基于文本挖掘和集成学习的外卖订单出餐时长预测

发布时间：2020-08-09 19:38

【摘要】：近年来,随着人们生活习惯的改变,餐饮外卖愈发普及。随之而来的是外卖配送的迅猛增长。目前各大外卖平台基本上都采用系统自动派单的模式进行订单与配送员的匹配。外卖配送的系统派单要做到更加合理高效,所要面临的一个重要问题就是餐饮订单出餐时长预测,即在用户下单并完成订单支付后预测出该订单的餐品出餐所需要的时间。对出餐时长预测的准确性,直接决定了系统派单决策的准确性以及合理性,对于高峰期配送员的运力配置起到至关重要的作用。首先,本文介绍了文本挖掘和集成学习等相关理论。其次,以本人实习所负责的外卖订单项目为案例,界定了出餐时长的概念,提出了针对外卖订单数据集的数据清洗方法。在此基础上,基于业务经验构造基础特征,同时使用文本挖掘技术构造文本特征,并利用Early Fusion和Late Fusion两种方法进行特征融合。然后,比较了XGBoost、随机森林和GBRT三类方法四个基础模型①的预测准确性,并确定了四个基础模型的最终融合方案。最后,本文基于MSE等指标对最终融合得到的模型进行了评估,并给出了实时预测方案。本文的研究结果表明,在学习过程中进行数据、特征和算法参数的扰动之后,对多个集成模型进行加权融合比单一集成模型具有更好的预测效果。同时证明了在数据量较大、特征维度较高、计算资源相对有限的场景下,模型的加权融合比Stacking有更高的性价比。基于加权融合集成学习的出餐时长预测模型提高了整个订单配送系统的效率,提升了配送员和客户的满意度。
【学位授予单位】：浙江工商大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：C815
【图文】：

示意图,基本的,文本特征提取,示意图

第一节文本挖掘理论逡逑用到文本挖掘理论主要包括文本特征提取和文本特征融合两部文本特征提取逡逑模型的文本特征提取主要有以下两种：第一种基于深度学习［２］，编码器（Ａｕｔｏ邋Ｅｎｃｏｄｅｒ）１４９１和深度信念网络［５（）］，第二种是基于集成基于深度学习的文本特征提取逡逑Ｅｎｃｏｄｅｒ近年来较为流行。Ａｕｔｏ邋Ｅｎｃｏｄｅｒ由输入层、隐含层以及组成。将词向量进行线性变换并用激活函数激活之后得到编解码器作用编码结果得到重构向量Ａｕｔｏ邋Ｅｎｃｏｄｅｒ？的优后得到的输出层向量ｚ和原始的输入层向量尽可能相似，即原先输入的可视层的差异尽可能小。Ａｕｔｏ邋Ｅｎｃｏｄｅｒ网络的结

分布图,时长,数据集,异常值

笔者选取了某城市２０１７年４月１１日至２０１７年８月２６日的即时外卖完成订单逡逑数据作为论文的主要研究数据，该数据集共有记录２０８３４５５条。该数据集的出逡逑餐时长分布如图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逦２０逦４０逦６０逦Ｋ）逦１Ｄ０逦１２０逦１４０逡逑Ｐｒｅｐａｒｅ邋ＦｏｏｄｌｉｍｅｆｍｉＲＵｔｅｓ）逡逑图３－１原始数据集出餐时长分布图逡逑从图３－１可以看出，该数据集里的分析变量存在较多异常值。本文通过对逡逑外卖商家和配送员进行调研发现实际情况中极少有订单的出餐时长在６０分钟逡逑以上。但原始数据集里有一定比例的订单出餐时长在６０分钟以上，最大的甚逡逑至达到１２５分钟，这显然是不合常理的。本文下一节将研究这些异常点的数据逡逑清洗方法。逡逑１８逡逑

轨迹图,点击,轨迹,数据清洗

浙江工商大学硕士论文逡逑（三）配送员等餐过程中离开商家的数据清洗规则逡逑在一些场景下，骑手到达商家后担心等待出餐的时间会过长，可能离开该商家先去其它的商家取餐或者先送完另一个订单再来取餐。但是如手离开商家的时间过久，当他再次回到该商家时，餐品早己做好。逡逑

【参考文献】