订单准备时间的预测方法和装置，电子设备及存储介质制造方法及图纸

本公开涉及一种订单准备时间的预测方法和装置，电子设备及存储介质，以解决相关技术中的订单特征信息提取方法的效率和准确性难低的问题。所述订单准备时间的预测方法包括：对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；其中，对于所述订单信息中的商品信息根据以下方式进行特征提取：将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量；根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量。

【技术实现步骤摘要】
订单准备时间的预测方法和装置，电子设备及存储介质
本公开涉及网络
，具体地，涉及一种订单准备时间的预测方法和装置，电子设备及存储介质。
技术介绍
订单准备时间是指从商家接订单到商家准备好订单中商品的时间。订单准备时间表征了订单准备的难易程度，可作为订单配送调度系统的重要参数，直接影响压单和派单结果。相关技术中，通常采用人工统计方法对订单的商品信息(例如包括商品名称、商品单价、商品数量)以及商家信息(例如包括进单量、未完成订单数量)等信息进行特征提取，将提取出的特征输入机器学习模型进行预测，得到订单的准备时间。
技术实现思路
本公开的目的是提供一种订单准备时间的预测方法和装置，电子设备及存储介质，以解决相关技术中的订单特征信息提取方法的效率和准确性难低的问题。为了实现上述目的，根据本公开实施例的第一方面，提供一种订单准备时间的预测方法，包括：对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；其中，所述订单信息包括商品信息，对于所述商品信息根据以下方式进行特征提取：将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，所述商品共现向量用于表征一订单中的商品的共现特征；根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。可选地，所述隐向量模型是根据以下方式训练的：将样本订单中的每一样本商品的名称输入至所述隐向量模型，得到每一样本商品的名称的隐向量；预测各个所述隐向量对应的商品名称；根据各个所述样本商品的名称的隐向量，以及预测得到的商品名称与所述样本商品的名称之间的一致性，更新所述隐向量模型。可选地，所述预测所述隐向量对应的商品名称，包括：针对每一所述隐向量，获取该隐向量的关联隐向量的平均值，其中，所述关联隐向量包括所述样本订单中，与该隐向量对应的样本商品相邻的其他样本商品的名称对应的隐向量；根据该平均值预测该隐向量对应的商品名称。可选地，所述根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，包括：获取所有所述商品的名称的隐向量的平均值，作为所述待预测订单的商品共现向量。可选地，所根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，包括：针对所述待预测订单中每一类属性，根据以下公式确定该类属性对应的属性向量：Hj＝attrj1·h1+...+attrjn·hn其中，Hj为所述待预测订单中的第j类属性对应的属性向量，0≤j≤m；m为所述待预测订单中的商品的属性类别数量；hi为所述待预测订单中的第i个商品的名称的隐向量，0≤i≤n，n为所述待预测商品中的商品总数；attrji为所述第i个商品的第j类属性的值。可选地，所述根据所述待预测订单的特征信，预测所述待预测订单的准备时间，包括：将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，得到所述待预测订单的准备时间，其中，所述订单准备时间预测模型是将不同样本订单的实际准备时间和特征信息作为训练数据训练得到的。可选地，在所述将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型之前，还包括：将所述待预测订单的特征信息中包括所述商品共现向量和所述属性向量在内的所有向量进行拼接；所述将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，包括：将拼接后的向量输入至所述订单准备时间预测模型。根据本公开实施例的第二方面，提供一种订单准备时间的预测装置，包括：特征提取模块，用于对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；预测模块，用于根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；其中，所述订单信息包括商品信息，所述特征提取模块根据以下方式对所述商品信息进行特征提取：将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，商品共现向量用于表征一订单中的商品的共现特征；根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。可选地，所述装置还包括用于训练所述隐向量模型的训练模块，所述训练模块用于根据以下方式训练所述隐向量模型：将样本订单中的每一样本商品的名称输入至所述隐向量模型，得到每一样本商品的名称的隐向量；预测各个所述隐向量对应的商品名称；根据各个所述样本商品的名称的隐向量，以及预测得到的商品名称与所述样本商品的名称之间的一致性，更新所述隐向量模型。可选地，所述训练模块用于根据以下方式预测所述隐向量对应的商品名称：针对每一所述隐向量，获取该隐向量的关联隐向量的平均值，其中，所述关联隐向量包括所述样本订单中，与该隐向量对应的样本商品相邻的其他样本商品的名称对应的隐向量；根据该平均值预测该隐向量对应的商品名称。可选地，所述特征提取模块用于根据以下方式确定所述待预测订单的商品共现向量：获取所有所述商品的名称的隐向量的平均值，作为所述待预测订单的商品共现向量。可选地，所述特征提取模块用于根据以下方式确定所述待预测订单的属性向量：针对所述待预测订单中每一类属性，根据以下公式确定该类属性对应的属性向量：Hj＝attrj1·h1+...+attrjn·hn其中，Hj为所述待预测订单中的第j类属性对应的属性向量，0≤j≤m；m为所述待预测订单中的商品的属性类别数量；hi为所述待预测订单中的第i个商品的名称的隐向量，0≤i≤n，n为所述待预测商品中的商品总数；attrji为所述第i个商品的第j类属性的值。可选地，所述预测模块包括：预测子模块，用于将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型，得到所述待预测订单的准备时间，其中，所述订单准备时间预测模型是将不同样本订单的实际准备时间和特征信息作为训练数据训练得到的。可选地，所述装置还包括：拼接模块，用于在所述预测子模块将所述待预测订单的特征信息输入至预先建立的订单准备时间预测模型之前，将所述待预测订单的特征信息中包括所述商品共现向量和所述属性向量在内的所有向量进行拼接；所述预测本文档来自技高网...

【技术保护点】
1.一种订单准备时间的预测方法，其特征在于，包括：/n对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；/n根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；/n其中，所述订单信息包括商品信息，对于所述商品信息根据以下方式进行特征提取：/n将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，所述商品共现向量用于表征一订单中的商品的共现特征；/n根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；/n所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。/n

【技术特征摘要】
1.一种订单准备时间的预测方法，其特征在于，包括：
对待预测订单的订单信息进行特征提取，得到所述待预测订单的特征信息；
根据所述待预测订单的特征信息，预测所述待预测订单的准备时间；
其中，所述订单信息包括商品信息，对于所述商品信息根据以下方式进行特征提取：
将所述待预测订单中的所有商品的名称输入至预先建立的隐向量模型中，得到每一所述商品的名称的隐向量，并根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，所述商品共现向量用于表征一订单中的商品的共现特征；
根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，所述属性向量用于表征所述待预测订单中的商品属性特征；
所述商品信息包括所述待预测订单中的所有商品的名称和属性信息，所述待预测订单的特征信息包括所述商品共现向量和所述属性向量。


2.根据权利要求1所述的方法，其特征在于，所述隐向量模型是根据以下方式训练的：
将样本订单中的每一样本商品的名称输入至所述隐向量模型，得到每一样本商品的名称的隐向量；
预测各个所述隐向量对应的商品名称；
根据各个所述样本商品的名称的隐向量，以及预测得到的商品名称与所述样本商品的名称之间的一致性，更新所述隐向量模型。


3.根据权利要求2所述的方法，其特征在于，所述预测所述隐向量对应的商品名称，包括：
针对每一所述隐向量，获取该隐向量的关联隐向量的平均值，其中，所述关联隐向量包括所述样本订单中，与该隐向量对应的样本商品相邻的其他样本商品的名称对应的隐向量；
根据该平均值预测该隐向量对应的商品名称。


4.根据权利要求1所述的方法，其特征在于，所述根据各个所述商品的名称的隐向量确定所述待预测订单的商品共现向量，包括：
获取所有所述商品的名称的隐向量的平均值，作为所述待预测订单的商品共现向量。


5.根据权利要求1所述的方法，其特征在于，所根据各个所述商品的属性信息及其名称的隐向量，确定所述待预测订单的属性向量，包括：
针对所述待预测订单中每一类属性，根据以下公式确定该类属性对应的属性向量：
Hj＝attrj1·h1+...+attrjn·hn
其中，Hj为所述待预测订单中的第j类属性对应的属性向量，0≤j≤m；m为所述待预测订单中的商品...

【专利技术属性】
技术研发人员：周越，杨情，李春苗，潘基泽，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京;11