CN111798017A - 取货时长的预测方法、装置、存储介质及电子设备 - Google Patents

取货时长的预测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN111798017A
CN111798017A CN201910281652.XA CN201910281652A CN111798017A CN 111798017 A CN111798017 A CN 111798017A CN 201910281652 A CN201910281652 A CN 201910281652A CN 111798017 A CN111798017 A CN 111798017A
Authority
CN
China
Prior art keywords
order
goods taking
target order
duration
distributor
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.)
Pending
Application number
CN201910281652.XA
Other languages
English (en)
Inventor
冯媛媛
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910281652.XA priority Critical patent/CN111798017A/zh
Publication of CN111798017A publication Critical patent/CN111798017A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种取货时长的预测方法、装置、存储介质及电子设备，所述方法包括：将目标订单的历史相关数据、所述目标订单的特征信息以及所述目标订单的配送员的特征信息输入预先建立的第一预测模型，得到所述目标订单的第一取货时长；根据所述配送员的当前位置到所述目标订单的商家地址之间的路径规划信息，确定所述目标订单的第二取货时长；将所述第一取货时长和所述第二取货时长输入预先建立的第二预测模型，得到所述目标订单的取货时长的最终预测结果。通过本公开的技术方案，能够准确地预测订单的取货时长。

Description

取货时长的预测方法、装置、存储介质及电子设备
技术领域
本公开涉及互联网领域，具体地，涉及一种取货时长的预测方法、装置、存储介质及电子设备。
背景技术
随着网络技术的不断发展，即时配送业务日益普及。即时配送业务的订单处理过程通常包括用户下单、商家提供货物、配送员到达商家取货以及将获取送达等过程。
为了方便商家合理安排出货顺序，需要准确预测各个订单的取货时长，即订单的配送员从当前位置到达商家地址所需花费的时长。
现有技术中，通常根据配送员的位置到商家地址之间的路径规划信息预测订单的取货时长。然而，通过该预测方法获得的取货时长的准确率较低。
发明内容
为了克服现有技术中存在的问题，本公开提供一种取货时长的预测方法、装置、存储介质及电子设备。
为了实现上述目的，本公开第一方面提供一种取货时长的预测方法，包括：
将目标订单的历史相关数据、所述目标订单的特征信息以及所述目标订单的配送员的特征信息输入预先建立的第一预测模型，得到所述目标订单的第一取货时长；
根据所述配送员的当前位置到所述目标订单的商家地址之间的路径规划信息，确定所述目标订单的第二取货时长；
将所述第一取货时长和所述第二取货时长输入预先建立的第二预测模型，得到所述目标订单的取货时长的最终预测结果。
可选地，所述方法还包括：
获取样本订单集，并将所述样本订单集的特征信息、所述样本订单集中每一样本订单的特征信息以及每一样本订单的配送员的特征信息作为第一训练数据集；
利用所述第一训练数据集训练xgboost模型，得到所述第一预测模型。
可选地，所述方法还包括：
针对每一样本订单，基于所述第一预测模型对该样本订单进行预测，得到该样本订单的第一取货时长；并且，
根据该样本订单的配送员的实时位置与该样本订单的商家地址之间的路径规划信息，确定该样本订单的第二取货时长；
将各个样本订单的第一取货时长和第二取货时长作为第二训练数据集，利用所述第二训练数据集训练逻辑回归LR模型，得到所述第二预测模型。
可选地，所述第二预测模型为：
P＝W1·Mod1+W2·Mod2
其中，P为所述目标订单的取货时长的最终预测结果；W1为第一预设常数；W2为第二预设常数；Mod1为所述目标订单的第一取货时长；Mod2为所述目标订单的第二取货时长。
可选地，所述方法还包括：
将所述目标订单的取货时长的最终预测结果发送给目的端。
本公开第二方面提供一种取货时长的预测装置，包括：
第一预测模块，用于将目标订单的历史相关数据、所述目标订单的特征信息以及所述目标订单的配送员的特征信息输入预先建立的第一预测模型，得到所述目标订单的第一取货时长；
第一确定模块，用于根据所述配送员的当前位置到所述目标订单的商家地址之间的路径规划信息，确定所述目标订单的第二取货时长；
第二预测模块，用于将所述第一取货时长和所述第二取货时长输入预先建立的第二预测模型，得到所述目标订单的取货时长的最终预测结果。
可选地，所述装置还包括：
获取模块，用于获取样本订单集，并将所述样本订单集的特征信息、所述样本订单集中每一样本订单的特征信息以及每一样本订单的配送员的特征信息作为第一训练数据集；
第一训练模块，用于利用所述第一训练数据集训练xgboost模型，得到所述第一预测模型。
可选地，所述装置还包括：
第三预测模块，用于针对每一样本订单，基于所述第一预测模型对该样本订单进行预测，得到该样本订单的第一取货时长；
第二确定模块，用于针对每一样本订单，根据该样本订单的配送员的实时位置与该样本订单的商家地址之间的路径规划信息，确定该样本订单的第二取货时长；
第二训练模块，用于将各个样本订单的第一取货时长和第二取货时长作为第二训练数据集，利用所述第二训练数据集训练逻辑回归LR模型，得到所述第二预测模型。
可选地，所述第二预测模型为：
P＝W1·Mod1+W2·Mod2
其中，P为所述目标订单的取货时长的最终预测结果；W1为第一预设常数；W2为第二预设常数；Mod1为所述目标订单的第一取货时长；Mod2为所述目标订单的第二取货时长。
可选地，所述装置还包括：
发送模块，用于将所述目标订单的取货时长的最终预测结果发送给目的端。
本公开第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的取货时长的预测方法的步骤。
本公开第四方面提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的取货时长的预测方法。
上述技术方案，至少能够达到以下技术效果：
基于第一预测模型，根据订单的历史相关信息、特征信息以及订单的配送员的特征信息这些与影响取货时长的因素对订单的取货时长进行预测，并通过第二预测模型对第一预测模型输出的第一取货时长和根据配送员的路径规划信息计算的第二取货时长进行综合评估得到取货时长的最终预测结果，相比于现有技术中根据配送员的路径规划信息计算订单的取货时长，本公开提供的技术方案能够准确地预测订单的取货时长。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例示出的一种取货时长的预测方法的流程图；
图2是根据本公开一示例性实施例示出的一种取货时长的预测装置的框图；
图3是根据本公开另一示例性实施例示出的一种取货时长的预测装置的框图；
图4是根据本公开一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开的说明书和权利要求书以及附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必理解为描述特定的顺序或先后次序。
现有技术中预测取货时长的方法，通常基于运筹规划算法获取配送员的当前位置到商家地址之间的路径规划信息，根据路径规划信息逐点获取订单的取货时长。
然而，由于在配送员取货过程中存在多重不确定因素，例如配送员并非完全按照路径规划信息到达商家地址进行取货，配送员在取货过程中受到交通、地形或天气等原因导致取货速度变慢，配送员在收取和配送其他订单时无法联系上用户导致延迟等等，这些因素将导致现有预测方法获得的取货时长的准确率较低。
为了解决上述技术问题，本公开实施例提供一种取货时长的预测方法，以准确预测订单的取货时长。
图1是根据本公开一示例性实施例示出的一种取货时长的预测方法的流程图，如图1所示，该方法包括以下步骤：
在步骤S11中，将目标订单的历史相关数据、目标订单的特征信息以及目标订单的配送员的特征信息输入预先建立的第一预测模型，得到目标订单的第一取货时长。
其中，该方法的执行主体可以是即时配送运营商的服务器，该服务器中存储有大量已送达订单和未送达订单。目标订单为所述该服务器存储的未送达订单中已经分配给配送员，但配送员未取货的订单。
目标订单的历史相关数据可以包括所述目标订单的商家所属区域内的所有商家在预设时间段内(例如从当前时刻起过去30分钟内)的已送达订单的数量以及每一已送达订单的配送员的当前位置到该已送达订单的商家地址之间的路径规划信息，其用于表征目标订单的商家所属区域在预设时间段内的负载变化。
目标订单的特征信息可以包括目标订单的货品在当前所属时间段的价格，其用于表征目标订单的配送难度。
目标订单的配送员的特征信息可以包括该配送员的历史平均配送时长、历史平均取货准时率以及该配送员的当前位置与该目标订单的商家地址之间的直线距离，其用于表征配送员的配送能力。
这些特征信息能够准确地刻画配送员取货的动态情况。
第一预测模型是预先建立的用于预测订单的取货时长的模型，通过将目标订单的历史相关信息、目标订单的特征信息以及目标订单的配送员的特征信息输入该第一预测模型，即可得到目标订单的取货时长的预测结果。
在步骤S12中，根据配送员的当前位置到目标订单的商家地址之间的路径规划信息，确定目标订单的第二取货时长。
可选地，可以通过配送员的用户终端(例如手机)获取配送员的当前位置，基于运筹规划算法，得到从当前位置到商家地址之间的路径规划信息。其中，基于运筹规划算法确定从当前位置到商家地址之间的路径规划信息的具体方式属于本领域技术人员公知的，在本公开中不再详细阐述。
在获取到路径规划信息后，可根据配送员的路径规划信息，逐点确定目标订单的取货时长。示例地，路径规划信息包括配送员从当前位置到达订单A的商家地址A的路径信息、从商家地址A到达订单A的用户地址A的路径信息以及从用户地址A到达目标订单的商家地址的路径信息，相应地，根据每段路径的路径信息计算每段路径的时长，所有路径的时长之和即为目标订单的第二取货时长。
在步骤S13中，将第一取货时长和第二取货时长输入预先建立的第二预测模型，得到目标订单的取货时长的最终预测结果。
第二预测模型是预先建立的用于对第一取货时长和第二取货时长进行综合评估后输出取货时长的最终预测结果的模型。
示例地，该第二预测模型可以是P＝W1·Mod1+W2·Mod2，其中，P为所述目标订单的取货时长的最终预测结果；W1为第一预设常数；W2为第二预设常数；Mod1为所述目标订单的第一取货时长；Mod2为所述目标订单的第二取货时长。
采用上述方法，将机器学习与运筹学相结合，基于第一预测模型，根据订单的历史相关信息、特征信息以及订单的配送员的特征信息这些与影响取货时长的因素对订单的取货时长进行预测，得到第一取货时长，并且利用运筹规划算法，根据配送员的当前位置到订单的商家地址之间的路径规划信息确定订单的第二取货时长，最后通过第二预测模型对第一取货时长和第二取货时长进行综合评估得到取货时长的最终预测结果，相比于现有技术中根据配送员的路径规划信息计算订单的取货时长，本公开提供的技术方案能够准确地预测订单的取货时长。
值得说明的是，在实际应用是，可以每间隔预设时长(例如10分钟)就执行一次上述取货时长的预测方法，以不断更新订单的取货时长，避免配送员的其他未完成订单状态变更等因素导致的取货时长预测不准的情况。
另外，对于上述方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制。例如，上述步骤S11和步骤S12可以同时执行。
在本公开的另一个实施例中，上述取货时长的预测方法还包括第一预测模型的建立方法。该第一预测模型的建立方法包括：获取样本订单集，并将样本订单集的特征信息、样本订单集中每一样本订单的特征信息以及每一样本订单的配送员的特征信息作为第一训练数据集；利用第一训练数据集训练xgboost模型，得到第一预测模型。
其中，样本订单集可以包括大量不同时间段、不同区域内的所有商家的已送达样本订单。样本订单集的特征信息可以包括每一时间段内各个区域内的样本订单的数量以及每一样本订单的配送员的位置到该样本订单的商家地址之间的路线规划信息，其用于表征各个区域在各个时间段的负载变化。
每一样本订单的特征信息包括该样本订单的货品在各个时间段的价格，其用于表征样本订单的配送难度。
每一样本订单的配送员的特征信息包括该配送员的历史平均配送时长、历史平均取货准时率以及该配送员的位置与该样本订单的商家地址之间的直线距离，其用于表征配送员的配送能力。
通过建立第一预测模型，可以从隐含的历史订单信息中挖掘出与取货时长相关的因素。进一步地，基于该第一预测模型进行取货时长预测，可以达到准确预测取货时长的目的。
在本公开的另一个实施例中，上述取货时长的预测方法还包括第二预测模型的建立方法。该第二预测模型的建立方法包括：针对每一样本订单，基于第一预测模型对该样本订单进行预测，得到该样本订单的第一取货时长，并且根据该样本订单的配送员的实时位置与该样本订单的商家地址之间的路径规划信息，确定该样本订单的第二取货时长。最后，将各个样本订单的第一取货时长和第二取货时长作为第二训练数据集，利用第二训练数据集训练逻辑回归(Logistic Regression，LR)，得到第二预测模型。
值得说明的是，根据样本订单的配送员的实时位置与样本订单的商家地址之间的路径规划信息，确定样本订单的第二取货时长的具体方式，可参见对上述步骤S12的描述，在此不再赘述。
通过逻辑回归模型，学习根据第一预测模型预测订单取货时长和根据配送员的路径规划信息确定的订单取货时长这两种方法的融合参数，可以实现二者的最优组合。
在本公开的另一个实施例中，上述取货时长的预测方法还包括：将目标订单的取货时长的最终预测结果发送给目的端。其中，目的端可以包括订单的商家的客户端和/或订购用户的客户端，通过将所述取货时长的最终预测结果发送给商家客户端，可以方便商家根据取货时长的最终预测结果合理安排订单的处理顺序，减少配送员到达商家地址后等待取货的时长。通过将所述取货时长的最终预测结果发送给订购用户客户端，可为订购用户提供准确的取货时长，方便订购用户做后续安排。
本公开实施例提供一种取货时长的预测装置，图2是根据本公开一示例性实施例示出的一种取货时长的预测装置的框图，如图2所示，该装置200包括：
第一预测模块201，用于将目标订单的历史相关数据、所述目标订单的特征信息以及所述目标订单的配送员的特征信息输入预先建立的第一预测模型，得到所述目标订单的第一取货时长；
第一确定模块202，用于根据所述配送员的当前位置到所述目标订单的商家地址之间的路径规划信息，确定所述目标订单的第二取货时长；
第二预测模块203，用于将所述第一取货时长和所述第二取货时长输入预先建立的第二预测模型，得到所述目标订单的取货时长的最终预测结果。
其中，目标订单的历史相关数据可以包括所述目标订单的商家所属区域内的所有商家在预设时间段内的已送达订单的数量以及每一已送达订单的配送员的当前位置到该已送达订单的商家地址之间的路径规划信息，其用于表征目标订单的商家所属区域当前与未来一段时间的负载变化。
目标订单的特征信息可以包括目标订单的货品在当前所属时间段的价格，其用于表征目标订单的配送难度。
目标订单的配送员的特征信息可以包括该配送员的历史平均配送时长、历史平均取货准时率以及该配送员的当前位置与该目标订单的商家地址之间的直线距离，其用于表征配送员的配送能力。
采用上述装置，将机器学习与运筹学相结合，基于第一预测模型，根据订单的历史相关信息、特征信息以及订单的配送员的特征信息这些与影响取货时长的因素对订单的取货时长进行预测，得到第一取货时长，并且利用运筹学，根据配送员的当前位置到订单的商家地址之间的路径规划信息确定订单的第二取货时长，最后通过第二预测模型对第一取货时长和第二取货时长进行综合评估得到取货时长的最终预测结果，相比于现有技术中根据配送员的路径规划信息计算订单的取货时长，本公开提供的技术方案能够准确地预测订单的取货时长。
可选地，如图3所示，所述装置300还包括：
获取模块205，用于获取样本订单集，并将所述样本订单集的特征信息、所述样本订单集中每一样本订单的特征信息以及每一样本订单的配送员的特征信息作为第一训练数据集；
第一训练模块206，用于利用所述第一训练数据集训练xgboost模型，得到所述第一预测模型。
其中，样本订单集可以包括大量不同时间段、不同区域内的所有商家的已送达样本订单。样本订单集的特征信息可以包括每一时间段内各个区域内的样本订单的数量以及每一样本订单的配送员的位置到该样本订单的商家地址之间的路线规划信息，其用于表征各个区域在各个时间段的负载变化。
每一样本订单的特征信息包括该样本订单的货品在各个时间段的价格，其用于表征样本订单的配送难度。
每一样本订单的配送员的特征信息包括该配送员的历史平均配送时长、历史平均取货准时率以及该配送员的位置与该样本订单的商家地址之间的直线距离，其用于表征配送员的配送能力。
通过建立第一预测模型，可以从隐含的历史订单信息中挖掘出与取货时长相关的因素。进一步地，基于该第一预测模型，可以达到准确预测取货时长的目的。
可选地，如图3所示，所述装置200还包括：
第三预测模块207，用于针对每一样本订单，基于所述第一预测模型对该样本订单进行预测，得到该样本订单的第一取货时长；
第二确定模块208，用于针对每一样本订单，根据该样本订单的配送员的实时位置与该样本订单的商家地址之间的路径规划信息，确定该样本订单的第二取货时长；
第二训练模块209，用于将各个样本订单的第一取货时长和第二取货时长作为第二训练数据集，利用所述第二训练数据集训练逻辑回归LR模型，得到所述第二预测模型。
通过逻辑回归模型，学习根据第一预测模型预测订单取货时长和根据配送员的路径规划信息确定的订单取货时长这两种方法的融合参数，可以实现二者的最优组合。
可选地，所述第二预测模型为：
P＝W1·Mod1+W2·Mod2
其中，P为所述目标订单的取货时长的最终预测结果；W1为第一预设常数；W2为第二预设常数；Mod1为所述目标订单的第一取货时长；Mod2为所述目标订单的第二取货时长。
可选地，如图3所示，所述装置200还包括：
发送模块210，用于将所述目标订单的取货时长的最终预测结果发送给目的端。
其中，目的端可以包括订单的商家的客户端和/或订购用户的客户端。通过将所述取货时长的最终预测结果发送给商家客户端，可以方便商家根据取货时长的最终预测结果合理安排订单的处理顺序，减少配送员到达商家地址后等待取货的时长。通过将所述取货时长的最终预测结果发送给订购用户客户端，以为订购用户提供准确的取货时长，方便订购用户做后续安排。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
另外，本领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
本公开实施例还提供一种电子设备，该电子设备包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的取货时长的预测方法。
示例地，图4是根据一示例性实施例示出的一种电子设备400的框图。例如，电子设备400可以被提供为一服务器。参照图4，电子设备400包括处理器422，其数量可以为一个或多个，以及存储器432，用于存储可由处理器422执行的计算机程序。存储器432中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器422可以被配置为执行该计算机程序，以执行上述的取货时长的预测方法。
另外，电子设备400还可以包括电源组件426和通信组件450，该电源组件426可以被配置为执行电子设备400的电源管理，该通信组件450可以被配置为实现电子设备400的通信，例如，有线或无线通信。此外，该电子设备400还可以包括输入/输出(I/O)接口458。电子设备400可以操作基于存储在存储器432的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的取货时长的预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器432，上述程序指令可由电子设备400的处理器422执行以完成上述的取货时长的预测方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (12)

1.一种取货时长的预测方法，其特征在于，包括：
将目标订单的历史相关数据、所述目标订单的特征信息以及所述目标订单的配送员的特征信息输入预先建立的第一预测模型，得到所述目标订单的第一取货时长；
根据所述配送员的当前位置到所述目标订单的商家地址之间的路径规划信息，确定所述目标订单的第二取货时长；
将所述第一取货时长和所述第二取货时长输入预先建立的第二预测模型，得到所述目标订单的取货时长的最终预测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取样本订单集，并将所述样本订单集的特征信息、所述样本订单集中每一样本订单的特征信息以及每一样本订单的配送员的特征信息作为第一训练数据集；
利用所述第一训练数据集训练xgboost模型，得到所述第一预测模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
针对每一样本订单，基于所述第一预测模型对该样本订单进行预测，得到该样本订单的第一取货时长；并且，
根据该样本订单的配送员的实时位置与该样本订单的商家地址之间的路径规划信息，确定该样本订单的第二取货时长；
将各个样本订单的第一取货时长和第二取货时长作为第二训练数据集，利用所述第二训练数据集训练逻辑回归LR模型，得到所述第二预测模型。
4.根据权利要求1所述的方法，其特征在于，所述第二预测模型为：
P＝W1·Mod1+W2·Mod2
其中，P为所述目标订单的取货时长的最终预测结果；W1为第一预设常数；W2为第二预设常数；Mod1为所述目标订单的第一取货时长；Mod2为所述目标订单的第二取货时长。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述目标订单的取货时长的最终预测结果发送给目的端。
6.一种取货时长的预测装置，其特征在于，包括：
第一预测模块，用于将目标订单的历史相关数据、所述目标订单的特征信息以及所述目标订单的配送员的特征信息输入预先建立的第一预测模型，得到所述目标订单的第一取货时长；
第一确定模块，用于根据所述配送员的当前位置到所述目标订单的商家地址之间的路径规划信息，确定所述目标订单的第二取货时长；
第二预测模块，用于将所述第一取货时长和所述第二取货时长输入预先建立的第二预测模型，得到所述目标订单的取货时长的最终预测结果。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取样本订单集，并将所述样本订单集的特征信息、所述样本订单集中每一样本订单的特征信息以及每一样本订单的配送员的特征信息作为第一训练数据集；
第一训练模块，用于利用所述第一训练数据集训练xgboost模型，得到所述第一预测模型。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第三预测模块，用于针对每一样本订单，基于所述第一预测模型对该样本订单进行预测，得到该样本订单的第一取货时长；
第二确定模块，用于针对每一样本订单，根据该样本订单的配送员的实时位置与该样本订单的商家地址之间的路径规划信息，确定该样本订单的第二取货时长；
第二训练模块，用于将各个样本订单的第一取货时长和第二取货时长作为第二训练数据集，利用所述第二训练数据集训练逻辑回归LR模型，得到所述第二预测模型。
9.根据权利要求6所述的装置，其特征在于，所述第二预测模型为：
P＝W1·Mod1+W2·Mod2
其中，P为所述目标订单的取货时长的最终预测结果；W1为第一预设常数；W2为第二预设常数；Mod1为所述目标订单的第一取货时长；Mod2为所述目标订单的第二取货时长。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括：
发送模块，用于将所述目标订单的取货时长的最终预测结果发送给目的端。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任一项所述的订单处理方法的步骤。
12.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至5中任一项所述方法的步骤。
CN201910281652.XA 2019-04-09 2019-04-09 取货时长的预测方法、装置、存储介质及电子设备 Pending CN111798017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910281652.XA CN111798017A (zh) 2019-04-09 2019-04-09 取货时长的预测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910281652.XA CN111798017A (zh) 2019-04-09 2019-04-09 取货时长的预测方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN111798017A true CN111798017A (zh) 2020-10-20

Family

ID=72805181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910281652.XA Pending CN111798017A (zh) 2019-04-09 2019-04-09 取货时长的预测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN111798017A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239996A (zh) * 2021-12-28 2022-03-25 江苏满运软件科技有限公司 物流信息预测方法、装置、设备、平台及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239996A (zh) * 2021-12-28 2022-03-25 江苏满运软件科技有限公司 物流信息预测方法、装置、设备、平台及存储介质

Similar Documents

Publication Publication Date Title
CN108133619B (zh) 停车场停车预测的方法、装置、存储介质及终端设备
CN114581180B (zh) 一种充电站推荐方法、充电桩状态的确定方法及装置
CN104809601B (zh) 基于电子地图的快递互助系统
CN106600036B (zh) 基于Android多点快递配送方法
US20190339087A1 (en) Deep reinforcement learning for optimizing carpooling policies
CN110472910B (zh) 确定目标配送任务节点的方法、装置及存储介质、电子设备
Abdelhamid et al. Reputation-aware, trajectory-based recruitment of smart vehicles for public sensing
CN109003011B (zh) 配送服务资源的分配方法及装置、电子设备
CN104753985A (zh) 会话列表显示方法和装置
CN109726843A (zh) 配送数据预测的方法、装置和终端
CN106713376B (zh) 一种通过客户端请求预约业务的方法及装置
CN111127154A (zh) 订单处理方法、装置、服务器和非易失性存储介质
CN112734341A (zh) 辅助导航的方法、装置及系统
CN112734347B (zh) 一种物流配送方法、装置、设备及存储介质
CN106209972A (zh) 一种充电机远程监控系统及其监控方法
CN107957268A (zh) 导航数据生成方法及相关设备、物体运送方法及相关设备
CN107690149A (zh) 触发网络策略更新的方法、管理功能实体及核心网设备
CN104933126A (zh) 基于电子地图的活动推荐方法、装置及系统
CN111798017A (zh) 取货时长的预测方法、装置、存储介质及电子设备
CN110553657B (zh) 一种基于聊天机器人的导航方法及系统
CN111582527A (zh) 行程时间的预估方法、装置、电子设备和存储介质
CN107331149A (zh) 预测车辆行驶时间的方法和装置
CN113689125A (zh) 信息推送方法和装置
TWM575564U (zh) 自動派遣系統
US11159915B2 (en) Offline method to determine location of a vehicle using mobile phones

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