CN107845016B - 信息输出方法和装置 - Google Patents
信息输出方法和装置 Download PDFInfo
- Publication number
- CN107845016B CN107845016B CN201710883016.5A CN201710883016A CN107845016B CN 107845016 B CN107845016 B CN 107845016B CN 201710883016 A CN201710883016 A CN 201710883016A CN 107845016 B CN107845016 B CN 107845016B
- Authority
- CN
- China
- Prior art keywords
- order
- historical
- duration
- sample
- taking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 235000021170 buffet Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of Unknown Time Intervals (AREA)
Abstract
本申请实施例公开了信息输出方法和装置。该方法的一具体实施方式包括:获取当前订单的订单数据;从当前订单的订单数据中提取当前订单的特征向量,其中,当前订单的特征向量用于描述当前订单的特征;将当前订单的特征向量输入至预先训练的出单时长预估模型,得到当前订单的出单时长,其中,出单时长预估模型用于表征特征向量与出单时长的对应关系;输出当前订单的出单时长。该实施方式提高了出单时长的预估准确率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及信息输出方法和装置。
背景技术
随着互联网以及移动互联网的快速发展,电子商务应用也得到了飞速发展。尤其是外卖网站,其改变了传统电话订购外卖服务的模式,可以提供免费、方便、快捷、自主的信息,帮助用户找到合适自己的外卖服务。合理地规划配送路线可以提高订单配送效率,从而提高外卖订单的配送准时率,有助于提高用户的体验。
预估订单的出单时长有助于配送人员合理地规划配送路线,从而提高订单配送效率。
然而,现有的出单时长预估方式通常是将商家的平均出单时长作为该商家的所有订单的出单时长,并不考虑不同订单之间的差异,导致出单时长的预估准确率较低。
发明内容
本申请实施例的目的在于提出一种改进的信息输出方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了A1、一种信息输出方法,该方法包括:获取当前订单的订单数据;从当前订单的订单数据中提取当前订单的特征向量,其中,当前订单的特征向量用于描述当前订单的特征;将当前订单的特征向量输入至预先训练的出单时长预估模型,得到当前订单的出单时长,其中,出单时长预估模型用于表征特征向量与出单时长的对应关系;输出当前订单的出单时长。
A2、如A1所述的方法,该方法还包括训练出单时长预估模型的步骤,训练出单时长预估模型的步骤包括:获取样本订单的特征向量和样本订单的出单时长;将样本订单的特征向量作为输入,将样本订单的出单时长作为输出,训练得到出单时长预估模型。
A3、如A2所述的方法,将样本订单的特征向量作为输入,将样本订单的出单时长作为输出,训练得到出单时长预估模型,包括:执行以下训练步骤:将样本订单的特征向量输入至深层神经网络,得到样本订单的预估出单时长,利用样本订单的预估出单时长和样本订单的出单时长,确定深层神经网络的预估准确率,若预估准确率大于预设准确率阈值,则将深层神经网络作为出单时长预估模型;响应于确定预估准确率不大于预设准确率阈值,调整深层神经网络的参数,并继续执行训练步骤。
A4、如A2所述的方法,获取样本订单的特征向量和样本订单的出单时长,包括:获取第一历史订单的订单数据和出单时长;从第一历史订单的订单数据中提取第一历史订单的特征向量作为样本订单的特征向量,其中,样本订单的特征向量用于描述第一历史订单的特征;获取第一历史订单的出单类别,其中,出单类别包括第一类别和第二类别,第一类别用于表征在订单的配送资源到达订单所属商家之后订单未出单的情况,第二类别用于表征在订单的配送资源到达订单所属商家之前订单已出单的情况;若第一历史订单的出单类别是第一类别,则将第一历史订单的出单时长作为样本订单的出单时长。
A5、如A4所述的方法,获取样本订单的特征向量和样本订单的出单时长,还包括:若第一历史订单的出单类别是第二类别,则获取第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,其中,第一时间差是第一历史订单的配送资源到达第一历史订单所属商家的时间与第一历史订单所属商家接收第一历史订单的时间的时间差;基于第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,生成样本订单的出单时长。
A6、如A5所述的方法,基于第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,生成样本订单的出单时长,包括:获取第一历史订单所对应的第一出单时长的第一权重、第一历史订单所属商家的平均出单时长的第二权重和第一时间差的第三权重;基于第一历史订单所对应的第一出单时长、第一权重、第一历史订单所属商家的平均出单时长、第二权重、第一时间差和第三权重,生成样本订单的出单时长。
A7、如A6所述的方法,基于第一历史订单所对应的第一出单时长、第一权重、第一历史订单所属商家的平均出单时长、第二权重、第一时间差和第三权重,生成样本订单的出单时长,包括:计算第一历史订单所对应的第一出单时长与第一权重的乘积、第一历史订单所属商家的平均出单时长与第二权重的乘积和第一时间差与第三权重的乘积的和,将所得到的和作为样本订单的出单时长。
A8、如A5所述的方法,第一历史订单所对应的第一出单时长是通过如下步骤获取的:获取第一历史订单所属商家的至少一个第二历史订单的出单时长;从至少一个第二历史订单的出单时长中选取出预设数目第二历史订单的出单时长;计算所选取出的第二历史订单的出单时长的平均值,并作为第一历史订单所对应的第一出单时长。
A9、如A8所述的方法,从至少一个第二历史订单的出单时长中选取出预设数目第二历史订单的出单时长,包括:对至少一个第二历史订单的出单时长按照时长长短进行排序;从时长短的一侧开始选取出预设数目第二历史订单的出单时长。
第二方面,本申请实施例提供了B1、一种信息输出装置,该装置包括:获取单元,配置用于获取当前订单的订单数据;提取单元,配置用于从当前订单的订单数据中提取当前订单的特征向量,其中,当前订单的特征向量用于描述当前订单的特征;预估单元,配置用于将当前订单的特征向量输入至预先训练的出单时长预估模型,得到当前订单的出单时长,其中,出单时长预估模型用于表征特征向量与出单时长的对应关系;输出单元,配置用于输出当前订单的出单时长。
B2、如B1所述的装置,该装置还包括训练单元,训练单元包括:获取子单元,配置用于获取样本订单的特征向量和样本订单的出单时长;训练子单元,配置用于将样本订单的特征向量作为输入,将样本订单的出单时长作为输出,训练得到出单时长预估模型。
B3、如B2所述的装置,训练子单元包括:训练模块,配置用于执行以下训练步骤:将样本订单的特征向量输入至深层神经网络,得到样本订单的预估出单时长,利用样本订单的预估出单时长和样本订单的出单时长,确定深层神经网络的预估准确率,若预估准确率大于预设准确率阈值,则将深层神经网络作为出单时长预估模型;调整模块,配置用于响应于确定预估准确率不大于预设准确率阈值,调整深层神经网络的参数,并继续执行训练步骤。
B4、如B2所述的装置,获取子单元包括:第一获取模块,配置用于获取第一历史订单的订单数据和出单时长;提取模块,配置用于从第一历史订单的订单数据中提取第一历史订单的特征向量作为样本订单的特征向量,其中,样本订单的特征向量用于描述第一历史订单的特征;第二获取模块,配置用于获取第一历史订单的出单类别,其中,出单类别包括第一类别和第二类别,第一类别用于表征在订单的配送资源到达订单所属商家之后订单未出单的情况,第二类别用于表征在订单的配送资源到达订单所属商家之前订单已出单的情况;第一生成模块,配置用于若第一历史订单的出单类别是第一类别,则将第一历史订单的出单时长作为样本订单的出单时长。
B5、如B4所述的装置,获取子单元还包括:第三获取模块,配置用于若第一历史订单的出单类别是第二类别,则获取第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,其中,第一时间差是第一历史订单的配送资源到达第一历史订单所属商家的时间与第一历史订单所属商家接收第一历史订单的时间的时间差;第二生成模块,配置用于基于第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,生成样本订单的出单时长。
B6、如B5所述的装置,第二生成模块包括:获取子模块,配置用于获取第一历史订单所对应的第一出单时长的第一权重、第一历史订单所属商家的平均出单时长的第二权重和第一时间差的第三权重;生成子模块,配置用于基于第一历史订单所对应的第一出单时长、第一权重、第一历史订单所属商家的平均出单时长、第二权重、第一时间差和第三权重,生成样本订单的出单时长。
B7、如B6所述的装置,生成子模块进一步配置用于:计算第一历史订单所对应的第一出单时长与第一权重的乘积、第一历史订单所属商家的平均出单时长与第二权重的乘积和第一时间差与第三权重的乘积的和,将所得到的和作为样本订单的出单时长。
B8、如B5所述的装置,第三获取模块包括第一出单时长获取子模块,第一出单时长获取子模块,配置用于:获取第一历史订单所属商家的至少一个第二历史订单的出单时长;从至少一个第二历史订单的出单时长中选取出预设数目第二历史订单的出单时长;计算所选取出的第二历史订单的出单时长的平均值,并作为第一历史订单所对应的第一出单时长。
B9、如B8所述的装置,第一出单时长获取子模块进一步配置用于:对至少一个第二历史订单的出单时长按照时长长短进行排序;从时长短的一侧开始选取出预设数目第二历史订单的出单时长。第三方面,本申请实施例提供了C1、一种服务器,该服务器包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如A1到A9中任一实现方式描述的方法。
第四方面,本申请实施例提供了D1、一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如A1到A9中任一实现方式描述的方法。
本申请实施例提供的信息输出方法和装置,首先获取当前订单的订单数据,以便于从当前订单的订单数据中提取当前订单的特征向量;然后将当前订单的特征向量输入至出单时长预估模型,从而得到当前订单的出单时长;最后将所得到的当前订单的出单时长输出。利用可以表征特征向量与出单时长的对应关系的出单时长预估模型预估出单时长,提高了出单时长的预估准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的信息输出方法的一个实施例的流程图;
图3是根据本申请的训练出单时长预估模型的方法的一个实施例的流程图;
图4是根据本申请的训练出单时长预估模型的方法的又一个实施例的流程图;
图5是根据本申请的信息输出装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的信息输出方法或信息输出装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括数据库服务器101、网络102和服务器103。网络102用以在数据库服务器101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
数据库服务器101可以是各种网站的后台数据库服务器。例如,数据库服务器101可以是某电子商务网站的后台服务器,用于存储该电子商务网站上的订单数据。
服务器103可以提供各种服务,例如服务器103可以对从数据库服务器101中所获取到的当前订单的订单数据进行分析等处理,并将处理结果(例如当前订单的出单时长)输出。
需要说明的是,本申请实施例所提供的信息输出方法一般由服务器103执行,相应地,信息输出装置一般设置于服务器103中。
应该理解,图1中的数据库服务器、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的数据库服务器、网络和服务器。
继续参考图2,其示出了根据本申请的信息输出方法的一个实施例的流程200。该信息输出方法,包括以下步骤:
步骤201,获取当前订单的订单数据。
在本实施例中,信息输出方法运行于其上的电子设备(例如图1所示的服务器103)可以通过有线连接方式或无线连接方式从数据库服务器(例如图1所示的数据库服务器101)获取预设网站(例如某电子商务网站)上的当前订单的订单数据。其中,当前订单可以是预设网站上的注册用户当前对预设网站上的物品所下的订单。订单数据可以包括但不限于以下至少一项:订单标识、订单所属商家的商家标识、订单所属城市的城市标识、订单所属商圈的商圈标识、订单中的物品的总价、订单中的物品信息、订单所属商家的类别(例如快餐、自助餐、家常菜等)、订单所属商户的品牌、订单的出单时长(通常当前订单的订单数据中不包括订单的出单时长)、订单的出单类别(通常当前订单的订单数据中不包括订单的出单时长)等等。
步骤202,从当前订单的订单数据中提取当前订单的特征向量。
在本实施例中,基于步骤201所获取到的当前订单的订单数据,电子设备可以从当前订单的订单数据中提取当前订单的特征向量。其中,当前订单的特征向量可以用于描述当前订单的特征。
通常,特征向量可以包括但不限于以下至少一项:基础特征、统计特征、组合特征、稀疏特征等。
其中,基础特征可以包括但不限于以下至少一项:订单所属时段(例如8点时段、11点时段等)、订单中不同类别的物品的数量(通常相同的物品属于同一类别)、订单中的物品的数量、订单所属商家当前未出单的订单的数量等。
统计特征可以包括但不限于以下至少一项:订单中的物品的总价与订单所属商家的多个订单中的物品的平均总价的比值、订单中不同类别的物品的数量与订单所属商家的多个订单中不同类别的物品的平均数量的比值、订单中的物品的数量与订单所属商家的多个订单中的物品的平均数量的比值、订单所属商家当前未出单的订单中的物品的总价、订单所属商家当前未出单的订单中不同类别的物品的数量、订单所属商家当前未出单的订单中的物品的数量、订单所属商家当前未出单的订单中的物品的平均总价与订单所属商家的多个订单中的物品的平均总价的比值、订单所属商家当前未出单的订单中不同类别的物品的平均数量与订单所属商家的多个订单中不同类别的物品的平均数量的比值、订单所属商家当前未出单的订单中的物品的平均数量与订单所属商家的多个订单中的物品的平均数量的比值。
组合特征可以包括但不限于以下至少一项:订单所属商家的商家标识与订单所属时段组合成的组合特征、订单所属时段与订单的出单时间组合成的组合特征。
稀疏特征可以是对订单数据进行编码所得到的稀疏矩阵,其中,稀疏矩阵中数值为0的元素数目远远多于非0元素的数目。
步骤203,将当前订单的特征向量输入至预先训练的出单时长预估模型,得到当前订单的出单时长。
在本实施例中,基于步骤202所提取出的当前订单的特征向量,电子设备可以将当前订单的特征向量输入至预先训练的出单时长预估模型,从而得到当前订单的出单时长。其中,出单时长可以是订单的出单时间与订单的配送资源到达订单所属商家的时间的时间差,其中,配送资源可以包括但不限于配送人员、配送机器人等等。
在本实施例中,出单时长预估模型可以用于表征特征向量与出单时长的对应关系。这里,电子设备可以通过多种方式训练出单时长预估模型。
在本实施例的一些可选的实现方式中,电子设备可以基于对大量历史订单的特征向量和出单时长的统计而生成存储有多个特征向量和出单时长的对应关系的对应关系表,并将该对应关系表作为出单时长预估模型。当电子设备将当前订单的特征向量输入出单时长预估模型时,出单时长预估模型会查询对应关系表,从而得到当前订单的特征向量所对应的出单时长。
步骤204,输出当前订单的出单时长。
在本实施例中,基于步骤203所得到的当前订单的出单时长,电子设备可以将当前订单的出单时长输出到与其通信连接的其他电子设备(例如,数据库服务器、终端设备等)上。作为示例,电子设备可以将当前订单的出单时长发送至当前订单的配送人员或配送机器人的管理人员的终端设备上,以便于当前订单的配送人员或配送机器人的管理人员对配送路线进行规划。
本申请实施例提供的信息输出方法,首先获取当前订单的订单数据,以便于从当前订单的订单数据中提取当前订单的特征向量;然后将当前订单的特征向量输入至出单时长预估模型,从而得到当前订单的出单时长;最后将所得到的当前订单的出单时长输出。利用可以表征特征向量与出单时长的对应关系的出单时长预估模型预估出单时长,提高了出单时长的预估准确率。
进一步参考图3,其示出了训练出单时长预估模型的方法的一个实施例的流程300。该训练出单时长预估模型的方法的流程300,包括以下步骤:
步骤301,获取样本订单的特征向量和样本订单的出单时长。
在本实施例中,训练出单时长预估模型的方法运行于其上的电子设备(例如图1所示的服务器103)可以获取样本订单的特征向量和样本订单的出单时长。这里,电子设备可以通过多种方式获取样本订单的特征向量和样本订单的出单时长。作为示例,本领域技术人员可以对大量订单的订单数据进行统计分析,从而得到多个特征向量和多个出单时长,并将所得到的每个特征向量和每个出单时长一一对应,然后将其作为样本订单的特征向量和样本订单的出单时长。
步骤302,将样本订单的特征向量作为输入,将样本订单的出单时长作为输出,训练得到出单时长预估模型。
在本实施例中,基于步骤301所获取的样本订单的特征向量和样本订单的出单时长,电子设备可以利用样本订单的特征向量和样本订单的出单时长,对例如DNN(DeepNeural Network,深层神经网络)模型进行训练,从而得到能够表征特征向量与出单时长之间准确对应关系的出单时长预估模型。
在本实施例的一些可选的实现方式中,电子设备可以通过以下步骤训练得到出单时长预估模型:
首先,执行以下训练步骤:将样本订单的特征向量输入至深层神经网络,得到样本订单的预估出单时长,利用样本订单的预估出单时长和样本订单的出单时长,确定深层神经网络的预估准确率,若预估准确率大于预设准确率阈值,则将深层神经网络作为出单时长预估模型;
这里,若一个样本订单的预估出单时长与该样本订单的出单时长相同或相近(例如差值小于预设值),则深层神经网络对该样本订单的出单时长预估准确;若该样本订单的预估出单时长与该样本订单的出单时长不相同或不相近(例如差值不小于预设值),则深层神经网络对该样本订单的出单时长预估不准确。实践中,电子设备可以将预估准确的样本订单的数目与样本订单的总数的比值作为深层神经网络的预估准确率。
然后,响应于确定预估准确率不大于预设准确率阈值,调整深层神经网络的参数,并继续执行训练步骤。
这里,在预估准确率不大于预设准确率阈值的情况下,电子设备可以调整深层神经网络的参数,并返回执行上述训练步骤,直至训练出能够表征订单的特征向量和订单的出单时长之间准确对应关系的出单时长预估模型为止。
本申请实施例提供的训练出单时长预估模型的方法,利用样本订单的特征向量和样本订单的出单时长进行训练,从而得到能够表征特征向量与出单时长之间准确对应关系的出单时长预估模型。
进一步参考图4,其示出了训练出单时长预估模型的方法的又一个实施例的流程400。该训练出单时长预估模型的方法的流程400,包括以下步骤:
步骤401,获取第一历史订单的订单数据和出单时长。
在本实施例中,训练出单时长预估模型的方法运行于其上的电子设备(例如图1所示的服务器103)可以通过有线连接方式或无线连接方式从数据库服务器(例如图1所示的数据库服务器101)获取预设网站(例如某电子商务网站)上的第一预设时间段(例如前一个月、前一个星期)内的历史订单的订单数据和出单时长,并作为第一历史订单的订单数据和出单时长,然后执行步骤402和403。
步骤402,从第一历史订单的订单数据中提取第一历史订单的特征向量作为样本订单的特征向量。
在本实施例中,基于步骤401所获取的第一历史订单的订单数据,电子设备可以从第一历史订单的订单数据中提取第一历史订单的特征向量,并作为样本订单的特征向量,然后执行步骤407。其中,样本订单的特征向量可以用于描述第一历史订单的特征。
步骤403,获取第一历史订单的出单类别。
在本实施例中,基于步骤401所获取的第一历史订单的订单数据,电子设备可以获取第一历史订单的出单类别。
通常,历史订单的订单数据中可以包括历史订单的出单类别。其中,出单类别可以包括第一类别和第二类别。第一类别可以用于表征在订单的配送资源到达订单所属商家之后订单未出单的情况。第二类别可以用于表征在订单的配送资源到达订单所属商家之前订单已出单的情况。其中,配送资源可以包括但不限于配送人员、配送机器人等等。
步骤404,确定第一历史订单的出单类别是第一类别还是第二类别。
在本实施例中,基于步骤403所获取的第一历史订单的出单类别,电子设备可以确定第一历史订单的出单类别是第一类别还是第二类别;在第一历史订单的出单类别是第一类别的情况下,执行步骤405';在第一历史订单的出单类别是第二类别的情况下,执行步骤405。
步骤405',将第一历史订单的出单时长作为样本订单的出单时长。
在本实施例中,在第一历史订单的出单类别是第一类别的情况下,电子设备可以将第一历史订单的出单时长作为样本订单的出单时长,然后执行步骤407。
步骤405,获取第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差。
在本实施例中,在第一历史订单的出单类别是第二类别的情况下,电子设备可以获取第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差。其中,第一时间差可以是第一历史订单的配送资源到达第一历史订单所属商家的时间与第一历史订单所属商家接收第一历史订单的时间的时间差。第一历史订单所对应的第一出单时长可以是通过对大量与第一历史订单类似的历史订单或第一历史订单所属的商家的大量历史订单进行统计分析而得到的。
在本实施例的一些可选的实现方式中,第一历史订单所对应的第一出单时长可以是电子设备通过如下步骤获取的:
首先,获取第一历史订单所属商家的至少一个第二历史订单的出单时长。
作为示例,电子设备可以获取第一历史订单所属的商家在第二预设时间段(例如前一个月、前一个星期)内的历史订单的出单时长,并作为第二历史订单的出单时长。
然后,从至少一个第二历史订单的出单时长中选取出预设数目第二历史订单的出单时长。
作为一种示例,电子设备可以从至少一个第二历史订单的出单时长中随机选取出预设数目第二历史订单的出单时长。
作为另一种示例,电子设备可以首先对至少一个第二历史订单的出单时长按照时长长短进行排序;然后,从时长短的一侧开始选取出预设数目第二历史订单的出单时长。这里,电子设备可以对至少一个第二历史订单的出单时长按照时长从长到短的顺序进行排序;也可以对至少一个第二历史订单的出单时长按照时长从短到长的顺序进行排序。
最后,计算所选取出的第二历史订单的出单时长的平均值,并作为第一历史订单所对应的第一出单时长。
步骤406,基于第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,生成样本订单的出单时长。
在本实施例中,基于步骤405所获取到的第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,电子设备可以生成样本订单的出单时长。这里,电子设备可以通过多种方式生成样本订单的出单时长。作为示例,电子设备可以计算第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差的平均值,并作为样本订单的出单时长,然后执行步骤407。
在本实施例的一些可选的实现方式中,电子设备可以首先获取第一历史订单所对应的第一出单时长的第一权重、第一历史订单所属商家的平均出单时长的第二权重和第一时间差的第三权重;然后基于第一历史订单所对应的第一出单时长、第一权重、第一历史订单所属商家的平均出单时长、第二权重、第一时间差和第三权重,生成样本订单的出单时长。
作为示例,电子设备可以计算第一历史订单所对应的第一出单时长与第一权重的乘积、第一历史订单所属商家的平均出单时长与第二权重的乘积和第一时间差与第三权重的乘积的和,将所得到的和作为样本订单的出单时长。
具体地,电子设备可以通过如下公式生成样本订单的出单时长ΔT:
ΔT=Δt1×w1+Δt2×w2+Δt3×w3;
其中,Δt1是第一历史订单所对应的第一出单时长,Δt2是第一历史订单所属商家的平均出单时长,Δt3是第一时间差,w1是第一权重,w2是第二权重,w3是第三权重。
需要说明的是,第一权重、第二权重和第三权重是根据第一历史订单的类别预先设置的,不同类别的第一历史订单所对应的第一权重、第二权重和第三权重可以不同。
步骤407,将样本订单的特征向量作为输入,将样本订单的出单时长作为输出,训练得到出单时长预估模型。
在本实施例中,基于步骤402所得到的样本订单的特征向量和步骤405'所得到的样本订单的出单时长或步骤406所得到的样本订单的出单时长,电子设备可以利用样本订单的特征向量和样本订单的出单时长,对例如DNN模型进行训练,从而得到能够表征特征向量与出单时长之间准确对应关系的出单时长预估模型。
从图4中可以看出,与图3对应的实施例相比,本实施例中的训练出单时长预估模型的方法的流程400突出了获取样本订单的特征向量和出单时长的步骤。由此,本实施例描述的方案中的样本订单的特征向量和出单时长是通过对第一历史订单的订单数据和出单时长进行分析处理而得到的,并且不同出单类别的第一历史订单的出单时长的获取方式不同,从而使所获取到的样本订单的特征向量和出单时长更加客观、真实。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种信息输出装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的信息输出装置500可以包括:获取单元501、提取单元502、预估单元503和输出单元504。其中,获取单元501,配置用于获取当前订单的订单数据;提取单元502,配置用于从当前订单的订单数据中提取当前订单的特征向量,其中,当前订单的特征向量用于描述当前订单的特征;预估单元503,配置用于将当前订单的特征向量输入至预先训练的出单时长预估模型,得到当前订单的出单时长,其中,出单时长预估模型用于表征特征向量与出单时长的对应关系;输出单元504,配置用于输出当前订单的出单时长。
在本实施例中,信息输出装置500中:获取单元501、提取单元502、预估单元503和输出单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,信息输出装置500还可以包括训练单元(图中未示出),训练单元可以包括:获取子单元(图中未示出),配置用于获取样本订单的特征向量和样本订单的出单时长;训练子单元(图中未示出),配置用于将样本订单的特征向量作为输入,将样本订单的出单时长作为输出,训练得到出单时长预估模型。
在本实施例的一些可选的实现方式中,训练子单元可以包括:训练模块(图中未示出),配置用于执行以下训练步骤:将样本订单的特征向量输入至深层神经网络,得到样本订单的预估出单时长,利用样本订单的预估出单时长和样本订单的出单时长,确定深层神经网络的预估准确率,若预估准确率大于预设准确率阈值,则将深层神经网络作为出单时长预估模型;调整模块(图中未示出),配置用于响应于确定预估准确率不大于预设准确率阈值,调整深层神经网络的参数,并继续执行训练步骤。
在本实施例的一些可选的实现方式中,获取子单元可以包括:第一获取模块(图中未示出),配置用于获取第一历史订单的订单数据和出单时长;提取模块(图中未示出),配置用于从第一历史订单的订单数据中提取第一历史订单的特征向量作为样本订单的特征向量,其中,样本订单的特征向量用于描述第一历史订单的特征;第二获取模块(图中未示出),配置用于获取第一历史订单的出单类别,其中,出单类别包括第一类别和第二类别,第一类别用于表征在订单的配送资源到达订单所属商家之后订单未出单的情况,第二类别用于表征在订单的配送资源到达订单所属商家之前订单已出单的情况;第一生成模块(图中未示出),配置用于若第一历史订单的出单类别是第一类别,则将第一历史订单的出单时长作为样本订单的出单时长。
在本实施例的一些可选的实现方式中,获取子单元还可以包括:第三获取模块(图中未示出),配置用于若第一历史订单的出单类别是第二类别,则获取第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,其中,第一时间差是第一历史订单的配送资源到达第一历史订单所属商家的时间与第一历史订单所属商家接收第一历史订单的时间的时间差;第二生成模块(图中未示出),配置用于基于第一历史订单所对应的第一出单时长、第一历史订单所属商家的平均出单时长和第一时间差,生成样本订单的出单时长。
在本实施例的一些可选的实现方式中,第二生成模块可以包括:获取子模块(图中未示出),配置用于获取第一历史订单所对应的第一出单时长的第一权重、第一历史订单所属商家的平均出单时长的第二权重和第一时间差的第三权重;生成子模块(图中未示出),配置用于基于第一历史订单所对应的第一出单时长、第一权重、第一历史订单所属商家的平均出单时长、第二权重、第一时间差和第三权重,生成样本订单的出单时长。
在本实施例的一些可选的实现方式中,生成子模块可以进一步配置用于:计算第一历史订单所对应的第一出单时长与第一权重的乘积、第一历史订单所属商家的平均出单时长与第二权重的乘积和第一时间差与第三权重的乘积的和,将所得到的和作为样本订单的出单时长。
在本实施例的一些可选的实现方式中,第三获取模块可以包括第一出单时长获取子模块(图中未示出),第一出单时长获取子模块,配置用于:获取第一历史订单所属商家的至少一个第二历史订单的出单时长;从至少一个第二历史订单的出单时长中选取出预设数目第二历史订单的出单时长;计算所选取出的第二历史订单的出单时长的平均值,并作为第一历史订单所对应的第一出单时长。
在本实施例的一些可选的实现方式中,第一出单时长获取子模块可以进一步配置用于:对至少一个第二历史订单的出单时长按照时长长短进行排序;从时长短的一侧开始选取出预设数目第二历史订单的出单时长。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、提取单元、预估单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取当前订单的订单数据的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取当前订单的订单数据;从当前订单的订单数据中提取当前订单的特征向量,其中,当前订单的特征向量用于描述当前订单的特征;将当前订单的特征向量输入至预先训练的出单时长预估模型,得到当前订单的出单时长,其中,出单时长预估模型用于表征特征向量与出单时长的对应关系;输出当前订单的出单时长。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种信息输出方法,其特征在于,所述方法包括:
获取当前订单的订单数据;
从所述当前订单的订单数据中提取所述当前订单的特征向量,其中,所述当前订单的特征向量用于描述所述当前订单的特征;
将所述当前订单的特征向量输入至预先训练的出单时长预估模型,得到所述当前订单的出单时长,其中,所述出单时长预估模型用于表征特征向量与出单时长的对应关系;
输出所述当前订单的出单时长;
其中,所述方法还包括获取样本订单的特征向量和样本订单的出单时长;将所述样本订单的特征向量作为输入,将所述样本订单的出单时长作为输出,训练得到所述出单时长预估模型;所述样本订单包括出单类别为第一类别和第二类别,所述第一类别用于表征在订单的配送资源到达订单所属商家之后订单未出单的情况;所述第二类别用于表征在订单的配送资源到达订单所属商家之前订单已出单的情况;
所述获取样本订单的特征向量和样本订单的出单时长包括:获取第一历史订单的订单数据和出单时长;从所述第一历史订单的订单数据中提取所述第一历史订单的特征向量作为样本订单的特征向量,其中,所述样本订单的特征向量用于描述所述第一历史订单的特征;获取所述第一历史订单的出单类别;若所述第一历史订单的出单类别是所述第一类别,则将所述第一历史订单的出单时长作为样本订单的出单时长;若所述第一历史订单的出单类别是所述第二类别,则获取所述第一历史订单所对应的第一出单时长、所述第一历史订单所属商家的平均出单时长和第一时间差,其中,所述第一时间差是所述第一历史订单的配送资源到达所述第一历史订单所属商家的时间与所述第一历史订单所属商家接收所述第一历史订单的时间的时间差;基于所述第一历史订单所对应的第一出单时长、所述第一历史订单所属商家的平均出单时长和所述第一时间差,生成样本订单的出单时长。
2.根据权利要求1所述的方法,其特征在于,所述将所述样本订单的特征向量作为输入,将所述样本订单的出单时长作为输出,训练得到出单时长预估模型,包括:
执行以下训练步骤:将所述样本订单的特征向量输入至深层神经网络,得到所述样本订单的预估出单时长,利用所述样本订单的预估出单时长和所述样本订单的出单时长,确定所述深层神经网络的预估准确率,若所述预估准确率大于预设准确率阈值,则将所述深层神经网络作为所述出单时长预估模型;
响应于确定所述预估准确率不大于预设准确率阈值,调整所述深层神经网络的参数,并继续执行所述训练步骤。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一历史订单所对应的第一出单时长、所述第一历史订单所属商家的平均出单时长和所述第一时间差,生成样本订单的出单时长,包括:
获取所述第一历史订单所对应的第一出单时长的第一权重、所述第一历史订单所属商家的平均出单时长的第二权重和所述第一时间差的第三权重;
基于所述第一历史订单所对应的第一出单时长、所述第一权重、所述第一历史订单所属商家的平均出单时长、所述第二权重、所述第一时间差和所述第三权重,生成样本订单的出单时长。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一历史订单所对应的第一出单时长、所述第一权重、所述第一历史订单所属商家的平均出单时长、所述第二权重、所述第一时间差和所述第三权重,生成样本订单的出单时长,包括:
计算所述第一历史订单所对应的第一出单时长与所述第一权重的乘积、所述第一历史订单所属商家的平均出单时长与所述第二权重的乘积和所述第一时间差与所述第三权重的乘积的和,将所得到的和作为样本订单的出单时长。
5.根据权利要求1所述的方法,其特征在于,所述第一历史订单所对应的第一出单时长是通过如下步骤获取的:
获取所述第一历史订单所属商家的至少一个第二历史订单的出单时长;
从所述至少一个第二历史订单的出单时长中选取出预设数目第二历史订单的出单时长;
计算所选取出的第二历史订单的出单时长的平均值,并作为所述第一历史订单所对应的第一出单时长。
6.根据权利要求5所述的方法,其特征在于,所述从所述至少一个第二历史订单的出单时长中选取出预设数目第二历史订单的出单时长,包括:
对所述至少一个第二历史订单的出单时长按照时长长短进行排序;
从时长短的一侧开始选取出预设数目第二历史订单的出单时长。
7.一种信息输出装置,其特征在于,所述装置包括:
获取单元,配置用于获取当前订单的订单数据;
提取单元,配置用于从所述当前订单的订单数据中提取所述当前订单的特征向量,其中,所述当前订单的特征向量用于描述所述当前订单的特征;
预估单元,配置用于将所述当前订单的特征向量输入至预先训练的出单时长预估模型,得到所述当前订单的出单时长,其中,所述出单时长预估模型用于表征特征向量与出单时长的对应关系;
输出单元,配置用于输出所述当前订单的出单时长;
其中,所述装置还包括训练单元,所述训练单元包括:获取子单元,配置用于获取样本订单的特征向量和样本订单的出单时长;训练子单元,配置用于将所述样本订单的特征向量作为输入,将所述样本订单的出单时长作为输出,训练得到出单时长预估模型;所述样本订单包括出单类别为第一类别和第二类别,所述第一类别用于表征在订单的配送资源到达订单所属商家之后订单未出单的情况;所述第二类别用于表征在订单的配送资源到达订单所属商家之前订单已出单的情况;
所述获取子单元包括:
第一获取模块,配置用于获取第一历史订单的订单数据和出单时长;
提取模块,配置用于从所述第一历史订单的订单数据中提取所述第一历史订单的特征向量作为样本订单的特征向量,其中,所述样本订单的特征向量用于描述所述第一历史订单的特征;
第二获取模块,配置用于获取所述第一历史订单的出单类别;
第一生成模块,配置用于若所述第一历史订单的出单类别是所述第一类别,则将所述第一历史订单的出单时长作为样本订单的出单时长;
第三获取模块,配置用于若所述第一历史订单的出单类别是所述第二类别,则获取所述第一历史订单所对应的第一出单时长、所述第一历史订单所属商家的平均出单时长和第一时间差,其中,所述第一时间差是所述第一历史订单的配送资源到达所述第一历史订单所属商家的时间与所述第一历史订单所属商家接收所述第一历史订单的时间的时间差;
第二生成模块,配置用于基于所述第一历史订单所对应的第一出单时长、所述第一历史订单所属商家的平均出单时长和所述第一时间差,生成样本订单的出单时长。
8.根据权利要求7所述的装置,其特征在于,所述训练子单元包括:
训练模块,配置用于执行以下训练步骤:将所述样本订单的特征向量输入至深层神经网络,得到所述样本订单的预估出单时长,利用所述样本订单的预估出单时长和所述样本订单的出单时长,确定所述深层神经网络的预估准确率,若所述预估准确率大于预设准确率阈值,则将所述深层神经网络作为所述出单时长预估模型;
调整模块,配置用于响应于确定所述预估准确率不大于预设准确率阈值,调整所述深层神经网络的参数,并继续执行所述训练步骤。
9.根据权利要求7所述的装置,其特征在于,所述第二生成模块包括:
获取子模块,配置用于获取所述第一历史订单所对应的第一出单时长的第一权重、所述第一历史订单所属商家的平均出单时长的第二权重和所述第一时间差的第三权重;
生成子模块,配置用于基于所述第一历史订单所对应的第一出单时长、所述第一权重、所述第一历史订单所属商家的平均出单时长、所述第二权重、所述第一时间差和所述第三权重,生成样本订单的出单时长。
10.根据权利要求9所述的装置,其特征在于,所述生成子模块进一步配置用于:
计算所述第一历史订单所对应的第一出单时长与所述第一权重的乘积、所述第一历史订单所属商家的平均出单时长与所述第二权重的乘积和所述第一时间差与所述第三权重的乘积的和,将所得到的和作为样本订单的出单时长。
11.根据权利要求7所述的装置,其特征在于,所述第三获取模块包括第一出单时长获取子模块,所述第一出单时长获取子模块,配置用于:
获取所述第一历史订单所属商家的至少一个第二历史订单的出单时长;
从所述至少一个第二历史订单的出单时长中选取出预设数目第二历史订单的出单时长;
计算所选取出的第二历史订单的出单时长的平均值,并作为所述第一历史订单所对应的第一出单时长。
12.根据权利要求11所述的装置,其特征在于,所述第一出单时长获取子模块进一步配置用于:
对所述至少一个第二历史订单的出单时长按照时长长短进行排序;
从时长短的一侧开始选取出预设数目第二历史订单的出单时长。
13.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710883016.5A CN107845016B (zh) | 2017-09-26 | 2017-09-26 | 信息输出方法和装置 |
PCT/CN2017/118690 WO2019061903A1 (zh) | 2017-09-26 | 2017-12-26 | 信息输出方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710883016.5A CN107845016B (zh) | 2017-09-26 | 2017-09-26 | 信息输出方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107845016A CN107845016A (zh) | 2018-03-27 |
CN107845016B true CN107845016B (zh) | 2021-01-01 |
Family
ID=61662084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710883016.5A Expired - Fee Related CN107845016B (zh) | 2017-09-26 | 2017-09-26 | 信息输出方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107845016B (zh) |
WO (1) | WO2019061903A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619400A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东振世信息技术有限公司 | 用于生成订单信息的方法和装置 |
CN109685276B (zh) * | 2018-12-27 | 2021-01-01 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
CN111476389A (zh) * | 2019-01-24 | 2020-07-31 | 北京嘀嘀无限科技发展有限公司 | 一种预估接单等待时长的方法及装置 |
CN110210946A (zh) * | 2019-06-10 | 2019-09-06 | 网易无尾熊(杭州)科技有限公司 | 数据处理方法及装置、介质和计算设备 |
CN110807545A (zh) * | 2019-10-22 | 2020-02-18 | 北京三快在线科技有限公司 | 任务时长的预估方法、装置、电子设备和存储介质 |
CN111401818B (zh) * | 2020-04-07 | 2023-09-26 | 上海东普信息科技有限公司 | 快件配送达成率计算方法、装置、设备及存储介质 |
CN111860906B (zh) * | 2020-04-24 | 2024-04-26 | 北京嘀嘀无限科技发展有限公司 | 一种确定预估到达时间的方法和系统 |
CN112183856A (zh) * | 2020-09-27 | 2021-01-05 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
CN113554483A (zh) * | 2021-07-19 | 2021-10-26 | 浙江工企信息技术股份有限公司 | 一种订单全生命周期管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408561A (zh) * | 2014-11-25 | 2015-03-11 | 同程网络科技股份有限公司 | 基于Job站的订单分单方法 |
CN105894359A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 订单推送方法、装置及系统 |
CN106408411A (zh) * | 2016-08-31 | 2017-02-15 | 北京城市网邻信息技术有限公司 | 信用评估方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004210460A (ja) * | 2002-12-27 | 2004-07-29 | Honda Motor Co Ltd | 出荷管理システムおよび出荷管理方法 |
US20050197889A1 (en) * | 2004-02-11 | 2005-09-08 | Sigma Dynamics, Inc. | Method and apparatus for comparison over time of prediction model characteristics |
CN105913204B (zh) * | 2016-03-31 | 2018-03-30 | 北京小度信息科技有限公司 | 订单处理方法及装置 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
-
2017
- 2017-09-26 CN CN201710883016.5A patent/CN107845016B/zh not_active Expired - Fee Related
- 2017-12-26 WO PCT/CN2017/118690 patent/WO2019061903A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408561A (zh) * | 2014-11-25 | 2015-03-11 | 同程网络科技股份有限公司 | 基于Job站的订单分单方法 |
CN105894359A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 订单推送方法、装置及系统 |
CN106408411A (zh) * | 2016-08-31 | 2017-02-15 | 北京城市网邻信息技术有限公司 | 信用评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
百度外卖利用大数据精确定位与营销;牛春安;《中国食品安全报》;20161108;第1页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107845016A (zh) | 2018-03-27 |
WO2019061903A1 (zh) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845016B (zh) | 信息输出方法和装置 | |
CN107465741B (zh) | 信息推送方法和装置 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN109544076B (zh) | 用于生成信息的方法和装置 | |
CN107220852A (zh) | 用于确定目标推荐用户的方法、装置和服务器 | |
CN108520324A (zh) | 用于生成信息的方法和装置 | |
CN106897905B (zh) | 用于推送信息的方法、装置及电子设备 | |
CN108388563B (zh) | 信息输出方法和装置 | |
CN110929136A (zh) | 一种个性化推荐方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN111325587A (zh) | 用于生成信息的方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN114049072B (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
CN113793081A (zh) | 仓储监控方法、装置、计算机可读介质及电子设备 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN110675176B (zh) | 用于生成属性预测模型的方法和装置 | |
CN110197317B (zh) | 目标用户确定方法及装置、电子设备及存储介质 | |
CN114663015A (zh) | 补货方法和装置 | |
CN111598597A (zh) | 用于发送信息的方法和装置 | |
CN113743804A (zh) | 物品运输方法、装置、设备和计算机可读介质 | |
CN113592315A (zh) | 一种处理纠纷单的方法和装置 | |
US12062060B2 (en) | Method and device for processing user interaction information | |
CN111126649A (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210101 |
|
CF01 | Termination of patent right due to non-payment of annual fee |