[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

说明书

本发明涉及物流技术领域，提供一种时效预测模型的训练方法、时效预测方法及相关设备。时效预测模型的训练方法包括：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，将第一预测模型的输出连接至第二预测模型的输入，形成时效预测模型；通过训练数据训练时效预测模型。本发明通过先后预测物流站点序列和物流时效的多任务联合的时效预测模型，在中间物流站点未知的场景中极大提升物流时效的预测准确率。

技术领域

本发明涉及物流技术领域，具体地说，涉及一种时效预测模型的训练方法、时效预测方法及相关设备。

背景技术

在线购物场景中，电商平台需在订单页面展示快递揽收后经几天派件给消费者，使消费者预知收件时间，提升购物体验。

实际的物流运营中，由快递公司通过运输管理系统配置全国任意两个物流站点之间的路由方案，快递包裹按照配置的路由方案进行流转。但是，出于数据安全的考虑，快递公司不会将物流站点之间的路由方案告知给电商平台，只会在快递揽收后显示揽收站点和派件站点。

因此，对于电商平台而言，在快递揽收时能够确切获取到的物流信息仅有揽收站点和派件站点，而无法获取到中间物流站点，此时如何准确预测出快递包裹从揽收到派件的物流时效，成为亟待解决的技术难题。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种时效预测模型的训练方法、时效预测方法及相关设备，能够通过先后预测物流站点序列和物流时效的多任务联合的时效预测模型，在中间物流站点未知的场景中极大提升物流时效的预测准确率。

本发明的一个方面提供一种时效预测模型的训练方法，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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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。