CN114202130A - 流转量预测多任务模型生成方法、调度方法、装置和设备 - Google Patents
流转量预测多任务模型生成方法、调度方法、装置和设备 Download PDFInfo
- Publication number
- CN114202130A CN114202130A CN202210127957.7A CN202210127957A CN114202130A CN 114202130 A CN114202130 A CN 114202130A CN 202210127957 A CN202210127957 A CN 202210127957A CN 114202130 A CN114202130 A CN 114202130A
- Authority
- CN
- China
- Prior art keywords
- value reduction
- value
- historical
- target
- information set
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了流转量预测多任务模型生成方法、调度方法、装置和设备。该方法的一具体实施方式包括:获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合;基于历史订单信息集合包括的各个订单日期和历史价值消减信息集合,对历史订单信息集合和历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合;根据预设损失函数和样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。该实施方式提高了流转量预测结果的准确性,减少了运输资源的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及流转量预测多任务模型生成方法、调度方法、装置和设备。
背景技术
价值消减,是对物品进行流转时用户需支付的价值进行减扣,以达到预设的目标(例如,提升物品的流转量)。目前,在对物品进行价值消减前,通常采用的流转量预测方法为:将对应价值消减时间点的基线预测流转量,替换为预测支付的价值经过价值消减的流转量。
然而,当采用上述方式对流转量进行预测时,经常会存在如下技术问题:仅预测支付的价值经过价值消减的流转量,无法同时获取在价值消减期间的价值消减流转量与受价值消减影响的非价值消减流转量,且无法考虑价值消减期间的前后时段对流转量的影响,导致流转量预测结果的准确性较低,进而导致根据预测结果调度的物品的数量不能满足需求的次数较多,需进行物品调度的次数较多,造成运输资源的浪费。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了流转量预测多任务模型生成方法、调度方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种流转量预测多任务模型生成方法,该方法包括:获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合;基于上述历史订单信息集合包括的各个订单日期和上述历史价值消减信息集合,对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合,其中,上述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征;根据预设损失函数和上述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。
可选地,上述对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,包括:响应于上述历史订单信息集合中存在满足流转量异常条件的历史订单信息,从上述历史订单信息集合中剔除满足上述流转量异常条件的历史订单信息。
可选地,上述对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,还包括:响应于上述历史订单信息集合中存在满足流转量回填条件的历史订单信息,对满足上述流转量回填条件的历史订单信息进行流转量回填处理。
可选地,上述对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,还包括:对于上述历史价值消减信息集合中的每个历史价值消减信息,响应于上述历史价值消减信息包括的价值消减属性值为非数值型,对上述价值消减属性值进行数值转换处理,得到转换后的价值消减属性值作为价值消减力度值;将所确定的每个价值消减力度值确定为价值消减力度值对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。
可选地,其中,上述对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,还包括:根据上述历史价值消减信息集合中各个历史价值消减信息包括的价值消减时段,确定上述各个历史价值消减信息的价值消减时段类型;将所确定的每个价值消减时段类型确定为价值消减时段类型对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。
第二方面,本公开的一些实施例提供了一种流转量预测多任务模型生成装置,装置包括:获取单元,被配置成获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合;特征加工单元,被配置成基于上述历史订单信息集合包括的各个订单日期和上述历史价值消减信息集合,对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合,其中,上述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征;生成单元,被配置成根据预设损失函数和上述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。
可选地,流转量预测多任务模型生成装置的特征加工单元包括:剔除单元,被配置成响应于上述历史订单信息集合中存在满足流转量异常条件的历史订单信息,从上述历史订单信息集合中剔除满足上述流转量异常条件的历史订单信息。
可选地,流转量预测多任务模型生成装置的特征加工单元还包括:回填单元,被配置成响应于上述历史订单信息集合中存在满足流转量回填条件的历史订单信息,对满足上述流转量回填条件的历史订单信息进行流转量回填处理。
可选地,流转量预测多任务模型生成装置的特征加工单元还包括:数值转换单元和第一确定单元。其中,数值转换单元被配置成对于上述历史价值消减信息集合中的每个历史价值消减信息,响应于上述历史价值消减信息包括的价值消减属性值为非数值型,对上述价值消减属性值进行数值转换处理,得到转换后的价值消减属性值作为价值消减力度值。第一确定单元被配置成将所确定的每个价值消减力度值确定为价值消减力度值对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。
可选地,流转量预测多任务模型生成装置的特征加工单元还包括:第二确定单元和第三确定单元。其中,第二确定单元被配置成根据上述历史价值消减信息集合中各个历史价值消减信息包括的价值消减时段,确定上述各个历史价值消减信息的价值消减时段类型。第二确定单元被配置成将所确定的每个价值消减时段类型确定为价值消减时段类型对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。
第三方面,本公开的一些实施例提供了一种调度方法,该方法包括:响应于接收到目标物品的目标价值消减信息,执行以下步骤:将目标价值消减信息输入流转量预测多任务模型中,得到上述目标物品在上述目标价值消减信息包括的价值消减时段内的预测价值消减流转量序列和预测非价值消减流转量序列,其中,上述流转量预测多任务模型采用如第一方面任一实现方式所描述的方法生成;基于预测价值消减流转量序列、预测非价值消减流转量序列和目标价值消减信息包括的价值消减目标信息,生成价值消减模拟结果;响应于上述价值消减模拟结果满足价值消减目标信息对应的价值消减目标条件,执行物品调度操作。
可选地,上述步骤还包括:响应于上述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,将对应目标价值消减信息的异常提示信息发送至相关联的显示设备。
可选地,上述步骤还包括:响应于上述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,以及接收到对应于目标价值消减信息的修改后目标价值消减信息,将上述修改后目标价值消减信息作为目标价值消减信息,再次执行上述步骤。
第四方面,本公开的一些实施例提供了一种调度装置,装置包括:执行单元,被配置成响应于接收到目标物品的目标价值消减信息,执行以下步骤:将目标价值消减信息输入流转量预测多任务模型中,得到上述目标物品在上述目标价值消减信息包括的价值消减时段内的预测价值消减流转量序列和预测非价值消减流转量序列,其中,上述流转量预测多任务模型采用如第一方面任一实现方式所描述的方法生成;基于预测价值消减流转量序列、预测非价值消减流转量序列和目标价值消减信息包括的价值消减目标信息,生成价值消减模拟结果;响应于上述价值消减模拟结果满足价值消减目标信息对应的价值消减目标条件,执行物品调度操作。
可选地,上述步骤还包括:响应于上述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,将对应目标价值消减信息的异常提示信息发送至相关联的显示设备。
可选地,上述步骤还包括:响应于上述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,以及接收到对应于目标价值消减信息的修改后目标价值消减信息,将上述修改后目标价值消减信息作为目标价值消减信息,再次执行上述步骤。
第五方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面或第三方面任一实现方式所描述的方法。
第六方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面或第三方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的流转量预测多任务模型生成方法得到的流转量预测多任务模型,可以减少运输资源的浪费。具体来说,造成运输资源浪费的原因在于:仅预测支付的价值经过价值消减的流转量,无法同时获取在价值消减期间的价值消减流转量与受价值消减影响的非价值消减流转量,且无法考虑价值消减期间的前后时段对流转量的影响,导致流转量预测结果的准确性较低,进而导致根据预测结果调度的物品的数量不能满足需求的次数较多,需进行物品调度的次数较多,造成运输资源的浪费。基于此,本公开的一些实施例的流转量预测多任务模型生成方法首先,获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合。由此,获取的历史订单信息集合和历史价值消减信息集合可以作为生成流转量预测多任务模型的源数据。然后,基于上述历史订单信息集合包括的各个订单日期和上述历史价值消减信息集合,对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合。其中,上述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征。由此,可以对获取的源数据进行特征加工处理,使得处理后的源数据可以作为生成流转量预测多任务模型的样本数据。最后,根据预设损失函数和上述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。由此,预设损失函数可以增强流转量预测多任务模型对于目标物品在价值消减期间的前后时段的非价值消减流转量的关注。也因为生成的流转量预测多任务模型是多任务模型,可以同时预测在价值消减期间的价值消减流转量与受价值消减影响的非价值消减流转量。进而提高了流转量预测结果的准确性,减少了根据预测结果调度的物品的数量不能满足需求的次数。从而减少了需进行物品调度的次数,减少了运输资源的浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的流转量预测多任务模型生成方法的一个应用场景的示意图;
图2是根据本公开的一些实施例的调度方法的一个应用场景的示意图;
图3是根据本公开的流转量预测多任务模型生成方法的一些实施例的流程图;
图4是根据本公开的调度方法的一些实施例的流程图;
图5是根据本公开的流转量预测多任务模型生成装置的一些实施例的结构示意图;
图6是根据本公开的调度装置的一些实施例的结构示意图;
图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的流转量预测多任务模型生成方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取目标物品在目标历史时段的历史订单信息集合102和历史价值消减信息集合103。然后,计算设备101可以基于上述历史订单信息集合102包括的各个订单日期和上述历史价值消减信息集合103,对上述历史订单信息集合102和上述历史价值消减信息集合103进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合104。其中,上述样本历史订单信息集合104中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征。最后,计算设备101可以根据预设损失函数105和上述样本历史订单信息集合104所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型106。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
图2是根据本公开一些实施例的调度方法的一个应用场景的示意图。
在图2的应用场景中,计算设备201可以响应于接收到目标物品的目标价值消减信息202,执行以下步骤:第一步,将目标价值消减信息202输入流转量预测多任务模型203中,得到上述目标物品在上述目标价值消减信息202包括的价值消减时段2021内的预测价值消减流转量序列204和预测非价值消减流转量序列205。其中,流转量预测多任务模型203可以为图1中的流转量预测多任务模型106。第二步,基于预测价值消减流转量204、预测非价值消减流转量205和目标价值消减信息202包括的价值消减目标信息2022,生成价值消减模拟结果206。第三步,响应于上述价值消减模拟结果206满足价值消减目标信息2022对应的价值消减目标条件207,执行物品调度操作。例如,计算设备201可以控制相关联的调度车辆208根据上述目标物品的预测价值消减流转量序列204和预测非价值消减流转量序列205,执行物品调度操作。
需要说明的是,上述计算设备201可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备101和图2中的计算设备201可以为同一计算设备,也可以为不同计算设备。图2中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图3,示出了根据本公开的流转量预测多任务模型生成方法的一些实施例的流程300。该流转量预测多任务模型生成方法,包括以下步骤:
步骤301,获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合。
在一些实施例中,流转量预测多任务模型生成方法的执行主体(例如图1或图2所示的计算设备)可以通过有线连接方式或者无线连接方式从终端获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合。其中,上述目标物品可以为在先选定的物品。例如,上述目标物品可以为快消品中的任意物品。目标历史时段可以为预设的包括各个价值消减时间点(促销时间)和各个非价值消减时间点(非促销时间)的历史时段。上述历史订单信息集合中的历史订单信息可以为用户终端在上述目标历史时段内提交的上述目标物品对应的订单信息。上述历史订单信息可以包括但不限于:订单日期,流转量,价值消减标识。上述订单日期可以为用户终端提交上述目标物品对应的订单信息的日期。上述流转量可以为上述目标物品的流转数量(销量)。上述价值消减标识可以表征用户支付的目标物品的价值是否经过了消减。例如,上述价值消减标识可以为“价值消减”(促销)。上述价值消减标识还可以为“非价值消减”(非促销)。上述历史价值消减信息集合中的历史价值消减信息可以为在历史时段用于对目标物品的价值进行消减的信息。上述历史价值消减信息可以包括但不限于:价值消减类型,价值消减属性值,价值消减时段和价值消减目标信息。上述价值消减类型可以为对目标物品的价值进行消减的类型。例如,上述价值消减类型可以为“打折”。上述价值消减类型可以为“满减”。上述价值消减类型可以为“满赠”。上述价值消减属性值可以为对目标物品的价值进行消减的程度。例如,上述价值消减属性值可以为“0.8”,表征对目标物品的价值打八折。上述价值消减属性值还可以为“满200元减20元”。上述价值消减时段可以为对目标物品的价值进行消减的时间段。可以理解的是,上述价值消减时段在上述目标历史时段中。上述价值消减目标信息可以为对目标物品进行价值消减需要达到的目标相关信息。例如,上述价值消减目标信息可以为但不限于:清理库存,冲流转量(例如,冲销量),最大化价值获取(例如,最大化营收)。实践中,上述执行主体可以从上述终端中获取订单日期在上述目标历史时段内的每个历史订单信息,得到历史订单信息集合,以及从上述终端中获取价值消减时段在上述目标历史时段内的每个历史价值消减信息,得到历史价值消减信息集合。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤302,基于历史订单信息集合包括的各个订单日期和历史价值消减信息集合,对历史订单信息集合和历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合。
在一些实施例中,上述执行主体可以基于上述历史订单信息集合包括的各个订单日期和上述历史价值消减信息集合,对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合。其中,上述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征。实践中,首先,上述执行主体可以将同一订单日期对应的各个历史订单信息组合为历史订单信息组,得到历史订单信息组集。然后,对于上述历史订单信息组集中的每个历史订单信息组,上述执行主体可以执行以下步骤:
第一步,将上述历史订单信息组包括的各个价值消减标识为“价值消减”(例如,促销)的历史订单信息所包括的流转量的和确定为价值消减流转量。
第二步,将上述历史订单信息组包括的各个价值消减标识为“非价值消减”(例如,非促销)的历史订单信息所包括的流转量的和确定为非价值消减流转量。
第三步,响应于确定上述历史订单信息组对应的订单日期在上述历史价值消减信息集合中的历史价值消减信息包括的价值消减时段内,将上述历史价值消减信息包括的价值消减类型、价值消减属性值和价值消减时段,以及上述价值消减流转量、上述非价值消减流转量、上述订单日期、表征“价值消减日”(例如,价值消减日可以为节假日)的价值消减日标识组合为样本历史订单信息。上述表征“价值消减日”的价值消减日标识可以为1。
第四步,响应于确定上述历史订单信息组对应的订单日期不在上述历史价值消减信息集合中的历史价值消减信息包括的价值消减时段内,将属性值为空值的价值消减类型、价值消减属性值和价值消减时段,以及上述非价值消减流转量、上述价值消减流转量、上述订单日期、表征“非价值消减日”的价值消减日标识组合为样本历史订单信息。上述表征“非价值消减日”的价值消减日标识可以为0。
由此得到的样本历史订单信息集合中的每个样本历史订单信息包括的价值消减流转量为价值消减流转量特征,上述样本历史订单信息包括的非价值消减流转量为非价值消减流转量特征,上述样本历史订单信息包括的价值消减类型、价值消减属性值和价值消减时段为价值消减特征。
可选地,上述执行主体可以响应于上述历史订单信息集合中存在满足流转量异常条件的历史订单信息,从上述历史订单信息集合中剔除满足上述流转量异常条件的历史订单信息。上述流转量异常条件可以为“历史订单信息包括的流转量大于等于预设阈值”。这里,对于预设阈值的具体设定,不做限定。由此,可以剔除流转量异常大的历史订单信息,减少流转量异常的历史订单信息对生成的模型的影响。
可选地,上述执行主体可以响应于上述历史订单信息集合中存在满足流转量回填条件的历史订单信息,对满足上述流转量回填条件的历史订单信息进行流转量回填处理。其中,上述流转量回填条件可以为“在历史订单信息包括的订单日期内,目标物品的库存量小于等于目标阈值”。上述目标阈值可以为上述订单日期前预设历史时间段内上述目标物品的各个流转量的和与预设系数的乘积。例如,上述预设历史时间段可以为上述订单日期前28天的日期到上述订单日期的时间段。上述预设系数可以为预设的系数。例如,预设系数可以为0.5。实践中,上述执行主体可以将上述历史订单信息包括的流转量替换为上述订单日期前预设历史时间段内上述目标物品的各个流转量的均值。由此,可以对受库存不足影响的流转量对应的历史订单信息进行销量回填处理,减少受库存不足影响的历史订单信息对生成的模型的影响。
可选地,首先,对于上述历史价值消减信息集合中的每个历史价值消减信息,上述执行主体可以响应于上述历史价值消减信息包括的价值消减属性值为非数值型,对上述价值消减属性值进行数值转换处理,得到转换后的价值消减属性值作为价值消减力度值。实践中,上述执行主体可以响应于上述历史价值消减信息包括的价值消减类型为“满减”,将上述历史价值消减信息包括的价值消减属性值所包括的减扣价值与满限价值的比值确定为上述历史价值消减信息的价值消减力度值。例如,价值消减属性值可以为“满200元减20元”,减扣价值为“20”,满限价值为“200”。实践中,上述执行主体还可以响应于上述历史价值消减信息包括的价值消减类型为“满赠”,将上述历史价值消减信息包括的价值消减属性值所包括的赠送价值与满限价值的比值确定为上述历史价值消减信息的价值消减力度值。例如,价值消减属性值可以为“满200元赠送20元的物品”,赠送价值为“20”,满限价值为“200”。然后,上述执行主体可以将所确定的每个价值消减力度值确定为价值消减力度值对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。由此,可以将非数值型的价值消减属性值转换为连续的数值类型的价值消减属性值。
可选地,首先,上述执行主体可以根据上述历史价值消减信息集合中各个历史价值消减信息包括的价值消减时段,确定上述各个历史价值消减信息的价值消减时段类型。实践中,首先,上述执行主体可以对上述各个历史价值消减信息包括的价值消减时段进行升序排序,得到价值消减时段序列。然后,可以根据预设百分位数组将价值消减时段序列划分为价值消减时段组序列,使得每个价值消减时段组属于一个价值消减时段类型。例如,预设百分位数组可以为:40%,70%,100%。上述执行主体可以将价值消减时段序列中前40%的价值消减时段确定为短期类的价值消减时段类型。上述执行主体可以将价值消减时段序列中40%-70%的价值消减时段确定为中期类的价值消减时段类型。上述执行主体可以将价值消减时段序列中70%后的价值消减时段确定为长期类的价值消减时段类型。最后,将所确定的每个价值消减时段类型确定为价值消减时段类型对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。由此,可以将各个价值消减时段划分为不同的价值消减时段类型。
步骤303,根据预设损失函数和上述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。
在一些实施例中,上述执行主体可以根据预设损失函数和上述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。其中,上述预设损失函数可以为LMTL=w1×L1×is_promo+w2×L2。其中,LMTL表示预设损失函数。w1表示价值消减流转量预测任务的权重参数。L1表示价值消减流转量预测任务的损失值。is_promo表示价值消减日标识,为0或1。w2表示非价值消减流转量预测任务的权重参数。L2表示非价值消减流转量预测任务的损失值。实践中,上述执行主体可以将上述样本历史订单信息集合输入至以上述预设损失函数为损失函数的多任务学习模型,训练得到流转量预测多任务模型。例如,上述多任务学习模型可以为基于LSTM(long-short term memory,长短期记忆模型)实现的模型。上述流转量预测多任务模型用于根据价值消减信息生成上述目标物品的预测价值消减流转量序列和预测非价值消减流转量序列。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的流转量预测多任务模型生成方法得到的流转量预测多任务模型,可以减少运输资源的浪费。具体来说,造成运输资源浪费的原因在于:仅预测支付的价值经过价值消减的流转量,无法同时获取在价值消减期间的价值消减流转量与受价值消减影响的非价值消减流转量,且无法考虑价值消减期间的前后时段对流转量的影响,导致流转量预测结果的准确性较低,进而导致根据预测结果调度的物品的数量不能满足需求的次数较多,需进行物品调度的次数较多,造成运输资源的浪费。基于此,本公开的一些实施例的流转量预测多任务模型生成方法首先,获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合。由此,获取的历史订单信息集合和历史价值消减信息集合可以作为生成流转量预测多任务模型的源数据。然后,基于上述历史订单信息集合包括的各个订单日期和上述历史价值消减信息集合,对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合。其中,上述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征。由此,可以对获取的源数据进行特征加工处理,使得处理后的源数据可以作为生成流转量预测多任务模型的样本数据。最后,根据预设损失函数和上述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。由此,预设损失函数可以增强流转量预测多任务模型对于目标物品在价值消减期间的前后时段的非价值消减流转量的关注。也因为生成的流转量预测多任务模型是多任务模型,可以同时预测在价值消减期间的价值消减流转量与受价值消减影响的非价值消减流转量。进而提高了流转量预测结果的准确性,减少了根据预测结果调度的物品的数量不能满足需求的次数。从而减少了需进行物品调度的次数,减少了运输资源的浪费。
进一步参考图4,其示出了调度方法的另一些实施例的流程400。该调度方法的流程400,包括以下步骤:
步骤401,响应于接收到目标物品的目标价值消减信息,执行以下步骤:
步骤4011,将目标价值消减信息输入流转量预测多任务模型中,得到上述目标物品在上述目标价值消减信息包括的价值消减时段内的预测价值消减流转量序列和预测非价值消减流转量序列。
在一些实施例中,调度方法的执行主体(例如图1或图2所示的计算设备)可以将目标价值消减信息输入流转量预测多任务模型中,得到上述目标物品的预测价值消减流转量和预测非价值消减流转量。其中,上述流转量预测多任务模型采用图3对应的那些实施例中的方法生成。上述目标价值消减信息可以为当前接收的价值消减信息。上述预测价值消减流转量序列中的预测价值消减流转量可以为通过流转量预测多任务模型预测得到的上述目标物品在未来时间点经过价值消减的流转量。上述预测非价值消减流转量序列中的预测非价值消减流转量可以为通过流转量预测多任务模型预测得到的上述目标物品在未来时间点未经过价值消减的流转量。上述未来时间点在上述价值消减时段内。由此,可以根据当前的价值消减信息和在先生成的流转量预测多任务模型,对价值消减时段内的价值消减流转量和非价值消减流转量进行预测。
步骤4012,基于预测价值消减流转量序列、预测非价值消减流转量序列和目标价值消减信息包括的价值消减目标信息,生成价值消减模拟结果。
在一些实施例中,上述执行主体可以基于预测价值消减流转量序列、预测非价值消减流转量序列和目标价值消减信息包括的价值消减目标信息,生成价值消减模拟结果。上述价值消减目标信息可以为但不限于:清理库存,冲流转量,最大化价值获取。实践中,上述执行主体可以响应于上述价值消减目标信息为清理库存,以及上述预测价值消减流转量序列和上述预测非价值消减流转量序列中在目标未来时间点前的各个预测价值消减流转量与各个预测非价值消减流转量的和大于等于上述目标物品的库存量,将上述目标未来时间点确定为价值消减模拟结果。上述目标未来时间点可以为价值消减时段内的任意未来时间点。上述执行主体还可以响应于上述价值消减目标信息为清理库存,以及上述预测价值消减流转量序列中各个预测价值消减流转量与上述预测非价值消减流转量序列中各个预测非价值消减流转量的和小于上述目标物品的库存量,将各个预测价值消减流转量与各个预测非价值消减流转量的和与上述目标物品的库存量的比值确定为价值消减模拟结果。
上述执行主体还可以响应于上述价值消减目标信息为冲流转量,将上述预测价值消减流转量序列中各个预测价值消减流转量与上述预测非价值消减流转量序列中各个预测非价值消减流转量的和确定为价值消减模拟结果。
上述执行主体还可以响应于上述价值消减目标信息为最大化价值获取,将上述预测价值消减流转量序列中各个预测价值消减流转量对应的获取价值(例如,营收)与上述预测非价值消减流转量序列中各个预测非价值消减流转量对应的获取价值的和确定为价值消减模拟结果。由此,可以根据在先设定的价值消减目标信息,生成对应的价值消减模拟结果。
步骤4013,响应于价值消减模拟结果满足价值消减目标信息对应的价值消减目标条件,执行物品调度操作。
在一些实施例中,上述执行主体可以响应于上述价值消减模拟结果满足价值消减目标信息对应的价值消减目标条件,执行物品调度操作。其中,上述价值消减目标条件可以为预先设定的对应价值消减目标信息的条件。例如,当上述价值消减目标信息为清理库存时,价值消减目标条件可以为“价值消减模拟结果为时间点类型”。当上述价值消减目标信息为冲流转量时,价值消减目标条件可以为“价值消减模拟结果大于等于预设流转量”。当上述价值消减目标信息为最大化价值获取时,价值消减目标条件可以为“价值消减模拟结果大于等于预设获取价值”。实践中,上述执行主体可以控制相关联的调度车辆根据上述目标物品的预测价值消减流转量和预测非价值消减流转量,执行物品调度操作。上述调度车辆可以为用于调度物品的车辆。例如,上述调度车辆可以为无人车。具体地,首先,可以将上述预测价值消减流转量序列包括的各个预测价值消减流转量和上述预测非价值消减流转量序列包括的各个预测非价值消减流转量的和确定为预测流转量。然后,可以将上述预测流转量与上述目标物品的库存量的差确定为调度量。最后,可以控制上述调度车辆调度上述调度量个上述目标物品。由此,可以根据在预测的价值消减时段内的价值消减流转量和非价值消减流转量满足条件时,进行物品调度。
可选地,上述执行主体还可以响应于上述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,将对应目标价值消减信息的异常提示信息发送至相关联的显示设备。其中,上述异常提示信息可以为提示目标价值消减信息不能满足该价值消减目标信息对应的价值消减目标条件的信息。例如,上述异常提示信息可以为“不能达到设定的目标,请重新设定价值消减信息”。由此,可以在目标价值消减信息不能满足该价值消减目标信息对应的价值消减目标条件时,提示相关人员(例如,商家)重新设定价值消减信息。
可选地,上述执行主体还可以响应于上述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,以及接收到对应于目标价值消减信息的修改后目标价值消减信息,将上述修改后目标价值消减信息作为目标价值消减信息,再次执行上述步骤。其中,上述修改后目标价值消减信息可以为终端(例如,商家终端)重新提交的价值消减信息。由此,可以在相关人员(例如,商家)重新设定价值消减信息后,再次执行以上步骤。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的调度方法,可以减少运输资源的浪费。具体来说,造成运输资源浪费的原因在于:现有的流转量预测模型仅预测支付的价值经过价值消减的流转量,无法同时获取在价值消减期间的价值消减流转量与受价值消减影响的非价值消减流转量,且无法考虑价值消减期间的前后时段对流转量的影响,导致流转量预测结果的准确性较低,进而导致根据预测结果调度的物品的数量不能满足需求的次数较多,造成运输资源的浪费。基于此,本公开的一些实施例的调度方法通过图3对应的那些实施例生成的流转量预测多任务模型,预测目标物品在目标价值消减信息包括的价值消减时段内的预测价值消减流转量序列和预测非价值消减流转量序列。然后,基于预测价值消减流转量序列、预测非价值消减流转量序列和目标价值消减信息包括的价值消减目标信息,生成价值消减模拟结果。由此,可以根据在先设定的价值消减目标信息,生成对应的价值消减模拟结果。之后,响应于上述价值消减模拟结果满足价值消减目标信息对应的价值消减目标条件,执行物品调度操作。由此,可以根据在预测的价值消减时段内的价值消减流转量和非价值消减流转量满足条件时,进行物品调度。进而实现了根据设定的价值消减信息对价值消减目标进行模拟仿真。也因为生成的流转量预测多任务模型是多任务模型,可以同时预测在价值消减期间的价值消减流转量与受价值消减影响的非价值消减流转量。进而提高了流转量预测结果的准确性,减少了根据预测结果调度的物品的数量不能满足需求的次数。从而减少了运输资源的浪费。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种流转量预测多任务模型生成装置的一些实施例,这些装置实施例与图3所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的流转量预测多任务模型生成装置500包括:获取单元501、特征加工单元502和生成单元503。其中,获取单元501被配置成获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合;特征加工单元501被配置成基于上述历史订单信息集合包括的各个订单日期和上述历史价值消减信息集合,对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合,其中,上述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征;生成单元503被配置成根据预设损失函数和上述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。
在一些实施例的可选实现方式中,流转量预测多任务模型生成装置500的特征加工单元502可以包括:剔除单元(图中未示出),被配置成响应于上述历史订单信息集合中存在满足流转量异常条件的历史订单信息,从上述历史订单信息集合中剔除满足上述流转量异常条件的历史订单信息。
在一些实施例的可选实现方式中,流转量预测多任务模型生成装置500的特征加工单元502还可以包括:回填单元(图中未示出),被配置成响应于上述历史订单信息集合中存在满足流转量回填条件的历史订单信息,对满足上述流转量回填条件的历史订单信息进行流转量回填处理。
在一些实施例的可选实现方式中,流转量预测多任务模型生成装置500的特征加工单元502还可以包括:数值转换单元和第一确定单元(图中未示出)。其中,数值转换单元被配置成对于上述历史价值消减信息集合中的每个历史价值消减信息,响应于上述历史价值消减信息包括的价值消减属性值为非数值型,对上述价值消减属性值进行数值转换处理,得到转换后的价值消减属性值作为价值消减力度值。第一确定单元被配置成将所确定的每个价值消减力度值确定为价值消减力度值对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。
在一些实施例的可选实现方式中,流转量预测多任务模型生成装置500的特征加工单元502还可以包括:第二确定单元和第三确定单元(图中未示出)。其中,第二确定单元被配置成根据上述历史价值消减信息集合中各个历史价值消减信息包括的价值消减时段,确定上述各个历史价值消减信息的价值消减时段类型。第二确定单元被配置成将所确定的每个价值消减时段类型确定为价值消减时段类型对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。
可以理解的是,该装置500中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种调度装置的一些实施例,这些装置实施例与图4所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,一些实施例的调度装置600包括:执行单元601,被配置成响应于接收到目标物品的目标价值消减信息,执行以下步骤:将目标价值消减信息输入流转量预测多任务模型中,得到上述目标物品在上述目标价值消减信息包括的价值消减时段内的预测价值消减流转量序列和预测非价值消减流转量序列;基于预测价值消减流转量序列、预测非价值消减流转量序列和目标价值消减信息包括的价值消减目标信息,生成价值消减模拟结果;响应于上述价值消减模拟结果满足价值消减目标信息对应的价值消减目标条件,执行物品调度操作。
在一些实施例的可选实现方式中,上述步骤还可以包括:响应于上述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,将对应目标价值消减信息的异常提示信息发送至相关联的显示设备。
在一些实施例的可选实现方式中,上述步骤还可以包括:响应于上述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,以及接收到对应于目标价值消减信息的修改后目标价值消减信息,将上述修改后目标价值消减信息作为目标价值消减信息,再次执行上述步骤。
可以理解的是,该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元,在此不再赘述。
下面参考图7,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1或图2中的计算设备)700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合;基于上述历史订单信息集合包括的各个订单日期和上述历史价值消减信息集合,对上述历史订单信息集合和上述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合,其中,上述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征;根据预设损失函数和上述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、特征加工单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种流转量预测多任务模型生成方法,包括:
获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合;
基于所述历史订单信息集合包括的各个订单日期和所述历史价值消减信息集合,对所述历史订单信息集合和所述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合,其中,所述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征;
根据预设损失函数和所述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。
2.根据权利要求1所述的方法,其中,所述对所述历史订单信息集合和所述历史价值消减信息集合进行特征加工处理,包括:
响应于所述历史订单信息集合中存在满足流转量异常条件的历史订单信息,从所述历史订单信息集合中剔除满足所述流转量异常条件的历史订单信息。
3.根据权利要求2所述的方法,其中,所述对所述历史订单信息集合和所述历史价值消减信息集合进行特征加工处理,还包括:
响应于所述历史订单信息集合中存在满足流转量回填条件的历史订单信息,对满足所述流转量回填条件的历史订单信息进行流转量回填处理。
4.根据权利要求3所述的方法,其中,所述对所述历史订单信息集合和所述历史价值消减信息集合进行特征加工处理,还包括:
对于所述历史价值消减信息集合中的每个历史价值消减信息,响应于所述历史价值消减信息包括的价值消减属性值为非数值型,对所述价值消减属性值进行数值转换处理,得到转换后的价值消减属性值作为价值消减力度值;
将所确定的每个价值消减力度值确定为价值消减力度值对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。
5.根据权利要求4所述的方法,其中,所述对所述历史订单信息集合和所述历史价值消减信息集合进行特征加工处理,还包括:
根据所述历史价值消减信息集合中各个历史价值消减信息包括的价值消减时段,确定所述各个历史价值消减信息的价值消减时段类型;
将所确定的每个价值消减时段类型确定为价值消减时段类型对应的历史价值消减信息所对应的样本历史订单信息的价值消减特征。
6.一种调度方法,包括:
响应于接收到目标物品的目标价值消减信息,执行以下步骤:
将目标价值消减信息输入流转量预测多任务模型中,得到所述目标物品在所述目标价值消减信息包括的价值消减时段内的预测价值消减流转量序列和预测非价值消减流转量序列,其中,所述流转量预测多任务模型采用如权利要求1-5中任一所述的方法生成;
基于预测价值消减流转量序列、预测非价值消减流转量序列和目标价值消减信息包括的价值消减目标信息,生成价值消减模拟结果;
响应于所述价值消减模拟结果满足价值消减目标信息对应的价值消减目标条件,执行物品调度操作。
7.根据权利要求6所述的方法,其中,所述步骤还包括:
响应于所述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,将对应目标价值消减信息的异常提示信息发送至相关联的显示设备。
8.根据权利要求7所述的方法,其中,所述步骤还包括:
响应于所述价值消减模拟结果不满足价值消减目标信息对应的价值消减目标条件,以及接收到对应于目标价值消减信息的修改后目标价值消减信息,将所述修改后目标价值消减信息作为目标价值消减信息,再次执行所述步骤。
9.一种流转量预测多任务模型生成装置,包括:
获取单元,被配置成获取目标物品在目标历史时段的历史订单信息集合和历史价值消减信息集合;
特征加工单元,被配置成基于所述历史订单信息集合包括的各个订单日期和所述历史价值消减信息集合,对所述历史订单信息集合和所述历史价值消减信息集合进行特征加工处理,得到处理后的历史订单信息集合作为样本历史订单信息集合,其中,所述样本历史订单信息集合中的样本历史订单信息包括价值消减流转量特征、非价值消减流转量特征和价值消减特征;
生成单元,被配置成根据预设损失函数和所述样本历史订单信息集合所包括的各个价值消减流转量特征、非价值消减流转量特征和价值消减特征,生成流转量预测多任务模型。
10.一种调度装置,包括:
执行单元,被配置成响应于接收到目标物品的目标价值消减信息,执行以下步骤:
将目标价值消减信息输入流转量预测多任务模型中,得到所述目标物品在所述目标价值消减信息包括的价值消减时段内的预测价值消减流转量序列和预测非价值消减流转量序列,其中,所述流转量预测多任务模型采用如权利要求1-5中任一所述的方法生成;
基于预测价值消减流转量序列、预测非价值消减流转量序列和目标价值消减信息包括的价值消减目标信息,生成价值消减模拟结果;
响应于所述价值消减模拟结果满足价值消减目标信息对应的价值消减目标条件,执行物品调度操作。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5或6-8中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5或6-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127957.7A CN114202130A (zh) | 2022-02-11 | 2022-02-11 | 流转量预测多任务模型生成方法、调度方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127957.7A CN114202130A (zh) | 2022-02-11 | 2022-02-11 | 流转量预测多任务模型生成方法、调度方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202130A true CN114202130A (zh) | 2022-03-18 |
Family
ID=80658914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127957.7A Pending CN114202130A (zh) | 2022-02-11 | 2022-02-11 | 流转量预测多任务模型生成方法、调度方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202130A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792257A (zh) * | 2022-06-24 | 2022-07-26 | 北京京东振世信息技术有限公司 | 物品流转信息生成方法、流转预测信息生成方法和装置 |
CN115630585A (zh) * | 2022-12-26 | 2023-01-20 | 北京京东振世信息技术有限公司 | 物品流转量预测方法、装置、设备和计算机可读介质 |
CN117035847A (zh) * | 2023-10-09 | 2023-11-10 | 北京北汽鹏龙汽车服务贸易股份有限公司 | 基于汽车数据模型的信息处理方法、计算机设备 |
-
2022
- 2022-02-11 CN CN202210127957.7A patent/CN114202130A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792257A (zh) * | 2022-06-24 | 2022-07-26 | 北京京东振世信息技术有限公司 | 物品流转信息生成方法、流转预测信息生成方法和装置 |
CN114792257B (zh) * | 2022-06-24 | 2022-11-08 | 北京京东振世信息技术有限公司 | 物品流转信息生成方法、流转预测信息生成方法和装置 |
CN115630585A (zh) * | 2022-12-26 | 2023-01-20 | 北京京东振世信息技术有限公司 | 物品流转量预测方法、装置、设备和计算机可读介质 |
CN115630585B (zh) * | 2022-12-26 | 2023-05-02 | 北京京东振世信息技术有限公司 | 物品流转量预测方法、装置、设备和计算机可读介质 |
CN117035847A (zh) * | 2023-10-09 | 2023-11-10 | 北京北汽鹏龙汽车服务贸易股份有限公司 | 基于汽车数据模型的信息处理方法、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
CN113034090B (zh) | 运输设备调度方法、装置、电子设备和计算机可读介质 | |
CN112184100A (zh) | 物品库存监控方法、装置、电子设备和计算机可读介质 | |
CN113408797A (zh) | 流转量预测多时序模型生成方法、信息发送方法和装置 | |
CN113763093A (zh) | 一种基于用户画像的物品推荐方法和装置 | |
WO2023134189A1 (zh) | 补货信息生成方法、装置、电子设备和计算机可读介质 | |
CN112182374B (zh) | 库存控制方法、装置、电子设备和计算机可读介质 | |
CN112308378A (zh) | 调度设备控制方法、装置、电子设备和计算机可读介质 | |
CN112598337A (zh) | 针对物品的车辆控制方法、装置、设备和计算机可读介质 | |
CN116388112B (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
CN113554493A (zh) | 交互下单方法、装置、电子设备和计算机可读介质 | |
CN116562772A (zh) | 物品补货信息生成方法、装置、设备、介质和程序产品 | |
CN112734309B (zh) | 用于物品的车辆调度方法、装置、设备和计算机可读介质 | |
CN115907136A (zh) | 电动汽车调度方法、装置、设备和计算机可读介质 | |
CN111985967A (zh) | 物品信息生成方法、装置、电子设备和计算机可读介质 | |
CN113537893A (zh) | 订单处理方法、装置、设备和计算机可读介质 | |
CN113887995A (zh) | 电力项目信息展示方法、装置、设备和计算机可读介质 | |
CN112085359A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112561453B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
CN113222304A (zh) | 一种库存调度方法和装置 | |
CN114202292B (zh) | 备货信息发送方法、装置、电子设备和计算机可读介质 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
CN113095756B (zh) | 异常运单特征确定方法、装置、设备和计算机可读介质 | |
WO2023155425A1 (zh) | 调货方法、装置、电子设备和计算机可读介质 | |
CN117196199A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 |
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 |