CN108734361B - 拼车订单处理方法和装置 - Google Patents

Abstract

本发明实施例提供了一种拼车订单处理方法和装置，涉及交通技术领域。本发明实施例首先基于采集的预定时间段内的一个或多个订单的拼车数据，确定拼车数据中包含的各个拼车特征对拼车成功率影响的权重；其中拼车数据包括一个或多个订单的拼车状态和对应的拼车特征；之后提取当前拼车订单的拼车特征，基于当前拼车订单的拼车特征确定的权重确定当前拼车订单的拼车成功率，本发明实施例的技术方案能够确定更加合理的折扣，在降低乘客的出行成本的同时提高司机以及平台的收益，实现乘客、司机以及平台的三方共赢。

Description

拼车订单处理方法和装置

技术领域

本发明实施例涉及交通技术领域，尤其涉及一种基于拼车订单处理方法和装置。

背景技术

目前使用各类拼车产品的用户日益增加，该产品的目标主要是实现乘客、司机以及平台三方面的共赢，即一方面降低乘客的出行成本、一方面提高司机和平台的收益。目前实现乘客、司机以及平台三方面共赢的主要方法是对使用拼车的乘客进行打折，该乘客需要跟别的乘客共享出行，司机一次拉两单会提高收益，平台在该过程中也会提高效率。

在此拼车过程中，折扣是关键。现有技术中的折扣确定方法根据不同的应用场景有很多种方式，例如所有的拼车订单都给与一个固定的折扣，或者根据车程的不同给与不同的折扣，根据订单的时间段给与不同的折扣。上述现有技术中折扣的确定方法都不能通过折扣来促成拼车，没办法刺激乘客选择拼车产品，拼车规模无法达到理想规模，乘客的出行成本不会显著降低，三方共赢无法实现。而如何给出一个合理的折扣来促成拼车成功，需要首先预估当前拼车订单的拼车成功率，再根据拼车成功率给出对应合理的折扣。

但是现有技术中并没有提供一种能够准确的预估拼车订单的拼车成功率的技术方案，因此如何预估一个准确的拼车成功率成为目前实现乘客、司机以及平台三方面的共赢所需要解决的问题。

发明内容

针对现有技术中如何使得计算机处理可以得到更为准确的预估拼车成功率，本发明实施例提供了一种拼车订单处理方法和装置。

第一方面，本发明实施例提供了一种拼车订单处理方法，其特征在于，所述方法包括以下步骤：

基于采集的预定时间段内的一个或多个订单的拼车数据，确定所述拼车数据中包含的各个拼车特征对拼车成功率影响的权重；其中所述拼车数据包括一个或多个订单的拼车状态和对应的所述拼车特征；提取当前拼车订单的拼车特征，基于所述当前拼车订单的拼车特征确定的所述权重确定所述当前拼车订单的拼车成功率。

优选地，所述拼车状态包括拼车成功和拼车失败。

优选地，所述确定所述拼车数据中包含的各个拼车特征对拼车成功率影响的权重包括以下步骤：

根据所述拼车状态以及所述拼车特征，利用如下公式计算所述拼车特征对应的所述权重：

Y＝1/(1+exp(-W^Tx))

式中，Y表示拼车成功率，所述拼车状态为拼车成功时，Y值为1，所述拼车状态为拼车失败时，Y值为0，x表示拼车特征的量化值，W表示所述权重。

优选地，所述方法利用支持向量机或迭代的决策树GBDT的方法确定各个拼车特征对拼车成功率影响的权重。

优选地，所述拼车特征包括以下的一个或多个：当前司机的位置与拼车订单中乘客的上车位置的距离、当前司机的目的地与拼车订单的目的地的距离、周边的司机数量和当前司机到达拼车订单中乘客的上车位置的估算时间与乘客指定上车时间的时间差。

优选地，所述方法还包括如下步骤：

根据所述拼车成功率确定对应的折扣值。

第二方面，本发明实施例提供了一种拼车订单处理装置，所述装置包括权重确定单元和拼车成功率确定单元；

所述权重确定单元用于利用采集的预定时间段内的一个或多个订单的拼车数据，确定所述拼车数据中包含的各个拼车特征对拼车成功率影响的权重；其中所述拼车数据包括一个或多个订单的拼车状态和对应的所述拼车特征；

所述拼车成功率确定单元用于提取当前拼车订单的拼车特征，基于所述当前拼车订单的拼车特征确定的所述权重确定所述当前拼车订单的拼车成功率。

优选地，所述拼车状态包括拼车成功和拼车失败。

优选地，所述权重确定单元包括回归模型计算子单元，所述回归模型计算子单元根据所述拼车状态以及所述拼车特征，利用如下公式计算所述拼车特征对应的所述权重：

Y＝1/(1+exp(-W^Tx))

式中，Y表示拼车成功率，所述拼车状态为拼车成功时，Y值为1，所述拼车状态为拼车失败时，Y值为0，x表示拼车特征的量化值，W表示所述权重。

优选地，所述回归模型计算子单元还用于利用支持向量机或迭代的决策树GBDT的方法确定各个拼车特征对拼车成功率影响的权重。

优选地，所述拼车特征包括以下的一个或多个：当前司机的位置与拼车订单中乘客的上车位置的距离、当前司机的目的地与拼车订单的目的地的距离、周边的司机数量和当前司机到达拼车订单中乘客的上车位置的估算时间与乘客指定上车时间的时间差。

优选地，所述装置还包括折扣确定单元；所述折扣确定单元用于根据所述拼车成功率确定对应的折扣值。

由上述技术方案可知，本发明实施例提供一种拼车订单处理方法和装置。本发明实施例首先基于采集的预定时间段内的一个或多个订单的拼车数据，确定拼车数据中包含的各个拼车特征对拼车成功率影响的权重；其中拼车数据包括一个或多个订单的拼车状态和对应的拼车特征；之后提取当前拼车订单的拼车特征，基于当前拼车订单的拼车特征确定的权重确定当前拼车订单的拼车成功率，本发明实施例利用学习得到权重确定当前拼车订单的拼车成功率的技术方案能够准确的预估拼车成功率，从而确定更加合理的折扣，在降低乘客的出行成本的同时提高司机以及平台的收益，实现乘客、司机以及平台的三方共赢，同时使得计算机处理订单折扣数据的结果更为精确。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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是本发明一种实施例的拼车订单处理方法的流程示意图；

图2是本发明另一种实施例的拼车订单处理方法的流程示意图；

图3是本发明一种实施例的拼车订单处理装置的结构示意图；

图4是本发明另一种实施例的拼车订单处理装置的结构示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，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前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。

实施例一：

如图1所示，本实施例的一种车订单处理方法包括以下步骤：

S1、基于采集的预定时间段内的一个或多个订单的拼车数据，确定所述拼车数据中包含的各个拼车特征对拼车成功率影响的权重；其中所述拼车数据包括一个或多个订单的拼车状态和对应的拼车特征。

可选地，所述拼车状态包括拼车成功以及拼车失败；此步骤中，拼车成功对应的拼车成功率为1，拼车失败对应的拼车成功率为0，利用预定时间段内已知的拼车数据，即根据已知的拼车成功率以及对应的拼车特征可以确定各个拼车特征对拼车成功率的影响程度，即各个拼车特征对拼车成功率影响的权重；

此步骤中，拼车特征包括当前司机的位置与拼车订单中乘客的上车位置的距离、当前司机的目的地与拼车订单的目的地的距离、周边的司机数量和当前司机到达拼车订单中乘客的上车位置的估算时间与乘客指定上车时间的时间差等，这些拼车特征对拼车是否成功起到一定的作用，即拼车特征对应的权重；那么利用拼车特征对应的权重即可预测拼车订单拼成的概率；

应当说明的是，在实际中，上述拼车特征是根据实际的情况不断添加与删除的，从而可以不断提高预估的拼车成功率的准确率；

此步骤为离线训练阶段，目的是得到各个拼车特征对应的权重；

S2、提取当前拼车订单的拼车特征，基于所述当前拼车订单的拼车特征确定的所述权重确定所述当前拼车订单的拼车成功率；

此步骤为线上计算阶段，根据当前拼车订单的拼车特征以及离线训练阶段确定的权重实时计算得到对应的拼车成功率。

本实施例利用学习得到权重确定当前拼车订单的拼车成功率的技术方案能够准确的预估拼车成功率，从而利用上述准确的拼车成功率能够确定更加合理的折扣，在降低乘客的出行成本的同时提高司机以及平台的收益，实现乘客、司机以及平台的三方共赢，同时使得计算机处理订单折扣数据的结果更为精确。

实施例二：

本实施例提供一种拼车订单处理方法，如图2所示，该方法包含实施例一中的所有步骤，并且本实施例利用逻辑斯特回归(Logistic Regression，LR)模型确定各个拼车特征对拼车成功率影响的权重，具体地：根据所述拼车状态以及所述拼车特征，利用如下公式计算所述拼车特征对应的所述权重：

Y＝1/(1+exp(-W^Tx))

式中，Y表示拼车成功率，计算时所述拼车状态为拼车成功时，Y值取1，所述拼车状态为拼车失败时，Y值取0，x表示拼车特征的量化值，W表示对应的权重。具体地，在确定权重的过程中可以采用最大似然方法等算法进行估算。

在计算权重的过程中，根据已经采集的拼车数据中的拼车状态为上述公式中Y赋值，即若拼车状态为拼车成功时，Y值为1，所述拼车状态为拼车失败时，Y值为0；再根据已经采集的拼车数据中的对应的拼车特征形成矩阵x，最后利用上述公式求解权重的矩阵W。

其中，根据已经采集的拼车数据中的对应的拼车特征形成矩阵x具体的为：

例如现在有当前司机的位置与拼车订单中乘客的上车位置的距离和司机数量两个拼车特征,下面利用连续特征离散化的方法形成x。如果上述距离是a米，离散粒度为b,则距离位置为a/b，现在用[c1…ca]表示a个距离，当c1+a/b值没有超过ca的值时，则c1+a/b对应的位置上为1，其余位置为0；如果c1+a/b值超过ca的值的，则在ca对应的位置上为1,其余位置上的值为0。司机数量等其他拼车特征利用相同的方法进行离散化，从而形成矩阵x。

举个例子：用1到4个位置表示当前司机的位置与拼车订单中乘客的上车位置的距离，为135米，离散粒度为50，则1+135/50(整除)＝3，则距离向量为[0，0，1，0]，5到8为司机数量向量，利用相同的方法，最终x为[0，0，1，0，0，1，0，0]；

在确定了x之后，利用上述公式以及最大似然方法等各类现有技术中的常规算法可以求解权重的矩阵W，例如矩阵W为w＝[w1,w2,w3,w4,w5,w6,w7,w8],w均为小数，可正可负，为每个拼车特征的权重。

确定各个拼车特征对应的权重后，利用当前拼车订单的拼车特征作为输入x，利用下面公式即可确定拼车成功率Y：

Y＝1/(1+exp(-W^Tx))

应当说明的是，在确定各个拼车特征的权重的过程中，并不限于利用逻辑斯特回归模型进行计算，例如还可以利用支持向量机或GBDT(Gradient Boosting DecisionTree)的方法确定各个拼车特征对拼车成功率影响的权重。GBDT的准确性略优于逻辑斯特回归模型，但是其实现的复杂性要远远大于逻辑斯特回归。

可选地，本实施例中可以设置所述预定时间段为两周。应当说明的是这里并不限定预定时间段一定为两周，可以根据实际的情况延长或缩短此时间段以及设置该时间段的启示时间。在具体设置该时间段时，由于乘客的需求的不断变化，选取的时间段的数据应该包括能够反应现阶段影响拼车是否能够成功的拼车特征，并且为保证计算效率选取的时间段的长度不能过长，数据量不能过大。

实施例三：

本实施例提供一种拼车订单处理方法，如图2所示，该实施例的方法包含实施例一中的所有步骤，并且还包括如下步骤：

S3、根据所述拼车成功率确定对应的折扣值。

此步骤中，根据拼车成功率可以确定对应的折扣值，这些折扣值是预先设定好的，即对于每一个拼车成功率预先都可以设定一个折扣值，这些折扣值的设定是根据实际的运营情况，经过分析能够最大程度的降低乘客出行成本，同时提高司机以及平台收益以实现三方共赢的最合理的折扣值。

具体地，在设定折扣值时，合理的折扣方案是对能拼成的乘客进行较高的折扣，不能拼成的乘客进行较低的折扣，或者说是对于预估的拼车成功率较高的拼车订单给较高的折扣，促使其发单；对预估的拼车成功率较低的拼车订单给较低的折扣，以减少损失。例如拼车成功率大于90％的拼车订单给予5折的折扣，拼车成功率在80％到90％之间的拼车订单给予6折的折扣，拼车成功率小于50％的拼车订单给予9折的折扣。

本实施例的方法首先经过离线训练阶段，确定各个拼车特征对应的权重；再经过线上计算阶段确定各个拼车订单的准确的拼车成功率，最后根据确定的准确的拼车成功率确定该拼车订单的合理的折扣值。对于拼车成功率较高的拼车订单给予较高的折扣，拼车成功率交底的拼车订单给予较低的折扣，从而能够促使拼车成功，较少对拼车规模的影响，以降低乘客的出行成本，同时提高司机以及平台的收益，实现三方共赢。

实施例四：

对应于上述方法本发实施例还公开了一种基于拼车订单处理装置，如图3所示，所述装置包括权重确定单元和拼车成功率确定单元。所述权重确定单元用于采集的预定时间段内的一个或多个订单的拼车数据，确定所述拼车数据包含的各个拼车特征对拼车成功率影响的权重；其中所述拼车数据包括一个或多个订单的拼车状态和对应的所述拼车特征；所述拼车成功率确定单元用于提取当前拼车订单的拼车特征，基于所述当前拼车订单的拼车特征确定的所述权重确定所述当前拼车订单的拼车成功率。

本实施例的装置利用学习得到权重确定当前拼车订单的拼车成功率的技术方案能够准确的预估拼车成功率，从而利用上述准确的拼车成功率能够确定更加合理的折扣，在降低乘客的出行成本的同时提高司机以及平台的收益，实现乘客、司机以及平台的三方共赢。

在另一种实施例中，如图4所示，，所述权重确定单元包括回归模型计算子单元，所述回归模型计算子单元用于利用逻辑斯特回归模型确定各个拼车特征对拼车成功率影响的权重。

所述回归模型计算子单元根据所述拼车状态以及所述拼车特征，利用如下公式计算所述拼车特征对应的所述权重：

Y＝1/(1+exp(-W^Tx))

式中，Y表示拼车成功率，所述拼车状态为拼车成功时，Y值为1，所述拼车状态为拼车失败时，Y值为0，x表示拼车特征的量化值，W表示所述权重。对应地，拼车成功率确定单元根据确定的权重W，利用当前拼车订单的拼车特征作为输入x，利用下面公式即可确定拼车成功率Y：

Y＝1/(1+exp(-W^Tx))

另外，权重确定单元还可以利用利用支持向量机或GBDT(Gradient BoostingDecision Tree)的方法确定各个拼车特征对拼车成功率影响的权重。

在另一种实施例中，如图4所示，本实施例的装置还包括折扣确定单元；所述折扣确定单元用于根据所述拼车成功率确定对应的折扣值。上述实施例的装置是与上述实施例1-实施例3中的方法对应的，上述装置对于拼车订单的处理步骤与上述方法的步骤一一对应，因此对于其中重复的部分，本实施例不再进行赘述。

本发明实施例的装置同样能够通过拼车特征的权重准确确定拼车订单的拼车成功率，再根据准确拼车成功率确定该拼车订单的更加合理的折扣值。对拼车成功率较高的拼车订单给予较高的折扣，拼车成功率交底的拼车订单给予较低的折扣，从而能够促使拼车成功，较少对拼车规模的影响，以降低乘客的出行成本，同时提高司机以及平台的收益，实现三方共赢。综上，本发明实施例在离线训练阶段，利用LR或其他机器学习算法确定各个拼车特征对应的权重，实现对拼车订单的拼车成功率的精准预估；在线上计算阶段，根据确定的权重以及当前拼车订单的拼车特征确定拼车成功率，以可以根据计算得到的拼车成功率确定合理的折扣值，以实现给予拼车成功率高的拼车订单高的折扣，促使其发单，拼车成功率低的拼车订单低的折扣，以减少损失，从而实现乘客、司机以及平台收益的平衡。

本领域普通技术人员可以理解：实现上述方法实施例的全部或者部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤。

本发明的说明书中，说明了大量具体细节。然而，能够理解，本发明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。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种拼车订单处理方法，其特征在于，所述方法包括以下步骤：

基于采集的预定时间段内的一个或多个订单的拼车数据，确定所述拼车数据中包含的各个拼车特征对拼车成功率影响的权重,其中所述拼车数据包括一个或多个订单的拼车状态和对应的所述拼车特征；

提取当前拼车订单的拼车特征，基于所述当前拼车订单的拼车特征确定的所述权重确定所述当前拼车订单的拼车成功率；

根据所述拼车成功率确定对应的折扣值；

所述折扣值对于每一个所述拼车成功率是预先设定好的；

所述拼车状态包括拼车成功和拼车失败；

所述拼车成功对应的所述拼车成功率为1，所述拼车失败对应的所述拼车成功率为0，利用所述预定时间段内已知的所述拼车数据，即根据已知的所述拼车成功率以及对应的所述拼车特征可以确定各个所述拼车特征对所述拼车成功率的影响程度，即各个所述拼车特征对所述拼车成功率影响的所述权重。

2.根据权利要求1所述的方法，其特征在于，所述确定所述拼车数据中包含的各个拼车特征对拼车成功率影响的权重包括以下步骤：

根据所述拼车状态以及所述拼车特征，利用如下公式计算所述拼车特征对应的所述权重：

Y＝1/(1+exp(-W^Tx))

式中，Y表示拼车成功率，所述拼车状态为拼车成功时，Y值为1，所述拼车状态为拼车失败时，Y值为0，x表示拼车特征的量化值，W表示所述权重。

3.根据权利要求1所述的方法，其特征在于，所述方法利用支持向量机或迭代的决策树GBDT的方法确定各个拼车特征对拼车成功率影响的权重。

4.根据权利要求1所述的方法，其特征在于，所述拼车特征包括以下的一个或多个：当前司机的位置与拼车订单中乘客的上车位置的距离、当前司机的目的地与拼车订单的目的地的距离、周边的司机数量和当前司机到达拼车订单中乘客的上车位置的估算时间与乘客指定上车时间的时间差。

5.一种拼车订单处理装置，其特征在于，所述装置包括权重确定单元和拼车成功率确定单元；

所述权重确定单元用于利用采集的预定时间段内的一个或多个订单的拼车数据，确定所述拼车数据中包含的各个拼车特征对拼车成功率影响的权重；其中所述拼车数据包括一个或多个订单的拼车状态和对应的所述拼车特征；

所述拼车成功率确定单元用于提取当前拼车订单的拼车特征，基于所述当前拼车订单的拼车特征确定的所述权重确定所述当前拼车订单的拼车成功率；

所述装置还包括折扣确定单元；所述折扣确定单元用于根据所述拼车成功率确定对应的折扣值；

所述折扣值对于每一个所述拼车成功率是预先设定好的；

所述拼车状态包括拼车成功和拼车失败；

所述拼车成功对应的所述拼车成功率为1，所述拼车失败对应的所述拼车成功率为0，利用所述预定时间段内已知的所述拼车数据，即根据已知的所述拼车成功率以及对应的所述拼车特征可以确定各个所述拼车特征对所述拼车成功率的影响程度，即各个所述拼车特征对所述拼车成功率影响的所述权重。

6.根据权利要求5所述的装置，其特征在于，所述权重确定单元包括回归模型计算子单元，所述回归模型计算子单元根据所述拼车状态以及所述拼车特征，利用如下公式计算所述拼车特征对应的所述权重：

Y＝1/(1+exp(-W^Tx))

式中，Y表示拼车成功率，所述拼车状态为拼车成功时，Y值为1，所述拼车状态为拼车失败时，Y值为0，x表示拼车特征的量化值，W表示所述权重。

7.根据权利要求6所述的装置，其特征在于，所述回归模型计算子单元还用于利用支持向量机或迭代的决策树GBDT的方法确定各个拼车特征对拼车成功率影响的权重。

8.根据权利要求5所述的装置，其特征在于，所述拼车特征包括以下的一个或多个：当前司机的位置与拼车订单中乘客的上车位置的距离、当前司机的目的地与拼车订单的目的地的距离、周边的司机数量和当前司机到达拼车订单中乘客的上车位置的估算时间与乘客指定上车时间的时间差。

Images