[发明专利]物流分拣场景下的模型训练方法、装置以及电子设备

权利要求书

1.一种物流分拣场景下的模型训练方法，其特征在于，包括：

获取包含往期配送订单的历史配送数据；

根据所述配送订单记录的配送地址与对应的实际配送实体构建正样本；

确定所述配送地址所属配送范围内的配送实体集合；

基于所述配送地址与所述配送实体集合中所述实际配送实体之外的配送实体构建负样本；

将所述正样本和所述负样本构建的训练样本集作为训练输入，对物流分拣模型进行训练。

2.根据权利要求1所述的物流分拣场景下的模型训练方法，其特征在于，所述配送地址所属配送范围，基于所述配送地址中记录的地理区域确定；

以及，所述配送地址所属配送范围内的配送实体集合包括：所述配送地址记录的地理区域内的所有配送网点。

3.根据权利要求2所述的物流分拣场景下的模型训练方法，其特征在于，所述配送实体集合包含的配送网点均为有效配送网点，所述有效配送网点在所述地理区域内的日均配送订单量大于设定配送阈值。

4.根据权利要求1至3任意一项所述的物流分拣场景下的模型训练方法，其特征在于，所述正样本设有时间权重，所述时间权重与所述正样本的时间跨度值呈负相关。

5.根据权利要求4所述的物流分拣场景下的模型训练方法，其特征在于，所述正样本的时间权重的确定方式，包括：

读取所述正样本的生成日期；

基于所述生成日期计算所述正样本的时间跨度值；所述时间跨度值是指所述生成日期与当前日期二者时间差的绝对值；

根据所述正样本的时间跨度值确定所述正样本的时间权重。

6.根据权利要求1至3任意一项所述的物流分拣场景下的模型训练方法，其特征在于，所述正样本和/或负样本设有业务权重，所述业务权重的确定方式包括：

针对至少一个配送地址，执行如下操作：

提取所述配送地址的预测配送实体和实际配送实体；

统计所述往期配送订单中所述配送地址的预测配送实体与实际配送实体不一致的变更实体组合对应的订单数，以及所述配送地址的实际配送实体对应的实际总订单数；

判断所述变更实体组合对应的订单数是否大于设定订单阈值，且所述订单数与所述实际总订单数的比值是否大于设定错单率；

若是，则确定所述配送地址的预测配送实体与实际配送实体不一致的变更实体组合对应的业务变更模式；

在所述训练样本集中筛选携带所述配送地址的正样本和/或负样本；

读取所述正样本和/或负样本的生成日期；

基于所述生成日期计算所述正样本和/或负样本的时间跨度值；所述时间跨度值是指所述生成日期与当前日期二者时间差的绝对值；

基于所述时间跨度值确定所述正样本和/或负样本在所述业务变更模式下的业务权重。

7.根据权利要求6所述的物流分拣场景下的模型训练方法，其特征在于，所述正样本和/或负样本的业务权重与所述正样本和/或负样本的时间跨度值呈负相关。

8.根据权利要求1至3任意一项所述的物流分拣场景下的模型训练方法，其特征在于，所述正样本和/或负样本设有业务权重，所述业务权重的确定方式包括：

针对至少一个配送地址，执行如下操作：

提取所述配送地址的预测配送实体和实际配送实体；

统计所述往期配送订单中所述配送地址的预测配送实体与实际配送实体不一致的变更实体组合对应的订单数，以及所述配送地址的实际配送实体对应的实际总订单数；

判断所述变更实体组合对应的订单数是否大于设定订单阈值，或者所述订单数与所述实际总订单数的比值是否大于设定错单率；

若是，则确定所述配送地址的预测配送实体与实际配送实体不一致的变更实体组合对应的业务变更模式；

在所述训练样本集中筛选携带所述配送地址的正样本和/或负样本；

确定筛选出的所述正样本和/或负样本在所述业务变更模式下的业务权重。