配送团队负载压力预测方法、装置、电子设备及存储介质与流程

本发明涉及信息处理
技术领域：
，特别涉及一种配送团队负载压力预测方法。
背景技术：
：目前，在配送业务当中,调度平台为了合理规划调度策略，需要实时计算各配送人员的负载压力。当调度平台监测到各配送人员的负载压力出现异常时，会根据各配送人员当前的负载压力对接下来的运力以及订单量等做出合理调整，从使各配送人员的负载压力更加均衡。发明人发现，在某区域的单量突然增多或减少的情况下，还是按照实时的负载压力对接下来的运力进行调度，导致接下来的一段时间中的配送质量无法保证。技术实现要素：本发明实施方式的目的在于提供一种配送团队负载压力预测方法，可以使得调度平台能够根据预测结果优化调度策略，从而提高调度效率，保证配送质量。为解决上述技术问题，本发明的实施方式提供了一种配送团队负载压力预测方法，包括：获取用于预测的配送团队的第二负载压力特征数据；根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测,其中,预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的。本发明的实施方式还提供了一种配送团队负载压力预测装置，包括：获取模块，用于获取用于预测的配送团队的第二负载压力特征数据；预测模块，用于根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测,其中,预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的。本发明的实施方式还提供了一种电子设备，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行获取用于预测的配送团队的第二负载压力特征数据；根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测,其中,预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的。本发明的实施方式还提供了一种非易失性存储介质，用于存储计算机可读程序，计算机可读程序用于供计算机执行如上的配送团队负载压力预测方法。本发明实施方式相对于现有技术而言，主要区别及其效果在于：通过根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测，可使得调度平台及时得到预设时间各团队得负载压力情况，并根据预测到的负载压力提前做好准备工作，调整调度策略，使得订单及时得到处理，由于预测的负载压力为一个配送团队的负载压力，可以对团队所属的某个配送区域或某个配送站点的综合负载压力进行评估，从而保证了配送质量，提高配送效率。而且预测模型能够针对不同的团队做出细致的预测调整，提高预测准确度。此外，由于预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的，即训练数据来源于配送团队真实的历史数据，参考价值高，可使得预测结果更加可靠。另外，上述采集的配送团队的第一负载压力特征数据，具体为：以预设周期、在预设时长内采集配送团队的第一负载压力特征数据，得到的l条第一负载压力特征数据，l为预设时长内包括的周期数量；第一负载压力特征数据至少包括团队编号、配送团队在过去一段时间的平均负载压力；训练预测模型，具体为：以l条第一负载压力特征数据作为训练集，训练预测模型。另外，第一负载压力特征数据还包括以下任意组合：配送团队所在的城市信息、配送团队属性信息、时间片信息、天气类型、温度。使得训练模型的过程中参考的数据更为丰富，模型的预测结果更为可靠。另外，上述第二负载压力特征数据包括用于指定上述预设时间的待预测时间片。通过设置待预测时间片的方法，将未来时间划分时间片，根据待预测的时间片预测未来的负载压力，既能预测出未来某个时间的负载压力，又使得在训练模型的过程中不必训练针对未来不同时刻的负载压力数据的预测模型，使得方案具备较高的可行性。另外，预先根据采集的配送团队的第一负载压力特征数据，训练预测模型，包括：在n个时长内分别采集配送团队的第一负载压力特征数据，得到对应每个时长的配送团队的第一负载压力特征数据；n为大于1的自然数；根据各时长的配送团队的第一负载压力特征数据，分别对预测模型进行训练，得到n个训练后的预测模型；对n个训练后的预测模型进行测试；将预测误差最小的训练后的预测模型，作为目标预测模型；根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测，具体为：根据第二负载压力特征数据和目标预测模型对配送团队在预设时间的负载压力进行预测。训练多个预测模型，并将训练后得到的预测误差最小的预测模型作为目标训练模型，利用目标训练模型来预测负载压力，可使得预测出来的负载压力与实际负载压力的误差尽可能小，预测结果更为准确。另外，上述对n个训练后的预测模型进行测试，具体包括：获取n个测试集；n个测试集与n个训练后的预测模型一一对应；根据n个测试集分别对相应的训练后的预测模型进行测试；根据测试结果计算训练后的预测模型的预测误差。获取n个测试集，分别对与这n个测试集一一对应训练集进行测试，可实现对预测模型的个性化测试，根据测试结果计算每个预测模型的测试误差，以得到预测结果更为准确的预测模型。。另外，上述测试结果通过以下方式获得：在对测试集中的测试数据进行测试时，将训练后的预测模型输出的预测结果与测试数据的真实结果进行比较，若误差在第一预设范围内，则判定测试数据的测试结果正确，否则判定测试数据的测试结果错误。设定预测结果的误差范围，当误差在预设范围内时，判定该条测试数据的测试结果正确，由于模型的预测结果很难与真实结果完全一致，只要模型的预测结果与真实结果的误差在可接受的范围内，则认为模型的预测结果正确，使得预测模型有一定的容错性。另外，上述测试结果通过以下方式获得：在对测试集中的测试数据进行测试时，根据预设规则将训练后的预测模型输出的测试结果规约为0或1；根据预设规则将测试数据中的真实结果规约为0或1；若规约后的测试结果与真实结果相同，则判定测试数据的测试结果正确，否则判定测试数据的测试预测结果错误。由于规约的规则相同，若规约后的测试结果与真实结果相同，即可判定测试结果正确，使得测试结果与真实结果的比较更加简单，预测误差的计算也更加方便。另外，上述采集的配送团队的第一负载压力特征数据，为剔除异常数据后的配送团队的第一负载压力特征数据：其中，异常数据为满足预设条件的配送团队的负载压力特征数据。剔除异常数据可避免异常数据对训练出的模型结构的影响，使得模型的预测结果更为准确。附图说明图1是根据本发明第一实施方式中的配送团队负载压力预测方法流程图；图2是根据本发明第二实施方式中的配送团队负载压力预测方法流程图；图3是根据本发明第三实施方式中的测试步骤流程图；图4是根据本发明第四实施方式中的配送团队负载压力预测装置示意图；图5是根据本发明第五实施方式提供的电子设备结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。本发明的第一实施方式涉及一种配送团队负载压力预测方法。团队负载压力可以理解为团队的总单量除以团队中各骑手最大背单能力的总和，若计算出来的负载压力值大于1，则表示该团队已经超负荷背单，无法承受更多的单量。本实施例中，由于预测的负载压力为一个配送团队的负载压力，从而可以对团队所属的某个配送区域或某个配送站点的综合负载压力进行评估，从而保证了配送质量，提高配送效率。而且模型能够针对不同的团队做出细致的预测调整，提高了预测准确度。如图1所示，该方法包括：步骤s101，获取用于预测的配送团队的第二负载压力特征数据。具体地说，可根据需要从调度平台或人机交互界面获取用于预测的配送团队的第二负载压力特征数据，其中，第二负载压力特征数据包括用于指定预设时间的待预测时间片。时间片可以理解为一个单位时间，例如将15分钟划分为一个时间片。待预测时间片即可用于指示未来的某个预设时间，例如，若当前时间为11点整，需要预测11：15分的负载压力，那么即可将待预测时间片设置为1，若需要预测11：30分的负载压力，那么即可将待预测时间片设置为2，依此类推。本实施例中，通过设置待预测时间片对需要预测的时间进行指定，既能预测出未来某个时间的负载压力，又无需针对未来的不同时刻分别训练预测模型，使得方案具备较高的可行性。步骤s102，根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测。在一个例子中，当前时间点为11：00，第二负载压力特征数据包括团队编号355，团队能承受的最大背单量300，天气类型编码为1(降雨)，团队当前活跃的配送人员数量为20，预测的时间片为1(每15分钟为一个时间片)，根据这些第二负载压力特征数据和预先获取的预测模型，可预测出编号为355的团队在11：15的负载压力为m，调度平台可根据这个负载压力值m对调度策略进行调整。在本实施方式中，预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的，下面对本实施方式的预测模型，进行具体说明。本实施方式的预测模型可采用xgb模型(即xgboost模型)，xgb模型能够增加预测模型的鲁棒性，相较于传统的机器学习算法，速度快、效果好、能处理大规模数据、且支持多种语言和自定义损失函数。用于训练预测模型的配送团队的第一负载压力特征数据，可以通过以下方式采集得到：以预设周期、在预设时长内采集配送团队的第一负载压力特征数据，得到的l条第一负载压力特征数据，l为预设时长内包括的周期数量，以l条第一负载压力特征数据作为训练集，训练预测模型。例如，在一个星期内，以15分钟为周期采集各配送团队的第一负载压力特征数据，则可得到各配送团队的7x24x(60/15)＝672条第一负载压力特征数据，以各团队的672条负载压力特征数据作为训练集，训练预测模型。其中，第一负载压力特征数据至少包括团队编号、配送团队在过去一段时间的平均负载压力，还可包括配送团队所在的城市信息、配送团队属性信息、时间片信息、天气类型、温度等维度中的任意组合，其中，配送团队属性信息可包括配送团队注册时长、配送团队能承受的最大背单量等。在具体实现中，第一负载压力特征数据中的时间片信息可以通过以下方式建立：以单位时间为15分钟为例，可以将一天的时间划分为若干个时间片，00：00到00：15为第一个时间片；00：15到00：30为第二个时间片，以此类推。也就是说，在00：15这一时刻会得到第一个时间片，第一个时间片的编号为1，在00：30这一时刻会得到第二个时间片，第二个时间片的编号为2，依次类推。可以理解，配送团队所在的城市信息，可以有效的反应出配送团队所处的地理位置；配送团队属性信息可以有效的反应出配送团队的团队特色，使得模型能够针对不同的团队做出细致的预测调整，而且通过这些不同维度的特征数据的组合，可使得训练模型的过程中参考的数据更为丰富，模型的预测结果更为可靠。在实际应用中，第一负载压力特征数据中包括的各个维度的特征数据可以如表1所示：表1在具体实现中，上述采集的配送团队的第一负载压力特征数据，还可以是剔除异常数据后的配送团队的第一负载压力特征数据：其中，异常数据为满足预设条件的配送团队的负载压力特征数据，比如，预设条件为日均单量大于300，则日均单量小于等于300的小团队的数据会被剔除，以避免由于小团队的负载压力大部分偏小，导致预测模型失真的问题。可以理解，预测模型的输出，即为预测的负载压力，预测模型的输入为x1到xn，表示不同维度的特征数据，在进行预测模型训练的过程中，通过不断比较根据预测模型的输入计算得到的输出值，与预测模型的输入所对应的真实值(即与输入的特征数据所对应的真实的负载压力)，对预测模型的参数进行调整，从而得到训练后的预测模型。本发明实施方式相对于现有技术而言，主要区别及其效果在于：通过根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测，可使得调度平台及时得到预设时间各团队得负载压力情况，并根据预测到的负载压力提前做好准备工作，调整调度策略，使得订单及时得到处理，由于预测的负载压力为一个配送团队的负载压力，可以对团队所属的某个配送区域或某个配送站点的综合负载压力进行评估，从而保证了配送质量，提高配送效率。而且预测模型能够针对不同的团队做出细致的预测调整，提高了预测准确度。此外，由于预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的，即训练数据来源于配送团队真实的历史数据，参考价值高，可使得预测结果更加可靠。本发明的第二实施方式涉及一种配送团队负载压力预测方法，第二实施方式中提供了一种具体的预测模型的获取方式，本实施例流程图如图2所示，下面进行具体说明：步骤s100，预先获取预测模型。本实施方式中的预测模型的获取方式，具体通过步骤s1011至步骤s1014实现，下面进行具体说明。步骤s1011，在n个时长内分别采集配送团队的第一负载压力特征数据，得到对应每个时长的配送团队的第一负载压力特征数据。具体地说，上述n为大于1的自然数。以一个星期为一个时长为例，对11月1日至11月7日、11月15日至11月21日、11月29日至12月5日这三个星期内分别采集配送团队的第一负载压力特征数据，其中，第一负载压力特征数据包括的数据维度与第一实施方式中大致相同，为避免重复，这里不再一一赘述。步骤s1012，根据各时长的配送团队的第一负载压力特征数据，分别对预测模型进行训练，得到n个训练后的预测模型。仍然以上述三个星期为例，根据这三个星期中的每个星期的配送团队的第一负载压力特征数据，分别对预测模型进行训练，得到三个训练后的预测模型，即由11月1日至11月7日的第一负载压力特征数据训练出的第一预测模型、由11月15日至11月21日的第一负载压力特征数据训练出的第二预测模型、由11月29日至12月5日的第一负载压力特征数据训练出的第三预测模型。步骤s1013，对n个训练后的预测模型进行测试。也就是说，可对三个训练后得到的预测模型分别进行测试。步骤s1014，将预测误差最小的训练后的预测模型，作为目标预测模型。具体地说，在分别对三个预测模型进行测试后，可以根据预测结果与真实结果的差距计算出各个预测模型的预测误差，并将预测误差最小的预测模型，作为目标训练模型，将这个目标预测模型存为文件，在需要预测负载压力时，调用该文件，以该文件存储的目标预测模型对负载压力进行预测。例如，第一预测模型的预测误差为x,第二预测模型的预测误差为y，第三预测模型的预测误差为z，其中x>y>z，即第三预测模型的误差最小，则以第三预测模型为目标预测模型，并将这个目标预测模型存为文件。本实施例中，在获取目标预测模型后，根据目标预测模型对负载压力进行预测的过程与第一实施方式大致相同，为避免重复，这里对步骤s101和步骤s102的实施细节不再一一赘述。步骤s101，获取用于预测的配送团队的第二负载压力特征数据。步骤s102，根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测。本实施方式相对现有技术而言，训练多个预测模型，并将训练后得到的预测误差最小的预测模型作为目标训练模型，利用目标训练模型来预测负载压力，可使得预测出来的负载压力与实际负载压力的误差尽可能小，预测结果更为准确。本发明的第三实施方式涉及一种配送团队负载压力预测方法，本实施方式与第二实施方式大致相同，主要区别在于：在本实施方式中，提供了一种具体的对预测模型进行测试的方法，本实施方式中的步骤与第二实施方式中的步骤大致相同，并对步骤s1031做了进一步细化，如图3所示，下面对步骤1031的细化步骤进行具体说明：步骤s10131,获取n个测试集。具体地说，n个测试集与n个训练后的所述预测模型一一对应，例如，以一个星期的第一负载压力特征数据作为一个训练集，可训练出一个预测模型，分别采集三个星期的第一负载压力特征数据，即可训练出三个预测模型，分别获取与这三个预测模型对应的测试集。如表2所示，与11月1日至11月7日的训练集对应的测试集为11月8日至11月14日这一周中采集到的负载压力特征数据，该测试集中的负载压力特征数据所包含的特征维度与11月1日至11月7日的训练集中的第一负载压力特征数据所包含的特征维度相同。采集的方式，也可与训练集中的第一负载压力特征数据的采集方式相同，即以预设周期、在11月8日至11月14日这一周内采集配送团队的负载压力特征数据，得到的多条负载压力特征数据作为测试数据，用于对由11月1日至11月7日的训练集训练得到的预测模型进行测试。类似地，与11月15日至11月21日的训练集对应的测试集为11月22日至11月28日这一周中采集到的负载压力特征数据；与11月29日至12月5日的训练集对应的测试集为12月6日至12月12日这一周中采集到的负载压力特征数据。测试集中的各条负载压力特征数据所包含的特征维度，与相应的训练集中的各条第一负载压力特征数据所包含的特征维度相同，测试集中的各条负载压力特征数据用于对由相应的训练集训练得到的预测模型进行测试。表2训练集测试集11-01～11-0711-08～11-1411-15～11-2111-22～11-2811-29～12-0512-06～12-12步骤s10132,根据n个测试集分别对相应的训练后的预测模型进行测试。具体地说，在对各预测模型进行测试时，将测试集数据中的负载压力特征数据作为预测模型的输入，利用预测模型计算出预测的负载压力。步骤s10133,根据测试结果计算训练后的预测模型的预测误差。具体地说，在利用预测模型计算出预测的负载压力后，可将预测的负载压力值与真实的负载压力值进行比较，从而判断出预测结果是否正确，即得到测试结果。在计算每个预测模型的预测误差时，统计所有测试结果错误的测试数据条数，即可得到该预测模型的预测误差。在一个具体的例子中，测试结果通过以下方式获得：在对测试集中的测试数据进行测试时，将训练后的预测模型输出的预测结果与测试数据的真实结果进行比较，若误差在第一预设范围内(例如上下浮动10％)，则判定测试数据的测试结果正确，否则判定测试数据的测试结果错误。由于模型的预测结果很难与真实结果完全一致，因此通过设定预测结果的误差范围，当模型的预测结果与真实结果的误差在可接受的范围内，则认为模型的预测结果正确，使得预测模型有一定的容错性。在另一个具体的例子中，测试结果通过以下方式获得：在对测试集中的测试数据进行测试时，根据预设规则将训练后的预测模型输出的测试结果规约为0或1；根据预设规则将测试数据中的真实结果规约为0或1；若规约后的测试结果与真实结果相同，则判定测试数据的测试结果正确，否则判定测试数据的测试结果错误。例如，规约的规则为：大于0.5的规约为1，否则规约为0，若预测结果为0.9，真实结果为0.7，则预测结果和真实结果都将规约为1，可判定测试结果正确。由于规约的规则相同，若规约后的测试结果与真实结果相同，即可判定测试结果正确，使得测试结果与真实结果的比较更加简单，预测误差的计算也更加方便。本实施方式相对现有技术而言，对每个预测模型分别采用不同的测试集进行测试，可实现对预测模型的个性化测试，根据测试结果计算每个预测模型的测试误差，使得各预测模型的预测效果好坏有一个统一的度量标准。上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。本发明的第四实施方式涉及一种配送团队负载压力预测装置，如图4所示，该装置包括：获取模块401，用于获取用于预测的配送团队的第二负载压力特征数据；预测模块402，用于根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测,其中,预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的。在一个例子中，上述采集的配送团队的第一负载压力特征数据，具体为以预设周期、在预设时长内采集配送团队的第一负载压力特征数据，得到的l条第一负载压力特征数据，l为预设时长内包括的周期数量；第一负载压力特征数据至少包括团队编号、配送团队在过去一段时间的平均负载压力；训练预测模型，具体为：以l条第一负载压力特征数据作为训练集，训练预测模型。在一个例子中，上述至少两个维度的特征数据包括以下任意组合：配送团队所在的城市信息、配送团队属性信息、时间片信息、天气类型、温度。在一个例子中,上述第二负载压力特征数据包括用于指定预设时间的待预测时间片。在一个例子中,预先根据采集的配送团队的第一负载压力特征数据，训练预测模型，包括：在n个时长内分别采集配送团队的第一负载压力特征数据，得到对应每个时长的配送团队的第一负载压力特征数据；n为大于1的自然数；根据各时长的配送团队的第一负载压力特征数据，分别对预测模型进行训练，得到n个训练后的预测模型；对n个训练后的预测模型进行测试；将预测误差最小的训练后的预测模型，作为目标预测模型；根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测，具体为：根据第二负载压力特征数据和目标预测模型对配送团队在预设时间的负载压力进行预测。在一个例子中，上述对n个训练后的预测模型进行测试，具体包括：获取n个测试集；n个测试集与n个训练后的预测模型一一对应；根据n个测试集分别对相应的训练后的预测模型进行测试；根据测试结果计算训练后的预测模型的预测误差。在一个例子中，上述测试结果通过以下方式获得：在对测试集中的测试数据进行测试时，将训练后的预测模型输出的预测结果与测试数据的真实结果进行比较，若误差在第一预设范围内，则判定测试数据的测试结果正确，否则判定测试数据的测试结果错误。在一个例子中，上述测试结果通过以下方式获得：在对测试集中的测试数据进行测试时，根据预设规则将训练后的预测模型输出的测试结果规约为0或1；根据预设规则将测试数据中的真实结果规约为0或1；若规约后的测试结果与真实结果相同，则判定测试数据的测试结果正确，否则判定测试数据的测试预测结果错误。在一个例子中，上述采集的配送团队的第一负载压力特征数据，为剔除异常数据后的配送团队的第一负载压力特征数据：其中，异常数据为满足预设条件的配送团队的负载压力特征数据。在一个例子中，上述预测模型的类型为xgb模型。不难发现，本实施方式为与第一实施方式至第三实施方式相对应的装置实施例，本实施方式可与第一实施方式至第三实施方式互相配合实施。第一实施方式至第三实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式至第三实施方式中。值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。本发明的第五实施方式涉及一种电子设备，如图5所示，该电子设备包括：至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502；以及，与扫描装置通信连接的通信组件503，通信组件503在处理器501的控制下接收和发送数据；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行以实现：获取用于预测的配送团队的第二负载压力特征数据；根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测,其中,预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的。在一个例子中，上述采集的配送团队的第一负载压力特征数据，具体为以预设周期、在预设时长内采集配送团队的第一负载压力特征数据，得到的l条第一负载压力特征数据，l为预设时长内包括的周期数量；第一负载压力特征数据至少包括团队编号、配送团队在过去一段时间的平均负载压力；训练预测模型，具体为：以l条第一负载压力特征数据作为训练集，训练预测模型。在一个例子中，上述至少两个维度的特征数据包括以下任意组合：配送团队所在的城市信息、配送团队属性信息、时间片信息、天气类型、温度。在一个例子中,上述第二负载压力特征数据包括用于指定预设时间的待预测时间片。在一个例子中,预先根据采集的配送团队的第一负载压力特征数据，训练预测模型，包括：在n个时长内分别采集配送团队的第一负载压力特征数据，得到对应每个时长的配送团队的第一负载压力特征数据；n为大于1的自然数；根据各时长的配送团队的第一负载压力特征数据，分别对预测模型进行训练，得到n个训练后的预测模型；对n个训练后的预测模型进行测试；将预测误差最小的训练后的预测模型，作为目标预测模型；根据第二负载压力特征数据和预测模型，对配送团队在预设时间的负载压力进行预测，具体为：根据第二负载压力特征数据和目标预测模型对配送团队在预设时间的负载压力进行预测。在一个例子中，上述对n个训练后的预测模型进行测试，具体包括：获取n个测试集；n个测试集与n个训练后的预测模型一一对应；根据n个测试集分别对相应的训练后的预测模型进行测试；根据测试结果计算训练后的预测模型的预测误差。在一个例子中，上述测试结果通过以下方式获得：在对测试集中的测试数据进行测试时，将训练后的预测模型输出的预测结果与测试数据的真实结果进行比较，若误差在第一预设范围内，则判定测试数据的测试结果正确，否则判定测试数据的测试结果错误。在一个例子中，上述测试结果通过以下方式获得：在对测试集中的测试数据进行测试时，根据预设规则将训练后的预测模型输出的测试结果规约为0或1；根据预设规则将测试数据中的真实结果规约为0或1；若规约后的测试结果与真实结果相同，则判定测试数据的测试结果正确，否则判定测试数据的测试预测结果错误。在一个例子中，上述采集的配送团队的第一负载压力特征数据，为剔除异常数据后的配送团队的第一负载压力特征数据：其中，异常数据为满足预设条件的配送团队的负载压力特征数据。在一个例子中，上述预测模型的类型为xgb模型。具体地，该电子设备包括：一个或多个处理器501以及存储器502，图5中以一个处理器501为例。处理器501、存储器502可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器502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501通过运行存储在存储器502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，即实现上述配送团队负载压力预测方法。存储器502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502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502可选包括相对于处理器501远程设置的存储器502，这些远程存储器502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502中，当被一个或者多个处理器501执行时，执行上述任意方法实施方式中的配送团队负载压力预测方法。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。本发明的第六实施方式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。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)执行本申请各个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。本申请实施例公开了a1.一种配送团队负载压力预测方法，包括：获取用于预测的配送团队的第二负载压力特征数据；根据所述第二负载压力特征数据和预测模型，对所述配送团队在预设时间的负载压力进行预测,其中,所述预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的。a2.如a1所述的配送团队负载压力预测方法，所述采集的配送团队的第一负载压力特征数据，具体为：以预设周期、在预设时长内采集所述配送团队的第一负载压力特征数据，得到的l条第一负载压力特征数据，所述l为所述预设时长内包括的周期数量；所述第一负载压力特征数据至少包括团队编号、配送团队在过去一段时间的平均负载压力；所述训练预测模型，具体为：以所述l条第一负载压力特征数据作为训练集，训练所述预测模型。a3.如a2所述的配送团队负载压力预测方法，所述第一负载压力特征数据还包括以下任意组合：配送团队所在的城市信息、配送团队属性信息、时间片信息、天气类型、温度。a4.如a1所述的配送团队负载压力预测方法，所述第二负载压力特征数据包括用于指定所述预设时间的待预测时间片。a5.如a1所述的配送团队负载压力预测方法，预先根据采集的配送团队的第一负载压力特征数据，训练所述预测模型，包括：在n个时长内分别采集配送团队的第一负载压力特征数据，得到对应每个时长的配送团队的第一负载压力特征数据；所述n为大于1的自然数；根据各时长的所述配送团队的第一负载压力特征数据，分别对所述预测模型进行训练，得到n个训练后的所述预测模型；对所述n个训练后的所述预测模型进行测试；将预测误差最小的所述训练后的所述预测模型，作为目标预测模型；所述根据所述第二负载压力特征数据和预测模型，对所述配送团队在预设时间的负载压力进行预测，具体为：根据所述第二负载压力特征数据和所述目标预测模型对所述配送团队在预设时间的负载压力进行预测。a6.如a5所述的配送团队负载压力预测方法，所述对所述n个训练后的所述预测模型进行测试，具体包括：获取n个测试集；所述n个测试集与所述n个训练后的所述预测模型一一对应；根据所述n个测试集分别对相应的所述训练后的所述预测模型进行测试；根据测试结果计算所述训练后的所述预测模型的预测误差。a7.如a6所述的配送团队负载压力预测方法，所述测试结果通过以下方式获得：在对所述测试集中的测试数据进行测试时，将所述训练后的所述预测模型输出的预测结果与所述测试数据的真实结果进行比较，若误差在第一预设范围内，则判定所述测试数据的测试结果正确，否则判定所述测试数据的测试结果错误。a8.如a6所述的配送团队负载压力预测方法，所述测试结果通过以下方式获得：在对所述测试集中的测试数据进行测试时，根据预设规则将所述训练后的所述预测模型输出的测试结果规约为0或1；根据所述预设规则将所述测试数据中的真实结果规约为0或1；若规约后的所述测试结果与所述真实结果相同，则判定所述测试数据的测试结果正确，否则判定所述测试数据的测试预测结果错误。a9.如a1至a8中任一项所述的配送团队负载压力预测方法，所述采集的配送团队的第一负载压力特征数据，为剔除异常数据后的配送团队的第一负载压力特征数据：其中，所述异常数据为满足预设条件的配送团队的负载压力特征数据。a10.如a1至a8中任一项所述的配送团队负载压力预测方法，所述预测模型的类型为xgb模型。本申请实施例还公开了b1.一种配送团队负载压力预测装置，包括：获取模块，用于获取用于预测的配送团队的第二负载压力特征数据；预测模块，用于根据所述第二负载压力特征数据和预测模型，对所述配送团队在预设时间的负载压力进行预测,其中,所述预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的。本申请实施例还公开了c1.一种电子设备，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行：获取用于预测的配送团队的第二负载压力特征数据；根据所述第二负载压力特征数据和预测模型，对所述配送团队在预设时间的负载压力进行预测,其中,所述预测模型是预先根据采集的配送团队的第一负载压力特征数据训练得到的。c2.如c1所述的电子设备，所述采集的配送团队的第一负载压力特征数据，具体为：以预设周期、在预设时长内采集所述配送团队的第一负载压力特征数据，得到的l条第一负载压力特征数据，所述l为所述预设时长内包括的周期数量；所述第一负载压力特征数据至少包括团队编号、配送团队在过去一段时间的平均负载压力；所述训练预测模型，具体为：以所述l条第一负载压力特征数据作为训练集，训练所述预测模型。c3.如c2所述的电子设备，所述第一负载压力特征数据还包括以下任意组合：配送团队所在的城市信息、配送团队属性信息、时间片信息、天气类型、温度。c4.如c1所述的电子设备，所述第二负载压力特征数据包括：待预测时间片；所述第二负载压力特征数据包括用于指定所述预设时间的待预测时间片。c5.如c1所述的电子设备，，预先根据采集的配送团队的第一负载压力特征数据，训练所述预测模型，包括：在n个时长内分别采集配送团队的第一负载压力特征数据，得到对应每个时长的配送团队的第一负载压力特征数据；所述n为大于1的自然数；根据各时长的所述配送团队的第一负载压力特征数据，分别对所述预测模型进行训练，得到n个训练后的所述预测模型；对所述n个训练后的所述预测模型进行测试；将预测误差最小的所述训练后的所述预测模型，作为目标预测模型；所述根据所述第二负载压力特征数据和预测模型，对所述配送团队在预设时间的负载压力进行预测，具体为：根据所述第二负载压力特征数据和所述目标预测模型对所述配送团队在预设时间的负载压力进行预测。c6.如c5所述的电子设备，所述对所述n个训练后的所述预测模型进行测试，具体包括：获取n个测试集；所述n个测试集与所述n个训练后的所述预测模型一一对应；根据所述n个测试集分别对相应的所述训练后的所述预测模型进行测试；根据测试结果计算所述训练后的所述预测模型的预测误差。c7.如c6所述的电子设备，所述测试结果通过以下方式获得：在对所述测试集中的测试数据进行测试时，将所述训练后的所述预测模型输出的预测结果与所述测试数据的真实结果进行比较，若误差在第一预设范围内，则判定所述测试数据的测试结果正确，否则判定所述测试数据的测试结果错误。c8.如c6所述的电子设备，所述测试结果通过以下方式获得：在对所述测试集中的测试数据进行测试时，根据预设规则将所述训练后的所述预测模型输出的测试结果规约为0或1；根据所述预设规则将所述测试数据中的真实结果规约为0或1；若规约后的所述测试结果与所述真实结果相同，则判定所述测试数据的测试结果正确，否则判定所述测试数据的测试预测结果错误。c9.如c1至c8中任一项所述的电子设备，所述采集的配送团队的第一负载压力特征数据，为剔除异常数据后的配送团队的第一负载压力特征数据：其中，所述异常数据为满足预设条件的配送团队的负载压力特征数据。c10.如c1至c8中任一项所述的电子设备，所述预测模型的类型为xgb模型。本申请实施例还公开了d1.一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如a1至a10中任一项所述的配送团队负载压力预测方法。当前第1页12