[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

说明书

本申请公开了一种物流分拣场景下的模型训练方法，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。所述物流分拣场景下的模型训练方法，加快物流分拣模型对业务变更的学习速度，缩短分拣纠错周期，减少因业务变更带来的错分，节省错分处理成本，提高物流分拣时效和物流服务质量。

技术领域

本申请涉及物流技术领域，具体涉及一种物流分拣场景下的模型训练方法。本申请同时涉及一种物流分拣场景下的模型训练装置，以及一种电子设备。

背景技术

随着网络的兴起与繁荣，物联网在这个新时代中发挥越来越重要的作用，尤其体现为物流在用户工作生活中所起的作用越来越明显，物流包裹的生命周期包括以下环节：卖方发货-揽件员揽收到网点-网点运输到首转中心-首转中心运输到末端转运中心-末端转运中心分拣到配送网点-配送网点分拣到配送员-配送员配送-用户签收。而这其中，物流包裹在末端转运中心和配送网点都要进行大规模的分拣。

目前，物流分拣方法主要有两类：一类是传统的人工分拣，即操作工人记忆各网点的配送范围，通过阅读面单地址在包裹上手写网点代码；另一类是基于模型系统预测，即通过配置网点配送范围的关键字规则，如网点配送的省市区、街道、兴趣点，或对网点历史配送记录利用机器学习等手段建立模型，搭建分拣系统，提前在配送的环节根据地址做预测，将预测的网点代码打印在面单上。

人工分拣需要巨大的人力成本，而且由于收集难以全面，匹配率低，人工收集容易出错，准确率也有限，如此，基于历史数据利用算法建模的方法成为物流分拣的发展趋势。

然而，基于历史数据建模预测的分拣方法也存在一大缺点，为了让分拣模型分拣的地址尽可能多，即提高系统的匹配率，数据采集周期通常长达几个月，当发生业务变更时，比如某配送地址之前由A配送网点配送，业务发生变更后改为由B配送网点配送，由于物流分拣模型学习速度慢，通常需要一个月甚至更长的时间才能在分拣预测结果中完成纠错，期间会带来大量的错误分拣，导致大量的错分处理成本，拖长了分拣处理时效，降低了服务质量。

因此，如何加快物流分拣模型的学习速度，减少业务变更导致的错分，成为亟待解决的问题。

发明内容

本申请提供一种物流分拣场景下的模型训练方法，以解决现有技术存在的缺陷。本申请同时涉及一种物流分拣场景下的模型训练装置，以及一种电子设备。

本申请提供一种物流分拣场景下的模型训练方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，所述正样本的时间权重的确定方式，包括：