CN110378529B - 一种数据生成的方法、装置、可读存储介质和电子设备 - Google Patents
一种数据生成的方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN110378529B CN110378529B CN201910644930.3A CN201910644930A CN110378529B CN 110378529 B CN110378529 B CN 110378529B CN 201910644930 A CN201910644930 A CN 201910644930A CN 110378529 B CN110378529 B CN 110378529B
- Authority
- CN
- China
- Prior art keywords
- task
- task completion
- time
- historical
- target
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Abstract
本发明实施例公开了一种数据生成的方法、装置、可读存储介质和电子设备。本发明实施例通过确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。通过上述方法,可以提高预测的任务完成时间的准确性,减少任务执行资源的等待时间,提高任务执行资源的利用率。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种数据生成的方法、装置、可读存储介质和电子设备。
背景技术
随着外卖行业的不断发展,外卖平台的用户不断增加,外卖平台的商户接收到的订单也不断增加,在进行订单配送时,订单的出餐时间是影响配送的重要因素,根据出餐时间为订单分配运力资源,出餐时间越准确,运力资源的利用率越高,其中,所述订单也可以称为任务,出餐时间也可以称为任务完成时间,所述运力资源可以称为任务执行资源。
现有技术中,通过回归模型对订单的任务完成时间进行预测,具体的,通过梯度提升决策树(Gradient Boosted Decision Tree,GBDT)构建回归模型,由于训练回归模型时样本筛选的规则较强,会过滤掉一些商户的任务特征数据,训练样本较少且商户覆盖率小,导致使用训练出的回归模型预测任务完成时间时,预测的任务完成时间的准确性较低。
综上所述,如何提高预测的任务完成时间的准确性,是目前需要解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种数据生成的方法、装置、可读存储介质和电子设备,能够提高预测的任务完成时间的准确性,并且可以通过调节任务完成阈值,灵活的预测任务完成时间。
第一方面,本发明实施例提供了一种数据生成的方法,该方法包括:确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
优选地,该方法还包括:按照所述任务完成时间,发送任务指派指令,其中,所述任务指派指令用于通知任务执行资源承接所述目标任务。
优选地,所述获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间,具体包括:根据所述配送压力数据确定任务完成阈值;响应于所述任务完成概率首次大于所述任务完成阈值,将首次大于所述任务完成阈值的所述任务完成概率作为目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
优选地,所述配送压力数据包括压力系数和/或可用任务执行资源数量,所述根据所述配送压力数据确定任务完成阈值,包括:响应于所述压力系数大于或等于第一设定值、或者所述可用任务执行资源数量小于第二设定值,增大所述任务完成阈值;或者,响应于所述压力系数小于第一设定值、或者所述可用任务执行资源数量大于或等于于第二设定值,增大所述任务完成阈值。
优选地,所述任务完成概率预测模型通过如下步骤训练获得:获取历史任务特征数据,其中,所述历史任务特征数据包括所述历史任务的历史任务生成时间以及历史任务完成时间;根据历史任务特征数据确定样本数据,其中,所述样本数据包括正样本与负样本,所述历史任务完成时间对应的时间点为正样本,所述历史任务完成时间之前的各时间点均为负样本;根据所述样本数据与所述历史任务生成时间、所述历史任务完成时间以及历史配送压力数据训练所述任务完成概率预测模型。
优选地,所述任务完成概率预测模型为分类模型,所述分类模型包括xgboost模型。
第二方面,本发明实施例提供了一种数据生成的装置,该装置包括:确定单元,用于确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;预测单元,用于根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;处理单元,用于获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
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,所述计算机程序指令在被处理器执行时实现如第一方面或第一方面任一种可能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,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:确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间
优选地,所述处理器还执行如下步骤:按照所述任务完成时间,发送任务指派指令,其中,所述任务指派指令用于通知任务执行资源承接所述目标任务。
优选地,所述处理器具体还执行如下步骤:根据所述配送压力数据确定任务完成阈值;响应于所述任务完成概率首次大于所述任务完成阈值,将首次大于所述任务完成阈值的所述任务完成概率作为目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
优选地,所述配送压力数据包括压力系数和可用任务执行资源数量,所述处理器具体执行如下步骤:响应于所述压力系数大于或等于第一设定值、或者所述可用任务执行资源数量小于第二设定值,增大所述任务完成阈值;或者,响应于所述压力系数小于第一设定值、或者所述可用任务执行资源数量大于或等于于第二设定值,增大所述任务完成阈值。
优选地,所述任务完成概率预测模型通过如下步骤训练获得:获取历史任务特征数据,其中,所述历史任务特征数据包括所述历史任务的历史任务生成时间以及历史任务完成时间;根据历史任务特征数据确定样本数据,其中,所述样本数据包括正样本与负样本,所述历史任务完成时间对应的时间点为正样本,所述历史任务完成时间之前的各时间点均为负样本;根据所述样本数据与所述历史任务生成时间、所述历史任务完成时间以及历史配送压力数据训练所述任务完成概率预测模型。
优选地,所述任务完成概率预测模型为分类模型,所述分类模型包括xgboost模型。
本发明实施例通过确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。通过上述方法,采用预先训练的任务完成预测模型可以准确的预测的任务完成时间,然后通知任务执行资源承接任务,减少任务执行资源的等待时间,进而提高任务执行资源的利用率。
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一种数据生成的方法的流程图;
图2是本发明第一实施例的另一种数据生成的方法的流程图;
图3是本发明第一实施例的生成任务完成概率预测模型的流程图;
图4是本发明第二实施例的应用场景图;
图5是本发明第三实施例的一种数据生成的装置的示意图;
图6是本发明第四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。
通常系统在进行任务分配时,需要参考的重要因素之一为任务的任务完成时间,然后根据任务完成时间为任务分配任务执行资源,因此任务完成时间预测的越准确,任务执行资源的利用率越高,现有技术中采用梯度提升决策树构建的回归模型进行任务完成时间预测,由于训练回归模型时样本筛选的规则较强,会过滤掉了一些商户的任务特征数据,只能选择任务执行资源到店等待的任务特征数据,因此训练样本较少,且商户覆盖率小,导致使用训练出的回归模型预测任务完成时间时,预测的任务完成时间的准确性较低。因此,如何提高预测的任务完成时间的准确性,是目前需要解决的问题。
图1是本发明第一实施例的一种数据生成的方法的流程图。如图1所示,具体包括如下步骤:
步骤S100、确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间。
例如,目标任务可以为订单,所述目标任务的任务生成时间为商户承接订单的时间,例如2019年6月10日12点25分,从商户承接订单的时刻开始进行订单处理,商户对订单处理完成的时间称为任务完成时间,任务完成后骑手可以对订单进行配送,其中,所述骑手还可以称为任务执行资源,所述商户还可以称为对象,本发明对其不做限定。另外,任务执行资源还可以包括机器人、无人车等智能移动设备。
步骤S101、根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率。
具体的,所述任务完成概率预测模型为分类模型,所述分类模型包括极端的梯度增加(eXtreme Gradient Boosting,xgboost)模型。
步骤S102、获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
例如,第30分钟时,目标任务完成的概率为0.84,则将第30分钟确定为任务完成时间,确定出任务完成时间后立即可以分配目标任务。
具体的,所述配送压力数据包括压力系数和可用任务执行资源数量,获取所述对象的压力系数,根据所述压力系数确定任务完成阈值,将首次大于所述任务完成阈值的所述任务完成概率作为目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
其中,所述压力系数为所述对象在接收到所述目标任务之前未配送的任务数量,对象在接收到所述目标任务A之前未配送的订单数量为10,未配送的订单数量较多,压力系数较大;若接收到所述目标任务A之前未配送的订单数量为2,未配送的订单数量较少,压力系数较小,其中,所述对象可以为商户,本发明实施例中,所述压力系数还可以与正在准备的餐品数量以及线下排队的数量相关,对此不再赘述。
举例说明,根据所述任务完成概率预测模型预测目标任务A从任务生成时间起至60分钟内中每分钟的任务完成概率,其中,所述60分钟为设定时间,在设定时间内选择其中10个时间点为例,其中,第1分钟的任务完成概率为0,第2分钟的任务完成概率为0,第15分钟的任务完成概率为0.3,第23分钟的任务完成概率为0.66,第30分钟的任务完成概率为0.8,第31分钟的任务完成概率为0.84,第38分钟的任务完成概率为1,第41分钟的任务完成概率为0.86第51分钟的任务完成概率为0.2。
本发明实施例中,在获取任务完成概率时也可以半分钟取值一次,确定每半分钟的任务完成概率,时间间隔越短,获取任务完成概率的数值越密集,确定出的任务完成概率也约准确。
本发明实施例中,根据所述压力系数确定任务完成阈值,例如,任务完成阈值为0.8,在上述具体实施例中,第30分钟的取餐概率为0.8,而第31分钟的取餐概率为0.84,即第31分钟时的目标任务完成概率为首次大于任务完成阈值0.8,因此将目标任务完成概率0.84对应的时间点,第31分钟确定为任务完成时间。
本发明实施例中,还可以根据配送压力系数和/或者所述可用任务执行资源数量调整任务完成阈值,当配送压力系数较大,即对象在接收到所述目标任务之前未配送的任务数量较多,或者剩余的所述目标任务的可用任务执行资源数量较少时,可以设置较大的任务完成阈值,进而选择较大的目标任务完成概率对应的任务完成时间,提高目标任务分配的效率。例如,第30分钟时目标任务完成概率为0.8,第35分钟时目标任务完成概率为0.95,当配送压力系数较大时,提高任务完成阈值可以减少任务执行资源等待的时间;当对象配送压力系数较小,即对象在接收到所述目标任务之前未配送的任务数量较少,或者剩余的所述对象的可用任务执行资源数量较多时,可以设置较小的任务完成阈值,进而可以选择较小的目标任务完成对应的任务完成时间,例如,第30分钟时目标任务完成概率为0.8,第35分钟时目标任务完成概率为0.95,虽然第30分钟的目标任务完成概率小于第35分钟,但很大可能会在第30分钟时完成任务,当可用任务执行资源数量较多时,任务执行资源可以延长一些等待的时间,也可以给任务执行资源一个时间缓冲;可以给任务执行资源一个缓存的时间,使任务执行资源可以灵活调配时间。
本发明实施例中,选择适当的任务完成阈值时,分类模型确定出的任务完成时间的平均绝对误差(mean absolute error,MAE)较小,预测准确率较高,例如,在某一任务完成阈值时确定的xgboost模型预测的任务完成时间的与现有技术中相比,MAE降低了12s,准确率提升了2%左右,上述实施例仅仅为一个具体举例,实际数值根据实际情况确定,本发明对其不做限定。较佳的,目标任务完成概率为0.6时,任务完成时间的MAE最小,预测准确度最高。并且还可以根据目标任务完成概率判断对象是否出餐异常,供任务执行资源上报对象出餐慢时使用。
本发明实施例中,所述接收目标任务的对象对应一个运力团队,所述运力团队中包括多个任务执行资源。
图2是本发明第一实施例的另一种数据生成的方法的流程图。如图2所示,步骤S102之后还包括:
步骤S103、按照所述任务完成时间,发送任务指派指令,其中,所述任务指派指令用于通知任务执行资源承接所述目标任务。
具体的,确定任务完成时间后,按照所述任务完成时间向对象的任务执行资源或其它任务执行资源发送任务指派指令,通知任务执行资源承接所述目标任务。
图3是本发明第一实施例的一种生成任务完成概率预测模型的流程图。如图3所示,具体所述任务完成概率预测模型通过如下步骤训练获得:
步骤S300、获取历史任务特征数据,其中,所述历史任务特征数据包括所述历史任务的历史任务生成时间以及历史任务完成时间。
步骤S301、根据历史任务特征数据确定样本数据,其中,所述样本数据包括正样本与负样本,所述历史任务完成时间对应的时间点为正样本,所述历史任务完成时间之前的各时间点均为负样本。
本发明实施例中,每个历史任务特征数据都可以生成多个负样本与一个正样本。具体的,任务完成时间的时间点为正样本,对象接收目标订任务的历史任务生成时间到任务完成时间之间的各时间点为负样本,其中,正样本的值可以用1表示,负样本的值可以用0表示,因此,每个历史任务都会生成多个负样本与一个正样本。例如,目标任务B的任务完成时间为第10分钟,则第10分钟为正样本,在第1、2、3、4、5、6、7、8、9分钟,为9个负样本。本发明实施例中,所述任务完成时间也可以称为取餐时间,采用上述采用方式,不受样本筛选规则的限制,无论任务执行资源是否到店等待都可以构建训练样本,采样的样本较多,商户覆盖率大,训练出的任务完成概率预测模型准确率更高。
步骤S302、根据所述样本数据与所述历史任务生成时间、所述历史任务完成时间以及历史配送压力数据训练所述任务完成概率预测模型。
具体的,根据上述数据训练xgboost模型作为任务完成概率预测模型。
图4是本发明第二实施例的应用场景图,包括用户终端、任务执行资源终端、目标商户终端和服务器,具体的,当用户终端下单后,发送目标任务的任务特征数据至服务器,所述任务特征数据包括任务生成时间,服务器接收到任务特征数据后,根据预先存储的目标任务的对象的配送压力系数和可用任务执行资源数量,以及接收到的任务生成时间,为所述目标任务计算任务完成时间,将任务完成时间发送给对象终端;或者,服务器将接收到的任务特征数据转发给所述对象终端,对象终端根据自身的配送压力系数和可用任务执行资源数量计算任务完成时间;确定任务完成时间后,向任务执行资源终端发送任务指派指令,通知任务执行资源承接所述目标任务。本发明实施例中通过确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。通过上述方法,采用预先训练的任务完成概率预测模型可以准确的预测的任务完成时间,然后通知任务执行资源接单,减少任务执行资源的等待时间,进而提高任务执行资源的利用率。
图5是本发明第三实施例的数据生成的装置的示意图。如图5所示,本实施例的装置包括确定单元51、预测单元52和处理单元53。
其中,确定单元51,用于确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;预测单元52,用于根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;处理单元53,用于获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
进一步地,该装置还包括:发送单元54,用于按照所述任务完成时间,发送任务指派指令,其中,所述任务指派指令用于通知任务执行资源承接所述目标任务。
进一步地,所述处理单元具体包括:根据所述配送压力数据确定任务完成阈值;响应于所述任务完成概率首次大于所述任务完成阈值,将首次大于所述任务完成阈值的所述任务完成概率作为目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
进一步地,所述配送压力数据包括压力系数和可用任务执行资源数量,所述处理单元具体用于:响应于所述压力系数大于或等于第一设定值、或者所述可用任务执行资源数量小于第二设定值,增大所述任务完成阈值;或者,响应于所述压力系数小于第一设定值、或者所述可用任务执行资源数量大于或等于于第二设定值,增大所述任务完成阈值。
进一步地,所述任务完成概率预测模型通过如下步骤训练获得:获取历史任务特征数据,其中,所述历史任务特征数据包括所述历史任务的历史任务生成时间以及历史任务完成时间;根据历史任务特征数据确定样本数据,其中,所述样本数据包括正样本与负样本,所述历史任务完成时间对应的时间点为正样本,所述历史任务完成时间之前的各时间点均为负样本;根据所述样本数据与所述历史任务生成时间、所述历史任务完成时间以及历史配送压力数据训练所述任务完成概率预测模型。
进一步地,所述任务完成概率预测模型为分类模型,所述分类模型包括xgboost模型。
图6是本发明第四实施例的电子设备的示意图。在本实施例中,电子设备为服务器。应理解,还可以为其他电子设备,如树莓派。如图6所示,该电子设备:至少包括一个处理器601;以及,与至少一个处理器601通信连接的存储器602;以及,与扫描装置通信连接的通信组件603,通信组件603在处理器601的控制下接收和发送数据;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行以实现:确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据从所述任务完成概率中确定目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
进一步地,所述处理器还执行如下步骤:按照所述任务完成时间,发送任务指派指令,其中,所述任务指派指令用于通知任务执行资源承接所述目标任务。
进一步地,所述处理器具体还执行如下步骤:根据所述配送压力数据确定任务完成阈值;响应于所述任务完成概率首次大于所述任务完成阈值,将首次大于所述任务完成阈值的所述任务完成概率作为目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
进一步地,所述配送压力数据包括压力系数和/或可用任务执行资源数量,所述根据所述配送压力数据确定任务完成阈值,包括:响应于所述压力系数大于或等于第一设定值、或者所述可用任务执行资源数量小于第二设定值,增大所述任务完成阈值;或者,响应于所述压力系数小于第一设定值、或者所述可用任务执行资源数量大于或等于于第二设定值,增大所述任务完成阈值。
进一步地,所述任务完成概率预测模型通过如下步骤训练获得:获取历史任务特征数据,其中,所述历史任务特征数据包括所述历史任务的历史任务生成时间以及历史任务完成时间;根据历史任务特征数据确定样本数据,其中,所述样本数据包括正样本与负样本,所述历史任务完成时间对应的时间点为正样本,所述历史任务完成时间之前的各时间点均为负样本;根据所述样本数据与所述历史任务生成时间、所述历史任务完成时间以及历史配送压力数据训练所述任务完成概率预测模型。
进一步地,所述任务完成概率预测模型为分类模型,所述分类模型包括xgboost模型。
具体地,该电子设备包括:一个或多个处理器601以及存储器602,图6中以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器602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601通过运行存储在存储器602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,即实现上述数据生成方法。
存储器602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602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602可选包括相对于处理器601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602中,当被一个或者多个处理器601执行时,执行上述任意方法实施例中的数据生成方法。
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。
本发明的第五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 (12)
1.一种数据生成的方法,其特征在于,该方法包括:
确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;
根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;
获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据确定任务完成阈值;
响应于所述任务完成概率首次大于所述任务完成阈值,将首次大于所述任务完成阈值的所述任务完成概率作为目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
2.如权利要求1所述的方法,其特征在于,该方法还包括:
按照所述任务完成时间,发送任务指派指令,其中,所述任务指派指令用于通知任务执行资源承接所述目标任务。
3.如权利要求1所述的方法,其特征在于,所述配送压力数据包括压力系数和/或可用任务执行资源数量,所述根据所述配送压力数据确定任务完成阈值,包括:
响应于所述压力系数大于或等于第一设定值、或者所述可用任务执行资源数量小于第二设定值,增大所述任务完成阈值;或者,
响应于所述压力系数小于第一设定值、或者所述可用任务执行资源数量大于或等于第二设定值,增大所述任务完成阈值。
4.如权利要求1所述的方法,其特征在于,所述任务完成概率预测模型通过如下步骤训练获得:
获取历史任务特征数据,其中,所述历史任务特征数据包括所述历史任务的历史任务生成时间以及历史任务完成时间;
根据历史任务特征数据确定样本数据,其中,所述样本数据包括正样本与负样本,所述历史任务完成时间对应的时间点为正样本,所述历史任务完成时间之前的各时间点均为负样本;
根据所述样本数据与所述历史任务生成时间、所述历史任务完成时间以及历史配送压力数据训练所述任务完成概率预测模型。
5.如权利要求4所述的方法,其特征在于,所述任务完成概率预测模型为分类模型,所述分类模型包括xgboost模型。
6.一种数据生成的装置,其特征在于,该装置包括:
确定单元,用于确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;
预测单元,用于根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;
处理单元,用于获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据确定任务完成阈值;响应于所述任务完成概率首次大于所述任务完成阈值,将首次大于所述任务完成阈值的所述任务完成概率作为目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
7.一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1-5中任一项所述的方法。
8.一种电子设备,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:
确定目标任务的任务特征数据,其中,所述任务特征数据包括任务生成时间;
根据所述任务特征数据和任务完成概率预测模型,确定设定时间段内各时间点对应的任务完成概率;
获取接收所述目标任务的对象的配送压力数据,根据所述配送压力数据确定任务完成阈值;
响应于所述任务完成概率首次大于所述任务完成阈值,将首次大于所述任务完成阈值的所述任务完成概率作为目标任务完成概率,将所述目标任务完成概率对应的时间点确定为所述目标任务的任务完成时间。
9.如权利要求8所述的电子设备,其特征在于,所述处理器还执行如下步骤:
按照所述任务完成时间,发送任务指派指令,其中,所述任务指派指令用于通知任务执行资源承接所述目标任务。
10.如权利要求8所述的电子设备,其特征在于,所述配送压力数据包括压力系数和可用任务执行资源数量,所述处理器具体执行如下步骤:
响应于所述压力系数大于或等于第一设定值、或者所述可用任务执行资源数量小于第二设定值,增大所述任务完成阈值;或者,
响应于所述压力系数小于第一设定值、或者所述可用任务执行资源数量大于或等于第二设定值,增大所述任务完成阈值。
11.如权利要求8所述的电子设备,其特征在于,所述任务完成概率预测模型通过如下步骤训练获得:
获取历史任务特征数据,其中,所述历史任务特征数据包括所述历史任务的历史任务生成时间以及历史任务完成时间;
根据历史任务特征数据确定样本数据,其中,所述样本数据包括正样本与负样本,所述历史任务完成时间对应的时间点为正样本,所述历史任务完成时间之前的各时间点均为负样本;
根据所述样本数据与所述历史任务生成时间、所述历史任务完成时间以及历史配送压力数据训练所述任务完成概率预测模型。
12.如权利要求11所述的电子设备,其特征在于,所述任务完成概率预测模型为分类模型,所述分类模型包括xgboost模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644930.3A CN110378529B (zh) | 2019-07-17 | 2019-07-17 | 一种数据生成的方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644930.3A CN110378529B (zh) | 2019-07-17 | 2019-07-17 | 一种数据生成的方法、装置、可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378529A CN110378529A (zh) | 2019-10-25 |
CN110378529B true CN110378529B (zh) | 2021-01-05 |
Family
ID=68253634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910644930.3A Active CN110378529B (zh) | 2019-07-17 | 2019-07-17 | 一种数据生成的方法、装置、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378529B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460140A (zh) * | 2020-03-05 | 2020-07-28 | 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 |
CN111475270B (zh) * | 2020-04-03 | 2024-03-22 | 拉扎斯网络科技(上海)有限公司 | 一种任务处理方法、装置、服务器及存储介质 |
CN111582774B (zh) * | 2020-06-22 | 2022-07-08 | 拉扎斯网络科技(上海)有限公司 | 任务数据处理方法、装置、可读存储介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197825A (zh) * | 2018-01-29 | 2018-06-22 | 北京小度信息科技有限公司 | 系统调度方法及装置 |
CN108564247A (zh) * | 2018-03-02 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 数据调整方法、装置及服务器 |
CN109214748A (zh) * | 2018-08-07 | 2019-01-15 | 北京云迹科技有限公司 | 一种订单处理方法和装置 |
CN109426885A (zh) * | 2017-08-28 | 2019-03-05 | 北京小度信息科技有限公司 | 订单分配方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10116758B2 (en) * | 2016-11-17 | 2018-10-30 | Facebook, Inc. | Delivering notifications based on prediction of user activity |
-
2019
- 2019-07-17 CN CN201910644930.3A patent/CN110378529B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109426885A (zh) * | 2017-08-28 | 2019-03-05 | 北京小度信息科技有限公司 | 订单分配方法和装置 |
CN108197825A (zh) * | 2018-01-29 | 2018-06-22 | 北京小度信息科技有限公司 | 系统调度方法及装置 |
CN108564247A (zh) * | 2018-03-02 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 数据调整方法、装置及服务器 |
CN109214748A (zh) * | 2018-08-07 | 2019-01-15 | 北京云迹科技有限公司 | 一种订单处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110378529A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444009B (zh) | 一种基于深度强化学习的资源分配方法及装置 | |
CN110378529B (zh) | 一种数据生成的方法、装置、可读存储介质和电子设备 | |
US11449774B2 (en) | Resource configuration method and apparatus for heterogeneous cloud services | |
US20190130350A1 (en) | Network computer system to implement predictive time-based determinations for fulfilling delivery orders | |
CN110689254A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
US20190132699A1 (en) | Computing system to implement network delivery service | |
US20190130320A1 (en) | Network computer system to implement dynamic provisioning for fulfilling delivery orders | |
US11095531B2 (en) | Service-aware serverless cloud computing system | |
CN106096854B (zh) | 一种数据处理方法和装置 | |
CN110838031A (zh) | 一种基于ABtest的数据运营方法和装置 | |
CN110765615A (zh) | 物流仿真方法、装置及设备 | |
CN110782090A (zh) | 一种数据处理的方法、装置、可读存储介质和电子设备 | |
CN110826782B (zh) | 一种数据处理的方法、装置、可读存储介质和电子设备 | |
CN111459675B (zh) | 一种数据处理方法、装置、可读存储介质和电子设备 | |
CN110609704A (zh) | 服务程序版本的灰度调整方法、装置及系统 | |
CN106656675B (zh) | 一种传输节点集群的检测方法和装置 | |
CN110875838A (zh) | 一种资源部署方法、装置和存储介质 | |
CN113608751B (zh) | 推理服务平台的运行方法、装置、设备及存储介质 | |
CN108805332B (zh) | 一种特征评估方法和装置 | |
CN111582407B (zh) | 任务处理方法、装置、可读存储介质和电子设备 | |
CN108696554B (zh) | 负载均衡方法和装置 | |
CN112036695A (zh) | 天气信息的预测方法、装置、可读存储介质和电子设备 | |
CN113850428A (zh) | 作业调度的预测处理方法、装置和电子设备 | |
CN109978206B (zh) | 用于请求服务资源的方法及装置 | |
CN111754050A (zh) | 配送对象配送画像的预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |