通勤预测时间计算方法及系统、电子设备及存储介质与流程

本发明属于智能家政服务技术领域，具体涉及一种通勤预测时间计算方法及系统、电子设备及存储介质。

背景技术：

随着技术的日新月异，对于家政从业人员上门服务的管理，也从原来的人工调度到计算机自动分配，且后台的分配算法也不断进步，更加匹配客户的需求，更方便家政从业人员的出工。

在现有的家政从业人员的调度管理平台上，目前所有服务项由于要预留余地，通常都使用1～4小时固定通勤间隔时间来进行派单，以避免家政从业人员因为无法赶到客户家中而耽误了正常服务时间，影响客户的观感和服务体验。这种固定通勤间隔时间由于缺乏灵活性，对于距离服务地址较近的商家，很可能就浪费了0.5～3.5小时的库存时间，耽误了家政从业人员的上岗挣钱时间，但如果灵活处理的话，目前的调度管理平台又无法针对每一个家政从业人员给出适应性的时间安排，因此迫切需要开发一种通勤时间计算方法及系统来解决上述问题。

技术实现要素：

有鉴于此，本发明的主要目的在于提出一种通勤预测时间计算方法及系统、电子设备及存储介质，以期至少部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的第一个方面，提供了一种通勤预测时间的计算方法，包括如下步骤：

采集商家的工作参数；

获取商家准备时间和订单通勤时间的理论值；

基于商家的个性化特征，通过机器学习来求取商家的个性化修正值；

根据理论值和个性化修正值综合得到所述商家的通勤时间。

作为本发明的第二个方面，还提供了一种通勤预测时间计算系统，包括：

输入模块，用于输入商家的工作参数；

数据查询模块，用于获取商家准备时间和订单通勤时间的理论值；

机器学习模块，用于基于商家的个性化特征，通过机器学习来求取商家的个性化修正值；

汇总模块，用于根据理论值和个性化修正值综合得到所述商家的通勤时间。

作为本发明的第三个方面，还提供了一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机可执行程序被所述处理器执行时，所述处理器执行如上所述的通勤预测时间的计算方法。

作为本发明的第四个方面，还提供了一种计算机可读介质，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如上所述的通勤预测时间的计算方法。

基于上述技术方案可知，本发明的通勤预测时间计算方法及系统相对于现有技术至少具有如下有益效果之一：

本发明的方法运用机器学习和大数据的人工智能方法，能够因人而异的计算和设置通勤时间，减少因为固定通勤时间而导致的时间和人力成本的浪费，提升了商家库存的利用率，进而提高了推荐系统的订单匹配率；

本发明的系统模型稳健性好，可扩展性好，便于迁移到各种应用系统中。

附图说明

图1是家政从业人员派工调度平台预约排班的任务调度示意图；

图2是本发明的通勤预测时间的计算方法的方框流程图；

图3是本发明的通勤预测时间的组成的示意图；

图4是本发明的通勤预测时间计算系统的结构示意图；

图5是本发明的电子设备的结构示意图；

图6是本发明的计算机可读介质的示意图；

图7是本发明的geohash算法的网格示意图；

图8是本发明的经纬度距离计算示意图。

具体实施方式

在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。

附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。

附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。

各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。

在本发明中，一些技术术语含义如下：

通勤时间，通常指从住所前往工作地点的时间，在本发明中指家政从业人员从上一工作地点结束工作到下一工作地点开始工作的时间间隔，是一个总的概念。为了数据的一致性，在本发明中，上一工作地点结束工作和下一工作地点开始工作的精确时间通过家政从业人员激活其随身携带的智能手环上的按钮来得到。

商家准备时间，在本发明中是指除了订单通勤时间之外的所有时间。例如，对于上门服务的家政从业人员，其准备装备、领取装备的时间，到达下一客户楼下，整理自己携带的工具的时间，以及商家为了给客户留下好印象，适当拖堂提供服务的时间等。商家准备时间与商家服务性质和自身习惯有关。

订单通勤时间，是指家政服务人员根据订单从上一家赶到下一家客户家里路上花费的时间，即交通时间。订单通勤时间与商家所在城市、驾驶工具、驾驶习惯等有关。

通勤预测时间，是本发明为了更加灵活地派工，而对通勤时间进行与人相关的动态计算而得到的预测时间，通勤预测时间＝商家准备时间+订单通勤时间。

本发明是针对现有的家政从业人员派工调度平台对通勤间隔时间的考量太僵化的技术难题而提出来的。现有的家政从业人员派工调度平台采用预约制，通常是提前差不多五天对任务进行排单，其中没有细分个人，不会考虑个人的速度快慢，只能采取固定的时间间隔来保证不影响后一任务的执行，这就导致大量时间和人力成本的浪费。图1是家政从业人员派工调度平台预约排班的任务调度示意图，如图1所示，客户预约的任务1开始于9:00，结束于10:00，当给一家政从业人员安排下该任务后，由于现有的任务调度采用固定的通勤时间2小时，在遇到一个开始于11:20、结束于12:20的任务2时，由于任务1与任务2之间的间隔时间(即通勤时间)为11:20减去10:00，差为一小时20分钟，小于固定的通勤时间2小时，由此对于该家政从业人员，就无法安排任务2的任务。

在另一种情形下，当安排好固定的通勤时间2小时的任务2后，家政从业人员提前半个到一个小时赶到任务2的工作地点时，只能消极地等待预约的工作时间到来。

而在本发明中，通过对通勤预测时间进行细化计算，并基于大数据分析个人习惯，适当加上权重系数，可以克服传统方法设置固定通勤间隔时间的缺陷，将实际计算得到的通勤预测时间与系统排单时前后任务产生的通勤时间去匹配，可以极大地提升商家的排单效率，增加单位时间的利润空间。

如图2所示，本发明提出了一种通勤预测时间的计算方法，包括如下步骤：

采集商家的工作参数；

获取商家准备时间和订单通勤时间的理论值；

基于商家的个性化特征，求取商家的个性化修正值；

根据理论值和个性化修正值综合得到所述商家的通勤预测时间。

其中，所述工作参数包括但不限于上一客户和下一客户的地点信息、商家所在城市、服务类型和/或使用的交通工具等。

其中，要获取商家准备时间的理论值就是根据商家上一客户和下一客户的地点信息、商家所在的城市、服务类型和使用的交通工具，搜索是否存在相应的商家准备时间的小项，例如是否需要去领工具、是否需要上楼、是否需要换工作服、……，等等。所有的这些小项均根据历史经验和公司的专家测试，给出了相应的理论参考值。作为优选，这个理论参考值是不区分人，任何人都是相同的。

如图3所示，本发明的商家准备时间的具体计算例如可以根据各种因素进行累加得到，例如如图上的结束打卡和开始打卡两个大括号所表示的时间段。其中，所述商家准备时间还需要考虑如下因素：

(1)为了使数据更准确，将上一客户(上一单)结束工作时间和下一客户(下一单)开始工作时间均通过家政从业人员随身携带的智能手环来精确激活：当商家在开始服务时间15分钟和距离服务地点1km时，自动完成开始打卡；当商家在到达结束服务时间和远离服务地点1km时自动完成结束打卡。

(2)由于客户所住的楼层高低不同，商家上门服务时有可能还需要上下楼时间，这个上下楼时间不是通过实测或者公式预估，而是通过历史数据得到，因此没有将其放在订单通勤时间内，而是放在了商家准备时间内。

其中，要获取订单通勤时间的理论值，则可以根据距离除以速度计算得到。

其中，距离例如是通过在谷歌地图、百度地图或高德地图等外部商业地图上查询商家上一客户和下一客户的工作地点，返回出发地和目的地之间的距离，可通过外部命令行和/或调用函数向相关app发出询问，得到相应数值反馈。距离也可以通过自建或定制地图，利用geohash算法，将地图上的部分经纬度点用二进制编码，从而将整个地图上的位置分区，计算二点间的距离时就通过查询对应节点的二进制编码计算得到。此外，距离还可以通过本公司的历史数据，例如之前的商家实际经历时的行程记录仪来获得相应距离(时间)。

其中，如图7所示，在所述geohash算法中，采用500米×500米的网格将地图分成不同的小区域，也可以分成更小的网格，精确度更高。出发地和目的地之间的距离是通过查找出发地和目的地对应的网格，分别计算出发地到第一网格中心的曲线距离a、第一网格中心到第二网格中心的距离b、第二网格中心到目的地的曲线距离c之后进行加和得到。其中，第一网格中心和第二网格中心的距离例如可以直接根据网格的编码计算，也可以根据高德地图的api计算得到；而曲线距离的公式例如采用如下所述的“基于球面模型的地理空间距离计算公式”。

图8是本发明的经纬度距离计算示意图，如图8所示，本发明的模型中将地球看成圆球，假设地球上有a(ja,wa)，b(jb,wb)两点，其中，ja和jb分别是a和b的经度，wa和wb分别是a和b的纬度，a和b两点的球面距离就是ab的弧长，ab弧长＝r*∠aob。其中，o是地球的球心，r是地球半径，约为6367000米。∠aob可以根据aob的最大边ab的长度，再通过余弦定律来求得，具体步骤如下：

(1)根据经纬度，以及地球半径r，将a、b两点的经纬度坐标转换成球体三维坐标：

(2)根据a、b两点的三维坐标求ab长度：

ab²＝(xa-xb)²+(ya-yb)²+(za-zb)²

＝...＝2r²(1-cos(wa)cos(wb)cos(jb-ja)-sin(wa)sin(wb))；

(3)根据余弦定理求出∠aob：

ab²＝ao²+bo²-2ao*bo*cos(δaob)

(4)

其中，速度就是根据商家使用的交通工具，查询系统存储的标准速度值，例如步行为5千米/小时，骑自行车为15千米/小时，城市中的汽车为40千米/小时，郊区的汽车为60千米/小时，……。此外，对于速度可以结合服务的季节和所在城市进一步细化，例如新疆、内蒙人少路宽，汽车速度会更快；东北冬春季下雪多，汽车行驶速度明显下降。

其中，对于个性化修正值，例如可以采用人工智能模型，例如统计模型、时间函数模型、画像系统模型和/或基于协同过滤算法的个性化推荐模型等，利用历史数据进行大样本数据的训练，来得出不同客户的个性化特征，获得相应的个性化修正值。

其中，所述人工智能模型的输入可以为客户的系统操作历史数据、个性偏好和/或商家服务历史记录，输出为客户的画像或客户的某些性情特征值，比如是否拖沓、是否遵纪守法和循规蹈矩、是否大方等，由此，可以分别求取商家准备时间和订单通勤时间的个性化修正值。

其中，商家准备时间的个性化修正值例如包括商家是否会拖堂多为客户服务一段时间，商家是否特别爱干净，每次上门服务之前都要沐浴更衣等。这个修正值通常以一个修正量的形式加到对应的理论值上，因为商家准备时间更多的时候是新增加出来的项目引起的时间的增加。

其中，订单通勤时间的个性化修正值例如包括商家的出行习惯，例如是否喜欢超车，是否会闯黄灯、红灯，是否低速匀速前进，等等。订单通勤时间的个性化修正值例如通过模型训练最后算出一权重系数，通过与理论值相乘来得到考虑商家个性特征的修正值。

其中，在模型缺乏数据而无法训练时，也可以使用商家的历史订单通勤时间来暂时顶替，该历史订单通勤时间已经暗含了个人习惯，不需要再次训练去求解。

如图2所示，本发明还公开了一种通勤预测时间计算系统，包括：

输入模块，用于输入商家的工作参数；

数据查询模块，用于获取商家准备时间和订单通勤时间的理论值；

机器学习模块，用于基于商家的个性化特征，求取商家的个性化修正值；

汇总模块，用于根据理论值和个性化修正值综合得到所述商家的通勤预测时间。

其中，所述工作参数包括但不限于上一客户和下一客户的工作地点、商家所在的城市、服务类型和/或使用的交通工具等。

其中，数据查询模块要获取商家准备时间的理论值就是根据商家上一客户和下一客户的工作地点、商家所在的城市、服务类型和使用的交通工具，搜索是否存在相应的商家准备时间的小项，例如是否需要去领工具、是否需要上楼、是否需要换工作服、……，等等。所有的这些小项均根据历史经验和公司的专家测试，给出了相应的理论参考值。这个理论参考值是不区分人的，任何人都是相同的。

其中，数据查询模块要获取订单通勤时间的理论值，则可以根据距离除以速度计算得到。

其中，距离例如是通过在谷歌地图、百度地图或高德地图等外部商业地图上查询商家上一客户和下一客户的工作地点，返回出发地和目的地之间的距离，可通过外部命令行和/或调用函数向相关app发出询问，得到相应数值反馈。距离也可以通过自建或定制地图，利用geohash算法，将地图上的部分经纬度点用二进制编码，从而将整个地图上的位置分区，计算两点间的距离时就通过查询对应节点的二进制编码计算得到。此外，距离还可以通过本公司的历史数据，例如之前的商家实际经历的行程记录来获得相应距离(时间)。

其中，速度就是根据商家使用的交通工具，查询系统存储的标准速度值，例如步行为5千米/小时，骑自行车为15千米/小时，城市中的汽车为40千米/小时，郊区的汽车为60千米/小时，……。此外，对于速度可以结合服务的季节和所在城市进一步细化，例如新疆、内蒙人少路宽，汽车速度会更快；东北冬春季下雪多，汽车行驶速度明显下降。

其中，对于个性化修正值，例如可以采用人工智能模型，例如统计模型、时间函数模型、画像系统模型和/或基于协同过滤算法的个性化推荐模型等，利用历史数据进行大样本数据的训练，来得出不同客户的个性化特征，获得相应的个性化修正值。

其中，所述人工智能模型的输入可以为客户的系统操作历史数据、个性偏好和/或商家服务历史记录，输出为客户的画像或客户的某些性情特征值，比如是否拖沓、是否遵纪守法和循规蹈矩、是否大方等，由此，可以分别求取商家准备时间和订单通勤时间的个性化修正值。

其中，商家准备时间的个性化修正值例如包括商家是否会拖堂多为客户服务一段时间，商家是否特别爱干净，每次上门服务之前都要沐浴更衣等。这个修正值通常以一个修正量的形式加到对应的理论值上。

其中，订单通勤时间的个性化修正值例如包括商家的出行习惯，例如是否喜欢超车，是否会闯黄灯、红灯，是否低速匀速前进，等等。订单通勤时间的个性化修正值例如通过模型训练最后算出一权重系数，通过与理论值相乘来得到考虑商家个性特征的修正值。

其中，在模型缺乏数据而无法训练时，也可以使用商家的历史订单通勤时间来暂时顶替，该历史订单通勤时间已经暗含了个人习惯，不需要再次训练去求解。

通过本发明的上述设置，现有的固定通勤时间可以升级为灵活通勤时间，可以提升每个商家库存的利用率，进而提高推荐系统的订单匹配率。

本发明还提出了一种电子设备，图3是本发明的电子设备的结构示意图，如图3所示，所述电子设备包括处理器和存储器，所述存储器用于存储计算机可执行程序，其中当所述计算机可执行程序被所述处理器执行时，所述处理器执行如上所述的通勤预测时间的计算方法。

所述电子设备以通用计算设备的形式表现，其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。

所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可执行程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。

所述存储器包括易失性存储器，例如随机存取存储单元(ram)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(rom)。

可选的，该实施例中，电子设备还包括有i/o接口，其用于电子设备与外部的设备进行数据交换。i/o接口可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

应当理解，图3显示的电子设备仅仅是本发明的一个示例，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。

本发明还提出了一种计算机可读介质，图4是本发明的计算机可读介质的示意图，如图5所示，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如上所述的通勤预测时间的计算方法。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如python、java、c++、c#等，还包括常规的过程式程序设计语言—诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

通过以上对实施方式的描述，本领域的技术人员易于理解，本发明可以由能够执行特定计算机程序的硬件来实现，例如本发明的系统，以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等，本发明也可以由包含上述系统或部件的至少一部分的车辆来实现。本发明也可以由执行本发明的方法的计算机软件来实现，例如由机车端的微处理器、电子控制单元，客户端、服务器端等执行的控制软件来实现。但需要说明的是，执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行，其也可以是由不特定具体硬件的以分布式的方式来实现，例如计算机程序执行的某些方法步骤可以在机车端执行，另一部分可以在移动终端或智能头盔等中执行。对于计算机软件，软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中，也可以分布式存储于网络上，只要其能使得电子设备执行根据本发明的方法。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。需要注意的是，下述实施例仅是用于说明本发明，而不是用于对本发明作出限制。

实施例1

本发明实施例提供了一种通勤预测时间计算系统，包括：

输入模块，用于输入商家的工作参数；其中，所述工作参数包括上一客户和下一客户的地点信息、商家所在城市、服务类型和使用的交通工具等。

数据查询模块，用于获取商家准备时间和订单通勤时间的理论值；其中，商家准备时间的理论值根据历史经验和公司的专家测试；订单通勤时间的理论值，根据距离除以速度计算得到，其中，距离是通过在高德地图上查询商家上一客户和下一客户的工作地点，返回出发地和目的地之间的距离；速度就是根据商家使用的交通工具——例如电动自行车，查询系统存储的标准速度值，电动自行车的速度为25千米/小时，由此算得订单通勤时间的理论值。

机器学习模块，用于基于商家的个性化特征，求取商家的个性化修正值；其中，对于个性化修正值，采用基于协同过滤算法的个性化推荐模型，输入为客户的系统操作历史数据、个性偏好和/或商家服务历史记录，输出为客户的画像，利用历史数据进行大样本数据的训练，来得出客户的个性化特征，获得相应的个性化修正值。由此，可以分别求取商家准备时间和订单通勤时间的个性化修正值。

汇总模块，用于根据理论值和个性化修正值综合得到所述商家的通勤预测时间。其中，商家准备时间的个性化修正值以一个修正量的形式加到对应的理论值上；其中，订单通勤时间的个性化修正值则是通过模型训练最后算出一权重系数，通过与理论值相乘来得到考虑商家个性特征的修正值。

实施例2

本发明实施例2的通勤预测时间计算系统的结构同实施例1，区别仅在于其中的距离是通过自建或定制地图，利用geohash算法，将地图上的部分经纬度点用二进制编码，从而将整个地图上的位置分区，计算两点间的距离时就通过查询对应节点的二进制编码计算得到。

通过对上述实施方式的描述，本领域的技术人员易于理解，本发明的通勤预测时间根据商家的个性化行为而作出不同的计算，从而可以灵活地匹配通勤时间调度，减少因为固定通勤时间而导致的时间和人力成本的浪费，提升商家库存的利用率。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。