CN113822455A - 一种时间预测方法、装置、服务器及存储介质 - Google Patents
一种时间预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN113822455A CN113822455A CN202010561002.3A CN202010561002A CN113822455A CN 113822455 A CN113822455 A CN 113822455A CN 202010561002 A CN202010561002 A CN 202010561002A CN 113822455 A CN113822455 A CN 113822455A
- Authority
- CN
- China
- Prior art keywords
- task
- time
- predicted
- historical
- prediction model
- 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 69
- 230000009466 transformation Effects 0.000 claims description 178
- 230000006870 function Effects 0.000 claims description 143
- 238000012549 training Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 45
- 230000002123 temporal effect Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种时间预测方法、装置、服务器及存储介质,其中方法包括:确定与当前任务相似的多个相似历史任务;获取所述多个相似历史任务的配送段预计到达时间;根据所述多个相似历史任务的配送段预计到达时间,获取所述当前任务的第一配送段预计到达时间。本申请实施例可实现预测任务的配送段预计到达时间。
Description
技术领域
本申请实施例涉及数据处理技术领域,具体涉及一种时间预测方法、装置、服务器及存储介质。
背景技术
在线互联网平台针对生成的任务,需要预测一种或者多种任务时间,以通过预测的任务时间引导或者考核配送资源,同时给用户提供任务完成的时间预期,因此预测任务时间显得尤为必要。
配送段ETA(Estimated Time of Arrival,预计到达时间)是任务时间的一种,主要是指配送资源将用户在在线互联网平台选择的对象配送到用户所在位置后,进一步花费的将对象送达用户手中的时间,为引导配送资源完成任务,同时给用户提供任务完成时间的参考,因此如何提供预测配送段ETA的技术方案,成为了本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此,本申请实施例提供一种时间预测方法、装置、服务器及存储介质,以实现预测任务的配送段ETA。
为实现上述目的,本申请实施例提供如下技术方案:
第一方面,本申请实施例提供一种时间预测方法,包括:
确定与当前任务相似的多个相似历史任务;
获取所述多个相似历史任务的配送段预计到达时间;
根据所述多个相似历史任务的配送段预计到达时间,获取所述当前任务的第一配送段预计到达时间。
结合第一方面,本申请实施例在第一方面的第一种实现方式中,所述确定与当前任务相似的多个相似历史任务包括:
确定历史任务的多维特征及当前任务的多维特征;
根据历史任务与当前任务的多维特征,确定历史任务与当前任务的相似度;
根据历史任务与当前任务的相似度,从历史任务中选取与当前任务相似的多个相似历史任务,其中,所述多个相似历史任务的相似度大于未被选取的历史任务的相似度。
结合第一方面的第一种实现方式,本申请实施例在第一方面的第二种实现方式中,所述确定历史任务的多维特征包括:
确定历史任务的如下至少一项特征:历史任务的任务消耗值,根据经纬度计算的用户与对象提供方之间的距离,任务生成时刻,用户所在兴趣面的标识,对象提供方所在地理网格的标识,对象提供方准备对象的时间,任务预计的配送时间。
结合第一方面至第一方面的第二种实现方式中的任一项,本申请实施例在第一方面的第三种实现方式中,还包括:
将所述第一配送段预计到达时间输入预测模型;
基于所述预测模型的输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一配送段预计到达时间进行变换处理,获取预测的第二配送段预计到达时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
第二方面,本申请实施例提供一种时间预测方法,包括:
针对当前任务,获取预测模型的输出层预测的第一任务时间;
基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
结合第二方面,本申请实施例在第二方面的第一种实现方式中,还包括:
为多个预测模型设定不同的变换参数,不同的变换参数对应不同的拟合函数;
至少基于历史任务的实际任务时间,分别训练各个预测模型;
确定各个预测模型预测的历史任务的任务时间与实际任务时间的误差;
确定所述误差最小的预测模型为训练得出的预测模型,所述训练得出的预测模型设定的变换参数为所述目标变换参数。
第三方面,本申请实施例提供一种时间预测装置,包括:
相似历史任务确定模块,用于确定与当前任务相似的多个相似历史任务;
历史任务预计到达时间确定模块,用于获取所述多个相似历史任务的配送段预计到达时间;
第一预计到达时间确定模块,用于根据所述多个相似历史任务的配送段预计到达时间,获取所述当前任务的第一配送段预计到达时间。
第四方面,本申请实施例提供一种时间预测装置,包括:
第一任务时间获取模块,用于针对当前任务,获取预测模型的输出层预测的第一任务时间;
第二任务时间获取模块,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
第五方面,本申请实施例还提供一种服务器,包括:至少一个存储器和至少一个处理器,所述存储器存储一条或多条计算机可执行指令,所述处理器调用所述一条或多条计算机可执行指令,以执行如上述任一项所述的时间预测方法。
第六方面,本申请实施例还提供一种存储介质,所述存储介质存储一条或多条计算机可执行指令,所述一条或多条计算机可执行指令用于执行如上述任一项所述的时间预测方法。
本申请实施例通过确定当前任务与历史任务的相似度,从而从历史任务中确定与当前任务相似的多个相似历史任务,进而根据所述多个相似历史任务的配送段预计到达时间,预测出当前任务的第一配送段预计到达时间。基于预测的当前任务的第一配送段预计到达时间,本申请实施例可为配送资源或者用户提示,配送资源到达用户所在位置后需进一步花费的时间。可见,本申请实施例提供的时间预测方法可针对当前任务,实现预测配送段预计到达时间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的时间预测方法的流程图;
图2为本申请实施例提供的确定相似历史任务的流程图;
图3为配送时间的示例图;
图4为本申请实施例提供的预测模型的结构示例图;
图5为传统预测模型预测的配送时间与实际配送时间之间的差异示例图;
图6为本申请实施例提供的时间预测方法的另一流程图;
图7为本申请实施例提供的设置与未设置拟合函数的预测模型的性能比对示例图;
图8为本申请实施例提供的时间预测方法的再一流程图;
图9为本申请实施例提供的预测模型的训练流程图;
图10为本申请实施例提供的时间预测装置的框图;
图11为本申请实施例提供的时间预测装置的另一框图;
图12为本申请实施例提供的时间预测装置的又一框图;
图13为本申请实施例提供的服务器的框图;
图14为本申请实施例提供的时间预测装置的又另一框图;
图15为本申请实施例提供的时间预测装置的又再一框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在线互联网平台入驻有众多的对象提供方,这些对象提供方可为用户提供多种供选择的对象,当用户选择对象提供方提供的对象后,可请求在线互联网平台生成任务,以使得在线互联网平台分配配送资源,由配送资源将用户选择的对象由对象提供方处配送至用户处;当配送资源到达用户所在位置后,进一步花费的将对象送达用户手中的时间称为配送段ETA(Estimated Time of Arrival,预计到达时间)。
在可选实现中,本申请实施例提供的时间预测方法的流程可如图1所示,本申请实施例所提供的时间预测方法可应用于服务器,可选的,该服务器可以是在线互联网平台的服务器设备,如图1所示,该流程可以包括:
步骤S100、确定与当前任务相似的多个相似历史任务。
在针对当前任务预测配送段ETA时,本申请实施例可先确定与当前任务相似的多个相似历史任务。在可选实现中,本申请实施例可借鉴基于记忆的语言模型的思想,将历史任务作为配送段ETA预估的语料,通过构造多维特征来表征每个历史任务,从而基于历史任务的多维特征与当前任务的多维特征,通过K近邻搜索确定出与当前任务相似的多个相似历史任务。
在更为具体的可选实现中,图2示出了步骤S100的一种可选实现流程,如图2所示,本申请实施例确定与当前任务相似的多个相似历史任务的可选流程可以包括:
步骤S200、确定历史任务的多维特征及当前任务的多维特征。
可选的,所述历史任务可以是与当前任务处于相同地理区域(如相同城市)的历史任务,在确定历史任务后,本申请实施例可确定历史任务的多维特征,历史任务的多维特征可以包括如下至少一项:历史任务的任务消耗值,任务生成时刻、用户所在地理网格的标识(如ID),对象提供方所在地理网格的标识,用户与对象提供方之间的距离,对象提供方准备对象的时间等。
其中,order-price表示任务的消耗值,以任务为订单为例,任务消耗值如订单的价格;order-distance表示根据经纬度计算的用户与对象提供方之间的距离;hour表示任务生成时刻,以任务为订单为例,任务生成时刻如订单下单时的小时时刻;user-aoi-id表示用户所在AOI(Area Of Interest,兴趣面)的ID,在一种示例中,用户所在AOI例如用户在地图数据中所位于的区域状的地理实体,如用户所在的小区或者楼宇等;shop-gird-id表示对象提供方所在地理网格的标识;cook-time表示对象提供方准备对象的时间,以任务为订单为例,cook-time具体可以表示为商户的出餐时间;t-rider为任务预计的配送时间。当然,历史任务的多维特征可以包括上述特征中的至少一项。
同理,本申请实施例可确定当前任务的多维特征,相应的,当前任务的多维特征可以包括如下至少一项特征:当前任务的任务消耗值,根据经纬度计算的用户与对象提供方之间的距离,任务生成时刻,用户所在兴趣面的标识,对象提供方所在地理网格的标识,对象提供方准备对象的时间,任务预计的配送时间。
需要说明的是,针对历史任务,对象提供方准备对象的时间可以记录在历史任务的任务数据中,而针对当前任务,对象提供方准备对象的时间可以是预估的时间,例如可统计当前任务对应的对象提供方在历史设定时间段(如历史一周内)准备对象的平均时间,从而得到当前任务的对象提供方准备对象的时间;可选的,对象提供方准备对象的时间可以区分对象提供方在任务的高峰期准备对象的时间,和在任务的平峰期准备对象的时间,例如,若当前任务的生成时间位于高峰期,则取对象提供方在历史设定时间段的高峰期准备对象的平均时间,作为当前任务的对象提供方准备对象的时间。
步骤S210、根据历史任务与当前任务的多维特征,确定历史任务与当前任务的相似度。
在可选实现中,根据历史任务与当前任务的多维特征,本申请实施例可基于余弦距离计算历史任务与当前任务的相似度;假设当前任务的多维特征表示为onew,则当前任务与历史任务i的相似度可以表示为:
步骤S220、根据历史任务与当前任务的相似度,从历史任务中选取与当前任务相似的多个相似历史任务,其中,所述多个相似历史任务的相似度大于未被选取的历史任务的相似度。
在计算出历史任务与当前任务的相似度后,可基于历史任务与当前任务的相似度,从历史任务中选取与当前任务相似的多个相似历史任务,所选取的多个相似历史任务的相似度应大于未被选取的历史任务的相似度;在可选实现中,本申请实施例可选取相似度最高的设定数量个历史任务,作为与当前任务相似的多个相似历史任务,例如,本申请实施例可基于相似度,对历史任务进行排序,从而选取排序靠前的设定数量个历史任务,作为与当前任务相似的多个相似历史任务;在更为细化的实现中,本申请实施例可基于K近邻搜索思想,选取相似度最高的K个(K的数值可根据实际情况设定)历史任务,作为所述多个相似历史任务。
回到图1所示流程,本申请实施例在确定所述多个相似历史任务后,执行步骤S110:获取所述多个相似历史任务的配送段ETA。
可选的,历史任务的配送段ETA可记录在历史任务的任务数据中,本申请实施例在确定所述多个相似历史任务后,可从所述多个相似历史任务的任务数据中,获取到所述多个相似历史任务的配送段ETA。
步骤S120、根据所述多个相似历史任务的配送段ETA,获取当前任务的第一配送段ETA。
在获取所述多个相似历史任务的配送段ETA后,本申请实施例可根据所述多个相似历史任务的配送段ETA,预测出当前任务的第一配送段ETA;在可选实现中,本申请实施例可对所述多个相似历史任务的配送段ETA进行加权平均,以获取当前任务的第一配送段ETA。
本申请实施例通过确定当前任务与历史任务的相似度,从而从历史任务中确定与当前任务相似的多个相似历史任务,进而根据所述多个相似历史任务的配送段ETA,预测出当前任务的第一配送段ETA。基于预测的当前任务的第一配送段ETA,本申请实施例可为配送资源或者用户提示,配送资源到达用户所在位置后需进一步花费的时间。可见,本申请实施例提供的时间预测方法可针对当前任务,实现预测配送段ETA。
可选的,本申请实施例可在服务器生成当前任务时,预测当前任务的配送段ETA,相应的,服务器可获取用户提交的任务生成请求,从而生成当前任务,针对生成的当前任务,服务器可预测当前任务的配送段ETA。在另一种可选实现中,本申请实施例可在服务器已生成当前任务,并且当前任务存在已预测的配送段ETA的基础上,对当前任务的配送段ETA进行更新;相应的,服务器可获取当前任务的配送段ETA更新请求,从而服务器更新当前任务的配送段ETA。
需要进一步说明的是,预测配送段ETA通常采用回归模型学习实现,但常用的回归模型通常将输入转化为一系列的特征,并且通过有监督学习找到这些特征和配送段ETA之间的关系,为方便学习和提高模型泛化能力,通常基于神经网络和集成树模型将这些特征和配送段ETA之间的关系转化为一个平滑的函数(即假设配送段ETA服从正态分布),但这种平滑假设的缺点是无法很好的处理配送段ETA长尾不规律的情况,例如当配送资源需要乘坐高层电梯才能将对象配送至用户手中时,如果遇上电梯使用的高峰期,可能需要花费较多的时间才能将对象配送至用户手中,示例的,从图3示例可以看出,配送资源在任务1的配送段ETA为7.6分钟,即配送资源在到达任务1的用户位置附近后,需要花费7.6分钟才将对象配送到用户手中;
为了解决传统的回归模型等预测模型在预测配送段ETA时,无法拟合配送段ETA的长尾不规律情况,本申请实施例在得到图1所示流程预测的第一配送段ETA后,可对第一配送段ETA进行进一步的处理,得到第二配送段ETA,并且使得第二配送段ETA能够拟合配送段ETA长尾不规律的情况;
基于此,本申请实施例考虑对预测模型的结构进行调整,具体的,如图4示例,预测模型的输出层之后可设置拟合函数,该拟合函数可对输出层预测的任务时间进行变换处理,从而减小预测的任务时间与实际任务时间的长尾分布之间的差异,提升预测的任务时间的准确度。本申请实施例所指的预测模型可以是回归模型,也可以是其他形式的能够实现时间预测的模型,如该模型也可以是基于神经网络的神经网络模型;
在此思路下,本申请实施例可将图1所示流程预测的第一配送段ETA输入预测模型;从而基于所述预测模型的输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一配送段ETA进行变换处理,获取预测的第二配送段ETA,使得所述第二配送段ETA能够拟合配送段ETA长尾不规律的情况,所述第二配送段ETA可作为本申请实施例最终预测的配送段ETA;其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。关于预测模型与拟合函数的具体技术内容可参照下文描述,此处不再展开。
可见,本申请实施例在预测当前任务的第一配送段ETA后,可将所述第一配送段ETA进一步输入预测模型,从而由预测模型的输出层之后设置的拟合函数对所述第一配送段ETA进行变换处理,获取预测的第二配送段ETA,使得预测的第二配送段ETA能够拟合配送段ETA长尾不规律的情况,在实现预测任务的第一配送段ETA的基础上,进一步提供更为准确的第二配送段ETA。
需要说明的是,配送段ETA仅是本申请实施例提供的预测模型可预测的一种可选形式的任务时间,本申请实施例利用预测模型还可预测其他形式的任务时间,例如预测任务完成时间等。下面对本申请实施例提供的预测模型与传统预测模型的区别进行说明:
以预测任务时间的预测模型使用回归模型为例(例如预测模型采用线性的回归模型,或者基于神经网络的回归模型等),则任务时间的预测问题一般作为回归问题看待,传统的预测模型建立在任务时间的分布服从正态分布的假设上,例如可通过获取历史任务的任务时间,以历史任务的任务时间的MSE(平均平方误差)作为损失函数来训练预测模型;然而,在任务的实际处理过程中,由于各种实际情况的约束,实际的任务时间有可能并不服从正态分布,而是一种长尾分布的情况,这导致预测模型难以拟合任务时间的长尾分布情况,使得利用预测模型预测的任务时间的准确度较低;
在一种示例中,以用户向在线互联网平台提交任务,从而请求将入驻在线互联网平台的对象提供方提供的对象配送至用户地址为例,在这一场景下,在线互联网平台需要预测多种任务时间,例如预测对象提供方准备对象的时间,预测配送资源将对象配送至用户地址的配送时间,配送段ETA等,在任务的实际处理过程中,这些任务时间有可能并不服从正态分布,而是一种长尾分布的情况,例如:
当用户提交的任务中涉及到的对象数量较多时,相比于对象数量较少的任务,对象提供方可能需要花费较长的时间准备对象,如果按照对象提供方准备对象的时间服从正态分布的情况,预测对象提供方准备对象的时间,无疑将导致预测的时间的准确度较低;
当用户地址位于高层写字楼时,如果遇到上、下班高峰期,配送资源可能需要花费较长的时间等待电梯或者爬楼梯,才能将对象配送至用户处,此时配送资源话费的配送段ETA较长,相应的,配送资源需要花费较长的配送时间;如果按照配送时间服从正态分布的情况来预测配送时间,无疑将导致预测的时间的准确度较低;更为形象的,在基于配送时间服从正态分布训练预测模型后,图5示例了传统的基于正态分布假设的预测模型预测的配送时间,与实际配送时间之间的差异,可以看出,实际的配送时间是一个右偏长尾分布的情况,而以传统的预测模型,难以拟合实际配送时间的右偏长尾分布情况。
可见,建立在任务时间正态分布基础上的预测模型,难以拟合任务时间的长尾分布情况,使得利用预测模型预测的任务时间的准确度较低;为解决预测模型难以拟合任务时间的长尾分布情况的问题,本申请实施例考虑对预测模型的结构进行调整,结合图4所示,本申请实施例可在预测模型的输出层之后设置拟合函数,从而对输出层预测的任务时间进行变换处理,以减小预测模型最终预测的任务时间与实际任务时间的长尾分布之间的差异,提升预测的任务时间的准确度。
在一种可选实现中,图6示出了本申请实施例提供的时间预测方法的另一可选流程,本申请实施例所提供的时间预测方法可应用于服务器,可选的,该服务器可以是在线互联网平台的服务器设备,如图6所示,该方法流程可以包括:
步骤S300、针对当前任务,获取预测模型的输出层预测的第一任务时间。
可选的,本申请实施例可在用户向在线互联网平台请求生成当前任务时,由在线互联网平台的服务器生成当前任务,从而针对当前任务,所述服务器可使用预测模型预测任务的任务时间;可以理解的是,本申请实施例先由预测模型的输出层预测第一任务时间,再由输出层之后设置拟合函数对第一任务时间进行变换处理,因此本申请实施例可先获取到预测模型的输出层预测的第一任务时间;相应的,本申请实施例可在执行步骤S300之前,由服务器获取用户提交的任务生成请求,从而生成当前任务,针对生成的当前任务,服务器可获取预测模型的输出层预测的第一任务时间;
在另一种可选实现中,本申请实施例可在在线互联网平台已生成当前任务,并且当前任务存在已预测的任务时间的基础上,对当前任务的任务时间进行更新,例如,在出现天气、交通等影响任务时间正常进行的因素时,所述服务器可对当前任务已预测的任务时间进行更新;由于本申请实施例先由预测模型的输出层预测第一任务时间,再由输出层之后设置拟合函数对第一任务时间进行变换处理,因此在对当前任务的任务时间进行更新时,本申请实施例可先获取到预测模型的输出层预测的第一任务时间;相应的,本申请实施例可在执行步骤S300之前,由服务器获取当前任务的任务时间更新请求,从而在服务器更新当前任务的任务时间的过程中,获取到预测模型的输出层预测的第一任务时间。
可选的,所述第一任务时间可以基于历史任务的任务时间确定,例如,服务器可获取与当前任务相似的多个相似历史任务,从而预测模型可基于多个相似历史任务的任务时间确定所述第一任务时间,并由预测模型的输出层输出所述第一任务时间;
在另一种可选实现中,第一任务时间可基于神经网络形式的预测模型得出,具体的,通过提取当前任务的任务发生时间,地理位置,天气等数据作为任务特征,从而将任务特征输入预测模型,得出由预测模型的输出层预测的第一任务时间。
可以理解的是,预测模型的输出层是基于任务时间服从正态分布的基础上,输出所述第一任务时间,因此所述第一任务时间并不拟合任务时间长尾分布的情况,本申请实施例可通过后续步骤S310对所述第一任务时间进行进一步处理,以使得最终预测的第二任务时间能够拟合任务时间长尾分布的情况。
步骤S310、基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间。
本申请实施例可在预测模型的输出层之后设置拟合函数,从而对输出层预测的所述第一任务时间进行变换处理,以得到拟合函数预测的第二任务时间,该第二任务时间可作为预测模型针对当前任务最终预测的任务时间。在可选实现中,拟合函数可以是Box-Cox算子,用于对所述第一任务时间进行变换处理。
可选的,本申请实施例中拟合函数所使用的变换处理可以例如对数变换处理、倒数变换处理、平方根变换处理等;拟合函数具体的函数形式可基于拟合函数中的目标变换参数确定,目标变换参数的不同数值可决定拟合函数不同的函数形式;
进一步的,目标变换参数的数值可在预测模型训练时确定,具体的,目标变换参数可以是:在多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。例如,在训练预测模型时,本申请实施例可设定不同变换参数的多个预测模型(一个预测模型设定的变换参数,决定了该预测模型在训练时使用的拟合函数的函数形式),从而本申请实施例可对设定不同变换参数的预测模型进行训练,进而从多个预测模型中,选取预测的任务时间与实际任务时间的误差最小的预测模型,该选取的预测模型可作为用于预测当前任务的任务时间的预测模型,并且该选取的预测模型设定的变换参数为所述目标变换参数。
可见,在本申请实施例中,由于对预测模型的输出层预测的第一任务时间进行变换处理的拟合函数的函数形式,由拟合函数中的目标变换参数决定,而目标变换参数是多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数,因此本申请实施例基于目标变换参数决定的拟合函数,对输出层预测的第一任务时间进行变换处理,可使得拟合函数变换处理得到的第二任务时间与实际任务时间的误差最小,提升了任务时间的预测准确度。也就是说,本申请实施例提供的预测模型在输出层之后设置拟合函数,并且拟合函数的函数形式由拟合函数中的目标变换参数决定,基于目标变换参数是多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数,因此本申请实施例通过拟合函数对输出层预测的第一任务时间进行变换处理,可使得得到的第二任务时间能够拟合实际任务时间的长尾分布情况,提升预测模型所预测的任务时间的准确度。
相应的,在配送段ETA预测场景下,图6所示流程中,第一配送段ETA可以是所述第一任务时间的一种可选形式,第二配送段ETA可以是所述第二任务时间的一种可选形式。
作为一种示例,图7示例了传统的未设置拟合函数的预测模型,与本申请实施例设置拟合函数的预测模型在任务时间的预测准确度上的比对,图7示例以任务时间的MAE作为比对指标,可以看出,本申请实施例设置了拟合函数的预测模型在任务时间的MAE指标上,明显优于传统的未设置拟合函数的预测模型。
在可选实现中,基于拟合函数中不同数值的目标变换参数,本申请实施例可在步骤S310中使用不同函数形式的拟合函数,对输出层预测的第一任务时间进行变换处理;可选的,图8示出了本申请实施例提供的时间预测方法的再一可选流程,如图8所示,该方法流程可以包括:
步骤S400、针对当前任务,获取预测模型的输出层预测的第一任务时间。
步骤S410、若所述输出层之后设置的拟合函数中的目标变换参数为第一值,使用所述拟合函数对所述第一任务时间进行对数变换处理,获取预测的第二任务时间。
由于本申请实施例中拟合函数的函数形式由目标变换参数的数值决定,在可选实现中,本申请实施例可在目标变换参数的数值为第一值时,使用对数变换形式的拟合函数,从而对所述输出层预测的第一任务时间进行对数变换处理,得到拟合函数预测的第二任务时间,该第二任务时间可作为预测模型最终预测的任务时间;
可选的,第一值的具体数值可根据实际情况定义,本申请实施例并不设限,在一种示例中,第一值可以为0;示例的,假设目标变换参数定义为λ,则本申请实施例可在λ为0时,使用用于对数变换的拟合函数,即如果拟合函数中的目标变换参数λ为0,则本申请实施例可使用所述拟合函数对所述第一任务时间进行对数变换处理,得到第二任务时间;示例的,假设y为所述第一任务时间,y(λ)为所述第二任务时间,则λ为0时的拟合函数可以定义为如下公式1:
y(λ)=lny,λ=0 (公式1)。
步骤S420、若所述输出层之后设置的拟合函数中的目标变换参数不为第一值,使用所述拟合函数,根据所述第一任务时间的目标变换参数减1的次方根,以及所述目标变换参数,对所述第一任务时间进行变换处理,获取预测的第二任务时间。
由于本申请实施例中拟合函数的函数形式由目标变换参数的数值决定,在可选实现中,本申请实施例可在目标变换参数的数值不为第一值时,使用拟合函数,根据所述第一任务时间的目标变换参数减1的次方根,以及所述目标变换参数,对所述第一任务时间进行变换处理,得到拟合函数预测的第二任务时间,该第二任务时间可作为预测模型最终预测的任务时间。
可选的,第一值的具体数值可根据实际情况定义,本申请实施例并不设限,在一种示例中,第一值可以为0;示例的,本申请实施例可在λ不为0时,使用如下公式2表示的拟合函数对第一任务时间进行变换处理:
可见,预测模型中的拟合函数的函数形式可基于目标变换参数λ的值确定,在λ为0或者不为0的情况下,拟合函数的函数形式可以表示为如下公式3:
可选的,在进一步的可选实现中,在目标变换参数不为第一值时,本申请实施例还可在目标变换参数为特定的具体数值时,对公式2进行一定的近似简化处理,从而使得对第一任务时间进行变换的过程更为简化,并且保障所得出的第二任务时间与实际任务时间的误差较小;在一种可选具体实现中,本申请实施例可在目标变换参数为第二值时,使用所述拟合函数对所述第一任务时间进行倒数变换处理,获取预测的第二任务时间,示例的,第二值可以为-1;在另一种可选具体实现中,本申请实施例可在目标变换参数为第三值时,使用所述拟合函数对所述第一任务时间进行平方根变换处理,获取预测的第二任务时间,示例的,第三值可以为0.5。
本申请实施例由拟合函数中的目标变换参数决定拟合函数的具体函数形式,从而在目标变换参数的不同数值情况下,可使用拟合函数对输出层预测的第一任务时间进行不同的变换处理,使得得到的第二任务时间能够拟合实际任务时间的长尾分布情况,提升预测模型所预测的任务时间的准确度。
在可选实现中,图9示出了本申请实施例提供的预测模型的训练流程图,通过图9所示流程,本申请实施例可对设定不同变换参数的预测模型分别进行训练,从而基于训练效果选择预测模型作为训练得出的预测模型,以用于预测当前任务的任务时间,并将该预测模型设定的变换参数作为目标变换参数;如图9所示,该流程可以包括:
步骤S500、为多个预测模型设定不同的变换参数。
在训练预测模型时,本申请实施例可使用多个预测模型进行训练,从而基于训练效果,从该多个预测模型中选择预测模型;本申请实施例可为多个预测模型设定不同的变换参数,从而使得多个预测模型的拟合函数并不相同,即预测模型中不同的变换参数对应不同的拟合函数;在一种示例中,本申请实施例可使用两个预测模型进行训练,其中一个预测模型可以设定变换参数为0,则该预测模型在输出层之后设置的拟合函数可以如上述公式1所示,另一预测模型可以设定变换参数不为0(变换参数的具体数值可根据实际情况设定),则该预测模型在输出层之后设置的拟合函数可以如上述公式2所示;当然,本申请实施例也可使用大于两个的预测模型进行训练,例如,在设定预测模型的变换参数不为0的情况下,可以设定不同的数值不为0的变换参数,从而使得预测模型输出层之后设置的拟合函数,基于不同数值的变换参数,可以具有不同的函数形式。
步骤S510、至少基于历史任务的实际任务时间,分别训练各个预测模型。
可选的,本申请实施例可以历史任务为样本,提取历史任务的任务发生时刻、地理位置、天气等任务特征作为训练特征,从而结合历史任务的实际任务时间作为训练标签,分别对各个预测模型进行训练;可选的,各个预测模型的训练可以迭代的进行。
步骤S520、确定各个预测模型预测的历史任务的任务时间与实际任务时间的误差。
在迭代训练预测模型的过程中,针对各个预测模型,本申请实施例可确定预测模型基于训练特征所预测的历史任务的任务时间,从而将预测模型预测的历史任务的任务时间与历史任务的实际任务时间进行比对,可得出预测模型预测的历史任务的任务时间与实际任务时间的误差。
步骤S530、确定所述误差最小的预测模型为训练得出的预测模型,所述训练得出的预测模型设定的变换参数为所述目标变换参数。
本申请实施例可在各个预测模型分别进行多次迭代训练后,将所述误差最小的预测模型作为训练得出的预测模型,以用于预测当前任务的任务时间,相应的,该训练得出的预测模型设定的变换参数为所述目标变换参数。
在可选实现中,本申请实施例可以预测模型预测的任务时间与实际任务时间的MSE(平均平方误差)作为损失函数,以历史任务的实际任务时间作为训练标签,以历史任务的任务特征作为训练特征,训练各个预测模型;相应的,步骤S520和步骤S530所指的误差可以是预测模型预测的任务时间与实际任务时间的MSE,从而在多次迭代训练后,本申请实施例可从多个预测模型中选取预测的任务时间与实际任务时间的MSE最小的预测模型,作为训练得出的预测模型。
可见,本申请实施例可从设定不同变换参数的多个预测模型中,选取的模型训练时预测的任务时间与实际任务时间的误差最小的预测模型,作为预测当前任务的任务时间的预测模型,且将该预测模型所设定的变换参数作为目标变换参数,从而决定拟合函数的函数形式,可使得预测模型最终预测的任务时间与实际任务时间的误差较小,能够拟合实际的任务时间的长尾分布情况,提升预测模型所预测的任务时间的准确度。并且,预测模型的训练由于考虑了拟合任务时间的长尾分布情况,因此也能够提升预测模型训练的收敛速度。
本申请实施例提供的时间预测方法可对当前任务的任务完成时间等各种类型的任务时间进行预测,并且本申请实施例预测的任务时间能够拟合任务时间长尾分布的情况,提升任务时间的预测准确度。
上文描述了本申请实施例提供的多个实施例方案,各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用,从而延伸出多种可能的实施例方案,这些均可认为是本申请实施例披露、公开的实施例方案。
下面对本申请实施例提供的时间预测装置进行介绍,下文描述的时间预测装置可以认为是服务器,为实现本申请实施例提供的时间预测方法所需设置的功能模块,下文描述的时间预测装置的内容可与上文描述的时间预测方法的内容相互对应参照。
在可选实现中,图10示出了本申请实施例提供的时间预测装置的可选框图,如图10所示,该装置可以包括:
第一任务时间获取模块100,用于针对当前任务,获取预测模型的输出层预测的第一任务时间;
第二任务时间获取模块110,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
在一种可选实现中,第二任务时间获取模块110,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数为第一值,使用所述拟合函数对所述第一任务时间进行对数变换处理,获取预测的第二任务时间。
在另一种可选实现中,第二任务时间获取模块110,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数不为第一值,使用所述拟合函数,根据所述第一任务时间的目标变换参数减1的次方根,以及所述目标变换参数,对所述第一任务时间进行变换处理,获取预测的第二任务时间。
在再一种可选实现中,第二任务时间获取模块110,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数为第二值,使用所述拟合函数对所述第一任务时间进行倒数变换处理,获取预测的第二任务时间;
或,若所述目标变换参数为第三值,使用所述拟合函数对所述第一任务时间进行平方根变换处理,获取预测的第二任务时间。
可选的,图11示出了本申请实施例提供的时间预测装置的另一可选框图,结合图10和图11所示,该装置还可以包括:
训练模块120,用于为多个预测模型设定不同的变换参数,不同的变换参数对应不同的拟合函数;至少基于历史任务的实际任务时间,分别训练各个预测模型;确定各个预测模型预测的历史任务的任务时间与实际任务时间的误差;确定所述误差最小的预测模型为训练得出的预测模型,所述训练得出的预测模型设定的变换参数为所述目标变换参数。
可选的,训练模块120,用于至少基于历史任务的实际任务时间,分别训练各个预测模型包括:
以预测模型预测的任务时间与实际任务时间的平均平方误差作为损失函数,历史任务的实际任务时间作为训练标签,历史任务的任务特征作为训练特征,训练各个预测模型。
可选的,图12示出了本申请实施例提供的时间预测装置的又一可选框图,结合图10和图12所示,该装置还可以包括:
任务生成模块130,用于获取任务生成请求,生成当前任务;
或者,时间更新请求获取模块140,用于获取当前任务的任务时间更新请求。
本申请实施例提供的时间预测装置使得预测模型最终预测的任务时间能够拟合实际的任务时间的长尾分布情况,提升预测模型所预测的任务时间的准确度;并且,能够提升预测模型训练的收敛速度。
本申请实施例还提供一种服务器,上述所述的时间预测装置可通过程序形式装载于所述服务器,可选的,图13示出了服务器的可选框图,如图13所示,该服务器可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
可选的,通信接口2可以为用于进行网络通信的通信模块的接口;
可选的,处理器1可能是CPU(中央处理器),GPU(Graphics Processing Unit,图形处理器),NPU(嵌入式神经网络处理器),FPGA(Field Programmable Gate Array,现场可编程逻辑门阵列),TPU(张量处理单元),AI芯片,特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路等。
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,存储器3存储一条或多条计算机可执行指令,处理器1调用所述一条或多条计算机可执行指令,以执行本申请实施例提供的时间预测方法。
本申请实施例还提供一种存储介质,所述存储介质存储一条或多条计算机可执行指令,所述一条或多条计算机可执行指令用于执行本申请实施例提供的时间预测方法。
本申请实施例还提供一种可用于预测配送段ETA的时间预测装置,下文描述的时间预测装置可以认为是服务器,为实现本申请实施例提供的预测配送段ETA的时间预测方法所需设置的功能模块,下文描述的时间预测装置的内容可与上文描述的时间预测方法的内容相互对应参照。
可选的,图14示出了本申请实施例提供的时间预测装置的又另一可选框图,如图14所示,该装置还可以包括:
相似历史任务确定模块200,用于确定与当前任务相似的多个相似历史任务;
历史任务预计到达时间确定模块210,用于获取所述多个相似历史任务的配送段预计到达时间;
第一预计到达时间确定模块220,用于根据所述多个相似历史任务的配送段预计到达时间,获取所述当前任务的第一配送段预计到达时间。
可选的,相似历史任务确定模块200,用于确定与当前任务相似的多个相似历史任务包括:
确定历史任务的多维特征及当前任务的多维特征;
根据历史任务与当前任务的多维特征,确定历史任务与当前任务的相似度;
根据历史任务与当前任务的相似度,从历史任务中选取与当前任务相似的多个相似历史任务,其中,所述多个相似历史任务的相似度大于未被选取的历史任务的相似度。
可选的,相似历史任务确定模块200,用于确定历史任务的多维特征包括:
确定历史任务的如下至少一项特征:历史任务的任务消耗值,根据经纬度计算的用户与对象提供方之间的距离,任务生成时刻,用户所在兴趣面的标识,对象提供方所在地理网格的标识,对象提供方准备对象的时间,任务预计的配送时间。
可选的,图15示出了本申请实施例提供的时间预测装置的又再一可选框图,结合图14和图15所示,该装置还可以包括:
第二预计到达时间确定模块230,用于将所述第一配送段预计到达时间输入预测模型;基于所述预测模型的输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一配送段预计到达时间进行变换处理,获取预测的第二配送段预计到达时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
利用第二预计到达时间确定模块230进一步处理所述第一配送段预计到达时间,本申请实施例可获取到当前任务预测的第二配送段预计到达时间,使得第二配送段预计到达时间能够拟合配送段ETA的长尾分布情况。
可选的,本申请实施例还提供一种服务器,该服务器可以装载上述用于预测配送段ETA的时间预测装置,以实现预测当前任务的配送段ETA;可选的,该服务器的可选结构可结合图13所示,包括至少一个存储器和至少一个处理器,所述存储器存储一条或多条计算机可执行指令,所述处理器调用所述一条或多条计算机可执行指令,以执行本申请实施例提供的预测配送段ETA的时间预测方法。
进一步,本申请实施例还提供一种存储介质,所述存储介质存储一条或多条计算机可执行指令,所述一条或多条计算机可执行指令用于执行本申请实施例提供的预测配送段ETA的时间预测方法。
虽然本申请实施例披露如上,但本申请并非限定于此。任何本领域技术人员,在不脱离本申请的精神和范围内,均可作各种更动与修改,因此本申请的保护范围应当以权利要求所限定的范围为准。
综上,第一方面,本申请实施例提供一种时间预测方法,包括:
确定与当前任务相似的多个相似历史任务;
获取所述多个相似历史任务的配送段预计到达时间;
根据所述多个相似历史任务的配送段预计到达时间,获取所述当前任务的第一配送段预计到达时间。
结合第一方面,本申请实施例在第一方面的第一种实现方式中,所述确定与当前任务相似的多个相似历史任务包括:
确定历史任务的多维特征及当前任务的多维特征;
根据历史任务与当前任务的多维特征,确定历史任务与当前任务的相似度;
根据历史任务与当前任务的相似度,从历史任务中选取与当前任务相似的多个相似历史任务,其中,所述多个相似历史任务的相似度大于未被选取的历史任务的相似度。
结合第一方面的第一种实现方式,本申请实施例在第一方面的第二种实现方式中,所述确定历史任务的多维特征包括:
确定历史任务的如下至少一项特征:历史任务的任务消耗值,根据经纬度计算的用户与对象提供方之间的距离,任务生成时刻,用户所在兴趣面的标识,对象提供方所在地理网格的标识,对象提供方准备对象的时间,任务预计的配送时间。
结合第一方面至第一方面的第二种实现方式中的任一项,本申请实施例在第一方面的第三种实现方式中,还包括:
将所述第一配送段预计到达时间输入预测模型;
基于所述预测模型的输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一配送段预计到达时间进行变换处理,获取预测的第二配送段预计到达时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
第二方面,本申请实施例提供一种时间预测方法,包括:
针对当前任务,获取预测模型的输出层预测的第一任务时间;
基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
结合第二方面,本申请实施例在第二方面的第一种实现方式中,所述基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数为第一值,使用所述拟合函数对所述第一任务时间进行对数变换处理,获取预测的第二任务时间。
结合第二方面,本申请实施例在第二方面的第二种实现方式中,所述基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数不为第一值,使用所述拟合函数,根据所述第一任务时间的目标变换参数减1的次方根,以及所述目标变换参数,对所述第一任务时间进行变换处理,获取预测的第二任务时间。
结合第二方面,本申请实施例在第二方面的第三种实现方式中,所述基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数为第二值,使用所述拟合函数对所述第一任务时间进行倒数变换处理,获取预测的第二任务时间;
或,若所述目标变换参数为第三值,使用所述拟合函数对所述第一任务时间进行平方根变换处理,获取预测的第二任务时间。
结合第二方面,本申请实施例在第二方面的第四种实现方式中,还包括:
为多个预测模型设定不同的变换参数,不同的变换参数对应不同的拟合函数;
至少基于历史任务的实际任务时间,分别训练各个预测模型;
确定各个预测模型预测的历史任务的任务时间与实际任务时间的误差;
确定所述误差最小的预测模型为训练得出的预测模型,所述训练得出的预测模型设定的变换参数为所述目标变换参数。
结合第二方面的第四种实现方式,本申请实施例在第二方面的第五种实现方式中,所述至少基于历史任务的实际任务时间,分别训练各个预测模型包括:
以预测模型预测的任务时间与实际任务时间的平均平方误差作为损失函数,历史任务的实际任务时间作为训练标签,历史任务的任务特征作为训练特征,训练各个预测模型。
结合第二方面,本申请实施例在第二方面的第六种实现方式中,在针对当前任务,获取预测模型的输出层预测的第一任务时间之前,所述方法还包括:
获取任务生成请求,生成当前任务;
或者,获取当前任务的任务时间更新请求。
第三方面,本申请实施例提供一种时间预测装置,包括:
相似历史任务确定模块,用于确定与当前任务相似的多个相似历史任务;
历史任务预计到达时间确定模块,用于获取所述多个相似历史任务的配送段预计到达时间;
第一预计到达时间确定模块,用于根据所述多个相似历史任务的配送段预计到达时间,获取所述当前任务的第一配送段预计到达时间。
结合第三方面,本申请实施例在第三方面的第一种实现方式中,所述相似历史任务确定模块,用于确定与当前任务相似的多个相似历史任务包括:
确定历史任务的多维特征及当前任务的多维特征;
根据历史任务与当前任务的多维特征,确定历史任务与当前任务的相似度;
根据历史任务与当前任务的相似度,从历史任务中选取与当前任务相似的多个相似历史任务,其中,所述多个相似历史任务的相似度大于未被选取的历史任务的相似度。
结合第三方面的第一种实现方式,本申请实施例在第三方面的第二种实现方式中,所述相似历史任务确定模块,用于确定历史任务的多维特征包括:
确定历史任务的如下至少一项特征:历史任务的任务消耗值,根据经纬度计算的用户与对象提供方之间的距离,任务生成时刻,用户所在兴趣面的标识,对象提供方所在地理网格的标识,对象提供方准备对象的时间,任务预计的配送时间。
结合第三方面至第三方面的第二种实现方式中的任一项,本申请实施例在第三方面的第三种实现方式中,还包括:
第二预计到达时间确定模块,用于基于预测模型的输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一配送段预计到达时间进行变换处理,获取预测的第二配送段预计到达时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
第四方面,本申请实施例提供一种时间预测装置,包括:
第一任务时间获取模块,用于针对当前任务,获取预测模型的输出层预测的第一任务时间;
第二任务时间获取模块,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
结合第四方面,本申请实施例在第四方面的第一种实现方式中,所述第二任务时间获取模块,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数为第一值,使用所述拟合函数对所述第一任务时间进行对数变换处理,获取预测的第二任务时间。
结合第四方面,本申请实施例在第四方面的第二种实现方式中,所述第二任务时间获取模块,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数不为第一值,使用所述拟合函数,根据所述第一任务时间的目标变换参数减1的次方根,以及所述目标变换参数,对所述第一任务时间进行变换处理,获取预测的第二任务时间。
结合第四方面,本申请实施例在第四方面的第三种实现方式中,所述第二任务时间获取模块,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间包括:
若所述目标变换参数为第二值,使用所述拟合函数对所述第一任务时间进行倒数变换处理,获取预测的第二任务时间;
或,若所述目标变换参数为第三值,使用所述拟合函数对所述第一任务时间进行平方根变换处理,获取预测的第二任务时间。
结合第四方面,本申请实施例在第四方面的第四种实现方式中,还包括:
训练模块,用于为多个预测模型设定不同的变换参数,不同的变换参数对应不同的拟合函数;至少基于历史任务的实际任务时间,分别训练各个预测模型;确定各个预测模型预测的历史任务的任务时间与实际任务时间的误差;确定所述误差最小的预测模型为训练得出的预测模型,所述训练得出的预测模型设定的变换参数为所述目标变换参数。
结合第四方面的第四种实现方式,本申请实施例在第四方面的第五种实现方式中,所述训练模块,用于至少基于历史任务的实际任务时间,分别训练各个预测模型包括:
以预测模型预测的任务时间与实际任务时间的平均平方误差作为损失函数,历史任务的实际任务时间作为训练标签,历史任务的任务特征作为训练特征,训练各个预测模型。
结合第四方面,本申请实施例在第四方面的第六种实现方式中,还包括:
任务生成模块,用于获取任务生成请求,生成当前任务;
或者,时间更新请求获取模块,用于获取当前任务的任务时间更新请求。
第五方面,本申请实施例提供一种服务器,包括:至少一个存储器和至少一个处理器,所述存储器存储一条或多条计算机可执行指令,所述处理器调用所述一条或多条计算机可执行指令,以执行如上述任一项所述的时间预测方法。
第六方面,本申请实施例提供一种存储介质,所述存储介质存储一条或多条计算机可执行指令,所述一条或多条计算机可执行指令用于执行如上述任一项所述的时间预测方法。
Claims (10)
1.一种时间预测方法,其特征在于,包括:
确定与当前任务相似的多个相似历史任务;
获取所述多个相似历史任务的配送段预计到达时间;
根据所述多个相似历史任务的配送段预计到达时间,获取所述当前任务的第一配送段预计到达时间。
2.根据权利要求1所述的时间预测方法,其特征在于,所述确定与当前任务相似的多个相似历史任务包括:
确定历史任务的多维特征及当前任务的多维特征;
根据历史任务与当前任务的多维特征,确定历史任务与当前任务的相似度;
根据历史任务与当前任务的相似度,从历史任务中选取与当前任务相似的多个相似历史任务,其中,所述多个相似历史任务的相似度大于未被选取的历史任务的相似度。
3.根据权利要求2所述的时间预测方法,其特征在于,所述确定历史任务的多维特征包括:
确定历史任务的如下至少一项特征:历史任务的任务消耗值,根据经纬度计算的用户与对象提供方之间的距离,任务生成时刻,用户所在兴趣面的标识,对象提供方所在地理网格的标识,对象提供方准备对象的时间,任务预计的配送时间。
4.根据权利要求1-3任一项所述的时间预测方法,其特征在于,还包括:
将所述第一配送段预计到达时间输入预测模型;
基于所述预测模型的输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一配送段预计到达时间进行变换处理,获取预测的第二配送段预计到达时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
5.一种时间预测方法,其特征在于,包括:
针对当前任务,获取预测模型的输出层预测的第一任务时间;
基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
6.根据权利要求5所述的时间预测方法,其特征在于,还包括:
为多个预测模型设定不同的变换参数,不同的变换参数对应不同的拟合函数;
至少基于历史任务的实际任务时间,分别训练各个预测模型;
确定各个预测模型预测的历史任务的任务时间与实际任务时间的误差;
确定所述误差最小的预测模型为训练得出的预测模型,所述训练得出的预测模型设定的变换参数为所述目标变换参数。
7.一种时间预测装置,其特征在于,包括:
相似历史任务确定模块,用于确定与当前任务相似的多个相似历史任务;
历史任务预计到达时间确定模块,用于获取所述多个相似历史任务的配送段预计到达时间;
第一预计到达时间确定模块,用于根据所述多个相似历史任务的配送段预计到达时间,获取所述当前任务的第一配送段预计到达时间。
8.一种时间预测装置,其特征在于,包括:
第一任务时间获取模块,用于针对当前任务,获取预测模型的输出层预测的第一任务时间;
第二任务时间获取模块,用于基于所述输出层之后设置的拟合函数中的目标变换参数,使用所述拟合函数对所述第一任务时间进行变换处理,获取预测的第二任务时间;
其中,所述拟合函数的函数形式由所述目标变换参数的值决定,所述目标变换参数是:多个预测模型训练时,预测的任务时间与实际任务时间的误差最小的预测模型所设定的变换参数。
9.一种服务器,其特征在于,包括:至少一个存储器和至少一个处理器,所述存储器存储一条或多条计算机可执行指令,所述处理器调用所述一条或多条计算机可执行指令,以执行如权利要求1-4任一项所述的时间预测方法,或者,执行如权利要求5-6任一项所述的时间预测方法。
10.一种存储介质,其特征在于,所述存储介质存储一条或多条计算机可执行指令,所述一条或多条计算机可执行指令用于执行如权利要求1-4任一项所述的时间预测方法,或者,用于执行如权利要求5-6任一项所述的时间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561002.3A CN113822455A (zh) | 2020-06-18 | 2020-06-18 | 一种时间预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561002.3A CN113822455A (zh) | 2020-06-18 | 2020-06-18 | 一种时间预测方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822455A true CN113822455A (zh) | 2021-12-21 |
Family
ID=78911841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010561002.3A Pending CN113822455A (zh) | 2020-06-18 | 2020-06-18 | 一种时间预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822455A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115123885A (zh) * | 2022-07-22 | 2022-09-30 | 江苏苏云信息科技有限公司 | 一种电梯预计到达时间估测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108172300A (zh) * | 2017-11-28 | 2018-06-15 | 北京工商大学 | 一种确定皮肤状态变化的年龄拐点的方法 |
CN110009384A (zh) * | 2019-01-07 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 预测业务指标的方法及装置 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110516282A (zh) * | 2019-07-03 | 2019-11-29 | 杭州电子科技大学 | 一种基于贝叶斯统计的磷化铟晶体管建模方法 |
-
2020
- 2020-06-18 CN CN202010561002.3A patent/CN113822455A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108172300A (zh) * | 2017-11-28 | 2018-06-15 | 北京工商大学 | 一种确定皮肤状态变化的年龄拐点的方法 |
CN110009384A (zh) * | 2019-01-07 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 预测业务指标的方法及装置 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110516282A (zh) * | 2019-07-03 | 2019-11-29 | 杭州电子科技大学 | 一种基于贝叶斯统计的磷化铟晶体管建模方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115123885A (zh) * | 2022-07-22 | 2022-09-30 | 江苏苏云信息科技有限公司 | 一种电梯预计到达时间估测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN109714797B (zh) | 一种基于拍卖理论的移动边缘网络资源分配方法 | |
CN103473291A (zh) | 一种基于隐语义概率模型的个性化服务推荐系统及方法 | |
WO2021243568A1 (en) | Multi-objective distributional reinforcement learning for large-scale order dispatching | |
CN109389424B (zh) | 流量分配方法、装置、电子设备及存储介质 | |
CN111582394B (zh) | 一种群体评估方法、装置、设备及介质 | |
CN111275470A (zh) | 服务发起概率预测方法及其模型的训练方法和装置 | |
US20220044109A1 (en) | Quantization-aware training of quantized neural networks | |
CN114493376A (zh) | 一种基于工单数据的任务调度管理方法及系统 | |
WO2022121219A1 (zh) | 基于分布曲线的预测方法、装置、设备及存储介质 | |
CN113822455A (zh) | 一种时间预测方法、装置、服务器及存储介质 | |
CN111510473B (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
CN117787601A (zh) | 一种基于ai的家政上门服务调度方法、介质及系统 | |
CN110266770B (zh) | 基于博弈论的闲置云资源调度方法和装置 | |
CN111353797B (zh) | 资源分配方法、装置以及电子设备 | |
CN111686451A (zh) | 一种业务处理方法、装置、设备及计算机存储介质 | |
WO2021016989A1 (en) | Hierarchical coarse-coded spatiotemporal embedding for value function evaluation in online multidriver order dispatching | |
CN108052378B (zh) | 一种面向复杂仿真工作流应用的利润敏感的任务调度方法 | |
CN111798283A (zh) | 订单派发方法、装置、电子设备及计算机可读存储介质 | |
CN107766944B (zh) | 一种利用api分析进行系统功能流优化的系统和方法 | |
CN115310590A (zh) | 图结构学习方法和装置 | |
CN114048886A (zh) | 基于神经网络的有效泊位组合预测方法、终端及存储介质 | |
CN109934604B (zh) | 销量数据的处理方法、系统、存储介质及电子设备 | |
CN111277445B (zh) | 一种评估在线节点服务器性能的方法及装置 | |
CN110796513B (zh) | 多任务学习方法、装置、电子设备及存储介质 |
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 |