物流准时保业务推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及大数据技术领域，特别是涉及一种物流准时保业务推荐方法、装置、计算机设备和存储介质。


背景技术：

2.随着物流行业的快速发展，同业之间的竞争变得愈发激烈，差异化的精细服务也就变得更加重要。在此背景下，多个企业陆续推出个性化的准时保业务，以满足不同用户的服务需求。
3.当前行业间实施准时服务的方法主要有两种：1、部分企业采用默认推送给所有客户或强制绑定的粗放方式，忽略了低时效要求客户的使用体验；2、还有部分企业会针对自身业务规则特点，对指定业务领域进行准时保产品推送，导致服务覆盖率偏低的情况。
4.对企业来说，准时保业务服务是一项既可以丰富业务，又可以带来利润增长的举措，因此该项业务开展的必要性毋庸置疑。但现有的实施措施需要快递小哥大范围推荐该业务，引导客户在终端上选择操作，这样极容易造成用户厌烦，并且针对性不不强，容易造成部分客户的流失或收益损失，并且推荐的效率低下，无论是给快递小哥还是给客户都带来不便。可见，整体而言，目前行业内缺乏有效的准时保业务推荐方案。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种有效且高效的物流准时保业务推荐方法、装置、计算机设备和存储介质。
6.一种物流准时保业务推荐方法，方法包括：
7.获取当前订单的实时订单数据；
8.提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型；
9.若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征；
10.当根据客户特征识别当前订单客户属于准时保业务的目标客户时，推荐准时保业务。
11.在其中一个实施例中，提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型之前，还包括：
12.获取历史订单的订单数据；
13.提取历史订单的订单数据中影响配送时效的元数据特征；
14.将提取的元数据特征输入至初始逻辑回归模型进行训练，得到预设准时送达判别模型，初始逻辑回归模型的类别划分阈值为预设概率阈值，预设概率阈值与历史订单时效达成率相关。
15.在其中一个实施例中，将提取的元数据特征输入至初始逻辑回归模型进行训练，得到预设准时送达判别模型包括：
16.将提取的元数据特征输入至多个不同的初始逻辑回归模型进行训练，得到多个已训练的初始逻辑回归模型，其中，不同的初始逻辑回归模型中迭代次数以及正则系数不同；
17.获取预设样本测试数据，根据预设样本测试数据分别对多个已训练的初始逻辑回归模型进行测试，得到多个已训练的初始逻辑回归模型的测试结果；
18.根据测试结果以及预设模型选择指标，从多个已训练的初始逻辑回归模型中选取最优的模型作为预设准时送达判别模型。
19.在其中一个实施例中，将提取的元数据特征输入至初始逻辑回归模型进行训练包括：
20.采用卡方检验方法验证提取的元数据特征与订单是否准时送达的相关性程度；
21.选取相关性较大的元数据特征输入至初始逻辑回归模型进行训练。
22.在其中一个实施例中，选取相关性较大的元数据特征输入至初始逻辑回归模型进行训练包括：
23.采用平均数编码的方式对相关性较大的元数据特征进行归一处理，得到归一后的特征；
24.将归一后的特征输入至初始逻辑回归模型进行训练。
25.在其中一个实施例中，上述物流准时保业务推荐方法还包括：
26.获取历史记录中购买准时保业务的种子客户；
27.提取种子客户的客户特征；
28.根据当前订单客户的客户特征与种子客户的客户特征，判断当前订单客户是否为准时保业务的目标客户。
29.在其中一个实施例中，根据当前订单客户的客户特征与种子客户的客户特征，判断当前订单客户是否为准时保业务的目标客户包括：
30.计算当前订单客户与种子客户的余弦相似度；
31.根据余弦相似度，判断当前订单客户是否为准时保业务的目标客户。
32.一种物流准时保业务推荐装置，装置包括：
33.订单获取模块，用于获取当前订单的实时订单数据；
34.物流特征提取模块，用于提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型；
35.客户特征提取模块，用于当当前订单属于准时送达类型订单时，获取当前订单客户的客户特征；
36.业务推荐模块，用于当根据客户特征识别当前订单客户属于准时保业务的目标客户时，推荐准时保业务。
37.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
38.获取当前订单的实时订单数据；
39.提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型；
40.若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征；
41.当根据客户特征识别当前订单客户属于准时保业务的目标客户时，推荐准时保业
务。
42.一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
43.获取当前订单的实时订单数据；
44.提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型；
45.若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征；
46.当根据客户特征识别当前订单客户属于准时保业务的目标客户时，推荐准时保业务。
47.上述物流准时保业务推荐方法、装置、计算机设备和存储介质，获取当前订单的实时订单数据，提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型，若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征，当当前订单客户属于准时保业务的目标客户时，推荐准时保业务。整个过程中，基于预设准时送达判别模型以及当前订单客户特征两次判别，能够准确寻找到准时保业务的目标客户，避免大范围、无目的性推广对客户造成的不便，显著提升准时保业务推荐效率。
附图说明
48.图1为一个实施例中物流准时保业务推荐方法的应用环境图；
49.图2为一个实施例中物流准时保业务推荐方法的流程示意图；
50.图3为另一个实施例中物流准时保业务推荐方法的流程示意图；
51.图4为又一个实施例中物流准时保业务推荐方法的流程示意图；
52.图5为可推荐准时保目标客户挖掘流程示意图；
53.图6为本技术物流准时保业务推荐方法的技术原理架构示意图；
54.图7为一个实施例中物流准时保业务推荐装置的结构框图；
55.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
56.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
57.本技术提供的物流准时保业务推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102发送当前订单数据至服务器104；服务器104中预先加载有预设准时送达判别模型，服务器104获取当前订单的实时订单数据，提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型，若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征，当当前订单客户属于准时保业务的目标客户时，判定针对当前订单可以推荐准时保业务，服务器104可以将反馈“推荐准时保业务”的提示信息给到终端102，该终端102为业务员(快递员)的手持终端；服务器104还可以将准时保业务的相关业务数据直接发送至当前订单客户的终端，这样当前订单客户即可了解到准时保业务相关的内容。其中，终端102可以但不限于是各种个人计算机、
笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
58.可以理解的是，本技术物流准时保业务推荐方法还可以直接应用于终端，由终端直接根据当前订单数据进行处理，判断是否向当前订单客户推荐准时保业务，其具体处理过程与上述类似，在此，不再赘述。
59.在一个实施例中，如图2所示，提供了一种物流准时保业务推荐方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
60.s200：获取当前订单的实时订单数据。
61.当前订单是指当前正在处理的订单，其具体可以是业务员(快递员)通过其手持终端上报到服务器中的订单。获取该订单的实时订单数据，该实时订单数据具体可以包括物流起点、终点、需要途径的中转场(站)、末端网点、收件日期、物流货物的重量、类型、尺寸以及订单备注的特殊需求等数据。
62.s400：提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型。
63.物流特征数据主要包括起点(寄件城市)、终点(派件城市)、托寄物类型、目的地网点、产品类型、时效类型和收件日期等。具体物流特征的选择可以基于历史检验数据选择，可以优先选择影响配送时效的特征，将提取的特征输入至预设准时送达判别模型，以判断当前订单是否属于可以准时送达类型订单。预设准时送达判别模型是预先构建好的模型，其输入的数据是物流特征，其输出的数据至订单为可以准时送达类别订单或订单为不可准时送达类别订单。该模型具体可以基于历史订单数据训练得到，在预设准时送达判别模型中设置有类别划分阈值，该阈值是基于历史订单数据设置、调整，具体可以为历史订单时效达成率。在预设准时送达判别模型中会先评估一个具体的系数出来，再将评估的系数与类别划分阈值比较，若大于，则判定当前订单属于可以准时送达订单；若不大于，则判定当前订单属于不可以准时送达订单。简单来说，上述训练过程可以理解为训练一个参数化的不等式，在不等式的左侧是订单数据中物流特征，在不等式的右侧是预设的类别划分阈值。
64.s600：若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征。
65.当当前订单属于准时送达类型订单时，表明当前订单大概率是可以准时送达的，在此基础上推荐准时保业务给用户的话，一方面，承诺给到的用户的服务基本可以实现，只要较小的概率需要超时赔偿，准时保业务收益大；另一方面，最终准时保业务的服务质量也能得到保证，有利于维系与当前客户的合作关系以及引导当前客户推广该项业务。在当前订单属于准时送达类型订单的基础上，获取当前订单客户的客户特征，客户特征具体可以包括客户历史时效投诉率、客户历史时效理赔率、客户历史票均访问时效路由次数。
66.s800：当根据客户特征识别当前订单客户属于准时保业务的目标客户时，推荐准时保业务。
67.若在s600提取到的客户特征表征订单客户属于准时保业务的目标客户时，则推荐准时保业务给该客户，当前客户有极大概率对准时保业务感兴趣，并且企业可以基于该业务产生收益的。具体来说，可以将当前订单客户的客户特征与历史购买准时保业务客户的客户特征比较，比较两者之间的相似度，若两者之间相似度大于预设相似度阈值，则表明当前订单客户属于目标客户，若不大于，则表明当前订单客户不属于目标客户。
68.上述物流准时保业务推荐方法，获取当前订单的实时订单数据，提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型，若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征，当当前订单客户属于准时保业务的目标客户时，推荐准时保业务。整个过程中，基于预设准时送达判别模型以及当前订单客户特征两次判别，能够准确寻找到准时保业务的目标客户，避免大范围、无目的性推广对客户造成的不便，显著提升准时保业务推荐效率。
69.如图3所示，在其中一个实施例中，s400之前，还包括：
70.s320：获取历史订单的订单数据。
71.s340：提取历史订单的订单数据中影响配送时效的元数据特征。
72.s360：将提取的元数据特征输入至初始逻辑回归模型进行训练，得到预设准时送达判别模型，初始逻辑回归模型的类别划分阈值为预设概率阈值，预设概率阈值与历史订单时效达成率相关。
73.历史订单的订单数据具体可以过去1个月的订单数据或者过去3个月的订单数据。具体来说，可以获取相同地域的历史订单，例如采集同一个省份、直辖市的历史订单，基于该相同地域的历史订单训练得到的预设准时送达判别模型来对该地域的客户进行准时保业务推荐。在获取到历史订单之后，提取历史名单的订单数据中影响配送时效的元数据特征，其主要包括寄件城市、收件城市、托寄物类型、目的地网点、产品类型、时效类型和收件日期等，进一步的还可以构建寄件-收件城市历史准时率。将这些影响配送时效的元数据特征输入至初始逻辑回归模型进行训练，得到预设准时送达判别模型。逻辑回归模型(lr)进行建模，其比其他算法模型具有训练速度更快，可解释性强的优点。预设概率阈值与历史订单时效达成率相关，其可以历史订单时效达成率的基础上人工进行修正，若对模型要求准确性更高，则可以在时效达成率基础上上调概率阈值，若希望向更多的、选择面更广的客户推荐准时标价业务，则可以在时效达成率基础下调概率阈值。在实际应用中，在初期推广时，现实业务场景对模型的准确性的要求很高，因此把模型类别划分的阈值调整为0.8(结合历史整体的时效达成率0.85进行调试得到)，即当预测结果大于0.8时，则认为该票件可以满足准时达，否则认为不符合，以保证模型分类的准确率。时效达成率具体如下表1所示。
74.表1为某地区3个月来时效达成率
[0075][0076]
在其中一个实施例中，将提取的元数据特征输入至初始逻辑回归模型进行训练，得到预设准时送达判别模型包括：
[0077]
将提取的元数据特征输入至多个不同的初始逻辑回归模型进行训练，得到多个已训练的初始逻辑回归模型，其中，不同的初始逻辑回归模型中迭代次数以及正则系数不同；获取预设样本测试数据，根据预设样本测试数据分别对多个已训练的初始逻辑回归模型进行测试，得到多个已训练的初始逻辑回归模型的测试结果；根据测试结果以及预设模型选择指标，从多个已训练的初始逻辑回归模型中选取最优的模型作为预设准时送达判别模
型。
[0078]
初始逻辑回归模型的训练主要是调整逻辑回归模型中参数，以使其输出的值更接近真实值，从而实现较为准确的预测。在本实施例中，选择元数据特征分别对多个初始逻辑回归模型进行训练，这些初始逻辑回归模型的迭代次数以及正则系数不同，具体可以是两个参量均不同，或者是其中一个参量不同，在同时完成多个初始逻辑回归模型训练之后，即得到多个已训练的初始逻辑回归模型，再采用预设样本测试数据对这些模型进行测试得到测试结果，根据测试结果以及预设模型选择指标选择最优的已训练初始逻辑回归模型作为预设准时送达判别模型。具体来说，预设样本测试数据同样属于基于历史订单得到的数据，在样本数据中包括有订单的元数据特征以及最终是否准时送达的结果；模型选择指标具体可以包括精确率、召回率以及auc三个方面。
[0079]
在实际应用中，预设准时送达判别模型训练过程为：将上述处理好的元数据特征放入多个逻辑回归模型中，不同逻辑回归模型中迭代次数(更优)、正则系数(防止过拟合)等相关模型参数不同，对比不同参数下的结果，选出整体结果好的一组参数对应的已训练的逻辑回归模型。其中这里的结果好的评价标准，要结合业务本身的实际情况，比如在某些场景下对准确率要求高，这就要求需要保证一定准确率阈值基础上，选择出召回率高的模型作为预设准时达判别模型。在一个应用实例中，最终选择的预设准时达判别模型指标情况下表2所示。
[0080]
表2为预设准时达判别模型指标情况
[0081]
精确率召回率auc0.880.590.59
[0082]
在其中一个实施例中，将提取的元数据特征输入至初始逻辑回归模型进行训练包括：
[0083]
采用卡方检验方法验证提取的元数据特征与订单是否准时送达的相关性程度；选取相关性较大的元数据特征输入至初始逻辑回归模型进行训练。
[0084]
提取到的元数据特征是一个较大的数据量，其中包含有大量的特征数据，为减小后期模型训练的数据量，可以选取出与订单是否准时送达的相关性较大的元数据特征。在本实施例中，采用卡方检验方法验证提取的元数据特征与订单是否准时送达的相关性程度；选取相关性较大的元数据特征输入至初始逻辑回归模型进行训练，这样可以显著减小后期模型训练的数据量。进一步来说，在将相关性较大的元数据特征输入至初始逻辑回归模型进行训练之前，可以采用平均数编码的方式对相关性较大的元数据特征进行归一处理，得到归一后的特征；再将归一后的特征输入至初始逻辑回归模型进行训练。
[0085]
更进一步来说，由于选取相关性较大的元数据特征仍存在大量高基数定性特征，在对该类特征进行转换时，若使用哑编码的方式，会导致大量稀疏矩阵的出现；基于上述原因，可以进一步采用平均数编码的方式对该部分高基数定性特征进行处理。这种编码方式是一种有监督的编码方式，会将先验概率和后验概率进行加权平均，然后将类型变量转化为一个概率值，对应的概率值将作为模型的输入特征，即将一个高维的类别值，转化为一个概率值，相比较one-hot，特征维度将大大减少，详细计算公式如下：
[0086]
p
mean
＝λ*prior (1-λ)*posterior
[0087]
式中，λ为权重；prior为先验概率；posterior为后验概率，p
mean
为先验和后验概率
的加权平均概率。这里以寄件城市为例说明，其中prior为滚动30天的正样本整体平均概率，posterior为对应每个城市在滚动30天中累积的正样本的平均概率。而λ则是根据对应特征的枚举数量，通过数据分析，其样本分布情况给出。
[0088]
如图4所示，在其中一个实施例中，上述物流准时保业务推荐方法还包括：
[0089]
s720：获取历史记录中购买准时保业务的种子客户；
[0090]
s740：提取种子客户的客户特征；
[0091]
s760：根据当前订单客户的客户特征与种子客户的客户特征，判断当前订单客户是否为准时保业务的目标客户。
[0092]
在历史记录中准时保业务的客户能还是比较少，在本实施例中，引入look-alike的思路，使用已有的种子客户进行扩展，挖掘出新的可推荐目标客户。客户特征主要包括客户历史准时保比例、客户历史件量、客户历史时效投诉率、客户历史时效理赔率，客户历史票均访问时效路由次数等作为特征。整个look-alike的思路如图5所示，先获取历史记录中购买准时保业务的种子客户，提取种子客户的客户特征，根据当前订单客户的客户特征与种子客户的客户特征，判断当前订单客户是否为准时保业务的目标客户。
[0093]
更进一步来说，上述扩展方案在实际应用中可以构建成基于模型的扩展方案，即构建出一个是否为准时保业务的判别模型，在模型构建过程中，将种子用户标注为正样本，然后把当前订单客户用一个向量来表示，通过余弦相似度来计算候选用户与正样本中种子客户的相似度得分，根据业务需要，通过分析最近一段时期的数据分析，将相似度得分阈值设定为0.8，即把与种子客户相似度得分达到0.8以上的客户作为我们推荐的客户。该模型的目标为选出可以推荐的客户。详细计算流程和公式如下：
[0094]
1、计算种子用户的各个特征的平均值：
[0095][0096]
fc＝(f1c，f2c，...，fnc)
[0097]
其中，n为种子样本个数，j为指定特征，n为客户特征个数。
[0098]
2、计算每个客户与种子客户平均值间的余弦相似度得分：
[0099]
将客户表示为pk＝(f1，f2，...，fn)，其中历史客户使用其实际的fn(n＝1，2，...)值，新的客户默认fn(n＝1，2，...)全部为0.余弦相似度计算为：
[0100][0101]
其中：
[0102][0103]
进一步的，由于不断有新的目标客户加入变成种子客户，还可以针对正样本种子客户集更新。具体来说，根据实际业务场景，随时间变化不断会有新的种子客户(目标客户)产生，因此从每天离线的数据中筛选得到新的种子客户加入训练数据集，并重新训练模型。这种每天动态更新模型的方式，可以更有效的保证新种子客户加入的数量和准确度。
[0104]
在实际应用中，本技术物流准时保业务推荐方法的技术原理架构如图6所示，整体构思来说通过构建预设准时送达判别模型以及客户是否会购买准时保判别模型来实现物流准时保业务推荐，其中预设准时送达判别模型判断当前订单是否可以准时送达，若能准时送达，则通过客户是否会购买准时保判别模型来判断客户是否会购买准时保业务，若基于客户特征判定客户会购买准时保业务，则推荐准时保业务给客户。
[0105]
在实际应用中，本技术物流准时保业务推荐方法具有以下显著的技术效果和社会效益：
[0106]
1、对订单时效达成情况的预测模型，可以有效对订单时效达成情况进行过滤筛选，每天大约可以筛选出五百多万运单；
[0107]
2、引入lookalike的方法，可大量发现与种子用户相似的潜在目标客户，提高推荐购买的几率，促进业务量增长；
[0108]
3、每天实时更新种子客户离线数据并训练新的模型，优化模型效果并扩大了筛选种子客户的范围；
[0109]
4、将二者有机结合，在提升用户体验同时，有效推广了公司的增值服务，促进公司创收。
[0110]
应该理解的是，虽然上述各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0111]
如图7所示，本技术还提供一种物流准时保业务推荐装置，装置包括：
[0112]
订单获取模块200，用于获取当前订单的实时订单数据；
[0113]
物流特征提取模块400，用于提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型；
[0114]
客户特征提取模块600，用于当当前订单属于准时送达类型订单时，获取当前订单客户的客户特征；
[0115]
业务推荐模块800，用于当根据客户特征识别当前订单客户属于准时保业务的目标客户时，推荐准时保业务。
[0116]
上述物流准时保业务推荐装置，获取当前订单的实时订单数据，提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型，若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征，当当前订单客户属于准时保业务的目标客户时，推荐准时保业务。整个过程中，基于预设准时送达判别模型以及当前订单客户特征两次判别，能够准确寻找到准时保业务的目标客户，避免大范围、无目的性推广对客户造成的不便，显著提升准时保业务推荐效率。
[0117]
在其中一个实施例中，上述物流准时保业务推荐模块还包括模型构建模块，用于获取历史订单的订单数据；提取历史订单的订单数据中影响配送时效的元数据特征；将提取的元数据特征输入至初始逻辑回归模型进行训练，得到预设准时送达判别模型，初始逻
辑回归模型的类别划分阈值为预设概率阈值，预设概率阈值与历史订单时效达成率相关。
[0118]
在其中一个实施例中，模型构建模块还用于将提取的元数据特征输入至多个不同的初始逻辑回归模型进行训练，得到多个已训练的初始逻辑回归模型，其中，不同的初始逻辑回归模型中迭代次数以及正则系数不同；获取预设样本测试数据，根据预设样本测试数据分别对多个已训练的初始逻辑回归模型进行测试，得到多个已训练的初始逻辑回归模型的测试结果；根据测试结果以及预设模型选择指标，从多个已训练的初始逻辑回归模型中选取最优的模型作为预设准时送达判别模型。
[0119]
在其中一个实施例中，模型构建模块还用于采用卡方检验方法验证提取的元数据特征与订单是否准时送达的相关性程度；选取相关性较大的元数据特征输入至初始逻辑回归模型进行训练。
[0120]
在其中一个实施例中，模型构建模块还用于采用平均数编码的方式对相关性较大的元数据特征进行归一处理，得到归一后的特征；将归一后的特征输入至初始逻辑回归模型进行训练。
[0121]
在其中一个实施例中，上述物流准时保业务推荐装置还包括目标客户判别模块，用于获取历史记录中购买准时保业务的种子客户；提取种子客户的客户特征；根据当前订单客户的客户特征与种子客户的客户特征，判断当前订单客户是否为准时保业务的目标客户。
[0122]
在其中一个实施例中，目标客户判别模块还用于计算当前订单客户与种子客户的余弦相似度；根据余弦相似度，判断当前订单客户是否为准时保业务的目标客户。
[0123]
关于物流准时保业务推荐装置的具体限定可以参见上文中对于物流准时保业务推荐方法的限定，在此不再赘述。上述物流准时保业务推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0124]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史订单数据以及预设准时送达判别模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物流准时保业务推荐方法。
[0125]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0126]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0127]
获取当前订单的实时订单数据；
[0128]
提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模
型；
[0129]
若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征；
[0130]
当根据客户特征识别当前订单客户属于准时保业务的目标客户时，推荐准时保业务。
[0131]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0132]
获取历史订单的订单数据；提取历史订单的订单数据中影响配送时效的元数据特征；将提取的元数据特征输入至初始逻辑回归模型进行训练，得到预设准时送达判别模型，初始逻辑回归模型的类别划分阈值为预设概率阈值，预设概率阈值与历史订单时效达成率相关。
[0133]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0134]
将提取的元数据特征输入至多个不同的初始逻辑回归模型进行训练，得到多个已训练的初始逻辑回归模型，其中，不同的初始逻辑回归模型中迭代次数以及正则系数不同；获取预设样本测试数据，根据预设样本测试数据分别对多个已训练的初始逻辑回归模型进行测试，得到多个已训练的初始逻辑回归模型的测试结果；根据测试结果以及预设模型选择指标，从多个已训练的初始逻辑回归模型中选取最优的模型作为预设准时送达判别模型。
[0135]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0136]
采用卡方检验方法验证提取的元数据特征与订单是否准时送达的相关性程度；选取相关性较大的元数据特征输入至初始逻辑回归模型进行训练。
[0137]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0138]
采用平均数编码的方式对相关性较大的元数据特征进行归一处理，得到归一后的特征；将归一后的特征输入至初始逻辑回归模型进行训练。
[0139]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0140]
获取历史记录中购买准时保业务的种子客户；提取种子客户的客户特征；根据当前订单客户的客户特征与种子客户的客户特征，判断当前订单客户是否为准时保业务的目标客户。
[0141]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0142]
计算当前订单客户与种子客户的余弦相似度；根据余弦相似度，判断当前订单客户是否为准时保业务的目标客户。
[0143]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0144]
获取当前订单的实时订单数据；
[0145]
提取实时订单数据中物流特征，并将提取的物流特征输入至预设准时送达判别模型；
[0146]
若当前订单属于准时送达类型订单，则获取当前订单客户的客户特征；
[0147]
当根据客户特征识别当前订单客户属于准时保业务的目标客户时，推荐准时保业务。
[0148]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0149]
获取历史订单的订单数据；提取历史订单的订单数据中影响配送时效的元数据特
征；将提取的元数据特征输入至初始逻辑回归模型进行训练，得到预设准时送达判别模型，初始逻辑回归模型的类别划分阈值为预设概率阈值，预设概率阈值与历史订单时效达成率相关。
[0150]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0151]
将提取的元数据特征输入至多个不同的初始逻辑回归模型进行训练，得到多个已训练的初始逻辑回归模型，其中，不同的初始逻辑回归模型中迭代次数以及正则系数不同；获取预设样本测试数据，根据预设样本测试数据分别对多个已训练的初始逻辑回归模型进行测试，得到多个已训练的初始逻辑回归模型的测试结果；根据测试结果以及预设模型选择指标，从多个已训练的初始逻辑回归模型中选取最优的模型作为预设准时送达判别模型。
[0152]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0153]
采用卡方检验方法验证提取的元数据特征与订单是否准时送达的相关性程度；选取相关性较大的元数据特征输入至初始逻辑回归模型进行训练。
[0154]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0155]
采用平均数编码的方式对相关性较大的元数据特征进行归一处理，得到归一后的特征；将归一后的特征输入至初始逻辑回归模型进行训练。
[0156]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0157]
获取历史记录中购买准时保业务的种子客户；提取种子客户的客户特征；根据当前订单客户的客户特征与种子客户的客户特征，判断当前订单客户是否为准时保业务的目标客户。
[0158]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0159]
计算当前订单客户与种子客户的余弦相似度；根据余弦相似度，判断当前订单客户是否为准时保业务的目标客户。
[0160]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0161]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0162]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。