CN115481961A - 一种预测配送资源到达商户时间的方法及装置 - Google Patents
一种预测配送资源到达商户时间的方法及装置 Download PDFInfo
- Publication number
- CN115481961A CN115481961A CN202211296016.2A CN202211296016A CN115481961A CN 115481961 A CN115481961 A CN 115481961A CN 202211296016 A CN202211296016 A CN 202211296016A CN 115481961 A CN115481961 A CN 115481961A
- Authority
- CN
- China
- Prior art keywords
- merchant
- position vector
- target
- information
- map structure
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (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预测配送资源到达商户时间的方法及装置,在上述方法中,确定配送资源待领取的第一待配送对象以及第一待配送对象对应的第一商户信息,然后,获取配送资源在已经领取的第二待配送对象对应的第二商户信息。通过商户目标位置向量模型获取第一商户对应的第一商户目标位置向量,以及第二商户对应的第二商户目标位置向量。此处根据商户在多层图谱结构中每层图谱结构对应的初始位置向量,经过计算得到的商户目标位置向量,其中,多层图谱结构包括近距离无线节点数据层图谱结构和配送资源的历史行为数据层图谱结构。通过上述多层图谱结构提升了商户目标位置向量的准确度,也提升了配送资源到达商户所处位置的预测准确率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种预测配送资源到达商户时间的方法。本申请还涉及一种预测配送资源到达商户时间的装置、电子设备及计算机存储介质。本申请还涉及一种预测商户目标位置的方法、装置、电子设备及计算机存储介质。本申请还涉及一种构建多层图谱结构的方法、装置、电子设备及计算机存储介质。本申请还涉及一种预测配送资源到达目标商户的方法、装置、电子设备及计算机存储介质。本申请还涉及一种商户目标位置向量模型的训练方法、装置、电子设备及计算机存储介质。
背景技术
线上服务平台对用户的生活提供了很多便利,用户在线上服务平台购物商品、点餐等。
现有技术中,用户在线上外卖平台订购餐品,商家根据订单制作餐品,配送资源到达商家领取餐品,并将该餐品配送至用户指定的配送地址。在上述环节中,经常存在餐品配送至用户处存在配送超时的问题,然而,导致配送超时的原因方并不明确,因此,如何预测配送资源到达商户的时间是需要解决的问题。
发明内容
本申请实施例提供一种预测配送资源到达商户时间的方法,以预测配送资源到达商户的时间是需要解决的问题。本申请实施例还提供一种预测配送资源到达商户时间的装置、电子设备及计算机存储介质。本申请还涉及一种预测商户目标位置的方法、装置、电子设备及计算机存储介质。本申请还涉及一种构建多层图谱结构的方法、装置、电子设备及计算机存储介质。本申请实施例还提供一种预测配送资源到达目标商户的方法、装置、电子设备及计算机存储介质。本申请实施例还提供一种商户目标位置向量模型的训练方法、装置、电子设备及计算机存储介质。
本申请实施例提供一种预测配送资源到达商户时间的方法,包括:获取配送资源待领取的第一待配送对象所属的第一商户信息;将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,其中,所述商户目标位置向量模型用于根据第一商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第一商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;获取所述配送资源已领取的第二待配送对象所属的第二商户信息,获取所述第二商户信息对应的第二商户目标位置向量;将所述第二商户目标位置向量和所述第一商户目标位置向量作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。
可选的,所述将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,包括:根据所述第一商户信息,获取所述第一商户信息对应的第一商户在近距离无线节点数据层图谱结构中的第一初始位置向量,获取所述第一商户信息对应的第一商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量;计算所述第一初始位置向量与所述第二初始位置向量之间的第一损失值;根据所述第一初始位置向量、所述第二初始位置向量、以及所述第一损失值,获取所述第一商户目标位置向量。
可选的,所述根据所述第一初始位置向量、所述第二初始位置向量、以及所述第一损失值,按照预设的计算方法获取所述第一商户目标位置向量,包括:根据所述第一初始位置向量和所述第一损失值,获得第一商户在近距离无线节点数据层图谱结构中的第一调整后位置向量;根据所述第二初始位置向量和所述第一损失值,获得第一商户在配送资源的历史行为数据层图谱结构中的第二调整后位置向量;根据所述第一调整后位置向量和所述第二调整后位置向量,获取所述第一商户目标位置向量。
可选的,所述多层图谱结构还包括无线局域网数据层图谱结构;所述将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,包括:根据所述第一商户信息,获取所述第一商户信息对应的第一商户在近距离无线节点数据层图谱结构中的第一初始位置向量,获取所述第一商户信息对应的第一商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量,获取所述第一商户信息对应的第一商户在所述无线局域网数据层图谱结构中的第三初始位置向量;计算所述第一初始位置向量、所述第二初始位置向量、以及所述第三初始位置向量之间的第二损失值;根据所述第一初始位置向量、所述第二初始位置向量、所述第三初始位置向量、以及所述第二损失值,获取所述第一商户目标位置向量。
可选的,所述根据所述第一初始位置向量、所述第二初始位置向量、所述第三初始位置向量、以及所述第二损失值,获取所述第一商户目标位置向量,包括:根据所述第一初始位置向量和所述第二损失值,获得第一商户在近距离无线节点数据层图谱结构中的第三调整后位置向量;根据所述第二初始位置向量和所述第二损失值,获得第一商户在配送资源的历史行为数据层图谱结构中的第四调整后位置向量;根据所述第三初始位置向量和所述第二损失值,获得第一商户在配送资源的历史行为数据层图谱结构中的第五调整后位置向量;根据所述第三调整后位置向量、所述第四调整后位置向量、以及所述第五调整后位置向量,获取所述第一商户目标位置向量。
可选的,所述获取配送资源待领取的第一待配送对象所属的第一商户信息,包括:获取配送资源所使用的配送资源终端发送的用于提示配送资源触发第一待配送对象的领取操作的第一提示消息;基于所述第一提示消息,根据所述第一待配送对象信息,获取第一待配送对象所属的第一商户信息。
可选的,所述获取所述配送资源已领取的第二待配送对象所属的第二商户信息,包括:基于所述第一提示消息,查询所述配送资源在预设时间范围内已领取的第二待配送对象;根据所述第二待配送对象,确定所述第二待配送对象对应的第二商户信息。
可选的,所述获取所述第二商户信息对应的第二商户目标位置向量,包括:将所述第二商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的第二商户信息对应的第二商户目标位置向量,所述商户目标位置向量模型用于根据所述第二商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第二目标商户位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。
可选的,所述将所述第二商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的第二商户信息对应的第二商户目标位置向量,包括:根据所述第二商户信息,获取所述第二商户信息对应的第二商户在近距离无线节点数据层图谱结构中的第四初始位置向量,获取所述第二商户信息对应的第二商户在所述配送资源的历史行为数据层图谱结构中的第五初始位置向量;计算所述第四初始位置向量与所述第五初始位置向量之间的第三损失值;根据所述第四初始位置向量、所述第五初始位置向量、以及所述第三损失值,按照预设的计算方法获取所述第二商户目标位置向量。
可选的,还包括:确定所述配送资源在当前时刻距离所述第一商户所处位置的剩余时长信息;如果所述剩余时长信息小于第一时长信息阈值,则确定所述配送资源已经到达所述第一商户所处的位置;向所述第一商户终端发送用于表示所述配送资源在当前时刻已经到达所述第一商户所处位置的第一通知消息。
可选的,所述确定所述配送资源在当前时刻距离所述第一商户所处位置的剩余时长信息,包括:检测到所述配送资源在当前时刻接收到第三商户发出的第三无线信号,根据所述第三无线信号,获取所述第三商户对应的第三商户信息,其中,所述第三商户为所述配送资源到达所述第一商户所处位置的过程中经过的至少一个商户;将所述第三商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第三商户信息对应的第三商户目标位置向量;根据所述第一商户目标位置向量和所述第三商户目标位置向量,确定所述配送资源在当前时刻距离所述第一商户所处位置的剩余时长信息。
本申请实施例还提供一种预测商户目标位置的方法,包括:获取用于表征商户属性的商户信息;将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量;其中,所述商户目标位置向量模型用于根据所述商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得所述商户目标位置向量,所述多层图谱结构包括近距离无线节点层图谱结构以及配送资源的历史行为数据层图谱结构。
可选的,还包括:获得配送资源所使用的配送资源终端发送的用于请求获取待配送对象所处位置的第一请求消息;根据所述第一请求消息,获取所述待配送对象所属的商户信息,所述商户信息包括所述待配送对象所属商户的商户标识信息以及商户的待配送对象配送信息;所述将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量,包括:将所述商户标识信息以及商户的待配送对象配送信息作为输入数据,输入到商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量,所述商户目标位置向量为用于表示配送资源领取待配送对象的位置向量。
可选的,还包括:获得用户终端发送的用于请求到达所述商户的商户目标位置信息的第二请求消息;根据所述第二请求消息,获取用于表征用户所处位置的第一用户位置向量;根据所述第一用户位置向量与所述商户目标位置向量,确定所述用户到达所述商户目标位置向量的第一路径规划信息,其中,所述商户目标位置向量为所述商户的门口位置向量。
本申请实施例还提供一种构建多层图谱结构的方法,包括:根据目标商户的近距离无线节点信号,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的近距离无线节点数据层图谱结构;根据所述目标商户搜索的无线局域网数据信息,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的无线局域网数据层图谱结构;获取配送资源在第一预设时段内的历史行为数据,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的配送资源的历史行为数据层图谱结构;根据所述近距离无线节点数据层图谱结构、所述无线局域网数据层图谱结构、以及所述配送资源的历史行为数据层图谱结构,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的多层图谱结构。
可选的,所述多层图谱结构包括用于表征所述目标商户与其他商户之间的连接关系以及用于表征所述目标商户与其他商户之间的连接关系对应的权重值;所述方法还包括:将多个用于表征所述目标商户与其他商户之间的连接关系的权重值进行排序;根据所述权重值的排序顺序,确定目标权重值,将所述目标权重值对应的目标商户与其他商户作为向用户推荐的商户。
本申请实施例还提供一种商户目标位置向量模型的训练方法,包括:构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;将所述近距离无线节点数据层图谱结构输入商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述近距离无线节点数据层图谱结构中的第一初始位置向量;将所述配送资源的历史行为数据层图谱结构输入所述商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量;计算目标商户的第一初始位置向量、以及目标商户的第二初始位置向量之间的第一损失值;以所述第一损失值为依据,对所述商户初始位置向量模型进行训练,获得商户目标位置向量模型,所述商户目标位置向量模型用于获取所述目标商户在目标区域内的商户目标位置向量。
可选的,所述构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,包括:根据所述配送资源接收到的商户发出的无线信号,构建近距离无线节点数据层图谱结构;根据所述配送资源从第一商户所处位置到达第二商户所处位置的时长信息,构建所述配送资源的历史行为数据层图谱结构。
可选的,所述根据所述配送资源接收到的商户发出的无线信号,构建近距离无线节点数据层图谱结构,包括:获取所述配送资源在第一预设时间段内接收到的多个无线信号组,所述无线信号组是指配送资源在第二预设时间段内分别接收到两个商户的无线信号;计算每个无线信号组在所述多个无线信号组中的第一权重值;根据所述每个无线信号组对应的第一权重值,确定所述每个无线信号组中的两个商户对应的第一连接关系;根据每个无线信号组中的两个商户对应的第一连接关系,构建近距离无线节点数据层图谱结构。
可选的,所述无线信号组通过如下方法获得:获取所述配送资源在第二预设时间段内接收到第一商户的第一无线信号以及第二商户的第二无线信号;将所述配送资源在第二预设时间段内接收到所述第一无线信号以及所述第二无线信号作为所述配送资源在第二预设时间段内接收到的第一无线信号组。
可选的,所述根据所述每个无线信号组对应的第一权重值,确定所述每个无线信号组中的两个商户对应的第一连接关系,包括:根据每个无线信号组对应的第一权重值,确定所述每个无线信号组中两个商户之间的第一连接距离关系,所述第一权重值与所述第一连接距离关系具有负相关的关系。
可选的,所述根据所述配送资源从第一商户所处位置到达第二商户所处位置的时长信息,构建所述配送资源的历史行为数据层图谱结构,包括:获取所述配送资源从所述第一商户所处位置到达所述第二商户所处位置的时长信息,将所述配送资源从所述第一商户所处位置到达所述第二商户所处位置的过程作为所述配送资源的第一行为数据组;根据所述时长信息,获取所述配送资源的第一行为数据组对应的第二权重值;根据所述第一行为数据组对应的第二权重值,构建所述配送资源的历史行为数据层图谱结构。
可选的,所述根据所述第一行为数据组对应的第二权重值,构建所述配送资源的历史行为数据层图谱结构,包括:根据所述第二权重值,确定所述第一行为数据组中所述第一商户与所述第二商户之间的第二连接距离关系,所述第二权重值与所述第二连接距离关系具有正相关的关系;根据所述第一商户与所述第二商户之间的第二连接距离关系,构建所述配送资源的历史行为数据层图谱结构。
可选的,所述以所述第一损失值为依据,对所述商户初始位置向量模型进行训练,获得商户目标位置向量模型,包括:根据所述第一损失值,对训练中的商户初始位置向量模型中的参数进行调整。
可选的,所述方法还包括:如果所述第一损失值小于第一预设损失值阈值,则停止对所述商户初始位置向量模型进行训练;或者,如果所述第一损失值大于所述第一预设损失值阈值、且多次获得的第一损失值之间的差值小于第一预设差值阈值,则停止对所述商户初始位置向量模型进行训练。
可选的,所述多层图谱结构还包括无线局域网数据层图谱结构;所述方法还包括:将所述无线局域网数据层图谱结构输入所述商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述无线局域网数据层图谱结构中的第三初始位置向量;计算所述目标商户的第一初始位置向量、所述目标商户的第二初始位置向量、以及所述目标商户的第三初始位置向量之间的第二损失值;以所述第二损失值为依据,对所述商户初始位置向量模型进行训练,获得所述商户目标位置向量模型。
可选的,所述构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,包括:根据所述配送资源接收到的商户发出的无线信号,构建近距离无线节点数据层图谱结构;根据所述配送资源从第一商户所处位置到达第二商户所处位置的时长信息,构建所述配送资源的历史行为数据层图谱结构;根据所述目标商户搜索到的无线局域网数据信息,构建无线局域网数据层图谱结构。
可选的,所述根据所述目标商户搜索到的无线局域网数据信息,构建无线局域网数据层图谱结构,包括:获取所述目标商户搜索的无线局域网数据信息列表,所述无线局域网数据信息列表包括多个其他商户的无线局域网数据信息;根据所述无线局域网数据信息列表中接收到其他商户的无线局域网信号强度值,确定所述目标商户与其他商户之间的第三连接距离关系;根据所述目标商户与其他商户之间的第三连接距离关系,构建无线局域网数据层图谱结构。
本申请实施例还提供一种预测配送资源到达目标商户的方法,包括:获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息;将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,其中,所述商户目标位置向量模型用于根据第四商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第四商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;获取所述配送资源待领取的第五待配送对象所属的第五商户信息,获取所述第五商户信息对应的第五商户目标位置向量;将所述第四商户目标位置向量和所述第五商户目标位置向量,作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息;如果所述第二预测时长信息满足预设的时长审核条件,则确定所述第五商户为所述配送资源离开所述第四商户后、需要到达的目标商户。
可选的,所述第五商户信息包括至少一个第五候选商户信息;所述方法还包括:针对至少一个第五候选商户信息中的每一个第五候选商户信息,获取所述配送资源从所述第四商户所处位置到达所述第五候选商户所处位置的第二候选预测时长信息;所述第二预测时长信息满足预设的时长审核条件,包括:将多个第二候选预测时长信息按照时长从小到大的排序规则进行排序,获取第二目标预测时长信息,其中,所述第二目标预测时长信息小于所述多个第二候选预测时长信息中的其它第二候选预测时长信息。
可选的,所述将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,包括:根据所述第四商户信息,获取所述第四商户信息对应的第四商户在近距离无线节点数据层图谱结构中的第六初始位置向量,获取所述第四商户信息对应的第四商户在所述配送资源的历史行为数据层图谱结构中的第七初始位置向量;计算所述第六初始位置向量与所述第七初始位置向量之间的第四损失值;根据所述第六初始位置向量、所述第七初始位置向量、以及所述第四损失值,按照预设的计算方法获取所述第四商户目标位置向量。
可选的,所述获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息,包括:获得所述第四商户所使用的第四商户终端发送的用于表示所述配送资源在当前时刻已经成功领取所述第四待配送对象的第三提示消息;基于所述第三提示消息,获取所述配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息。
可选的,所述获取所述第五商户信息对应的第五商户目标位置向量,包括:将所述第五商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的与所述第五商户信息对应的第五商户目标位置向量;其中,所述商户目标位置向量模型用于根据所述第五商户信息,在预先存储的商户信息与商户目标位置向量之间的对应关系表中,查询与所述第五商户信息对应的第五商户目标位置向量,所述第五商户目标位置向量是根据第五商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得的第五商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。
本申请实施例还提供一种预测配送资源到达商户时间的装置,包括:第一获取单元,用于获取配送资源待领取的第一待配送对象所属的第一商户信息;第一商户目标位置向量获取单元,用于将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,其中,所述商户目标位置向量模型用于根据第一商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第一商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;第二商户目标位置向量获取单元,用于获取所述配送资源已领取的第二待配送对象所属的第二商户信息,获取所述第二商户信息对应的第二商户目标位置向量;第一预测时长信息获得单元,用于将所述第二商户目标位置向量和所述第一商户目标位置向量作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。
本申请实施例还提供一种预测商户目标位置的装置,包括:第二获取单元,用于获取用于表征商户属性的商户信息;第三获取单元,用于将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量;其中,所述商户目标位置向量模型用于根据所述商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得所述商户目标位置向量,所述多层图谱结构包括近距离无线节点层图谱结构以及配送资源的历史行为数据层图谱结构。
本申请实施例还提供一种构建多层图谱结构的装置,包括:第一构建单元,用于根据目标商户的近距离无线节点信号,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的近距离无线节点数据层图谱结构;第二构建单元,用于根据所述目标商户搜索的无线局域网数据信息,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的无线局域网数据层图谱结构;第三构建单元,用于获取配送资源在第一预设时段内的历史行为数据,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的配送资源的历史行为数据层图谱结构;第四构建单元,用于根据所述近距离无线节点数据层图谱结构、所述无线局域网数据层图谱结构、以及所述配送资源的历史行为数据层图谱结构,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的多层图谱结构。
本申请实施例还提供一种商户目标位置向量模型的训练装置,包括:第五构建单元,用于构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;第一初始位置向量获得单元,用于将所述近距离无线节点数据层图谱结构输入商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述近距离无线节点数据层图谱结构中的第一初始位置向量;第二初始位置向量获得单元,用于将所述配送资源的历史行为数据层图谱结构输入所述商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量;计算单元,用于计算目标商户的第一初始位置向量、以及目标商户的第二初始位置向量之间的第一损失值;训练单元,用于以所述第一损失值为依据,对所述商户初始位置向量模型进行训练,获得商户目标位置向量模型,所述商户目标位置向量模型用于获取所述目标商户在目标区域内的商户目标位置向量。
本申请实施例还提供一种预测配送资源到达目标商户的装置,包括:第四获取单元用于获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息;第四商户目标位置向量获取单元,用于将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,其中,所述商户目标位置向量模型用于根据第四商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第四商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;第五商户目标位置向量获取单元,用于获取所述配送资源待领取的第五待配送对象所属的第五商户信息,获取所述第五商户信息对应的第五商户目标位置向量;第二预测时长信息获取单元,用于将所述第四商户目标位置向量和所述第五商户目标位置向量,作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息;审核单元,用于如果所述第二预测时长信息满足预设的时长审核条件,则确定所述第五商户为所述配送资源在下一时刻需要到达的目标商户,所述第二预测时长信息为所述配送资源从所述第四商户所处位置到达第五商户所处位置的目标时长信息。
本申请实施例还提供一种电子设备,所述电子设备包括处理器和存储器;所述存储器中存储有计算机程序,所述处理器运行所述计算机程序后,执行上述方法。
本申请实施例还提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被所述处理器运行后,执行上述方法。
与现有技术相比,本申请实施例具有如下优点:
本申请实施例提供一种预测配送资源到达商户时间的方法,包括:获取配送资源待领取的第一待配送对象所属的第一商户信息;将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,其中,所述商户目标位置向量模型用于根据第一商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第一商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;获取所述配送资源已领取的第二待配送对象所属的第二商户信息,获取所述第二商户信息对应的第二商户目标位置向量;将所述第二商户目标位置向量和所述第一商户目标位置向量作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。
上述方法中,确定配送资源待领取的第一待配送对象以及第一待配送对象对应的第一商户信息,然后,获取配送资源在准备领取第一待配送对象之前,已经领取的第二待配送对象对应的第二商户信息。通过商户目标位置向量模型获取第一商户对应的第一商户目标位置向量,以及第二商户对应的第二商户目标位置向量。此处商户目标位置向量模型获取商户目标位置向量的过程中,是根据商户在多层图谱结构中每层图谱结构对应的初始位置向量,经过计算得到的商户目标位置向量,其中,多层图谱结构包括近距离无线节点数据层图谱结构和配送资源的历史行为数据层图谱结构。通过上述多层图谱结构提升了商户目标位置向量的准确度,也提升了配送资源到达商户所处位置的预测准确率。在此基础上,通过时长预测网络模型获取第一商户目标位置向量到第二商户目标位置向量之间的第一预测时长信息,提升了预测配送资源到达目标商户的时间信息。
本申请实施例还提供一种预测商户目标位置的方法,包括:获取用于表征商户属性的商户信息;将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量;其中,所述商户目标位置向量模型用于根据所述商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得所述商户目标位置向量,所述多层图谱结构包括近距离无线节点层图谱结构以及配送资源的历史行为数据层图谱结构。
上述方法中,根据商户信息,采用商户目标位置向量模型确定商户信息对应的商户目标位置向量,因为确定商户目标位置向量时,商户目标位置向量模型是根据商户在近距离无线节点层图谱结构中对应的初始位置向量,以及商户在配送资源的历史行为数据层图谱结构中对应的初始位置向量,确定商户的目标位置向量。也就是说,确定商户目标位置向量参考了商户的近距离无线节点信号以及历史行为数据,其提升了确定商户目标位置的准确率。
本申请实施例提供一种构建多层图谱结构的方法,包括:根据目标商户的近距离无线节点信号,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的近距离无线节点数据层图谱结构;根据所述目标商户搜索的无线局域网数据信息,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的无线局域网数据层图谱结构;获取配送资源在第一预设时段内的历史行为数据,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的配送资源的历史行为数据层图谱结构;根据所述近距离无线节点数据层图谱结构、所述无线局域网数据层图谱结构、以及所述配送资源的历史行为数据层图谱结构,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的多层图谱结构。
上述方法,通过多维度构建用于表示目标商户与其他商户之间连接关系的多层图谱结构,根据该多层图谱结构中商户之间的连接关系,确定目标商户的被选择率,提升目标区域内目标商户的被选择率。
本申请实施例还提供一种预测配送资源到达目标商户的方法,包括:获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息;将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,其中,所述商户目标位置向量模型用于根据第四商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第四商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;获取所述配送资源待领取的第五待配送对象所属的第五商户信息,获取所述第五商户信息对应的第五商户目标位置向量;将所述第四商户目标位置向量和所述第五商户目标位置向量,作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息;如果所述第二预测时长信息满足预设的时长审核条件,则确定所述第五商户为所述配送资源离开所述第四商户后、需要到达的目标商户。
上述方法,配送资源已领取第四待配送对象后,服务端获得配送资源对第四待配送对象领取结束的信息后,可以为配送资源确定在领取第四待配送对象后,需要领取的待配送对象。具体是通过商户目标位置向量模型确定第四商户的位置信息后,并确定配送资源待领取的多个待配送对象对应的商户的位置信息,计算第四商户所处位置与第五商户所处位置之间的距离信息,然后确定配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息。将第二预测时长信息进行判断后,确定配送资源在领取第四待配送对象后、需要到达的目标商户。上述方法可以为配送资源优先匹配目标商户,从目标商户处领取目标待配送对象,提升配送资源领取待配送对象的效率。
附图说明
图1为本申请实施例提供的配送对象在目标区域内领取待配送对象的应用场景图。
图2为本申请实施例提供的预测配送资源到达目标商户所需时间的应用场景图。
图3为本申请实施例提供的通过模型预测配送资源从第二商户所处位置到达第一商户所处位置的时间信息的应用场景图。
图4为本申请实施例中商户目标位置向量模型的训练方法的应用场景图。
图5为本申请实施例提供的多层图谱结构的应用场景图。
图6为本申请第一实施例中提供的一种预测配送资源到达商户时间的方法的流程图。
图7为本申请第二实施例中提供的一种预测商户目标位置的方法的流程图。
图8为本申请第三实施例中提供的一种构建多层图谱结构的方法的流程图。
图9为本申请第四实施例中提供的一种商户目标位置向量模型的训练方法的流程图。
图10为本申请第五实施例中提供的一种预测配送资源到达目标商户的方法的流程图。
图11为本申请第六实施例的一种预测配送资源到达商户时间的装置的示意图。
图12为本申请第七实施例的一种预测商户目标位置的装置的示意图。
图13为本申请第八实施例的一种构建多层图谱结构的装置的示意图。
图14为本申请第九实施例的一种商户目标位置向量模型的训练装置的示意图。
图15为本申请第九实施例的一种预测配送资源到达目标商户的装置的示意图
图16为本申请第十一实施例中提供的一种电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请中使用的术语是仅仅出于对特定实施例描述的目的,而非旨在限制本申请。在本申请中和所附权利要求书中所使用的描述方式例如:“一种”、“第一”、和“第二”等,并非对数量上的限定或先后顺序上的限定,而是用来将同一类型的信息彼此区分。
本申请实施例首先提供一种预测配送资源到达商户时间的方法、装置、电子设备及计算机存储介质。本申请还涉及一种预测商户目标位置的方法、装置、电子设备及计算机存储介质。本申请还涉及一种构建多层图谱结构的方法、装置、电子设备及计算机存储介质。本申请实施例还提供一种预测配送资源到达目标商户的方法、装置、电子设备及计算机存储介质。本申请实施例还提供一种商户目标位置向量模型的训练方法、装置、电子设备及计算机存储介质。
以下为具体实施例。
为了更清楚的介绍本申请提供的预测配送资源到达商户时间的方法,先介绍一下本申请提供的预测配送资源到达商户时间的方法的应用场景。
本申请提供的预测配送资源到达商户时间的方法,可以应用于配送资源在商场内部环境中,到商家领取待配送对象的场景,待配送对象包括待配送商品,待配送餐品,等等。现有技术中,在商场内部环境中,用户或者配送资源通过无线局域网信号定位的方式确定配送资源在商场内部的具体商户位置信息,但是,当商场内部的无线局域网信号较弱的情况下,通过无线局域网信号确定的配送资源当前所处位置存在与实际位置之间的差异性较大的情况。
由此,配送资源将外卖餐品配送至用户目的地时存在配送超时的情况,且无法确定导致配送超时的原因是配送资源未及时到达商户的店铺还是商户未及时出餐。
此外,针对于配送资源是否及时到达商户的店铺,实际操作过程中,配送资源经常在未达到商户店铺时已经点击了已到达商户的触发指令,或者,配送资源已经在商户处领取完餐品进入配送餐品阶段后,手动点击已到达商户的触发指令,服务端对此操作无法准确判断操作合法性。
为了解决上述问题,本申请实施例提供了预测配送资源到达商户时间的方法,提升预测配送资源到达商户时间的准确性。以下进行详细阐述。
请参考图1,其为本申请实施例提供的配送对象在目标区域内领取待配送对象的应用场景图。
以配送资源进入目标商场内部领取多个商户的待配送对象为例进行介绍。在配送高峰期时段,配送资源配送餐品的时效性尤为重要,因此,提升配送资源在配送餐品时的各个配送阶段的效率对提升配送餐品的整体链路的效率具有关键作用。
大型美食城包括多个商户,在配送高峰期时段,一个配送资源在目标时长内需要在多个商户处领取待配送餐品,为了节省配送资源到商户领取餐品的时间,本申请实施例通过预测配送资源到达商户时间的方法,首先确定配送资源待领取餐品对应的第一商户的第一商户目标位置信息,然后获取配送资源当前领取完餐品对应的第二商户的第二商户目标位置信息,根据确定的两个商户之间的目标位置信息,确定配送资源到达待领取餐品所属的商户位置处的第一预测时长信息。
例如,在图1中,配送资源端101对应的使用者需要在10分钟内领取完商户1,商户2,商户3以及商户4的待领取餐品,为了提升配送资源领取待配送餐品的效率,对配送资源到达商户所处位置的时间信息的确定是至关重要的。
如图1所示,每个商户将待领取餐品放置于商户门口的取餐处,配送资源从商户门口取餐处取餐所需要的时长信息,比去商户里面的柜台取餐所需的时长信息短,可以提升配送资源领取待配送餐品的效率。
因此,为了提升配送资源领取待配送商品的效率,本申请实施例中首先确定待领取商户所属商户的商户目标位置向量为商户门口的取餐处,由此计算出配送资源到达商户门口的取餐处所需的时长信息,此种方法第一是提升了获取商户目标位置信息的准确率,第二是节省了配送资源到达商户领取待配送餐品的时长信息。
此外,请参考图2,其为本申请实施例提供的预测配送资源到达目标商户所需时间的应用场景图。
S201:配送资源终端101向服务端102发送领取第一待配送对象的通知信息。S202:获取第一待配送运单所属的第一商户信息。
服务端根据步骤S201中获取到的通知消息,获取第一待配送运单的第一商户信息,第一商户信息包括第一商户的商户名称信息,等等。
此处,获取第一商户信息后,使用商户目标位置向量模型获取第一商户信息对应的第一商户目标位置向量。此处,商户目标位置向量模型是根据第一商户在多层图谱结构中每层图谱结构对应的初始位置向量,进行处理后获得的第一商户目标位置向量。其中,多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。此处以两层图谱结构中商户节点的位置向量确定商户的目标位置向量。例外,多层图谱结构还可以包括三层图谱结构,分别为近距离无线节点数据层图谱结构、无线局域网数据层图谱结构以及配送资源的历史行为数据层图谱结构。
S203:获取配送资源已领取的第二待配送对象所属的第二商户信息。
服务端获取配送资源在当前时刻最后领取的待配送对象,作为第二待配送对象,获取第二待配送对象所处的第二商户信息。例如图1中,骑手准备去商户1门口的取餐处领取餐品,发现此时骑手刚在商户2处领取完毕商户2的餐品。
此处获取配送资源当前已领取的第二待配送对象,此处表示的是配送资源当前时刻之前最后一次领取的第二待配送对象,根据第二待配送对象确定配送资源所处的位置信息。
S204:获取配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。上述步骤获取到第一商户目标位置向量,第二商户目标位置向量之后,根据时长预测模型,获得配送资源从第二商户到达第一商户所需要的第一预测时长信息。
例如,配送资源在当前时刻计划前往第一商户A的店铺领取第一待配送对象对应的餐品,此时,查询到配送资源此时从第二商户B处完成第二待配送对象中的餐品的领取操作。因此,通过计算配送资源从第二商户B所处位置到达第一商户A所处位置的预测时长信息,以确定配送资源到达第一商户A的时间信息。此过程中,为了提升获取配送资源到达第一商户A的时间信息,本申请首先通过商户目标位置向量模型提升获取配送资源当前所处的商户位置信息的准确性,基于此,提升获取配送资源到达目标商户所处位置的时间信息的准确性。
S205:向商户端发送配送资源在第一预测时长信息后到达第一商户处领取第一待配送对象。S206:在第二时长信息后,向商户端发送配送资源即将到达第一商户处,请尽快为配送资源提供第一待配送对象,第一预测时间信息与第二时长信息之间的时长差值小于预设时长差值。
在配送资源前往第一商户所处位置时,根据配送资源接收到的路途上的其他商户发出的近距离无线信号(例如,蓝牙信号),无线局域网信号获取第三商户的信息,根据接收到的第三商户的信息确定配送资源所处的位置,然后,获取第三商户目标位置向量。
如果检测到第三商户所处位置到达第一商户所处位置的时长信息小于第一预设时长信息,则说明配送资源已经到达第一商户附近,可以确定配送资源已经到达第一商户,完成到店阶段任务。
S207:在第二时长信息后,向配送资源终端发送提示信息,用于提示您已经进入第一商户所在范围,等待取餐。
此处向配送资源端发送提示信息,提示配送资源已经到达第一商户所处位置,避免配送资源到店后再手动触发到店操作,对于图1所示的配送资源在短时间内领取多个相邻商家的餐品的情况,节省配送资源在到店取餐环节的操作时间,提升配送资源到店领取餐品的效率。
请参考图3,其为本申请实施例提供的通过模型预测配送资源从第二商户所处位置到达第一商户所处位置的时间信息的应用场景图。
在图3中,商户目标位置向量模型的输入数据301为第一商户信息,或者第二商户信息。商户目标位置向量的输出数据302为第一商户信息对应的第一商户目标位置向量,或者第二商户信息对应的第二商户目标位置向量。
时长预测网络模型的输入数据为商户目标位置向量的输出数据302,也就是第一商户目标位置向量和第二商户目标位置向量共同作为输入数据,时长预测网络模型的输出数据303为第一预测时长信息,其是指配送资源从第二商户所处位置到达第一商户所处位置的时间信息。
此处为了提升确定配送资源到达第一商户的预测时长信息的准确性,本申请实施例中首先通过商户目标位置向量模型获取第一商户目标位置向量以及第二商户目标位置向量,提升获取商户位置信息的准确性。
其中,商户目标位置向量模型用于根据商户在多层图谱结构中每层图谱结构中的初始位置向量,获得商户的目标位置向量,其中,多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。也就是说,商户目标位置向量模型根据第一商户信息确定第一商户目标位置向量是参考了第一商户的无线信号,以及配送资源从其他商户到达第一商户的历史行为数据,以此提升获取的第一商户目标位置向量的准确性。
具体的,商户目标位置向量模型通过如下方法获取第一商户信息对应的第一商户目标位置向量。请参考图4,其为本申请实施例中商户目标位置向量模型的训练方法的应用场景图。
首先,在近距离无线节点数据层图谱结构中获得第一商户的第一初始位置向量,在配送资源的历史行为数据层图谱结构中获得第一商户的第二初始位置向量,按照预设的计算方法计算第一初始位置向量和第二初始位置向量之间的第一损失值。根据第一初始位置向量和第一损失值,得到第一商户在近距离无线节点数据层图谱结构中调整后的第一调整后位置向量。根据第二初始位置向量和第一损失值,得到第一商户在配送资源的历史行为数据层图谱结构中调整后的第二调整后位置向量。根据第一调整后位置向量和第二调整后位置向量,得到第一商户目标位置向量。
其中,商户目标位置向量模型是由商户初始位置向量模型经过训练后获得的,以下描述商户目标位置向量模型的训练方法,请参考图4,其为本申请实施例提供的商户目标位置向量模型的训练方法的应用场景图。
第一步,构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,所述多层图谱结构包括近距离无线节点数据层图谱结构和配送资源的历史行为数据层图谱结构。
第二步,将近距离无线节点数据层图谱结构输入商户初始位置向量模型,获得商户初始位置向量模型输出的目标商户在近距离无线节点数据层图谱结构中的第一初始位置向量;将配送资源的历史行为数据层图谱结构输入商户初始位置向量模型,获得商户初始位置向量模型输出的目标商户在配送资源的历史行为数据层图谱结构中的第二初始位置向量。
第三步,计算第一初始位置向量和第二初始位置向量之间的第一损失值。
第四步,以第一损失值为依据,对商户初始位置向量模型进行训练,获得商户目标位置向量模型,所述商户目标位置向量模型用于获取目标商户在多层图谱结构中的商户目标位置向量。
以下分别进行论述:
第一步中构建的多层图谱结构,如图4中的两层图谱结构,以及图5中的三层图谱结构。请参考图5,其为本申请实施例提供的多层图谱结构的应用场景图。图5的三层图谱结构包括近距离无线节点数据层图谱结构,无线局域网数据层图谱结构,以及配送资源的历史行为数据层图谱结构。
(1)近距离无线节点数据层图谱结构501的构建方法如下,例如,配送资源在2s内同时接收到商户A和商户B的无线信号,其表示商户A和商户B为相邻商户的关系,将上述过程称为配送资源接收到的第一无线信号组。
然后,对商户A和商户B为相邻商户的关系进行验证:
获取在目标时长内配送接收到第一无线信号组的无线信号的次数(例如,1个月内收集到第一无线信号组的次数)。根据收集到的第一无线信号组的次数确定第一无线信号组在多个信号组中的第一权重值。如果所述第一无线信号组对应的第一权重值大于第一预设权重值,表示对商户A和商户B为相邻商户的关系的验证成功。
相应地,获取多组两个商户之间的连接关系以及该连接关系对应的第一权重值。例如,第一无线信号组为商户A和商户B之间的无线信号,第二无线信号组为商户A和商户C之间的无线信号,第三无线信号组为商户B和商户D之间的无线信号,第四无线信号组为商户C和商户D之间的无线信号。
根据每一组无线信号组对应的第一权重值,确定该无线信号组中的两个商户相邻的第一连接距离关系,其中,所述第一权重值与所述第一连接距离关系呈负相关的关系。例如,如果第一无线信号组的第一权重值大于第二无线信号组的第一权重值,则商户A和商户B之间的连接距离小于商户A和商户C之间的第一连接距离。
(2)无线局域网数据层图谱结构502的构建方法如下,例如,服务端获取商户A的无线局域网数据列表,商户A的无线局域网数据列表中包括与商户A所处位置的距离信息小于预设距离阈值的多个商户的无线局域网信息。
根据商户A的无线局域网列表中每个无线局域网信号的信号强度,确定商户A与每个无线局域网信号对应的商户之间的距离关系,所述信号强度与所述距离关系呈正相关。
(3)配送资源的历史行为数据层图谱结构403的构建方法如下,例如,获取配送资源从商户A至商户E所需要的时长数据,获取目标时长内配送资源从商户A到商户E的次数以及每次的时长数据,例如,1个月内配送资源从商户A到商户E的历史行为记录包括600次,获取600次中该历史行为数据的平均时长数据,将平均时长数据作为配送资源从商户A到商户E的目标时长数据。
获取多组配送资源从第一商户到第二商户的目标时长数据。
例如,配送资源的第一组行为数据为商户A到商户E,配送资源的第二组行为数据为商户A到商户C,配送资源的第三组行为数据为商户A到商户B,配送资源的第四组行为数据为商户B到商户D。
获取每组行为数据的目标时长数据在所有行为数据的目标时长数据之和中的第二权重值,根据每组行为数据的目标时长数据对应的第二权重值,确定每组行为数据对应的两个商户之间的第二连接距离关系,所述第二权重值与所述第二连接距离关系具有正相关的关系。
例如,如果第一组行为数据对应的第二权重值大于第二组行为数据对应的第二权重值,则说明商户A到商户E之间的距离关系大于商户A到商户C之间的距离关系。
以上即为第一步中构建多层图谱结构的详细阐述。
此外,第二步是分别获取每层图谱结构中每个商户节点的位置向量信息。
此处,采用商户初始位置向量模型对多层图谱结构进行位置向量信息的获取。
其中,商户初始位置向量模型采用多层图卷积(图卷积神经网络GraphConvolutional Networks(GCN))网络模型作为待训练的初始网络模型。
其对应的计算公式如下述公式(1):
其中,X为商户节点的特征信息,此处,商户节点的特征信息包括商户的基础信息,以及商户在对应的图谱结构中与其他商户节点的连接关系;
A为体现拓扑结构的矩阵;
D为A的度矩阵;
σ是非线性激活函数;
Wi是随机初始化的参数。
根据上述公式(1)计算多层图谱结构中商户节点的位置向量的方法如下:
将近距离无线节点数据层图谱结构输入商户初始位置向量模型,商户初始位置向量模型获取商户节点的基础信息,以及商户节点之间的连接关系,获得目标商户在近距离无线节点数据层图谱结构中的第一初始位置向量。如图4中401图谱结构中,此处将近距离无线节点数据层图谱结构作为第一层图谱结构。获得商户节点A的第一初始位置向量,商户节点B的第一初始位置向量,商户节点C的第一初始位置向量,商户节点D的第一初始位置向量,商户节点E的第一初始位置向量。
相应的,将配送资源的历史行为数据层图谱结构输入商户初始位置向量模型,商户初始位置向量模型根据商户节点的基础信息,以及配送资源的历史行为数据对应的两个商户之间的时长信息,获得目标商户在配送资源的历史行为数据层图谱结构中的第二初始位置向量。如图4中402图谱结构中,此处将配送资源的历史行为数据层图谱结构作为第二层图谱结构。获得商户节点A的第二初始位置向量,商户节点B的第二初始位置向量,商户节点C的第二初始位置向量,商户节点D的第二初始位置向量,商户节点E的第二初始位置向量。
第三步,针对同一个商户节点,计算该商户节点在不同数据层图谱结构中的向量之间的第一损失值,其中,第一损失值的计算方法按照如下公式(2)计算:
其中,上述公式中各部分的含义如下:
代表一个节点在两层图谱结构中的位置向量之间的第一损失值,例如,商户节点A的第一初始位置向量和第二初始位置向量之间的第一损失值。其中,ui可以表示商户节点A的第一初始位置向量,vi可以表示商户节点A的第二初始位置向量。
代表第一层图谱结构(如图3的301层)中商户节点A的第一初始位置向量和第二层图谱结构(如图3的302层)中商户节点A的第二初始位置向量之间的相似度值,此处第一层图谱结构中商户节点A的第一初始位置向量和第二层图谱结构中商户节点A的第二初始位置向量互为正样本。
代表第一层图谱结构(如图3的301层)中商户节点A的第一初始位置向量和第二层图谱结构(如图3的302层)中商户节点B的第二初始位置向量之间的相似度值,此处第一层图谱结构中商户节点A的第一初始位置向量和第二层图谱结构中商户节点B的第二初始位置向量互为负样本。
代表第一层图谱结构(如图3的301层)中商户节点A的第一初始位置向量和第一层图谱结构(如图3的301层)中商户节点B的第一初始位置向量之间的相似度值,此处第一层图谱结构中商户节点A的第一初始位置向量和第一层图谱结构中商户节点B的第一初始位置向量互为负样本。
因此,按照上述公式(2)计算得到商户节点A的第一初始位置向量和第二初始位置向量之间的第一损失值。
上述公式(2)中计算得到的第一损失值是以两层图谱结构为例,计算同一个商户节点在两层图谱结构中对应的位置向量之间的损失值。如果多层图谱结构为三层图谱结构时,则就是计算同一个商户节点在三层图谱结构分别对应的三个位置向量之间的损失值。
在获得上述第一损失值之后,以第一损失值为依据,对商户初始位置向量模型进行参数调整。其中,对商户初始位置向量模型进行参数调整,也就是,对公式(1)的参数Wi进行调整。
此处每一层图谱结构分别输入多层图卷积(GCN)网络模型,获得该层图谱结构中各个商户节点的位置向量。因此,对参数Wi进行调整时,每一层图谱结构对应一个调节后参数Wi。
对商户初始位置向量模型每进行一次参数调整,得到商户节点A在第一层图谱结构中的第一调整后位置向量,商户节点A在第二层图谱结构中的第二调整后位置向量,按照商户公式(2)计算商户节点A的第一调整后位置向量和第二调整后位置向量之间的第一损失值。
如果经过一次或者多次调整后,第一损失值小于第一预设损失值阈值,则停止对商户初始位置向量模型进行调整,得到商户目标位置向量模型。此时,商户目标位置向量模型对于第一层图谱结构对应设置了参数W1,对第二层图谱结构对应设置了参数W2。
此时,将第一层图谱结构输入商户目标位置向量模型,得到商户目标位置模型输出的第一层图谱结构中各个商户节点对应的第一调整后位置向量,例如图4中401,获取近距离无线节点数据层图谱结构中商户节点A的第一调整后位置向量,商户节点B的第一调整后位置向量,商户节点C的第一调整后位置向量,商户节点D的第一调整后位置向量,商户节点E的第一调整后位置向量。
将第二层图谱结构输入商户目标位置向量模型,得到商户目标位置向量模型输出的第二层图谱结构中各个商户节点对应的第二调整后位置向量,例如图4中402,获取配送资源的历史行为数据层图谱结构中商户节点A的第二调整后位置向量,商户节点B的第二调整后位置向量,商户节点C的第二调整后位置向量,商户节点D的第二调整后位置向量,商户节点E的第二调整后位置向量。
其中,商户节点A的第一调整后位置向量和第二调整后位置向量之间的第一损失值小于第一预设损失值。根据商户节点A的第一调整后位置向量和第二调整后位置向量,获取商户节点A的第一商户目标位置向量。
以上即为商户目标位置向量模型的训练方法的描述。
本申请实施例提供一种预测配送资源到达商户时间的方法,包括:获取配送资源待领取的第一待配送对象所属的第一商户信息;将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,其中,所述商户目标位置向量模型用于根据第一商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第一商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;获取所述配送资源已领取的第二待配送对象所属的第二商户信息,获取所述第二商户信息对应的第二商户目标位置向量;将所述第二商户目标位置向量和所述第一商户目标位置向量作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。
上述方法中,确定配送资源待领取的第一待配送对象以及第一待配送对象对应的第一商户信息,然后,获取配送资源在准备领取第一待配送对象之前,已经领取的第二待配送对象对应的第二商户信息。通过商户目标位置向量模型获取第一商户对应的第一商户目标位置向量,以及第二商户对应的第二商户目标位置向量。此处商户目标位置向量模型获取商户目标位置向量的过程中,是根据商户在多层图谱结构中每层图谱结构对应的初始位置向量,经过计算得到的商户目标位置向量,其中,多层图谱结构包括近距离无线节点数据层图谱结构和配送资源的历史行为数据层图谱结构。通过上述多层图谱结构提升了确定商户目标位置向量的准确度,也提升了配送资源到达商户所处位置的预测准确率。在此基础上,通过时长预测网络模型获取第一商户目标位置向量到第二商户目标位置向量之间的第一预测时长信息,提升了预测配送资源到达目标商户的时间信息。
第一实施例
本申请第一实施例中提供一种预测配送资源到达商户时间的方法,具体流程如图6所示,其为本申请第一实施例中提供的一种预测配送资源到达商户时间的方法的流程图。图6所示的预测配送资源到达商户时间,包括:步骤S601至步骤S604。
如图6所示,在步骤S601中,获取配送资源待领取的第一待配送对象所属的第一商户信息。
本步骤用于获取配送资源准备领取的第一待配送对象,以确定配送资源所要到达的第一商户的商户信息,从而在后续步骤中确定第一商户的位置向量。
其中,所述获取配送资源待领取的第一待配送对象所属的第一商户信息,可以包括:获取配送资源所使用的配送资源终端发送的用于提示配送资源触发第一待配送对象的领取操作的第一提示消息;基于所述第一提示消息,根据所述第一待配送对象信息,获取第一待配送对象所属的第一商户信息。
如图6所示,在步骤S602中,将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,其中,所述商户目标位置向量模型用于根据第一商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第一商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。
本步骤用于根据第一商户信息确定第一商户目标位置向量,其通过商户目标位置向量模型确定第一商户目标位置向量。商户目标位置向量模型是由商户初始位置向量经过训练后获得的,其具体的训练过程可以通过应用场景实施例中关于商户目标位置向量模型的训练方法获取。
其中,所述将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,包括:根据所述第一商户信息,获取所述第一商户信息对应的第一商户在近距离无线节点数据层图谱结构中的第一初始位置向量,获取所述第一商户信息对应的第一商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量;计算所述第一初始位置向量与所述第二初始位置向量之间的第一损失值;根据所述第一初始位置向量、所述第二初始位置向量、以及所述第一损失值,获取所述第一商户目标位置向量。
所述根据所述第一初始位置向量、所述第二初始位置向量、以及所述第一损失值,按照预设的计算方法获取所述第一商户目标位置向量,包括:
根据所述第一初始位置向量和所述第一损失值,获得第一商户在近距离无线节点数据层图谱结构中的第一调整后位置向量;根据所述第二初始位置向量和所述第一损失值,获得第一商户在配送资源的历史行为数据层图谱结构中的第二调整后位置向量;根据所述第一调整后位置向量和所述第二调整后位置向量,获取所述第一商户目标位置向量。
以上描述的是多层图谱结构为两层图谱结构时,确定第一商户的第一商户目标位置向量的方法。此外,多层图谱结构还可以是三层图谱结构,包括:近距离无线节点数据层图谱结构、无线局域网数据层图谱结构以及配送资源的历史行为数据层图谱结构。
所述将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,包括:根据所述第一商户信息,获取所述第一商户信息对应的第一商户在近距离无线节点数据层图谱结构中的第一初始位置向量,获取所述第一商户信息对应的第一商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量,获取所述第一商户信息对应的第一商户在所述无线局域网数据层图谱结构中的第三初始位置向量;计算所述第一初始位置向量、所述第二初始位置向量、以及所述第三初始位置向量之间的第二损失值;根据所述第一初始位置向量、所述第二初始位置向量、所述第三初始位置向量、以及所述第二损失值,获取所述第一商户目标位置向量。
所述根据所述第一初始位置向量、所述第二初始位置向量、所述第三初始位置向量、以及所述第二损失值,获取所述第一商户目标位置向量,包括:
根据所述第一初始位置向量和所述第二损失值,获得第一商户在近距离无线节点数据层图谱结构中的第三调整后位置向量;根据所述第二初始位置向量和所述第二损失值,获得第一商户在配送资源的历史行为数据层图谱结构中的第四调整后位置向量;根据所述第三初始位置向量和所述第二损失值,获得第一商户在配送资源的历史行为数据层图谱结构中的第五调整后位置向量;根据所述第三调整后位置向量、所述第四调整后位置向量、以及所述第五调整后位置向量,获取所述第一商户目标位置向量。
如图6所示,在步骤S603中,获取所述配送资源已领取的第二待配送对象所属的第二商户信息,获取所述第二商户信息对应的第二商户目标位置向量。
本步骤在基于步骤S601获取配送资源待领取第一待配送资源的消息后,为了计算配送资源到达第一商户所处位置的时间,需要获取配送资源当前所处位置的信息,其根据配送资源当前完成领取待配送对象任务的商户信息,确定第二商户的位置信息,第二商户的位置信息作为配送资源当前所处位置的信息。
基于上述步骤S601中,服务端获取第一提示信息后,获得配送资源待领取的第一待配送对象的信息。
基于所述第一提示消息,查询所述配送资源在预设时间范围内已领取的第二待配送对象;根据所述第二待配送对象,确定所述第二待配送对象对应的第二商户信息。
所述获取所述第二商户信息对应的第二商户目标位置向量,包括:将所述第二商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的第二商户信息对应的第二商户目标位置向量,所述商户目标位置向量模型用于根据所述第二商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第二目标商户位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。
所述将所述第二商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的第二商户信息对应的第二商户目标位置向量,包括:
根据所述第二商户信息,获取所述第二商户信息对应的第二商户在近距离无线节点数据层图谱结构中的第四初始位置向量,获取所述第二商户信息对应的第二商户在所述配送资源的历史行为数据层图谱结构中的第五初始位置向量;计算所述第四初始位置向量与所述第五初始位置向量之间的第三损失值;根据所述第四初始位置向量、所述第五初始位置向量、以及所述第三损失值,按照预设的计算方法获取所述第二商户目标位置向量。
如图6所示,在步骤S604中,将所述第二商户目标位置向量和所述第一商户目标位置向量作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。
本步骤用于获取配送资源从第二商户所处位置到达第一商户所处位置的预测时长信息。其中,时长预测网络模型可以是多层感知器(Multi-Layer Perception,MLP)神经网络模型,该模型的输入数据为第二商户目标位置向量和所述第一商户目标位置向量,输出数据为第一预测时长信息。
此外,所述方法还包括通过如下方法确定配送资源是否到达第一商户所处位置:确定所述配送资源在当前时刻距离所述第一商户所处位置的剩余时长信息;如果所述剩余时长信息小于第一时长信息阈值,则确定所述配送资源已经到达所述第一商户所处的位置;向所述第一商户终端发送用于表示所述配送资源在当前时刻已经到达所述第一商户所处位置的第二通知消息。
所述确定所述配送资源在当前时刻距离所述第一商户所处位置的剩余时长信息,包括:
检测到所述配送资源在当前时刻接收到第三商户发出的第三无线信号,根据所述第三无线信号,获取所述第三商户对应的第三商户信息,其中,所述第三商户为所述配送资源到达所述第一商户所处位置的过程中经过的至少一个商户;将所述第三商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第三商户信息对应的第三商户目标位置向量;根据所述第一商户目标位置向量和所述第三商户目标位置向量,确定所述配送资源在当前时刻距离所述第一商户所处位置的剩余时长信息。
本申请实施例提供一种预测配送资源到达商户时间的方法,包括:获取配送资源待领取的第一待配送对象所属的第一商户信息;将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,其中,所述商户目标位置向量模型用于根据第一商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第一商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;获取所述配送资源已领取的第二待配送对象所属的第二商户信息,获取所述第二商户信息对应的第二商户目标位置向量;将所述第二商户目标位置向量和所述第一商户目标位置向量作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。
上述方法中,确定配送资源待领取的第一待配送对象以及第一待配送对象对应的第一商户信息,然后,获取配送资源在准备领取第一待配送对象之前,已经领取的第二待配送对象对应的第二商户信息。通过商户目标位置向量模型获取第一商户对应的第一商户目标位置向量,以及第二商户对应的第二商户目标位置向量。此处商户目标位置向量模型获取商户目标位置向量的过程中,是根据商户在多层图谱结构中每层图谱结构对应的初始位置向量,经过计算得到的商户目标位置向量,其中,多层图谱结构包括近距离无线节点数据层图谱结构和配送资源的历史行为数据层图谱结构。通过上述多层图谱结构提升了商户目标位置向量的准确度,也提升了配送资源到达商户所处位置的预测准确率。在此基础上,通过时长预测网络模型获取第一商户目标位置向量到第二商户目标位置向量之间的第一预测时长信息,提升了预测配送资源到达目标商户的时间信息。
第二实施例
本申请第二实施例中提供一种预测商户目标位置的方法,具体流程如图7所示,其为本申请第二实施例中提供的一种预测商户目标位置的方法的流程图。图7所示的预测商户目标位置,包括:步骤S701至步骤S702。
如图7所示,在步骤S701中,获取用于表征商户属性的商户信息。
本步骤用于获取商户信息,以使得步骤根据商户信息确定商户的目标位置信息。此处,用户表征商户属性的商户信息包括商户的名称信息,商户所处的商场名称信息,或者商户所处区域的区域信息,还包括商户的无线局域网信息,近距离无线信号(例如,蓝牙信号),以及配送资源历史阶段到达目标商户的历史行为数据等等。
如图7所示,在步骤S702中,将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量,其中,所述商户目标位置向量模型用于根据所述商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得所述商户目标位置向量,所述多层图谱结构包括近距离无线节点层图谱结构以及配送资源的历史行为数据层图谱结构。
本步骤用于根据商户目标位置向量模型获取商户目标位置向量。其中,商户目标位置向量模型是由商户初始位置向量模型经过训练后获得的,其中,商户目标位置向量模型根据商户在多层图谱结构中每层图谱结构中对应的初始位置向量,获取商户目标位置向量。其中,多层图谱结构的构建方法,以及商户目标位置向量模型的训练方法可以参考应用场景实施例中对这两部分的详细描述。
此处通过获得训练后的商户目标位置向量模型为用户提供商户的目标位置信息,提升了获取商户位置信息的准确度。
此外,配送资源配送待配送对象的环节包括,配送资源到达商户领取待配送对象,配送资源领取待配送对象后向用户所处位置配送待配送对象。
其中,在配送资源到商户领取待配送对象的过程中,配送资源需要获取待配送对象的位置信息,为了提升确定待配送对象的位置信息的准确性,此处可以将待配送对象设置于商户门口的取餐处位置,有利于配送资源到达商户领取待配送对象。
所述方法还包括:获得配送资源所使用的配送资源终端发送的用于请求获取待配送对象所处位置的第一请求消息;根据所述第一请求消息,获取所述待配送对象所属的商户信息,所述商户信息包括所述待配送对象所属商户的商户标识信息以及商户的待配送对象配送信息;所述将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量,包括:将所述商户标识信息以及商户的待配送对象配送信息作为输入数据,输入到商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量,所述商户目标位置向量为用于表示配送资源领取待配送对象的位置向量。
此外,针对于用户在室内商场环境中寻找目标商户所在店铺时,也可以通过商户目标位置向量模型确定商户的目标位置,获取目标商户的目标位置后,为用户提供到达商户所处位置的引导路线,避免用户坐错或者多走路等等。
所述方法还包括:获得用户终端发送的用于请求到达所述商户的商户目标位置信息的第二请求消息;根据所述第二请求消息,获取用于表征用户所处位置的第一用户位置向量;根据所述第一用户位置向量与所述商户目标位置向量,确定所述用户到达所述商户目标位置向量的第一路径规划信息,其中,所述商户目标位置向量为所述商户的门口位置向量。
本申请实施例提供一种预测商户目标位置的方法,包括:获取用于表征商户属性的商户信息;将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量;其中,所述商户目标位置向量模型用于根据所述商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得所述商户目标位置向量,所述多层图谱结构包括近距离无线节点层图谱结构以及配送资源的历史行为数据层图谱结构。
上述方法中,根据商户信息,采用商户目标位置向量模型确定商户信息对应的商户目标位置向量,因为确定商户目标位置向量时,商户目标位置向量模型是根据商户在近距离无线节点层图谱结构中对应的初始位置向量,以及商户在配送资源的历史行为数据层图谱结构中对应的初始位置向量,确定商户的目标位置向量。也就是说,确定商户目标位置向量参考了商户的近距离无线节点信号以及历史行为数据,其提升了确定商户目标位置的准确率。
第三实施例
本申请第三实施例中提供一种构建多层图谱结构的方法,具体流程如图8所示,其为本申请第三实施例中提供的一种构建多层图谱结构的方法的流程图。图8所示的构建多层图谱结构,包括:步骤S801至步骤S804。
如图8所示,在步骤S801中,根据目标商户的近距离无线节点信号,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的近距离无线节点数据层图谱结构。本步骤关于近距离无线节点数据层图谱结构的构建方法可以参考应用场景实施例中的描述,此处不再赘述。如图8所示,在步骤S802中,根据所述目标商户搜索的无线局域网数据信息,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的无线局域网数据层图谱结构。本步骤关于无线局域网数据层图谱结构的构建方法可以参考应用场景实施例中的描述,此处不再赘述。如图8所示,在步骤S803中,获取配送资源在第一预设时段内的历史行为数据,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的的配送资源的历史行为数据层图谱结构。本步骤关于配送资源的历史行为数据层图谱结构的构建方法可以参考应用场景实施例中的描述,此处不再赘述。如图8所示,在步骤S804中,根据所述近距离无线节点数据层图谱结构、所述无线局域网数据层图谱结构、以及所述配送资源的历史行为数据层图谱结构,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的多层图谱结构。
需要说明的是,所述多层图谱结构包括用于表征所述目标商户与其他商户之间的连接关系以及用于表征所述目标商户与其他商户之间的连接关系对应的权重值;
所述方法还包括:将多个用于表征所述目标商户与其他商户之间的连接关系的权重值进行排序;根据所述权重值的排序顺序,确定目标权重值,将所述目标权重值对应的目标商户与其他商户作为向用户推荐的商户。
根据多层图谱结构中每层图谱结构中各个商户之间的连接关系以及该连接关系的权重值,确定每个商户被用户选择率,由此,可以确定权重值大于预设权重范围的值为目标权重值,将目标权重值对应的商户向用户推荐,提升目标区域内商户的被选中率。
本申请实施例提供一种构建多层图谱结构的方法,包括:根据目标商户的近距离无线节点信号,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的近距离无线节点数据层图谱结构;根据所述目标商户搜索的无线局域网数据信息,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的无线局域网数据层图谱结构;获取配送资源在第一预设时段内的历史行为数据,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的配送资源的历史行为数据层图谱结构;根据所述近距离无线节点数据层图谱结构、所述无线局域网数据层图谱结构、以及所述配送资源的历史行为数据层图谱结构,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的多层图谱结构。
上述方法,通过多维度构建用于表示目标商户与其他商户之间连接关系的多层图谱结构,根据该多层图谱结构中商户之间的连接关系,确定目标商户的被选择率,提升目标区域内目标商户的被选择率。
第四实施例
本申请第四实施例中提供一种商户目标位置向量模型的训练方法,具体流程如图9所示,其为本申请第四实施例中提供的一种商户目标位置向量模型的训练方法的流程图。图9所示的商户目标位置向量模型的训练方法,包括:步骤S901至步骤S905。
如图9所示,在步骤S901中,构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。如图9所示,在步骤S902中,将所述近距离无线节点数据层图谱结构输入商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述近距离无线节点数据层图谱结构中的第一初始位置向量。如图9所示,在步骤S903中,将所述配送资源的历史行为数据层图谱结构输入所述商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量。如图9所示,在步骤S904中,计算目标商户的第一初始位置向量、以及目标商户的第二初始位置向量之间的第一损失值。如图9所示,在步骤S905中,以所述第一损失值为依据,对所述商户初始位置向量模型进行训练,获得商户目标位置向量模型,所述商户目标位置向量模型用于获取所述目标商户在目标区域内的商户目标位置向量。
其中,所述构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,包括:根据所述配送资源接收到的商户发出的无线信号,构建近距离无线节点数据层图谱结构;根据所述配送资源从第一商户所处位置到达第二商户所处位置的时长信息,构建所述配送资源的历史行为数据层图谱结构。
所述根据所述配送资源接收到的商户发出的无线信号,构建近距离无线节点数据层图谱结构,包括:获取所述配送资源在第一预设时间段内接收到的多个无线信号组,所述无线信号组是指配送资源在第二预设时间段内分别接收到两个商户的无线信号;计算每个无线信号组在所述多个无线信号组中的第一权重值;根据所述每个无线信号组对应的第一权重值,确定所述每个无线信号组中的两个商户对应的第一连接关系;根据每个无线信号组中的两个商户对应的第一连接关系,构建近距离无线节点数据层图谱结构。
其中,所述无线信号组通过如下方法获得:
获取所述配送资源在第二预设时间段内接收到第一商户的第一无线信号以及第二商户的第二无线信号;将所述配送资源在第二预设时间段内接收到所述第一无线信号以及所述第二无线信号作为所述配送资源在第二预设时间段内接收到的第一无线信号组。
所述根据所述每个无线信号组对应的第一权重值,确定所述每个无线信号组中的两个商户对应的第一连接关系,包括:根据每个无线信号组对应的第一权重值,确定所述每个无线信号组中两个商户之间的第一连接距离关系,所述第一权重值与所述第一连接距离关系具有负相关的关系。
所述根据所述配送资源从第一商户所处位置到达第二商户所处位置的时长信息,构建所述配送资源的历史行为数据层图谱结构,包括:
获取所述配送资源从所述第一商户所处位置到达所述第二商户所处位置的时长信息,将所述配送资源从所述第一商户所处位置到达所述第二商户所处位置的过程作为所述配送资源的第一行为数据组;根据所述时长信息,获取所述配送资源的第一行为数据组对应的第二权重值;根据所述第一行为数据组对应的第二权重值,构建所述配送资源的历史行为数据层图谱结构。
所述根据所述第一行为数据组对应的第二权重值,构建所述配送资源的历史行为数据层图谱结构,包括:
根据所述第二权重值,确定所述第一行为数据组中所述第一商户与所述第二商户之间的第二连接距离关系,所述第二权重值与所述第二连接距离关系具有正相关的关系;根据所述第一商户与所述第二商户之间的第二连接距离关系,构建所述配送资源的历史行为数据层图谱结构。
所述以所述第一损失值为依据,对所述商户初始位置向量模型进行训练,获得商户目标位置向量模型,包括:根据所述第一损失值,对训练中的商户初始位置向量模型中的参数进行调整。
此外,所述方法还包括:如果所述第一损失值小于第一预设损失值阈值,则停止对所述商户初始位置向量模型进行训练;或者,如果所述第一损失值大于所述第一预设损失值阈值、且多次获得的第一损失值之间的差值小于第一预设差值阈值,则停止对所述商户初始位置向量模型进行训练。
所述多层图谱结构还包括无线局域网数据层图谱结构;所述方法还包括:
将所述无线局域网数据层图谱结构输入所述商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述无线局域网数据层图谱结构中的第三初始位置向量;计算所述目标商户的第一初始位置向量、所述目标商户的第二初始位置向量、以及所述目标商户的第三初始位置向量之间的第二损失值;以所述第二损失值为依据,对所述商户初始位置向量模型进行训练,获得所述商户目标位置向量模型。
所述构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,包括:根据所述配送资源接收到的商户发出的无线信号,构建近距离无线节点数据层图谱结构;根据所述配送资源从第一商户所处位置到达第二商户所处位置的时长信息,构建所述配送资源的历史行为数据层图谱结构;根据所述目标商户搜索到的无线局域网数据信息,构建无线局域网数据层图谱结构。
所述根据所述目标商户搜索到的无线局域网数据信息,构建无线局域网数据层图谱结构,包括:获取所述目标商户搜索的无线局域网数据信息列表,所述无线局域网数据信息列表包括多个其他商户的无线局域网数据信息;根据所述无线局域网数据信息列表中接收到其他商户的无线局域网信号强度值,确定所述目标商户与其他商户之间的第三连接距离关系;根据所述目标商户与其他商户之间的第三连接距离关系,构建无线局域网数据层图谱结构。
第五实施例
本申请第五实施例中提供一种预测配送资源到达目标商户的方法,具体流程如图10所示,其为本申请第五实施例中提供的一种预测配送资源到达目标商户的方法的流程图。图10所示的预测配送资源到达目标商户的方法,包括:步骤S1001至步骤S1005。
如图10所示,在步骤S1001中,获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息;如图10所示,在步骤S1002中,将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,其中,所述商户目标位置向量模型用于根据第四商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第四商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;如图10所示,在步骤S1003中,获取所述配送资源待领取的第五待配送对象所属的第五商户信息,获取所述第五商户信息对应的第五商户目标位置向量;如图10所示,在步骤S1004中,将所述第四商户目标位置向量和所述第五商户目标位置向量,作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息;如图10所示,在步骤S1005中,如果所述第二预测时长信息满足预设的时长审核条件,则确定所述第五商户为所述配送资源离开所述第四商户后、需要到达的目标商户。
可选的,所述第五商户信息包括至少一个第五候选商户信息;所述方法还包括:针对至少一个第五候选商户信息中的每一个第五候选商户信息,获取所述配送资源从所述第四商户所处位置到达所述第五候选商户所处位置的第二候选预测时长信息;所述第二预测时长信息满足预设的时长审核条件,包括:将多个第二候选预测时长信息按照时长从小到大的排序规则进行排序,获取第二目标预测时长信息,其中,所述第二目标预测时长信息小于所述多个第二候选预测时长信息中的其它第二候选预测时长信息。
可选的,所述将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,包括:根据所述第四商户信息,获取所述第四商户信息对应的第四商户在近距离无线节点数据层图谱结构中的第六初始位置向量,获取所述第四商户信息对应的第四商户在所述配送资源的历史行为数据层图谱结构中的第七初始位置向量;计算所述第六初始位置向量与所述第七初始位置向量之间的第四损失值;根据所述第六初始位置向量、所述第七初始位置向量、以及所述第四损失值,按照预设的计算方法获取所述第四商户目标位置向量。
可选的,所述获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息,包括:获得所述第四商户所使用的第四商户终端发送的用于表示所述配送资源在当前时刻已经成功领取所述第四待配送对象的第三提示消息;基于所述第三提示消息,获取所述配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息。
可选的,所述获取所述第五商户信息对应的第五商户目标位置向量,包括:将所述第五商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的与所述第五商户信息对应的第五商户目标位置向量;其中,所述商户目标位置向量模型用于根据所述第五商户信息,在预先存储的商户信息与商户目标位置向量之间的对应关系表中,查询与所述第五商户信息对应的第五商户目标位置向量,所述第五商户目标位置向量是根据第五商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得的第五商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。
本申请实施例提供一种预测配送资源到达目标商户的方法,包括:获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息;将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,其中,所述商户目标位置向量模型用于根据第四商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第四商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;获取所述配送资源待领取的第五待配送对象所属的第五商户信息,获取所述第五商户信息对应的第五商户目标位置向量;将所述第四商户目标位置向量和所述第五商户目标位置向量,作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息;如果所述第二预测时长信息满足预设的时长审核条件,则确定所述第五商户为所述配送资源离开所述第四商户后、需要到达的目标商户。
上述方法,配送资源已领取第四待配送对象后,服务端获得配送资源对第四待配送对象领取结束的信息后,可以为配送资源确定在领取第四待配送对象后,需要领取的待配送对象。具体是通过商户目标位置向量模型确定第四商户的位置信息后,并确定配送资源待领取的多个待配送对象对应的商户的位置信息,计算第四商户所处位置与第五商户所处位置之间的距离信息,然后确定配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息。将第二预测时长信息进行判断后,确定配送资源在领取第四待配送对象后、需要到达的目标商户。上述方法可以为配送资源优先匹配目标商户,从目标商户处领取目标待配送对象,提升配送资源领取待配送对象的效率。
第六实施例
与本申请提供的预测配送资源到达商户时间的方法的应用场景对应的实施例以及第一实施例提供的预测配送资源到达商户时间的方法相对应的,本申请第六实施例提供了一种预测配送资源到达商户时间的装置。如图11所示,其为本申请第六实施例的一种预测配送资源到达商户时间的装置的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请第六实施例提供的预测配送资源到达商户时间的装置,所述装置包括:第一获取单元1101,用于获取配送资源待领取的第一待配送对象所属的第一商户信息;第一商户目标位置向量获取单元1102,用于将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,其中,所述商户目标位置向量模型用于根据第一商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第一商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;第二商户目标位置向量获取单元1103,用于获取所述配送资源已领取的第二待配送对象所属的第二商户信息,获取所述第二商户信息对应的第二商户目标位置向量;第一预测时长信息获得单元1104,用于将所述第二商户目标位置向量和所述第一商户目标位置向量作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。
第七实施例
与本申请第二实施例提供的预测商户目标位置的方法相对应的,本申请第七实施例提供了一种预测商户目标位置的装置。如图12所示,其为本申请第七实施例的一种预测商户目标位置的装置的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请第七实施例提供的预测商户目标位置的装置,所述装置包括:第二获取单元1201,用于获取用于表征商户属性的商户信息;第三获取单元1202,用于将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量;其中,所述商户目标位置向量模型用于根据所述商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得所述商户目标位置向量,所述多层图谱结构包括近距离无线节点层图谱结构以及配送资源的历史行为数据层图谱结构。
第八实施例
与本申请第三实施例提供的构建多层图谱结构的方法相对应的,本申请第八实施例提供了一种构建多层图谱结构的装置。如图13所示,其为本申请第八实施例的一种构建多层图谱结构的装置的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请第八实施例提供的构建多层图谱结构的装置,所述装置包括:第一构建单元1301,用于根据目标商户的近距离无线节点信号,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的近距离无线节点数据层图谱结构;第二构建单元1302,用于根据所述目标商户搜索的无线局域网数据信息,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的无线局域网数据层图谱结构;第三构建单元1303,用于获取配送资源在第一预设时段内的历史行为数据,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的的配送资源的历史行为数据层图谱结构;第四构建单元1304,用于根据所述近距离无线节点数据层图谱结构、所述无线局域网数据层图谱结构、以及所述配送资源的历史行为数据层图谱结构,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的多层图谱结构。
第九实施例
与本申请第四实施例提供的商户目标位置向量模型的训练方法相对应的,本申请第九实施例提供了一种商户目标位置向量模型的训练装置。如图14所示,其为本申请第九实施例的一种商户目标位置向量模型的训练装置的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请第九实施例提供的商户目标位置向量模型的训练装置,所述装置包括:第五构建单元1401,用于构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;第一初始位置向量模型1402,用于将所述近距离无线节点数据层图谱结构输入商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述近距离无线节点数据层图谱结构中的第一初始位置向量;第二初始位置向量获得单元1403,用于将所述配送资源的历史行为数据层图谱结构输入所述商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量;计算单元1404,用于计算目标商户的第一初始位置向量、以及目标商户的第二初始位置向量之间的第一损失值;训练单元1405,用于以所述第一损失值为依据,对所述商户初始位置向量模型进行训练,获得商户目标位置向量模型,所述商户目标位置向量模型用于获取所述目标商户在目标区域内的商户目标位置向量。
第十实施例
与本申请第五实施例提供的预测配送资源到达目标商户的方法相对应的,本申请第九实施例提供了一种预测配送资源到达目标商户的装置。如图15所示,其为本申请第九实施例的一种预测配送资源到达目标商户的装置的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请第九实施例提供的预测配送资源到达目标商户的装置,所述装置包括:第四获取单元1501,用于获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息;第四商户目标位置向量获取单元1502,用于将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,其中,所述商户目标位置向量模型用于根据第四商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第四商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;第五商户目标位置向量获取单元1503,用于获取所述配送资源待领取的第五待配送对象所属的第五商户信息,获取所述第五商户信息对应的第五商户目标位置向量;第二预测时长信息获取单元1504,用于将所述第四商户目标位置向量和所述第五商户目标位置向量,作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息;审核单元1505,用于如果所述第二预测时长信息满足预设的时长审核条件,则确定所述第五商户为所述配送资源在下一时刻需要到达的目标商户,所述第二预测时长信息为所述配送资源从所述第四商户所处位置到达第五商户所处位置的目标时长信息。
第十一实施例
与本申请第一实施例至第五实施例的方法相对应的,本申请第十一实施例还提供一种电子设备。如图16所示,图16为本申请第十一实施例中提供的一种电子设备的示意图。该电子设备,包括:至少一个处理器1601,至少一个通信接口1602,至少一个存储器1603和至少一个通信总线1604;可选的,通信接口1602可以为通信模块的接口,如GSM模块的接口;处理器1601可能是处理器CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。存储器1603可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。其中,存储器1603存储有程序,处理器1601调用存储器1603所存储的程序,以执行本发明第一实施例至第五实施例的方法。
第十二实施例
与本申请第一实施例至第五实施例的方法相对应的,本申请第十二实施例还提供一种计算机存储介质。所述计算机存储介质存储有计算机程序,该计算机程序被处理器运行,执行第一实施例至第五实施例的方法。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(Transitory Media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (10)
1.一种预测配送资源到达商户时间的方法,其特征在于,包括:
获取配送资源待领取的第一待配送对象所属的第一商户信息;
将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,其中,所述商户目标位置向量模型用于根据第一商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第一商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;
获取所述配送资源已领取的第二待配送对象所属的第二商户信息,获取所述第二商户信息对应的第二商户目标位置向量;
将所述第二商户目标位置向量和所述第一商户目标位置向量作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第二商户所处位置到达第一商户所处位置的第一预测时长信息。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,包括:
根据所述第一商户信息,获取所述第一商户信息对应的第一商户在近距离无线节点数据层图谱结构中的第一初始位置向量,获取所述第一商户信息对应的第一商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量;
计算所述第一初始位置向量与所述第二初始位置向量之间的第一损失值;
根据所述第一初始位置向量、所述第二初始位置向量、以及所述第一损失值,获取所述第一商户目标位置向量。
3.根据权利要求1所述的方法,其特征在于,所述多层图谱结构还包括无线局域网数据层图谱结构;
所述将所述第一商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第一商户信息对应的第一商户目标位置向量,包括:
根据所述第一商户信息,获取所述第一商户信息对应的第一商户在近距离无线节点数据层图谱结构中的第一初始位置向量,获取所述第一商户信息对应的第一商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量,获取所述第一商户信息对应的第一商户在所述无线局域网数据层图谱结构中的第三初始位置向量;
计算所述第一初始位置向量、所述第二初始位置向量、以及所述第三初始位置向量之间的第二损失值;
根据所述第一初始位置向量、所述第二初始位置向量、所述第三初始位置向量、以及所述第二损失值,获取所述第一商户目标位置向量。
4.根据权利要求1所述的方法,其特征在于,所述获取所述第二商户信息对应的第二商户目标位置向量,包括:
将所述第二商户信息输入至所述商户目标位置向量模型中,获得所述商户目标位置向量模型输出的第二商户信息对应的第二商户目标位置向量,所述商户目标位置向量模型用于根据所述第二商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第二目标商户位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构。
5.一种预测商户目标位置的方法,其特征在于,包括:
获取用于表征商户属性的商户信息;
将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量;
其中,所述商户目标位置向量模型用于根据所述商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得所述商户目标位置向量,所述多层图谱结构包括近距离无线节点层图谱结构以及配送资源的历史行为数据层图谱结构。
6.根据权利要求5所述的方法,其特征在于,还包括:
获得配送资源所使用的配送资源终端发送的用于请求获取待配送对象所处位置的第一请求消息;
根据所述第一请求消息,获取所述待配送对象所属的商户信息,所述商户信息包括所述待配送对象所属商户的商户标识信息以及商户的待配送对象配送信息;
所述将所述商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量,包括:
将所述商户标识信息以及商户的待配送对象配送信息作为输入数据,输入到商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述商户信息对应的商户目标位置向量,所述商户目标位置向量为用于表示配送资源领取待配送对象的位置向量。
7.一种构建多层图谱结构的方法,其特征在于,包括:
根据目标商户的近距离无线节点信号,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的近距离无线节点数据层图谱结构;
根据所述目标商户搜索的无线局域网数据信息,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的无线局域网数据层图谱结构;
获取配送资源在第一预设时段内的历史行为数据,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的配送资源的历史行为数据层图谱结构;
根据所述近距离无线节点数据层图谱结构、所述无线局域网数据层图谱结构、以及所述配送资源的历史行为数据层图谱结构,构建用于表征目标商户在目标区域内与其他商户之间的连接关系的多层图谱结构。
8.一种商户目标位置向量模型的训练方法,其特征在于,包括:
构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;
将所述近距离无线节点数据层图谱结构输入商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述近距离无线节点数据层图谱结构中的第一初始位置向量;
将所述配送资源的历史行为数据层图谱结构输入所述商户初始位置向量模型中,获得所述商户初始位置向量模型输出的目标商户在所述配送资源的历史行为数据层图谱结构中的第二初始位置向量;
计算目标商户的第一初始位置向量、以及目标商户的第二初始位置向量之间的第一损失值;
以所述第一损失值为依据,对所述商户初始位置向量模型进行训练,获得商户目标位置向量模型,所述商户目标位置向量模型用于获取所述目标商户在目标区域内的商户目标位置向量。
9.根据权利要求8所述的方法,其特征在于,所述构建用于表征配送资源到达目标区域内的目标商户所处位置的多层图谱结构,包括:
根据所述配送资源接收到的商户发出的无线信号,构建近距离无线节点数据层图谱结构;
根据所述配送资源从第一商户所处位置到达第二商户所处位置的时长信息,构建所述配送资源的历史行为数据层图谱结构。
10.一种预测配送资源到达目标商户的方法,其特征在于,包括:
获取配送资源在当前时刻已领取的第四待配送对象所属的第四商户信息;
将所述第四商户信息输入至商户目标位置向量模型中,获得所述商户目标位置向量模型输出的所述第四商户信息对应的第四商户目标位置向量,其中,所述商户目标位置向量模型用于根据第四商户在多层图谱结构中的每层图谱结构对应的初始位置向量,获得第四商户目标位置向量,所述多层图谱结构包括近距离无线节点数据层图谱结构以及配送资源的历史行为数据层图谱结构;
获取所述配送资源待领取的第五待配送对象所属的第五商户信息,获取所述第五商户信息对应的第五商户目标位置向量;
将所述第四商户目标位置向量和所述第五商户目标位置向量,作为输入数据,输入到时长预测网络模型中,获得所述时长预测网络模型输出的用于表示所述配送资源从第四商户所处位置到达第五商户所处位置的第二预测时长信息;
如果所述第二预测时长信息满足预设的时长审核条件,则确定所述第五商户为所述配送资源离开所述第四商户后、需要到达的目标商户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296016.2A CN115481961A (zh) | 2022-10-21 | 2022-10-21 | 一种预测配送资源到达商户时间的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296016.2A CN115481961A (zh) | 2022-10-21 | 2022-10-21 | 一种预测配送资源到达商户时间的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481961A true CN115481961A (zh) | 2022-12-16 |
Family
ID=84395988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211296016.2A Pending CN115481961A (zh) | 2022-10-21 | 2022-10-21 | 一种预测配送资源到达商户时间的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481961A (zh) |
-
2022
- 2022-10-21 CN CN202211296016.2A patent/CN115481961A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563572B (zh) | 一种订单分配方法、装置、计算机设备和存储介质 | |
US8880097B1 (en) | Systems and methods for statistically associating mobile devices to households | |
US9990639B1 (en) | Automatic detection of fraudulent real estate listings | |
WO2016015444A1 (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
CN110222893B (zh) | 共享交通资源的投放地点推荐方法、装置与电子设备 | |
CN112398895B (zh) | 提供服务信息的方法及装置 | |
CN108304935A (zh) | 机器学习模型训练方法、装置和计算机设备 | |
CN110766507A (zh) | 一种资源配置方法及装置 | |
CN112036696A (zh) | 任务分配方法、任务分配装置、存储介质和电子设备 | |
CN111954175B (zh) | 一种兴趣点到访判别方法和相关装置 | |
CN110688589A (zh) | 到店识别方法、装置、电子设备及可读存储介质 | |
CN108415960A (zh) | 一种地理位置服务的实现方法及装置,电子设备 | |
JP2014203272A (ja) | 新規出店候補地分析装置及び方法及びプログラム | |
CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
CN111090822A (zh) | 业务对象的推送方法及装置 | |
WO2022206591A1 (zh) | 配送订单处理方法、装置及计算机设备 | |
CN109146661A (zh) | 用户类型预测方法、装置、电子设备及存储介质 | |
CN112241489A (zh) | 信息推送方法、装置、可读存储介质和计算机设备 | |
CN115130711A (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN111190988A (zh) | 地址解析方法、装置、设备及计算机可读存储介质 | |
CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
CN112200644B (zh) | 欺诈用户识别方法、装置、计算机设备以及存储介质 | |
CN112348435B (zh) | 任务推送方法、装置、计算机设备及计算机可读存储介质 | |
CN108647986A (zh) | 一种目标用户确定方法、装置及电子设备 |
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 |