[發(fā)明專利]訂單調(diào)控方法、裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110656684.0
• 申請日: 2021-06-11
• 公開（公告）號: CN113379497A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計(jì)）人: 曾帆
• 申請（專利權(quán)）人: 口碑（上海）信息技術(shù)有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q10/06;G06Q10/04
• 代理公司: 北京中強(qiáng)智尚知識產(chǎn)權(quán)代理有限公司 11448
• 代理人: 黃耀威

本申請公開了一種訂單調(diào)控方法、裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)，涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，通過多種能夠預(yù)測不同類型異常的異常預(yù)測模型，實(shí)現(xiàn)對待調(diào)控區(qū)域中的異常情況進(jìn)行預(yù)測，進(jìn)而確定相關(guān)的目標(biāo)調(diào)控策略進(jìn)行訂單調(diào)控，降低異常情況的發(fā)生可能，實(shí)現(xiàn)了對區(qū)域中訂單分配的提前調(diào)控，使調(diào)控的內(nèi)容更加貼合區(qū)域當(dāng)前的實(shí)際狀況，降低訂單調(diào)控誤判事件的發(fā)生概率，智能性較好。所述方法包括：獲取多個(gè)異常預(yù)測模型；將待調(diào)控區(qū)域的區(qū)域參數(shù)輸入至多個(gè)異常預(yù)測模型，得到待調(diào)控區(qū)域的異常概率集合；根據(jù)異常概率集合，確定目標(biāo)調(diào)控策略，按照目標(biāo)調(diào)控策略對待調(diào)控區(qū)域當(dāng)前產(chǎn)生的待分配訂單進(jìn)行調(diào)控。

技術(shù)領(lǐng)域

本申請涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，特別是涉及一種訂單調(diào)控方法、裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，在多數(shù)服務(wù)性產(chǎn)業(yè)中，用戶對體驗(yàn)度的要求越來越高，使得終端能夠?yàn)橛脩籼峁┑姆?wù)越來越多，比如外賣行業(yè)已經(jīng)成為人們?nèi)粘Ｉ畹闹匾M成部分，讓人們可以足不出戶就享受消費(fèi)和服務(wù)。在現(xiàn)如今的外賣行業(yè)中，為了給用戶提供更加便捷的服務(wù)，很多提供外賣服務(wù)的線上平臺會確定諸如外賣訂單的接起時(shí)長、是否物流責(zé)取消等影響用戶是否會繼續(xù)在線上平臺中下單點(diǎn)外賣的因素，按照這些因素對訂單的處理過程進(jìn)行調(diào)控。

相關(guān)技術(shù)中，線上平臺統(tǒng)計(jì)在歷史過程中某個(gè)城市的超時(shí)、投訴或者未接起的異常訂單，對異常訂單進(jìn)行分析，確定影響該城市訂單的因素，按照確定的因素對該城市訂單的指派、接起等過程進(jìn)行干預(yù)，實(shí)現(xiàn)對訂單的調(diào)控，從而降低該城市中異常訂單的數(shù)量。

在實(shí)現(xiàn)本申請的過程中，申請人發(fā)現(xiàn)相關(guān)技術(shù)至少存在以下問題：

針對城市確定的影響訂單的因素是根據(jù)歷史過程中的異常訂單確定的，但是很有可能隨著城市的發(fā)展，在確定該因素時(shí)，實(shí)際影響城市的因素已經(jīng)發(fā)生改變，導(dǎo)致對訂單的調(diào)控存在誤判的風(fēng)險(xiǎn)，智能性較差。

發(fā)明內(nèi)容

有鑒于此，本申請?zhí)峁┝艘环N訂單調(diào)控方法、裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)，主要目的在于解決目前對訂單的調(diào)控存在誤判的風(fēng)險(xiǎn)，智能性較差的問題。

依據(jù)本申請第一方面，提供了一種訂單調(diào)控方法，該方法包括：

獲取多個(gè)異常預(yù)測模型，所述多個(gè)異常預(yù)測模型通過對多個(gè)不同異常類型的異常訂單的訂單特征進(jìn)行訓(xùn)練得到；

將待調(diào)控區(qū)域的區(qū)域參數(shù)輸入至所述多個(gè)異常預(yù)測模型，得到所述待調(diào)控區(qū)域的異常概率集合，所述異常概率集合包括多個(gè)異常概率，所述多個(gè)異常概率是所述多個(gè)異常預(yù)測模型基于所述區(qū)域參數(shù)預(yù)測得到的；

根據(jù)所述異常概率集合，確定目標(biāo)調(diào)控策略，按照所述目標(biāo)調(diào)控策略對所述待調(diào)控區(qū)域當(dāng)前產(chǎn)生的待分配訂單進(jìn)行調(diào)控。

可選地，所述獲取多個(gè)異常預(yù)測模型，包括：

確定歷史時(shí)間段，統(tǒng)計(jì)在所述歷史時(shí)間段內(nèi)發(fā)生的多個(gè)異常訂單；

讀取所述多個(gè)異常訂單中每個(gè)異常訂單的異常類型，將所述異常類型一致的訂單劃分到同一訂單組，得到多個(gè)異常訂單組；

對于所述多個(gè)異常訂單組中每個(gè)異常訂單組，提取所述異常訂單組包括的全部異常訂單的樣本訂單特征，得到多個(gè)樣本訂單特征，所述樣本訂單特征包括訂單發(fā)生區(qū)域特征參數(shù)、訂單配送特征參數(shù)和訂單信息中的一種或一種以上；

按照所述多個(gè)樣本訂單特征中每個(gè)樣本訂單特征在所述異常訂單組中的發(fā)生概率，對所述多個(gè)樣本訂單特征進(jìn)行訓(xùn)練，構(gòu)建所述異常訂單組的異常預(yù)測模型；

分別對所述每個(gè)異常訂單組進(jìn)行樣本訂單特征提取以及樣本訂單特征訓(xùn)練，得到所述多個(gè)異常訂單組的所述多個(gè)異常預(yù)測模型。

可選地，所述將待調(diào)控區(qū)域的區(qū)域參數(shù)輸入至所述多個(gè)異常預(yù)測模型，得到所述待調(diào)控區(qū)域的異常概率集合，包括：