CN107133645A - 预估乘客取消订单行为的方法、设备及存储介质 - Google Patents
预估乘客取消订单行为的方法、设备及存储介质 Download PDFInfo
- Publication number
- CN107133645A CN107133645A CN201710305315.0A CN201710305315A CN107133645A CN 107133645 A CN107133645 A CN 107133645A CN 201710305315 A CN201710305315 A CN 201710305315A CN 107133645 A CN107133645 A CN 107133645A
- Authority
- CN
- China
- Prior art keywords
- order
- passenger
- information
- driver
- leaf node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种预估乘客取消订单行为的方法、设备及存储介质。所述方法包括：根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。本发明实施例在预估乘客针对候选司机是否会取消订单时，同时考虑到了乘客的历史行为信息、订单信息和司机信息，并将上述信息进行量化处理，可以提升在线叫车服务成功率。
Description
技术领域
本发明实施例涉及互联网技术领域，尤其涉及一种预估乘客取消订单行为的方法、设备及存储介质。
背景技术
随着互联网技术的高度发展以及智能设备的普及，传统的交通技术正在逐步进化为智能交通系统。现有技术中，乘客多使用在线叫车服务软件(例如滴滴、优步、神州、易道等)，通过手机等智能终端进行打车，使人、车、路之间的相互作用关系以新的方式呈现，与传统的打车方式相比，在一定程度上实现了较为准确、高效地出行。
在线叫车服务(如专车，顺风车，快车等)中，大量的因素会导致乘客在叫车过程中取消订单，例如司机接客预期到达时间、单价、区域和交通状况等等，而且不同用户对不同因素的敏感程度还不一样。只有在派单过程中将用户订单派送给达到乘客预期的司机才能完成在线叫车服务。从而，正确的识别出乘客针对派单司机是否会取消订单具有重要意义。
目前，只有通过司机和用户的距离来判断司机是否满足派送订单的要求，并没有考虑乘客的影响因素，从而导致在线叫车服务的成功率较低。
发明内容
本发明实施例提供一种预估乘客取消订单行为的方法、设备及存储介质，可以提升在线叫车服务成功率。
第一方面，本发明实施例提供了一种预估乘客取消订单行为的方法，该方法包括：
根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；
将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；
分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；
根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。
第二方面，本发明实施例还提供了一种预估乘客取消订单行为的装置，该装置包括：
历史信息获取模块，用于根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；
司机信息获取模块，用于将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；
向量生成模块，用于分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；
取消订单预估模块，用于根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。
第三方面，本发明实施例还提供了一种设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例任一所述的预估乘客取消订单行为的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例任一所述的预估乘客取消订单行为的方法。
本发明实施例在预估乘客针对候选司机是否会取消订单时，同时考虑到了乘客的历史行为信息、订单信息和司机信息，并将上述信息进行量化处理，可以提升在线叫车服务成功率。
附图说明
图1是本发明实施例一提供的一种预估乘客取消订单行为的方法的流程图；
图2是本发明实施例二提供的一种预估乘客取消订单行为的方法的流程图；
图3是本发明实施例三提供的一种预估乘客取消订单行为的方法的流程图；
图4是本发明实施例四提供的一种预估乘客取消订单行为的装置的结构图；
图5是本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种预估乘客取消订单行为的方法的流程图，本实施例可适用于预估乘客取消订单行为的情况，该方法可以由本发明实施例提供的预估乘客取消订单行为的装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可集成在终端设备中或终端设备的应用端中。其中，终端设备可以为但不限于为移动终端(平板电脑或智能手机)、固定终端(台式电脑或笔记本)。
其中，应用端可以为内嵌于终端设备中的某个客户端的插件，或者为所述终端设备的操作系统的插件，与内嵌于终端设备中的预估乘客取消订单行为的客户端或者终端设备的操作系统中的预估乘客取消订单行为应用程序配合使用；应用端也可以为所述终端设备中一个独立的可提供预估乘客取消订单行为的客户端，本实施例对此不进行限制。
如图1所述，本实施例的方法具体包括：
S101、根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点。
其中，乘客账户可以为用户名或用户ID。所述历史行为信息可包含以下至少一项信息：乘客历史取消订单次数、司机接客预期到达时间与乘客历史取消订单平均时间的比值、司机接客预期到达时间与乘客历史取消订单平均时间的差值与乘客历史取消订单时间方差的比值、司机接客预期到达时间与乘客完成订单的司机到达时间均值的比值、司机接客行驶距离与乘客历史取消订单的司机接客行驶距离均值的比值、司机接客行驶距离与乘客历史取消订单的司机接客行驶距离均值的差值与乘客历史取消订单的司机接客行驶距离方差的比值、司机接客行驶距离与乘客历史完成订单的司机接客行驶距离均值的比值、订单价格与乘客历史取消订单平均价格的比值、订单价格与乘客历史取消订单平均价格的差与乘客历史取消订单价格的方差的比值、订单价格与乘客历史完成订单平均价格的比值、订单价格与乘客历史完成订单平均价格的差与乘客历史完成订单价格的方差的比值、乘客在预设时间段内取消订单的比例、乘客是否绑定信用卡和乘客是否有过打车拒付记录。
此外，所述订单信息中还可包含以下至少一项信息：乘车终点、乘车起点和/或乘车终点是否为用户的家庭地址、乘车起点和/或乘车终点是否为用户的工作单位，乘车起点和/或乘车终点是否为商圈、乘车起点和/或乘车终点是否为交通枢纽、是否是异地叫车、订单发起时间、车辆类型、乘车起点和乘车终点之间的距离、预计价格、预计价格与订单发起城市中订单平均价格比、预计行驶时间、预计行驶速度与订单发起城市中订单平均行驶速度比、是否穿越拥堵区域和乘客性别。其中，所述订单发起时间可包含以下至少一项信息：是否上午、是否下午、是否晚上、是否夜里、星期、小时、是否周末和是否处于上下班高峰期。
S102、将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息。
为了提高在线叫车服务的成功率，可获取距离所述乘车起点预设区域范围内的司机作为候选司机，其中，预设区域范围可选为周围2-3公里，这样，选出的候选司机距离乘车起点不会太远，司机拒绝接单的概率也就越小。
其中，候选司机的个数可以为1个或多个，当为1个数时，可选择距离乘车起点最近的司机作为候选司机。所述可司机信息包含以下至少一项信息：司机性别、车辆类型、当前位置、接客行驶距离和接客预期到达时间。
S103、分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量。
其中，赋值可以为0-9之间的任意数值，例如为0或1。具体可根据包含的属性项的重要程度或权重对各属性项进行赋值。将各属性项的值组合起来，形成一个行向量或列向量作为生成的属性向量。
S104、根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。
具体的，可根据属性向量对乘客针对各候选司机是否会取消订单进行概率预估，概率越大，那么该乘客可能取消订单的概率就越大。
本实施例通过在预估乘客针对候选司机是否会取消订单时，同时考虑到了乘客的历史行为信息、订单信息和司机信息，并将上述信息进行量化处理，可以提升在线叫车服务成功率。
实施例二
图2是本发明实施例二提供的一种预估乘客取消订单行为的方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将步骤根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单优化为，将所述属性向量输入乘客取消订单行为识别器中进行学习；根据所述乘客取消订单行为识别器输出的所述乘客针对所述候选司机取消订单的概率，确定所述乘客是否取消所述订单。
相应的，本实施例的方法具体包括：
S201、根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点。
S202、将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息。
S203、分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量。
S204、将所述属性向量输入乘客取消订单行为识别器中进行学习。
S205、根据所述乘客取消订单行为识别器输出的所述乘客针对所述候选司机取消订单的概率，确定所述乘客是否取消所述订单。
其中，乘客取消订单行为识别器是预先根据乘客的历史行为信息、历史订单信息、和历史订单对应的司机信息训练得到的识别器，通过该乘客取消订单行为识别器可直接输出乘客取消订单的概率，输出的乘客取消订单的概率越大，那么该乘客可能取消订单的概率就越大。
可选的，该乘客取消订单行为识别器的训练过程如下：
获取至少一个乘客的历史订单的历史行为信息、订单信息及乘客取消订单情况，所述历史订单的订单信息中包含历史乘车起点；
获取位于所述历史乘车起点预设区域范围内的司机作为历史候选司机，并获取所述历史候选司机的司机信息；
根据所述乘客取消订单情况对所述历史订单进行标记，并分别为标记后的历史订单的历史行为信息、订单信息和司机信息进行赋值，生成历史属性向量；
采用神经网络模型或逻辑回归模型对所述历史属性向量进行训练，得到所述乘客取消订单行为识别器。
具体的，利用历史订单构建训练数据。每条订单每推送一个司机建立一条训练数据，训练数据的属性包含订单信息、乘客历史行为信息和司机信息，并根据乘客是否取消订单打上标记，取消订单的标记为1，未取消的标记为0。如果只是判断被司机接单后乘客是否会取消订单，每个订单对应一条训练数据，步骤1中列举的司机信息为接单的司机信息，其余不变。
采用随机森林Random Forest算法或迭代决策树GBDT将所有训练数据转换为由0-1组成的属性向量。例如，可采用的转换方法如下：对于训练数据，使用random forest或者GBDT模型训练后可以获得N颗决策树(决策树的棵数N由训练过程中配置的决策树个数参数控制)。对N颗决策树中的每一颗树的叶节点都进行编号，例如第n颗决策树的第m个叶节点为(n，m)。对每条训练数据，每棵树都会有一个叶节点输出该条训练数据的取消概率，如果取消概率大于指定阈值，将结果标记为1，否者为0。可以通过这N颗树的叶子节点的输出获得一个N*M维向量，其中M为叶子节点数最多的决策树的叶子节点个数。如果第n棵树的第m个叶子节点判定训练数据的标记为1，则第((n-1)*M+m)位元素为1，否者为0，不输出结果的叶节点对应的元素为0。如果某决策树的叶子节点数低于M，超出叶子节点个数后面的元素用0补足缺失的叶子节点。
例如，采用GBDT训练时决策树个数设置为3颗树，训练得到的决策树最多的叶子节点个数为4。针对订单d，由叶子节点(1，1)，(2，2)，(3，4)给出判别结果，分别为1，0，1。从而，订单d的0-1属性向量为(1，0，0，0，0，0，0，0，0，0，0，1)，标红的为给出判别结果的叶节点对应的判别结果值，其余位用0填充。利用逻辑回归模型，通过0-1属性向量训练数据可以训练一个乘客取消订单行为识别器。对于用户新提交的订单，可以通过N颗决策树将订单信息，乘客历史行为信息和司机信息转化为一个由0-1组成的属性向量，然后利用乘客取消订单行为识别器预估乘客取消订单的概率，当乘客取消订单的概率大于一定阈值，则认为将该乘客的订单派送给该司机时乘客会取消订单。
本实施例预先根据乘客的大量历史订单的历史行为信息、订单信息、司机信息组成的属性向量，训练得到乘客取消订单行为识别器，在有新提交的订单时，将订单信息、历史行为信息、司机信息转化成属性向量，输入乘客取消订单行为识别器，根据输出的乘客针对各候选司机取消订单的概率，确定乘客针对各候选司机是否会取消订单，不仅能够提供识别效率，识别速度，而且可以正确识别出乘客是否会取消订单，提升在线叫车服务成功率。
实施例三
图3是本发明实施例三提供的一种预估乘客取消订单行为的方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将步骤分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量优化为：采用随机森林Random Forest算法或迭代决策树GBDT，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量。
相应的，本实施例的方法具体包括：
S301、根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点。
S302、将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息。
S303、采用随机森林Random Forest算法或迭代决策树GBDT，对所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行训练，得到N棵决策树，其中，N为自然数。
S304、为所述N棵决策树中的每颗树的叶子节点赋值，根据所述叶子节点的赋值生成属性向量。
具体的，对N颗决策树中的每一颗树的叶子节点进行编号；根据所述编号为叶子节点赋值，生成属性向量。可选的一种实施方式是，将输出取消订单结果的叶子节点赋值为第一预设值，将输出不取消订单结果的叶子节点赋值为第二预设值，将其余叶子节点赋值为第三预设值。其中，第一预设值、第二预设值和第三预设值可以分别为取值不同的三个值，也可以是，第一预设值和第三预设值取值相同，而与第二预设值取值不同，或者，第一预设值和第二预设值取值相同，而与第三预设值取值不同。例如，第一预设值和第三预设值取值为1，第二预设值取值为0；或者，第一预设值为1，第二预设值和第三预设值取值为0；或者，第一预设值和第三预设值取值为0，第二预设值取值为1；或者，第一预设值为0，第二预设值和第三预设值取值为1。
可选的另一种实施方式是，根据N颗决策树中叶子节点数最多的决策树的叶子节点个数M，生成N*M维向量；为所述N*M维向量中的各位元素进行赋值，得到所述属性向量。例如，若第n棵树的第m个叶子节点赋值为第一预设值，则将所述N*M维向量中第((n-1)*M+m)位元素赋值为第一预设值，将不输出取消订单结果的叶子节点对应的元素赋值为第二预设值；对于叶子节点数低于M的决策树，将超出叶子节点个数的元素赋值为第三预设值。其中，第一预设值、第二预设值和第三预设值的取值参见上述相关描述，这里不再赘述。
S305、将所述属性向量输入乘客取消订单行为识别器中进行学习。
S306、根据所述乘客取消订单行为识别器输出的所述乘客针对所述候选司机取消订单的概率，确定所述乘客是否取消所述订单。
本实施例预先根据乘客的大量历史订单的历史行为信息、订单信息、司机信息组成的属性向量，训练得到乘客取消订单行为识别器，在有新提交的订单时，将订单信息、历史行为信息、司机信息转化成属性向量，输入乘客取消订单行为识别器，根据输出的乘客针对各候选司机取消订单的概率，确定乘客针对各候选司机是否会取消订单，不仅能够提供识别效率，识别速度，而且可以正确识别出乘客是否会取消订单，提升在线叫车服务成功率。
实施例四
图4为本发明实施例四提供的一种预估乘客取消订单行为的装置的结构图，本实施例可适用于预估乘客取消订单行为的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在终端设备中或终端设备的应用端中。其中，终端设备可以为但不限于为移动终端(平板电脑或智能手机)、固定终端(台式电脑或笔记本)。
其中，应用端可以为内嵌于终端设备中的某个客户端的插件，或者为所述终端设备的操作系统的插件，与内嵌于终端设备中的预估乘客取消订单行为的客户端或者终端设备的操作系统中的预估乘客取消订单行为应用程序配合使用；应用端也可以为所述终端设备中一个独立的可提供预估乘客取消订单行为的客户端，本实施例对此不进行限制。
如图4所示，所述装置包括：历史信息获取模块401、司机信息获取模块402、向量生成模块403和取消订单预估模块404，其中：
历史信息获取模块401用于根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；
司机信息获取模块402用于将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；
向量生成模块403用于分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；
取消订单预估模块404用于根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。
本实施例的预估乘客取消订单行为的装置用于执行上述各实施例的预估乘客取消订单行为的方法，其技术原理和产生的技术效果类似，这里不再赘述。
在上述各实施例的基础上，所述取消订单预估模块404具体用于：
将所述属性向量输入乘客取消订单行为识别器中进行学习；根据所述乘客取消订单行为识别器输出的所述乘客针对所述候选司机取消订单的概率，确定所述乘客是否取消所述订单。
在上述各实施例的基础上，所述装置还包括：乘客取消订单行为识别器训练模块405；
乘客取消订单行为识别器训练模块405用于获取至少一个乘客的历史订单的历史行为信息、订单信息及乘客取消订单情况，所述历史订单的订单信息中包含历史乘车起点；获取位于所述历史乘车起点预设区域范围内的司机作为历史候选司机，并获取所述历史候选司机的司机信息；根据所述乘客取消订单情况对所述历史订单进行标记，并分别为标记后的历史订单的历史行为信息、订单信息和司机信息进行赋值，生成历史属性向量；采用神经网络模型或逻辑回归模型对所述历史属性向量进行训练，得到所述乘客取消订单行为识别器。
在上述各实施例的基础上，所述向量生成模块403具体用于：
采用随机森林Random Forest算法或迭代决策树GBDT，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量。
在上述各实施例的基础上，所述向量生成模块403具体用于：
采用随机森林Random Forest算法或迭代决策树GBDT，对所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行训练，得到N棵决策树，其中，N为自然数；为所述N棵决策树中的每颗树的叶子节点赋值，根据所述叶子节点的赋值生成属性向量。
在上述各实施例的基础上，所述向量生成模块403具体用于：
对N颗决策树中的每一颗树的叶子节点进行编号；根据所述编号为叶子节点赋值，生成属性向量。
在上述各实施例的基础上，所述向量生成模块403具体用于：
将输出取消订单结果的叶子节点赋值为第一预设值，将输出不取消订单结果的叶子节点赋值为第二预设值，将其余叶子节点赋值为第三预设值。
在上述各实施例的基础上，所述向量生成模块403具体用于：
根据N颗决策树中叶子节点数最多的决策树的叶子节点个数M，生成N*M维向量；为所述N*M维向量中的各位元素进行赋值，得到所述属性向量。
在上述各实施例的基础上，所述向量生成模块403具体用于：
若第n棵树的第m个叶子节点赋值为第一预设值，则将所述N*M维向量中第((n-1)*M+m)位元素赋值为第一预设值，将不输出取消订单结果的叶子节点对应的元素赋值为第二预设值；对于叶子节点数低于M的决策树，将超出叶子节点个数的元素赋值为第三预设值。
在上述各实施例的基础上，所述历史行为信息包含以下至少一项信息：乘客历史取消订单次数、司机接客预期到达时间与乘客历史取消订单平均时间的比值、司机接客预期到达时间与乘客历史取消订单平均时间的差值与乘客历史取消订单时间方差的比值、司机接客预期到达时间与乘客完成订单的司机到达时间均值的比值、司机接客行驶距离与乘客历史取消订单的司机接客行驶距离均值的比值、司机接客行驶距离与乘客历史取消订单的司机接客行驶距离均值的差值与乘客历史取消订单的司机接客行驶距离方差的比值、司机接客行驶距离与乘客历史完成订单的司机接客行驶距离均值的比值、订单价格与乘客历史取消订单平均价格的比值、订单价格与乘客历史取消订单平均价格的差与乘客历史取消订单价格的方差的比值、订单价格与乘客历史完成订单平均价格的比值、订单价格与乘客历史完成订单平均价格的差与乘客历史完成订单价格的方差的比值、乘客在预设时间段内取消订单的比例、乘客是否绑定信用卡和乘客是否有过打车拒付记录。
在上述各实施例的基础上，所述订单信息中还包含以下至少一项信息：乘车终点、乘车起点和/或乘车终点是否为用户的家庭地址、乘车起点和/或乘车终点是否为用户的工作单位，乘车起点和/或乘车终点是否为商圈、乘车起点和/或乘车终点是否为交通枢纽、是否是异地叫车、订单发起时间、车辆类型、乘车起点和乘车终点之间的距离、预计价格、预计价格与订单发起城市中订单平均价格比、预计行驶时间、预计行驶速度与订单发起城市中订单平均行驶速度比、是否穿越拥堵区域和乘客性别。
在上述各实施例的基础上，所述司机信息包含以下至少一项信息：司机性别、车辆类型、当前位置、接客行驶距离和接客预期到达时间。
在上述各实施例的基础上，所述订单发起时间包含以下至少一项信息：是否上午、是否下午、是否晚上、是否夜里、星期、小时、是否周末和是否处于上下班高峰期。
上述各实施例所提供的预估乘客取消订单行为的装置可执行本发明任意实施例所提供的预估乘客取消订单行为的方法，具备执行预估乘客取消订单行为的方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的预估乘客取消订单行为的方法：
根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；
将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；
分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；
根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。
实施例六
本发明实施例6还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的预估乘客取消订单行为的方法：
根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；
将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；
分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；
根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (20)
1.一种预估乘客取消订单行为的方法，其特征在于，包括：
根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；
将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；
分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；
根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。
2.根据权利要求1所述的方法，其特征在于，根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单包括：
将所述属性向量输入乘客取消订单行为识别器中进行学习；
根据所述乘客取消订单行为识别器输出的所述乘客针对所述候选司机取消订单的概率，确定所述乘客是否取消所述订单。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取至少一个乘客的历史订单的历史行为信息、订单信息及乘客取消订单情况，所述历史订单的订单信息中包含历史乘车起点；
获取位于所述历史乘车起点预设区域范围内的司机作为历史候选司机，并获取所述历史候选司机的司机信息；
根据所述乘客取消订单情况对所述历史订单进行标记，并分别为标记后的历史订单的历史行为信息、订单信息和司机信息进行赋值，生成历史属性向量；
采用神经网络模型或逻辑回归模型对所述历史属性向量进行训练，得到所述乘客取消订单行为识别器。
4.根据权利要求3所述的方法，其特征在于，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量包括：
采用随机森林Random Forest算法或迭代决策树GBDT，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量。
5.根据权利要求4所述的方法，其特征在于，采用随机森林Random Forest算法或迭代决策树GBDT，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量包括：
采用随机森林Random Forest算法或迭代决策树GBDT，对所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行训练，得到N棵决策树，其中，N为自然数；
为所述N棵决策树中的每颗树的叶子节点赋值，根据所述叶子节点的赋值生成属性向量。
6.根据权利要求5所述的方法，其特征在于，为所述N棵决策树中的每颗树的叶子节点赋值，根据所述叶子节点的赋值生成属性向量包括：
对N颗决策树中的每一颗树的叶子节点进行编号；
根据所述编号为叶子节点赋值，生成属性向量。
7.根据权利要求6所述的方法，其特征在于，根据所述编号为叶子节点赋值，生成属性向量包括：
将输出取消订单结果的叶子节点赋值为第一预设值，将输出不取消订单结果的叶子节点赋值为第二预设值，将其余叶子节点赋值为第三预设值。
8.根据权利要求6所述的方法，其特征在于，根据所述编号为叶子节点赋值，生成属性向量包括：
根据N颗决策树中叶子节点数最多的决策树的叶子节点个数M，生成N*M维向量；
为所述N*M维向量中的各位元素进行赋值，得到所述属性向量。
9.根据权利要求8所述的方法，其特征在于，为所述N*M维向量中的各位元素进行赋值，得到所述属性向量包括：
若第n棵树的第m个叶子节点赋值为第一预设值，则将所述N*M维向量中第((n-1)*M+m)位元素赋值为第一预设值，将不输出取消订单结果的叶子节点对应的元素赋值为第二预设值；
对于叶子节点数低于M的决策树，将超出叶子节点个数的元素赋值为第三预设值。
10.一种预估乘客取消订单行为的装置，其特征在于，包括：
历史信息获取模块，用于根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；
司机信息获取模块，用于将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；
向量生成模块，用于分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；
取消订单预估模块，用于根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单。
11.根据权利要求10所述的装置，其特征在于，所述取消订单预估模块具体用于：
将所述属性向量输入乘客取消订单行为识别器中进行学习；根据所述乘客取消订单行为识别器输出的所述乘客针对所述候选司机取消订单的概率，确定所述乘客是否取消所述订单。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
乘客取消订单行为识别器训练模块，用于获取至少一个乘客的历史订单的历史行为信息、订单信息及乘客取消订单情况，所述历史订单的订单信息中包含历史乘车起点；获取位于所述历史乘车起点预设区域范围内的司机作为历史候选司机，并获取所述历史候选司机的司机信息；根据所述乘客取消订单情况对所述历史订单进行标记，并分别为标记后的历史订单的历史行为信息、订单信息和司机信息进行赋值，生成历史属性向量；采用神经网络模型或逻辑回归模型对所述历史属性向量进行训练，得到所述乘客取消订单行为识别器。
13.根据权利要求12所述的装置，其特征在于，所述向量生成模块具体用于：
采用随机森林Random Forest算法或迭代决策树GBDT，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量。
14.根据权利要求13所述的装置，其特征在于，所述向量生成模块具体用于：
采用随机森林Random Forest算法或迭代决策树GBDT，对所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行训练，得到N棵决策树，其中，N为自然数；为所述N棵决策树中的每颗树的叶子节点赋值，根据所述叶子节点的赋值生成属性向量。
15.根据权利要求14所述的装置，其特征在于，所述向量生成模块具体用于：
对N颗决策树中的每一颗树的叶子节点进行编号；根据所述编号为叶子节点赋值，生成属性向量。
16.根据权利要求15所述的装置，其特征在于，所述向量生成模块具体用于：
将输出取消订单结果的叶子节点赋值为第一预设值，将输出不取消订单结果的叶子节点赋值为第二预设值，将其余叶子节点赋值为第三预设值。
17.根据权利要求15所述的装置，其特征在于，所述向量生成模块具体用于：
根据N颗决策树中叶子节点数最多的决策树的叶子节点个数M，生成N*M维向量；为所述N*M维向量中的各位元素进行赋值，得到所述属性向量。
18.根据权利要求17所述的装置，其特征在于，所述向量生成模块具体用于：
若第n棵树的第m个叶子节点赋值为第一预设值，则将所述N*M维向量中第((n-1)*M+m)位元素赋值为第一预设值，将不输出取消订单结果的叶子节点对应的元素赋值为第二预设值；对于叶子节点数低于M的决策树，将超出叶子节点个数的元素赋值为第三预设值。
19.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的预估乘客取消订单行为的方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的预估乘客取消订单行为的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710305315.0A CN107133645B (zh) | 2017-05-03 | 2017-05-03 | 预估乘客取消订单行为的方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710305315.0A CN107133645B (zh) | 2017-05-03 | 2017-05-03 | 预估乘客取消订单行为的方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107133645A true CN107133645A (zh) | 2017-09-05 |
| CN107133645B CN107133645B (zh) | 2021-10-26 |
Family
ID=59715451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710305315.0A Active CN107133645B (zh) | 2017-05-03 | 2017-05-03 | 预估乘客取消订单行为的方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107133645B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109345332A (zh) * | 2018-08-27 | 2019-02-15 | 中国民航信息网络股份有限公司 | 一种航空订票恶意行为的智能检测方法 |
| CN109377023A (zh) * | 2018-09-28 | 2019-02-22 | 北京三快在线科技有限公司 | 订单的分配方法、装置及电子设备 |
| CN109409970A (zh) * | 2017-05-09 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 异常订单处理系统及方法 |
| CN109509048A (zh) * | 2017-09-15 | 2019-03-22 | 北京京东尚科信息技术有限公司 | 恶意订单识别方法、装置、电子设备及存储介质 |
| CN109961328A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 确定订单冷静期的方法和装置 |
| CN110992072A (zh) * | 2018-11-30 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 异常订单预测方法和系统 |
| CN111133484A (zh) * | 2017-09-28 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 用于评估与指定的驾驶服务相关的调度策略的系统和方法 |
| WO2020097968A1 (en) * | 2018-11-16 | 2020-05-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for identifying drunk passenger by car hailing order |
| CN111260424A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种信息处理方法及装置 |
| CN111325594A (zh) * | 2018-12-17 | 2020-06-23 | 北京三快在线科技有限公司 | 一种潜在尾单判断、调度方法及装置 |
| CN111325374A (zh) * | 2018-12-13 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种订单取消概率的预测方法、装置和电子设备 |
| CN111784018A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
| CN111861620A (zh) * | 2019-12-18 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种订单处理方法和系统 |
| US11403553B2 (en) | 2018-11-16 | 2022-08-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for identifying a drunk passenger by a car hailing order |
| CN116523607A (zh) * | 2023-06-30 | 2023-08-01 | 北京龙驹易行科技有限公司 | 乘客恶意下单识别方法、装置、计算机设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003050852A (ja) * | 2001-07-16 | 2003-02-21 | Keiju In | インターネットを利用した最適の貨物運送方法 |
| CN104715285A (zh) * | 2015-03-31 | 2015-06-17 | 北京嘀嘀无限科技发展有限公司 | 处理订单的方法和设备 |
| CN104809589A (zh) * | 2015-05-08 | 2015-07-29 | 北京嘀嘀无限科技发展有限公司 | 用于处理订单的方法及设备 |
| CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
-
2017
- 2017-05-03 CN CN201710305315.0A patent/CN107133645B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003050852A (ja) * | 2001-07-16 | 2003-02-21 | Keiju In | インターネットを利用した最適の貨物運送方法 |
| CN104715285A (zh) * | 2015-03-31 | 2015-06-17 | 北京嘀嘀无限科技发展有限公司 | 处理订单的方法和设备 |
| CN104809589A (zh) * | 2015-05-08 | 2015-07-29 | 北京嘀嘀无限科技发展有限公司 | 用于处理订单的方法及设备 |
| CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
Non-Patent Citations (4)
| Title |
|---|
| ALBARA AWAJAN ET AL: "An Automated Taxi Booking and Scheduling System", 《2013 8TH EUROSIM CONGRESS ON MODELLING AND SIMULATION》 * |
| CARLO MANNA ET AL: "Online Stochastic Planning for Taxi and Ridesharing", 《2014 IEEE 26TH INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE》 * |
| 赵云鹏: "新型打车软件的设计与实现", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 * |
| 陈煜: "基于多维度量的出租车推荐系统的研究与实现", 《万方学位论文库》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409970A (zh) * | 2017-05-09 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 异常订单处理系统及方法 |
| CN109509048A (zh) * | 2017-09-15 | 2019-03-22 | 北京京东尚科信息技术有限公司 | 恶意订单识别方法、装置、电子设备及存储介质 |
| CN111133484A (zh) * | 2017-09-28 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 用于评估与指定的驾驶服务相关的调度策略的系统和方法 |
| CN109961328A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 确定订单冷静期的方法和装置 |
| CN109345332A (zh) * | 2018-08-27 | 2019-02-15 | 中国民航信息网络股份有限公司 | 一种航空订票恶意行为的智能检测方法 |
| CN109377023A (zh) * | 2018-09-28 | 2019-02-22 | 北京三快在线科技有限公司 | 订单的分配方法、装置及电子设备 |
| CN111199239A (zh) * | 2018-11-16 | 2020-05-26 | 北京嘀嘀无限科技发展有限公司 | 通过打车订单识别醉酒乘客的人工智能系统和方法 |
| WO2020097968A1 (en) * | 2018-11-16 | 2020-05-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for identifying drunk passenger by car hailing order |
| US11403553B2 (en) | 2018-11-16 | 2022-08-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for identifying a drunk passenger by a car hailing order |
| CN111199239B (zh) * | 2018-11-16 | 2023-09-01 | 北京嘀嘀无限科技发展有限公司 | 通过打车订单识别醉酒乘客的人工智能系统和方法 |
| CN110992072A (zh) * | 2018-11-30 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 异常订单预测方法和系统 |
| CN111260424A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种信息处理方法及装置 |
| CN111325374A (zh) * | 2018-12-13 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种订单取消概率的预测方法、装置和电子设备 |
| CN111325374B (zh) * | 2018-12-13 | 2022-07-05 | 北京嘀嘀无限科技发展有限公司 | 一种订单取消概率的预测方法、装置和电子设备 |
| CN111325594A (zh) * | 2018-12-17 | 2020-06-23 | 北京三快在线科技有限公司 | 一种潜在尾单判断、调度方法及装置 |
| CN111784018A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
| CN111861620A (zh) * | 2019-12-18 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种订单处理方法和系统 |
| CN116523607A (zh) * | 2023-06-30 | 2023-08-01 | 北京龙驹易行科技有限公司 | 乘客恶意下单识别方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107133645B (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133645A (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
| CN107122866A (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
| CN106971279A (zh) | 预估司机接单行为的方法、装置、设备及存储介质 | |
| CN107133697A (zh) | 预估司机接单意愿的方法、装置、设备及存储介质 | |
| US20180101877A1 (en) | Method and syetem for determining transport service fee | |
| CN107492063A (zh) | 一种上车点推荐处理方法及系统 | |
| CN104252653B (zh) | 在公共自行车站点之间调配自行车的方法和系统 | |
| CN107766148A (zh) | 一种异构集群及任务处理方法和装置 | |
| CN108628807A (zh) | 浮点数矩阵的处理方法、装置、设备及计算机可读存储介质 | |
| JP2020515951A (ja) | オンデマンドサービスのための乗り物を割り当てるシステム及び方法 | |
| CA3028479A1 (en) | System and method for determining safety score of driver | |
| CN107194412A (zh) | 一种处理数据的方法、装置、设备和计算机存储介质 | |
| CN1866206A (zh) | 利用马尔可夫链根据uml规范生成性能测试 | |
| CN107273531A (zh) | 电话号码分类识别方法、装置、设备及存储介质 | |
| CN106651213A (zh) | 服务订单的处理方法及装置 | |
| CN111105120B (zh) | 一种工单处理方法及装置 | |
| CN111832869A (zh) | 一种车辆调度方法、装置、电子设备及存储介质 | |
| CN109543909A (zh) | 车辆案件数量的预测方法、装置和计算机设备 | |
| CN107609958A (zh) | 行为引导策略确定方法以及装置、存储介质以及电子设备 | |
| CN107169586A (zh) | 基于人工智能的资源组合优化方法、装置及存储介质 | |
| CN106951970A (zh) | 营运车辆的预约方法、装置、设备及计算机可读存储介质 | |
| CN110060658A (zh) | 一种车辆启动引导装置 | |
| CN115292046A (zh) | 算力分配方法、装置、存储介质及电子设备 | |
| CN107798024A (zh) | 一种出行目的地推荐处理方法及装置 | |
| US20220163336A1 (en) | Rideshare system implementing peak-shaving for fleet vehicle operators |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |