确定事件概率的方法、装置、存储介质和电子设备与流程

1.本公开涉及信息管理领域，具体地，涉及一种确定事件概率的方法、装置、存储介质和电子设备。


背景技术：

2.随着移动互联网的普及，越来越到的人选择通过网络平台进行生活用品、外卖以及生活服务等的消费。在通过网络平台购买服务的过程中，为了增加服务质量，需要统计在服务相关人员到达制定的地点时，服务提供方是否已经将服务实体制备完成。例如，在外卖订单的服务过程中，需要明确配送人员到达外卖商家时，外卖商家是否已出餐，或者，在网约车相关服务过程中，需要明确乘车人员到达约定地点时，服务车辆是否也已到达约定地点。就外卖订单而言，订单出餐时间是指外卖订单从商家接单到商家出餐的整个时间段，即商家备餐时间，代表了订单的出餐难度和商家的备餐能力。因此，对服务实体制备的完成时间相关的事件预测对于网络平台的服务质量的提升和配送人员的配送时间安排的辅助具备一定意义。


技术实现要素：

3.本公开的主要目的是提供一种确定事件概率的方法、装置、存储介质和电子设备，以解决相关技术中对出餐时间预测的规则复杂，样本数据限制较大，并且预测结果全面性较差的技术问题。
4.为了实现上述目的，本公开第一方面提供一种确定事件概率的方法，所述方法包括：
5.在接收到目标订单的情况下，获取能够表征所述目标订单的订单特征；
6.根据所述订单特征和具备目标权值的概率预测模型，获取所述目标订单针对于目标事件的事件概率分布，所述事件概率分布用于表征所述目标订单在所述目标订单被提交后的每个第一时间点之前已经出现目标事件的概率，所述目标事件为订单的服务提供方完成与所述订单相关联的服务实体；其中，
7.所述目标权值为在通过能够表征历史订单的历史订单特征将预设模型训练为所述概率预测模型的训练过程中根据所述预设模型输出的损失函数确定的权值，所述损失函数以所述历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，所述分类标记用于表征所述历史订单在所述第二时间点之前是否已出现所述目标事件。
8.可选的，在所述在接收到目标订单的情况下，获取能够表征所述目标订单的订单特征之前，所述方法还包括：
9.根据每个所述历史订单的配送人员行为信息，确定所述每个第二时间点对应的分类标记；其中，所述配送人员行为信息包括：配送人员到达所述历史订单的服务实体所处的目标地点的次数n、所述配送人员第i次到达所述历史订单的服务实体所处的目标地点的时间点、所述配送人员第i次离开所述目标地点的时间点以及所述配送人员确认取得所述服
务实体的第三时间点，i大于0，且，i小于或等于n；
10.在所述训练过程中，根据所述损失函数对所述预设模型的权值进行调整，直至所述预设模型的权值被调整为所述目标权值，以获取所述概率预测模型。
11.可选的，所述根据每个所述历史订单的配送人员行为信息，确定所述每个第二时间点对应的分类标记，包括：
12.根据所述配送人员行为信息确定每个所述历史订单对应的最小时间区间；其中，在所述最小时间区间的左端时间点和所述左端时间点之前，所述历史订单未出现所述目标事件，在所述最小时间区间的右端时间点和所述右端时间点之后，所述历史订单已出现所述目标事件；
13.针对于每个所述历史订单，根据所述最小时间区间和每个第四时间点，确定所述每个第四时间点对应的分类标记，所述第四时间点为所述历史订单被提交后的任一时间点；其中，
14.所述分类标记包括：第一标记、第二标记和空标记，所述第一标记用于表征所述历史订单在第四时间点之前已出现所述目标事件，所述第二标记用于表征所述历史订单在所述第四时间点之前未出现所述目标事件；
15.根据所述分类标记，从所述历史订单被提交后的多个所述第四时间点中确定多个所述第二时间点。
16.可选的，所述根据所述配送人员行为信息确定每个所述历史订单对应的最小时间区间，包括：
17.在i＝n，并且，所述配送人员第i次到达所述目标地点的时间点早于所述第三时间点的情况下，确定所述左端时间点和所述右端时间点均等于所述第三时间点；
18.在i＝n＝1，并且，所述配送人员第i次到达所述目标地点的时间点等于所述第三时间点情况下，确定所述右端时间点为所述第三时间点，并且所述最小时间区间不存在所述左端时间点；或者，
19.在i＝n，n>1，并且，所述配送人员第i次到达所述目标地点的时间点等于所述第三时间点情况下，确定所述右端时间点为所述第三时间点，并且所述左端时间点为所述配送人员第i-1次离开所述目标地点的时间点。
20.可选的，所述针对于每个所述历史订单，根据所述最小时间区间和每个所述第二时间点，确定每个所述第二时间点对应的分类标记，包括：
21.在所述第二时间点早于所述左端时间点的情况下，确定所述第二时间点对应的分类标记为所述第二标记；
22.在所述第二时间点晚于所述右端时间点的情况下，确定所述第二时间点对应的分类标记为所述第一标记；或者，
23.在所述第二时间点处于所述左端时间点和所述右端时间点之间的情况下，确定所述第二时间点对应的分类标记为所述空标记。
24.可选的，所述根据所述分类标记，从所述历史订单被提交后的多个第三时间点中确定多个所述第二时间点，包括：
25.将对应于所述第一标记或所述第二标记的第四时间点作为所述第二时间点，以从所述多个第四时间点中确定多个所述第二时间点。
26.可选的，所述预设模型包括：预设的分类预测层，所述在所述训练过程中，根据计算出的所述损失函数对所述预设模型的权值进行调整，以获取所述概率预测模型，包括：
27.针对于每个所述历史订单，将所述历史订单特征作为所述分类预测层的输入，以获取所述分类预测层输出的所述历史订单针对于所述目标事件的第一事件概率分布，所述第一事件概率分布用于表征所述历史订单在每个所述第二时间点已经出现所述目标事件的第一概率；
28.对所述第一事件概率分布进行累积求和，以获取所述历史订单针对于所述目标事件的第二事件概率分布，所述第二事件概率分布用于表征所述历史订单在每个所述第二时间点之前已经出现所述目标事件的第二概率；
29.根据每个所述第二时间点对应的所述分类标记和每个所述第二时间点对应的所述第二概率，确定每个所述第二时间点对应的损失函数；
30.根据所述损失函数对所述预测模型的权值进行调整，以确定所述目标权值并将具备所述目标权值的预设模型作为所述概率预测模型。
31.本公开第二方面提供一种确定事件概率的装置，所述装置包括：
32.特征获取模块，被配置成用于在接收到目标订单的情况下，获取能够表征所述目标订单的订单特征；
33.概率获取模块，被配置成用于根据所述订单特征和具备目标权值的概率预测模型，获取所述目标订单针对于目标事件的事件概率分布，所述事件概率分布用于表征所述目标订单在所述目标订单被提交后的每个第一时间点之前已经出现所述目标事件的概率，所述目标事件为订单的服务提供方完成与所述订单相关联的服务实体；其中，
34.所述目标权值为在通过能够表征历史订单的历史订单特征将预设模型训练为所述概率预测模型的训练过程中根据所述预设模型输出的损失函数确定的权值，所述损失函数以所述历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，所述分类标记用于表征所述历史订单在所述第二时间点之前是否已出现所述目标事件。
35.可选的，所述装置还包括：
36.标记确定模块，被配置成用于根据每个历史订单的配送人员行为信息，确定所述每个第二时间点对应的分类标记；其中，所述配送人员行为信息包括：配送人员到达所述历史订单的服务实体所处的目标地点的次数n、所述配送人员第i次到达所述历史订单的服务实体所处的目标地点的时间点、所述配送人员第i次离开所述目标地点的时间点以及所述配送人员确认取得所述服务实体的第三时间点，i大于0，且，i小于或等于n；
37.模型训练模块，被配置成用于在所述训练过程中，根据所述损失函数对所述预设模型的权值进行调整，直至所述预设模型的权值被调整为所述目标权值，以获取所述概率预测模型。
38.可选的，所述标记确定模块，被配置成用于：
39.根据所述配送人员行为信息确定每个所述历史订单对应的最小时间区间；其中，在所述最小时间区间的左端时间点和所述左端时间点之前，所述历史订单未出现所述目标事件，在所述最小时间区间的右端时间点和所述右端时间点之后，所述历史订单已出现所述目标事件；
40.针对于每个所述历史订单，根据所述最小时间区间和每个第四时间点，确定所述
每个第四时间点对应的分类标记，所述第四时间点为所述历史订单被提交后的任一时间点；其中，
41.所述分类标记包括：第一标记、第二标记和空标记，所述第一标记用于表征所述历史订单在第四时间点之前已出现所述目标事件，所述第二标记用于表征所述历史订单在所述第四时间点之前未出现所述目标事件；
42.根据所述分类标记，从所述历史订单被提交后的多个所述第四时间点中确定多个所述第二时间点。
43.可选的，所述标记确定模块，被配置成用于：
44.在i＝n，并且，所述配送人员第i次到达所述目标地点的时间点早于所述第三时间点的情况下，确定所述左端时间点和所述右端时间点均等于所述第三时间点；
45.在i＝n＝1，并且，所述配送人员第i次到达所述目标地点的时间点等于所述第三时间点情况下，确定所述右端时间点为所述第三时间点，并且所述最小时间区间不存在所述左端时间点；或者，
46.在i＝n，n>1，并且，所述配送人员第i次到达所述目标地点的时间点等于所述第三时间点情况下，确定所述右端时间点为所述第三时间点，并且所述左端时间点为所述配送人员第i-1次离开所述目标地点的时间点。
47.可选的，所述标记确定模块，被配置成用于：
48.在所述第二时间点早于所述左端时间点的情况下，确定所述第二时间点对应的分类标记为所述第二标记；
49.在所述第二时间点晚于所述右端时间点的情况下，确定所述第二时间点对应的分类标记为所述第一标记；或者，
50.在所述第二时间点处于所述左端时间点和所述右端时间点之间的情况下，确定所述第二时间点对应的分类标记为所述空标记。
51.可选的，所述标记确定模块，被配置成用于：
52.将对应于所述第一标记或所述第二标记的第四时间点作为所述第二时间点，以从所述多个第四时间点中确定多个所述第二时间点。
53.可选的，所述预设模型包括：预设的分类预测层，所述模型训练模块，被配置成用于：
54.针对于每个所述历史订单，将所述历史订单特征作为所述分类预测层的输入，以获取所述分类预测层输出的所述历史订单针对于所述目标事件的第一事件概率分布，所述第一事件概率分布用于表征所述历史订单在每个所述第二时间点已经出现所述目标事件的第一概率；
55.对所述第一事件概率分布进行累积求和，以获取所述历史订单针对于所述目标事件的第二事件概率分布，所述第二事件概率分布用于表征所述历史订单在每个所述第二时间点之前已经出现所述目标事件的第二概率；
56.根据每个所述第二时间点对应的所述分类标记和每个所述第二时间点对应的所述第二概率，确定每个所述第二时间点对应的损失函数；
57.根据所述损失函数对所述预测模型的权值进行调整，以确定所述目标权值并将具备所述目标权值的预设模型作为所述概率预测模型。
58.本公开第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的确定事件概率的方法的步骤。
59.本公开第四方面提供一种电子设备，包括：
60.存储器，其上存储有计算机程序；
61.处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面所述的确定事件概率的方法的步骤。
62.采用本公开提供的技术方案，至少可以达到如下技术效果：
63.在接收到目标订单的情况下，获取能够表征该目标订单的订单特征；根据该订单特征和具备目标权值的概率预测模型，获取该目标订单针对于目标事件的事件概率分布，该事件概率分布用于表征该目标订单在该目标订单被提交后的每个第一时间点之前已经出现目标事件的概率，该目标事件为订单的服务提供方完成服务实体的制备；其中，该目标权值为在通过能够表征历史订单的历史订单特征将预设模型训练为该概率预测模型的训练过程中根据该预设模型输出的损失函数确定的权值，该损失函数以该历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，该分类标记用于表征该历史订单在该第二时间点之前是否已出现该目标事件。能够利用历史订单中目标事件相关的时间信息训练模型，进而得到能够表征订单被提交后的一段时间内出现目标事件的概率分布，通过提高历史订单的时间信息的利用率，提高事件预测的精确度和预测范围。
64.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
65.附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
66.图1是根据一示例性实施例示出的一种确定事件概率的方法的流程图；
67.图2是根据图1示出的另一种确定事件概率的方法的流程图；
68.图3是根据图2示出的一种确定时间点分类标记的方法的流程图；
69.图4是根据图2示出的一种概率预测模型的训练方法的流程图；
70.图5是根据一示例性实施例示出的一种确定事件概率的装置的框图；
71.图6是根据图5示出的另一种确定事件概率的装置的框图；
72.图7是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
73.以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
74.在对服务实体制备的完成时间相关的事件预测的相关技术中，现有方案主要是从大规模的样本中清洗和筛选出小范围样本，通过小范围样本训练现有的机器学习模型，然后再根据训练好的概率预测模型对商家的出餐时间进行预估。上述的小范围样本为具备准确真实的出餐时间的订单样本，而无法准确预估出餐时间点的样本被弃用。但是上述的预测过程中，样本清洗规则非常严格，样本数据的利用率低，导致实际引入训练过程的样本无法体现整体样本的特性，造成训练出的模型的精确度较差。并且，在建模过程中通过大量的
出餐事件来拟合一个时间点(出餐的时间点)，而商家什么时候出餐本身是个不确定性很高的事件，仅仅拟合一个时间点使我们无法从样本中学习到事件不确定性，进而造成能够预测的时间范围也极小。而配送人员，仅根据一个预估的时间点，在无法判断该时间点的可信程度的情况下，做出的决策的准确性也较低。
75.发明人注意到这一问题，提出了一种新的确定事件概率的方法，具体如下：
76.图1是根据一示例性实施例示出的一种确定事件概率的方法的流程图，如图1所示，该方法包括以下步骤：
77.步骤101，在接收到目标订单的情况下，获取能够表征该目标订单的订单特征。
78.示例地，该目标订单为需要订单的服务提供方对订单相关的服务实体进行制作或准备的订单，实质来说，当服务实体已经被服务提供方完成并运送至订单的双方约定的地点时，可以认为该服务实体已经制备完成(即出现下列的目标事件)。例如，针对于外卖或快递业务，若商家已经制作好外卖餐品(下称出餐)或将需要运送的货物准备好并开始等待配送人员取货，可以认为该订单已出现该目标事件。针对于网约车业务，若司机已将车开始与乘客约定的地点，可以认为该订单已出现该目标事件。本实施例中以外卖业务为例对该确定事件概率的方法进行说明。
79.以外卖业务为例，在接收到目标订单后，目标订单附带的信息可以被转换为适用于模型输入和训练的特征数据(即上述的订单特征)。该订单特征能够唯一地表征该目标订单，具体地，该订单特征的特征类型可以包括：目标订单的时间特征、服务实体特征和商家提供过服务的历史服务特征等。该时间特征可以包括，例如，订单被提交的月份、日期(周几或者是否节假日)和时间(是否为午用餐高峰、晚用餐高峰或用餐较少空闲时间段等)；该服务实体特征可以包括：例如，外卖的价格、餐品数量、餐品名称和餐盒数量等；该历史服务特征可以包括：商家过去一段时间的接单量和平均出餐时间等。需要说明的是，此处提取的订单特征对应于对下列的概率预测模型进行训练之前的样本获取阶段从历史订单中提取出的历史订单特征。该订单特征与该历史订单特征具备相同类型的特征数据。
80.步骤102，根据该订单特征和具备目标权值概率预测模型，获取该目标订单针对于目标事件的事件概率分布。
81.其中，该事件概率分布用于表征该目标订单在该目标订单被提交后的每个第一时间点之前已经出现目标事件的概率，该目标事件为订单的服务提供方完成与该订单相关联的服务实体。
82.示例地，在提取出订单特征后，可以直接将该订单特征作为该概率预测模型的输入，以获取到该概率预测模型输出的事件概率分布。具体地，该事件概率分布以列表或图表的形式示出。上述的每个第一时间点可以为从订单提交的时间点开始的预设时间段内以预设时长为间隔的时间点。例如，该目标订单被提交的时间点为11点整，预设时长为40分钟，间隔为1分钟，此时示出的该事件概率分布可以包括：11点1分之前出餐概率10％，11点2分之前出餐概率15％，
…
11点20分之前出餐概率90％，11点21之前出餐概率92％等。后台的开发人员可以根据该事件概率分布对该商家的出餐速度进行分析。更重要的，可以直接将该事件概率分布提供至该目标订单的配送人员，配送人员可以根据该事件概率分布对自身的多个订单的取餐和送餐的顺序进行更精确的安排。
83.其中，该概率预测模型具备目标权值，该目标权值为在通过能够表征历史订单的
历史订单特征将预设模型训练为该概率预测模型的训练过程中根据该预设模型输出的损失函数确定的权值，该损失函数以该历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，该分类标记用于表征该历史订单在该第二时间点之前是否已出现该目标事件。
84.示例地，该预设模型为能够用于概率分类预测的由分类预测层、累积求和层和损失层组成的逻辑回归模型。该分类预测层包含神经网络模型，可以理解的是，该逻辑回归模型的训练过程包含正向传播阶段和反向传播阶段，在反向传播阶段，需要在损失层通过事件的二分类标签和正向传播阶段输出的概率值确定该概率值的损失函数(或称对数似然损失，log-likelihood loss)，该损失函数用于评价分类预测层在正向传播阶段做出的概率预测(训练过程中分类预测层输出的事件概率分布)的好坏。在训练的过程中，需要不断地根据正向传播阶段做出的概率预测的好坏通过预设的模型优化算法对权值进行调整，以使得损失函数最小化，而最小化对数损失基本等价于最大化正向传播阶段做出的概率预测的准确度。在正向传播阶段做出的概率预测的准确度被最大化后，训练出的分类预测层具备所述目标权值。训练出的包含具备上述目标权值的分类预测层的逻辑回归模型，即为上述的概率论预测模型。
85.综上所述，本公开的实施例所提供的技术方案，能够在接收到目标订单的情况下，获取能够表征该目标订单的订单特征；根据该订单特征和具备目标权值的概率预测模型，获取该目标订单针对于目标事件的事件概率分布，该事件概率分布用于表征该目标订单在该目标订单被提交后的每个第一时间点之前已经出现目标事件的概率，该目标事件为订单的服务提供方完成服务实体的制备；其中，该目标权值为在通过能够表征历史订单的历史订单特征将预设模型训练为该概率预测模型的训练过程中根据该预设模型输出的损失函数确定的权值，该损失函数以该历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，该分类标记用于表征该历史订单在该第二时间点之前是否已出现该目标事件。能够利用历史订单中目标事件相关的时间信息训练模型，进而得到能够表征订单被提交后的一段时间内出现目标事件的概率分布，通过提高历史订单的时间信息的利用率提高事件预测的精确度和预测范围。
86.图2是根据图1示出的另一种确定事件概率的方法的流程图，如图2所示，该方法还包括：
87.步骤103，根据每个该历史订单的配送人员行为信息，确定上述每个第二时间点对应的分类标记。
88.其中，该配送人员行为信息包括：配送人员到达该历史订单的服务实体所处的目标地点的次数n、该配送人员第i次到达该历史订单的服务实体所处的目标地点的时间点、该配送人员第i次离开该目标地点的时间点以及该配送人员确认取得该服务实体的第三时间点，i大于0，且，i小于或等于n。
89.示例地，该配送人员行为信息为从历史订单的订单信息中提取的信息。具体地，该订单信息中还包括商家的地址信息、配送人员的行动轨迹信息和配送人员通过自己的电子设备上述的自己已经取到餐(即取得配送实体)的时间信息。根据上述订单信息，即可以确定该配送人员到达商家的次数n、每次到达商家(目标地点)的时间点和该三时间点。
90.步骤104，在该训练过程中，根据该损失函数对该预设模型的权值进行调整，直至
该预设模型的权值被调整为该目标权值，以获取该概率预测模型。
91.图3是根据图1示出的一种确定分类标记的方法的流程图，如图3所示，该步骤103，包括：
92.步骤1031，根据该配送人员行为信息确定每个该历史订单对应的最小时间区间。
93.其中，在该最小时间区间的左端时间点和该左端时间点之前，该历史订单未出现该目标事件，在该最小时间区间的右端时间点和该右端时间点之后，该历史订单已出现该目标事件。
94.示例地，实际上该最小时间区间的含义为，根据现有的配送人员行为信息无法十分肯定地判断在该时间区间内商家是否已出餐。即，如果给定一个时间点，商家未出餐，则在这个时间点之前，商家也是未出餐的；或者，如果给定一个时间点，商家已出餐，则在这个时间点之后，商家也是已出餐的，但是上述两个给定的时间点未必是重合的，因此期间可能存在一个不确定的时间区间，即该最小时间区间。
95.示例地，如上可知，这段最小时间区间内的时间点(以及时间点对应的特征数据)对于后续的模型训练过程是没有意义的，因此在步骤103中，首先需要确定这个最小时间区间。具体地，根据配送人员的实际情况，若配送人员最后一次到达商家，等待一段时间后取到餐，则可以认为最小时间区间的左端时间点和右端时间点重合，该最小时间区间实际上为一个时间点，该时间点为配送人员确认的取到餐的时间点(该第三时间点)。若配送人员最后一次到达商家立马取到餐，且过去没有进入或离开商家的行为，则可以认为右端时间点为该第三时间点，但无法判断该左端时间点。这种情况下得到的最小时间区间和多单的情况(配送人员一次从一个商家取走了多个订单的餐品)是相同的。若配送人员最后一次到达商家立马取到餐，且过去存在进入或离开商家的行为，则可以认为该右端时间点为该第三时间点，左端时间点为配送人员倒数第二次离开商家的时间点。
96.示例地，基于上述理论，该步骤1031，包括：在i＝n，并且，该配送人员第i次到达该目标地点的时间点早于该第三时间点的情况下，确定该左端时间点和该右端时间点均等于该第三时间点；在i＝n＝1，并且，该配送人员第i次到达该目标地点的时间点等于该第三时间点情况下，确定该右端时间点为该第三时间点，并且该最小时间区间不存在该左端时间点；或者，在i＝n，n>1，并且，该配送人员第i次到达该目标地点的时间点等于该第三时间点情况下，确定该右端时间点为该第三时间点，并且该左端时间点为该配送人员第i-1次离开该目标地点的时间点。
97.步骤1032，针对于每个该历史订单，根据该最小时间区间和每个第四时间点，确定上述每个第四时间点对应的分类标记，该第四时间点为该历史订单被提交后的任一时间点。
98.其中，该分类标记包括：第一标记、第二标记和空标记，该第一标记用于表征该历史订单在第四时间点之前已出现该目标事件，该第二标记用于表征该历史订单在该第四时间点之前未出现该目标事件。
99.示例地，该步骤1032可以包括：在该第二时间点早于该最小时间区间的左端时间点的情况下，确定该第二时间点对应的分类标记为该第二标记；在该第二时间点晚于该最小时间区间的右端时间点的情况下，确定该第二时间点对应的分类标记为该第一标记；或者，在该第二时间点处于该左端时间点和该右端时间点之间的情况下，确定该第二时间点
对应的分类标记为该空标记。在实际处理中，该第一标记可以表示为1，该第二标记可以表示为0，该空标记可以表示为null。
100.步骤1033，根据该分类标记，从该历史订单被提交后的多个该第四时间点中确定多个该第二时间点。
101.示例地，将对应于该第一标记或该第二标记的第四时间点作为该第二时间点，以从上述多个第四时间点中确定多个该第二时间点。
102.示例地，在确定了上述的最小时间区间后，在步骤1023和1033中，一方面确定每个时间点的分类标记，另一方面根据这些分类标记清洗一些时间点(以及其相应的特征数据)。可以理解的是，在本公开实施例中，该第四时间点和第二时间点的表述用于区分所有被标记的时间点和保留下来的时间点。具体来说，上述的第四时间点可以为历史订单被提交后一段时间内的多个(例如，50个)时间点，但是，在步骤1023后，每个第四时间点都附带有分类标记，但可能出现第四时间点对应于空标记的情况。这些空标记无法作为计算损失函数的依据，因此，在步骤1033中，将附带空标记的第四时间点(以及其相应的特征数据)清洗掉，清洗后的第二时间点的数量小于50。
103.图4是根据图1示出的一种概率预测模型的训练方法的流程图，该预设模型包括：预设的分类预测层，如图4所示，该步骤104，包括：
104.步骤1041，针对于每个该历史订单，将该历史订单特征作为该分类预测层的输入，以获取该分类预测层输出的该历史订单针对于该目标事件的第一事件概率分布。
105.其中，该第一事件概率分布用于表征该历史订单在每个该第二时间点已经出现该目标事件的第一概率。
106.示例地，该预设模型实际由该分类预测层、累积求和层(cumsum模型)以及损失层组成。除了神经网络模型外，该分类预测层还包括softmax激活层。该历史订单可以对应有，例如，50个，第四时间点(以及其相应的特征数据)，但是，在上述的步骤1031-1033后，该历史订单对应的时间点(以及其相应的特征数据)被清洗为30个。基于此，该神经网络和softmax激活层组成的分类预测层实际为能够输出30维向量的分类预测模型。每个向量对应一个第二时间点，用于表征在该第二时间点已经出餐的概率值。
107.步骤1042，对该第一事件概率分布进行累积求和，以获取该历史订单针对于该目标事件的第二事件概率分布。
108.其中，该第二事件概率分布用于表征该历史订单在每个该第二时间点之前已经出现该目标事件的第二概率。
109.示例地，该步骤1042为通过上述的累积求和层获取出餐的累积概率分布的过程。具体地，在该累积求和层中，将步骤1041中输出的时间点a(任一第二时间点)对应的第一概率与早于该时间点a的所有第二时间点对应的第一概率进行求和，即可以得到该第二事件概率分布。
110.步骤1043，根据每个该第二时间点对应的该分类标记和每个该第二时间点对应的该第二概率，确定每个该第二时间点对应的损失函数。
111.步骤1044，根据该损失函数对该预测模型的权值进行调整，以确定该目标权值并将具备该目标权值的预设模型作为该概率预测模型。
112.示例地，在步骤1043中，30个第二时间点对应于30个损失函数，根据不同的损失优
化算法，可以根据上述30个损失函数的总和，或者上述30个损失函数的平均值，对该预测模型的权值(实际为神经网络的权值)进行优化。重复执行上述步骤1042至步骤1044，既可以不断地对该权值进行优化，直至损失函数最小化，进而得到具备该目标权值的预设模型作为该概率预测模型
113.综上所述，本公开的实施例所提供的技术方案，能够在接收到目标订单的情况下，获取能够表征该目标订单的订单特征；根据该订单特征和具备目标权值的概率预测模型，获取该目标订单针对于目标事件的事件概率分布，该事件概率分布用于表征该目标订单在该目标订单被提交后的每个第一时间点之前已经出现目标事件的概率，该目标事件为订单的服务提供方完成服务实体的制备；其中，该目标权值为在通过能够表征历史订单的历史订单特征将预设模型训练为该概率预测模型的训练过程中根据该预设模型输出的损失函数确定的权值，该损失函数以该历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，该分类标记用于表征该历史订单在该第二时间点之前是否已出现该目标事件。能够利用历史订单中目标事件相关的时间信息训练模型，进而得到能够表征订单被提交后的一段时间内出现目标事件的概率分布，通过提高历史订单的时间信息的利用率提高事件预测的精确度和预测范围。
114.图5是根据一示例性实施例示出的一种确定事件概率的装置的框图，如图5所示，该装置500包括：
115.特征获取模块510，被配置成用于在接收到目标订单的情况下，获取能够表征该目标订单的订单特征；
116.概率获取模块520，被配置成用于根据该订单特征和具备目标权值的概率预测模型，获取该目标订单针对于目标事件的事件概率分布，该事件概率分布用于表征该目标订单在该目标订单被提交后的每个第一时间点之前已经出现目标事件的概率，该目标事件为订单的服务提供方完成服务实体的制备；其中，
117.该目标权值为在通过能够表征历史订单的历史订单特征将预设模型训练为该概率预测模型的训练过程中根据该预设模型输出的损失函数确定的权值，该损失函数以该历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，该分类标记用于表征该历史订单在该第二时间点之前是否已出现该目标事件。
118.综上所述，本公开的实施例所提供的技术方案，能够在接收到目标订单的情况下，获取能够表征该目标订单的订单特征；根据该订单特征和具备目标权值的概率预测模型，获取该目标订单针对于目标事件的事件概率分布，该事件概率分布用于表征该目标订单在该目标订单被提交后的每个第一时间点之前已经出现目标事件的概率，该目标事件为订单的服务提供方完成服务实体的制备；其中，该目标权值为在通过能够表征历史订单的历史订单特征将预设模型训练为该概率预测模型的训练过程中根据该预设模型输出的损失函数确定的权值，该损失函数以该历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，该分类标记用于表征该历史订单在该第二时间点之前是否已出现该目标事件。能够利用历史订单中目标事件相关的时间信息训练模型，进而得到能够表征订单被提交后的一段时间内出现目标事件的概率分布，通过提高历史订单的时间信息的利用率提高事件预测的精确度和预测范围。
119.图6是根据图5示出的另一种确定事件概率的装置的框图，如图6所示，该装置500
还包括：
120.标记确定模块530，被配置成用于根据每个历史订单的配送人员行为信息，确定上述每个第二时间点对应的分类标记；其中，该配送人员行为信息包括：配送人员到达该历史订单的服务实体所处的目标地点的次数n、该配送人员第i次到达该历史订单的服务实体所处的目标地点的时间点、该配送人员第i次离开该目标地点的时间点以及该配送人员确认取得该服务实体的第三时间点，i大于0，且，i小于或等于n；
121.模型训练模块540，被配置成用于在该训练过程中，根据该损失函数对该预设模型的权值进行调整，直至该预设模型的权值被调整为该目标权值，以获取该概率预测模型。
122.可选的，该标记确定模块530，被配置成用于：
123.根据该配送人员行为信息确定每个该历史订单对应的最小时间区间；其中，在该最小时间区间的左端时间点和该左端时间点之前，该历史订单未出现该目标事件，在该最小时间区间的右端时间点和该右端时间点之后，该历史订单已出现该目标事件；
124.针对于每个该历史订单，根据该最小时间区间和每个第四时间点，确定上述每个第四时间点对应的分类标记，该第四时间点为该历史订单被提交后的任一时间点；其中，
125.该分类标记包括：第一标记、第二标记和空标记，该第一标记用于表征该历史订单在第四时间点之前已出现该目标事件，该第二标记用于表征该历史订单在该第四时间点之前未出现该目标事件；
126.根据该分类标记，从该历史订单被提交后的多个该第四时间点中确定多个该第二时间点。
127.可选的，该标记确定模块530，被配置成用于：
128.在i＝n，并且，该配送人员第i次到达该目标地点的时间点早于该第三时间点的情况下，确定该左端时间点和该右端时间点均等于该第三时间点；
129.在i＝n＝1，并且，该配送人员第i次到达该目标地点的时间点等于该第三时间点情况下，确定该右端时间点为该第三时间点，并且该最小时间区间不存在该左端时间点；或者，
130.在i＝n，n>1，并且，该配送人员第i次到达该目标地点的时间点等于该第三时间点情况下，确定该右端时间点为该第三时间点，并且该左端时间点为该配送人员第i-1次离开该目标地点的时间点。
131.可选的，该标记确定模块530，被配置成用于：
132.在该第二时间点早于该左端时间点的情况下，确定该第二时间点对应的分类标记为该第二标记；
133.在该第二时间点晚于该右端时间点的情况下，确定该第二时间点对应的分类标记为该第一标记；或者，
134.在该第二时间点处于该左端时间点和该右端时间点之间的情况下，确定该第二时间点对应的分类标记为该空标记。
135.可选的，该标记确定模块530，被配置成用于：
136.将对应于该第一标记或该第二标记的第四时间点作为该第二时间点，以从上述多个第四时间点中确定多个该第二时间点。
137.可选的，该预设模型包括：预设的分类预测层，该模型训练模块540，被配置成用
于：
138.针对于每个该历史订单，将该历史订单特征作为该分类预测层的输入，以获取该分类预测层输出的该历史订单针对于该目标事件的第一事件概率分布，该第一事件概率分布用于表征该历史订单在每个该第二时间点已经出现该目标事件的第一概率；
139.对该第一事件概率分布进行累积求和，以获取该历史订单针对于该目标事件的第二事件概率分布，该第二事件概率分布用于表征该历史订单在每个该第二时间点之前已经出现该目标事件的第二概率；
140.根据每个该第二时间点对应的该分类标记和每个该第二时间点对应的该第二概率，确定每个该第二时间点对应的损失函数；
141.根据该损失函数对该预测模型的权值进行调整，以确定该目标权值并将具备该目标权值的预设模型作为该概率预测模型。
142.综上所述，本公开的实施例所提供的技术方案，能够在接收到目标订单的情况下，获取能够表征该目标订单的订单特征；根据该订单特征和具备目标权值的概率预测模型，获取该目标订单针对于目标事件的事件概率分布，该事件概率分布用于表征该目标订单在该目标订单被提交后的每个第一时间点之前已经出现目标事件的概率，该目标事件为订单的服务提供方完成服务实体的制备；其中，该目标权值为在通过能够表征历史订单的历史订单特征将预设模型训练为该概率预测模型的训练过程中根据该预设模型输出的损失函数确定的权值，该损失函数以该历史订单被提交后的每个第二时间点对应的分类标记作为计算依据，该分类标记用于表征该历史订单在该第二时间点之前是否已出现该目标事件。能够利用历史订单中目标事件相关的时间信息训练模型，进而得到能够表征订单被提交后的一段时间内出现目标事件的概率分布，通过提高历史订单的时间信息的利用率提高事件预测的精确度和预测范围。
143.示例地，图7是根据一示例性实施例示出的一种电子设备700的框图。参照图7，电子设备700包括处理器701，其数量可以为一个或多个，以及存储器702，用于存储可由处理器701执行的计算机程序。存储器702中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器701可以被配置为执行该计算机程序，以执行上述的确定事件概率的方法。
144.另外，电子设备700还可以包括电源组件703和通信组件704，该电源组件703可以被配置为执行电子设备700的电源管理，该通信组件704可以被配置为实现电子设备700的通信，例如，有线或无线通信。此外，该电子设备700还可以包括输入/输出(i/o)接口705。电子设备700可以操作基于存储在存储器702的操作系统，例如windows servertm，mac os xtm，unixtm，linuxtm等等。
145.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的确定事件概率的方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的确定事件概率的方法。
146.以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
147.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。