CN108197835B - 任务分配方法、装置、计算机可读存储介质及电子设备 - Google Patents
任务分配方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN108197835B CN108197835B CN201810116833.2A CN201810116833A CN108197835B CN 108197835 B CN108197835 B CN 108197835B CN 201810116833 A CN201810116833 A CN 201810116833A CN 108197835 B CN108197835 B CN 108197835B
- Authority
- CN
- China
- Prior art keywords
- task
- workers
- time slice
- worker
- tasks
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开一种任务分配方法、装置、计算机可读存储介质及电子设备,能兼顾任务分配效率和平台资源消耗。方法包括:在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配;获取在当前时间片执行完任务分配之后尚未实现分配的遗留任务量和遗留工人数;利用机器学习模型,基于当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,预测在接下来的预设时间阈值内即将到来的预测任务量和预测工人数;至少基于预测任务量和预测工人数,调整下一时间片的长度。本发明适用于对众包任务进行分配。
Description
技术领域
本发明涉及众包技术,尤其涉及一种基于时间片按照众包模式向工人分配任务的方法、装置、存储介质及电子设备。
背景技术
随着互联网技术的发展,众包技术被应用到越来越多的领域,例如,外卖派单、网约车派单、数据众包服务等各种任务分配场景。
目前已有的对众包分配机制的研究多是基于离线情况,对在线情况下的任务分配机制缺乏切实可用的方案。而且,在实际众包应用中,任务和完成任务的工人都是实时到达的,也就是说,对于分配任务的平台方来说未到达的任务和工人的信息是未知的,在这种情况下的匹配容易造成局部最优,但全局匹配效果较差的结果。上述问题都成为了实时任务分配的障碍,也影响了众包平台的发展。
发明内容
有鉴于此,本发明实施例提供一种基于时间片按照众包模式向工人分配任务的方法、装置、存储介质及电子设备,能够提高任务分配的全局分配效果。
第一方面,本发明实施例提供一种基于时间片按照众包模式向工人分配任务的方法,包括:在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配;获取在当前时间片执行完任务分配之后尚未实现分配的遗留任务量和遗留工人数;利用机器学习模型,基于当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,预测在接下来的预设时间阈值内即将到来的预测任务量和预测工人数;至少基于预测任务量和预测工人数,调整下一时间片的长度。
结合第一方面,在第一方面的第一种实施方式中,在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配包括:获取当前时间片内的待分配任务和待分配工人;在待分配任务和待分配工人之间构建二分图,其中,在所述二分图中,任务和工人之间具有连接权重;根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
结合第一方面的第一种实施方式,在第一方面的第二种实施方式中,所述连接权重的取值基于任务属性、工人属性和/或任务与工人之间的关系。
结合第一方面的第二种实施方式,在第一方面的第三种实施方式中,利用下式确定所述连接权重的取值:
G(ti,wj)=αψij+(1-α)ζij;
式中,G(ti,wj)为第i个任务和第j个工人之间的连接权重;α为调节系数;ψij为第i个任务和第j个工人之间的技能契合程度;ζij为第i个任务和第j个工人之间的偏好程度;ti为第i个任务;wj为第j个工人。
结合第一方面的第一种实施方式,在第一方面的第四种实施方式中,在待分配任务和待分配工人之间构建二分图之后,所述方法还基于任务和工人之间的时空约束条件对二分图进行剪枝,并在剪枝后的二分图中,根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
结合第一方面的第一种实施方式,在第一方面的第五种实施方式中,所述待分配任务包括上一时间片的遗留任务以及当前时间片内到达的新任务,待分配工人包括上一时间片的遗留工人以及当前时间片内到达的新工人。
结合第一方面、第一方面的第一种至第五种中的任一种实施方式,在第一方面的第六种实施方式中,所述机器学习模型基于以下处理而得到:
收集关于按照众包方式向工人分配任务的历史数据;
对收集的历史数据进行特征抽取以得到训练样本,其中,每个训练样本的特征部分涵盖与所述每个训练样本相应的当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,所述每个训练样本的标记包括在接下来的预设时间阈值内到来的真实任务量和真实工人数;
基于训练样本,利用机器学习算法进行模型训练。
结合第一方面、第一方面的第一种至第五种中的任一种实施方式,在第一方面的第七种实施方式中,利用下式调整所述下一时间片的长度:
式中,N(x)为下一时间片的长度;x为预测任务量和预测工人数的总和,或者,x为遗留任务量、遗留工人数、预测任务量、预测工人数的总和;c为时间片的调节长度;β为时间片的最短长度;m、n为时间片的调节参数。
结合第一方面的第七种实施方式,在第一方面的第八种实施方式中,预设时间阈值等于c+β。
第二方面,本发明实施例提供一种基于时间片按照众包模式向工人分配任务的装置,包括:任务分配模块、遗留任务信息获取模块、预测模块以及调整模块,其中,任务分配模块,用于在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配;遗留任务信息获取模块,用于获取在当前时间片执行完任务分配之后尚未实现分配的遗留任务量和遗留工人数;预测模块,用于利用机器学习模型,基于当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,预测在接下来的预设时间阈值内即将到来的预测任务量和预测工人数;调整模块,用于至少基于预测任务量和预测工人数,调整下一时间片的长度。
结合第二方面,在第二方面的第一种实施方式中,所述任务分配模块包括:待分配信息获取单元、二分图构建单元以及任务分配单元,其中,待分配信息获取单元,用于获取当前时间片内的待分配任务和待分配工人;二分图构建单元,用于在待分配任务和待分配工人之间构建二分图,其中,在所述二分图中,任务和工人之间具有连接权重;任务分配单元,用于根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
结合第二方面的第一种实施方式,在第二方面的第二种实施方式中,所述连接权重的取值基于任务属性、工人属性和/或任务与工人之间的关系。
结合第二方面的第二种实施方式,在第二方面的第三种实施方式中,利用下式确定所述连接权重的取值:
G(ti,wj)=αψij+(1-α)ζij;
式中,G(ti,wj)为第i个任务和第j个工人之间的连接权重;α为调节系数;ψij为第i个任务和第j个工人之间的技能契合程度;ζij为第i个任务和第j个工人之间的偏好程度;ti为第i个任务;wj为第j个工人。
结合第二方面的第一种实施方式,在第二方面的第四种实施方式中,所述二分图构建单元在待分配任务和待分配工人之间构建二分图之后,还基于任务和工人之间的时空约束条件对二分图进行剪枝,并且,所述任务分配单元在剪枝后的二分图中,根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
结合第二方面的第一种实施方式,在第二方面的第五种实施方式中,所述待分配任务包括上一时间片的遗留任务以及当前时间片内到达的新任务,待分配工人包括上一时间片的遗留工人以及当前时间片内到达的新工人。
结合第二方面、第二方面的第一种至第五种中的任一种实施方式,在第二方面的第六种实施方式中,所述机器学习模型基于以下处理而得到:
收集关于按照众包方式向工人分配任务的历史数据;
对收集的历史数据进行特征抽取以得到训练样本,其中,每个训练样本的特征部分涵盖与所述每个训练样本相应的当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,所述每个训练样本的标记包括在接下来的预设时间阈值内到来的真实任务量和真实工人数;
基于训练样本,利用机器学习算法进行模型训练。
结合第二方面、第二方面的第一种至第五种中的任一种实施方式,在第二方面的第七种实施方式中,利用下式调整所述下一时间片的长度:
式中,N(x)为下一时间片的长度;x为预测任务量和预测工人数的总和,或者,x为遗留任务量、遗留工人数、预测任务量、预测工人数的总和;c为时间片的调节长度;β为时间片的最短长度;m、n为时间片的调节参数。
结合第二方面的第七种实施方式,在第二方面的第八种实施方式中,预设时间阈值等于c+β。
第三方面,本发明实施例提供一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行前述任一实施方式所述的方法。
第四方面,本发明实施例提供一种电子设备,所述电子设备包括:壳体、处理器、存储器、电路板和电源电路,其中,电路板安置在壳体围成的空间内部,处理器和存储器设置在电路板上;电源电路,用于为上述电子设备的各个电路或器件供电;存储器用于存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行前述任一实施方式所述的方法。
本发明实施例提供的一种基于时间片按照众包模式向工人分配任务的方法、装置、存储介质及电子设备,基于长度被动态调整的时间片进行任务分配(其中,利用机器学习模型的任务和工人预测结果来调整时间片长度),可提高任务分配的全局分配效果。相应地,基于预测出的下一时间片中的预测任务量和预测工人数对下一时间片的长度做出相应的调整,在任务和工人到达的高峰期减小下一时间片的长度,以迅速做出任务分配,减少反应时延;在任务和工人到达数较小时,则增加下一时间片的长度,以保证任务分配的质量,同时减少不必要的计算代价。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的实施例一基于时间片按照众包模式向工人分配任务的方法流程示意图;
图2为本发明实施例的时间片长度变化的示意图;
图3为本发明的实施例二基于时间片按照众包模式向工人分配任务的装置结构示意图;
图4为本发明电子设备一个实施例的结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明的实施例一基于时间片按照众包模式向工人分配任务的方法流程示意图。如图1所示,本实施例的方法可以包括:
步骤101,在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配。
本实施例中,作为示例,所述工人是在众包平台注册可被分配任务的人员,所述任务是个人、公司或机构等通过众包平台发布的任务。工人与任务之间的匹配关系反映了工人与任务之间形成分配关系的可能性,即,向工人分配任务的倾向性,基于该映射关系可将任务分配给适合的工人。任务分配的执行可由诸如众包平台的装置或系统来执行。
作为一可选实施例,在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配包括:
A11,获取当前时间片内的待分配任务和待分配工人。
本实施例中,作为示例,待分配任务包括上一时间片的遗留任务以及当前时间片内到达的新任务。上一时间片的遗留任务是指上一时间片内未能完成分配的任务。待分配工人包括上一时间片的遗留工人以及当前时间片内到达的新工人。上一时间片的遗留工人是指上一时间片内未被分配任务而当前时间片内仍等待分配任务的工人。
A12,在待分配任务和待分配工人之间构建二分图,其中,在所述二分图中,任务和工人之间具有连接权重。
本实施例中,作为示例,可以基于二分图进行任务分配。二分图是图论中的一种特殊模型,本领域技术人员应了解如何在二分图中构建待分配任务和待分配工人之间的连接关系。
本实施例中,作为示例,所述连接权重的取值基于任务属性、工人属性和/或任务与工人之间的关系。也就是说,权重的取值可依据单个因素,也可依据多个因素的综合结果。
其中,任务属性包括但不限于:完成任务需具有的基本技能、任务紧急程度、任务完成期限、要求工人到达任务地点的时限、接受任务的合理地理位置范围、任务具体内容、任务预算、是否是遗留任务等的一种或其任意组合。其中,任务预算可以是任务发布者愿意支付给工人的报酬。
工人属性包括但不限于:工人偏好、工人具有的技能、工人历史评价、工人地理位置、完成任务的预期报酬、历史完成任务列表、是否是遗留工人等的一种或其任意组合。
任务与工人之间的关系包括但不限于:任务和工人的空间距离关系、任务和工人之间的历史分配关系、任务与工人之间的技能契合程度等等。
例如,可以根据工人偏好为任务和工人的连接权重赋予相应的值。具体地,可通过在需要分配的任务集中查找是否有工人偏好的任务,如果有,赋予该工人与自己偏好的任务的连接权重以较大值,以提高工人的满意程度。
再例如,如果某一任务要求具有绘画基础,而一工人具有绘画技能,则赋予该任务与该工人之间的连接以较大的权重值。
再例如,对于上一时间片的遗留任务或遗留工人,可以赋予遗留任务或遗留工人与其他工人或任务之间的连接以较大的权重值,以避免遗留任务或遗留工人长久得不到分配。
本实施例中,可利用下式确定所述连接权重的取值:
G(ti,wj)=αψij+(1-α)ζij;
式中,G(ti,wj)为第i个任务和第j个工人之间的连接权重;α为调节系数(其取值可在0到1之间);ψij为第i个任务和第j个工人之间的技能契合程度;ζij为第i个任务和第j个工人之间的偏好程度;ti为第i个任务;wj为第j个工人。
应注意,也可以采用预先设置的其他计算公式确定所述连接权重的取值,本发明的实施例对此不加限制。例如,可考虑完成任务需具有的基本技能、任务紧急程度、任务完成期限、要求工人到达任务地点的时限和工人偏好、工人具有的技能、工人历史评价、工人地理位置之间的匹配等来设置权重计算公式。而且,设置的计算公式还可以由众包平台的任务目标的改变而进行调整。
A13,根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
本实施例中,匹配目标是向工人分配任务时所追求的效益。作为示例,若任务和工人之间的连接权重描述的是任务和工人之间的技能契合程度时,匹配目标采用的是最大化全局匹配的权重总和的权重计算公式,但由于匹配目标不是固定的,可以依据需要进行调整,当任务和工人之间的连接权重描述的是成本时,如描述的是工人移动到任务地点所需的路程花费时,则匹配目标可以调整为最小化全局匹配的权重总和,本实施例对此不作限定。
本实施例中,作为一可选实施例,在待分配任务和待分配工人之间构建二分图之后,所述方法还基于任务和工人之间的时空约束条件对二分图进行剪枝,并在剪枝后的二分图中,根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
本实施例中,作为一可选实施例,在根据任务和工人之间的时空约束条件进行剪枝操作时,例如,对于不满足到达任务地点时限的工人,可不构建该任务与该工人的连接,以减少后续进行匹配的搜索空间。
本实施例中,作为一可选实施例,可以对连接的权重取值应用静态匹配算法(例如,匈牙利算法),以在任务和工人之间进行匹配,匹配未成功的任务或工人则留到下一个时间片进行匹配。
步骤102,获取在当前时间片执行完任务分配之后尚未实现分配的遗留任务量和遗留工人数。
本实施例中,以时间片为单位向工人分配任务,在对当前时间片内的工人进行任务分配完毕后,由于工人数与任务量的不匹配,可能会存在一些任务未被分配出去、和/或,一些工人未被分配任务。例如,任务量与工人数差异显著,使得任务或工人过剩。在该步骤中,可获取在针对当前时间片执行完分配之后遗留下来的任务总数和工人总数。
步骤103,利用机器学习模型,基于当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,预测在接下来的预设时间阈值内即将到来的预测任务量和预测工人数。
本实施例中,利用机器学习模型,预测下一个预设长度的时间阈值内到达的预测任务量和预测工人数,从而预估出接下来需要分配的任务/工人的总数,进而基于这样的预测结果来调整下一时间片的长度。
作为一可选实施例,所述机器学习模型基于以下处理而得到:
A21,收集关于按照众包方式向工人分配任务的历史数据。
本实施例中,作为示例,历史数据可以指在过去真实发生过的众包记录,例如,这些众包记录可关于历史上工人/任务到达的时间、存在的时间、分配的时间等等。
A22,对收集的历史数据进行特征抽取以得到训练样本,其中,每个训练样本的特征部分涵盖与所述每个训练样本相应的当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,所述每个训练样本的标记包括在接下来的预设时间阈值内到来的真实任务量和真实工人数。
本领域技术人员应理解,机器学习模型的训练样本和预测样本在特征设计上具有一致性。本实施例中,可以针对收集的历史数据进行特征选择和特征抽取,以便于利用特定的机器学习算法进行模型训练。
具体说来,每条训练样本可对应自己的当前时间片(即,历史上的某段时间),训练样本的特征可包括上述当前时间片的遗留任务量和遗留工人数,所述当前时间片及其之前的一个或多个时间片内分别到达的先前任务量和先前工人数。例如,所述特征可包括训练样本所对应的当前时间片的遗留任务量和遗留工人数,前一时间片到达的先前任务量和先前工人数、再之前一个时间片到达的先前任务量和先前工人数,以此类推。
此外,训练样本的特征还包括历史同期在所述当前时间片的接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数。这些特征主要关注所述当前时间片的接下来一段时间真实到达的任务量和工人数。这里,历史同期可以指前一天、上一周的同一天、上一个月的同一天等在所述当前时间片的结束时刻,本领域技术人员可根据业务需要来设置历史同期的具体指代日期。
例如,假设预设时间阈值为2个小时,则如果训练样本所对应的当前时间片为2017.10.01.10:15-2017.10.01.11:00,则历史同期在接下来的预设时间阈值可以是2017.09.30.11:00-2017.09.30.13:00或2017.09.29.11:00-2017.09.29.13:00。
再例如,如果以单周或双周为单位设置历史同期,假设当前时间片为周一的10:15-11:00,则历史同期在接下来的预设时间阈值可以是上周一的11:00-13:00或上上周一的11:00-13:00。
此外,所述训练样本的标记可包括在当前时间片的接下来的预设时间阈值内(例如,2小时内)到来的真实任务量和真实工人数。
根据本发明的示例性实施例,训练样本中的特征或标记可采用任何适当的变型处理(例如,数值处理、合并或拆分处理等),仅需要在特征含义上涵盖上述内容即可。
A23,基于训练样本,利用机器学习算法进行模型训练。
本实施例中,可根据特征或特征向量与预测目标(即,标记)呈现的统计关系选取合适的机器学习算法进行训练以形成模型。例如,使用线性回归算法或神经网络算法等算法对训练样本进行训练,以得到具有较好预测效果的机器学习模型。特别地,模型算法的选取可在运行前进行设定,并可以根据需求来更换不同的模型来进行训练。
本实施例中,机器学习模型可以是预先训练好的或定期更新的、或不断在线学习的模型。
本实施例中,作为一可选实施例,利用贝叶斯网络的机器学习模型来获取预测任务量和预测工人数。
步骤104,至少基于预测任务量和预测工人数,调整下一时间片的长度。
本实施例中,利用估计出的接下来的预设时间阈值内即将到来的预测任务量和预测工人数,对下一时间片的时间窗口大小,即时间片的长度进行调整。作为一可选实施例,当接下来的预设时间阈值内即将到来的预测任务量和预测工人数较多时,减小下一时间片的长度以迅速执行任务分配,减少平台反应时延,提高分配效率;而当接下来的预设时间阈值内即将到来的预测任务量和预测工人数较少时,增大下一时间片的长度,以减少不必要的计算代价并确保分配质量。
本实施例中,作为一可选实施例,使用sigmoid函数调整时间片长度,即利用下式调整所述下一时间片的长度:
式中,N(x)为下一时间片的长度;x为预测任务量和预测工人数的总和,或者,x为遗留任务量、遗留工人数、预测任务量、预测工人数的总和;c为时间片的调节长度;β为时间片的最短长度;m、n为时间片的调节参数。本实施例中,作为一可选实施例,在机器学习模型预测接下来的预设时间阈值内即将到来的预测任务量和预测工人数时,所述预设时间阈值可等于c+β。
图2为本发明实施例的时间片长度随预测任务量和预测工人数之和而变化的示意图。参照图2,假设基于上式,根据x来调整下一时间片的长度N(x),可以看出,下一时间片N(x)的最大长度为c+β,即N(x)长度上界为c+β,下界为β,从而实现灵活调整时间片长度的目标。
如以上x所表示的,本实施例中,可以基于预测任务量和预测工人数的总和来调整下一时间片的长度,也可基于遗留任务量、遗留工人数、预测任务量和预测工人数的总和来调整下一时间片的长度;然而,应理解,本发明的示例性实施例并不受限于此,可基于任务量和工人数的任何组合结果(例如,加权和)来调整时间片长度。本实施例中,作为另一可选实施例,计算时间片的公式也可以采用sigmoid函数的其他形式公式或其他与sigmoid函数相似的函数公式。
本实施例的基于时间片按照众包模式向工人分配任务的方法,基于机器学习模型预测出的分配任务来动态调整进行任务分配的时间片长度,从而可提高任务分配的全局分配效果。进一步地,基于预测任务量和预测工人数对下一时间片的长度做出相应的调整,在任务和工人到达的高峰期减小下一时间片的长度,以加快平台分配任务的速度,提高分配效率;在任务和工人到达数较小时,则增加下一时间片的长度,避免计算资源的无谓消耗。
图3为本发明的实施例二基于时间片按照众包模式向工人分配任务的装置结构示意图,如图3所示,本实施例的装置可以包括:任务分配模块31、遗留任务信息获取模块32、预测模块33以及调整模块34,其中,任务分配模块31用于在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配;遗留任务信息获取模块32用于获取在当前时间片执行完任务分配之后尚未实现分配的遗留任务量和遗留工人数;预测模块33用于利用机器学习模型,基于当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,预测在接下来的预设时间阈值内即将到来的预测任务量和预测工人数;调整模块34用于至少基于预测任务量和预测工人数,调整下一时间片的长度。
所述各模块可在通过计算机程序来实现,也可通过硬件与计算机程序的结合来实现。上述各个模块可分布在相同或不同的计算机上。
作为一可选实施例,任务分配模块31包括:待分配信息获取单元、二分图构建单元以及任务分配单元(图中未示出),其中,待分配信息获取单元用于获取当前时间片内的待分配任务和待分配工人;二分图构建单元用于在待分配任务和待分配工人之间构建二分图,其中,在所述二分图中,任务和工人之间具有连接权重;任务分配单元用于根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
作为一可选实施例,所述连接权重的取值基于任务属性、工人属性和/或任务与工人之间的关系。
本实施例中,可利用下式确定所述连接权重的取值:
G(ti,wj)=αψij+(1-α)ζij;
式中,G(ti,wj)为第i个任务和第j个工人之间的连接权重;α为调节系数;ψij为第i个任务和第j个工人之间的技能契合程度;ζij为第i个任务和第j个工人之间的偏好程度;ti为第i个任务;wj为第j个工人。
本实施例中,作为一可选实施例,二分图构建单元在待分配任务和待分配工人之间构建二分图之后,还基于任务和工人之间的时空约束条件对二分图进行剪枝,并且,任务分配单元在剪枝后的二分图中,根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
作为示例,所述待分配任务包括上一时间片的遗留任务以及当前时间片内到达的新任务,待分配工人包括上一时间片的遗留工人以及当前时间片内到达的新工人。
作为一可选实施例,机器学习模型基于以下处理而得到:收集关于按照众包方式向工人分配任务的历史数据;对收集的历史数据进行特征抽取以得到训练样本,其中,每个训练样本的特征部分涵盖与所述每个训练样本相应的当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,所述每个训练样本的标记包括在接下来的预设时间阈值内到来的真实任务量和真实工人数;基于训练样本,利用机器学习算法进行模型训练。
本实施例中,作为一可选实施例,利用下式调整所述下一时间片的长度:
式中,N(x)为下一时间片的长度;x为预测任务量和预测工人数的总和,或者,x为遗留任务量、遗留工人数、预测任务量、预测工人数的总和;c为时间片的调节长度;β为时间片的最短长度;m、n为时间片的调节参数。
本实施例中,作为一可选实施例,预设时间阈值等于c+β。
本实施例的装置,可以用于执行图1和图2所示方法实施例的技术方案,其操作细节、实现原理和技术效果类似,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行图1所示方法实施例的技术方案。
本发明实施例还提供一种电子设备,所述电子设备包含前述任一实施例所述的装置。图4为本发明电子设备一个实施例的结构示意图,可以实现本发明图1-3所示实施例的流程,如图4所示,上述电子设备可以包括:壳体41、处理器42、存储器43、电路板44和电源电路45,其中,电路板44安置在壳体41围成的空间内部,处理器42和存储器43设置在电路板44上;电源电路45,用于为上述电子设备的各个电路或器件供电;存储器43用于存储可执行程序代码;处理器42通过读取存储器43中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行前述任一实施方式所述的方法。
处理器42对上述步骤的具体执行过程以及处理器42通过运行可执行程序代码来进一步执行的步骤,可以参见本发明图1-3所示实施例的描述,在此不再赘述。
该电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)通用计算机:这类设备的构成包括处理器、硬盘、内存、系统总线等,有计算和处理功能,也具备上网特性。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子设备。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
为了描述的方便,描述以上装置是以功能分为各种单元/模块分别描述。当然,在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (20)
1.一种基于时间片按照众包模式向工人分配任务的方法,其特征在于,包括:
在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配;
获取在当前时间片执行完任务分配之后尚未实现分配的遗留任务量和遗留工人数;
利用机器学习模型,基于当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,预测在接下来的预设时间阈值内即将到来的预测任务量和预测工人数;
至少基于预测任务量和预测工人数,调整下一时间片的长度。
2.根据权利要求1所述的方法,其特征在于,在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配包括:
获取当前时间片内的待分配任务和待分配工人;
在待分配任务和待分配工人之间构建二分图,其中,在所述二分图中,任务和工人之间具有连接权重;
根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
3.根据权利要求2所述的方法,其特征在于,所述连接权重的取值基于任务属性、工人属性和/或任务与工人之间的关系。
4.根据权利要求3所述的方法,其特征在于,利用下式确定所述连接权重的取值:
G(ti,wj)=αψij+(1-α)ζij;
式中,G(ti,wj)为第i个任务和第j个工人之间的连接权重;
α为调节系数;
ψij为第i个任务和第j个工人之间的技能契合程度;
ζij为第i个任务和第j个工人之间的偏好程度;
ti为第i个任务;
wj为第j个工人。
5.根据权利要求2所述的方法,其特征在于,在待分配任务和待分配工人之间构建二分图之后,所述方法还基于任务和工人之间的时空约束条件对二分图进行剪枝,并在剪枝后的二分图中,根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
6.根据权利要求2所述的方法,其特征在于,所述待分配任务包括上一时间片的遗留任务以及当前时间片内到达的新任务,待分配工人包括上一时间片的遗留工人以及当前时间片内到达的新工人。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述机器学习模型基于以下处理而得到:
收集关于按照众包方式向工人分配任务的历史数据;
对收集的历史数据进行特征抽取以得到训练样本,其中,每个训练样本的特征部分涵盖与所述每个训练样本相应的当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,所述每个训练样本的标记包括在接下来的预设时间阈值内到来的真实任务量和真实工人数;
基于训练样本,利用机器学习算法进行模型训练。
9.根据权利要求8所述的方法,其特征在于,预设时间阈值等于c+β。
10.一种基于时间片按照众包模式向工人分配任务的装置,其特征在于,包括:任务分配模块、遗留任务信息获取模块、预测模块以及调整模块,其中,
任务分配模块,用于在当前时间片基于工人与任务之间的匹配关系向工人执行任务分配;
遗留任务信息获取模块,用于获取在当前时间片执行完任务分配之后尚未实现分配的遗留任务量和遗留工人数;
预测模块,用于利用机器学习模型,基于当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,预测在接下来的预设时间阈值内即将到来的预测任务量和预测工人数;
调整模块,用于至少基于预测任务量和预测工人数,调整下一时间片的长度。
11.根据权利要求10所述的装置,其特征在于,所述任务分配模块包括:待分配信息获取单元、二分图构建单元以及任务分配单元,其中,
待分配信息获取单元,用于获取当前时间片内的待分配任务和待分配工人;
二分图构建单元,用于在待分配任务和待分配工人之间构建二分图,其中,在所述二分图中,任务和工人之间具有连接权重;
任务分配单元,用于根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
12.根据权利要求11所述的装置,其特征在于,所述连接权重的取值基于任务属性、工人属性和/或任务与工人之间的关系。
13.根据权利要求12所述的装置,其特征在于,利用下式确定所述连接权重的取值:
G(ti,wj)=αψij+(1-α)ζij;
式中,G(ti,wj)为第i个任务和第j个工人之间的连接权重;
α为调节系数;
ψij为第i个任务和第j个工人之间的技能契合程度;
ζij为第i个任务和第j个工人之间的偏好程度;
ti为第i个任务;
wj为第j个工人。
14.根据权利要求11所述的装置,其特征在于,所述二分图构建单元在待分配任务和待分配工人之间构建二分图之后,还基于任务和工人之间的时空约束条件对二分图进行剪枝,并且,所述任务分配单元在剪枝后的二分图中,根据所述连接权重的取值,在任务与工人之间的匹配目标下向待分配工人分配待分配任务。
15.根据权利要求11所述的装置,其特征在于,所述待分配任务包括上一时间片的遗留任务以及当前时间片内到达的新任务,待分配工人包括上一时间片的遗留工人以及当前时间片内到达的新工人。
16.根据权利要求10至15任一项所述的装置,其特征在于,所述机器学习模型基于以下处理而得到:
收集关于按照众包方式向工人分配任务的历史数据;
对收集的历史数据进行特征抽取以得到训练样本,其中,每个训练样本的特征部分涵盖与所述每个训练样本相应的当前时间片的遗留任务量和遗留工人数、当前时间片及其之前的至少一个时间片内分别到达的先前任务量和先前工人数、历史同期在接下来的预设时间阈值内到达的历史同期任务量和历史同期工人数,所述每个训练样本的标记包括在接下来的预设时间阈值内到来的真实任务量和真实工人数;
基于训练样本,利用机器学习算法进行模型训练。
18.根据权利要求17所述的装置,其特征在于,预设时间阈值等于c+β。
19.一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-9任一项所述的方法。
20.一种电子设备,其特征在于,所述电子设备包括:壳体、处理器、存储器、电路板和电源电路,其中,电路板安置在壳体围成的空间内部,处理器和存储器设置在电路板上;电源电路,用于为上述电子设备的各个电路或器件供电;存储器用于存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810116833.2A CN108197835B (zh) | 2018-02-05 | 2018-02-05 | 任务分配方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810116833.2A CN108197835B (zh) | 2018-02-05 | 2018-02-05 | 任务分配方法、装置、计算机可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197835A CN108197835A (zh) | 2018-06-22 |
CN108197835B true CN108197835B (zh) | 2022-02-15 |
Family
ID=62592536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810116833.2A Active CN108197835B (zh) | 2018-02-05 | 2018-02-05 | 任务分配方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197835B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460978B (zh) * | 2018-11-15 | 2021-12-03 | 泉州师范学院 | 一种基于社会关系认知的群智服务节点选择方法 |
CN109544015B (zh) * | 2018-11-26 | 2023-07-25 | 平安科技(深圳)有限公司 | 一种基于数据处理的任务分配方法及相关设备 |
CN113169888B (zh) * | 2018-12-05 | 2024-06-14 | 瑞典爱立信有限公司 | 用于分配现场技术人员的方法和技术人员分配系统 |
CN110264133B (zh) * | 2019-06-12 | 2022-04-19 | 浙江大搜车软件技术有限公司 | 车辆调配方法、装置、计算机设备和存储介质 |
EP3812986A1 (en) * | 2019-10-22 | 2021-04-28 | Hing Hang Tsang | User attribute information verification method and system, computer device, and storage medium |
CN113807621B (zh) * | 2020-06-12 | 2024-03-19 | 北京四维图新科技股份有限公司 | 数据处理方法、装置及设备 |
CN111784187A (zh) * | 2020-07-14 | 2020-10-16 | 武汉空心科技有限公司 | 一种基于物联网的工作平台任务工作量评估系统及其评估方法 |
CN111784073A (zh) * | 2020-07-16 | 2020-10-16 | 武汉空心科技有限公司 | 基于深度学习的工作平台任务工作量预测方法 |
CN112069151B (zh) * | 2020-09-04 | 2024-09-06 | 之江实验室 | 任务管理方案生成方法、系统及计算机可读存储介质、电子设备 |
CN113448705B (zh) * | 2021-06-25 | 2023-03-28 | 皖西学院 | 一种不平衡作业调度算法 |
CN114020650B (zh) * | 2022-01-10 | 2022-04-12 | 广东拓思软件科学园有限公司 | 众测任务分配方法、装置、电子设备及存储介质 |
CN116415839B (zh) * | 2023-02-10 | 2023-11-28 | 华南师范大学 | 一种基于可解释机器学习的众包任务分配方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014075108A2 (en) * | 2012-11-09 | 2014-05-15 | The Trustees Of Columbia University In The City Of New York | Forecasting system using machine learning and ensemble methods |
CN105446979A (zh) * | 2014-06-27 | 2016-03-30 | 华为技术有限公司 | 数据挖掘方法和节点 |
CN105719008A (zh) * | 2015-05-22 | 2016-06-29 | 北京小度信息科技有限公司 | 对配送系统进行优化的方法及装置 |
EP3086229A1 (en) * | 2015-04-20 | 2016-10-26 | Repsol, S.A. | Managing hydrocarbon energy production while proactively maintaining a balanced workload |
CN106971432A (zh) * | 2017-04-11 | 2017-07-21 | 中国人民解放军海军航空工程学院青岛校区 | 一种飞机数据管理记录系统及数据表示方法 |
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN107122786A (zh) * | 2016-02-25 | 2017-09-01 | 华为技术有限公司 | 一种众包学习方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9461876B2 (en) * | 2012-08-29 | 2016-10-04 | Loci | System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction |
-
2018
- 2018-02-05 CN CN201810116833.2A patent/CN108197835B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014075108A2 (en) * | 2012-11-09 | 2014-05-15 | The Trustees Of Columbia University In The City Of New York | Forecasting system using machine learning and ensemble methods |
CN105446979A (zh) * | 2014-06-27 | 2016-03-30 | 华为技术有限公司 | 数据挖掘方法和节点 |
EP3086229A1 (en) * | 2015-04-20 | 2016-10-26 | Repsol, S.A. | Managing hydrocarbon energy production while proactively maintaining a balanced workload |
CN105719008A (zh) * | 2015-05-22 | 2016-06-29 | 北京小度信息科技有限公司 | 对配送系统进行优化的方法及装置 |
CN107122786A (zh) * | 2016-02-25 | 2017-09-01 | 华为技术有限公司 | 一种众包学习方法及装置 |
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN106971432A (zh) * | 2017-04-11 | 2017-07-21 | 中国人民解放军海军航空工程学院青岛校区 | 一种飞机数据管理记录系统及数据表示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108197835A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197835B (zh) | 任务分配方法、装置、计算机可读存储介质及电子设备 | |
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN108875007B (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
CN108304440B (zh) | 游戏推送的方法、装置、计算机设备及存储介质 | |
CN104520881B (zh) | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 | |
CN109598368B (zh) | 路径决策评估、订单分配方法及装置、电子设备及介质 | |
US11010697B1 (en) | On-demand resource scheduling | |
WO2018071277A1 (en) | Meeting service with meeting time and location optimization | |
CN111985755B (zh) | 使用机器学习技术使风险最小化的方法和系统 | |
US20180204171A1 (en) | Estimation of node processing capacity for order fulfillment | |
JP2006318500A5 (zh) | ||
WO2020122966A1 (en) | System and method for ride order dispatching | |
CN112613642B (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
EP3971780A1 (en) | Method and system for dynamically predicting vehicle arrival time using a temporal difference learning technique | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
CN111768019A (zh) | 订单处理方法、装置、计算机设备及存储介质 | |
WO2022095755A1 (en) | Scalable modeling for large collections of time series | |
CN110766184A (zh) | 订单量预测方法和装置 | |
US12062289B2 (en) | Dispatching provider devices utilizing multi-outcome transportation-value metrics and dynamic provider device modes | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN117252564A (zh) | 资源调度方法、装置、计算机设备及存储介质 | |
CN108667877B (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
US20160078380A1 (en) | Generating cross-skill training plans for application management service accounts | |
Bergmeir et al. | Comparison and evaluation of methods for a predict+ optimize problem in renewable energy | |
CN105432038A (zh) | 应用排名计算装置和使用信息收集装置 |
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 |