CN112036788B - 数据处理方法、装置、可读存储介质和电子设备 - Google Patents
数据处理方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN112036788B CN112036788B CN202010739029.7A CN202010739029A CN112036788B CN 112036788 B CN112036788 B CN 112036788B CN 202010739029 A CN202010739029 A CN 202010739029A CN 112036788 B CN112036788 B CN 112036788B
- Authority
- CN
- China
- Prior art keywords
- task
- attribute information
- processed
- historical
- resource
- 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 abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000011850 desserts Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000012171 hot beverage Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000021581 juice product Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021395 porridge Nutrition 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (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、可读存储介质和电子设备。本发明实施例获取位置范围在目标区域内的待处理任务集合、配送资源集合和对应的待预测参数集合，并根据各配送资源的资源属性信息和各待处理任务的任务属性信息模拟各待处理任务的分配结果，进而根据分配结果确定各配送资源的模拟移动轨迹，并根据各任务属性信息和对应的资源属性信息中的至少一项确定各待处理任务对应的各待预测参数，从而根据各待预测参数以及模拟移动轨迹生成目标区域的区域数据报告。在本发明实施例中，模拟移动轨迹及各参数通过对应的参数预测模型获得，具有较高的准确性，使得本发明实施例的方法可以较为准确地模拟任务分配，从而评估区域划分的合理性。
Description
技术领域
本发明公开涉及计算机技术领域，具体涉及一种数据处理方法、装置、可读存储介质和电子设备。
背景技术
随着互联网技术领域以及计算机技术领域的不断发展，O2O(online to offline，线上到线下)交易也变得越来越普及。对于一些品质要求较为严格的商品(例如，餐品等)，过大的配送范围容易导致订单内商品的品质受到影响，因此电商平台通常会根据商户的位置等进行区域划分，以提升订单的配送效率。但现有的区域划分方法在对区域进行划分后无法较为准确地评估区域划分的合理性，因此可能导致部分订单的配送效率受到影响。
发明内容
有鉴于此,本发明实施例的目的在于提供一种数据处理方法、装置、可读存储介质和电子设备，用于较为准确地评估区域划分的合理性，从而在后续为调整区域划分提供数据支持。
第一方面，本发明实施例提供了一种数据处理方法，所述方法包括：
响应于接收到预定数据处理指令，将所述预定数据处理指令对应的区域确定为目标区域，所述目标区域为具有预定配送范围的地理区域；
获取位置范围在所述目标区域内的待处理任务集合以及所述待处理任务集合对应的待预测参数集合；
获取位置范围在所述目标区域内的配送资源集合；
根据所述配送资源集合中各配送资源的资源属性信息以及所述待处理任务集合中各待处理任务的任务属性信息模拟各所述待处理任务的分配结果；
根据所述分配结果确定各所述配送资源的模拟移动轨迹；
根据各所述任务属性信息以及对应的所述资源属性信息中的至少一项，基于所述待预测参数集合中各待预测参数对应的参数预测模型，确定各所述待处理任务对应的各所述待预测参数，所述参数预测模型根据对应的第一样本集合训练获得，所述第一样本集合包括多个历史任务的历史任务属性信息以及对应的配送资源的历史资源属性信息，所述历史任务属性信息包括各所述历史任务对应的历史参数；
根据各所述待预测参数以及所述模拟移动轨迹生成所述目标区域对应的区域数据报告。
第二方面，本发明实施例提供了一种数据处理装置，所述装置包括：
第一确定单元，用于响应于接收到预定数据处理指令，将所述预定数据处理指令对应的区域确定为目标区域，所述目标区域为具有预定配送范围的地理区域；
第一获取单元，用于获取位置范围在所述目标区域内的待处理任务集合以及所述待处理任务集合对应的待预测参数集合；
第二获取单元，用于获取位置范围在所述目标区域内的配送资源集合；
模拟分配单元，用于根据所述配送资源集合中各配送资源的资源属性信息以及所述待处理任务集合中各待处理任务的任务属性信息模拟各所述待处理任务的分配结果；
轨迹模拟单元，用于根据所述分配结果确定各所述配送资源的模拟移动轨迹；
第二确定单元，用于根据各所述任务属性信息以及对应的所述资源属性信息中的至少一项，基于所述待预测参数集合中各待预测参数对应的参数预测模型，确定各所述待处理任务对应的各所述待预测参数，所述参数预测模型根据对应的第一样本集合训练获得，所述第一样本集合包括多个历史任务的历史任务属性信息以及对应的配送资源的历史资源属性信息，所述历史任务属性信息包括各所述历史任务对应的历史参数；
报告生成单元，用于根据各所述待预测参数以及所述模拟移动轨迹生成所述目标区域对应的区域数据报告。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
第四方面，本发明实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
本发明实施例获取位置范围在目标区域内的待处理任务集合、配送资源集合和对应的待预测参数集合，并根据各配送资源的资源属性信息和各待处理任务的任务属性信息模拟各待处理任务的分配结果，进而根据分配结果确定各配送资源的模拟移动轨迹，并根据各任务属性信息和对应的资源属性信息中的至少一项确定各待处理任务对应的各待预测参数，从而根据各待预测参数以及模拟移动轨迹生成目标区域的区域数据报告。在本发明实施例中，模拟移动轨迹及各参数通过对应的参数预测模型获得，具有较高的准确性，使得本发明实施例的方法可以较为准确地模拟任务分配，从而评估区域划分的合理性。
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是本发明第一实施例的数据处理方法的流程图；
图2是本发明实施例的待预测参数的示意图；
图3是本发明实施例的完成时刻的示意图；
图4是本发明实施例在终端侧显示区域数据报告的示意图；
图5是本发明第二实施例的数据处理装置的示意图；
图6是本发明第三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。
对于一些品质要求较为严格的商品(例如，餐品等)，尤其在温度较高的地区或者较为炎热的天气，过大的配送范围容易导致订单内商品的品质受到影响，因此电商平台通常会根据商户的位置、用户的位置等对区域进行划分，以提升订单的配送效率，保证商品的品质。但现有的区域划分方法在对区域进行划分后无法较为准确地评估区域划分的合理性，例如对于一些商户密度或者用户密度较为稀疏的区域，区域范围可能较大，因此在对区域内的商品进行配送时，消耗时长可能过长、配送效率可能较低，从而损害商品的品质。
在本发明实施例中，以任务(包括待处理任务和历史任务)为订单、以配送资源为配送人员、以提供方(包括目标提供方和历史提供方)为订单对应的商户、以对象(包括目标对象和历史对象)为订单对应的用户为例进行说明。但是本领域技术人员容易理解，在任务为其他类型的任务时，配送资源、提供方以及对象均可以根据待处理任务的类型进行调整，且本发明实施例的方法同样实用。
图1是本发明第一实施例的数据处理方法的流程图。如图1所示，本实施例的方法包括如下步骤：
步骤S100，响应于接收到数据处理指令，将预定数据处理指令对应的区域确定为目标区域。
针对预定区域的预定数据处理指令用于表征一个区域划分方案。在本步骤中，服务器响应于接收到终端通过预定客户端发送的、针对预定区域的预定数据处理指令时，可以将该预定数据处理指令对应的区域确定为目标区域。在本实施例中，目标区域为具有预定配送范围的地理区域，具体可以为根据预定数据处理指令确定的、由一个网格或多个相邻的网格确定的地理区域，用于尽可能减少配送资源需要跨区域交接(包括接收和交付)任务的可能。
网格是一种信息共享的技术，利用互联网把地理上广泛分布的各种资源(例如，计算资源、数据资源、信息资源等)连成逻辑整体，从而实现信息共享。具体地，网格可以根据网格数量、网格疏密等限定条件以及商户的位置和/或用户的位置等位置信息划分得到。
步骤S200，获取位置范围在目标区域内的待处理任务集合以及待处理任务集合对应的待预测参数集合。
在本实施例中，位置范围在目标区域内的待处理任务也即取单位置以及送单位置均在目标区域内的待处理订单。待预测参数集合可以包括待处理订单的任务交接时长、预计完成时长、预计处理时长和处理待处理订单对应的至少一个速率信息。容易理解，根据实际需求，待预测参数集合还可以包括其他参数，本实施例不做限定。
任务交接时长用于表征配送人员从到达待处理订单对应的目标商户或目标用户所在的建筑到到达目标商户或目标用户所在的位置所耗费的时长。具体地，任务交接时长可以包括任务接收时长以及任务交付时长，任务接收时长也即配送人员到达目标商户所在的位置所耗费的时长，任务交付时长也即配送人员到达目标用户所在的位置所耗费的时长。例如，订单1对应的目标商户所在的建筑为楼A的5层。配送人员从到达楼A附近起，直到到达5层目标商户所在的位置所耗费的时长。配送人员到达楼A的时刻为10:00，到达5层目标商户所在的位置为10:10分，则订单1对应的任务接收时长为10分钟。
预计完成时长用于表征用户从创建订单到接收订单所耗费的时长。例如，订单1的下单时刻为10:00，用户接收到订单1的接收时刻为10:25，则订单1的预计完成时长为25分钟。
预计处理时长用于表征商户备齐订单标的(也即，订单对应的商品)所耗费的时长，通常起始时刻为商户确认订单的时刻。例如，商户确认订单1的时刻为10:00，备齐订单1标的的时刻为10:15，则订单1的预计处理时长为15分钟。
速率信息用于表征处理待处理任务的配送资源在至少一个模拟分段(也即，路段)的移动速率。通常在处理待处理任务时，配送资源从第一位置出发，到达待处理任务对应的目标提供方的第二位置，再到达该待处理任务对应的目标对象的第三位置会经过多个路段，因此速率信息可以包括处理待处理任务的配送资源在各模拟分段的移动速率。
步骤S300，获取位置范围在目标区域内的配送资源集合。
在本步骤中，服务器可以根据位置范围在目标区域内的至少一个配送人员确定配送资源集合。
容易理解，步骤S200和步骤S300可以同时执行，也可以先后执行，本实施例不做限定。
步骤S400，根据配送资源集合中各配送资源的资源属性信息以及待处理任务集合中各待处理任务的任务属性信息模拟各待处理任务的分配结果。
在本实施例中，资源属性信息用于反映配送人员的配送能力，对于待处理订单的分配结果存在一定的影响。资源属性信息具体可以为配送资源对应的已完成任务的超时率、评分、已工作时长、最大可承担任务数量、第一位置信息等，本实施例不做限定。其中，已完成任务的超时率可以为配送人员在预定长度的时间段内已完成任务的超时率，也可以为配送人员已完成的全部任务的总超时率。评分可以为用户对于配送人员的评价，或者商户对于配送人员的评价，或者商户以及用户对于配送人员的综合评价。已工作时长可以为配送人员在预定长度时间段内的已工作时长，也可以为配送人员已工作的总时长。最大可承担任务数量用于表征配送人员同时可承担的、未完成交付的订单的最大数量。第一位置信息用于表征配资源所在的位置。
任务属性信息至少用于反映待处理订单对应的商品的属性，同样对于待处理订单的分配结果存在一定的影响。任务属性信息具体可以为商品类型、商品数量、商品总重量、对应的目标提供方的第二位置信息以及目标对象的第三位置信息等，本实施例同样不做限定。商品类型可以用于表征商品易受外界环境(如温度、路面平稳程度)影响的程度，例如，热饮、甜品、冰品等商品属于较为容易受到外界环境影响的类型，盖饭、粥等属于不易受外界环境影响的类型。商品数量也即同一订单对应的标的总数量。商品总重量也即同一订单对应的标的总重量。第二位置信息用于表征待处理订单对应的目标商户所在的位置。第三位置信息用于表征待处理订单对应的目标用户所在的位置。
可选地，服务器还可以根据资源属性信息以及任务属性信息获取配送资源与待处理任务的关联属性信息。例如，可以根据各配送人员的第一位置信息以及对应的各待处理订单对应的目标商户的第二位置信息和目标用户的第三位置信息确定各配送人员与各待处理订单对应的目标商户的距离、各待处理订单对应的目标商户与目标用户的距离。
在一种可选的实现方式中，服务器可以将任一配送资源的资源属性信息以及任一待处理任务的任务属性信息确定为一个属性信息对，并以各属性信息对为输入，基于预先训练的匹配模型确定各对配送资源与待处理任务的匹配分数，从而根据匹配分数确定待处理任务的分配结果。
在本实施例中，匹配模型根据第二样本集合训练获得，第二样本集合包括多个历史任务的历史任务属性信息、多个配送资源的历史资源属性信息以及各配送资源的匹配标识，其中匹配标识用于表征历史订单是否被分配给配送资源，具体可以用0和1表示(0可以用于表征历史订但未被分配给配送资源，1可以用于表征历史订单被分配给配送资源)。容易理解，通常一个待处理订单仅能够分配给一个配送资源，导致可能存在大量匹配标识为0的历史任务-配送资源的组合，因此服务器可以从匹配标识为0的历史任务-配送资源的组合随机抽取预定数量的组合以降低其在第二样本集合中的占比，提升匹配模型的收敛速度以及准确性。也就是说，第二样本集合中的大部分配送资源为处理各历史任务的配送资源。
在本实施例中，各预测模型(包括匹配模型以及各待预测参数对应的参数预测模型)均可以为树模型、贝叶斯分类器、神经网络等，本实施例不做限定。以神经网络为例，神经网络全称人工神经网络(Artificial Neural Network，ANN)，是由大量处理单元互联形成的信息处理模型。常见的人工神经网络包括卷积神经网络(Convolutional NeuralNetwork，CNN)、循环神经网络(Recurrent Neural Network，RNN)等。ANN具有非线性(适于处理非线性信息)、非局限性(也即，一个系统的整体行为取决于处理单元间的相互作用)、非常定性(也即，具有自适应、自组织、自学习能力，能够在处理信息的过程中不断进行自我学习)和非凸性(模型的激活函数具有多个极值，这使得模型具有多个较为稳定的平衡态，从而使得模型的变化是多样的)的特点，因此能够广泛地应用于各种领域，对数据进行较为准确地预测。在本步骤中，也即，较为准确地模拟各待处理任务的分配结果。
在匹配模型的训练过程中，历史输入向量分别根据第二样本集合中各样本的历史任务的历史任务属性信息以及配送资源的历史资源属性信息确定，输出为对应的匹配标识。由此服务器可以基于匹配模型，根据各待处理任务的任务属性信息以及各配送资源的资源属性信息对各待处理任务与各配送资源的匹配程度进行预测。匹配分数通常在0到1之间，越接近1表示对应的待处理任务与配送资源的匹配程度越高，反之越低。
在另一种可选的实现方式中，服务器也可以根据预先配置的、任务属性信息以及资源属性信息中各项参数与权重的对应关系计算各待处理任务与各配送资源的匹配分数。
在确定各待处理任务与各配送资源的匹配分数后，服务器可以根据匹配分数确定待处理订单的分配结果。具体地，服务器可以根据各配送资源的最大可承担任务数量以及与各待处理订单的匹配分数确定各待处理订单的分配结果。
例如，订单1与配送人员1的匹配分数为95，与配送人员2的匹配分数为89，但配送人员1最大可承担任务数量为5，当前已分配任务数量(当前已被分配且未交付的待处理订单的数量)为5，则不将订单1分配给配送人员1；配送人员2最大可承担任务数量为3，当前已分配任务数量为2，则可以将订单1分配给配送人员2，也即，确定订单1的分配结果为配送人员2。
容易理解，在本实施例中，任务属性信息以及资源属性信息可以为从本地或其他服务器获取的实际信息，也可以为人工生成的虚拟信息，本实施例不做限定。
步骤S500，根据分配结果确定各配送资源的模拟移动轨迹。
在本步骤中，服务器可以基于预定算法，对配送人员的第一位置信息、待处理订单对应的商户的第二位置信息以及用户的第三位置信息进行路径规划，从而确定各配送资源的模拟移动轨迹。其中，预定算法可以为贪心算法、Or-Tools等。以Or-Tools为例，Or-Tools是由谷歌开发的、通过一些给定的约束条件确定最优解的算法。在用于路径规划时，Or-Tools可以寻求在约束条件下的最短路径作为模拟移动轨迹，限制条件可以根据实际需求确定，例如为全部订单交付必须在两小时内完成等。
步骤S600，根据各任务属性信息以及对应的资源属性信息中的至少一项，基于待预测参数集合中各待预测参数对应的参数预测模型，确定各待处理任务对应的各待预测参数。
可选地，服务器还可以分别获取各待预测参数对应的信息集合，并根据任务属性信息、对应的资源属性信息以及信息集合中的至少一项确定输入向量，从而分别基于各待预测参数对应的参数预测模型确定对应的待预测参数。
在本实施例中，参数预测模型根据各待预测单数对应的第一样本集合训练获得。其中，第一样本集合包括多个历史任务的历史任务属性信息以及对应的配送资源的历史资源属性信息，历史任务属性信息包括各所述历史任务对应的历史参数。例如，待预测参数为任务交付时长，则历史参数为历史任务交付时长。
(一)待预测参数为待处理任务的任务交接时长。此时信息集合可以包括各待处理任务对应的目标提供方的供方属性信息以及目标对象的对象属性信息中的至少一项。类似地，第一样本集合包括各历史任务对应的历史提供方的历史供方属性信息以及历史对象的历史对象属性信息中的至少一项。
供方属性信息可以包括目标提供方对应的楼层数(或楼层高度)、所在的建筑配置的电梯(可以为直梯和/或扶梯)数量、建筑内非目标商户的数量等。楼层数(或楼层高度)、所在的建筑配置的电梯数量、建筑内非目标商户的数量楼层数(或楼层高度)、所在的建筑配置的电梯数量、建筑内非目标商户的数量与任务交接时长均具有较强的相关性。楼层数(或楼层高度)越高，配送人员需要移动的距离越长；所在的建筑配置的电梯数量越少和/或建筑内非目标商户的数量越多，配送人员需要等待电梯的时间通常越长，甚至可能需要通过楼梯步行接收目标订单标的，这使得任务接收时长也会因此增长。类似地，历史供方属性信息可以包括历史提供方对应的楼层数(或楼层高度)、所在的建筑配置的电梯(可以为直梯和/或扶梯)数量、建筑内非目标历史商户的数量。
具体地，在训练任务接收时长对应的参数预测模型时，历史输入向量可以根据各历史订单的历史任务属性信息(具体可以为历史订单对应的商品总重量、历史订单对应的商品数量)以及对应的历史提供方的历史供方属性信息确定，输出为对应的历史任务接收时长。由此服务器可以基于任务接收时长对应的参数预测模型，根据各待处理任务的任务属性信息(具体可以为待处理订单对应的商品总重量、商品数量)以及目标提供方的供方属性信息对各待处理任务的任务接收时长进行预测。
类似地，对象属性信息可以包括目标对象对应的楼层数(或楼层高度)、所在的建筑配置的电梯(可以为直梯)数量、建筑内非目标用户的数量等。楼层数(或楼层高度)、所在的建筑配置的电梯数量、建筑内非目标用户的数量楼层数(或楼层高度)、所在的建筑配置的电梯数量、建筑内用户的数量与任务交接时长均具有较强的相关性。楼层数(或楼层高度)越高，配送人员需要移动的距离越长；所在的建筑配置的电梯数量越少和/或建筑内非目标用户的数量越多，配送人员需要等待电梯的时间通常越长，甚至可能需要通过楼梯步行交付目标订单标的，这使得任务接收时长也会因此增长。类似地，历史对象属性信息可以包括历史对象对应的楼层数(或楼层高度)、所在的建筑配置的电梯数量、建筑内非目标历史用户的数量。
具体地，在训练任务交付时长对应的参数预测模型时，历史输入向量可以根据各历史订单的历史任务属性信息(具体可以为历史订单对应的商品总重量、商品数量)以及对应的历史对象的历史对象属性信息确定，输出为对应的历史任务交付时长。由此服务器可以基于任务交付时长对应的参数预测模型，根据各待处理任务的任务属性信息(具体可以为待处理订单对应的商品总重量、商品数量)以及目标对象的对象属性信息对各待处理任务的任务交付时长进行预测。
(二)待预测参数为待处理任务的速率信息。此时信息集合可以包括待处理任务集合中对应的处理日期的天气状况、模拟移动轨迹中各模拟分段的交通状况以及各待处理任务对应的配送资源在各模拟分段移动时的待处理任务的实体总参数中的至少一项。其中，处理日期的天气状况也即各待处理订单的交付日期对应的天气状况，可以包括风晴雨雪等；各模拟分段的交通状况也即配送人员经过的各路段的实际交通状况，可以包括通畅、拥堵等；配送资源在各模拟分段移动时的待处理任务的实体总参数用于表征配送人员在各模拟分段移动时，已接收但未交付的待处理订单标的的总重量、总数量等，实体总参数可以根据配送人员在各模拟分段移动时已接收但未交付的待处理任务的任务属性信息确定。类似地，第一样本集合中也可以包括各历史订单对应的历史处理日期的天气状况、模拟移动轨迹中各模拟分段的交通状况以及各待处理任务对应的配送资源在各模拟分段移动时的待处理任务的实体总参数中的至少一项。
例如，配送人员1在路段1移动时，已接收但未交付的待处理订单为订单1、订单2和订单3，其中，订单1对应的商品总重量为1kg，订单2对应的商品总重量为0.5kg，订单3对应的商品总重量为1.5kg，则配送人员在路段1移动待处理任务的实体总参数为3kg。
移动速率能够较为准确配送资源在各模拟分段所耗费的时长。通常配送人员使用的交通工具在正常行驶的情况下移动速率相差较小，可以忽略不计，因此处理日期的天气状况、模拟移动轨迹中各模拟分段的交通状况以及各待处理任务对应的配送资源在各模拟分段移动时的待处理任务的实体总参数与速率信息具有较强的相关性。天气状况越差和/或交通状况越差和/或实体总参数越大，会降低配送人员在对应的模拟分段的移动速率。
具体地，在训练速率信息对应的参数预测模型时，历史输入向量可以根据各历史订单对应的配送资源的历史资源属性信息以及在各历史分段对应的信息集合确定，输出为在各历史分段对应的历史速率信息。由此服务器可以基于速率信息对应的参数预测模型，根据各待处理任务对应的配送资源的资源属性信息以及在各模拟分段移动时对应的信息集合中的至少一项对各待处理任务的至少一个速率信息进行预测。
可选地，在获取各模拟分段对应的速率信息后，服务器还可以根据各模拟分段的分段长度计算配送资源在各模拟分段移动所耗费的移动时长。
(三)待预测参数为待处理任务的预计完成时长。在训练预计完成时长对应的参数预测模型时，历史输入向量可以根据各历史订单的历史任务属性信息以及对应的配送资源的历史资源属性信息确定，输出为对应的历史完成时长。由此服务器可以基于预计完成时长对应的参数预测模型，根据各待处理任务的任务属性信息以及对应的配送资源的资源属性信息对各待处理任务的预计完成时长进行预测。
(四)待预测参数为各待处理任务的预计处理时长。此时信息集合可以包括各待处理任务对应的目标提供方的未处理任务数量。未处理任务数量用于表征目标商户在确认订单时还未处理完毕的订单的数量。通常未处理任务数量越多，目标商户开始处理待处理任务的时刻越晚，从而导致待处理任务的预计处理时长增长。类似地，第一样本集合也可以包括各历史任务对应的历史提供方的历史未处理任务数量。
在训练预计处理时长对应的参数预测模型时，历史输入向量可以根据各历史订单的历史任务属性信息以及对应的历史提供方的历史未处理任务数量确定，输出为对应的历史处理时长。由此服务器可以基于预计处理时长对应的参数预测模型，根据各待处理任务的任务属性信息以及对应的目标提供方的未处理任务数量对各待处理任务的预计处理时长进行预测。
容易理解，匹配模型以及参数预测模型在训练过程中的历史输入向量以及实际应用过程中的输入向量对应的信息相同。例如，若历史输入向量对应的信息包括历史订单对应的历史提供方对应的楼层数，则输入向量对应的信息包括待处理订单对应的目标提供方对应的楼层数；若历史输入向量对应的信息不包括历史对象对应的楼层数，则输入向量对应的信息不包括目标对象对应的楼层数。
图2是本发明实施例的待预测参数的示意图。图2以一个配送资源对应的三个待处理任务为例进行说明。如图2所示，待处理任务包括订单1、订单2和订单3。服务器根据待处理任务对应的配送资源的第一位置信息、各待处理任务对应的目标提供方的第二位置信息以及目标对象的第三位置信息进行路径规划，得到的模拟移动轨迹为：X→A1→A2→B1→C1→B2→C2。其中，X表示配送资源的第一位置信息，A1、B1和C1分别表示订单1、订单2和订单3对应的目标提供方的第二位置信息，A1、B1和C1分别表示订单1、订单2和订单3对应的目标对象的第三位置信息。图2所示的时长以min(分钟)为单位，其中第一移动时长分别用于表征根据配送资源从X移动到A1、从A2移动到B1以及从B1移动到C1经过的各模拟路段的速率信息计算获得的移动时长的总和，第二移动时长分别用于表征根据配送资源从A1移动到A2、从C1移动到B2以及从B2移动到C2经过的各模拟路段的速率信息计算获得的移动时长的总和。
步骤S700，根据各待预测参数以及模拟移动轨迹生成目标区域对应的区域数据报告。
任务属性信息还可以包括待处理任务的任务创建时刻，因此可选地，服务器可以根据各待处理任务的任务创建时刻、对应的待预测参数以及对应的模拟移动轨迹生成对应的至少一项区域相关数据，并根据至少一项区域相关数据生成区域数据报告，从而通过模拟任务分配的方式生成的区域相关数据对目标区域划分的合理性进行较为直观且准确地表现。
具体地，服务器可以根据待各处理任务的任务创建时刻以及对应的各项待预测参数确定待处理任务的各处理阶段对应的完成时刻(例如，配送资源从待处理订单对应的目标商户的位置移动到目标用户的位置的时刻、从确认待处理订单到对待处理订单处理完毕的时刻等)，从而根据完成时刻确定至少一项区域相关数据。
图3是本发明实施例的完成时刻的示意图。如图3所示，服务器可以根据各待处理任务的创建时刻(也即，订单创建时刻)以及图2所示的待遇测参数确定配送资源对于订单1、订单2和订单3的不同处理阶段对应的完成时刻。“完成”用于表征待处理任务的预计完成时刻，具体可以根据订单创建时刻以及预计完成时长确定；“处理完毕”用于表征待处理任务的预计处理时刻，具体可以根据订单创建时刻以及预计处理时长确定；“到达第二位置”用于表征配送资源从第一位置移动到各待处理任务对应的目标提供方的第二位置的时刻，具体可以根据配送资源在第一位置的时刻以及第一移动时长确定；“接收完毕”用于表征配送资源接收到待处理任务的订单标的的时刻，具体可以根据“到达第二位置”时刻以及预计接收时长确定，可选地，还可以根据“处理完毕”时刻确定；“到达第三位置”用于表征从前一节点移动到目标对象的第三位置的时刻，具体可以根据“接收完毕”时刻以及第二移动时长确定；“交付完毕”用于表征待处理任务的交付时刻，具体可以根据“到达第三位置”时刻以及预计交付时长确定。
其中，前一节点可以根据模拟移动轨迹确定，具体可以为同一待处理任务对应的目标提供方的第二位置，也可以为不同待处理任务对应的目标提供方的第二位置，还可以为不同待处理任务对应的目标对象的第三位置。
在根据“处理完毕”时刻确定“接收完毕”时刻时，若根据“到达第二位置”时刻以及预计接收时长确定的“接收完毕”时刻不早于“处理完毕”时刻，则服务器保持“接收完毕”时刻不变；若根据“到达第二位置”时刻以及预计接收时长确定的“接收完毕”时刻早于“处理完毕”时刻，则服务器将“接收完毕”时刻修改为“处理完毕”时刻。例如，根据“到达第二位置”时刻以及预计接收时长确定的“接收完毕”时刻为10:05，若“处理完毕”时刻为10:03，则服务器将“接收完毕”时刻确定为10:05；若“处理完毕”时刻为10:08，则服务器将“接收完毕”时刻修改为10:08。
在确定各待处理任务的各处理阶段对应的完成时刻后，服务器可以分别根据各待处理任务的各完成时刻确定至少一项区域相关数据。例如，服务器可以根据订单完成时刻与“交付完毕”时刻确定待处理任务是否超时以及超时时长或省时时长。区域相关数据可以根据实际需求获取，本实施例不做限定。
在获取区域相关数据后，服务器还可以对各待处理任务对应的至少一项区域相关数据进行处理，从而生成区域数据报告。例如，可以根据各待处理任务的超时时长的平均值确定任务平均超时时长。区域相关数据的处理方式可以根据实际需求确定，本实施例同样不做限定。
可选地，在生成目标区域的区域数据报告后，本实施例的方法还可以包括如下步骤：
步骤S800，向预定终端发送区域数据报告。
服务器在生成目标区域的区域数据报告后，可以向预定终端发送区域数据报告，以使得预定终端可以对区域数据报告进行显示。容易理解，预定终端可以为发送预定数据处理指令的终端。
图4是本发明实施例在终端侧显示区域数据报告的示意图。如图4所示，区域1为目标区域，区域1数据报告可以包括区域1内已完成任务数量(也即，已交付任务数量)、任务平均完成时长、任务平均移动距离(也即，配送资源从第一位置移动到各待处理订单对应的目标对象的第三位置信息所移动的平均距离)、超时率(也即，各配送资源处理各待处理任务的总超时率)、任务平均超时时长、任务平均省时时长等。通常已完成任务数量越多、超时率越低、任务平均超时时长以及任务平均省时时长越低，通常表示区域划分的合理性越强。
在本实施例中，终端可以向服务器发送针对多个不同区域的预定数据处理指令，针对多个不同区域的预定数据处理指令用于表征不同的区域划分方案。因此可选地，服务器在接收到终端发送的、针对多个不同区域的预定数据处理指令时，可以分别将各预定数据处理指令对应的不同区域分别确定为目标区域，并分别执行步骤S100-S800，从而生成并发送各目标区域的区域数据报告，使得预定终端可以对各目标区域的区域数据报告分别或同时进行展示，以使得运维人员可以根据各目标区域的区域数据报告确定多个区域划分方案中的目标区域划分方案。其中，不同区域间存在至少一个不同的网格。例如，区域1包括网格1、网格2和网格3，区域2包括网格1、网格2和网格4，区域3包括网格1、网格2、网格3和网格4。
本实施例获取位置范围在目标区域内的待处理任务集合、配送资源集合和对应的待预测参数集合，并根据各配送资源的资源属性信息和各待处理任务的任务属性信息模拟各待处理任务的分配结果，进而根据分配结果确定各配送资源的模拟移动轨迹，并根据各任务属性信息和对应的资源属性信息中的至少一项确定各待处理任务对应的各待预测参数，从而根据各待预测参数以及模拟移动轨迹生成目标区域的区域数据报告。在本实施例中，各待预测参数通过对应的参数预测模型获得，具有较高的准确性，使得本实施例的方法可以较为准确地模拟任务分配，从而评估区域划分的合理性，为目标区域的区域范围调整提供较为准确的数据支持。
图5是本发明第二实施例的数据处理装置的示意图。如图5所示，本实施例的装置包括第一确定单元51、第一获取单元52、第二获取单元53、模拟分配单元54、轨迹模拟单元55、第二确定单元56和报告生成单元57。
其中，第一确定单元51用于响应于接收到预定数据处理指令，将所述预定数据处理指令对应的区域确定为目标区域，所述目标区域为具有预定配送范围的地理区域。第一获取单元52用于获取位置范围在所述目标区域内的待处理任务集合以及所述待处理任务集合对应的待预测参数集合。第二获取单元53用于获取位置范围在所述目标区域内的配送资源集合。模拟分配单元54用于根据所述配送资源集合中各配送资源的资源属性信息以及所述待处理任务集合中各待处理任务的任务属性信息模拟各所述待处理任务的分配结果。轨迹模拟单元55用于根据所述分配结果确定各所述配送资源的模拟移动轨迹。第二确定单元56用于根据各所述任务属性信息以及对应的所述资源属性信息中的至少一项，基于所述待预测参数集合中各待预测参数对应的参数预测模型，确定各所述待处理任务对应的各所述待预测参数，所述参数预测模型根据对应的第一样本集合训练获得，所述第一样本集合包括多个历史任务的历史任务属性信息以及对应的配送资源的历史资源属性信息，所述历史任务属性信息包括各所述历史任务对应的历史参数。报告生成单元57用于根据各所述待预测参数以及所述模拟移动轨迹生成所述目标区域对应的区域数据报告。
进一步地，所述模拟分配单元54包括第一确定子单元、分数确定子单元和分配子单元。
其中，第一确定子单元用于将任一所述资源属性信息以及任一所述任务属性信息确定为一个属性信息对。分数确定子单元用于以各所述属性信息对为输入，基于匹配模型，确定对应的匹配分数，所述匹配模型根据第二样本集合训练获得，所述第二样本集合包括多个历史任务的历史任务属性信息、多个配送资源的历史资源属性信息以及各所述配送资源的对应的匹配标识，所述匹配标识用于表征所述配送资源与所述历史任务是否匹配。分配子单元用于根据所述匹配分数确定所述待处理任务的分配结果。
进一步地，所述资源属性信息包括所述配送资源的第一位置信息，所述任务属性信息包括所述待处理任务对应的目标提供方的第二位置信息以及所述待处理任务对应的目标对象的第三位置信息；
所述轨迹模拟单元55用于基于预定算法，对所述第一位置信息、对应的至少一个第二位置信息以及所述第三位置信息进行路径规划，确定所述模拟移动轨迹。
进一步地，所述第二确定单元56包括第一获取子单元和第二确定子单元。
其中，第一获取子单元用于获取各所述待预测参数对应的信息集合。第二确定子单元用于根据所述任务属性信息、对应的所述资源属性信息以及所述信息集合中的至少一项确定输入向量，基于所述待预测参数对应的所述参数预测模型，确定对应的所述待预测参数。
进一步地，所述待预测参数为各所述待处理任务的任务交接时长；
所述信息集合包括各所述待处理任务对应的目标提供方的供方属性信息以及目标对象的对象属性信息中的至少一项；
所述第一样本集合包括各所述历史任务对应的历史提供方的历史供方属性信息以及历史对象的历史对象属性信息中的至少一项；
所述第二确定子单元包括第一确定模块。
其中，第一确定模块用于根据所述任务属性信息以及所述供方属性信息或所述对象属性信息确定所述输入向量。
进一步地，所述待预测参数为各所待处理任务的至少一个速率信息，所述速率信息用于表征所述处理所述待处理任务的所述配送资源的移动速率；
所述信息集合包括所述待处理任务集合对应的处理日期的天气状况、所述模拟移动轨迹中各模拟分段的交通状况以及各所述待处理任务对应的所述配送资源在各所述模拟分段移动时的待处理任务的实体总参数中的至少一项；
所述第一样本集合包括所述历史任务集合对应的历史日期的历史天气状况、各所述历史任务对应的历史移动轨迹中各历史分段的历史交通状况以及各所述历史任务对应的所述配送资源在各所述历史分段移动时的历史任务的历史实体总参数中的至少一项；
所述第二确定子单元包括第二确定模块和第三确定模块。
其中，第二确定模块用于分别根据各所述待处理订单对应的所述资源属性信息以及在各所述模拟分段对应的所述信息集合确定所述输入向量。第三确定模块用于将所述输入向量输入所述速率信息对应的参数预测模型中，确定所述配送资源在对应的所述模拟分段移动时对应的所述速率信息。
进一步地，所述待预测参数为各所述待处理任务的预计完成时长；
所述第二确定子单元包括第四确定模块。
第四确定模块用于根据所述任务属性信息以及对应的所述资源属性信息确定所述输入向量。
进一步地，所述待预测参数为各所述待处理任务的预计处理时长；
所述信息集合包括各所述待处理任务对应的目标提供方的未处理任务数量；
所述第一样本集合包括各所述历史任务对应的历史提供方的历史未处理任务数量；
所述第二确定子单元包括第五确定模块。
其中，第五确定模块用于根据所述任务属性信息以及所述信息集合确定所述输入向量。
进一步地，所述任务属性信息包括所述待处理任务的任务创建时刻；
所述报告生成单元57包括第一生成子单元和第二生成子单元。
其中，第一生成子单元用于根据各所述任务创建时刻、对应的所述待预测参数以及所述对应的模拟移动轨迹生成对应的至少一项区域相关数据。第二生成子单元用于根据所述区域相关数据生成所述区域数据报告。
进一步地，所述装置还包括报告发送单元58。
其中，报告发送单元58用于向预定终端发送所述区域数据报告，以对所述区域数据报告进行显示。
本实施例获取位置范围在目标区域内的待处理任务集合、配送资源集合和对应的待预测参数集合，并根据各配送资源的资源属性信息和各待处理任务的任务属性信息模拟各待处理任务的分配结果，进而根据分配结果确定各配送资源的模拟移动轨迹，并根据各任务属性信息和对应的资源属性信息中的至少一项确定各待处理任务对应的各待预测参数，从而根据各待预测参数以及模拟移动轨迹生成目标区域的区域数据报告。在本实施例中，各待预测参数通过对应的参数预测模型获得，具有较高的准确性，使得本实施例的方法可以较为准确地模拟任务分配，从而评估区域划分的合理性，为目标区域的区域范围调整提供较为准确的数据支持。
图6是本发明第三实施例的电子设备的示意图。如图6所示，该电子设备：至少包括一个处理器601；以及，与至少一个处理器601通信连接的存储器602；以及，与扫描装置通信连接的通信组件603，通信组件603在处理器601的控制下接收和发送数据；其中，存储器602存储有可被至少一个处理器601执行的命令，命令被至少一个处理器601执行以实现上述步骤。
具体地，该电子设备包括：一个或多个处理器601以及存储器602，图6中以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接，图6中以通过总线连接为例。存储器602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601通过运行存储在存储器602中的非易失性软件程序、命令以及模块，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602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602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602可选包括相对于处理器601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602中，当被一个或者多个处理器601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。
本实施例获取位置范围在目标区域内的待处理任务集合、配送资源集合和对应的待预测参数集合，并根据各配送资源的资源属性信息和各待处理任务的任务属性信息模拟各待处理任务的分配结果，进而根据分配结果确定各配送资源的模拟移动轨迹，并根据各任务属性信息和对应的资源属性信息中的至少一项确定各待处理任务对应的各待预测参数，从而根据各待预测参数以及模拟移动轨迹生成目标区域的区域数据报告。在本实施例中，各待预测参数通过对应的参数预测模型获得，具有较高的准确性，使得本实施例的方法可以较为准确地模拟任务分配，从而评估区域划分的合理性，为目标区域的区域范围调整提供较为准确的数据支持。
本发明的第四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命令相关的硬件来完成，该程序存储在一个存储介质中，包括若干命令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施例是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
Claims (22)
1.一种数据处理方法，其特征在于，所述方法包括：
响应于接收到预定数据处理指令，将所述预定数据处理指令对应的区域确定为目标区域，所述目标区域为具有预定配送范围的地理区域；
获取位置范围在所述目标区域内的待处理任务集合以及所述待处理任务集合对应的待预测参数集合；
获取位置范围在所述目标区域内的配送资源集合；
根据所述配送资源集合中各配送资源的资源属性信息以及所述待处理任务集合中各待处理任务的任务属性信息模拟各所述待处理任务的分配结果，其中，所述资源属性信息用于反映配送人员的配送能力，所述任务属性信息至少用于反映待处理任务对应的商品的属性；
根据所述分配结果确定各所述配送资源的模拟移动轨迹；
根据各所述任务属性信息以及对应的所述资源属性信息中的至少一项，基于所述待预测参数集合中各待预测参数对应的参数预测模型，确定各所述待处理任务对应的各所述待预测参数，所述参数预测模型根据对应的第一样本集合训练获得，所述第一样本集合包括多个历史任务的历史任务属性信息以及对应的配送资源的历史资源属性信息，所述历史任务属性信息包括各所述历史任务对应的历史参数；
根据各所述待预测参数以及所述模拟移动轨迹生成所述目标区域对应的区域数据报告；
其中，所述根据所述配送资源集合中各配送资源的资源属性信息以及所述待处理任务集合中各待处理任务的任务属性信息模拟各所述待处理任务的分配结果包括：
确定任一所述资源属性信息以及任一所述任务属性信息的匹配分数；
根据所述匹配分数确定所述待处理任务的分配结果。
2.根据权利要求1所述的方法，其特征在于，所述确定任一所述资源属性信息以及任一所述任务属性信息的匹配分数包括：
将任一所述资源属性信息以及任一所述任务属性信息确定为一个属性信息对；
以各所述属性信息对为输入，基于匹配模型，确定对应的匹配分数，所述匹配模型根据第二样本集合训练获得，所述第二样本集合包括多个历史任务的历史任务属性信息、多个配送资源的历史资源属性信息以及各所述配送资源的对应的匹配标识，所述匹配标识用于表征所述配送资源与所述历史任务是否匹配。
3.根据权利要求1所述的方法，其特征在于，所述资源属性信息包括所述配送资源的第一位置信息，所述任务属性信息包括所述待处理任务对应的目标提供方的第二位置信息以及所述待处理任务对应的目标对象的第三位置信息；
所述根据所述分配结果确定各所述配送资源的模拟移动轨迹包括：
基于预定算法，对所述第一位置信息、对应的至少一个第二位置信息以及所述第三位置信息进行路径规划，确定所述模拟移动轨迹。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述任务属性信息以及对应的所述资源属性信息中的至少一项，基于所述待预测参数集合中各待预测参数对应的参数预测模型，确定各所述待处理任务对应的各所述待预测参数包括：
获取各所述待预测参数对应的信息集合；
根据所述任务属性信息、对应的所述资源属性信息以及所述信息集合中的至少一项确定输入向量，基于所述待预测参数对应的所述参数预测模型，确定对应的所述待预测参数。
5.根据权利要求4所述的方法，其特征在于，所述待预测参数为各所述待处理任务的任务交接时长；
所述信息集合包括各所述待处理任务对应的目标提供方的供方属性信息以及目标对象的对象属性信息中的至少一项；
所述第一样本集合包括各所述历史任务对应的历史提供方的历史供方属性信息以及历史对象的历史对象属性信息中的至少一项；
所述根据所述任务属性信息、对应的所述资源属性信息以及所述信息集合中的至少一项确定输入向量包括：
根据所述任务属性信息以及所述供方属性信息或所述对象属性信息确定所述输入向量。
6.根据权利要求4所述的方法，其特征在于，所述待预测参数为各所待处理任务的至少一个速率信息，所述速率信息用于表征所述处理所述待处理任务的所述配送资源的移动速率；
所述信息集合包括所述待处理任务集合对应的处理日期的天气状况、所述模拟移动轨迹中各模拟分段的交通状况以及各所述待处理任务对应的所述配送资源在各所述模拟分段移动时的待处理任务的实体总参数中的至少一项；
所述第一样本集合包括所述历史任务集合对应的历史日期的历史天气状况、各所述历史任务对应的历史移动轨迹中各历史分段的历史交通状况以及各所述历史任务对应的所述配送资源在各所述历史分段移动时的历史任务的历史实体总参数中的至少一项；
所述根据所述任务属性信息、对应的所述资源属性信息以及所述信息集合中的至少一项确定输入向量，基于所述待预测参数对应的所述参数预测模型，确定对应的所述待预测参数包括：
分别根据各所述待处理任务对应的所述资源属性信息以及在各所述模拟分段对应的所述信息集合确定所述输入向量；
将所述输入向量输入所述速率信息对应的参数预测模型中，确定所述配送资源在对应的所述模拟分段移动时对应的所述速率信息。
7.根据权利要求4所述的方法，其特征在于，所述待预测参数为各所述待处理任务的预计完成时长；
所述根据所述任务属性信息、对应的所述资源属性信息以及所述信息集合中的至少一项确定输入向量包括：
根据所述任务属性信息以及对应的所述资源属性信息确定所述输入向量。
8.根据权利要求4所述的方法，其特征在于，所述待预测参数为各所述待处理任务的预计处理时长；
所述信息集合包括各所述待处理任务对应的目标提供方的未处理任务数量；
所述第一样本集合包括各所述历史任务对应的历史提供方的历史未处理任务数量；
所述根据所述任务属性信息、对应的所述资源属性信息以及所述信息集合中的至少一项确定输入向量包括：
根据所述任务属性信息以及所述信息集合确定所述输入向量。
9.根据权利要求1所述的方法，其特征在于，所述任务属性信息包括所述待处理任务的任务创建时刻；
所述根据各所述待预测参数以及所述模拟移动轨迹生成所述目标区域对应的区域数据报告包括：
根据各所述任务创建时刻、对应的所述待预测参数以及所述对应的模拟移动轨迹生成对应的至少一项区域相关数据；
根据所述区域相关数据生成所述区域数据报告。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
向预定终端发送所述区域数据报告，以对所述区域数据报告进行显示。
11.一种数据处理装置，其特征在于，所述装置包括：
第一确定单元，用于响应于接收到预定数据处理指令，将所述预定数据处理指令对应的区域确定为目标区域，所述目标区域为具有预定配送范围的地理区域；
第一获取单元，用于获取位置范围在所述目标区域内的待处理任务集合以及所述待处理任务集合对应的待预测参数集合；
第二获取单元，用于获取位置范围在所述目标区域内的配送资源集合；
模拟分配单元，用于根据所述配送资源集合中各配送资源的资源属性信息以及所述待处理任务集合中各待处理任务的任务属性信息模拟各所述待处理任务的分配结果，其中，所述资源属性信息用于反映配送人员的配送能力，所述任务属性信息至少用于反映待处理任务对应的商品的属性；
轨迹模拟单元，用于根据所述分配结果确定各所述配送资源的模拟移动轨迹；
第二确定单元，用于根据各所述任务属性信息以及对应的所述资源属性信息中的至少一项，基于所述待预测参数集合中各待预测参数对应的参数预测模型，确定各所述待处理任务对应的各所述待预测参数，所述参数预测模型根据对应的第一样本集合训练获得，所述第一样本集合包括多个历史任务的历史任务属性信息以及对应的配送资源的历史资源属性信息，所述历史任务属性信息包括各所述历史任务对应的历史参数；
报告生成单元，用于根据各所述待预测参数以及所述模拟移动轨迹生成所述目标区域对应的区域数据报告；
其中，所述模拟分配单元用于：
确定任一所述资源属性信息以及任一所述任务属性信息的匹配分数；
根据所述匹配分数确定所述待处理任务的分配结果。
12.根据权利要求11所述的装置，其特征在于，所述模拟分配单元包括：
第一确定子单元，用于将任一所述资源属性信息以及任一所述任务属性信息确定为一个属性信息对；
分数确定子单元，用于以各所述属性信息对为输入，基于匹配模型，确定对应的匹配分数，所述匹配模型根据第二样本集合训练获得，所述第二样本集合包括多个历史任务的历史任务属性信息、多个配送资源的历史资源属性信息以及各所述配送资源的对应的匹配标识，所述匹配标识用于表征所述配送资源与所述历史任务是否匹配。
13.根据权利要求11所述的装置，其特征在于，所述资源属性信息包括所述配送资源的第一位置信息，所述任务属性信息包括所述待处理任务对应的目标提供方的第二位置信息以及所述待处理任务对应的目标对象的第三位置信息；
所述轨迹模拟单元用于基于预定算法，对所述第一位置信息、对应的至少一个第二位置信息以及所述第三位置信息进行路径规划，确定所述模拟移动轨迹。
14.根据权利要求11所述的装置，其特征在于，所述第二确定单元包括：
第一获取子单元，用于获取各所述待预测参数对应的信息集合；
第二确定子单元，用于根据所述任务属性信息、对应的所述资源属性信息以及所述信息集合中的至少一项确定输入向量，基于所述待预测参数对应的所述参数预测模型，确定对应的所述待预测参数。
15.根据权利要求14所述的装置，其特征在于，所述待预测参数为各所述待处理任务的任务交接时长；
所述信息集合包括各所述待处理任务对应的目标提供方的供方属性信息以及目标对象的对象属性信息中的至少一项；
所述第一样本集合包括各所述历史任务对应的历史提供方的历史供方属性信息以及历史对象的历史对象属性信息中的至少一项；
所述第二确定子单元包括：
第一确定模块，用于根据所述任务属性信息以及所述供方属性信息或所述对象属性信息确定所述输入向量。
16.根据权利要求14所述的装置，其特征在于，所述待预测参数为各所待处理任务的至少一个速率信息，所述速率信息用于表征所述处理所述待处理任务的所述配送资源的移动速率；
所述信息集合包括所述待处理任务集合对应的处理日期的天气状况、所述模拟移动轨迹中各模拟分段的交通状况以及各所述待处理任务对应的所述配送资源在各所述模拟分段移动时的待处理任务的实体总参数中的至少一项；
所述第一样本集合包括所述历史任务集合对应的历史日期的历史天气状况、各所述历史任务对应的历史移动轨迹中各历史分段的历史交通状况以及各所述历史任务对应的所述配送资源在各所述历史分段移动时的历史任务的历史实体总参数中的至少一项；
所述第二确定子单元包括：
第二确定模块，用于分别根据各所述待处理任务对应的所述资源属性信息以及在各所述模拟分段对应的所述信息集合确定所述输入向量；
第三确定模块，用于将所述输入向量输入所述速率信息对应的参数预测模型中，确定所述配送资源在对应的所述模拟分段移动时对应的所述速率信息。
17.根据权利要求14所述的装置，其特征在于，所述待预测参数为各所述待处理任务的预计完成时长；
所述第二确定子单元包括：
第四确定模块，用于根据所述任务属性信息以及对应的所述资源属性信息确定所述输入向量。
18.根据权利要求14所述的装置，其特征在于，所述待预测参数为各所述待处理任务的预计处理时长；
所述信息集合包括各所述待处理任务对应的目标提供方的未处理任务数量；
所述第一样本集合包括各所述历史任务对应的历史提供方的历史未处理任务数量；
所述第二确定子单元包括：
第五确定模块，用于根据所述任务属性信息以及所述信息集合确定所述输入向量。
19.根据权利要求11所述的装置，其特征在于，所述任务属性信息包括所述待处理任务的任务创建时刻；
所述报告生成单元包括：
第一生成子单元，用于根据各所述任务创建时刻、对应的所述待预测参数以及所述对应的模拟移动轨迹生成对应的至少一项区域相关数据；
第二生成子单元，用于根据所述区域相关数据生成所述区域数据报告。
20.根据权利要求11所述的装置，其特征在于，所述装置还包括：
报告发送单元，用于向预定终端发送所述区域数据报告，以对所述区域数据报告进行显示。
21.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-10中任一项所述的方法。
22.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010739029.7A CN112036788B (zh) | 2020-07-28 | 2020-07-28 | 数据处理方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010739029.7A CN112036788B (zh) | 2020-07-28 | 2020-07-28 | 数据处理方法、装置、可读存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036788A CN112036788A (zh) | 2020-12-04 |
| CN112036788B true CN112036788B (zh) | 2024-05-07 |
Family
ID=73583371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010739029.7A Active CN112036788B (zh) | 2020-07-28 | 2020-07-28 | 数据处理方法、装置、可读存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036788B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819228B (zh) * | 2021-02-03 | 2024-05-24 | 北京骑胜科技有限公司 | 任务处理方法、装置、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 |
| CN113780874A (zh) * | 2021-09-22 | 2021-12-10 | 拉扎斯网络科技（上海）有限公司 | 信息处理方法和信息处理装置 |
| CN115545402B (zh) * | 2022-08-30 | 2024-03-05 | 五八畅生活(北京)信息技术有限公司 | 一种资源适配方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018064937A1 (zh) * | 2016-10-08 | 2018-04-12 | 阿里巴巴集团控股有限公司 | 一种订单信息处理方法、装置及系统 |
| JP6373462B1 (ja) * | 2017-08-04 | 2018-08-15 | ヤフー株式会社 | 予測装置、予測方法及び予測プログラム |
| CN109615122A (zh) * | 2018-11-27 | 2019-04-12 | 拉扎斯网络科技（上海）有限公司 | 配送范围的生成方法、装置、电子设备和存储介质 |
| CN110009155A (zh) * | 2019-04-08 | 2019-07-12 | 上海拉扎斯信息科技有限公司 | 业务区域配送难度的估计方法、装置和电子设备 |
| CN110378522A (zh) * | 2019-07-02 | 2019-10-25 | 北京三快在线科技有限公司 | 预测配送状态信息的方法、装置、存储介质及电子设备 |
| CN110390504A (zh) * | 2019-07-18 | 2019-10-29 | 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 |
| 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 |
| CN110807545A (zh) * | 2019-10-22 | 2020-02-18 | 北京三快在线科技有限公司 | 任务时长的预估方法、装置、电子设备和存储介质 |
-
2020
- 2020-07-28 CN CN202010739029.7A patent/CN112036788B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018064937A1 (zh) * | 2016-10-08 | 2018-04-12 | 阿里巴巴集团控股有限公司 | 一种订单信息处理方法、装置及系统 |
| JP6373462B1 (ja) * | 2017-08-04 | 2018-08-15 | ヤフー株式会社 | 予測装置、予測方法及び予測プログラム |
| CN109615122A (zh) * | 2018-11-27 | 2019-04-12 | 拉扎斯网络科技（上海）有限公司 | 配送范围的生成方法、装置、电子设备和存储介质 |
| CN110009155A (zh) * | 2019-04-08 | 2019-07-12 | 上海拉扎斯信息科技有限公司 | 业务区域配送难度的估计方法、装置和电子设备 |
| CN110378522A (zh) * | 2019-07-02 | 2019-10-25 | 北京三快在线科技有限公司 | 预测配送状态信息的方法、装置、存储介质及电子设备 |
| CN110390504A (zh) * | 2019-07-18 | 2019-10-29 | 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 |
| 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 |
| CN110807545A (zh) * | 2019-10-22 | 2020-02-18 | 北京三快在线科技有限公司 | 任务时长的预估方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036788A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036788B (zh) | 数据处理方法、装置、可读存储介质和电子设备 | |
| Samir et al. | Leveraging UAVs for coverage in cell-free vehicular networks: A deep reinforcement learning approach | |
| KR101988504B1 (ko) | 딥러닝에 의해 생성된 가상환경을 이용한 강화학습 방법 | |
| CN109615201B (zh) | 订单分配方法、装置、电子设备和存储介质 | |
| Pinto et al. | Adaptive learning in agents behaviour: A framework for electricity markets simulation | |
| JP6959320B2 (ja) | 情報を出力するための方法および装置 | |
| CN110290011A (zh) | 边缘计算中基于Lyapunov控制优化的动态服务放置方法 | |
| CN103999085B (zh) | 用于流体网络的需求管理的方法 | |
| CN109636213A (zh) | 订单分配、评价方法及装置、电子设备及存储介质 | |
| EP3783548A1 (en) | Method and system for task execution in dynamic heterogeneous robotic environment | |
| JP6718834B2 (ja) | 学習システムおよび学習方法 | |
| US11501215B2 (en) | Hierarchical clustered reinforcement machine learning | |
| JP7486507B2 (ja) | インベントリの管理および最適化のための強化学習システムおよび強化学習方法 | |
| Wu et al. | Mobility-aware deep reinforcement learning with glimpse mobility prediction in edge computing | |
| CN106941456B (zh) | 一种软件定义网络中控制平面的负载均衡方法及系统 | |
| CN112036696A (zh) | 任务分配方法、任务分配装置、存储介质和电子设备 | |
| CN107293115A (zh) | 一种用于微观仿真的交通流量预测方法 | |
| CN113467952A (zh) | 一种分布式联邦学习协同计算方法及系统 | |
| CN114415735B (zh) | 面向动态环境的多无人机分布式智能任务分配方法 | |
| CN110781969A (zh) | 基于深度强化学习的空调风量控制方法、装置以及介质 | |
| CN117314283B (zh) | 混流装配车间的物料配送方法、装置、系统及存储介质 | |
| Sha et al. | Due-date assignment in wafer fabrication using artificial neural networks | |
| CN111832876A (zh) | 车辆调度方法、可读存储介质和电子设备 | |
| CN115049071A (zh) | 一种基于dag区块链的联邦学习方法 | |
| CN109048910B (zh) | 机器人避让预判方法及装置 |
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 |