CN111459675B - 一种数据处理方法、装置、可读存储介质和电子设备 - Google Patents

Abstract

本发明实施例公开了一种数据处理方法、装置、可读存储介质和电子设备，通过先确定目标区域内各配送设备表征可承载最大任务量的第一属性值，以及确定所述目标区域内当前待处理任务的第一超时概率，得到用于表征所述目标区域内实时负载的概率属性，根据所述概率属性和各配送设备对应的第一属性值确定用于表征所述目标区域当前的任务压力的第二属性值，本实施例以目标区域内各待处理任务的第一超时概率为参数计算对应的任务压力，提高了计算结果的精确度，实现精准确定目标区域内的任务压力。

Description

一种数据处理方法、装置、可读存储介质和电子设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种数据处理方法、装置、可读存储介质和电子设备。

背景技术

在互联网软件平台的运营过程中，需要进行大量的资源分配，以调度平台可用资源以合理的方式流动，但平台运营过程中通常会出现需要的资源过多或可用的资源不足等导致平台压力过大的情况，如果不能准确的检测到当前平台的压力，就无法及时采取对应的措施，导致影响用户体验、甚至平台系统崩溃等问题。目前大多数软件平台仅通过当前待处理任务量和处理设备量计算平台压力，得到的压力值准确度低，不能准确的表示当前平台的压力。

发明内容

有鉴于此,本发明实施例提供了一种数据处理方法、装置、可读存储介质和电子设备，以提高任务压力值计算结果的精确度，实现精准确定目标区域内的任务压力。

第一方面，本发明实施例提供了一种数据处理方法，所述方法包括：

确定目标区域对应的至少一个配送设备；

确定各所述配送设备对应的第一属性值，所述第一属性值用于表征各配送设备能够承担的最大任务量；

获取所述目标区域当前对应的至少一个待处理任务，所述待处理任务包括任务信息；

将各所述待处理任务的任务信息输入超时概率模型以确定对应的第一超时概率，所述超时概率模型根据训练样本集合预先训练得到，所述训练样本集合包括多个历史任务信息和对应的任务处理结果；

根据各所述待处理任务对应的第一超时概率确定所述目标区域的概率属性；

根据所述概率属性和各配送设备对应的第一属性值确定所述目标区域对应的第二属性值，所述第二属性值用于表征所述目标区域当前的任务压力。

进一步地，所述确定各所述配送设备对应的第一属性值包括：

确定各所述配送设备对应的历史任务属性，所述历史任务属性包括历史任务的属性信息、其他属性信息和所述配送设备的属性信息、处理任务量；

根据所述历史任务属性确定所述各配送设备对应的标准任务特征和多个候选属性值；

根据各所述配送设备对应的标准任务特征和多个候选属性值确定各所述配送设备对应的第一属性值。

进一步地，所述根据各所述配送设备对应的标准任务特征和多个候选属性值确定各所述配送设备对应的第一属性值包括：

将各所述配送设备对应的标准任务特征分别和各所述候选属性值输入任务超时预测模型，以确定对应的第二超时概率；

根据预设规则确定一个第二超时概率对应的候选属性值为所述配送设备对应的所述第一属性值。

进一步地，所述根据各所述待处理任务对应的第一超时概率确定所述目标区域的概率属性具体为：

计算各所述待处理任务对应的第一超时概率加权和得到所述目标区域的概率属性。

进一步地，所述根据所述概率属性和各配送设备对应的第一属性值确定所述目标区域对应的第二属性值包括：

通过计算各所述配送设备对应的第一属性值的和确定所述目标区域对应的第三属性值；

计算所述概率属性和所述第三属性值的商以确定对应的第二属性值。

第二方面，本发明实施例提供了一种数据处理装置，所述装置包括：

配送设备确定模块，用于确定目标区域对应的至少一个配送设备；

第一属性确定模块，用于确定各所述配送设备对应的第一属性值，所述第一属性值用于表征各配送设备能够承担的最大任务量；

任务获取模块，用于获取所述目标区域当前对应的至少一个待处理任务，所述待处理任务包括任务信息；

概率确定模块，用于将各所述待处理任务的任务信息输入超时概率模型以确定对应的第一超时概率，所述超时概率模型根据训练样本集合预先训练得到，所述训练样本集合包括多个历史任务信息和对应的任务处理结果；

概率属性确定模块，用于根据各所述待处理任务对应的第一超时概率确定所述目标区域的概率属性；

第二属性确定模块，用于根据所述概率属性和各配送设备对应的第一属性值确定所述目标区域对应的第二属性值，所述第二属性值用于表征所述目标区域当前的任务压力。

进一步地，所述第一属性确定模块包括：

第一属性确定单元，用于确定各所述配送设备对应的历史任务属性，所述历史任务属性包括历史任务的属性信息、其他属性信息和所述配送设备的属性信息、处理任务量；

特征确定单元，用于根据所述历史任务属性确定所述各配送设备对应的标准任务特征和多个候选属性值；

第二属性确定单元，用于根据各所述配送设备对应的标准任务特征和多个候选属性值确定各所述配送设备对应的第一属性值。

进一步地，所述第二属性确定单元包括：

第一属性确定子单元，用于将各所述配送设备对应的标准任务特征分别和各所述候选属性值输入任务超时预测模型，以确定对应的第二超时概率；

第二属性确定子单元，用于根据预设规则确定一个第二超时概率对应的候选属性值为所述配送设备对应的所述第一属性值。

进一步地，所述根据概率属性确定模块具体为：

概率属性确定单元，用于计算各所述待处理任务对应的第一超时概率加权和得到所述目标区域的概率属性。

进一步地，所述第二属性确定模块包括：

第三属性确定单元，用于通过计算各所述配送设备对应的第一属性值的和确定所述目标区域对应的第三属性值；

第四属性确定单元，用于计算所述概率属性和所述第三属性值的商以确定对应的第二属性值。

第三方面，本发明实施例提供了一种计算机可读存储介质，用于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，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第一方面中任一项所述的方法。

本发明实施例可以通过先确定目标区域内各配送设备表征可承载最大任务量的第一属性值，以及确定所述目标区域内当前待处理任务的第一超时概率，得到用于表征所述目标区域内实时负载的概率属性，根据所述概率属性和各配送设备对应的第一属性值确定用于表征所述目标区域当前的任务压力的第二属性值，以目标区域内各待处理任务的第一超时概率为参数计算对应的任务压力，提高了计算结果的精确度，实现精准确定目标区域内的任务压力。

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为本发明实施例的数据处理方法的流程图；

图2为本发明实施例的数据处理方法系统的示意图；

图3为本发明实施例确定第二属性值的示意图；

图4为本发明实施例确定第一属性值的示意图；

图5为本发明实施例的数据处理装置的示意图；

图6为本发明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进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，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。为了避免混淆本发明的实质，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，否则在说明书的“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，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

图1为本发明实施例的数据处理方法的流程图，如图1所示，所述方法包括：

步骤S100、确定目标区域对应的至少一个配送设备。

具体地，所述目标区域为服务器预设的区域，可以通过设定最大经度、最大纬度、最小经度和最小纬度的方式确定，或通过设定目标区域的圆心坐标和半径的方式确定。所述服务器连接多个配送设备，可以通过获取各配送设备对应的设备属性信息确定各配送设备对应的区域。例如，当所述设备属性信息中包括各配送设备对应的区域时，服务器可以根据各所述配送设备对应的不同区域确定与所述目标区域对应的配送设备。当所述设备属性信息中包括各所述配送设备对应的第一位置信息时，所述服务器可以根据各所述第一位置信息与所述目标区域的关系确定与所述目标区域对应的至少一个配送设备。可选的，服务器可以确定第一位置信息在所述目标区域内的配送设备为与所述目标区域对应的配送设备。

步骤S200、确定各所述配送设备对应的第一属性值。

具体地，所述第一属性值可以通过各配送设备历史处理任务情况确定，用于表征对应的配送设备能够同时处理的最大任务量。例如，当所述第一属性值为2时，表征对应的配送设备可以同时处理两个任务。

在本实施例一个可选的实现方式中，所述确定第一属性值的过程包括：

步骤S210、确定各所述配送设备对应的历史任务属性。

具体地，对于各所述配送设备，服务器获取与所述配送设备对应的多个历史任务属性，所述历史任务属性用于表征配送设备处理的历史任务的属性，包括所述历史任务属性包括历史任务的属性信息、其他属性信息和所述配送设备的属性信息、处理任务量。其中，所述历史任务的属性信息用于表征所述配送设备历史处理任务的属性，可以包括任务时间、任务内容、任务难度，例如，当所述历史任务为外卖平台的配送任务时，所述任务时间为用户发起任务的时间，所述任务内容可以包括配送物品种类、数量、配送价格、配送距离等，所述任务难度可以为困难、一般、简单等。所述其他属性信息用于表征处理所述历史任务时的环境、天气等其他影响任务处理的属性，例如可以包括商区、住宅、阴天、下雨等。所述配送设备的属性信息用于表征处理所述历史任务时所述配送设备的任务处理能力，例如，当所述历史任务为外卖平台的配送任务时，所述任务处理能力可以包括所述配送设备处理配送任务的天数和所述外卖平台以及用户对所述配送设备的评分。所述处理任务量用于表征所述配送设备当前需要处理的任务量，例如，当所述历史任务为外卖平台的配送任务时，所述处理任务量为所述配送设备当前获取的全部配送任务数量，即当前历史任务和其他需要处理的任务总量。

步骤S220、根据所述历史任务属性确定所述各配送设备对应的标准任务特征和多个候选属性值。

具体地，所述服务器可以根据各配送设备对应的多个历史任务属性确定对应的标准任务特征和多个候选属性值。在本实施例中，所述标准任务特征用于表征对应配送设备处理的任务属性特征、其他属性特征以及配送设备的属性特征，可以通过获取距离当前时刻预定时间段内的历史任务，确定历史任务属性中除处理任务量这一参数以外其他参数的平均值得到。所述候选属性值用于表征所述配送设备同时处理的任务数量，例如可以包括所述配送设备历史任务属性中最小的处理任务量至最大的处理任务量之间全部的整数值。

以所述历史任务为外卖平台的配送任务为例进行说明，当配送设备对应的多个所述历史任务属性分别包括{任务时间：17:00，任务难度等级：2，配送获取重量：2kg，室外温度：20℃，骑手配送能力评分：8，候选属性值：1}、{任务时间：17:30，任务难度等级：3，配送获取重量：5kg，室外温度：22℃，骑手配送能力评分：9，候选属性值：7}和{任务时间：18:00，任务难度等级：4，配送获取重量：2kg，室外温度：24℃，骑手配送能力评分：8.5，候选属性值：2}时，计算得到所述配送设备对应的标准任务特征为{任务时间：17:30，任务难度等级：3，配送获取重量：3kg，室外温度：22℃，骑手配送能力评分：8.5}，所述多个候选属性值包括所述配送设备历史任务属性中最小的处理任务量至最大的处理任务量之间全部的整数值{1,2,3,4,5,6,7}。

可选地，所述标准任务特征还可以通过获取所述多个历史任务属性中除处理任务量这一参数以外其他参数的其他特征值确定，所述其他特征值例如可以是众数、最值等。各配送设备对应的多个候选属性值还可以直接通过服务器预先确定，不需要再根据历史任务属性确定。

步骤S230、根据各所述配送设备对应的标准任务特征和多个候选属性值确定各所述配送设备对应的第一属性值。

具体地，所述服务器可以根据各所述配送设备对应的标准任务特征和多个候选属性值确定对应的配送设备的第一属性值，在本实施例中，确定各所述配送设备对应的第一属性值的过程可以包括：

步骤S231、将各所述配送设备对应的标准任务特征分别和各所述候选属性值输入任务超时预测模型，以确定对应的第二超时概率。

具体地，对于各配送设备，分别将对应的标准任务特征和各候选属性值输入任务超时预测模型，输出与所述各候选属性值对应的第二超时概率，所述第二超时概率用于表征所述配送设备在同时处理所述候选属性值表征的任务量时，当前任务超时的可能性。所述任务超时预测模型通过历史任务对应的历史任务属性和任务结果训练得到，所述任务结果可以为用于表征超时结果的数值1或用于表征准时结果的数值0，所述训练过程为将各所述历史任务对应的历史任务属性作为所述任务超时预测模型的输入，将各所述历史任务的任务结果对应的数值作为所述任务超时预测模型的输出训练得到所述任务超时预测模型。

步骤S232、根据预设规则确定一个第二超时概率对应的候选属性值为所述配送设备对应的所述第一属性值。

具体地，所述预设规则可以为设定一个目标阈值，对于各配送设备，当服务器确定各候选属性值对应的第二超时概率后，计算各所述第二超时概率和目标阈值的差值，并确定所述最小差值对应的第二超时概率为目标超时概率。例如，设定所述目标阈值为0.8，当确定各候选属性值对应的第二超时概率分别为0.79、0.83、0.9、0.5时，确定第二超时概率0.79为目标属性值，再进一步地确定所述第二超时概率对应的候选属性值为第一属性值。

图4为本发明实施例确定第一属性值的示意图，如图4所示，所述第一属性值的确定过程为通过配送设备对应的标准任务特征和多个候选属性值确定第二超时概率，再确定满足预定条件的第二超时概率中为目标超时概率，最终通过所述目标超时概率确定第一属性值。

具体地，对于各配送设备，所述服务器确定标准任务特征和候选属性值集合40，将所述候选属性值集合40中的各候选属性值分别于所述标准任务特征一同输入任务超时预测模型中41，再将输出的第二超时概率存储至第二超时概率集合42中，从所述第二超时概率集合42中确定符合预设条件的第二超时概率作为目标超时概率，最后确定所述目标超时概率对应的候选属性值为第一属性值。

例如，当所述服务器为外卖平台的处理服务器，设定目标区域为区域A时，所述标准任务特征可以为距当前时刻预设时间段内的历史任务的属性信息、其他属性信息和所述配送设备的属性信息对应的特征值，例如配送物品重量、配送价格、配送距离、配送难度、配送设备的任务处理能力和当前天气等属性的特征值，所述特征值可以是平均值、中值、众数、最值等可以表征预定时间内各历史任务状态的值。所述候选属性值为所述配送设备同时处理的任务量，可以通过服务器直接预先设定候选属性值集合40，或根据所述配送设备对应的历史任务的属性信息确定候选属性值集合40，例如{1,2,3,4,5,6,7,8,9,10}，分别将所述候选属性值集合40中的各候选属性值和标准标签输入任务超时预测模型41中，将输出的第二超时概率存储至第二超时概率集合42中。确定所述第二超时概率集合42中与预设的目标阈值0.8最接近的第二超时概率为目标超时概率，获取所述目标超时概率对应的候选属性值为第一属性值。即当可能超时的概率为0.8时，配送设备当前承担的任务量为所述配送设备可同时处理的最大任务量。

步骤S300、获取所述目标区域当前对应的至少一个待处理任务。

具体地，所述待处理任务可以通过客户端发送，由服务器接收，其中包括与各所述待处理任务对应的第二位置信息，当所述第二位置信息在所述目标区域内时，确定所述待处理任务与所述目标区域对应。在本实施例中，所述待处理任务还包括任务信息，所述任务信息用于表征所述待处理任务的属性，包括处理时间、任务内容和任务难度。例如，当所述待处理任务为外卖平台的配送任务时，所述处理时间为接收到所述接收到所述配送任务的时刻至预计送达时间的差值，所述任务内容可以包括配送物品种类、数量、配送价格、配送距离等，所述任务难度可以为困难、一般简单等。

步骤S400、将各所述待处理任务的任务信息输入超时概率模型以确定对应的第一超时概率。

具体地，获取所述目标区域对应的待处理任务后，对于各所述待处理任务，将其包括的任务信息输入超时概率模型，以输出对应的第一超时概率。所述超时概率模型可以为xgboost模型，根据训练样本集合预先训练得到，所述训练样本集合包括预定时间内的多个历史任务信息和对应的任务处理结果。在训练所述超时概率模型的过程中，所述服务器先获取所述目标区域对应的历史任务，获取各所述历史任务中的历史任务信息和各所述历史任务的任务处理结果，所述任务处理结果可以是超时或准时，通过各所述历史任务的历史任务信息和对应的任务处理结果构建训练样本集合，将所述训练样本集合中的历史任务信息作为输入，对应的任务处理结果作为输出训练所述超时概率模型，其中，在所述任务处理结果为超时的情况下，输出1，载所述任务处理结果为准时的情况下，输出为0，所述1和零分别用于表征任务超时的概率。因此，将各所述待处理任务输入超时概率模型后，输出的值为一个0-1之间的值为第一超时概率，用于表征所述待处理任务超时的可能性。

步骤S500、根据各所述待处理任务对应的第一超时概率确定所述目标区域的概率属性。

具体地，所述概率属性用于表征所述目标区域衡量待处理任务超时的实时负载，可以通过计算所述目标区域对应的各待处理任务的第一超时概率加权和确定，其中各所述第一超时概率的权重可以通过对各所述待处理任务的重要性进行评估后确定，当所述待处理任务越重要时，对应的第一超时概率权重越大。例如，当各所述待处理任务的第一超时概率分别为0.6、0.4、0.8和0.2，对应的权重分别为μ1、μ2、μ3和μ4时，所述概率属性为0.6μ1+0.4μ2+0.8μ3+0.2μ4。

步骤S600、根据所述概率属性和各配送设备对应的第一属性值确定所述目标区域对应的第二属性值。

具体地，所述第二属性值用于表征所述目标区域当前的任务压力。在本实施例中，所述确定第二属性值的过程可以包括：

步骤S610、通过计算各所述配送设备对应的第一属性值的和确定所述目标区域对应的第三属性值。

具体地，所述第三属性值用于表征所述目标区域对应的配送设备可以处理的最大任务量，可以通过计算所述目标区域对应的各配送设备的第一属性值的和得到。例如，当各所述配送设备对应的第一属性值分别为5、3、1、1时，所述目标区域的第三属性值为10。

步骤S620、计算所述概率属性和所述第三属性值的商以确定对应的第二属性值。

具体地，所述第二属性值可以通过计算所述目标区域对应的概率属性和第三属性值的商得到。例如，当所述目标区域的概率属性为0.8，所述第三属性值为10时，计算得到的第二属性值为0.08。

图3为本发明实施例确定第二属性值的示意图，如图3所示，所述确定第二属性值的过程包括服务器接收客户端发送的待处理任务，将所述待处理任务的任务信息输入超时概率模型30，输出第一超时概率，将所述第一超时概率输入至第一超时概率集合31中，所述服务器在确定了目标区域对应的全部待处理任务的第一超时概率后，根据所述第一超时概率集合31中各待处理任务对应的第一超时概率确定所述目标区域对应的概率属性。所述服务器还获取所述目标区域对应的各配送设备对应的第一属性值存储至第一属性值集合32中，再计算所述第一属性值集合32中的全部第一属性值的和以确定所述目标区域对应的第三属性值，最后计算所述目标区域对应的概率属性和第三属性值33确定所述目标区域的第二属性值。

例如，当所述服务器为外卖平台的处理服务器，设定目标区域为区域A时，所述待处理任务为配送任务，所述服务器确定包括的商户位置信息在区域A内的配送任务为与所述区域A对应的配送任务，将所述配送任务的任务信息输入超时概率模型预测所述配送任务超时的概率，再根据所述区域A对应的全部配送任务超时的概率确定所述区域A对应的实时负载。所述服务器还确定所述区域A可调用的配送设备为与所述区域A对应的配送设备，获取各所述配送设备可以同时处理的配送任务数量以确定所述区域A可同时处理的最大配送任务数量，最后通过计算所述区域A的实时负载和最大配送任务数量的商得到所述区域A的配送压力，以根据所述配送压力对不同区域内的配送设备进行调度，以平衡所述外卖平台的整体配送压力，提高所述外卖平台的工作效率和配送质量。

对于外卖平台和电商平台来说，本实施例所述的数据处理方法可以通过先确定所述目标区域的实时负载，再根据所述目标区域的实时负载和当前所述目标区域的最大任务处理量确定当前所述目标区域的配送压力，在确定所述配送压力的过程中不需要考虑各配送设备需要处理的任务量。因此，所述数据处理方法可以确定所述目标区域对应的待处理任务均为实时配送任务时的配送压力，所述实时配送任务为用户下单后立刻配送的任务；以及确定所述目标区域对应的待处理任务均为预定配送任务时的配送压力，所述实时配送任务为用户下单后根据用户选择的配送时间配送的任务；在所述目标区域对应的待处理任务包括实时配送任务和待处理任务时也可以确定所述目标区域的配送压力。

可选的，所述服务器在确定所述第二属性值之后，可以根据所述第二属性值对所述服务器连接的配送设备进行调度，以平衡不同区域之间的任务压力。例如，当所述目标区域的第二属性值大于预设的压力阈值时，证明所述目标区域的任务压力过大，所述服务器可以通过从其他任务压力较小的区域调度配送设备至所述目标区域等方式以缓解任务压力。当所述目标区域的第二属性值小于预设的压力阈值时，证明所述目标区域的任务压力较小，所述服务器可以将所述目标区域对应的配送设备调度至其他任务压力较大的区域以平衡各区域的任务压力。

本发明实施例所述的方法可以通过先确定目标区域内各配送设备表征可承载最大任务量的第一属性值，以及确定所述目标区域内当前待处理任务的第一超时概率，得到用于表征所述目标区域内实时负载的概率属性，根据所述概率属性和各配送设备对应的第一属性值确定用于表征所述目标区域当前的任务压力的第二属性值，以目标区域各待处理任务的第一超时概率为参数计算对应的任务压力，提高了计算结果的精确度，实现精准确定目标区域内的任务压力。

图2为本发明实施例的数据处理方法系统的示意图，如图2所示，实现所述数据处理方法的系统包括通过网络连接的服务器20、客户端21和配送设备22，所述客户端21用于向所述服务器20发送待处理任务，所述配送设备22与所述服务器20连接，用于处理所述服务器20分配的待处理任务。在通过本实施例所述的数据处理方法时，所述服务器20确定一个目标区域，并获取与所述目标区域对应的配送设备22和所述客户端21发送的与所述目标区域对应的待处理任务，通过分别确定各所述配送设备22可处理任务数量确定所述目标区域的最大可处理的任务数量，通过计算各所述待处理任务的第一超时概率确定所述目标区域的实时负载，根据所述目标区域对应的实时负载和最大可处理的任务数量计算所述目标区域的任务压力。

图5为本发明实施例的数据处理装置的示意图，如图5所示，所述装置包括配送设备确定模块50、第一属性确定模块51、任务获取模块52、概率确定模块53、概率属性确定模块54和第二属性确定模块55。

具体地，所述配送设备确定模块50用于确定目标区域对应的至少一个配送设备。所述第一属性确定模块51用于确定各所述配送设备对应的第一属性值，所述第一属性值用于表征各配送设备能够承担的最大任务量。所述任务获取模块52用于获取所述目标区域当前对应的至少一个待处理任务，所述待处理任务包括任务信息。所述概率确定模块53用于将各所述待处理任务的任务信息输入超时概率模型以确定对应的第一超时概率，所述超时概率模型根据训练样本集合预先训练得到，所述训练样本集合包括多个历史任务信息和对应的任务处理结果。所述概率属性确定模块54用于根据各所述待处理任务对应的第一超时概率确定所述目标区域的概率属性。所述第二属性确定模块55用于根据所述概率属性和各配送设备对应的第一属性值确定所述目标区域对应的第二属性值，所述第二属性值用于表征所述目标区域当前的任务压力。

进一步地，所述第一属性确定模块包括：

第一属性确定单元，用于确定各所述配送设备对应的历史任务属性，所述历史任务属性包括历史任务的属性信息、其他属性信息和所述配送设备的属性信息、处理任务量；

特征确定单元，用于根据所述历史任务属性确定所述各配送设备对应的标准任务特征和多个候选属性值；

第二属性确定单元，用于根据各所述配送设备对应的标准任务特征和多个候选属性值确定各所述配送设备对应的第一属性值。

进一步地，所述第二属性确定单元包括：

第一属性确定子单元，用于将各所述配送设备对应的标准任务特征分别和各所述候选属性值输入任务超时预测模型，以确定对应的第二超时概率；

第二属性确定子单元，用于根据预设规则确定一个第二超时概率对应的候选属性值为所述配送设备对应的所述第一属性值。

进一步地，所述根据概率属性确定模块具体为：

概率属性确定单元，用于计算各所述待处理任务对应的第一超时概率加权和得到所述目标区域的概率属性。

进一步地，所述第二属性确定模块包括：

第三属性确定单元，用于通过计算各所述配送设备对应的第一属性值的和确定所述目标区域对应的第三属性值；

第四属性确定单元，用于计算所述概率属性和所述第三属性值的商以确定对应的第二属性值。

本发明实施例所述的装置可以通过先确定目标区域内各配送设备表征可承载最大任务量的第一属性值，以及确定所述目标区域内当前待处理任务的第一超时概率，得到用于表征所述目标区域内实时负载的概率属性，根据所述概率属性和各配送设备对应的第一属性值确定用于表征所述目标区域当前的任务压力的第二属性值，以目标区域各待处理任务的第一超时概率为参数计算对应的任务压力，提高了计算结果的精确度，实现精准确定目标区域内的任务压力。

图6为本发明实施例的电子设备的示意图，如图6所示，在本实施例中，所述电子设备可以为服务器或终端等，所述终端例如可以是手机、电脑、平板电脑等智能设备。如图所示，所述电子设备包括：至少一个处理器61；与至少一个处理器通信连接的存储器60；以及与存储介质通信连接的通信组件62，所述通信组件62在处理器的控制下接收和发送数据；其中，存储器60存储有可被至少一个处理器61执行的指令，指令被至少一个处理器61执行以实现本发明实施例所述的数据处理方法。

具体地，所述存储器60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61通过运行存储在存储器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方法。

存储器60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60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60可选包括相对于处理器61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60中，当被一个或者多个处理器61执行时，执行上述任意方法实施例中的数据处理方法。

上述产品可执行本申请实施例所公开的方法，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公开的方法。

本发明还涉及一种计算机可读存储介质，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。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种数据处理方法，其特征在于，所述方法包括：

确定目标区域对应的至少一个配送设备；

确定各所述配送设备对应的第一属性值，所述第一属性值用于表征各配送设备能够承担的最大任务量；

获取所述目标区域当前对应的至少一个待处理任务，所述待处理任务包括任务信息；

将各所述待处理任务的任务信息输入超时概率模型以确定对应的第一超时概率，所述超时概率模型根据训练样本集合预先训练得到，所述训练样本集合包括多个历史任务信息和对应的任务处理结果；

根据各所述待处理任务对应的第一超时概率确定所述目标区域的概率属性；

根据所述概率属性和各配送设备对应的第一属性值确定所述目标区域对应的第二属性值，所述第二属性值用于表征所述目标区域当前的任务压力；

其中，所述第一属性值通过目标超时概率确定，所述目标超时概率由任务超时预测模型根据标准任务特征和候选属性值集合确定。

2.根据权利要求1所述的方法，其特征在于，所述确定各所述配送设备对应的第一属性值包括：

确定各所述配送设备对应的历史任务属性，所述历史任务属性包括历史任务的属性信息、其他属性信息和所述配送设备的属性信息、处理任务量；

根据所述历史任务属性确定对应的标准任务特征和多个候选属性值；

根据各所述配送设备对应的标准任务特征和多个候选属性值确定各所述配送设备对应的第一属性值。

3.根据权利要求2所述的方法，其特征在于，所述根据各所述配送设备对应的标准任务特征和多个候选属性值确定各所述配送设备对应的第一属性值包括：

将各所述配送设备对应的标准任务特征分别和各所述候选属性值输入任务超时预测模型，以确定对应的第二超时概率；

根据预设规则确定一个第二超时概率对应的候选属性值为所述配送设备对应的所述第一属性值。

4.根据权利要求1所述的方法，其特征在于，所述根据各所述待处理任务对应的第一超时概率确定所述目标区域的概率属性具体为：

计算各所述待处理任务对应的第一超时概率加权和得到所述目标区域的概率属性。

5.根据权利要求1所述的方法，其特征在于，所述根据所述概率属性和各配送设备对应的第一属性值确定所述目标区域对应的第二属性值包括：

通过计算各所述配送设备对应的第一属性值的和确定所述目标区域对应的第三属性值；

计算所述概率属性和所述第三属性值的商以确定对应的第二属性值。

6.一种数据处理装置，其特征在于，所述装置包括：

配送设备确定模块，用于确定目标区域对应的至少一个配送设备；

第一属性确定模块，用于确定各所述配送设备对应的第一属性值，所述第一属性值用于表征各配送设备能够承担的最大任务量；

任务获取模块，用于获取所述目标区域当前对应的至少一个待处理任务，所述待处理任务包括任务信息；

概率确定模块，用于将各所述待处理任务的任务信息输入超时概率模型以确定对应的第一超时概率，所述超时概率模型根据训练样本集合预先训练得到，所述训练样本集合包括多个历史任务信息和对应的任务处理结果；

概率属性确定模块，用于根据各所述待处理任务对应的第一超时概率确定所述目标区域的概率属性；

第二属性确定模块，用于根据所述概率属性和各配送设备对应的第一属性值确定所述目标区域对应的第二属性值，所述第二属性值用于表征所述目标区域当前的任务压力；

其中，所述第一属性值通过目标超时概率确定，所述目标超时概率由任务超时预测模型根据标准任务特征和候选属性值集合确定。

7.根据权利要求6所述的装置，其特征在于，所述第一属性确定模块包括：

第一属性确定单元，用于确定各所述配送设备对应的历史任务属性，所述历史任务属性包括历史任务的属性信息、其他属性信息和所述配送设备的属性信息、处理任务量；

特征确定单元，用于根据所述历史任务属性确定所述各配送设备对应的标准任务特征和多个候选属性值；

第二属性确定单元，用于根据各所述配送设备对应的标准任务特征和多个候选属性值确定各所述配送设备对应的第一属性值。

8.根据权利要求7所述的装置，其特征在于，所述第二属性确定单元包括：

第一属性确定子单元，用于将各所述配送设备对应的标准任务特征分别和各所述候选属性值输入任务超时预测模型，以确定对应的第二超时概率；

第二属性确定子单元，用于根据预设规则确定一个第二超时概率对应的候选属性值为所述配送设备对应的所述第一属性值。

9.根据权利要求6所述的装置，其特征在于，所述概率属性确定模块具体为：

概率属性确定单元，用于计算各所述待处理任务对应的第一超时概率加权和得到所述目标区域的概率属性。

10.根据权利要求6所述的装置，其特征在于，所述第二属性确定模块包括：

第三属性确定单元，用于通过计算各所述配送设备对应的第一属性值的和确定所述目标区域对应的第三属性值；

第四属性确定单元，用于计算所述概率属性和所述第三属性值的商以确定对应的第二属性值。

11.一种计算机可读存储介质，用于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。