CN115796375A - 一种物品送达时间预测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种物品送达时间预测方法、装置、设备及存储介质。该方法包括：接收客户端的目标物品配送任务，包括：目标物品的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；获取目标影响参数的当前参数信息，目标影响参数是指对物品送达时间存在影响的参数；基于时间预测模型、目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息，确定目标物品的目标预测送达时间，时间预测模型是预先基于历史数据进行训练获得的；将目标预测送达时间发送至客户端，使客户端展示目标预测送达时间，从而基于各种影响参数及时间预测模型，实现对物品送达时间的准确预测，提升用户体验。

Description

一种物品送达时间预测方法、装置、设备及存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种物品送达时间预测方法、装置、设备及存储介质。

背景技术

互联网的快速发展，改变了人们的消费方式，线上消费成为正向拉动经济增长的重要力量，准确地预测物品送达时间对于提升用户消费体验具有重要的意义。通常情况下，各平台会根据当前用户与厂家、商家之间的距离信息，预测物品送达的时间，这种方法无法保证送达时间预测的准确性。

发明内容

本发明提供了一种物品送达时间预测方法、装置、设备及存储介质，以实现对物品送达时间的准确预测，进而提升用户体验。

第一方面，本发明实施例提供了一种物品送达时间预测方法，该方法包括：

接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；

获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数；

基于时间预测模型、目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息，确定目标物品对应的目标预测送达时间，其中，时间预测模型是预先基于历史数据进行训练获得的；

将目标预测送达时间发送至客户端，以使客户端展示目标预测送达时间。

第二方面，本发明实施例还提供了一种物品送达时间预测装置，应用于物品送达时间预测中，该物品送达时间预测包括：

配送任务接收模块，用于接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；

当前参数获取模块，用于获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数；

送达时间预测模块，用于基于时间预测模型、目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息，确定目标物品对应的目标预测送达时间，其中，时间预测模型是预先基于历史数据进行训练获得的；

预测时间发送模块，用于将目标预测送达时间发送至客户端，以使客户端展示目标预测送达时间。

第三方面，本发明还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的物品送达时间预测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的物品送达时间预测方法。

本发明实施例的技术方案，通过接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数；基于时间预测模型、目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息，确定目标物品对应的目标预测送达时间，其中，时间预测模型是预先基于历史数据进行训练获得的；将目标预测送达时间发送至客户端，以使客户端展示目标预测送达时间，基于各种影响参数，来预测不同影响参数下物品的送达时间，解决了仅根据距离信息，预测物品送达时间，无法保证送达时间准确性的问题，实现了对物品送达时间的准确预测，提升用户体验。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种物品送达时间预测方法的流程图；

图2是根据本发明实施例二提供的一种物品送达时间预测方法的流程图；

图3是根据本发明实施例三提供的一种物品送达时间预测装置的结构示意图；

图4是实现本发明实施例的物品送达时间预测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供的一种物品送达时间预测方法的流程图，本实施例可适用于对物品送达时间进行预测的情况，该方法可以由物品送达时间预测装置来执行，该物品送达时间预测装置可以采用硬件和/或软件的形式实现，该物品送达时间预测装置可配置于电子设备中，比如服务器。

如图1所示，该方法包括：

S110、接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息。

其中，客户端又称为用户端，是指与服务器相对应为客户提供本地服务的程序。目标配送任务是指用户线上消费产生的配送任务。目标物品是指用户购买的服务或实体，如外卖、快递等。目标制作方是指为用户提供目标物品的一方，如厂家、商家、网店等。目标配送方是指将目标物品从制作方配送到用户端的一方，如外卖骑手、快递员等。目标接收地址信息是指用户指定的目标物品送达的地址信息。目标制作方标识信息是指用于唯一标识目标制作方的信息，以区分不同的目标制作方。例如，目标制作方标识信息可以是指目标制作方的名称，如店铺名称。目标配送方标识信息是指用来唯一标识目标配送方的信息，以区分不同的目标配送方，如外卖骑手的账号昵称、姓名等。

具体的，客户端通过访问目标制作方对应的请求链接、选择目标物品、设置目标物品的数量、上传目标接收地址，结合目标制作方的标识信息以及配送方的标识信息生成目标配送任务。在物品调度服务器上可以接收到客户端发送的目标配送任务。

示例性的，在外卖调度服务器上，接收到用户A的订单，订单信息中可以包括但不限于：配送地址、商家店铺名称、附近的骑手信息等。

S120、获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数。

其中，目标影响参数的当前参数信息是指服务器在接收到目标物品配送任务时刻，服务器中预存的各目标影响参数的当前参数。

可选的，目标影响参数可以包括但不限于：天气参数、节假日参数和平台活动参数中的至少一个。其中，天气参数是指天气情况，相应的参数信息可以为晴、小雨、大雪等。节假日参数是指节日和周末等参数，相应的参数信息可以为中秋节、周末。平台活动参数是指制作方与用户进行线上交易的平台推出的优惠活动参数，相应的参数信息可以为满减活动或者赠送活动。进一步的，目标影响参数是服务器提前收集的天气预报信息、节假日信息与平台活动信息。由于各种目标影响参数互不影响所以对于一个配送任务来说，目标影响参数可能存在一个或多个的情况。

具体的，在接收到客户端对目标物品的配送请求时，服务器调用当前时刻的目标影响参数的当前参数信息，即天气参数、节假日参数和平台活动参数这些参数的当前参数信息。

示例性的，中秋节这一天，外卖调度服务器接收到用户A的外卖订单信息，调用服务器预存的当前时间段的天气参数、中秋节节日参数以及外卖平台活动参数。

S130、基于时间预测模型、目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息，确定目标物品对应的目标预测送达时间，其中，时间预测模型是预先基于历史数据进行训练获得的。

其中，时间预测模型是指对物品送达时间进行预测的网络模型，比如神经元模型。目标预测送达时间是指时间预测模型输出的送达时间信息，进一步的，目标预测送达时间可以是指一个时刻，如10点，也可以是指一个时长如，20分钟后送达。历史数据是指以往各目标制作方在各种目标影响参数下对各目标物品配送任务的制作时间、各目标配送方在各种目标影响参数下对各目标物品配送任务的配送时间及在各种目标影响参数下对各目标物品配送任务的实际送达时间。

进一步的，对时间预测模型的训练是将历史影响参数、历史接收地址信息、历史制作方标识信息和历史配送方标识信息和实际目标物品送达时间作为一组训练样本进行模型训练，针对各训练样本，将训练样本输入至待训练时间预测模型中，得到与当前训练样本所对应的实际输出送达时间；基于样本对应的实际送达时间、实际输出送达时间确定训练误差；将训练误差反向传播至待训练时间预测模型中，调整待训练时间预测模型中的模型参数，直到达到预设收敛条件，比如迭代次数等于预设次数，或者训练误差变化趋于平稳时，得到时间预测模型。其中，时间预测模型使用Tanh函数作为激活函数，从而增加神经网络模型的非线性。

具体的，若时间预测模型作为一个完整模型进行训练，则可以将目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息输入至训练好的时间预测模型中进行预测，并基于时间预测模型的输出，获得目标物品对应的目标预测送达时间。

S140、将目标预测送达时间发送至客户端，以使客户端展示目标预测送达时间。

具体的，通过服务器将时间预测模型输出的目标预测送达时间上传至客户端，在客户端界面进行展示。

可选的，若检测到目标预测送达时间大于预设送达时间，则基于当前参数信息确定送达延长原因，并将送达延长原因发送至客户端，以在客户端上展示送达延长原因；其中，预设送达时间基于目标制作方的历史制作时间和目标配送方的历史配送时间确定。

其中，预设送达时间是指在没有各个目标影响参数的情况下目标物品的正常送达时间。当目标预测送达时间大于预设送达时间时，表明目标物品由于至少一个目标影响参数原因，没有按照预设送达时间送达。延长时间是指目标预测送达时间与预设送达时间的时间差。

具体的，若时间预测模型输出的目标预测送达时间在预设送达时间之后，则需要分析各目标影响参数的当前参数信息，确定是天气原因、节假日、平台活动中至少一个因素导致送达时间延迟。并将分析结果上传至客户端，在客户端提醒用户延长原因。

示例性的，目标预测送达时间为2:00，预设送达时间为1:50，则分析各目标影响参数的当前参数信息，如当前天气参数为中雨、节日参数为中秋节，则延迟原因可以是：下雨天道路湿滑&节日期间订单拥挤，可能导致送达时间延迟，预计延迟时间为10分钟。并上传至客户端提醒用户，用户可以选择推荐的收货时间或取消订单。

本发明实施例技术方案，通过接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数；基于时间预测模型、目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息，确定目标物品对应的目标预测送达时间，其中，时间预测模型是预先基于历史数据进行训练获得的；将目标预测送达时间发送至客户端，以使客户端展示目标预测送达时间，基于各种影响因素构建送达时间预测模型，解决了仅根据距离信息，预测物品送达时间，无法保证送达时间准确性的问题，实现了对物品送达时间的科学预测，提升用户体验。

实施例二

图2为本发明实施例二提供的一种物品送达时间预测方法的流程图，在前述实施例的基础上，可以对时间预测模型进行进一步细化，其中，时间预测模型可以包括每个制作方对应的制作时间预测模型和每个配送方对应的配送时间预测模型。其具体的实施方式可以参见本发明实施例的详细阐述，其中，与上述实施例相同或者相应的技术术语在此不再赘述。

如图2所示，该方法包括：

S210、接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息。

S220、获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数。

S230、基于每个制作方对应的制作时间预测模型和目标制作方标识信息，确定目标制作方对应的目标制作时间预测模型。

其中，制作时间预测模型是指对制作方的制作时间进行预测的神经元模型。

具体的，根据目标物品配送任务中的目标制作方标识信息，调用目标制作方对应的目标制作时间预测模型。示例性的，从目标物品配送任务中识别到商家A的店铺名称，根据店铺名称调用其对应的目标制作时间预测模型。

S240、基于每个配送方对应的配送时间预测模型和目标配送方标识信息，确定目标配送方对应的目标配送时间预测模型。

其中，配送时间预测模型是对配送方的配送时间进行预测的神经元模型。

具体的，根据目标物品配送任务中的目标配送方标识信息，调用目标配送方对应的目标配送时间预测模型。示例性的，从目标物品配送任务中识别到骑手A的账号名称，根据账号名称调用其对应的目标配送时间预测模型。

S250、将当前参数信息输入至目标制作时间预测模型中，并基于目标制作时间预测模型的输出，获得目标物品对应的目标预测制作时间。

可选的，在存在至少两个目标影响参数时，目标制作时间预测模型包括：每个目标影响参数对应的制作时间预测子模型和制作时间融合子模型。

其中，制作时间预测子模型是指对每个目标影响参数下的制作时间进行预测的神经元模型。制作时间融合子模型是将至少两个目标影响参数下对应的两个制作时间预测子模型输出的制作时间进行融合的神经元模型。

示例性的，目标影响参数为：小雨、中秋节；分别对应制作时间预测子模型1和制作时间预测子模型2，制作时间预测子模型1的输出为15min制作时间预测子模型2的输出为20min。将两个输出时间作为制作时间融合子模型的输入，得到至少两个目标影响参数对应的目标预测制作时间。

进一步的，S250中的“将当前参数信息输入至目标制作时间预测模型中”可以包括：将每个目标影响参数对应的当前参数信息输入至相应的制作时间预测子模型中进行制作时间预测，获得每个初步预测制作时间；将各个初步预测制作时间输入至制作时间融合子模型中，对各个初步预测制作时间进行加权融合，获得目标物品对应的目标预测制作时间。

其中，初步预测制作时间是指每个目标影响参数对应的制作时间预测子模型输出的制作时间。加权融合是对于至少两个制作时间预测子模型输出的制作时间分配不同的权重之后进行相加。进一步的，每个制作时间预测子模型输出的制作时间对应的权重值是制作时间融合子模型通过训练学习到的。

在上述示例基础上，目标影响参数为：小雨、中秋节；分别对应制作时间预测子模型1和制作时间预测子模型2，制作时间预测子模型1的初步预测制作时间为15min；制作时间预测子模型2的初步预测制作时间为20min。根据制作时间融合子模型对两个时间分配不同的权重，如中秋节对当前订单量的影响较大，对于制作时间影响较大，所以分配0.7的权重；则小雨对应的制作时间的权重为0.3，则目标预测制作时间T＝0.7*15min+0.3*20min＝16.5min。

进一步的，若在存在一个目标影响参数时，目标制作时间预测模型包括：每个目标影响参数对应的制作时间预测子模型，此时将初步预测制作时间作为目标物品对应的目标预测制作时间。

S260、将当前参数信息和目标接收地址信息输入至目标配送时间预测模型中，并基于目标配送时间预测模型的输出，获得目标物品对应的目标预测配送时间。

可选的，在存在至少两个目标影响参数时，目标配送时间预测模型包括：每个目标影响参数对应的配送时间预测子模型和配送时间融合子模型。

其中，配送时间预测子模型是指对每个目标影响参数下的配送时间进行预测的神经元模型。配送时间融合子模型是将至少两个目标影响参数下对应的两个配送时间预测子模型输出的配送时间进行融合的神经元模型。

示例性的，服务器接收到的目标影响参数为：小雨、中秋节；分别对应配送时间预测子模型1和配送时间预测子模型2，配送时间预测子模型1的输出为20min配送时间预测子模型2的输出为15min。将两个输出时间作为配送时间融合子模型的输入，得到至少两个目标影响参数对应的目标预测配送时间。

进一步的，S260中的“将当前参数信息和目标接收地址信息输入至目标配送时间预测模型中”可以包括：将每个目标影响参数对应的当前参数信息和目标接收地址信息输入至相应的配送时间预测子模型中进行配送时间预测，获得每个初步预测配送时间；将各个初步预测配送时间输入至配送时间融合子模型中，对各个初步预测配送时间进行加权融合，获得目标物品对应的目标预测配送时间。

其中，初步预测配送时间是指每个目标影响参数对应的配送时间预测子模型输出的配送时间。加权融合是对于至少两个配送时间预测子模型输出的配送时间分配不同的权重之后进行相加。进一步的，每个配送时间预测子模型输出的配送时间对应的权重值是配送时间融合子模型通过训练学习到的。

在上述示例基础上，服务器接收到目标影响参数“小雨、中秋节”以及目标接收地址信息。目标影响参数小雨和中秋节分别对应配送时间预测子模型1和配送时间预测子模型2，配送时间预测子模型1的初步预测配送时间为20min；配送时间预测子模型2的初步预测配送时间为15min。根据配送时间融合子模型对两个时间分配不同的权重，如中秋节对当前订单量的影响较大，对于配送时间影响较大，所以分配0.7的权重；则小雨对应的配送时间的权重为0.3，则目标预测配送时间T＝0.7*20min+0.3*15min＝18.5min。

可选的，在存在一个目标影响参数时，目标配送时间预测模型包括：每个目标影响参数对应的配送时间预测子模型，此时将初步预测配送时间作为目标物品对应的目标预测配送时间。

S270、基于目标预测制作时间和目标预测配送时间，确定目标物品对应的目标预测送达时间。

可选的，获取目标物品对应的目标实际制作时间和目标实际配送时间；若目标实际制作时间与目标预测制作时间之间的时间差值大于预设差值，则基于目标实际制作时间对目标制作时间预测模型进行模型优化；若目标实际配送时间与目标预测配送时间之间的时间差值大于预设差值，则基于目标实际配送时间对目标配送时间预测模型进行模型优化。

其中，目标实际制作时间是指目标制作方实际在制作目标物品花费的时间。目标实际配送时间是指目标配送方实际在配送目标物品中花费的时间。预设差值是提前预设的目标实际制作时间与目标预测制作时间或目标实际配送时间与目标预测配送时间之间的差值。

进一步的，若目标实际制作时间与目标预测制作时间之间的时间差值大于预设差值说明目标制作时间预测模型的样本内容不够丰富，因此可以将当前的数据作为样本输入到目标制作时间预测模型对其进行优化。同样，若目标实际配送时间与目标预测配送时间之间的时间差值大于预设差值说明目标配送时间预测模型的样本内容不够丰富，因此可以将当前的数据作为样本输入到目标配送时间预测模型对其进行优化。

本发明实施例技术方案，通过接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数；基于每个制作方对应的制作时间预测模型和目标制作方标识信息，确定目标制作方对应的目标制作时间预测模型；基于每个配送方对应的配送时间预测模型和目标配送方标识信息，确定目标配送方对应的目标配送时间预测模型；将当前参数信息输入至目标制作时间预测模型中，并基于目标制作时间预测模型的输出，获得目标物品对应的目标预测制作时间；将当前参数信息和目标接收地址信息输入至目标配送时间预测模型中，并基于目标配送时间预测模型的输出，获得目标物品对应的目标预测配送时间；基于目标预测制作时间和目标预测配送时间，确定目标物品对应的目标预测送达时间，在对每个制作方和每个配送方构建各目标影响参数对应的制作时间预测子模型和配送时间预测子模型，考虑到影响目标物品送达时间的各种参数，针对每个制作方和每个配送方，训练不同影响参数对应的时间预测神经元模型，并通过实际案例丰富训练样本进行神经元模型的优化，实现了对目标送达时间的准确预测，提升用户体验。

实施例三

图3为本发明实施例三提供的一种物品送达时间预测装置的结构示意图。如图3所示，该装置包括：配送任务接收模块310、当前参数获取模块320、送达时间预测模块330、预测时间发送模块340。

其中，配送任务接收模块310，用于接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；当前参数获取模块320，用于获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数；送达时间预测模块330，用于基于时间预测模型、目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息，确定目标物品对应的目标预测送达时间，其中，时间预测模型是预先基于历史数据进行训练获得的；预测时间发送模块340，用于将目标预测送达时间发送至客户端，以使客户端展示目标预测送达时间。

在上述各技术方案基础上，时间预测模型包括：每个制作方对应的制作时间预测模型和每个配送方对应的配送时间预测模型。

在上述各技术方案基础上，送达时间预测模块330具体包括：

制作时间预测模型确定单元，用于基于每个制作方对应的制作时间预测模型和目标制作方标识信息，确定目标制作方对应的目标制作时间预测模型；

配送时间预测模型确定单元，用于基于每个配送方对应的配送时间预测模型和目标配送方标识信息，确定目标配送方对应的目标配送时间预测模型；

目标预测制作时间计算单元，用于将当前参数信息输入至目标制作时间预测模型中，并基于目标制作时间预测模型的输出，获得目标物品对应的目标预测制作时间；

目标预测配送时间计算单元，用于将当前参数信息和目标接收地址信息输入至目标配送时间预测模型中，并基于目标配送时间预测模型的输出，获得目标物品对应的目标预测配送时间；

目标预测送达时间计算单元，用于基于目标预测制作时间和目标预测配送时间，确定目标物品对应的目标预测送达时间。

在上述各技术方案基础上，目标预测制作时间计算单元具体用于：

将每个目标影响参数对应的当前参数信息输入至相应的制作时间预测子模型中进行制作时间预测，获得每个初步预测制作时间；将各个初步预测制作时间输入至制作时间融合子模型中，对各个初步预测制作时间进行加权融合，获得目标物品对应的目标预测制作时间。

可选的，在存在至少两个目标影响参数时，目标制作时间预测模型包括：每个目标影响参数对应的制作时间预测子模型和制作时间融合子模型。

在上述各技术方案基础上，目标预测配送时间计算单元具体用于：

将每个目标影响参数对应的当前参数信息和目标接收地址信息输入至相应的配送时间预测子模型中进行配送时间预测，获得每个初步预测配送时间；将各个初步预测配送时间输入至配送时间融合子模型中，对各个初步预测配送时间进行加权融合，获得目标物品对应的目标预测配送时间。

可选的，在存在至少两个目标影响参数时，目标配送时间预测模型包括：每个目标影响参数对应的配送时间预测子模型和配送时间融合子模型。

在上述各技术方案基础上，物品送达时间预测装置还可以包括：

模型优化模块，用于获取目标物品对应的目标实际制作时间和目标实际配送时间；若目标实际制作时间与目标预测制作时间之间的时间差值大于预设差值，则基于目标实际制作时间对目标制作时间预测模型进行模型优化；若目标实际配送时间与目标预测配送时间之间的时间差值大于预设差值，则基于目标实际配送时间对目标配送时间预测模型进行模型优化。

在上述各技术方案基础上，物品送达时间预测装置还可以包括：

延长原因发送模块，用于若检测到目标预测送达时间大于预设送达时间，则基于当前参数信息确定送达延长原因，并将送达延长原因发送至客户端，以在客户端上展示送达延长原因；其中，预设送达时间基于目标制作方的历史制作时间和目标配送方的历史配送时间确定。

可选的，目标影响参数包括：天气参数、节假日参数和平台活动参数中的至少一个。

本发明实施例技术方案，通过本发明实施例技术方案，通过接收客户端发送的目标物品配送任务，目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；获取目标影响参数的当前参数信息，其中，目标影响参数是指对物品送达时间存在影响的参数；基于时间预测模型、目标接收地址信息、目标制作方标识信息、目标配送方标识信息和当前参数信息，确定目标物品对应的目标预测送达时间，其中，时间预测模型是预先基于历史数据进行训练获得的；将目标预测送达时间发送至客户端，以使客户端展示目标预测送达时间，基于各种影响因素构建送达时间预测模型，解决了仅根据距离信息，预测物品送达时间，无法保证送达时间准确性的问题，实现了对物品送达时间的科学预测，提升用户体验。

本发明实施例所提供的物品送达时间预测装置可执行本发明任意实施例所提供的物品送达时间预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如物品送达时间预测方法。

在一些实施例中，物品送达时间预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的物品送达时间预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行物品送达时间预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种物品送达时间预测方法，其特征在于，包括：

接收客户端发送的目标物品配送任务，所述目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；

获取目标影响参数的当前参数信息，其中，所述目标影响参数是指对物品送达时间存在影响的参数；

基于时间预测模型、所述目标接收地址信息、所述目标制作方标识信息、所述目标配送方标识信息和所述当前参数信息，确定所述目标物品对应的目标预测送达时间，其中，所述时间预测模型是预先基于历史数据进行训练获得的；

将所述目标预测送达时间发送至所述客户端，以使所述客户端展示所述目标预测送达时间。

2.根据权利要求1所述的方法，其特征在于，所述时间预测模型包括：每个制作方对应的制作时间预测模型和每个配送方对应的配送时间预测模型；

所述基于时间预测模型、所述目标接收地址信息、所述目标制作方标识信息、所述目标配送方标识信息和所述当前参数信息，确定所述目标物品对应的目标预测送达时间，包括：

基于每个制作方对应的制作时间预测模型和所述目标制作方标识信息，确定目标制作方对应的目标制作时间预测模型；

基于每个配送方对应的配送时间预测模型和所述目标配送方标识信息，确定目标配送方对应的目标配送时间预测模型；

将所述当前参数信息输入至所述目标制作时间预测模型中，并基于所述目标制作时间预测模型的输出，获得所述目标物品对应的目标预测制作时间；

将所述当前参数信息和所述目标接收地址信息输入至所述目标配送时间预测模型中，并基于所述目标配送时间预测模型的输出，获得所述目标物品对应的目标预测配送时间；

基于所述目标预测制作时间和所述目标预测配送时间，确定所述目标物品对应的目标预测送达时间。

3.根据权利要求2所述的方法，其特征在于，在存在至少两个目标影响参数时，所述目标制作时间预测模型包括：每个目标影响参数对应的制作时间预测子模型和制作时间融合子模型；

所述将所述当前参数信息输入至所述目标制作时间预测模型中，包括：

将每个目标影响参数对应的当前参数信息输入至相应的制作时间预测子模型中进行制作时间预测，获得每个初步预测制作时间；

将各个所述初步预测制作时间输入至所述制作时间融合子模型中，对各个所述初步预测制作时间进行加权融合，获得所述目标物品对应的目标预测制作时间。

4.根据权利要求2所述的方法，其特征在于，在存在至少两个目标影响参数时，所述目标配送时间预测模型包括：每个目标影响参数对应的配送时间预测子模型和配送时间融合子模型；

所述将所述当前参数信息和所述目标接收地址信息输入至所述目标配送时间预测模型中，包括：

将每个目标影响参数对应的当前参数信息和所述目标接收地址信息输入至相应的配送时间预测子模型中进行配送时间预测，获得每个初步预测配送时间；

将各个所述初步预测配送时间输入至所述配送时间融合子模型中，对各个所述初步预测配送时间进行加权融合，获得所述目标物品对应的目标预测配送时间。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取所述目标物品对应的目标实际制作时间和目标实际配送时间；

若所述目标实际制作时间与所述目标预测制作时间之间的时间差值大于预设差值，则基于所述目标实际制作时间对所述目标制作时间预测模型进行模型优化；

若所述目标实际配送时间与所述目标预测配送时间之间的时间差值大于预设差值，则基于所述目标实际配送时间对所述目标配送时间预测模型进行模型优化。

6.根据权利要求1所述的方法，其特征在于，在确定所述目标物品对应的目标预测送达时间之后，还包括：

若检测到所述目标预测送达时间大于预设送达时间，则基于所述当前参数信息确定送达延长原因，并将所述送达延长原因发送至所述客户端，以在所述客户端上展示所述送达延长原因；

其中，所述预设送达时间基于目标制作方的历史制作时间和目标配送方的历史配送时间确定。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述目标影响参数包括：天气参数、节假日参数和平台活动参数中的至少一个。

8.一种物品送达时间预测装置，其特征在于，包括：

配送任务接收模块，用于接收客户端发送的目标物品配送任务，所述目标物品配送任务包括：目标物品对应的目标接收地址信息、目标制作方标识信息和目标配送方标识信息；

当前参数获取模块，用于获取目标影响参数的当前参数信息，其中，所述目标影响参数是指对物品送达时间存在影响的参数；

送达时间预测模块，用于基于时间预测模型、所述目标接收地址信息、所述目标制作方标识信息、所述目标配送方标识信息和所述当前参数信息，确定所述目标物品对应的目标预测送达时间，其中，所述时间预测模型是预先基于历史数据进行训练获得的；

预测时间发送模块，用于将所述目标预测送达时间发送至所述客户端，以使所述客户端展示所述目标预测送达时间。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的物品送达时间预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的物品送达时间预测方法。

Images