[发明专利]一种订单出餐时间预测模型构建、预测方法、模型和装置

说明书

本发明实施例涉及外卖即时配送领域，尤其涉及一种订单出餐时间预测模型构建、预测方法、模型和装置，用于提高订单出餐时间的预测精度。获取至少一个订单的订单信息；根据订单信息构建样本；样本包括影响订单出餐时间的样本特征和订单出餐时间的样本标签；根据模型结构参数和至少一个样本，构建至少一个预测模型；从预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型。如此，得到的最终预测模型考虑了影响订单出餐时间的样本特征、以及预测样本标签的误差，进而可以根据最终预测模型预测出误差较小的订单出餐时间，可以提高订单出餐时间的预测精度。

技术领域

本发明实施例涉及外卖即时配送领域，尤其涉及一种订单出餐时间预测模型构建、预测方法、模型和装置。

背景技术

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，即餐厅接单到餐厅备餐完成的过程。如果能够合理的预测出订单出餐时间，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。

发明内容

本发明实施例提供一种订单出餐时间预测模型构建、预测方法、模型和装置，用以实现提高订单出餐时间的预测精度。

第一方面，本发明实施例提供一种订单出餐时间预测模型构建方法，包括：

获取至少一个订单的订单信息；

根据所述订单信息，构建样本；所述样本包括影响订单出餐时间的样本特征和订单出餐时间的样本标签；

根据模型结构参数和至少一个样本，构建至少一个预测模型；从所述预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型；所述最终预测模型用于预测订单的订单出餐时间。

结合第一方面，本发明在第一方面的第一种实现方式中，所述根据所述订单信息构建样本之前，还包括：确定影响订单出餐时间的至少一个特征变量；将确定出的特征变量对应的特征值作为所述订单的样本特征；根据所述订单的骑手取餐时间和餐厅接单时间，确定出所述订单出餐时间，从而得到所述订单出餐时间的样本标签。

结合第一方面，本发明在第一方面的第二种实现方式中，所述根据所述订单信息构建样本之前，还包括：从所述订单中确定出满足第一预设条件的订单；所述满足第一预设条件的订单用于构建样本；其中，所述第一预设条件包括以下内容：骑手到店等待时长大于第一预设时长、且骑手点击到店时的位置与餐厅位置的距离小于第一预设距离、且骑手点击确认取餐时的位置与餐厅位置的距离小于第二预设距离；或，骑手到店等待时长小于第一预设时长、且订单出餐时长小于所述第二预设时长。

结合第一方面、第一方面的第一种实现方式或第一方面的第二种实现方式，本发明在第一方面的第三种实现方式中，所述模型结构参数为梯度提升决策树GBDT模型的结构参数；所述根据模型结构参数和至少一个样本，构建至少一个预测模型，包括：将所述至少一个样本分为训练集和测试集；为所述GBDT模型设置模型结构参数的初始值；根据所述模型结构参数的初始值，基于所述GBDT模型对所述训练集中的训练样本进行训练，得到初始预测模型；调整所述模型结构参数，基于所述GBDT模型对所述训练集中的训练样本进行训练，得到调整预测模型；每调整一次模型结构参数得到一个调整预测模型；所述从所述至少一个预测模型中，确定出一个样本标签误差最小的预测模型作为最终预测模型，包括：针对所述测试集中每个测试样本，将所述测试样本的样本特征输入至所述预测模型，得到所述测试样本的预测样本标签；并确定出所述测试样本的预测样本标签与所述测试样本的标准样本标签之间的误差；将所述测试集中所有测试样本的平均误差，作为所述预测模型的样本标签误差；根据每个预测模型的样本标签误差，从所述初始预测模型和所述调整预测模型中确定出样本标签误差最小的预测模型作为最终预测模型。

第二方面，本发明实施例提供一种订单出餐时间预测方法，包括：