CN109214548A - 一种订单准备时间的预测方法及装置 - Google Patents

一种订单准备时间的预测方法及装置 Download PDF

Info

Publication number
CN109214548A
CN109214548A CN201810842321.4A CN201810842321A CN109214548A CN 109214548 A CN109214548 A CN 109214548A CN 201810842321 A CN201810842321 A CN 201810842321A CN 109214548 A CN109214548 A CN 109214548A
Authority
CN
China
Prior art keywords
order
staff
busy
identification information
information
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.)
Pending
Application number
CN201810842321.4A
Other languages
English (en)
Inventor
张锦
王兴星
谢乾龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201810842321.4A priority Critical patent/CN109214548A/zh
Publication of CN109214548A publication Critical patent/CN109214548A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施例提供了一种订单准备时间的预测方法及装置，所述方法包括：获取当前订单中的商家标识信息；确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；根据所述实时环境参数预测订单准备时间获取当前订单中的商家标识信息；确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；根据所述实时环境参数预测订单准备时间。本公开的实施例中，结合实时环境参数进行订单预备时间的估计，有助于提高订单预备时间估计的准确性。

Description

一种订单准备时间的预测方法及装置
技术领域
本公开实施例涉及网络技术领域，尤其涉及一种订单准备时间的预测方法及装置。
背景技术
随着各种网络应用的广泛普及，用户可以在网络应用上下单，并等待即时配送。然而，用户等待时间不仅取决于配送时间，还取决于订单准备时间。从而订单准备时间的准确预估直接影响用户等待时间的准确预估。
在对相关技术研究的过程中，发明人发现，相关技术中未考虑商家的店内忙碌情况，导致订单准备时间的预测准确度较低。
发明内容
本公开的实施例提供一种订单准备时间的预测方法及装置，结合用于反映商家的店内忙碌程度的实时环境参数预测订单准备时间，有助于提升估计订单准备时间的准确性。
根据第一方面的实施例，提供了一种订单准备时间的预测方法，所述方法包括：
获取当前订单中的商家标识信息；
确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；
根据所述实时环境参数预测订单准备时间。
根据第二方面的实施例，提供了一种订单准备时间的预测装置，所述装置包括：
订单信息获取模块，用于获取当前订单中的商家标识信息；
店内忙碌程度确定模块，用于确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；
订单准备时间预测模块，用于根据所述实时环境参数预测订单准备时间。
根据第三方面的实施例，提供了一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述的订单准备时间的预测方法。
根据第四方面的实施例，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述的订单准备时间的预测方法。
本公开实施例提供了一种订单准备时间的预测方法及装置，所述方法包括：获取当前订单中的商家标识信息；确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；根据所述实时环境参数预测订单准备时间数目、第一消费人员数目、第二消费人员数目，预测订单准备时间。结合用于反映商家的店内忙碌程度的实时环境参数预测订单准备时间，有助于提升估计订单准备时间的准确性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例一提供的一种订单准备时间的预测方法的具体步骤流程图；
图2是本公开实施例的订单准备时间的一种预测系统的结构框图；
图3是本公开实施例的订单准备时间的另一种预测系统的结构框图；
图4是本公开实施例二提供的一种订单准备时间的预测方法的具体步骤流程图；
图5是本公开实施例三提供的一种订单准备时间的预测装置的结构图；
图6是本公开实施例四提供的一种订单准备时间的预测装置的结构图；
图7示出了本公开的一种实施例中的电子设备的结构图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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他实施例，都属于本公开保护的范围。
实施例一
参照图1，其示出了本公开实施例一提供的一种订单准备时间的预测方法的具体步骤流程图。该方法可以适用于例如图2或图3所示的系统，包括摄像头A、处理系统B、中心数据库C。摄像头A和中心数据库C藕合至所述处理系统B上，从而摄像头A能够将图像数据传递到处理系统B，处理系统B可以从中心数据库C中读写数据。处理系统B可以是由例如一台或者多台计算机设备构成，具有相应的运算能力的系统。每一台计算机设备可能包括处理器、存储器以及必要的用于进行通信的组件。摄像头A可以设置于商家的店内，用于采集商家店内的图像。这里的摄像头A的数量可以为图2所示的1个，或者也可以为图3所示的2个，或者也可以为其他数量个。这里的中心数据库C是指用于存储商家数据，或者在还存储相应的用户数据的数据库。这里的商家数据可以包括商家的标识、商家提供的菜品、地址信息以及商家的历史订单数据等；用户数据可以包括用户的订单数据、地址信息等。
图1所示的方法主要可以由处理系统B中具有运算能力的装置比如上述提到的处理系统执行，主要流程可以包括：
步骤101，获取当前订单中的商家标识信息。
其中，当前订单在用户针对商家所提供的商品进行支付购买之后生成，包括但不限于：下单时间、商家信息、商品信息等，其中，商家信息包括但不限于商家标识信息、商家名称，商品信息包括但不限于商品标识信息、商品名称。具体地，根据应用场景订单还可以包括其他信息。例如，对于外卖场景，一个外卖订单可以包括：用户地址。
商家标识信息为用户下单的商家对应的标识信息。
商品标识信息为用户下单的商品对应的标识信息。
可以理解，商家标识信息和商品标识信息均为唯一标识。
步骤102，确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度。
在实施时，可以通过多种方式实现本步骤。
比如在一些实施方式中，可以使用图2或者图3中的摄像头采集图像，然后对图像进行分析，确定相应的实时环境参数。比如在一种实施方式中，可以使用图2中的摄像头采集商家的店内图像，然后利用预先训练好的模型对该店内图像进行识别和分类，得到相应的实时环境参数。在模型训练时，可以直接针对不同的店内图像设置不同的实时环境参数标签，使得模型具有对店内图像进行分类，确定实时环境参数的能力。或者在另外一种实施方式中，可以使用图3中的其中一个摄像头采集商家的工作区域中工作人员的图像，另外一个摄像头采集消费人员所在区域中消费人员的图像。
以上介绍了基于图像确定实时环境参数的实现方式，在一些替代的实施方式中，也可以通过其他信息采集设备采集相应的实施环境信息，得到实时环境参数，比如一种方式是设置麦克风采集语音，然后对采集到的语音进行处理得到相应的参数确定店内对的嘈杂程度，如果相应的参数指示嘈杂程度较高，则可以认为忙碌程度较高。这样就可以根据嘈杂程度设置相应的实时环境参数。
以上介绍的是通过信息采集的方式自动确定实时环境参数的方式，在具体实现时，并不局限于此，比如也可以提供一种用户接口，由用户输入实时环境参数。比如可以在该用户接口展示1、2、3、4、5、6、7、8、9、10，由用户选择，将用户选择的数字作为实时环境参数，数字越大，说明店内忙碌程度越高。
可以理解，店内忙碌程度可以与店内工作人员中忙碌的工作人员数目、不忙碌的工作人员数目相关。具体地，忙碌的工作人员数目越大，不忙碌的工作人员数目越小，店内越忙碌；忙碌的工作人员数目越小，不忙碌的工作人员数目越大，店内越不忙碌。
在实际应用中，工作人员是指准备订单的工作人员，不包括其他服务人员，工作人员是否忙碌可以通过工作人员的动作和位置判断得到。
此外，店内忙碌程度还可以与店内订单未准备好的消费人员数目、店内订单准备好的消费人员数目相关。具体地，订单未准备好的消费人员数目越大，店内订单准备好的消费人员数目越小，店内越忙碌；订单未准备好的消费人员数目越小，店内订单准备好的消费人员数目越大，店内越不忙碌。
在实际应用中，订单准备是否准备好可以通过消费人员的动作以及消费人员的座位上是否存在准备好的订单判断得出。
从而，可以根据店内工作人员中忙碌的工作人员数目、不忙碌的工作人员数目、订单未准备好的消费人员数目、店内订单准备好的消费人员数目确定，确定实时环境参数。
步骤103，根据所述实时环境参数预测订单准备时间。
其中，订单准备时间为用户下单之后至订单准备好之间的时间。例如，对于外卖场景而言，用户在点餐之后至餐准备好之间的时间。
具体地，实时环境参数代表店内越忙碌时，订单准备时间越长；实时环境参数代表店内越不忙碌时，订单准备时间越短。
在实际应用中，可以通过模型离线训练确定实时环境参数与订单准备时间的关系式，从而可以采用该关系式预测订单准备时间。
在本公开的实施例中，可以实时获取店内的忙碌程度，从而确定预测订单准备时间，从而可以更加准备的预测订单准备时间。
综上所述，本公开实施例提供了一种订单准备时间的预测方法，所述方法包括：获取当前订单中的商家标识信息；确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；根据所述实时环境参数预测订单准备时间。解决了现有技术中订单准备时间预估准确度较差的问题，可以根据商家的工作人员忙碌状态、消费人员的订单准备状况预估订单准备时间，提高了订单准备时间的预估准确度。
实施例二
参照图4，其示出了本公开实施例二提供的一种订单准备时间的预测方法的具体步骤流程图。
步骤201，获取当前订单中的商家标识信息。
该步骤可以参照步骤101的详细说明，在此不再赘述。
步骤202，获取所述商家标识信息对应的商家的店内图像。
其中，店内图像通过安装于店内一个或多个的摄像头拍摄得到。为了获取更多的图像，可以在关键位置安装摄像头，并上传至微处理系统。
在实际应用中，为了更加准确的确定订单准备时间，店内图像需要实时更新，即：摄像头会实时拍摄新的店内图像。
步骤203，对所述商家的店内图像进行图像识别，确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度。
在本公开的实施例中，通过对步骤202中得到的店内图像进行图像识别，得到店内的忙碌程度。图像识别包括但不限于识别图像中的工作人员、消费人员的数目，以及判断工作人员的忙碌状态、消费人员订单的准备状态。
本公开的实施例可以根据店内图像确定实时环境参数，实现实时环境参数的智能化确定方法。可选地，在本公开的实施例中，上述实时环境参数包括工作人员的忙碌参数，上述工作人员的忙碌参数用于指示工作人员的忙碌程度，上述步骤203包括子步骤2031至2032：
子步骤2031，分别确定所述商家标识信息对应的处于忙碌状态的工作人员数目，以及，处于非忙碌状态的工作人员数目，得到第一工作人员数目及第二工作人员数目。
具体地，工作人员是否忙碌可以通过工作人员的动作和位置判断得到。
在本公开实施例中，可以通过预先训练得到的模型从图片中识别工作人员数目，以及每个工作人员是否忙碌，从而确定处于忙碌状态的工作人员数目，以及，处于不忙碌状态的工作人员数目。
可选地，在本公开的实施例中，上述店内图像包括对工作区域拍摄得到的第一目标图片，上述步骤2031包括子步骤20311至20312：
子步骤20311，将所述第一目标图片输入至预先训练得到的工作人员识别模型，得到所述第一目标图片中的工作人员是否忙碌的第一标识。
其中，第一目标图片可以通过如图2中的摄像头，或图3中安装于工作区域中的摄像头拍摄得到。
在实际应用中，摄像头对准准备订单的工作区域，从而可以实时拍摄得到工作人员的状态。可以理解，在工作区域较大时，可以采用多个摄像头拍摄工作人员的状态。
具体地，如图2或3所示，摄像头将拍摄得到的第一目标图片发送至微处理系统中。
其中，工作人员识别模型的输入为图片，可以从图片中识别出人物，并输出人物的状态标识，即第一标识。可以理解，当图片中包括M个工作人员时，输出的第一标识即包含M个；当图片中未包括工作人员时，输出为空或指定格式的信息。
在实际应用中，可以将多个第一标识按照顺序列出，即：1101011，其中，1代表忙碌，0代表非忙碌。可以理解，第一标识的输出格式可以根据实际应用场景设定，本公开实施例对其不加以限制。
可选地，在本公开的另一种实施例中，上述工作人员识别模型通过如下步骤训练得到：
步骤A1，获取第一图片样本集，所述第一图片样本集的各图片样本包括标注为是否处于忙碌状态的工作人员。
具体地，第一图片样本集可以从开源图片集中获取，也可以通过如图2中的摄像头或图3中安装于工作区域中的摄像头拍摄工作人员得到，此外，还需要对图片中的工作人员进行标注是否忙碌。
可以理解，第一图片样本集的图片数目越多，则模型训练结果越准确；第一图片样本集的图片数目越少，则模型训练结果越不准确。从而需要尽可能多的收集第一图片样本。
步骤A2，通过所述第一图片样本集训练得到工作人员识别模型。
在本公开实施例中，可以采用CNN(Convolutional Neural Network，卷积神经网络)、快速R-CNN(Region Convolutional Neural Network，区域卷积神经网络)模型进行训练得到工作人员识别模型。
可以理解，CNN和快速R-CNN可以从图片中识别工作人员，并学习到工作人员的动作和位置特征与是否忙碌的关系知识。
在实际应用中，可以通过指定服务器训练模型，工作人员识别模型在训练好之后嵌入至如图2或3所示的微处理系统中，从而微处理系统可以调用该模型进行在线预测，以从第一目标图片中识别得到工作人员的忙碌状态。
子步骤20312，根据所述第一标识分别统计处于忙碌状态的工作人员数目，以及，处于非忙碌状态的工作人员数目。
例如，对于第一标识1101011，若1代表忙碌状态、0代表非忙碌状态，则处于忙碌状态的工作人员数目为5，处于非忙碌状态的工作人员数目为2。
子步骤2032，根据所述第一工作人员数目及第二工作人员数目确定忙碌参数。
可以理解，第一工作人员数目越大，第二工作人员数目越小，忙碌参数代表的忙碌程度越大；第一工作人员数目越小，第二工作人员数目越大，忙碌参数代表的忙碌程度越小。
具体地，可以将第一工作人员数目和第二工作人员数目的比值，作为忙碌参数，也可以对该比值取对数作为忙碌参数。本公开实施例对忙碌参数的计算方式不加以限制。
本公开的实施例可以根据处于忙碌状态的工作人员数目和处于不忙碌状态的工作人员数目，确定实时环境参数。
可选地，在本公开的实施例中，上述实时环境参数包括消费人员的订单状态参数；所述消费人员的订单状态参数用于指示店内订单的准备程度，上述步骤203包括子步骤2033至2034：
子步骤2033，分别确定所述商家标识信息对应的订单准备好的消费人员数目，以及，订单未准备好的消费人员数目，得到第一消费人员数目及第二消费人员数目。
在实际应用中，订单是否准备好可以通过消费人员的动作以及消费人员的座位上是否存在准备好的订单判断得出。
在本公开实施例中，可以通过预先训练得到的模型从图片中识别消费人员数目，以及每个消费人员的订单是否准备好，从而确定订单准备好的消费人员数目，以及，订单未准备好的消费人员数目。
可选地，在本公开的另一种实施例中，上述店内图像包括对订单等候区域拍摄得到的第二目标图片，上述子步骤2033包括子步骤20331至20332：
子步骤20331，将所述第二目标图片输入至预先训练得到的消费人员识别模型，得到所述第二目标图片中的消费人员的订单是否准备好的第二标识。
其中，第二目标图片可以通过如图2中的摄像头，或图3中安装于消费人员所在区域中的摄像头拍摄得到。
在实际应用中，摄像头对准消费人员所在区域，从而可以实时拍摄得到消费人员的订单状态。可以理解，在消费人员所述区域较大时，可以采用多个摄像头拍摄消费人员的状态。
具体地，如图2或3所示，摄像头将拍摄得到的第二目标图片发送至微处理系统中。
其中，消费人员识别模型的输入为图片，可以从图片中识别出人物，并输出人物的订单是否准备好的标识，即第二标识。可以理解，当图片中包括N个消费人员时，输出的第二标识即包含N个；当图片中未包括消费人员时，输出为空或指定格式的信息。
在实际应用中，可以将多个第二标识按照顺序列出，即：1101011，其中，1代表订单准备好，0代表订单未准备好。可以理解，第二标识的输出格式可以根据实际应用场景设定，本公开实施例对其不加以限制。
可选地，在本公开的实施例中，上述消费人员识别模型通过如下步骤训练得到：
步骤B1，获取第二图片样本集，所述第二图片样本集的各图片样本包括标注为订单是否准备好的消费人员。
具体地，第二图片样本集可以从开源图片集中获取，也可以通过如图2所示的摄像头或图3所示的安装于消费人员所在区域的摄像头拍摄消费人员得到，此外，还需要对图片中的消费人员进行标注订单是否准备好。
可以理解，第二图片样本集的图片数目越多，则模型训练结果越准确；第二图片样本集的图片数目越少，则模型训练结果越不准确。从而需要尽可能多的收集第二图片样本。
步骤B2，通过所述第二图片样本集训练得到消费人员识别模型。
在本公开实施例中，可以采用CNN(Convolutional Neural Network，卷积神经网络)、快速R-CNN(Region Convolutional Neural Network，区域卷积神经网络)模型进行训练得到消费人员识别模型。
可以理解，CNN和快速R-CNN可以从图片中识别消费人员，并学习到消费人员的动作和位置特征与订单是否准备好的关系知识。
在实际应用中，消费人员识别模型在训练好之后嵌入至微处理系统中，从而微处理系统可以调用该模型进行在线预测，以从第二目标图片中识别得到消费人员的订单状态。
子步骤20332，根据所述第二标识分别统计订单准备好的消费人员数目，以及，订单未准备好的消费人员数目。
例如，对于第二标识1001011，若1代表准备好、0代表未准备好，则第一消费人员数目为3，第二消费人员数目为3。
子步骤2034，根据所述第一消费人员数目及第二消费人员数目确定订单状态参数。
可以理解，第一消费人员数目越大，第二消费人员数目越小，订单状态参数代表的准备程度越好；第一消费人员数目越小，第二消费人员数目越大，订单状态参数代表的准备程度越差。
具体地，可以将第一消费人员数目和第二消费人员数目的比值，作为订单状态参数，也可以对该比值取对数作为订单状态参数。本公开实施例对订单状态参数的计算方式不加以限制。
此外，可以将忙碌参数和订单状态参数加权相加，得到实时环境参数。加权参数可以根据实际应用场景设定，本公开实施例对其不加以限制。
本公开的实施例可以根据订单准备好的消费人员数目和订单未准备好的消费人员数目，确定实时环境参数。
步骤204，获取所述商家标识信息对应的商家特征信息、线上未完成订单数目，以及所述当前订单中的商品标识信息对应的商品特征信息。
其中，商家特征信息包括但不限于商家类型、商家位置等信息。例如，对于外卖商家而言，商家类型可以按照菜系划分。
线上未完成订单数目为通过平台下单的未完成订单数目。
商品特征信息包括但不限于商品类型、商品准备方式等信息。例如，对于外卖而言，商品类型可以为菜、主食、甜点等，商品准备方式可以为炒、蒸、炸、煮等。
在本公开的实施例中，商家特征信息、商品特征信息均可以在商家注册并入驻平台应用时确定，并保存至平台数据库中；未完成订单数目保存至平台数据库中，并实时更新，即：在新订单产生时加1，在订单准备好时减1。
可以理解，商家标识信息对应的商家特征信息、线上未完成订单数目即为商家标识信息对应的商家的特征信息、线上未完成订单数目；商品标识信息对应的商品特征信息即为商品标识信息对应的商品的特征信息。
此外，实时从平台数据库中获取商家特征信息、线上未完成订单数目，以及商品特征信息，从而进一步保证准备时间的预测准确性。
步骤205，将所述商家特征信息、线上未完成订单数目、商品特征信息，以及，实时环境参数，输入至预先训练得到的订单准备时间预测模型中，得到订单准备时间。
其中，订单准备时间预测模型的输入为商家特征信息、未完成订单数目、商品特征信息，以及，第一工作人员数目、第二工作人员数目、第一消费人员数目、第二消费人员数目，输出为订单准备时间。
本公开实施例可以通过预先训练得到的订单准备时间预测模型，结合商家特征信息、线上未完成订单数目，以及商品特征信息、实时环境参数准确预测订单准备时间。
可选地，在本公开的另一实施例中，上述订单准备时间预测模型通过如下步骤训练得到：
步骤C1，获取历史订单信息，并从所述历史订单信息中提取商家标识信息、商品标识信息、订单准备时间以及未完成订单数目。
在实际应用中，平台的历史订单信息保存在平台的中心数据库中。可以理解，历史订单信息中包括用户下单的商家标识信息以及商品标识信息，以及排在当前订单之前的未完成订单数目。
步骤C2，获取所述商家标识信息对应的商家特征信息、所述商品标识信息对应的商品特征信息、所述商家特征信息对应的未完成订单数目、处于忙碌状态的工作人员数目、处于非忙碌状态的工作人员数目、订单准备好的消费人员数目、订单未准备好的消费人员数目。
在本公开实施例中，子步骤2031和3033分别得到的处于忙碌状态的工作人员数目、处于非忙碌状态的工作人员数目、订单准备好的消费人员数目、订单未准备好的消费人员数目，可以保存至平台的中心数据库中，以作为订单准备时间预测模型的训练样本。
此外，商家特征信息、商品特征信息等均在商家注册并入驻平台时，均会保存至平台的中心数据库中。
可以理解，可以通过订单编号将同一订单的商家特征信息、商品特征信息、线上未完成订单数目，与处于忙碌状态的工作人员数目、处于非忙碌状态的工作人员数目、订单准备好的消费人员数目、订单未准备好的消费人员数目对应起来。
步骤C3，根据所述处于忙碌状态的工作人员数目及处于非忙碌状态的工作人员数目，以及，根据所述订单准备好的消费人员数目及订单未准备好的消费人员数目确定实时环境参数样本。
实时环境参数的计算公式可以参照子步骤2032和2034的详细说明，在此不再赘述。
可以理解，此处的实时环境参数的计算公式需要与子步骤2032或2034相同。
步骤C4，通过所述商家特征信息、所述商家特征信息对应的未完成订单数目、商品特征信息、实时环境参数样本、订单准备时间，训练得到订单准备时间预测模型。
在本公开实施例中，可以通过线性回归模型、回归树模型等训练得到订单准备时间预测模型。
具体地，首先，选取合适的训练模型，并初始化模型的参数；然后，将商家特征信息、所述商家特征信息对应的未完成订单数目、商品特征信息、实时环境参数以及订单准备时间输入至模型中，计算得到订单准备时间的预测值；最后，计算订单准备时间的预测值和输入的样本值之间的损失值。若损失值小于预设阈值，则停止训练，此时的模型为最终的订单准备时间预测模型；若损失值大于或等于预设阈值，则调整模型的参数继续训练，直至损失值小于预设阈值。
可以理解，本公开实施例对损失值的计算方式不加以限制。
本发明实施例可以通过训练确定订单准备时间的预测模型。
综上所述，本公开实施例提供了一种订单准备时间的预测方法，所述方法包括：获取当前订单中的商家标识信息；确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；根据所述实时环境参数预测订单准备时间数目、第一消费人员数目、第二消费人员数目，预测订单准备时间。解决了现有技术中订单准备时间预估准确度较差的问题，可以根据商家的工作人员忙碌状态、消费人员的订单准备状况预估订单准备时间，提高了订单准备时间的预估准确度。
实施例三
参照图5，其示出了本公开实施例三提供的一种订单准备时间的预测装置的结构图，具体如下。
订单信息获取模块301，用于获取当前订单中的商家标识信息。
店内忙碌程度确定模块302，用于确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度。
订单准备时间预测模块303，用于根据所述实时环境参数预测订单准备时间。
综上所述，本公开实施例提供了一种订单准备时间的预测装置，所述装置包括：订单信息获取模块，用于获取当前订单中的商家标识信息；店内忙碌程度确定模块，用于确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；订单准备时间预测模块，用于根据所述实时环境参数预测订单准备时间。解决了现有技术中订单准备时间预估准确度较差的问题，可以根据商家的工作人员忙碌状态、消费人员的订单准备状况预估订单准备时间，提高了订单准备时间的预估准确度。
实施例四
参照图6，其示出了本公开实施例四提供的一种订单准备时间的预测装置的结构图，具体如下。
订单信息获取模块401，用于获取当前订单中的商家标识信息；
店内忙碌程度确定模块402，用于确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；可选地，在本公开的实施例中，上述店内忙碌程度确定模块402包括：
店内图像获取子模块4021，用于获取所述商家标识信息对应的商家的店内图像。
店内忙碌程度确定子模块4022，用于对所述商家的店内图像进行图像识别，确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度。
订单准备时间预测模块403，用于根据所述实时环境参数预测订单准备时间。可选地，在本公开的实施例中，上述订单准备时间预测模块403，包括：
相关信息获取模块4031，用于获取所述商家标识信息对应的商家特征信息、线上未完成订单数目，以及所述当前订单中的商品标识信息对应的商品特征信息。
订单准备时间预测子模块4032，用于将所述商家特征信息、线上未完成订单数目、商品特征信息，以及，实时环境参数，输入至预先训练得到的订单准备时间预测模型中，得到订单准备时间。
可选地，在本公开的实施例中，上述实时环境参数包括工作人员的忙碌参数，上述工作人员的忙碌参数用于指示工作人员的忙碌程度，上述店内忙碌程度确定子模块4022包括：
工作人员数目确定单元，用于分别确定所述商家标识信息对应的处于忙碌状态的工作人员数目，以及，处于非忙碌状态的工作人员数目，得到第一工作人员数目及第二工作人员数目。
忙碌参数确定单元，用于根据所述第一工作人员数目及第二工作人员数目确定忙碌参数。
可选地，在本公开的实施例中，上述店内图像包括对工作区域拍摄得到的第一目标图片，上述工作人员数目确定单元包括：
第一标识确定子单元，用于将所述第一目标图片输入至预先训练得到的工作人员识别模型，得到所述第一目标图片中的工作人员是否忙碌的第一标识。
工作人员数目统计子单元，用于根据所述第一标识分别统计处于忙碌状态的工作人员数目，以及，处于非忙碌状态的工作人员数目。
可选地，在本公开的另一种实施例中，上述工作人员识别模型通过如下模块训练得到：
第一图片样本集获取模块，用于获取第一图片样本集，所述第一图片样本集的各图片样本包括标注为是否处于忙碌状态的工作人员。
第一图片样本集训练模块，用于通过所述第一图片样本集训练得到工作人员识别模型。
可选地，在本公开的另一种实施例中，上述实时环境参数包括消费人员的订单状态参数；所述消费人员的订单状态参数用于指示店内订单的准备程度，上述店内忙碌程度确定子模块4022包括：
消费人员数目确定单元，用于分别确定所述商家标识信息对应的订单准备好的消费人员数目，以及，订单未准备好的消费人员数目，得到第一消费人员数目及第二消费人员数目。
订单状态参数确定单元，用于根据所述第一消费人员数目及第二消费人员数目确定订单状态参数。
可选地，在本公开的另一种实施例中，上述店内图像包括对订单等候区域拍摄得到的第二目标图片，上述消费人员数目确定单元包括：
第二标识确定子单元，将所述第二目标图片输入至预先训练得到的消费人员识别模型，得到所述第二目标图片中的消费人员的订单是否准备好的第二标识。
消费人员数目统计子单元，用于根据所述第二标识分别统计订单准备好的消费人员数目，以及，订单未准备好的消费人员数目。
可选地，在本公开的实施例中，上述消费人员识别模型通过如下步骤训练得到：
第二图片样本集获取模块，用于获取第二图片样本集，所述第二图片样本集的各图片样本包括标注为订单是否准备好的消费人员。
消费人员识别模型训练模块，用于通过所述第二图片样本集训练得到消费人员识别模型。
可选地，在本公开的另一实施例中，上述订单准备时间预测模型通过如下模块训练得到：
历史订单信息获取模块，用于获取历史订单信息，并从所述历史订单信息中提取商家标识信息、商品标识信息、订单准备时间以及未完成订单数目。
特征数据获取模块，用于获取所述商家标识信息对应的商家特征信息、所述商品标识信息对应的商品特征信息、所述商家特征信息对应的未完成订单数目、处于忙碌状态的工作人员数目、处于非忙碌状态的工作人员数目、订单准备好的消费人员数目、订单未准备好的消费人员数目。
实时环境参数样本确定模块，用于根据所述处于忙碌状态的工作人员数目及处于非忙碌状态的工作人员数目，以及，根据所述订单准备好的消费人员数目及订单未准备好的消费人员数目确定实时环境参数样本。
准备时间预测模型训练模块，用于通过所述商家特征信息、所述商家特征信息对应的未完成订单数目、商品特征信息、实时环境参数样本、订单准备时间，训练得到订单准备时间预测模型。
综上所述，本公开的实施例提供了一种订单准备时间的预测装置，所述装置包括：订单信息获取模块，用于获取当前订单中的商家标识信息；店内忙碌程度确定模块，用于确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；订单准备时间预测模块，用于根据所述实时环境参数预测订单准备时间。解决了现有技术中订单准备时间预估准确度较差的问题，可以根据商家的工作人员忙碌状态、消费人员的订单准备状况预估订单准备时间，提高了订单准备时间的预估准确度。
本公开的实施例还提供了一种电子设备，参照图7，包括：处理器501、存储器502以及存储在所述存储器502上并可在所述处理器501上运行的计算机程序5021，所述处理器501执行所述程序时实现前述的订单准备时间的预测方法。
本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子的处理器执行时，使得电子设备能够执行前述的订单准备时间的预测方法。
对于装置实施例而言，由于其与方法实施例基本相似，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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的内容，并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的订单准备时间的预测设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的保护范围之内。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (13)

1.一种订单准备时间的预测方法，其特征在于，所述方法包括：
获取当前订单中的商家标识信息；
确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；
根据所述实时环境参数预测订单准备时间。
2.根据权利要求1所述的方法，其特征在于，所述确定所述商家标识信息对应的实时环境参数，包括：
获取所述商家标识信息对应的商家的店内图像；
对所述商家的店内图像进行图像识别，确定所述商家标识信息对应的实时环境参数。
3.根据权利要求2所述的方法，其特征在于，所述实时环境参数包括工作人员的忙碌参数，所述工作人员的忙碌参数用于指示工作人员的忙碌程度，所述确定所述商家标识信息对应的实时环境参数的步骤，包括：
分别确定所述商家标识信息对应的处于忙碌状态的工作人员数目，以及，处于非忙碌状态的工作人员数目，得到第一工作人员数目及第二工作人员数目；
根据所述第一工作人员数目及第二工作人员数目确定忙碌参数。
4.根据权利要求3所述的方法，其特征在于，所述店内图像包括对工作区域拍摄得到的第一目标图片，所述分别确定所述商家标识信息对应的处于忙碌状态的工作人员数目，以及，处于非忙碌状态的工作人员数目的步骤，包括：
将所述第一目标图片输入至预先训练得到的工作人员识别模型，得到所述第一目标图片中的工作人员是否忙碌的第一标识；
根据所述第一标识分别统计处于忙碌状态的工作人员数目，以及，处于非忙碌状态的工作人员数目。
5.根据权利要求2所述的方法，其特征在于，所述实时环境参数包括消费人员的订单状态参数；所述消费人员的订单状态参数用于指示店内订单的准备程度，所述确定所述商家标识信息对应的实时环境参数的步骤，包括：
分别确定所述商家标识信息对应的订单准备好的消费人员数目，以及，订单未准备好的消费人员数目，得到第一消费人员数目及第二消费人员数目；
根据所述第一消费人员数目及第二消费人员数目确定订单状态参数。
6.根据权利要求5所述的方法，其特征在于，所述店内图像包括对订单等候区域拍摄得到的第二目标图片，所述分别确定所述商家标识信息对应的订单准备好的消费人员数目，以及，订单未准备好的消费人员数目的步骤，包括：
将所述第二目标图片输入至预先训练得到的消费人员识别模型，得到所述第二目标图片中的消费人员的订单是否准备好的第二标识；
根据所述第二标识分别统计订单准备好的消费人员数目，以及，订单未准备好的消费人员数目。
7.根据权利要求4所述的方法，其特征在于，所述工作人员识别模型通过如下步骤训练得到：
获取第一图片样本集，所述第一图片样本集的各图片样本包括标注为是否处于忙碌状态的工作人员；
通过所述第一图片样本集训练得到工作人员识别模型。
8.根据权利要求6所述的方法，其特征在于，所述消费人员识别模型通过如下步骤训练得到：
获取第二图片样本集，所述第二图片样本集的各图片样本包括标注为订单是否准备好的消费人员；
通过所述第二图片样本集训练得到消费人员识别模型。
9.根据权利要求1所述的方法，其特征在于，所述根据所述实时环境参数预测订单准备时间的步骤，包括：
获取所述商家标识信息对应的商家特征信息、线上未完成订单数目，以及所述当前订单中的商品标识信息对应的商品特征信息；
将所述商家特征信息、线上未完成订单数目、商品特征信息，以及，实时环境参数，输入至预先训练得到的订单准备时间预测模型中，得到订单准备时间。
10.根据权利要求9所述的方法，其特征在于，所述订单准备时间预测模型通过如下步骤训练得到：
获取历史订单信息，并从所述历史订单信息中提取商家标识信息、商品标识信息以及未完成订单数目；
获取所述商家标识信息对应的商家特征信息、所述商品标识信息对应的商品特征信息、所述商家特征信息对应的未完成订单数目、处于忙碌状态的工作人员数目、处于非忙碌状态的工作人员数目、订单准备好的消费人员数目、订单未准备好的消费人员数目；
根据所述处于忙碌状态的工作人员数目及处于非忙碌状态的工作人员数目确定忙碌参数样本，以及，根据所述订单准备好的消费人员数目及订单未准备好的消费人员数目确定订单状态参数样本；
通过所述商家特征信息、所述商家特征信息对应的未完成订单数目、商品特征信息、忙碌参数样本、订单状态参数样本、订单准备时间，训练得到订单准备时间预测模型。
11.一种订单准备时间的预测装置，其特征在于，所述装置包括：
订单信息获取模块，用于获取当前订单中的商家标识信息；
店内忙碌程度确定模块，用于确定所述商家标识信息对应的实时环境参数；所述实时环境参数用于指示所述商家标识信息对应的商家的店内忙碌程度；
订单准备时间预测模块，用于根据所述实时环境参数预测订单准备时间。
12.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-10中一个或多个所述的订单准备时间的预测方法。
13.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-10中一个或多个所述的订单准备时间的预测方法。
CN201810842321.4A 2018-07-27 2018-07-27 一种订单准备时间的预测方法及装置 Pending CN109214548A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810842321.4A CN109214548A (zh) 2018-07-27 2018-07-27 一种订单准备时间的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810842321.4A CN109214548A (zh) 2018-07-27 2018-07-27 一种订单准备时间的预测方法及装置

Publications (1)

Publication Number Publication Date
CN109214548A true CN109214548A (zh) 2019-01-15

Family

ID=64990316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810842321.4A Pending CN109214548A (zh) 2018-07-27 2018-07-27 一种订单准备时间的预测方法及装置

Country Status (1)

Country Link
CN (1) CN109214548A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399507A (zh) * 2019-04-02 2019-11-01 李峻 基于大数据采集的现场显示系统
CN110689177A (zh) * 2019-09-17 2020-01-14 北京三快在线科技有限公司 订单准备时间的预测方法和装置，电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945364A (zh) * 2012-10-31 2013-02-27 黑龙江省电力有限公司信息通信分公司 基于运动图像识别的人员工位状态探测系统
US20150227888A1 (en) * 2014-02-13 2015-08-13 Dragontail Systems Ltd. Method and system for managing preparation and delivery of goods
CN105117992A (zh) * 2015-07-31 2015-12-02 小米科技有限责任公司 餐品信息提供方法和装置
WO2017019501A1 (en) * 2015-07-27 2017-02-02 Nourish Technology, Inc. A system and process for managing preparation and packaging of food and/or beverage products for a precise delivery time
CN107516102A (zh) * 2016-06-16 2017-12-26 北京市商汤科技开发有限公司 图像数据分类与建立分类模型方法、装置及系统
CN107644218A (zh) * 2017-09-29 2018-01-30 重庆市智权之路科技有限公司 基于图像采集功能实现人流密集区域行为分析判断的工作方法
CN108109046A (zh) * 2017-12-27 2018-06-01 拉扎斯网络科技（上海）有限公司 一种确定外卖出餐时间的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945364A (zh) * 2012-10-31 2013-02-27 黑龙江省电力有限公司信息通信分公司 基于运动图像识别的人员工位状态探测系统
US20150227888A1 (en) * 2014-02-13 2015-08-13 Dragontail Systems Ltd. Method and system for managing preparation and delivery of goods
WO2017019501A1 (en) * 2015-07-27 2017-02-02 Nourish Technology, Inc. A system and process for managing preparation and packaging of food and/or beverage products for a precise delivery time
CN105117992A (zh) * 2015-07-31 2015-12-02 小米科技有限责任公司 餐品信息提供方法和装置
CN107516102A (zh) * 2016-06-16 2017-12-26 北京市商汤科技开发有限公司 图像数据分类与建立分类模型方法、装置及系统
CN107644218A (zh) * 2017-09-29 2018-01-30 重庆市智权之路科技有限公司 基于图像采集功能实现人流密集区域行为分析判断的工作方法
CN108109046A (zh) * 2017-12-27 2018-06-01 拉扎斯网络科技（上海）有限公司 一种确定外卖出餐时间的方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399507A (zh) * 2019-04-02 2019-11-01 李峻 基于大数据采集的现场显示系统
CN110399507B (zh) * 2019-04-02 2020-03-20 海穗信息技术(上海)有限公司 基于大数据采集的现场显示系统
CN110689177A (zh) * 2019-09-17 2020-01-14 北京三快在线科技有限公司 订单准备时间的预测方法和装置，电子设备及存储介质
CN110689177B (zh) * 2019-09-17 2020-11-20 北京三快在线科技有限公司 订单准备时间的预测方法和装置，电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN105135782B (zh) 一种基于物联网的智能冰箱管理系统
CN110060090A (zh) 推荐商品组合的方法、装置、电子设备及可读存储介质
CN108491951A (zh) 一种外卖配送时间的预测方法、装置及电子设备
US20190205821A1 (en) Automated identification, status monitoring and notification of stored items
US20190236497A1 (en) System and method for automated model selection for key performance indicator forecasting
CN109961074A (zh) 一种查找物品的方法、机器人及计算机可读存储介质
CN103971263A (zh) 顾客类别分析装置、顾客类别分析系统以及顾客类别分析方法
JP2012524340A (ja) 旅行価格最適化（ｔｐｏ）
CN108984658A (zh) 一种智能问答数据处理方法及装置
CN108805667A (zh) 订单流程处理方法和系统
Liyanage et al. Foody-Smart restaurant management and ordering system
US20200074175A1 (en) Object cognitive identification solution
CN107480854A (zh) 一种风险识别的方法及装置
CN110378340A (zh) 地址合规识别方法、装置、存储介质及电子装置
CN109873979A (zh) 一种基于摄像头的静态图像差异比对方法及装置
CN111191804A (zh) 生成餐厅服务任务信息的方法、系统、设备及存储介质
CN109214548A (zh) 一种订单准备时间的预测方法及装置
US10762089B2 (en) Open ended question identification for investigations
CN110019849A (zh) 一种基于注意力机制的视频关注时刻检索方法及装置
JPWO2020145085A1 (ja) 画像認識装置、画像認識プログラム、および画像認識方法
CN110008445A (zh) 事件抽取方法及装置、电子设备
CN108647986A (zh) 一种目标用户确定方法、装置及电子设备
CN110246280B (zh) 人货绑定方法及装置、计算机设备及可读介质
CN104839962B (zh) 一种智能钱包及其信息处理方法和装置
CN110337063A (zh) 目标用户终端识别方法、装置、存储介质及计算机设备

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