CN110807545A

CN110807545A - 任务时长的预估方法、装置、电子设备和存储介质

Info

Publication number: CN110807545A
Application number: CN201911005518.3A
Authority: CN
Inventors: 冯媛媛
Original assignee: Beijing Sankuai Online Technology Co Ltd
Current assignee: Beijing Sankuai Online Technology Co Ltd
Priority date: 2019-10-22
Filing date: 2019-10-22
Publication date: 2020-02-18

Abstract

本申请公开了任务时长的预估方法、装置、电子设备和存储介质。所述方法包括：获取目标任务的任务信息，所述任务信息包括：至少两个维度的任务场景信息，以及若干个维度的特征信息；根据所述至少两个维度的任务场景信息确定任务场景，选取与所述任务场景相关联的任务时长预估模型；将所述特征信息输入确定的任务时长预估模型中，得到目标任务的预估任务时长。有益效果在于，可以针对细化的任务场景，采用与任务场景信息匹配的任务时长预估模型，采用机器学习的方式，利用多维度的数据实现更为精准的任务时长预估，提高了预估的准确性和针对性。

Description

任务时长的预估方法、装置、电子设备和存储介质

技术领域

本申请涉及智能配送领域，具体涉及任务时长的预估方法、装置、电子设备和存储介质。

背景技术

准确的预估任务所需的时长，进而确定出最优的任务完成策略可以显著提升任务执行效率和用户体验。所以，准确预估任务所需时长并确定出最优目标任务执行策略对目标任务执行中的服务者具有重要意义。但现有技术大多通过运筹学机理的模型来实现预估，没有注意到不同任务场景间的差异，因而选用通用的任务时长预估模型进行预估的准确性并不高。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的任务时长的预估方法、装置、电子设备和存储介质。

依据本申请的一个方面，提供了一种任务时长的预估方法，其特征在于，该方法包括：

获取目标任务的任务信息，所述任务信息包括：至少两个维度的任务场景信息，以及若干个维度的特征信息；

根据所述至少两个维度的任务场景信息确定任务场景，选取与所述任务场景相关联的任务时长预估模型；

将所述特征信息输入确定的任务时长预估模型中，得到目标任务的预估任务时长。

可选地，所述任务时长预估模型采用以下方式建立和训练：

将已完成任务的任务信息划分为多个任务信息集合，使各任务信息集合分别对应一个任务场景，所述任务场景是以所述任务场景信息的各维度的取值确定的；

根据每个任务信息集合分别训练得到与对应的任务场景相关联的任务时长预估模型。

可选地，所述根据每个任务信息集合分别训练得到与对应的任务场景相关联的任务时长预估模型包括：

将任务信息集合中的任务信息按照任务完成状态进行划分，得到超时完成的任务信息子集以及按时完成的任务信息子集；

对超时完成的任务信息子集中任务信息的数量按预设比例进行加权处理。

通过XGBoost算法训练得到XGBoost类型的任务时长预估模型。

可选地，所述任务场景信息的维度包括：取货状态维度和任务完成状态维度；

所述任务完成状态维度的取值是根据任务的承诺完成时间是否大于预估完成时间确定的。

可选地，所述特征信息包括如下的至少一项：

配送员画像，任务画像，区域画像，商家画像，任务-配送员画像，商家-配送员画像。

可选地，该方法还包括：

根据目标任务的任务信息，构造多条配送路径；

根据所述预估任务时长计算各配送路径的优先级分数；

基于各配送路径的优先级分数进行配送调度。

依据本申请的另一方面，提供了一种任务时长的预估装置，该装置包括：

获取单元，用于获取目标任务的任务信息，所述任务信息包括：至少两个维度的任务场景信息，以及若干个维度的特征信息；

模型确定单元，根据所述至少两个维度的任务场景信息确定任务场景，选取与所述任务场景相关联的任务时长预估模型；

预估单元，将所述特征信息输入确定的任务时长预估模型中，得到目标任务的预估任务时长。

可选地，所述模型确定单元，用于将已完成任务的任务信息划分为多个任务信息集合，使各任务信息集合分别对应一个任务场景，所述任务场景是以所述任务场景信息的各维度的取值确定的；

可选地，所述模型确定单元，用于将任务信息集合中的任务信息按照任务完成状态进行划分，得到超时完成的任务信息子集以及按时完成的任务信息子集；

可选地，所述模型确定单元，用于通过XGBoost算法训练得到XGBoost类型的任务时长预估模型。

可选地，所述特征信息包括如下的至少一项：

可选地，该装置还包括，配送调度单元，用于根据目标任务的任务信息，构造多条配送路径；

根据所述预估任务时长计算各配送路径的优先级分数；

基于各配送路径的优先级分数进行配送调度。

依据本申请的又一方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。

依据本申请的再一方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一所述的方法。

由上述可知，本申请的技术方案，获取目标任务的任务信息，所述任务信息包括：至少两个维度的任务场景信息，以及若干个维度的特征信息；根据所述至少两个维度的任务场景信息确定任务场景，选取与所述任务场景相关联的任务时长预估模型；将所述特征信息输入确定的任务时长预估模型中，得到目标任务的预估任务时长。有益效果在于，可以针对细化的任务场景，采用与任务场景信息匹配的任务时长预估模型，采用机器学习的方式，利用多维度的数据实现更为精准的任务时长预估，提高了预估的准确性和针对性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本申请一个实施例的一种任务时长的预估方法的流程示意图；

图2示出了根据本申请一个实施例的一种任务时长的预估装置的结构示意图；

图3示出了根据本申请一个实施例的电子设备的结构示意图；

图4示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

以配送任务为例，配送员需要到商家配货，到用户处送货，因此涉及商家位置、用户位置等多个地点。在现有技术中，将各个地点抽象为坐标点，通过数学规划等方式，进行路径规划和路径构造，并往往产生多个方案，再通过路径打分，通过打分矩阵得到最优路径，再按照优先级进行配送员指派等。现有技术中的路径规划、构造和打分往往是依赖于运筹学的机理建模实现，本申请的技术方案则是根据至少两个维度的任务场景信息增加了任务时长预估，具体可以是在路径打分前进行，从而提供了一种新的参数供路径打分使用，能够使得得到的最优路径更符合实际需求。

图1示出了根据本申请一个实施例的一种任务时长的预估方法的流程示意图。如图1所示，该方法包括：

步骤S110，获取目标任务的任务信息，任务信息包括：至少两个维度的任务场景信息，以及若干个维度的特征信息。

任务场景信息是任务实际执行过程中与任务执行的具体情况信息以及与任务执行效果密切相关的信息。以配送任务为例，目标配送任务开启后，由于实际配送结果、承诺配送任务执行状况与配送任务预估执行情况的差异可能导致出现多种组合情况，从而构成多种不同的任务场景。维度则是与任务执行效果密切相关的多层次的影响因素以及影响因素之间存在的关联关系的具体信息。以配送任务为例，在具体的配送场景下，配送过程中配送员的特征信息，配送任务本身的特征信息，配送区域的特征信息，以及配送任务与配送员之间存在的关联关系的信息等影响因素。更为细节地，实际配送过程中也会介入大量对配送效率产生影响的因素，如配送工具、街区道路状况等因素。这些不同任务场景和影响因素都会对配送效率、配送效果产生直接或间接的影响。因此，为了更有针对性、更准确的预估配送任务所需时长，需要完整的获取目标任务的任务信息，以便充分分析相关影响因素，为准确预估目标配送任务所需时长打下基础。

步骤S120，根据至少两个维度的任务场景信息确定任务场景，选取与任务场景相关联的任务时长预估模型。

本申请与现有技术方案的一个重要区别就是细化了任务场景，根据至少两个维度的任务场景信息确定任务场景，针对不同的任务场景使用与任务场景相关联的任务时长预估模型，解决了统一处理各任务场景导致的模型参数对各任务场景都无法实现最优的预估的问题。因此，结合不同任务场景信息，有针对性的确定出相匹配的任务时长预估模型，可以准确的确定出不同任务场景下更为适宜的任务时长预估模型，从而促进提升任务时长预估结果的准确性。

步骤S130，将特征信息输入确定的任务时长预估模型中，得到目标任务的预估任务时长。

任务实际执行中，执行效率会受到多种因素的影响。以配送任务为例，影响目标配送任务的因素是多方面的，既有可能是来自配送设备方面的原因、也可能是配送街区道路情况等方面的多维度影响因素。因此，将这些特征信息输入到确定的任务时长预估模型中，可以完整的分析配送任务实际执行中出现的多种情况，以这些在任务场景信息的情况和不同组合具有的特征信息作为分析基础，根据相应的任务时长评估模型，而不是机械化的采用一个任务时长评估模型，使评估模型在面对不同任务场景信息组合时可以展现出较强的适应性，从而可以得到更为准确的目标任务的预估任务时长结果数据。

可见，图1所示的方法，可以针对细化的任务场景，采用与任务场景信息匹配的任务时长预估模型，采用机器学习的方式，利用多维度的数据实现更为精准的任务时长预估，提高了预估的准确性和针对性。

在本申请的一个实施例中，上述方法中，任务时长预估模型采用以下方式建立和训练：将已完成任务的任务信息划分为多个任务信息集合，使各任务信息集合分别对应一个任务场景，任务场景是以任务场景信息的各维度的取值确定的；根据每个任务信息集合分别训练得到与对应的任务场景相关联的任务时长预估模型。

以已完成任务信息为例，已完成任务的信息可以清晰的反映出，预估情况和实际执行情况的内容，因此以已完成的任务信息为基础作为时长预估模型的基础数据，可以使得在保证数据准确性的基础上同时具有操作上简便性。因此，可以将已完成任务的任务信息划分为多个任务信息集合，各任务信息集合分别对应一个任务场景。例如，根据任务实际完成的不同情况，可以将已完成的任务的任务信息划分为不同组别。在确定了各组别对应的不同任务场景后，根据各组别中任务信息集合的样本数据分别训练得到相应的任务时长预估模型。这样，结合不同任务场景下的样本数据信息，训练得到相应的任务时长预估模型，可以使得到的任务时长预估模型更具有针对性，提升了模型预估结果的准确性。而且对于用户体验较为重要的已完成配送且实际配送时长大于预估配送时长组来说，可以获取对应的配送任务时长评估模型，为快速和针对性的改善用户体验提供准确信息。

在本申请的一个实施例中，上述方法中，根据每个任务信息集合分别训练得到与对应的任务场景相关联的任务时长预估模型包括：将任务信息集合中的任务信息按照任务完成状态进行划分，得到超时完成的任务信息子集以及按时完成的任务信息子集；对超时完成的任务信息子集中任务信息的数量按预设比例进行加权处理。

任务超时情况对于用户体验的损害较大，因此需要格外重视。以配送任务为例，当任务实际完成时间超过了向用户承诺的任务完成时长时，即认为是配送任务超时，一个具体的示例为，用户在下单外卖后，会获得外卖平台承诺的一个最晚送达时间，超过该最晚送达时间，则会进行赔付。则该最晚送达时间减去下单时间，就是任务的承诺完成时间；实际完成时间则是以用户实际收到餐品的时间减去下单时间。那么可以看出，对于配送未超时的任务来说，即使不进行本申请的任务时长预估，对于用户来说的体验提升是相对偏小的，因而对这一部分的样本数据可以不需要加权，也就是不需要重点对待。但是对于配送超时的任务来说，以此得到的样本数据生成的任务时长预估模型可以大大降低后续配送超时的概率，因此从各组别中获取样本数据时，可以对配送任务超时样本数据进行加权。例如，可以将“按时完成”和“超时完成”的训练数据按照1：3的比例加权，训练数据样本中有10条“按时完成”的运单，相应的有5*3＝15条“超时完成”的运单。这样，可以针对性的提升配送任务时长预估模型的训练效果，进而促进提升用户体验。

也可以看出，本申请的技术方案还可以对承诺完成时间进行优化，即现有技术可以通过运营人员预估等方式确定一个准确度相对较低的承诺完成时间，而本申请的技术方案通过进行任务预估，得到的更精准的任务预估时间就能够替代现有技术中得到的承诺完成时间了。

在本申请的一个实施例中，上述方法中，根据每个任务信息集合分别训练得到与对应的任务场景相关联的任务时长预估模型包括：通过XGBoost算法训练得到XGBoost类型的任务时长预估模型。

XGBoost算法是将许多弱分类器集成在一起形成一个强分类器，从而拟合预测的残差，具有防止过拟合、支持并行化、有针对稀疏数据的处理机制和交叉验证机制，可以加快训练的速度等多方面的优点。因此，可以利用XGBoost算法提升任务时长预估模型的预测结果正确性。

在本申请的一个实施例中，上述方法中，任务场景信息的维度包括：取货状态维度和任务完成状态维度；任务完成状态维度的取值是根据任务的承诺完成时间是否大于预估完成时间确定的。

以配送任务为例，可以将任务场景信息的维度分为取货状态维度和任务完成状态维度两类。取货状态维度是根据所配送的货物是否已经取货为标准确定的，任务完成状态维度是根据配送任务承诺完成的时间是否超过预估完成时间为标准确定的。具体来说，在取货状态维度中，可以根据配送任务的完成情况可以分为两组，即已完成配送组和未完成配送组。在任务完成状态维度中，根据承诺配送时长与预估的配送时长的比较，可以分为两组，即预估配送时长小于等于承诺时长组和预估配送时长大于承诺时长组。再结合前述不同组别形成的组合关系可以确定出四种不同的任务场景，即完成配送且预估配送时长小于等于承诺配送时长组、完成配送且预估配送时长大于承诺配送时长组、未完成配送且预估配送时长小于等于承诺配送时长组、未完成配送且预估配送时长大于承诺配送时长组。

在本申请的一个实施例中，上述方法中，特征信息包括如下的至少一项：配送员画像，任务画像，区域画像，商家画像，任务-配送员画像，商家-配送员画像。

画像是基于对特定目标对象或对象的多项特征的描述，输出的对目标对象特征的具体描述。以配送任务为例，存在多维度特征信息可能对配送任务完成效率具有不同程度的影响，这些多维度的特征信息可以用画像特征信息进行描述，例如：配送员画像，其中包含如配送员的性别、年龄等关于配送员情况的特征信息。任务画像，其中包含配送任务的距离远近及复杂程度、配送物大小、配送方式等关于任务本身情况的特征信息。区域画像，其中包括配送途径区域的交通情况、道路是否为主干道、路况等关于配送区域情况的特征信息。商家画像，其中包括配送商家的任务集中度、任务集中度分布的时间特点等关于配送任务中商家情况的特征信息。任务-配送员画像，其中包括配送员同时关联的其他正在进行的配送任务数量、同时关联的其他其他正在进行的配送任务执行情况等有关配送员与配送任务数量关系情况的特征信息。商家-配送员画像，其中包括配送任务中的商家同时有其他配送员正在参与配送任务情况、以及执行情况等关于配送服务商家与配送员关系方面的数据特征信息。这样，综合这些多维度的特征信息，并以此为基础进行任务时长预估，可以获取到更为精准的任务时长预估结果，促进改善用户体验。

在本申请的一个实施例中，上述方法中，该方法还包括：根据目标任务的任务信息，构造多条配送路径；根据预估任务时长计算各配送路径的优先级分数；基于各配送路径的优先级分数进行配送调度。

根据目标任务的任务信息可以构造出多条配送路径，然后根据预估任务时长计算出各配送路径的优先级分数，由此便可以分析得出选择不同的配送路径的优势，最后可以基于各配送路径的优先级分数进行相应的配送调度，以最大限度的结合目标任务的任务信息确定出优化的配送策略，改善用户体验。

图2示出了根据本申请一个实施例的一种任务时长的预估装置的结构示意图。如图2所示，该装置200包括：

获取单元210，用于获取目标任务的任务信息，任务信息包括：至少两个维度的任务场景信息，以及若干个维度的特征信息。

任务场景信息是任务实际执行过程中与任务执行的具体情况信息以及与任务执行效果密切相关的信息。以配送任务为例，目标配送任务开启后，由于实际配送结果、承诺配送任务执行状况与配送任务预估执行情况的差异可能导致出现多种组合情况，从而构成多种不同的任务场景。维度则是与任务执行效果密切相关的多层次的影响因素以及影响因素之间存在的关联关系的具体信息。以配送任务为例，在具体的配送场景下，配送过程中配送员的特征信息，配送任务本身的特征信息，配送区域的特征信息，以及配送任务与配送员之间存在的关联关系的信息等影响因素。更为细节地，实际配送过程中也会介入大量对配送效率产生影响的因素，如配送工具、街区道路状况等因素。这些不同任务场景和影响因素都会对配送效率产生直接或间接的影响。因此，为了更有针对性、更准确的预估配送任务所需时长，需要完整的获取目标任务的任务信息，以便充分分析相关影响因素，为准确预估目标配送任务所需时长打下基础。

模型确定单元220，根据至少两个维度的任务场景信息确定任务场景，选取与任务场景相关联的任务时长预估模型。

预估单元230，将特征信息输入确定的任务时长预估模型中，得到目标任务的预估任务时长。

可见，如图2所示的装置，可以针对细化的任务场景，采用与任务场景信息匹配的任务时长预估模型，采用机器学习的方式，利用多维度的数据实现更为精准的任务时长预估，提高了预估的准确性和针对性。

在本申请的实施例中，上述装置中，模型确定单元220，用于将已完成任务的任务信息划分为多个任务信息集合，使各任务信息集合分别对应一个任务场景，任务场景是以任务场景信息的各维度的取值确定的；根据每个任务信息集合分别训练得到与对应的任务场景相关联的任务时长预估模型。

在本申请的实施例中，上述装置中，模型确定单元220，用于将任务信息集合中的任务信息按照任务完成状态进行划分，得到超时完成的任务信息子集以及按时完成的任务信息子集；对超时完成的任务信息子集中任务信息的数量按预设比例进行加权处理。

在本申请的实施例中，上述装置中，模型确定单元220，用于通过XGBoost算法训练得到XGBoost类型的任务时长预估模型。

在本申请的实施例中，上述装置中，任务场景信息的维度包括：取货状态维度和任务完成状态维度；任务完成状态维度的取值是根据任务的承诺完成时间是否大于预估完成时间确定的。

在本申请的实施例中，上述装置中，特征信息包括如下的至少一项：配送员画像，任务画像，区域画像，商家画像，任务-配送员画像，商家-配送员画像。

在本申请的实施例中，上述装置中，该装置还包括，配送调度单元，用于根据目标任务的任务信息，构造多条配送路径；根据预估任务时长计算各配送路径的优先级分数；基于各配送路径的优先级分数进行配送调度。

需要说明的是，上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行，在此不再赘述。

综上所述，本申请的技术方案，获取目标任务的任务信息，所述任务信息包括：至少两个维度的任务场景信息，以及若干个维度的特征信息；根据所述至少两个维度的任务场景信息确定任务场景，选取与所述任务场景相关联的任务时长预估模型；将所述特征信息输入确定的任务时长预估模型中，得到目标任务的预估任务时长。有益效果在于，可以针对细化的任务场景，采用与任务场景信息匹配的任务时长预估模型，采用机器学习的方式，利用多维度的数据实现更为精准的任务时长预估，提高了预估的准确性和针对性。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的任务时长的预估装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备300包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如，用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。图4示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本申请的方法步骤的计算机可读程序代码331，可以被电子设备300的处理器310读取，当计算机可读程序代码331由电子设备300运行时，导致该电子设备300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims

1.一种任务时长的预估方法，其特征在于，该方法包括：

2.如权利要求1所述的方法，其特征在于，所述任务时长预估模型采用以下方式建立和训练：

3.如权利要求2所述的方法，其特征在于，所述根据每个任务信息集合分别训练得到与对应的任务场景相关联的任务时长预估模型包括：

4.如权利要求2所述的方法，其特征在于，所述根据每个任务信息集合分别训练得到与对应的任务场景相关联的任务时长预估模型包括：

通过XGBoost算法训练得到XGBoost类型的任务时长预估模型。

5.如权利要求1所述的方法，其特征在于，所述任务场景信息的维度包括：取货状态维度和任务完成状态维度；

6.如权利要求1所述的方法，其特征在于，所述特征信息包括如下的至少一项：

7.如权利要求1所述的方法，其特征在于，该方法还包括：

根据目标任务的任务信息，构造多条配送路径；

根据所述预估任务时长计算各配送路径的优先级分数；

基于各配送路径的优先级分数进行配送调度。

8.一种任务时长的预估装置，其特征在于，该装置包括：

9.一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-7中任一项所述的方法。