CN110826782B - 一种数据处理的方法、装置、可读存储介质和电子设备 - Google Patents
一种数据处理的方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN110826782B CN110826782B CN201911022195.9A CN201911022195A CN110826782B CN 110826782 B CN110826782 B CN 110826782B CN 201911022195 A CN201911022195 A CN 201911022195A CN 110826782 B CN110826782 B CN 110826782B
- Authority
- CN
- China
- Prior art keywords
- data
- processor
- prediction model
- target
- correction coefficient
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 101100204393 Arabidopsis thaliana SUMO2 gene Proteins 0.000 description 2
- 101100534673 Arabidopsis thaliana SUMO3 gene Proteins 0.000 description 2
- 101150112492 SUM-1 gene Proteins 0.000 description 2
- 101150096255 SUMO1 gene Proteins 0.000 description 2
- 101100116390 Schizosaccharomyces pombe (strain 972 / ATCC 24843) ded1 gene Proteins 0.000 description 2
- 101100311460 Schizosaccharomyces pombe (strain 972 / ATCC 24843) sum2 gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 101100534682 Arabidopsis thaliana SUMO4 gene Proteins 0.000 description 1
- 241001137251 Corvidae Species 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000015108 pies Nutrition 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
- G06Q10/04—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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据处理的方法、装置、可读存储介质和电子设备。本发明实施例通过至少一个处理器确定至少一组数据组合,其中,数据组合中的每个数据为每个第一预测模型的输出与第一预测模型对应的修正系数的乘积;通过至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果;通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果;通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。通过上述方法,可以确定出第一预测模型所对应的目标修正系数,所述第一预测模型采用目标修正系数,可以提高预测结果的准确性。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种数据处理的方法、装置、可读存储介质和电子设备。
背景技术
随着外卖行业的不断发展,给生活带来了越来越多的便利,用户、运力资源和商户的数量也不断增加,为了充分的利用运力资源,提高配送资源的配送效率,首先需要对配送时间进行预测,然后将配送时间的预测结果作为分单模型的输入,分单模型根据所述预测结果进行订单分配,配送时间的预测结果影响订单分配,进而影响配送资源的配送效率,因此如何准确的预测配送时间,是目前需要解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种数据处理的方法、装置、可读存储介质和电子设备,能够提高预测配送时间的准确性。
第一方面,本发明实施例提供了一种数据处理的方法,该方法包括:接收来自于程序调用接口的数据;通过至少一个处理器解析所述数据,确定至少一组数据组合,其中,所述数据组合中的每个数据为每个第一预测模型的输出与所述第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项;通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果;通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果;通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。
优选地,该方法还包括:所述至少一个处理器将所述目标修正系数组合中包括多个所述修正系数分别确定为所述第一预测模型的目标修正系数。
优选地,该方法还包括:接收来自于程序调用接口的即时数据;确定所述目标修正系数后的所述第一预测模型根据所述即时数据预测距离、时间、速度中的至少一项。
优选地,所述目标修正系数可进行周期性调整。
优选地,通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果,具体包括:通过所述至少一个处理器确定所述至少一个输出结果与历史数据的至少一个匹配度;所述至少一个处理器将所述至少一个匹配度进行排序;所述至少一个处理器将所述匹配度排序中排名在第一位的匹配度所对应的输出结果确定为目标输出结果。
优选地,所述通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,具体包括:通过所述至少一个处理器确定所述目标输出结果对应的目标数据组合;确定所述目标数据组合对应的目标修正系数组合。
优选地,所述通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,具体包括:通过所述至少一个处理器将所述至少一组数据组合分别输入到第二预测模型中;或者,通过所述至少一个处理器确定所述至少一个数据组合中全部数据的和值,将所述和值输入到第二预测模型中。
第二方面,本发明实施例提供了一种数据处理的装置,该装置包括:接收单元,用于接收来自于程序调用接口的数据;第一确定单元,用于通过至少一个处理器解析所述数据,确定至少一组数据组合,其中,所述数据组合中的每个数据为每个第一预测模型的输出与所述第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项;第二确定单元,用于通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果;第三确定单元,用于通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果;第四确定单元,用于通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。
优选地,所述第四确定单元还用于:所述至少一个处理器将所述目标修正系数组合中包括多个所述修正系数分别确定为所述第一预测模型的目标修正系数。
优选地,所述接收单元还用于:接收来自于程序调用接口的即时数据;所述第一确定单元还用于,确定所述目标修正系数后的所述第一预测模型根据所述即时数据预测距离、时间、速度中的至少一项。
优选地,所述目标修正系数可进行周期性调整。
优选地,所述第三确定单元具体用于:通过所述至少一个处理器确定所述至少一个输出结果与历史数据的至少一个匹配度;所述至少一个处理器将所述至少一个匹配度进行排序;所述至少一个处理器将所述匹配度排序中排名在第一位的匹配度所对应的输出结果确定为目标输出结果。
优选地,所述第四确定单元具体用于:通过所述至少一个处理器确定所述目标输出结果对应的目标数据组合;确定所述目标数据组合对应的目标修正系数组合。
优选地,所述第二确定单元具体用于:通过所述至少一个处理器将所述至少一组数据组合分别输入到第二预测模型中;或者,通过所述至少一个处理器确定所述至少一个数据组合中全部数据的和值,将所述和值输入到第二预测模型中。
第三方面,本发明实施例提供了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第一方面或第一方面任一种可能中任一项所述的方法。
第四方面,本发明实施例提供了一种电子设备,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:接收来自于程序调用接口的数据;通过至少一个处理器解析所述数据,确定至少一组数据组合,其中,所述数据组合中的每个数据为每个第一预测模型的输出与所述第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项;通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果;通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果;通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。
优选地,所述处理器还执行如下步骤:所述至少一个处理器将所述目标修正系数组合中包括多个所述修正系数分别确定为所述第一预测模型的目标修正系数。
优选地,所述处理器还执行如下步骤:接收来自于程序调用接口的即时数据;确定所述目标修正系数后的所述第一预测模型根据所述即时数据预测距离、时间、速度中的至少一项。
优选地,所述目标修正系数可进行周期性调整。
优选地,所述处理器具体执行如下步骤:通过所述至少一个处理器确定所述至少一个输出结果与历史数据的至少一个匹配度;所述至少一个处理器将所述至少一个匹配度进行排序;所述至少一个处理器将所述匹配度排序中排名在第一位的匹配度所对应的输出结果确定为目标输出结果。
优选地,所述处理器具体执行如下步骤:通过所述至少一个处理器确定所述目标输出结果对应的目标数据组合;确定所述目标数据组合对应的目标修正系数组合。
优选地,所述处理器具体执行如下步骤:通过所述至少一个处理器将所述至少一组数据组合分别输入到第二预测模型中;或者,通过所述至少一个处理器确定所述至少一个数据组合中全部数据的和值,将所述和值输入到第二预测模型中。
本发明实施例通过至少一个处理器确定至少一组数据组合,其中,数据组合中的每个数据为每个第一预测模型的输出与第一预测模型对应的修正系数的乘积;通过至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果;通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果;通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。通过上述方法,可以确定出第一预测模型所对应的目标修正系数,所述第一预测模型采用目标修正系数,可以提高预测配送时间的准确性。
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是本发明第一实施例的一种数据处理的方法流程图;
图2是本发明第一实施例的另一种数据处理的方法流程图;
图3是本发明第一实施例的再一种数据处理的方法流程图;
图4是本发明第二实施例的应用场景图;
图5是本发明第三实施例的数据处理的装置示意图;
图6是本发明第四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公开进行描述,但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中,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公开。为了避免混淆本发明公开的实质,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,否则整个申请文件中的“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。
在本发明公开的描述中,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,在本发明公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
通常在现有技术中,为了提高配送时间预测的准确性,首先将配送过程分为不同的阶段,然后根据不同的阶段分别通过预测模型进行预测,然后将预测模型预测出的多个时间相加获得整体的配送时间,例如,假设配送资源为骑手,骑手通过骑行和步行结合的方式进行订单的配送,在配送资源配送订单时可以分为两个阶段,阶段一、配送资源在商户处获取订单对应的物品后从商户到用户所在地(例如,用户所在的大厦楼下停车处)的骑行时间;阶段二、配送资源到达用户所在地后下车步行至用户所在楼层的步行时间;每个阶段分别对应不同的预测模型,例如,阶段一对应预测距离的距离预测模型以及速度预测模型,其中,距离预测模型用于预测从商户到用户所在地的骑行距离,速度预测模型用于预测从商户到用户所在地的骑行速度;阶段二对应预测时间的时间预测模型,用于预测配送资源的步行时间。具体的,阶段一对应的距离预测模型的预测结果与速度预测模型预测结果的比值为阶段一对应的骑行时间,骑行时间与步行时间相加获得整体配送时间,将整体配送时间或者距离预测模型预测的骑行距离、速度预测模型预测的骑行速度以及时间预测模型预测的步行时间分别输入到下一步的分单模型、或分单系统进行订单的分配,距离预测模型预测的骑行距离、速度预测模型预测的骑行速度以及时间预测模型预测的步行时间的准确性可以影响分单模型的准确性,现有技术中,每个预测模型都会对应多个修正系数,进而对应多个预测结果,例如,每个预测模型输出的是最大值、5分位值、7分位值以及9分位值等,然后在此基础上乘以不同的修正系数,最后得到每个模型的最终预测结果,现有技术中通常选取每个预测模型输出的最大值乘以任一修正系数后输入到下一步的分单模型,但最大值乘以任一修正系数后的数值可能偏大或偏小,即分单模型的输入准确性较低,会导致分单模型的输出的准确性较低,因此需要提高距离预测模型、速度预测模型以及时间预测模型的准确性,即预测确定距离预测模型、速度预测模型以及时间预测模型分别对应的最佳修正系数。
图1是本发明第一实施例的数据处理的方法流程图。如图1所示,具体包括如下步骤:
步骤S100、接收来自于程序调用接口的数据。
步骤S101、通过至少一个处理器解析所述数据,确定至少一组数据组合,其中,所述数据组合中的每个数据为每个第一预测模型的输出与所述第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项。
具体的,所述第一预测模型可以为多个,每个第一预测模型预测可以预测多个数值。
举例说明,所述第一预测模型可以为距离预测模型、速度预测模型以及时间预测模型,假设第一预测模型为距离预测模型,距离预测模型的输出为Li(i=1,2…n),其中,L1,L2等分别代表距离预测模型输出的各种分位值,例如,L1代表3分位值,L2代表5分位值等,修正系数为li(i=1,2…n),li*Li为距离预测模型对应的数据;同理,Si(i=1,2…n)为速度预测模型的输出,S1,S2等分别代表速度预测模型输出的各种分位值,例如,S1代表3分位值,S2代表5分位值等,修正系数为si(i=1,2…n),si*Si为速度预测模型对应的数据;同理,Ti(i=1,2…n)为时间预测模型的输出,T1,T2等分别代表时间预测模型输出的各种分位值,例如,T1代表3分位值,T2代表5分位值等,修正系数为ti(i=1,2…n),ti*Ti为时间预测模型对应的数据;多个第一预测模型对应的数据组合为(li*Li,si*Si,ti*Ti),由上述数据可以,所述数据组合可以为多个,例如,(l1*L1,s1*S1,t1*T1),(l1*L1,s2*S2,t2*T2),(l2*L2,s2*S2,t2*T2),(l2*L2,s2*S2,t1*T1),本发明实施例不再赘述其他组合方式。
步骤S102、通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果。
具体的,所述第二预测模型可以为分单模型或分单系统,将第一预测模型对应的数据组合作为输入,输入到第二预测模型中,得到第二预测模型的输出结果,当所述第二预测模型为分单模型或分单系统时,所述输出结果为任务分配结果。
步骤S102包括两种方式:
方式一、通过所述至少一个处理器将所述至少一组数据组合分别输入到第二预测模型中。
举例说明,步骤S101中的数据组合包括(l1*L1,s1*S1,t1*T1),(l1*L1,s2*S2,t2*T2),(l2*L2,s2*S2,t2*T2),(l2*L2,s2*S2,t1*T1)等,将每组数据分别输入到第二预测模型中,获取一个输出结果,具体的,以数据组合(l1*L1,s1*S1,t1*T1)为例,将l1*L1、s1*S1和t1*T1分别输入到第二预测模型中,得到一个输出结果,例如,输出结果为W1;(l1*L1,s2*S2,t2*T2),(l2*L2,s2*S2,t2*T2),(l2*L2,s2*S2,t1*T1)对应的输出结果分别为W2、W3以及W4。本发明实施例中,方式一中除W1、W2、W3和W4外的其它输出结果,不做赘述。
方式二、通过所述至少一个处理器确定所述至少一个数据组合中全部数据的和值,将所述和值输入到第二预测模型中。
举例说明,将数据组合中的数据按照如下公式进行计算,确定总预测时间,公式为SUM=(li*Li)/(si*Si)+ti*Ti,其中,骑行时间等于距离预测模型以及速度预测模型比值,步行时间等于时间预测模型,由于具有多个数据组合,因此总预测时间SUM的值也不同,将不同是总预测时间输入到第二预测模型中,得到不同的输出结果,例如,(l1*L1,s1*S1,t1*T1)得到的总预测时间SUM1=(l1*L1)/(s1*S1)+t1*T1,将总预测时间SUM1输入到第二预测模型,得到输出结果Q1;同理,(l1*L1,s2*S2,t2*T2)得到总预测时间SUM2,(l2*L2,s2*S2,t2*T2)得到总预测时间SUM3,(l2*L2,s2*S2,t1*T1)得到总预测时间SUM4,相应的根据SUM2、SUM3和SUM4,分别得到输出结果Q2、Q3和Q4。本发明实施例中,方式二中除Q1、Q2、Q3和Q4外的其它输出结果,不做赘述。Q1和W1可以是相同的数值,也可以不同,本发明对其不做限定。
步骤S103、通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果。
具体的,通过所述至少一个处理器确定所述至少一个输出结果与历史数据的至少一个匹配度;所述至少一个处理器将所述至少一个匹配度进行排序;所述至少一个处理器将所述匹配度排序中排名在第一位的匹配度所对应的输出结果确定为目标输出结果。
本发明实施例中,以方式一为例,假设第二预测模型的输出结果为W1、W2、W3和W4,所述输出结果为订单分配的结果,将所述订单分配的结果与历史数据中的订单分配结果W0进行匹配,假设,W1与W0的匹配度为75%,W2与W0的匹配度为85%,W3与W0的匹配度为90%,W4与W0的匹配度为70%,按照匹配度对输出结果进行排序,排序结果如表1所示:
表1
匹配度排序 | 输出结果 |
1 | W3 |
2 | W2 |
3 | W1 |
4 | W4 |
本发明实施例中,选择排名在第一位的W3作为目标输出结果。
步骤S104、通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。
具体的,通过所述至少一个处理器确定所述目标输出结果对应的目标数据组合;确定所述目标数据组合对应的目标修正系数组合。
举例说明,假设选择排名在第一位的W3作为目标输出结果。W3对应的数据组合为(l2*L2,s2*S2,t2*T2),即(l2,s2,t2)为距离预测模型、速度预测模型以及时间预测模型对应的目标修正系数组合。具体的,距离预测模型选择L2,输出的5分位值,速度预测模型选择S2,输出的5分位值,时间预测模型选择T2,输出的5分位值。本发明实施例中,还可以选择其他分位值,具体根据实际情况确定,本发明实施例对其不做限定。
可选的,目标修正系数组合(l2,s2,t2)的取值可以为l2=1.2,s2=2,t2=1.8,本发明实施例中,目标修正系数组合中的系数取值,具体根据实际情况确定,本发明实施例对其不做限定。
可选的,如图2所示,步骤S104之后,该方法还包括:
步骤S105、所述至少一个处理器将所述目标修正系数组合中包括多个所述修正系数分别确定为所述第一预测模型的目标修正系数。
具体的,所述目标修正系数可进行周期性调整。
本发明实施例中,根据步骤S104中的具体实施例可知目标修正系数组合为(l2,s2,t2),则距离预测模型对应的目标修正系数为l2、速度预测模型对应的目标修正系数为s2,时间预测模型对应的目标修正系数为t2。
可选的,每隔设定周期,例如1天或1个星期,按照步骤S100至步骤S105的过程重新确定第一预测模型的目标修正系数。
本发明实施例中,如图3所示,在步骤S105之后还可以包括以下步骤:
步骤S106、接收来自于程序调用接口的即时数据。
本发明实施例中,所述即时数据可以为订单的特征数据,例如,商户位置、用户位置、天气情况等。
步骤S107、确定所述目标修正系数后的所述第一预测模型根据所述即时数据预测距离、时间、速度中的至少一项。
本发明实施例中,根据所述订单的特征数据,通过确定了目标系数的第一预测模型可以对该订单的距离、时间、速度进行预测,进而将预测得到的数据作为第二预测模型的输入。
图4是本发明第二实施例的应用场景图,包括多个第一预测模型和至少一个第二预测模型,多个第一预测模型的输出作为第二预测模型的输入,第一预测模型的输出的准确性影响第二预测模型输出的准确性,因此,需要提高第一预测模型的输出的准确性。本发明实施例通过至少一个处理器确定至少一组数据组合,其中,数据组合中的每个数据为每个第一预测模型的输出与第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项;通过至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果;通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果;通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。通过上述方法,可以确定出第一预测模型所对应的目标修正系数,所述第一预测模型采用目标修正系数,可以提高预测结果的准确性。
下面通过一个具体实施例,对本发明实施例中的方法进行进一步说明,假设在订单配送的过程中,需要通过订单分配预测模型对商户接收到订单进行分配,其中,是订单分配预测模型是第二预测模型的一种可能;所述订单预测模型的输入为通过时间预测模型、速度预测模型以及距离预测模型,分别预测骑手在进行订单配送的过程中从商户到用户所在地的骑行距离,从商户到用户所在地的骑行速度,以及从用户所在地的下车地点到配送到用户手中需要的步行时间;由于通过上述实施例,所述时间预测模型、速度预测模型以及距离预测模型的目标修正系数已经确定,因此,通过时间预测模型、速度预测模型以及距离预测模型预测出的距离、速度和时间的准确性较高,因此,将根据该时间预测模型、速度预测模型以及距离预测模型确定出的距离、速度和时间作为输入,输入到订单分配预测模型时,提高了订单分配预测模型在进行订单分配时的准确性。
图5是本发明第三实施例的数据处理的装置示意图。如图5所示,本实施例的装置包括接收单元51、第一确定单元52、第二确定单元53、第三确定单元54和第四确定单元55。
其中,接收单元51,用于接收来自于程序调用接口的数据;第一确定单元52,用于通过至少一个处理器解析所述数据,确定至少一组数据组合,其中,所述数据组合中的每个数据为每个第一预测模型的输出与所述第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项;第二确定单元53,用于通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果;第三确定单元54,用于通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果;第四确定单元55,用于通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。
进一步地,所述第四确定单元55还用于:所述至少一个处理器将所述目标修正系数组合中包括多个所述修正系数分别确定为所述第一预测模型的目标修正系数。
进一步地,所述接收单元还用于:接收来自于程序调用接口的即时数据;所述第一确定单元还用于,确定所述目标修正系数后的所述第一预测模型根据所述即时数据预测距离、时间、速度中的至少一项。
进一步地,所述目标修正系数可进行周期性调整。
进一步地,所述第三确定单元54具体用于:通过所述至少一个处理器确定所述至少一个输出结果与历史数据的至少一个匹配度;所述至少一个处理器将所述至少一个匹配度进行排序;所述至少一个处理器将所述匹配度排序中排名在第一位的匹配度所对应的输出结果确定为目标输出结果。
进一步地,所述第四确定单元55具体用于:通过所述至少一个处理器确定所述目标输出结果对应的目标数据组合;确定所述目标数据组合对应的目标修正系数组合。
进一步地,所述第二确定单元53具体用于:通过所述至少一个处理器将所述至少一组数据组合分别输入到第二预测模型中;或者,通过所述至少一个处理器确定所述至少一个数据组合中全部数据的和值,将所述和值输入到第二预测模型中。
图6是本发明第四实施例的电子设备的示意图。在本实施例中,电子设备为服务器。应理解,还可以为其他电子设备,如树莓派。如图6所示,该电子设备:至少包括一个处理器601;以及,与至少一个处理器601通信连接的存储器602;以及,与扫描装置通信连接的通信组件603,通信组件603在处理器601的控制下接收和发送数据;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行以实现:接收来自于程序调用接口的数据;通过至少一个处理器解析所述数据,确定至少一组数据组合,其中,所述数据组合中的每个数据为每个第一预测模型的输出与所述第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项;通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果;通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果;通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数。
进一步地,所述处理器还执行如下步骤:所述至少一个处理器将所述目标修正系数组合中包括多个所述修正系数分别确定为所述第一预测模型的目标修正系数。
进一步地,所述处理器还执行如下步骤:接收来自于程序调用接口的即时数据;确定所述目标修正系数后的所述第一预测模型根据所述即时数据预测距离、时间、速度中的至少一项。
进一步地,所述目标修正系数可进行周期性调整。
进一步地,所述处理器具体执行如下步骤:通过所述至少一个处理器确定所述至少一个输出结果与历史数据的至少一个匹配度;所述至少一个处理器将所述至少一个匹配度进行排序;所述至少一个处理器将所述匹配度排序中排名在第一位的匹配度所对应的输出结果确定为目标输出结果。
进一步地,所述处理器具体执行如下步骤:通过所述至少一个处理器确定所述目标输出结果对应的目标数据组合;确定所述目标数据组合对应的目标修正系数组合。
进一步地,所述处理器具体执行如下步骤:通过所述至少一个处理器将所述至少一组数据组合分别输入到第二预测模型中;或者,通过所述至少一个处理器确定所述至少一个数据组合中全部数据的和值,将所述和值输入到第二预测模型中。
具体地,该电子设备包括:一个或多个处理器601以及存储器602,图6中以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器602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601通过运行存储在存储器602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的方法。
存储器602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602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602可选包括相对于处理器601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602中,当被一个或者多个处理器601执行时,执行上述任意方法实施例中数据处理的方法。
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。
本发明的第五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。
本领域的普通技术人员可以理解,上述各实施例是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (12)
1.一种数据处理的方法,其特征在于,该方法包括:
接收来自于程序调用接口的数据;
通过至少一个处理器解析所述数据,确定至少一组数据组合,其中,所述数据组合中的每个数据为每个第一预测模型的输出与所述第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项,所述数据组合中的数据为所述第一预测模型输出的距离与距离修正系数的乘积、所述第一预测模型输出的时间与时间修正系数的乘积、或者所述第一预测模型输出的速度与速度修正系数的乘积中的至少一项;
通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果,其中,所述第二预测模型为分单模型或分单系统;
通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果,其中,所述输出结果为订单分配结果;
通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数;
所述至少一个处理器将所述目标修正系数组合中包括多个所述修正系数分别确定为所述第一预测模型的目标修正系数;
接收来自于程序调用接口的即时数据;
确定所述目标修正系数后的所述第一预测模型根据所述即时数据预测距离、时间、速度中的至少一项。
2.如权利要求1所述的方法,其特征在于,所述目标修正系数可进行周期性调整。
3.如权利要求1所述的方法,其特征在于,通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果,具体包括:
通过所述至少一个处理器确定所述至少一个输出结果与历史数据的至少一个匹配度;
所述至少一个处理器将所述至少一个匹配度进行排序;
所述至少一个处理器将所述匹配度排序中排名在第一位的匹配度所对应的输出结果确定为目标输出结果。
4.如权利要求1所述的方法,其特征在于,所述通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,具体包括:
通过所述至少一个处理器确定所述目标输出结果对应的目标数据组合;
确定所述目标数据组合对应的目标修正系数组合。
5.如权利要求1所述的方法,其特征在于,所述通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,具体包括:
通过所述至少一个处理器将所述至少一组数据组合分别输入到第二预测模型中;或者,
通过所述至少一个处理器确定所述至少一个数据组合中全部数据的和值,将所述和值输入到第二预测模型中。
6.一种数据处理的装置,其特征在于,该装置包括:
接收单元,用于接收来自于程序调用接口的数据;
第一确定单元,用于通过至少一个处理器解析所述数据,确定至少一组数据组合,其中,所述数据组合中的每个数据为每个第一预测模型的输出与所述第一预测模型对应的修正系数的乘积,所述第一预测模型用于预测距离、时间、速度中的至少一项,所述数据组合中的数据为所述第一预测模型输出的距离与距离修正系数的乘积、所述第一预测模型输出的时间与时间修正系数的乘积、或者所述第一预测模型输出的速度与速度修正系数的乘积中的至少一项;
第二确定单元,用于通过所述至少一个处理器将所述至少一组数据组合输入到第二预测模型中,确定出第二预测模型的至少一个输出结果,所述第二预测模型用于预测任务分配结果,其中,所述第二预测模型为分单模型或分单系统;
第三确定单元,用于通过所述至少一个处理器确定所述至少一个输出结果中的目标输出结果,其中,所述输出结果为订单分配结果;
第四确定单元,用于通过所述至少一个处理器确定所述目标输出结果对应的目标修正系数组合,其中,所述目标修正系数组合中包括多个修正系数;
所述第四确定单元还用于:所述至少一个处理器将所述目标修正系数组合中包括多个所述修正系数分别确定为所述第一预测模型的目标修正系数;
所述接收单元还用于:接收来自于程序调用接口的即时数据;
所述第一确定单元还用于,确定所述目标修正系数后的所述第一预测模型根据所述即时数据预测距离、时间、速度中的至少一项。
7.如权利要求6所述的装置,其特征在于,所述目标修正系数可进行周期性调整。
8.如权利要求6所述的装置,其特征在于,所述第三确定单元具体用于:
通过所述至少一个处理器确定所述至少一个输出结果与历史数据的至少一个匹配度;
所述至少一个处理器将所述至少一个匹配度进行排序;
所述至少一个处理器将所述匹配度排序中排名在第一位的匹配度所对应的输出结果确定为目标输出结果。
9.如权利要求6所述的装置,其特征在于,所述第四确定单元具体用于:
通过所述至少一个处理器确定所述目标输出结果对应的目标数据组合;
确定所述目标数据组合对应的目标修正系数组合。
10.如权利要求6所述的装置,其特征在于,所述第二确定单元具体用于:
通过所述至少一个处理器将所述至少一组数据组合分别输入到第二预测模型中;或者,
通过所述至少一个处理器确定所述至少一个数据组合中全部数据的和值,将所述和值输入到第二预测模型中。
11.一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1-5中任一项所述的方法。
12.一种电子设备,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权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022195.9A CN110826782B (zh) | 2019-10-25 | 2019-10-25 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022195.9A CN110826782B (zh) | 2019-10-25 | 2019-10-25 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826782A CN110826782A (zh) | 2020-02-21 |
CN110826782B true CN110826782B (zh) | 2022-10-14 |
Family
ID=69550515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911022195.9A Active CN110826782B (zh) | 2019-10-25 | 2019-10-25 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826782B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582919B (zh) * | 2020-04-24 | 2023-09-19 | 海南太美航空股份有限公司 | 一种航班客座率预测方法和系统 |
CN111598487B (zh) * | 2020-06-22 | 2024-03-15 | 拉扎斯网络科技(上海)有限公司 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
CN112258126B (zh) * | 2020-11-06 | 2022-03-04 | 拉扎斯网络科技(上海)有限公司 | 位置数据的校验方法、装置及计算设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8645082B2 (en) * | 2010-09-13 | 2014-02-04 | Mks Instruments, Inc. | Monitoring, detecting and quantifying chemical compounds in a sample |
CN103280110B (zh) * | 2013-06-08 | 2017-12-26 | 北京云星宇交通科技股份有限公司 | 高速公路旅行时间的预测方法及装置 |
CN114973677A (zh) * | 2016-04-18 | 2022-08-30 | 北京嘀嘀无限科技发展有限公司 | 用于确定预计到达时间的方法和设备 |
CN106445701B (zh) * | 2016-09-21 | 2018-01-09 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN107203789B (zh) * | 2017-06-23 | 2020-10-02 | 北京星选科技有限公司 | 分配模型建立方法、分配方法以及相关装置 |
CN109191017B (zh) * | 2018-10-26 | 2022-02-15 | 南方电网科学研究院有限责任公司 | 一种综合能源系统的仿真方法、装置、设备及存储介质 |
CN109826599B (zh) * | 2019-01-08 | 2020-05-22 | 中国石油大学(北京) | 稠油开采注气量的确定方法及系统 |
-
2019
- 2019-10-25 CN CN201911022195.9A patent/CN110826782B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110826782A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826782B (zh) | 一种数据处理的方法、装置、可读存储介质和电子设备 | |
US10474957B2 (en) | Method and apparatus for forecasting characteristic information change | |
Chen et al. | Optimal deadline scheduling with commitment | |
CN110378529B (zh) | 一种数据生成的方法、装置、可读存储介质和电子设备 | |
CN111444009A (zh) | 一种基于深度强化学习的资源分配方法及装置 | |
CN110371548B (zh) | 一种货物入库方法和装置 | |
CN113326126A (zh) | 任务处理方法、任务调度方法、装置及计算机设备 | |
CN109995817A (zh) | 一种服务调度方法及装置 | |
CN107943697B (zh) | 问题分配方法、装置、系统、服务器和计算机存储介质 | |
CN104915251A (zh) | 任务调度方法及装置 | |
CN113011603A (zh) | 模型参数更新方法、装置、设备、存储介质及程序产品 | |
CN111369137A (zh) | 配送任务的分配方法、装置、服务器和存储介质 | |
CN114090259A (zh) | 资源调配方法、装置、电子设备和存储介质 | |
CN110516872B (zh) | 一种信息处理方法、装置、存储介质和电子设备 | |
CN107133741B (zh) | 待办任务处理方法、装置、可读存储介质及电子设备 | |
CN111273939B (zh) | 信息处理方法、信息处理装置及终端设备 | |
CN112036697A (zh) | 一种任务分配的方法、装置、可读存储介质和电子设备 | |
CN115334010B (zh) | 查询信息的处理方法和装置、存储介质及电子装置 | |
CN110543994A (zh) | 信息处理方法、装置、可读存储介质和电子设备 | |
CN115129481B (zh) | 一种计算资源分配方法、装置及电子设备 | |
CN111754218A (zh) | 支付方式推荐方法和装置 | |
CN111091345A (zh) | 装修排期方法、装置、计算机设备及存储介质 | |
Pauer et al. | Comparing system optimum-based and user decision-based traffic models in an autonomous transport system | |
CN113409095B (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN111353712B (zh) | 配送任务调度方法及装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |