CN111539780A - 一种任务处理方法、装置、存储介质和电子设备 - Google Patents
一种任务处理方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111539780A CN111539780A CN201910831616.6A CN201910831616A CN111539780A CN 111539780 A CN111539780 A CN 111539780A CN 201910831616 A CN201910831616 A CN 201910831616A CN 111539780 A CN111539780 A CN 111539780A
- Authority
- CN
- China
- Prior art keywords
- task
- delay time
- attribute information
- historical
- pressure parameter
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012384 transportation and delivery Methods 0.000 claims description 81
- 238000012545 processing Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 21
- 238000007477 logistic regression Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 235000012054 meals Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种任务处理方法、装置、存储介质和电子设备。本发明实施例根据任务属性信息、任务压力参数以及第一预测模型确定预计延迟时间。第一预测模型根据历史任务数据预先训练获得,通过第一预测模型确定预计延迟时间,能够动态地调整每一个任务的延迟时间,使得每一个任务的延迟时间都有所区别。可以根据不同任务的任务属性信息和任务所属区域的任务压力参数,动态调整各任务的延迟时间,能够提高任务匹配管理粒度,提高效率。
Description
技术领域
本发明涉及任务处理领域,尤其涉及一种任务处理方法、装置、存 储介质和电子设备。
背景技术
随着互联网技术的发展,线上到线下(O2O,Online To Offline) 业务变得越来越普遍。网上外卖点餐以及网上购物的交易规模也保持较 髙的増长速度。
在对外卖配送的过程中,为了提高效率,需要给外卖任务设置一个 延迟时间,以便于将相似的多个外卖任务匹配同一个配送资源。然而, 每个外卖任务的提供方的情况不同,给每个外卖任务设定相同的延迟时 间会出现任务超时的情况。因此,需要对现有的任务处理方法进行改进。
发明内容
有鉴于此,本发明实施例提供了一种任务处理方法、装置、存储介 质和电子设备,用于改进现有的任务处理方法。
第一方面,本发明实施例提供一种任务处理方法,所述方法包括:
接收来自于程序调用接口的任务处理请求;
通过至少一个处理器从终端或数据库获取任务的任务属性信息;
通过至少一个处理器确定所述任务所属区域的任务压力参数,所述 任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送 能力确定;
通过至少一个处理器根据所述任务属性信息、所述任务压力参数以 及第一预测模型确定所述任务的预计延迟时间,所述第一预测模型根据 历史任务属性数据预先训练获得,所述历史任务属性数据包括历史任务 的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历 史任务的实际延迟时间;
通过所述程序调用接口返回所述任务的预计延迟时间;
响应于满足所述预计延迟时间,通过至少一个处理器对所述任务进 行处理。
优选地,所述任务属性信息包括配送距离;
所述通过至少一个处理器根据所述任务属性信息、所述任务压力参 数以及所述第一预测模型确定预计延迟时间包括:
根据第二预测模型和任务属性信息确定配送时长,所述第二预测模 型采用梯度提升算法,以历史任务数据作为训练数据预先训练获得;
将所述配送距离、所述配送时长以及所述任务压力参数输入所述第 一预测模型,以获得所述任务的预计延迟时间。
优选地,所述确定所述任务所属区域的任务压力参数包括:
根据所述任务所属区域的总任务量和任务配送能力的比值确定所 述任务压力参数。
优选地,所述第一预测模型根据逻辑回归算法训练获得。
优选地,以所述历史任务的任务属性信息和所述历史任务的所属区 域的任务压力参数作为输入,以所述历史任务的实际延迟时间为输出训 练所述第一预测模型。
优选地,所述响应于满足所述预计延迟时间,通过至少一个处理器 对所述任务进行处理包括:
确定与所述任务匹配的配送资源;
响应于到达所述预计延迟时间,将所述任务的任务属性信息发送给 与所述任务匹配的配送资源。
优选地,所述确定与所述任务匹配的配送资源包括:
响应于所述调用接口返回所述任务的预计延迟时间,根据所述任务 属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资 源;或
响应于到达延迟时间,根据所述任务属性信息和配送资源信息确定 与所述任务匹配的配送资源。
第二方面,本发明实施例提供一种任务处理装置,所述装置包括:
请求接收单元,用于接收来自于程序调用接口的任务处理请求;
属性信息获取单元,用于通过至少一个处理器从终端或数据库获取 任务的任务属性信息;
任务压力参数确定单元,用于通过至少一个处理器确定所述任务所 属区域的任务压力参数,所述任务压力参数根据所述任务所属区域的总 任务量和配送资源的任务配送能力确定;
延迟时间预测单元,用于通过至少一个处理器根据所述任务属性信 息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间, 所述第一预测模型根据历史任务属性数据预先训练获得,所述历史任务 属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任 务压力参数以及所述历史任务的实际延迟时间;
信息返回单元,用于通过所述程序调用接口返回所述任务的预计延 迟时间;
任务处理单元,用于响应于满足所述预计延迟时间,通过至少一个 处理器对所述任务进行处理。
优选地,所述任务属性信息包括配送距离;
所述延迟时间预测单元包括:
配送时长确定子单元,用于根据第二预测模型和任务属性信息确定 配送时长,所述第二预测模型采用梯度提升算法,以历史任务数据作为 训练数据预先训练获得;
延迟时间预测子单元,用于将所述配送距离、所述配送时长以及所 述任务压力参数输入所述第一预测模型,以获得所述任务的预计延迟时 间。
优选地,所述任务压力参数确定单元包括:
任务压力参数确定子单元,用于根据所述任务所属区域的总任务量 和任务配送能力的比值确定所述任务压力参数。
优选地,所述第一预测模型根据逻辑回归算法训练获得。
优选地,以所述历史任务的任务属性信息和所述历史任务的所属区 域的任务压力参数作为输入,以所述历史任务的实际延迟时间为输出训 练所述第一预测模型。
优选地,所述任务处理单元包括:
匹配子单元,用于确定与所述任务匹配的配送资源;
任务发送子单元,用于响应于到达所述预计延迟时间,将所述任务 的任务属性信息发送给与所述任务匹配的配送资源。
优选地,所述匹配子单元包括:
第一确定模块,用于响应于所述调用接口返回所述任务的预计延迟 时间,根据所述任务属性信息、所述延迟时间和配送资源信息预测与所 述任务匹配的配送资源;或
第二确定模块,用于响应于到达延迟时间,根据所述任务属性信息 和配送资源信息确定与所述任务匹配的配送资源。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储 计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方 面所述的方法。
第四方面,本发明实施例提供一种电子设备,包括存储器和处理器, 所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多 条计算机程序指令被所述处理器执行如下步骤:
接收来自于程序调用接口的任务处理请求;
通过至少一个处理器从终端或数据库获取任务的任务属性信息;
通过至少一个处理器确定所述任务所属区域的任务压力参数,所述 任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送 能力确定;
通过至少一个处理器根据所述任务属性信息、所述任务压力参数以 及第一预测模型确定所述任务的预计延迟时间,所述第一预测模型根据 历史任务属性数据预先训练获得,所述历史任务属性数据包括历史任务 的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历 史任务的实际延迟时间;
通过所述程序调用接口返回所述任务的预计延迟时间;
响应于满足所述预计延迟时间,通过至少一个处理器对所述任务进 行处理。
优选地,所述任务属性信息包括配送距离;
所述通过至少一个处理器根据所述任务属性信息、所述任务压力参 数以及所述第一预测模型确定预计延迟时间包括:
根据第二预测模型和任务属性信息确定配送时长,所述第二预测模 型采用梯度提升算法,以历史任务数据作为训练数据预先训练获得;
将所述配送距离、所述配送时长以及所述任务压力参数输入所述第 一预测模型,以获得所述任务的预计延迟时间。
优选地,所述确定所述任务所属区域的任务压力参数包括:
根据所述任务所属区域的总任务量和任务配送能力的比值确定所 述任务压力参数。
优选地,所述第一预测模型根据逻辑回归算法训练获得。
优选地,以所述历史任务的任务属性信息和所述历史任务的所属区 域的任务压力参数作为输入,以所述历史任务的实际延迟时间为输出训 练所述第一预测模型。
优选地,所述响应于满足所述预计延迟时间,通过至少一个处理器 对所述任务进行处理包括:
确定与所述任务匹配的配送资源;
响应于到达所述预计延迟时间,将所述任务的任务属性信息发送给 与所述任务匹配的配送资源。
优选地,所述确定与所述任务匹配的配送资源包括:
响应于所述调用接口返回所述任务的预计延迟时间,根据所述任务 属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资 源;或
响应于到达延迟时间,根据所述任务属性信息和配送资源信息确定 与所述任务匹配的配送资源。
本发明实施例根据任务属性信息、任务压力参数以及第一预测模型 确定预计延迟时间。第一预测模型根据历史任务数据预先训练获得,通 过第一预测模型确定预计延迟时间,能够动态地调整每一个任务的延迟 时间,使得每一个任务的延迟时间都有所区别。可以根据不同任务的任 务属性信息和任务所属区域的任务压力参数,动态调整各任务的延迟时 间,能够提高任务匹配管理粒度,提高整体匹配效率。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它 目的、特征和优点将更为清楚,在附图中:
图1为本发明第一实施例的任务处理方法流程示意图;
图2是本发明第一实施例的根据所述任务属性信息、所述任务压力 参数以及第一预测模型确定预计延迟时间的流程图;
图3是本发明第二实施例的任务处理装置示意图;
图4是本发明第三实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些 实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部 分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本 发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和 电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说 明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书中的“包括”、“包含”等 类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说, 是“包括但不限于”的含义。
在本发明公开的描述中,需要理解的是,术语“第一”、“第二”等 仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发 明公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在当前的任务处理过程中,我们希望在充分利用现有的运力,把所 有任务尽可能高效的配送出去。常用的方法(包括众包以及专送等)用 户任务下单后,***不会立刻给任务匹配合适的配送资源。通过对任务 延迟一定时间再给任务匹配合适的配送资源,可以将相近的多个任务分 给同一配送资源进行配送,从而在一定程度上能够为待配送的任务匹配 最合适的配送资源,能够提高配送资源的效率,减小配送成本,提升了 服务质量,增强了用户体验和配送资源体验。
然而,现有的任务处理过程中,预先设定一个预计延迟时间,当到 达预计延迟时间后,***自动将任务进行和配送资源匹配,如果没有自 动匹配到合适的配送资源,通过人工介入的方式给任务匹配合适的配送 资源。现有的各任务的预计延迟时间都是相同的,而由于实际任务匹配 的过程中,由于任务压力参数的不同,会使得相同的预计延迟时间无法 适应不同的情景,导致任务处理不合理。在压力大时,任务密度大,短 时间就能累积一定的可以由同一配送资源配送的多个相似任务,常规的 预计延迟时间会导致任务积累过多,无法及时完成配送。在任务压力参 数小时,则需要较长的时间才能累积相似的任务,常规的预计延迟时间 会导致任务数量太少,配送效率过低。因此,现有的预计延迟时间的设置影响配送效率和用户的满意度。
有鉴于此,本发明实施例提供了一种任务处理的方法,根据任务属 性信息的不同,动态调节不同任务的预计延迟时间,能够合理的匹配运 力资源,提高***整体的任务匹配管理粒度。提高配送效率。在以下的 实施例中,以外卖的配送为例来进行说明,但是,本领域技术人员容易 理解,本发明实施例的方案也可以适用于网上超市等不同销售平台,以 及快递派送等不同的应用场景。
图1为本发明第一实施例的任务处理方法流程示意图,如图1所示, 本实施例的方法包括如下步骤:
步骤S100,接收来自于程序调用接口的任务处理请求。
步骤S200,通过至少一个处理器从终端或数据库获取任务的任务属 性信息。
具体地,所述任务可以是待匹配合适的配送资源的外卖任务。所述 任务属性信息可以包括:时段、商户标识、配送区域、天气等级、配送 距离、任务价格、待配送任务数量以及商户备餐时长等信息。
其中,所述时段是指每天中相同的一个时间段,例如,11:30-12: 00。所述商户标识是指客户购买外卖的店铺。所述配送区域指商户或用 户所在的区域。所述天气等级是根据天气的情况如晴天、雨或雪等来确 定配送的难易等级。所述任务压力参数是配送资源接收的任务总数,和 配送资源的配送能力的比值,其中,配送资源可以是外卖配送员,还可以是机器人、无人车等无人配送设备。
步骤S300,通过至少一个处理器确定所述任务所属区域的任务压力 参数。
在一种可选的实现方式中,所述任务压力参数可以采用如下公式计 算:
其中,press_aoi为任务压力参数,si为商户待配送任务数量,商圈 内商户数为n,xj为配送运力最大背单量,商圈内配送运力数量为m,ρ 为归一化系数。
应理解,在其他可选的实现方式中,所述任务压力参数也可以采用 其他公式来计算,例如,根据所述任务所属区域的总任务量和任务配送 能力的比值确定所述任务压力参数。其中所述配送能力表征配送资源能 够配送的总的最大任务量。
步骤S400,通过至少一个处理器根据所述任务属性信息所述任务压 力参数以及第一预测模型确定所述任务的预计延迟时间。
其中,所述任务属性信息包括配送距离。所述根据所述任务属性信 息、所述任务压力参数以及所述第一预测模型确定预计延迟时间包括:
步骤S410、根据第二预测模型和任务属性信息确定配送时长,所述 第二预测模型采用梯度提升算法,以历史任务数据作为训练数据预先训 练获得。
具体地,第二预测模型可以是根据梯度提升树算法训练获得。所述 第二预测模型的训练样本为历史任务数据。进一步地,将历史任务数据 中包括时段、商户标识、配送区域、天气等级、配送距离、任务价格、 任务压力参数、待配送任务数量以及商户备餐时长等信息作为输入,将 历史任务的实际配送时长作为输出训练所述第二预测模型。
根据第二预测模型和任务属性信息确定配送时长具体为将任务的 包括时段、商户标识、配送区域、天气等级、配送距离、任务价格、任 务压力参数、待配送任务数量以及商户备餐时长等任务属性信息输入第 二预测模型,获得任务的预计配送时长。
步骤S420、将所述配送距离、所述配送时长以及所述任务压力参数 输入所述第一预测模型,以获得所述任务的预计延迟时间。
具体地,所述第一预测模型根据逻辑回归(Logistic Regressive,LR) 算法训练获得。逻辑回归是一种广义的线性回归分析模型,逻辑回归实 质:发生概率除以没有发生概率再取对数。就是这个不太繁琐的变换改 变了取值区间的矛盾和因变量自变量间的曲线关系。究其原因,是发生 和未发生的概率成为了比值,这个比值就是一个缓冲,将取值范围扩大, 再进行对数变换,整个因变量改变。不仅如此,这种变换往往使得因变 量和自变量之间呈线性关系,这是根据大量实践而总结。
在一种可选的实现方式中,根据逻辑回归算法训练所述第一预测模 型。所述第一预测模型的第一训练样本为延迟时间大于第一阈值的历史 任务,第二训练样本为实际延迟时间小于第一阈值的任务。其中,第二 训练样本以所述历史任务的任务属性信息和所述历史任务的所属区域的 任务压力参数作为输入,以所述历史任务的预计延迟时间为输出训练所 述第一预测模型。第一训练样本以所述历史任务的任务属性信息和所述 历史任务的所属区域的任务压力参数作为输入,以所述历史任务的实际 延迟时间为输出训练所述第一预测模型。其中,所述第一阈值可以为历 史任务设定的统一的预计延迟时间。所述历史任务的实际延迟时间为历 史任务实际派发时间和下单时间之间的时长。其中,所述历史任务的属 性信息可以包括时段、商户标识、配送区域、天气等级、配送距离、任 务价格、任务压力参数、待配送任务数量以及商户备餐时长等信息。
采用预先训练的第一模型来预测各任务的预计延迟时间,可以根据 不同任务的任务属性信息和任务所属区域的任务压力参数的不同,动态 调整各任务的延迟时间,能够提高配送效率以及用户满意度。
应理解,本发明实施例中,以逻辑回归算法训练第一预测模型为例 进行说明,在其他可选的实施例中,也可以选用其他的算法训练所述第 一预测模型,例如,可以采用随机森林(Random Forest)等模型训练所述 第一预测模型。所述第一预测模型的训练样本为延迟时间大于第一阈值 的历史任务。进一步地,以所述历史任务的任务属性信息和所述历史任 务的所属区域的任务压力参数作为输入,以所述历史任务的实际延迟时 间为输出训练所述第一预测模型。其中,所述第一阈值可以为历史任务 设定的统一的预计延迟时间。
步骤S500,通过所述程序调用接口返回所述任务的预计延迟时间。
具体地,响应于到达所述预计延迟时间,将所述任务的任务属性信 息发送给与所述任务匹配的配送资源。
步骤S600,响应于满足所述预计延迟时间,通过至少一个处理器对 所述任务进行处理。
具体地,所述响应于满足所述预计延迟时间,通过至少一个处理器 对所述任务进行处理包括如下步骤:
步骤S601,确定与所述任务匹配的配送资源。
步骤S602,响应于到达所述预计延迟时间,将所述任务的任务属性 信息发送给与所述任务匹配的配送资源。
所述确定与所述任务匹配的配送资源包括:
响应于所述调用接口返回所述任务的预计延迟时间,根据所述任务 属性信息和所述延迟时间预测与所述任务匹配的配送资源。或响应于到 达延迟时间,确定与所述任务匹配的配送资源。
具体的,响应于所述调用接口返回所述任务的预计延迟时间,采用 第三预测模型,对所述任务所在区域附近的配送资源进行预测,确定出 在到达延迟时间时与所述任务匹配度高的配送资源。所述第三预测模型 根据配送资源的历史信息和当前绑定任务信息训练获得。其他可选的实 现方式中,也可以在到达延迟时间后,根据第四预测模型预测确定匹配 的配送资源。所述第四预测模型根据配送资源的历史信息和当前绑定任 务属性信息训练获得。具体根据配送资源距任务的距离,配送资源的等 级参数等数据训练所述第四预测模型。
在到达延迟时间时,向匹配度高的配送资源发送任务属性信息。
在一种可选的实现方式中,首先获取任务的信息,所述任务属性信 息可以包括:时段、商户标识、配送区域、天气等级、配送距离、任务 价格、任务压力参数、待配送任务数量以及商户备餐时长等信息。其次, 确定所述任务所属区域的任务压力参数。根据所述任务所属区域的总任 务量和任务配送能力的比值确定所述任务压力参数。其中所述配送能力 表征配送资源能够配送的总的最大任务量。并根据任务属性信息确定配 送时长,所述配送时长根据第二预测模型和相关任务属性信息预测获得。 再次,根据所述任务属性信息、所述配送时长、所述任务压力参数以及 第一预测模型确定预计延迟时间。所述第一预测模型根据逻辑回归算法 预先训练。将包括配送时长等任务属性信息以及任务压力参数输入第一 预测模型,获得所述预计延迟时间。最后,根据预计延迟时间以及任务 属性信息派发所述任务,将任务的信息发送给相应的配送资源。
本发明实施例根据任务属性信息、任务压力参数以及第一预测模型 确定预计延迟时间。第一预测模型根据历史任务数据预先训练获得,通 过第一预测模型确定预计延迟时间,能够动态地调整每一个任务的延迟 时间,使得每一个任务的延迟时间都有所区别。可以根据不同任务的任 务属性信息和任务所属区域的任务压力参数,动态调整各任务的延迟时 间,能够提高任务匹配管理粒度,提高整体配送效率。
图3是本发明第二实施例的任务处理装置示意图。如图3所示,所 述任务处理装置包括:请求接收单元310,属性信息获取单元320,任务 压力参数确定单元330,延迟时间预测单元340,信息返回单元350以及 任务派发单元360。
所述请求接收单元310用于接收来自于程序调用接口的任务处理请 求。
所述属性信息获取单元320用于通过至少一个处理器从终端或数据 库获取任务的任务属性信息。
所述任务压力参数确定单元330用于通过至少一个处理器确定所述 任务所属区域的任务压力参数。所述任务压力参数根据所述任务所属区 域的总任务量和配送资源的任务配送能力确定。
所述任务压力参数确定单元330包括:任务压力参数确定子单元331,
任务压力参数确定子单元331用于根据所述任务所属区域的总任务 量和任务配送能力的比值确定所述任务压力参数。
所述延迟时间预测单元340用于通过至少一个处理器根据所述任务 属性信息、所述任务压力参数以及第一预测模型确定预计延迟时间。所 述第一预测模型根据历史任务属性数据预先训练获得,所述历史任务属 性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务 压力参数以及所述历史任务的实际延迟时间。
所述任务属性信息包括配送距离;所述延迟时间预测单元包括:配 送时长确定子单元341和延迟时间获取子单元342。
配送时长确定子单元341用于根据第二预测模型和任务属性信息确 定配送时长,所述第二预测模型采用梯度提升算法,以历史任务数据作 为训练数据预先训练获得。
延迟时间预测子单元342用于将所述配送距离、所述配送时长以及 所述任务压力参数输入所述第一预测模型,以获得所述任务的预计延迟 时间。
具体地,所述第一预测模型根据逻辑回归算法训练获得。所述第一 预测模型的训练样本为延迟时间大于第一阈值的历史任务。以所述历史 任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输 入,以所述历史任务的实际延迟时间为输出训练所述第一预测模型。
信息返回单元350用于通过所述程序调用接口返回所述任务的预计 延迟时间。
所述任务处理单元360用于响应于满足所述预计延迟时间,通过至 少一个处理器对所述任务进行处理。
所述任务派发单元360包括:匹配子单元361和任务发送子单元362。
匹配子单元361用于确定与所述任务匹配的配送资源。
任务发送子单元362用于响应于到达所述预计延迟时间,将所述任 务的任务属性信息发送给与所述任务匹配的配送资源。
所述匹配子单元361包括:第一确定模块和第二确定模块。
第一确定模块,用于响应于所述调用接口返回所述任务的预计延迟 时间,根据所述任务属性信息、所述延迟时间和配送资源信息预测与所 述任务匹配的配送资源;或
第二确定模块,用于响应于到达延迟时间,根据所述任务属性信息 和配送资源信息确定与所述任务匹配的配送资源。
图4是本发明第三实施例的电子设备的示意图。如图4所示,该电 子设备:至少包括一个处理器401;以及,与至少一个处理器401通信 连接的存储器402;以及,与扫描装置通信连接的通信组件403,通信组 件403在处理器401的控制下接收和发送数据;其中,存储器402存储 有可被至少一个处理器401执行的指令,指令被至少一个处理器401执 行以实现一种任务处理方法,所述方法包括:
获取任务的任务属性信息;
确定所述任务所属区域的任务压力参数;
根据所述任务属性信息、所述任务压力参数以及第一预测模型确定 预计延迟时间,所述第一预测模型根据历史任务数据预先训练获得;
根据所述预计延迟时间和所述任务属性信息派发所述任务。
优选地,所述任务属性信息包括配送距离;
所述根据所述任务属性信息、所述任务压力参数以及所述第一预测 模型确定预计延迟时间包括:
根据第二预测模型和任务属性信息确定配送时长,所述第二预测模 型根据历史任务数据预先训练获得;
将所述配送距离、所述配送时长以及所述任务压力参数输入所述第 一预测模型,以获得所述任务的预计延迟时间。
优选地,所述确定所述任务所属区域的任务压力参数包括:
根据所述任务所属区域的总任务量和任务配送能力的比值确定所 述任务压力参数。
优选地,所述第一预测模型根据逻辑回归算法训练获得。
优选地,所述第一预测模型的训练样本为延迟时间大于第一阈值的 历史任务。
优选地,以所述历史任务的任务属性信息和所述历史任务的所属区 域的任务压力参数作为输入,以所述历史任务的实际延迟时间为输出训 练所述第一预测模型。
优选地,所述根据所述预计延迟时间和所述任务属性信息派发所述 任务包括:
响应于到达所述预计延迟时间,将所述任务的任务属性信息发送给 与所述任务匹配的配送资源。
具体地,该电子设备包括:一个或多个处理器401以及存储器402, 图4中以一个处理器401为例。处理器401、存储器402可以通过总线 或者其他方式连接,图4中以通过总线连接为例。存储器402作为一种 非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失 性计算机可执行程序以及模块。处理器401通过运行存储在存储器402 中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用 以及数据处理,即实现上述任务处理方法。
存储器402可以包括存储程序区和存储数据区,其中,存储程序区 可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储 选项列表等。此外,存储器402可以包括高速随机存取存储器,还可以 包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他 非易失性固态存储器件。在一些实施方式中,存储器402可选包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至 外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、 移动通信网及其组合。
一个或者多个模块存储在存储器402中,当被一个或者多个处理器 401执行时,执行上述任意方法实施方式中的任务处理方法。
上述产品可执行本申请实施方式所提供的方法,具备执行方法相应 的功能模块和有益效果,未在本实施方式中详尽描述的技术细节,可参 见本申请实施方式所提供的方法。
本发明的第四实施例涉及一种非易失性存储介质,用于存储计算机 可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方 法实施例。从而具备相应的有益效果。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部 分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存 储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等) 或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。 而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光 盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的 具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变, 而不偏离本发明的精神和范围。
本发明实施例提供了A1、一种任务处理方法,其中,所述方法包括:
接收来自于程序调用接口的任务处理请求;
通过至少一个处理器从终端或数据库获取任务的任务属性信息;
通过至少一个处理器确定所述任务所属区域的任务压力参数,所述 任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送 能力确定;
通过至少一个处理器根据所述任务属性信息、所述任务压力参数以 及第一预测模型确定所述任务的预计延迟时间,所述第一预测模型根据 历史任务属性数据预先训练获得,所述历史任务属性数据包括历史任务 的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历 史任务的实际延迟时间;
通过所述程序调用接口返回所述任务的预计延迟时间;
响应于满足所述预计延迟时间,通过至少一个处理器对所述任务进 行处理。
A2、根据A1所述的方法,其中,所述任务属性信息包括配送距离;
所述通过至少一个处理器根据所述任务属性信息、所述任务压力参 数以及所述第一预测模型确定预计延迟时间包括:
根据第二预测模型和任务属性信息确定配送时长,所述第二预测模 型采用梯度提升算法,以历史任务数据作为训练数据预先训练获得;
将所述配送距离、所述配送时长以及所述任务压力参数输入所述第 一预测模型,以获得所述任务的预计延迟时间。
A3、根据A1所述的方法,其中,所述确定所述任务所属区域的任 务压力参数包括:
根据所述任务所属区域的总任务量和任务配送能力的比值确定所 述任务压力参数。
A4、根据A1所述的方法,其中,所述第一预测模型根据逻辑回归 算法训练获得。
A5、根据A1所述的方法,其中,以所述历史任务的任务属性信息 和所述历史任务的所属区域的任务压力参数作为输入,以所述历史任务 的实际延迟时间为输出训练所述第一预测模型。
A6、根据A1所述的方法,其中,所述响应于满足所述预计延迟时 间,通过至少一个处理器对所述任务进行处理包括:
确定与所述任务匹配的配送资源;
响应于到达所述预计延迟时间,将所述任务的任务属性信息发送给 与所述任务匹配的配送资源。
A7、根据A6所述的方法,其中,所述确定与所述任务匹配的配送 资源包括:
响应于所述调用接口返回所述任务的预计延迟时间,根据所述任务 属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资 源;或
响应于到达延迟时间,根据所述任务属性信息和配送资源信息确定 与所述任务匹配的配送资源。
本发明实施例提供了B1、一种任务处理装置,其中所述装置包括:
请求接收单元,用于接收来自于程序调用接口的任务处理请求;
属性信息获取单元,用于通过至少一个处理器从终端或数据库获取 任务的任务属性信息;
任务压力参数确定单元,用于通过至少一个处理器确定所述任务所 属区域的任务压力参数,所述任务压力参数根据所述任务所属区域的总 任务量和配送资源的任务配送能力确定;
延迟时间预测单元,用于通过至少一个处理器根据所述任务属性信 息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间, 所述第一预测模型根据历史任务属性数据预先训练获得,所述历史任务 属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任 务压力参数以及所述历史任务的实际延迟时间;
信息返回单元,用于通过所述程序调用接口返回所述任务的预计延 迟时间;
任务处理单元,用于响应于满足所述预计延迟时间,通过至少一个 处理器对所述任务进行处理。
B2、根据B1所述的装置,其中,所述任务属性信息包括配送距离;
所述延迟时间预测单元包括:
配送时长确定子单元,用于根据第二预测模型和任务属性信息确定 配送时长,所述第二预测模型采用梯度提升算法,以历史任务数据作为 训练数据预先训练获得;
延迟时间预测子单元,用于将所述配送距离、所述配送时长以及所 述任务压力参数输入所述第一预测模型,以获得所述任务的预计延迟时 间。
B3、根据B1所述的装置,其中,所述任务压力参数确定单元包括:
任务压力参数确定子单元,用于根据所述任务所属区域的总任务量 和任务配送能力的比值确定所述任务压力参数。
B4、根据B1所述的装置,其中,所述第一预测模型根据逻辑回归 算法训练获得。
B5、根据B1所述的装置,其中,以所述历史任务的任务属性信息 和所述历史任务的所属区域的任务压力参数作为输入,以所述历史任务 的实际延迟时间为输出训练所述第一预测模型。
B6、根据B1所述的装置,其中,所述任务处理单元包括:
匹配子单元,用于确定与所述任务匹配的配送资源;
任务发送子单元,用于响应于到达所述预计延迟时间,将所述任务 的任务属性信息发送给与所述任务匹配的配送资源。
B7、根据B6所述的装置,其中,所述匹配子单元包括:
第一确定模块,用于响应于所述调用接口返回所述任务的预计延迟 时间,根据所述任务属性信息、所述延迟时间和配送资源信息预测与所 述任务匹配的配送资源;或
第二确定模块,用于响应于到达延迟时间,根据所述任务属性信息 和配送资源信息确定与所述任务匹配的配送资源。
本发明实施例提供了C1、一种计算机可读存储介质,其上存储计算 机程序指令,其中,所述计算机程序指令在被处理器执行时实现如A1-7 中任一项所述的方法。
本发明实施例提供了D1、一种电子设备,包括存储器和处理器,其 中,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条 或多条计算机程序指令被所述处理器执行如下步骤:
接收来自于程序调用接口的任务处理请求;
通过至少一个处理器从终端或数据库获取任务的任务属性信息;
通过至少一个处理器确定所述任务所属区域的任务压力参数,所述 任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送 能力确定;
通过至少一个处理器根据所述任务属性信息、所述任务压力参数以 及第一预测模型确定所述任务的预计延迟时间,所述第一预测模型根据 历史任务属性数据预先训练获得,所述历史任务属性数据包括历史任务 的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历 史任务的实际延迟时间;
通过所述程序调用接口返回所述任务的预计延迟时间;
响应于满足所述预计延迟时间,通过至少一个处理器对所述任务进 行处理。
D2、根据D1所述的电子设备,其中,所述任务属性信息包括配送 距离;
所述通过至少一个处理器根据所述任务属性信息、所述任务压力参 数以及所述第一预测模型确定预计延迟时间包括:
根据第二预测模型和任务属性信息确定配送时长,所述第二预测模 型采用梯度提升算法,以历史任务数据作为训练数据预先训练获得;
将所述配送距离、所述配送时长以及所述任务压力参数输入所述第 一预测模型,以获得所述任务的预计延迟时间。
D3、根据D1所述的电子设备,其中,所述确定所述任务所属区域 的任务压力参数包括:
根据所述任务所属区域的总任务量和任务配送能力的比值确定所 述任务压力参数。
D4、根据D1所述的电子设备,其中,所述第一预测模型根据逻辑 回归算法训练获得。
D5、根据D1所述的电子设备,其中,以所述历史任务的任务属性 信息和所述历史任务的所属区域的任务压力参数作为输入,以所述历史 任务的实际延迟时间为输出训练所述第一预测模型。
D6、根据D1所述的电子设备,其中,所述响应于满足所述预计延 迟时间,通过至少一个处理器对所述任务进行处理包括:
确定与所述任务匹配的配送资源;
响应于到达所述预计延迟时间,将所述任务的任务属性信息发送给 与所述任务匹配的配送资源。
D7、根据D6所述的电子设备,其中,所述确定与所述任务匹配的 配送资源包括:
响应于所述调用接口返回所述任务的预计延迟时间,根据所述任务 属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资 源;或
响应于到达延迟时间,根据所述任务属性信息和配送资源信息确定 与所述任务匹配的配送资源。
Claims (10)
1.一种任务处理方法,其特征在于,所述方法包括:
接收来自于程序调用接口的任务处理请求;
通过至少一个处理器从终端或数据库获取任务的任务属性信息;
通过至少一个处理器确定所述任务所属区域的任务压力参数,所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定;
通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间,所述第一预测模型根据历史任务属性数据预先训练获得,所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间;
通过所述程序调用接口返回所述任务的预计延迟时间;
响应于满足所述预计延迟时间,通过至少一个处理器对所述任务进行处理。
2.根据权利要求1所述的方法,其特征在于,所述任务属性信息包括配送距离;
所述通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及所述第一预测模型确定预计延迟时间包括:
根据第二预测模型和任务属性信息确定配送时长,所述第二预测模型采用梯度提升算法,以历史任务数据作为训练数据预先训练获得;
将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型,以获得所述任务的预计延迟时间。
3.根据权利要求1所述的方法,其特征在于,所述确定所述任务所属区域的任务压力参数包括:
根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。
4.根据权利要求1所述的方法,其特征在于,所述第一预测模型根据逻辑回归算法训练获得。
5.根据权利要求1所述的方法,其特征在于,以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入,以所述历史任务的实际延迟时间为输出训练所述第一预测模型。
6.根据权利要求1所述的方法,其特征在于,所述响应于满足所述预计延迟时间,通过至少一个处理器对所述任务进行处理包括:
确定与所述任务匹配的配送资源;
响应于到达所述预计延迟时间,将所述任务的任务属性信息发送给与所述任务匹配的配送资源。
7.根据权利要求6所述的方法,其特征在于,所述确定与所述任务匹配的配送资源包括:
响应于所述调用接口返回所述任务的预计延迟时间,根据所述任务属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资源;或
响应于到达延迟时间,根据所述任务属性信息和配送资源信息确定与所述任务匹配的配送资源。
8.一种任务处理装置,其特征在于所述装置包括:
请求接收单元,用于接收来自于程序调用接口的任务处理请求;
属性信息获取单元,用于通过至少一个处理器从终端或数据库获取任务的任务属性信息;
任务压力参数确定单元,用于通过至少一个处理器确定所述任务所属区域的任务压力参数,所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定;
延迟时间预测单元,用于通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间,所述第一预测模型根据历史任务属性数据预先训练获得,所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间;
信息返回单元,用于通过所述程序调用接口返回所述任务的预计延迟时间;
任务处理单元,用于响应于满足所述预计延迟时间,通过至少一个处理器对所述任务进行处理。
9.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行如下步骤:
接收来自于程序调用接口的任务处理请求;
通过至少一个处理器从终端或数据库获取任务的任务属性信息;
通过至少一个处理器确定所述任务所属区域的任务压力参数,所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定;
通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间,所述第一预测模型根据历史任务属性数据预先训练获得,所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间;
通过所述程序调用接口返回所述任务的预计延迟时间;
响应于满足所述预计延迟时间,通过至少一个处理器对所述任务进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831616.6A CN111539780B (zh) | 2019-09-04 | 2019-09-04 | 一种任务处理方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831616.6A CN111539780B (zh) | 2019-09-04 | 2019-09-04 | 一种任务处理方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539780A true CN111539780A (zh) | 2020-08-14 |
CN111539780B CN111539780B (zh) | 2021-04-13 |
Family
ID=71978429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910831616.6A Active CN111539780B (zh) | 2019-09-04 | 2019-09-04 | 一种任务处理方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539780B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112849899A (zh) * | 2020-12-29 | 2021-05-28 | 深圳市海柔创新科技有限公司 | 仓储管理的方法、装置、设备、介质、程序产品及*** |
CN113450096A (zh) * | 2021-06-25 | 2021-09-28 | 未鲲(上海)科技服务有限公司 | 资源转移数据的处理方法、装置、电子设备及介质 |
CN113706298A (zh) * | 2021-09-06 | 2021-11-26 | 中国银行股份有限公司 | 一种延期业务处理方法及装置 |
CN115277497A (zh) * | 2022-06-22 | 2022-11-01 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 传输延迟时间测量方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5631567A (en) * | 1995-10-20 | 1997-05-20 | Lsi Logic Corporation | Process for predicting propagation delay using linear interpolation |
CN106992937A (zh) * | 2017-04-19 | 2017-07-28 | 天津大学 | 基于garch时间序列算法的拥塞控制方法 |
US9739626B2 (en) * | 2014-03-31 | 2017-08-22 | Amadeus S.A.S. | Journey planning method and system |
CN107093038A (zh) * | 2016-11-18 | 2017-08-25 | 北京小度信息科技有限公司 | 配送方式选择方法和装置 |
CN108182560A (zh) * | 2017-12-26 | 2018-06-19 | 北京小度信息科技有限公司 | 配送任务分配方法、装置、电子设备及计算机存储介质 |
CN108364085A (zh) * | 2018-01-02 | 2018-08-03 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
CN109102354A (zh) * | 2017-06-21 | 2018-12-28 | 北京小度信息科技有限公司 | 订单处理方法和装置 |
-
2019
- 2019-09-04 CN CN201910831616.6A patent/CN111539780B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5631567A (en) * | 1995-10-20 | 1997-05-20 | Lsi Logic Corporation | Process for predicting propagation delay using linear interpolation |
US9739626B2 (en) * | 2014-03-31 | 2017-08-22 | Amadeus S.A.S. | Journey planning method and system |
CN107093038A (zh) * | 2016-11-18 | 2017-08-25 | 北京小度信息科技有限公司 | 配送方式选择方法和装置 |
CN106992937A (zh) * | 2017-04-19 | 2017-07-28 | 天津大学 | 基于garch时间序列算法的拥塞控制方法 |
CN109102354A (zh) * | 2017-06-21 | 2018-12-28 | 北京小度信息科技有限公司 | 订单处理方法和装置 |
CN108182560A (zh) * | 2017-12-26 | 2018-06-19 | 北京小度信息科技有限公司 | 配送任务分配方法、装置、电子设备及计算机存储介质 |
CN108364085A (zh) * | 2018-01-02 | 2018-08-03 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112849899A (zh) * | 2020-12-29 | 2021-05-28 | 深圳市海柔创新科技有限公司 | 仓储管理的方法、装置、设备、介质、程序产品及*** |
CN112849899B (zh) * | 2020-12-29 | 2022-10-21 | 深圳市海柔创新科技有限公司 | 仓储管理的方法、装置、设备、介质、程序产品及*** |
CN113450096A (zh) * | 2021-06-25 | 2021-09-28 | 未鲲(上海)科技服务有限公司 | 资源转移数据的处理方法、装置、电子设备及介质 |
CN113706298A (zh) * | 2021-09-06 | 2021-11-26 | 中国银行股份有限公司 | 一种延期业务处理方法及装置 |
CN115277497A (zh) * | 2022-06-22 | 2022-11-01 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 传输延迟时间测量方法、装置、电子设备及存储介质 |
CN115277497B (zh) * | 2022-06-22 | 2023-09-01 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 传输延迟时间测量方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111539780B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119847B (zh) | 一种配送时长的预测方法、装置、存储介质和电子设备 | |
CN111539780B (zh) | 一种任务处理方法、装置、存储介质和电子设备 | |
US11436554B2 (en) | Network computer system to implement predictive time-based determinations for fulfilling delivery orders | |
CN108280670B (zh) | 种子人群扩散方法、装置以及信息投放*** | |
CN110009155B (zh) | 业务区域配送难度的估计方法、装置和电子设备 | |
CN110322167B (zh) | 一种信息处理方法、装置、存储介质和电子设备 | |
CN109508917B (zh) | 订单分配方法、订单分配装置、存储介质和电子设备 | |
CN110378529B (zh) | 一种数据生成的方法、装置、可读存储介质和电子设备 | |
CN108805332B (zh) | 一种特征评估方法和装置 | |
CN111369137A (zh) | 配送任务的分配方法、装置、服务器和存储介质 | |
CN111127154A (zh) | 订单处理方法、装置、服务器和非易失性存储介质 | |
CN111459675B (zh) | 一种数据处理方法、装置、可读存储介质和电子设备 | |
CN110582064A (zh) | 一种短信分发方法、装置、设备、介质 | |
CN105300398A (zh) | 获取地点信息的方法、装置和*** | |
CN111124676A (zh) | 资源分配方法、装置、可读存储介质和电子设备 | |
CN111582407B (zh) | 任务处理方法、装置、可读存储介质和电子设备 | |
CN109978421B (zh) | 信息输出方法和装置 | |
CN110516872B (zh) | 一种信息处理方法、装置、存储介质和电子设备 | |
CN111768216A (zh) | 订单价格调整方法、装置、服务器及存储介质 | |
CN113379229A (zh) | 一种资源调度方法和装置 | |
KR102415685B1 (ko) | 긴급소진 요구상품의 실시간 알림을 이용한 상품 판매 서비스 제공 방법 | |
CN110070392B (zh) | 用户流失预警方法和装置 | |
CN110879752B (zh) | 资源分配方法、装置、可读存储介质和电子设备 | |
CN112036702B (zh) | 数据处理方法、装置、可读存储介质和电子设备 | |
CN111651249B (zh) | 任务分配方法、装置、可读存储介质和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |