[发明专利]时效预测模型的训练方法、时效预测方法及相关设备

权利要求书

1.一种时效预测模型的训练方法，其特征在于，包括：

自历史物流数据中，提取包括物流站点和途经时间的物流信息；

根据所述物流信息构建训练数据，每组训练数据包括自一起始物流站点至一目的物流站点的物流站点序列和物流时效；

构建用于预测两物流站点之间的物流站点序列的第一预测模型和用于预测两物流站点之间的物流时效的第二预测模型，将所述第一预测模型的输出连接至所述第二预测模型的输入，形成时效预测模型；

通过所述训练数据训练所述时效预测模型。

2.如权利要求1所述的训练方法，其特征在于，所述时效预测模型的训练包括依次进行的第一训练阶段和第二训练阶段；

在所述第一训练阶段，自每组所述训练数据中分别获取所述第一预测模型的第一训练数据和所述第二预测模型的第二训练数据，对所述第一预测模型和所述第二预测模型进行单独训练；

在所述第二训练阶段，以所述第一预测模型的输出作为所述第二预测模型的输入，对所述第一预测模型和所述第二预测模型进行联合训练。

3.如权利要求2所述的训练方法，其特征在于，所述第二训练阶段的训练包括：

将一当前第一训练数据的输入数据输入所述第一预测模型，获得所述第一预测模型输出的预测物流站点序列；

将所述预测物流站点序列输入所述第二预测模型，获得所述第二预测模型输出的预测物流时效；

比对所述预测物流时效及对应的一当前第二训练数据的输出数据；

于所述预测物流时效与所述当前第二训练数据的输出数据不匹配时，判断所述预测物流站点序列与所述当前第一训练数据的输出数据是否匹配；

若是则调整所述第二预测模型的参数，若否则调整所述第一预测模型的参数。

4.如权利要求2所述的训练方法，其特征在于，所述第一预测模型基于循环神经网络构建，在所述第一训练阶段，以每组所述训练数据的起始物流站点和目的物流站点为输入，以对应的物流站点序列为输出，对所述第一预测模型进行训练。

5.如权利要求2所述的训练方法，其特征在于，所述第二预测模型基于深度因子分解机构建，在所述第一训练阶段，以每组所述训练数据的物流站点序列为输入，以对应的物流时效为输出，对所述第二预测模型进行训练。

6.如权利要求1-5任一项所述的训练方法，其特征在于，所述物流信息还包括物流承运对象，每组所述训练数据还包括对应物流承运对象的物流标识。

7.如权利要求1-5任一项所述的训练方法，其特征在于，所述历史物流数据为一预设周期内的历史物流数据；

所述时效预测模型每隔所述预设周期进行更新训练。

8.一种时效预测方法，其特征在于，包括：

接收物流揽收信息，获得揽收物流站点、揽收时间和派件物流站点；

将所述揽收物流站点和所述派件物流站点输入经权利要求1-7任一项所述的训练方法训练生成的所述时效预测模型，获得预计物流时效；

根据所述揽收时间和所述预计物流时效，获得派件时间，推送至对应页面。

9.如权利要求8所述的时效预测方法，其特征在于，将所述揽收物流站点和所述派件物流站点输入所述时效预测模型后，还获得预计物流站点序列，所述时效预测方法还包括：

监测途经物流站点；

于所述途经物流站点与所述预计物流站点序列不匹配时，将所述途经物流站点和所述派件物流站点输入所述时效预测模型，获得更新物流时效；

根据所述更新物流时效更新所述派件时间。