CN111582408B - 数据处理方法、数据处理装置、存储介质和电子设备 - Google Patents

数据处理方法、数据处理装置、存储介质和电子设备 Download PDF

Info

Publication number
CN111582408B
CN111582408B CN202010568393.1A CN202010568393A CN111582408B CN 111582408 B CN111582408 B CN 111582408B CN 202010568393 A CN202010568393 A CN 202010568393A CN 111582408 B CN111582408 B CN 111582408B
Authority
CN
China
Prior art keywords
task
target
determining
conversion rate
consumption
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
Application number
CN202010568393.1A
Other languages
English (en)
Other versions
CN111582408A (zh
Inventor
李琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rajax Network Technology Co Ltd
Original Assignee
Rajax Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rajax Network Technology Co Ltd filed Critical Rajax Network Technology Co Ltd
Priority to CN202010568393.1A priority Critical patent/CN111582408B/zh
Publication of CN111582408A publication Critical patent/CN111582408A/zh
Application granted granted Critical
Publication of CN111582408B publication Critical patent/CN111582408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (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方法、数据处理装置、存储介质和电子设备。本发明实施例在接收到预定数据处理指令后，获取目标任务集合以及各目标任务的第一任务特征，并根据各目标任务的第一任务特征确定各目标任务在不同消耗参数下被接收的概率，进而根据各消耗参数与被接收的概率的对应关系确定的第二任务特征对各目标任务进行聚类，确定多个任务组，从而通过使得目标任务集合的总转化率相对于总消耗参数最优化的方式确定各任务组对应的目标消耗参数。通过本发明实施例的方法可以提升任务分配效率，同时提升订单分配的合理性。

Description

数据处理方法、数据处理装置、存储介质和电子设备
技术领域
本发明公开涉及计算机技术领域，具体涉及一种数据处理方法、数据处理装置、存储介质和电子设备。
背景技术
在人们的日常工作、生活、学习过程中，会产生各种各样的任务。由于任务的类别、处理的复杂度等因素的不同，任务的处理难度也不同，任务处理资源对于任务的接受程度，也即，任务的分配难度也不同。因此对于任务分配系统而言，需要对不同分配难度的任务进行准确分配。但现有的任务分配方式对于人工的依赖程度较高，因此任务分配的效率不高，且合理性不强。
发明内容
有鉴于此,本发明实施例的目的在于提供一种数据处理方法、数据处理装置、存储介质和电子设备，用于提升任务分配效率，同时提升任务分配的合理性。
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：
响应于接收到预定数据处理指令，获取目标任务集合以及所述目标任务集合中各目标任务的第一任务特征；
根据各所述第一任务特征确定各所述目标任务在不同消耗参数下的第一转化率，所述第一转化率用于表征所述目标任务被接收的概率；
根据各第二任务特征对各所述目标任务进行聚类，确定多个任务组，所述第二任务特征包括第一特征，所述第一特征用于表征多个所述消耗参数与各所述第一转化率的对应关系；
确定各所述任务组对应的第一目标消耗参数，以最优化所述目标任务集合的总转化率。
优选地，所述方法还包括：
获取待处理任务的第三任务特征；
根据所述第三任务特征确定所述待处理任务在不同消耗参数下的第二转化率，所述第二转化率用于表征所述待处理任务被接收的概率；
根据第四任务特征确定所述待处理任务对应的目标任务组，并根据所述目标任务组对应的所述第一目标消耗参数确定所述待处理任务对应的第二目标消耗参数，所述第四任务特征包括第二特征，所述第二特征用于表征多个所述消耗参数与各所述第二转化率的对应关系。
优选地，所述根据各所述第一任务特征确定对应的所述目标任务在不同消耗参数下的第一转化率包括：
基于预先训练的转化率预测模型，根据各所述第一任务特征确定对应的所述目标任务在各所述消耗参数下的第一转化率，所述转化率预测模型根据历史任务信息训练获得。
优选地，所述根据各所述目标任务的第二任务特征对各所述目标任务进行聚类，确定多个任务组包括：
根据各所述第二任务特征确定各所述目标任务间的第一相似度；
将所述第一相似度满足第一条件的多个所述目标任务确定为一个任务组。
优选地，所述确定各所述任务组对应的第一目标消耗参数包括：
以所述目标任务集合的总消耗参数保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
优选地，所述确定各所述任务组对应的第一目标消耗参数包括：
以所述总转化率保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
优选地，所述根据所述第三任务特征确定所述待处理任务在各所述消耗参数下的第二转化率包括：
基于预先训练的转化率预测模型，根据所述第三任务特征确定所述待处理任务在各所述消耗参数下的第二转化率。
优选地，所述根据第四任务特征确定所述待处理任务对应的目标任务组，并根据所述目标任务组对应的所述第一目标消耗参数确定所述待处理任务对应的第二目标消耗参数包括：
根据所述第四任务特征以及至少一个所述目标任务的所述第二任务特征确定所述待处理任务与至少一个所述目标任务的第二相似度；
响应于所述第二相似度满足第二条件，将所述目标任务对应的任务组确定为所述目标任务组；
将所述目标任务组对应的所述第一目标消耗参数确定为所述第二目标消耗参数。
优选地，所述方法还包括：
对各所述任务组对应的第一目标消耗参数进行展示。
优选地，所述方法还包括：
向至少一个预定终端发送第一消息，所述第一消息根据所述第二目标消耗参数确定。
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：
第一获取单元，用于响应于接收到预定数据处理指令，获取目标任务集合以及所述目标任务集合中各目标任务的第一任务特征；
第一确定单元，用于根据各所述第一任务特征确定各所述目标任务在不同消耗参数下的第一转化率，所述第一转化率用于表征所述目标任务被接收的概率；
聚类单元，用于根据各第二任务特征对各所述目标任务进行聚类，确定多个任务组，所述第二任务特征包括第一特征，所述第一特征用于表征多个所述消耗参数与各所述第一转化率的对应关系；
第二确定单元，用于确定各所述任务组对应的第一目标消耗参数，以最优化所述目标任务集合的总转化率。
优选地，所述装置还包括：
第二获取单元，用于获取待处理任务的第三任务特征；
第三确定单元，用于根据所述第三任务特征确定所述待处理任务在不同消耗参数下的第二转化率，所述第二转化率用于表征所述待处理任务被接收的概率；
第四确定单元，用于根据第四任务特征确定所述待处理任务对应的目标任务组，并根据所述目标任务组对应的所述第一目标消耗参数确定所述待处理任务对应的第二目标消耗参数，所述第四任务特征包括第二特征，所述第二特征用于表征多个所述消耗参数与各所述第二转化率的对应关系。
优选地，所述第一确定单元用于基于预先训练的转化率预测模型，根据各所述第一任务特征确定对应的所述目标任务在各所述消耗参数下的第一转化率，所述转化率预测模型根据历史任务信息训练获得。
优选地，所述聚类单元包括：
第一确定子单元，用于根据各所述第二任务特征确定各所述目标任务间的第一相似度；
第二确定子单元，用于将所述第一相似度满足第一条件的多个所述目标任务确定为一个任务组。
优选地，所述第二确定单元包括：
第一求解子单元，用于以所述目标任务集合的总消耗参数保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
优选地，所述第二确定单元包括：
第二求解子单元，用于以所述总转化率保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
优选地，所述第四确定单元包括：
第三确定子单元，用于根据所述第四任务特征以及至少一个所述目标任务的所述第二任务特征确定所述待处理任务与至少一个所述目标任务的第二相似度；
第四确定子单元，用于响应于所述第二相似度满足第二条件，将所述目标任务对应的任务组确定为所述目标任务组；
第五确定子单元，用于将所述目标任务组对应的所述第一目标消耗参数确定为所述第二目标消耗参数。
优选地，所述装置还包括：
展示单元，用于对各所述任务组对应的第一目标消耗参数进行展示。
优选地，所述装置还包括：
发送单元，用于向至少一个预定终端发送第一消息，所述第一消息根据所述第二目标消耗参数确定。
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，其中，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，其中，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实现如第一方面中任一项所述的方法。
本发明实施例在接收到预定数据处理指令后，获取目标任务集合以及各目标任务的第一任务特征，并根据各目标任务的第一任务特征确定各目标任务在不同消耗参数下被接收的概率，进而根据各消耗参数与被接收的概率的对应关系确定的第二任务特征对各目标任务进行聚类，确定多个任务组，从而通过使得目标任务集合的总转化率相对于总消耗参数最优化的方式确定各任务组对应的目标消耗参数。通过本发明实施例的方法可以提升任务分配效率，同时提升任务分配的的合理性。
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是本发明实施例的硬件系统架构的示意图；
图2是本发明第一实施例的数据处理方法的流程图；
图3是本发明第一实施例的目标任务在不同消耗参数下的转化率的示意图；
图4是本发明第一实施例的数据处理方法的数据流向图；
图5是本发明第二实施例的数据处理方法的流程图；
图6是本发明第三实施例的数据处理装置的流程图；
图7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。
在本发明实施例中，以任务(包括待处理任务、历史任务以及目标任务)为订单为例、以任务处理资源为配送运力(具体可以为配送人员、配送机器人、无人机等)为例进行说明。但是本领域技术人员容易理解，在任务为其他类型的任务，例如计算机任务，在任务处理资源为其他类型的资源，例如计算机时，本实施例的方法同样适用。
图1是本发明实施例的硬件系统架构的示意图。图1所示的硬件系统架构可以包括多个任务发布终端11、多个服务器12以及多个任务处理终端13，图1以一个任务发布终端11、一个服务器12以及一个任务处理终端13为例进行说明。任务发布终端11、服务器12以及任务处理终端13可以通过网络进行通信连接。下面以外卖配送行业为应用场景进行说明。任务发布终端11也即用户终端，用户通过任务发布终端11上配置的预定客户端进行下单操作。在用户成功进行下单操作后，任务发布终端11可以将订单作为任务在任务分配系统中进行发布。服务器12可以通过现有的方式进行任务分配，例如，将任务指定给预定任务处理终端13，以使得任务处理资源可以对任务进行处理。
由于订单的类别、配送距离、重量等因素的不同，订单的配送难度也不同，任务处理资源对于任务的接受程度也不同。例如，对于一些需要保持较低温度且配送距离较长的订单，配送运力对于该类订单的接受程度通常较低。因此为了保证不同配送难度的订单均能够较为迅速地被配送，需要通过调整订单配送完成所获得的回报的方式来提升配送运力对于不同处理难度的任务的接受程度。在现有技术中，通常通过人工的方式来对订单配送完成所获得的回报进行调整，但上述方式需要依赖任务分配人员的经验，无法保证调整幅度的准确性，且人力成本较高，从而使得任务分配的合理性不强，且任务分配效率不高。
图2是本发明第一实施例的数据处理方法的流程图。如图2所示，本实施例的方法包括如下步骤：
步骤S100，响应于接收到预定数据处理指令，获取目标任务集合以及目标任务集合中各目标任务的第一任务特征。
在本步骤中，服务器可以通过预定程序接口接收至少一个预定终端发送的预定数据处理指令。预定数据处理指令用于指示服务器确定多个任务对应的目标消耗参数。在本实施例中，消耗参数用于表征完成一个任务时，除正常消耗的成本外，任务分配系统所需要额外消耗的成本，也即任务处理资源在完成一个任务时可以额外获得的回报。例如，在任务为订单时，消耗参数可以为完成一个订单时，交易平台所需要额外花费的金额(也即，加价)。
目标任务集合中的目标任务可以为预定时间段(例如，一个月内，或者半年内10:00-12:00时间段等)内满足预定条件的任务，具体可以为：预定时间段内，在未增加消耗参数或增加的消耗参数不合理时未成功分配给任务处理资源的任务，或者处理难度高于预定阈值的任务。例如，在任务为订单时，目标任务可以为过去一周内未加价或加价不合理时未被配送运力接收的订单。容易理解，目标任务的处理难度可以根据第一任务特征中的至少一个特征确定，例如根据至少一个特征的加权和确定，本实施例不做具体限定。
第一任务特征用于表征目标任务的处理难度。在目标任务为订单时，第一任务特征可以包括目标订单的配送距离、订单标的的重量、订单标的的体积以及类别中的至少一项。配送距离越长，配送运力在配送过程中消耗的时间越长；订单标的的重量越大，配送运力在向目标订单对应的目标对象(也即，下单用户)进行订单标的的交付过程中所消耗的时间、精力越多；订单标的的体积越大，配送运力在对多个订单进行配送的过程中所能够同时承担的订单数量越少，获得的回报也越少；不同类别对于存储订单标的的存储环境的要求不同，且对于配送时长的要求也不同。因此，上述特征与任务的处理难度具有较强的相关性。容易理解，在目标任务为其他类型的任务时，服务器可以根据实际需求的不同，获取不同的第一任务特征。
步骤S200，根据各第一任务特征确定各目标任务在不同消耗参数下的第一转化率。
第一转化率用于表征任务处理资源对于目标任务的接受程度，也即目标任务被接收的概率。在任务为订单时，消耗参数可以为0元,0.5元,1元,1.5元等，转化率可以为0.4,0.6,0.9等。通常消耗参数越大，第一转化率也越大。
可选地，服务器可以基于预先训练的转化率预测模型，根据各目标任务的第一任务特征确定各目标任务在各消耗参数下的第一转化率。在本实施例中，转化率预测模型可以为XGBoost(eXtreme Gradient Boosting，极端梯度提升树)，也即GBDT(GradientBoosting Decision Tree，梯度提升迭代决策树)。XGBoost运用集成学习思想来进行结果/标签的预测。集成学习是指将多个学习模型进行组合，以获得更好的预测效果，从而使组合后的模型具有更强的普适性。XGBoost可以用于解决两种问题，包括分类问题和回归问题。在本实施例中，确定各目标任务的第一转化率实际为结果预测问题，属于回归问题的一种。容易理解，分类模型还可以为其他模型，例如卷积神经网络、循环神经网络、线性回归等，本实施例不做限定。
在本实施例中，转化率预测模型根据历史任务信息训练获得。其中，历史任务信息可以包括多个历史任务的历史任务特征以及转化标识。在历史任务为历史订单时，历史任务特征可以包括历史订单的配送距离、订单标的(也即，订单对应的商品)的重量、订单标的的体积以及类别中的至少一项以及历史消耗参数；转化标识用于表征历史订单在对应的历史消耗参数下是否被接收，可以用0和1表示，具体地，0可以表示历史订单在对应的历史消耗参数下是未接收，1可以表示历史订单在对应的历史消耗参数下被接收。
在转化率预测模型的训练过程中，输入包括各历史任务的历史任务特征，输出为各历史任务的转化标识。由此，服务器可以将各目标任务的第一任务特征以及一个消耗参数作为预先训练的转化率预测模型的输入，得到在该消耗参数下目标任务的转化率为输出。
例如，目标订单包括订单1，订单1的第一任务特征为(0.5,1,30)，其中，第一个元素用于表征订单1的配送距离，第二个元素用于表征订单1的订单标的的重量，第三个元素用于表征订单1的订单金额，预先设置的消耗参数包括0,1,2,3，则服务器可以以订单1的第一任务特征(0.5,1,30)以及消耗参数0为转化率预测模型的输入，确定订单1在消耗参数0下的第一转化率p1；以订单1的第一任务特征(0.5,1,30)以及消耗参数1为转化率预测模型的输入，确定订单1在消耗参数1下的第一转化率p2；以订单1的第一任务特征(0.5,1,30)以及消耗参数2为转化率预测模型的输入，确定订单1在消耗参数2下的第一转化率p3；以订单1的第一任务特征(0.5,1,30)以及消耗参数3为转化率预测模型的输入，确定订单1在消耗参数3下的第一转化率p4。
图3是本发明第一实施例的目标任务在不同消耗参数下的转化率的示意图。容易理解，图3以消耗参数为加价(单位为元)为例进行说明。如图3所示，目标任务集合包括任务m1、任务m2、任务m3、任务m4、任务m5以及任务m6，消耗参数包括0,1,2,3,4。对于任务mi(i＝1,2,3,4,5,6)，服务器可以以任务mi的第一任务特征以及0为输入，获取任务mi在0下的第一转化率以任务mi的第一任务特征以及1为输入，获取任务mi在1下的第一转化率/>等。以任务m1为例，服务器可以以任务m1的第一任务特征以及0为输入，获取任务m1在0下的第一转化率/>也即50％。
步骤S300，根据各第二任务特征对各目标任务进行聚类，确定多个任务组。
第二任务特征至少包括目标任务的第一特征，第一特征用于表征多个消耗参数与各第一转化率的对应关系。这使得在聚类过程中，各任务组的目标任务的第一转化率的变化趋势是接近的。例如，消耗参数分别为0,1,2,3以及4，各消耗参数对应的第一转化率分别为p1，p2，p3，p4以及p5，则第一特征可以为(p1，p2，p3，p4，p5)。
在一种可能的情况中，第二任务特征中仅包括目标任务的第一特征，服务器可以根据各目标任务的第一特征对各目标任务进行聚类，从而确定多个任务组。可选地，服务器可以根据各目标任务的第二任务特征确定各目标任务间的第一相似度，并将第一相似度满足第一条件的多个目标任务确定为一个任务组。其中，第一条件可以被设置为第一相似度高于第一阈值等，本实施例不做具体限定。
例如，目标任务包括订单1、订单2、订单3、订单4和订单5，服务器根据各目标任务的第一特征确定目标任务间的第一相似度，也即订单1与订单2的第一相似度s1,2，订单1与订单3的第二相似度s1,3，订单1与订单4的第一相似度s1,4，订单1与订单5的第一相似度s1,5，订单2与订单3的第一相似度s2,3，订单2与订单4的第一相似度s2,4，订单2与订单5的第一相似度s2,5，订单3与订单4的第一相似度s3,4，订单3与订单5的第一相似度s3,5，以及订单4与订单5的第一相似度s4,5。其中，第一相似度s1,2、第一相似度s2,3以及第一相似度s1,3均满足第一条件，第一相似度s4,5也满足第一条件，服务器可以将订单1、订单2以及订单3确定为一个订单组，将订单4以及订单5确定为另一个订单组。
在另一种可能的情况中，第二任务特征还可以至少包括部分第一任务特征，服务器可以根据各目标任务的第一特征以及至少部分第一任务特征对各目标任务进行聚类，从而确定多个任务组。
在上述两种可能的情况中，可以通过余弦相似度、闵可夫斯基距离(MinkowskiDistance)、曼哈顿距离(Manhattan Distance)等来表征第一相似度。
容易理解，在本步骤中，也可以通过其他方式对各目标任务进行聚类，例如通过均值偏移(mean shift)聚类算法、DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，基于密度的噪声应用空间聚类)算法等，本实施例不做具体限定。
步骤S400，确定各任务组对应的第一目标消耗参数，以使得目标任务集合的总转化率相对于总消耗参数最优化。
在一种可选的实现方式中，服务器可以以预先设定的总消耗参数保持固定为约束，通过求解确定各任务组对应的第一目标消耗参数。总转化率相对于总消耗参数最优化也即在不超过总消耗参数的情况下最大化总转化率。
可选地，服务器可以将确定各任务组的第一目标消耗参数的过程看作组合优化求解分组背包问题的过程。分组背包过程假设存在容量为V(V为大于等于1的预定实数)的背包以及n(n为大于1的预定整数)组物品，各组物体可以具有相同或不同的价值以及体积。其中，V可以看作约束条件，也即总消耗参数；n组物品可以看作n个任务组；各组物体的价值可以看作任务组内目标任务的转化率之和；各组物体的体积可以看作任务组内目标任务的消耗参数之和。也就是说，服务器可以以目标任务集合对应的总消耗参数为背包的容量，以各任务组对应的消耗参数之和为各组物品的体积，以各任务组对应的第一转化率之和为各组物品的价值，并基于预定优化算法，确定各任务组对应的第一目标消耗参数。对于上述优化方式，预定优化算法可以为贪心算法、蚁群算法等，本实施例不做具体限定。
例如，目标订单集合的总消耗参数为300(元)，其中三个订单组为订单组1、订单组2以及订单组3。订单组1包括订单1、订单2、订单3和订单4，订单组2包括订单5和订单6，订单组3包括订单7、订单8、订单9、订单10、订单11和订单12。服务器可以确定订单组1的体积C1为订单1的消耗参数c1+订单2的消耗参数c2+订单3的消耗参数c3+订单4的消耗参数c4，价值P1为订单1的第一转化率p1+订单2的第一转化率p2+订单3的第一转化率p3+订单4的第一转化率p4；订单组2的体积C2为订单5的消耗参数c5+订单6的消耗参数c6，价值P2为订单5的第一转化率p5+订单6的第一转化率p6；订单组3的体积C3为订单7的消耗参数c7+订单8的消耗参数c8+订单9的消耗参数c9+订单10的消耗参数c10+订单11的消耗参数c11+订单12的消耗参数c12，价值P3为订单7的第一转化率p7+订单8的第一转化率p8+订单9的第一转化率p9+订单10的第一转化率p10+订单11的第一转化率p11+订单12的第一转化率p12，并以300为约束，也即，C1+C2+C3不高于300，基于贪心算法、蚁群算法等，使得P1+P2+P3均最优化。
同一任务组内的目标任务的第一转化率的变化趋势相似，因此为了简化确定各订单组的第一目标消耗参数的过程，有效降低组合优化过程中所消耗的计算量，同一任务组内的目标任务可以采用相同的消耗参数调整策略，(例如，设定相同的加价)，由此服务器可以根据各任务组中目标任务的数量以及一个目标任务的消耗参数确定各任务组的消耗参数之和。也就是说，可以将各任务组分别作为一个物体以进行组合优化，求解对应的任务组的第一目标消耗参数。
在另一种可选的实现方式中，服务器可以以预先设定的总转化率保持固定为约束，通过求解确定各任务组对应的第一目标消耗参数。总转化率相对于总消耗参数最优化也即在不低于总转化率的情况下最小化总消耗参数。具体地，服务器同样可以基于预定优化算法，确定各任务组对应的第一目标消耗参数。对于上述实现方式，预定优化算法可以为拉格朗日乘数法。
图4是本发明第一实施例的数据处理方法的数据流向示意图。如图4所示，41为目标任务集合，其中包括目标任务，也即订单1-订单n(其中，n为大于等于1的预定整数)。服务器获取各目标任务的第一任务特征，也即第一任务特征1-第一任务特征n，然后根据转化率预测模型以及多个消耗参数分别确定各目标任务在不同消耗参数下的第一转化率，也即第一转化率1-第一转化率n。在确定第一转化率1-第一转化率n后，服务器可以根据各目标任务对应的、各消耗参数与第一转化率的对应关系确定各目标任务的第二任务特征，也即第二任务特征1-第二任务特征n，从而根据第二任务特征1-第二任务特征n对订单1-订单n进行聚类，得到N(N为大于等于1且小于n的预定整数)个任务组，也即G1-GN，各任务组包括至少一个目标任务。进而，服务器可以确定各订单组在消耗参数为j下的消耗参数之和C1,j-消耗参数之和CN,j以及转化率之和P1,j-转化率之和PN,j，从而以总消耗参数或总转化率为约束，通过组合优化的方式，基于预定优化算法确定各任务组的第一目标消耗参数，也即第一目标参数1-第一目标参数n。
可选地，在确定各任务组的第一目标消耗参数后，本实施例的方法还可以包括如下步骤：
步骤S500，对各任务组对应的第一目标消耗参数进行展示。
在本步骤中，服务器可以以各种形式对各任务组对应的第一目标消耗参数进行展示，具体可以为列表、键值对、柱状图等，本实施例不做具体限定。
本实施例在接收到预定数据处理指令后，获取目标任务集合以及各目标任务的第一任务特征，并根据各目标任务的第一任务特征确定各目标任务在不同消耗参数下被接收的概率，进而根据各消耗参数与被接收的概率的对应关系确定的第二任务特征对各目标任务进行聚类，确定多个任务组，从而通过使得目标任务集合的总转化率相对于总消耗参数最优化的方式确定各任务组对应的目标消耗参数。在本实施例中，消耗参数用于表征任务处理资源在完成任务后能够获得的回报，因此通过本实施例的方法可以提升对于任务回报的调整效率，同时提升对于任务回报的调整的合理性。
图5是本发明第二实施例的数据处理方法的流程图。如图5所示，本实施例的方法包括如下步骤：
步骤S100’，响应于接收到预定数据处理指令，获取目标任务集合以及目标任务集合中各目标任务的第一任务特征。
在本实施例中，步骤S100’的实现方式与步骤S100的实现方式相似，在此不再赘述。
步骤S200’，根据各第一任务特征确定各目标任务在不同消耗参数下的第一转化率。
在本实施例中，步骤S200’的实现方式与步骤S200的实现方式相似，在此不再赘述。
步骤S300’，根据各第二任务特征对各目标任务进行聚类，确定多个任务组。
在本实施例中，步骤S300’的实现方式与步骤S300的实现方式相似，在此不再赘述。
步骤S400’，确定各任务组对应的第一目标消耗参数，以使得目标任务集合的总转化率相对于总消耗参数最优化。
在本实施例中，步骤S400’的实现方式与步骤S400的实现方式相似，在此不再赘述。
步骤S500’，获取待处理任务的第三任务特征。
与目标任务相似，待处理任务可以为当前时间段内满足预定条件的任务，具体可以为：当前时间段内，在未增加消耗参数或增加的消耗参数不合理时未成功分配给任务处理资源的任务，或者处理难度高于预定阈值的任务。例如，在任务为订单时，待处理任务可以为当天10:00-12:00时间段内未加价或加价不合理时未被配送运力接收的订单。
容易理解，本实施例可以包括至少一个待处理任务。在待处理任务为多个时，服务器可以分别获取各待处理任务的第三任务特征。
步骤S600’，根据第三任务特征确定待处理任务在不同消耗参数下的第二转化率。
与第一转化率类似，第二转化率用于表征待处理任务被接收的概率。与第一任务特征相似，第三任务特征同样用于表征任务的处理难度，且第三任务特征同样可以包括目标订单的配送距离、订单标的的重量、订单标的的体积以及类别中的至少一项。
可选地，服务器同样可以基于预先训练的转化率预测模型，根据待处理任务的第三任务特征确定待处理任务在各消耗参数下的第二转化率。
步骤S700’，根据第四任务特征确定待处理任务对应的目标任务组，并根据目标任务组对应的第一目标消耗参数确定待处理任务对应的第二目标消耗参数。
与第二任务特征相似，第四任务特征至少包括第二特征，第二特征用于表征各消耗参数与待处理任务的各第二转化率的对应关系。可选地，第四任务特征还可以包括至少部分第三任务特征。
在本步骤中，服务器可以根据待处理任务的第四特征以及至少一个目标任务的第二任务特征确定待处理任务与至少一个目标任务的第二相似度，若第二相似度满足第二条件，服务器可以将目标任务对应的任务组确定为待处理任务对应的目标任务组，从而将目标任务组对应的第一目标消耗参数确定为第二目标消耗参数。
类似地，可以通过余弦相似度、闵可夫斯基距离、曼哈顿距离等来表征第二相似度。第二条件可以为第二相似度高于第二阈值等。
例如，待处理任务为任务m1，目标任务包括任务m2、任务m3以及任务m4，服务器可以分别确定任务m1与任务m2的第二相似度s1,2，任务m1与任务m3的第二相似度s1,3以及任务m1与任务m4的第二相似度s1,4，且第二相似度s1,3大于第二阈值且为最大的第一位(也即，满足第二条件)，则服务器可以将任务m2对应的任务组G1确定为任务m1对应的目标任务组，并获取目标任务组对应的第一目标消耗参数p1，从而将任务m1对应的第二消耗参数确定为p1。
可选地，本实施例的方法还可以包括如下步骤：
步骤S800’，对各任务组对应的第一目标消耗参数进行展示。
在本实施例中，步骤S800’的实现方式与步骤S500的实现方式相似，在此不再赘述。
容易理解，步骤S800’可以在步骤S700’后执行，也可以在步骤S400’后执行，本实施例不对步骤S800’进行具体限定。
步骤S900’，向至少一个预定终端发送第一消息。
在本步骤中，第一消息根据第二目标消耗参数确定。例如，服务器可以根据待处理任务的第二目标消耗参数调整待处理任务的标准消耗参数(也即，完成待处理任务时可以获得的基本回报)，并根据调整后的标准消耗参数确定待处理任务对应的第一消息，从而向至少一个预定终端发送第一消息，以将待处理任务分配给至少一个任务处理资源。
本实施例在接收到预定数据处理指令后，获取目标任务集合以及各目标任务的第一任务特征，并根据各目标任务的第一任务特征确定各目标任务在不同消耗参数下被接收的概率，进而根据各消耗参数与各目标任务的被接收的概率的对应关系确定的第二任务特征对各目标任务进行聚类，确定多个任务组，从而通过使得目标任务集合的总转化率相对于总消耗参数最优化的方式确定各任务组对应的目标消耗参数。在确定各任务组对应的目标消耗参数后，服务器可以获取至少一个待处理任务的第三任务特征，并根据待处理任务的第三任务特征确定待处理任务在不同消耗参数下被接收的概率，进而根据各消耗参数与待处理任务的被接收的概率的对应关系确定的第四任务特征确定待处理任务的目标任务组，并根据目标任务组对应的目标消耗参数确定待处理任务的目标消耗参数。在本实施例中，消耗参数用于表征任务处理资源在完成任务后能够获得的回报，因此通过本实施例的方法可以提升对于任务回报的调整效率，同时提升对于任务回报的调整的合理性。
图6是本发明第三实施例的数据处理装置的流程图。如图6所示，本实施例的装置包括第一获取单元61、第一确定单元62、聚类单元63以及第二确定单元64。
其中，第一获取单元61用于响应于接收到预定数据处理指令，获取目标任务集合以及所述目标任务集合中各目标任务的第一任务特征。第一确定单元62用于根据各所述第一任务特征确定各所述目标任务在不同消耗参数下的第一转化率，所述第一转化率用于表征所述目标任务被接收的概率。聚类单元63用于根据各第二任务特征对各所述目标任务进行聚类，确定多个任务组，所述第二任务特征包括第一特征，所述第一特征用于表征多个所述消耗参数与各所述第一转化率的对应关系。第二确定单元64用于确定各所述任务组对应的第一目标消耗参数，以最优化所述目标任务集合的总转化率。
进一步地，所述装置还包括第二获取单元65、第三确定单元66和第四确定单元67。
其中，第二获取单元65用于获取待处理任务的第三任务特征。第三确定单元66用于根据所述第三任务特征确定所述待处理任务在不同消耗参数下的第二转化率，所述第二转化率用于表征所述待处理任务被接收的概率。第四确定单元67用于根据第四任务特征确定所述待处理任务对应的目标任务组，并根据所述目标任务组对应的所述第一目标消耗参数确定所述待处理任务对应的第二目标消耗参数，所述第四任务特征包括第二特征，所述第二特征用于表征多个所述消耗参数与各所述第二转化率的对应关系。
进一步地，所述第一确定单元62用于基于预先训练的转化率预测模型，根据各所述第一任务特征确定对应的所述目标任务在各所述消耗参数下的第一转化率，所述转化率预测模型根据历史任务信息训练获得。
进一步地，所述聚类单元63包括第一确定子单元和第二确定子单元。
其中，第一确定子单元用于根据各所述第二任务特征确定各所述目标任务间的第一相似度。第二确定子单元用于将所述第一相似度满足第一条件的多个所述目标任务确定为一个任务组。
进一步地，所述第二确定单元64包括第一求解子单元。
其中，第一求解子单元用于以所述目标任务集合的总消耗参数保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
进一步地，所述第二确定单元64包括第二求解子单元。
其中，第二求解子单元用于以所述总转化率保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
进一步地，所述第三确定单元66用于基于预先训练的转化率预测模型，根据所述第三任务特征确定所述待处理任务在各所述消耗参数下的第二转化率。
进一步地，所述第四确定单元67包括第三确定子单元、第四确定子单元和第五确定子单元。
其中，第三确定子单元用于根据所述第四任务特征以及至少一个所述目标任务的所述第二任务特征确定所述待处理任务与至少一个所述目标任务的第二相似度。第四确定子单元用于响应于所述第二相似度满足第二条件，将所述目标任务对应的任务组确定为所述目标任务组。第五确定子单元用于将所述目标任务组对应的所述第一目标消耗参数确定为所述第二目标消耗参数。
进一步地，所述装置还包括展示单元68。
其中，展示单元68用于对各所述任务组对应的第一目标消耗参数进行展示。
进一步地，所述装置还包括发送单元69。
其中，发送单元69用于向至少一个预定终端发送第一消息，所述第一消息根据所述第二目标消耗参数确定。
本实施例在接收到预定数据处理指令后，获取目标任务集合以及各目标任务的第一任务特征，并根据各目标任务的第一任务特征确定各目标任务在不同消耗参数下被接收的概率，进而根据各消耗参数与各目标任务的被接收的概率的对应关系确定的第二任务特征对各目标任务进行聚类，确定多个任务组，从而通过使得目标任务集合的总转化率相对于总消耗参数最优化的方式确定各任务组对应的目标消耗参数。在确定各任务组对应的目标消耗参数后，服务器可以获取至少一个待处理任务的第三任务特征，并根据待处理任务的第三任务特征确定待处理任务在不同消耗参数下被接收的概率，进而根据各消耗参数与待处理任务的被接收的概率的对应关系确定的第四任务特征确定待处理任务的目标任务组，并根据目标任务组对应的目标消耗参数确定待处理任务的目标消耗参数。在本实施例中，消耗参数用于表征任务处理资源在完成任务后能够获得的回报，因此通过本实施例的方法可以提升对于任务回报的调整效率，同时提升对于任务回报的调整的合理性。
图7是本发明第四实施例的电子设备的示意图。如图7所示，该电子设备：至少包括一个处理器701；以及，与至少一个处理器701通信连接的存储器702；以及，与扫描装置通信连接的通信组件703，通信组件703在处理器701的控制下接收和发送数据；其中，存储器702存储有可被至少一个处理器701执行的指令，指令被至少一个处理器701执行以实现本发明实施例的方法。
具体地，该电子设备包括：一个或多个处理器701以及存储器702，图7中以一个处理器701为例。处理器701、存储器702可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器702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701通过运行存储在存储器702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，即实现上述任务分配方法。
存储器702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702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702可选包括相对于处理器701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702中，当被一个或者多个处理器701执行时，执行上述任意方法实施例中的任务分配方法。
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。
本实施例根据目标提供方对应的至少一个已分配任务的任务属性信息和至少一个任务处理资源的资源属性信息对已分配任务进行分配，并根据至少一个已分配任务确定至少一个相似任务集合，并确定至少一个相似任务集合对应的至少一个任务分配方案及任务分配方案对应的方案属性信息，同时获取已分配任务对应的任务处理资源的资源属性信息和兴趣区域的区域属性信息，进而根据各任务分配方案对应的上述信息确定各任务分配方案的任务完成总时长，从而确定任务分配方案中的目标分配方案以对目标分配方案中的未分配任务进行分配。本实施例的装置可以对已分配任务进行分配，并可以同时将多个未分配任务分配给同一个任务处理资源，有效时提升了订单的分配效率、降低了人力成本，并能够保证订单分配的合理性。
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 (22)

1.一种数据处理方法，其特征在于，所述方法包括：
响应于接收到预定数据处理指令，获取目标任务集合以及所述目标任务集合中各目标任务的第一任务特征；
根据各所述第一任务特征确定各所述目标任务在不同消耗参数下的第一转化率，所述第一转化率用于表征所述目标任务被接收的概率；
根据各第二任务特征对各所述目标任务进行聚类，确定多个任务组，所述第二任务特征包括第一特征，所述第一特征用于表征多个所述消耗参数与各所述第一转化率的对应关系，所述各任务组的目标对象的第一转化率趋势接近；
确定各所述任务组对应的第一目标消耗参数，以使得所述目标任务集合的总转化率相对于总消耗参数最优化。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取待处理任务的第三任务特征；
根据所述第三任务特征确定所述待处理任务在不同消耗参数下的第二转化率，所述第二转化率用于表征所述待处理任务被接收的概率；
根据第四任务特征确定所述待处理任务对应的目标任务组，并根据所述目标任务组对应的所述第一目标消耗参数确定所述待处理任务对应的第二目标消耗参数，所述第四任务特征包括第二特征，所述第二特征用于表征多个所述消耗参数与各所述第二转化率的对应关系。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述第一任务特征确定对应的所述目标任务在不同消耗参数下的第一转化率包括：
基于预先训练的转化率预测模型，根据各所述第一任务特征确定对应的所述目标任务在各所述消耗参数下的第一转化率，所述转化率预测模型根据历史任务信息训练获得。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述目标任务的第二任务特征对各所述目标任务进行聚类，确定多个任务组包括：
根据各所述第二任务特征确定各所述目标任务间的第一相似度；
将所述第一相似度满足第一条件的多个所述目标任务确定为一个任务组。
5.根据权利要求1所述的方法，其特征在于，所述确定各所述任务组对应的第一目标消耗参数包括：
以所述总消耗参数保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
6.根据权利要求1所述的方法，其特征在于，所述确定各所述任务组对应的第一目标消耗参数包括：
以所述总转化率保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
7.根据权利要求2所述的方法，其特征在于，所述根据所述第三任务特征确定所述待处理任务在各所述消耗参数下的第二转化率包括：
基于预先训练的转化率预测模型，根据所述第三任务特征确定所述待处理任务在各所述消耗参数下的第二转化率。
8.根据权利要求2所述的方法，其特征在于，所述根据第四任务特征确定所述待处理任务对应的目标任务组，并根据所述目标任务组对应的所述第一目标消耗参数确定所述待处理任务对应的第二目标消耗参数包括：
根据所述第四任务特征以及至少一个所述目标任务的所述第二任务特征确定所述待处理任务与至少一个所述目标任务的第二相似度；
响应于所述第二相似度满足第二条件，将所述目标任务对应的任务组确定为所述目标任务组；
将所述目标任务组对应的所述第一目标消耗参数确定为所述第二目标消耗参数。
9.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
对各所述任务组对应的第一目标消耗参数进行展示。
10.根据权利要求2所述的方法，其特征在于，所述方法还包括：
向至少一个预定终端发送第一消息，所述第一消息根据所述第二目标消耗参数确定。
11.一种数据处理装置，其特征在于，所述装置包括：
第一获取单元，用于响应于接收到预定数据处理指令，获取目标任务集合以及所述目标任务集合中各目标任务的第一任务特征；
第一确定单元，用于根据各所述第一任务特征确定各所述目标任务在不同消耗参数下的第一转化率，所述第一转化率用于表征所述目标任务被接收的概率；
聚类单元，用于根据各第二任务特征对各所述目标任务进行聚类，确定多个任务组，所述第二任务特征包括第一特征，所述第一特征用于表征多个所述消耗参数与各所述第一转化率的对应关系，所述各任务组的目标对象的第一转化率趋势接近；
第二确定单元，用于确定各所述任务组对应的第一目标消耗参数，以最优化所述目标任务集合的总转化率。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于获取待处理任务的第三任务特征；
第三确定单元，用于根据所述第三任务特征确定所述待处理任务在不同消耗参数下的第二转化率，所述第二转化率用于表征所述待处理任务被接收的概率；
第四确定单元，用于根据第四任务特征确定所述待处理任务对应的目标任务组，并根据所述目标任务组对应的所述第一目标消耗参数确定所述待处理任务对应的第二目标消耗参数，所述第四任务特征包括第二特征，所述第二特征用于表征多个所述消耗参数与各所述第二转化率的对应关系。
13.根据权利要求11所述的装置，其特征在于，所述第一确定单元用于基于预先训练的转化率预测模型，根据各所述第一任务特征确定对应的所述目标任务在各所述消耗参数下的第一转化率，所述转化率预测模型根据历史任务信息训练获得。
14.根据权利要求11所述的装置，其特征在于，所述聚类单元包括：
第一确定子单元，用于根据各所述第二任务特征确定各所述目标任务间的第一相似度；
第二确定子单元，用于将所述第一相似度满足第一条件的多个所述目标任务确定为一个任务组。
15.根据权利要求11所述的装置，其特征在于，所述第二确定单元包括：
第一求解子单元，用于以所述目标任务集合的总消耗参数保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
16.根据权利要求11所述的装置，其特征在于，所述第二确定单元包括：
第二求解子单元，用于以所述总转化率保持固定为约束，求解确定各所述任务组对应的所述第一目标消耗参数。
17.根据权利要求12所述的装置，其特征在于，所述第三确定单元用于基于预先训练的转化率预测模型，根据所述第三任务特征确定所述待处理任务在各所述消耗参数下的第二转化率。
18.根据权利要求12所述的装置，其特征在于，所述第四确定单元包括：
第三确定子单元，用于根据所述第四任务特征以及至少一个所述目标任务的所述第二任务特征确定所述待处理任务与至少一个所述目标任务的第二相似度；
第四确定子单元，用于响应于所述第二相似度满足第二条件，将所述目标任务对应的任务组确定为所述目标任务组；
第五确定子单元，用于将所述目标任务组对应的所述第一目标消耗参数确定为所述第二目标消耗参数。
19.根据权利要求11或12所述的装置，其特征在于，所述装置还包括：展示单元，用于对各所述任务组对应的第一目标消耗参数进行展示。
20.根据权利要求12所述的装置，其特征在于，所述装置还包括：发送单元，用于向至少一个预定终端发送第一消息，所述第一消息根据所述第二目标消耗参数确定。
21.一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1-10中任一项所述的方法。
22.一种电子设备，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实现如权利要求1-10中任一项所述的方法。
CN202010568393.1A 2020-06-19 2020-06-19 数据处理方法、数据处理装置、存储介质和电子设备 Active CN111582408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010568393.1A CN111582408B (zh) 2020-06-19 2020-06-19 数据处理方法、数据处理装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010568393.1A CN111582408B (zh) 2020-06-19 2020-06-19 数据处理方法、数据处理装置、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN111582408A CN111582408A (zh) 2020-08-25
CN111582408B true CN111582408B (zh) 2023-12-29

Family

ID=72122167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010568393.1A Active CN111582408B (zh) 2020-06-19 2020-06-19 数据处理方法、数据处理装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN111582408B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117910707A (zh) * 2024-03-15 2024-04-19 浙江口碑网络技术有限公司 负载评估方法、装置、电子设备和计算机可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2610522A1 (en) * 2007-04-30 2008-10-30 Sean M. O'neill Methods and systems for tracking and attributing activities of guest users
CN104809550A (zh) * 2015-04-03 2015-07-29 北京奇虎科技有限公司 一种数据处理方法和系统
CN107194792A (zh) * 2017-07-05 2017-09-22 深圳市小窝金融信息服务有限公司 一种验真方法及验真系统
CN107292701A (zh) * 2017-05-25 2017-10-24 北京小度信息科技有限公司 订单分组方法和装置
CN107369036A (zh) * 2017-06-23 2017-11-21 镇江五八到家供应链管理服务有限公司 一种基于司机行为特征的激励方法
CN109919551A (zh) * 2019-03-08 2019-06-21 拉扎斯网络科技（上海）有限公司 物流服务提供方法、装置、电子设备及可读存储介质
CN109978246A (zh) * 2019-03-15 2019-07-05 北京三快在线科技有限公司 一种订单信息的处理方法、装置、设备及存储介质
CN109993367A (zh) * 2019-04-04 2019-07-09 拉扎斯网络科技（上海）有限公司 配送时长的估计方法、估计装置、存储介质和电子设备
CN110832537A (zh) * 2018-03-16 2020-02-21 北京嘀嘀无限科技发展有限公司 一种用于在线服务中的奖励发放系统和方法
CN111126843A (zh) * 2019-12-24 2020-05-08 拉扎斯网络科技（上海）有限公司 任务处理方法、系统、电子设备和非易失性存储介质
CN111127154A (zh) * 2019-12-24 2020-05-08 拉扎斯网络科技（上海）有限公司 订单处理方法、装置、服务器和非易失性存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016124118A1 (zh) * 2015-02-02 2016-08-11 北京嘀嘀无限科技发展有限公司 一种订单处理方法与系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2610522A1 (en) * 2007-04-30 2008-10-30 Sean M. O'neill Methods and systems for tracking and attributing activities of guest users
CN104809550A (zh) * 2015-04-03 2015-07-29 北京奇虎科技有限公司 一种数据处理方法和系统
CN107292701A (zh) * 2017-05-25 2017-10-24 北京小度信息科技有限公司 订单分组方法和装置
CN107369036A (zh) * 2017-06-23 2017-11-21 镇江五八到家供应链管理服务有限公司 一种基于司机行为特征的激励方法
CN107194792A (zh) * 2017-07-05 2017-09-22 深圳市小窝金融信息服务有限公司 一种验真方法及验真系统
CN110832537A (zh) * 2018-03-16 2020-02-21 北京嘀嘀无限科技发展有限公司 一种用于在线服务中的奖励发放系统和方法
CN109919551A (zh) * 2019-03-08 2019-06-21 拉扎斯网络科技（上海）有限公司 物流服务提供方法、装置、电子设备及可读存储介质
CN109978246A (zh) * 2019-03-15 2019-07-05 北京三快在线科技有限公司 一种订单信息的处理方法、装置、设备及存储介质
CN109993367A (zh) * 2019-04-04 2019-07-09 拉扎斯网络科技（上海）有限公司 配送时长的估计方法、估计装置、存储介质和电子设备
CN111126843A (zh) * 2019-12-24 2020-05-08 拉扎斯网络科技（上海）有限公司 任务处理方法、系统、电子设备和非易失性存储介质
CN111127154A (zh) * 2019-12-24 2020-05-08 拉扎斯网络科技（上海）有限公司 订单处理方法、装置、服务器和非易失性存储介质

Also Published As

Publication number Publication date
CN111582408A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111598487B (zh) 数据处理和模型训练方法、装置、电子设备和存储介质
CN109819047B (zh) 一种基于激励机制的移动边缘计算资源分配方法
CN105744005A (zh) 客户定位分析方法及服务器
CN113037877B (zh) 云边端架构下时空数据及资源调度的优化方法
CN110991875A (zh) 一种平台用户质量评估系统
US20230247138A1 (en) Methods and internet of things systems for gas operation based on call centers of smart gas
CN111738409B (zh) 一种资源调度的方法及其相关设备
CN107040608A (zh) 一种数据处理方法及系统
Asadi et al. A Markov decision process approach for managing medical drone deliveries
CN112579910A (zh) 信息处理方法、信息处理装置、存储介质和电子设备
CN111582408B (zh) 数据处理方法、数据处理装置、存储介质和电子设备
CN113191533A (zh) 仓库用工预测方法、装置、设备及存储介质
CN116342036B (zh) 一种用于wms的全自动仓储运行控制方法及系统
CN112751785A (zh) 待处理请求发送方法、装置、计算机设备及存储介质
CN107679635A (zh) 基于优先级的客户跟进方法、系统及可读存储介质
CN111429237A (zh) 订单价格的确定方法、装置、服务器及存储介质
CN116187675A (zh) 任务分配方法、装置、设备及存储介质
CN113760550A (zh) 资源分配方法和资源分配装置
CN112596457B (zh) 一种餐厨处置收运智能控制方法及系统
TW202215313A (zh) 供改進預測及資源管理估計潛在需求之通訊裝置及方法
CN113822609A (zh) 物流线路的生成方法、装置以及服务器
CN113780611A (zh) 一种库存管理方法和装置
CN113537853A (zh) 订单分配方法、订单分配装置、可读存储介质及电子设备
CN111738790A (zh) 业务推送方法和推送系统
US20230214767A1 (en) Communications server apparatus and method for simulating supply and demand conditions related to a transport service

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