一种配送范围的确定方法及装置与流程
本申请涉及互联网技术领域，尤其涉及一种配送范围的确定方法、装置及计算机存储介质和电子设备。
背景技术：
在即时配送场景中，每个配送请求方都有独自的配送范围。
在相关技术中，配送请求方的配送范围通常是线下人工进行绘制，通常可以根据人工经验逐个绘制并确定每一个配送请求方的配送范围。以外卖配送这一即时配送场景为例，配送请求方可以为商家；配送平台工作人员基于经验逐个为每个商家绘制配送范围。然而，人工绘制主要基于工作人员的工作经验，不仅主观因素较大，容易出现偏差，而且人工绘制费时费力，效率较低；因此，需要提供一种更为准确、更有效率且更为客观的配送范围的确定方案。
技术实现要素：
有鉴于此，本申请提供一种配送范围的确定方法、装置及计算机存储介质和电子设备，用于解决上述至少一个问题。
具体地，本申请是通过如下技术方案实现的：
一种配送范围的确定方法，所述方法包括：
针对目标配送请求方绘制多个候选配送范围；
根据所述候选配送范围内的历史订单信息，预估每个候选配送范围的配送效率数据；
根据每种候选配送范围的配送效率数据，从所述多个候选配送范围中确定最优的配送范围。
可选的，所述针对目标配送请求方绘制多个候选配送范围，具体包括：
以目标配送请求方为中心，以多个不同的导航半径绘制多个候选配送范围。
可选的，所述配送效率数据包括订单量和/或平均配送时长。
可选的，所述方法还包括：
对所述候选配送范围进行优化处理；
所述预估每个候选配送范围的配送效率数据，具体包括：
预估优化后的每个候选配送范围内的订单量和/或平均配送时长。
可选的，所述对所述候选配送范围进行优化处理，具体包括：
确定所述候选配送范围的边界最近的道路边界；
根据所述道路边界重新绘制候选配送范围。
可选的，所述对所述候选配送范围进行优化处理，具体包括：
对构成所述候选配送范围的配送基准点集合进行数据压缩。
可选的，所述对构成所述候选配送范围的配送基准点集合进行数据压缩，具体包括：
遍历构成所述候选配送范围的配送基准点集合；
符合相邻两个配送基准点之间的距离小于阈值后，将所述相邻两个配送基准点合并为一个。
可选的，所述将所述相邻两个配送基准点合并为一个，具体包括：
将所述相邻两个配送基准点中任意一个从所述配送基准点集合中删除；
或者，
计算所述相邻两个配送基准点的平均配送基准点，并将所述配送基准点集合中的相邻两个配送基准点替换为所述平均配送基准点。
可选的，所述对所述候选配送范围进行优化处理，具体包括：
获取所述候选配送范围外预设半径内的热点区块；
将所述热点区块作为候选配送范围的一部分，从而形成新的候选配送范围。
可选的，所述预估每个候选配送范围内的订单量和/或平均配送时长，具体包括：
基于机器学习算法，预估每个候选配送范围内的订单量和/或平均配送时长。
可选的，所述从所述多个候选配送范围中确定最优的配送范围，具体包括：
基于组合优化算法，从所述多个候选配送范围中确定最优的配送范围。
可选的，所述组合优化算法的目标为：最大化候选配送范围中目标配送请求方的收益。
可选的，所述收益包括单均配送时长的成交金额。
可选的，所述根据每种候选配送范围的配送效率数据，基于组合优化算法，从所述多个候选配送范围中确定最优的配送范围，具体包括：
根据每种候选配送范围的订单量和/或平均配送时长，求解最大化候选配送范围中单均配送时长的成交金额；
将单均配送时长的成交金额最大的候选配送范围确定为最优的配送范围。
一种配送范围的确定装置，所述装置包括：
绘制单元，针对目标配送请求方绘制多个候选配送范围；
计算单元，根据所述候选配送范围内的历史订单信息，预估每个候选配送范围的配送效率数据；
确定单元，根据每种候选配送范围的配送效率数据，从所述多个候选配送范围中确定最优的配送范围。
可选的，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范围的确定方法。
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范围的确定方法。
本申请实施例，提供了一种配送范围的确定方案，针对目标配送请求提供多种候选配送范围，并利用每种候选配送范围的历史配送数据，计算出每种候选配送范围的配送效率数据，最后根据每种候选配送范围的配送效率数据从多种候选配送范围中选取一个最优的候选配送范围作为目标配送请求方的配送范围。如此，可以自动得生成目标配送请求方的配送范围。一方面，由于历史配送数据是客观存在的，因此基于历史配送数据最终确定最优配送范围方案可以认为是可观的，从而消除了主观因素的影响；另一方面由于历史配送数据可以真实反映了候选配送范围历史订单活跃情况，因此基于历史配送数据确定的配送范围更为准确；再一方面，自动绘制配送范围相对于人工绘制更有效率。
附图说明
图1是本申请一示例性实施例示出的一种配送范围的确定方法的流程图；
图2a是本申请一示例性实施例示出的某个城市区域的平面地图示意图；
图2b是本申请一示例性实施例示出的导航半径的候选配送区域的示意图；
图3a是本申请一示例性实施例示出的热点区块的示意图；
图3b对图3a中的候选配送范围进行优化处理后新的候选配送区域的示意图；
图4a是本申请一示例性实施例示出的候选配送范围边界穿越街区的示意图；
图4b是图4a中距离候选配送范围边界最近的道路边界的示意图；
图4c是根据图4b中所确定的道路边界重新绘制的候选配送范围的示意图；
图5是本申请一示例性实施例示出的一种配送范围的确定装置的硬件结构图；
图6是本申请一示例性实施例示出的一种配送范围的确定装置的模块示意图。
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”。
如前所述，在即时配送场景中，每个配送请求方都有独自的配送范围。
在相关技术中，确定配送请求方的配送范围通常是线下人工进行绘制。根据人工经验逐个绘制并确定每一个配送请求方的配送范围。以外卖配送这样的及时配送为例，配送请求方可以为商家；配送平台工作人员基于经验逐个为每个商家绘制配送范围。然而，人工绘制主要基于工作人员的工作经验，不仅主观因素较大，容易出现偏差，而且人工绘制费时费力，效率较低；需要提供一种更为准确性，更有效率且更为客观的配送范围的确定方案。
值得一提的是，所述配送范围是地理概念上的一块区域，在外卖平台上商家只对位于该商家配送范围内的用户可见。也就是说，订单关系只产生在商家和配送范围内的用户。而配送范围直接与商家的收益相关，由此可见，商家配送范围是一种硬性约束，且直接决定了订单量，配送效率和用户体验。若商家配送范围设定得过小，则潜在用户群体小，订单流、收益将较小；若商家配送范围设定得过大，虽然潜在用户群体较大，产生的订单流可能有一定程度提升，但整体配送效率可能会受到较大影响，进而影响用户的体验。
因此，如何平衡配送范围、配送效率和收益之间的关系称为一个亟待解决的问题。
本申请中，首先提供给目标配送请求多种候选配送范围，然后利用每种候选配送范围的历史配送数据，计算出每种候选配送范围的配送效率数据，最后根据每种候选配送范围的配送效率数据从多种候选配送范围中选取一个最优的候选配送范围作为目标配送请求方的配送范围。如此，可以自动得生成目标配送请求方的配送范围。由于历史配送数据是客观存在的，因此包括配送效率、收益等参数均可以客观反映候选配送范围的真实配送情况，因此本申请提供的方案保证了客观性和准确性，自动绘制配送范围相对于人工绘制更有效率。
其中，根据每种候选配送范围的配送效率数据从多种候选配送范围中选取一个最优的候选配送范围作为目标配送请求方的配送范围，具体可以根据配送效率数据来最大化预测候选配送范围的收益情况，然后选取收益最大的候选配送范围最为最终的配送范围。如此，即兼顾了配送范围的配送效率，也可以最大化配送范围的收益情况。
以下详细介绍本申请技术方案，图1本申请一示例性实施例示出的一种配送范围的确定的方法流程图，所述方法可以应用在配送范围的确定的服务端(以下简称为服务端)中，该方法具体可以包括如下步骤：
步骤110：针对目标配送请求方绘制多个候选配送范围。
所述服务端可以是指服务器、服务器集群或者由服务器集群构建的云平台。
所述目标配送请求方可以是指待确定配送范围的对象。例如在外卖业务场景下待确定配送范围的商家；或者，在快递业务场景下待确定配送范围的快递网点等等。
在一实施例中，所述步骤110，具体可以包括：
以目标配送请求方的位置为中心，以多个不同的半径绘制多个候选配送范围。
本申请中，所述多个可以是指2个或者2个以上的情况下。所述半径可以是预先设置的。例如1公里，3公里，5公里等。一般的，所述半径可以基于实际业务需要灵活变更。
如图2a所示的某个城市区域的平面地图示意图。图2a中，p点表示目标配送请求方的位置，可见以p点为中心，绘制有3个不同半径的配送范围，对应的半径分别为r1公里，r2公里和r3公里。
在一实现方式中，所述半径可以是指直线半径。所述直线半径的配送区域可以是指距离p点(目标配送请求方的位置)直线距离为r(预设的半径值)的区域。参考图2a所示的配送区域，可见均是规则的圆，即同一个配送范围的边界上的任意一点距离p点的直线距离均是相同的。
在另一实现方式中，所述半径可以是指导航半径。所述导航半径的配送区域可以是指距离p点(目标配送请求方的位置)导航距离为r(预设的半径值)的区域。也就是说导航距离可以是指的点到点之间真实路径的距离。由于物流配送过程需要配送人员沿路配送，配送路径并非总是直线，从一个地点到另一个地点可能需要绕行，因此实际配送距离往往会大于直线距离。采用导航半径能够真实衡量两点之间的实际距离以及配送成本，从而在真实的地理位置场景中更加合理准确。
如图2b所示的导航半径的候选配送区域的示意图。可见该候选的配送区域并非图2a中那样规则的圆，虽然图2b中同一个配送范围边界上的点距离p点的直线距离可能是不同的，但是导航距离是相同的，导航距离均为导航半径。
在一实施例中，在所述步骤110之后，还可以包括：
对所述候选配送范围进行优化处理。
在实际应用中，由于规划出的候选配送区域可能存在各种不准确的地方。例如，配送范围边界穿越了街区，配送范围边界不是以道路为边界等问题。
在一种实现方式中：
所述对所述候选配送范围进行优化处理，具体可以包括：
获取所述候选配送范围外预设半径内的热点区块；
将所述热点区块作为候选配送范围的一部分，从而形成新的候选配送范围。
本申请中所述的热点区块可以是指订单表现较好的地理区域。通常判定是否属于热地区块，可以根据历史订单数量进行判断。具体地，可以采用聚类算法，聚类出历史订单数量超过一定阈值的区块，而这样的区块即可以称为热点区块。
其中，所述预设半径与前述预设的半径并非同一个半径值。为了便于区分，可以将前述规划候选配送区域的半径称为第一半径，将该候选配送范围外预设半径称之为第二半径。通常，所述第二半径大于所述第一半径。
在一实施例中，第二半径可以是在第一半径基础上增加预设数值后得到的。
如图3a所示的热点区块的示意图。图3a中，存在第一半径范围((简称为小圆)和第二半径范围(简称为大圆)这两种范围。在小圆外大圆内的区域内，可见存在热点区块a和热点区域b，因此可以将热点区块a和热点区块b作为候选配送范围的一部分，从而形成图3b所示的新的候选配送范围。
通过本实施例，添加用户热度高的地理位置区块，也就是让候选配送范围覆盖一些用户曝光密集的地方，从而可以使得配送请求方的候选配送范围生成地更加合理。
如前所述，在实际应用中，上述步骤绘制的候选配送范围边界可能不是以道路为边界，如图4a所示的候选配送范围边界穿越街区的示意图。以即时配送业务中的外卖场景为例，商家的配送范围若穿越街区可能会导致该街区的部分用户可以在该商家处进行点餐，另一部分用户却无法在该商家处进行点餐，这显然是不合理的；况且，通常同一个街区用户点餐人数越多越好，对于配送员来说可以同时为该街区的用户配送，不仅时间成本较低，而且收益还多。对于平台来说穿越街区会显著降低gmv(grossmerchandisevolume，平台成交金额)。因此需要对候选配送范围进行优化处理，使得候选配送范围的边界是以道路为边界划分的。
为此，在一种实现方式中：
所述对所述候选配送范围进行优化处理，具体可以包括：
确定所述候选配送范围的边界最近的道路边界；
根据所述道路边界重新绘制候选配送范围。
依然以图4a为例，可见候选配送范围的边界跨越了街区道路；此时，需要确定距离边界最近的道路边界。如图4b所示，距离边界最近的道路边界为虚线段；因此，根据所确定的道路边界重新绘制的候选配送范围如图4c所示。
在一种实现方式中：
所述对所述候选配送范围进行优化处理，具体可以包括：
对构成所述候选配送范围的配送基准点集合进行数据压缩。
其中，所述对构成所述候选配送范围的配送基准点集合进行数据压缩，具体可以包括：
遍历构成所述候选配送范围的配送基准点集合；
符合相邻两个配送基准点之间的距离小于阈值后，将所述相邻两个配送基准点合并为一个。
一般的，所述候选配送范围可以是由边界上的一系列配送基准点构成的。将所述配送基准点相连接即可规划出一条边界线。具体地，将相邻的两个配送基准点之间的导航路径连接，形成一个封闭多边形，该多边形内的区域即为候选配送范围。
通常，所述配送基准点是以集合的形式存储的。为了提高存储空间利用率,可以对配送基准点集合进行压缩处理。
其中，合并的方式可以包括：
将所述相邻两个配送基准点中任意一个从所述配送基准点集合中删除。
或者，
计算所述相邻两个配送基准点的平均配送基准点；
将所述配送基准点集合中的相邻两个配送基准点替换为所述平均配送基准点。
通过对构成候选配送范围的配送基准点集合进行压缩处理，在不影响候选配送范围大小的情况下，可以有效减少存储数据量。
步骤120：根据所述候选配送范围内的历史订单信息，预估每个候选配送范围的配送效率数据。
所述配送效率数据可以用于表示采用候选配送范围后，配送请求方可以产生的收益情况。在一实施例中，所述配送效率数据可以包括订单量和平均配送时长。
在一实施例中，所述配送效率数据可以包括订单量和/或平均配送时长。
也就是说，所述步骤120，具体可以包括：
根据所述候选配送范围内的历史订单信息，预估订单量和/或平均配送时长。
其中，针对预估订单量：
所述历史订单信息可以包括统计出的候选配送范围内的商家信息、配送难度信息等。
具体地，所述商家信息可以包括商家维度的特征，例如候选配送范围内的商家数量、历史订单量、商家评分、商家品类等。
所述配送难度信息可以包括候选配送范围内骑手空载率，骑手数量等。
在一实施例中，服务端可以基于机器学习技术，预先训练用于预估候选配送范围的订单量和/或平均配送时长的机器学习模型。即，所述预估每个候选配送范围内的订单量和/或平均配送时长，具体包括：
基于机器学习算法，预估每个候选配送范围内的订单量和/或平均配送时长。
具体地，服务端可以预先收集大量不同配送范围内的历史订单信息样本，并基于机器学习算法，训练订单量预估模型；通过持续地学习可以不断完善所述订单量预估模型，当该订单量预估模型达到预计(例如预估准确性符合业务要求)时，即可以上线并使用订单量预估模型。在业务使用时，当统计出候选配送范围的历史订单信息后，将统计出的历史订单信息输出订单量预估模型，就可以计算得到订单量。所述机器学习模型可以采用例如逻辑回归(lr)，gbdt(梯度增强决策树)等。
其中，针对预估平均配送时长：
所述历史订单信息可以包括统计出候选配送范围内的骑手信息。具体地，所述骑手信息可以包括骑手配送历史订单的配送时长。
具体地，服务端可以预先收集大量不同配送范围内的历史订单信息样本，并基于机器学习算法，训练平均配送时长预估模型；通过持续地学习可以不断完善所述平均配送时长预估模型，当该平均配送时长预估模型达到预计(例如预估准确性符合业务要求)时，即可以上线并使用平均配送时长预估模型。在业务使用时，当统计出候选配送范围的历史订单信息后，将统计出的历史订单信息输出平均配送时长预估模型，就可以计算得到平均配送时长。所述机器学习模型可以采用例如逻辑回归(lr)，gbdt(梯度增强决策树)等。
步骤130：根据每种候选配送范围的配送效率数据，从所述多个候选配送范围中确定最优的配送范围。
在预估出每个候选配送范围的配送效率数据之后，可以根据配送效率数据从中选出一个最优的候选配送范围作为目标配送请求方最终确定下来的配送范围。
一般的，这种从多种可选项目中选出一个最优的项目，可以采用优化算法实现。具体地，根据业务需求明确优化目标后，以优化目标为跳出条件，调用优化算法进行计算，当计算结果符合跳出条件即达到优化目标后，就可以将跳出时的可选项目作为最优的项目。
在一实施例中，所述步骤130，具体可以包括：
基于组合优化算法，从所述多个候选配送范围中确定最优的配送范围。
其中，所述组合优化算法的目标为：最大化候选配送范围中目标配送请求方的收益；约束条件为：候选配送区域的订单量加权面积满足预设条件。
在一实施例中，所述收益可以包括单均配送时长的成交金额。通常所述成交金额可以采用gmv(grossmerchandisevolume,网站成交金额)表示。即所述单均配送时长的成交金额表示为(订单量/平均配时长)的gmv。
具体地，所述最大化候选配送范围中目标配送请求方的单均配送时长的gmv，可以通过如下公式计算：
其中，cmn表示商家m是否采用候选配送范围n的0-1标识(也是组合优化算法待求解的变量)；order_nummn表示机器学习模型预测的商家m在采用候选配送范围n时的预估订单量；pricem表示商家m的平均客单价(即历史订单金额之和，除以历史订单数量)；timemn表示机器学习模型预测的商家m在采用候选配送范围n时的预估平均配送时长；α表示平滑因子(避免分母为0)；amn表示商家m的候选配送范围n的配送面积；
通过本申请实施例，针对目标配送请求提供多种候选配送范围，并利用每种候选配送范围的历史配送数据，计算出每种候选配送范围的配送效率数据，最后根据每种候选配送范围的配送效率数据从多种候选配送范围中选取一个最优的候选配送范围作为目标配送请求方的配送范围。如此，可以自动得生成目标配送请求方的配送范围。
与前述配送范围的确定方法的实施例相对应，本申请还提供了配送范围的确定装置的实施例。
本申请配送范围的确定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5所示，为本申请配送范围的确定装置所在的一种硬件结构图，除了图5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范围的确定的实际功能，还可以包括其他硬件，对此不再赘述。
请参考图6，在一种软件实施方式中，该配送范围的确定装置可以包括：
绘制单元610，针对目标配送请求方绘制多个候选配送范围；
计算单元620，根据所述候选配送范围内的历史订单信息，预估每个候选配送范围的配送效率数据；
确定单元630，根据每种候选配送范围的配送效率数据，从所述多个候选配送范围中确定最优的配送范围。
可选的，所述绘制单元610，具体包括：
以目标配送请求方为中心，以多个不同的导航半径绘制多个候选配送范围。
可选的，所述配送效率数据包括订单量和/或平均配送时长。
可选的，所述装置还包括：
优化单元，对所述候选配送范围进行优化处理；
所述计算单元620，具体包括：
根据所述候选配送范围内的历史订单信息，预估优化后的每个候选配送范围内的订单量和/或平均配送时长。
可选的，所述优化单元，具体包括：
道路边界确定子单元，确定所述候选配送范围的边界最近的道路边界；
重绘子单元，根据所述道路边界重新绘制候选配送范围。
可选的，所述优化单元，具体包括：
数据压缩子单元，对构成所述候选配送范围的配送基准点集合进行数据压缩。
可选的，所述数据压缩子单元，具体包括：
合并子单元，遍历构成所述候选配送范围的配送基准点集合；符合相邻两个配送基准点之间的距离小于阈值后，将所述相邻两个配送基准点合并为一个。
可选的，所述将所述相邻两个配送基准点合并为一个，具体包括：
将所述相邻两个配送基准点中任意一个从所述配送基准点集合中删除；
或者，
计算所述相邻两个配送基准点的平均配送基准点，并将所述配送基准点集合中的相邻两个配送基准点替换为所述平均配送基准点。
可选的，所述优化单元，具体包括：
热点区块获取子单元，获取所述候选配送范围外预设半径内的热点区块；
重绘子单元，将所述热点区块作为候选配送范围的一部分，从而形成新的候选配送范围。
可选的，所述预估每个候选配送范围内的订单量和/或平均配送时长，具体包括：
基于机器学习算法，预估每个候选配送范围内的订单量和/或平均配送时长。
可选的，所述确定单元630，具体包括：
确定子单元，根据每种候选配送范围的配送效率数据，基于组合优化算法，从所述多个候选配送范围中确定最优的配送范围。
可选的，所述组合优化算法的目标为：最大化候选配送范围中目标配送请求方的收益。
可选的，所述收益包括单均配送时长的成交金额。
可选的，所述确定子单元，具体包括：
根据每种候选配送范围的订单量和/或平均配送时长，求解最大化候选配送范围中单均配送时长的成交金额；将单均配送时长的成交金额最大的候选配送范围确定为最优的配送范围。
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。
以上图6描述了业务监控装置的内部功能模块和结构示意，其实质上的执行主体可以为一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
针对目标配送请求方绘制多个候选配送范围；
根据所述候选配送范围内的历史订单信息，预估每个候选配送范围的配送效率数据；
根据每种候选配送范围的配送效率数据，从所述多个候选配送范围中确定最优的配送范围。
可选的，所述针对目标配送请求方绘制多个候选配送范围，具体包括：
以目标配送请求方为中心，以多个不同的导航半径绘制多个候选配送范围。
可选的，所述配送效率数据包括订单量和/或平均配送时长。
可选的，还包括：
对所述候选配送范围进行优化处理；
所述预估每个候选配送范围的配送效率数据，具体包括：
预估优化后的每个候选配送范围内的订单量和/或平均配送时长。
可选的，所述对所述候选配送范围进行优化处理，具体包括：
确定所述候选配送范围的边界最近的道路边界；
根据所述道路边界重新绘制候选配送范围。
可选的，所述对所述候选配送范围进行优化处理，具体包括：
对构成所述候选配送范围的配送基准点集合进行数据压缩。
可选的，所述对构成所述候选配送范围的配送基准点集合进行数据压缩，具体包括：
遍历构成所述候选配送范围的配送基准点集合；
符合相邻两个配送基准点之间的距离小于阈值后，将所述相邻两个配送基准点合并为一个。
可选的，所述将所述相邻两个配送基准点合并为一个，具体包括：
将所述相邻两个配送基准点中任意一个从所述配送基准点集合中删除；
或者，
计算所述相邻两个配送基准点的平均配送基准点，并将所述配送基准点集合中的相邻两个配送基准点替换为所述平均配送基准点。
可选的，所述对所述候选配送范围进行优化处理，具体包括：
获取所述候选配送范围外预设半径内的热点区块；
将所述热点区块作为候选配送范围的一部分，从而形成新的候选配送范围。
可选的，所述预估每个候选配送范围内的订单量和/或平均配送时长，具体包括：
基于机器学习算法，预估每个候选配送范围内的订单量和/或平均配送时长。
可选的，所述从所述多个候选配送范围中确定最优的配送范围，具体包括：
基于组合优化算法，从所述多个候选配送范围中确定最优的配送范围。
可选的，所述组合优化算法的目标为：最大化候选配送范围中目标配送请求方的收益。
可选的，所述收益包括单均配送时长的成交金额。
可选的，所述根据每种候选配送范围的配送效率数据，基于组合优化算法，从所述多个候选配送范围中确定最优的配送范围，具体包括：
根据每种候选配送范围的订单量和/或平均配送时长，求解最大化候选配送范围中单均配送时长的成交金额；
将单均配送时长的成交金额最大的候选配送范围确定为最优的配送范围。
在上述电子设备的实施例中，应理解，该处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，而前述的存储器可以是只读存储器(英文：read-onlymemory，缩写：rom)、随机存取存储器(英文：randomaccessmemory，简称：ram)、快闪存储器、硬盘或者固态硬盘。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
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。
- 还没有人留言评论。精彩留言会获得点赞！