本发明专利技术公开了一种配送时长预测方法、装置、存储介质及计算机设备，涉及即时配送技术领域。其中方法包括：获取样本订单的特征数据，其中，特征数据包括至少一种配送预估模型对应的特征数据和/或新增的特征数据；基于样本订单的特征数据，训练二分类决策树模型，得到订单分类模型以及至少一种特征数据的特征重要度；基于特征数据的特征重要度和订单分类模型的模型结构，对至少一种配送预估模型进行优化训练，得到优化后的配送预估模型；获取目标订单的订单信息，根据目标订单的订单信息和优化后的配送预估模型，得到目标订单的配送时长的预测结果。上述方法可以有效的提高配送预估模型的迭代速度和迭代效果，并提升配送时长的预测准确率。测准确率。测准确率。
【技术实现步骤摘要】
配送时长预测方法、装置、存储介质及计算机设备
[0001]本专利技术涉及即时配送
，尤其是涉及一种配送时长预测方法、装 置、存储介质及计算机设备。
技术介绍
[0002]即时配送的配送时长是由多个时长预估模型和调度指派模型共同影响的， 在这些模型中，有机器学习模型和深度学习模型等各类模型，目前，几乎所 有模型都具有局限性，需要不断更新迭代才能使配送时长的预估更加准确。 当需要对这些模型进行迭代时，就需要找出配送时长预估不准确的主要原因， 并将原因定位到具体模型甚至具体特征上。
[0003]在现有技术中，通常采用统计归因的方式进行问题根因分析，即在统计 归因时，首先基于超时订单的分段真实时长、预估时长、分段预估偏差、品 类等各类因素进行统计，然后根据统计结果反推出配送时长预估不准确的原 因，最后根据推导出的原因优化各个模型。但是，统计归因的各因素之间是 独立的，且需要大量的人工对统计数据进行分析，这导致根因分析的效率较 低，此外，归因分析的结果也难给出可信的具有主次关系的具体原因，导致 根因分析的准确率也较低，最终导致模型迭代的进度缓慢且迭代效果不理想， 也导致优化后的模型预估出的即时配送时长仍然不够准确。
技术实现思路
[0004]有鉴于此，本申请提供了一种配送时长预测方法、装置、存储介质及计 算机设备，主要目的在于解决即时配送时长预测不准确的技术问题。
[0005]根据本专利技术的第一个方面，提供了一种配送时长预测方法，该方法包括：
[0006]获取样本订单的特征数据，其中，所述特征数据包括至少一种配送预估 模型对应的特征数据和/或新增的特征数据；
[0007]基于所述样本订单的特征数据，训练二分类决策树模型，得到订单分类 模型以及至少一种所述特征数据的特征重要度；
[0008]基于所述特征数据的特征重要度和所述订单分类模型的模型结构，对至 少一种所述配送预估模型进行优化训练，得到优化后的配送预估模型；
[0009]获取目标订单的订单信息，根据所述目标订单的订单信息和所述优化后 的配送预估模型，得到目标订单的配送时长的预测结果。
[0010]可选的，所述配送预估模型包括分段配送时长预估模型、整体配送时长 预估模型和调度指派模型中的至少一种模型；所述获取样本订单的特征数据， 包括：获取预设时间段内的多个订单作为样本订单，并将所述样本订单中的 超时订单划分为正样本，将所述样本订单中的未超时订单划分为负样本；获 取所述分段配送时长预估模型、整体配送时长预估模型和调度指派模型中的 至少一种模型对应的特征数据和/或至少一种新增的特征数据；根据所述至少 一种模型对应的特征数据和/或新增的特征数据，对所述样本订单中的特征数 据进行提取，得到所述样本订单的特征数据。
[0011]可选的，所述基于所述样本订单的特征数据，训练二分类决策树模型， 得到订单分类模型以及至少一种所述特征数据的特征重要度，包括：将所述 样本订单划分为训练集和验证集；基于所述训练集中的样本订单的特征数据， 对所述二分类决策树模型进行训练，得到初始订单分类模型；通过所述初始 订单分类模型，对所述验证集中的样本订单进行分类预测，得到所述验证集 中的样本订单的分类预测结果；根据所述验证集中的样本订单的分类预测结 果，计算所述初始订单分类模型的模型指标；根据所述初始订单分类模型的 模型指标，对所述初始订单分类模型进行优化训练，得到所述订单分类模型 以及至少一种所述特征数据的特征重要度。
[0012]可选的，所述基于所述特征数据的特征重要度和所述订单分类模型的模 型结构，对至少一种所述配送预估模型进行优化训练，得到优化后的配送预 估模型，包括：根据所述特征数据的特征重要度和所述订单分类模型的模型 结构，在所述特征数据中筛选出至少一种重要特征数据；基于所述重要特征 数据，对所述分段配送时长预估模型、整体配送时长预估模型和调度指派模 型中的至少一种配送预估模型进行优化训练，得到优化后的配送预估模型。
[0013]可选的，所述根据所述特征数据的特征重要度和所述订单分类模型的模 型结构，在所述特征数据中筛选出至少一种重要特征数据，包括：根据所述 特征数据的特征重要度，对所述特征数据进行排序，并根据排序结果得到至 少一个预选特征数据；将所述订单分类模型的模型结构转换树形结构，并统 计所述树形结构中每一个分支结构的正样本占比；根据所述树形结构中每一 个分支结构的正样本占比，对所述预选特征数据的特征重要度进行校验，并 根据验证结果得到所述重要特征数据。
[0014]可选的，所述基于所述重要特征数据，对所述分段配送时长预估模型、 整体配送时长预估模型和调度指派模型中的至少一种配送预估模型进行优化 训练，得到优化后的配送预估模型，包括：对模型输出为所述重要特征数据 的配送预估模型的参数进行优化训练，得到所述优化后的配送预估模型；和/ 或将所述重要特征数据添加到与所述重要特征数据对应的配送预估模型中， 并对所述配送预估模型进行优化训练，得到所述优化后的配送预估模型。
[0015]可选的，所述获取目标订单的订单信息，根据所述目标订单的订单信息 和所述优化后的配送预估模型，得到目标订单的配送时长的预测结果，包括： 获取目标订单的订单信息和所述优化后的配送预估模型对应的特征数据；根 据所述优化后的配送预估模型对应的特征数据，提取出所述目标订单中的特 征数据；将所述目标订单的特征数据输入到所述优化后的配送预估模型中， 得到目标订单的配送时长的预测结果。
[0016]根据本专利技术的第二个方面，提供了一种配送时长预测装置，该装置包括：
[0017]特征获取模块，用于获取样本订单的特征数据，其中，所述特征数据包 括至少一种配送预估模型对应的特征数据和/或新增的特征数据；
[0018]特征评估模块，用于基于所述样本订单的特征数据，训练二分类决策树 模型，得到订单分类模型以及至少一种所述特征数据的特征重要度；
[0019]模型优化模块，用于基于所述特征数据的特征重要度和所述订单分类模 型的模型结构，对至少一种所述配送预估模型进行优化训练，得到优化后的 配送预估模型；
[0020]时长预测模块，用于获取目标订单的订单信息，根据所述目标订单的订 单信息和
所述优化后的配送预估模型，得到目标订单的配送时长的预测结果。
[0021]可选的，所述配送预估模型包括分段配送时长预估模型、整体配送时长 预估模型和调度指派模型中的至少一种模型；所述特征获取模块，具体用于 获取预设时间段内的多个订单作为样本订单，并将所述样本订单中的超时订 单划分为正样本，将所述样本订单中的未超时订单划分为负样本；获取所述 分段配送时长预估模型、整体配送时长预估模型和调度指派模型中的至少一 种模型对应的特征数据和/或至少一种新增的特征数据；根据所述至少一种模 型对应的特征数据和/或新增的特征数据，对所述样本订单中的特征数据进行 提取，得到所述样本订单的特征数据。
[0022]可选的，所述特征评估模块，具体用本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种配送时长预测方法，其特征在于，所述方法包括：获取样本订单的特征数据，其中，所述特征数据包括至少一种配送预估模型对应的特征数据和/或新增的特征数据；基于所述样本订单的特征数据，训练二分类决策树模型，得到订单分类模型以及至少一种所述特征数据的特征重要度；基于所述特征数据的特征重要度和所述订单分类模型的模型结构，对至少一种所述配送预估模型进行优化训练，得到优化后的配送预估模型；获取目标订单的订单信息，根据所述目标订单的订单信息和所述优化后的配送预估模型，得到目标订单的配送时长的预测结果。2.根据权利要求1所述的方法，其特征在于，所述配送预估模型包括分段配送时长预估模型、整体配送时长预估模型和调度指派模型中的至少一种模型；所述获取样本订单的特征数据，包括：获取预设时间段内的多个订单作为样本订单，并将所述样本订单中的超时订单划分为正样本，将所述样本订单中的未超时订单划分为负样本；获取所述分段配送时长预估模型、整体配送时长预估模型和调度指派模型中的至少一种模型对应的特征数据和/或至少一种新增的特征数据；根据所述至少一种模型对应的特征数据和/或新增的特征数据，对所述样本订单中的特征数据进行提取，得到所述样本订单的特征数据。3.根据权利要求1所述的方法，其特征在于，所述基于所述样本订单的特征数据，训练二分类决策树模型，得到订单分类模型以及至少一种所述特征数据的特征重要度，包括：将所述样本订单划分为训练集和验证集；基于所述训练集中的样本订单的特征数据，对所述二分类决策树模型进行训练，得到初始订单分类模型；通过所述初始订单分类模型，对所述验证集中的样本订单进行分类预测，得到所述验证集中的样本订单的分类预测结果；根据所述验证集中的样本订单的分类预测结果，计算所述初始订单分类模型的模型指标；根据所述初始订单分类模型的模型指标，对所述初始订单分类模型进行优化训练，得到所述订单分类模型以及至少一种所述特征数据的特征重要度。4.根据权利要求2所述的方法，其特征在于，所述基于所述特征数据的特征重要度和所述订单分类模型的模型结构，对至少一种所述配送预估模型进行优化训练，得到优化后的配送预估模型，包括：根据所述特征数据的特征重要度和所述订单分类模型的模型结构，在所述特征数据中筛选出至少一种重要特征数据；基于所述重要特征数据，对所述分段配送时长预估模型、整体配送时长预估模型和调度指派模型中的至少一种配送预估模型进行优化训练，得到优化后的配送预估模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述特征...
【专利技术属性】
技术研发人员：李芳芳，李佳慧，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。