配送订单量的调整方法、装置、存储介质及电子设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114066118A(43)申请公布日2022.02.18(21)申请号202010779983.9(22)申请日2020.08.05(71)申请人北京三快在线科技有限公司地址100190北京市海淀区北四环西路9号2106-030(72)发明人谭学垒钟建州其他发明人请求不公开姓名(74)专利代理机构北京英创嘉友知识产权代理事务所(普通合伙)11447代理人曾尧(51)Int.Cl.G06Q10/06(2012.01)G06Q10/08(2012.01)G06N3/04(2006.01)权利要求书2页说明书14页附图3页(54)发明名称配送订单量的调整方法、装置、存储介质及电子设备(57)摘要本公开涉及一种配送订单量的调整方法、装置、存储介质及电子设备，所述方法包括：响应于接收到配送订单量调整指令，获取区域配送员的配送特征信息以及对应所述配送员的激励配置信息；将所述配送特征信息以及所述激励配置信息输入到单量预测模型中，得到所述单量预测模型输出的所述配送员在对应的激励措施下的订单量信息；若第二订单量与第一订单量的差值达到目标阈值，则将所述激励配置信息作为目标激励配置信息；根据所述目标激励配置信息对所述区域的配送订单量进行调整。由此，可以基于所述第一订单量和第二订单量确定目标激励配置信息，并根据所述目标激励配置信息对所述区域的配送订单量进行调整，从而解决配送运力不足的问题。CN114066118ACN114066118A权利要求书1/2页1.一种配送订单量的调整方法，其特征在于，所述方法包括：响应于接收到配送订单量调整指令，获取区域配送员的配送特征信息以及对应所述配送员的激励配置信息；将所述配送特征信息以及所述激励配置信息输入到单量预测模型中，得到所述单量预测模型输出的所述配送员在对应的激励措施下的订单量信息；其中，所述单量预测模型包括用于基于所述配送特征信息预测所述配送员在无激励措施下的第一订单量的第一神经网络层，以及用于基于所述第一订单量与所述激励配置信息预测所述配送员在对应的激励措施下的第二订单量的第二神经网络层；若所述第二订单量与所述第一订单量的差值达到目标阈值，则将所述激励配置信息作为目标激励配置信息；根据所述目标激励配置信息对所述区域的配送订单量进行调整。2.根据权利要求1所述的方法，其特征在于，所述单量预测模型在训练过程中，针对所述第二神经网络层设置有约束条件，所述约束条件用于使得所述第二神经网络层输出的所述第二订单量不小于所述第一神经网络层输出的所述第一订单量。3.根据权利要求1所述的方法，其特征在于，通过如下方式获得所述单量预测模型：获取配送员的历史信息，所述历史信息包括对应具有激励措施的配送员的历史配送信息以及历史激励信息，以及对应不具有激励措施的配送员的历史配送信息，所述历史配送信息包括配送员完成的历史订单量；根据所述历史信息构建模型训练样本，所述训练样本包括第一类样本、第二类样本以及第三类样本，所述第一类样本为对应不具有激励措施的配送员的样本，所述第二类样本为对应具有激励措施且未获得奖励的配送员的样本，所述第三类样本为对应具有激励措施且得到奖励的配送员的样本；根据所述训练样本训练得到所述单量预测模型。4.根据权利要求3所述的方法，其特征在于，所述单量预测模型的损失函数包括第一损失函数、第二损失函数、第三损失函数中的至少一者；所述第一损失函数用于限定所述第一类样本的真实值和预测值的绝对平均误差最小；所述第二损失函数用于限定所述第二类样本的真实值和预测值的绝对平均误差最小；所述第三损失函数用于限定所述第三类样本的真实值和预测值的绝对平均误差最小。5.根据权利要求4所述的方法，其特征在于，所述单量预测模型的损失函数为：其中，loss1为所述第一损失函数，loss2为所述第二损失函数，loss3为所述第三损失函数，MAE为绝对平均误差，label1为对应于所述第一类样本的配送员完成的历史订单量，label2为对应于所述第二类样本的配送员完成的历史订单量，label3为对应于所述第三类样本的配送员完成的历史订单量，y为所述单量预测模型输出的对应的配送员的订单量，μ为搜索参数，reduce_mean()为激励损失，threshold1为所述激励配置信息中获得最低奖励值所需的第一单量阈值，threshold_act为所述激励配置信息中获得最高奖励值所需的第二单量阈值。2CN114066118A权利要求书2/2页6.根据权利要求3-5中任一项所述的方法，其特征在于，所述根据所述历史信息构建模型训练样本，包括：对于具有激励措施的配送员的历史配送信息以及历史激励信息，构造新的激励信息；其中，针对所述第二类样本，该新的激励信息的获奖阈值大于该历史激励信息