一种前置仓货物出仓时长预估方法及装置制造方法及图纸

本发明专利技术实施例提供一种前置仓货物出仓时长预估方法及装置，该方法包括：基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长。上述方法用于提高预估仓库货物出仓时长的准确性。长的准确性。长的准确性。

【技术实现步骤摘要】
一种前置仓货物出仓时长预估方法及装置


[0001]本申请涉及网络
，尤其涉及一种前置仓货物出仓时长预估方法及装置。

技术介绍

[0002]随着计算机技术的快速发展，电子商务越来越多地改善着现代人的工作、娱乐和生活。如，电商平台的物流系统利用网络技术、信息技术等与物流管理相结合，为电商平台构建了一个方便快捷的物流平台。该物流平台可以根据用户下单时的仓库的分拣状况，预估出该用户购买物品的分拣出仓时长，进而根据配送员的配送信息计算出用户所购买物品的送达时间，为用户提供透明物流信息环境。
[0003]现有技术中，一般通过用户下单时仓库的分拣压力预估用户购买物品的出仓时长。如，用户下单时，确定此时仓库的分拣压力，若是仓库分拣压力大，对应的预估用户购买物品的出仓时长较长。但在实际生产中，这种方式并不能准确预估出用户购买物品的出仓时长。如，在用户下单时的仓库分拣压力过大，预估出仓时长较大，但实际可能仓库分拣物品很快完成，分拣资源闲置。若在用户下单时的仓库分拣压力很小，预估出仓时长很小，但实际仓库分拣物品很慢，用户下单后迟迟不能收到购买物品，给用户造成不便。
[0004]因此，现在亟需一种前置仓货物出仓时长预估方法及装置，用于提高预估仓库货物出仓时长的准确性。

技术实现思路

[0005]本专利技术实施例提供一种前置仓货物出仓时长预估方法及装置，用于提高预估仓库货物出仓时长的准确性。
[0006]第一方面，本专利技术实施例提供一种前置仓货物出仓时长预估方法，该方法包括：
[0007]基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；
[0008]确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长。
[0009]上述方法中，预估模型是根据前置仓的历史分拣信息训练得到的。如此，可以获取该仓库历史分拣信息对应的出仓时长情况，增加预估模型的预估结果的稳定性，提高预估结果的准确性。进一步的，通过不同组合特征的历史分拣信息对不同的预估模型的初始模型进行训练，确定各预估模型的误差，将误差最小的预估模型用于生成。如此，进一步获取最能影响出仓时长的分拣信息中的各特征的组合特征，通过这些最能影响出仓时长的分拣信息的特征预估出仓时长，进一步提高出仓时长预估的准确性。相比于现有技术中仅根据分拣压力预估出仓时长不准确，导致分拣资源闲置，或者用户迟迟不能收到购买物品的不良影响来说，本申请预估的出仓时长准确，可以合理使用分拣资源，消除对用户的不良影
响。
[0010]可选的，将所述特征向量输入预估模型得到出仓时长，包括：根据所述分拣信息确定分拣压力；若所述分拣压力低于分拣压力阈值，则将所述特征向量输入低压预估模型；根据所述低压预估模型得到所述出仓时长；若所述分拣压力不低于所述分拣压力阈值，则将所述特征向量输入高压预估模型；根据所述高压预估模型得到所述出仓时长；所述分拣压力阈值是在得到预估误差最小的组合特征后，对预估误差最小的组合特征对应的模型继续进行训练后得到的。
[0011]上述方法中，可以根据分拣压力阈值确定订单请求的分拣信息是属于低压分拣压力还是高压分拣压力，将预估模型分为低压预估模型和高压预估模型。如此，低压预估模型对分拣压力低的分拣信息的特征学习相对集中，针对分拣压力低的分拣信息进行预估的结果更加准确；高压预估模型对分拣压力高的分拣信息的特征学习相对集中，针对分拣压力高的分拣信息进行预估的结果更加准确，提高对订单请求的分拣信息的出仓时长预估的准确性。
[0012]可选的，所述低压预估模型和所述高压预估模型是通过如下方式训练得到的，包括：在设定的分拣压力阈值下，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的为中间预估模型；其中，所述样本集是根据历史分拣信息构建的；
[0013]确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型。
[0014]上述方法中，先设定分拣压力阈值不变，在该设定分拣压力阈值下，根据历史分拣信息分别确定组合特征不同的样本集，通过各样本集分别对初始模型进行训练，获取训练后的不同组合特征对应的初始模型，从训练后的不同组合特征对应的初始模型中确定误差最小的作为中间预估模型。如此，确定最能影响前置仓出仓时长的组合特征，后续根据订单请求的分拣信息确定对应组合特征的特征向量，该特征向量最能体现对出仓时长的影响，将该特征向量输入对应组合特征的预估模型能够准确得到的出仓时长。进一步，最优的组合特征已经确定，对应的中间预估模型也已经确定，设置不同的分拣压力阈值，确定不同分拣压力阈值下中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为低压预估模型和高压预估模型。也就是说，首先设定分拣压力阈值不变，获取分拣信息对应的最优的组合特征，最优的组合特征确定后，组合特征不变，根据不同的分拣压力阈值对应的中间预估模型的误差，确定误差最小的分拣压力阈值，最大化的增强预估模型的预估准确度。相比于现有技术中仅仅基于分拣压力进行出仓时长预估，本申请通过细化分拣信息中各特征，获取各组合特征中最能影响出仓时长组合特征，且计算到最能有效区分高压分拣信息和低压分拣信息的分拣压力阈值，使得高压预估模型根据学习到的高压分拣特征对应的出仓时长和低压预估模型根据学习到的低压分拣特征对应的出仓时长准确对订单请求的出仓时长进行预估，提高出仓时长结果预估准确性。
[0015]可选的，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的中间预估模型，包括：
[0016]获取历史时段中各时间分片的历史分拣信息；
[0017]根据所述历史分拣信息确定多种样本集，任意两个样本集对应的分拣信息的组合
特征不同；
[0018]针对每个样本集，根据设定分拣压力阈值将所述样本集分为低压样本集和高压样本集；分别通过所述低压样本集和所述高压样本集训练低压初始模型和高压初始模型；
[0019]从多组训练后的低压初始模型和训练后的高压初始模型中，确定出预估出仓时长与实际出仓时长误差最小的一组作为中间预估模型。
[0020]上述方法中，获取历史时段中各时间分片的历史分拣信息，针对不同的组合特征，分别获取不同组合特征的样本集。针对每个样本集，将该样本集分为低压样本集和高压样本集，以分别对低压初始模型和高压初始模型进行训练，得到训练后的低压初始模型和训练后的高压初始模型。如此，得到各组合特征对应的训练后的低压初始模型和训练后的高压初始模型，从这多组训练后的低压初始模型和训练后的高压初始模型中，确定出预估出仓时长与实际出仓时长误差最小的一组作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种前置仓货物出仓时长预估方法，其特征在于，所述方法包括：基于订单请求的接收时间，确定所述订单请求对应的前置仓的分拣信息；确定所述分拣信息的特征向量，将所述特征向量输入预估模型得到出仓时长，所述预估模型是根据所述前置仓的历史分拣信息对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，对应的不同组合特征对初始模型进行训练得到预估误差最小的组合特征对应的模型，所述出仓时长用于表征从所述接收时间至分拣完成所述订单请求所需的时长。2.如权利要求1中所述的方法，其特征在于，将所述特征向量输入预估模型得到出仓时长，包括：根据所述分拣信息确定分拣压力；若所述分拣压力低于分拣压力阈值，则将所述特征向量输入低压预估模型；根据所述低压预估模型得到所述出仓时长；若所述分拣压力不低于所述分拣压力阈值，则将所述特征向量输入高压预估模型；根据所述高压预估模型得到所述出仓时长；所述分拣压力阈值是在得到预估误差最小的组合特征后，对预估误差最小的组合特征对应的模型继续进行训练后得到的。3.如权利要求2所述的方法，其特征在于，所述低压预估模型和所述高压预估模型是通过如下方式训练得到的，包括：在设定的分拣压力阈值下，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的为中间预估模型；其中，所述样本集是根据历史分拣信息构建的；确定不同分拣压力阈值下所述中间预估模型的误差，将误差最小的分拣压力阈值对应的中间预估模型作为所述低压预估模型和所述高压预估模型。4.如权利要求3中所述的方法，其特征在于，通过不同组合特征对应的样本集分别训练初始模型，确定各不同组合特征对应的初始模型中误差最小的中间预估模型，包括：获取历史时段中各时间分片的历史分拣信息；根据所述历史分拣信息确定多种样本集，任意两个样本集对应的分拣信息的组合特征不同；针对每个样本集，根据设定分拣压力阈值将所述样本集分为低压样本集和高压样本集；分别通过所述低压样本集和所述高压样本集训练低压初始模型和高压初始模型；从多组训练后的低压初始模型和训练后的高压初始模型中，确定出预估出仓时长与实际出仓时长误差最小的一组作为...

【专利技术属性】
技术研发人员：马天行，吕皓，
申请(专利权)人：上海壹佰米网络科技有限公司，
类型：发明
国别省市：