CN111815059B - 数据处理方法、装置、电子设备和计算机可读存储介质 - Google Patents
数据处理方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111815059B CN111815059B CN202010671174.6A CN202010671174A CN111815059B CN 111815059 B CN111815059 B CN 111815059B CN 202010671174 A CN202010671174 A CN 202010671174A CN 111815059 B CN111815059 B CN 111815059B
- Authority
- CN
- China
- Prior art keywords
- task
- information
- time
- target task
- target
- 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
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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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、装置、电子设备和计算机可读存储介质,通过获取目标任务的任务信息,将目标任务的任务信息输入至第一时间预测模型进行处理,以确定目标任务的预计完成时长信息,根据目标任务的任务信息确定目标任务的预计获取时长信息,确定任务处理资源组对应的第二时间预测模型,将目标任务的任务信息、预计完成时长信息和预计获取时长信息输入至第二时间预测模型,获取冗余时长,根据目标任务的生成时间、预计获取时长信息和冗余时长确定任务异常报备时间,由此,可以提高任务异常报备的合理性。
Description
技术领域
本发明涉及互联网技术领域,更具体地,涉及一种数据处理方法、装置、电子设备和计算机可读存储介质。
背景技术
随着互联网的迅速发展,物流服务给用户带来了极大的便利,在物流服务中,通常会在任务处理资源超过预计获取时间后预定时间未获取到任务对象,允许任务处理资源可以进行异常报备,以在任务超时时根据异常报备进行判责,从而可以保证物流服务的任务处理资源的权益。
发明内容
有鉴于此,本发明实施例提供了一种数据处理方法、装置、电子设备和计算机可读存储介质,以提高任务异常报备的合理性。
第一方面,本发明实施例提供一种数据处理方法,所述方法包括:
获取目标任务的任务信息;
将所述目标任务的任务信息输入至第一时间预测模型进行处理,以确定所述目标任务的预计完成时长信息;
根据所述目标任务的任务信息确定所述目标任务的预计获取时长信息;
确定所述目标任务所属的任务处理资源组对应的第二时间预测模型,所述任务处理资源组设置有对应的全局超时率,所述第一时间预测模型基于各任务处理资源组的全局超时率训练获得;
将所述目标任务的任务信息、所述预计完成时长信息和所述预计获取时长信息输入至所述第二时间预测模型,获取冗余时长;
根据所述目标任务的生成时间、所述预计获取时长信息和所述冗余时长确定任务异常报备时间。
可选的,所述第一时间预测模型基于对应的损失函数,根据第一样本数据训练获得,所述第一样本数据包括多个历史任务信息。
可选的,所述对应的损失函数为基于各所述全局超时率的分位线回归损失函数。
可选的,所述任务信息包括所述目标任务的生成时间、目标任务对象的类型、所述目标任务对象所属的任务产生端、当前峰期以及所述目标任务对应的任务处理资源组。
可选的,将所述目标任务的任务信息输入至第一时间预测模型进行处理,以确定所述目标任务的预计完成时长信息包括:
将所述目标任务的任务信息输入至第一时间预测模型进行处理,确定所述目标任务的预计完成时长;
根据预计完成时长分段表和所述目标任务的预计完成时长确定所述目标任务的预计完成时长信息,所述预计完成时长信息包括预计完成时长分段;
其中,所述预计完成时长分段表根据多个异常报备的历史任务的预计完成时长的数据分布确定。
可选的,根据所述目标任务的任务信息确定所述目标任务的预计获取时长信息包括:
将所述目标任务对象的信息输入至第三时间预测模型进行处理,确定所述目标任务对象的预计获取时长,所述第三时间预测模型根据多个历史任务对象的信息训练获得;
根据预计获取时长分段表和所述目标任务对象的预计获取时长确定所述目标任务的预计获取时长信息,所述预计获取时长信息包括预计获取时长分段;
其中,所述预计获取时长分段根据多个异常报备的历史任务的预计获取时长的数据分布确定。
可选的,所述方法包括:
向所述目标任务对应的任务处理资源发送所述任务异常报备时间。
可选的,所述方法还包括:
响应于到达所述任务异常报备时间,向所述目标任务对应的任务处理资源发送任务异常报备提醒。
第二方面,本发明实施例提供一种数据处理装置,所述装置包括:
信息获取单元,被配置为获取目标任务的任务信息;
第一处理单元,被配置为将所述目标任务的任务信息输入至第一时间预测模型进行处理,以确定所述目标任务的预计完成时长信息;
第二处理单元,被配置为根据所述目标任务的任务信息确定所述目标任务的预计获取时长信息;
第二时间预测模型确定单元,被配置为确定所述目标任务所属的任务处理资源组对应的第二时间预测模型,所述任务处理资源组设置有对应的全局超时率,所述第一时间预测模型基于各任务处理资源组的全局超时率训练获得;
第三处理单元,被配置为将所述目标任务的任务信息、所述预计完成时长信息和所述预计获取时长信息输入至所述第二时间预测模型,获取冗余时长;
报备时间确定单元,被配置为根据所述目标任务的生成时间、所述预计获取时长信息和所述冗余时长确定任务异常报备时间。
可选的,所述第一时间预测模型基于对应的损失函数,根据第一样本数据训练获得,所述第一样本数据包括多个历史任务信息。
可选的,所述对应的损失函数为基于各所述全局超时率的分位线回归损失函数。
可选的,所述任务信息包括所述目标任务的生成时间、目标任务对象的类型、所述目标任务对象所属的任务产生端、当前峰期以及所述目标任务对应的任务处理资源组。
可选的,所述第一处理单元包括:
预计完成时长确定子单元,被配置为将所述目标任务的任务信息输入至第一时间预测模型进行处理,确定所述目标任务的预计完成时长;
第一信息确定子单元,被配置为根据预计完成时长分段表和所述目标任务的预计完成时长确定所述目标任务的预计完成时长信息,所述预计完成时长信息包括预计完成时长分段;
其中,所述预计完成时长分段表根据多个异常报备的历史任务的预计完成时长的数据分布确定。
可选的,第二处理单元包括:
预计获取时长确定子单元,被配置为将所述目标任务对象的信息输入至第三时间预测模型进行处理,确定所述目标任务对象的预计获取时长,所述第三时间预测模型根据多个历史任务对象的信息训练获得;
第二信息确定子单元,被配置为根据预计获取时长分段表和所述目标任务对象的预计获取时长确定所述目标任务的预计获取时长信息,所述预计获取时长信息包括预计获取时长分段;
其中,所述预计获取时长分段根据多个异常报备的历史任务的预计获取时长的数据分布确定。
可选的,所述装置包括:
第一发送单元,被配置为向所述目标任务对应的任务处理资源发送所述任务异常报备时间。
可选的,所述装置还包括:
第二发送单元,被配置为响应于到达所述任务异常报备时间,向所述目标任务对应的任务处理资源发送任务异常报备提醒。第三方面,本发明实施例提供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上所述的方法。
第四方面,本发明实施例提供一种电子设备,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上所述的方法。
本发明实施例通过获取目标任务的任务信息,将目标任务的任务信息输入至第一时间预测模型进行处理,以确定目标任务的预计完成时长信息,根据目标任务的任务信息确定目标任务的预计获取时长信息,确定任务处理资源组对应的第二时间预测模型,将目标任务的任务信息、预计完成时长信息和预计获取时长信息输入至第二时间预测模型,获取冗余时长,根据目标任务的生成时间、预计获取时长信息和冗余时长确定任务异常报备时间,由此,可以提高任务异常报备的合理性。
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是本发明实施例的数据处理方法的流程图;
图2是本发明实施例的数据处理过程的示意图;
图3是本发明实施例的数据处理装置的示意图;
图4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。
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。
在物流服务中,任务处理资源在任务对象的预计获取时间后预定时间还未获取到任务对象,通常会允许任务处理端进行异常报备,例如,在外卖应用中,任务处理资源可以包括骑手、骑手终端和外卖车辆等,在外卖餐品的出餐时间超过预计出餐时间(也即任务对象的预计获取时间)时,可能导致外卖配送超时,将这些由于商户出餐慢而导致的配送超时归咎于任务处理资源显然是不合理的,由此,通常允许任务处理资源在预计获取时间后预定时间还未获取到任务对象时进行异常报备,以保证物流服务的任务处理资源的权益。在相关技术中,所有任务均采用统一的预定时间,以预定时间为5分钟为例,则所有任务在超过对应的预计获取时间5分钟后均可进行异常报备,这容易造成在任务平峰期进行异常报备的任务量偏高,也即在任务的预计获取时间偏短的时候异常报备的标准过松,在任务的预计获取时间偏长时异常报备的标准过于严格的现象。由此,本发明实施例提供一种数据处理方法,以在保证任务处理资源的权益的同时,提高任务异常报备的合理性。本发明实施例并不限制应用场景,例如,本发明实施例可应用于快递、外卖、商超新零售、代购、跑腿等应用场景,通过估计的出仓时间、取货时间,结合送达时间对骑手进行配送时间调整,下文主要以外卖应用场景为例进行详细说明。
图1是本发明实施例的数据处理方法的流程图。如图1所示,本发明实施例的数据处理方法包括以下步骤:
步骤S110,获取目标任务的任务信息。其中,任务信息包括目标任务的生成时间、目标任务对象的类型、目标任务对象所属的任务产生端、当前峰期以及所述目标任务所属的任务处理资源组中的一项或多项。可选的,峰期可以包括低峰期、平峰期、午高峰和晚高峰等。以外卖场景为例,目标任务的生成时间也即外卖订单的生成时间(例如用户的下单时间或商户的接单时间),目标任务对象的类型也即外卖餐品的类型(例如冒菜、麻辣香锅等),目标任务对象所属的任务产生端也即外卖商户,目标任务对应的任务处理资源组也即目标任务所在的运力线。在外卖领域,通常会将各配送资源进行分组形成多个运力线,可选的,不同的运力线具有不同的配送范围。
步骤S120,将目标任务的任务信息输入至第一时间预测模型进行处理,以确定目标任务的预计完成时长信息。可选的,任务信息还可以包括任务的起始地址、目标地址、和/或任务产生端当前的所有未完成任务。以外卖场景为例,外卖任务的生成时间到送到时间之间的预计时间段为该外卖任务的预计完成时长。
在一种可选的实现方式中,步骤S120可以包括:将目标任务的任务信息输入至第一时间预测模型进行处理,确定目标任务的预计完成时长,根据预计完成时长分段表和目标任务的预计完成时长确定目标任务的预计完成时长信息,预计完成时长信息包括预计完成时长分段。其中,预计完成时长分段表根据多个异常报备的历史任务的预计完成时长的数据分布确定。可选的,预计完成时长分段表根据预定时间段内(例如两周内或一个月内等)的多个异常报备的历史任务的预计完成时长的数据分布确定。可选的,预计完成时长分段表实时或定时更新的,例如每周更新一次等。在其他可选的实现方式中,预计完成时长分段表也可以根据历史任务(不限于异常报备的历史任务)的预计完成时长的数据分布确定。可选的,预计完成时长分段表包括8个预计完成时长分段,例如0-30min、30-35min、35-40min、40-45min、45-50min、50-55min、55-60min、大于60min。由此,若目标任务的预计完成时长为48min,则该目标任务对应的预计完成时长分段为45-50min。应理解,上述预计完成时长分段仅仅是示例性的,本实施例并不对此进行限制。
在一种可选的实现方式中,第一时间预测模型基于对应的损失函数,根据第一样本数据训练获得。其中,第一样本数据包括多个历史任务信息。历史任务信息包括历史任务对应的任务处理资源组、历史任务的任务对象类型、历史任务对象所属的任务产生端、历史任务的生成时间、完成时间、起始地址和目的地址等。
在一种可选的实现方式中,任务处理资源组设置有对应的全局超时率,第一时间预测模型基于各任务处理资源组的全局超时率训练获得。可选的,第一时间预测模型对应的损失函数为基于各全局超时率的分位线回归损失函数。在本实施例中,对每个任务处理资源组设置全局超时率,其中,各任务处理资源组对应的全局超时率可以相同也可以不同。可选的,全局超时率可以根据对应的任务处理资源组的处理区域等确定。分位数回归是利用因变量的条件分位数来进行建模,其可以得到因变量的条件概率分布。由此,本实施例基于分位数回归的思想,根据各任务处理资源组的全局超时率来训练第一时间预测模型,以将各任务处理资源组的任务超时率控制在稳定范围内。
其中,分位数回归函数为:
其中,Yi为第i个样本值,ξr为拟合值,τ为对应的概率,i大于等于1。由此,可以根据上述分数位回归函数得到因变量的分布变化,例如τ=0.9(求对应的0.9分位数回归),也即使求得的回归曲线之下能够包含90%的数据点(Yi)。由此,可以根据不同的τ获取多个分位数回归曲线,以不同范围的Yi具有不同程度的变化。
在本实施例中,由于不同的任务处理资源组具有对应的全局超时率,因此可以采用分位数回归的思想来训练本实施例的第一时间预测函数,以使得各任务处理组的实际超时率不超过预先设置的全局超时率。可选的,本实施例的第一时间预测模型可以采用的损失函数LOSS为:
其中,τ为对应的全局超时率,Yi为第一样本数据中的第i个历史任务的任务完成时长,f(xi)为所述第一时间预测模型确定的第i个历史任务的预计完成时长,n为第一样本数据中的历史任务数量,n≥1,1≤i≤n。
在本实施例中,将第一样本数据中的历史任务信息输入至第一时间预测模型中获取历史任务对应的预计完成时长f(x),并通过调整第一时间预测模型的参数调整各历史任务对应的预计完成时长f(x),以获取损失函数LOSS最小化时的第一时间预测模型。由此,本实施例采用分位数回归损失函数来对第一时间预测模型,以使得获取的任务的预计完成时长可以满足预设的全局超时率。
步骤S130,根据目标任务的任务信息确定目标任务的预计获取时长信息。在一种可选的实现方式中,将目标任务对象的信息输入至第三时间预测模型进行处理,确定目标任务对象的预计获取时长,根据预计获取时长分段表和目标任务对象的预计获取时长确定所述目标任务的预计获取时长信息,预计获取时长信息包括预计获取时长分段。其中,第三时间预测模型根据多个历史任务对象的信息训练获得。历史任务对象的信息包括任务对象的类型、历史任务对象所属的任务产生端等信息。以外卖场景为例,第三时间预测模型用于确定外卖餐品的预计出餐时间。在另一种可选的实现方式中,也可以根据目标任务对象所属的任务产生端的历史任务的任务对象获取时长的平均值或加权平均值、或者与目标任务对象类型相同的历史任务对象获取时长的平均值或加权平均值,确定目标任务的预计获取时长。可选的,可以根据历史任务的生成时间据当前时间的时长确定对应的权值。应理解,其他可以确定目标任务对象的预计获取时长的方法均可应用于本实施例中,本实施例并不对此进行限制。
可选的,在本实施例中,预计获取时长分段根据多个异常报备的历史任务的预计获取时长的数据分布确定。可选的,预计获取时长分段表根据预定时间段内(例如两周内或一个月内等)的多个异常报备的历史任务的预计获取时长的数据分布确定。可选的,预计获取时长分段表实时或定时更新的,例如每周更新一次等。在其他可选的实现方式中,预计获取时长分段表也可以根据历史任务(不限于异常报备的历史任务)的预计获取时长的数据分布确定。可选的,预计获取时长分段表包括8个预计获取时长分段,例如0-20min、20-25min、25-30min、30-35min、35-40min、40-45min、45-50min、大于50min。由此,若目标任务的预计获取时长为28min,则该目标任务对应的预计获取时长分段为25-30min。应理解,上述预计获取时长分段仅仅是示例性的,本实施例并不对此进行限制。
步骤S140,确定目标任务对应的任务处理资源组对应的第二时间预测模型。在本实施例中,针对不同的任务处理资源组配置不同的第二时间预测模型。由于不同的任务处理资源组具有不同的全局超时率,因此本实施例针对不同任务处理资源组的全局超时率,确定对应的第二时间预测模型,以在保证各任务处理资源组的超时率的同时,提高任务异常报备的合理性。
步骤S150,将目标任务的任务信息、预计完成时长信息和预计获取时长信息输入至对应的第二时间预测模型,获取冗余时长。其中,第二时间预测模型用于确定冗余时长,以使得任务处理资源终端可以在任务产生一段时间(预计获取时长+冗余时长)后,进行任务异常报备。
在一种可选的实现方式中,第二时间预测模型根据目标任务的任务信息中的当前峰期和预定的计算方法,通过目标任务的预计完成时长分段和预计获取时长分段确定该目标任务的冗余时长。可选的,对于各峰期,计算各预计完成时长分段与各预计获取时长分段对应的冗余时长。以上述预计完成时长分段表和预计获取时长分段表为例,假设目标任务对应的当前峰期为晚高峰,第一时间预测模型确定的目标任务的预计完成时长为51分钟,则其对应的预计完成时长分段为50-55min,第三时间预测模型确定的目标任务的预计获取时长为27min,则其对应的预计获取时长分段为25-30min,第二时间预测模型可以基于预定的计算方法,计算在晚高峰时,预计完成时长分段为50-55min、预计获取时长分段为25-30min对应的冗余时长。在其他可选的实现方式中,可以预先根据具有异常报备的历史任务的峰期、第一时间预测模型确定的预计完成时长、第三时间预测模型确定的预计获取时长、预计完成时长分段表以及预计获取时长分段表等,确定各峰期时,各预计完成时长分段和各预计获取时长分段对应的冗余时长表,第二时间预测模型在确定目标任务的冗余时长时,调用预先确定的冗余时长表,以根据目标任务的峰期、预计完成时长分段和预计获取时长分段确定该目标任务的冗余时长。
本实施例通过采用第一时间预测模型输出的各历史任务的预计完成时长来确定预计完成时长分段表,并采用第二时间预测模型基于预计完成时长分段表确定冗余时长,由此,本实施例可以通过控制全局超时率来调整冗余时长,从而可以引导任务处理资源进行合理有效地任务异常报备,提高了任务异常报备的合理性。
步骤S160,根据目标任务的生成时间、预计获取时长信息和冗余时长确定任务异常报备时间。例如,假设目标任务的生成时间为12:00,预计获取时长为20min,冗余时长为10min,则目标任务对应的任务处理资源若在12:30还未获取到目标任务对象,可以进行任务异常报备。
在一种可选的实现方式中,本发明实施例的数据处理方法还包括:向目标任务对应的任务处理资源发送任务异常报备时间。具体地,在目标任务生成后,计算该目标任务对应的任务异常报备时间,并发送给任务处理资源的终端,以使得任务处理资源可以根据异常报备时间进行任务异常报备。
在一种可选的实现方式中,本发明实施例的数据处理方法还包括:响应于到达任务异常报备时间,向任务处理端发送任务异常报备提醒。具体地,若到达任务异常报备时间后,仍未接收到来自任务处理资源的终端上传的确认获取目标任务对象的消息,向任务处理终端发送任务异常报备提醒,以提醒任务处理资源可以进行任务异常报备。由此,可以进一步保证任务处理资源的权益。
以下以外卖应用场景为例对本实施例的数据处理方法进行描述,假设在18:12,外卖任务生成,获取外卖任务的外卖类型、外卖商户信息、外卖任务的起始地址和目的地址、当前峰期(晚高峰)以及外卖任务所属的运力线(也即承接该外卖任务的骑手所属的运力线)等任务信息,将外卖任务的任务信息输入至第一时间预测模型中进行处理,确定外卖任务的预计完成时长(也即外卖任务生成时间与外卖送达时间之间的时间差),根据外卖任务的预计完成时长和预计完成时长分段表确定该外卖任务的预计完成时长分段,将外卖任务的任务信息输入至第三时间预测模型进行处理,确定外卖任务的出餐时长,根据外卖任务的出餐时长和出餐时长分段表(也即上述预计获取时长分段表)确定该外卖任务的出餐时长分段,将外卖任务的当前峰期、预计完成时长分段和出餐时长分段等信息输入至第二时间预测模型,使得第二时间预测模型调用预先确定的冗余时长表,以根据当前峰期、预计完成时长分段和出餐时长分段等信息确定该外卖任务的冗余时长,根据外卖任务生成时间、出餐时长和冗余时长确定任务异常报备时间。例如,假设确定的该外卖任务的出餐时长为26min,冗余时长为10min,则任务异常报备时间为18:48,也即若在18:53该外卖任务的餐品还未出餐,则骑手可通过骑手终端进行任务异常报备。
本发明实施例通过获取目标任务的任务信息,将目标任务的任务信息输入至第一时间预测模型进行处理,以确定目标任务的预计完成时长信息,根据目标任务的任务信息确定目标任务的预计获取时长信息,确定任务处理资源组对应的第二时间预测模型,将目标任务的任务信息、预计完成时长和预计获取时长输入至第二时间预测模型,获取冗余时长,根据目标任务的生成时间、预计获取时长信息和冗余时长确定任务异常报备时间,由此,可以提高任务异常报备的合理性。
图2是本发明实施例的数据处理过程的示意图。如图2所示,将获取的目标任务的任务信息输入至第一时间预测模型21进行处理确定目标任务的预计完成时长,根据目标任务的预计完成时长和任务完成时长分段表确定目标任务的预计完成时长分段,将目标任务的任务信息输入至第三时间预测模型23进行处理确定目标任务的预计获取时长,根据目标任务的预计获取时长和任务获取时长分段表确定目标任务的预计获取时长分段,将目标任务的任务信息、预计完成时长分段和预计获取时长分段输入至第二时间预测模型22进行处理,以获取冗余时长,将冗余时长输入至报备时间确定单元24,报备时间确定单元24根据冗余时长、目标任务的任务生成时间和预计获取时长确定目标任务的任务异常报备时间。
在本实施例中,第一时间预测模型基于分位线回归损失函数,根据预置的各样本组的全局超时率训练获得,由此,本实施例的第一时间预测模型输出的任务预计完成时长可以满足预设的全局超时率。本实施例的各第二时间预测模型根据各任务资源组对应的历史任务信息、第一时间预测模型输出的各历史任务对应的预计完成时长和各历史任务的任务获取时长等计算冗余时长,由此,本实施例的第二时间预测模型通过控制全局超时率来调整冗余时长,以使得获取的冗余时长能够适应不同的任务阶段,例如高峰期任务的预计获取时长较长,则第二时间预测模型可以使得其对应的冗余时长相对较短,在低峰或平峰期任务的预计获取时长较短,则第二时间预测模型可以使得其对应的冗余时长相对较长,从而可以提高任务异常报备的合理性。
本发明实施例通过获取目标任务的任务信息,将目标任务的任务信息输入至第一时间预测模型进行处理,以确定目标任务的预计完成时长信息,根据目标任务的任务信息确定目标任务的预计获取时长信息,确定任务处理资源组对应的第二时间预测模型,将目标任务的任务信息、预计完成时长信息和预计获取时长信息输入至第二时间预测模型,获取冗余时长,根据目标任务的生成时间、预计获取时长信息和冗余时长确定任务异常报备时间,由此,可以提高任务异常报备的合理性。
图3是本发明实施例的数据处理装置的示意图。如图3所示,本发明实施例的数据处理装置3包括信息获取单元31、第一处理单元32、第二处理单元33、第二时间预测模型确定单元34、第三处理单元35以及报备时间确定单元36。
信息获取单元31被配置为获取目标任务的任务信息,所述任务信息包括所述目标任务的生成时间、目标任务对象的类型、所述目标任务对象所属的任务产生端、当前峰期以及所述目标任务对应的任务处理资源组。
第一处理单元32被配置为将所述目标任务的任务信息输入至第一时间预测模型进行处理,以确定所述目标任务的预计完成时长信息。在一种可选的实现方式中,第一处理单元32包括预计完成时长确定子单元321和第一信息确定子单元322。预计完成时长确定子单元321被配置为将所述目标任务的任务信息输入至第一时间预测模型进行处理,确定所述目标任务的预计完成时长。第一信息确定子单元322被配置为根据预计完成时长分段表和所述目标任务的预计完成时长确定所述目标任务的预计完成时长信息,所述预计完成时长信息包括预计完成时长分段。其中,所述预计完成时长分段表根据多个异常报备的历史任务的预计完成时长的数据分布确定
在一种可选的实现方式中,所述第一时间预测模型基于对应的损失函数,根据第一样本数据训练获得,所述第一样本数据包括多个历史任务信息。可选的,所述任务处理资源组设置有对应的全局超时率,所述对应的损失函数为基于各所述全局超时率的分位线回归损失函数。可选的,所述对应的损失函数为:
其中,τ为对应的全局超时率,Yi为第一样本数据中的第i个历史任务的任务完成时长,f(xi)为所述第一时间预测模型确定的第i个历史任务的预计完成时长,n为第一样本数据中的历史任务数量。
第二处理单元33被配置为根据所述目标任务的任务信息确定所述目标任务的预计获取时长信息。在一种可选的实现方式中,第二处理单元33包括预计获取时长确定子单元331和第二信息确定子单元332。预计获取时长确定子单元331被配置为将所述目标任务对象的信息输入至第三时间预测模型进行处理,确定所述目标任务对象的预计获取时长,所述第三时间预测模型根据多个历史任务对象的信息训练获得。第二信息确定子单元332被配置为根据预计获取时长分段表和所述目标任务对象的预计获取时长确定所述目标任务的预计获取时长信息,所述预计获取时长分段根据多个异常报备的历史任务的预计获取时长的数据分布确定。其中,所述预计获取时长分段根据多个异常报备的历史任务的预计获取时长的数据分布确定。
第二时间预测模型确定单元34被配置为确定所述目标任务所属的任务处理资源组对应的第二时间预测模型,所述任务处理资源组设置有对应的全局超时率,所述第一时间预测模型基于各任务处理资源组的全局超时率训练获得。第三处理单元35被配置为将所述目标任务的任务信息、所述预计完成时长信息和所述预计获取时长信息输入至所述第二时间预测模型,获取冗余时长。报备时间确定单元36被配置为根据所述目标任务的生成时间、所述预计获取时长信息和所述冗余时长确定任务异常报备时间。
在一种可选的实现方式中,数据处理装置3还包括第一发送单元37。第一发送单元37被配置为向所述目标任务对应的任务处理资源发送所述任务异常报备时间。
在一种可选的实现方式中,数据处理装置3还包括第二发送单元38。第二发送单元38被配置为响应于到达所述任务异常报备时间,向所述目标任务对应的任务处理资源发送任务异常报备提醒。
本发明实施例通过获取目标任务的任务信息,将目标任务的任务信息输入至第一时间预测模型进行处理,以确定目标任务的预计完成时长信息,根据目标任务的任务信息确定目标任务的预计获取时长信息,确定任务处理资源组对应的第二时间预测模型,将目标任务的任务信息、预计完成时长信息和预计获取时长信息输入至第二时间预测模型,获取冗余时长,根据目标任务的生成时间、预计获取时长信息和冗余时长确定任务异常报备时间,由此,可以提高任务异常报备的合理性。
图4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4所示,该电子设备:至少包括一个处理器41;以及,与至少一个处理器41通信连接的存储器42;以及,与扫描装置通信连接的通信组件43,通信组件43在处理器41的控制下接收和发送数据;其中,存储器42存储有可被至少一个处理器41执行的指令,指令被至少一个处理器41执行以实现上述数据处理方法。
具体地,该电子设备包括:一个或多个处理器41以及存储器42,图4中以一个处理器41为例。处理器41、存储器42可以通过总线或者其他方式连接,图4中以通过总线连接为例。存储器42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41通过运行存储在存储器42中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述数据处理方法。
存储器42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42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42可选包括相对于处理器41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42中,当一个或者多个模块被一个或者多个处理器41执行时,执行上述任意方法实施例中的数据处理方法。
上述产品可执行本申请实施例所提供的方法,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。
本发明实施例通过获取目标任务的任务信息,将目标任务的任务信息输入至第一时间预测模型进行处理,以确定目标任务的预计完成时长信息,根据目标任务的任务信息确定目标任务的预计获取时长信息,确定任务处理资源组对应的第二时间预测模型,将目标任务的任务信息、预计完成时长信息和预计获取时长信息输入至第二时间预测模型,获取冗余时长,根据目标任务的生成时间、预计获取时长信息和冗余时长确定任务异常报备时间,由此,可以提高任务异常报备的合理性。
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。
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 (18)
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信息;
将所述目标任务的任务信息输入至第一时间预测模型进行处理,以确定所述目标任务的预计完成时长信息;
根据所述目标任务的任务信息确定所述目标任务的预计获取时长信息;
确定所述目标任务所属的任务处理资源组对应的第二时间预测模型,所述任务处理资源组设置有对应的全局超时率,所述第一时间预测模型基于各任务处理资源组的全局超时率训练获得,使得各任务处理资源组的任务超时率满足所述全局超时率;所述任务处理资源组用于表征处理任务的资源所在的分组;
将所述目标任务的任务信息、所述预计完成时长信息和所述预计获取时长信息输入至所述第二时间预测模型,获取冗余时长;
根据所述目标任务的生成时间、所述预计获取时长信息和所述冗余时长确定任务异常报备时间。
2.根据权利要求1所述的方法,其特征在于,所述第一时间预测模型基于对应的损失函数,根据第一样本数据训练获得,所述第一样本数据包括多个历史任务信息。
3.根据权利要求2所述的方法,其特征在于,所述对应的损失函数为基于各所述全局超时率的分位线回归损失函数。
4.根据权利要求3所述的方法,其特征在于,所述任务信息包括所述目标任务的生成时间、目标任务对象的类型、所述目标任务对象所属的任务产生端、当前峰期以及所述目标任务对应的任务处理资源组。
5.根据权利要求1所述的方法,其特征在于,将所述目标任务的任务信息输入至第一时间预测模型进行处理,以确定所述目标任务的预计完成时长信息包括:
将所述目标任务的任务信息输入至第一时间预测模型进行处理,确定所述目标任务的预计完成时长;
根据预计完成时长分段表和所述目标任务的预计完成时长确定所述目标任务的预计完成时长信息,所述预计完成时长信息包括预计完成时长分段;
其中,所述预计完成时长分段表根据多个异常报备的历史任务的预计完成时长的数据分布确定。
6.根据权利要求1所述的方法,其特征在于,根据所述目标任务的任务信息确定所述目标任务的预计获取时长信息包括:
将所述目标任务对象的信息输入至第三时间预测模型进行处理,确定所述目标任务对象的预计获取时长,所述第三时间预测模型根据多个历史任务对象的信息训练获得;
根据预计获取时长分段表和所述目标任务对象的预计获取时长确定所述目标任务的预计获取时长信息,所述预计获取时长信息包括预计获取时长分段;
其中,所述预计获取时长分段根据多个异常报备的历史任务的预计获取时长的数据分布确定。
7.根据权利要求1所述的方法,其特征在于,所述方法包括:
向所述目标任务对应的任务处理资源发送所述任务异常报备时间。
8.根据权利要求1或7所述的方法,其特征在于,所述方法还包括:
响应于到达所述任务异常报备时间,向所述目标任务对应的任务处理资源发送任务异常报备提醒。
9.一种数据处理装置,其特征在于,所述装置包括:
信息获取单元,被配置为获取目标任务的任务信息;
第一处理单元,被配置为将所述目标任务的任务信息输入至第一时间预测模型进行处理,以确定所述目标任务的预计完成时长信息;
第二处理单元,被配置为根据所述目标任务的任务信息确定所述目标任务的预计获取时长信息;
第二时间预测模型确定单元,被配置为确定所述目标任务所属的任务处理资源组对应的第二时间预测模型,所述任务处理资源组设置有对应的全局超时率,所述第一时间预测模型基于各任务处理资源组的全局超时率训练获得,使得各任务处理资源组的任务超时率满足所述全局超时率;所述任务处理资源组用于表征处理任务的资源所在的分组;
第三处理单元,被配置为将所述目标任务的任务信息、所述预计完成时长信息和所述预计获取时长信息输入至所述第二时间预测模型,获取冗余时长;
报备时间确定单元,被配置为根据所述目标任务的生成时间、所述预计获取时长信息和所述冗余时长确定任务异常报备时间。
10.根据权利要求9所述的装置,其特征在于,所述第一时间预测模型基于对应的损失函数,根据第一样本数据训练获得,所述第一样本数据包括多个历史任务信息。
11.根据权利要求10所述的装置,其特征在于,所述对应的损失函数为基于各所述全局超时率的分位线回归损失函数。
12.根据权利要求11所述的装置,其特征在于,所述任务信息包括所述目标任务的生成时间、目标任务对象的类型、所述目标任务对象所属的任务产生端、当前峰期以及所述目标任务对应的任务处理资源组。
13.根据权利要求9所述的装置,其特征在于,所述第一处理单元包括:
预计完成时长确定子单元,被配置为将所述目标任务的任务信息输入至第一时间预测模型进行处理,确定所述目标任务的预计完成时长;
第一信息确定子单元,被配置为根据预计完成时长分段表和所述目标任务的预计完成时长确定所述目标任务的预计完成时长信息,所述预计完成时长信息包括预计完成时长分段;
其中,所述预计完成时长分段表根据多个异常报备的历史任务的预计完成时长的数据分布确定。
14.根据权利要求9所述的装置,其特征在于,第二处理单元包括:
预计获取时长确定子单元,被配置为将所述目标任务对象的信息输入至第三时间预测模型进行处理,确定所述目标任务对象的预计获取时长,所述第三时间预测模型根据多个历史任务对象的信息训练获得;
第二信息确定子单元,被配置为根据预计获取时长分段表和所述目标任务对象的预计获取时长确定所述目标任务的预计获取时长信息,所述预计获取时长信息包括预计获取时长分段;
其中,所述预计获取时长分段根据多个异常报备的历史任务的预计获取时长的数据分布确定。
15.根据权利要求9所述的装置,其特征在于,所述装置包括:
第一发送单元,被配置为向所述目标任务对应的任务处理资源发送所述任务异常报备时间。
16.根据权利要求9或15所述的装置,其特征在于,所述装置还包括:
第二发送单元,被配置为响应于到达所述任务异常报备时间,向所述目标任务对应的任务处理资源发送任务异常报备提醒。
17.一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1-8中任一项所述的方法。
18.一种电子设备,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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010671174.6A CN111815059B (zh) | 2020-07-13 | 2020-07-13 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010671174.6A CN111815059B (zh) | 2020-07-13 | 2020-07-13 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815059A CN111815059A (zh) | 2020-10-23 |
CN111815059B true CN111815059B (zh) | 2021-04-23 |
Family
ID=72842820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010671174.6A Active CN111815059B (zh) | 2020-07-13 | 2020-07-13 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815059B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906994B (zh) * | 2021-04-19 | 2023-04-07 | 拉扎斯网络科技(上海)有限公司 | 订单出餐时间预测方法、装置、电子设备及存储介质 |
CN114066105B (zh) * | 2022-01-11 | 2022-09-27 | 浙江口碑网络技术有限公司 | 运单配送超时预估模型的训练方法,存储介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156981A (zh) * | 2016-07-07 | 2016-11-23 | 成都镜杰科技有限责任公司 | 基于云计算的物流协同处理方法 |
EP3477560A1 (en) * | 2017-10-31 | 2019-05-01 | Huntington Ingalls Incorporated | Method and system for management and control |
CN111010292A (zh) * | 2019-11-26 | 2020-04-14 | 苏宁云计算有限公司 | 一种离线任务延时告警系统、方法及计算机系统 |
CN111080207A (zh) * | 2019-12-26 | 2020-04-28 | 北京每日优鲜电子商务有限公司 | 订单处理方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7379887B2 (en) * | 2002-01-31 | 2008-05-27 | Accenture Global Services Gmbh | Integrated decision support system for optimizing the training and transition of airline pilots |
US9898717B2 (en) * | 2013-03-25 | 2018-02-20 | Paypal, Inc. | Online remittance system with methodology for predicting disbursement times of online electronic funds transfers |
US20180261319A1 (en) * | 2017-03-08 | 2018-09-13 | Danielle Erin Bowie | Nurse scheduling forecasts using empirical regression modeling |
CN107230014B (zh) * | 2017-05-15 | 2020-11-03 | 浙江仟和网络科技有限公司 | 一种末端即时物流的智能调度系统 |
CN110689254A (zh) * | 2019-09-23 | 2020-01-14 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN110782090A (zh) * | 2019-10-25 | 2020-02-11 | 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 |
-
2020
- 2020-07-13 CN CN202010671174.6A patent/CN111815059B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156981A (zh) * | 2016-07-07 | 2016-11-23 | 成都镜杰科技有限责任公司 | 基于云计算的物流协同处理方法 |
EP3477560A1 (en) * | 2017-10-31 | 2019-05-01 | Huntington Ingalls Incorporated | Method and system for management and control |
CN111010292A (zh) * | 2019-11-26 | 2020-04-14 | 苏宁云计算有限公司 | 一种离线任务延时告警系统、方法及计算机系统 |
CN111080207A (zh) * | 2019-12-26 | 2020-04-28 | 北京每日优鲜电子商务有限公司 | 订单处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
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》;20180615(第6期);第H123-119页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815059A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6457447B2 (ja) | データセンターのネットワークトラフィックスケジューリング方法及び装置 | |
CN107395697B (zh) | 推送渠道选择、消息推送方法、装置及设备、可读介质 | |
CN111815059B (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
WO2018133306A1 (zh) | 内容分发网络中的调度方法和设备 | |
CN105095055B (zh) | 用户活跃度统计方法及系统 | |
CN107094301B (zh) | 确定小区用户感知的方法及设备 | |
US20140149348A1 (en) | Application program management method and apparatus using context information | |
US11941640B2 (en) | Adaptive response timer system and method | |
CN111061560A (zh) | 云渲染资源调度方法、装置、电子设备及存储介质 | |
CN110601965B (zh) | 消息分发方法、装置、系统以及消息网关 | |
US9621507B2 (en) | Control method and apparatus for data display | |
CN106464733A (zh) | 一种调整云计算中虚拟资源的方法及装置 | |
CN110011926A (zh) | 一种调整报文发送时间的方法、装置、设备及存储介质 | |
CN111459675B (zh) | 一种数据处理方法、装置、可读存储介质和电子设备 | |
EP3073681A1 (en) | Social network information pushing method and apparatus | |
CN112950267A (zh) | 一种信息生成方法、装置、终端设备及存储介质 | |
CN105554049A (zh) | 分布式业务量控制方法和装置 | |
CN104683473A (zh) | 监控服务质量的方法、服务端、客户端及系统 | |
CN108023936B (zh) | 一种分布式接口访问控制方法及系统 | |
CN104980209B (zh) | 一种基于北斗实时反馈的动态信息发送和调节方法 | |
CN113361956A (zh) | 资源生产方的资源质量评价方法、装置、设备及存储介质 | |
CN108076443B (zh) | 一种在线计费系统中流量的分配方法及在线计费系统 | |
CN103957230A (zh) | 一种客户端用户数确定方法、服务器、客户端及系统 | |
CN109391486B (zh) | 基于用户体验的对互操作策略调整的预警方法及服务器 | |
CN107124314B (zh) | 数据监控方法及装置 |
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 |