CN111598487A - 数据处理和模型训练方法、装置、电子设备和存储介质 - Google Patents
数据处理和模型训练方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111598487A CN111598487A CN202010576229.5A CN202010576229A CN111598487A CN 111598487 A CN111598487 A CN 111598487A CN 202010576229 A CN202010576229 A CN 202010576229A CN 111598487 A CN111598487 A CN 111598487A
- Authority
- CN
- China
- Prior art keywords
- task
- prediction
- target
- determining
- time length
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 137
- 238000013507 mapping Methods 0.000 claims description 85
- 238000013145 classification model Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 9
- 238000003066 decision tree Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000003672 processing method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 235000013305 food Nutrition 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明实施例公开了一种数据处理和模型训练方法、装置、电子设备和存储介质。通过获取目标任务的任务属性信息和目标超时率,根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,根据所述目标超时率和所述第二预测时长确定修正时长,根据所述修正时长对第一预测时长进行调整确定完成所述目标任务的最终预测时长。由此,可以使得任务调度过程中超时率可控,提升平台的任务执行效率和用户体验。
Description
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和模型训练方法、装置、电子设备和存储介质。
背景技术
在涉及线下配送的业务中,例如外卖业务和快递业务等,为了提升用户体验,通常会在配送之前预测一个配送时间,使得用户能够合理的安排时间来接收外卖或快递。
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)训练一个机器学习模型,进而在用户下单后,利用该模型预测订单的配送时间。但是,目前的对于任务完成时间的预测并不准确,往往造成超时率不可控。如果使用人工方式或固定加时方式调整任务的预测和调度,仍然会使得超时率不能被控制在合理区间内。
发明内容
有鉴于此,本发明实施例提供了一种数据处理和模型训练方法、装置、电子设备和存储介质,以使得任务调度过程中超时率可控,提升平台的任务执行效率和用户体验。
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:
获取目标任务的任务属性信息和目标超时率,所述目标超时率用于表征所述目标任务超时概率的预期值;
根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,所述第一预测模型用于确定完成所述目标任务的预测时长;
根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,所述第二预测模型用于确定所述第一预测模型的预测误差;
根据所述目标超时率和所述第二预测时长确定修正时长;以及
根据所述第一预测时长和所述修正时长确定完成所述目标任务的最终预测时长。
优选地,根据所述目标超时率和所述第二预测时长确定修正时长包括:
根据所述目标超时率和预先确定的映射关系确定修正倍数,所述映射关系为目标超时率与修正倍数的对应关系;以及
根据所述修正倍数和所述第二预测时间确定所述修正时长。
优选地,根据所述目标超时率和所述第二预测时长确定修正时长包括:
根据所述目标任务属性信息获取所述目标任务的类别;
根据所述目标任务的类别获取对应的映射关系,所述映射关系为预先确定的目标超时率与修正倍数的对应关系;
根据所述目标超时率和所述映射关系确定修正倍数;以及
根据所述修正倍数和所述第二预测时间确定所述修正时长。
优选地,通过预先训练的分类模型根据所述目标任务的任务属性信息获取所述目标任务的类别。
优选地,获取所述预先确定的映射关系包括:
获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
根据所述历史任务的任务属性信息和预先训练的第一预测模型确定历史任务的第一预测时长;
根据所述历史任务的任务属性信息和预先训练的第二预测模型确定历史任务的第二预测时长;以及
根据所述第一预测时长和所述第二预测时长确定所述映射关系。
优选地,所述完成所述目标任务的最终预测时长为所述第一预测时长和所述修正时长之和。
第二方面,本发明实施例提供了一种模型训练方法,所述方法包括:
获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
根据所述历史任务的任务属性信息和预先训练的第一预测模型获取历史任务的第一预测时长,所述第一预测模型用于确定完成所述历史任务的预测时长;
根据所述历史任务的第一预测时长和所述实际时长确定历史任务的时长误差;以及
根据所述历史任务的时长误差训练用于预测第二预测时长的第二预测模型。
优选地,所述历史任务的时长误差为所述第一预测时长与所述实际时长的差值的绝对值。
第三方面,本发明实施例提供了一种数据处理装置,所述装置包括:
信息获取单元,用于获取目标任务的任务属性信息和目标超时率,所述目标超时率用于表征所述目标任务超时概率的预期值;
第一预测单元,用于根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,所述第一预测模型用于确定完成所述目标任务的预测时长;
第二预测单元,用于根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,所述第二预测模型用于确定所述第一预测模型的预测误差;
修正单元,用于根据所述目标超时率和所述第二预测时长确定修正时长;以及
时长确定单元,用于根据所述第一预测时长和所述修正时长确定完成所述目标任务的最终预测时长。
优选地,所述第二预测单元包括:
倍数确定子单元,用于根据所述目标超时率和预先确定的映射关系确定修正倍数,所述映射关系为目标超时率与修正倍数的对应关系;以及
修正时长确定子单元,用于根据所述修正倍数和所述第二预测时间确定所述修正时长,所述修正时长为所述修正倍数与所述第二预测时长的乘积。
优选地,所述第二预测单元包括:
类别确定子单元,用于根据所述目标任务属性信息获取所述目标任务的类别;
映射关系确定子单元,用于根据所述目标任务的类别获取对应的映射关系,所述映射关系为预先确定的目标超时率与修正倍数的对应关系;
倍数确定子单元,用于根据所述目标超时率和所述映射关系确定修正倍数;以及
修正时长确定子单元,用于根据所述修正倍数和所述第二预测时间确定所述修正时长。
优选地,所述类别确定子单元用于通过预先训练的分类模型根据所述目标任务的任务属性信息获取所述目标任务的类别。
优选地,所述装置还包括:
映射关系获取单元,用于获取所述映射关系;
其中,所述映射关系获取单元包括:
训练集获取子单元,用于获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
第一预测时长确定子单元,用于根据所述历史任务的任务属性信息和预先训练的第一预测模型确定历史任务的第一预测时长;
第二预测时长确定子单元,用于根据所述历史任务的任务属性信息和预先训练的第二预测模型确定历史任务的第二预测时长;以及
映射关系确定子单元,用于根据所述第一预测时长和所述第二预测时长确定所述映射关系。
优选地,所述完成所述目标任务的最终预测时长为所述第一预测时长和所述修正时长之和。
第四方面,本发明实施例提供了一种模型训练装置,所述装置包括:
训练集获取单元,用于获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
第一预测单元,用于根据所述历史任务的任务属性信息和预先训练的第一预测模型获取历史任务的第一预测时长,所述第一预测模型用于确定完成所述历史任务的预测时长;
时长差值确定单元,用于根据所述历史任务的第一预测时长和所述实际时长确定历史任务的时长误差;以及
模型训练单元,用于根据所述历史任务的时长误差训练用于预测第二预测时长的第二预测模型。
优选地,所述历史任务的时长差值为所述第一预测时长与所述实际时长的差值的绝对值。
第五方面,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第一方面和第二方面所述的方法。
第六方面,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和第二方面所述的方法。
本发明实施例的技术方案通过获取目标任务的任务属性信息和目标超时率,根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,根据所述目标超时率和所述第二预测时长确定修正时长,根据所述修正时长对第一预测时长进行调整确定完成所述目标任务的最终预测时长。由此,可以使得任务调度过程中超时率可控,提升平台的任务执行效率和用户体验。
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是本发明实施例的业务处理系统的示意图;
图2是本发明实施例的数据处理方法的流程图;
图3是本发明实施例的训练第二预测模型的流程图;
图4是本发明实施例的确定修正时长的流程图;
图5是本发明实施例的确定修正时长的流程图;
图6是本发明实施例的映射关系的示意图;
图7是本发明实施例的获取映射关系的流程图;
图8是本发明实施例的预测时长的装置的示意图;
图9是本发明实施例的模型训练装置的示意图;
图10是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。
同时,应当理解,在以下的描述中,“电路”是指由至少一个元件或子电路通过电气连接或电磁连接构成的导电回路。当称元件或电路“连接到”另一元件或称元件/电路“连接在”两个节点之间时,它可以是直接耦接或连接到另一元件或者可以存在中间元件,元件之间的连接可以是物理上的、逻辑上的、或者其结合。相反,当称元件“直接耦接到”或“直接连接到”另一元件时,意味着两者不存在中间元件。
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是本发明实施例的业务处理系统的示意图。如图1所示,本发明实施例的业务处理系统包括至少一个任务发布终端1、至少一个服务器2、至少一个第一任务处理终端3和至少一个第二任务处理终端4。本实施例以一个任务发布终端1、一个服务器2、一个任务处理终端3和一个第二任务处理终端4为了进行说明。其中,任务发布终端1、服务器2、第一任务处理终端3和第二任务处理终端4通过网络进行通信连接。用户可以通过任务发布终端1在预定应用软件、预定网页等进行商品选购操作。用户在完成选购(也即,确认下单)后,任务发布终端1可以向服务器2发送根据用户选购操作生成的订单。服务器2在接收到餐品订单后,可以通过各种现有的方式对餐品订单进行分配,并可以将餐品订单的任务分配结果发送至第一任务处理终端3和第二任务处理终端4,以使得第一任务处理终端3和第二任务处理终端4对应的任务处理资源对餐品订单进行处理。
进一步地,以任务为外卖订单为例进行说明,其中,任务发布终端1为订餐用户使用的终端设备,服务器2为外卖平台,第一任务处理终端3为配送人员使用的终端设备,第二任务处理终端4为商户使用的终端设备。
具体地,用户通过任务发布终端1下单后,服务器2根据订单信息为该订单分配一个配送人员对该订单进行配送,并将分配结果发送至第一任务处理终端3和第二任务处理终端4。为了提升用户体验,使得用户可以合理的安排时间来接收订单,服务器2还通过会对该订单的配送时长进行预测,并将预测时长发送给任务发布终端1和第二任务处理终端4显示。但是,由于配送过程中各种因素的影响,使得一部分订单配送的实际时长要超过预测时长。现有技术中不能将超时率控制在一个合适区间内。其中,超时率是指一段时间内,订单的实际配送时长大于预测时长的订单数量与订单总数量的比值。
由此,本发明实施例的服务器根据任务属性信息增加一个修正时长来对预测时长进行调整,以将超时率控制在一个合适的区间内。
应理解,本发明实施例以任务为外卖订单为了进行说明,但本发明实施例的技术方案不仅限于外卖订单,其它涉及到处理超时的任务同样适用。
图2是本发明实施例的数据处理方法的流程图。如图2所示,本发明实施例的数据处理方法包括如下步骤:
步骤S210、获取目标任务的任务属性信息和目标超时率。
在本实施例中,在应用于互联网点餐送餐平台的应用场景下时,所述任务属性信息可以包括配送时段、商户标识、配送区域、天气等级、配送距离、配送压力、待配送订单数量以及商户备餐时长中的一项或多项。
对于配送时段,设定将一天24小时划分为M个周期,24/M个小时为一个配送时间段。商户标识为商户所在位置信息。配送区域为用户所在位置信息。天气等级为该配送时间段内的天气状况。配送距离为商户与用户之间的距离。配送压力为当前未分配的订单数量与配送人员数量的比值。待配送订单数量为配送人员未送达的订单数量。餐厅历史出餐时长和餐厅历史配送时长为外卖订单在餐厅维度的历史影响因素。
在本实施例中,所述目标超时率用于表征所述目标任务超时概率的预期值。具体地,目标超时率可以根据城市、配送时间段等进行预先设置。例如,对于A城市,可以将超时率设置为第一值(如15%),对于B城市,可以将超时率设置为第二值(如18%),这样可以根据城市的不同获取对应的目标超时率。又例如,对于每天的用餐高峰期,可以将超时率设置的较高(如20%),其它时间段将超时率设置为较低值(例如10%),这样可以根据配送时间的不同获取对应的目标超时率。
步骤S220、根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长。
在本实施例中,所述第一预测模型用于确定完成所述目标任务的预测时长。
可选地,第一预测模型可以为XGBoost。XGBoost(eXtreme Gradient Boosting,极端梯度提升树)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泛化能力,或者说具有更强的普适性。XGBoost通常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,确定任务分配方案对应的任务完成总时长实际为一种值预测(也即,结果预测)问题,因此属于回归问题的一种。可选地,时长预测模型还可以为其他模型,例如卷积神经网络、循环神经网络等,本实施例不做限定。
时长预测模型根据多个历史任务的任务属性信息和实际配送时长训练获得,其中,任务属性信息包括历史任务配送时段、商户标识、配送区域、天气等级、配送距离、配送压力、待配送订单数量以及商户备餐时长中的一项或多项。在对第一预测模型进行训练时,输入根据各历史任务的任务属性信息,输出根据对应的历史任务完成的实际时长。由此,在将目标任务的任务属性信息输入训练好的时长预测模型后,服务器可以较为准确地确定目标任务的第一预测时长。
步骤S230、根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长。
在本实施例中,所述第二预测模型用于确定所述第一预测模型的预测误差。
进一步地,所述第二预测模型通过预先训练获取。具体地,训练所述第二预测模型的步骤可参照图3,如图3所示,包括如下步骤:
步骤S310、获取训练集。
在本实施例中,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长。
进一步地,所述任务属性信息包括配送时段、商户标识、配送区域、天气等级、配送距离、订单价格、配送压力、待配送订单数量以及商户备餐时长中的一项或多项。
步骤S320、根据所述历史任务的任务属性信息和预先训练的第一预测模型获取历史任务的第一预测时长。
在本实施例中,所述第一预测模型用于确定完成所述历史任务的预测时长。
进一步地,通过预先训练的第一预测模型预测各历史任务的第一预测时长。
步骤S330、根据所述历史任务的第一预测时长和所述实际时长确定历史任务的时长误差。
在本实施例中,根据所述历史任务的第一预测时长和所述实际时长确定各历史任务的时长误差,所述历史任务的时长误差为所述第一预测时长与所述实际时长的差值的绝对值。
步骤S340、根据所述历史任务的时长差值训练用于预测第二预测时长的第二预测模型。
在本实施例中,所述各历史任务的任务属性信息和对应的时长误差作为输入以对预定的模型进行训练获取所述第二预测模型。
可选地,所述第二预测模型为梯度提升树模型(Gradient Boosting DecisionTree,GBDT)。梯度提升树模型是一种迭代的决策树算法,由若干棵决策树组成。梯度提升树模型是一种决策树与提升方法(比如Boosting)相结合的模型,其核心思想是:在构建一系列决策树的过程中,后一棵决策树所学习的是前面所有决策树的结论和残差,当后一棵决策树的残差小于设置的阈值或者达到迭代次数,则模型终止训练,通过这种不断拟合前面决策树残差的方式最终得到若干棵决策树。对待测样本,梯度提升树模型输出结果为k棵决策树的输出结果之和。
步骤S240、根据所述目标超时率和所述第二预测时长确定修正时长。
在一个可选的实现方式中,所有任务可以共用一个映射关系,具体地,根据目标超时率和第二预测时长确定修正时长如图4所示,包括如下步骤:
步骤S410、根据所述目标超时率和预先确定的映射关系确定修正倍数。
在本实施例中,根据所述目标超时率和预先确定的映射关系确定修正倍数,所述映射关系为超时率与修正倍数的对应关系。
步骤S420、根据所述修正倍数和所述第二预测时间确定所述修正时长。
在本实施例中,所述修正时长为所述修正倍数与所述第二预测时长的乘积,具体地,计算所述修正时长的公式如下:
Ta=N*T2
其中,N为修正倍数,T2为第二预测时长,Ta为修正时长。
由此,即可根据目标超时率和第二预测时长确定修正时长,同时,由于,不同任务的任务属性信息不同,对应的第二预测时长也不同,使得最终确定的修正时长也不同。
在另一个可选的实现方式中,不同类型的任务对应不同的映射关系,具体地,根据目标超时率和第二预测时长确定修正时长如图5所示,包括如下步骤:
步骤S510、根据所述目标任务属性信息获取所述目标任务的类别。
可选地,通过预先训练的分类模型根据所述目标任务的任务属性信息获取所述目标任务的类别。
进一步地,训练一个分类模型,通过分类模型根据目标任务的任务属性信息确定目标任务的类别,进而根据目标任务的类别选择对应的映射关系。
进一步地,获取预先训练的分类模型包括如下步骤:
步骤S511获取训练集。
在本实施例中,获取多个历史任务和对应的任务属性信息,根据预定的规则标记每一个历史任务的分类信息作为标签,将每个历史任务的任务属性信息和对应的分类信息作为一个训练样本。
进一步地,在预定的规则可以是历史配送时间、历史配送距离等中的一种或多种。
在本实施例中,任务属性信息包括历史任务配送时段、商户标识、配送区域、天气等级、配送距离、配送压力、待配送订单数量以及商户备餐时长中的一项或多项。
步骤S512、根据所述历史任务的任务属性信息和对应分类信息训练用于对目标任务进行分类的分类模型。
在本实施例中,将步骤S512中获取到的训练样本输入到初始化的分类模型进行训练以获取用于对目标任务进行分类的分类模型。
进一步地,所述分类模型可以通过现有的各种二分类或多分类模型实现,例如,支持向量机(Support Vector Machine,SVM)、神经网络(Neural Network)和最大熵模型(Maximum entropy model)等。
步骤S520、根据所述目标任务的类别获取对应的映射关系,所述映射关系为预先确定的目标超时率与修正倍数的对应关系。
在本实施例中,预先获取各个任务类别对应的映射关系,根据所述目标任务的类别获取对应的预先确定的映射关系,所述映射关系为目标超时率与修正倍数的对应关系。
步骤S530、根据所述目标超时率和所述映射关系确定修正倍数。
步骤S540、根据所述修正倍数和所述第二预测时间确定所述修正时长。
进一步地,步骤S530和步骤S540可参照上述步骤S410-S420,在此不再赘述。
由此,即可根据目标任务的任务类别确定对应的映射关系,使得相同超时率下,不同任务类别的任务对应的修正倍数也不同,提高修正时长的精确度。
进一步地,映射关系可参照图6,图6示出了超时率与修正倍数的对应关系,由图6可知,每个修正倍数都有一个超时率与之对应,同时,修正倍数越大,对应的超时率越低。
应理解,图6仅给出了映射关系的一种示例,在实际应用中,可能由于地区的不同,同一修正倍数对应的超时率也不同。同时,同一地区,由于任务类别不同,统一超时率对应的修正倍数也不同。具体可根据实际应用场景确定对应的映射关系。具体地,获取所述预先确定的映射关系可参照图7,包括如下步骤:
步骤S710、获取训练集。
在本实施例中,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长。
进一步地,所述任务属性信息可以包括配送时段、商户标识、配送区域、天气等级、配送距离、订单价格、配送压力、待配送订单数量以及商户备餐时长中的一项或多项。
步骤S720、根据所述历史任务的任务属性信息和预先训练的第一预测模型确定历史任务的第一预测时长。
在本实施例中,根据所述历史任务的任务属性信息和预先训练的第一预测模型确定历史任务的第一预测时长,其中,所述第一预测模型通过预先训练获取,具体可参照上述步骤S220,在此不再赘述。
步骤S730、根据所述历史任务的任务属性信息和预先训练的第二预测模型确定历史任务的第二预测时长。
在本实施例中,根据所述历史任务的任务属性信息和预先训练的第二预测模型确定历史任务的第二预测时长,其中,所述第二预测模型通过预先训练获取,具体可参照上述步骤S310-S340,在此不再赘述。
步骤S740、根据所述第一预测时长和所述第二预测时长确定所述映射关系。
在本实施例中,根据上述获取的第一预测时长和第二预测时长确定映射关系,包括如下步骤:
步骤S741、确定修正倍数的初始值和变化梯度。
在本实施例中,预先设置修正倍数N的变化区间,根据所述变化区间确定一个修正倍数的初始值以及变化梯度,所述变化梯度为修正倍数每次递增或递减的数值。具体地,假设设置N的变化区间为0-2.0,变化梯度为0.1,初始值可以设定为0或2.0。
步骤S742、根据修正倍数的初始值、第一预测时长和第二预测时长确定个历史任务的最终预测时长。
具体地,根据各历史任务的第一预测时长和第二预测时长计算各修正倍数对应的最终预测时长,具体计算公式为:
Tm=T1+N*T2
其中,T1为所述第一预测时长,T2为所述第二预测时长,N为修正倍数的初始值,Tm为最终预测时长。
步骤S743、获取所述最终预测时长小于实际时长的历史订单数量。
在本实施例中,当最终预测时长小于实际时长时,说明对应的任务配送超时。获取所述最终预测时长小于实际时长的历史任务数量,也即,获取配送超时的任务的数量。
步骤S744、计算修正倍数初始值对应的超时率。
在本实施例中,超时率为最终预测时长小于实际时长的历史任务数量与历史任务总数量的比值。具体地,计算修正倍数初始值对应的超时率的公式如下:
其中,P1为修正倍数初始值对应的超时率,K1(Tm<Tr)为修正倍数初始值对应的配送超时的任务数量,Ks为任务总数量。
步骤S745、根据所述变化梯度调整修正倍数。
在本实施例中,根据变化梯度调整修正倍数,重复上述步骤S14141-S14144,以获取不同修正倍数对应的超时率。
可选地,由于训练集中往往包括大量的训练样本,通过人工统计获取上述映射关系并不现实,由此,本发明实施例可以通过机器学习算法获取上述映射关系。
在一个可选的实现方式中,目标超时率可以根据实际需求在映射关系表中选取一个合适的值,这样可以根据映射关系准确的获取到对应的修正倍数。
在另一个可选的实现方式中,目标超时率可以根据实际需求设置一个合适的值,当映射关系中有该设定的值时,选择对应的修正倍数即可。当映射关系中没有该设定的值时,选择映射关系中最接近该设定值的超时率对应的修正倍数。这样可以使得目标超时率可以根据实际需求灵活设置。
由此,可以根据目标超时率和所述映射关系确定修正倍数N。
应理解,当需要确定不同任务类别的对应的映射关系时,需要重复上述步骤获取不同任务类别的对应的映射关系。
步骤S250、根据所述第一预测时长和所述修正时长确定完成所述目标任务的最终预测时长。
所述完成所述目标任务的最终预测时长为所述第一预测时长和所述修正时长之和。
进一步地,计算最终预测时长的公式如下:
Te=T1+Ta
其中,T1为第一预测时长,Ta为修正时长,Te为最终预测时长。
由此,可以通过第一预测模型较为准确地获取完成目标任务的配送时长,同时,通过修正时长对第一预测模型获取的配送时长进行调整以将任务的超时率控制在合适的范围内,提升平台的任务执行效率和用户体验。
本实施例通过获取目标任务的任务属性信息和目标超时率,根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,根据所述目标超时率和所述第二预测时长确定修正时长,根据所述修正时长对第一预测时长进行调整确定完成所述目标任务的最终预测时长。由此,可以使得任务调度过程中超时率可控,提升平台的任务执行效率和用户体验。
图8是本发明实施例的预测时长的装置的示意图。如图8所示,本发明实施例的预测装置包括信息获取单元81、第一预测单元82、第二预测单元83、修正单元84和时长确定单元85。其中,信息获取单元81用于获取目标任务的任务属性信息和目标超时率。第一预测单元82用于根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,所述第一预测模型用于确定完成所述目标任务的预测时长。第二预测单元83用于根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,所述第二预测模型用于确定所述第一预测模型的预测误差。修正单元84用于根据所述目标超时率和所述第二预测时长确定修正时长。时长确定单元85用于根据所述第一预测时长和所述修正时长确定完成所述目标任务的最终预测时长。
进一步地,所述第二预测单元包括:
倍数确定子单元,用于根据所述目标超时率和预先确定的映射关系确定修正倍数,所述映射关系为目标超时率与修正倍数的对应关系;以及
修正时长确定子单元,用于根据所述修正倍数和所述第二预测时间确定所述修正时长,所述修正时长为所述修正倍数与所述第二预测时长的乘积。
进一步地,所述第二预测单元包括:
类别确定子单元,用于根据所述目标任务属性信息获取所述目标任务的类别;
映射关系确定子单元,用于根据所述目标任务的类别获取对应的映射关系,所述映射关系为预先确定的目标超时率与修正倍数的对应关系;
倍数确定子单元,用于根据所述目标超时率和所述映射关系确定修正倍数;以及
修正时长确定子单元,用于根据所述修正倍数和所述第二预测时间确定所述修正时长。
进一步地,所述类别确定子单元用于通过预先训练的分类模型根据所述目标任务的任务属性信息获取所述目标任务的类别。
进一步地,所述装置还包括:
映射关系获取单元,用于获取所述映射关系;
其中,所述映射关系获取单元包括:
训练集获取子单元,用于获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
第一预测时长确定子单元,用于根据所述历史任务的任务属性信息和预先训练的第一预测模型确定历史任务的第一预测时长;
第二预测时长确定子单元,用于根据所述历史任务的任务属性信息和预先训练的第二预测模型确定历史任务的第二预测时长;以及
映射关系确定子单元,用于根据所述第一预测时长和所述第二预测时长确定所述映射关系。
进一步地,所述完成所述目标任务的最终预测时长为所述第一预测时长和所述修正时长之和。
图9是本发明实施例的模型训练装置的示意图。如图9所示,本发明实施例的模型训练装置包括:训练集获取单元91、第一预测单元92、时长差值确定单元93和模型训练单元94。其中,训练集获取单元91用于获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长。第一预测单元92用于根据所述历史任务的任务属性信息和预先训练的第一预测模型获取历史任务的第一预测时长,所述第一预测模型用于确定完成所述历史任务的预测时长。时长差值确定单元93用于根据所述历史任务的第一预测时长和所述实际时长确定历史任务的时长误差。模型训练单元94用于根据所述历史任务的时长误差训练用于预测第二预测时长的第二预测模型。
进一步地,所述历史任务的时长差值为所述第一预测时长与所述实际时长的差值的绝对值。
本实施例通过获取目标任务的任务属性信息和目标超时率,根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,根据所述目标超时率和所述第二预测时长确定修正时长,根据所述修正时长对第一预测时长进行调整确定完成所述目标任务的最终预测时长。由此,可以使得任务调度过程中超时率可控,提升平台的任务执行效率和用户体验。
图10是本发明实施例的电子设备的示意图。在本实施例中,电子设备包括服务器、终端等。如图10所示,该电子设备:至少包括一个处理器101;以及,与至少一个处理器101通信连接的存储器102;以及,与扫描装置通信连接的通信组件103,通信组件103在处理器101的控制下接收和发送数据;其中,存储器102存储有可被至少一个处理器101执行的指令,指令被至少一个处理器101执行以实现上述数据处理方法和模型训练方法。
具体地,该电子设备包括:一个或多个处理器101以及存储器102,图10中以一个处理器101为例。处理器101、存储器102可以通过总线或者其他方式连接,图10中以通过总线连接为例。存储器102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101通过运行存储在存储器102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和模型训练方法。
存储器102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102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102可选包括相对于处理器101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102中,当被一个或者多个处理器101执行时,执行上述任意方法实施例中的数据处理方法和模型训练方法。
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。
本实施例通过获取目标任务的任务属性信息和目标超时率,根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,根据所述目标超时率和所述第二预测时长确定修正时长,根据所述修正时长对第一预测时长进行调整确定完成所述目标任务的最终预测时长。由此,可以使得任务调度过程中超时率可控,提升平台的任务执行效率和用户体验。
本发明的另一个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。
本发明实施例公开了A1、一种数据处理方法,所述方法包括:
获取目标任务的任务属性信息和目标超时率,所述目标超时率用于表征所述目标任务超时概率的预期值;
根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,所述第一预测模型用于确定完成所述目标任务的预测时长;
根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,所述第二预测模型用于确定所述第一预测模型的预测误差;
根据所述目标超时率和所述第二预测时长确定修正时长;以及
根据所述第一预测时长和所述修正时长确定完成所述目标任务的最终预测时长。
A2、如A1所述的方法中,根据所述目标超时率和所述第二预测时长确定修正时长包括:
根据所述目标超时率和预先确定的映射关系确定修正倍数,所述映射关系为目标超时率与修正倍数的对应关系;以及
根据所述修正倍数和所述第二预测时间确定所述修正时长。
A3、如A1所述的方法中,根据所述目标超时率和所述第二预测时长确定修正时长包括:
根据所述目标任务属性信息获取所述目标任务的类别;
根据所述目标任务的类别获取对应的映射关系,所述映射关系为预先确定的目标超时率与修正倍数的对应关系;
根据所述目标超时率和所述映射关系确定修正倍数;以及
根据所述修正倍数和所述第二预测时间确定所述修正时长。
A4、如A3所述的方法中,通过预先训练的分类模型根据所述目标任务的任务属性信息获取所述目标任务的类别。
A5、如A2或A3所述的方法中,获取预先确定的映射关系包括:
获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
根据所述历史任务的任务属性信息和预先训练的第一预测模型确定历史任务的第一预测时长;
根据所述历史任务的任务属性信息和预先训练的第二预测模型确定历史任务的第二预测时长;以及
根据所述第一预测时长和所述第二预测时长确定所述映射关系。
A6、如A1所述的方法中,所述完成所述目标任务的最终预测时长为所述第一预测时长和所述修正时长之和。
本发明实施例还公开了B1、一种模型训练方法,所述方法包括:
获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
根据所述历史任务的任务属性信息和预先训练的第一预测模型获取历史任务的第一预测时长,所述第一预测模型用于确定完成所述历史任务的预测时长;
根据所述历史任务的第一预测时长和所述实际时长确定历史任务的时长误差;以及
根据所述历史任务的时长误差训练用于预测第二预测时长的第二预测模型。
B2、如B1所述的方法中,所述历史任务的时长误差为所述第一预测时长与所述实际时长的差值的绝对值。
本发明实施例还公开了C1、一种数据处理装置,所述装置包括:
信息获取单元,用于获取目标任务的任务属性信息和目标超时率,所述目标超时率用于表征所述目标任务超时概率的预期值;
第一预测单元,用于根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,所述第一预测模型用于确定完成所述目标任务的预测时长;
第二预测单元,用于根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,所述第二预测模型用于确定所述第一预测模型的预测误差;
修正单元,用于根据所述目标超时率和所述第二预测时长确定修正时长;以及
时长确定单元,用于根据所述第一预测时长和所述修正时长确定完成所述目标任务的最终预测时长。
C2、如C1所述的装置中,所述第二预测单元包括:
倍数确定子单元,用于根据所述目标超时率和预先确定的映射关系确定修正倍数,所述映射关系为目标超时率与修正倍数的对应关系;以及
修正时长确定子单元,用于根据所述修正倍数和所述第二预测时间确定所述修正时长,所述修正时长为所述修正倍数与所述第二预测时长的乘积。
C3、如C1所述的装置中,所述第二预测单元包括:
类别确定子单元,用于根据所述目标任务属性信息获取所述目标任务的类别;
映射关系确定子单元,用于根据所述目标任务的类别获取对应的映射关系,所述映射关系为预先确定的目标超时率与修正倍数的对应关系;
倍数确定子单元,用于根据所述目标超时率和所述映射关系确定修正倍数;以及
修正时长确定子单元,用于根据所述修正倍数和所述第二预测时间确定所述修正时长。
C4、如C3所述的装置中,所述类别确定子单元用于通过预先训练的分类模型根据所述目标任务的任务属性信息获取所述目标任务的类别。
C5、如C2或C3所述的装置中,所述装置还包括:
映射关系获取单元,用于获取所述映射关系;
其中,所述映射关系获取单元包括:
训练集获取子单元,用于获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
第一预测时长确定子单元,用于根据所述历史任务的任务属性信息和预先训练的第一预测模型确定历史任务的第一预测时长;
第二预测时长确定子单元,用于根据所述历史任务的任务属性信息和预先训练的第二预测模型确定历史任务的第二预测时长;以及
映射关系确定子单元,用于根据所述第一预测时长和所述第二预测时长确定所述映射关系。
C6、如C1所述的装置中,所述完成所述目标任务的最终预测时长为所述第一预测时长和所述修正时长之和。
本发明实施例还公开了D1、一种模型训练装置,所述装置包括:
训练集获取单元,用于获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
第一预测单元,用于根据所述历史任务的任务属性信息和预先训练的第一预测模型获取历史任务的第一预测时长,所述第一预测模型用于确定完成所述历史任务的预测时长;
时长差值确定单元,用于根据所述历史任务的第一预测时长和所述实际时长确定历史任务的时长误差;以及
模型训练单元,用于根据所述历史任务的时长误差训练用于预测第二预测时长的第二预测模型。
D2、如D1所述的装置中,所述历史任务的时长误差为所述第一预测时长与所述实际时长的差值的绝对值。
本发明实施例还公开了E1、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A1-A6和A7-A8中任一项所述的方法。
本发明实施例还公开了F1、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A1-A6和A7-A8中任一项所述的方法。
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 (10)
1.一种数据处理方法,其特征在于,所述方法包括:
获取目标任务的任务属性信息和目标超时率,所述目标超时率用于表征所述目标任务超时概率的预期值;
根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,所述第一预测模型用于确定完成所述目标任务的预测时长;
根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,所述第二预测模型用于确定所述第一预测模型的预测误差;
根据所述目标超时率和所述第二预测时长确定修正时长;以及
根据所述第一预测时长和所述修正时长确定完成所述目标任务的最终预测时长。
2.根据权利要求1所述的方法,其特征在于,根据所述目标超时率和所述第二预测时长确定修正时长包括:
根据所述目标超时率和预先确定的映射关系确定修正倍数,所述映射关系为目标超时率与修正倍数的对应关系;以及
根据所述修正倍数和所述第二预测时间确定所述修正时长。
3.根据权利要求1所述的方法,其特征在于,根据所述目标超时率和所述第二预测时长确定修正时长包括:
根据所述目标任务属性信息获取所述目标任务的类别;
根据所述目标任务的类别获取对应的映射关系,所述映射关系为预先确定的目标超时率与修正倍数的对应关系;
根据所述目标超时率和所述映射关系确定修正倍数;以及
根据所述修正倍数和所述第二预测时间确定所述修正时长。
4.根据权利要求3所述的方法,其特征在于,通过预先训练的分类模型根据所述目标任务的任务属性信息获取所述目标任务的类别。
5.根据权利要求2或3所述的方法,其特征在于,获取预先确定的映射关系包括:
获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
根据所述历史任务的任务属性信息和预先训练的第一预测模型确定历史任务的第一预测时长;
根据所述历史任务的任务属性信息和预先训练的第二预测模型确定历史任务的第二预测时长;以及
根据所述第一预测时长和所述第二预测时长确定所述映射关系。
6.一种模型训练方法,其特征在于,所述方法包括:
获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
根据所述历史任务的任务属性信息和预先训练的第一预测模型获取历史任务的第一预测时长,所述第一预测模型用于确定完成所述历史任务的预测时长;
根据所述历史任务的第一预测时长和所述实际时长确定历史任务的时长误差;以及
根据所述历史任务的时长误差训练用于预测第二预测时长的第二预测模型。
7.一种数据处理装置,其特征在于,所述装置包括:
信息获取单元,用于获取目标任务的任务属性信息和目标超时率,所述目标超时率用于表征所述目标任务超时概率的预期值;
第一预测单元,用于根据所述目标任务的任务属性信息和预先训练的第一预测模型确定第一预测时长,所述第一预测模型用于确定完成所述目标任务的预测时长;
第二预测单元,用于根据所述目标任务的任务属性信息和预先训练的第二预测模型确定第二预测时长,所述第二预测模型用于确定所述第一预测模型的预测误差;
修正单元,用于根据所述目标超时率和所述第二预测时长确定修正时长;以及
时长确定单元,用于根据所述第一预测时长和所述修正时长确定完成所述目标任务的最终预测时长。
8.一种模型训练装置,其特征在于,所述装置包括:
训练集获取单元,用于获取训练集,所述训练集包括多个训练样本,所述训练样本包括历史任务的任务属性信息和完成所述历史任务的实际时长;
第一预测单元,用于根据所述历史任务的任务属性信息和预先训练的第一预测模型获取历史任务的第一预测时长,所述第一预测模型用于确定完成所述历史任务的预测时长;
时长差值确定单元,用于根据所述历史任务的第一预测时长和所述实际时长确定历史任务的时长误差;以及
模型训练单元,用于根据所述历史任务的时长误差训练用于预测第二预测时长的第二预测模型。
9.一种电子设备,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1-6中任一项所述的方法。
10.一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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010576229.5A CN111598487B (zh) | 2020-06-22 | 2020-06-22 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010576229.5A CN111598487B (zh) | 2020-06-22 | 2020-06-22 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598487A true CN111598487A (zh) | 2020-08-28 |
CN111598487B CN111598487B (zh) | 2024-03-15 |
Family
ID=72182837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010576229.5A Active CN111598487B (zh) | 2020-06-22 | 2020-06-22 | 数据处理和模型训练方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598487B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052082A (zh) * | 2020-09-01 | 2020-12-08 | 深圳市卡数科技有限公司 | 任务属性优化方法、装置、服务器及存储介质 |
CN113052327A (zh) * | 2021-03-30 | 2021-06-29 | 北京骑胜科技有限公司 | 数据处理方法、装置、可读存储介质和电子设备 |
CN113159281A (zh) * | 2021-03-25 | 2021-07-23 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法和数据处理装置 |
CN113205229A (zh) * | 2021-05-29 | 2021-08-03 | 五八到家有限公司 | 通勤预测时间计算方法及系统、电子设备及存储介质 |
CN113743628A (zh) * | 2021-09-18 | 2021-12-03 | 重庆允成互联网科技有限公司 | 维修响应及时率计算方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105939225A (zh) * | 2016-06-23 | 2016-09-14 | 微梦创科网络科技(中国)有限公司 | 一种业务执行的方法及装置 |
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 |
CN108901079A (zh) * | 2018-06-20 | 2018-11-27 | Oppo(重庆)智能科技有限公司 | 超时时间确定方法、装置、设备及存储介质 |
CN109284956A (zh) * | 2018-08-10 | 2019-01-29 | 北京三快在线科技有限公司 | 一种任务时长确定方法及装置和电子设备 |
CN110533182A (zh) * | 2019-08-01 | 2019-12-03 | 北京三快在线科技有限公司 | 一种数据处理方法及装置 |
CN110543968A (zh) * | 2019-07-30 | 2019-12-06 | 北京三快在线科技有限公司 | 预计送达时间确定方法、装置、电子设备及存储介质 |
CN110826782A (zh) * | 2019-10-25 | 2020-02-21 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
US20200074401A1 (en) * | 2018-08-31 | 2020-03-05 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
-
2020
- 2020-06-22 CN CN202010576229.5A patent/CN111598487B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105939225A (zh) * | 2016-06-23 | 2016-09-14 | 微梦创科网络科技(中国)有限公司 | 一种业务执行的方法及装置 |
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 |
CN108901079A (zh) * | 2018-06-20 | 2018-11-27 | Oppo(重庆)智能科技有限公司 | 超时时间确定方法、装置、设备及存储介质 |
CN109284956A (zh) * | 2018-08-10 | 2019-01-29 | 北京三快在线科技有限公司 | 一种任务时长确定方法及装置和电子设备 |
US20200074401A1 (en) * | 2018-08-31 | 2020-03-05 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
CN110543968A (zh) * | 2019-07-30 | 2019-12-06 | 北京三快在线科技有限公司 | 预计送达时间确定方法、装置、电子设备及存储介质 |
CN110533182A (zh) * | 2019-08-01 | 2019-12-03 | 北京三快在线科技有限公司 | 一种数据处理方法及装置 |
CN110826782A (zh) * | 2019-10-25 | 2020-02-21 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052082A (zh) * | 2020-09-01 | 2020-12-08 | 深圳市卡数科技有限公司 | 任务属性优化方法、装置、服务器及存储介质 |
CN113159281A (zh) * | 2021-03-25 | 2021-07-23 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法和数据处理装置 |
CN113052327A (zh) * | 2021-03-30 | 2021-06-29 | 北京骑胜科技有限公司 | 数据处理方法、装置、可读存储介质和电子设备 |
CN113205229A (zh) * | 2021-05-29 | 2021-08-03 | 五八到家有限公司 | 通勤预测时间计算方法及系统、电子设备及存储介质 |
CN113743628A (zh) * | 2021-09-18 | 2021-12-03 | 重庆允成互联网科技有限公司 | 维修响应及时率计算方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111598487B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598487A (zh) | 数据处理和模型训练方法、装置、电子设备和存储介质 | |
US11126957B2 (en) | Supply chain forecasting system | |
CN107845016B (zh) | 信息输出方法和装置 | |
US20200349499A1 (en) | System and method for management of perpetual inventory values based upon confidence level | |
CN109543132A (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
CN110322093B (zh) | 信息处理方法、信息显示方法、装置及计算设备 | |
CN109949063A (zh) | 一种地址确定方法、装置、电子设备及可读存储介质 | |
CN109697637A (zh) | 对象类别确定方法、装置、电子设备及计算机存储介质 | |
US20220067791A1 (en) | Method and apparatus for forecast shaped pacing in electronic advertising | |
CN110796515A (zh) | 一种房源推荐方法、装置、存储介质及移动终端 | |
CN110750658A (zh) | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 | |
CN111047264A (zh) | 一种物流任务分配方法及装置 | |
CN114416313A (zh) | 基于资源预测模型的任务调度方法和装置 | |
CN111459675A (zh) | 一种数据处理方法、装置、可读存储介质和电子设备 | |
CN112070333A (zh) | 计划制定辅助装置和计划制定辅助方法 | |
CN109978421B (zh) | 信息输出方法和装置 | |
CN111340581B (zh) | 数据处理方法、装置、可读存储介质和电子设备 | |
US11900286B2 (en) | Job value model generation method and system | |
CN111222668A (zh) | 仓库单量预测方法、装置、电子设备和可读存储介质 | |
CN109934523A (zh) | 信息处理方法和装置 | |
CN110390504A (zh) | 一种数据处理的方法、装置、可读存储介质和电子设备 | |
CN112073454B (zh) | 资源分发方法、装置、电子设备 | |
CN111582407B (zh) | 任务处理方法、装置、可读存储介质和电子设备 | |
CN114692479A (zh) | 时间概率分布模型训练方法、配送时间获取方法及装置 |
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 |