CN108830504A - 用车需求预测方法、系统、服务器及计算机存储介质 - Google Patents

Abstract

本申请提供一种用车需求预测方法、系统、服务器及计算机存储介质。其中，所述用车需求预测方法包括以下步骤：获取至少两个地理区域中在一时间段内产生的历史订单数据，所述历史订单数据中包括订单价格；对所述历史订单数据进行预处理以获得待拟合订单数据；以及采用预设的拟合模型对所述待拟合订单数据进行拟合，并根据所述订单价格以确定所述至少两个地理区域之间行车路线上的用户用车需求的概率分布。本申请通过构建用户需求和用车成本的概率分布来实现用户用车需求的预测，由此解决了现有技术中处理用车的供需不匹配的方式未考虑用户的用车需求，而造成的调度成本不易掌控的问题。

Description

用车需求预测方法、系统、服务器及计算机存储介质

技术领域

本申请涉及数据处理技术领域，特别是涉及一种用车需求预测方法、系统、服务器及计算机存储介质。

背景技术

随着移动通信技术的发展，基于移动互联网的订单服务得到了广泛的应用，例如订餐服务或打车(叫车)服务。一般来说，对于顾客或乘客的订单，系统通常会进行单独处理，例如乘客发起打车请求，系统通过响应生成叫车订单，并根据周边车辆情况将订单发给司机客户端，司机客户端通过点击确认按钮来接收乘客的叫车订单。然而，由于早晚高峰、天气等原因影响，区域供需不平衡的问题日益凸显。为缓解供需不平衡，打车平台会预测未来一段时间内区域的车辆需求，事先调度车辆到供不应求的区域。

在相关技术中，当平台从其他区域调度车辆时，一种情况为采用打表调度的方式，让需求量大的地区的用户承担调度所产生的费用，这必然降低一些人打车的意愿且不利于缓解需求量大的地区的人员疏散效率。另一种情况采用打车平台强制调度车辆的方式，这虽然利于疏散相应地区的人数，但调度所产生的成本转嫁于打车平台和驾驶员。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供一种用车需求预测方法、系统、服务器及计算机存储介质，用以解决现有技术中处理用车的供需不匹配的方式未考虑用户的用车需求，而造成的调度成本不易掌控的问题。

为实现上述目的及其他相关目的，本申请的第一方面提供一种用车需求预测方法，包括以下步骤：获取至少两个地理区域中在一时间段内产生的历史订单数据，所述历史订单数据中包括订单价格；对所述历史订单数据进行预处理以获得待拟合订单数据；以及采用预设的拟合模型对所述待拟合订单数据进行拟合，并根据所述订单价格以确定所述至少两个地理区域之间行车路线上的用户用车需求的概率分布。

在所述第一方面的某些实施方式中，所述方法还包括通过一函数曲线表征所述至少两个地理区域内行车路线上的用户用车需求的概率分布的步骤。

在所述第一方面的某些实施方式中，所述历史订单数据还包括：订单号、用户号、司机号、起点、终点、订单预估价格、以及订单生成时间戳的信息中的一种或多种信息。

在所述第一方面的某些实施方式中，所述对所述历史订单数据进行预处理的步骤包括以下至少一种：对包含司机号的历史订单数据进行数据完善处理；以及依据历史订单数据中的预设字段，剔除无效的历史订单数据。

在所述第一方面的某些实施方式中，所述对包含司机号的历史订单数据进行数据完善处理的步骤包括：依据订单生成时间将包含同一司机号的历史订单数据中的订单进行排序；基于排序顺序补充至少一个订单的完成时间。

在所述第一方面的某些实施方式中，所述对历史订单数据进行预处理的步骤包括：自所述历史订单数据筛选出位于相同时间区间、相同起点范围、及相同终点范围的历史订单数据作为待拟合订单数据。

在所述第一方面的某些实施方式中，所述拟合模型为对数正态拟合函数模型，所述采用预设的拟合模型对所述待拟合订单数据进行拟合的步骤为，采用预设的对数正态拟合函数模型对所述待拟合订单数据进行拟合，并根据价格以确定所述至少两个地理区域内用户用车需求的对数正态概率分布。

本申请第二方面提供一种用车需求预测系统，包括：数据获取模块，用于获取至少两个地理区域中在一时间段内产生的历史订单数据，所述历史订单数据中包括订单价格；数据预处理模块，用于对所述历史订单数据进行预处理以获得待拟合订单数据；以及预测模块，用于采用预设的拟合模型对所述待拟合订单数据进行拟合，并根据所述订单价格以确定所述至少两个地理区域之间行车路线上的用户用车需求的概率分布。

在所述第二方面的某些实施方式中，所述系统还包括显示模块，用于通过一函数曲线表征所述至少两个地理区域内每一路线上的用户用车需求的概率分布并予以显示。

在所述第二方面的某些实施方式中，所述历史订单数据还包括：订单号、用户号、司机号、起点、终点、订单预估价格、以及订单生成时间戳的信息中的一种或多种信息。

在所述第二方面的某些实施方式中，所述数据预处理模块用于对包含司机号的历史订单数据进行数据完善处理；和/或依据历史订单数据中的预设字段，剔除无效的历史订单数据。

在所述第二方面的某些实施方式中，所述数据预处理模块用于依据订单生成时间将包含同一司机号的历史订单数据中的订单进行排序；以及基于排序顺序补充至少一个订单的完成时间。

在所述第二方面的某些实施方式中，所述数据预处理模块还用于自所述历史订单数据筛选出位于相同时间区间、相同起点范围、及相同终点范围的历史订单数据作为待拟合订单数据。

在所述第二方面的某些实施方式中，所述拟合模型为对数正态拟合函数模型，所述预测模块通过采用预设的对数正态拟合函数模型对所述待拟合订单数据进行拟合，并根据价格以确定所述至少两个地理区域内用户用车需求的对数正态概率分布。

本申请第三方面提供一种服务器，包括：存储器，用于存储程序代码；一个或多个处理器；其中，所述处理器用于调用所述存储器中存储的程序代码来执行第一方面任一项所述的用车需求预测方法。

本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得所述计算机执行上述第一方面任一项所述的用车需求预测方法。

如上所述，本申请所提供的用户用车需求预测方案通过构建用户需求和用车成本的概率分布来实现用户用车需求的预测，由此解决了现有技术中处理用车的供需不匹配的方式未考虑用户的用车需求，而造成的调度成本不易掌控的问题。

附图说明

图1显示为本申请的用车需求预测方法在一种实施方式中的流程图。

图2显示为按照各时间区间所对应的订单价格由小到大顺序排列将包含相同起点范围和终点范围的各待拟合订单数据进行统计的统计图示。

图3显示为拟合图2中统计数据得到的对数正态拟合函数模型的函数曲线。

图4显示为本申请的用车需求预测系统在一种实施方式中的架构图。

图5显示为本申请的服务器在易实施方式中的结构示意图。

具体实施方式

以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。

在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。

如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包括”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

在体育场地、会展中心、交通枢纽、以及企业园区附近是易出现用车需求和用车供给关系紧张的区域。以利用体育场地举办了一场演唱会为例，当演唱会结束时，大量听众集中退场易导致附近的公共交通无法快速分散众多人群。目前，出租车平台可采用强制性调度运力以帮助消化体育场地附近人群，以减少交通压力，如网络叫车平台等打车平台也推出了打表叫车服务，以向叫车需求急迫的用户提供打车服务，由此来缓解体育场地附近用户与车辆的供求关系。

然而，强制调度的方式易出现出租车辆过度调度或调度不足的问题。打表叫车服务并非大多数用户得打车需求，这种方式无法有效解决用车供需关系紧张的问题。基于上述示例并推及至其他地区的用车供求关系预测方面，本申请提供一种用车需求预测方法，旨在利用打车平台的历史订单数据来任意地区的用户意愿打车的数量，以便基于所预测的数量进行车辆调度，由此实现在用车供需关系紧张的地区能够采用打车方式最大化地疏散人群，实现局部地区交通的有效疏导。其中，利用本申请所预测的用户用车供求关系，更可针对基于事件(如演唱会、展览活动、交通故障等)而引起的、以及基于潮汐式(如上下班高峰、上下学高峰等)而引起的用车供需关系紧张的地区，向打车平台提供调度依据，以供打车平台以用户需求进行车辆调度。

请参阅图1，其显示为一种用车需求预测方法在一种实施方式中的流程图。其中，所述需求预测方法主要由打车平台来执行。所述打车平台可包含计算机设备中的软件和硬件。

在此，所述计算机设备包括但不限于：单台服务器、服务器集群、分布式服务器、或云服务端等。其中，所述云服务端包括公共云(Public Cloud)服务端与私有云(PrivateCloud)服务端，其中，所述公共或私有云服务端包括Software-as-a-Service(软件即服务，SaaS)、Platform-as-a-Service(平台即服务，PaaS)及Infrastructure-as-a-Service(基础设施即服务,IaaS)等。所述私有云服务端例如阿里云计算服务平台、亚马逊(Amazon)云计算服务平台、百度云计算平台、腾讯云计算平台等。

在此，所述打车平台包括但不限于以下至少一种：基于互联网的打车平台，出租车调度平台等。其中，所述基于互联网的打车平台包括但不限于以下至少一种：顺风车打车平台、拼车打车平台、专车打车平台等。所述打车平台还包括基于历史订单数据进行数据分析的部分，以及基于叫车请求进行车辆搜寻和向司机侧发送订单确认的部分。

所述打车平台可与至少一个存储有历史订单数据的数据库或存储服务器进行数据通信，以执行所述需求预测方法。其中，在数据库或存储服务器中可存储基于至少一种打车请求而产生的历史订单数据，其中，所述打车请求包括但不限于以下至少一种：拼车请求、出租车叫车请求、顺风车叫车请求。

所述历史订单数据中包括但不限于订单价格，还包括以下至少一种：订单号、用户号、司机号、起点(又可称为起始地理区域)、终点(又可称为目的地理区域)、订单预估价格、订单实际价格、以及订单生成时间戳的信息中的一种或多种信息。例如，用户操作移动通信设备向所述打车平台发送出租车请求，并在乘坐所述打车平台所提供的车辆行驶到目的地时完成付费，打车平台生成一订单数据。又如，用户操作移动通信设备向所述打车平台发送出租车请求，并在司机接单后主动撤销，打车平台生成一订单数据。再如，用户操作移动通信设备仅向所述打车平台发送用于预览打车价格的请求，以期望查看打车价格，打车平台也生成一订单数据。所述打车平台将所生成的任一订单数据保存在数据库中，并在执行以下步骤时选择符合预设搜索条件的订单数据作为历史订单数据。

在步骤S110中，获取至少两个地理区域中在一时间段内产生的历史订单数据，所述历史订单数据中包括订单价格。其中，所述历史订单数据可以是以包含预设时间段的搜索条件而获取的。所述历史订单数据还可以是以包含地理区域的搜索条件而获取的，其中，所获取的历史订单数据中的时间字段构成相应的时间段。所述搜索条件还可以基于待预测的历史事件所对应地理区域为起点或终点而设置。例如，所述搜索条件包含预设时间段、预设历史事件为起点任意地理区域为终点。

在此，所述预设时间段包括但不限于以下至少一种：数据库中所保存的任意时长的时间段，例如，最近三周时间段等；数据库中所保存的产生至少一个历史事件的时间段，例如，演唱会结束后n小时，其中n>0。所述地理区域包括但不限于以下至少一种：任意地理区域；以待预测的至少一个地理区域为终点或起点的地理区域。

所述待预测的地理区域包括可预测的任意地理区域；待预测的历史事件所对应的地理区域。其中所述历史事件包括但不限于以下至少一种：如演唱会、展览活动、交通故障等孤立事件；如上下班、上下学等潮汐式的规律事件。其中，为尽量获取完整的历史订单数据，所选取的包含基于历史事件所对应的地理区域等历史订单数据中的时间字段应与当前时间相距一预设时长间隔。例如，获取15分钟之前的三小时内以演唱会所在体育场地为起点的所有历史订单数据。

本领域技术人员应该理解上述获取历史订单数据的方式仅为举例而非对本申请的限制。根据后续步骤的数据分析需要而设置搜索条件，进而得到在一时间段内产生的历史订单数据。事实上，所获取的每条历史订单数据可以是数据库中完整的历史订单数据，也可以是根据搜索条件节选而得的历史订单数据。

在步骤S120中，对所述历史订单数据进行预处理以获得待拟合订单数据。在此，所获取的历史订单数据包含具有完整字段信息的订单数据，以及具有不完整的字段信息的订单数据。

其中，具有不完整的字段信息的订单数据举例但不限于以下至少一种：缺少司机号的订单数据、缺少完成时间的订单数据、缺少终点的订单数据、实际行驶里程与叫车请求所对应的起点终点不符的订单数据等。为此，对所获取的历史订单数据进行预处理以对所有历史订单数据进行筛选、补充和修改中的至少一种处理，以便得到可供拟合处理的拟合订单数据。

在一些实施方式中，所述打车平台对包含司机号的历史订单数据进行数据完善处理。其中，所述数据完善处理包括数据补充和/或数据修改。在此，包含司机号的历史订单数据是指有司机接单的订单数据，通常来说，当司机接单后，在线下司机按照订单所指示的起止点承载乘客完成订单。然而，也有一些例外情况，比如乘客未按照订单约定，而是与司机另行约定终点，仅借助所述订单完成与司机的乘车交易，则所述订单数据中的订单价格与订单预估价格相差较大。又如，乘客在司机接单后取消订单，则所述订单数据中生成时间戳与完成时间戳之间的时长远小于按照实际行程所对应的时长。再如，司机完成订单后忘记点击订单完成按钮，致使订单数据中无完成时间戳。

在一些具体示例中，所述打车平台依据订单生成时间(即前述订单生成时间戳)将包含同一司机号的历史订单数据中的订单进行排序；以及基于排序顺序补充至少一个订单的完成时间(即前述完成时间戳)。在此，针对包含无完成时间的订单数据、或者前一订单数据中完成时间大于后一订单数据中订单生成时间的订单数据等情况，所述打车平台依据订单生成时间对同一个司机号进行订单排序，依据相邻订单数据中后一订单数据中的订单生成时间补充前一订单数据中订单的完成时间。例如，将相邻订单数据中后一订单数据中的订单生成时间作为前一订单数据中订单的完成时间，并更新前一订单数据中完成时间字段中。又如，将所述前一订单数据中的完成时间减去预设的打车时间间隔得到前一订单数据中完成时间并更新该前一订单数据的完成时间字段中，其中，所述打车时间间隔可以是经数据统计得到司机平均接单的时间间隔或其他预设值。

在又一些实施方式，所述打车平台依据历史订单数据中的预设字段，剔除无效的历史订单数据。其中，在一些具体示例中，所述预设字段可仅为单个字段。例如，所述打车平台依据司机号字段剔除无人接单的订单数据。在又一些具体示例中，所述打车平台预设基于多个字段依据订单数据中多个字段的组合确定无效历史订单数据。其中，所述多个字段的组合包括但不限于：起点、终点、订单预估价格、订单生成时间和完成时间字段中至少两个的组合。例如，所述打车平台依据订单预估价格、订单生成时间和订单完成时间分别确定：订单预估价格高于一预设价格且完成时间低于一预设时间的订单作为无效订单；订单预估价格低于一预设价格且完成时间高于一预设时间的订单作为无效订单。又如，所述打车平台依据起点、终点、订单生成时间和完成时间字段确定：预估的行程时长与实际订单持续时长相差至少n倍(n>1)的订单作为无效订单。在此，所述打车平台将所确定的无效的历史订单数据予以剔除。

在再一实施方式中，所述打车平台对历史订单数据进行归类处理以便拟合出在不同单价机制下用户用车需求的概率分布。其中，所述打车平台可先按照前述实施方式对历史订单数据本身进行筛选和完善，再执行所述归类处理；还可以先执行所述归类处理再对无法归类或每个分类中的历史订单数据进行筛选和完善。

为了更精准地掌握相近起点和相近终点的用户的用车需求，所述打车平台自所述历史订单数据筛选出位于相同时间区间、相同起点范围、及相同终点范围的历史订单数据作为待拟合订单数据。

其中，所述相同时间区间可按照单价所对应的时间区间进行划分；也可以基于预设的单价区间所对应的时间区间进行划分。例如，将订单价格区间设置为[a-Δ,a+Δ]的无交叠区间，每个订单价格区间所对应的时间区间设置为相同时间区间，其中，a为订单价格，Δ为订单价格上下浮动的区间阈值，所述Δ可以为固定值或基于历史订单数据中其他字段而确定(如所述Δ基于相同起点范围和相同终点范围而确定的行程而确定等)。所述相同时间区间还可以按照预设时间间隔将所获取的各历史订单数据的时间段进行划分而得的。

其中，所述相同起点范围和相同终点范围可按照预先划分的地区范围进行设置，或者按照经筛选出的有效的各历史订单数据中起点和终点聚类而得的。其中，所述打车平台依据历史订单数据中的起点设置相同起点范围，以及依据历史订单数据中的终点设置相同终点范围。

在一些实施例中，所述相同起点范围和相同终点范围的确定方式可以相同或不同。例如，所述打车平台计算所有有效的历史订单数据中各起点之间距离，并将所计算得到的距离与预设距离阈值进行比较，将所计算的距离小于预设距离阈值的各起点聚类以作为相同起点范围，与之类似，所述打车平台得到相同终点范围，并按照预先划分的时间区间对包含相同起点范围和相同终点范围的历史订单数据进行分类以得到相同时间区间的各待拟合订单数据，执行步骤S130。

再如，若所获取的各历史订单数据是基于历史事件所对应地理区域为起点或终点，则所述打车平台将所有有效的历史订单数据中以该地理区域为中心的预设半径范围设置为相同起点范围，并将位于所述相同起点范围内的各起点的历史订单数据中各终点进行聚类处理，以得到至少一个相同终点范围，并按照预先划分的时间区间对包含相同起点范围和相同终点范围的历史订单数据进行分类以得到相同时间区间的各待拟合订单数据，执行步骤S130。

在步骤S130中，采用预设的拟合模型对所述待拟合订单数据进行拟合，并根据所述订单价格以确定所述至少两个地理区域之间行车路线上的用户用车需求的概率分布。

在此，所述打车平台基于各时间区间所对应的单价(或单价区间)将来自步骤S120的待拟合订单数据进行统计。经统计选取与所述统计图示趋势相似的拟合模型进行拟合处理，以得到所述至少两个地理区域之间行车路线上的用户用车需求的概率分布，利用所述概率分布便于预测当调整单价时，位于所述历史订单数据所反映的对应两地理区域之间行车路线上用户用车需求的变化，从而基于用户用车供需层面解决供需不匹配地区的用车问题。

在一些实施方式中，所述打车平台还执行通过一函数曲线表征所述至少两个地理区域内行车路线上的用户用车需求的概率分布的步骤。在此，所述打车平台将利用所拟合的对数正态拟合函数模型描述的用户用车需求的概率分布的函数曲线表征所统计的根据所述订单价格以确定两个地理区域之间行车路线上的打车数据。所述打车平台还可以将所述函数曲线与所对应的打车统计数据予以显示，以供技术人员检查拟合效果。

其中，依据统计所选取的拟合模型为对数正态拟合函数模型，所述步骤S130包括采用预设的对数正态拟合函数模型对所述待拟合订单数据进行拟合，并根据价格以确定所述至少两个地理区域内用户用车需求的对数正态概率分布。

请参阅图2和图3，其中图2显示为按照各时间区间所对应的订单价格由小到大顺序排列将包含相同起点范围和终点范围的各待拟合订单数据进行统计的统计图示，图3显示为拟合图2中统计数据得到的对数正态拟合函数模型的函数曲线，其中，所述函数曲线的横坐标表征为订单价格，纵坐标表征为所述至少两个地理区域内的每一路线上的用户用车需求的概率。其中，由于行程路线相近，故每个相同时间区间内的订单价格反映了各时间区间的单价，图示中的每个柱状图形可视为各单价下自相同起点范围向终点范围打车人数或打车人数比例。以图2所示的统计图示为例，选取对数正态拟合函数模型进行拟合处理，其中，预设对数正态拟合函数模型中待确定的参数，利用所述待拟合订单数据对待确定的参数进行训练以使得经选取的参数而构建的对数正态拟合函数模型相对于所述统计图示中的统计数据拟合度达到最优条件，其中，所述最优条件包括但不限于：误差小于预设误差范围等。经拟合得到对应图2的自相同起点范围至相同终点范围在不同订单价格下用户用车需求的概率分布可如图3中的函数曲线表示。依据所得到的每对相同起点范围和相同终点范围的对数正态拟合函数模型预测调整订单价格时用户用车需求的概率。

由此推及至更普遍地，所述打车平台可基于任意起点地理区域和终点地理区域所对应的对数正态拟合函数模型预测订单价格，以及基于事件所对应的地理区域为起点或终点与任意地理区域的对数正态拟合函数模型预测用于缓解交通压力而设置的订单价格。以演唱会所在体育场地为例，当时，所述打车平台可预测演唱会开始前2小时内，以附近每个交通枢纽为相通起点区域前往演唱会所在体育场地为相同终点区域的行车路线上的人数，并利用各行车路线上的对数正态拟合函数模型和所预测的各行车路线上的人数预测使得用车成本与用车利润最优时所能向上调整的订单价格。

本申请所提供的用户用车需求预测方法通过构建用户需求和用车成本的概率分布来实现用户用车需求的预测，即在预测需求时结合价格因素，分析用户价格敏感度，有利于缓解供需不平衡，为打车平台定价和调度提供有效的可利用数据，由此解决现有技术中处理用车的供需不匹配的方式未考虑用户的用车需求，而造成的调度成本不易掌控的问题，另外，本方法仅需要拟合对数正太分布，参数少，拟合速度快，需要计算资源少。

本申请还提供一种用车需求预测系统。所述用车需求预测系统为运行在前述的打车平台中的软件和硬件。所述用车需求预测系统借助打车平台中各硬件的数据连接关系可与至少一个存储有历史订单数据的数据库或存储服务器进行数据通信。其中，在数据库或存储服务器中可存储基于至少一种打车请求而产生的历史订单数据，其中，所述打车请求包括但不限于以下至少一种：拼车请求、出租车叫车请求、顺风车叫车请求。

所述历史订单数据中包括但不限于订单价格，还包括以下至少一种：订单号、用户号、司机号、起点(又可称为起始地理区域)、终点(又可称为目的地理区域)、订单预估价格、订单实际价格、以及订单生成时间戳的信息中的一种或多种信息。例如，用户操作移动通信设备向所述打车平台发送出租车请求，并在乘坐所述打车平台所提供的车辆行驶到目的地时完成付费，打车平台生成一订单数据。又如，用户操作移动通信设备向所述打车平台发送出租车请求，并在司机接单后主动撤销，打车平台生成一订单数据。再如，用户操作移动通信设备仅向所述打车平台发送用于预览打车价格的请求，以期望查看打车价格，打车平台也生成一订单数据。所述打车平台将所生成的任一订单数据保存在数据库中，并在执行时选择符合预设搜索条件的订单数据作为历史订单数据。

请参阅图4，其显示为所述用车需求预测系统在一种实施方式中的架构示意图，如图所示，所述用车需求预测系统包括数据获取模块11、数据预处理模块12、预测模块13。其中，各模块可基于数据流向由运行服务器中的存储器、处理器、网络接口等硬件执行。

所述数据获取模块11用于获取至少两个地理区域中在一时间段内产生的历史订单数据，所述历史订单数据中包括订单价格。其中，所述历史订单数据可以是以包含预设时间段的搜索条件而获取的。所述历史订单数据还可以是以包含地理区域的搜索条件而获取的，其中，所获取的历史订单数据中的时间字段构成相应的时间段。所述搜索条件还可以基于待预测的历史事件所对应地理区域为起点或终点而设置。例如，所述搜索条件包含预设时间段、预设历史事件为起点任意地理区域为终点。

在此，所述预设时间段包括但不限于以下至少一种：数据库中所保存的任意时长的时间段，例如，最近三周时间段等；数据库中所保存的产生至少一个历史事件的时间段，例如，演唱会结束后n小时，其中n>0。所述地理区域包括但不限于以下至少一种：任意地理区域；以待预测的至少一个地理区域为终点或起点的地理区域。所述待预测的地理区域包括可预测的任意地理区域；待预测的历史事件所对应的地理区域。其中所述历史事件包括但不限于以下至少一种：如演唱会、展览活动、交通故障等孤立事件；如上下班、上下学等潮汐式的规律事件。其中，为尽量获取完整的历史订单数据，所选取的包含基于历史事件所对应的地理区域等历史订单数据中的时间字段应与当前时间相距一预设时长间隔。例如，获取15分钟之前的三小时内以演唱会所在体育场地为起点的所有历史订单数据。

本领域技术人员应该理解上述获取历史订单数据的方式仅为举例而非对本申请的限制。根据后续步骤的数据分析需要而设置搜索条件，进而得到在一时间段内产生的历史订单数据。事实上，所获取的每条历史订单数据可以是数据库中完整的历史订单数据，也可以是根据搜索条件节选而得的历史订单数据。

所述数据预处理模块12用于对所述历史订单数据进行预处理以获得待拟合订单数据。在此，所获取的历史订单数据包含具有完整字段信息的订单数据，以及具有不完整的字段信息的订单数据。其中，具有不完整的字段信息的订单数据举例但不限于以下至少一种：缺少司机号的订单数据、缺少完成时间的订单数据、缺少终点的订单数据、实际行驶里程与叫车请求所对应的起点终点不符的订单数据等。为此，对所获取的历史订单数据进行预处理以对所有历史订单数据进行筛选、补充和修改中的至少一种处理，以便得到可供拟合处理的拟合订单数据。

在一些实施方式中，所述数据预处理模块12对包含司机号的历史订单数据进行数据完善处理。其中，所述数据完善处理包括数据补充和/或数据修改。在此，包含司机号的历史订单数据是指有司机接单的订单数据，通常来说，当司机接单后，在线下司机按照订单所指示的起止点承载乘客完成订单。然而，也有一些例外情况，比如乘客未按照订单约定，而是与司机另行约定终点，仅借助所述订单完成与司机的乘车交易，则所述订单数据中的订单价格与订单预估价格相差较大。又如，乘客在司机接单后取消订单，则所述订单数据中生成时间戳与完成时间戳之间的时长远小于按照实际行程所对应的时长。再如，司机完成订单后忘记点击订单完成按钮，致使订单数据中无完成时间戳。

在一些具体示例中，所述数据预处理模块12依据订单生成时间(即前述订单生成时间戳)将包含同一司机号的历史订单数据中的订单进行排序；以及基于排序顺序补充至少一个订单的完成时间(即前述完成时间戳)。在此，针对包含无完成时间的订单数据、或者前一订单数据中完成时间大于后一订单数据中订单生成时间的订单数据等情况，所述数据预处理模块12依据订单生成时间对同一个司机号进行订单排序，依据相邻订单数据中后一订单数据中的订单生成时间补充前一订单数据中订单的完成时间。例如，将相邻订单数据中后一订单数据中的订单生成时间作为前一订单数据中订单的完成时间，并更新前一订单数据中完成时间字段中。又如，将所述前一订单数据中的完成时间减去预设的打车时间间隔得到前一订单数据中完成时间并更新该前一订单数据的完成时间字段中，其中，所述打车时间间隔可以是经数据统计得到司机平均接单的时间间隔或其他预设值。

在又一些实施方式，所述数据预处理模块12依据历史订单数据中的预设字段，剔除无效的历史订单数据。其中，在一些具体示例中，所述预设字段可仅为单个字段。例如，所述数据预处理模块12依据司机号字段剔除无人接单的订单数据。在又一些具体示例中，所述数据预处理模块12预设基于多个字段依据订单数据中多个字段的组合确定无效历史订单数据。其中，所述多个字段的组合包括但不限于：起点、终点、订单预估价格、订单生成时间和完成时间字段中至少两个的组合。例如，所述数据预处理模块12依据订单预估价格、订单生成时间和订单完成时间分别确定：订单预估价格高于一预设价格且完成时间低于一预设时间的订单作为无效订单；订单预估价格低于一预设价格且完成时间高于一预设时间的订单作为无效订单。又如，所述数据预处理模块12依据起点、终点、订单生成时间和完成时间字段确定：预估的行程时长与实际订单持续时长相差至少n倍(n>1)的订单作为无效订单。在此，所述数据预处理模块12将所确定的无效的历史订单数据予以剔除。

在再一实施方式中，所述数据预处理模块12对历史订单数据进行归类处理以便拟合出在不同单价机制下用户用车需求的概率分布。其中，所述数据预处理模块12可先按照前述实施方式对历史订单数据本身进行筛选和完善，再执行所述归类处理；还可以先执行所述归类处理再对无法归类或每个分类中的历史订单数据进行筛选和完善。

为了更精准地掌握相近起点和相近终点的用户的用车需求，所述数据预处理模块12自所述历史订单数据筛选出位于相同时间区间、相同起点范围、及相同终点范围的历史订单数据作为待拟合订单数据。

其中，所述相同时间区间可按照单价所对应的时间区间进行划分；也可以基于预设的单价区间所对应的时间区间进行划分。例如，将订单价格区间设置为[a-Δ,a+Δ]的无交叠区间，每个订单价格区间所对应的时间区间设置为相同时间区间，其中，a为订单价格，Δ为订单价格上下浮动的区间阈值，所述Δ可以为固定值或基于历史订单数据中其他字段而确定(如所述Δ基于相同起点范围和相同终点范围而确定的行程而确定等)。所述相同时间区间还可以按照预设时间间隔将所获取的各历史订单数据的时间段进行划分而得的。

其中，所述相同起点范围和相同终点范围可按照预先划分的地区范围进行设置，或者按照经筛选出的有效的各历史订单数据中起点和终点聚类而得的。其中，所述数据预处理模块12依据历史订单数据中的起点设置相同起点范围，以及依据历史订单数据中的终点设置相同终点范围。在此，所述相同起点范围和相同终点范围的确定方式可以相同或不同。例如，所述数据预处理模块12计算所有有效的历史订单数据中各起点之间距离，并将所计算得到的距离与预设距离阈值进行比较，将所计算的距离小于预设距离阈值的各起点聚类以作为相同起点范围，与之类似，所述数据预处理模块12得到相同终点范围，并按照预先划分的时间区间对包含相同起点范围和相同终点范围的历史订单数据进行分类以得到相同时间区间的各待拟合订单数据，执行预测模块13。再如，若所获取的各历史订单数据是基于历史事件所对应地理区域为起点或终点，则所述数据预处理模块12将所有有效的历史订单数据中以该地理区域为中心的预设半径范围设置为相同起点范围，并将位于所述相同起点范围内的各起点的历史订单数据中各终点进行聚类处理，以得到至少一个相同终点范围，并按照预先划分的时间区间对包含相同起点范围和相同终点范围的历史订单数据进行分类以得到相同时间区间的各待拟合订单数据，执行预测模块13。

所述预测模块13用于采用预设的拟合模型对所述待拟合订单数据进行拟合，并根据所述订单价格以确定所述至少两个地理区域之间行车路线上的用户用车需求的概率分布。

在此，所述打车平台基于各时间区间所对应的单价(或单价区间)将来自步骤S120的待拟合订单数据进行统计。经统计选取与所述统计图示趋势相似的拟合模型进行拟合处理，以得到所述至少两个地理区域之间行车路线上的用户用车需求的概率分布，利用所述概率分布便于预测当调整单价时，位于所述历史订单数据所反映的对应两地理区域之间行车路线上用户用车需求的变化，从而基于用户用车供需层面解决供需不匹配地区的用车问题。

在一些实施方式中，所述用车需求预测系统还包括显示模块，其用于通过一函数曲线表征所述至少两个地理区域内行车路线上的用户用车需求的概率分布并予以显示。在此，所述打车平台将利用所拟合的对数正态拟合函数模型描述的用户用车需求的概率分布的函数曲线表征所统计的根据所述订单价格以确定两个地理区域之间行车路线上的打车数据。所述显示模块将所述函数曲线与所对应的打车统计数据予以显示，以供技术人员检查拟合效果。

其中，依据统计所选取的拟合模型为对数正态拟合函数模型，所述预测模块13采用预设的对数正态拟合函数模型对所述待拟合订单数据进行拟合，并根据价格以确定所述至少两个地理区域内用户用车需求的对数正态概率分布。

请参阅图2和图3，其中图2显示为按照各时间区间所对应的订单价格由小到大顺序排列将包含相同起点范围和终点范围的各待拟合订单数据进行统计的统计图示，图3显示为拟合图2中统计数据得到的对数正态拟合函数模型的函数曲线，其中，所述函数曲线的横坐标表征为订单价格，纵坐标表征为所述至少两个地理区域内的每一路线上的用户用车需求的概率。其中，由于行程路线相近，故每个相同时间区间内的订单价格反映了各时间区间的单价，图示中的每个柱状图形可视为各单价下自相同起点范围向终点范围打车人数或打车人数比例。以图2所示的统计图示为例，选取对数正态拟合函数模型进行拟合处理，其中，预设对数正态拟合函数模型中待确定的参数，利用所述待拟合订单数据对待确定的参数进行训练以使得经选取的参数而构建的对数正态拟合函数模型相对于所述统计图示中的统计数据拟合度达到最优条件，其中，所述最优条件包括但不限于：误差小于预设误差范围等。经拟合得到对应图3的自相同起点范围至相同终点范围在不同订单价格下用户用车需求的概率分布可如图3中的函数曲线表示。依据所得到的每对相同起点范围和相同终点范围的对数正态拟合函数模型预测调整订单价格时用户用车需求的概率。

由此推及至更普遍地，所述预测模块13可基于任意起点地理区域和终点地理区域所对应的对数正态拟合函数模型预测订单价格，以及基于事件所对应的地理区域为起点或终点与任意地理区域的对数正态拟合函数模型预测用于缓解交通压力而设置的订单价格。以演唱会所在体育场地为例，当时，所述预测模块13可预测演唱会开始前2小时内，以附近每个交通枢纽为相通起点区域前往演唱会所在体育场地为相同终点区域的行车路线上的人数，并利用各行车路线上的对数正态拟合函数模型和所预测的各行车路线上的人数预测使得用车成本与用车利润最优时所能向上调整的订单价格。

本申请所提供的用户用车需求预测系统通过构建用户需求和用车成本的概率分布来实现用户用车需求的预测，即在预测需求时结合价格因素，分析用户价格敏感度，有利于缓解供需不平衡，为打车平台定价和调度提供有效的可利用数据，由此解决现有技术中处理用车的供需不匹配的方式未考虑用户的用车需求，而造成的调度成本不易掌控的问题，另外，本系统仅需要拟合对数正太分布，参数少，拟合速度快，需要计算资源少。

本申请还提供一种服务器。所述服务器用于运行本申请所述的打车平台，以及其他任意可执行前述用车需求预测方法的打车平台。请参阅图5，其显示为所述服务器在易实施方式中的结构示意图。所述服务器包括存储器，以及一个或多个处理器。

其中，所述存储器31可包括高速随机存取存储器，并且还可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中，存储器还可以包括远离一个或多个处理器的存储器，例如经由通信网络(未示出)访问的网络附加存储器，其中所述通信网络可以是因特网、一个或多个内部网、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)等，或其适当组合。存储器还包括存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。所述存储器用于存储程序代码。

所述处理器32可操作地与存储器31耦接。处理器可执行在存储器31中存储的程序代码，诸如与移动通信设备进行数据接收和发送的步骤，以及根据行程信息计算第一拼车价格和第二拼车价格的步骤等。更具体地，所述处理器用于调用所述存储器中存储的程序代码来执行用户订单处理方法。例如，所述处理器执行参照图1及所对应的文字描述而设计的用车需求预测方法，在此不予赘述。如此，处理器可包括一个或多个通用微处理器、一个或多个专用处理器(ASIC)、一个或多个现场可编程逻辑阵列(FPGA)、或它们的任何组合。

所述处理器32还可操作地与网络接口耦接，以将所属计算设备以通信方式耦接至网络。例如，网络接口可将计算设备连接到广域网(WAN、或注入4G、5G或LTE蜂窝网络)。

另外需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解，本申请还提供一种计算机设备的存储介质，所述存储介质存储有至少一个程序，所述程序在被调用时执行前述的任一所述的用户订单处理方法。

基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可包括其上存储有机器可执行程序代码的一个或多个机器可读介质，这些程序代码在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本申请的实施例来执行操作。例如执行叫车服务中的各步骤等。机器可读介质可包括但不限于，软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行程序代码的其他类型的介质/机器可读介质。其中，所述存储介质可位于机器也可位于第三方服务器中，如位于提供云存储的服务器中。

另外需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解，本申请还提供一种计算机设备的存储介质，所述存储介质存储有至少一个程序，所述程序在被调用时执行前述的任一所述的用车需求预测方法。

基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可包括其上存储有机器可执行程序代码的一个或多个计算机可读存储介质，这些程序代码在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本申请的实施例来执行操作。例如执行叫车服务中的各步骤等。机器可读介质可包括但不限于，软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行程序代码的其他类型的介质/机器可读介质。其中，所述存储介质可位于机器人也可位于第三方服务器中，如位于云服务端中。在此对具体应用商城不做限制，如阿里云、华为的云服务端等等。

本申请可以在由计算机执行的计算机可执行程序代码的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

如上所述，本申请所提供的用户用车需求预测方案通过构建用户需求和用车成本的概率分布来实现用户用车需求的预测，由此解决了现有技术中处理用车的供需不匹配的方式未考虑用户的用车需求，而造成的调度成本不易掌控的问题。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (16)

1.一种用车需求预测方法，其特征在于，包括以下步骤：

获取至少两个地理区域中在一时间段内产生的历史订单数据，所述历史订单数据中包括订单价格；

对所述历史订单数据进行预处理以获得待拟合订单数据；以及

采用预设的拟合模型对所述待拟合订单数据进行拟合，并根据所述订单价格以确定所述至少两个地理区域之间行车路线上的用户用车需求的概率分布。

2.根据权利要求1所述的用车需求预测方法，其特征在于，还包括通过一函数曲线表征所述至少两个地理区域内行车路线上的用户用车需求的概率分布的步骤。

3.根据权利要求1所述的用车需求预测方法，其特征在于，所述历史订单数据还包括：订单号、用户号、司机号、起点、终点、订单预估价格、以及订单生成时间戳的信息中的一种或多种信息。

4.根据权利要求3所述的用车需求预测方法，其特征在于，所述对所述历史订单数据进行预处理的步骤包括以下至少一种：

对包含司机号的历史订单数据进行数据完善处理；以及

依据历史订单数据中的预设字段，剔除无效的历史订单数据。

5.根据权利要求4所述的用车需求预测方法，其特征在于，所述对包含司机号的历史订单数据进行数据完善处理的步骤包括：

依据订单生成时间将包含同一司机号的历史订单数据中的订单进行排序；

基于排序顺序补充至少一个订单的完成时间。

6.根据权利要求1或4所述的用车需求预测方法，其特征在于，所述对历史订单数据进行预处理的步骤包括：自所述历史订单数据筛选出位于相同时间区间、相同起点范围、及相同终点范围的历史订单数据作为待拟合订单数据。

7.根据权利要求1所述的用车需求预测方法，其特征在于，所述拟合模型为对数正态拟合函数模型，所述采用预设的拟合模型对所述待拟合订单数据进行拟合的步骤为，采用预设的对数正态拟合函数模型对所述待拟合订单数据进行拟合，并根据价格以确定所述至少两个地理区域内用户用车需求的对数正态概率分布。

8.一种用车需求预测系统，其特征在于，包括：

数据获取模块，用于获取至少两个地理区域中在一时间段内产生的历史订单数据，所述历史订单数据中包括订单价格；

数据预处理模块，用于对所述历史订单数据进行预处理以获得待拟合订单数据；以及

预测模块，用于采用预设的拟合模型对所述待拟合订单数据进行拟合，并根据所述订单价格以确定所述至少两个地理区域之间行车路线上的用户用车需求的概率分布。

9.根据权利要求8所述的用车需求预测系统，其特征在于，还包括显示模块，用于通过一函数曲线表征所述至少两个地理区域内每一路线上的用户用车需求的概率分布并予以显示。

10.根据权利要求8所述的用车需求预测系统，其特征在于，所述历史订单数据还包括：订单号、用户号、司机号、起点、终点、订单预估价格、以及订单生成时间戳的信息中的一种或多种信息。

11.根据权利要求8所述的用车需求预测系统，其特征在于，所述数据预处理模块用于对包含司机号的历史订单数据进行数据完善处理；和/或依据历史订单数据中的预设字段，剔除无效的历史订单数据。

12.根据权利要求11所述的用车需求预测系统，其特征在于，所述数据预处理模块用于依据订单生成时间将包含同一司机号的历史订单数据中的订单进行排序；以及基于排序顺序补充至少一个订单的完成时间。

13.根据权利要求8或11所述的用车需求预测系统，其特征在于，所述数据预处理模块还用于自所述历史订单数据筛选出位于相同时间区间、相同起点范围、及相同终点范围的历史订单数据作为待拟合订单数据。

14.根据权利要求8所述的用车需求预测系统，其特征在于，所述拟合模型为对数正态拟合函数模型，所述预测模块通过采用预设的对数正态拟合函数模型对所述待拟合订单数据进行拟合，并根据价格以确定所述至少两个地理区域内用户用车需求的对数正态概率分布。

15.一种服务器，其特征在于，包括：

存储器，用于存储程序代码；

一个或多个处理器；

其中，所述处理器用于调用所述存储器中存储的程序代码来执行权利要求1-7任一项所述的用车需求预测方法。

16.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得所述计算机执行1-7任一项所述的用车需求预测方法。