CN109615201A - 订单分配方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明实施例涉及通信技术领域，公开了一种订单分配方法、装置、电子设备及存储介质，所述方法包括：获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；根据配送资源在目标波次的订单参数集合评估待分配订单在目标波次的超时概率；根据待分配订单在目标波次的超时概率对配送资源进行订单分配。本发明通过提出一个波次的概念，基于骑手从空载到下一空载的这一个波次的订单来对待分配订单的超时概率进行评估，提高了订单配送是否超时判断的精准性，从而提高了订单分配的有效性，提升了用户体验。

Description

订单分配方法、装置、电子设备和存储介质

技术领域

本发明实施例通信技术领域，特别涉及一种订单分配方法、装置、电子设备和存储介质。

背景技术

在订单分配***分配订单时，通常调度分配的不合理会导致配送超时的情况出现，因此，在分配订单时会全局考虑最适合的骑手，不会把订单分配给存在超时风险的骑手。

目前，对骑手配送订单是否可能超时进行判断基于以下两种方案：

一是根据骑手的最大背单能力(骑手负载订单的最大量)来预估骑手是否存在超时风险，从而实现骑手的分单调度。然而，最大背单量无法体现出骑手目前背单的具体送单路径和送单顺序，每个订单的难易程度(例如是否顺路)不同，因此无法对骑手是否超时进行精准评估。

二是对骑手的现有背单进行一个路径规划模拟，即模拟骑手的送单顺序判断骑手是否存在超时风险，从而实现骑手的分单调度。然而,对骑手送单路径模拟时，送单顺序和路径规划不是完全准确的、会存在误差。订单量越多，对每配送一个订单的超时预估偏差就会一直向后传递并积累。此外，路径规划和送单顺序的模拟跟真实发生的也不一定相符。基于这两点，在对骑手超时判断上也无法做到准确预估。

发明内容

本发明实施方式的目的在于提供一种订单分配方法、装置、电子设备和存储介质，通过提出一个波次的概念，基于骑手从空载(没单)到空载(全部订单送完)的这一个波次的订单来对待分配订单的超时概率进行评估，提高了订单配送是否超时判断的精准性，从而提高了订单分配的有效性，提升了用户体验。

为解决上述技术问题，本发明的实施方式提供了一种订单分配方法，包括：获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；根据配送资源在目标波次的订单参数集合评估配送资源在目标波次的超时概率；根据配送资源在目标波次的超时概率对配送资源进行订单分配。

本发明的实施方式还提供了一种订单分配装置，包括：参数获取模块，获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；概率评估模块，根据配送资源在目标波次的订单参数集合评估配送资源在目标波次的超时概率；订单分配模块，根据配送资源在目标波次的超时概率对配送资源进行订单分配。

本发明的实施方式还提供了一种电子设备，包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；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：获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；根据配送资源在目标波次的订单参数集合评估配送资源在目标波次的超时概率；根据配送资源在目标波次的超时概率对配送资源进行订单分配。

本发明的实施方式还提供了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的订单分配方法。

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：不同于现有技术中的单独依据配送资源的最大背单量或者根据路径规划模拟对每单的超时预估来判断配送资源是否超时，而是提出波次的概念，对一个波次的超时概率进行评估，避免了单参数独立性高和其他变量造成超时评估结果的不准确，从而提高了订单配送是否超时判断的精准性，提高了***分单的有效性，提升了用户体验。

另外，一个波次中最晚订单的分配时间早于一个波次中最早订单的取餐时间。限制了一个波次中的所有订单的配送状态，进一步提高了基于波次来进行超时概率评估的准确性。

另外，上述方法还包括：获取配送资源的历史波次的历史订单参数集合；构建配送资源的波次超时模型，波次超时模型包含波次超时函数，波次超时函数以配送资源的订单参数集合中的参数为变量，每个变量赋予相应的权重值；利用逻辑回归算法，根据配送资源的历史订单参数集合对波次超时模型进行训练。

另外，根据配送资源在目标波次的订单参数集合评估待分配订单在目标波次的超时概率，具体为：在训练后的波次超时模型中输入配送资源的目标波次的订单参数集合，计算配送资源在目标波次的超时概率。通过构建波次超时模型来评估配送资源在目标波次的超时概率，计算结果更准确，具有更高的参考价值。

另外，根据配送资源的历史订单参数集合对波次超时模型进行训练，具体为：使用sigmoid函数作为转换函数对波次超时函数进行转换；在转换后的波次超时函数中输入配送资源的历史波次的历史订单参数集合，得到超时概率值；将超时概率值与历史波次的超时结果进行比较，并根据比较结果来不断调整波次超时函数的权重值，直到权重值变化幅度小于幅度阈值或者达到预设的调整次数。利用机器学习算法将复杂的计算转化为简单的数学问题，便于训练得到最优的波次超时模型。

另外，上述方法还包括：接收待分配订单；将待分配订单分配给配送站点的多个配送资源。以便于对新增的订单进行合理分配。

另外，根据超时概率对配送资源进行订单分配，具体为比较待分配订单在多个配送资源的目标波次的超时概率；将待分配订单分配给超时概率最低的配送资源。当配送资源的目标波次的超时概率为最低时，将待分配订单分配给配送资源，能够根据精准的超时概率合理的对骑手进行订单分配调度。

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订单分配方法的流程图；

图2-1是根据本发明第二实施方式中的一种订单分配方法的流程图；

图2-2是根据本发明第二实施方式中利用逻辑回归算法对波次超时模型进行训练的方法流程图；

图2-3是是根据本发明第二实施方式中sigmoid函数的曲线图；

图3是根据本发明第三实施方式中的一种订单分配方法的流程图；

图4是根据本发明第四实施方式中的一种订单分配装置的结构示意图；

图5是根据本发明第五实施方式中的一种电子设备的结构示意图。

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。

第一实施方式

本发明的第一实施方式涉及一种订单分配方法，如图1所示，包括：

步骤103，获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；

步骤104，根据配送资源在目标波次的订单参数集合评估待分配订单在目标波次的超时概率；

步骤105，根据待分配订单在目标波次的超时概率对配送资源进行订单分配。

具体地，以配送资源为一个骑手为例进行说明，步骤103中，一个波次为骑手从一个空载状态到下一个空载状态的期间，即一个波次即该骑手从一次没有订单的状态到下一次订单全部送完的期间，具体执行时，该骑手的在一个波次期间的状态是将订单从尚未取单到全部送完，优选地，在实际应用中，该骑手的取点应很密集，送点应很顺路，以便于骑手能够获得最佳的业务表现。

例如对于骑手A，在上午10：00时处于一次没有订单(空载)的状态，此时骑手A接收到30个订单并且全部未取，这30个订单属于两个邻近的取单点(例如配送站点)所分配的订单，并且这30个订单的送点之间的距离不超过5公里，在之后的10：00-12：00期间，骑手A执行送单业务，预计截至12：00，骑手A将这30个订单全部配送完毕，即12：00时骑手A处于下一次没有订单(空载)的状态，那么10：00-12：00期间的这个阶段被认为是一个波次。

作为进一步优化，本实施方式的一个波次中最晚订单的分配时间早于一个波次中最早订单的取餐时间。例如骑手A在10：00-12：00期间的这个波次的订单中，第30个订单的分配时间为9：50，骑手A最早订单的取餐时间为10：01，这样骑手A能够在***将订单全部分配完成之后再去取单，方便骑手更好地去规划取单和送单的路径和时间，从而提高了订单配送的效率。

本实施方式的目标波次，是指新增待分配订单时配送资源的当前波次，即将配送资源未取的订单和待分配订单共同从全部未取到全部送完的期间。例如同样对于骑手A，在上午10：00时已接收30个订单且全部未取，此时若新增一个待分配订单，骑手A在10：30将这31个订单全部取完，在12：00将这31个订单全部送完，那么将10：00-12：00作为目标波次，该新增的一个待分配订单就属于目标波次中的订单。

进一步地，本实施方式的订单分配方法，在获取配送资源在目标波次的订单参数集合之前，如图1所示，还包括：

步骤101，接收待分配订单；

步骤102，将待分配订单分配给配送站点的多个配送资源。

具体来讲，本实施方式的上述实例中，新增待分配订单时，首先将该待分配订单分配给配送站点的多个候选骑手，然后获取每个候选骑手的目标波次，根据目标波次来获取候选骑手在目标波次的订单参数集合。例如上午10：00新增一个待分配订单，此时候选骑手已接收30个订单且全部未取，那么将这31个订单共同划分为候选骑手的目标波次中的订单，并获取这31个订单的订单参数集合。更为具体地，订单参数集合至少包括候选骑手的最大背单能力、候选骑手现有背单量、针对候选骑手的模拟路径规划的超时单数、候选骑手到取单点的距离和当前取单点的压力系数(例如配送站点的压力系数)。配送站点是在物流供应链环节中,为某个商圈(例如静安寺商圈、五角场商圈)的物流下游经销商、零售商、客户作配送工序的场所，其利用流通设施、信息***平台，对物流经手的货物,作倒装、分类、流通加工、配套、设计运输路线、运输方式,从而为服务对象提供度身配送服务。

其中，骑手的最大背单能力是指该骑手一次能够承担的最大的订单量，骑手的现有背单量是指该骑手当前承担的订单量，骑手的模拟路径规划的超时单数是指模拟路径规划下骑手配送的单中超时单的数量，骑手到取单点的距离是通常指骑手到取单的餐厅之间的距离，当前取单点的压力系数是指当前取单点的推单数与当前取单点在线骑手最大背单能力之和的比值。上述几个参数对于订单配送是否超时具有很大的影响作用，通过这几个参数来评估骑手在一个波次的超时概率，评估结果更为准确，参考价值更大。

进一步地，本实施方式根据获取的骑手在目标波次的订单参数集合评估待分配订单在目标波次的超时概率，并根据超时概率对骑手分配订单。例如相比较于配送站点的其他候选骑手，如果评估得到的待分配订单在候选骑手A的目标波次的超时概率较高则不为候选骑手A分配待分配订单，如果评估得到的待分配订单在候选骑手A的目标波次的超时概率较低，则将待分配订单分配给候选骑手A进行配送。

值得一提的是，本实施方式中，骑手为一种配送资源，本领域技术人员可以理解，配送资源还包括配送车辆、配送机器人等，不以本实施方式所例举的内容为限。

本实施方式获取了骑手在目标波次的订单参数集合，并根据订单参数集合来评估骑手对待分配订单在目标波次的超时概率，避免了通过单一的订单参数进行超时评估所带来的多变性，提高了订单配送是否超时评估的精准性，如此根据评估得到的超时概率对骑手分配订单，能够降低订单超时的概率，提高配送效率。

第二实施方式

本发明第二实施方式提供了一种订单分配方法，如图2-1所示，包括：

步骤201，获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；

步骤205，在训练后的波次超时模型中输入配送资源的目标波次的订单参数集合，计算待分配订单在目标波次的超时概率；

步骤206，根据待分配订单在目标波次的超时概率对配送资源进行订单分配。

进一步地，在步骤205之前，如图2-1所示，本实施方式的基于波次超时预估的订单分配方法还包括：

步骤202，获取配送资源的历史波次的历史订单参数集合；

步骤203，构建配送资源的波次超时模型，波次超时模型包含波次超时函数，波次超时函数以配送资源的订单参数集合中的参数为变量，每个变量赋予相应的权重值；

步骤204，利用逻辑回归算法，根据配送资源的历史订单参数集合对波次超时模型进行训练。

本实施方式的步骤201、步骤206与第一实施方式的步骤101、步骤103内容相同，不再赘述。

具体地，在步骤202-205中，本实施方式实质上是通过机器学习算法模型，根据多个可能影响骑手的波次超时因素来构建骑手的波次超时模型，通过对波次超时模型进行训练来得到优化的波次超时模型，并且利用优化的波次超时模型来计算待分配订单在骑手的目标波次的超时概率。

可选地，本实施方式的波次超时模型的波次超时函数中，函数的参数至少涉及配送资源在目标波次的现有背单量，还可以涉及配送资源在目标波次的其他影响配送效率的变量。例如对于骑手A在10：00-12：00期间的波次，在评估新增的一个待分配订单在骑手A的这个波次的超时概率时，首先获取这31个订单的多个订单参数(订单参数中至少包括骑手A的现有背单量30)，将多个订单参数结合波次超时模型进行计算，具体地，可通过逻辑回归算法来训练本实施方式中的波次超时模型，通过计算即可得到预估的超时概率。

需要说明的是，波次超时模型的每个变量赋予相应的权重值，以体现参数在预测一个波次中配送资源的超时概率时所具备的影响力大小。例如从历史波次的历史参数集合中可预估，骑手的背单能力对骑手在一个波次的超时概率具有较大的影响，可为背单能力这个参数赋予较大的权重值；若骑手的在一个波次的订单配送范围均未远离取单点(例如配送站点)3公里的范围内，即骑手到取单点的距离这个参数对于骑手在一个波次的超时概率的影响作用较小，那么可为骑手到取单点的距离这个参数赋予较小的权重值。根据不同参数对计算结果的影响力的不同来对不同参数赋予相应的权重值，能够获得较优的波次超时模型，有利于通过训练之后得到更为准确的计算结果。

本实施方式中，如图2-2所示，利用逻辑回归算法对波次超时模型进行训练的过程如下：

步骤2041，使用sigmoid函数作为转换函数对波次超时函数进行转换；

步骤2042，在转换后的波次超时函数中输入配送资源的历史波次的历史订单参数集合，得到超时概率值；

步骤2043，将超时概率值与历史波次的超时结果进行比较，并根据比较结果来不断调整波次超时函数的权重值，直到权重值变化幅度小于幅度阈值或者达到预设的调整次数。

逻辑回归实质是一种简单而效果好的分类算法，在逻辑回归算法的思想中，通常使用sigmoid函数作为转换函数，在该场景中，计算结果是要得到对样本数据的分类标签。sigmoid函数的表达式为：

f(x)＝1/(1+e^-x)(-x是幂数)；

进一步地，sigmoid函数的曲线图如图2-3所示，本实施方式中，通过sigmoid函数对波次超时函数进行转换，使得波次超时函数的计算值与历史波次的超时结果的实际值之间的差值，压缩到0～1的小区间，从而能够压缩数据的巨幅震荡，方便得到实际值的分类标签(分类以sigmoid函数的计算结果是否大于0.5为依据)，和波次超时函数的最优权重值。

本实施方式中，假设构建的拟合波次超时函数为：

Y(拟合)＝W1*X1+W2*X2+W3*X3…，

其中，X1、X2、X3…为订单参数集合中的各订单参数，W1、W2、W3…为构建的权重值，若将骑手的一个历史波次的历史订单参数集合代入上述拟合波次超时函数，得到该一个历史波次的超时概率值Y1(拟合)，例如Y1(拟合)为0.6，将0.6代入sigmoid函数中，得到sigmoid函数的函数值f(X)为0.51，即拟合波次超时函数的计算值与该一个历史波次的超时结果的实际值之间的差值为0.51，由于0.51大于0.5，可以判断该一个历史波次的超时结果的实际值应当是位于拟合波次超时函数的函数曲线的上方，此时应当调整构建的权重值W1、W2、W3…，使得拟合波次超时函数的计算值大于0.6，从而更为接近该一个历史波次的超时结果的实际值；一次调整之后，将骑手的另一个历史波次的历史订单参数集合代入上述拟合波次超时函数得到该一个历史波次的超时概率值Y1(拟合)，例如Y1(拟合)为0.3，将0.3代入sigmoid函数中，得到sigmoid函数的函数值f(X)为0.48，由于0.48小于0.5，可以判断该一个历史波次的超时结果的实际值应当位于拟合波次超时函数的函数曲线的下方，此时应当调整构建的权重值W1、W2、W3…，使得拟合波次超时函数的计算值小于0.3，从而更为接近该另一个历史波次的超时结果的实际值；根据这样的方法，利用骑手的历史波次的历史订单参数集合不断对波次超时函数的权重值进行调整，直到权重值的变化幅度小于预设的幅度阈值，例如每次调整的权重值的变化幅度小于幅度阈值0.02，或者直到达到了预设的调整次数.例如100次。

上述调整的过程可以采用梯度上升算法来进行，梯度上升算法是指找到波次超时函数的增长方向，通过小步前进-调整方向-继续小步前进-最终逼近最优解的方式不断迭代运算直到权重值几乎不再变化为止，梯度上升算法属于现有技术，在此不做赘述。

如此，根据配送资源的历史订单参数集合对波次超时模型进行训练，在训练后的波次超时模型中输入配送资源的目标波次的订单参数集合，即可计算获得配送资源在目标波次的超时概率，继而根据配送资源在目标波次的超时概率对配送资源进行订单分配。

本实施方式的订单参数集合不是具体某个订单的参数集合，而是骑手一个波次的参数集合。即计算一个骑手对待分配订单的超时概率大概是多少时，不是具体到某一单上，而是计算该骑手在当前波次所背的订单总量(包括待分配订单)的一个超时概率。通过波次超时模型计算超时概率，提高了订单配送是否超时判断的精准性，从而为订单分配提供了更加准确的依据

第三实施方式

本发明第三实施方式提供了一种订单分配方法，如图3所示，包括：

步骤301，获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；

步骤302，根据配送资源在目标波次的订单参数集合评估待分配订单在目标波次的超时概率；

步骤303，比较待分配订单在多个配送资源的目标波次的超时概率；

步骤304，将待分配订单分配给超时概率最低的配送资源。

具体地，步骤304中，当待分配订单在配送资源的目标波次的超时概率为最低时，对配送资源分配该待分配订单，否则不对配送资源分配该待分配订单。

本实施方式的步骤301、步骤302与第一实施方式中的步骤101、步骤102内容相同，不再赘述。

具体地，本实施方式的步骤303和步骤304中，以配送资源为骑手为例，当根据超时概率判断是否对候选骑手分配订单时，需要对配送站点的多个候选骑手进行比较，针对配送站点的每一个候选骑手，分别计算待分配订单在该候选骑手的目标波次的超时概率，即评估每一个候选骑手配送该待分配订单的超时概率，选取其中超时概率最低的候选骑手，将待分配订单分配给这个候选骑手进行配送。

例如当新增一个待分配订单时，配送站点当前在线的有3个骑手，其中骑手A已接收且未取单的订单为三个，骑手B已接收且未取单的订单有五个，骑手C已接收且未取单的订单有八个，将骑手A的三个订单和一个待分配订单共同划分为目标波次中的订单，根据这四个订单的订单参数集合计算待分配订单在骑手A的目标波次的超时概率为10％；将骑手B的五个订单和一个待分配订单共同划分为目标波次中的订单，根据这六个订单的订单参数集合计算待分配订单在骑手B的目标波次的超时概率为8％；将骑手C的八个订单和一个待分配订单共同划分为目标波次中的订单，根据这九个订单的订单参数集合计算待分配订单在骑手A的目标波次的超时概率为15％；那么比较而言，待分配订单在骑手B的目标波次的超时概率是最低的，则将待分配订单分配给骑手B进行配送，而不向骑手A和骑手C分配该待分配订单。

本实施方式通过设置超时概率阈值来进行判断，能根据精准的超时概率合理的对骑手分配订单调度。此外，本领域技术人员可以想到，本发明在根据预估超时概率判断是否为骑手分配订单时，还可以采用其他的判断方法，并不为本实施方式所限。

第四实施方式

本发明第四实施方式提供了一种订单分配装置，如图4所示，包括：

参数获取模块401，获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；

概率评估模块405，根据配送资源在目标波次的订单参数集合评估待分配订单在目标波次的超时概率；

订单分配模块406，根据待分配订单在目标波次的超时概率对配送资源进行订单分配。

本实施方式中，参数获取模块401中，一个波次中最晚订单的分配时间早于一个波次中最早订单的取餐时间。这样能够限制了一个波次中的所有订单的配送状态，进一步提高基于波次来进行超时概率评估的准确性。

更为具体地，参数获取模块401获取的订单参数集合至少包括以下因素的一个或多个：配送资源的最大背单能力、配送资源的现有背单量、模拟路径规划的超时单数、配送资源到取单点的距离和配送资源的压力系数。从而为波次超时概率的计算提供了相关参数，提高了计算的准确率。

另外，本实施方式的订单分配装置还包括：

历史参数获取模块402，获取配送资源的历史波次的历史订单参数集合；

模型构建模块403，构建配送资源的波次超时模型，波次超时模型包含波次超时函数，波次超时函数以配送资源的订单参数集合中的参数为变量，每个变量赋予相应的权重值；

模型训练模块404，利用逻辑回归算法，根据配送资源的历史订单参数集合对波次超时模型进行训练。

作为优选地，概率评估模块405根据配送资源在目标波次的订单参数集合评估配送资源在目标波次的超时概率，具体为：在训练后的波次超时模型中输入配送资源的目标波次的订单参数集合，计算待分配订单在目标波次的超时概率。

进一步地，模型训练模块404根据配送资源的历史订单参数集合对波次超时模型进行训练，具体为：使用sigmoid函数作为转换函数对波次超时函数进行转换；在转换后的波次超时函数中输入配送资源的历史波次的历史订单参数集合，得到超时概率值；将超时概率值与历史波次的超时结果进行比较，并根据比较结果来不断调整波次超时函数的权重值，直到权重值变化幅度小于幅度阈值或者达到预设的调整次数。

另外，本实施方式的订单分配装置还包括：

订单接收模块407，接收待分配订单；

订单处理模块408，将待分配订单分配给配送站点的多个配送资源。

在实际应用中，订单分配模块406根据超时概率对配送资源分配订单，具体可以包括：比较待分配订单在多个配送资源的目标波次的超时概率；将待分配订单分配给超时概率最低的配送资源。

本实施方式的订单分配装置，通过对骑手从空载(没单)到空载(全部订单送完)的这一个波次的超时概率进行评估，提高了订单配送是否超时判断的精准性，从而提高了订单分配的有效性，提升了用户体验。

第五实施方式

本实施方式提供了一种电子设备，如图5所示，包括至少一个处理器501；以及与至少一个处理器501通信连接的存储器502；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行以实现：

获取配送资源在目标波次的订单参数集合，波次为配送资源从一个空载状态到下一个空载状态的期间；

根据配送资源在目标波次的订单参数集合评估待分配订单在目标波次的超时概率；

根据待分配订单在目标波次的超时概率对配送资源进行订单分配。

具体地，图5中以通过总线连接为例。存储器502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501通过运行存储在存储器502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，即实现上述订单分配方法。

存储器502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；存储数据区可存储航运网络运输的历史数据等。此外，存储器502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502可选包括相对于处理器501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502中，当被一个或者多个处理器501执行时，执行上述任意方法实施方式中的订单分配方法。

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。

第六实施方式

本发明的第六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)执行本申请各个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-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施方式提供了A1.一种订单分配方法，包括：

获取配送资源在目标波次的订单参数集合，所述波次为所述配送资源从一个空载状态到下一个空载状态的期间；

根据所述配送资源在所述目标波次的订单参数集合评估待配送订单在所述目标波次的超时概率；

根据所述待配送订单在所述目标波次的超时概率对所述配送资源进行订单分配。

A2.根据A1所述的订单分配方法，一个所述波次中最晚订单的分配时间早于一个所述波次中最早订单的取单时间。

A3.根据A1所述的订单分配方法，所述方法还包括：

获取所述配送资源的历史波次的历史订单参数集合；

构建所述配送资源的波次超时模型，所述波次超时模型包含波次超时函数，所述波次超时函数以所述配送资源的订单参数集合中的参数为变量，每个所述变量赋予相应的权重值；

利用逻辑回归算法，根据所述历史订单参数集合对所述波次超时模型进行训练。

A4.根据A3所述的方法，所述根据所述配送资源在目标波次的订单参数集合评估待分配订单在所述目标波次的超时概率，具体为：

在训练后的所述波次超时模型中输入所述配送资源的目标波次的订单参数集合，计算所述待分配订单在所述目标波次的超时概率。

A5.根据A3所述的订单分配方法，所述根据所述配送资源的历史订单参数集合对所述波次超时模型进行训练，具体为：

使用sigmoid函数作为转换函数对所述波次超时函数进行转换；

在转换后的波次超时函数中输入所述历史波次的历史订单参数集合，得到超时概率值；

将所述超时概率值与所述历史波次的超时结果进行比较，并根据比较结果来不断调整所述波次超时函数的权重值，直到所述权重值变化幅度小于幅度阈值或者达到预设的调整次数。

A6.根据A1至A5中任一项所述的订单分配方法，所述方法还包括：

接收待分配订单；

将所述待分配订单分配给配送站点的多个配送资源。

A7.根据A6所述的订单分配方法，所述根据所述待分配订单在所述目标波次的超时概率对所述配送资源进行订单分配，具体为：

比较所述待分配订单在所述多个配送资源的所述目标波次的超时概率；

将所述待分配订单分配给所述超时概率最低的所述配送资源。

本申请实施方式还提供了B8.一种订单分配装置，包括：

参数获取模块，获取配送资源在目标波次的订单参数集合，所述波次为所述配送资源从一个空载状态到下一个空载状态的期间；

概率评估模块，根据所述配送资源在所述目标波次的订单参数集合评估所述配送资源在所述目标波次的超时概率；

订单分配模块，根据所述配送资源在所述目标波次的超时概率对所述配送资源进行订单分配。

本申请实施方式还提供了C9.一种电子设备，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；

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：

获取配送资源在目标波次的订单参数集合，所述波次为所述配送资源从一个空载状态到下一个空载状态的期间；

根据所述配送资源在所述目标波次的订单参数集合评估待分配订单在所述目标波次的超时概率；

根据所述待分配订单在所述目标波次的超时概率对所述配送资源进行订单分配。

C10.根据C9所述的电子设备，一个所述波次中最晚订单的分配时间早于一个所述波次中最早订单的取单时间。

C11.根据C9所述的电子设备，所述处理器还执行：

获取所述配送资源的所有历史波次的历史订单参数集合；

构建所述配送资源的波次超时模型，所述波次超时模型包含波次超时函数，所述波次超时函数以所述配送资源的订单参数集合中的参数为变量，每个所述变量赋予相应的权重值；

利用逻辑回归算法，根据所述配送资源的历史订单参数集合对所述波次超时模型进行训练。

C12.根据C11所述的电子设备，所述处理器执行根据所述配送资源在目标波次的订单参数集合评估待分配订单在所述目标波次的超时概率，具体为：

在训练后的所述波次超时模型中输入所述配送资源的目标波次的订单参数集合，计算所述配送资源在所述目标波次的超时概率。

C13.根据C11所述的电子设备，所述处理器执行根据所述配送资源的历史订单参数集合对所述波次超时模型进行训练，具体为：

使用sigmoid函数作为转换函数对所述波次超时函数进行转换；

在转换后的波次超时函数中输入所述配送资源的历史波次的历史订单参数集合，得到超时概率值；

将所述超时概率值与所述历史波次的超时结果进行比较，并根据比较结果来不断调整所述波次超时函数的权重值，直到所述权重值变化幅度小于幅度阈值或者达到预设的调整次数。

C14.根据C9至C13中任一项所述的订单分配方法，所述处理器还用于执行：

接收待分配订单；

将所述待分配订单分配给配送站点的多个配送资源。

C15.根据C14所述的电子设备，所述处理器执行所述根据所述待分配订单在所述目标波次的超时概率对所述配送资源进行订单分配，具体为：

比较所述待分配订单在所述多个配送资源的所述目标波次的超时概率；

将所述待分配订单分配给所述超时概率最低的所述配送资源。

本申请实施方式还提供了D16.一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A7中任一项所述的订单分配方法。

Claims (10)

1.一种订单分配方法，其特征在于，包括：

获取配送资源在目标波次的订单参数集合，所述波次为所述配送资源从一个空载状态到下一个空载状态的期间；

根据所述配送资源在所述目标波次的订单参数集合评估待配送订单在所述目标波次的超时概率；

根据所述待配送订单在所述目标波次的超时概率对所述配送资源进行订单分配。

2.根据权利要求1所述的订单分配方法，其特征在于，一个所述波次中最晚订单的分配时间早于一个所述波次中最早订单的取单时间。

3.根据权利要求1所述的订单分配方法，其特征在于，所述方法还包括：

获取所述配送资源的历史波次的历史订单参数集合；

构建所述配送资源的波次超时模型，所述波次超时模型包含波次超时函数，所述波次超时函数以所述配送资源的订单参数集合中的参数为变量，每个所述变量赋予相应的权重值；

利用逻辑回归算法，根据所述历史订单参数集合对所述波次超时模型进行训练。

4.根据权利要求3所述的方法，其特征在于，所述根据所述配送资源在目标波次的订单参数集合评估待分配订单在所述目标波次的超时概率，具体为：

在训练后的所述波次超时模型中输入所述配送资源的目标波次的订单参数集合，计算所述待分配订单在所述目标波次的超时概率。

5.根据权利要求3所述的订单分配方法，其特征在于，所述根据所述配送资源的历史订单参数集合对所述波次超时模型进行训练，具体为：

使用s igmoid函数作为转换函数对所述波次超时函数进行转换；

在转换后的波次超时函数中输入所述历史波次的历史订单参数集合，得到超时概率值；

将所述超时概率值与所述历史波次的超时结果进行比较，并根据比较结果来不断调整所述波次超时函数的权重值，直到所述权重值变化幅度小于幅度阈值或者达到预设的调整次数。

6.根据权利要求1至5中任一项所述的订单分配方法，其特征在于，所述方法还包括：

接收待分配订单；

将所述待分配订单分配给配送站点的多个配送资源。

7.根据权利要求6所述的订单分配方法，其特征在于，所述根据所述待分配订单在所述目标波次的超时概率对所述配送资源进行订单分配，具体为：

比较所述待分配订单在所述多个配送资源的所述目标波次的超时概率；

将所述待分配订单分配给所述超时概率最低的所述配送资源。

8.一种订单分配装置，其特征在于，包括：

参数获取模块，获取配送资源在目标波次的订单参数集合，所述波次为所述配送资源从一个空载状态到下一个空载状态的期间；

概率评估模块，根据所述配送资源在所述目标波次的订单参数集合评估所述配送资源在所述目标波次的超时概率；

订单分配模块，根据所述配送资源在所述目标波次的超时概率对所述配送资源进行订单分配。

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；

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：

获取配送资源在目标波次的订单参数集合，所述波次为所述配送资源从一个空载状态到下一个空载状态的期间；

根据所述配送资源在所述目标波次的订单参数集合评估待分配订单在所述目标波次的超时概率；

根据所述待分配订单在所述目标波次的超时概率对所述配送资源进行订单分配。

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中任一项所述的订单分配方法。