可左右滑动选省市

分拣时效预测方法及装置、存储介质、电子设备

更新时间:2024-07-01
分拣时效预测方法及装置、存储介质、电子设备 专利申请类型:发明专利;
源自:北京高价值专利检索信息库;

专利名称:分拣时效预测方法及装置、存储介质、电子设备

专利类型:发明专利

专利申请号:CN202010306901.9

专利申请(专利权)人:北京京东振世信息技术有限公司
权利人地址:北京市海淀区知春路76号6层

专利发明(设计)人:刘洋

专利摘要:本发明实施例是关于一种分拣时效预测方法及装置、存储介质、电子设备,涉及物流大数据处理技术领域,该方法包括:根据待处理单量数据计算待预测分拣中心的当前分拣时长标签;根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据;根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量;根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测。本发明实施例提高了分拣时效预测的准确率。

主权利要求:
1.一种分拣时效预测方法,其特征在于,包括:
根据待处理单量数据计算待预测分拣中心的当前分拣时长标签;其中,所述当前分拣时长标签包括待预测分拣中心在当前时间段内所处理的当前单量数据以及处理所述当前单量数据所需要的当前分拣时长;
根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据;
其中,所述当前属性标签包括待预测分拣中心的静态属性以及动态属性,所述静态属性包括待预测分拣中心所属的地理位置以及类型,所述动态属性包括待预测分拣中心的当前待分拣货量以及待预测分拣中心在第一预设时间段内的平均分拣货量;
根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量;
根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测,包括:将所述当前特征向量输入至预设的分拣时效预测模型中,并根据所述预设的分拣时效预测模型的输出得到所述待预测分拣中心在未来时间段的多个目标时间段内的分拣时效;
其中,所述预设的分拣失效预测模型是通过对深度神经网络进行训练得到的。
2.根据权利要求1所述的分拣时效预测方法,其特征在于,根据待处理单量数据计算待预测分拣中心的当前分拣时长标签包括:获取第一预设时间段内的待处理单量数据;
以第二预设时间段为单位,将每一天划分成多个当前时间段,并按照各所述当前时间段对所述待处理单量数据进行分类得到多个分类结果;
随机从所述分类结果中抽取所述待预测分拣中心在各所述当前时间段内所处理的当前单量数据以及处理所述当前单量数据所需要的当前分拣时长;
根据各所述当前时间段、各所述当前单量数据以及各所述当前分拣时长,计算所述待预测分拣中心在各所述当前时间段内的当前分拣时长标签。
3.根据权利要求2所述的分拣时效预测方法,其特征在于,在根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据之前,所述分拣时效预测方法还包括:根据所述待预测分拣中心所属的地理位置以及类型,生成所述待预测分拣中心的静态属性;
根据所述待处理单量数据计算所述待预测分拣中心在所述第一预设时间段内的平均分拣货量;
根据所述待预测分拣中心的当前待分拣货量以及所述平均分拣货量生成所述待预测分拣中心的动态属性,并根据所述静态属性以及所述动态属性,生成所述当前属性标签。
4.根据权利要求3所述的分拣时效预测方法,其特征在于,所述数据类型包括连续型数据和/或枚举型数据;
其中,根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量包括:当所述当前样本数据的数据类型为连续型数据时,对所述当前样本数据进行异常数据剔除得到标准连续型数据;以及当所述当前样本数据的数据类型为枚举型数据时,对所述当前样本数据进行编码,得到编码后的枚举型数据;
对所述标准连续型数据进行向量化处理,并对向量化处理后的标准连续型数据以及编码后的枚举型数据进行拼接,得到所述分拣中心的当前特征向量。
5.根据权利要求4所述的分拣时效预测方法,其特征在于,对所述样本数据进行异常数据剔除包括:基于箱形图对所述当前样本数据进行异常数据剔除。
6.根据权利要求4所述的分拣时效预测方法,其特征在于,所述分拣时效预测方法还包括:基于预设的压缩矩阵对所述编码后的枚举型数据进行压缩,得到压缩后的枚举型数据;
其中,对向量化处理后的标准连续型数据以及编码后的枚举型数据进行拼接,得到所述分拣中心的当前特征向量包括:对向量化处理后的标准连续型数据以及压缩后的枚举型数据进行拼接,得到所述待预测分拣中心的当前特征向量。
7.根据权利要求6所述的分拣时效预测方法,其特征在于,所述连续型数据包括各所述当前时间段、各所述当前单量数据、各所述当前分拣时长、所述当前待分拣货量以及所述平均分拣货量中的多种;
所述枚举型数据包括地理位置以及类型。
8.根据权利要求1所述的分拣时效预测方法,其特征在于,所述分拣时效预测方法还包括:利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型。
9.根据权利要求8所述的分拣时效预测方法,其特征在于,利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型包括:根据历史单量数据计算目标分拣中心的目标分拣时长标签,并根据所述目标分拣中心的目标属性标签以及目标分拣时长标签构建目标样本数据;
根据所述目标样本数据的数据类型对所述目标样本数据进行处理,得到所述目标分拣中心的目标特征向量;
将所述目标特征向量输入至所述深度神经网络中得到多个输出结果,并根据各所述输出结果与所述目标分拣中心的实际分拣时长之间的均方差构建损失函数;
基于所述损失函数对所述深度神经网络进行训练,得到所述预设的分拣时效预测模型。
10.一种分拣时效预测装置,其特征在于,包括:
第一计算模块,用于根据待处理单量数据计算待预测分拣中心的当前分拣时长标签;
其中,所述当前分拣时长标签包括待预测分拣中心在当前时间段内所处理的当前单量数据以及处理所述当前单量数据所需要的当前分拣时长;
样本数据构建模块,用于根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据;其中,所述当前属性标签包括待预测分拣中心的静态属性以及动态属性,所述静态属性包括待预测分拣中心所属的地理位置以及类型,所述动态属性包括待预测分拣中心的当前待分拣货量以及待预测分拣中心在第一预设时间段内的平均分拣货量;
样本数据处理模块,用于根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量;
时效预测模块,用于根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测,包括:将所述当前特征向量输入至预设的分拣时效预测模型中,并根据所述预设的分拣时效预测模型的输出得到所述待预测分拣中心在未来时间段的多个目标时间段内的分拣时效;其中,所述预设的分拣失效预测模型是通过对深度神经网络进行训练得到的。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1‑9任一项所述的分拣时效预测方法。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1‑9任一项所述的分拣时效预测方法。 说明书 : 分拣时效预测方法及装置、存储介质、电子设备技术领域[0001] 本发明实施例涉及物流大数据处理技术领域,具体而言,涉及一种分拣时效预测方法、分拣时效预测装置、计算机可读存储介质以及电子设备。背景技术[0002] 分拣中心是物流运输流程中的一个重要环节,管理一个较大区域的寄件和收件。分拣中心的处理时长受到分拣中心地理位置,分拣中心的级别和类型,处理单量大小,时间等因素的影响,波动较大。[0003] 当前的分拣时长的估计方法一般有几种,一种是直接取各分拣中心分拣时长的平均值,一种是把每个分拣中心每个时间段的处理时长取平均值,还有一种是把每个分拣中心每个时段的分拣时长历史值保存下来,在使用的时候随机从中取数,也可以将其拟合为一个概率密度函数,使用时用该分布函数生成分拣时长。[0004] 但是,上述估计方法存在如下缺陷:一方面,由于分拣时长受各种因素的影响,波动很大,直接取历史数据的平均值会使得估计结果的准确率较低;另一方面,由于需要保存大量的分拣时长历史值,因此需要占用大量的存储空间,因此增加了系统的负担;并且在抽数的过程中也带来了非常高的时间复杂度,使得估计效率较低;再一方面,由于每个分拣中心每个时段的分拣时长分布各不相同,拟合过程较为繁琐,进一步降低了估计效率。[0005] 因此,需要提供一种新的分拣时效预测方法及装置。[0006] 需要说明的是,在上述背景技术部分发明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[0007] 本发明的目的在于提供一种分拣时效预测方法、分拣时效预测装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的估计结果的准确率较低以及估计效率较低的问题。[0008] 根据本公开的一个方面,提供一种分拣时效预测方法,包括:[0009] 根据待处理单量数据计算待预测分拣中心的当前分拣时长标签;[0010] 根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据;[0011] 根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量;[0012] 根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测。[0013] 在本公开的一种示例性实施例中,根据待处理单量数据计算待预测分拣中心的当前分拣时长标签包括:[0014] 获取第一预设时间段内的待处理单量数据;[0015] 以第二预设时间段为单位,将每一天划分成多个当前时间段,并按照各所述当前时间段对所述待处理单量数据进行分类得到多个分类结果;[0016] 随机从所述分类结果中抽取所述待预测分拣中心在各所述当前时间段内所处理的当前单量数据以及处理所述当前单量数据所需要的当前分拣时长;[0017] 根据各所述当前时间段、各所述当前单量数据以及各所述当前分拣时长,计算所述待预测分拣中心在各所述当前时间段内的当前分拣时长标签。[0018] 在本公开的一种示例性实施例中,在根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据之前,所述分拣时效预测方法还包括:[0019] 根据所述待预测分拣中心所属的地理位置以及类型,生成所述待预测分拣中心的静态属性;[0020] 根据所述待处理单量数据计算所述待预测分拣中心在所述第一预设时间段内的平均分拣货量;[0021] 根据所述待预测分拣中心的当前待分拣货量以及所述平均分拣货量生成所述待预测分拣中心的动态属性,并根据所述静态属性以及所述动态属性,生成所述当前属性标签。[0022] 在本公开的一种示例性实施例中,所述数据类型包括连续型数据和/或枚举型数据;[0023] 其中,根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量包括:[0024] 当所述当前样本数据的数据类型为连续型数据时,对所述当前样本数据进行异常数据剔除得到标准连续型数据;以及[0025] 当所述当前样本数据的数据类型为枚举型数据时,对所述当前样本数据进行编码,得到编码后的枚举型数据;[0026] 对所述标准连续型数据进行向量化处理,并对向量化处理后的标准连续型数据以及编码后的枚举型数据进行拼接,得到所述分拣中心的当前特征向量。[0027] 在本公开的一种示例性实施例中,对所述样本数据进行异常数据剔除包括:[0028] 基于箱形图对所述当前样本数据进行异常数据剔除。[0029] 在本公开的一种示例性实施例中,所述分拣时效预测方法还包括:[0030] 基于预设的压缩矩阵对所述编码后的枚举型数据进行压缩,得到压缩后的枚举型数据;[0031] 其中,对向量化处理后的标准连续型数据以及编码后的枚举型数据进行拼接,得到所述分拣中心的当前特征向量包括:[0032] 对向量化处理后的标准连续型数据以及压缩后的枚举型数据进行拼接,得到所述待预测分拣中心的当前特征向量。[0033] 在本公开的一种示例性实施例中,所述连续型数据包括各所述当前时间段、各所述当前单量数据、各所述当前分拣时长、所述当前待分拣货量以及所述平均分拣货量中的多种;[0034] 所述枚举型数据包括地理位置以及类型。[0035] 在本公开的一种示例性实施例中,根据所述当前特征向量对所述待预测分拣中心在未来时间段的分拣时效进行预测包括:[0036] 将所述当前特征向量输入至预设的分拣时效预测模型中,并根据所述预设的分拣时效预测模型的输出得到所述待预测分拣中心在未来时间段的多个目标时间段内的分拣时效。[0037] 在本公开的一种示例性实施例中,所述分拣时效预测方法还包括:[0038] 利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型。[0039] 在本公开的一种示例性实施例中,利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型包括:[0040] 根据历史单量数据计算目标分拣中心的目标分拣时长标签,并根据所述目标分拣中心的目标属性标签以及目标分拣时长标签构建目标样本数据;[0041] 根据所述目标样本数据的数据类型对所述目标样本数据进行处理,得到所述目标分拣中心的目标特征向量;[0042] 将所述目标特征向量输入至所述深度神经网络中得到多个输出结果,并根据各所述输出结果与所述目标分拣中心的实际分拣时长之间的均方差构建损失函数;[0043] 基于所述损失函数对所述深度神经网络进行训练,得到所述预设的分拣时效预测模型。[0044] 根据本公开的一个方面,提供一种分拣时效预测装置,包括:[0045] 第一计算模块,用于根据待处理单量数据计算待预测分拣中心的当前分拣时长标签;[0046] 样本数据构建模块,用于根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据;[0047] 样本数据处理模块,用于根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量;[0048] 时效预测模块,用于根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测。[0049] 根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的分拣时效预测方法。[0050] 根据本公开的一个方面,提供一种电子设备,包括:[0051] 处理器;以及[0052] 存储器,用于存储所述处理器的可执行指令;[0053] 其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的分拣时效预测方法。[0054] 本发明实施例提供的一种分拣时效预测方法,一方面,通过根据待处理单量数据计算待预测分拣中心的当前分拣时长标签;然后根据待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据;再根据当前样本数据的数据类型对当前样本数据进行处理,得到待预测分拣中心的当前特征向量;最后根据当前特征向量对待预测分拣中心未来时间段的分拣时效进行预测;解决了现有技术中由于分拣时长受各种因素的影响,波动很大,直接取历史数据的平均值会使得估计结果的准确率较低的问题,提高了分拣时效预测的准确率;另一方面,解决了现有技术中由于需要保存大量的分拣时长历史值,需要占用大量的存储空间,因此增加了系统的负担;并且在抽数的过程中也带来了非常高的时间复杂度,使得估计效率较低的问题,提高了分拣时效的预测效率;再一方面,解决了现有技术中由于每个分拣中心每个时段的分拣时长分布各不相同,拟合过程较为繁琐,进一步降低了估计效率的问题。[0055] 应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。附图说明[0056] 此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅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。[0057] 图1示意性示出根据本发明示例实施例的一种分拣时效预测方法的流程图。[0058] 图2示意性示出根据本发明示例实施例的一种根据待处理单量数据计算待预测分拣中心的当前分拣时长标签的方法流程图。[0059] 图3示意性示出根据本发明示例实施例的另一种分拣时效预测方法的流程图。[0060] 图4示意性示出根据本发明示例实施例的一种根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量的方法流程图。[0061] 图5示意性示出根据本发明示例实施例的一种预设的分拣时效预测模型的框图。[0062] 图6示意性示出根据本发明示例实施例的一种利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型的方法流程图。[0063] 图7示意性示出根据本发明示例实施例的一种分拣时效预测装置的框图。[0064] 图8示意性示出根据本发明示例实施例的一种用于实现上述分拣时效预测方法的电子设备。具体实施方式[0065] 现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。[0066] 此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。[0067] 物流链路仿真在物流的规划中起到至关重要的作用。物流的波次、线路以及节点规划(位置,人力)是否合理,都需要通过仿真来进行论证。如果在仿真过程中发现了异常现象,例如爆仓,那么说明当前的规划是不合理的,需要及时调整。对于仿真系统来说,数据的输入是非常关键的,因为只有输入与实际吻合的数据,才能在仿真中正确体现可能发生的情况,得到有价值的结论。[0068] 分拣中心是物流运输流程中的一个重要环节,管理一个较大区域的寄件和收件。分拣中心一般有两种任务,第一是负责接收寄往所属区域的包裹,并分派到这个区域下的配送站,配送站会最终把包裹交到收件人手里,第二是接收所属区域的仓库向外发的包裹,分派到收件人所在区域的分拣中心,再由目标地区的分拣中心进行处理。[0069] 而在仿真系统中,分拣中心的分拣处理时长是一个非常重要的输入数据,分拣处理时长的准确性影响了分拣中心收发货,车辆排队等关键环节的模拟。而分拣中心的处理时长也受到分拣中心地理位置,分拣中心的级别和类型,处理单量大小,时间等因素的影响,波动较大。这也造成了对分拣时长的准确估计通常是比较困难的。[0070] 当前的分拣时长估计方法可以包括以下几种方式:一种是,直接取各分拣中心分拣时长的平均值;另一种是,把每个分拣中心每个时间段的处理时长取平均值;还有一种是,把每个分拣中心每个时段的分拣时长历史值保存下来,在使用的时候随机从中取数,也可以将其拟合为一个概率密度函数,使用时用该分布函数生成分拣时长。[0071] 但是,上述估计方法存在如下缺陷:一方面,由于分拣时长受各种因素的影响,波动很大,直接取历史数据的平均值明显是不准确的,而即使先确定了是哪个分拣中心和哪个时间段,分拣时长的波动依旧比较大,一次使得估计记过的准确率较低;[0072] 另一方面,保留历史分拣时长的值,并从中随机抽数可以解决用一个数值无法解决的波动大的问题,但需要占用大量的存储空间,在抽数的过程中也带来了非常高的时间复杂度;[0073] 再一方面,将每个分拣中心每个时间段的分拣时长拟合称一个概率密度函数,使用时从中生成样本虽然能够解决占用存储空间过大的问题,但每个分拣中心每个时段的分拣时长分布各不相同,而且都不能够用常见的标准分布来表示;因此,这种情况下,如果使用某种简单的常见标准分布一定会及不准确,但把每个分拣中心和时间段的组合一个一个拿来分析,拟合也是极大的工作量,难以完成;[0074] 进一步的,上述估计方法都是用历史数代表当前的属性;但是,在分拣过程中,经常会模拟业务的变化,例如某个分拣中心的货量比以前增加,某个分拣中心的枢纽地位提升,或某个分拣中心增加了一些班次,在这种情况下,该分拣中心的历史数据就无法继续代表当前的属性了。[0075] 基于此,本示例实施方式中首先提供了一种分拣时效预测方法,该方法可以运行于服务器、服务器集群或云服务器等;当然,本领域技术人员也可以根据需求在其他平台运行本发明的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该分拣时效预测方法可以包括以下步骤:[0076] 步骤S110.根据待处理单量数据计算待预测分拣中心的当前分拣时长标签。[0077] 步骤S120.根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据。[0078] 步骤S130.根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量。[0079] 步骤S140.根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测。[0080] 上述分拣时效预测方法中,一方面,通过根据待处理单量数据计算待预测分拣中心的当前分拣时长标签;然后根据待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据;再根据当前样本数据的数据类型对当前样本数据进行处理,得到待预测分拣中心的当前特征向量;最后根据当前特征向量对待预测分拣中心未来时间段的分拣时效进行预测;解决了现有技术中由于分拣时长受各种因素的影响,波动很大,直接取历史数据的平均值会使得估计结果的准确率较低的问题,提高了分拣时效预测的准确率;另一方面,解决了现有技术中由于需要保存大量的分拣时长历史值,需要占用大量的存储空间,因此增加了系统的负担;并且在抽数的过程中也带来了非常高的时间复杂度,使得估计效率较低的问题,提高了分拣时效的预测效率;再一方面,解决了现有技术中由于每个分拣中心每个时段的分拣时长分布各不相同,拟合过程较为繁琐,进一步降低了估计效率的问题。[0081] 以下,将结合附图对本发明示例实施例分拣时效预测方法中涉及的各步骤进行详细的解释以及说明。[0082] 以下,首先对本发明示例实施例的发明思路进行解释说明。具体的,针对上述现有技术的缺点,本方案将分拣中心进行标签化,用一系列的属性标签来对分拣中心进行刻画,代替分拣中心的编号和名称本身,并根据分拣中心的各个属性与分拣处理时长的关系建立机器学习模型,对分拣中心的处理时长进行估计。同时,本方案不仅对某一场景下的分拣处理时长估计一个定值,也利用在样本集合上估计的误差给出一个置信区间,利用这个置信区间可以拟合出一个分拣时长的分布情况,并利用这个分布生成分拣时长数据的样本,输入到仿真系统,以使得仿真系统可以根据输入的分拣时长数据的样本对该分拣中心的物流情况进行模拟,进而避免发生爆仓等情况。[0083] 以下,将对步骤S110‑步骤S140进行解释以及说明。[0084] 在步骤S110中,根据待处理单量数据计算待预测分拣中心的当前分拣时长标签。[0085] 在本示例实施例中,参考图2所示,根据待处理单量数据计算待预测分拣中心的当前分拣时长标签可以包括步骤S210‑步骤S240。其中:[0086] 在步骤S210中,获取第一预设时间段内的待处理单量数据。[0087] 在步骤S220中,以第二预设时间段为单位,将每一天划分成多个当前时间段,并按照各所述当前时间段对所述待处理单量数据进行分类得到多个分类结果。[0088] 在步骤S230中,随机从所述分类结果中抽取所述待预测分拣中心在各所述当前时间段内所处理的当前单量数据以及处理所述当前单量数据所需要的当前分拣时长。[0089] 在步骤S240中,根据各所述当前时间段、各所述当前单量数据以及各所述当前分拣时长,计算所述待预测分拣中心在各所述当前时间段内的当前分拣时长标签。[0090] 以下,将对步骤S210‑步骤S240进行解释以及说明。具体的,首先,为了保证在抽取的样本中,分拣时长没有受到业务变化的影响,因此可以获取截止当前为止前一个月(第一预设时间段)内的待处理单量数据;其次,可以以10分钟(第二预设时间段)为单位,将一天划分为以10分钟为单位的144个时间段,具体可以用时间段的下标来表示;例如,0点到0点10分标记为1,0点10分到0点20标记为2,以此类推;然后,以此为基础,将上述待处理单量数据进行分类得到多个不同时间段的分类结果;其中,每一个分类结果中均包括每一天同一时间段的多个当前单量数据,以及处理该当前单量数据所需要的当前分拣时长;进一步的,对于每个分拣中心和每个时间段的组合,历史上都存在着相应分拣中心在相应时间处理过的货物,在此将分拣中心和时间段的组合作为特征,并在相对应的货物中随机抽取一个,将其所使用的分拣时长作为标签,生成一个当前分拣时长标签。[0091] 进一步的,为了可以构建当前样本数据,还需要计算分拣中心的属性标签。具体的,参考图3所示,所述分拣时效预测方法还可以包括步骤S310‑步骤S330。其中:[0092] 在步骤S310中,根据所述待预测分拣中心所属的地理位置以及类型,生成所述待预测分拣中心的静态属性。[0093] 在步骤S320中,根据所述待处理单量数据计算所述待预测分拣中心在所述第一预设时间段内的平均分拣货量。[0094] 在步骤S330中,根据所述待预测分拣中心的当前待分拣货量以及所述平均分拣货量生成所述待预测分拣中心的动态属性,并根据所述静态属性以及所述动态属性,生成所述当前属性标签。[0095] 以下,将对步骤S310‑步骤S330进行解释以及说明。首先,根据分拣中心的地理位置(例如,分拣中心所处的区域以及省份等等)和类型(例如可以包括一级,二级,三级分拣中心以及接货仓等等),生成该待预测分拣中心的静态属性;此处需要补充说明的是,因为地理位置(发达和非发达地区,人口密集和非密集地区)和地理位置的类型(核心,重要,边缘)对分拣中心的单量和资源的配置都是有影响的,进而影响到分拣时长,因此,再对分拣中心的分拣时效进行预测时,需要以该静态属性作为一项重要的依据;其次,选用分拣中心在前一个月内的平均每天的分拣货量和当前时间段的待分拣货量作为动态属性;最后再根据上述静态属性以及动态属性生成当前属性标签。[0096] 需要进一步补充说明的是,由于要输出的是一个分拣中心某段时间内的分拣时长,对应时间段所要处理的单量是非常重要的,通常与处理的时长呈负相关。同理,分拣中心平均每天的单量也是有强相关性的,而且与当前时段要处理的单量分别包含了局部和全局信息。分拣中心的以上相关信息均可以从路由数据表格中提取。[0097] 在步骤S120中,根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据。[0098] 在本示例实施例中,当得到上述当前属性标签以及当前分拣时长标签以后,可以根据该当前属性标签以及当前分拣时长标签构建上述样本数据。譬如,上述当前属性标签例如可以是:华东地区,江苏(所述区域以及省份,其中,所述区域可以分为华东、华西、华南以及华北等等,省份可以按照官方划分的省份即可),一级分拣中心(类型),400,000件(平均每天的分拣货量),50,000件(当前待分拣货量);当前分拣时长标签例如可以是:1(时间段),1000件(随机抽取的当前单量数据),8min(处理该当前单量数据所需要的时间)。因此,可以将上述特征信息进行组合,生成上述当前样本数据;同时,由于存在多个不同的当前时间段,因此,会生成多个不同的样本数据。[0099] 在步骤S130中,根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量。[0100] 在本示例实施例中,上述数据类型包括连续型数据和/或枚举型数据;其中,所述连续型数据可以包括各所述当前时间段、各所述当前单量数据、各所述当前分拣时长、所述当前待分拣货量以及所述平均分拣货量等等;所述枚举型数据包括地理位置以及类型等等。[0101] 具体的,参考图4所示,根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量可以包括步骤S410‑步骤S430。其中:[0102] 在步骤S410中,当所述当前样本数据的数据类型为连续型数据时,对所述当前样本数据进行异常数据剔除得到标准连续型数据。[0103] 在本示例实施例中,当当前样本数据的数据类型为连续型数据时,可以基于箱形图对所述当前样本数据进行异常数据剔除,进而得到标准连续型数据。具体的,由于在数据样本中可能存在因为等待之类的原因而导致分拣时长过长的现象,这样的数据通常不符合分拣过程的一般规律。因此,在本方案里,使用箱形图的方法将这一类数据去除,避免异常数据影响了模型的效果。具体的处理的过程为:在所有样本的分拣时长中,找到上四分位数a和下四分位数b,使用a+(a‑b)*1.5作为界限,分拣时长高于这个则为异常数据;当查找到高于该界限的分拣时长时,将大于该界限的分拣时长对应的样本数据进行剔除。[0104] 在步骤S420中,当所述当前样本数据的数据类型为枚举型数据时,对所述当前样本数据进行编码,得到编码后的枚举型数据。[0105] 在本示例实施例中,对于枚举型数据,例如,分拣中心的区域,省份和类型等等,其特点为取值是离散的而且互相之间没有大小关系。例如区域,在本发明示例实施例的场景中,可以分为华东,华南等8个区,每个区之间并没有大小关系。因此,对于枚举型数据来说,可以通过one‑hot编码处理。以区域为例,由于共有8个区,一个特征变成8个特征,每个特征表示其中的一个区域;譬如,如果一个分拣中心属于华东,则其对应的华东的一列取值为1,其余区域相关列的取值为0,以此类推。[0106] 在步骤S430中,对所述标准连续型数据进行向量化处理,并对向量化处理后的标准连续型数据以及编码后的枚举型数据进行拼接,得到所述分拣中心的当前特征向量。[0107] 在本示例实施例中,为了可以得到当前特征向量,首先需要对本发明示例实施例涉及到的预设的分拣时效预测模型进行解释以及说明。参考图5所示,该分拣时效预测模型可以包括压缩矩阵模块501、第一隐藏层502、第二隐藏层503以及输出层504。其中,压缩矩阵模块501、第一隐藏层502、第二隐藏层503以及输出层504依次网络连接。[0108] 具体的,当得到上述标准连续型数据以后,可以直接将该标准连续型以及编码后的枚举型数据进行拼接,得到分拣中心的当前特征向量;然后再将该当前特征向量输入至第一隐藏层;当然,为了可以进一步的提高当前特征向量的准确性,还需要对编码后的枚举型数据进行压缩,具体的可以包括:基于预设的压缩矩阵对所述编码后的枚举型数据进行压缩,得到压缩后的枚举型数据。进一步的,当得到压缩后的枚举型数据以后,对向量化处理后的标准连续型数据以及编码后的枚举型数据进行拼接,得到所述分拣中心的当前特征向量包括:对向量化处理后的标准连续型数据以及压缩后的枚举型数据进行拼接,得到所述待预测分拣中心的当前特征向量。[0109] 譬如,假设上述预设的分拣时效预测模型可以通过f(·)进行表示,那么则有:[0110] 假设一个分拣中的当前数据样本[Xi,Yi]的特征用向量Xi=[Xs,Xd]i表示,其中,表示连续型特征的部分,Ns表示连续型特征的维度, 表示枚举型特征的部分,Nd表示枚举型特征的维度,R表示所有的特征组合。[0111] 那么,将Xd乘以一个压缩矩阵 Nd<Nc,Nd表示压缩矩阵的行数,Nc表示压缩矩阵的列数;在保持其所包含信息的前提下将维度压缩,结果表示为Xc=Xd*W;最后,将其与连续型特征的部分进行拼接组成当前特征向量Xi'=[Xs,Xc]i。[0112] 在步骤S140中,根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测。[0113] 在本示例实施例中,将所述当前特征向量输入至预设的分拣时效预测模型中,并根据所述预设的分拣时效预测模型的输出得到所述待预测分拣中心在未来时间段的多个目标时间段内的分拣时效。[0114] 具体的,可以将当前特征向量Xi'输入至上述预设的分拣时效预测模型中;其中,该预设的分拣时效预测模型中的第一隐藏层以及第二隐藏层可以分别如下所示:[0115] 第一隐藏层:[0116] hi1=reLU(Xi'*W1+b1);[0117] 以及[0118] 第二隐藏层:[0119][0120] 其中,W1和W2为分别为第一隐藏层以及第二隐藏层的两层的权重矩阵,b1和b2分别为第一隐藏层以及第二隐藏层的偏置向量,reLU是激活函数。[0121] 进一步的,最终的输出为:[0122] yi=hi2*W3+b3;[0123] 其中,yi即为最终估计的分拣时效,W3和b3为输出层的权重矩阵和偏置向量。[0124] 当然,为了得到上述多个参数W、W1、W2、W3、b1、b2以及b3,首先需要对一个深度神经网络模型进行训练。具体的,可以利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型。[0125] 进一步的,参考图6所示,利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型可以包括步骤S610‑步骤S640。其中:[0126] 在步骤S610中,根据历史单量数据计算目标分拣中心的目标分拣时长标签,并根据所述目标分拣中心的目标属性标签以及目标分拣时长标签构建目标样本数据。[0127] 在步骤S620中,根据所述目标样本数据的数据类型对所述目标样本数据进行处理,得到所述目标分拣中心的目标特征向量。[0128] 在步骤S630中,将所述目标特征向量输入至所述深度神经网络中得到多个输出结果,并根据各所述输出结果与所述目标分拣中心的实际分拣时长之间的均方差构建损失函数。[0129] 在步骤S640中,基于所述损失函数对所述深度神经网络进行训练,得到所述预设的分拣时效预测模型。[0130] 以下,将对步骤S610‑步骤S640进行解释以及说明。首先,根据历史单量数据计算目标分拣中心的目标分拣时长标签,然后目标分拣中心的目标属性标签以及目标分拣时长标签构建目标样本数据;其次,根据目标样本数据的数据类型对目标样本数据进行处理,得到目标分拣中心的目标特征向量Xi;然后,将样本特征Xi输入深度神经网络f(·),得到多个输出结果yi,其中,yi=f(Xi);并根据输出结果以及实际分拣时长之间的均方差构建损失函数,其中,损失函数如下所示:[0131] 其中,M为总的样本量以Yi为实际分拣时长;[0132] 最后,基于该损失函数对深度神经网络进行训练,得到上述预设的分拣时效预测模型中所包括的参数W、W1、W2、W3、b1、b2以及b3的取值。[0133] 进一步的,当深度神经网络训练完成后,再进行置信区间的评估。首先,将训练样本全部输入模型,评估均方误差:[0134][0135] 那么可以认为,对一个输入样本特征Xi,预测值服从以yi=f(Xi)为均值,σ2为方差的高斯分布;然后,再在在高斯分布中抽取数据样本,作为分拣时长的数据,并利用仿真系统对该分拣时长的数据进行仿真,进而避免该分拣中心在未来时间段出现爆仓等情况。[0136] 至此,可以得出对一个分拣中心和时间段的组合产生其分拣时长的过程可以如下所示:[0137] 首先,计算该分拣中心的属性标签,将分拣中心标签和时间段组合成为样本特征Xi;[0138] 其次,将样本特征Xi输入深度神经网络f(·),得到yi=f(Xi);[0139] 然后,以yi为均值,σ2为方差构建高斯分布,在高斯分布中抽取数据样本,作为分拣时长的数据,输入到仿真系统进行仿真,进而避免该分拣中心在未来时间段出现爆仓等情况。[0140] 其中,对每个分拣中心加工其属性标签,包括分拣中心所属的区域,省份,类型以及平均每天的单量,这些数据从大数据平台获得。[0141] 本发明示例实施例提供的分拣时效预测方法,至少具有以下优点:[0142] 一方面,将分拣中心进行标签化,用一系列的属性标签来对分拣中心进行刻画,代替分拣中心的编号和名称本身,并根据分拣中心的各个属性与分拣处理时长的关系建立机器学习模型,对分拣中心的处理时长进行估计。[0143] 另一方面,利用在样本集合上估计的误差给出一个置信区间,利用这个置信区间可以拟合出一个分拣时长的分布情况,并利用这个分布生成分拣时长数据的样本,输入到仿真系统。[0144] 再一方面,本方案使用标签化和机器学习的方法来对分拣处理时长建模,更好地综合了不同类型,不同地区的分拣中心的共性,通过各个维度对分拣时长的影响来得到一个更加合理的分拣时长的估计,使无论估计值还是置信区间的准确性上都比现有的方法更加准确。[0145] 进一步的,本方案对分拣中心进行了标签化,使对分拣时长的估计更加灵活。例如,如果想要在仿真中模拟由于业务的改变,某个分拣中心的波次,单量等信息发生变化,甚至要新建一个分拣中心,那么用现有的方法,历史数据就无法满足当前的需求。而用本方案中的方法,只要将想要模拟的分拣中心的各个属性表示清楚,就能够通过模型得到这个分拣中心相对应时间段的分拣时长。[0146] 本发明示例实施例还提供了一种分拣时效预测装置。参考图7所示,该分拣时效预测装置可以包括第一计算模块710、样本数据构建模块720、样本数据处理模块730以及时效预测模块740。其中:[0147] 第一计算模块710可以用于根据待处理单量数据计算待预测分拣中心的当前分拣时长标签。[0148] 样本数据构建模块720可以用于根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据。[0149] 样本数据处理模块730可以用于根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量。[0150] 时效预测模块740可以用于根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测。[0151] 在本公开的一种示例性实施例中,根据待处理单量数据计算待预测分拣中心的当前分拣时长标签包括:[0152] 获取第一预设时间段内的待处理单量数据;[0153] 以第二预设时间段为单位,将每一天划分成多个当前时间段,并按照各所述当前时间段对所述待处理单量数据进行分类得到多个分类结果;[0154] 随机从所述分类结果中抽取所述待预测分拣中心在各所述当前时间段内所处理的当前单量数据以及处理所述当前单量数据所需要的当前分拣时长;[0155] 根据各所述当前时间段、各所述当前单量数据以及各所述当前分拣时长,计算所述待预测分拣中心在各所述当前时间段内的当前分拣时长标签。[0156] 在本公开的一种示例性实施例中,在根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据之前,所述分拣时效预测方法还包括:[0157] 根据所述待预测分拣中心所属的地理位置以及类型,生成所述待预测分拣中心的静态属性;[0158] 根据所述待处理单量数据计算所述待预测分拣中心在所述第一预设时间段内的平均分拣货量;[0159] 根据所述待预测分拣中心的当前待分拣货量以及所述平均分拣货量生成所述待预测分拣中心的动态属性,并根据所述静态属性以及所述动态属性,生成所述当前属性标签。[0160] 在本公开的一种示例性实施例中,所述数据类型包括连续型数据和/或枚举型数据;[0161] 其中,根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量包括:[0162] 当所述当前样本数据的数据类型为连续型数据时,对所述当前样本数据进行异常数据剔除得到标准连续型数据;以及[0163] 当所述当前样本数据的数据类型为枚举型数据时,对所述当前样本数据进行编码,得到编码后的枚举型数据;[0164] 对所述标准连续型数据进行向量化处理,并对向量化处理后的标准连续型数据以及编码后的枚举型数据进行拼接,得到所述分拣中心的当前特征向量。[0165] 在本公开的一种示例性实施例中,对所述样本数据进行异常数据剔除包括:[0166] 基于箱形图对所述当前样本数据进行异常数据剔除。[0167] 在本公开的一种示例性实施例中,所述分拣时效预测装置还包括:[0168] 数据压缩模块,可以用于基于预设的压缩矩阵对所述编码后的枚举型数据进行压缩,得到压缩后的枚举型数据;[0169] 其中,对向量化处理后的标准连续型数据以及编码后的枚举型数据进行拼接,得到所述分拣中心的当前特征向量包括:[0170] 对向量化处理后的标准连续型数据以及压缩后的枚举型数据进行拼接,得到所述待预测分拣中心的当前特征向量。[0171] 在本公开的一种示例性实施例中,所述连续型数据包括各所述当前时间段、各所述当前单量数据、各所述当前分拣时长、所述当前待分拣货量以及所述平均分拣货量中的多种;[0172] 所述枚举型数据包括地理位置以及类型。[0173] 在本公开的一种示例性实施例中,根据所述当前特征向量对所述待预测分拣中心在未来时间段的分拣时效进行预测包括:[0174] 将所述当前特征向量输入至预设的分拣时效预测模型中,并根据所述预设的分拣时效预测模型的输出得到所述待预测分拣中心在未来时间段的多个目标时间段内的分拣时效。[0175] 在本公开的一种示例性实施例中,所述分拣时效预测装置还可以包括:[0176] 模型训练模块,可以用于利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型。[0177] 在本公开的一种示例性实施例中,利用历史单量数据对深度神经网络进行训练,得到所述预设的分拣时效预测模型包括:[0178] 根据历史单量数据计算目标分拣中心的目标分拣时长标签,并根据所述目标分拣中心的目标属性标签以及目标分拣时长标签构建目标样本数据;[0179] 根据所述目标样本数据的数据类型对所述目标样本数据进行处理,得到所述目标分拣中心的目标特征向量;[0180] 将所述目标特征向量输入至所述深度神经网络中得到多个输出结果,并根据各所述输出结果与所述目标分拣中心的实际分拣时长之间的均方差构建损失函数;[0181] 基于所述损失函数对所述深度神经网络进行训练,得到所述预设的分拣时效预测模型。[0182] 上述分拣时效预测装置中各模块的具体细节已经在对应的分拣时效预测方法中进行了详细的描述,因此此处不再赘述。[0183] 应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。[0184] 此外,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。[0185] 在本发明的示例性实施例中,还提供了一种能够实现上述方法的电子设备。[0186] 所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。[0187] 下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。[0188] 如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。[0189] 其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元810可以执行如图1中所示的步骤S110:根据待处理单量数据计算待预测分拣中心的当前分拣时长标签;步骤S120:根据所述待预测分拣中心的当前属性标签以及当前分拣时长标签构建当前样本数据;步骤S130:根据所述当前样本数据的数据类型对所述当前样本数据进行处理,得到所述待预测分拣中心的当前特征向量;步骤S140:根据所述当前特征向量对所述待预测分拣中心未来时间段的分拣时效进行预测。[0190] 存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。[0191] 存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。[0192] 总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。[0193] 电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器860通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。[0194] 通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD‑ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。[0195] 在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。[0196] 根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD‑ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。[0197] 所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。[0198] 计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。[0199] 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、有线、光缆、RF等等,或者上述的任意合适的组合。[0200] 可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言‑诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。[0201] 此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。[0202] 本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。

专利地区:北京

专利申请日期:2020-04-17

专利公开日期:2024-06-18

专利公告号:CN113537671B

电话咨询
读内容
搜本页
回顶部