一种任务处理方法、装置、存储介质和电子设备与流程

本发明涉及任务处理领域，尤其涉及一种任务处理方法、装置、存储介质和电子设备。

背景技术：

随着互联网技术的发展，线上到线下(o2o，onlinetooffline)业务变得越来越普遍。网上外卖点餐以及网上购物的交易规模也保持较髙的増长速度。

在对外卖配送的过程中，为了提高效率，需要给外卖任务设置一个延迟时间，以便于将相似的多个外卖任务匹配同一个配送资源。然而，每个外卖任务的提供方的情况不同，给每个外卖任务设定相同的延迟时间会出现任务超时的情况。因此，需要对现有的任务处理方法进行改进。

技术实现要素：

有鉴于此，本发明实施例提供了一种任务处理方法、装置、存储介质和电子设备，用于改进现有的任务处理方法。

第一方面，本发明实施例提供一种任务处理方法，所述方法包括：

接收来自于程序调用接口的任务处理请求；

通过至少一个处理器从终端或数据库获取任务的任务属性信息；

通过至少一个处理器确定所述任务所属区域的任务压力参数，所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定；

通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间，所述第一预测模型根据历史任务属性数据预先训练获得，所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间；

通过所述程序调用接口返回所述任务的预计延迟时间；

响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理。

优选地，所述任务属性信息包括配送距离；

所述通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及所述第一预测模型确定预计延迟时间包括：

根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型采用梯度提升算法，以历史任务数据作为训练数据预先训练获得；

将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

优选地，所述确定所述任务所属区域的任务压力参数包括：

根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。

优选地，所述第一预测模型根据逻辑回归算法训练获得。

优选地，以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。

优选地，所述响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理包括：

确定与所述任务匹配的配送资源；

响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

优选地，所述确定与所述任务匹配的配送资源包括：

响应于所述调用接口返回所述任务的预计延迟时间，根据所述任务属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资源；或

响应于到达延迟时间，根据所述任务属性信息和配送资源信息确定与所述任务匹配的配送资源。

第二方面，本发明实施例提供一种任务处理装置，所述装置包括：

请求接收单元，用于接收来自于程序调用接口的任务处理请求；

属性信息获取单元，用于通过至少一个处理器从终端或数据库获取任务的任务属性信息；

任务压力参数确定单元，用于通过至少一个处理器确定所述任务所属区域的任务压力参数，所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定；

延迟时间预测单元，用于通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间，所述第一预测模型根据历史任务属性数据预先训练获得，所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间；

信息返回单元，用于通过所述程序调用接口返回所述任务的预计延迟时间；

任务处理单元，用于响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理。

优选地，所述任务属性信息包括配送距离；

所述延迟时间预测单元包括：

配送时长确定子单元，用于根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型采用梯度提升算法，以历史任务数据作为训练数据预先训练获得；

延迟时间预测子单元，用于将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

优选地，所述任务压力参数确定单元包括：

任务压力参数确定子单元，用于根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。

优选地，所述第一预测模型根据逻辑回归算法训练获得。

优选地，以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。

优选地，所述任务处理单元包括：

匹配子单元，用于确定与所述任务匹配的配送资源；

任务发送子单元，用于响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

优选地，所述匹配子单元包括：

第一确定模块，用于响应于所述调用接口返回所述任务的预计延迟时间，根据所述任务属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资源；或

第二确定模块，用于响应于到达延迟时间，根据所述任务属性信息和配送资源信息确定与所述任务匹配的配送资源。

第三方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。

第四方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行如下步骤：

接收来自于程序调用接口的任务处理请求；

通过至少一个处理器从终端或数据库获取任务的任务属性信息；

通过至少一个处理器确定所述任务所属区域的任务压力参数，所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定；

通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间，所述第一预测模型根据历史任务属性数据预先训练获得，所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间；

通过所述程序调用接口返回所述任务的预计延迟时间；

响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理。

优选地，所述任务属性信息包括配送距离；

所述通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及所述第一预测模型确定预计延迟时间包括：

根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型采用梯度提升算法，以历史任务数据作为训练数据预先训练获得；

将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

优选地，所述确定所述任务所属区域的任务压力参数包括：

根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。

优选地，所述第一预测模型根据逻辑回归算法训练获得。

优选地，以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。

优选地，所述响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理包括：

确定与所述任务匹配的配送资源；

响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

优选地，所述确定与所述任务匹配的配送资源包括：

响应于所述调用接口返回所述任务的预计延迟时间，根据所述任务属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资源；或

响应于到达延迟时间，根据所述任务属性信息和配送资源信息确定与所述任务匹配的配送资源。

本发明实施例根据任务属性信息、任务压力参数以及第一预测模型确定预计延迟时间。第一预测模型根据历史任务数据预先训练获得，通过第一预测模型确定预计延迟时间，能够动态地调整每一个任务的延迟时间，使得每一个任务的延迟时间都有所区别。可以根据不同任务的任务属性信息和任务所属区域的任务压力参数，动态调整各任务的延迟时间，能够提高任务匹配管理粒度，提高整体匹配效率。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1为本发明第一实施例的任务处理方法流程示意图；

图2是本发明第一实施例的根据所述任务属性信息、所述任务压力参数以及第一预测模型确定预计延迟时间的流程图；

图3是本发明第二实施例的任务处理装置示意图；

图4是本发明第三实施例的电子设备的示意图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则整个说明书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在当前的任务处理过程中，我们希望在充分利用现有的运力，把所有任务尽可能高效的配送出去。常用的方法(包括众包以及专送等)用户任务下单后，系统不会立刻给任务匹配合适的配送资源。通过对任务延迟一定时间再给任务匹配合适的配送资源，可以将相近的多个任务分给同一配送资源进行配送，从而在一定程度上能够为待配送的任务匹配最合适的配送资源，能够提高配送资源的效率，减小配送成本，提升了服务质量，增强了用户体验和配送资源体验。

然而，现有的任务处理过程中，预先设定一个预计延迟时间，当到达预计延迟时间后，系统自动将任务进行和配送资源匹配，如果没有自动匹配到合适的配送资源，通过人工介入的方式给任务匹配合适的配送资源。现有的各任务的预计延迟时间都是相同的，而由于实际任务匹配的过程中，由于任务压力参数的不同，会使得相同的预计延迟时间无法适应不同的情景，导致任务处理不合理。在压力大时，任务密度大，短时间就能累积一定的可以由同一配送资源配送的多个相似任务，常规的预计延迟时间会导致任务积累过多，无法及时完成配送。在任务压力参数小时，则需要较长的时间才能累积相似的任务，常规的预计延迟时间会导致任务数量太少，配送效率过低。因此，现有的预计延迟时间的设置影响配送效率和用户的满意度。

有鉴于此，本发明实施例提供了一种任务处理的方法，根据任务属性信息的不同，动态调节不同任务的预计延迟时间，能够合理的匹配运力资源，提高系统整体的任务匹配管理粒度。提高配送效率。在以下的实施例中，以外卖的配送为例来进行说明，但是，本领域技术人员容易理解，本发明实施例的方案也可以适用于网上超市等不同销售平台，以及快递派送等不同的应用场景。

图1为本发明第一实施例的任务处理方法流程示意图，如图1所示，本实施例的方法包括如下步骤：

步骤s100，接收来自于程序调用接口的任务处理请求。

步骤s200，通过至少一个处理器从终端或数据库获取任务的任务属性信息。

具体地，所述任务可以是待匹配合适的配送资源的外卖任务。所述任务属性信息可以包括：时段、商户标识、配送区域、天气等级、配送距离、任务价格、待配送任务数量以及商户备餐时长等信息。

其中，所述时段是指每天中相同的一个时间段，例如，11:30-12：00。所述商户标识是指客户购买外卖的店铺。所述配送区域指商户或用户所在的区域。所述天气等级是根据天气的情况如晴天、雨或雪等来确定配送的难易等级。所述任务压力参数是配送资源接收的任务总数，和配送资源的配送能力的比值，其中，配送资源可以是外卖配送员，还可以是机器人、无人车等无人配送设备。

步骤s300，通过至少一个处理器确定所述任务所属区域的任务压力参数。

在一种可选的实现方式中，所述任务压力参数可以采用如下公式计算：

其中，press_aoi为任务压力参数，si为商户待配送任务数量，商圈内商户数为n，xj为配送运力最大背单量，商圈内配送运力数量为m，ρ为归一化系数。

应理解，在其他可选的实现方式中，所述任务压力参数也可以采用其他公式来计算，例如，根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。其中所述配送能力表征配送资源能够配送的总的最大任务量。

步骤s400，通过至少一个处理器根据所述任务属性信息所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间。

其中，所述任务属性信息包括配送距离。所述根据所述任务属性信息、所述任务压力参数以及所述第一预测模型确定预计延迟时间包括：

步骤s410、根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型采用梯度提升算法，以历史任务数据作为训练数据预先训练获得。

具体地，第二预测模型可以是根据梯度提升树算法训练获得。所述第二预测模型的训练样本为历史任务数据。进一步地，将历史任务数据中包括时段、商户标识、配送区域、天气等级、配送距离、任务价格、任务压力参数、待配送任务数量以及商户备餐时长等信息作为输入，将历史任务的实际配送时长作为输出训练所述第二预测模型。

根据第二预测模型和任务属性信息确定配送时长具体为将任务的包括时段、商户标识、配送区域、天气等级、配送距离、任务价格、任务压力参数、待配送任务数量以及商户备餐时长等任务属性信息输入第二预测模型，获得任务的预计配送时长。

步骤s420、将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

具体地，所述第一预测模型根据逻辑回归(logisticregressive,lr)算法训练获得。逻辑回归是一种广义的线性回归分析模型，逻辑回归实质：发生概率除以没有发生概率再取对数。就是这个不太繁琐的变换改变了取值区间的矛盾和因变量自变量间的曲线关系。究其原因，是发生和未发生的概率成为了比值，这个比值就是一个缓冲，将取值范围扩大，再进行对数变换，整个因变量改变。不仅如此，这种变换往往使得因变量和自变量之间呈线性关系，这是根据大量实践而总结。

在一种可选的实现方式中，根据逻辑回归算法训练所述第一预测模型。所述第一预测模型的第一训练样本为延迟时间大于第一阈值的历史任务，第二训练样本为实际延迟时间小于第一阈值的任务。其中，第二训练样本以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的预计延迟时间为输出训练所述第一预测模型。第一训练样本以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。其中，所述第一阈值可以为历史任务设定的统一的预计延迟时间。所述历史任务的实际延迟时间为历史任务实际派发时间和下单时间之间的时长。其中，所述历史任务的属性信息可以包括时段、商户标识、配送区域、天气等级、配送距离、任务价格、任务压力参数、待配送任务数量以及商户备餐时长等信息。

采用预先训练的第一模型来预测各任务的预计延迟时间，可以根据不同任务的任务属性信息和任务所属区域的任务压力参数的不同，动态调整各任务的延迟时间，能够提高配送效率以及用户满意度。

应理解，本发明实施例中，以逻辑回归算法训练第一预测模型为例进行说明，在其他可选的实施例中，也可以选用其他的算法训练所述第一预测模型，例如，可以采用随机森林(randomforest)等模型训练所述第一预测模型。所述第一预测模型的训练样本为延迟时间大于第一阈值的历史任务。进一步地，以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。其中，所述第一阈值可以为历史任务设定的统一的预计延迟时间。

步骤s500，通过所述程序调用接口返回所述任务的预计延迟时间。

具体地，响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

步骤s600，响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理。

具体地，所述响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理包括如下步骤：

步骤s601，确定与所述任务匹配的配送资源。

步骤s602，响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

所述确定与所述任务匹配的配送资源包括：

响应于所述调用接口返回所述任务的预计延迟时间，根据所述任务属性信息和所述延迟时间预测与所述任务匹配的配送资源。或响应于到达延迟时间，确定与所述任务匹配的配送资源。

具体的，响应于所述调用接口返回所述任务的预计延迟时间，采用第三预测模型，对所述任务所在区域附近的配送资源进行预测，确定出在到达延迟时间时与所述任务匹配度高的配送资源。所述第三预测模型根据配送资源的历史信息和当前绑定任务信息训练获得。其他可选的实现方式中，也可以在到达延迟时间后，根据第四预测模型预测确定匹配的配送资源。所述第四预测模型根据配送资源的历史信息和当前绑定任务属性信息训练获得。具体根据配送资源距任务的距离，配送资源的等级参数等数据训练所述第四预测模型。

在到达延迟时间时，向匹配度高的配送资源发送任务属性信息。

在一种可选的实现方式中，首先获取任务的信息，所述任务属性信息可以包括：时段、商户标识、配送区域、天气等级、配送距离、任务价格、任务压力参数、待配送任务数量以及商户备餐时长等信息。其次，确定所述任务所属区域的任务压力参数。根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。其中所述配送能力表征配送资源能够配送的总的最大任务量。并根据任务属性信息确定配送时长，所述配送时长根据第二预测模型和相关任务属性信息预测获得。再次，根据所述任务属性信息、所述配送时长、所述任务压力参数以及第一预测模型确定预计延迟时间。所述第一预测模型根据逻辑回归算法预先训练。将包括配送时长等任务属性信息以及任务压力参数输入第一预测模型，获得所述预计延迟时间。最后，根据预计延迟时间以及任务属性信息派发所述任务，将任务的信息发送给相应的配送资源。

本发明实施例根据任务属性信息、任务压力参数以及第一预测模型确定预计延迟时间。第一预测模型根据历史任务数据预先训练获得，通过第一预测模型确定预计延迟时间，能够动态地调整每一个任务的延迟时间，使得每一个任务的延迟时间都有所区别。可以根据不同任务的任务属性信息和任务所属区域的任务压力参数，动态调整各任务的延迟时间，能够提高任务匹配管理粒度，提高整体配送效率。

图3是本发明第二实施例的任务处理装置示意图。如图3所示，所述任务处理装置包括：请求接收单元310，属性信息获取单元320，任务压力参数确定单元330，延迟时间预测单元340，信息返回单元350以及任务派发单元360。

所述请求接收单元310用于接收来自于程序调用接口的任务处理请求。

所述属性信息获取单元320用于通过至少一个处理器从终端或数据库获取任务的任务属性信息。

所述任务压力参数确定单元330用于通过至少一个处理器确定所述任务所属区域的任务压力参数。所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定。

所述任务压力参数确定单元330包括：任务压力参数确定子单元331，

任务压力参数确定子单元331用于根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。

所述延迟时间预测单元340用于通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定预计延迟时间。所述第一预测模型根据历史任务属性数据预先训练获得，所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间。

所述任务属性信息包括配送距离；所述延迟时间预测单元包括：配送时长确定子单元341和延迟时间获取子单元342。

配送时长确定子单元341用于根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型采用梯度提升算法，以历史任务数据作为训练数据预先训练获得。

延迟时间预测子单元342用于将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

具体地，所述第一预测模型根据逻辑回归算法训练获得。所述第一预测模型的训练样本为延迟时间大于第一阈值的历史任务。以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。

信息返回单元350用于通过所述程序调用接口返回所述任务的预计延迟时间。

所述任务处理单元360用于响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理。

所述任务派发单元360包括：匹配子单元361和任务发送子单元362。

匹配子单元361用于确定与所述任务匹配的配送资源。

任务发送子单元362用于响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

所述匹配子单元361包括：第一确定模块和第二确定模块。

第一确定模块，用于响应于所述调用接口返回所述任务的预计延迟时间，根据所述任务属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资源；或

第二确定模块，用于响应于到达延迟时间，根据所述任务属性信息和配送资源信息确定与所述任务匹配的配送资源。

图4是本发明第三实施例的电子设备的示意图。如图4所示，该电子设备：至少包括一个处理器401；以及，与至少一个处理器401通信连接的存储器402；以及，与扫描装置通信连接的通信组件403，通信组件403在处理器401的控制下接收和发送数据；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行以实现一种任务处理方法，所述方法包括：

获取任务的任务属性信息；

确定所述任务所属区域的任务压力参数；

根据所述任务属性信息、所述任务压力参数以及第一预测模型确定预计延迟时间，所述第一预测模型根据历史任务数据预先训练获得；

根据所述预计延迟时间和所述任务属性信息派发所述任务。

优选地，所述任务属性信息包括配送距离；

所述根据所述任务属性信息、所述任务压力参数以及所述第一预测模型确定预计延迟时间包括：

根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型根据历史任务数据预先训练获得；

将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

优选地，所述确定所述任务所属区域的任务压力参数包括：

根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。

优选地，所述第一预测模型根据逻辑回归算法训练获得。

优选地，所述第一预测模型的训练样本为延迟时间大于第一阈值的历史任务。

优选地，以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。

优选地，所述根据所述预计延迟时间和所述任务属性信息派发所述任务包括：

响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

具体地，该电子设备包括：一个或多个处理器401以及存储器402，图4中以一个处理器401为例。处理器401、存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述任务处理方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器402中，当被一个或者多个处理器401执行时，执行上述任意方法实施方式中的任务处理方法。

上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。

本发明的第四实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。从而具备相应的有益效果。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

本发明实施例提供了a1、一种任务处理方法，其中，所述方法包括：

接收来自于程序调用接口的任务处理请求；

通过至少一个处理器从终端或数据库获取任务的任务属性信息；

通过至少一个处理器确定所述任务所属区域的任务压力参数，所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定；

通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间，所述第一预测模型根据历史任务属性数据预先训练获得，所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间；

通过所述程序调用接口返回所述任务的预计延迟时间；

响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理。

a2、根据a1所述的方法，其中，所述任务属性信息包括配送距离；

所述通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及所述第一预测模型确定预计延迟时间包括：

根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型采用梯度提升算法，以历史任务数据作为训练数据预先训练获得；

将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

a3、根据a1所述的方法，其中，所述确定所述任务所属区域的任务压力参数包括：

根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。

a4、根据a1所述的方法，其中，所述第一预测模型根据逻辑回归算法训练获得。

a5、根据a1所述的方法，其中，以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。

a6、根据a1所述的方法，其中，所述响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理包括：

确定与所述任务匹配的配送资源；

响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

a7、根据a6所述的方法，其中，所述确定与所述任务匹配的配送资源包括：

响应于所述调用接口返回所述任务的预计延迟时间，根据所述任务属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资源；或

响应于到达延迟时间，根据所述任务属性信息和配送资源信息确定与所述任务匹配的配送资源。

本发明实施例提供了b1、一种任务处理装置，其中所述装置包括：

请求接收单元，用于接收来自于程序调用接口的任务处理请求；

属性信息获取单元，用于通过至少一个处理器从终端或数据库获取任务的任务属性信息；

任务压力参数确定单元，用于通过至少一个处理器确定所述任务所属区域的任务压力参数，所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定；

延迟时间预测单元，用于通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间，所述第一预测模型根据历史任务属性数据预先训练获得，所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间；

信息返回单元，用于通过所述程序调用接口返回所述任务的预计延迟时间；

任务处理单元，用于响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理。

b2、根据b1所述的装置，其中，所述任务属性信息包括配送距离；

所述延迟时间预测单元包括：

配送时长确定子单元，用于根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型采用梯度提升算法，以历史任务数据作为训练数据预先训练获得；

延迟时间预测子单元，用于将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

b3、根据b1所述的装置，其中，所述任务压力参数确定单元包括：

任务压力参数确定子单元，用于根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。

b4、根据b1所述的装置，其中，所述第一预测模型根据逻辑回归算法训练获得。

b5、根据b1所述的装置，其中，以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。

b6、根据b1所述的装置，其中，所述任务处理单元包括：

匹配子单元，用于确定与所述任务匹配的配送资源；

任务发送子单元，用于响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

b7、根据b6所述的装置，其中，所述匹配子单元包括：

第一确定模块，用于响应于所述调用接口返回所述任务的预计延迟时间，根据所述任务属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资源；或

第二确定模块，用于响应于到达延迟时间，根据所述任务属性信息和配送资源信息确定与所述任务匹配的配送资源。

本发明实施例提供了c1、一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如a1-7中任一项所述的方法。

本发明实施例提供了d1、一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行如下步骤：

接收来自于程序调用接口的任务处理请求；

通过至少一个处理器从终端或数据库获取任务的任务属性信息；

通过至少一个处理器确定所述任务所属区域的任务压力参数，所述任务压力参数根据所述任务所属区域的总任务量和配送资源的任务配送能力确定；

通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及第一预测模型确定所述任务的预计延迟时间，所述第一预测模型根据历史任务属性数据预先训练获得，所述历史任务属性数据包括历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数以及所述历史任务的实际延迟时间；

通过所述程序调用接口返回所述任务的预计延迟时间；

响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理。

d2、根据d1所述的电子设备，其中，所述任务属性信息包括配送距离；

所述通过至少一个处理器根据所述任务属性信息、所述任务压力参数以及所述第一预测模型确定预计延迟时间包括：

根据第二预测模型和任务属性信息确定配送时长，所述第二预测模型采用梯度提升算法，以历史任务数据作为训练数据预先训练获得；

将所述配送距离、所述配送时长以及所述任务压力参数输入所述第一预测模型，以获得所述任务的预计延迟时间。

d3、根据d1所述的电子设备，其中，所述确定所述任务所属区域的任务压力参数包括：

根据所述任务所属区域的总任务量和任务配送能力的比值确定所述任务压力参数。

d4、根据d1所述的电子设备，其中，所述第一预测模型根据逻辑回归算法训练获得。

d5、根据d1所述的电子设备，其中，以所述历史任务的任务属性信息和所述历史任务的所属区域的任务压力参数作为输入，以所述历史任务的实际延迟时间为输出训练所述第一预测模型。

d6、根据d1所述的电子设备，其中，所述响应于满足所述预计延迟时间，通过至少一个处理器对所述任务进行处理包括：

确定与所述任务匹配的配送资源；

响应于到达所述预计延迟时间，将所述任务的任务属性信息发送给与所述任务匹配的配送资源。

d7、根据d6所述的电子设备，其中，所述确定与所述任务匹配的配送资源包括：

响应于所述调用接口返回所述任务的预计延迟时间，根据所述任务属性信息、所述延迟时间和配送资源信息预测与所述任务匹配的配送资源；或

响应于到达延迟时间，根据所述任务属性信息和配送资源信息确定与所述任务匹配的配送资源。