预测停留时间的装置和方法、确定投递路径的设备和方法
【技术领域】
[0001] 本申请涉及信息处理领域，具体地，本申请涉及一种用于预测在投递点的停留时 间的装置和方法、确定多个投递点的投递路径的设备和方法W及对神经网络模型进行训练 的方法。
【背景技术】
[0002] 目前，在快递行业中，快递员普遍配备了信息终端，用来为快递员提供投递信息提 示、投递执行记录等功能。送些终端并不能根据每位快递员每天的投递量为每位快递员规 划一种最佳的投递路径。快递员通常都是依据自身的历史投递经验，同时结合自身在当天 的投递任务，来为自己规划投递路径。但是送种方法是低效的，因为每天的具体外部环境 不一样，会直接影响快递员在不同道路，甚至不同投递点处的时间消耗的不同。同时，目前 市场上的路径消耗时间预测都是基于两点之间的，而由于每个快递员每天需要跑多个投递 点，因此快递行业的投递路径时间预测是基于多点间的时间预测，在使用环境中有着本质 的区别。
【发明内容】
[0003] 在下文中给出了关于本发明的简要概述，W便提供关于本发明的某些方面的基本 理解。应当理解，送个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的 关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是W简化的形式给出某些概 念，W此作为稍后论述的更详细描述的前序。
[0004] 根据本发明的一个方面，提供了一种用于预测在投递点的停留时间的装置，包括： 输入单元，被配置为接收用户输入的至少包括投递点的标识的向量；预测单元，被配置为将 向量输入神经网络模型单元，并将神经网络模型单元的相应输出作为所预测的在投递点的 停留时间；W及该神经网络模型单元，其基于的神经网络模型是通过使用至少包括投递点 的标识的向量和作为目标的所述投递点的历史停留时间作为训练数据训练获得的。
[0005] 根据本发明的另一个方面，提供了一种用于预测在投递点的停留时间的方法，包 括：接收用户输入的至少包括投递点的标识的向量；W及将向量输入神经网络模型单元， 并将神经网络模型单元的相应输出作为所预测的在投递点的停留时间，其中，神经网络模 型单元基于的神经网络模型是通过使用至少包括投递点的标识的向量和作为目标的所述 投递点的历史停留时间作为训练数据训练获得的。
[0006] 根据本发明的又一个方面，提供了一种确定多个投递点的投递路径的设备，包括： 上述用于预测在投递点的停留时间的装置；W及确定装置，被配置为根据通过上述装置获 得的每个投递点的预测停留时间来确定投递时间最少的投递路径。
[0007] 根据本发明的另一个方面，还提供了一种确定多个投递点的投递路径的方法，包 括：接收用户输入的至少包括各个投递点的标识的向量；将向量输入神经网络模型单元， 并将神经网络模型单元的相应输出作为所预测的在各个投递点的停留时间；W及根据所获 得的每个投递点的预测停留时间来确定投递时间最少的投递路径，其中，神经网络模型单 元基于的神经网络模型是通过使用至少包括投递点的标识的向量和作为目标的所述投递 点的历史停留时间作为训练数据训练获得的。
[0008] 根据本发明的另一个方面，还提供了一种对神经网络模型进行训练的方法，其中， 该神经网络模型用于预测在投递点的停留时间，该方法包括；获取训练数据，该训练数据包 含至少包括所述投递点的标识的向量和作为目标的所述投递点的历史停留时间；使用训练 数据来训练该神经网络模型。
[0009] 依据本发明的其它方面，还提供了相应的计算机程序代码、计算机可读存储介质 和计算机程序产品。
[0010] 通过W下结合附图对本发明的优选实施例的详细说明，本发明的送些W及其他优 点将更加明显。
【附图说明】
[0011] 为了进一步阐述本发明的W上和其它优点和特征，下面结合附图对本发明的具体 实施方式作进一步详细的说明。所述附图连同下面的详细说明一起包含在本说明书中并且 形成本说明书的一部分。具有相同的功能和结构的元件用相同的参考标号表示。应当理解， 送些附图仅描述本发明的典型示例，而不应看作是对本发明的范围的限定。在附图中：
[0012] 图1示出了根据本申请的一个实施例的用于预测在投递点的停留时间的装置的 结构框图；
[0013] 图2示出了神经网络模型的示意图；
[0014] 图3示出了根据本申请的一个实施例的用于确定多个投递点的投递路径的设备 的结构框图；
[0015] 图4示出了根据本申请的一个实施例的确定装置的结构框图；
[0016] 图5示出了一条候选投递路径的示意图；
[0017] 图6示出了根据本申请的一个实施例的用于预测在投递点的停留时间的方法的 流程图；
[0018] 图7示出了根据本申请的一个实施例的用于确定多个投递点的投递路径的设备 的方法的流程图；
[0019] 图8示出了图7的步骤S23的子步骤的示例的流程图；
[0020] 图9示出了根据本申请的一个实施例的对神经网络模型进行训练的方法的流程 图拟及
[0021] 图10是其中可W实现根据本发明的实施例的方法和/或装置的通用个人计算机 的示例性结构的框图。
【具体实施方式】
[0022] 在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见， 在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何送种实际实施 例的过程中必须做出很多特定于实施方式的决定，W便实现开发人员的具体目标，例如，符 合与系统及业务相关的郝些限制条件，并且送些限制条件可能会随着实施方式的不同而有 所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开 内容的本领域技术人员来说，送种开发工作仅仅是例行的任务。
[0023] 在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中 仅仅示出了与根据本发明的方案密切相关的设备结构和/或处理步骤，而省略了与本发明 关系不大的其他细节。
[0024] 如上所述，在快递行业中，快递员在投递点的停留时间是整个投递过程的时间消 耗中的一个重要因素，因此，对该停留时间预测的准确与否对于整个路径的规划或预测具 有重要影响。
[0025] 首先参照图1描述根据本申请的一个实施例的用于预测在投递点的停留时间的 装置100,包括；输入单元101，被配置为接收用户输入的至少包括投递点的标识的向量；预 测单元102,被配置为将向量输入神经网络模型单元，并将神经网络模型单元103的相应输 出作为所预测的在投递点的停留时间；W及该神经网络模型单元103,其基于的神经网络 模型是通过使用至少包括投递点的标识的向量和作为目标的所述投递点的历史停留时间 作为训练数据训练获得的。
[0026] 例如，用户期望预测在某一投递点的停留时间，则将至少包括指示该投递点的标 识的向量输入上述装置100,即可输出预测的停留时间。
[0027] 除了投递点本身之外，停留时间还可能受到其他因素的影响，可W理解，将送些其 他因素包含在输入的向量中，可W提高预测的准确度。作为示例，向量还可W包括W下各项 中的至少一项；投递日、投递日是否是节假日、投递日该投递点的天气、W及负责投递点的 投递人员的标识。
[002引例如，投递日可W用周几来表示，每周有7天，因此可W用3位长的二进制位串来 表示每一天，例如,001表示周一、010表示周二等等。类似地，投递点的标识和投递人员的 标识也可W分别根据各自的总数量来使用相应位长的二进制位串来表示。此外，例如用1 表示是节假日，0表示非节假日等。
[0029] 同样，作为输出的停留时间也可W用二进制位串表示，所需要的位数可W根据历 史最长停留时间确定，当然也可W人为设定。时间的单位可W为分钟。