CN109598430A - 配送范围生成方法、装置、电子设备和存储介质 - Google Patents
配送范围生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109598430A CN109598430A CN201811434820.6A CN201811434820A CN109598430A CN 109598430 A CN109598430 A CN 109598430A CN 201811434820 A CN201811434820 A CN 201811434820A CN 109598430 A CN109598430 A CN 109598430A
- Authority
- CN
- China
- Prior art keywords
- dispatching
- unit
- range
- dispatching unit
- expansion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 241000208340 Araliaceae Species 0.000 description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 description 6
- 235000008434 ginseng Nutrition 0.000 description 6
- 235000013305 food Nutrition 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 206010054949 Metaplasia Diseases 0.000 description 2
- IXTGTEFAVXEHRV-HRJJCQLASA-N N(3)-(4-methoxyfumaroyl)-2,3-diaminopropionic acid Chemical compound COC(=O)\C=C\C(=O)NC[C@H](N)C(O)=O IXTGTEFAVXEHRV-HRJJCQLASA-N 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000015689 metaplastic ossification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06Q10/06—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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及一种配送范围生成方法,包括:获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;以初始配送单元为中心,根据配送范围模型和配送单元的订单特征参数从配送单元中得到扩张配送单元;根据初始配送单元和扩张配送单元生成目标对象的第二配送范围。本发明通过构建配送范围模型,自动化生成目标对象优化的智能配送范围,替代了传统的以个人的经验、常识、目标对象周围的地理信息以及以往的订单分析来确认配送范围的方法,省时省力,提高了配送效率。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种配送范围生成方法、装置、电子设备和存储介质。
背景技术
配送范围对于外卖商家来说是非常重要的,对于不同品类的商家来说对于配送范围的要求是不同的,目前确定商家配送范围的方式主要包括根据商家属性信息中的各维度数值来生成向量,并对生成的向量进行聚类分析,划定商家对应的配送范围。上述方法虽然能够根据划定的网格确定商家的配送范围,但是并没有说明如何在现有配送范围基础上进行优化和调整。
发明内容
本发明实施方式的目的在于提供一种配送范围生成方法、装置、电子设备和存储介质,自动化地为目标对象划定出一个较优的配送范围,减少人工,提高配送效率。
为解决上述技术问题,本发明的实施方式提供了一种配送范围生成方法,包括:获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;以初始配送单元为中心,根据配送范围模型和配送单元的订单特征参数从配送单元中得到扩张配送单元;根据初始配送单元和扩张配送单元生成目标对象的第二配送范围。
本发明的实施方式还提供了一种配送范围的生成装置,包括:数据获取模块,获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;网格扩张模块,以初始配送单元为中心,根据配送范围模型和配送单元的订单特征参数从配送单元中得到扩张配送单元;范围生成模块,根据初始配送单元和扩张配送单元生成目标对象的第二配送范围。
本发明实施方式还公开了一种电子设备,包括至少一个处理器;与至少一个处理器通信连接的存储器;以及分别与处理器和存储器均为通信连接的通信组件,通信组件在处理器的控制下接收和发送数据;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行以实现:获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;以初始配送单元为中心,根据配送范围模型和配送单元的订单特征参数从配送单元中得到扩张配送单元;根据初始配送单元和扩张配送单元生成目标对象的第二配送范围。
本发明实施方式还公开了一种非易失性存储介质,用于存储计算机可读程序,计算机可读程序用于供计算机执行如上的配送范围生成方法。
本发明实施方式相对于现有技术而言,主要区别及其效果在于:本发明通过构建配送范围模型,通过对配送范围模型不断地训练,当输入目标对象的数据信息时,即可自动化生成目标对象优化的智能配送范围,替代了传统的以个人的经验、常识、目标对象周围的地理信息以及以往的订单分析来确认配送范围的方法,相比传统方法,本发明可实现自动化生成订单智能配送范围,减少了人工,省时省力,且提高了配送效率。
另外,本发明实施方式的方法还包括:构建配送范围模型,配送范围模型包括状态值函数,状态值函数以配送单元的订单特征参数为参数;根据机器学习算法,以目标对象所在商圈内对象的历史订单特征参数对配送范围模型进行训练。
另外,机器学习算法为强化学习算法,以初始配送单元为中心,根据配送范围模型从配送单元中得到扩张配送单元具体为:在状态值函数中输入目标对象第一配送范围内各配送单元的订单特征参数,得到配送单元的分值;根据配送范围模型和配送单元的分值,得到第一配送范围内的配送单元的完整状态值矩阵;以初始配送单元为中心,根据完整状态值矩阵对配送单元进行判断,得到扩张配送单元。通过强化学习算法来生成智能配送范围,能够适用于目标对象的初始配送范围确定的简单场景,计算准确,可得到最为优化的智能配送范围。
另外,根据配送范围模型和配送单元的分值,得到第一配送范围内配送单元的完整状态值矩阵,具体为:根据配送范围模型和初始配送单元的分值,得到初始状态值矩阵;以初始配送单元和与初始配送单元相邻的一个或多个配送单元为第二配送单元集合,根据配送范围模型和第二配送单元集合的配送单元的分值和,得到第二状态值矩阵;以第二配送单元集合和与第二配送单元集合相邻的一个或多个配送单元为第三配送单元集合,根据配送范围模型和第三配送单元集合的配送单元的分值和,得到第三状态值矩阵;以此类推,直到遍历第一配送范围的配送单元,得到完整状态值矩阵。以集合作为状态,以集合的分值和作为反馈值,最后形成完整状态值矩阵,便于通过强化学习算法对初始配送范围模型进行训练。
另外,以初始配送单元为中心,根据完整状态值矩阵对配送单元进行判断,得到扩张配送单元,具体为:在完整状态值矩阵中查询分值和最高的配送单元集合,将分值和最高的配送单元集合中的初始配送单元之外的配送单元,作为扩张配送单元。选取分值和最高的配送单元集合作为智能配送范围,能够通过训练得到最优的配送范围模型。
另外,机器学习算法为深度习算法,以初始配送单元为中心,根据配送范围模型从配送单元中得到扩张配送单元订单特征参数,具体为:在状态值函数中输入目标对象第一配送范围内各配送单元的订单特征参数,得到配送单元的分值;以初始配送单元为中心,根据配送单元的分值对配送单元进行判断,得到扩张配送单元。通过深度学些算法来生成智能配送范围,能够适用于强化学习算法的算力不足的复杂应用场景,从而得到最佳的智能配送范围。
另外,以初始配送单元为中心,根据各配送单元的分值对配送单元进行判断,得到扩张配送单元,具体为:选取与初始配送单元相邻的配送单元中分值最高的配送单元作为第一扩张配送单元,初始配送单元和第一扩张配送单元共同构成第一扩张范围;选取与第一扩张范围相邻的配送单元中分值最高的配送单元作为第二扩张配送单元,第一扩张范围和第二扩张配送单元共同构成第二扩张范围;以此类推,直到满足第二配送范围的要求,得到第n扩张配送单元和第n扩张范围,其中n为正整数;将第一扩张配送单元、第二扩张配送单元···第n扩张配送单元作为扩张配送单元。向外扩张时,每次选取分值最高的配送单元作为扩张配送单元,便于得到总分值最高的配送单元集合,从而能够得到最佳的智能配送范围。
另外,若得到的第(n-a)扩张配送单元包括多个,选取总分值最高的第n扩张范围作为目标对象的配送范围,其中a为大于1且小于n的正整数。
另外,满足第二配送范围的要求具体为:第二配送范围的面积不超过预设的面积阈值,或者初始配送单元与最***的扩张配送单元之间的最远距离不超过预设的距离阈值。设定阈值的目的是为了使得配送范围的扩展在合适的面积得以自动停止,避免无限扩张造成的算力不足问题。
另外,配送单元的订单特征参数通过以下步骤获得:在数据库中抽取第一配送范围的订单数据,订单数据包括运单宽表、订单宽表、目标对象宽表、电子地图的POI接口;对订单数据进行筛选得到第一配送范围内各个配送单元的订单特征参数。订单特征参数是对目标对象的配送质量或者配送效率等最具有影响力的配送数据,根据订单特征参数来计算,有利于得到最优的目标对象智能配送范围。
另外,的配送范围生成方法还包括:获取包括预设关键词的地理围栏;根据地理围栏对第二配送范围内配送单元进行判断,得到无效配送单元,其中,无效子区域单元位于地理围栏中或包括地理围栏;在第二配送范围中删除无效配送单元。避免在配送范围中加入无效区域,影响配送效率。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是根据本发明第一实施方式中的一种配送范围生成方法的流程图;
图2-1是根据本发明第二实施方式中的一种配送范围生成方法的流程图;
图2-2是根据本发明第二实施方式中的M商圈内某个对象K1的配送范围生成示意图;
图2-3是根据本发明第二实施方式中的扩张配送单元获取流程图;
图2-4是根据本发明第二实施方式中的完整状态值矩阵获取流程图;
图2-5是根据本发明第二实施方式中的目标对象的配送范围生成示意图;
图3-1是根据本发明第三实施方式中的一种配送范围生成方法流程图;
图3-2是根据本发明第三实施方式中的M商圈内某个对象K1的配送范围生成示意图;
图3-3是根据本发明第三实施方式中的扩张配送单元获取流程图;
图3-4是根据本发明第三实施方式中的目标对象的配送范围生成示意图;
图4-1是根据本发明第四实施方式中的一种配送范围生成方法流程图;
图4-2是根据本发明第四实施方式中的配送范围的生成方法所生成的智能配送范围示意图;
图5-1是根据本发明第五实施方式中的配送范围的生成装置示意图;
图5-2是根据本发明第五实施方式中的网格扩张模块示意图;
图5-3是根据本发明第五实施方式中的另一网格扩张模块示意图;
图6是根据本发明第六实施方式中的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种配送范围生成方法,本实施方式可以应用在终端侧,如应用在手机,平板电脑等终端设备中,也可以应用在网络侧的服务器中。本实施方式的实施方式的配送范围生成方法如图1所示,该方法包括:
步骤103,获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;
步骤104,以初始配送单元为中心,根据配送范围模型和配送单元的订单特征参数从配送单元中得到扩张配送单元;
步骤105,根据初始配送单元和扩张配送单元生成目标对象的第二配送范围。
具体地说,步骤103中,我们以目标对象所在位置为中心,向外辐射一定距离形成该目标对象的第一配送范围(即初始配送范围),这里的目标对象可以是配送站点或商户(例如餐厅、甜品店、药店)等;例如我们以某一商户的经纬度为中心,向外辐射一定距离形成一个地理范围,对这个范围进行筛选,例如剔除高速公路、桥梁等不可能作为订单送达点的区域之后形成的一个规则形状或者不规则形状的地理范围,作为该商户的初始配送范围(即第一配送范围)。然后将第一配送范围划分为若干个配送单元(各配送单元可以是将第一区域平均划分的大小一致的某个形状,也可以按照一定规则划分所得到,如按照地理位置进行划分),需要特别说明的是,各配送单元可以为网格,例如140米×140米的四边形格子,或其他形状和尺寸的单元格。
本实施方式中,订单特征参数根据具体根据以下方法获取:在数据库中抽取第一配送范围的订单数据;对订单数据进行筛选,得到各配送单元的订单特征参数。
以目标对象为商户进行说明,数据库中收集了以往与该商户有关的订单数据,在数据库中抽取第一配送范围的订单数据,订单数据包括运单宽表(由商户坐标、取餐时间、送餐时间、出餐时间等组成的数据库表,宽表是指字段比较多的数据库表,通常是指业务主题相关的指标、维度、属性关联在一起的一张数据库表)、订单宽表(由历史订单的餐厅类别、餐食类别等组成的数据库表)、商户宽表(由餐食品类、商户坐标、商家标签等组成的数据库表)、电子地图的POI接口(Apache POI是Apache软件基金会的开源项目,POI提供API给Java程序对Microsoft Office格式的文档进行读和写的功能);对订单数据进行整理、归纳和筛选之后,得到第一配送范围内的各配送单元的订单特征参数。订单特征参数可以是对订单的配送质量和效率具有影响力的特征数据,便于后续根据订单特征参数进行计算,以得到最优的配送范围。
在实际应用中,在对运单宽表、订单宽表、商户宽表、电子地图的POI接口等订单配送数据处理后得到的订单特征参数可以包括商户ID、运单所在配送单元的ID、商户至配送单元的步行距离、平均配送时长、平均AOI送餐时间(骑手到达目的地开始上楼、或者进入小区找到对应住户的时间)、平均出餐时间、有效完成单、超时单和预设时长内超时单等。以外卖业为例,其中,有效完成单指骑手将餐食成功送至用户的订单;超时单是骑手未在规定时间内将餐食送至用户,导致的送餐超时的订单;预设时长内超时单指在预设时长内,骑手超时送餐的订单。
进一步地,对订单配送数据进行筛选得到第一配送范围内的各配送单元的订单特征参数,具体是指通过订单配送数据中的商户ID和运单所在配送单元的ID,筛选出落入每个配送单元(网格)的该商户的订单,然后根据需要,筛选相关订单数据作为订单特征参数。
本实施方式的扩张配送单元,是指为了获得目标对象的更为优化的第二配送范围,以目标对象所在的初始配送单元为中心,不断将加入初始配送单元、以形成第二配送范围的目标对象第一配送范围内的其他配送单元。
本实施方式的步骤104中,以初始配送单元为中心,根据配送范围模型从配送单元中得到扩张配送单元,如图1所示,其中的配送范围模型具体通过以下方法得到:
步骤101,构建初始配送范围模型,初始配送范围模型包括状态值函数,状态值函数以配送单元的订单特征参数为参数;
步骤102,根据机器学习算法,以目标对象所在商圈的对象的历史订单特征参数对初始配送范围模型进行训练,得到优化配送范围模型。
这里的机器学习算法包括强化学习或深度学习算法,强化学习是一种自我修正和反馈的机器学习机制,让机器拥有自我学习和自我思考的能力,例如Q-learning算法和智能体算法;而深度学习主要关注的是特征的提取,通过大量的标注数据来训练模型来达到精准的特征提取和识别。
现有技术中,通常商户配送范围是根据个人的经验、常识、商户周围的地理信息以及以往的订单分析来划分的,这样划分的配送范围主要依靠人工主观意识,很可能会将潜在的客户划分至配送范围外而错失消费者,造成商家的损失,因此为了解决该问题,为商户提供更优和更准确的配送范围,本实施例构建和优化配送范围模型,并将一个大的地理范围分解到每一个小的配送单元,通过获取目标对象第一配送范围的配送单元的订单特征参数,并根据训练好的配送范围模型和配送单元的订单特征参数来获得目标对象的扩张配送单元,以初始配送单元为起点,逐渐加入更多的符合扩展策略的扩张配送单元,根据初始配送单元和扩张配送单元共同生成第二配送范围,从而自动获得优化的目标对象智能配送范围。
需要说明的是,本实施方式的配送范围模型可以根据目标对象的需求而定,具体体现在配送范围模型中的状态值函数的各参数不同的权重值上,例如当某商户想要更多的订单时,状态值函数中的订单数量参数就被赋予较大的权重值;如果某商户关心的是更高的配送质量,不关心订单数量,那么状态值函数中的超时单数量参数就被赋予较大的权重值。
本发明第二实施方式公开了一种配送范围生成方法,如图2-1所示,包括:
步骤201,获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;
步骤202,在状态值函数中输入目标对象第一配送范围内各配送单元的订单特征参数,得到配送单元的分值;
步骤203,根据配送范围模型和配送单元的分值,得到第一配送范围内的配送单元的完整状态值矩阵;
步骤204,以初始配送单元为中心,根据完整状态值矩阵对配送单元进行判断,得到扩张配送单元;
步骤205,根据初始配送单元和扩张配送单元生成目标对象的第二配送范围。
本实施方式中,首先根据强化学习算法,以目标对象所在商圈内所有对象的一个历史时间段的历史订单特征参数来对构建的配送范围模型进行训练。强化学习是人工智能领域比价成熟的技术,本实施方式以Q-Learning为例作简单说明。
Q-Learning的目标是学习一种策略,告诉代理在什么情况下要采取什么行动。它不需要环境模型,可以处理随机转换和奖励的问题,而无需进行调整。对于任何有限Markov决策过程(FMDP),Q-Learning发现一种策略是最优的,因为从当前状态开始,所有连续步骤的总奖励的预期值是可实现的最大值。在给定无限探索时间和部分随机策略的情况下,Q-Learning可以为任何给定的FMDP确定最佳动作选择策略。“Q”用来命名返回用于提供强化的奖励的函数,并且可以说代表在给定状态下采取的动作的“质量”。Q-learning包含一个代理,一系列状态以及一系列动作。通过执行一个动作,代理的状态会发生改变S1→S2(Aa),执行这个动作会使代理得到一个数值上的奖励,Q-learning中使用反馈函数来计算(状态,动作)的奖励值,简而言之,Q-learning通过一次又一次的状态变更来得到变更过程中最好(质量值最高)的一系列动作,并将状态和动作的得分关系记录在Q-Table中。
具体地,利用Q-learning强化学习算法,本实施方式以目标对象KI所在的M商圈内某个对象K1为例,如图2-2所示,首先在状态值函数中输入M商圈内各配送单元在一个历史时间段的历史订单特征参数,得到M商圈中各配送单元的分值;以对象K1所在的初始配送单元A1作为初始状态,对象K1所在的初始配送单元A1的分值作为初始状态的反馈值,根据初始状态和初始状态的反馈值得到初始状态值矩阵;以初始配送单元A1、和与初始配送单元A1相邻的4个配送单元B1-B4分别构成的第二配送单元集合为第二状态,即第二配送单元集合可以有〔A1,B1〕、〔A1,B2〕、〔A1,B3〕、〔A1,B4〕四个配送单元集合,以这四个配送单元集合各自的分值和作为第二状态的反馈值,根据第二状态和第二状态的反馈值得到第二状态值矩阵;以四个配送单元集合〔A1,B1〕、〔A1,B2〕、〔A1,B3〕、〔A1,B4〕,以及与这四个配送单元集合相邻的八个配送单元C1-C8分别构成的第三配送单元集合为第三状态,即第三配送单元集合可以有〔A1,B1,C1〕、〔A1,B1,C2〕、〔A1,B1,C8〕、〔A1,B2,C3〕、〔A1,B2,C2〕、〔A1,B2,C3〕、〔A1,B2,C4〕、〔A1,B3,C4〕、〔A1,B3,C5〕、〔A1,B3,C6〕、〔A1,B4,C6〕、〔A1,B4,C7〕、〔A1,B4,C8〕这十二个配送单元集合,以这十二个配送单元集合各自的分值和作为第三状态的反馈值,根据第三状态和第三状态的反馈值得到第二状态值矩阵;以此类推,指导遍历M商圈的全部配送单元,最终得到对象K1对应的一个完整状态矩阵a。
根据Q-learning强化学习算法,在对象K1所对应的上述完整状态矩阵a中查询分值最高的一个配送单元集合,例如配送单元集合〔A1,B3,C6、D5···Z26〕对应的分值和为198,是完整状态矩阵a中所有的状态反馈值中最高的数值,那么就将配送单元集合〔A1,B3,C6、D5···Z26〕这个状态作为对象A1的最优配送范围,配送单元集合〔A1,B3,C6、D5···Z26〕中所包含的各个配送单元B3,C6、D5···Z26即作为目标对象K1的扩张配送单元。
继而以目标对象所在的M商圈内另一个对象K2为例,同样依照上述方法得到对象K2的扩张配送单元,以及得到对象K2的最优配送范围。在机器学习过程中,每次都依照同样的规则来得到M商圈的一个对象的扩张配送单元和最优配送范围,同时摒弃其他的规则,从而利用目标对象所在商圈的所有配送单元在一个历史时间段的历史订单特征参数,对配送范围模型进行不断的优化训练,那么当在配送范围模型中再次输入目标对象的订单特征参数时,即可依照同样的规则生成目标对象对应的扩张配送单元和最优配送范围。
即训练完成之后,以目标对象所在的初始配送单元为中心,根据配送范围模型从配送单元中得到扩张配送单元,如图2-3所示,具体包括以下步骤:
步骤2021,在状态值函数中输入目标对象第一配送范围内各配送单元的订单特征参数,得到配送单元的分值;
步骤2022,根据配送范围模型和配送单元的分值,得到第一配送范围内的配送单元的完整状态值矩阵;
步骤2023,以初始配送单元为中心,根据完整状态值矩阵对配送单元进行判断,得到扩张配送单元。
进一步地,步骤2022的根据配送范围模型和配送单元的分值,得到第一配送范围内的配送单元的完整状态值矩阵,如图2-4所示,具体包括:
步骤2022a,根据配送范围模型和初始配送单元的分值,得到初始状态值矩阵;
步骤2022b,以初始配送单元和与初始配送单元相邻的一个或多个配送单元为第二配送单元集合,根据配送范围模型和第二配送单元集合的配送单元的分值和,得到第二状态值矩阵;
步骤2022c,以第二配送单元集合和与第二配送单元集合相邻的一个或多个配送单元为第三配送单元集合,根据配送范围模型和第三配送单元集合的配送单元的分值和,得到第三状态值矩阵;
步骤2022d,以此类推,直到遍历第一配送范围的配送单元,得到完整状态值矩阵。
例如目标对象第一配送范围的各配送单元如图2-5中所示,目标对象所在的初始配送单元P周围的四个配送单元分别为P1(-2)、P2(4)、P3(-1)、P4(1)(括号中的数字表示该配送单元的分值),根据步骤2022b将初始配送单元和相邻的各配送单元分别构成第二配送单元集合,其状态值(各第二配送单元集合的分值和)如下表1中S1所示,其中,S1中的q1表示初始配送单元P、配送单元P1所构成的一个第二配送单元集合,其状态值(这三个配送单元的分值和)Q(S1,q1)为-2;S1中的q2表示初始配送单元P、配送单元P2所构成的另一个第二配送单元集合,其状态值Q(S2、q2)为4,···以此类推,将初始配送单元和相邻的四个配送单元的状态值均列入表中;各第二配送单元集合加入了P5(3)、P6(15)、P7(6)、P8(-3),P9(-6)、P10(10)、P11(-3)、P12(2)八个相邻的配送单元;根据步骤2022c将各第二配送单元集合和相邻的各配送单元分别构成第三配送单元集合,其状态(各第三配送单元集合的分值和)如下表1中S2所示,其中,S2中的q1表示初始配送单元P、配送单元P1、配送单元P6构成的第三配送单元集合,其状态值Q(S2,q1)为13;S2中的q2表示初始配送单元P、配送单元P1、配送单元P7所构成的另一个第三配送单元集合,其状态值Q(S2,q2)为4,···以此类推,将第二配送单元集合和相邻的八个配送单元的状态值均列入表中;···以此类推,直到满足配送范围的要求,获得第n子区域集合,其状态值(各个第n子区域集合的分值)如下表1中Sn所示,其中n为正整数。
从表1中可见,由初始配送单元P和配送单元P1、配送单元P6共同构成的第三配送单元集合的分值和Q(S2,q1)最大,因此将配送单元P1、配送单元P6作为扩张配送单元来加入初始配送单元,最终将初始配送单元P、扩张配送单元P1、扩张配送单元P6共同构成的配送单元集合作为目标对象的智能配送范围。
表1
q1 | q2 | q3 | q4 | q5 | q6 | ··· | |
S1 | -2 | 4 | -1 | 1 | |||
S2 | 13 | 4 | 2 | -3 | -1 | 1 | |
S3 | 4 | -1 | 5 | 0 | -2 | 3 | |
S4 | -3 | 3 | -7 | 9 | -4 | 0 | |
S5 | 2 | 10 | 1 | -2 | 3 | 5 | |
··· | ··· | ··· | ··· | ··· | ··· | ··· | ··· |
Sn | N1 | N2 | N3 | N4 | N5 | N6 | ··· |
值得一提的是,在本实施方式中,订单特征参数可以包括优配单数、预设时长内超时订单数、预设时长外超时订单数。具体地,优配单为正常送达的订单,优配单数越多,该配送单元的订单配送质量越高;预设时长内超时订单数越多,该配送单元的订单配送效率越低;预设时长外超时订单数越少,该配送单元的订单配送效率越高,这三个订单特征参数作为目标对象最为关心的因素,对订单配送的配送质量、配送效率等具有主要的影响力,因此在扩张订单配送范围时,将每一个配送单元所承载的优配单数、预设时长内超时订单数、预设时长外超时订单数等作为训练参数来训练配送范围模型。
更进一步地,本实施方式中的状态值函数为反馈函数,具体地,通过将优配单数、预设时长内超时订单数、预设时长外超时订单数这3种订单特征参数输入反馈函数中,得到对应的配送单元的分值,记录每个配送单元的分值。
本实施方式通过强化学习算法对初始配送范围模型进行训练,以集合作为状态,以集合的分值和作为反馈值,最后形成完整状态值矩阵,选取分值和最高的配送单元集合作为智能配送范围,能够通过训练得到最优的配送范围。
本发明第三实施方式公开了一种配送范围生成方法,如图3-1所示,包括:
步骤301,获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;
步骤302,在状态值函数中输入目标对象第一配送范围内各配送单元的订单特征参数,得到配送单元的分值;
步骤303,以初始配送单元为中心,根据配送单元的分值对配送单元进行判断,得到扩张配送单元;
步骤304,根据初始配送单元和扩张配送单元生成目标对象的第二配送范围。
本实施方式中,首先根据深度学习算法,以目标对象所在商圈内所有对象的一个历史时间段的历史订单特征参数来对构建的配送范围模型进行训练。以下举例说明训练过程:
例如同样以目标对象所在的M商圈内某个对象K1为例,对象K1位于初始配送单元A1中,如图3-2所示,首先在状态值函数中输入M商圈内各配送单元在一个历史时间段的历史订单特征参数,得到M商圈中各配送单元的分值;接入以初始配送单元A1为中心,选取与初始配送单元A1相邻的四个配送单元B1-B4中分值最高的配送单元(例如B2)作为第一扩张配送单元,由初始配送单元A1、第一扩张配送单元B2共同构成第一扩张范围,图中所示即配送单元集合〔A1,B2〕;然后选取与第一扩张范围相邻的六个配送单元B1、C2、C3、C4、B3和B4之中分值最高的配送单元(例如C4)作为第二扩张配送单元,由第一扩张范围和第二扩张配送单元C4共同构成第二扩张范围,即图中所示的配送单元集合〔A1,B2,C4〕;之后再选取与第二扩张范围相邻的七个配送单元中分值最高的配送单元作为第三扩张配送单元,以此类推,直到满足第二配送范围的要求,得到第n扩张配送单元(例如Zm),由第(n-1)扩张范围和第n扩张配送单元共同构成第n扩张范围(n为正整数),那么,第n扩张范围便作为满足第二配送范围要求的对象K1对应的最优的智能配送范围,第n扩张范围中所包含的初始配送单元A1之外的其他配送单元B2、C4···Zm便作为扩张配送单元。
继而以目标对象所在的M商圈内另一个对象K2为例,同样依照上述方法得到对象K2的扩张配送单元,以及得到对象K2的最优配送范围。在机器学习过程中,每次都依照同样的规则来得到M商圈的一个对象的扩张配送单元和最优配送范围,同时摒弃其他的规则,从而利用目标对象所在商圈的所有配送单元在一个历史时间段的历史订单特征参数,对配送范围模型进行不断的优化训练,那么当在配送范围模型中再次输入目标对象的订单特征参数时,即可依照同样的规则生成目标对象对应的扩张配送单元和最优配送范围。
即训练完成之后,以目标对象所在的初始配送单元为中心,根据配送范围模型从配送单元中得到扩张配送单元,如图3-3所示,具体包括以下步骤:
步骤3031,选取与初始配送单元相邻的配送单元中分值最高的配送单元作为第一扩张配送单元,初始配送单元和第一扩张配送单元共同构成第一扩张范围;
步骤3032,选取与第一扩张范围相邻的配送单元中分值最高的配送单元作为第二扩张配送单元,第一扩张范围和第二扩张配送单元共同构成第二扩张范围;
步骤3033,以此类推,直到满足第二配送范围的要求,得到第n扩张配送单元和第n扩张范围,其中n为正整数;
步骤3034,将第一扩张配送单元、第二扩张配送单元···第n扩张配送单元作为扩张配送单元。
具体地,如图3-4所示,以目标对象B为例,并以目标对象B所在配送单元B0为起点,比较它的上下左右周围四个配送单元B1、B2、B3、B4的分值(图中未标识部分标号),选择分值最高的配送单元作为目标对象B的第一扩张配送单元,假设配送单元B3的分值最高,因此将配送单元B3作为第一扩张配送单元,然后以初始配送单元B0和配送单元B3共同构成第一扩张范围,以第一扩张范围作为起点,比较配送单元B0和配送单元B3周围相邻的六个个配送单元(B5、B6、B7、B1、B2、B4)的分值(图中未标识部分标号),假设配送单元B7的分值最高,因此将配送单元B7作为目标对象B的第二扩张配送单元,然后以初始配送单元B0、配送单元B3、配送单元B7共同形成的区域构成第二扩张范围,以第二扩张范围作为起点,比较与这第二扩张范围相邻的多个配送单元的分值……,重复以上步骤,以此类推,不断的调整和更新配送范围,使得配送范围处于不断增大和更新的状态,直到满足第二配送范围的要求,以生成目标对象B的最优的智能配送范围。
需要进一步说明的是,若第(n-a)扩张配送单元包括多个,选取总分值最高的第n扩张范围作为目标对象的配送范围,其中a为大于1且小于n的正整数。例如在上述以目标对象B为例的优选实施例中,如果n=3,a=1,那么n-a=2,假设B6和B7的分值相同,即同时得到了两个第二扩张配送单元,那么需要比较包含B6和B7的第三扩张范围的总分值,例如包含B6的第三扩张范围由以初始配送单元B0、配送单元B3、配送单元B6和配送单元B11构成,其总分值为15;包含B7的第三扩张范围由以初始配送单元B0、配送单元B3、配送单元B7和配送单元B12构成,其总分值为10,那么选取前者为目标对象B的第二配送范围,即选择配送单元B3、配送单元B6和配送单元B11作为扩张配送单元。
其中,满足配送范围的要求可以是配送范围的面积不超过面积阈值,或者初始配送单元与最***的扩张配送单元的最远距离不超过距离阈值。设定阈值的目的是为了使得配送范围的扩展在合适的面积得以自动停止,避免在配送范围中加入配送质量低或效率差的配送单元。
例如,设置的面积阈值Z为10平米,当第二配送范围的总面积达到10平米时,则停止扩展;或者设置的距离阈值为5公里,当初始配送单元与最***的扩张配送单元的最远距离达到5公里时,应停止扩展。在本实施方式中,预设阈值有两个,分别是面积阈值和距离阈值,在实际应用中,可以根据目标对象的具体情况和需要选择相应的预设阈值,以确保生成的是满足目标对象需求的最优的配送范围。
在本实施方式中,订单特征参数包括总订单量、配送时间超预设时长的订单量(预设时长可以是30分钟或60分钟)、同品牌其他目标对象预测订单量。具体地,在某些场景下,总订单量越大,商户愈加倾向于选择该配送单元;配送时间超预设时长的订单量越多,该配送单元的订单配送效率越低;同品牌其他目标对象预测订单量越多,商户愈加倾向于选择该配送单元,这三个订单特征参数对于预测配送单元的订单数量、订单配送质量和订单配送效率具有主要的影响作用,因此在扩张配送范围时作为优选的因素进行考虑。
本实施方式再向外扩张配送范围时,每次选取分值最高的配送单元作为扩张配送单元,直到扩张到合适的范围则自动停止,从而能够得到最佳的智能配送范围。
本发明第四实施方式提供了一种智能配送范围的生成方法,如图4所示,包括:
步骤401,获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;
步骤402,以初始配送单元为中心,根据配送范围模型和配送单元的订单特征参数从配送单元中得到扩张配送单元;
步骤403,根据初始配送单元和扩张配送单元生成目标对象的第二配送范围;
步骤404,获取包括预设关键词的地理围栏;
步骤405,根据地理围栏对第二配送范围内配送单元进行判断,得到无效配送单元,其中,无效子区域单元位于地理围栏中或包括地理围栏;
步骤406,在第二配送范围中删除无效配送单元。
本实施方式中,步骤401-步骤403以在上文实施例中进行过说明,在此不做赘述。步骤404中,关键词可以是江湖河海、景区、公园、公墓,等等,以上区域是不会出现订单的,因此称为无效区域,判断第一配送范围中的配送单元和目标区域中每一个子区域单元是否包含江湖河海、景区、公园、公墓,或者判断第一配送范围中的配送单元和目标区域中每一个子区域单元是否整***于江湖河海、景区、公园、公墓之内,若是,则在第二配送范围中剔除含有无效区域的无效子区域单元,最终生成如图4-2所示的智能配送范围。
本实施方式中,在第二配送范围中删除无效配送单元,将过滤后的第二配送范围作为生成的目标对象的配送范围,避免在配送范围中加入无效区域,影响配送效率。
本发明第五实施方式公开了一种配送范围的生成装置,如图5-1所示,包括:
数据获取模块503,获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;
网格扩张模块504,以初始配送单元为中心,根据配送范围模型和配送单元的订单特征参数从配送单元中得到扩张配送单元;
范围生成模块505,根据初始配送单元和扩张配送单元生成目标对象的第二配送范围。
另外,本发明实施方式的配送范围的生成装置还包括:
模型构建模块501,构建配送范围模型,配送范围模型包括状态值函数,状态值函数以配送单元的订单特征参数为参数;
模型训练模块502,根据机器学习算法,以目标对象所在商圈内所有对象的一个历史时间段的历史订单特征参数对配送范围模型进行训练。
进一步地,机器学习算法为强化学习算法,如故5-2中所示,网格扩张模块504中具体包括:
分值计算单元5041,在状态值函数中输入目标对象第一配送范围内各配送单元的订单特征参数,得到配送单元的分值;
矩阵获取单元5042,根据配送范围模型和配送单元的分值,得到第一配送范围内的配送单元的完整状态值矩阵;
扩张判断单元5043,以初始配送单元为中心,根据完整状态值矩阵对配送单元进行判断,得到扩张配送单元。
这样通过强化学习算法来生成智能配送范围,能够适用于目标对象的初始配送范围确定的简单场景,计算准确,可得到最为优化的智能配送范围。
另外,矩阵获取单元5042根据配送范围模型和配送单元的分值,得到第一配送范围内配送单元的完整状态值矩阵,具体为:根据配送范围模型和初始配送单元的分值,得到初始状态值矩阵;以初始配送单元和与初始配送单元相邻的一个或多个配送单元为第二配送单元集合,根据配送范围模型和第二配送单元集合的配送单元的分值和,得到第二状态值矩阵;以第二配送单元集合和与第二配送单元集合相邻的一个或多个配送单元为第三配送单元集合,根据配送范围模型和第三配送单元集合的配送单元的分值和,得到第三状态值矩阵;以此类推,直到遍历第一配送范围的配送单元,得到完整状态值矩阵。以集合作为状态,以集合的分值和作为反馈值,最后形成完整状态值矩阵,便于通过强化学习算法对初始配送范围模型进行训练。
另外,扩张判断单元5043以初始配送单元为中心,根据完整状态值矩阵对配送单元进行判断,得到扩张配送单元,具体为:在完整状态值矩阵中查询分值和最高的配送单元集合,将分值和最高的配送单元集合中的初始配送单元之外的配送单元,作为扩张配送单元。选取分值和最高的配送单元集合作为智能配送范围,能够通过训练得到最优的配送范围模型。
另外,机器学习算法为深度习算法,如图5-3中所示,网格扩张模块504中还可以包括:
分值获取单元5141,在状态值函数中输入目标对象第一配送范围内各配送单元的订单特征参数,得到配送单元的分值;
扩张获取单元5142,以初始配送单元为中心,根据配送单元的分值对配送单元进行判断,得到扩张配送单元。
这样通过深度学些算法来生成智能配送范围,能够适用于强化学习算法的算力不足的复杂应用场景,从而得到最佳的智能配送范围。
另外,扩张获取单元5142以初始配送单元为中心,根据各配送单元的分值对配送单元进行判断,得到扩张配送单元,具体为:选取与初始配送单元相邻的配送单元中分值最高的配送单元作为第一扩张配送单元,初始配送单元和第一扩张配送单元共同构成第一扩张范围;选取与第一扩张范围相邻的配送单元中分值最高的配送单元作为第二扩张配送单元,第一扩张范围和第二扩张配送单元共同构成第二扩张范围;以此类推,直到满足第二配送范围的要求,得到第n扩张配送单元和第n扩张范围,其中n为正整数;将第一扩张配送单元、第二扩张配送单元···第n扩张配送单元作为扩张配送单元。向外扩张时,每次选取分值最高的配送单元作为扩张配送单元,便于得到总分值最高的配送单元集合,从而能够得到最佳的智能配送范围。
另外,扩张获取单元5142中若得到的第(n-a)扩张配送单元包括多个,选取总分值最高的第n扩张范围作为目标对象的配送范围,其中a为大于1且小于n的正整数。
另外,满足第二配送范围的要求具体为:第二配送范围的面积不超过预设的面积阈值,或者初始配送单元与最***的扩张配送单元之间的最远距离不超过预设的距离阈值。设定阈值的目的是为了使得配送范围的扩展在合适的面积得以自动停止,避免无限扩张造成的运算算力不足的问题。
另外,各个模块中的配送单元的订单特征参数通过以下步骤获得:在数据库中抽取第一配送范围的订单数据,订单数据包括运单宽表、订单宽表、目标对象宽表、电子地图的POI接口;对订单数据进行筛选得到第一配送范围内各个配送单元的订单特征参数。订单特征参数是对目标对象的配送质量或者配送效率等最具有影响力的配送数据,根据订单特征参数来计算,有利于得到最优的目标对象智能配送范围。
另外,配送范围的生成装置还包括:
围栏获取模块506,获取包括预设关键词的地理围栏;
无效判断模块507,根据地理围栏对第二配送范围内配送单元进行判断,得到无效配送单元,其中,无效子区域单元位于地理围栏中或包括地理围栏;
无效删除模块508,在第二配送范围中删除无效配送单元。通过删除江河湖海、景区、公园、公墓等物流不能进行配送的无效区域,进一步优化订单配送范围。
本发明第六实施方式涉及一种电子设备,本实施方式的电子设备可以说终端侧设备,如手机,平板电脑等终端设备,也可以是网络侧的服务器。
如图6所示,该电子设备:至少包括一个处理器601;以及,与至少一个处理器601通信连接的存储器602;以及,与扫描装置通信连接的通信组件603,通信组件603在处理器601的控制下接收和发送数据;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行以实现:
获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,目标对象位于第一配送范围内的初始配送单元;以初始配送单元为中心,根据配送范围模型和配送单元的订单特征参数从配送单元中得到扩张配送单元;根据初始配送单元和扩张配送单元生成目标对象的第二配送范围;
获取包括预设关键词的地理围栏;根据地理围栏对第二配送范围中的各配送单元和子区域单元进行判断,得到无效单元;在第二配送范围中删除无效单元。
具体地,图6中以通过总线连接为例。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。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述配送范围的生成方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器602中,当被一个或者多个处理器601执行时,执行上述任意方法实施方式中的配送范围的生成方法。
上述产品可执行本申请实施方式所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施方式中详尽描述的技术细节,可参见本申请实施方式所提供的方法。
本实施方式中,通过构建配送范围模型,并对配送范围模型不断地训练,当输入目标对象的数据信息时,即可自动化生成目标对象优化的智能配送范围,替代了传统的以个人的经验、常识、目标对象周围的地理信息以及以往的订单分析来确认配送范围的方法,相比传统方法,本发明可实现自动化生成订单智能配送范围,减少了人工,省时省力,且提高了配送效率。
本发明的第七实施方式涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlBMemorB)、随机存取存储器(RAM,Random Access MemorB)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
本发明实施方式公开了A1.一种配送范围的生成方法,包括:
获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,所述目标对象位于所述第一配送范围内的初始配送单元;
以所述初始配送单元为中心,根据配送范围模型和所述配送单元的订单特征参数从所述配送单元中得到扩张配送单元;
根据所述初始配送单元和所述扩张配送单元生成所述目标对象的第二配送范围。
A2.根据A1所述的配送范围生成方法,所述方法还包括:
构建初始配送范围模型,所述初始配送范围模型包括状态值函数,所述状态值函数以配送单元的订单特征参数为参数;
根据机器学习算法,以所述目标对象所在商圈内对象的历史订单特征参数对所述配送范围模型进行训练。
A3.根据A1所述的配送范围生成方法,所述机器学习算法为强化学习算法,
所述以所述初始配送单元为中心,根据配送范围模型从所述配送单元中得到扩张配送单元订单特征参数,具体为:
在所述状态值函数中输入所述目标对象第一配送范围内各所述配送单元的订单特征参数,得到所述配送单元的分值;
根据所述配送范围模型和所述配送单元的分值,得到所述第一配送范围内的所述配送单元的完整状态值矩阵;
以所述初始配送单元为中心,根据所述完整状态值矩阵对所述配送单元进行判断,得到所述扩张配送单元。
A4.根据A3所述的配送范围生成方法,所述根据所述配送范围模型和所述配送单元的分值,得到所述第一配送范围内所述配送单元的完整状态值矩阵,具体为:
根据所述配送范围模型和所述初始配送单元的分值,得到初始状态值矩阵;
以所述初始配送单元和与所述初始配送单元相邻的一个或多个所述配送单元为第二配送单元集合,根据所述配送范围模型和所述第二配送单元集合的所述配送单元的分值和,得到第二状态值矩阵;
以所述第二配送单元集合和与所述第二配送单元集合相邻的一个或多个配送单元为第三配送单元集合,根据所述配送范围模型和所述第三配送单元集合的所述配送单元的分值和,得到第三状态值矩阵;
以此类推,直到遍历所述第一配送范围的所述配送单元,得到所述完整状态值矩阵。
A5.根据A4所述的配送范围生成方法,所述以所述初始配送单元为中心,根据所述完整状态值矩阵对所述配送单元进行判断,得到所述扩张配送单元,具体为:
在所述完整状态值矩阵中查询分值和最高的配送单元集合,将所述分值和最高的配送单元集合中的所述初始配送单元之外的所述配送单元,作为所述扩张配送单元。
A6.根据A1所述的配送范围生成方法,所述机器学习算法为深度习算法,
所述以所述初始配送单元为中心,根据配送范围模型从所述配送单元中得到扩张配送单元订单特征参数,具体为:
在所述状态值函数中输入所述目标对象第一配送范围内各所述配送单元的订单特征参数,得到所述配送单元的分值;
以所述初始配送单元为中心,根据所述配送单元的分值对所述配送单元进行判断,得到所述扩张配送单元。
A7.根据A6所述的配送范围生成方法,所述以所述初始配送单元为中心,根据各所述配送单元的分值对所述配送单元进行判断,得到扩张配送单元,具体为:
选取与所述初始配送单元相邻的配送单元中分值最高的配送单元作为第一扩张配送单元,所述初始配送单元和所述第一扩张配送单元共同构成第一扩张范围;
选取与所述第一扩张范围相邻的配送单元中分值最高的配送单元作为第二扩张配送单元,所述第一扩张范围和所述第二扩张配送单元共同构成第二扩张范围;
以此类推,直到满足所述第二配送范围的要求,得到第n扩张配送单元和第n扩张范围,其中n为正整数;
将所述第一扩张配送单元、第二扩张配送单元···第n扩张配送单元作为所述扩张配送单元。
A8.根据A7所述的配送范围生成方法,所述的配送范围生成方法还包括:
若得到的所述第(n-a)扩张配送单元包括多个,选取总分值最高的所述第n扩张范围作为所述目标对象的配送范围,其中a为大于1且小于n的正整数。
A9.根据A7所述的配送范围生成方法,所述满足第一配送范围的要求具体为:所述第二配送范围的面积不超过预设的面积阈值,或者所述初始配送单元与最***的扩张配送单元之间的最远距离不超过预设的距离阈值。
A10.根据A1-A9中任一项所述的配送范围生成方法,所述配送单元的订单特征参数通过以下步骤获得:
在数据库中抽取所述第一配送范围的订单数据,所述订单数据包括运单宽表、订单宽表、目标对象宽表、电子地图的POI接口;
对所述订单数据进行筛选得到所述第一配送范围内各个配送单元的订单特征参数。
A11.根据A10所述的配送范围生成方法,还包括:
获取包括预设关键词的地理围栏;
根据所述地理围栏对所述第二配送范围内各所述配送单元进行判断,得到无效配送单元,其中,所述无效子区域单元位于所述地理围栏中或包括所述地理围栏;
在所述第二配送范围中删除所述无效配送单元。
本发明实施方式还提供了B12.一种配送范围的生成装置,包括:
数据获取模块,获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,所述目标对象位于所述第一配送范围内的初始配送单元;
网格扩张模块,以所述初始配送单元为中心,根据配送范围模型和所述配送单元的订单特征参数从所述配送单元中得到扩张配送单元;
范围生成模块,根据所述初始配送单元和所述扩张配送单元生成所述目标对象的第二配送范围。
本发明实施方式还提供了C13.一种电子设备,包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器和通信单元;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现:
获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,所述目标对象位于所述第一配送范围内的初始配送单元内;
以所述初始配送单元为中心,根据配送范围模型和所述配送单元的订单特征参数从所述配送单元中得到扩张配送单元;
根据所述初始配送单元和所述扩张配送单元生成所述目标对象的第二配送范围。
C14.根据C13所述的电子设备,所述处理器还用于执行:
构建配送范围模型,所述配送范围模型包括状态值函数,所述状态值函数以配送单元的订单特征参数为参数;
根据机器学习算法,以所述目标对象所在商圈内对象的历史订单特征参数对所述配送范围模型进行训练。
C15.根据13所述的电子设备,所述机器学习算法为强化学习算法,
所述处理器执行以所述初始配送单元为中心,根据配送范围模型从所述配送单元中得到扩张配送单元订单特征参数,具体为:
在所述状态值函数中输入所述目标对象第一配送范围内各所述配送单元的订单特征参数,得到所述配送单元的分值;
根据所述配送范围模型和所述配送单元的分值,得到所述第一配送范围内的所述配送单元的完整状态值矩阵;
以所述初始配送单元为中心,根据所述完整状态值矩阵对所述配送单元进行判断,得到所述扩张配送单元。
C16.根据C15所述的电子设备,所述处理器执行所述根据所述配送范围模型和所述配送单元的分值,得到所述第一配送范围内所述配送单元集合的完整状态值矩阵,具体为:
根据所述配送范围模型和所述初始配送单元的分值,得到初始状态值矩阵;
以所述初始配送单元和与所述初始配送单元相邻的一个或多个所述配送单元为第二配送单元集合,根据所述配送范围模型和所述第二配送单元集合的所述配送单元的分值和,得到第二状态值矩阵;
以所述第二配送单元集合和与所述第二配送单元集合相邻的一个或多个配送单元为第三配送单元集合,根据所述配送范围模型和所述第三配送单元集合的所述配送单元的分值和,得到第三状态值矩阵;
以此类推,直到遍历所述第一配送范围的所述配送单元,得到所述完整状态值矩阵。
C17.根据C16所述的电子设备,所述处理器执行所述以所述初始配送单元为中心,根据所述完整状态值矩阵对所述配送单元进行判断,得到扩张配送单元,具体为:
在所述完整状态值矩阵中查询分值和最高的配送单元集合,将所述分值和最高的配送单元集合中的所述初始配送单元之外的所述配送单元,作为所述扩张配送单元。
C18.根据C13所述的电子设备,所述机器学习算法为深度习算法,
所述处理器执行以所述初始配送单元为中心,根据配送范围模型从所述配送单元中得到扩张配送单元订单特征参数,具体为:
在所述状态值函数中输入所述目标对象第一配送范围内所述配送单元的历史订单特征参数,得到所述配送单元的分值;
以所述初始配送单元为中心,根据所述配送单元的分值对所述配送单元进行判断,得到所述扩张配送单元。
C19.根据C18所述的电子设备,所述处理器执行所述以所述初始配送单元为中心,根据各所述配送单元的分值对所述配送单元进行判断,得到扩张配送单元,具体为:
选取与所述初始配送单元相邻的配送单元中分值最高的配送单元作为第一扩张配送单元,所述初始配送单元和所述第一扩张配送单元共同构成第一扩张范围;
选取与所述第一扩张范围相邻的配送单元中分值最高的配送单元作为第二扩张配送单元,所述第一扩张范围和所述第二扩张配送单元共同构成第二扩张范围;
以此类推,直到满足所述第二配送范围的要求,得到第n扩张配送单元和第n扩张范围,其中n为正整数;
将所述第一扩张配送单元、第二扩张配送单元···第n扩张配送单元作为所述扩张配送单元。
C20.根据C19所述的电子设备,所述处理器还用于执行:
若得到的所述第(n-a)扩张配送单元包括多个,选取总分值最高的所述第n扩张范围作为所述目标对象的配送范围,其中a为大于1且小于n的正整数。
C21.根据C19所述的电子设备,所述满足第一配送范围的要求具体为:所述第二配送范围的面积不超过预设的面积阈值,或者所述初始配送单元与最***的扩张配送单元之间的最远距离不超过预设的距离阈值。
C22.根据C13-C21中任一项所述的电子设备,所述配送单元的订单特征参数通过以下获得:
在数据库中抽取所述第一配送范围的订单数据,所述订单数据包括运单宽表、订单宽表、目标对象宽表、电子地图的POI接口;
对所述订单数据进行筛选得到所述第一配送范围内各个配送单元的订单特征参数。
C23.根据C22所述的电子设备,所述处理器还用执行:
获取包括预设关键词的地理围栏;
根据所述地理围栏对所述第二配送范围中的各所述配送单元进行判断,得到无效配送单元,其中,所述无效子区域单元位于所述地理围栏中或包括所述地理围栏;
在所述第二配送范围中删除所述无效配送单元。
本发明实施方式还提供了D24.一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行如A1至A12中任一项所述的配送范围生成方法。
Claims (10)
1.一种配送范围的生成方法,其特征在于,包括:
获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,所述目标对象位于所述第一配送范围内的初始配送单元;
以所述初始配送单元为中心,根据配送范围模型和所述配送单元的订单特征参数从所述配送单元中得到扩张配送单元;
根据所述初始配送单元和所述扩张配送单元生成所述目标对象的第二配送范围。
2.根据权利要求1所述的配送范围生成方法,其特征在于,所述方法还包括:
构建初始配送范围模型,所述初始配送范围模型包括状态值函数,所述状态值函数以配送单元的订单特征参数为参数;
根据机器学习算法,以所述目标对象所在商圈内对象的历史订单特征参数对所述配送范围模型进行训练。
3.根据权利要求1所述的配送范围生成方法,其特征在于,所述机器学习算法为强化学习算法,
所述以所述初始配送单元为中心,根据配送范围模型从所述配送单元中得到扩张配送单元订单特征参数,具体为:
在所述状态值函数中输入所述目标对象第一配送范围内各所述配送单元的订单特征参数,得到所述配送单元的分值;
根据所述配送范围模型和所述配送单元的分值,得到所述第一配送范围内的所述配送单元的完整状态值矩阵;
以所述初始配送单元为中心,根据所述完整状态值矩阵对所述配送单元进行判断,得到所述扩张配送单元。
4.根据权利要求3所述的配送范围生成方法,其特征在于,所述根据所述配送范围模型和所述配送单元的分值,得到所述第一配送范围内所述配送单元的完整状态值矩阵,具体为:
根据所述配送范围模型和所述初始配送单元的分值,得到初始状态值矩阵;
以所述初始配送单元和与所述初始配送单元相邻的一个或多个所述配送单元为第二配送单元集合,根据所述配送范围模型和所述第二配送单元集合的所述配送单元的分值和,得到第二状态值矩阵;
以所述第二配送单元集合和与所述第二配送单元集合相邻的一个或多个配送单元为第三配送单元集合,根据所述配送范围模型和所述第三配送单元集合的所述配送单元的分值和,得到第三状态值矩阵;
以此类推,直到遍历所述第一配送范围的所述配送单元,得到所述完整状态值矩阵。
5.根据权利要求4所述的配送范围生成方法,其特征在于,所述以所述初始配送单元为中心,根据所述完整状态值矩阵对所述配送单元进行判断,得到所述扩张配送单元,具体为:
在所述完整状态值矩阵中查询分值和最高的配送单元集合,将所述分值和最高的配送单元集合中的所述初始配送单元之外的所述配送单元,作为所述扩张配送单元。
6.根据权利要求1所述的配送范围生成方法,其特征在于,所述机器学习算法为深度习算法,
所述以所述初始配送单元为中心,根据配送范围模型从所述配送单元中得到扩张配送单元订单特征参数,具体为:
在所述状态值函数中输入所述目标对象第一配送范围内各所述配送单元的订单特征参数,得到所述配送单元的分值;
以所述初始配送单元为中心,根据所述配送单元的分值对所述配送单元进行判断,得到所述扩张配送单元。
7.根据权利要求6所述的配送范围生成方法,其特征在于,所述以所述初始配送单元为中心,根据各所述配送单元的分值对所述配送单元进行判断,得到扩张配送单元,具体为:
选取与所述初始配送单元相邻的配送单元中分值最高的配送单元作为第一扩张配送单元,所述初始配送单元和所述第一扩张配送单元共同构成第一扩张范围;
选取与所述第一扩张范围相邻的配送单元中分值最高的配送单元作为第二扩张配送单元,所述第一扩张范围和所述第二扩张配送单元共同构成第二扩张范围;
以此类推,直到满足所述第二配送范围的要求,得到第n扩张配送单元和第n扩张范围,其中n为正整数;
将所述第一扩张配送单元、第二扩张配送单元···第n扩张配送单元作为所述扩张配送单元。
8.一种配送范围的生成装置,其特征在于,包括:
数据获取模块,获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,所述目标对象位于所述第一配送范围内的初始配送单元;
网格扩张模块,以所述初始配送单元为中心,根据配送范围模型和所述配送单元的订单特征参数从所述配送单元中得到扩张配送单元;
范围生成模块,根据所述初始配送单元和所述扩张配送单元生成所述目标对象的第二配送范围。
9.一种电子设备,包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器和通信单元;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现:
获取目标对象对应的第一配送范围内各配送单元的订单特征参数,其中,所述目标对象位于所述第一配送范围内的初始配送单元内;
以所述初始配送单元为中心,根据配送范围模型和所述配送单元的订单特征参数从所述配送单元中得到扩张配送单元;
根据所述初始配送单元和所述扩张配送单元生成所述目标对象的第二配送范围。
10.一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行如权利要求1至7中任一项所述的配送范围生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434820.6A CN109598430B (zh) | 2018-11-28 | 2018-11-28 | 配送范围生成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434820.6A CN109598430B (zh) | 2018-11-28 | 2018-11-28 | 配送范围生成方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598430A true CN109598430A (zh) | 2019-04-09 |
CN109598430B CN109598430B (zh) | 2021-01-08 |
Family
ID=65959025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811434820.6A Active CN109598430B (zh) | 2018-11-28 | 2018-11-28 | 配送范围生成方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598430B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223123A (zh) * | 2019-06-17 | 2019-09-10 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理方法、装置、可读存储介质和电子设备 |
CN110543994A (zh) * | 2019-09-11 | 2019-12-06 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、可读存储介质和电子设备 |
CN111489194A (zh) * | 2020-04-01 | 2020-08-04 | 拉扎斯网络科技(上海)有限公司 | 地图信息处理方法、装置、可读存储介质和电子设备 |
CN111640502A (zh) * | 2020-05-29 | 2020-09-08 | 口碑(上海)信息技术有限公司 | 配送对象的健康状态检测方法及装置 |
CN112053105A (zh) * | 2019-06-05 | 2020-12-08 | 北京京东振世信息技术有限公司 | 划分服务区域的方法和装置 |
WO2020258756A1 (zh) * | 2019-06-25 | 2020-12-30 | 北京三快在线科技有限公司 | 配送方适合混合送模式的确定 |
CN114077979A (zh) * | 2020-08-18 | 2022-02-22 | 北京三快在线科技有限公司 | 一种确定配送服务范围的方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156843A (zh) * | 2014-08-08 | 2014-11-19 | 上海新跃物流企业管理有限公司 | 一种物流配送管理***及其方法 |
CN105808784A (zh) * | 2016-03-31 | 2016-07-27 | 北京小度信息科技有限公司 | 推荐方法和装置 |
CN105825360A (zh) * | 2016-03-31 | 2016-08-03 | 北京小度信息科技有限公司 | 商户配送范围的调整方法和装置 |
CN106096897A (zh) * | 2016-07-29 | 2016-11-09 | 安徽理工大学 | 一种跨区域电商配送***及其效能评价方法 |
CN107093123A (zh) * | 2017-01-12 | 2017-08-25 | 北京小度信息科技有限公司 | 数据处理方法和装置 |
US20170287006A1 (en) * | 2016-04-04 | 2017-10-05 | Snap Inc. | Mutable geo-fencing system |
CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
CN107590242A (zh) * | 2017-09-14 | 2018-01-16 | 北京三快在线科技有限公司 | 一种地址信息处理方法及装置 |
-
2018
- 2018-11-28 CN CN201811434820.6A patent/CN109598430B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156843A (zh) * | 2014-08-08 | 2014-11-19 | 上海新跃物流企业管理有限公司 | 一种物流配送管理***及其方法 |
CN105808784A (zh) * | 2016-03-31 | 2016-07-27 | 北京小度信息科技有限公司 | 推荐方法和装置 |
CN105825360A (zh) * | 2016-03-31 | 2016-08-03 | 北京小度信息科技有限公司 | 商户配送范围的调整方法和装置 |
US20170287006A1 (en) * | 2016-04-04 | 2017-10-05 | Snap Inc. | Mutable geo-fencing system |
CN106096897A (zh) * | 2016-07-29 | 2016-11-09 | 安徽理工大学 | 一种跨区域电商配送***及其效能评价方法 |
CN107093123A (zh) * | 2017-01-12 | 2017-08-25 | 北京小度信息科技有限公司 | 数据处理方法和装置 |
CN107451673A (zh) * | 2017-06-14 | 2017-12-08 | 北京小度信息科技有限公司 | 配送区域划分方法和装置 |
CN107590242A (zh) * | 2017-09-14 | 2018-01-16 | 北京三快在线科技有限公司 | 一种地址信息处理方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053105A (zh) * | 2019-06-05 | 2020-12-08 | 北京京东振世信息技术有限公司 | 划分服务区域的方法和装置 |
CN110223123A (zh) * | 2019-06-17 | 2019-09-10 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理方法、装置、可读存储介质和电子设备 |
WO2020258756A1 (zh) * | 2019-06-25 | 2020-12-30 | 北京三快在线科技有限公司 | 配送方适合混合送模式的确定 |
CN110543994A (zh) * | 2019-09-11 | 2019-12-06 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、可读存储介质和电子设备 |
CN111489194A (zh) * | 2020-04-01 | 2020-08-04 | 拉扎斯网络科技(上海)有限公司 | 地图信息处理方法、装置、可读存储介质和电子设备 |
CN111489194B (zh) * | 2020-04-01 | 2023-12-08 | 拉扎斯网络科技(上海)有限公司 | 地图信息处理方法、装置、可读存储介质和电子设备 |
CN111640502A (zh) * | 2020-05-29 | 2020-09-08 | 口碑(上海)信息技术有限公司 | 配送对象的健康状态检测方法及装置 |
CN111640502B (zh) * | 2020-05-29 | 2023-08-22 | 口碑(上海)信息技术有限公司 | 配送对象的健康状态检测方法及装置 |
CN114077979A (zh) * | 2020-08-18 | 2022-02-22 | 北京三快在线科技有限公司 | 一种确定配送服务范围的方法及装置 |
CN114077979B (zh) * | 2020-08-18 | 2024-05-28 | 北京三快在线科技有限公司 | 一种确定配送服务范围的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109598430B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598430A (zh) | 配送范围生成方法、装置、电子设备和存储介质 | |
CN109583904A (zh) | 异常操作检测模型的训练方法、异常操作检测方法及装置 | |
Brown et al. | Path dependence and the validation of agent‐based spatial models of land use | |
CN109636013B (zh) | 配送范围的生成方法、装置、电子设备和存储介质 | |
CN106407999A (zh) | 结合规则来进行机器学习的方法及*** | |
CN110400022A (zh) | 自助柜员机现金用量预测方法及装置 | |
CN110334289A (zh) | 出行目的地的确定方法和目标用户的确定方法 | |
CN107608862A (zh) | 监控告警方法、监控告警装置及计算机可读存储介质 | |
CN110400021A (zh) | 银行网点现金用量预测方法及装置 | |
CN108073659A (zh) | 一种婚恋对象推荐方法及装置 | |
CN109615122A (zh) | 配送范围的生成方法、装置、电子设备和存储介质 | |
US11080639B2 (en) | Intelligent diversification tool | |
CN107330464A (zh) | 数据处理方法和装置 | |
CN108846695A (zh) | 终端更换周期的预测方法及装置 | |
CN108628882A (zh) | 用于预判问题的方法和*** | |
CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理***及其评估方法 | |
CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
Afshar et al. | Fuzzy multi-objective optimization of finance-based scheduling for construction projects with uncertainties in cost | |
CN110276387A (zh) | 一种模型的生成方法及装置 | |
CN106952060A (zh) | 物流调度方法及装置 | |
CN109583940A (zh) | 小区房源价值参数估计方法以及装置 | |
JP2022007877A (ja) | 不動産取引価格提案プログラム | |
CN106650940B (zh) | 一种领域知识库构建方法及装置 | |
CN109741172A (zh) | 信贷预警方法、装置、***及存储介质 | |
CN111091410B (zh) | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
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 |