CN110969274A - 一种预测配送时间的方法、装置及计算机可读存储介质 - Google Patents
一种预测配送时间的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110969274A CN110969274A CN201811143342.3A CN201811143342A CN110969274A CN 110969274 A CN110969274 A CN 110969274A CN 201811143342 A CN201811143342 A CN 201811143342A CN 110969274 A CN110969274 A CN 110969274A
- Authority
- CN
- China
- Prior art keywords
- delivery
- model
- time
- order
- determining
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000002360 preparation method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 235000012054 meals Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000004044 response Effects 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种预测配送时间的方法、装置及计算机可读存储介质,方法包括:确定接收的目标订单是否符合多模型预测条件;若所述目标订单符合所述多模型预测条件,则基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果;根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。本申请相比于现有技术中的配送时间预测方法,可以提高预测目标订单的配送时间的准确率,有利于配送员合理安排时间,提升订单的配送效率,进而可以提升用户体验。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种预测配送时间的方法、装置及计算机可读存储介质。
背景技术
目前在涉及线下运送的业务中,如,外卖业务等,为了方便配送员合理安排时间以及提升用户体验,通常会预测订单的配送时间,也就是订单的送达时间。现有技术中通常采用全量订单数据(即,配送业务的所有订单数据)训练一机器学习模型,进而在用户下单后,利用该模型预测订单的配送时间。
然而,上述方法容易导致订单的实际配送时间和预测的配送时间误差较大,进而会导致配送员无法合理安排时间,影响订单的配送效率,降低用户体验。
发明内容
有鉴于此,本申请提供一种预测配送时间的方法、装置及计算机可读存储介质,以解决现有的预测配送时间技术方案的问题。
具体地,本申请是通过如下技术方案实现的:
根据本申请的第一方面,提出了一种预测配送时间的方法,包括:
确定接收的目标订单是否符合多模型预测条件;
若所述目标订单符合所述多模型预测条件,则基于预先训练的全局预测模型和局部预测模型,分别确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果;
根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
在一实施例中,所述目标订单符合多模型预测条件,包括:
目标订单的配送过程参数不小于参数阈值。
在一实施例中,所述配送过程参数包括货品准备时间相关参数;
所述确定接收的目标订单是否符合多模型预测条件之前,还包括:
确定接收的目标订单的商家标识和下单时间;
将所述商家标识和所述下单时间输入到预先训练的货品准备时间相关参数预测模型中,得到所述目标订单的货品准备时间相关参数。
在一实施例中,所述配送过程参数包括交付时长;
所述确定接收的目标订单是否符合多模型预测条件之前,还包括:
确定接收的目标订单的配送地址和配送时间;
将所述配送地址和所述配送时间输入到预先训练的交付时长预测模型中,得到所述目标订单的交付时长。
在一实施例中,所述方法还包括:
确定配送准时率阈值;
基于预先创建的对应关系,查询所述配送准时率阈值对应的参数阈值。
在一实施例中,所述根据所述全局模型预测结果和所述局部模型预测结果确定所述目标订单的配送时间的最终预测结果,包括:
对所述全局模型预测结果和所述局部模型预测结果进行加权求和,得到所述目标订单的配送时间的最终预测结果。
在一实施例中,所述局部预测模型根据以下步骤训练:
确定符合多模型预测条件的样本订单;
获取每个所述样本订单的样本特征以及配送时间;
将每个所述样本订单的样本特征以及配送时间作为训练集,训练所述局部预测模型。
根据本申请的第二方面,提供了一种预测配送时间的装置,包括:
订单条件判定模块,用于确定接收的目标订单是否符合多模型预测条件;
模型结果确定模块,用于当符合所述多模型预测条件时,基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果;
最终结果确定模块,用于根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
在一实施例中,所述目标订单符合多模型预测条件,包括:
目标订单的配送过程参数不小于参数阈值。
在一实施例中,所述配送过程参数包括货品准备时间相关参数;
所述装置还包括相关参数确定模块;
所述相关参数确定模块,包括:
标识与时间确地单元,用于确定接收的目标订单的商家标识和下单时间;
相关参数确定单元,用于将所述商家标识和所述下单时间输入到预先训练的货品准备时间相关参数预测模型中,得到所述目标订单的货品准备时间相关参数。
在一实施例中,所述配送过程参数包括交付时长;
所述装置还包括交付时长确定模块;
所述交付时长确定模块,包括:
地址与时间确定单元,用于确定接收的目标订单的配送地址和配送时间;
交付时长确定单元,用于将所述配送地址和所述配送时间输入到预先训练的交付时长预测模型中,得到所述目标订单的交付时长。
在一实施例中,所述装置还包括:参数阈值查询模块;
所述参数阈值查询模块,包括:
准时率阈值确定单元,用于确定配送准时率阈值;
参数阈值查询单元,用于基于预先创建的对应关系,查询所述配送准时率阈值对应的参数阈值。
在一实施例中,所述最终结果确定模块还用于对所述全局模型预测结果和所述局部模型预测结果进行加权求和,得到所述目标订单的配送时间的最终预测结果。
在一实施例中,所述装置还包括模型训练模块;
所述模型训练模块包括:
样本订单确定单元,用于确定符合多模型预测条件的样本订单;
特征与时间获取单元,用于获取每个所述样本订单的样本特征以及配送时间;
模型训练单元,用于将每个所述样本订单的样本特征以及配送时间作为训练集,训练所述局部预测模型。
根据本申请的第三方面,提出了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一所述的预测配送时间的方法。
本申请通过确定接收的目标订单是否符合多模型预测条件,并当确定目标订单符合多模型预测条件时,基于预先训练的全局预测模型和局部预测模型确定目标订单的配送时间的全局模型预测结果和局部模型预测结果,进而根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果,可以实现准确甄别符合多模型预测条件的订单,相比于现有技术中的配送时间预测方法,可以提高预测目标订单的配送时间的准确率,有利于配送员合理安排时间,提升订单的配送效率,进而可以提升用户体验。
附图说明
图1是本申请第一示例性实施例示出的一种预测配送时间的方法的流程图;
图2是本申请第二示例性实施例示出的一种预测配送时间的方法的流程图;
图3是本申请第三示例性实施例示出的一种预测配送时间的方法的流程图;
图4是本申请第四示例性实施例示出的一种预测配送时间的方法的流程图;
图5是本申请一示例性实施例示出的一种预测配送时间的装置的结构框图;
图6是本申请又一示例性实施例示出的一种预测配送时间的装置的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
目前在涉及线下运送的业务中,如,外卖业务等,为了方便配送员合理安排时间以及提升用户体验,通常会预测订单的配送时间,也就是订单的送达时间。现有技术中通常采用全量订单数据(即,配送业务的所有订单数据)训练一机器学习模型,进而在用户下单后,利用该模型预测订单的配送时间。
然而,上述方法训练的模型容易导致易超时类型的订单(如,容易由于配送地址交付难或商家出餐慢等原因导致超时的订单)的实际配送时间和预测的配送时间误差较大,进而会导致配送员无法合理安排时间,影响订单的配送效率,降低用户体验。
图1是本申请第一示例性实施例示出的一种预测配送时间的方法的流程图;该实施例可以用于服务端(例如,一台服务器和多台服务器组成的服务器集群等)。如图1所示,该方法包括步骤S101-S103:
在步骤S101中:确定接收的目标订单是否符合多模型预测条件。
在一实施例中,用户在订外卖时,可以通过客户端(如,乘客的终端设备中安装的外卖软件客户端等)向服务端发送包含配送地址、商家标识、餐点名等信息、下单时间以及配送时间等信息的外卖订单。进而,服务端在接收到用户发送的订单后,会将该订单视为目标订单,并确定该目标订单是否符合预设的多模型预测条件。
值得说明的是,上述目标订单除包含商家标识、餐点名之外,还可以包含其他相关信息,如用户联系方式、餐点价格、打折信息等,本实施例对此不进行限定。
在一实施例中,可以由开发人员预先根据配送地址、配送时间、商家标识和下单时间等信息设置多模型预测条件,进而可以判断目标订单是否符合该多模型预测条件,并基于判断结果执行后续预测配送时间的步骤。
在一实施例中,可以基于目标订单包含的信息确定目标订单的配送过程参数,进而当配送过程参数不小于参数阈值时,确定目标订单符合多模型预测条件。
在一实施例中,上述多模型预测条件的具体设置方式还可以参见图2、图3所示实施例,在此先不进行详述。
在步骤S102中:若所述目标订单符合所述多模型预测条件,则基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果
其中,所述局部预测模型可以根据符合所述多模型预测条件的样本订单训练得到。
在一实施例中,当确定目标订单符合所述多模型预测条件后,可以基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果。
举例来说,可以对目标订单进行特征提取,得到目标特征,进而将该目标特征分别输入到全局预测模型和局部预测模型中,得到全局模型预测结果和局部模型预测结果。
在一实施例中,上述提取的目标特征可以为既能很好地突出该目标订单的特点,又能表现出与同一类型的业务(如,外卖业务)中其他订单的区别与联系的特征,以增强特征辨识度。在一实施例中,上述目标特征可以由开发人员根据实际业务需要进行设置,如设置为订单特征、商家特征、区域特征等,本实施例对此不进行限定。
在一实施例中,可以对所述目标订单提取一种特征,或者同时提取多种特征(与模型训练过程中提取的特征种类相对应),以充分全面地表现出该目标订单的特点。
在一实施例中,可以预先获取预设时间段内的历史订单数据,并从该历史订单数据中筛选出符合上述多模型预测条件的样本订单,进而根据样本订单数据训练上述局部预测模型。
在一实施例中,上述局部预测模型的训练方式还可以参见下述图5所示实施例,在此先不进行详述。
在一实施例中,上述全局预测模型可以由开发人员预先利用全量历史订单数据或部分历史订单数据进行训练得到,本实施例对此不进行限定。
可以理解的是,由于全局预测模型是利用全量订单数据训练得到的,因此其可以保持全局模型的一些优点,如保证全局指标稳定性等,在整体上的表现较好;而局部预测模型可以是根据易超时类型订单数据训练得到的,因而可以针对易超时订单能提高配送时间预测的准确性。
在步骤S103中:根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
在一实施例中,当基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果后,可以对确定的全局模型预测结果和局部模型预测结果进行融合,得到上述目标订单的配送时间的最终预测结果。
在一实施例中,可以对所述全局模型预测结果和所述局部模型预测结果进行加权求和,得到所述目标订单的配送时间的最终预测结果。
在一实施例中,上述全局模型预测结果和局部模型预测结果对应的权重可以由开发人员根据业务经验进行设置,或者,可以通过参数调整方法进行确定,例如,利用样本订单数据检测预测的配送时间的准确率,并调整全局模型预测结果和局部模型预测结果对应的权重,本实施例对此不进行限定。
由上述描述可知,本实施例通过确定接收的目标订单是否符合多模型预测条件,并当确定目标订单符合多模型预测条件时,基于预先训练的全局预测模型和局部预测模型确定目标订单的配送时间的全局模型预测结果和局部模型预测结果,进而根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果,可以实现准确甄别符合多模型预测条件的订单,相比于现有技术中的配送时间预测方法,可以提高预测目标订单的配送时间的准确率,有利于配送员合理安排时间,提升订单的配送效率,进而可以提升用户体验。
图2是本申请第二示例性实施例示出的一种预测配送时间的方法的流程图;该实施例可以用于服务端(例如,一台服务器和多台服务器组成的服务器集群等)。
本实施例中,上述配送过程参数包括货品准备时间相关参数。
在此基础上,步骤S101中确定接收的目标订单是否符合多模型预测条件,包括:
确定目标订单的货品准备时间相关参数是否不小于参数阈值(即,货品准备时间相关参数阈值)。
具体的,如图2所示,本实施例的方法包括步骤S201-S204:
在步骤S201中,确定接收的目标订单的商家标识和下单时间。
在一实施例中,当接收到目标订单后,可以从目标订单中提取出商家标识和用户的下单时间。
在一实施例中,上述商家标识包括提供外卖商品的商家的名称、地址、ID号等,本实施例对此不进行限定。
在一实施例中,上述下单时间为用户通过手机等终端设备提交订单的时间,如AM11:30、PM 5:30等,本实施例对于下单时间的具体格式不进行限定。
在步骤S202中,将所述商家标识和所述下单时间输入到预先训练的货品准备时间相关参数预测模型中,得到所述目标订单的货品准备时间相关参数。
在一实施例中,上述货品准备时间为商家接收到订单到商家将订单发送到配送平台的时间;上述货品准备时间相关参数可以包括商家在预设时间段内的取餐时长中位数,或商家在预设时间段内的已发订单的平均压单时长等,具体含义还可以由开发人员根据实际业务需要进行定义,本实施例对此不进行限定。
在一实施例中,可以预先根据样本订单数据训练用于预测货品准备时间相关参数的模型。
在一实施例中,上述货品准备时间相关参数预测模型的训练方式可以由开发人员根据实际业务需要进行确定,本实施例对此不进行限定。
在一实施例中,当确定接收的目标订单的商家标识和下单时间后,可以将所述商家标识和所述下单时间输入到预先训练的货品准备时间相关参数预测模型中,得到所述目标订单的货品准备时间相关参数,进而可以将得到的货品准备时间相关参数与参数阈值进行比较,得到比较结果,如货品准备时间相关参数不小于参数阈值等。
在步骤S203中,若所述货品准备时间相关参数是否不小于参数阈值,则基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果。
在一实施例中,上述参数阈值可以由开发人员根据业务经验进行设置,或者,可以由开发人员根据实时的订单数据进行计算得到。
举例来说,可以预先确定配送准时率阈值,如90%等;进而根据预先创建的配送准时率与货品准备时间相关参数之间的对应关系,查询该配送准时率阈值对应的参数阈值(即,货品准备时间相关参数阈值)。
在步骤S204中,根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
其中,步骤S203-S204的相关解释说明可以参见上述实施例,在此不进行赘述。
由上述描述可知,本实施例通过确定接收的目标订单的商家标识和下单时间,并将所述商家标识和所述下单时间输入到预先训练的货品准备时间相关参数预测模型中,得到所述目标订单的货品准备时间相关参数,进而当确定货品准备时间相关参数不小于参数阈值时,确定目标订单符合多模型预测条件,可以实现准确地甄别符合多模型预测条件的订单,进而为后续基于全局预测模型和局部预测模型确定目标订单的配送时间的最终预测结果提供基础。
图3是本申请第三示例性实施例示出的一种预测配送时间的方法的流程图;该实施例可以用于服务端(例如,一台服务器和多台服务器组成的服务器集群等)。
本实施例中,上述配送过程参数包括交付时长。
在此基础上,步骤S101中确定接收的目标订单是否符合多模型预测条件,包括:
确定目标订单的交付时长是否不小于参数阈值(即,交付时长阈值)。
具体的,如图3所示,本实施例的方法包括步骤S301-S304:
在步骤S301中,确定接收的目标订单的配送地址和配送时间。
在一实施例中,当接收到目标订单后,可以从目标订单中提取出配送地址和配送时间。
在一实施例中,上述配送地址包括用户在终端设备中的客户端中提交订单过程中选取的地址、或客户端自动识别出的用户所在地址等,本实施例对此不进行限定。
在一实施例中,上述配送时间为用户通过手机等终端设备提交订单时选取的送餐时间,如AM 11:30~11:45等,本实施例对于下单时间的具体格式不进行限定。
在步骤S202中,将所述配送地址和所述配送时间输入到预先训练的交付时长预测模型中,得到所述目标订单的交付时长。
在一实施例中,上述交付时间为从配送员到达用户所在建筑物的楼下到将货品送到用户手中的时长等,具体含义还可以由开发人员根据实际业务需要进行定义,本实施例对此不进行限定。
在一实施例中,可以预先根据样本订单数据训练用于预测交付时长的模型。
在一实施例中,上述交付时长预测模型的训练方式可以由开发人员根据实际业务需要进行确定,本实施例对此不进行限定。
在一实施例中,当确定接收的目标订单的配送地址和配送时间后,可以将所述配送地址和所述配送时间输入到预先训练的交付时长预测模型中,得到所述目标订单的交付时长,进而可以将得到的交付时长与参数阈值进行比较,得到比较结果,如交付时长不小于参数阈值等。
在步骤S303中,若所述交付时长不小于参数阈值,则基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果。
在一实施例中,上述参数阈值可以由开发人员根据业务经验进行设置,或者,可以由开发人员根据实时的订单数据进行计算得到。
举例来说,可以预先确定配送准时率阈值,如90%等;进而根据预先创建的配送准时率与交付时长之间的对应关系,查询该配送准时率阈值对应的参数阈值(即,交付时长阈值)。
在步骤S304中,根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
其中,步骤S303-S304的相关解释说明可以参见上述实施例,在此不进行赘述。
由上述描述可知,本实施例通过确定接收的目标订单的配送地址和配送时间,并将所述配送地址和所述配送时间输入到预先训练的交付时长预测模型中,得到所述目标订单的交付时长,进而当确定交付时长不小于参数阈值时,确定目标订单符合多模型预测条件,可以实现准确地甄别符合多模型预测条件的订单,进而为后续基于全局预测模型和局部预测模型确定目标订单的配送时间的最终预测结果提供基础。
图4是本申请第一示例性实施例示出的一种预测配送时间的方法的流程图;该实施例可以用于服务端(例如,一台服务器和多台服务器组成的服务器集群等)。如图4所示,该方法包括步骤S401-S406:
在步骤S401中,确定符合多模型预测条件的样本订单。
在一实施例中,可以获取预设时间段内的历史样本订单,进而从该历史样本订单中筛选出符合多模型预测条件的样本订单。
其中,上述多模型预测条件的解释和说明可以参见上述实施例,在此不进行赘述。
在步骤S402中,获取每个所述样本订单的样本特征以及配送时间。
在一实施例中,当筛选出符合多模型预测条件的样本订单后,可以分别获取每个所述样本订单的样本特征以及配送时间。
在一实施例中,上述提取的样本特征可以为既能很好地突出该样本订单的特点,又能表现出与同一类型的业务(如,外卖业务)中其他样本订单的区别与联系的特征,以增强特征辨识度。在一实施例中,上述样本特征可以由开发人员根据实际业务需要进行设置,如设置为订单特征、商家特征、区域特征等,本实施例对此不进行限定。
在一实施例中,可以对所述样本订单提取一种特征,或者同时提取多种特征(与基于模型预测配送时间的过程中提取的特征种类相对应),以充分全面地表现出该样本订单的特点。
在一实施例中,可以分别获取每个样本订单的配送时间,该配送时间可以为订单的实际送达时间,该时间可以由配送员通过关联的终端设备上报给服务端。
在步骤S403中,将每个所述样本订单的样本特征以及配送时间作为训练集,训练所述局部预测模型。
在一实施例中,当获取每个所述样本订单的样本特征以及配送时间后,可以将每个所述样本订单的样本特征以及配送时间作为训练集,训练所述局部预测模型。
在步骤S404中,确定接收的目标订单是否符合多模型预测条件。
在步骤S405中,若所述目标订单符合所述多模型预测条件,则基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果,所述局部预测模型根据符合所述多模型预测条件的样本订单训练得到。
在步骤S406中,根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
其中,步骤S404-S406的相关解释和说明可以参见上述实施例,在此不进行赘述。
由上述描述可知,本实施例通过确定符合多模型预测条件的样本订单,并获取每个所述样本订单的样本特征以及配送时间,进而将每个所述样本订单的样本特征以及配送时间作为训练集,训练所述局部预测模型,可以为后续基于全局预测模型和局部预测模型确定目标订单的配送时间的最终预测结果提供基础,提高预测目标订单的配送时间的准确率,有利于配送员合理安排时间,提升订单的配送效率,进而可以提升用户体验。
图5是本申请一示例性实施例示出的一种预测配送时间的装置的结构框图;如图5所示,该装置包括:订单条件判定模块110、模型结果确定模块120以及最终结果确定模块130,其中:
订单条件判定模块110,用于确定接收的目标订单是否符合多模型预测条件;
模型结果确定模块120,用于当符合所述多模型预测条件时,基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果
其中,所述局部预测模型可以根据符合所述多模型预测条件的样本订单训练得到;
最终结果确定模块130,用于根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
由上述描述可知,本实施例通过确定接收的目标订单是否符合多模型预测条件,并当确定目标订单符合多模型预测条件时,基于预先训练的全局预测模型和局部预测模型确定目标订单的配送时间的全局模型预测结果和局部模型预测结果,进而根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果,可以实现准确甄别符合多模型预测条件的订单,相比于现有技术中的配送时间预测方法,可以提高预测目标订单的配送时间的准确率,有利于配送员合理安排时间,提升订单的配送效率,进而可以提升用户体验。
图6是本申请又一示例性实施例示出的一种预测配送时间的装置的结构框图。其中,订单条件判定模块210、模型结果确定模块220以及最终结果确定模块230与前述图5所示实施例中的订单条件判定模块110、模型结果确定模块120以及最终结果确定模块130的功能相同,在此不进行赘述。
在一实施例中,所述目标订单符合多模型预测条件,可以包括:
目标订单的配送过程参数不小于参数阈值。
在一实施例中,所述配送过程参数包括货品准备时间相关参数;
所述装置还包括相关参数确定模块240;
相关参数确定模块240,可以包括:
标识与时间确地单元241,用于确定接收的目标订单的商家标识和下单时间;
相关参数确定单元242,用于将所述商家标识和所述下单时间输入到预先训练的货品准备时间相关参数预测模型中,得到所述目标订单的货品准备时间相关参数。
在一实施例中,配送过程参数可以包括交付时长;
所述装置还包括交付时长确定模块250;
交付时长确定模块250,可以包括:
地址与时间确定单元251,用于确定接收的目标订单的配送地址和配送时间;
交付时长确定单元252,用于将所述配送地址和所述配送时间输入到预先训练的交付时长预测模型中,得到所述目标订单的交付时长。
在一实施例中,所述装置还可以包括:参数阈值查询模块260;
参数阈值查询模块,可以包括:
准时率阈值确定单元261,用于确定配送准时率阈值;
参数阈值查询单元262,用于基于预先创建的对应关系,查询所述配送准时率阈值对应的参数阈值。
在一实施例中,最终结果确定模块230还可以用于对所述全局模型预测结果和所述局部模型预测结果进行加权求和,得到所述目标订单的配送时间的最终预测结果。
在一实施例中,装置还可以包括模型训练模块270;
模型训练模块270可以包括:
样本订单确定单元271,用于确定符合多模型预测条件的样本订单;
特征与时间获取单元272,用于获取每个所述样本订单的样本特征以及配送时间;
模型训练单元273,用于将每个所述样本订单的样本特征以及配送时间作为训练集,训练所述局部预测模型。
值得说明的是,上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
另一方面,本申请还提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序用于执行上述图1~图4所示实施例提供的预测配送时间的方法。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (15)
1.一种预测配送时间的方法,其特征在于,包括:
确定接收的目标订单是否符合多模型预测条件;
若所述目标订单符合所述多模型预测条件,则基于预先训练的全局预测模型和局部预测模型,分别确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果;
根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
2.根据权利要求1所述的方法,其特征在于,所述目标订单符合多模型预测条件,包括:
目标订单的配送过程参数不小于参数阈值。
3.根据权利要求2所述的方法,其特征在于,所述配送过程参数包括货品准备时间相关参数;
所述确定接收的目标订单是否符合多模型预测条件之前,还包括:
确定接收的目标订单的商家标识和下单时间;
将所述商家标识和所述下单时间输入到预先训练的货品准备时间相关参数预测模型中,得到所述目标订单的货品准备时间相关参数。
4.根据权利要求2所述的方法,其特征在于,所述配送过程参数包括交付时长;
所述确定接收的目标订单是否符合多模型预测条件之前,还包括:
确定接收的目标订单的配送地址和配送时间;
将所述配送地址和所述配送时间输入到预先训练的交付时长预测模型中,得到所述目标订单的交付时长。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定配送准时率阈值;
基于预先创建的对应关系,查询所述配送准时率阈值对应的参数阈值。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述全局模型预测结果和所述局部模型预测结果确定所述目标订单的配送时间的最终预测结果,包括:
对所述全局模型预测结果和所述局部模型预测结果进行加权求和,得到所述目标订单的配送时间的最终预测结果。
7.根据权利要求1所述的方法,其特征在于,所述局部预测模型根据以下步骤训练:
确定符合多模型预测条件的样本订单;
获取每个所述样本订单的样本特征以及配送时间;
将每个所述样本订单的样本特征以及配送时间作为训练集,训练所述局部预测模型。
8.一种预测配送时间的装置,其特征在于,包括:
订单条件判定模块,用于确定接收的目标订单是否符合多模型预测条件;
模型结果确定模块,用于当符合所述多模型预测条件时,基于预先训练的全局预测模型和局部预测模型,确定所述目标订单的配送时间的全局模型预测结果和局部模型预测结果;
最终结果确定模块,用于根据所述全局模型预测结果和所述局部模型预测结果确定所述配送时间的最终预测结果。
9.根据权利要求8所述的装置,其特征在于,所述目标订单符合多模型预测条件,包括:
目标订单的配送过程参数不小于参数阈值。
10.根据权利要求9所述的装置,其特征在于,所述配送过程参数包括货品准备时间相关参数;
所述装置还包括相关参数确定模块;
所述相关参数确定模块,包括:
标识与时间确地单元,用于确定接收的目标订单的商家标识和下单时间;
相关参数确定单元,用于将所述商家标识和所述下单时间输入到预先训练的货品准备时间相关参数预测模型中,得到所述目标订单的货品准备时间相关参数。
11.根据权利要求9所述的装置,其特征在于,所述配送过程参数包括交付时长;
所述装置还包括交付时长确定模块;
所述交付时长确定模块,包括:
地址与时间确定单元,用于确定接收的目标订单的配送地址和配送时间;
交付时长确定单元,用于将所述配送地址和所述配送时间输入到预先训练的交付时长预测模型中,得到所述目标订单的交付时长。
12.根据权利要求9所述的装置,其特征在于,所述装置还包括:参数阈值查询模块;
所述参数阈值查询模块,包括:
准时率阈值确定单元,用于确定配送准时率阈值;
参数阈值查询单元,用于基于预先创建的对应关系,查询所述配送准时率阈值对应的参数阈值。
13.根据权利要求8-12任一项所述的装置,其特征在于,所述最终结果确定模块还用于对所述全局模型预测结果和所述局部模型预测结果进行加权求和,得到所述目标订单的配送时间的最终预测结果。
14.根据权利要求8所述的装置,其特征在于,所述装置还包括模型训练模块;
所述模型训练模块包括:
样本订单确定单元,用于确定符合多模型预测条件的样本订单;
特征与时间获取单元,用于获取每个所述样本订单的样本特征以及配送时间;
模型训练单元,用于将每个所述样本订单的样本特征以及配送时间作为训练集,训练所述局部预测模型。
15.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的预测配送时间的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811143342.3A CN110969274A (zh) | 2018-09-28 | 2018-09-28 | 一种预测配送时间的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811143342.3A CN110969274A (zh) | 2018-09-28 | 2018-09-28 | 一种预测配送时间的方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110969274A true CN110969274A (zh) | 2020-04-07 |
Family
ID=70027970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811143342.3A Withdrawn CN110969274A (zh) | 2018-09-28 | 2018-09-28 | 一种预测配送时间的方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969274A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445197A (zh) * | 2020-06-17 | 2020-07-24 | 北京每日优鲜电子商务有限公司 | 一种生鲜食品配送方法 |
CN113033924A (zh) * | 2021-05-06 | 2021-06-25 | 杭州师范大学 | 基于Boosting算法历史数据驱动的包裹交付时长预测方法 |
CN113095553A (zh) * | 2021-03-29 | 2021-07-09 | 北京沃东天骏信息技术有限公司 | 调度方法、装置、电子设备及存储介质 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160292610A1 (en) * | 2015-03-30 | 2016-10-06 | Wipro Limited | Method and device for real time prediction of timely delivery of telecom service orders |
CN107220789A (zh) * | 2017-05-15 | 2017-09-29 | 浙江仟和网络科技有限公司 | 一种物流配送调度方法及系统 |
CN107230014A (zh) * | 2017-05-15 | 2017-10-03 | 浙江仟和网络科技有限公司 | 一种末端即时物流的智能调度系统 |
CN107844882A (zh) * | 2017-08-24 | 2018-03-27 | 北京小度信息科技有限公司 | 配送任务处理方法、装置及电子设备 |
CN108345958A (zh) * | 2018-01-10 | 2018-07-31 | 拉扎斯网络科技(上海)有限公司 | 一种订单出餐时间预测模型构建、预测方法、模型和装置 |
CN108364085A (zh) * | 2018-01-02 | 2018-08-03 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
JP6373462B1 (ja) * | 2017-08-04 | 2018-08-15 | ヤフー株式会社 | 予測装置、予測方法及び予測プログラム |
-
2018
- 2018-09-28 CN CN201811143342.3A patent/CN110969274A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160292610A1 (en) * | 2015-03-30 | 2016-10-06 | Wipro Limited | Method and device for real time prediction of timely delivery of telecom service orders |
CN107220789A (zh) * | 2017-05-15 | 2017-09-29 | 浙江仟和网络科技有限公司 | 一种物流配送调度方法及系统 |
CN107230014A (zh) * | 2017-05-15 | 2017-10-03 | 浙江仟和网络科技有限公司 | 一种末端即时物流的智能调度系统 |
JP6373462B1 (ja) * | 2017-08-04 | 2018-08-15 | ヤフー株式会社 | 予測装置、予測方法及び予測プログラム |
CN107844882A (zh) * | 2017-08-24 | 2018-03-27 | 北京小度信息科技有限公司 | 配送任务处理方法、装置及电子设备 |
CN108364085A (zh) * | 2018-01-02 | 2018-08-03 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
CN108345958A (zh) * | 2018-01-10 | 2018-07-31 | 拉扎斯网络科技(上海)有限公司 | 一种订单出餐时间预测模型构建、预测方法、模型和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445197A (zh) * | 2020-06-17 | 2020-07-24 | 北京每日优鲜电子商务有限公司 | 一种生鲜食品配送方法 |
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 |
CN113095553A (zh) * | 2021-03-29 | 2021-07-09 | 北京沃东天骏信息技术有限公司 | 调度方法、装置、电子设备及存储介质 |
CN113033924A (zh) * | 2021-05-06 | 2021-06-25 | 杭州师范大学 | 基于Boosting算法历史数据驱动的包裹交付时长预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969274A (zh) | 一种预测配送时间的方法、装置及计算机可读存储介质 | |
CN109726843B (zh) | 配送数据预测的方法、装置和终端 | |
CN109063935B (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
KR102066377B1 (ko) | 복수의 배달중개서버와 연동된 배달주문 관리 시스템 | |
CN109284948A (zh) | 物流对象选择方法、物流对象选择装置和电子装置 | |
CN109829667B (zh) | 物流节点包裹量的预测方法和装置 | |
CN107845016B (zh) | 信息输出方法和装置 | |
CN111598487B (zh) | 数据处理和模型训练方法、装置、电子设备和存储介质 | |
CN107509119B (zh) | 一种监控报警方法与装置 | |
JP2016540319A5 (zh) | ||
CN105260913A (zh) | 用于互联网广告投放的ctr预估方法、dsp服务器、系统 | |
JP2020035011A (ja) | データ処理装置およびデータ処理方法 | |
CN115271617A (zh) | 一种大宗商品物流运输交易智能信息处理系统 | |
CN111459675A (zh) | 一种数据处理方法、装置、可读存储介质和电子设备 | |
CN111476626A (zh) | 智能订水方法及智能水站系统 | |
CN114219397A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN111582407B (zh) | 任务处理方法、装置、可读存储介质和电子设备 | |
CN112749899A (zh) | 派单方法、装置及存储介质 | |
CN110070392B (zh) | 用户流失预警方法和装置 | |
CN111652471A (zh) | 名单分配控制方法、装置、电子设备及存储介质 | |
CN110400106A (zh) | 信息获取方法、装置及电子设备 | |
CN114399352B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN112073454B (zh) | 资源分发方法、装置、电子设备 | |
CN110889664A (zh) | 配送方法、装置及存储介质 | |
CN113742595A (zh) | 网点排队时间的查询方法及装置、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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200407 |
|
WW01 | Invention patent application withdrawn after publication |