CN111754051B - 通行时长预测处理方法及装置 - Google Patents
通行时长预测处理方法及装置 Download PDFInfo
- Publication number
- CN111754051B CN111754051B CN202010716404.6A CN202010716404A CN111754051B CN 111754051 B CN111754051 B CN 111754051B CN 202010716404 A CN202010716404 A CN 202010716404A CN 111754051 B CN111754051 B CN 111754051B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- passing
- building
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 91
- 238000012549 training Methods 0.000 claims description 86
- 230000006399 behavior Effects 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 52
- 230000008859 change Effects 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 30
- 230000001133 acceleration Effects 0.000 description 8
- 230000001413 cellular effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004566 building material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect 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
- 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
- G06Q10/06—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通行时长预测处理方法及装置,其中,通行时长预测处理方法包括:获取配送端的当前订单数据和配送端的设备采集数据;解析当前订单数据,得到目标楼宇和目标楼层;分析设备采集数据,得到配送端相对目标楼宇的楼宇进入时刻;利用经过训练的通行时长预测模型,对目标楼宇、目标楼层以及楼宇进入时刻进行处理,预测得到在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长;将至少一种通行方式对应的通行时长发送给配送端,以供配送端使用。该方案能够便捷、精准地对在相应楼宇内以至少一种通行方式到达相应楼层所需的通行时长进行预测,以便快速地确定较优的通行策略,有效地提升了订单配送效率。
Description
技术领域
本发明涉及互联网技术领域,具体涉及一种通行时长预测处理方法及装置。
背景技术
随着互联网技术的不断发展,越来越多的服务提供方通过互联网平台来为用户提供服务,而很多互联网服务都是通过即时配送的方式完成的。对于提供即时配送服务的互联网平台,例如外卖点餐平台、快递配送平台等,大多是通过配送人员完成物品的配送服务的,而配送人员在配送过程中所花费的时间有很大一部分都集中于室内阶段,当商家或者用户位于楼宇中比较高的楼层中时,配送人员通过电梯、扶梯、楼梯等通行方式到达相应楼层的通行行程将会花费较长时间。虽然与扶梯通行方式和楼梯通行方式相比,搭乘电梯能够较快到达相应楼层,然而对于上下班或者午餐等高峰时段,由于电梯的使用量较高,配送人员需要耗费较长时间来等待电梯,其通行所花费的时长不一定会少于采用扶梯通行方式或者楼梯通行方式通行所花费的时长。当配送人员需要到达楼宇的相应楼层提供配送服务时,配送人员很难快速地根据楼宇具体的通行情况确定出较优的通行策略,尤其是不熟悉楼宇通行情况的配送人员,导致订单配送效率较低。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的通行时长预测处理方法及装置。
根据本发明实施例的一个方面,提供了一种通行时长预测处理方法,该方法包括:
获取配送端的当前订单数据和配送端的设备采集数据;
解析当前订单数据,得到目标楼宇和目标楼层;
分析设备采集数据,得到配送端相对目标楼宇的楼宇进入时刻;
利用经过训练的通行时长预测模型,对目标楼宇、目标楼层以及楼宇进入时刻进行处理,预测得到在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长;
将至少一种通行方式对应的通行时长发送给配送端,以供配送端使用。
进一步地,设备采集数据包括:通信信号数据;分析设备采集数据,得到配送端相对目标楼宇的楼宇进入时刻进一步包括:
判断设备采集数据中的通信信号数据的强度变化是否符合预设强度变化,若是,则将通信信号数据发生预设强度变化的时刻确定为楼宇进入时刻。
进一步地,在利用经过训练的通行时长预测模型,对目标楼宇、目标楼层以及楼宇进入时刻进行处理之前,该方法还包括:
获取收集到的多个样本端的历史订单数据和多个样本端的设备采集数据;
针对每个样本端,根据样本端的历史订单数据和设备采集数据,得到配送楼宇、配送楼层、样本端相对配送楼宇的楼宇进入时刻以及通行行为数据作为样本端的样本数据;
利用多个样本端的样本数据,构建得到训练样本集合;
利用训练样本集合进行模型训练,得到通行时长预测模型。
进一步地,样本端的设备采集数据包括:样本端的通信信号数据和传感器数据;
针对每个样本端,根据样本端的历史订单数据和设备采集数据,得到配送楼宇、配送楼层、样本端相对配送楼宇的楼宇进入时刻以及通行行为数据作为样本端的样本数据进一步包括:
解析历史订单数据,得到配送楼宇和配送楼层;
分析样本端的通信信号数据,得到样本端相对配送楼宇的楼宇进入时刻;
利用通行行为检测模型,对样本端的通信信号数据和传感器数据进行检测,确定样本端的通行行为数据。
进一步地,通行行为数据包括:通行方式和通行时长;
利用通行行为检测模型,对样本端的通信信号数据和传感器数据进行检测,确定样本端的通行行为数据进一步包括:
检测样本端在楼宇进入时刻之后产生的传感器数据,得到样本端的运动数据;
将运动数据与各种通行方式对应的运动特征进行匹配,将相匹配的运动特征对应的通行方式确定为样本端的通行方式,并计算运动数据中符合相匹配的运动特征的累计时长;
判断样本端的通行方式是否为电梯通行方式;
若是,则对样本端的通信信号数据和/或传感器数据进行处理,得到乘梯等待时长,并将乘梯等待时长和累计时长的总和确定为样本端的通行时长;若否,则将累计时长确定为样本端的通行时长。
进一步地,在构建得到训练样本集合之后,该方法还包括:
利用楼层通行拟合模型,模拟在待拟合楼宇内到达待拟合楼层的通行行为数据;
利用待拟合楼宇、待拟合楼层、模拟得到的通行行为数据以及训练样本集合中的样本数据,生成新的样本数据,以得到扩充后的训练样本集合。
进一步地,通行行为数据包括:通行方式和通行时长;
利用训练样本集合进行模型训练,得到通行时长预测模型进一步包括:
从训练样本集合中提取样本端的样本数据;
将提取的样本数据中的配送楼宇、配送楼层、楼宇进入时刻以及通行方式输入至初始通行时长预测模型中进行训练,得到预测通行时长;
根据预测通行时长和样本数据中的通行时长,更新初始通行时长预测模型的权重参数;
循环迭代执行上述步骤,直至满足迭代结束条件,得到通行时长预测模型。
根据本发明实施例的另一方面,提供了一种通行时长预测处理装置,该装置包括:
获取模块,适于获取配送端的当前订单数据和配送端的设备采集数据;
解析模块,适于解析当前订单数据,得到目标楼宇和目标楼层;以及分析设备采集数据,得到配送端相对目标楼宇的楼宇进入时刻;
预测模块,适于利用经过训练的通行时长预测模型,对目标楼宇、目标楼层以及楼宇进入时刻进行处理,预测得到在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长;
发送模块,适于将至少一种通行方式对应的通行时长发送给配送端,以供配送端使用。
进一步地,设备采集数据包括:通信信号数据;解析模块进一步适于:判断设备采集数据中的通信信号数据的强度变化是否符合预设强度变化,若是,则将通信信号数据发生预设强度变化的时刻确定为楼宇进入时刻。
进一步地,获取模块进一步适于:获取收集到的多个样本端的历史订单数据和多个样本端的设备采集数据;
该装置还包括:样本数据处理模块和预测模型训练模块;
样本数据处理模块适于:针对每个样本端,根据样本端的历史订单数据和设备采集数据,得到配送楼宇、配送楼层、样本端相对配送楼宇的楼宇进入时刻以及通行行为数据作为样本端的样本数据;利用多个样本端的样本数据,构建得到训练样本集合;
预测模型训练模块适于:利用训练样本集合进行模型训练,得到通行时长预测模型。
进一步地,样本端的设备采集数据包括:样本端的通信信号数据和传感器数据;样本数据处理模块进一步适于:
解析历史订单数据,得到配送楼宇和配送楼层;
分析样本端的通信信号数据,得到样本端相对配送楼宇的楼宇进入时刻;
利用通行行为检测模型,对样本端的通信信号数据和传感器数据进行检测,确定样本端的通行行为数据。
进一步地,通行行为数据包括:通行方式和通行时长;样本数据处理模块进一步适于:
检测样本端在楼宇进入时刻之后产生的传感器数据,得到样本端的运动数据;
将运动数据与各种通行方式对应的运动特征进行匹配,将相匹配的运动特征对应的通行方式确定为样本端的通行方式,并计算运动数据中符合相匹配的运动特征的累计时长;
判断样本端的通行方式是否为电梯通行方式;
若是,则对样本端的通信信号数据和/或传感器数据进行处理,得到乘梯等待时长,并将乘梯等待时长和累计时长的总和确定为样本端的通行时长;若否,则将累计时长确定为样本端的通行时长。
进一步地,样本数据处理模块进一步适于:
利用楼层通行拟合模型,模拟在待拟合楼宇内到达待拟合楼层的通行行为数据;
利用待拟合楼宇、待拟合楼层、模拟得到的通行行为数据以及训练样本集合中的样本数据,生成新的样本数据,以得到扩充后的训练样本集合。
进一步地,通行行为数据包括:通行方式和通行时长;预测模型训练模块进一步适于:
从训练样本集合中提取样本端的样本数据;
将提取的样本数据中的配送楼宇、配送楼层、楼宇进入时刻以及通行方式输入至初始通行时长预测模型中进行训练,得到预测通行时长;
根据预测通行时长和样本数据中的通行时长,更新初始通行时长预测模型的权重参数;
循环迭代执行上述步骤,直至满足迭代结束条件,得到通行时长预测模型。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行上述通行时长预测处理方法对应的操作。
根据本发明实施例的再一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述通行时长预测处理方法对应的操作。
根据本发明实施例提供的技术方案,根据配送端的当前订单数据和设备采集数据,能够便捷、精准地对在相应楼宇内以至少一种通行方式到达相应楼层所需的通行时长进行预测,使得配送端侧的配送人员或配送端能够根据预测得到的通行时长便捷、快速地确定较优的通行策略,进而依据较优的通行策略前往相应楼层提供配送服务,有助于缩短配送过程中在楼宇内的通行时长,有效地提升了订单配送效率,提高了订单配送服务质量,实现了订单的快速配送。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的通行时长预测处理方法的流程图;
图2示出了本发明另一实施例提供的通行时长预测处理方法的流程图;
图3示出了本发明实施例提供的通行时长预测处理装置的结构示意图;
图4示出了根据本发明实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的通行时长预测处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取配送端的当前订单数据和配送端的设备采集数据。
配送端可不限于配送人员所使用的安装有配送服务客户端的手机等终端设备,还可包括无人机、机器人、无人车等具备末端配送能力的资源。本领域技术人员可根据实际需要确定配送端,此处不做具体限定。为了能够方便、精准地预测出配送过程中到达目标楼层所需的通行时长,需要获取配送端的当前订单数据和设备采集数据。其中,当前订单数据是指配送端在当前时间段需要处理的或者正在处理的订单的数据,具体可包括:订单生成时间、预计配送时间、待配送物品详情、配送地址、配送联系方式等数据,其中,配送地址可包括取货地址和送货地址,配送联系方式可包括取货方联系方式和送货方联系方式。对于配送端,通常会安装有多个通信器件和传感器,例如蜂窝网通信器件、WIFI通信器件、加速度传感器、角速度传感器、地磁传感器、气压传感器等。设备采集数据是指配送端中的通信器件、传感器等器件采集到的数据,例如可包括由通信器件采集到的通信信号数据,还可包括由传感器采集到的传感器数据等。
服务器会对配送端的历史订单数据和当前订单数据等数据进行存储与管理,那么可从服务器中获取配送端的当前订单数据。以配送端为配送人员所使用的手机等终端设备为例,配送人员需要在配送端中安装对应的配送服务客户端,并利用配送服务客户端接收订单并对订单进行相应处理,那么可通过配送服务客户端在配送人员的授权下获取配送端中的各个通信器件和各个传感器的数据获取权限,从而获取配送端的设备采集数据。其中,当前订单数据和设备采集数据的收集、获取和使用均是经过配送人员、商家、用户等相关对象的授权和认可的。
步骤S102,解析当前订单数据,得到目标楼宇和目标楼层。
通过对配送端的当前订单数据进行解析,能够便捷地获得目标楼宇和目标楼层,目标楼宇是指在当前订单的订单配送过程中所需前往的楼宇,目标楼层是指在当前订单的订单配送过程中所需前往的楼宇中的具体楼层。
步骤S103,分析设备采集数据,得到配送端相对目标楼宇的楼宇进入时刻。
配送端的设备采集数据可用于识别配送端的所处环境和通行行为。考虑到通信器件和某些传感器在室内环境下和室外环境下所采集到的设备采集数据的数值会有明显区别,例如,在室内环境下磁场因会受到金属等建筑材料的影响而不同于室外环境下的磁场,使得地磁传感器在室内环境下和室外环境下采集到的数据存在明显区别;又如,蜂窝网通信器件在室内环境下接收到的蜂窝网通信信号强度和在室外环境下接收到的蜂窝网通信信号强度明显不同等。那么可通过分析配送端的设备采集数据来得到配送端相对目标楼宇的楼宇进入时刻。
步骤S104,利用经过训练的通行时长预测模型,对目标楼宇、目标楼层以及楼宇进入时刻进行处理,预测得到在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长。
为了能够便捷、快速地预测得到到达目标楼层所需的通行时长,可预先利用训练样本集合中的样本数据,训练得到通行时长预测模型,那么在获取了目标楼宇、目标楼层以及楼宇进入时刻之后,可利用通行时长预测模型进行一系列的模型计算,对在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长进行预测。
其中,通行方式可包括:楼梯通行方式、扶梯通行方式和电梯通行方式等。具体地,可仅对以某种特定的通行方式到达目标楼层所需的通行时长进行预测,得到该通行方式对应的通行时长;或者,也可对以多种通行方式到达目标楼层所需的通行时长分别进行预测,得到多种通行方式对应的通行时长。
步骤S105,将至少一种通行方式对应的通行时长发送给配送端,以供配送端使用。
在预测得到至少一种通行方式对应的通行时长之后,就可将至少一种通行方式对应的通行时长发送给配送端。若配送端为配送人员的手机等终端设备,配送端可对至少一种通行方式对应的通行时长进行展示,使得配送端侧的配送人员根据所展示的内容,获知以对应的通行方式到达目标楼层所需的通行时长,以便其确定较优的通行策略;若配送端为无人机、机器人、无人车等,那么配送端可根据接收到的至少一种通行方式对应的通行时长自动地确定较优的通行策略,从而有效地提升了订单配送效率。
本实施例提供的通行时长预测处理方法,根据配送端的当前订单数据和设备采集数据,能够便捷、精准地对在相应楼宇内以至少一种通行方式到达相应楼层所需的通行时长进行预测,使得配送端侧的配送人员或配送端能够根据预测得到的通行时长便捷、快速地确定较优的通行策略,进而依据较优的通行策略前往相应楼层提供配送服务,有助于缩短配送过程中在楼宇内的通行时长,有效地提升了订单配送效率,提高了订单配送服务质量,实现了订单的快速配送。
图2示出了本发明另一实施例提供的通行时长预测处理方法的流程图,如图2所示,该方法包括如下步骤:
步骤S201,获取收集到的多个样本端的历史订单数据和多个样本端的设备采集数据。
为了能够便捷、快速地预测得到到达目标楼层所需的通行时长,可收集样本数据,构建训练样本集合,利用训练样本集合中的样本数据,训练得到通行时长预测模型。具体地,服务器中管理有大量配送端的数据,可从这些配送端中选取多个配送端作为样本对象,为了便于区分,将作为样本对象的配送端称为样本端。本领域技术人员可根据实际需要确定样本端的数量,此处不做具体限定。
为了得到样本数据,在步骤S201中需要获取收集到的多个样本端的历史订单数据和多个样本端的设备采集数据。其中,样本端的历史订单数据是指与样本端的历史订单相关的数据,具体可包括:历史订单的订单生成时间、预计配送时间、配送完成时间、待配送物品详情、配送地址、配送联系方式等数据。样本端的设备采集数据是指样本端中的通信器件、传感器等器件采集到的数据,具体可包括样本端的通信信号数据和传感器数据等。
其中,服务器会对配送端的历史订单数据和当前订单数据等数据进行存储与管理,可从服务器中获取样本端(即作为样本对象的配送端)的历史订单数据。以样本端为配送人员所使用的手机等终端设备为例,考虑到样本端侧的配送人员通常是利用样本端中所安装的配送服务客户端接收订单并对订单进行相应处理,那么可通过配送服务客户端在样本端侧的配送人员的授权下获取样本端中的各个通信器件和各个传感器的数据获取权限,从而获取到样本端的设备采集数据。
可选地,可将获取的多个样本端的历史订单数据和多个样本端的设备采集数据存储至数据库中,以便用于构建训练样本集合。其中,历史订单数据和设备采集数据的收集、获取和使用均是经过配送人员、商家、用户等相关对象的授权和认可的。考虑到设备采集数据中可能包含有异常值或噪声等干扰数据,在获取到样本端的设备采集数据之后,可对设备采集数据进行异常值过滤、去噪、滤波等预处理,以去除干扰数据,有效地降低了噪声,将预处理后的设备采集数据用于后续的样本数据处理中,有助于提高模型预测的准确率。
步骤S202,针对每个样本端,根据样本端的历史订单数据和设备采集数据,得到配送楼宇、配送楼层、样本端相对配送楼宇的楼宇进入时刻以及通行行为数据作为样本端的样本数据。
针对每个样本端,可解析该样本端的历史订单数据来得到配送楼宇和配送楼层。例如,可对历史订单数据中的配送地址进行解析,将配送地址对应的楼宇和楼层分别确定为配送楼宇和配送楼层。具体地,对于订单配送而言,订单配送过程一般包括有前往商家的取货过程和前往用户的送货过程,配送地址包括取货地址和送货地址,那么可将历史订单的取货地址对应的楼宇和楼层分别确定为取货过程对应的配送楼宇和配送楼层,将历史订单的送货地址对应的楼宇和楼层分别确定为送货过程对应的配送楼宇和配送楼层。
配送楼宇的通行环境会在很大程度上受到时间段、工作日、节假日等因素的影响,例如,对于作为办公楼的配送楼宇而言,其在上下班时段和午餐时段的通行人数远远高于在其他时段的通行人数,而对于作为商场的配送楼宇而言,其在节假日的通行人数远远高于在工作日的通行人数。为了能够结合配送楼宇的具体通行情况更为精准地预测通行时长,需要将样本端相对配送楼宇的楼宇进入时刻作为训练数据引入到通行时长预测模型的模型训练中。其中,楼宇进入时刻是指样本端从室外环境进入对应的配送楼宇的时刻,通过样本端的楼宇进入时刻能够反映出样本端侧的配送人员在处理历史订单的过程中进入对应的配送楼宇时所处的时间段以及是否处于节假日等。
其中,样本端的设备采集数据包括样本端的通信信号数据和传感器数据,考虑到样本端中的通信器件和某些传感器在室内环境下和室外环境下所采集到的设备采集数据的数值会有明显区别,例如,在室内环境下磁场因会受到金属等建筑材料的影响而不同于室外环境下的磁场,使得地磁传感器在室内环境下和室外环境下采集到的数据存在明显区别;又如,蜂窝网通信器件在室内环境下接收到的蜂窝网通信信号强度和在室外环境下接收到的蜂窝网通信信号强度明显不同;再如,样本端在进入室内的过程中,其WIFI通信器件检测到的WIFI通信信号强度很可能会出现信号强度突然大幅度减弱或大幅度增强的变化。那么可通过分析样本端的设备采集数据来得到样本端相对配送楼宇的楼宇进入时刻。具体地,可通过解析样本端的历史订单数据,便捷地得到历史订单对应的配送楼宇和订单处理时间段,分析样本端在该订单处理时间段内产生的设备采集数据,得到样本端相对该配送楼宇的楼宇进入时刻。例如,可判断样本端的设备采集数据中的通信信号数据的强度变化是否符合预设强度变化,若是,说明样本端从室外环境进入到了室内环境中,即样本端进入到了配送楼宇中,则将通信信号数据发生预设强度变化的时刻确定为楼宇进入时刻。其中,预设强度变化可根据蜂窝网通信器件、WIFI通信器件等通信器件在从室外环境进入到室内环境中时所检测到的通信信号数据的强度变化而设置,此处不做具体限定。
针对每个样本端,除了需要确定配送楼宇、配送楼层以及楼宇进入时刻之外,还需确定其通行行为数据,通行行为数据包括通行方式和通行时长。为了能够便捷、精准地确定样本端的通行行为数据,可预先综合分析以各种通行方式进行通行时所采集到的通信信号数据和传感器数据,确定各种通行方式对应的运动特征,构建通行行为检测模型,用于检测不同的通行行为。其中,通行方式包括:楼梯通行方式、扶梯通行方式和电梯通行方式,而扶梯通行方式又可根据其是否伴随步行进一步分为未伴随步行的扶梯通行方式和伴随步行的扶梯通行方式。通过数据分析可知,楼梯通行方式对应的运动特征包括:存在步行行为且存在比较明显的沿着大地坐标轴斜向持续的加速度;未伴随步行的扶梯通行方式对应的运动特征包括:不存在步行行为且沿着大地坐标轴的斜向加速度明显大于楼梯通行方式对应的斜向加速度;伴随步行的扶梯通行方式对应的运动特征包括:存在步行行为且沿着大地坐标轴的斜向加速度明显大于楼梯通行方式的斜向加速度;电梯通行方式对应的运动特征包括:沿着大地坐标轴存在加速度减速交替变化,且地磁传感器采集的传感器数据也会因电梯金属材料的存在而产生变化,另外气压传感器采集到的传感器数据也会因电梯的快速上升和快速下降而产生明显变化。
在步骤S202中可利用所建立的通行行为检测模型,对样本端的通信信号数据和传感器数据进行检测,确定样本端的通行行为数据。具体地,可利用通行行为检测模型,检测样本端在楼宇进入时刻之后产生的传感器数据,得到样本端的运动数据,运动数据可包括步行数据和沿着大地坐标轴的加速度等;将运动数据与各种通行方式对应的运动特征进行匹配,将相匹配的运动特征对应的通行方式确定为样本端的通行方式,并计算运动数据中符合相匹配的运动特征的累计时长。例如,某样本端的运动数据的时间范围为2018年3月6日12:15:00至2018年3月6日12:25:00,其中,该运动数据在2018年3月6日12:16:15至2018年3月6日12:20:15的时间范围内的数据部分符合楼梯通行方式对应的运动特征,其他数据部分均不符合各种通行方式对应的运动特征,那么说明该运动数据与楼梯通行方式对应的运动特征相匹配,则将该样本端的通行方式确定为楼梯通行方式,并根据运动数据中符合相匹配的运动特征的数据部分所对应的时间范围来计算累计时长,那么所计算得到的累计时长为4分钟。
考虑到对于电梯通行方式,其对应的通行时长除了包括在电梯里搭乘电梯的时长之外,还需包括乘梯等待时长,对于上下班等通行高峰时段,乘梯等待时长可能会远远大于实际在电梯里搭乘电梯的时长,那么在完成对样本端的通行方式的检测后,还需判断样本端的通行方式是否为电梯通行方式,针对电梯通行方式还需计算乘梯等待时长。其中,判断样本端的通行方式是否为电梯通行方式;若是,则对样本端的通信信号数据和/或传感器数据进行处理,得到乘梯等待时长,并将乘梯等待时长和累计时长的总和确定为样本端的通行时长;若否,则将累计时长确定为样本端的通行时长。
具体地,在判断得到样本端的通行方式不为电梯通行方式的情况下,例如样本端的通行方式为楼梯通行方式或者扶梯通行方式,对于这类通行方式,可直接将上述计算得到的累计时长确定为样本端的通行时长。在判断得到样本端的通行方式为电梯通行方式的情况下,可在时序上向前追溯样本端在产生电梯通行行为之前的通信信号数据和/或传感器数据,通过处理通信信号数据和/或传感器数据来得到乘梯等待时长。其中,配送人员在等待电梯时大多是静站在电梯前并可能会伴随如下行为:将其配送端放置在衣服或背包的口袋里、使用配送端中安装的应用程序、利用配送端拨打电话或者仅是单纯地将配送端拿在手中而不使用等。那么可根据样本端的使用情况、样本端的WIFI通信器件等通信器件检测到的通信信号数据以及加速度传感器、角速度传感器、地磁传感器等采集到的传感器数据进行建模,分析样本端的运动状况,例如分析样本端的姿态、是否存在步行行为等,从而计算样本端处于相对静止状态的持续时长,将计算得到的时长作为乘梯等待时长。
针对每个样本端,在得到了该样本端的配送楼宇、配送楼层、楼宇进入时刻以及通行行为数据之后,可将该样本端的上述数据作为该样本端的样本数据,用于构建训练样本集合。另外,考虑到天气等因素也会在一定程度上对通行时长造成影响,可从天气服务器或者样本端中的天气应用程序等中获取与历史订单数据对应的订单处理时间段的天气数据,将天气数据也作为样本数据中的一项数据,用于后续的模型训练中。
步骤S203,利用多个样本端的样本数据,构建得到训练样本集合。
将步骤S202所得到的多个样本端的样本数据添加至训练样本集合,以构建训练样本集合。考虑到训练样本集合中的样本数据所覆盖的配送楼宇、配送楼层可能较少,很难全面地覆盖所有配送楼宇的所有配送楼层,那么可利用楼层通行拟合模型,模拟在待拟合楼宇内到达待拟合楼层的通行行为数据,接着利用待拟合楼宇、待拟合楼层、模拟得到的通行行为数据以及训练样本集合中的样本数据,生成新的样本数据,以得到扩充后的训练样本集合。
具体地,可在训练样本集合中查找数据覆盖较为全面的商户或者用户的配送楼宇,通过对该配送楼宇相关的样本数据进行数值分析,构建楼层通行拟合模型,用于模拟在配送楼宇内以至少一种通行方式到达不同配送楼层所需的通行时长。例如,在以楼梯通行方式进行通行时,因受配送人员体力影响,上楼的速度会随着配送楼层的增高而降低,进而使得通行时长会随着配送楼层的增高而非线性增加;在以扶梯通行方式进行通行时,到达不同配送楼层所需的通行时长与配送楼层近似存在线性关系;在以电梯通行方式进行通行时,其通行时长主要在于乘梯等待时长,不同配送楼层对通行时长的影响相对较小。
在完成楼层通行拟合模型的构建之后,利用所构建的楼层通行拟合模型,模拟在待拟合楼宇内到达待拟合楼层的通行行为数据。其中,待拟合楼宇既可为数据覆盖较为全面的配送楼宇,也可为数据覆盖较为稀疏的配送楼宇,待拟合楼层可为待拟合楼宇中数据覆盖较为稀疏或者缺失数据覆盖的配送楼层。例如对于某待拟合楼宇中数据覆盖较为稀疏的商户或者用户的配送楼层,可利用楼层通行拟合模型,模拟在该待拟合楼宇内以至少一种通行方式到达该配送楼层的所需的通行时长。
在模拟得到了通行行为数据之后,可利用待拟合楼宇、待拟合楼层、模拟得到的通行行为数据对训练样本集合中的样本数据中包含的配送楼宇、配送楼层和通行行为数据进行对应替换处理,生成新的样本数据。通过这种替换方式,能够方便地对训练样本集合进行扩充,使得训练样本集合中的样本数据得到有效增加。
步骤S204,利用训练样本集合进行模型训练,得到通行时长预测模型。
可通过机器学习得到通行时长预测模型。机器学习方法包括但不限于线性回归、逻辑回归、神经网络和梯度提升决策树等。其中,通行时长预测模型的训练过程通过多次迭代完成。可选地,在一次迭代过程中,从训练样本集合中提取一个样本端的样本数据,利用该样本端的样本数据进行模型训练。在本实施例中,通行时长预测模型是根据大量的样本数据进行训练得到的,利用通行时长预测模型能够精准、快速地对配送端在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长进行预测处理,有效地提高了对通行时长的预测准确率以及处理效率。
在一种具体的实施方式中,通行时长预测模型的训练步骤可包括:从训练样本集合中提取样本端的样本数据;将提取的样本数据中的配送楼宇、配送楼层、楼宇进入时刻以及通行方式输入至初始通行时长预测模型中进行训练,得到预测通行时长,若样本数据中还包括天气数据,则将天气数据也输入至初始通行时长预测模型中进行训练;根据预测通行时长和样本数据中的通行时长,更新初始通行时长预测模型的权重参数;循环迭代执行上述步骤,直至满足迭代结束条件,得到通行时长预测模型。具体地,可计算预测通行时长和样本数据中的通行时长之间的损失,得到损失函数,根据损失函数,进行反向传播(backpropagation)运算,通过运算结果更新初始通行时长预测模型的权重参数。迭代结束条件可包括:迭代次数达到迭代次数阈值;和/或,损失函数的输出值小于损失阈值。那么可以通过判断迭代次数是否达到迭代次数阈值来判断是否满足迭代结束条件,也可以根据损失函数的输出值是否小于损失阈值来判断是否满足迭代结束条件。在满足迭代结束条件之后,停止迭代处理,从而得到经过训练的通行时长预测模型,以便后续利用经过训练的通行时长预测模型对配送端在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长进行预测处理。
步骤S205,获取配送端的当前订单数据和配送端的设备采集数据。
其中,可从服务器中获取配送端的当前订单数据,通过配送端中所安装的配送服务客户端获取配送端中的各个通信器件和各个传感器的数据获取权限,依据数据获取权限获取配送端的设备采集数据。当前订单数据可包括订单生成时间、预计配送时间、待配送物品详情、配送地址、配送联系方式等数据;所获取的配送端的设备采集数据可包括配送端中的通信器件采集到的通信信号数据,还可包括配送端中的传感器采集到的传感器数据等。其中,当前订单数据和设备采集数据的收集、获取和使用均是经过配送人员、商家、用户等相关对象的授权和认可的。
在获取了配送端的当前订单数据和设备采集数据之后,即可根据配送端的当前订单数据和设备采集数据,预测在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长。具体地,在本实施例中可通过步骤S206至步骤S208进行实现。
步骤S206,解析当前订单数据,得到目标楼宇和目标楼层。
当前订单数据中的配送地址可包括当前订单的取货地址和送货地址。若配送端的当前订单的订单配送过程为取货过程,那么可解析配送端的当前订单数据中的取货地址,将取货地址对应的楼宇和楼层分别确定为取货过程对应的目标楼宇和目标楼层;若配送端的当前订单的订单配送过程为送货过程,那么可解析配送端的当前订单数据中的送货地址,将送货地址对应的楼宇和楼层分别确定为送货过程对应的目标楼宇和目标楼层。
步骤S207,分析设备采集数据,得到配送端相对目标楼宇的楼宇进入时刻。
所获取的配送端的设备采集数据可包括有通信信号数据。具体地,可判断通信信号数据的强度变化是否符合预设强度变化,若是,则将通信信号数据发生预设强度变化的时刻确定为楼宇进入时刻。楼宇进入时刻能够用于反映配送端进入目标楼宇时所处的时间段以及是否处于节假日等。
步骤S208,利用经过训练的通行时长预测模型,对目标楼宇、目标楼层以及楼宇进入时刻进行处理,预测得到在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长。
在得到了目标楼宇、目标楼层以及楼宇进入时刻之后,可将目标楼宇、目标楼层以及楼宇进入时刻输入至经过训练的通行时长预测模型中进行处理,得到在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长。若在步骤S205中还获取了配送端的天气数据,那么可将天气数据一并输入至经过训练的通行时长预测模型中进行处理。具体地,利用通行时长预测模型,可仅对以某种特定的通行方式(例如电梯通行方式等)到达目标楼层所需的通行时长进行预测,得到该通行方式对应的通行时长;或者,也可对以多种通行方式到达目标楼层所需的通行时长分别进行预测,得到多种通行方式对应的通行时长。
步骤S209,将至少一种通行方式对应的通行时长发送给配送端,以供配送端使用。
在预测得到至少一种通行方式对应的通行时长之后,就可将至少一种通行方式对应的通行时长发送给配送端。其中,若在步骤S208中预测了多种通行方式对应的通行时长,在一种实施方式中,可将多种通行方式对应的通行时长都发送给配送端,若配送端为配送人员的手机等终端设备,配送端可对多种通行方式对应的通行时长进行展示,以供配送端侧的配送人员能够清楚地获知以各种通行方式到达目标楼层所需的通行时长,从而自行从中选择所要采用的通行方式;若配送端为无人机、机器人、无人车等,那么配送端可根据接收到的多种通行方式对应的通行时长自动地确定较优的通行策略。在另一种实施方式中,也可仅将时长最短的一种通行方式对应的通行时长发送给配送端,使得配送端侧的配送人员或者无人机等配送端能够便捷地获得较优的通行策略,实现了通行策略的有效推荐。
本实施例提供的通行时长预测处理方法,通过对样本端的历史订单数据和设备采集数据进行处理,便捷地实现了对训练样本集合的构建,利用训练样本集合中的样本数据进行模型训练得到通行时长预测模型,利用通行时长预测模型能够精准、快速地对在相应楼宇内以至少一种通行方式到达相应楼层所需的通行时长进行预测,有效地提高了对通行时长的预测准确率以及处理效率,为配送过程中的通行决策提供了数据支撑,使得能够根据预测得到的通行时长便捷、快速地确定较优的通行策略,进而依据较优的通行策略前往相应楼层提供配送服务,有助于缩短配送过程中在楼宇内的通行时长,有效地提升了订单配送效率,提高了订单配送服务质量,实现了订单的快速配送,为物流调度提供有效建议。
图3示出了本发明实施例提供的通行时长预测处理装置的结构示意图,如图3所示,该装置包括:获取模块301、解析模块302、预测模块303和发送模块304。
获取模块301适于:获取配送端的当前订单数据和配送端的设备采集数据。
解析模块302适于:解析当前订单数据,得到目标楼宇和目标楼层;以及分析设备采集数据,得到配送端相对目标楼宇的楼宇进入时刻。
预测模块303适于:利用经过训练的通行时长预测模型,对目标楼宇、目标楼层以及楼宇进入时刻进行处理,预测得到在目标楼宇内以至少一种通行方式到达目标楼层所需的通行时长。
发送模块304适于:将至少一种通行方式对应的通行时长发送给配送端,以供配送端使用。
可选地,设备采集数据包括:通信信号数据。解析模块302进一步适于:判断设备采集数据中的通信信号数据的强度变化是否符合预设强度变化,若是,则将通信信号数据发生预设强度变化的时刻确定为楼宇进入时刻。
可选地,获取模块301进一步适于:获取收集到的多个样本端的历史订单数据和多个样本端的设备采集数据。该装置还包括:样本数据处理模块305和预测模型训练模块306。样本数据处理模块305适于:针对每个样本端,根据样本端的历史订单数据和设备采集数据,得到配送楼宇、配送楼层、样本端相对配送楼宇的楼宇进入时刻以及通行行为数据作为样本端的样本数据;利用多个样本端的样本数据,构建得到训练样本集合。预测模型训练模块306适于:利用训练样本集合进行模型训练,得到通行时长预测模型。
可选地,样本端的设备采集数据包括:样本端的通信信号数据和传感器数据。样本数据处理模块305进一步适于:解析历史订单数据,得到配送楼宇和配送楼层;分析样本端的通信信号数据,得到样本端相对配送楼宇的楼宇进入时刻;利用通行行为检测模型,对样本端的通信信号数据和传感器数据进行检测,确定样本端的通行行为数据。
可选地,通行行为数据包括:通行方式和通行时长;样本数据处理模块305进一步适于:检测样本端在楼宇进入时刻之后产生的传感器数据,得到样本端的运动数据;将运动数据与各种通行方式对应的运动特征进行匹配,将相匹配的运动特征对应的通行方式确定为样本端的通行方式,并计算运动数据中符合相匹配的运动特征的累计时长;判断样本端的通行方式是否为电梯通行方式;若是,则对样本端的通信信号数据和/或传感器数据进行处理,得到乘梯等待时长,并将乘梯等待时长和累计时长的总和确定为样本端的通行时长;若否,则将累计时长确定为样本端的通行时长。
可选地,样本数据处理模块305进一步适于:利用楼层通行拟合模型,模拟在待拟合楼宇内到达待拟合楼层的通行行为数据;利用待拟合楼宇、待拟合楼层、模拟得到的通行行为数据以及训练样本集合中的样本数据,生成新的样本数据,以得到扩充后的训练样本集合。
可选地,通行行为数据包括:通行方式和通行时长;预测模型训练模块306进一步适于:从训练样本集合中提取样本端的样本数据;将提取的样本数据中的配送楼宇、配送楼层、楼宇进入时刻以及通行方式输入至初始通行时长预测模型中进行训练,得到预测通行时长;根据预测通行时长和样本数据中的通行时长,更新初始通行时长预测模型的权重参数;循环迭代执行上述步骤,直至满足迭代结束条件,得到通行时长预测模型。
本实施例提供的通行时长预测处理装置,通过对样本端的历史订单数据和设备采集数据进行处理,便捷地实现了对训练样本集合的构建,利用训练样本集合中的样本数据进行模型训练得到通行时长预测模型,利用通行时长预测模型能够精准、快速地对在相应楼宇内以至少一种通行方式到达相应楼层所需的通行时长进行预测,有效地提高了对通行时长的预测准确率以及处理效率,为配送过程中的通行决策提供了数据支撑,使得能够根据预测得到的通行时长便捷、快速地确定较优的通行策略,进而依据较优的通行策略前往相应楼层提供配送服务,有助于缩短过程中在楼宇内的通行时长,有效地提升了订单配送效率,提高了订单配送服务质量,实现了订单的快速配送,为物流调度提供有效建议。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的通行时长预测处理方法。
图4示出了根据本发明实施例的一种计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。如图4所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述通行时长预测处理方法实施例中的相关步骤。具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的通行时长预测处理方法。程序410中各步骤的具体实现可以参见上述通行时长预测处理实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明实施例的内容,并且上面对特定语言所做的描述是为了披露本发明实施例的较佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明示例性实施例的描述中,各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (16)
1.一种通行时长预测处理方法,所述方法包括:
获取配送端的当前订单数据和所述配送端的设备采集数据;
解析所述当前订单数据,得到目标楼宇和目标楼层;
分析所述设备采集数据,通过判断室内外环境磁场变化或者室内外通信信号强度变化,得到所述配送端相对所述目标楼宇的楼宇进入时刻;
利用经过训练的通行时长预测模型,对所述目标楼宇、所述目标楼层以及所述楼宇进入时刻进行处理,预测得到在所述目标楼宇内以至少一种通行方式到达所述目标楼层所需的通行时长;
将至少一种通行方式对应的通行时长发送给所述配送端,以供所述配送端使用。
2.根据权利要求1所述的方法,其中,所述设备采集数据包括:通信信号数据;所述分析所述设备采集数据,通过判断室内外环境磁场变化或者室内外通信信号强度变化,得到所述配送端相对所述目标楼宇的楼宇进入时刻进一步包括:
判断所述设备采集数据中的通信信号数据的强度变化是否符合预设强度变化,若是,则将所述通信信号数据发生预设强度变化的时刻确定为楼宇进入时刻。
3.根据权利要求1所述的方法,其中,在所述利用经过训练的通行时长预测模型,对所述目标楼宇、所述目标楼层以及所述楼宇进入时刻进行处理之前,所述方法还包括:
获取收集到的多个样本端的历史订单数据和多个样本端的设备采集数据;
针对每个样本端,根据所述样本端的历史订单数据和设备采集数据,得到配送楼宇、配送楼层、所述样本端相对所述配送楼宇的楼宇进入时刻以及通行行为数据作为所述样本端的样本数据;
利用多个样本端的样本数据,构建得到训练样本集合;
利用所述训练样本集合进行模型训练,得到通行时长预测模型。
4.根据权利要求3所述的方法,其中,所述样本端的设备采集数据包括:所述样本端的通信信号数据和传感器数据;
所述针对每个样本端,根据所述样本端的历史订单数据和设备采集数据,得到配送楼宇、配送楼层、所述样本端相对所述配送楼宇的楼宇进入时刻以及通行行为数据作为所述样本端的样本数据进一步包括:
解析所述历史订单数据,得到配送楼宇和配送楼层;
分析所述样本端的通信信号数据,得到所述样本端相对所述配送楼宇的楼宇进入时刻;
利用通行行为检测模型,对所述样本端的通信信号数据和传感器数据进行检测,确定所述样本端的通行行为数据。
5.根据权利要求4所述的方法,其中,所述通行行为数据包括:通行方式和通行时长;
所述利用通行行为检测模型,对所述样本端的通信信号数据和传感器数据进行检测,确定所述样本端的通行行为数据进一步包括:
检测所述样本端在所述楼宇进入时刻之后产生的传感器数据,得到所述样本端的运动数据;
将所述运动数据与各种通行方式对应的运动特征进行匹配,将相匹配的运动特征对应的通行方式确定为所述样本端的通行方式,并计算所述运动数据中符合相匹配的运动特征的累计时长;
判断所述样本端的通行方式是否为电梯通行方式;
若是,则对所述样本端的通信信号数据和/或传感器数据进行处理,得到乘梯等待时长,并将所述乘梯等待时长和所述累计时长的总和确定为所述样本端的通行时长;若否,则将所述累计时长确定为所述样本端的通行时长。
6.根据权利要求3-5任一项所述的方法,其中,在所述构建得到训练样本集合之后,所述方法还包括:
利用楼层通行拟合模型,模拟在待拟合楼宇内到达待拟合楼层的通行行为数据;
利用所述待拟合楼宇、待拟合楼层、模拟得到的通行行为数据以及所述训练样本集合中的样本数据,生成新的样本数据,以得到扩充后的训练样本集合。
7.根据权利要求3-5任一项所述的方法,其中,所述通行行为数据包括:通行方式和通行时长;
所述利用所述训练样本集合进行模型训练,得到通行时长预测模型进一步包括:
从所述训练样本集合中提取样本端的样本数据;
将提取的所述样本数据中的配送楼宇、配送楼层、楼宇进入时刻以及通行方式输入至初始通行时长预测模型中进行训练,得到预测通行时长;
根据所述预测通行时长和所述样本数据中的通行时长,更新初始通行时长预测模型的权重参数;
循环迭代执行上述步骤,直至满足迭代结束条件,得到所述通行时长预测模型。
8.一种通行时长预测处理装置,所述装置包括:
获取模块,适于获取配送端的当前订单数据和所述配送端的设备采集数据;
解析模块,适于解析所述当前订单数据,得到目标楼宇和目标楼层;以及分析所述设备采集数据,通过判断室内外环境磁场变化或者室内外通信信号强度变化,得到所述配送端相对所述目标楼宇的楼宇进入时刻;
预测模块,适于利用经过训练的通行时长预测模型,对所述目标楼宇、所述目标楼层以及所述楼宇进入时刻进行处理,预测得到在所述目标楼宇内以至少一种通行方式到达所述目标楼层所需的通行时长;
发送模块,适于将至少一种通行方式对应的通行时长发送给所述配送端,以供所述配送端使用。
9.根据权利要求8所述的装置,其中,所述设备采集数据包括:通信信号数据;所述解析模块进一步适于:判断所述设备采集数据中的通信信号数据的强度变化是否符合预设强度变化,若是,则将所述通信信号数据发生预设强度变化的时刻确定为楼宇进入时刻。
10.根据权利要求8所述的装置,其中,所述获取模块进一步适于:获取收集到的多个样本端的历史订单数据和多个样本端的设备采集数据;
所述装置还包括:样本数据处理模块和预测模型训练模块;
所述样本数据处理模块适于:针对每个样本端,根据所述样本端的历史订单数据和设备采集数据,得到配送楼宇、配送楼层、所述样本端相对所述配送楼宇的楼宇进入时刻以及通行行为数据作为所述样本端的样本数据;利用多个样本端的样本数据,构建得到训练样本集合;
所述预测模型训练模块适于:利用所述训练样本集合进行模型训练,得到通行时长预测模型。
11.根据权利要求10所述的装置,其中,所述样本端的设备采集数据包括:所述样本端的通信信号数据和传感器数据;所述样本数据处理模块进一步适于:
解析所述历史订单数据,得到配送楼宇和配送楼层;
分析所述样本端的通信信号数据,得到所述样本端相对所述配送楼宇的楼宇进入时刻;
利用通行行为检测模型,对所述样本端的通信信号数据和传感器数据进行检测,确定所述样本端的通行行为数据。
12.根据权利要求11所述的装置,其中,所述通行行为数据包括:通行方式和通行时长;所述样本数据处理模块进一步适于:
检测所述样本端在所述楼宇进入时刻之后产生的传感器数据,得到所述样本端的运动数据;
将所述运动数据与各种通行方式对应的运动特征进行匹配,将相匹配的运动特征对应的通行方式确定为所述样本端的通行方式,并计算所述运动数据中符合相匹配的运动特征的累计时长;
判断所述样本端的通行方式是否为电梯通行方式;
若是,则对所述样本端的通信信号数据和/或传感器数据进行处理,得到乘梯等待时长,并将所述乘梯等待时长和所述累计时长的总和确定为所述样本端的通行时长;若否,则将所述累计时长确定为所述样本端的通行时长。
13.根据权利要求10-12任一项所述的装置,其中,所述样本数据处理模块进一步适于:
利用楼层通行拟合模型,模拟在待拟合楼宇内到达待拟合楼层的通行行为数据;
利用所述待拟合楼宇、待拟合楼层、模拟得到的通行行为数据以及所述训练样本集合中的样本数据,生成新的样本数据,以得到扩充后的训练样本集合。
14.根据权利要求10-12任一项所述的装置,其中,所述通行行为数据包括:通行方式和通行时长;所述预测模型训练模块进一步适于:
从所述训练样本集合中提取样本端的样本数据;
将提取的所述样本数据中的配送楼宇、配送楼层、楼宇进入时刻以及通行方式输入至初始通行时长预测模型中进行训练,得到预测通行时长;
根据所述预测通行时长和所述样本数据中的通行时长,更新初始通行时长预测模型的权重参数;
循环迭代执行上述步骤,直至满足迭代结束条件,得到所述通行时长预测模型。
15.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的通行时长预测处理方法对应的操作。
16.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的通行时长预测处理方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716404.6A CN111754051B (zh) | 2020-07-23 | 2020-07-23 | 通行时长预测处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716404.6A CN111754051B (zh) | 2020-07-23 | 2020-07-23 | 通行时长预测处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754051A CN111754051A (zh) | 2020-10-09 |
CN111754051B true CN111754051B (zh) | 2021-01-08 |
Family
ID=72710825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010716404.6A Active CN111754051B (zh) | 2020-07-23 | 2020-07-23 | 通行时长预测处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754051B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117928584A (zh) * | 2020-11-27 | 2024-04-26 | 北京三快在线科技有限公司 | 配送运单显示方法和导航方法 |
CN112860765B (zh) * | 2021-02-07 | 2023-07-28 | 北京百度网讯科技有限公司 | 隧道信息的处理方法、装置、设备以及存储介质 |
CN112907798B (zh) * | 2021-03-30 | 2023-06-27 | 重庆文理学院 | 一种基于5g技术的智能安防系统 |
CN113642959B (zh) * | 2021-08-06 | 2024-07-09 | 上海有个机器人有限公司 | 物品配送任务分配方法、装置、计算机设备及存储介质 |
CN115123885A (zh) * | 2022-07-22 | 2022-09-30 | 江苏苏云信息科技有限公司 | 一种电梯预计到达时间估测系统 |
CN116703010B (zh) * | 2023-08-09 | 2023-10-31 | 民航成都信息技术有限公司 | 一种行李到达时间的预测方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105444765A (zh) * | 2015-11-17 | 2016-03-30 | 广东欧珀移动通信有限公司 | 一种路径生成方法以及用户终端 |
CN109816315A (zh) * | 2019-02-22 | 2019-05-28 | 拉扎斯网络科技(上海)有限公司 | 路径规划方法、装置、电子设备及可读存储介质 |
CN110057368A (zh) * | 2019-05-22 | 2019-07-26 | 合肥工业大学 | 一种新型室内定位与导航方法 |
CN110728553A (zh) * | 2019-09-03 | 2020-01-24 | 耀灵人工智能(浙江)有限公司 | 一种根据需求预测实现高效购物的方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014974B2 (en) * | 2012-10-16 | 2015-04-21 | Qualcomm, Incorporated | Predictive scheduling of navigation tasks |
CN108364085B (zh) * | 2018-01-02 | 2020-12-15 | 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 |
CN108171387B (zh) * | 2018-01-16 | 2021-01-22 | 清华大学 | 面向建筑内部的配送路径优化方法及装置 |
US11151496B2 (en) * | 2018-02-19 | 2021-10-19 | Target Brands, Inc. | Parallel lead time determinations in supply chain architecture |
CN108537365A (zh) * | 2018-03-16 | 2018-09-14 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法及装置 |
US11049040B2 (en) * | 2018-03-17 | 2021-06-29 | Wipro Limited | Method and system for generating synchronized labelled training dataset for building a learning model |
US20200150643A1 (en) * | 2018-05-07 | 2020-05-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN109685276B (zh) * | 2018-12-27 | 2021-01-01 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
CN110750603B (zh) * | 2019-09-06 | 2022-08-12 | 日立楼宇技术(广州)有限公司 | 楼宇服务预测方法、装置、系统、计算机设备和存储介质 |
-
2020
- 2020-07-23 CN CN202010716404.6A patent/CN111754051B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105444765A (zh) * | 2015-11-17 | 2016-03-30 | 广东欧珀移动通信有限公司 | 一种路径生成方法以及用户终端 |
CN109816315A (zh) * | 2019-02-22 | 2019-05-28 | 拉扎斯网络科技(上海)有限公司 | 路径规划方法、装置、电子设备及可读存储介质 |
CN110057368A (zh) * | 2019-05-22 | 2019-07-26 | 合肥工业大学 | 一种新型室内定位与导航方法 |
CN110728553A (zh) * | 2019-09-03 | 2020-01-24 | 耀灵人工智能(浙江)有限公司 | 一种根据需求预测实现高效购物的方法 |
Non-Patent Citations (2)
Title |
---|
Predicting shortest path for goods delivery to fair price shops in India;R. Sathish Kumar;C. Rani;P. Ganesh Kumar;《2017 4th International Conference on Advanced Computing and Communication Systems (ICACCS)》;20171107;第1-5页 * |
基于文本挖掘和集成学习的外卖订单出餐时长预测;吴纲维;《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》;中国学术期刊(光盘版)电子杂志社;20180615(第6期);第H123-119页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111754051A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754051B (zh) | 通行时长预测处理方法及装置 | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
Torbacki et al. | Identifying Key Performance Indicators to be used in Logistics 4.0 and Industry 4.0 for the needs of sustainable municipal logistics by means of the DEMATEL method | |
JP2022000783A (ja) | Eコマースフルフィルメント用の効率的な経路計画のシステム、装置、および方法 | |
JP6774153B2 (ja) | 不正検査を行うシステムおよび方法 | |
CN111325374B (zh) | 一种订单取消概率的预测方法、装置和电子设备 | |
CN111105120B (zh) | 一种工单处理方法及装置 | |
CN111950803A (zh) | 物流对象送达时间预测方法、装置、电子设备及存储介质 | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
CN109902213B (zh) | 实时公交服务线路推荐方法、装置与电子设备 | |
CN108681908A (zh) | 反作弊方法、装置、计算设备及存储介质 | |
CN111353092A (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
CN113393284A (zh) | 订单状态提示方法和装置、存储介质和电子设备 | |
CN110688589A (zh) | 到店识别方法、装置、电子设备及可读存储介质 | |
US11861746B2 (en) | Travel services based on transportation criteria | |
CN112116271A (zh) | 订单数据处理方法及装置 | |
CN110262863B (zh) | 一种终端主界面的展示方法和装置 | |
CN107798118A (zh) | 基于大数据的用户画像构造方法、装置及计算设备 | |
CN111259119A (zh) | 一种问题推荐方法及装置 | |
US20210287266A1 (en) | Subscription based travel service | |
CN111754050A (zh) | 配送对象配送画像的预测方法及装置 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111757272A (zh) | 地铁拥堵程度的预测方法、模型训练方法和装置 | |
CN110825960A (zh) | 一种学习内容推荐方法和装置 | |
CN115345551A (zh) | 货量预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |