CN114925982A - 一种模型训练方法、装置、存储介质及电子设备 - Google Patents
一种模型训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114925982A CN114925982A CN202210426299.1A CN202210426299A CN114925982A CN 114925982 A CN114925982 A CN 114925982A CN 202210426299 A CN202210426299 A CN 202210426299A CN 114925982 A CN114925982 A CN 114925982A
- Authority
- CN
- China
- Prior art keywords
- combination
- distribution
- capacity
- distributed
- delivery
- 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
- G06Q10/06—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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种模型训练方法、装置、存储介质及电子设备,本说明书实施例先确定配送运力执行历史待分配订单时所对应的样本组合。根据各样本组合之间的相似度,从各样本组合中选择出指定时长组合。以指定时长组合作为各样本组合的标签,对筛选模型进行训练。在实际订单分配过程中采用训练完成的筛选模型选择出目标时长组合,再基于选择出的目标时长组合,确定每个候选配送运力执行待分配订单时的配送超时风险指标,并以此对待分配订单进行分配。此方法中,通过筛选模型从多个配送时长组合中选择出具有代表性的配送时长组合,用选择出的配送时长组合计算配送超时风险指标,可以在保证超时风险的计算精度的情况下,降低订单分配的计算压力。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练方法、装置、存储介质及电子设备。
背景技术
在即时配送场景中,订单分配***需要对大量的订单分配给合适的配送运力,使配送运力可以将订单准时送达。订单分配***可以根据各订单以及各配送运力,生成多个“订单-配送运力”组合。然后,从规划路径是否合理、订单是否超时等多个维度,确定出每个“订单-配送运力”组合的匹配度,然后,以所有“订单-配送运力”组合的匹配度最优为目标,将各订单分配给合适的配送运力,以使配送运力准时将订单送达。其中,订单是否超时这个维度涉及配送运力在订单配送过程中遇到的商家出餐时长不确定、商品交付时长不确定等各种不确定因素。
现有技术中,订单分配***在订单分配过程中,可以先确定配送运力配送订单的规划路径中任意两个配送点之间可能消耗的时长的概率分布。然后,对规划路径中任意两个配送点之间的概率分布进行多次采样,根据多次采样结果,得到配送运力配送订单经过各配送点可能存在的多种配送时长组合。最后,根据多种配送时长组合,计算配送运力配送订单的超时风险,以此对各订单进行分配。
然而,现有技术中为保证超时风险的计算精度,需要提高采样次数,而采样次数的增加,必将增加订单分配***的计算压力,为此在保证超时风险的计算精度的情况下,如何降低订单分配***的计算压力是一个亟需解决的问题。
发明内容
本说明书实施例提供一种模型训练方法、装置、存储介质及电子设备,以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种模型训练方法,包括:
获取与历史待分配订单相关联的配送运力;
根据所述配送运力执行所述历史待分配订单时所途经的任意相邻两个配送点之间的配送时长分布,确定所述配送运力执行所述历史待分配订单时经过各配送点的各配送时长组合,作为各样本组合;
根据所述各样本组合之间的相似度,从所述各样本组合中选择出指定时长组合;
以所述指定时长组合作为所述各样本组合的标签,对筛选模型进行训练,其中,训练完成的筛选模型用于在实际订单分配过程中从确定出的待分配订单的各配送时长组合中选择出目标时长组合,以根据所述目标时长组合,对所述待分配订单进行分配。
可选地,根据所述各样本组合之间的相似度,从所述各样本组合中选择出指定时长组合,具体包括:
将所述各样本组合作为样本集合;
针对所述样本集合中的每个样本组合,根据该样本组合与其他样本组合之间的相似度,确定该样本组合对应的综合相似度;
根据每个样本组合对应的综合相似度,从所述样本集合中选择出综合相似度最大的样本组合,作为指定时长组合,并判断是否满足预设的停止筛选条件;
若确定不满足所述停止筛选条件,根据除选择出的指定时长组合之外的样本组合,重新确定样本集合,并针对重新确定的样本集合中的每个样本组合,重新确定每个样本组合对应的综合相似度,以及从重新确定的样本集合中选择出指定时长组合,直至满足所述停止筛选条件为止。
可选地,所述方法还包括:
在满足预设停止条件后,针对选择出的每个指定时长组合,从满足预设停止条件后的样本集合中确定出与该指定时长组合相似度最大的样本组合,作为匹配样本组合;
根据所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的匹配样本组合的概率,以及所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的该指定时长组合的概率,确定所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于所有指定时长组合中的该指定时长组合的概率,作为该指定时长组合的概率。
可选地,以所述指定时长组合作为所述各样本组合的标签,对筛选模型进行训练,具体包括:
将所述各样本组合输入待训练的筛选模型中,通过所述筛选模型输出各待优化指定时长组合,以及针对每个待优化指定时长组合,确定所述配送运力执行所述历史待分配订单时经过各配送点的时长符合该待优化指定时长组合的待优化概率,作为该待优化指定时长组合对应的待优化概率;
针对每个待优化指定时长组合,以该待优化指定时长组合对应的指定时长组合与该待优化指定时长组合之间的差异最小化、该待优化指定时长组合对应的指定时长组合的概率与该待优化指定时长组合对应的待优化概率之间的差异最小化为目标,对所述筛选模型进行训练。
本说明书提供的一种订单分配方法,包括:
获取待分配订单,并确定待分配订单相关联的候选配送运力;
针对每个候选配送运力,确定该候选配送运力执行所述待分配订单时经过各配送点的各配送时长组合,作为该候选配送运力对应的各配送时长组合;
将每个候选配送运力对应的各配送时长组合输入训练完成的筛选模型中,通过所述筛选模型,针对每个候选配送运力,从该候选配送运力对应的各配送时长组合中选择出各目标时长组合,作为该候选配送运力对应的各目标时长组合,所述筛选模型是通过模型训练方法训练得到的;
根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标;
根据每个候选配送运力执行所述待分配订单时所对应的配送超时风险指标,对所述待分配订单进行分配。
可选地,根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标,具体包括:
确定该候选配送运力对应的每个目标时长组合的超时风险值;
根据该候选配送运力对应的每个目标时长组合的超时风险值,选择出至少部分目标时长组合,作为风险时长组合;
根据通过所述筛选模型确定的该候选配送运力执行所述待分配订单时经过各配送点的时长符合每个风险时长组合的概率,对每个风险时长组合的超时风险值进行加权,得到该候选配送运力执行所述待分配订单时所对应的配送超时风险指标。
本说明书提供的一种模型训练的装置,包括:
获取模块,用于获取与历史待分配订单相关联的配送运力;
确定模块,用于根据所述配送运力执行所述历史待分配订单时所途经的任意相邻两个配送点之间的配送时长分布,确定所述配送运力执行所述历史待分配订单时经过各配送点的各配送时长组合,作为各样本组合;
筛选模块,用于根据所述各样本组合之间的相似度,从所述各样本组合中选择出指定时长组合;
训练模块,用于以所述指定时长组合作为所述各样本组合的标签,对筛选模型进行训练,其中,训练完成的筛选模型用于在实际订单分配过程中从确定出的待分配订单的各配送时长组合中选择出目标时长组合,以根据所述目标时长组合,对所述待分配订单进行分配。
本说明书提供的一种订单分配的装置,包括:
第一确定模块,用于获取待分配订单,并确定待分配订单相关联的候选配送运力;
第二确定模块,用于针对每个候选配送运力,确定该候选配送运力执行所述待分配订单时经过各配送点的各配送时长组合,作为该候选配送运力对应的各配送时长组合;
选择模块,用于将每个候选配送运力对应的各配送时长组合输入训练完成的筛选模型中,通过所述筛选模型,针对每个候选配送运力,从该候选配送运力对应的各配送时长组合中选择出各目标时长组合,作为该候选配送运力对应的各目标时长组合,所述筛选模型是通过模型训练方法训练得到的;
第三确定模块,用于根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标;
分配模块,用于根据每个候选配送运力执行所述待分配订单时所对应的配送超时风险指标,对所述待分配订单进行分配。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的模型训练方法以及订单分配方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的模型训练方法以及订单分配方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例先确定配送运力执行历史待分配订单时所对应的各配送时长组合,作为样本组合。根据各样本组合之间的相似度,从各样本组合中选择出指定时长组合。以指定时长组合作为各样本组合的标签,对筛选模型进行训练。在实际订单分配过程中采用训练完成的筛选模型选择出每个候选配送运力执行待分配订单时所对应的目标时长组合,并基于选择出的目标时长组合,确定每个候选配送运力执行待分配订单时所对应的配送超时风险指标,并以此对待分配订单进行分配。此方法中,在实际订单分配过程中,针对每个候选配送运力,根据该候选配送运力对应的各配送时长组合之间的相似度,可以选择出具有代表性的配送时长组合,再根据选择出的配送时长组合,计算该候选配送运力对应的配送超时风险指标,可以在保证超时风险的计算精度的情况下,降低订单分配的计算压力。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的模型训练方法的流程示意图;
图2为本说明书实施例提供的包含各配送点的规划路径的示意图;
图3为本说明书实施例提供的订单分配方法的流程示意图;
图4为本说明书实施例提供的模型训练的装置结构示意图;
图5为本说明书实施例提供的订单分配的装置结构示意图;
图6为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
在即时配送场景中,订单分配送***分配订单的及时性和合理性是非常重要的,而分配订单的及时性主要考虑订单分配***的计算压力,分配订单的合理性主要考虑配送运力执行配送任务是否会超时。而配送运力执行配送任务是否会超时,又与配送运力的超时风险指标的精度有关,超时风险的精度越高,说明确定出的配送运力是否会超时越精确。而在现有的订单分配***计算超时风险指标的基础上,超时风险指标的计算精度与订单分配***的计算压力时相冲突的,即,采样得到的配送时长组合越多,超时风险指标的计算精度越高,订单分配***的计算压力也越高。
另外,在现有技术中,订单分配***在订单分配过程中对任意两个配送点之间的概率分布进行采样时,是进行随机采样并且采样次数有限,这可能导致针对同一配送任务所采样得到多种配送时长组合符合大部分配送运力执行该配送任务时的配送时长,无法获取少数配送运力执行该配送任务时的配送时长,从而降低超时风险指标的计算精度。
而本说明书中为了使超时风险指标的计算精度与订单分配***的计算压力之间尽可能地均衡,可以在离线状态下,采样大量的配送时长组合,然后,从大量的配送时长组合中选择出部分配送时长组合。再通过大量的配送时长组合和选择出的部分配送时长组合,对用于线上使用的筛选模型进行训练。这样,订单分配***在订单分配过程中,只要采用训练完成的筛选模型从大量的配送时长组合中筛选出部分配送时长组合用于计算超时风险指标即可。其中,线上相当于实际订单分配过程。
此外,关于超时风险指标的计算精度低的问题,采样大量的配送时长组合,可以在一定程度上增加居于少数的配送时长组合。然后,据各配送时长组合之间的相似度,从各配送时长组合中迭代选择出与其他配送时长组合相似度最大的配送时长组合,在选择出的配送时长组合的数量足够多的情况下,可以选择出居于少数的配送时长组合。采用选择出的配送时长组合,计算超时风险指标可以在一定程度上提高计算精度。
在本说明书中,主要分为两个部分,第一部分是训练模型,第二部分是使用训练完成的模型,以对待分配订单进行分配。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的模型训练方法的流程示意图,包括:
S100:获取与历史待分配订单相关联的配送运力。
在本说明书实施例中,获取历史上的历史待分配订单,并确定历史上与历史待分配订单相关联的配送运力。其中,待分配订单可以指用户购买商品后所产生的订单,历史待分配订单是指历史上用户购买商品后所产生的订单。
在确定历史上与历史待分配订单相关联的配送运力时,可以根据历史上监测到的各配送运力的订单配送信息,确定历史上执行配送任务未达上限的各配送运力,并将各配送运力作为与历史待分配订单相关联的配送运力。其中,配送运力可以指配送员、执行配送任务的无人设备等。订单配送信息可以表示配送运力未完成的配送任务数量、配送运力的位置信息、配送运力执行配送任务所对应的配送路径等。另外,一个配送任务对应一个订单。
也就是,与历史待分配订单相关联的配送运力可以是配送任务数量不大于任务阈值的配送运力。
当与历史待分配订单相关联的配送运力存在多个时,可以针对每个配送运力,将该配送运力与历史待分配订单进行关联,作为一个关联组。
在对筛选模型进行训练时,可以先确定每个关联组合对应的训练样本,然后,根据各关联组确定出的训练样本以及各关联组确定出的样本标签,对筛选模型进行训练。其中,训练样本可以是配送运力执行历史待分配订单时所对应的各配送时长组合。样本标签可以从各配送时长组合中选择出的指定时长组合。筛选模型可以是深度卷积神经网络模型。深度卷积神经网络模型至少包括:卷积层、池化层、三个全连接层。
需要说明的是,图1所示的模型训练方法可以应用于服务器。本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
接下来,以一个关联组为例,即,以历史待分配订单与一个配送运力相关联为例,对图1所示的模型训练方法进行说明。
S102:根据所述配送运力执行所述历史待分配订单时所途经的任意相邻两个配送点之间的配送时长分布,确定所述配送运力执行所述历史待分配订单时经过各配送点的各配送时长组合,作为各样本组合。
在本说明书实施例中,在获取与历史待分配订单相关联的配送运力之后,可以确定用于训练筛选模型的训练样本。
具体的,可以先确定配送运力执行历史待分配订单时所对应的规划路径。然后,根据配送运力执行历史待分配订单时规划路径上途经的任意相邻两个配送点之间的配送时长分布,确定配送运力执行历史待分配订单时经过各配送点的各配送时长组合,并将各配送时长组合作为各样本组合。也就是,配送运力执行历史待分配订单时经过各配送点的各配送时长组合可以作为训练筛选模型的训练样本。
其中,配送点可以包括配送运力的取货地址、收货地址和配送运力的位置。取货地址可以包括:商家地址、临时取货地址等,收货地址可以包括:用户收货地址等。
在确定配送运力执行历史待分配订单时所对应的规划路径时,可以根据配送运力未完成的配送任务以及历史待分配订单对应的取货收货地址,确定配送运力执行历史待分配订单时所对应的规划路径,其中,规划路径可以是一条,也可以是多条。另外,确定配送运力执行历史待分配订单时所对应的规划路径可以采用机器学习模型、深度学习模型等,本说明书不作限制。
基于上述对规划路径的描述,本说明书实施例提供包含各配送点的规划路径,如图2所示。在图2中,以与历史待分配订单相关联的一个配送运力为例,以配送运力的位置为配送点0,以配送任务1对应的取货地址为配送点1,以历史待分配订单对应的取货地址为配送点2,以配送任务1对应的收货地址为配送点3,以历史待分配订单对应的收货地址为配送点4。
在确定规划路径之后,由于规划路径的路况、商家出货时长(比如:商家出餐时长)、商品交付时长等不确定性因素,导致规划路径途经的各配送点之间的耗时信息是无法确定的。其中,商品交付时长可以是配送运力到达收货地址后将商品交给用户的时长。商家出货时长可以是指商家从接单到将商品交给配送运力的时长。而导致商家出货时长不确定的原因有:商家订单突然激增、商家出货时长由人为确定的无法保证其准确性等。导致商品交付时长不确定的原因有:配送运力上下楼时长不确定、配送运力无法进入大厦或小区等。
基于上述不确定因素的影响,在本说明书实施例中,考虑到配送运力在配送过程中受到各种不确定因素的影响,可以对各种不确定因素进行量化。
具体的,可以针对配送运力执行历史待分配订单时所途经的任意相邻两个配送点,根据这两个配送点之间的路况以及在执行历史待分配订单之前这两个配送点之间所对应的历史商家出货时长、历史商品交付时长,确定在执行历史待分配订单之前这两个配送点之间的配送耗时信息,并根据这两个配送点之间的配送耗时信息,确定这两个配送点之间的配送时长分布。其中,配送耗时信息可以表示这两个配送点之间存在过的各配送时长。配送时长分布可以服从高斯分布。两个配送点之间的路况可以表示道路是否拥堵、道路是否崎岖不平、两个配送点之间的道路长度、两个配送点之间的是否顺路等。
在确定任意相邻两个配送点之间的配送时长分布之后,可以根据配送运力执行历史待分配订单时所途经的任意相邻两个配送点之间的配送时长分布,确定配送运力执行历史待分配订单时经过各配送点的各配送时长组合。其中,每个配送时长组合可以表示配送运力经过所有配送点的总配送时长,不同配送时长组合所对应的总配送时长也不同。总配送时长可以指配送运力执行未完成的配送任务以及历史待分配订单所对应的配送时长。
在确定配送运力执行历史待分配订单时经过各配送点的各配送时长组合时,针对每次采样,可以对任意相邻两个配送点之间的配送时长分布进行采样,得到配送运力执行历史待分配订单时处于该次采样下所对应的配送时长组合。通过多次采样,确定配送运力执行历史待分配订单时经过各配送点的各配送时长组合。
比如:若规划路径中包含3个配送点,分别为配送点a、配送点b和配送点c。针对一次采样,从配送点a与配送点b之间的配送时长分布中采样得到10分钟,从配送点b与配送点c之间的配送时长分布中采样得到15分钟,从而得到配送运力执行历史待分配订单经各配送点的一个配送时长组合,这个配送时长组合对应的总配送时长为25分钟。
在确定配送运力执行历史待分配订单时经过各配送点的各配送时长组合时,除了上述将任意相邻两个配送点之间的配送时长分布进行单独采样之外,还可以根据任意相邻两个配送点之间的配送时长分布,确定规划路径对应的高维配送时长概率分布。然后,从规划路径对应的高维配送时长概率分布中直接进行多次采样,得到配送运力执行历史待分配订单时经过各配送点的各配送时长组合。其中,每个配送时长组合包含任意相邻两个配送点之间的配送时长。
比如:若规划路径中包含3个配送点,分别为配送点d、配送点e和配送点f。配送点d与配送点e之间的配送时长t1服从第一概率分布P1,即,t1~P1。配送点e与配送点f之间的配送时长t2服从第二概率分布P2,即,t2~P2。其中,配送时长t1与配送时长t2相互独立。则针对规划路径中任意相邻两个配送点之间的配送时长服从由第一概率分布和第二概率分布所确定的高维配送时长概率分布,即,(t1,t2)~(P1,P2)。
S104:根据所述各样本组合之间的相似度,从所述各样本组合中选择出指定时长组合。
在本说明书实施例中,在确定训练筛选模型的训练样本(即,样本组合)之后,可以从各训练样本中选择出部分训练样本,将选择出的训练样本作为标签。
在确定各样本组合之后,可以根据各样本组合之间的相似度,从各样本组合中选择出部分样本组合,作为各指定时长组合。然后,将各指定时长组合作为训练筛选模型的标签。
具体的,可以将各样本组合作为样本集合。针对样本集合中的每个样本组合,根据该样本组合与其他样本组合之间的相似度,确定该样本组合对应的综合相似度。然后,根据每个样本组合对应的综合相似度,从样本集合的各样本组合中选择出部分样本组合,作为各指定时长组合。
其中,针对样本集合中的每个样本组合,将该样本组合与其他样本组合之间的相似度进行求和,得到该样本组合对应的综合相似度。
需要说明的是,针对每个样本组合,可以根据欧式距离,确定该样本组合与其他样本组合之间的相似度。对于相似度的计算方法不作限制,可以是欧式距离、曼哈顿距离、切比雪夫距离等。
在根据每个样本组合对应的综合相似度,从样本集合的各样本组合中选择出指定时长组合时,可以根据每个样本组合对应的综合相似度,直接从样本集合的各样本组合中选择出指定数量的样本组合,作为各指定时长组合。
在根据每个样本组合对应的综合相似度,从样本集合的各样本组合中选择出指定时长组合时,还可以根据每个样本组合对应的综合相似度,从样本集合中选择出综合相似度最大的样本组合,作为指定时长组合,并判断是否满足预设的停止筛选条件。若确定不满足停止筛选条件,根据除选择出的指定时长组合之外的样本组合,重新确定样本集合,并针对重新确定的样本集合中的每个样本组合,重新确定每个样本组合对应的综合相似度,以及从重新确定的样本集合中选择出指定时长组合,直至满足停止筛选条件为止。其中,筛选条件可以包括:迭代筛选次数大于第一次数阈值、选择出的指定时长组合达到指定数量等。
其中,在从各样本组合中筛选指定时长组合时,选择出与其他样本组合相似度最大的样本组合,可以选择出具有代表性的配送时长组合。因为在不断的迭代筛选过程中,可以选择出配送运力执行历史待分配订单时经过各配送点的时长符合较大可能的配送时长组合。在迭代筛选次数足够多的情况下,也是可以选择配送运力执行历史待分配订单时经过各配送点的时长符合较小可能的配送时长组合。
此外,除了对该样本组合与其他样本组合之间的相似度进行求和,从而选择出指定时长组合之外,还可以根据样本组合之间的相似度,对各样本组合进行聚类,得到各聚类簇,然后,将每个聚类簇的聚类中心所对应的样本组合,作为指定时长组合。其中,聚类方法可以是K-means、层次聚类、DBSCN聚类算法等。
以K-means聚类为例,从各样本组合中随机选择预设数量的样本组合,作为中心组合。针对每个中心组合,根据该中心组合与其他样本组合之间的相似度,确定包含该中心组合的聚类簇。然后,重新确定包含该中心组合的聚类簇的聚类中心,并根据重新确定的聚类中心,重新确定聚类簇,直到满足预设的聚类停止条件为止。其中,聚类停止条件可以包括:迭代聚类次数大于第二次数阈值等。
S106:以所述指定时长组合作为所述各样本组合的标签,对筛选模型进行训练,其中,训练完成的筛选模型用于在实际订单分配过程中从确定出的待分配订单的各配送时长组合中选择出目标时长组合,以根据所述目标时长组合,对所述待分配订单进行分配。
在本说明书实施例中,在从各样本组合中选择出各指定时长组合之后,可以将各指定时长组合作为各样本组合的标签,然后,根据各样本组合和各指定时长组合,对筛选模型进行训练。
具体的,可以将各样本组合输入筛选模型中,通过筛选模型输出部分样本组合,作为各待优化指定时长组合。然后,以各待优化指定时长组合与各指定时长组合之间的差异最小化为目标,对筛选模型进行训练。
在对筛选模型训练完成之后,在实际订单分配过程中,可以将确定出的待分配订单对应的各配送时长组合中选择出部分配送时长组合,作为目标时长组合。然后,根据选择出的目标时长组合,对待分配订单进行分配。
基于上述训练完成的筛选模型,本说明书提出一种订单分配方法,图3为本说明书实施例提供的订单分配方法的流程示意图,包括:
S300:获取待分配订单,并确定待分配订单相关联的候选配送运力。
在本说明书实施例中,在实际订单分配过程中,实时获取用户购买商品所产生的订单,作为待分配订单。即,获取待分配订单。其中,待分配订单可以是一个,也可以是多个。
然后,根据实时监控到的配送运力的订单配送信息,确定当前的未完成的配送任务数量不大于任务阈值的配送运力,作为待分配订单相关联的候选配送运力。候选配送运力可以是多个。
S302:针对每个候选配送运力,确定该候选配送运力执行所述待分配订单时经过各配送点的各配送时长组合,作为该候选配送运力对应的各配送时长组合。
在本说明书实施例中,在确定与待分配订单相关联的各候选配送运力之后,可以针对每个候选配送运力,确定该候选配送运力执行待分配订单时经过各配送点的各配送时长组合,作为该候选配送运力对应的各配送时长组合。
具体的,针对每个候选配送运力,可以根据待分配订单的取货收货地址以及该候选配送运力未完成的配送任务对应的取货收货地址,确定该候选配送运力执行待分配订单时途经的各配送点。然后,针对途经的任意相邻两个配送点之间的配送时长分布,确定该候选配送运力执行待分配订单时经过各配送点的各配送时长组合。
其中,可以根据这两个配送点之间的路况以及在执行待分配订单之前这两个配送点之间所对应的历史商家出货时长、历史商品交付时长,确定在执行待分配订单之前这两个配送点之间的配送耗时信息,并根据这两个配送点之间的配送耗时信息,确定这两个配送点之间的配送时长分布。
S304:将每个候选配送运力对应的各配送时长组合输入训练完成的筛选模型中,通过所述筛选模型,针对每个候选配送运力,从该候选配送运力对应的各配送时长组合中选择出各目标时长组合,作为该候选配送运力对应的各目标时长组合,所述筛选模型是图1所述的模型训练方法训练得到的。
在本说明书实施例中,可以将每个候选配送运力对应的各配送时长组合输入训练完成的筛选模型中,通过筛选模型,针对每个候选配送运力,从该候选配送运力对应的各配送时长组合中选择出部分配送时长组合,作为各目标时长组合,并将各目标时长组合作为该候选配送运力对应的各目标时长组合。其中,该候选配送运力对应的目标时长组合可以代表该候选配送运力对应的所有配送时长组合。即,目标时长组合具有代表性。
S306:根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标。
S308:根据每个候选配送运力执行所述待分配订单时所对应的配送超时风险指标,对所述待分配订单进行分配。
在本说明书实施例中,在选择出每个候选配送运力对应的各目标时长组合之后,针对每个候选配送运力,可以根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标。
具体的,针对每个候选配送运力,根据预设的超时参数,确定该候选配送运力对应的每个目标时长组合的超时风险值,然后,对该候选配送运力对应的每个目标时长组合的超时风险值进行加权,得到该候选配送运力执行待分配订单时所对应的配送超时风险指标。
在确定每个候选配送运力执行待分配订单时所对应的配送超时风险指标之后,可以根据每个候选配送运力执行待分配订单时所对应的配送超时风险指标,对待分配订单进行分配。即,将待分配订单分配给配送超时风险指标最低的候选配送运力。
通过上述图1所示的方法和图3所示的方法可见,本说明书先确定配送运力执行历史待分配订单时所对应的各配送时长组合,作为样本组合。根据各样本组合之间的相似度,从各样本组合中选择出指定时长组合。以指定时长组合作为各样本组合的标签,对筛选模型进行训练。在实际订单分配过程中采用训练完成的筛选模型选择出每个候选配送运力执行待分配订单时所对应的目标时长组合,并基于选择出的目标时长组合,确定每个候选配送运力执行待分配订单时所对应的配送超时风险指标,并以此对待分配订单进行分配。此方法中,在实际订单分配过程中,针对每个候选配送运力,根据该候选配送运力对应的各配送时长组合之间的相似度,可以选择出具有代表性的配送时长组合,再根据选择出的配送时长组合,计算该候选配送运力对应的配送超时风险指标,可以在保证超时风险的计算精度的情况下,降低订单分配***进行订单分配时的计算压力。
进一步的,在图1所示的步骤S104~步骤S106的过程中,除了从各配送时长组合中选择出指定时长组合之外,还确定出每个指定时长组合符合配送运力执行历史待分配订单经过各配送点的时长的概率。
在步骤S104中,在迭代筛选满足预设停止条件后,针对选择出的每个指定时长组合,从满足预设停止条件后的样本集合中确定出与该指定时长组合相似度最大的样本组合,作为匹配样本组合。其中,匹配样本组合可以是多个,也可以是一个。
然后,根据配送运力执行历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的匹配样本组合的概率,以及配送运力执行历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的该指定时长组合的概率,确定配送运力执行历史待分配订单时经过各配送点的时长符合处于所有指定时长组合中的该指定时长组合的概率,作为该指定时长组合的概率。
具体的,将配送运力执行历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的匹配样本组合的概率,以及配送运力执行历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的该指定时长组合的概率进行求和,得到配送运力执行历史待分配订单时经过各配送点的时长符合处于所有指定时长组合中的该指定时长组合的概率。其中,配送运力执行历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的每个配送时长组合的概率是等概率的。
比如:若最初的样本集合中有10个配送时长组合,则配送运力执行历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的每个配送时长组合的概率是0.1。最初的样本集合中有2个指定时长组合,分别为第一指定时长组合和第二指定时长组合。与第一指定配送时长组合的相似度最大的匹配样本组合有3个,与第二指定配送时长组合的相似度最大的匹配样本组合有4个,则配送运力执行历史待分配订单时经过各配送点的时长符合处于所有指定时长组合中的第一指定时长组合的概率为0.3,配送运力执行历史待分配订单时经过各配送点的时长符合处于所有指定时长组合中的第二指定时长组合的概率为0.5。
另外,最初的样本集合可以用矩阵进行表示。矩阵每列表示一个配送时长组合,矩阵每列中的除最后一个元素之外的其他元素表示一个任意相邻两个配送点之间采样得到的配送时长。矩阵每列中的最后一个元素表示配送运力执行历史待分配订单时经过各配送点的时长符合这列代表的配送时长组合的概率。
其中,矩阵表达式为:其中,矩阵中包含N个配送时长组合,每个配送时长组合涉及S个采样得到的配送时长,每相邻两个配送点之间采样得到一个配送时长,需要对S组相邻两个配送点之间的配送时长分布进行采样。pN表示配送运力执行历史待分配订单时经过各配送点的时长符合第N个配送时长组合的概率。
在步骤S106中,在对筛选模型进行训练时,除了训练选择出指定时长组合之外,还需要训练确定每个指定时长组合对应的概率。
具体的,将各样本组合输入待训练的筛选模型中,通过筛选模型输出各待优化指定时长组合,以及针对每个待优化指定时长组合,确定配送运力执行历史待分配订单时经过各配送点的时长符合该待优化指定时长组合的待优化概率,作为该待优化指定时长组合对应的待优化概率。
然后,针对每个待优化指定时长组合,以该待优化指定时长组合对应的指定时长组合与该待优化指定时长组合之间的差异最小化、该待优化指定时长组合对应的指定时长组合的概率与该待优化指定时长组合对应的待优化概率之间的差异最小化为目标,对筛选模型进行训练。
在图3所示的步骤S304~步骤S306中,除了通过训练完成的筛选模型选择出各目标时长组合之外,还需要通过训练完成的筛选模型确定每个目标时长组合对应的概率,即,针对每个候选配送运力对应的每个目标时长组合,确定该候选配送运力执行待分配订单时经过各配送点的时长符合处于所有目标时长组合中的该目标时长组合的概率。
在步骤S304中,将每个候选配送运力对应的各配送时长组合输入训练完成的筛选模型中,通过筛选模型,针对每个候选配送运力,从该候选配送运力对应的各配送时长组合中选择出部分配送时长组合,作为各目标时长组合,并将各目标时长组合作为该候选配送运力对应的各目标时长组合。同时,通过筛选模型,针对每个候选配送运力对应的每个目标时长组合,确定该候选配送运力执行待分配订单时经过各配送点的时长符合处于该候选配送运力对应的所有目标时长组合中的该目标时长组合的概率。
在步骤S306中,在对该候选配送运力对应的每个目标时长组合的超时风险值进行加权,得到该候选配送运力执行待分配订单时所对应的配送超时风险指标时,可以根据该候选配送运力对应的每个目标时长组合的超时风险值,选择出至少部分目标时长组合,作为风险时长组合。同时,确定通过筛选模型确定的该候选配送运力执行待分配订单时经过各配送点的时长符合每个风险时长组合的概率。
其中,从各目标时长组合中选择风险时长组合的方法可以包括:可以将各目标时长组合按照超时风险值从高到低进行排序,得到排序结果。从排序结果中选择指定位置之前的各目标时长组合,作为各风险时长组合。
另外,从各目标时长组合中选择风险时长组合的方法还可以包括:从各目标时长组合中选择超时风险值大于预设风险阈值的各目标时长组合,作为各风险时长组合。
然后,根据通过筛选模型确定的该候选配送运力执行待分配订单时经过各配送点的时长符合每个风险时长组合的概率,对每个风险时长组合的超时风险值进行加权,得到该候选配送运力执行待分配订单时所对应的配送超时风险指标。
在步骤S308中,根据每个候选配送运力执行待分配订单时所对应的配送超时风险指标,对待分配订单进行分配的方法可以包括:针对每个候选配送运力,根据该候选配送运力执行待分配订单时经过各配送点的时长符合处于该候选配送运力对应的所有目标时长组合中的每个目标时长组合的概率,对该候选配送运力对应的每个目标时长组合的超时风险值进行加权,得到该候选配送运力执行待分配订单时所对应的风险期望指标。将该候选配送运力执行待分配订单时所对应的风险期望指标与该候选配送运力执行待分配订单时所对应的配送超时风险指标进行加权求和,得到该候选配送运力执行待分配订单时所对应的综合风险指标。最后,根据每个候选配送运力执行待分配订单时所对应的综合风险指标,对待分配订单进行分配。其中,配送超时风险指标越高,综合风险指标也越高。
以上为本说明书实施例提供的模型训练方法和订单分配方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图4为本说明书实施例提供的一种模型训练的装置结构示意图,所述装置包括:
获取模块401,用于获取与历史待分配订单相关联的配送运力;
确定模块402,用于根据所述配送运力执行所述历史待分配订单时所途经的任意相邻两个配送点之间的配送时长分布,确定所述配送运力执行所述历史待分配订单时经过各配送点的各配送时长组合,作为各样本组合;
筛选模块403,用于根据所述各样本组合之间的相似度,从所述各样本组合中选择出指定时长组合;
训练模块404,用于以所述指定时长组合作为所述各样本组合的标签,对筛选模型进行训练,其中,训练完成的筛选模型用于在实际订单分配过程中从确定出的待分配订单的各配送时长组合中选择出目标时长组合,以根据所述目标时长组合,对所述待分配订单进行分配。
可选地,所述筛选模块403具体用于,将所述各样本组合作为样本集合;针对所述样本集合中的每个样本组合,根据该样本组合与其他样本组合之间的相似度,确定该样本组合对应的综合相似度;根据每个样本组合对应的综合相似度,从所述样本集合中选择出综合相似度最大的样本组合,作为指定时长组合,并判断是否满足预设的停止筛选条件;若确定不满足所述停止筛选条件,根据除选择出的指定时长组合之外的样本组合,重新确定样本集合,并针对重新确定的样本集合中的每个样本组合,重新确定每个样本组合对应的综合相似度,以及从重新确定的样本集合中选择出指定时长组合,直至满足所述停止筛选条件为止。
可选地,所述筛选模块403还用于,在满足预设停止条件后,针对选择出的每个指定时长组合,从满足预设停止条件后的样本集合中确定出与该指定时长组合相似度最大的样本组合,作为匹配样本组合;根据所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的匹配样本组合的概率,以及所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的该指定时长组合的概率,确定所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于所有指定时长组合中的该指定时长组合的概率,作为该指定时长组合的概率。
可选地,所述训练模块404具体用于,将所述各样本组合输入待训练的筛选模型中,通过所述筛选模型输出各待优化指定时长组合,以及针对每个待优化指定时长组合,确定所述配送运力执行所述历史待分配订单时经过各配送点的时长符合该待优化指定时长组合的待优化概率,作为该待优化指定时长组合对应的待优化概率;针对每个待优化指定时长组合,以该待优化指定时长组合对应的指定时长组合与该待优化指定时长组合之间的差异最小化、该待优化指定时长组合对应的指定时长组合的概率与该待优化指定时长组合对应的待优化概率之间的差异最小化为目标,对所述筛选模型进行训练。
图5为本说明书实施例提供的一种订单分配的装置结构示意图,所述装置包括:
第一确定模块501,用于获取待分配订单,并确定待分配订单相关联的候选配送运力;
第二确定模块502,用于针对每个候选配送运力,确定该候选配送运力执行所述待分配订单时经过各配送点的各配送时长组合,作为该候选配送运力对应的各配送时长组合;
选择模块503,用于将每个候选配送运力对应的各配送时长组合输入训练完成的筛选模型中,通过所述筛选模型,针对每个候选配送运力,从该候选配送运力对应的各配送时长组合中选择出各目标时长组合,作为该候选配送运力对应的各目标时长组合,所述筛选模型是通过模型训练方法训练得到的;
第三确定模块504,用于根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标;
分配模块505,用于根据每个候选配送运力执行所述待分配订单时所对应的配送超时风险指标,对所述待分配订单进行分配。
可选地,所述第三确定模块504具体用于,确定该候选配送运力对应的每个目标时长组合的超时风险值;根据该候选配送运力对应的每个目标时长组合的超时风险值,选择出至少部分目标时长组合,作为风险时长组合;根据通过所述筛选模型确定的该候选配送运力执行所述待分配订单时经过各配送点的时长符合每个风险时长组合的概率,对每个风险时长组合的超时风险值进行加权,得到该候选配送运力执行所述待分配订单时所对应的配送超时风险指标。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述图1提供的模型训练方法和图3提供的订单分配方法。
基于图1所示的模型训练方法和图3所示的订单分配方法,本说明书实施例还提供了图6所示的电子设备的结构示意图。如图6,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的模型训练方法和图3所示的订单分配方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种模型训练方法,其特征在于,包括:
获取与历史待分配订单相关联的配送运力;
根据所述配送运力执行所述历史待分配订单时所途经的任意相邻两个配送点之间的配送时长分布,确定所述配送运力执行所述历史待分配订单时经过各配送点的各配送时长组合,作为各样本组合;
根据所述各样本组合之间的相似度,从所述各样本组合中选择出指定时长组合;
以所述指定时长组合作为所述各样本组合的标签,对筛选模型进行训练,其中,训练完成的筛选模型用于在实际订单分配过程中从确定出的待分配订单的各配送时长组合中选择出目标时长组合,以根据所述目标时长组合,对所述待分配订单进行分配。
2.如权利要求1所述的方法,其特征在于,根据所述各样本组合之间的相似度,从所述各样本组合中选择出指定时长组合,具体包括:
将所述各样本组合作为样本集合;
针对所述样本集合中的每个样本组合,根据该样本组合与其他样本组合之间的相似度,确定该样本组合对应的综合相似度;
根据每个样本组合对应的综合相似度,从所述样本集合中选择出综合相似度最大的样本组合,作为指定时长组合,并判断是否满足预设的停止筛选条件;
若确定不满足所述停止筛选条件,根据除选择出的指定时长组合之外的样本组合,重新确定样本集合,并针对重新确定的样本集合中的每个样本组合,重新确定每个样本组合对应的综合相似度,以及从重新确定的样本集合中选择出指定时长组合,直至满足所述停止筛选条件为止。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
在满足预设停止条件后,针对选择出的每个指定时长组合,从满足预设停止条件后的样本集合中确定出与该指定时长组合相似度最大的样本组合,作为匹配样本组合;
根据所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的匹配样本组合的概率,以及所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于最初的样本集合中的该指定时长组合的概率,确定所述配送运力执行所述历史待分配订单时经过各配送点的时长符合处于所有指定时长组合中的该指定时长组合的概率,作为该指定时长组合的概率。
4.如权利要求3所述的方法,其特征在于,以所述指定时长组合作为所述各样本组合的标签,对筛选模型进行训练,具体包括:
将所述各样本组合输入待训练的筛选模型中,通过所述筛选模型输出各待优化指定时长组合,以及针对每个待优化指定时长组合,确定所述配送运力执行所述历史待分配订单时经过各配送点的时长符合该待优化指定时长组合的待优化概率,作为该待优化指定时长组合对应的待优化概率;
针对每个待优化指定时长组合,以该待优化指定时长组合对应的指定时长组合与该待优化指定时长组合之间的差异最小化、该待优化指定时长组合对应的指定时长组合的概率与该待优化指定时长组合对应的待优化概率之间的差异最小化为目标,对所述筛选模型进行训练。
5.一种订单分配方法,其特征在于,包括:
获取待分配订单,并确定待分配订单相关联的候选配送运力;
针对每个候选配送运力,确定该候选配送运力执行所述待分配订单时经过各配送点的各配送时长组合,作为该候选配送运力对应的各配送时长组合;
将每个候选配送运力对应的各配送时长组合输入训练完成的筛选模型中,通过所述筛选模型,针对每个候选配送运力,从该候选配送运力对应的各配送时长组合中选择出各目标时长组合,作为该候选配送运力对应的各目标时长组合,所述筛选模型是通过权利要求1~4任一项所述的方法训练得到的;
根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标;
根据每个候选配送运力执行所述待分配订单时所对应的配送超时风险指标,对所述待分配订单进行分配。
6.如权利要求5所述的方法,其特征在于,根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标,具体包括:
确定该候选配送运力对应的每个目标时长组合的超时风险值;
根据该候选配送运力对应的每个目标时长组合的超时风险值,选择出至少部分目标时长组合,作为风险时长组合;
根据通过所述筛选模型确定的该候选配送运力执行所述待分配订单时经过各配送点的时长符合每个风险时长组合的概率,对每个风险时长组合的超时风险值进行加权,得到该候选配送运力执行所述待分配订单时所对应的配送超时风险指标。
7.一种模型训练的装置,其特征在于,包括:
获取模块,用于获取与历史待分配订单相关联的配送运力;
确定模块,用于根据所述配送运力执行所述历史待分配订单时所途经的任意相邻两个配送点之间的配送时长分布,确定所述配送运力执行所述历史待分配订单时经过各配送点的各配送时长组合,作为各样本组合;
筛选模块,用于根据所述各样本组合之间的相似度,从所述各样本组合中选择出指定时长组合;
训练模块,用于以所述指定时长组合作为所述各样本组合的标签,对筛选模型进行训练,其中,训练完成的筛选模型用于在实际订单分配过程中从确定出的待分配订单的各配送时长组合中选择出目标时长组合,以根据所述目标时长组合,对所述待分配订单进行分配。
8.一种订单分配的装置,其特征在于,包括:
第一确定模块,用于获取待分配订单,并确定待分配订单相关联的候选配送运力;
第二确定模块,用于针对每个候选配送运力,确定该候选配送运力执行所述待分配订单时经过各配送点的各配送时长组合,作为该候选配送运力对应的各配送时长组合;
选择模块,用于将每个候选配送运力对应的各配送时长组合输入训练完成的筛选模型中,通过所述筛选模型,针对每个候选配送运力,从该候选配送运力对应的各配送时长组合中选择出各目标时长组合,作为该候选配送运力对应的各目标时长组合,所述筛选模型是通过权利要求1~4任一项所述的方法训练得到的;
第三确定模块,用于根据该候选配送运力对应的各目标时长组合,确定该候选配送运力执行所述待分配订单时所对应的配送超时风险指标;
分配模块,用于根据每个候选配送运力执行所述待分配订单时所对应的配送超时风险指标,对所述待分配订单进行分配。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-6任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210426299.1A CN114925982A (zh) | 2022-04-21 | 2022-04-21 | 一种模型训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210426299.1A CN114925982A (zh) | 2022-04-21 | 2022-04-21 | 一种模型训练方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114925982A true CN114925982A (zh) | 2022-08-19 |
Family
ID=82806819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210426299.1A Pending CN114925982A (zh) | 2022-04-21 | 2022-04-21 | 一种模型训练方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925982A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402113A (zh) * | 2023-06-08 | 2023-07-07 | 之江实验室 | 一种任务执行的方法、装置、存储介质及电子设备 |
-
2022
- 2022-04-21 CN CN202210426299.1A patent/CN114925982A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402113A (zh) * | 2023-06-08 | 2023-07-07 | 之江实验室 | 一种任务执行的方法、装置、存储介质及电子设备 |
CN116402113B (zh) * | 2023-06-08 | 2023-10-03 | 之江实验室 | 一种任务执行的方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414731B (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
CN108492124A (zh) | 店铺信息推荐方法、装置及客户端 | |
CN110525855B (zh) | 一种货物仓储的方法及装置 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN110705934A (zh) | 异常订单的识别方法、装置、可读存储介质及电子设备 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN113033820A (zh) | 联邦学习方法、装置以及设备 | |
CN114925982A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN109597678A (zh) | 任务处理方法及装置 | |
CN116521350B (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115729714A (zh) | 一种资源分配方法、装置、存储介质及电子设备 | |
CN112434986A (zh) | 订单改派的方法、装置、计算机可读存储介质及电子设备 | |
CN113298445B (zh) | 一种模型训练和调度无人设备的方法及装置 | |
CN115049263A (zh) | 一种配送网络的构建方法 | |
CN116151907A (zh) | 一种处理订单的方法、装置、电子设备及计算机存储介质 | |
CN115238194A (zh) | 书籍推荐方法、计算设备及计算机存储介质 | |
CN114120273A (zh) | 一种模型训练的方法及装置 | |
CN114077944A (zh) | 一种订单分配方法、装置、存储介质及电子设备 | |
CN112862133A (zh) | 订单处理的方法、装置、可读存储介质及电子设备 | |
CN112417275A (zh) | 一种信息提供的方法、装置存储介质及电子设备 | |
CN114372736A (zh) | 一种路线推荐的方法、装置、存储介质及电子设备 | |
CN112884390A (zh) | 订单处理的方法、装置、可读存储介质及电子设备 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 |
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 |