配送运单的信息处理方法、装置、产品、存储介质及设备与流程

计算;推算;计数设备的制造及其应用技术1.本说明书涉及互联网技术领域，尤其涉及配送运单的信息处理方法、装置、产品、存储介质及设备。背景技术：2.配送服务广泛应用于网购、餐饮外卖、跑腿代购等场景中。如餐饮外卖等场景，用户利用客户端下单后，服务端会快速为该配送运单分配配送运力，配送运力会到达店铺方的位置，领取需配送的物品并送达至用户指定的送达位置。此种场景下，配送运单的配送情况对于业务具有重要意义。例如，服务端在用户下单时，会预估该配送运单的预估配送时长并提供给用户，作为对该用户承诺的承诺用户时长；而配送过程中，实际配送时长会动态变化，在当前时刻下，服务端可以预估出实际最终送达时刻与当前时刻之间的剩余配送时长，或者预估该运单是否超时。基于此，在配送过程中，准确地预估配送运单是否超时，成为亟待解决的技术问题。技术实现要素：3.为克服相关技术中存在的问题，本说明书实施例提供了配送运单的信息处理方法、装置、产品、存储介质及设备。4.根据本说明书实施例的第一方面，提供一种配送运单的信息处理方法，所述方法包括：5.获取当前处于配送状态的配送运单在当前时刻的运单信息；6.将所述当前时刻的运单信息输入至机器学习模型中，获取所述机器学习模型预测的当前时刻的剩余配送时长均值和剩余配送时长方差；其中，所述机器学习模型是基于当前时刻的剩余配送时长服从正态分布训练得到的；7.根据所述预测的当前时刻的剩余配送时长均值和剩余时长方差，确定当前时刻的剩余配送时长的正态分布；8.获取当前时刻的剩余承诺用户时长，利用所述正态分布确定当前时刻下所述配送运单的超时概率。9.根据本说明书实施例的第二方面，提供一种配送运单的信息处理装置，包括：10.运单信息获取模块，用于：获取当前处于配送状态的配送运单在当前时刻的运单信息；11.模型预测模块，用于：将所述当前时刻的运单信息输入至机器学习模型中，获取所述机器学习模型预测的当前时刻的剩余配送时长均值和剩余配送时长方差；其中，所述机器学习模型是基于当前时刻的剩余配送时长服从正态分布训练得到的；12.正态分布确定模块，用于：根据所述预测的当前时刻的剩余配送时长均值和剩余时长方差，确定当前时刻的剩余配送时长的正态分布；13.超时确定模块，用于：获取当前时刻的剩余承诺用户时长，利用所述正态分布确定当前时刻下所述配送运单的超时概率。14.根据本说明书实施例的第三方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现前述第一方面所述方法实施例的步骤。15.根据本说明书实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述第一方面所述方法实施例的步骤。16.根据本说明书实施例的第五方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现前述第一方面所述方法实施例的步骤。17.本说明书的实施例提供的技术方案可以包括以下有益效果：18.本说明书实施例中，设计了以当前时刻的剩余配送时长服从正态分布来训练机器学习模型，还设计了机器学习模型的输出为当前时刻的剩余配送时长均值和剩余配送时长方差，基于此可以利用这两个模型预估的信息来确定当前时刻的剩余配送时长的正态分布曲线，结合当前时刻的剩余承诺用户时长，利用所述正态分布确定当前时刻下所述配送运单的超时概率。本实施例中通过以当前时刻的剩余配送时长服从正态分布的设计，实现了将两个信息关联起来，由一个模型同时预估这两个相关联的信息，因此模型的训练难度和维护难度显著降低，也保证了模型的预测准确性。并且，还基于模型输出的两个信息设计了利用正态分布来确定超时概率，由于模型的准确输出，从而可以得到准确的超时概率。19.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。附图说明20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。21.图1a是本说明书根据一示例性实施例示出的一种配送场景示意图。22.图1b是本说明书根据一示例性实施例示出的一个时间轴的示意图。23.图2a是本说明书根据一示例性实施例示出的一种配送运单的信息处理方法的流程图。24.图2b是本说明书根据一示例性实施例示出的一种当前时刻的剩余配送时长的正态分布示意图。25.图3是本说明书根据一示例性实施例示出的一种配送运单的信息处理装置所在计算机设备的一种硬件结构图。26.图4是本说明书根据一示例性实施例示出的一种配送运单的信息处理装置的框图。具体实施方式27.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说明书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、本说明书的一些方面相一致的装置和方法的例子。28.在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。29.应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。30.配送服务广泛应用于网购、餐饮外卖、跑腿代购等场景中。如图1a所示，是本说明书根据一示例性实施例示出的一种配送场景示意图，包括有业务方、配送运力和用户。其中，服务方搭建有服务端，向用户提供有客户端，用户可通过客户端使用服务方提供的服务；与供用户使用的客户端不同，服务方还向店铺方提供有供店铺方使用的客户端，店铺方可通过该客户端使用服务方提供的服务。其中，各个用户均可通过客户端与店铺方交易，每一笔交易订单对应有配送运单，服务方可以为该配送运单分配配送运力，本实施例的配送运力是指具有配送能力的一方，包括但不限于配送人员，例如俗称的骑手，配送运力可以通过面向配送运力所使用的客户端与服务端通信；在其他例子中配送运力还可以包括无人配送设备，例如无人机、无人车等等。31.一些场景中用户对配送服务的状态较为关注，例如餐饮外卖等场景中的配送服务，通常用户利用客户端发起交易订单，服务端为交易订单生成对应的配送运单，配送运单中涉及用户指定的配送起点位置和配送终点位置，服务端根据运单信息调度配送运力，由配送运力从配送起点位置，将用户所需的物品配送至配送终点位置。在一些对配送时效要求较高的场景下，例如即时配送服务，用户发起运单后，往往较为关注运单的配送状态。32.如图1b所示，是本说明书根据一示例性实施例示出的一个时间轴的示意图，结合图1b，配送运单的配送状态涉及至少如下4个有关时间的概念：33.(1)承诺用户时长，即用户下单那一刻，承诺用户多久送达的时长；例如通常在一笔配送运单生成时，服务端会基于该配送运单的配送起点位置和配送终点位置，以及配送运力的位置及该配送运力配送的运单数量等多种因素，预估该配送运单送达用户指定的配送终点位置的时长。例如，图1b中，在时刻a配送运单产生，服务端预估的该配送运单的承诺送达时刻是n；时刻n减去时刻a，即承诺用户时长。34.(2)实际配送时长，即从用户下单时刻到实际送达到指定配送终点位置的时长，实际送达到指定配送终点位置即表示该配送运单完成配送。实际应用中，一笔配送运单在配送运力的配送过程中会面临诸多可变的因素，例如天气、道路拥堵、出餐时间延长或其他配送运单的影响等等，导致实际配送时长可能与承诺用户时长不同，可能大于也可能小于承诺用户时长，实际配送时长大于承诺用户时长的情况即为超时。例如，图1b中以实际送达时刻大于承诺送达时刻为例，实际送达时刻是m，时刻m减去时刻a，即实际配送时长。35.(3)当前时刻的剩余配送时长，即一笔配送运单从产生开始至最终完成配送的过程中，实际最终送达时刻与当前时刻之间的时长。当前时刻是时刻a至时刻m之间的任意时刻，例如，图1b中以时刻o为当前时刻，当前时间为时刻o，时刻o的剩余配送时长为m减去a。36.(4)当前时刻的剩余承诺用户时长，即一笔配送运单从产生开始至最终完成配送的过程中，承诺的送达时刻与当前时刻之间的时长。例如，图1b中以时刻o为当前时刻，当前时间为时刻o，时刻o的剩余配送时长为n减去a。37.配送运单未完成的过程中，实际配送时长是未知的，因此当前时刻的剩余配送时长也是未知的。然而，实际业务中面临有在配送运单未完成的过程准确预估当前时刻的剩余配送时长的需求。例如，即时配送场景下一些用户会较为关注配送运单的配送状态，用户查阅客户端时，客户端提供的配送状态页面中显示有当前时刻的配送运力的实时位置信息，还可以基于多种实际因素预估当前时刻的剩余配送时长并显示，可选的，还可以基于当前时刻的剩余配送时长预估该笔运单的超时概率。用户在不同时刻查阅客户端，客户端显示的剩余配送时长及超时概率均可能不同。38.另一方面，服务端还可以在该配送运单的配送过程中，持续地在多个时刻预估当前时刻的剩余配送时长和超时概率，进而确定是否执行其他业务处理。39.例如，若该配送运单的剩余配送时长较短，超时概率较低，表示该配送运单可以在承诺用户时长内提前完成，可以基于此为该配送运力新增加其他配送运单；若该配送运单的剩余配送时长较长，超时概率较大，表示该配送运单可以在承诺用户时长无法完成，可以基于此调整该配送运力的其他配送运单。或者，可以及时确定配送运力的状态，确定配送运力超时的原因以保证配送运力的配送安全等；或者，还可以为该配送运单的用户进行提醒，缓解用户的焦虑以提高用户体验等等。40.因此，在配送运单在配送过程中，配送运单是否超时涉及当前时刻的剩余配送时长和超时概率两个重要信息，准确地预估当前时刻的剩余配送时长和超时概率具有重要意义。41.由于涉及当前时刻的剩余配送时长和超时概率两个信息，一些处理思路是利用机器学习模型预估出当前时刻的剩余配送时长，然后利用当前时刻的剩余配送时长除以剩余承诺用户时长，以其值作为超时概率；但此种方案中，超时概率的预估仅考虑当前时刻的剩余配送时长和剩余承诺用户时长两个信息，而超时概率受配送过程中面临的诸多因素影响，因此预估的超时概率不够准确。42.另一些处理思路是利用两个机器学习模型分别预估出当前时刻的剩余配送时长和当前时刻的超时概率；但此种方案需要维护两个模型，并且当前时刻的剩余配送时长和当前时刻的超时概率两者相关联，则要求两个模型的训练数据完全保持一致，如果两个模型的训练数据的不一致，得到两个模型的输出结果可能就不一致。43.由前述分析可知，配送运单的超时预估涉及到实际配送时长、当前时刻的剩余配送时长和当前时刻的剩余承诺用户时长多个信息，既要准确地进行超时预估，又要便于模型的维护等等，是亟待解决的技术问题。44.基于此，本说明书实施例提供了一种配送运单的超时预估方法，如图2a所示，图2a是本说明书根据一示例性实施例示出的一种配送运单的信息处理方法的流程图，包括以下步骤：45.在步骤202中，获取当前处于配送状态的配送运单在当前时刻的运单信息；46.在步骤204中，将所述当前时刻的运单信息输入至机器学习模型中，获取所述机器学习模型预测的当前时刻的剩余配送时长均值和剩余配送时长方差；47.其中，所述机器学习模型是基于当前时刻的剩余配送时长服从正态分布训练得到的。48.在步骤206中，根据所述预测的当前时刻的剩余配送时长均值和剩余时长方差，确定当前时刻的剩余配送时长的正态分布；49.在步骤208中，获取当前时刻的剩余承诺用户时长，利用所述正态分布确定当前时刻下所述配送运单的超时概率。50.本实施例中涉及一机器学习模型，机器学习模型的训练过程可以是：先通过建模表示出一个模型，再通过构建评价函数对模型进行评价，最后根据样本数据及优化方法对评价函数进行优化，把模型调整到满足设定条件。51.如上所述，在机器学习领域，从建模至训练阶段涉及非常多的环节，例如样本数据的选择与处理、数据特征的设计、模型的设计、损失函数的设计或优化方法的设计等等，任一环节的细微差别都是导致预测准确度细微缺陷的因素。52.本实施例设计了机器学习模型是基于当前时刻的剩余配送时长服从正态分布训练得到的。53.若随机变量x服从一个数学期望为μ、方差为σ2的正态分布，记为n(μ，σ2)。也即是，概率密度函数y为正态分布，其期望值μ决定了分布的位置，其方差σ决定了分布的幅度。当μ＝0，σ＝1时的正态分布是标准正态分布。54.期望值μ也即是均值，其是正态分布曲线的中心，决定了曲线峰值的位置。正态分布曲线的宽度由方差σ决定，方差σ表示了正态分布变异性，方差的变化导致曲线变得更窄或更宽，并对曲线的高度产生反比例的影响。因此，均值和方差确定了，即可以确定对应的正态分布曲线。55.随机变量x在某个区间的概率，比如区间(a，b)，即a《x《b的概率，就是概率密度曲线在这个区间下的面积，数学上的表达就是概率密度函数在区间(a，b)上的积分。所以，概率的大小就是“概率密度函数曲线下的面积”的大小。56.示例性的，正态分布利用公式可以表示为：57.本实施例中设计了假设当前时刻的剩余配送时长服从正态分布，即当前时刻的剩余配送时长作为正态分布曲线的随机变量值x，若能预估出当前时刻的剩余配送时长的均值和方差时，便能根据正态分布公式和积分计算出x在不同区间的概率。基于此，本实施例设计了机器学习模型的输出是当前时刻的剩余配送时长均值和当前时刻的剩余配送时长方差两个信息，进而可确定出剩余配送时长的超时概率的正态分布，然后根据正态分布公式和积分计算出剩余配送时长在不同区间的概率。58.其中，机器学习模型的训练数据集根据需要可以灵活确定；示例性的，训练数据可以利用多个配送运力的历史配送运单的数据获取到，例如，在用户授权同意的情况下，服务端可以获取到配送运力所使用的客户端发送的数据，客户端可以根据设定周期持续采集配送运单的运单信息，配送运单的运单信息可以包括采集时配送运力所处的地理位置信息、所处位置的交通信息、配送运力承接的配送运单的数量、配送运力承接的每一配送运单的配送物品的领取状态信息(例如是否已领取物品等)、配送运力承接的每一配送运单的领取物品的属性信息(例如物品的大小、重量或类型等)或配送运力的历史配送信息(例如配送运力的历史配送效率、超时数量信息、超时比例信息或配送速度信息等)。59.示例性的，针对一个历史配送运单的数据，可以设定一时间间隔确定出多个样本，该时间间隔根据需要可以灵活确定，例如一分钟、两分钟或五分钟等等自定义时间。因此，每个一个历史配送运单的数据，可以得到多个样本，每个样本下对应有一个历史时刻，以及该历史时刻的剩余配送时长，该历史时刻的剩余配送时长可以作为样本的label值。60.训练过程的其中另一个重要方面，需要根据业务需求设计合适的评价函数。在有监督模型训练的场景下，样本数据中标注有真实值，评价函数用来估量模型的预测值与真实值之间的误差。评价函数对于模型的识别准确性至关重要，基于已有的样本数据和模型的需求来设计何种评价函数是具有较大难度的。61.在求解模型参数时，常常使用极大似然估计法来求解，即找到一组参数，使得在这组参数下，数据的似然度(概率)最大。本实施例设计了当前时刻的剩余配送时长服从正态分布，基于正态分布可以确定其获得其极大似然估计函数，作为例子：[0062][0063]因此，本实施例基于此设计了模型的评价函数，作为例子：[0064][0065]其中，pred_y即模型预估的当前时刻的剩余配送时长均值，pred_std为模型预估的当前时刻的剩余配送时长方差；即评价函数中同时预估了正态分布的均值和方差两个参数，label即标签值，其真值为样本中的当前时刻的剩余配送时长。[0066]也即是，本实施例中模型的评价函数的优化目标是正态分布的两个参数，即当前时刻的剩余配送时长均值和当前时刻的剩余配送时长的方差。[0067]上述评价函数的具体公式只是示意说明，实际应用中可以根据需要灵活配置函数的具体数学描述，还可以根据需要确定是否添加正则化项等，本实施例对此不做限定。[0068]如图2b所示，是本说明书根据一示例性实施例示出的一种当前时刻的剩余配送时长的正态分布示意图，图2b中以当前时刻的剩余配送时长的均值为10min(minute，分钟)、当前时刻的剩余配送时长的方差为2min为例进行说明，该配送运单的当前时刻的剩余用户承诺时长为16min。在预估的正态分布中，真实值label在正态分布中以不同概率出现在不同的区间中。当label比剩余承诺用户时长还要大的时候，则该配送运单超时。例如，图2b中以当前时刻的剩余承诺用户时长为16min为例，在x＝16之后的时间即表示配送运单超时的时间。因此，可以对x＝16所在虚线之后的阴影面积进行积分，便可得到该配送运单在当前预估的正态分布下的超时概率；示例性的，正态分布的积分公式如下：[0069][0070]其中p即表示x的超时概率。[0071]示例性的，本实施例的机器学习模型的可以是神经网络模型，例如深度学习模型deepfm等，实际应用中根据需要可以灵活确定，本实施例对此不进行限定。[0072]通过上述实施例，可以训练得到机器学习模型。实际应用中，训练好的机器学习模型可以设置于客户端中，也可以设置于服务端中。在线使用时，通过该机器学习模型，配送运力的每一笔未完成配送的配送运单，均可以调用该模型，预测每一时刻的剩余配送时长和超时概率。[0073]示例性的，获取当前处于配送状态的配送运单在当前时刻的运单信息；其中所述运单信息如前述实施例，可以包括配送运力所处的地理位置信息、配送运力所处位置的交通信息、配送运力承接的配送运单的数量、配送运力承接的每一配送运单的配送物品的领取状态信息、配送运力承接的每一配送运单的配送物品的属性信息或配送运力的历史配送信息。[0074]机器学习模型的输入是当前时刻的运单信息，模型基于当前时刻的运单信息，预测出当前时刻的剩余配送时长均值和剩余配送时长方差，通过均值和方差即可确定出当前时刻的剩余配送时长的正态分布。根据当前时刻的剩余承诺时长以及所述正态分布，确定当前时刻下所述配送运单的超时概率。例如，如前述实施例，利用该正态分布的积分公式，计算在当前时刻的剩余承诺时长之后面积大小，即计算x值大于当前时刻的剩余承诺时长的积分，得到的数值即当前时刻下的超时概率。[0075]实际应用中，对于配送运单的配送过程中，根据需要可以多次使用本实施例的方案，例如在多个不同时刻下，预测每一时刻的剩余配送时长和超时概率。[0076]由此可见，本实施例设计了以当前时刻的剩余配送时长服从正态分布来训练机器学习模型，还设计了机器学习模型的输出为当前时刻的剩余配送时长均值和剩余配送时长方差，基于此可以利用这两个模型预估的信息来确定当前时刻的剩余配送时长的正态分布曲线，结合当前时刻的剩余承诺用户时长，利用所述正态分布确定当前时刻下所述配送运单的超时概率。本实施例中通过以当前时刻的剩余配送时长服从正态分布的设计，实现了将两个信息关联起来，由一个模型同时预估这两个相关联的信息，因此模型的训练难度和维护难度显著降低，也保证了模型的预测准确性。[0077]并且还基于模型输出的两个信息设计了利用正态分布来确定超时概率，由于模型的准确输出，从而可以得到准确的超时概率。而且，本实施例是利用模型来预估数据本身的分布，不仅能获得真值的预估值，同时能根据分布计算出超时概率，提高了泛用性。[0078]本实施例通过对配送中运单预估其分布的方式，得到了剩余配送时长的预估值，也获得了当前运单的超时率，方案简便易实现，大大的简化并提高了效果。并且，采用本实施例的预估分布的方式，可以同时保持均值和方差两个字段的统一，还可以应对将来可能有其他预估字段的需求；通过均值和方差得到正态分布，便能根据分布的数学公式计算其他各类参数，提高了本实施例方案的泛用性，且便于维护和迭代。[0079]利用本实施例的配送运单的信息处理方法，在得到模型预估的当前时刻的剩余配送时长，以及预估出超时概率后，可以通过客户端向用户展示剩余等待时长，还可根据超时概率确定是否触发超时预警流程，例如若超时概率较高，可以向用户推送当前超时的原因，或者向用户发放权益等，以提高用户体验。或者，还可以将预估的信息提供给运单调度系统，使运单调度可以参考预估的信息，为待分配配送运单分配配送运力。[0080]以外卖场景为例，服务端可以配置有运单调度系统，运单调度系统在运单调度指派的过程中，会对骑手负责配送的运单(即背单)和将要调度指派到骑手的运单做判断，例如：当前骑手背单的超时风险较高；当前处于配送阶段的运单，超时风险也较高的时候，调度指派运单的算法会针对性的对运单的调度指派做调整，从而降低整体超时运单的比例。然而，调度系统在对运单进行超时风险判断时，如果对超时风险的预估不准确，则会导致整个运单调度链出现调度指派的不稳定，从而使得调度系统出现效率降低，运单指派不准确的问题。而利用本实施例的方案，由于可以预估出准确的超时概率，因此，可以提高运单调度系统的调度准确性，保证整个运单调度链的稳定运行。[0081]与前述配送运单的信息处理方法的实施例相对应，本说明书还提供了配送运单的信息处理装置及其所应用的计算机设备的实施例。[0082]本说明书配送运单的信息处理装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书配送运单的信息处理装置所在计算机设备的一种硬件结构图，除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外，实施例中配送运单的信息处理装置331所在的计算机设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。[0083]如图4所示，图4是本说明书根据一示例性实施例示出的一种配送运单的信息处理装置的框图，所述装置包括：[0084]运单信息获取模块41，用于：获取当前处于配送状态的配送运单在当前时刻的运单信息；[0085]模型预测模块42，用于：将所述当前时刻的运单信息输入至机器学习模型中，获取所述机器学习模型预测的当前时刻的剩余配送时长均值和剩余配送时长方差；其中，所述机器学习模型是基于当前时刻的剩余配送时长服从正态分布训练得到的；[0086]正态分布确定模块43，用于：根据所述预测的当前时刻的剩余配送时长均值和剩余时长方差，确定当前时刻的剩余配送时长的正态分布；[0087]超时确定模块44，用于：获取当前时刻的剩余承诺用户时长，利用所述正态分布确定当前时刻下所述配送运单的超时概率。[0088]在一些例子中，所述机器学习模型在训练时，评价函数的优化目标包括：机器学习模型对配送运单样本预估的当前时刻的剩余配送时长均值和剩余配送时长方差，与所述配送运单样本中作为真实值的剩余配送时长的差异。[0089]在一些例子中，所述利用所述正态分布确定当前时刻下所述配送运单的超时概率，包括：[0090]计算所述正态分布的曲线在所述当前时刻的剩余承诺时长之后的横轴区间的面积，得到所述超时概率。[0091]在一些例子中，所述机器学习模型的训练数据包括：历史配送运单数据，所述历史配送运单数据包括有历史配送运单的承诺用户时长、实际配送时长和历史配送运单的运单信息；其中，历史配送运单数据包括按照设定时间间隔确定出的多个样本。[0092]在一些例子中，所述运单信息，包括如下一种或多种订信息：[0093]配送运力所处的地理位置信息、配送运力所处位置的交通信息、配送运力承接的配送运单的数量、配送运力承接的每一配送运单的配送物品的领取状态信息、配送运力承接的每一配送运单的配送物品的属性信息或配送运力的历史配送信息。[0094]在一些例子中，所述方法还包括如下一个或多个步骤：[0095]将所述机器学习模型预测的当前时刻的剩余配送时长均值和所述配送运单的超时概率展示给用户；[0096]根据所述超时概率确定是否触发执行预设的超时预警流程；或，[0097]根据所述当前时刻的剩余配送时长的正态分布，确定所述配送运单在当前时刻的其他信息。[0098]上述配送运单的信息处理装置中各个模块的功能和作用的实现过程具体详见上述配送运单的信息处理方法中对应步骤的实现过程，在此不再赘述。[0099]相应的，本说明书实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现前述配送运单的信息处理方法实施例的步骤。[0100]相应的，本说明书实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现配送运单的信息处理方法实施例的步骤。[0101]相应的，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现配送运单的信息处理方法实施例的步骤。[0102]对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。[0103]示例性的，本实施例方法可应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，所述电子设备的硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。[0104]所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能式穿戴式设备等。[0105]所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloud computing)的由大量主机或网络服务器构成的云。[0106]所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。[0107]上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。[0108]上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该申请的保护范围内。[0109]其中，“具体示例”、或“一些示例”等的描述意指结合所述实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。[0110]本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。[0111]应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。[0112]以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!