CN105160711B

CN105160711B - 一种动态调价方法及装置

Info

Publication number: CN105160711B
Application number: CN201510516205.XA
Authority: CN
Inventors: 刘章勋; 闫子园
Original assignee: Beijing Didi Infinity Technology and Development Co Ltd
Current assignee: Beijing Didi Infinity Technology and Development Co Ltd
Priority date: 2015-08-20
Filing date: 2015-08-20
Publication date: 2018-03-02
Anticipated expiration: 2035-08-20
Also published as: CN105160711A

Abstract

本发明提供了一种动态调价方法，包括：在接收UE发送的打车请求之后，根据所述打车请求中的出发地，获取所述出发地所属区域内的至少一个终端；获得所述UE在调价前的第一接受概率，以及在调价后的第二接受概率；获得终端在调价前的第一抢单概率，以及在调价后的第二抢单概率；根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的UE实施调价策略。本发明还提供一种动态调价装置，包括：终端获取单元、接受概率获取单元、抢单概率获取单元及调价确定单元。本发明能够使得司机与乘客双方收益最大化，促进订单成交率，缓解运力不足的情况，提高乘客的乘车体验。

Description

一种动态调价方法及装置

技术领域

本发明涉及计算机处理技术领域，尤其涉及一种动态调价方法及装置。

背景技术

目前，打车系统的使用越来越普遍，乘客可以便捷地通过用户设备(UserEquipment，简称UE)上安装的打车系统发布打车请求。而对于打车系统而言，高峰期与平峰期的订单状况截然不同：平峰期订单偏少，司机运能得不到有效释放；而上下班高峰期，相比于急剧增长的订单，司机供给严重不足。而且城市高峰期往往伴随着拥堵，导致司机不愿意出车，这意味着高峰时段，原本紧张的供求关系会更加明显。

因此，在供不应求的情况下，一方面，一部分具有距离偏短、订单路段拥堵或订单目的地偏远等特征的订单几乎难以成交；另一方面，大量订单涌入导致播单信道拥堵，一些优质订单无法播出，从而使得优质订单未能够成交。因此，如何促进有限的司机高效完成订单，同时在高峰期吸引更多的司机上线工作，从而缓解运力不足的情况，是目前急需解决的问题。

发明内容

针对现有技术中部分订单难以成交、订单成交率低、高峰期无法吸引司机上线工作导致运力不足的缺陷，本发明提供了一种动态调价方法及装置。

第一方面，本发明提供了一种动态调价方法，该方法包括：

在接收用户设备UE发送的打车请求之后，根据所述打车请求中的出发地，获取所述出发地所属区域内的至少一个终端；

根据预设的调价金额，获得所述UE在调价前的第一接受概率，以及在调价后的第二接受概率；

针对获取的每一终端，根据预设的调价金额，获得该终端在调价前的第一抢单概率，以及在调价后的第二抢单概率；

根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的UE实施调价策略。

优选地，所述根据预设的调价金额，获得所述UE在调价前的第一接受概率，以及在调价后的第二接受概率，包括：

采用预先建立的该UE的调价接受概率预估模型，根据所述UE的历史订单数据及预设的调价金额，确定所述UE在调价前的第一接受概率及在调价后的第二接受概率。

优选地，所述根据预设的调价金额，获得该终端在调价前的第一抢单概率，以及在调价后的第二抢单概率，包括：

采用预先建立的该终端的调价抢单概率预估模型，根据所述终端的历史订单数据及预设的调价金额，确定所述终端在调价前的第一抢单概率及在调价后的第二抢单概率。

优选地，所述确定所述UE在调价前的第一接受概率及在调价后的第二接受概率之前，该方法还包括：

获取UE在预定时间段内的历史订单数据；

将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述UE的调价接受概率预估模型；

其中，所述历史订单数据包括该UE的历史打车数量、历史订单成交数量、金额抵扣方式、金额抵扣数量及每一历史订单对应的调价金额。

优选地，所述确定所述终端在调价前的第一抢单概率及在调价后的第二抢单概率之前，该方法还包括：

获取终端在预定时间段内的历史订单数据；

将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述终端的调价抢单概率预估模型；

其中，所述历史订单数据包括该终端的历史抢单概率、终端平均在线时间及每一历史订单对应的调价金额。

优选地，所述线性回归模型包括逻辑斯特回归模型或支持向量机模型。

优选地，所述根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的UE实施调价策略，包括：

根据所述UE在调价前的第一接受概率α、所述UE在调价后的第二接受概率α’、所述终端在调价前的第一抢单概率β及所述终端在调价后的第二抢单概率β’，获得α’β’-αβ的值；

判断α’β’-αβ的值是否大于0，若大于0，则根据预设的调价金额对所述当前打出打车请求的UE实施调价策略；

其中，α’、β’、α、β均大于等于0。

优选地，所述方法还包括：

若确定需要对当前发出打车请求的UE实施调价策略，则根据所述预设的调价金额，向所述UE发出调价请求；

其中，所述调价请求携带提示增加付款金额的信息或提示增加付款倍数的信息。

优选地，所述方法还包括：

判断预设时间段内是否接收到所述UE发送的所述调价请求的应答信息；

若接收到所述应答信息，且所述应答信息为确认增加付款的确认信息，则生成发送多个终端的订单；

或者，若接收到所述应答信息，且所述应答信息为拒绝增加付款的确认信息，则丢弃所述打车请求；

否则，丢弃所述打车请求。

第二方面，本发明提供了一种动态调价装置，该装置包括：

终端获取单元，用于在接收用户设备UE发送的打车请求时，根据所述打车请求中的出发地，获取所述出发地所属区域内的至少一个终端；

接受概率获取单元，用于根据预设的调价金额，获得所述UE在调价前的第一接受概率，以及在调价后的第二接受概率；

抢单概率获取单元，用于根据预设的调价金额，获得该终端在调价前的第一抢单概率，以及在调价后的第二抢单概率；

调价确定单元，用于根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的UE实施调价策略。

优选地，所述接受概率获取单元，用于：

优选地，所述抢单概率获取单元，用于：

优选地，该装置还包括第一模型建立单元，用于：

获取UE在预定时间段内的历史订单数据；

优选地，该装置还包括第二模型建立单元，用于：

获取终端在预定时间段内的历史订单数据；

优选地，所述调价确定单元，用于：

其中，α’、β’、α、β均大于等于0。

优选地，所述装置还包括发送单元，用于：

优选地，所述装置还包括订单生成单元，用于：

否则，丢弃所述打车请求。

由上述技术方案可知，本发明提供一种动态调价方法及装置，基于乘客、司机的个性化接受率预测调价，引用多维度特征数据，预测乘客、司机对订单是否加价的接受程度，并将接受程度转换为调价金额，从而使得司机与乘客双方收益最大化，能够促进订单成交率，缓解运力不足的情况，提高乘客的乘车体验。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，还可以根据这些图获得其他的附图。

图1是本公开一实施例提供的一种动态调价方法的流程示意图；

图2是本公开另一实施例提供的一种动态调价装置的结构示意图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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，都属于本公开保护的范围。

如图1所示，为本公开一实施例提供的一种动态调价方法的流程示意图，该方法包括如下步骤：

S1：在接收用户设备UE发送的打车请求之后，根据所述打车请求中的出发地，获取所述出发地所属区域内的至少一个终端。

其中，用户设备(User Equipment，简称UE)是指呼叫服务方，如交通工具叫车服务中的乘客，所使用的移动终端或个人计算机(Personal Computer，简称PC)等设备。例如智能手机、个人数码助理(PDA)、平板电脑、笔记本电脑、车载电脑(carputer)、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如Google Glass、OculusRift、Hololens、Gear VR)等。终端为提供服务方，如交通工具叫车服务中的司机，所使用的用于接单的移动终端或PC端等设备。诸如上述呼叫服务方所使用各设备。打车请求包括：出发地、目的地及所述UE的用户标识等等或其中某一信息。则UE的用户标识包含手机号码、身份标识码(Identity，简称id)、硬件地址(Media Access Control，简称MAC)等或其中某一信息。

具体来说，在接收用户设备UE发送的打车请求之后，根据所述打车请求中的出发地，获取所述与出发地距离小于预设距离的至少一个终端，或获取所述出发地所属地理区域内的至少一个终端。

S2：根据预设的调价金额，获得所述UE在调价前的第一接受概率，以及在调价后的第二接受概率。

具体来说，根据历史订单数据及预设的调价金额，可预测得到第一接受概率和第二接受概率。其中，第一接受概率为在调价为0(调价前)的时候所述UE的订单成交的概率，第二接受概率为所述UE接受所述预设的调价金额的调价请求的概率。其中，预设的调价金额可取值为(0,100)。如金额为0，则表示调价前；金额>0，则表示调价后。

在实际应用中，随着调价金额的增加，UE的接受率逐渐变小，即乘客接受度越来越低。

S3：针对获取的每一终端，根据预设的调价金额，获得该终端在调价前的第一抢单概率，以及在调价后的第二抢单概率。

具体来说，根据历史订单数据及预设的调价金额，可预测得到第一抢单概率和第二抢单概率。第一抢单概率为在调价为0(调价前)的时候所述终端的抢单概率，第二接受概率为在调价后所述终端的抢单概率。其中，预设的调价金额可取值为(0,100)。如金额为0，则表示调价前；金额>0，则表示调价后。

在实际应用中，随着调价金额的增加，终端的成交率逐渐变大，即司机接受度越来越高。

S4：根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的UE实施调价策略。

本实施例提供了一种动态调价方法，基于乘客、司机的个性化接受率预测调价，引用多维度特征数据，预测乘客、司机对订单是否加价的接受程度，并将接受程度转换为调价金额，从而使得司机与乘客双方收益最大化，能够促进订单成交率，缓解运力不足的情况，提高乘客的乘车体验。

本实施例中，步骤S2，具体包括：

相应地，步骤S2之前，该方法还包括如下步骤：

A01、获取UE在预定时间段内的历史订单数据；

A02、将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述UE的调价接受概率预估模型；

其中，所述历史订单数据包括该UE的历史打车数量、历史订单成交数量、金额抵扣方式、金额抵扣数量及每一历史订单对应的调价金额等。举例来说，金额抵扣方式包括现金券、红包等等，相应地，金额抵扣数量包括：现金券使用数量、现金券剩余数量、红包使用数量及红包剩余数量等。

本实施例中，线性回归模型可以是：逻辑斯特回归模型或支持向量机模型。

本实施例中，步骤S3，具体包括：

相应地，步骤S3之前，该方法还包括如下步骤：

B01、获取终端在预定时间段内的历史订单数据；

B02、将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述终端的调价抢单概率预估模型；

其中，所述历史订单数据包括该终端的历史抢单概率、终端平均在线时间及每一历史订单对应的调价金额等。

本实施例，所述线性回归模型包括：逻辑斯特回归模型或支持向量机模型。

下面以逻辑斯特回归模型作为线性回归训练模型为具体实施例，对本发明技术方案进行说明。

逻辑斯特回归(Logistic Regression)模型广泛运用于二分类问题，其中y是(0，1)标识，即对应的特征是否命中；w是该特征对应的权重。Pr(y＝1|x,w)表示预估为正例的概率，Pr(y＝0|x,w)表示预估负例的概率，具体模型如下：

其中，x表示预测变量，y表示目标变量，y＝1表示预测为正例，y＝0表示预测为负例，w表示权重。

本实施例中，具体地，步骤A02中获得的UE的调价接受概率预估模型中，x表示多维的特征数据，即UE的历史订单数据，y表示目标变量，y＝1表示预测为接受，y＝0表示预测为不接受，则Pr(y＝1|x,w)对于接受调价的概率，Pr(y＝0|x,w)表示不接受调价的概率。

相应地，步骤S2中，可以将UE的历史订单数据(例如，历史打车数量、历史订单成交数量、历史用券情况、当前剩余券情况及每一历史订单对应的调价金额中的一个或多个)抽取成预测变量X，而将调价前后的乘客接受概率作为目标变量Y。通过对历史订单数据进行逻辑斯特回归模型训练，便可以对当前UE在调价前后的接受概率进行预测。在实践过程中，还可以通过不断添加新发起订单是否被该UE接受的相关特征，不断地提高该UE的调价接受概率预估模型的准确度。

本实施例中，步骤B02中获得的终端的调价抢单概率预估模型中，x表示多维的特征数据，即终端的历史订单数据，y表示目标变量，y＝1表示预测为抢单，y＝0表示预测为不抢单，则Pr(y＝1|x,w)对于抢单的概率，Pr(y＝0|x,w)表示不抢单的概率。

相应地，步骤S3中，可以将终端的历史订单数据(例如，终端的历史抢单概率、终端平均在线时间及每一历史订单对应的调价金额中的一个或多个)抽取成预测变量X，而将调价前后的司机抢单概率作为目标变量Y。通过对历史订单数据进行逻辑斯特回归模型训练，便可以对当前终端在调价前后的抢单概率进行预测。在实践过程中，还可以通过不断添加新发起订单是否被该终端抢单的相关特征，不断地提高该终端的调价抢单概率预估模型的准确度。

本实施例中，在步骤A02或步骤B02之后，进一步包括以下图中未示出的步骤：

根据线上实时获取的历史订单数据，采用机器学习算法，对该UE的调价接受概率预估模型或该终端的调价抢单概率预估模型进行优化。

本实施例中，步骤S4，具体包括如下步骤：

S41：根据所述UE在调价前的第一接受概率α、所述UE在调价后的第二接受概率α’、所述终端在调价前的第一抢单概率β及所述终端在调价后的第二抢单概率β’，获得α’β’-αβ的值。

S42：判断α’β’-αβ的值是否大于0，若大于0，则根据预设的调价金额对所述当前打出打车请求的UE实施调价策略。

其中，α’、β’、α、β均大于等于0。

可理解的是，若α’β’-αβ>0，则表明调价后司机和乘客的接受率有所增加，此时乘客、司机的收益最大化，因此确定需要对所述当前打出打车请求的UE实施调价策略。

进一步地，所述方法还包括：

S5：若确定需要对当前发出打车请求的UE实施调价策略，则根据所述预设的调价金额，向所述UE发出调价请求。

具体来说，当确定需要对当前发出打车请求的UE实施调价策略时，根据预设的调价金额生成调价请求，并发送给所述UE。可直接提示用户增加付款的金额，或者将所述金额换算为付款增加的倍数提示给用户。

进一步地，所述方法还包括：

S6：判断预设时间段内是否接收到所述UE发送的所述调价请求的应答信息。

S7：若接收到所述应答信息，且所述应答信息为确认增加付款的确认信息，则生成发送多个终端的订单；或者，若接收到所述应答信息，且所述应答信息为拒绝增加付款的确认信息，则丢弃所述打车请求；

S8：否则，丢弃所述打车请求。

具体来说，判断在一定时间范围内，是否接收到用户的应答，若接收到应答且乘客接受加价，则根据打车请求生成订单信息，并将该订单信息发送给多个终端；若接收到应答且乘客拒绝加价，则丢弃该打车请求，不向终端发送订单信息。若没有接收到用户的应答，也丢弃该打车请求。如此，引导一部分订单价值低但打车欲望高的乘客补足订单价格，获得与其他订单竞争的机会；而使订单价值低且打车欲望低的乘客放弃发单，从而提高了已发出订单的成交率，最大程度地满足迫切用车的乘客的需求。

如图2所示，为本公开另一实施例提供的一种动态调价装置的结构示意图，该装置包括：终端获取单元201、接受概率获取单元202、抢单概率获取单元203及调价确定单元204。其中：

终端获取单元201，用于在接收用户设备UE发送的打车请求时，根据所述打车请求中的出发地，获取所述出发地所属区域内的至少一个终端；

接受概率获取单元202，用于根据预设的调价金额，获得所述UE在调价前的第一接受概率，以及在调价后的第二接受概率；

抢单概率获取单元203，用于根据预设的调价金额，获得该终端在调价前的第一抢单概率，以及在调价后的第二抢单概率；

调价确定单元204，用于根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的UE实施调价策略。

本实施例中，所述接受概率获取单元，用于：

本实施例中，所述抢单概率获取单元，用于：

本实施例中，该装置还包括第一模型建立单元，用于：

获取UE在预定时间段内的历史订单数据；

本实施例中，该装置还包括第二模型建立单元，用于：

获取终端在预定时间段内的历史订单数据；

本实施例中，所述线性回归模型包括逻辑斯特回归模型或支持向量机模型。

本实施例中，所述调价确定单元，用于：

其中，α’、β’、α、β均大于等于0。

本实施例中，所述装置还包括发送单元，用于：

本实施例中，所述装置还包括订单生成单元，用于：

否则，丢弃所述打车请求。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

综上所述，本实施例提供了一种动态调价方法及装置，基于预先建立的调价时乘客接受率预测模型及调价时司机抢单率预测模型预测调价，具体地，引用多维度特征数据，预测乘客、司机对订单是否加价的接受程度，并将接受程度转换为调价金额；基于预测的接受率，当司机与乘客在调价后的接受率比调价前的接受率大时，向乘客发送调价请求，从而有效促进订单成交率，能够使得司机与乘客双方收益最大化，在高峰期吸引更多的司机上线接单，缓解运力不足的情况，并提高了乘客的乘车体验。

应当注意的是，在本公开的系统的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本公开不受限于此，可以根据需要对各个部件进行重新划分或者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的子部件。

本公开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)来实现根据本公开实施例的系统中的一些或者全部部件的一些或者全部功能。本公开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)。这样的实现本公开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。

应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上实施方式仅适于说明本公开，而并非对本公开的限制，有关技术领域的普通技术人员，在不脱离本公开的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本公开的范畴，本公开的专利保护范围应由权利要求限定。

Claims

1.一种动态调价方法，其特征在于，该方法包括：

根据预设的调价金额，获得所述用户设备UE在调价前的第一接受概率，以及在调价后的第二接受概率；

根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的用户设备UE实施调价策略；

所述根据预设的调价金额，获得所述用户设备UE在调价前的第一接受概率，以及在调价后的第二接受概率，包括：

采用预先建立的该用户设备UE的调价接受概率预估模型，根据所述用户设备UE的历史订单数据及预设的调价金额，确定所述用户设备UE在调价前的第一接受概率及在调价后的第二接受概率。

2.根据权利要求1所述的方法，其特征在于，所述根据预设的调价金额，获得该终端在调价前的第一抢单概率，以及在调价后的第二抢单概率，包括：

3.根据权利要求1所述的方法，其特征在于，所述确定所述用户设备UE在调价前的第一接受概率及在调价后的第二接受概率之前，该方法还包括：

获取用户设备UE在预定时间段内的历史订单数据；

将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述用户设备UE的调价接受概率预估模型；

其中，所述历史订单数据包括该用户设备UE的历史打车数量、历史订单成交数量、金额抵扣方式、金额抵扣数量及每一历史订单对应的调价金额。

4.根据权利要求1所述的方法，其特征在于，所述确定所述终端在调价前的第一抢单概率及在调价后的第二抢单概率之前，该方法还包括：

获取终端在预定时间段内的历史订单数据；

5.根据权利要求3或4所述的方法，其特征在于，所述线性回归模型包括逻辑斯特回归模型或支持向量机模型。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的用户设备UE实施调价策略，包括：

根据所述用户设备UE在调价前的第一接受概率α、所述用户设备UE在调价后的第二接受概率α’、所述终端在调价前的第一抢单概率β及所述终端在调价后的第二抢单概率β’，获得α’β’-αβ的值；

判断α’β’-αβ的值是否大于0，若大于0，则根据预设的调价金额对所述当前发出打车请求的用户设备UE实施调价策略；

其中，α’、β’、α、β均大于等于0。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若确定需要对当前发出打车请求的用户设备UE实施调价策略，则根据所述预设的调价金额，向所述用户设备UE发出调价请求；

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

判断预设时间段内是否接收到所述用户设备UE发送的所述调价请求的应答信息；

否则，丢弃所述打车请求。

9.一种动态调价装置，其特征在于，该装置包括：

接受概率获取单元，用于根据预设的调价金额，获得所述用户设备UE在调价前的第一接受概率，以及在调价后的第二接受概率；

调价确定单元，用于根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定是否需要对当前发出打车请求的用户设备UE实施调价策略；

所述接受概率获取单元，用于：

10.根据权利要求9所述的装置，其特征在于，所述抢单概率获取单元，用于：

11.根据权利要求9所述的装置，其特征在于，该装置还包括第一模型建立单元，用于：

获取用户设备UE在预定时间段内的历史订单数据；

12.根据权利要求10所述的装置，其特征在于，该装置还包括第二模型建立单元，用于：

获取终端在预定时间段内的历史订单数据；

13.根据权利要求11或12所述的装置，其特征在于，所述线性回归模型包括逻辑斯特回归模型或支持向量机模型。

14.根据权利要求9所述的装置，其特征在于，所述调价确定单元，用于：

其中，α’、β’、α、β均大于等于0。

15.根据权利要求9所述的装置，其特征在于，所述装置还包括发送单元，用于：

16.根据权利要求9所述的装置，其特征在于，所述装置还包括订单生成单元，用于：

否则，丢弃所述打车请求。