CN113408783A - 异常订单处理方法、装置、电子设备及存储介质 - Google Patents
异常订单处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113408783A CN113408783A CN202110519682.7A CN202110519682A CN113408783A CN 113408783 A CN113408783 A CN 113408783A CN 202110519682 A CN202110519682 A CN 202110519682A CN 113408783 A CN113408783 A CN 113408783A
- Authority
- CN
- China
- Prior art keywords
- order
- time
- identified
- merchant
- information
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 84
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000002360 preparation method Methods 0.000 claims abstract description 64
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 4
- 235000012054 meals Nutrition 0.000 description 15
- 235000021186 dishes Nutrition 0.000 description 9
- 230000002035 prolonged effect Effects 0.000 description 4
- 238000010411 cooking Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种异常订单处理方法、装置、电子设备及存储介质,该方法包括:获取待识别订单的识别特征,所述识别特征是影响订单准备时间的特征;根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率;根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间;根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度。本申请实施例实现了准确预估异常订单和异常订单对应的目标延长时间,从而进行合理的配送调度,可以降低骑手等待时间,提升配送效率。
Description
技术领域
本申请实施例涉及互联网技术领域,特别是涉及一种异常订单处理方法、装置、电子设备及存储介质。
背景技术
在外卖领域中,经常会遇到商家出餐慢而骑手到店早的情况,这种情况会影响骑手的配送效率,现有技术中通过对订单出餐时间的预估,能够对于骑手到店有一定的指导作用。
但是,商家在实际出餐的过程中,可能存在一些异常的扰动,这些扰动包含突然有大额订单进入、较多菜品订单进入等,这些扰动会造成对出餐时间的预估变的不准确,而且出餐时间的预估只能对当前订单做出响应,没有考虑到对后续订单的影响,会造成骑手等待时间较长,影响配送效率。
发明内容
本申请实施例提供一种异常订单处理方法、装置、电子设备及存储介质,有助于降低骑手等待时间,提高配送效率。
为了解决上述问题,第一方面,本申请实施例提供了一种异常订单处理方法,包括:
获取待识别订单的识别特征,所述识别特征是影响订单准备时间的特征;
根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率;
根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间;
根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度。
第二方面,本申请实施例提供了一种异常订单处理装置,包括:
识别特征获取模块,用于获取待识别订单的识别特征,所述识别特征是影响订单准备时间的特征;
概率预测模块,用于根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率;
延长时间确定模块,用于根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间;
配送调度模块,用于根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度。
第三方面,本申请实施例还提供了一种电子设备,包括存储器、处理器及存储在所述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计算机程序时实现本申请实施例所述的异常订单处理方法。
第四方面,本申请实施例提供了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本申请实施例公开的异常订单处理方法的步骤。
本申请实施例提供的异常订单处理方法、装置、电子设备及存储介质,通过获取待识别订单的识别特征,根据识别特征通过分类模型确定待识别订单为异常订单的概率,根据所述概率确定待识别订单和待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间,根据目标延长时间,对待识别订单和第一预设时间内订单进行配送调度,实现了准确预估异常订单和异常订单对应的目标延长时间,从而进行合理的配送调度,可以降低骑手等待时间,提升配送效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一的异常订单处理方法的流程图;
图2是本申请实施例二的异常订单处理装置的结构示意图;
图3是本申请实施例三的电子设备的结构示意图。
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作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。
实施例一
本实施例提供的一种异常订单处理方法,如图1所示,该方法包括:步骤110至步骤140。
步骤110,获取待识别订单的识别特征,所述识别特征是影响订单准备时间的特征。
本申请实施例要识别的异常订单为实际的订单准备时间较长的订单,在外卖领域可以包括大额订单和/或较多菜品订单等,在接收到这种订单时,商家产能无法满足该订单瞬时的高需求,会出现订单卡顿的情况,因此在外卖领域这种订单也称为卡餐订单。这种异常订单的典型特点是,订单额度较大、或者订单含有较多的菜品,当前订单会出现订单准备时间延长,且对后续订单准备时间产生影响,造成后续订单准备时间延长。所述订单准备时间是指商家承诺的对订单中物品的准备时间,对于即时配送,所述订单准备时间是指导骑手到店时刻的重要信息。在外卖领域,订单准备时间也就是承诺出餐时间,是与外卖平台签署服务协议的商家所承诺的出餐时间,订单准备时间延长也就是出餐延迟,即实际出餐时间大于承诺出餐时间。
在需要识别待识别订单是否为异常订单时,需要获取待识别订单的识别特征,可以根据预先设置的影响订单准备时间的因素,来获取待识别订单的识别特征。所述待识别订单可以是商家端上报的异常订单,或者也可以是所有的订单。
在本申请的一个实施例中,所述获取待识别订单的识别特征,包括:获取所述待识别订单对应的商家属性信息、商家产能信息和订单属性信息;将所述商家属性信息、商家产能信息和订单属性信息编码为所述识别特征。
其中,所述商家属性信息包括:商家规模信息、商家经营特点、商家所处城市分级、商家分级和商家类型中的至少一种;
所述商家产能信息包括:商家历史高峰时间段订单信息、商家历史平峰时间段订单信息、所述待识别订单历史时间片内订单信息、所述待识别订单之前第二预设时间内订单信息,以及商家线下和线上交易信息比值中的至少一种;
所述订单属性信息包括:订单菜品标签、价格归一化信息、菜品归一化信息和订单菜品价格分段信息中的至少一种。
导致订单准备时间延长的因素主要包括:商家属性信息、商家产能信息和订单属性信息。商家属性信息包括商家规模信息、商家经营特点、商家所处城市分级、商家分级和商家类型中的至少一种。商家规模信息可以包括商家单量在同城市同品类的排名和商家单量的归一化值。商家经营特点和商家位置有关,例如商家位于写字楼或商场时,商家经营特点是周末和工作日的变化较大,这时商家经营特点可以通过商家工作日日均单量与商家周末日均单量之比来进行指标的刻画。商家所处城市分级,是商家所处的城市的分级,如商家所处的城市为北京时,商家所处城市分级为一级。商家分级是商家的分级,如商家为大型商家、中型商家或小型商家等的分级。商家类型是指商家的类型,可以包括连锁商家或城市商家等。
所述商家产能信息包括:商家历史高峰时间段订单信息、商家历史平峰时间段订单信息、所述待识别订单历史时间片内订单信息、所述待识别订单之前第二预设时间内订单信息,以及商家线下和线上交易信息比值中的至少一种。商家历史高峰时间段订单信息是商家在历史上的高峰时间段(如午餐时间段和/或晚餐时间段)内的订单信息,包括:一段时间内(如一个月内)在高峰时间段的接单量、一段时间内商家被骑手取走的订单量、骑手等待时长、实际的订单准备时间(如出餐时长)、超时率等,超时率是一段时间内实际的订单准备时间超过承诺的订单准备时间的订单在该时间段内的概率。商家历史平峰时间段订单信息是商家在历史上的平峰时间段(如午餐时间段和晚餐时间段以外的时间段)内的订单信息,包括:一段时间内在平峰时间段的接单量、骑手等待时长、实际的订单准备时间(如出餐时长)、超时率等。时间片是将一天24小时平均划分为多个时间片后每个时间片具有具体的时刻和时间长度,时间片包括预先设置的一个时间片段的长度,例如每10分钟一个时间片,所述待识别订单历史时间片内订单信息包括在一段时间内该时间片的订单量、交易额、订单均价、接单数、骑手取走的订单量、实际的订单准备时间等。第二预设时间一般是预设的分钟数,如10分钟、5分钟等,所述待识别订单之前第二预设时间内订单信息包括待识别订单之前N分钟内的订单量、交易额、订单均价、接单数、骑手取走的订单量、实际的订单准备时间等。商家线下和线上交易信息比值包括历史上一段时间内商家线下交易额与线上交易额比值、和/或历史上一段时间内商家线下订单立量与线上订单量比值等。
所述订单属性信息包括:订单菜品标签、价格归一化信息、菜品归一化信息和订单菜品价格分段信息中的至少一种。订单菜品标签主要反映订单中的餐品能否预制,出餐效率是否受量的影响,可以包括烹饪方法、商品品类等,所述烹饪方法可以包括红烧、煮、炒等,所述商品品类可以包括包子、香锅、饭团等。价格归一化信息是根据历史一段时间内的订单价格对待识别订单的价格进行归一化得到信息。菜品归一化信息是根据历史一段时间内的订单内餐品信息对待识别订单的菜品进行归一化得到的信息。订单菜品价格分段信息是指待识别订单中的菜品价格所处的菜品价格分段,所述菜品价格分段是预先设置的菜品价格的分段,如10元到20元之间,20元到30元之间,30元以上等。
在获取到待识别订单对应的商家属性信息、商家产能信息和订单属性信息后,按照相应信息的编码方式,分别对商家属性信息、商家产能信息和订单属性信息进行编码,得到待识别订单的识别特征。获取到的识别特征能够很好的反映对订单准备时间的影响,以便于能够很好的对待识别订单进行分类,得到待识别订单为异常订单的准确概率。
步骤120,根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率。
在获取到待识别订单的识别特征后,将识别特征输入分类模型,通过分类模型对识别特征的处理,得到待识别订单为异常订单的概率。所述分类模型可以是神经网络模型。
步骤130,根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间。
可以预先设置概率和订单准备时间的延长时间的对应关系,在通过分类模型确定待识别订单为异常订单的概率后,查询所述对应关系,得到待识别订单和待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间。在确定目标延长时间后,可以在商家承诺的订单准备时间的基础上延长所述目标延长时间,作为待识别订单和待识别订单之后第一预设时间内接收到的所有订单的订单准备时间。其中,第一预设时间是分钟级的时间,例如可以为10分钟、15分钟等。
在本申请的一个实施例中,根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间,包括:根据所述概率和预先设置的概率范围和延长时间档位的对应关系,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间。
可以预先设置多个延长时间档位,并设置每个延长时间档位对应的概率范围,从而在识别得到待识别订单为异常订单的概率后,确定所述概率所处的概率范围,并从概率范围和延长时间档位的对应关系中获取所确定的概率范围对应的延长时间档位,将该延长时间档位作为待识别订单和待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间。其中,所述概率范围中的概率均大于或等于概率阈值,例如概率阈值为70%,可以包括3个概率范围,即70%至80%,80%至90%,90%至100%,每个概率范围对应一个延长时间档位,例如延长时间档位可以分别为5分钟、8分钟、10分钟,概率范围“70%至80%”对应的延长时间档位为5分钟,概率范围“80%至90%”对应的延长时间档位为8分钟,概率范围90%至100%对应的延长时间档位为10分钟。延长时间档位可以对特定区域历史上异常订单在承诺的订单准备时间的基础上实际延长的时间进行统计得到,这样得到的延长时间档位更加合理。
通过根据预先设置的概率范围和延长时间档位的对应关系,来确定待识别订单和待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间,可以确定较为合理的目标延长时间,能够很好的用于指导配送调度,提高配送效率。
步骤140,根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度。
在确定待识别订单和待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间后,在订单准备时间的基础上延长所述目标延长时间作为商家承诺的所述第一预设时间内订单的订单准备时间,从而根据该延长后的订单准备时间,对待识别订单和待识别订单之后第一预设时间内接收到的订单进行配送调度。在根据延长后的订单准备时间,对待识别订单和待识别订单之后第一预设时间内接收到的订单进行配送调度时,可以根据延长后的订单准备时间预估待识别订单和待识别订单之后第一预设时间内接收到的订单的配送时间,从而根据预估到的配送时间,对已经分派了骑手的订单进行订单改派,来影响骑手到店时间,避免骑手在商家内等待较长时间。
本申请实施例提供的异常订单处理方法,通过获取待识别订单的识别特征,根据识别特征通过分类模型确定待识别订单为异常订单的概率,根据所述概率确定待识别订单和待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间,根据目标延长时间,对待识别订单和第一预设时间内订单进行配送调度,实现了准确预估异常订单和异常订单对应的目标延长时间,从而进行合理的配送调度,可以降低骑手等待时间,提升配送效率。
在上述技术方案的基础上,在所述确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间之后,还包括:将所述目标延长时间作为所述延长时间档位中的默认选中时间档位,并将所述延长时间档位发送至所述待识别订单的商家端,以使得所述商家端显示所述延长时间档位,并获取商家的选中时间档位;接收所述商家端发送的选中时间档位;
根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度,包括:根据所述选中时间档位,对所述待识别订单和所述第一预设时间内订单进行配送调度。
由于目标延长时间为预先设置的多个延长时间档位中的一个延长时间档位,从而将目标延长时间作为所述延长时间档位中的默认选中时间档位,并将包括默认选中时间档位的多个延长时间档位发送至商家端,以使得商家端提醒待识别订单的订单准备时间可以延长,商家端接收到所述多个延长时间档位后,显示所述多个延长时间档位,并默认选中所述目标延长时间所处的延长时间档位,获取商家选中的时间档位,得到选中时间档位,商家可以直接选择所述默认选中时间档位,也可以改选其他延长时间档位,商家端获取到选中时间档位后,将选中时间档位发送至后台服务器,后台服务器可以接收到商家端发送的选中时间档位,从而根据所述选中时间档位来对待识别订单和待识别订单之后第一预设时间内订单进行配送调度。通过向商家端推送多个延长时间档位,可以使得商家根据自身情况选中合适的延长时间档位,从而更加合理的指导后续的配送调度,以进一步提升配送效率。
在上述技术方案的基础上,还包括:根据所述待识别订单的订单金额和菜品数量,确定所述待识别订单对应的异常场景;
将所述延长时间档位发送至所述待识别订单的商家端,包括:根据所述异常场景,生成包括所述延长时间档位的提示信息,并将所述提示信息发送至所述待识别订单的商家端。
其中,所述异常场景可以包括大额场景或多菜品场景。
获取所述待识别订单的商家在历史统计周期内(如历史一月内)的订单均价(如果所述商家的订单均价无法获得,则使用所述商家同城市同品类的订单均价),确定所述订单金额与所述订单均价的比值,将该比值作为订单金额比值,如果所述订单金额比值大于或等于预设比值阈值,则确定所述待识别订单的异常场景为大额场景。将所述待识别订单的菜品进行去重,并去除包装和赠品等,统计得到菜品数量,如果菜品数量大于或等于预设数量阈值,则确定所述待识别订单的异常场景为多菜品场景。
不同异常场景对应的提示信息的文案不同,从而在得到待识别订单的异常场景后,可以获取与该异常场景对应的提示信息文案,并生成包括所述延长时间档位的提示信息,将提示信息发送至待识别订单的商家端,商家端在检测到对所述提示信息的操作指令时,显示多个延长时间档位,并默认选中目标延长时间对应的延长时间档位。
例如,待识别订单为异常订单的概率大于或等于第一概率阈值且订单金额比值大于等于预设比值阈值,则将待识别订单划分至大额场景进行推送;待识别订单为异常订单的概率大于或等于第一概率阈值且订单菜品数量大于或等于预设数量阈值,则将待识别订单划分至多菜品场景进行推送。根据预测概率的高低,为商家推荐的应该将订单准备时间延长X分钟,比如推荐延长订单准备时间,可以分为三档,5分钟、8分钟、10分钟,其中预测得到的概率大于等于所述第一概率阈值且小于第二概率阈值,默认选中5分钟档位,预测得到的概率大于等于第二概率阈值且小于第三概率阈值,默认选中8分钟档位,预测得到的概率大于等于第三概率阈值,默认选中10分钟档位。
通过根据待识别订单的异常场景来生成与异常场景对应的提示信息,使得商家可以明确的了解到异常订单的异常情况。
在上述技术方案的基础上,在根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率之前,还包括:确定满足预设条件的历史订单为异常订单的正样本,确定不满足所述预设条件的历史订单为异常订单的负样本;根据所述正样本和所述负样本对所述分类模型进行训练,得到训练完成的分类模型。
其中,所述预设条件为当前历史订单及之后第三预设时间内的至少一个历史订单所对应的订单准备时间的平均延迟时间大于第四预设时间。所述第三预设时间可以大于第四预设时间,且都是分钟级的数据,例如,第三预设时间为10分钟,第四预设时间为5分钟,所述预设条件为当前历史订单及之后10分钟内历史订单的平均延迟时间大于5分钟。
在标注样本时,异常订单的识别不同于出餐时间的预估,能够有出餐时间或骑手取餐时间直接作为训练的标注值,异常订单识别的标注值需要基于数据分析和业务特点做调整,通过对线上时间进行分析发现,异常订单一般会对其后第一预设时间(如10分钟)内的订单造成影响,表现是骑手等餐超时率更高,严重超时率更高。从而可以从历史数据中选取含有承诺的订单准备时间而且使用平台自由配送的历史订单,并从这些历史订单中获取满足预设条件的历史订单和不满足预设条件的历史订单,将满足预设条件的历史订单确定为正样本,将不满足预设条件的历史订单确定为负样本。在无法获取到商家的实际的订单准备时间时,可以使用骑手的取货时间替代。
在得到标注的正样本和负样本后,分别获取每个样本的识别特征,并将样本的识别特征输入分类模型,基于样本的标注值对分类模型的网络参数进行调整,直至分类模型训练完成。
通过将满足预设条件的历史订单确定为异常订单的正样本,将其他历史订单确定为异常订单的负样本,实现了对样本数据的自动标注。
实施例二
本实施例提供的一种异常订单处理装置,如图2所示,所述异常订单处理装置200包括:
识别特征获取模块210,用于获取待识别订单的识别特征,所述识别特征是影响订单准备时间的特征;
概率预测模块220,用于根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率;
延长时间确定模块230,用于根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间;
配送调度模块240,用于根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度。
可选的,所述延长时间确定模块具体用于:
根据所述概率和预先设置的概率范围和延长时间档位的对应关系,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间。
可选的,所述装置还包括:
时间档位发送模块,用于将所述目标延长时间作为所述延长时间档位中的默认选中时间档位,并将所述延长时间档位发送至所述待识别订单的商家端,以使得所述商家端显示所述延长时间档位,并获取商家的选中时间档位;
选中档位接收模块,用于接收所述商家端发送的选中时间档位;
所述配送调度模块具体用于:
根据所述选中时间档位,对所述待识别订单和所述第一预设时间内订单进行配送调度。
可选的,所述装置还包括:
异常场景确定模块,用于根据所述待识别订单的订单金额和菜品数量,确定所述待识别订单对应的异常场景;
所述时间档位发送模块包括:
提示信息发送单元,用于根据所述异常场景,生成包括所述延长时间档位的提示信息,并将所述提示信息发送至所述待识别订单的商家端。
可选的,所述识别特征获取模块包括:
信息获取模块,用于获取所述待识别订单对应的商家属性信息、商家产能信息和订单属性信息;
编码模块,用于将所述商家属性信息、商家产能信息和订单属性信息编码为所述识别特征。
可选的,所述商家属性信息包括:商家规模信息、商家经营特点、商家所处城市分级、商家分级和商家类型中的至少一种;
所述商家产能信息包括:商家历史高峰时间段订单信息、商家历史平峰时间段订单信息、所述待识别订单历史时间片内订单信息、所述待识别订单之前第二预设时间内订单信息,以及商家线下和线上交易信息比值中的至少一种;
所述订单属性信息包括:订单菜品标签、价格归一化信息、菜品归一化信息和订单菜品价格分段信息中的至少一种。
可选的,所述装置还包括:
样本标注模块,用于确定满足预设条件的历史订单为异常订单的正样本,确定不满足所述预设条件的历史订单为异常订单的负样本;
分类模型训练模块,用于根据所述正样本和所述负样本对所述分类模型进行训练,得到训练完成的分类模型。
可选的,所述预设条件为当前历史订单及之后第三预设时间内的至少一个历史订单所对应的订单准备时间的平均延迟时间大于第四预设时间。
本申请实施例提供的异常订单处理装置,用于实现本申请实施例一中所述的异常订单处理方法的各步骤,装置的各模块的具体实施方式参见相应步骤,此处不再赘述。
本申请实施例提供的异常订单处理装置,通过识别特征获取模块获取待识别订单的识别特征,概率预测模块根据识别特征通过分类模型确定待识别订单为异常订单的概率,延长时间确定模块根据所述概率确定待识别订单和待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间,配送调度模块根据目标延长时间,对待识别订单和第一预设时间内订单进行配送调度,实现了准确预估异常订单和异常订单对应的目标延长时间,从而进行合理的配送调度,可以降低骑手等待时间,提升配送效率。
实施例三
本申请实施例还提供了一种电子设备,如图3所示,该电子设备300可以包括一个或多个处理器310以及与处理器310连接的一个或多个存储器320。电子设备300还可以包括输入接口330和输出接口340,用于与另一装置或系统进行通信。被处理器310执行的程序代码可存储在存储器320中。
电子设备300中的处理器310调用存储在存储器320的程序代码,以执行上述实施例中的异常订单处理方法。
本申请实施例还提供了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如本申请实施例一所述的异常订单处理方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,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。
以上对本申请实施例提供的一种异常订单处理方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
Claims (11)
1.一种异常订单处理方法,其特征在于,包括:
获取待识别订单的识别特征,所述识别特征是影响订单准备时间的特征;
根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率;
根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间;
根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度。
2.根据权利要求1所述的方法,其特征在于,根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间,包括:
根据所述概率和预先设置的概率范围和延长时间档位的对应关系,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间。
3.根据权利要求2所述的方法,其特征在于,在所述确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间之后,还包括:
将所述目标延长时间作为所述延长时间档位中的默认选中时间档位,并将所述延长时间档位发送至所述待识别订单的商家端,以使得所述商家端显示所述延长时间档位,并获取商家的选中时间档位;
接收所述商家端发送的选中时间档位;
根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度,包括:
根据所述选中时间档位,对所述待识别订单和所述第一预设时间内订单进行配送调度。
4.根据权利要求3所述的方法,其特征在于,还包括:
根据所述待识别订单的订单金额和菜品数量,确定所述待识别订单对应的异常场景;
将所述延长时间档位发送至所述待识别订单的商家端,包括:
根据所述异常场景,生成包括所述延长时间档位的提示信息,并将所述提示信息发送至所述待识别订单的商家端。
5.根据权利要求1所述的方法,其特征在于,所述获取待识别订单的识别特征,包括:
获取所述待识别订单对应的商家属性信息、商家产能信息和订单属性信息;
将所述商家属性信息、商家产能信息和订单属性信息编码为所述识别特征。
6.根据权利要求5所述的方法,其特征在于,所述商家属性信息包括:商家规模信息、商家经营特点、商家所处城市分级、商家分级和商家类型中的至少一种;
所述商家产能信息包括:商家历史高峰时间段订单信息、商家历史平峰时间段订单信息、所述待识别订单历史时间片内订单信息、所述待识别订单之前第二预设时间内订单信息,以及商家线下和线上交易信息比值中的至少一种;
所述订单属性信息包括:订单菜品标签、价格归一化信息、菜品归一化信息和订单菜品价格分段信息中的至少一种。
7.根据权利要求1所述的方法,其特征在于,在根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率之前,还包括:
确定满足预设条件的历史订单为异常订单的正样本,确定不满足所述预设条件的历史订单为异常订单的负样本;
根据所述正样本和所述负样本对所述分类模型进行训练,得到训练完成的分类模型。
8.根据权利要求7所述的方法,其特征在于,所述预设条件为当前历史订单及之后第三预设时间内的至少一个历史订单所对应的订单准备时间的平均延迟时间大于第四预设时间。
9.一种异常订单处理装置,其特征在于,包括:
识别特征获取模块,用于获取待识别订单的识别特征,所述识别特征是影响订单准备时间的特征;
概率预测模块,用于根据所述识别特征,通过分类模型确定所述待识别订单为异常订单的概率;
延长时间确定模块,用于根据所述概率,确定所述待识别订单和所述待识别订单之后第一预设时间内订单的订单准备时间的目标延长时间;
配送调度模块,用于根据所述目标延长时间,对所述待识别订单和所述第一预设时间内订单进行配送调度。
10.一种电子设备,包括存储器、处理器及存储在所述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计算机程序时实现权利要求1至8任意一项所述的异常订单处理方法。
11.一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至8任意一项所述的异常订单处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519682.7A CN113408783A (zh) | 2021-05-12 | 2021-05-12 | 异常订单处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519682.7A CN113408783A (zh) | 2021-05-12 | 2021-05-12 | 异常订单处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113408783A true CN113408783A (zh) | 2021-09-17 |
Family
ID=77678520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110519682.7A Pending CN113408783A (zh) | 2021-05-12 | 2021-05-12 | 异常订单处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408783A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298799A (zh) * | 2022-03-10 | 2022-04-08 | 浙江口碑网络技术有限公司 | 订单信息的展示方法、装置、存储介质及计算机设备 |
-
2021
- 2021-05-12 CN CN202110519682.7A patent/CN113408783A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298799A (zh) * | 2022-03-10 | 2022-04-08 | 浙江口碑网络技术有限公司 | 订单信息的展示方法、装置、存储介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808314B (zh) | 用户推荐方法及装置 | |
CN107093091B (zh) | 一种数据处理方法和装置 | |
CN113627846A (zh) | 一种库存调整方法、装置、电子设备及计算机可读介质 | |
CN110874787A (zh) | 推荐模型的效果评测方法和相关装置 | |
CN115438821A (zh) | 一种智能排队方法和相关装置 | |
CN110930221A (zh) | 异常订单处理方法、存储介质及计算机设备 | |
CN108428153A (zh) | 预售商品的策略调整方法、服务器及策略调整系统 | |
CN110298707A (zh) | 一种用于资费套餐场景定价的方法及装置 | |
CN109446391A (zh) | 用户阅读行为分析方法、电子装置、计算机可读存储介质 | |
JP2012234367A (ja) | 情報提供システム、情報提供方法、プログラム及び情報記録媒体 | |
CN113408783A (zh) | 异常订单处理方法、装置、电子设备及存储介质 | |
CN111445263A (zh) | 信息处理方法、装置和计算机系统及介质 | |
CN110766512A (zh) | 订单处理方法、装置、电子设备及存储介质 | |
CN111768139B (zh) | 备货处理方法、装置、设备及存储介质 | |
CN112132690A (zh) | 外汇产品信息的推送方法、装置、计算机设备及存储介质 | |
CN112990968A (zh) | 分润系统及方法 | |
CN112330098A (zh) | Kol带货能力属性的智能化计算方法及装置 | |
CN110879752A (zh) | 资源分配方法、装置、可读存储介质和电子设备 | |
CN114596124B (zh) | 一种电子商城商品促销量数据处理方法、系统及电商平台 | |
CN108628861B (zh) | 用于推送信息的方法和装置 | |
CN113553500B (zh) | 商家信息推荐方法、装置、电子设备及存储介质 | |
CN117131183B (zh) | 一种基于会话模拟的客服自动回复方法及系统 | |
CN113837764B (zh) | 风险预警方法、装置、电子设备和存储介质 | |
CN110287418B (zh) | 数据处理及倾向特征值识别方法、装置、电子设备 | |
CN114693457A (zh) | 组合基金的收益计算方法及装置 |
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 |