CN106909269A - 一种车型标签的展示方法及系统 - Google Patents

Abstract

本发明公开了一种车型标签的展示方法及系统。该车型标签的展示方法包括：接收UE在启动打车软件时发送的标签展示请求信息，标签展示请求信息携带UE的标识、UE的所在地信息、启动时间点；根据UE的标识和启动时间点，获取与UE的标识关联的历史数据，以及每一车型的运力数据；根据历史数据和运力数据，确定UE选择每一车型的概率，并根据每个车型的概率生成车型标签序列；将标签序列发送至UE，以使UE根据标签序列展示每一车型的标签。本发明提供的车型标签的展示方法，基于乘客的历史数据，对不同乘客提供不同的车型标签展示序列，与现有技术相比，能有效地提高用户体验、提高订单成交率以及软件使用率。

Description

一种车型标签的展示方法及系统

技术领域

本发明涉及计算机技术领域，具体涉及一种车型标签的展示方法及系统。

背景技术

随着滴滴出行业务的发展，除了原有的出租车专车业务，快车，巴士，顺风车，代驾等业务也相继推出。各类出行方式和手段大大丰富了人们的出行需求。将这些车型集于一身，展示在手机客户端供用户选择，哪些更能吸引用户的眼球，哪些需要放在页面的首要位置，从而更好的满足用户需求，提高整体车型的转化率以及软件的使用率，是一个不得不面对的问题。

图1为现有技术的车辆标签的排序示意图，参照图1可知，目前现有的做法是将各车型以标签的形式展现于页面的顶端，按照车型推出的顺序，或者车型日活的顺序排序，所有人看到的是一样的结果。

但这种排序难以满足不同用户的需求，进而降低了车型成交率以及软件使用率。

发明内容

针对现有技术中的缺陷，本发明提供了一种车型标签的展示方法及系统，该方法能有效地提高用户体验、提高订单成交率以及软件使用率。

本发明提出了一种车型标签的展示方法，包括：

接收UE在启动打车软件时发送的标签展示请求信息，所述标签展示请求信息携带所述UE的标识、所述UE的所在地信息、启动时间点；

根据所述UE的标识和启动时间点，获取第一预设时间段内与所述UE的标识关联的历史数据，以及与所述启动时间点对应的所述所在地信息所属范围内的每一车型的运力数据；

根据所述历史数据和所述运力数据，确定所述UE选择每一车型的概率，并根据所述每个车型的概率生成车型标签序列；

将所述标签序列发送至所述UE，以使所述UE根据所述标签序列展示每一车型的标签。

可选的，所述根据所述UE的标识，获取第一预设时间段内与所述UE的标识关联的历史数据，包括：

查看与所述UE的标识对应的UE是否有打车记录，若无，则获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据；

所述第一历史数据包括：打车订单数以及各订单的打车类型。

可选的，在查看到与所述UE的标识对应的UE存在打车记录时，则获取第一预设时间段内与所述UE的标识关联的历史数据，包括：

获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据或者第一预设时间段内的所述UE的第二历史数据；

所述第二历史数据包括：打车订单数、各订单的下单时间和打车类型、每一车型打车券的使用率以及每个车型标签的切换信息中的一种或多种。

可选的，所述获取第一预设时间段内的所述UE的第二历史数据，包括：

查看所述UE的各订单，并判读各订单是否使用打车券以及打车券的类型，获取判断结果；

根据所述判断结果获取各车型的打车券的使用次数以及每个车型的打车券的使用次数，并根据所述各车型的打车券的使用次数以及所述每个车型的打车券的使用次数获取每个车型的打车券的使用率。

可选的，所述切换信息包括：打车时每个车型标签的切换次数以及停留时间。

可选的，若历史数据包括：所述第一历史数据，且运力数据包括：在所述所在地信息所属范围内的在线司机数和第三预设时间内，且在所述所在地信息所属范围内的下单UE数；

则根据公式一和公式二，获取每一车型的概率；

公式一

P(y₁|x₁),P(y₂|x₁),…,P(y_n|x₁) 公式二

其中，r为车型选择占比，n_k为所述第一历史数据中选择车型k的车次，Σn_k为所述第一历史数据中选择每一车型的车次和，y_i为车型i，x₁为第一特征集合，P(y_i|x₁)为车型i的概率，所述第一特征集合包括：所述车型选择占比、所述在线司机数和所述下单UE数。

可选的，若历史数据包括：所述第一历史数据或所述第二历史数据，且运力数据包括：在所述所在地信息所属范围内的在线司机数和第三预设时间内，且在所述所在地信息所属范围内的下单UE数；

则根据公式三和公式四，获取每一车型的概率；

公式三

P(y₁|x₂),P(y₂|x₂),…,P(y_n|x₂) 公式四

其中，car_prefer为根据所述第二历史数据获取的所述UE的偏好数据，k为所述UE所偏好的车型，i为所述UE的各订单的打车类型按订单时间排序的索引值，x₂为第二特征集合，P(y_i|x₂)为车型i的概率，所述第二特征集合包括：所述第一历史数据、所述第二历史数据、所述在线司机数和所述下单UE数。

可选的，所述第一预设时间、所述第二预设时间以及所述第三预设时间为一小时、一天、一周或者一个月。

本发明还提供了一种车型标签的展示系统，包括：

接收模块，用于接收UE在启动打车软件时发送的标签展示请求信息，所述标签展示请求信息携带所述UE的标识、所述UE的所在地信息、启动时间点；

获取模块，用于根据所述UE的标识和启动时间点，获取第一预设时间段内与所述UE的标识关联的历史数据，以及与所述启动时间点对应的所述所在地信息所属范围内的每一车型的运力数据；

序列生成模块，用于根据所述历史数据和所述运力数据，确定所述UE选择每一车型的概率，并根据所述每个车型的概率生成车型标签序列；

通信模块，用于将所述标签序列发送至所述UE，以使所述UE根据所述标签序列展示每一车型的标签。

可选的，所述获取模块用于：

查看与所述UE的标识对应的UE是否有打车记录，若无，则获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据；

所述第一历史数据包括：打车订单数以及各订单的打车类型。

可选的，在查看到与所述UE的标识对应的UE存在打车记录时，则获取模块还用于：

获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据或者第一预设时间段内的所述UE的第二历史数据；

所述第二历史数据包括：打车订单数、各订单的下单时间和打车类型、每一车型打车券的使用率以及每个车型标签的切换信息中的一种或多种。

可选的，所述获取模块还用于：

查看所述UE的各订单，并判读各订单是否使用打车券以及打车券的类型，获取判断结果；

根据所述判断结果获取各车型的打车券的使用次数以及每个车型的打车券的使用次数，并根据所述各车型的打车券的使用次数以及所述每个车型的打车券的使用次数获取每个车型的打车券的使用率。

可选的，所述切换信息包括：打车时每个车型标签的切换次数以及停留时间。

可选的，若历史数据包括：所述第一历史数据，且运力数据包括：在所述所在地信息所属范围内的在线司机数和第三预设时间内，且在所述所在地信息所属范围内的下单UE数；

则根据公式一和公式二，获取每一车型的概率；

公式一

P(y₁|x₁),P(y₂|x₁),…,P(y_n|x₁) 公式二

其中，r为车型选择占比，n_k为所述第一历史数据中选择车型k的车次，Σn_k为所述第一历史数据中选择每一车型的车次和，y_i为车型i，x₁为第一特征集合，P(y_i|x₁)为车型i的概率，所述第一特征集合包括：所述车型选择占比、所述在线司机数和所述下单UE数。

可选的，若历史数据包括：所述第一历史数据或所述第二历史数据，且运力数据包括：在所述所在地信息所属范围内的在线司机数和第三预设时间内，且在所述所在地信息所属范围内的下单UE数；

则根据公式三和公式四，获取每一车型的概率；

公式三

P(y₁|x₂),P(y₂|x₂),…,P(y_n|x₂) 公式四

其中，car_prefer为根据所述第二历史数据获取的所述UE的偏好数据，k为所述UE所偏好的车型，i为所述UE的各订单的打车类型按订单时间排序的索引值，x₂为第二特征集合，P(y_i|x₂)为车型i的概率，所述第二特征集合包括：所述第一历史数据、所述第二历史数据、所述在线司机数和所述下单UE数。

可选的，所述第一预设时间、所述第二预设时间以及所述第三预设时间为一小时、一天、一周或者一个月。

由上述技术方案可知，本发明提出的提供的车型标签的展示方法，基于乘客的历史数据，针对不同乘客提供不同的车辆标签展示序列，与现有技术相比，本发明在提高用户体验的同时，还能有效地提高订单成交率以及软件使用率。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1是现有技术公开的车辆标签排序的示意图；

图2是本公开一实施例提供的车辆标签的展示方法的流程示意图；

图3是本公开一实施例提供的车辆标签的展示系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。

应理解的是，虽然下文中主要针对打车/用车应用，但本公开的实施例并不限于此，其还可适用于其他交通工具(诸如，非机动车、私家车、船舶、飞行器等)的汇合位置提示，尤其是未来出现的家用或商用交通工具所述运输客体也并非限定于乘客，亦可包括快件、餐食等需要运输/运送物。

图2为本发明一实施例提供的车辆标签的展示方法的流程示意图，参照图2、该车型标签的展示方法包括以下步骤：

201、服务器接收用户设备UE在启动打车软件时发送的标签展示请求信息，标签展示请求信息携带UE的标识、UE的所在地信息、启动时间点；

可理解的是，服务器在接收到UE的标签展示请求信息之后，将会对标签展示请求信息中的识别信息进行识别，获取该UE的身份以及该UE的位置信息以及位置信息与时间信息之间的对应关系；

需要说明的是，本公开实施例中提及的目标用户设备(UserEquipment，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、Oculus Rift、Hololens、Gear VR)等。

202、服务器根据UE的标识和启动时间点，获取第一预设时间段内与UE的标识关联的历史数据，以及与启动时间点对应的所在地信息所属范围内的每一车型的运力数据；

可理解的是，在识别该UE的身份后，服务器将在数据库中提取与该UE关联的历史数据，或者是通过加载的方式获取与该UE关联的历史数据；

另外，服务器根据该UE的位置信息以及位置信息与时间信息之间的对应关系，获取预设时间和位置范围内的运力数据。

203、服务器根据历史数据和运力数据，确定UE选择每一车型的概率，并根据每个车型的概率生成车型标签序列；

需要说明的是，由于每个乘客之前的历史数据不尽相同，不同时间的运力数据也不尽相同，因此，预测当前该UE选择各车型的概率的结果也不相同；例如：对于乘客甲，其选择快车、出租车、巴士的概率分别为20％、30％、50％，那么获取的车型的标签序列即为，第一位为巴士，第二位为出租车，第三位为快车；

可理解的是，在获取到历史数据和运力数据后，可通过贝叶斯模型，获取该UE选择每一车型的概率；至于其他具有相同功能的模型或者神级网络算法等也可替换贝叶斯模型来完成此步骤。

204、服务器将标签序列发送至UE，以使UE根据标签序列展示每一车型的标签

可理解的是，服务器将把生成的标签序列放入应答信息中并发送至UE，该UE在接收到应答信息后，将根据应答信息中的标签序列生成展示每一车型的标签的一个序列，举例来说，该序列可以为将概率最高的一个车型的标签设为默认选择车型，并由从高到低的顺序，把其他车型的标签以默认选择车型标签为中心，依次设置在默认选择车型标签的两边；或者是把默认选择车型设为第一位，并由从高到低的顺序，把其他车型的标签依次排列在默认选择车型标签的后面。

本实施例提供的车型标签的展示方法，基于UE的历史数据，对不同UE提供不同的车型标签展示序列，本发明在提高乘客体验的同时，能有效地提高订单成交率以及软件使用率。

本实施例中，为了提高推荐的标签序列和乘客需求之间的吻合度，进而提高订单的成交率，本发明的步骤202包括：

服务器查看与UE的标识对应的UE是否有打车记录，若无，则获取第二预设时间段内，且在所在地信息所属范围内的所有UE的第一历史数据；

第一历史数据包括：打车订单数以及各订单的打车类型。

在查看到与UE的标识对应的UE存在打车记录时，则获取第一预设时间段内与UE的标识关联的历史数据，包括：

获取第二预设时间段内，且在所在地信息所属范围内的所有UE的第一历史数据或者第一预设时间段内的UE的第二历史数据；

第二历史数据包括：打车订单数、各订单的下单时间和打车类型、每一车型打车券的使用率以及每个车型标签的切换信息中的一种或多种。

需要说明的是，本发明对UE进行分类，包括有打车记录的UE和无打车记录的UE；对于没有打车记录的UE，由于其并不存在历史数据，因此本发明采用整体的方案，即统计该类UE所在城市一个预设时间内的所有UE的历史数据，根据所有UE的历史数据即可获知，在该预设时间内，每个车型的热门程度，并根据每个车型的热门程度以及每个车型在预设时间和位置范围内的运力数据为该类UE推荐车辆标签序列，可理解的是，热门程度越高的车型，其在UE的标签序列中的位置越醒目；

对于有打车记录的UE，本发明还需要考虑其历史数据，以获取乘客的偏好和需求，例如：有些人喜欢使用专车，有人些喜欢使用出租车，或者是因为上下班方便的原因有些人乘坐巴士更方便等等；因此，本发明根据乘客的偏好和需求以及当前每个车型的运力数据，为不同乘客推荐不同的车型序列。

下面对本实施例的第二历史数据进行详细说明：

首先是第二历史数据中的打车券使用率，其获取步骤包括：

查看UE的各订单，并判读各订单是否使用打车券以及打车券的类型，获取判断结果；

根据判断结果获取各车型的打车券的使用次数以及每个车型的打车券的使用次数，并根据各车型的打车券的使用次数以及每个车型的打车券的使用次数获取每个车型的打车券的使用率；

可理解的是，在识别出该UE的身份后，服务器即可获取该UE的打车券的使用数据，包括打车券的总使用次数以及各车型的打车券的使用次数，进而获取到每个车型的打车券的使用率；

另外，查看到该UE存在某车型的打车券，而且该车型的打车券的使用率还比较高，那么该UE在本次打车时使用该打车券的概率将比较高。

其次是第二历史数据中的切换信息，其包括：打车时每个车型标签的切换次数以及停留时间；

可理解的是，乘客在寻找各种车型时，将会多次切换浏览多种车型，并根据需要再各标签上停留的时间的长短也是不相同的，例如，乘客可能倾向于两种车型，出租车和专车，在选择的过程中，乘客会较多的查看这两种车型，并愿意花费较多的时间来了解这两种车型；可以理解为，乘客对该车型有很高的选择倾向性；

需要说明的是，在线计算的时，本次下单时的切换信息是不可知的，因此，以上次或者一定次数范围内的切换信息作为参考信息。

下面对本实施例的步骤203进行详细说明：

第一种情况具体如下：

对于历史数据包括：第一历史数据，且运力数据包括：在所在地信息所属范围内的在线司机数和第三预设时间内，且在所在地信息所属范围内的下单UE数；

则根据公式一和公式二，获取每一车型的概率；

公式一

P(y₁|x₁),P(y₂|x₁),…,P(y_n|x₁) 公式二

其中，r为车型选择占比，n_k为第一历史数据中选择车型k的车次，Σn_k为第一历史数据中选择每一车型的车次和，y_i为车型i，x₁为第一特征集合，P(y_i|x₁)为车型i的概率，第一特征集合包括：车型选择占比、在线司机数和下单UE数；

最后将r做1％的离散化，得到特征{车型k，value}。

需要理解的是，第一种情况主要是针对没有打车记录的UE，由于其没有历史数据，因此，采用统计大数据的方式能更好的为乘客推荐标签序列。

第二种情况具体如下：

若历史数据包括：第一历史数据或第二历史数据，且运力数据包括：在所在地信息所属范围内的在线司机数和第三预设时间内，且在所在地信息所属范围内的下单UE数；

则根据公式三和公式四，获取每一车型的概率；

公式三

P(y₁|x₂),P(y₂|x₂),…,P(y_n|x₂) 公式四

其中，car_prefer为根据第二历史数据获取的UE的偏好数据，k为UE所偏好的车型，例如：出租车、专车、快车等；i为UE的各订单的打车类型按订单时间排序的索引值，例如：目标乘客最近三次打车，分别选择了快车、出租车、出租车；x₂为第二特征集合，P(y_i|x₂)为车型i的概率，第二特征集合包括：第一历史数据、第二历史数据、在线司机数和下单UE数。

需要说明的是，对于各订单的打车车型考虑了时间序列的因素，近期的车型选择结果相较与历史相隔时间较久的选择会更能体现出乘客车型选择的偏好；

因此，在此基础上借鉴网页搜索的DCG排序算子，本实施例采用折扣增益对不同车型的选择进行加权。

举例来说，根据公式三可计算获得：

特征方面，考虑以下两方面内容：

1、按照车型偏好降序排列，选择不同车型所处的排序位置作为特征为：{出租车，1}；{快车，2}等；

2、排序首位和次位的比例，首位车型DCG*10/次位车型DCG，取整离散化。如：[1.28*10/1]＝12，特征为：{出租车，快车，12}。

本实施例中，当前每一车型的运力数据包括：在所在地信息所属范围内的在线司机数和第三预设时间内，且在所在地信息所属范围内的下单UE数(发单乘客数)。

可理解的是，运力由一定范围内的乘客需求和在线司机共同决定，因此，当前各车型的运力数据包含两方面内容：

1、在线司机数

表1为某一数据在订单发生地一定范围内的在线司机数，参照表1，乘客发单时，一定范围内的在线司机特征：

以数据k为例，{车型k，value}：

表1

2、发单乘客数

表2为某一数据在订单发生地一定范围内的发单乘客数，参照表2，乘客发单时，前5分钟内的其他乘客呼叫订单特征：

以数据k为例，{车型k，value}：

订单范围(单位:m)	在线司机数	订单范围(单位:m)	在线司机数
				0-99		1000-1199
100-199		1200-1399
				200-299		1400-1599
300-399		1600-1799
				400-499		1800-1999
500-500		2000-2499
				600-600		2500-2000
700-799		3000-3999
				800-899		4000-5000
900-999

表2

在获取到上述历史打车行为数据和当前各车型的运力数据的具体数据后，通过Bayes模型，获取当前该UE选择各车型的概率并根据选择各车型的概率获取各车型的标签序列；将标签序列发送至用户设备，以使用户设备根据标签序列展示各车型的标签。

需要说明的是，第一预设时间优选为一周，第二预设时间优选下单的前一天，第三预设时间优选为前五天；具体时间可视情况而定。

综上所述，本发明以乘客历史数据为基础，以对用户设备展示的车辆标签进行排序，能有效地提高软件订单成交率以及软件使用率；而且，本发明考虑到了各车型打车券的当前使用概率、各车型标签的历史切换信息、当前各车型的运力信息以及各车型的历史选择占比等特征，能进一步地提高对乘客需要的预测精度；

另外，本发明的贝叶斯模型中可选择性的添加上述的一个或多个因素。

下面对本发明的原理进行详细的说明：

对于标签的车型个性化推荐问题，本质上是一个ranking问题，对于乘客最有可能选择的车型，需要放在最显著的地方，随着更能行的减小依次排列。本发明基于Bayes模型，对车型的选择概率进行了预估。训练数据为乘客的历史数据，特征包括：UE的历史打车信息，打车券使用率，当前的运力状况，热门车型的选择情况以及打车前乘客标签切换的信息等内容。

最终的车型选择标签排列顺序按照预估的概率值由大到小的顺序排列。

举例来说，具体地包括以下步骤：

第一步、模型

采用朴素bayes模型，具体方法如下：

1、x＝{a₁,a₂,…,a_m}为一个待分类样本，而每个ai为x的一个特征；

2、类别集合C＝{y₁,y₂,…,y_n}为车型的选择类别，如出租车、专车、快车等。

3、每种车型的选择概率为：P(y₁|x),P(y₂|x),…,P(y_n|x)。

4、按照P(y_k│x)从大到小的顺序排序，作为车型标签的排序顺序。

第二步、训练数据

训练数据采用历史一个月定订单数据，以及下单行为数据。训练数据标签为是否下单。

第三步、特征

特征包括上述的各订单的打车类型、各车型打车券的使用率、当前各车型的运力、热门车型以及打车前的车辆标签切换信息等等；

基于以上特征，通过bayes模型可以得到各车型选择的概率，将所得的概率值由大到小排序，即可获得车型标签推荐的序列。

综上所述，本发明提供的车型标签的展示方法，针对不同乘客提供不同的车型标签展示序列，与现有技术相比，本发明能在提高乘客体验的同时，能有效地提高软件的使用率以及订单的成交率；另外，该系统对乘客进行分类，并针对不同乘客分别采用不同的特征，以通过贝叶斯模型获取较为精确的标签序列；进而能进一步地提高订单成交率和下单率；进一步地，本发明能对标签序列以预设周期的进行更新，以提高标签序列的准确度。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。

图3为本发明一实施例提供的车辆标签的展示系统的结构示意图，参照图3，该车型标签的展示系统，包括：

接收模块301，用于接收UE在启动打车软件时发送的标签展示请求信息，所述标签展示请求信息携带所述UE的标识、所述UE的所在地信息、启动时间点；

获取模块302，用于根据所述UE的标识和启动时间点，获取第一预设时间段内与所述UE的标识关联的历史数据，以及与所述启动时间点对应的所述所在地信息所属范围内的每一车型的运力数据；

序列生成模块303，用于根据所述历史数据和所述运力数据，确定所述UE选择每一车型的概率，并根据所述每个车型的概率生成车型标签序列；

通信模块304，用于将所述标签序列发送至所述UE，以使所述UE根据所述标签序列展示每一车型的标签。

本发明提供的车型标签的展示方法，基于乘客的历史数据，对不同乘客提供不同的车型标签展示序列，与现有技术相比，在提高乘客体验的同时，能有效地提高订单成交率以及软件使用率

下面对本发明提出的车型标签的展示系统进行详细说明：

在本公开的一种可选实施例中，获取模块302用于：查看与UE的标识对应的UE是否有打车记录，若无，则获取第二预设时间段内，且在所在地信息所属范围内的所有UE的第一历史数据；

第一历史数据包括：打车订单数以及各订单的打车类型

在查看到与所述UE的标识对应的UE存在打车记录时，则获取模块302还用于：

获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据或者第一预设时间段内的所述UE的第二历史数据；

所述第二历史数据包括：打车订单数、各订单的下单时间和打车类型、每一车型打车券的使用率以及每个车型标签的切换信息中的一种或多种；

其中，切换信息包括：打车时每个车型标签的切换次数以及停留时间。

在本公开的一种可选实施例中，获取模块301还用于：

查看所述UE的各订单，并判读各订单是否使用打车券以及打车券的类型，获取判断结果；

根据所述判断结果获取各车型的打车券的使用次数以及每个车型的打车券的使用次数，并根据所述各车型的打车券的使用次数以及所述每个车型的打车券的使用次数获取每个车型的打车券的使用率。

需要说明的是，若历史数据包括：第一历史数据，且运力数据包括：在所在地信息所属范围内的在线司机数和第三预设时间内，且在所在地信息所属范围内的下单UE数；

则根据公式一和公式二，获取每一车型的概率；

公式一

P(y₁|x₁),P(y₂|x₁),…,P(y_n|x₁) 公式二

其中，r为车型选择占比，n_k为第一历史数据中选择车型k的车次，Σn_k为第一历史数据中选择每一车型的车次和，y_i为车型i，x₁为第一特征集合，P(y_i|x₁)为车型i的概率，第一特征集合包括：车型选择占比、在线司机数和下单UE数。

若历史数据包括：第一历史数据或第二历史数据，且运力数据包括：在所在地信息所属范围内的在线司机数和第三预设时间内，且在所在地信息所属范围内的下单UE数；

则根据公式三和公式四，获取每一车型的概率；

公式三

P(y₁|x₂),P(y₂|x₂),…,P(y_n|x₂) 公式四

其中，car_prefer为根据第二历史数据获取的UE的偏好数据，k为UE所偏好的车型，i为UE的各订单的打车类型按订单时间排序的索引值，x₂为第二特征集合，P(y_i|x₂)为车型i的概率，第二特征集合包括：第一历史数据、第二历史数据、在线司机数和下单UE数。

本实施例中，对于各订单的打车车型考虑了时间序列的因素，近期的车型选择结果相较与历史相隔时间较久的选择会更能体现出乘客车型选择的偏好，进而能提高获取到的乘客选择各车型概率的精确度。

对于系统实施例而言，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，本发明提供的车型标签的展示系统，针对不同乘客提供不同的车型标签展示序列，与现有技术相比，本发明能在提高乘客体验的同时，能有效地提高软件的使用率以及订单的成交率；另外，该系统对乘客进行分类，并针对不同乘客分别采用不同的特征，以通过预建立贝叶斯模型获取较为精确的标签序列；进而能进一步地提高车型的成交率和下单率。

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。

本公开的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

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 (14)

1.一种车型标签的展示方法，其特征在于，包括：

接收UE在启动打车软件时发送的标签展示请求信息，所述标签展示请求信息携带所述UE的标识、所述UE的所在地信息、启动时间点；

根据所述UE的标识和启动时间点，获取第一预设时间段内与所述UE的标识关联的历史数据，以及与所述启动时间点对应的所述所在地信息所属范围内的每一车型的运力数据；

根据所述历史数据和所述运力数据，确定所述UE选择每一车型的概率，并根据所述每个车型的概率生成车型标签序列；

将所述标签序列发送至所述UE，以使所述UE根据所述标签序列展示每一车型的标签。

2.根据权利要求1所述的方法，其特征在于，所述根据所述UE的标识，获取第一预设时间段内与所述UE的标识关联的历史数据，包括：

查看与所述UE的标识对应的UE是否有打车记录，若无，则获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据；

所述第一历史数据包括：打车订单数以及各订单的打车类型。

3.根据权利要求2所述的方法，其特征在于，在查看到与所述UE的标识对应的UE存在打车记录时，则获取第一预设时间段内与所述UE的标识关联的历史数据，包括：

获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据或者第一预设时间段内的所述UE的第二历史数据；

所述第二历史数据包括：打车订单数、各订单的下单时间和打车类型、每一车型打车券的使用率以及每个车型标签的切换信息中的一种或多种。

4.根据权利要求2所述的方法，其特征在于，所述获取第一预设时间段内的所述UE的第二历史数据，包括：

查看所述UE的各订单，并判读各订单是否使用打车券以及打车券的类型，获取判断结果；

根据所述判断结果获取各车型的打车券的使用次数以及每个车型的打车券的使用次数，并根据所述各车型的打车券的使用次数以及所述每个车型的打车券的使用次数获取每个车型的打车券的使用率。

5.根据权利要求2所述的方法，其特征在于，所述切换信息包括：打车时每个车型标签的切换次数以及停留时间。

6.根据权利要求2所述的方法，其特征在于，若历史数据包括：所述第一历史数据，且运力数据包括：在所述所在地信息所属范围内的在线司机数和第三预设时间内，且在所述所在地信息所属范围内的下单UE数；

则根据公式一和公式二，获取每一车型的概率；

$r=\frac{n_k}{{\mathrm{\Σn}}_k}*100\%$ 公式一

P(y₁|x₁),P(y₂|x₁),…,P(y_n|x₁) 公式二

其中，r为车型选择占比，n_k为所述第一历史数据中选择车型k的车次，Σn_k为所述第一历史数据中选择每一车型的车次的和，y_i为车型i，x₁为第一特征集合，P(y_i|x₁)为车型i的概率，所述第一特征集合包括：所述车型选择占比、所述在线司机数和所述下单UE数。

7.根据权利要求3所述的方法，其特征在于，若历史数据包括：所述第一历史数据或所述第二历史数据，且运力数据包括：在所述所在地信息所属范围内的在线司机数和第三预设时间内，且在所述所在地信息所属范围内的下单UE数；

则根据公式三和公式四，获取每一车型的概率；

$car\_prefer=\underset{k}{\max }{\mathrm{DCG}}_k=\underset{k}{\max }\underset{i\∈k}{\Σ}\frac{1}{sqrt\left(i\right)}$ 公式三

P(y₁|x₂),P(y₂|x₂),…,P(y_n|x₂) 公式四

其中，car_prefer为根据所述第二历史数据获取的所述UE的偏好数据，k为所述UE所偏好的车型，i为所述UE的各订单的打车类型按订单时间排序的索引值，x₂为第二特征集合，P(y_i|x₂)为车型i的概率，所述第二特征集合包括：所述第一历史数据、所述第二历史数据、所述在线司机数和所述下单UE数。

8.一种车型标签的展示系统，其特征在于，包括：

接收模块，用于接收UE在启动打车软件时发送的标签展示请求信息，所述标签展示请求信息携带所述UE的标识、所述UE的所在地信息、启动时间点；

获取模块，用于根据所述UE的标识和启动时间点，获取第一预设时间段内与所述UE的标识关联的历史数据，以及与所述启动时间点对应的所述所在地信息所属范围内的每一车型的运力数据；

序列生成模块，用于根据所述历史数据和所述运力数据，确定所述UE选择每一车型的概率，并根据所述每个车型的概率生成车型标签序列；

发送模块，用于将所述标签序列发送至所述UE，以使所述UE根据所述标签序列展示每一车型的标签。

9.根据权利要求8所述的系统，其特征在于，所述获取模块具体用于：

根据所述UE的标识和启动时间点，查看与所述UE的标识对应的UE是否有打车记录，若无，则获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据；所述第一历史数据包括：打车订单数以及各订单的打车类型。

10.根据权利要求9所述的系统，其特征在于，则获取模块还用于：

在查看到与所述UE的标识对应的UE存在打车记录时，获取第二预设时间段内，且在所述所在地信息所属范围内的所有UE的第一历史数据或者第一预设时间段内的所述UE的第二历史数据；

所述第二历史数据包括：打车订单数、各订单的下单时间和打车类型、每一车型打车券的使用率以及每个车型标签的切换信息中的一种或多种。

11.根据权利要求9所述的系统，其特征在于，所述获取模块还用于：

查看所述UE的各订单，并判读各订单是否使用打车券以及打车券的类型，获取判断结果；

根据所述判断结果获取各车型的打车券的使用次数以及每个车型的打车券的使用次数，并根据所述各车型的打车券的使用次数以及所述每个车型的打车券的使用次数获取每个车型的打车券的使用率。

12.根据权利要求9所述的系统，其特征在于，所述切换信息包括：打车时每个车型标签的切换次数以及停留时间。

13.根据权利要求9所述的系统，其特征在于，若历史数据包括：所述第一历史数据，且运力数据包括：在所述所在地信息所属范围内的在线司机数和第三预设时间内，且在所述所在地信息所属范围内的下单UE数；

则根据公式一和公式二，获取每一车型的概率；

$r=\frac{n_k}{{\mathrm{\Σn}}_k}*100\%$ 公式一

P(y₁|x₁),P(y₂|x₁),…,P(y_n|x₁) 公式二

其中，r为车型选择占比，n_k为所述第一历史数据中选择车型k的车次，Σn_k为所述第一历史数据中选择每一车型的车次的和，y_i为车型i，x₁为第一特征集合，P(y_i|x₁)为车型i的概率，所述第一特征集合包括：所述车型选择占比、所述在线司机数和所述下单UE数。

14.根据权利要求10所述的系统，其特征在于，若历史数据包括：所述第一历史数据或所述第二历史数据，且运力数据包括：在所述所在地信息所属范围内的在线司机数和第三预设时间内，且在所述所在地信息所属范围内的下单UE数；

则根据公式三和公式四，获取每一车型的概率；

$car\_prefer=\underset{k}{max}{\mathrm{DCG}}_k=\underset{k}{max}\underset{i\∈k}{\Σ}\frac{1}{sqrt\left(i\right)}$ 公式三公式四

其中，car_prefer为根据所述第二历史数据获取的所述UE的偏好数据，k为所述UE所偏好的车型，i为所述UE的各订单的打车类型按订单时间排序的索引值，x₂为第二特征集合，P(y_i|x₂)为车型i的概率，所述第二特征集合包括：所述第一历史数据、所述第二历史数据、所述在线司机数和所述下单UE数。