区域配送压力的确定方法、装置、电子设备及存储介质与流程

本发明实施例涉及互联网技术领域，特别涉及区域配送压力的确定方法、装置、电子设备及存储介质。

背景技术：

随着互联网技术的快速发展，越来越多的人选择使用在线购物这一新型的购物方式，因此也就产生了大量物流配送需求。然而发明人发现相关技术中至少存在如下问题：由于各个区域的订单量主要受时间段等因素的影响，例如在用餐高峰时期，各个区域内的订单量会明显增大；也就是说各个区域内承受的配送压力会随时变化，但无法对随时变化的配送压力进行量化。

技术实现要素：

本发明实施方式的目的在于提供一种区域配送压力的确定方法、装置、电子设备及存储介质，使得配送区域的配送压力能够得到量化反映。

为解决上述技术问题，本发明的实施方式提供了一种区域配送压力的确定方法，包括以下步骤：获取配送区域的未处理订单的订单信息，计算所述未处理订单的预测被拒单概率；根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力。

本发明的实施方式还提供了一种区域配送压力的确定装置，包括：拒单概率计算模块，用于获取配送区域的未处理订单的订单信息，计算所述未处理订单的预测被拒单概率；配送压力计算模块，用于根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力。

本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取配送区域的未处理订单的订单信息，计算所述未处理订单的预测被拒单概率；根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力。

本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述区域配送压力的确定方法。

本发明实施方式相对于现有技术而言，根据配送区域未处理订单的订单信息，计算未处理订单的预测被拒单概率，根据未处理订单的预测被拒单概率和配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力，通过这种方式，对未处理的订单预测被拒单概率，从而能够获知可能产生的配送压力；对已处理的订单按照真实处理情况计算被拒单概率，从而能够获知已经产生的配送压力；将预测被拒单概率和和真实被拒单概率进行有机结合，来计算配送区域的配送压力，以有效地实现对配送区域的配送压力的量化，量化的配送压力有助于提高均衡调节配送压力的效率。

另外，所述计算所述未处理订单的预测被拒单概率，具体包括：计算所述未处理订单各自的预测被拒单概率；所述根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力，具体包括：对所述未处理订单各自的预测被拒单概率进行求和，得到预测被拒单概率总和，并对所述已处理订单的真实被拒单概率进行求和，得到真实被拒单概率总和；根据所述预测被拒单概率总和、所述真实被拒单概率总和，计算平均被拒单概率，并将所述平均被拒单概率作为所述配送压力的表征值。

另外，所述未处理订单包括当前时间片的未处理订单，和前l个时间片的未处理订单；对所述未处理订单各自的预测被拒单概率进行求和，具体包括：根据未处理订单包括的各个时间片的未处理订单各自的预测被拒单概率，得到各个时间片的预测被拒单概率和值；将各个时间片的预测被拒单概率和值进行求和，得到所述预测被拒单概率总和。通过这种方式，避免由于当前时间片下配送区域内未处理订单数量过少，导致计算出的预测被拒单概率总和不具有较强的参考性的情况，将前l个时间片的未处理订单也纳入计算，提高对预测被拒单概率总和计算的可参考性。

另外，在所述将各个时间片的预测被拒单概率和值进行求和前，还包括：将所述各个时间片的预测被拒单概率和值分别乘以所述各个时间片的权重；所述得到所述预测被拒单概率总和，具体包括：将乘以所述各个时间片的权重后的所述各个时间片的预测被拒单概率和值，进行求和，得到所述预测被拒单概率总和。通过这种方式，将各个时间片的预测被拒单概率和各个时间片的权重都纳入了计算条件，贴近真实情况下不同时间片的配送压力变化，清晰反映了未处理订单在不同时间片下的预测被拒单概率总和。

另外，所述计算所述未处理订单的预测被拒单概率，具体包括：获取所述未处理订单的订单信息，根据所述获取的订单信息和预设的被拒单概率模型，计算所述未处理订单各自的被拒单概率。

另外，所述被拒单概率模型通过以下方式获得：获取所述配送区域在多个历史时间段内的历史数据，所述历史数据包括历史订单信息；根据所述历史数据获取所述配送区域在各所述历史时间段内的多个特征值；将所述各所述历史时间段内的多个特征值，作为训练数据对被拒单概率模型进行训练，获得所述被拒单概率模型。通过这种方式，有效地考虑到了配送过程中会影响配送压力的多种因素，有效地提高了训练出的被拒单概率模型的准确率，使得计算出的被拒单概率更贴近真实情况。

另外，所述被拒单概率模型，具体为：迭代决策树模型。通过这种方式，可以灵活处理各种类型的数据，且模型的准确率、执行效率等较优。

另外，各所述特征值分别用于表示以下特征：接单率、差评率、超时率、订单商户特征、骑手特征、天气特征。通过这种方式，根据配送区域的历史数据训练得到预设被拒单概率模型，更为贴近真实情况，保证了计算预测被拒单概率的准确性。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。

图1是根据本发明第一实施方式的区域配送压力的确定方法的流程图；

图2是根据本发明第二实施方式的区域配送压力的确定方法的流程图；

图3是根据本发明第三实施方式的区域配送压力的确定装置的结构图；

图4是根据本发明第四实施方式的电子设备的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

本发明的本发明的第一实施方式涉及一种区域配送压力的确定方法，具体流程如图1所示。本实施方式中，计算未处理订单的预测被拒单概率和计算已处理订单的真实被拒单概率，将两者有机结合得到配送区域的配送压力，实现区域配送压力的量化。下面对图1的流程做具体说明：

步骤101，获取配送区域未处理订单的订单信息，计算未处理订单的预测被拒单概率。

具体地说，获取配送区域内各个未处理订单的订单信息，其中，配送区域可以为根据行政区划或道路分布等标准划分的一块区域，也可以是根据商户、住宅区或配送站点划分的一块区域；订单信息具体可以包括订单的下单时间、订单未被处理的时长、订单所属商户的地理位置等任意多个关于订单的信息；将获取到的未处理订单的订单信息作为输入数据，输入至预设的被拒单概率模型，通过被拒单概率模型的计算，即得到未处理订单各自的预测被拒单概率。值得一提的是，用于计算的未处理订单的订单信息越丰富，计算得到的预测被拒单概率越准确。

更具体地说，上述被拒单概率模型可以通过以下的方式训练获得：获取配送区域在多个历史时间段内的历史数据，其中，历史数据包括历史订单信息，历史订单信息具体可以包括任意多个关于订单的信息，例如：关于订单本身的信息(至少包括：订单是否被接单、订单是否被差评、订单是否是超时订单等信息)、关于订单所属商户的信息(至少包括商户的地理位置、商户的好评率、商户的出单时间等信息)、关于骑手的信息(至少包括配送区域内的骑手数量、骑手的好评率、骑手的平均送餐时间等信息)和环境因素的信息(至少包括历史时间下的天气状况等信息)；根据历史数据获取配送区域在历史时间段内的多个特征值，其中，各特征值，分别用于表示根据上述历史订单信息得出的以下特征：接单率、差评率、超时率、订单商户特征、骑手特征、天气特征等；将多个特征值作为训练数据，对被拒单概率模型进行训练，得到预设的被拒单概率模型。例如：获取配送区域在8点、14点、18点三个历史时间的订单，根据上述历史订单的历史数据，获取历史订单对应的配送区域的多个特征值，例如：获取到历史订单的接单率、差评率、超时率等；获取到历史订单商户的地理位置、好评率、出单时间等，用于表示订单商户特征；获取到配送区域内进行配送的骑手数量等，用于表示骑手特征；获取到在历史时间下的天气是恶劣天气，用于表示天气特征，等等。将每一个历史订单的多个真实的特征值(即接单率、差评率、超时率，订单商户的地理位置、好评率、出单时间，骑手数量和历史时间下的天气等)作为训练数据，输入被拒单概率模型，得到模型的输出即为历史订单的被拒单概率；将输出得到的历史订单的被拒单概率与输入的特征值对应的历史订单的实际被拒单概率进行比较，并根据比较结果调整模型参数，从而不断迭代优化被拒单概率模型。通过这种方式，保证了计算预测被拒单概率的准确性，有效地考虑到了配送过程中会影响配送压力的多种因素，有效地提高了训练出的被拒单概率模型的准确率，使得计算出的被拒单概率更贴近真实情况。

更具体地说，被拒单概率模型可以为迭代决策树模型(gbdt模型)。gbdt模型的算法由多棵决策树组成，所有树的结论累加起来作为最终模型的输出。采用准确率等模型评估指标对多种模型进行测试后，采用gbdt模型作为被拒单概率模型，可以灵活处理各种类型的数据，且模型的准确率、执行效率等较优。另外，被拒单概率模型还可以为逻辑回归模型、xg-boost等模型，在此不一一例举。

步骤102，根据未处理订单的预测被拒单概率和已处理订单的真实被拒单概率，计算配送区域的配送压力。

具体地说，对未处理订单的各自的预测被拒单概率进行求和，得到预测被拒单概率总和，用于表征未处理订单的预测被拒单概率产生的配送压力；并对已处理订单的真实被拒单概率进行求和，得到真实被拒单概率总和，用于表征已处理订单的真实被拒单概率产生的配送压力；对预期被拒单概率总和与真实被拒单概率总和进行求和，将求和结果与配送区域订单总数量的比值作为平均被拒单概率，用于表征配送区域的配送压力。通过这种求平均值的方式得到配送区域的配送压力的表征值，便于量化反映配送区域的配送压力的整体水平情况。

下面以一实例，对本实施方式的区域配送压力的确定方法进行说明：在某时刻获取配送区域a的未处理订单的订单信息，例如获取到配送区域a的20张未处理订单的订单信息，将每张订单的订单信息(如每张订单截止当前时刻的未被处理时长、订单所属商户的地址位置和好评率等)输入到上述被拒单概率模型中，根据经过历史数据训练的被拒单概率模型，得到每张订单各自的被拒单概率。

本实施方式相对于现有技术而言，根据配送区域未处理订单的订单信息，通过预设被拒单概率模型计算未处理订单的预测被拒单概率，其中被拒单概率模型为根据配送区域的历史数据训练得到，更为贴近真实情况，保证了计算预测被拒单概率的准确性；根据未处理订单的预测被拒单概率和配送区域已处理订单的预测被拒单概率，计算配送区域的配送压力，

通过这种方式，将预测被拒单概率与预测被拒单概率进行有机结合，来得到用于表征配送区域的配送压力的平均拒单概率，以有效地实现对配送区域的配送压力的量化，量化的配送压力有助于提高均衡调节配送压力的效率。

本发明的第二实施方式涉及一种区域配送压力的确定方法，具体流程如图2所示。本实施方式与第一实施方式大致相同，具体区别之处在于，在本发明第二实施方式中，对如何计算得到配送区域的配送压力做了进一步细化。下面对图2的流程做具体说明：

步骤201，获取配送区域未处理订单的订单信息，计算未处理订单的预测被拒单概率。

此步骤与步骤101相同，此处不再赘述。

步骤202，对未处理订单各自的预测被拒单概率求和，得到预测被拒单概率总和。

具体地说，未处理订单包括当前时间片的未处理订单，和前l个时间片的未处理订单。以单位时间为15分钟为例，可以将一天的时间划分为若干个时间片，00：00到00：15为第一个时间片；00：15到00：30为第二个时间片，以此类推。也就是说，在00：15这一时刻会得到第一个时间片，在00：30这一时刻会得到第二个时间片。因此，如果当前时间片为10点45分得到的时间片，那么当l取3时，前l个时间片即为10点30分、10点15分、10点整时分别得到的时间片。当然，l可以根据需求设定为任意正数。根据各个时间片的未处理订单各自的预测被拒单概率，得到各个时间片的预测被拒单概率和值；将各个时间片的预测被拒单概率和值分别乘以各个时间片的权重，将乘以各个时间片的权重后的各个时间片的预测被拒单概率和值，进行求和，得到预测被拒单概率总和。

更具体地说，由于在不同时间片下配送区域内的订单数量是不同的，当计算预测被拒单概率总和时，可能存在当前时间片下配送区域内未处理订单数量过少，计算出的预测被拒单概率总和不具有较强的参考性，因此可以将前l个时间片的未处理订单也纳入计算，提高对预测被拒单概率总和计算的可参考性。若当前时间片处于用餐高峰期时，配送区域的未处理订单数量足够作为计算预测被拒单概率总和的数据，则l可以取0，即仅根据当前时间片的预测被拒单概率和值得到预测被拒单概率总和，无须考虑多个时间片的预测被拒单概率和值。

更具体地说，未处理订单的预测被拒单概率总和，与各个时间片的预测被拒单概率和值和各个时间片的权重有关，其中，时间片的权重可以根据具体时刻预先设定，例如，12时处于用餐高峰期，配送压力会相对较大，则预设12时的权重占总权重的0.5。首先对各个时间片的预测被拒单概率进行求和，得到各个时间片的预测被拒单概率和值；将各个时间片的预测被拒单概率和值与各个时间片的权重相乘，将相乘后的各个时间片的预测被拒单概率和值进行求和，得到预测被拒单概率总和，通过这种方式，将各个时间片的预测被拒单概率和各个时间片的权重都纳入了计算条件，贴近真实情况下不同时间片的配送压力变化，清晰反映了未处理订单在不同时间片下的预测被拒单概率总和。

步骤203，对已处理订单的真实被拒单概率求和，得到真实被拒单概率总和。

具体地说，已处理订单包括当前时间片的已处理订单，和前l个时间片的已处理订单；根据已处理订单包括的各个时间片的已处理订单各自的真实被拒单概率，得到各个时间片的真实被拒单概率和值；将各个时间片的真实被拒单概率和值分别乘以各个时间片的权重，将乘以各个时间片的权重后的各个时间片的真实被拒单概率和值，进行求和，得到真实被拒单概率总和。

更具体地说，此处取的l值和上述计算预测被拒单概率时取的l值相同。由于在不同时间片下配送区域内的订单数量是不同的，当计算真实被拒单概率总和时，可能存在当前时间片下配送区域内已处理订单数量过少，计算出的真实被拒单概率总和不具有较强的参考性，因此可以将前l个时间片的已处理订单也纳入计算，提高对真实被拒单概率总和计算的可参考性。若当前时间片处于用餐高峰期时，配送区域的已处理订单数量足够作为计算真实被拒单概率总和的数据，则l可以取0，即仅根据当前时间片的真实被拒单概率和值得到真实被拒单概率总和，无须考虑多个时间片的真实被拒单概率和值。

更具体地说，已处理订单的真实被拒单概率总和，与各个时间片的真实被拒单概率和值和各个时间片的权重有关。首先获取各个时间片的已处理订单中已被拒单的订单数量，对各个时间片的真实被拒单概率进行求和，得到各个时间片的真实被拒单概率和值；为了便于反映各个时间片的真实被拒单概率，可以预设已被拒单的订单真实拒单概率为1，未被拒单的订单真实拒单概率为0。将各个时间片的真实被拒单概率和值与各个时间片的权重相乘，将相乘后的各个时间片的真实被拒单概率和值进行求和，得到真实被拒单概率总和，通过这种方式，将各个时间片的真实被拒单概率和各个时间片的权重都纳入了计算条件，贴近真实情况下不同时间片的配送压力变化，清晰反映了已处理订单在不同时间片下的真实被拒单概率总和。

步骤204，根据预测被拒单概率总和与真实被拒单概率总和，计算配送区域的配送压力。

具体地说，对预期被拒单概率总和与真实被拒单概率总和进行求和，将求和结果与配送区域订单总数量的比值作为平均被拒单概率，用于表征配送区域的配送压力。通过这种求平均值的方式得到配送区域的配送压力的表征值，便于量化反映配送区域的配送压力的整体水平情况。

上述对如何计算得到配送区域的配送压力的细化步骤可通过如下的计算公式体现：

其中，pressure指代配送区域的配送压力的表征值；

wt指代时间片的权重，predict_ratio指代时间片的预测被拒单概率和值；

t指代时间片，npredict指代时间片的未处理订单的数量；

real_ratio指代时间片的真实被拒单概率和值；

nreal指代时间片的已处理订单的数量；

n指代配送区域的所有订单的数量；

即∑t∑npredictwt×predict_ratio为对乘以时间片的权重后的时间片的预测被拒单概率和值进行求和，而得到的预测被拒单概率总和；∑t∑nrealtwt×real_ratio为对乘以时间片的权重后的时间片的真实被拒单概率和值进行求和，而得到的真实被拒单概率总和；配送区域的配送压力的表征值为平均被拒单概率。

下面以一实例为具体说明：当前时间片为11点整，11点整的时间片权重为0.5，当前未处理订单共有20单，已处理订单已有10单。首先获取20单未处理订单的订单信息，通过预设的被拒单概率模型得出，其中有10单的被拒单概率为0.1，有10单的被拒单概率为0.3。根据上述未处理订单各自的被拒单概率，计算得到11点整的预测被拒单概率和值为(10×0.1+10×0.3)＝4；将11点整的预测被拒单概率和值与11点整的时间片权重相乘，得到相乘后的11点整的预测被拒单概率和值为(0.5×4)＝2，即加权后的11点整的预测被拒单概率和值为2。同时取前2个时间片如10点45分和10点30分，并通过类似的方法计算得到加权后的10点45分的预测被拒单概率和值为1，加权后的10点30分的预测被拒单概率和值为1。因此，预测被拒单概率总和为(2+1+1)＝4。

已处理订单的真实被拒单概率总和的计算方式类似，例如11点整有10单已处理订单，其中有8单已被接单，有2单已被拒单；根据预设的已被拒单的订单各自的真实拒单概率为1，计算得到11点整的真实拒单概率和值为(2×1)＝2；将11点的真实被拒单概率和值与11点整的时间片权重相乘，得到相乘后的11点整的预测被拒单概率和值为(0.5×2)＝1，即加权后的11点整的真实被拒单概率和值为1。同时取前2个时间片10点45分和10点30分，计算得到加权后10点45分的真实被拒单概率和值为0，加权后的10点30分的真实被拒单概率和值为1。因此，真实被拒单概率总和为(1+0+1)＝2。

对预期被拒单概率总和与真实被拒单概率总和进行求和，将求和结果与配送区域订单总数量的比值作为平均被拒单概率，即平均被拒单概率为(4+2)/(20+10)＝0.2，用于表征配送区域的配送压力。

本实施方式相对于现有技术而言，进一步细化了如何计算得到配送区域的配送压力的方法：将各个时间片的未处理订单各自的预测被拒单概率和值分别乘以各个时间片的权重，将乘以权重后的各个时间片的预测被拒单概率和值进行求和，得到预测被拒单概率总和；同理得到已处理订单的真实被拒单概率总和，通过这种方式，考虑到多个因素的印象，较为真实清晰地反映了未处理订单的预测被拒单概率总和和已处理订单的真实被拒单概率总和。最后将预测被拒单概率总和与真实被拒单概率总和有机结合，来得到表征配送区域的配送压力的平均被拒单概率，以有效地实现对配送区域的配送压力的量化，量化的配送压力有助于提高均衡调节配送压力的效率。

本发明第三实施方式涉及一种区域配送压力的确定装置，如图3所示，包括：拒单概率计算模块301，配送压力计算模块302。

拒单概率计算模块301用于获取配送区域的未处理订单的订单信息，计算未处理订单的预测被拒单概率。

配送压力计算模块302用于根据拒单概率计算模块301计算得到的未处理订单的预测被拒单概率和配送区域已处理订单的真实被拒单概率，计算配送区域的配送压力。

在一个例子中，拒单概率计算模块301具体用于获取配送区域未处理订单的订单信息，根据获取的订单信息和预设的被拒单概率模型，计算未处理订单各自的被拒单概率。配送压力计算模块302具体用于对未处理订单各自的预测被拒单概率进行求和，得到预测被拒单概率总和，并对已处理订单的真实被拒单概率进行求和，得到真实被拒单概率总和；

根据预测被拒单概率总和、真实被拒单概率总和，计算平均被拒单概率，并将平均被拒单概率作为配送压力的表征值。

在一个例子中，配送压力计算模块302还具体用于根据未处理订单包括的各个时间片的未处理订单各自的预测被拒单概率，得到各个时间片的预测被拒单概率和值；将各个时间片的预测被拒单概率和值进行求和，得到预测被拒单概率总和。

在一个例子中，配送压力计算模块302还具体用于在将各个时间片的预测被拒单概率和值进行求和前，将各个时间片的预测被拒单概率和值分别乘以各个时间片的权重；将乘以各个时间片的权重后的各个时间片的预测被拒单概率和值，进行求和，得到预测被拒单概率总和。

在一个例子中，配送压力计算模块302还具体用于根据已处理订单包括的各个时间片的已处理订单各自的真实被拒单概率，得到各个时间片的真实被拒单概率和值；将各个时间片的真实被拒单概率和值进行求和，得到真实被拒单概率总和。

在一个例子中，配送压力计算模块302还用于在将各个时间片的真实被拒单概率和值进行求和前，将各个时间片的真实被拒单概率和值分别乘以各个时间片的权重；将乘以各个时间片的权重后的各个时间片的真实被拒单概率和值，进行求和，得到真实被拒单概率总和。

在一个例子中，拒单概率计算模块301所使用到的被拒单概率模型，具体通过以下方式获得：获取配送区域在多个历史时间段内的历史数据，历史数据包括历史订单信息；根据历史数据获取配送区域在各历史时间段内的多个特征值；将各历史时间段内的多个特征值，作为训练数据对被拒单概率模型进行训练，获得被拒单概率模型。

在一个例子中，拒单概率计算模块301所使用到的被拒单概率模型，具体为迭代决策树模型。

在一个例子中，拒单概率计算模块301所使用到的被拒单概率模型的训练方式中，各特征值分别用于表示以下特征：接单率、差评率、超时率、订单商户特征、骑手特征、天气特征。

不难发现，本实施方式为与第一实施方式至第二实施方式的相对应的系统实施例，本实施方式可与第一实施方式至第二实施方式互相配合实施。第一实施方式至第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应的，本实施方式中提到的相关技术细节也可应用在第一实施方式至第二实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本发明第四实施方式涉及一种电子设备，本实施方式的电子设备具体为网络侧的服务器。

如图4所示，该电子设备包括至少一个处理器401；以及，与至少一个处理器401通信连接的存储器402；以及，与区域配送压力的确定装置通信连接的通信组件403，通信组件403在处理器401的控制下接收和发送数据；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行以实现：

获取配送区域的未处理订单的订单信息，计算未处理订单的预测被拒单概率；

根据未处理订单的预测被拒单概率和配送区域已处理订单的真实被拒单概率，计算配送区域的配送压力。

具体地，该电子设备包括：一个或多个处理器401以及存储器402，图4中以一个处理器401为例。处理器401、存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器402作为一种计算机可读存储介质，可用于存储计算机软件程序、计算机可执行程序以及模块。处理器401通过运行存储在存储器402中的计算机软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述区域配送压力的确定方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器402中，当被一个或者多个处理器401执行时，执行上述任意方法实施方式中的区域配送压力的确定方法。

上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。

在本实施方式中，根据配送区域未处理订单的订单信息，计算未处理订单的预测被拒单概率，根据未处理订单的预测被拒单概率和配送区域已处理订单的真实被拒单概率，计算配送区域的配送压力，通过这种方式，对未处理的订单预测被拒单概率，从而能够获知可能产生的配送压力；对已处理的订单按照真实处理情况计算被拒单概率，从而能够获知已经产生的配送压力；将预测被拒单概率和和真实被拒单概率进行有机结合，来计算配送区域的配送压力，以有效地实现对配送区域的配送压力的量化，量化的配送压力有助于提高均衡调节配送压力的效率。

本发明第五实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述区域配送压力的确定实施例。

即，本领域技术人员可以理解，实现上述区域配送压力的确定设置方法实施例中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明实施方式中，根据配送区域未处理订单的订单信息，计算未处理订单的预测被拒单概率，根据未处理订单的预测被拒单概率和配送区域已处理订单的真实被拒单概率，计算配送区域的配送压力，通过这种方式，对未处理的订单预测被拒单概率，从而能够获知可能产生的配送压力；对已处理的订单按照真实处理情况计算被拒单概率，从而能够获知已经产生的配送压力；将预测被拒单概率和和真实被拒单概率进行有机结合，来计算配送区域的配送压力，清晰明确了配送区域的配送压力的确定方法，有效地量化了配送区域的配送压力，量化的配送压力有助于提高均衡调节配送压力的效率。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

本申请实施例中开了a1.一种区域配送压力的确定方法，包括：

获取配送区域的未处理订单的订单信息，计算所述未处理订单的预测被拒单概率；

根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力。

a2.如a1所述的区域配送压力的确定方法，所述计算所述未处理订单的预测被拒单概率，具体包括：计算所述未处理订单各自的预测被拒单概率；

所述根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力，具体包括：

对所述未处理订单各自的预测被拒单概率进行求和，得到预测被拒单概率总和，并对所述已处理订单的真实被拒单概率进行求和，得到真实被拒单概率总和；

根据所述预测被拒单概率总和、所述真实被拒单概率总和，计算平均被拒单概率，并将所述平均被拒单概率作为所述配送压力的表征值。

a3.如a2所述的区域配送压力的确定方法，所述未处理订单包括当前时间片的未处理订单，和前l个时间片的未处理订单；

对所述未处理订单各自的预测被拒单概率进行求和，具体包括：

根据未处理订单包括的各个时间片的未处理订单各自的预测被拒单概率，得到各个时间片的预测被拒单概率和值；

将各个时间片的预测被拒单概率和值进行求和，得到所述预测被拒单概率总和。

a4.如a3所述的区域配送压力的确定方法，在所述将各个时间片的预测被拒单概率和值进行求和前，还包括：

将所述各个时间片的预测被拒单概率和值分别乘以所述各个时间片的权重；

所述得到所述预测被拒单概率总和，具体包括：

将乘以所述各个时间片的权重后的所述各个时间片的预测被拒单概率和值，进行求和，得到所述预测被拒单概率总和。

a5.如a2所述的区域配送压力的确定方法，所述配送区域已处理订单包括当前时间片的已处理订单，和前l个时间片的已处理订单；

对所述已处理订单的真实被拒单概率进行求和，具体包括：

根据已处理订单包括的各个时间片的已处理订单各自的真实被拒单概率，得到各个时间片的真实被拒单概率和值；

将各个时间片的真实被拒单概率和值进行求和，得到所述真实被拒单概率总和。

a6.如a5所述的区域配送压力的确定方法，在所述将各个时间片的真实被拒单概率和值进行求和前，还包括：

将所述各个时间片的真实被拒单概率和值分别乘以所述各个时间片的权重；

所述得到所述真实被拒单概率总和，具体包括：

将乘以所述各个时间片的权重后的所述各个时间片的真实被拒单概率和值，进行求和，得到所述真实被拒单概率总和。

a7.如a1至a6中任一项所述的区域配送压力的确定方法，所述计算所述未处理订单的预测被拒单概率，具体包括：

获取所述未处理订单的订单信息，根据所述获取的订单信息和预设的被拒单概率模型，计算所述未处理订单各自的被拒单概率。

a8.如a7所述的区域配送压力的确定方法，所述被拒单概率模型通过以下方式获得：

获取所述配送区域在多个历史时间段内的历史数据，所述历史数据包括历史订单信息；

根据所述历史数据获取所述配送区域在各所述历史时间段内的多个特征值；

将所述各所述历史时间段内的多个特征值，作为训练数据对被拒单概率模型进行训练，获得所述被拒单概率模型。

a9.如a8所述的区域配送压力的确定方法，所述被拒单概率模型，具体为：迭代决策树模型。

a10.如a8所述的区域配送压力的确定方法，各所述特征值分别用于表示以下特征：

接单率、差评率、超时率、订单商户特征、骑手特征、天气特征。

本申请实施例公开了b1.一种区域配送压力的确定装置，包括：

拒单概率计算模块，用于获取配送区域的未处理订单的订单信息，计算所述未处理订单的预测被拒单概率；

配送压力计算模块，用于根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力。

本申请实施例公开了c1.一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：

获取配送区域的未处理订单的订单信息，计算所述未处理订单的预测被拒单概率；

根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力。

c2.如c1所述的电子设备，所述计算所述未处理订单的预测被拒单概率，具体包括：计算所述未处理订单各自的预测被拒单概率；

所述根据所述未处理订单的预测被拒单概率和所述配送区域已处理订单的真实被拒单概率，计算所述配送区域的配送压力，具体包括：

对所述未处理订单各自的预测被拒单概率进行求和，得到预测被拒单概率总和，并对所述已处理订单的真实被拒单概率进行求和，得到真实被拒单概率总和；

根据所述预测被拒单概率总和、所述真实被拒单概率总和，计算平均被拒单概率，并将所述平均被拒单概率作为所述配送压力的表征值。

c3.如c2所述的电子设备，所述未处理订单包括当前时间片的未处理订单，和前l个时间片的未处理订单；

对所述未处理订单各自的预测被拒单概率进行求和，具体包括：

对所述未处理订单包括的各个时间片的未处理订单各自的预测被拒单概率进行求和，得到各个时间片的预测被拒单概率和值；

将各个时间片的预测被拒单概率和值进行求和，得到所述预测被拒单概率总和。

c4.如c3所述的电子设备，在所述将各个时间片的预测被拒单概率和值进行求和前，还包括：

将所述各个时间片的预测被拒单概率和值分别乘以所述各个时间片的权重；

所述得到所述预测被拒单概率总和，具体包括：

将乘以所述各个时间片的权重后的所述各个时间片的预测被拒单概率和值，进行求和，得到所述预测被拒单概率总和。

c5.如c2所述的电子设备，所述配送区域已处理订单包括当前时间片的已处理订单，和前l个时间片的已处理订单；

对所述已处理订单的真实被拒单概率进行求和，具体包括：

对所述已处理订单包括的各个时间片的已处理订单各自的真实被拒单概率进行求和，得到各个时间片的真实被拒单概率和值；

将各个时间片的真实被拒单概率和值进行求和，得到所述真实被拒单概率总和。

c6.如c5所述的电子设备，在所述将各个时间片的真实被拒单概率和值进行求和前，还包括：

将所述各个时间片的真实被拒单概率和值分别乘以所述各个时间片的权重；

所述得到所述真实被拒单概率总和，具体包括：

将乘以所述各个时间片的权重后的所述各个时间片的真实被拒单概率和值，进行求和，得到所述真实被拒单概率总和。

c7.如c1至c6中任一项所述的电子设备，所述计算所述未处理订单的预测被拒单概率，具体包括：

获取所述未处理订单的订单信息，根据所述获取的订单信息和预设的被拒单概率模型，计算所述未处理订单各自的被拒单概率。

c8.如c7所述的电子设备，所述被拒单概率模型通过以下方式获得：

获取所述配送区域在多个历史时间段内的历史数据，所述历史数据包括历史订单信息；

根据所述历史数据获取所述配送区域在各所述历史时间段内的多个特征值；

将所述各所述历史时间段内的多个特征值，作为训练数据对被拒单概率模型进行训练，获得所述被拒单概率模型。

c9.如c8所述的电子设备，所述被拒单概率模型，具体为：迭代决策树模型。

c10.如c8所述的电子设备，各所述特征值分别用于表示以下特征：

接单率、差评率、超时率、订单商户特征、骑手特征、天气特征。

本申请实施例还公开了d1.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现a1至a10中任一项所述的区域配送压力的确定方法。