CN113793165A - 接单响应时长的输出方法、装置、电子设备及计算机介质 - Google Patents

Abstract

本公开涉及一种接单响应时长的输出方法、装置、电子设备及计算机可读介质，属于深度学习技术领域。该方法包括：响应于当前时刻用户发起的下单指令，获取用户的下单类型，并根据用户的下单类型确定用户对应的接单对象的类型；根据接单对象的类型获取接单对象的离线特征以及当前时刻对应的多个预设时间段内的实时特征；根据接单对象的离线特征和实时特征生成接单对象对应的特征矩阵；将接单对象对应的特征矩阵输入卷积神经网络中，并通过卷积神经网络输出接单对象对应的接单响应时长。本公开通过在离线历史数据的基础上结合实时数据，可以对接单对象的接单响应时长进行实时动态的预测，提高接单响应时长输出结果的准确率。

Description

接单响应时长的输出方法、装置、电子设备及计算机介质

技术领域

本公开涉及深度学习技术领域，具体而言，涉及一种接单响应时长的输出方法、接单响应时长的输出装置、电子设备及计算机可读介质。

背景技术

在一些如软件打车、外卖、或网络问诊咨询等应用场景中，用户通过发起下单指令生成订单，系统会根据用户的需求随机派给相应的接单对象，如司机、外卖骑手或者互联网医生等。

从生成订单到接单对象接单的过程中，用户会有一个等待时长，也就是接单对象的响应时长。目前，该响应时长主要是通过历史数据来进行预测，很多情况下，预测结果并不准确。

鉴于此，本领域亟需一种接单响应时长的输出方法，能够提高接单响应时长的预测准确率。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种接单响应时长的输出方法、接单响应时长的输出装置、电子设备及计算机可读介质，进而至少在一定程度上提高接单响应时长的预测准确率。

根据本公开的第一个方面，提供一种接单响应时长的输出方法，包括：

响应于当前时刻用户发起的下单指令，获取所述用户的下单类型，并根据所述用户的下单类型确定所述用户对应的接单对象的类型；

根据所述接单对象的类型获取所述接单对象的离线特征以及所述当前时刻对应的多个预设时间段内的实时特征；

根据所述接单对象的所述离线特征和所述实时特征生成所述接单对象对应的特征矩阵；

将所述接单对象对应的特征矩阵输入卷积神经网络中，并通过所述卷积神经网络输出所述接单对象对应的接单响应时长。

在本公开的一种示例性实施例中，所述根据所述接单对象的类型获取所述接单对象的离线特征以及所述当前时刻对应的多个预设时间段内的实时特征，包括：

获取所述卷积神经网络输入的特征深度和特征矩阵维数，根据所述特征深度确定当前时刻所述实时特征对应的多个预设时间段，并根据所述特征矩阵维数确定离线特征矩阵维数和实时特征矩阵维数；

根据所述接单对象的类型以及所述接单对象的离线特征矩阵维数，获取所述接单对象的离线特征；

根据所述接单对象的类型以及所述接单对象的实时特征矩阵维数，获取所述接单对象在多个所述预设时间段内的实时特征。

在本公开的一种示例性实施例中，所述根据所述特征深度确定当前时刻所述实时特征对应的多个预设时间段，包括：

获取所述当前时刻对应的完整时间段，并根据所述特征深度确定所述预设时间段的个数；

根据所述完整时间段以及所述预设时间段的个数，确定当前时刻所述实时特征对应的多个预设时间段。

在本公开的一种示例性实施例中，所述根据所述接单对象的类型以及所述接单对象的离线特征矩阵维数，获取所述接单对象的离线特征，包括：

根据所述接单对象的类型获取所述接单对象的原始离线特征，并获取各个所述原始离线特征对应的权重；

根据所述原始离线特征对应的权重对所述原始离线特征进行排序和过滤，得到所述离线特征；

根据所述接单对象的离线特征矩阵维数，对所述离线特征进行压缩降维，得到待输入的所述离线特征。

在本公开的一种示例性实施例中，所述接单对象的离线特征包括：所述接单对象的过程离线特征、行为离线特征和属性离线特征。

在本公开的一种示例性实施例中，所述接单对象的实时特征包括：所述接单对象的过程实时特征、行为实时特征和属性实时特征。

在本公开的一种示例性实施例中，所述卷积神经网络包括一个输入层、四个隐藏层和一个全连接层。

在本公开的一种示例性实施例中，所述隐藏层包括两个最大池化层和两个卷积层。

根据本公开的第二方面，提供一种接单响应时长的输出装置，包括：

对象类型获取模块，用于响应于当前时刻用户发起的下单指令，获取所述用户的下单类型，并根据所述用户的下单类型确定所述用户对应的接单对象的类型；

对象特征获取模块，用于根据所述接单对象的类型获取所述接单对象的离线特征以及所述当前时刻对应的多个预设时间段内的实时特征；

特征矩阵生成模块，用于根据所述接单对象的所述离线特征和所述实时特征生成所述接单对象对应的特征矩阵；

响应时长输出模块，用于将所述接单对象对应的特征矩阵输入卷积神经网络中，并通过所述卷积神经网络输出所述接单对象对应的接单响应时长。

根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的接单响应时长的输出方法。

根据本公开的第四方面，提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的接单响应时长的输出方法。

本公开示例性实施例可以具有以下有益效果：

本公开示例实施方式的接单响应时长的输出方法中，通过在包含历史数据的离线特征的基础上，结合接单对象当前状态下的实时特征，生成对应的特征矩阵，并通过卷积神经网络进行接单响应时长的预测。本公开示例实施方式中的接单响应时长的输出方法，一方面，通过综合订单处理过程中的实时特征和离线特征，能够实时预测接单对象在当前时刻当前状态下的接单时长，并且可以实时动态地根据前一时刻的接单响应时长纠正当前时刻的响应时长输出结果，并根据当前输出结果及时调整派单逻辑。另一方面，通过卷积神经网络模型结构来进行预测，能够处理由特征构成的时序序列，从而进行实时动态预测，并且对服务性能损耗偏低，能够节约系统资源。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本公开示例实施方式的接单响应时长的输出方法的流程示意图；

图2示出了本公开示例实施方式的获取接单对象的离线特征以及实时特征的流程示意图；

图3示出了本公开示例实施方式的获取接单对象的离线特征的流程示意图；

图4示意性示出了根据本公开的一个具体实施方式中的卷积神经网络的模型结构图；

图5示出了本公开示例实施方式的接单响应时长的输出装置的框图；

图6示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在一些如软件打车、外卖、或网络问诊咨询等应用场景中，用户通过发起下单指令生成订单，系统会根据用户的需求随机派给相应的接单对象，如司机、外卖骑手或者互联网医生等。从生成订单到接单对象接单的过程中，用户会有一个等待时长，也就是接单对象的响应时长。

具体地，以网络问诊咨询为例，当患者在互联网医院发起问诊咨询时，会相应地生成一个问诊单，问诊单会根据需求随机派给相应的医生。从生成问诊单到医生接单这段时间，患者会有一个等待时长，也是医生接单响应时长，这是衡量当前医生接单能力和患者问诊体验的重要指标。

在一些相关的实施例中，医生接单响应时长的预测方法是简易平均法，是根据一定观察期内的数据求平均数，并以所求平均数为基础，预测未来时期的预测值。即通过统计历史数据中医生接单的平均时长，作为当前时刻医生接单的响应时长。将互联网医院的医生接单响应时长表示为医生历史平均接诊时长，即基于历史数据的均值计算得到，是非常片面的，这种方法可能会存在的问题如下：

1、历史数据特征不全面，信息量少，导致预测不合理，不能作为当前医生接单响应时长。历史数据中包括医生历史接单平均时长等，这些数据反映的是不同时刻不同状态下的医生接单时长，并不能反映当前时刻当前状态下的接单时长。

2、离线特征无法进行实时动态预测，不能真实反映出当前医生的接单能力。离线特征包括医生历史平均接单时长、最大接单时长、最小接单时长等，由于影响接单时长的因素众多，单一地考虑离线特征不能动态预测当前的医生接单时长。

从根本上来讲，医生的接单响应时长跟当前互联网医院的派单模式息息相关。当前互联网医院的派单模式包括以下几种类型：

1、派抢结合。订单会优先派给全职医生，全职医生长时间未接的订单会进入抢单池，供兼职医生抢单。

这种粗暴式的派抢结合模式会导致部分订单长时间无法被接单。原因是由于，全职医生的上班时间是固定的，专业技能有保障，但是兼职医生由于上班时间的灵活性，能否接单不可控，问诊质量也不可控。

2、重复派单。如果当前医生长时间不接单，会重复将订单派给当前医生。当派单总时长超过有效派单时长时，才会转派给别的医生。

这种方式会导致用户体验差。由于不合理的派单而导致医生接单时长未知，例如，目前没有接单能力的医生被重复派单，导致患者等待时间未知，耽误患者问诊进度，严重降低用户体验。

因此，基于上述问题，在预测医生的接单响应时长时，需要综合考虑当前互联网医院的派单模式，制定合理的特征体系，准确实时地预估医生接单响应时长，这样一来，有助于合理优化派单逻辑，在提升用户体验的同时，还能够大大降低成本，增加平台收益。

本示例实施方式首先提供了一种接单响应时长的输出方法。参考图1所示，上述接单响应时长的输出方法可以包括以下步骤：

步骤S110.响应于当前时刻用户发起的下单指令，获取用户的下单类型，并根据用户的下单类型确定用户对应的接单对象的类型。

步骤S120.根据接单对象的类型获取接单对象的离线特征以及当前时刻对应的多个预设时间段内的实时特征。

步骤S130.根据接单对象的离线特征和实时特征生成接单对象对应的特征矩阵。

步骤S140.将接单对象对应的特征矩阵输入卷积神经网络中，并通过卷积神经网络输出接单对象对应的接单响应时长。

本公开示例实施方式的接单响应时长的输出方法中，通过在包含历史数据的离线特征的基础上，结合接单对象当前状态下的实时特征，生成对应的特征矩阵，并通过卷积神经网络进行接单响应时长的预测。本公开示例实施方式中的接单响应时长的输出方法，一方面，通过综合订单处理过程中的实时特征和离线特征，能够实时预测接单对象在当前时刻当前状态下的接单时长，并且可以实时动态地根据前一时刻的接单响应时长纠正当前时刻的响应时长输出结果，并根据当前输出结果及时调整派单逻辑。另一方面，通过卷积神经网络模型结构来进行预测，能够处理由特征构成的时序序列，从而进行实时动态预测，并且对服务性能损耗偏低，能够节约系统资源。

下面，结合图2至图4对本示例实施方式的上述步骤进行更加详细的说明。

在步骤S110中，响应于当前时刻用户发起的下单指令，获取用户的下单类型，并根据用户的下单类型确定用户对应的接单对象的类型。

本示例实施方式中，首先，用户会根据自身的需求发起的下单指令，同时，系统会根据下单指令获取其中的订单信息，包括用户的下单类型等。

举例而言，在网络问诊咨询的应用场景中，用户发起的下单指令指的就是用户发起的问诊咨询指令，生成的问诊单中会包括用户想要咨询的疾病的科室，也就是用户的下单类型。系统根据用户想要咨询的疾病的科室类型，来确定接单对象，也就是医生所对应的科室。

在步骤S120中，根据接单对象的类型获取接单对象的离线特征以及当前时刻对应的多个预设时间段内的实时特征。

本示例实施方式中，可以根据接单对象的类型获取接单对象的离线特征以及当前时刻对应的多个预设时间段内的实时特征。例如，通过医生所对应的科室类型，来获取对应科室的医生的离线特征，以及当前时刻对应的多个预设时间段内的实时特征。

接单对象的离线特征包括：接单对象的过程离线特征、行为离线特征和属性离线特征。为了保证预测结果的准确性，本示例实施方式中在完善离线特征体系的基础上加入了实时特征。接单对象的实时特征包括：接单对象的过程实时特征、行为实时特征和属性实时特征。

以网络问诊咨询为例，过程特征指的是医生接诊过程中产生的一些相应的数据特征，比如医生的接诊时长、问诊时长、沟通轮次等等。行为特征指的是医生在处理问诊时的行为所产生的一些数据特征，比如医生的拒诊率、转诊率、每天的活跃时长等等。属性特征指的是医生本身所带有的一些特征，比如医生所在科室、科室医助数、科室接单量、科室问诊时长、医生空闲度等等。

本示例实施方式中，如图2所示，根据接单对象的类型获取接单对象的离线特征以及当前时刻对应的多个预设时间段内的实时特征，具体可以包括以下几个步骤：

步骤S210.获取卷积神经网络输入的特征深度和特征矩阵维数，根据特征深度确定当前时刻实时特征对应的多个预设时间段，并根据特征矩阵维数确定离线特征矩阵维数和实时特征矩阵维数。

本示例实施方式中，为了更好地实时预测医生接单响应时长，可以选择卷积神经网络(CNN)模型进行预测。在将离线特征以及实时特征输入卷积神经网络之前，首先要确定所输入的特征矩阵的深度和特征矩阵维数。其中，通过特征矩阵的深度可以体现特征在时序方面的变化，因此，可以根据特征深度确定当前时刻实时特征对应的多个预设时间段，并根据特征矩阵维数确定离线特征矩阵维数和实时特征矩阵维数。

本示例实施方式中，确定实时特征对应的多个预设时间段的具体方法可以为：获取当前时刻对应的完整时间段，并根据特征深度确定预设时间段的个数，然后根据完整时间段以及预设时间段的个数，确定当前时刻实时特征对应的多个预设时间段。

举例而言，如果完整时间段为当前时刻的前一小时内，可以获取医生最近一个小时内的实时特征，并以每10分钟为间隔将其划分成6个预设时间段。由于医生的当前是否空闲或者在线，与最近一个小时内医生的行为属性相关，且医生平均问诊时长约为半个小时，因此，将最近一个小时按照10分钟划分6个时间段，可以将医生的问诊进度信息更好的体现出来。

步骤S220.根据接单对象的类型以及接单对象的离线特征矩阵维数，获取接单对象的离线特征。

本示例实施方式中，如图3所示，根据接单对象的类型以及接单对象的离线特征矩阵维数，获取接单对象的离线特征，具体可以包括以下几个步骤：

步骤S310.根据接单对象的类型获取接单对象的原始离线特征，并获取各个原始离线特征对应的权重。

对于接单对象的离线特征来说，可以先获取原始离线特征，再从原始离线特征中选择重要性高的，作为输入模型中的离线特征。原始离线特征越多越丰富，最后得到的预测结果就越准确。

具体的选择方法可例如，首先，在获取接单对象的原始离线特征时，确定各个原始离线特征对应的权重。

步骤S320.根据原始离线特征对应的权重对原始离线特征进行排序和过滤，得到离线特征。

根据原始离线特征对应的权重对原始离线特征进行排序，并根据权重的大小对原始离线特征进行过滤，得到重要性较高的作为离线特征。

步骤S330.根据接单对象的离线特征矩阵维数，对离线特征进行压缩降维，得到待输入的离线特征。

由于离线特征维数过多，容易造成模型的处理效率低下，以及内存占用过高，因此，可以通过对离线特征进行压缩降维，得到待输入的离线特征，从而提高数据处理效率，减少内存的占用。

步骤S230.根据接单对象的类型以及接单对象的实时特征矩阵维数，获取接单对象在多个预设时间段内的实时特征。

本示例实施方式中，每一组特征中都包含实时特征和离线特征，以144维的特征矩阵为例，实时特征可以为62维，离线特征可以为82维。或者，特征矩阵的维数也可以是64维，根据特征矩阵的维数确定相应的实时特征和离线特征维数。

例如，获取对应科室的医生在最近一个小时内，每十分钟以内的实时特征，并根据实时特征矩阵维数确定具体选择的实时特征。

在步骤S130中，根据接单对象的离线特征和实时特征生成接单对象对应的特征矩阵。

以144维的特征矩阵为例，每个时段的144维特征分为实时特征和离线特征，其中，实时特征包括接单对象的过程实时特征、行为实时特征和属性实时特征，所有选择的实时特征可例如：当前医生所在科室(二进制编码，4维)、科室当前医生数、科室当前医助数、科室当前接单量、科室当前有效接单量、科室当前平均接诊时长、科室当前最短接诊时长、科室当前平均问诊时长、科室当前最短问诊时长、科室当前医患平均沟通轮次、科室当前医患最小沟通轮次、当前科室拒诊率、当前科室转诊率、当前科室好评率、当前医生是否在线、当前医生活跃管家数量、医生当前接单量、医生当前有效接单量、医生当前并发数、当前医生活跃医助数、当前医助接单量、当前医助有效接单量、当前医助空闲度、当前医助疲劳度、当前医生空闲度、当前医生疲劳度、当前医生平均接诊时长、当前医生最大接诊时长、当前医生最短接诊时长、当前医生平均问诊时长、当前医生最大问诊时长、当前医生最短问诊时长、当前医生平均沟通轮次、当前医生最大沟通轮次、当前医生最短沟通轮次、当前医生拒诊率、当前医生转诊率、当前医生好评率、当前医生活跃总时长、是否全职医生、医生职级、医院等级、医患关系匹配度、当前最短接诊时长医生所在科室(二进制编码，4维)、当前最短问诊时长医生所在科室(二进制编码，4维)、当前最小沟通轮次医生所在科室(二进制编码，4维)、当前活跃总时长最长的医生所在科室(二进制编码，4维)。实时特征总共62维。

离线特征包括接单对象的过程离线特征、行为离线特征和属性离线特征，所有选择的离线特征可例如：近三个月医生平均接诊时长、近三个月医生最大接诊时长、近三个月医生最小接诊时长、近三个月医生平均问诊时长、近三个月医生最大接诊时长、近三个月医生最小接诊时长、近三个月医患平均沟通轮次、近三个月医患最大沟通轮次、近三个月医患最小沟通轮次、近三个月医生平均拒诊率、近三个月医患平均转诊率、近三个月医生好评率、近三个月医生最高好评率、近三个月医生总接单量、近三个月医生月平均接单量、近三个月医生总有效接单量、近三个月医生平均有效接单量、近三个月医助总接单量、近三个月医助月平均接单量、近三个月医助平均有效接单量、近三个月医生平均并发数、近三个月医生月平均最大并发数、近三个月医生最多医助数、近三个月医生最少医助数、近三个月医生的活跃天数、近三个月医生的活跃总时长、近三个月医生接诊单量最多的科室(二进制编码，4维)、近三个月医生接诊单量最少的科室(二进制编码，4维)、近三个月医生平均接诊时长最长的科室(二进制编码，4维)、近三个月医生平均接诊时长最短的科室(二进制编码，4维)、近三个月医患沟通轮次最多的科室(二进制编码，4维)、近三个月医患沟通轮次最少的科室(二进制编码，4维)、近三个月医生拒诊率最高的科室(二进制编码，4维)、近三个月医生拒诊率最低的科室(二进制编码，4维)、近三个月转诊率最高的科室(二进制编码，4维)、近三个月转诊率最低的科室(二进制编码，4维)、近三个月好评率最高的科室(二进制编码，4维)、近三个月好评率最低的科室(二进制编码，4维)、近三个月医生的活跃天数最多的科室(二进制编码，4维)、近三个月医生的活跃总时长最长的科室(二进制编码，4维)。离线特征总共82维。

在获取特征时，所考虑的特征越全面，就越能够为响应时长的预测提供更加充分的训练和学习信息。

在步骤S140中，将接单对象对应的特征矩阵输入卷积神经网络中，并通过卷积神经网络输出接单对象对应的接单响应时长。

当卷积神经网络中的卷积层过多时，最后获得的预测效果不好；而如果卷积神经网络中的卷积层只有一层，模型的学习能力则不足。因此，本示例实施方式中，卷积神经网络的结构可以包括一个输入层、四个隐藏层和一个全连接层。其中，隐藏层包括两个最大池化层和两个卷积层。

如图4所示，是根据本公开的一个具体实施方式中的卷积神经网络的模型结构图。卷积神经网络模型的结构包括：输入层、四个隐藏层(包括两个最大池化层、两个卷积层)和一个全连接层，卷积核尺寸分别为：3*3，5*5，5*5，3*3，隐藏层可以使用relu(Rectifiedlinear unit，修正线性单元)激活函数，损失函数可以为均方误差，学习率可以为0.001，优化函数可以选择Adam(Adaptive moment estimation，自适应矩估计)函数。

如图4中的卷积神经网络的模型结构图所示，选取将6个时段作为深度，144个特征可以拆成12×12，因此CNN模型的输入为6@12×12。通过输入层输入6@12×12的特征矩阵之后，先通过第一个卷积层得到大小为24@64×64的特征数据，再通过第一个最大池化层得到大小为24@48×48的特征数据，然后，通过第二个卷积层将数据大小处理为12@16×16，再通过第二个最大池化层得到大小为1×256的特征数据，最后，通过全连接层输出一个1维的数据，即为预测得到的响应时长。

本示例实施方式中的接单响应时长的输出方法，主要是在基于历史数据特征的基础上，尽可能全面地增加了实时特征，并通过CNN模型的训练学习，来动态地预测接单响应时长。

在实际应用中，采用了互联网医院近一年的数据，其中50％划分为训练集，10％为验证集，40％为测试集。本示例实施方式中的模型在验证集上的响应时长均方误差稳定在6分钟左右，在测试集上的响应时长均方误差稳定在7分钟左右。相对于未加入实时特征的模型预测结果来说，响应时长均方误差可以降低2左右。这一实验结果足以说明，本示例实施方式中实时特征的加入对于预测响应时长起到了关键的作用，能够明显提高预测结果的准确性。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本公开还提供了一种接单响应时长的输出装置。参考图5所示，该接单响应时长的输出装置可以包括对象类型获取模块510、对象特征获取模块520、特征矩阵生成模块530以及响应时长输出模块540。

其中：

对象类型获取模块510可以用于响应于当前时刻用户发起的下单指令，获取用户的下单类型，并根据用户的下单类型确定用户对应的接单对象的类型；

对象特征获取模块520可以用于根据接单对象的类型获取接单对象的离线特征以及当前时刻对应的多个预设时间段内的实时特征；

特征矩阵生成模块530可以用于根据接单对象的离线特征和实时特征生成接单对象对应的特征矩阵；

响应时长输出模块540可以用于将接单对象对应的特征矩阵输入卷积神经网络中，并通过卷积神经网络输出接单对象对应的接单响应时长。

在本公开的一些示例性实施例中，对象特征获取模块520可以包括特征参数确定单元、离线特征获取单元以及实时特征获取单元。其中：

特征参数确定单元可以用于获取卷积神经网络输入的特征深度和特征矩阵维数，根据特征深度确定当前时刻实时特征对应的多个预设时间段，并根据特征矩阵维数确定离线特征矩阵维数和实时特征矩阵维数；

离线特征获取单元可以用于根据接单对象的类型以及接单对象的离线特征矩阵维数，获取接单对象的离线特征；

实时特征获取单元可以用于根据接单对象的类型以及接单对象的实时特征矩阵维数，获取接单对象在多个预设时间段内的实时特征。

在本公开的一些示例性实施例中，特征参数确定单元可以包括预设时间段个数确定单元以及预设时间段确定单元。其中：

预设时间段个数确定单元可以用于获取当前时刻对应的完整时间段，并根据特征深度确定预设时间段的个数；

预设时间段确定单元可以用于根据完整时间段以及预设时间段的个数，确定当前时刻实时特征对应的多个预设时间段。

在本公开的一些示例性实施例中，离线特征获取单元可以包括原始离线特征获取单元、原始离线特征排序单元以及原始离线特征压缩单元。其中：

原始离线特征获取单元可以用于根据接单对象的类型获取接单对象的原始离线特征，并获取各个原始离线特征对应的权重；

原始离线特征排序单元可以用于根据原始离线特征对应的权重对原始离线特征进行排序和过滤，得到离线特征；

原始离线特征压缩单元可以用于根据接单对象的离线特征矩阵维数，对离线特征进行压缩降维，得到待输入的离线特征。

上述接单响应时长的输出装置中各模块/单元的具体细节在相应的方法实施例部分已有详细的说明，此处不再赘述。

图6示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图6示出的电子设备的计算机系统600仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本发明的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种接单响应时长的输出方法，其特征在于，包括：

响应于当前时刻用户发起的下单指令，获取所述用户的下单类型，并根据所述用户的下单类型确定所述用户对应的接单对象的类型；

根据所述接单对象的类型获取所述接单对象的离线特征以及所述当前时刻对应的多个预设时间段内的实时特征；

根据所述接单对象的所述离线特征和所述实时特征生成所述接单对象对应的特征矩阵；

将所述接单对象对应的特征矩阵输入卷积神经网络中，并通过所述卷积神经网络输出所述接单对象对应的接单响应时长。

2.根据权利要求1所述的接单响应时长的输出方法，其特征在于，所述根据所述接单对象的类型获取所述接单对象的离线特征以及所述当前时刻对应的多个预设时间段内的实时特征，包括：

获取所述卷积神经网络输入的特征深度和特征矩阵维数，根据所述特征深度确定当前时刻所述实时特征对应的多个预设时间段，并根据所述特征矩阵维数确定离线特征矩阵维数和实时特征矩阵维数；

根据所述接单对象的类型以及所述接单对象的离线特征矩阵维数，获取所述接单对象的离线特征；

根据所述接单对象的类型以及所述接单对象的实时特征矩阵维数，获取所述接单对象在多个所述预设时间段内的实时特征。

3.根据权利要求2所述的接单响应时长的输出方法，其特征在于，所述根据所述特征深度确定当前时刻所述实时特征对应的多个预设时间段，包括：

获取所述当前时刻对应的完整时间段，并根据所述特征深度确定所述预设时间段的个数；

根据所述完整时间段以及所述预设时间段的个数，确定当前时刻所述实时特征对应的多个预设时间段。

4.根据权利要求2所述的接单响应时长的输出方法，其特征在于，所述根据所述接单对象的类型以及所述接单对象的离线特征矩阵维数，获取所述接单对象的离线特征，包括：

根据所述接单对象的类型获取所述接单对象的原始离线特征，并获取各个所述原始离线特征对应的权重；

根据所述原始离线特征对应的权重对所述原始离线特征进行排序和过滤，得到所述离线特征；

根据所述接单对象的离线特征矩阵维数，对所述离线特征进行压缩降维，得到待输入的所述离线特征。

5.根据权利要求1至权利要求4中任意一项所述的接单响应时长的输出方法，其特征在于，所述接单对象的离线特征包括：所述接单对象的过程离线特征、行为离线特征和属性离线特征。

6.根据权利要求1至权利要求4中任意一项所述的接单响应时长的输出方法，其特征在于，所述接单对象的实时特征包括：所述接单对象的过程实时特征、行为实时特征和属性实时特征。

7.根据权利要求1所述的接单响应时长的输出方法，其特征在于，所述卷积神经网络包括一个输入层、四个隐藏层和一个全连接层。

8.根据权利要求7所述的接单响应时长的输出方法，其特征在于，所述隐藏层包括两个最大池化层和两个卷积层。

9.一种接单响应时长的输出装置，其特征在于，包括：

对象类型获取模块，用于响应于当前时刻用户发起的下单指令，获取所述用户的下单类型，并根据所述用户的下单类型确定所述用户对应的接单对象的类型；

对象特征获取模块，用于根据所述接单对象的类型获取所述接单对象的离线特征以及所述当前时刻对应的多个预设时间段内的实时特征；

特征矩阵生成模块，用于根据所述接单对象的所述离线特征和所述实时特征生成所述接单对象对应的特征矩阵；

响应时长输出模块，用于将所述接单对象对应的特征矩阵输入卷积神经网络中，并通过所述卷积神经网络输出所述接单对象对应的接单响应时长。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的接单响应时长的输出方法。

11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8中任一项所述的接单响应时长的输出方法。

Images