CN108364085A - 一种外卖配送时间预测方法和装置 - Google Patents
一种外卖配送时间预测方法和装置 Download PDFInfo
- Publication number
- CN108364085A CN108364085A CN201810003068.3A CN201810003068A CN108364085A CN 108364085 A CN108364085 A CN 108364085A CN 201810003068 A CN201810003068 A CN 201810003068A CN 108364085 A CN108364085 A CN 108364085A
- Authority
- CN
- China
- Prior art keywords
- order
- influence factor
- history
- duration
- taking out
- 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.)
- Granted
Links
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
- G06Q10/04—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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Abstract
本发明实施例提供了一种外卖配送时间预测方法和装置,包括:获取外卖订单的订单信息,根据订单信息确定外卖订单对应的历史影响因素和当前影响因素,历史影响因素是根据历史外卖配送数据确定的。然后根据外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定外卖订单的配送时长。由于在预测外卖订单配送时长时,充分考虑影响外卖配送时长的历史影响因素和当前影响因素,从而能更全面地预测外卖配送时长。由于将梯度提升树模型和随机森林模型融合构建非线性预测模型用于配送时长预测,充分考虑到非线性影响因素对外卖配送时长的影响,故相较于传统的线性回归模型,该模型的拟合效果更好,鲁棒性更好,配送时长预测效果更佳。
Description
技术领域
本发明实施例涉及即时配送领域,尤其涉及一种外卖配送时间预测方法和装置。
背景技术
在外卖行业,物流即时配送是极其重要业务场景之一,随着即时配送领域的蓬勃发展,如何提升用户的服务质量和提高骑手的配送效率,是一个越发严峻的问题。在用户角度,用户下完单以后希望平台给定一个尽可能准确的确定可送达的时间,通过该时间可以预知自己的外卖何时能送到,不至于从下单开始就守着电话等待外卖送达,只需要在预定送达的前后时间段等待外卖送达即可,从而合理安排自己的其他活动时间,以此极大提升用户的服务体验。在平台角度,一方面,平台可利用每个订单是否准时送达作为考核骑手能力的重要指标,还可以通过订单的动态时效来约束骑手的配送行为,提升骑手的效率;另一方面,平台结合智能调度系统基于每个订单的预估配送时间进行合理的订单分派,以此提升整个平台运力的配送效率。在骑手角度,通过每个订单的预估配送时长来合理安排取送顺序,从而有效提升骑手配送效率。因此,准确预测配送时间能够有效解决用户、骑手、平台三方存在上述需求的问题。现有技术中一般是采用普通的线性回归模型,但是线性回归模型忽略了外卖配送过程中的非线性影响因素,导致其拟合能力较差,配送时间的预测精度不高。
发明内容
本发明实施例提供一种外卖配送时间预测方法和装置,用于解决采用线性回归模型预测外卖配送时间精度低的问题。
本发明实施例提供了一种外卖配送时间预测方法,包括:
获取外卖订单的订单信息;
根据所述订单信息确定所述外卖订单对应的历史影响因素和当前影响因素,所述历史影响因素是根据历史外卖配送数据确定的;
根据所述外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定所述外卖订单的配送时长,所述非线性预测模型是以所述历史外卖配送数据中的历史影响因素和当前影响因素为自变量,外卖配送时长为因变量确定的。
可选地,所述根据历史外卖配送数据确定历史影响因素,包括:
所述历史外卖配送数据包括历史订单信息和历史配送数据;
根据所述历史订单信息确定所述历史配送数据的统计维度;
针对任意一个统计维度,对所述历史配送数据进行统计,确定外卖订单在所述统计维度的历史影响因素。
可选地,所述历史订单信息包括以下任意一项或多项:订单创建时间、餐厅、站点、网格、客户位置;
所述历史影响因素包括以下任意一项或多项:统计周期历史配送时长、餐厅历史配送时长、餐厅历史出餐时长、网格历史配送范围、站点历史压单时长、客户位置的配送难易程度;
所述当前影响因素包括以下任意一项或多项:天气、当前时间、订单距离、站点当前骑手数量、餐厅最近时段的出餐时长、餐厅附近骑手等级。
可选地,所述非线性预测模型包括第一非线性预测模型和第二非线性预测模型;
所述根据所述外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定所述外卖订单的配送时长,包括:
根据所述外卖订单的历史影响因素、当前影响因素以及所述第一非线性预测模型预测所述外卖订单的第一配送时长;
根据所述外卖订单的历史影响因素、当前影响因素以及所述第二非线性预测模型预测所述外卖订单的第二配送时长;
根据所述外卖订单的第一配送时长和所述外卖订单的第二配送时长确定所述外卖订单的配送时长。
可选地,所述第一非线性预测模型为随机森林模型,所述第二非线性预测模型为梯度提升树模型。
本发明实施例提供了一种外卖配送时长预测装置,包括:
获取模块,用于获取外卖订单的订单信息;
处理模块,用于根据所述订单信息确定所述外卖订单对应的历史影响因素和当前影响因素,所述历史影响因素是根据历史外卖配送数据确定的;根据所述外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定所述外卖订单的配送时长,所述非线性预测模型是以所述历史外卖配送数据中的历史影响因素和当前影响因素为自变量,外卖配送时长为因变量确定的。
可选地,所述处理模块具体用于:
所述历史外卖配送数据包括历史订单信息和历史配送数据;
根据所述历史订单信息确定所述历史配送数据的统计维度;
针对任意一个统计维度,对所述历史配送数据进行统计,确定外卖订单在所述统计维度的历史影响因素。
可选地,所述非线性预测模型包括第一非线性预测模型和第二非线性预测模型;
所述处理模块具体用于:
根据所述外卖订单的历史影响因素、当前影响因素以及所述第一非线性预测模型预测所述外卖订单的第一配送时长;
根据所述外卖订单的历史影响因素、当前影响因素以及所述第二非线性预测模型预测所述外卖订单的第二配送时长;
根据所述外卖订单的第一配送时长和所述外卖订单的第二配送时长确定所述外卖订单的配送时长。
可选地,所述第一非线性预测模型为随机森林模型,所述第二非线性预测模型为梯度提升树模型。
本发明实施例提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行如上述任一项所述的方法。
本发明实施例提供了一种计算机存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上述任一项所述的方法。
综上,本发明实施例提供了一种外卖配送时间预测方法和装置,包括:获取外卖订单的订单信息,根据所述订单信息确定所述外卖订单对应的历史影响因素和当前影响因素,所述历史影响因素是根据历史外卖配送数据确定的。然后根据所述外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定所述外卖订单的配送时长,所述非线性预测模型是以所述历史外卖配送数据中的历史影响因素和当前影响因素为自变量,外卖配送时长为因变量确定的。由于在预测外卖订单配送时长时,充分考虑影响外卖订单配送时长的历史影响因素和当前影响因素,从而能更全面地预测配送时长。由于将梯度提升树模型和随机森林模型融合构建非线性预测模型用于配送时长预测,充分考虑到非线性影响因素对外卖配送时长的影响,故相较于传统的线性回归模型,该模型的拟合效果更好,鲁棒性更好,配送时长预测效果更佳。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种外卖配送时间预测方法的流程示意图;
图2为本发明实施例提供的一种确定历史影响因素的方法的流程示意图;
图3为本发明实施例提供的一种外卖配送时间预测方法的流程示意图;
图4为本发明实施例提供的一种外卖配送时间预测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种外卖配送时间预测方法,如图1所示,包括以下步骤:
步骤S101,获取外卖订单的订单信息。
步骤S102,根据订单信息确定外卖订单对应的历史影响因素和当前影响因素。
步骤S103,根据外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定外卖订单的配送时长。
具体地,在步骤S101中,订单信息包括以下任意一项或多项:订单创建时间、餐厅、站点、网格、客户位置。一个站点对应多个骑手和多个餐厅,站点用于将站点内餐厅的订单分配至站点内的骑手,根据订单信息中餐厅的位置可以确定出对应的站点。网格为预先设置的区域,比如路段A或者商场B,订单信息中的网格为餐厅所在的网格。下面举例说明订单信息,设定位于小区L的客户9:30在餐厅A订餐,餐厅A位于站点M和网格N,则订单信息为订单创建时间9:30、餐厅A、站点M、网格N、客户位置小区L。
在步骤S102中,历史影响因素是根据历史外卖配送数据确定的。历史外卖配送数据包括历史订单信息和历史配送数据,历史配送数据包括餐厅历史行为数据、骑手历史行为数据、站点历史行为数据、网格历史行为数据等。历史影响因素包括以下任意一项或多项:统计周期历史配送时长、餐厅历史配送时长、餐厅历史出餐时长、网格历史配送范围、站点历史压单时长、客户位置的配送难易程度。下面具体介绍根据历史外卖配送数据确定历史影响因素的过程,如图2所示,包括以下步骤:
步骤S201,根据历史订单信息确定历史配送数据的统计维度。
步骤S202,针对任意一个统计维度,对历史配送数据进行统计,确定外卖订单在统计维度的历史影响因素。
具体地,在获取到历史外卖配送数据之后,需要对历史外卖配送数据进行初步数据清洗,包括剔除异常出餐样本,剔除打点数据缺失的样本,剔除欺诈单样本等。数据清洗后根据历史订单信息确定历史配送数据的统计维度,其中,历史订单信息包括以下任意一项或多项:订单创建时间、餐厅、站点、网格、客户位置。故统计维度可以划分为时间维度、餐厅维度、站点维度、网格维度、客户位置维度。下面对各个维度的统计过程进行说明。
针对时间维度,设定将一天24小时划分为N个统计周期,24/N个小时为一个统计周期,根据历史订单信息中的订单创建时间所属的统计周期对历史配送数据进行分类。统计各个统计周期的外卖订单的配送时长的平均值作为统计周期历史配送时长,统计周期历史配送时长为外卖订单在时间维度的历史影响因素。
针对餐厅维度,对于任意一个餐厅,获取该餐厅的历史外卖配送数据。确定该餐厅各外卖订单的订单创建时间、餐厅接单时间、骑手取餐时间及客户签收时间。基于餐厅接单时间和骑手取餐时间确定餐厅出餐时长,统计该餐厅出餐时长的平均值作为餐厅历史出餐时长。基于订单创建时间和客户签收时间确定餐厅配送时长,统计该餐厅配送时长的平均值作为餐厅历史配送时长。餐厅历史出餐时长和餐厅历史配送时长为外卖订单在餐厅维度的历史影响因素。
针对站点维度,对于任意一个站点,获取该站点的历史外卖配送数据。确定该站点各个外卖订单的订单创建时间以及站点分单时间,基于订单创建时间和站点分单时间确定站点压单时长,统计该站点压单时长的平均值作为站点历史压单时长。站点历史压单时长为外卖订单在站点维度的历史影响因素。
针对网格维度,对于任意一个网格,获取该网格的历史外卖配送数据。确定该网格各个外卖订单的配送距离,基于外卖订单的配送距离确定网格历史最大配送距离和历史最小配送距离,以网格历史最大配送距离和历史最小配送距离确定该网格的网格历史配送范围。网格历史配送范围为外卖订单在网格维度的历史影响因素。
针对客户位置维度,对于任意一个客户位置,获取该客户位置的历史外卖配送数据。确定配送至该客户位置的各个外卖订单的订单创建时间、客户签收时间以及该客户位置的日均订单量,基于订单创建时间和客户签收时间得到客户位置配送时长,根据该客户位置的客户位置配送时长的最大值和最小值,以及日均订单量确定该客户位置的配送难易程度。客户位置的配送难易程度为外卖订单在客户位置维度的历史影响因素。
可选地,在根据历史订单信息确定历史配送数据的统计维度时,可将时间与订单信息中其它属性特征结合作为统计维度,比如时间-餐厅维度、时间-站点维度、时间-网格维度、时间-客户位置维度。具体地,对历史配送数据进行统计之前,按照历史订单信息中的订单创建时间确定历史订单所属的统计周期,获取同一统计周期内的历史订单信息及历史订单信息对应的历史配送数据。然后对各个统计周期的历史订单信息对应的历史配送数据进行统计,确定外卖订单的历史影响因素。下面针对各个维度具体说明:
设定将一天24小时划分为24个统计周期,一个小时为一个统计周期,根据历史订单信息中的订单创建时间确定历史外卖配送数据所属的统计周期。需要说明的是,统计周期的划分并不仅限于将一天划分为24个统计周期这一种方法,其他划分方法也在本发明的保护范围内。
针对时间-餐厅维度,对于任意一个餐厅,获取该餐厅的历史外卖配送数据。针对任意一个统计周期,确定该餐厅在该统计周期内的各历史外卖订单的订单创建时间、餐厅接单时间、骑手取餐时间及客户签收时间。基于餐厅接单时间和骑手取餐时间确定餐厅出餐时长,基于订单创建时间和客户签收时间可以得到餐厅配送时长。统计该餐厅在统计周期内的餐厅出餐时长的平均值作为餐厅在该统计周期的餐厅历史出餐时长。统计该餐厅在统计周期内的餐厅配送时长的平均值作为餐厅在该统计周期的餐厅历史配送时长。将餐厅在各个统计周期的餐厅历史出餐时长和餐厅历史配送时长作为餐厅在时间-餐厅维度的历史影响因素。
针对时间-站点维度,对于任意一个站点,获取该站点的历史外卖配送数据。针对任意一个统计周期,确定该站点在该统计周期内的各历史外卖订单的订单创建时间以及站点分单时间。基于订单创建时间以及站点分单时间确定站点压单时长。统计该站点在统计周期内的站点压单时长的平均值作为站点在该统计周期的站点历史压单时长。将站点在各个统计周期的站点历史压单时长作为站点在时间-站点维度的历史影响因素。
针对时间-网格维度,对于任意一个网格,获取该网格的历史外卖配送数据。针对任意一个统计周期,确定该网格在该统计周期内的各历史外卖订单的配送距离。基于外卖订单的配送距离确定网格历史最大配送距离和历史最小配送距离,以网格历史最大配送距离和历史最小配送距离确定网格在该统计周期的网格历史配送范围。将网格在各个统计周期的网格历史配送范围作为网格在时间-网格维度的历史影响因素。
针对时间-客户位置维度,对于任意一个客户位置,获取该客户位置的历史外卖配送数据。针对任意一个统计周期,确定该客户位置在该统计周期内的各历史外卖订单的订单创建时间、客户签收时间以及该客户位置的日均订单量。基于订单创建时间以及客户签收时间确定客户位置配送时长。根据该客户位置在该统计周期内的客户位置配送时长的最大值和最小值,以及该客户位置的日均订单量确定该客户位置在该统计周期内的配送难易程度。将客户位置在各个统计周期的配送难易程度作为客户位置在时间-客户位置维度的历史影响因素。需要说明的是,本发明实施例中并不仅限于根据历史订单信息中的一个属性特征确定统计维度,也不仅限于采用历史订单信息中的历史订单创建时间与其他属性特征进行结合确定统计维度,根据历史订单信息中一个属性特征或多个属性特征进行结合确定的统计维度均在本发明的保护范围内。
可选地,当前影响因素包括以下任意一项或多项:天气、当前时间、订单距离、站点当前骑手数量、餐厅最近时段的出餐时长、餐厅附近骑手等级。其中,餐厅附近骑手等级为与餐厅的距离在预设范围内的骑手的骑手等级均值。具体地,骑手等级通过以下方法确定:对于任意一个骑手,获取该骑手的历史外卖配送数据。确定该骑手负责的各个外卖订单的订单创建时间以及客户签收时间,基于订单创建时间和客户签收时间确定骑手配送时长,统计该骑手的骑手配送时长的平均值作为骑手历史配送时长。此外,根据骑手的历史外卖配送数据确定骑手的日均订单量。根据骑手历史配送时长和日均订单量确定骑手等级。
在预测外卖订单的配送时长时,首先根据订单信息关联该外卖订单的历史影响因素。比如若外卖订单的订单信息为订单创建时间9:30、餐厅A、站点M、网格N、客户位置小区L,那么可以关联出该外卖订单在各个统计维度的历史影响因素,包括:餐厅A在9:30所在统计周期的餐厅历史出餐时长和餐厅历史配送时长、站点M在9:30所在统计周期的站点历史压单时长、网格N在9:30所在统计周期的网格历史配送范围、小区L在9:30所在统计周期的配送难易程度等。然后根据订单信息关联该外卖订单的当前影响因素,比如当前天气晴、当前时间为星期六9:30、订单距离为1000米、站点M当前骑手数量为20个、餐厅A最近30分钟的出餐时长为20分钟、餐厅附近骑手等级为54等。可选地,若通过外卖订单的订单信息关联的历史影响因素和实时影响因素存在空值时(比如餐厅A为新开业的餐厅,故关联的餐厅A在9:30所在统计周期的餐厅历史出餐时长和餐厅历史配送时长为空值),至少包括以下四种空值处理方法:既定维度顺序降级、默认值降级、-1标记填充,固定值填充。通过分析历史外卖配送数据确定外卖配送时长的历史影响因素,在进行配送时长预测时,根据订单信息关联历史影响因素和实时影响因素,然后根据各个历史影响因素和实时影响因素对配送时长进行预测,从而达到更准确的预测效果。
在步骤S103中,非线性预测模型是以历史外卖配送数据中的历史影响因素和当前影响因素为自变量,外卖配送时长为因变量确定的。具体实施中,非线性预测模型可以为随机森林模型、梯度提升树模型等。下面具体介绍随机森林模型和梯度提升树模型。
随机森林模型是决策树与套袋方法(Bagging)相结合的模型,具体实施是在模型训练时,有放回地随机选择若干特征构造决策树。在这个过程中,样本的选择是随机的,特征的选择也是随机的,这意味着总的训练集中有些样本可能多次出现在一棵树的训练集中,也可能从未出现在任何一棵树的训练集中。其主要步骤如下:应用boostrap重采样技术从m个模型训练样本中随机抽取n个样本集,并由此构建n棵决策树。对每棵决策树生长过程中,每一个节点从所有特征中随机抽取F个特征作为当前节点分裂的子集,在构建决策树时通常采用最小均方误差作为分裂的评判标准,以此选择最好的分裂方式。将n棵决策树组成最终的随机森林模型。对待测样本,随机森林模型输出结果为n棵决策树的输出结果的平均值,具体符合下述公式(1):
其中,Y1为随机森林模型的输出结果,n为随机森林模型中决策树的个数,TRi为随机森林模型中第i棵决策树的输出结果。
具体地,在构建预测外卖订单配送时长的随机森林模型时,按照预设比例对历史外卖配送数据进行采样确定构建随机森林模型的样本,根据样本的历史订单信息关联样本的历史影响因素和当前影响因素。然后进一步对样本进行清洗,包括剔除特征值超出阈值范围的样本,剔除空值比例超过阈值的样本,对于空值比例没有超过阈值的样本进行空值填充,剔除实际配送时长超长的样本,剔除出餐时间超长的样本。接着将样本划分为训练集和测试集,然后将训练集的样本以历史影响因素和当前影响因素为自变量、外卖订单的配送时长为因变量构建随机森林模型。构建随机森林模型后,采用测试集对随机森林模型进行评估,评估的指标分别为平均绝对值误差和正负10分钟准确率,具体符合下述公式(2)和公式(3):
其中,MAE为平均绝对值误差,Td为测试样本的预测配送时长,Tp为测试样本的实际配送时长,a为测试样本的个数。
其中,Precision10为正负10分钟准确率,Td为测试样本的预测配送时长,Tp为测试样本的实际配送时长。
梯度提升树模型(Gradient Boosting Decision Tree,简称GBDT)是一种迭代的决策树算法,由若干棵决策树组成。不同于随机森林模型,梯度提升树模型是一种决策树与提升方法(比如Boosting)相结合的模型,其核心思想是:在构建一系列决策树的过程中,后一棵决策树所学习的是前面所有决策树的结论和残差,当后一棵决策树的残差小于设置的阈值或者达到迭代次数,则模型终止训练,通过这种不断拟合前面决策树残差的方式最终得到若干棵决策树。对待测样本,梯度提升树模型输出结果为k棵决策树的输出结果之和,具体符合下述公式(4):
其中,Y2为梯度提升树模型的输出结果,k为梯度提升树模型中决策树的个数,TRi为梯度提升树模型中第i棵决策树的输出结果。在构建预测外卖订单配送时长的梯度提升树模型时,与构建随机森林模型采用的样本、历史影响因素、当前影响因素以及构建方法相同,此处不再赘述。
可选地,在预测外卖订单配送时长时,可以采用两种非线性预测模型融合后进行预测,也可以单独使用一种非线性预测模型进行预测。下面具体介绍采用两种非线性预测模型预测外卖订单配送时长的方法,非线性预测模型包括第一非线性预测模型和第二非线性预测模型。具体包括以下步骤,如图3所示:
步骤S301,根据外卖订单的历史影响因素、当前影响因素以及第一非线性预测模型预测外卖订单的第一配送时长。
步骤S302,根据外卖订单的历史影响因素、当前影响因素以及第二非线性预测模型预测外卖订单的第二配送时长。
步骤S303,根据外卖订单的第一配送时长和外卖订单的第二配送时长确定外卖订单的配送时长。
具体地,第一非线性预测模型为随机森林模型,第二非线性预测模型为梯度提升树模型。在对外卖订单的配送时长进行预测时,首先采用随机森林模型对外卖订单的配送时长进行预测,具体为:将与该外卖订单关联的历史影响因素和当前影响因素作为输入特征输入随机森林模型,随机森林模型预测输出该外卖订单的第一配送时长。采用梯度提升树模型对外卖订单的配送时长进行预测,具体为:将与该外卖订单关联的历史影响因素和当前影响因素作为输入特征输入梯度提升树模型,梯度提升树模型预测输出该外卖订单的第二配送时长。然后将该外卖订单的第一配送时长和第二配送时长融合确定该外卖订单的配送时长。具体实施中,可以采用加权平均的方法将外卖订单的第一配送时长和第二配送时长融合,具体如公式(5)所示:
T=m*T1+n*T2……………………………………(5)
其中,T为外卖订单的配送时长,T1为外卖订单的第一配送时长,T2为外卖订单的第二配送时长,m和n为加权系数。由于在预测模型选择上做了优化整合,采用多模型融合的方式构建非线性回归模型,避免了传统线性回归模型拟合能力不足的问题,并且解决了单模型在预测精度不佳的缺陷。通过将随机森林模型和梯度提升树模型进行融合,提高了模型的拟合能力,鲁棒性更好,预测效果上有更大的提升。
为了更好地介绍本发明实施例的方案,下面结合具体实施场景介绍本发明实施例提供的一种外卖配送时间预测方法,包括模型建立阶段和配送时长预测阶段。
模型构建阶段:设定采集过去90天内历史外卖配送数据,包含从下单到送达的所有行为数据,按照事先设置的数据清洗规则,对样本进行初步数据清洗。针对上述历史外卖配送数据,基于统计学方法,分别从时间维度、餐厅维度、站点维度、网格维度、客户位置维度、时间-餐厅维度、时间-站点维度、时间-网格维度、时间-客户位置维度等统计确定历史影响因素。采集过去20天内的历史外卖订单的历史外卖配送数据,包含从下单到送达的所有行为数据,确定每个历史外卖订单的当前影响因素,例如订单距离、天气、星期、过去30分钟餐厅出餐时长、过去30分钟餐厅已完成订单量、餐厅附近骑手等级等。根据过去20天内的历史外卖配送数据的历史订单信息关联历史外卖订单对应的历史影响因素,然后结合历史外卖订单的当前影响因素确定包含所有影响因素的样本数据。按照预设比例对样本数据进行采样确定构建随机森林模型和梯度提升树模型的样本,并按照事先设置的样本清洗规则,进一步对样本进行清洗。然后基于时间序列按照7:3的比例将样本划分为训练集和测试集,将训练集以历史影响因素和当前影响因素为自变量,以配送时长为因变量分别构建随机森林模型和梯度提升树模型。然后使用测试集分别对构建的随机森林模型和梯度提升树模型的性能进行测试。具体地,随机森林中决策树最大树深度为4,决策树棵数为500。梯度提升树模型最大树深度为6,迭代次数为300。
配送时长预测阶段:设定待预测外卖订单的订单信息为订单创建时间10:20、餐厅B、站点M、网格N、客户位置写字楼B栋。根据上述外卖订单的订单信息关联出该外卖订单在各个统计维度的历史影响因素,包括:10:20所在统计周期的统计周期历史配送时长、餐厅B的餐厅历史出餐时长和餐厅历史配送时长、餐厅B在10:20所在统计周期的餐厅历史出餐时长和餐厅历史配送时长、站点M的站点历史压单时长、站点M在10:20所在统计周期的站点历史压单时长、网格N的网格历史配送范围、网格N在10:20所在统计周期的网格历史配送范围、写字楼B栋的配送难易程度、写字楼B栋在10:20所在统计周期的配送难易程度等。然后根据订单信息关联该外卖订单的当前影响因素,比如当前天气晴、当前时间为星期一10:20、订单距离为2000米、站点M当前骑手数量为10个、餐厅最近30分钟的出餐时长为10分钟、餐厅当前时刻周围5公里以内所有在线骑手的平均骑手等级为50等。若站点M在10:20所在统计周期的站点历史压单时长为空值,则采用既定维度顺序降级的方法填充该空值,比如使用站点M周围站点在10:20所在统计周期的站点历史压单时长的平均值填充站点M在10:20所在统计周期的站点历史压单时长。将外卖订单的历史影响因素和当前影响因素分别输入到随机森林模型和梯度提升树模型,随机森林模型和梯度提升树模型预测输出的配送时长分别为T1和T2。配送时长T1和配送时长T2按照权值比例4:6进行加权求和,获取最终的配送时长T,即T=0.4*T1+0.6*T2。
由于在预测外卖订单配送时长时,充分考虑影响外卖订单配送时长的历史影响因素和当前影响因素,从而能更全面地预测配送时长。由于将梯度提升树模型和随机森林模型融合构建非线性预测模型用于配送时长预测,充分考虑到非线性影响因素对外卖配送时长的影响,故相较于传统的线性回归模型,该模型的拟合效果更好,鲁棒性更好,配送时长预测效果更佳。。
基于相同的技术构思,本发明实施例提供了一种外卖配送时长预测装置,如图4所示,包括:
获取模块401,用于获取外卖订单的订单信息;
处理模块402,用于根据所述订单信息确定所述外卖订单对应的历史影响因素和当前影响因素,所述历史影响因素是根据历史外卖配送数据确定的;根据所述外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定所述外卖订单的配送时长,所述非线性预测模型是以所述历史外卖配送数据中的历史影响因素和当前影响因素为自变量,外卖配送时长为因变量确定的。
可选地,所述处理模块402具体用于:
所述历史外卖配送数据包括历史订单信息和历史配送数据;
根据所述历史订单信息确定所述历史配送数据的统计维度;
针对任意一个统计维度,对所述历史配送数据进行统计,确定外卖订单在所述统计维度的历史影响因素。
可选地,所述非线性预测模型包括第一非线性预测模型和第二非线性预测模型;
所述处理模块具体402用于:
根据所述外卖订单的历史影响因素、当前影响因素以及所述第一非线性预测模型预测所述外卖订单的第一配送时长;
根据所述外卖订单的历史影响因素、当前影响因素以及所述第二非线性预测模型预测所述外卖订单的第二配送时长;
根据所述外卖订单的第一配送时长和所述外卖订单的第二配送时长确定所述外卖订单的配送时长。
可选地,所述第一非线性预测模型为随机森林模型,所述第二非线性预测模型为梯度提升树模型。
本发明实施例提供了一种计算设备,该计算设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)等。该计算设备可以包括中央处理器(Center Processing Unit,CPU)、存储器、输入/输出设备等,输入设备可以包括键盘、鼠标、触摸屏等,输出设备可以包括显示设备,如液晶显示器(Liquid Crystal Display,LCD)、阴极射线管(Cathode Ray Tube,CRT)等。
存储器,可以包括只读存储器(ROM)和随机存取存储器(RAM),并向处理器提供存储器中存储的程序指令和数据。在本发明实施例中,存储器可以用于存储外卖配送时间预测方法的程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行外卖配送时间预测方法。
本发明实施例提供了一种计算机存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使所述计算机执行外卖配送时间预测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种外卖配送时长预测方法,其特征在于,包括:
获取外卖订单的订单信息;
根据所述订单信息确定所述外卖订单对应的历史影响因素和当前影响因素,所述历史影响因素是根据历史外卖配送数据确定的;
根据所述外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定所述外卖订单的配送时长,所述非线性预测模型是以所述历史外卖配送数据中的历史影响因素和当前影响因素为自变量,外卖配送时长为因变量确定的。
2.如权利要求1所述的方法,其特征在于,所述根据历史外卖配送数据确定历史影响因素,包括:
所述历史外卖配送数据包括历史订单信息和历史配送数据;
根据所述历史订单信息确定所述历史配送数据的统计维度;
针对任意一个统计维度,对所述历史配送数据进行统计,确定外卖订单在所述统计维度的历史影响因素。
3.如权利要求1至2任一项所述的方法,其特征在于,所述非线性预测模型包括第一非线性预测模型和第二非线性预测模型;
所述根据所述外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定所述外卖订单的配送时长,包括:
根据所述外卖订单的历史影响因素、当前影响因素以及所述第一非线性预测模型预测所述外卖订单的第一配送时长;
根据所述外卖订单的历史影响因素、当前影响因素以及所述第二非线性预测模型预测所述外卖订单的第二配送时长;
根据所述外卖订单的第一配送时长和所述外卖订单的第二配送时长确定所述外卖订单的配送时长。
4.如权利要求3所述的方法,其特征在于,所述第一非线性预测模型为随机森林模型,所述第二非线性预测模型为梯度提升树模型。
5.一种外卖配送时长预测装置,其特征在于,包括:
获取模块,用于获取外卖订单的订单信息;
处理模块,用于根据所述订单信息确定所述外卖订单对应的历史影响因素和当前影响因素,所述历史影响因素是根据历史外卖配送数据确定的;根据所述外卖订单的历史影响因素、当前影响因素以及非线性预测模型确定所述外卖订单的配送时长,所述非线性预测模型是以所述历史外卖配送数据中的历史影响因素和当前影响因素为自变量,外卖配送时长为因变量确定的。
6.如权利要求5所述的装置,其特征在于,所述处理模块具体用于:
所述历史外卖配送数据包括历史订单信息和历史配送数据;
根据所述历史订单信息确定所述历史配送数据的统计维度;
针对任意一个统计维度,对所述历史配送数据进行统计,确定外卖订单在所述统计维度的历史影响因素。
7.如权利要求5至6任一项所述的装置,其特征在于,所述非线性预测模型包括第一非线性预测模型和第二非线性预测模型;
所述处理模块具体用于:
根据所述外卖订单的历史影响因素、当前影响因素以及所述第一非线性预测模型预测所述外卖订单的第一配送时长;
根据所述外卖订单的历史影响因素、当前影响因素以及所述第二非线性预测模型预测所述外卖订单的第二配送时长;
根据所述外卖订单的第一配送时长和所述外卖订单的第二配送时长确定所述外卖订单的配送时长。
8.如权利要求7所述的装置,其特征在于,所述第一非线性预测模型为随机森林模型,所述第二非线性预测模型为梯度提升树模型。
9.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行如权利要求1至4任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810003068.3A CN108364085B (zh) | 2018-01-02 | 2018-01-02 | 一种外卖配送时间预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810003068.3A CN108364085B (zh) | 2018-01-02 | 2018-01-02 | 一种外卖配送时间预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108364085A true CN108364085A (zh) | 2018-08-03 |
CN108364085B CN108364085B (zh) | 2020-12-15 |
Family
ID=63011087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810003068.3A Active CN108364085B (zh) | 2018-01-02 | 2018-01-02 | 一种外卖配送时间预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364085B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063935A (zh) * | 2018-09-27 | 2018-12-21 | 北京三快在线科技有限公司 | 一种预测任务处理时间的方法、装置及存储介质 |
CN109345334A (zh) * | 2018-08-30 | 2019-02-15 | 拉扎斯网络科技(上海)有限公司 | 一种更改订单信息的方法、装置、电子设备及可读存储介质 |
CN109615201A (zh) * | 2018-11-30 | 2019-04-12 | 拉扎斯网络科技(上海)有限公司 | 订单分配方法、装置、电子设备和存储介质 |
CN109685276A (zh) * | 2018-12-27 | 2019-04-26 | 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 |
CN109871978A (zh) * | 2018-12-28 | 2019-06-11 | 广州兴森快捷电路科技有限公司 | 一种pcb订单合格率预测方法、装置及可读存储介质 |
CN109902858A (zh) * | 2019-01-23 | 2019-06-18 | 跨越速运集团有限公司 | 一种物流取货操作耗时智能预测方法及系统 |
CN110009155A (zh) * | 2019-04-08 | 2019-07-12 | 上海拉扎斯信息科技有限公司 | 业务区域配送难度的估计方法、装置和电子设备 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
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 |
CN110533366A (zh) * | 2019-08-13 | 2019-12-03 | 北京三快在线科技有限公司 | 配送订单标记生成方法、系统和计算机程序介质 |
CN110599078A (zh) * | 2019-07-26 | 2019-12-20 | 平安科技(深圳)有限公司 | 物流配送信息的处理方法、装置及计算机设备 |
CN110874666A (zh) * | 2018-08-31 | 2020-03-10 | 北京京东尚科信息技术有限公司 | 物品的配送方法、系统、设备和存储介质 |
CN110969382A (zh) * | 2018-09-28 | 2020-04-07 | 北京三快在线科技有限公司 | 一种配送范围的确定方法及装置 |
CN110969274A (zh) * | 2018-09-28 | 2020-04-07 | 北京三快在线科技有限公司 | 一种预测配送时间的方法、装置及计算机可读存储介质 |
CN111008805A (zh) * | 2019-12-06 | 2020-04-14 | 京东数字城市(成都)科技有限公司 | 妥投时间确定方法、装置、存储介质与电子设备 |
CN111027906A (zh) * | 2019-12-05 | 2020-04-17 | 北京京东振世信息技术有限公司 | 配送订单确定方法、装置、存储介质与终端设备 |
CN111242368A (zh) * | 2020-01-09 | 2020-06-05 | 中央财经大学 | 一种基于场景推演的物流配送调度算法 |
CN111353625A (zh) * | 2018-12-21 | 2020-06-30 | 顺丰科技有限公司 | 一种网点件量预测方法、装置、设备及存储介质 |
CN111539780A (zh) * | 2019-09-04 | 2020-08-14 | 拉扎斯网络科技(上海)有限公司 | 一种任务处理方法、装置、存储介质和电子设备 |
CN111598487A (zh) * | 2020-06-22 | 2020-08-28 | 拉扎斯网络科技(上海)有限公司 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
CN111738517A (zh) * | 2020-06-24 | 2020-10-02 | 詹晨 | 一种基于大数据的电商生鲜类商品快递配送管理系统 |
CN111754051A (zh) * | 2020-07-23 | 2020-10-09 | 拉扎斯网络科技(上海)有限公司 | 通行时长预测处理方法及装置 |
CN112085243A (zh) * | 2019-06-14 | 2020-12-15 | 达疆网络科技(上海)有限公司 | 一种门店订单送达时间预估的计算方法 |
CN113537676A (zh) * | 2020-04-20 | 2021-10-22 | 北京京东振世信息技术有限公司 | 一种确定运输任务的完成时间的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782983A (zh) * | 2009-07-14 | 2010-07-21 | 上海海事大学 | 一种整车物流实时配载空放里程最小的调度方法 |
CN103794053A (zh) * | 2014-03-05 | 2014-05-14 | 中商商业发展规划院有限公司 | 一种城市短途物流单目标配送时间模糊预测方法及系统 |
CN105719145A (zh) * | 2014-12-04 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 获取商品到货时间的方法和装置 |
US20170026331A1 (en) * | 2014-06-30 | 2017-01-26 | Linkedin Corporation | Personalized delivery time optimization |
CN107220789A (zh) * | 2017-05-15 | 2017-09-29 | 浙江仟和网络科技有限公司 | 一种物流配送调度方法及系统 |
-
2018
- 2018-01-02 CN CN201810003068.3A patent/CN108364085B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782983A (zh) * | 2009-07-14 | 2010-07-21 | 上海海事大学 | 一种整车物流实时配载空放里程最小的调度方法 |
CN103794053A (zh) * | 2014-03-05 | 2014-05-14 | 中商商业发展规划院有限公司 | 一种城市短途物流单目标配送时间模糊预测方法及系统 |
US20170026331A1 (en) * | 2014-06-30 | 2017-01-26 | Linkedin Corporation | Personalized delivery time optimization |
CN105719145A (zh) * | 2014-12-04 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 获取商品到货时间的方法和装置 |
CN107220789A (zh) * | 2017-05-15 | 2017-09-29 | 浙江仟和网络科技有限公司 | 一种物流配送调度方法及系统 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345334A (zh) * | 2018-08-30 | 2019-02-15 | 拉扎斯网络科技(上海)有限公司 | 一种更改订单信息的方法、装置、电子设备及可读存储介质 |
CN110874666A (zh) * | 2018-08-31 | 2020-03-10 | 北京京东尚科信息技术有限公司 | 物品的配送方法、系统、设备和存储介质 |
CN109063935A (zh) * | 2018-09-27 | 2018-12-21 | 北京三快在线科技有限公司 | 一种预测任务处理时间的方法、装置及存储介质 |
CN109063935B (zh) * | 2018-09-27 | 2020-11-03 | 北京三快在线科技有限公司 | 一种预测任务处理时间的方法、装置及存储介质 |
CN110969382A (zh) * | 2018-09-28 | 2020-04-07 | 北京三快在线科技有限公司 | 一种配送范围的确定方法及装置 |
CN110969274A (zh) * | 2018-09-28 | 2020-04-07 | 北京三快在线科技有限公司 | 一种预测配送时间的方法、装置及计算机可读存储介质 |
WO2020108465A1 (zh) * | 2018-11-30 | 2020-06-04 | 拉扎斯网络科技(上海)有限公司 | 订单分配方法、装置、电子设备和存储介质 |
CN109615201A (zh) * | 2018-11-30 | 2019-04-12 | 拉扎斯网络科技(上海)有限公司 | 订单分配方法、装置、电子设备和存储介质 |
CN111353625A (zh) * | 2018-12-21 | 2020-06-30 | 顺丰科技有限公司 | 一种网点件量预测方法、装置、设备及存储介质 |
CN109685276A (zh) * | 2018-12-27 | 2019-04-26 | 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 |
CN109871978A (zh) * | 2018-12-28 | 2019-06-11 | 广州兴森快捷电路科技有限公司 | 一种pcb订单合格率预测方法、装置及可读存储介质 |
CN109902858A (zh) * | 2019-01-23 | 2019-06-18 | 跨越速运集团有限公司 | 一种物流取货操作耗时智能预测方法及系统 |
CN110009155A (zh) * | 2019-04-08 | 2019-07-12 | 上海拉扎斯信息科技有限公司 | 业务区域配送难度的估计方法、装置和电子设备 |
CN110009155B (zh) * | 2019-04-08 | 2021-07-09 | 上海拉扎斯信息科技有限公司 | 业务区域配送难度的估计方法、装置和电子设备 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110119847B (zh) * | 2019-05-14 | 2021-07-09 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
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 |
CN112085243A (zh) * | 2019-06-14 | 2020-12-15 | 达疆网络科技(上海)有限公司 | 一种门店订单送达时间预估的计算方法 |
CN110599078A (zh) * | 2019-07-26 | 2019-12-20 | 平安科技(深圳)有限公司 | 物流配送信息的处理方法、装置及计算机设备 |
CN110533366B (zh) * | 2019-08-13 | 2022-04-01 | 北京三快在线科技有限公司 | 配送订单标记生成方法、系统和计算机程序介质 |
CN110533366A (zh) * | 2019-08-13 | 2019-12-03 | 北京三快在线科技有限公司 | 配送订单标记生成方法、系统和计算机程序介质 |
CN111539780B (zh) * | 2019-09-04 | 2021-04-13 | 拉扎斯网络科技(上海)有限公司 | 一种任务处理方法、装置、存储介质和电子设备 |
CN111539780A (zh) * | 2019-09-04 | 2020-08-14 | 拉扎斯网络科技(上海)有限公司 | 一种任务处理方法、装置、存储介质和电子设备 |
CN111027906A (zh) * | 2019-12-05 | 2020-04-17 | 北京京东振世信息技术有限公司 | 配送订单确定方法、装置、存储介质与终端设备 |
CN111027906B (zh) * | 2019-12-05 | 2023-12-05 | 北京京东振世信息技术有限公司 | 配送订单确定方法、装置、存储介质与终端设备 |
CN111008805A (zh) * | 2019-12-06 | 2020-04-14 | 京东数字城市(成都)科技有限公司 | 妥投时间确定方法、装置、存储介质与电子设备 |
CN111242368A (zh) * | 2020-01-09 | 2020-06-05 | 中央财经大学 | 一种基于场景推演的物流配送调度算法 |
CN111242368B (zh) * | 2020-01-09 | 2024-03-15 | 中央财经大学 | 一种基于场景推演的物流配送调度算法 |
CN113537676A (zh) * | 2020-04-20 | 2021-10-22 | 北京京东振世信息技术有限公司 | 一种确定运输任务的完成时间的方法及装置 |
CN113537676B (zh) * | 2020-04-20 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种确定运输任务的完成时间的方法及装置 |
CN111598487A (zh) * | 2020-06-22 | 2020-08-28 | 拉扎斯网络科技(上海)有限公司 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
CN111598487B (zh) * | 2020-06-22 | 2024-03-15 | 拉扎斯网络科技(上海)有限公司 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
CN111738517A (zh) * | 2020-06-24 | 2020-10-02 | 詹晨 | 一种基于大数据的电商生鲜类商品快递配送管理系统 |
CN111754051A (zh) * | 2020-07-23 | 2020-10-09 | 拉扎斯网络科技(上海)有限公司 | 通行时长预测处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108364085B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364085A (zh) | 一种外卖配送时间预测方法和装置 | |
CN108256691A (zh) | 还款概率预测模型构建方法及装置 | |
CN103971170B (zh) | 一种用于对特征信息的变化进行预测的方法和装置 | |
CN107423859B (zh) | 一种组合模型建模方法及系统 | |
CN110555578B (zh) | 一种销量预测方法和装置 | |
CN106970953B (zh) | 基于大数据分析的网络建设管控方法及其平台 | |
CN109697637A (zh) | 对象类别确定方法、装置、电子设备及计算机存储介质 | |
CN111047264B (zh) | 一种物流任务分配方法及装置 | |
CN109377291A (zh) | 任务价格预测方法、装置、电子设备及计算机存储介质 | |
CN110288393A (zh) | 新零售模式下的客户资源分配方法、设备及可读存储介质 | |
CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
CN110335090A (zh) | 基于商品销量分布预测的补货方法及系统、电子设备 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
JP2001357189A (ja) | 市場参入意思決定支援装置 | |
CN111126917A (zh) | 单位转移数值调整方法、装置、计算机设备及存储介质 | |
CN107977855A (zh) | 一种管理用户信息的方法及装置 | |
CN114239977A (zh) | 确定预估配送时长的方法、装置、设备和存储介质 | |
CN107844496A (zh) | 统计信息输出方法及装置 | |
CN115619270A (zh) | 数据资产管理方法、装置、计算机设备、存储介质 | |
CN113205391B (zh) | 基于历史订单匹配度的派单方法、电子设备和计算机可读介质 | |
CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
CN113205408A (zh) | 客户经理能力图谱生成方法及装置 | |
CN110533485A (zh) | 一种对象选取的方法、装置、存储介质及电子设备 | |
CN110264250A (zh) | 确定产品对等资源量在多个地域的分布数据的方法及装置 | |
CN117236801B (zh) | 数据处理方法、装置、电子设备和可读存储介质 |
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 |