接单时长预测方法、装置、电子设备及可读存储介质与流程

1.本发明属于网络技术领域，特别是涉及一种接单时长预测方法、装置、电子设备及可读存储介质。


背景技术：

2.目前，随着网络技术的不断发展，应运而生了各种便于人们生活的服务业务。例如，外卖、快递等即时配送业务，快车、专车、出租车等出行服务。服务平台为了合理刻画服务订单的难度，往往需要预测服务订单的接单时长。
3.现有技术中，往往是使用基于同一价格的服务订单训练得到的接单时长预测模型预测接单时长。这种方式预测得到的接单时长的准确性较低。


技术实现要素：

4.本发明提供一种接单时长预测方法、装置、电子设备及可读存储介质，以便解决模型的预测准确性较低的问题。
5.第一方面，本发明提供一种接单时长预测方法，所述方法包括：
6.获取待预测服务订单的订单相关信息；
7.将所述订单相关信息作为预设的接单时长预测模型的输入，根据所述接单时长预测模型预测所述待预测服务订单的接单时长；
8.其中，所述接单时长预测模型是根据不同价格的样本服务订单的订单相关信息及所述样本服务订单的目标接单时长训练的，所述目标接单时长是通过对所述样本服务订单的实际接单时长进行修正得到的，所述目标接单时长表征所述样本服务订单在降低价格因素影响的情况下的接单时长。
9.第二方面，本发明提供一种接单时长预测装置，所述装置包括：
10.第一获取模块，用于获取待预测服务订单的订单相关信息；
11.第一预测模块，用于将所述订单相关信息作为预设的接单时长预测模型的输入，根据所述接单时长预测模型预测所述待预测服务订单的接单时长；
12.其中，所述接单时长预测模型是根据不同价格的样本服务订单的订单相关信息及所述样本服务订单的目标接单时长训练的，所述目标接单时长是通过对所述样本服务订单的实际接单时长进行修正得到的，所述目标接单时长表征所述样本服务订单在降低价格因素影响的情况下的接单时长。
13.第三方面，本发明提供一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述接单时长预测方法。
14.第四方面，本发明提供一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述接单时长预测方法。
15.在本发明实施例中，获取待预测服务订单的订单相关信息，将订单相关信息作为
预设的接单时长预测模型的输入，根据接单时长预测模型预测所述待预测服务订单的接单时长。其中，接单时长预测模型是根据不同价格的样本服务订单的订单相关信息及样本服务订单的目标接单时长训练的，目标接单时长是通过对样本服务订单的实际接单时长进行修正得到的，目标接单时长表征样本服务订单在降低价格因素影响的情况下的接单时长。由于接单时长预测模型是通过获取的多种价格的样本服务订单及其对应的目标接单时长训练得到的，这样，一定程度上可以在降低价格因素影响的同时，为训练过程提供更丰富全面的训练数据，使模型可以学习到更全面的服务订单蕴含的特征，进而提高训练得到的接单时长预测模型的预测准确性。相应地，使用该接单时长预测模型预测接单时长，可以提高预测得到的接单时长的准确性。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明实施例提供的一种接单时长预测方法的步骤流程图；
18.图2是本发明实施例提供的一种回归结果示意图；
19.图3是本发明实施例提供的一种处理示意图；
20.图4是本发明实施例提供的另一种处理示意图；
21.图5是本发明实施例提供的一种价格设置过程示意图；
22.图6是本发明实施例提供的一种接单时长预测装置的结构图；
23.图7是本发明实施例提供的一种电子设备的结构图。
具体实施方式
24.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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.图1是本发明实施例提供的一种接单时长预测方法的步骤流程图，如图1所示，该方法可以包括：
26.步骤101、获取待预测服务订单的订单相关信息。
27.本发明实施例中，待预测服务订单可以是服务平台中需要预测接单时长的订单，例如，服务平台中新生成的服务订单。订单相关信息可以是会影响服务人员决定是否接单的信息。示例的，订单相关信息可以包括与订单本身相关的信息：订单的配送距离、价格、交付时长、预期收益，订单的发送时间等订单难度数据；与订单发送的区域环境有关的信息，例如，天气情况、交通情况等区域环境数据；与订单发送的城市环境有关的信息，例如，城市的治安情况等城市环境数据。
28.步骤102、将所述订单相关信息作为预设的接单时长预测模型的输入，根据所述接单时长预测模型预测所述待预测服务订单的接单时长；所述接单时长预测模型是根据不同
价格的样本服务订单的订单相关信息及所述样本服务订单的目标接单时长训练的，所述目标接单时长是通过对所述样本服务订单的实际接单时长进行修正得到的，所述目标接单时长表征所述样本服务订单在降低价格因素影响的情况下的接单时长。
29.本发明实施例中，样本服务订单可以是服务平台中已完成的历史服务订单。例如，可以将外卖平台中已完成的配送订单作为样本服务订单。服务订单的价格表征服务人员完成该服务订单可以获得的收益。不同价格的样本服务订单中，可以是每个样本服务订单的价格均不同，也可以是存在部分价格相同的样本服务订单，具体获取的样本服务订单的数量以及种类可以是根据实际需求确定的，本发明实施例对此不作限定。例如，样本服务订单可以是运送货物的运单，也可以是上门修理物品的修理订单，等等。进一步地，实际接单时长可以为该样本服务订单从发布到被服务人员接单所耗费的实际时长。例如，外卖平台中的商家在8月20号的8:00发布了一个外卖配送订单，该外卖配送订单在8月20号的8:10被骑手a接单，那么该外卖配送订单的实际接单时长为10分钟。具体的，实际接单时长可以从服务平台的记录的历史数据中获取。
30.由于样本服务订单涉及到多种价格的服务订单，覆盖面更加广泛。且相较于实际接单时长，样本服务订单的目标接单时长可以更加准确的表征样本服务订单的服务难度。因此，一定程度上可以提高训练获取的接单时长预测模型的预测准确性。相应地，可以根据待预测服务订单的订单相关信息生成待预测服务订单的特征表示，接单时长预测模型对待预测服务订单的特征表示进行处理，即可输出待预测服务订单的接单时长。可以提高通过该接单时长预测模型预测得到的接单时长的准确性。
31.本发明实施例提供的接单时长预测方法，获取待预测服务订单的订单相关信息，将订单相关信息作为预设的接单时长预测模型的输入，根据接单时长预测模型预测所述待预测服务订单的接单时长。其中，接单时长预测模型是根据不同价格的样本服务订单的订单相关信息及样本服务订单的目标接单时长训练的，目标接单时长是通过对样本服务订单的实际接单时长进行修正得到的，目标接单时长表征样本服务订单在降低价格因素影响的情况下的接单时长。由于接单时长预测模型是通过获取的多种价格的样本服务订单及其对应的目标接单时长训练得到的，这样，一定程度上可以在降低价格因素影响的同时，为训练过程提供更丰富全面的训练数据，使模型可以学习到更全面的服务订单蕴含的特征，进而提高训练得到的接单时长预测模型的预测准确性。相应地，使用该接单时长预测模型预测接单时长，可以提高预测得到的接单时长的准确性。
32.进一步地，在一种可选实施方式中，接单时长预测模型通过下述方式训练获取：
33.步骤a、获取不同价格的所述样本服务订单对应的订单相关信息及实际接单时长。
34.示例的，可以获取服务平台中每种价格对应的至少一个历史服务订单作为样本服务订单。示例的，假设服务平台中存在5种价格的历史服务订单：5元、10元、15元、20元及25元对应的历史服务订单。那么可以分别获取5元、10元、15元、20元及25元对应的历史服务订单作为样本服务订单，以确保样本服务订单可以覆盖到整个服务平台中。这样，可以最大程度确保样本服务订单的覆盖范围，避免由于数据缺失导致训练得到的模型存在偏差的问题，得后续使用样本服务订单训练得到的模型可以准确表征全量数据的分布，进而提高模型的预测效果。
35.示例的，服务订单的难度越大，服务人员对服务订单的接单意愿往往越低，理论上
就会导致服务订单的接单时长会越长，因此，往往会使用接单时长反映服务订单的难度。但是，受到服务订单的价格因素的影响，导致服务订单的实际接单时长并不能准确的表征服务订单的难度。例如，对于高配送距离或高交付时长的难度较大的服务订单，在价格较高的情况下，接单时长可能会较短。而难度较低的服务订单在价格较低的情况下，接单时长可能会较长。而在实际应用场景下，例如，在外卖配送场景、差异化定价、实时定价等场景下，往往需要依据服务订单的实际难度，在邮资成本预算的约束下，为不同服务订单分配合理公平且符合骑手预期的价格。以便于优化邮资分配结构，提升服务人员的总体接单意愿，降低整体的接单时长，优化用户体验。因此，在现有实现方式中，为了排除价格因素对接单时长的影响，以获得服务人员真实的反映在服务订单的接单时长上的服务订单难度，确保样本数据的准确性，往往是使用价格均为区域兜底价的服务订单作为样本数据，将区域兜底价下的服务订单的实际接单时长视为服务人员的客观接单时长，将客观接单时长作为订单难度的映射因子，根据样本数据进行联合回归分析，建立接单时长与难度相关因素的联合回归模型。然而虽然命中区域兜底价的服务订单的分布较为丰富，但由于命中区域兜底价的服务订单中往往缺乏难度较大的服务订单，例如，缺乏高配送距离或高交付时长的服务订单。因此，回归分析的回归结果往往不够准确。例如，图2是本发明实施例提供的一种回归结果示意图，如图2所示，仅依据虚线框内的样本数据分布进行回归分析得到的回归结果l1与依据虚线框内的样本数据分布以及虚线框外的样本数据分布一起进行回归分析得到的回归结果l2存在偏差。
36.步骤b、对所述实际接单时长进行修正，以获取所述样本服务订单的目标接单时长。
37.本发明实施例中，可以根据样本服务订单的订单相关信息及其对应的实际接单时长，确定价格因素对实际接单时长的影响量。根据影响量对实际接单时长进行修正，得到目标接单时长。这样，通过对样本服务订单的实际接单时长进行修正，后续过程中使用修正后的目标接单时长训练接单时长预测模型，可以确保样本数据的准确性，进而提高模型训练效果。
38.步骤c、根据所述样本服务订单及其对应的目标接单时长，训练获取所述接单时长预测模型。
39.本发明实施例中，可以将样本服务订单及其对应的目标接单时长作为训练数据，训练获取接单时长预测模型。这样，通过获取多种价格的样本服务订单，并使用不同价格的样本服务订单及其对应的目标接单时长，训练获取预测模型，一定程度上可以在降低价格因素影响的同时，为训练过程提供更丰富全面的训练数据，使模型可以学习到更全面的服务订单蕴含的特征，进而提高训练得到的接单时长预测模型的预测准确性。
40.可选的，样本服务订单可以包括第一样本订单及第二样本订单，所述第一样本订单的实际接单时长为第一实际时长，所述第二样本订单的实际接单时长为第二实际时长，所述第一样本订单与所述第二样本订单之间的价格差不同。相应地，在本发明实施例的一种可选实现方式中，对所述实际接单时长进行修正，以获取所述样本服务订单的目标接单时长的步骤，可以包括：
41.子步骤(1)：分别确定所述第一样本订单的第一预测时长及所述第二样本订单的第二预测时长；所述第一预测时长表征受到价格因素影响时的接单时长，所述第二预测时
长表征未受到价格因素影响时的接单时长。
42.本发明实施例中，第一样本订单可以为样本服务订单中价格最低的订单，例如，第一样本订单可以为命中兜底价的订单。第二样本订单可以为除第一样本订单外的其他样本服务订单。由于价格越低，一定程度上可以认为价格因素带来的影响更小，因此，将价格最低的样本服务订单作为第一样本订单，将其他样本服务订单作为第二样本订单，可以使得第一样本订单与第二样本订单之间的价格差值更具代表性。当然，也可以按照其他方式划分第一样本订单和第二样本订单，例如，选择价格最高的样本服务订单作为第一样本订单，将其他样本服务订单作为第二样本订单，本发明实施例对此不作限定。
43.进一步地，第一样本订单与第二样本订单之间存在价格差值，以第一样本订单为基准，可以认为第二样本订单的实际接单时长相较于该第一样本订单的实际接单时长受到该价格差值的影响，即，受到价格因素影响。相应地，可以认为第一样本订单的第一实际时长为第一样本订单在未受到价格差值产生的价格因素影响时的接单时长，第二样本订单的第二实际时长为第二样本订单在受到价格差值产生的价格因素影响时的接单时长，即，第一样本订单未受到价格因素影响时的接单时长，第二样本订单受到价格因素影响时的接单时长是根据实际数据可观测到。进一步地，可以分别确定第一样本订单的第一预测时长及第二样本订单的第二预测时长，通过生成第一预测时长集第二预测时长，弥补第一样本订单及第二样本订单无法通过实际数据观测到的参数，进而提高数据的全面性。
44.可选的，所述第二样本订单可以包括属于不同价格区间的第二样本订单，子步骤(1)可以包括：
45.子步骤(1a)：对于任一所述价格区间的第二样本订单，根据所述第一样本订单、所述第二样本订单、所述第一实际时长及所述第二实际时长，分别获取第一预测模型及第二预测模型。
46.本步骤中，第一预测模型可以表示为m0，第二预测模型可以表示为m1.具体的，可以根据第一样本订单及第一实际时长，以第一实际时长y0作为标签(label)，获取第一预测模型，根据第二样本订单及第二实际时长，以第二实际时长y1作为标签，获取第二预测模型。进一步地，可以通过加载预先训练好的预测模型以实现获取，也可以直接通过训练，获取预测模型。示例的，可以根据第一样本订单的订单相关信息确定第一样本订单的特征表示，并将该特征表示作为第一初始模型的输入，得到第一初始模型的预测输出，然后将第一样本订单对应的第一实际时长，作为标准输出，根据预测输出和标准输出确定第一初始模型的损失值，然后根据损失值对第一初始模型调参，直至第一初始模型收敛，即可得到第一预测模型。可以根据第二样本订单的订单相关信息确定第二样本订单的特征表示，并将该特征表示作为第二初始模型的输入，得到第二初始模型的预测输出，然后将第二样本订单对应的第二实际时长，作为标准输出，根据预测输出和标准输出确定第二初始模型的损失值，然后根据损失值对第二初始模型调参，直至第二初始模型收敛，即可得到第二预测模型。
47.子步骤(1b)：基于所述第二预测模型预测所述第一预测时长，以及基于所述第一预测模型，预测所述第二预测时长。
48.由于第一样本订单未受到价格差值影响，因此，可以使用第一样本订单表征未受到价格影响的订单，因此，可以使用根据第一样本订单训练得到的第一预测模型预测第二
预测时长。相应地，由于第二样本订单受到价格差值影响，因此，可以使用第二样本订单表征受到价格影响的订单，因此，可以使用根据第二样本订单训练得到的第二预测模型预测第一预测时长。具体的，可以是将第一样本订单的特征表示输入第二预测模型，将第二预测模型的输出作为第一预测时长。将第二样本订单的特征表示输入第一预测模型，将第一预测模型的输出作为第二预测时长。示例的，以x0表示第一样本订单，x1表示第二样本订单，那么第一预测时长可以表示m1(x0)，第二预测时长可以表示m0(x1)。
49.本发明实施例中，使用第一样本订单及第二样本订单分别训练获取第一预测模型及第二预测模型，并基于第一预测模型及第二预测模型预测获取第二预测时长及第一预测时长，由于模型预测的准确率往往较高，因此，一定程度上可以使得确定的预测时长更加准确。
50.当然也可以采用其他方式确定第一预测时长及第二预测时长。示例的，在第一样本订单的价格低于第二样本订单的情况下，可以为第一实际时长增加预设固定值，作为第一预测时长。为第二实际时长减去预设固定值，作为第二预测时长，本发明实施例对此不作限定。
51.可选的，本发明实施例中，每个所述价格区间中的最大值与最小值之间的差值为预设值，每个所述价格区间的价格范围不重叠。其中，该预设值可以为是根据实际需求设置，价格区间的价格范围可以依次递增。示例的，预设值可以0.5元，将第二样本订单分为[4.5-5.0)，[5.0-5.5)，
…
，[19.5-20.0)的等多个分组。这样，通过等间隔划分价格区域，针对每个价格区间分别训练，可以避免训练样本的价格跨度过大，导致预测不准确的问题，一定程度上可以提高训练的精度，进而提高后续对每个价格区间中的样本订单的接单时长的修正效果。同时，价格区间之间不存在重叠，可以避免价格区间之间出现重复数据，进而避免针对每个价格区间分别进行处理时，执行不必要的重复操作。
[0052]
子步骤(2)：根据所述第一实际时长与所述第一预测时长之间的第一差值、所述第二实际时长与所述第二预测时长之间的第二差值，获取变化量预测模型。
[0053]
由于价格因素会影响接单时长，上述确定预测时长以及确定实际时长与预测时长的过程可以理解为因果推断分析的过程，示例的，因果推断分析可以是基于元学习(meta-learner)方式实现的。实际时长与预测时长之间的差值可以理解为价格因素对接单时长的因果效应，即，由于用户价格因素干扰，导致的接单时长变化结果。具体的，可以通过第一实际时长与第一预测时长之间的第一差值，表征第一样本订单受到价格差值产生的价格因素影响时的接单时长的变化量，即，第一差值一定程度上可以体现价格因素对第一样本订单的实际接单时长的影响量，第一差值越大一定程度上可以说明第一样本订单的实际接单时长受价格因素影响较大。通过第二实际时长与第二预测时长之间的第二差值，表征第二样本订单受到价格差值产生的价格因素影响时的接单时长的变化量，即，第二差值一定程度上可以体现价格因素对第二样本订单的实际接单时长的影响量，第二差值越大一定程度上可以说明第二样本订单的实际接单时长受价格因素影响较大。因此，可以通过第一差值及第二差值训练获取变化量预测模型，相应地，训练得到的变化量预测模型的预测值一定程度上可以表征价格因素影响导致的接单时长的变化量，即价格因素对接单时长产生的影响量。
[0054]
子步骤(3)：根据所述变化量预测模型，确定所述样本服务订单的接单时长的变化
量。
[0055]
可选的，本发明实施例中，变化量预测模型可以包括第一变化量预测模型以及第二变化量预测模型。相应地，训练获取变化量预测模型时，可以根据所述第一差值训练获取所述第一变化量预测模型，以及，根据所述第二差值训练获取所述第二变化量预测模型。具体的，可以将第一样本订单的特征表示作为第一初始变化量模型的输入，得到第一初始变化量模型的预测输出，然后将第一差值作为标准输出，根据预测输出和标准输出确定第一初始变化量模型的损失值，之后根据损失值对第一初始变化量模型调参，直至第一初始变化量模型收敛，即可得到第一变化量预测模型。将第二样本订单的特征表示作为第二初始变化量模型的输入，得到第二初始变化量模型的预测输出，然后将第二差值作为标准输出，根据预测输出和标准输出确定第二初始变化量模型的损失值，之后根据损失值对第二初始变化量模型调参，直至第二初始变化量模型收敛，即可得到第二变化量预测模型。
[0056]
示例的，第一变化量预测模型可以表示为ml0，第二变化量预测模型可以表示为ml1，第一差值可以表示为m1(x0)-y0，具体训练时，可以将m1(x0)-y0作为ml0的标签。第二差值可以表示为y1-m0(x1)，具体训练时，可以将y1-m0(x1)作为ml1的标签。
[0057]
相应地，根据变化量预测模型确定变化量时，可以分别根据所述第一变化量预测模型及所述第二变化量预测模型，预测所述样本服务订单的第一变化量及第二变化量；根据预设权重，计算所述第一变化量及第二变化量的加权和，得到所述样本服务订单的接单时长的变化量。
[0058]
具体的，可以将样本服务订单的特征表示分别作为第一变化量预测模型及第二变化量预测模型的输入，将第一变化量预测模型及第二变化量预测模型分别作为第一变化量及第二变化量。
[0059]
进一步地，预设权重可以包括第一预设权重和第二预设权重，具体计算加权和之前，可以先通过预设公式计算倾向值g(x)，然后将倾向值作为第一预设权重，将固定数值1与倾向值的差值1-g(x)作为第二预设权重。假设第一变化量为ml0(x)，第二变化量为ml1(x)。那么可以得到加权和：g(x)
×
ml0(x) (1-g(x))
×
ml1(x)。其中，倾向值g(x)＝p(t＝1|x)，倾向值表示在真实情况下，当给定x的情况下，用户接受影响因素t干预的概率。当然，也可以根据实际需求设置固定值作为预设权重，例如，设置第一预设权重为0.4，第二预设权重为0.6，本发明实施例对此不作限定。
[0060]
相较于仅训练变化量预测模型，直接使用该变化量预测模型的输出作为样本服务订单的接单时长的变化量的方式。本发明实施例中通过训练多个变化量预测模型，针对一个样本服务订单，使用不同的变化量预测模型预测多个变化量，最后通过计算加权和综合这些变化量，作为样本服务订单最终的接单时长的变化量。这样，可以避免单个变化量预测模型的精度较差导致最终得到的接单时长的变化量的精度较差，进而一定程度上可以提高确定接单时长的变化量的精度。
[0061]
子步骤(4)：将所述样本服务订单的实际接单时长与所述变化量之间的差值，作为所述样本服务订单的目标接单时长。
[0062]
由于样本服务订单的接单时长的变化量可以表征样本服务订单受到价格因素影响时接单时长的变化量，因此，为实际接单时长减去变化量之后，可以实现一定程度上消除价格因素带来的影响，使得接单时长更客观，更能反映订单难度。因此，本步骤中，可以将实
际接单时长与变化量之间的差值，作为目标接单时长，该目标接单时长一定程度上可以理解为无价格因素影响的接单时长，即，价格因素影响降低为0的接单时长。示例的，对于样本服务订单x而言，假设实际接单时长为label(x)，那么目标接单时长可以表示为：label(x)-(g(x)
×
ml0(x) (1-g(x))
×
ml1(x))。
[0063]
本发明实施例中，通过获取变化量预测模型，根据变化量预测模型，确定样本服务订单的接单时长的变化量，将样本服务订单的实际接单时长与变化量之间的差值，作为目标接单时长，可以较为准确的实现对实际接单时长的修正，减少修正后得到的目标接单时长受到价格因素的影响，进而可以提高后续使用目标接单时长训练的模型的准确性。示例的，通过对难度较高的服务订单进行修正，可以使得训练数据中包括无价格因素影响的服务订单，进而使得后续训练过程中模型可以学习到针对难度较高的服务订单的预测能力，提高后续训练效果。进一步地，由于模型的准确性提高，相应地，基于模型预测的接单时长与实际情况的偏离程度会降低，即，可以使得预测的接单时长的均值和方差降低，进而提高接单时长整体的准确性。
[0064]
需要说明的是，由于本发明实施例是以第一样本订单为基准，通过第二样本订单相对于第一样本订单的价格差值表征价格因素对订单的接单时长的影响。因此，使用根据第一样本订单及第二样本订单训练的变化量预测模型对第一样本订单的变化量进行预测时，输出的预测值可能会与第一样本订单的实际接单时长较为接近。因此，在本发明的一种可选实施例中，可以仅根据变化量预测模型，确定第二样本订单的接单时长的变化量；将第二样本订单的实际接单时长与变化量之间的差值，作为第二样本订单的目标接单时长。将第一样本订单的实际接单时长直接确定为第一样本订单的目标接单时长，进而一定程度上减少计算操作，提高计算效率。
[0065]
下面以一具体实例进行说明。示例的，图3是本发明实施例提供的一种处理示意图，如图3所示，可以选择邮资价格命中兜底价的运单样本作为第一样本订单x0，定义预设值为deltap，将邮资价格为兜底价 deltap的运单样本作为第二样本订单x1(treatment＝1，t＝1)，其中，t＝1表示订单受到价格因素的影响。接着，可以以x0对应的骑手接单时长，即，x0的实际接单时长y0作为标签，根据x0，训练机器学习模型m0。以及以x1对应的骑手接单时长，即，x1的实际接单时长y1作为标签，根据x1，训练机器学习模型m1。接着可以通过m0和m1分别对x1和x0进行预测，得到预测结果m0(x1)以及m1(x0)。进一步地，可以以m1(x0)-y0作为标签，根据x0训练机器学习模型ml0。以及以y1-m0(x1)作为标签，根据x1训练机器学习模型ml1。最后，可以分别根据ml0及ml1对x1进行预测，并计算两个模型输出值的加权和，得到预测结果。本发明实施例中，通过依次训练m0、m1、ml0及ml1，基于这些模型对x1的实际接单时长进行校正，使得x1的接单时长可以更准确的反馈订单的实际难度，进而提高数据的准确性。
[0066]
可选的，本发明实施例中根据所述样本服务订单的订单相关信息及所述目标接单时长，训练获取所述接单时长预测模型的步骤，可以包括：
[0067]
子步骤(5)：根据所述样本服务订单的订单相关信息，生成所述样本服务订单的特征表示。
[0068]
本步骤中，可以对订单相关信息进行向量化，将向量化的结果作为特征表示。其中，订单相关信息的相关解释可以参照前述描述，此处不再赘述。
[0069]
子步骤(6)：根据所述样本服务订单的特征表示及所述目标接单时长，对待训练模型进行训练，以获取所述接单时长预测模型；所述待训练模型为非线性模型。
[0070]
本步骤中，待训练模型可以是根据实际需求预先设置的非线性模型。例如，待训练模型可以包括极端梯度提升(xgboost)模型，当然，待训练模型也可以是其他非线性模型，本发明实施例对此不作限定。示例的，通过对历史数据进行分析可以获知，在服务订单的配送距离较长，例如，配送距离超过4公里时，骑手的接单意愿会随着配送距离的增加急剧降低。即，对于配送距离这一因素而言，它与接单时长之间存在非线性关系。而在一种现有实现方式中，是通过线性回归的方式对各个难度相关原子因素进行定价梯度求解，后续根据求解的定价梯度为订单设置价格。这种定价方式会导致同一因素在全域数据分布上的定价梯度具有不变性，进而会导致价格设置的准确性较低。例如，在交付时长较长时，骑手对于交付时长的进一步提高不是非常敏感，此时应设置更低的定价梯度，而在配送距离较长的情况下，此时应设置更高的定价梯度。如果直接均使用同一定价梯度就无法兼顾到实际情况，进而就会导致准确性较低。本发明实施例中，以非线性模型作为待训练模型获取接单时长预测模型，使得训练好的接单时长预测模型可以以非线性拟合的方式兼顾实际情况，避免线性拟合导致模型表达能力受限的问题，进而使得在订单的相关信息与接单时长存在非线性关系的情况下，即，订单的相关信息与订单的难度反馈存在非线性关系的情况下，接单时长预测模型可以更准确的通过预测的接单时长刻画订单难度。
[0071]
示例的，图4是本发明实施例提供的另一种处理示意图，如图4所示，可以针对订单相关信息中的订单难度数据、区域环境数据、城市环境数据及时间特性数据分别生成订单难度特征、区域环境特征、城市环境特征及时间特征，接着，可以根据这些特征训练xgboost回归树模型。最后，可以通过训练好的模型刻画订单难度，得到订单难度刻画结果。其中，该订单难度刻画结果可以为接单时长预测模型预测的接单时长。
[0072]
进一步地，由于样本服务订单中包含不同价格的样本服务订单，即，包含不同难度的样本服务订单，同时，目标接单时长是修正后的无价格影响的接单时长。因此，基于样本服务订单的特征表示及目标接单时长训练，获取接单时长预测模型时，可以使接单时长预测模型在训练过程中学习到不同难度的样本服务订单的特点，以及学习到更准确预测无价格影响的接单时长的能力，进而可以确保训练得到的接单时长预测模型可以对不同难度的订单的准确预测，进而提高后续使用接单时长预测模型为订单定价的准确性。
[0073]
可选的，根据所述样本服务订单的特征表示及所述目标接单时长，对待训练模型进行训练，以获取所述接单时长预测模型的步骤，可以包括：
[0074]
子步骤(6a)：根据所述待训练模型和各个所述样本服务订单的特征表示，获取所述待训练模型为各个所述样本服务订单对应输出的预测接单时长。
[0075]
具体的，可以将各个样本服务订单的特征表示分别输入待训练模型，相应地，待训练模型可以根据特征表示进行处理，例如，通过卷积层、全连接层对提取到的特征进行一系列的处理，最终输出各个样本服务订单对应的预测接单时长。
[0076]
子步骤(6b)：根据各个所述样本服务订单对应的所述预测接单时长、所述目标接单时长及所述预测接单时长与预设约束条件之间的数据关系，对所述待训练模型中的模型参数进行调整，以获取所述接单时长预测模型。
[0077]
本发明实施例中，接单时长预测模型为对待训练模型训练完成之后得到的预测模
型。具体的，如果预测接单时长越接近目标接单时长，则可以认为模型对订单难度的刻画能力更好，预测订单在不受价格因素影响时的接单时长的能力越好，预测接单时长越偏离目标接单时长，则可以认为模型的预测能力越差。因此，本发明实施例中可以结合预测接单时长以目标接单时长计算损失值，根据损失值进行模型参数调整，进而优化待训练模型预测订单在不受价格因素影响时的接单时长的能力。
[0078]
进一步地，在实际应用场景中，订单的价格会与某些因素存在约束关系，例如，配送距离越大，订单的价格应该更高。相应地，为了确保后续使用接单时长预测模型确定价格时，可以使得价格满足业务约束，本发明实施例中，可以进一步根据预测接单时长与预设约束条件之间的数据关系进行参数调整。具体的，预设约束条件可以是根据实际情况设置，例如，预设约束条件可以为随着样本服务订单的配送距离越大，预测的接单时长越长，相应地，可以确定预测接单时长是否满足预设约束条件，如果不满足则对模型参数进行调整，以优化模型兼顾约束的能力。需要说明的是，本发明实施例中可以为待训练模型的训练任务设置指定参数，通过调整该指定参数控制训练后的待训练模型预测的接单时长满足预设的业务约束。示例的，指定参数可以为“monotone_constraints”参数。
[0079]
本发明实施例中，采用会影响服务人员决定是否接单的订单相关信息获取的特征表示进行训练，由于订单相关信息可以表征各方面的因素，因此，通过这些特征表示训练接单时长预测模型，一定程度上可以使得接单时长预测模型可以学习到综合各方面因素给出预测接单时长的能力。
[0080]
可选的，本发明实施例还可以在获取到接单时长预测模型之后，执行以下步骤：
[0081]
步骤d、对于各个预设服务区域，根据所述接单时长预测模型，预测所述预设服务区域中历史服务订单的目标接单时长。
[0082]
本发明实施例中，预设服务区域可以是根据实际情况划分的，示例的，预设服务区域可以为不同城市中不同区/县下的各个小区/村庄。由于不同服务区域的环境状况、气候状况、交通状况可能不同，因此，以预设服务区域为单位进行定价，可以确保为订单设置的价格更能匹配区域的实际情况，进而一定程度上确保准确性。
[0083]
进一步地，历史服务订单可以是该预设服务区域中之前完成的订单。可以将各个历史服务订单的特征表示输入接单时长预测模型，将接单时长预测模型的输出作为每个历史服务订单的目标接单时长。需要说明的还可以获取预设服务区域的线上订单来确定定价参数，本发明实施例对此不作限定。
[0084]
步骤e、根据所述历史服务订单的目标接单时长及所述预设服务区域的总预算价格，确定所述预设服务区域的定价参数。
[0085]
其中，预设服务区域的服务费预算可以是根据实际情况设置，示例的，可以结合预设服务区域的环境状况、气候状况、交通状况为预设服务区域设置为设置服务费预算，以确保总预算价格可以匹配预设服务区域的实际情况。例如，可以为环境状况、气候状况及交通状况较差的预设服务区域设置较高的总预算价格，为环境状况、气候状况及交通状况较好的预设服务区域设置较低的总预算价格。具体的，可将总预算价格与所有历史服务订单的目标接单时长的之和的比值，确定为定价参数。示例的，假设总预算价格为s，目标接单时长的之和为a，定价参数为α，那么可以得到α＝s/a。
[0086]
相较于现有方案中，针对每个预设服务区域，对应每个因素分别拟合一个定价梯
度，后续需要针对多个定价梯度进行处理的方式。本发明实施例中，直接使用可以综合各方面因素给出预测接单时长的接单时长预测模型，针对确定整个预设服务区域确定一个定价参数，进而一定程度可以减少后续所需处理的数据量，提高处理效率。
[0087]
步骤f、根据所述预设服务区域的定价参数及所述预设服务区域中的待预测服务订单的接单时长，为各个所述待预测服务订单设置价格。
[0088]
示例的，可以将定价参数与待预测服务订单的接单时长的乘积，作为该待预测服务订单的价格。或者，对该乘积进行进一步处理，例如，计算补贴调整值，根据进行补贴，对补贴后的结果进行修正，以确保满足约束条件。由于接单时长预测模型是通过前述步骤训练得到的可以准确刻画订单难度，预测不受价格影响的接单时长的模型。因此，使用该模型为待预测服务订单确定接单时长，并根据待预测服务订单的接单时长以及基于该模型确定的定价参数，为待预测服务订单设置价格，一定程度上可以确保设置价格的准确性。需要说明的是，上述所示的根据接单时长预测模型预测接单时长以及根据定价参数及接单时长设置价格的过程的执行主体可以与前述训练接单时长预测模型、确定预设服务区域的定价参数的执行主体不同，也可以相同。
[0089]
示例的，图5是本发明实施例提供的一种价格设置过程示意图，如图5所示，可以通过离线模型实现全域接单时长的数据填充，示例的，可以是获取服务平台中各个价格的服务订单，并将服务订单的实际接单时长修正为目标接单时长。然后，可以基于这些数据训练接单时长预测模型，并通过该模型求解定价参数，以及将该模型注册到线上模块，以方便后续对待预测服务订单设置价格时使用。进一步地，线上模块可以使用该模型预测待预测服务订单的接单时长，即，进行订单难度预测，接着，根据定价参数以及订单难度预测的结果，进行后续的补贴计算及约束处理操作，最后，进行结果输出。其中，结果输出可以是输出为待预测服务订单设置的价格。
[0090]
图6是本发明实施例提供的一种接单时长预测装置的结构图，该装置60可以包括：
[0091]
第一获取模块601，用于获取待预测服务订单的订单相关信息；
[0092]
第一预测模块602，用于将所述订单相关信息作为预设的接单时长预测模型的输入，根据所述接单时长预测模型预测所述待预测服务订单的接单时长；
[0093]
其中，所述接单时长预测模型是根据不同价格的样本服务订单的订单相关信息及所述样本服务订单的目标接单时长训练的，所述目标接单时长是通过对所述样本服务订单的实际接单时长进行修正得到的，所述目标接单时长表征所述样本服务订单在降低价格因素影响的情况下的接单时长。
[0094]
可选的，所述接单时长预测模型通过下述模块训练获取：
[0095]
第二获取模块，用于获取不同价格的所述样本服务订单对应的订单相关信息及实际接单时长；
[0096]
修正模块，用于对所述实际接单时长进行修正，以获取所述样本服务订单的目标接单时长；训练模块，用于根据所述样本服务订单的订单相关信息及所述目标接单时长，训练获取所述接单时长预测模型。
[0097]
可选的，所述样本服务订单包括第一样本订单及第二样本订单，所述第一样本订单的实际接单时长为第一实际时长，所述第二样本订单的实际接单时长为第二实际时长，所述修正模块602，具体用于：
[0098]
分别确定所述第一样本订单的第一预测时长及所述第二样本订单的第二预测时长；所述第一预测时长表征受到价格因素影响时的接单时长，所述第二预测时长表征未受到价格因素影响时的接单时长；
[0099]
根据所述第一实际时长与所述第一预测时长之间的第一差值、所述第二实际时长与所述第二预测时长之间的第二差值，获取变化量预测模型；
[0100]
根据所述变化量预测模型，确定所述样本服务订单的接单时长的变化量；
[0101]
将所述样本服务订单的实际接单时长与所述变化量之间的差值，作为所述样本服务订单的目标接单时长。
[0102]
可选的，所述第二样本订单包括属于不同价格区间的第二样本订单；所述修正模块，还具体用于：
[0103]
对于任一所述价格区间的第二样本订单，根据所述第一样本订单、所述第二样本订单、所述第一实际时长及所述第二实际时长，分别获取第一预测模型及第二预测模型；
[0104]
基于所述第二预测模型预测所述第一预测时长，以及基于所述第一预测模型，预测所述第二预测时长。
[0105]
可选的，每个所述价格区间中的最大值与最小值之间的差值为预设值，每个所述价格区间的价格范围不重叠。
[0106]
可选的，所述变化量预测模型包括第一变化量预测模型及第二变化量预测模型；所述修正模块，还具体用于：
[0107]
根据所述第一差值训练获取所述第一变化量预测模型，以及，根据所述第二差值训练获取所述第二变化量预测模型；
[0108]
分别根据所述第一变化量预测模型及所述第二变化量预测模型，预测所述样本服务订单的第一变化量及第二变化量；
[0109]
根据预设权重，计算所述第一变化量及第二变化量的加权和，得到所述样本服务订单的接单时长的变化量。
[0110]
可选的，所述训练模块，具体用于：
[0111]
根据所述样本服务订单的订单相关信息，生成所述样本服务订单的特征表示；
[0112]
根据所述样本服务订单的特征表示及所述目标接单时长，对待训练模型进行训练，以获取所述接单时长预测模型；
[0113]
其中，所述待训练模型为非线性模型。
[0114]
可选的，所述训练模块，还具体用于：
[0115]
根据所述待训练模型和各个所述样本服务订单的特征表示，获取所述待训练模型为各个所述样本服务订单对应输出的预测接单时长；
[0116]
根据各个所述样本服务订单对应的所述预测接单时长、所述目标接单时长及所述预测接单时长与预设约束条件之间的数据关系，对所述待训练模型中的模型参数进行调整，以获取所述目接单时长预测模型。
[0117]
可选的，所述装置60还包括：
[0118]
第二预测模块，用于对于各个预设服务区域，根据所述接单时长预测模型，预测所述预设服务区域中历史服务订单的目标接单时长；
[0119]
确定模块，用于根据所述历史服务订单的目标接单时长及所述预设服务区域的总
预算价格，确定所述预设服务区域的定价参数；
[0120]
设置模块，用于根据所述预设服务区域的定价参数及所述预设服务区域中的待预测服务订单的接单时长，为各个所述待预测服务订单设置价格。
[0121]
本发明实施例提供的接单时长预测装置，获取待预测服务订单的订单相关信息，将订单相关信息作为预设的接单时长预测模型的输入，根据接单时长预测模型预测所述待预测服务订单的接单时长。其中，接单时长预测模型是根据不同价格的样本服务订单的订单相关信息及样本服务订单的目标接单时长训练的，目标接单时长是通过对样本服务订单的实际接单时长进行修正得到的，目标接单时长表征样本服务订单在降低价格因素影响的情况下的接单时长。由于接单时长预测模型是通过获取的多种价格的样本服务订单及其对应的目标接单时长训练得到的，这样，一定程度上可以在降低价格因素影响的同时，为训练过程提供更丰富全面的训练数据，使模型可以学习到更全面的服务订单蕴含的特征，进而提高训练得到的接单时长预测模型的预测准确性。相应地，使用该接单时长预测模型预测接单时长，可以提高预测得到的接单时长的准确性。
[0122]
本发明还提供了一种电子设备，参见图7，包括：处理器701、存储器702以及存储在所述存储器上并可在所述处理器上运行的计算机程序7021，所述处理器执行所述程序时实现前述实施例的接单时长预测方法。
[0123]
本发明还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的接单时长预测方法。
[0124]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0125]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0126]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0127]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0128]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何
组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0129]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明的排序设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0130]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0131]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0132]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
[0133]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。