CN114692479A - 时间概率分布模型训练方法、配送时间获取方法及装置 - Google Patents
时间概率分布模型训练方法、配送时间获取方法及装置 Download PDFInfo
- Publication number
- CN114692479A CN114692479A CN202011569073.4A CN202011569073A CN114692479A CN 114692479 A CN114692479 A CN 114692479A CN 202011569073 A CN202011569073 A CN 202011569073A CN 114692479 A CN114692479 A CN 114692479A
- Authority
- CN
- China
- Prior art keywords
- delivery
- time
- target
- order
- initial
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本公开提供了一种时间概率分布模型训练方法、配送时间获取方法及装置。所述训练方法包括:获取训练样本;训练样本是由历史配送订单的订单信息,及与历史配送订单关联的配送人员的配送人员信息形成的,训练样本对应于一个第一送达时间;获取为训练样本设置的多个初始送达时间;将训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率;根据所述送达概率,确定所述多个初始送达时间中的第二送达时间;在所述第二送达时间与所述第一送达时间相匹配的情况下,将训练后的所述初始时间概率分布模型作为目标时间概率分布模型。本公开可以提高预估配送时间的准确度。
Description
技术领域
本公开的实施例涉及互联网技术领域,尤其涉及一种时间概率分布模型训练方法、配送时间获取方法及装置。
背景技术
在即时配送业务场景中,用户下单时平台会为用户展示当前运单的预计送达时间(Estimated Time of Arrival,ETA)。ETA在整个业务中占有很重要的地位,作为平台对用户的履约承诺,ETA会影响到用户的体验。同时,调度系统使用ETA作为调度约束,ETA影响调度系统的派单和整体的配送效率。除此之外,配送人员的考核时间也与ETA强相关,会影响配送人员的配送体验。整体来看,ETA作为配送业务的第一环,对体验和效率有直接的影响。业务上有通过ETA调整配送时间偏差(ETA-实际送达时间)的分布,进而优化体验和效率的诉求。不同配送时间偏差下,用户体验、配送人员压力和系统效率是不同的,当偏差过大时,用户体验不好。但是当偏差过小时,用户体验不好,配送人员压力大,而且会影响到调度系统给配送人员派更多的顺路单,系统整体效率低。
发明内容
本公开的实施例提供一种时间概率分布模型训练方法、配送时间获取方法及装置,用以提高配送时间的预估准确度,提高用户和配送人员体验的同时,提高了系统的整体效率。
根据本公开的实施例的第一方面,提供了一种时间概率分布模型训练方法,包括:
获取训练样本;所述训练样本是由历史配送订单的订单信息,及与所述历史配送订单关联的配送人员的配送人员信息形成的,所述训练样本对应于一个第一送达时间;
获取为所述训练样本设置的多个初始送达时间;
将所述训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率;
根据所述送达概率,确定所述多个初始送达时间中的第二送达时间;
在所述第二送达时间与所述第一送达时间相匹配的情况下,将训练后的所述初始时间概率分布模型作为目标时间概率分布模型。
可选地,所述获取训练样本,包括:
获取所述历史配送订单的订单基础信息,及所述历史配送订单关联的业务方的业务方信息,并将所述订单基础信息和所述业务方信息作为所述订单信息;
获取距离所述业务方的业务方位置在预设距离范围内的配送人员的配送人员信息;
其中,所述订单基础信息包括下单时间、所述下单时间所处时段、配送距离、订单价格和收单人位置信息;所述业务方信息包括业务方位置信息和出单时间信息;所述配送人员信息包括配送人员的位置信息、配送人员持有订单的配送信息、配送准时信息和配送能力信息。
可选地,所述将所述训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率,包括:
将所述训练样本和所述多个初始送达时间输入至所述初始时间概率分布模型;
基于所述初始时间概率分布模型,确定所述订单信息对应的订单编码向量,及所述配送人员信息对应的配送人员编码向量;
基于所述初始时间概率分布模型根据所述订单编码向量和所述配送人员编码向量,预测得到所述多个初始送达时间对应的送达概率。
可选地,所述根据所述送达概率,确定所述多个初始送达时间中的第二送达时间,包括:
根据所述多个初始送达时间和所述第一送达时间的时间差值,获取时间差值位于预设时间范围内的至少一个初始送达时间;
获取所述至少一个初始送达时间中送达概率最大的初始送达时间,并将送达概率最大的初始送达时间作为所述第二送达时间。
根据本公开的实施例的第二方面,提供了一种配送时间获取方法,包括:
在接收到目标订单之后,获取所述目标订单关联的目标订单信息,及所述目标订单所处目标业务方的预设距离范围的目标配送人员的目标配送信息;
获取为所述目标订单设置的多个第三送达时间;
将所述目标订单信息、所述目标配送信息和所述多个第三送达时间输入至目标时间概率分布模型,并获取由所述目标时间概率分布模型输出的所述多个第三送达时间对应的目标送达概率;
根据所述目标送达概率,从所述多个第三送达时间中筛选得到所述目标订单对应的目标配送时间。
可选地,所述根据所述目标送达概率,从所述多个第三送达时间中筛选得到所述目标订单对应的目标配送时间,包括:
获取所述多个第三送达时间中位于预设时间范围内的至少一个第四送达时间;
根据所述目标送达概率,从所述至少一个第四送达时间中筛选出送达概率最大的送达时间,并将所述送达概率最大的送达时间作为所述目标配送时间。
根据本公开的实施例提供的第三方面,提供了一种时间概率分布模型训练装置,包括:
训练样本获取模块,用于获取训练样本;所述训练样本是由历史配送订单的订单信息,及与所述历史配送订单关联的配送人员的配送人员信息形成的,所述训练样本对应于一个第一送达时间;
初始时间获取模块,用于获取为所述训练样本设置的多个初始送达时间;
送达概率获取模块,用于将所述训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率;
第二时间确定模块,用于根据所述送达概率,确定所述多个初始送达时间中的第二送达时间;
目标模型获取模块,用于在所述第二送达时间与所述第一送达时间相匹配的情况下,将训练后的所述初始时间概率分布模型作为目标时间概率分布模型。
可选地,所述训练样本获取模块包括:
订单信息获取单元,用于获取所述历史配送订单的订单基础信息,及所述历史配送订单关联的业务方的业务方信息,并将所述订单基础信息和所述业务方信息作为所述订单信息;
配送人员信息获取单元,用于获取距离所述业务方的业务方位置在预设距离范围内的配送人员的配送人员信息;
其中,所述订单基础信息包括下单时间、所述下单时间所处时段、配送距离、订单价格和收单人位置信息;所述业务方信息包括业务方位置信息和出单时间信息;所述配送人员信息包括配送人员的位置信息、配送人员持有订单的配送信息、配送准时信息和配送能力信息。
可选地,所述送达概率获取模块包括:
训练样本输入单元,用于将所述训练样本和所述多个初始送达时间输入至所述初始时间概率分布模型;
编码向量确定单元,用于基于所述初始时间概率分布模型,确定所述订单信息对应的订单编码向量,及所述配送人员信息对应的配送人员编码向量;
送达概率预测单元,用于基于所述初始时间概率分布模型根据所述订单编码向量和所述配送人员编码向量,预测得到所述多个初始送达时间对应的送达概率。
可选地,所述第二时间确定模块包括:
第一时间获取单元,用于根据所述多个初始送达时间和所述第一送达时间的时间差值,获取时间差值位于第一预设时间范围内的至少一个初始送达时间;
第二时间获取单元,用于获取所述至少一个初始送达时间中送达概率最大的初始送达时间,并将送达概率最大的初始送达时间作为所述第二送达时间。
根据本公开的实施例的第四方面,提供了一种配送时间获取装置,包括:
目标订单信息获取模块,用于在接收到目标订单之后,获取所述目标订单关联的目标订单信息,及所述目标订单所处目标业务方的预设距离范围的目标配送人员的目标配送信息;
第三送达时间获取模块,用于获取为所述目标订单设置的多个第三送达时间;
目标送达概率获取模块,用于将所述目标订单信息、所述目标配送信息和所述多个第三送达时间输入至目标时间概率分布模型,并获取由所述目标时间概率分布模型输出的所述多个第三送达时间对应的目标送达概率;
目标配送时间筛选模块,用于根据所述目标送达概率,从所述多个第三送达时间中筛选得到所述目标订单对应的目标配送时间。
可选地,所述目标配送时间筛选模块包括:
第四送达时间获取单元,用于获取所述多个第三送达时间中位于预设时间范围内的至少一个第四送达时间;
目标配送时间获取单元,用于根据所述目标送达概率,从所述至少一个第四送达时间中筛选出送达概率最大的送达时间,并将所述送达概率最大的送达时间作为所述目标配送时间。
根据本公开的实施例的第五方面,提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述的时间概率分布模型训练方法,或者上述任一项所述的配送时间获取方法。
根据本公开的实施例的第六方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项所述的时间概率分布模型训练方法,或者上述任一项所述的配送时间获取方法。
本公开的实施例提供了一种时间概率分布模型训练方法、配送时间获取方法及装置,通过获取训练样本,训练样本是由历史配送订单的订单信息,及与历史配送订单关联的配送人员的配送人员信息形成的,训练样本对应于一个第一送达时间,获取为训练样本设置的多个初始送达时间,将训练样本和多个初始送达时间输入至初始时间概率分布模型,并获取由初始时间概率分布模型输出的多个初始送达时间对应的送达概率,根据送达概率,确定多个初始送达时间中的第二送达时间,在第二送达时间与第一送达时间相匹配的情况下,将训练后的初始时间概率分布模型作为目标时间概率分布模型。本公开的实施例通过在建模过程中精细刻画给定不同ETA情况下送达时间的概率分布,从而可以精细刻画送达时间偏差,能够提高预估配送时间的准确度,在提高了用户和配送人员体验的同时,提高了系统的整体效率。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的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公开的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开的实施例提供的一种时间概率分布模型训练方法的步骤流程图;
图2为本公开的实施例提供的一种配送时间获取方法的步骤流程图;
图3为本公开的实施例提供的一种时间概率分布模型训练装置的结构示意图;
图4为本公开的实施例提供的一种配送时间获取装置的结构示意图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的实施例一部分实施例,而不是全部的实施例。基于本公开的实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开的实施例保护的范围。
实施例一
参照图1,示出了本公开的实施例提供的一种时间概率分布模型训练方法的步骤流程图,如图1所示,该时间概率分布模型训练方法具体可以包括如下步骤:
步骤101:获取训练样本;所述训练样本是由历史配送订单的订单信息,及与所述历史配送订单关联的配送人员的配送人员信息形成的,所述训练样本对应于一个第一送达时间。
本公开的实施例可以应用于结合配送订单关联的订单信息和配送订单关联的配送人员信息进行时间概率分布模型训练的场景中。
在本实施例中,训练样本是由历史配送订单的订单信息和与历史配送订单关联的配送人员的配送人员信息所形成的,其中,订单信息可以包括订单基础信息和历史配送订单关联的业务方信息,配送人员信息可以为在距离业务方预设距离范围内的配送人员的配送人员信息等。对于获取训练样本的过程,可以结合下述具体实现方式进行详细描述。
在本公开的一种具体实现方式中,上述步骤101可以包括:
子步骤A1:获取所述历史配送订单的订单基础信息,及所述历史配送订单关联的业务方的业务方信息,并将所述订单基础信息和所述业务方信息作为所述订单信息。
在本实施例中,订单基础信息可以包括下单时间(即下单的时刻,如上午1:30等)、下单时间所处时段(如上午、中午等时段)、配送距离(即订单所处商家与下单用户之间的距离)、订单价格(即历史配送订单的总价钱)和收单人位置信息(即下单用户在何处收单)等信息。
业务方信息是指历史配送订单所处业务方(如商家等)的相关信息,具体可以包括业务方位置信息和出单时间信息等。
在需要获取训练样本时,可以从历史订单平台获取历史配送订单(即配送成功的订单),然后结合历史配送订单和历史配送订单关联的业务方,获取历史配送订单的订单基础信息,和业务方关联的业务方信息,并将订单基础信息和业务方信息作为历史配送订单的订单信息。
子步骤A2:获取距离所述业务方的业务方位置在预设距离范围内的配送人员的配送人员信息。
配送人员信息是指配送历史订单的人员(即配送人员)关联的信息和距离业务方在预设距离范围内的配送人员关联的信息。
在本示例中,配送人员信息可以包括配送人员的位置信息、配送人员持有订单的配送信息(持有订单的配送顺序信息、配送距离信息等)、配送准时信息(即配送人员历史准时情况信息)和配送能力信息(即配送人员配送订单的能力)等信息。
可以理解地,训练样本的数量可以为800个、1000个等,具体地,可以根据业务需求而定,本实施例对此不加以限制。且每个训练样本对应于一个历史配送订单。
第一送达时间是指历史配送订单的实际送达时间,即历史配送订单实际送达的时刻,如历史配送订单为订单A,订单A从下单到下单人员接单总共花费30min,此时,第一送达时间即为30min等。
可以理解地,上述示例仅是为了更好地理解本公开的实施例提供的技术方案而列举的示例,不作为对本实施例的唯一限制。
在获取训练样本之后,执行步骤102。
步骤102:获取为所述训练样本设置的多个初始送达时间。
初始送达时间是指由业务人员预先为每个训练样本分配的送达时间,在本实施例中,可以由业务人员从1~90min内选择若干个时间作为初始送达时间,如从1~10min内选择8min,11~20min内选择15min,...,80~90min内选择87min等,以作为初始送达时间等。
可以理解地,上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例,不作为对本实施例的唯一限制。
在获取到训练样本之后,可以由业务人员为每个训练样本分配多个初始送达时间。
本公开的实施例通过给定运单送达时间(即初始送达时间),预估给定ETA情况下运单送达时间的概率分布,在ETA值融入模型之中,能够刻画配送时间偏差,实现指向性优化ETA偏差的目的。
在获取到为训练样本设置的多个初始送达时间之后,执行步骤103。
步骤103:将所述训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率。
初始时间概率分布模型是指还未进行训练的时间概率分布模型。
送达概率是指由初始时间概率分布模型输出的每个初始送达时间所对应的概率,即在每个初始送达时间下,将历史配送订单配送至下单用户手中的概率。
在获取到训练样本及训练样本对应的多个初始送达时间之后,可以将训练样本和多个初始送达时间输入至初始时间概率分布模型,以由初始时间概率分布模型输出多个初始送达时间对应的送达概率,具体地,该过程可以结合下述具体实现方式进行详细描述。
在本公开的另一种具体实现方式中,上述步骤103可以包括:
子步骤B1:将所述训练样本和所述多个初始送达时间输入至所述初始时间概率分布模型。
在本实施例中,在获取训练样本和训练样本对应的多个初始送达时间之后,可以将训练样本和多个初始送达时间输入至初始时间概率分布模型,进而,执行子步骤B2。
子步骤B2:基于所述初始时间概率分布模型,确定所述订单信息对应的订单编码向量,及所述配送人员信息对应的配送人员编码向量。
订单编码向量是指对训练样本中的订单信息进行编码所生成的向量。
配送人员编码向量是指对训练样本中的配送人员信息进行编码生成的向量。
在将训练样本输入至初始时间概率分布模型之后,可以由初始时间概率分布模型对订单信息和配送人员信息分别进行编码,以得到订单编码向量和配送人员编码向量,具体地,在对配送人员进行特征编码的过程中,将配送人员的特征信息与配送人员身上的m(m为大于等于1的正整数)个配送中的运单信息进行融合。配送人员身上运单间的相关性决定了配送人员配送这些运单的取送顺序和时间信息,使用Self-Attention编码对运单进行融合和相关性刻画,这样就得到了每一个配送人员的向量表示,刻画配送人员及其身上配送中运单的特性。
在获取到订单编码向量和配送人员编码向量之后,执行子步骤B3。
子步骤B3:基于所述初始时间概率分布模型根据所述订单编码向量和所述配送人员编码向量,预测得到所述多个初始送达时间对应的送达概率。
在获取到订单编码向量和配送人员编码向量之后,可以基于初始时间概率分布模型根据订单编码向量和配送人员编码向量,预测得到多个初始送达时间对应的送达概率,具体地,为了刻画当前运单与相关配送人员之间的相关性,将当前运单的向量编码与配送人员的向量表示进行Attention操作,用以评估当前运单由各个配送人员配送的可能性,这样可以更加精确刻画运单的配送情况。所有的融合信息经过处理后使用softmax函数进行激活,进而得到ETA取值为30-90分钟的情况下,运单的送达时间为1-90分钟的概率值。
本公开的实施例通过引入预估时刻的实时基础信息(即待预估订单,及处于预设范围内的配送人员关联的信息(如配送人员携带的订单和各订单的取送顺序和时间等信息)),采用Attention机制自动进行信息的融合刻画,能够更好地预估运单的配送情况,提高ETA预估的准确性。
在获取到由初始时间概率分布模型输出的多个初始送达时间对应的送达概率之后,执行步骤104。
步骤104:根据所述送达概率,确定所述多个初始送达时间中的第二送达时间。
第二送达时间是指从多个初始送达时间中筛选的满足送达概率预测的时间。
在获取到由初始时间概率分布模型输出的多个初始送达时间对应的送达概率之后,可以根据送达概率确定出多个初始送达时间中的第二送达时间,具体地,可以结合下述具体实现方式进行详细描述。
在本公开的另一种具体实现方式中,上述步骤104具体可以包括:
子步骤C1:根据所述多个初始送达时间和所述第一送达时间的时间差值,获取时间差值位于预设时间范围内的至少一个初始送达时间。
在本实施例中,预设时间范围是指由业务人员预先设置的用于根据给定送达时间和实际送达时间的时间差值筛选给定送达时间的范围,对于预设时间范围的具体数值可以根据业务需求而定,本实施例对此不加以限制。
在本示例中,首先可以计算多个初始送达时间和第一送达时间的时间差值,然后,结合时间差值,从多个初始送达时间中筛选出时间差值位于预设时间范围内的至少一个初始送达时间。
在获取到时间差值位于预设范围内的至少一个初始送达时间之后,执行子步骤C3。
子步骤C2:获取所述至少一个初始送达时间中送达概率最大的初始送达时间,并将送达概率最大的初始送达时间作为所述第二送达时间。
在获取到时间差值位于预设范围内的至少一个初始送达时间之后,可以从至少一个初始送达时间中送达概率最大的初始送达时间,并将送达概率最大的初始送达时间作为第二送达时间。
在本实施例中,结合了目标优化函数进行配送时间的筛选,通过修改目标函数来兼容ETA未来的优化目标,保证了整个方案的可扩展性,该目标优化函数可以如下述公式(1)所示:
上述公式(1)中,F为送达时间累计概率分布(CDF),此优化目标希望送达时间偏差落到区间[a,b]偏差给的时间和实际时间内,同时ETA值不能太大,兼顾业务人员预先设定的准时率参数。在决策过程中,选择J(x)最大的x值作为ETA。其中λ和η为超参数,用以衡量各个目标的权重。可以通过修改目标函数来兼容ETA未来的优化目标,保证了整个方案的可扩展性。
在本公开的实施例中,通过结合目标函数和送达时间概率分布,以ETA优化目标为导向进行ETA决策,实现指向性优化预估配送时间的偏差,并兼顾业务人员设定的准时率参数进行ETA预估,能够精细刻画配送时间偏差,提高ETA预估的准确性。
在获取到第二送达时间之后,执行步骤105。
步骤105:在所述第二送达时间与所述第一送达时间相匹配的情况下,将训练后的所述初始时间概率分布模型作为目标时间概率分布模型。
在获取到第二送达时间之后,可以判断第二送达时间和第一送达时间是否匹配。
若第二送达时间和第一送达时间相匹配,则将训练后的初始时间概率分布模型作为目标时间概率分布模型,例如,业务人员预先设定的准时率参数为8min(即预估送达时间与第一送达时间偏差不超过8min),在第二送达时间与第一送达时间相差不超过8min时,可以判定第二送达时间和第一送达时间匹配。
本公开实施例在建模过程中精细刻画给定不同ETA情况下送达时间的概率分布,从而可以精细刻画送达时间偏差,能够提高预估配送时间的准确度。
本公开的实施例提供的时间概率分布模型训练方法,通过获取训练样本,训练样本是由历史配送订单的订单信息,及与历史配送订单关联的配送人员的配送人员信息形成的,训练样本对应于一个第一送达时间,获取为训练样本设置的多个初始送达时间,将训练样本和多个初始送达时间输入至初始时间概率分布模型,并获取由初始时间概率分布模型输出的多个初始送达时间对应的送达概率,根据送达概率,确定多个初始送达时间中的第二送达时间,在第二送达时间与第一送达时间相匹配的情况下,将训练后的初始时间概率分布模型作为目标时间概率分布模型。本公开的实施例通过在建模过程中精细刻画给定不同ETA情况下送达时间的概率分布,从而可以精细刻画送达时间偏差,能够提高预估配送时间的准确度,在提高了用户和配送人员体验的同时,提高了系统的整体效率。
实施例二
参照图2,示出了本公开的实施例提供的一种配送时间获取方法的步骤流程图,如图2所示,该配送时间获取方法具体可以包括如下步骤:
步骤201:在接收到目标订单之后,获取所述目标订单关联的目标订单信息,及所述目标订单所处目标业务方的预设距离范围的目标配送人员的目标配送信息。
本公开的实施例可以应用于对接收的目标订单分配配送时间的场景中。
目标订单是指当前接收的需要预估配送时间的订单,在本示例中,目标订单可以为点餐订单、购药订单等,具体地,可以根据实际情况而定,本实施例对此不加以限制。
目标订单信息是指与目标订单关联的订单信息,其中,目标订单信息可以包括目标订单的订单基础信息和与目标订单关联的业务方的业务方信息。
目标业务方是指与目标订单关联的业务方。
目标配送信息是指位于目标业务方的预设距离范围内的目标配送人员的信息,其中,目标配送信息可以包括目标配送人员持有订单的配送信息、目标配送人员的位置信息等。
对于目标订单信息和目标配送信息的具体获取过程可以如上述步骤101所示,本实施例在此不再加以赘述。
在接收到目标订单之后,可以获取目标订单关联的目标订单信息,及目标订单所处目标业务方的预设距离范围内的目标配送人员的目标配送信息,进而执行步骤202。
步骤202:获取为所述目标订单设置的多个第三送达时间。
第三送达时间是指由业务人员为目标订单设置的送达时间。
在接收到目标订单之后,可以由业务人员为目标订单分配多个送达时间,即第三送达时间。
在获取到为目标订单设置的多个第三送达时间之后,执行步骤203。
步骤203:将所述目标订单信息、所述目标配送信息和所述多个第三送达时间输入至目标时间概率分布模型,并获取由所述目标时间概率分布模型输出的所述多个第三送达时间对应的目标送达概率。
目标送达概率是指由目标时间概率分布模型输出的第三送达时间对应的送达概率。
在获取到目标订单信息、目标配送信息及多个第三送达时间之后,可以将目标订单信息、目标配送信息和多个第三送达时间输入至目标时间概率分布模型,并获取由目标时间概率分布模型输出的多个第三送达时间对应的目标送达概率,具体地实现方式可以如上述实施例一中步骤103的描述,本实施例在此不再加以赘述。
在获取到多个第三送达时间对应的目标送达概率之后,执行步骤204。
步骤204:根据所述目标送达概率,从所述多个第三送达时间中筛选得到所述目标订单对应的目标配送时间。
目标配送时间是指需要为目标订单分配的送达时间。
在获取到多个第三送达时间对应的目标送达概率之后,可以根据目标送达概率从多个第三送达时间中筛选出目标订单所对应的目标配送时间,具体地,可以结合下述具体实现方式进行详细描述。
在本公开的另一种具体实现方式中,上述步骤204可以包括:
子步骤D1:获取所述多个第三送达时间中位于预设时间范围内的至少一个第四送达时间。
在本实施例中,第四送达时间是指从多个第三送达时间中筛选出的位于预设时间范围内的送达时间。
在本示例中,可以从多个第三送达时间中筛选出位于预设时间范围内的至少一个第四送达时间,进而执行子步骤D2。
子步骤D2:根据所述目标送达概率,从所述至少一个第四送达时间中筛选出送达概率最大的送达时间,并将所述送达概率最大的送达时间作为所述目标配送时间。
在筛选出第四送达时间之后,可以根据目标送达概率,从至少一个第四送达时间中筛选出送达概率最大的送达时间,并将送达概率最大的送达时间作为目标订单的目标配送时间。
在本实施例中,在尾部场景中,运单送达时间的不确定性很高,当前ETA架构通过规则性补时来保证准时率。本方案中送达时间概率分布预估模型给出更多信息刻画其不确定性,可以更好地处理尾部场景的决策。在每个尾部场景,可以搜索确定相对应的置信分位点以及各个决策参数,充分利用模型预估结果,减少规则性补时的使用,更加准确灵活。
本公开的实施例提供的配送时间获取方法,通过在接收到目标订单之后,获取目标订单关联的目标订单信息,及目标订单所处目标业务方的预设距离范围的目标配送人员的目标配送信息,获取为目标订单设置的多个第三送达时间,将目标订单信息、目标配送信息和多个第三送达时间输入至目标时间概率分布模型,并获取由目标时间概率分布模型输出的多个第三送达时间对应的目标送达概率,根据目标送达概率,从多个第三送达时间中筛选得到目标订单对应的目标配送时间。本公开的实施例通过在建模过程中精细刻画给定不同ETA情况下送达时间的概率分布,从而可以精细刻画送达时间偏差,能够提高预估配送时间的准确度,在提高了用户和配送人员体验的同时,提高了系统的整体效率。
实施例三
参照图3,示出了本公开的实施例提供的一种时间概率分布模型训练装置的结构示意图,如图3所示,该时间概率分布模型训练装置具体可以包括如下模块:
训练样本获取模块310,用于获取训练样本;所述训练样本是由历史配送订单的订单信息,及与所述历史配送订单关联的配送人员的配送人员信息形成的,所述训练样本对应于一个第一送达时间;
初始时间获取模块320,用于获取为所述训练样本设置的多个初始送达时间;
送达概率获取模块330,用于将所述训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率;
第二时间确定模块340,用于根据所述送达概率,确定所述多个初始送达时间中的第二送达时间;
目标模型获取模块350,用于在所述第二送达时间与所述第一送达时间相匹配的情况下,将训练后的所述初始时间概率分布模型作为目标时间概率分布模型。
可选地,所述训练样本获取模块310包括:
订单信息获取单元,用于获取所述历史配送订单的订单基础信息,及所述历史配送订单关联的业务方的业务方信息,并将所述订单基础信息和所述业务方信息作为所述订单信息;
配送人员信息获取单元,用于获取距离所述业务方的业务方位置在预设距离范围内的配送人员的配送人员信息;
其中,所述订单基础信息包括下单时间、所述下单时间所处时段、配送距离、订单价格和收单人位置信息;所述业务方信息包括业务方位置信息和出单时间信息;所述配送人员信息包括配送人员的位置信息、配送人员持有订单的配送信息、配送准时信息和配送能力信息。
可选地,所述送达概率获取模块330包括:
训练样本输入单元,用于将所述训练样本和所述多个初始送达时间输入至所述初始时间概率分布模型;
编码向量确定单元,用于基于所述初始时间概率分布模型,确定所述订单信息对应的订单编码向量,及所述配送人员信息对应的配送人员编码向量;
送达概率预测单元,用于基于所述初始时间概率分布模型根据所述订单编码向量和所述配送人员编码向量,预测得到所述多个初始送达时间对应的送达概率。
可选地,所述第二时间确定模块340包括:
第一时间获取单元,用于根据所述多个初始送达时间和所述第一送达时间的时间差值,获取时间差值位于第一预设时间范围内的至少一个初始送达时间;
第二时间获取单元,用于获取所述至少一个初始送达时间中送达概率最大的初始送达时间,并将送达概率最大的初始送达时间作为所述第二送达时间。
本公开的实施例提供的时间概率分布模型训练装置,通过获取训练样本,训练样本是由历史配送订单的订单信息,及与历史配送订单关联的配送人员的配送人员信息形成的,训练样本对应于一个第一送达时间,获取为训练样本设置的多个初始送达时间,将训练样本和多个初始送达时间输入至初始时间概率分布模型,并获取由初始时间概率分布模型输出的多个初始送达时间对应的送达概率,根据送达概率,确定多个初始送达时间中的第二送达时间,在第二送达时间与第一送达时间相匹配的情况下,将训练后的初始时间概率分布模型作为目标时间概率分布模型。本公开的实施例通过在建模过程中精细刻画给定不同ETA情况下送达时间的概率分布,从而可以精细刻画送达时间偏差,能够提高预估配送时间的准确度,在提高了用户和配送人员体验的同时,提高了系统的整体效率。
实施例四
参照图4,示出了本公开的实施例提供的一种配送时间获取装置的结构示意图,如图4所示,该配送时间获取方法具体可以包括如下模块:
目标订单信息获取模块410,用于在接收到目标订单之后,获取所述目标订单关联的目标订单信息,及所述目标订单所处目标业务方的预设距离范围的目标配送人员的目标配送信息;
第三送达时间获取模块420,用于获取为所述目标订单设置的多个第三送达时间;
目标送达概率获取模块430,用于将所述目标订单信息、所述目标配送信息和所述多个第三送达时间输入至目标时间概率分布模型,并获取由所述目标时间概率分布模型输出的所述多个第三送达时间对应的目标送达概率;
目标配送时间筛选模块440,用于根据所述目标送达概率,从所述多个第三送达时间中筛选得到所述目标订单对应的目标配送时间。
可选地,所述目标配送时间筛选模块440包括:
第四送达时间获取单元,用于获取所述多个第三送达时间中位于预设时间范围内的至少一个第四送达时间;
目标配送时间获取单元,用于根据所述目标送达概率,从所述至少一个第四送达时间中筛选出送达概率最大的送达时间,并将所述送达概率最大的送达时间作为所述目标配送时间。
本公开的实施例提供的配送时间获取装置,通过在接收到目标订单之后,获取目标订单关联的目标订单信息,及目标订单所处目标业务方的预设距离范围的目标配送人员的目标配送信息,获取为目标订单设置的多个第三送达时间,将目标订单信息、目标配送信息和多个第三送达时间输入至目标时间概率分布模型,并获取由目标时间概率分布模型输出的多个第三送达时间对应的目标送达概率,根据目标送达概率,从多个第三送达时间中筛选得到目标订单对应的目标配送时间。本公开的实施例通过在建模过程中精细刻画给定不同ETA情况下送达时间的概率分布,从而可以精细刻画送达时间偏差,能够提高预估配送时间的准确度,在提高了用户和配送人员体验的同时,提高了系统的整体效率。
本公开的实施例还提供了一种电子设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述实施例的时间概率分布模型训练方法,或者前述实施例的配送时间获取方法。
本公开的实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的时间概率分布模型训练方法,或者前述实施例的配送时间获取方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种时间概率分布模型训练方法,其特征在于,包括:
获取训练样本;所述训练样本是由历史配送订单的订单信息,及与所述历史配送订单关联的配送人员的配送人员信息形成的,所述训练样本对应于一个第一送达时间;
获取为所述训练样本设置的多个初始送达时间;
将所述训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率;
根据所述送达概率,确定所述多个初始送达时间中的第二送达时间;
在所述第二送达时间与所述第一送达时间相匹配的情况下,将训练后的所述初始时间概率分布模型作为目标时间概率分布模型。
2.根据权利要求1所述的方法,其特征在于,所述获取训练样本,包括:
获取所述历史配送订单的订单基础信息,及所述历史配送订单关联的业务方的业务方信息,并将所述订单基础信息和所述业务方信息作为所述订单信息;
获取距离所述业务方的业务方位置在预设距离范围内的配送人员的配送人员信息;
其中,所述订单基础信息包括下单时间、所述下单时间所处时段、配送距离、订单价格和收单人位置信息;所述业务方信息包括业务方位置信息和出单时间信息;所述配送人员信息包括配送人员的位置信息、配送人员持有订单的配送信息、配送准时信息和配送能力信息。
3.根据权利要求1所述的方法,其特征在于,所述将所述训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率,包括:
将所述训练样本和所述多个初始送达时间输入至所述初始时间概率分布模型;
基于所述初始时间概率分布模型,确定所述订单信息对应的订单编码向量,及所述配送人员信息对应的配送人员编码向量;
基于所述初始时间概率分布模型根据所述订单编码向量和所述配送人员编码向量,预测得到所述多个初始送达时间对应的送达概率。
4.根据权利要求1所述的方法,其特征在于,所述根据所述送达概率,确定所述多个初始送达时间中的第二送达时间,包括:
根据所述多个初始送达时间和所述第一送达时间的时间差值,获取时间差值位于预设时间范围内的至少一个初始送达时间;
获取所述至少一个初始送达时间中送达概率最大的初始送达时间,并将送达概率最大的初始送达时间作为所述第二送达时间。
5.一种配送时间获取方法,其特征在于,包括:
在接收到目标订单之后,获取所述目标订单关联的目标订单信息,及所述目标订单所处目标业务方的预设距离范围的目标配送人员的目标配送信息;
获取为所述目标订单设置的多个第三送达时间;
将所述目标订单信息、所述目标配送信息和所述多个第三送达时间输入至目标时间概率分布模型,并获取由所述目标时间概率分布模型输出的所述多个第三送达时间对应的目标送达概率;
根据所述目标送达概率,从所述多个第三送达时间中筛选得到所述目标订单对应的目标配送时间;
其中,所述目标时间概率分布模型是通过权利要求1至4任一项所述的时间概率分布模型训练方法训练得到的。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标送达概率,从所述多个第三送达时间中筛选得到所述目标订单对应的目标配送时间,包括:
获取所述多个第三送达时间中位于预设时间范围内的至少一个第四送达时间;
根据所述目标送达概率,从所述至少一个第四送达时间中筛选出送达概率最大的送达时间,并将所述送达概率最大的送达时间作为所述目标配送时间。
7.一种时间概率分布模型训练装置,其特征在于,包括:
训练样本获取模块,用于获取训练样本;所述训练样本是由历史配送订单的订单信息,及与所述历史配送订单关联的配送人员的配送人员信息形成的,所述训练样本对应于一个第一送达时间;
初始时间获取模块,用于获取为所述训练样本设置的多个初始送达时间;
送达概率获取模块,用于将所述训练样本和所述多个初始送达时间输入至初始时间概率分布模型,并获取由所述初始时间概率分布模型输出的所述多个初始送达时间对应的送达概率;
第二时间确定模块,用于根据所述送达概率,确定所述多个初始送达时间中的第二送达时间;
目标模型获取模块,用于在所述第二送达时间与所述第一送达时间相匹配的情况下,将训练后的所述初始时间概率分布模型作为目标时间概率分布模型。
8.一种配送时间获取装置,其特征在于,包括:
目标订单信息获取模块,用于在接收到目标订单之后,获取所述目标订单关联的目标订单信息,及所述目标订单所处目标业务方的预设距离范围的目标配送人员的目标配送信息;
第三送达时间获取模块,用于获取为所述目标订单设置的多个第三送达时间;
目标送达概率获取模块,用于将所述目标订单信息、所述目标配送信息和所述多个第三送达时间输入至目标时间概率分布模型,并获取由所述目标时间概率分布模型输出的所述多个第三送达时间对应的目标送达概率;
目标配送时间筛选模块,用于根据所述目标送达概率,从所述多个第三送达时间中筛选得到所述目标订单对应的目标配送时间;
其中,所述目标时间概率分布模型是通过权利要求7所述的时间概率分布模型训练装置训练得到的。
9.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至4中任一项所述的时间概率分布模型训练方法,或者权利要求5至6任一项所述的配送时间获取方法。
10.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如方法权利要求1至4任一项所述的时间概率分布模型训练方法,或者权利要求5至6任一项所述的配送时间获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011569073.4A CN114692479A (zh) | 2020-12-25 | 2020-12-25 | 时间概率分布模型训练方法、配送时间获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011569073.4A CN114692479A (zh) | 2020-12-25 | 2020-12-25 | 时间概率分布模型训练方法、配送时间获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692479A true CN114692479A (zh) | 2022-07-01 |
Family
ID=82129510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011569073.4A Pending CN114692479A (zh) | 2020-12-25 | 2020-12-25 | 时间概率分布模型训练方法、配送时间获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692479A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345716A (zh) * | 2022-10-17 | 2022-11-15 | 北京永辉科技有限公司 | 订单履约时长的预估方法、系统、介质及电子设备 |
-
2020
- 2020-12-25 CN CN202011569073.4A patent/CN114692479A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345716A (zh) * | 2022-10-17 | 2022-11-15 | 北京永辉科技有限公司 | 订单履约时长的预估方法、系统、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414731B (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
CN109815980A (zh) | 用户类型的预测方法、装置、电子设备及可读存储介质 | |
CN105335875A (zh) | 购买力预测方法和装置 | |
CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
CN107909234A (zh) | 工作流数据的时限提醒方法、处理方法及其装置、设备 | |
CN111178537B (zh) | 一种特征提取模型训练方法及设备 | |
CN110489630A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN111881158A (zh) | 一种管理报表数据处理方法、装置、计算机系统及可读存储介质 | |
CN110147514B (zh) | 一种资源展示方法、装置及其设备 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN114416313A (zh) | 基于资源预测模型的任务调度方法和装置 | |
CN112184304A (zh) | 一种辅助决策的方法、系统、服务器和存储介质 | |
CN114692479A (zh) | 时间概率分布模型训练方法、配送时间获取方法及装置 | |
CN110222955A (zh) | 风险管控方法、装置、计算机设备和存储介质 | |
US11314881B2 (en) | Predictive update of profile database with update logic | |
CN115689245A (zh) | 一种用于确定不同场景下骑手的背单量的方法及装置 | |
CN112073454B (zh) | 资源分发方法、装置、电子设备 | |
CN115796984A (zh) | 物品推荐模型的训练方法、存储介质及相关设备 | |
JP6204923B2 (ja) | アセスメント装置、アセスメントシステム、アセスメント方法、及びプログラム | |
US8688488B2 (en) | Method and apparatus for the prediction of order turnaround time in an information verification system | |
CN110278524B (zh) | 用户位置确定方法、图模型生成方法、装置及服务器 | |
CN112954066A (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
CN111080393A (zh) | 一种交易撮合方法及装置 | |
CN112163932A (zh) | 恶意占座订单的识别方法、装置及电子设备 | |
CN113537853A (zh) | 订单分配方法、订单分配装置、可读存储介质及电子设备 |
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 |