CN113689022A - 分配处理方法、装置及服务器 - Google Patents
分配处理方法、装置及服务器 Download PDFInfo
- Publication number
- CN113689022A CN113689022A CN202010426371.1A CN202010426371A CN113689022A CN 113689022 A CN113689022 A CN 113689022A CN 202010426371 A CN202010426371 A CN 202010426371A CN 113689022 A CN113689022 A CN 113689022A
- Authority
- CN
- China
- Prior art keywords
- scheme
- distribution
- value
- allocation
- excitation
- 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.)
- Withdrawn
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 215
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 230000005284 excitation Effects 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 43
- 238000004519 manufacturing process Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了一种分配处理方法、装置及服务器,该方法包括:对于参与分配的每一分配对象,将对应分配对象分别与方案集合中的每一激励方案相结合,得到多个分配组合;通过至少一个预测模型,预测所述多个分配组合各自的指标值;根据所述指标值,从所述多个分配组合中筛选出满足设定约束条件、且达到设定分配目标的分配方案组,所述设定约束条件包括关于所述分配方案组的总激励值的约束,所述设定分配目标包括关于所述分配方案组的总产出值的目标;根据所述分配方案组,向所述每一分配对象分配相适配的激励方案。
Description
技术领域
本公开实施例涉及互联网技术领域,更具体地,本公开实施例涉及一种分配处理方法、一种分配处理装置、及一种服务器。
背景技术
在很多行业中,为了实现雇主与雇员双赢的目的,雇主通常会为雇员提供激励方案,以鼓励雇员通过提高产出值来增加收入,其中,该激励方案反映产出值与激励值(或者称之为补贴额)间的对应关系。
以网约车行业为例,网约车行业在最近几年经历了飞速的发展,平台通过向司机分配激励方案,来鼓励司机多做单,从而解决供给和需求在时空上的不平衡问题,长期的良好的运营能提升乘客体验、提升司机收入和平台收入。
现有技术中,平台在制定激励方案时,通常是为所有司机制定一个统一的激励方案,该激励方案例如可以是[0,0,3,0,7,0,0,10],即,司机在完成第3单可以获得3元,完成第5单可以额外获得7元,完成第8单,可以再额外获得10元。然而,在实际应用中,每一位司机的做单能力都是不同的,有很多个性化的因素,从而,要激励司机多做单,给到的激励方案也应该充分考虑司机个体的多样性,而且,现有的静态的统一的激励方案,不仅没有起到激励司机的作用,反而可能会限制运营活动的成单量。因此,有必要提供一种能够为不同的司机提供相适配的激励方案的分配处理方法。
发明内容
本公开实施例的一个目的是提供一种分配激励方案的新的技术方案。
根据本说明书的第一方面,提供一种分配处理方法的一个实施例,该方法包括:
对于参与分配的每一分配对象,将对应分配对象分别与方案集合中的每一激励方案相结合,得到多个分配组合,其中,任意所述激励方案反映激励值与产出值之间的对应关系;
通过至少一个预测模型,预测所述多个分配组合各自的指标值,其中,所述指标值包括产出值和对应于所述产出值的激励值;
根据所述指标值,从所述多个分配组合中筛选出满足设定约束条件、且达到设定分配目标的分配方案组,其中,所述分配方案组包括所述每一分配对象及与所述每一分配对象一一适配的激励方案,所述设定约束条件包括关于所述分配方案组的总激励值的约束,所述设定分配目标包括关于所述分配方案组的总产出值的目标;
根据所述分配方案组,向所述每一分配对象分配相适配的激励方案。
可选地,通过至少一个预测模型中的任意预测模型,预测所述多个分配组合中任意分配组合的指标值的步骤,包括:
根据设定的特征向量,获取所述任意分配组合对于所述特征向量的向量值,其中,所述特征向量包括影响产出值的特征;
将所述向量值输入至所述任意预测模型,获得所述任意分配组合的产出值,其中,所述任意预测模型反映所述特征向量与产出值之间的映射关系;
根据获得的产出值及所述任意分配组合的激励方案,获得对应于所述获得的产出值的激励值。
可选地,所述方法还包括:
设置所述特征向量包括第一特征组和第二特征组;或者,设置所述特征向量包括所述第一特征组、所述第二特征组和第三特征组;
其中,所述第一特征组包括反映被分配的激励方案的特征,所述第二特征组包括描述分配对象的对象特征,所述第三特征组包括分配对象实施被分配的激励方案的环境特征。
可选地,所述方法还包括获得所述至少一个预测模型中的任意预测模型的步骤,包括:
获取训练样本,不同训练样本对应不同的分配组合,每一训练样本包括对应分配组合对于所述特征向量的向量值、及对应分配组合的实际产出值;
根据所述训练样本训练预设模型结构的模型参数,获得所述任意预测模型。
可选地,任意所述激励方案反映产出值的多个阶梯及每一阶段处的激励值,所述获得所述至少一个预测模型中的任意预测模型的步骤,还包括:
设置所述预设模型结构的输入层包括多个嵌入单元,任意所述嵌入单元对应一个匹配对,所述匹配对包括激励方案的一个特定阶梯及所述特定阶梯处的激励值;
设置所述模型参数包括影响所述匹配对映射出的特征的参数。
可选地,所述设定约束条件包括第一约束条件;
其中,所述第一约束条件包括:所述分配方案组的总激励值与所述分配方案组的总产出值的比值等于设定的激励约束值;
所述设定分配目标包括:所述分配方案组的总产出值最高。
可选地,所述设定约束条件还包括第二约束条件;
所述设定分配目标包括:所述分配方案组的总产出值与所述分配方案组的产出标准差之和最高;
其中,所述第二约束条件包括:所述分配方案组中每一分配组合各自的激励差值的标准差之和小于或者等于设定值;
其中,所述激励差值等于对应分配组合的激励值与对应于所述对应分配组合的产出值的希望激励值的差值,所述希望激励值等于所述对应分配组合的产出值与所述激励约束值的乘积;所述分配方案组的产出标准差等于所述分配方案组中每一分配组合各自的产出值的标准差之和。
可选地,所述方法还包括:
所述设定值等于匹配系数与所述分配方案组的总产出值的乘积。
可选地,所述方案集合中的任意所述激励方案反映产出值的多个阶梯及每一阶段处的激励值。
可选地,所述方法还包括:
检测设定的分配事件;
在检测到任意分配事件的情况下,执行所述将对应分配对象分别与方案集合中的每一激励方案相结合的操作。
可选地,所述方法还包括:
获取对于所述设定约束条件和所述设定分配目标中的至少一项的设置内容;
根据所述设置内容,更新所述设定约束条件和所述设定分配目标。
可选地,所述方法还包括获得所述方案集合的步骤,包括:
获取在最近的第一设定天数内应用的多个分配组合样本;
根据所述多个分配组合样本涉及的激励方案,获得所述方案集合。
可选地,所述根据所述多个分配组合样本涉及的激励方案,获得所述方案集合包括:
从所述多个分配组合样本涉及的激励方案中,滤除满足设定条件中任意条件的激励方案,得到备选方案集合;
根据所述备选方案集合,获得最终的方案集合。
可选地,所述设定条件包括第一条件和第二条件,
所述第一条件包括:被滤除的激励方案在所述多个分配组合样本中的出现次数小于设定的次数阈值;
所述第二设定条件包括:采用被滤除的激励方案的分配组合样本的预测误差的平均值大于设定的均值阈值,其中,所述预测误差等于通过所述预测模型预测对应分配组合样本得到的产出值与对应分配组合样本的实际产出值间的差值的绝对值。
可选地,所述根据所述备选方案集合,获得最终的方案集合,包括:
获取在最近的第二设定天数内每天的分配对象样本;
对于所述第二设定天数内任意天的每一分配对象样本,将对应分配对象样本分别与备选方案集合中的每一激励方案相结合,得到多个分配组合样本;
通过所述至少一个预测模型,预测所述多个分配组合样本各自的指标值;
根据所述多个分配组合样本各自的指标值,从所述多个分配组合样本中筛选出满足设定约束条件、且达到设定分配目标的分配方案组样本,作为所述任意天的分配方案组样本;
从所述备选方案集合中,滤除在所述第二设定天数内每天的分配方案组样本中均未出现过的激励方案,得到处理后的备选方案集合;
根据处理后的备选方案集合,获得最终的方案集合。
可选地,所述根据处理后的备选方案集合,获得最终的方案集合,包括:
比较所述处理后的备选方案集合与在先方案集合;
根据比较结果,从所述处理后的备选方案集合与所述在先方案集合中中选取一个集合,作为最终的方案集合。
可选地,所述方法还包括更新所述方案集合的步骤,包括:
获取在最近的第三设定天数内应用的多个分配组合样本;
根据所述多个分配组合样本涉及的激励方案,更新所述方案集合。
可选地,所述根据所述多个分配组合样本涉及的激励方案,更新所述方案集合,包括:
从所述多个分配组合样本涉及的激励方案中,选取第一预定数量个激励方案,得到父方案集合;以及,
从所述多个分配组合样本涉及的激励方案中,选取所述第二预定数量个激励方案,得到母方案集合;
根据所述父方案集合和所述母方案集合,生成子代方案;
通过所述子代方案,更新所述方案集合。
可选地,所述根据所述父方案集合和所述母方案集合,生成子代方案,包括:
获取所述父方案集合和所述母方案集合中每一激励方案各自的适应度;
在所述父方案集合中,选取使得所述适应度最高的激励方案作为产生子代方案的父方案;
在所述母方案集合中,选取使得所述适应度最高的激励方案作为产生子代方案的母方案;
对所述父方案和所述母方案进行交叉和变异,获得一对子代方案。
可选地,所述过所述子代方案,更新所述方案集合包括:
获取所述一对子代方案中两个子代方案的适应度;
对于所述两个子代方案,将使得所述适应度满足预设条件的子代方案加入所述方案集合,以更新所述方案集合。
根据本说明书的第二方面,还提供一种分配处理装置的一个实施例,该装置包括:
组合模块,用于对于参与分配的每一分配对象,将对应分配对象分别与方案集合中的每一激励方案相结合,得到多个分配组合,其中,任意所述激励方案反映激励值与产出值之间的对应关系;
预测模块,用于通过至少一个预测模型,预测所述多个分配组合各自的指标值,其中,所述指标值包括产出值和对应于所述产出值的激励值;
筛选模块,用于所述指标值,从所述多个分配组合中筛选出满足设定约束条件、且达到设定分配目标的分配方案组,其中,所述分配方案组包括所述每一分配对象及与所述每一分配对象一一适配的激励方案,所述设定约束条件包括关于所述分配方案组的总激励值的约束,所述设定分配目标包括关于所述分配方案组的总产出值的目标;
分配模块,用于根据所述分配方案组,向所述每一分配对象分配相适配的激励方案。
根据本说明书的第三方面,还提供一种服务器的一个实施例,该服务器包括:
以上第二方面所述的装置;或者,包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述指令的控制运行所述服务器执行以上第一方面所述的分配处理方法。
本公开的一个有益效果在于,根据本公开实施例的方法、装置及服务器,可以根据参与分配的任意分配对象对于不同激励方案在产出值和所需激励值上的预测结果,为参与分配的每一分配对象分配与各自相适配的激励方案,以从参与分配的所有分配对象的全局出发,在满足关于总激励额的约束的前提下,实现总产出值的最大化设计,进而最大程度地发挥所提供的分配方案的激励作用。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是显示可用于实现本发明实施例的分配处理系统的硬件配置的原理框图;
图2是根据本公开实施例的分配处理方法的流程图;
图3是根据本公开另一实施例的分配处理方法的流程图;
图4是根据本公开第三实施例的分配处理方法的流程图;
图5是根据本公开第四实施例的分配处理方法的流程图;
图6是根据本公开第五实施例的分配处理方法的流程图;
图7是根据本公开实施例的分配处理装置的原理框图;
图8是根据本公开实施例的服务器的原理框图;
图9是根据本公开实施例的服务器的硬件配置的原理框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是可用于实现本公开实施例的分配处理系统100的硬件配置的框图。
如图1所示,分配处理系统100包括服务器1000、移动终端2000和运营终端3000。
本实施例中,移动终端2000为分配对象使用的终端,该移动终端2000安装有作业应用,任意分配对象可以在作业应用中注册自己的账号。服务器1000可以将为任意分配对象分配的激励方案下发到该分配对象的账号中,这样,分配对象通过移动终端2000登录该作业应用,便能获取到所分配的激励方案,并根据所分配到的激励方案作业。以分配对象为网约车司机为例,该移动终端2000即为司机使用的移动终端。
本实施例中,运营终端3000为运营平台的运维人员使用的终端,运维人员可以通过运营终端3000进行为实施根据本实施例的分配处理方法的各种设置,并将设置内容发送至服务器1000。
服务器1000提供处理、数据库、通讯设施的业务点。服务器1000可以是整体式服务器或是跨多计算机或计算机数据中心的分散式服务器。服务器可以是各种类型的,例如但不限于,网络服务器,新闻服务器,邮件服务器,消息服务器,广告服务器,文件服务器,应用服务器,交互服务器,数据库服务器,或代理服务器。在一些实施例中,每个服务器可以包括硬件,软件,或用于执行服务器所支持或实现的合适功能的内嵌逻辑组件或两个或多个此类组件的组合。例如,服务器例如刀片服务器、云端服务器等,或者可以是由多台服务器组成的服务器群组,可以包括上述类型的服务器中的一种或多种等等。
在一个实施例中,服务器1000可以如图1所示,包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600。
处理器1100用于执行计算机程序。该计算机程序可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括各种总线接口,例如串行总线接口(包括USB接口)、并行总线接口等。通信装置1400例如能够进行有线或无线通信。显示装置1500例如是液晶显示屏、LED显示屏触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘等。
本实施例中,服务器1000的存储器1200用于存储指令,该指令用于控制处理器1100进行操作以执行分配处理方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
尽管在图1中示出了服务器1000的多个装置,但是,本发明可以仅涉及其中的部分装置,例如,服务器1000只涉及存储器1200和处理器1100。
本实施例中,移动终端2000例如是手机、便携式电脑、平板电脑、掌上电脑、可穿戴设备等。
如图1所示,移动终端2000可以包括处理器2100、存储器2200、接口装置2300、通信装置2400、显示装置2500、输入装置2600、扬声器2700、麦克风2800等等。
处理器2100可以是移动版处理器。存储器2200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置2300例如包括USB接口、耳机接口等。通信装置2400例如能够进行有线或无线通信,通信装置2400可以包括短距离通信装置,例如是基于Hilink协议、WiFi(IEEE 802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置,通信装置2400也可以包括远程通信装置,例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置2500例如是液晶显示屏、触摸显示屏等。输入装置2600例如可以包括触摸屏、键盘等。移动终端2000可以通过扬声器2700输出音频信息,可以通过麦克风2800采集音频信息。
尽管在图1中示出了移动终端2000的多个装置,但是,本发明可以仅涉及其中的部分装置,在此不做限定。
本实施例中,移动终端2000的存储器2200用于存储指令,该指令用于控制处理器2100进行操作以实现作业应用的功能,例如,包括接收所分配的激励方案、上报产出值、接收激励值等等。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
运营终端3000可以具有与上述移动终端2000类似的硬件结构,例如,运营终端3000可以包括处理器3100、存储器3200、接口装置3300、通信装置3400、显示装置3500、输入装置3600、扬声器3700、麦克风3800等等,在此不做赘述。
运营终端3000可以是手机、平板电脑、PC机、笔记本电脑等,在此不做限定。
本实施例中,运营终端3000的存储器3200用于存储指令,该指令用于控制处理器3100进行为实现本实施例的分配处理方法提供支持。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
应当理解的是,尽管图1仅示出一个服务器1000、一个移动终端2000、一个运营终端3000,但不意味着限制各自的数量,分配处理系统100中可以包含多个服务器1000、多个移动终端2000、多个运营终端3000。
<方法实施例>
图2是根据本公开实施例的分配处理方法的流程示意图,该方法可以由服务器实施,该服务器可以是如图1所示的服务器1000。
如图2所示,本实施例中的分配处理方法可以包括如下步骤S2100~S2400:
步骤S2100,对于参与分配的每一分配对象,将对应分配对象分别与方案集合中的每一激励方案相结合,得到多个分配组合。
本实施例中,根据不同的应用场景,该分配对象可以是表示不同的对象。例如,在应用场景为网约车运营场景中,该分配对象可以为实施网约车作业的司机;又例如,在应用场景为任意计件作业的工作场景中,该分配对象可以为参与计件作业的工人;再例如,在使用共享物品的应用场景中,该分配对象可以是使用共享物品的用户。
方案集合中包括能够为参与分配的分配对象分配的所有激励方案,该方案集合可以是预先设置好并存储至服务器1000的存储单元中。该方案集合可以是以天、周或者月为单位进行更新,在此不做限定。
本实施例中,方案集合中的任意激励方案反映激励值与产出值之间的对应关系。
该产出值反映分配对象实施相应作业的产出量。该激励值反映分配对象基于相对应的产出值能够获得的额外补贴,该激励值可以是补贴金额、优惠券、打折券等,在此不做限定。
例如,本实施例的应用场景是网约车应用场景,该分配对象为网约车签约司机,该产出值可以为做单量,该激励额可以是补贴金额。在一个实施例中,方案集合中的任意激励方案反映产出值的多个阶梯及每一阶梯处的激励值。例如激励方案可以表示为[0,0,3,0,7,0,0,10],即,第3、5、8个阶梯处设置有补贴金额,规则是:分配对象在该激励方案有效的任意天的产出值达到3时,即可获得3元的补贴金额,产出值达到5时,即可额外获得7元的补贴金额,产出值达到8时,即可再额外获得10元的补贴金额,进而可以激励分配对象提升产出值。
步骤S2200,通过至少一个预测模型,预测多个分配组合中每一分配组合各自的指标值。
指标值可以包括产出值和对应于该产出值的激励值。
本实施例中,在预设至少两个预测模型的情况下,对于多个分配组合中的任意分配组合,通过至少两个预测模型分别对该分配组合实施预测,可以预测得到该分配组合的至少两个指标值,其中,至少两个预测模型与至少两个指标值一一对应,这样,便可以根据任意分配组合的平均指标值,例如平均产出值和平均激励值,确定关于所有分配对象的总产出值和总激励值,进而提高预测及基于该预测提供的激励方案的准确性和有效性。例如,预设有N个预测模型,其中,N为大于1的自然数,这样,对于多个分配组合中的任意分配组合,均能够获得N个指标值,通过计算该N个指标值中产出值的平均值,即可获得该分配组合的平均产出值,通过计算该N个指标值中激励值的平均值,即可获得该分配组合的平均激励值。
在本实施例中,该步骤S2200中通过至少一个预测模型中的任意预测模型,预测多个分配组合中任意分配组合的指标值可以进一步包括如下步骤S2210~S2230:
步骤S2210,根据设定的特征向量,获取任意分配组合对于该特征向量的向量值。
该特征向量X包括影响产出值的特征xj,j的取值为1至p的自然数,p表示特征向量X具有的特征的总数。
在一个实施例中,该特征向量可以包括第一特征组和第二特征组。
该第一特征组可以包括反映被分配的激励方案的特征,该激励方案的特征可以包括反映产出值的多个阶梯及每一阶段处的激励值。
该第二特征组可以包括描述分配对象的对象特征。以分配对象为司机为例,该对象特征例如但不限于包括司机年龄、司机性别、司机驾龄等司机特征。
在另一个实施例中,该特征向量除了包括第一特征组和第二特征组之外,还可以包括第三特征组。
该第三特征组包括分配对象实施被分配的激励方案的环境特征,在应用场景为网约车应用场景中,该环境特征例如但不限于包括节假日特征、天气特征等。以天气特征为例,其特征值可以为晴天、雨天或者风天等。以节假日特征为例,其特征值可以为节假日、非节假日等。
以分配对象为司机为例,特征向量X例如具有6个特征,即以上p=6,此时,可以将特征向量表示为X=(x1,x2,x3,x4,x5,x6),其中,x1,x2,x3,x4,x5,x6可以分别是司机年龄、司机驾龄、司机性别、激励方案、天气、是否为节假日,在此,司机年龄、司机驾龄、司机性别、激励方案、天气、及是否为节假日对应的特征值可以分别为30岁,5年,男,[0,0,3,0,7,0,0,10],晴天,非节假日。当然,特征向量X中还可以包括能够影响以上产出值的其他特征,在此不做限定。
步骤S2220,将向量值输入至任意预测模型,获得任意分配组合的产出值。
以上任意预测模型为反映特征向量与产出值之间的映射关系。该映射关系可以是映射函数,该映射函数F(x)的自变量即为特征向量X,因变量F(x)即为由特征向量X决定的产出值。该映射关系还可以是映射规则,例如映射规则表或映射规则库,该映射规则表或映射规则库中存储有特征向量与产出值之间的索引关系。该映射关系还可以是映射模型,例如是神经网络模型,该神经网络模型包括但不限于是BP(Back Propagation)神经网络模型、卷积神经网络模型等。
继续以分配对象为司机为例,可以是将以上得到的特征向量的向量值30岁,5年,男,[0,0,3,0,7,0,0,10],晴天,非节假日输入至任意预测模型中,便可获得对应分配组合的一个产出值可以为3。
步骤S2230,根据获得的产出值及任意分配组合的激励方案,获得对应于获得的产出值的激励值。
继续以分配方案为司机为例,根据以上步骤S2220得到对应分配组合的产出值为3,即,分配对象基于该激励方案[0,0,3,0,7,0,0,10]完成的做单量为3单,根据本步骤S2230得到对应于该产出值的激励值为3,即,当司机完成第3单时,获得3元补贴金额。
根据以上步骤S2210~S2230可知,该实施例是基于至少一个预测模型,去预测多个分配组合中每一分配组合各自的指标值,从而,可以提高获得的指标值的准确性。
步骤S2300,根据每一分配组合各自的指标值,从多个分配组合中筛选出满足设定约束条件、且达到设定分配目标的分配方案组。
分配方案组包括参与分配的每一分配对象及与每一分配对象一一适配的激励方案。在此,该分配方案组为参与分配的每一分配对象分配且仅分配相适配的激励方案,因此,对于参与分配的任意分配对象而言,其仅会被分配方案集合中的一个激励方案作为与其适配的激励方案,这例如可以通过采用以下公式(1)表示:
公式(1)中,xi,a取1表示为第i个分配对象分配激励方案a,xi,a取0表示未为第i个分配对象分配激励方案a,I表示参与分配的分配对象集合,A*表示方案集合。
该设定约束条件可以包括关于分配方案组的总激励值的约束。
在一个实施例中,该设定约束条件可以包括第一约束条件。该第一约束条件可以包括:分配方案组的总激励值与分配方案组的总产出值的比值等于设定的激励约束值,这可以通过以下公式(2)表示:
公式(2)中,θ表示预测模型的模型参数,表示需要根据至少一个预测模型分别提供的指标值,计算对应的平均值;表示在为分配对象i分配激励方案a时,根据至少一个预测模型预测得到的指标值,计算得到的平均产出值;而则表示分配方案组的总产出值,k0表示设定的激励约束值,表示在为分配对象i分配激励方案a时,根据至少一个预测模型预测得到的指标值,计算得到的平均激励值,而则表示分配方案组的总激励值。
该设定的激励约束值用于限定每一产出能够获得的平均激励值。
在一个实施例中,该设定约束条件还可以包括第一约束条件和第二约束条件。该第二约束条件可以包括:分配方案组中每一分配组合各自的激励差值的标准差之和小于或者等于设定值,该激励差值等于对应分配组合的激励值与对应于对应分配组合的产出值的希望激励值的差值。在以下公式(3)中:
其中,δ(si,aθ)xi,a表示在为分配对象i分配激励方案a时,对于分配对象i与激励方案a这个分配组合的激励差值,该激励差值δ(si,a|θ)等于该分配组合的激励值c(si,a|θ)与对应于该分配组合的产出值的希望激励值k0·r(si,a|θ)的差值,即,δ(si,a|θ)=c(si,a|θ)-k0·r(si,a|θ),其中,希望激励值k0·r(si,a|θ)等于该分配组合的产出值r(si,a|θ)和激励约束值k0的乘积,在此,在设置多个预测模型的情况下,对于该分配组合,能够得到多个激励差值,进而可以根据该多个激励差值,计算得到该分配组合的激励差值的标准差。
该实施例中,通过设置该第二约束条件,可以避免选出鲁棒性差的,或者说不确定度高的分配方案组,进而提高筛选出的分配方案组的有效性。
该实施例中,设置设定值取决于分配方案组的总产出值,能够根据总产出值的情况控制标准差的合理范围,有利于筛选出合适的分配方案组。
在另外的实施例中,该设定值也可以为预先设定的固定值或者与总产出值相关的其他数值,在此不做限定。
在一个实施例中,设定分配目标包括关于分配方案组的总产出值的目标,例如,分配方案组的总产出值最高。这可以通过以下公式(4)表示:
该公式(4)表示为参与分配的所有分配对象找出一组分配方案组,以使得总产出值最高。
在另一个实施例中,设定分配目标还包括关于分配方案组的总产出值与分配方案组的产出标准差之和最高,这可以通过如下公式(5)表示:
其中,σr(si,a)xi,a表示在为分配对象i分配激励方案a时,对于分配对象i与激励方案a这个分配组合的至少一个产出值(由至少一个预测模型预测得到)的标准差,简称为该分配组合的产出标准差,则表示分配方案组中每一分配组合各自的产出标准差之和,记为该分配方案组的产出标准差。
该公式(5)可以理解为是:在基于以上第二约束条件,尽量不使用鲁棒性差的分配方案组的情况下,如果该分配方案组能够带来的产出量特别突出,以至于可以接受其鲁棒性较差的问题,则也可以优先选用该分配方案组。
步骤S2400,根据分配方案组,向每一分配对象分配相适配的激励方案。
本实施例中,根据以上步骤S2300获得分配方案组后,便可根据本步骤S2400向每一分配对象分配相适配的激励方案。
本实施例中,执行一次根据本实施例的分配处理方法获得的分配方案组的有效时间长度可以为一天、一周或者一个月等,在此不做限定。
根据本公开实施例的方法,其可以根据参与分配的任意分配对象对于不同激励方案在产出值和所需激励值上的预测结果,为参与分配的每一分配对象分配与各自相适配的激励方案,以从参与分配的所有分配对象的全局出发,在满足关于总激励额的约束的情况下,实现总产出值的最大化,进而最大程度地发挥所提供的分配方案的激励作用。
将本实施例的方法应用在网约车应用场景中,其可以考虑到司机做单能力的多样性,针对每一司机,为该司机分配与自身相适配的激励方案,进而,能够在满足对总激励额的约束的前提下,提升该司机的做单能力。
在一个实施例中,参照图3所示,本公开实施例的分配处理方法还可以包括获得至少一个预测模型中的任意预测模型的步骤,这可以包括如下步骤S3100~S3200:
步骤S3100,获取训练样本。
不同训练样本对应不同的分配组合,每一训练样本包括对应分配组合对于上述特征向量的向量值、及对应分配组合的实际产出值,其中,该实际产出值也即为该训练样本的标签。
步骤S3200,根据训练样本训练预设模型结构的模型参数,获得任意预测模型。
本步骤S3200中,可以是将获取到的所有训练样本进行分组,得到至少一组训练样本。在此,可以根据预测模型的数量对训练样本进行分组以得到相同数量的训练样本的组合。
例如,可以是将所有训练样本进行有放回的抽样,得到至少一组训练样本,该至少一组训练样本包括的样本数可以相同,也可以不同。
又例如,可以是将所有训练样本直接进行抽样,得到至少一组训练样本,该至少一组训练样本包括的样本数可以相同,也可以不同。
本实施例并不具体限定如何对获取到的训练样本进行分组以得到至少一组训练样本。
在一个实施例中,不同的预测模型可以是采用不同训练样本的组合训练得到,例如,选取第一组训练样本训练第一个预测模型,选取第二组训练样本训练第二个预测模型,依次类推。
在一个实施例中,不同的预测模型也可以是采用不同超参数组合训练得到,该超参数例如但不限于是学习率、批尺寸和迭代次数等,超参数选择的好坏决定了预测模型能否正确收敛、收敛的速度以及模型最后识别的性能等。该例子中,即使预测模型均选取相同的训练样本的组合进行训练,但是由于超参数组合选取的不同,也会训练得到不同的预测模型。
在一个实施例中,任意激励方案反映产出值的多个阶梯及每一阶段处的激励值,该实施例中,上述步骤S3200中获得至少一个预测模型中的任意预测模型可以进一步包括如下步骤S3210~S3220:
步骤S3210,设置预设模型结构的输入层包括多个嵌入单元。
任意嵌入单元对应一个匹配对,不同的嵌入单元对应不同的匹配对,该匹配对包括激励方案的一个特定阶梯及特定阶梯处的激励值。
示例性地,假设激励方案的阶梯的最大长度为16,每一个阶梯处的最大激励值为49,这样,对于任一个阶段,都能够生成50个匹配对,进而会得到16*50=800个独立的嵌入单元。
可以理解的是,对于输入的任意一个激励方案而言,特定阶梯及特定阶梯处的激励值是确定的,根据将该特定阶梯及特定阶梯处的激励值,可以在预测模型中匹配到对应的嵌入单元,进而将激励方案与嵌入单元相匹配后,将该激励方案映射出多维特征。
例如,输入的激励方案为[0,0,3,0,7,0,0,10],该激励方案包括8个匹配对,分别为(1,0),(2,0),(3,3),(4,0),(5,7),(6,0),(7,0),(8,10),以匹配对(1,0)为例,在将包含该激励方案的向量值输入至预测模型中时,可以查找到对应该匹配对(1,0)的嵌入单元,该嵌入单元可将匹配对(1,0)映射为能够从更多角度描述该匹配对的多维特征,以提高预测的准确性。
步骤S3220,设置模型参数包括影响匹配对映射出的特征的参数。
本实施例中,在通过训练预设模型结构的模型参数,得到对应的预测模型之后,便可以确定任意嵌入单元对应的匹配对所能够映射出的特征。
该实施例提供的根据训练样本训练得到预测模型的方法,具有较高的准确性,能够准确的获得分配组合中每一分配组合各自的产出值。
在一个实施例中,如图4所示,本公开实施例的分配处理方法还可以进一步包括如下步骤S4100~S4200:
步骤S4100,检测设定的分配事件。
本步骤S4100中,服务器1000可以设置至少一个分配事件,该至少一个分配事件可以包括设定的分配时间到时、接收到实施分配的外部触发、以及出现新的分配对象时之中的至少一项。
步骤S4200,在检测到任意分配事件的情况下,执行将对应分配对象分别与方案集合中的每一激励方案相结合的操作。
本步骤S4200中,在发生任一分配事件的情况下,服务器1000便可以响应于该检测事件,执行将对应分配对象分别与方案集合中的每一激励方案相结合的操作。
根据本公开该实施例,其在检测到任意分配事件的情况下,执行将对应分配对象分别与方案集合中的每一激励方案相结合的操作,这种通过检测分配事件去执行以上步骤S2100~S2400的方式,可以提高分配激励方案的灵活性。
在一个实施例中,如图5所示,本公开实施例的分配处理方法还可以进一步包括如下步骤S5100~S5200:
步骤S5100,获取对于设定约束条件和设定分配目标中的至少一项的设置内容。
本步骤S5100中,运维人员使用的如图1所示的运营终端3000进行关于设定约束条件和/或设定分配目标的设置。
例如,运营终端3000可以提供用于设置设定约束条件和设定分配目标的设置接口,该设置接口可以包括输入框、下拉列表、勾选项、语音输入等至少一种形式的接口,以便运维人员可以根据需要重新设置设定约束条件和/或设定分配目标。
步骤S5200,根据设置内容,更新设定约束条件和设定分配目标。
根据本公开实施例,其可以提供人机交互接口,以支持工作人员根据当前的实际需要输入设定约束条件和设定分配目标中的至少一项的设置内容,实现定制化设计。
在一个实施例中,如图6所示,本公开实施例的分配处理方法还可以进一步包括获得以上步骤S2100中使用的方案集合的步骤,该获得方案集合可以进一步包括如下步骤S6100~S6200:
步骤S6100,获取在最近的第一设定天数内应用的多个分配组合样本。
该第一设定天数可以根据具体应用场景和具有应用需求进行设置,例如,该第一设定天数可以为最近30天,或者最近7天等,在此不做限定。
该多个分配组合样本为在该最近的第一设定天数内实际应用的分配组合。任意分配组合样本包括分配对象及对应的激励方案。
步骤S6200,根据多个分配组合样本涉及的激励方案,获得方案集合。
在一个实施例中,该步骤S6200中根据多个分配组合样本涉及的激励方案,获得方案集合可以包括:直接将多个分配组合样本涉及的激励方案,作为最终的方案集合。
在另一个实施例中,该步骤S6200中根据多个分配组合样本涉及的激励方案,获得方案集合也可以包括如下步骤S6210~S6220:
步骤S6210,从多个分配组合样本涉及的激励方案中,滤除满足设定条件中任意条件的激励方案,得到备选方案集合。
该设定条件可以包括第一条件和第二条件,这里,根据滤除后得到的方案集合得到备选方案集合,不仅可以提高处理速度,减少数据冗余,还可以提高方案集合的准确性。
以上第一条件可以包括:被滤除的激励方案在多个分配组合样本中的出现次数小于设定的次数阈值。
以上第二条件可以包括:采用被滤除的激励方案的至少一个分配组合样本的预测误差的平均值大于设定的均值阈值。该预测误差等于通过至少一个预测模型预测对应分配组合样本得到的产出值与对应分配组合样本的实际产出值间的差值的绝对值,该产出值可以是通过至少一个预测模型预测对应分配组合样本得到的平均产出值。
该实施例中,只要激励方案满足第一条件和第二条件中的任意条件,便被滤除。
在另一个实施例中,也可以是从多个分配组合样本涉及的激励方案中,滤除满足设定条件中所有条件的激励方案,得到备选方案集合。
步骤S6220,根据备选方案集合,获得最终的方案集合。
在一个实施例中,该步骤S6220中根据备选方案集合,获得最终的方案集合可以包括:直接将备选方案集合作为最终的方案集合。
在另一个实施例中,该步骤S6220中根据备选方案集合,获得最终的方案集合可以进一步包括如下步骤S6211~S6216:
步骤S6211,获取在最近的第二设定天数内每天的分配对象样本。
该第二设定天数可以根据具体应用场景和具体应用需求进行设置,该第二设定天数可以为最近7天等,该第二设定天数可以小于上述第一设定天数,以减少数据处理量。
步骤S6212,对于第二设定天数内任意天的每一分配对象样本,将对应分配对象样本分别与备选方案集合中的每一激励方案相结合,得到多个分配组合样本。
步骤S6213,通过至少一个预测模型,预测多个分配组合样本中每一分配组合样本各自的指标值。
步骤S6214,根据每一分配组合样本各自的指标值,从多个分配组合样本中筛选出满足设定约束条件、且达到设定分配目标的分配方案组样本,作为该任意天的分配方案组样本。
步骤S6215,从备选方案集合中,滤除在每天的分配方案组样本中均未出现过的激励方案,得到处理后的备选方案集合。
步骤S6216,根据处理后的备选方案集合,获得最终的方案集合。
在一个实施例中,该步骤S6216中根据处理后的备选方案集合,获得最终的方案集合可以包括:直接将处理后的备选方案集合,作为最终的方案集合。
在另一个实施例中,该步骤S6216中根据处理后的备选方案集合,获得最终的方案集合可以进一步包括如下步骤S6216-1~S6216-2:
步骤S6216-1,比较处理后的备选方案集合与在先方案集合。
在先方案集合为上一次(最近一次)执行以上步骤S2100~S2400所使用的方案集合,例如,方案集合每周更新一次,则,该在先方案集合为筛选在最近一周内使用的分配分案组时使用的方案集合。
该实施例中,可以比较分别基于两个方案集合选出的分配方案组在总激励额相同的情况下,所表现出的总产出值,总产出值越高,说明对应的方案集合越有效,即,可以选择使得总产出值较高的方案集合,作为最终的方案集合。
例如,对于处理后的备选方案集合和在先方案集合中的任意方案集合,以激励约束范围内的多个激励约束值作为约束,分别执行以上步骤S2100~S2400,并记录每一约束下得到的分配方案组的总产出量和总激励额,这样,通过任意的拟合手段,便能够得到反映总激励额(X轴)与总产出值(Y轴)间映射关系的一条曲线。这样,两个方案集合便能够获得两条曲线,根据两条曲线与X轴间区域的面积,可以获得使得面积(反映不同约束下得到的总产出值之和)较大的方案集合,作为最终的方案集合。
步骤S6216-2,根据比较结果,从处理后的备选方案集合与在先方案集合中选取一个集合,作为最终的方案集合。
根据本公开实施例,通过选取使用概率较高的激励方案组成方案集合,有利于提高基于该方案集合得到的分配方案组的有效性。
在一个实施例中,本公开实施例的分配处理方法还可以进一步包括更新方案集合的步骤,该更新方案集合可以包括如下步骤S7100~S7200:
步骤S7100,获取在最近的第三设定天数内应用的多个分配组合样本。
该第三设定天数可以根据具体应用场景和具有应用需求进行设置。该第三设定天数可以与上述第一设定天数相同。例如,第三设定天数可以为最近30天。
该步骤S7100中,在最近的第三设定天数内应用的多个分配组合样本涉及的激励方案,组成探索用方案集合。
步骤S7200,根据多个分配组合样本涉及的激励方案,更新方案集合。
本实施例中,将使用探索用方案集合来更新实施以上步骤S2100~S2400中使用的方案集合。
在本实施例中,该步骤S7200中根据多个分配组合样本涉及的激励方案,更新方案集合可以包括如下步骤S7210~S7230:
步骤S7210,从多个分配组合样本涉及的激励方案中,选取第一预定数量个激励方案,得到父方案集合。
该第一预定数量可以是根据具体应用场景和具有应用需求设置的常量。
步骤S7220,从多个分配组合样本涉及的激励方案中,选取第二预定数量个激励方案,得到母方案集合。
该第二预定数量可以是根据具体应用场景和具有应用需求设置的常量。该第二预定数量和第一预定数量可以相同,也可以不同。
步骤S7230,根据父方案集合和母方案集合,更新方案集合。
在本实施例中,该步骤S7230中根据父方案集合和母方案集合,更新方案集合可以进一步包括如下步骤S7231~S7235:
步骤S7231,获取父方案集合和母方案集合中每一激励方案各自的适应度。
该步骤S7231中,获取任意激励方案的适应度的步骤可以包括S7231-1和S7231-2:
步骤S7231-1,对于探索用方案集合和第三设定天数内涉及的分配对象样本,以激励约束范围内的多个激励约束值作为约束,分别执行以上步骤S2100~S2400,并记录每一约束下得到的分配方案组的总产出量和总激励额,这样,通过任意的拟合手段,便能够得到反映总激励额(X轴)与总产出值(Y轴)间映射关系的一条曲线V。
步骤S7231-2,将该任意激励方案统一分配给第三设定天数内涉及的分配对象样本,得到该分配方案组的总产出值R1和总激励额C1,在曲线V上,查找对应总激励额C1的总产出值R2,并将总产出值R1与总产出值R2之间的差值(R1-R2),作为该任意激励方案的适应度。
步骤S7232,在父方案集合中选取使得适应度最高的激励方案作为产生子代方案的父方案。
步骤S7233,在母方案集合中选取使得适应度最高的激励方案作为产生子代方案的母方案。
步骤S7234,对选取出的父方案和母方案进行交叉和变异,获得一对子代方案,并通过该一对子代方案更新方案集合。
示例性地,以应用场景为网约车运营场景为例,可以是将父方案和母方案进行对齐,在每一个阶梯编号处,以一定的概率互相交换激励金额,产生一对子代方案。比如父方案=[0,0,2,5],母方案=[0,5,10],那么有可能产生的一对子代方案是:[0,5,2,5],[0,0,10],即在第2个阶梯处,金额以一定的概率发生了互相交换,其他阶梯处金额保持不变,进一步地,将产生的一对子代方案[0,5,2,5],[0,0,10]的每个阶梯处的激励金额进行各自抖动,抖动范围可以是[-2,-1,+1,+2],从而可以得到最终的一对子代方案,并将最终得到的该一对子代方案加入方案集合中以更新方案集合。
在本实施例中,在获得一对子代方案之后,通过该一对子代方案更新方案集合可以包括如下步骤S7235~S7236:
步骤S7235,获取一对子代方案中两个子代方案各自的适应度。
步骤S7236,将使得适应度满足预设条件的子代方案加入方案集合中,以更新方案集合。
该预设条件可以包括:适应度大于预设的阈值,该阈值可以是根据具体应用场景和具体应用需求设置的常量,该阈值例如可以是0,从而,可以先根据该预设条件对获得的一对子代方案进行过滤,进而减少数据冗余。
该方案集合可以是通过以上步骤S6100~S6200获得的最终的方案集合,也可以是在先方案集合等,在此不做限定。
根据本公开实施例,其在获得方案集合之中,还会对方案集合进行更新,从而,可以提高方案集合的实时性和靶向性。
<装置实施例>
图7是根据本公开实施例的一种分配处理装置的原理框架。
根据图7所示,本实施例的分配处理装置7000可以包括组合模块7100、预测模块7200、筛选模块7300和分配模块7400。
该组合模块7100,用于对于参与分配的每一分配对象,将对应分配对象分别与方案集合中的每一激励方案相结合,得到多个分配组合,其中,任意所述激励方案反映激励值与产出值之间的对应关系。
该预测模块7200,用于通过至少一个预测模型,预测所述多个分配组合各自的指标值,其中,所述指标值包括产出值和对应于所述产出值的激励值。
该筛选模块7300,用于根据所述指标值,从所述多个分配组合中筛选出满足设定约束条件、且达到设定分配目标的分配方案组,其中,所述分配方案组包括所述每一分配对象及与所述每一分配对象一一适配的激励方案,所述设定约束条件包括关于所述分配方案组的总激励值的约束,所述设定分配目标包括关于所述分配方案组的总产出值的目标。
该分配模块7400,用于根据所述分配方案组,向所述每一分配对象分配相适配的激励方案。
在一个实施例中,该预测模块7100,还用于根据设定的特征向量,获取所述任意分配组合对于所述特征向量的向量值;将所述向量值输入至所述任意预测模型,获得所述任意分配组合的产出值;根据获得的产出值及所述任意分配组合的激励方案,获得对应于所述获得的产出值的激励值。
其中,所述特征向量包括影响产出值的特征;所述任意预测模型反映所述特征向量与产出值之间的映射关系。
在一个实施例中,设置所述特征向量包括第一特征组和第二特征组;或者,设置所述特征向量包括所述第一特征组、所述第二特征组和第三特征组;
其中,所述第一特征组包括反映被分配的激励方案的特征,所述第二特征组包括描述分配对象的对象特征,所述第三特征组包括分配对象实施被分配的激励方案的环境特征。
在一个实施例中,该预测模块7100,还用于获取训练样本,不同训练样本对应不同的分配组合,每一训练样本包括对应分配组合对于所述特征向量的向量值、及对应分配组合的实际产出值;根据所述训练样本训练预设模型结构的模型参数,获得所述任意预测模型。
在一个实施例中,任意所述激励方案反映产出值的多个阶梯及每一阶段处的激励值,该预测模块7100,还用于设置所述预设模型结构的输入层包括多个嵌入单元,任意所述嵌入单元对应一个匹配对,所述匹配对包括激励方案的一个特定阶梯及所述特定阶梯处的激励值;设置所述模型参数包括影响所述匹配对映射出的特征的参数。
在一个实施例中,所述设定约束条件包括第一约束条件;
其中,所述第一约束条件包括:所述分配方案组的总激励值与所述分配方案组的总产出值的比值等于设定的激励约束值;
所述设定分配目标包括:所述分配方案组的总产出值最高。
在一个实施例中,所述设定约束条件还包括第二约束条件;
所述设定分配目标包括:所述分配方案组的总产出值与所述分配方案组的产出标准差之和最高;
所述第二约束条件包括:所述分配方案组中每一分配组合各自的激励差值的标准差之和小于或者等于设定值;
其中,所述激励差值等于对应分配组合的激励值与对应于所述对应分配组合的产出值的希望激励值的差值,所述希望激励值等于所述对应分配组合的产出值与所述激励约束值的乘积;所述分配方案组的产出标准差等于所述分配方案组中每一分配组合各自的产出标准差之和。
在一个实施例中,所述设定值等于匹配系数与所述分配方案组的总产出值的乘积。
在一个实施例中,所述方案集合中的任意所述激励方案反映产出值的多个阶梯及每一阶段处的激励值。
在一个实施例中,该组合模块7100,还用于检测设定的分配事件;在检测到任意分配事件的情况下,执行所述将对应分配对象分别与方案集合中的每一激励方案相结合的操作。
在一个实施例中,该装置7000还包括更新模块(图中未示出),该更新模块用于获取对于所述设定约束条件和所述设定分配目标中的至少一项的设置内容;根据所述设置内容,更新所述设定约束条件和所述设定分配目标。
在一个实施例中,该装置7000还包括方案集合获取模块(图中未示出),该方案集合获取模块用于获取在最近的第一设定天数内应用的多个分配组合样本;根据所述多个分配组合样本涉及的激励方案,获得所述方案集合。
在一个实施例中,该方案集合获取模块,还用于从所述多个分配组合样本涉及的激励方案中,滤除满足设定条件中任意条件的激励方案,得到备选方案集合;根据所述备选方案集合,获得最终的方案集合。
在一个实施例中,所述设定条件包括第一条件和第二条件,
所述第一条件包括:被滤除的激励方案在所述多个分配组合样本中的出现次数小于设定的次数阈值;
所述第二条件包括:采用被滤除的激励方案的分配组合样本的预测误差的平均值大于设定的均值阈值,其中,所述预测误差等于通过所述预测模型预测对应分配组合样本得到的产出值与对应分配组合样本的实际产出值间的差值的绝对值。
在一个实施例中,该方案集合获取模块,还用于获取在最近的第二设定天数内每天的分配对象样本;对于所述第二设定天数内任意天的每一分配对象样本,将对应分配对象样本分别与备选方案集合中的每一激励方案相结合,得到多个分配组合样本;通过所述至少一个预测模型,预测所述多个分配组合样本各自的指标值;根据所述多个分配组合样本各自的指标值,从所述多个分配组合样本中筛选出满足设定约束条件、且达到设定分配目标的分配方案组样本,作为所述任意天的分配方案组样本;从所述备选方案集合中,滤除在所述第二设定天数内每天的分配方案组样本中均未出现过的激励方案,得到处理后的备选方案集合;根据处理后的备选方案集合,获得最终的方案集合。
在一个实施例中,该方案集合获取模块,还用于比较所述处理后的备选方案集合与在先方案集合;根据比较结果,从所述处理后的备选方案集合与所述在先方案集合中中选取一个集合,作为最终的方案集合。
在一个实施例中,该装置7000还包括方案集合更新模块(图中未示出),该方案集合更新模块用于获取在最近的第三设定天数内应用的多个分配组合样本;根据所述多个分配组合样本涉及的激励方案,更新所述方案集合。
在一个实施例中,该方案集合更新模块,还用于从所述多个分配组合样本涉及的激励方案中,选取第一预定数量个激励方案,得到父方案集合;以及,从所述多个分配组合样本涉及的激励方案中,选取所述第二预定数量个激励方案,得到母方案集合;根据所述父方案集合和所述母方案集合,生成子代方案;通过所述子代方案,更新所述方案集合。
在一个实施例中,该方案集合更新模块,还用于获取所述父方案集合和所述母方案集合中每一激励方案各自的适应度;在所述父方案集合中,选取使得所述适应度最高的激励方案作为产生子代方案的父方案;在所述母方案集合中,选取使得所述适应度最高的激励方案作为产生子代方案的母方案;对所述父方案和所述母方案进行交叉和变异,获得一对子代方案。
在一个实施例中,该方案集合更新模块,还用于获取所述一对子代方案中两个子代方案各自的适应度;对于所述两个子代方案,将使得适应度满足预设条件的子代方案加入所述方案集合中,以更新所述方案集合。
<服务器实施例>
在本实施例中,还提供一种服务器8000。
如图8所示,服务器8000可以包括根据本发明任意实施例的分配处理装置7000,用于实施本发明任意实施例的分配处理装置。该服务器8000可以是图1所示的服务器1000。
在另一个实施例中,如图9所示,服务器8000还可以包括处理器8100和存储器8200,该存储器8200用于存储可执行的指令;该处理器8100用于根据指令的控制运行服务器8000执行根据本发明任意实施例的分配处理方法。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (22)
1.一种分配处理方法,包括:
对于参与分配的每一分配对象,将对应分配对象分别与方案集合中的每一激励方案相结合,得到多个分配组合,其中,任意所述激励方案反映激励值与产出值之间的对应关系;
通过至少一个预测模型,预测所述多个分配组合各自的指标值,其中,所述指标值包括产出值和对应于所述产出值的激励值;
根据所述指标值,从所述多个分配组合中筛选出满足设定约束条件、且达到设定分配目标的分配方案组,其中,所述分配方案组包括所述每一分配对象及与所述每一分配对象一一适配的激励方案,所述设定约束条件包括关于所述分配方案组的总激励值的约束,所述设定分配目标包括关于所述分配方案组的总产出值的目标;
根据所述分配方案组,向所述每一分配对象分配相适配的激励方案。
2.根据权利要求1所述的方法,其中,通过所述至少一个预测模型中的任意预测模型,预测所述多个分配组合中任意分配组合的指标值的步骤,包括:
根据设定的特征向量,获取所述任意分配组合对于所述特征向量的向量值,其中,所述特征向量包括影响产出值的特征;
将所述向量值输入至所述任意预测模型,获得所述任意分配组合的产出值,其中,所述任意预测模型反映所述特征向量与产出值之间的映射关系;
根据获得的产出值及所述任意分配组合的激励方案,获得对应于所述获得的产出值的激励值。
3.根据权利要求2所述的方法,其中,所述方法还包括:
设置所述特征向量包括第一特征组和第二特征组;或者,设置所述特征向量包括所述第一特征组、所述第二特征组和第三特征组;
其中,所述第一特征组包括反映被分配的激励方案的特征,所述第二特征组包括描述分配对象的对象特征,所述第三特征组包括分配对象实施被分配的激励方案的环境特征。
4.根据权利要求2所述的方法,其中,所述方法还包括获得所述至少一个预测模型中的任意预测模型的步骤,包括:
获取训练样本,不同训练样本对应不同的分配组合,每一训练样本包括对应分配组合对于所述特征向量的向量值、及对应分配组合的实际产出值;
根据所述训练样本训练预设模型结构的模型参数,获得所述任意预测模型。
5.根据权利要求4所述的方法,其中,任意所述激励方案反映产出值的多个阶梯及每一阶段处的激励值,所述获得所述至少一个预测模型中的任意预测模型的步骤,还包括:
设置所述预设模型结构的输入层包括多个嵌入单元,任意所述嵌入单元对应一个匹配对,所述匹配对包括激励方案的一个特定阶梯及所述特定阶梯处的激励值;
设置所述模型参数包括影响所述匹配对映射出的特征的参数。
6.根据权利要求1所述的方法,其中,
所述设定约束条件包括第一约束条件;
其中,所述第一约束条件包括:所述分配方案组的总激励值与所述分配方案组的总产出值的比值等于设定的激励约束值;
所述设定分配目标包括:所述分配方案组的总产出值最高。
7.根据权利要求6所述的方法,其中,所述设定约束条件还包括第二约束条件;
所述设定分配目标包括:所述分配方案组的总产出值与所述分配方案组的产出标准差之和最高;
所述第二约束条件包括:所述分配方案组中每一分配组合各自的激励差值的标准差之和小于或者等于设定值;
其中,所述激励差值等于对应分配组合的激励值与对应于所述对应分配组合的产出值的希望激励值的差值,所述希望激励值等于所述对应分配组合的产出值与所述激励约束值的乘积;所述分配方案组的产出标准差等于所述分配方案组中每一分配组合各自的产出标准差之和。
8.根据权利要求7所述的方法,其中,所述方法还包括:
所述设定值等于匹配系数与所述分配方案组的总产出值的乘积。
9.根据权利要求1所述的方法,其中,所述方案集合中的任意所述激励方案反映产出值的多个阶梯及每一阶段处的激励值。
10.根据权利要求1所述的方法,其中,所述方法还包括:
检测设定的分配事件;
在检测到任意分配事件的情况下,执行所述将对应分配对象分别与方案集合中的每一激励方案相结合的操作。
11.根据权利要求1所述的方法,其中,所述方法还包括:
获取对于所述设定约束条件和所述设定分配目标中的至少一项的设置内容;
根据所述设置内容,更新所述设定约束条件和所述设定分配目标。
12.根据权利要求1至11中任一项所述的方法,其中,所述方法还包括获得所述方案集合的步骤,包括:
获取在最近的第一设定天数内应用的多个分配组合样本;
根据所述多个分配组合样本涉及的激励方案,获得所述方案集合。
13.根据权利要求12所述的方法,其中,所述根据所述多个分配组合样本涉及的激励方案,获得所述方案集合包括:
从所述多个分配组合样本涉及的激励方案中,滤除满足设定条件中任意条件的激励方案,得到备选方案集合;
根据所述备选方案集合,获得最终的方案集合。
14.根据权利要求13所述的方法,其中,所述设定条件包括第一条件和第二条件,
所述第一条件包括:被滤除的激励方案在所述多个分配组合样本中的出现次数小于设定的次数阈值;
所述第二条件包括:采用被滤除的激励方案的分配组合样本的预测误差的平均值大于设定的均值阈值,其中,所述预测误差等于通过所述预测模型预测对应分配组合样本得到的产出值与对应分配组合样本的实际产出值间的差值的绝对值。
15.根据权利要求13所述的方法,其中,所述根据所述备选方案集合,获得最终的方案集合,包括:
获取在最近的第二设定天数内每天的分配对象样本;
对于所述第二设定天数内任意天的每一分配对象样本,将对应分配对象样本分别与备选方案集合中的每一激励方案相结合,得到多个分配组合样本;
通过所述至少一个预测模型,预测所述多个分配组合样本各自的指标值;
根据所述多个分配组合样本各自的指标值,从所述多个分配组合样本中筛选出满足设定约束条件、且达到设定分配目标的分配方案组样本,作为所述任意天的分配方案组样本;
从所述备选方案集合中,滤除在所述第二设定天数内每天的分配方案组样本中均未出现过的激励方案,得到处理后的备选方案集合;
根据处理后的备选方案集合,获得最终的方案集合。
16.根据权利要求15所述的方法,所述根据处理后的备选方案集合,获得最终的方案集合,包括:
比较所述处理后的备选方案集合与在先方案集合;
根据比较结果,从所述处理后的备选方案集合与所述在先方案集合中中选取一个集合,作为最终的方案集合。
17.根据权利要求1至11中任一项所述的方法,其中,所述方法还包括更新所述方案集合的步骤,包括:
获取在最近的第三设定天数内应用的多个分配组合样本;
根据所述多个分配组合样本涉及的激励方案,更新所述方案集合。
18.根据权利要求17所述的方法,其中,所述根据所述多个分配组合样本涉及的激励方案,更新所述方案集合,包括:
从所述多个分配组合样本涉及的激励方案中,选取第一预定数量个激励方案,得到父方案集合;以及,
从所述多个分配组合样本涉及的激励方案中,选取所述第二预定数量个激励方案,得到母方案集合;
根据所述父方案集合和所述母方案集合,生成子代方案;
通过所述子代方案,更新所述方案集合。
19.根据权利要求18所述的方法,其中,所述根据所述父方案集合和所述母方案集合,生成子代方案,包括:
获取所述父方案集合和所述母方案集合中每一激励方案各自的适应度;
在所述父方案集合中,选取使得所述适应度最高的激励方案作为产生子代方案的父方案;
在所述母方案集合中,选取使得所述适应度最高的激励方案作为产生子代方案的母方案;
对所述父方案和所述母方案进行交叉和变异,获得一对子代方案。
20.根据权利要求19所述的方法,其中,所述通过所述子代方案,更新所述方案集合包括:
获取所述一对子代方案中两个子代方案各自的适应度;
对于所述两个子代方案,将使得适应度满足预设条件的子代方案加入所述方案集合中,以更新所述方案集合。
21.一种分配处理装置,包括:
组合模块,用于对于参与分配的每一分配对象,将对应分配对象分别与方案集合中的每一激励方案相结合,得到多个分配组合,其中,任意所述激励方案反映激励值与产出值之间的对应关系;
预测模块,用于通过至少一个预测模型,预测所述多个分配组合各自的指标值,其中,所述指标值包括产出值和对应于所述产出值的激励值;
筛选模块,用于根据所述指标值,从所述多个分配组合中筛选出满足设定约束条件、且达到设定分配目标的分配方案组,其中,所述分配方案组包括所述每一分配对象及与所述每一分配对象一一适配的激励方案,所述设定约束条件包括关于所述分配方案组的总激励值的约束,所述设定分配目标包括关于所述分配方案组的总产出值的目标;
分配模块,用于根据所述分配方案组,向所述每一分配对象分配相适配的激励方案。
22.一种服务器,包括权利要求21所述的装置;或者,包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述指令的控制运行所述服务器执行如权利要求1-20任意一项所述分配处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010426371.1A CN113689022A (zh) | 2020-05-19 | 2020-05-19 | 分配处理方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010426371.1A CN113689022A (zh) | 2020-05-19 | 2020-05-19 | 分配处理方法、装置及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689022A true CN113689022A (zh) | 2021-11-23 |
Family
ID=78575944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010426371.1A Withdrawn CN113689022A (zh) | 2020-05-19 | 2020-05-19 | 分配处理方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689022A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357730A1 (en) * | 2017-06-12 | 2018-12-13 | Tata Consultancy Services Limited | Systems and methods for optimizing incentives for demand response |
CN109993428A (zh) * | 2019-03-28 | 2019-07-09 | 第四范式(北京)技术有限公司 | 资源分配方法与装置 |
CN110245980A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 基于神经网络模型确定目标用户激励形式的方法和设备 |
CN111047123A (zh) * | 2018-10-11 | 2020-04-21 | 北京嘀嘀无限科技发展有限公司 | 一种资源分配方法、系统、电子设备及计算机存储介质 |
CN111160951A (zh) * | 2019-12-10 | 2020-05-15 | 北京三快在线科技有限公司 | 激励结果的预测方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-05-19 CN CN202010426371.1A patent/CN113689022A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357730A1 (en) * | 2017-06-12 | 2018-12-13 | Tata Consultancy Services Limited | Systems and methods for optimizing incentives for demand response |
CN111047123A (zh) * | 2018-10-11 | 2020-04-21 | 北京嘀嘀无限科技发展有限公司 | 一种资源分配方法、系统、电子设备及计算机存储介质 |
CN109993428A (zh) * | 2019-03-28 | 2019-07-09 | 第四范式(北京)技术有限公司 | 资源分配方法与装置 |
CN110245980A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 基于神经网络模型确定目标用户激励形式的方法和设备 |
CN111160951A (zh) * | 2019-12-10 | 2020-05-15 | 北京三快在线科技有限公司 | 激励结果的预测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3043447B1 (en) | Distribution transformer heavy loading and overloading mid-term and short-term pre-warning analytics model | |
US20200126014A1 (en) | Systems and methods for assessment and visualization of supply chain management system data | |
US9785897B2 (en) | Methods and systems for optimizing efficiency of a workforce management system | |
WO2011142988A1 (en) | Risk element consolidation | |
CN105744005A (zh) | 客户定位分析方法及服务器 | |
WO2011142985A1 (en) | Technology infrastructure-change risk model | |
WO2018207878A1 (ja) | 需要予測装置 | |
CN110443657A (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
WO2011142987A1 (en) | Organization-segment-based risk analysis model | |
CN109492858A (zh) | 基于机器学习的员工绩效预测方法及装置、设备、介质 | |
CN109035028A (zh) | 智能投顾策略生成方法及装置、电子设备、存储介质 | |
US11657235B2 (en) | State of emotion time series | |
CN110136011A (zh) | 保险智能报价方法、装置、介质及电子设备 | |
CN109190791A (zh) | 应用推荐模型的评估方法、装置及电子设备 | |
WO2023134188A1 (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
US20160343010A1 (en) | Opportunity dashboard | |
CN112102099B (zh) | 保单数据处理方法、装置、电子设备及存储介质 | |
US20230418563A1 (en) | Dynamic application builder for multidimensional database environments | |
CN112132323A (zh) | 一种商品对象的价值量的预测方法、装置及电子设备 | |
CN113689022A (zh) | 分配处理方法、装置及服务器 | |
US20220129802A1 (en) | Computer system and plan evaluation method | |
US11810022B2 (en) | Contact center call volume prediction | |
US20220300876A9 (en) | Systems and methods for providing diagnostics for a supply chain | |
CN110874737A (zh) | 支付方式推荐方法、装置、电子设备、存储介质 | |
KR102449831B1 (ko) | 신규 텍스트에 대한 정보를 제공하는 전자 장치, 신규 텍스트를 확인하는 서버 및 그 동작 방법 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211123 |
|
WW01 | Invention patent application withdrawn after publication |