CN110751430A - 确定配送时间的方法和装置、存储介质和电子设备 - Google Patents
确定配送时间的方法和装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN110751430A CN110751430A CN201910878063.XA CN201910878063A CN110751430A CN 110751430 A CN110751430 A CN 110751430A CN 201910878063 A CN201910878063 A CN 201910878063A CN 110751430 A CN110751430 A CN 110751430A
- Authority
- CN
- China
- Prior art keywords
- information
- feature
- address
- delivery
- feature vector
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q10/0833—Tracking
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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开涉及一种确定配送时间的方法和装置、存储介质和电子设备,所述方法包括:获取目标配送订单的特征信息,所述特征信息包括所述目标配送订单配送目的地的地址名称信息和所述目的地的地址定位信息;根据每一所述特征信息生成对应的特征向量;根据所述特征向量生成特征矩阵;将所述特征矩阵输入预训练的配送时间确定模型,得到所述目标配送订单的预计送达时间。
Description
技术领域
本公开涉及信息处理领域,具体地,涉及一种确定配送时间的方法和装置、存储介质和电子设备。
背景技术
随着互联网技术和电子商务的兴起,人们开始习惯于在网上进行购物、点餐等,在这些涉及到配送的场景下,配送时间的长短通常会影响用户是否决定购买商品,而预估的配送时间的准确性也在一定程度上影响用户体验,并成为用户决定是否再次购买的决定因素之一。
现在,确定配送时间的方法多采用对用户提供的目的地地址进行语料处理,输入到逻辑树中进行分层判断,如果本层信息缺失就返回上一层信息的平均值,直到地址信息无法再进行分裂时,输出最后一层的结果值。这种方法可以一定程度上提供配送时间,但是每一层都有兜底策略,在信息缺失的情况下预估值的偏差较大。并且,这种方法没有充分利用在用户提交订单时能够获取到的信息,得到的配送时间不够准确。
发明内容
本公开的目的是提供一种确定配送时间的方法和装置、存储介质和电子设备,用于解决上述问题。
为了实现上述目的,本公开的第一方面,提供一种确定配送时间的方法,包括:
获取目标配送订单的特征信息,所述特征信息包括所述目标配送订单配送目的地的地址名称信息和所述目的地的地址定位信息;
根据每一所述特征信息生成对应的特征向量;
根据所述特征向量生成特征矩阵;
将所述特征矩阵输入预训练的配送时间确定模型,得到所述目标配送订单的预计送达时间。
可选地,所述根据每一所述特征信息生成对应的特征向量,包括:
将所述地址名称信息中包含的地址名称字符串拆分为多个名称字符;
根据所述多个名称字符生成多个字符向量;
将所述多个字符向量按照所述地址名称字符串的排列顺序,依次输入长短期记忆LSTM网络,得到LSTM结果信息;
根据所述LSTM结果信息和第一预设激活函数,生成第一特征向量,所述第一特征向量为所述地址名称信息对应的特征向量。可选地,所述根据每一所述特征信息生成对应的特征向量,包括:
根据所述地址定位信息和样本定位信息,在预设定位网格中确定所述配送目的地的定位点所在的目标网格,所述预设定位网格中的一个格点对应一个所述样本定位信息和一个格点向量;
根据所述目标网格的四个格点的所述格点向量和所述定位点在目标网格中的坐标信息,进行双线性插值运算,得到第二特征向量,所述第二特征向量为所述地址定位信息对应的特征向量。
可选地,所述特征信息还包括时间信息、城市区域信息、天气信息、配送地交通信息中的至少一种。
可选地,所述根据每一所述特征信息生成对应的特征向量,包括:
根据所述特征信息,与预设的特征信息和特征向量的对应关系表,得到与所述特征信息对应的所述特征向量。
可选地,所述根据所述特征向量生成特征矩阵,包括:
通过concat函数将所述特征向量连接,得到所述特征矩阵。
可选地,所述配送时间确定模型包括第二激活函数和多层感知机;
所述第二激活函数用于对所述特征矩阵进行处理,得到目标矩阵;
所述多层感知机用于,基于所述目标矩阵生成所述预计送达时间。
本公开的第二方面,提供一种确定配送时间的装置,包括:
获取模块,用于获取目标配送订单的特征信息,所述特征信息包括所述目标配送订单配送目的地的地址名称信息和所述目的地的地址定位信息;
生成模块,用于根据每一所述特征信息生成对应的特征向量;
合并模块,用于根据所述特征向量生成特征矩阵;
处理模块,用于将所述特征矩阵输入预训练的配送时间确定模型,得到所述目标配送订单的预计送达时间。
可选地,所述生成模块包括第一生成子模块,用于将所述地址名称信息中包含的地址名称字符串拆分为多个名称字符;根据所述多个名称字符生成多个字符向量;将所述多个字符向量按照所述地址名称字符串的排列顺序,依次输入长短期记忆LSTM网络,得到LSTM结果信息;根据所述LSTM结果信息和第一预设激活函数,生成第一特征向量,所述第一特征向量为所述地址名称信息对应的特征向量。
可选地,所述生成模块,包括第二生成子模块,用于根据所述地址定位信息和样本定位信息,在预设定位网格中确定所述配送目的地的定位点所在的目标网格,所述预设定位网格中的一个格点对应一个所述样本定位信息和一个格点向量;根据所述目标网格的四个格点的所述格点向量和所述定位点在目标网格中的坐标信息,进行双线性插值运算,得到第二特征向量,所述第二特征向量为所述地址定位信息对应的特征向量。
可选地,所述特征信息还包括时间信息、城市区域信息、天气信息、配送地交通信息中的至少一种。
可选地,所述生成模块,还用于根据所述特征信息,与预设的特征信息和特征向量的对应关系表,得到与所述特征信息对应的所述特征向量。
可选地,所述合并模块用于通过concat函数将所述特征向量连接,得到所述特征矩阵。
可选地,所述配送时间确定模型包括第二激活函数和多层感知机;
所述第二激活函数用于对所述特征矩阵进行处理,得到目标矩阵;
所述多层感知机用于,基于所述目标矩阵生成所述预计送达时间。
本公开的第三方面,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任一项所述方法的步骤。
本公开的第四方面,提供一种电子设备,包括存储器和处理器,其中,存储器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,以实现本公开第一方面中任一项所述方法的步骤。
通过上述技术方案,至少可以达到以下技术效果:
通过对地址名称信息进行拆分并通过LSTM网络逐字处理,得到输出的特征矩阵,相比现有技术而言对地址名称信息的利用率更高,减少了人工规则和兜底策略的使用,在地址信息中有部分缺失的情况下,现有的对地址字符串逐级分裂的方法会在缺失字符串的位置停止分裂,而上述技术方案不涉及对地址字符串的逐级分裂,而是对字符串本身进行处理,因此可以充分利用除缺失信息以外的其他已知的信息,得到较准确的预计送达时间,可以使预计送达时间与实际送达时间之间的误差更小;并且,本公开对地址定位信息等特征信息进行充分利用,而不是仅对地址名称信息进行处理,因此,进一步减少了预计送达时间与实际送达时间之间的误差。
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是根据一示例性公开实施例示出的一种确定配送时间的方法的流程图。
图2是根据一示例性公开实施例示出的一种定位网格示意图。
图3是根据一示例性公开实施例示出的一种确定配送时间的装置的框图。
图4是根据一示例性公开实施例示出的一种电子设备的框图。
图5是根据一示例性公开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。
图1是根据一示例性公开实施例示出的一种确定配送时间的方法的流程图,根据图1所示,所述方法包括以下步骤:
S11、获取目标配送订单的特征信息,所述特征信息包括所述目标配送订单配送目的地的地址名称信息和所述目的地的地址定位信息。
该地址名称信息可以是完整的地址名称信息,例如,A省B市C区D街道E街F小区G栋H单元J楼K号,也可以是部分信息缺失的地址名称信息,例如,A省B市C区D街道F小区G栋J楼,其中,该地址信息缺失了街名、单元号和门牌号。
具体的,地址名称信息可以由用户在进行下单操作时输入,或通过用户终端进行定位确定,地址定位信息可以根据地址名称信息指向的目的地地点的经纬度确定,或是获取用户终端在下单操作时的定位信息。
在现有的通过地址信息确定配送时间方法中,如果地址信息部分缺失会采用兜底策略补全这部分信息缺失的内容(例如,如果缺失了楼宇名G,则会采用F小区的平均交付时间来填补楼宇名G的缺失),如果缺失大量信息,则会使用大量的兜底策略,从而导致预计送达时间偏差很大。
而在本公开中,即使部分信息缺失,也可以基于已有的信息生成特征向量并经过后续处理得到预计送达时间,充分利用已知信息,减少兜底策略的使用率。
除了地址名称信息外,还可以获取地址定位信息,如GPS信息,还可以获取配送目的地的天气信息、城市区域信息、时间信息、配送地交通信息、商家的出餐信息等,基于这些特征信息生成的特征向量参与后续的预计送达时间确定,可以提升确定的配送时间的准确度。
具体的,可以在获取了地址名称信息或地址定位信息后,通过联网查询功能从互联网中获取与所述地址名称信息或所述地址定位信息对应的如天气信息、配送地交通信息等。
S12、根据每一所述特征信息生成对应的特征向量。
对于不同类型的特征信息可以通过不同的方式生成特征向量,例如,当特征信息为名称类信息,如地址名称信息时,可以通过语意理解,将名称逐字拆分并基于多个字符生成该特征向量;当特征信息为定位类信息,如GPS信息时,可以对定位点的位置与定位点周围的已知点进行向量运算,得到该特征向量;当特征信息为数值,例如,为商家出餐的时间时,可以通过数值与向量的对应关系进行查表搜索,得到该特征向量;当特征信息为分类信息时,例如,为天气信息或配送地交通信息,可以根据不同类型的天气或交通情况与特征向量的关系,查找对应的特征向量,例如,晴天、雨天对应两个不同且特定的特征向量,交通拥堵和交通畅通对应两个不同且特定的特征向量等。
在一种可能的实现方式中,可以通过下述方式对地址名称信息进行处理,得到与地址名称信息对应的特征向量。
将所述地址名称信息中包含的地址名称字符串拆分为多个名称字符,根据所述多个名称字符生成多个字符向量,将所述多个字符向量按照所述地址名称字符串的排列顺序,依次输入长短期记忆LSTM网络,得到LSTM结果信息,然后,根据所述LSTM结果信息和第一预设激活函数,生成第一特征向量,所述第一特征向量为所述地址名称信息对应的特征向量。
LSTM网络可以对长期信息和短期信息进行判别学习,因此,当具有顺序性的字符向量通过LSTM网络时,当前的字符向量会影响序列之后的所有字符向量的处理结果,字符之间的相关性可以作为字符串的生成内容的参考,所生成的特征矩阵与地址名称信息的全盘信息有关,而不仅仅局限于其中的某几个信息,当中间有部分信息缺失时,也不会影响LSTM网络对字符串的处理。因此,当所有的字符向量通过LSTM网络之后,原本的地址名称信息中的有效内容可以被LSTM网络撷取并作为向量输出。其中,可以使用例如sigmoid或relu等激活函数对LSTM网络的输出值进行处理,得到隐语义向量,即与所述目标配送订单配送目的地的地址名称信息对应的特征向量。
在一种可能的实现方式中,可以通过下述方式对地址定位信息进行处理,得到与地址定位信息对应的特征向量。
根据所述地址定位信息和样本定位信息,在预设定位网格中确定所述配送目的地的定位点所在的目标网格,所述预设定位网格中的一个格点对应一个所述样本定位信息和一个格点向量;根据所述目标网格的四个格点的所述格点向量和所述定位点在目标网格中的坐标信息,进行双线性插值运算,得到第二特征向量,所述第二特征向量为所述地址定位信息对应的特征向量。
如图2所示的是一种可能的定位网格示意图。其中,点M是地址定位信息指向的定位点,点A、B、C、D是目标网格的四个格点,其对应的格点向量分别为embed(A)、embed(B)、embed(C)、embed(D),如图所示,预设AB=AC=BD=CD=1,点M距离点A的横纵坐标为(x,y),那么可以基于以上信息,分别计算点M相对于四个点的比例,进行双线性插值,得到点M的向量embed(M),embed(M)=embed(A)·xy+embed(B)·(1-x)y+embed(C)·x(1-y)+embed(D)·(1-x)(1-y),这样,可以通过四个样本定位点来将目标网格中的任意定位点进行向量化,只要目标定位信息指向的定位点被预设定位网格覆盖,就可以确定任意目标定位信息的特征向量。并且,划分越细致的网格得到的特征向量包含的地址信息也越精确,后续得到的预计送达时间也越准确。在一定程度上,地址名称信息和地址定位信息可以互补,当地址名称信息缺失时,地址定位信息可能填补该缺失。
地址定位信息还可以作为获得天气信息、交通信息的前置步骤,当确定了地址定位信息指向的坐标后,可以通过互联网络获取该地址定位信息指向的坐标处的交通状况和天气情况。
S13、根据多个所述特征向量生成特征矩阵。
具体地,可以通过字符拼接将所有向量按预设位置排列,生成特征矩阵,也可以通过concat函数将多个向量转换为一个特征矩阵。其中,根据不同的向量拼接方式,所述特征矩阵可以是m行n列的矩阵形式,也可以是m行1列或1行m列的矩阵形式(仍然可以以向量形式存在),对此,本公开没有具体要求。
S14、将所述特征矩阵输入预训练的配送时间确定模型,得到所述目标配送订单的预计送达时间。
配送时间确定模型由样本信息与实际送达信息训练得到,样本信息至少包括样本配送订单配送的样本目的地的地址名称信息和样本目的地的地址定位信息,还可以包括样本目的地的天气信息、样本目的地周边的交通信息、样本订单的商家的出餐信息等,样本信息包含的特征量越丰富,训练得到的配送时间确定模型也可以拥有越多维度的处理能力,例如,如果样本信息中只包含样本目的地的地址名称信息和样本目的地的地址定位信息,训练得到的模型就可以对目标配送订单的地址名称信息和地址定位信息进行处理,如果样本信息中包含除此以外的其他信息,例如天气信息等,那么训练得到的模型即可以对目标配送订单的地址名称信息和地址定位信息进行处理,也可以对例如天气信息等其他信息进行处理,如果目标配送订单的特征信息只包括地址名称信息和地址定位信息,那么也可以得到与之信息量对应的预测结果。
可选地,所述配送时间确定模型包括第二激活函数和多层感知机,所述第二激活函数用于对所述特征矩阵进行处理,得到目标矩阵,所述多层感知机用于,基于所述目标矩阵生成所述预计送达时间。
通过上述技术方案,至少可以达到以下技术效果:
通过对地址名称信息进行拆分并通过LSTM网络逐字处理,得到输出的特征矩阵,相比现有技术而言对地址名称信息的利用率更高,减少了人工规则和兜底策略的使用,在地址信息中有部分缺失的情况下,现有的对地址字符串逐级分裂的方法会在缺失字符串的位置停止分裂,而上述技术方案不涉及对地址字符串的逐级分裂,而是对字符串本身进行处理,因此可以充分利用除缺失信息以外的其他已知的信息,得到较准确的预计送达时间,可以使预计送达时间与实际送达时间之间的误差更小;并且,本公开对地址定位信息等特征信息进行充分利用,而不是仅对地址名称信息进行处理,因此,进一步减少了预计送达时间与实际送达时间之间的误差。
图3是根据一示例性公开实施例示出的一种确定配送时间的装置的框图。如图3所示,所述装置300包括:
获取模块310,用于获取目标配送订单的特征信息,所述特征信息包括所述目标配送订单配送目的地的地址名称信息和所述目的地的地址定位信息。
该地址名称信息可以是完整的地址名称信息,例如,A省B市C区D街道E街F小区G栋H单元J楼K号,也可以是部分信息缺失的地址名称信息,例如,A省B市C区D街道F小区G栋J楼,其中,该地址信息缺失了街名、单元号和门牌号。
具体的,地址名称信息可以由用户在进行下单操作时输入,或通过用户终端进行定位确定,地址定位信息可以根据地址名称信息指向的目的地地点的经纬度确定,或是获取用户终端在下单操作时的定位信息。
在现有的通过地址信息确定配送时间方法中,如果地址信息部分缺失会采用兜底策略补全这部分信息缺失的内容(例如,如果缺失了楼宇名G,则会采用F小区的平均交付时间来填补楼宇名G的缺失),如果缺失大量信息,则会使用大量的兜底策略,从而导致预计送达时间偏差很大。
而在本公开中,因为不涉及对地址字符串的逐级分裂,不会如现有技术一样忽略缺失字符段之后的信息,而是对字符串本身进行处理,因此可以充分利用除缺失信息以外的其他已知的信息,得到较准确的预计送达时间,即使部分信息缺失,也可以基于已有的信息生成特征向量并经过后续处理得到预计送达时间,充分利用已知信息,减少兜底策略的使用率。
除了地址名称信息外,还可以获取地址定位信息,如GPS信息,还可以获取配送目的地的天气信息、城市区域信息、时间信息、配送地交通信息、商家的出餐信息等,基于这些特征信息生成的特征向量参与后续的预计送达时间确定,可以提升确定的配送时间的准确度。
具体的,可以在获取了地址名称信息或地址定位信息后,通过联网查询功能从互联网中获取与所述地址名称信息或所述地址定位信息对应的如天气信息、配送地交通信息等。
生成模块320,用于根据每一所述特征信息生成对应的特征向量。
对于不同类型的特征信息可以通过不同的方式生成特征向量,例如,当特征信息为名称类信息,如地址名称信息时,可以通过语意理解,将名称逐字拆分并基于多个字符生成该特征向量;当特征信息为定位类信息,如gps信息时,可以对定位点的位置与定位点周围的已知点进行向量运算,得到该特征向量;当特征信息为数值,例如,为商家出餐的时间时,可以通过数值与向量的对应关系进行查表搜索,得到该特征向量;当特征信息为分类信息时,例如,为天气信息或配送地交通信息,可以根据不同类型的天气或交通情况与特征向量的关系,查找对应的特征向量,例如,晴天、雨天对应两个不同且特定的特征向量,交通拥堵和交通畅通对应两个不同且特定的特征向量等。
合并模块330,用于根据所述特征向量生成特征矩阵。
具体地,可以通过字符拼接将所有向量按预设位置排列,生成特征矩阵,也可以通过concat函数将多个向量转换为一个特征矩阵。其中,根据不同的向量拼接方式,所述特征矩阵可以是m行n列的矩阵形式,也可以是m行1列或1行m列的矩阵形式(仍然可以以向量形式存在),对此,本公开没有具体要求。
处理模块340,用于将所述特征矩阵输入预训练的配送时间确定模型,得到所述目标配送订单的预计送达时间。
配送时间确定模型由样本信息与实际送达信息训练得到,样本信息至少包括样本配送订单配送的样本目的地的地址名称信息和样本目的地的地址定位信息,还可以包括样本目的地的天气信息、样本目的地周边的交通信息、样本订单的商家的出餐信息等,样本信息包含的特征量越丰富,训练得到的配送时间确定模型也可以拥有越多维度的处理能力,例如,如果样本信息中只包含样本目的地的地址名称信息和样本目的地的地址定位信息,训练得到的模型就可以对目标配送订单的地址名称信息和地址定位信息进行处理,如果样本信息中包含除此以外的其他信息,例如天气信息等,那么训练得到的模型即可以对目标配送订单的地址名称信息和地址定位信息进行处理,也可以对例如天气信息等其他信息进行处理,如果目标配送订单的特征信息只包括地址名称信息和地址定位信息,那么也可以得到与之信息量对应的预测结果。
可选地,所述生成模块包括第一生成子模块,用于将所述地址名称信息中包含的地址名称字符串拆分为多个名称字符。根据所述多个名称字符生成多个字符向量。将所述多个字符向量按照所述地址名称字符串的排列顺序,依次输入长短期记忆LSTM网络,得到LSTM结果信息。根据所述LSTM结果信息和第一预设激活函数,生成第一特征向量,所述第一特征向量为所述地址名称信息对应的特征向量。
LSTM网络可以对长期信息和短期信息进行判别学习,因此,当具有顺序性的字符向量通过LSTM网络时,当前的字符向量会影响序列之后的所有字符向量的处理结果,字符之间的相关性可以作为字符串的生成内容的参考,所生成的特征矩阵与地址名称信息的全盘信息有关,而不仅仅局限于其中的某几个信息,当中间有部分信息缺失时,也不会影响LSTM网络对字符串的处理。因此,当所有的字符向量通过LSTM网络之后,原本的地址名称信息中的有效内容可以被LSTM网络撷取并作为向量输出。其中,可以使用例如sigmoid或relu等激活函数对LSTM网络的输出值进行处理,得到隐语义向量,即与所述目标配送订单配送目的地的地址名称信息对应的特征向量。
可选地,所述生成模块,包括第二生成子模块,用于根据所述地址定位信息和样本定位信息,在预设定位网格中确定所述配送目的地的定位点所在的目标网格,所述预设定位网格中的一个格点对应一个所述样本定位信息和一个格点向量。根据所述目标网格的四个格点的所述格点向量和所述定位点在目标网格中的坐标信息,进行双线性插值运算,得到第二特征向量,所述第二特征向量为所述地址定位信息对应的特征向量。
如图2所示的是一种可能的定位网格示意图。其中,点M是地址定位信息指向的定位点,点A、B、C、D是目标网格的四个格点,其对应的格点向量分别为embed(A)、embed(B)、embed(C)、embed(D),如图所示,预设AB=AC=BD=CD=1,点M距离点A的横纵坐标为(x,y),那么可以基于以上信息,分别计算点M相对于四个点的比例,进行双线性插值,得到点M的向量embed(M),embed(M)=embed(A)·xy+embed(B)·(1-x)y+embed(C)·x(1-y)+embed(D)·(1-x)(1-y),这样,可以通过四个样本定位点来将目标网格中的任意定位点进行向量化,只要目标定位信息指向的定位点被预设定位网格覆盖,就可以确定任意目标定位信息的特征向量。并且,划分越细致的网格得到的特征向量包含的地址信息也越精确,后续得到的预计送达时间也越准确。在一定程度上,地址名称信息和地址定位信息可以互补,当地址名称信息缺失时,地址定位信息可能填补该缺失。
地址定位信息还可以作为获得天气信息、交通信息的前置步骤,当确定了地址定位信息指向的坐标后,可以通过互联网络获取该地址定位信息指向的坐标处的交通状况和天气情况。
可选地,所述特征信息还包括时间信息、城市区域信息、天气信息、配送地交通信息中的至少一种。
可选地,所述生成模块,还用于根据所述特征信息,与预设的特征信息和特征向量的对应关系表,得到与所述特征信息对应的所述特征向量。
可选地,所述合并模块用于通过concat函数将所述特征向量连接,得到所述特征矩阵。
可选地,所述配送时间确定模型包括第二激活函数和多层感知机。
所述第二激活函数用于对所述特征矩阵进行处理,得到目标矩阵。
所述多层感知机用于,基于所述目标矩阵生成所述预计送达时间。
通过上述技术方案,至少可以达到以下技术效果:
通过对地址名称信息进行拆分并通过LSTM网络逐字处理,得到输出的特征矩阵,相比现有技术而言对地址名称信息的利用率更高,减少了人工规则和兜底策略的使用,在地址信息中有部分缺失的情况下,现有的对地址字符串逐级分裂的方法会在缺失字符串的位置停止分裂,而上述技术方案不涉及对地址字符串的逐级分裂,而是对字符串本身进行处理,因此可以充分利用除缺失信息以外的其他已知的信息,得到较准确的预计送达时间,可以使预计送达时间与实际送达时间之间的误差更小;并且,本公开对地址定位信息等特征信息进行充分利用,而不是仅对地址名称信息进行处理,因此,进一步减少了预计送达时间与实际送达时间之间的误差。
图4是根据一示例性实施例示出的一种电子设备400的框图。如图4所示,该电子设备400可以包括:处理器401,存储器402。该电子设备400还可以包括多媒体组件403,输入/输出(I/O)接口404,以及通信组件405中的一者或多者。
其中,处理器401用于控制该电子设备400的整体操作,以完成上述的确定配送时间的方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作,这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件405可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的确定配送时间的方法。
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的确定配送时间的方法的步骤。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402,上述程序指令可由电子设备400的处理器401执行以完成上述的确定配送时间的方法。
图5是根据一示例性实施例示出的一种电子设备500的框图。例如,电子设备500可以被提供为一服务器。参照图5,电子设备500包括处理器522,其数量可以为一个或多个,以及存储器532,用于存储可由处理器522执行的计算机程序。存储器532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522可以被配置为执行该计算机程序,以执行上述的确定配送时间的方法。
另外,电子设备500还可以包括电源组件526和通信组件550,该电源组件526可以被配置为执行电子设备500的电源管理,该通信组件550可以被配置为实现电子设备500的通信,例如,有线或无线通信。此外,该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532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的确定配送时间的方法的步骤。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532,上述程序指令可由电子设备500的处理器522执行以完成上述的确定配送时间的方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的确定配送时间的方法的代码部分。
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)
1.一种确定配送时间的方法,其特征在于,所述方法包括:
获取目标配送订单的特征信息,所述特征信息包括所述目标配送订单配送目的地的地址名称信息和所述目的地的地址定位信息;
根据每一所述特征信息生成对应的特征向量;
根据所述特征向量生成特征矩阵;
将所述特征矩阵输入预训练的配送时间确定模型,得到所述目标配送订单的预计送达时间。
2.根据权利要求1所述的方法,其特征在于,所述根据每一所述特征信息生成对应的特征向量,包括:
将所述地址名称信息中包含的地址名称字符串拆分为多个名称字符;
根据所述多个名称字符生成多个字符向量;
将所述多个字符向量按照所述地址名称字符串的排列顺序,依次输入长短期记忆LSTM网络,得到LSTM结果信息;
根据所述LSTM结果信息和第一预设激活函数,生成第一特征向量,所述第一特征向量为所述地址名称信息对应的特征向量。
3.根据权利要求1所述的方法,其特征在于,所述根据每一所述特征信息生成对应的特征向量,包括:
根据所述地址定位信息和样本定位信息,在预设定位网格中确定所述配送目的地的定位点所在的目标网格,所述预设定位网格中的一个格点对应一个所述样本定位信息和一个格点向量;
根据所述目标网格的四个格点的所述格点向量和所述定位点在目标网格中的坐标信息,进行双线性插值运算,得到第二特征向量,所述第二特征向量为所述地址定位信息对应的特征向量。
4.根据权利要求1所述的方法,其特征在于,所述特征信息还包括时间信息、城市区域信息、天气信息、配送地交通信息中的至少一种。
5.根据权利要求4所述的方法,其特征在于,所述根据每一所述特征信息生成对应的特征向量,包括:
根据所述特征信息,与预设的特征信息和特征向量的对应关系表,得到与所述特征信息对应的所述特征向量。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述特征向量生成特征矩阵,包括:
通过concat函数将所述特征向量连接,得到所述特征矩阵。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述配送时间确定模型包括第二激活函数和多层感知机;
所述第二激活函数用于对所述特征矩阵进行处理,得到目标矩阵;
所述多层感知机用于,基于所述目标矩阵生成所述预计送达时间。
8.一种确定配送时间的装置,其特征在于,所述装置包括:
获取模块,用于获取目标配送订单的特征信息,所述特征信息包括所述目标配送订单配送目的地的地址名称信息和所述目的地的地址定位信息;
生成模块,用于根据每一所述特征信息生成对应的特征向量;
合并模块,用于根据所述特征向量生成特征矩阵;
处理模块,用于将所述特征矩阵输入预训练的配送时间确定模型,得到所述目标配送订单的预计送达时间。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878063.XA CN110751430A (zh) | 2019-09-17 | 2019-09-17 | 确定配送时间的方法和装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878063.XA CN110751430A (zh) | 2019-09-17 | 2019-09-17 | 确定配送时间的方法和装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751430A true CN110751430A (zh) | 2020-02-04 |
Family
ID=69276598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910878063.XA Pending CN110751430A (zh) | 2019-09-17 | 2019-09-17 | 确定配送时间的方法和装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751430A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260151A (zh) * | 2020-02-12 | 2020-06-09 | 上海东普信息科技有限公司 | 多频次派件时长预测方法、装置、设备及存储介质 |
CN114330797A (zh) * | 2020-09-27 | 2022-04-12 | 北京三快在线科技有限公司 | 配送时长预测方法、装置、存储介质和电子设备 |
-
2019
- 2019-09-17 CN CN201910878063.XA patent/CN110751430A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260151A (zh) * | 2020-02-12 | 2020-06-09 | 上海东普信息科技有限公司 | 多频次派件时长预测方法、装置、设备及存储介质 |
CN111260151B (zh) * | 2020-02-12 | 2022-06-24 | 上海东普信息科技有限公司 | 多频次派件时长预测方法、装置、设备及存储介质 |
CN114330797A (zh) * | 2020-09-27 | 2022-04-12 | 北京三快在线科技有限公司 | 配送时长预测方法、装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110019616B (zh) | 一种poi现势状态获取方法及其设备、存储介质、服务器 | |
CN108399150B (zh) | 文本处理方法、装置、计算机设备和存储介质 | |
CN113518256B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN110234018B (zh) | 多媒体内容描述生成方法、训练方法、装置、设备及介质 | |
US20220019341A1 (en) | Map information display method and apparatus, electronic device, and computer storage medium | |
KR20210040892A (ko) | 융합 관계 네트워크에 기반한 정보 추천 방법, 장치, 전자 장비, 비 일시적 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 | |
CN111666427A (zh) | 一种实体关系联合抽取方法、装置、设备及介质 | |
CN103246690A (zh) | 标签继承 | |
US20150193117A1 (en) | Changing Icons for a Web Page | |
CN109558605A (zh) | 用于翻译语句的方法和装置 | |
CN107003834A (zh) | 行人检测设备和方法 | |
CN111783429B (zh) | 信息处理方法、装置、电子设备以及存储介质 | |
CN110751430A (zh) | 确定配送时间的方法和装置、存储介质和电子设备 | |
CN105203121A (zh) | 在地理应用程序中动态地整合离线和在线建议 | |
CN113392197A (zh) | 问答推理方法、装置、存储介质及电子设备 | |
CN112182281B (zh) | 一种音频推荐方法、装置及存储介质 | |
CN117034031A (zh) | 基于沟通场景的语句生成方法及装置 | |
CN114970666B (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
CN114428917A (zh) | 基于地图的信息共享方法、装置、电子设备和介质 | |
CN112652298A (zh) | 语音识别方法、装置、电子设备和存储介质 | |
CN115905598B (zh) | 一种社会事件摘要生成的方法、装置、终端设备及介质 | |
CN113032527B (zh) | 用于问答系统的信息生成方法、装置、终端设备 | |
CN114218438B (zh) | 视频数据处理方法、装置、电子设备和计算机存储介质 | |
CN117634576A (zh) | 排序模型的训练的方法、搜索方法、装置及其设备 | |
CN117221386A (zh) | 信息推送方法、装置、电子设备和可读介质 |
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 |