一种订单出餐时间预测模型构建、预测方法、模型和装置制造方法及图纸

本发明专利技术实施例涉及外卖即时配送领域，尤其涉及一种订单出餐时间预测模型构建、预测方法、模型和装置，用于提高订单出餐时间的预测精度。获取至少一个订单的订单信息；根据订单信息构建样本；样本包括影响订单出餐时间的样本特征和订单出餐时间的样本标签；根据模型结构参数和至少一个样本，构建至少一个预测模型；从预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型。如此，得到的最终预测模型考虑了影响订单出餐时间的样本特征、以及预测样本标签的误差，进而可以根据最终预测模型预测出误差较小的订单出餐时间，可以提高订单出餐时间的预测精度。

A prediction model, forecasting method, model and device for ordering meal time

The embodiment of the present invention relates to the field of instant distribution of the takeout, in particular to the construction of an order meal time prediction model, the prediction method, the model and the device for improving the prediction accuracy of the order feeding time. Obtain order information of at least one order; construct samples based on order information; samples include sample labels that affect the sample time of order and order of order time; at least one prediction model is constructed according to the model structure parameters and at least one sample; a sample label is identified from the prediction model. The worst prediction model is the final prediction model. In this way, the final prediction model takes into account the sample characteristics that affect the order time of the order, and the error of the prediction of the sample label, and then can predict the time of order out of order with small error according to the final prediction model, which can improve the prediction accuracy of the order meal time.

【技术实现步骤摘要】
一种订单出餐时间预测模型构建、预测方法、模型和装置
本专利技术实施例涉及外卖即时配送领域，尤其涉及一种订单出餐时间预测模型构建、预测方法、模型和装置。
技术介绍
随着移动互联网的兴起，外卖成为一种比较常规就餐方式。对于用户来说，外卖即时配送服务中的外卖配送效率是影响用户体验的重要参数。而影响外卖配送效率的一个重要环节是订单出餐环节，即餐厅接单到餐厅备餐完成的过程。如果能够合理的预测出订单出餐时间，就可以为外卖即时配送智能调度系统提供精准的数据支撑，比如为优化骑手路径规划提供指导，提升外卖配送效率和用户体验。
技术实现思路
本专利技术实施例提供一种订单出餐时间预测模型构建、预测方法、模型和装置，用以实现提高订单出餐时间的预测精度。第一方面，本专利技术实施例提供一种订单出餐时间预测模型构建方法，包括：获取至少一个订单的订单信息；根据所述订单信息，构建样本；所述样本包括影响订单出餐时间的样本特征和订单出餐时间的样本标签；根据模型结构参数和至少一个样本，构建至少一个预测模型；从所述预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型；所述最终预测模型用于预测订单的订单出餐时间。结合第一方面，本专利技术在第一方面的第一种实现方式中，所述根据所述订单信息构建样本之前，还包括：确定影响订单出餐时间的至少一个特征变量；将确定出的特征变量对应的特征值作为所述订单的样本特征；根据所述订单的骑手取餐时间和餐厅接单时间，确定出所述订单出餐时间，从而得到所述订单出餐时间的样本标签。结合第一方面，本专利技术在第一方面的第二种实现方式中，所述根据所述订单信息构建样本之前，还包括：从所述订单中确定出满足第一预设条件的订单；所述满足第一预设条件的订单用于构建样本；其中，所述第一预设条件包括以下内容：骑手到店等待时长大于第一预设时长、且骑手点击到店时的位置与餐厅位置的距离小于第一预设距离、且骑手点击确认取餐时的位置与餐厅位置的距离小于第二预设距离；或，骑手到店等待时长小于第一预设时长、且订单出餐时长小于所述第二预设时长。结合第一方面、第一方面的第一种实现方式或第一方面的第二种实现方式，本专利技术在第一方面的第三种实现方式中，所述模型结构参数为梯度提升决策树GBDT模型的结构参数；所述根据模型结构参数和至少一个样本，构建至少一个预测模型，包括：将所述至少一个样本分为训练集和测试集；为所述GBDT模型设置模型结构参数的初始值；根据所述模型结构参数的初始值，基于所述GBDT模型对所述训练集中的训练样本进行训练，得到初始预测模型；调整所述模型结构参数，基于所述GBDT模型对所述训练集中的训练样本进行训练，得到调整预测模型；每调整一次模型结构参数得到一个调整预测模型；所述从所述至少一个预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型，包括：针对所述测试集中每个测试样本，将所述测试样本的样本特征输入至所述预测模型，得到所述测试样本的预测样本标签；并确定出所述测试样本的预测样本标签与所述测试样本的标准样本标签之间的误差；将所述测试集中所有测试样本的平均误差，作为所述预测模型的样本标签误差；根据每个预测模型的样本标签误差，从所述初始预测模型和所述调整预测模型中确定出样本标签误差最小的预测模型作为最终预测模型。第二方面，本专利技术实施例提供一种订单出餐时间预测方法，包括：获取待预测订单的订单信息；根据所述待预测订单的订单信息和影响订单出餐时间的至少一个特征变量，确定出所述待预测订单的样本特征；将所述待预测订单的样本特征输入至最终预测模型，预测出所述待预测订单的订单出餐时间，所述最终预测模型是根据第一方面、以及第一方面的任一可能的实现方式中所述的方法得到的。第三方面，本专利技术实施例提供一种订单出餐时间的预测模型，包括：获取单元，用于获取至少一个订单的订单信息；构建单元，用于根据所述订单信息，构建样本；根据模型结构参数和至少一个样本，构建至少一个预测模型；所述样本包括表征影响订单出餐时间的样本特征和表征订单出餐时间的样本标签；处理单元，用于从所述至少一个预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型；所述最终预测模型用于预测订单的订单出餐时间。结合第三方面，本专利技术在第一方面的第一种实现方式中，所述构建单元，还用于：确定影响订单出餐时间的至少一个特征变量；将确定出的特征变量对应的特征值作为所述订单的样本特征；根据所述订单的骑手取餐时间和餐厅接单时间，确定出所述订单出餐时间，从而得到所述订单出餐时间的样本标签。结合第三方面，本专利技术在第一方面的第二种实现方式中，所述构建单元，用于：从所述至少一个订单中确定出满足第一预设条件的订单；所述满足第一预设条件的订单用于构建样本；其中，所述第一预设条件包括以下内容：骑手到店等待时长大于第一预设时长、且骑手点击到店时的位置与餐厅位置的距离小于第一预设距离、且骑手点击确认取餐时的位置与餐厅位置的距离小于第二预设距离；或，骑手到店等待时长小于第一预设时长、且订单出餐时长小于所述第二预设时长。结合第三方面、第三方面的第一种实现方式或第一方面的第二种实现方式，本专利技术在第三方面的第三种实现方式中，所述模型结构参数为梯度提升决策树GBDT模型的结构参数；所述构建单元，用于：将所述至少一个训练样本分为训练集和测试集；为所述GBDT模型设置模型结构参数的初始值；根据所述模型结构参数的初始值，基于所述GBDT模型对所述训练集中的每个训练样本进行训练，得到初始预测模型；调整所述模型结构参数，基于所述GBDT模型对所述训练集中的每个训练样本进行训练，得到调整预测模型；每调整一次模型结构参数得到一个调整预测模型；所述处理单元，用于：针对所述测试集中每个测试样本，将所述测试样本的样本特征输入至所述预测模型，得到所述测试样本的预测样本标签；并确定出所述测试样本的预测样本标签与所述测试样本的标准样本标签之间的误差；将所述测试集中所有测试样本的平均误差，作为所述预测模型的样本标签误差；根据每个预测模型的样本标签误差，从所述初始预测模型和所述调整预测模型中确定出样本标签误差最小的预测模型作为最终预测模型。第四方面，本专利技术实施例提供一种订单出餐时间预测装置，包括：获取单元，用于获取待预测订单的订单信息；处理单元，用于：根据所述待预测订单的订单信息和影响订单出餐时间的至少一个特征变量，确定出所述待预测订单的样本特征；将所述待预测订单的样本特征输入至最终预测模型，预测出所述待预测订单的订单出餐时间，所述最终预测模型是根据第一方面、以及第一方面的任一可能的实现方式中所述的方法得到的。第五方面，本专利技术实施例提供一种电子设备，包括：存储器，用于存储程序指令；处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行第一方面、第一方面的任一可能的实现方式、以及第二方面中所述的方法。第六方面，本专利技术实施例提供一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行第一方面、第一方面的任一可能的实现方式、以及第二方面中所述的方法。本专利技术实施例中，获取至少一个订单的订单信息；根据订单信息构建样本；样本包括影响订单出餐时间的样本特征和订单出餐时间的样本标签；根据模型结构参数和至少一个样本，构建至少一个预测模本文档来自技高网...

【技术保护点】
1.一种订单出餐时间预测模型构建方法，其特征在于，包括：获取至少一个订单的订单信息；根据所述订单信息构建样本；所述样本包括影响订单出餐时间的样本特征和订单出餐时间的样本标签；根据模型结构参数和至少一个样本，构建至少一个预测模型；从所述预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型。

【技术特征摘要】
1.一种订单出餐时间预测模型构建方法，其特征在于，包括：获取至少一个订单的订单信息；根据所述订单信息构建样本；所述样本包括影响订单出餐时间的样本特征和订单出餐时间的样本标签；根据模型结构参数和至少一个样本，构建至少一个预测模型；从所述预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型。2.如权利要求1所述的构建方法，其特征在于，所述根据所述订单信息构建样本之前，还包括：从所述订单中确定出满足第一预设条件的订单；所述满足第一预设条件的订单用于构建样本；其中，所述第一预设条件包括以下内容：骑手到店等待时长大于第一预设时长、且骑手点击到店时的位置与餐厅位置的距离小于第一预设距离、且骑手点击确认取餐时的位置与餐厅位置的距离小于第二预设距离；或，骑手到店等待时长小于第一预设时长、且订单出餐时长小于所述第二预设时长。3.如权利要求1至2任一项所述的构建方法，其特征在于，所述模型结构参数为梯度提升决策树GBDT模型的结构参数；所述根据所述模型结构参数和至少一个样本，构建至少一个预测模型，包括：将所述至少一个样本分为训练集和测试集；为所述GBDT模型设置模型结构参数的初始值；根据所述模型结构参数的初始值，基于所述GBDT模型对所述训练集中的训练样本进行训练，得到初始预测模型；调整所述模型结构参数，基于所述GBDT模型对所述训练集中的训练样本进行训练，得到调整预测模型；每调整一次模型结构参数得到一个调整预测模型；所述从所述至少一个预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型，包括：针对所述测试集中每个测试样本，将所述测试样本的样本特征输入至所述预测模型，得到所述测试样本的预测样本标签；并确定出所述测试样本的预测样本标签与所述测试样本的标准样本标签之间的误差；将所述测试集中所有测试样本的平均误差，作为所述预测模型的样本标签误差；根据每个预测模型的样本标签误差，从所述初始预测模型和所述调整预测模型中确定出样本标签误差最小的预测模型作为最终预测模型。4.一种订单出餐时间预测方法，其特征在于，包括：获取待预测订单的订单信息；根据所述待预测订单的订单信息和影响订单出餐时间的至少一个特征变量，确定出所述待预测订单的样本特征；将所述待预测订单的样本特征输入至最终预测模型，预测出所述待预测订单的订单出餐时间，所述最终预测模型是根据权利要求1至4中任一权利要求所述的方法得到的。5.一种订单出餐时间的预测模型，其特征在于，包括：获取单元，用于获取至少一个订单的订单信息；构建单元，用于根据所述订单信息，构建样本；根据模型结构参数和至少一个样...

【专利技术属性】
技术研发人员：刘成亮，徐梦云，
申请(专利权)人：拉扎斯网络科技上海有限公司，
类型：发明
国别省市：上海,31