CN110110936A - 订单时长的估计方法、估计装置、存储介质和电子设备 - Google Patents

订单时长的估计方法、估计装置、存储介质和电子设备 Download PDF

Info

Publication number
CN110110936A
CN110110936A CN201910395426.4A CN201910395426A CN110110936A CN 110110936 A CN110110936 A CN 110110936A CN 201910395426 A CN201910395426 A CN 201910395426A CN 110110936 A CN110110936 A CN 110110936A
Authority
CN
China
Prior art keywords
information
order
duration
history
model
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
CN201910395426.4A
Other languages
English (en)
Inventor
夏俊海
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.)
Rajax Network Technology Co Ltd
Lazhasi Network Technology Shanghai Co Ltd
Original Assignee
Lazhasi Network Technology Shanghai 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 Lazhasi Network Technology Shanghai Co Ltd filed Critical Lazhasi Network Technology Shanghai Co Ltd
Priority to CN201910395426.4A priority Critical patent/CN110110936A/zh
Publication of CN110110936A publication Critical patent/CN110110936A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

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

Abstract

本发明实施例公开了一种订单时长的估计方法、估计装置、存储介质和电子设备。本发明实施例根据获取目标订单的订单信息获取目标订单取单位置信息，并获取取单位置所在范围内的至少一个配送运力的信息，从而根据目标订单的订单信息、至少一个配送运力的信息和根据分裂阈值训练获得的模型估计目标订单的订单时长。分裂阈值能够在训练过程中有效降低时长估计模型的复杂度和消耗时间，使得训练获得的模型能够快速且准确地对目标订单的订单时长进行估计，从而在后续根据为预测订单的配送难度提供较为准确的数据支持。

Description

订单时长的估计方法、估计装置、存储介质和电子设备
技术领域
本发明公开涉及数据处理领域，具体涉及一种订单时长的估计方法、估计装置、存储介质和电子设备。
背景技术
随着电子商务的不断发展，网上购物变得越来越普遍。对于电商平台或物流公司而言，需要预测订单的配送难度，从而确定订单的分配方式。订单时长(例如，订单的接起时长、取单时长等)能够较客观地反映订单的配送难度，因此可以预先对订单的订单时长进行较为准确的估计，从而在后续根据为预测订单的配送难度提供较为准确的数据支持。
发明内容
有鉴于此,本发明实施例提供了一种订单时长的估计方法、估计装置、存储介质和电子设备，能够对订单的订单时长进行较为准确的估计，并降低了估计的复杂度和消耗时间，从而能够在后续根据为预测订单的配送难度提供较为准确的数据支持。
第一方面，本发明实施例提供了一种订单时长的估计方法，所述方法包括：
获取目标订单的订单信息，所述订单信息包括所述订单的取单位置信息；
获取所述取单位置所在范围内的至少一个配送运力的信息；
根据所述订单信息和所述配送运力的信息提取特征信息；
基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
优选地，所述根据所述订单信息和所述配送运力的信息提取特征信息包括：
获取所述订单信息对应的日期相关信息；
按预定的降维方式对所述订单信息、所述配送运力的信息和所述日期相关信息进行降维，将降维后的信息确定为所述特征信息，所述降维方式根据目标订单对应的第一实体集合的历史订单信息确定，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体。
优选地，所述订单信息还包括所述目标订单对应的第一实体信息和第二实体信息；
所述历史订单信息还包括各所述历史订单对应的第一实体信息和第二实体信息。
优选地，所述降维方式根据历史订单信息中的各项信息与所述历史订单时长的相关度确定。
优选地，所述日期相关信息包括日期和对应的天气。
优选地，所述时长估计模型通过如下步骤获取：
获取初始分类模型；
获取所述初始分类模型的分裂阈值；
根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体；
根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型。
优选地，所述根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型包括：
根据所述分裂阈值获取所述样本集合在所述初始分类模型的各节点的分裂评分；
根据所述分裂评分确定各所述节点的分裂状态；
根据各所述分裂状态获取所述时长估计模型。
第二方面，本发明实施例提供了一种订单时长的估计装置，所述装置包括：
第一获取单元，用于获取目标订单的订单信息，所述订单信息包括所述订单的取单位置信息；
第二获取单元，用于获取所述取单位置所在范围内的至少一个配送运力的信息；
提取单元，用于根据所述订单信息和所述配送运力的信息提取特征信息；
估计单元，用于基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
第四方面，本发明实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
获取目标订单的订单信息，所述订单信息包括所述订单的取单位置信息；
获取所述取单位置所在范围内的至少一个配送运力的信息；
根据所述订单信息和所述配送运力的信息提取特征信息；
基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
本发明实施例根据获取目标订单的订单信息获取目标订单取单位置信息，并获取取单位置所在范围内的至少一个配送运力的信息，从而根据目标订单的订单信息、至少一个配送运力的信息和根据分裂阈值训练获得的模型估计目标订单的订单时长。分裂阈值能够在训练过程中有效降低分类模型的复杂度和消耗时间，使得训练获得的模型能够快速且准确地对目标订单的订单时长进行估计，从而在后续根据为预测订单的配送难度提供较为准确的数据支持。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明第一实施例的订单时长的估计方法的流程图；
图2是本发明第一实施例的一个可选的实现方式中提取特征信息的流程图；
图3是本发明第一实施例的另一个可选的实现方式中获取时长估计模型的流程图；
图4是本发明实施例的部分节点的示意图；
图5是本发明第一实施例的订单时长的估计方法的数据流程图；
图6是本发明第二实施例的订单时长的估计装置的示意图；
图7是本发明第三实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明公开进行描述，但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
对于电商平台或物流公司而言，需要预测订单的配送难度，以确定订单的分配方式。订单时长(例如，订单的接起时长、取单时长等)能够较客观地反映订单的配送难度，以订单的接起时长为例，订单的接起时长越长，表示配送运力(主要为配送人员)配送订单的意愿越低，说明订单的配送难度越高；订单的接起时长越短，表示配送运力配送订单的意愿越高，说明订单的配送难度越低。因此可以预先对订单的订单时长进行较为准确的估计，从而在后续根据为预测订单的配送难度提供较为准确的数据支持。
在本发明实施例中，以订单时长为订单的接起时长为例进行说明。但是本领域技术人员容易理解，在订单时长为取单时长、接单时长等时，同样适用于本发明实施例的方法。
图1是本发明第一实施例的订单时长的估计方法的流程图。如图1所示，本实施例的方法包括如下步骤：
步骤S101，获取目标订单的订单信息。
其中，目标订单信息包括目标订单的取单位置信息。优选地，订单信息还可以包括目标订单对应的第一实体(也即，商户)信息和第二实体(也即，用户)信息。例如，第一实体信息还可以包括配送运力对于第一实体的配送评价等，第二实体信息可以包括送单位置信息等。配送运力对于第一实体的配送评价能够用于反映大部分配送运力配送该第一实体的订单(包括目标订单)的意愿，若配送评价较高则通常该第一实体的订单的配送难度较低，若配送评价较低则通常该第一实体的订单的配送难度较高。
容易理解，目标订单对应的第一实体信息包括目标订单的取单位置信息。
步骤S102，获取取单位置所在范围内的至少一个配送运力的信息。
具体地，可以获取当前位置在目标订单的取单位置所在范围内的至少一个配送运力的信息。其中，配送运力的信息可以包括配送运力的位置信息、配送运力的当前背单数量(也即，当前待配送的订单数量)、配送运力的属性信息，例如配送能力等级等。当前背单数量能够反映配送运力的接单意愿，在当前背单数量较高时，配送运力承担目标订单的意愿通常较低；在当前背单数量较低时，配送运力承担目标订单的意愿通常较高。配送运力的配送能力等级也能够反映配送运力的接单意愿，通常配送能力等级较高的配送运力说明对配送区域较为熟悉，具有较高的承担目标订单的意愿。
容易理解，取单位置所在范围的大小可以根据实际需求进行设定，且不同取单位置的所在范围的大小可以不同。
步骤S103，根据订单信息和配送运力的信息提取特征信息。
图2是本发明第一实施例的一个可选的实现方式中提取特征信息的流程图。如图2所示，在本实施例的一个可选的实现方式中，步骤S103可以包括如下步骤：
步骤S201，获取订单信息对应的日期相关信息。
其中，日期相关信息包括日期和对应的天气，天气同样能够影响配送运力的接单意愿。可选地，日期相关信息还可以包括日期对应的节假日标识(也即，是否为节假日)。优选地，可以获取同一天内不同时间段对应的天气，由此可以在后续提升订单时长的估计的准确性。可选地，时间段长度可以根据实际需求设定，如1小时、0.5小时等。
步骤S202，按预定的降维方式对订单信息、配送运力的信息和日期相关信息进行降维，将降维后的信息确定为特征信息。
可选地，可以对订单信息、配送运力的信息和日期相关信息进行扩展，获取扩展信息，例如，可以根据目标订单的取单位置信息和配送运力的位置信息获取配送运力与目标订单对应的第一实体的距离，根据目标订单的取单位置信息和送单位置信息获取目标订单对应的第一实体与第二实体的距离，获取目标订单待分配的时间所在的时间段，并获取该时间段对应的天气，然后按预定的降维方式对订单信息、配送运力的信息、扩展信息和日期相关信息进行降维(也即，降低维度)，以去除对订单时长影响较小的信息(包括第一实体信息、第二实体信息、历史配送运力的信息、天气、节假日标识等)，由此可以降低目标订单的订单时长的估计的计算量和消耗时间。然后将降维后的上述信息作为特征信息，由此可以在后续进一步提升订单时间的估计的准确性。
其中，降维方式可以根据目标订单对应的第一实体集合历史订单信息预先确定。其中第一实体集合至少包括作为目标订单提供方的第一实体，还可以包括与作为目标订单提供方的第一实体满足预定关系的至少一个其他第一实体。预定关系可以为类型相同和/或位置在相同范围(例如，同一配送区单元)内。历史订单信息包括各历史订单对应的历史订单时长，还可以包括各历史订单对应的历史配送运力的信息、日期相关信息和根据历史订单信息、各历史订单对应的历史配送运力的信息、日期相关信息获得的历史扩展信息。
可选地，也可以不获取扩展信息，按预定的降维方式对订单信息、各历史订单对应的历史配送运力的信息和日期相关信息进行降维，将降维后的信息确定为特征信息。
在上述可选的方式中，降维方式可以为根据历史订单信息中的各项信息(例如，各历史订单对应的第一实体信息、第二实体信息和历史配送运力的信息，各历史订单的配送日期对应的天气和节假日标识等)与历史订单时长的相关度获取的词表，特征信息可以为根据词表获取的目标订单的订单信息和配送运力的信息(以及扩展信息)对应的值构成的词向量。
容易理解，每个历史订单对应一个历史订单时长，且在计算历史订单信息中的各项信息与历史订单时长的相关度时，各项信息中不包括历史订单时长。
可选地，可以预先确定天气与数值的对应关系，例如，天气晴对应的数值为1，天气风对应的数值为3。还可以获取节假日标识与数值的对应关系，例如，节假日对应的数值为1，非节假日对应的数值为0。由此，可以根据词表、天气与数值的对应关系和节假日标识与数值的对应关系将目标订单的各项信息转化为用于表征目标订单的特征信息的词向量。
例如，目标订单对应的第一实体为商户1，商户1的历史订单信息包括商户1的评分、商户1对应的多个历史订单的历史配送运力的配送能力等级、各历史订单的配送日期对应的天气和节假日标识，通过计算与历史订单时长的相关度对历史订单信息进行降维后，获得的降维后的历史订单信息包括商户1的评分、各历史订单的配送日期对应的天气和节假日标识，则降维方式可以为商户1的评分、天气和是否节假日标识构成的词表。根据词表获取的目标订单的信息商户1的评分为4.7，天气为晴，节假日标识为是，则目标订单对应的特征信息可以为(4.7，1,1)。
步骤S104，基于预先训练的时长估计模型，根据特征信息估计目标订单的订单时长。
在本实施例中，时长估计模型为根据分裂阈值训练获得的树模型。具体地，为XGboost模型。XGBoost模型是提升树模型的一种，具有轻量级、可扩展、分布式的特点，能够进行准确性较高的回归预测。具体地，在本实施例中，将目标订单的特征信息输入时长估计模型后，可以获取对应的订单时长，由此对目标订单的订单时长进行较为准确的估计。同时，分裂阈值用于降低分类模型的复杂度，从而降低了估计方法的消耗时间，使得本实施例的方法能够快速且准确地对目标订单的订单时长进行估计。
图3是本发明第一实施例的另一个可选的实现方式中获取时长估计模型的流程图。如图3所示，在本实施例的另一个可选的实现方式中，时长估计模型通过如下步骤获取：
步骤S301，获取初始分类模型。
在本实施例中，初始分类模型为XGboost模型。
步骤S302，获取初始分类模型的分裂阈值。
具体地，分裂阈值γ可以根据实际需求进行设定。同时，若γ设定得不合理，会导致后续分类模型的预测结果不理想，因此可以在分类模型的训练过程中对分裂阈值γ进行调整。
容易理解，步骤S302和步骤S301可以同时执行，也可以先后执行，不必区分执行顺序。
步骤S303，根据目标订单对应的第一实体集合的历史订单信息获取样本集合。
其中，历史订单信息包括各历史订单对应的历史订单时长，也可以包括各历史订单对应的历史配送运力的信息、第一实体信息和第二实体信息、日期相关信息和根据各历史订单对应的历史配送运力的信息以及日期相关信息获得的历史扩展信息。具体地，历史订单信息可以包括历史订单的取单位置、配送运力对于第一实体的配送评价、送单位置信息、配送运力的历史位置信息、配送运力的历史背单数量、历史配送能力等级配送日期、对应的天气和节假日标识等，进一步地，可以包括各历史订单对应的配送日期的不同时间段对应的天气。获取历史扩展信息的方式与获取目标订单的扩展信息的方式相似，在此不再赘述。
可选地，可以根据历史订单信息中的各项信息与历史订单时长的相关度进行降维，获取降维后的历史订单信息和预定的降维方式。具体地，可以计算历史订单信息中的各项信息与历史订单时长的相关系数。相关系数越大，历史订单信息中的信息与历史订单时长的相关性越高，对历史订单时长的影响越大。并将相关系数的绝对值大于第一阈值的历史订单信息中的信息作为降维后的历史订单信息。
相关系数可以根据如下公式计算:
其中，x为历史订单时长，yi为历史订单信息中的第i个信息，ρ(x,yi)为位置历史订单时长x与历史订单信息中的第i个信息yi的相关系数，cov(x,yi)为历史订单时长x与历史订单信息中的第i个信息yi的协方差，Dx为历史订单时长的方差，Dyi为历史订单信息中的第i个信息的方差。后续可以将每个降维后的历史订单信息转化为词向量，与对应的历史订单时长作为样本集合中的一个样本，并根据降维后的历史订单信息确定词表，从而作为预定的降维方式。
可选地，也可以计算历史订单信息中的各项信息与历史订单时长的协方差，并将协方差大于第二阈值的历史订单信息中的信息作为降维后的历史订单信息。后续同样可以将每个降维后的历史订单信息转化为词向量，与对应的历史订单时长作为样本集合中的一个样本，并根据降维后的历史订单信息确定词表，从而作为预定的降维方式。
容易理解，第一阈值和第二阈值可以根据实际需求设定，且第一阈值和第二阈值可以相同，也可以不同。具体地，若需要在后续进一步提升目标订单的订单时长的估计的准确性，可以将第一阈值和第二阈值设定得较小；若需要在后续进一步降低分类模型的复杂度和消耗时间，可以将第一阈值和第二阈值设定得较大。
步骤S304，根据样本集合、分裂阈值和初始分类模型获取时长估计模型。
在本步骤中，可以将降维后的每个历史订单的历史订单信息作为XGboost模型的输入，并将对应的历史订单时长作为XGboost模型的输出，同时根据分裂阈值获取时长估计模型。
XGBoost模型通过构造目标函数获取预测结果(在本实施例中，也即，订单时长)。具体地，XGBoost的目标函数可以根据如下公式计算：
Obj＝l(yi,y′i)+Ω(fk)
其中，Obj为目标函数，l(yi,yi’)为损失函数，Ω(fk)为正则化项。其中，损失函数可以根据如下公式计算：
其中，yi为样本集合中第i个样本的分类结果的准确值，yi’为样本集合中第i个样本的分类结果的预测值。yi’可以根据如下公式计算：
其中，F为所有可能的提升树集合，fk为第k个提升树。
正则化项Ω(fk)可以为L1正则化项也可以为L2正则化项。具体地，正则化项Ω(fk)可以根据如下公式计算：
其中，γ为xgboost的分裂阈值，λ为预定参数，γ和λ的取值越大，提升树的结构越简单，T为提升树的叶子结点的数量，ωj为第j个叶子结点的权值。
对目标函数进行泰勒展开并将目标函数简化后，可以获取优化的目标函数为：
其中，
其中，为样本集合中第i个样本在损失函数下的一阶导数，为样本集合中第i个样本在损失函数下的二阶导数，m为泰勒展开的阶数，可以根据需求预先进行设定，Ij为第j个叶子结点上的样本的子集合。
优选地，由于xgboost的参数数量较多，因此对于其中较为重要的参数，包括eta、max_depth和num_class，可以通过网格搜索的方法进行确定。设定参数eta、max_depth和num_class的阈值可以降低计算量，同时提升估计的准确性。网格搜索是一种遍历的方式，通过遍历参数阈值的所有可能取值(或形式)挑选出准确度最高的组合。以eta为例，eta的取值通常在[0.01,0.2]，因此eta的取值可以为0.01,0.02，0.03，0.04，…，0.2等。可选地，参数max_depth还可以被替换为参数max_leaf_nodes。
优选地，可以根据分裂阈值获取样本集合在初始分类模型的各节点的分裂评分，并根据分裂评分确定各节点的分裂状态，从而获取时长估计模型。
其中，分裂评分用于防止时长估计模型过度分裂，降低时长估计模型的复杂度和消耗时间。具体地，分裂评分可以根据如下公式计算：
其中，gain为分裂评分，GL为同一节点的左子节点的样本在损失函数下的一阶导数的和，GR为同一节点的右子节点的样本在损失函数下的一阶导数的和，HL为同一节点的左子节点的样本在损失函数下的二阶导数的和，HR为同一节点的右子节点的样本在损失函数下的二阶导数的和。容易理解，任一节点的相邻下一层级的左侧节点为该节点的左子节点，任一节点的相邻下一层级的右侧节点为该节点的右子节点。
图4是本发明实施例的部分节点的示意图。如图4所示，41为预定节点，42为41的左子节点，43为41的右子节点。左子节点42中存储的样本子集合I1包括样本S1，则GL为样本子集合I1中的样本S1在损失函数下的一阶导数，HL为样本子集合I1中的样本S1在损失函数下的二阶导数。右子节点43中存储的样本子集合I2包括样本S2和样本S4，则GR为样本子集合I2中的样本S2和样本S4在损失函数下的一阶导数的和，HR为样本子集合I2中的样本S2和样本S4在损失函数下的二阶导数的和。
在任一节点的分裂评分满足预定条件时，表示损失函数的减小值符合预期，可以确定该节点的分裂状态为分裂；在任一节点的分裂评分不满足预定条件时，表示损失函数的减小值超出预期，确定该节点的分裂状态为不分裂。其中，预定条件可以为分裂评分大于第三阈值。由此可以根据各节点的分裂状态获得时长估计模型，以对目标订单的订单时长进行较为准确地估计。
图5是本发明第一实施例的订单时长的估计方法的数据流程图。参照图1，如图5所示，本实施例的数据流向如下：
步骤S501，获取目标订单的订单信息51。
其中，目标订单信息至少包括目标订单的取单位置信息52。
步骤S502，获取取单位置52所在范围内的至少一个配送运力的信息53。
步骤S503，根据订单信息51和配送运力的信息53提取特征信息54。
具体地，可以获取订单信息51对应的日期相关信息55，并根据订单信息51、配送运力的信息53和日期相关信息55提取特征信息54。
可选地，可以根据预定的降维方式对订单信息51、配送运力的信息53和对应的日期相关信息55降维，并将降维后的订单信息51、配送运力的信息53和日期相关信息55作为特征信息54。
可选地，还可以根据订单信息51、配送运力的信息53和对应的日期相关信息55获取扩展信息56，并根据预定的降维方式对订单信息51、配送运力的信息53、日期相关信息55和扩展信息56降维，从而将降维后的订单信息51、配送运力的信息53、日期相关信息55和扩展信息56作为特征信息54。
其中，预定的降维方式在此不再赘述。
步骤S504，基于预先训练的时长估计模型57，根据特征信息54估计目标订单的订单时长58。
具体地，将目标订单的特征信息54输入时长估计模型57后，可以获得目标订单的订单时长58，由此可以对目标订单的订单时长进行快速且准确地估计。
其中，时长估计模型57及其训练方式在此不再赘述。
本实施例根据获取目标订单的订单信息获取目标订单取单位置信息，并获取取单位置所在范围内的至少一个配送运力的信息，从而根据目标订单的订单信息、至少一个配送运力的信息和根据分裂阈值训练获得的模型估计目标订单的订单时长。分裂阈值能够在训练过程中有效降低分类模型的复杂度和消耗时间，使得训练获得的模型能够快速且准确地对目标订单的订单时长进行估计，从而在后续根据为预测订单的配送难度提供较为准确的数据支持。
图6是本发明第二实施例的订单时长的估计装置的示意图。如图6所示，本实施例的装置包括第一获取单元61、第二获取单元62、提取单元63和估计单元64。
其中，第一获取单元61用于获取目标订单的订单信息，所述订单信息包括所述目标订单的取单位置信息。第二获取单元62用于获取所述取单位置所在范围内的至少一个配送运力的信息。提取单元63用于根据所述订单信息和所述配送运力的信息提取特征信息。估计单元64用于基于时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
进一步地，所述提取单元63包括第一获取子单元631和降维子单元632。
其中，第一获取子单元631用于获取所述订单信息对应的日期相关信息。降维子单元632按预定的降维方式对所述订单信息、所述配送运力的信息和所述日期相关信息进行降维，将降维后的信息确定为所述特征信息，所述降维方式根据目标订单对应的第一实体集合的历史订单信息确定，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体。
进一步地，所述订单信息还包括所述目标订单对应的第一实体信息和第二实体信息；
所述历史订单信息还包括各所述历史订单对应的第一实体信息和第二实体信息。
进一步地，所述降维方式根据历史订单信息中的各项信息与所述历史订单时长的相关度确定。
进一步地，所述日期相关信息包括日期和对应的天气。
进一步地，用于获取所述时长估计模型的模型训练单元65包括第二获取子单元651、第三获取子单元652、第四获取子单元653和第五获取子单元654。
其中，第二获取子单元651用于获取初始分类模型。第三获取子单元652用于获取所述初始分类模型的分裂阈值。第四获取子单元653用于根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体。第五获取子单元654用于根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型。
进一步地，所述第五获取子单元654包括第一获取模块、第一确定模块和第二获取模块。
其中，第一获取模块用于根据所述分裂阈值获取所述样本集合在所述初始分类模型的各节点的分裂评分，第一确定模块用于根据所述分裂评分确定各所述节点的分裂状态。第二获取模块用于根据各所述分裂状态获取所述时长估计模型。
进一步地，所述第一确定模块包括第一确定子模块和第二确定子模块。
其中，第一确定子模块用于响应于所述分裂评分满足预定条件，确定所述分裂状态为分裂。第二确定子模块用于响应于所述分裂评分不满足预定条件，确定所述分裂状态为不分裂。
进一步地，所述时长估计模型为XGBoost模型。
进一步地，所述时长估计模型的参数eta、max_depth和num_class通过遍历的方法确定。
进一步地，所述第四获取子单元653包括降维模块和第二确定模块。
其中，降维模块用于根据所述历史订单时长对所述历史订单信息进行降维，获取降维后的历史订单信息和所述预定的降维方式。第二确定模块用于将所述降维后的历史订单信息和所述历史订单时长确定为所述样本集合。
进一步地，所述降维模块用于根据所述历史订单信息中的各项信息与所述历史订单时长的相关度进行降维，获取所述降维后的历史订单信息和所述预定的降维方式。
进一步地，所述历史订单信息还包括对应的日期相关信息，所述日期相关信息包括日期和对应的天气。
本实施例根据获取目标订单的订单信息获取目标订单取单位置信息，并获取取单位置所在范围内的至少一个配送运力的信息，从而根据目标订单的订单信息、至少一个配送运力的信息和根据分裂阈值训练获得的模型估计目标订单的订单时长。分裂阈值能够在训练过程中有效降低分类模型的复杂度和消耗时间，使得训练获得的模型能够快速且准确地对目标订单的订单时长进行估计，从而在后续根据为预测订单的配送难度提供较为准确的数据支持。
图7是本发明第三实施例的电子设备的示意图。如图7所示，本实施例的电子设备：至少包括一个处理器701；以及，与至少一个处理器701通信连接的存储器702；以及，与扫描装置通信连接的通信组件703，通信组件703在处理器701的控制下接收和发送数据；其中，存储器702存储有可被至少一个处理器701执行的指令，指令被至少一个处理器701执行以实现：
获取目标订单的订单信息，所述订单信息包括所述目标订单的取单位置信息；
获取所述取单位置所在范围内的至少一个配送运力的信息；
根据所述订单信息和所述配送运力的信息提取特征信息；
基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
进一步地，所述根据所述订单信息和所述配送运力的信息提取特征信息包括：
获取所述订单信息对应的日期相关信息；
按预定的降维方式对所述订单信息、所述配送运力的信息和所述日期相关信息进行降维，将降维后的信息确定为所述特征信息，所述降维方式根据目标订单对应的第一实体集合的历史订单信息确定，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体。
进一步地，所述订单信息还包括所述目标订单对应的第一实体信息和第二实体信息；
所述历史订单信息还包括各所述历史订单对应的第一实体信息和第二实体信息。
进一步地，所述降维方式根据历史订单信息中的各项信息与所述历史订单时长的相关度确定。
进一步地，所述日期相关信息包括日期和对应的天气。
进一步地，所述时长估计模型通过如下步骤获取：
获取初始分类模型；
获取所述初始分类模型的分裂阈值；
根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体；
根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型。
进一步地，所述根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型包括：
根据所述分裂阈值获取所述样本集合在所述初始分类模型的各节点的分裂评分；
根据所述分裂评分确定各所述节点的分裂状态；
根据各所述分裂状态获取所述时长估计模型。
进一步地，所述根据所述分裂评分确定各所述节点的分裂状态包括：
响应于所述分裂评分满足预定条件，确定所述分裂状态为分裂；
响应于所述分裂评分不满足预定条件，确定所述分裂状态为不分裂。
进一步地，所述时长估计模型为XGBoost模型。
进一步地，所述时长估计模型的参数eta、max_depth和num_class通过遍历的方法确定。
进一步地，所述根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合包括：
根据所述历史订单时长对所述历史订单信息进行降维，获取降维后的历史订单信息和所述预定的降维方式；
将所述降维后的历史订单信息和所述历史订单时长确定为所述样本集合。
进一步地，所述根据所述订单时长对所述历史订单信息进行降维，获取降维后的历史订单信息和所述预定的降维方式包括：
根据所述历史订单信息中的各项信息与所述历史订单时长的相关度进行降维，获取所述降维后的历史订单信息和所述预定的降维方式。
进一步地，所述历史订单信息还包括对应的日期相关信息，所述日期相关信息包括日期和对应的天气。
具体地，该电子设备包括：一个或多个处理器701以及存储器702，图7中以一个处理器701为例。处理器701、存储器702可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器702作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器701通过运行存储在存储器702中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述订单时长的估计方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器702可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器702中，当被一个或者多个处理器701执行时，执行上述任意方法实施例中的订单时长的估计方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本实施例根据获取目标订单的订单信息获取目标订单取单位置信息，并获取取单位置所在范围内的至少一个配送运力的信息，从而根据目标订单的订单信息、至少一个配送运力的信息和根据分裂阈值训练获得的模型估计目标订单的订单时长。分裂阈值能够在训练过程中有效降低分类模型的复杂度和消耗时间，使得训练获得的模型能够快速且准确地对目标订单的订单时长进行估计，从而在后续根据为预测订单的配送难度提供较为准确的数据支持。
本发明的第四实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开了A1、一种订单时长的估计方法，所述方法包括：
获取目标订单的订单信息，所述订单信息包括所述目标订单的取单位置信息；
获取所述取单位置所在范围内的至少一个配送运力的信息；
根据所述订单信息和所述配送运力的信息提取特征信息；
基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
A2、如A1所述的方法中，所述根据所述订单信息和所述配送运力的信息提取特征信息包括：
获取所述订单信息对应的日期相关信息；
按预定的降维方式对所述订单信息、所述配送运力的信息和所述日期相关信息进行降维，将降维后的信息确定为所述特征信息，所述降维方式根据目标订单对应的第一实体集合的历史订单信息确定，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体。
A3、如A2所述的方法中，所述订单信息还包括所述目标订单对应的第一实体信息和第二实体信息；
所述历史订单信息还包括各所述历史订单对应的第一实体信息和第二实体信息。
A4、如A2所述的方法中，所述降维方式根据历史订单信息中的各项信息与所述历史订单时长的相关度确定。
A5、如A2所述的方法中，所述日期相关信息包括日期和对应的天气。
A6、如A1所述的方法中，所述时长估计模型通过如下步骤获取：
获取初始分类模型；
获取所述初始分类模型的分裂阈值；
根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体；
根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型。
A7、如A6所述的方法中，所述根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型包括：
根据所述分裂阈值获取所述样本集合在所述初始分类模型的各节点的分裂评分；
根据所述分裂评分确定各所述节点的分裂状态；
根据各所述分裂状态获取所述时长估计模型。
A8、如A7所述的方法中，所述根据所述分裂评分确定各所述节点的分裂状态包括：
响应于所述分裂评分满足预定条件，确定所述分裂状态为分裂；
响应于所述分裂评分不满足预定条件，确定所述分裂状态为不分裂。
A9、如A1所述的方法中，所述时长估计模型为XGBoost模型。
A10、如A9所述的方法中，所述时长估计模型的参数eta、max_depth和num_class通过遍历的方法确定。
A11、如A6所述的方法中，所述根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合包括：
根据所述历史订单时长对所述历史订单信息进行降维，获取降维后的历史订单信息和所述预定的降维方式；
将所述降维后的历史订单信息和所述历史订单时长确定为所述样本集合。
A12、如A11所述的方法中，所述根据所述订单时长对所述历史订单信息进行降维，获取降维后的历史订单信息和所述预定的降维方式包括：
根据所述历史订单信息中的各项信息与所述历史订单时长的相关度进行降维，获取所述降维后的历史订单信息和所述预定的降维方式。
A13、如A11所述的方法中，所述历史订单信息还包括各所述历史订单对应的日期相关信息，所述日期相关信息包括日期和对应的天气。
本发明实施例还公开了B1、一种订单时长的估计装置，所述装置包括：
第一获取单元，用于获取目标订单的订单信息，所述订单信息包括所述目标订单的取单位置信息；
第二获取单元，用于获取所述取单位置所在范围内的至少一个配送运力的信息；
提取单元，用于根据所述订单信息和所述配送运力的信息提取特征信息；
估计单元，用于基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
B2、如B1所述的装置中，所述提取单元包括：
第一获取子单元，用于获取所述订单信息对应的日期相关信息；
降维子单元，按预定的降维方式对所述订单信息、所述配送运力的信息和所述日期相关信息进行降维，将降维后的信息确定为所述特征信息，所述降维方式根据目标订单对应的第一实体集合的历史订单信息确定，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体。
B3、如B2所述的装置中，所述订单信息还包括所述目标订单对应的第一实体信息和第二实体信息；
所述历史订单信息还包括各所述历史订单对应的第一实体信息和第二实体信息。
B4、如B2所述的装置中，所述降维方式根据历史订单信息中的各项信息与所述历史订单时长的相关度确定。
B5、如B2所述的装置中，所述日期相关信息包括日期和对应的天气。
B6、如B1所述的装置中，用于获取所述时长估计模型的模型训练单元包括：
第二获取子单元，用于获取初始分类模型；
第三获取子单元，用于获取所述初始分类模型的分裂阈值；
第四获取子单元，用于根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体；
第五获取子单元，用于根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型。
B7、如B6所述的装置中，所述第五获取子单元包括：
第一获取模块，用于根据所述分裂阈值获取所述样本集合在所述初始分类模型的各节点的分裂评分；
第一确定模块，用于根据所述分裂评分确定各所述节点的分裂状态；
第二获取模块，用于根据各所述分裂状态获取所述时长估计模型。
B8、如B7所述的装置中，所述第一确定模块包括：
第一确定子模块，用于响应于所述分裂评分满足预定条件，确定所述分裂状态为分裂；
第二确定子模块，用于响应于所述分裂评分不满足预定条件，确定所述分裂状态为不分裂。
B9、如B1所述的装置中，所述时长估计模型为XGBoost模型。
B10、如B9所述的装置中，所述时长估计模型的参数eta、max_depth和num_class通过遍历的方法确定。
B11、如B6所述的装置中，所述第四获取子单元包括：
降维模块，用于根据所述历史订单时长对所述历史订单信息进行降维，获取降维后的历史订单信息和所述预定的降维方式；
第二确定模块，用于将所述降维后的历史订单信息和所述历史订单时长确定为所述样本集合。
B12、如B11所述的装置中，所述降维模块用于根据所述历史订单信息中的各项信息与所述历史订单时长的相关度进行降维，获取所述降维后的历史订单信息和所述预定的降维方式。
B13、如B11所述的装置中，所述历史订单信息还包括对应的日期相关信息，所述日期相关信息包括日期和对应的天气。
本发明实施例还公开了C1、一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如A1-A13中任一项所述的方法。
本发明实施例还公开了D1、一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
获取目标订单的订单信息，所述订单信息包括所述目标订单的取单位置信息；
获取所述取单位置所在范围内的至少一个配送运力的信息；
根据所述订单信息和所述配送运力的信息提取特征信息；
基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
D2、如D1所述的电子设备中，所述根据所述订单信息和所述配送运力的信息提取特征信息包括：
获取所述订单信息对应的日期相关信息；
按预定的降维方式对所述订单信息、所述配送运力的信息和所述日期相关信息进行降维，将降维后的信息确定为所述特征信息，所述降维方式根据目标订单对应的第一实体集合的历史订单信息确定，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体。
D3、如D2所述的电子设备中，所述订单信息还包括所述目标订单对应的第一实体信息和第二实体信息；
所述历史订单信息还包括各所述历史订单对应的第一实体信息和第二实体信息。
D4、如D2所述的电子设备中，所述降维方式根据历史订单信息中的各项信息与所述历史订单时长的相关度确定。
D5、如D2所述的电子设备中，所述日期相关信息包括日期和对应的天气。
D6、如D1所述的电子设备中，所述时长估计模型通过如下步骤获取：
获取初始分类模型；
获取所述初始分类模型的分裂阈值；
根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体；
根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型。
D7、如D6所述的电子设备中，所述根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型包括：
根据所述分裂阈值获取所述样本集合在所述初始分类模型的各节点的分裂评分；
根据所述分裂评分确定各所述节点的分裂状态；
根据各所述分裂状态获取所述时长估计模型。
D8、如D7所述的电子设备中，所述根据所述分裂评分确定各所述节点的分裂状态包括：
响应于所述分裂评分满足预定条件，确定所述分裂状态为分裂；
响应于所述分裂评分不满足预定条件，确定所述分裂状态为不分裂。
D9、如D1所述的电子设备中，所述时长估计模型为XGBoost模型。
D10、如D9所述的电子设备中，所述时长估计模型的参数eta、max_depth和num_class通过遍历的方法确定。
D11、如D6所述的电子设备中，所述根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合包括：
根据所述历史订单时长对所述历史订单信息进行降维，获取降维后的历史订单信息和所述预定的降维方式；
将所述降维后的历史订单信息和所述历史订单时长确定为所述样本集合。
D12、如D11所述的电子设备中，所述根据所述订单时长对所述历史订单信息进行降维，获取降维后的历史订单信息和所述预定的降维方式包括：
根据所述历史订单信息中的各项信息与所述历史订单时长的相关度进行降维，获取所述降维后的历史订单信息和所述预定的降维方式。
D13、如D11所述的电子设备中，所述历史订单信息还包括对应的日期相关信息，所述日期相关信息包括日期和对应的天气。
本领域的普通技术人员可以理解，上述各实施例是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种订单时长的估计方法，其特征在于，所述方法包括：
获取目标订单的订单信息，所述订单信息包括所述目标订单的取单位置信息；
获取所述取单位置所在范围内的至少一个配送运力的信息；
根据所述订单信息和所述配送运力的信息提取特征信息；
基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述订单信息和所述配送运力的信息提取特征信息包括：
获取所述订单信息对应的日期相关信息；
按预定的降维方式对所述订单信息、所述配送运力的信息和所述日期相关信息进行降维，将降维后的信息确定为所述特征信息，所述降维方式根据目标订单对应的第一实体集合的历史订单信息确定，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体。
3.根据权利要求2所述的方法，其特征在于，所述订单信息还包括所述目标订单对应的第一实体信息和第二实体信息；
所述历史订单信息还包括各所述历史订单对应的第一实体信息和第二实体信息。
4.根据权利要求2所述的方法，其特征在于，所述降维方式根据历史订单信息中的各项信息与所述历史订单时长的相关度确定。
5.根据权利要求2所述的方法，其特征在于，所述日期相关信息包括日期和对应的天气。
6.根据权利要求1所述的方法，其特征在于，所述时长估计模型通过如下步骤获取：
获取初始分类模型；
获取所述初始分类模型的分裂阈值；
根据所述目标订单对应的第一实体集合的历史订单信息获取样本集合，所述历史订单信息包括各历史订单对应的历史订单时长，所述第一实体集合包括作为所述目标订单提供方的第一实体；
根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述样本集合、所述分裂阈值和所述初始分类模型获取所述时长估计模型包括：
根据所述分裂阈值获取所述样本集合在所述初始分类模型的各节点的分裂评分；
根据所述分裂评分确定各所述节点的分裂状态；
根据各所述分裂状态获取所述时长估计模型。
8.一种订单时长的估计装置，其特征在于，所述装置包括：
第一获取单元，用于获取目标订单的订单信息，所述订单信息包括所述目标订单的取单位置信息；
第二获取单元，用于获取所述取单位置所在范围内的至少一个配送运力的信息；
提取单元，用于根据所述订单信息和所述配送运力的信息提取特征信息；
估计单元，用于基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
获取目标订单的订单信息，所述订单信息包括所述目标订单的取单位置信息；
获取所述取单位置所在范围内的至少一个配送运力的信息；
根据所述订单信息和所述配送运力的信息提取特征信息；
基于预先训练的时长估计模型，根据所述特征信息估计所述目标订单的订单时长，所述时长估计模型为根据分裂阈值训练获得的模型。
CN201910395426.4A 2019-05-13 2019-05-13 订单时长的估计方法、估计装置、存储介质和电子设备 Pending CN110110936A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910395426.4A CN110110936A (zh) 2019-05-13 2019-05-13 订单时长的估计方法、估计装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910395426.4A CN110110936A (zh) 2019-05-13 2019-05-13 订单时长的估计方法、估计装置、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN110110936A true CN110110936A (zh) 2019-08-09

Family

ID=67489769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910395426.4A Pending CN110110936A (zh) 2019-05-13 2019-05-13 订单时长的估计方法、估计装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN110110936A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127154A (zh) * 2019-12-24 2020-05-08 拉扎斯网络科技（上海）有限公司 订单处理方法、装置、服务器和非易失性存储介质
CN111445191A (zh) * 2020-03-30 2020-07-24 拉扎斯网络科技（上海）有限公司 一种配送难度的预估方法、装置和存储介质
CN111639807A (zh) * 2020-05-29 2020-09-08 携程计算机技术（上海）有限公司 模型训练的方法、时长预测的方法、系统、设备及介质
CN112258131A (zh) * 2020-11-12 2021-01-22 拉扎斯网络科技（上海）有限公司 路径预测网络训练、订单处理方法及装置
CN112381491A (zh) * 2020-12-07 2021-02-19 拉扎斯网络科技（上海）有限公司 一种配送资源接单时长获得方法、装置、以及电子设备
CN113313439A (zh) * 2020-02-26 2021-08-27 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
CN113570175A (zh) * 2021-09-27 2021-10-29 深圳市玄羽科技有限公司 一种工业精细化工时物量管理平台的建立方法
CN114330797A (zh) * 2020-09-27 2022-04-12 北京三快在线科技有限公司 配送时长预测方法、装置、存储介质和电子设备
CN115009744A (zh) * 2022-06-23 2022-09-06 上海壹佰米网络科技有限公司 一种前置仓货物出仓时长预估方法及装置
CN115009744B (zh) * 2022-06-23 2024-06-04 上海壹佰米网络科技有限公司 一种前置仓货物出仓时长预估方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214550A (zh) * 2018-08-08 2019-01-15 北京三快在线科技有限公司 一种订单分流方法及装置
CN109360042A (zh) * 2018-09-03 2019-02-19 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
CN109639787A (zh) * 2018-12-04 2019-04-16 拉扎斯网络科技（上海）有限公司 位置状态的获取方法、装置、可读存储介质和电子设备
CN109726843A (zh) * 2017-10-30 2019-05-07 阿里巴巴集团控股有限公司 配送数据预测的方法、装置和终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726843A (zh) * 2017-10-30 2019-05-07 阿里巴巴集团控股有限公司 配送数据预测的方法、装置和终端
CN109214550A (zh) * 2018-08-08 2019-01-15 北京三快在线科技有限公司 一种订单分流方法及装置
CN109360042A (zh) * 2018-09-03 2019-02-19 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
CN109639787A (zh) * 2018-12-04 2019-04-16 拉扎斯网络科技（上海）有限公司 位置状态的获取方法、装置、可读存储介质和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张钰等: "Xgboost在滚动轴承故障诊断中的应用", 《噪声与振动控制》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127154A (zh) * 2019-12-24 2020-05-08 拉扎斯网络科技（上海）有限公司 订单处理方法、装置、服务器和非易失性存储介质
CN113313439A (zh) * 2020-02-26 2021-08-27 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
CN113313439B (zh) * 2020-02-26 2024-04-05 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
CN111445191A (zh) * 2020-03-30 2020-07-24 拉扎斯网络科技（上海）有限公司 一种配送难度的预估方法、装置和存储介质
CN111445191B (zh) * 2020-03-30 2024-02-27 拉扎斯网络科技（上海）有限公司 一种配送难度的预估方法、装置和存储介质
CN111639807A (zh) * 2020-05-29 2020-09-08 携程计算机技术（上海）有限公司 模型训练的方法、时长预测的方法、系统、设备及介质
CN114330797A (zh) * 2020-09-27 2022-04-12 北京三快在线科技有限公司 配送时长预测方法、装置、存储介质和电子设备
CN112258131A (zh) * 2020-11-12 2021-01-22 拉扎斯网络科技（上海）有限公司 路径预测网络训练、订单处理方法及装置
CN112381491B (zh) * 2020-12-07 2024-01-19 拉扎斯网络科技（上海）有限公司 一种配送资源接单时长获得方法、装置、以及电子设备
CN112381491A (zh) * 2020-12-07 2021-02-19 拉扎斯网络科技（上海）有限公司 一种配送资源接单时长获得方法、装置、以及电子设备
CN113570175A (zh) * 2021-09-27 2021-10-29 深圳市玄羽科技有限公司 一种工业精细化工时物量管理平台的建立方法
CN113570175B (zh) * 2021-09-27 2022-01-04 深圳市玄羽科技有限公司 一种工业精细化工时物量管理平台的建立方法
CN115009744A (zh) * 2022-06-23 2022-09-06 上海壹佰米网络科技有限公司 一种前置仓货物出仓时长预估方法及装置
CN115009744B (zh) * 2022-06-23 2024-06-04 上海壹佰米网络科技有限公司 一种前置仓货物出仓时长预估方法及装置

Similar Documents

Publication Publication Date Title
CN110110936A (zh) 订单时长的估计方法、估计装置、存储介质和电子设备
CN110400103A (zh) 补货量确定方法、装置、计算机装置及存储介质
CN107688606A (zh) 一种推荐信息的获取方法及装置，电子设备
CN108875007A (zh) 兴趣点的确定方法和装置、存储介质、电子装置
CN105675002A (zh) 一种多途经点导航路线规划方法和系统
CN111582559B (zh) 一种到达时间的预估方法及装置
CN109598368B (zh) 路径决策评估、订单分配方法及装置、电子设备及介质
CN109993367A (zh) 配送时长的估计方法、估计装置、存储介质和电子设备
CN110874670B (zh) 仓储储位配置系统
CN104599002B (zh) 预测订单价值的方法及设备
CN108182524A (zh) 一种订单分配方法及装置、电子设备
CN110262563A (zh) 多无人机协同搜索水上目标的方法
JP6856589B2 (ja) データ処理装置およびデータ処理方法
WO2005059685A2 (en) Method and system for estimating price elasticity of product demand
JP2016540319A5 (zh)
CN107832872A (zh) 用于景区路线的动态规划方法
CN110009155A (zh) 业务区域配送难度的估计方法、装置和电子设备
CN109508917A (zh) 订单分配方法、订单分配装置、存储介质和电子设备
WO2023020255A1 (zh) 数据处理方法、装置、设备及存储介质
CN105989055A (zh) 一种空调环境日程表更新方法
JP2019074988A (ja) 客室料金設定装置、客室料金設定方法、およびプログラム
Yue et al. Product life cycle based demand forecasting by using artificial bee colony algorithm optimized two-stage polynomial fitting
US20220036261A1 (en) Method and system for dynamically predicting vehicle arrival time using a temporal difference learning technique
CN107121661B (zh) 定位方法、装置及系统和服务器
CN112559877A (zh) 基于跨平台异构数据及行为上下文的ctr预估方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190809

RJ01 Rejection of invention patent application after publication