出餐时间预估方法及装置、电子设备及可读存储介质与流程

1.本发明涉及数据库技术领域，具体而言，涉及一种出餐时间预估方法及装置、电子设备及可读存储介质。


背景技术：

2.随着移动互联网的兴起，外卖成为一种比较常规就餐方式。对于用户来说，外卖即时配送服务中的外卖配送效率是影响用户体验的重要参数。而影响外卖配送效率的一个重要环节是订单出餐环节，即商家接单到商家备餐完成的过程。如果能够合理的预估出订单出餐时间，就可以为外卖即时配送智能调度系统提供精准的数据支撑，比如为优化骑手路径规划提供指导，提升外卖配送效率和用户体验。订单出餐时间是指外卖订单从商家接单到商家出餐的时间，即商家备餐时间，代表了这个订单出餐的难易程度。
3.相关技术中对出餐时间的预估过程中，在订单创建时刻即对出餐时间进行预估。但商家接单后出餐时间可能会受商家接单后其他新接订单的影响，比如接单后又新进了很多新的订单，使得本应该10min出餐的订单最终花费了15min出餐，因此导致在订单创建时刻预估得到出餐时长变得不准确。下游在使用预估出餐时长时，会在商家接单后的多个时刻调用预估出餐时间，然而无论在哪个时刻调用，现有方法都只能获得订单创建时刻预估的结果，而无法获得在调用时刻重新预估得到的出餐时长，难以去进行更鲁棒/稳健的决策。
4.在申请号为201810023130.5的技术方案中，公开了一种订单出餐时间预估模型构建、预估方法，用于提高订单出餐时间的预估精度。在申请号为201810023130.5的技术方案中，仅在订单创建的时间点进行预估，无论在哪个时刻调用，该技术方案中都只能获得订单创建时刻预估的结果，而本提案会根据实时信息的变化持续对出餐时间进行预估，因此预估出餐时间在后续时刻会变得不准确。
5.可见，相关技术中针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种出餐时间预估方法及装置、电子设备及可读存储介质，以至少解决由于相关技术中在出餐时间的预测过程中，仅基于订单创建时进行出餐时间的预测，导致出餐时间的预测结果不准确的技术问题。
7.根据本发明实施例的一个方面，提供了一种出餐时间预估方法，包括：在接收到订单查询请求后，获取目标商家对应的输入特征，其中，所述输入特征包括动态特征，所述动态特征包括多个时间点以及所述多个时间点对应的出餐特征；将所述输入特征输入至预先训练完成的出餐时间预测模型中，以得到所述订单查询请求对应的出餐时间。
8.根据本发明实施例的另一方面，还提供了一种出餐时间预估装置，包括：获取单元，用于在接收到订单查询请求后，获取目标商家对应的输入特征，其中，所述输入特征包括动态特征，所述动态特征包括多个时间点以及所述多个时间点对应的出餐特征；预测单
元，用于将所述输入特征输入至预先训练完成的出餐时间预测模型中，以得到所述订单查询请求对应的出餐时间。
9.根据本发明实施例的另一方面，还提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上所述的出餐时间预估方法的步骤。
10.根据本发明实施例的另一方面，还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的出餐时间预估方法的步骤。
11.在本发明实施例中，通过在接收到订单查询请求后，获取目标商家对应的输入特征，其中，输入特征包括动态特征，动态特征包括多个时间点以及多个时间点对应的出餐特征；将输入特征输入至预先训练完成的出餐时间预测模型中，以得到订单查询请求对应的出餐时间。达到了基于订单创建后的多个时刻的特征来预测出餐时间的目的，从而实现了提高出餐时间预测结果准确性的技术效果，进而解决了由于相关技术中在出餐时间的预测过程中，仅基于订单创建时进行出餐时间的预测，导致出餐时间的预测结果不准确的技术问题。
附图说明
12.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
13.图1是根据本发明实施例的一种可选的出餐时间预估方法的流程示意图；
14.图2是根据本发明实施例的一种可选的采集出餐特征的示意图；
15.图3是根据本发明实施例的一种可选的出餐时间预估模型的结构示意图；
16.图4是根据本发明实施例的一种可选的第二网络的结构示意图；
17.图5是根据本发明实施例的又一种可选的出餐时间预估模型的结构示意图；
18.图6是根据本发明实施例的一种可选的出餐时间预估装置的结构示意图。
具体实施方式
19.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
20.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
21.实施例1
22.根据本发明实施例，提供了一种出餐时间预估方法，如图1所示，该方法具体可以包括以下步骤：
23.s101，在接收到订单查询请求后，获取目标商家对应的输入特征，其中，输入特征包括动态特征，动态特征包括多个时间点以及多个时间点对应的出餐特征；
24.s102，将输入特征输入至预先训练完成的出餐时间预测模型中，以得到订单查询请求对应的出餐时间。
25.本发明实施例中所述的订单查询请求，是由预设终端发送至预设服务器的，订单查询请求中包括订单id以及订单id对应的目标商家编码，用于查询订单id对应的出餐时间。预设服务器中每隔预设时间会采集目标商家的商家信息，由商家信息中获取输入特征。
26.具体地，在本实施例中，目标商家的输入特征中包括动态特征，动态特征为在订单创建后到目标商家出餐前的一段时间内，可能会不断发生变化的特征，动态特征反映当前时刻的前一小段对应的信息，例如：商家最近一分钟的进单量、商家最近一分钟完成订单量、当前订单距离商家接单已经过去的时间等。
27.接下来，将目标商家对应的输入特征输入至预先训练完成的出餐时间预测模型中，动态特征包括每个特征采集时刻所对应的商家信息，通过将每个特征采集时刻采集的商家信息提取得到的动态特征输入至出餐时间预测模型，基于商家信息的变化情况来预测目标商家的出餐时间。
28.需要说明的是，通过本实施例，在接收到订单查询请求后，获取目标商家对应的输入特征，其中，输入特征包括动态特征，动态特征包括多个时间点以及多个时间点对应的出餐特征；将输入特征输入至预先训练完成的出餐时间预测模型中，以得到订单查询请求对应的出餐时间。达到了基于订单创建后的多个时刻的特征来预测出餐时间的目的，从而实现了提高出餐时间预测结果准确性的技术效果。
29.作为一种可选的技术方案，在本实施例中，在接收到订单查询请求后，获取目标商家对应的输入特征，包括但不限于：在接收到订单查询请求后，获取目标商家对应的静态特征；确定多个时间点以及多个时间点对应的出餐特征，其中，多个时间点之间的时间间隔相同。
30.具体地，在本实施例中，将目标商家对应的输入特征输入至预先训练完成的出餐时间预测模型中，输入特征中包括由目标商家的商家信息提取得到的动态特征以及目标商家的静态特征，静态特征为在订单创建后，不随时间改变的固定特征，例如：订单内的菜品价格总和、商家地理位置等，在商家接单时获取到的静态特征，在后面时刻都不会再发生变化。另一方面，在接收到订单查询请求后，确定多个时间点对应的目标商家的商家信息，从多个时间点对应的商家信息中提取对应的出餐特征。例如，如图2所示，假设时间间隔为2min，在创建订单后8分钟时接收到订单查询请求，则获取时间点订单创建0min、订单创建2min、订单创建4min、订单创建6min以及订单创建8min分别对应的出餐特征。在另一个例子中，仍假设时间间隔为2min，在创建订单后7分钟时接收到订单查询请求，则获取时间点订单创建0min、订单创建2min、订单创建4min、订单创建6min分别对应的出餐特征。
31.作为一种可选的技术方案，在本实施例中，多个时间点包括第一时间点以及多个第二时间点，第一时间点为接收到订单查询请求的时间点，第二时间点早于第一时间点，其
中，在接收到订单查询请求后，获取目标商家对应的输入特征，包括但不限于：在接收到订单查询请求后，获取目标商家对应的静态特征；确定第一时间点以及多个第二时间点；获取第一时间点以及多个第二时间点分别对应的出餐特征。
32.具体地，在本实施例中，在接收到订单查询请求后，确定多个时间点对应的目标商家的商家信息，从多个时间点对应的商家信息中提取对应的出餐特征，多个时间点之间的间隔可以存在差异，例如多个时间点包括第一时间点以及多个第二时间点，第一时间点为接收到订单查询请求的时间点，第二时间点为在创建订单之后，接收到订单查询请求之前的时间段中的时间点，多个第二时间点之间的时间间隔可以相同亦可以不同。
33.在一个例子中，假设在创建订单后7分钟时接收到订单查询请求，则获取时间点订单创建0min、订单创建2min、订单创建3min、订单创建6min以及接收订单查询请求的时间点(订单创建7min)分别对应的出餐特征。
34.通过上述实施例，基于静态特征以及包括第一时间点以及多个第二时间点的动态特征来预测出餐时间，能够进一步地提高预测结果的准确性。
35.作为一种可选的技术方案，在本实施例中，出餐时间预估模型包括第一网络以及第二网络，其中，将输入特征输入至预先训练完成的出餐时间预估模型中，以得到订单查询请求对应的出餐时间，包括但不限于：将静态特征以及动态特征输入至第一网络，以得到多个时间点对应的多个第一特征向量；将多个第一特征向量输入至第二网络，以得到多个时间点对应的多个预测时间；根据订单查询请求以及多个预测时间确定出餐时间。
36.本发明具体实施时，首先需要训练出餐时间预估模型。
37.本实施例中，根据订单出餐过程中采集的静态特征、动态特征数据构建训练样本集，该训练样本集中的每条训练样本包括：静态特征、动态特征以及出餐时间。其中，在训练样本中输入特征为静态特征与动态特征，出餐时间为训练样本的标签。
38.首先，获取网络平台或预设服务器中存储的订单出餐数据。通常，每个订单从创建订单到出餐都会生成一条订单出餐数据，在网络平台或预设服务器中存储的订单出餐数据至少包括以下信息：订单内的菜品数量、菜品价格总和、商家地理位置、商家单位时间内的进单量、商家单位时间的订单完成量、当前订单距离商家接单已经过去的时间。
39.然后，基于订单出餐数据构建训练样本，本发明的一些实施例中，通过对上述订单出餐数据进行处理，可以得到训练样本。每条训练样本包括：订单内的菜品数量、菜品价格总和、商家地理位置、商家单位时间内的进单量、商家单位时间的订单完成量、当前订单距离商家接单已经过去的时间等信息、出餐时间。其中，静态特征为：订单内的菜品数量、菜品价格总和、商家地理位置；动态特征为：多个时间点分别对应的商家单位时间的订单完成量、多个时间点分别对应的当前订单距离商家接单已经过去的时间等信息，其中，样本标签为订单的出餐时间。
40.接下来，基于构建的训练样本集训练所述出餐时间预测模型。将训练样本中静态特征以及动态特征作为模型输入，以出餐时间作为模型目标，训练出餐时间预测模型。其中，该出餐时间预测模型包括第一网络以及第二网络，第一网络中用于对输入特征进行编码，将输入特征转换为预设类型的第一特征向量。第二网络用于基于第一特征向量对出餐时间进行预测，然后得出每个时间点对应的预测时间，然后基于各个时间点对应的预测时间来获取出餐时间预测模型输出的出餐时间。
41.在一个例子中，如图3所示，出餐时间预测模型中包括第一网络310和第二网络320，第一网络310与出餐时间预测模型的输入端连接，用于对输入特征进行编码，将输入特征转换为预设类型的第一特征向量；第二网络320与出餐时间预测模型的输出端连接，用于基于第一特征向量对出餐时间进行预测，然后得出每个时间点对应的预测时间。
42.可选地，在本实施例中，出餐时间预测模型的第一网络部分采用mlp(multi-layer perceptron，多层感知器)结构，第一网络的具体结构参见现有技术。
43.作为一种可选的技术方案，在本实施例中，第二网络包括长短期记忆人工子网络以及全连接层，其中，将多个第一特征向量输入至第二网络，以得到多个时间点对应的预测时间，包括但不限于：根据多个第一特征向量对应的时间顺序，将多个第一特征向量依次输入至长短期记忆人工子网络，以得到多个第一特征向量对应的多个第二特征向量；将第二特征向量输入至全连接层，以得到多个时间点对应的多个预测时间。
44.具体地，在本实施例中，出餐时间预测模型的第二网络部分引入了长短期记忆人工子网络lstm以及全连接层。其中，长短期记忆人工子网络用于将多个第一特征向量转换为对应的多个第二特征向量，并将多个特征向量输入至全连接层中，以得到多个时间点对应的多个预测时间。
45.在一个例子中，如图4所示，在第二网络40中包括长短期记忆人工子网络410以及全连接层420，长短期记忆人工子网络410与第一子网络42的输出端连接，全连接层420与出餐时间预测模型的输出端连接。长短期记忆人工子网络410用于将多个第一特征向量转换为对应的多个第二特征向量，并将多个特征向量输入至全连接层420中，全连接层420用于基于多个第二特征向量确定多个时间点对应的多个预测时间。
46.作为一种可选的技术方案，在本实施例中，长短期记忆人工子网络包括多个处理模块，处理模块按照时间顺序排列，其中，根据多个第一特征向量对应的时间顺序，将多个第一特征向量依次输入至长短期记忆人工子网络，包括但不限于：根据时间顺序将第一特征向量以及状态向量输入至处理模块中，以得到第一特征向量对应的第二特征向量，其中，状态向量为当前处理模块的前一相邻的处理模块输出的第二特征向量。
47.具体地，在本实施例中，长短期记忆人工子网络中包括多个处理模块，每个处理模块用于处理单个时间点对应的第一特征向量，每个处理模块为lstm结构，用于对第一特征向量以及相邻的处理模块输出的状态向量进行处理，以输出当前处理模对应的第二特征向量。具体地，每个处理模块的输入包括处理模型对应的时间点对应的第一特征向量以及状态向量，输入至长短期记忆人工子网络中的第一个处理模块的状态向量为预设初始向量。
48.在一个例子中，如图5所示，多个时间点time分别为t＝0、t＝1、
…
、t＝t、t＝s，将多个时间点对应的输入特征s
t
输入至mlp网络50，以得到嵌入向量s1。将多个时间点对应的嵌入向量分别输入至lstm网络52中的与之对应的处理模块510中，第一个处理模块510的输入为预设初始向量以及时间点t＝0对应的嵌入向量s1，通过对预设初始向量s0以及时间点t＝0对应的嵌入向量s1进行处理，以得到第一个处理模块输出的第二特征向量s2，即状态向量s
δ
。相应地，在其他处理模块510的输入为状态向量s
δ
以及对应的嵌入向量s1。将各个处理模块输出的第二特征向量s2输入至全连接层网络54中，以得到与各个时间点对应的预测时间ty。
49.作为一种可选的技术方案，在本实施例中，在根据订单查询请求以及多个预测时
间确定出餐时间会后，包括但不限于：确定多个预测时间中第一时间点对应的目标预测时间，其中，第一时间点为接收到订单查询请求的时间点；获取目标预测时间对应的固定损失；根据多个时间点中两个相邻时间点对应的预测时间差值，确定目标预测时间对应的波动损失，其中，第二时间点为第一时间点相邻的时间点；根据固定损失以及波动损失对目标预测时间进行优化，以得到出餐时间。
50.具体地，在本实施例中，为了避免出餐慢样本对与预测结果的偏向性，因此在本实施例中引入了固定损失以及波动损失。
51.1)以下对固定损失的获取方式进行说明：
52.tj代表样本j的输入时序特征序列长度为tj，在每个时刻i的对应的标签为模型输出结果为则损失函数为：
[0053][0054]
其中，单个样本在时间点i的损失函数定义为：
[0055][0056]
具体地，在训练时根据验证集上的结果确定α和β的值，从而对总体和出餐时间较长的样本之间的建模效果进行平衡。
[0057]
2)以下对波动损失的确定方式进行说明：
[0058]
在本实施例中，波动损失是对连续两个时间点的预估结果的变化进行约束，减少出现出餐时长的跳变。
[0059]
该部分的损失函数为：
[0060][0061]
其首先将两个时刻的预估值根据label的差异对齐到同一维度，再计算两个时刻之间的波动，最后对所有样本的所有时刻的波动进行计算并平均，得到最终的波动损失。
[0062]
通过上述实施例，在接收到订单查询请求后，获取目标商家对应的输入特征，其中，输入特征包括动态特征，动态特征包括多个时间点以及多个时间点对应的出餐特征；将输入特征输入至预先训练完成的出餐时间预测模型中，以得到订单查询请求对应的出餐时间。达到了基于订单创建后的多个时刻的特征来预测出餐时间的目的，从而实现了提高出餐时间预测结果准确性的技术效果，进而解决了由于相关技术中在出餐时间的预测过程中，仅基于订单创建时进行出餐时间的预测，导致出餐时间的预测结果不准确的技术问题。
[0063]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0064]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施
例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0065]
实施例2
[0066]
根据本发明实施例，还提供了一种用于实施上述出餐时间预估方法的出餐时间预估装置，如图6所示，该装置包括：
[0067]
1)获取单元60，用于在接收到订单查询请求后，获取目标商家对应的输入特征，其中，所述输入特征包括动态特征，所述动态特征包括多个时间点以及所述多个时间点对应的出餐特征；
[0068]
2)预测单元62，用于将所述输入特征输入至预先训练完成的出餐时间预测模型中，以得到所述订单查询请求对应的出餐时间。
[0069]
可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。
[0070]
实施例3
[0071]
根据本发明实施例，还提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上所述的出餐时间预估方法的步骤。
[0072]
可选地，在本实施例中，存储器被设置为存储用于执行以下步骤的程序代码：
[0073]
s1,在接收到订单查询请求后，获取目标商家对应的输入特征，其中，所述输入特征包括动态特征，所述动态特征包括多个时间点以及所述多个时间点对应的出餐特征；
[0074]
s2,将所述输入特征输入至预先训练完成的出餐时间预测模型中，以得到所述订单查询请求对应的出餐时间。
[0075]
可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。
[0076]
实施例4
[0077]
本发明的实施例还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的出餐时间预估方法的步骤。
[0078]
可选地，在本实施例中，可读存储介质被设置为存储用于执行以下步骤的程序代码：
[0079]
s1,在接收到订单查询请求后，获取目标商家对应的输入特征，其中，所述输入特征包括动态特征，所述动态特征包括多个时间点以及所述多个时间点对应的出餐特征；
[0080]
s2,将所述输入特征输入至预先训练完成的出餐时间预测模型中，以得到所述订单查询请求对应的出餐时间。
[0081]
可选地，存储介质还被设置为存储用于执行上述实施例1中的方法中所包括的步骤的程序代码，本实施例中对此不再赘述。
[0082]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者
光盘等各种可以存储程序代码的介质。
[0083]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0084]
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0085]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0086]
在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0087]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0088]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0089]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。