配送轨迹的异常识别方法及装置制造方法及图纸

本说明书一个或多个实施例提供一种配送轨迹的异常识别方法及装置，所述方法包括：在目标配送员针对目标运单进行配送的配送时间段内的多个采集时刻，分别采集所述目标配送员以及与所述目标配送员关联的用户和商家之间的距离特征数据；基于所述距离特征数据生成按照所述采集时刻排序的距离序列特征数据；将所述距离序列特征数据输入时间序列模型，以由所述时间序列模型基于所述距离序列特征数据识别所述目标配送员针对所述目标运单进行配送的配送轨迹是否异常；其中，所述时间序列模型为基于若干距离序列特征数据样本训练出的机器学习模型；所述距离序列特征数据样本被标注了表示与其对应的配送轨迹是否异常的标签。了表示与其对应的配送轨迹是否异常的标签。了表示与其对应的配送轨迹是否异常的标签。

【技术实现步骤摘要】
配送轨迹的异常识别方法及装置


[0001]本说明书一个或多个实施例涉及计算机应用
，尤其涉及一种配送轨迹的异常识别方法及装置。

技术介绍

[0002]现如今，随着互联网技术的发展，线上购物越来越普及。用户可以通过互联网向商家购买商品，例如：用户可以使用外卖APP(Application，应用程序)向其定位位置附近的餐馆购买美食、向其定位位置附近的超市购买生活用品，或者向其定位位置附近的药店购买药品，后续可以由配送员(例如：外卖骑手)将该用户购买的商品配送给该用户。这样，可以免去用户需要自行前往商家在线下的实体店铺购买商品的麻烦。
[0003]通常，在用户通过互联网向商家购买了商品之后，会为该用户创建对应的订单，并进一步创建与该订单对应的运单，后续可以将该运单分配给特定的配送员，从而使配送员可以按照分配给其的运单，从商家处取得用户购买的商品，并将该商品配送给该用户。而在实际应用中，为了保证能够及时地将商品配送给用户，就需要对配送员针对运单的配送轨迹进行异常识别，并在识别出异常的配送轨迹时进行相应的异常处理，以促使配送员针对运单进行正常配送。

技术实现思路

[0004]本说明书一个或多个实施例提供技术方案如下：
[0005]本说明书提供一种配送轨迹的异常识别方法，所述方法包括：
[0006]在目标配送员针对目标运单进行配送的配送时间段内的多个采集时刻，分别采集所述目标配送员以及与所述目标配送员关联的用户和商家之间的距离特征数据；
[0007]基于所述距离特征数据生成按照所述采集时刻排序的距离序列特征数据；
[0008]将所述距离序列特征数据输入时间序列模型，以由所述时间序列模型基于所述距离序列特征数据识别所述目标配送员针对所述目标运单进行配送的配送轨迹是否异常；其中，所述时间序列模型为基于若干距离序列特征数据样本训练出的机器学习模型；所述距离序列特征数据样本被标注了表示与其对应的配送轨迹是否异常的标签。
[0009]本说明书还提供一种配送轨迹的异常识别装置，所述装置包括：
[0010]采集模块，用于在目标配送员针对目标运单进行配送的配送时间段内的多个采集时刻，分别采集所述目标配送员以及与所述目标配送员关联的用户和商家之间的距离特征数据；
[0011]生成模块，用于基于所述距离特征数据生成按照所述采集时刻排序的距离序列特征数据；
[0012]识别模块，用于将所述距离序列特征数据输入时间序列模型，以由所述时间序列模型基于所述距离序列特征数据识别所述目标配送员针对所述目标运单进行配送的配送轨迹是否异常；其中，所述时间序列模型为基于若干距离序列特征数据样本训练出的机器
学习模型；所述距离序列特征数据样本被标注了表示与其对应的配送轨迹是否异常的标签。
[0013]本说明书还提供一种电子设备，包括：
[0014]处理器；
[0015]用于存储处理器可执行指令的存储器；
[0016]其中，所述处理器通过运行所述可执行指令以实现如上述任一项所述方法的步骤。
[0017]本说明书还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述任一项所述方法的步骤。
[0018]在上述技术方案中，可以在目标配送员针对目标运单进行配送的配送时间段内的多个采集时刻，分别采集与该目标配送员关联的距离特征数据，并基于采集到的距离特征数据生成按照采集时刻排序的距离序列特征数据，从而可以将该距离序列特征数据输入时间序列模型，以由该时间序列模型基于该距离序列特征数据识别该目标配送员针对该目标运单进行配送的配送轨迹是否异常。
[0019]采用上述方式，可以对配送员针对运单的配送轨迹的异常进行有效识别，从而可以提高平台配送员的配送时效，同时提升平台用户的使用体验。
附图说明
[0020]图1是本说明书一示例性实施例示出的一种业务系统的示意图；
[0021]图2是本说明书一示例性实施例示出的一种配送轨迹的异常识别方法的流程图；
[0022]图3A是本说明书一示例性实施例示出的一种时间序列模型的软件结构的示意图；
[0023]图3B是本说明书一示例性实施例示出的另一种时间序列模型的软件结构的示意图；
[0024]图4是本说明书一示例性实施例示出的一种配送时间段的示意图；
[0025]图5是本说明书一示例性实施例示出的一种设备的硬件结构的示意图；
[0026]图6是本说明书一示例性实施例示出的一种配送轨迹的异常识别装置的框图。
具体实施方式
[0027]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说明书一个或多个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、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
[0028]需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
[0029]在实际应用中，配送员在接到被分配给其的运单之后，通常会先从接单点前往商
家取得用户购买的商品，再将该商品配送给该用户。在此过程中，通常要求配送员按照“接单点
‑
商家
‑
用户”的最短的配送路线完成配送履约，以节省配送耗时，使用户能够尽早地收到其购买的商品，提升用户体验。
[0030]配送员可能同时接到多个运单，也可能在针对已接的运单进行配送的过程中接到新分配运单，这些情况都会对配送路线造成影响。通常，会根据配送员已接的运单，为该配送员合理地规划最优的配送路线，以便于该配送员按照该配送路线完成配送履约。
[0031]然而，配送员“绕远”或“偏离”等不按照最优的配送路线进行配送的情况屡见不鲜。例如，配送员由于同时在面向用户提供线上购物服务的平台A和平台B上接到运单，在A平台的运单的配送期间先去完成B平台的运单的配送履约，导致该配送员针对A平台的运单的配送轨迹出现异常；配送员由于自身规划存在问题，在已接多个运单的情况下未能有效地制定顺行路线，而不得不绕路，导致配送轨迹出现异常；用户在下单时填错收货地址或者在下单后临时修改收货地址，配送员由于需要按时完成其他运单，只能延迟配送至修改后的收货地址，导致配送轨迹出现异常；等等。
[0032]配送轨迹的异常不仅会影响配送履约过程中用户的实际体验，例如：用户可能对配送员未能及时配送产生不满，而且会影响后续针对配送员指定的派单规则，例如：会对存在多平台跑单嫌疑或者对配送路线规划经验不足的配送员减少派单量。
[0033]为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配送轨迹的异常识别方法，所述方法包括：在目标配送员针对目标运单进行配送的配送时间段内的多个采集时刻，分别采集所述目标配送员以及与所述目标配送员关联的用户和商家之间的距离特征数据；基于所述距离特征数据生成按照所述采集时刻排序的距离序列特征数据；将所述距离序列特征数据输入时间序列模型，以由所述时间序列模型基于所述距离序列特征数据识别所述目标配送员针对所述目标运单进行配送的配送轨迹是否异常；其中，所述时间序列模型为基于若干距离序列特征数据样本训练出的机器学习模型；所述距离序列特征数据样本被标注了表示与其对应的配送轨迹是否异常的标签。2.根据权利要求1所述的方法，与所述目标配送员关联的用户和商家包括：所述目标运单的用户和商家；和/或，与所述目标配送员对应的新分配运单的用户和商家；所述距离特征数据包括以下示出的一种或多种：所述目标配送员与所述目标运单的用户之间的距离；所述目标配送员与所述新分配运单的用户之间的距离；所述目标配送员与所述目标运单的商家之间的距离；所述目标配送员与所述新分配运单的商家之间的距离；所述目标运单的用户与所述目标运单的商家之间的距离；所述目标运单的用户与所述新分配运单的商家之间的距离；所述新分配运单的用户与所述目标运单的商家之间的距离；所述新分配运单的用户与所述新分配运单的商家之间的距离；所述目标运单的用户与所述目标运单的商家之间的步行距离；所述目标运单的用户与所述目标运单的商家之间的骑行距离。3.根据权利要求1所述的方法，所述时间序列模型包括循环神经网络RNN和分类器；所述将所述距离序列特征数据输入时间序列模型，以由所述时间序列模型基于所述距离序列特征数据识别所述目标配送员针对所述目标运单的配送轨迹是否异常，包括：将所述距离序列特征数据输入所述RNN进行计算，并将所述RNN输出的计算后的特征数据输入所述分类器进行分类，得到表示所述目标配送员针对所述目标运单的配送轨迹是否异常的分类结果。4.根据权利要求3所述的方法，所述方法还包括：在所述配送时间段内的多个子时间段内，分别确定所述目标配送员与最远目标之间的第一平均距离、所述目标配送员前往所述最远目标的第一速度、所述目标配送员与最近目标之间的第二平均距离，以及所述目标配送员前往所述最近目标的第二速度；其中，所述目标为与所述目标配送员关联的用户或商家；所述将所述RNN输出的计算后的特征数据...

【专利技术属性】
技术研发人员：安杰，
申请(专利权)人：拉扎斯网络科技上海有限公司，
类型：发明
国别省市：