本发明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。
背景技术：
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。
技术实现要素：
本发明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，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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。
本发明实施例中，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。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。
图1为本发明实施例提供的一种订单出餐时间预测模型构建方法流程示意图；
图2为本发明实施例提供的包括至少一个特征变量的特征集；
图3为发明实施例提供的gbdt模型原理示意图；
图4为发明实施例提供的基于gbdt模型训练训练样本的流程示意图；
图5为本发明实施例提供的一种订单出餐时间预测方法流程示意图；
图6为本发明实施例提供的一种订单出餐时间的预测模型结构示意图；
图7为本发明实施例提供的一种订单出餐时间预测装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了解决订单出餐时间未知的问题,一种现有技术中的预测订单出餐时间的方案为：以骑手取餐时间与餐厅接单时间的时间差作为真实出餐时间的近似，然后对每个餐厅计算历史订单出餐时间的均值，以该均值作为餐厅未来订单出餐时间的预测值。但是这种预测订单出餐时间的方式存在以下问题：仅从餐厅方面考虑历史订单的出餐情况，并未考虑其它能够影响订单出餐时间的因素；而且历史订单的订单出餐时间的均值并未反映餐厅的实时订单出餐时间情况，因此，预测精度较低。
为了实现提高订单出餐时间的预测精度，本发明实施例中通过对历史订单构建预测模型，进而预测出订单出餐时间。下面对订单出餐时间预测模型构建方法进行详细介绍。
图1示例性示出了本发明实施例提供的一种订单出餐时间预测模型构建方法流程示意图。如图1所示，该方法包括以下步骤：
步骤101：获取至少一个订单的订单信息；
步骤102：根据订单信息构建样本；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；
步骤103：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；
步骤104：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。
本发明实施例中，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。
上述步骤103中，每组模型结构参数对应构建一个预测模型，也就是说，每个预测模型可以通过至少一个样本和一组模型结构参数构建。例如，20个样本，根据一组模型结构参数和该20个样本，可构建一个预测模型；另一组模型结构参数和该20个样本，可以构建另一个预测模型。如此，可以构建多个预测模型，从而从多个预测模型中确定出最终预测模型，用于预测订单的订单出餐时间。
为了保证预测模型在预测订单出餐时间时的准确性，本发明实施例中，步骤101中的订单信息考虑了订单餐品种类和数量和外卖订单实时状况、节假日、促销活动等各种复杂因素。
一种可选的实施例中，订单信息包括餐厅维度信息和订单维度信息。其中，餐厅维度信息包括餐厅标识、餐厅的主营品类、餐厅的热销菜品标识、预设外卖应用是否为餐厅的独家外卖应用等；订单维度信息包括订单标识、订单所包含的菜品的标识和价格、订单的配送费、订单总价、餐厅接单时间、骑手到店时间、骑手取餐时间、当前天气类型、客户是否催单、客户是否退单、餐厅是否退单等。根据上述订单信息构建的样本，除了反映餐厅和订单的历史出餐情况，还可以反映餐厅和订单的实时状况，如此，可以构建出考虑多种影响订单出餐时间的因素的预测模型。
下面对如何根据订单信息构建样本进行详细介绍。
一种可选的实施方式中，在步骤102之前本发明实施例提供的方法还包括：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。
具体实施例中，可以通过分析影响订单出餐时间的各种因素，确定出特征变量。比如，特征变量可以包括：时间片、天气类型、季节属性、是否节假日、星期标识、是否节后第一天、高峰期标识、订单消费程度、餐厅客单价、订单优惠程度、订单包含热销菜品量程度、订单阻塞程度、催单率、退单率、推单率、餐厅当前累积未取餐单量、餐厅未来半小时接单量、餐厅类别、餐厅历史出餐时间、餐厅是否独家、骑手到店等待率等。
图2示例性示出了本发明实施例提供的包括至少一个特征变量的特征集。如图2所示，订单出餐时间特征集包括特征变量、每个特征变量对应的实时/离线特征、类型、数据类型、单位、描述等。其中，描述包括对每个特征变量的特征值的描述。
实时/离线特征，可以表示出特征变量对应的特征值是实时更新还是固定时间更新。比如，特征变量为天气类型，订单接单时记录的天气类型为实时特征。再比如，特征变量为餐厅品类，一般为离线特征。
类型包括离散型和连续型，可以表示出特征变量对应的特征值分布是有限个还是无限个。比如特征变量为时间片，将每天24小时分为48个时间片，每个时间片为30分钟，可见，时间片对应的特征值是有限个，为离散型。再比如，特征变量为订单消费程度，表示为餐厅客单价与当前订单的消费金额的比值，由于价格一般为变化的，所以订单消费程度对应的特征值也是变化的，为连续型。
数据类型包括整型(int)和浮点型(double)。比如，特征变量为季节属性，采用0至3分别代表春季、夏季、秋季和冬季，季节属性对应的特征值为0至3中的任一个整数。
本发明实施例中，时间片反映了餐厅接单时间、以及每个不同的时间片内单量的分布，可以反映不同时间片的出餐情况；通过天气类型模型可以捕捉到天气和订单量之间的相关性，而订单量会影响出餐时间；订单量还会通过是否节假日、星期标识等特征体现出来；订单阻塞程度、催单率、退单率、推单率和餐厅当前累积未取餐单量等均为实时特征，能够反映餐厅实时状况；不同餐厅类别，出餐时间也不尽相同，餐厅品类等也可以反映餐厅的出餐情况；此外，餐厅历史出餐时间更加直接地反映了餐厅过去出餐时间快慢情况。对每个订单总结上述所有特征，组成了该订单的至少一个特征变量。
根据如图2所示的特征变量、以及每个特征变量对应的特征值，可以构建出每个订单对应的样本。
一种可选的实施方式中，根据至少一个订单的订单信息，构建至少一个样本，包括：根据每个订单的样本特征和订单出餐时间的样本标签，构建样本。如此，可以得到考虑多种影响订单出餐时间的因素的样本，使得构建的预测模型的预测效果更好。
举个例子，以图2所示的特征变量为例，每个订单对应的样本特征包括如2中的所有的特征变量对应的特征值，订单的每个特征变量对应一个特征值。比如图2中所示的特征变量为时间片，订单一的餐厅接单时间为早上08:10，为当天从00:00至23:59中的第17个时间片，也就是说，该订单的特征变量时间片对应的特征值为17。
本发明实施例中，由于订单的真实出餐时间未知，需要构建所有订单的订单出餐时间的样本标签，其中，订单出餐时间可以为骑手取餐时间与餐厅接单时间的差值。以餐厅接单时间t0、骑手取餐时间t2为例，可以得到表征订单出餐时间的订单的样本标签为：t2-t0。
由于订单的真实出餐时间未知，样本标签以骑手取餐时间和餐厅接单时间的差值计算，可能会比真实的订单出餐时间偏长；而样本标签的准确性会影响预测模型预测订单出餐时间的准确性，因此，需要对用于构建样本的订单进行筛选。
一种可选的实施方式中，根据订单信息构建样本之前，还包括：从至少一个订单中确定出满足第一预设条件的订单；满足第一预设条件的订单用于构建样本；其中，第一预设条件包括以下内容中的任一种情况：
第一种情况，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；
这种情况下，骑手到店等待说明订单还未出餐，订单出餐时间以骑手取餐时间和餐厅接单时间的差值计算比较准确，骑手到店等待的时间越长，订单出餐时间越接近真实情况。上述实施例中，第一预设距离和第二预设距离可以相同，也可以不相同，本发明实施例不限制其具体数值，具体数值可根据实际情况进行设置，比如可以为30m，也可以为50m。本发明实施例不限制第一预设时长的具体数值，具体数值可根据实际情况进行设置，比如可以为0，也可以为3分钟等。
举个例子，第一预设时间以3分钟为例、第一预设距离和第二预设距离均为50m为例，骑手取餐时间为t2，骑手到店时间为t1，第一预设条件为：骑手到店等待时间为t2–t1，骑手到店等待时长大于3分钟、且骑手点击到店时的位置与餐厅位置的距离小于50米、且骑手点击确认取餐时的位置与餐厅位置的距离小于50米。
上述第一种情况下，考虑了部分骑手在未到达餐厅时就点击确认到店、骑手取餐并出了餐厅一段距离之后才点击确认取餐等情况，订单信息满足第一种情况的订单可以保证样本的样本标签的准确性。
若第一种情况下筛选的订单数量较少，为了增大样本数量，本发明实施例中提供以下第二种情况的第一预设条件。
第二种情况，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第二预设时长。
第二种情况可以认为是骑手到店之后未等待的情况，第一预设时长为骑手到店之后需要取餐所花费的时长。比如，第一预设时长为1分钟，说明骑手到店之后取餐花费了1分钟。这种情况下说明骑手到店时订单已经出餐，订单出餐时间以骑手取餐时间和餐厅接单时间的差值计算比真实订单出餐时间偏大。
为了保证样本筛选准确性，使得订单出餐时长以骑手取餐时间和餐厅接单时间的差值计算与真实订单出餐时间更接近、以及保证样本标签分布与实际出餐时间分布情况一致。结合实际业务场景，可以将第二预设时长设置为：tmin+c*stddev；其中，tmin表示餐厅历史订单中骑手到店等待时长小于第一预设时长的订单的订单出餐时间的最小值，c表示常数系数，在一个实例中，c取1；stddev表示餐厅历史订单中骑手到店等待时长小于第一预设时长的订单的订单出餐时间的标准差。如此，可以根据餐厅历史订单的订单出餐时间的分布情况，确定出订单出餐时间比较接近真实情况的订单，进而构建样本，以构建预测准确度较高的预测模型。
本发明实施例中，预测模型以梯度提升决策树(gradientboostingdecisiontree，简称gbdt)模型为例进行构建，gbdt模型为决策树与boosting相结合的算法。图3示例性示出了发明实施例提供的gbdt模型原理示意图。如图3所示，gbdt模型由若干棵决策树(弱学习器)组成，所有决策树的结论累加起来作为最终的答案，最后构成一个强学习器。在构建一系列决策树的过程中，后一棵树所学习的是前面所有树结论和的残差，当后一棵树的残差小于设置的阈值或者达到迭代次数，则模型终止训练，通过这种不断拟合前面树残差的方式最终得到若干棵决策树。预测模型的输出结果是将每一棵决策树的结果进行加和得到的，具体符合下述公式(1)：
上述公式(1)中，y为预测模型的输出结果，m为预测模型中决策树的个数，ti为预测模型中第i棵决策树的输出结果。
在基于gbdt模型构建预测模型时，首先需要确定模型结构参数，主要包括树的棵数、树的最大深度、学习率等结构参数，在确定模型结构参数之后，基于gbdt模型对样本进行训练，构建预测模型。
图4示例性示出了发明实施例提供的基于gbdt模型训练样本的流程示意图。
假设训练集t＝{(x1,y1)，(x2,y2)，...,(xn,yn)}，
步骤401，初始化模型f，初始化迭代次数m＝1；初始化模型f为下述公式(2)：
如上述公式(2)中，l(y,f(x))为损失函数，本发明实例中选用平方损失函数。
步骤402，对每个样本，计算损失函数的负梯度(如图4所示的实例中为残差)；具体残差如下述公式(3)：
步骤403，对γmi拟合一棵回归树，得到树的叶子节点区域rmj，j＝(1,2,……,j)；对j＝(1,2,……,j)，采用下述公式(4)计算叶子节点权值：
步骤404，更新模型f，将回归树叠加到当前模型；得到的模型公式如下述公式(5)
步骤405，更新m，使m＝m+1；
步骤406，判断m是否小于m，若是，则执行步骤407；若否，则执行步骤402；其中，m为树的棵数；
步骤407，模型f为预测模型；得到的预测模型公式如下述公式(6)：
通过上述步骤402至步骤406循环迭代m次，拟合出m棵回归树，得到一个预测模型。
以上为构建一个预测模型的具体过程，本发明实施例中，在构建预测订单出餐时间的预测模型时，通过多次调整模型结构参数，构建至少一个预测模型。
一种可选的实施方式中，模型结构参数为gbdt模型的结构参数。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：将至少一个样本分为训练集和测试集；为gbdt模型设置模型结构参数的初始值；根据模型结构参数的初始值，基于gbdt模型对训练集中的每个训练样本进行训练，得到初始预测模型。
为了使得到的预测模型的预测效果更好，较佳的，将至少一个样本按接单时间顺序排序，前s个样本组成训练集，除所述前s个样本之外的所有样本组成测试集；所述s为大于等于1的整数。以下实施例中将训练集中的样本称为训练样本，将训练集中的样本称为测试样本。为了使预测模型可以综合更多的因素，可选的，训练集中的训练样本的数量大于测试集中的测试样本的数量。
举个例子，比如统计了餐厅一个月的订单的订单信息，总共有200个订单，可以得到200个样本。接单时间靠前的150个样本组成训练集，接单时间靠后的50个样本组成测试集。
进一步的，通过以下方式构建至少一个调整预测模型：调整模型结构参数，基于gbdt模型对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。本发明实施例中，每调整一次模型结构参数，执行一次如图4所示的基于gbdt模型训练训练样本的基本流程。
为了提高预测模型的预测精准度，可选的，从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：针对初始预测模型和调整预测模型中的每个预测模型，执行：针对测试集中每个测试样本，将测试样本的样本特征输入至预测模型，得到测试样本的预测样本标签；并确定出测试样本的预测样本标签与测试样本的标准样本标签之间的误差；将测试集中所有测试样本的平均误差，作为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，从初始预测模型和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。
本发明实施例中，平均误差采用平均绝对误差(meanabsoluteerror，简称mae)，具体如下述公式(7)：
上述公式(7)中，n为测试集中的测试样本数量，tic为测试集中第i个测试样本的标准样本标签，tie为测试集中第i个测试样本的预测样本标签。
举个例子，比如构建的预测模型包括一个初始预测模型和十个调整预测模型。以初始预测模型为例，比如测试集中存在50个测试样本，统计的每个测试样本的标准样本标签为tic，通过初始预测模型预测出的每个测试样本的预测样本标签tie，通过上述公式(7)，n＝50，根据50个测试样本得到初始预测模型的样本标签误差。上述实施例中，一个初始预测模型和十个调整预测模型可以得到11个样本标签误差mae，从11个mae中确定出一个最小的mae对应的预测模型为最终预测模型。如此，采用平均绝对误差mae对预测模型进行评估，可以评价每个预测模型的预测准确度，进而得到预测准确度最高的预测模型。
基于以上实施例以及相同构思，图5为本发明实施例提供的一种订单出餐时间预测方法流程示意图。如图5所示，该方法包括以下步骤：
步骤501：获取待预测订单的订单信息；
步骤502：根据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，确定出待预测订单的样本特征；
步骤503：将待预测订单的样本特征输入至最终预测模型，预测出待预测订单的订单出餐时间，最终预测模型是根据前述任一实施例提供的订单出餐时间预测模型构建方法得到的。
本发明实施例中步骤502中所涉及的样本特征，其具体确定方式与前述图1中所示的订单出餐时间预测模型构建方法或其它任一可选的实施例中关于这些内容的描述相同，此处不做赘述。
本发明实施例中，由于最终预测模型考虑了影响订单出餐时间的样本特征、以及预测预测样本标签的误差，因此，将所述待预测订单的样本特征输入至最终预测模型，可以预测出与真实订单出餐时间相比误差较小的订单出餐时间，进而提高订单出餐时间的预测精度。
基于以上实施例以及相同构思，图6为本发明实施例提供的一种订单出餐时间的预测模型结构示意图，该订单出餐时间的预测模型可以实现如上图1中所示的任一项或任多项对应的方法中的步骤。该订单出餐时间的预测模型600可以包括获取单元601、构建单元602、处理单元603。
获取单元601，用于获取至少一个订单的订单信息；
构建单元602，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；
处理单元603，用于从所述预测模型中，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。
本发明实施例中，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、以及预测预测样本标签的误差，进而可以根据最终预测模型预测出与真实订单出餐时间相比误差较小的订单出餐时间，提高订单出餐时间的预测精度。
可选的，所述构建单元602，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，确定出所述订单的订单出餐时间，从而得到所述订单出餐时间的样本标签。
可选的，所述构建单元602，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。
可选的，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602，用于：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；所述处理单元603，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。
该订单出餐时间的预测模型600所涉及的与本发明实施例提供的技术方案相关的概念，解释和详细说明及其它步骤请参见前述订单出餐时间预测模型构建方法或其它实施例中关于这些内容的描述，此处不做赘述。
基于以上实施例以及相同构思，图7为本发明实施例提供的一种订单出餐时间预测装置结构示意图，该订单出餐时间预测装置可以实现如上图5中所示的任一项或任多项对应的方法中的步骤。该订单出餐时间预测装置700可以包括获取单元701和处理单元702。
获取单元701，用于获取待预测订单的订单信息；
处理单元702，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订单出餐时间预测模型构建方法得到的。
本发明实施例中，由于最终预测模型考虑了影响订单出餐时间的样本特征、以及预测预测样本标签的误差，因此，将所述待预测订单的样本特征输入至最终预测模型，可以预测出与真实订单出餐时间相比误差较小的订单出餐时间，进而提高订单出餐时间的预测精度。
该订单出餐时间预测装置700所涉及的与本发明实施例提供的技术方案相关的概念，解释和详细说明及其它步骤请参见前述订单出餐时间预测模型构建方法或其它实施例中关于这些内容的描述，此处不做赘述。
基于以上实施例以及相同构思，本发明实施例还提供一种电子设备，包括存储器和存储器。其中，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前述任一实施例中所述的订单出餐时间预测模型构建方法或前述实施例中所述的订单出餐时间预测方法。
基于以上实施例以及相同构思，本发明实施例还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前述任一实施例中所述的订单出餐时间预测模型构建方法或前述实施例中所述的订单出餐时间预测方法。
需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。在本发明的实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。
本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、设备(系统)、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。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。