配送压力预测方法及装置与流程

本申请涉及互联网技术领域，尤其涉及一种配送压力预测方法及装置。

背景技术：

随着互联网技术的快速发展，基于互联网的应用越来越多，例如外卖类应用、购物类应用。基于这些应用，用户足不出户即可获取自己所需的物品。这些应用在便利用户的同时，也面临着物品配送问题，于是物流调度系统应运而生。物流调度系统的主要任务是将订单分配给配送员，由配送员将物品送达用户。

在恶劣天气、商户推出营销活动等特殊情况下，一些配送区域很可能会出现订单量骤增、订单积压过多的现象，导致物流调度系统面临巨大压力。目前主要的解决方案是，人工观察各配送区域内的运力供需状况，判断是否出现爆单情况；当判断出现爆单情况时，根据人工经验通过延长配送时长、取消商户活动等应对措施来减少该配送区域内的进单量，减轻物流调度系统的压力，保证在目前物流运力的条件下，对订单的消化以及对用户服务的保证。

技术实现要素：

发明人对现有解决方案的效果进行了跟踪，发现：现有解决方案过于依赖人工经验，判断具有延迟性，效率较低，无法及时减轻配送区域的压力和物流调度系统面临的调度压力。

基于上述，本申请实施例提供一种配送压力预测方法，包括：

获取配送区域的至少一种特征参数，所述至少一种特征参数体现所述配送区域在当前时段内的配送压力；

根据所述至少一种特征参数，预测所述配送区域在将来时段内的配送力参数；

根据所述配送力参数，确定所述配送区域在将来时段内的配送压力等级。

在一可选实施方式中，所述至少一种特征参数的获取步骤，包括：获取所述配送区域在当前时段内的配送数据；从所述配送数据中，提取所述至少一种特征参数。

在一可选实施方式中，所述至少一种特征参数包括第一特征参数和第二特征参数；相应地，所述至少一种特征参数的提取步骤，包括：从所述配送数据中，提取所述第一特征参数；从所述配送数据中，提取所述第二特征参数对应的初始数据；分析所述初始数据，以获得所述第二特征参数。

在一可选实施方式中，所述第一特征参数包括以下至少一种：天气状况、当前压力等级；所述第二特征参数包括以下至少一种：配送员数量、当前压力值、积压订单量、订单集中度、订单增长速度、订单消化速度。

在一可选实施方式中，所述配送力参数的预测步骤，包括：根据所述至少一种特征参数，运行所述将来时段对应的预测模型，以获得所述配送力参数。

在一可选实施方式中，在运行所述将来时段对应的预测模型之前，所述方法还包括：获取所述配送区域在多个历史时段内的特征参数；所述多个历史时段与所述将来时段属于同一时间段；根据所述多个历史时段内的特征参数进行模型训练，以获得所述预测模型。

在一可选实施方式中，所述配送力参数包括以下至少一种：订单平均配送时长、最慢n％订单的平均配送时长、配送准时率、订单最大配送时长、订单最小配送时长、空跑距离；其中，n>0。

在一可选实施方式中，所述方法还包括：确定与所述配送压力等级匹配的减压方案；执行所述减压方案或输出所述减压方案的执行提示信息。

在一可选实施方式中，所述减压方案的确定步骤，包括：在所述配送力等级对应的配送环境下，模拟执行至少一种候选减压方案；从所述至少一种候选减压方案中，选择模拟结果满足预设要求的候选减压方案，作为所述减压方案。

相应地，本申请实施例还提供一种配送压力预测装置，包括：

第一获取单元，用于获取配送区域的至少一种特征参数，所述至少一种特征参数体现所述配送区域在当前时段内的配送压力；

预测单元，用于根据所述至少一种特征参数，预测所述配送区域在将来时段内的配送力参数；

确定单元，用于根据所述配送力参数，确定所述配送区域在将来时段内的配送压力等级。

在一可选实施方式中，所述第一获取单元包括：获取子单元和提取子单元；其中，获取子单元，用于获取所述配送区域在当前时段内的配送数据；提取子单元，用于从所述配送数据中，提取所述至少一种特征参数。

在一可选实施方式中，所述至少一种特征参数包括第一特征参数和第二特征参数；相应地，所述提取子单元具体用于：从所述配送数据中，提取所述第一特征参数；从所述配送数据中，提取所述第二特征参数对应的初始数据；分析所述初始数据，以获得所述第二特征参数。

在一可选实施方式中，所述第一特征参数包括以下至少一种：天气状况、当前压力等级；所述第二特征参数包括以下至少一种：配送员数量、当前压力值、积压订单量、订单集中度、订单增长速度、订单消化速度。

在一可选实施方式中，所述预测单元具体用于：根据所述至少一种特征参数，运行所述将来时段对应的预测模型，以获得所述配送力参数。

在一可选实施方式中，所述装置还包括：第二获取单元和模型训练单元；其中，第二获取单元，用于获取所述配送区域在多个历史时段内的特征参数；所述多个历史时段与所述将来时段属于同一时间段；模型训练单元，用于根据所述多个历史时段内的特征参数进行模型训练，以获得所述预测模型。

在一可选实施方式中，所述配送力参数包括以下至少一种：订单平均配送时长、最慢n％订单的平均配送时长、配送准时率、订单最大配送时长、订单最小配送时长、空跑距离；其中，n>0。

在一可选实施方式中，所述装置还包括：减压处理单元；所述确定单元还用于：确定与所述配送压力等级匹配的减压方案；相应地，减压处理单元，用于执行所述减压方案或输出所述减压方案的执行提示信息。

在一可选实施方式中，所述确定单元具体用于：在所述配送力等级对应的配送环境下，模拟执行至少一种候选减压方案；从所述至少一种候选减压方案中，选择模拟结果满足预设要求的候选减压方案，作为所述减压方案。

在本申请实施例中，根据体现配送区域在当前时段内的配送压力的特征参数，预测配送区域在将来时段内的配送力参数；基于配送区域在将来时段内的配送力参数，确定配送区域在将来时段内的配送压力等级，不再依赖人工经验，效率较高，而且是在爆单情况发生之前，实现配送压力的提前预测，便于及时采取应对策略，有利于及时减轻配送区域的压力和物流调度系统面临的调度压力。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一实施例提供的配送压力预测方法的流程示意图；

图2为本申请另一实施例提供的配送压力预测方法的流程示意图；

图3为本申请又一实施例提供的配送压力预测方法的流程示意图；

图4为本申请又一实施例提供的配送压力预测装置的结构示意图；

图5为本申请又一实施例提供的配送压力预测装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在物流配送应用场景中，在恶劣天气、商户推出营销活动等特殊情况下，一些配送区域很可能会出现订单量骤增、订单积压过多的现象，导致配送区域的配送压力过大，物流调度系统也面临巨大压力。现有技术基于人工经验判断配送区域是否出现爆单情况，在判断出现爆单情况时，采取应对措施，这种方式具有延迟性，效率较低，无法及时减轻配送区域的压力和物流调度系统面临的调度压力。

针对上述问题，本申请实施例提供一种解决方案，主要原理是：基于配送区域在当前时段内的配送压力情况，提前预测配送区域在将来时段内的配送压力等级，不再依赖于人工经验，而且可以提前预测，便于及时采取应对措施，避免配送区域出现订单量骤增、订单积压过多的现象，以保证配送区域在已有物流运力的条件下，对订单的消化以及对用户服务的保证。

下面将结合具体实施例，对本申请技术方案进行详细说明。

图1为本申请一实施例提供的配送压力预测方法的流程示意图。如图1所示，所述方法包括：

101、获取配送区域的至少一种特征参数，所述至少一种特征参数体现配送区域在当前时段内的配送压力。

102、根据至少一种特征参数，预测配送区域在将来时段内的配送力参数。

103、根据配送区域在将来时段内的配送力参数，确定配送区域在将来时段内的配送压力等级。

在本实施例中，并不限定配送区域的范围，可以根据应用需求适应性定义配送区域的范围。例如，配送区域可以是可以城市级的区域，或者可以是省级的区域，或者可以是商圈级的区域，等等。所述商圈是指城市中的商业活动区。

在本实施例中，需要根据配送区域在当前时段内的配送压力状况，预测配送区域在将来时段内的配送压力等级。配送区域在当前时段内的配送压力状况可通过配送区域在当前时段内的至少一个特征参数来体现。于是，可以获取配送区域内的至少一种特征参数，所述至少一种特征参数是指可以体现配送区域在当前时段内的配送压力状况的参数。举例说明，至少一种特征参数可以包括：天气状况、当前压力等级、配送员数量、当前压力值、积压订单量、订单集中度、订单增长速度以及订单消化速度等任何可以体现配送区域在当前时段内的配送压力状况的参数。

在本实施例中，当前时段是指当前时刻以及当前时刻之前的一段时间，具体时间数值可视应用需求而定，例如当前时段可以是最近2天、1天、1小时、2小时、3小时，50分钟、30分钟等。相应地，将来时段可以是当前时刻之后的一段时间，例如可以是当前时刻之后的2天、1天、1小时、2小时、3小时、50分钟、40分钟、20分钟。值得说明的是，当前时段的时间长度与将来时段的时间长度可以相同，也可以不相同。

基于上述至少一种特征参数，可以预测配送区域在将来时段内的配送力参数。所述配送力参数用于体现配送区域在将来时段内的配送力(或称为物流运力)。本实施例不对所述配送力参数进行限定，凡是可以体现配送力的参数均适用于本申请实施例。一般来说，配送区域内的配送力越强，配送区域内订单的配送速度越快，超时订单的数量越少，订单的平均配送时长越短，总超时时长越短，在同样时间内所配送的订单总量越大，配送员的空跑距离越少，等等。基于此，配送区域在将来时段内的配送力参数可以是但不限于以下至少一种：配送区域在将来时段内的订单总量、订单的平均配送时长、超时订单的数量、配送准时率、总超时时长、订单最大的配送时长、订单最小配送时长、空跑距离等。

配送区域的配送力越强，一定程度上意味着配送区域内的订单积压量较少，而且应对订单量骤增的能力相对较强，则配送区域内的配送压力等级相对较低；相反的，配送区域内的配送力越弱，意味着配送区域内的订单积压量较多，而且应对订单量骤增的能力相对越差，则配送区域内的配送压力等级会上升。进一步，结合配送力参数体现配送区域内的配送力，于是可基于上述配送区域在将来时段内的配送力参数，确定配送区域在将来时段内的配送压力等级。

进一步，基于配送区域在将来时段内的配送压力等级，可以在当前时段采用相应应对措施，无需等到订单量骤增、订单积压量较多等现象出现后再进行调节，不仅可以降低配送区域在将来时段内的配送压力，缓解物流调度系统的调度压力，而且可以形成良性循环，保证配送区域在任何时段内都可以在已有物流运力的条件下，对订单的消化以及对用户服务的保证。

在本实施例中，根据体现配送区域在当前时段内的配送压力的特征参数，预测配送区域在将来时段内的配送力参数；基于配送区域在将来时段内的配送力参数，确定配送区域在将来时段内的配送压力等级，不再依赖人工经验，确定配送压力等级的效率较高，而且是在爆单情况发生之前，实现配送压力的提前预测，便于及时采取应对策略，有利于及时减轻配送区域的压力和物流调度系统面临的调度压力。

在上述实施例或下述实施例中，获取用于体现配送区域在当前时段内的配送压力的至少一种特征参数的步骤，可以为：获取配送区域在当前时段内的配送数据；从配送区域在当前时段内的配送数据中，提取至少一种特征参数。所述配送数据是指配送区域在当前时段内所有与配送有关且可直接获取到的数据，例如包括配送员状态、配送员的位置、订单的起始位置、订单的目的位置、订单的配送状态、天气状况、当前压力等级等。所述当前压力等级是指配送区域在当前时段内的配送压力等级，可由人工计算得到，或者也可采用本实施例提供的方法由上一时段内的特征参数预测得到。

可选的，在一种应用示例中，上述至少一种特征参数包括第一特征参数和第二特征参数。所述第一特征参数是指可以直接从配送区域在当前时段内的配送数据中获得的特征参数。举例说明，第一特征参数包括以下至少一种：天气状况、当前压力等级等。第二特征参数是指无法直接从配送区域在当前时段内的配送数据中获得的，需要经过再次分析或计算才能得到的参数。举例说明，第二特征参数包括以下至少一种：配送员数量、当前压力值、积压订单量、订单集中度、订单增长速度、订单消化速度。

在上述应用示例中，获取至少一种特征参数的步骤，可以为：从配送区域在当前时段内的配送数据中，提取第一特征参数；从所述配送数据中，提取第二特征参数对应的初始数据；分析初始数据，以获得第二特征参数。

可选的，在一种应用示例中，上述至少一种特征参数可能仅包括第一特征参数。则获取至少一种特征参数的步骤，可以为：从配送区域在当前时段内的配送数据中，提取第一特征参数。

可选的，在一种应用示例中，上述至少一种特征参数可能仅包括第二特征参数。则获取至少一种特征参数的步骤，可以为：从配送区域在当前时段内的配送数据中，提取第二特征参数对应的初始数据；分析初始数据，以获得第二特征参数。

对上述各应用示例中，分析初始数据，以获得第二特征参数的步骤进行举例说明：

上述配送员数量可根据配送数据中的配送员的状态和/或位置进行统计而得到；相应地，所述配送员的状态和/或位置即为所述配送员数量对应的初始数据。

上述当前压力值可根据配送数据中的订单的数量、状态以及配送员的数量、状态进行分析计算而得到；相应地，所述订单的数量、状态以及配送员的数量、状态即为所述当前压力值对应的初始数据。

上述积压订单量可通过分析配送数据中的订单的配送状态以及数量而得到；相应地，所述订单的配送状态以及数量即为所述积压订单量对应的初始数据。

上述订单集中度可通过分析配送数据中的订单的起始位置而得到；相应地，所述订单的起始位置即为所述订单集中度对应的初始数据。

上述订单增长速度可通过分析配送数据中一定时间内新增订单的数量而得到；相应地，所述一定时间内新增订单的数量即为所述订单增长速度对应的初始数据。

上述订单消化速度可通过分析配送数据中一定时间内完成配送的订单数量而得到；相应地，所述一定时间内完成配送的订单数量即为所述订单消化速度对应的初始数据。

优选的，可以采用体现配送区域在当前时段内的配送压力的多个特征参数，以便于更加全面、有效地体现配送区域的配送压力状况，进而提高预测结果的准确性。

在上述实施例或下述实施例中，配送区域在将来时段内的配送力参数的预测步骤，可以为：根据体现配送区域在当前时段内的配送压力的至少一种特征参数，运行所述将来时段对应的预测模型，以获得配送区域在将来时段内的配送力参数。

基于上述预测模型，在本申请另一实施例中，可以预先基于配送区域在历史时段内的特征参数获得将来时段对应的预测模型，为预测过程提供条件，有利于提高预测效率。如图2所示，本申请另一实施例提供的配送压力预测方法，包括：

201、获取配送区域在多个历史时段内的特征参数；所述多个历史时段与将来时段属于同一时间段。

202、根据所述多个历史时段内的特征参数进行模型训练，以获得所述将来时段对应的预测模型。

203、获取配送区域的至少一种特征参数，所述至少一种特征参数体现配送区域在当前时段内的配送压力。

204、根据至少一种特征参数，运行所述将来时段对应的预测模型，以获得配送区域在所述将来时段内的配送力参数。

205、根据配送区域在将来时段内的配送力参数，确定配送区域在将来时段内的配送压力等级。

在本实施例中，将时间划分为不同的时间段。时间段的划分可以根据应用需求而定。例如，可以以天为单位，将时间划分为早高峰时间段、午高峰时间段、晚高峰时间段以及平峰时间段等，也可以将时间划分为第一时间段、第二时间段、第三时间段、第四时间段等。举例说明：早高峰时段或第一时间段可以是7点-8点半，午高峰时间段或第二时间段可以是11点-1点半，晚高峰时间段或第三时间段可以是5点半-八点，其余时间属于平峰时间段或第四时间段。除此之外，也可以以周为单位，将时间划分为第一时间段、第二时间段和第三时间段。举例说明：第一时间段为周一至周三，第二时间段为周四至周五，第三时间段为周六和周日。

值得说明的是，当前时段或将来时段可以属于某个时间段，或者可以是某个时间段。

在本实施例中，可以根据配送区域在各时间段对应的历史时段内的特征参数，预先生成各时间段对应的预测模型。对每个时间段来说，其对应预测模型的生成过程相同，本实施例以将来时段所属时间段为例，说明预测模型的生成过程。具体为，获取配送区段在多个历史时段内的特征参数，根据配送区段在多个历史时段内的特征参数进行模型训练，以获得将来时段对应的预测模型。其中，配送区域在多个历史时段内的特征参数体现配送区域在多个历史时段内的配送压力。这里多个历史时段与将来时段属于同一时间段，但并不要求历史时段与将来时段在时间上完成对应。

举例说明，以上述早高峰时间段、午高峰时间段、晚高峰时间段以及平峰时间段为例，假设当前时段为11月20日的9点半到10点半，将来时段为11月20日的11点-12点半，则将来时段属于午高峰时间段，则多个历史时段可以是为11月20日之前多日内11点-1点半之间的一段时间，例如可以包括11月19日11点半-12点半表示的历史时段，11月18日12点-1点表示的历史时段以及11月17日11点-1点表示的历史时段等。

值得说明的是，上述多个历史时段内的特征参数的获取步骤，可以为：从配送区域在多个历史时段中每个历史时段内的配送数据中，分别获取配送区域在多个历史时段中每个历史时段内的特征参数。每个历史时段内的特征参数为至少一个。可选的，每个历史时段内的特征参数包括第一特征参数和第二特征参数，则可以从配送区域在每个历史时段内的配送数据中，分别提取配送区域在每个历史时段内的第一特征参数；从配送区域在每个历史时段内的配送数据中，分别提取配送区域在每个历史时段内的第二特征数据关联的初始数据；分析配送区域在每个历史时段内的第二特征数据关联的初始数据，以获得配送区域在每个历史时段内的第二特征参数。

在上述模型训练过程中，可以将多个历史时段内的特征参数作为训练样本，以配送区域在多个历史时段所属时间段内的配送力参数为训练目标，采用机器学习算法，例如回归方法，进行模型训练，从而获得多个历史时段所属时间段对应的预测模型。

在实际应用中，可以直接确定将来时段所属的时间段，获取将来时段所属的时间段对应的预测模型，作为将来时段对应的预测模型；将体现配送区域在当前时段内的配送压力的至少一个特征参数作为模型入参，运行将来时段对应的预测模型，获得配送区域在将来时段的配送力参数。

可选的，本实施例预测出的配送区域在将来时段内的配送力参数包括以下至少一种：订单平均配送时长、最慢n％订单的平均配送时长、配送准时率、订单最大配送时长、订单最小配送时长、空跑距离；其中，n>0。其中，订单平均配送时长是影响用户体验最直接的参数，也是反应配送区域的配送力情况最直接的参数。最慢n％订单的平均配送时长也是影响用户体验较直接的参数，也可以反应配送区域的配送力情况。

可选的，可以针对所有配送力参数训练一个预测模型，所述预测模型可以同时输出所有配送力参数。例如，可以针对订单平均配送时长和最慢n％订单的平均配送时长训练一个预测模型，运行该预测模型可以输出订单平均配送时长和最慢n％订单的平均配送时长。

或者，可以针对每个配送力参数分别训练一个预测模型，不同预测模型输出不同配送力参数。例如，可以分别针对订单平均配送时长和最慢n％订单的平均配送时长分别训练一个预测模型，运行订单平均配送时长对应的预测模型可以输出订单平均配送时长，运行最慢n％订单的平均配送时长对应的预测模型可以输出最慢n％订单的平均配送时长。

关于本实施例中其它步骤的描述，可参见前述实施例，在此不再赘述。

在本实施例中，预先基于配送区域在历史时段内的特征参数进行模型训练，以获得预测模型，在实际预测过程中，直接运行预测模型，有利于提高预测效率和预测结果的准确性。

在上述实施例或下述实施例中，在确定配送区域在将来时段的配送压力等级之后，可以根据配送区域在将来时段的配送压力等级，灵活、及时地采取应对措施，解决配送区域即将面临的配送压力问题。基于此，在本申请又一实施例中给出一种压力解决方案。该实施例可基于图1所示实施例实现，如图3所示，在步骤103之后，还包括：

104、确定与配送区域在将来时段的配送压力等级匹配的减压方案。

105、执行减压方案或输出减压方案的执行提示信息。

可选的，减压方案的确定步骤，可以为：在所述配送力等级对应的配送环境下，模拟执行至少一种候选减压方案；从至少一种候选减压方案中，选择模拟结果满足预设要求的候选减压方案，作为与所述配送压力等级匹配的减压方案。所述至少一种候选减压方案包括：不同档位的减压方案。例如，第一档位的候选减压方案为增加5分钟的配送时长，第二档位的候选减压方案为增加10分钟的配送时长，第三档位的候选减压方案为增加15分钟的配送时长，第四档位的候选减压方案为关闭商家的活动等。

上述预设要求用于选择可以降低配送区域在将来时段的配送压力等级的候选减压方案，可以视应用需求适应性设置。

可选的，可以根据配送压力等级，结合历史订单情况对候选减压方案进行模拟调度，最后获得配送压力等级与减压方案之间的映射关系。基于此，减压方案的确定步骤，可以为：根据配送区域在将来时段的配送压力等级，查询所述配送压力等级与减压方案之间的映射关系，确定相匹配的减压方案。

在获得减压方案之后，可以直接执行所述减压方案，以降低配送区域的配送压力，或者，可以输出减压方案的执行提示信息，以提供运营人员启动所述减压方案，以降低配送区域的配送压力。

需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤201至步骤203的执行主体可以为设备a；又比如，步骤201和202的执行主体可以为设备a，步骤203的执行主体可以为设备b；等等。

图4为本申请又一实施例提供的配送压力预测装置的结构示意图。如图4所示，装置包括：第一获取单元41、预测单元42和确定单元43。

第一获取单元41，用于获取配送区域的至少一种特征参数，至少一种特征参数体现配送区域在当前时段内的配送压力；

预测单元42，用于根据至少一种特征参数，预测配送区域在将来时段内的配送力参数。

确定单元43，用于根据配送力参数，确定配送区域在将来时段内的配送压力等级。

在一可选实施方式中，如图5，第一获取单元41的一种实现结构包括：获取子单元411和提取子单元412。

获取子单元411，用于获取配送区域在当前时段内的配送数据。

提取子单元412，用于从配送数据中，提取至少一种特征参数。

在一可选实施方式中，上述至少一种特征参数包括第一特征参数和第二特征参数。相应地，提取子单元412具体用于：从配送数据中，提取第一特征参数；从配送数据中，提取第二特征参数对应的初始数据；分析初始数据，以获得第二特征参数。

在一可选实施方式中，第一特征参数包括以下至少一种：天气状况、当前压力等级。

在一可选实施方式中，第二特征参数包括以下至少一种：配送员数量、当前压力值、积压订单量、订单集中度、订单增长速度、订单消化速度。

在一可选实施方式中，预测单元42具体用于：根据至少一种特征参数，运行将来时段对应的预测模型，以获得配送力参数。

在一可选实施方式中，如图5所示，装置还包括：第二获取单元44和模型训练单元45。

第二获取单元44，用于在预测单元42运行将来时段对应的预测模型之前，获取配送区域在多个历史时段内的特征参数；多个历史时段与将来时段属于同一时间段。

模型训练单元45，用于根据多个历史时段内的特征参数进行模型训练，以获得预测模型。

在一可选实施方式中，上述配送力参数包括以下至少一种：订单平均配送时长、最慢n％订单的平均配送时长、配送准时率、订单最大配送时长、订单最小配送时长、空跑距离；其中，n>0。

在一可选实施方式中，如图5所示，装置还包括：减压处理单元46。

确定单元43还用于：确定与配送压力等级匹配的减压方案。相应地，减压处理单元46，用于执行减压方案或输出减压方案的执行提示信息。

可选的，确定单元43在确定减压方案时，具体用于：在配送力等级对应的配送环境下，模拟执行至少一种候选减压方案；从至少一种候选减压方案中，选择模拟结果满足预设要求的候选减压方案，作为减压方案。

本实施例提供的配送压力预测装置，可用于执行上述方法实施例的流程，详细描述不再赘述。

本实施例提供的配送压力预测装置，根据体现配送区域在当前时段内的配送压力的特征参数，预测配送区域在将来时段内的配送力参数；基于配送区域在将来时段内的配送力参数，确定配送区域在将来时段内的配送压力等级，不再依赖人工经验，效率较高，而且是在爆单情况发生之前，实现配送压力的提前预测，便于及时采取应对策略，有利于及时减轻配送区域的压力和物流调度系统面临的调度压力。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。