CN112990521A - 配送时刻的预估方法、装置、计算机设备和存储介质 - Google Patents
配送时刻的预估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112990521A CN112990521A CN201911281712.4A CN201911281712A CN112990521A CN 112990521 A CN112990521 A CN 112990521A CN 201911281712 A CN201911281712 A CN 201911281712A CN 112990521 A CN112990521 A CN 112990521A
- Authority
- CN
- China
- Prior art keywords
- information
- time
- delivery
- historical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000006870 function Effects 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种上述配送时刻的预估方法、装置、计算机设备和存储介质，计算机设备获取目标快件的配送信息；其中，配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；然后，将配送信息输入预设的预估模型，获得目标快件的预计配送时长；预估模型包括第一模型分支和第二模型分支；第一模型分支用于分别提取所述配送信息中同一类型信息的独立特征；第二模型分支用于提取所述配送信息中，不同类型的配送信息之间的交叉特征；最后，根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。采用上述方法可以提升预计配送时刻的准确度，并提升预计配送时刻的预估速度。
Description
技术领域
本申请涉及物流技术领域，特别是涉及一种配送时刻的预估方法、装置、计算机设备和存储介质。
背景技术
在物流领域，预估快件的配送时刻是整个运输环节中的重要部分。客户可以通过系统上显示的配送时刻合理安排时间来签收快件；另外，物流平台也可以根据预估的配送时刻评估快递员的配送效率。
传统技术中，计算机设备预估配送时间时，主要通过搜索与待处理运单相似的历史运单信息，例如待处理运单与历史运单的到件时间相似或者配送区域相似等；然后，计算机设备可以将该历史运单的实际配送时间，确定为该待处理运单的预估配送时间。
但是，采用上述方法，当历史运单与待处理运单的相似度较低时，导致计算机设备获得的配送时间准确度低。
发明内容
基于此，有必要针对上述技术问题，提供一种配送时刻的预估方法、装置、计算机设备和存储介质。
一种配送时刻的预估方法，包括：
获取目标快件的配送信息；配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；
将配送信息输入预设的预估模型，获得目标快件的预计配送时长；预估模型包括第一模型分支和第二模型分支；第一模型分支用于分别提取配送信息中同一类型信息的独立特征；第二模型分支用于提取配送信息中，不同类型的配送信息之间的交叉特征；
根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。
在其中一个实施例中，将配送信息输入预设的预估模型，获得目标快件的预计配送时长，包括：
将配送信息分别输入第一模型分支和第二模型分支，获得第一预估结果和第二预估结果；
将第一预估结果与第二预估结果的和代入预设的激活函数Sigmoid函数中，获得预计配送时长。
在其中一个实施例中，将配送信息输入预设的预估模型之前，方法还包括：
根据历史运单的信息，获取训练样本；训练样本包括历史运单的历史配送信息以及历史运单的历史配送时长，历史配送信息包括历史运单的收件时间信息、配送区域信息以及快递员的业务信息；
将历史配送信息作为初始预估模型的参考输入，将历史配送时长作为初始预估模型的参考输出，并根据预设的损失函数对初始预估模型进行训练，获得预估模型。
在其中一个实施例中，根据历史运单的信息，获取训练样本，包括：
确定历史运单的历史收件时刻，是否超过历史运单的收件日的预设截止处理时刻；
若历史收件时刻超过历史运单的收件日的预设截止处理时刻，则将历史到收件时刻，调整至历史运单的收件日次日的预设开始处理时刻；
将调整后的历史到收件时刻确定为历史配送信息中的历史到件时刻。
在其中一个实施例中，在初始预估模型输出的初始预估结果与历史配送时长的差值大于零的情况下，损失函数的惩罚力度采用第一参数；在初始预估结果与历史配送时长的差值小于或等于零的情况下，损失函数的惩罚力度采用第二参数；第一参数小于第二参数。
在其中一个实施例中，第二参数等于10乘以第一参数。
在其中一个实施例中，配送信息包括收件时间信息，收件时间信息包括收件时刻；将配送信息输入预设的预估模型，包括：
确定收件时刻是否超过当日的预设截止处理时刻；
若收件时刻超过当日的预设截止处理时刻，则将收件时间信息中的收件时刻调整至次日的预设开始处理时刻；
将调整后的收件时间信息输入预估模型。
一种配送时刻的预估装置，装置包括：
获取模块，用于获取目标快件的配送信息；配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；
输入模块，用于将配送信息输入预设的预估模型，获得目标快件的预计配送时长；
确定模块，用于根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述配送时刻的预估方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述配送时刻的预估方法的步骤。
上述配送时刻的预估方法、装置、计算机设备和存储介质，计算机设备获取目标快件的配送信息；其中，配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；然后，将配送信息输入预设的预估模型，获得目标快件的预计配送时长；预估模型包括第一模型分支和第二模型分支；第一模型分支用于分别提取所述配送信息中同一类型信息的独立特征；第二模型分支用于提取所述配送信息中，不同类型的配送信息之间的交叉特征；最后，根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。由于计算机设备获取了目标快件的配送信息，使得可以根据配送信息中多维度信息获得预计配送时刻；进一步地，计算机设备将配送信息输入预估模型，使得可以通过预估模型获得预计配送时长，而不依赖于历史运单与目标快件的相似程度；计算机设备通过第一模型分支以及第二模型分支获得预计配送时长，可以综合多维度的配送信息对预计配送时长的影响，提升预计配送时长的准确度，从而获得更准确的预计配送时刻；进一步地，计算机设备通过预估模型获得预计配送时刻，提升了预计配送时刻的预估速度。
附图说明
图1为一个实施例中配送时刻的预估方法的应用环境图；
图2为一个实施例中配送时刻的预估方法的流程示意图；
图3为另一个实施例中配送时刻的预估方法的流程示意图；
图4为另一个实施例中配送时刻的预估方法的流程示意图；
图5为另一个实施例中配送时刻的预估方法的流程示意图；
图6为一个实施例中配送时刻的预估装置的结构框图；
图7为另一个实施例中配送时刻的预估装置的结构框图；
图8为另一个实施例中配送时刻的预估装置的结构框图；
图9为另一个实施例中配送时刻的预估装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的配送时刻的预估方法，可以应用于如图1所示的应用环境中。其中，计算机设备100可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种配送时刻的预估方法，以该方法应用于图1中的计算机设备为例进行说明，包括：
S101、获取目标快件的配送信息；配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种。
其中，上述目标快件可以是文件或包裹，也可以是体积较大的物流快件；上述目标快件可以是同城之间传递的物件，也可以是跨城传递或者跨国传递的物件；对于上述目标快件的类型在此不做限定。
其中，上述配送信息可以是快件配送过程中，与快件的配送时长相关的信息；可以是目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种。
上述收件时间信息可以是目标快件的收件时刻，比如交付给快递员的时间，或者目标快件到达快件营业网点的时间；上述收件时间信息还可以包括目标快件的收件日是否为法定节假日，或者收件日是否为春节期间等，对于上述快件时间信息的类型在此不做限定。
上述配送区域信息可以是目标快件的收件地点至目标快件的收件地址对应的配送区域之间的距离；可以是配送区域对应的快递员的数量；可以是配送区域覆盖的面积大小；还可以是该配送区域中快件的平均配送时长等；对于上述配送区域信息的类型在此不做限定。
上述快递员的业务信息可以是处理该目标快件的快递员的业务信息，例如，可以是快递员的从业年限，也可以是快递员处理快件的平均配送时长；还可以是快递员已接收到的待配送快件的数量；对于上述快递员的业务信息的类型在此不做限定。
计算机设备可以通过不同的方式获取上述配送信息，例如计算机设备可以通过快递员的扫描枪获取上述收件时间信息，也可以从快件服务平台中调取快递员的业务信息以及配送区域信息；对于上述配送信息的获取方式在此不做限定。
S102、将配送信息输入预设的预估模型，获得目标快件的预计配送时长；预估模型包括第一模型分支和第二模型分支；第一模型分支用于分别提取配送信息中同一类型信息的独立特征；第二模型分支用于提取配送信息中，不同类型的配送信息之间的交叉特征。
计算机设备获取上述配送信息之后，可以将配送信息输入预设的预估模型，通过预估模型对配送信息进行分析，获得目标快件的预计配送时长。
上述预估模型包括第一模型分支和第二模型分支；其中，第一模型分支用于分别提取配送信息中同一类型信息的独立特征；第二模型分支用于提取配送信息中，不同类型的配送信息之间的交叉特征。例如，上述第一模型分支可以是分解机模型中的隐藏层hidden layer，上述第二模型分支可以是分解机模型中的因子分解机部分FM layer。
其中，上述独立特征可以是配送区域信息与预计配送时长的关系，例如收件地点距离配送区域越远，对应的预计配送时长越长；或者，快递员的平均配送时长越短，对应的预计配送时长越短。
上述交叉特征可以是不同类型的配送信息之间的关联特征，例如，上述配送区域信息中表征配送区域中快递员数量较少，同时快递员的业务信息表征该快递员的待处理的运单数量较大时，对应的预计配送时长越长。
上述第一模型分支与上述第二模型分支中的模型参数可以相同，也可以不同，在此不做限定。
可选地，计算机设备在将配送信息输入第一模型分支以及第二模型分支之前，可以将上述配送信息输入分解机模型中的Dense Embedding和Sparas Feature层，对上述配送信息进行处理。例如，将上述配送信息对应的稀疏数据压缩成稠密向量，降低模型计算复杂度。
计算机设备在将配送信息输入预估模型时，可以将上述配送信息转换成预估模型的预设输入格式；另外，计算机设备还可以对配送信息进行预处理，例如调整配送信息中的时间精度，或者滤除配送信息中的无效数据等，计算机设备可以将预处理后的配送信息输入预估模型；对于上述输入方式在此不做限定。
预估模型对配送信息进行分析后，可以输出目标快件的预计配送时长。上述预计配送时长的精度可以是小时，也可以是分钟，例如10小时20分钟，对于上述预计配送时长的输出形式在此不做限定。
S103、根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。
计算机设备在获得预计配送时长之后，可以结合目标快件的收件时刻，确定目标快件的预计配送时刻。具体地，计算机设备可以直接在收件时刻的基础上增加预计配送时长，获得预计配送时刻；也可以结合目标快件的收件日以及配送日对应的节假日信息，或者天气信息等，对上述预计配送时刻进行调整；对于上述预计配送时刻的确定方式在此不做限定。
进一步地，计算机设备可以将上述预计配送时刻显示在用户设备的应用程序中，使得用户可以根据预计配送时刻安排快件接收。
上述配送时刻的预估方法，计算机设备获取目标快件的配送信息；其中，配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；然后，将配送信息输入预设的预估模型，获得目标快件的预计配送时长；预估模型包括第一模型分支和第二模型分支；第一模型分支用于分别提取所述配送信息中同一类型信息的独立特征；第二模型分支用于提取所述配送信息中，不同类型的配送信息之间的交叉特征；最后，根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。由于计算机设备获取了目标快件的配送信息，使得可以根据配送信息中多维度信息获得预计配送时刻；进一步地，计算机设备将配送信息输入预估模型，使得可以通过预估模型获得预计配送时长，而不依赖于历史运单与目标快件的相似程度；计算机设备通过第一模型分支以及第二模型分支获得预计配送时长，可以综合多维度的配送信息对预计配送时长的影响，提升预计配送时长的准确度，从而获得更准确的预计配送时刻；进一步地，计算机设备通过预估模型获得预计配送时刻，提升了预计配送时刻的预估速度。
图3为另一个实施例中配送时刻的预估方法的流程示意图，本实施例涉及计算机设备将配送信息输入预估模型的过程，在上述实施例的基础上，如图3所示，上述S102包括：
S201、确定收件时刻是否超过当日的预设截止处理时刻。
上述配送信息包括收件时间信息，且收件时间信息中包括收件时刻时，计算机设备可以根据收件时刻所在的时间段，对配送信息中的收件时刻进行调整。
具体地，计算机设备可以将目标快件的收件时刻与当日的截止处理时刻进行比较。上述截止处理时刻可以由快件营业网点的截止营业时间确定，也可以根据快件运送车辆的工作时间确定，对于上述截止时刻的确定方式在此不做限定。
上述预设的截止处理时刻可以是一个固定值，也可以根据不同的配送区域进行调整；可选地，还可以根据季节进行调整，例如夏季的截止处理时刻与冬季的截止处理时刻不同，在此不做限定。例如，上述截止处理时刻可以是19点，也可以是20点。
S202、若收件时刻超过当日的预设截止处理时刻，则将收件时间信息中的收件时刻调整至次日的预设开始处理时刻。
若目标快件的收件时刻超过了当日的预设截止处理时刻，快递员在接收到目标快件之后，通常不能立即对目标快件进行处理。因此，计算机设备可以将收件时刻调整至次日的开始处理时刻。
上述开始处理时刻可以是一个固定值，也可以根据不同的配送区域进行调整，还可以根据季节进行调整，在此不做限定。
例如，计算机设备通过快递员的扫描枪获知快递员收到该目标快件时为1月10日的20：00；此时，计算机设备可以将收件时刻调整为1月11日的8:30。
S203、将调整后的收件时间信息输入预估模型。
计算机设备在对收件时刻进行调整之后，可以将调整后的收件时间信息输入预估模型。若收件时刻未超过当日的预设截止处理时刻，那么计算机设备可以直接将获取的收件时间信息输入预估模型。
在上述步骤的基础上，计算机设备在根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻时，可以根据收件时刻与截止处理时刻的关系，选择不同的确定方式。具体地，若收件时刻超过当日的预设截止处理时刻，则计算机设备在当日的预设截止处理时刻上增加预计配送时长，获得预计配送时刻；若收件时刻未超过当日的预设截止处理时刻，则计算机设备在收件时刻上增加预计配送时长，获得预计配送时刻。
上述配送时刻的预估方法，计算机设备根据截止处理时刻对目标快件的收件时刻进行调整，使得预估模型输出的预计配送时长更准确。
图4为另一个实施例中配送时刻的预估方法的流程示意图，本实施例涉及计算机设备获得目标快件的预计配送时长的过程，在上述实施例的基础上，如图4所示，上述S102包括：
S301、将配送信息分别输入第一模型分支和第二模型分支，获得第一预估结果和第二预估结果。
由于配送信息中包含了多种类型的信息，因此计算机设备中的预估模型可以对不同类型的配送信息之间的交叉特征以及独立特征进行提取。
计算机设备可以将处理后的配送信息分别输入第一模型分支和第二模型分支获得第一预估结果和第二预估结果。例如，第一模型分支输出的结果可以是y1＝wx1+b，第二模型分支输出的结果可以是y2＝wx2+b，其中，上述x1表示配送信息的独立特征，上述x2表示配送信息的交叉特征，上述w和b为模型参数。
S302、将第一预估结果与第二预估结果的和代入预设的激活函数Sigmoid函数中，获得预计配送时长。
进一步地，计算机设备可以根据第一预估结果和第二预估结果，获得目标快件的预计配送时长。
具体地，计算机设备可以根据预设的激活函数对第一预估结果和第二预估结果进行计算，获得上述预计配送时长。计算机设备可以将第一预估结果与第二预估结果的和代入预设的激活函数Sigmoid函数中，获得预计配送时长。
上述配送时刻的预估方法，计算机设备通过第一模型分支以及第二模型分支获得预计配送时长，可以综合多维度的配送信息对预计配送时长的影响，提升预计配送时长的准确度，从而获得更准确的预计配送时刻；进一步地，Sigmoid函数可以使计算机设备获得的预计配送时长具有非线性特征，与实际配送情况更接近。
图5为另一个实施例中配送时刻的预估方法的流程示意图，本实施例涉及计算机设备获取预估模型的过程，在上述实施例的基础上，如图5所示，上述方法还包括：
S401、根据历史运单的信息，获取训练样本；训练样本包括历史运单的历史配送信息以及历史运单的历史配送时长，历史配送信息包括历史运单的收件时间信息、配送区域信息以及快递员的业务信息。
具体地，计算机设备可以从历史运单数据库中，获取历史运单的信息，然后基于历史运单的信息获取训练样本。上述训练样本可以包括包括历史运单的历史配送信息以及历史运单的历史配送时长。
其中，上述历史配送时长可以是在历史运单中直接获取的，也可以是根据历史运单的收件时刻以及配送时刻进行计算获得的，在此不做限定。
上述历史配送信息可以包括历史运单的收件时间信息、配送区域信息以及快递员的业务信息，上述历史配送信息的具体限定于S101中配送信息的描述，在此不做赘述。
进一步地，计算机设备可以确定历史运单的历史收件时刻，是否超过历史运单的收件日的预设截止处理时刻；若历史收件时刻超过历史运单的收件日的预设截止处理时刻，则将历史到收件时刻，调整至历史运单的收件日次日的预设开始处理时刻；然后，将调整后的历史到收件时刻确定为历史配送信息中的历史到件时刻。
S402、将历史配送信息作为初始预估模型的参考输入，将历史配送时长作为初始预估模型的参考输出，并根据预设的损失函数对初始预估模型进行训练，获得预估模型。
计算机设备可以将历史配送信息作为初始预估模型的参考输入，将历史配送时长作为初始预估模型的参考输出，并根据预设的损失函数对初始预估模型进行训练，获得预估模型。
具体地，计算机设备可以将历史配送信息分别输入初始预估模型的第一模型分支和第二模型分支，分别获得历史配送信息的第一预估结果和第二预估结果，然后将上述第一预估结果和第二预估结果输入激活函数中获得初始预估结果；进一步地，计算机设备可以将初始预估结果与对应的参考输出输入预设的损失函数中，根据损失函数的计算结果对初始预估模型的参数进行调整，获得预估模型。
其中，损失函数用来衡量初始预估结果与参考输出之间的误差，但是不同的误差对用户的体验是不同的。比如，当预计配送时刻比实际配送时刻早时，容易引起用户的不满意情绪；而实际配送时刻比预计配送时刻早，则容易提升客户满意度。因此，在初始预估模型的训练过程中，可以通过设置损失函数，使得初始预估结果晚于对应的参考输出。
具体地，在初始预估模型输出的初始预估结果与历史配送时长的差值大于零的情况下，上述损失函数的惩罚力度采用第一参数；在初始预估结果与历史配送时长的差值小于或等于零的情况下，上述损失函数的惩罚力度采用第二参数；第一参数小于第二参数。
也就是说，当初始预估结果早于历史配送时长时，可以通过增加惩罚力度对模型进行调整。
可选地，上述第二参数可以等于10乘以第一参数。
例如，上述损失函数J可以表示为：
J＝α(y-y′)，当(y-y′)>0；
J＝10α(y-y′)，当(y-y′)<＝0；
其中，上述y表示初始预估结果，上述y′表示历史配送时长，上述α为惩罚力度。
进一步对，计算机设备可以选择梯度下降算法，对模型参数进行优化。
上述配送时刻的预估方法，计算机设备通过获取训练样本，对初始预估模型进行训练获得预估模型，使得预估模型可以快速准确地获得目标样本的预计配送时长，从而获得准确的预计配送时刻。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种配送时刻的预估装置，包括：获取模块10、输入模块20和确定模块30，其中：
获取模块10，用于获取目标快件的配送信息；配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；
输入模块20，用于将配送信息输入预设的预估模型，获得目标快件的预计配送时长；预估模型包括第一模型分支和第二模型分支；第一模型分支用于分别提取配送信息中同一类型信息的独立特征；第二模型分支用于提取配送信息中，不同类型的配送信息之间的交叉特征；
确定模块30，用于根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。
本申请实施例提供的配送时刻的预估装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，在上述实施例的基础上，如图7所示，上述输入模块20包括：
预估单元201，用于将配送信息分别输入第一模型分支和第二模型分支，获得第一预估结果和第二预估结果；
获得单元202，用于将第一预估结果与第二预估结果的和代入预设的激活函数Sigmoid函数中，获得预计配送时长。
在一个实施例中，在上述实施例的基础上，如图8所示，上述装置还包括：
获取样本模块40，用于根据历史运单的信息，获取训练样本；训练样本包括历史运单的历史配送信息以及历史运单的历史配送时长，历史配送信息包括历史运单的收件时间信息、配送区域信息以及快递员的业务信息；
训练模块50，用于将历史配送信息作为初始预估模型的参考输入，将历史配送时长作为初始预估模型的参考输出，并根据预设的损失函数对初始预估模型进行训练，获得预估模型。
在一个实施例中，在上述实施例的基础上，上述获取样本模块40具体用于：确定历史运单的历史收件时刻，是否超过历史运单的收件日的预设截止处理时刻；若历史收件时刻超过历史运单的收件日的预设截止处理时刻，则将历史到收件时刻，调整至历史运单的收件日次日的预设开始处理时刻；将调整后的历史到收件时刻确定为历史配送信息中的历史到件时刻。
在一个实施例中，在上述实施例的基础上，在初始预估模型输出的初始预估结果与历史配送时长的差值大于零的情况下，损失函数的惩罚力度采用第一参数；在初始预估结果与历史配送时长的差值小于或等于零的情况下，损失函数的惩罚力度采用第二参数；第一参数小于第二参数。
在一个实施例中，在上述实施例的基础上，第二参数等于10乘以第一参数。
在一个实施例中，在上述实施例的基础上，配送信息包括收件时间信息，收件时间信息包括收件时刻；如图9所示，上述输入模块20包括：
确定单元203，用于确定收件时刻是否超过当日的预设截止处理时刻；
调整单元204，用于在收件时刻超过当日的预设截止处理时刻时，将收件时间信息中的收件时刻调整至次日的预设开始处理时刻；
输入单元205，用于将调整后的收件时间信息输入预估模型。
在一个实施例中，在上述实施例的基础上，确定模块30具体用于：在收件时刻超过当日的预设截止处理时刻时，在当日的预设截止处理时刻上增加预计配送时长，获得预计配送时刻；在收件时刻未超过当日的预设截止处理时刻时，在收件时刻上增加预计配送时长，获得预计配送时刻。
本申请实施例提供的配送时刻的预估装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于配送时刻的预估装置的具体限定可以参见上文中对于配送时刻的预估方法的限定，在此不再赘述。上述配送时刻的预估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储配送时刻的预估数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种配送时刻的预估方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标快件的配送信息；配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；
将配送信息输入预设的预估模型，获得目标快件的预计配送时长；预估模型包括第一模型分支和第二模型分支；第一模型分支用于分别提取配送信息中同一类型信息的独立特征；第二模型分支用于提取配送信息中，不同类型的配送信息之间的交叉特征；
根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将配送信息分别输入第一模型分支和第二模型分支，获得第一预估结果和第二预估结果；将第一预估结果与第二预估结果的和代入预设的激活函数Sigmoid函数中，获得预计配送时长。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据历史运单的信息，获取训练样本；训练样本包括历史运单的历史配送信息以及历史运单的历史配送时长，历史配送信息包括历史运单的收件时间信息、配送区域信息以及快递员的业务信息；将历史配送信息作为初始预估模型的参考输入，将历史配送时长作为初始预估模型的参考输出，并根据预设的损失函数对初始预估模型进行训练，获得预估模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定历史运单的历史收件时刻，是否超过历史运单的收件日的预设截止处理时刻；若历史收件时刻超过历史运单的收件日的预设截止处理时刻，则将历史到收件时刻，调整至历史运单的收件日次日的预设开始处理时刻；将调整后的历史到收件时刻确定为历史配送信息中的历史到件时刻。
在一个实施例中，在初始预估模型输出的初始预估结果与历史配送时长的差值大于零的情况下，损失函数的惩罚力度采用第一参数；在初始预估结果与历史配送时长的差值小于或等于零的情况下，损失函数的惩罚力度采用第二参数；第一参数小于第二参数。
在一个实施例中，第二参数等于10乘以第一参数。
在一个实施例中，配送信息包括收件时间信息，收件时间信息包括收件时刻，处理器执行计算机程序时还实现以下步骤：确定收件时刻是否超过当日的预设截止处理时刻；若收件时刻超过当日的预设截止处理时刻，则将收件时间信息中的收件时刻调整至次日的预设开始处理时刻；将调整后的收件时间信息输入预估模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若收件时刻超过当日的预设截止处理时刻，则在当日的预设截止处理时刻上增加预计配送时长，获得预计配送时刻；若收件时刻未超过当日的预设截止处理时刻，则在收件时刻上增加预计配送时长，获得预计配送时刻。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标快件的配送信息；配送信息包括目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；
将配送信息输入预设的预估模型，获得目标快件的预计配送时长；预估模型包括第一模型分支和第二模型分支；第一模型分支用于分别提取配送信息中同一类型信息的独立特征；第二模型分支用于提取配送信息中，不同类型的配送信息之间的交叉特征；
根据预计配送时长以及目标快件的收件时刻，确定目标快件的预计配送时刻。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将配送信息分别输入第一模型分支和第二模型分支，获得第一预估结果和第二预估结果；将第一预估结果与第二预估结果的和代入预设的激活函数Sigmoid函数中，获得预计配送时长。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据历史运单的信息，获取训练样本；训练样本包括历史运单的历史配送信息以及历史运单的历史配送时长，历史配送信息包括历史运单的收件时间信息、配送区域信息以及快递员的业务信息；将历史配送信息作为初始预估模型的参考输入，将历史配送时长作为初始预估模型的参考输出，并根据预设的损失函数对初始预估模型进行训练，获得预估模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定历史运单的历史收件时刻，是否超过历史运单的收件日的预设截止处理时刻；若历史收件时刻超过历史运单的收件日的预设截止处理时刻，则将历史到收件时刻，调整至历史运单的收件日次日的预设开始处理时刻；将调整后的历史到收件时刻确定为历史配送信息中的历史到件时刻。
在一个实施例中，在初始预估模型输出的初始预估结果与历史配送时长的差值大于零的情况下，损失函数的惩罚力度采用第一参数；在初始预估结果与历史配送时长的差值小于或等于零的情况下，损失函数的惩罚力度采用第二参数；第一参数小于第二参数。
在一个实施例中，第二参数等于10乘以第一参数。
在一个实施例中，配送信息包括收件时间信息，收件时间信息包括收件时刻，计算机程序被处理器执行时还实现以下步骤：确定收件时刻是否超过当日的预设截止处理时刻；若收件时刻超过当日的预设截止处理时刻，则将收件时间信息中的收件时刻调整至次日的预设开始处理时刻；将调整后的收件时间信息输入预估模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若收件时刻超过当日的预设截止处理时刻，则在当日的预设截止处理时刻上增加预计配送时长，获得预计配送时刻；若收件时刻未超过当日的预设截止处理时刻，则在收件时刻上增加预计配送时长，获得预计配送时刻。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种配送时刻的预估方法，其特征在于，所述方法包括：
获取目标快件的配送信息；所述配送信息包括所述目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；
将所述配送信息输入预设的预估模型，获得所述目标快件的预计配送时长；所述预估模型包括第一模型分支和第二模型分支；所述第一模型分支用于分别提取所述配送信息中同一类型信息的独立特征；所述第二模型分支用于提取所述配送信息中，不同类型的配送信息之间的交叉特征；
根据所述预计配送时长以及所述目标快件的收件时刻，确定所述目标快件的预计配送时刻。
2.根据权利要求1所述的配送时刻的预估方法，其特征在于，所述将所述配送信息输入预设的预估模型，获得所述目标快件的预计配送时长，包括：
将所述配送信息分别输入所述第一模型分支和所述第二模型分支，获得第一预估结果和第二预估结果；
将所述第一预估结果与所述第二预估结果的和代入预设的激活函数Sigmoid函数中，获得所述预计配送时长。
3.根据权利要求1或2所述的配送时刻的预估方法，其特征在于，所述将所述配送信息输入预设的预估模型之前，所述方法还包括：
根据历史运单的信息，获取训练样本；所述训练样本包括历史运单的历史配送信息以及所述历史运单的历史配送时长，所述历史配送信息包括所述历史运单的收件时间信息、配送区域信息以及快递员的业务信息；
将所述历史配送信息作为初始预估模型的参考输入，将所述历史配送时长作为所述初始预估模型的参考输出，并根据预设的损失函数对所述初始预估模型进行训练，获得所述预估模型。
4.根据权利要求3所述的配送时刻的预估方法，其特征在于，所述根据历史运单的信息，获取训练样本，包括：
确定所述历史运单的历史收件时刻，是否超过所述历史运单的收件日的预设截止处理时刻；
若所述历史收件时刻超过所述历史运单的收件日的预设截止处理时刻，则将所述历史到收件时刻，调整至所述历史运单的收件日次日的预设开始处理时刻；
将调整后的历史到收件时刻确定为所述历史配送信息中的历史到件时刻。
5.根据权利要求4所述的配送时刻的预估方法，其特征在于，在所述初始预估模型输出的初始预估结果与所述历史配送时长的差值大于零的情况下，所述损失函数的惩罚力度采用第一参数；在所述初始预估结果与所述历史配送时长的差值小于或等于零的情况下，所述损失函数的惩罚力度采用第二参数；所述第一参数小于所述第二参数。
6.根据权利要求5所述的配送时刻的预估方法，其特征在于，所述第二参数等于10乘以所述第一参数。
7.根据权利要求1所述的配送时刻的预估方法，其特征在于，所述配送信息包括所述收件时间信息，所述收件时间信息包括所述收件时刻；所述将所述配送信息输入预设的预估模型，包括：
确定所述收件时刻是否超过当日的预设截止处理时刻；
若所述收件时刻超过当日的预设截止处理时刻，则将所述收件时间信息中的收件时刻调整至次日的预设开始处理时刻；
将调整后的收件时间信息输入所述预估模型。
8.一种配送时刻的预估装置，其特征在于，所述装置包括：
获取模块，用于获取目标快件的配送信息；所述配送信息包括所述目标快件的收件时间信息、配送区域信息以及快递员的业务信息中的至少两种；
输入模块，用于将所述配送信息输入预设的预估模型，获得所述目标快件的预计配送时长；所述预估模型包括第一模型分支和第二模型分支；所述第一模型分支用于分别提取所述配送信息中同一类型信息的独立特征；所述第二模型分支用于提取所述配送信息中，不同类型的配送信息之间的交叉特征；
确定模块，用于根据所述预计配送时长以及所述目标快件的收件时刻，确定所述目标快件的预计配送时刻。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911281712.4A CN112990521A (zh) | 2019-12-13 | 2019-12-13 | 配送时刻的预估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911281712.4A CN112990521A (zh) | 2019-12-13 | 2019-12-13 | 配送时刻的预估方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112990521A true CN112990521A (zh) | 2021-06-18 |
Family
ID=76332521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911281712.4A Pending CN112990521A (zh) | 2019-12-13 | 2019-12-13 | 配送时刻的预估方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990521A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009217356A (ja) * | 2008-03-07 | 2009-09-24 | Nec Corp | 宅配便到着時間直前通知システムおよび宅配便到着時間直前通知方法 |
| CN108122042A (zh) * | 2016-11-28 | 2018-06-05 | 北京小度信息科技有限公司 | 配送时间预估方法及装置 |
| CN109784516A (zh) * | 2018-12-12 | 2019-05-21 | 顺丰科技有限公司 | 快递派送预约方法和装置 |
| 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 |
| CN110390503A (zh) * | 2019-07-03 | 2019-10-29 | 北京三快在线科技有限公司 | 模型训练、配送时间确定的方法和装置、存储介质和电子设备 |
-
2019
- 2019-12-13 CN CN201911281712.4A patent/CN112990521A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009217356A (ja) * | 2008-03-07 | 2009-09-24 | Nec Corp | 宅配便到着時間直前通知システムおよび宅配便到着時間直前通知方法 |
| CN108122042A (zh) * | 2016-11-28 | 2018-06-05 | 北京小度信息科技有限公司 | 配送时间预估方法及装置 |
| CN109784516A (zh) * | 2018-12-12 | 2019-05-21 | 顺丰科技有限公司 | 快递派送预约方法和装置 |
| 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 |
| CN110390503A (zh) * | 2019-07-03 | 2019-10-29 | 北京三快在线科技有限公司 | 模型训练、配送时间确定的方法和装置、存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107341553B (zh) | 一种车辆调度方法及装置，电子设备 | |
| CN104599002B (zh) | 预测订单价值的方法及设备 | |
| CN112036795A (zh) | 药品采购计划的确定方法、装置、设备及存储介质 | |
| JP7010674B2 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
| CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
| JP2019096164A (ja) | 電力市場価格予測装置、電力市場価格予測方法、および電力市場価格予測プログラム | |
| CN109146134A (zh) | 一种高峰揽件量预测方法、系统、设备及存储介质 | |
| CN112990521A (zh) | 配送时刻的预估方法、装置、计算机设备和存储介质 | |
| CN110969481A (zh) | 产品数据预测方法、装置、计算机设备和存储介质 | |
| CN115545307A (zh) | 货物调配方法、装置、设备及存储介质 | |
| CN111915072A (zh) | 一种快递员出勤量预测方法、装置、设备 | |
| US20230027383A1 (en) | Prediction system and prediction method | |
| CN114066079A (zh) | 一种基于多租户的网约车供需差预测方法及装置 | |
| CN113537853A (zh) | 订单分配方法、订单分配装置、可读存储介质及电子设备 | |
| CN114663107A (zh) | 客诉风险预测方法、装置、计算机设备和存储介质 | |
| CN114757626B (zh) | 货物取件管理方法、系统和存储介质 | |
| CN114693032A (zh) | 物料需求预测及管理方法、装置、计算机设备和存储介质 | |
| CN112749821B (zh) | 快递派件量预测方法、装置、计算机设备和存储介质 | |
| CN111445371A (zh) | 运输路线生成方法、装置、计算机设备和存储介质 | |
| CN112488657B (zh) | 一种飞行信息处理方法、装置及设备 | |
| CN111932031B (zh) | 货物状态预测的方法、装置及多分类建模方法 | |
| CN112308265A (zh) | 一种确定订单送达时间的方法、装置及存储介质 | |
| CN112309109B (zh) | 一种道路通行时间预测的方法、装置及存储介质 | |
| CN115829138B (zh) | 一种实时调整的售票数量预测的方法 | |
| CN112907267A (zh) | 货物件量预测方法、装置、计算机设备和存储介质 |
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 |