CN109685276B - 订单处理方法、装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本公开实施例公开了一种订单处理方法、装置、电子设备及计算机可读存储介质，所述方法包括：获取当前订单的订单数据、配送数据，以及当前客观数据；对订单数据、配送数据和当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量；根据当前订单特征向量和预设超时预测模型，得到当前订单的预估超时信息。该方案能够利用当前订单的表征业务场景的多维度信息以及预设超时预测模型，能够准确得到指导是否将欲追加的订单追加给配送人员的当前订单的预估超时信息，从而动态调整分配给每个配送人员的订单量，提高了配送效率。

Description

订单处理方法、装置、电子设备及计算机可读存储介质

技术领域

本公开涉及即时配送技术领域，具体涉及一种订单处理方法、装置、电子设备及计算机可读存储介质。

背景技术

随着人们生活水平的提高，各种外卖服务应运而生。例如快餐外卖、超市商品外卖、鲜花外卖等。

对于外卖服务，通常根据对外卖进行配送的配送人员的历史上每天不超时的最大背单量，对每个配送人员设置一个背单量上限。当配送人员当天的背单量超过该上限时，不再向该配送人员追加订单。

但是，仅仅根据背单量向配送人员分配订单，考虑范围单一，会导致分配订单后超时严重。

发明内容

本公开实施例提供一种订单处理方法、装置、电子设备及计算机可读存储介质。

第一方面，本公开实施例中提供了一种订单处理方法。

具体的，所述订单处理方法，包括：

获取当前订单的订单数据、配送数据，以及当前客观数据；所述当前客观数据包括当前订单配送时所处的环境信息或非人为因素，所述当前订单包括配送人员的未配送的订单及欲追加的订单；

对所述订单数据、所述配送数据和所述当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量；

根据所述当前订单特征向量和预设超时预测模型，得到所述当前订单的预估超时信息。

结合第一方面，本公开在第一方面的第一种实现方式中，所述方法还包括：

若所述当前订单的预估超时信息表征所述当前订单未超时，则将所述欲追加的订单分配给所述配送人员。

结合第一方面，本公开在第一方面的第二种实现方式中，所述当前订单数据包括：订单内容数据、商户数据和用户数据中的至少一种；

所述配送数据包括：配送者等级、配送超时情况、配送交通工具中的至少一种；

所述当前客观数据包括：环境信息和配送时段交通拥堵情况中的至少一种。

结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式，本公开在第一方面的第三种实现方式中，所述对所述当前订单数据、所述配送数据和所述当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量，包括：

对所述当前订单数据进行特征提取，得到第一特征向量；

对所述配送数据进行特征提取，得到第二特征向量；

对所述当前客观数据进行特征提取，得到第三特征向量；

将所述第一特征向量、所述第二特征向量和所述第三特征向量拼接，得到所述基于多维度的当前订单特征向量。

结合第一方面，本公开在第一方面的第四种实现方式中，所述根据所述订单特征向量和预设超时预测模型，得到当前订单的预估超时信息之前，所述方法还包括：

获取所述预设超时预测模型。

结合第一方面、第一方面的第四种实现方式，本公开在第一方面的第五种实现方式中，所述获取所述预设超时预测模型，包括：

获取历史订单数据、所述历史配送数据、历史客观数据，以及对应的历史超时信息；

对所述历史订单数据、所述历史配送数据和所述历史客观数据分别进行特征提取和拼接后，得到基于多维度的历史订单特征向量；

采用所述基于多维度的历史订单特征向量、所述历史超时信息和预设初始模型进行深度神经网络模型训练，得到所述预设超时预测模型。

结合第一方面、第一方面的第二种实现方式，本公开在第一方面的第六种实现方式中，所述订单内容数据包括：配送地址、订单编号、下单时间、期望时间、订购物品中的至少一个；

所述商户数据包括：商户地址、商户出单时间中的至少一个；

所述用户数据包括：用户楼层、用户电梯信息中的至少一个。

第二方面，本公开实施例中提供了一种订单处理装置。

具体的，所述订单处理装置，包括：

第一获取模块，被配置为获取当前订单的订单数据、配送数据，以及当前客观数据；所述当前客观数据包括当前订单配送时所处的环境信息或非人为因素，所述当前订单包括配送人员的未配送的订单及欲追加的订单；

提取拼接模块，被配置为对所述订单数据、所述配送数据和所述当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量；

预测模块，被配置为根据所述当前订单特征向量和预设超时预测模型，得到所述当前订单的预估超时信息。

结合第二方面，本公开在第二方面的第一种实现方式中，所述装置还包括追加模块：

所述追加模块，被配置为若所述当前订单的预估超时信息表征所述当前订单未超时，则将所述欲追加的订单分配给所述配送人员。

结合第二方面，本公开在第二方面的第二种实现方式中，所述当前订单数据包括：订单内容数据、商户数据和用户数据中的至少一种；

所述配送数据包括：配送者等级、配送超时情况、配送交通工具中的至少一种；

所述当前客观数据包括：环境信息和配送时段交通拥堵情况中的至少一种。

结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式，本公开在第二方面的第三种实现方式中，所述提取拼接模块包括：

第一提取子模块，被配置为对所述当前订单数据进行特征提取，得到第一特征向量；

第二提取子模块，对所述配送数据进行特征提取，得到第二特征向量；

第三提取子模块，对所述当前客观数据进行特征提取，得到第三特征向量；

拼接子模块，被配置为将所述第一特征向量、所述第二特征向量和所述第三特征向量拼接，得到所述基于多维度的当前订单特征向量。

结合第二方面，本公开在第二方面的第四种实现方式中，所述装置还包括第二获取模块：

所述第二获取模块，被配置为获取所述预设超时预测模型。

结合第二方面，本公开在第二方面的第六种实现方式中，所述第二获取模块包括：

获取子模块，被配置为获取历史订单数据、所述历史配送数据、历史客观数据，以及对应的历史超时信息；

提取拼接子模块，被配置为对所述历史订单数据、所述历史配送数据和所述历史客观数据分别进行特征提取和拼接后，得到基于多维度的历史订单特征向量；

生成子模块，被配置为采用所述基于多维度的历史订单特征向量、所述历史超时信息和预设初始模型进行深度神经网络模型训练，得到所述预设超时预测模型。

结合第二方面、第二方面的第二种实现方式，本公开在第二方面的第七种实现方式中，所述订单内容数据包括：配送地址、订单编号、下单时间、期望时间、订购物品中的至少一个；

所述商户数据包括：商户地址、商户出单时间中的至少一个；

所述用户数据包括：用户楼层、用户电梯信息中的至少一个。

第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令被所述处理器执行以实现上述第一方面所述的方法步骤。

第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述第一方面所述的方法步骤。

本公开实施例提供的技术方案可以包括以下有益效果：

上述技术方案，通过将配送人员未配送的订单和欲追加的订单作为当前订单，并对获取到的当前订单的订单数据、配送数据，以及表征当前配送时所处的环境信息和非人为因素的当前客观数据，进行特征提取和拼接，得到基于多维度的当前订单特征向量，利用预设超时预测模型对得到的基于多维度的当前订单特征向量进行超时预测，得到当前订单的超时信息。该技术方案利用当前订单的表征业务场景的多维度信息以及预设超时预测模型，能够准确得到指导是否将欲追加的订单追加给配送人员的当前订单的预估超时信息，从而动态调整分配给每个配送人员的订单量，提高了配送效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1示出根据本公开一实施方式的订单处理方法的流程图；

图2示出根据本公开另一实施方式的订单处理方法的流程图；

图3示出根据图1所示实施方式的订单处理方法的步骤S102的流程图；

图4示出特征向量拼接的示意图；

图5示出根据本公开又一实施方式的订单处理方法的流程图；

图6示出根据图5所示实施方式的订单处理方法的步骤S105的流程图；

图7示出根据本公开一实施方式的订单处理装置的结构框图；

图8示出根据本公开另一实施方式的订单处理装置的结构框图；

图9示出根据图7所示实施方式的订单处理装置的提取拼接模块602的结构框图；

图10示出根据本公开又一实施方式的订单处理装置的结构框图；

图11示出根据图10所示实施方式的订单处理装置的第二获取模块

605的结构框图；

图12示出根据本公开一实施方式的电子设备的结构框图；

图13是适于用来实现根据本公开一实施方式的订单处理方法的计算机系统的结构示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开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公开。

本公开实施例提供的技术方案，通过将配送人员未配送的订单和欲追加的订单作为当前订单，并对获取到的当前订单的订单数据、配送数据，以及表征当前配送时所处的环境信息和非人为因素的当前客观数据，进行特征提取和拼接，得到基于多维度的当前订单特征向量，利用预设超时预测模型对得到的基于多维度的当前订单特征向量进行超时预测，得到当前订单的超时信息。该技术方案利用当前订单的表征业务场景的多维度信息以及预设超时预测模型，能够准确得到指导是否将欲追加的订单追加给配送人员的当前订单的预估超时信息，从而动态调整分配给每个配送人员的订单量，进而实现配送人员工作效率的提高。

本公开实施例提供的技术方案，通过图1示出根据本公开一实施方式的订单处理方法的流程图。如图1所示，所述订单处理方法包括以下步骤S101-S103：

在步骤S101中，获取当前订单的订单数据、配送数据，以及当前客观数据；

在步骤S102中，对订单数据、配送数据和当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量；

在步骤S103中，根据当前订单特征向量和预设超时预测模型，得到当前订单的预估超时信息。

上文提及，随着人们生活水平的提高，各种外卖服务应运而生。例如快餐外卖、超市商品外卖、鲜花外卖等。对于外卖服务，通常根据对外卖进行配送的配送人员的历史上每天不超时的最大背单量，对每个配送人员设置一个背单量上限。当配送人员当天的背单量超过该上限时，不再向该配送人员追加订单。但是，仅仅根据背单量向配送人员分配订单，而不考虑例如两订单之间的距离、订单对应的时间段等复杂的业务场景，会导致订单分配不合理，配送超时严重，配送效率降低。

其中，背单量为配送者当前未送达的订单数量；配送超时为配送者未按规定时间送达。

考虑到上述缺陷，在该实施方式中，提出一种订单处理方法，该方法将配送人员未配送的订单和欲追加的订单作为当前订单，并对获取到的当前订单的订单数据、配送数据，以及表征当前配送时所处的环境信息和非人为因素的当前客观数据，进行特征提取和拼接，得到基于多维度的当前订单特征向量，利用预设超时预测模型对得到的基于多维度的当前订单特征向量进行超时预测，得到当前订单的超时信息。该技术方案利用当前订单的表征业务场景的多维度信息以及预设超时预测模型，能够准确得到指导是否将欲追加的订单追加给配送人员的当前订单(配送人员的未配送的订单及欲追加的订单)的预估超时信息，从而动态调整分配给每个配送人员的订单量，进而提高了配送效率。

其中，预设超时预测模型表征多维度的订单特征向量和超时信息的对应关系。

其中，上述的当前订单包括配送人员未配送的订单及欲追加的订单。

其中，上述的订单数据包括：订单内容数据、商户数据和用户数据中的至少一个。

其中，订单内容数据包括：配送地址、订单编号、下单时间、期望时间、订购物品中的至少一个。

其中，商户数据包括：商户地址、商户出单时间中的至少一个。例如，商户出单时间可以为商户出餐时间。

其中，用户数据包括：用户楼层、用户电梯信息中的至少一个。例如，用户楼层信息可以为用户住在6楼，用户电梯信息为无电梯。

其中，上述的配送数据包括：配送者等级、配送超时情况、配送交通工具中的至少一种。例如，配送者等级可以为：初级、中级、高级。配送超时情况可以为：配送人员当天超时订单数据量。配送工具可以为：三轮车、电动车等，本公开实施例不作限制。

其中，上述的当前客观数据包括：环境信息和配送时段交通拥堵情况中的至少一种。例如，环境信息可以为当前天气情况、道路情况、天灾人祸等。

这里的客观数据表征不可认为改变的因素，本公开实施例不作限制。

其中，预设超时预测模型表征多维度的订单特征向量和超时信息的对应关系。例如，该对应关系可以为表格的形式，还可以为索引的形式，还可以为函数的形式。

需要说明的是，本实施例对上述的订单数据、配送数据、当前客观数据以及对应关系的具体体现形式并不做限定

在本实施例的一个可选实现方式中，如图2所示，所述步骤S103后，即根据当前订单特征向量和预设超时预测模型，得到当前订单的预估超时信息后，本公开实施例提供的订单处理方法还包括如下S104：

S104、若当前订单的预估超时信息表征订单未超时，则将欲追加的订单分配给配送人员。

对应的，若当前订单的预估超时信息表征当前订单超时，则不将欲追加的订单分配给配送人员。

在本实施例中，若当前订单的超时信息表征订单未超时，则说明将欲追加的订单追加给配送人员，配送人员能够将自己未配送的订单和欲追加给自己的订单按时配送。基于此，可将欲追加的订单追加该配送人员。反之，若当前订单的超时信息表征订单超时，则说明将欲追加的订单追加给配送人员，配送人员无法将自己未配送的订单和欲追加给自己的订单中的至少一个订单按时配送。基于此，将欲追加的订单不追加该配送人员。

在本实施例的一个可选实现方式中，如图3所示，所述步骤S102，即对订单数据、配送数据和当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量的步骤，包括步骤S201-S204：

在步骤S201中，对当前订单数据进行特征提取，得到第一特征向量；

在步骤S202中，对配送数据进行特征提取，得到第二特征向量；

在步骤S203中，对当前客观数据进行特征提取，得到第三特征向量；

在步骤S204中，将第一特征向量、第二特征向量和第三特征向量拼接，得到基于多维度的当前订单特征向量。

在本实施例中，对当前订单的订单数据、配送数据、当前客观数据进行特征提取，可提高数据的有效性，并同时减少运算量，进而提高得到当前订单的预估超时信息的准确性和速度。

其中，当前订单的订单数据、配送数据、当前客观数据进行特征提取可采用现有的特征提取方式。例如，使用卷积神经网络对订单数据、配送数据、当前客观数据进行卷积处理，这样既可以对订单数据、配送数据、当前客观数据进行特征提取，还可以进行有效降维。其中，卷积神经网络是一种前馈神经网络，由一个或多个卷积层和顶端的全联通层组成，同时也包括关联权重和池化层。

此外，在进行特征向量拼接时，可将第一特征向量、第二特征向量以及第三特征向量以任意顺序进行拼接。例如，将第一特征向量放在首位，第二特征向量拼接在第一特征向量后，第三特征向量拼接在第二特征向量后。其中，拼接的目的在于将多个特征向量组合成一个特征向量。

需要说明的是，在本公开实施例中，一个配送者在一天内可以对应很多的订单，也就是说，针对一个配送者，在一个客观条件内，可以对应多个订单数据对应的特征向量。

示例性的，如图4所示，假设第一特征向量包括订单特征和商户特征，第二特征向量为骑手特征，第三特征向量为客观特征，那么，一个骑手特征拼接一个客观特征，以及n个订单特征和n个商户特征，其中订单特征和商户特征一一对应。

在本实施例的一个可选实现方式中，如图5所示，所述步骤S103之前，即根据所述订单特征向量和预设超时预测模型，得到当前订单的预估超时信息之前，包括步骤S105：

S105、获取预设超时预测模型。

在本实施例中，通过获取预设超时预测模型，为得到当前订单的预估超时信息的预估数据基础。

其中，预设超时预测模型可以为基于深度学习得到的。

在本实施例的一个可选实现方式中，如图6所示，所述S105，即获取预设超时预测模型，包括步骤S301-S303：

S301、获取历史订单数据、历史配送数据、历史客观数据，以及对应的历史超时信息；

S302、对历史订单数据、历史配送数据和历史客观数据分别进行特征提取和拼接后，得到基于多维度的历史订单特征向量；

S303、采用基于多维度的历史订单特征向量、历史超时信息和预设初始模型进行深度神经网络模型训练，得到预设超时预测模型。

在本实施例中，采用历史订单数据、历史配送数据、历史客观数据，以及对应的历史超时信息进行深度神经网络训练，得到预设超时预测模型。由于深度神经网络既可以自动提取、组合、转化特征，也可以通过多重非线性变换，获得极强的非线性拟合能力，可以映射任意复杂的非线性关系。具有很强的鲁棒性、记忆能力以及强大的学习能力。此外，深度神经网络的学习规则简单，效率高，可塑性强，同时具有普适性，易于扩展。因此，本实施例训练得到的预设超时预测模型可对订单进行准确的超时预测，从而为得到准确的当前订单的预估超时信息提供计算基础。

其中，历史订单数据、历史配送数据、历史客观数据指的是已经配送订单的订单数据、配送数据、客观数据。历史超时信息表征历史订单是否超时，和/或超时的时间长度。此外，历史订单数据、历史配送数据、历史客观数据与上述的订单数据、配送数据、客观数据的说明相同，并且可以不止上述罗列的上述数据的内容，这里不再赘述。

需要说明的是，深度神经网络是深度学习的一种，深度学习是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法，本公开实施例可以不限制深度学习采用的具体算法。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图7示出根据本公开一实施方式的订单处理装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图7所示，所述订单处理装置包括：

第一获取模块601，被配置为获取当前订单的订单数据、配送数据，以及当前客观数据；当前客观数据包括当前订单配送时所处的环境信息或非人为因素，当前订单包括配送人员的未配送的订单及欲追加的订单；

提取拼接模块602，被配置为对订单数据、配送数据和当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量；

预测模块603，被配置为根据当前订单特征向量和预设超时预测模型，得到当前订单的预估超时信息；其中，预设超时预测模型表征多维度的订单特征向量和超时信息的对应关系。

上文提及，随着人们生活水平的提高，各种外卖服务应运而生。例如快餐外卖、超市商品外卖、鲜花外卖等。对于外卖服务，通常根据对外卖进行配送的配送人员的历史上每天不超时的最大背单量，对每个配送人员设置一个背单量上限。当配送人员当天的背单量超过该上限时，不再向该配送人员追加订单。但是，仅仅根据背单量向配送人员分配订单，而不考虑例如两订单之间的距离、订单对应的时间段等复杂的业务场景，会导致订单分配不合理，配送超时严重，配送效率降低。

其中，背单量为配送者当前未送达的订单数量；配送超时为配送者未按规定时间送达。

考虑到上述缺陷，在该实施方式中，提出一种订单处理装置，该装置将配送人员未配送的订单和欲追加的订单作为当前订单，并提取拼接模块602对第一获取模块601获取到的当前订单的订单数据、配送数据，以及表征当前配送时所处的环境信息和非人为因素的当前客观数据，进行特征提取和拼接，得到基于多维度的当前订单特征向量，预测模块603利用预设超时预测模型对得到的基于多维度的当前订单特征向量进行超时预测，得到当前订单的超时信息。该技术方案利用当前订单的表征业务场景的多维度信息以及预设超时预测模型，能够准确得到指导是否将欲追加的订单追加给配送人员的当前订单(配送人员的未配送的订单及欲追加的订单)的预估超时信息，从而动态调整分配给每个配送人员的订单量，进而提高了配送效率。

需要说明的是，订单处理装置可以为订单处理平台，本公开实施例不作限制。

其中，上述的当前订单包括配送人员未配送的订单及欲追加的订单。

其中，上述的订单数据包括：订单内容数据、商户数据和用户数据中的至少一个。

其中，订单内容数据包括：配送地址、订单编号、下单时间、期望时间、订购物品中的至少一个。

其中，商户数据包括：商户地址、商户出单时间中的至少一个。例如，商户出单时间可以为商户出餐时间。

其中，用户数据包括：用户楼层、用户电梯信息中的至少一个。例如，用户楼层信息可以为用户住在6楼，用户电梯信息为无电梯。

其中，上述的配送数据包括：配送者等级、配送超时情况、配送交通工具中的至少一种。例如，配送者等级可以为：初级、中级、高级。配送超时情况可以为：配送人员当天超时订单数据量。配送工具可以为：三轮车、电动车等，本公开实施例不作限制。

其中，上述的当前客观数据包括：环境信息和配送时段交通拥堵情况中的至少一种。例如，环境信息可以为当前天气情况、道路情况、天灾人祸等。

这里的客观数据表征不可认为改变的因素，本公开实施例不作限制。

其中，预设超时预测模型表征多维度的订单特征向量和超时信息的对应关系。例如，该对应关系可以为表格的形式，还可以为索引的形式，还可以为函数的形式。

需要说明的是，本实施例对上述的订单数据、配送数据、当前客观数据以及对应关系的具体体现形式并不做限定

在本实施例的一个可选实现方式中，如图8所示，订单处理模装置还包括追加模块604：

追加模块604，被配置为若当前订单的预估超时信息表征当前订单未超时，则将欲追加的订单分配给所述配送人员。

对应的，追加模块604，还被配置若当前订单的预估超时信息表征当前订单超时，则将不将欲追加的订单分配给配送人员。

在本实施例中，若当前订单的超时信息表征订单未超时，则说明将欲追加的订单追加给配送人员，配送人员能够将自己未配送的订单和欲追加给自己的订单按时配送。基于此，追加模块604可将欲追加的订单追加该配送人员。反之，若当前订单的超时信息表征订单超时，则说明将欲追加的订单追加给配送人员，配送人员无法将自己未配送的订单和欲追加给自己的订单中的至少一个订单按时配送。基于此，追加模块604可将欲追加的订单不追加该配送人员。

在本实施例的一个可选实现方式中，如图9所示，提取拼接模块602包括：

第一提取子模块701，被配置为对当前订单数据进行特征提取，得到第一特征向量；

第二提取子模块702，对配送数据进行特征提取，得到第二特征向量；

第三提取子模块703，对当前客观数据进行特征提取，得到第三特征向量；

拼接子模块704，被配置为将第一特征向量、第二特征向量和第三特征向量拼接，得到基于多维度的当前订单特征向量。

在本实施例中，第一提取子模块701、第二提取子模块702以及第三提取子模块703分别对当前订单的订单数据、配送数据、当前客观数据进行特征提取，可提高数据的有效性，并同时减少运算量，进而提高得到当前订单的预估超时信息的准确性和速度。

其中，当前订单的订单数据、配送数据、当前客观数据进行特征提取可采用现有的特征提取方式。例如，使用卷积神经网络对订单数据、配送数据、当前客观数据进行卷积处理，这样既可以对订单数据、配送数据、当前客观数据进行特征提取，还可以进行有效降维。

此外，拼接子模块704在进行特征向量拼接时，可将第一特征向量、第二特征向量以及第三特征向量以任意顺序进行拼接。例如，将第一特征向量放在首位，第二特征向量拼接在第一特征向量后，第三特征向量拼接在第二特征向量后。其中，拼接的目的在于将多个特征向量组合成一个特征向量。

需要说明的是，在本公开实施例中，一个配送者在一天内可以对应很多的订单，也就是说，针对一个配送者，在一个客观条件内，可以对应多个订单数据对应的特征向量。

示例性的，如图4所示，假设第一特征向量包括订单特征和商户特征，第二特征向量为骑手特征，第三特征向量为客观特征，那么，一个骑手特征拼接一个客观特征，以及n个订单特征和n个商户特征，其中订单特征和商户特征一一对应。

在本实施例的一个可选实现方式中，如图10所示，订单处理模装置还包括第二获取模块605：

第二获取模块605，被配置为获取预设超时预测模型。

在本实施例中，通过第二获取模块605获取预设超时预测模型，为得到当前订单的预估超时信息的预估数据基础。

其中，预设超时预测模型可以为基于深度学习得到的。

在本实施例的一个可选实现方式中，如图11所示，第二获取模块605包括：

获取子模块801，被配置为获取历史订单数据、历史配送数据、历史客观数据，以及对应的历史超时信息；

提取拼接子模块802，被配置为对历史订单数据、历史配送数据和历史客观数据分别进行特征提取和拼接后，得到基于多维度的历史订单特征向量；

生成子模块803，被配置为采用基于多维度的历史订单特征向量、历史超时信息和预设初始模型进行深度神经网络模型训练，得到预设超时预测模型。

在本实施例中，采用提取拼接子模块802对获取子模块801获取到的历史订单数据、历史配送数据、历史客观数据，以及对应的历史超时信息进行特征提取和拼接，并采用生成子模块803对提取和拼接结果进行深度神经网络训练，得到预设超时预测模型。由于深度神经网络既可以自动提取、组合、转化特征，也可以通过多重非线性变换，获得极强的非线性拟合能力，可以映射任意复杂的非线性关系。具有很强的鲁棒性、记忆能力以及强大的学习能力。此外，深度神经网络的学习规则简单，效率高，可塑性强，同时具有普适性，易于扩展。因此，本实施例训练得到的预设超时预测模型可对订单进行准确的超时预测，从而为得到准确的当前订单的预估超时信息提供计算基础。

其中，历史订单数据、历史配送数据、历史客观数据指的是已经配送订单的订单数据、配送数据、客观数据。历史超时信息表征历史订单是否超时，和/或超时的时间长度。此外，历史订单数据、历史配送数据、历史客观数据与上述的订单数据、配送数据、客观数据的说明相同，并且可以不止上述罗列的上述数据的内容，这里不再赘述。

需要说明的是，深度神经网络是深度学习的一种，深度学习是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法，本公开实施例可以不限制深度学习采用的具体算法。

本公开还公开了一种电子设备，图12示出根据本公开一实施方式的电子设备的结构框图，如图12所示，所述电子设备1100包括存储器1101和处理器1102；其中，

所述存储器1101用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器1102执行以实现上述任一方法步骤。

需要说明的是，电子设备可以为订单处理平台，例如订单应用的后台服务器，本公开实施例不作限制。

图13适于用来实现根据本公开实施方式的订单处理方法的计算机系统的结构示意图。

如图13所示，计算机系统1200包括中央处理单元(CPU)1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行上述实施方式中的各种处理。在RAM1203中，还存储有系统1200操作所需的各种程序和数据。CPU1201、ROM1202以及RAM1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

以下部件连接至I/O接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。

特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行所述订单处理方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种订单处理方法，其特征在于，包括：

获取配送人员的当前订单的订单数据、配送数据，以及当前客观数据；所述当前客观数据包括当前订单配送时所处的环境信息或非人为因素，所述当前订单包括所述配送人员的未配送的订单及欲追加的订单；

对所述配送人员的当前订单的订单数据、所述配送数据和所述当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量；

根据所述当前订单特征向量和预设超时预测模型，得到所述配送人员的当前订单的预估超时信息；

若所述配送人员的当前订单的预估超时信息表征所述当前订单未超时，则将所述欲追加的订单分配给所述配送人员。

2.根据权利要求1所述的方法，其特征在于，

所述订单数据包括：订单内容数据、商户数据和用户数据中的至少一种；

所述配送数据包括：配送者等级、配送超时情况、配送交通工具中的至少一种；

所述当前客观数据包括：环境信息和配送时段交通拥堵情况中的至少一种。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述订单数据、所述配送数据和所述当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量，包括：

对所述订单数据进行特征提取，得到第一特征向量；

对所述配送数据进行特征提取，得到第二特征向量；

对所述当前客观数据进行特征提取，得到第三特征向量；

将所述第一特征向量、所述第二特征向量和所述第三特征向量拼接，得到所述基于多维度的当前订单特征向量。

4.根据权利要求1所述的方法，其特征在于，所述根据所述当前订单特征向量和预设超时预测模型，得到所述配送人员的当前订单的预估超时信息之前，所述方法还包括：

获取所述预设超时预测模型。

5.根据权利要求4所述的方法，其特征在于，所述获取所述预设超时预测模型，包括：

获取历史订单数据、历史配送数据、历史客观数据，以及对应的历史超时信息；

对所述历史订单数据、所述历史配送数据和所述历史客观数据分别进行特征提取和拼接后，得到基于多维度的历史订单特征向量；

采用所述基于多维度的历史订单特征向量、所述历史超时信息和预设初始模型进行深度神经网络模型训练，得到所述预设超时预测模型。

6.根据权利要求2所述的方法，其特征在于，

所述订单内容数据包括：配送地址、订单编号、下单时间、期望时间、订购物品中的至少一个；

所述商户数据包括：商户地址、商户出单时间中的至少一个；

所述用户数据包括：用户楼层、用户电梯信息中的至少一个。

7.一种订单处理装置，其特征在于，包括：

第一获取模块，被配置为获取配送人员的当前订单的订单数据、配送数据，以及当前客观数据；所述当前客观数据包括当前订单配送时所处的环境信息或非人为因素，所述当前订单包括所述配送人员的未配送的订单及欲追加的订单；

提取拼接模块，被配置为对所述配送人员的当前订单的订单数据、所述配送数据和所述当前客观数据分别进行特征提取和拼接后，得到基于多维度的当前订单特征向量；

预测模块，被配置为根据所述当前订单特征向量和预设超时预测模型，得到所述配送人员的当前订单的预估超时信息；

追加模块，被配置为若所述配送人员的当前订单的预估超时信息表征所述当前订单未超时，则将所述欲追加的订单分配给所述配送人员。

8.根据权利要求7所述的装置，其特征在于，所述订单数据包括：订单内容数据、商户数据和用户数据中的至少一种；

所述配送数据包括：配送者等级、配送超时情况、配送交通工具中的至少一种；

所述当前客观数据包括：环境信息和配送时段交通拥堵情况中的至少一种。

9.根据权利要求7或8所述的装置，所述提取拼接模块包括：

第一提取子模块，被配置为对所述订单数据进行特征提取，得到第一特征向量；

第二提取子模块，对所述配送数据进行特征提取，得到第二特征向量；

第三提取子模块，对所述当前客观数据进行特征提取，得到第三特征向量；

拼接子模块，被配置为将所述第一特征向量、所述第二特征向量和所述第三特征向量拼接，得到所述基于多维度的当前订单特征向量。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括第二获取模块：

所述第二获取模块，被配置为获取所述预设超时预测模型。

11.根据权利要求10所述的装置，其特征在于，所述第二获取模块包括：

获取子模块，被配置为获取历史订单数据、历史配送数据、历史客观数据，以及对应的历史超时信息；

提取拼接子模块，被配置为对所述历史订单数据、所述历史配送数据和所述历史客观数据分别进行特征提取和拼接后，得到基于多维度的历史订单特征向量；

生成子模块，被配置为采用所述基于多维度的历史订单特征向量、所述历史超时信息和预设初始模型进行深度神经网络模型训练，得到所述预设超时预测模型。

12.根据权利要求8所述的装置，其特征在于，

所述订单内容数据包括：配送地址、订单编号、下单时间、期望时间、订购物品中的至少一个；

所述商户数据包括：商户地址、商户出单时间中的至少一个；

所述用户数据包括：用户楼层、用户电梯信息中的至少一个。

13.一种电子设备，其特征在于，包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-6任一项所述的方法步骤。

14.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-6任一项所述的方法步骤。

Images