一种配送方法和装置制造方法及图纸

本申请公开了一种智能配送派单的方法和装置，包括：获取配送员信息和订单信息；根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率；根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系；根据所述匹配关系将订单派发给全局最优匹配的配送员。应用本申请公开的技术方案，由于利用机器学习方法更为准确地计算出接单概率，并从全局角度考虑最优分配效果，从而最大效率利用资源，优化订单分配。

A Distribution Method and Device

This application discloses a method and device for Intelligent Distribution Dispatch order, which includes: obtaining the dispatcher information and order information; calculating the dispatcher's order probability using the dispatcher information and order information according to machine learning method; optimizing the global matching according to the dispatcher's order probability to determine the matching relationship between the order and the dispatcher; and according to the matching relationship. The order is dispatched to the global optimal matching distributor. Applying the technical scheme disclosed in this application, the machine learning method is used to calculate the order acceptance probability more accurately and to consider the optimal allocation effect from a global perspective, so as to make the most efficient use of resources and optimize the order allocation.

【技术实现步骤摘要】
一种配送方法和装置
本申请涉及物流
，特别涉及一种配送方法和装置。
技术介绍
随着社会信息化技术的发展，人们受互联网的影响越来越大，很多经济活动都通过线上交易。特别是普通的日常生活也往往通过网络交易，比如包裹快递、订餐等。以订餐配送为例，由于客户流分散，实时需求程度高，需求时间段集中等特点，如何合理利用资源、优化订单分配、提高配送效率以满足客户需求是目前需要解决的问题。
技术实现思路
本申请实施例提供了一种智能配送派单的方法，可以实现全局最优化匹配，优化资源的分配和利用。具体的，本申请实施例为：一种智能配送派单的方法，该方法包括：获取配送员信息和订单信息；根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率；根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系；根据所述匹配关系将订单派发给全局最优匹配的配送员。进一步地，所述配送员信息包括配送员位置信息，所述订单信息包括收发货位置信息。进一步地，，所述根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率的方法包括：事先设置特征权重向量和偏置值；根据设置的损失函数和所述特征权重向量迭代计算更新所述特征权重向量；在增长函数中利用所述特征权重向量和偏置值计算得到配送员的接单概率。进一步地，，根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系方法包括：根据事先设置的匹配加权值对所述配送员的接单概率进行加权计算，得到配送员匹配评估值；根据所述配送员的匹配评估值和分配策略分值计算匹配总和值，将匹配总和值最高时对应的分配策略作为最优化的分配策略，根据最优化的分配策略确定订单和配送员的匹配关系。本申请实施例还提出一种智能配送派单的装置，该装置包括：信息获取单元，用于获取配送员信息和订单信息；接单概率预测单元，用于根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率；匹配单元，根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系；订单派发单元，根据所述匹配关系将订单派发给全局最优匹配的配送员。进一步地，，所述接单概率预测单元包括：概率计算子单元，在增长函数中利用特征权重向量和偏置值计算得到配送员的接单概率；特征权重向量迭代子单元，根据设置的损失函数和所述特征权重向量迭代计算更新所述特征权重向量。进一步地，所述匹配单元包括：匹配评估单元，用于根据事先设置的匹配加权值对所述配送员的接单概率进行加权计算，得到配送员匹配评估值；全局最优匹配计算单元，根据所述配送员的匹配评估值和分配策略分值计算匹配总和值，将匹配总和值最高时对应的分配策略作为最优化的分配策略，根据最优化的分配策略确定订单和配送员的匹配关系。应用本申请公开的技术方案，由于利用机器学习方法更为准确地计算出接单概率，并从全局角度考虑最优分配效果，从而最大效率利用资源，优化订单分配，实现智能派单。附图说明图1是本专利技术实施例一的智能配送派单的方法流程图。图2是本专利技术实施例一对应的装置结构示意图。图3是本专利技术实施例二中计算配送员接单概率的方法流程图。图4是本专利技术实施例二中接单概率预测单元202的内部结构示意图。图5是本专利技术实施例二中根据全局最优话匹配方法确定匹配关系的方法流程图。图6是本专利技术实施例二中匹配单元203内部结构示意图。具体实施方式为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本申请作进一步详细说明。图1是本专利技术实施例一的智能配送派单的方法流程图。如图1所示，该方法包括：步骤101：获取配送员信息和订单信息。步骤102：根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率。步骤103：根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系。步骤104：根据所述匹配关系将订单派发给全局最优匹配的配送员。图2是本专利技术实施例一对应的装置结构示意图。如图2所示，该装置包括：信息获取单元201、接单概率预测单元202、匹配单元203、订单派发单元204。其中，信息获取单元201用于获取配送员信息和订单信息；接单概率预测单元202用于根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率；匹配单元203根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系；订单派发单元204根据所述匹配关系将订单派发给全局最优匹配的配送员。也就是说，本专利技术实施例一中，可以利用机器学习方法计算出配送员的接单概率，利用这个接单概率将配送员和订单进行匹配，将全局最优匹配的配送员作为需要下发订单的配送员。由于本实施例派单的方法考虑了全局最优效果，可以为客户、配送员和商家几方面进行综合考虑，可以最大效率利用资源，优化订单分配。当然，由于优化了订单分配，从而可以从总体上提高配送效率。实际应用中，配送员信息可以包括其位置信息，订单信息可以包括收发货位置信息。位置信息可以用经纬度表示，用现有的GPS技术就可以获取。当然，配送员信息还可以包括其他信息，比如：是否处于工作状态、配送员接单偏好、配送员等级、配送员标签、配送员接单权限、配送员未完成订单情况、配送员当前时间推荐的订单量、配送员当天完成的订单量、配送员被屏蔽的情况、配送员最近历史接单情况等等。订单信息还可以包括其他信息，比如：将要分配订单的时效、配送员未完成订单的时效、订单的商家ID号、订单货物类型。实际应用中，至于配送员信息和订单信息究竟包括哪些信息是由应用本专利技术实施例方案的用户自行确定的，并不受本专利技术实施例的限定。由于配送员(M个)和订单(N个)的数量很庞大，可以事先过滤部分无关信息，减少计算量。比如，可以先将M个配送员和N个订单交叉配对，初步形成匹配关系。然后根据获取的配送员信息和订单信息进行信息筛选，将如下情况相关的匹配过滤掉：当前不处于工作状态的配送员、不接受该订单货物类型的配送员、接单偏好不匹配的订单、路线偏差大的订单、被商家屏蔽的配送员、无接单权限的配送员、当前订单量饱和的配送员等等。将这些信息过滤的目的是减少计算量。当然，如果不考虑计算量的问题，也可以不事先过滤。本专利技术实施例二为如何实现上述步骤102提供了具体的机器学习的方案。本领域技术人员知道，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。图3是实现步骤102的具体方法流程图。如图3所示，该方法中机器学习计算配送员接单概率的方法包括：步骤301：事先设置特征权重向量和偏置值。步骤302：根据设置的损失函数和所述特征权重向量迭代计算更新所述特征权重向量。步骤303：在增长函数中利用所述特征权重向量和偏置值计算得到配送员的接单概率。这里所述的特征权重向量、偏置值、损失函数、增长函数是机器学习中涉及到的技术特征。图4是该方法对应的装置示意图，即接单概率预测单元202的内部结构示意图。如图4所示，该装置包括：概率计算子单元401和特征权重向量迭代子单元402。其中，概率计算子单元401用于在增长函数中利用特征权重向量和偏置值计算得到配送员的接单概率。特征权重向量迭代子单元402根据设本文档来自技高网...

【技术保护点】
1.一种智能配送派单的方法，其特征在于，该方法包括：获取配送员信息和订单信息；根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率；根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系；根据所述匹配关系将订单派发给全局最优匹配的配送员。

【技术特征摘要】
1.一种智能配送派单的方法，其特征在于，该方法包括：获取配送员信息和订单信息；根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率；根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系；根据所述匹配关系将订单派发给全局最优匹配的配送员。2.根据权利要求1所述的方法，其特征在于，所述配送员信息包括配送员位置信息，所述订单信息包括收发货位置信息。3.根据权利要求1所述的方法，其特征在于，所述根据机器学习方法，利用所述配送员信息和订单信息计算配送员的接单概率的方法包括：事先设置特征权重向量和偏置值；根据设置的损失函数和所述特征权重向量迭代计算更新所述特征权重向量；在增长函数中利用所述特征权重向量和偏置值计算得到配送员的接单概率。4.根据权利要求1所述的方法，其特征在于，根据所述配送员的接单概率进行全局最优化匹配，以确定订单和配送员的匹配关系方法包括：根据事先设置的匹配加权值对所述配送员的接单概率进行加权计算，得到配送员匹配评估值；根据所述配送员的匹配评估值和分配策略分值计算匹配总和值，将匹配总和值最高时对应的分配策略作为最优化...

【专利技术属性】
技术研发人员：纪诚诚，马栓，季炳坤，
申请(专利权)人：达疆网络科技上海有限公司，
类型：发明
国别省市：上海,31