[发明专利]一种任务匹配时的预测方法及装置

说明书

本发明实施例提供了一种任务匹配时的预测方法及装置，其中方法包括：获取候选任务执行者浏览过的任务数据作为样本集合，其中每条任务数据包含至少两项属性；通过构建分类回归树确定所述候选任务执行者的优先属性；当新任务到来后，根据贝叶斯模型得到所述候选任务执行者是否会接受所述新任务的预测结果。本发明采用大数据分析手段为候选任务执行者(例如司机)绘制画像，从更全面的视角对候选任务执行者是否可能会接受新任务进行预测。这样新任务推送给候选任务执行者时便能更有针对性，保证订单任务和候选任务执行者的精准匹配，实现订单任务的精确推送，从而提升了整个物流平台配送效率，降低了物流成本，此外还有降低筛选任务耗时等有益效果。

技术领域

本发明实施例涉及互联网及物流技术领域，尤其涉及一种任务匹配时的预测方法及装置。

背景技术

随着国民经济及互联网技术的快速发展，我国当前的物流规模呈现出几何式的增长，据统计2017年社会物流总额便已达到252.8万亿元的规模。虽然有众多的物流网络平台和货运公司应运而生，但物流配送效率提升慢的状况依然没有得到显著的改善，物流成本仍然居高不下。

物流配送存在各种复杂环节，为了降低成本、提升物流配送效率，现有技术多着眼于如何减少配送环节的等待时间、降低货车的空载率及对订单数量进行预测以提前备车等手段。例如，可基于客户的位置和订单量来计算最佳的提货点，从而进行车型调度，其基本原理多是通过构建线性规划模型或采用启发式优化算法衡量各种配送方案下的时间成本值，每种方案的目标都是简化和缩短各个配送环节的提货或交货过程，如考虑提货点附近车辆的货运状态和路线距离，选择最近的车辆来提升配送车辆的满载率，并结合实时路况计算出最短的配送路线，等等。

然而发明人在实现本发明的过程中发现：现有的物流技术方案虽然通过在物流调度模型上加入更多的物流相关因素来优化物流配送过程，甚至预测下一时刻的物流状态，然而物流配送效率的提升却仍然有限，未有所突破。究其原因，关键就在于现有技术依然没有做到司机与订单任务这两种资源的精准匹配，更深入的讲，现有技术构建的各种物流模型中均将“车”等同于“人”，只看到了车辆，却忽略了司机的存在，未考虑、未融合司机的个性化因素。司机是物流行业中的宝贵资源，是“最后一公里”的执行人，因此司机这一群体直接影响到物流末端的配送效率，例如一个司机对订单任务是否存在某种倾向性、其经验是否能胜任订单任务、哪些司机更愿意接受哪些订单、是否能将订单更有针对性的推送给更合适的司机，等等，但现有技术在将司机与订单任务这两种资源进行匹配时，其实只是做到了车辆与订单任务的匹配，忽略了司机的存在，从而最终导致优化物流配送效率时遇到了瓶颈。

发明内容

本发明实施例提供一种任务匹配时的预测方法及装置，以进一步提升物流配送效率。

根据本发明实施例的第一方面，提供一种任务匹配时的预测方法，所述方法包括：

获取与候选任务执行者对应的样本集合，其中所述样本集合中的样本为所述候选任务执行者浏览过的任务数据，每条所述任务数据包含至少两项属性；

根据预设规则在所述样本集合中区分出正例样本和负例样本，以所述至少两项属性作为样本属性，通过构建分类回归树确定所述候选任务执行者的优先属性，其中所述优先属性是所述至少两项属性中对所述候选任务执行者最重要的属性；

当新任务到来后，将所述优先属性作为贝叶斯模型的输入变量，根据所述贝叶斯模型分别计算所述候选任务执行者接受所述新任务和不接受所述新任务的概率，以及，根据所述概率得到所述候选任务执行者是否会接受所述新任务的预测结果。

可选的，所述候选任务执行者为司机，所述任务为运送任务。

可选的，每条所述任务数据的所述至少两项属性包括以下属性中的至少两项：

仓库位置是否超出候选任务执行者工作半径、配送点位置是否超出候选任务执行者工作半径、配送点数量、货物重量、货物类型、客户口碑值。