CN114155050A - 用于提升订单被接单概率的方法、装置、介质及电子设备 - Google Patents
用于提升订单被接单概率的方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN114155050A CN114155050A CN202010832734.1A CN202010832734A CN114155050A CN 114155050 A CN114155050 A CN 114155050A CN 202010832734 A CN202010832734 A CN 202010832734A CN 114155050 A CN114155050 A CN 114155050A
- Authority
- CN
- China
- Prior art keywords
- tail
- probability threshold
- determining
- list
- 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.)
- Pending
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种用于提升订单被接单概率的方法、装置、介质及电子设备。方法包括:获取当前周期的尾单召回特征参数;根据尾单召回特征参数,确定当前周期的目标尾单概率阈值;获取当前周期内待生成订单的尾单概率;将尾单概率大于目标尾单概率阈值的待生成订单确定为潜在尾单;调整所述潜在尾单的配送参数,以提升所述潜在尾单被接单的概率。如此,可以自动确定出当前周期的目标尾单概率阈值,避免了相关技术中人为确定目标尾单概率阈值的弊端,提升了调整配送参数的效率。并且,由于是针对每一周期均确定目标尾单概率阈值,所确定的目标尾单概率阈值可以更好的满足当前周期内用户的需求,进而可以实现既能较好地抑制尾单,又不影响订单规模的目的。
Description
技术领域
本公开涉及互联网技术领域,具体地,涉及一种用于提升订单被接单概率的方法、装置、介质及电子设备。
背景技术
随着互联网的不断发展,用户可在配送平台通过终端进行在线下单,购买需要的物品或者预约车辆。在实际业务场景中,会出现一些长时间未被接单的订单,这样的订单称为尾单。以打车业务为例,长时间未被接单的叫车订单可以称为尾单;再以配送业务为例,长时间未被接单的配送订单也可以称为尾单。尾单的出现不仅会影响下单用户的体验,还会造成该业务场景下的接单率的降低。
针对尾单的调度,多是通过给予服务方(配送员、司机)额外的服务费,一方面激励服务方接单,另一方面抑制用户的下单量,从而实现减少尾单量的目的。然而,由于业务平台在生成订单的过程中无法预先确定待生成的订单最终是否会成为尾单,因此业务平台也就无法提前向用户收取尾单的额外服务费。而当某个订单最终成为尾单后,因为下订单时己经向用户收取过服务费,并且订单己经生效,业务平台无法再次向用户收取费用,只能由业务平台提供尾单的额外服务费。因此,需要在生成订单之前,需要评估该订单是否为尾单。相关技术中,在预估订单是否为尾单时,多是根据人为确定的尾单概率阈值,来界定待生成订单是否为尾单。
然而,由于相关技术中,通过是由人工根据经验确定固定的尾单概率阈值,该固定的尾单概率阈值仅在特殊场景下能够确保尾单量的抑制效果。并且,在使用时还需要对人为确定的尾单概率阈值进行观察,以确定根据该尾单概率阈值所确定的尾单量是否满足用户需求,从而导致效率较低。
发明内容
本公开的目的是提供一种用于提升订单被接单概率的方法、装置、介质及电子设备,以解决相关技术中存在的问题。
为了实现上述目的,本公开第一方面提供一种用于提升订单被接单概率的方法,包括:
获取当前周期的尾单召回特征参数,其中,所述尾单召回特征参数是基于所述当前周期之前的历史周期中未被接单的订单确定的;
根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值;
获取所述当前周期内待生成订单的尾单概率;
将所述尾单概率大于所述目标尾单概率阈值的待生成订单确定为潜在尾单;
调整所述潜在尾单的配送参数,以提升所述潜在尾单被接单的概率。
可选地,所述根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值,包括:
将所述尾单召回特征参数输入至尾单概率阈值确定模型,以获得所述当前周期的目标尾单概率阈值。
可选地,所述根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值,包括:
根据所述尾单召回特征参数,确定所述当前周期的尾单概率阈值的调整值;
将前一周期的目标尾单概率阈值和所述调整值之和,确定为所述当前周期的目标尾单概率阈值。
可选地,所述尾单召回特征参数包括尾单召回比例项特征参数、尾单召回积分项特征参数和尾单召回微分项特征参数中的至少一者;
其中,所述尾单召回比例项特征参数为第一累计尾单召回率误差,所述第一累计尾单召回率误差为所述当前周期之前的第一预设数量个历史周期累计的第一累计尾单召回率与预设的目标尾单召回率的差值;所述尾单召回积分项特征参数为所述当前周期之前的第二预设数量个历史周期和所述当前周期中每一周期的所述第一累计尾单召回率误差之和;所述尾单召回微分项特征参数为所述当前周期的所述第一累计尾单召回率误差与前一周期的所述第一累计尾单召回率误差之差。
可选地,所述根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值,包括:
根据所述尾单召回特征参数,确定所述当前周期的尾单概率阈值;
将所述尾单概率阈值和预设概率阈值中的最小者,确定为所述当前周期的目标尾单概率阈值。
可选地,所述尾单概率阈值确定模型通过以下方式得到:
获取预先设置的尾单概率阈值确定样本模型,所述尾单概率阈值确定样本模型包括至少一个预设模型参数;
获取每一所述预设模型参数各自对应的预设参数集合,其中,所述预设参数集合中包括预先设置的多个备选参数值;
根据所述备选参数值和所述尾单概率阈值确定样本模型,确定多个待训练尾单概率阈值确定模型;
获取第三预设数量个历史周期的尾单召回样本特征参数;
根据所述尾单召回样本特征参数和多个所述待训练尾单概率阈值确定模型,确定所述尾单概率阈值确定模型。
可选地,所述根据所述尾单召回样本特征参数和多个所述待训练尾单概率阈值确定模型,确定所述尾单概率阈值确定模型,包括:
针对每一待训练尾单概率阈值确定模型,均执行以下训练步骤:
将每一历史周期的所述尾单召回样本特征参数输入至所述待训练尾单概率阈值确定模型中,以得到每一所述待训练尾单概率阈值确定模型输出的每一所述历史周期的目标尾单概率阈值;
针对每一所述历史周期,根据所述历史周期的所述目标尾单概率阈值,确定所述历史周期的第二累计尾单召回率,其中,所述第二累计尾单召回率为所述历史周期之前的第四预设数量个历史周期累计的尾单召回率;
根据每一所述历史周期的所述第二累计尾单召回率,确定所述待训练尾单概率阈值确定模型的、所述第三预设数量个所述历史周期对应的评价指标参数;
判断是否满足训练终止条件;
在满足所述训练终止条件的情况下,将所述评价指标参数最优的所述待训练尾单概率阈值确定模型,确定为所述尾单概率阈值确定模型;以及
在未满足所述训练终止条件的情况下,将所述评价指标参数最优的所述待训练尾单概率阈值确定模型确定为最优尾单概率阈值确定模型,并根据所述最优尾单概率阈值确定模型对应的最优参数值,确定多个候选尾单概率阈值确定模型,以及,将所述候选尾单概率阈值确定模型确定为所述待训练尾单概率阈值确定模型,并重复执行上述训练步骤,直至满足所述训练终止条件。
可选地,所述根据所述最优尾单概率阈值确定模型对应的最优参数值,确定多个候选尾单概率阈值确定模型,包括:
根据所述最优尾单概率阈值确定模型对应的每一最优参数值,确定每一所述最优参数值对应的最优参数区间;
根据每一所述最优参数区间,生成每一所述最优参数值各自对应的最优参数集合;
将目标最优参数集合中的每一参数值与每个其他最优参数集合中每一参数值进行排列组合,得到多组候选参数组合,其中,所述目标最优参数集合为任意一个所述最优参数集合;
根据所述多组候选参数组合和所述最优尾单概率阈值确定模型,确定多个候选尾单概率阈值确定模型。
可选地,所述评价指标参数包括以下参数中的至少一个:所述第三预设数量个所述历史周期的第二累计尾单召回率误差的平均值、所述第三预设数量个所述历史周期的所述第二累计尾单召回率误差的标准差、以及在所述第三预设数量个所述历史周期中所述第二累计尾单召回率大于预设尾单召回率阈值的周期数与所述第三预设数量的比值,其中,所述第二累计尾单召回率误差为所述第二累计尾单召回率与预设的目标尾单召回率的差值。
本公开第二方面提供一种用于提升订单被接单概率的装置,包括:
第一获取模块,被配置成用于获取当前周期的尾单召回特征参数,其中,所述尾单召回特征参数是基于所述当前周期之前的历史周期中未被接单的订单确定的;
第一确定模块,被配置成用于根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值;
第二获取模块,被配置成用于获取所述当前周期内待生成订单的尾单概率;
第二确定模块,被配置成用于将所述尾单概率大于所述目标尾单概率阈值的待生成订单确定为潜在尾单;
调整模块,被配置成用于调整所述潜在尾单的配送参数,以提升所述潜在尾单被接单的概率。
可选地,所述第一确定模块被配置成用于:将所述尾单召回特征参数输入至尾单概率阈值确定模型,以获得所述当前周期的目标尾单概率阈值。
可选地,所述第一确定模块被配置成用于:根据所述尾单召回特征参数,确定所述当前周期的尾单概率阈值的调整值;将前一周期的目标尾单概率阈值和所述调整值之和,确定为所述当前周期的目标尾单概率阈值。
可选地,所述第一确定模块被配置成用于:根据所述尾单召回特征参数,确定所述当前周期的尾单概率阈值;将所述尾单概率阈值和预设概率阈值中的最小者,确定为所述当前周期的目标尾单概率阈值。
可选地,所述装置还包括:
第三获取模块,被配置成用于获取预先设置的尾单概率阈值确定样本模型,所述尾单概率阈值确定样本模型包括至少一个预设模型参数;
第四获取模块,被配置成用于获取每一所述预设模型参数各自对应的预设参数集合,其中,所述预设参数集合中包括预先设置的多个备选参数值;
第三确定模块,被配置成用于根据所述备选参数值和所述尾单概率阈值确定样本模型,确定多个待训练尾单概率阈值确定模型;
第五获取模块,被配置成用于获取第三预设数量个历史周期的尾单召回样本特征参数;
第四确定模块,被配置成用于根据所述尾单召回样本特征参数和多个所述待训练尾单概率阈值确定模型,确定所述尾单概率阈值确定模型。
可选地,所述第四确定模块包括:
第一执行子模块,被配置成用于针对每一待训练尾单概率阈值确定模型,均执行以下训练步骤:将每一历史周期的所述尾单召回样本特征参数输入至所述待训练尾单概率阈值确定模型中,以得到每一所述待训练尾单概率阈值确定模型输出的每一所述历史周期的目标尾单概率阈值;针对每一所述历史周期,根据所述历史周期的所述目标尾单概率阈值,确定所述历史周期的第二累计尾单召回率,其中,所述第二累计尾单召回率为所述历史周期之前的第四预设数量个历史周期累计的尾单召回率;根据每一所述历史周期的所述第二累计尾单召回率,确定所述待训练尾单概率阈值确定模型的、所述第三预设数量个所述历史周期对应的评价指标参数;
判断子模块,被配置成用于判断是否满足训练终止条件;
第一确定子模块,被配置成用于在满足所述训练终止条件的情况下,将所述评价指标参数最优的所述待训练尾单概率阈值确定模型,确定为所述尾单概率阈值确定模型;以及
第二确定子模块,被配置成用于在未满足所述训练终止条件的情况下,将所述评价指标参数最优的所述待训练尾单概率阈值确定模型确定为最优尾单概率阈值确定模型,并根据所述最优尾单概率阈值确定模型对应的最优参数值,确定多个候选尾单概率阈值确定模型,以及,将所述候选尾单概率阈值确定模型确定为所述待训练尾单概率阈值确定模型,并重复执行上述训练步骤,直至满足所述训练终止条件。
可选地,所述第二确定子模块被配置成用于:根据所述最优尾单概率阈值确定模型对应的每一最优参数值,确定每一所述最优参数值对应的最优参数区间;根据每一所述最优参数区间,生成每一所述最优参数值各自对应的最优参数集合;将目标最优参数集合中的每一参数值与每个其他最优参数集合中每一参数值进行排列组合,得到多组候选参数组合,其中,所述目标最优参数集合为任意一个所述最优参数集合;根据所述多组候选参数组合和所述最优尾单概率阈值确定模型,确定多个候选尾单概率阈值确定模型。
本公开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本公开第一方面所提供的所述方法的步骤。
本公开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,以实现本公开第一方面所提供所述方法的步骤。
通过上述技术方案,根据尾单召回特征参数,即可自动确定出当前周期的目标尾单概率阈值,避免了相关技术中人为确定目标尾单概率阈值的弊端,提升了调整配送参数的效率。并且,由于是针对每一周期均确定一目标尾单概率阈值,所确定的目标尾单概率阈值可以更好的满足当前周期内用户的需求,如此,可以实现既能较好地抑制尾单,又不影响订单规模的目的。
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是根据一示例性实施例示出的一种用于提升订单被接单概率的方法的流程图。
图2是根据一示例性实施例示出的一种确定尾单概率阈值确定模型方法的流程图。
图3是根据一示例性实施例示出的一种确定目标尾单概率阈值方法的流程图。
图4是根据一示例性实施例示出的一种用于提升订单被接单概率的装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
如背景技术中所述,相关技术中多是通过人工输入一固定的尾单概率阈值,之后,根据尾单预测模型输出的待生成订单的尾单概率和该尾单概率阈值,预测该待生成订单是否为尾单。例如,将尾单概率大于尾单概率阈值的该待生成订单预测为尾单。采用该方法存在以下问题:
1、由于尾单概率阈值是依经验设定的,在实际使用时,还需对尾单概率阈值进行验证,以确定尾单召回率和尾单准确率是否符合要求,若不符合要求,则需调整尾单概率阈值,直到满足要求为止。一方面,尾单概率阈值依赖于人工经验,无法保证尾单抑制效果。并且不同场景(例如,不同地域环境,不同季节场景)所需要的尾单召回率和尾单准确率均不相同,因此,针对不同场景均需要人工确定尾单概率阈值并调整,工作量较大,效率较低。
2、通常情况下,在春节,尾单预测模型输出的尾单概率大于尾单概率阈值的待生成订单的数量较少,尾单召回也较少,对订单的服务费调整比例较低,如此,尾单抑制效果就较弱,订单规模保持稳定,为了提高尾单召回,此时需要降低尾单概率阈值;而在冬季,尾单预测模型输出的尾单概率大于尾单概率阈值的待生成订单的数量较多,尾单召回也较多,对订单的服务费调整比例较高,会抑制用户下单,从而导致订单规模的损失,此时需要提高尾单概率阈值。因此不同场景,需要不同的尾单概率阈值才能既较好的抑制尾单,又不影响订单规模。而在相关技术中,由于尾单概率阈值是固定的,所以不能实现既较好地抑制尾单,又不影响订单规模的目的。
鉴于此,本公开提供一种用于提升订单被接单概率的方法、装置、可读存储介质及电子设备,以解决相关技术中存在的问题,以实现自动确定尾单概率阈值的目的,根据自动确定的尾单概率阈值,对订单的配送参数进行调整,提高了对配送参数进行调整的效率。并且,还可以确保尾单抑制效果,以及保持订单规模的稳定。
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。
本公开的应用场景可以是各种配送场景中,例如,外卖配送、快递配送等等。
图1是根据一示例性实施例示出的一种用于提升订单被接单概率的方法的流程图,该方法可以应用于具有处理能力的电子设备中,例如终端或服务器等。如图1所示,该方法可以包括以下步骤。
在S101中,获取当前周期的尾单召回特征参数。
在实际应用中,考虑到尾单召回数量不仅受季节等周期性因素的影响,同时还会受到天气等突发事件的影响,因此,在本公开中,为了确保一段时间尾单召回的稳定,该尾单召回特征参数是基于当前周期之前的历史周期中未被接单的订单确定的。值得说明的是,当前周期之前的历史周期中未被接单的订单是指当前周期之前的历史周期中累计的未被配送运力接单的订单。其中,周期可以为1天、1月等等。配送运力可以为配送员、无人配送车、无人机等等。
示例地,在本公开中,该周期可以为1天,当前周期为2020年7月6日,该尾单召回特征参数可以是2020年7月1日至2020年7月5日中累计的未被配送员接单的订单。
在S102中,根据尾单召回特征参数,确定当前周期的目标尾单概率阈值。
在本公开中,针对每一周期,均可以确定该周期的目标尾单概率阈值,以提高所确定的目标尾单概率阈值的精准度,进而使得后续在该周期内根据该目标尾单概率阈值准确地界定待生成订单是否为尾单。
在步骤103中,获取当前周期内待生成订单的尾单概率。
示例地,可以将当前周期内待生成订单输入至尾单预测模型中,以得到尾单预测模型输出的尾单概率,该尾单概率用于指示该待生成订单是否为尾单的概率,其值越大,表征该待生成订单后续为尾单的概率就越大。
待生成订单可以是指没有真正形成订单的潜在订单。例如,外卖平台中用户可以将餐品添加到购物车中,此时购物车中的商品用户并未付款,购物车内的商品就可以形成潜在订单。再例如,出行平台中用户可以从多种打车类型(例如专车、出租车、快车、拼车等)中选择一种或多种打车类型,在用户完成付款前,用户当前选中的打车类型就可以形成潜在订单。这里的潜在订单即本公开中的待生成订单。
需要说明的是,在本公开中,S101、S102与S103的执行顺序不作具体限定,例如,可以先执行步骤先执行S101和S102之后再执行S103(如图1所示),也可以先执行S103再执行S101和S102,也可以在执行S101和S102的过程中执行S103。
在步骤104中,将尾单概率大于目标尾单概率阈值的待生成订单确定为潜在尾单。
值得说明的是,尾单是指在商家发布订单之后未被接单的订单,而本公开所提供的用于提升订单被接单概率的方法应用在商家生成订单的阶段,因此,根据目标尾单概率阈值,并不能确定该待生成订单是否为真正的尾单,仅能预估出该待生成订单是否为潜在尾单。
此外,由于确定尾单的目的在于确定订单的配送参数,通常情况下是根据配送参数生成订单的,因此,在该实施例中,确定该待生成订单是否为潜在尾单。
在步骤105中,调整潜在尾单的配送参数,以提升潜在尾单被接单的概率。
潜在尾单用于指示在发布出订单之后,不易被配送运力接单的订单,为了避免该潜在尾单成为真正尾单,导致用户体验较差的弊端,在本公开中,可以调整潜在尾单的配送参数,例如,增加配送服务费等等。这样一方面可以提升配送运力接单的积极性,另一方面还可以抑制用户下单,从而达到供需平衡。
在一种实施例中,可以根据尾单概率大于目标尾单概率阈值的多少,来确定所调整的配送参数。例如,若尾单概率与目标尾单概率阈值的差值为10%,则调整的配送参数为一元,若目标尾单概率阈值的差值为20%,则调整的配送参数为两元,等等。
采用上述技术方案,根据尾单召回特征参数,即可自动确定出当前周期的目标尾单概率阈值,避免了相关技术中人为确定目标尾单概率阈值的弊端,提升了调整配送参数的效率。并且,由于是针对每一周期均确定一目标尾单概率阈值,所确定的目标尾单概率阈值可以更好的满足当前周期内用户的需求,如此,可以实现既较好地抑制尾单,又不影响订单规模的目的。
在一种实施例中,可以通过机器学习的方式确定当前周期的目标尾单概率阈值。示例地,图1中的S102可以进一步包括:将尾单召回特征参数输入至尾单概率阈值确定模型,以获得当前周期的目标尾单概率阈值。
首先,对本公开实施例中的尾单召回特征参数进行说明。尾单召回特征参数可以包括尾单召回比例项特征参数、尾单召回积分项特征参数和尾单召回微分项特征参数中的至少一者。下面以尾单概率阈值确定模型为PID(比例-积分-微分,Proportion-Integral-Derivative)模型,该尾单召回特征参数包括尾单召回比例项特征参数、尾单召回积分项特征参数和尾单召回微分项特征参数为例进行说明。
其中,尾单召回比例项特征参数为第一累计尾单召回率误差,该第一累计尾单召回率误差为当前周期之前的第一预设数量个历史周期累计的第一累计尾单召回率与预设的目标尾单召回率的差值。示例地,假设周期为1天,当前周期i为2020年7月6日,第一预设数量为5,则统计2020年7月1日至2020年7月5日中累计的尾单,即,在2020年7月1日至2020年7月5日中未被配送员接单的订单,假设累计的尾单数量为M1,并且在尾单M1中曾被预测为潜在尾单的订单数量为M2,其中,M2小于M1,则当前周期i的第一累计尾单召回率yi=M2/M1,预设的目标尾单召回率为y*,则当前周期i的第一累计尾单召回率误差ei=|yi-y*|,当前周期i的尾单召回比例项特征参数bi=ei。
尾单召回积分项特征参数为当前周期之前的第二预设数量个历史周期和当前周期中每一周期的第一累计尾单召回率误差之和。示例地,y1为2020年7月1日的第一累计尾单召回率,y2为2020年7月2日的第一累计尾单召回率,……y6为2020年7月6日的第一累计尾单召回率,分别计算出2020年7月1日至2020年7月6日的第一累计尾单召回率与预设的目标尾单召回率为y*之间的误差为e1、e2……e6,则当前周期i的尾单召回积分项特征参数值得说明的是,在该实施例中,第二预设数量与第一预设数量相同,在实际应用中,该第二预设数量和第一预设数量也可以不相同。
尾单召回微分项特征参数为当前周期的第一累计尾单召回率误差与前一周期的第一累计尾单召回率误差之差。示例地,当前周期i为2020年7月6日,当前周期的第一累计尾单召回率误差为e6,前一周期的第一累计尾单召回率误差为e5,则当前周期i的尾单召回微分项特征参数wi=e6-e5。
接着,对该实施例中所使用的尾单概率阈值确定模型进行说明。具体地,如图2所示,可以通过以下步骤预先训练得到尾单概率阈值确定模型:
在S201中:获取预先设置的尾单概率阈值确定样本模型,其中,该尾单概率阈值确定样本模型可以至少包括一个预设模型参数(即,预先设置好的模型参数)。例如,尾单概率阈值确定模型为PID模型,该预设模型参数可以为比例项系数Kb、积分项系数Kj、微分项系数Kw。
在S202中:获取每一预设模型参数各自对应的预设参数集合,其中,预设参数集合中包括预先设置的多个备选参数值。例如,可以预先在0~1范围内预先随机生成m个比例项系数Kb、m个积分项系数Kj以及m个微分项系数Kw。其中,m个比例项系数Kb组成比例项系数对应的预设参数集合,m个积分项系数Kj组成积分项系数对应的预设参数集合,m个微分项系数Kw组成微分项系数对应的预设参数集合,m为大于1的整数。
在S203中:根据备选参数值和尾单概率阈值确定样本模型,确定多个待训练尾单概率阈值确定模型。示例地,首先,将目标预设参数集合中的每一备选参数值与每个其他预设参数集合中的每一备选参数值进行排列组合,得到多组参数组合,并且,每组参数组合中包括一个比例项系数、一个积分项系数和一个微分项系数。其中,目标预设参数集合可以为任意一个预设参数集合,该其他预设参数集合可以包括除目标预设参数集合之外的预设参数集合,接着,根据该多组参数组合和该尾单概率阈值确定样本模型,确定多个待训练尾单概率阈值确定模型。
在S204中:获取第三预设数量个历史周期的尾单召回样本特征参数。其中,可以参照图1中获取当前周期的尾单召回特征参数的方式,获取尾单召回样本特征参数。第三预设数量可以为10、20等等。
在S205中:根据尾单召回样本特征参数和多个待训练尾单概率阈值确定模型,确定尾单概率阈值确定模型。
其中,步骤205的具体实施方式法可以包括:
针对每一待训练尾单概率阈值确定模型,均执行以下训练步骤:
首先,将每一历史周期的尾单召回样本特征参数输入至待训练尾单概率阈值确定模型中,以得到每一待训练尾单概率阈值确定模型输出的每一历史周期的目标尾单概率阈值;
接着,针对每一历史周期,根据历史周期的目标尾单概率阈值,确定历史周期的第二累计尾单召回率,其中,该第二累计尾单召回率为历史周期之前的第四预设数量个历史周期累计的尾单召回率。在该实施例中,第四预设数量可以与上述第一预设数量相同,也可以不同。并且,在确定出历史周期的目标尾单概率阈值之后,可以根据该目标尾单概率阈值在所确定出的该历史周期之前的第四预设数量个历史周期累计尾单数量中,确定出潜在尾单的数量,进而确定出第二累计尾单召回率。例如,第四预设数量为4,历史周期为2020年7月5日,假设在2020年7月1日至2020年7月4日期间,所确定的未被接单的尾单分别为订单1、订单2、订单3、订单4……订单10,即,累计的尾单数量为10。而在该10个尾单中,在生成订单期间,订单2、订单4、订单5和订单8被预估为潜在尾单,如此,该第二累计尾单召回率即为40%(4/10=40%),
接着,根据每一历史周期的第二累计尾单召回率,确定待训练尾单概率阈值确定模型的、第三预设数量个历史周期对应的评价指标参数。其中,该评价指标参数用于评价基于该模型输出的尾单概率阈值,是否可以满足用户对尾单召回率的要求。
示例地,第三预设数量可以为10,第三预设数量个历史周期可以为2020年6月20日至2020年6月29日。针对每一待训练尾单概率阈值确定模型,可以分别确定出2020年6月20日至2020年6月29日中每一天的目标尾单概率阈值,进而确定出每一天的第二累计尾单召回率。
在本公开中,评价指标参数可以包括以下参数中的至少一者:第三预设数量个历史周期的第二累计尾单召回率误差的平均值、第三预设数量个历史周期的第二累计尾单召回率误差的标准差、以及在第三预设数量个历史周期中第二累计尾单召回率大于预设尾单召回率阈值的周期数与第三预设数量的比值,其中,第二累计尾单召回率误差为第二累计尾单召回率与目标尾单召回率的差值。
示例地,沿用上述例子,可以通过公式(1),确定出第三预设数量个历史周期的第二累计尾单召回率误差的平均值其中,yi表征每一历史周期的第二累计尾单召回率,y*表征预设的目标尾单召回率,N为第三预设数量,其中,yi可以参照上述所描述的确定第一累计尾单召回率的方式确定。
分别计算出每一历史周期的第二累计尾单召回率误差,即,分别计算出2020年6月20日至2020年6月29日中每一天的第二累计尾单召回率误差,之后,计算该10个第二累计尾单召回率误差的标准差σ(ei),其中,i的取值范围为[1,N],N=10。
另外,还可以通过公式(2)计算出在第三预设数量个历史周期中第二累计尾单召回率大于预设尾单召回率阈值的周期数与第三预设数量的比值A,α为控制系数,αy *表征预设尾单召回率阈值,且α为大于1的数,表征第二累计尾单召回率大于预设尾单召回率阈值的周期数:
在一种实施例中,评价指标参数包括以下参数中的任一者,在该实施例中,按照上述方式确定给出评价指标参数之后,即可根据该评价指标参数,从多个待训练尾单概率阈值确定模型中确定出尾单概率阈值确定模型。
在又一种实施例中,评价指标参数包括以上参数中的两者或三者,在该实施例中,可以对上述所确定出的两者或三者进行求和,以得到待训练尾单概率阈值确定模型的、第三预设数量个历史周期对应的评价指标参数。
示例地,以评价指标参数Z包括以上参数中的三者为例进行说明。可以对上述所确定出的各个评价指标参数进行求和,如公式(3)所示:
如此,可以确定出每一待训练尾单概率阈值确定模型的、第三预设数量个历史周期对应的评价指标参数。在该实施例中,评价指标参数Z值越小表征模型所确定的目标尾单概率阈值越能满足用户对尾单召回率的需求,因此,在本公开中,可以根据评价指标参数最优的待训练尾单概率阈值确定模型,确定尾单概率阈值确定模型。
在一种实施例中,可以直接将评价指标参数最优(即,评价指标参数最小)的待训练尾单概率阈值确定模型确定为最终要使用的尾单概率阈值确定模型。
在实际训练过程中,训练次数越多,所得到的模型越精准,因此,通常情况下,会进行多次训练以得到较为精准的模型。示例地,在另一种实施例中,在每一轮训练过程中,得到每个待训练尾单概率阈值确定模型的、第三预设数量个历史周期对应的评价指标参数之后,还需判断是否满足训练终止条件,其中,该训练终止条件可以是训练次数达到预设次数,也可以是待训练尾单概率阈值确定模型的、第三预设数量个历史周期对应的评价指标参数达到预设数值,等等。
在该实施例中,若满足训练终止条件,则直接将评价指标参数最优的待训练尾单概率阈值确定模型确定为最终要使用的尾单概率阈值确定模型,结束训练。若不满足训练终止条件,可以重复训练,直到满足训练终止条件。
考虑到上述的预设参数集合中包括的备选参数值,是人为选择的较为片面的数值,因此,在一种实施例中,若不满足训练终止条件,则可以将评价指标参数最小的待训练尾单概率阈值确定模型确定为最优尾单概率阈值确定模型,并根据该最优尾单概率阈值确定模型对应的最优参数值,确定多个候选尾单概率阈值确定模型,以及将候选尾单概率阈值确定模型确定为待训练尾单概率阈值确定模型,并重复执行上述训练步骤,直至满足训练终止条件,将评价指标参数最优的待训练尾单概率阈值确定模型,确定为尾单概率阈值确定模型。
示例地,根据该最优尾单概率阈值确定模型对应的最优参数值,确定多个候选尾单概率阈值确定模型的具体实施方式可以包括:
首先,根据最优尾单概率阈值确定模型对应的每一最优参数值,确定每一最优参数值对应的最优参数区间。
示例地,假设最优尾单概率阈值确定模型对应的最优参数组合为[Kb1,Kj1,Kw1],其中,Kb1为在0~1范围内预先随机生成第1个比例项系数、Kj1为在0~1范围内预先随机生成第1个积分项系数、Kw1为在0~1范围内预先随机生成第1个微分项系数,则最优参数值即为Kb1,Kj1,Kw1,针对每一最优参数值,确定该最优参数值对应的最优参数区间。例如,根据最优参数值和当前训练过程中的间距参数know,确定Kb1对应的最优参数区间可以为(Kb1/know,Kb1*know),Kj1对应的最优参数区间可以为(Kj1/know,Kj1*know),Kw1对应的最优参数区间可以为中(Kw1/know,Kw1*know)。其中,在每次训练过程中间距参数know可以相同也可以不同。
接着,根据每一最优参数区间,生成每一最优参数值各自对应的最优参数集合。
例如,可以在每一最优参数区间中,随机选择m个数值,以生成每一最优参数值各自对应的最优参数集合。
接着,将目标最优参数集合中的每一参数值与每个其他最优参数集合中每一参数值进行排列组合,得到多组候选参数组合,其中,目标最优参数集合为任意一个最优参数集合。
最后,根据该多组候选参数组合和最优尾单概率阈值确定模型,确定多个候选尾单概率确定模型。
在按照上述方式确定出多个候选尾单概率确定模型之后,将该候选尾单概率阈值确定模型确定为待训练尾单概率阈值确定模型,并重复执行上述训练步骤,直至满足训练终止条件。并在满足训练终止条件时,将评价指标参数最优的待训练尾单概率阈值确定模型,确定为尾单概率阈值确定模型。至此,可以预先训练得到尾单概率阈值确定模型。
采用上述训练方式,可以在较为较多的参数值中选择出最为合适的参数值,进而可以得到一个较为精准的尾单概率阈值确定模型,以提高对目标尾单概率阈值的确定准确率。
在另一种实施例中,还可以通过其他方式确定当前周期的目标尾单概率阈值。示例地,如图3所示,图1中的S102还可以进一步包括S1021和步骤S1022。
在步骤1021中,根据尾单召回特征参数,确定当前周期的尾单概率阈值的调整值。
在步骤1022中,将前一周期的目标尾单概率阈值和调整值之和,确定为当前周期的目标尾单概率阈值。
在该实施例中,当前周期的目标尾单概率阈值是在前一周期的目标尾单概率阈值的基础上确定。
示例地,假设尾单召回特征参数包括尾单召回比例项特征参数bi、尾单召回积分项特征参数ji和尾单召回微分项特征参数wi,可以对bi、ji和wi加权求和,以得到调整值ui,例如,可以通过公式(4)得到当前周期的目标尾单概率阈值:
其中,thresholdi-1为当前周期i的前一周期i-1的目标尾单概率阈值,thresholdi为当前周期i的目标尾单概率阈值,Kb,Kj,Kw分别为bi、ji和wi对应的系数,其中,该Kb,Kj,Kw可以是经验值,还可以是采用上述训练方式确定最优的参数值,此处对Kb,Kj,Kw的确定方式不再赘述。
值得说明的是,目标尾单概率阈值的初始值可以是用户根据历史周期中的各个待生成地订单的尾单概率、在生成订单之后未被接单的尾单数量、以及期望的尾单召回率确定出来的。
在又一种实施例中,为了避免尾单召回准确率较低,在确定目标尾单概率阈值之前,还需判断所确定的当前周期的尾单概率阈值是否过大,示例地,图1中的S102的具体实施方法可以为:根据尾单召回特征参数,确定当前周期的尾单概率阈值;将尾单概率阈值和预设概率阈值中的最小者,确定为当前周期的目标尾单概率阈值。
值得说明的是,可以按照上述机器学习的方式,通过尾单概率阈值确定模型确定出当前周期的尾单概率阈值,还可以通过上述公式(4)确定出当前周期的尾单概率阈值。之后,将所确定出的当前周期的尾单概率阈值与预设概率阈值相比较,若尾单概率阈值大于预设概率阈值,则将该预设概率阈值确定为当前周期的目标尾单概率阈值;若尾单概率阈值不大于预设概率阈值,则将该尾单概率阈值确定为当前周期的目标尾单概率阈值。其中,该预设概率阈值可以是用户基于历史周期中的尾单数据确定的最大的尾单概率阈值,还可以使用用户依据经验确定的尾单概率阈值。
采用上述技术方案,在确定出当前周期的尾单概率阈值之后,比较该尾单概率阈值和预设概率阈值,并将两者中最小者确定为目标尾单概率阈值,如此,可以避免目标尾单概率阈值过大,可以确保尾单召回准确率。
基于同一发明构思,本公开提供一种用于提升订单被接单概率的装置。图4是根据一示例性实施例示出的一种用于提升订单被接单概率的装置的框图。如图4所示,该用于提升订单被接单概率的装置400可以包括:
第一获取模块401,被配置成用于获取当前周期的尾单召回特征参数,其中,所述尾单召回特征参数是基于所述当前周期之前的历史周期中未被接单的订单确定的;
第一确定模块402,被配置成用于根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值;
第二获取模块403,被配置成用于获取所述当前周期内待生成订单的尾单概率;
第二确定模块404,被配置成用于将所述尾单概率大于所述目标尾单概率阈值的待生成订单确定为潜在尾单;
调整模块405,被配置成用于调整所述潜在尾单的配送参数,以提升所述潜在尾单被接单的概率。
可选地,所述第一确定模块402被配置成用于:将所述尾单召回特征参数输入至尾单概率阈值确定模型,以获得所述当前周期的目标尾单概率阈值。
可选地,所述第一确定模块402被配置成用于:根据所述尾单召回特征参数,确定所述当前周期的尾单概率阈值的调整值;将前一周期的目标尾单概率阈值和所述调整值之和,确定为所述当前周期的目标尾单概率阈值。
可选地,所述第一确定模块402被配置成用于:根据所述尾单召回特征参数,确定所述当前周期的尾单概率阈值;将所述尾单概率阈值和预设概率阈值中的最小者,确定为所述当前周期的目标尾单概率阈值。
可选地,所述装置还包括:
第三获取模块,被配置成用于获取预先设置的尾单概率阈值确定样本模型,所述尾单概率阈值确定样本模型包括至少一个预设模型参数;
第四获取模块,被配置成用于获取每一所述预设模型参数各自对应的预设参数集合,其中,所述预设参数集合中包括预先设置的多个备选参数值;
第三确定模块,被配置成用于根据所述备选参数值和所述尾单概率阈值确定样本模型,确定多个待训练尾单概率阈值确定模型;
第五获取模块,被配置成用于获取第三预设数量个历史周期的尾单召回样本特征参数;
第四确定模块,被配置成用于根据所述尾单召回样本特征参数和多个所述待训练尾单概率阈值确定模型,确定所述尾单概率阈值确定模型。
可选地,所述第四确定模块包括:
第一执行子模块,被配置成用于针对每一待训练尾单概率阈值确定模型,均执行以下训练步骤:将每一历史周期的所述尾单召回样本特征参数输入至所述待训练尾单概率阈值确定模型中,以得到每一所述待训练尾单概率阈值确定模型输出的每一所述历史周期的目标尾单概率阈值;针对每一所述历史周期,根据所述历史周期的所述目标尾单概率阈值,确定所述历史周期的第二累计尾单召回率,其中,所述第二累计尾单召回率为所述历史周期之前的第四预设数量个历史周期累计的尾单召回率;根据每一所述历史周期的所述第二累计尾单召回率,确定所述待训练尾单概率阈值确定模型的、所述第三预设数量个所述历史周期对应的评价指标参数;
判断子模块,被配置成用于判断是否满足训练终止条件;
第一确定子模块,被配置成用于在满足所述训练终止条件的情况下,将所述评价指标参数最优的所述待训练尾单概率阈值确定模型,确定为所述尾单概率阈值确定模型;以及
第二确定子模块,被配置成用于在未满足所述训练终止条件的情况下,将所述评价指标参数最优的所述待训练尾单概率阈值确定模型确定为最优尾单概率阈值确定模型,并根据所述最优尾单概率阈值确定模型对应的最优参数值,确定多个候选尾单概率阈值确定模型,以及,将所述候选尾单概率阈值确定模型确定为所述待训练尾单概率阈值确定模型,并重复执行上述训练步骤,直至满足所述训练终止条件。
可选地,所述第二确定子模块被配置成用于:根据所述最优尾单概率阈值确定模型对应的每一最优参数值,确定每一所述最优参数值对应的最优参数区间;根据每一所述最优参数区间,生成每一所述最优参数值各自对应的最优参数集合;将目标最优参数集合中的每一参数值与每个其他最优参数集合中每一参数值进行排列组合,得到多组候选参数组合,其中,所述目标最优参数集合为任意一个所述最优参数集合;根据所述多组候选参数组合和所述最优尾单概率阈值确定模型,确定多个候选尾单概率阈值确定模型。
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。
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。如图5所示,该电子设备500可以包括:处理器501,存储器502。该电子设备500还可以包括多媒体组件503,输入/输出(I/O)接口504,以及通信组件505中的一者或多者。
其中,处理器501用于控制该电子设备500的整体操作,以完成上述的用于提升订单被接单概率的方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作,这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件505可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的用于提升订单被接单概率的方法。
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用于提升订单被接单概率的方法的步骤。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502,上述程序指令可由电子设备500的处理器501执行以完成上述的用于提升订单被接单概率的方法。
图6是根据一示例性实施例示出的一种电子设备600的框图。例如,电子设备600可以被提供为一服务器。参照图6,电子设备600包括处理器622,其数量可以为一个或多个,以及存储器632,用于存储可由处理器622执行的计算机程序。存储器632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622可以被配置为执行该计算机程序,以执行上述的用于提升订单被接单概率的方法。
另外,电子设备600还可以包括电源组件626和通信组件650,该电源组件626可以被配置为执行电子设备600的电源管理,该通信组件650可以被配置为实现电子设备600的通信,例如,有线或无线通信。此外,该电子设备600还可以包括输入/输出(I/O)接口658。电子设备600可以操作基于存储在存储器632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用于提升订单被接单概率的方法的步骤。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632,上述程序指令可由电子设备600的处理器622执行以完成上述的用于提升订单被接单概率的方法。
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用于提升订单被接单概率的方法的代码部分。
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 (12)
1.一种用于提升订单被接单概率的方法,其特征在于,包括:
获取当前周期的尾单召回特征参数,其中,所述尾单召回特征参数是基于所述当前周期之前的历史周期中未被接单的订单确定的;
根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值;
获取所述当前周期内待生成订单的尾单概率;
将所述尾单概率大于所述目标尾单概率阈值的待生成订单确定为潜在尾单;
调整所述潜在尾单的配送参数,以提升所述潜在尾单被接单的概率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值,包括:
将所述尾单召回特征参数输入至尾单概率阈值确定模型,以获得所述当前周期的目标尾单概率阈值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值,包括:
根据所述尾单召回特征参数,确定所述当前周期的尾单概率阈值的调整值;
将前一周期的目标尾单概率阈值和所述调整值之和,确定为所述当前周期的目标尾单概率阈值。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述尾单召回特征参数包括尾单召回比例项特征参数、尾单召回积分项特征参数和尾单召回微分项特征参数中的至少一者;
其中,所述尾单召回比例项特征参数为第一累计尾单召回率误差,所述第一累计尾单召回率误差为所述当前周期之前的第一预设数量个历史周期累计的第一累计尾单召回率与预设的目标尾单召回率的差值;所述尾单召回积分项特征参数为所述当前周期之前的第二预设数量个历史周期和所述当前周期中每一周期的所述第一累计尾单召回率误差之和;所述尾单召回微分项特征参数为所述当前周期的所述第一累计尾单召回率误差与前一周期的所述第一累计尾单召回率误差之差。
5.根据权利要求1所述的方法,其特征在于,所述根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值,包括:
根据所述尾单召回特征参数,确定所述当前周期的尾单概率阈值;
将所述尾单概率阈值和预设概率阈值中的最小者,确定为所述当前周期的目标尾单概率阈值。
6.根据权利要求2所述的方法,其特征在于,所述尾单概率阈值确定模型通过以下方式得到:
获取预先设置的尾单概率阈值确定样本模型,所述尾单概率阈值确定样本模型包括至少一个预设模型参数;
获取每一所述预设模型参数各自对应的预设参数集合,其中,所述预设参数集合中包括预先设置的多个备选参数值;
根据所述备选参数值和所述尾单概率阈值确定样本模型,确定多个待训练尾单概率阈值确定模型;
获取第三预设数量个历史周期的尾单召回样本特征参数;
根据所述尾单召回样本特征参数和多个所述待训练尾单概率阈值确定模型,确定所述尾单概率阈值确定模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述尾单召回样本特征参数和多个所述待训练尾单概率阈值确定模型,确定所述尾单概率阈值确定模型,包括:
针对每一待训练尾单概率阈值确定模型,均执行以下训练步骤:
将每一历史周期的所述尾单召回样本特征参数输入至所述待训练尾单概率阈值确定模型中,以得到每一所述待训练尾单概率阈值确定模型输出的每一所述历史周期的目标尾单概率阈值;
针对每一所述历史周期,根据所述历史周期的所述目标尾单概率阈值,确定所述历史周期的第二累计尾单召回率,其中,所述第二累计尾单召回率为所述历史周期之前的第四预设数量个历史周期累计的尾单召回率;
根据每一所述历史周期的所述第二累计尾单召回率,确定所述待训练尾单概率阈值确定模型的、所述第三预设数量个所述历史周期对应的评价指标参数;
判断是否满足训练终止条件;
在满足所述训练终止条件的情况下,将所述评价指标参数最优的所述待训练尾单概率阈值确定模型,确定为所述尾单概率阈值确定模型;以及
在未满足所述训练终止条件的情况下,将所述评价指标参数最优的所述待训练尾单概率阈值确定模型确定为最优尾单概率阈值确定模型,并根据所述最优尾单概率阈值确定模型对应的最优参数值,确定多个候选尾单概率阈值确定模型,以及,将所述候选尾单概率阈值确定模型确定为所述待训练尾单概率阈值确定模型,并重复执行上述训练步骤,直至满足所述训练终止条件。
8.根据权利要求7所述的方法,其特征在于,所述根据所述最优尾单概率阈值确定模型对应的最优参数值,确定多个候选尾单概率阈值确定模型,包括:
根据所述最优尾单概率阈值确定模型对应的每一最优参数值,确定每一所述最优参数值对应的最优参数区间;
根据每一所述最优参数区间,生成每一所述最优参数值各自对应的最优参数集合;
将目标最优参数集合中的每一参数值与每个其他最优参数集合中每一参数值进行排列组合,得到多组候选参数组合,其中,所述目标最优参数集合为任意一个所述最优参数集合;
根据所述多组候选参数组合和所述最优尾单概率阈值确定模型,确定多个候选尾单概率阈值确定模型。
9.根据权利要求7所述的方法,其特征在于,所述评价指标参数包括以下参数中的至少一个:所述第三预设数量个所述历史周期的第二累计尾单召回率误差的平均值、所述第三预设数量个所述历史周期的所述第二累计尾单召回率误差的标准差、以及在所述第三预设数量个所述历史周期中所述第二累计尾单召回率大于预设尾单召回率阈值的周期数与所述第三预设数量的比值,其中,所述第二累计尾单召回率误差为所述第二累计尾单召回率与预设的目标尾单召回率的差值。
10.一种用于提升订单被接单概率的装置,其特征在于,包括:
第一获取模块,被配置成用于获取当前周期的尾单召回特征参数,其中,所述尾单召回特征参数是基于所述当前周期之前的历史周期中未被接单的订单确定的;
第一确定模块,被配置成用于根据所述尾单召回特征参数,确定所述当前周期的目标尾单概率阈值;
第二获取模块,被配置成用于获取所述当前周期内待生成订单的尾单概率;
第二确定模块,被配置成用于将所述尾单概率大于所述目标尾单概率阈值的待生成订单确定为潜在尾单;
调整模块,被配置成用于调整所述潜在尾单的配送参数,以提升所述潜在尾单被接单的概率。
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1-9中任一项所述方法的步骤。
12.一种电子设备,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1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832734.1A CN114155050A (zh) | 2020-08-18 | 2020-08-18 | 用于提升订单被接单概率的方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832734.1A CN114155050A (zh) | 2020-08-18 | 2020-08-18 | 用于提升订单被接单概率的方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155050A true CN114155050A (zh) | 2022-03-08 |
Family
ID=80460495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010832734.1A Pending CN114155050A (zh) | 2020-08-18 | 2020-08-18 | 用于提升订单被接单概率的方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155050A (zh) |
-
2020
- 2020-08-18 CN CN202010832734.1A patent/CN114155050A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429048B (zh) | 确定补货信息的方法、装置及设备 | |
CN106454437B (zh) | 一种流媒体业务速率预测方法及装置 | |
CN111162925B (zh) | 网络流量预测方法、装置、电子设备及存储介质 | |
CN108985489B (zh) | 一种风险预测方法、风险预测装置和终端设备 | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
CN108965951B (zh) | 广告的播放方法及装置 | |
CN111598487A (zh) | 数据处理和模型训练方法、装置、电子设备和存储介质 | |
WO2020056670A1 (zh) | 装配式建筑的成本预警方法和装置 | |
CN108985810A (zh) | 一种需求方平台进行广告投放的方法和装置 | |
CN110830809B (zh) | 视频内容热度确定方法、电子设备及存储介质 | |
CN114155050A (zh) | 用于提升订单被接单概率的方法、装置、介质及电子设备 | |
CN111583010A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN113409095B (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
CN110351098B (zh) | 资费预演方法以及相关设备 | |
CN110060077A (zh) | 信息对象竞争方法和装置 | |
CN112073454B (zh) | 资源分发方法、装置、电子设备 | |
CN110300000B (zh) | 计费方式变更方法、装置、电子设备及可读存储介质 | |
CN108346080B (zh) | 一种流量套餐组合优化方法及装置 | |
CN113673753A (zh) | 针对电动汽车充电的负荷调控方法及装置 | |
CN113191806A (zh) | 确定流量调控目标的方法及装置 | |
WO2021124083A1 (en) | Optimization constraint adaptation for long-term target achievement | |
CN112307427A (zh) | 计算配送时间的方法和装置,电子设备和存储介质 | |
CN112150172A (zh) | 广告投放方法、装置、电子设备及存储介质 | |
KR101568693B1 (ko) | 모바일 단말의 대여 서비스 관리 장치 및 방법 |
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 |