信息显示方法、装置、电子设备和计算机可读介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及信息显示方法、装置、电子设备和计算机可读介质。


背景技术：

2.随着新零售的发展，online to offline(简称o2o)已经成为一个趋势。越来越多的实体商家利用互联网拓宽自己的客户群体，同时有更多的人选择在线下单。生鲜商品和其他商品相比，具有容易腐烂变质的特点，这就对配送时间提出了更高的要求。当用户在线下单时，可以根据自身需要选择配送(履约)的时段。现有技术根据历史每天的配送情况，得到每个配送员的配送能力，并将配送能力作为履约结果信息推送。
3.然而，当采用上述方式进行信息推送时，经常会存在如下技术问题：
4.第一，提前预设每天的配送任务要求，存在配送员空置的情况，限制了潜在单量。而根据历史配送情况确定履约结果信息，不能实时调整履约结果信息。
5.第二，由于历史配送情况受多种不同因素的影响，直接根据历史配送情况预测履约结果信息，预测水平较低，从而导致无法及时完成配送任务，或由于配送订单较少造成大量人力资源浪费。


技术实现要素：

6.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
7.本公开的一些实施例提出了信息显示方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
8.第一方面，本公开的一些实施例提供了一种用于信息显示的方法，该方法包括：获取输入下单信息集、输入促销信息集、员工信息集；将输入下单信息集和输入促销信息集输入预先训练的预测模型，生成目标下单信息集；基于员工信息集，生成目标能力信息集；确定未完成结果信息集；基于目标下单信息集、目标能力信息集和未完成结果信息集，生成履约结果信息；将履约结果信息推送至具有显示功能的目标设备，以及控制目标设备显示履约结果信息。
9.第二方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
10.第三方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
11.本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的信息显示的方法能够根据目标下单信息集、目标能力信息集和未完成结果信息集实时调整履约
结果信息，提高了对履约结果信息的预测水平，提升了员工履约能力，改进了履约服务水平。具体来说，发明人发现，造成履约结果信息的预测水平不够高的原因在于：历史配送情况受多种不同因素的影响，直接根据历史配送情况预测履约结果信息，预测水平较低，从而导致无法及时完成配送任务，或由于配送订单较少造成大量人力资源浪费。此外，不能根据实际配送员工作量情况实时调整履约结果信息，限制了潜在单量。基于此，首先，本公开的一些实施例将输入下单信息集和输入促销信息集输入预先训练的预测模型，生成目标下单信息集。其中，预先训练的预测模型基于样本输入信息集以及与样本输入信息集对应的样本下单信息集进行训练得到。基于不同天气状况、日期情况、门店位置、人员配置情况等因素收集的大量数据构建样本输入信息集以及与样本输入信息集对应的样本下单信息集，该样本输入信息集中包括了大量历史配送情况，并对这些情况进行了结构化处理，能够考虑多种不同因素的影响，提高了训练得到的预测模型的预测水平。依托结构化处理的样本数据和预测模型，能够提升预测水平。其次，本公开的一些实施例基于目标下单信息集、目标能力信息集和未完成结果信息集，利用马尔可夫随机场模型生成履约结果信息。该方法能够根据当前时刻未完成结果信息集实时调整履约结果信息，能够根据当前时刻实际配送员工作量情况实时调整履约结果信息，从而充分满足潜在单量的需求。
附图说明
12.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
13.图1是本公开的一些实施例可以应用于其中的示例性系统的架构图；
14.图2是根据本公开的信息显示方法的一些实施例的流程图；
15.图3是根据本公开的用于训练预测模型的训练步骤的流程图；
16.图4是适于用来实现本公开的一些实施例的终端设备的结构示意图。
具体实施方式
17.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
18.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
19.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
20.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
21.下面将参考附图并结合实施例来详细说明本公开。
22.图1示出了可以应用本公开的信息显示方法的实施例的示例性系统架构100。
23.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。
网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
24.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如数据处理应用、信息显示应用、数据分析应用等。
25.终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种终端设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供下单信息集输入等)，也可以实现成单个软件或软件模块。在此不做具体限定。
26.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103输入的目标数据进行存储的服务器等。服务器可以对接收到的下单信息集进行处理，并将处理结果(例如履约结果信息)反馈给终端设备。
27.需要说明的是，本公开实施例所提供的信息显示方法可以由服务器105，也可以由终端设备执行。
28.需要指出的是，服务器105的本地也可以直接存储下单信息集，服务器105可以直接提取本地的数据通过处理后得到履约结果信息，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。
29.还需要指出的是，终端设备101、102、103中也可以安装有信息显示应用，此时，处理方法也可以由终端设备101、102、103执行。此时，示例性系统架构100也可以不包括服务器105和网络104。
30.需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供信息显示服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
31.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备、网络和服务器。
32.继续参考图2，示出了根据本公开的信息显示方法的一些实施例的流程200。该信息显示方法，包括以下步骤：
33.步骤201，获取输入下单信息集、输入促销信息集、员工信息集。
34.在一些实施例中，信息显示方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取输入下单信息集、输入促销信息集、员工信息集。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
35.可选的，输入下单信息集包括第一数目个输入下单信息。具体的，第一数目可以是48。输入下单信息集中的输入下单信息可以以半小时作为一个时间周期统计。输入下单信息集包括48个输入下单信息。输入下单信息可以是由用户或外界设备输入的一天之内一个时间周期中门店产生的下单数量。具体的，输入下单信息可以是下单数量。输入下单信息集包括从当前时刻算起前第二数目个小时内的输入下单信息。具体的，第二数目可以是24。输
入下单信息集中的输入下单信息为当前时刻之前24个小时之内的输入下单信息。
36.可选的，输入促销信息集中的输入促销信息包括输入计划销售单量和促销类型。促销类型包括第一促销类型和第二促销类型。具体的，第一促销类型可以是节假促销，第二促销类型可以是普通促销。输入计划销售单量可以是由用户或外界设备输入的计划在一定时间周期内销售完毕的订单总数量。
37.可选的，员工信息集中的员工信息包括全职拣货员、兼职拣货员、全职配送员、兼职配送员四类。员工信息集中的员工信息数量为零售门店中的员工数量。
38.步骤202，将输入下单信息集和输入促销信息集输入预先训练的预测模型，生成目标下单信息集。
39.在一些实施例中，上述执行主体将输入下单信息集和输入促销信息集输入预先训练的预测模型，生成目标下单信息集。
40.可选的，目标下单信息集包括第一数目个目标下单信息。目标下单信息集包括48个目标下单信息。目标下单信息集中的目标下单信息以半小时作为一个时间周期统计。目标下单信息对应一天之内一个时间周期的下单数量。目标下单信息集中的目标下单信息为当前时刻之后第二数目个小时之内的目标下单信息。具体的，第二数目可以是24。
41.具体的，预先训练的预测模型可以是长短期记忆网络(lstm，long short-term memory)。预先训练的预测模型包括循环神经网络、丢弃层和全连接层。lstm的输出为预测时刻之后的预测下单量。以每天48时段为例，每一组输入对应的输出为目标下单信息，目标下单信息是长度为48的向量。
42.上述方法作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于历史配送情况受多种不同因素的影响，直接根据历史配送情况预测履约结果信息，预测水平较低”。导致预测履约结果信息水平偏低的因素往往如下：历史配送情况受多种不同因素影响，例如天气异常、人员生病请假等。仅根据某一天或某一个较短周期内的历史数据预测履约结果信息会由于历史数据不够准确从而导致预测水平偏低。如果解决了上述因素，就能够达到提高预测水平的效果。为了达到这一效果，本公开引入了预先训练的预测模型用以预测履约结果。预先训练的预测模型以当前时刻之前一天内的输入下单信息集和输入促销信息集作为输入内容，输出当前时刻之后一天内的目标下单信息集。预先训练的预测模型是基于一段时间内的实际下单信息和实际促销信息进行训练得到的，能够提高预测水平。
43.步骤203，基于员工信息集，生成目标能力信息集。
44.在一些实施例中，信息显示方法的执行主体对于员工信息集中的每个员工信息，利用下式确定该员工信息对应的等效人数值，以得到等效人数值集合：
45.s＝(ap ad) λ*(bp bd)，
46.其中，ap表示全职拣货员人数，ad表示全职配送员人数，bp表示兼职拣货员人数，bd表示兼职配送员人数。λ为权重系数，λ的取值范围为0＜λ≤1。s为等效人数值。
47.可选的，对于等效人数值集合中的每个等效人数值，利用下式将等效人数值输入预先确定的回归模型，生成能力上限值，以得到能力上限值集合：
48.fout＝α*s(λ) β，
49.其中，α和β为回归模型系数，α和β的获取方式为令λ＝0.1,0.2,
…
,1，分别进行最
小二乘回归得到α和β，选取使得残差最小的λ以及对应的α和β作为最终模型参数。s(λ)表示参数为λ的等效人数值。fout表示能力上限值。
50.在一些实施例的可选实现方式中，上述执行主体确定能力波动值集合。获取历史数据集组合。其中，历史数据集组合包括第三数目个历史数据集，历史数据集包括第一数目个历史数据。历史数据集中的历史数据以半小时作为一个时间周期，历史数据对应一天之内一个时间周期的下单数量。历史数据集中的历史数据为一天第二数目个小时之内的下单数据量。
51.可选的，利用下式，基于历史数据集组合生成历史履约能力矩阵：
[0052][0053]
其中，p
i,j
为历史数据集组合中第i天第j个时段历史数据归一化处理的结果。p
1，1
为历史数据集组合中第1天第1个时段历史数据归一化处理的结果。历史履约能力矩阵包括第三数目个行，d表示第三数目。历史履约能力矩阵包括第一数目个列，t为第一数目，p为历史履约能力矩阵。
[0054]
可选的，上述执行主体确定百分位值。具体的，可以根据历史数据集中的平均滞留订单率和平均履约能力确定百分位值。滞留订单率可以表示在一定时间段内没有完成派送的积压订单。针对历史数据集中每个时段的相关数据，利用下式，计算该时段的百分位值，以得到百分位值集合：
[0055]
qj＝0.7 0.2*(w1*exp(-k1*r
1j
) w2*(1/(1 exp(-k2*(0.6-r
2j
))))，
[0056]
其中，j表示历史数据集中的第j个时段，r
1j
表示第j个时段的平均滞留订单率，r
2j
表示第j个时段经过峰值归一化后的平均履约能力，k1＝24，k2＝6，w1＝0.6，w2＝0.4，k1、k2、w1、w2控制了随着第j个时段滞留率对百分位选取的影响趋势。qj表示第j个时段的百分位值。具体的，百分位值可以是70％或90％。响应于r
1j
与r
2j
接近0，qj接近90％。响应于r
1j
与r
2j
接近1，qj接近70％。
[0057]
对于历史履约能力矩阵中的每一列，将该列中最接近百份位值的元素确定为该列对应的能力波动值，以得到能力波动值集合。具体的，能力波动值集合可记作其中，能力波动值集合包括t个元素，t为第一数目，表示能力波动值集合，表示能力波动值集合中的第1个元素，表示能力波动值集合中的第2个元素，表示能力波动值集合中的第t个元素。
[0058]
可选的，对于能力上限值集合中的每个能力上限值和能力波动值集合中的每个能力波动值，利用下式将能力上限值和能力波动值的乘积确定为目标能力信息，以得到目标能力信息集：
[0059][0060]
其中，fout表示能力上限值，表示能力波动值集合，r表示目标能力信息。促销类型包括第一促销类型和第二促销类型。具体的，第一促销类型可以是节假促销，第二促销类
型可以是普通促销。具体的，响应于促销类型为节假促销，可记作其中，a表征第一促销类型。响应于促销类型为普通促销，可记作其中，b表征第二促销类型。
[0061]
步骤204，确定未完成结果信息集。
[0062]
在一些实施例中，上述执行主体确定未完成结果信息集。其中，未完成结果信息集包括48个未完成结果信息，未完成结果信息集中的未完成结果信息以半小时作为一个时间周期。未完成结果信息对应一天之内一个时间周期的下单数量，未完成结果信息集中的未完成结果信息为当前时刻之前24个小时之内的未完成结果信息。
[0063]
具体的，未完成结果信息是指从当前时刻起计算之前24个小时之内具体某一个时间周期内没有能够完成的订单数量。具体的，未完成结果信息可以是订单数量。从当前时刻起计算之前24个小时之内共包括48个时间周期。未完成结果信息集为48个时间周期内的没有完成的订单数量的集合。
[0064]
步骤205，基于目标下单信息集、目标能力信息集和未完成结果信息集，生成履约结果信息。
[0065]
在一些实施例中，上述执行主体基于目标下单信息集、目标能力信息集和未完成结果信息集，生成履约结果信息。
[0066]
在一些实施例的可选实现方式中，上述执行主体确定随机变量集。具体的，可以使用随机过程y1,y2,y3,...,y
48
表示从当前时刻起计算之前24个小时之内共包括48个时间周期中门店需要履约但未完成妥投的订单数量对应的随机变量集。其中，y1为从当前时刻起计算之前24个小时之内的48个时间周期中第一个时间周期门店需要履约但未完成妥投的订单数量对应的随机变量。y
48
为从当前时刻起计算之前24个小时之内的48个时间周期中第48个时间周期门店需要履约但未完成妥投的订单数量对应的随机变量。
[0067]
针对48个时间周期中的每个周期，执行下述步骤一至步骤三，生成该周期门店需要履约但未完成妥投的订单数量对应的随机变量，以得到从当前时刻起计算之前24个小时之内共包括48个时间周期中门店需要履约但未完成妥投的订单数量对应的随机变量集合。
[0068]
步骤一，计算当前时刻的下一时刻门店内未完成妥投的订单数量对应的随机变量y
t 1
。当前时刻t门店内未妥投订单数量对应的随机变量为y
t
，则下一时刻门店内未完成妥投的订单数量对应的随机变量y
t 1
将同时由y
t
、从t时刻到(t 1)时刻半小时内订单的妥投数量对应的随机变量r
t
以及从t时刻到(t 1)时刻半小时内用户下单新进入门店当天需要履约的订单数量对应的随机变量s
t
共同决定。利用下式表示y
t 1
的计算过程：
[0069]yt 1
＝max{y
t-r
t
,0} s
t
，，
[0070]
其中，y
t 1
为当前时刻的下一时刻门店内未完成妥投的订单数量对应的随机变量，y
t
为当前时刻t门店内未妥投订单数量对应的随机变量，r
t
为从t时刻到(t 1)时刻半小时内订单的妥投数量对应的随机变量，s
t
为从t时刻到(t 1)时刻半小时内用户下单新进入门店当天需要履约的订单数量对应的随机变量。
[0071]
步骤二，为了辅助计算过程引入一个中间变量z
t
:
[0072]zt
＝max{y
t-r
t
,0}，
[0073]
其中，y
t
为表征当前时刻t门店内未妥投订单数量的随机变量，r
t
为从t时刻到(t 1)时刻半小时内订单的妥投数量对应的随机变量。具体的，可以利用马尔可夫随机场模型
生成随机变量z
t
及y
t 1
的分布。定义一个指标变量z'
t
＝y
t-r
t
，则利用下式能够得到指标变量z'
t
值为k的概率为：
[0074][0075]
其中，p()表示概率值，i和j分别为任意整数，k为任意整数。利用下式计算中间变量z
t
的概率：
[0076][0077]
其中，p()表示概率值，k为任意整数，z'
t
为指标变量，z
t
为中间变量。
[0078]
步骤三，计算随机变量y
t 1
的概率。利用下式，计算y
t 1
值为k的概率为：
[0079][0080]
其中，z
t
为中间变量，i和j分别为任意整数，k为任意整数，p()表示概率值。
[0081]
可选的，将未完成结果信息集和目标能力信息集的差值确定为饱和指标集。将饱和指标集和随机变量集输入预先确定的统计模型，以得到饱和指标分布结果和履约上限分布结果。具体的，预先确定的统计模型可以是马尔可夫随机场模型。马尔可夫随机场模型指的是模型中的任意一个随机变量序列按时间先后关系依次排开，第n 1时刻的分布特性，与n时刻以前的随机变量的取值无关。当给每一个时刻的随机变量随机赋予一个值之后，所有时刻的随机变量的集合就组成了马尔可夫随机场。模拟该马尔可夫随机场的模型即为马尔可夫随机场模型。
[0082]
可选的，上述执行主体确定履约阈值。具体的，履约阈值可以是取值范围为0和1之间的任何正分数。
[0083]
在一些实施例的可选实现方式中，响应于饱和指标分布结果大于履约阈值，确定调整参数。具体的，调整参数为任意负整数，且调整参数满足下式：
[0084]
p(z'
t
＜m)≤p＜p(z'
t
＜m 1)，
[0085]
其中，z'
t
表示指标变量，m为调整参数，p()表示概率值，p表示履约阈值。
[0086]
利用下式，将调整参数与目标能力信息集中当前时刻的目标能力信息相加的结果确定为履约结果信息：
[0087]
x'
t 1
＝x
t 1
(-m)，
[0088]
其中，x
t 1
为当前时刻的目标能力信息，m为调整参数，x'
t 1
为履约结果信息。
[0089]
在一些实施例的可选实现方式中，响应于所述履约上限分布结果不小于所述履约阈值，确定调整参数。具体的，调整参数为任意负整数。确定预估总值。具体的，预估总值可以是预估当天已下单且需要履约的订单总数。
[0090]
将饱和指标集中全部元素的总和确定为第一比较值。响应于第一比较值和目标下单信息集中当前时刻下一时刻的目标下单信息的和大于预估总值与调整参数的差，利用下式将履约结果信息确定为预估总值与调整参数的差减去第一比较值：
[0091]
[0092]
其中，n
t 1
为预估总值，m为调整参数，表示第一比较值，x'表示饱和指标集中的元素，x'
t 1
表示履约结果信息。
[0093]
响应于第一比较值和目标下单信息集中当前时刻下一时刻的目标下单信息的和不大于预估总值与调整参数的差，利用下式将目标下单信息集中当前时刻下一时刻的目标下单信息确定为履约结果信息：
[0094]
x'
t 1
＝x
t 1
，
[0095]
其中，x
t 1
为当前时刻下一时刻的目标下单信息，x'
t 1
表示履约结果信息。
[0096]
在一些实施例的可选实现方式中，上述执行主体确定总单数。具体的，总单数可以是预先设定的门店当天要履约的订单数量。将总单数与调整参数的差值确定为第二比较值。响应于履约上限分布结果不小于履约阈值，利用下式将第二比较值与第一比较值的差确定为履约结果信息：
[0097][0098]
其中，n-m为第二比较值，表示第一比较值，x'
t 1
表示履约结果信息。
[0099]
上述设置履约阈值的处理步骤作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题一“提前预设每天的配送任务要求，存在配送员空置的情况，限制了潜在单量。而根据历史配送情况确定履约结果信息，不能实时调整履约结果信息。”。导致限制潜在单量不能实施调整履约结果信息的因素往往如下：根据历史情况、配送任务要求等预先确定了门店需要履约的总单数，根据总单数确定履约结果信息。当天配送员配送能力出现变化或是当天的订单情况出现变化时，无法实时调整履约结果信息。如果解决了上述因素，就能够达到实时调整履约结果信息的效果。为了达到这一效果，本公开根据履约阈值进行动态调整。首先，响应于饱和指标分布结果小于所述履约阈值，可以将调整参数与目标能力信息集中当前时刻的目标能力信息相加的结果确定为履约结果信息。其次，判断当前履约情况，响应于履约上限分布结果不小于履约阈值，同时响应于第一比较值和目标下单信息集中当前时刻下一时刻的目标下单信息的和大于预估总值与履约阈值的差，将履约结果信息确定为预估总值与履约阈值的差减去第一比较值。再次，判断当前履约情况，响应于履约上限分布结果不小于履约阈值，响应于第一比较值和目标下单信息集中当前时刻下一时刻的目标下单信息的和不大于预估总值与履约阈值的差，将目标下单信息集中当前时刻下一时刻的目标下单信息确定为履约结果信息。最后，也可以仍然根据预设总单量确定履约结果信息。通过不同的确定方式，能够实现根据当前时刻的目标下单信息集、目标能力信息集和未完成结果信息集实时确定履约结果信息。
[0100]
步骤206，将履约结果信息推送至具有显示功能的目标设备，以及控制目标设备显示履约结果信息。
[0101]
在一些实施例中，上述执行主体将履约结果信息推送至具有显示功能的目标设备，以及控制目标设备显示履约结果信息。其中，具有显示功能的目标设备可以是与上述执行主体通信连接的设备，可以根据接收到的履约结果信息进行显示。例如，当上述执行主体输出履约结果信息表示当前的履约任务与显示的履约结果信息不一致，可以提示用户变更
履约计划(例如，减少履约任务的分配，或是增加履约的任务分配)，从而提高了履约水平。本实现方式可用于新零售业实体店的生鲜配送，充分考虑用户下单行为特点和员工履约行为特点，对门店订单流进行系统地调控、报警与限流。使得在保证及时率的情况下，同时又能最大限度的保证门店的收益。
[0102]
图2给出的一个实施例具有如下有益效果：获取输入下单信息集、输入促销信息集、员工信息集；将输入下单信息集和输入促销信息集输入预先训练的预测模型，生成目标下单信息集；基于员工信息集，生成目标能力信息集；确定未完成结果信息集；基于目标下单信息集、目标能力信息集和未完成结果信息集，生成履约结果信息；将履约结果信息推送至具有显示功能的目标设备，以及控制目标设备显示履约结果信息。该实施方式能够根据目标下单信息集、目标能力信息集和未完成结果信息集实时调整履约结果信息，提高了对履约结果信息的预测水平，提升了员工履约能力，改进了履约服务水平。
[0103]
继续参考图3，示出了根据本公开的预先训练的预测模型的训练步骤的一个实施例的流程300。该训练步骤可以包括以下步骤：
[0104]
步骤301，确定初始预测模型的网络结构以及初始化初始预测模型的网络参数。
[0105]
在本实施例中，该训练步骤的执行主体可以与信息显示方法的执行主体(例如图1所示的终端设备)相同或者不同。如果相同，则该训练步骤的执行主体可以在训练得到预测模型后将训练好的网络结构信息和网络参数的参数值存储在本地。如果不同，则该训练步骤的执行主体可以在训练得到预测模型后将训练好的网络结构信息和网络参数的参数值发送给信息显示方法的执行主体。
[0106]
在本实施例中，该训练步骤的执行主体可以首先确定初始预测模型的网络结构。例如，需要确定初始预测模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重(weight)和偏置项(bias)，每层的激活函数等等。可选的，预测模型可以包括循环神经网络、丢弃层和全连接层。
[0107]
然后，该训练步骤的执行主体可以初始化初始预测模型的网络参数。实践中，可以将初始预测模型的各个网络参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证网络可以正常地学习。
[0108]
步骤302，获取训练样本集。
[0109]
在本实施例中，该训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他终端设备获取训练样本集。其中，训练样本包括样本输入信息集以及与样本输入信息集对应的样本下单信息集。样本输入信息集包括样本输入计划销售单量、样本输入实际销售单量和样本促销类型。
[0110]
具体的，样本输入信息集由半年到一年的实际销售单量、计划销售单量、促销类型组成。每天的这些信息被划分为若干时段。实际销售单量、计划销售单量和促销类型为列，时段为行。具体的，将每天分成48个时段，输入则为96x2的矩阵(预测时刻之后用0填充)。96对应的元素为2天，每天48个时段的信息。促销类型包括大促、中等促销和平时。其中，大促和中等促销除了促销力度有区别外，还有大促有计划促销单量，而中等促销不定(可能有也可能没有)。参考天的信息和当天的信息在时间上有一定对应关系，每个级别的促销和过去这个级别的促销在日期上也对应。例如，参考天8:00和当天8:00有对应关系，过去某个大促
第一天和当前大促第一天对应。
[0111]
具体的，响应于当天的促销类型为大促，样本输入信息集中参考天非促销时段的单量(只有大促第一天会有)为最近一次大促(第一天)对应时段的实际销售单量，参考天促销时段的单量用当天大促的计划销售单量量。响应于当天的促销类型为中等促销，样本输入信息集中参考天第一、二天的单量可以使用上一个中等促销类型对应的日期的第一、二天的实际销售单量。参考天后面几天的单量可以使用前一天的实际销售单量。响应于当天的促销类型为平时，样本输入信息集中可以使用上周对应天的实际销售单量作为实际销售单量。
[0112]
具体的，输出的样本下单信息集可以是预测时刻之后的预测下单量。具体的，以每天48时段为例，输出为长度48的向量。将输出的预测时刻之前的数据丢弃，并对其进行反归一化，可以得到最终的预测结果。
[0113]
具体的，对样本输入信息集和输出的样本下单信息集分别进行归一化处理，以得到最终的样本输入信息集和输出的样本下单信息集。
[0114]
步骤303，从所述样本集中选取样本，将该样本包括的样本输入信息集作为输入，将对应的预先得到的对应于样本输入信息集的样本下单信息集作为期望输出，训练预测模型。
[0115]
在本实施例中，该训练步骤的执行主体可以执行步骤一，训练预测模型。
[0116]
步骤一，预测模型训练过程。
[0117]
首先，将选取的训练样本集合中的训练样本包括的样本输入信息集输入至初始预测模型，得到选取的样本的下单信息集。
[0118]
第二，将选取的样本的下单信息集与对应的样本下单信息集进行比较。具体地，可以首先利用预设的损失函数计算所选取的样本的下单信息集与对应的样本下单信息集之间的差异。例如，可以利用下式使用带掩膜的平均绝对误差损失函数计算所选取的样本的下单信息与对应的样本下单信息之间的差异：
[0119][0120]
其中，m表示预测时刻之后的总的计算周期数，i表示当前时刻对应的当前周期，xi为当前时刻所选取的样本，yi为当前时刻的样本下单信息。h(xi)表示针对当前时刻的所选取的样本的下单信息。loss表示带掩模的平均绝对误差损失函数值。
[0121]
第三，响应于确定初始预测模型达到优化目标，将初始预测模型作为训练完成的预先训练的预测模型，训练结束。具体的，这里预设的优化目标可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。
[0122]
步骤304，响应于确定初始预测模型未训练完成，调整初始预测模型中的相关参数，以及从样本集中重新选取样本，使用调整后的初始预测模型作为初始预测模型，再次执行训练步骤。
[0123]
在本实施例中，该训练步骤的执行主体响应于确定初始预测模型未训练完成，具体的，可以是响应于初始预测模型未达到优化目标，调整初始预测模型中的相关参数。具体的，可以采用各种实现方式基于所选取的样本的下单信息集与对应的样本下单信息集之间
的差异调整初始预测模型的网络参数。例如，可以采用adam、bp(back propagation，反向传播)算法或者sgd(stochastic gradient descent，随机梯度下降)算法来调整初始预测模型的网络参数。
[0124]
可选的，上述执行主体从样本集中重新选取样本。将该样本包括的样本输入信息集作为输入，将对应的预先得到的对应于样本输入信息集的样本下单信息集作为期望输出，使用调整后的初始预测模型作为初始预测模型，执行上述步骤一，再次训练预测模型。
[0125]
在本实施例中，该训练步骤的执行主体将训练得到的初始预测模型确定为预先训练的预测模型。
[0126]
图3给出的一个实施例具有如下有益效果：基于样本输入信息集和对应于样本输入信息集的样本下单信息集训练得到预测模型。该预测模型可以直接应用于判断输入的样本输入信息集能够生成的下单信息集。预先训练的预测模型是基于一段时间内的实际下单信息和实际促销信息进行训练得到的，能够提高预测水平。
[0127]
下面参考图4，其示出了适于用来实现本公开实施例的服务器的计算机系统400的结构示意图。图4示出的服务器仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0128]
如图4所示，计算机系统400包括中央处理单元(cpu，central processing unit)401，其可以根据存储在只读存储器(rom，read only memory)402中的程序或者从存储部分408加载到随机访问存储器(ram，random access memory)403中的程序而执行各种适当的动作和处理。在ram 403中，还存储有系统400操作所需的各种程序和数据。cpu 401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o，input/output)接口405也连接至总线404。
[0129]
以下部件连接至i/o接口405：包括硬盘等的存储部分406；以及包括诸如lan(局域网，local area network)卡、调制解调器等的网络接口卡的通信部分407。通信部分407经由诸如因特网的网络执行通信处理。驱动器408也根据需要连接至i/o接口405。可拆卸介质409，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器408上，以便于从其上读出的计算机程序根据需要被安装入存储部分406。
[0130]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分407从网络上被下载和安装，和/或从可拆卸介质409被安装。在该计算机程序被中央处理单元(cpu)401执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在
本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0131]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0132]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0133]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。