CN114139804A - 任务时长确定方法及装置、电子设备和存储介质 - Google Patents
任务时长确定方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114139804A CN114139804A CN202111453735.6A CN202111453735A CN114139804A CN 114139804 A CN114139804 A CN 114139804A CN 202111453735 A CN202111453735 A CN 202111453735A CN 114139804 A CN114139804 A CN 114139804A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- loss
- task
- determining
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开涉及一种任务时长确定方法及装置、电子设备和存储介质,通过获取训练得到的目标模型,以及包括至少两个与目标模型结构相同、参数不同的参考模型的模型集合。其中,每个参考模型为不同历史时间区间的最优模型。比较目标模型和每个参考模型的性能,得到当前最优模型,并基于目标任务的任务信息,通过当前最优模型进行任务时长预测,得到目标任务的任务处理时长。本公开实施例在多个曾经的最优模型和目标模型中筛选当前的最优模型,在多个模型中筛选最优模型的过程提高了评价结果的准确性以及模型的适用性,以进一步根据当前最优模型预测目标任务的任务处理时长,提高了预测结果的准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种任务时长确定方法及装置、电子设备和存储介质。
背景技术
目前机器学习模型广泛应用在各个领域,例如在外卖、打车以及快递等需要处理任务的应用场景中,可以通过机器学习模型预先预测任务处理时长。在机器学习模型的使用过程中,通常还实时对机器学习模型进行更新训练,以定期更新最优模型并根据最优模型预测任务处理时长。相关技术在确定最优模型存在确定结果不准确,影响任务处理时长的预测结果的技术问题。
发明内容
有鉴于此,本公开提出了一种任务时长确定方法及装置、电子设备和存储介质,旨在提高模型评价过程中模型的适用性,以及评价结果的准确性。
根据本公开的第一方面,提供了一种任务时长确定方法,所述方法包括:
获取目标模型,所述目标模型通过训练得到;
获取包括至少两个与所述目标模型结构相同、参数不同的参考模型的模型集合,每个所述参考模型为不同历史时间区间的最优模型,所述最优模型为一个时间区间内性能最优的模型;
通过比较所述目标模型与每个所述参考模型,确定当前最优模型;
基于目标任务的任务信息,通过所述当前最优模型进行任务时长预测,得到所述目标任务的任务处理时长。
在一种可能的实现方式中,所述通过比较所述目标模型与每个所述参考模型,确定当前最优模型包括:
确定目标测试集;
根据所述目标测试集测试所述目标模型得到第一目标损失;
根据所述目标测试集测试每个所述参考模型,得到所每个所述参考模型的第一参考损失;
根据所述第一目标损失和每个所述第一参考损失,确定当前最优模型。
在一种可能的实现方式中,所述根据所述第一目标损失和每个所述第一参考损失,确定当前最优模型包括:
对比每个所述第一参考损失的大小,并将最小第一参考损失作为第一最小损失;
根据所述第一目标损失和所述第一最小损失,确定当前最优模型。
在一种可能的实现方式中,所述根据所述第一目标损失和所述第一最小损失,确定当前最优模型包括:
响应于所述第一目标损失不小于所述第一最小损失,确定所述具有所述第一最小损失的参考模型是当前最优模型。
在一种可能的实现方式中,所述根据所述第一目标损失和所述第一最小损失,确定当前最优模型还包括:
响应于所述第一目标损失小于所述第一最小损失,确定所述目标模型是当前最优模型。
在一种可能的实现方式中,所述根据所述第一目标损失和所述第一最小损失,确定当前最优模型还包括:
响应于所述第一目标损失小于所述第一最小损失,确定所述目标模型的第二目标损失,和每个所述参考模型的第二参考损失;
根据所述第二目标损失和所述第二参考损失,确定当前最优模型。
在一种可能的实现方式中,所述模型集合中还包括每个参考模型对应的第二参考损失;
所述确定所述目标模型的第二目标损失,和每个所述参考模型的第二参考损失包括:
确定所述目标测试集中每个测试数据对应标注数据的绝对平均值;
计算所述第一目标损失和所述绝对平均值的商,得到第二目标损失;
在所述模型集合中获取每个所述参考模型对应的第二参考损失。
在一种可能的实现方式中,所述根据所述第二目标损失和所述第二参考损失,确定当前最优模型包括:
对比每个所述第二参考损失的大小,并将最小第二参考损失作为第二最小损失;
响应于所述第二目标损失小于所述第二最小损失,确定所述目标模型是当前最优模型。
在一种可能的实现方式中,所述方法还包括:
对比每个所述第二参考损失的大小,删除最大第二参考损失对应的参考模型;
将所述目标模型作为新的参考模型,将所述目标模型对应的第二目标损失作为第二参考损失加入所述模型集合。
在一种可能的实现方式中,所述第一目标损失和所述第一参考损失的确定方式相同,所述第一目标损失包括所述目标模型的均方误差、平方绝对误差和均方根误差中至少一种,所述第一参考损失包括对应参考模型的均方误差、平方绝对误差和均方根误差中至少一种。
在一种可能的实现方式中,所述目标任务为配送任务,所述任务信息为所述目标任务的属性信息,所述任务处理时长为所述目标任务的配送时长。
在一种可能的实现方式中,所述获取目标模型包括:
根据当前时间区间处理的多个配送任务,以及每个所述配送任务的实际配送时长确定目标训练集;
根据所述目标训练集训练前一时间区间的最优模型得到目标模型。
根据本公开的第二方面,提供了一种任务时长确定装置,所述装置包括:
第一模型获取模块,用于获取目标模型,所述目标模型通过训练得到;
第二模型获取模块,用于获取包括至少两个与所述目标模型结构相同、参数不同的参考模型的模型集合,每个所述参考模型为不同历史时间区间的最优模型,所述最优模型为一个时间区间内性能最优的模型;
模型筛选模块,用于通过比较所述目标模型与每个所述参考模型,确定当前最优模型;
时长预测模块,用于基于目标任务的任务信息,通过所述当前最优模型进行任务时长预测,得到所述目标任务的任务处理时长。
在一种可能的实现方式中,所述模型筛选模块包括:
测试集确定子模块,用于确定目标测试集;
第一损失确定子模块,用于根据所述目标测试集测试所述目标模型得到第一目标损失;
第二损失确定子模块,用于根据所述目标测试集测试每个所述参考模型,得到所每个所述参考模型的第一参考损失;
模型筛选子模块,用于根据所述第一目标损失和每个所述第一参考损失,确定当前最优模型。
在一种可能的实现方式中,所述模型筛选子模块包括:
最小损失确定单元,用于对比每个所述第一参考损失的大小,并将最小第一参考损失作为第一最小损失;
模型筛选单元,用于根据所述第一目标损失和所述第一最小损失,确定当前最优模型。
在一种可能的实现方式中,所述模型筛选单元包括:
第一筛选子单元,用于响应于所述第一目标损失不小于所述第一最小损失,确定所述具有所述第一最小损失的参考模型是当前最优模型。
在一种可能的实现方式中,所述模型筛选单元还包括:
第二筛选子单元,用于响应于所述第一目标损失小于所述第一最小损失,确定所述目标模型是当前最优模型。
在一种可能的实现方式中,所述模型筛选单元还包括:
损失确定子单元,用于响应于所述第一目标损失小于所述第一最小损失,确定所述目标模型的第二目标损失,和每个所述参考模型的第二参考损失;
第三筛选子单元,用于根据所述第二目标损失和所述第二参考损失,确定当前最优模型。
在一种可能的实现方式中,所述模型集合中还包括每个参考模型对应的第二参考损失;
所述损失确定子单元包括:
平均值计算子单元,用于确定所述目标测试集中每个测试数据对应标注数据的绝对平均值;
损失计算子单元,用于计算所述第一目标损失和所述绝对平均值的商,得到第二目标损失;
损失获取子单元,用于在所述模型集合中获取每个所述参考模型对应的第二参考损失。
在一种可能的实现方式中,所述第三筛选子单元包括:
损失对比子单元,用于对比每个所述第二参考损失的大小,并将最小第二参考损失作为第二最小损失;
第四筛选子单元,用于响应于所述第二目标损失小于所述第二最小损失,确定所述目标模型是当前最优模型。
在一种可能的实现方式中,所述装置还包括:
损失比较模块,用于对比每个所述第二参考损失的大小,删除最大第二参考损失对应的参考模型;
集合更新模块,用于将所述目标模型作为新的参考模型,将所述目标模型对应的第二目标损失作为第二参考损失加入所述模型集合。
在一种可能的实现方式中,所述第一目标损失和所述第一参考损失的确定方式相同,所述第一目标损失包括所述目标模型的均方误差、平方绝对误差和均方根误差中至少一种,所述第一参考损失包括对应参考模型的均方误差、平方绝对误差和均方根误差中至少一种。
在一种可能的实现方式中,所述目标任务为配送任务,所述任务信息为所述目标任务的属性信息,所述任务处理时长为所述目标任务的配送时长。
在一种可能的实现方式中,所述第一模型获取模块包括:
训练集确定子模块,用于根据当前时间区间处理的多个配送任务,以及每个所述配送任务的实际配送时长确定目标训练集;
模型训练子模块,用于根据所述目标训练集训练前一时间区间的最优模型得到目标模型。
根据本公开的第三方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本公开的第四方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
本公开实施例通过获取训练得到的目标模型,以及包括至少两个与目标模型结构相同、参数不同的参考模型的模型集合。其中,每个参考模型为不同历史时间区间的最优模型。比较目标模型和每个参考模型的性能,得到当前最优模型,并基于目标任务的任务信息,通过当前最优模型进行任务时长预测,得到目标任务的任务处理时长。本公开实施例在多个曾经的最优模型和目标模型中筛选当前的最优模型,在多个模型中筛选最优模型的过程提高了评价结果的准确性以及模型的适用性,以进一步根据当前最优模型预测目标任务的任务处理时长,提高了预测结果的准确性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开实施例的一种任务时长确定方法的流程图;
图2示出根据本公开实施例的一种确定当前最优模型的示意图;
图3示出根据本公开实施例的另一种确定当前最优模型的示意图;
图4示出根据本公开实施例的一种任务时长确定装置的示意图;
图5示出根据本公开实施例的一种电子设备的示意图;
图6示出根据本公开实施例的另一种电子设备的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的一种任务时长确定方法的流程图。在一种可能的实现方式中,任务时长确定方法可以通过终端设备或服务器等电子设备执行。其中,终端设备可以为智能手机、笔记本电脑、平板设备、智能车载设备以及智能家居设备等固定或移动的终端设备。服务器可以为单独的服务器或者多个服务器组成的服务器集群。任意电子设备可以通过处理器调用存储器中存储的指令实现任务时长确定方法。
本公开实施例可以应用于任意在多个模型中选出最优模型,并根据最优模型预测任务处理时长的应用场景,例如在通过系统中同时训练得到的多个模型中选择一个性能最优的模型预测目标任务的处理时长,或者在模型使用过程中实时训练模型,并在当前训练的模型和参考模型中选择最优的模型预测目标任务的处理时长。
如图1所示,本公开实施例的任务时长确定方法可以包括如下步骤S10-S40。
步骤S10、获取目标模型。
在一种可能的实现方式中,执行本公开实施例的任务时长确定方法的电子设备中,可以训练得到目标模型,并根据目标模型执行任务时长确定方法。也就是说,目标模型为需要进行性能评价的模型,可以通过电子设备预先训练得到。
在一种应用场景中,电子设备可以同时训练得到多个相同结构、不同参数的模型,或不同结构、不同参数但作用相同的模型。进一步地,选择任意模型作为目标模型并进行性能评价,在评价结果为目标模型是全部模型中最优模型的情况下结束最优模型的选择,直接确定目标模型为最优模型。在评价结果为目标模型不是最优模型的情况下,重新选择其他模型作为目标模型,再次进行性能评价。
在另一种应用场景中,电子设备还可以在模型的使用过程中实时进行训练模型,并在训练得到新模型时确定新模型为目标模型,并获取系统中历史时间区间使用的多个模型,以进一步评价目标模型的性能与参考模型相比是否更优。在评价结果为目标模型是最优模型的情况下,确定目标模型为最优模型并将目标模型投入使用。在评价结果为目标模型不是最优模型的情况下,可以删除该目标模型。在该应用场景中可以保证使用的模型一直为模型训练系统中的最优模型。
在一种可能的实现方式中,本公开实施例可以应用于任务处理时长预测的应用场景,即目标模型能够根据任务信息预测任务处理时长。可选地,任务信息可以为任意任务的信息,任务例如可以为打车任务、跑腿任务以及配送任务等,任务信息可以包括任务处理人员信息、任务内容、任务开始时间、任务路径以及任务环境等任意任务处理过程相关的信息。
以本公开实施例的应用场景为在模型的使用过程中实时进行训练模型,并周期性确定最优模型投入使用为例进行说明。在目标模型能够预测配送任务的任务处理时长时,目标模型可以通过当前周期内获取的多个配送任务训练上一周期的最优模型得到。也就是说,可以根据当前时间区间处理的多个配送任务,以及每个配送任务的实际配送时长确定目标训练集,再根据目标训练集训练前一时间区间的最优模型得到目标模型。
步骤S20、确定包括至少两个与所述目标模型结构相同、参数不同的参考模型的模型集合。
在一种可能的实现方式中,执行本公开实施例任务时长确定方法的电子设备中预先存储多个参考模型组成的模型集合。每个参考模型均与目标模型的结构相同、参数不同。可选地,每个参考模型均为不同历史时间区间的最优模型,最优模型为一个时间区间内电子设备中性能最优的模型。其中,每个参考模型对应的历史时间区间相同,可以预先设定。例如,当电子设备以24小时为周期进行模型更新时,模型集合中包括的每个参考模型分别为一个24小时的时间周期内电子设备中性能最优的模型。
可选地,模型集合中还可以包括每个参考模型对应的损失参数,用于表征每个参考模型的性能。其中,损失参数可以为任意能够表征模型损失的参数,例如可以为根据多个测试样本输入模型后输出的均方误差、均方根误差或者平均绝对误差等。
步骤S30、通过比较所述目标模型与每个所述参考模型,确定当前最优模型。
在一种可能的实现方式中,可以通过模型集合中的多个参考模型,与目标模型进行性能比较,以评价目标模型的性能,确定在当前时间区间内性能最优的当前最优模型。可选地,参考模型和目标模型的性能可以通过模型的损失评价。也就是说,可以先确定目标模型的第一目标损失,和每个参考模型的第一参考损失。根据第一目标损失和每个第一参考损失,确定当前最优模型。
可选地,第一目标损失和第一参考损失为确定方式相同的同类损失,可以通过相同的目标测试集确定。例如先确定目标测试集,根据目标测试集测试目标模型得到第一目标损失。根据目标测试集测试每个参考模型,得到所每个参考模型的第一参考损失。进一步地,目标测试集中可以包括至少一个测试数据和对应的标注数据。可以将目标测试集中每个测试数据输入目标模型得到目标输出,再根据每个测试数据的目标输出和对应的标注数据计算得到第一目标损失。同时,对于每个参考模型,将目标测试集中每个测试数据输入参考模型得到参考输出,再根据每个测试数据的参考输出和对应的标注数据计算得到第一参考损失。
在一种可能得到实现方式中,第一目标损失和第一参考损失均为对应模型相同种类的误差,例如可以是均方误差(MSE,Mean Squared Error)、平方绝对误差(MAE,MeanAbsolute Error)或均方根误差(RMSE,Root Mean Squard Error)。或者上述任意多种误差的加权和。也就是说,第一目标损失包括目标模型的均方误差、平方绝对误差和均方根误差中至少一种,第一参考损失包括对应参考模型的均方误差、平方绝对误差和均方根误差中至少一种。
进一步地,在计算得到目标模型的第一目标损失,以及每个参考模型的第一参考损失后,可以进一步判断目标模型是否为性能最优的模型。由于模型损失越小时性能越好,可以直接通过对比第一目标损失和最小的第一参考损失判断目标模型是否为性能最优的模型。也就是说,可以对比每个第一参考损失的大小,并将最小第一参考损失作为第一最小损失。再根据第一目标损失和所述第一最小损失,确定目标模型是否为当前性能最优的模型。
在一种可能的实现方式中,可以响应于第一目标损失不小于第一最小损失,确定具有第一最小损失的参考模型是当前最优模型。即在第一目标损失不小于第一最小损失时,认为多个参考模型中还包括其他性能比目标模型更优的模型,确定目标模型并不是当前电子设备中性能最好的模型并从当前参考模型中确定性能最优的模型最为当前最优模型。或者,还可以选择模型集合中对应的历史时间区间距离当前时间区间最近的参考模型作为最优模型。也就是说,直接确定前一时间区间内的最优模型为当前时间区间的最优模型。进一步地,还可以响应于第一目标损失小于第一最小损失,确定目标模型是当前性能最优的模型。即在第一目标损失小于第一最小损失时,认为多个参考模型中不包括性能比目标模型更优的模型,可以直接确定目标模型是当前电子设备中性能最好的模型。
图2示出根据本公开实施例的一种确定当前最优模型的示意图。如图2所示,在一种可能的实现方式中,本公开实施例的确定当前最优模型的过程可以通过目标测试集20对目标模型21和多个参考模型22进行性能测试实现。
可选地,将目标测试集20中的至少一个测试数据输入目标模型21,并根据每个测试数据对应的标注数据,以及目标模型21的输出确定表征目标模型21损失的第一目标损失23。同时,对于每个参考模型22,可以将目标测试集20中的至少一个测试数据输入参考模型22,并根据每个测试数据对应的标注数据,以及参考模型22的输出确定表征对应参考模型22损失的第一参考损失24。进一步地,对比多个参考模型22对应的第一参考损失24,确定其中最小的第一参考损失24为第一最小损失25。对比第一目标损失23和第一最小损失25的大小,在第一最小损失25大的情况下确定目标模型21是当前电子设备中性能最优的模型26,,即目标模型21为当前最优模型。在第一目标损失23大的情况下确定目标模型21不是当前电子设备中性能最优的模型27,并进一步在参考模型22中确定具有第一最小损失25对应的参考模型22作为当前最优模型。可选地,在第一最小损失25和第一目标损失23相同的情况下,表明参考模型中存在与当前模型性能相同的模型,即也可以判断目标模型21不是当前电子设备中性能最优的模型27,可以任意选择目标模型21或第一最小损失25对应的参考模型22作为当前最优模型。
由于目标测试集的数据量具有局限性,在实际应用过程中可能会出现不同类型的模型输入数据。因此,如果仅参考前一时间区间内的最优模型对目标模型进行性能评价,会导致模型的适用性差的问题,可能难以应对多种数据变化。本公开实施例能够在对目标模型进行性能评价的过程中参考多个历史的最优模型,提高了模型的适用性,并提高了任务时长确定的准确性。
在一种可能的实现方式中,第一参考损失和第一目标损失的确定过程仅考虑了标注数据和模型输出数据之间的差,并没有考虑误差与标注数据的百分比,即没有考虑模型的预测准确度。因此,仅基于第一参考损失和第一目标损失确定当前最优模型的方式可能会存在准确度较低的问题,还可在不存在第一参考损失小于第一目标损失的参考模型时,还可以进一步进行模型性能比较。也就是说,可以响应于第一目标损失小于第一最小损失,确定目标模型的第二目标损失,和每个参考模型的第二参考损失。根据第二目标损失和第二参考损失,确定当前最优模型。
可选地,目标模型的第二目标损失可以基于第一目标损失确定。例如确定目标测试集中每个测试数据对应标注数据的绝对平均值。再计算第一目标损失和绝对平均值的商,得到第二目标损失。进一步地,每个参考模型的第二参考损失可以预先确定,并存储在模型集合中。即可以直接在模型集合中获取每个参考模型对应的第二参考损失。
在一种可能的实现方式中,第二参考损失与第二目标损失表征相同的损失,可以通过相同的方式确定。例如,当第二目标损失为将目标测试集中每个测试数据输入目标模型后的平方绝对误差,与目标测试集中每个测试数据对应标注数据的绝对平均值的比值时,每个第二参加损失可以为将与目标测试集不同的参考测试集中每个测试数据输入参考模型后的平方绝对误差,与对应参考测试集中每个测试数据对应标注数据的绝对平均值的比值。可选地,模型集合中还可以仅包括每个参考模型对应的绝对平均值以及平方绝对误差,需要在获取后进一步计算得到第二目标损失。
进一步地,与第一参考损失和第一目标损失的对比过程相同,在对比第二目标损失和多个第二参考损失时,也可以仅对比第二目标损失与最小的第二参考损失得到目标模型的性能评价结果。也就是说,对比每个第二参考损失的大小,并将最小第二参考损失作为第二最小损失。可以响应于第二目标损失小于第二最小损失,确定目标模型是当前最优。同时,可以响应于第二目标损失不小于第二最小损失,确定目标模型不是当前性能最优的模型。进一步地,仍然确定第一最小损失对应的参考模型作为当前最优模型,或者还可以确定第二最小损失对应的参考模型作为当前最优模型,或确定对应历史时间区间距离当前时间区间最近的参考模型作为当前最优模型。
图3示出根据本公开实施例的另一种确定当前最优模型的示意图。如图3所示,在一种可能的实现方式中,本公开实施例确定当前最优模型的过程可以通过目标测试集20对目标模型21和多个参考模型22进行性能测试实现。
可选地,将目标测试集20中的至少一个测试数据输入目标模型21,并根据每个测试数据对应的标注数据,以及目标模型21的输出确定表征目标模型21损失的第一目标损失23。同时,对于每个参考模型22,可以将目标测试集20中的至少一个测试数据输入参考模型22,并根据每个测试数据对应的标注数据,以及参考模型22的输出确定表征对应参考模型22损失的第一参考损失24。进一步地,对比多个参考模型22对应的第一参考损失24,确定其中最小的第一参考损失24为第一最小损失25。对比第一目标损失23和第一最小损失25的大小,在第一目标损失23大的情况下,确定目标模型21不是当前电子设备中性能最优的模型27,进一步在参考模型22中确定具有第一最小损失25对应的参考模型22作为当前最优模型。可选地,在第一最小损失25和第一目标损失23相同的情况下,表明参考模型中存在与当前模型性能相同的模型,即也可以判断目标模型21不是当前电子设备中性能最优的模型27,并进一步在参考模型22中确定具有第一最小损失25对应的参考模型22作为当前最优模型。
进一步地,在第一最小损失25大的情况下,再根据第一目标损失23和目标测试集20中每个测试数据对应标注数据的绝对平均值确定第二目标损失28。同时,获取模型集合中每个参考模型22的第二参考损失,并选择其中的最小值得到第二最小损失29。对比第二目标损失28和第二最小损失29的大小,在第二最小损失大29的情况下,确定目标模型21是当前电子设备中性能最优的模型26,即目标模型21为当前最优模型。在第二目标损失大28的情况下,确定目标模型21不是当前电子设备中性能最优的模型27,进一步在参考模型22中确定具有第一最小损失25对应的参考模型22作为当前最优模型。可选地,在第二最小损失29和第二目标损失28相同的情况下,表明参考模型中存在与当前模型性能相同的模型,即也可以判断目标模型21不是当前电子设备中性能最优的模型27,并进一步在参考模型22中确定具有第一最小损失25对应的参考模型22作为当前最优模型。
本公开实施例上述模型评价方式可以先基于模型的输出和真实的标注数据进行误差比较,再根据误差与真实标注数据的误差百分比进行比较。基于两种不同的评价参数评价模型性能,提高了模型评价结果的准确性,避免在目标模型误差小,但误差率更高的情况下被评价为当前最优模型。
步骤S40、基于目标任务的任务信息,通过所述当前最优模型进行任务时长预测,得到所述目标任务的任务处理时长。
在一种可能的实现方式中,在通过上述步骤确定当前最优模型后,根据当前最优模型预测目标任务的任务处理时长。可选地,该预测方式可以基于目标任务的任务信息实现,例如将任务信息输入当前最优模型中,输出任务处理时长。可选地,目标任务为配送任务,任务信息为目标任务的属性信息,任务处理时长为目标任务的配送时长。在目标任务为配送任务时,任务信息可以包括配送人员信息、配送地址、配送内容以及天气等信息,例如配送人员的配送次数、配送人员的用户评分、配送地址的距离、配送的商品以及商家订单数量等。
在一种可能的实现方式中,当通过步骤S30判断目标模型为当前电子设备中性能最优的模型后,将目标模型更新为当前电子设备中的最优模型。在一种应用场景中,电子设备中的最优模型为投入使用的模型。在确定目标模型为最优模型后,将目标模型替换现有的最优模型投入使用。进一步地,还可以通过历史使用过程产生的真实数据生成训练集,在后台继续训练目标模型,以在下一个最优模型选择周期评价训练得到的新模型是否能够作为新的最优模型。可选地,在确定目标模型为最优模型时,将目标模型更新至模型集合中,以用于下一次最优模型确定过程。
在一种可能的实现方式中,模型集合可以为可扩展的、包括的模型数量不定的集合,即可以直接将目标模型加入模型集合中。或者,模型集合还可以为包括的模型数量固定的模型,在当前模型集合中包括的模型数量为最大数量时,在将目标模型加入模型集合时需要从原始模型集合中删除一个参考模型。可选地,可以对比模型集合中每个参考模型的性能,以删除其中性能最差的参考模型。其中,多个参考模型的性能可以通过对应的第一参考损失会第二参考损失进行对比。
进一步地,由于模型集合中的模型用于在电子设备选择最优模型时评价其他模型性能,模型集合中的参考模型还具有对应的第二参考损失,可以在向模型集合中加入模型时,一同加入模型对应的第二参考损失。由于第二参考损失与第二目标损失为同类损失,因此在将目标模型加入模型集合时,可以将目标模型对应的第二目标损失作为第二参考损失一同加入模型集合。
基于上述内容,以目标模型作为最优模型,并将目标模型更新至模型集合中的过程可以包括:将目标模型作为当前时间区间的最优模型。再对比每个第二参考损失的大小,删除最大第二参考损失对应的参考模型。进一步地,将目标模型作为新的参考模型,将目标模型对应的第二目标损失作为第二参考损失加入模型集合。
本公开实施例参照多个曾经的最优模型评价目标模型性能,提高了模型的适用性,以及最终评价结果的准确性。并在通过性能评价后确认目标模型当前性能最优的模型时,将目标模型加入模型集合,以后续对其他模型进行性能评价。同时,在参考多个模型评价目标模型性能时,可以通过模型损失以及损失百分比两种不同的评价参数评价模型性能,提高了模型评价结果的准确性,避免在目标模型误差小,但误差率更高的情况下被评价为最优模型。
需要说明的是,尽管以图1作为示例介绍了任务时长确定方法如上,但本领域技术人员能够理解,本公开应不限于此。事实上,用户完全可根据个人喜好和/或实际应用场景灵活设定任务时长确定方法,只要参考多个参考模型评价最优模型即可。
图4示出根据本公开实施例的一种任务时长确定装置的示意图。如图4所示,本公开实施例的任务时长确定装置可以包括第一模型获取模块40、第二模型获取模块41、模型筛选模块42和时长预测模块43。
第一模型获取模块40,用于获取目标模型,所述目标模型通过训练得到;
第二模型获取模块41,用于获取包括至少两个与所述目标模型结构相同、参数不同的参考模型的模型集合,每个所述参考模型为不同历史时间区间的最优模型,所述最优模型为一个时间区间内性能最优的模型;
模型筛选模块42,用于通过比较所述目标模型与每个所述参考模型,确定当前最优模型;
时长预测模块43,用于基于目标任务的任务信息,通过所述当前最优模型进行任务时长预测,得到所述目标任务的任务处理时长。
在一种可能的实现方式中,所述模型筛选模块42包括:
测试集确定子模块,用于确定目标测试集;
第一损失确定子模块,用于根据所述目标测试集测试所述目标模型得到第一目标损失;
第二损失确定子模块,用于根据所述目标测试集测试每个所述参考模型,得到所每个所述参考模型的第一参考损失;
模型筛选子模块,用于根据所述第一目标损失和每个所述第一参考损失,确定当前最优模型。
在一种可能的实现方式中,所述模型筛选子模块包括:
最小损失确定单元,用于对比每个所述第一参考损失的大小,并将最小第一参考损失作为第一最小损失;
模型筛选单元,用于根据所述第一目标损失和所述第一最小损失,确定当前最优模型。
在一种可能的实现方式中,所述模型筛选单元包括:
第一筛选子单元,用于响应于所述第一目标损失不小于所述第一最小损失,确定所述具有所述第一最小损失的参考模型是当前最优模型。
在一种可能的实现方式中,所述模型筛选单元还包括:
第二筛选子单元,用于响应于所述第一目标损失小于所述第一最小损失,确定所述目标模型是当前最优模型。
在一种可能的实现方式中,所述模型筛选单元还包括:
损失确定子单元,用于响应于所述第一目标损失小于所述第一最小损失,确定所述目标模型的第二目标损失,和每个所述参考模型的第二参考损失;
第三筛选子单元,用于根据所述第二目标损失和所述第二参考损失,确定当前最优模型。
在一种可能的实现方式中,所述模型集合中还包括每个参考模型对应的第二参考损失;
所述损失确定子单元包括:
平均值计算子单元,用于确定所述目标测试集中每个测试数据对应标注数据的绝对平均值;
损失计算子单元,用于计算所述第一目标损失和所述绝对平均值的商,得到第二目标损失;
损失获取子单元,用于在所述模型集合中获取每个所述参考模型对应的第二参考损失。
在一种可能的实现方式中,所述第三筛选子单元包括:
损失对比子单元,用于对比每个所述第二参考损失的大小,并将最小第二参考损失作为第二最小损失;
第四筛选子单元,用于响应于所述第二目标损失小于所述第二最小损失,确定所述目标模型是当前最优模型。
在一种可能的实现方式中,所述装置还包括:
损失比较模块,用于对比每个所述第二参考损失的大小,删除最大第二参考损失对应的参考模型;
集合更新模块,用于将所述目标模型作为新的参考模型,将所述目标模型对应的第二目标损失作为第二参考损失加入所述模型集合。
在一种可能的实现方式中,所述第一目标损失和所述第一参考损失的确定方式相同,所述第一目标损失包括所述目标模型的均方误差、平方绝对误差和均方根误差中至少一种,所述第一参考损失包括对应参考模型的均方误差、平方绝对误差和均方根误差中至少一种。
在一种可能的实现方式中,所述目标任务为配送任务,所述任务信息为所述目标任务的属性信息,所述任务处理时长为所述目标任务的配送时长。
在一种可能的实现方式中,所述第一模型获取模块40包括:
训练集确定子模块,用于根据当前时间区间处理的多个配送任务,以及每个所述配送任务的实际配送时长确定目标训练集;
模型训练子模块,用于根据所述目标训练集训练前一时间区间的最优模型得到目标模型。
图5示出根据本公开实施例的一种电子设备的示意图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图5,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的另一种电子设备的示意图。例如,装置1900可以被提供为一服务器。参照图6,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、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公开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。
用于执行本公开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,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。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公开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。
以上已经描述了本公开的各实施例,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。
Claims (15)
1.一种任务时长确定方法,其特征在于,所述方法包括:
获取目标模型,所述目标模型通过训练得到;
获取包括至少两个与所述目标模型结构相同、参数不同的参考模型的模型集合,每个所述参考模型为不同历史时间区间的最优模型,所述最优模型为一个时间区间内性能最优的模型;
通过比较所述目标模型与每个所述参考模型,确定当前最优模型;
基于目标任务的任务信息,通过所述当前最优模型进行任务时长预测,得到所述目标任务的任务处理时长。
2.根据权利要求1所述的方法,其特征在于,所述通过比较所述目标模型与每个所述参考模型,确定当前最优模型包括:
确定目标测试集;
根据所述目标测试集测试所述目标模型得到第一目标损失;
根据所述目标测试集测试每个所述参考模型,得到所每个所述参考模型的第一参考损失;
根据所述第一目标损失和每个所述第一参考损失,确定当前最优模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一目标损失和每个所述第一参考损失,确定当前最优模型包括:
对比每个所述第一参考损失的大小,并将最小第一参考损失作为第一最小损失;
根据所述第一目标损失和所述第一最小损失,确定当前最优模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一目标损失和所述第一最小损失,确定当前最优模型包括:
响应于所述第一目标损失不小于所述第一最小损失,确定所述具有所述第一最小损失的参考模型是当前最优模型。
5.根据权利要求3或4所述的方法,其特征在于,所述根据所述第一目标损失和所述第一最小损失,确定当前最优模型还包括:
响应于所述第一目标损失小于所述第一最小损失,确定所述目标模型是当前最优模型。
6.根据权利要求3或4所述的方法,其特征在于,所述根据所述第一目标损失和所述第一最小损失,确定当前最优模型还包括:
响应于所述第一目标损失小于所述第一最小损失,确定所述目标模型的第二目标损失,和每个所述参考模型的第二参考损失;
根据所述第二目标损失和所述第二参考损失,确定当前最优模型。
7.根据权利要求6所述的方法,其特征在于,所述模型集合中还包括每个参考模型对应的第二参考损失;
所述确定所述目标模型的第二目标损失,和每个所述参考模型的第二参考损失包括:
确定所述目标测试集中每个测试数据对应标注数据的绝对平均值;
计算所述第一目标损失和所述绝对平均值的商,得到第二目标损失;
在所述模型集合中获取每个所述参考模型对应的第二参考损失。
8.根据权利要求6或7所述的方法,其特征在于,所述根据所述第二目标损失和所述第二参考损失,确定当前最优模型包括:
对比每个所述第二参考损失的大小,并将最小第二参考损失作为第二最小损失;
响应于所述第二目标损失小于所述第二最小损失,确定所述目标模型是当前最优模型。
9.根据权利要求7或8所述的方法,其特征在于,所述方法还包括:
对比每个所述第二参考损失的大小,删除最大第二参考损失对应的参考模型;
将所述目标模型作为新的参考模型,将所述目标模型对应的第二目标损失作为第二参考损失加入所述模型集合。
10.根据权利要求2-9中任意一项所述的方法,其特征在于,所述第一目标损失和所述第一参考损失的确定方式相同,所述第一目标损失包括所述目标模型的均方误差、平方绝对误差和均方根误差中至少一种,所述第一参考损失包括对应参考模型的均方误差、平方绝对误差和均方根误差中至少一种。
11.根据权利要求1-10中任意一项所述的方法,其特征在于,所述目标任务为配送任务,所述任务信息为所述目标任务的属性信息,所述任务处理时长为所述目标任务的配送时长。
12.根据权利要求1-11中任意一项所述的方法,其特征在于,所述获取目标模型包括:
根据当前时间区间处理的多个配送任务,以及每个所述配送任务的实际配送时长确定目标训练集;
根据所述目标训练集训练前一时间区间的最优模型得到目标模型。
13.一种任务时长确定装置,其特征在于,所述装置包括:
第一模型获取模块,用于获取目标模型,所述目标模型通过训练得到;
第二模型获取模块,用于获取包括至少两个与所述目标模型结构相同、参数不同的参考模型的模型集合,每个所述参考模型为不同历史时间区间的最优模型,所述最优模型为一个时间区间内性能最优的模型;
模型筛选模块,用于通过比较所述目标模型与每个所述参考模型,确定当前最优模型;
时长预测模块,用于基于目标任务的任务信息,通过所述当前最优模型进行任务时长预测,得到所述目标任务的任务处理时长。
14.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至12中任意一项所述的方法。
15.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453735.6A CN114139804A (zh) | 2021-12-01 | 2021-12-01 | 任务时长确定方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453735.6A CN114139804A (zh) | 2021-12-01 | 2021-12-01 | 任务时长确定方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139804A true CN114139804A (zh) | 2022-03-04 |
Family
ID=80386624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111453735.6A Pending CN114139804A (zh) | 2021-12-01 | 2021-12-01 | 任务时长确定方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139804A (zh) |
-
2021
- 2021-12-01 CN CN202111453735.6A patent/CN114139804A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110837761B (zh) | 多模型知识蒸馏方法及装置、电子设备和存储介质 | |
EP2978265A1 (en) | Method and apparatus for automatically connecting wireless network | |
CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN106960014B (zh) | 关联用户推荐方法及装置 | |
EP3147802B1 (en) | Method and apparatus for processing information | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN108764003B (zh) | 图片识别方法及装置 | |
CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN107508573B (zh) | 晶振振荡频率校正方法及装置 | |
CN108320208B (zh) | 车辆推荐方法及装置 | |
EP3089436A1 (en) | Methods and devices for calling based on cloud card | |
CN106599191B (zh) | 用户属性分析方法及装置 | |
CN109358788B (zh) | 界面显示方法、装置及终端 | |
CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
CN111125388B (zh) | 多媒体资源的检测方法、装置及设备和存储介质 | |
CN115512116B (zh) | 图像分割模型优化方法、装置、电子设备及可读存储介质 | |
CN107256149B (zh) | 用户界面的更新方法和装置 | |
CN111784772B (zh) | 基于域随机化的姿态估计模型训练方法及装置 | |
CN112383661B (zh) | 移动端自动化测试方法、装置、电子设备及存储介质 | |
CN113869295A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN111008606B (zh) | 图像预测方法及装置、电子设备和存储介质 | |
CN109144054B (zh) | 智能驾驶路测控制方法及装置、电子设备和存储介质 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220304 Assignee: Baisheng Consultation (Shanghai) Co.,Ltd. Assignor: Shengdoushi (Shanghai) Technology Development Co.,Ltd. Contract record no.: X2023310000138 Denomination of invention: Method and device for determining task duration, electronic devices, and storage media License type: Common License Record date: 20230714 |
|
EE01 | Entry into force of recordation of patent licensing contract |