CN105005834A - 一种订单导流方法及设备 - Google Patents

Abstract

本发明公开一种订单导流方法及设备，所述订单导流方法包括：在接收到乘客端发送的第一订单后，获取所述第一订单的相关特征信息和所述乘客端在预设时间段内的多个第二订单支付信息；根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率；根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率；根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式。本发明的订单导流方法及设备为乘客选择出行方式时，不仅考虑城市粒度的各出行方式的订单成交率和订单接受率，而且考虑订单之间的差异，更好的服务乘客。

Description

一种订单导流方法及设备

技术领域

本发明涉及计算机处理技术领域，具体涉及一种订单导流方法及设备。

背景技术

随着智能设备和移动互联网技术的发展，打车软件的普及给人们的出行带来了极大的便利。当前打车需求已经是社会各阶层人士的普遍需求，打车软件已基本解决了司机和乘客之间的信息不对称问题。

乘客可以通过打车软件乘客端发送打车信息(即，订单)，打车软件乘客端将订单发送至业务服务器，业务服务器将订单向该乘客周围预定范围内的打车软件司机端推送，订单会在打车软件司机端被播报，司机听到订单后，可以进行抢单。如果司机抢单成功，则司机能够与乘客进行联系。

为了更好的服务乘客，打车软件为用户提供了多种出行方式，比如：出租车、专车、快车和顺风车，打车软件后续还可增加更多出行方式。因此，在乘客发送订单之后，为乘客选择合适的出行方式，即将订单导流到合适的出行方式上，对提高乘客的满意度，有重要作用。

现有的订单导流方法，首先获取历史时长内城市粒度的各出行方式的订单成交率和订单接受率，例如历史时长为当前时刻之前的15分钟，在这15分钟内共有10个订单，其中4个出租车订单，2个专车订单、2个快车订单和2个顺风车订单，成交的订单如下：3个出租车订单，1个专车订单，2个快车订单，1个顺风车订单，则各出行方式的订单成交率分别为：出租车75％，专车50％，快车100％，顺风车50％；各出行方式的订单接受率分别为：出租车40％，专车20％，快车20％，顺风车20％。然后获取历史时长内城市粒度的各出行方式的订单成交率与订单接受率乘积，对于上述情况，分别如下：出租车0.3，专车0.1，快车0.2，顺风车0.1。最后将乘积最大对应的出行方式作为导流方向，即将订单导流到该出行方式，对于上述情况，即将订单导流到出租车，并在导流时间内提示乘客是否选择出租车出行，若乘客选择出租车出行，则将订单推送到乘客周围预定范围内的出租车司机端。若乘客没有选择出租车出行，则将订单推送到乘客选择的出行方式对应的司机端。

现有的订单导流方法存在如下问题：为乘客选择出行方式时，只考虑城市粒度的各出行方式的订单成交率和订单接受率，没有考虑订单之间的差异，因此现有的订单导流方法有待优化。

发明内容

本发明所要解决的技术问题是现有的订单导流方法为乘客选择出行方式时，只考虑城市粒度的各出行方式的订单成交率和订单接受率，没有考虑订单之间的差异的问题。

为此目的，第一方面，本发明提出一种订单导流方法，包括：

在接收到乘客端发送的第一订单后，获取所述第一订单的相关特征信息和所述乘客端在预设时间段内的多个第二订单支付信息；

根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率；

根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率；

根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式。

可选的，所述根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率，包括：

根据所述多个第二订单支付信息，确定每个第二订单对应的每公里支付单价；

确定不同每公里支付单价对应的第二订单数量占第二订单总数的比例；

根据各出行方式对应的每公里单价与所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例，确定所述乘客端对各出行方式的选择概率。

可选的，所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的预设的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_1\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₁为所述第二订单对应的出行方式所对应的预设的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格。

可选的，所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的优化的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_2\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₂为第二订单对应的出行方式所对应的优化的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格；

所述Price₂的获取模型为：

${\mathrm{Price}}_2={\mathrm{Price}}_1\×\frac{P1-P3}{P1}$

其中，Price₁为第二订单对应的出行方式所对应的预设的每公里单价。

可选的，所述根据各出行方式对应的每公里单价与所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例，确定所述乘客端对各出行方式的选择概率，包括：

将所述不同每公里支付单价与所述各出行方式对应的每公里单价比较，确定所述不同每公里支付单价对应的出行方式；

确定所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例为所述乘客端对不同每公里支付单价对应的出行方式的选择概率。

可选的，所述根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率，包括：

采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率；

其中，所述预测模型为根据各出行方式在预设时间段内的第三订单的相关特征信息建立的预测模型，所述第一订单的相关特征信息为所述预测模型的预测变量，各出行方式对所述第一订单的成交概率为所述预测模型的目标变量。

可选的，在所述采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率之前，所述订单导流方法还包括：

获取各出行方式在预设时间段内的第三订单的相关特征信息；

将各出行方式在预设时间段内的第三订单的相关特征信息作为训练数据，采用线性回归模型对所述训练数据进行训练，得到预测模型。

可选的，所述根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式，包括：

获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值；

将条件概率值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。

可选的，所述获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值，包括：

获取所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率的乘积值。

第二方面，本发明还提供一种订单导流设备，包括：

获取单元，用于在接收到乘客端发送的第一订单后，获取所述第一订单的相关特征信息和所述乘客端在预设时间段内的多个第二订单支付信息；

第一确定单元，用于根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率；

预测单元，用于根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率；

第二确定单元，用于根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式。

可选的，所述第一确定单元，用于：

根据所述多个第二订单支付信息，确定每个第二订单对应的每公里支付单价；

确定不同每公里支付单价对应的第二订单数量占第二订单总数的比例；

根据各出行方式对应的每公里单价与所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例，确定所述乘客端对各出行方式的选择概率。

可选的，所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的预设的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_1\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₁为所述第二订单对应的出行方式所对应的预设的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格。

可选的，所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的优化的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_2\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₂为第二订单对应的出行方式所对应的优化的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格；

所述Price₂的获取模型为：

${\mathrm{Price}}_2={\mathrm{Price}}_1\×\frac{P1-P3}{P1}$

其中，Price₁为第二订单对应的出行方式所对应的预设的每公里单价。

可选的，所述第一确定单元，用于：

将所述不同每公里支付单价与所述各出行方式对应的每公里单价比较，确定所述不同每公里支付单价对应的出行方式；

确定所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例为所述乘客端对不同每公里支付单价对应的出行方式的选择概率。

可选的，所述预测单元，用于：

采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率；

其中，所述预测模型为根据各出行方式在预设时间段内的第三订单的相关特征信息建立的预测模型，所述第一订单的相关特征信息为所述预测模型的预测变量，各出行方式对所述第一订单的成交概率为所述预测模型的目标变量。

可选的，所述获取单元，用于获取各出行方式在预设时间段内的第三订单的相关特征信息；

所述订单导流设备还包括：

预测模型训练单元，用于将所述各出行方式在预设时间段内的第三订单的相关特征信息作为训练数据，采用线性回归模型对所述训练数据进行训练，得到预测模型。

可选的，所述第二确定单元，用于：

获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值；

将条件概率值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。

可选的，所述第二确定单元，用于：

获取所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率的乘积值；

将乘积值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。

相比于现有技术，本发明的订单导流方法及设备为乘客选择出行方式时，不仅考虑城市粒度的各出行方式的订单成交率和订单接受率，而且考虑订单之间的差异，更好的服务乘客。

附图说明

图1为本公开实施例提供的一种订单导流方法流程图；

图2为本公开实施例提供的一种订单导流设备结构图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下对本公开实施例中提及的部分词语进行举例说明。

本领域技术人员应当理解，本公开实施例中提及的乘客端是指安装有打车软件乘客端的任何终端，是呼叫服务方，可以包括任何类型的用户设备，诸如手持式计算机、个人数字助理PDA、蜂窝电话、网络家电、智能电话、增强型通用分组无线业务(EGPRS)移动电话、媒体播放器、导航设备或者这些数据处理设备或其他数据处理设备中的任何两个或多个的组合。

本领域技术人员应当理解，本公开实施例中提及的订单导流方法的执行主体、订单导流设备均可以为业务服务器，是提供服务方，业务服务器既可以代表如计算机服务器的单个服务器，也可以代表一起工作以执行功能的多个服务器，例如云服务器hadoop。

如图1所示，本实施例公开一种订单导流方法，所述方法可以包括以下步骤101至104：

101、在接收到乘客端发送的第一订单后，获取所述第一订单的相关特征信息和所述乘客端在预设时间段内的多个第二订单支付信息。

本实施例中，预设时间段为当前时刻的历史时间段，例如一周，若当前时刻为8:00am，则预设时间段则可以为一周前的8:00am至当前时刻。在这一周时间段内，所述乘客端可能发送了多个订单，即上述多个第二订单，对应产生了多个第二订单支付信息。

102、根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率。

103、根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率。

104、根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式。

上述订单导流方法为乘客选择出行方式时，不仅考虑城市粒度的各出行方式的订单成交率和订单接受率(即上述的选择概率)，而且考虑订单之间的差异(即考虑了订单的相关特征信息)，更好的服务乘客。

在一个具体的例子中，步骤102：根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率，具体可包括图1中未示出的如下步骤1021至1023：

1021、根据所述多个第二订单支付信息，确定每个第二订单对应的每公里支付单价；

1022、确定不同每公里支付单价对应的第二订单数量占第二订单总数的比例；

1023、根据各出行方式对应的每公里单价与所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例，确定所述乘客端对各出行方式的选择概率。

在一个具体的例子中，步骤1021中所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格。本实施例中，第一价格为用户小费，第二价格为优惠价格。本实施例仅为举例说明，并不限定第一价格与第二价格的内容，只要用户(即乘客)额外支付给司机的费用均属于第一价格，只要是免除用户支付的费用均属于第二价格。

步骤1023中所述各出行方式对应的每公里单价可以为各出行方式所对应的预设的每公里单价。

步骤1021中所述第二订单对应的每公里支付单价的获取模型可以为：

$Pa={\mathrm{Price}}_1\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₁为所述第二订单对应的出行方式所对应的预设的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格。

举例来说，若共有100个第二订单支付信息，则：

步骤1021具体为：根据100个第二订单支付信息，确定每个第二订单对应的每公里支付单价。

若步骤1021得到的不同每公里支付单价共有11个，如表1，则：

步骤1022具体为：确定不同每公里支付单价对应的第二订单数量占第二订单总数的比例，如表1所示。表1中，不同每公里支付单价Pa对应的第二订单数量占第二订单总数的比例为F(Pa)。

表1每公里支付单价对应的第二订单数量占总数的比例

Pa	1.8	1.9	2	2.1	2.2	2.3	2.4	2.5	2.6	2.7	2.8
												F(Pa)	5％	7％	5％	6％	8％	14％	16％	20％	16％	1％	2％

步骤1023具体为：将不同每公里支付单价与各出行方式对应的每公里单价比较，确定不同每公里支付单价对应的出行方式；确定不同每公里支付单价对应的第二订单数量占第二订单总数的比例为乘客端对不同每公里支付单价对应的出行方式的选择概率。

例如，出行方式为出租车时对应的预设的每公里单价为2.5，则表1中Pa＝2.5对应的出行方式即为出租车，且乘客端对出行方式为出租车的选择概率为20％。

在一个具体的例子中，步骤1023中所述各出行方式对应的每公里单价也可以为各出行方式所对应的优化的每公里单价。

则步骤1021中所述第二订单对应的每公里支付单价的获取模型可以为：

$Pa={\mathrm{Price}}_2\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₂为第二订单对应的出行方式所对应的优化的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格；

所述Price₂的获取模型为：

${\mathrm{Price}}_2={\mathrm{Price}}_1\×\frac{P1-P3}{P1}$

其中，Price₁为第二订单对应的出行方式所对应的预设的每公里单价。

在一个具体的例子中，步骤103：根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率，具体为：

采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率；

其中，所述预测模型为根据各出行方式在预设时间段内的第三订单的相关特征信息建立的预测模型，所述第一订单的相关特征信息为所述预测模型的预测变量，各出行方式对所述第一订单的成交概率为所述预测模型的目标变量。

在一个具体的例子中，所述第一订单的相关特征信息，包括以下一个特征信息或多个特征信息的组合：

所述第一订单指示的出发地与目的地之间的直线距离；

和/或，

发送所述第一订单的乘客端周围预设范围内的订单数量；

和/或，

发送所述第一订单的乘客端周围预设范围内的各出行方式对应的司机端数量；

和/或，

发送所述第一订单的乘客端周围预设范围内的各出行方式对应的预设时间段内的第三订单成交量与第三订单成交比例；

和/或，

所述第一订单指示的目的地周围预设范围内的第四订单数量；

和/或，

所述第一订单指示的目的地周围预设范围内的各出行方式对应的司机端数量。

本实施例仅为举例说明，并不限定第一订单的相关特征信息的内容，本领域技术人员可根据实际情况选择相关特征信息。

在一个具体的例子中，在采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率之前，所述订单导流方法还包括：

获取各出行方式在预设时间段内的第三订单的相关特征信息；

将各出行方式在预设时间段内的第三订单的相关特征信息作为训练数据，采用线性回归模型对所述训练数据进行训练，得到预测模型。

所述线性回归模型为逻辑斯特回归(Logistic regression，LR)模型或支持向量机模型。

在一个具体的例子中，步骤104：根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式，具体为：

获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值；

将条件概率值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。

在一个具体的例子中，事件“各出行方式对第一订单成交”与事件“乘客端对各出行方式的选择”为相互独立事件，因此，获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值，即为获取所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率的乘积值。

如图2所示，本实施例公开一种订单导流设备，所述设备可以包括如下单元：获取单元21、第一确定单元22、预测单元23及第二确定单元24。

所述获取单元21，用于在接收到乘客端发送的第一订单后，获取所述第一订单的相关特征信息和所述乘客端在预设时间段内的多个第二订单支付信息；

所述第一确定单元22，用于根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率；

所述预测单元23，用于根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率；

所述第二确定单元24，用于根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式。

在一个具体的例子中，所述第一确定单元22，用于：

根据所述多个第二订单支付信息，确定每个第二订单对应的每公里支付单价；

确定不同每公里支付单价对应的第二订单数量占第二订单总数的比例；

根据各出行方式对应的每公里单价与所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例，确定所述乘客端对各出行方式的选择概率。

在一个具体的例子中，所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的预设的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_1\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₁为所述第二订单对应的出行方式所对应的预设的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格。

在一个具体的例子中，所述各出行方式对应的每公里单价为各出行方式所对应的优化的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_2\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₂为第二订单对应的出行方式所对应的优化的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格；

所述Price₂的获取模型为：

${\mathrm{Price}}_2={\mathrm{Price}}_1\×\frac{P1-P3}{P1}$

其中，Price₁为第二订单对应的出行方式所对应的预设的每公里单价。

在一个具体的例子中，所述第一确定单元22，用于：

将所述不同每公里支付单价与所述各出行方式对应的每公里单价比较，确定所述不同每公里支付单价对应的出行方式；

确定所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例为所述乘客端对不同每公里支付单价对应的出行方式的选择概率。

在一个具体的例子中，所述预测单元23，用于：

采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率；

其中，所述预测模型为根据各出行方式在预设时间段内的第三订单的相关特征信息建立的预测模型，所述第一订单的相关特征信息为所述预测模型的预测变量，各出行方式对所述第一订单的成交概率为所述预测模型的目标变量。

在一个具体的例子中，所述获取单元21，用于获取各出行方式在预设时间段内的第三订单的相关特征信息；

所述订单导流设备还包括图2中未示出的：预测模型训练单元25，用于将所述各出行方式在预设时间段内的第三订单的相关特征信息作为训练数据，采用线性回归模型对所述训练数据进行训练，得到预测模型。

在一个具体的例子中，所述第二确定单元24，用于：

获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值；

将条件概率值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。

在一个具体的例子中，所述第二确定单元24，用于：

获取所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率的乘积值；

将乘积值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。

上述订单导流设备为乘客选择出行方式时，不仅考虑城市粒度的各出行方式的订单成交率和订单接受率(即上述的选择概率)，而且考虑订单之间的差异(即考虑了订单的相关特征信息)，更好的服务乘客。

需要说明的是，在本文中，所述“第一”和“第二”仅仅用来区分名称相同的实体或操作，而不是暗示名称相同的实体或操作之间的关系或者顺序。

本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是互相排斥之处，可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种浏览器终端的设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (18)

1.一种订单导流方法，其特征在于，包括：

在接收到乘客端发送的第一订单后，获取所述第一订单的相关特征信息和所述乘客端在预设时间段内的多个第二订单支付信息；

根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率；

根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率；

根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式。

2.根据权利要求1所述的订单导流方法，其特征在于，所述根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率，包括：

根据所述多个第二订单支付信息，确定每个第二订单对应的每公里支付单价；

确定不同每公里支付单价对应的第二订单数量占第二订单总数的比例；

根据各出行方式对应的每公里单价与所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例，确定所述乘客端对各出行方式的选择概率。

3.根据权利要求2所述的订单导流方法，其特征在于，

所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的预设的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_1\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₁为所述第二订单对应的出行方式所对应的预设的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格。

4.根据权利要求2所述的订单导流方法，其特征在于，

所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的优化的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_2\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₂为第二订单对应的出行方式所对应的优化的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格；

所述Price₂的获取模型为：

${\mathrm{Price}}_2={\mathrm{Price}}_1\×\frac{P1-P3}{P1}$

其中，Price₁为第二订单对应的出行方式所对应的预设的每公里单价。

5.根据权利要求2至4任一项所述的订单导流方法，其特征在于，所述根据各出行方式对应的每公里单价与所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例，确定所述乘客端对各出行方式的选择概率，包括：

将所述不同每公里支付单价与所述各出行方式对应的每公里单价比较，确定所述不同每公里支付单价对应的出行方式；

确定所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例为所述乘客端对不同每公里支付单价对应的出行方式的选择概率。

6.根据权利要求1所述的订单导流方法，其特征在于，所述根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率，包括：

采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率；

其中，所述预测模型为根据各出行方式在预设时间段内的第三订单的相关特征信息建立的预测模型，所述第一订单的相关特征信息为所述预测模型的预测变量，各出行方式对所述第一订单的成交概率为所述预测模型的目标变量。

7.根据权利要求6所述的订单导流方法，其特征在于，在所述采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率之前，所述订单导流方法还包括：

获取各出行方式在预设时间段内的第三订单的相关特征信息；

将各出行方式在预设时间段内的第三订单的相关特征信息作为训练数据，采用线性回归模型对所述训练数据进行训练，得到预测模型。

8.根据权利要求1所述的订单导流方法，其特征在于，所述根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式，包括：

获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值；

将条件概率值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。

9.根据权利要求8所述的订单导流方法，其特征在于，所述获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值，包括：

获取所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率的乘积值。

10.一种订单导流设备，其特征在于，包括：

获取单元，用于在接收到乘客端发送的第一订单后，获取所述第一订单的相关特征信息和所述乘客端在预设时间段内的多个第二订单支付信息；

第一确定单元，用于根据所述多个第二订单支付信息和各出行方式对应的每公里单价，确定所述乘客端对各出行方式的选择概率；

预测单元，用于根据所述第一订单的相关特征信息，预测各出行方式对所述第一订单的成交概率；

第二确定单元，用于根据所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率，确定所述第一订单导流的目标出行方式。

11.根据权利要求10所述的订单导流设备，其特征在于，所述第一确定单元，用于：

根据所述多个第二订单支付信息，确定每个第二订单对应的每公里支付单价；

确定不同每公里支付单价对应的第二订单数量占第二订单总数的比例；

根据各出行方式对应的每公里单价与所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例，确定所述乘客端对各出行方式的选择概率。

12.根据权利要求11所述的订单导流设备，其特征在于，

所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的预设的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_1\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₁为所述第二订单对应的出行方式所对应的预设的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格。

13.根据权利要求11所述的订单导流设备，其特征在于，

所述第二订单支付信息包括：出行方式，计价器显示价格，第一价格以及第二价格；

所述各出行方式对应的每公里单价为各出行方式所对应的优化的每公里单价；

所述第二订单对应的每公里支付单价的获取模型如下：

$Pa={\mathrm{Price}}_2\×\frac{P1+P2-P3}{P1}$

其中，Pa为所述第二订单对应的每公里支付单价，Price₂为第二订单对应的出行方式所对应的优化的每公里单价，P1为所述计价器显示价格，P2为所述第一价格，P3为所述第二价格；

所述Price₂的获取模型为：

${\mathrm{Price}}_2={\mathrm{Price}}_1\×\frac{P1-P3}{P1}$

其中，Price₁为第二订单对应的出行方式所对应的预设的每公里单价。

14.根据权利要求11至13任一项所述的订单导流设备，其特征在于，所述第一确定单元，用于：

将所述不同每公里支付单价与所述各出行方式对应的每公里单价比较，确定所述不同每公里支付单价对应的出行方式；

确定所述不同每公里支付单价对应的第二订单数量占第二订单总数的比例为所述乘客端对不同每公里支付单价对应的出行方式的选择概率。

15.根据权利要求10所述的订单导流设备，其特征在于，所述预测单元，用于：

采用预先建立的预测模型，预测各出行方式对所述第一订单的成交概率；

其中，所述预测模型为根据各出行方式在预设时间段内的第三订单的相关特征信息建立的预测模型，所述第一订单的相关特征信息为所述预测模型的预测变量，各出行方式对所述第一订单的成交概率为所述预测模型的目标变量。

16.根据权利要求15所述的订单导流设备，其特征在于，

所述获取单元，用于获取各出行方式在预设时间段内的第三订单的相关特征信息；

所述订单导流设备还包括：

预测模型训练单元，用于将所述各出行方式在预设时间段内的第三订单的相关特征信息作为训练数据，采用线性回归模型对所述训练数据进行训练，得到预测模型。

17.根据权利要求10所述的订单导流设备，其特征在于，所述第二确定单元，用于：

获取所述乘客端在所述各出行方式对所述第一订单成交的条件下选择各出行方式的条件概率值；

将条件概率值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。

18.根据权利要求17所述的订单导流设备，其特征在于，所述第二确定单元，用于：

获取所述乘客端对各出行方式的选择概率和所述各出行方式对所述第一订单的成交概率的乘积值；

将乘积值中的最大值对应的出行方式，确定为所述第一订单导流的目标出行方式。