交付方式判别方法、装置、存储介质及电子设备与流程

1.本公开涉及计算机技术领域，具体地，涉及一种交付方式判别方法、装置、存储介质及电子设备。


背景技术：

2.在外卖配送业务场景中，存在多种交付方式，而不同的交付方式对应的交付难度不同。例如，配送员步行到第七楼完成外卖交付。又例如配送员乘坐电梯上楼完成外卖交付。显然这两种交付方式的交付难度不同。
3.相关技术中，通过gps对配送员进行定位以确定配送员的实时位置。但是利用gps只能定位配送员在二维平面上的坐标，无法确定配送员在三维空间中的位置，并且gps信号在楼宇附近和室内的可靠性较低。因此，目前利用gps技术无法识别配送员具体通过何种方式完成到客阶段的交付。


技术实现要素：

4.本公开的目的是提供一种交付方式判别方法、装置、存储介质及电子设备，以解决相关技术中存在的问题。
5.为了实现上述目的，根据本公开实施例的第一方面，提供一种交付方式判别方法，所述方法包括：
6.获取目标aoi(area of interest，兴趣面，也称感兴趣区域，指地图数据中的区域状的地理实体)内的已完成配送的订单信息，所述订单信息包括所述目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据；
7.将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。
8.可选地，所述wi-fi特征数据包括：所述目标aoi内各订单的wi-fi相似度的平均值，其中，每一订单的所述wi-fi相似度为该订单的第一wi-fi数据列表与第二wi-fi数据列表集合中每一列表的相似度中的最大值；
9.其中，每一订单的所述第一wi-fi数据列表是该订单对应的用户在下单时用户终端扫描得到的，相应地，每一订单的所述第二wi-fi数据列表集合是该订单对应的配送员在配送该订单的过程中配送终端实时扫描得到的列表集合。
10.可选地，每一订单的所述wi-fi相似度的计算公式为：
[0011][0012]
其中，s表征订单的wi-fi相似度，mri表征该订单的所述第二wi-fi数据列表集合中第i时刻的wi-fi数据列表，mu表征该订单的所述第一wi-fi数据列表。
[0013]
可选地，所述wi-fi特征数据还包括：所述目标aoi内各订单的wi-fi到客时长的平均值，以及所述各订单的wi-fi到客时长的中位数；其中，所述wi-fi到客时长为所述用户终端通过wi-fi扫描确定的所述配送终端的到客时间与离客时间之间的差值；和/或，
[0014]
所述wi-fi特征数据还包括：所述目标aoi的入离客wi-fi列表平均长度值、以及该aoi内的所有所述第二wi-fi数据列表集合中存在列表长度变化大于预设阈值的集合个数占比；
[0015]
其中，所述目标aoi的入离客wi-fi列表平均长度值是通过如下方式计算得到的：
[0016]
针对所述目标aoi内的每一订单，将该订单的所述第二wi-fi数据列表集合中的处于所述到客时间与所述离客时间之间的所有列表的长度的均值作为该订单的第一平均值；
[0017]
根据所述目标aoi内的所有订单的所述第一平均值计算得到所述目标aoi的入离客wi-fi列表平均长度值。
[0018]
可选地，所述计步器特征数据包括：所述目标aoi内各订单对应的配送终端在所述到客时间与所述离客时间之间采集到的步数的平均值。
[0019]
可选地，所述aoi特征数据包括：所述目标aoi内各订单的配送楼层的预设分位数、所述各订单中没有配送楼层数的订单占比、所述各订单的配送地址类型以及配送地址中的特征词，其中，所述特征词通过深度学习模型进行提取。
[0020]
可选地，所述交付方式判别模型是通过如下方式训练得到的：
[0021]
获取至少一个aoi内的历史订单的wi-fi特征数据、aoi特征数据、计步器特征数据，其中，每一所述历史订单对应有气压计数据；
[0022]
根据所述气压计数据，对每一所述历史订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据添加用于表征订单交付方式的标签；
[0023]
根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本；
[0024]
根据所述模型训练样本训练得到所述交付方式判别模型。
[0025]
可选地，所述根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本，包括：
[0026]
针对每一aoi内的具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据进行融合得到该aoi的订单交付特征向量，并将所述订单交付特征向量作为所述模型训练样本；
[0027]
所述将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果，包括：
[0028]
根据所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据生成所述目标aoi的所述订单交付特征向量，并将所述目标aoi的所述订单交付特征向量输入所述交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。
[0029]
可选地，所述交付方式判别模型的损失函数为交叉熵损失函数：
[0030][0031]
其中，s
j
是所述订单交付特征向量经过softmax函数映射后的值，用于表征该订单交付特征向量对应的aoi属于第j个交付方式的概率，j的取值范围是1至t，t为大于1的自然数，用于表征交付方式有t种，y
j
表征模型训练样本的标签。
[0032]
可选地，所述方法还包括：
[0033]
在生成新的待配送订单时，根据所述待配送订单的配送地址确定所述待配送订单所属的目标aoi；
[0034]
根据所述待配送订单所属的目标aoi的交付方式确定所述待配送订单的配送参数。
[0035]
可选地，所述方法还包括：
[0036]
在配送员配送所述待配送订单的过程中，检测所述配送员的配送终端的位置信息；
[0037]
响应于通过所述位置信息确定所述配送员到达所述待配送订单所属的目标aoi时，将该目标aoi对应的交付方式通过所述配送终端提示给所述配送员。
[0038]
根据本公开实施例的第二方面，提供一种交付方式判别装置，所述装置包括：
[0039]
获取模块，被配置为用于获取目标aoi内的已完成配送的订单信息，所述订单信息包括所述目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据；
[0040]
输入模块，被配置为用于将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。
[0041]
可选地，所述wi-fi特征数据包括：所述目标aoi内各订单的wi-fi相似度的平均值，其中，每一订单的所述wi-fi相似度为该订单的第一wi-fi数据列表与第二wi-fi数据列表集合中每一列表的相似度中的最大值；
[0042]
其中，每一订单的所述第一wi-fi数据列表是该订单对应的用户在下单时用户终端扫描得到的，相应地，每一订单的所述第二wi-fi数据列表集合是该订单对应的配送员在配送该订单的过程中配送终端实时扫描得到的列表集合。
[0043]
可选地，每一订单的所述wi-fi相似度的计算公式为：
[0044][0045]
其中，s表征订单的wi-fi相似度，mr
i
表征该订单的所述第二wi-fi数据列表集合中第i时刻的wi-fi数据列表，mu表征该订单的所述第一wi-fi数据列表。
[0046]
可选地，所述目标aoi内各订单的wi-fi到客时长的平均值，以及所述各订单的wi-fi到客时长的中位数；其中，所述wi-fi到客时长为所述用户终端通过wi-fi扫描确定的所述配送终端的到客时间与离客时间之间的差值；和/或，
[0047]
所述wi-fi特征数据还包括：所述目标aoi的入离客wi-fi列表平均长度值、以及该aoi内的所有所述第二wi-fi数据列表集合中存在列表长度变化大于预设阈值的集合个数
占比；
[0048]
其中，所述目标aoi的入离客wi-fi列表平均长度值是通过如下方式计算得到的：
[0049]
针对所述目标aoi内的每一订单，将该订单的所述第二wi-fi数据列表集合中的处于所述到客时间与所述离客时间之间的所有列表的长度的均值作为该订单的第一平均值；
[0050]
根据所述目标aoi内的所有订单的所述第一平均值计算得到所述目标aoi的入离客wi-fi列表平均长度值。
[0051]
可选地，所述目标aoi内各订单对应的配送终端在所述到客时间与所述离客时间之间采集到的步数的平均值。
[0052]
可选地，所述aoi特征数据包括：所述目标aoi内各订单的配送楼层的预设分位数、所述各订单中没有配送楼层数的订单占比、所述各订单的配送地址类型以及配送地址中的特征词，其中，所述特征词通过深度学习模型进行提取。
[0053]
可选地，所述交付方式判别模型是通过如下方式训练得到的：
[0054]
获取至少一个aoi内的历史订单的wi-fi特征数据、aoi特征数据、计步器特征数据，其中，每一所述历史订单对应有气压计数据；
[0055]
根据所述气压计数据，对每一所述历史订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据添加用于表征订单交付方式的标签；
[0056]
根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本；
[0057]
根据所述模型训练样本训练得到所述交付方式判别模型。
[0058]
可选地，所述根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本，包括：
[0059]
针对每一aoi内的具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据进行融合得到该aoi的订单交付特征向量，并将所述订单交付特征向量作为所述模型训练样本；
[0060]
所述将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果，包括：
[0061]
根据所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据生成所述目标aoi的所述订单交付特征向量，并将所述目标aoi的所述订单交付特征向量输入所述交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。
[0062]
可选地，所述交付方式判别模型的损失函数为交叉熵损失函数：
[0063][0064]
其中，s
j
是所述订单交付特征向量经过softmax函数映射后的值，用于表征该订单交付特征向量对应的aoi属于第j个交付方式的概率，j的取值范围是1至t，t为大于1的自然数，用于表征交付方式有t种，y
j
表征模型训练样本的标签。
[0065]
可选地，所述装置还包括：
[0066]
第一确定模块，被配置为用于在生成新的待配送订单时，根据所述待配送订单的配送地址确定所述待配送订单所属的目标aoi；
[0067]
第二确定模块，被配置为用于根据所述待配送订单所属的目标aoi的交付方式确定所述待配送订单的配送参数。
[0068]
可选地，所述装置还包括：
[0069]
检测模块，被配置为用于在配送员配送所述待配送订单的过程中，检测所述配送员的配送终端的位置信息；
[0070]
提示模块，被配置为用于响应于通过所述位置信息确定所述配送员到达所述待配送订单所属的目标aoi时，将该目标aoi对应的交付方式通过所述配送终端提示给所述配送员。
[0071]
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中的任一所述方法的步骤。
[0072]
根据本公开实施例的第四方面，提供一种电子设备，包括：
[0073]
存储器，其上存储有计算机程序；
[0074]
处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面中的任一所述方法的步骤。
[0075]
采用上述技术方案，至少能够达到如下技术效果：
[0076]
通过获取目标aoi内的已完成配送的订单信息，所述订单信息包括所述目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据；将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。本领域普通技术人员应当理解的是，同一aoi内的订单的交付方式应当相同。例如，若某一aoi对应无电梯小区，那么配送至该小区的订单均通过步行上楼的方式完成交付。因此，采用本公开的这种方式，根据目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据，可以识别出目标aoi对应的订单交付方式。
[0077]
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0078]
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
[0079]
图1是根据本公开一示例性实施例示出的一种交付方式判别方法的流程图。
[0080]
图2是根据本公开一示例性实施例示出的一种提取特征词的方法示意图。
[0081]
图3是根据本公开一示例性实施例示出的一种训练交付方式判别模型的流程图。
[0082]
图4是根据本公开一示例性实施例示出的一种交付方式判别装置的框图。
[0083]
图5是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
[0084]
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
[0085]
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公开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、本公开的一些方面相一致的装置和方法的例子。
[0086]
在外卖配送业务场景中，存在多种交付方式，而不同的交付方式对应的交付难度不同。例如，配送员步行到第七楼完成外卖交付。又例如配送员乘坐电梯到第七楼完成外卖交付。显然这两种交付方式的交付难度不同。
[0087]
相关技术中，通过gps对配送员进行定位以确定配送员的实时位置。但是利用gps只能定位配送员在二维平面上的坐标，无法确定配送员在三维空间中的位置，并且gps信号在楼宇附近和室内的可靠性较低。因此，目前利用gps技术无法识别配送员具体通过何种方式完成到客阶段的交付。
[0088]
正因为无法识别配送员具体通过何种方式完成到客阶段的交付，所以针对外卖配送费的定价未考量交付方式的难度，从而存在外卖配送费定价不合理的情况。示例地，若配送员步行到第七楼完成外卖交付的配送费和配送员乘坐电梯到第七楼完成外卖交付的配送费一样，那么这显然是不合理的。
[0089]
有鉴于此，本公开实施例提供一种交付方式判别方法、装置、存储介质及电子设备，以实现对配送场景下交付方式的精细化识别。
[0090]
首先，对本公开的应用背景进行说明。
[0091]
本公开的技术方案用于识别交付场景中的具体交付方式。例如，采用本公开的技术方案可以识别外卖配送业务中取货阶段的商家交付方式，也可以识别配送业务中到客阶段的用户交付方式。即是说，本公开的技术方案除了挖掘用户的交付方式以外，还可以用于挖掘商家的交付方式。
[0092]
通过识别交付场景中的具体交付方式，这有利于刻画到客阶段的配送流程并得到精细的配送地址画像，即这有利于aoi交付方式的画像生产。进一步地，若在配送费定价系统中应用aoi交付方式画像数据，则配送费定价系统能够根据具体地订单交付方式和该交付方式对应的配送难度计算出更加合理的配送费。此外，还可以将aoi交付方式画像作为基础数据应用于eta和调度系统等系统中。
[0093]
下面根据本公开实施例具体说明本公开的技术方案。
[0094]
图1是根据本公开一示例性实施例示出的一种交付方式判别方法的流程图，如图1所示，该交付方式判别方法包括：
[0095]
s11、获取目标感兴趣区域aoi内的已完成配送的订单信息，所述订单信息包括所述目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据。
[0096]
其中，aoi(area of interest)即兴趣面，也称信息面或感兴趣区域。aoi指的是地图数据中的区域状的地理实体。获取目标aoi内的订单信息，即是获取配送地址/取餐地址属于该感兴趣区域内的订单信息。
[0097]
本领域普通技术人员应当理解的是，每一订单在完成配送后对应有该订单的wi-fi特征数据、aoi特征数据、计步器特征数据。
[0098]
具体地，每一订单的wi-fi特征数据包括该订单对应的用户在下单时用户终端扫描得到的wi-fi数据，以及该订单的配送员在配送该订单的过程中配送终端实时扫描得到
的wi-fi数据。每一订单的aoi特征数据包括该订单的配送地址信息，例如某小区某单元某楼层某号等。每一订单的计步器特征数据包括该订单的配送员在配送该订单的过程中配送终端采集到的步数信息。
[0099]
所述订单信息包括所述目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据，具体地，所述订单信息包括该目标aoi所有订单的wi-fi特征数据、aoi特征数据、计步器特征数据。其中，应当说明的是，本公开对目标aoi内的订单的数量不做限定。
[0100]
s12、将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。
[0101]
本领域普通技术人员应当理解的是，同一aoi内的订单的交付方式基本相同。例如，若目标aoi对应无电梯小区，那么配送至该小区的订单可能均是通过步行上楼的方式完成交付。再例如，若目标aoi对应禁止外来人员进入的小区，那么配送至该小区的订单可能均通过配送员在该小区门口驻留等待用户取餐的方式完成交付。再例如，若目标aoi对应高端写字楼，那么配送至该写字楼的订单可能均通过配送员乘电梯上楼的方式完成配送。因此，在一种可实现的实施方式中，将目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据输入交付方式判别模型中，可以得到该交付方式判别模型输出的用于表征目标aoi内所有订单对应的一种交付方式的结果。
[0102]
采用本公开的这种方式，根据目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据，可以准确的判断出目标aoi对应的订单交付方式，从而解决相关技术中无法识别配送员具体通过何种方式完成到客阶段的交付的问题。
[0103]
此处应当说明的是，上述方法中的目标aoi除了对应于下单用户所在的感兴趣区域之外，还可以对应于商家所在的感兴趣区域。当上述方法中的目标aoi对应下单用户所在的感兴趣区域时，采用上述方法，可以判断出目标aoi内的订单在到客阶段对应的交付方式。当上述方法中的目标aoi对应商家所在的感兴趣区域时，采用上述方法，可以判断出目标aoi内的订单在取货阶段对应的交付方式。在本公开后续的实施例中，主要以目标aoi为下单用户所在的感兴趣区域为例进行示例性说明。
[0104]
由于采用本公开的上述方法，可以判断出目标aoi对应的订单交付方式。因此，根据大量的不同感兴趣区域内的已完成配送的订单信息，可以确定不同aoi对应的交付方式。而在确定每一aoi对应的交付方式之后，可以在生成新的待配送订单之前或同时确定该待配送订单的交付方式。
[0105]
因此，在一种可实现的实施方式中，所述方法还可以包括以下步骤：
[0106]
在生成新的待配送订单时，根据所述待配送订单的配送地址确定所述待配送订单所属的目标aoi；根据所述待配送订单所属的目标aoi的交付方式确定所述待配送订单的配送参数。
[0107]
其中，配送参数可以为表征配送费、配送难易程度的参数。
[0108]
具体地，在服务器生成新的待配送订单时，根据该待配送订单的配送地址可以确定该待配送订单所属的目标aoi，从而可以确定该待配送订单的交付方式。在确定该待配送订单的交付方式之后，可以根据该交付方式确定该订单的配送难易程度、配送费等相关配送参数。
[0109]
采用这种方法，可以在服务器生成新订单的同时加入该新订单的交付方式信息，从而可以使生成的新订单的配送信息更加完善、合理。例如，采用这种方式，可以更加合理的计算订单配送费。更详细地，例如可以使计算得到的配送员步行到第七楼完成外卖交付的配送费高于配送员乘坐电梯到第七楼完成外卖交付的配送费。
[0110]
在另一种可实现的实施方式中，所述方法还可以包括以下步骤：
[0111]
在配送员配送所述待配送订单的过程中，检测所述配送员的配送终端的位置信息；响应于通过所述位置信息确定所述配送员到达所述待配送订单所属的目标aoi时，将该目标aoi对应的交付方式通过所述配送终端提示给所述配送员。
[0112]
其中，所述交付方式可以为以下任意一者：配送员在目标aoi的配送点驻留等待用户以完成交付、配送员通过步行方式上/下楼完成交付、配送员利用升降装置(例如电梯)上/下楼完成交付。其中配送点可以为该目标aoi的指定配送地点，例如小区西门口、小区东门口等等。
[0113]
具体地，在配送员配送待配送订单的过程中，通过该配送员的移动终端gps检测该配送终端的位置信息。在通过该位置信息确定该配送员到达该待配送订单所属的目标aoi区域时，将该目标aoi对应的交付方式通过该配送终端提示给该配送员。例如，可以以语音的方式提示该配送员该待配送订单需要配送员在该目标aoi的西门门口驻留等待用户取货以完成订单交付。再例如，也可以在配送终端上显示文字信息提示该配送员该待配送订单需要配送员步行上楼以完成订单交付。
[0114]
采用这种方式，当配送员到达待配送订单所属的目标aoi区域时，可以提示该配送员该待配送订单的交付方式，方便配送员按照该交付方式及时的完成订单交付。
[0115]
一种可实现的实施方式，在将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入到交付方式判别模型之前，所述方法还可以包括：针对所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据进行数据清洗，以去掉异常数据。
[0116]
其中，异常数据包括缺失数据、信息解析异常的数据以及缓存数据等。示例地，若在配送员配送订单的过程中，某一时间段内配送终端没有扫描到wifi数据，则认为该时段内的wifi数据缺失。再示例地，相关技术中，配送终端每间隔15秒扫描一次周围的wi-fi信号，若第n次扫描到的wi-fi的mac地址和强度与第n-1次扫描到的wi-fi的mac地址和强度均相同，则认为第n次扫描到的wi-fi数据为缓存数据。再示例地，若解析配送地址时，解析得到的楼层信息为空值或者解析出的楼层数不符合常理，则认为该解析数据异常。
[0117]
将去掉异常数据的wi-fi特征数据、aoi特征数据、计步器特征数据输入到交付方式判别模型中，可以使得该交付方式判别模型输出的结果更加准确。
[0118]
可选地，所述wi-fi特征数据包括：所述目标aoi内各订单的wi-fi相似度的平均值，其中，每一订单的所述wi-fi相似度为该订单的第一wi-fi数据列表与第二wi-fi数据列表集合中每一列表的相似度中的最大值；每一订单的所述第一wi-fi数据列表是该订单对应的用户在下单时用户终端扫描得到的，相应地，每一订单的所述第二wi-fi数据列表集合是该订单对应的配送员在配送该订单的过程中配送终端实时扫描得到的列表集合。
[0119]
不难理解的是，目前社会中，wi-fi应用广泛，几乎覆盖了城市的每一个角落。当用户下单时，其使用的用户终端能够扫描到附近有效范围内的所有wi-fi的mac地址以及对应
的强度信息，从而可以得到上述的第一wi-fi数据列表。相应地，配送员在配送每一订单的过程中配送终端可以实时扫描配送路径上的wi-fi信号，从而可以得到上述的第二wi-fi数据列表集合。其中，wi-fi数据列表具体可以是wi-fi mac地址列表。
[0120]
针对每一订单，根据该订单的第一wi-fi数据列表与第二wi-fi数据列表集合可以得到该订单的wi-fi相似度。在一种可实现的实施方式中，通过如下公式计算得到该订单的wi-fi相似度：
[0121][0122]
其中，s表征该订单的wi-fi相似度，mr
i
表征该订单的所述第二wi-fi数据列表集合中第i时刻的wi-fi数据列表，mu表征该订单的所述第一wi-fi数据列表，||||运算符表征求列表的长度值，具体可以是求列表中有多少个wi-fi mac地址。
[0123]
示例地，若订单的第一wi-fi数据列表为a列表，第二wi-fi数据列表集合为[b、c、d]，那么可以先计算a列表和b列表的交集的长度值，将该长度值作为被除数除以b列表的长度值以得到a列表与b列表的相似度。同理，计算得到a列表与c列表的相似度，以及计算得到a列表与d列表的相似度。接着将得到的三个相似度中最大的值作为该订单的wi-fi相似度。
[0124]
当计算得到目标aoi内各订单的wi-fi相似度之后，根据该目标aoi内各订单的wi-fi相似度以及该目标aoi内的订单数量可以得到该目标aoi内各订单的wi-fi相似度的平均值。
[0125]
不难理解的是，当第一wi-fi数据列表与第二wi-fi数据列表集合中的某一列表基本相同时，表征了配送员将订单物品配送到用户下单时所在的位置，即配送到家。因此，每一订单的wi-fi相似度值的大小，可以用于预估配送员是到家配送，还是在小区门口等位置驻留等待用户取货。相应地，根据目标aoi内各订单的wi-fi相似度的平均值，可以预估该目标aoi的交付方式。
[0126]
可选地，所述wi-fi特征数据还包括：所述目标aoi内各订单的wi-fi到客时长的平均值，以及所述各订单的wi-fi到客时长的中位数；其中，所述wi-fi到客时长为所述用户终端通过wi-fi扫描确定的所述配送终端的到客时间与离客时间之间的差值。
[0127]
一种可实现的实施方式，可以通过用户终端实时扫描配送终端的无线信号以确定配送终端的到客时间与离客时间。同理地，也可以通过配送终端实时扫描用户终端的无线信号以确定配送终端的到客时间与离客时间。具体地实施方式，与相关技术中的基于wi-fi信号确定配送员到店时间和离店时间的方法相类似，此处不再详细描述。
[0128]
针对每一订单，基于wi-fi信号确定配送终端的到客时间与离客时间之后，可以进一步地确定该订单的wi-fi到客时长。根据目标aoi内各订单的wi-fi到客时长，以及该aoi内的订单数量可以确定该目标aoi内各订单的wi-fi到客时长的平均值，以及该目标aoi内各订单的wi-fi到客时长的中位数。示例地，假设目标aoi内各订单的wi-fi到客时长分别为13分钟、12分钟、10分钟、7分钟、6分钟，那么可以得到该目标aoi内各订单的wi-fi到客时长的平均值为9.6分钟，该目标aoi内各订单的wi-fi到客时长的中位数为10分钟。
[0129]
不难理解的是，不同的交付方式，其对应的交付难度不同，进而配送员在交付阶段
所花费的时间不同。例如，电梯上楼交付方式所花费的时间比步行上楼交付方式所花费的时间更少。因此，根据目标aoi内各订单的wi-fi到客时长的平均值，以及各订单的wi-fi到客时长的中位数，可以确定配送员在该aoi内的交付阶段所花费的时间，而基于该花费的时间可以粗略估计配送员针对该aoi内的订单的交付方式。
[0130]
可选地，所述wi-fi特征数据还包括：所述目标aoi的入离客wi-fi列表平均长度值、以及该aoi内的所有所述第二wi-fi数据列表集合中存在列表长度变化大于预设阈值的集合个数占比；
[0131]
其中，所述目标aoi的入离客wi-fi列表平均长度值是通过如下方式计算得到的：
[0132]
针对所述目标aoi内的每一订单，将该订单的所述第二wi-fi数据列表集合中的处于所述到客时间与所述离客时间之间的所有列表的长度的均值作为该订单的第一平均值；根据所述目标aoi内的所有订单的所述第一平均值计算得到所述目标aoi的入离客wi-fi列表平均长度值。
[0133]
示例地，假设某一订单的第二wi-fi数据列表集合为[v、w、x、y、z]，且该第二wi-fi数据列表集合中的处于该订单的到客时间与离客时间之间的所有列表为[x、y、z]，那么该订单的第一平均值为x列表、y列表、z列表的长度的平均值。若x列表长度为22，y列表长度为20、z列表长度为18，那么该订单的第一平均值为20。进一步地，根据目标aoi内的所有订单的所述第一平均值计算得到所述目标aoi的入离客wi-fi列表平均长度值。示例地，假设该目标aoi内各订单的第一平均值分别为20、15、17、18，那么该目标aoi的入离客wi-fi列表平均长度值分别为17.5。
[0134]
目标aoi内的所有所述第二wi-fi数据列表集合中存在列表长度变化大于预设阈值的集合个数占比。其中，预设阈值根据实际需求进行设置，例如预设阈值可以被设置为80％。详细地，针对目标aoi内的每一订单，若该订单的第二wi-fi数据列表集合中第n时刻的wi-fi列表长度比第n-1时刻的wi-fi列表长度大80％，则认为该第二wi-fi数据列表集合存在列表长度突变的情况。进一步地，通过上述方式可以确定该目标aoi内的所有订单的第二wi-fi数据列表集合中存在列表长度突变的集合个数占比。
[0135]
应当说明的是，造成第二wi-fi数据列表集合中存在列表长度突变的情况的原因是，配送员在配送过程中可能经过电梯、楼梯、地下室等信号微弱或无信号的区域。因此，通过确定目标aoi内的所有第二wi-fi数据列表集合中存在列表长度变化大于预设阈值的集合个数占比，可以估计配送员在该aoi内进行订单交付时是否经过电梯等区域，如此可以进一步确定该aoi内的订单交付方式。
[0136]
可选地，所述计步器特征数据包括：所述目标aoi内各订单对应的配送终端在所述到客时间与所述离客时间之间采集到的步数的平均值。
[0137]
应当理解的是，不同的交付方式，其对应的配送员在交付阶段所走的步数具有很大的差异。例如，配送员在小区门口等待用户取餐的交付方式所产生的步数明显少于配送员步行上楼完成交付的方式所产生的步数。因此，根据目标aoi内各订单对应的配送终端在所述到客时间与所述离客时间之间采集到的步数的平均值，可以确定该目标aoi内的各订单的交付方式。
[0138]
可选地，所述aoi特征数据包括：所述目标aoi内各订单的配送楼层的预设分位数、所述各订单中没有配送楼层数的订单占比、所述各订单的配送地址类型以及配送地址中的
特征词，其中，所述特征词通过深度学习模型进行提取。
[0139]
应当说明的是所述目标aoi内各订单的配送地址中包括该目标aoi的名称，例如，若订单的配送地址为阳光小区二栋四单元506号，那么该订单对应地aoi名称可以为阳光小区。
[0140]
其中，上述预设分位数可以被设置成0.8分位数。根据目标aoi内各订单的配送楼层的预设分位数，可以估计该aoi内的楼宇层数。例如，若目标aoi内各订单的配送楼层的0.8分位数为3，那么基本可以确定该目标aoi内的楼宇为底层楼房，而低层楼房很可能不具备电梯等设备。
[0141]
进一步地，根据目标aoi内各订单中没有配送楼层数的订单占比，可以确定该目标aoi区域是否为禁止外来人员进入的区域。不难理解的是，当订单中的配送地址不包括详细的楼层数，房间号等信息时，说明该订单对应的配送区域很可能不允许配送员进入。进一步地，针对这类不允许配送员进入的区域，这类区域内的订单的交付方式很大可能性为驻留等待用户取餐的方式。
[0142]
再进一步地，aoi特征数据还可以包括各订单的配送地址类型以及配送地址中的特征词，其中，特征词通过深度学习模型进行提取。
[0143]
其中，配送地址类型包括住宅区类型、机关单位类型、娱乐场所类型、医疗单位类型、企业&写字楼类型、酒店类型、学校类型、商铺类型等等。应当理解的是，不同类型的配送地址，其对到客阶段的交付方式有不同的限制。例如，机关单位以及学校等区域可能不允许配送员进入。而住宅区以及娱乐场所等区域可能允许配送员进入。
[0144]
配送地址中的特征词包括学院、校区、职业、有限公司、大学、科技、技术、新村、社区、家属院、街、号、号院、里、国际、广场、店、大酒店、期等等。值得说明的是，配送地址中包括目标aoi的名称，而配送地址中的特征词正是从目标aoi的名称中提取得到的。
[0145]
随着社会的发展，对新建筑的命名有着一定的风格变化。因此，根据配送地址中的特征词可以估计该配送地址对应的建筑物的建成年代信息，而根据建筑物的建成年代信息可以估计该建筑区域是否具备电梯等设备，进一步地，可以估计该建筑对应的aoi区域的交付方式类型。一种可实现的实施方式，通过图2所示的方式对配送地址中的特征词进行提取。将订单对应的配送地址(aoi名称)进行char embedding编码转化为向量，然后输入lstm(long short-term memory)模型中进行特征词提取，得到特征词向量。示例地，假设特征词包含学院、校区、职业、有限公司、大学、科技、技术、新村、社区、家属院、街、号、号院、里、国际、广场、店、大酒店、期。那么可以用一个19维的0-1向量表征aoi名称中的特征词，具体地，将aoi名称中出现的上述特征词的对应位置标为1，未出的特征词对应位置标为0，从而得到表征该aoi名称中的特征词的19维的0-1向量。
[0146]
可选地，参见图3，所述交付方式判别模型是通过如下方式训练得到的：
[0147]
s31、获取至少一个aoi内的历史订单的wi-fi特征数据、aoi特征数据、计步器特征数据，其中，每一所述历史订单对应有气压计数据；
[0148]
s32、根据所述气压计数据，对每一所述历史订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据添加用于表征订单交付方式的标签；
[0149]
s33、根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本；
[0150]
s34、根据所述模型训练样本训练得到所述交付方式判别模型。
[0151]
相关技术中，在部分配送员的配送终端上配置有气压传感器，具有气压传感器的配送终端能够在配送员配送订单的过程中获取气压计数据。根据气压计数据可以区分配送员的运动状态。具体地，根据配送员在配送过程中的气压方差大小和气压变化速率可以区分出配送员的运动状态为驻留状态、步行上楼状态或者乘坐电梯等状态。
[0152]
但是，具有气压传感器的配送终端覆盖率不足百分之五，并且，为每一个配送终端配置气压传感器成本会很高。因此，在本公开中，利用少量的具有气压计数据的历史订单信息作为训练样本数据对交付方式判别模型进行训练。详细地，获取至少一个aoi内的历史订单的wi-fi特征数据、aoi特征数据、计步器特征数据，其中，每一所述历史订单对应有气压计数据；根据所述气压计数据，对每一所述历史订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据添加用于表征订单交付方式的标签；根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本；根据所述模型训练样本训练得到所述交付方式判别模型。
[0153]
而根据少量的具有气压计数据的历史订单信息训练得到的交付方式判别模型，可以对大量的不具备气压计数据的历史订单信息进行判别，以得到大量aoi对应的交付方式。这种方式，无需每一配送员的配送终端上配置气压计传感器，大大降低了识别订单交付方式的成本。
[0154]
可选地，所述根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本，包括：
[0155]
针对每一aoi内的具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据进行融合得到该aoi的订单交付特征向量，并将所述订单交付特征向量作为所述模型训练样本；
[0156]
所述将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果，包括：
[0157]
根据所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据生成所述目标aoi的所述订单交付特征向量，并将所述目标aoi的所述订单交付特征向量输入所述交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。
[0158]
采用这种方式，针对每一aoi内的具有用于表征交付方式标签的wi-fi特征数据、aoi特征数据、计步器特征数据进行融合得到该aoi的订单交付特征向量，得到的该aoi的订单交付特征向量也具有用于表征交付方式的标签，将具有标签的订单交付特征向量作为模型训练样本对上述交付方式判别模型进行监督学习训练，可以得到训练后的交付方式判别模型。
[0159]
可选地，所述交付方式判别模型的损失函数为交叉熵损失函数：
[0160][0161]
其中，s
j
是所述订单交付特征向量经过softmax函数映射后的值，用于表征该订单
交付特征向量对应的aoi属于第j个交付方式的概率，j的取值范围是1至t，t为大于1的自然数，用于表征交付方式有t种，y
j
表征模型训练样本的标签。
[0162]
采用上述方法，通过少量的具有气压计数据的订单信息训练得到上述交付方式判别模型，根据训练好的交付方式判别模型对大量的不具有气压计数据的订单信息进行分区域的交付方式判别，从而得到每一aoi区域对应的交付方式。当确定每一aoi对应的交付方式之后，可以将每一aoi对应的交付方式作为基础数据应用于配送费定价系统、eta和调度系统中。一种可实现的实施方式，在生成新的订单时，根据订单的配送地址对应的aoi可以确定该订单的交付方式，进一步地，配送费定价系统根据该订单的交付方式可以更加合理的生成该订单的配送费，从而提升配送员体验。
[0163]
基于同一发明构思，本公开实施例还提供一种交付方式判别装置，如图4所示，该装置400包括：
[0164]
获取模块410，被配置为用于获取目标aoi内的已完成配送的订单信息，所述订单信息包括所述目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据；
[0165]
输入模块420，被配置为用于将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。
[0166]
采用这种装置，通过获取目标aoi内的订单信息，所述订单信息包括所述目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据；将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。因此，采用本公开的这种方式，根据目标aoi内各订单的wi-fi特征数据、aoi特征数据、计步器特征数据，可以识别出目标aoi对应的订单交付方式，从而解决相关技术中无法识别配送员具体通过何种方式完成到客阶段的交付的问题。
[0167]
可选地，所述wi-fi特征数据包括：所述目标aoi内各订单的wi-fi相似度的平均值，其中，每一订单的所述wi-fi相似度为该订单的第一wi-fi数据列表与第二wi-fi数据列表集合中每一列表的相似度中的最大值；
[0168]
其中，每一订单的所述第一wi-fi数据列表是该订单对应的用户在下单时用户终端扫描得到的，相应地，每一订单的所述第二wi-fi数据列表集合是该订单对应的配送员在配送该订单的过程中配送终端实时扫描得到的列表集合。
[0169]
可选地，每一订单的所述wi-fi相似度的计算公式为：
[0170][0171]
其中，s表征订单的wi-fi相似度，mr
i
表征该订单的所述第二wi-fi数据列表集合中第i时刻的wi-fi数据列表，mu表征该订单的所述第一wi-fi数据列表。
[0172]
可选地，所述目标aoi内各订单的wi-fi到客时长的平均值，以及所述各订单的wi-fi到客时长的中位数；其中，所述wi-fi到客时长为所述用户终端通过wi-fi扫描确定的所述配送终端的到客时间与离客时间之间的差值；和/或，
[0173]
所述wi-fi特征数据还包括：所述目标aoi的入离客wi-fi列表平均长度值、以及该aoi内的所有所述第二wi-fi数据列表集合中存在列表长度变化大于预设阈值的集合个数占比；
[0174]
其中，所述目标aoi的入离客wi-fi列表平均长度值是通过如下方式计算得到的：
[0175]
针对所述目标aoi内的每一订单，将该订单的所述第二wi-fi数据列表集合中的处于所述到客时间与所述离客时间之间的所有列表的长度的均值作为该订单的第一平均值；
[0176]
根据所述目标aoi内的所有订单的所述第一平均值计算得到所述目标aoi的入离客wi-fi列表平均长度值。
[0177]
可选地，所述目标aoi内各订单对应的配送终端在所述到客时间与所述离客时间之间采集到的步数的平均值。
[0178]
可选地，所述aoi特征数据包括：所述目标aoi内各订单的配送楼层的预设分位数、所述各订单中没有配送楼层数的订单占比、所述各订单的配送地址类型以及配送地址中的特征词，其中，所述特征词通过深度学习模型进行提取。
[0179]
可选地，所述交付方式判别模型是通过如下方式训练得到的：
[0180]
获取至少一个aoi内的历史订单的wi-fi特征数据、aoi特征数据、计步器特征数据，其中，每一所述历史订单对应有气压计数据；
[0181]
根据所述气压计数据，对每一所述历史订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据添加用于表征订单交付方式的标签；
[0182]
根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本；
[0183]
根据所述模型训练样本训练得到所述交付方式判别模型。
[0184]
可选地，所述根据具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据构建模型训练样本，包括：
[0185]
针对每一aoi内的具有所述标签的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据进行融合得到该aoi的订单交付特征向量，并将所述订单交付特征向量作为所述模型训练样本；
[0186]
所述将所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据输入交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果，包括：
[0187]
根据所述目标aoi内各订单的所述wi-fi特征数据、所述aoi特征数据、所述计步器特征数据生成所述目标aoi的所述订单交付特征向量，并将所述目标aoi的所述订单交付特征向量输入所述交付方式判别模型中，得到所述交付方式判别模型输出的用于表征所述目标aoi的交付方式的结果。
[0188]
可选地，所述交付方式判别模型的损失函数为交叉熵损失函数：
[0189][0190]
其中，s
j
是所述订单交付特征向量经过softmax函数映射后的值，用于表征该订单交付特征向量对应的aoi属于第j个交付方式的概率，j的取值范围是1至t，t为大于1的自然
数，用于表征交付方式有t种，y
j
表征模型训练样本的标签。
[0191]
可选地，所述装置400还包括：
[0192]
第一确定模块，被配置为用于在生成新的待配送订单时，根据所述待配送订单的配送地址确定所述待配送订单所属的目标aoi；
[0193]
第二确定模块，被配置为用于根据所述待配送订单所属的目标aoi的交付方式确定所述待配送订单的配送参数。
[0194]
可选地，所述装置400还包括：
[0195]
检测模块，被配置为用于在配送员配送所述待配送订单的过程中，检测所述配送员的配送终端的位置信息；
[0196]
提示模块，被配置为用于响应于通过所述位置信息确定所述配送员到达所述待配送订单所属的目标aoi时，将该目标aoi对应的交付方式通过所述配送终端提示给所述配送员。
[0197]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0198]
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的交付方式判别方法。
[0199]
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
，linux
tm
等等。
[0200]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的交付方式判别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的交付方式判别方法。
[0201]
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的交付方式判别方法的代码部分。
[0202]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0203]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0204]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。