CN115689245A - 一种用于确定不同场景下骑手的背单量的方法及装置 - Google Patents

Abstract

一种用于确定不同场景下骑手的背单量的方法及装置，用以更准确地对不同场景下骑手的背单量进行推荐。该方法包括：确定骑手进行配送的指定配送场景及指定配送参数组合；从历史配送数据确定的对照关系中，确定出满足所述指定配送场景、所述指定配送参数组合及超时率不大于站点的指定超时率的推荐背单量，作为所述骑手进行配送的背单量；所述对照关系用于表征各配送场景的不同配送参数组合在不同背单量下对应的超时率；所述超时率为骑手单次配送过程中超时订单数占该次配送过程的总订单数的比例；所述不同配送参数组合为各配送参数的参数值不完全相同。

Description

一种用于确定不同场景下骑手的背单量的方法及装置

技术领域

本申请涉及电子商务技术领域，尤其涉及一种用于确定不同场景下骑手的背单量的方法及装置。

背景技术

对于单点到多点的配送模式，骑手在站点统一取到该趟配送的所有订单商品后，再依次根据订单信息将商品配送至用户手中。目前，骑手单趟配送的背单量由站点的管理人员为每个骑手分配，此种背单量的确定方式过于依赖人工经验，当分配到骑手的背单量较大时，该骑手此趟配送超时的概率较大，当分配的背单量较小时，无法充分地发挥骑手的配送能力。

因此，目前亟需一种方案，用以更准确地对不同场景下骑手的背单量进行推荐。

发明内容

本申请提供一种用于确定不同场景下骑手的背单量的方法及装置，用以更准确地对不同场景下骑手的背单量进行推荐。

第一方面，本申请实施例提供一种用于确定不同场景下骑手的背单量的方法，该方法包括：确定骑手进行配送的指定配送场景及指定配送参数组合；从历史配送数据确定的对照关系中，确定出满足所述指定配送场景、所述指定配送参数组合及超时率不大于站点的指定超时率的推荐背单量，作为所述骑手进行配送的背单量；所述对照关系用于表征各配送场景的不同配送参数组合在不同背单量下对应的超时率；所述超时率为骑手单次配送过程中超时订单数占该次配送过程的总订单数的比例；所述不同配送参数组合为各配送参数的参数值不完全相同。

上述技术发方案中，根据每个骑手的历史配送数据，通过算法模拟在不同场景下的不同配送参数组合在不同背单量下对应的超时率。在实际应用时，首先指定配送场景、配送参数组合以及站点的超时率，然后确定在骑手的超时率不大于站点的指定超时率的情况下，骑手单次配送的最大背单量，将此最大背单量作为骑手进行配送的背单量，充分合理地发挥了骑手的配送能力，从而可以在目标站点的履约质量被用户接受的前提下，尽可能地提升目标站点的订单量。

在一种可能的设计中，从历史配送数据确定对照关系，包括：针对任一骑手，获取所述骑手在历史N天中的各单次配送数据及所述骑手的历史特征；将任一单次配送数据及所述历史特征组合为一条样本数据；所述单次配送数据包括配送参数、背单量及超时率；针对同一配送场景下的各样本数据，训练所述配送场景下的分类模型；所述分类模型用于确定在不同配送参数组合下不同背单量对应的超时率。

在一种可能的设计中，从历史配送数据确定对照关系，包括：针对任一骑手，获取所述骑手在历史N天中的各单次配送数据及所述骑手的历史特征；将任一单次配送数据及所述历史特征组合为一条第一样本数据；所述单次配送数据包括配送参数、背单量及超时率；针对同一配送场景下的各第一样本数据，训练所述配送场景下的分类模型；所述分类模型用于确定在不同配送参数组合下不同背单量对应的第一超时率；获取所述骑手在过去M天中的各单次配送数据；将任一单次配送数据及所述骑手在所述单次配送的背单量对应的第一超时率组合为一条第二样本数据；针对同一配送场景下的各第二样本数据，训练所述配送场景下的逻辑回归模型；所述逻辑回归模型用于确定在不同配送参数组合下不同背单量对应的第二超时率。

上述技术方案中，通过过去M天的配送数据对不同背单量对应的第一超时率进行优化，可以使最终确定的骑手的不同背单量对应的超时率更准确，进而可以使骑手的背单量推荐值更准确合理。

在一种可能的设计中，所述配送参数包括配送时长、笔件数、笔单价和载具；所述配送时长为单次配送的时间段长度；所述笔单价为单次配送中所有订单的订单总价格的均值所处的价格区间的档位；所述笔件数为单次配送中所有订单中商品总件数的均值所处的区间的档位；所述载具为骑手配送时使用的交通工具。

上述技术方案中，通过将订单的价格和订单中商品件数转换为对应的档位，可以实现数据的离散化，方便算法的参数控制。

在一种可能的设计中，所述骑手的历史特征为多个过去时长中单次配送过程的配送指标的均值、最大值、最小值、标准差和中位数；所述配送指标包括以下一项或多项：总订单数、超时订单数、订单超时率、配送剩余时长、订单前后时间差、系统预估配送时长。

在一种可能的设计中，所述获取所述骑手在历史N或M天中的各单次配送数据之前，还包括：剔除所述骑手单次配送的背单量低于站点的平均背单量且配送超时的配送数据。

上述技术方案中，如果骑手单次配送的背单量低于站点的平均背单量并且该次配送超时，表明该趟配送没有充分发挥骑手的配送能力，使用该次配送数据得到的背单量推荐值偏低，因此，认为该趟配送数据属于低质量样本，应将其剔除。

在一种可能的设计中，所述方法还包括：使用ROC曲线下与坐标轴围成的面积评估标准对所述分类模型的准确性进行验证；根据所述目标站点的准时率、订单总数、每小时完成的订单量是否提升对所述逻辑回归模型的准确性进行验证。

第二方面，本申请实施例提供一种用于确定不同场景下骑手的背单量的装置，包括：

确定模块，用于确定骑手进行配送的指定配送场景及指定配送参数组合；

处理模块，用于从历史配送数据确定的对照关系中，确定出满足所述指定配送场景、所述指定配送参数组合及超时率不大于站点的指定超时率的推荐背单量，作为所述骑手进行配送的背单量；所述对照关系用于表征各配送场景的不同配送参数组合在不同背单量下对应的超时率；所述超时率为骑手单次配送过程中超时订单数占该次配送过程的总订单数的比例；所述不同配送参数组合为各配送参数的参数值不完全相同。

在一种可能的设计中，所述处理模块，还用于针对任一骑手，获取所述骑手在历史N天中的各单次配送数据及所述骑手的历史特征；将任一单次配送数据及所述历史特征组合为一条样本数据；所述单次配送数据包括配送参数、背单量及超时率；针对同一配送场景下的各样本数据，训练所述配送场景下的分类模型；所述分类模型用于确定在不同配送参数组合下不同背单量对应的超时率。

在一种可能的设计中，所述处理模块，还用于针对任一骑手，获取所述骑手在历史N天中的各单次配送数据及所述骑手的历史特征；将任一单次配送数据及所述历史特征组合为一条第一样本数据；所述单次配送数据包括配送参数、背单量及超时率；针对同一配送场景下的各第一样本数据，训练所述配送场景下的分类模型；所述分类模型用于确定在不同配送参数组合下不同背单量对应的第一超时率；获取所述骑手在过去M天中的各单次配送数据；将任一单次配送数据及所述骑手在所述单次配送的背单量对应的第一超时率组合为一条第二样本数据；针对同一配送场景下的各第二样本数据，训练所述配送场景下的逻辑回归模型；所述逻辑回归模型用于确定在不同配送参数组合下不同背单量对应的第二超时率。

在一种可能的设计中，所述配送参数包括配送时长、笔件数、笔单价和载具；所述配送时长为单次配送的时间段长度；所述笔单价为单次配送中所有订单的订单总价格的均值所处的价格区间的档位；所述笔件数为单次配送中所有订单中商品总件数的均值所处的区间的档位；所述载具为骑手配送时使用的交通工具。

在一种可能的设计中，所述骑手的历史特征为多个过去时长中单次配送过程的配送指标的均值、最大值、最小值、标准差和中位数；所述配送指标包括以下一项或多项：总订单数、超时订单数、订单超时率、配送剩余时长、订单前后时间差、系统预估配送时长。

在一种可能的设计中，所述处理模块，还用于剔除所述骑手单次配送的背单量低于站点的平均背单量且配送超时的配送数据。

在一种可能的设计中，所述装置还包括验证模块，用于使用ROC曲线下与坐标轴围成的面积评估标准对所述分类模型的准确性进行验证；根据所述目标站点的准时率、订单总数、每小时完成的订单量是否提升对所述逻辑回归模型的准确性进行验证。

第三方面，本申请实施例还提供一种计算设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行如第一方面的任一种可能的设计中所述的方法。

第四方面，本申请实施例还提供一种计算机可读存储介质，其中存储有计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得上述第一方面的任一种可能的设计中所述的方法实现。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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为申请实施例所适用的一种系统架构的示意图；

图2为本申请实施例提供的一种确定不同场景下骑手的背单量的方法的流程示意图；

图3为本申请实施例提供的一种确定对照关系的方法的流程示意图；

图4为本申请实施例提供的另一种确定对照关系的方法的流程示意图；

图5为本申请实施例提供的一种确定不同场景下骑手的背单量的装置的结构示意图；

图6为本申请实施例提供的一种计算设备。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在本申请的实施例中，多个是指两个或两个以上。“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。

图1为本申请实施例适用的一种系统架构图，如图1所示，该系统架构至少包括背单量推荐系统101和终端设备102。背单量推荐系统101和终端设备102之间可以通过有线或无线通信的方式进行数据传输。

背单量推荐系统101用于获取骑手所使用的终端设备102上的配送数据，根据配送数据确定骑手在各配送场景的不同配送参数组合在不同背单量下对应的超时率。背单量推荐系统101还用于接收站点管理人员指定的配送场景、配送参数组合以及站点的指定超时率，进而确定出满足指定配送场景、指定配送参数组合及超时率不大于站点的指定超时率的推荐背单量。背单量推荐系统101可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

终端设备102为骑手在配送过程中使用的终端设备，骑手可以通过终端设备102获知每次配送的订单信息。终端设备102可以每间隔预设时间，将骑手的历史配送数据同步至背单量推荐系统，以便背单量推荐系统根据新的历史数据更新相关数据。终端设备102可以是智能手机、平板电脑、智能车载设备等。

需要说明的是，上述图1所示的系统架构仅是一种示例，本申请实施例对此不做具体限定。

图2示例性地示出了本申请实施例提供的用于确定不同场景下骑手的背单量的方法，如图2所示，该方法包括以下步骤：

步骤201、确定骑手进行配送的指定配送场景及指定配送参数组合。

本申请实施例中，综合考虑多种因素来对配送场景进行划分，例如，可以根据单次配送的时间段长度、单次配送需携带的订单数量、每笔订单的商品数量等因素将配送场景划分为：普通场景、晚班场景和大时段场景。其中，普通场景通常和晚班场景单次配送的时间段长度为1小时，但是晚班场景相比于普通场景订单数减少，因此骑手单次配送需携带的订单数量也较少；大时段场景主要应用在恶劣天气等特殊情况下，通常单次配送的时间段长度较长，通常在1.5小时以上，并且骑手单次配送需携带的订单数量以及每笔订单的商品数量较多。

配送参数可以包括配送时长、笔件数、笔单价和载具。其中，配送时长为单次配送的时间段长度，例如配送时长可以是1小时、1.5小时、2小时或者2小时以上。

笔单价为单次配送中所有订单的订单总价格的均值所处的价格区间对应的档位。例如，在进行数据处理时，可以根据每次配送的历史数据中所有订单的订单总价格的均值的分布情况，将笔单价划分为多个价格区间，每个价格区间对应一个档位。以3个档位为例，笔单价1-30为第1档位、笔单价30- 60为第2档位、笔单价60以上为第3档位。笔件数为单次配送中所有订单中商品总件数的均值所处的区间对应的档位。例如，在进行数据处理时，可以根据每次配送的历史数据中所有订单中商品总件数的均值的分布情况，将笔件数划分为多个区间，每个区间为一个档位，以3个档位为例，笔件数1-10 为第1档位、笔单价10-20为第2档位、笔单价20以上为第3档位。

载具为骑手配送时使用的交通工具，例如汽车、电瓶车、摩托车等。

步骤202、从历史配送数据确定的对照关系中，确定出满足所述指定配送场景、指定配送参数组合及超时率不大于站点的指定超时率的推荐背单量，作为骑手进行配送的背单量。

本申请实施例中，对照关系用于表征各配送场景的不同配送参数组合在不同背单量下对应的超时率，其中，背单量是指一趟配送骑手可以承载的最大订单数。超时率为骑手单次配送过程中超时订单数占该次配送过程的总订单数的比例，当一笔订单骑手的实际送达时间大于预计送达时间时，则认为该笔订单配送超时。不同配送参数组合为各配送参数的参数值不完全相同，例如配送参数组合A为配送时长1小时、笔件数2档、笔单价2档和载具为电瓶车的组合。配送参数组合B为指定的配送参数组合为配送时长1.5小时、笔件数2档、笔单价3档和载具为汽车的组合。

当指定了配送场景、配送参数组合以及站点的超时率后，首先系统会从历史配送数据确定的对照关系中，确定该配送场景以及该配送参数组合下，每个骑手在不同背单量下对应的超时率。然后从中选取骑手的超时率满足站点的超时率要求的情况下该骑手的最大背单量(即该最大背单量对应的超时率低于站点的指定超时率)，将该最大背单量作为该骑手的推荐背单量。

举例说明，站点的管理人员在系统中指定的配送场景为普通场景，指定的配送参数组合为配送组合A，指定的站点的超时率为52％。首先，系统会根据历史配送数据确定的对照关系，给出在普通配送场景以及配送参数组合 A下，每个骑手在不同背单量下对应的超时率，例如，在普通场景和配送参数组合A下，骑手001的背单量为1-20单时分别对应的超时率，如表1所示。

表1

骑手ID	001
		背单量	超时率
1	0
		2	0
3	0
		……	……
15	50％
		16	60％
17	68％
		18	75％
19	88％
		20	92％

然后，从上述骑手001在不同背单量下对应的超时率中，确定骑手的超时率低于站点的超时率52％的情况下骑手001的最大背单量为15单，因此，骑手001的推荐背单量为15。

示例性地，可以通过如下两种方式从历史配送数据确定对照关系。

方式一

图3示例性地示出了本申请实施例提供的一种从历史配送数据确定对照关系的方法，如图3所示，该方法包括以下步骤：

步骤301、针对任一骑手，获取骑手在历史N天中的各单次配送数据及骑手的历史特征。

本申请实施例中，单次配送数据包括配送参数(配送时长、笔件数、笔单价和载具)、背单量及超时率。

骑手的历史特征为多个过去时长中单次配送过程的配送指标的均值、最大值、最小值、标准差和中位数。配送指标包括以下一项或多项：总订单数、超时订单数、订单超时率、配送剩余时长、订单前后时间差、系统预估配送时长。其中，超时订单数表示单次配送中超时的订单数量；配送剩余时长表示每个订单的剩余配送时长；多订单前后时间差表示两个相邻送达订单之间的实际送达时间的差值、系统预估时长表示每个订单预估的配送时长。

需要说明的是，上述配送指标中包括单次配送维度的指标，如总订单数、超时订单数和订单超时率。以及订单维度的指标，如配送剩余时长、订单前后时间差、系统预估配送时长等，在进行数据处理时，对于订单维度的指标通过计算其均值，将订单维度的指标转换为单次配送维度的指标，例如，通过计算单次配送中所有订单的配送剩余时长的均值、所有订单的订单前后时间差的均值、以及所有订单的系统预估配送时长的均值，作为该次配送的配送数据。

具体地，在获取骑手在历史N天中的各单次配送数据时，针对任一骑手，收集过去N天中骑手每配送一趟的配送时长、笔件数、笔单价、载具、背单量及超时率，其中，骑手每配送一趟是指骑手从站点取到订单开始到全部订单配送完成后骑手回到站点结束。N的值可以根据实际需求进行设定，例如， N可以等于14。

在获取骑手的历史特征时，针对任一骑手，可以通过滑动窗口统计骑手最近3、5、7、14、28天各配送指标(包括总订单数、超时订单数、订单超时率、配送剩余时长、订单前后时间差、系统预估配送时长)的均值、最大值、最小值、标准差以及中位数等作为每个骑手的历史特征。需要说明的是，由于当天数据不完整，统计每个骑手近3、5、7、14、28天的配送数据时，是以昨天为基准进行统计的。骑手的历史特征可以没间隔设定时间更新一次，例如每天更新一次历史特征，或者每周更新一次历史特征。

此外，骑手的历史征还包括骑手个人信息，如骑手的编号、入职天数、所处站点等信息。

步骤302、将任一单次配送数据及历史特征组合为一条样本数据。

具体地，将步骤301中骑手的任一单次配送数据和骑手的历史特征组合为一条样本数据，示例性地，表2中每列数据为骑手001的一条样本数据。

表2

步骤303、针对同一配送场景下的各样本数据，训练配送场景下的分类模型。其中，分类模型用于确定在不同配送参数组合下不同背单量对应的超时率。

具体地，根据步骤302中每一条样本数据中该趟配送是否超时，对每一条样本数据打是否超时的标签。若一趟配送存在超时订单，则该趟配送超时，这条样本数据的训练标签即为超时；若一趟配送不存在超时订单，则该趟配送准时，这条样本数据的训练标签即为不超时。示例性地，可以将配送超时设置为0，配送不超时设置为1。此外，在大时段场景下，还需要对每一条样本数据打配送时长是否大于1.5小时的训练标签，配送超过1.5小时设置为0，配送不超过1.5小时设置为1。

需要说明的是，在对模型进行训练时，可以根据指定的不同场景筛选不同的样本数据。例如，普通场景采用高峰期(午、晚餐前)的配送数据；晚班场景采用晚间19-22点的配送数据。

将指定配送场景下的所有样本数据划分训练集和验证集，以获取骑手在历史14天中的配送数据为例，可以选取前7天的样本数据作为训练集，后7 天的样本数据作为验证集，输入到分类模型中进行训练。其中，分类模型可以是Lightgbm模型、Xgboost模型等。

训练好的分类模型的输出结果为指定配送场景及配送参数组合下骑手不同背单量对应的超时率，如表3所示，表3为骑手001在指定场景及配送参数组合下背单量1-20对应的超时率。

表3

在一种可能的实施方式中，可以使用AUC(ROC曲线下与坐标轴围成的面积)评估标准对上述分类模型的准确性进行验证。

由于分类模型的特点，在训练数据中没有出现背单量较高的数据，在实际使用分类模型进行预测时，如果输入高的背单量，也不会输出比训练集已有超时概率更高的超时概率。例如，在训练数据中的最大背单量为19，那么在使用训练好的分类模型进行预测时，输出背单量为20对应的超时率与背单量为19对应的超时率相同，都是88％，而不会输出比88％更大的超时率。对此，本申请提出方式二使用逻辑回归(Logistic Regression)模型对分类模型的输出结果进行优化。

方式二

图4示例性地示出了本申请实施例提供的另一种从历史配送数据确定对照关系的方法，如图4所示，该方法包括以下步骤：

步骤401、针对任一骑手，获取骑手在历史N天中的各单次配送数据及骑手的历史特征。

步骤402、将任一单次配送数据及历史特征组合为一条第一样本数据。

步骤403、针对同一配送场景下的各第一样本数据，训练配送场景下的分类模型，其中，分类模型用于确定在不同配送参数组合下不同背单量对应的第一超时率。

步骤401至步骤403中形成第一样本数据以及训练分类模型的方法，与方式一中步骤301至步骤303的方法一致，在此不做赘述。

步骤404、获取骑手在过去M天中的各单次配送数据。

具体地，可以获取骑手在过去1天或者过去3天打不粗配送的配送时长、笔件数、笔单价、载具、背单量及超时率。

步骤405、将任一单次配送数据及骑手在所述单次配送的背单量对应的第一超时率组合为一条第二样本数据。

示例性地，以获取骑手过去1天的各单次配送数据为例。表4中每列数据为骑手001的一条第二样本数据，包括每个骑手过去1天单次配送的配送时段、总订单数、笔件数、笔单价以及该趟配送中背单量对应的第一超时率 (该超时率为步骤403中分类模型输出的背单量对应的超时率)。

表4

	样本1	样本2	样本3	样本4	……
						骑手ID
配送时段
						总订单数
笔件数
						笔单价
载具
						第一超时率

步骤406、针对同一配送场景下的各第二样本数据，训练配送场景下的逻辑回归模型，其中，逻辑回归模型用于确定在不同配送参数组合下不同背单量对应的第二超时率。

第二样本数据中的标签沿用第一样本数据的标签，即配送超时设置为0，配送不超时设置为1。在大时段场景下，配送超过1.5小时设置为0，配送不超过1.5小时设置为1。

将步骤第二样本数据输入到逻辑回归模型中，输出结果为指定场景及配送参数组合下，最终确定的每个骑手不同背单量对应的超时率，如表5所示，表5为骑手ID为001的骑手在指定场景下及配送参数组合下背单量1-20对应的超时率。

表5

骑手ID	001
		背单量	超时率
1	0
		2	0
3	0
		……	……
15	50％
		16	60％
17	68％
		18	75％
19	88％
		20	92％

对于训练好的逻辑回归模型，可以根据目标站点的准时率、订单总数、每小时完成的订单量是否提升对逻辑回归模型的准确性进行验证。

在一种可能的实施方式中，获取骑手在历史N或M天中的各单次配送数据之前，还包括：剔除骑手单次配送的背单量低于站点的平均背单量且配送超时的配送数据。

本申请实施例中，在选取每个骑手的配送数据时还需要将低质量样本剔除，以免低质量样本对预测结果的影响。例如，由于某些特殊原因导致骑手一趟的配送数据中背单量低于骑手所属站点的平均背单量，且该趟配送超时 (这里的配送超时是指该趟配送中存在配送超时的订单)，则认为该趟配送数据为低质量样本，需要将其剔除，以避免使用这些数据导致预测结果偏低。

本申请提供一种用于确定不同场景下骑手的背单量的方法，根据每个骑手的历史配送数据，通过算法模拟在不同场景下的不同配送参数组合在不同背单量下对应的超时率。在实际应用时，首先指定配送场景、配送参数组合以及站点的超时率，然后确定在骑手的超时率不大于站点的指定超时率的情况下，骑手单次配送的最大背单量，将此最大背单量作为骑手进行配送的背单量，充分合理地发挥了骑手的配送能力，从而可以在目标站点的履约质量可以被用户接受的前提下尽可能地提升目标站点的订单量。

基于相同的技术构思，图5示例性地示出了本申请实施例提供的一种用于确定不同场景下骑手的背单量的装置，如图5所示，该装置500包括：

确定模块501，用于确定骑手进行配送的指定配送场景及指定配送参数组合；

处理模块502，用于从历史配送数据确定的对照关系中，确定出满足所述指定配送场景、所述指定配送参数组合及超时率不大于站点的指定超时率的推荐背单量，作为所述骑手进行配送的背单量；所述对照关系用于表征各配送场景的不同配送参数组合在不同背单量下对应的超时率；所述超时率为骑手单次配送过程中超时订单数占该次配送过程的总订单数的比例；所述不同配送参数组合为各配送参数的参数值不完全相同。

在一种可能的设计中，所述处理模块502，还用于针对任一骑手，获取所述骑手在历史N天中的各单次配送数据及所述骑手的历史特征；将任一单次配送数据及所述历史特征组合为一条样本数据；所述单次配送数据包括配送参数、背单量及超时率；针对同一配送场景下的各样本数据，训练所述配送场景下的分类模型；所述分类模型用于确定在不同配送参数组合下不同背单量对应的超时率。

在一种可能的设计中，所述处理模块502，还用于针对任一骑手，获取所述骑手在历史N天中的各单次配送数据及所述骑手的历史特征；将任一单次配送数据及所述历史特征组合为一条第一样本数据；所述单次配送数据包括配送参数、背单量及超时率；针对同一配送场景下的各第一样本数据，训练所述配送场景下的分类模型；所述分类模型用于确定在不同配送参数组合下不同背单量对应的第一超时率；获取所述骑手在过去M天中的各单次配送数据；将任一单次配送数据及所述骑手在所述单次配送的背单量对应的第一超时率组合为一条第二样本数据；针对同一配送场景下的各第二样本数据，训练所述配送场景下的逻辑回归模型；所述逻辑回归模型用于确定在不同配送参数组合下不同背单量对应的第二超时率。

在一种可能的设计中，所述配送参数包括配送时长、笔件数、笔单价和载具；所述配送时长为单次配送的时间段长度；所述笔单价为单次配送中所有订单的订单总价格的均值所处的价格区间的档位；所述笔件数为单次配送中所有订单中商品总件数的均值所处的区间的档位；所述载具为骑手配送时使用的交通工具。

在一种可能的设计中，所述骑手的历史特征为多个过去时长中单次配送过程的配送指标的均值、最大值、最小值、标准差和中位数；所述配送指标包括以下一项或多项：总订单数、超时订单数、订单超时率、配送剩余时长、订单前后时间差、系统预估配送时长。

在一种可能的设计中，所述处理模块502，还用于剔除所述骑手单次配送的背单量低于站点的平均背单量且配送超时的配送数据。

在一种可能的设计中，所述装置还包括验证模块503，用于使用ROC曲线下与坐标轴围成的面积评估标准对所述分类模型的准确性进行验证；根据所述目标站点的准时率、订单总数、每小时完成的订单量是否提升对所述逻辑回归模型的准确性进行验证。

基于相同的技术构思，本申请实施例提供了一种计算设备，如图6所示，包括至少一个处理器601，以及与至少一个处理器连接的存储器602，本申请实施例中不限定处理器601与存储器602之间的具体连接介质，图6中处理器601和存储器602之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。

在本申请实施例中，存储器602存储有可被至少一个处理器601执行的指令，至少一个处理器601通过执行存储器602存储的指令，可以执行上述确定不同场景下骑手的背单量的方法。

其中，处理器601是计算设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器602内的指令以及调用存储在存储器602内的数据，从而进行资源设置。可选地，处理器601 可包括一个或多个处理单元，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。在一些实施例中，处理器601和存储器602可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器601可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器602可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器 (Static Random Access Memory，SRAM)、可编程只读存储器 (Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器602还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

基于相同的技术构思，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行程序，计算机可执行程序用于使计算机执行上述任一方式所列的确定不同场景下骑手的背单量的方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种用于确定不同场景下骑手的背单量的方法，其特征在于，所述方法包括：

确定骑手进行配送的指定配送场景及指定配送参数组合；

从历史配送数据确定的对照关系中，确定出满足所述指定配送场景、所述指定配送参数组合及超时率不大于站点的指定超时率的推荐背单量，作为所述骑手进行配送的背单量；所述对照关系用于表征各配送场景的不同配送参数组合在不同背单量下对应的超时率；所述超时率为骑手单次配送过程中超时订单数占该次配送过程的总订单数的比例；所述不同配送参数组合为各配送参数的参数值不完全相同。

2.根据权利要求1所述的方法，其特征在于，从历史配送数据确定对照关系，包括：

针对任一骑手，获取所述骑手在历史N天中的各单次配送数据及所述骑手的历史特征；将任一单次配送数据及所述历史特征组合为一条样本数据；所述单次配送数据包括配送参数、背单量及超时率；

针对同一配送场景下的各样本数据，训练所述配送场景下的分类模型；所述分类模型用于确定在不同配送参数组合下不同背单量对应的超时率。

3.根据权利要求1所述的方法，其特征在于，从历史配送数据确定对照关系，包括：

针对任一骑手，获取所述骑手在历史N天中的各单次配送数据及所述骑手的历史特征；将任一单次配送数据及所述历史特征组合为一条第一样本数据；所述单次配送数据包括配送参数、背单量及超时率；

针对同一配送场景下的各第一样本数据，训练所述配送场景下的分类模型；所述分类模型用于确定在不同配送参数组合下不同背单量对应的第一超时率；

获取所述骑手在过去M天中的各单次配送数据；将任一单次配送数据及所述骑手在所述单次配送的背单量对应的第一超时率组合为一条第二样本数据；

针对同一配送场景下的各第二样本数据，训练所述配送场景下的逻辑回归模型；所述逻辑回归模型用于确定在不同配送参数组合下不同背单量对应的第二超时率。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述配送参数包括配送时长、笔件数、笔单价和载具；

所述配送时长为单次配送的时间段长度；

所述笔单价为单次配送中所有订单的订单总价格的均值所处的价格区间的档位；

所述笔件数为单次配送中所有订单中商品总件数的均值所处的区间的档位；

所述载具为骑手配送时使用的交通工具。

5.根据权利要求4所述的方法，其特征在于，所述骑手的历史特征为多个过去时长中单次配送过程的配送指标的均值、最大值、最小值、标准差和中位数；所述配送指标包括以下一项或多项：总订单数、超时订单数、订单超时率、配送剩余时长、订单前后时间差、系统预估配送时长。

6.根据权利要求3所述的方法，其特征在于，所述获取所述骑手在历史N或M天中的各单次配送数据之前，还包括：

剔除所述骑手单次配送的背单量低于站点的平均背单量且配送超时的配送数据。

7.根据权利要求3所述的方法，其特征在于，所述方法还包括：

使用ROC曲线下与坐标轴围成的面积评估标准对所述分类模型的准确性进行验证；

根据所述目标站点的准时率、订单总数、每小时完成的订单量是否提升对所述逻辑回归模型的准确性进行验证。

8.一种用于确定不同场景下骑手的背单量的装置，其特征在于，包括：

确定模块，用于确定骑手进行配送的指定配送场景及指定配送参数组合；

处理模块，用于从历史配送数据确定的对照关系中，确定出满足所述指定配送场景、所述指定配送参数组合及超时率不大于站点的指定超时率的推荐背单量，作为所述骑手进行配送的背单量；所述对照关系用于表征各配送场景的不同配送参数组合在不同背单量下对应的超时率；所述超时率为骑手单次配送过程中超时订单数占该次配送过程的总订单数的比例；所述不同配送参数组合为各配送参数的参数值不完全相同。

9.一种计算设备，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得如权利要求1至7中任一项所述的方法实现。

Images