CN110689177A - 订单准备时间的预测方法和装置，电子设备及存储介质 - Google Patents

订单准备时间的预测方法和装置，电子设备及存储介质 Download PDF

Info

Publication number
CN110689177A
CN110689177A CN201910878055.5A CN201910878055A CN110689177A CN 110689177 A CN110689177 A CN 110689177A CN 201910878055 A CN201910878055 A CN 201910878055A CN 110689177 A CN110689177 A CN 110689177A
Authority
CN
China
Prior art keywords
order
commodity
predicted
vector
attribute
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.)
Granted
Application number
CN201910878055.5A
Other languages
English (en)
Other versions
CN110689177B (zh
Inventor
周越
杨情
李春苗
潘基泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910878055.5A priority Critical patent/CN110689177B/zh
Publication of CN110689177A publication Critical patent/CN110689177A/zh
Application granted granted Critical
Publication of CN110689177B publication Critical patent/CN110689177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种订单准备时间的预测方法和装置，电子设备及存储介质，以解决相关技术中的订单特征信息提取方法的效率和准确性难低的问题。所述订单准备时间的预测方法包括：对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；其中，对于所述订单信息中的商品信息根据以下方式进行特征提取：将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量；根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量。

Description

订单准备时间的预测方法和装置，电子设备及存储介质
技术领域
本公开涉及网络技术领域，具体地，涉及一种订单准备时间的预测方法和装置，电子设备及存储介质。
背景技术
订单准备时间是指从商家接订单到商家准备好订单中商品的时间。订单准备时间表征了订单准备的难易程度，可作为订单配送调度系统的重要参数，直接影响压单和派单结果。
相关技术中，通常采用人工统计方法对订单的商品信息(例如包括商品名称、商品单价、商品数量)以及商家信息(例如包括进单量、未完成订单数量)等信息进行特征提取，将提取出的特征输入机器学习模型进行预测，得到订单的准备时间。
发明内容
本公开的目的是提供一种订单准备时间的预测方法和装置，电子设备及存储介质，以解决相关技术中的订单特征信息提取方法的效率和准确性难低的问题。
为了实现上述目的，根据本公开实施例的第一方面，提供一种订单准备时间的预测方法，包括：
对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；
根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；
其中，所述订单信息包括商品信息，对于所述商品信息根据以下方式进行特征提取：
将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，所述商品共现向量用于表征一订单中的商品的共现特征；
根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；
所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。
可选地，所述隐向量模型是根据以下方式训练的：
将样本订单中的每一样本商品的名称输入至所述隐向量模型，得到每一样本商品的名称的隐向量；
预测各个所述隐向量对应的商品名称；
根据各个所述样本商品的名称的隐向量，以及预测得到的商品名称与所述样本商品的名称之间的一致性，更新所述隐向量模型。
可选地，所述预测所述隐向量对应的商品名称，包括：
针对每一所述隐向量，获取该隐向量的关联隐向量的平均值，其中，所述关联隐向量包括所述样本订单中，与该隐向量对应的样本商品相邻的其他样本商品的名称对应的隐向量；
根据该平均值预测该隐向量对应的商品名称。
可选地，所述根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，包括：
获取所有所述商品的名称的隐向量的平均值，作为所述待预测订单的商品共现向量。
可选地，所根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，包括：
针对所述待预测订单中每一类属性，根据以下公式确定该类属性对应的属性向量：
Hj＝attrj1·h1+...+attrjn·hn
其中，Hj为所述待预测订单中的第j类属性对应的属性向量，0≤j≤m；m为所述待预测订单中的商品的属性类别数量；hi为所述待预测订单中的第i个商品的名称的隐向量，0≤i≤n，n为所述待预测商品中的商品总数；attrji为所述第i个商品的第j类属性的值。
可选地，所述根据所述待预测订单的特征信，预测所述待预测订单的准备时间，包括：
将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，得到所述待预测订单的准备时间，其中，所述订单准备时间预测模型是将不同样本订单的实际准备时间和特征信息作为训练数据训练得到的。
可选地，在所述将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型之前，还包括：
将所述待预测订单的特征信息中包括所述商品共现向量和所述属性向量在内的所有向量进行拼接；
所述将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，包括：
将拼接后的向量输入至所述订单准备时间预测模型。
根据本公开实施例的第二方面，提供一种订单准备时间的预测装置，包括：
特征提取模块，用于对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；
预测模块，用于根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；
其中，所述订单信息包括商品信息，所述特征提取模块根据以下方式对所述商品信息进行特征提取：
将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，商品共现向量用于表征一订单中的商品的共现特征；
根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；
所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。
可选地，所述装置还包括用于训练所述隐向量模型的训练模块，所述训练模块用于根据以下方式训练所述隐向量模型：
将样本订单中的每一样本商品的名称输入至所述隐向量模型，得到每一样本商品的名称的隐向量；
预测各个所述隐向量对应的商品名称；
根据各个所述样本商品的名称的隐向量，以及预测得到的商品名称与所述样本商品的名称之间的一致性，更新所述隐向量模型。
可选地，所述训练模块用于根据以下方式预测所述隐向量对应的商品名称：
针对每一所述隐向量，获取该隐向量的关联隐向量的平均值，其中，所述关联隐向量包括所述样本订单中，与该隐向量对应的样本商品相邻的其他样本商品的名称对应的隐向量；
根据该平均值预测该隐向量对应的商品名称。
可选地，所述特征提取模块用于根据以下方式确定所述待预测订单的商品共现向量：
获取所有所述商品的名称的隐向量的平均值，作为所述待预测订单的商品共现向量。
可选地，所述特征提取模块用于根据以下方式确定所述待预测订单的属性向量：
针对所述待预测订单中每一类属性，根据以下公式确定该类属性对应的属性向量：
Hj＝attrj1·h1+...+attrjn·hn
其中，Hj为所述待预测订单中的第j类属性对应的属性向量，0≤j≤m；m为所述待预测订单中的商品的属性类别数量；hi为所述待预测订单中的第i个商品的名称的隐向量，0≤i≤n，n为所述待预测商品中的商品总数；attrji为所述第i个商品的第j类属性的值。
可选地，所述预测模块包括：
预测子模块，用于将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，得到所述待预测订单的准备时间，其中，所述订单准备时间预测模型是将不同样本订单的实际准备时间和特征信息作为训练数据训练得到的。
可选地，所述装置还包括：
拼接模块，用于在所述预测子模块将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型之前，将所述待预测订单的特征信息中包括所述商品共现向量和所述属性向量在内的所有向量进行拼接；
所述预测子模块，用于将拼接后的向量输入至所述订单准备时间预测模型。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面所述方法的步骤。
通过上述技术方案，至少能够达到以下技术效果：在对待预测订单的订单信息中的商品信息进行特征提取时，通过预先建立的隐向量模型得到每一商品的名称的隐向量，进一步根据每一商品的名称的隐向量得到待预测订单的商品共现向量，以及根据各个商品的属性信息及其名称的隐向量确定待预测订单的属性向量。可见，对商品信息进行特征提取的整个过程无需人工参与，而是基于预先建立的模型自动化完成的，相比于相关技术中通过人工统计法对商品信息进行特征提取的方式，节省了人力成本，提高了特征提取结果的效率和准确性，进而提升了订单准备时间的最终预测结果的准确性。其次，在预测订单准备时间时，使用的特征信息包括商品共现向量以及属性向量，综合考虑了订单中商品的共现性以及不同属性对订单准备时间的影响，进一步提升了订单准备时间的预测结果的准确性。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例示出的一种订单准备时间的预测方法的流程图；
图2是根据本公开一示例性实施例示出的一种隐向量模型的训练方法的流程图；
图3是根据本公开一示例性实施例示出的一种隐向量模型训练过程的示意图；
图4是根据本公开一示例性实施例示出的一种待预测订单中每一属性的向量获取过程的示意图；
图5是根据本公开一示例性实施例示出的一种订单准备时间预测过程的示意图；
图6是根据本公开一示例性实施例示出的一种订单准备时间的预测装置的框图；
图7是根据本公开另一示例性实施例示出的一种订单准备时间的预测装置的框图；
图8是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
本公开主要应用于外卖订餐等配送业务的场景中，在该类配送业务中，通常需要对订单的准备时间(即从商家接受订单到商家准备好订单中所有商品所需的时间)进行预测，以便对订单进行配送调度。相关技术中的订单准备时间的预测方法，通常采用人工统计方法对订单的商品信息(例如包括订单中各商品的名称、单价、数量)以及商家信息(例如包括商家的进单量、未完成订单数量)等信息进行特征提取，基于提取出的特征信息进行预测，得到订单的准备时间。然而，由于订单信息中各商品的名称、单价以及数量等商品信息的格式不统一，通过人工统计法对这类信息进行特征提取所需的工作量大、效率低且依赖于操作者的经验，因而致使特征提取结果的可靠性和准确性难以得到保证，进而影响订单准备时间的最终预测结果。
为了解决上述技术问题，本公开实施例提供一种订单准备时间的预测方法，以实现对订单信息中的商品信息的自动化提取，以节省人力成本，提高特征提取工程的效率和准确性，进而提升订单准备时间的最终预测结果。
图1是根据本公开一示例性实施例示出的一种订单准备时间的预测方法的流程图，如图1所示，该方法包括以下步骤：
S101、对待预测订单的订单信息进行特征提取，得到待预测订单的特征信息。其中，订单信息包括商品信息，对于商品信息根据以下方式进行特征提取：将待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一商品的名称的隐向量，并根据各个商品的名称的隐向量确定预测订单的商品共现向量，以及根据各个商品的属性信息及其名称的隐向量，确定待预测订单的属性向量。
其中，商品信息包括所述待预测订单中的所有商品的名称和属性信息。示例地，商品的属性信息可以例如包括但不限于以下属性中的至少一者：单价、数量以及加权数量(即商品的数量与历史时间段内该商品对应的订单的数量)等等。表1示出了一种示例性的待预测订单的属性信息。
表1
商品名称 单价 数量 加权数量
商品1 35 3 1
商品2 38 1 1
商品3 35 1 1
…… …… …… ……
相应地，待预测订单的特征信息包括商品共现向量和属性向量。商品共现向量用于表征一订单中的商品的共现特征，属性向量用于表征一订单中的商品属性特征。具体地，订单中可以包括多类属性，例如商品的单价、数量、加权数量等，每一类属性都对应一属性向量，每一属性向量用于表征订单中所有商品对应该类属性的特征。
每一属性对应的属性向量用于表征一订单中所有商品对应该属性的特征。
值得说明的是，待预测订单的订单信息还可以包括待预测订单的生成时间段、所对应的商家的相关信息(例如包括商家的进单量、未完成订单的数量)等其他信息。对于这类信息，可以采用统计方法进行特征提取。
S102、根据待预测订单的特征信息，预测待预测订单的准备时间。
采用上述方法，在对待预测订单的订单信息中的商品信息进行特征提取时，通过预先建立的隐向量模型得到每一商品的名称的隐向量，进一步根据每一商品的名称的隐向量得到待预测订单的商品共现向量，以及根据各个商品的属性信息及其名称的隐向量确定待预测订单的属性向量。可见，对商品信息进行特征提取的整个过程无需人工参与，而是基于预先建立的模型自动化完成的，相比于相关技术中通过人工统计法对商品信息进行特征提取的方式，节省了人力成本，提高了特征提取结果的效率和准确性，进而提升了订单准备时间的最终预测结果的准确性。其次，在预测订单准备时间时，使用的特征信息包括商品共现向量以及属性向量，综合考虑了订单中商品的共现性以及不同属性对订单准备时间的影响，进一步提升了订单准备时间的预测结果的准确性。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
为了使本领域技术人员更加理解本公开实施例提供的技术方案，下面对本公开实施例提供的订单准备时间的预测方法进行详细的说明。
首先，针对上述步骤S101中所述的隐向量模型，本公开实施例还包括对该隐向量模型的训练方法，值得说明的是，对隐向量模型的训练是根据采集到的海量样本订单预先进行的，后续在订单准备时间的预测过程中，无需每次对隐向量模型进行训练，或者可以周期性地基于新采集的样本订单对该隐向量模型进行更新。
具体地，对上述隐向量模型的训练方法如图2所示，包括：
S201、将订单中的每一样本商品的名称输入至隐向量模型，得到每一样本商品的名称的隐向量。
具体地，所述隐向量模型可以包括以下模型中的任一种：长短期记忆(LSTM，LongShort-Term Memory)网络，循环神经网络(RNN，Recurrent Neural Networks)以及Transformer网络。其中，LSTM网络可以为字级别(word-level)的网络。
S202、预测各个隐向量对应的商品名称。
具体地，可针对得到的每一隐向量，获取该隐向量的关联隐向量的平均值，根据该平均值预测该隐向量对应的商品名称。其中，每一隐向量的关联隐向量包括样本订单中，与该隐向量对应的样本商品相邻的其他样本商品的名称对应的隐向量。
S203、根据各个样本商品的名称的隐向量，以及预测得到的商品名称与样本商品的名称之间的一致性，更新该隐向量模型。
示例地，如图3所示，以样本商品包括三个商品为例，将三个商品的名称(即foodname1，foodname2以及foodname3)输入隐向量模型中，得到三个商品各自的名称的隐向量h1、h2以及h3。接着，基于word2vec中的连续词袋(CBOW，Continuous Bag of Words)方式，使用隐向量h1的关联隐向量h2和h3的平均值avg(h2,h3)预测该隐向量h1对应的商品名称food1，使用隐向量h2的关联隐向量h1和h3的平均值avg(h1,h3)预测该隐向量h2对应的商品名称food2，以及使用隐向量h3的关联隐向量h1和h2的平均值avg(h1,h2)预测该隐向量h3对应的商品名称food3。接着，根据各个样本商品的名称的隐向量、以及预测得到的商品名称与样本商品的名称之间的一致性调整隐向量模型的参数，得到最终的隐向量模型。
其次，针对上述步骤S101中所述的确定待预测订单的商品共现向量的步骤，可将获取到的待预测订单中所有商品名称的隐向量的平均值，作为待预测订单的商品共现向量。
示例地，以待预测订单包括三个商品示意，将所有商品的名称(即foodname1,foodname2以及foodname3)对应的隐向量(即h1,h2以及h3)的平均值avg(h1,h2,h3)作为待该待预测订单的商品共现向量。
采用上述训练方法来训练隐向量模型，使隐向量模型自动学习如何提取商品名称的隐向量，整个训练过程无需人工参与，因而可以提升隐向量模型的训练效率并且使得训练好的隐向量模型的输出结果更准确，进而基于该隐向量模型的输出结果对订单准备时间进行预测，得到的预测结果更准确。
接着，针对上述步骤S101中所述的确定待预测订单的属性向量的步骤，在一种可选的实现方式中，针对待预测订单中的每一类属性，可根据以下公式确定该类属性对应的属性向量：
Hj＝attrj1·h1+...+attrjm·hn
其中，Hj为所述待预测订单中的第j类属性对应的属性向量，0≤j≤m；m为所述待预测订单中的商品的属性类别数量；hi为所述待预测订单中的第i个商品的名称的隐向量，0≤i≤n，n为所述待预测商品中的商品总数；attrji为所述第i个商品的第j类属性的值。
示例地，如图4所示，以待预测订单包括三个商品示意，将所有商品的名称(即foodname1,foodname2以及foodname3)输入预先建立的隐向量模型，得到各个商品的名称的隐向量h1、h2以及h3。接着，针对每一类属性，,分别获取商品1的名称的隐向量h1与商品1在该属性下的值att1的乘积、商品2的名称的隐向量h2与商品2在该属性下的值att2的乘积以及商品3的名称的隐向量h3与商品3在该属性下的值att3的乘积，将所有乘积的和作为该属性的向量。
值得说明的是，在具体实施时，可根据实际需要增加所需的属性，按照上述方法计算增加的每一属性对应的属性向量。
通过上述方式确定待预测订单的属性向量，综合考虑了订单中所有商品的数量、单价等不同属性对订单数准备时间的影响，进而提升了对订单准备时间预测的准确性。
紧接着，针对上述步骤S102，在一种可选的实现方式中，可将待预测订单的特征信息输入至预先建立的订单准备时间预测模型，得到该待预测订单的准备时间。其中，该订单准备时间预测模型是将不同样本订单的实际准备时间和特征信息作为训练数据训练得到的。具体地，订单准备时间预测模型可以包括以下模型中的任一种：多层感知神经网络(MLP，Multi-Layer Perception)，深度神经网络(DeepNN)。这样，通过将提取出的待预测订单的特征信息输入机器学习模型的方式对待预测订单的准备时间进行预测，可以进一步提升订单准备时间的预测效率以及预测结果的准确性。
进一步地，在该实现方式下，为了进一步提升订单准备时间的预测效率，如图5所示，在将待预测订单的特征信息输入至预先建立的订单准备时间预测模型之前，上述订单准备时间的预测方法还包括：将待预测订单的特征信息中包括上述商品共现向量和属性向量在内的所有向量进行拼接。相应地，将拼接后的向量输入至该订单准备时间预测模型，得到订单准备时间的预测结果。通过该实现方式，将特征信息中的所有向量进行拼接，使得不同的向量均投影至同一特征空间中，进而使得订单准备时间预测模型基于同一特征空间中的向量对订单的准备时间进行预测，可以提升订单准备时间预测模型的预测效率。
本公开实施例还提供一种订单准备时间的预测装置，用于实施上述方法实施例提供的订单准备时间的预测方法。图6是根据一示例性实施例示出的一种订单准备时间的预测装置的框图，如图6所示，该装置600包括：
特征提取模块601，用于对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；
预测模块602，用于根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；
其中，所述订单信息包括商品信息，所述特征提取模块601根据以下方式对所述商品信息进行特征提取：
将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，商品共现向量用于表征一订单中的商品的共现特征；
根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；
所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。
采用上述订单准备时间预测装置，在对待预测订单的订单信息中的商品信息进行特征提取时，通过预先建立的隐向量模型得到每一商品的名称的隐向量，进一步根据每一商品的名称的隐向量得到待预测订单的商品共现向量，以及根据各个商品的属性信息及其名称的隐向量确定待预测订单的属性向量。可见，对商品信息进行特征提取的整个过程无需人工参与，而是基于预先建立的模型自动化完成的，相比于相关技术中通过人工统计法对商品信息进行特征提取的方式，节省了人力成本，提高了特征提取结果的效率和准确性，进而提升了订单准备时间的最终预测结果的准确性。其次，在预测订单准备时间时，使用的特征信息包括商品共现向量以及属性向量，综合考虑了订单中商品的共现性以及不同属性对订单准备时间的影响，进一步提升了订单准备时间的预测结果的准确性。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
可选地，如图7所示，所述装置600还包括用于训练所述隐向量模型的训练模块603，所述训练模块603用于根据以下方式训练所述隐向量模型：
将样本订单中的每一样本商品的名称输入至所述隐向量模型，得到每一样本商品的名称的隐向量；
预测各个所述隐向量对应的商品名称；
根据各个所述样本商品的名称的隐向量，以及预测得到的商品名称与所述样本商品的名称之间的一致性，更新所述隐向量模型。
采用上述训练模块训练隐向量模型，使隐向量模型自动学习如何提取商品名称的隐向量，整个训练过程无需人工参与，因而可以提升隐向量模型的训练效率并且使得训练好的隐向量模型的输出结果更准确，进而基于该隐向量模型的输出结果对订单准备时间进行预测，得到的预测结果更准确。
可选地，所述训练模块603用于根据以下方式预测所述隐向量对应的商品名称：
针对每一所述隐向量，获取该隐向量的关联隐向量的平均值，其中，所述关联隐向量包括所述样本订单中，与该隐向量对应的样本商品相邻的其他样本商品的名称对应的隐向量；
根据该平均值预测该隐向量对应的商品名称。
可选地，所述特征提取模块601用于根据以下方式确定所述待预测订单的商品共现向量：
获取所有所述商品的名称的隐向量的平均值，作为所述待预测订单的商品共现向量。
可选地，所述特征提取模块601用于根据以下方式确定所述待预测订单的属性向量：
针对所述待预测订单中每一类属性，根据以下公式确定该类属性对应的属性向量：
Hj＝attrj1·h1+...+attrjn·hn
其中，Hj为所述待预测订单中的第j类属性对应的属性向量，0≤j≤m；m为所述待预测订单中的商品的属性类别数量；hi为所述待预测订单中的第i个商品的名称的隐向量，0≤i≤n，n为所述待预测商品中的商品总数；attrji为所述第i个商品的第j类属性的值。
通过上述方式确定待预测订单的属性向量，综合考虑了订单中所有商品的数量、单价等不同属性对订单数准备时间的影响，进而提升了对订单准备时间预测的准确性。
可选地，如图7所示，所述预测模块602包括：
预测子模块621，用于将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，得到所述待预测订单的准备时间，其中，所述订单准备时间预测模型是将不同样本订单的实际准备时间和特征信息作为训练数据训练得到的。
可选地，如图7所示，所述装置600还包括：
拼接模块604，用于在所述预测子模块621将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型之前，将所述待预测订单的特征信息中包括所述商品共现向量和所述属性向量在内的所有向量进行拼接；
所述预测子模块621，用于将拼接后的向量输入至所述订单准备时间预测模型。
通过拼接模块将特征信息中的所有向量进行拼接，使得不同的向量均投影至同一特征空间中，进而使得订单准备时间预测模型基于同一特征空间中的向量对订单的准备时间进行预测，可以提升订单准备时间预测模型对订单准备时间的预测效率。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
另外，本领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述订单准备时间的预测方法的步骤。
本公开实施例还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述订单准备时间的预测方法的步骤。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以被提供为一服务器。参照图8，电子设备800包括处理器822，其数量可以为一个或多个，以及存储器832，用于存储可由处理器822执行的计算机程序。存储器832中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器822可以被配置为执行该计算机程序，以执行上述订单准备时间的预测方法。
另外，电子设备800还可以包括电源组件826和通信组件850，该电源组件826可以被配置为执行电子设备800的电源管理，该通信组件850可以被配置为实现电子设备800的通信，例如，有线或无线通信。此外，该电子设备800还可以包括输入/输出(I/O)接口858。电子设备800可以操作基于存储在存储器832的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述订单准备时间的预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器832，上述程序指令可由电子设备800的处理器822执行以完成上述订单准备时间的预测方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种订单准备时间的预测方法，其特征在于，包括：
对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；
根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；
其中，所述订单信息包括商品信息，对于所述商品信息根据以下方式进行特征提取：
将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，所述商品共现向量用于表征一订单中的商品的共现特征；
根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；
所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。
2.根据权利要求1所述的方法，其特征在于，所述隐向量模型是根据以下方式训练的：
将样本订单中的每一样本商品的名称输入至所述隐向量模型，得到每一样本商品的名称的隐向量；
预测各个所述隐向量对应的商品名称；
根据各个所述样本商品的名称的隐向量，以及预测得到的商品名称与所述样本商品的名称之间的一致性，更新所述隐向量模型。
3.根据权利要求2所述的方法，其特征在于，所述预测所述隐向量对应的商品名称，包括：
针对每一所述隐向量，获取该隐向量的关联隐向量的平均值，其中，所述关联隐向量包括所述样本订单中，与该隐向量对应的样本商品相邻的其他样本商品的名称对应的隐向量；
根据该平均值预测该隐向量对应的商品名称。
4.根据权利要求1所述的方法，其特征在于，所述根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，包括：
获取所有所述商品的名称的隐向量的平均值，作为所述待预测订单的商品共现向量。
5.根据权利要求1所述的方法，其特征在于，所根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，包括：
针对所述待预测订单中每一类属性，根据以下公式确定该类属性对应的属性向量：
Hj＝attrj1·h1+...+attrjn·hn
其中，Hj为所述待预测订单中的第j类属性对应的属性向量，0≤j≤m；m为所述待预测订单中的商品的属性类别数量；hi为所述待预测订单中的第i个商品的名称的隐向量，0≤i≤n，n为所述待预测商品中的商品总数；attrji为所述第i个商品的第j类属性的值。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据所述待预测订单的特征信，预测所述待预测订单的准备时间，包括：
将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，得到所述待预测订单的准备时间，其中，所述订单准备时间预测模型是将不同样本订单的实际准备时间和特征信息作为训练数据训练得到的。
7.根据权利要求6所述的方法，其特征在于，在所述将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型之前，还包括：
将所述待预测订单的特征信息中包括所述商品共现向量和所述属性向量在内的所有向量进行拼接；
所述将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，包括：
将拼接后的向量输入至所述订单准备时间预测模型。
8.一种订单准备时间的预测装置，其特征在于，包括：
特征提取模块，用于对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；
预测模块，用于根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；
其中，所述订单信息包括商品信息，所述特征提取模块根据以下方式对所述商品信息进行特征提取：
将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，商品共现向量用于表征一订单中的商品的共现特征；
根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；
所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至7中任一项所述方法的步骤。
CN201910878055.5A 2019-09-17 2019-09-17 订单准备时间的预测方法和装置，电子设备及存储介质 Active CN110689177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910878055.5A CN110689177B (zh) 2019-09-17 2019-09-17 订单准备时间的预测方法和装置，电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910878055.5A CN110689177B (zh) 2019-09-17 2019-09-17 订单准备时间的预测方法和装置，电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110689177A true CN110689177A (zh) 2020-01-14
CN110689177B CN110689177B (zh) 2020-11-20

Family

ID=69109495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910878055.5A Active CN110689177B (zh) 2019-09-17 2019-09-17 订单准备时间的预测方法和装置，电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110689177B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036702A (zh) * 2020-07-30 2020-12-04 拉扎斯网络科技（上海）有限公司 数据处理方法、装置、可读存储介质和电子设备
CN117649164A (zh) * 2024-01-30 2024-03-05 四川宽窄智慧物流有限责任公司 一种货物统筹管理的梯度分配方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080248723A1 (en) * 2007-04-07 2008-10-09 Tokyo Seimitsu Co., Ltd. Polishing condition control apparatus and polishing condition control method of CMP apparatus
US20080319864A1 (en) * 2007-06-21 2008-12-25 Qsr Automations, Inc. Method of dynamically routing food items through a restaurant kitchen
CN108491951A (zh) * 2018-01-25 2018-09-04 北京三快在线科技有限公司 一种外卖配送时间的预测方法、装置及电子设备
CN108831450A (zh) * 2018-03-30 2018-11-16 杭州鸟瞰智能科技股份有限公司 一种基于用户情绪识别的虚拟机器人人机交互方法
CN109146203A (zh) * 2018-09-28 2019-01-04 北京顺丰同城科技有限公司 订单配送信息预测方法、装置、电子设备及存储介质
CN109214548A (zh) * 2018-07-27 2019-01-15 北京三快在线科技有限公司 一种订单准备时间的预测方法及装置
CN109871858A (zh) * 2017-12-05 2019-06-11 北京京东尚科信息技术有限公司 预测模型建立、对象推荐方法及系统、设备及存储介质
CN109886603A (zh) * 2019-03-12 2019-06-14 北京同城必应科技有限公司 订单推送方法、装置、设备及存储介质
CN109905772A (zh) * 2019-03-12 2019-06-18 腾讯科技（深圳）有限公司 视频片段查询方法、装置、计算机设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080248723A1 (en) * 2007-04-07 2008-10-09 Tokyo Seimitsu Co., Ltd. Polishing condition control apparatus and polishing condition control method of CMP apparatus
US20080319864A1 (en) * 2007-06-21 2008-12-25 Qsr Automations, Inc. Method of dynamically routing food items through a restaurant kitchen
CN109871858A (zh) * 2017-12-05 2019-06-11 北京京东尚科信息技术有限公司 预测模型建立、对象推荐方法及系统、设备及存储介质
CN108491951A (zh) * 2018-01-25 2018-09-04 北京三快在线科技有限公司 一种外卖配送时间的预测方法、装置及电子设备
CN108831450A (zh) * 2018-03-30 2018-11-16 杭州鸟瞰智能科技股份有限公司 一种基于用户情绪识别的虚拟机器人人机交互方法
CN109214548A (zh) * 2018-07-27 2019-01-15 北京三快在线科技有限公司 一种订单准备时间的预测方法及装置
CN109146203A (zh) * 2018-09-28 2019-01-04 北京顺丰同城科技有限公司 订单配送信息预测方法、装置、电子设备及存储介质
CN109886603A (zh) * 2019-03-12 2019-06-14 北京同城必应科技有限公司 订单推送方法、装置、设备及存储介质
CN109905772A (zh) * 2019-03-12 2019-06-18 腾讯科技（深圳）有限公司 视频片段查询方法、装置、计算机设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036702A (zh) * 2020-07-30 2020-12-04 拉扎斯网络科技（上海）有限公司 数据处理方法、装置、可读存储介质和电子设备
CN117649164A (zh) * 2024-01-30 2024-03-05 四川宽窄智慧物流有限责任公司 一种货物统筹管理的梯度分配方法及系统
CN117649164B (zh) * 2024-01-30 2024-04-16 四川宽窄智慧物流有限责任公司 一种货物统筹管理的梯度分配方法及系统

Also Published As

Publication number Publication date
CN110689177B (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
US20210326729A1 (en) Recommendation Model Training Method and Related Apparatus
CN112163887B (zh) 电销系统和电销名单管理方法、装置、设备、存储介质
CN107845016B (zh) 信息输出方法和装置
CN107958297B (zh) 一种产品需求预测方法及产品需求预测装置
CN110689177B (zh) 订单准备时间的预测方法和装置，电子设备及存储介质
CN108133390A (zh) 用于预测用户行为的方法和装置以及计算设备
CN110019420A (zh) 一种数据序列预测方法及计算设备
CN109697636A (zh) 一种商户推荐方法、商户推荐装置、电子设备和介质
CN105868956A (zh) 一种数据处理方法及装置
CN113268403A (zh) 时间序列的分析预测方法、装置、设备及存储介质
CN110363468B (zh) 采购订单的确定方法、装置、服务器及可读存储介质
US11455559B2 (en) Method and system for estimating relocation costs
CN117710011A (zh) 基于产品预测销量的营销策略制定方法、装置
CN112132498A (zh) 库存管理方法、装置、设备及存储介质
KR101927273B1 (ko) 미청구공사의 위험도 평가 시스템 및 평가 장치
CN114944219A (zh) 基于人工智能的心理量表推荐方法及装置、存储介质
CN113190587A (zh) 实现业务数据处理的数据处理方法和装置
CN115943399A (zh) 生成方法、生成装置、程序、信息处理方法及信息处理装置
CN112328769A (zh) 自动客服的应答方法、装置和计算机可读存储介质
CN112163167A (zh) 基于大数据平台的智能决策方法、系统、设备及介质
CN111881008A (zh) 一种数据评测、模型训练方法、装置、设备及存储介质
CN113435674B (zh) 客户服务资源信息处理、模型生成方法及装置
US20140149184A1 (en) Systems and methods for simulating a product at different attributes and levels
CN108346080A (zh) 一种流量套餐组合优化方法及装置
CN116843203B (zh) 服务接入处理方法、装置、设备、介质及产品

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