CN110516872B - 一种信息处理方法、装置、存储介质和电子设备 - Google Patents

一种信息处理方法、装置、存储介质和电子设备 Download PDF

Info

Publication number
CN110516872B
CN110516872B CN201910796907.6A CN201910796907A CN110516872B CN 110516872 B CN110516872 B CN 110516872B CN 201910796907 A CN201910796907 A CN 201910796907A CN 110516872 B CN110516872 B CN 110516872B
Authority
CN
China
Prior art keywords
target object
task
peak
single task
probability
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
Application number
CN201910796907.6A
Other languages
English (en)
Other versions
CN110516872A (zh
Inventor
白婷
周凌云
刘成亮
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
Original Assignee
Rajax Network 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 Rajax Network Technology Co Ltd filed Critical Rajax Network Technology Co Ltd
Priority to CN201910796907.6A priority Critical patent/CN110516872B/zh
Publication of CN110516872A publication Critical patent/CN110516872A/zh
Application granted granted Critical
Publication of CN110516872B publication Critical patent/CN110516872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种信息处理方法、装置、存储介质和电子设备。在本发明实施例中，在目标对象的任务量较少或执行任务的天数较少的情况下，根据非目标对象的先验数据预测目标对象的峰值单次任务量。能够提高对任务量少或执行任务的天数较少的目标对象的峰值单次任务量的预测的准确度，使得获取的目标对象的峰值单次任务量能够更加与目标对象的任务完成能力相适应。可以避免预测的峰值单次任务量小于目标对象可以完成的单次任务量，进而能够避免在分配任务的过程中给目标对象分配的任务数小于目标对象的任务完成能力，从而避免了配送资源的浪费。

Description

一种信息处理方法、装置、存储介质和电子设备
技术领域
本发明涉及互联网技术领域，尤其涉及一种信息处理方法、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。然而现有的信息处理方法对目标对象的任务完成能力不能准确的预测。
发明内容
有鉴于此，本发明实施例提供了一种信息处理方法、装置、存储介质和电子设备，能够合理预测目标对象的任务完成能力。
第一方面，本发明实施例提供一种信息处理方法，所述方法包括：
接收来自于程序调用接口的信息处理请求；
通过至少一个处理器从数据库获取第一历史数据，其中，所述第一历史数据包括目标对象的任务数据；
通过至少一个处理器解析所述第一历史数据；
响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据，所述第二历史数据包括多个非目标对象的任务数据；
通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量；
通过所述程序调用接口返回所述目标对象的峰值单次任务量；
其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值。
优选地，所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量；
所述通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测所述目标对象的峰值单次任务量包括：
将所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量输入第一预测模型中以预测所述目标对象的峰值单次任务量。
优选地，所述通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测所述目标对象的峰值单次任务量包括：
根据目标对象的历史单次任务量和非目标对象的峰值单次任务量获取目标对象的峰值单次任务量分别为1-xi时的各概率值，其中，xi为大于1的整数；
将概率值最大的任务量确定为目标对象的峰值单次任务量。
优选地，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure GDA0002247590820000021
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率，P(w)为目标对象的峰值单次任务量分别为1-xi时对应的各P(xi)P(w|xi)的和。
优选地，所述第一历史数据包括所述目标对象的等级和活跃度；
所述方法还包括：
响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率；
将目标对象的任务未完成概率小于第一阈值的最大的单次任务量确定为目标对象的峰值单次任务量。
优选地，所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
优选地，所述第一历史数据包括目标对象在预定时间内的任务总量，所述第一历史数据满足预定条件包括：
目标对象在预定时间内的任务总量小于第二阈值。
优选地，所述方法还包括：
至少根据所述峰值单次任务量向所述目标对象分配任务。
第二方面，本发明实施例提供一种信息处理装置，特征在于，所述装置包括：
请求接收单元，用于接收来自于程序调用接口的信息处理请求；
第一历史数据获取单元，用于通过至少一个处理器从数据库获取第一历史数据，其中，所述第一历史数据包括目标对象的任务数据；
数据解析单元，用于通过至少一个处理器解析所述第一历史数据；
第二历史数据获取单元，用于响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据，所述第二历史数据包括多个非目标对象的任务数据；
峰值单次任务量预测单元，用于通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量；
数据返回单元，用于通过所述程序调用接口返回所述目标对象的峰值单次任务量；
其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值。
优选地，所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量；
所述峰值单次任务量预测单元包括：
第一峰值单次任务量预测子单元，用于将所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量输入第一预测模型中以预测所述目标对象的峰值单次任务量。
优选地，所述峰值单次任务量预测单元包括：
第二峰值单次任务量预测子单元，用于根据目标对象的历史单次任务量和非目标对象的峰值单次任务量获取目标对象的峰值单次任务量分别为1-xi时的各概率值，其中，xi为大于1的整数；
将概率值最大的任务量确定为目标对象的峰值单次任务量。
优选地，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure GDA0002247590820000041
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率，P(w)为目标对象的峰值单次任务量分别为1-xi时对应的各P(xi)P(w|xi)的和。
优选地，所述第一历史数据包括所述目标对象的等级和活跃度；
所述装置还包括：
任务未完成概率预测单元，用于响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率；
峰值单次任务量确定单元，用于将目标对象的任务未完成概率小于第一阈值的最大的单次任务量确定为目标对象的峰值单次任务量。
优选地，所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
优选地，所述第一历史数据包括目标对象在预定时间内的任务总量，所述第一历史数据满足预定条件包括：
目标对象在预定时间内的任务总量小于第二阈值。
优选地，所述装置还包括：
任务分配单元，用于至少根据所述峰值单次任务量向所述目标对象分配任务。
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：
接收来自于程序调用接口的信息处理请求；
通过至少一个处理器从数据库获取第一历史数据，其中，所述第一历史数据包括目标对象的任务数据；
通过至少一个处理器解析所述第一历史数据；
响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据，所述第二历史数据包括多个非目标对象的任务数据；
通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量；
通过所述程序调用接口返回所述目标对象的峰值单次任务量；
其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值。
优选地，所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量；
所述通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测所述目标对象的峰值单次任务量包括：
将所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量输入第一预测模型中以预测所述目标对象的峰值单次任务量。
优选地，所述通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测所述目标对象的峰值单次任务量包括：
根据目标对象的历史单次任务量和非目标对象的峰值单次任务量获取目标对象的峰值单次任务量分别为1-xi时的各概率值，其中，xi为大于1的整数；
将概率值最大的任务量确定为目标对象的峰值单次任务量。
优选地，其特征在于，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure GDA0002247590820000061
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率，P(w)为目标对象的峰值单次任务量分别为1-xi时对应的各P(xi)P(w|xi)的和。
优选地，所述第一历史数据包括所述目标对象的等级和活跃度；
所述一条或多条计算机程序指令还被所述处理器执行如下步骤：
响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率；
将目标对象的任务未完成概率小于第一阈值的最大的单次任务量确定为目标对象的峰值单次任务量。
优选地，所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
优选地，所述第一历史数据包括目标对象在预定时间内的任务总量，所述第一历史数据满足预定条件包括：
目标对象在预定时间内的任务总量小于第二阈值。
优选地，所述一条或多条计算机程序指令还被所述处理器执行如下步骤：
至少根据所述峰值单次任务量向所述目标对象分配任务。
在本发明实施例中，在目标对象的任务量较少或执行任务的天数较少的情况下，根据非目标对象的先验数据预测目标对象的峰值单次任务量。能够提高对任务量少或执行任务的天数较少的目标对象的峰值单次任务量的预测的准确度，使得获取的目标对象的峰值单次任务量能够更加与目标对象的任务完成能力相适应。可以避免预测的峰值单次任务量小于目标对象可以完成的单次任务量，进而能够避免在分配任务的过程中给目标对象分配的任务数小于目标对象的任务完成能力，从而避免了配送资源的浪费。
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和图2为本发明第一实施例的信息处理方法流程示意图；
图3是本发明第二实施例的信息处理装置示意图；
图4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。
在当前的订单调度过程中，我们希望在充分利用现有的运力，把所有订单尽可能高效的配送出去。常用的调度方法(包括众包调度以及专送等)用户订单下单后，系统不会立刻将订单进行分配。通过对订单蓄单一定时间再分配订单，可以将相近的多个订单分给同一配送资源进行配送，从而在一定程度上能够为待配送的订单分配最合适的配送资源，能够提高配送资源的利用率，提高配送效率，减小配送成本，提升了服务质量，增强了用户体验和配送资源体验。
然而，现有的订单分配过程中，在预测对订单进行配送的目标对象的配送能力时，一些对象由于数据较少，其配送能力被严重低估，这就会导致资源的浪费。
有鉴于此，本发明实施例提供了一种信息处理的方法，用于合理的预测数据较少的对象的配送能力，以实现最大化利用运力资源的目的。在以下的实施例中，以外卖平台为例来进行说明，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。
图1为本发明第一实施例的信息处理方法的流程示意图，如图1所示，本实施例的方法包括如下步骤：
步骤S100、接收来自于程序调用接口的信息处理请求。
步骤S200、通过至少一个处理器从数据库获取第一历史数据。其中，所述第一历史数据包括目标对象的任务数据。
所述目标对象可以是外卖配送过程中的运力资源，具体可以是外卖配送员，还可以是机器人、无人车等无人配送设备。
所述目标对象的任务可以是外卖平台中的订单。
所述目标对象的任务数据包括目标对象在预定时间内的历史单次任务量以及目标对象在预定时间内的任务总量。
其中，所述预定时间可以是当前时间之前的一段时间，可选地，所述预定时间可以是近90天。所述历史单次任务量可以是目标对象同时绑定的任务的数量。在一种可选的实现方式中，在预定时间内的历史单次任务量可以是在近90天内目标对象曾经同时绑定的任务的数量为2个、3个和5个，则目标对象在预定时间内的历史单次任务量为2个、3个和5个。
所述目标对象的任务数据还可以包括各任务的时段、配送区域、天气等级、配送距离以及任务价格等相关信息。
此外，第一历史数据还可以包括目标对象的等级和活跃度。
步骤S300、通过至少一个处理器解析所述第一历史数据。
步骤S400、响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据。所述第二历史数据包括多个非目标对象的任务数据。
所述第一历史数据满足预定条件包括：目标对象在预定时间内的任务总量小于第二阈值。在一种可选的实现方式中，第一历史数据满足预定条件可以是所述目标对象在近90天内的任务总量小于100个。在另一种可选的实现方式中，第一历史数据满足预定条件可以是所述目标对象有任务数据的天数小于30天。
所述多个非目标对象的任务数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量。其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值。
步骤S500、通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量。
具体地，所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量。
所述根据所述第一历史数据和所述第二历史数据预测目标对象的峰值单次任务量包括：将所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量输入第一预测模型中以预测所述目标对象的峰值单次任务量。
进一步地，所述根据所述第一历史数据和所述第二历史数据预测目标对象的峰值单次任务量包括如下步骤：
步骤S501、根据目标对象的历史单次任务量和非目标对象的峰值单次任务量获取目标对象的峰值单次任务量分别为1-xi时的各概率值，其中，xi为大于1的整数。
具体地，可以根据贝叶斯公式预测目标对象的峰值单次任务量。贝叶斯公式是概率统计中的应用所观察到的现象对有关概率分布的主观判断(即先验概率)进行修正的标准方法。
进一步地，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure GDA0002247590820000101
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)为非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率。P(w)为目标对象的峰值单次任务量分别为1-xi时的P(xi)P(w|xi)的和。
可选的，目标对象的峰值单次任务量xi有一定的取值范围，服务器会根据对象的历史任务完成情况预先确定。例如，当对象的峰值单次任务量超过20时，任务的未完成概率较高，因此，预先设定峰值单次任务量1≤xi≤20，且xi为整数。
进一步地，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure GDA0002247590820000102
P(xi)为非目标对象的峰值单次任务量为xi的概率，可以根据如下公式计算P(xi)：
Figure GDA0002247590820000103
其中，Nx为峰值单次任务量为x的非目标对象的数量，N为所有非目标对象的数量。
在一种可选的实现方式中，当非目标对象的总数为200时，其中峰值单次任务量为10的非目标对象的数量为60，则非目标对象的峰值单次任务量为10的概率为60/200,为30％。
P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率。具体地，P(w|xi)＝P(w1|xi)×P(w2|xi)×P(w3|xi)…P(wn|xi)。
在一种可选的实现方式中，当一个目标对象单次任务量w包括3个、5个和8个，则w1为3个、w2为5个、w3为8个。且假设目标对象在近91天单次任务量为3时任务未超时，单次任务量为5时未超时，单次任务量为8时超时了，且假设近91天的所有非目标对象中有60个对象峰值单次任务量为10。P(w1|xi)则是这60个非目标对象的单次任务量为3时任务未超时的次数和这60个非目标对象的单次任务量为3的次数的比值。P(w2|xi)则是这60个非目标对象的单次任务量为5时任务未超时的次数和这60个非目标对象的单次任务量为5的次数的比值。P(w3|xi)则是这60个非目标对象的单次任务量为8时任务超时的次数和这60个非目标对象的单次任务量为8的次数的比值。
P(w)为目标对象的峰值单次任务量分别为1-xi时的P(xi)P(w|xi)的和。
具体根据上述公式获取xi为1-20时对应的各概率值。
步骤S502、将概率值最大的任务量确定为目标对象的峰值单次任务量。
在一种可选的实现方式中，对在步骤S310中获取的xi为1-20时对应的各概率值按由大至小进行排序，将排在第一的概率值所对应的xi确定为目标对象的峰值单次任务量。例如，xi为1-20时依次对应的概率值为4.2％、3％、9％、13％、30％、8％、9％、6％、2.6％、4％、3％、2.2％、2％、1.5％、1％、0.6％、0.5％、0.3％、0.1％和0％。按概率值由大至小排序，则概率值30％为最大该概率值，30％对应的xi为5，则5为目标对象的峰值单次任务量。
在本发明实施例中，在目标对象的任务量较少或执行任务的天数较少的情况下，根据非目标对象的先验数据预测目标对象的峰值单次任务量。能够提高对任务量少或执行任务的天数较少的目标对象的峰值单次任务量的预测的准确度，使得获取的目标对象的峰值单次任务量能够更加与目标对象的任务完成能力相适应。可以避免预测的峰值单次任务量小于目标对象可以完成的单次任务量，进而能够避免在分配任务的过程中给目标对象分配的任务数小于目标对象的任务完成能力，从而避免了配送资源的浪费。
步骤S600、通过所述程序调用接口返回所述目标对象的峰值单次任务量。
在另一个可选的实现方式中，本实施例所述的方法还包括如下步骤：
步骤S700、响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率。
所述第一历史数据包括目标对象在预定时间内的任务总量，所述第一历史数据未满足预定条件包括：目标对象在预定时间内的任务总量大于第二阈值。
所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
进一步地，可以根据任务当时的天气情况，可以分别采用两组样本训练第二预测模型。还可以将预测目标对象的任务未完成概率时的天气、所述目标对象的等级和活跃度输入第二预测模型，预测目标对象的任务未完成概率。
步骤S800、将目标对象的任务未完成概率小于未完成的概率的最大的单次任务量确定为目标对象的峰值单次任务量。
在一种可选的实现方式中，所述非目标对象的历史单次任务量可以是近90天内非目标对象单次绑定的任务的数量，如一个非目标对象单次绑定的任务的数量有3个、5个、8个以及15个。再根据单次绑定的任务的未完成概率确定非目标对象的峰值单次任务量。所述未完成概率可以是未能及时送达、对象取消任务或者客户投诉的任务占单次绑定的任务数量的概率，具体是在步骤S400预测获得的概率值。如在步骤S400中预测得到的未完成的概率是10％，如在该非目标对象在单次绑定15个任务的情况下有1个任务超时，此时，在单次绑定15个任务时的超时概率为1/15，即6.7％，小于第一阈值10％，因此，该非目标对象的峰值单次任务量为15个。
在另一种可选的实现方式中，如在该非目标对象在单次绑定15个任务的情况下有2个任务超时，此时，在单次绑定15个任务时的超时概率为2/15，即13.2％，大于第一阈值10％，因此，不能将15确定为该非目标对象的峰值单次任务量。若该非目标对象的单次任务量为8个时，8个任务没有任务超时的情况，则该非目标对象的峰值单次任务量为8个。
步骤S900、至少根据所述目标对象的峰值单次任务量向所述目标对象分配任务。
具体地，根据目标对象的峰值单次任务量，确定单次向目标对象分配的任务的数量。
在本发明实施例中，根据目标对象的第一历史数据是否满足预定条件分别采用不同的方法预测目标对象的峰值单次任务量。在目标对象的任务量较少或执行任务的天数较少的情况下，根据非目标对象的先验数据预测目标对象的峰值单次任务量。能够提高对任务量少或执行任务的天数较少的目标对象的峰值单次任务量的预测的准确度，使得获取的目标对象的峰值单次任务量能够更加与目标对象的任务完成能力相适应。可以避免预测的峰值单次任务量小于目标对象可以完成的单次任务量，进而能够避免在分配任务的过程中给目标对象分配的任务数小于目标对象的任务完成能力，从而避免了配送资源的浪费。
图2本发明第一实施例的信息处理方法的流程示意图。如图2所示，在一种可选的实现方式中，本发明第一实施例的信息处理方法包括如下步骤：
步骤S201、处理器从数据库获取第一历史数据。
步骤S202、判定第一历史数据是否满足预定条件。
具体地，若判定结果为“是”则执行步骤S203，若判定结果为“否”，则执行步骤S206。
步骤S203、处理器从数据库获取第二历史数据。
步骤S204、获取目标对象的峰值单次任务量分别为1-20时的各概率值。
步骤S205、将概率值最大的任务量确定为目标对象的峰值单次任务量。
步骤S206、预测目标对象的任务未完成概率。
步骤S207、将目标对象的任务未完成概率小于未完成的概率的最大的单次任务量确定为目标对象的峰值单次任务量。
步骤S208、至少根据所述目标对象的峰值单次任务量向所述目标对象分配任务。
具体地，在执行步骤S205或步骤S207后，执行步骤S208。
图3是本发明第二实施例的信息处理装置示意图。如图3所示，所述装置包括：请求接收单元310、第一历史数据获取单元320、数据解析单元330、第二历史数据获取单元340、峰值单次任务量预测单元350、数据返回单元360、任务未完成概率预测单元370、峰值单次任务量确定单元380和任务分配单元390。
请求接收单元310，用于接收来自于程序调用接口的信息处理请求；
第一历史数据获取单元320用于从数据库获取第一历史数据，其中，所述第一历史数据包括目标对象的任务数据。
所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第一历史数据包括所述目标对象的等级和活跃度；所述第一历史数据包括目标对象在预定时间内的任务总量。
所述第一历史数据满足预定条件包括：目标对象在预定时间内的任务总量小于第二阈值。
数据解析单元330，用于通过至少一个处理器解析所述第一历史数据。
第二历史数据获取单元340用于响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据，所述第二历史数据包括多个非目标对象的任务数据。
所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量。
峰值单次任务量预测单元350用于通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量。
其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值。
所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述峰值单次任务量预测单元包括：第一峰值单次任务量预测子单元351、第二峰值单次任务量预测子单元352和峰值单次任务量确定子单元353。
第一峰值单次任务量预测子单元351用于将所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量输入第一预测模型中以预测所述目标对象的峰值单次任务量。
第二峰值单次任务量预测子单元352用于根据目标对象的历史单次任务量和非目标对象的峰值单次任务量获取目标对象的峰值单次任务量分别为1-xi时的各概率值，其中，xi为大于1的整数。
具体地，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure GDA0002247590820000151
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率，P(w)为目标对象的峰值单次任务量分别为1-xi时对应的各P(xi)P(w|xi)的和。
峰值单次任务量确定子单元353用于将概率值最大的任务量确定为目标对象的峰值单次任务量。
数据返回单元360，用于通过所述程序调用接口返回所述目标对象的峰值单次任务量。
任务未完成概率预测单元370用于响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率。
所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
峰值单次任务量确定单元380用于将目标对象的任务未完成概率小于第一阈值的最大的单次任务量确定为目标对象的峰值单次任务量。
任务分配单元390用于至少根据所述峰值单次任务量向所述目标对象分配任务。
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。
图4是本发明第三实施例的电子设备的示意图。如图4所示，该电子设备：至少包括一个处理器401；以及，与至少一个处理器401通信连接的存储器402；以及，与扫描装置通信连接的通信组件403，通信组件403在处理器401的控制下接收和发送数据；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行以实现一种信息处理方法，所述方法包括：
接收来自于程序调用接口的信息处理请求；
通过至少一个处理器从数据库获取第一历史数据，其中，所述第一历史数据包括目标对象的任务数据；
通过至少一个处理器解析所述第一历史数据；
响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据，所述第二历史数据包括多个非目标对象的任务数据；
通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量；
通过所述程序调用接口返回所述目标对象的峰值单次任务量；
其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值。
优选地，所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量；
所述通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测所述目标对象的峰值单次任务量包括：
将所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量输入第一预测模型中以预测所述目标对象的峰值单次任务量。
优选地，所述通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测所述目标对象的峰值单次任务量包括：
根据目标对象的历史单次任务量和非目标对象的峰值单次任务量获取目标对象的峰值单次任务量分别为1-xi时的各概率值，其中，xi为大于1的整数；
将概率值最大的任务量确定为目标对象的峰值单次任务量。
优选地，其特征在于，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure GDA0002247590820000171
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率，P(w)为目标对象的峰值单次任务量分别为1-xi时对应的各P(xi)P(w|xi)的和。
优选地，所述第一历史数据包括所述目标对象的等级和活跃度；
所述一条或多条计算机程序指令还被所述处理器执行如下步骤：
响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率；
将目标对象的任务未完成概率小于第一阈值的最大的单次任务量确定为目标对象的峰值单次任务量。
优选地，所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
优选地，所述第一历史数据包括目标对象在预定时间内的任务总量，所述第一历史数据满足预定条件包括：
目标对象在预定时间内的任务总量小于第二阈值。
优选地，所述一条或多条计算机程序指令还被所述处理器执行如下步骤：
至少根据所述峰值单次任务量向所述目标对象分配任务。
可选地，该电子设备包括：一个或多个处理器401以及存储器402，图4中以一个处理器401为例。处理器401、存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器402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单元。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及单元，从而执行设备的各种功能应用以及数据处理，即实现上述订单分配方法。
存储器402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402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402可选包括相对于处理器401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。
一个或者多个单元存储在存储器402中，当被一个或者多个处理器401执行时，执行上述任意方法实施方式中的订单分配方法。
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单元和有益效果，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 (16)

1.一种信息处理方法，其特征在于，所述方法包括：
接收来自于程序调用接口的信息处理请求；
通过至少一个处理器从数据库获取第一历史数据，其中，所述第一历史数据包括目标对象的任务数据；
通过至少一个处理器解析所述第一历史数据；
响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据，所述第二历史数据包括多个非目标对象的任务数据；
通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量；
通过所述程序调用接口返回所述目标对象的峰值单次任务量；
其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值；
其中，所述第一历史数据包括目标对象在预定时间内的任务总量，所述第一历史数据满足预定条件包括：
目标对象在预定时间内的任务总量小于第二阈值；
所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量；
所述通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测所述目标对象的峰值单次任务量包括：
根据所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量
获取目标对象的峰值单次任务量xi分别为1-N时的各概率值，其中，N为大于1的整数；
将概率值最大的任务量确定为目标对象的峰值单次任务量。
2.根据权利要求1所述的方法，其特征在于，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure FDA0003800864590000021
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)为非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率，P(w)为目标对象的峰值单次任务量xi分别为1-N时对应的各P(xi)P(w|xi)的和。
3.根据权利要求1所述的方法，其特征在于，所述第一历史数据包括所述目标对象的等级和活跃度；
所述方法还包括：
响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率；
将目标对象的任务未完成概率小于第一阈值的最大的单次任务量确定为目标对象的峰值单次任务量。
4.根据权利要求3所述的方法，其特征在于，所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
至少根据所述峰值单次任务量向所述目标对象分配任务。
6.一种信息处理装置，其特征在于，所述装置包括：
请求接收单元，用于接收来自于程序调用接口的信息处理请求；
第一历史数据获取单元，用于通过至少一个处理器从数据库获取第一历史数据，其中，所述第一历史数据包括目标对象的任务数据；
数据解析单元，用于通过至少一个处理器解析所述第一历史数据；
第二历史数据获取单元，用于响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据，所述第二历史数据包括多个非目标对象的任务数据；
峰值单次任务量预测单元，用于通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量；
数据返回单元，用于通过所述程序调用接口返回所述目标对象的峰值单次任务量；
其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值；
其中，所述第一历史数据包括目标对象在预定时间内的任务总量，所述第一历史数据满足预定条件包括：
目标对象在预定时间内的任务总量小于第二阈值；
其中，所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量；
所述峰值单次任务量预测单元包括：
第二峰值单次任务量预测子单元，用于根据所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量获取目标对象的峰值单次任务量xi分别为1-N时的各概率值，其中，N为大于1的整数；
将概率值最大的任务量确定为目标对象的峰值单次任务量。
7.根据权利要求6所述的装置，其特征在于，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure FDA0003800864590000031
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)为非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率，P(w)为目标对象的峰值单次任务量xi分别为1-N时对应的各P(xi)P(w|xi)的和。
8.根据权利要求6所述的装置，其特征在于，所述第一历史数据包括所述目标对象的等级和活跃度；
所述装置还包括：
任务未完成概率预测单元，用于响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率；
峰值单次任务量确定单元，用于将目标对象的任务未完成概率小于第一阈值的最大的单次任务量确定为目标对象的峰值单次任务量。
9.根据权利要求8所述的装置，其特征在于，所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括：
任务分配单元，用于至少根据所述峰值单次任务量向所述目标对象分配任务。
11.一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。
12.一种电子设备，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：
接收来自于程序调用接口的信息处理请求；
通过至少一个处理器从数据库获取第一历史数据，其中，所述第一历史数据包括目标对象的任务数据；
通过至少一个处理器解析所述第一历史数据；
响应于所述第一历史数据满足预定条件，通过至少一个处理器从数据库获取第二历史数据，所述第二历史数据包括多个非目标对象的任务数据；
通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测并存储所述目标对象的峰值单次任务量；
通过所述程序调用接口返回所述目标对象的峰值单次任务量；
其中，所述峰值单次任务量为在预定时间内目标对象单次绑定的任务的最大值，其中，与目标对象单次绑定的各任务在对应的预定的时间内未完成的概率小于第一阈值；
其中，所述第一历史数据包括目标对象在预定时间内的任务总量，所述第一历史数据满足预定条件包括：
目标对象在预定时间内的任务总量小于第二阈值；
其中，所述第一历史数据包括目标对象在预定时间内的历史单次任务量；所述第二历史数据包括非目标对象在预定时间内的峰值单次任务量和历史单次任务量；
所述通过至少一个处理器根据所述第一历史数据和所述第二历史数据预测所述目标对象的峰值单次任务量包括：
根据所述目标对象在预定时间内的历史单次任务量和所述非目标对象在预定时间内的峰值单次任务量和历史单次任务量获取目标对象的峰值单次任务量xi分别为1-N时的各概率值，其中，N为大于1的整数；
将概率值最大的任务量确定为目标对象的峰值单次任务量。
13.根据权利要求12所述的电子设备，其特征在于，根据如下公式预测目标对象的峰值单次任务量为xi的概率：
Figure FDA0003800864590000051
其中，w为目标对象的历史单次任务量，xi为目标对象的峰值单次任务量，P(xi|w)为目标对象的单次任务量为xi的概率，P(xi)为非目标对象的峰值单次任务量为xi的概率，P(w|xi)为非目标对象的峰值任务量为xi时的历史单次任务量为w的概率，P(w)为目标对象的峰值单次任务量xi分别为1-N时对应的各P(xi)P(w|xi)的和。
14.根据权利要求12所述的电子设备，其特征在于，所述第一历史数据包括所述目标对象的等级和活跃度；
所述一条或多条计算机程序指令还被所述处理器执行如下步骤：
响应于所述第一历史数据未满足预定条件，将所述目标对象的等级和活跃度输入第二预测模型以预测目标对象的任务未完成概率；
将目标对象的任务未完成概率小于第一阈值的最大的单次任务量确定为目标对象的峰值单次任务量。
15.根据权利要求14所述的电子设备，其特征在于，所述第二预测模型以对象的等级和对象的活跃度为输入，以对象的任务未完成概率为输出，采用线性回归算法预先训练获得。
16.根据权利要求12所述的电子设备，其特征在于，所述一条或多条计算机程序指令还被所述处理器执行如下步骤：
至少根据所述峰值单次任务量向所述目标对象分配任务。
CN201910796907.6A 2019-08-27 2019-08-27 一种信息处理方法、装置、存储介质和电子设备 Active CN110516872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910796907.6A CN110516872B (zh) 2019-08-27 2019-08-27 一种信息处理方法、装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910796907.6A CN110516872B (zh) 2019-08-27 2019-08-27 一种信息处理方法、装置、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN110516872A CN110516872A (zh) 2019-11-29
CN110516872B true CN110516872B (zh) 2022-10-14

Family

ID=68628196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910796907.6A Active CN110516872B (zh) 2019-08-27 2019-08-27 一种信息处理方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN110516872B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080126B (zh) * 2019-12-16 2023-09-29 新华三信息技术有限公司 任务分配方法和装置
CN111459675B (zh) * 2020-03-31 2023-09-15 拉扎斯网络科技（上海）有限公司 一种数据处理方法、装置、可读存储介质和电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108965884A (zh) * 2018-07-13 2018-12-07 网宿科技股份有限公司 一种转码任务的分配方法及调度设备、转码设备
CN109117989A (zh) * 2018-07-26 2019-01-01 北京云鸟科技有限公司 一种任务匹配时的预测方法及装置
EP3438897A1 (en) * 2017-08-04 2019-02-06 Swisscom (Schweiz) AG Task allocator for crowd sourcing network
CN109615201A (zh) * 2018-11-30 2019-04-12 拉扎斯网络科技（上海）有限公司 订单分配方法、装置、电子设备和存储介质
CN109711782A (zh) * 2018-12-27 2019-05-03 拉扎斯网络科技（上海）有限公司 配送资源调度方法、装置、电子设备及计算机存储介质
CN110097277A (zh) * 2019-04-28 2019-08-06 北京交通大学 基于时间窗的众包任务的动态分配方法
CN110119847A (zh) * 2019-05-14 2019-08-13 拉扎斯网络科技（上海）有限公司 一种配送时长的预测方法、装置、存储介质和电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9495656B2 (en) * 2014-10-13 2016-11-15 Sap Se Material handling method
US10846643B2 (en) * 2016-08-24 2020-11-24 Clari Inc. Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3438897A1 (en) * 2017-08-04 2019-02-06 Swisscom (Schweiz) AG Task allocator for crowd sourcing network
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
CN108965884A (zh) * 2018-07-13 2018-12-07 网宿科技股份有限公司 一种转码任务的分配方法及调度设备、转码设备
CN109117989A (zh) * 2018-07-26 2019-01-01 北京云鸟科技有限公司 一种任务匹配时的预测方法及装置
CN109615201A (zh) * 2018-11-30 2019-04-12 拉扎斯网络科技（上海）有限公司 订单分配方法、装置、电子设备和存储介质
CN109711782A (zh) * 2018-12-27 2019-05-03 拉扎斯网络科技（上海）有限公司 配送资源调度方法、装置、电子设备及计算机存储介质
CN110097277A (zh) * 2019-04-28 2019-08-06 北京交通大学 基于时间窗的众包任务的动态分配方法
CN110119847A (zh) * 2019-05-14 2019-08-13 拉扎斯网络科技（上海）有限公司 一种配送时长的预测方法、装置、存储介质和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
空间众包中基于位置预测的任务分配;张晨等;《南京大学学报(自然科学)》;20180330(第02期);全文 *

Also Published As

Publication number Publication date
CN110516872A (zh) 2019-11-29

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
CN110766269A (zh) 一种任务分配方法、装置、可读存储介质及终端设备
CN110689254A (zh) 数据处理方法、装置、电子设备和计算机可读存储介质
CN111539780B (zh) 一种任务处理方法、装置、存储介质和电子设备
CN110516872B (zh) 一种信息处理方法、装置、存储介质和电子设备
CN111523748B (zh) 案件分配方法、装置及系统
CN110378529B (zh) 一种数据生成的方法、装置、可读存储介质和电子设备
US20200134361A1 (en) Data processing method and apparatus
CN111369137A (zh) 配送任务的分配方法、装置、服务器和存储介质
CN111127154A (zh) 订单处理方法、装置、服务器和非易失性存储介质
CN111459675B (zh) 一种数据处理方法、装置、可读存储介质和电子设备
CN111176840A (zh) 分布式任务的分配优化方法和装置、存储介质及电子装置
CN110826782B (zh) 一种数据处理的方法、装置、可读存储介质和电子设备
CN113378498B (zh) 一种任务分配方法及装置
CN108805332B (zh) 一种特征评估方法和装置
CN111523743A (zh) 订单分配方法、装置、服务器及非易失性存储介质
CN107846614B (zh) 一种视频流量调度方法、装置及电子设备
CN112132476A (zh) 案件分配方法、装置、设备及存储介质
CN110879752B (zh) 资源分配方法、装置、可读存储介质和电子设备
CN111311150B (zh) 配送任务分组方法、平台、电子设备及存储介质
CN111651249B (zh) 任务分配方法、装置、可读存储介质和电子设备
CN113760550A (zh) 资源分配方法和资源分配装置
CN111833595B (zh) 共享汽车辅助车辆配置方法、电子设备及存储介质
CN111582774B (zh) 任务数据处理方法、装置、可读存储介质和电子设备
CN113822455A (zh) 一种时间预测方法、装置、服务器及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant