CN117094622A - 一种时长预估模型训练方法、装置、存储介质及电子设备 - Google Patents
一种时长预估模型训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117094622A CN117094622A CN202311077965.6A CN202311077965A CN117094622A CN 117094622 A CN117094622 A CN 117094622A CN 202311077965 A CN202311077965 A CN 202311077965A CN 117094622 A CN117094622 A CN 117094622A
- Authority
- CN
- China
- Prior art keywords
- estimated
- duration
- model
- training
- time
- 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
- 238000012549 training Methods 0.000 title claims abstract description 244
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000006870 function Effects 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 230000036541 health Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种时长预估模型训练方法、装置、存储介质及电子设备,其中方法包括:获取用于计算预估时长的训练样本集合和样本时长集合,将训练样本集合和样本时长集合输入至第一时长预估模型中,基于训练样本集合和样本时长集合对第一时长预估模型进行训练,得到第一参数,基于第一参数构建第二时长预估模型,基于训练样本集合和样本时长集合,计算第二时长预估模型中各第二时长预估子模型对应的第一预估损失函数,确定第二时长预估模型的训练状态,直至训练状态指示第二时长预估模型收敛,得到训练完成的时长预估模型,采用本说明书,得到训练完成的时长预估模型,从而降低时长预估模型出现过拟合的概率,进而提高时长预估模型的预估准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种时长预估模型训练方法、装置、存储介质及电子设备。
背景技术
现如今,随着经济的快速发展和互联网的普及,即时配送服务已经成为人们日常生活中不可或缺的一部分,随着事务方数量愈来愈多,对配送方进行合理的调度以满足事务方的配送需求是配送服务行业面临的难题之一。
发明内容
本说明书实施例提供一种时长预估模型训练方法、装置、存储介质及电子设备,可以得到训练完成的时长预估模型,以降低时长预估模型出现过拟合的概率,进而提高时长预估模型的预估准确性。
第一方面,本说明书实施例提供一种时长预估模型训练方法,所述方法包括:
获取用于计算预估时长的训练样本集合和所述训练样本集合对应的样本时长集合,所述训练样本集合包括至少两个训练样本;
将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型,所述第二时长预估模型包括至少一个第二时长预估子模型;
基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
第二方面,本说明书实施例提供一种时长预估方法,所述方法包括:
获取针对订单操作生成的订单数据,获取所述订单数据对应的预估数据;
将所述预估数据输入至上述的时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长;
基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间,显示所述预计送达时间。
第三方面,本说明书实施例提供一种时长预估模型训练装置,所述装置包括:
样本获取单元,用于获取用于计算预估时长的训练样本集合和所述训练样本集合对应的样本时长集合,所述训练样本集合包括至少两个训练样本;
模型训练单元,用于将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型,所述第二时长预估模型包括至少一个第二时长预估子模型;
模型完成单元,用于基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
第四方面,本说明书实施例提供一种时长预估装置,所述装置包括:
数据获取单元,用于获取针对订单操作生成的订单数据,获取所述订单数据对应的预估数据;
时长获取单元,用于将所述预估数据输入至上述的时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长;
时间显示单元,用于基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间,显示所述预计送达时间。
第五方面,本说明书实施例提供一种计算机程序产品,所述计算机程序产品存储有至少一条指令,所述至少一条指令适于由处理器加载并执行上述的方法步骤。
第六方面,本说明书实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法的步骤。
第七方面,本说明书实施例提供一种电子设备,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法的步骤。
在本说明书实施例中,通过对第一时长预估模型中各第一时长预估子模型初始化后,基于获取到的训练样本集合和样本时长集合,对各第一时长预估子模型中的初始参数和共享参数进行调整,得到包括多个第二时长预估子模型的第二时长预估模型,根据第二时长预估模型的损失函数对模型的训练状态进行判断,得到训练完成的时长预估模型,从而降低时长预估模型出现过拟合的概率,进而提高时长预估模型的预估准确性。
附图说明
为了更清楚地说明本说明书或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域技术人员来讲,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为本说明书实施例提供的一种时长预估模型训练方法的系统架构图;
图2为本说明书实施例提供的一种时长预估模型训练方法的流程示意图;
图3为本说明书实施例提供的一种时长预估模型训练方法的流程示意图;
图4为本说明书实施例提供的一种时长预估方法的流程示意图;
图5为本说明书实施例提供的一种选择配送时间的举例示意图;
图6为本说明书实施例提供的一种时长均值处理的举例示意图;
图7为本说明书实施例提供的一种预计送达时间显示的举例示意图;
图8为本说明书实施例提供的一种状态更新时间显示的举例示意图;
图9为本说明书实施例提供的另一种状态更新时间显示的举例示意图;
图10为本说明书实施例提供的另一种状态更新时间显示的举例示意图;
图11为本说明书实施例提供的一种时长预估方法的流程示意图;
图12为本说明书实施例提供的一种配送分数的举例示意图;
图13为本说明书实施例提供的一种时长预估模型训练装置的结构示意图;
图14为本说明书实施例提供的一种时长预估模型训练装置的结构示意图;
图15为本说明书实施例提供的一种模型训练单元的结构示意图;
图16为本说明书实施例提供的一种模型完成单元的结构示意图;
图17为本说明书实施例提供的一种时长预估装置的结构示意图;
图18为本说明书实施例提供的一种时长获取单元的结构示意图;
图19为本说明书实施例提供的一种时间显示单元的结构示意图;
图20为本说明书实施例提供的一种电子设备的结构示意图;
图21为本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
为使得本说明书的特征和优点能够更加的明显和易懂,下面将结合本说明书中的附图,对本说明书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说明书一部分实施例,而非全部实施例。基于本说明书中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
现有技术中,当对提供即时配送服务的配送方进行调度时,可能存在出现恶劣天气的情况,对即时配送服务的进行带来极大的影响,但恶劣天气时事务方对即时配送服务的需求会增大,因此如何在恶劣天气下对提供即时配送服务的配送方进行合理调度是亟待解决的问题。
基于此,本说明书实施例提供了一种时长预估模型训练方法,采用本说明书实施例,通过对第一时长预估模型中各第一时长预估子模型初始化后,基于获取到的训练样本集合和样本时长集合,对各第一时长预估子模型中的初始参数和共享参数进行调整,得到包括多个第二时长预估子模型的第二时长预估模型,根据第二时长预估模型的损失函数对模型的训练状态进行判断,得到训练完成的时长预估模型,从而降低时长预估模型出现过拟合的概率,进而提高时长预估模型的准确性。
请参见图1,为本说明书实施例提供了一种时长预估模型训练的系统结构图。如图1所示,本说明书实施例提供的时长预估模型训练方法可以应用于终端设备,以实现时长预估模型训练的过程,本说明书实施例提供的系统结构主要包括模型训练服务器10以及数据库服务器20。其中,模型训练服务器10可以为企业所使用的大型集成服务器,也可以为微小型计算机,例如个人计算机等;数据库服务器20可以为企业所使用的大型集成服务器,也可以为微小型计算机,例如个人计算机等。
在本说明书实施例中,模型训练服务器10获取到数据库服务器20发送的训练样本集合和样本时长集合,模型训练服务器10基于训练样本集合和样本时长对第一时长预估模型中的第一时长预估子模型进行训练,得到第二时长预估子模型,根据各第二对时长预估模型的损失函数确定第二时长预估模型的训练状态,直至第二时长预估模型收敛得到训练完成的时长预估模型。
在本说明书实施例中,通过对第一时长预估模型中各第一时长预估子模型初始化后,基于获取到的训练样本集合和样本时长集合,对各第一时长预估子模型中的初始参数和共享参数进行调整,得到包括多个第二时长预估子模型的第二时长预估模型,根据第二时长预估模型的损失函数对模型的训练状态进行判断,得到训练完成的时长预估模型,从而降低时长预估模型出现过拟合的概率,进而提高时长预估模型的准确性。
基于图1所示的系统架构,下面将结合图2,对本说明书实施例提供的时长预估模型训练方法进行详细介绍。
请参见图2,为本说明书实施例提供了一种时长预估模型训练方法的流程示意图。如图2所示,所述方法可以包括以下步骤S101-步骤S103。
S101,获取用于计算预估时长的训练样本集合和所述训练样本集合对应的样本时长集合;
在一个实施例中,训练样本集合可以为用于计算预估时长的样本数据集合,该训练样本集合可以为包括至少两个训练样本,该训练样本可以为包括订单对应的天气信息、用户所在配送地址、商家地址、配送员与客户之间的距离、配送员的预计骑行速度、交通状况、商品信息等。
天气信息可以为订单生成时对应的信息数据,具体可以为包括降水量、阴晴情况、风速大小等,例如可以为暴雨、小雨、大风、晴天、多云、台风等。
配送员的预计骑行速度可以为根据配送员的历史送货情况确定的速度数据。
交通状况可以为包括配送员与商家之间的路段对应的交通状况以及商家到用户之间的路段对应的交通状况,该交通状况可以为包括路段中车辆数量、红绿灯分布情况、路段中道路建设情况等。
商品信息可以为商品的商品价值、商品数量等。
样本时长集合可以为训练样本集合对应的集合,样本时长集合中包括有至少两个样本时长,该样本时长集合中的样本时长与训练样本集合中的训练样本一一对应。
样本时长可以为训练样本对应的订单所需运送时间,可以为根据大数据得到的时长数据,也可以为通过实验得到的时长数据,此处不对样本时长的具体获取方式进行限定。
S102,将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型;
在一个实施例中,将训练样本集合和样本时长集合输入至第一时长预估模型中,对训练样本集合中的训练样本进行特征提取,获取训练样本集合对应的样本特征集合,基于样本特征集合和样本时长集合对第一时长预估模型中的各第一时长预估子模型的初始参数和共享参数进行调整,得到各第一时长预估子模型的第二参数,基于各第二参数得到第一时长预估模型对应的第一参数,基于第一参数构建第二时长预估模型。
可以理解的,输入至各第一时长预估子模型中的各训练样本可以为相同,也可以为不同,以丰富模型训练所涉及到的可能性。
需要说明的是,第二时长预估模型包括至少一个第二时长预估子模型,各第二时长预估子模型为第一时长预估模型中的各第一时长预估子模型经过参数调整后,得到的各第一时长预估子模型对应的各第二时长预估子模型。
进一步的,在基于训练样本集合和样本时长集合构建第一时长预估模型之前,对第一时长预估模型进行初始化,得到第一时长预估模型对应的初始参数,获取各第一时长预估子模型对应的共享参数。
其中,初始参数可以为第一时长预估模型经过初始化后,得到的用于进行预估时长计算的参数。需要说明的是,各第一时长预估子模型之间的初始参数不相同,以体现影响预估时长计算的侧重点,例如天气的侧重点比重为百分之四十、距离为百分之十、交通状况为百分之十等。
其中,共享参数可以为各第一时长预估子模型之间相同的参数,可以理解的,训练样本中的部分数据不受天气的影响,因此各第一时长预估子模型对应的参数可以为相同的参数,以节省计算时长和计算资源。例如可以为训练样本中的商品价值和商品数量等。
S103,基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型;
在一个实施例中,基于训练样本集合和样本时长集合,计算各第二时长预估子模型对应的第一预估损失函数,对第一预估损失函数中各第二时长预估子模型中各样本状态时段对应的第二预估损失函数,对各第二预估损失函数进行均值处理,得到第二时长预估模型对应的第三预估损失函数,基于第三预估损失函数确定第二时长预估模型的训练状态,直至训练状态指示第二时长预估模型收敛,得到训练完成的时长预估模型。
需要说明的是,第二时长预估子模型包括有商品配送过程中的各样本状态时段,例如可以为订单生成到配送员接收订单所需时段、配送员到商家所需时段、配送员到达商家到取得商品所需时段、配送员从商家到客户所需时段,以及订单生成到将商品配送至用户所需时段等。
进一步的,基于训练样本和样本时长计算第二时长预估子模型中各状态时段对应的第二预估损失函数,对各第二时长预估子模型中所有的第二预估损失函数进行均值处理,得到第二时长预估模型对应的第三损失函数。例如,第二时长预估模型包括三个第二时长预估子模型,将各第二时长预估子模型的五个第二预估损失函数进行均值处理,得到十五个第二预估损失函数均值处理后得到的第三损失函数。
可以理解的,若训练状态指示第二时长预估模型未收敛,则将训练样本集合和样本时长集合输入至第二时长预估模型中,执行步骤S102和步骤S103,以对第二时长预估模型中的第二参数进行调整,直至第二时长预估模型收敛,得到训练完成的时长预估模型。需要说明的是,再次执行步骤S102时,不需要进行参数初始化。
在本说明书实施例中,通过对第一时长预估模型中各第一时长预估子模型初始化后,基于获取到的训练样本集合和样本时长集合,对各第一时长预估子模型中的初始参数和共享参数进行调整,得到包括多个第二时长预估子模型的第二时长预估模型,根据第二时长预估模型的损失函数对模型的训练状态进行判断,得到训练完成的时长预估模型,从而降低时长预估模型出现过拟合的概率,进而提高时长预估模型的预估准确性。
请参见图3,为本说明书实施例提供了一种时长预估模型训练方法的流程示意图。如图3所示,所述方法可以包括以下步骤S201-步骤S209。
S202,获取用于计算预估时长的训练样本集合和所述训练样本集合对应的样本时长集合;
在一个实施例中,训练样本集合可以为用于计算预估时长的样本数据集合,该训练样本集合可以为包括至少两个训练样本,该训练样本可以为包括订单对应的天气信息、用户所在配送地址、商家地址、配送员与客户之间的距离、配送员的预计骑行速度、交通状况、商品信息等。
天气信息可以为订单生成时对应的信息数据,具体可以为包括降水量、阴晴情况、风速大小等,例如可以为暴雨、小雨、大风、晴天、多云、台风等。
配送员的预计骑行速度可以为根据配送员的历史送货情况确定的速度数据。
交通状况可以为包括配送员与商家之间的路段对应的交通状况以及商家到用户之间的路段对应的交通状况,该交通状况可以为包括路段中车辆数量、红绿灯分布情况、路段中道路建设情况等。
商品信息可以为商品的商品价值、商品数量等。
样本时长集合可以为训练样本集合对应的集合,样本时长集合中包括有至少两个样本时长,该样本时长集合中的样本时长与训练样本集合中的训练样本一一对应。
样本时长可以为训练样本对应的订单所需运送时间,可以为根据大数据得到的时长数据,也可以为通过实验得到的时长数据,此处不对样本时长的具体获取方式进行限定。
S202,对第一时长预估模型进行初始化,得到所述第一时长预估模型对应的初始参数;
在一个实施例中,对第一时长预估模型中的各第一时长预估子模型进行初始化,得到各第一时长预估子模型分别对应的初始参数。
可以理解的,第一时长预估子模型中的具体计算公式在创建时已经确定,但公式中的权重为未知数,初始参数可以为第一时长预估子模型中公式的权重。例如,以一元一次方程为例,“y=ax+b”为初始化的公式,其中的“a”和“b”为该公式的初始参数,需要说明的是,此处仅以一元一次方程作为例子对初始参数进行说明。
需要说明的是,第一时长预估模型中的各第一时长预估子模型对应的初始参数不同,从而体现影响预估时长计算的侧重点,例如天气的侧重点比重为百分之四十、距离为百分之十、交通状况为百分之十等。
S203,获取各所述第一时长预估子模型对应的共享参数;
在一个实施例中,共享参数可以为各第一时长预估子模型之间相同的参数,可以理解的,训练样本中的部分数据不受天气的影响,因此各第一时长预估子模型对应的参数可以为相同的参数,以节省计算时长和计算资源。例如可以为训练样本中的商品价值和商品数量等。
进一步的,共享参数可以为存储于第一时长预估模型中的共享模块,第一时长预估模型中的各第一时长预估子模型从该共享模块中获取到共享参数,以根据共享参数进行计算。
S204,将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,获取所述训练样本集合对应的样本特征集合;
在一个实施例中,将训练样本集合和样本时长集合输入至第一时长预估模型后,第一时长预估模型中的各第一时长预估子模型分别获取训练样本集合中的训练和样本时长集合中的样本时长,对训练样本进行特征提取,得到训练样本对应的样本特征,从而基于各第一时长预估子模型的样本特征获取训练样本集合对应的样本特征集合。
需要说明的是,各第一时长预估子模型获取训练样本集合中的其中一个训练样本和样本时长集合中该训练样本对应的样本时长。
S205,基于所述样本特征集合和所述样本时长集合,对第一时长预估模型中的各第一时长预估子模型的所述初始参数和所述共享参数进行调整,得到各所述第一时长预估子模型的第二参数;
在一个实施例中,基于样本特征和样本时长,对第一时长预估子模型中的初始参数和共享参数进行调整,得到第一时长预估子模型对应的第二参数。
需要说明的是,一种可行的针对共享参数的调整方法可以为,第一时长预估子模型对该共享参数进行调整后,将调整后的参数上传至共享模块中,以供于其他第一时长预估子模型进行参数调整。
进一步的,另一种可行的针对共享参数的调整方法可以为,第一时长预估子模型基于共享参数对第一时长预估子模型进行参数调整后,该共享参数不发生变化。
S206,基于各所述第二参数得到所述第一时长预估模型对应的第一参数;
在一个实施例中,第一参数可以为各第二参数的集合,基于获取到的各第一时长预估子模型对应的第二参数,获取第一时长预估模型对应的第一参数。
S207,基于所述训练样本集合和所述样本时长集合,计算各所述第二时长预估子模型对应的第一预估损失函数;
在一个实施例中,基于训练样本集合中的训练样本和训练时长集合中的训练时长,计算第二时长预估子模型对应的第一预估损失函数。
其中,第一预估损失函数可以为用于判断第一时长预估子模型的训练情况的函数,第一预估损失函数可以为包括第二时长预估子模型中各样本状态时段对应的第二预估损失函数。可以理解的,样本时长中包括有各样本状态时段对应的时段时长,基于各时段时长对各样本状态时段进行第二预估损失函数的计算。
需要说明的是,第二时长预估子模型包括有商品配送过程中的各样本状态时段,例如可以为订单生成到配送员接收订单所需时段、配送员到商家所需时段、配送员到达商家到取得商品所需时段、配送员从商家到客户所需时段,以及订单生成到将商品配送至用户所需时段等。
S208,对各所述第二预估损失函数进行均值处理,得到所述第二时长预估模型对应的第三预估损失函数;
在一个实施例中,计算得到各样本状态时段对应的第二预估损失函数后,对各第二预估损失函数进行均值处理,得到第二时长预估模型对应的第三预估损失函数。
示例性的,一种可行的第二预估损失函数均值处理方法可以为,将各第二时长预估子模型的所有第二预估损失函数进行均值处理,得到第二时长预估模型对应的第三预估损失函数。例如,第二时长预估模型包括三个第二时长预估子模型,将各第二时长预估子模型的五个第二预估损失函数进行均值处理,得到十五个第二预估损失函数均值处理后得到的第三损失函数。
进一步的,另一种可行的第二预估损失函数均值处理方法可以为,对各第二时长预估子模型中各样本状态时段对应的第二预估损失函数进行均值处理,得到各第二时长预估子模型对应的均值处理后的第四预估损失函数,再对各第二时长预估子模型对应的第四预估损失函数进行均值处理,得到第二时长预估模型对应的第三预估损失函数。
S209,基于所述第三预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型;
在一个实施例中,训练状态可以为用于指示第二时长预估模型是否收敛,若第二时长预估模型收敛,则认为第二时长预估模型的计算能力达到了目标效果,可以不再进行模型训练;若第二时长预估模型未收敛,则认为第二时长预估模型的计算能力未达到目标效果,仍需要进行模型训练。
可以理解的,若训练状态指示第二时长预估模型未收敛,则将训练样本集合和样本时长集合输入至第二时长预估模型中,转入执行步骤S201,以对第二时长预估模型中的第二参数进行调整,直至第二时长预估模型收敛,得到训练完成的时长预估模型。需要说明的是,由于第二时长预估模型中的参数已经经过调整,因此不需要再次执行步骤S202进行初始化。
在本说明书实施例中,通过对第一时长预估模型中各第一时长预估子模型初始化后,基于获取到的训练样本集合和样本时长集合,对各第一时长预估子模型中的初始参数和共享参数进行调整,得到包括多个第二时长预估子模型的第二时长预估模型,根据第二时长预估模型的损失函数对模型的训练状态进行判断,得到训练完成的时长预估模型,从而降低时长预估模型出现过拟合的概率,进而提高时长预估模型的预估准确性。
请参见图4,为本说明书实施例提供了一种时长预估模型训练方法的流程示意图。如图4所示,所述方法可以包括以下步骤S301-步骤S303。
S301,获取针对订单操作生成的订单数据,获取所述订单数据对应的预估数据;
在一个实施例中,订单操作可以为用户在终端设备上创建订单的操作。
订单数据可以为用户进行订单操作时所选择的配送地址、配送时间、商家名称、商品信息等。
预估数据可以为用于对订单进行时长预估的数据,预估数据可以为包括订单对应的天气信息、用户所在配送地址、商家地址、配送员与客户之间的距离、配送员的预计骑行速度、交通状况、商品信息等。
配送时间可以为用户在进行订单操作时所选择的时间,可以立即送出,也可以为根据需要所选择的时间点。例如,如图5所示,点击图5中的送达时间的选择按键,显示用于选择的“选择送达时间”,包括“立即送出”、“14:40”等,并显示所选择的送达时间对应的配送费。
天气信息可以为订单生成时对应的信息数据,具体可以为包括降水量、阴晴情况、风速大小等,例如可以为暴雨、小雨、大风、晴天、多云、台风等。
进一步的,一种可行的天气信息的获取方法可以为,终端设备针对配送时间获取到的天气信息,该天气信息可以为终端设备根据终端设备中具有天气获取能力的软件获取,该软件可以为终端设备本地的天气软件,也可以为用于进行订单操作的软件所合作的进行天气获取的平台等。
配送员与客户之间的距离可以为客户所填写的配送地址与配送地址的预设距离范围内各配送员之间的距离。其中,预设距离范围可以为预先设置的距离,例如可以为三公里等。
预计骑行速度可以为各配送员在订单操作平台所记录的配送信息,例如可以为工作年份、配送区域、平均配送时长、配送员岁数、身体健康状态等。
交通状态可以为各配送员前往商家地址以及商家前往配送地址之间的道路对应的交通信息,具体可以为道路中的车辆数量、红绿灯数量、岔路口数量等。
商品信息可以为商品的商品价值、商品数量等。
S302,将所述预估数据输入至时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长;
在一个实施例中,获取到预估数据后,将预估数据输入至时长预估模型训练方法得到的训练完成的时长预估模型中,得到预估数据中的配送数据和环境数据,基于配属数据确定目标配送员,获取配送数据中目标配送员对应的目标配送数据,基于目标配送数据和环境数据得到预估数据对应的第一预估时长。
第一预估时长可以为时长预估模型基于预估数据进行计算后,得到的时长数值,例如可以为四十分钟等。其中,第一预估时长可以为包括有配送所需的总时长和第二预估时长,该第二预估时长可以为各状态时间段对应的状态更新时间。
进一步的,第一预估时长的获取方法可以为,基于时长预估模型中的各时长预估子模型得到的第三预估时长和第二预估时长,对各时长预估子模型的第三预估时长和第二预估时长进行均值处理,得到第一预估时长。
进一步的,第三预估时长可以为还包括有各状态时段对应的第二预估时长。其中,状态时段可以为订单配送过程中可能存在的时段。例如,状态时段可以为包括订单生成到配送员接收订单所需时段、配送员到商家所需时段、配送员到达商家到取得商品所需时段、配送员从商家到客户所需时段,以及订单生成到将商品配送至用户所需时段等。
例如,如图6所示,图6中包括有三个时长预估子模型对应的第三预估时长,包括总时长、接单状态时段、到店状态时段、取餐状态时段以及送达时段,以及各子模型的第三预估时长进行均值处理后得到的第一预估时长。由图6中内容可以看出,第一预估时长中包括各状态时段对应的第二预估时长。
进一步的,若用户在进行订单操作时,所选择的配送时间不为立即送出,则基于所选择的配送时间和以及第一预估时长,在配送时间与第一预估时长之间的差值得到的时刻,将该时刻作为配送员开始配送的时刻。
进一步的,时长预估模型基于预估数据获取第一预估时长的方法可以为,对预估数据进行特征提取得到预估特征,采用时长预估模型对预估特征进行第一预估时长的计算,以得到预估数据对应的第一预估时长以及各状态时间段对应的状态更新时间。
配送数据可以为包括预估数据中的用户所在配送地址、配送时间、商家名称、商家地址、配送员与客户之间的距离、配送员的预计骑行速度等数据。
环境数据可以为包括预估数据中的订单对应的天气信息、交通状况等数据。
目标配送员可以为采用时长预估模型在配送地址的预设范围内的配送员中选择的符合要求的配送员。
示例性的,一种可行的选择目标配送员的方法可以为,获取预设距离范围内的配送员以及各配送员对应的在订单操作平台所记录的配送信息,基于各配送信息对各配送员进行打分,得到各配送员的配送分数,选择各配送员中配送分数最高的配送员作为目标配送员。
可以理解的,一种可行的对配送员进行打分的方法可以为,基于配送信息中的配送区域,确定该配送员对区域的熟悉程度,若该配送员的配送区域包括配送地址和商家地址,则对应的分数相较于其他配送区域不包括配送地址和商家地址的配送员,分数较高。
S303,基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间,显示所述预计送达时间;
在一个实施例中,获取到第一预估时长后,获取预估数据中的当前时刻,基于第一预估时长和预估数据中的当前时刻,得到订单数据对应的预计送达时间,基于第二预估时长和状态时段对应的状态时刻,得到状态时段对应的状态更新时间,在终端设备的显示界面上显示预计送达时间,基于状态时段的变化更新显示状态时段对应的状态更新时间。
进一步的,预计送达时间中可以为包括有各时间段的预计时间,预计送达时间的获取方法可以为,将第一预估时长和当前时刻进行相加,得到订单数据对应的预计送达时间。例如,第一预估时长为34分钟,当前时刻为13:40,则预计送达时间为14:14。
当前时刻可以为终端设备获取到订单操作时对应的时刻,将该时刻作为预估数据中的当前时刻。
获取到预估数据对应的预计送达时间以及各状态时段对应的第二预设时长和状态更新时间,在终端设备的显示界面上显示该预计送达时间,并随着状态时段的变化显示对应的状态更新时间。
示例性的,如图7所示,图7中显示有当前时刻“13:40”,预计送达时间“14:14”以及当前订单处理状态“等待骑士接单”。由图7所示的内容可以看出,当前时刻为“13:40”,且当前的天气情况为下着雨。
进一步的,如图8所示,图8中显示有当前时刻“13:40”,预计送达时间“14:14”、配送员的当前状态“正在前往商家”、状态时段对应的状态更新时间为“预计12分钟到达”以及商家的地址。
进一步的,如图9所示,图9中显示有当前时刻“13:40”,预计送达时间“14:14”、配送员的当前状态“正在取餐”。
进一步的,如图10所示,图10中显示有当前时刻“13:40”,预计送达时间“14:14”、配送员的当前状态“正在前往送货”、状态时段对应的状态更新时间为“预计15分钟后送达,距您2.8km”以及配送地址。
可以理解的,图7-图10所示的内容为终端设备的显示界面上,订单数据对应的预计送达时间以及各状态时段对应的状态更新时间的显示内容。
在本说明书实施例中,通过获取订单数据对应的预估数据,采用时长预估模型中各时长预估子模型进行综合计算后均值处理,得到预估数据对应的第一预估时长,结合当前时刻后得到订单数据对应的预计送达时间和状态更新时间,在终端设备的显示界面上显示该预计送达时间和状态更新时间,从而实现根据预估数据计算恶劣天气下所需要的配送时长,进而实现提高恶劣天气下时长预估准确性。
请参见图11,为本说明书实施例提供了一种时长预估方法的流程示意图。如图11所示,所述方法可以包括以下步骤S401-步骤S408。
S401,获取针对订单操作生成的订单数据,获取所述订单数据对应的预估数据;
在一个实施例中,订单操作可以为用户在终端设备上创建订单的操作。
订单数据可以为用户进行订单操作时所选择的配送地址、配送时间、商家名称、商品信息等。
预估数据可以为用于对订单进行时长预估的数据,预估数据可以为包括订单对应的天气信息、用户所在配送地址、商家地址、配送员与客户之间的距离、配送员的预计骑行速度、交通状况、商品信息等。
配送时间可以为用户在进行订单操作时所选择的时间,可以立即送出,也可以为根据需要所选择的时间点。例如,如图5所示,点击图5中的送达时间的选择按键,显示用于选择的“选择送达时间”,包括“立即送出”、“14:40”等,并显示所选择的送达时间对应的配送费。
天气信息可以为订单生成时对应的信息数据,具体可以为包括降水量、阴晴情况、风速大小等,例如可以为暴雨、小雨、大风、晴天、多云、台风等。
进一步的,一种可行的天气信息的获取方法可以为,终端设备针对配送时间获取到的天气信息,该天气信息可以为终端设备根据终端设备中具有天气获取能力的软件获取,该软件可以为终端设备本地的天气软件,也可以为用于进行订单操作的软件所合作的进行天气获取的平台等。
配送员与客户之间的距离可以为客户所填写的配送地址与配送地址的预设距离范围内各配送员之间的距离。其中,预设距离范围可以为预先设置的距离,例如可以为三公里等。
预计骑行速度可以为各配送员在订单操作平台所记录的配送信息,例如可以为工作年份、配送区域、平均配送时长、配送员岁数、身体健康状态等。
交通状态可以为各配送员前往商家地址以及商家前往配送地址之间的道路对应的交通信息,具体可以为道路中的车辆数量、红绿灯数量、岔路口数量等。
商品信息可以为商品的商品价值、商品数量等。
S402,将所述预估数据输入至时长预估模型训练方法得到的训练完成的时长预估模型中,得到所述预估数据中的配送数据和环境数据;
在一个实施例中,获取到订单数据对应的预估数据后,将预估数据输入至采用时长预估模型训练方法得到的时长预估模型中的各时长预估子模型中,对预估数据进行特征提取得到特征数据,以基于特征数据进行计算。
预估数据中可以为包括有配送数据和环境数据,配送数据和环境数据可以为基于时长预估模型对预估数据进行解析后得到。
配送数据可以为包括预估数据中的用户所在配送地址、配送时间、商家名称、商家地址、配送员与客户之间的距离、配送员的预计骑行速度等数据。
环境数据可以为包括预估数据中的订单对应的天气信息、交通状况等数据。
S403,基于所述配送数据确定目标配送员,获取所述配送数据中所述目标配送员对应的目标配送数据;
在一个实施例中,目标配送员可以为采用时长预估模型在配送地址的预设范围内的配送员中选择的符合要求的配送员。
示例性的,一种可行的选择目标配送员的方法可以为,获取预设距离范围内的配送员以及各配送员对应的在订单操作平台所记录的配送信息,基于各配送信息对各配送员进行打分,得到各配送员的配送分数,选择各配送员中配送分数最高的配送员作为目标配送员。
可以理解的,一种可行的对配送员进行打分的方法可以为,基于配送信息中的配送区域,确定该配送员对区域的熟悉程度,若该配送员的配送区域包括配送地址和商家地址,则对应的分数相较于其他配送区域不包括配送地址和商家地址的配送员,分数较高。
进一步的,根据配送员配送信息中的工作年份、平均配送时长、身体健康状态和配送员岁数等信息,以及配送员与配送地址之间的距离,作为用于获取配送员的配送分数作为参考因素,工作年份越高、身体健康状态越好、配送员岁数越小,对应的配送分数越高。需要说明的是,基于各配送信息对各配送员进行打分时,对各配送进行综合性地考虑,具体侧重权重可根据实际需要进行设置。
进一步的,获取到各配送员的配送分数时,获取其中最高的配送分数,将该最高的配送分数对应的配送员作为目标配送员。例如,如图12所示,图12中存在四个配送员“AAA”、“BBB”、“CCC”以及“DDD”,从图12中的配送分数可以看出,配送员“AAA”的配送分数最高,因此配送员“AAA”为目标配送员,以该配送员的配送信息作为目标配送数据中配送员的信息数据。
S404,基于所述目标配送数据和所述环境数据,得到所述时长预估模型中至少一个时长预估子模型输出的第三预估时长;
在一个实施例中,第三预估时长可以为基于目标配送数据和环境数据进行计算,得到时长预估模型中各时长预估子模型中输出的时长。
进一步的,第三预估时长可以为还包括有各状态时段对应的第二预估时长。其中,状态时段可以为订单配送过程中可能存在的时段。例如,状态时段可以为包括订单生成到配送员接收订单所需时段、配送员到商家所需时段、配送员到达商家到取得商品所需时段、配送员从商家到客户所需时段,以及订单生成到将商品配送至用户所需时段等。
S405,对各所述第三预估时长进行均值处理,得到所述预估数据对应的第一预估时长;
在一个实施例中,对各第三预估时长进行均值处理的方法可以为,计算各第三预估时长的总和后,再对该总和进行均值计算,得到时长预估模型对预估数据进行计算后得到的对应的第一预估时长。
例如,如图6所示,图6中包括有三个时长预估子模型对应的第三预估时长,包括总时长、接单状态时段、到店状态时段、取餐状态时段以及送达时段,以及各子模型的第三预估时长进行均值处理后得到的第一预估时长。由图6中内容可以看出,第一预估时长中包括各状态时段对应的第二预估时长。
进一步的,若用户在进行订单操作时,所选择的配送时间不为立即送出,则基于所选择的配送时间和以及第一预估时长,在配送时间与第一预估时长之间的差值得到的时刻,将该时刻作为配送员开始配送的时刻。
S406,基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间;
在一个实施例中,当前时刻可以为终端设备获取到订单操作时对应的时刻,将该时刻作为预估数据中的当前时刻。
预计送达时间中可以为包括有各时间段的预计时间,预计送达时间的获取方法可以为,将第一预估时长和当前时刻进行相加,得到订单数据对应的预计送达时间。例如,第一预估时长为34分钟,当前时刻为13:40,则预计送达时间为14:14。
S407,基于所述第二预估时长和所述状态时段对应的状态时刻,得到所述状态时段对应的状态更新时间;
在一个实施例中,基于各第二预估时长和该状态时段对应的状态时刻,对各状态时段对应的状态时刻和对应的第二预估时长进行相加,得到各状态时段对应的状态更新时间。
例如,当前时刻为13:40,“接单”状态时段对应的第二预估时长为2分钟,则状态时段更新为“到店”的状态时刻为13:42,该“13:42”为“到店”这一状态时刻对应的状态更新时间,并随着配送员的配送进度,状态更新时间不断进行更新。
S408,显示所述预计送达时间,基于所述状态时段的变换更新显示所述状态时段对应的所述状态更新时间;
在一个实施例中,获取到预估数据对应的预计送达时间以及各状态时段对应的第二预设时长和状态更新时间,在终端设备的显示界面上显示该预计送达时间,并随着状态时段的变化显示对应的状态更新时间。
示例性的,如图7所示,图7中显示有当前时刻“13:40”,预计送达时间“14:14”以及当前订单处理状态“等待骑士接单”。由图7所示的内容可以看出,当前时刻为“13:40”,且当前的天气情况为下着雨。
进一步的,如图8所示,图8中显示有当前时刻“13:40”,预计送达时间“14:14”、配送员的当前状态“正在前往商家”、状态时段对应的状态更新时间为“预计12分钟到达”以及商家的地址。
进一步的,如图9所示,图9中显示有当前时刻“13:40”,预计送达时间“14:14”、配送员的当前状态“正在取餐”。
进一步的,如图10所示,图10中显示有当前时刻“13:40”,预计送达时间“14:14”、配送员的当前状态“正在前往送货”、状态时段对应的状态更新时间为“预计15分钟后送达,距您2.8km”以及配送地址。
可以理解的,图7-图10所示的内容为终端设备的显示界面上,订单数据对应的预计送达时间以及各状态时段对应的状态更新时间的显示内容。
在本说明书实施例中,通过获取订单数据对应的预估数据,采用时长预估模型中各时长预估子模型进行综合计算后均值处理,得到预估数据对应的第一预估时长,结合当前时刻后得到订单数据对应的预计送达时间和状态更新时间,在终端设备的显示界面上显示该预计送达时间和状态更新时间,从而实现根据预估数据计算恶劣天气下所需要的配送时长,进而实现提高恶劣天气下时长预估准确性。
基于图1所示的系统架构,下面将结合图13-图16,对本说明书实施例提供的时长预估模型训练装置进行详细介绍。需要说明的是,图13-图16中的时长预估模型训练装置,用于执行本说明书实施例图2和图3所示实施例的方法,为了便于说明,仅示出了与本说明书实施例相关的部分,具体技术细节未揭示的,请参照本说明书实施例图2和图3所示的实施例。
请参见图13,为本说明书实施例提供了一种时长预估模型训练装置的结构示意图。如图13所示,本说明书实施例的所述时长预估模型训练装置1可以包括:样本获取单元11、模型训练单元12和模型完成单元13。
样本获取单元11,用于获取用于计算预估时长的训练样本集合和所述训练样本集合对应的样本时长集合,所述训练样本集合包括至少两个训练样本;
模型训练单元12,用于将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型,所述第二时长预估模型包括至少一个第二时长预估子模型;
模型完成单元13,用于基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
可选的,如图14所示,所述时长预估模型训练装置1还包括:
初始化单元14,用于对第一时长预估模型进行初始化,得到所述第一时长预估模型对应的初始参数,所述第一时长预估模型中的各第一时长预估子模型对应的初始参数不同;
参数获取单元15,用于获取各所述第一时长预估子模型对应的共享参数。
可选的,如图15所示,所述模型训练单元12包括:
集合获取子单元121,用于获取所述训练样本集合对应的样本特征集合;
参数调整子单元122,用于基于所述样本特征集合和所述样本时长集合,对第一时长预估模型中的各第一时长预估子模型的所述初始参数和所述共享参数进行调整,得到各所述第一时长预估子模型的第二参数;
第一参数获取子单元123,用于基于各所述第二参数得到所述第一时长预估模型对应的第一参数。
可选的,如图16所示,所述模型完成单元13包括:
损失函数获取子单元131,用于基于所述训练样本集合和所述样本时长集合,计算各所述第二时长预估子模型对应的第一预估损失函数,所述第一预估损失函数包括所述第二时长预估子模型中各样本状态时段对应的第二预估损失函数;
均值子单元132,用于对各所述第二预估损失函数进行均值处理,得到所述第二时长预估模型对应的第三预估损失函数;
模型完成子单元133,用于基于所述第三预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
在本说明书实施例中,通过对第一时长预估模型中各第一时长预估子模型初始化后,基于获取到的训练样本集合和样本时长集合,对各第一时长预估子模型中的初始参数和共享参数进行调整,得到包括多个第二时长预估子模型的第二时长预估模型,根据第二时长预估模型的损失函数对模型的训练状态进行判断,得到训练完成的时长预估模型,从而降低时长预估模型出现过拟合的概率,进而提高时长预估模型的预估准确性。
基于图1所示的系统架构,下面将结合图17-图19,对本说明书实施例提供的时长预估装置进行详细介绍。需要说明的是,图17-图19中的时长预估装置,用于执行本说明书实施例图4-图12所示实施例的方法,为了便于说明,仅示出了与本说明书实施例相关的部分,具体技术细节未揭示的,请参照本说明书实施例图4-图12所示的实施例。
请参见图17,为本说明书实施例提供了一种时长预估装置的结构示意图。如图17所示,本说明书实施例的所述时长预估装置2可以包括:数据获取单元21、时长获取单元22和时间显示单元23。
数据获取单元21,用于获取针对订单操作生成的订单数据,获取所述订单数据对应的预估数据;
时长获取单元22,用于将所述预估数据输入至权利要求1至4任一项所述的时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长;
时间显示单元23,用于基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间,显示所述预计送达时间。
可选的,如图18所示,所述时长获取单元22包括:
数据获取子单元221,用于将所述预估数据输入至上述的时长预估模型训练方法得到的训练完成的时长预估模型中,得到所述预估数据中的配送数据和环境数据;
数据获取子单元221,还用于基于所述配送数据确定目标配送员,获取所述配送数据中所述目标配送员对应的目标配送数据;
时长获取子单元222,用于基于所述目标配送数据和所述环境数据得到所述预估数据对应的第一预估时长,所述第一预估时长包括至少一个状态时段对应的第二预估时长。
可选的,所述时长获取子单元222还用于:
基于所述目标配送数据和所述环境数据,得到所述时长预估模型中至少一个时长预估子模型输出的第三预估时长;
对各所述第三预估时长进行均值处理,得到所述预估数据对应的第一预估时长。
可选的,如图19所示,所述时间显示单元23包括:
时间获取子单元231,用于基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间;
时间更新子单元232,用于基于所述第二预估时长和所述状态时段对应的状态时刻,得到所述状态时段对应的状态更新时间;
时间显示子单元233,用于显示所述预计送达时间,基于所述状态时段的变换更新显示所述状态时段对应的所述状态更新时间。
在本说明书实施例中,通过获取订单数据对应的预估数据,采用时长预估模型中各时长预估子模型进行综合计算后均值处理,得到预估数据对应的第一预估时长,结合当前时刻后得到订单数据对应的预计送达时间和状态更新时间,在终端设备的显示界面上显示该预计送达时间和状态更新时间,从而实现根据预估数据计算恶劣天气下所需要的配送时长,进而实现提高恶劣天气下时长预估准确性。
本说明书实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条程序指令,所述程序指令适于由处理器加载并执行如上述图1-图12所示实施例的方法步骤,具体执行过程可以参见图1-图12所示实施例的具体说明,在此不进行赘述。
本说明书实施例还提供的一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由所述处理器加载并执行如上述图1-图12所示实施例的所述时长预估模型训练方法,具体执行过程可以参见图1-图12所示实施例的具体说明,在此不进行赘述。
请参见图20,为本说明书实施例提供了一种电子设备的结构示意图。如图20所示,所述电子设备1000可以包括:至少一个处理器1001,例如CPU,至少一个网络接口1004,输入输出接口1003,存储器1005,至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图20所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、输入输出接口模块以及时长预估模型训练应用程序。
在图20所示的电子设备1000中,输入输出接口1003主要用于为用户提供输入的接口,获取用户输入的数据。
在一个实施例中,处理器1001可以用于调用存储器1005中存储的时长预估模型训练应用程序,并具体执行以下操作:
获取用于计算预估时长的训练样本集合和所述训练样本集合对应的样本时长集合,所述训练样本集合包括至少两个训练样本;
将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型,所述第二时长预估模型包括至少一个第二时长预估子模型;
基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
可选的,所述处理器1001在执行将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述样本特征和所述样本时长对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型之前,还执行以下操作:
对第一时长预估模型进行初始化,得到所述第一时长预估模型对应的初始参数,所述第一时长预估模型中的各第一时长预估子模型对应的初始参数不同;
获取各所述第一时长预估子模型对应的共享参数。
可选的,所述处理器1001在执行基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数时,具体执行以下操作:
获取所述训练样本集合对应的样本特征集合;
基于所述样本特征集合和所述样本时长集合,对第一时长预估模型中的各第一时长预估子模型的所述初始参数和所述共享参数进行调整,得到各所述第一时长预估子模型的第二参数;
基于各所述第二参数得到所述第一时长预估模型对应的第一参数。
可选的,所述处理器1001在执行基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型时,具体执行以下操作:
基于所述训练样本集合和所述样本时长集合,计算各所述第二时长预估子模型对应的第一预估损失函数,所述第一预估损失函数包括所述第二时长预估子模型中各样本状态时段对应的第二预估损失函数;
对各所述第二预估损失函数进行均值处理,得到所述第二时长预估模型对应的第三预估损失函数;
基于所述第三预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
在本说明书实施例中,通过对第一时长预估模型中各第一时长预估子模型初始化后,基于获取到的训练样本集合和样本时长集合,对各第一时长预估子模型中的初始参数和共享参数进行调整,得到包括多个第二时长预估子模型的第二时长预估模型,根据第二时长预估模型的损失函数对模型的训练状态进行判断,得到训练完成的时长预估模型,从而降低时长预估模型出现过拟合的概率,进而提高时长预估模型的预估准确性。
请参见图21,为本说明书实施例提供了一种电子设备的结构示意图。如图21所示,所述电子设备2000可以包括:至少一个处理器2001,例如CPU,至少一个网络接口2004,输入输出接口2003,存储器2005,至少一个通信总线2002。其中,通信总线2002用于实现这些组件之间的连接通信。其中,网络接口2004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器2005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器2005可选的还可以是至少一个位于远离前述处理器2001的存储装置。如图21所示,作为一种计算机存储介质的存储器2005中可以包括操作系统、网络通信模块、输入输出接口模块以及时长预估应用程序。
在图21所示的电子设备2000中,输入输出接口2003主要用于为用户提供输入的接口,获取用户输入的数据。
在一个实施例中,处理器2001可以用于调用存储器2005中存储的时长预估应用程序,并具体执行以下操作:
获取针对订单操作生成的订单数据,获取所述订单数据对应的预估数据;
将所述预估数据输入至权利要求1至4任一项所述的时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长;
基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间,显示所述预计送达时间。
可选的,所述处理器2001在执行将所述预估数据输入至上述的时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长时,具体执行以下操作:
将所述预估数据输入至上述的时长预估模型训练方法得到的训练完成的时长预估模型中,得到所述预估数据中的配送数据和环境数据;
基于所述配送数据确定目标配送员,获取所述配送数据中所述目标配送员对应的目标配送数据;
基于所述目标配送数据和所述环境数据得到所述预估数据对应的第一预估时长,所述第一预估时长包括至少一个状态时段对应的第二预估时长。
可选的,所述处理器2001在执行基于所述目标配送数据和所述环境数据得到所述预估数据对应的第一预估时长时,具体执行以下操作:
基于所述目标配送数据和所述环境数据,得到所述时长预估模型中至少一个时长预估子模型输出的第三预估时长;
对各所述第三预估时长进行均值处理,得到所述预估数据对应的第一预估时长。
可选的,所述处理器2001在执行基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间,显示所述预计送达时间时,具体执行以下操作:
基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间;
基于所述第二预估时长和所述状态时段对应的状态时刻,得到所述状态时段对应的状态更新时间;
显示所述预计送达时间,基于所述状态时段的变换更新显示所述状态时段对应的所述状态更新时间。
在本说明书实施例中,通过获取订单数据对应的预估数据,采用时长预估模型中各时长预估子模型进行综合计算后均值处理,得到预估数据对应的第一预估时长,结合当前时刻后得到订单数据对应的预计送达时间和状态更新时间,在终端设备的显示界面上显示该预计送达时间和状态更新时间,从而实现根据预估数据计算恶劣天气下所需要的配送时长,进而实现提高恶劣天气下时长预估准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本说明书较佳实施例而已,当然不能以此来限定本说明书之权利范围,因此依本说明书权利要求所作的等同变化,仍属本说明书所涵盖的范围。
Claims (10)
1.一种时长预估模型训练方法,其特征在于,所述方法包括:
获取用于计算预估时长的训练样本集合和所述训练样本集合对应的样本时长集合,所述训练样本集合包括至少两个训练样本;
将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型,所述第二时长预估模型包括至少一个第二时长预估子模型;
基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
2.根据权利要求1所述的方法,其特征在于,所述第一时长预估模型包括至少一个第一时长预估子模型;
所述将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述样本特征和所述样本时长对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型之前,还包括:
对第一时长预估模型进行初始化,得到所述第一时长预估模型对应的初始参数,所述第一时长预估模型中的各第一时长预估子模型对应的初始参数不同;
获取各所述第一时长预估子模型对应的共享参数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,包括:
获取所述训练样本集合对应的样本特征集合;
基于所述样本特征集合和所述样本时长集合,对第一时长预估模型中的各第一时长预估子模型的所述初始参数和所述共享参数进行调整,得到各所述第一时长预估子模型的第二参数;
基于各所述第二参数得到所述第一时长预估模型对应的第一参数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型,包括:
基于所述训练样本集合和所述样本时长集合,计算各所述第二时长预估子模型对应的第一预估损失函数,所述第一预估损失函数包括所述第二时长预估子模型中各样本状态时段对应的第二预估损失函数;
对各所述第二预估损失函数进行均值处理,得到所述第二时长预估模型对应的第三预估损失函数;
基于所述第三预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
5.一种时长预估方法,其特征在于,所述方法包括:
获取针对订单操作生成的订单数据,获取所述订单数据对应的预估数据;
将所述预估数据输入至权利要求1至4任一项所述的时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长;
基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间,显示所述预计送达时间。
6.根据权利要求5所述的方法,其特征在于,所述将所述预估数据输入至权利要求1至4任一项所述的时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长,包括:
将所述预估数据输入至所述权利要求1至4任一项所述的时长预估模型训练方法得到的训练完成的时长预估模型中,得到所述预估数据中的配送数据和环境数据;
基于所述配送数据确定目标配送员,获取所述配送数据中所述目标配送员对应的目标配送数据;
基于所述目标配送数据和所述环境数据得到所述预估数据对应的第一预估时长,所述第一预估时长包括至少一个状态时段对应的第二预估时长。
7.一种时长预估模型训练装置,其特征在于,所述装置包括:
样本获取单元,用于获取用于计算预估时长的训练样本集合和所述训练样本集合对应的样本时长集合,所述训练样本集合包括至少两个训练样本;
模型训练单元,用于将所述训练样本集合和所述样本时长集合输入至第一时长预估模型中,基于所述训练样本集合和所述样本时长集合对第一时长预估模型进行训练,得到所述第一时长预估模型的第一参数,基于所述第一参数构建第二时长预估模型,所述第二时长预估模型包括至少一个第二时长预估子模型;
模型完成单元,用于基于所述训练样本集合和所述样本时长集合,计算所述第二时长预估模型中各所述第二时长预估子模型对应的第一预估损失函数,基于各所述第一预估损失函数确定所述第二时长预估模型的训练状态,直至所述训练状态指示所述第二时长预估模型收敛,得到训练完成的时长预估模型。
8.一种时长预估装置,其特征在于,所述装置包括:
数据获取单元,用于获取针对订单操作生成的订单数据,获取所述订单数据对应的预估数据;
时长获取单元,用于将所述预估数据输入至权利要求1至4任一项所述的时长预估模型训练方法得到的训练完成的时长预估模型中,获取所述预估数据对应的第一预估时长;
时间显示单元,用于基于所述第一预估时长和所述预估数据中的当前时刻,得到所述订单数据对应的预计送达时间,显示所述预计送达时间。
9.一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~4或5~6任意一项所述方法的步骤。
10.一种电子设备,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~4或5~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077965.6A CN117094622A (zh) | 2023-08-24 | 2023-08-24 | 一种时长预估模型训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077965.6A CN117094622A (zh) | 2023-08-24 | 2023-08-24 | 一种时长预估模型训练方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117094622A true CN117094622A (zh) | 2023-11-21 |
Family
ID=88776591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311077965.6A Pending CN117094622A (zh) | 2023-08-24 | 2023-08-24 | 一种时长预估模型训练方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094622A (zh) |
-
2023
- 2023-08-24 CN CN202311077965.6A patent/CN117094622A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334289B (zh) | 出行目的地的确定方法和目标用户的确定方法 | |
CN108364085A (zh) | 一种外卖配送时间预测方法和装置 | |
CN103971170B (zh) | 一种用于对特征信息的变化进行预测的方法和装置 | |
CN109508839A (zh) | 订单分配方法和装置 | |
JP7486507B2 (ja) | インベントリの管理および最適化のための強化学習システムおよび強化学習方法 | |
CN105844762B (zh) | 排号装置、排号系统及排号方法 | |
KR102315856B1 (ko) | 음식 배달에 대한 라이더 자동 배차 관리 시스템 | |
CN109308538B (zh) | 成交转化率预测方法及装置 | |
CN111695842B (zh) | 配送方案确定方法、装置、电子设备及计算机存储介质 | |
JP6536028B2 (ja) | 発注計画決定装置、発注計画決定方法および発注計画決定プログラム | |
CN109377291A (zh) | 任务价格预测方法、装置、电子设备及计算机存储介质 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
US11763406B2 (en) | Method and apparatus for delivery order fee determination and assignment | |
CN113850991B (zh) | 一种收费站的交通状况识别方法、装置、存储介质及终端 | |
CN110009287A (zh) | 溢价确定方法、装置、设备及存储介质 | |
US11810015B2 (en) | Forecasting system | |
US11537961B2 (en) | Forecasting system | |
CN110414875B (zh) | 产能数据处理方法、装置、电子设备及计算机可读介质 | |
CN117094622A (zh) | 一种时长预估模型训练方法、装置、存储介质及电子设备 | |
US20100082405A1 (en) | Multi-period-ahead Forecasting | |
CN115796375A (zh) | 一种物品送达时间预测方法、装置、设备及存储介质 | |
WO2019132700A1 (ru) | Способ и система приобретения электронных билетов на транспорт | |
CN114626660A (zh) | 用于激增调整预报的方法和装置 | |
CN113689125A (zh) | 信息推送方法和装置 | |
CN113191806A (zh) | 确定流量调控目标的方法及装置 |
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 |