CN110874700A - 物流订单匹配方法、装置以及电子设备 - Google Patents
物流订单匹配方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN110874700A CN110874700A CN201811020289.8A CN201811020289A CN110874700A CN 110874700 A CN110874700 A CN 110874700A CN 201811020289 A CN201811020289 A CN 201811020289A CN 110874700 A CN110874700 A CN 110874700A
- Authority
- CN
- China
- Prior art keywords
- logistics
- order
- matching
- logistics order
- distribution end
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013210 evaluation model Methods 0.000 claims abstract description 52
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种物流订单匹配方法,包括:获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。所述物流订单匹配方法,通过模型匹配为物流订单匹配更加适配的配送端,匹配效率更高,并且针对物流订单的匹配处理更加精细化,提升了物流服务质量,从而提升了物流消费体验。
Description
技术领域
本申请涉及物流技术领域,具体涉及一种物流订单匹配方法。本申请同时涉及一种物流订单匹配装置,以及一种电子设备。
背景技术
随着网络的兴起与繁荣,物联网在这个新时代中发挥越来越重要的作用,如何改善用户对包裹的物流体验,已成为各大物流公司关注的重点,目前物流行业内已推出多款提升用户收件体验的产品,例如,驿站、自提柜等,但寄件体验依然很差,用户不得不携带包裹到物流公司网点或者驿站去寄件,对于重量较重或者体积较大的物品,用户携带很不方便。
目前,虽然也有快递公司提供上门取件服务,例如,德邦、宅急送等,但几乎都是线下流程,没有规范化的服务,上门时间不承诺,用户端服务体验得不到稳定保障;用户端反馈渠道单一,通常只有电话,诉求得不到很好的解决;上门快递员无安全认证,寄件安全性存疑;寄件需求未整合,做不到统筹优化,容易造成物流资源浪费。
各种问题的存在就对快递员上门取件的入口统一、承诺服务提出了新需求,因此亟待一种能够解决上述问题的技术方案。
发明内容
本申请提供一种物流订单匹配方法,以解决现有技术存在的缺陷。本申请同时涉及一种物流订单匹配装置,以及一种电子设备。
本申请提供一种物流订单匹配方法,包括:
获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;
将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;
从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
可选的,所述物流订单匹配方法,包括:
基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单。
可选的,所述基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单,包括:
根据所述候选配送端集合中配送端对所述物流订单的匹配度从高到低的顺序,对所述候选配送端集合中配送端进行分层;每个分层对应各自的推送优先级,且推送优先级越高的分层的配送端对所述物流订单的匹配度越高;
按照推送优先级从高到底的顺序依次向每个分层的配送端推送所述物流订单。
可选的,所述基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单,包括:
向所述候选配送端集合中对所述物流订单的匹配度最高的配送端推送所述物流订单。
可选的,所述物流匹配评价模型,包括:分类子模型和融合子模型;
其中,所述分类子模型,用于根据输入的物流订单的订单请求信息和配送端的特征信息,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的初始匹配度;
所述融合子模型,用于根据输入的配送端的离线服务特征、实时揽件特征以及所述分类子模型获得的所述初始匹配度,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的匹配度。
可选的,所述融合子模型中,所述离线服务特征、所述实时揽件特征和所述初始匹配度设有各自对应的匹配权重,且所述匹配权重基于所述物流订单所处的业务场景进行配置。
可选的,所述物流对象收发范围覆盖所述物流地址的配送端,包括下述至少一项:
所处地理位置与所述物流地址的距离小于设定揽收距离的所有配送端,揽收的历史物流订单的物流地址与所述物流地址二者属于同一最小物流网格单元的配送端,实时地理位置与所述物流地址的距离小于设定阈值的配送端。
可选的,所述物流匹配评价模型的训练方式包括:
收集历史物流订单的物流订单数据;
对所述物流订单数据进行数据过滤,和/或,在至少一个特征维度对所述物流订单数据进行量化;
对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征;
将构建好所述揽收特征作为模型训练的输入,训练成功后获得所述物流匹配评价模型的模型特征参数。
可选的,所述物流订单数据,包括下述至少一项:
物流订单的寄件人信息、配送端的特征信息、物流订单状态属性信息和物流订单状态变化时间节点信息。
可选的,所述物流订单的寄件人信息,包括下述至少一项:订单标识、寄件人标识、寄件地址、寄件地址经纬度;
所述配送端的特征信息,包括下述至少一项:订单标识、配送端标识、配送端经纬度、配送端接单经纬度、配送端所属物流网点、配送端所属物流公司;
所述物流订单状态属性信息,包括下述至少一项:订单标识、订单状态标识、订单金额、订单货物类型;
所述物流订单状态变化时间节点信息,包括下述至少一项:订单标识、下单时间、接单时间、揽收时间。
可选的,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
对所述寄件地址经纬度进行物流网格化处理,获得所述寄件地址经纬度所属的最小物流网格单元,并确定所述最小物流网格单元的网格编号。
可选的,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
根据所述寄件地址经纬度和所述配送端接单经纬度,计算二者之间的球面距离作为所述配送端的接单距离。
可选的,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
根据所述下单时间和所述接单时间计算接单时长,以及,根据所述接单时间和所述揽收时间计算揽收时长。
可选的,所述特征维度包括:时间维度和空间维度;
相应的,所述对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征,包括:
将所述时间维度和所述空间维度进行组合,基于二者的组合生成所述物流订单数据对应的揽收特征。
可选的,所述揽收特征包括下述至少一项:
在所述时间维度和空间维度的样本分布特征,在所述时间维度和空间维度的服务特征。
可选的,所述时间维度和空间维度的样本分布特征,包括下述至少一项子特征:订单成单率、订单取消率、订单货物类型占比;
所述时间维度和空间维度的服务特征的子特征,包括下述至少一项子特征:订单按时揽收率、订单取消率、平均揽收时长、平均接单距离、平均寄件收入。
本申请还提供一种物流订单匹配装置,包括:
获取确定单元,用于获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;
匹配单元,用于将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;
筛选单元,用于从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
可选的,所述物流订单匹配装置,包括:
物流订单推送单元,用于基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单。
可选的,所述物流订单推送单元,包括:
排序分层子单元,用于根据所述候选配送端集合中配送端对所述物流订单的匹配度从高到低的顺序,对所述候选配送端集合中配送端进行分层;每个分层对应各自的推送优先级,且推送优先级越高的分层的配送端对所述物流订单的匹配度越高;
第一推送子单元,用于按照推送优先级从高到底的顺序依次向每个分层的配送端推送所述物流订单。
可选的,所述物流订单推送单元,包括:
第二推送子单元,用于向所述候选配送端集合中对所述物流订单的匹配度最高的配送端推送所述物流订单。
可选的,所述物流匹配评价模型,包括:分类子模型和融合子模型;
其中,所述分类子模型,用于根据输入的物流订单的订单请求信息和配送端的特征信息,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的初始匹配度;
所述融合子模型,用于根据输入的配送端的离线服务特征、实时揽件特征以及所述分类子模型获得的所述初始匹配度,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的匹配度。
可选的,所述融合子模型中,所述离线服务特征、所述实时揽件特征和所述初始匹配度设有各自对应的匹配权重,且所述匹配权重基于所述物流订单所处的业务场景进行配置。
可选的,所述物流对象收发范围覆盖所述物流地址的配送端,包括下述至少一项:
所处地理位置与所述物流地址的距离小于设定揽收距离的所有配送端,揽收的历史物流订单的物流地址与所述物流地址二者属于同一最小物流网格单元的配送端,实时地理位置与所述物流地址的距离小于设定阈值的配送端。
可选的,其特征在于,所述物流匹配评价模型通过下述单元训练获得:
历史物流订单数据收集单元,用于收集历史物流订单的物流订单数据;
过滤预处理单元,用于对所述物流订单数据进行数据过滤,和/或,在至少一个特征维度对所述物流订单数据进行量化;
特征构建单元,用于对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征;
模型训练单元,用于将构建好所述揽收特征作为模型训练的输入,训练成功后获得所述物流匹配评价模型的模型特征参数。
本申请还提供一种电子设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;
将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;
从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
与现有技术相比,本申请具有如下优点:
本申请提供的所述物流订单匹配方法,包括:获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
所述物流订单匹配方法,在为物流订单分配配送端环节中,通过确定物流对象收发范围覆盖物流订单的物流地址的配送端,进一步通过物流匹配评价模型对配送端与物流订单二者进行匹配计算,获得适于物流订单的配送端集合,最后将物流订单推送给配送端集合中的配送端,该方法综合考虑物流订单、配送端、以及物流对象收发范围,通过模型匹配为物流订单匹配更加适配的配送端,匹配效率更高,并且针对物流订单的匹配处理更加精细化,提升了物流服务质量,从而提升了物流消费体验。
附图说明
附图1是本申请提供的一种物流订单匹配方法实施例的处理流程图;
附图2是本申请提供的一种物流匹配评价模型训练过程的示意图;
附图3是本申请提供的一种物流订单推送过程的示意图;
附图4是本申请提供的一种物流订单匹配装置实施例的示意图;
附图5是本申请提供的一种电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请提供一种物流订单匹配方法,本申请还提供一种物流订单匹配装置,以及一种电子设备。以下分别结合本申请提供的实施例的附图逐一进行详细说明,并且对方法的各个步骤进行说明。
本申请提供的一种物流订单匹配方法实施例如下:
参照附图1,其示出了本申请提供的一种物流订单匹配方法实施例的处理流程图,参照附图2,其示出了本申请提供的一种物流匹配评价模型训练过程的示意图,参照附图3,其示出了本申请提供的一种物流订单推送过程的示意图。
步骤S101,获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端。
一般而言,一个地理位置区域会有多家物流公司的快递员负责收件,针对一个用户(消费者)发出的寄件需求,为保证用户的寄件体验,应当为其分配适于该用户的快递员,才能提升用户的满意度,快递员服务质量也会得到提升,用户寄件或退换件的便捷性才能够得到提高,间接的,才能提高用户在购物环节的整体购物体验,对于提供购物平台而言,也能够带来更多的流量,衍生更多有趣有价值的服务;另一方面,对快递员而言,寄件需求的整合,收件量稳步增长,也能够增加快递员的个人收入。
实际应用中,针对用户(寄件人)提出寄件需求、快递员揽件这一场景中,应遵循下述原则:
第一、由于业务限定,快递员不能超出揽件区域进行揽件,因此要确保物流订单所在区域属于快递员的揽件区域;
第二、快递员与物流订单的距离较近,快递员能够快速响应上门揽件;
第三、快递员的服务质量在众多同样服务当前揽件区域的快递员中是较优的;
第四、快递员的服务偏好符合寄件人的需求偏好。
为用户的寄件需求分配快递员时,应当尽可能的贴近上述四个原则,越贴近则用户寄件满意度也越高。本申请从机器学习的角度出发,通过综合考量用户、快递员、揽件区域等综合因素,通过训练模型,基于训练好的模型自动为需要寄件的用户分配最适配的快递员上门揽件,具体的,本申请提供的物流订单分配方法,在接收到用户的寄件请求(即:物流订单的订单请求)时,根据用户物流订单的订单请求信息,基于训练好的模型自动匹配出适于当前物流订单的快递员集合,最后将物流订单推送给快递员集合中的快递员。
所述物流订单分配方法不需要人工参与派单,基于历史物流订单产生的合理抢寄件数据,基于机器学习算法预测,对揽件范围的容错率高,快递员的指派出错率低;同时,该方法不需要人工事先录入快递员揽件区域数据,基于算法对历史物流订单的处理与识别,对于揽件区域变动的快递员,能够根据历史物流订单自动及时的获取,维护成本低。
本申请实施例所述配送端是指在物流网络末端进行配送和揽件的快递员或者机器配送设备,机器配送设备可以是配送机器人或者配送无人机等。在此,本申请实施例以快递员为例进行说明。
本申请提供的物流订单分配方法,基于物流匹配评价模型进行快递员与物流订单二者的匹配计算,因此,在所述物流订单分配方法执行前需训练物流匹配评价模型,物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得。如附图2所示,本申请实施例提供的一种优选实施方式中,物流匹配评价模型采用如下方式训练获得:
步骤S201、收集历史物流订单的物流订单数据;
模型训练需要大量样本数据,因此需要收集足够数量历史物流订单的物流订单数据,优选的,所述物流订单数据包括:物流订单的寄件人信息、快递员的特征信息、物流订单状态属性信息和物流订单状态变化时间节点信息。
具体的,物流订单的寄件人信息包括下述至少一项:订单标识、寄件人标识、寄件地址、寄件地址经纬度。快递员的特征信息包括下述至少一项:订单标识、快递员标识、快递员经纬度、快递员接单经纬度、快递员所属物流网点、快递员所属物流公司。
例如,物流订单的寄件人信息和快递员的特征信息见下述两表:
物流订单状态属性信息,包括下述至少一项:订单标识、订单状态标识、订单金额、订单货物类型。
例如,物流订单状态属性信息见下表:
订单标识(ID) | 订单状态标识 | 订单金额 | 订单货物类型 |
20398700600514 | 揽收成功 | 20元 | 衣物 |
物流订单状态变化时间节点信息,包括下述至少一项:订单标识、下单时间、接单时间、揽收时间。
例如,物流订单状态变化时间节点信息见下表:
步骤S202、对所述物流订单数据进行数据过滤,和/或,在至少一个特征维度对所述物流订单数据进行量化;
(1)对物流订单数据进行数据过滤
在实际应用中,通常情况下,从用户提交寄件的下单请求到快递员揽收需要花费的一定的时间,从下单到揽收成功用时(即:揽收时间)很短(比如几分钟)的可能性很小,基于此,在考察快递员的服务时可以对快递员从下单到揽收成功的揽收时间进行考察,对于从下单到揽收成功的揽收时间很短的物流订单,很可能是快递员采取作弊行为来提升服务表现,从而赚取补贴,因此,在进行模型训练之前,应当将样本数据中这部分从下单到揽收成功的揽收时间很短的物流订单的物流订单数据剔除,降低这部分数据对模型训练的影响,从而提升模型训练的准确性。
另一方面,对于状态不确定的物流订单,例如快递员爽约的物流订单(快递员接单后并没有进行上门揽件,而用户也没有取消物流订单),这类物流订单下用户与快递员的对应关系并不能直接下是否适配的定论,属于干扰性数据,亦将之从样本数据中剔除。
(2)在至少一个特征维度对所述物流订单数据进行量化
本申请实施例所述特征维度包括:时间维度和空间维度。其中,在空间维度对物流订单数据进行量化体现为下述两个方面:
a、对寄件地址经纬度进行物流网格化处理
寄件地址经纬度通常精确到小数点后5位,换算到现实空间中即为精确到1m以内(近似数值,直接计算两点经纬度间的球面距离)。但寄件地址经纬度精确到小数点后5位会导致寄件地址的精确地址粒度太细,单个寄件地址需求绝对量低,样本稀疏,随机波动性高,并且多个寄件地址在区域上的重合性较大,被同一个快递员揽件的可能性高。
优选的,对寄件地址经纬度进行物流网格化处理,具体是指对所述寄件地址经纬度进行物流网格化处理,获得所述寄件地址经纬度所属的最小物流网格单元,并确定所述最小物流网格单元的网格编号。
例如,“浙江省杭州市余杭区良睦路乐佳国际大厦1号楼”和“浙江省杭州市余杭区良睦路乐佳国际4号楼”这两个寄件地址,实际上都属于乐佳国际这个最小物流网格单元,而乐佳国际所有的寄件需求对于A物流公司来说,都是快递员b进行揽件。
因此,将寄件地址经纬度放缩到小数点后3位,约束地址在100m*100m的物流网格内,这样的物流网格就可作为快递员派送区域的基本单元,增加样本的稠密性,网格编号由精确到小数点后3位的经纬度唯一标识,例如,
寄件地址 | 寄件地址经纬度 | 网格编号 |
浙江省杭州市余杭区良睦路999号 | 120.10293,32.20182 | 120103_32202 |
b、接单距离计算
快递员接单距离会作为选择合适快递员的一个依据,通常,快递员距离寄件人越近,上门时间越短,匹配度也就越高。优选的,根据所述寄件地址经纬度和所述快递员接单经纬度,计算二者之间的球面距离作为所述快递员的接单距离。
例如,基于快递员接单时实时定位的快递员的经纬度和寄件地址经纬度,参考两点之间球面距离(大圆距离),进行计算,两点间距离计算公式如下:
在时间维度对物流订单数据进行量化体现如下:
快递员主动服务质量,直接表现在各项需求响应的及时情况,例如,用户下单到快递员接单的响应时长,快递员接单到揽收的响应时长等,响应时长越短,表示快递员主动服务意识越高,被推荐的概率越高。
优选的,在时间维度对物流订单数据进行量化,具体根据所述下单时间和所述接单时间计算接单时长,以及,根据所述接单时间和所述揽收时间计算揽收时长。
例如:
步骤S203、对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征;
特征构建的目的是为了准备模型训练需要的各维度特征,当前业务场景中的业务类型决定模型采用的特征为实数特征。如上所述,所述特征维度包括时间维度和空间维度,优选的,对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征,具体是指将所述时间维度和所述空间维度进行组合,基于二者的组合生成所述物流订单数据对应的揽收特征。
本实施例为了全面深入的刻画快递员与用户之间的关系,在时间维度和时间维度提取了以下揽收特征:样本分布特征和服务特征,即在所述时间维度和空间维度的样本分布特征,以及在所述时间维度和空间维度的服务特征。
(1)时间维度和空间维度
由于算法刻画的是快递员和用户间的匹配度,所以,空间维度主要围绕快递员和用户间的联系展开,用户一侧主要包括寄件网格编号、寄件人标识,快递员一侧主要包括快递员所属物流公司、快递员所属物流网点、快递员标识。
一般的,快递员揽件会呈现时间上的周期性(比如,工作日揽件,周末休息或派件,对于此类快递员,考虑到资源的再分配,周末不应再给其推送寄件需求),而且快递员日常揽件表现出较大流动性(比如,经常出现请假、辞职情况,或者揽件区域揽件需求较少,可能隔天才会出现揽件需求,此类情况,快递员的服务相关数据呈现一定的稀疏性及不稳定性,需要观察一段时间的数据),所以时间维度上,取近一周、两周、一个月以及近一个月工作日及周末各自表现情况。
最终对空间维度和时间维度做两两组合,生成最终要统计的特征的维度,例如:
(2)样本分布特征
针对状态确定的物流订单,例如成功揽收的物流订单,对于快递员是否合适为用户上门揽件,可给出相对确定的回答(成功揽收即认为合适,反之,揽收失败则为不合适),在此基础上,可定义订单成单率(成功揽收订单量/状态确定总订单量)作为匹配度在算法层面的考量指标之一。
除此之外,针对状态确定的物流订单,除了成功揽收的物流订单,还存在快递员接单后物流订单被取消的情况,但接单后取消无法直接断定是否合适为用户上门揽件,接单后取消可能有多重原因,可能是用户取消,例如,信息填错了,快递员联系不上用户等;也可能是快递员的原因,例如,快递员迟迟没上门,快递员要求取消等。因此需要对接单后取消的原因进行分类,可定义快递员的取消率(快递员原因取消订单量/总取消订单量)也作为匹配度在算法层面的考量指标之一。
另,对于不同类型的快件,取消率或者成单率都有可能存在差异,比如食品类的快件对时效有比较高的要求,取消率可能会高,因此成单率比较低。
优选的,本实施例所述时间维度和空间维度的样本分布特征,包括下述至少一项子特征:订单成单率、订单取消率、订单货物类型占比。
例如:
(3)服务特征
服务特征主要包括产品考察快递员上门取件各服务指标维度相关的特征,优选的,所述时间维度和空间维度的服务特征的子特征,包括下述至少一项子特征:订单按时揽收率、订单取消率、平均揽收时长、平均接单距离、平均寄件收入。
例如:
步骤S204、将构建好所述揽收特征作为模型训练的输入,训练成功后获得所述物流匹配评价模型的模型特征参数。
将上述进行特征构建获得的时间维度和空间维度的样本分布特征以及在时间维度和空间维度的服务特征作为模型训练的输入,训练模型。本申请实施例提供的一种优选实施方式中,物流匹配评价模型包括分类子模型和融合子模型;其中,分类子模型,用于根据输入的物流订单的订单请求信息和快递员的特征信息,对物流订单和快递员二者进行匹配计算,输出快递员对物流订单的初始匹配度。融合子模型,用于根据输入的快递员的离线服务特征、实时揽件特征以及分类子模型获得的所述初始匹配度,对物流订单和快递员二者进行匹配计算,输出快递员对物流订单的匹配度。
具体实施时,分类子模型的目标是判断某各快递员是否适合揽收输入的物流订单对应的快件,分类子模型训练得到一组参数向量(w1,w2,…,wn),用于进行预测快递员对物流订单的初始匹配度,本实施例使用的分类子模型包括但不限于梯度提升决策树、逻辑回归、神经网络等。
例如,基于如下在时间维度和空间维度的样本分布特征以及在时间维度和空间维度的服务特征:
判断该快递员标识为4398047081602的快递员是否适合上门揽件,若是,输出的结果(初始匹配度)为1;若否,输出的结果(初始匹配度)为0(分类子模型输出的初始匹配度介于上限值1和下限值0之间,且匹配度越高越接近1,反之,匹配度越低越接近0)。
与之相类似,融合子模型的目标是将离线服务特征(例如,历史平均接单距离等)、实时揽件特征(例如,物流订单下单时快递员距离寄件地址经纬度的实时距离等)以及分类子模型输出的初始匹配度进行融合,得到每个快递员的得分,该得分是最终表征快递员对物流订单的匹配度,即表征快递员是否适合针对当前物流订单进行上门揽件。
融合子模型训练得到一组参数向量(w1,w2,…,wm),用于进行预测快递员对物流订单二者最终的匹配度,本实施例使用的融合子模型包括但不限于加权求和、线性回归、逻辑回归等。与上述分类子模型类似,融合子模型输出的匹配度同样可介于上限值1和下限值0之间,匹配度越高越接近1,反之,匹配度越低越接近0。
本申请实施例提供的一种优选实施例中,在融合子模型中,离线服务特征、实时揽件特征和分类子模型输出的初始匹配度设有各自对应的匹配权重,并且该匹配权重基于所述物流订单所处的业务场景进行配置,匹配权重可以按照机器学习的方法进行学习从而获得匹配权重。除此之外,在实际应用中,还可以根据业务场景的需要来配置融合子模型中的匹配权重,从而可以灵活的加入或者去除各种因子,比如,将实时揽件特征当中物流订单下单时快递员距离寄件地址经纬度的实时距离的匹配权重设为1,其他参数的匹配权重设为0,则当前融合子模型能够退化为只能根据实时距离来匹配快递员与物流订单。
需要说明的是,具体实施时物流匹配评价模型不限于分类子模型和融合子模型,物流匹配评价模型还可以根据实际业务场景配置一个或者多个子模型,还可以根据业务调整配置相应的子模型,比如在业务升级时,在分类子模型和融合子模型的基础上配置新的子模型,本申请实施例对此不作限定。
优选的,所述物流对象收发范围覆盖所述物流地址的快递员,包括下述至少一项:所处地理位置与所述物流地址的距离小于设定揽收距离的所有快递员(比如,与物流地址的距离小于2km范围内的所有快递员),揽收的历史物流订单的物流地址与所述物流地址二者属于同一最小物流网格单元的快递员(比如,在物流地址乐佳国际这一最小物流网格单元揽收过物流订单的所有快递员),实时地理位置与所述物流地址的距离小于设定阈值的快递员(比如,实时地理位置与物流地址的距离小于2km的所有快递员)。
步骤S102,将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度。
如上所述,物流匹配评价模型包括分类子模型和融合子模型,在对快递员对物流订单的匹配度进行匹配时,通过将物流订单的订单请求信息和快递员的特征信息输入分类子模型和融合子模型进行匹配计算,最终由融合子模型输出快递员对物流订单的匹配度。其中,物流订单的订单请求信息,是指分类子模型和融合子模型在对快递员对物流订单的匹配度进行匹配计算时所需要的物流订单的相关数据输入,具体参见上述对分类子模型和融合子模型的说明即可。类似的,快递员的特征信息是指分类子模型和融合子模型在对快递员对物流订单的匹配度进行匹配计算时所需要的快递员的相关数据输入,具体参见上述对分类子模型和融合子模型的说明即可。
步骤S103,从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
对融合子模型输出的快递员对物流订单的匹配度进行排序,并且将输出的每个快递员对物流订单的匹配度与设定匹配阈值进行比较,从而筛选出所有匹配度高于设定匹配阈值的快递员,筛选出的所有快递员构成的集合即为候选快递员集合。如上所述,融合子模型输出的匹配度同样可介于上限值1和下限值0之间,匹配度越高越接近1,反之,匹配度越低越接近0,若匹配阈值为0.6,则筛选出对物流订单的匹配度大于0.6的所有快递员,构成候选快递员集合。
本申请实施例提供的一种优选实施方式中,基于所述匹配度向所述候选快递员集合中快递员推送所述物流订单,具体根据所述候选快递员集合中快递员对所述物流订单的匹配度从高到低的顺序,对所述候选快递员集合中快递员进行分层;每个分层对应各自的推送优先级,且推送优先级越高的分层的快递员对所述物流订单的匹配度越高;按照推送优先级从高到底的顺序依次向每个分层的快递员推送所述物流订单。
本申请实施例提供的另一种优选方式中,基于所述匹配度向所述候选快递员集合中快递员推送所述物流订单,还可以通过向所述候选快递员集合中对所述物流订单的匹配度最高的快递员推送所述物流订单。
例如,如附图3所示,对于获得的候选快递员集合,按照匹配度从高到底进行排序,然后根据设定好的分层(比如,1:4:5)比例进行分层,将候选快递员集合中的快递员划分为三个分层,依次表示最合适快递员集合、较合适快递员集合以及合适快递员集合。
然后在支持的两种推送模式(派单模式和抢单模式)中选择相应的推送模式,具体的,对于派单模式,从候选快递员集合中选择对物流订单的匹配度最高的快递员,向该快递员派发物流订单,即:向该快递员推送物流订单即可。
对于抢单模式,将候选快递员集合中的快递员划分为最合适快递员集合、较合适快递员集合以及合适快递员集合三个分层之后,按照分层依次进行下述推送:
第一次推送:向最合适快递员集合中的每个快递员推送物流订单;
第二次推送:向最合适快递员集合以及较合适快递员集合中的每个快递员推送物流订单;
第三次推送:向最合适快递员集合、较合适快递员集合以及合适快递员集合中的每个快递员推送物流订单,即:候选快递员集合中所有快递员推送物流订单。
需要说明的是,上述进行多次推送的目的是为了提升物流订单被快递员接单的概率,同时,随着推送次数的增加,后续推送的快递员集合也越来越多,同样是为了提升物流订单被快递员接单的概率。此外,在上述推送过程中,任意一次推送后物流订单被快递员接单,则终止推送过程,比如上述第一次向最合适快递员集合中的每个快递员推送物流订单后,最合适快递员集合中的某个快递员接单,则无需进行第二、第三次推送。
综上所述,所述物流订单匹配方法,在为物流订单分配快递员环节中,通过确定物流对象收发范围覆盖物流订单的物流地址的快递员,进一步通过物流匹配评价模型对快递员与物流订单二者进行匹配计算,获得适于物流订单的快递员集合,最后将物流订单推送给快递员集合中的快递员,该方法综合考虑物流订单、快递员、以及物流对象收发范围,通过模型匹配为物流订单匹配更加适配的快递员,匹配效率更高,并且针对物流订单的匹配处理更加精细化,提升了物流服务质量,从而提升了物流消费体验。
本申请提供的一种物流订单匹配装置实施例如下:
在上述的实施例中,提供了一种物流订单匹配方法,与之相对应的,本申请还提供了一种物流订单匹配装置,下面结合附图进行说明。
参照附图4,其示出了本申请提供的一种物流订单匹配装置实施例的示意图。
由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本申请提供一种物流订单匹配装置,包括:
获取确定单元401,用于获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;
匹配单元402,用于将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;
筛选单元403,用于从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
可选的,所述物流订单匹配装置,包括:
物流订单推送单元,用于基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单。
可选的,所述物流订单推送单元,包括:
排序分层子单元,用于根据所述候选配送端集合中配送端对所述物流订单的匹配度从高到低的顺序,对所述候选配送端集合中配送端进行分层;每个分层对应各自的推送优先级,且推送优先级越高的分层的配送端对所述物流订单的匹配度越高;
第一推送子单元,用于按照推送优先级从高到底的顺序依次向每个分层的配送端推送所述物流订单。
可选的,所述物流订单推送单元,包括:
第二推送子单元,用于向所述候选配送端集合中对所述物流订单的匹配度最高的配送端推送所述物流订单。
可选的,所述物流匹配评价模型,包括:分类子模型和融合子模型;
其中,所述分类子模型,用于根据输入的物流订单的订单请求信息和配送端的特征信息,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的初始匹配度;
所述融合子模型,用于根据输入的配送端的离线服务特征、实时揽件特征以及所述分类子模型获得的所述初始匹配度,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的匹配度。
可选的,所述融合子模型中,所述离线服务特征、所述实时揽件特征和所述初始匹配度设有各自对应的匹配权重,且所述匹配权重基于所述物流订单所处的业务场景进行配置。
可选的,物流对象收发范围覆盖所述物流地址的配送端,包括下述至少一项:
所处地理位置与所述物流地址的距离小于设定揽收距离的所有配送端,揽收的历史物流订单的物流地址与所述物流地址二者属于同一最小物流网格单元的配送端,实时地理位置与所述物流地址的距离小于设定阈值的配送端。
可选的,所述物流匹配评价模型通过下述单元训练获得:
历史物流订单数据收集单元,用于收集历史物流订单的物流订单数据;
过滤预处理单元,用于对所述物流订单数据进行数据过滤,和/或,在至少一个特征维度对所述物流订单数据进行量化;
特征构建单元,用于对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征;
模型训练单元,用于将构建好所述揽收特征作为模型训练的输入,训练成功后获得所述物流匹配评价模型的模型特征参数。
可选的,所述物流订单数据,包括下述至少一项:
物流订单的寄件人信息、配送端的特征信息、物流订单状态属性信息和物流订单状态变化时间节点信息。
可选的,所述物流订单的寄件人信息,包括下述至少一项:订单标识、寄件人标识、寄件地址、寄件地址经纬度;
所述配送端的特征信息,包括下述至少一项:订单标识、配送端标识、配送端经纬度、配送端接单经纬度、配送端所属物流网点、配送端所属物流公司;
所述物流订单状态属性信息,包括下述至少一项:订单标识、订单状态标识、订单金额、订单货物类型;
所述物流订单状态变化时间节点信息,包括下述至少一项:订单标识、下单时间、接单时间、揽收时间。
可选的,所述过滤预处理单元,具体用于对所述寄件地址经纬度进行物流网格化处理,获得所述寄件地址经纬度所属的最小物流网格单元,并确定所述最小物流网格单元的网格编号。
可选的,所述过滤预处理单元,具体用于根据所述寄件地址经纬度和所述配送端接单经纬度,计算二者之间的球面距离作为所述配送端的接单距离。
可选的,所述过滤预处理单元,具体用于根据所述下单时间和所述接单时间计算接单时长,以及,根据所述接单时间和所述揽收时间计算揽收时长。
可选的,所述特征维度包括:时间维度和空间维度;
相应的,所述特征构建单元,具体用于将所述时间维度和所述空间维度进行组合,基于二者的组合生成所述物流订单数据对应的揽收特征。
可选的,所述揽收特征包括下述至少一项:
在所述时间维度和空间维度的样本分布特征,在所述时间维度和空间维度的服务特征。
可选的,所述时间维度和空间维度的样本分布特征,包括下述至少一项子特征:订单成单率、订单取消率、订单货物类型占比;
所述时间维度和空间维度的服务特征的子特征,包括下述至少一项子特征:订单按时揽收率、订单取消率、平均揽收时长、平均接单距离、平均寄件收入。
在上述的实施例中,提供了一种物流订单匹配方法,此外,本申请还提供了一种用于实现所述物流订单匹配方法的电子设备,下面结合附图进行说明。
参照附图5,其示出了本实施例提供的一种电子设备的示意图。
本申请提供的所述电子设备实施例描述得比较简单,相关的部分请参见上述提供的所述物流订单匹配方法实施例的对应说明即可。下述描述的实施例仅仅是示意性的。
本申请提供一种电子设备,包括:
存储器501和处理器502;
所述存储器501用于存储计算机可执行指令,所述处理器502用于执行如下计算机可执行指令:
获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;
将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;
从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
可选的,所述处理器502还用于执行如下计算机可执行指令:
基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单。
可选的,所述基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单,包括:
根据所述候选配送端集合中配送端对所述物流订单的匹配度从高到低的顺序,对所述候选配送端集合中配送端进行分层;每个分层对应各自的推送优先级,且推送优先级越高的分层的配送端对所述物流订单的匹配度越高;
按照推送优先级从高到底的顺序依次向每个分层的配送端推送所述物流订单。
可选的,所述基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单,包括:
向所述候选配送端集合中对所述物流订单的匹配度最高的配送端推送所述物流订单。
可选的,所述物流匹配评价模型,包括:分类子模型和融合子模型;
其中,所述分类子模型,用于根据输入的物流订单的订单请求信息和配送端的特征信息,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的初始匹配度;
所述融合子模型,用于根据输入的配送端的离线服务特征、实时揽件特征以及所述分类子模型获得的所述初始匹配度,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的匹配度。
可选的,所述融合子模型中,所述离线服务特征、所述实时揽件特征和所述初始匹配度设有各自对应的匹配权重,且所述匹配权重基于所述物流订单所处的业务场景进行配置。
可选的,所述物流对象收发范围覆盖所述物流地址的配送端,包括下述至少一项:
所处地理位置与所述物流地址的距离小于设定揽收距离的所有配送端,揽收的历史物流订单的物流地址与所述物流地址二者属于同一最小物流网格单元的配送端,实时地理位置与所述物流地址的距离小于设定阈值的配送端。
可选的,所述物流匹配评价模型的训练方式包括:
收集历史物流订单的物流订单数据;
对所述物流订单数据进行数据过滤,和/或,在至少一个特征维度对所述物流订单数据进行量化;
对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征;
将构建好所述揽收特征作为模型训练的输入,训练成功后获得所述物流匹配评价模型的模型特征参数。
可选的,所述物流订单数据,包括下述至少一项:
物流订单的寄件人信息、配送端的特征信息、物流订单状态属性信息和物流订单状态变化时间节点信息。
可选的,所述物流订单的寄件人信息,包括下述至少一项:订单标识、寄件人标识、寄件地址、寄件地址经纬度;
所述配送端的特征信息,包括下述至少一项:订单标识、配送端标识、配送端经纬度、配送端接单经纬度、配送端所属物流网点、配送端所属物流公司;
所述物流订单状态属性信息,包括下述至少一项:订单标识、订单状态标识、订单金额、订单货物类型;
所述物流订单状态变化时间节点信息,包括下述至少一项:订单标识、下单时间、接单时间、揽收时间。
可选的,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
对所述寄件地址经纬度进行物流网格化处理,获得所述寄件地址经纬度所属的最小物流网格单元,并确定所述最小物流网格单元的网格编号。
可选的,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
根据所述寄件地址经纬度和所述配送端接单经纬度,计算二者之间的球面距离作为所述配送端的接单距离。
可选的,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
根据所述下单时间和所述接单时间计算接单时长,以及,根据所述接单时间和所述揽收时间计算揽收时长。
可选的,所述特征维度包括:时间维度和空间维度;
相应的,所述对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征,包括:
将所述时间维度和所述空间维度进行组合,基于二者的组合生成所述物流订单数据对应的揽收特征。
可选的,所述揽收特征包括下述至少一项:
在所述时间维度和空间维度的样本分布特征,在所述时间维度和空间维度的服务特征。
可选的,所述时间维度和空间维度的样本分布特征,包括下述至少一项子特征:订单成单率、订单取消率、订单货物类型占比;
所述时间维度和空间维度的服务特征的子特征,包括下述至少一项子特征:订单按时揽收率、订单取消率、平均揽收时长、平均接单距离、平均寄件收入。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本申请的实施例可提供为方法、***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。
Claims (25)
1.一种物流订单匹配方法,其特征在于,包括:
获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;
将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;
从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
2.根据权利要求1所述的物流订单匹配方法,其特征在于,包括:
基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单。
3.根据权利要求2所述的物流订单匹配方法,其特征在于,所述基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单,包括:
根据所述候选配送端集合中配送端对所述物流订单的匹配度从高到低的顺序,对所述候选配送端集合中配送端进行分层;每个分层对应各自的推送优先级,且推送优先级越高的分层的配送端对所述物流订单的匹配度越高;
按照推送优先级从高到底的顺序依次向每个分层的配送端推送所述物流订单。
4.根据权利要求2所述的物流订单匹配方法,其特征在于,所述基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单,包括:
向所述候选配送端集合中对所述物流订单的匹配度最高的配送端推送所述物流订单。
5.根据权利要求1所述的物流订单匹配方法,其特征在于,所述物流匹配评价模型,包括:分类子模型和融合子模型;
其中,所述分类子模型,用于根据输入的物流订单的订单请求信息和配送端的特征信息,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的初始匹配度;
所述融合子模型,用于根据输入的配送端的离线服务特征、实时揽件特征以及所述分类子模型获得的所述初始匹配度,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的匹配度。
6.根据权利要求5所述的物流订单匹配方法,其特征在于,所述融合子模型中,所述离线服务特征、所述实时揽件特征和所述初始匹配度设有各自对应的匹配权重,且所述匹配权重基于所述物流订单所处的业务场景进行配置。
7.根据权利要求1所述的物流订单匹配方法,其特征在于,所述物流对象收发范围覆盖所述物流地址的配送端,包括下述至少一项:
所处地理位置与所述物流地址的距离小于设定揽收距离的所有配送端,揽收的历史物流订单的物流地址与所述物流地址二者属于同一最小物流网格单元的配送端,实时地理位置与所述物流地址的距离小于设定阈值的配送端。
8.根据权利要求1至7任意一项所述的物流订单匹配方法,其特征在于,所述物流匹配评价模型的训练方式包括:
收集历史物流订单的物流订单数据;
对所述物流订单数据进行数据过滤,和/或,在至少一个特征维度对所述物流订单数据进行量化;
对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征;
将构建好所述揽收特征作为模型训练的输入,训练成功后获得所述物流匹配评价模型的模型特征参数。
9.根据权利要求8所述的物流订单匹配方法,其特征在于,所述物流订单数据,包括下述至少一项:
物流订单的寄件人信息、配送端的特征信息、物流订单状态属性信息和物流订单状态变化时间节点信息。
10.根据权利要求9所述的物流订单匹配方法,其特征在于,所述物流订单的寄件人信息,包括下述至少一项:订单标识、寄件人标识、寄件地址、寄件地址经纬度;
所述配送端的特征信息,包括下述至少一项:订单标识、配送端标识、配送端经纬度、配送端接单经纬度、配送端所属物流网点、配送端所属物流公司;
所述物流订单状态属性信息,包括下述至少一项:订单标识、订单状态标识、订单金额、订单货物类型;
所述物流订单状态变化时间节点信息,包括下述至少一项:订单标识、下单时间、接单时间、揽收时间。
11.根据权利要求10所述的物流订单匹配方法,其特征在于,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
对所述寄件地址经纬度进行物流网格化处理,获得所述寄件地址经纬度所属的最小物流网格单元,并确定所述最小物流网格单元的网格编号。
12.根据权利要求10所述的物流订单匹配方法,其特征在于,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
根据所述寄件地址经纬度和所述配送端接单经纬度,计算二者之间的球面距离作为所述配送端的接单距离。
13.根据权利要求10所述的物流订单匹配方法,其特征在于,所述在至少一个特征维度对所述物流订单数据进行量化,包括:
根据所述下单时间和所述接单时间计算接单时长,以及,根据所述接单时间和所述揽收时间计算揽收时长。
14.根据权利要求8所述的物流订单匹配方法,其特征在于,所述特征维度包括:时间维度和空间维度;
相应的,所述对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征,包括:
将所述时间维度和所述空间维度进行组合,基于二者的组合生成所述物流订单数据对应的揽收特征。
15.根据权利要求14所述的物流订单匹配方法,其特征在于,所述揽收特征包括下述至少一项:
在所述时间维度和空间维度的样本分布特征,在所述时间维度和空间维度的服务特征。
16.根据权利要求15所述的物流订单匹配方法,其特征在于,所述时间维度和空间维度的样本分布特征,包括下述至少一项子特征:订单成单率、订单取消率、订单货物类型占比;
所述时间维度和空间维度的服务特征的子特征,包括下述至少一项子特征:订单按时揽收率、订单取消率、平均揽收时长、平均接单距离、平均寄件收入。
17.一种物流订单匹配装置,其特征在于,包括:
获取确定单元,用于获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;
匹配单元,用于将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;
筛选单元,用于从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
18.根据权利要求17所述的物流订单匹配装置,其特征在于,包括:
物流订单推送单元,用于基于所述匹配度向所述候选配送端集合中配送端推送所述物流订单。
19.根据权利要求18所述的物流订单匹配装置,其特征在于,所述物流订单推送单元,包括:
排序分层子单元,用于根据所述候选配送端集合中配送端对所述物流订单的匹配度从高到低的顺序,对所述候选配送端集合中配送端进行分层;每个分层对应各自的推送优先级,且推送优先级越高的分层的配送端对所述物流订单的匹配度越高;
第一推送子单元,用于按照推送优先级从高到底的顺序依次向每个分层的配送端推送所述物流订单。
20.根据权利要求18所述的物流订单匹配装置,其特征在于,所述物流订单推送单元,包括:
第二推送子单元,用于向所述候选配送端集合中对所述物流订单的匹配度最高的配送端推送所述物流订单。
21.根据权利要求17所述的物流订单匹配装置,其特征在于,所述物流匹配评价模型,包括:分类子模型和融合子模型;
其中,所述分类子模型,用于根据输入的物流订单的订单请求信息和配送端的特征信息,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的初始匹配度;
所述融合子模型,用于根据输入的配送端的离线服务特征、实时揽件特征以及所述分类子模型获得的所述初始匹配度,对物流订单和配送端二者进行匹配计算,输出配送端对物流订单的匹配度。
22.根据权利要求21所述的物流订单匹配装置,其特征在于,所述融合子模型中,所述离线服务特征、所述实时揽件特征和所述初始匹配度设有各自对应的匹配权重,且所述匹配权重基于所述物流订单所处的业务场景进行配置。
23.根据权利要求17所述的物流订单匹配装置,其特征在于,所述物流对象收发范围覆盖所述物流地址的配送端,包括下述至少一项:
所处地理位置与所述物流地址的距离小于设定揽收距离的所有配送端,揽收的历史物流订单的物流地址与所述物流地址二者属于同一最小物流网格单元的配送端,实时地理位置与所述物流地址的距离小于设定阈值的配送端。
24.根据权利要求17至23任意一项所述的物流订单匹配装置,其特征在于,所述物流匹配评价模型通过下述单元训练获得:
历史物流订单数据收集单元,用于收集历史物流订单的物流订单数据;
过滤预处理单元,用于对所述物流订单数据进行数据过滤,和/或,在至少一个特征维度对所述物流订单数据进行量化;
特征构建单元,用于对量化后的物流订单数据在至少一个特征维度进行特征构建,生成所述物流订单数据对应的揽收特征;
模型训练单元,用于将构建好所述揽收特征作为模型训练的输入,训练成功后获得所述物流匹配评价模型的模型特征参数。
25.一种电子设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取物流订单的订单请求信息中携带的物流地址,确定物流对象收发范围覆盖所述物流地址的配送端;
将所述订单请求信息和所述配送端的特征信息输入物流匹配评价模型进行匹配,获得所述配送端对物流订单的匹配度;其中,所述物流匹配评价模型基于历史物流订单的物流订单数据、与所述物流订单数据对应的揽收特征获得;
从所述配送端中筛选出匹配度满足设定匹配阈值的候选配送端集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020289.8A CN110874700A (zh) | 2018-09-03 | 2018-09-03 | 物流订单匹配方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020289.8A CN110874700A (zh) | 2018-09-03 | 2018-09-03 | 物流订单匹配方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110874700A true CN110874700A (zh) | 2020-03-10 |
Family
ID=69716654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020289.8A Pending CN110874700A (zh) | 2018-09-03 | 2018-09-03 | 物流订单匹配方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874700A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738653A (zh) * | 2020-06-04 | 2020-10-02 | 上海燕汐软件信息科技有限公司 | 快递揽收实时预警方法、装置及存储介质 |
CN112333137A (zh) * | 2020-07-24 | 2021-02-05 | 浙江万里学院 | 基于数据加密的物流自助寄收件方法 |
CN112333136A (zh) * | 2020-07-24 | 2021-02-05 | 浙江万里学院 | 一种物流寄收件信息的加密方法 |
CN112508542A (zh) * | 2021-01-04 | 2021-03-16 | 树根互联技术有限公司 | 一种订单处理方法、装置、设备及存储介质 |
CN113205391A (zh) * | 2021-05-24 | 2021-08-03 | 长沙市到家悠享家政服务有限公司 | 基于历史订单匹配度的派单方法、电子设备和计算机可读介质 |
CN113255467A (zh) * | 2021-04-30 | 2021-08-13 | 广州有酱料网络科技有限公司 | 一种调味品原料销售智慧追溯*** |
CN113283792A (zh) * | 2021-06-11 | 2021-08-20 | 上海寻梦信息技术有限公司 | 隐私信息的查询方法、装置、设备及存储介质 |
CN113283793A (zh) * | 2021-06-11 | 2021-08-20 | 上海寻梦信息技术有限公司 | 货物揽收调度方法、***、设备及存储介质 |
WO2021208950A1 (zh) * | 2020-04-14 | 2021-10-21 | 北京沃东天骏信息技术有限公司 | 订单信息处理方法、装置、计算机设备和介质 |
CN113554386A (zh) * | 2021-06-25 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 适用于电商订单的物流分配方法、装置、设备及存储介质 |
CN113554387A (zh) * | 2021-06-28 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质 |
CN113780918A (zh) * | 2020-11-30 | 2021-12-10 | 北京京东乾石科技有限公司 | 一种任务单分配方法和装置 |
CN114912857A (zh) * | 2021-02-09 | 2022-08-16 | 菜鸟智能物流控股有限公司 | 物流分单决策方法和装置 |
CN116308028A (zh) * | 2023-02-03 | 2023-06-23 | 深圳市速达非科技有限公司 | 一种基于物流场景的分析管理*** |
CN117649164A (zh) * | 2024-01-30 | 2024-03-05 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及*** |
CN118134204A (zh) * | 2024-04-29 | 2024-06-04 | 江苏零浩网络科技有限公司 | 一种基于云计算的多终端物流运输任务管理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868939A (zh) * | 2016-05-31 | 2016-08-17 | 乐视控股(北京)有限公司 | 配送物件的自动分配方法及*** |
CN107230014A (zh) * | 2017-05-15 | 2017-10-03 | 浙江仟和网络科技有限公司 | 一种末端即时物流的智能调度*** |
CN107403295A (zh) * | 2017-06-27 | 2017-11-28 | 北京小度信息科技有限公司 | 订单调度方法及装置 |
CN107451878A (zh) * | 2017-06-01 | 2017-12-08 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
CN107480845A (zh) * | 2017-06-07 | 2017-12-15 | 北京小度信息科技有限公司 | 订单配送方法及装置 |
CN107563572A (zh) * | 2017-09-27 | 2018-01-09 | 北京同城必应科技有限公司 | 一种订单分配方法、装置、计算机设备和存储介质 |
-
2018
- 2018-09-03 CN CN201811020289.8A patent/CN110874700A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868939A (zh) * | 2016-05-31 | 2016-08-17 | 乐视控股(北京)有限公司 | 配送物件的自动分配方法及*** |
CN107230014A (zh) * | 2017-05-15 | 2017-10-03 | 浙江仟和网络科技有限公司 | 一种末端即时物流的智能调度*** |
CN107451878A (zh) * | 2017-06-01 | 2017-12-08 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
CN107480845A (zh) * | 2017-06-07 | 2017-12-15 | 北京小度信息科技有限公司 | 订单配送方法及装置 |
CN107403295A (zh) * | 2017-06-27 | 2017-11-28 | 北京小度信息科技有限公司 | 订单调度方法及装置 |
CN107563572A (zh) * | 2017-09-27 | 2018-01-09 | 北京同城必应科技有限公司 | 一种订单分配方法、装置、计算机设备和存储介质 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7423816B2 (ja) | 2020-04-14 | 2024-01-29 | 北京沃▲東▼天▲駿▼信息技▲術▼有限公司 | 注文情報処理方法、装置、コンピュータ機器及び媒体 |
WO2021208950A1 (zh) * | 2020-04-14 | 2021-10-21 | 北京沃东天骏信息技术有限公司 | 订单信息处理方法、装置、计算机设备和介质 |
CN111738653A (zh) * | 2020-06-04 | 2020-10-02 | 上海燕汐软件信息科技有限公司 | 快递揽收实时预警方法、装置及存储介质 |
CN112333137A (zh) * | 2020-07-24 | 2021-02-05 | 浙江万里学院 | 基于数据加密的物流自助寄收件方法 |
CN112333136A (zh) * | 2020-07-24 | 2021-02-05 | 浙江万里学院 | 一种物流寄收件信息的加密方法 |
CN112333136B (zh) * | 2020-07-24 | 2023-01-24 | 浙江万里学院 | 一种物流寄收件信息的加密方法 |
CN113780918B (zh) * | 2020-11-30 | 2024-05-24 | 北京京东乾石科技有限公司 | 一种任务单分配方法和装置 |
CN113780918A (zh) * | 2020-11-30 | 2021-12-10 | 北京京东乾石科技有限公司 | 一种任务单分配方法和装置 |
CN112508542A (zh) * | 2021-01-04 | 2021-03-16 | 树根互联技术有限公司 | 一种订单处理方法、装置、设备及存储介质 |
CN114912857A (zh) * | 2021-02-09 | 2022-08-16 | 菜鸟智能物流控股有限公司 | 物流分单决策方法和装置 |
CN113255467A (zh) * | 2021-04-30 | 2021-08-13 | 广州有酱料网络科技有限公司 | 一种调味品原料销售智慧追溯*** |
CN113205391B (zh) * | 2021-05-24 | 2022-08-23 | 长沙市到家悠享家政服务有限公司 | 基于历史订单匹配度的派单方法、电子设备和计算机可读介质 |
CN113205391A (zh) * | 2021-05-24 | 2021-08-03 | 长沙市到家悠享家政服务有限公司 | 基于历史订单匹配度的派单方法、电子设备和计算机可读介质 |
CN113283793A (zh) * | 2021-06-11 | 2021-08-20 | 上海寻梦信息技术有限公司 | 货物揽收调度方法、***、设备及存储介质 |
CN113283792A (zh) * | 2021-06-11 | 2021-08-20 | 上海寻梦信息技术有限公司 | 隐私信息的查询方法、装置、设备及存储介质 |
CN113283792B (zh) * | 2021-06-11 | 2024-05-28 | 上海寻梦信息技术有限公司 | 隐私信息的查询方法、装置、设备及存储介质 |
CN113554386A (zh) * | 2021-06-25 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 适用于电商订单的物流分配方法、装置、设备及存储介质 |
CN113554387A (zh) * | 2021-06-28 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质 |
CN116308028A (zh) * | 2023-02-03 | 2023-06-23 | 深圳市速达非科技有限公司 | 一种基于物流场景的分析管理*** |
CN117649164B (zh) * | 2024-01-30 | 2024-04-16 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及*** |
CN117649164A (zh) * | 2024-01-30 | 2024-03-05 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及*** |
CN118134204A (zh) * | 2024-04-29 | 2024-06-04 | 江苏零浩网络科技有限公司 | 一种基于云计算的多终端物流运输任务管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874700A (zh) | 物流订单匹配方法、装置以及电子设备 | |
CN108681857B (zh) | 一种配送订单分配方法及装置、计算机可读存储介质 | |
Caggiani et al. | A dynamic simulation based model for optimal fleet repositioning in bike-sharing systems | |
CN110443533B (zh) | 商品分仓入库方法、装置、电子设备及计算机可读介质 | |
CN112566196B (zh) | 一种基于智能电网的异构网络接入选择方法及相关设备 | |
TW201737196A (zh) | 物流資源的調度方法、設備及系統 | |
TW201732728A (zh) | 用於物流配送的資料處理、基於配送方的行動終端進行物流配送的方法和裝置 | |
CN106372821A (zh) | 确定服务站点信息的方法及装置 | |
CN109829667B (zh) | 物流节点包裹量的预测方法和装置 | |
CN106776928B (zh) | 基于内存计算框架、融合社交及时空数据的位置推荐方法 | |
CN108629436B (zh) | 一种估算仓库拣货能力的方法和电子设备 | |
CN107633358B (zh) | 设施选址及分配的方法和装置 | |
US20190034865A1 (en) | Computer implemented system and method for estimating relocation cost | |
CN111047264B (zh) | 一种物流任务分配方法及装置 | |
Bu et al. | Selection of city distribution locations in urbanized areas | |
CN111931053A (zh) | 一种基于聚类和矩阵分解的事项推送方法和装置 | |
Gitinavard et al. | A bi-objective multi-echelon supply chain model with Pareto optimal points evaluation for perishable products under uncertainty | |
CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
CN111105129A (zh) | 一种基于检测机构评价的检测任务智能分配方法 | |
Mahmoodirad et al. | Uncertain location–allocation decisions for a bi‐objective two‐stage supply chain network design problem with environmental impacts | |
CN112783468A (zh) | 目标对象的排序方法和排序装置 | |
CN115619304A (zh) | 一种基于聚类算法的物流节点选址规划方法 | |
CN109784593A (zh) | 用于多层仓库的产能均衡处理方法和装置 | |
CN115545617A (zh) | Erp电商订单库存管理方法、装置、设备及可读存储介质 | |
CN111105176A (zh) | 数据处理方法、装置、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200310 |