發(fā)布時(shí)間：2020-08-09 19:38

【摘要】：近年來(lái),隨著人們生活習(xí)慣的改變,餐飲外賣(mài)愈發(fā)普及。隨之而來(lái)的是外賣(mài)配送的迅猛增長(zhǎng)。目前各大外賣(mài)平臺(tái)基本上都采用系統(tǒng)自動(dòng)派單的模式進(jìn)行訂單與配送員的匹配。外賣(mài)配送的系統(tǒng)派單要做到更加合理高效,所要面臨的一個(gè)重要問(wèn)題就是餐飲訂單出餐時(shí)長(zhǎng)預(yù)測(cè),即在用戶(hù)下單并完成訂單支付后預(yù)測(cè)出該訂單的餐品出餐所需要的時(shí)間。對(duì)出餐時(shí)長(zhǎng)預(yù)測(cè)的準(zhǔn)確性,直接決定了系統(tǒng)派單決策的準(zhǔn)確性以及合理性,對(duì)于高峰期配送員的運(yùn)力配置起到至關(guān)重要的作用。首先,本文介紹了文本挖掘和集成學(xué)習(xí)等相關(guān)理論。其次,以本人實(shí)習(xí)所負(fù)責(zé)的外賣(mài)訂單項(xiàng)目為案例,界定了出餐時(shí)長(zhǎng)的概念,提出了針對(duì)外賣(mài)訂單數(shù)據(jù)集的數(shù)據(jù)清洗方法。在此基礎(chǔ)上,基于業(yè)務(wù)經(jīng)驗(yàn)構(gòu)造基礎(chǔ)特征,同時(shí)使用文本挖掘技術(shù)構(gòu)造文本特征,并利用Early Fusion和Late Fusion兩種方法進(jìn)行特征融合。然后,比較了XGBoost、隨機(jī)森林和GBRT三類(lèi)方法四個(gè)基礎(chǔ)模型①的預(yù)測(cè)準(zhǔn)確性,并確定了四個(gè)基礎(chǔ)模型的最終融合方案。最后,本文基于MSE等指標(biāo)對(duì)最終融合得到的模型進(jìn)行了評(píng)估,并給出了實(shí)時(shí)預(yù)測(cè)方案。本文的研究結(jié)果表明,在學(xué)習(xí)過(guò)程中進(jìn)行數(shù)據(jù)、特征和算法參數(shù)的擾動(dòng)之后,對(duì)多個(gè)集成模型進(jìn)行加權(quán)融合比單一集成模型具有更好的預(yù)測(cè)效果。同時(shí)證明了在數(shù)據(jù)量較大、特征維度較高、計(jì)算資源相對(duì)有限的場(chǎng)景下,模型的加權(quán)融合比Stacking有更高的性?xún)r(jià)比。基于加權(quán)融合集成學(xué)習(xí)的出餐時(shí)長(zhǎng)預(yù)測(cè)模型提高了整個(gè)訂單配送系統(tǒng)的效率,提升了配送員和客戶(hù)的滿(mǎn)意度。
【學(xué)位授予單位】：浙江工商大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：C815
【圖文】：

第一節(jié)文本挖掘理論逡逑用到文本挖掘理論主要包括文本特征提取和文本特征融合兩部文本特征提取逡逑模型的文本特征提取主要有以下兩種：第一種基于深度學(xué)習(xí)［２］，編碼器（Ａｕｔｏ邋Ｅｎｃｏｄｅｒ）１４９１和深度信念網(wǎng)絡(luò)［５（）］，第二種是基于集成基于深度學(xué)習(xí)的文本特征提取逡逑Ｅｎｃｏｄｅｒ近年來(lái)較為流行。Ａｕｔｏ邋Ｅｎｃｏｄｅｒ由輸入層、隱含層以及組成。將詞向量進(jìn)行線性變換并用激活函數(shù)激活之后得到編解碼器作用編碼結(jié)果得到重構(gòu)向量Ａｕｔｏ邋Ｅｎｃｏｄｅｒ？的優(yōu)后得到的輸出層向量ｚ和原始的輸入層向量盡可能相似，即原先輸入的可視層的差異盡可能小。Ａｕｔｏ邋Ｅｎｃｏｄｅｒ網(wǎng)絡(luò)的結(jié)

筆者選取了某城市２０１７年４月１１日至２０１７年８月２６日的即時(shí)外賣(mài)完成訂單逡逑數(shù)據(jù)作為論文的主要研究數(shù)據(jù)，該數(shù)據(jù)集共有記錄２０８３４５５條。該數(shù)據(jù)集的出逡逑餐時(shí)長(zhǎng)分布如圖３－１所示。逡逑０．０６邋－邋Ａ逡逑０．０５－逡逑灥．逡逑Ｕ．逡逑丨＞逡逑Ｕ邋０邐２０邐４０邐６０邐Ｋ）邐１Ｄ０邐１２０邐１４０逡逑Ｐｒｅｐａｒｅ邋ＦｏｏｄｌｉｍｅｆｍｉＲＵｔｅｓ）逡逑圖３－１原始數(shù)據(jù)集出餐時(shí)長(zhǎng)分布圖逡逑從圖３－１可以看出，該數(shù)據(jù)集里的分析變量存在較多異常值。本文通過(guò)對(duì)逡逑外賣(mài)商家和配送員進(jìn)行調(diào)研發(fā)現(xiàn)實(shí)際情況中極少有訂單的出餐時(shí)長(zhǎng)在６０分鐘逡逑以上。但原始數(shù)據(jù)集里有一定比例的訂單出餐時(shí)長(zhǎng)在６０分鐘以上，最大的甚逡逑至達(dá)到１２５分鐘，這顯然是不合常理的。本文下一節(jié)將研究這些異常點(diǎn)的數(shù)據(jù)逡逑清洗方法。逡逑１８逡逑

浙江工商大學(xué)碩士論文逡逑（三）配送員等餐過(guò)程中離開(kāi)商家的數(shù)據(jù)清洗規(guī)則逡逑在一些場(chǎng)景下，騎手到達(dá)商家后擔(dān)心等待出餐的時(shí)間會(huì)過(guò)長(zhǎng)，可能離開(kāi)該商家先去其它的商家取餐或者先送完另一個(gè)訂單再來(lái)取餐。但是如手離開(kāi)商家的時(shí)間過(guò)久，當(dāng)他再次回到該商家時(shí)，餐品早己做好。逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張洞明;鄭宏;張力;;基于多特征集成學(xué)習(xí)的景區(qū)人群密度估計(jì)[J];科學(xué)技術(shù)與工程;2017年05期

2 王健;張俊妮;;統(tǒng)計(jì)模型在中文文本挖掘中的應(yīng)用[J];數(shù)理統(tǒng)計(jì)與管理;2017年04期

3 余小康;陳嶺;郭敬;蔡雅雅;吳勇;王敬昌;;結(jié)合從句級(jí)遠(yuǎn)程監(jiān)督與半監(jiān)督集成學(xué)習(xí)的關(guān)系抽取方法[J];模式識(shí)別與人工智能;2017年01期

4 徐健鋒;湯濤;嚴(yán)軍峰;劉真;;基于多機(jī)器學(xué)習(xí)競(jìng)爭(zhēng)策略的短時(shí)交通流預(yù)測(cè)[J];交通運(yùn)輸系統(tǒng)工程與信息;2016年04期

5 姜芳;李國(guó)和;岳翔;;基于語(yǔ)義的文檔特征提取研究方法[J];計(jì)算機(jī)科學(xué);2016年02期

6 倪志偉;張琛;倪麗萍;;基于螢火蟲(chóng)群優(yōu)化算法的選擇性集成霧霾天氣預(yù)測(cè)方法[J];模式識(shí)別與人工智能;2016年02期

7 朱賀軍;馬丁;;海量短文本實(shí)時(shí)挖掘方法的研究與仿真[J];計(jì)算機(jī)仿真;2015年12期

8 陳翠平;;基于深度信念網(wǎng)絡(luò)的文本分類(lèi)算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2015年02期

9 姜麗華;張宏斌;楊曉蓉;;基于領(lǐng)域本體的文本挖掘研究[J];情報(bào)科學(xué);2014年12期

10 劉勘;袁蘊(yùn)英;;基于自動(dòng)編碼器的短文本特征提取及聚類(lèi)研究[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年02期

本文編號(hào)：2787466