CN113554387A - 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 - Google Patents

Abstract

本申请公开了一种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，方法包括：根据承运车辆的反馈数据和物流订单数据生成输入至动机预测HMM模型的数据；动机预测HMM神经网络模型输出承运车辆的动机类型以及对应的发生概率值；将动机类型为主动抢单的承运车辆的车辆数据和物流订单的数据输入至对应的承运偏好判断神经网络模型；承运偏好判断神经网络模型输出匹配类型和对应的置信度；将物流订单派单至匹配类型为匹配偏好且置信度大于等于预设置信度阈值的承运车辆。本申请的有益之处在于提供了一种通过对司机承接物流订单的意图和偏好进行预测从而高效的实现以人为本的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。

Description

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

技术领域

本申请涉及电商物流领域，具体而言，涉及一种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。

背景技术

现有的中小型便利店往往通过自有渠道在供应商处进行线下商品采购，由于中小型便利店的特点，其无法大批量采购货物，从而无法与供应商进行有效的议价，同时又由于供应商批发对采购数量的要求，使得中小型便利店每次采购需要保证一定规模，从而导致库存问题。

而从供应商的角度而言，中小型便利店这种分散购买方式导致供应商仓储成本提高，从而使供应价格居高不下。

在相关技术中，如公开号为CN112801759A的中国专利文献公开的技术方案，其通过电商平台将买方、卖方和承运方整合在一起，使多个买方的订单可以“拼单”到一个物流订单中，从而实现集中采购、集中配送的方式，从而降低了中小型便利店的采购成本。

在另一相关技术中，为了实现技术物流最优配送，如公开号为CN112016876B的中国专利文件公开的技术方案，其提供了一种通过计算机程序自动配置货物的方法，其能够根据供应商、商户的位置以及订单情况配置车辆的路径和装配方案。

在其他的一些相关技术中提供了根据取货地址和送货地址以及车辆位置配置物流路线的方案。

但是这些方案都不是实时配置的，它们往往按照一定时间周期，比如一天，进行物流派单。对于临时产生的订单则无法进行分配，从而做到实时响应。

在另外一些相关技术中，为了响应实时订单，采用向目标区域附近的车辆发送抢单数据，从而以抢单方式响应临时的、随机的订单。

但是这种方式无疑无法获知司机抢单的实际意图，很多情况下出现司机抢单，但是又取消订单，或者由于物流订单与司机平时送货区域或习惯不符合而不积极完成订单，从而降低物流配送效率的问题。

发明内容

为了解决现有技术的不足之处，本申请提供了一种基于司机偏好的电商物流订单分配方法，包括：获取新增的物流订单的数据；向预设范围内的承运车辆发送物流订单的数据；接收所述承运车辆是否接受所述物流订单的反馈数据；根据接受所述物流订单的承运车辆的反馈数据和物流订单的数据生成特征数据输入至对应该承运车辆的动机预测HMM模型；所述动机预测HMM模型输出所述承运车辆的动机类型以及对应的发生概率值，所述动机类型包括：主动抢单和随机抢单；将所述动机类型为主动抢单且所述发生概率值大于预设的发生概率阈值的承运车辆的车辆数据和所述物流订单的相关数据输入至对应的承运偏好判断神经网络模型；所述承运偏好判断神经网络模型输出匹配类型和对应的置信度，所述匹配类型包括：匹配偏好、偏离偏好和未知偏好；将所述物流订单派单至所述匹配类型为匹配偏好且置信度大于等于预设置信度阈值的承运车辆。

进一步地，所述基于司机偏好的电商物流订单分配方法还包括：采集每个所述承运车辆的用户的历史动机特征数据训练对应每个所述承运车辆的所述动机类型预测HMM模型；其中，所述历史动机特征数据包括：取货地址、取货时间、送货地址、送货时间、单程耗时、派单时间、抢单时间、反应耗时、接单时间、响应耗时；其中，所述单程耗时等于所述送货时间与取货时间之间的时间差的绝对值；所述反应耗时等于所述派单时间与所述抢单时间之间的时间差的绝对值；所述响应耗时等于取货时间与所述接单时间的时间差的绝对值。

进一步地，所述动机类型预测HMM模型的可观测序列为历史动机特征数据，所述动机类型预测HMM模型的隐状态为所述动机类型。

进一步地，所述主动抢单类型的发生概率阈值的取值范围大于等于60%至100%。

进一步地，所述基于司机偏好的电商物流订单分配方法还包括：采集每个所述承运车辆的用户的历史承运特征数据作为输入数据训练对应每个所述承运车辆的所述承运偏好判断神经网络模型；为每个所述承运车辆的用户的历史承运特征数据设置对应的偏好类型以作为训练对应每个所述承运车辆的所述承运偏好判断神经网络模型的输出数据；其中，所述历史承运特征数据包括：取货地址、取货时间、送货地址、送货时间、路线绝对长度、路线实际长度、货物占用体积。

进一步地，所述基于司机偏好的电商物流订单分配方法还包括：至少根据所述取货地址或/和送货地址在所述历史承运特征数据中出现的次数与所述历史承运特征数据所有地址数确定所述偏好类型。

进一步地，至少根据以所述路线绝对长度、路线实际长度或\和货物占用体积作为中位数而获取的平均值与所述历史承运特征数据所有数据平均值的比值确定所述偏好类型。

作为本申请的另一方面，本申请还提供了一种基于司机偏好的电商物流订单分配装置包括：获取模块，用于获取新增的物流订单的数据；发送模块，用于向预设范围内的承运车辆发送物流订单的数据；接收模块，用于接收所述承运车辆是否接受所述物流订单的反馈数据；动机模块，用于根据接受所述物流订单的承运车辆的反馈数据和物流订单的数据生成特征数据输入至对应该承运车辆的动机预测HMM模型并使所述动机预测HMM模型输出所述承运车辆的动机类型以及对应的发生概率值；偏好模块，用于将所述动机类型为主动抢单且所述发生概率值大于预设的发生概率阈值的承运车辆的车辆数据和所述物流订单的相关数据输入至对应的承运偏好判断神经网络模型并使所述承运偏好判断神经网络模型输出匹配类型和对应的置信度，所述匹配类型包括：匹配偏好、偏离偏好和未知偏好；派单模块，用于将所述物流订单派单至所述匹配类型为匹配偏好且置信度大于等于预设置信度阈值的承运车辆。

作为本申请的另一方面，本申请还提供一种基于司机偏好的电商物流订单分配设备，存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如前所述的基于司机偏好的电商物流订单分配方法。

作为本申请的另一个方面，本申请还提供一种计算机客户存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的基于司机偏好的电商物流订单分配方法的步骤。

本申请的有益之处在于：提供了一种通过对司机承接物流订单的意图和偏好进行预测从而高效的实现以人为本的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。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请一种实施例的基于司机偏好的电商物流订单分配方法的主要步骤示意框图；

图2是根据本申请一种实施例的基于司机偏好的电商物流订单分配方法中构建动机类型预测HMM模型的步骤示意图；

图3是根据本申请一种实施例的基于司机偏好的电商物流订单分配方法中构建承运偏好判断神经网络模型的步骤示意图；

图4是根据本申请一种实施例的基于司机偏好的电商物流订单分配方法中司机端抢单界面的示意图；

图5是根据本申请一种实施例的基于司机偏好的电商物流订单分配方法中司机端路线导航界面的示意图；

图6是根据本申请一种实施例的基于司机偏好的电商物流订单分配装置的模块组成示意图；

图7是根据本申请一种实施例的基于司机偏好的电商物流订单分配设备的模块组成示意图；

图8是根据本申请一种实施例的基于司机偏好的电商物流订单分配方法的主动分配方法的步骤示意图；

图9是图8所示的主动分配方法中物流订单转化为特征字段的原理示意图；

图10是图8所示的主动分配方法中主动派单神经网络的输入项和输出项的示意图；

图11是根据本申请一种实施例的电商物流订单分配方法“拼单”配送原理示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

参照图1所示，本申请的基于司机偏好的电商物流订单分配方法包括如下主要步骤：

S101.获取新增的物流订单的数据。

S102.向预设范围内的承运车辆发送物流订单的数据。

S103.接收承运车辆是否接受物流订单的反馈数据。

S104.根据接受物流订单的承运车辆的反馈数据和物流订单的数据生成特征数据输入至对应该承运车辆的动机预测HMM模型。

S105.动机预测HMM模型输出承运车辆的动机类型以及对应的发生概率值，动机类型包括：主动抢单和随机抢单。

S106.将动机类型为主动抢单且发生概率值大于预设的发生概率阈值的承运车辆的车辆数据和物流订单的相关数据输入至对应的承运偏好判断神经网络模型。

S107.承运偏好判断神经网络模型输出匹配类型和对应的置信度，匹配类型包括：匹配偏好、偏离偏好和未知偏好。

S108.将物流订单派单至匹配类型为匹配偏好且置信度大于等于预设置信度阈值的承运车辆。

作为具体方案，这里所指的新增的物流订单是指即时产生且未被分配的订单。预设范围的设置可以具有多种方式，最简单的为将***中所有可用的承运车辆均划到预设范围中，另外，也可以根据预设的商圈和归属商圈的承运车辆进行预设范围划分，作为优选方案，预设范围采用动态设置的方式，在物流订单生成时，使所有承运车辆上传位置数据，***根据物流订单取货地址为中心的一定地理范围（以取货地址为圆心，以预设距离为半径作圆）作为预设范围，向这个圆心区域内的承运车辆发送物流订单的抢单数据，具体司机端的界面可以参照图4所示。

承运车辆的用户使用终端设备通过司机端软件进行相应的操作，从而向***（***服务器）发送一个反映用户（承运车辆）是否接受物流订单的反馈数据。作为优选方案，反馈数据不仅包括用户是否接收物流订单的数据，还包括：抢单时间和查图时长。其中，抢单时间为用户点击接收物流订单的时间，如果用户拒绝抢单，则抢单时间为空；查图时长为用户查看物流订单送货地址和取货地址导航地图的时间。

作为具体方案，动机预测HMM模型本质是一个HMM模型（隐马尔可夫模型），本申请的基本构思在于，将司机端用户接单的心理动机作为HMM模型的隐状态，将司机端用户接单的动作和接单后承运行为作为可观测序列。

为每个司机端用户构成一个动机预测HMM模型，采用司机端用户以往的数据对该模型进行训练、构建。

具体而言，如图2所示，构建动机类型预测HMM模型方法包括：

S201.获取承运车辆的原始物流订单数据。

S202.基于原始物流数据计算或生成历史动机特征数据。

S203.将历史动机特征数据按照实际物流订单完成情况进行动机类型的分类。

S204.将历史动机特征数据作为观测序列，将对应的动机类型作为隐状态，训练对应该司机端的动机类型预测HMM模型。

S205.存储动机类型预测神经网络模型及其参数。

具体而言，历史动机特征数据包括：取货地址、取货时间、送货地址、送货时间、单程耗时、派单时间、抢单时间、反应耗时、接单时间、响应耗时。

其中，单程耗时等于送货时间与取货时间之间的时间差的绝对值；反应耗时等于派单时间与抢单时间之间的时间差的绝对值；响应耗时等于取货时间与接单时间的时间差的绝对值。

通过历史动机特征数据的构造，可以准确的反映用户抢单和送货时的序列特征。其中，取货地址、取货时间、送货地址、送货时间反映了此组特征数据的基本属性特征。

单程耗时是指用户在完成一单时，从取货到送货所用的时长。单程耗时反应了此组特征数据的时间属性特征。

派单时间为***向司机端发送物流订单的时间，抢单时间为司机端用户点击接收物流订单的时间，接单时间为***正式将物流订单发送给用户的时间。派单时间、抢单时间、反应耗时、接单时间、响应耗时反映了此组特征数据的量化属性特征，即反映抢单和完成订单的意愿是否强烈。

作为进一步地的优选方案，历史动机特征数据还包括反馈数据中的查图时长。作为优选方案，对于拒绝或取消的物流订单，未完成的环节的数据均设置零值。

作为具体方案，将历史动机特征数据按照实际物流订单完成情况进行动机类型的分类的具体方法为，将完整完成的物流订单的动机类型设为主动抢单，将未完成的物流订单的动机类型设为被动抢单。作为更优选方案的，根据响应耗时和单程耗时的比值进行动机类型分类。

具体而言，单程耗时为Th,假设响应耗时为Tx，它们的比值q，即q=Th/Tx。然后，比较q值与预设的比值阈值Q的大小，如果q大于比值阈值Q，则该组数据的动机类型为主动抢单，反之为被动抢单。对于未完成的物流订单一律分类为被动抢单。作为优选方案，比值阈值Q的取值范围4至22；更具体为5至10，作为更精确的范围，比值阈值Q的取值为7.6。

训练好动机类型预测HMM模型后，根据当前反馈数据和物流订单的数据中已有的数据生成待判定的特征数据项。

比如如图10中所示的订单，如果一个司机端在接收抢单后，其特征数据按照历史动机特征数据应当为：杭州市滨江区经纬路123号、空、杭州市萧山区纵横路567号、空、空、11点23分11秒、11点24分55秒、1分44秒、空、空。可以将，所有的地址变成数字数据格式，街道用特别数字代替，同样时间也可以设置为数字格式。

由以上可见，特征数据中出现很多空数据，即使将这些空数据赋值，比如赋值为0，那么这些数据也不会对模型产生影响，因为这些后验数据在预测时始终为空数据，但是在训练动机类型预测HMM模型后时不用这些特征数据则又会无法反映隐状态对观测序列的影响。

作为优选方案，训练时仍采用取货时间、送货时间、单程耗时、接单时间、响应耗时这些数据进行训练，而在预测时，则仅输入这些可预测的特征数据，进行预测处理。

作为优选方案，输入到动机类型预测HMM模型的特征数据包括：取货地址、送货地址、单程耗时、派单时间、抢单时间、反应耗时，还可以再包括一个查图时长。

动机类型预测HMM模型经过处理后会输出这个观测序列对应到隐状态，即主动抢单或被动抢单的概率，比如为主动抢单，概率为78%。然后，***判断这个概率是否超过主动抢单类型的发生概率阈值，假设阈值为70%，则可以认为该抢单动作为主动抢单。

需要说明的是，基于历史数据，动机类型预测HMM模型中的参数，比如隐状态之间的转化概率值等均可以采用现有算法进行计算，同时现有技术中也存在已经配置完备的HMM模型工具，本申请的技术方案的创造性不体现在HMM模型本身，而在于使用HMM模型本身解决物流抢单动机检测的具体应用场景。

在根据以上方法，确定哪些司机端用户为有真实动机完成物流任务后，还需要分析这个订单是否符合这个司机的偏好。

在一般意义而言，当确定司机具有抢单的真实意图后，其实就可以根据距离远近等排序方式将物流订单分配给排在前面的司机端用户。

但是很多时候的具体场景为：从时间角度上还有很多新增的或可能新增物流订单，这些订单是比当前订单更适合司机端用户的，但是由于司机端用户无法预知未来，其可能会被分配一个不符合其习惯和偏好的订单，此时如果再有符合其偏好的订单进来，其仍会抢单（区别于滴滴打车等抢单需要在闲置状态，对于本申请的物流“拼单”场景而言，***希望车辆能够同时承担多个物流订单）造成***资源浪费；从群里分配角度而言，如果不考虑司机的偏好使其在熟悉区域配送，则可能导致物流分配效率较低，司机始终在不熟悉区域里抢单接单（距离判定的结果），因为已经在位置处于不熟悉的区域，又因为需要持续接单降低来回成本，导致其抢单是真实意愿，但是不得已而为之，久而久之降低承运用户的积极性。

因此，本申请的基于司机偏好的电商物流订单分配方法中通过构建一个承运偏好判断神经网络模型来实现对于用户偏好的识别。

具体而言，承运偏好判断神经网络模型用于根据输入物流订单数据输出对应的匹配类型。

如图3所示，承运偏好判断神经网络模型的构建方法包括：

S301.获取承运车辆的原始物流订单数据。

S302.基于原始数据计算或生成历史承运特征数据。

S303.根据历史承运特征数据确定对应的偏好类型。

S304.将历史承运特征数据作为输入数据，将对应的偏好类型作为输出数据，训练对应该司机端的偏好判断神经网络模型至模型收敛。

S305.存储偏好判断神经网络模型及其参数。

作为具体方案，采集每个承运车辆的用户的历史承运特征数据作为输入数据训练对应每个承运车辆的承运偏好判断神经网络模型；为每个承运车辆的用户的历史承运特征数据设置对应的偏好类型以作为训练对应每个承运车辆的承运偏好判断神经网络模型的输出数据；其中，历史承运特征数据包括：取货地址、取货时间、送货地址、送货时间、路线绝对长度、路线实际长度、货物占用体积。

历史承运特征数据反应了用户送货习惯和偏好可能反应的特征，本方案的核心技术点在于如何确定历史承运特征数据是否为用户偏好以及与匹配类型的对应，作为优选方案，至少根据取货地址或/和送货地址在历史承运特征数据中出现的次数与历史承运特征数据所有地址数确定偏好类型。

取货地址和送货地址在历史数据出现的频次可以反应该司机端用户的活动区域范围特征。

作为更具体的技术方案，当前物流订单的取货地址出现次数为Z1，所有历史数据中的取货地址总数为Z2，则可以得出取货地址比值z，其中，z=Z1/Z2；类似的，当前物流订单的送货地址出现次数为Y1，所有历史数据中的送货地址总数为Y2，则可以得出送货地址比值y，其中，y=Y1/Y2；当前物流订单的取货地址和送货地址同时重复出现的次数为X1，历史数据中订单总数为X2，则可以得出取送地址比值x，其中，x=X1/X2。

然后根据公式C=0.2z+0.3y+0.5x，计算出地址偏好系数C，然后判断地址偏好系数C是否大于等于预设的地址偏好系数阈值，该偏好系数阈值可以为一个可变动经验值。

作为优选方案，不仅要通过地址偏好系数C进行判断，还需要根据以路线绝对长度、路线实际长度或\和货物占用体积作为中位数而获取的平均值与历史承运特征数据所有数据平均值的比值确定偏好类型。

具体而言，还需要计算生成运力偏好系数G。

为了方便介绍，本申请做如下定义，假设历史数据为1、2、3、5、6、7、8，当前数据为4，以4为中位数则截取的数据集合为1、2、3、5、6、7，此时，其中位平均值为4，其整体平均值，则是以1、2、3、5、6、7、8来结算平均值。

类似的，当前物流订单的路线绝对长度（即取货地址和送货地址之间的直线距离）作为中位数，截取历史数据中的若干路线绝对长度，然后计算这些路线绝对长度（不包括本次物流订单数据）的平均值，定义为中位绝对路线平均值H1，再计算历史数据中所有的（不包括本次物流订单数据）路线绝对长度的平均值，并将其定义为整体绝对路线平均值H2，将中位绝对路线平均值H1与整体绝对路线平均值H2的比值定义为绝对路线比值h。

类似的，当前物流订单的路线实际长度（即取货地址和送货地址之间的道路距离，当前物流订单的路线实际长度以***推荐的导航道路为准，1、2、3、5、6、7、8历史数据中以物流订单实际路线的距离为准）作为中位数，截取历史数据中的若干路线实际长度，然后计算这些路线实际长度（不包括本次物流订单数据）的平均值，定义为中位实际路线平均值J1，再计算历史数据中所有的（不包括本次物流订单数据）路线实际长度的平均值，并将其定义为整体实际路线平均值J2，将中位实际路线平均值J1与整体实际路线平均值J2的比值定义为实际路线比值j。

类似的，当前物流订单的货物占用体积（即订单中货物占用的体积）作为中位数，截取历史数据中的货物占用体积，然后求这些货物占用提及的平均值（不包括本次），定义为中位占用体积平均值P1，然后计算历史数据中所有的（不包括本次）货物占用体积的平均值，定位为整体占用体积平均值P2，将中位占用体积平均值P1和整体占用体积平均值P2定义为实际路线比值p。

运力偏好系数G=0.5h+0.75j+0.4p，在计算出运力偏好系数G后，判断其是否大于等于预设的运力偏好系数阈值，运力偏好系数阈值可以为一个可变动经验值。

如果地址偏好系数C和运力偏好系数G均满足判断条件（大于等于阈值），则匹配类型设置为匹配偏好；如果地址偏好系数C和运力偏好系数G中的一个满足判断条件（大于等于阈值），则匹配类型设置为未知偏好；如果地址偏好系数C和运力偏好系数G均不满足判断条件（小于阈值），则匹配类型设置为偏离偏好。

将准备好的历史承运特征数据作为输入数据，将对应设置（自动设置）的偏好类型作为输出数据，然后分别训练对应每个司机端的承运偏好判断神经网络模型。

在完成以上动机判断后，将符合主动抢单条件的承运车辆挑选出来，然后根据当前物流订单的数据生成承运特征数据，即取货地址、取货时间、送货地址、送货时间、路线绝对长度、路线实际长度、货物占用体积输入至承运偏好判断神经网络模型，承运偏好判断神经网络模型输出匹配类型和对应的置信度，如果置信度大于阈值，由于之前学习过程设置类型条件较为严格，此处置信度阈值取值范围可以适当放松，作为优选方案，其取值范围78%至100%，作为具体方案为85%，则进入候选排序列表，候选排序列表以置信度作为排序根据，置信度越大排序越靠前。***将物流订单派单至排序第一的承运车辆。

承运偏好判断神经网络模型为一个卷积神经网络模型。

如图6所示，本申请还提供一种基于司机偏好的电商物流订单分配装置400，其包括：获取模块401、发送模块402、接收模块403，动机模块404、偏好模块405、派单模块406。其中，获取模块401用于获取新增的物流订单的数据；发送模块402用于向预设范围内的承运车辆发送物流订单的数据；接收模块403用于接收物流车是否接受物流订单的反馈数据；动机模块404用于将接受物流订单的承运车辆的车辆数据和反馈数据分别输入至对应的动机预测HMM神经网络模型并使动机预测HMM神经网络模型输出承运车辆的动机类型以及对应的发生概率值；偏好模块405用于将动机类型为主动抢单且发生概率值大于预设的发生概率阈值的承运车辆的车辆数据和物流订单的相关数据输入至对应的承运偏好判断神经网络模型并使承运偏好判断神经网络模型输出匹配类型和对应的置信度，匹配类型包括：匹配偏好、偏离偏好和未知偏好；派单模块406用于将物流订单派单至匹配类型为匹配偏好且置信度大于等于预设置信度阈值的承运车辆。

作为可选方案，基于司机偏好的电商物流订单分配装置400还可以包括主控模块（图中未示出），其能够实现本申请的基于司机偏好的电商物流订单分配方法的其余部分。

作为本申请的另一方面，如图7所示，本申请还提供一种基于司机偏好的电商物流订单分配设备500，其包括存储器501和处理器502。其中，存储器501用于存储计算机程序，处理器502用于执行计算机程序时实现如上所提供的方法的步骤。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所提供的方法的步骤。

需要说明的是，本发明实施例提供的一种基于司机偏好的电商物流订单分配装置、设备及存储介质相关部分的说明请参见本发明实施例提供的一种基于司机偏好的电商物流订单分配方法中对应部分的详细说明，在此不再赘述。另外本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

作为本申请技术方案的扩展，本申请的基于司机偏好的电商物流订单分配方法还可以包括一个主动分配订单的方法，具体而言，主动分配订单的方法包括：

获取新增的物流订单的文字数据；

按照预设特征参数的分类规则将文字数据分成若干特征字段；

将所述特征字段输入至一个经过训练的人工神经网络模型；

由所述人工神经网络模型输出用于承运所述物流订单的推荐车辆和对应所述推荐车辆的置信度；

判断所述推荐车辆的置信度是否大于预设的置信度阈值；

当所述推荐车辆的置信度大于所述置信度阈值时，将新增的所述物流订单派发至所述推荐车辆。

作为具体方案，为了实现本申请的方法，需要预先构建一个人工神经网络模型，作为优选方案，该人工神经网络模型可以为RNN神经网络模型、CNN神经网络模型或LSTM神经网络模型。

该人工神经网络模型的训练集数据和测试集包括两个部分，一部分为预设数据集，即通过物流分配***业已分配的物流订单，比如历史物流分配数据或当日已分配的物流分配数据，另一部分为动态数据集，即物流分配***通过抢单或动态人工分派产生物流分配数据。

作为优选方案，如图11所示，本申请中物流***中车辆的司机端可以按照卖方和买方的地址进行“拼单”配送，从而生成对于司机端的整体物流订单。而在进行人工神经网络模型训练时，为了匹配司机的用户习惯以及分析整体物流订单中司机的配送习惯，将整体物流订单数据分解为单独的物流订单，即仅由一个收货地址对应一个送货地址的订单，比如将图11中司机端所承接的物流订单拆分为供应商A至门店1、供应商A至门店4、供应商B至门店2等单独的物流订单，作为训练集和测试集。以上物流订单的数据也可以基于此进行拆分获取“单独”的物流订单。

这些物流订单优先进行数据清洗和标准环，将物流订单数据标注化为图9中所示的物流订单的标准格式，其中作为优选方案，预计占用空间体积可以通过唯一的SKU编码和数量以及预存的体积数据进行计算得出。作为优选方案，人工神经网络模型训练时可以不采用预计占用空间体积作为特征字段，以降低预计占用空间体积对训练和分析结果的影响。

作为人工神经网络模型的训练集和测试集，可以将物流订单转换为特定格式的特征字段，具体可以参考图9和图10所示的特征字段。同样的，特征字段可以不包含预计占用空间体积的字段。使用预计占用空间体积的字段可以避免物流订单选择车型出错的问题。

通过这些数据训练至人工神经网络模型收敛时，采集一些未作为训练集和测试集的数据集作为验证集调整人工神经网络模型超参数的验证集。

作为基本构思，负责物流订单的车辆的司机，往往由于个人或车辆原因，倾向于或更适合接受某一区域或具有某种地域特征的物流订单；在存在历史数据的情况，可以将物流订单本身作为待分类的文字字段数据，而将推荐车辆作为分类的类型。因为***中车俩数据是已知的，这样就相当于一个根据文本分类的问题。

这是利用了物流“拼单”的特点，区别于一般客运拼单和抢单的方式，送货的物流特点在于车辆的运营范围是相对固定的，而客运拼单和抢单，比如滴滴打车，车辆运行的范围更大，且位置更具有随机性。

相较以往人工神经网络在物流拼单的应用，本申请开创性的采用文本归类的方式进行临时新增物流订单的快速分配。以往人工智能的在物流分配中，神经网络往往用于路线规划或者区域划分，比如采用K-means聚类等方式，而本申请并没有关注距离等数据，仅仅从历史订单中挖掘送货地址、取货地址和车辆的适配度进行分配。

作为更具体的技术方案，参照图8所示，本申请的适用于电商订单的物流分配方法还包括如下的步骤：当推荐车辆的置信度小于等于置信度阈值时，重新将特征字段输入至人工神经网络模型中；判断推荐车辆的置信度小于等于置信度阈值的次数是否超过预设的次数阈值；当推荐车辆的置信度小于等于置信度阈值的次数大于次数阈值时，将新增的物流订单交由一般物流分配程序处理；当推荐车辆的置信度小于等于置信度阈值的次数小于等于次数阈值时，仍将新增的物流订单输入至人工神经网络模型。

人工神经网络模型输出推荐车辆的方式是输出推荐车辆的司机账号或者用户名数据。由于在***中账号ID为唯一标识，人工神经网络模型优选输出司机账号的ID数据，即一列字符串。

具体而言，参照图8所示，当推荐车辆的置信度小于等于置信度阈值时，运行一个计数程序，判断当前计数的数值（即小于等于置信度阈值的次数）是否超过次数阈值，如果超过次数阈值，则将新增的物流订单交由一般物流分配程序处理，如果并没有超过次数阈值，则仍从新采用所构建的人工神经网络模型再次进行处理。

作为进一步的优选方案，次数阈值可以为一个动态值，作为具体方案，次数阈值取值为N，N为正整数。N的取值可以采用方法：

首先获取任务比重值M，任务比重值M的公式为：M=T2/L-T1/L+K。

其中，T1为未分配的新增物流订单数，T2为已经分配的物流订单数（包括计划分配和临时分类），L为***中可用车辆的车辆数，K为修正系数，修正系数K=V1/V2，其中，V1为***中可用车辆已使用的运输体积，V2为***中可用车辆未使用的运输体积。

在计算出M值后，将M值四舍五入得到次数阈值N。作为一种优选方案，为了避免***过度循环降低效率，为次数阈值N设置一个上限值，该上限值的取值范围为5至9。

作为进一步的优选方案，一般物流分配程序为获取各个车辆的位置，将取货地点作为圆心，获取预设范围内的车辆列表，然后在调用这些车辆正在配送的物流订单，判断当前车辆的下一目的地，将下一目的地与新增订单中送货地址的距离作为排序的依据，然后将排序中第一位的车辆作为推荐车辆。当然，也可以采用其他一般物流分配程序。

为了动态调整人工神经网络模型的匹配能力，如图8所示，本申请的适用于电商订单的物流分配方法还包括如下的步骤：获取新增的物流订单由一般物流分配程序处理所输出的推荐车辆；判断由一般物流分配程序处理所输出的是否存在于人工神网络模型输出的推荐车辆数据中；如果由一般物流分配程序处理所输出的存在于人工神网络模型输出的推荐车辆数据中，则将预设的置信度阈值调整为推荐车辆数据所对应的置信度；如果由一般物流分配程序处理所输出的并不存在于人工神网络模型输出的推荐车辆数据中，则将新增的物流订单和由一般物流分配程序输出的推荐车辆作为人工神经网络的训练数据。

采用这样的方案，可以使人工神经网络模型动态适应物流任务的实际分配情况，使其更高效的适应临时新增订单快速分配的需求。

作为进一步地的方案，如图8所示，适用于电商订单的物流分配方法还包括如下步骤：在将新增的物流订单派发至推荐车辆后，获取推荐车辆的反馈数据；判断推荐车辆是否接受物流订单；当推荐车辆接受物流订单时，存储推荐车辆与物流订单的数据并生成对应物流任务数据并向取货费和收货方分别发送物流任务数据。

如图4所示，司机端设备（一般为手机）接收到界面中包含物流订单数据，推荐车辆的司机可以通过界面接收或拒绝***的派单，也可以通过***提供的地图查看位置和路线等信息。一旦司机端用户接收了物流任务，***会存储推荐车辆与物流订单的数据并生成对应物流任务数据并向取货费和收货方分别发送物流任务数据；这里存储物流任务数据和司机的账户ID数据，会作为人工神经网络模型的训练集数据进一步对人工神经网络进行训练。

作为可选方案，在司机端用户拒绝了***分派的物流订单时，可以向下一个***推荐的司机端用户，即下一个推荐车辆发送物流订单，然后再判断是否接单，当出现连续不接单的情况时，比如连续三次不接单，则采用如上所介绍的基于抢单的派单方法。

推荐车辆的产生和排序可以采用两种方案，其中一种是根据一般物流分配程序的排序，在以上已经介绍，其实按照送货地址的距离进行排序，看似效率最高，但是往往司机用户个人送货意愿并不取决于距离的远近，因此作为另一种优选方案，可以使人工神经网络模型输出用于承运物流订单的推荐车辆和对应推荐车辆的置信度的步骤中至少输出两个或两个以上的推荐车辆和对应的置信度；将置信度大于置信度阈值的推荐车辆按照置信度排序，然后可以按照这个顺序进行车辆的推荐。作为优选方案，可以按照置信度进行排序而无论置信度是否超过预设值。

作为进一步地的优选方案，可以构建三个人工神经网络模型，第一组人工神经网络模型采用计划物流订单（即按照每日下单情况集中分配第二天物流配送订单）中整体物流订单分解为单地址对应的物流订单所提炼的物流订单数据作为训练集；第二组人工神经网络模型采用临时新增的物流订单数据（即当天生成当天需送到的物流订单）作为训练集；第三组人工神经网络模型采用一般物流抢单的物流订单数据作为训练集；上述推荐车辆的产生和排序也可以采用这三组人工神经网络分别输出，然后按照置信度进行排序的方案。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于司机偏好的电商物流订单分配方法，其特征在于：

所述基于司机偏好的电商物流订单分配方法包括：

获取新增的物流订单的数据；

向预设范围内的承运车辆发送物流订单的数据；

接收所述承运车辆是否接受所述物流订单的反馈数据；

根据接受所述物流订单的承运车辆的反馈数据和物流订单的数据生成特征数据输入至对应该承运车辆的动机预测HMM模型；

所述动机预测HMM模型输出所述承运车辆的动机类型以及对应的发生概率值，所述动机类型包括：主动抢单和随机抢单；

将所述动机类型为主动抢单且所述发生概率值大于预设的发生概率阈值的承运车辆的车辆数据和所述物流订单的相关数据输入至对应的承运偏好判断神经网络模型；

所述承运偏好判断神经网络模型输出匹配类型和对应的置信度，所述匹配类型包括：匹配偏好、偏离偏好和未知偏好；

将所述物流订单派单至所述匹配类型为匹配偏好且置信度大于等于预设置信度阈值的承运车辆。

2.根据权利要求1所述的基于司机偏好的电商物流订单分配方法，其特征在于：

所述基于司机偏好的电商物流订单分配方法还包括：

采集每个所述承运车辆的用户的历史动机特征数据训练对应每个所述承运车辆的所述动机类型预测HMM模型；

其中，所述历史动机特征数据包括：取货地址、取货时间、送货地址、送货时间、单程耗时、派单时间、抢单时间、反应耗时、接单时间、响应耗时；其中，所述单程耗时等于所述送货时间与取货时间之间的时间差的绝对值；所述反应耗时等于所述派单时间与所述抢单时间之间的时间差的绝对值；所述响应耗时等于取货时间与所述接单时间的时间差的绝对值。

3.根据权利要求2所述的基于司机偏好的电商物流订单分配方法，其特征在于：

所述动机类型预测HMM模型的可观测序列为历史动机特征数据，所述动机类型预测HMM模型的隐状态为所述动机类型。

4.根据权利要求3所述的基于司机偏好的电商物流订单分配方法，其特征在于：

所述主动抢单类型的发生概率阈值的取值范围大于等于60%至100%。

5.根据权利要求1所述的基于司机偏好的电商物流订单分配方法，其特征在于：

所述基于司机偏好的电商物流订单分配方法还包括：

采集每个所述承运车辆的用户的历史承运特征数据作为输入数据训练对应每个所述承运车辆的所述承运偏好判断神经网络模型；

为每个所述承运车辆的用户的历史承运特征数据设置对应的偏好类型以作为训练对应每个所述承运车辆的所述承运偏好判断神经网络模型的输出数据；

其中，所述历史承运特征数据包括：取货地址、取货时间、送货地址、送货时间、路线绝对长度、路线实际长度、货物占用体积。

6.根据权利要求5所述的基于司机偏好的电商物流订单分配方法，其特征在于：

所述基于司机偏好的电商物流订单分配方法还包括：

至少根据所述取货地址或/和送货地址在所述历史承运特征数据中出现的次数与所述历史承运特征数据所有地址数确定所述偏好类型。

7.根据权利要求6所述的基于司机偏好的电商物流订单分配方法，其特征在于：

至少根据以所述路线绝对长度、路线实际长度或\和货物占用体积作为中位数而获取的平均值与所述历史承运特征数据所有数据平均值的比值确定所述偏好类型。

8.一种基于司机偏好的电商物流订单分配装置，其特征在于：

所述基于司机偏好的电商物流订单分配装置包括：

获取模块，用于获取新增的物流订单的数据；

发送模块，用于向预设范围内的承运车辆发送物流订单的数据；

接收模块，用于接收所述承运车辆是否接受所述物流订单的反馈数据；

动机模块，用于根据接受所述物流订单的承运车辆的反馈数据和物流订单的数据生成特征数据输入至对应该承运车辆的动机预测HMM模型并使所述动机预测HMM模型输出所述承运车辆的动机类型以及对应的发生概率值；

偏好模块，用于将所述动机类型为主动抢单且所述发生概率值大于预设的发生概率阈值的承运车辆的车辆数据和所述物流订单的相关数据输入至对应的承运偏好判断神经网络模型并使所述承运偏好判断神经网络模型输出匹配类型和对应的置信度，所述匹配类型包括：匹配偏好、偏离偏好和未知偏好；

派单模块，用于将所述物流订单派单至所述匹配类型为匹配偏好且置信度大于等于预设置信度阈值的承运车辆。

9.一种基于司机偏好的电商物流订单分配设备，其特征在于：

所述基于司机偏好的电商物流订单分配设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述的基于司机偏好的电商物流订单分配方法。

10.一种计算机客户存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的基于司机偏好的电商物流订单分配方法的步骤。

Images