一种配送调度方法及装置与流程

本申请涉及互联网技术领域，尤其涉及一种配送调度方法、装置及计算机存储介质和电子设备。

背景技术：

在相关技术中，为了提升物流配送效率，调度系统需要对订单和配送员进行优化匹配，使得推送给配送员的订单尽量符合配送员顺路的情况。具体地，调度系统一般可以根据配送员新增目标订单后的匹配指标进行订单调度。所述匹配指标可以表示配送员新增目标订单前后的配送路径的匹配程度；当匹配指标大于阈值时，说明目标订单和目标配送员较为匹配。

然而上述配送调度方式仅参考了匹配指标这样的客观因素，而忽视了配送员自身主观因素对配送关系的影响。举例说明，配送员会对调度系统分配订单进行综合考虑，得到对目标订单的接单意愿。如果配送员对目标订单的接单意愿不高，即使匹配指标符合要求，配送员也可以拒绝接单，从而无法真正形成配送关系，影响了调度准确性和调度效率。

技术实现要素：

有鉴于此，本申请提供一种配送调度方法、装置及计算机存储介质和电子设备，用于解决上述的配送调度方式准确性和效率不高的问题。

具体地，本申请是通过如下技术方案实现的：

一种配送调度方法，所述方法包括：

基于至少一个目标订单与至少一个目标配送员的组合方式，规划出每种组合方式下目标配送员被分配目标订单后的配送路径；

计算每种组合方式下所述配送路径与目标配送员被分配目标订单前后的配送效率指标和接单意愿指标；

综合每种组合方式的配送效率指标和接单意愿指标，从中选取最优的组合方式进行配送调度。

可选的，所述计算每种组合方式下所述配送路径与目标配送员被分配目标订单前后的配送效率指标和接单意愿指标，具体包括：

计算每种组合方式下所述配送路径的匹配指标和效率指标；其中，所述匹配指标表示目标配送员被分配目标订单前后配送路径的相似程度，所述效率指标表示目标配送员配送目标订单的效率高低；

根据每种组合方式的匹配指标，计算对应目标配送员的接单意愿指标；其中，所述接单意愿指标表示目标配送员对目标订单的接受程度。

可选的，所述规划出每种组合方式下目标配送员被分配目标订单后的配送路径，具体包括：

规划出每种组合方式下目标配送员被分配目标订单后最优的配送路径。

可选的，所述规划出每种组合方式下目标配送员被分配目标订单后最优的配送路径，具体包括：

基于路径优化算法，规划出每种组合方式下目标配送员被分配目标订单后最优的配送路径。

可选的，所述路径优化算法的目标为目标配送员被分配目标订单后规划的配送路径所需配送时长最短。

可选的，所述路径优化算法的约束条件包括以下至少一种：

目标配送员在配送订单时需先前往该订单的起点位置，再前往该订单的终点位置；

目标配送员被分配目标订单后的订单总数不能超过接单上限；

目标配送员被分配目标订单后，当前未完成订单和目标订单都在最晚送达时刻前送达；

目标配送员前往订单的起点位置所需时长与该订单的备货时长之差小于阈值。

可选的，所述优化算法包括模拟退火、蚁群算法、粒子算法中的至少一种。

可选的，所述根据每种组合方式的匹配指标，计算对应目标配送员的接单意愿指标，具体包括：

获取每种组合方式下目标订单的基础数据；

将所述基础数据和匹配数据输入到接单意愿模型，获取所述接单意愿模型计算出的对应目标配送员的接单意愿指标。

可选的，所述获取每种组合方式下目标订单的基础数据，具体包括：

从每种组合方式下目标配送员的历史接单数据中获取不同类型的接单比例；

确定目标订单所属类型在历史接单数据中的接单比例；

将所确定的接单比例作为所述目标订单的基础数据。

可选的，所述不同类型包括如下至少一种：

不同配送距离，不同配送时间段，不同配送价格，不同配送区域。

可选的，所述接单意愿模型，通过如下方式训练得出：

以历史订单的基础数据和匹配指标为训练数据，以所述历史订单被分配给配送员后配送员接受或者拒绝为标签，采用机器学习算法进行模型训练，将训练得到的模型确定为接单意愿模型。

可选的，所述机器学习算法包括xgboost、逻辑回归、随机森林、决策树、gbdt、支持向量机中的至少一种。

可选的，所述综合每种组合方式的效率指标和接单意愿指标，从中选取最优的组合方式进行配送调度，具体包括：

根据每种组合方式的配送效率指标和接单意愿指标，计算每种组合方式的综合指标；

根据每种组合方式的综合指标，从中选取最优的组合方式进行配送调度。

可选的，所述根据每种组合方式的配送效率指标和接单意愿指标，计算每种组合方式的综合指标，具体包括：

将每种组合方式的配送效率指标乘以效率权重，得到效率值；

将每种组合方式的接单意愿指标乘以意愿系数，得到意愿值；

将每种组合方式的所述效率值和意愿值求和，得到对应组合方式的综合指标；其中，所述效率权重和意愿权重之和为1。

可选的，在目标订单为1个、目标配送员为1个，组合方式为1种时；

所述根据每种组合方式的综合指标，从中选取最优的组合方式进行配送调度，具体包括：

在所述1种组合方式的综合指标大于阈值时，按照所述组合方式进行配送调度。

可选的，在目标订单为1个、目标配送员为n个，组合方式为n种，n为大于1的自然数时；

所述根据每种组合方式的综合指标，从中选取最优的组合方式进行配送调度，具体包括：

从所述n种综合指标中，选取最大的综合指标，并按照所述最大的综合指标对应的组合方式进行配送调度。

可选的，在目标订单为m个、目标配送员为n个，组合方式为m*n种，m和n均大于1的自然数时；

所述根据每种组合方式的综合指标，从中选取最优的组合方式进行配送调度，具体包括：

基于决策算法，从m行*n列的综合指标中每行选取1个，使得m个综合指标之和最大；其中，所述选取的m个综合指标对应的组合方式的目标订单不能重复；

按照所选取的m个综合指标对应的组合方式进行配送调度。

可选的，所述决策算法包括km算法、匈牙利算法中的至少一种。

一种配送调度装置，所述装置包括：

路径规划单元，基于至少一个目标订单与至少一个目标配送员的组合方式，规划出每种组合方式下目标配送员被分配目标订单后的配送路径；

计算单元，计算每种组合方式下所述配送路径与目标配送员被分配目标订单前后的配送效率指标和接单意愿指标；

调度单元，综合每种组合方式的配送效率指标和接单意愿指标，从中选取最优的组合方式进行配送调度。

一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一项所述的配送调度方法。

一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

所述处理器被配置为上述任一项所述的配送调度方法。

本申请实施例，提供了一种配送调度方案，通过计算目标配送员对被分配目标订单的接单意愿指标，再将该接单意愿指标与配送效率指标相结合得到供调度系统参考的综合指标；调度系统基于综合指标来确定是否进行调度；如此不仅考虑了配送效率指标这样的客观因素也考虑了配送员接单意愿这样的主观因素，当配送员被分配到订单后，由于配送效率指标和接单意愿指标均符合要求，因此大大增加了配送员接受订单的几率；从而可以提示调度准确性和调度效率。

附图说明

图1是本申请一示例性实施例示出的一种配送调度系统的结构示意图；

图2是本申请一示例性实施例示出的一种配送调度方法的流程图；

图3是本申请一示例性实施例示出的一种配送调度装置的硬件结构图；

图4是本申请一示例性实施例示出的一种配送调度装置的模块示意图。

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申请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、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

图1是本申请一示例性实施例示出的一种配送调度系统的架构示意图，该调度系统可以包括数据收集模块101，路径规划模块102，接单意愿计算模块103和订单分配决策模块104。

在一实施例中，所述数据收集模块101收集的数据可以分为4类，分别为订单数据、配送员数据、环境数据和路径数据。

在一实施例中，所述订单数据可以包括如下至少一种：

订单的配送距离、配送价格、配送时间段、物品价值、备货时长(订单创建至配送员可以取货之间的时长)、最晚送达时刻、订单类型(如外卖、快递等即时配送类型)、订单所处区域、起点位置(如商家位置)、终点位置(如下单的用户位置)等。

在一实施例中，所述配送员数据可以包括配送员历史数据和配送员实时数据。

其中，所述配送员历史数据可以包括如下至少一种：

历史平均速度、历史平均日接单量、历史平均日拒单率、历史配送过的区域、历史配送过的配送申请方、历史不同配送距离订单的接单比例，历史不同配送时间段订单的接单比例，历史不同配送价格订单的接单比例。

其中，所述配送员实时数据可以包括如下至少一种：

配送员等级、配送员位置。

在一实施例中，所述环境数据可以包括如下至少一种：

当前配送区域的天气、当前配送区域在预设时长内新创建的订单数量、当前配送区域在预设时长内配送员负载数据，当前配送区域在预设时长内空闲的配送员数量、当前配送区域在预设时长内分配订单的取消率。

在一实施例中，所述路径数据可以包括如下至少一种：

配送员与每个订单的起点位置的距离以及达到起点位置所需的时长；

配送员与每个订单的终点位置的距离以及达到终点位置所需的时长；

订单间起点位置的距离和时长

订单间终点位置的距离和时长；

订单间起点位子和终点位置的距离和时长。

值得一提的是，所述数据收集模块101可以将上述收集到的原始数据转换为后续路径规划模块102、接单意愿计算模块103能够直接使用的数据格式。一般的，不同来源的数据往往存在数据格式不同无法直接被系统使用的问题，例如有些数据是结构化数据(如数据库数据)，有些数据是非结构化数据(如各种格式的办公文档、xml、html、报表、图片、音视频等)，这里数据收集模块101可以将所有收集到的数据转换为统一格式的标准化数据，从而方便其它模块直接使用。

在一实施例中，所述路径规划模块102，用于规划配送员的配送路径，并且基于配送路径计算匹配程度和效率指标。如图1所示，规划配送路径需要用到所述数据收集模块101收集到的例如配送员数据、订单数据、环境数据、路径数据，从而基于配送员位置速度，订单的起终点位置，配送区域环境、配送区域路径等数据规划相应配送路径。进一步的，可以基于路径优化算法规划最优的配送路径，从而计算出最优的匹配程度和效率指标；其中，所述匹配指标表示目标配送员被分配目标订单前后配送路径的相似程度，所述效率指标表示目标配送员配送目标订单的效率高低。

其中，所述路径优化算法的目标为目标配送员被分配目标订单后规划的配送路径所需配送时长最短。

举例说明，假设获取到某个物流订单i，以及某个配送员j；所述配送员j已经有5个待配送的订单，其中有2个订单已取件，3个订单未取件；此时该配送员j共有8个目的地，即3个起点位置(对应那3个未取件订单)和5个终点位置。由于达到订单的起点位置和终点位置的顺序不同会形成不同的配送路径，并直接影响最终的配送时长，因此需要优化配送路径，使得总的配送时长最短。

需要说明的是，为了适应物流配送场景的业务逻辑限制，所述优化算法需要具有以下至少一种的约束条件：

1：目标配送员在配送订单时需先前往该订单的起点位置，再前往该订单的终点位置。在实际物流配送中，一个订单的完整配送过程必然是，配送员先前往订单的起点位置取货，然后才可以携带取得的货物前往订单的终点位置。

2：目标配送员被分配目标订单后的订单总数不能超过接单上限。在实际物流配送中，每个配送员可以配送的订单数量是有上限的。如果一个配送员同时接了过多的订单，那么就无法保证每个订单的时效性。过多订单往往意味着必然有部分订单会存在配送超时的问题，因此可以设置配送员的接单上限。配送员被分配目标订单后的订单总数不能超过接单上限。所述接单上限可以是系统设置的，也可以是配送员自己根据实际情况设置的。

3：目标配送员被分配目标订单后，当前未完成订单和目标订单都在最晚送达时刻前送达。在实际物流配送中，每个订单在创建后，都会对应有一个最晚送达时刻，表示配送接收方最晚可能接受的送达时刻，如果实际送达时刻超过了这个最晚送达时刻，那么就属于配送超时。在配送单个订单是，一般预计送达时刻会早于这个最晚送达时刻，然而在同时配送多个订单时，由于配送路径会增加，每个订单的预计送达时刻也会相应变化，调度系统在进行调度时，必须保证规划的配送路径中每个订单的预计送达时刻都不超过最晚送达时刻。

4：目标配送员前往订单的起点位置所需时长与该订单的备货时长之差小于阈值。在实际物流配送中，不同配送申请方的备货时长都是不同的，配送员过早到达起点位置并不意味着可以马上取货。如果配送申请方还再备货，那么配送员必须等待，这样就浪费了宝贵的配送时间；因此，需要保证配送员达到起点位置后，可以马上或者尽快取货。为此，可以通过目标配送员前往订单的起点位置所需时长以及该订单的备货时长，当这两个时长的差小于阈值时，说明配送申请方可以在配送员达到之前或者达到之后的短时间内就可以完成备货，方便配送员快速完成取货工作。

本申请中，所述路径优化算法可以包括模拟退火、蚁群算法、粒子算法等。

在一实施例中，所述接单意愿计算模块103，用于计算配送员对被分配的订单的接单意愿指标。其中，所述接单意愿指标表示所述配送员对所述订单的接受程度。具体地，所述接单意愿计算模型103可以基于机器学习模型，从数据收集模块101获取的订单数据，配送员数据、环境数据，以及从路径规划模块102获取的匹配指标计算出的接单意愿指标。

所述接单意愿模型，通过如下方式训练得出：

以历史订单的基础数据和匹配指标为训练数据，以所述历史订单被分配给配送员后配送员接受或者拒绝为标签，采用机器学习算法进行模型训练，将训练得到的模型确定为接单意愿模型。

所述机器学习算法可以包括xgboost、逻辑回归、随机森林、决策树、gbdt、支持向量机中的至少一种。

在一实施例中，所述订单分配决策模块104，可以根据所述效率指标和接单意愿指标计算出综合指标，然后决策器根据综合指标确定是否按照对应的组合方式进行调度。

图2是本申请一示例性实施例示出的一种配送调度方法流程图，所述方法可以应用在上述的调度系统中，该方法具体可以包括如下步骤：

步骤210：基于至少一个目标订单与至少一个目标配送员的组合方式，规划出每种组合方式下目标配送员被分配目标订单后的配送路径。

具体地，调度系统可以获取至少一个待分配的目标订单与至少一个空闲的目标配送员的组合方式。如前所述，配送员可以同时配送多个订单，并配送员具有一个接单上限。而空闲的目标配送员可以是指同时配送的订单数量未到达接单上限的配送员。

接着，调度系统可以规划出每种组合方式下目标配送员被分配目标订单后的配送路径。

如前所述，该步骤可以是调度系统中的路径规划模块执行的。

在一实施例中，所述规划出每种组合方式下目标配送员被分配目标订单后的配送路径，具体包括：

规划出每种组合方式下目标配送员被分配目标订单后最优的配送路径。

所述最优的配送路径可以是指目标配送员被分配目标订单后规划的配送路径所需配送时长最短。

进一步的，所述规划出每种组合方式下目标配送员被分配目标订单后最优的配送路径，具体包括：

基于路径优化算法，规划出每种组合方式下目标配送员被分配目标订单后最优的配送路径。

所述路径优化算法的目标为目标配送员被分配目标订单后规划的配送路径所需配送时长最短。

所述路径优化算法的约束条件包括以下至少一种：

目标配送员在配送订单时需先前往该订单的起点位置，再前往该订单的终点位置；

目标配送员被分配目标订单后的订单总数不能超过接单上限；

目标配送员被分配目标订单后，当前未完成订单和目标订单都在最晚送达时刻前送达；

目标配送员前往订单的起点位置所需时长与该订单的备货时长之差小于阈值。

步骤220：计算每种组合方式下所述配送距离与目标配送员被分配目标订单前后的配送效率指标和接单意愿指标。

在一实施例中，所述配送效率指标可以包括匹配指标和效率指标。

在一实施例中，所述步骤220，具体可以包括：

b1：计算每种组合方式下所述配送路径的匹配指标和效率指标；其中，所述匹配指标表示目标配送员被分配目标订单前后配送路径的相似程度，所述效率指标表示目标配送员配送目标订单的效率高低；

b2：根据每种组合方式的匹配指标，计算对应目标配送员的接单意愿指标；其中，所述接单意愿指标表示目标配送员对目标订单的接受程度。

如前所述，该步骤b1可以是调度系统中的路径规划模块执行的。

所述匹配指标可以为0至1之间的数值，并且越接近1就表示相似程度越高；反之，越接近0表示相似程度越低。

所述效率指标可以为0至1之间的数值，并且越接近1表示目标配送员配送目标订单的效率高低越高；反之，越接近0表示目标配送员配送目标订单的效率高低越低。通常，如果目标订单的起点位置或者终点位置与目标配送员的其它订单的起点位置或者或终点位置较为接近，那么效率会比较高。

如前所述，该步骤b2可以是调度系统中的接单意愿计算模块执行的。

在一实施例中，所述步骤b2，具体可以包括：

获取每种组合方式下目标订单的基础数据；

将所述基础数据和匹配数据输入到接单意愿模型，获取所述接单意愿模型计算出的对应目标配送员的接单意愿指标。

在一实施例中，所述获取每种组合方式下目标订单的基础数据，具体包括：

从每种组合方式下的目标配送员的历史接单数据中获取不同类型的接单比例；

确定目标订单所属类型在历史接单数据中的接单比例；

将所确定的接单比例作为所述目标订单的基础数据。

所述不同类型包括如下至少一种：

不同配送距离，不同配送时间段，不同配送价格，不同配送区域。

例如，从目标配送员的历史数据中获取不同配送距离的接单比例，结合目标订单的配送距离，确定该目标订单的接单比例；该接单比例可以反映出目标配送员对这个配送距离的订单的喜好程度。

再例如，从目标配送员的历史数据中获取不同配送时间段的接单比例，结合目标订单的配送时间段，确定该目标订单的接单比例；该接单比例可以反映出目标配送员对这个配送时间段的订单的喜好程度。

再例如，从目标配送员的历史数据中获取不同配送时间段的接单比例，结合目标订单的配送时间段，确定该目标订单的接单比例；该接单比例可以反映出目标配送员对这个配送时间段的订单的喜好程度。

再例如，从目标配送员的历史数据中获取不同配送区域的接单比例，结合目标订单的配送区域，确定该目标订单的接单比例；该接单比例可以反映出目标配送员对这个配送区域的订单的喜好程度。值得一提的是，可以采用geohash算法，对配送员历史配送过的区域进行编码，按照经纬度将这些区域划分为等状区块，统计目标配送员在不同区块上历史配送次数；同样地，根据geohash算法可以确定目标订单的配送申请方地理位置和/或配送接收方地理位置所在的目标区块；从上述统计出的不同区块上历史配送次数获取目标区域的历史配送次数。

在一实施例中，所述接单意愿模型，通过如下方式训练得出：

以历史订单的基础数据和匹配指标为训练数据，以所述历史订单被分配给配送员后配送员接受或者拒绝为标签，采用机器学习算法进行模型训练，将训练得到的模型确定为接单意愿模型。

所述机器学习算法包括xgboost、逻辑回归、随机森林、决策树、gbdt、支持向量机中的至少一种。

步骤230：综合每种组合方式的配送效率指标和接单意愿指标，从中选取最优的组合方式进行配送调度。

该实施例中，调度系统可以综合每种组合方式的配送效率指标和接单意愿指标，从中选取最优的组合方式进行配送调度。如前所述，该步骤可以是调度系统中的订单分配决策模块执行的。

在一实施例中，所述步骤230，具体可以包括：

步骤a1：根据每种组合方式的配送效率指标和接单意愿指标，计算每种组合方式的综合指标；

步骤a2：根据每种组合方式的综合指标，从中选取最优的组合方式进行配送调度。

如前所述，步骤a1和a2可以是调度系统中的订单分配决策模块执行的。

在一实施例中，所述步骤a1，具体包括：

将每种组合方式的配送效率指标乘以效率权重，得到效率值；

将每种组合方式的接单意愿指标乘以意愿系数，得到意愿值；

将每种组合方式的所述效率值和意愿值求和，得到对应组合方式的综合指标；其中，所述效率权重和意愿权重之和为1。

值得一提的是，如前所述，配送效率指标可以包括匹配指标和效率指标；因此，该实施例中，效率值具体可以是配送效率指标中的效率指标乘以效率权重，从而得到效率值。

在一实施例中，在目标订单为1个、目标配送员为1个，组合方式为1种时；

所述步骤a2，具体包括：

在所述1种组合方式的综合指标大于阈值时，确定按照所述组合方式进行配送调度。

在一实施例中，在目标订单为1个、目标配送员为n个，组合方式为n种，n为大于1的自然数时；

所述步骤a2，具体包括：

从所述n种综合指标中，选取最大的综合指标，并按照所述最大的综合指标对应的组合方式进行配送调度。

在一实施例中，在目标订单为m个、目标配送员为n个，组合方式为m*n种，m和n均大于1的自然数时；

所述步骤a2，具体包括：

基于决策算法，从m行*n列的综合指标中每行选取1个，使得m个综合指标之和最大；其中，所述选取的m个综合指标对应的组合方式的目标订单不能重复；

按照所选取的m个综合指标对应的组合方式进行配送调度。

举例说明，假设有m个目标订单，n个目标配送员，则相应的可以有m*n种不同的组合方式。同样也可以有m*n个效率指标和接单意愿指标，设定第i个配送员对第j个订单的效率指标为eij，接单意愿指标为wij。那么可以这m个订单和n个配送员可以构建一个m行n列的矩阵，该矩阵中第i行第j列的值即为综合指标记作pij。

本申请中，pij＝λ*wij+(1-λ)*eij，其中λ可以表示效率权重，该权重系数可以是人为预先设置的经验值；相应地1-λ可以表示意愿权重。订单分配决策模块的目标是给每个订单分配一个最合适的配送员，使得所有订单(m个订单)的p之和最大；这里的约束条件为每个订单只能分配给一个配送员，每个配送员设有接单上限。求解上述公式类似二分图最大权完美匹配方式，可以采用例如km算法、匈牙利算法等决策算法。

本申请实施例，提供了一种配送调度方案，通过计算目标配送员对被分配目标订单的接单意愿指标，再将该接单意愿指标与配送效率指标相结合得到供调度系统参考的综合指标；调度系统基于综合指标来确定是否进行调度；如此不仅考虑了配送效率指标这样的客观因素也考虑了配送员接单意愿这样的主观因素，当配送员被分配到订单后，由于配送效率指标和接单意愿指标均符合要求，因此大大增加了配送员接受订单的几率；从而可以提示调度准确性和调度效率。

值得一提的是，随着物流配送业务的不断增长，现有物流配送资源越来越无法满足即使配送需求。例如，专业的配送员团队人数有限，而配送需求量却与日俱增，有限的配送员远远无法满足日常配送需求，从而导致配送订单的积压和延误。在全职配送员无法快速增长的情况下，通过调动社会闲散劳动力参与物流配送业务的物流配送新模式随之产生。例如o2o众包模式。与传统的基于全职配送员进行物流配送不同的是，由于这些兼职配送员通常只在顺路情况下才会接单，而在不顺路的情况下往往不愿意接单；因此，在o2o众包模式中，兼职配送员可以选择接受或者拒绝被分配的物流订单。本申请所述的配送调度方案不仅可以适用于传统的全职配送员模式，同样也可以适用于所述o2o众包模式。通过综合配送路径的配送效率指标以及兼职配送员的接单意愿进行配送调度，使得兼职配送员接受被分配订单的几率大大增加，从而提升调度准确性和调度效率。

与前述配送调度方法的实施例相对应，本申请还提供了配送调度装置的实施例。

本申请配送调度装置的实施例可以应用在服务器上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本申请配送调度装置所在的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中通常根据该配送调度的实际功能，还可以包括其他硬件，对此不再赘述。

请参考图4，在一种软件实施方式中，该配送调度装置，可以包括：

路径规划单元310，基于至少一个目标订单与至少一个目标配送员的组合方式，规划出每种组合方式下目标配送员被分配目标订单后的配送路径；

计算单元320，计算每种组合方式下所述配送路径与目标配送员被分配目标订单前后的配送效率指标和接单意愿指标；

调度单元330，综合每种组合方式的配送效率指标和接单意愿指标，从中选取最优的组合方式进行配送调度。

可选的，所述计算单元320，具体包括：

第一计算子单元，计算每种组合方式下所述配送路径的匹配指标和效率指标；其中，所述匹配指标表示目标配送员被分配目标订单前后配送路径的相似程度，所述效率指标表示目标配送员配送目标订单的效率高低；

第二计算子单元，根据每种组合方式的匹配指标，计算对应目标配送员的接单意愿指标；其中，所述接单意愿指标表示目标配送员对目标订单的接受程度。

可选的，所述路径规划单元310，具体包括：

获取子单元，获取至少一个待分配的目标订单与至少一个空闲的目标配送员的组合方式

路径规划子单元，规划出每种组合方式下目标配送员被分配目标订单后最优的配送路径。

可选的，所述路径规划子单元，具体包括：

基于路径优化算法，规划出每种组合方式下目标配送员被分配目标订单后最优的配送路径。

可选的，所述路径优化算法的目标为目标配送员被分配目标订单后规划的配送路径所需配送时长最短。

可选的，所述路径优化算法的约束条件包括以下至少一种：

目标配送员在配送订单时需先前往该订单的起点位置，再前往该订单的终点位置；

目标配送员被分配目标订单后的订单总数不能超过接单上限；

目标配送员被分配目标订单后，当前未完成订单和目标订单都在最晚送达时刻前送达；

目标配送员前往订单的起点位置所需时长与该订单的备货时长之差小于阈值。

可选的，所述优化算法包括模拟退火、蚁群算法、粒子算法中的至少一种。

可选的，所述第二计算子单元，具体包括：

获取子单元，获取每种组合方式下目标订单的基础数据；

计算子单元，将所述基础数据和匹配数据输入到接单意愿模型，获取所述接单意愿模型计算出的对应目标配送员的接单意愿指标。

可选的，所述获取子单元，具体包括：

比例获取子单元，从每种组合方式下的目标配送员的历史接单数据中获取不同类型的接单比例；

比例确定子单元，确定目标订单所属类型在历史接单数据中的接单比例；

数据确定子单元，将所确定的接单比例作为所述目标订单的基础数据。

可选的，所述不同类型包括如下至少一种：

不同配送距离，不同配送时间段，不同配送价格，不同配送区域。

可选的，所述接单意愿模型，通过如下方式训练得出：

以历史订单的基础数据和匹配指标为训练数据，以所述历史订单被分配给配送员后配送员接受或者拒绝为标签，采用机器学习算法进行模型训练，将训练得到的模型确定为接单意愿模型。

可选的，所述机器学习算法包括xgboost、逻辑回归、随机森林、决策树、gbdt、支持向量机中的至少一种。

可选的，所述调度单元330，具体包括：

第一调度子单元，根据每种组合方式的配送效率指标和接单意愿指标，计算每种组合方式的综合指标；

第二调度子单元，根据每种组合方式的综合指标，从中选取最优的组合方式进行配送调度。

可选的，所述第一调度子单元，具体包括：

第一计算子单元，将每种组合方式的配送效率指标乘以效率权重，得到效率值；

第二计算子单元，将每种组合方式的接单意愿指标乘以意愿系数，得到意愿值；

第三计算子单元，将每种组合方式的所述效率值和意愿值求和，得到对应组合方式的综合指标；其中，所述效率权重和意愿权重之和为1。

可选的，在目标订单为1个、目标配送员为1个，组合方式为1种时；

所述第二调度子单元，具体包括：

在所述综合指标大于阈值时，按照所述组合方式进行调度。

可选的，在目标订单为1个、目标配送员为n个，组合方式为n种，n为大于1的自然数时；

所述第二调度子单元，具体包括：

从所述n种综合指标中，选取最大的综合指标，并按照所述最大的综合指标对应的组合方式进行配送调度。

可选的，在待分配的目标订单为m个、空闲的目标配送员为n个，组合方式为m*n种，m和n均大于1的自然数时；

所述第二调度子单元，具体包括：

选取子单元，基于决策算法，从m行*n列的综合指标中每行选取1个，使得m个综合指标之和最大；其中，所述选取的m个综合指标对应的组合方式的目标订单不能重复；

调度子单元，按照所选取的m个综合指标对应的组合方式进行配送调度。

可选的，所述决策算法包括km算法、匈牙利算法中的至少一种。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。