[发明专利]确定订单冷静期的方法和装置

权利要求书

1.一种确定订单冷静期的方法，其特征在于，包括：

获取订单的订单属性数据、商品属性数据和用户属性数据；

基于获取的数据，采用预设的分类模型预测所述订单的订单状态信息；所述订单状态信息包括：取消状态；

若所述订单的订单状态信息为取消状态，则基于获取的数据，采用预设的预测模型预测所述订单的取消时长数据；

依据所述取消时长数据，确定订单冷静期；

依据所述取消时长数据，确定所述订单的冷静期，包括：确定所述取消时长数据与预设的缓冲时间阈值之和；将所述和值与预设的冷静期下限和冷静期上限比较；若所述和值小于或等于所述冷静期下限，则以所述冷静期下限作为所述订单的冷静期；若所述和值大于或等于所述冷静期上限，则以所述冷静期上限作为所述订单的冷静期；

其中，所述冷静期下限是一句较短时间内被取消订单的取消时长确定的，所述冷静期上限是依据90％被取消订单被拦截成功时所对应的取消时长确定的；

所述分类模型为：

式中，A为订单的订单状态信息，为订单的订单属性数据、商品属性数据和用户属性数据构成的向量，为订单属性数据的权重因子、商品属性数据的权重因子和用户属性数据的权重因子构成的向量，a为常量；

所述预测模型为：

式中，T为被取消的历史订单的取消时长数据，为被取消的历史订单的订单属性数据、商品属性数据和用户属性数据构成的向量，为订单属性数据的权重因子、商品属性数据的权重因子和用户属性数据的权重因子构成的向量，b为常量，n为被取消的历史订单的数量。

2.如权利要求1所述的方法，其特征在于，还包括：

从历史数据中获取多个被取消历史订单的取消时长数据；

基于多个被取消订单的取消时长数据，拟合所述多个被取消订单的取消量随取消时长数据的分布曲线；

根据所述分布曲线的斜率确定所述冷静期下限；和/或，根据所述分布曲线，若大于过等于取消量阈值的所述被取消订单的取消时长数据小于或等于第一时长数据，则以所述第一时长数据作为所述冷静期上限。

3.如权利要求2所述的方法，其特征在于，还包括：

根据所述分布曲线，确定90％置信区间的宽度；

以所述90％置信区间的宽度的一半作为所述缓冲时间阈值。

4.如权利要求1所述的方法，其特征在于，所述订单状态信息还包括：正常状态；所述方法还包括：若所述订单的订单状态信息为正常状态，则以所述冷静期下限作为所述订单的冷静期。

5.一种确定订单冷静期的装置，其特征在于，包括：

采集模块，获取订单的订单属性数据、商品属性数据和用户属性数据；

分类模块，基于获取的数据，采用预设的分类模型预测所述订单的订单状态信息；所述订单状态信息包括：取消状态；

处理模块，若所述订单的订单状态信息为取消状态，则基于获取的数据，采用预设的预测模型预测所述订单的取消时长数据；依据所述取消时长数据，确定订单冷静期；

所述处理模块依据所述取消时长数据，确定所述订单的冷静期，包括：确定所述取消时长数据与预设的缓冲时间阈值之和；将所述和值与预设的冷静期下限和冷静期上限比较；若所述和值小于或等于所述冷静期下限，则以所述冷静期下限作为所述订单的冷静期；若所述和值大于或等于所述冷静期上限，则以所述冷静期上限作为所述订单的冷静期；

其中，所述冷静期下限是一句较短时间内被取消订单的取消时长确定的，所述冷静期上限是依据90％被取消订单被拦截成功时所对应的取消时长确定的；

所述分类模型为：

式中，A为订单的订单状态信息，为订单的订单属性数据、商品属性数据和用户属性数据构成的向量，为订单属性数据的权重因子、商品属性数据的权重因子和用户属性数据的权重因子构成的向量，a为常量；

所述预测模型为：

式中，T为被取消的历史订单的取消时长数据，为被取消的历史订单的订单属性数据、商品属性数据和用户属性数据构成的向量，为订单属性数据的权重因子、商品属性数据的权重因子和用户属性数据的权重因子构成的向量，b为常量，n为被取消的历史订单的数量。