CN109064091B - 资源确定、资源处理方法及装置 - Google Patents
资源确定、资源处理方法及装置 Download PDFInfo
- Publication number
- CN109064091B CN109064091B CN201810776884.8A CN201810776884A CN109064091B CN 109064091 B CN109064091 B CN 109064091B CN 201810776884 A CN201810776884 A CN 201810776884A CN 109064091 B CN109064091 B CN 109064091B
- Authority
- CN
- China
- Prior art keywords
- parameter
- order
- determining
- freight
- data
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种资源确定、资源处理方法及装置,所述资源确定方法包括:确定影响抢单人数的至少一个特征参数;确定货运订单对应所述至少一个特征参数的参数数据;基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;基于所述预估抢单人数,确定所述货运订单对应的补贴资源。本申请实施例是针对货运订单的补贴资源,提高了补贴的针对性。
Description
技术领域
本申请实施例涉及计算机网络技术领域,具体地说,涉及一种资源确定、资源处理方法及装置。
背景技术
互联网经济的迅速发展带动了线上货运服务的迅速发展。目前,线上货运服务架构主要包括司机端、用户端和服务端,用户可以通过用户端向服务端提交货运请求,货运请求中可以包括运输起始位置以及运输终止位置等货运需求;服务端基于货运需求生成货运订单,并将货运订单发送至相应司机端;司机即可以通过司机端请求处理该货运订单,也即执行接单操作,接单成功之后,即可以基于货运订单,进行货物运输。
其中,服务端基于用户的货运需求,可以确定订单价格并发送至用户端,由用户端输出该订单价格以供用户确认,用户针对该订单价格进行确认并触发用户端进行线上支付,支付成功之后服务端可以再将货运订单下发至多个司机端。为了吸引司机接单,以提高订单成功几率,服务端可以为每个货运订单设置补贴资源,例如电子红包等,司机完成订单之后,进行线上收款时,可以领取货运订单的补贴资源来增加货运收入。
现有技术中,服务端为不同货运订单设置的补贴资源都是一样的,造成补贴资源发放的针对性不高,有可能导致资源浪费。
发明内容
有鉴于此,本申请提供了一种资源确定、资源处理方法及装置,主要用于解决现有技术中对所有用户均采用相同的补贴,引起补贴的针对性不高的技术问题。
为了解决上述技术问题,本申请第一方面提供了一种资源确定方法,包括:
确定影响抢单人数的至少一个特征参数;
确定货运订单对应所述至少一个特征参数的参数数据;
基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
基于所述预估抢单人数,确定所述货运订单对应的补贴资源。
优选地,所述数量估计模型按照如下方式预先训练获得:
确定至少一个历史货运订单;
基于任一个历史货运订单对应所述至少一个特征参数的历史参数数据,确定一个训练样本,以获得至少一个训练样本;
利用所述至少一个训练样本,训练获得所述数量估计模型。
优选地,所述数量估计模型包括分解机FM模型;
所述利用所述至少一个训练样本,训练获得所述数量估计模型包括:
将任一个历史货运订单对应的实际接单人数作为验证结果,以获得至少一个验证结果;
基于所述至少一个训练样本以及所述至少一个验证结果,训练获得所述FM模型的模型参数。
优选地,所述基于任一个历史货运订单对应所述至少一个特征参数的历史参数数据,确定一个训练样本,以获得至少一个训练样本包括:
确定所述至少一个特征参数的排列顺序;
将所述至少一个特征参数的历史参数数据分别进行编码,获得所述至少一个特征参数的历史特征向量;
计算任一特征参数的历史特征向量与其排列之后第一个特征参数的历史特征向量的历史交叉向量;
基于所述任一特征参数的所述历史特征向量以及所述历史交叉向量,确定所述任一特征参数的训练样本,以获得至少一个训练样本。
优选地,所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数包括:
确定所述至少一个特征参数的排列顺序;
将所述至少一个特征参数的参数数据分别进行编码,获得所述至少一个特征参数的特征向量;
计算任一特征参数的特征向量与其排列之后的第一个特征参数的特征向量的交叉向量;
将所述任一特征参数对应特征向量以及所述交叉向量,输入所述分解机FM模型,计算获得所述货运订单对应的预估抢单人数。
优选地,所述至少一个特征参数包括:城市参数、车型参数、价格参数、服务参数、地址参数以及商圈参数;
所述确定货运订单对应所述至少一个特征参数的参数数据包括:
确定所述货运订单对应所述城市参数对应的城市标识,所述车型参数对应的车型标识,所述价格参数对应的价格数据,所述服务参数对应的服务数据,所述地址参数对应的地址标识,所述商圈参数对应的商圈标识;
所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数包括:
基于所述城市标识、所述车型标识、所述价格数据、所述服务数据、所述地址标识以及所述商圈标识,利用数量预估模型确定所述货运订单对应的预估抢单人数。
优选地,所述基于所述预估抢单人数,确定所述货运订单对应的补贴资源包括:
基于所述估计抢单人数,利用成功概率模型计算获得所述货运订单的成功概率;
利用所述成功概率,确定所述货运订单的补贴资源。
优选地,所述基于所述预估抢单人数,确定所述货运订单对应的补贴资源包括:
确定至少一个预估人数范围及其对应的补贴金额;
从所述至少一个预估人数范围中选择与所述预估抢单人数匹配的目标人数范围;
确定所述目标人数范围对应的补贴金额为目标补贴金额;
基于所述目标补贴金额生成与所述货运订单对应的补贴资源。
本申请第二方面提供一种资源处理方法,包括:
确定影响抢单人数的至少一个特征参数;
确定货运订单对应的所述至少一个特征参数的参数数据;
基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
基于所述预估抢单人数,确定所述货运订单对应的补贴资源;
将所述补贴资源分配至抢单成功的司机。
本申请第三方面提供一种资源确定装置,包括:
参数确定模块,用于确定影响抢单人数的至少一个特征参数;
数据确定模块,用于确定货运订单对应所述至少一个特征参数的参数数据;
数量估计模块,用于基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
资源确定模块,用于基于所述预估抢单人数,确定所述货运订单对应的补贴资源。
本申请第四方面提供一种资源处理装置,包括:
参数确定模块,用于确定影响抢单人数的至少一个特征参数;
数据确定模块,用于确定货运订单对应的所述至少一个特征参数的参数数据;
数量估计模块,用于基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
资源确定模块,用于基于所述预估抢单人数,确定所述货运订单对应的补贴资源;
资源分配模块,用于将所述补贴资源分配至抢单成功的司机。
本申请实施例中,确定影响抢单人数的至少一个特征参数,以及货运订单对应至少一个特征参数的参数数据,以基于至少一个特征参数的参数数据,利用数量预估模型确定货运订单的预估抢单人数,进而基于所述预估抢单人数,确定所述货运订单对应的补贴资源。基于不同预估抢单人数对应补贴资源不同,补贴资源是基于预估抢单人数确定的,其仅针对预估抢单人数对应的货运订单,具有较强针对性,获得较高补贴效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例提供的一种资源确定方法的一个实施例的流程图;
图2是本申请实施例提供的一种资源处理方法的一个实施例的流程图;
图3是本申请实施例提供的一种资源确定装置的一个实施例的结构示意图;
图4是本申请实施例提供的一种资源处理装置的一个实施例的结构示意图。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式,藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本申请实施例主要应用于线上货运系统中,主要针对线上货运系统发放资源补贴时,根据货运订单接单人数的多少发送不同的资源补贴,使得资源补贴针对其对应的货运订单,提高补贴的针对性,获得较高的补贴效果。
现有技术中,线上货运系统针对线上所有货运订单均配送相同的补贴资源,补贴资源可以是红包、抵用券等。例如,当用户针对货运订单进行支付时,可以使用抵用券抵扣相应的价款,以减少支出;当司机针对货运订单进行收款时,可以领取红包中的红包金额,增加收入。但是这种方式,所有用户的补贴资源或者所有司机的补贴资源的资源金额都相同,导致补贴的针对性不高,而且容易造成补贴成本过高,降低补贴效果。
本申请实施例中,确定影响抢单人数的至少一个特征参数,还可以确定货运订单对应至少一个特征参数的参数数据,以基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数,进而基于所述预估抢单人数,确定所述货运订单对应的补贴资源。此时,补贴资源与订单的抢单人数相关,不同的货运订单对应抢单人数可能不同,因此,不同货运订单的补贴资源不再相同,而是与预估抢单人数具有较强关联性,使补贴资源仅针对相应的货运订单,提高了补贴的针对性,获得较高的补贴效果。
下面将结合附图对本申请实施例进行详细描述。
如图1所示,为本申请实施例的一种资源确定方法的一个实施例的流程图,该方法可以包括以下几个步骤:
101:确定影响抢单人数的至少一个特征参数。
为了增加线上货运系统的用户数量以及司机数量,线上货运系统通常需要对司机端以及用户端发放补贴。本申请实施例中的资源确定方法可以应用于具有计算处理功能的客户端中,由客户端确定补贴资源,以对司机或者用户进行补贴。其中,客户端可以包括线上货运系统的服务端、用户端或者司机端。
可选地,货运订单是由用户端下发的,用户端可以直接根据用户的货运需求判断该货运订单是否需要补贴,在判断需要对用户补贴时,应用本申请实施例的资源确定方法。此外,由于线上货运系统中,司机端需要将货运订单展示给司机,因此,司机端展示货运订单之前,可以判断该货运订单是否需要补贴,在判断需要对司机进行补贴时,应用本申请实施例所述的资源确定方法。另外,服务端为了实现对用户或司机的补贴控制,可以由服务端应用本申请实施例所述的方法。
可选地,至少一个特征参数可以影响货运订单的抢单人数,至少一个特征参数可以是线上货运系统的开发人员设置的,客户端可以接收系统开发人员设置的至少一个特征参数,并将所述至少一个特征参数进行保存,以便后续使用。
在某些实施例中,司机端展示所述货运订单之后,可以接收司机对所述货运订单的抢单操作,以并将该货运订单分配至抢单成功的司机。抢单人数可以指触发货运订单的抢单操作的司机人数。
102:确定货运订单对应的至少一个特征参数的参数数据。
可选地,可以确定任一个货运订单对应的至少一个特征参数的参数数据,以确定所有的货运订单的补贴资源,实现货运订单的全面补贴。
可选地,可以针对符合补贴条件的货运订单进行补贴,此时,客户端可以确定符合补贴条件的货运订单对应至少一个特征参数的参数数据。其中,服务端可以针对货运订单进行筛选,确定符合补贴条件的货运订单。作为一种可能的实现方式,服务端选择符合补贴条件的货运订单具体是:确定订单价格低于预设第一阈值,或者高于第二阈值的货运订单为符合补贴条件的货运订单。其中,订单价格低于第一阈值时,可以针对司机进行补贴,订单价格高于第二阈值时,可以针对用户进行补贴。
至少一个特征参数可以包括离散的特征参数以及连续的特征参数,而至少一个特征参数的参数数据可以包括离散类型的参数数据以及连续类型的参数数据。
103:基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数。
作为一个实施例,所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数可以包括:
将至少一个特征参数的参数数据进行编码,获得至少一个特征参数的特征向量;基于所述至少一个特征参数的特征向量,利用数量预估模型确定所述货运订单对应的预估抢单人数。
104:基于所述预估抢单人数,确定所述货运订单对应的补贴资源。
货运订单对应的预估抢单人数为该货运订单对应的可能抢单的人数。预估抢单人数可以用于衡量货运订单的成功几率,其中,当预估抢单人数较多时,货运订单的成功几率较高;当预估抢单人数较少时,货运订单的成功几率较低。通常,线上货运系统发送线上货运补贴,主要目标是提高用户或者司机使用线上货运系统的频率,因此,可以将预估抢单人数与补贴资源设置为负相关,预估抢单人数较多时,补贴资源可以设置较少;预估抢单人数较少时,补贴资源可以设置较多。
可选地,所述基于所述预估抢单人数,确定所述货运订单对应的补贴资源可以包括:
不同货运订单对应至少一个特征参数的参数数据不同,因此,基于参数数据确定的预估抢单人数不同。
本申请实施例中,针对需要补贴的货运订单,可以确定影响该货运订单的抢单人数的至少一个特征参数的参数数据,进而基于至少一个特征参数的参数数据利用数量估计模型估计该货运订单的预估抢单人数。基于不同预估抢单人数对应补贴资源不同,补贴资源是基于预估抢单人数确定的,其仅针对预估抢单人数对应的货运订单,具有较强针对性,获得较高补贴效果。
此外,由于预估抢单人数可以衡量该货运订单交易成功的几率,因此,通过预估抢单人数确定的货运订单的补贴资源即为针对该货运订单交易难易程度而确定的,具有较强针对性,并且针对货运订单的补贴,可以提高订单成功的可能性,提高补贴效果。
作为一个实施例,所述数量估计模型按照如下方式预先训练获得:
确定至少一个历史货运订单。
基于任一个历史货运订单对应至少一个特征参数的历史参数数据确定一个训练样本,以获得至少一个训练样本。
利用至少一个训练样本,训练获得所述数量估计模型。
历史货运订单可以包括多个,一个历史货运订单对应一个训练样本,可以获得任一个历史货运订单对应训练样本。所述基于所述任一个历史货运订单对应至少一个特征参数的历史数据,确定一个训练样本的步骤可以执行多次,直至获得所有历史货运订单对应的训练样本,进而获得至少一个训练样本。
在某些实施例中,为了提高运算速度,降低处理时间,可以在使用数量估计模型之前事先训练该数量估计模型,获得该数量估计模型的模型参数并保存。也即,本申请实施例中,并不限定数量估计模型的模型训练阶段,可以在进行补贴资源确定之前事先训练,也可以在确定补贴资源的过程中训练。
本申请实施例中的至少一个特征参数历史参数数据是基于历史货运订单的历史订单信息,提取至少一个特征参数对应的历史参数数据获得的。
可选地,由于至少一个特征参数的参数种类不同,其对应的历史参数数据的数据类型不同,为了方便将至少一个特征参数同时进行处理,可以将至少一个特征参数的参数数据进行编码,获得至少一个特征参数的历史特征编码,并基于所述至少一个特征参数的历史特征编码确定一个训练样本,获得至少一个训练样本。
本申请实施例中,通过历史货运订单确定至少一个训练样本,利用所述至少一个训练样本,训练获得数量估计模型。历史货运订单中可以包含大量数据,进而可以获得至少一个特征参数对应的历史参数数据。通过线上货运系统中与实际货运的详细信息相关的历史参数数据,训练获得的数量估计模型可以与实际的订单接收人数更匹配,利用其确定的预估接单人数的准确度更高,获得更贴合货运订单实际接单情况的资源补贴。
作为一个实施例,所述基于任一个历史货运订单对应至少一个特征参数的历史参数数据确定一个训练样本,以获得至少一个训练样本可以包括:
确定至少一个特征参数的排列顺序;
将至少一个特征参数的历史参数数据分别进行编码,获得至少一个特征参数的历史特征向量;
计算任一特征参数的历史特征向量与其排列之后第一个特征参数的历史特征向量的历史交叉向量;
基于任一特征参数的历史交叉向量以及历史特征向量,确定任一特征参数的训练样本,以获得至少一个训练样本。
本实施例中,确定数量估计模型的训练样本时,可以将任一个特征参数的历史特征向量以及排列其后的第一个特征参数的历史特征向量作为计算基础,计算获得任一个特征参数的历史交叉向量,进而在传统线性模型的基础上引入特征组合,对至少一个特征参数的参数数据具有良好的学习能力,进而获得较为准确的模型参数。
在某些实施例中,所述数量估计模型可以包括分解机(Factorization Machines,FM)模型;所述利用所述至少一个训练样本,训练获得所述数量估计模型可以包括:
将任一个历史货运订单对应的实际接单人数作为验证结果,获得至少一个验证结果;基于至少一个训练样本以及至少一个验证结果,获得FM模型的模型参数。
每一个历史货运订单对应一个验证结果,也即任一个历史货运订单可以对应一个训练样本以及一个验证结果。
FM模型可以通过以下公式表示:
其中,xi为一个特征参数的特征向量,wi为该特征对应的特征权重;XiXj为两个相邻特征向量构成的交叉特征向量,而wij为该交叉特征向量的隐向量。w0,wi以及wij为所述FM模型的模型参数,本申请实施例中所述的获得FM模型的模型参数即为训练获得w0,wi以及wij的最优解。
作为一种可能的实现方式,所述基于至少一个训练样本以及至少一个验证结果,获得FM模型的模型参数包括:
确定任一个历史货运订单对应训练样本以及验证结果。
确定FM模型的初始参数;
利用所述初始参数确定所述FM模型的模型方程;
将所述任一个历史货运订单对应训练样本输入所述模型方程,计算获得第一输出结果;
将所述任一个历史货运订单对应验证结果输入所述模型方程,计算获得第二输出结果;
判断至少一个货运订单对应训练样本以及验证结果是否迭代结束;
如果是,计算第一输出结果以及第二输出结果的验证误差,选择验证误差最小的模型方程的方程参数为FM模型的模型参数;
如果否,将第一输出结果代入FM模型的损失函数,确定损失函数的梯度信息;基于损失函数的梯度信息,更新FM模型的模型方程,并返回至将所述任一个历史货运订单对应训练样本输入所述模型方程,计算获得第一输出结果的步骤继续执行。
其中,FM模型的模型方程如下:
本实施例中利用上述训练过程训练获得FM模型的模型参数,进行多次迭代计算,获得多个输出结果进行比较,提高模型参数的精度,进而提高预估接单人数的准确度,获得更贴合货运订单实际接单情况的资源补贴。
此外,将实际接单人数作为验证结果,以验证利用至少一个训练样本训练FM模型的过程,进而获得最优的FM模型的模型参数,以提高数量估计模型的估计结果,获得更精确的预估接单人数。
在某些实施例中,所述基于至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数可以包括:
确定所述至少一个特征参数的排列顺序;
将所述至少一个特征参数的参数数据分别进行编码,获得所述至少一个特征参数的特征向量;
计算任一特征参数的特征向量与其排列之后的第一个特征参数的特征向量的交叉向量;
将所述任一特征参数对应特征向量以及所述交叉向量,输入所述分解机FM模型,计算获得所述货运订单对应的预估抢单人数。
作为一种可能的实现方式,所述将所述至少一个特征参数的参数数据分别进行编码,获得所述至少一个特征参数的特征向量包括:
确定任一个特征参数的至少一个特征区间;
从所述至少一个特征区间中确定与所述参数数据匹配的目标特征区间;
基于所述目标特征区间在所述至少一个特征区间中的位置,确定所述任一个参数数据的特征编码;
按照所述至少一个特征参数的排列顺序,依次将每一个参数数据的特征编码进行特征拼接,获得所述至少一个特征参数的特征向量。
所述确定任一个特征参数的至少一个特征区间可以包括:
确定所述任一个特征参数的最大特征值以及最小特征值;
将该特征类别的最大特征值以及最小特征值之间按照预设的特征步长进行分段;
基于获得的特征步长的分段,确定所述任一个特征参数的至少一个特征区间。
本申请实施例中,可以将任一个特征参数的特征向量以及排列其后的第一个特征参数的特征向量进行向量计算,获得任一个特征参数的交叉向量,进而在传统线性模型的基础上引入特征组合,对至少一个特征参数的参数数据具有良好的学习能力,进而获得较为准确的模型参数,以提高预估接单人数的准确度,获得更贴合货运订单实际接单情况的资源补贴。
作为又一个实施例,所述至少一个特征参数可以包括:城市参数、车型参数、价格参数、服务参数、地址参数以及商圈参数。
所述确定货运订单对应所述至少一个特征参数的参数数据可以包括:
确定所述货运订单对应所述城市参数对应的城市标识,所述车型参数对应的车型标识,所述价格参数对应的价格数据,所述服务参数对应的服务数据,所述地址参数对应的地址标识,所述商圈参数对应的商圈标识。
所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数可以包括:
基于所述城市标识、所述车型标识、所述价格数据、所述服务数据、所述地址标识以及所述商圈标识,利用数量预估模型确定所述货运订单对应的预估抢单人数。
其中,城市参数可以包括城市属地;车型参数可以包括车型类型;价格参数可以包括订单价格参数、预估距离参数、预估价格参数。
服务参数可以包括指派指标、特殊服务需求、搬运需求、预约类型、服务、服务具体时间。
地址参数可以包括:出发地、目的地、途径地、距离出发地1公里司机指标、3公里司机指标以及5公里司机指标、出发地围司机指标以及出发地周围下单指标。
商圈参数可以包括出发商圈、到达商圈、出发商圈内订单数、出发商圈内司机指标、出发商圈内用户指标、出发商圈内需求指标以及出发商圈内司客比指标、商圈内取消订单司机指标。
而城市属地的参数数据可以包括城市标识;车型类型的参数数据可以包括车型标识;订单价格参数的参数数据可以包括订单价格;预估距离参数的参数数据可以包括订单距离;预估价格参数的参数数据可以包括预估价格。
指派指标的参数数据可以包括:指派标识;特殊服务需求的参数数据可以包括特殊服务标识;搬运需求的参数数据可以包括:搬运物的体积以及重要、预约类型的参数数据可以包括预约标识;服务具体时间的参数数据可以包括:服务具体时间。
地址参数的参数数据分别可以包括:出发地标识、目的地标识、途径地标识、距离出发地1公里司机数量、3公里司机数量以及5公里司机数量、出发地围司机数量以及出发地周围下单数量。
商圈参数的参数数据可以包括出发商圈标识、到达商圈标识、出发商圈内订单数量、出发商圈内司机数量、出发商圈内用户数量、出发商圈内需求数量以及出发商圈内司客比值、商圈内取消订单司机数量。
本申请实施例中,通过确定货运订单中至少一个特征参数的参数数据,可以利用对接单人数影响较高的特征参数的参数数据来预估抢单人数,获得的抢单人数较为准确,进而获得更精准的补贴资源,提高补贴效果。
作为又一个实施例,所述基于所述预估抢单人数,确定所述货运订单对应的补贴资源可以包括:
基于所述估计抢单人数,利用成功概率模型计算获得所述货运订单的成功概率;
利用所述成功概率,确定所述货运订单的补贴资源。
其中,成功概率模型可以为逻辑回归模型,逻辑回归模型可以用以下公式表示:
其中,e为数学常量,自然对数的底数;Z为估计抢单人数。
可选地,成功概率为被司机抢单成功的概率,成功概率越大,订单被抢成功概率越大,成功概率越小,订单被抢成功概率越小。当可选地,可以预先设置成功概率与补贴资源的对应关系,例如,将成功概率与补贴资源存储至概率资源数据库或者表格中,当利用成功概率模型计算获得货运订单的成功概率时,可以查询预设的数据库或者表格,获得与该成功概率对应的补贴资源。
本申请实施例中,通过利用成功概率计算模型,获得货运订单的成功概率,进而利用成功概率确定货运订单的补贴资源。成功概率即为货运订单执行成功的概率,利用成功概率确定货运订单的补贴资源的准确度较高,可以更好地进行针对性的补贴,提高补贴效果。
作为又一个实施例,所述基于所述预估抢单人数,确定所述货运订单对应的补贴资源可以包括:
确定至少一个预估人数范围及其对应的补贴金额;
从所述至少一个预估人数范围中选择与所述预估抢单人数匹配的目标人数范围;
确定所述目标人数范围对应的补贴金额为目标补贴金额;
基于所述目标补贴金额生成与所述货运订单对应的补贴资源。
本申请实施例中,通过至少一个预估人数范围及其对应的补贴金额,选择与预估抢单人数匹配的目标人数范围,将目标人数范围对应的补贴金额作为目标补贴金额,并基于目标补贴金额生成与货运订单对应的补贴资源。通过引入预估人数范围及其对应的补贴金额,可以准确确定预估抢单人数对应的补贴资源,提高补贴资源的精准程度,提高补贴效果。
如图2所示,为本申请实施例提供的一种资源处理方法的一个实施例的流程图,该方法可以包括以下几个步骤:
201:确定影响抢单人数的至少一个特征参数;
202:确定货运订单对应的所述至少一个特征参数的参数数据;
203:基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
204:基于所述预估抢单人数,确定所述货运订单对应的补贴资源;
205:将所述补贴资源分配至抢单成功的司机。
将补贴资源分配至抢单成功的司机后,司机执行货运订单获得货运报酬时,可以领取该补贴资源,增肌收入。将补贴资源分配置抢单成功的司机可以指将补贴资源对应的补贴金额存入司机对应的网络账户或者银行账户。
本申请实施例,将确定货运订单的补贴资源后,将补贴资源分配至抢单成功的司机,以使司机在获得货运报酬时,领取补贴资源,增加收入,进而提高司机的使用频率,获得较高的补贴效果。
如图3所示,为本申请实施例提供的一种资源确定装置的一个实施例的示意图,所述装置可以包括以下几个模块:
参数确定模块301,用于确定影响抢单人数的至少一个特征参数;
数据确定模块302,用于确定货运订单对应所述至少一个特征参数的参数数据;
数量估计模块303,用于基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
资源确定模块304,用于基于所述预估抢单人数,确定所述货运订单对应的补贴资源。
本申请实施例中,针对需要补贴的货运订单,可以确定影响该货运订单的抢单人数的至少一个特征参数的参数数据,进而基于至少一个特征参数的参数数据利用数量估计模型估计该货运订单的预估抢单人数。基于不同预估抢单人数对应补贴资源不同,补贴资源是基于预估抢单人数确定的,其仅针对预估抢单人数对应的货运订单,具有较强针对性,获得较高补贴效果。
此外,由于预估抢单人数可以衡量该货运订单交易成功的几率,因此,通过预估抢单人数确定的货运订单的补贴资源即为针对该货运订单交易难易程度而确定的,具有较强针对性,并且针对货运订单的补贴,可以提高订单成功的可能性,提高补贴效果。
作为一个实施例,所述数量估计模块可以包括:
订单确定单元,用于确定至少一个历史货运订单。
样本确定单元,用于基于任一个历史货运订单对应所述至少一个特征参数的历史参数数据,确定一个训练样本,以获得至少一个训练样本。
模型训练单元,用于利用所述至少一个训练样本,训练获得所述数量估计模型。
本申请实施例中,通过历史货运订单确定至少一个训练样本,利用所述至少一个训练样本,训练获得数量估计模型。历史货运订单中可以包含大量数据,进而可以获得至少一个特征参数对应的历史参数数据。通过线上货运系统中与实际货运的详细信息相关的历史参数数据,训练获得的数量估计模型可以与实际的订单接收人数更匹配,利用其确定的预估接单人数的准确度更高,获得更贴合货运订单实际接单情况的资源补贴。
在某些实施例中,所述数量估计模块包括:
特征排序单元,用于确定所述至少一个特征参数的排列顺序;
将所述至少一个特征参数的参数数据分别进行编码,获得所述至少一个特征参数的特征向量;
特征交叉单元,用于计算任一特征参数的特征向量与其排列之后的第一个特征参数的特征向量的交叉向量;
人数估计单元,用于将所述任一特征参数对应特征向量以及所述交叉向量,输入所述分解机FM模型,计算获得所述货运订单对应的预估抢单人数。
本实施例中,确定数量估计模型的训练样本时,可以将任一个特征参数的历史特征向量以及排列其后的第一个特征参数的历史特征向量作为计算基础,计算获得任一个特征参数的历史交叉向量,进而在传统线性模型的基础上引入特征组合,对至少一个特征参数的参数数据具有良好的学习能力,进而获得较为准确的模型参数。
作为一个实施例,所述数量估计模型包括分解机FM模型;
所述模型训练单元可以包括:
结果获得子单元,用于将任一个历史货运订单对应的实际接单人数作为验证结果,以获得至少一个验证结果;
模型训练子单元,用于基于所述至少一个训练样本以及所述至少一个验证结果,训练获得所述FM模型的模型参数。
FM模型可以通过以下公式表示:
其中,xi为一个特征参数的特征向量,wi为该特征对应的特征权重;XiXj为两个相邻特征向量构成的交叉特征向量,而wij为该交叉特征向量的隐向量。w0,wi以及wij为所述FM模型的模型参数,本申请实施例中所述的获得FM模型的模型参数即为训练获得w0,wi以及wij的最优解。
作为一种可能的实现方式,所述模型训练子单元可以用于:
确定任一个历史货运订单对应训练样本以及验证结果;确定FM模型的初始参数;利用所述初始参数确定所述FM模型的模型方程;将所述任一个历史货运订单对应训练样本输入所述模型方程,计算获得第一输出结果;将所述任一个历史货运订单对应验证结果输入所述模型方程,计算获得第二输出结果;判断至少一个货运订单对应训练样本以及验证结果是否迭代结束;
如果是,计算第一输出结果以及第二输出结果的验证误差,选择验证误差最小的模型方程的方程参数为FM模型的模型参数;
如果否,将第一输出结果代入FM模型的损失函数,确定损失函数的梯度信息;基于损失函数的梯度信息,更新FM模型的模型方程,并返回至将所述任一个历史货运订单对应训练样本输入所述模型方程,计算获得第一输出结果的步骤继续执行。
其中,FM模型的模型方程如下:
本实施例中利用上述训练过程训练获得FM模型的模型参数,进行多次迭代计算,获得多个输出结果进行比较,提高模型参数的精度,进而提高预估接单人数的准确度,获得更贴合货运订单实际接单情况的资源补贴。
此外,将实际接单人数作为验证结果,以验证利用至少一个训练样本训练FM模型的过程,进而获得最优的FM模型的模型参数,以提高数量估计模型的估计结果,获得更精确的预估接单人数。
在某些实施例中,所述样本确定单元可以包括:
顺序排列子单元,用于确定所述至少一个特征参数的排列顺序;
向量获得子单元,用于将所述至少一个特征参数的历史参数数据分别进行编码,获得所述至少一个特征参数的历史特征向量;
向量交叉子单元,用于计算任一特征参数的历史特征向量与其排列之后第一个特征参数的历史特征向量的历史交叉向量;
样本获得子单元,用于基于所述任一特征参数的所述历史特征向量以及所述历史交叉向量,确定所述任一特征参数的训练样本,以获得至少一个训练样本。
作为一种可能的实现方式,所述向量获得子单元具体可以用于:
确定任一个特征参数的至少一个特征区间;从所述至少一个特征区间中确定与所述参数数据匹配的目标特征区间;基于所述目标特征区间在所述至少一个特征区间中的位置,确定所述任一个参数数据的特征编码;按照所述至少一个特征参数的排列顺序,依次将每一个参数数据的特征编码进行特征拼接,获得所述至少一个特征参数的特征向量。
所述向量获得子单元还可以用于:
确定所述任一个特征参数的最大特征值以及最小特征值;将该特征类别的最大特征值以及最小特征值之间按照预设的特征步长进行分段;基于获得的特征步长的分段,确定所述任一个特征参数的至少一个特征区间。
本申请实施例中,可以将任一个特征参数的特征向量以及排列其后的第一个特征参数的特征向量进行向量计算,获得任一个特征参数的交叉向量,进而在传统线性模型的基础上引入特征组合,对至少一个特征参数的参数数据具有良好的学习能力,进而获得较为准确的模型参数,以提高预估接单人数的准确度,获得更贴合货运订单实际接单情况的资源补贴。
作为又一个实施例,所述至少一个特征参数包括:城市参数、车型参数、价格参数、服务参数、地址参数以及商圈参数;
所述确定货运订单对应所述至少一个特征参数的参数数据包括:
确定所述货运订单对应所述城市参数对应的城市标识,所述车型参数对应的车型标识,所述价格参数对应的价格数据,所述服务参数对应的服务数据,所述地址参数对应的地址标识,所述商圈参数对应的商圈标识;
所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数包括:
基于所述城市标识、所述车型标识、所述价格数据、所述服务数据、所述地址标识以及所述商圈标识,利用数量预估模型确定所述货运订单对应的预估抢单人数。
本申请实施例中,通过确定货运订单中至少一个特征参数的参数数据,可以利用对接单人数影响较高的特征参数的参数数据来预估抢单人数,获得的抢单人数较为准确,进而获得更精准的补贴资源,提高补贴效果。
作为又一个实施例,所述资源确定模块可以包括:
概率计算单元,用于基于所述估计抢单人数,利用成功概率模型计算获得所述货运订单的成功概率;
第一确定单元,用于利用所述成功概率,确定所述货运订单的补贴资源。
其中,成功概率模型可以为逻辑回归模型,逻辑回归模型可以用以下公式表示:
其中,e为数学常量,自然对数的底数;Z为估计抢单人数。
本申请实施例中,通过利用成功概率计算模型,获得货运订单的成功概率,进而利用成功概率确定货运订单的补贴资源。成功概率即为货运订单执行成功的概率,利用成功概率确定货运订单的补贴资源的准确度较高,可以更好地进行针对性的补贴,提高补贴效果。
作为又一个实施例,所述资源确定模块可以包括:
第二确定单元,用于确定至少一个预估人数范围及其对应的补贴金额;
范围选择单元,用于从所述至少一个预估人数范围中选择与所述预估抢单人数匹配的目标人数范围;
第三确定单元,用于确定所述目标人数范围对应的补贴金额为目标补贴金额;
第四确定单元,用于基于所述目标补贴金额生成与所述货运订单对应的补贴资源。
本申请实施例中,通过至少一个预估人数范围及其对应的补贴金额,选择与预估抢单人数匹配的目标人数范围,将目标人数范围对应的补贴金额作为目标补贴金额,并基于目标补贴金额生成与货运订单对应的补贴资源。通过引入预估人数范围及其对应的补贴金额,可以准确确定预估抢单人数对应的补贴资源,提高补贴资源的精准程度,提高补贴效果。
如图4所示,为本申请实施例提供的一种资源处理装置的一个实施例的示意图,所述装置可以包括以下几个模块:
参数确定模块401,用于确定影响抢单人数的至少一个特征参数;
数据确定模块402,用于确定货运订单对应的所述至少一个特征参数的参数数据;
数量估计模块403,用于基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
资源确定模块404,用于基于所述预估抢单人数,确定所述货运订单对应的补贴资源;
资源分配模块405,用于将所述补贴资源分配至抢单成功的司机。
将补贴资源分配至抢单成功的司机后,司机执行货运订单获得货运报酬时,可以领取该补贴资源,增肌收入。将补贴资源分配置抢单成功的司机可以指将补贴资源对应的补贴金额存入司机对应的网络账户或者银行账户。
本申请实施例,将确定货运订单的补贴资源后,将补贴资源分配至抢单成功的司机,以使司机在获得货运报酬时,领取补贴资源,增加收入,进而提高司机的使用频率,获得较高的补贴效果。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求的保护范围内。
Claims (9)
1.一种资源确定方法,其特征在于,包括:
确定影响抢单人数的至少一个特征参数;
确定货运订单对应所述至少一个特征参数的参数数据;
基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
基于所述预估抢单人数,确定所述货运订单对应的补贴资源;
所述数量估计模型按照如下方式预先训练获得:
确定至少一个历史货运订单;
基于任一个历史货运订单对应所述至少一个特征参数的历史参数数据,确定一个训练样本,以获得至少一个训练样本;
利用所述至少一个训练样本,训练获得所述数量估计模型;
其中,所述至少一个特征参数包括:城市参数、车型参数、价格参数、服务参数、地址参数以及商圈参数;
所述确定货运订单对应所述至少一个特征参数的参数数据包括:
确定所述货运订单对应所述城市参数对应的城市标识,所述车型参数对应的车型标识,所述价格参数对应的价格数据,所述服务参数对应的服务数据,所述地址参数对应的地址标识,所述商圈参数对应的商圈标识;
所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数包括:
基于所述城市标识、所述车型标识、所述价格数据、所述服务数据、所述地址标识以及所述商圈标识,利用数量预估模型确定所述货运订单对应的预估抢单人数。
2.根据权利要求1所述的方法,其特征在于,所述数量估计模型包括分解机FM模型;
所述利用所述至少一个训练样本,训练获得所述数量估计模型包括:
将任一个历史货运订单对应的实际接单人数作为验证结果,以获得至少一个验证结果;
基于所述至少一个训练样本以及所述至少一个验证结果,训练获得所述FM模型的模型参数。
3.根据权利要求1所述的方法,其特征在于,所述基于任一个历史货运订单对应所述至少一个特征参数的历史参数数据,确定一个训练样本,以获得至少一个训练样本包括:
确定所述至少一个特征参数的排列顺序;
将所述至少一个特征参数的历史参数数据分别进行编码,获得所述至少一个特征参数的历史特征向量;
计算任一特征参数的历史特征向量与其排列之后第一个特征参数的历史特征向量的历史交叉向量;
基于所述任一特征参数的所述历史特征向量以及所述历史交叉向量,确定所述任一特征参数的训练样本,以获得至少一个训练样本。
4.根据权利要求2所述的方法,其特征在于,所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数包括:
确定所述至少一个特征参数的排列顺序;
将所述至少一个特征参数的参数数据分别进行编码,获得所述至少一个特征参数的特征向量;
计算任一特征参数的特征向量与其排列之后的第一个特征参数的特征向量的交叉向量;
将所述任一特征参数对应特征向量以及所述交叉向量,输入所述分解机FM模型,计算获得所述货运订单对应的预估抢单人数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述预估抢单人数,确定所述货运订单对应的补贴资源包括:
基于所述估计抢单人数,利用成功概率模型计算获得所述货运订单的成功概率;
利用所述成功概率,确定所述货运订单的补贴资源。
6.根据权利要求1所述的方法,其特征在于,所述基于所述预估抢单人数,确定所述货运订单对应的补贴资源包括:
确定至少一个预估人数范围及其对应的补贴金额;
从所述至少一个预估人数范围中选择与所述预估抢单人数匹配的目标人数范围;
确定所述目标人数范围对应的补贴金额为目标补贴金额;
基于所述目标补贴金额生成与所述货运订单对应的补贴资源。
7.一种资源处理方法,其特征在于,包括:
确定影响抢单人数的至少一个特征参数;
确定货运订单对应的所述至少一个特征参数的参数数据;
基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
基于所述预估抢单人数,确定所述货运订单对应的补贴资源;
将所述补贴资源分配至抢单成功的司机;
所述数量估计模型按照如下方式预先训练获得:
确定至少一个历史货运订单;
基于任一个历史货运订单对应所述至少一个特征参数的历史参数数据,确定一个训练样本,以获得至少一个训练样本;
利用所述至少一个训练样本,训练获得所述数量估计模型;
其中,所述至少一个特征参数包括:城市参数、车型参数、价格参数、服务参数、地址参数以及商圈参数;
所述确定货运订单对应所述至少一个特征参数的参数数据包括:
确定所述货运订单对应所述城市参数对应的城市标识,所述车型参数对应的车型标识,所述价格参数对应的价格数据,所述服务参数对应的服务数据,所述地址参数对应的地址标识,所述商圈参数对应的商圈标识;
所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数包括:
基于所述城市标识、所述车型标识、所述价格数据、所述服务数据、所述地址标识以及所述商圈标识,利用数量预估模型确定所述货运订单对应的预估抢单人数。
8.一种资源确定装置,其特征在于,包括:
参数确定模块,用于确定影响抢单人数的至少一个特征参数;
数据确定模块,用于确定货运订单对应所述至少一个特征参数的参数数据;
数量估计模块,用于基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
资源确定模块,用于基于所述预估抢单人数,确定所述货运订单对应的补贴资源;
所述数量估计模块包括:
订单确定单元,用于确定至少一个历史货运订单;
样本确定单元,用于基于任一个历史货运订单对应所述至少一个特征参数的历史参数数据,确定一个训练样本,以获得至少一个训练样本;
模型训练单元,用于利用所述至少一个训练样本,训练获得所述数量估计模型;
其中,所述至少一个特征参数包括:城市参数、车型参数、价格参数、服务参数、地址参数以及商圈参数;
所述确定货运订单对应所述至少一个特征参数的参数数据包括:
确定所述货运订单对应所述城市参数对应的城市标识,所述车型参数对应的车型标识,所述价格参数对应的价格数据,所述服务参数对应的服务数据,所述地址参数对应的地址标识,所述商圈参数对应的商圈标识;
所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数包括:
基于所述城市标识、所述车型标识、所述价格数据、所述服务数据、所述地址标识以及所述商圈标识,利用数量预估模型确定所述货运订单对应的预估抢单人数。
9.一种资源处理装置,其特征在于,包括:
参数确定模块,用于确定影响抢单人数的至少一个特征参数;
数据确定模块,用于确定货运订单对应的所述至少一个特征参数的参数数据;
数量估计模块,用于基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数;
资源确定模块,用于基于所述预估抢单人数,确定所述货运订单对应的补贴资源;
资源分配模块,用于将所述补贴资源分配至抢单成功的司机;
所述数量估计模块包括:
订单确定单元,用于确定至少一个历史货运订单;
样本确定单元,用于基于任一个历史货运订单对应所述至少一个特征参数的历史参数数据,确定一个训练样本,以获得至少一个训练样本;
模型训练单元,用于利用所述至少一个训练样本,训练获得所述数量估计模型;
其中,所述至少一个特征参数包括:城市参数、车型参数、价格参数、服务参数、地址参数以及商圈参数;
所述确定货运订单对应所述至少一个特征参数的参数数据包括:
确定所述货运订单对应所述城市参数对应的城市标识,所述车型参数对应的车型标识,所述价格参数对应的价格数据,所述服务参数对应的服务数据,所述地址参数对应的地址标识,所述商圈参数对应的商圈标识;
所述基于所述至少一个特征参数的参数数据,利用数量预估模型确定所述货运订单对应的预估抢单人数包括:
基于所述城市标识、所述车型标识、所述价格数据、所述服务数据、所述地址标识以及所述商圈标识,利用数量预估模型确定所述货运订单对应的预估抢单人数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810776884.8A CN109064091B (zh) | 2018-07-13 | 2018-07-13 | 资源确定、资源处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810776884.8A CN109064091B (zh) | 2018-07-13 | 2018-07-13 | 资源确定、资源处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064091A CN109064091A (zh) | 2018-12-21 |
CN109064091B true CN109064091B (zh) | 2021-09-17 |
Family
ID=64816572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810776884.8A Active CN109064091B (zh) | 2018-07-13 | 2018-07-13 | 资源确定、资源处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064091B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978442A (zh) * | 2019-02-22 | 2019-07-05 | 天津五八到家科技有限公司 | 下单方法、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915855A (zh) * | 2015-04-13 | 2015-09-16 | 北京嘀嘀无限科技发展有限公司 | 订单抢单率的预估方法及装置 |
CN106557829A (zh) * | 2015-09-30 | 2017-04-05 | 百度在线网络技术(北京)有限公司 | 用车业务中获取需求与运力不匹配区域的方法和装置 |
CN106920018A (zh) * | 2015-12-24 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种终端的运营策略选取方法及装置 |
CN107103521A (zh) * | 2017-05-15 | 2017-08-29 | 东华大学 | 一种基于引力的出租车打车方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PH12017501388A1 (en) * | 2015-02-02 | 2018-01-08 | Beijing Didi Infinity Technology & Dev Co Ltd | Methods and systems for order processing |
CN105975472A (zh) * | 2015-12-09 | 2016-09-28 | 乐视网信息技术(北京)股份有限公司 | 一种推荐方法和装置 |
CN106803198A (zh) * | 2016-12-21 | 2017-06-06 | 晶赞广告(上海)有限公司 | 用于需求方平台的竞价控制方法、装置及终端 |
CN106844557A (zh) * | 2016-12-30 | 2017-06-13 | 东软集团股份有限公司 | 信息推荐方法及装置 |
CN107341636A (zh) * | 2017-06-30 | 2017-11-10 | 镇江五八到家供应链管理服务有限公司 | 一种货运司机抢单补贴方法 |
CN107622413A (zh) * | 2017-08-08 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 一种价格敏感度计算方法、装置及其设备 |
CN107635151A (zh) * | 2017-09-25 | 2018-01-26 | 四川长虹电器股份有限公司 | 一种基于域分解机的机器学习电视节目推荐方法 |
CN108038720A (zh) * | 2017-12-06 | 2018-05-15 | 电子科技大学 | 一种基于因子分解机的广告点击率预测方法 |
-
2018
- 2018-07-13 CN CN201810776884.8A patent/CN109064091B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915855A (zh) * | 2015-04-13 | 2015-09-16 | 北京嘀嘀无限科技发展有限公司 | 订单抢单率的预估方法及装置 |
CN106557829A (zh) * | 2015-09-30 | 2017-04-05 | 百度在线网络技术(北京)有限公司 | 用车业务中获取需求与运力不匹配区域的方法和装置 |
CN106920018A (zh) * | 2015-12-24 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种终端的运营策略选取方法及装置 |
CN107103521A (zh) * | 2017-05-15 | 2017-08-29 | 东华大学 | 一种基于引力的出租车打车方法及系统 |
Non-Patent Citations (2)
Title |
---|
滴滴专车平台的竞争策略分析;周换换;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20161015(第10期);第J152-56页 * |
网络约车与出租车的竞争博弈研究——以平台补贴为背景;杨浩雄; 魏彬;《北京社会科学》;20160411(第5期);第68-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109064091A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897905B (zh) | 用于推送信息的方法、装置及电子设备 | |
CN110222893B (zh) | 共享交通资源的投放地点推荐方法、装置与电子设备 | |
CN109118316B (zh) | 线上店铺真实性的识别方法和装置 | |
CN103778529A (zh) | 返回资源的处理方法和装置 | |
CN110147502A (zh) | 基于大数据分析的产品推荐方法、装置、介质及服务器 | |
CN109064091B (zh) | 资源确定、资源处理方法及装置 | |
CN107730388A (zh) | 保单配送任务分配方法、装置、计算机设备和存储介质 | |
CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
CN110992603A (zh) | 设备推荐方法及装置 | |
CN110598989B (zh) | 一种货源质量评估方法、装置、设备和存储介质 | |
CN111464337A (zh) | 资源配置方法、装置、电子设备 | |
CN110930103A (zh) | 服务单审核方法及系统、介质和计算机系统 | |
CN110278524B (zh) | 用户位置确定方法、图模型生成方法、装置及服务器 | |
CN110288366B (zh) | 一种资源发放模型的评估方法及装置 | |
CN112785234A (zh) | 货物推荐方法、装置、设备及存储介质 | |
CN112508652A (zh) | 一种基于服务器端的石油数据处理方法、装置及存储介质 | |
CN116993396B (zh) | 基于车辆用户标签的风险预警方法、计算机设备 | |
CN113537574B (zh) | 业务处理时效的推送方法、装置、存储介质及计算机设备 | |
CN109785080B (zh) | 信息确认方法、装置、电子设备及可读存储介质 | |
CN111581517B (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN110163662B (zh) | 一种业务模型训练方法、装置及设备 | |
CN115481961A (zh) | 一种预测配送资源到达商户时间的方法及装置 | |
CN117077654A (zh) | 地址处理方法、装置、设备和介质 | |
CN116011904A (zh) | 运输对象与货物的匹配方法及装置、存储介质、电子设备 | |
CN117455504A (zh) | 退货申请方法、设备及存储介质 |
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 |