CN110689254A - 数据处理方法、装置、电子设备和计算机可读存储介质 - Google Patents
数据处理方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110689254A CN110689254A CN201910900184.XA CN201910900184A CN110689254A CN 110689254 A CN110689254 A CN 110689254A CN 201910900184 A CN201910900184 A CN 201910900184A CN 110689254 A CN110689254 A CN 110689254A
- Authority
- CN
- China
- Prior art keywords
- task
- processing
- information
- target
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 434
- 230000002159 abnormal effect Effects 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种数据处理方法、装置、电子设备和计算机可读存储介质,通过获取目标任务和与配送资源绑定的处理任务对应的路径图形信息,并将所述路径图形信息输入至对应的任务预测模型中以获取任务预测结果,在所述任务预测结果满足预定条件时,将所述目标任务分配给所述配送资源,其中,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息。由此,本实施例通过多个连续处理任务的处理路径在地图上的图形学特征确定所述目标任务的处理策略,可以提高任务处理效率和任务处理的可靠性。
Description
技术领域
本发明涉及互联网技术领域,更具体地,涉及一种数据处理方法、装置、电子设备和计算机可读存储介质。
背景技术
随着互联网技术的快速发展,基于互联网的应用越来越多,例如物流配送类应用等,这些应用通常面临物流调度问题。在物流调度领域中,通常会按照预定规则分配给配送员顺路任务,以提高任务处理效率。
目前通过仅考虑物流路径等客观因素来确定分配给配送资源的顺路任务,忽视了配送资源主观因素对物流配送效率的影响。
发明内容
有鉴于此,本发明实施例提供一种数据处理方法、装置、电子设备和计算机可读存储介质,以提高任务处理效率和任务处理的可靠性。
第一方面,本发明实施例提供一种数据处理方法,所述方法包括:
接收来自客户端的数据指令;
通过至少一个处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
通过至少一个处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
响应于所述任务预测结果满足预定条件,通过至少一个处理器将所述目标订单分配给所述配送资源。
可选的,通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息包括:
根据各所述处理任务的当前状态确定各所述处理任务的处理路径;
计算所述目标任务的处理路径分别与各所述处理任务的处理路径的夹角;
确定各所述夹角中的极值、各所述夹角的平均值、各所述夹角的加权和中的至少一项为所述路径图形信息。
可选的,根据各所述处理任务的当前状态确定各所述处理任务的处理路径包括:
响应于所述处理任务的当前状态为第一状态,将所述处理任务的起始地址与到达地址之间的路径确定为所述处理任务的处理路径;
响应于所述处理任务的当前状态为第二状态,将所述配送资源的地理位置与所述处理任务的到达地址之间的路径确定为所述处理任务的处理路径。
可选的,所述路径图形信息还包括所述目标任务的处理路径的绝对距离、所述处理任务的处理路径的绝对距离、所述目标任务分别与各所述处理任务的处理路径的绝对距离比值、所述目标任务分别与各所述处理任务的起始地址的绝对距离、所述目标任务分别与各所述处理任务的到达地址的绝对距离、所述目标任务和所述处理路径的路障信息参数以及所述目标任务的处理难度参数中的任意一项。
可选的,所述任务预测结果满足预定条件具体为所述目标任务被预测为正常任务;
其中,在所述目标任务被完成的概率大于第一阈值时,所述目标任务被预测为正常任务。
可选的,所述任务预测模型通过所述配送资源的历史任务信息训练获得,所述历史任务包括所述配送资源的正常历史任务和异常历史任务。
可选的,所述任务预测模型通过多个配送资源的历史任务信息训练获得,所述历史任务包括所述多个配送资源的正常历史任务和异常历史任务。
可选的,所述任务预测模型根据所述正常历史任务确定的正样本数据和所述异常历史任务确定的负样本数据训练获得,
所述正常历史任务的信息包括所述正常历史任务与至少一个第一历史任务的起始地址、达到地址,所述正常历史任务和所述第一历史任务处于同一个任务处理批次中,所述正样本数据包括所述正常历史任务的任务完成参数以及所述正常历史任务与各所述第一历史任务的处理路径的夹角信息;
所述异常历史任务的信息包括所述异常历史任务与至少一个第二历史任务的起始地址、达到地址,所述异常历史任务和所述第二历史任务处于同一个任务处理批次中,所述负样本数据包括所述异常历史任务的任务完成参数以及所述异常历史任务与各所述第二历史任务的处理路径的夹角信息。
第二方面,本发明实施例提供一种数据处理装置,所述装置包括:
指令接收单元,被配置为接收来自客户端的数据指令;
指令解析单元,被配置为通过至少一个处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
信息获取单元,被配置为获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
路径图形信息获取单元,被配置为通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
任务预测单元,被配置为通过至少一个处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
任务处理单元,被配置为响应于所述任务预测结果满足预定条件,通过至少一个处理器将所述目标订单分配给所述配送资源。
第三方面,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以实现如下步骤:
接收来自客户端的数据指令;
通过所述处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
通过所述处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
通过所述处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
响应于所述任务预测结果满足预定条件,通过所述处理器将所述目标订单分配给所述配送资源。
可选的,通过所述处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息包括:
根据各所述处理任务的当前状态确定各所述处理任务的处理路径;
计算所述目标任务的处理路径分别与各所述处理任务的处理路径的夹角;
确定各所述夹角中的极值、各所述夹角的平均值、各所述夹角的加权和中的至少一项为所述路径图形信息。
可选的,根据各所述处理任务的当前状态确定各所述处理任务的处理路径包括:
响应于所述处理任务的当前状态为第一状态,将所述处理任务的起始地址与到达地址之间的路径确定为所述处理任务的处理路径;
响应于所述处理任务的当前状态为第二状态,将所述配送资源的地理位置与所述处理任务的到达地址之间的路径确定为所述处理任务的处理路径。
可选的,所述路径图形信息还包括所述目标任务的处理路径的绝对距离、所述处理任务的处理路径的绝对距离、所述目标任务分别与各所述处理任务的处理路径的绝对距离比值、所述目标任务分别与各所述处理任务的起始地址的绝对距离、所述目标任务分别与各所述处理任务的到达地址的绝对距离、所述目标任务和所述处理路径的路障信息参数以及所述目标任务的处理难度参数中的任意一项。
可选的,所述任务预测结果满足预定条件具体为所述目标任务被预测为正常任务;
其中,在所述目标任务被完成的概率大于第一阈值时,所述目标任务被预测为正常任务。
可选的,所述任务预测模型通过所述配送资源的历史任务信息训练获得,所述历史任务包括所述配送资源的正常历史任务和异常历史任务。
可选的,所述任务预测模型通过多个配送资源的历史任务信息训练获得,所述历史任务包括所述多个配送资源的正常历史任务和异常历史任务。
可选的,所述任务预测模型根据所述正常历史任务确定的正样本数据和所述异常历史任务确定的负样本数据训练获得,
所述正常历史任务的信息包括所述正常历史任务与至少一个第一历史任务的起始地址、达到地址,所述正常历史任务和所述第一历史任务处于同一个任务处理批次中,所述正样本数据包括所述正常历史任务的任务完成参数以及所述正常历史任务与各所述第一历史任务的处理路径的夹角信息;
所述异常历史任务的信息包括所述异常历史任务与至少一个第二历史任务的起始地址、达到地址,所述异常历史任务和所述第二历史任务处于同一个任务处理批次中,所述负样本数据包括所述异常历史任务的任务完成参数以及所述异常历史任务与各所述第二历史任务的处理路径的夹角信息。
第四方面,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上所述的方法。
本发明实施例通过获取目标任务和与配送资源绑定的处理任务对应的路径图形信息,并将所述路径图形信息输入至对应的任务预测模型中以获取任务预测结果,在所述任务预测结果满足预定条件时,将所述目标任务分配给所述配送资源,其中,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息。由此,本实施例通过多个连续处理任务的处理路径在地图上的图形学特征确定所述目标任务的处理策略,可以提高任务处理效率和任务处理的可靠性。
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是本发明实施例的数据处理方法的流程图;
图2是本发明实施例的任务处理路径的示意图;
图3是本发明实施例的数据处理流程的示意图;
图4是本发明实施例的数据处理装置的示意图;
图5是本发明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,否则在说明书的“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,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
目前,在配送资源背负有处理任务时,可以通过预定的顺路规则将目标任务分配给该配送资源,以提高配送资源的利用率,进而提高任务处理效率。可选的,预定的顺路规则可以为:该配送资源背负的处理任务中存在一个处理任务的起始地址与该目标任务的起始地址在一个预定的范围内,将该目标任务作为顺路任务分配给该配送资源。但是,上述预定的顺路规则并没有充分考虑配送资源的主观因素,例如,目标任务对应的配送区域的地理环境、顺路任务的类型等不符合配送资源的喜好,这可能使得配送资源拒绝接受此目标任务,或者在接受后消极对待该目标任务,以使得该目标任务不能按照预定时间完成等,从而导致系统具有较低的任务处理效率和任务处理可靠性。而本实施例提供了一种数据处理方法,使得在进行任务分配时,充分考虑配送资源的主观因素,以提高任务处理效率和可靠性。
图1是本发明实施例的数据处理方法的流程图。如图1所示,本实施例的数据处理方法包括以下步骤:
步骤S110,接收来自客户端的数据指令。可选的,客户端生成目标任务时,发出该数据指令。
步骤S120,通过至少一个处理器解析上述数据指令,获取目标任务的信息。其中,目标任务的信息包括目标任务对应的起始地址和到达地址等。
步骤S130,获取与配送资源绑定的处理任务的信息和配送资源的地理位置。处理任务的信息包括处理任务的当前状态、处理任务对应的起始地址和到达地址。其中,与配送资源绑定的处理任务为配送资源背负的未完成任务。处理任务的当前状态包括第一状态和第二状态。在一种可选的实现方式中,以外卖配送任务为例,第一状态为未取单状态,第二状态为已取单未送达状态。
步骤S140,通过至少一个处理器根据目标任务的信息、处理任务的信息和所述配送资源的地理位置确定路径图形信息。其中,路径图形信息包括目标任务的处理路径与至少一个处理任务的处理路径的夹角信息。
在一种可选的实现方式中,步骤S140进一步包括:
根据各所述处理任务的当前状态确定各所述处理任务的处理路径;
计算所述目标任务的处理路径分别与各所述处理任务的处理路径的夹角;
确定各所述夹角中的极值、各所述夹角的平均值、各所述夹角的加权和中的至少一项为所述路径图形信息。
在一种可选的实现方式中,根据各所述处理任务的当前状态确定各所述处理任务的处理路径包括:
响应于所述处理任务的当前状态为第一状态,将所述处理任务的起始地址与到达地址之间的路径确定为所述处理任务的处理路径;
响应于所述处理任务的当前状态为第二状态,将所述配送资源的地理位置与所述处理任务的到达地址之间的路径确定为所述处理任务的处理路径。
在另一种可选的实现方式中,无论处理任务的当前状态为第一状态还是第二状态,该处理任务的处理路径均为该处理任务的起始地址和到达地址确定的处理路径。由此,可以无需获取配送资源当前的地理位置,进一步提高了任务处理效率。
图2是本发明实施例的任务处理路径的示意图。如图2所示,目标任务A的起始地址为a、到达地址为a'。当前与配送资源Q绑定的处理任务B的起始地址为b、到达地址为b',处理任务C的起始地址为c、达到地址为c'。配送资源Q的当前地理位置为q。其中,处理任务B的当前状态为第一状态,也即配送资源Q尚未到达处理任务B的起始地址。处理任务C的当前状态为第二状态,也即配送资源Q已经从起始地址c获取对应的任务对象且尚未将对应的任务对象送至到达地址c'。由此,目标任务A的处理路径为aa',处理任务B的处理路径为bb',处理任务C的处理路径为qc'。则目标任务A的处理路径aa'和处理任务B的处理路径bb'的夹角为θ1,目标任务A的处理路径aa'和处理任务C的处理路径qc'的夹角为θ2。由此,在本实施例中,目标任务A和配送资源Q对应的路径图形信息包括夹角θ1和夹角θ2中的极大值、夹角θ1和夹角θ2的加权和、夹角θ1和夹角θ2的平均值中的一项或多项。可选的,夹角越大,其权重越大,由此能够更准确的表征目标任务的处理路径与配送资源当前绑定的处理任务的处理路径之间的相关程度。容易理解,目标任务与上述处理任务的处理路径的夹角极值越大(或加权和越大、或平均值越大),其相关程度越小,对应的配送资源选择处理该目标任务的意愿越低。
在一种可选的实现方式中,上述路径图形信息还可以包括目标任务的处理路径的绝对距离、配送资源当前的处理任务的处理路径的绝对距离、目标任务分别与各处理任务的处理路径的绝对距离比值、目标任务分别与各处理任务的起始地址的绝对距离、目标任务分别与各处理任务的到达地址的绝对距离、目标任务和处理路径的路障信息参数以及目标任务的处理难度参数中的任意一项。由此,可以通过更多的目标任务与配送资源的处理任务之间的环境参数,更准确地获取目标任务与配送资源的处理任务之间的相关程度。
步骤S150,通过至少一个处理器将上述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果。其中,任务预测结果用于表征目标任务被正常完成的概率。
步骤S160,响应于任务预测结果满足预定条件,通过至少一个处理器将所述目标订单与所述配送资源绑定。在一种可选的实现方式中,任务预测结果满足预定条件具体为所述目标任务被预测为正常任务。其中,在目标任务被完成的概率大于第一阈值时,目标任务被预测为正常任务。
在一种可选的实现方式中,任务预测模型通过配送资源的历史任务信息训练获得,历史任务包括配送资源的正常历史任务和异常历史任务。可选的,任务预测模型根据配送资源的正常历史任务确定的正样本数据和配送资源的异常历史任务确定的负样本数据训练获得。其中,正常历史任务为对应的配送资源在预定完成期限内正常完成的历史任务。异常历史任务包括对应的配送资源在接受后又取消接受的任务、或未在预定完成期限内完成的任务、或在任务完成后被投诉的任务等。
其中,正常历史任务的信息包括正常历史任务与至少一个第一历史任务的起始地址、达到地址,正常历史任务和第一历史任务处于同一个任务处理批次中。可选的,正常历史任务所属的任务处理批次可以为配送资源从接收该正常历史任务至完成该正常历史任务的期间,配送资源对应的至少部分历史任务。正样本数据包括正常历史任务的任务完成参数以及正常历史任务与各第一历史任务的处理路径的夹角信息。正常历史任务的任务完成参数包括任务完成状态(例如正常完成的标志)和任务完成时间等。该夹角信息包括该正常历史任务与各第一历史任务的处理路径的夹角的极值、夹角的加权和、夹角的平均值中的至少一项。
异常历史任务的信息包括异常历史任务与至少一个第二历史任务的起始地址、达到地址,异常历史任务和第二历史任务处于同一个任务处理批次中,负样本数据包括异常历史任务的任务完成参数以及异常历史任务与各所述第二历史任务的处理路径的夹角信息。异常历史任务的任务完成参数包括任务完成状态(例如异常完成的标志)和任务完成时间等。该夹角信息包括该异常历史任务与各第二历史任务的处理路径的夹角的极值、夹角的加权和、夹角的平均值中的至少一项。
可选的,正样本数据(负样本数据)还可以包括正常历史任务(异常历史任务)的处理路径的绝对距离、第一历史任务(第二历史人任务)的处理路径的绝对距离、正常历史任务(异常历史任务)分别与各第一历史任务(第二历史人任务)的处理路径的绝对距离比值、正常历史任务(异常历史任务)分别与各第一历史任务(第二历史人任务)的起始地址的绝对距离、正常历史任务(异常历史任务)分别与各第一历史任务(第二历史人任务)的到达地址的绝对距离、正常历史任务(异常历史任务)的处理路径的路障信息参数以及正常历史任务(异常历史任务)的处理难度参数中的任意一项。由此,可以通过更多的正常历史任务(异常历史任务)与第一历史任务(第二历史人任务)之间的环境参数,更准确地获取该配送资源的接单喜好,从而使得训练获得的任务预测模型能够参考该配送资源的接单喜好给该配送资源分配目标任务。
其中,正常历史任务可以表征该配送资源的接单意愿比较高的任务,而异常历史任务可以表征该配送资源的接单意愿比较低的任务,由此,任务预测模型可以根据正常历史任务和异常历史任务的信息获取该配送资源接单意愿比较高的任务的环境参数、以及接单意愿比较低的任务的环境参数,从而在将目标任务和该配送资源的处理任务信息(环境参数)输入至该任务预测模型后,可以获得该配送任务接受该目标任务的意愿程度,也即目标任务被正常完成的概率,在该配送任务接受该目标任务的意愿程度达到预定值时,将该目标任务分配给该配送资源,以避免该配送资源拒绝该目标任务使得再重新选择配送资源、或者目标任务不能被正常完成的情况,由此,可以提高任务处理效率和可靠性。
以外卖配送任务为例,配送资源包括配送员、配送终端和配送车辆等。根据一个配送资源的历史任务信息来训练该配送资源对应的任务预测模型,可以更好的预测该配送资源对于目标任务的接单意愿,从而预测目标任务被正常完成的概率。容易理解,配送资源的接单意愿越高,目标任务被正常完成的概率越高。
在另一种可选的实现方式中,任务预测模型通过多个配送资源的历史任务信息训练获得。其中,历史任务包括所述多个配送资源的正常历史任务和异常历史任务。
可选的,任务预测模型通过同属于一个任务站点的多个配送资源的历史任务信息训练获得。其中,任务预测模型通过该站点的多个配送资源的历史任务信息训练获得,历史任务包括该站点的多个配送资源的至少部分正常历史任务和异常历史任务。可选的,任务预测模型根据该站点的多个配送资源的正常历史任务确定的正样本数据和异常历史任务确定的负样本数据训练获得。其中,正常历史任务为对应的配送资源在预定完成期限内正常完成的历史任务。异常历史任务包括对应的配送资源在接受后又取消接受的任务、或未在预定完成期限内完成的任务、或在任务完成后被投诉的任务等。由此,任务预测模型可以综合该任务站点的多个配送资源的接单意愿,预测将目标任务分配给该任务站点中的一个配送资源,该配送资源正常配送该目标订单的概率。
可选的,任务预测模型通过同属于一个配送资源分组的多个配送资源的历史任务信息训练获得。其中,该配送资源分组中的多个配送资源的配送区域可以在预定的配送区域内。任务预测模型通过该配送资源分组的多个配送资源的历史任务信息训练获得,历史任务包括该配送资源分组的多个配送资源的至少部分正常历史任务和异常历史任务。可选的,任务预测模型根据该配送资源分组的多个配送资源的正常历史任务确定的正样本数据和异常历史任务确定的负样本数据训练获得。其中,正常历史任务为对应的配送资源在预定完成期限内正常完成的历史任务。异常历史任务包括对应的配送资源在接受后又取消接受的任务、或未在预定完成期限内完成的任务、或在任务完成后被投诉的任务等。由此,任务预测模型可以综合该配送资源分组的多个配送资源的接单意愿,预测将目标任务分配给该配送资源分组中的一个配送资源,该配送资源正常配送该目标订单的概率。
本实施例通过获取目标任务和与配送资源绑定的处理任务对应的路径图形信息,并将所述路径图形信息输入至对应的任务预测模型中以获取任务预测结果,在所述任务预测结果满足预定条件时,将所述目标任务分配给所述配送资源,其中,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息。由此,本实施例通过多个连续处理任务的处理路径在地图上的图形学特征确定所述目标任务的处理策略,可以提高任务处理效率和任务处理的可靠性。
图3是本发明实施例的数据处理流程的示意图。本实施例以外卖配送任务为例进行具体说明,应理解,本实施并不对此进行限制,本实施例还可以应用于其他任务,例如快递配送任务、租车分配任务等任务中。如图3所示,用户在客户端31上的外卖平台上下单后,目标订单(也即目标任务)生成,客户端31将数据指令发送至服务器31的指令接收单元321,指令接收单元321被配置为解析该数据指令以获取订单信息,订单信息包括订单的起始地址(也即商家地址)、到达地址(也即用户的配送地址)等。服务器31获取目标任务信息之后,从配送资源中选择一个配送资源配送完成该订单的配送。在本实施例中,将该订单作为顺路订单配送给满足条件的配送资源以提高配送效率。其中,服务器31中的信息获取单元322接收配送资源的终端33发送的地理位置信息,并获取该配送资源当前绑定的处理任务信息。处理任务信息包括各处理任务的起始地址、达到地址、处理任务当前的状态信息及处理任务的预计送达时间等。服务器31中的路径图形信息获取单元323根据目标任务信息、还配送资源的处理任务信息及配送资源的地理位置信息获取路径图形信息。其中,路径图形信息至少包括目标任务与处理任务的处理路径的夹角信息。任务预测模型324根据路径图形信息获取任务预测结果。其中,任务预测结果用于表征目标任务被正常完成的概率。服务器31中的任务处理单元325根据在任务预测结果满足预定条件时,将目标任务与该配送资源绑定,也即将目标订单的配送任务分配给该配送资源完成。在任务预测结果不满足预定条件时,不会将目标订单的配送任务分配给该配送资源。服务器31获取下一个配送资源的地理位置及与其绑定的处理任务信息,并通过任务预测模型324判断是否能够将目标订单作为顺路订单分配给该配送资源进行配送。
本实施例通过获取目标任务和与配送资源绑定的处理任务对应的路径图形信息,并将所述路径图形信息输入至对应的任务预测模型中以获取任务预测结果,在所述任务预测结果满足预定条件时,将所述目标任务分配给所述配送资源,其中,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息。由此,本实施例通过多个连续处理任务的处理路径在地图上的图形学特征确定所述目标任务的分配策略,可以提高任务处理效率和任务处理的可靠性。
图4是本发明实施例的数据处理装置的示意图。如图4所示,本实施例的数据处理装置包括指令接收单元41、指令解析单元42、信息获取单元43、路径图形信息获取单元44、任务预测单元45和任务处理单元46。
其中,指令接收单元41被配置为接收来自客户端的数据指令。指令解析单元42被配置为通过至少一个处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址。信息获取单元43,被配置为获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址。路径图形信息获取单元44被配置为通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息。任务预测单元45被配置为通过至少一个处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率。任务处理单元46被配置为响应于所述任务预测结果满足预定条件,通过至少一个处理器将所述目标订单分配给所述配送资源。
本实施例通过获取目标任务和与配送资源绑定的处理任务对应的路径图形信息,并将所述路径图形信息输入至对应的任务预测模型中以获取任务预测结果,在所述任务预测结果满足预定条件时,将所述目标任务分配给所述配送资源,其中,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息。由此,本实施例通过多个连续处理任务的处理路径在地图上的图形学特征确定所述目标任务的分配策略,可以提高任务处理效率和任务处理的可靠性。
图5是本发明实施例的电子设备的示意图。在本实施例中,电子设备5包括服务器、终端等。如图5所示,该电子设备5:至少包括一个处理器51;以及,与至少一个处理器51通信连接的存储器52;以及,与扫描装置通信连接的通信组件53,通信组件53在处理器51的控制下接收和发送数据;其中,存储器52存储有可被至少一个处理器51执行的指令,指令被至少一个处理器51执行以实现如下步骤:
接收来自客户端的数据指令;
通过所述处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
通过所述处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
通过所述处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
响应于所述任务预测结果满足预定条件,通过所述处理器将所述目标订单分配给所述配送资源。
可选的,通过所述处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息包括:
根据各所述处理任务的当前状态确定各所述处理任务的处理路径;
计算所述目标任务的处理路径分别与各所述处理任务的处理路径的夹角;
确定各所述夹角中的极值、各所述夹角的平均值、各所述夹角的加权和中的至少一项为所述路径图形信息。
可选的,根据各所述处理任务的当前状态确定各所述处理任务的处理路径包括:
响应于所述处理任务的当前状态为第一状态,将所述处理任务的起始地址与到达地址之间的路径确定为所述处理任务的处理路径;
响应于所述处理任务的当前状态为第二状态,将所述配送资源的地理位置与所述处理任务的到达地址之间的路径确定为所述处理任务的处理路径。
可选的,所述路径图形信息还包括所述目标任务的处理路径的绝对距离、所述处理任务的处理路径的绝对距离、所述目标任务分别与各所述处理任务的处理路径的绝对距离比值、所述目标任务分别与各所述处理任务的起始地址的绝对距离、所述目标任务分别与各所述处理任务的到达地址的绝对距离、所述目标任务和所述处理路径的路障信息参数以及所述目标任务的处理难度参数中的任意一项。
可选的,所述任务预测结果满足预定条件具体为所述目标任务被预测为正常任务;
其中,在所述目标任务被完成的概率大于第一阈值时,所述目标任务被预测为正常任务。
可选的,所述任务预测模型通过所述配送资源的历史任务信息训练获得,所述历史任务包括所述配送资源的正常历史任务和异常历史任务。
可选的,所述任务预测模型通过多个配送资源的历史任务信息训练获得,所述历史任务包括所述多个配送资源的正常历史任务和异常历史任务。
可选的,所述任务预测模型根据所述正常历史任务确定的正样本数据和所述异常历史任务确定的负样本数据训练获得,
所述正常历史任务的信息包括所述正常历史任务与至少一个第一历史任务的起始地址、达到地址,所述正常历史任务和所述第一历史任务处于同一个任务处理批次中,所述正样本数据包括所述正常历史任务的任务完成参数以及所述正常历史任务与各所述第一历史任务的处理路径的夹角信息;
所述异常历史任务的信息包括所述异常历史任务与至少一个第二历史任务的起始地址、达到地址,所述异常历史任务和所述第二历史任务处于同一个任务处理批次中,所述负样本数据包括所述异常历史任务的任务完成参数以及所述异常历史任务与各所述第二历史任务的处理路径的夹角信息。
具体地,该电子设备包括:一个或多个处理器51以及存储器52,图5中以一个处理器51为例。处理器51、存储器52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52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51通过运行存储在存储器52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,即实现上述数据处理方法。
存储器52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52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52可选包括相对于处理器51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52中,当被一个或者多个处理器51执行时,执行上述任意方法实施例中的数据处理方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本实施例通过获取目标任务和与配送资源绑定的处理任务对应的路径图形信息,并将所述路径图形信息输入至对应的任务预测模型中以获取任务预测结果,在所述任务预测结果满足预定条件时,将所述目标任务分配给所述配送资源,其中,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息。由此,本实施例通过多个连续处理任务的处理路径在地图上的图形学特征确定所述目标任务的分配策略,可以提高任务处理效率和任务处理的可靠性。
本发明的另一个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。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明实施例公开了A1、一种数据处理方法,其中,所述方法包括:
接收来自客户端的数据指令;
通过至少一个处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
通过至少一个处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
响应于所述任务预测结果满足预定条件,通过至少一个处理器将所述目标订单分配给所述配送资源。
A2、根据A1所述的方法,其中,通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息包括:
根据各所述处理任务的当前状态确定各所述处理任务的处理路径;
计算所述目标任务的处理路径分别与各所述处理任务的处理路径的夹角;
确定各所述夹角中的极值、各所述夹角的平均值、各所述夹角的加权和中的至少一项为所述路径图形信息。
A3、根据A2所述的方法,其中,根据各所述处理任务的当前状态确定各所述处理任务的处理路径包括:
响应于所述处理任务的当前状态为第一状态,将所述处理任务的起始地址与到达地址之间的路径确定为所述处理任务的处理路径;
响应于所述处理任务的当前状态为第二状态,将所述配送资源的地理位置与所述处理任务的到达地址之间的路径确定为所述处理任务的处理路径。
A4、根据A 1所述的方法,其中,所述路径图形信息还包括所述目标任务的处理路径的绝对距离、所述处理任务的处理路径的绝对距离、所述目标任务分别与各所述处理任务的处理路径的绝对距离比值、所述目标任务分别与各所述处理任务的起始地址的绝对距离、所述目标任务分别与各所述处理任务的到达地址的绝对距离、所述目标任务和所述处理路径的路障信息参数以及所述目标任务的处理难度参数中的任意一项。
A5、根据A1-A4中任一项所述的方法,其中,所述任务预测结果满足预定条件具体为所述目标任务被预测为正常任务;
其中,在所述目标任务被完成的概率大于第一阈值时,所述目标任务被预测为正常任务。
A6、根据A 1所述的方法,其中,所述任务预测模型通过所述配送资源的历史任务信息训练获得,所述历史任务包括所述配送资源的正常历史任务和异常历史任务。
A7、根据A1所述的方法,其中,所述任务预测模型通过多个配送资源的历史任务信息训练获得,所述历史任务包括所述多个配送资源的正常历史任务和异常历史任务。
A8、根据A6或A7所述的方法,其中,所述任务预测模型根据所述正常历史任务确定的正样本数据和所述异常历史任务确定的负样本数据训练获得,
所述正常历史任务的信息包括所述正常历史任务与至少一个第一历史任务的起始地址、达到地址,所述正常历史任务和所述第一历史任务处于同一个任务处理批次中,所述正样本数据包括所述正常历史任务的任务完成参数以及所述正常历史任务与各所述第一历史任务的处理路径的夹角信息;
所述异常历史任务的信息包括所述异常历史任务与至少一个第二历史任务的起始地址、达到地址,所述异常历史任务和所述第二历史任务处于同一个任务处理批次中,所述负样本数据包括所述异常历史任务的任务完成参数以及所述异常历史任务与各所述第二历史任务的处理路径的夹角信息。
本发明实施例还公开了B1、一种数据处理装置,其中,所述装置包括:
指令接收单元,被配置为接收来自客户端的数据指令;
指令解析单元,被配置为通过至少一个处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
信息获取单元,被配置为获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
路径图形信息获取单元,被配置为通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
任务预测单元,被配置为通过至少一个处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
任务处理单元,被配置为响应于所述任务预测结果满足预定条件,通过至少一个处理器将所述目标订单分配给所述配送资源。
本发明实施例还公开了C1、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:
接收来自客户端的数据指令;
通过所述处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
通过所述处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
通过所述处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
响应于所述任务预测结果满足预定条件,通过所述处理器将所述目标订单分配给所述配送资源。
C2、根据C1所述的电子设备,其中,通过所述处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息包括:
根据各所述处理任务的当前状态确定各所述处理任务的处理路径;
计算所述目标任务的处理路径分别与各所述处理任务的处理路径的夹角;
确定各所述夹角中的极值、各所述夹角的平均值、各所述夹角的加权和中的至少一项为所述路径图形信息。
C3、根据C2所述的电子设备,其中,根据各所述处理任务的当前状态确定各所述处理任务的处理路径包括:
响应于所述处理任务的当前状态为第一状态,将所述处理任务的起始地址与到达地址之间的路径确定为所述处理任务的处理路径;
响应于所述处理任务的当前状态为第二状态,将所述配送资源的地理位置与所述处理任务的到达地址之间的路径确定为所述处理任务的处理路径。
C4、根据C1所述的电子设备,其中,所述路径图形信息还包括所述目标任务的处理路径的绝对距离、所述处理任务的处理路径的绝对距离、所述目标任务分别与各所述处理任务的处理路径的绝对距离比值、所述目标任务分别与各所述处理任务的起始地址的绝对距离、所述目标任务分别与各所述处理任务的到达地址的绝对距离、所述目标任务和所述处理路径的路障信息参数以及所述目标任务的处理难度参数中的任意一项。
C5、根据C1-C4中任一项所述的电子设备,其中,所述任务预测结果满足预定条件具体为所述目标任务被预测为正常任务;
其中,在所述目标任务被完成的概率大于第一阈值时,所述目标任务被预测为正常任务。
C6、根据C1所述的电子设备,其中,所述任务预测模型通过所述配送资源的历史任务信息训练获得,所述历史任务包括所述配送资源的正常历史任务和异常历史任务。
C7、根据C1所述的电子设备,其中,所述任务预测模型通过多个配送资源的历史任务信息训练获得,所述历史任务包括所述多个配送资源的正常历史任务和异常历史任务。
C8、根据C6或C7所述的电子设备,其中,所述任务预测模型根据所述正常历史任务确定的正样本数据和所述异常历史任务确定的负样本数据训练获得,
所述正常历史任务的信息包括所述正常历史任务与至少一个第一历史任务的起始地址、达到地址,所述正常历史任务和所述第一历史任务处于同一个任务处理批次中,所述正样本数据包括所述正常历史任务的任务完成参数以及所述正常历史任务与各所述第一历史任务的处理路径的夹角信息;
所述异常历史任务的信息包括所述异常历史任务与至少一个第二历史任务的起始地址、达到地址,所述异常历史任务和所述第二历史任务处于同一个任务处理批次中,所述负样本数据包括所述异常历史任务的任务完成参数以及所述异常历史任务与各所述第二历史任务的处理路径的夹角信息。
本发明实施例还公开了D1、一种计算机可读存储介质,其上存储计算机程序指令,其中,所述计算机程序指令在被处理器执行时实现如A1-A8中任一项所述的方法。
Claims (10)
1.一种数据处理方法,其特征在于,所述方法包括:
接收来自客户端的数据指令;
通过至少一个处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
通过至少一个处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
响应于所述任务预测结果满足预定条件,通过至少一个处理器将所述目标订单分配给所述配送资源。
2.根据权利要求1所述的方法,其特征在于,通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息包括:
根据各所述处理任务的当前状态确定各所述处理任务的处理路径;
计算所述目标任务的处理路径分别与各所述处理任务的处理路径的夹角;
确定各所述夹角中的极值、各所述夹角的平均值、各所述夹角的加权和中的至少一项为所述路径图形信息。
3.根据权利要求2所述的方法,其特征在于,根据各所述处理任务的当前状态确定各所述处理任务的处理路径包括:
响应于所述处理任务的当前状态为第一状态,将所述处理任务的起始地址与到达地址之间的路径确定为所述处理任务的处理路径;
响应于所述处理任务的当前状态为第二状态,将所述配送资源的地理位置与所述处理任务的到达地址之间的路径确定为所述处理任务的处理路径。
4.根据权利要求1所述的方法,其特征在于,所述路径图形信息还包括所述目标任务的处理路径的绝对距离、所述处理任务的处理路径的绝对距离、所述目标任务分别与各所述处理任务的处理路径的绝对距离比值、所述目标任务分别与各所述处理任务的起始地址的绝对距离、所述目标任务分别与各所述处理任务的到达地址的绝对距离、所述目标任务和所述处理路径的路障信息参数以及所述目标任务的处理难度参数中的任意一项。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述任务预测结果满足预定条件具体为所述目标任务被预测为正常任务;
其中,在所述目标任务被完成的概率大于第一阈值时,所述目标任务被预测为正常任务。
6.根据权利要求1所述的方法,其特征在于,所述任务预测模型通过所述配送资源的历史任务信息训练获得,所述历史任务包括所述配送资源的正常历史任务和异常历史任务。
7.根据权利要求1所述的方法,其特征在于,所述任务预测模型通过多个配送资源的历史任务信息训练获得,所述历史任务包括所述多个配送资源的正常历史任务和异常历史任务。
8.一种数据处理装置,其特征在于,所述装置包括:
指令接收单元,被配置为接收来自客户端的数据指令;
指令解析单元,被配置为通过至少一个处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
信息获取单元,被配置为获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
路径图形信息获取单元,被配置为通过至少一个处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
任务预测单元,被配置为通过至少一个处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
任务处理单元,被配置为响应于所述任务预测结果满足预定条件,通过至少一个处理器将所述目标订单分配给所述配送资源。
9.一种电子设备,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:
接收来自客户端的数据指令;
通过所述处理器解析所述数据指令,获取目标任务的信息,所述目标任务的信息包括所述目标任务对应的起始地址和到达地址;
获取与配送资源绑定的处理任务的信息和所述配送资源的地理位置,所述处理任务的信息包括所述处理任务的当前状态、所述处理任务对应的起始地址和到达地址;
通过所述处理器根据所述目标任务的信息、所述处理任务的信息和所述配送资源的地理位置确定路径图形信息,所述路径图形信息包括所述目标任务的处理路径与至少一个所述处理任务的处理路径的夹角信息;
通过所述处理器将所述路径图形信息输入至对应的任务预测模型中,以获取任务预测结果,所述任务预测结果用于表征目标任务被正常完成的概率;
响应于所述任务预测结果满足预定条件,通过所述处理器将所述目标订单分配给所述配送资源。
10.一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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900184.XA CN110689254A (zh) | 2019-09-23 | 2019-09-23 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900184.XA CN110689254A (zh) | 2019-09-23 | 2019-09-23 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689254A true CN110689254A (zh) | 2020-01-14 |
Family
ID=69110085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900184.XA Pending CN110689254A (zh) | 2019-09-23 | 2019-09-23 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689254A (zh) |
Cited By (9)
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 |
CN111488283A (zh) * | 2020-04-14 | 2020-08-04 | 拉扎斯网络科技(上海)有限公司 | 任务生成方法、装置、电子设备及存储介质 |
CN111651249A (zh) * | 2020-05-15 | 2020-09-11 | 拉扎斯网络科技(上海)有限公司 | 任务分配方法、装置、可读存储介质和电子设备 |
CN111738409A (zh) * | 2020-05-14 | 2020-10-02 | 华为技术有限公司 | 一种资源调度的方法及其相关设备 |
CN111815059A (zh) * | 2020-07-13 | 2020-10-23 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN112040407A (zh) * | 2020-08-06 | 2020-12-04 | 拉扎斯网络科技(上海)有限公司 | 信标数据处理方法、装置、电子设备和可读存储介质 |
CN112036788A (zh) * | 2020-07-28 | 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 |
CN112258129A (zh) * | 2020-11-12 | 2021-01-22 | 拉扎斯网络科技(上海)有限公司 | 配送路径预测网络训练、配送资源调度方法及装置 |
CN118013464A (zh) * | 2024-04-07 | 2024-05-10 | 浙江口碑网络技术有限公司 | 一种地理交通数据处理方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154327A (zh) * | 2016-12-02 | 2018-06-12 | 北京三快在线科技有限公司 | 一种配送任务处理方法、装置及电子设备 |
CN109214551A (zh) * | 2018-08-08 | 2019-01-15 | 北京三快在线科技有限公司 | 一种配送调度方法及装置 |
CN109726843A (zh) * | 2017-10-30 | 2019-05-07 | 阿里巴巴集团控股有限公司 | 配送数据预测的方法、装置和终端 |
WO2019095883A1 (zh) * | 2017-11-20 | 2019-05-23 | 北京京东尚科信息技术有限公司 | 信息生成方法和装置 |
CN110009155A (zh) * | 2019-04-08 | 2019-07-12 | 上海拉扎斯信息科技有限公司 | 业务区域配送难度的估计方法、装置和电子设备 |
-
2019
- 2019-09-23 CN CN201910900184.XA patent/CN110689254A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154327A (zh) * | 2016-12-02 | 2018-06-12 | 北京三快在线科技有限公司 | 一种配送任务处理方法、装置及电子设备 |
CN109726843A (zh) * | 2017-10-30 | 2019-05-07 | 阿里巴巴集团控股有限公司 | 配送数据预测的方法、装置和终端 |
WO2019095883A1 (zh) * | 2017-11-20 | 2019-05-23 | 北京京东尚科信息技术有限公司 | 信息生成方法和装置 |
CN109214551A (zh) * | 2018-08-08 | 2019-01-15 | 北京三快在线科技有限公司 | 一种配送调度方法及装置 |
CN110009155A (zh) * | 2019-04-08 | 2019-07-12 | 上海拉扎斯信息科技有限公司 | 业务区域配送难度的估计方法、装置和电子设备 |
Cited By (13)
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 |
CN111488283A (zh) * | 2020-04-14 | 2020-08-04 | 拉扎斯网络科技(上海)有限公司 | 任务生成方法、装置、电子设备及存储介质 |
CN111488283B (zh) * | 2020-04-14 | 2023-06-16 | 拉扎斯网络科技(上海)有限公司 | 任务生成方法、装置、电子设备及存储介质 |
CN111738409A (zh) * | 2020-05-14 | 2020-10-02 | 华为技术有限公司 | 一种资源调度的方法及其相关设备 |
CN111738409B (zh) * | 2020-05-14 | 2024-05-24 | 华为技术有限公司 | 一种资源调度的方法及其相关设备 |
CN111651249B (zh) * | 2020-05-15 | 2022-08-02 | 拉扎斯网络科技(上海)有限公司 | 任务分配方法、装置、可读存储介质和电子设备 |
CN111651249A (zh) * | 2020-05-15 | 2020-09-11 | 拉扎斯网络科技(上海)有限公司 | 任务分配方法、装置、可读存储介质和电子设备 |
CN111815059A (zh) * | 2020-07-13 | 2020-10-23 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN112036788A (zh) * | 2020-07-28 | 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 |
CN112036788B (zh) * | 2020-07-28 | 2024-05-07 | 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 |
CN112040407A (zh) * | 2020-08-06 | 2020-12-04 | 拉扎斯网络科技(上海)有限公司 | 信标数据处理方法、装置、电子设备和可读存储介质 |
CN112258129A (zh) * | 2020-11-12 | 2021-01-22 | 拉扎斯网络科技(上海)有限公司 | 配送路径预测网络训练、配送资源调度方法及装置 |
CN118013464A (zh) * | 2024-04-07 | 2024-05-10 | 浙江口碑网络技术有限公司 | 一种地理交通数据处理方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689254A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
CN109615247B (zh) | 调度方法、配送机器人的控制方法、装置和电子设备 | |
CN111210136B (zh) | 一种机器人任务调度的方法及服务器 | |
WO2019184445A1 (zh) | 服务资源调配 | |
CN107464001B (zh) | 预约单分配处理方法及服务器 | |
CN112947414B (zh) | 机器人调度方法、装置、计算机设备及存储介质 | |
CN110378529B (zh) | 一种数据生成的方法、装置、可读存储介质和电子设备 | |
CN106447080A (zh) | 订单分发方法、装置及订单处理系统 | |
CN111539780B (zh) | 一种任务处理方法、装置、存储介质和电子设备 | |
CN108711020A (zh) | 配送任务分配方法、装置、电子设备及计算机存储介质 | |
CN110502321A (zh) | 一种资源调度方法及系统 | |
CN109934537A (zh) | 订单分配方法、装置、服务器和存储介质 | |
CN111369137A (zh) | 配送任务的分配方法、装置、服务器和存储介质 | |
CN106295927B (zh) | 给操作员分配任务的方法及装置 | |
CN108616553B (zh) | 云计算资源池进行资源调度的方法及装置 | |
CN112559147A (zh) | 基于gpu占用资源特点的动态匹配算法、系统和设备 | |
CN114971205A (zh) | 派单方法和系统 | |
CN110826782B (zh) | 一种数据处理的方法、装置、可读存储介质和电子设备 | |
US11513866B1 (en) | Method and system for managing resource utilization based on reinforcement learning | |
CN112036697B (zh) | 一种任务分配的方法、装置、可读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 | |
CN109284950B (zh) | 时间估测方法、装置及电子设备 | |
CN111353712B (zh) | 配送任务调度方法及装置、服务器及存储介质 | |
CN117519973A (zh) | 资源调节方法、装置、及设备 | |
CN112132395A (zh) | 派单方法、装置、存储介质及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |