖订单配送过程中，一定区域内的运力也是相对有限的，因而需要尽可能的提升订单的配送效率。
一般而言，对于一个待配送的订单，可以对所述订单进行一定程度的“压单”(即订单产生后不立即进行派送)，以使得所述订单的取送路径能够与更多的订单的取送路径重合，从而提升订单的配送效率。然而，相关技术中，在确定所述“压单”时间的过程中却耗时较长，无法满足实际的应用要求。
发明内容
本公开的目的是提供一种派单方法、装置、存储介质及电子设备，以解决上述相关技术问题。
为了实现上述目的，本公开实施例的第一方面提供一种派单方法，包括：
获取新生成的订单的特征信息；
根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间，所述目标参数集包括所述派单模型中各变量的取值；
其中，所述目标参数集是通过迭代执行如下步骤直至满足预设条件得到的：
通过多个计算节点并行确定多个参数集中的每一参数集的适应值，所述适应值与订单配送代价正相关；
针对每一所述参数集，根据粒子群算法和所述每一参数集的适应值对该参数集进行更新。
上述技术方案中，通过在多个计算节点上对每一参数集的适应值进行并行运算，从而能够加快获取参数集的适应值的速度，进而能够减少获取目标参数集的时间。这样，针对新生成的订单，可以通过获取所述订单的特征信息，并通过派单模型，结合所述参数集以及所述订单的特征信息来确定所述订单的派送时间，从而能够提升派单和配送的效率。
可选地，所述方法还包括：
建立每一数据资源的索引，并建立所述参数集与所述数据资源的索引之间的对应关系；
所述通过多个计算节点并行确定多个参数集中的每一参数集的适应值，包括：
针对每一计算节点上的每一参数集，通过该参数集对应的索引获取该参数集所需的数据资源；
根据获取到的所述数据资源确定所述参数集的适应值。
采用这样的方式，计算节点在确定该计算节点上的参数集所对应的适应值时，可以先根据所述索引获取相应参数集所对应的数据资源，从而为参数集之间的并行处理提供数据基础。
可选地，所述多个计算节点包括主计算节点以及多个从计算节点，所述方法还包括：
确定参数集的共通数据资源以及独立数据资源集，其中，所述共通数据资源是每一参数集在确定该参数集的适应值时所需要的数据资源的交集，所述独立数据资源集是每一参数集在确定该参数集的适应值时所需要的数据资源中，非所述共通数据资源的独立数据资源的集合；
建立每一独立数据资源的索引，并建立每一参数集与确定该参数集的适应值所需的独立数据资源的索引之间的对应关系；
所述通过多个计算节点并行确定多个参数集中的每一参数集的适应值，包括：
针对每一从计算节点上的每一参数集，通过对应的索引获取该参数集所需的独立数据资源；
根据所述独立数据资源以及该从计算节点中存储的共通数据资源确定所述参数集的适应值。
这样，通过对所述计算资源进行进一步的划分，并在多个计算节点中存储所述共通数据资源的方式，在具体计算时能够降低节点间的数据传输量，从而降低时间消耗，减少获取到目标参数集所需的时间。
可选的，所述独立数据资源集包括各区域的历史订单信息、各所述区域的商家信息、各所述区域的用户密度、各所述区域的平均派单时间中的至少一者；
所述共通数据资源包括总区域的历史订单密度信息、所述总区域的历史接单率、所述总区域的历史配送准时率中的至少一者，其中，所述总区域包括各所述区域。
可选地，所述多个计算节点采用spark架构，包括主计算节点以及多个从计算节点，所述根据粒子群算法和所述每一参数集的适应值对该参数集进行更新包括：
复制所述从节点上的参数集以及对应每一参数集的适应值至所述主计算节点；
在所述主计算节点通过粒子群算法对所述复制的参数集进行更新；
根据更新后的所述复制的参数集对各从节点上的参数集进行更新；
释放所述复制的参数集以及对应每一参数集的适应值。
通过spark架构，能够在各计算节点对所述参数集进行并行计算。此外，还可以将从节点上的参数集以及对应每一参数集的适应值复制到主节点，并在主节点进行相关中间数据的计算以及对复制的参数集的更新，进而在更新完成之后能够根据所述更新后的复制的参数集来更新各计算节点上的参数集，并对相关资源进行释放。采用这样的转存方式，能够实现对内存的管控，降低存储资源的占用。
可选地，所述目标参数集包括多个区域的目标参数集，所述根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间包括：
确定新生成的所述订单的区域；
根据所述特征信息以及对应所述区域的目标参数集通过派单模型确定所述订单的派单时间。这样，针对不同区域的订单，可以根据对应区域的目标参数集以及所述订单的特征信息来确定所述订单的派送时间，提升所述方法的灵活性以及适用性。
可选地，所述多个参数集包括多个区域的参数集，其中，同一区域的参数集中各参数的初始值相同。
上述方案中，通过对同一区域的参数集的各个参数进行同样参数值的初始化，从而能够提升参数集的初始化速度，进一步减少获取到所述目标参数集的时间。
本公开实施例的第二方面，提供一种派单装置，包括：
获取模块，被配置为获取新生成的订单的特征信息；
第一确定模块，被配置为根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间，所述目标参数集包括所述派单模型中各变量的取值；
其中，所述目标参数集是通过执行模块迭代执行如下步骤直至满足预设条件得到的，所述执行模块包括：
第一确定子模块，被配置为通过多个计算节点并行确定多个参数集中的每一参数集的适应值，所述适应值与订单配送代价正相关；
第一更新子模块，被配置为针对每一所述参数集，根据粒子群算法和所述每一参数集的适应值对该参数集进行更新。
可选地，所述装置还包括：
第一创建模块，被配置为建立每一数据资源的索引；
第二创建模块，被配置为建立所述参数集与所述数据资源的索引之间的对应关系；
所述第一确定子模块，包括：
第一获取子单元，被配置为针对每一计算节点上的每一参数集，通过该参数集对应的索引获取该参数集所需的数据资源；
第一确定子单元，被配置为根据获取到的所述数据资源确定所述参数集的适应值。
可选地，所述多个计算节点包括主计算节点以及多个从计算节点，所述装置还包括：
第二确定模块，被配置为确定参数集的共通数据资源以及独立数据资源集，其中，所述共通数据资源是每一参数集在确定该参数集的适应值时所需要的数据资源的交集，所述独立数据资源集是每一参数集在确定该参数集的适应值时所需要的数据资源中，非所述共通数据资源的独立数据资源的集合；
第三创建模块，被配置为建立每一独立数据资源的索引；
第四创建模块，被配置为建立每一参数集与确定该参数集的适应值所需的独立数据资源的索引之间的对应关系；
所述第一确定子模块，包括：
第二获取子单元，被配置为针对每一从计算节点上的每一参数集，通过对应的索引获取该参数集所需的独立数据资源；
第二确定子单元，被配置为根据所述独立数据资源以及该从计算节点中存储的共通数据资源确定所述参数集的适应值。
可选的，所述独立数据资源集包括各区域的历史订单信息、各所述区域的商家信息、各所述区域的用户密度、各所述区域的平均派单时间中的至少一者；
所述共通数据资源包括总区域的历史订单密度信息、所述总区域的历史接单率、所述总区域的历史配送准时率中的至少一者，其中，所述总区域包括各所述区域。
可选地，所述多个计算节点采用spark架构，包括主计算节点以及多个从计算节点，所述第一确定模块包括：
复制子模块，被配置为复制所述从节点上的参数集以及对应每一参数集的适应值至所述主计算节点；
第二更新子模块，被配置为在所述主计算节点通过粒子群算法对所述复制的参数集进行更新；
第三更新子模块，被配置为根据更新后的所述复制的参数集对各从节点上的参数集进行更新；
释放子模块，被配置为释放所述复制的参数集以及对应每一参数集的适应值。
可选地，所述目标参数集包括多个区域的目标参数集，所述第一确定模块包括：
第二确定子模块，被配置为确定新生成的所述订单的区域；
第三确定子模块，被配置为根据所述特征信息以及对应所述区域的目标参数集通过派单模型确定所述订单的派单时间。
可选地，所述多个参数集包括多个区域的参数集，其中，同一区域的参数集中各参数的初始值相同。
本公开实施例的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本公开实施例的第四方面提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面中任一项所述方法的步骤。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开一示例性实施例所示出的一种派单方法的流程示意图。
图2是本公开一示例性实施例所示出的一种获取目标参数集的迭代过程的示意图。
图3是本公开一示例性实施例所示出的一种派单方法的流程示意图。
图4是本公开一示例性实施例所示出的一种派单装置的框图。
图5是本公开一示例性实施例所示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
在介绍本公开所提供的派单方法之前，首先对本公开各实施例所涉及的场景进行介绍。本公开所提供的派单方法可以应用于订单派送场景，以外卖订单为例，订单分发模式可以包括“抢单”以及“派单”等不同的方式。本公开所针对的即是所述“派单”方式，即由系统来确定各订单的配送人员。一般而言，对于一个新生成的订单，可以对所述订单进行一定程度的“压单”(即订单产生后不立即进行派送)，以使得所述订单的取送路径能够与更多的订单的取送路径重合，从而减少订单整体的配送距离，提升订单的配送效率。然而，相关技术中，在确定所述“压单”时间的过程中却耗时较长，无法满足实际的应用要求。
为此，本公开一种派单方法，参照图1所示出的一种派单方法的流程示意图，所述方法包括：
S11，获取新生成的订单的特征信息；
S12，根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间，所述目标参数集包括所述派单模型中各变量的取值。
具体的，在步骤S11中，所述订单的特征信息例如可以包括订单的起送地信息、配送地信息、金额信息、订单商品信息等等，所述订单的特征信息可以构成对应该订单的特征序列。
这样，在步骤S12中，可以根据所述订单的特征序列以及所述目标参数，通过派单模型来确定所述订单的派单时间，其中，所述目标参数集可以包括所述派单模型中各变量的取值。举例来讲，在一实施例中，所述目标参数集可以包括对应所述订单的各个特征的加权系数，所述派单模型可以根据所述订单的每一所述特征信息以及所述特征信息所对应的加权系数来进行计算，进而确定所述订单的派单时间。值得说明的是，所述派单时间是指系统(例如调度系统)将所述订单派发给对应配送员的时间，即压单时间。
此外，针对所述目标参数集，参照图2所示出的一种获取目标参数集的迭代过程的示意图，所述目标参数集是通过迭代执行如下步骤直至满足预设条件得到的：
S21，通过多个计算节点并行确定多个参数集中的每一参数集的适应值，所述适应值与订单配送代价正相关。
其中，所述预设条件可以是迭代次数，则所述目标参数集是根据最后一次迭代产生的多个参数集以及各所述参数集所对应的适应值确定的。例如，可以将最后一次迭代产生的多个参数集中，适应值最符合需求目标的参数集作为所述目标参数集。在一实施例中，也可以根据所述适应值来确定所述目标参数集，例如，在某一参数集的适应值达到需求阈值范围时，将该适应值所对应的参数集作为所述目标参数集。
所述计算节点例如可以是多个计算机组成的集群，其中每一计算机可以作为一个计算节点，所述适应值可以通过仿真器来获得。这样，所述步骤S21即是指，集群计算机中的每一计算节点同时并行运行所述仿真系统，进而得到对应各计算节点上的参数集的适应值。所述参数集作为所述粒子群算法中的粒子，可以是根据相应条件设置的也可以是随机生成的，本公开对所述参数集的生成方式以及数量不做限定。
所述订单配送代价是指所述参数集所导致的订单配送损失，所述参数集所对应的适应值与所述订单配送代价正相关。举个例子，所述适应值可以是仿真系统输出的订单的配送总距离，所述配送代价可以是订单的超时率。应当理解的是，随着订单的配送距离增加，订单的配送时间长也会对应增加，进而增大订单超时率，即适应值(配送总距离)与所述订单配送代价(订单超时率)正相关。
S22，针对每一所述参数集，根据粒子群算法和所述每一参数集的适应值对该参数集进行更新。
其中，每一所述参数集还可以包括全局最优适应值信息以及当前参数集的历史最优适应值信息。此外，关于粒子群算法的位置更新以及速度更新方式，相关技术中已经存在解释，本公开对此不再赘述。
上述技术方案中，通过在多个计算节点上对每一参数集的适应值进行并行运算，从而能够加快获取参数集的适应值的速度，进而能够减少获取目标参数集的时间。这样，针对新生成的订单，可以通过获取所述订单的特征信息，并通过派单模型，结合所述参数集以及所述订单的特征信息来确定所述订单的派送时间，从而能够提升派单和配送的效率。
在一种可能的实施方式中，所述方法还包括：
建立每一数据资源的索引，并建立所述参数集与所述数据资源的索引之间的对应关系；
所述步骤S21，包括：
针对每一计算节点上的每一参数集，通过该参数集对应的索引获取该参数集所需的数据资源；
根据获取到的所述数据资源确定所述参数集的适应值。
其中，所述数据资源可以包括订单密度数据，订单特征数据，区域历史时间段运单数据等等。此外，针对所述索引，在具体实施时，可以建立所述参数集以及所述数据资源之间的索引表。这样，针对具体的参数集，可以通过所述索引表来查找对应所需的数据资源。
采用这样的方式，计算节点在确定该计算节点上的参数集所对应的适应值时，可以先根据所述索引获取相应参数集所对应的数据资源，从而为参数集之间的并行处理提供数据基础。
在另一种可能的实施方式中，所述多个计算节点包括主计算节点以及多个从计算节点，所述方法还包括：
确定参数集的共通数据资源以及独立数据资源集，其中，所述共通数据资源是每一参数集在确定该参数集的适应值时所需要的数据资源的交集，所述独立数据资源集是每一参数集在确定该参数集的适应值时所需要的数据资源中，非所述共通数据资源的独立数据资源的集合。
在一实施例中，所述独立数据资源集例如可以包括各区域的历史订单信息、各所述区域的商家信息、各所述区域的用户密度、各所述区域的平均派单时间等。所述共通数据资源可以包括总区域的历史订单密度信息、所述总区域的历史接单率、所述总区域的历史配送准时率等。
值得说明的是，所述总区域可以是各所述区域的集合。例如，所述总区域可以是一城市区域，则所述区域可以指所述城市区域中的各个子区域。
此外，还可以建立每一独立数据资源的索引，并建立每一参数集与确定该参数集的适应值所需的独立数据资源的索引之间的对应关系。这样，所述步骤S21，包括：
针对每一从计算节点上的每一参数集，通过对应的索引获取该参数集所需的独立数据资源；
根据所述独立数据资源以及该从计算节点中存储的共通数据资源确定所述参数集的适应值。
这样，通过对所述计算资源进行进一步的划分，并在多个计算节点中存储所述共通数据资源的方式，在具体计算时能够降低节点间的数据传输量，从而降低时间消耗，减少获取到目标参数集所需的时间。
以spark架构为例，在具体实施时可以通过broadcast命令将所述共通数据资源分发到各计算节点上，同时将所述独立数据资源集保存在master节点(主节点)中。这样，计算节点在计算该计算节点上的参数集的适应值时，可以通过所述索引来从所述master节点上获取对应的独立数据资源，并结合所述计算节点上存储的共通数据资源来确定所述参数集的适应值。值得说明的是，由于master节点上存储的数据量较多，因此从master节点上进行数据转移将耗费较长的时间。而采用上述技术方案，计算节点仅仅需要从master节点获取所述独立数据资源，从而能够减小节点间的数据传输量，起到降低时间消耗的效果。
此外值得注意的是，在对所述共通数据资源以及所述独立数据资源的解释中，所述“每一参数集”是指在迭代过程中所有可选的参数集。应当理解，第一次迭代过程的初始参数集可以是随机初始化得到的，因此，所述共通数据资源是所有可选的参数集在确定该参数集的适应值时所需要的数据资源的交集。对应的，所述独立数据资源集是所有可选的参数集在确定该参数集的适应值时所需要的数据资源中，非所述共通数据资源的独立数据资源的集合。
可选地，所述多个计算节点采用spark架构，包括主计算节点以及多个从计算节点，所述步骤S22，包括：
复制所述从节点上的参数集以及对应每一参数集的适应值至所述主计算节点；
在所述主计算节点通过粒子群算法对复制的参数集进行更新；
根据更新后的所述复制的参数集对各从节点上的参数集进行更新；
释放所述复制的参数集以及对应每一参数集的适应值。
具体的，Spark是一个提供大数据分布式并行计算的方案，提供了诸多高层次API(Application Programming Interface，应用程序接口)的数据操作方法，可以用于进行不同数据结构的大规模数据的处理和计算任务。
进一步的，在具体实施时，可以基于随机策略初始化各所述参数集，其中，所述参数集分布在各计算节点上，各参数集以及各参数集所对应的适应值构成初始解序列rdd(记为R1)。在计算节点对其节点上的参数集进行适应度计算之后，可以新建R2来复制所述R1，并利用reduceby操作，将R2回收到master节点上的Map中，进而能够在Map上计算各所述参数集中的全局最优适应值以及每一参数集所对应的该参数集的历史最优适应值。进一步的，可以根据在Map中的计算结果来对所述master节点上存储的全局最优适应值以及R2中的各参数集进行更新。其中，更新所述R2中的参数集可以包括，针对所述R2中的每一参数集，更新该参数集的位置信息、速度信息、以及当前参数集的历史最优适应值信息。
这样，所述根据更新后的所述复制的参数集对各从节点上的参数集进行更新即是指，通过master节点以及更新后的R2来对所述R1中的各参数集进行更新，以进行下一次迭代。同时，在对所述R1更新完成之后，还可以对所述R2所使用的资源进行释放，从而实现对内存的管控，降低内存资源占用率。
上述技术方案通过采用spark架构，从而能够在各计算节点对所述参数集进行并行计算。此外，还可以将从节点上的参数集以及对应每一参数集的适应值复制到主节点，并在主节点进行相关中间数据的计算以及对复制的参数集的更新，进而在更新完成之后能够根据所述更新后的复制的参数集来更新各计算节点上的参数集，并对相关资源进行释放。采用这样的转存方式，能够实现对内存的管控，降低存储资源的占用。
参照图3所示出的一种派单方法的流程图，在一种可能的实施方式中，所述目标参数集包括多个区域的目标参数集，所述方法包括：
S31，获取新生成的订单的特征信息；
S32，确定新生成的所述订单的区域；
S33，根据所述特征信息以及对应所述区域的目标参数集通过派单模型确定所述订单的派单时间。
接上一实施例进行说明，在具体实施时，可以基于随机策略对各个区域的参数集进行初始化，使得所述参数集分布在多个计算节点，其中，各参数集以及各参数集所对应的适应值构成初始解序列rdd(记为R1)。类似的，可以新建R2来复制所述R1，并将R2回收到master节点上的Map中，进而能够在Map上根据各参数集的适应值来计算各区域的区域最优适应值。进一步的，可以根据在Map中的计算结果来对所述master节点上存储的全局最优适应值序列以及R2中的各参数集进行更新。其中，所述全局最优适应值序列可以由不同区域的区域最优适应值组成，所述更新所述R2中的参数集可以包括，针对所述R2中的每一参数集，根据该参数集在本次迭代过程中的适应值对该参数集的历史最优适应值进行更新；并，根据更新后的所述全局最优值序列中对应于该参数集所属区域的区域最优适应值以及更新后的该参数集的历史最优值更新该参数集的位置信息、速度信息。
这样，可以通过更新后的R2来对所述R1中的各参数集进行更新，以进行下一次迭代，最终通过多次迭代得到各区域的目标参数集。
采用上述技术方案，针对不同区域的订单，可以根据对应区域的目标参数集以及所述订单的特征信息来确定所述订单的派送时间，从而能够提升所述方法的灵活性以及适用性。
可选地，所述多个参数集包括多个区域的参数集，其中，同一区域的参数集中各参数的初始值相同。其中，不同参数集的初始速度值可以不相同。
这样，通过对同一区域的参数集的各个参数进行同样参数值的初始化，从而能够提升参数集的初始化速度，进一步减少获取到所述目标参数集的时间。
本公开还提供一种派单装置，参照图4所示出的一种派单装置的框图，所述装置400包括：
获取模块401，被配置为获取新生成的订单的特征信息；
第一确定模块402，被配置为根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间，所述目标参数集包括所述派单模型中各变量的取值；
其中，所述目标参数集是通过执行模块403迭代执行如下步骤直至满足预设条件得到的，所述执行模块包括：
第一确定子模块4031，被配置为通过多个计算节点并行确定多个参数集中的每一参数集的适应值，所述适应值与订单配送代价正相关；
第一更新子模块4032，被配置为针对每一所述参数集，根据粒子群算法和所述每一参数集的适应值对该参数集进行更新。
所述装置通过在多个计算节点上对每一参数集的适应值进行并行运算，从而能够加快获取参数集的适应值的速度，进而能够减少获取目标参数集的时间。这样，针对新生成的订单，可以通过获取所述订单的特征信息，并通过派单模型，结合将所述参数集以及所述订单的特征信息来确定所述订单的派送时间，从而能够提升派单和配送的效率。
可选地，所述装置400还包括：
第一创建模块，被配置为建立每一数据资源的索引；
第二创建模块，被配置为建立所述参数集与所述数据资源的索引之间的对应关系；
所述第一确定子模块4031，包括：
第一获取子单元，被配置为针对每一计算节点上的每一参数集，通过该参数集对应的索引获取该参数集所需的数据资源；
第一确定子单元，被配置为根据获取到的所述数据资源确定所述参数集的适应值。
可选地，所述多个计算节点包括主计算节点以及多个从计算节点，所述装置400还包括：
第二确定模块，被配置为确定参数集的共通数据资源以及独立数据资源集，其中，所述共通数据资源是每一参数集在确定该参数集的适应值时所需要的数据资源的交集，所述独立数据资源集是每一参数集在确定该参数集的适应值时所需要的数据资源中，非所述共通数据资源的独立数据资源的集合；
第三创建模块，被配置为建立每一独立数据资源的索引；
第四创建模块，被配置为建立每一参数集与确定该参数集的适应值所需的独立数据资源的索引之间的对应关系；
所述第一确定子模块402，包括：
第二获取子单元，被配置为针对每一从计算节点上的每一参数集，通过对应的索引获取该参数集所需的独立数据资源；
第二确定子单元，被配置为根据所述独立数据资源以及该从计算节点中存储的共通数据资源确定所述参数集的适应值。
可选的，所述独立数据资源集包括各区域的历史订单信息、各所述区域的商家信息、各所述区域的用户密度、各所述区域的平均派单时间中的至少一者；
所述共通数据资源包括总区域的历史订单密度信息、所述总区域的历史接单率、所述总区域的历史配送准时率中的至少一者，其中，所述总区域包括各所述区域。
可选地，所述多个计算节点采用spark架构，包括主计算节点以及多个从计算节点，所述第一确定模块包括：
复制子模块，被配置为复制所述从节点上的参数集以及对应每一参数集的适应值至所述主计算节点；
第二更新子模块，被配置为在所述主计算节点通过粒子群算法对所述复制的参数集进行更新；
第三更新子模块，被配置为根据更新后的所述复制的参数集对各从节点上的参数集进行更新；
释放子模块，被配置为释放所述复制的参数集以及对应每一参数集的适应值。
可选地，所述目标参数集包括多个区域的目标参数集，所述第一确定模块402包括：
第二确定子模块，被配置为确定新生成的所述订单的区域；
第三确定子模块，被配置为根据所述特征信息以及对应所述区域的目标参数集通过派单模型确定所述订单的派单时间。
可选地，所述多个参数集包括多个区域的参数集，其中，同一区域的参数集中各参数的初始值相同。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
此外值得注意的是，为描述的方便和简洁，说明书中所描述的实施例均属于优选实施例，其所涉及的部分并不一定是本发明所必须的，例如，所述第一确定模块402以及第二确定模块，在具体实施时可以是相互独立的装置也可以是同一个装置。又例如，所述第一创建模块与第二创建模块在具体实施时可以是独立的装置也可以是同一个装置，本公开对此不作限定。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例中所述派单方法的步骤。
本公开还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述任一实施例中所述派单方法的步骤。
图5是根据一示例性实施例示出的一种电子设备500的框图。例如，电子设备500可以被提供为一服务器。参照图5，电子设备500包括处理器522，其数量可以为一个或多个，以及存储器532，用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器522可以被配置为执行该计算机程序，以执行上述的派单方法。
另外，电子设备500还可以包括电源组件526和通信组件550，该电源组件526可以被配置为执行电子设备500的电源管理，该通信组件550可以被配置为实现电子设备500的通信，例如，有线或无线通信。此外，该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的派单方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器532，上述程序指令可由电子设备500的处理器522执行以完成上述的派单方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的派单方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (9)

1.一种派单方法，其特征在于，包括：
获取新生成的订单的特征信息，所述订单的特征信息包括以下特征的一个或多个：订单的起送地信息、配送地信息、金额信息、订单商品信息；
根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间，所述目标参数集包括所述派单模型中各变量的取值，所述目标参数集包括多个区域的目标参数集，所述根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间包括：
确定新生成的所述订单的区域；
根据所述特征信息以及对应所述区域的目标参数集通过派单模型确定所述订单的派单时间；
其中，所述目标参数集是通过迭代执行如下步骤直至满足预设条件得到的：
通过多个计算节点并行确定多个参数集中的每一参数集的适应值，所述适应值与订单配送代价正相关；
针对每一所述参数集，根据粒子群算法和所述每一参数集的适应值对该参数集进行更新。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
建立每一数据资源的索引，并建立所述参数集与所述数据资源的索引之间的对应关系；
所述通过多个计算节点并行确定多个参数集中的每一参数集的适应值，包括：
针对每一计算节点上的每一参数集，通过该参数集对应的索引获取该参数集所需的数据资源；
根据获取到的所述数据资源确定所述参数集的适应值。
3.根据权利要求1所述的方法，其特征在于，所述多个计算节点包括主计算节点以及多个从计算节点，所述方法还包括：
确定参数集的共通数据资源以及独立数据资源集，其中，所述共通数据资源是每一参数集在确定该参数集的适应值时所需要的数据资源的交集，所述独立数据资源集是每一参数集在确定该参数集的适应值时所需要的数据资源中，非所述共通数据资源的独立数据资源的集合；
建立每一独立数据资源的索引，并建立每一参数集与确定该参数集的适应值所需的独立数据资源的索引之间的对应关系；
所述通过多个计算节点并行确定多个参数集中的每一参数集的适应值，包括：
针对每一从计算节点上的每一参数集，通过对应的索引获取该参数集所需的独立数据资源；
根据所述独立数据资源以及该从计算节点中存储的共通数据资源确定所述参数集的适应值。
4.根据权利要求3所述的方法，其特征在于，所述独立数据资源集包括各区域的历史订单信息、各所述区域的商家信息、各所述区域的用户密度、各所述区域的平均派单时间中的至少一者；
所述共通数据资源包括总区域的历史订单密度信息、所述总区域的历史接单率、所述总区域的历史配送准时率中的至少一者，其中，所述总区域包括各所述区域。
5.根据权利要求1所述的方法，其特征在于，所述多个计算节点采用spark架构，包括主计算节点以及多个从计算节点，所述根据粒子群算法和所述每一参数集的适应值对该参数集进行更新包括：
复制从节点上的参数集以及对应每一参数集的适应值至所述主计算节点；
在所述主计算节点通过粒子群算法对复制的参数集进行更新；
根据更新后的所述复制的参数集对各从节点上的参数集进行更新；
释放所述复制的参数集以及对应每一参数集的适应值。
6.根据权利要求1所述的方法，其特征在于，所述多个参数集包括多个区域的参数集，其中，同一区域的参数集中各参数的初始值相同。
7.一种派单装置，其特征在于，包括：
获取模块，被配置为获取新生成的订单的特征信息，所述订单的特征信息包括以下特征的一个或多个：订单的起送地信息、配送地信息、金额信息、订单商品信息；
第一确定模块，被配置为根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间，所述目标参数集包括所述派单模型中各变量的取值，所述目标参数集包括多个区域的目标参数集，所述根据所述特征信息以及目标参数集通过派单模型确定所述订单的派单时间包括：
确定新生成的所述订单的区域；
根据所述特征信息以及对应所述区域的目标参数集通过派单模型确定所述订单的派单时间；
其中，所述目标参数集是通过执行模块迭代执行如下步骤直至满足预设条件得到的，所述执行模块包括：
第一确定子模块，被配置为通过多个计算节点并行确定多个参数集中的每一参数集的适应值，所述适应值与订单配送代价正相关；
第一更新子模块，被配置为针对每一所述参数集，根据粒子群算法和所述每一参数集的适应值对该参数集进行更新。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
CN202010062786.5A 2020-01-19 2020-01-19 派单方法、装置、存储介质及电子设备 Active CN113139764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010062786.5A CN113139764B (zh) 2020-01-19 2020-01-19 派单方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010062786.5A CN113139764B (zh) 2020-01-19 2020-01-19 派单方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113139764A CN113139764A (zh) 2021-07-20
CN113139764B true CN113139764B (zh) 2023-04-14

Family

ID=76809063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010062786.5A Active CN113139764B (zh) 2020-01-19 2020-01-19 派单方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113139764B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118365319B (zh) * 2024-06-19 2024-09-24 浙江虎哥废物管理有限公司 回收订单管理方法、系统与存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636217A (zh) * 2018-12-19 2019-04-16 拉扎斯网络科技（上海）有限公司 一种订单调度方法、装置、电子设备和存储介质
CN110472910A (zh) * 2019-07-22 2019-11-19 北京三快在线科技有限公司 确定目标配送任务节点的方法、装置及存储介质、电子设备
CN110570001A (zh) * 2019-08-09 2019-12-13 南京领行科技股份有限公司 一种出行订单处理方法、装置及服务器
CN110570003A (zh) * 2019-08-20 2019-12-13 南京领行科技股份有限公司 一种基于空闲行程车辆的预约出行订单的派单方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165618A1 (en) * 2016-12-14 2018-06-14 Microsoft Technology Licensing, Llc Resource scheduling for field services

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636217A (zh) * 2018-12-19 2019-04-16 拉扎斯网络科技（上海）有限公司 一种订单调度方法、装置、电子设备和存储介质
CN110472910A (zh) * 2019-07-22 2019-11-19 北京三快在线科技有限公司 确定目标配送任务节点的方法、装置及存储介质、电子设备
CN110570001A (zh) * 2019-08-09 2019-12-13 南京领行科技股份有限公司 一种出行订单处理方法、装置及服务器
CN110570003A (zh) * 2019-08-20 2019-12-13 南京领行科技股份有限公司 一种基于空闲行程车辆的预约出行订单的派单方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于云计算的冷链物流配送车辆路径优化方法研究;刘镇;《电子设计工程》;第21卷(第17期);全文 *

Also Published As

Publication number Publication date
CN113139764A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
Abd Latiff A checkpointed league championship algorithm-based cloud scheduling scheme with secure fault tolerance responsiveness
JP6380110B2 (ja) リソース制御システム、制御パターン生成装置、制御装置、リソース制御方法及びプログラム
CN109343942B (zh) 基于边缘计算网络的任务调度方法
Mechalikh et al. PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments
CN113095512A (zh) 联邦学习建模优化方法、设备、介质及计算机程序产品
CN109447276B (zh) 一种机器学习系统、设备及应用方法
CN107729138B (zh) 一种高性能分布式矢量空间数据的分析方法和装置
CN113268341A (zh) 电网边缘计算任务的分配方法、装置、设备和存储介质
CN115134371A (zh) 包含边缘网络算力资源的调度方法、系统、设备及介质
CN105407162A (zh) 一种基于SLA服务等级的云计算Web应用资源负载均衡算法
CN112312299A (zh) 服务卸载方法、装置及系统
CN113139764B (zh) 派单方法、装置、存储介质及电子设备
CN114567560B (zh) 基于生成对抗模仿学习的边缘节点动态资源分配方法
CN115357351A (zh) 算力网络调度方法、装置、系统、设备及介质
CN113708982B (zh) 一种基于群体学习的服务功能链部署方法及系统
Deniziak et al. Cost optimization of real-time cloud applications using developmental genetic programming
CN105139069A (zh) 一种基于粒子群算法改进合同网的方法
CN116989819B (zh) 一种基于模型解的路径确定方法及装置
Hashemi et al. Gwo-sa: Gray wolf optimization algorithm for service activation management in fog computing
CN108289115B (zh) 一种信息处理方法及系统
CN113347249A (zh) 一种作业加载方法、装置及设备
CN110727511B (zh) 应用程序的控制方法、网络侧设备和计算机可读存储介质
CN104735134B (zh) 一种用于提供计算服务的方法和装置
Liu et al. An integrated optimization method to task scheduling and VM placement for green datacenters
CN109889393A (zh) 一种地理分布式图处理方法和系统

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