CN112862133A - 订单处理的方法、装置、可读存储介质及电子设备 - Google Patents
订单处理的方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN112862133A CN112862133A CN201911098248.5A CN201911098248A CN112862133A CN 112862133 A CN112862133 A CN 112862133A CN 201911098248 A CN201911098248 A CN 201911098248A CN 112862133 A CN112862133 A CN 112862133A
- Authority
- CN
- China
- Prior art keywords
- order
- processed
- delivery
- time
- correction
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种订单处理的方法、装置、可读存储介质及电子设备,获取待处理订单后,根据预先训练的业务模型预测该待处理订单对应的配送相关时间。根据该待处理订单的设定相关属性对应的修正模型,确定针对该配送相关时间的修正值。根据该配送相关时间以及该修正值,确定该待处理订单对应的修正后的配送相关时间,并根据修正后的配送相关时间对该待处理订单进行处理。在上述方法中可以看出,通过业务模型确定待处理订单的配送相关时间后,还可以根据该待处理订单的设定相关属性对应的修正模型对该配送相关时间进行修正,在一定程度上保证了修正后的配送相关时间能够符合该待处理订单设定相关属性相关的实际情况。
Description
技术领域
本说明书涉及计算机领域,尤其涉及一种订单处理的方法、装置、可读存储介质及电子设备。
背景技术
当下配送服务应用得十分广泛,用户可以在服务平台订购商品,配送员会将用户订购的商品送达至用户手中,给用户的生活带来了方便。
为了可以让用户获知自己订购的商品大概何时会送达至自己手中,使服务平台可以更好进行订单分配,服务平台会对用户下单的商品的送达时间进行预估,得到相应的预计送达时间。
在现有技术中,服务平台针对所有地理区域的订单,使用同一个业务模型确定这些订单的预计送达时间。然而在实际应用中,由于每个地理区域的交通、路况等实际情况不尽相同,所以,若是服务平台不区分订单的地理区域而使用统一的业务模型来确定这些订单的预计送达时间,则可能会导致服务平台针对一些地理区域的订单所确定出的预计送达时间与这些订单的实际送达时间相差较大,从而可能会对服务平台基于确定出的预计送达时间进行订单处理时带来一定的影响。
所以,如何能够准确的确定出订单的预计送达时间,则是一个亟待解决的问题。
发明内容
本说明书提供一种订单处理的方法、装置、可读存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种订单处理的方法,包括:
获取待处理订单;
根据预先训练的业务模型,预测所述待处理订单对应的配送相关时间;
从预先训练的各修正模型中确定所述待处理订单的设定相关属性对应的修正模型,作为所述待处理订单对应的修正模型;
根据所述待处理订单对应的修正模型,确定针对所述配送相关时间的修正值;
根据所述配送相关时间以及所述修正值,确定所述待处理订单对应的修正后的配送相关时间,并根据所述修正后的配送相关时间对所述待处理订单进行处理。
可选地,训练各修正模型,具体包括:
针对每个修正模型,获取与该修正模型对应的设定相关属性相匹配的历史订单;
针对该修正模型获取到的每个历史订单,确定与该历史订单相关的特征数据;
将所述特征数据输入到该修正模型中,得到输出结果;
将该历史订单的实际配送相关时间与该历史订单的配送相关时间之间的时间差作为标准时间差,以所述输出结果等于所述标准时间差为训练目标,对该修正模型进行训练。
可选地,所述配送相关时间包括:所述待处理订单包含的配送物送达至用户的预计送达时间。
可选地,根据所述修正后的配送相关时间对所述待处理订单进行处理,具体包括:
将修正后的预计送达时间展示给所述用户。
可选地,所述方法还包括:
若确定所述修正值大于设定阈值,将所述待处理订单确定为训练样本,以通过所述训练样本对所述待处理订单对应的修正模型进行训练。
可选地,所述方法还包括:
以所述待处理订单作为训练样本,以针对所述待处理订单预测出的配送相关时间和所述修正后的配送相关时间之间的偏差最小为训练目标,对所述业务模型进行训练。
可选地,所述设定相关属性包括:订单所属的地理区域。
本说明书提供了一种订单处理的装置,包括:
获取模块,其配置为用于获取待处理订单;
预测模块,其配置为用于根据预先训练的业务模型,预测所述待处理订单对应的配送相关时间;
第一确定模块,其配置为用于从预先训练的各修正模型中确定所述待处理订单的设定相关属性对应的修正模型,作为所述待处理订单对应的修正模型;
第二确定模块,其配置为用于根据所述待处理订单对应的修正模型,确定针对所述配送相关时间的修正值;
处理模块,其配置为用于根据所述配送相关时间以及所述修正值,确定所述待处理订单对应的修正后的配送相关时间,并根据所述修正后的配送相关时间对所述待处理订单进行处理。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述订单处理的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述订单处理的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在获取待处理订单后,根据预先训练的业务模型,预测该待处理订单对应的配送相关时间。从预先训练的各修正模型中确定该待处理订单的设定相关属性对应的修正模型,作为该待处理订单对应的修正模型,根据该待处理订单对应的修正模型,确定针对该配送相关时间的修正值。根据该配送相关时间以及该修正值,确定该待处理订单对应的修正后的配送相关时间,并根据修正后的配送相关时间对该待处理订单进行处理。
在上述方法中可以看出,由于通过统一的业务模型预测待处理订单的配送相关时间后,还可以根据该待处理订单的设定相关属性对应的修正模型所确定出的修正值,对该配送相关时间进行修正,这样在一定程度上保证了修正后的配送相关时间能够与该待处理订单的实际情况相符合,相比现有技术来说,有效提高了确定出的配送相关时间的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的一种订单处理的流程示意图;
图2为本说明书提供的确定待处理订单对应的修正后的预计送达时间的详细流程示意图;
图3为本说明书提供的一种订单处理的装置示意图;
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书中技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种订单处理的流程示意图,具体包括以下步骤:
S101:获取待处理订单。
在实际应用中,用户可以在自己所持有的终端或是终端中安装的应用(Application,App)中进行商品选购,并提交相应的订单。相应的,服务平台可以获取到该订单,并将该订单作为待处理订单。其中,这里提到的终端可以是诸如智能手机、可穿戴设备、平板电脑、膝上型电脑(笔记本电脑)、台式电脑等设备。
S102:根据预先训练的业务模型,预测所述待处理订单对应的配送相关时间。
服务平台获取到待处理订单后,可以确定出与该待处理订单相关的特征数据。该特征数据可以是与该待处理订单直接相关的特征数据,如,待处理订单对应的配送距离、待处理订单对应的订单金额、用户的详细地址等。除此之外,该特征数据也可以是指能够表征出该待处理订单涉及的配送情况的数据。如,统计出的历史订单的平均配送距离、通过历史订单统计出的该待处理订单对应的详细地址所属的小区是否允许进入,通过历史订单统计出的该待处理订单所属的地理区域配送运力的平均配送速度、平均配送时长等。其中,这里提到的配送运力可以是指能够执行配送任务的配送员、配送机器人、无人车、无人机等。为了便于描述,下面仅以配送员为配送运力为例,对本说明书提供的订单处理的方法进行说明。
需要说明的是,为了能够在一定程度上更加准确的确定出该待处理订单对应的配送相关时间,业务模型在确定该待处理订单对应的配送相关时间时,实际上要参考与该待处理订单直接相关或间接相关的多方因素。也就是说,实际输入到业务模型中的特征数据的特征维度数量有很多,所以,上述列举出的一些特征维度仅是特征数据中众多特征维度的一部分,而至于特征数据中涉及的其他特征维度,在此不详细举例说明了。
在确定出上述特征数据后,可以将该特征数据输入到预先训练的业务模型中,以预测出该待处理订单对应的配送相关时间。其中,这里提到的配送相关时间主要用于使服务平台能够基于该配送相关时间对该待处理订单进行业务处理。该配送相关时间的具体形式可以有多种,例如,可以为该待处理订单包含的配送物送达至用户手中的预计送达时间,也可以为用于考核配送员是否能够按时执行该待处理订单的骑手考核时间(即,如果配送员超过该骑手考核时间后才将该待处理订单的配送物送达至用户手中,则视为配送员未能按时执行该待处理订单,否则,可以视为配送员按时执行了该待处理订单,需要指出的是,该骑手考核时间主要用于对配送员是否按时送达配送物进行评估,而上述预计送达时间主要用于向用户展示其订购的商品大约何时会送达至用户手中,所以,骑手考核时间和预计送达时间可以是不同的时间)。
相应的,后续提到的实际配送相关时间是与该配送相关时间相对应的,该实际配送相关时间主要用于反映配送员在实际执行该待处理订单的配送任务时的实际情况,如,若该配送相关时间为预计送达时间,则该实际配送相关时间为实际送达时间。
当然,上述配送相关时间还可以是其他形式,在此就不一一举例说明了。而为了方便描述,下面将仅以预计送达时间为例,对本说明书提供的订单处理的方法进行详细说明。其他形式的配送相关时间的确定方式以及修正方式与预计送达时间的确定方式和修正方式基本相同,在此不做详细赘述了。
需要说明的是,在预测该待处理订单对应的预计送达时间之前,服务平台需要先对业务模型进行训练。其中,这里提到的业务模型是适用于全局的模型,即,对于任意订单来说,均可以用该业务模型来确定出相应的预计送达时间。
具体的,服务平台进行模型训练时,需要获取大量历史订单,并针对每个历史订单,通过该历史订单的实际送达时间(即,实际配送相关时间)对该历史订单进行标注,从而得到该历史订单对应的训练样本。这样一来,可以通过得到的大量历史订单对应的训练样本,对该业务模型进行训练。其中,可以将历史订单对应的特征数据输入到该业务模型中,而后,以该业务模型输出的结果逐渐逼近针对历史订单标注出的实际送达时间为训练目标,对该业务模型进行训练。
S103:从预先训练的各修正模型中确定所述待处理订单的设定相关属性对应的修正模型,作为所述待处理订单对应的修正模型。
由于该预计送达时间是通过上述统一的业务模型来进行确定的,所以,确定出的预计送达时间可能并不符合与该待处理订单的设定相关属性相关的实际情况。因此,服务平台可以进一步确定该待处理订单的设定相关属性对应的修正模型,进而通过该修正模型针对该待处理订单对应的预计送达时间进行修正。其中,待处理订单的设定相关属性可以是指该待处理订单对应的收货地址所属的地理区域。
上述提到地理区域可以是省、市、县等形式,也可以是市辖区的形式。例如,若上述业务模型适用于全国的订单,则各地理区域可以指全国包含的各具体城市;若上述业务模型适用于某一城市的订单,则各地理区域可以为该城市中的各市辖区。
在本说明书中,服务平台中保存有各地理区域对应的修正模型,相应的,服务平台可以根据该待处理订单所属的地理区域,从各修正模型中确定该地理区域对应的修正模型,作为该待处理订单对应的修正模型。需要指出的是,若是每个修正模型均对应不同的地理区域,则上述提到的业务模型是指针对所有地理区域的模型,即,无论待处理订单具体出自哪一地理区域,均可以使用该业务模型预测出预计送达时间。相应的,在对业务模型进行训练时,所采用的训练样本也是指各地理区域的历史订单。
在本说明书中,服务平台事先需要对各修正模型进行训练。具体的,可以针对每个修正模型,获取该修正模型对应的地理区域的历史订单,并针对每个历史订单,通过该历史订单的实际送达时间与该历史订单的预计送达时间之间的时间差作为标准时间差对该历史订单进行标注,从而得到该历史订单对应的用于训练该修正模型的训练样本。相应的,可以根据确定出的各历史订单对应的训练样本,对该修正模型进行训练。其中,可以将历史订单对应的特征数据输入到该修正模型中,而后,以该修正模型输出的输出结果等于针对历史订单标注出的标准时间差为训练目标,对该修正模型进行训练。需要指出的是,这里提到的输入到修正模型中的特征数据的特征维度,与输入到上述业务模型中的特征数据的特征维度可以相同的。
通过这种方式,可以有效的保证修正模型最终输出的修正值能够较大程度上接近业务模型输出的预计送达时间与在待处理订单所属地理区域执行该待处理订单时实际送达时间之间的时间差,从而可以通过修正模型输出的准确的修正值,得到能够接近实际送达时间的修正后的预计送达时间。
S104:根据所述待处理订单对应的修正模型,确定针对所述配送相关时间的修正值。
服务平台确定出待处理订单对应的修正模型后,可以根据该修正模型,确定出针对该待处理订单对应的预计送达时间的修正值。具体的,服务平台可以将该待处理订单相关的特征数据输入该修正模型,得到针对该待处理订单对应的预计送达时间的修正值。该修正值表征了通过适用于全局地理区域的业务模型所确定出的预计送达时间,与该待处理订单在其所属的地理区域进行执行时的实际送达时间之间的偏差。服务平台可以根据该修正值对通过业务模型确定出的预计送达时间进行修正,因此,确定出的修正后的预计送达时间能够更加符合该地理区域的实际情况。
也就是说,上述业务模型在确定该待处理订单的预计送达时间时并没有考虑该待处理订单所属地理区域的区域特性,所以,确定出的预计送达时间很可能与该待处理订单在实际执行时的实际送达时间存在较大的偏差。而通过适用于该待处理订单所属地理区域的修正模型对该预计送达时间进行修正,能够保证修正后的预计送达时间能够更好的符合该待处理订单所属地理区域的实际情况,即,修正后的预计送达时间能够在一定程度上更加的贴合该待处理订单在实际执行时的实际送达时间。
S105:根据所述配送相关时间以及所述修正值,确定所述待处理订单对应的修正后的配送相关时间,并根据所述修正后的配送相关时间对所述待处理订单进行处理。
服务平台通过上述修正模型确定出针对该预计送达时间的修正值后,可以进一步的对该预计送达时间进行修正,从而得到该待处理订单对应的修正后的预计送达时间。例如,若服务平台通过上述业务模型确定出该待处理订单对应的预计送达时间为12:30,通过待处理订单所属地理区域对应的修正模型确定出的该待处理订单对应的修正值为-2,则该待处理订单对应的修正后的预计送达时间为12:28。
服务平台可以根据修正后的预计送达时间,对该待处理订单进行处理,例如,服务平台可以将该预计送达时间展示给用户,让用户知晓自己订购的配送物大概何时会送达至自己手中。
从上述方法中可以看出,服务平台根据适用于全局的业务模型确定出了该待处理订单的预计送达时间,并根据该待处理订单的设定相关属性对应的修正模型确定出了针对该预计送达时间的修正值。通过该修正值得到的修正后的预计送达时间能够与该待处理订单的设定相关属性相关的实际情况相符合,因此,可以在一定程度上提高最终确定出的预计送达时间的准确性。
需要说明的是,本说明书中提到的业务模型以及各修正模型所使用到的算法为常规算法,例如:随机森林、逻辑回归、神经网络等,本说明书不对上述业务模型以及各修正模型所采用的算法做具体的限定了。
在本说明书中,上述服务平台可以分为线上和线下两个部分,其中,可以在线下对业务模型以及各修正模型进行训练,而训练后的业务模型以及各修正模型可以配置在线上,以对获取到的待处理订单对应的预计送达时间来进行确定以及修正,具体过程如图2所示。
图2为本说明书提供的确定待处理订单对应的修正后的预计送达时间的详细流程示意图。
在图2中可以看出,在线下过程中,服务平台可以根据获取到的全局地理区域的大量历史订单的特征数据以及这些历史订单实际送达时间对业务模型进行训练。在训练业务模型时,可以通过获取到的各地理区域的大量历史订单构建训练集A,并通过该训练集A中的训练样本,以业务模型输出的预计送达时间和训练集A中训练样本的实际送达时间之间的偏差尽可能小为训练目标,对该业务模型进行训练。
对于每个修正模型,服务平台可以从训练集A中选取出与该修正模型对应的地理区域相匹配的历史订单。而由于选取出的这些历史订单的预计送达时间以及实际送达时间是已知的,所以,可以针对选取出的每个历史订单,确定出该历史订单的预计送达时间和实际送达时间之间的时间差,进而根据选取出的每个历史订单的特征数据以及每个历史订单对应的时间差,构建训练集B。而后,可以通过该训练集B对该修正模型进行训练。
在训练完上述业务模型以及各修正模型后,可以将训练后的业务模型以及各修正模型在线上进行配置。相应的,服务平台在线上获取到待处理订单后,可以将该待处理订单的特征数据输入到该业务模型,确定出该待处理订单对应的预计送达时间。同时,服务平台将该待处理订单的特征数据输入到该待处理订单所属地理区域对应的修正模型,确定出针对该预计送达时间的修正值,进而根据该预计送达时间以及该修正值确定出该待处理订单对应的修正后的预计送达时间,并将修正后的预计送达时间展示给用户。
需要说明的是,在线上应用过程中,若是服务平台获取到待处理订单后,通过修正模型确定出该待处理订单对应的修正值大于设定阈值,则可以将该待处理订单确定为训练样本,以在线下过程中,通过该训练样本对该修正模型进行训练。
此举的目的在于,若是通过修正模型确定出的该待处理订单对应的修正值大于设定阈值,则说明该待处理订单的特征数据对于该修正模型是较为特殊的。即,之前在对该修正模型进行训练的过程中,修正模型对于这种特征数据的学习样本较少,所以导致该修正模型针对该待处理订单输出的修正值相较于其他订单来说偏差较大。基于此,需要将这种待处理订单标记为训练样本,这样在后续过程中,可以通过这些标记的待处理订单,对该修正模型进行进一步地训练,使得该修正模型最终能够获得更加全面的学习效果,从而提高了该修正模型输出的修正值的准确率。
在确定出待处理订单的修正后的预计送达时间后,服务平台可以将该待处理订单作为训练样本,以针对该待处理订单预测出的预计送达时间和该修正后的预计送达时间之间的偏差最小为训练目标,对该业务模型进行训练。
具体的,服务平台可以将该待处理订单作为训练样本,以确定出的修正后的预计送达时间为训练目标,对该业务模型进行一轮训练。而当待处理订单执行完后,服务平台可以确定出该待处理订单的实际送达时间,进而可以将该待处理订单作为训练样本,以实际送达时间为训练目标,对该业务模型执行下一轮训练。
此举的目的在于,由于修正后的预计送达时间是在业务模型预测出的预计送达时间的基础上,较为接近实际送达时间的。所以,服务平台以该修正后的预计送达时间为训练目标对该业务模型进行一轮训练后,可以显著的提高以实际送达时间为训练目标所进行的下一轮训练的训练速度。也就是说,在使用较为接近实际送达时间的修正后的预计送达时间对该业务模型进行训练的前提下,以实际送达时间为训练目标对该业务模型进行下一轮训练时,该业务模型的学习速度可以得到显著的提升,从而有效的提高了业务模型的训练效率。
还需说明的是,本说明书提到的设定相关属性并不仅限于待处理订单所属的地理区域,还可以是指待处理订单所属地理区域的天气、待处理订单涉及的金额范围等。例如,当设定相关属性为待处理订单所属地理区域的天气时,则业务模型预测出该待处理订单的预计送达时间后,服务平台可以从各修正模型中选取出与该待处理订单所属地理区域的天气相对应的修正模型,进而通过该修正模型,确定出该待处理订单的修正值,并最终通过该修正值以及业务模型预测出的预计送达时间,确定出该待处理订单在其所属的地理区域的天气下的修正后的预计送达时间。
再例如,当设定相关属性为待处理订单所涉及的金额范围时,服务平台可以通过业务模型预测出该待处理订单的预计送达时间,并从各修正模型中选取出该金额范围对应的修正模型,进而通过选取出的修正模型,确定出该待处理订单的修正值。最终,服务平台可以通过该修正值以及业务模型预测出的预计送达时间,确定出在该金额范围下该待处理订单对应的修正后的预计送达时间。当然,设定相关属性的具体形式还有很多,在此就不一一举例说明了。
以上为本说明书的一个或多个实施例提供的订单处理的方法,基于同样的思路,本说明书还提供了相应的订单处理的装置,如图3所示。
图3为本说明书提供的一种订单处理的装置示意图,具体包括:
获取模块301,其配置为用于获取待处理订单;
预测模块302,其配置为用于根据预先训练的业务模型,预测所述待处理订单对应的配送相关时间;
第一确定模块303,其配置为用于从预先训练的各修正模型中确定所述待处理订单的设定相关属性对应的修正模型,作为所述待处理订单对应的修正模型;
第二确定模块304,其配置为用于根据所述待处理订单对应的修正模型,确定针对所述配送相关时间的修正值;
处理模块305,其配置为用于根据所述配送相关时间以及所述修正值,确定所述待处理订单对应的修正后的配送相关时间,并根据所述修正后的配送相关时间对所述待处理订单进行处理。
所述装置还包括:
训练模块306,其配置为用于针对每个修正模型,获取与该修正模型对应的设定相关属性相匹配的历史订单;针对该修正模型获取到的每个历史订单,确定与该历史订单相关的特征数据;将所述特征数据输入到该修正模型中,得到输出结果;将该历史订单的实际配送相关时间与该历史订单的配送相关时间之间的时间差作为标准时间差,以所述输出结果等于所述标准时间差为训练目标,对该修正模型进行训练。
可选地,所述配送相关时间包括:所述待处理订单包含的配送物送达至用户的预计送达时间。
可选地,所述处理模块305其配置为用于,将修正后的预计送达时间展示给所述用户。
可选地,所述第二确定模块304其配置为用于,若确定所述修正值大于设定阈值,将所述待处理订单确定为训练样本,以通过所述训练样本对所述待处理订单对应的修正模型进行训练。
可选地,所述训练模块306其配置为用于,以所述待处理订单作为训练样本,以针对所述待处理订单预测出的配送相关时间和所述修正后的配送相关时间之间的偏差最小为训练目标,对所述业务模型进行训练。
可选地,所述设定相关属性包括:订单所属的地理区域。
从上述装置中可以看出,该装置可以根据适用于所有全局的业务模型确定出了该待处理订单的配送相关时间,并根据该待处理订单的设定相关属性对应的修正模型确定出了针对该配送相关时间的修正值。通过该修正值得到的修正后的配送相关时间能够与该待处理订单的设定相关属性相关的实际情况相符合,因此,可以在一定程度上提高最终确定出的配送相关时间的准确性。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述订单处理的方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述订单处理的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、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暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书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,本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种订单处理的方法,其特征在于,包括:
获取待处理订单;
根据预先训练的业务模型,预测所述待处理订单对应的配送相关时间;
从预先训练的各修正模型中确定所述待处理订单的设定相关属性对应的修正模型,作为所述待处理订单对应的修正模型;
根据所述待处理订单对应的修正模型,确定针对所述配送相关时间的修正值;
根据所述配送相关时间以及所述修正值,确定所述待处理订单对应的修正后的配送相关时间,并根据所述修正后的配送相关时间对所述待处理订单进行处理。
2.如权利要求1所述的方法,其特征在于,训练各修正模型,具体包括:
针对每个修正模型,获取与该修正模型对应的设定相关属性相匹配的历史订单;
针对该修正模型获取到的每个历史订单,确定与该历史订单相关的特征数据;
将所述特征数据输入到该修正模型中,得到输出结果;
将该历史订单的实际配送相关时间与该历史订单的配送相关时间之间的时间差作为标准时间差,以所述输出结果等于所述标准时间差为训练目标,对该修正模型进行训练。
3.如权利要求1所述的方法,其特征在于,所述配送相关时间包括:所述待处理订单包含的配送物送达至用户的预计送达时间。
4.如权利要求3所述的方法,其特征在于,根据所述修正后的配送相关时间对所述待处理订单进行处理,具体包括:
将修正后的预计送达时间展示给所述用户。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
若确定所述修正值大于设定阈值,将所述待处理订单确定为训练样本,以通过所述训练样本对所述待处理订单对应的修正模型进行训练。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
以所述待处理订单作为训练样本,以针对所述待处理订单预测出的配送相关时间和所述修正后的配送相关时间之间的偏差最小为训练目标,对所述业务模型进行训练。
7.如权利要求1~6任一项所述的方法,其特征在于,所述设定相关属性包括:订单所属的地理区域。
8.一种订单处理的装置,其特征在于,包括:
获取模块,其配置为用于获取待处理订单;
预测模块,其配置为用于根据预先训练的业务模型,预测所述待处理订单对应的配送相关时间;
第一确定模块,其配置为用于从预先训练的各修正模型中确定所述待处理订单的设定相关属性对应的修正模型,作为所述待处理订单对应的修正模型;
第二确定模块,其配置为用于根据所述待处理订单对应的修正模型,确定针对所述配送相关时间的修正值;
处理模块,其配置为用于根据所述配送相关时间以及所述修正值,确定所述待处理订单对应的修正后的配送相关时间,并根据所述修正后的配送相关时间对所述待处理订单进行处理。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911098248.5A CN112862133A (zh) | 2019-11-12 | 2019-11-12 | 订单处理的方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911098248.5A CN112862133A (zh) | 2019-11-12 | 2019-11-12 | 订单处理的方法、装置、可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862133A true CN112862133A (zh) | 2021-05-28 |
Family
ID=75984490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911098248.5A Withdrawn CN112862133A (zh) | 2019-11-12 | 2019-11-12 | 订单处理的方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862133A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463103A (zh) * | 2022-04-08 | 2022-05-10 | 浙江口碑网络技术有限公司 | 一种数据处理方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122042A (zh) * | 2016-11-28 | 2018-06-05 | 北京小度信息科技有限公司 | 配送时间预估方法及装置 |
CN108537365A (zh) * | 2018-03-16 | 2018-09-14 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法及装置 |
CN109685275A (zh) * | 2018-12-27 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 配送团队负载压力预测方法、装置、电子设备及存储介质 |
CN109934387A (zh) * | 2019-02-03 | 2019-06-25 | 北京三快在线科技有限公司 | 用于估测时间的方法、装置及电子设备 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110390503A (zh) * | 2019-07-03 | 2019-10-29 | 北京三快在线科技有限公司 | 模型训练、配送时间确定的方法和装置、存储介质和电子设备 |
CN110414731A (zh) * | 2019-07-23 | 2019-11-05 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
-
2019
- 2019-11-12 CN CN201911098248.5A patent/CN112862133A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122042A (zh) * | 2016-11-28 | 2018-06-05 | 北京小度信息科技有限公司 | 配送时间预估方法及装置 |
CN108537365A (zh) * | 2018-03-16 | 2018-09-14 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法及装置 |
CN109685275A (zh) * | 2018-12-27 | 2019-04-26 | 拉扎斯网络科技(上海)有限公司 | 配送团队负载压力预测方法、装置、电子设备及存储介质 |
CN109934387A (zh) * | 2019-02-03 | 2019-06-25 | 北京三快在线科技有限公司 | 用于估测时间的方法、装置及电子设备 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110390503A (zh) * | 2019-07-03 | 2019-10-29 | 北京三快在线科技有限公司 | 模型训练、配送时间确定的方法和装置、存储介质和电子设备 |
CN110414731A (zh) * | 2019-07-23 | 2019-11-05 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463103A (zh) * | 2022-04-08 | 2022-05-10 | 浙江口碑网络技术有限公司 | 一种数据处理方法及设备 |
CN114463103B (zh) * | 2022-04-08 | 2022-07-15 | 浙江口碑网络技术有限公司 | 一种数据处理方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414731B (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
CN108537568B (zh) | 一种信息推荐方法和装置 | |
CN110956275B (zh) | 风险预测和风险预测模型的训练方法、装置及电子设备 | |
CN110705934A (zh) | 异常订单的识别方法、装置、可读存储介质及电子设备 | |
CN110148013B (zh) | 一种用户标签分布预测方法、装置及*** | |
CN112966186A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN113643119A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN111401766A (zh) | 模型、业务处理方法、装置及设备 | |
CN109345221A (zh) | 资源流转的核对方法及装置 | |
CN111369293A (zh) | 一种广告出价方法、装置及电子设备 | |
CN109919357B (zh) | 一种数据确定方法、装置、设备及介质 | |
CN112862133A (zh) | 订单处理的方法、装置、可读存储介质及电子设备 | |
CN110866178A (zh) | 一种数据处理方法、装置和机器可读介质 | |
CN112561162A (zh) | 一种信息推荐的方法及装置 | |
CN112561112A (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 | |
CN114119139A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN110704742B (zh) | 一种特征提取方法及装置 | |
CN114925982A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN113343085A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN112001661A (zh) | 一种风测等级更新的方法、装置、设备及介质 | |
CN111967769A (zh) | 一种风险识别方法、装置、设备及介质 | |
CN113010564B (zh) | 一种模型训练和信息推荐的方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210528 |