确定预估配送时长的方法、装置、设备和存储介质与流程

1.本技术涉及互联网技术领域，特别涉及一种确定预估配送时长的方法、装置、设备和存储介质。


背景技术：

2.随着网络信息的发展，物流配送业务对人们生活的影响越来越重。物流配送业务可以是外卖业务、快递业务、闪送业务，等等。用户在物流配送业务平台的应用程序中选择相应的配送服务时，该平台的应用程序会向用户显示完成配送所需要的预估配送时长，同时安排配送员完成配送。
3.当前，预估配送时长主要是根据发货地到收货地之间的配送路程计算得到的。
4.实际上，从用户下单到配送员将商品或货物配送至收货地的过程，可以分为多个环节。例如，用户在某外卖平台的应用程序中购买商家a的餐品后，可以分为骑手接受配送任务、骑手到达商家a的店铺、骑手取到餐品、骑手从店铺前往目的地这四个环节。因此，通过配送路程确定预估配送时长的方法，仅仅是确定了整个配送过程中的一个环节所需要的时长，没有考虑到整个配送过程中其他环节所需要的时长，导致确定出的预估配送时长不准确。


技术实现要素：

5.本技术实施例提供了一种确定预估配送时长的方法、装置、设备和存储介质，能够解决现有技术中预估配送时长不准确的问题。技术方案如下：
6.第一方面，提供了一种确定预估配送时长的方法，所述方法包括：
7.获取时长预估参考信息，其中，时长预估参考信息包括配送订单信息、配送订单信息对应的环境信息和配送员分布信息；
8.基于特征提取模型，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的特征信息；
9.将特征信息分别输入多个配送阶段对应的时长预估模型，得到每个配送阶段对应的阶段时长；
10.基于每个配送阶段对应的阶段时长，确定预估配送时长。
11.在一种可能的实现方式中，多个配送阶段包括从用户下单至配送员接单的阶段、从配送员接单至配送员到达发货地的阶段、从配送员到达发货地至配送员取到货物的阶段、从配送员取到货物至配送员到达收货地的阶段。
12.在一种可能的实现方式中，配送订单信息包括发货方名称、货物名称、货物数量、货物单价、用户实际支付金额、配送费用、发货地位置信息和收货地位置信息中的至少一种；
13.环境信息包括天气信息、交通信息中的至少一种；
14.配送员分布信息包括与发货地的距离不超过距离阈值的配送员的数量、与发货地
的距离不超过距离阈值的配送员的位置信息中的至少一种。
15.在一种可能的实现方式中，特征提取模型包括第一特征提取模块和第二特征提取模块，第一特征提取模块和第二特征提取模块是不同算法的机器学习网络；
16.基于特征提取模型，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的特征信息，包括：
17.基于第一特征提取模块，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的第一子特征信息；
18.基于第二特征提取模块，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的第二子特征信息；
19.基于第一子特征信息和第二子特征信息，确定时长预估参考信息对应的特征信息。
20.在一种可能的实现方式中，基于第一特征提取模块，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的第一子特征信息，包括：
21.基于时长预估参考信息中的数值型参数和非数值型参数，确定第一参数向量；
22.将第一参数向量输入第一特征提取模块，得到时长预估参考信息对应的第一子特征信息；
23.基于第二特征提取模块，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的第二子特征信息，包括：
24.对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型参数；
25.基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
26.将第二参数向量输入第二特征提取模块，得到时长预估参考信息对应的第二子特征信息。
27.在一种可能的实现方式中，基于每个配送阶段对应的阶段时长，确定预估配送时长，包括：
28.基于时长预估参考信息和权重计算模型，确定每个配送阶段对应的权重；
29.基于每个配送阶段对应的阶段时长和权重，确定预估配送时长。
30.在一种可能的实现方式中，基于时长预估参考信息和权重计算模型，确定每个配送阶段对应的权重，包括：
31.对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型参数；
32.基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
33.将第二参数向量输入权重计算模型，得到每个配送阶段对应的权重。
34.在一种可能的实现方式中，基于每个配送阶段对应的阶段时长，确定预估配送时长，包括：
35.基于时长预估参考信息和修正补时计算模型，确定修正补时时长；
36.基于修正补时时长和每个配送阶段对应的阶段时长，确定预估配送时长。
37.在一种可能的实现方式中，基于时长预估参考信息和修正补时计算模型，确定修正补时时长，包括：
38.对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型参数；
39.基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
40.将第二参数向量输入修正补时计算模型，确定修正补时时长。
41.第二方面，提供一种确定预估配送时长的装置，所述装置包括：
42.获取模块，用于获取时长预估参考信息，其中，时长预估参考信息包括配送订单信息、配送订单信息对应的环境信息和配送员分布信息；
43.特征提取模块，用于基于特征提取模型，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的特征信息；
44.阶段时长预估模块，用于将特征信息分别输入多个配送阶段对应的时长预估模型，得到每个配送阶段对应的阶段时长；
45.确定模块，用于基于每个配送阶段对应的阶段时长，确定预估配送时长。
46.在一种可能的实现方式中，多个配送阶段包括从用户下单至配送员接单的阶段、从配送员接单至配送员到达发货地的阶段、从配送员到达发货地至配送员取到货物的阶段、从配送员取到货物至配送员到达收货地的阶段。
47.在一种可能的实现方式中，配送订单信息包括发货方名称、货物名称、货物数量、货物单价、用户实际支付金额、配送费用、发货地位置信息和收货地位置信息中的至少一种；
48.环境信息包括天气信息、交通信息中的至少一种；
49.配送员分布信息包括与发货地的距离不超过距离阈值的配送员的数量、与发货地的距离不超过距离阈值的配送员的位置信息中的至少一种。
50.在一种可能的实现方式中，特征提取模型包括第一特征提取模块和第二特征提取模块，第一特征提取模块和第二特征提取模块是不同算法的机器学习网络；
51.所述特征提取模块，用于：
52.基于第一特征提取模块，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的第一子特征信息；
53.基于第二特征提取模块，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的第二子特征信息；
54.基于第一子特征信息和第二子特征信息，确定时长预估参考信息对应的特征信息。
55.在一种可能的实现方式中，所述特征提取模块，用于：
56.基于时长预估参考信息中的数值型参数和非数值型参数，确定第一参数向量；
57.将第一参数向量输入第一特征提取模块，得到时长预估参考信息对应的第一子特征信息；
58.所述特征提取模块，用于：
59.对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型
参数；
60.基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
61.将第二参数向量输入第二特征提取模块，得到时长预估参考信息对应的第二子特征信息。
62.在一种可能的实现方式中，所述确定模块，用于：
63.基于时长预估参考信息和权重计算模型，确定每个配送阶段对应的权重；
64.基于每个配送阶段对应的阶段时长和权重，确定预估配送时长。
65.在一种可能的实现方式中，所述确定模块，用于：
66.对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型参数；
67.基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
68.将第二参数向量输入权重计算模型，得到每个配送阶段对应的权重。
69.在一种可能的实现方式中，所述确定模块，用于：
70.基于时长预估参考信息和修正补时计算模型，确定修正补时时长；
71.基于修正补时时长和每个配送阶段对应的阶段时长，确定预估配送时长。
72.在一种可能的实现方式中，所述确定模块，用于：
73.对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型参数；
74.基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
75.将第二参数向量输入修正补时计算模型，确定修正补时时长。
76.第三方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，存储器中存储有至少一条指令，指令由处理器加载并执行以实现确定预估配送时长的方法所执行的操作。
77.第四方面，提供了一种计算机可读存储介质，存储介质中存储有至少一条指令，指令由处理器加载并执行以实现确定预估配送时长的方法所执行的操作。
78.第五方面，提供了一种计算机程序产品，计算机程序产品包括计算机程序代码，在计算机程序代码被计算机设备执行时，计算机设备执行上述第一方面及其可能的实现方式的方法。
79.本技术实施例提供的技术方案带来的有益效果是：
80.本技术实施例中提到的方案，可以获取配送订单信息、配送订单信息对应的环境信息和配送员分布信息，并对上述信息进行特征提取。根据提取出的多个特征信息，可以确定出整个配送过程中的每个配送阶段所需要的阶段时长，进一步，可以确定出预估配送时间。相比于仅根据配送路程确定配送时长的方法来说，本技术提供的确定预估配送时长的方法，全面地考虑了整个配送过程中的各个阶段对应的时间消耗，而且考虑了多种对配送时长可能产生影响的因素，这样，可以更加准确地确定出预估配送时长。
附图说明
81.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
82.图1是本技术实施例提供的一种确定预估配送时长的方法流程图；
83.图2是本技术实施例提供的一种配送订单信息的示意图；
84.图3是本技术实施例提供的一种配送员分布信息的示意图；
85.图4是本技术实施例提供的一种确定预估配送时长的方法流程图；
86.图5是本技术实施例提供的一种确定预估配送时长的方法流程图；
87.图6是本技术实施例提供的一种确定预估配送时长的方法流程图；
88.图7是本技术实施例提供的一种确定预估配送时长的装置的结构示意图；
89.图8是本技术实施例提供的一种计算机设备的结构框图。
具体实施方式
90.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
91.本技术实施例提供的确定预估配送时长的方法，可以应用于物流配送平台对于物流配送业务的管理中，具体的，可以用于确定物流配送业务的预估配送时长。物流配送平台可以是提供物流配送业务的平台，例如，外卖平台、快递平台、闪送平台，等等。用户在物流配送平台的应用程序中选择相应的配送业务时，可以看到该配送业务对应的预估配送时长，例如，用户在某外卖平台的应用程序中选择想要购买的商品后，该外卖平台会通过应用程序向用户显示完成该配送业务所需要的预估配送时长。
92.接下来，本技术实施例以外卖平台对应的配送业务为例，对本技术提供的确定预估配送时长的方法进行详细说明，其他物流配送业务与之类似，本技术实施例不再赘述。
93.本技术实施例提供了一种确定预估配送时长的方法，该方法的执行主体可以是服务器。该服务器可以包括处理器、存储器和通信部件等。
94.处理器可以是cpu(sentral processing unit，中央处理器)，也可以是soc(system on chip，系统级芯片)等。处理器可以用于获取时长预估参考信息，可以用于对时长预估参考信息进行特征提取，可以用于确定每个配送阶段对应的阶段时长，可以用于确定每个配送阶段对应的权重，可以用于确定修正补时时长，可以用于确定预估配送时长，等等。
95.存储器可以是各种易失性存储器或非易失性存储器，如ssd(solid state disk，固态硬盘)、dram(dynamic random access memory，动态随机存取存储器)内存等。存储器可以用于存储确定预估配送时长过程中的预存数据、中间数据和结果数据。例如，时长预估参考信息，预估参考信息对应的特征信息，每个配送阶段对应的阶段时长，每个配送阶段对应的权重，修正补时时长，预估配送时长，等等。
96.通信部件可以是有线网络连接器、wifi(wireless fidelity，无线保真)模块、蓝牙模块、蜂巢网通信模块等。通信部件可以用于与其他设备进行数据传输，其他设备可以是
其他服务器、也可以是操作终端等。例如，通信部件可以用于将每个配送阶段对应的阶段时长发送给用户对应的终端，可以用于将预估配送时长发送给用户对应的终端，可以用于接收用户对应的终端发送的时长预估参考信息，等等。
97.用户可以在外卖平台的应用程序中挑选想要购买的商品，在完成挑选后，可以点击“结算”选项，进入订单信息确认界面。在订单信息确认界面中，用户可以选择或添加相应的收货信息，例如，收货地的位置、收货人姓名、收货人联系方式、收货方期望送达时间，等等。收货信息添加完成后，应用程序可以通过用户的终端向服务器发送确定预估配送时长的请求。服务器接收到该请求，并确定出该订单对应的预估配送时长后，可以将该预估配送时长发送到用户的终端，向用户显示该预估配送时长。用户可以根据该预估配送时长确定是否进行支付。如果用户不接受该预估配送时长，可以退出订单信息确认界面，结束该订单。如果用户接受该预估配送时长，可以点击“提交订单”选项或“支付”选项，进入支付界面，支付完成后，等待商品配送。用户完成支付后，外卖平台可以再次生成相应的配送订单信息，服务器可以再次确定预估配送时长，并将该预估配送时长通过应用程序向用户显示。接下来，以用户完成支付后，服务器确定预估配送时长为例对本方案进行说明，其他情况与之类似，此处不再赘述。
98.本技术实施例提供了如图1所示的确定预估配送时长的方法的处理流程，包括如下处理步骤：
99.s101、获取时长预估参考信息。
100.服务器在确定预估配送时长时，可以先获取时长预估参考信息。时长预估参考信息可以包括配送订单信息、该配送订单信息对应的环境信息和配送员分布信息。
101.用户下单后，用户所使用的终端可以向服务器发送配送订单信息。配送订单信息可以如图2所示，可以包括商家名称(发货方名称)、货物名称、货物数量、货物单价、用户实际支付金额、配送费用、发货地位置信息和收货地位置信息中的至少一种。
102.环境信息可以包括天气信息、交通信息中的至少一种。
103.天气信息可以包括发货地位置所在行政区的天气、收货地位置所在行政区的天气。服务器中可以预先存储有与各种天气对应的字符串关系表，如表1所示。服务器从配送订单信息中确定出发货地位置和收货地位置后，根据预先设定的行政区划分规则，确定出发货地和收货地所对应的行政区，从而，可以获取到发货地和收货地分别对应的天气。
104.可选地，对于天气信息，当发货地和收货地位于同一行政区时，天气信息可以是发货地天气或收货地天气，当发货地与收货地之间跨越多个行政区时，天气信息可以是完成配送任务所途经的全部行政区的天气。
105.交通信息可以是发货地与收货地之间的道路拥堵情况。服务器获取到发货地位置信息和收货地位置信息后，可以为配送员规划多条配送路线。服务器可以将每条配送路线划分为多个单位路段，单位路段的长度可以是十米、二十米、五十米，等等。服务器可以根据属于同一配送路线的多个单位路段的拥堵值，计算出该配送路线的总拥堵值，计算方法可以是计算平均值、计算中位数、计算众数，等等。最后，服务器可以根据每条配送路线的总拥堵值，确定出该配送订单信息对应的交通信息，确定的方法可以是计算平均值、计算中位数、计算众数，等等。
106.配送员分布信息可以如图3所示，可以包括与发货地的距离不超过距离阈值的配
送员的数量、与发货地的距离不超过距离阈值的配送员的位置信息中的至少一种。服务器在获取发货地位置信息后，可以确定出以发货地为中心，以预设距离阈值为半径的圆形区域范围内当前配送员的数量，并确定出每个配送员当前的位置信息。其中，距离阈值可以是0.5公里、1公里、2公里，等等。
107.s102、基于特征提取模型，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的特征信息。
108.其中，特征提取模型可以包括第一特征提取模块和第二特征提取模块，第一特征提取模块和第二特征提取模块可以是不同算法的机器学习网络，例如，第一特征提取模块包括dnn(deep neural networks，深度神经网络)、bn(batch normalization，归一化标准)网络和leaky函数，第二特征提取模块是dcn(deep&cross network，深度和交叉网络)，等等。
109.服务器获取预估参考信息后，可以确定出预估参考信息中的数值型参数和非数值型参数。数值型参数可以包括货物数量、货物单价、用户实际支付金额、配送费用、交通信息、与发货地的距离不超过距离阈值的配送员的数量。非数值型参数可以包括发货方名称、货物名称、发货地位置信息、收货地位置信息、天气信息、与发货地的距离不超过距离阈值的配送员的位置信息，等等。服务器根据数值型参数和非数值型参数，可以确定出第一参数向量和第二参数向量。第一参数向量和第二参数向量确定过程如下：
110.一、确定第一参数向量
111.服务器可以将上述所有非数值型参数分别输入到特征映射模块中，确定出每个非数值型参数对应的向量。特征映射模块可以是embedding(嵌入式)模块，该模块可以用一个低维的向量表示一个离散的非数值型参数，例如，服务器将发货方名称“某某某快餐厅”输入到embedding模块中，可以得到一个10维向量[1,1,1,1,1,0,0,0,0,0]。服务器可以将每个非数值型参数对应的向量进行拼接，得到第一子参数向量，第一子参数向量的维数可以等于每个非数值型参数对应的向量的维数的和。
[0112]
不同的非数值型参数经过特征映射模块的处理后，所得到的向量的维数可以相同，例如，服务器将发货方名称、货物品类、货物名分别输入embedding模块，处理后分别生成一个10维的向量，或者，服务器将发货方名称、货物品类、货物名称分别输入embedding模块，处理后分别生成一个32维的向量，等等。或者，不同的非数值型参数经过特征映射模块的处理后，所得到的向量的维数也可以不同，例如，服务器将发货方名称、货物品类、货物名称分别输入embedding模块，处理后发货方名称对应一个10维向量、货物品类对应一个32维的向量、货物名称对应一个64维的向量，等等。对于特征映射模块输出的向量的维数的确定，可以根据实际模型的大小进行调整，此处不再赘述。
[0113]
服务器可以根据上述数值型参数，确定出第二子参数向量。第二子参数向量中的每一维分别代表一个数值型参数，例如，第二子参数向量为[2,28.8,3,7,15]，表示货物数量为2件、用户实际支付金额为28.8元、配送费用为3元、交通信息对应的拥堵值为7(即拥堵)、当前配送员数量为15人。
[0114]
服务器可以将第一子参数向量和第二子参数向量进行拼接，即可得到第一参数向量。
[0115]
二、确定第二参数向量
[0116]
服务器可以对数值型参数进行分位点离散化处理，以得到离散化数值型参数，每个数值型参数的分位点离散化处理可以是相互独立的。分位点离散化处理的过程可以如下：对于任一数值型参数，服务器在该数值型参数对应的多个预存的值域范围中，确定该数值型参数所属的目标值域范围，基于预先存储的每个值域范围与字符串的对应关系，确定目标值域范围对应的目标字符串，将目标字符串作为该数值型参数对应的离散化数值型参数。
[0117]
任一数值型参数对应的多个值域范围，可以根据该数值型参数对应的边界点和分位点确定，其中，边界点和分位点预存在服务器中。例如，服务器中预存了与配送费用对应的边界点为0和35，对应的分位点为5、10、20，则确定配送费用对应的值域范围为[0,5)、[5,10)、[10,20)、[20,35]，再例如，服务器中预存了与货物数量对应的边界点为0和12，对应的分位点为3、6、9，则确定货物数量对应的值域范围为[0,3)、[3,6)、[6,9)、[9,12]，等等。
[0118]
在服务器中，预先存储有每个值域范围对应的字符串。例如，配送费用对应的值域范围为[0,5)、[5,10)、[10,20)、[20,35]，值域范围对应的字符串分别为psfy_5、psfy_10、psfy_20、psfy_35，再例如，货物数量对应的值域范围为[0,3)、[3,6)、[6,9)、[9,12]，值域范围对应的字符串分别为hwsl_3、hwsl_6、hwsl_9、hwsl_12，等等。
[0119]
分为点可以是开发人员根据经验确定的的，也可以是对一定数量的样本采用统计方法处理后确定的。分位点的设置方法可以是等距分桶法，任意两个相邻分位点之间的宽度是固定的，即值域范围是固定的，例如，配送费用对应的分位点离散化模块中，包括3、6、9、12四个分位点。或者，分位点的设置方法也可以是等频分桶法，此时，分位点可以是由服务器根据对属于同一类型的多个数值型参数进行统计后确定的，例如，对30个配送订单中的配送费用进行统计，其中，10个属于区间[0,5)，10个属于区间[5,10)，10个属于区间[10,20]，因此，确定5、10、20为配送费用对应的分位点。或者，分位点的设置方法还可以是模型分桶法，服务器可以预先建立分位点模型，将属于同一类型的多个数值型参数输入分位点模型中，从而，确定出合适的分位点，例如，服务器将50个配送订单中的配送费用输入分位点模型中，由分位点模型确定1、3、5、10为配送费用对应的分位点。服务器中预先设置的多组分位点的设置方法可以相同，也可以不同，此处不再赘述。
[0120]
服务器可以将每个离散化数值型参数分别输入到特征映射模块中，确定出每个离散化数值型参数对应的向量。特征映射模块可以是embedding(嵌入式)模块，此处不再赘述。服务器可以将每个离散化数值型参数对应的向量进行拼接，得到第三子参数向量。
[0121]
服务器可以将第一子参数向量和第三子参数向量进行拼接，即可得到第二参数向量。
[0122]
服务器可以将第一参数向量输入到第一特征提取模块中，得到时长预估参考信息对应的第一子特征信息(可以是第一特征向量)。服务器可以将第二参数向量输入到第二特征提取模块中，得到时长预估参考信息对应的第二子特征信息(可以是第二特征向量)。服务器可以将第一特征向量和第二特征向量进行拼接，得到一个总特征向量，这个总特征向量可以认为是时长预估参考信息对应的特征信息。
[0123]
可选地，在步骤s102中，除上述的对多个向量进行拼接的处理方式外，还可以对多个向量进行对位相加处理、进行对位相减处理、先进行数乘再进行拼接处理，等等。
[0124]
s103、将特征信息分别输入多个配送阶段对应的时长预估模型，得到每个配送阶
段对应的阶段时长。
[0125]
从用户在外卖平台的应用程序中下单，到配送员将商品配送至收货地的过程，可以分为多个配送阶段。多个配送阶段可以包括从用户下单至配送员接单的阶段、从配送员接单至配送员到达目标商家(发货地)的阶段、从配送员到达目标商家(发货地)至配送员取到货物的阶段、从配送员取到货物至配送员到达收货地的阶段。
[0126]
针对上述多个配送阶段，服务器中预先训练有与每个配送阶段对应的时长预估模型。服务器可以将上述时长预估参考信息对应的特征信息(即总特征向量)，分别输入每个配送阶段对应的时长预估模型，得到每个配送阶段对应的阶段时长。
[0127]
可选地，对于配送业务来说，除了上述的划分为四个配送阶段的处理方式外，还可以将其划分为两个配送阶段、三个配送阶段、六个配送阶段，等等。例如，对于商家自己进行配送的配送业务来说，配送员在用户下单前已经到达商家，此种情况下，多个配送阶段包括从用户下单至配送员取到货物的阶段(即从用户下单至商家完成货物准备的阶段)、从配送员取到货物至配送员到达收货地的阶段。再例如，对于跨城市的配送业务，多个配送阶段包括从用户下单至发货地配送员接单的阶段、从发货地配送员接单至发货地配送员取到货物的阶段、从发货地配送员取到货物至发货地城市中转站的阶段、从发货地城市中转站至收货地城市中转站的阶段、从收货地城市中转站至收货地配送员取到货物的阶段、从收货地配送员取到货物至收货地配送员到达收货地的阶段。
[0128]
s104、基于每个配送阶段对应的阶段时长，确定预估配送时长。
[0129]
服务器确定出每个配送阶段对应的阶段时长后，可以将每个阶段时长相加，得到配送业务对应的预估配送时长。例如，服务器确定出从用户下单至配送员接单的阶段时长为5分钟，从配送员接单至配送员到达目标商家的阶段时长为6分钟，从配送员到达目标商家至配送员取到货物的阶段时长为2分钟，从配送员取到货物至配送员到达收货地的阶段时长为15分钟，则完成该配送业务的预估配送时长为28(5 6 2 15)分钟。
[0130]
采用本技术实施例提供的确定预估配送时长的方法，可以确定出整个配送过程中的每个配送阶段所需要的阶段时长，全面地考虑了整个配送过程中的各个配送阶段对应的时间消耗，可以准确地确定完成配送业务对应的预估配送时长。
[0131]
本技术实施例提供了如图4所示的确定预估配送时长的方法的处理流程，该方法可以计算出每个配送阶段对应的权重，包括如下处理步骤：
[0132]
s201、获取时长预估参考信息。
[0133]
其中，时长预估参考信息包括配送订单信息、配送订单信息对应的环境信息和配送员分布信息。此步骤中，服务器获取的时长预估参考信息与步骤s101中的时长预估参考信息相同，此处不再赘述。
[0134]
s202、基于特征提取模型，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的特征信息。
[0135]
其中，特征提取模型可以包括第一特征提取模块和第二特征提取模块，第一特征提取模块和第二特征提取模块可以是不同算法的机器学习网络。此步骤中，服务器确定的时长预估参考信息对应的特征信息与步骤s102中的特征信息相同，此处不再赘述。
[0136]
s203、将特征信息分别输入多个配送阶段对应的时长预估模型，得到每个配送阶段对应的阶段时长。
[0137]
配送业务可以分为多个配送阶段，服务器中预先存储有与每个配送阶段对应的时长预估模型。此步骤中，服务器确定的每个配送阶段对应的阶段时长与步骤s103中的阶段时长相同，此处不再赘述。
[0138]
s204、基于时长预估参考信息和权重计算模型，确定每个配送阶段对应的权重。
[0139]
每个配送阶段对应的权重的确定过程可以如下：
[0140]
首先，服务器可以确定出时长预估参考信息中的数值型参数和非数值型参数。其次，服务器可以对数值型参数进行离散化处理得到离散化数值型参数，并根据离散化数值型参数、非数值型参数和特征映射模型，确定出第二参数向量。最后，服务器将第二参数向量输入权重计算模型中，可以确定出每个配送阶段对应的权重。其中，第二参数向量为步骤s102中确定的第二参数向量，此处不再赘述。
[0141]
s205、基于每个配送阶段对应的阶段时长和权重，确定预估配送时长。
[0142]
服务器确定出每个配送阶段对应的阶段时长和权重后，可以对每个阶段时长加权求和，确定配送业务对应的预估配送时长。例如，服务器确定出从用户下单至配送员接单的阶段时长为5分钟、权重值为0.5，从配送员接单至配送员到达目标商家的阶段时长为6分钟、权重值为0.8，从配送员到达目标商家至配送员取到货物的阶段时长为2分钟、权重值为0.3，从配送员取到货物至配送员到达收货地的阶段时长为15分钟、权重值为1.2，则完成该配送业务的预估配送时长为21.58(5*0.5 6*0.8 2*0.3 15*1.2)分钟。
[0143]
采用本技术实施例提供的确定预估配送时长的方法，可以确定出每个配送阶段对应的权重，并将每个配送阶段对应的阶段时长进行加权求和，得到整个配送业务对应的预估配送时长。该方法可以降低将阶段时长直接求和作为预估配送时长存在的计算偏差累计的风险，从而，可以更加准确地确定完成配送业务对应的预估配送时长。
[0144]
本技术实施例提供了如图5所示的确定预估配送时长的方法的处理流程，包括如下处理步骤：
[0145]
s301、获取时长预估参考信息。
[0146]
其中，时长预估参考信息包括配送订单信息、配送订单信息对应的环境信息和配送员分布信息。此步骤中，服务器获取的时长预估参考信息与步骤s101中的时长预估参考信息相同，此处不再赘述。
[0147]
s302、基于特征提取模型，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的特征信息。
[0148]
其中，特征提取模型可以包括第一特征提取模块和第二特征提取模块，第一特征提取模块和第二特征提取模块可以是不同算法的机器学习网络。此步骤中，服务器确定的时长预估参考信息对应的特征信息与步骤s102中的特征信息相同，此处不再赘述。
[0149]
s303、将特征信息分别输入多个配送阶段对应的时长预估模型，得到每个配送阶段对应的阶段时长。
[0150]
配送业务可以分为多个配送阶段，服务器中预先存储有与每个配送阶段对应的时长预估模型。此步骤中，服务器确定的每个配送阶段对应的阶段时长与步骤s103中的阶段时长相同，此处不再赘述。
[0151]
s304、基于时长预估参考信息和修正补时计算模型，确定修正补时时长。
[0152]
修正补时时长的确定过程可以如下：
[0153]
首先，服务器可以确定出时长预估参考信息中的数值型参数和非数值型参数。其次，服务器可以对数值型参数进行离散化处理得到离散化数值型参数，并根据离散化数值型参数、非数值型参数和特征映射模型，确定出第二参数向量。最后，服务器将第二参数向量输入修正补时计算模型中，可以确定该配送业务对应的修正补时时长。其中，第二参数向量为步骤s102中确定的第二参数向量，此处不再赘述。
[0154]
s305、基于修正补时时长和每个配送阶段对应的阶段时长，确定预估配送时长。
[0155]
服务器确定出修正补时时长和每个配送阶段对应的阶段时长后，可以对它们进行求和，从而，确定出配送业务对应的预估配送时长。例如，服务器确定出从用户下单至配送员接单的阶段时长为5分钟，从配送员接单至配送员到达目标商家的阶段时长为6分钟，从配送员到达目标商家至配送员取到货物的阶段时长为2分钟，从配送员取到货物至配送员到达收货地的阶段时长为15分钟，修正补时时长为8分钟，则完成该配送业务的预估配送时长为36(5 6 2 15 8)分钟。
[0156]
采用本技术实施例提供的确定预估配送时长的方法，在确定出整个配送过程中的每个配送阶段的同时，还可以对确定出该配送业务的修正补时时长。该修正补时时长可以用来应对配送过程中发生的意外情况，例如，商家准备货物消耗的时长大于对应的阶段时长，道路拥堵严重导致业务员配送过程所消耗的时长大于对应的阶段时长，等等。这样，可以为配送员完成配送业务留有一定的缓冲，可以有效缓解业务员的配送压力，提高业务员的配送体验。
[0157]
本技术实施例提供了如图6所示的确定预估配送时长的方法的处理流程，包括如下处理步骤：
[0158]
s401、获取时长预估参考信息。
[0159]
其中，时长预估参考信息包括配送订单信息、配送订单信息对应的环境信息和配送员分布信息。此步骤中，服务器获取的时长预估参考信息与步骤s101中的时长预估参考信息相同，此处不再赘述。
[0160]
s402、基于特征提取模型，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的特征信息。
[0161]
其中，特征提取模型可以包括第一特征提取模块和第二特征提取模块，第一特征提取模块和第二特征提取模块可以是不同算法的机器学习网络。此步骤中，服务器确定的时长预估参考信息对应的特征信息与步骤s102中的特征信息相同，此处不再赘述。
[0162]
s403、将特征信息分别输入多个配送阶段对应的时长预估模型，得到每个配送阶段对应的阶段时长。
[0163]
配送业务可以分为多个配送阶段，服务器中预先存储有与每个配送阶段对应的时长预估模型。此步骤中，服务器确定的每个配送阶段对应的阶段时长与步骤s103中的阶段时长相同，此处不再赘述。
[0164]
s404、基于时长预估参考信息和权重计算模型，确定每个配送阶段对应的权重。
[0165]
该步骤中，服务器确定每个配送阶段对应的权重的过程如步骤s204所示，并且，权重计算模型输入的第二参数向量为步骤s102中确定的第二参数向量，此处不再赘述。
[0166]
s405、基于时长预估参考信息和修正补时计算模型，确定修正补时时长。
[0167]
该步骤中，服务器确定修正补时时长的过程如步骤s304所示，并且，修正补时计算
模型输入的第二参数向量为步骤s102中确定的第二参数向量，此处不再赘述。
[0168]
s406、基于修正补时时长、每个配送阶段对应的阶段时长和权重，确定预估配送时长。
[0169]
服务器确定出修正补时时长和每个配送阶段对应的阶段时长和权重后，首先，可以根据每个配送阶段对应的权重对所有阶段时长进行加权求和，得到子预估配送时长，然后，将子预估配送时长与修正补时时长相加，得到配送业务对应的预估配送时长。例如，服务器确定出从用户下单至配送员接单的阶段时长为5分钟、权重值为0.5，从配送员接单至配送员到达目标商家的阶段时长为6分钟、权重值为0.8，从配送员到达目标商家至配送员取到货物的阶段时长为2分钟、权重值为0.3，从配送员取到货物至配送员到达收货地的阶段时长为15分钟、权重值为1.2，修正补时时长为8分钟，则完成该配送业务的预估配送时长为29.58(5*0.5 6*0.8 2*0.3 15*1.2 8)分钟。
[0170]
采用本技术实施例提供的确定预估配送时长的方法，既考虑了不同配送阶段的权重，又考虑了应对突发情况的修正补时时长。这样，既准确地确定出每个配送阶段对应的阶段时长，又能为配送员留有一定的时间缓冲，提高业务员的配送体验。
[0171]
服务器中预先存储有一条或多条异常判断逻辑，用于确定预估配送时长是否存在异常，例如，配送距离在2.5-3公里之间时，预估配送时长的正常取值范围是大于等于30分钟且小于等于50分钟，再例如，商家与收货地属于同一行政区时，预估配送时长不得超过80分钟，等等。采用本技术实施例提供的上述任一确定预估配送时长的方法，确定出配送业务对应的预估配送时长后，服务器还可以根据预先存储的业务逻辑，确定预估配送时长是否存在异常。例如，服务器中预先存储的业务逻辑为配送距离在2.5-3公里之间时，预估配送时长的正常取值范围是大于等于30分钟且小于等于50分钟，如果配送距离为2.8公里的配送业务对应的预估配送时长为40分钟，则确定该预估配送时长没有异常，如果配送距离为2.8公里的配送业务对应的预估配送时长为25分钟或60分钟，则确定该预估配送时长存在异常。
[0172]
如果预估配送时长不存在异常，服务器可以将该预估配送时长发送到用户使用的终端，并由应用程序向用户显示。
[0173]
如果预估配送时长存在异常，服务器可以根据预先存储的配送时长阈值重新确定预估配送时长。例如，服务器中预先存储的业务逻辑为配送距离在2.5-3公里之间时，预估配送时长大于等于30分钟且小于等于50分钟，如果配送距离为2.8公里的配送业务对应的预估配送时长为25分钟，则确定该预估配送时长存在异常，服务器将重新确定该配送业务对应的预估配送时长为30分钟。再例如，上述业务逻辑不变，如果配送距离为2.8公里的配送业务对应的预估配送时长为60分钟，则确定该预估配送时长存在异常，服务器将重新确定该配送业务对应的预估配送时长为50分钟。服务器可以将重新确定的预估配送时长发送到用户使用的终端，由应用程序向用户显示。
[0174]
上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
[0175]
本技术实施例中提到的方案，可以获取配送订单信息、配送订单信息对应的环境信息和配送员分布信息，并对上述信息进行特征提取。根据提取出的多个特征信息，可以确定出整个配送过程中的每个配送阶段所需要的阶段时长，进一步，可以确定出预估配送时
间。相比于仅根据配送路程确定配送时长的方法来说，本技术提供的确定预估配送时长的方法，全面地考虑了整个配送过程中的各个阶段对应的时间消耗，而且考虑了多种对配送时长可能产生影响的因素，这样，可以更加准确地确定出预估配送时长。
[0176]
本技术实施例提供了一种确定预估配送时长的装置，该装置可以是上述实施例中的服务器，如图7所示，所述装置包括：
[0177]
获取模块710，用于获取时长预估参考信息，其中，时长预估参考信息包括配送订单信息、配送订单信息对应的环境信息和配送员分布信息；
[0178]
特征提取模块720，用于基于特征提取模型，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的特征信息；
[0179]
阶段时长预估模块730，用于将特征信息分别输入多个配送阶段对应的时长预估模型，得到每个配送阶段对应的阶段时长；
[0180]
确定模块740，用于基于每个配送阶段对应的阶段时长，确定预估配送时长。
[0181]
在一种可能的实现方式中，多个配送阶段包括从用户下单至配送员接单的阶段、从配送员接单至配送员到达发货地的阶段、从配送员到达发货地至配送员取到货物的阶段、从配送员取到货物至配送员到达收货地的阶段。
[0182]
在一种可能的实现方式中，配送订单信息包括发货方名称、货物名称、货物数量、货物单价、用户实际支付金额、配送费用、发货地位置信息和收货地位置信息中的至少一种；
[0183]
环境信息包括天气信息、交通信息中的至少一种；
[0184]
配送员分布信息包括与发货地的距离不超过距离阈值的配送员的数量、与发货地的距离不超过距离阈值的配送员的位置信息中的至少一种。
[0185]
在一种可能的实现方式中，特征提取模型包括第一特征提取模块和第二特征提取模块，第一特征提取模块和第二特征提取模块是不同算法的机器学习网络；
[0186]
所述特征提取模块720，用于：
[0187]
基于第一特征提取模块，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的第一子特征信息；
[0188]
基于第二特征提取模块，对时长预估参考信息进行特征提取，得到时长预估参考信息对应的第二子特征信息；
[0189]
基于第一子特征信息和第二子特征信息，确定时长预估参考信息对应的特征信息。
[0190]
在一种可能的实现方式中，所述特征提取模块720，用于：
[0191]
基于时长预估参考信息中的数值型参数和非数值型参数，确定第一参数向量；
[0192]
将第一参数向量输入第一特征提取模块，得到时长预估参考信息对应的第一子特征信息；
[0193]
所述特征提取模块720，用于：
[0194]
对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型参数；
[0195]
基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
[0196]
将第二参数向量输入第二特征提取模块，得到时长预估参考信息对应的第二子特征信息。
[0197]
在一种可能的实现方式中，所述确定模块740，用于：
[0198]
基于时长预估参考信息和权重计算模型，确定每个配送阶段对应的权重；
[0199]
基于每个配送阶段对应的阶段时长和权重，确定预估配送时长。
[0200]
在一种可能的实现方式中，所述确定模块740，用于：
[0201]
对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型参数；
[0202]
基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
[0203]
将第二参数向量输入权重计算模型，得到每个配送阶段对应的权重。
[0204]
在一种可能的实现方式中，所述确定模块740，用于：
[0205]
基于时长预估参考信息和修正补时计算模型，确定修正补时时长；
[0206]
基于修正补时时长和每个配送阶段对应的阶段时长，确定预估配送时长。
[0207]
在一种可能的实现方式中，所述确定模块740，用于：
[0208]
对时长预估参考信息中的数值型参数进行分位点离散化处理，得到离散化数值型参数；
[0209]
基于离散化数值型参数和时长预估参考信息中的非数值型参数，确定第二参数向量；
[0210]
将第二参数向量输入修正补时计算模型，确定修正补时时长。
[0211]
本技术实施例中提到的方案，可以获取配送订单信息、配送订单信息对应的环境信息和配送员分布信息，并对上述信息进行特征提取。根据提取出的多个特征信息，可以确定出整个配送过程中的每个配送阶段所需要的阶段时长，进一步，可以确定出预估配送时间。相比于仅根据配送路程确定配送时长的方法来说，本技术提供的确定预估配送时长的方法，全面地考虑了整个配送过程中的各个阶段对应的时间消耗，而且考虑了多种对配送时长可能产生影响的因素，这样，可以更加准确地确定出预估配送时长。
[0212]
需要说明的是：上述实施例提供的确定预估配送时长的装置在确定预估配送时长时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定预估配送时长的装置与确定预估配送时长的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0213]
本技术实施例提供的一种计算机设备，该计算机设备可以是上述实施例中的服务器。图8是该计算机设备的结构示意图，该计算机设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上cpu(central processing units，处理器)810和一个或一个以上的存储器820，其中，所述存储器820中存储有至少一条指令，所述至少一条指令由所述处理器810加载并执行以实现上述各个方法实施例提供的方法。当然，该计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备还可以包括其他用于实现设备功能的部件，在此不做赘述。
[0214]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，
上述指令可由终端中的处理器执行以完成上述实施例中确定预估配送时长的方法。该计算机可读存储介质可以是非暂态的。例如，所述计算机可读存储介质可以是rom(read-only memory，只读存储器)、ram(random access memory，随机存取存储器)、cd-rom、磁带、软盘和光数据存储设备等。
[0215]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0216]
以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。