欢迎访问CN论文网,主要提供代写硕士论文服务,以及了解代写硕士论文多少钱。网站地图

硕博执笔写作,后期辅助答辩

与国内800多家优秀期刊社合作

论文写作发表咨询热线18930620780
您当前的位置:CN论文网 > 软件工程硕士论文软件工程硕士论文

外卖骑手配送效率提升算法探究

发布时间:2019-06-03
  摘 要
  
  随着移动互联网技术的发生和普及,外卖消费成为了一种新的时尚。由于外卖领域涉到的对象比较多,有商家,骑手和用户等,有着复杂的关系网络,高效的配送体验,高质量的用户体验,显得尤为重要。商家配送范围的动态调整使订单结构得以优化;订单的运筹算法,骑手的路径规划算法和迭代策略以及增强学习等技术也极大地提升了骑手的配送效率。
  
  对于快送订单来说,接单时长的不同是能够反映骑手对于该订单的偏好程度的。所以本文希望从大量的历史快送订单中,挖掘订单的骑手的接单时长和订单之间的相互关系,挖掘出骑手接单时间较短的订单具备的特征,分析这些特征与骑手接单时间的关系,进而通过订单特征来预测该订单的骑手接单时长,以便能够降低外卖订单中骑手接单时间较长的订单的占比,提高外卖订单中骑手接单时长较短的订单的占比,进而提高整体外卖订单的配送效率,提升用户体验。该算法包含两层架构,第一层采用几种常规分类算法,对于每种分类算法对训练集进行交叉训练,每次把测试结果作为新的训练集中的一个特征;然后用训练好的分类算法进行测试,把预测结果作为新的测试集中的一个特征。对于第二层的分类算法,则应用第一层分类算法得到的新的训练集训练算法,用新的测试集来验证算法效果。

外卖骑手配送效率提升算法探究
  
  该论文的主要功能是基于大量的历史外卖订单数据,从订单的各个维度的特征去挖掘骑手接单时长和订单之间的内在关系。通过机器学习等技术手段来识别用户下单的骑手接单时长,旨在降低骑手接单时长较长的订单占比,提高骑手接单时长较短的订单的占比,进而提升骑手配送效率,进一步提高用户体验。
  
  关键词: 交叉验证 算法融合 分流实验 数据分析。
  
  Abstract
  
  With the emergence and popularity of mobile Internet technology, take-away consumption has become a new fashion. Because there are many objects involved in the field of take-out, there are businesses, riders and users, and it has a complex relationship network, efficient delivery experience, and high-quality user experience. The dynamic adjustment of the merchant's distribution range enables the order structure to be optimized;the order's operational algorithm, the rider's path planning algorithm and iterative strategy,and enhanced learning techniques also greatly improve the rider's distribution efficiency.
  
  For a fast delivery order, the difference in order duration is a reflection of the rider's preference for the order. Therefore, this paper hopes to dig out the relationship between the order time of the rider and the order from a large number of historical express delivery orders, and dig out the characteristics of the orders with shorter time for the rider to take orders, and analyze these characteristics with the time of the rider. The relationship, in turn,predicts the order length of the order by the order characteristics, so as to reduce the proportion of orders for the rider to take longer orders in the take-out order, and increase the proportion of orders with shorter orders for the rider in the take-out order. In turn, the distribution efficiency of the overall take-out order is improved, and the user experience is improved. The algorithm consists of two layers of architecture. The first layer uses several conventional classification algorithms. For each classification algorithm, the training set is cross-trained, and each time the test result is used as a feature in the new training set; then the trained classification algorithm is used. Test and use the predictions as a feature in thenew test set. For the second layer classification algorithm, the new training set training algorithm obtained by the first layer classification algorithm is applied, and the new test set is used to verify the algorithm effect.
  
  The main function of the paper is based on a large number of historical take-out order data, from the characteristics of each dimension of the order to explore the inherentrelationship between the rider's order time and the order, through the machine learning and other technical means to identify the user's order of the rider orders The duration is designed to reduce the proportion of orders for the rider to take longer orders, and to increase the proportion of orders for which the rider receives shorter orders, therebyimproving the efficiency of the rider and further improving the user experience.
  
  Key words:  Cross-validation Algorithm fusion Shunt experiment Data analysis。
  
  1 绪论
  
  1.1 研究背景。
  

  当前,互联网人口红利已经消失[1],粗放式增长已经成为过去式。如何提升外卖配送效率,提高用户体验,提高用户忠诚度是外卖行业面临的问题。一个外卖订单从用户下单到骑手把订单送到用户手里,要经过几个环节,环环相扣,任何一个环节花费时间变长,都有可能拉长整个订单的生命周期,进而影响用户体验。
  
  通过大数据[2],数据分析[3],人工智能[4],增强学习等方式来整合商家和骑手资源[5],合理规划商家的配送范围[6],优化订单结构[7],规划订单路径[8],提升订单的配送效率,提升用户体验。
  
  下面是所采取的几种方法和存在的问题:
  
  (1)当用户在搜索某家店铺或某种口味的食品时,通过推荐算法给用户推荐一定距离的商家。这种方式存在的问题是对于用户和商家的距离该如何定义是比较困难的;(2)当用户下单以后,通过调度系统将该订单推给顺路的骑手或者订单比较少的骑手,如图 1.1 所示。这种方式可以提升配送体验。但是,这里存在的问题是,在这些订单中,是不管调度系统如何优化配送路径,总会有一部分订单是不好的订单,比如配送距离远,骑手不顺路等;(3)在订单高峰期,通过压单的方式,尽可能使多个相似路径的订单推给同一个骑手。这种方式在高峰期效果比较好,其余时段效果不太明显;(4)通过多种配送方式,比如专送和自配送,来优化配送体系,进而提高配送效率。多种配送方式相结合,能在一定程度提升用户体验,但不太灵活。
  
  当然,对于提升配送效率,提高用户体验这方面,还包括优化商家配送范围,派发红包,骑手接单激励等方式。
  
  本文,通过数据挖掘的方式来挖掘骑手的接单时长,通过机器学习的方式来训练算法,通过算法来识别骑手接单时长,进而降低骑手接单时长较长的订单的占比,提高骑手配送效率,提升用户体验。
  
 
  1.2 研究目的和意义。
  
  对于快送骑手而言,当用户下单以后,系统会通过一些规则和技术手段,比如用户下单时间,商家地理位置,骑手地址位置,用户地址位置以及相应的算法来为骑手推荐较为合适的订单,考量的标准就是尽可能为骑手推荐顺路的订单。比如某个骑手手上有一个订单,要把该订单从 A 地送往 B 地,假如新来了一个订单,要把该订单从 C 地送往 B 地,那么如果把这一单推给该骑手,那么该骑手正好顺路,这样子该骑手在平均每个订单上花的时间相对比较少,进而能够提高骑手配送效率,提升用户体验。但是,在实际的业务中,为骑手推荐外卖订单的命中率并不是那么高,涉及到的很多因素,包括骑手自己的经验选择,送餐时间,商家的出餐情况,是否为高峰期等。所以,很多时候,骑手在选择配送哪一个订单时,往往是根据骑手自己的配送经验去选择的。这样子难免就会存在一部分订单是骑手不愿意配送的,比如该订单位置比较偏,距离比较远,骑手需要空跑的时间比较长等。但是,该订单必须是要有骑手去送到用户手里的。当在一定时间内,没有骑手配送该订单时,平台可能会通过一些激励方式来鼓励骑手接单。但是,这些环节中,是浪费掉一部分时间的,毕竟当用户下单到订单预计送达时间的这个时间段是用户的一个期望时间。如果在用户下单到骑手接单这段时间消耗太长的话,留给骑手送餐的时间就会缩短,可能就会造成该订单在预计送达时间内没有送达,进而影响用户体验。所以,既然在这种快送的配送模式下,依然存在一部分订单是骑手不太愿意去配送的。如果我们把这部分订单去掉或者引导这部分用户去下骑手愿意配送的那部分订单,就会缩短骑手的接单时长,提升配送效率,进而提升用户体验。这样做的好处就是既可以优化平台的资源调度,同时又缩短骑手的接单时长,进而提升用户体验。为此,本文通过挖掘和骑手接单时长相关的特征,通过算法融合的方式来训练算法[9]。通过算法来识别订单的骑手接单时长,进而降低骑手接单时长较长的订单,提高骑手接单时长较短的订单的占比。
  
  【由于本篇文章为硕士论文,如需全文请点击底部下载全文链接】
  
  1.3 国内外研究现状
  1.4 研究内容
  
  2 理论基础和技术分析
  
  2.1 外卖配送业务流程分析
  2.2 订单相关特征的清洗和处理
  2.3 算法融合所用到的基本算法
  2.4 本章小结
  
  3 外卖骑手订单推送算法设计
  
  3.1 外卖骑手订单推送算法的设计
  3.2 外卖骑手订单推送算法的特征分析
  3.3 本章小结
  
  4 外卖骑手订单推送算法实现与实验结论
  
  4.1 数据来源和实验环境
  4.2 外卖骑手订单推送算法的实现
  4.3 AB 实验数据分流方式
  4.4 实验结果与分析
  4.5 本章小结

  5 结论

  整个外卖行业的粗放式增长已经成为了过去,在现有市场规模下,如何优化外卖结构,提升配送体验,将订单高效送到用户手中,在细分领域精耕细作是外卖行业未来需要考虑的问题。外卖平台手握大量订单数据,商家数据和用户数据,如何通过机器学习等技术手段来挖掘这些数据背后的潜在关系,为用户提供优质餐饮服务和高效便捷的配送服务是至关重要的。这其中需要做大量的工作,比如,为用户画像,为用户精准推荐优质商家,为商家提供高效的营销策略,为骑手推送合理的配送订单等。在整个外卖服务中,需要优化的方面还是比较多的。

  专送订单,是不需要骑手自己去抢单的,订饭分配机制和路径规划系统会基于大量的外卖订单信息,商家信息,骑手位置信息,骑手已有订单,已有订单的配送路径和用户信息来为骑手推送最合理化的订单,避免了骑手单凭经验人为地去选择配送哪一单要合理的多。但是对于外卖快送订单而言,系统只是把比较适合的订单推送给骑手,至于骑手自己选择配送哪一单或者不选择其中任意一单,系统是不确定的。所以这里面涉及到骑手的选择时间和所谓的经验性的误接单或者是没有骑手会接单等问题的出现,严重影响配送效率,增加平台压力以及用户体验等。本论文研究的课题只是整个外卖订单中的一环,如何能够挖掘骑手和订单之间的关系,通过订单去判断订单的骑手接单时长,进而缩短骑手接单时长,给骑手留下更多的时间去配送订单,为骑手取餐,等餐以及送餐留下足够的时间,尽可能保证在预期时间内将订单送到用户的手上。这样既可以提升用户体验,提高用户忠诚度,同时也可以提高骑手的送餐效率。

  该研究课题主要目的是为了减少骑手接单时长不高的那部分订单。所以需要通过个人经验或者是行业经验来选出一些和这些订单有一定关系的特征,包括实时特征,离线特征。从特征维度上来分,有商家特征,区域特征,订单特征等。然后获取这些特征数据,清洗数据,分析这些数据和目标订单之间的关系,过滤掉那些弱相关的特征。然后通过算法融合算法来拟合这些特征和目标之间的关系,训练迭代模型,调参,优化等。然后通过大量 AB 实验来验证算法的的效果。因为外卖订单与地理区域,时令,天气等因素有一定关系,所以在不同的城市,不同的区域以及不同的季节等因素对算法都有一定的影响。考虑到这些因素,在进行 AB 实验分流实验中,针对不同的区域,城市等都做了大量实验,来检验算法的实际效果。通过分析实验数据,算法在不同的区域,城市上都有较好的效果,能够降低骑手接单时长较长的订单的占比。

  参考文献

点击下载全文