订单处理方法、装置、存储介质及电子设备与流程

1.本公开涉及信息管理领域，具体地，涉及一种订单处理方法、装置、存储介质及电子设备。


背景技术：

2.随着互联网技术的发展，网上订外卖极大地方便了人们的生活，越来越多的用户选择通过网络提交订单订外卖，用户的外卖订单通常会由网络平台调度骑手进行配送。网络平台在进行订单配送时，通常需要对订单的配送难度进行判定，但是，影响订单配送难度的因素众多，比如：配送时间、商家位置、外卖品类等，如果订单配送难度的判定结果不准确，可能会导致网络平台做出不合理的决策，比如导致网络平台对商家端、用户端定价不合理，骑手调度不合理等。


技术实现要素：

3.本公开的主要目的是提供一种订单处理方法、装置、存储介质及电子设备，能够准确确定订单的配送难度。
4.为了实现上述目的，本公开第一方面提供一种订单处理方法，所述方法包括：
5.采集当前订单的至少两个特征信息；
6.将所述特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果，其中，所述多维预测模型包括至少两个预测模型，不同预测模型用于输出所述当前订单在不同维度的决策因素下的预测结果；
7.根据所述多维预测结果确定所述当前订单的配送难度参数，所述配送难度参数用于表征所述当前订单的配送难度；
8.根据所述当前订单的配送难度参数确定所述当前订单的处理策略。
9.可选地，所述根据所述多维预测结果确定所述当前订单的配送难度参数，包括：
10.获取所述多维预测模型中每个维度的预测模型的模型权重；
11.根据所述多维预测结果及每个维度的预测模型的模型权重确定所述当前订单的配送难度参数。
12.可选地，所述获取所述多维预测模型中每个维度的预测模型的模型权重，包括：
13.获取预先配置的所述多维预测模型中每个维度的预测模型的模型权重。
14.可选地，所述获取所述多维预测模型中每个维度的预测模型的模型权重，包括：
15.确定当前配送场景；
16.根据所述当前配送场景为所述多维预测模型中每个维度的预测模型配置模型权重。
17.可选地，所述确定当前配送场景，包括：
18.根据所述当前订单所在区域的计划配送数据和历史订单数据确定当前的运力供需状态；
19.根据当前的运力供需状态确定所述当前配送场景。
20.可选地，所述根据所述多维预测结果及每个维度的预测模型的模型权重确定所述当前订单的配送难度参数，包括：
21.将所述当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘，取所得结果中的最大值作为所述当前订单的配送难度参数。
22.可选地，所述根据所述多维预测结果及每个维度的预测模型对应的模型权重确定所述当前订单的配送难度参数，包括：
23.将所述当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘后求和，将所得和值作为所述当前订单的配送难度参数。
24.可选地，所述多维预测模型按照如下方法训练得到：
25.采集历史订单的多个特征信息，构建样本；
26.设置多维决策因素；
27.将所述样本以及所述样本在所述多维决策因素中每个维度的决策因素下的实际决策结果作为训练数据，进行模型训练，得到所述多维预测模型。
28.可选地，在设置多维决策因素之后，还包括：
29.将所述样本在所述多维决策因素中每个维度的决策因素下的实际决策结果二值化。
30.本公开第二方面提供一种订单处理装置，所述装置包括：
31.采集模块，被配置成用于采集当前订单的至少两个特征信息；
32.预测模块，被配置成用于将所述特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果，其中，所述多维预测模型包括至少两个预测模型，不同预测模型用于输出所述当前订单在不同维度的决策因素下的预测结果；
33.第一确定模块，被配置成用于根据所述多维预测结果确定所述当前订单的配送难度参数，所述配送难度参数用于表征所述当前订单的配送难度；
34.第二确定模块，被配置成用于根据所述当前订单的配送难度参数确定所述当前订单的处理策略。
35.可选地，所述第一确定模块包括：
36.获取子模块，被配置用于获取所述多维预测模型中每个维度的预测模型的模型权重；
37.确定子模块，被配置成用于根据所述多维预测结果及每个维度的预测模型的模型权重确定所述当前订单的配送难度参数。
38.可选地，所述获取子模块包括：
39.权重获取子模块，被配置成用于获取预先配置的所述多维预测模型中每个维度的预测模型的模型权重。
40.可选地，所述获取子模块包括：
41.场景确定子模块，被配置成用于确定当前配送场景；
42.权重配置子模块，被配置成用于根据所述当前配送场景为所述多维预测模型中每个维度的预测模型配置模型权重。
43.可选地，所述场景确定子模块，被配置成具体用于根据所述当前订单所在区域的
计划配送数据和历史订单数据确定当前的运力供需状态；根据当前的运力供需状态确定所述当前配送场景。
44.可选地，所述确定子模块被配置成具体用于，将所述当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘，取所得结果中的最大值作为所述当前订单的配送难度参数。
45.可选地，所述确定子模块被配置成具体用于，将所述当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘后求和，将所得和值作为所述当前订单的配送难度参数。
46.可选地，所述装置还包括：
47.构建模块，被配置成用于采集历史订单的至少两个特征信息，构建样本；
48.设置模块，被配置成用于设置多维决策因素；
49.训练模块，被配置成用于将所述样本以及所述样本在所述多维决策因素中每个维度的决策因素下的实际决策结果作为训练数据，进行模型训练，得到所述多维预测模型。
50.可选地，所述装置还包括：
51.二值化模块，被配置成用于将所述样本在所述多维决策因素中每个维度的决策因素下的实际决策结果二值化。
52.本公开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第一方面所述的订单处理方法的步骤。
53.本公开第四方面提供一种电子设备，包括：
54.存储器，其上存储有计算机程序；
55.处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面所述的订单处理方法的步骤。
56.采用本公开提供的技术方案，至少可以达到如下技术效果：
57.本公开的实施例所提供的技术方案，通过采集当前订单的至少两个特征信息，将采集的特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果，根据该多维预测结果确定当前订单的配送难度参数，该配送难度参数用于表征当前订单的配送难度，继而根据当前订单的配送难度参数确定当前订单的处理策略。由于在确定当前订单的配送难度时，采用了多维预测模型，不同维度的预测模型用于输出当前订单在不同维度的决策因素下的预测结果，从而从不同维度的决策因素下对当前订单的配送难度进行预测，纳入考虑了更多、更全面的对订单配送难度的刻画因素，因而可以实现对订单配送难度的准确确定，为网络平台的决策提供了可靠依据。
58.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
59.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：
60.图1是本公开的实施例示出的一种订单处理方法的流程图；
61.图2是本公开的实施例示出的多维预测模型的一种训练方法的流程图；
62.图3是本公开的实施例示出的另一种订单处理方法的流程图；
63.图4是本公开的实施例示出的再一种订单处理方法的流程图；
64.图5是本公开的实施例示出的又一种订单处理方法的流程图；
65.图6是本公开的实施例示出的一种订单处理装置的结构框图；
66.图7是本公开的实施例示出的另一种订单处理装置的结构框图；
67.图8是本公开的实施例示出的电子设备的一个结构示意图。
具体实施方式
68.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。
69.网络平台在进行订单配送时，通常需要对订单的配送难度进行判定，订单配送难度的判定结果可以为网络平台对用户端定价、商家端定价、骑手调度、商家曝光排序等提供决策依据。通常来说，配送时间较长、骑手无人接单、配送超时、商家出餐慢、商家位置偏僻、用户所在小区进出不便捷、难以合包等订单，这些都是配送难度高的订单。针对配送难度高的订单，比如可以向该订单涉及的商家或用户收取更高的配送费，或者延后调度骑手派送，或者在向用户展示商家列表时，将该订单涉及的商家排序的比较靠后，具体可依据实际需求进行决策。
70.在确定订单配送难度的相关技术中，通常采用的是单一的决策因素，构建单个预测模型来确定订单的配送难度。比如，长时单预测模型，只是单纯地通过预测订单的配送时长来预测订单的配送难度，即订单配送时长越长、订单配送难度越高，显然，这是不合理的。比如，骑手接单意愿、骑手等餐时长等，这些也是明显影响订单配送难度的重要因素，而现有的单模型预测方案则无法兼顾这些因素，从而导致订单配送难度的确定结果不够准确。
71.发明人注意到这一问题，提出了一种订单处理方法，具体如下：
72.请参阅图1，图1是本公开的实施例示出的一种订单处理方法的流程图，本公开的实施例示出的订单处理方法的执行主体，可以是本公开的实施例提供的订单处理装置，或者是集成了该订单处理装置的电子设备，其中，电子设备可以是网络平台的后台服务器，如图1所示，该方法包括以下步骤：
73.步骤101，采集当前订单的至少两个特征信息。
74.当前订单可以是当前可能发生交易的订单，比如用户在网络平台搜索餐品“奶茶”，网络平台基于用户的搜索为用户展示能够提供奶茶的商家的商家列表，则用户可能与该商家列表中的任意一个商家发生交易产生订购奶茶的订单，这种订单即当前可能发生交易的订单。另外，当前订单也可以是当前已经发生交易的订单，比如用户已经在某个商家下单购买某个餐品。
75.示例地，可以将订单的特征信息划分成不同的维度，这些维度包括但不限于：商家维度、用户维度、骑手维度、订单维度、商家与用户交叉维度，每个维度可以包括一个或多个特征信息，每个维度包含的特征信息的数量可以相同，也可以不同。
76.其中，商家维度的特征信息比如：商家的地址、商家所在的区域、商家所在的商圈、商家所在点的经纬度、商家的出餐速度等；用户维度的特征信息比如：用户的地址、用户所在的区域、用户所在点的经纬度、用户所在小区进出是否便捷、用户所处区域的交通堵塞程度等；骑手维度的特征信息比如：骑手人数、骑手的已接单数量等；订单维度的特征信息比
如：订单所涉及的餐品种类等；商家与用户交叉维度的特征信息比如：商家与用户之间的距离，商家与用户之间的历史交易订单数量等。
77.具体实现中，当前订单的至少两个特征信息可以从实时特征平台采集，也可以从离线特征平台采集，即所采集的至少两个特征信息可以是与当前订单相关的实时特征信息，也可以是与当前订单相关的历史特征信息，所采集的当前订单的至少两个特征信息，这些特征信息可以属于同一维度，也可以分属不同维度，此处不做具体限定。
78.步骤102，将该特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果。
79.多维预测模型包括至少两个预测模型，每个预测模型输出一个预测结果，不同预测模型用于输出当前订单在不同维度的决策因素下的预测结果。
80.示例地，不同维度的决策因素可以涉及骑手接单意愿、骑手等餐时长、骑手交付时长、配送餐损、订单运送时长等多个维度影响配送难度的因素。具体地，不同维度的决策因素例如可以为：订单在15分钟内是否没有骑手愿意接单，骑手等待出餐的时长是否超过10分钟，骑手交付时长是否超过5分钟，配送餐损是否超过10元，订单运送时长是否超过20分钟等。在一个具体的实施例中，多维预测模型可如下表1所示。
81.维度预测模型决策因素1骑手接单意愿预测模型订单在15分钟内是否没有骑手愿意接单2骑手等餐时长预测模型骑手等待出餐的时长是否超过10分钟3骑手交付时长预测模型骑手交付时长是否超过5分钟4订单运送时长预测模型订单运送时长是否超过20分钟5配送超时预测模型订单配送是否会超时6配送餐损预测模型配送赔付餐损是否超过10元7合包概率预测模型合包概率是否大于60％8运力占用时长预测模型运力占用时长是否超过预设值9配送尾单预测模型是否为尾单
………………
82.表1
83.需要说明书的是，表1所示多维预测模型仅为举例说明，不作为对模型种类及数量的限定。
84.其中，在将当前订单的至少两个特征信息作为多维预测模型中每个预测模型的输入时，每个预测模型被输入的当前订单的特征信息，可以相同，也可以不同，具体视多维预测模型训练时所取特征情况而定。比如当前订单的至少两个特征信息包括a、b、c、d、e这5个特征信息，在进行预测时，骑手接单意愿预测模型被输入的特征信息可以为a、b、c，骑手等餐时长预测模型被输入的特征信息可以为b、c、d、e，订单运送时长预测模型被输入的特征信息可以为a、b、c、d、e。
85.以表1所示多维预测模型为例，当将当前订单的至少两个特征信息作为骑手接单意愿预测模型的输入时，该预测模型的输出即当前订单在15分钟内是否没有骑手愿意接单的预测结果；当将当前订单的至少两个特征信息作为骑手等餐时长预测模型的输入时，该预测模型的输出即当前订单的骑手等待出餐的时长是否超过10分钟的预测结果；当将当前
订单的至少两个特征信息作为骑手交付时长预测模型的输入时，该预测模型的输出即当前订单的骑手交付时长是否超过5分钟的预测结果。
86.每个预测模型输出的预测结果可以用具体的数值0、1表示，比如可以将肯定的预测结果用1表示，将否定的预测结果用0表示。
87.步骤103，根据该多维预测结果确定当前订单的配送难度参数。
88.具体地，可以将多个预测模型输出的预测结果综合起来，以确定当前订单的配送难度参数，当前订单的配送难度参数用于表征当前订单的配送难度，如果将肯定的预测结果用1表示，将否定的预测结果用0表示，则当前订单的配送难度参数越大，表明当前订单的配送难度越高。
89.步骤104，根据当前订单的配送难度参数确定当前订单的处理策略。
90.比如，所确定的当前订单的配送难度参数，可以为网络平台对各端定价、骑手调度、商家曝光排序等提供决策依据。针对配送难度高的订单，比如可以向该订单涉及的商家或用户收取更高的配送费，或者延后调度骑手派送，或者在向用户展示商家列表时，将该订单涉及的商家排序的比较靠后，具体可依据实际需求进行决策。
91.采用上述方法，通过采集当前订单的至少两个特征信息，将采集的特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果，根据该多维预测结果确定当前订单的配送难度参数，该配送难度参数用于表征当前订单的配送难度。由于在确定当前订单的配送难度时，采用了多维预测模型，不同维度的预测模型用于输出当前订单在不同维度的决策因素下的预测结果，从而从不同维度的决策因素下对当前订单的配送难度进行预测，纳入考虑了更多、更全面的对订单配送难度的刻画因素，因而可以实现对订单配送难度的准确确定，为网络平台的决策提供了可靠依据。
92.下面介绍本公开的实施例示出的多维预测模型的训练方法，如图2所示，该训练方法包括：
93.步骤201，采集历史订单的至少两个特征信息，构建样本。
94.历史订单可以是已经完成配送的订单，示例地，可以采集过去预设时间段内预设数量的历史订单的至少两个特征信息，构建样本，一个历史订单的特征信息可以作为一个样本，在进行模型训练时，所取样本数量越多，模型预测结果准确度越高，相应地，训练成本也就越高，因而，可以根据实际情况合理选取所用样本的数量。历史订单的至少两个特征信息，与当前订单的至少两个特征信息在维度和数量上均可以相同，具体可参阅当前订单的至少两个特征信息的描述，此处不再赘述。
95.步骤202，设置多维决策因素。
96.具体地，可以根据经验和实际需求设置多维决策因素，多维决策因素包括至少两个决策因素，多维决策因素可以涉及骑手接单意愿、骑手等餐时长、骑手交付时长、配送餐损、订单运送时长等多个维度影响配送难度的因素，所设置的多维决策因素例如可以为：订单在15分钟内是否没有骑手愿意接单，骑手等待出餐的时长是否超过10分钟，骑手交付时长是否超过5分钟，配送赔付餐损是否超过10元，订单运送时长是否超过20分钟等。如此一来，将订单配送难度预测问题转化为二分类问题。
97.步骤203，将样本在多维决策因素中每个维度的决策因素下的实际决策结果二值化。
98.由于样本由历史订单的特征信息构成，而历史订单是已经完成配送的订单，则样本在每个维度的决策因素下的实际决策结果是已知的。比如，样本涉及的历史订单为奶茶交易订单，该订单在用户下单之后，3分钟内就有骑手接单了，骑手到达商家所在店铺之后，等了2分钟就取到了奶茶，骑手用了25分钟到达用户附近，并用了1分钟将奶茶交付给了用户；则该样本在决策因素“订单在15分钟内是否没有骑手愿意接单”下的实际决策结果为否，在决策因素“骑手等待出餐的时长是否超过10分钟”下的实际决策结果为否，在决策因素“订单运送时长是否超过20分钟”下的实际决策结果为是，在决策因素“骑手交付时长是否超过5分钟”下的实际决策结果为否。
99.由于本方案涉及的预测模型有多个，为了便于后续对多个模型的预测结果进行综合，可以将样本在多维决策因素中每个维度的决策因素下的实际决策结果二值化，比如，将肯定的实际决策结果用1表示，将否定的实际决策结果用0表示。
100.步骤204，将该样本以及该样本在多维决策因素中每个维度的决策因素下的实际决策结果作为训练数据，进行模型训练，得到该多维预测模型。
101.示例地，多维预测模型可以是采用梯度提升决策树(gradient boosting decision tree，gbdt)、深度学习、随机森林等算法实现的模型，多维预测模型中包括的各个预测模型，可以采用相同的算法实现，也可以采用不同的算法实现。多维预测模型中包括的各个预测模型，在训练时所取用的样本特征，可以相同，也可以不同，视具体需求而定。
102.模型的训练过程，即找出预设分类模型在每个维度的决策因素下的最优模型参数，从而使得样本在预设分类模型的输出结果最大限度地轮流靠近该样本在每个维度的决策因素下的实际决策结果，样本在预设分类模型的输出结果最大限度地靠近该样本在一个维度的决策因素下的实际决策结时，即得到一个预测模型，遍历所有维度的决策因素，即得到该多维预测模型。
103.图3是本公开实施例示出的另一种订单处理方法的流程图，如图3所示，该方法包括：
104.步骤301，采集当前订单的至少两个特征信息。
105.步骤302，将该特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果。
106.步骤301、302同前述步骤101、102，此处不再赘述。
107.步骤303，获取预先配置的多维预测模型中每个维度的预测模型的模型权重。
108.具体实现中，网络平台的后台管理人员可以根据业务需要预先为多维预测模型中每个维度的预测模型配置模型权重，比如，如果要提高用户体验，则可以将能够体现用户体验的预测模型(如订单运送时长预测模型、配送超时预测模型、配送餐损预测模型等)配置较高的模型权重，将其他预测模型配置较低的模型权重；再比如，如果要提高配送效率，则可以将能够体现配送效率的预测模型配置(如运力占用时长预测模型、合包概率预测模型等)较高的模型权重，将其他预测模型配置较低的模型权重，后台服务器可以获取预先为多维预测模型中每个维度的预测模型配置模型权重。特别地，如果将某个预测模型的模型权重配置为0，则可以表示不启用该预测模型。
109.步骤304，根据该多维预测结果及每个维度的预测模型的模型权重确定当前订单的配送难度参数。
110.具体地，可以设定融合算法f对该多维预测结果及每个维度的预测模型的模型权重进行处理，则当前订单的配送难度参数o＝f(r,w)，其中，o表示配送难度参数，r表示该多维预测结果，w表示模型权重。
111.在一个具体的实施例中，融合算法f可以是最大值融合算法，即可以将当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘，取所得结果中的最大值作为当前订单的配送难度参数。
112.在一个具体的实施例中，融合算法f还可以是线性加权融合算法，即可以将当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘后求和，将所得和值作为当前订单的配送难度参数。
113.配送难度参数用于表征当前订单的配送难度，如果将肯定的预测结果用1表示，将否定的预测结果用0表示，则当前订单的配送难度参数越大，表明当前订单的配送难度越高。
114.步骤305，根据当前订单的配送难度参数确定当前订单的处理策略。
115.比如，所确定的当前订单的配送难度参数，可以为网络平台对各端定价、骑手调度、商家曝光排序等提供决策依据。针对配送难度高的订单，比如可以向该订单涉及的商家或用户收取更高的配送费，或者延后调度骑手派送，或者在向用户展示商家列表时，将该订单涉及的商家排序的比较靠后，具体可依据实际需求进行决策。
116.采用上述方法，在确定当前订单的配送难度时，采用了多维预测模型，不同维度的预测模型用于输出当前订单在不同维度的决策因素下的预测结果，从而从不同维度的决策因素下对当前订单的配送难度进行预测，纳入考虑了更多、更全面的对订单配送难度的刻画因素，因而可以实现对订单配送难度的准确确定，为网络平台的决策提供了可靠依据。
117.进一步地，通过为每个预测模型配置模型权重，可以实现根据不同业务需求、不同场景对订单配送难度进行差异化刻画，通用性更强。
118.图4是本公开实施例示出的又一种订单处理方法的流程图，如图4所示，该方法包括：
119.步骤401，采集当前订单的至少两个特征信息。
120.步骤402，将该特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果。
121.步骤401、402同前述步骤101、102，此处不再赘述。
122.步骤403，根据当前订单所在区域的计划配送数据和历史订单数据确定当前的运力供需状态。
123.其中，计划配送数据比如：当前区域订单的计划配送时长，当前区域订单的计划配送完成率；历史订单数据比如：当前区域订单的骑手接单率，当前区域订单的未配送单量。通常来说，如果当前区域订单的计划配送时长越短，或者当前区域订单的计划配送完成率越高，或者当前区域订单的骑手接单率越高，或者当前区域订单的未配送单量越多，则对运力需求就越大。
124.具体地，根据当前订单所在区域的计划配送数据和历史订单数据所确定的当前的运力供需状态可以包括：运力供应不足、运力供需平衡及运力供应充沛。
125.步骤404，根据当前的运力供需状态确定当前配送场景。
126.在运力供应不足的状态下，平台会更加关注配送效率，则可以确定当前配送场景为配送效率优先场景；在运力供应充沛的状态下，平台会更加关注用户体验，则可以确定当前配送场景为用户体验优先场景；在运力供需平衡的状态下，平台可能会关注骑手体验，则以确定当前配送场景为骑手体验优先场景。
127.步骤405，根据当前配送场景为多维预测模型中每个维度的预测模型配置模型权重。
128.在一个具体的实施例中，可以预先根据配送场景对训练出的预测模型分组，具体的分组比如下表2所示：
[0129][0130]
表2
[0131]
在确定当前配送场景之后，可以根据当前配送场景自动为对应组的预测模型配置模型权重。比如，如果当前配送场景为配送效率优先场景，则可以为配送效率优先场景对应组的预测模型配置第一模型权重，而对其他组的预测模型配置第二模型权重。如果当前配送场景为用户体验优先场景，则可以为用户体验优先场景对应组的预测模型配置第一模型权重，而对其他预测模型配置第二模型权重。如果当前配送场景为骑手体验优先场景，则可以骑手体验优先场景对应组的预测模型配置第一模型权重，而对其他预测模型配置的第二模型权重，其中，第一模型权重大于第二模型权重。特别地，如果将某些预测模型的模型权重配置为0，则可以表示不启用该组预测模型。
[0132]
步骤406，根据该多维预测结果及每个维度的预测模型的模型权重确定当前订单的配送难度参数。
[0133]
具体地，可以设定融合算法f对该多维预测结果及每个维度的预测模型的模型权重进行处理，则当前订单的配送难度参数o＝f(r,w)，其中，o表示配送难度参数，r表示该多维预测结果，w表示模型权重。
[0134]
在一个具体的实施例中，融合算法f可以是最大值融合算法，即可以将当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘，取所得结果中的最大值作为当前订单的配送难度参数。
[0135]
在一个具体的实施例中，融合算法f还可以是线性加权融合算法，即可以将当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘后求和，将所得和值作为当前订单的配送难度参数。
[0136]
配送难度参数用于表征当前订单的配送难度，如果将肯定的预测结果用1表示，将否定的预测结果用0表示，则当前订单的配送难度参数越大，表明当前订单的配送难度越高。
[0137]
步骤407，根据当前订单的配送难度参数确定当前订单的处理策略。
[0138]
比如，所确定的当前订单的配送难度参数，可以为网络平台对各端定价、骑手调度、商家曝光排序等提供决策依据。针对配送难度高的订单，比如可以向该订单涉及的商家或用户收取更高的配送费，或者延后调度骑手派送，或者在向用户展示商家列表时，将该订单涉及的商家排序的比较靠后，具体可依据实际需求进行决策。
[0139]
采用上述方法，在确定当前订单的配送难度时，采用了多维预测模型，不同维度的预测模型用于输出当前订单在不同维度的决策因素下的预测结果，从而从不同维度的决策因素下对当前订单的配送难度进行预测，纳入考虑了更多、更全面的对订单配送难度的刻画因素，因而可以实现对订单配送难度的准确确定，为网络平台的决策提供了可靠依据。
[0140]
进一步地，通过为每个预测模型配置模型权重，可以实现根据不同业务需求、不同场景对订单配送难度进行差异化刻画，通用性更强。
[0141]
下面以一个具体的例子说明本公开实施例示出的订单处理方法，请参阅图5，比如所采集的当前订单的至少两个特性信息包括特征1、特征2
……
特征m这m个特征，所训练出的多维预测模型包括模型1、模型2
……
模型n这n个模型，m、n均为大于2的整数，则可以将这m个特征作为这n个模型中每个模型的输入，则可以得到预测结果r1、预测结果r2
……
预测结果rn这n个预测结果，假如n个模型的模型权重分别为w1、w2、
……
wn，则根据这n个预测结果及n个模型权重确定的当前订单的配送难度参数可以表示为：o＝f(ri,wi)，其中，o表示配送难度参数，f表示融合算法，r表示预测结果，w表示模型权重，i∈[1,n]。
[0142]
如果融合算法选择最大值融合算法，即将当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘，取所得结果中的最大值作为当前订单的配送难度参数，则o＝max(r1*w1,r2*w2
…
rn*wn)。如果融合算法选择线性加权融合算法，即将当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘后求和，将所得和值作为当前订单的配送难度参数，则
[0143]
最后，可以根据当前订单的配送难度参数确定当前订单的处理策略。比如，所确定的当前订单的配送难度参数，可以为网络平台对各端定价、骑手调度、商家曝光排序等提供决策依据。针对配送难度高的订单，比如可以向该订单涉及的商家或用户收取更高的配送费，或者延后调度骑手派送，或者在向用户展示商家列表时，将该订单涉及的商家排序的比较靠后，具体可依据实际需求进行决策。
[0144]
图6是本公开的实施例示出的一种订单处理装置的结构框图，如图6所示，该装置500可以包括：
[0145]
采集模块501，被配置成用于采集当前订单的至少两个特征信息；
[0146]
预测模块502，被配置成用于将所述特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果，其中，所述多维预测模型包括至少两个预测模型，不同预测模型用于输出所述当前订单在不同维度的决策因素下的预测结果；
[0147]
第一确定模块503，被配置成用于根据所述多维预测结果确定所述当前订单的配送难度参数，所述配送难度参数用于表征所述当前订单的配送难度；
[0148]
第二确定模块504，被配置成用于根据所述当前订单的配送难度参数确定所述当前订单的处理策略。
[0149]
一实施例中，如图7所示，所述第一确定模块503包括：
[0150]
获取子模块5031，被配置用于获取所述多维预测模型中每个维度的预测模型的模型权重；
[0151]
确定子模块5032，被配置成用于根据所述多维预测结果及每个维度的预测模型的模型权重确定所述当前订单的配送难度参数。
[0152]
一实施例中，所述获取子模块5031包括：
[0153]
权重获取子模块50311，被配置成用于获取预先配置的所述多维预测模型中每个维度的预测模型的模型权重。
[0154]
一实施例中，所述获取子模块5031包括：
[0155]
场景确定子模块50312，被配置成用于确定当前配送场景；
[0156]
权重配置子模块50313，被配置成用于根据所述当前配送场景为所述多维预测模型中每个维度的预测模型配置模型权重。
[0157]
一实施例中，所述场景确定子模块50312，被配置成具体用于根据所述当前订单所在区域的计划配送数据和历史订单数据确定当前的运力供需状态；根据当前的运力供需状态确定所述当前配送场景。
[0158]
一实施例中，所述确定子模块5032被配置成具体用于，将所述当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘，取所得结果中的最大值作为所述当前订单的配送难度参数。
[0159]
一实施例中，所述确定子模块5032被配置成具体用于，将所述当前订单在每个维度的预测结果与对应维度的预测模型的模型权重相乘后求和，将所得和值作为所述当前订单的配送难度参数。
[0160]
一实施例中，所述装置还包括：
[0161]
构建模块505，被配置成用于采集历史订单的至少两个特征信息，构建样本；
[0162]
设置模块506，被配置成用于设置多维决策因素；
[0163]
训练模块507，被配置成用于将所述样本以及所述样本在所述多维决策因素中每个维度的决策因素下的实际决策结果作为训练数据，进行模型训练，得到所述多维预测模型。
[0164]
一实施例中，所述装置还包括：
[0165]
二值化模块508，被配置成用于将所述样本在所述多维决策因素中每个维度的决策因素下的实际决策结果二值化。
[0166]
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。
[0167]
综上所述，通过采集当前订单的至少两个特征信息，将采集的特征信息作为多维预测模型中每个预测模型的输入，得到多维预测结果，根据该多维预测结果确定当前订单的配送难度参数，该配送难度参数用于表征当前订单的配送难度，继而根据当前订单的配送难度参数确定当前订单的处理策略。由于在确定当前订单的配送难度时，采用了多维预测模型，不同维度的预测模型用于输出当前订单在不同维度的决策因素下的预测结果，从而从不同维度的决策因素下对当前订单的配送难度进行预测，纳入考虑了更多、更全面的对订单配送难度的刻画因素，因而可以实现对订单配送难度的准确确定，为网络平台的决策提供了可靠依据。
[0168]
进一步地，通过为每个预测模型配置模型权重，可以实现根据不同业务需求、不同场景对订单配送难度进行差异化刻画，通用性更强。
[0169]
示例地，图8是本公开的实施例示出的一种电子设备800的结构示意图。参照图8，电子设备800包括处理器801，其数量可以为一个或多个，以及存储器802，用于存储可由处理器801执行的计算机程序。存储器802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801可以被配置为执行该计算机程序，以执行上述的订单配送难度的确定方法。
[0170]
另外，电子设备800还可以包括电源组件803和通信组件804，该电源组件803可以被配置为执行电子设备800的电源管理，该通信组件804可以被配置为实现电子设备800的通信，例如，有线或无线通信。此外，该电子设备800还可以包括输入/输出(i/o)接口905。电子设备800可以操作基于存储在存储器802的操作系统，例如windows servertm，mac os xtm，unixtm，linuxtm等等。
[0171]
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订单处理方法的步骤。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802，上述程序指令可由电子设备800的处理器801执行以完成上述的订单处理方法。
[0172]
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。
[0173]
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。