CN110717620A - 订单出餐时间预测方法和装置，电子设备及存储介质 - Google Patents

订单出餐时间预测方法和装置，电子设备及存储介质 Download PDF

Info

Publication number
CN110717620A
CN110717620A CN201910872902.7A CN201910872902A CN110717620A CN 110717620 A CN110717620 A CN 110717620A CN 201910872902 A CN201910872902 A CN 201910872902A CN 110717620 A CN110717620 A CN 110717620A
Authority
CN
China
Prior art keywords
time
meal
actual
order
loss function
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
Application number
CN201910872902.7A
Other languages
English (en)
Inventor
周越
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 CN201910872902.7A priority Critical patent/CN110717620A/zh
Publication of CN110717620A publication Critical patent/CN110717620A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种订单出餐时间预测方法和装置，电子设备及存储介质，以解决相关技术中订单出餐时间的预测结果不准确的问题。所述订单出餐时间预测方法包括：获取待配送订单的配送员的实际到店时间和实际取餐时间；将所述实际到店时间和所述实际取餐时间输入出餐时间预测模型，得到所述待配送订单的预测出餐时间；其中，针对预测出餐时间、配送员的实际到店时间和实际取餐时间三者之间的大小关系不同的样本订单，训练所述出餐时间预测模型所使用的损失函数不同。

Description

订单出餐时间预测方法和装置，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，涉及一种订单出餐时间预测方法和装置，电子设备及存储介质。
背景技术
订单出餐时间是指从商家接订单到商家准备好餐品的时间。订单出餐时间表征了订单出餐的难易程度，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，因此提高订单出餐时间预测的准确性至关重要。
相关技术，通常是基于订单配送员的取餐时间进行订单出餐时间的预测。然而，在实际配送中，配送员的取餐时间与订单出餐时间可能并不相等，比如在配送员未取餐之前订单已出餐，因而该方法预测的订单出餐时间并不准确。
发明内容
本公开的目的是提供一种订单出餐时间预测方法和装置，电子设备及存储介质，以解决相关技术中存在的问题。
为了实现上述目的，根据本公开实施例的第一方面，提供一种订单出餐时间预测方法，包括：
获取待配送订单的配送员的实际到店时间和实际取餐时间；
将所述实际到店时间和所述实际取餐时间输入出餐时间预测模型，得到所述待配送订单的预测出餐时间；
其中，针对预测出餐时间、配送员的实际到店时间和实际取餐时间三者之间的大小关系不同的样本订单，训练所述出餐时间预测模型所使用的损失函数不同。
可选地，所述损失函数用于表征所述出餐时间预测模型预测的损失量与样本订单的预测出餐时间、实际到店时间以及实际取餐时间之间的映射关系；
在样本订单的预测出餐时间晚于该样本订单的配送员的实际取餐时间的情况下，所述损失函数为第一关系函数；
在样本订单的预测出餐时间位于该样本订单的配送员的实际到店时间和实际取餐时间之间的情况下，所述损失函数为第二关系函数；
在样本订单的预测出餐时间早于该样本订单的配送员的实际到店时间的情况下，所述损失函数为第三关系函数。
可选地，针对同一样本订单，所述第二关系函数计算出的损失量小于所述第一关系函数计算出的损失量以及所述第三关系函数计算出的损失量。
可选地，所述出餐时间预测模型是根据以下方式训练的：
获取样本数据集，所述样本数据集包括不同样本订单的配送员的实际到店时间和实际取餐时间；
针对所述样本数据集的每一样本订单，根据该样本订单的预测出餐时间、配送员的实际到店时间以及实际取餐时间之间的大小关系，确定该样本订单对应的损失函数；
根据所述样本数据集中各个样本订单的损失函数构造总损失函数；
以最小化所述总损失函数为目标，采用优化算法训练所述出餐时间预测模型。
可选地，所述方法还包括：
从预置的对应损失函数表达式的多组系数组合中，选择目标系数组合；
根据所述目标系数组合和所述损失函数表达式，确定所述损失函数。
可选地，所述从预置的对应损失函数表达式的多组系数组合中，选择目标系数组合，包括：
将所述多组系数组合中的每一系数组合带入所述损失函数表达式，得到待选损失函数；
针对每一所述待选损失函数，执行以下操作：
通过该待选损失函数以及预先设置的训练集训练得到候选预测模型；
利用预先设置的验证集评价该候选预测模型的效果；
从获得的所有候选预测模型中，将所述效果最优的候选预测模型所对应的系数组合，作为所述目标系数组合。
可选地，所述损失函数表达式为：
Figure BDA0002203401510000031
其中，
Figure BDA0002203401510000032
为对样本订单i预测的损失量；
Figure BDA0002203401510000033
为所述样本订单i的预测取餐时间；arrivetimei为所述样本订单i的配送员的实际到店时间；taketimei为所述样本订单i的配送员的实际取餐时间；α和β为所述损失函数表达式的一系数组合，且β>α>1。
根据本公开实施例的第二方面，提供一种订单出餐时间预测装置，包括：
获取模块，用于获取待配送订单的配送员的实际到店时间和实际取餐时间；
预测模块，用于将所述实际到店时间和所述实际取餐时间输入出餐时间预测模型，得到所述待配送订单的预测出餐时间；
其中，针对预测出餐时间、配送员的实际到店时间和实际取餐时间三者之间的大小关系不同的样本订单，训练所述出餐时间预测模型所使用的损失函数不同。
可选地，所述损失函数用于表征所述出餐时间预测模型预测的损失量与样本订单的预测出餐时间、实际到店时间以及实际取餐时间之间的映射关系；
在样本订单的预测出餐时间晚于该样本订单的配送员的实际取餐时间的情况下，所述损失函数为第一关系函数；
在样本订单的预测出餐时间位于该样本订单的配送员的实际到店时间和实际取餐时间之间的情况下，所述损失函数为第二关系函数；
在样本订单的预测出餐时间早于该样本订单的配送员的实际到店时间的情况下，所述损失函数为第三关系函数。
可选地，针对同一样本订单，所述第二关系函数计算出的损失量小于所述第一关系函数计算出的损失量以及所述第三关系函数计算出的损失量。
可选地，所述装置还包括训练模块，所述训练模块用于根据以下方式训练所述出餐时间预测模型：
获取样本数据集，所述样本数据集包括不同样本订单的配送员的实际到店时间和实际取餐时间；
针对所述样本数据集的每一样本订单，根据该样本订单的预测出餐时间、配送员的实际到店时间以及实际取餐时间之间的大小关系，确定该样本订单对应的损失函数；
根据所述样本数据集中各个样本订单的损失函数构造总损失函数；
以最小化所述总损失函数为目标，采用优化算法训练所述出餐时间预测模型。
可选地，所述装置还包括：
选择模块，用于从预置的对应损失函数表达式的多组系数组合中，选择目标系数组合；
确定模块，用于根据所述目标系数组合和所述损失函数表达式，确定所述损失函数。
可选地，所述选择模块包括：
第一确定子模块，用于将所述多组系数组合中的每一系数组合带入所述损失函数表达式，得到待选损失函数；
循环子模块，用于针对每一所述待选损失函数，执行以下操作：
通过该待选损失函数以及预先设置的训练集训练得到候选预测模型；
利用预先设置的验证集评价该候选预测模型的效果；
第二确定子模块，用于从获得的所有候选预测模型中，将所述效果最优的候选预测模型所对应的系数组合，作为所述目标系数组合。
可选地，所述损失函数表达式为：
Figure BDA0002203401510000051
其中，为对样本订单i预测的损失量；
Figure BDA0002203401510000053
为所述样本订单i的预测取餐时间；arrivetimei为所述样本订单i的配送员的实际到店时间；taketimei为所述样本订单i的配送员的实际取餐时间；α和β为所述损失函数表达式的一系数组合，且β>α>1。
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，至少能够达到如下技术效果：对于出餐时间预测模型的训练，综合考虑订单的出餐时间与配送员的实际到店时间和实际取餐时间之间的大小关系，针对预测出餐时间、配送员的实际到店时间以及实际取餐时间三者之间大小关系不同的样本订单，灵活采用不同的损失函数对出餐时间预测模型的训练进行修正，相比于针对所有的样本订单采用相同的损失函数，可以充分利用订单的配送员的实际到店时间和实际取餐时间，使得训练好的出餐时间预测模型的预测结果的更准确、更合理，进而基于该出餐时间预测模型对待配送订单进行预测，得到的预测出餐时间更准确且更符合业务场景需要。
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出餐时间预测方法的流程图；
图2是根据本公开一示例性公开实施例示出的一种损失函数的示意图；
图3是根据本公开一示例性实施例示出的一种出餐时间预测模型的训练方法的流程图；
图4是根据本公开一示例性实施例示出的一种损失函数的确定方法的流程图；
图5是根据本公开一示例性实施例示出的一种订单出餐时间预测装置的框图；
图6是根据本公开另一示例性实施例示出的一种订单出餐时间预测装置的框图；
图7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配送、超市配送等配送业务的场景中，在该类配送业务中，通常需要对订单出餐时间(即指从商家接订单到商家准备好餐品所需的时间)进行预测，以便对订单进行配送调度。相关技术中的订单出餐时间预测方法，通常是基于订单配送员的取餐时间对订单出餐时间进行预测。然而，在实际配送过程中，配送员的取餐时间与订单出餐时间可能并不相等，比如，在配送员未取餐之前订单已出餐，因而该方法预测得到的订餐出餐时间并不准确。
为了解决上述技术问题，本公开实施例提供一种订单出餐时间预测方法，以提升对订单出餐时间的预测结果的准确性。
图1是根据本公开一示例性实施例示出的一种订单出餐时间预测方法的流程图，如图1所示，该方法包括以下步骤：
S101、获取待配送订单的配送员的实际到店时间和实际取餐时间。
S102、将配送员的实际到店时间和实际取餐时间输入出餐时间预测模型，得到待配送订单的预测出餐时间，其中，针对预测出餐时间、配送员的实际到店时间和实际取餐时间三者之间的大小关系不同的样本订单，训练该出餐时间预测模型所使用的损失函数不同。
其中，在实际业务场景中，对订单的出餐时间进行预测得到的预测出餐时间、配送员的实际到店时间以及实际取餐时间三者之间的大小关系通常包括以下三种情况，即①订单的预测出餐时间晚于该订单的配送员的实际取餐时间；②订单的预测出餐时间位于该订单的配送员的实际到店时间和实际取餐时间之间；③订单的预测出餐时间早于该订单的配送员的实际到店时间。
针对第①种情况，可能出现对订单出餐时间的预测结果过于乐观的情况，即订单尚未出餐但配送员提早到店，这将致使配送员到店后还需等待较长时间才能取餐，影响该订单以及配送员的其他已有订单的配送效率。针对第③种情况，可能出现订单出餐时间的预测结果过于保守的情况，即配送员过晚到店而实际上订单早已出餐，这将影响配送员的已有订单的配送时效。针对第②种情况，订单出餐时间的预测结果适中，可以避免出现配送员过早到店或者过晚到店的情况，因而可以保证订单的配送时效。
基于此，对于出餐时间预测模型的训练，综合考虑上述三种情况，针对满足上述不同情况的样本订单，灵活采用不同的损失函数对出餐时间预测模型的训练进行修正，相比于针对所有的样本订单采用相同的损失函数，可以充分利用订单的配送员的实际到店时间和实际取餐时间，使得训练好的出餐时间预测模型的预测结果的更准确、更合理，进而基于该出餐时间预测模型对待配送订单进行预测，得到的预测出餐时间更准确且更符合业务场景需要。
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出餐时间预测方法进行详细说明。
首先，针对上述步骤S102中所述的损失函数，该损失函数可用于表征出餐时间预测模型预测的损失量与样本订单的预测出餐时间、配送员的实际到店时间和实际取餐时间之间的映射关系。具体地，在上述第①种情况下，即样本订单的预测出餐时间晚于该样本订单的配送员的实际取餐时间，此时，损失函数为第一关系函数；在上述第②种情况下，即样本订单的预测出餐时间位于该样本订单的配送员的实际到店时间和实际取餐时间之间，此时，损失函数为第二关系函数；在上述第③种情况下，即样本订单的预测出餐时间早于该样本订单的配送员的实际到店时间，此时，损失函数为第三关系函数。
进一步地，上述损失函数满足以下条件：针对同一样本订单，上述第二关系函数计算出的损失量小于上述第一关系函数计算出的损失量以及上述第三关系函数计算出的损失量。具体地，如图2所示，图2示出了一种可能的损失函数的示意图，其中，横坐标表示样本订单的预测出餐时间
Figure BDA0002203401510000091
纵坐标表示出餐时间预测模型预测的损失量arrivetimei表示样本订单i的配送员的实际到店时间，taketimei表示样本订单i的配送员的实际取餐时间。
这样，针对满足上述不同情况的训练样本采用不同的损失函数对订单预测模型进行训练，由于上述第②种情况的损失量小于上述第①种情况的损失量以及上述第③种情况的损失量，因而出餐时间预测模型会更倾向于使原本满足第②种情况的订单的预测出餐时间更准确，即，出餐时间预测模型会倾向于使订单的预测出餐时间位于配送员的实际到店时间和实际取餐时间之间，进而通过该出餐时间预测模型对订单的出餐时间进行预测，可以避免配送员过早或过晚到店而导致的后续订单配送受影响的问题。
其次，针对上述步骤S102中的出餐时间预测模型，本公开实施例还包括对出餐时间预测模型的训练方法，值得说明的是，对出餐时间预测模型的训练是根据采集到的海量样本订单预先进行的，后续在订单出餐时间的预测过程中，无需每次对出餐时间预测模型进行训练，或者可以周期性地基于新采集的样本订单对该出餐时间预测模型进行更新。
具体地，上述对出餐时间预测模型的训练方法如图3所示，包括以下步骤：
S301、获取样本数据集。
其中，该样本数据集包括不同样本订单的配送员的实际到店时间和实际取餐时间。
S302、针对样本数据集中的每一样本订单，根据该样本订单的预测出餐时间、配送员的实际到店时间以及实际取餐时间之间的大小关系，确定该样本订单对应的损失函数。
具体地，在利用出餐时间预测模型分别对样本数据集中的所有订单进行出餐时间预测时，针对每一样本订单，若该样本订单的预测出餐时间晚于该样本订单的配送员的实际取餐时间，则确定该样本订单对应的损失函数为上述第一关系函数；若该样本订单的预测出餐时间位于配送员的实际到店时间和实际取餐时间之间的情况，则确定该样本的损失函数为上述第二关系函数；若该样本订单的预测出餐时间早于配送员的实际到店时间，则确定该样本订单对应的损失函数为第三关系函数。由此，得到样本数据集中各个样本订单对应的损失函数。
S303、根据样本数据集中各个样本订单的损失函数构造总损失函数。
具体地，可以将样本数据集中各个样本订单的损失函数之后作为总损失函数，即
Figure BDA0002203401510000101
其中，N为样本数据集中样本订单的数量。
S304、以最小化该总损失函数为目标，采用优化算法训练出餐时间预测模型。
其中，优化算法可以为梯度下降(GD，Gradient Descent)算法。
采用该训练出餐时间预测模型的方法，针对预测出餐时间与配送员的实际到店时间和实际取餐时间之间的大小关系不同的样本订单，采用不同的损失函数，并根据各个样本订单的损失函数构造总损失函数，以最小化该总损失函数为目标进行模型训练，可以使出餐时间预测模型会倾向于使订单的预测出餐时间位于配送员的实际到店时间和实际取餐时间之间，进而通过该出餐时间预测模型对订单的出餐时间进行预测，可以避免配送员过早或过晚到店而导致的后续订单配送受影响的问题。
进一步地，在本公开的另一示例性实施例中，上述步骤S102中所述的损失函数，本公开实施例还包括确定损失函数的方法。
具体地，确定损失函数的方法如图4所示，包括以下步骤：
S401、从预置的对应损失函数表达式的多组系数组合中，选择目标系数组合。
可选地，损失函数表达式可以为以下形式：
Figure BDA0002203401510000111
其中，
Figure BDA0002203401510000112
为对样本订单i预测的损失量；
Figure BDA0002203401510000113
为所述样本订单i的预测取餐时间；arrivetimei为所述样本订单i的配送员的实际到店时间；taketimei为所述样本订单i的配送员的实际取餐时间；α和β为所述损失函数表达式的一系数组合，且β>α>1。
该损失函数对应有多组预置的系数组合。在一种可选的实现方式中，可以从预置的多组系数组合中选取任一系数组合，作为目标系数组合。
在另一种可选的实现方式中，为了进一步提升训练出的出餐时间预测模型的准确性，也可以首先将多组系数组合中的每一系数组合带入损失函数表达式，得到待选损失函数。接着，针对每一待选损失函数，执行以下操作：通过该待选损失函数以及预先设置的训练集训练得到候选预测模型；利用预先设置的验证集评价该候选预测模型的效果。最后，从获得的所有候选预测模型中，将效果最优的候选预测模型所对应的系数组合，作为目标系数组合。
S402、根据目标系数组合和损失函数表达式，确定损失函数。
具体地，将确定出的目标系数组合带入损失函数表达式中，即得到损失函数。
本公开实施例还提供一种出餐时间预测装置。图5是根据本公开一示例性实施例示出的一种订单出餐时间预测装置的框图，如图5所示，该装置500包括：
获取模块501，用于获取待配送订单的配送员的实际到店时间和实际取餐时间；
预测模块502，用于将所述实际到店时间和所述实际取餐时间输入出餐时间预测模型，得到所述待配送订单的预测出餐时间；
其中，针对预测出餐时间、配送员的实际到店时间和实际取餐时间三者之间的大小关系不同的样本订单，训练所述出餐时间预测模型所使用的损失函数不同。
采用上述出餐时间预测装置，针对预测出餐时间与配送员的实际到店时间和实际取餐时间之间的大小关系不同的样本订单，采用不同的损失函数，并根据各个样本订单的损失函数构造总损失函数，以最小化该总损失函数为目标进行模型训练，可以使出餐时间预测模型会倾向于使订单的预测出餐时间位于配送员的实际到店时间和实际取餐时间之间，进而通过该出餐时间预测模型对订单的出餐时间进行预测，可以避免配送员过早或过晚到店而导致的后续订单配送受影响的问题。
可选地，所述损失函数用于表征所述出餐时间预测模型预测的损失量与样本订单的预测出餐时间、实际到店时间以及实际取餐时间之间的映射关系；
在样本订单的预测出餐时间晚于该样本订单的配送员的实际取餐时间的情况下，所述损失函数为第一关系函数；
在样本订单的预测出餐时间位于该样本订单的配送员的实际到店时间和实际取餐时间之间的情况下，所述损失函数为第二关系函数；
在样本订单的预测出餐时间早于该样本订单的配送员的实际到店时间的情况下，所述损失函数为第三关系函数。
可选地，针对同一样本订单，所述第二关系函数计算出的损失量小于所述第一关系函数计算出的损失量以及所述第三关系函数计算出的损失量。
这样，针对满足上述不同情况的训练样本采用不同的损失函数对订单预测模型进行训练，由于上述第二关系函数计算出的损失量小于上述第一关系函数计算出的损失量以及上述第三关系函数计算出的损失量，因而出餐时间预测模型会更倾向于使原本满足预测出餐时间位于配送员的实际到店时间和实际取餐时间之间的订单的预测结果更准确，即，出餐时间预测模型会倾向于使订单的预测出餐时间位于配送员的实际到店时间和实际取餐时间之间，进而通过该出餐时间预测模型对订单的出餐时间进行预测，可以避免配送员过早或过晚到店而导致的后续订单配送受影响的问题。
可选地，如图6所示，所述装置500还包括训练模块503，所述训练模块503用于根据以下方式训练所述出餐时间预测模型：
获取样本数据集，所述样本数据集包括不同样本订单的配送员的实际到店时间和实际取餐时间；
针对所述样本数据集的每一样本订单，根据该样本订单的预测出餐时间、配送员的实际到店时间以及实际取餐时间之间的大小关系，确定该样本订单对应的损失函数；
根据所述样本数据集中各个样本订单的损失函数构造总损失函数；
以最小化所述总损失函数为目标，采用优化算法训练所述出餐时间预测模型。
可选地，如图6所示，所述装置500还包括：
选择模块504，用于从预置的对应损失函数表达式的多组系数组合中，选择目标系数组合；
确定模块505，用于根据所述目标系数组合和所述损失函数表达式，确定所述损失函数。
可选地，如图6所示，所述选择模块504包括：
第一确定子模块541，用于将所述多组系数组合中的每一系数组合带入所述损失函数表达式，得到待选损失函数；
循环子模块542，用于针对每一所述待选损失函数，执行以下操作：
通过该待选损失函数以及预先设置的训练集训练得到候选预测模型；
利用预先设置的验证集评价该候选预测模型的效果；
第二确定子模块543，用于从获得的所有候选预测模型中，将所述效果最优的候选预测模型所对应的系数组合，作为所述目标系数组合。
这样，可以进一步提升训练出的出餐时间预测模型的准确性。
可选地，所述损失函数表达式为：
Figure BDA0002203401510000141
其中，为对样本订单i预测的损失量；为所述样本订单i的预测取餐时间；arrivetimei为所述样本订单i的配送员的实际到店时间；taketimei为所述样本订单i的配送员的实际取餐时间；α和β为所述损失函数表达式的一系数组合，且β>α>1。
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采用与上述方法实施例中相同或相近的方式实现，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出餐时间预测方法的步骤。
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，以实现上述订单出餐时间预测方法的步骤。
图7是根据一示例性实施例示出的一种电子设备700的框图。例如，电子设备700可以被提供为一服务器。参照图7，电子设备700包括处理器722，其数量可以为一个或多个，以及存储器732，用于存储可由处理器722执行的计算机程序。存储器732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722可以被配置为执行该计算机程序，以执行上述订单出餐时间预测方法。
另外，电子设备700还可以包括电源组件726和通信组件750，该电源组件726可以被配置为执行电子设备700的电源管理，该通信组件750可以被配置为实现电子设备700的通信，例如，有线或无线通信。此外，该电子设备700还可以包括输入/输出(I/O)接口758。电子设备700可以操作基于存储在存储器732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出餐时间预测方法的步骤。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732，上述程序指令可由电子设备700的处理器722执行以完成上述订单出餐时间预测方法。
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)

1.一种订单出餐时间预测方法，其特征在于，包括：
获取待配送订单的配送员的实际到店时间和实际取餐时间；
将所述实际到店时间和所述实际取餐时间输入出餐时间预测模型，得到所述待配送订单的预测出餐时间；
其中，针对预测出餐时间、配送员的实际到店时间和实际取餐时间三者之间的大小关系不同的样本订单，训练所述出餐时间预测模型所使用的损失函数不同。
2.根据权利要求1所述的方法，其特征在于，所述损失函数用于表征所述出餐时间预测模型预测的损失量与样本订单的预测出餐时间、实际到店时间以及实际取餐时间之间的映射关系；
在样本订单的预测出餐时间晚于该样本订单的配送员的实际取餐时间的情况下，所述损失函数为第一关系函数；
在样本订单的预测出餐时间位于该样本订单的配送员的实际到店时间和实际取餐时间之间的情况下，所述损失函数为第二关系函数；
在样本订单的预测出餐时间早于该样本订单的配送员的实际到店时间的情况下，所述损失函数为第三关系函数。
3.根据权利要求2所述的方法，其特征在于，针对同一样本订单，所述第二关系函数计算出的损失量小于所述第一关系函数计算出的损失量以及所述第三关系函数计算出的损失量。
4.根据权利要求1所述的方法，其特征在于，所述出餐时间预测模型是根据以下方式训练的：
获取样本数据集，所述样本数据集包括不同样本订单的配送员的实际到店时间和实际取餐时间；
针对所述样本数据集的每一样本订单，根据该样本订单的预测出餐时间、配送员的实际到店时间以及实际取餐时间之间的大小关系，确定该样本订单对应的损失函数；
根据所述样本数据集中各个样本订单的损失函数构造总损失函数；
以最小化所述总损失函数为目标，采用优化算法训练所述出餐时间预测模型。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
从预置的对应损失函数表达式的多组系数组合中，选择目标系数组合；
根据所述目标系数组合和所述损失函数表达式，确定所述损失函数。
6.根据权利要求5所述的方法，其特征在于，所述从预置的对应损失函数表达式的多组系数组合中，选择目标系数组合，包括：
将所述多组系数组合中的每一系数组合带入所述损失函数表达式，得到待选损失函数；
针对每一所述待选损失函数，执行以下操作：
通过该待选损失函数以及预先设置的训练集训练得到候选预测模型；
利用预先设置的验证集评价该候选预测模型的效果；
从获得的所有候选预测模型中，将所述效果最优的候选预测模型所对应的系数组合，作为所述目标系数组合。
7.根据权利要求5所述的方法，其特征在于，所述损失函数表达式为：
其中，
Figure FDA0002203401500000032
为对样本订单i预测的损失量；
Figure FDA0002203401500000033
为所述样本订单i的预测取餐时间；arrivetimei为所述样本订单i的配送员的实际到店时间；taketimei为所述样本订单i的配送员的实际取餐时间；α和β为所述损失函数表达式的一系数组合，且β>α>1。
8.一种出餐时间预测装置，其特征在于，包括：
获取模块，用于获取待配送订单的配送员的实际到店时间和实际取餐时间；
预测模块，用于将所述实际到店时间和所述实际取餐时间输入出餐时间预测模型，得到所述待配送订单的预测出餐时间；
其中，针对预测出餐时间、配送员的实际到店时间和实际取餐时间三者之间的大小关系不同的样本订单，训练所述出餐时间预测模型所使用的损失函数不同。
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1-7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1-7中任一项所述方法的步骤。
CN201910872902.7A 2019-09-16 2019-09-16 订单出餐时间预测方法和装置，电子设备及存储介质 Pending CN110717620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910872902.7A CN110717620A (zh) 2019-09-16 2019-09-16 订单出餐时间预测方法和装置，电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910872902.7A CN110717620A (zh) 2019-09-16 2019-09-16 订单出餐时间预测方法和装置，电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN110717620A true CN110717620A (zh) 2020-01-21

Family

ID=69210523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910872902.7A Pending CN110717620A (zh) 2019-09-16 2019-09-16 订单出餐时间预测方法和装置，电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110717620A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476625A (zh) * 2020-03-02 2020-07-31 拉扎斯网络科技（上海）有限公司 输出时间获取方法、装置、计算机设备及可读存储介质
CN111898889A (zh) * 2020-07-17 2020-11-06 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、打包装置和信号生成装置
CN112906994A (zh) * 2021-04-19 2021-06-04 拉扎斯网络科技（上海）有限公司 订单出餐时间预测方法、装置、电子设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476625A (zh) * 2020-03-02 2020-07-31 拉扎斯网络科技（上海）有限公司 输出时间获取方法、装置、计算机设备及可读存储介质
CN111476625B (zh) * 2020-03-02 2021-03-23 拉扎斯网络科技（上海）有限公司 输出时间获取方法、装置、计算机设备及可读存储介质
CN111898889A (zh) * 2020-07-17 2020-11-06 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、打包装置和信号生成装置
CN111898889B (zh) * 2020-07-17 2021-06-15 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、打包装置和信号生成装置
CN112906994A (zh) * 2021-04-19 2021-06-04 拉扎斯网络科技（上海）有限公司 订单出餐时间预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110717620A (zh) 订单出餐时间预测方法和装置，电子设备及存储介质
CN106959894B (zh) 资源分配方法和装置
CN105556554A (zh) 多个设备相关性
CN110147367B (zh) 一种温度缺失数据填补方法、系统及电子设备
CN106454437A (zh) 一种流媒体业务速率预测方法及装置
CN109902848B (zh) 班车站点规划的方法和装置
CN112148468B (zh) 一种资源调度方法、装置、电子设备及存储介质
CN106919957A (zh) 处理数据的方法及装置
CN111192090A (zh) 航班的座位分配方法、装置、存储介质和电子设备
CN105763595A (zh) 一种提高数据处理效率的方法及服务器
CN110109800A (zh) 一种服务器集群系统的管理方法及装置
CN109710665A (zh) 报表下载方法、装置、设备及可读存储介质
CN113256022A (zh) 一种台区用电负荷预测方法及系统
CN115862823A (zh) 一种基于移动网络的设备智能调度方法及系统
CN114866563A (zh) 扩容方法、装置、系统和存储介质
CN109325266B (zh) 面向在线云服务的响应时间分布预测方法
CN109658187A (zh) 推荐云服务商的方法、装置、存储介质及电子设备
CN105050037A (zh) 一种获取等待时长的方法和装置
Shen et al. Vehicle scheduling based on variable trip times with expected on‐time performance
CN106202162B (zh) 一种用于测试推荐房间数据列表的测试系统及方法
CN106294457B (zh) 网络信息推送方法及装置
CN109754221A (zh) 一种提高电网企业审计覆盖率的方法及装置
CN109816350A (zh) 直播举报信息的处理方法、装置、设备和存储介质
CN105335267A (zh) 一种服务器温度预测方法、装置及系统
US9887928B2 (en) System and method for identifying performance characteristics in asynchronous networks

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