物流调度方法及装置制造方法及图纸

本发明专利技术实施例是关于一种物流调度方法及装置，其方法包括：获取所述物流调度系统中的第一规则打分模型；调用预设机器学习模型训练拟合所述第一规则打分模型，得到第一机器学习模型；通过预设历史订单数据对所述第一机器学习模型训练，得到第二机器学习模型；将所述第二机器学习模型作为所述物流调度系统中的规则打分模型。这样通过不断迭代，直到得到的趋于稳定的第二机器学习模型，并且调用第二机器学习模型对物流调度系统中各相关打分环节打分，可以大大提高打分准确性，进而提高物流配送效率。

【技术实现步骤摘要】
物流调度方法及装置
本专利技术实施例涉及物流
，尤其涉及一种物流调度方法及装置。
技术介绍
随着社会的不断发展，通过O2O(OnlineToOffline，线上到线下)平台办理业务的用户也越来越多。很多商家都推出了自己的app(Application，应用程序)平台，用户通过在相关app上注册，成为该app的注册用户，该注册用户就可以在该app上下单，如订购外卖、买衣服或食品等等。商家在接到用户的订单后，会通过物流调度系统指派相关的派送员将用户的下单物品送给用户。在物流调度系统中，有很多环节，如：判断订单是否追加指派给派送员的环节、订单分组环节及订单组与派送员之间的关联环节等等。物流调度系统需要对上述等各个环节打分，进而根据打分情况确定订单分组、指定派送员等。然而，由于当前现有物流调度系统对各环节打分的准确性不高，在依据物流调度系统的打分结果进行物流派送时，使得物流派送效率较低。
技术实现思路
为了提高现有物流调度系统对各环节打分的准确性，使得在依据物流调度系统的打分结果进行物流派送时，提高物流派送效率，本专利技术实施例提供一种物流调度方法及装置。根据本专利技术实施例的第一方面，提供一种物流调度方法，包括：获取所述物流调度系统中的第一规则打分模型；调用预设机器学习模型训练拟合所述第一规则打分模型，得到第一机器学习模型；通过预设历史订单数据对所述第一机器学习模型训练，得到第二机器学习模型；将所述第二机器学习模型作为所述物流调度系统中的规则打分模型；根据所述目标规则打分模型确定所述物流调度系统对目标配送对象的物流调度。根据本专利技术实施例的第二方面，提供一种物流调度装置，包括：第一规则打分模型获取单元，用于获取所述物流调度系统中的第一规则打分模型；第一机器学习模型生成单元，用于调用预设机器学习模型训练拟合所述第一规则打分模型，得到第一机器学习模型；第二机器学习模型生成单元，用于通过预设历史订单数据对所述第一机器学习模型训练，得到第二机器学习模型；第一规则打分模型确定单元，用于将所述第二机器学习模型作为所述物流调度系统中的规则打分模型；物流调度确定单元，用于根据所述目标规则打分模型确定所述物流调度系统对目标配送对象的物流调度。本专利技术的实施例提供的技术方案可以包括以下有益效果：本专利技术实施例提供的物流调度方法及装置，在获取到物流调度系统中的第一规则打分模型之后，调用预设机器学习模型拟合该第一规则打分模型，得到第一机器学习模型，通过获取到的预设历史订单数据对第一机器学习模型的训练，可以得到第二机器学习模型，将第二机器学习模型取代物流调度系统中的第一规则打分模型作为物流调度系统中的规则打分模型。这样通过得到的第二机器学习模型对物流调度系统中各相关打分环节打分，可以大大提高打分准确性，进而提高物流配送效率。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，并不能限制本专利技术实施例。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术实施例的原理。图1是根据本专利技术一示例性实施例示出的一种物流调度方法的流程图；图2是图1中步骤S130的流程图；图3是图2中步骤S136的流程图；图4是图1中步骤S140的流程图；图5是根据本专利技术一示例性实施例示出的一种物流调度方法的流程图；图6是图1中步骤S150的流程图；图7是根据本专利技术一示例性实施例示出的一种物流调度装置的结构示意图；图8是图7中第二机器学习模型生成单元的示意图；图9是图8中第一机器学习模型训练模块的示意图；图10是图7中目标规则打分模型确定单元的示意图；图11是根据本专利技术一示例性实施例示出的一种物流调度装置的结构示意图；图12是图7中物流调度确定单元的示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术实施例的一些方面相一致的装置和方法的例子。下面首先简要介绍下物流调度系统，示例性的，用户在O2O平台上下订单后，物流调度系统会获取用户的订单信息，并根据该订单信息，判断是否需要将该订单追加给正在派送货物的骑士(即派送员)；如果没有，那么对该订单分组。例如，将同一类型的订单划分为一组，便于骑士统一派送。物流调度系统在对用户订单处理过程中，会遇到诸如上述的很多环节，为了保证订单的及时派送，需要对物流调度系统中的各个环节打分，一般调用物流调度系统的打分规则对物流调度系统中的各环节打分，并依据打分结果，选择打分高的结果安排物流派送。示例性的，可以对物流调度系统中的下述环节打分，如：对是否需要将订单追加给骑士的进行打分；根据打分结果，选取打分超过一定数值且打分最高的骑士，如果没有，那么就不必将该订单追加给骑士。还可以对订单分组进行打分；根据打分结果，将该订单划分到打分结果最高的订单组，便于骑士的统一派送。还可以对订单组和骑士打分；根据打分结果，选取订单组对应打分最高的骑士，说明该骑士最适合该订单组的派送。当然，除了可以采用打分结果中，选取打分结果最高之外，在其他方式中，例如，可以对订单组、骑士分别打分，选择订单组与骑士分数相近的进行匹配等等。在简单介绍上述物流调度系统及打分规则后，为了解决当前现有物流调度系统对各环节打分的准确性不高，导致在依据物流调度系统的打分结果进行物流派送时，使得物流派送效率较低的问题，本专利技术实施例首先提供了一种物流调度方法，如图1所示，该方法可以包括如下步骤：在步骤S110中，获取物流调度系统中的第一规则打分模型。在物流调度系统中，由于需要对其中的很多环节打分，便于根据打分结果进行订单的物流派送，因此物流调度系统中有自身的打分规则模型，实施例中将该打分模型称为第一规则打分模型。该第一规则打分模型，是调用相关标准，对相关环节打分，例如：在对订单分组的打分环节中，根据订单信息，如该订单中配送的货物类型、配送地点、配送要求等，选取与货物类型、配送地点、配送要求等相匹配的订单分组，那么该订单分组的打分结果在所有相关订单分组中，打分应是最高。但是，很多时候，物流调度系统中的原始打分规则模型(即第一规则打分模型)对相关打分环节的打分准确定不高，特别是在用户的订单复杂、某时间段内用户总订单量猛增等，如订单中包含多个种类的货物，要求配送方式有特殊要求等情况下，以及在订单量猛增情况下，物流调度系统中的原始打分规则模型会出现打分紊乱等情况，进而造成物流调度系统不能根据第一规则打分模型的打分结果合理安排订单中货物的派送，使得物流配送效率大大降低。在步骤S120中，调用预设机器学习模型训练拟合第一规则打分模型，得到第一机器学习模型。本专利技术实施例中的预设机器学习模型，可以是已有的DNN(DeepNeuralNetworks，深度神经网络)，还可以是逻辑回归模型等等，可以根据需要选取，本专利技术实施例不限于此。由于第一规则打分模型中有对物流调度系统中打分环节的打分标准等，因此需要调用预设机器学习模型训练拟合第一规则打分模型，这样得到第一机器学习模型。该第一机器学习模型，不但具有第一规则打分模本文档来自技高网...

【技术保护点】
一种物流调度方法，应用于物流调度系统，其特征在于，包括：获取所述物流调度系统中的第一规则打分模型；调用预设机器学习模型训练拟合所述第一规则打分模型，得到第一机器学习模型；通过预设历史订单数据对所述第一机器学习模型训练，得到第二机器学习模型；根据所述第二机器学习模型确定所述物流调度系统中的目标规则打分模型；根据所述目标规则打分模型确定所述物流调度系统对目标配送对象的物流调度。

【技术特征摘要】
1.一种物流调度方法，应用于物流调度系统，其特征在于，包括：获取所述物流调度系统中的第一规则打分模型；调用预设机器学习模型训练拟合所述第一规则打分模型，得到第一机器学习模型；通过预设历史订单数据对所述第一机器学习模型训练，得到第二机器学习模型；根据所述第二机器学习模型确定所述物流调度系统中的目标规则打分模型；根据所述目标规则打分模型确定所述物流调度系统对目标配送对象的物流调度。2.根据权利要求1所述的物流调度方法，其特征在于，所述通过预设历史订单数据对所述第一机器学习模型训练，包括：获取所述物流调度系统的历史订单数据；获取所述第一规则打分模型对所述历史订单数据的第一打分结果；通过所述第一机器学习模型对所述历史订单数据打分，得到第二打分结果；判断所述第一打分结果与所述第二打分结果是否相同；当所述第一打分结果与所述第二打分结果不相同时，获取所述第一打分结果与所述第二打分结果之间不同的差异打分结果；在所述历史订单数据中获取与所述差异打分结果相对应的目标历史订单数据；通过所述目标历史订单数据对所述第一机器学习模型训练。3.根据权利要求2所述的物流调度方法，其特征在于，所述通过所述目标历史订单数据对所述第一机器学习模型训练，包括：在所述目标历史订单中，将所述第一机器学习模型的打分结果高于所述第一规则打分模型打分结果的订单作为正样本，将所述第一机器学习模型的打分结果低于所述第一规则打分模型打分结果的订单作为负样本；分别通过所述正样本和所述负样本对所述第一机器学习模型训练。4.根据权利要求1所述的物流调度方法，其特征在于，所述根据所述第二机器学习模型确定所述物流调度系统中的目标规则打分模型，包括：将所述第二机器学习模型作为所述物流调度系统中的目标规则打分模型；或者；分别获取所述预设历史订单数据中的正样本和负样本；通过所述正样本和所述负样本对所述第二机器学习模型训练，得到第三机器学习模型；将所述第三机器学习模型作为所述物流调度系统中的目标规则打分模型。5.根据权利要求1至4中任一所述的物流调度方法，其特征在于，所述预设机器学习模型的获取方式，包括：获取所述物流调度系统的历史订单数据；通过所述历史订单数据对第一机器学习模型进行训练，得到所述预设机器学习模型。6.根据权利要求1至4中任一所述的物流调度方法，其特征在于，所述根据所述目标规则打分模型确定所述物流调度系统对目标配送对象的物流调度，包括：获取目标配送对象的配送参数信息；根据所述配送参数信息以及所述目标规则打分模型对所述物流调度系统中的各配送环节打分，确定配送环节组合；通过所述配送环节组合对所述目标配送对象进行物流调度。7.一种物流调度装置，其特征在于，包括：第一规则打分模型获取单元，用于获取所述物流调度系统中的第一规则打分模型；第一机器学习模型生成单元，用于调用预设机器学习模型训练拟合所述第一规则打分模型，得到第一机器学习...

【专利技术属性】
技术研发人员：黄绍建，崔代锐，蒋凡，徐明泉，刘浪，咸珂，陈进清，杨秋源，
申请(专利权)人：北京小度信息科技有限公司，
类型：发明
国别省市：北京,11