物流调度方法及装置与流程

本发明实施例涉及物流技术领域，尤其涉及一种物流调度方法及装置。

背景技术：

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。

技术实现要素：

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，本发明实施例提供一种物流调度方法及装置。

根据本发明实施例的第一方面，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。

根据本发明实施例的第二方面，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。

本发明的实施例提供的技术方案可以包括以下有益效果：

本发明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，并不能限制本发明实施例。

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，示出了符合本发明的实施例，并与说明书一起用于解释本发明实施例的原理。

图1是根据本发明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是根据本发明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是根据本发明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是根据本发明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发明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、本发明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，本发明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。

本发明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，本发明实施例不限于此。

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型中的打分标准，而且还有预设机器学习模型的分类方式，可以提高物流调度系统中打分环节的打分准确性。

在步骤s130中，通过预设历史订单数据对第一机器学习模型训练，得到第二机器学习模型。

在用户下单后，由于物流调度系统会通过第一规则打分模型对各打分环节打分，因此可以收集物流调度系统中的历史订单数据，在历史订单数据中，包含订单组的特征、骑士的特征等，及订单组的特征值和骑士的特征值等等。如果物流调度系统中的历史订单数据较多，可以筛选出其中所需的部分历史订单数据作为预设历史订单数据。并通过该预设历史订单数据对第一机器学习模型训练，得到第二机器学习模型。

在步骤s140中，将第二机器学习模型作为物流调度系统中的规则打分模型。

在步骤s150中，根据目标规则打分模型确定物流调度系统对目标配送对象的物流调度。

上述得到的第二机器学习模型，不但具有物流调度系统中第一规则打分模型的打分标准等，而且还具有第一机器学习模型中的识别分类方式，以及通过预设历史订单数据对第一机器学习模型训练，得到的第二机器学习模型在对物流调度系统打分环节打分时，可以大大提高物流调度系统的打分准确性，进而提高物流派送效率，因此将第二机器学习模型代替物流调度系统中的第一规则打分模型作为物流调度系统的规则打分模型，对物流调度系统中的各打分环节打分。

本发明实施例提供的物流调度方法，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。

为了详细阐述如何通过预设历史订单数据对第一机器学习模型训练，作为图1方法的细化，在本发明的另一实施例中，如图2所示，步骤s130还可以包括如下步骤：

在步骤s131中，获取物流调度系统的历史订单数据。

该历史订单数据为物流调度系统会通过第一规则打分模型对各打分环节打分生成的，在历史订单数据中，包含订单组的特征、骑士的特征等，及订单组的特征值和骑士的特征值等等。

在步骤s132中，获取第一规则打分模型对历史订单数据的第一打分结果。

在历史订单数据中，每接收到用户的下单信息，物流调度系统中第一规则打分模型都会相关打分环节打分，得到打分结果。本发明实施例中，将通过第一规则打分模型对历史订单的相关打分结果，称为第一打分结果。

在步骤s133中，通过第一机器学习模型对历史订单数据打分，得到第二打分结果。

本发明实施例中，通过第一机器学习模型对历史订单数据打分，是指将第一机器学习模型代替物流调度系统中的第一规则打分模型，根据历史订单数据中的每一订单数据，对物流调度系统中各打分环节进行打分，将得到的打分结果作为第二打分结果。

需要说明的是，在本发明提供的其他实施例中，还可以是基于物流调度系统，得到一套模拟物流调度系统，将历史订单在该模拟物流调度系统中模拟调度，最终计算出所有订单的各项指标，如：平均配送时长、最慢10％订单平均配送时长、配送准时率及空驶距离等，根据情况设置各指标权重，会得到一个总目标值。

在步骤s134中，判断第一打分结果与第二打分结果是否相同。

在第一打分结果与第二打分结果有差异时，在步骤s135中，获取第一打分结果与第二打分结果之间不同的差异打分结果。

在步骤s136中，在历史订单数据中获取与差异打分结果相对应的目标历史订单数据。

在步骤s137中，通过目标历史订单数据对第一机器学习模型训练。

如果第一打分结果与第二打分结果的打分有差异，那么获取二者中有差异的差异打分结果。再获取该差异打分结果对应的目标历史订单数据，通过该目标历史订单数据对第一机器学习模型训练。

作为图2方法的细化，在本发明提供的又一实施例中，如图3所示，步骤s136还可以包括如下步骤：

在步骤s1361中，在目标历史订单中，将第一机器学习模型的打分结果高于第一规则打分模型打分结果的订单作为正样本，将第一机器学习模型的打分结果低于第一规则打分模型打分结果的订单作为负样本。

在步骤s1362中，分别通过正样本和负样本对第一机器学习模型训练。

这样分别通过得到的正样本和负样本对初始机器学习模型训练，可以得到第二机器学习模型，使得在将第二机器学习模型替换物流调度系统中的第一规则打分模型后，使得通过第二机器学习模型对物流调度系统中的各打分环节的打分准确性大大提高，进而提高物流配送效率。

基于图1方法的细化，在本发明提供的又一实施例中，如图4所示，步骤s140还可以包括以下步骤：

在步骤s11中，将第二机器学习模型作为物流调度系统中的目标规则打分模型。

或者，

在步骤s141中，分别获取预设历史订单数据中的正样本和负样本。

在上述实施例的基础上，由于第一机器学习模型和第二机器学习模型，分别对历史订单中的订单数据在物流调度系统(或是模拟物流调度系统)中对各打分环节进行了打分，得到打分结果。按照上述实施例采取的方式，提取二者打分出现差异的差异打分结果，并获取该差异打分结果对应的历史订单数据，将第二机器学习模型打分高于第一机器学习模型的历史订单数据作为正样本；将第二机器学习模型打分低于第一机器学习模型的历史订单数据作为负样本。

在步骤s142中，通过正样本和负样本对第二机器学习模型训练，得到第三机器学习模型。

在步骤s143中，将第三机器学习模型作为物流调度系统中的规则打分模型。

通过上述得到的正样本和负样本，分别对第二机器学习模型训练，以达到优化该第二机器学习的目的，得到第三机器学习模型，将第三机器学习模型作为物流调度系统中的规则打分模型可以进一步提高打分的准确性，进而提高物流配送效率。依照此方式，本发明实施例中，可以不断获取正样本和负样本，通过正样本和负样本不断的对机器学习模型训练，不断优化机器学习模型，使得得到的机器学习模型打分的准确性越来越高。

作为图1方法的细化，在本发明提供的又一实施例中，如图5所示，还包括预设机器学习模型的获取方式，即该方法还可以包括如下步骤：

在步骤s180中，获取物流调度系统的历史订单数据。

在步骤s190中，通过历史订单数据对预设机器学习模型训练。

在步骤s120之前，还需要获取物流调度系统的历史订单数据，以便通过该历史订单数据对预设机器学习模型训练，以使该预设机器学习模型可以实现对物流调度系统中相关打分环节的打分。

另外，作为图1方法的细化，在本发明提供又一实施例中，如图6所示，步骤s150还可以包括如下步骤：

在步骤s151中，获取目标配送对象的配送参数信息。

该配送参数信息，可以是配送物品的体积、重量、配送地点、配送要求等等。

在步骤s152中，根据配送参数信息以及目标规则打分模型对物流调度系统中的各配送环节打分，确定配送环节组合。

例如，可以对配送人员打分，将当前处于空闲状态、且适合配该配送对象的配送人员打分最高等。

在步骤s153中，通过配送环节组合对目标配送对象进行物流调度。

根据对各配送环节的打分结果，选取打分最高的作为目标配送对象的配送组合进行配送。

该部分具体可以参加上述实施例，这里不再赘述。

本发明实施例提供的物流调度方法，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。

并且由于现有物流调度系统中的第一规则打分模型仅仅在于训练模型的系数，而且每一组系统都需要跑一遍模拟系统，从而决定保留或舍弃，存在参数选取不足和训练耗时过大等问题；而发明实施例通过打分切片样本回归打分模型，这样可以很容易收集到大量样本，同时训练成本较低，且可以训练出较复杂的模型；再通过模拟系统运行各版本模型，再搜集样本，进一步训练出更好的模型，不断迭代直到趋于稳定，通过该方式，训练出的模型使调度系统可以更加趋近于最优解。

通过以上的方法实施例的描述，所属领域的技术人员可以清楚地了解到本发明实施例可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：只读存储器(rom)、随机存取存储器(ram)、磁碟或者光盘等各种可以存储程序代码的介质。

另外，作为对上述各实施例的实现，本发明实施例还提供了一种物流调度装置，该装置位于服务器中，如图7所示，该装置包括：

第一规则打分模型获取单元10，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20，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30，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；

目标规则打分模型确定单元40，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50，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。

在本发明又一实施例中，基于图7，如图8所示，所述第二机器学习模型生成单元30，包括：

历史订单数据获取模块31，用于获取所述物流调度系统的历史订单数据；

第一打分结果获取模块32，用于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；

第二打分结果获取模块33，用于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；

打分结果判断模块34，用于判断所述第一打分结果与所述第二打分结果是否相同；

差异打分结果获取模块35，用于在所述第一打分结果与所述第二打分结果有差异时，获取所述第一打分结果与所述第二打分结果之间的差异打分结果；

目标历史订单数据获取模块36，用于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；

第一机器学习模型训练模块37，用于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。

在本发明又一实施例中，基于图8，如图9所示，所述第一机器学习模型训练模块36，包括：

正样本确定子模块361，用于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；

负样本确定子模块362，用于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；

第一机器学习模型训练子模块363，用于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。

在本发明又一实施例中，基于图7，如图10所示，所述目标规则打分模型确定单元40包括：

第一目标规则打分模型确定模块411，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目标规则打分模型；或者，

样本获取模块41，用于分别获取所述预设历史订单数据中的正样本和负样本；

第二机器学习模型获取模块42，用于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，得到第二机器学习模型；

第二规则打分模型确定模块43，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。

在本发明又一实施例中，基于图7，如图11所示，该装置还包括：

历史订单数据单元80，用于获取所述物流调度系统的历史订单数据；

预设机器学习模型训练单元90，用于通过所述历史订单数据对所述预设机器学习模型训练。

在本发明又一实施例中，基于图7，如图12所示，物流调度确定单元50，还可以包括：

参数信息获取模块51，用于获取目标配送对象的配送参数信息；

配送环节组合确定模块52，用于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；

物流配送模块53，用于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。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本发明实施例提供的物流调度装置，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。

并且由于现有物流调度系统中的第一规则打分模型仅仅在于训练模型的系数，而且每一组系统都需要跑一遍模拟系统，从而决定保留或舍弃，存在参数选取不足和训练耗时过大等问题；而发明实施例通过打分切片样本回归打分模型，这样可以很容易收集到大量样本，同时训练成本较低，且可以训练出较复杂的模型；再通过模拟系统运行各版本模型，再搜集样本，进一步训练出更好的模型，不断迭代直到趋于稳定，通过该方式，训练出的模型使调度系统可以更加趋近于最优解。

可以理解的是，本发明实施例可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本发明实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本领域技术人员在考虑说明书及实践这里公开的发明实施例后，将容易想到本发明实施例的其它实施方案。本申请旨在涵盖本发明实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明实施例的一般性原理并包括本发明实施例未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明实施例的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明实施例的范围仅由所附的权利要求来限制。