CN114219410A - 订单识别方法、装置、电子设备、存储介质及程序产品 - Google Patents
订单识别方法、装置、电子设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN114219410A CN114219410A CN202210156047.1A CN202210156047A CN114219410A CN 114219410 A CN114219410 A CN 114219410A CN 202210156047 A CN202210156047 A CN 202210156047A CN 114219410 A CN114219410 A CN 114219410A
- Authority
- CN
- China
- Prior art keywords
- order
- identified
- ratio
- normal
- fulfillment
- 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.)
- Granted
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
- 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
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种订单识别方法、装置、电子设备、存储介质及程序产品，所述订单识别方法包括：获取预设历史时间段内的历史正常履约订单数据；根据所述历史正常履约订单数据确定订单识别模型；获取待识别订单数据，将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果。该技术方案能够直接有效地确定异常履约配送订单的异常履约原因，从而有利于物流配送效率和质量以及互联网平台服务质量的提升。
Description
技术领域
本公开涉及订单识别技术领域，具体涉及一种订单识别方法、装置、电子设备、存储介质及程序产品。
背景技术
随着互联网技术的发展，越来越多的服务提供商通过互联网平台来提供服务，而很多互联网服务都需要物流配送员进行配送，因此物流配送效率和质量对于互联网平台服务质量的提升至关重要。当前由于各种原因经常会出现异常履约配送订单，但现有技术很难直接有效地确定异常履约配送订单的异常履约原因，这就为物流配送效率和质量以及互联网平台服务质量的提升带来了阻碍。
发明内容
本公开实施例提供一种订单识别方法、装置、电子设备、存储介质及程序产品。
第一方面，本公开实施例中提供了一种订单识别方法。
具体的，所述订单识别方法，包括：
获取预设历史时间段内的历史正常履约订单数据；
根据所述历史正常履约订单数据确定订单识别模型；
获取待识别订单数据，将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果。
结合第一方面，本公开在第一方面的第一种实现方式中，所述订单数据包括以下数据中的一种或多种：
从订单起点至订单终点的可行进距离、配送资源平均行进速度、从订单起点至订单终点的直达时长、从订单起点至订单终点的行进时长、配送资源停留时长、行直比、停直比，其中，所述行直比为从订单起点至订单终点的行进时长与从订单起点至订单终点的直达时长之间的比值，所述停直比为配送资源停留时长与从订单起点至订单终点的直达时长之间的比值。
结合第一方面和第一方面的第一种实现方式，本公开实施例在第一方面的第二种实现方式中，所述根据所述历史正常履约订单数据确定订单识别模型，包括：
根据所述历史正常履约订单数据计算所述正常履约订单的行停时长分布；
根据所述正常履约订单的行停时长分布确定所述正常履约订单的行停时长分布区域，并基于所述正常履约订单的行停时长分布区域的上方边界点生成订单识别模型。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式，本公开实施例在第一方面的第三种实现方式中，当所述正常履约订单的行停时长分布为行驶时长分布时，所述行驶时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的行直比。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式，本公开实施例在第一方面的第四种实现方式中，当所述正常履约订单的行停时长分布为行驶时长分布时，所述将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果，包括：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的行直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的行直比大于对应的模型输出结果值，确定所述待识别订单为行驶异常订单。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式，本公开实施例在第一方面的第五种实现方式中，当所述正常履约订单的行停时长分布为停留时长分布时，所述停留时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的停直比。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式和第一方面的第五种实现方式，本公开实施例在第一方面的第六种实现方式中，当所述正常履约订单的行停时长分布为停留时长分布时，所述将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果，包括：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的停直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的停直比大于对应的模型输出结果值，确定所述待识别订单为停留异常订单。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式和第一方面的第六种实现方式，本公开实施例在第一方面的第七种实现方式中，还包括：
根据所述订单识别结果执行预设操作。
第二方面，本公开实施例中提供了一种订单识别装置。
具体的，所述订单识别装置，包括：
获取模块，被配置为获取预设历史时间段内的历史正常履约订单数据；
确定模块，被配置为根据所述历史正常履约订单数据确定订单识别模型；
识别模块，被配置为获取待识别订单数据，将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果。
结合第二方面，本公开在第二方面的第一种实现方式中，所述订单数据包括以下数据中的一种或多种：
从订单起点至订单终点的可行进距离、配送资源平均行进速度、从订单起点至订单终点的直达时长、从订单起点至订单终点的行进时长、配送资源停留时长、行直比、停直比，其中，所述行直比为从订单起点至订单终点的行进时长与从订单起点至订单终点的直达时长之间的比值，所述停直比为配送资源停留时长与从订单起点至订单终点的直达时长之间的比值。
结合第二方面和第二方面的第一种实现方式，本公开实施例在第二方面的第二种实现方式中，所述确定模块被配置为：
根据所述历史正常履约订单数据计算所述正常履约订单的行停时长分布；
根据所述正常履约订单的行停时长分布确定所述正常履约订单的行停时长分布区域，并基于所述正常履约订单的行停时长分布区域的上方边界点生成订单识别模型。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式，本公开实施例在第二方面的第三种实现方式中，当所述正常履约订单的行停时长分布为行驶时长分布时，所述行驶时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的行直比。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式，本公开实施例在第二方面的第四种实现方式中，当所述正常履约订单的行停时长分布为行驶时长分布时，所述识别模块中将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果的部分，被配置为：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的行直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的行直比大于对应的模型输出结果值，确定所述待识别订单为行驶异常订单。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式和第二方面的第四种实现方式，本公开实施例在第二方面的第五种实现方式中，当所述正常履约订单的行停时长分布为停留时长分布时，所述停留时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的停直比。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式和第二方面的第五种实现方式，本公开实施例在第二方面的第六种实现方式中，当所述正常履约订单的行停时长分布为停留时长分布时，所述识别模块中将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果的部分，被配置为：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的停直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的停直比大于对应的模型输出结果值，确定所述待识别订单为停留异常订单。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式、第二方面的第五种实现方式和第二方面的第六种实现方式，本公开实施例在第二方面的第七种实现方式中，还包括：
执行模块，被配置为根据所述订单识别结果执行预设操作。
第四方面，本公开实施例提供了一种电子设备，包括存储器和至少一个处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执行以实现上述订单识别方法的方法步骤。
第五方面，本公开实施例提供了一种计算机可读存储介质，用于存储订单识别装置所用的计算机指令，其包含用于执行上述订单识别方法为订单识别装置所涉及的计算机指令。
第六方面，本公开实施例提供了一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述订单识别方法的方法步骤。
本公开实施例提供的技术方案可以包括以下有益效果：
上述技术方案基于历史订单数据来得到订单识别模型，进而基于待识别订单数据实现对于订单异常履约原因的识别。该技术方案能够直接有效地确定异常履约配送订单的异常履约原因，从而有利于物流配送效率和质量以及互联网平台服务质量的提升。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。以下是对附图的说明。
图1示出根据本公开一实施方式的订单识别方法的流程图。
图2示出根据本公开一实施方式的正常履约订单行驶时长分布区域示意图。
图3示出根据本公开一实施方式的正常履约订单停留时长分布区域示意图。
图4示出根据本公开一实施方式的订单识别装置的结构框图。
图5示出根据本公开一实施方式的电子设备的结构框图。
图6是适于用来实现根据本公开一实施方式的订单识别方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案基于历史订单数据来得到订单识别模型，进而基于待识别订单数据实现对于订单异常履约原因的识别。该技术方案能够直接有效地确定异常履约配送订单的异常履约原因，从而有利于物流配送效率和质量以及互联网平台服务质量的提升。
图1示出根据本公开一实施方式的订单识别方法的流程图，如图1所示，所述订单识别方法包括以下步骤S101-S103：
在步骤S101中，获取预设历史时间段内的历史正常履约订单数据；
在步骤S102中，根据所述历史正常履约订单数据确定订单识别模型；
在步骤S103中，获取待识别订单数据，将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果。
上文提及，随着互联网技术的发展，越来越多的服务提供商通过互联网平台来提供服务，而很多互联网服务都需要物流配送员进行配送，因此物流配送效率和质量对于互联网平台服务质量的提升至关重要。当前由于各种原因经常会出现异常履约配送订单，但现有技术很难直接有效地确定异常履约配送订单的异常履约原因，这就为物流配送效率和质量以及互联网平台服务质量的提升带来了阻碍。
考虑到上述缺陷，在该实施方式中，提出一种订单识别方法，该方法基于历史订单数据来得到订单识别模型，进而基于待识别订单数据实现对于订单异常履约原因的识别。该技术方案能够直接有效地确定异常履约配送订单的异常履约原因，从而有利于物流配送效率和质量以及互联网平台服务质量的提升。
在本公开一实施方式中，所述订单识别方法可适用于执行订单识别的计算机、电子设备、服务器、服务器集群等等。
在本公开一实施方式中，所述历史正常履约订单指的是在预设历史时间段内生成的、在配送时间要求范围内完成履约的配送订单。其中，所述预设历史时间段可根据实际应用的需要进行确定，比如可设置为当前时间之前的一周、一个月、几个月或者一年。
在本公开一实施方式中，所述订单识别模型指的是用于识别订单异常履约原因的模型，其中，订单的异常履约指的是订单在配送时间要求范围内未完成履约，而此时订单异常履约的原因比如可以为行驶异常和停留异常，所述行驶异常指的是配送资源在配送订单时出现绕路等行驶异常情况，所述停留异常指的是配送资源在配送订单时出现在某一个或某几个地点停留时间过长等停留异常情况。
在本公开一实施方式中，所述历史正常履约订单数据和待识别订单数据均可包括以下数据中的一种或多种：从订单起点至订单终点的可行进距离、配送资源平均行进速度、从订单起点至订单终点的直达时长、从订单起点至订单终点的行进时长、配送资源停留时长、行直比、停直比。其中，所述从订单起点至订单终点的可行进距离指的是从订单起点至订单终点能够行进的最短距离，比如从地图数据中获取得到的、从订单起点至订单终点的最短的导航距离，而非从订单起点至订单终点的直线距离。其中，所述配送资源平均行进速度指的是根据预设时间段内足够数量的配送资源样本计算得到的平均的行进速度。其中，所述从订单起点至订单终点的直达时长指的是配送资源以平均行进速度完成从订单起点至订单终点的可行进距离所需要的花费的时长，即，从订单起点至订单终点的可行进距离除以配送资源平均行进速度即可得到从订单起点至订单终点的直达时长。其中，所述从订单起点至订单终点的行进时长指的是配送资源从订单起点至订单终点实际花费的行进时长。其中，所述配送资源停留时长指的是配送资源在从订单起点至订单终点的路径中的某一个或某几个路径点上停留的总时长。其中，所述行直比指的是从订单起点至订单终点的行进时长与从订单起点至订单终点的直达时长之间的比值，用于表征配送资源绕路的概率，行直比越高，说明配送资源花费的时长越长，行进的距离就越长，绕路的概率也就越高。其中，所述停直比指的是配送资源停留时长与从订单起点至订单终点的直达时长之间的比值，用于表征配送资源过长停留的概率，停直比越高，说明配送资源停留的时长越长，过长停留的概率也就越高。
在上述实施方式中，为了确定某一异常履约订单的异常履约原因，可首先获取预设历史时间段内的历史正常履约订单数据，然后根据所述历史正常履约订单数据确定一订单识别模型，然后获取待识别订单数据，并将所述待识别订单数据与对应的模型输出结果值进行比较，即可得到异常履约订单的异常履约原因识别结果。
在本公开一实施方式中，所述步骤S102，即根据所述历史正常履约订单数据确定订单识别模型的步骤，可包括以下步骤：
根据所述历史正常履约订单数据计算所述正常履约订单的行停时长分布；
根据所述正常履约订单的行停时长分布确定所述正常履约订单的行停时长分布区域，并基于所述正常履约订单的行停时长分布区域的上方边界点生成订单识别模型。
在该实施方式中，基于与异常履约订单异常履约原因相应的数据的分布来确定所述订单识别模型。具体地，首先根据所述历史正常履约订单数据计算所述正常履约订单的行停时长分布，其中，所述行停时长分布包括配送资源行进和停留的时长分布；然后根据所述正常履约订单的行停时长分布确定所述正常履约订单的行停时长分布区域，即正常的行停时长分布区域，那么基于所述正常履约订单的正常的行停时长分布区域的上方边界点即可生成订单识别模型。更为具体地，在生成所述订单识别模型时，可采用曲线拟合的方式基于边界点生成所述订单识别模型，下文将分别以行进时长分布和停留时长分布为例对于所述订单识别模型的生成进行解释和说明。
当所述正常履约订单的行停时长分布为行驶时长分布时，所述行驶时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的行直比，根据所述正常履约订单的行驶时长分布可确定所述正常履约订单的行驶时长分布区域，根据本公开一实施方式的正常履约订单行驶时长分布区域示意图如图2所示，从图2中可以看出，位于正常履约订单行驶时长分布区域外部的订单的行直比要高于位于正常履约订单行驶时长分布区域内部的订单的行直比，也就是说，位于正常履约订单行驶时长分布区域外部的订单的实际发生行进距离远大于应当发生的行进距离，即位于正常履约订单行驶时长分布区域外部的订单的绕路概率较大。
然后基于所述正常履约订单的行驶时长分布区域的上方边界点进行曲线拟合，可得到拟合函数：8.498*e^(872.075/(x+512))-8，所述拟合函数即为所述订单识别模型。
此时，所述步骤S103中将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果的步骤，可包括以下步骤：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的行直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的行直比大于对应的模型输出结果值，确定所述待识别订单为行驶异常订单。
在该实施方式中，在将所述待识别订单数据与对应的模型输出结果值进行比较时，首先从所述待识别订单数据中获取从订单起点至订单终点的可行进距离和所述待识别订单的行直比；然后将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到的与所述从订单起点至订单终点的可行进距离对应的模型输出结果值即为若该订单为正常履约订单时应当对应的行直比；然后将从所述待识别订单数据中获取得到的所述待识别订单的实际行直比与所述模型输出结果值对应的行直比进行比较，若所述实际行直比大于所述模型输出结果值对应的行直比，则可确定配送资源的行进距离过长，所花费的时长过长，很有可能发生绕路的情况，即可确定所述待识别订单为行驶异常订单。
当所述正常履约订单的行停时长分布为停留时长分布时，所述停留时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的停直比，根据所述正常履约订单的停留时长分布可确定所述正常履约订单的停留时长分布区域，根据本公开一实施方式的正常履约订单停留时长分布区域示意图如图3所示，从图3中可以看出，位于正常履约订单停留时长分布区域外部的订单的停直比要高于位于正常履约订单停留时长分布区域内部的订单的停直比，也就是说，位于正常履约订单停留时长分布区域外部的订单的实际停留的时长远大于应当停留的时长，即位于正常履约订单停留时长分布区域外部的订单的过长停留概率较大。
然后基于所述正常履约订单的停留时长分布区域的上方边界点进行曲线拟合，可得到拟合函数：7.836*e^(532.7218/(x+512))-8，所述拟合函数即为所述订单识别模型。
此时，所述步骤S103中将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果的步骤，可包括以下步骤：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的停直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的停直比大于对应的模型输出结果值，确定所述待识别订单为停留异常订单。
在该实施方式中，在将所述待识别订单数据与对应的模型输出结果值进行比较时，首先从所述待识别订单数据中获取从订单起点至订单终点的可行进距离和所述待识别订单的停直比；然后将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到的与所述从订单起点至订单终点的可行进距离对应的模型输出结果值即为若该订单为正常履约订单时应当对应的停直比；然后将从所述待识别订单数据中获取得到的所述待识别订单的实际停直比与所述模型输出结果值对应的停直比进行比较，若所述实际停直比大于所述模型输出结果值对应的停直比，则可确定配送资源的停留时间过长，很有可能发生过长停留的情况，即可确定所述待识别订单为停留异常订单。
当然，若某一待识别订单既满足上述行驶异常订单的识别条件，也满足上述停留异常订单的识别条件，则可确定该待识别订单既为行驶异常订单又为停留异常订单。
在本公开一实施方式中，所述方法还可包括以下步骤：
根据所述订单识别结果执行预设操作。
在该实施方式中，在得到待识别订单的异常履约原因识别结果后，可执行一些预设操作，以对异常履约订单进行干涉或者对于所述异常履约订单对应的配送资源或其他配送资源进行提醒，减少异常履约订单的发生概率。其中，所述预设操作比如可以为以声光的方式进行订单异常履约提示、异常履约订单及其原因识别结果记录和统计等等。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图4示出根据本公开一实施方式的订单识别装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，所述订单识别装置包括：
获取模块401，被配置为获取预设历史时间段内的历史正常履约订单数据；
确定模块402，被配置为根据所述历史正常履约订单数据确定订单识别模型；
识别模块403，被配置为获取待识别订单数据，将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果。
上文提及，随着互联网技术的发展，越来越多的服务提供商通过互联网平台来提供服务，而很多互联网服务都需要物流配送员进行配送，因此物流配送效率和质量对于互联网平台服务质量的提升至关重要。当前由于各种原因经常会出现异常履约配送订单，但现有技术很难直接有效地确定异常履约配送订单的异常履约原因，这就为物流配送效率和质量以及互联网平台服务质量的提升带来了阻碍。
考虑到上述缺陷，在该实施方式中，提出一种订单识别装置，该装置基于历史订单数据来得到订单识别模型，进而基于待识别订单数据实现对于订单异常履约原因的识别。该技术方案能够直接有效地确定异常履约配送订单的异常履约原因，从而有利于物流配送效率和质量以及互联网平台服务质量的提升。
在本公开一实施方式中，所述订单识别装置可实现为执行订单识别的计算机、电子设备、服务器、服务器集群等等。
在本公开一实施方式中，所述历史正常履约订单指的是在预设历史时间段内生成的、在配送时间要求范围内完成履约的配送订单。其中，所述预设历史时间段可根据实际应用的需要进行确定，比如可设置为当前时间之前的一周、一个月、几个月或者一年。
在本公开一实施方式中，所述订单识别模型指的是用于识别订单异常履约原因的模型，其中，订单的异常履约指的是订单在配送时间要求范围内未完成履约，而此时订单异常履约的原因比如可以为行驶异常和停留异常，所述行驶异常指的是配送资源在配送订单时出现绕路等行驶异常情况，所述停留异常指的是配送资源在配送订单时出现在某一个或某几个地点停留时间过长等停留异常情况。
在本公开一实施方式中，所述历史正常履约订单数据和待识别订单数据均可包括以下数据中的一种或多种：从订单起点至订单终点的可行进距离、配送资源平均行进速度、从订单起点至订单终点的直达时长、从订单起点至订单终点的行进时长、配送资源停留时长、行直比、停直比。其中，所述从订单起点至订单终点的可行进距离指的是从订单起点至订单终点能够行进的最短距离，比如从地图数据中获取得到的、从订单起点至订单终点的最短的导航距离，而非从订单起点至订单终点的直线距离。其中，所述配送资源平均行进速度指的是根据预设时间段内足够数量的配送资源样本计算得到的平均的行进速度。其中，所述从订单起点至订单终点的直达时长指的是配送资源以平均行进速度完成从订单起点至订单终点的可行进距离所需要的花费的时长，即，从订单起点至订单终点的可行进距离除以配送资源平均行进速度即可得到从订单起点至订单终点的直达时长。其中，所述从订单起点至订单终点的行进时长指的是配送资源从订单起点至订单终点实际花费的行进时长。其中，所述配送资源停留时长指的是配送资源在从订单起点至订单终点的路径中的某一个或某几个路径点上停留的总时长。其中，所述行直比指的是从订单起点至订单终点的行进时长与从订单起点至订单终点的直达时长之间的比值，用于表征配送资源绕路的概率，行直比越高，说明配送资源花费的时长越长，行进的距离就越长，绕路的概率也就越高。其中，所述停直比指的是配送资源停留时长与从订单起点至订单终点的直达时长之间的比值，用于表征配送资源过长停留的概率，停直比越高，说明配送资源停留的时长越长，过长停留的概率也就越高。
在上述实施方式中，为了确定某一异常履约订单的异常履约原因，可首先获取预设历史时间段内的历史正常履约订单数据，然后根据所述历史正常履约订单数据确定一订单识别模型，然后获取待识别订单数据，并将所述待识别订单数据与对应的模型输出结果值进行比较，即可得到异常履约订单的异常履约原因识别结果。
在本公开一实施方式中，所述确定模块可被配置为：
根据所述历史正常履约订单数据计算所述正常履约订单的行停时长分布；
根据所述正常履约订单的行停时长分布确定所述正常履约订单的行停时长分布区域，并基于所述正常履约订单的行停时长分布区域的上方边界点生成订单识别模型。
在该实施方式中，基于与异常履约订单异常履约原因相应的数据的分布来确定所述订单识别模型。具体地，首先根据所述历史正常履约订单数据计算所述正常履约订单的行停时长分布，其中，所述行停时长分布包括配送资源行进和停留的时长分布；然后根据所述正常履约订单的行停时长分布确定所述正常履约订单的行停时长分布区域，即正常的行停时长分布区域，那么基于所述正常履约订单的正常的行停时长分布区域的上方边界点即可生成订单识别模型。更为具体地，在生成所述订单识别模型时，可采用曲线拟合的方式基于边界点生成所述订单识别模型，下文将分别以行进时长分布和停留时长分布为例对于所述订单识别模型的生成进行解释和说明。
当所述正常履约订单的行停时长分布为行驶时长分布时，所述行驶时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的行直比，根据所述正常履约订单的行驶时长分布可确定所述正常履约订单的行驶时长分布区域，根据本公开一实施方式的正常履约订单行驶时长分布区域示意图如图2所示，从图2中可以看出，位于正常履约订单行驶时长分布区域外部的订单的行直比要高于位于正常履约订单行驶时长分布区域内部的订单的行直比，也就是说，位于正常履约订单行驶时长分布区域外部的订单的实际发生行进距离远大于应当发生的行进距离，即位于正常履约订单行驶时长分布区域外部的订单的绕路概率较大。
然后基于所述正常履约订单的行驶时长分布区域的上方边界点进行曲线拟合，可得到拟合函数：8.498*e^(872.075/(x+512))-8，所述拟合函数即为所述订单识别模型。
此时，所述识别模块中将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果的部分，可被配置为：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的行直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的行直比大于对应的模型输出结果值，确定所述待识别订单为行驶异常订单。
在该实施方式中，在将所述待识别订单数据与对应的模型输出结果值进行比较时，首先从所述待识别订单数据中获取从订单起点至订单终点的可行进距离和所述待识别订单的行直比；然后将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到的与所述从订单起点至订单终点的可行进距离对应的模型输出结果值即为若该订单为正常履约订单时应当对应的行直比；然后将从所述待识别订单数据中获取得到的所述待识别订单的实际行直比与所述模型输出结果值对应的行直比进行比较，若所述实际行直比大于所述模型输出结果值对应的行直比，则可确定配送资源的行进距离过长，所花费的时长过长，很有可能发生绕路的情况，即可确定所述待识别订单为行驶异常订单。
当所述正常履约订单的行停时长分布为停留时长分布时，所述停留时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的停直比，根据所述正常履约订单的停留时长分布可确定所述正常履约订单的停留时长分布区域，根据本公开一实施方式的正常履约订单停留时长分布区域示意图如图3所示，从图3中可以看出，位于正常履约订单停留时长分布区域外部的订单的停直比要高于位于正常履约订单停留时长分布区域内部的订单的停直比，也就是说，位于正常履约订单停留时长分布区域外部的订单的实际停留的时长远大于应当停留的时长，即位于正常履约订单停留时长分布区域外部的订单的过长停留概率较大。
然后基于所述正常履约订单的停留时长分布区域的上方边界点进行曲线拟合，可得到拟合函数：7.836*e^(532.7218/(x+512))-8，所述拟合函数即为所述订单识别模型。
此时，所述识别模块中将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果的部分，可被配置为：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的停直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的停直比大于对应的模型输出结果值，确定所述待识别订单为停留异常订单。
在该实施方式中，在将所述待识别订单数据与对应的模型输出结果值进行比较时，首先从所述待识别订单数据中获取从订单起点至订单终点的可行进距离和所述待识别订单的停直比；然后将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到的与所述从订单起点至订单终点的可行进距离对应的模型输出结果值即为若该订单为正常履约订单时应当对应的停直比；然后将从所述待识别订单数据中获取得到的所述待识别订单的实际停直比与所述模型输出结果值对应的停直比进行比较，若所述实际停直比大于所述模型输出结果值对应的停直比，则可确定配送资源的停留时间过长，很有可能发生过长停留的情况，即可确定所述待识别订单为停留异常订单。
在本公开一实施方式中，所述装置还可包括：
执行模块，被配置为根据所述订单识别结果执行预设操作。
在该实施方式中，在得到待识别订单的异常履约原因识别结果后，可执行一些预设操作，以对异常履约订单进行干涉或者对于所述异常履约订单对应的配送资源或其他配送资源进行提醒，减少异常履约订单的发生概率。其中，所述预设操作比如可以为以声光的方式进行订单异常履约提示、异常履约订单及其原因识别结果记录和统计等等。
本公开还公开了一种电子设备，图5示出根据本公开一实施方式的电子设备的结构框图，如图5所示，所述电子设备500包括存储器501和处理器502；其中，
所述存储器501用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器502执行以实现上述方法步骤。
图6是适于用来实现根据本公开一实施方式的订单识别方法的计算机系统的结构示意图。
如图6所示，计算机系统600包括处理单元601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行上述实施方式中的各种处理。在RAM603中，还存储有计算机系统600操作所需的各种程序和数据。处理单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。其中，所述处理单元601可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种订单识别方法，包括：
获取预设历史时间段内的历史正常履约订单数据；
根据所述历史正常履约订单数据确定订单识别模型；
获取待识别订单数据，将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果。
2.根据权利要求1所述的方法，其中，所述订单数据包括以下数据中的一种或多种：
从订单起点至订单终点的可行进距离、配送资源平均行进速度、从订单起点至订单终点的直达时长、从订单起点至订单终点的行进时长、配送资源停留时长、行直比、停直比，其中，所述行直比为从订单起点至订单终点的行进时长与从订单起点至订单终点的直达时长之间的比值，所述停直比为配送资源停留时长与从订单起点至订单终点的直达时长之间的比值。
3.根据权利要求1或2所述的方法，所述根据所述历史正常履约订单数据确定订单识别模型，包括：
根据所述历史正常履约订单数据计算所述正常履约订单的行停时长分布；
根据所述正常履约订单的行停时长分布确定所述正常履约订单的行停时长分布区域，并基于所述正常履约订单的行停时长分布区域的上方边界点生成订单识别模型。
4.根据权利要求3所述的方法，当所述正常履约订单的行停时长分布为行驶时长分布时，所述行驶时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的行直比。
5.根据权利要求4所述的方法，当所述正常履约订单的行停时长分布为行驶时长分布时，所述将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果，包括：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的行直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的行直比大于对应的模型输出结果值，确定所述待识别订单为行驶异常订单。
6.根据权利要求3所述的方法，当所述正常履约订单的行停时长分布为停留时长分布时，所述停留时长分布的横坐标为从订单起点至订单终点的可行进距离，纵坐标为所述正常履约订单的停直比。
7.根据权利要求6所述的方法，当所述正常履约订单的行停时长分布为停留时长分布时，所述将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果，包括：
获取所述待识别订单的从订单起点至订单终点的可行进距离和所述待识别订单的停直比；
将所述从订单起点至订单终点的可行进距离输入至所述订单识别模型中，得到对应的模型输出结果值；
若所述待识别订单的停直比大于对应的模型输出结果值，确定所述待识别订单为停留异常订单。
8.根据权利要求1或2所述的方法，还包括：
根据所述订单识别结果执行预设操作。
9.一种订单识别装置，包括：
获取模块，被配置为获取预设历史时间段内的历史正常履约订单数据；
确定模块，被配置为根据所述历史正常履约订单数据确定订单识别模型；
识别模块，被配置为获取待识别订单数据，将所述待识别订单数据与对应的模型输出结果值比较得到订单识别结果。
10.一种电子设备，包括存储器和至少一个处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执行以实现权利要求1-8任一项所述的方法步骤。
11.一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现权利要求1-8任一项所述的方法步骤。
12.一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现权利要求1-8任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210156047.1A CN114219410B (zh) | 2022-02-21 | 2022-02-21 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210156047.1A CN114219410B (zh) | 2022-02-21 | 2022-02-21 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114219410A true CN114219410A (zh) | 2022-03-22 |
| CN114219410B CN114219410B (zh) | 2022-06-24 |
Family
ID=80709071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210156047.1A Active CN114219410B (zh) | 2022-02-21 | 2022-02-21 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219410B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003002444A (ja) * | 2001-06-22 | 2003-01-08 | Nissan Motor Co Ltd | 配送計画支援装置 |
| US20170206592A1 (en) * | 2016-01-16 | 2017-07-20 | International Business Machines Corporation | Tracking business performance impact of optimized sourcing algorithms |
| CN110163432A (zh) * | 2019-05-17 | 2019-08-23 | 北京三快在线科技有限公司 | 一种订单识别的方法及装置 |
| CN110232535A (zh) * | 2018-03-06 | 2019-09-13 | 北京京东振世信息技术有限公司 | 信息匹配方法及装置、存储介质及电子终端 |
| CN110705934A (zh) * | 2019-09-25 | 2020-01-17 | 北京三快在线科技有限公司 | 异常订单的识别方法、装置、可读存储介质及电子设备 |
| CN111325594A (zh) * | 2018-12-17 | 2020-06-23 | 北京三快在线科技有限公司 | 一种潜在尾单判断、调度方法及装置 |
| CN111768258A (zh) * | 2019-06-05 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 识别异常订单的方法、装置、电子设备和介质 |
| CN111860558A (zh) * | 2019-05-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 行程异常检测方法、装置及电子设备 |
| CN112529338A (zh) * | 2021-01-01 | 2021-03-19 | 程在舒 | 一种顺路程度计算方法 |
| CN112837119A (zh) * | 2021-01-28 | 2021-05-25 | 天津五八到家货运服务有限公司 | 异常订单识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-02-21 CN CN202210156047.1A patent/CN114219410B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003002444A (ja) * | 2001-06-22 | 2003-01-08 | Nissan Motor Co Ltd | 配送計画支援装置 |
| US20170206592A1 (en) * | 2016-01-16 | 2017-07-20 | International Business Machines Corporation | Tracking business performance impact of optimized sourcing algorithms |
| CN110232535A (zh) * | 2018-03-06 | 2019-09-13 | 北京京东振世信息技术有限公司 | 信息匹配方法及装置、存储介质及电子终端 |
| CN111325594A (zh) * | 2018-12-17 | 2020-06-23 | 北京三快在线科技有限公司 | 一种潜在尾单判断、调度方法及装置 |
| CN110163432A (zh) * | 2019-05-17 | 2019-08-23 | 北京三快在线科技有限公司 | 一种订单识别的方法及装置 |
| CN111860558A (zh) * | 2019-05-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 行程异常检测方法、装置及电子设备 |
| CN111768258A (zh) * | 2019-06-05 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 识别异常订单的方法、装置、电子设备和介质 |
| CN110705934A (zh) * | 2019-09-25 | 2020-01-17 | 北京三快在线科技有限公司 | 异常订单的识别方法、装置、可读存储介质及电子设备 |
| CN112529338A (zh) * | 2021-01-01 | 2021-03-19 | 程在舒 | 一种顺路程度计算方法 |
| CN112837119A (zh) * | 2021-01-28 | 2021-05-25 | 天津五八到家货运服务有限公司 | 异常订单识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| C BALA SUBRAMANIAN: "Optimized trajectory planning for mobile anchors in wireless sensor networks", 《2017 IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT TECHNIQUES IN CONTROL, OPTIMIZATION AND SIGNAL PROCESSING (INCOS)》 * |
| 周洋 等: "基于时空聚类算法的轨迹停驻点识别研究", 《交通运输系统工程与信息》 * |
| 张小佳 等: "基于最小覆盖圆时空聚类算法的出行轨迹停驻点识别", 《科学技术与工程》 * |
| 秦昕悦: "外卖配送最优路径模型设计", 《电子技术与软件工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114219410B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685429B (zh) | 配送能力确定方法、装置、电子设备及存储介质 | |
| CN108154328B (zh) | 时间提示方法、装置、电子设备及计算机可读存储介质 | |
| CN114090608A (zh) | 数据报表的生成方法及装置 | |
| CN114219410B (zh) | 订单识别方法、装置、电子设备、存储介质及程序产品 | |
| CN109740066B (zh) | 信息推荐方法、信息推荐装置、存储介质及电子设备 | |
| CN110672123A (zh) | 行驶里程纠偏方法及装置 | |
| CN116415747A (zh) | 拼车路线确定方法、装置和电子设备 | |
| CN111260384B (zh) | 服务订单处理方法、装置、电子设备及存储介质 | |
| CN115249384B (zh) | 停车缴费方法、装置、设备及介质 | |
| CN111860929A (zh) | 一种拼车订单拼成率预估方法及系统 | |
| CN112129303A (zh) | 观影日程安排方法、安排系统、存储介质、及电子设备 | |
| CN115563734A (zh) | 故障容错时间间隔计算方法及装置、电子设备、存储介质 | |
| CN112289026B (zh) | 一种车辆路径还原方法、设备及介质 | |
| CN112258128B (zh) | 目标位置估计方法、装置、电子设备及计算机存储介质 | |
| CN114881692A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
| CN115081983A (zh) | 派单方法、装置、设备及存储介质 | |
| CN116615772A (zh) | 生成驾驶建议的方法、装置、设备和存储介质 | |
| CN112380820A (zh) | 数据自动回填方法、装置、电子设备及计算机存储介质 | |
| CN113034978B (zh) | 信息提示方法、装置、电子设备、存储介质及程序产品 | |
| CN111784395B (zh) | 针对广告收入波动的报警方法、装置、计算设备和介质 | |
| CN109919170B (zh) | 变更评估方法、装置、电子设备及计算机可读存储介质 | |
| CN112712328B (zh) | 信息处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111260427B (zh) | 服务订单处理方法、装置、电子设备及存储介质 | |
| CN114999143B (zh) | 红灯时长挖掘方法、电子设备及计算机程序产品 | |
| CN115923656A (zh) | 一种救护车续航监测方法、装置、电子设备及存储介质 |
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 |