CN110119847B - 一种配送时长的预测方法、装置、存储介质和电子设备 - Google Patents
一种配送时长的预测方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN110119847B CN110119847B CN201910396841.1A CN201910396841A CN110119847B CN 110119847 B CN110119847 B CN 110119847B CN 201910396841 A CN201910396841 A CN 201910396841A CN 110119847 B CN110119847 B CN 110119847B
- Authority
- CN
- China
- Prior art keywords
- similar
- order
- orders
- similarity
- similar historical
- 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
- G06Q10/04—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种配送时长的预测方法、装置、存储介质和电子设备。在本发明实施例中,通过获取与目标订单信息对应的至少一个相似订单集合,并计算相似历史订单集合的实际配送时长的平均值,将所述目标订单信息和该相似历史订单集合的平均配送时长输入到预测模型,以获得所述目标订单的预测配送时长。由于训练所述预测模型过程中,引入相似历史订单集合的实际配送时长的平均值作为输入,能够从更全面的维度预测目标订单的配送时长,从而避免单一维度预测而导致预测的配送时长与实际配送时长偏差较大。由此,能够提高配送时长预测的准确度。
Description
技术领域
本发明涉及订单配送领域,尤其涉及一种配送时长的预测方法、装置、存储介质和电子设备。
背景技术
随着互联网技术的发展,线上到线下(O2O,Online To Offline)业务变得越来越普遍。网上外卖点餐以及网上购物的交易规模也保持较髙的増长速度。然而现有的订单配送的配送时间的预测精度不高。
发明内容
有鉴于此,本发明实施例提供了一种配送时长的预测方法、装置、存储介质和电子设备,能够提高配送时间的预测精度。
第一方面,本发明实施例提供一种配送时长的预测方法,所述方法包括:
获取目标订单信息;
根据所述目标订单信息获取至少一个相似历史订单集合,各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足预设条件;
获取所述相似历史订单集合的平均配送时长,所述平均配送时长为每个相似历史订单集合中历史订单的配送时长的平均值;
将所述目标订单信息和至少一个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长,所述预测模型根据历史订单数据预先训练获得。
优选地,所述根据所述目标订单信息获取至少一个相似历史订单集合包括:
根据所述目标订单信息获取相似历史订单;
获取所述相似历史订单与所述目标订单的相似度;
根据所述相似度和所述预设条件确定至少一个相似历史订单集合。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
将相似度大于第一阈值的相似历史订单确定为第一相似历史订单集合中的订单。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
将相似度大于第二阈值的相似历史订单确定为第二相似历史订单集合中的订单;以及
将相似度大于第三阈值的相似历史订单确定为第三相似历史订单集合中的订单。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前L个相似历史订单确定为第四相似历史订单集合中的订单,其中,L为大于等于1的正整数。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数;以及
将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。
优选地,所述获取所述历史相似历史订单与所述目标订单的相似度包括:
采用余弦相似度、加权余弦相似度以及标准化欧式距离相似度中的至少一种方法计算所述相似历史订单与所述目标订单的相似度。
优选地,所述目标订单信息包括时段、商户标识、配送区域以及天气等级;
根据所述目标订单信息获取相似历史订单包括:
将与所述目标订单的时段、商户标识、配送区域以及天气等级相同的订单确定为所述相似历史订单。
优选地,所述预测模型根据梯度提升树模型预先训练获得。
第二方面,本发明实施例提供一种配送时长的预测装置,所述装置包括:
目标订单获取单元,用于获取目标订单信息;
相似历史订单集合获取单元,用于根据所述目标订单信息获取至少一个相似历史订单集合,各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足预设条件;
平均配送时长获取单元,用于获取所述相似历史订单集合的平均配送时长,所述平均配送时长为每个相似历史订单集合中历史订单的配送时长的平均值;
配送时长预测单元,用于将所述目标订单信息和至少一个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长,所述预测模型根据历史订单数据预先训练获得。
优选地,所述相似历史订单集合获取单元包括:
相似历史订单获取子单元,用于根据所述目标订单信息获取相似历史订单;
相似度获取子单元,用于获取所述相似历史订单与所述目标订单的相似度;
相似历史订单集合获取子单元,用于根据所述相似度和预设条件确定至少一个相似历史订单集合。
优选地,所述相似历史订单集合获取子单元包括:
第一相似历史订单集合获取模块,用于将相似度大于第一阈值的相似历史订单确定为第一相似历史订单集合中的订单。
优选地,所述相似历史订单集合获取子单元包括:
第二相似历史订单集合获取模块,用于将相似度大于第二阈值的相似历史订单确定为第二相似历史订单集合中的订单;以及
第三相似历史订单集合获取模块,用于将相似度大于第三阈值的相似历史订单确定为第三相似历史订单集合中的订单。
优选地,所述相似历史订单集合获取子单元包括:
相似历史订单排序模块,用于根据所述相似度由大到小对所述相似历史订单排序;
第四相似历史订单集合获取模块,用于将所述排序序列中的前L个相似历史订单确定为第四相似历史订单集合中的订单,其中,L为大于等于1的正整数。
优选地,所述相似历史订单集合获取子单元包括:
相似历史订单排序模块,用于根据所述相似度由大到小对所述相似历史订单排序;
第五相似历史订单集合获取模块,用于将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数;以及
第六相似历史订单集合获取模块,用于将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。
优选地,所述相似度获取子单元包括:
相似度确定模块,用于采用余弦相似度、加权余弦相似度以及标准化欧式距离相似度中的至少一种方法计算所述相似历史订单与所述目标订单的相似度。
优选地,所述目标订单信息包括时段、商户标识、配送区域以及天气等级;
所述相似历史订单获取子单元包括:
相似历史订单获取模块,用于将与所述目标订单的时段、商户标识、配送区域以及天气等级相同的订单确定为所述相似历史订单。
优选地,所述预测模型根据梯度提升树模型预先训练获得。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
第四方面,本发明实施例提供一种电子设备,包括存储器和处理器,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如下步骤:
获取目标订单信息;
根据所述目标订单信息获取至少一个相似历史订单集合,各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足预设条件;
获取所述相似历史订单集合的平均配送时长,所述平均配送时长为每个相似历史订单集合中历史订单的配送时长的平均值;
将所述目标订单信息和至少一个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长,所述预测模型根据历史订单数据预先训练获得。
优选地,所述根据所述目标订单信息获取至少一个相似历史订单集合包括:
根据所述目标订单信息获取相似历史订单;
获取所述相似历史订单与所述目标订单的相似度;
根据所述相似度和预设条件确定至少一个相似历史订单集合。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
将相似度大于第一阈值的相似历史订单确定为第一相似历史订单集合中的订单。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
将相似度大于第二阈值的相似历史订单确定为第二相似历史订单集合中的订单;以及
将相似度大于第三阈值的相似历史订单确定为第三相似历史订单集合中的订单。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前L个相似历史订单确定为第四相似历史订单集合中的订单,其中,L为大于等于1的正整数。
优选地,所述根据所述相似度和所述预设确定至少一个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数;以及
将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。
优选地,所述获取所述历史相似历史订单与所述目标订单的相似度包括:
采用余弦相似度、加权余弦相似度以及标准化欧式距离相似度中的至少一种方法计算所述相似历史订单与所述目标订单的相似度。
优选地,所述目标订单信息包括时段、商户标识、配送区域以及天气等级;
根据所述目标订单信息获取相似历史订单包括:
将与所述目标订单的时段、商户标识、配送区域以及天气等级相同的订单确定为所述相似历史订单。
优选地,所述预测模型根据梯度提升树模型预先训练获得。
在本发明实施例中,通过获取与目标订单信息对应的至少一个相似订单集合,并计算相似历史订单集合的实际配送时长的平均值,将所述目标订单信息和该相似历史订单集合的平均配送时长输入到预测模型,以获得所述目标订单的预测配送时长。由于训练所述预测模型过程中,引入相似历史订单集合的实际配送时长的平均值作为输入,能够从更全面的维度预测目标订单的配送时长,从而避免单一维度预测而导致预测的配送时长与实际配送时长偏差较大。由此,能够提高配送时长预测的准确度。
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为本发明第一实施例的配送时长的预测方法流程示意图;
图2是本发明第一实施例的根据所述目标订单信息获取至少一个相似历史订单集合的流程图;
图3是本发明第一实施例的根据历史订单信息训练预测模型的示意图;
图4是本发明第二实施例的配送时长的预测装置示意图;
图5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进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,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。为了避免混淆本发明的实质,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。
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,如何提升对用户的服务质量和提高配送资源的配送效率,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,准确预测配送时长能够有效解决用户、骑手、平台三方存在上述需求的问题
相关技术中,选取历史订单样本进行机器学习模型训练,具体以订单的信息(至少包括时段、商户标识、配送区域、天气等级、配送距离、订单价格、配送压力、待配送订单数量以及商户备餐时长中的一项或多项)作为输入,实际送达花费的时间作为输出,采用线性回归等算法来训练预测模型。然后将目标订单的相关信息输入预测模型,以预计配送时长。然而,现有的预测配送时长的方法的准确度不足。
本发明实施例提供了一种配送时长的预测方法,能够合理预测不同类型订单的预计送达时间,提高预计送达时间的预测准确率。在以下的实施例中,以外卖的配送为例来进行说明,但是,本领域技术人员容易理解,本发明实施例的方案也可以适用于网上超市等不同销售平台,以及快递派送等不同的应用场景。
图1为本发明第一实施例的配送时长的预测方法的流程示意图,如图1所示,本实施例的方法包括如下步骤:
步骤S100,获取目标订单信息。
具体地,所述目标订单为待预测配送时长的订单。所述目标订单信息至少包括:时段、商户标识、配送区域、天气等级、配送距离、订单价格、配送压力、待配送订单数量以及商户备餐时长中的一项或多项。
其中,所述时段是指每天中相同的一个时间段,例如,11:30-12:00。所述商户标识是指客户购买外卖的商户。所述配送区域指商户或用户所在的区域。所述天气等级是根据天气的情况如晴天、雨或雪等来确定配送的难易等级。所述配送压力是配送资源接收的订单总数,和配送资源的配送能力的比值,其中,配送资源可以是外卖配送员,还可以是机器人、无人车等无人配送设备。
步骤S200,根据所述目标订单信息获取至少一个相似历史订单集合。各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足预设条件。
图2是本发明第一实施例的根据所述目标订单信息获取至少一个相似历史订单集合的流程图。如图2所示,所述根据所述目标订单信息获取至少一个相似历史订单集合包括如下步骤:
步骤S201,根据所述目标订单信息获取相似历史订单。
具体地,可以将与所述目标订单的时段、商户标识、配送区域以及天气等级相同的订单确定为所述相似历史订单。
例如,目标订单信息具体为时段在17:00-17:30,商户标识为麦当劳,配送区域在C商圈,天气等级为D级。则,在本步骤,可以将目标订单之前一段时间的(例如,之前两周的),时段在17:00-17:30,商户标识为麦当劳,配送区域在C商圈,天气等级为D级的所有订单确定为相似历史订单。
步骤S202,获取所述相似历史订单与所述目标订单的相似度。
在本步骤,可以通过不同的方法来确定相似历史订单与目标订单之间的相似度。
在一种可选的实现方式中,采用加权余弦相似度法计算所述相似度。可以根据所述相似历史订单与所述目标订单的特征向量的余弦相似度确定所述相似度。
具体地,可以根据如下公式计算获得述相似历史订单与所述目标订单的相似度:
其中,cos_sim为相似度的值,cos_sim越大,说明相似度越高;A是目标订单信息的向量,ai为A的分向量。例如,ai可以是时段、商户标识、配送区域以及天气等级等信息经过归一化处理后的向量。wi可以是预设的分向量ai对应的权重值,对应的,B是相似历史订单信息的向量,bi是B的分向量。wi为预先设定,可以通过预先设定wi,以调整不同的分向量对相似度计算结果的影响的重要程度。
在另一种可选的实现方式中,也可以根据所述相似历史订单与所述目标订单的特征向量的标准化欧式距离确定所述相似度。
具体地,可以根据如下公式计算获得述相似历史订单与所述目标订单的相似度:
其中,dst为欧式距离。ai是目标订单的特征向量的一个分向量;bi是相似历史订单的特征向量的一个分向量。例如,ai可以是时段、商户标识、配送区域以及天气等级等信息经过归一化处理后的向量。wi是对应的分向量的权重值,wi为预先设定,可以通过预先设定wi,以调整不同的分向量对相似度计算结果的影响的重要程度。si为预定标准化系数。
应理解,本发明实施例中分向量ai和bi分别以相似历史订单与所述目标订单对应的时段、商户标识、配送区域以及天气等级等信息获得的向量为例进行说明,但分向量ai和bi不限于上述信息,例如,分向量ai和bi也可以是配送距离、订单价格、配送压力、待配送订单数量以及商户备餐时长等信息。同时,本发明实施例中采用加权余弦相似度或标准欧式化距离计算相似历史订单与所述目标订单的相似度,实际上,也可以采用其他算法计算相似度,例如,曼哈顿距离等。
步骤S203,根据所述相似度和所述预设条件确定至少一个相似历史订单集合。
在本步骤,可以通过不同的方法来确定一个或多个相似历史订单。相应地,所述预设条件可以包括第一预设条件以及第二预设条件等多个不同的预设条件。
在一种可选的实现方式中,可以确定一个相似历史订单集合。
可选地,将相似度大于第一阈值的所述相似历史订单确定为第一相似历史订单集合中的订单。例如,在步骤S202中,采用余弦相似度获得所述相似历史订单与所述目标订单的相似度。相似度的值在0-1范围内,可以将第一阈值设定为0.9,将与目标订单的相似度大于0.9的至少一个相似历史订单确定为相似历史订单集合。在步骤S202中获取到的相似历史订单有100个时,可能有15个相似历史订单的相似度大于0.9,相似历史订单集合中包括15个相似历史订单。
可选地,根据步骤S202中获得的各相似历史订单相似度,将各相似历史订单根据相似度由大到小对所述相似历史订单排序。然后将所述排序序列中的前L个相似历史订单确定为相似历史订单集合中的订单,其中,L为大于等于1的正整数。例如,在步骤S202中获取到的相似历史订单有100个,L的值可以是5,将相似度排序前5个的相似历史订单组合成为相似历史订单集合。
在另一种可选的实现方式中,可以确定两个相似历史订单集合。具体地,两个相似历史订单集合中包括的历史订单的数量不同,以获得两个不同的相似历史订单。与确定一个相似历史订单集合相比,确定两个不同的相似历史订单集合能够进一步增加预测维度,使预测结果更为精确。
可选地,可以分别设定不同的第二阈值和第三阈值,将相似度大于第二阈值的所述相似历史订单确定为第二相似历史订单集合中的订单,将相似度大于第三阈值的所述相似历史订单确定为第三相似历史订单集合中的订单。例如,当相似度的值在0-1范围内,将第二阈值设定为0.95,将第一阈值设定为0.9。将相似度大于0.95的订单确定为第二相似历史订单集合。将相似度大于0.9的订单确定为第三相似历史订单集合。
可选地,根据所述相似度由大到小对所述相似历史订单排序,然后将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数;以及将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。例如,N可以是5,M可以是10。将相似度排序前5个订单确定为第五相似历史订单集合,将相似度排序前10个订单确定为第六相似历史订单集合。
应理解,可以根据需要,确定多个不同的预设条件,获取多个不同的相似历史订单集合。确定相似历史订单集合的预设条件不同,使得相似历史订单集合中的订单的数量不同,能够获得多个不同的相似历史订单集合,进而,从不同的角度确定不同的平均配送时长,有利于提高预测结果的准确度。
例如,预设条件可以为相似度排名在前N位,N为预定整数。同时,可以设定多个不同的N值,以形成不同的预设条件。又例如,预设条件可以为相似度大于预定的相似度阈值。同时,可以设定多个不同的相似度阈值,以形成不同的预设条件。又例如,预设条件还可以为相似度排名大于预定的百分比阈值。同时,可以设定多个不同的百分比阈值,以形成不同的预设条件。
同时,也可以采用不同的方法确定各相似历史订单集合。例如,在获取3个相似历史订单时,将相似度排序前5位的订单确定为第一相似历史订单集合,将相似度大于0.9的订单确定为第二相似历史订单集合,将相似度大于0.95的订单确定为第三相似历史订单集合。但采用不同方法确定的相似历史订单集合也可能获得两个相同的相似历史订单集合。
应理解,本发明实施例以获取1个和2个相似历史订单集合为例进行说明,实际上,相似历史订单集合的数量也可以是其他数量,可以根据需要适当的调整。同时,应理解,在不同的相似历史订单集合中,会有部分相似历史订单重合。例如,相似度排序前5位的订单确定为第一相似历史订单集合,相似度大于0.9的订单确定为第二相似历史订单集合,可能是相似度排序前8位的订单。此时,第一相似历史订单集合和第二相似历史订单集合中有5个相似历史订单是重复的。
步骤S300,获取所述相似历史订单集合的平均配送时长。
其中,所述平均配送时长为每个相似历史订单集合中历史订单的配送时长的平均值。所述历史订单的配送时长为相似历史订单实际配送过程中,从历史订单派发给配送资源到用户收到订单期间的时长。
具体地,将在步骤S200中获取的至少一个相似历史订单集合的实际配送时长分别计算,获取对应的平均配送时长。
步骤S400,将所述目标订单信息和至少一个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长。
其中,所述预测模型根据历史订单数据预先训练获得。具体地,根据梯度提升树模型(Gradient Boosting Decision Tree,GBDT)和所述历史订单数据预先训练所述预测模型。梯度提升树模型是一种迭代的决策树算法,由若干棵决策树组成。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:
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。
进一步地,如图3所示,在构建预测目标订单配送时长的预测模型时,以历史订单实际配送时长作为输出,以与历史订单相似的相似历史订单集合中的订单的平均配送时长、时段、商户标识、配送区域、天气等级、配送距离、订单价格、配送压力、待配送订单数量以及商户备餐时长等信息作为输入,训练所述预测模型。
将步骤S300中获取的至少一个相似历史订单集合的平均配送时长作为一个特征维度,以及将目标订单信息的时段、商户标识、配送区域、天气等级、配送距离、订单价格、配送压力、待配送订单数量以及商户备餐时长等信息作为特征维度,输入所述预测模型,以获得预计配送时长。通过增加相似历史订单集合的平均配送时长的特征维度,能够提高对配送时长的预测精度。进而根据预计配送时长能够更加准确的确定预计送达时间,提升客户的满意度。
在一种可选的实现方式中,首先根据历史订单数据预先训练预测模型。然后获取目标订单信息,根据目标订单信息,获取一个相似历史订单集合。进一步地,将时段、商户标识、配送区域、天气等级与目标订单信息相同的订单确定为相似历史订单。并采用加权余弦相似度的方法获得所述相似历史订单与目标订单的相似度。对各相似历史订单按相似度由高到低依次进行排序,将排序前5个相似历史订单确定为相似历史订单集合,计算相似历史订单集合中各订单的实际配送时长的平均值,最后将相似历史订单集合中各订单的实际配送时长的平均值输入预测模型,同时将配送距离、订单价格、配送压力、待配送订单数量以及商户备餐时长等信息也输入预测模型,以预测目标订单的配送时长。
表1是本发明第一实施例的配送时长预测方法预测结果与实际配送的结果的对比表。如表1所示,第一预测方法为采用余弦相似度法获得相似历史订单与目标订单的相似度,并由此获得相似历史订单的平均配送时长。第二预测方法是采用欧式距离获得相似历史订单与目标订单的相似度,并由此获得相似历史订单的平均配送时长。第三预测方法是常规预测方法获得预测配送时长的结果。其中三种预测方法各采用89个特征数,42221145个样本数据训练预测模型。如表1所示,精确度5表示预测精确确度在5%范围内的订单的比例,精确度可以是实际配送时长和预计配送时长的差值,与实际配送时长的比值。第一预测方法、第二预测方法和第三预测方法的预测精确度在5%内的订单分别是48.931%、48.948%和48.708%。第一预测方法、第二预测方法和第三预测方法的预测精确度在10%内的订单分别是81.754%、81.771%和81.291%。根据第一预测方法、第二预测方法和第三预测方法预测同一订单的预计配送时长,第一预测方法、第二预测方法和第三预测方法的预测结果分别为1809.19s、1810.15s和1801.21s。与实际配送时长1812.81s相比,第一预测方法和第二预测方法更接近实际值。因此,从表1的结果可以看出,第一预测方法和第二预测方法的准确率高于第三预测方法的准确率。
表1
第一预测方法 | 第二预测方法 | 第三预测方法 | |
精确度5(%) | 48.931 | 48.948 | 48.708 |
精确度10(%) | 81.754 | 81.771 | 81.291 |
实际配送时长(s) | 1812.81 | 1812.81 | 1812.81 |
预计配送时长(s) | 1809.19 | 1810.15 | 1801.21 |
在本发明实施例中,通过获取与目标订单信息对应的至少一个相似订单集合,并计算相似历史订单集合的实际配送时长的平均值,将所述目标订单信息和该相似历史订单集合的平均配送时长输入到预测模型,以获得所述目标订单的预测配送时长。由于训练所述预测模型过程中,引入相似历史订单集合的实际配送时长的平均值作为输入,能够从更全面的维度预测目标订单的配送时长,从而避免单一维度预测而导致预测的配送时长与实际配送时长偏差较大。由此,能够提高配送时长预测的准确度。
图4是本发明第二实施例的配送时长预测装置示意图。如图4所示,配送时长的预测装置包括:目标订单获取单元410,相似历史订单集合获取单元420,平均配送时长获取单元430以及配送时长预测单元440。
所述目标订单获取单元410用于获取目标订单信息。
所述相似历史订单集合获取单元420用于根据所述目标订单信息获取至少一个相似历史订单集合,各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足预设条件。
所述相似历史订单集合获取单元包括:相似历史订单获取子单元421,相似度获取子单元422,相似度获取子单元422和相似历史订单集合获取子单元423。
所述相似历史订单获取子单元421用于根据所述目标订单信息获取相似历史订单。
所述相似度获取子单元422用于获取所述相似历史订单与所述目标订单的相似度。
所述相似历史订单集合获取子单元423用于根据所述相似度和预设条件确定至少一个相似历史订单集合。
所述相似历史订单集合获取子单元包括:第一相似历史订单集合获取模块,第二相似历史订单集合获取模块,第三相似历史订单集合获取模块,相似历史订单排序模块,第四相似历史订单集合获取模块,第五相似历史订单集合获取模块以及第六相似历史订单集合获取模块。
所述第一相似历史订单集合获取模块用于将相似度大于第一阈值的所述相似历史订单确定为第一相似历史订单集合中的订单。
所述第二相似历史订单集合获取模块用于将相似度大于第二阈值的所述相似历史订单确定为第二相似历史订单集合中的订单;以及
所述第三相似历史订单集合获取模块用于将相似度大于第三阈值的所述相似历史订单确定为第三相似历史订单集合中的订单。
所述相似历史订单排序模块用于根据所述相似度由大到小对所述相似历史订单排序。
所述第四相似历史订单集合获取模块用于将所述排序序列中的前L个相似历史订单确定为第四相似历史订单集合中的订单,其中,L为大于等于1的正整数。
所述第五相似历史订单集合获取模块用于将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数。
所述第六相似历史订单集合获取模块用于将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。
所述平均配送时长获取单元430用于获取所述相似历史订单集合的平均配送时长。
所述配送时长预测单元440用于将所述目标订单信息和至少一个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长,所述预测模型根据历史订单数据预先训练获得。
具体地,根据梯度提升树模型和所述历史订单数据预先训练所述预测模型。
图5是本发明第三实施例的电子设备的示意图。如图5所示,该电子设备:至少包括一个处理器501;以及,与至少一个处理器501通信连接的存储器502;以及,与扫描装置通信连接的通信组件503,通信组件503在处理器501的控制下接收和发送数据;其中,存储器502存储有可被至少一个处理器501执行的指令,指令被至少一个处理器501执行以实现一种配送时长的预测方法,所述方法包括:
获取目标订单信息;
根据所述目标订单信息获取至少一个相似历史订单集合,各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足预设条件;
获取所述相似历史订单集合的平均配送时长,所述平均配送时长为每个相似历史订单集合中历史订单的配送时长的平均值;
将所述目标订单信息和至少一个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长,所述预测模型根据历史订单数据预先训练获得。
优选地,所述根据所述目标订单信息获取至少一个相似历史订单集合包括:
根据所述目标订单信息获取相似历史订单;
获取所述相似历史订单与所述目标订单的相似度;
根据所述相似度和所述预设条件确定至少一个相似历史订单集合。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
将相似度大于第一阈值的相似历史订单确定为第一相似历史订单集合中的订单。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
将相似度大于第二阈值的相似历史订单确定为第二相似历史订单集合中的订单;以及
将相似度大于第三阈值的相似历史订单确定为第三相似历史订单集合中的订单。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前L个相似历史订单确定为第四相似历史订单集合中的订单,其中,L为大于等于1的正整数。
优选地,所述根据所述相似度和所述预设条件确定至少一个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数;以及
将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。
优选地,所述获取所述历史相似历史订单与所述目标订单的相似度包括:
采用余弦相似度、加权余弦相似度以及标准化欧式距离相似度中的至少一种方法计算所述相似历史订单与所述目标订单的相似度。
优选地,所述目标订单信息包括时段、商户标识、配送区域以及天气等级;
根据所述目标订单信息获取相似历史订单包括:
将与所述目标订单的时段、商户标识、配送区域以及天气等级相同的订单确定为所述相似历史订单。
优选地,所述预测模型根据梯度提升树模型预先训练获得。
可选地,该电子设备包括:一个或多个处理器501以及存储器502,图5中以一个处理器501为例。处理器501、存储器502可以通过总线或者其他方式连接,图5中以通过总线连接为例。存储器502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501通过运行存储在存储器502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,即实现上述配送时长的预测方法。
存储器502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502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。在一些实施方式中,存储器502可选包括相对于处理器501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502中,当被一个或者多个处理器501执行时,执行上述任意方法实施方式中的配送时长的预测方法。
上述产品可执行本申请实施方式所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施方式中详尽描述的技术细节,可参见本申请实施方式所提供的方法。
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。从而具备相应的有益效果。
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。
本领域的普通技术人员可以理解,上述各实施方式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 (22)
1.一种配送时长的预测方法,其特征在于,所述方法包括:
获取目标订单信息;
根据所述目标订单信息获取至少两个相似历史订单集合,各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足不同的预设条件;
获取所述相似历史订单集合的平均配送时长,所述平均配送时长为每个相似历史订单集合中历史订单的配送时长的平均值;
将所述目标订单信息和至少两个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长,所述预测模型根据历史订单数据预先训练获得;
其中,所述根据所述目标订单信息获取至少两个相似历史订单集合包括:
根据所述目标订单信息获取相似历史订单;
获取所述相似历史订单与所述目标订单的相似度;
根据所述相似度和所述预设条件确定至少两个相似历史订单集合;
其中,所述获取所述历史相似历史订单与所述目标订单的相似度包括:
采用余弦相似度、加权余弦相似度以及标准化欧式距离相似度中的至少一种方法计算所述相似历史订单与所述目标订单的相似度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述相似度和所述预设条件确定至少两个相似历史订单集合包括:
将相似度大于第一阈值的相似历史订单确定为第一相似历史订单集合中的订单。
3.根据权利要求1所述的方法,其特征在于,所述根据所述相似度和所述预设条件确定至少两个相似历史订单集合包括:
将相似度大于第二阈值的相似历史订单确定为第二相似历史订单集合中的订单;以及
将相似度大于第三阈值的相似历史订单确定为第三相似历史订单集合中的订单。
4.根据权利要求1所述的方法,其特征在于,所述根据所述相似度和所述预设条件确定至少两个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前L个相似历史订单确定为第四相似历史订单集合中的订单,其中,L为大于等于1的正整数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述相似度和所述预设条件确定至少两个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数;以及
将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。
6.根据权利要求1所述的方法,其特征在于,所述目标订单信息包括时段、商户标识、配送区域以及天气等级;
根据所述目标订单信息获取相似历史订单包括:
将与所述目标订单的时段、商户标识、配送区域以及天气等级相同的订单确定为所述相似历史订单。
7.根据权利要求1所述的方法,其特征在于,所述预测模型根据梯度提升树模型预先训练获得。
8.一种配送时长的预测装置,其特征在于,所述装置包括:
目标订单获取单元,用于获取目标订单信息;
相似历史订单集合获取单元,用于根据所述目标订单信息获取至少两个相似历史订单集合,各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足不同的预设条件;
平均配送时长获取单元,用于获取所述相似历史订单集合的平均配送时长,所述平均配送时长为每个相似历史订单集合中历史订单的配送时长的平均值;
配送时长预测单元,用于将所述目标订单信息和至少两个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长,所述预测模型根据历史订单数据预先训练获得;
其中,所述相似历史订单集合获取单元包括:
相似历史订单获取子单元,用于根据所述目标订单信息获取相似历史订单;
相似度获取子单元,用于获取所述相似历史订单与所述目标订单的相似度;
相似历史订单集合获取子单元,用于根据所述相似度和预设条件确定至少两个相似历史订单集合;
其中,所述相似度获取子单元包括:
相似度确定模块,用于采用余弦相似度、加权余弦相似度以及标准化欧式距离相似度中的至少一种方法计算所述相似历史订单与所述目标订单的相似度。
9.根据权利要求8所述的装置,其特征在于,所述相似历史订单集合获取子单元包括:
第一相似历史订单集合获取模块,用于将相似度大于第一阈值的相似历史订单确定为第一相似历史订单集合中的订单。
10.根据权利要求8所述的装置,其特征在于,所述相似历史订单集合获取子单元包括:
第二相似历史订单集合获取模块,用于将相似度大于第二阈值的相似历史订单确定为第二相似历史订单集合中的订单;以及
第三相似历史订单集合获取模块,用于将相似度大于第三阈值的相似历史订单确定为第三相似历史订单集合中的订单。
11.根据权利要求8所述的装置,其特征在于,所述相似历史订单集合获取子单元包括:
相似历史订单排序模块,用于根据所述相似度由大到小对所述相似历史订单排序;
第四相似历史订单集合获取模块,用于将所述排序序列中的前L个相似历史订单确定为第四相似历史订单集合中的订单,其中,L为大于等于1的正整数。
12.根据权利要求8所述的装置,其特征在于,所述相似历史订单集合获取子单元包括:
相似历史订单排序模块,用于根据所述相似度由大到小对所述相似历史订单排序;
第五相似历史订单集合获取模块,用于将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数;以及
第六相似历史订单集合获取模块,用于将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。
13.根据权利要求8所述的装置,其特征在于,所述目标订单信息包括时段、商户标识、配送区域以及天气等级;
所述相似历史订单获取子单元包括:
相似历史订单获取模块,用于将与所述目标订单的时段、商户标识、配送区域以及天气等级相同的订单确定为所述相似历史订单。
14.根据权利要求8所述的装置,其特征在于,所述预测模型根据梯度提升树模型预先训练获得。
15.一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。
16.一种电子设备,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如下步骤:
获取目标订单信息;
根据所述目标订单信息获取至少两个相似历史订单集合,各所述相似历史订单集合中的历史订单与所述目标订单信息的相似度满足不同的预设条件;
获取所述相似历史订单集合的平均配送时长,所述平均配送时长为每个相似历史订单集合中历史订单的配送时长的平均值;
将所述目标订单信息和至少两个相似历史订单集合的平均配送时长输入到预测模型以获得所述目标订单的预计配送时长,所述预测模型根据历史订单数据预先训练获得;
其中,所述根据所述目标订单信息获取至少两个相似历史订单集合包括:
根据所述目标订单信息获取相似历史订单;
获取所述相似历史订单与所述目标订单的相似度;
根据所述相似度和预设条件确定至少两个相似历史订单集合;
其中,所述获取所述历史相似历史订单与所述目标订单的相似度包括:
采用余弦相似度、加权余弦相似度以及标准化欧式距离相似度中的至少一种方法计算所述相似历史订单与所述目标订单的相似度。
17.根据权利要求16所述的电子设备,其特征在于,所述根据所述相似度和所述预设条件确定至少两个相似历史订单集合包括:
将相似度大于第一阈值的相似历史订单确定为第一相似历史订单集合中的订单。
18.根据权利要求16所述的电子设备,其特征在于,所述根据所述相似度和所述预设条件确定至少两个相似历史订单集合包括:
将相似度大于第二阈值的相似历史订单确定为第二相似历史订单集合中的订单;以及
将相似度大于第三阈值的相似历史订单确定为第三相似历史订单集合中的订单。
19.根据权利要求16所述的电子设备,其特征在于,所述根据所述相似度和所述预设条件确定至少两个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前L个相似历史订单确定为第四相似历史订单集合中的订单,其中,L为大于等于1的正整数。
20.根据权利要求16所述的电子设备,其特征在于,所述根据所述相似度和所述预设条件确定至少两个相似历史订单集合包括:
根据所述相似度由大到小对所述相似历史订单排序;
将所述排序序列中的前N个相似历史订单确定为第五相似历史订单集合中的订单,其中,N为大于等于1的正整数;以及
将所述排序序列中的前M个相似历史订单确定为第六相似历史订单集合中的订单,其中,M为大于等于1的正整数,M不等于N。
21.根据权利要求16所述的电子设备,其特征在于,所述目标订单信息包括时段、商户标识、配送区域以及天气等级;
根据所述目标订单信息获取相似历史订单包括:
将与所述目标订单的时段、商户标识、配送区域以及天气等级相同的订单确定为所述相似历史订单。
22.根据权利要求16所述的电子设备,其特征在于,所述预测模型根据梯度提升树模型预先训练获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910396841.1A CN110119847B (zh) | 2019-05-14 | 2019-05-14 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910396841.1A CN110119847B (zh) | 2019-05-14 | 2019-05-14 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119847A CN110119847A (zh) | 2019-08-13 |
CN110119847B true CN110119847B (zh) | 2021-07-09 |
Family
ID=67522222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910396841.1A Active CN110119847B (zh) | 2019-05-14 | 2019-05-14 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119847B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516872B (zh) * | 2019-08-27 | 2022-10-14 | 拉扎斯网络科技(上海)有限公司 | 一种信息处理方法、装置、存储介质和电子设备 |
CN112541716A (zh) * | 2019-09-20 | 2021-03-23 | 北京三快在线科技有限公司 | 选择待配送任务节点的方法、装置、存储介质和电子设备 |
CN110782129B (zh) * | 2019-09-29 | 2023-11-17 | 中国银联股份有限公司 | 一种业务进度监控方法、装置、系统及计算机可读存储介质 |
US11823250B2 (en) * | 2019-09-30 | 2023-11-21 | EMC IP Holding Company LLC | Data driven estimation of order delivery date |
CN110807545A (zh) * | 2019-10-22 | 2020-02-18 | 北京三快在线科技有限公司 | 任务时长的预估方法、装置、电子设备和存储介质 |
CN110796408A (zh) * | 2019-10-22 | 2020-02-14 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN112862133A (zh) * | 2019-11-12 | 2021-05-28 | 北京三快在线科技有限公司 | 订单处理的方法、装置、可读存储介质及电子设备 |
CN112836914A (zh) * | 2019-11-25 | 2021-05-25 | 北京三快在线科技有限公司 | 订单结构的调整方法、装置、存储介质及电子设备 |
CN111144822A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 出库时长确定方法、装置、计算机设备及存储介质 |
CN113393284A (zh) * | 2020-03-13 | 2021-09-14 | 北京三快在线科技有限公司 | 订单状态提示方法和装置、存储介质和电子设备 |
CN111401818B (zh) * | 2020-04-07 | 2023-09-26 | 上海东普信息科技有限公司 | 快件配送达成率计算方法、装置、设备及存储介质 |
CN111523802B (zh) * | 2020-04-22 | 2023-08-08 | 北京京东振世信息技术有限公司 | 送达时间应答方法、装置、设备及介质 |
CN113762815A (zh) * | 2020-06-05 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 物流配送信息的处理方法、装置、设备及存储介质 |
CN113822455A (zh) * | 2020-06-18 | 2021-12-21 | 拉扎斯网络科技(上海)有限公司 | 一种时间预测方法、装置、服务器及存储介质 |
CN111815050B (zh) * | 2020-07-07 | 2021-05-28 | 北京嘀嘀无限科技发展有限公司 | 模型训练、状态预测方法和装置、电子设备及存储介质 |
CN112183856A (zh) * | 2020-09-27 | 2021-01-05 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
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 |
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 |
CN113298349A (zh) * | 2021-04-25 | 2021-08-24 | 阿里巴巴(中国)有限公司 | 一种订单处理方法、设备及存储介质 |
CN113469462B (zh) * | 2021-07-27 | 2023-05-02 | 拉扎斯网络科技(上海)有限公司 | 订单热度预测及订单分配方法及设备 |
WO2023014290A2 (en) * | 2021-08-03 | 2023-02-09 | Pt Goto Gojek Tokopedia Tbk | Order delivery reallocation and tracking |
CN114372622A (zh) * | 2021-12-29 | 2022-04-19 | 天链(宁夏)数据科技有限公司 | 一种面向混凝土罐车配送的时效预测系统 |
CN115423323B (zh) * | 2022-09-05 | 2023-05-23 | 浙江口碑网络技术有限公司 | 安全管理方法、装置、电子设备及计算机存储介质 |
CN117273473B (zh) * | 2023-03-14 | 2024-04-16 | 深圳市致远科技有限公司 | 基于智能算法的智慧物流数据采集系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451785A (zh) * | 2017-08-17 | 2017-12-08 | 北京小度信息科技有限公司 | 用于输出信息的方法和装置 |
CN108364085A (zh) * | 2018-01-02 | 2018-08-03 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
CN108537365A (zh) * | 2018-03-16 | 2018-09-14 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN2015CH01616A (zh) * | 2015-03-30 | 2015-04-24 | Wipro Ltd |
-
2019
- 2019-05-14 CN CN201910396841.1A patent/CN110119847B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451785A (zh) * | 2017-08-17 | 2017-12-08 | 北京小度信息科技有限公司 | 用于输出信息的方法和装置 |
CN108364085A (zh) * | 2018-01-02 | 2018-08-03 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
CN108537365A (zh) * | 2018-03-16 | 2018-09-14 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110119847A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119847B (zh) | 一种配送时长的预测方法、装置、存储介质和电子设备 | |
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN105468742A (zh) | 恶意订单识别方法及装置 | |
CN110009155B (zh) | 业务区域配送难度的估计方法、装置和电子设备 | |
CN111539780A (zh) | 一种任务处理方法、装置、存储介质和电子设备 | |
CN111523748B (zh) | 案件分配方法、装置及系统 | |
CN103761254A (zh) | 多领域服务主题匹配推荐方法 | |
CN109508917B (zh) | 订单分配方法、订单分配装置、存储介质和电子设备 | |
CN110648161A (zh) | 商业选址的效益评估方法、装置及存储介质 | |
CN111445191B (zh) | 一种配送难度的预估方法、装置和存储介质 | |
CN113554301B (zh) | 一种生产计划排程方法及系统 | |
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 | |
CN110516872B (zh) | 一种信息处理方法、装置、存储介质和电子设备 | |
CN116664053B (zh) | 一种商品库存管理方法 | |
CN107730364A (zh) | 用户识别方法及装置 | |
CN114219497A (zh) | 账户信息确定方法、装置及服务器 | |
CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
CN111445371A (zh) | 运输路线生成方法、装置、计算机设备和存储介质 | |
CN110879752B (zh) | 资源分配方法、装置、可读存储介质和电子设备 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN111651249B (zh) | 任务分配方法、装置、可读存储介质和电子设备 | |
CN115311001A (zh) | 一种基于多重投票算法的预测用户换机倾向的方法及系统 | |
CN116739665A (zh) | 信息投放方法、装置、电子设备及存储介质 | |
CN113689237A (zh) | 待投放媒体资源、媒体资源处理模型的确定方法及装置 | |
CN109308565B (zh) | 人群绩效等级识别方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |