一种任务时长确定方法及装置和电子设备与流程

本申请涉及即时配送领域，尤其涉及一种任务时长确定方法及装置、电子设备和计算机可读存储介质。

背景技术：

随着网络技术的逐步发展，即时配送类业务日益普及，其方便、快捷等优势已获得用户的认可。即时配送的智能配送调度系统的目标是：在合适的时刻将运单分配给合适的配送员，以保障用户体验、提高配送员效率。为了做出合理的决策，需要准确预估配送员执行配送任务所花费的时长。其中，配送员执行配送任务所花费的时长包括配送员的取货时长、中间运输时长和送货时长，其中，取货时长、中间运输时长和送货时长之间无重叠，每一个时长预估的准确度对调度结果的影响都很大，是调度系统的关键指标。

现有技术中，根据定位、电子地图、行动速度或者历史送货时长进行送货时长的预估，但是，通过上述送货时长预估方法获得的送货时长准确度差。

技术实现要素：

有鉴于此，本申请提供一种任务时长确定方法及装置、电子设备和计算机可读存储介质。

具体地，本申请是通过如下技术方案实现的：

根据本公开实施例的第一方面，提供一种任务时长确定方法，所述方法包括：

基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用预先建立的任务时长计算模型确定当前任务时长。

在一实施例中，所述方法还包括：

基于所述当前配送员的第二特征信息、当前任务第二特征信息和当前任务第二相关历史数据，建立任务时长初始计算模型；

基于训练样本数据，采用预设算法对所述任务时长初始计算模型中的多个待确定参数进行训练，以得到所述多个待确定参数的最优值；

将所述最优值作为所述任务时长初始计算模型中对应待确定参数的参数值后得到所述任务时长计算模型。

在一实施例中，所述基于所述当前配送员的第二特征信息、当前任务第二特征信息和当前任务第二相关历史数据，建立任务时长初始计算模型，包括：

基于所述当前配送员的第一子特征信息和预设时间段内完成当前交付地任务的历史平均耗时，得到第一指标，所述第一子特征信息用于表示根据所述当前配送员在所述预设时间段内是否到达过所述当前交付地而增加的额外交付时长，所述第一指标用于表示所述当前配送员完成当前任务需要的理论时长；

基于所述第一指标、与所述当前交付地和上一个任务执行地之间距离相关的距离特征和所述当前配送员的第二子特征信息，得到第二指标，所述第二子特征信息用于表示所述配送员完成所述当前任务需要的最小时长，所述第二指标用于表示根据所述当前交付地和上一个任务执行地之间距离对所述理论时长进行修正；

基于所述第二指标、所述配送员的第三子特征信息和所述当前配送员到达当前交付地的时刻，建立所述任务时长初始计算模型，所述第三子特征信息用于表示所述当前配送员的配送能力；

其中，所述第一子特征信息、所述第二子特征信息、所述第三子特征信息和所述距离特征中的至少一项包括所述多个待确定参数。

在一实施例中，所述预设算法包括差分进化算法。

在一实施例中，所述基于训练样本数据，采用预设算法对所述任务时长初始计算模型中的多个待确定参数进行训练，以得到所述多个待确定参数的最优值，包括：

生成所述任务时长模型的目标函数，所述目标函数是目标向量的函数，所述目标向量包括基向量；

基于所述训练样本数据，对每个基向量进行差分变异和校正处理，得到多个第一向量；

对任意两个所述第一向量中任意两个位置的元素进行互换，得到多个第二向量；

基于所述目标函数对所述多个第二向量进行保留或删除，得到至少一个第三向量，并记录训练信息；

若根据当前训练信息确认当前训练终止，则将所述至少一个第三向量中的最优第三向量作为所述多个待确定参数的最优值；

若根据当前训练信息确认当前训练未终止，则将所述第三向量作为所述基向量，并重复执行所述对每个基向量进行差分变异和校正处理的操作，直至根据当前训练信息确认当前训练终止。

在一实施例中，所述基于所述训练样本数据，对每个基向量进行差分变异和校正处理，得到多个第一向量，包括：

基于所述训练样本数据和所述目标函数确定出当前最优基向量；

对所述当前最优基向量进行差分变异，得到多个变异向量；

根据预设的取值范围对所述多个变异向量进行校正，得到所述多个第一向量。

在一实施例中，所述目标向量还包括所述第三向量，所述将所述至少一个第三向量中的最优第三向量作为所述多个待确定参数的最优值，包括：

将每个第三向量输入所述目标函数，得到对应的函数值；

确定所有函数值中的最小函数值，并将所述最小函数值对应的第三向量作为所述最优第三向量。

根据本公开实施例的第二方面，提供一种任务时长确定装置，所述装置包括：

确定模块，用于基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用预先建立的任务时长计算模型确定当前任务时长。

在一实施例中，所述装置还包括：

建立模块，用于基于所述当前配送员的第二特征信息、当前任务第二特征信息和当前任务第二相关历史数据，建立任务时长初始计算模型；

训练模块，用于基于训练样本数据，采用预设算法对所述建立模块建立的所述任务时长初始计算模型中的多个待确定参数进行训练，以得到所述多个待确定参数的最优值；

替换获得模块，用于将所述训练模块得到的所述最优值作为所述任务时长初始计算模型中对应待确定参数的参数值后得到所述任务时长计算模型。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任务时长确定方法。

根据本公开实施例的第四方面，提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任务时长确定方法。

本申请通过基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用预先建立的任务时长计算模型确定当前任务时长，使得确定的当前任务时长更准确。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本申请一示例性实施例示出的一种任务时长计算模型的建立方法的流程图；

图2是本申请一示例性实施例示出的一种任务时长初始计算模型的建立方法的流程图；

图3是本申请一示例性实施例示出的一种对任务时长初始计算模型中的多个待确定参数进行训练的流程图；

图4是本申请一示例性实施例示出的一种任务时长确定装置所在电子设备的一种硬件结构图；

图5是本申请一示例性实施例示出的一种任务时长确定装置的框图；

图6是本申请一示例性实施例示出的另一种任务时长确定装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本申请提供了一种任务时长确定方法，该任务时长确定方法包括：

基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用预先建立的任务时长计算模型确定当前任务时长。

其中，当前任务第一相关历史数据可以包括预设时间段内完成当前交付地任务的历史平均耗时和当前区域的配送准时率，当前配送员的第一特征信息可以包括当前配送员的准时率、当前配送员在预设时间段内的总单量、当前配送员在预设时间段内是否到达过当前交付地，当前任务第一特征信息可以包括当前交付地与上一个任务执行地之间的距离。

在该实施例中，该方法还可以包括：建立任务时长计算模型。

在建立任务时长计算模型之后，可以基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用该任务时长计算模型确定当前任务时长。

上述实施例，通过基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用预先建立的任务时长计算模型确定当前任务时长，使得确定的当前任务时长更准确。

图1是本申请一示例性实施例示出的一种任务时长计算模型的建立方法的流程图，如图1所示，该任务时长计算模型的建立方法包括：

步骤s101，基于当前配送员的第二特征信息、当前任务第二特征信息和当前任务第二相关历史数据，建立任务时长初始计算模型。

其中，任务可以包括但不局限于送餐任务。

在该实施例中，除了基于当前任务第二相关历史数据，还基于当前配送员的第二特征信息和当前任务第二特征信息来建立任务时长初始计算模型，使得所建立的任务时长初始计算模型更加符合实际情形。

其中，当前任务第二相关历史数据可以包括但不局限于预设时间段内完成当前交付地任务的历史平均耗时，当前任务第二特征信息可以包括与当前交付地和上一个任务执行地之间距离相关的距离特征。

如图2所示，基于当前配送员的第二特征信息、当前任务第二特征信息和当前任务第二相关历史数据，建立任务时长初始计算模型，包括：

步骤s1011，基于当前配送员的第一子特征信息和预设时间段内完成当前交付地任务的历史平均耗时，得到第一指标。

其中，第一子特征信息可以用于表示根据当前配送员在预设时间段内是否到达过当前交付地而增加的额外交付时长。第一指标可以用于表示当前配送员完成当前任务需要的理论时长。

在该实施例中，第一子特征信息可以为：当前配送员在不熟悉环境的情况下，额外的时间开销默认为2分钟，在熟悉环境的情况下，额外的时间开销为0分钟，该第一子特征信息可以用(unfamiliar？extra：0)来表示。预设时间段内完成当前交付地任务的历史平均耗时可以通过当前任务第二相关历史数据获得，此处可以用wsug来表示。基于当前配送员的第一子特征信息和预设时间段内完成当前交付地任务的历史平均耗时，得到的第一指标可以为：wsug+(unfamiliar？extra：0)。

上述当前配送员在不熟悉环境的情况下，额外的时间开销为待确定参数，默认值2分钟为设置的初始值。

步骤s1012，基于第一指标、与当前交付地和上一个任务执行地之间距离相关的距离特征和当前配送员的第二子特征信息，得到第二指标。

其中，第二子特征信息用于表示当前配送员完成当前任务需要的最小时长，第二指标用于表示根据当前交付地和上一个任务执行地之间距离对理论时长进行修正。

在该实施例中，第二子特征信息是指最小等待时间，可以用wmin来表示。最小等待时间为待确定参数，其默认值120秒为设置的初始值。

其中，距离特征可以用df来表示，可以通过相关历史数据获得。

具体地，

其中，d表示当前交付地即当前任务的交付地和上一个任务执行地之间的距离。该公式中的系数0.1和50为待确定参数，0.1和50为设置的初始值。

基于第一指标、与当前交付地和上一个任务执行地之间距离相关的距离特征和当前配送员的第二子特征信息，得到的第二指标为：max((wsug+(unfamiliar？extra：0))*df，wmin)。

步骤s1013，基于第二指标、当前配送员的第三子特征信息和当前配送员到达当前交付地的时刻，建立任务时长初始计算模型。

其中，第三子特征信息用于表示当前配送员的配送能力。

在该实施例中，第三子特征信息是指准时率因子，可以用alpha来表示。

具体地，

其中，μ表示当前配送员的准时率，μ0表示当前区域的配送准时率，n表示当前配送员在预设时间段内的总单量，k表示饱和单量，即当前配送员配送能力的临界值，默认为200。

上述系数0.8和饱和单量k为待确定参数，0.8和200为设置的初始值。

其中，基于第二指标、当前配送员的第三子特征信息和当前配送员到达当前交付地的时刻，建立的任务时长初始计算模型为：

tleave＝tarrive+alpha*max((wsug+(unfamiliar？extra：0))*df，wmin)

其中，tarrive表示当前配送员到达当前交付地的时刻。

该实施例，基于当前任务第二相关历史数据和当前配送员的第二特征信息来建立任务时长初始计算模型，使得所建立的任务时长初始计算模型更加符合实际情形，准确率更高。

步骤s102，基于训练样本数据，采用预设算法对任务时长初始计算模型中的多个待确定参数进行训练，以得到多个待确定参数的最优值。

其中，预设算法可以根据需要灵活选择。

在该实施例中，由于需要训练多个待确定参数，且无法写出每个待确定参数的具体解析表达式，也即无法通过求导、梯度下降等方式求解待确定参数，另外，待确定参数的解空间属于实数范围，规模很大，基于上述原因，本实施例优选差分进化算法进行训练。

差分进化算法是一种基于实数编码的群体随机搜索算法，利用个体差异向量进行方向扰动，经过变异、交叉、选择等步骤，不断迭代以达到寻找最优解的目的。

如图3所示，采用差分进化算法对任务时长初始计算模型中的多个待确定参数进行训练，以得到多个待确定参数的最优值，包括：

步骤s1021，生成任务时长模型的目标函数，该目标函数是目标向量的函数，标向量包括基向量。

其中，生成的任务时长模型的目标函数为：

minimizeavg(|t-t^*|)

t表示实际离开当前交付地的时刻，t^*表示预估离开当前交付地的时刻，t^*＝tleave。

步骤s1022，基于训练样本数据，对每个基向量进行差分变异和校正处理，得到多个第一向量。

为了提高训练的准确性，该实施例中，在对每个基向量进行差分变异后，还对变异向量进行校正。

其中，对每个基向量进行差分变异和校正处理的过程可以包括：基于目标函数确定出当前最优基向量；对当前最优基向量进行差分变异，得到多个变异向量；根据预设的取值范围对多个变异向量进行校正，得到多个第一向量。

假设，当前最优基向量为xbest(g)，则对当前最优基向量进行差分变异，得到的多个变异向量可以为：

ui(g)＝xbest(g)+f·(xr1(g)-xr2(g))

其中，(xr1(g)-xr2(g))表示差分向量，f表示缩放因子，其可以从一个均匀分布[0.4，0.9]中随机采样，i表示向量的元素，g表示代数。

在该实施例中，通过对当前最优基向量进行差分变异，可以提高训练的速度。

由于目标函数是基向量的函数，因此，确定当前最优基向量的方式可以为：将当前所有的基向量分别输入目标函数，得到对应的函数值，确定所有函数值中的最小函数值，并将最小函数值对应的基向量作为当前最优第三向量。

由于变异向量的取值在一定的范围内，因此，该实施例中可以对变异向量进行校正，例如，可以采用折回式的方式对变异向量进行校正。

在该实施例中，根据预设的取值范围对多个变异向量进行校正，得到的多个第一向量可以为：

其中，xmax表示预设的取值范围的最大值，xmin表示预设的取值范围的最小值。

该实施例，基于目标函数确定出当前最优基向量；对当前最优基向量进行差分变异，得到多个变异向量；根据预设的取值范围对多个变异向量进行校正，得到多个第一向量，既可以提高训练的速度，又可以提高训练的准确率。

步骤s1023，对任意两个第一向量中任意两个位置的元素进行互换，得到多个第二向量。

步骤s1024，基于目标函数对多个第二向量进行保留或删除，得到至少一个第三向量，并记录训练信息。

其中，训练信息可以包括但不局限于训练的迭代次数。

在该实施例中，目标向量还包括第二向量，即目标函数也是第二向量的函数，因此，可以将每个第二向量输入目标函数，得到对应的函数值，若第二向量对应的函数值小于第一向量对应的函数值，则保留第二向量，否则，删除第二向量。

步骤s1025，根据当前训练信息判断当前训练是否终止，若终止，则执行步骤s1026，若未终止，则执行步骤s1027。

例如，若该训练信息为训练的迭代次数，则在迭代次数达到预设次数时，确认训练终止，否则，训练未终止。

步骤s1026，将至少一个第三向量中的最优第三向量作为多个待确定参数的最优值。

由于目标向量还包括第三向量，因此，将至少一个第三向量中的最优第三向量作为多个待确定参数的最优值，可以包括：将每个第三向量输入目标函数，得到对应的函数值，确定所有函数值中的最小函数值，并将最小函数值对应的第三向量作为最优第三向量。

步骤s1027，将第三向量作为基向量，并转向执行上述步骤s1022。

该实施例，采用差分进化算法对任务时长初始计算模型中的多个待确定参数进行训练，既可以得到多个待确定参数的最优值，又可以提高训练速度和准确率。

步骤s103，将最优值作为任务时长初始计算模型中对应待确定参数的参数值后得到任务时长计算模型。

在确定好待确定参数的最优值之后，可以将最优值作为任务时长初始计算模型中对应待确定参数的参数值，以得到任务时长计算模型。

在得到任务时长计算模型之后，可以基于该任务时长计算模型获得执行该任务的时长。

上述实施例，通过基于当前任务第二相关历史数据、当前配送员的第二特征信息和当前任务第二特征信息来建立任务时长初始计算模型，使得所建立的任务时长初始计算模型更加符合实际情形，准确率更高，从而使得到的任务时长计算模型的准确率更高。

与前述任务时长确定方法的实施例相对应，本申请还提供了任务时长确定装置的实施例。

本申请任务时长确定装置的实施例可以应用在电子设备上。其中，该电子设备可以为服务器。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。如图4所示，为本申请任务时长确定装置400所在电子设备的一种硬件结构图，该电子设备包括处理器410、存储器420及存储在存储器420上并可在处理器410上运行的计算机程序，该处理器410执行该计算机程序时实现上述任务时长确定方法。除了图4所示的处理器410及存储器420之外，实施例中装置所在的电子设备通常根据该建立任务时长计算模型的实际功能，还可以包括其他硬件，对此不再赘述。

图5是本申请一示例性实施例示出的一种任务时长确定装置的框图，如图5所示，该装置包括：确定模块50。

确定模块50用于基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用预先建立的任务时长计算模型确定当前任务时长。

其中，当前任务第一相关历史数据可以包括预设时间段内完成当前交付地任务的历史平均耗时和当前区域的配送准时率，当前配送员的第一特征信息可以包括当前配送员的准时率、当前配送员在预设时间段内的总单量、当前配送员在预设时间段内是否到达过当前交付地，当前任务第一特征信息可以包括当前交付地与上一个任务执行地之间的距离。

上述实施例，通过基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用预先建立的任务时长计算模型确定当前任务时长，使得确定的当前任务时长更准确。

图6是本申请一示例性实施例示出的另一种任务时长确定装置的框图，在图5所示实施例的基础上，如图6所示，该装置还可以包括：建立模块51、训练模块52和替换获得模块53。

建立模块51用于基于当前配送员的第二特征信息、当前任务第二特征信息和当前任务第二相关历史数据，建立任务时长初始计算模型。

其中，任务可以包括但不局限于送餐任务。

在该实施例中，除了基于当前任务第二相关历史数据，还基于当前配送员的第二特征信息和当前任务第二特征信息来建立任务时长初始计算模型，使得所建立的任务时长初始计算模型更加符合实际情形。

其中，当前任务第二相关历史数据可以包括但不局限于预设时间段内完成当前交付地任务的历史平均耗时，当前任务第二特征信息可以包括与当前交付地和上一个任务执行地之间距离相关的距离特征。

训练模块52用于基于训练样本数据，采用预设算法对建立模块51建立的任务时长初始计算模型中的多个待确定参数进行训练，以得到多个待确定参数的最优值。

其中，预设算法可以根据需要灵活选择。

在该实施例中，由于需要训练多个待确定参数，且无法写出每个待确定参数的具体解析表达式，也即无法通过求导、梯度下降等方式求解待确定参数，另外，待确定参数的解空间属于实数范围，规模很大，基于上述原因，本实施例优选差分进化算法进行训练。

差分进化算法是一种基于实数编码的群体随机搜索算法，利用个体差异向量进行方向扰动，经过变异、交叉、选择等步骤，不断迭代以达到寻找最优解的目的。

替换获得模块53用于将训练模块52得到的最优值作为任务时长初始计算模型中对应待确定参数的参数值后得到任务时长计算模型。

在确定好待确定参数的最优值之后，可以将最优值作为任务时长初始计算模型中对应待确定参数的参数值，以得到任务时长计算模型。

在得到任务时长计算模型之后，可以基于该任务时长计算模型获得执行该任务的时长。

上述实施例，通过基于当前任务第二相关历史数据、当前配送员的第二特征信息和当前任务第二特征信息来建立任务时长初始计算模型，使得所建立的任务时长初始计算模型更加符合实际情形，准确率更高，从而使得到的任务时长计算模型的准确率更高。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

在示例性实施例中，还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述任务时长确定方法，其中，该任务时长确定方法包括：

基于当前配送员的第一特征信息、当前任务第一特征信息和当前任务第一相关历史数据，使用预先建立的任务时长计算模型确定当前任务时长。

上述计算机可读存储介质可以是只读存储器(rom)、随机存取存储器(ram)、光盘只读存储器(cd-rom)、磁带、软盘和光数据存储设备等。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。