CN109598566B - 下单预测方法、装置、计算机设备和计算机可读存储介质 - Google Patents

下单预测方法、装置、计算机设备和计算机可读存储介质 Download PDF

Info

Publication number
CN109598566B
CN109598566B CN201710938481.4A CN201710938481A CN109598566B CN 109598566 B CN109598566 B CN 109598566B CN 201710938481 A CN201710938481 A CN 201710938481A CN 109598566 B CN109598566 B CN 109598566B
Authority
CN
China
Prior art keywords
model
prediction
error
order
sample
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
Application number
CN201710938481.4A
Other languages
English (en)
Other versions
CN109598566A (zh
Inventor
戚立才
汪恒智
张怡菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201710938481.4A priority Critical patent/CN109598566B/zh
Priority to CN201880063794.2A priority patent/CN111316308B/zh
Priority to PCT/CN2018/109039 priority patent/WO2019063005A1/en
Publication of CN109598566A publication Critical patent/CN109598566A/zh
Priority to US16/831,945 priority patent/US20200226708A1/en
Application granted granted Critical
Publication of CN109598566B publication Critical patent/CN109598566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72451—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to schedules, e.g. using calendar applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • User Interface Of Digital Computer (AREA)
  • Traffic Control Systems (AREA)
  • Operations Research (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种下单预测方法、装置、计算机设备和计算机可读存储介质，其中，下单预测方法包括：在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，其中，错误下单预测模型根据模型样本生成。本发明的技术方案，使用户在发送网约车订单之前，了解当前输入的网约车订单中是否存在错误，以使用户在确定可能存在订单错误时能够及时进行反馈，从而将错误订单在发送之前进行拦截，进而降低了由于订单错误导致订单取消现象的概率，进而提升网约车司机的使用体验。

Description

下单预测方法、装置、计算机设备和计算机可读存储介质
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种基于机器学习算法的错误下单预测方法、一种基于机器学习算法的错误下单预测装置、一种计算机设备和一种计算机可读存储介质。
背景技术
用户使用打车应用程序时，有时存在错误下单的情况，比如，乘客想要发出快车订单，但却误发了代驾订单，当乘客发现自己下错单后，通常会取消订单，而取消订单会降低司机的体验，影响司机做单的积极性，更严重的会造成司机流失。
打车应用程序的服务器中，通常会存储大量指定时间段内的历史订单信息，而如何通过将历史订单作为模型样本，训练错误下单预测模型，以根据错误下单预测模型在用户下单前进行错误下单预测，进而降低错误下单率，成为亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的一个目的在于提供一种基于机器学习算法的错误下单预测方法。
本发明的另一个目的在于提供一种基于机器学习算法的错误下单预测的装置。
本发明的又一个目的在于提供一种计算机设备。
本发明的又一个目的在于提供一种计算机可读存储介质。
为了实现上述目的，本发明第一方面的技术方案提供了一种基于机器学习算法的错误下单预测方法，包括：在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，其中，错误下单预测模型根据模型样本生成。
在该技术方案中，通过预设的错误下单预测模型对用户输入的订单请求进行预测，以确定订单请求中的错误概率，以使用户在发送网约车订单之前，了解当前输入的网约车订单中是否存在错误，以使用户在确定可能存在订单错误时能够及时进行反馈，从而将错误订单在发送之前进行拦截，进而降低了由于订单错误导致订单取消现象的概率，进而提升网约车司机的使用体验。
在上述技术方案中，优选地，在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率前，还包括：收集多个历史订单，以将多个历史订单确定为模型样本；对模型样本进行训练，以生成错误下单目标模型；确定错误下单目标模型最小化时对应的预测参数；根据预测参数与预设的预测模型，生成错误下单预测模型。
在该技术方案中，通过将多个历史订单确定为模型样本，以对多个历史订单进行训练，进而得到用于生成错误下单预测模型对应的目标模型，进而通过模型样本对目标模型最小化学习到预测参数，然后根据预设的预测模型和训练样本得到预测参数生成错误下单预测模型，以对未知的订单的错误率进行预测，通过将历史订单确定为模型样本，从而能够使错误下单预测模型的精确度更高。
其中，错误下单目标模型可以是Xgboost(Extreme Gradient Boosting，极致梯形迭代)模型，决策树模型，GBDT(Gradient Boosted Decision Tree/Grdient BoostedRegression Tree)模型、线性回归模型、神经网络模型中的任意一种。
在上述任一技术方案中，优选地，对模型样本进行训练，以生成错误下单目标模型，具体包括以下步骤：根据预设划分比例，将模型样本划分为训练样本与预测样本；根据是否正确下单分别对训练样本与预测样本进行标注；对标注后的训练样本进行特征提取，以获取训练样本特征；根据提取后的训练样本特征执行训练操作，以生成错误下单目标模型。
在该技术方案中，根据预设的划分比例将模型样本划分为训练样本与预测样本，其中，训练样本用于训练错误下单概率预测模型，预测样本用于测试错误下单概率预测模型的准确率，通过将训练样本进行标注，以确定多个历史订单中下错单的订单与未下错单的订单，进而可以通过对下错单的订单进行特征提取后，进行模型训练，以生成错误下单目标模型，通过错误下单目标模型，由于历史订单中包括多种订单数据，进而能够使模型样本中的数据类型更加丰富，从而进一步提升通过错误下单目标模型生成的错误下单预测模型的预测的准确性，以提升用户的使用体验。
其中，训练样本和预测样本的数量比例可以为为7:3，另外，还可以选择距当前时间比较近的历史订单作为训练样本，从而可以使训练出的模型更加准确。
在上述任一技术方案中，优选地，根据提取后的训练样本特征执行训练操作，以生成错误下单目标模型，具体包括以下步骤：对训练样本特征执行分类回归操作，以生成模型树集合，根据训练样本特征与预设的Logistic损失函数，对模型树集合执行分裂操作，以生成多个分裂点；将训练样本特征分别映射至每个分裂点的叶子上，以生成提升树，并将提升树的模型确定为错误下单目标模型。
在该技术方案中，错误下单目标模型通过Xgboost训练模型进行训练生成，Xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动通过CPU的多线程进行并行，通过Xgboost模型进行训练以得到提升树(boosting tree)结构，以将提升树结构对应的模型确定为错误下单目标模型，进而通过提升树结构得到错误下单预测模型，从而预测错误下单概率。
其中，一个树集合模型是一个分类回归树(CART)的集合，如公式(1)所示，Xgboost模型中的目标模型可以包括损失函数(loss function，L(θ))与正则化因子Ω(θ)两部分，其中损失函数表征了对应的预测模型的预测能力，正则化因子表征了树的复杂度，进而防止出现过拟合现象，采用Logistic损失函数。
提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个训练样本特征。得到提升树结构的过程，可以根据训练样本特征和loss function确定分裂节点，然后将训练样本特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。
Obj(θ)＝L(θ)+Ω(θ) (1)
Figure GDA0003050437300000041
Figure GDA0003050437300000044
Figure GDA0003050437300000045
Figure GDA0003050437300000042
其中，公式(2)为预测函数，公式(5)为公式(1)经过简化处理后的目标函数，其中，γ与λ为对应的比重值，对应预测模型中的lambda与gamma，T为每个模型树中叶子的数量，
Figure GDA0003050437300000043
为ω的L 2模平方，ω为每个叶子上的样本特征向量。
在Xgboost模型中，预测参数包括max_depth、min_child_weight、lambda、gamma、subsample、colsample_bytree、scale_pos_weight等。
其中，xgboost的特性包括：(1)显示的把树模型复杂度作为正则项加到优化目标中；(2)公式推导中用到了二阶导数，用了二阶泰勒展开；(3)实现了分裂点寻找近似算法；(4)利用了特征的稀疏性；(5)数据事先排序并且以block形式存储，有利于并行计算；(6)实现做了面向体系结构的优化，针对cache和内存做了性能优化。
在上述任一技术方案中，优选地，还包括：对标注后的预测样本进行特征提取，以获取预测样本特征；在确定预测参数时，根据预测样本特征对预测参数进行优化。
在该技术方案中，通过进一步提取预测样本的样本特征，即预测样本特征，通过在预测参数时，将预测参数赋予一个初始值，进而生成一个确定的预测模型，将预测样本特征输入预测模型中，以检测预测模型的准确率是否大于预设阈值，在检测到未大于预设阈值时，通过调节上述预测参数，实现预测参数的优化。
在上述任一技术方案中，优选地，模型样本特征包括基础特征、实时特征、乘客特征，基础特征包括出行方式、出行起点、出行终点、价格、小费中的至少一项，实时特征包括天气、所属时间段、周围订单数量、周围司机数量中的至少一项，乘客特征包括乘客年龄、性别、职业、下错单概率中的至少一项。
具体地，对于任意一个模型树，首先可以通过标记的是否为错误订单进行分类，然后在是否为错误订单的分裂点上，进一步根据基础特征、实时特征与乘客特征分别生成二级分裂点，进而根据每种特征中的子特征进一步进行节点分裂，再将订单中的不同样本特征的特征值通过映射的方式分配到分裂节点的叶子上，最终形成基于历史订单的提升树。
在上述任一技术方案中，优选地，在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，还包括：检测错误概率是否大于或等于预设概率阈值；在检测到错误概率大于或等于预设概率阈值时，生成下单错误提示信息，以提示用户下单错误项。
在该技术方案中，通过限定预设概率阈值，以将根据错误下单预测模型得到的错误概率与预设概率阈值进行比较，在检测到大于或等于预设概率阈值时，表明当前未发送的订单请求出现错误的概率比较大，通过确定下单错误项，并提示给用户，使用户及时修改，进而降低下错单的概率。
其中，当前的网约车订单请求包括：当前出行方式、当前起点、当前终点、当前起始时间(或者所属时间段，例如，高峰期、非高峰期)、当前价格、当前预估价格、当前小费、当前周围订单数量、当前周围司机数量、当前天气、当前乘客的年龄、性别、职业、下错单概率等。
提示用户下单错误项，可以通过屏幕显示或语音提示的方式实现。
本发明的第二方面的技术方案提供了一种基于机器学习算法的错误下单预测装置，包括：确定单元，用于在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，其中，错误下单预测模型根据模型样本生成。
在该技术方案中，通过预设的错误下单预测模型对用户输入的订单请求进行预测，以确定订单请求中的错误概率，以使用户在发送网约车订单之前，了解当前输入的网约车订单中是否存在错误，以使用户在确定可能存在订单错误时能够及时进行反馈，从而将错误订单在发送之前进行拦截，进而降低了由于订单错误导致订单取消现象的概率，进而提升网约车司机的使用体验。
在上述技术方案中，优选地，还包括：收集单元，用于收集多个历史订单，以将多个历史订单确定为模型样本；生成单元，用于对模型样本进行训练，以生成错误下单目标模型；确定单元还用于：确定错误下单目标模型最小化时对应的预测参数；生成单元还用于：根据预测参数与预设的预测模型，生成错误下单预测模型。
在该技术方案中，通过将多个历史订单确定为模型样本，以对多个历史订单进行训练，进而得到用于生成错误下单预测模型对应的目标模型，进而通过模型样本对目标模型最小化学习到预测参数，然后根据预设的预测模型和训练样本得到预测参数生成错误下单预测模型，以对未知的订单的错误率进行预测，通过将历史订单确定为模型样本，从而能够使错误下单预测模型的精确度更高。
其中，错误下单目标模型可以是Xgboost(Extreme Gradient Boosting，极致梯形迭代)模型，决策树模型，GBDT(Gradient Boosted Decision Tree/Grdient BoostedRegression Tree)模型、线性回归模型、神经网络模型中的任意一种。
在上述任一技术方案中，优选地，还包括：划分单元，用于根据预设划分比例，将模型样本划分为训练样本与预测样本；标注单元，用于根据是否正确下单分别对训练样本与预测样本进行标注；提取单元，用于对标注后的训练样本进行特征提取，以获取训练样本特征；生成单元还用于：根据提取后的训练样本特征执行训练操作，以生成错误下单目标模型。
在该技术方案中，根据预设的划分比例将模型样本划分为训练样本与预测样本，其中，训练样本用于训练错误下单概率预测模型，预测样本用于测试错误下单概率预测模型的准确率，通过将训练样本进行标注，以确定多个历史订单中下错单的订单与未下错单的订单，进而可以通过对下错单的订单进行特征提取后，进行模型训练，以生成错误下单目标模型，通过错误下单目标模型，由于历史订单中包括多种订单数据，进而能够使模型样本中的数据类型更加丰富，从而进一步提升通过错误下单目标模型生成的错误下单预测模型的预测的准确性，以提升用户的使用体验。
其中，训练样本和预测样本的数量比例可以为为7:3，另外，还可以选择距当前时间比较近的历史订单作为训练样本，从而可以使训练出的模型更加准确。
在上述任一技术方案中，优选地，还包括：操作单元，用于对训练样本特征执行分类回归操作，以生成模型树集合，操作单元还用于：根据训练样本特征与预设的Logistic损失函数，对模型树集合执行分裂操作，以生成多个分裂点；映射单元，用于将训练样本特征分别映射至每个分裂点的叶子上，以生成提升树，并将提升树的模型确定为错误下单目标模型。
在该技术方案中，错误下单目标模型通过Xgboost训练模型进行训练生成，Xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动通过CPU的多线程进行并行，通过Xgboost模型进行训练以得到提升树(boosting tree)结构，以将提升树结构对应的模型确定为错误下单目标模型，进而通过提升树结构得到错误下单预测模型，从而预测错误下单概率。
其中，一个树集合模型是一个分类回归树(CART)的集合，如公式(1)所示，Xgboost模型中的目标模型可以包括损失函数(loss function，L(θ))与正则化因子Ω(θ)两部分，其中损失函数表征了对应的预测模型的预测能力，正则化因子表征了树的复杂度，进而防止出现过拟合现象，采用Logistic损失函数。
提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个训练样本特征。得到提升树结构的过程，可以根据训练样本特征和loss function确定分裂节点，然后将训练样本特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。
Obj(θ)＝L(θ)+Ω(θ) (1)
Figure GDA0003050437300000071
Figure GDA0003050437300000074
Figure GDA0003050437300000075
Figure GDA0003050437300000072
其中，公式(2)为预测函数，公式(5)为公式(1)经过简化处理后的目标函数，其中，γ与λ为对应的比重值，对应预测模型中的lambda与gamma，T为每个模型树中叶子的数量，
Figure GDA0003050437300000073
为ω的L 2模平方，ω为每个叶子上的样本特征向量。
在Xgboost模型中，预测参数包括max_depth、min_child_weight、lambda、gamma、subsample、colsample_bytree、scale_pos_weight等。
其中，xgboost的特性包括：(1)显示的把树模型复杂度作为正则项加到优化目标中；(2)公式推导中用到了二阶导数，用了二阶泰勒展开；(3)实现了分裂点寻找近似算法；(4)利用了特征的稀疏性；(5)数据事先排序并且以block形式存储，有利于并行计算；(6)实现做了面向体系结构的优化，针对cache和内存做了性能优化。
在上述任一技术方案中，优选地，提取单元还用于：对标注后的预测样本进行特征提取，以获取预测样本特征；错误下单预测装置还包括：优化单元，用于在确定预测参数时，根据预测样本特征对预测参数进行优化。
在该技术方案中，通过进一步提取预测样本的样本特征，即预测样本特征，通过在预测参数时，将预测参数赋予一个初始值，进而生成一个确定的预测模型，将预测样本特征输入预测模型中，以检测预测模型的准确率是否大于预设阈值，在检测到未大于预设阈值时，通过调节上述预测参数，实现预测参数的优化。
在上述任一技术方案中，优选地，模型样本特征包括基础特征、实时特征、乘客特征，基础特征包括出行方式、出行起点、出行终点、价格、小费中的至少一项，实时特征包括天气、所属时间段、周围订单数量、周围司机数量中的至少一项，乘客特征包括乘客年龄、性别、职业、下错单概率中的至少一项。
具体地，对于任意一个模型树，首先可以通过标记的是否为错误订单进行分类，然后在是否为错误订单的分裂点上，进一步根据基础特征、实时特征与乘客特征分别生成二级分裂点，进而根据每种特征中的子特征进一步进行节点分裂，再将订单中的不同样本特征的特征值通过映射的方式分配到分裂节点的叶子上，最终形成基于历史订单的提升树。
在上述任一技术方案中，优选地，还包括：检测单元，用于检测错误概率是否大于或等于预设概率阈值；生成单元还用于：在检测到错误概率大于或等于预设概率阈值时，生成下单错误提示信息，以提示用户下单错误项。
在该技术方案中，通过限定预设概率阈值，以将根据错误下单预测模型得到的错误概率与预设概率阈值进行比较，在检测到大于或等于预设概率阈值时，表明当前未发送的订单请求出现错误的概率比较大，通过确定下单错误项，并提示给用户，使用户及时修改，进而降低下错单的概率。
其中，当前的网约车订单请求包括：当前出行方式、当前起点、当前终点、当前起始时间(或者所属时间段，例如，高峰期、非高峰期)、当前价格、当前预估价格、当前小费、当前周围订单数量、当前周围司机数量、当前天气、当前乘客的年龄、性别、职业、下错单概率等。
提示用户下单错误项，可以通过屏幕显示或语音提示的方式实现。
本发明的第三方面的技术方案提供了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项基于机器学习算法的错误下单预测方法限定的步骤，和/或包括上述任一项的基于机器学习算法的错误下单预测装置。
本发明的第四方面的技术方案提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项基于机器学习算法的错误下单预测方法限定的步骤。
本发明的优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了根据本发明的一个实施例的基于机器学习算法的错误下单预测方法的示意流程图；
图2示出了根据本发明的另一个实施例的基于机器学习算法的错误下单预测方法的示意流程图；
图3示出了根据本发明的再一个实施例的基于机器学习算法的错误下单预测方法的示意流程图；
图4示出了根据本发明的又一个实施例的基于机器学习算法的错误下单预测方法的示意流程图；
图5示出了根据本发明的实施例的基于机器学习算法的错误下单预测装置的示意框图；
图6示出了根据本发明的实施例的提升树的结构示意图；
图7示出了根据本发明的实施例的计算机设备的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的一个实施例的基于机器学习算法的错误下单预测方法的示意流程图。
如图1所示，根据本发明的实施例的错误下单预测方法，包括：步骤10，在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，其中，错误下单预测模型根据模型样本生成。
在该技术方案中，通过预设的错误下单预测模型对用户输入的订单请求进行预测，以确定订单请求中的错误概率，以使用户在发送网约车订单之前，了解当前输入的网约车订单中是否存在错误，以使用户在确定可能存在订单错误时能够及时进行反馈，从而将错误订单在发送之前进行拦截，进而降低了由于订单错误导致订单取消现象的概率，进而提升网约车司机的使用体验。
如图2所示，在上述技术方案中，优选地，在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率前，还包括：步骤20，收集多个历史订单，以将多个历史订单确定为模型样本；步骤30，对模型样本进行训练，以生成错误下单目标模型；步骤40，确定错误下单目标模型最小化时对应的预测参数；步骤50，根据预测参数与预设的预测模型，生成错误下单预测模型。
在该技术方案中，通过将多个历史订单确定为模型样本，以对多个历史订单进行训练，进而得到用于生成错误下单预测模型对应的目标模型，进而通过模型样本对目标模型最小化学习到预测参数，然后根据预设的预测模型和训练样本得到预测参数生成错误下单预测模型，以对未知的订单的错误率进行预测，通过将历史订单确定为模型样本，从而能够使错误下单预测模型的精确度更高。
其中，错误下单目标模型可以是Xgboost(Extreme Gradient Boosting，极致梯形迭代)模型，决策树模型，GBDT(Gradient Boosted Decision Tree/Grdient BoostedRegression Tree)模型、线性回归模型、神经网络模型中的任意一种。
如图3所示，在上述任一技术方案中，优选地，对模型样本进行训练，以生成错误下单目标模型，具体包括以下步骤：步骤302，根据预设划分比例，将模型样本划分为训练样本与预测样本；步骤304，根据是否正确下单分别对训练样本与预测样本进行标注；步骤306，对标注后的训练样本进行特征提取，以获取训练样本特征；步骤308，根据提取后的训练样本特征执行训练操作，以生成错误下单目标模型。
在该技术方案中，根据预设的划分比例将模型样本划分为训练样本与预测样本，其中，训练样本用于训练错误下单概率预测模型，预测样本用于测试错误下单概率预测模型的准确率，通过将训练样本进行标注，以确定多个历史订单中下错单的订单与未下错单的订单，进而可以通过对下错单的订单进行特征提取后，进行模型训练，以生成错误下单目标模型，通过错误下单目标模型，由于历史订单中包括多种订单数据，进而能够使模型样本中的数据类型更加丰富，从而进一步提升通过错误下单目标模型生成的错误下单预测模型的预测的准确性，以提升用户的使用体验。
其中，训练样本和预测样本的数量比例可以为为7:3，另外，还可以选择距当前时间比较近的历史订单作为训练样本，从而可以使训练出的模型更加准确。
在上述任一技术方案中，优选地，根据提取后的训练样本特征执行训练操作，以生成错误下单目标模型，具体包括以下步骤：对训练样本特征执行分类回归操作，以生成模型树集合，根据训练样本特征与预设的Logistic损失函数，对模型树集合执行分裂操作，以生成多个分裂点；将训练样本特征分别映射至每个分裂点的叶子上，以生成提升树，并将提升树的模型确定为错误下单目标模型。
在该技术方案中，错误下单目标模型通过Xgboost训练模型进行训练生成，Xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动通过CPU的多线程进行并行，通过Xgboost模型进行训练以得到提升树(boosting tree)结构，以将提升树结构对应的模型确定为错误下单目标模型，进而通过提升树结构得到错误下单预测模型，从而预测错误下单概率。
其中，一个树集合模型是一个分类回归树(CART)的集合，如公式(1)所示，Xgboost模型中的目标模型可以包括损失函数(loss function，L(θ))与正则化因子Ω(θ)两部分，其中损失函数表征了对应的预测模型的预测能力，正则化因子表征了树的复杂度，进而防止出现过拟合现象，采用Logistic损失函数。
提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个训练样本特征。得到提升树结构的过程，可以根据训练样本特征和loss function确定分裂节点，然后将训练样本特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。
Obj(θ)＝L(θ)+Ω(θ) (1)
Figure GDA0003050437300000121
Figure GDA0003050437300000124
Figure GDA0003050437300000125
Figure GDA0003050437300000122
其中，公式(2)为预测函数，公式(5)为公式(1)经过简化处理后的目标函数，其中，γ与λ为对应的比重值，对应预测模型中的lambda与gamma，T为每个模型树中叶子的数量，
Figure GDA0003050437300000123
为ω的L 2模平方，ω为每个叶子上的样本特征向量。
在Xgboost模型中，预测参数包括max_depth、min_child_weight、lambda、gamma、subsample、colsample_bytree、scale_pos_weight等。
其中，xgboost的特性包括：(1)显示的把树模型复杂度作为正则项加到优化目标中；(2)公式推导中用到了二阶导数，用了二阶泰勒展开；(3)实现了分裂点寻找近似算法；(4)利用了特征的稀疏性；(5)数据事先排序并且以block形式存储，有利于并行计算；(6)实现做了面向体系结构的优化，针对cache和内存做了性能优化。
在上述任一技术方案中，优选地，还包括：对标注后的预测样本进行特征提取，以获取预测样本特征；在确定预测参数时，根据预测样本特征对预测参数进行优化。
在该技术方案中，通过进一步提取预测样本的样本特征，即预测样本特征，通过在预测参数时，将预测参数赋予一个初始值，进而生成一个确定的预测模型，将预测样本特征输入预测模型中，以检测预测模型的准确率是否大于预设阈值，在检测到未大于预设阈值时，通过调节上述预测参数，实现预测参数的优化。
在上述任一技术方案中，优选地，模型样本特征包括基础特征、实时特征、乘客特征，基础特征包括出行方式、出行起点、出行终点、价格、小费中的至少一项，实时特征包括天气、所属时间段、周围订单数量、周围司机数量中的至少一项，乘客特征包括乘客年龄、性别、职业、下错单概率中的至少一项。
具体地，对于任意一个模型树，首先可以通过标记的是否为错误订单进行分类，然后在是否为错误订单的分裂点上，进一步根据基础特征、实时特征与乘客特征分别生成二级分裂点，进而根据每种特征中的子特征进一步进行节点分裂，再将订单中的不同样本特征的特征值通过映射的方式分配到分裂节点的叶子上，最终形成基于历史订单的提升树。
在上述任一技术方案中，优选地，在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，还包括：检测错误概率是否大于或等于预设概率阈值；在检测到错误概率大于或等于预设概率阈值时，生成下单错误提示信息，以提示用户下单错误项。
在该技术方案中，通过限定预设概率阈值，以将根据错误下单预测模型得到的错误概率与预设概率阈值进行比较，在检测到大于或等于预设概率阈值时，表明当前未发送的订单请求出现错误的概率比较大，通过确定下单错误项，并提示给用户，使用户及时修改，进而降低下错单的概率。
其中，当前的网约车订单请求包括：当前出行方式、当前起点、当前终点、当前起始时间(或者所属时间段，例如，高峰期、非高峰期)、当前价格、当前预估价格、当前小费、当前周围订单数量、当前周围司机数量、当前天气、当前乘客的年龄、性别、职业、下错单概率等。
提示用户下单错误项，可以通过屏幕显示或语音提示的方式实现。
如图4所示，根据本发明的又一个实施例的基于机器学习算法的错误下单预测方法，包括：步骤402，获取模型样本；步骤404，对模型样本进行标注；步骤406，从模型样本中提取多个特征；步骤408，根据标注后的样本以及样本的多个特征，训练得到一个错单概率预测模型；步骤410，获取当前订单请求信息；步骤412，根据下错单概率预测模型和当前订单请求信息，预测当前订单的下错单概率；步骤414，根据预测的下错单概率，采取相应的措施。
图5示出了根据本发明的实施例的基于机器学习算法的错误下单预测装置的示意框图。
如图5所述，本发明的实施例的基于机器学习算法的错误下单预测装置50，包括：确定单元502，用于在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，其中，错误下单预测模型根据模型样本生成。
在该技术方案中，通过预设的错误下单预测模型对用户输入的订单请求进行预测，以确定订单请求中的错误概率，以使用户在发送网约车订单之前，了解当前输入的网约车订单中是否存在错误，以使用户在确定可能存在订单错误时能够及时进行反馈，从而将错误订单在发送之前进行拦截，进而降低了由于订单错误导致订单取消现象的概率，进而提升网约车司机的使用体验。
在上述技术方案中，优选地，还包括：收集单元504，用于收集多个历史订单，以将多个历史订单确定为模型样本；生成单元506，用于对模型样本进行训练，以生成错误下单目标模型；确定单元502还用于：确定错误下单目标模型最小化时对应的预测参数；生成单元506还用于：根据预测参数与预设的预测模型，生成错误下单预测模型。
在该技术方案中，通过将多个历史订单确定为模型样本，以对多个历史订单进行训练，进而得到用于生成错误下单预测模型对应的目标模型，进而通过模型样本对目标模型最小化学习到预测参数，然后根据预设的预测模型和训练样本得到预测参数生成错误下单预测模型，以对未知的订单的错误率进行预测，通过将历史订单确定为模型样本，从而能够使错误下单预测模型的精确度更高。
其中，错误下单目标模型可以是Xgboost(Extreme Gradient Boosting，极致梯形迭代)模型，决策树模型，GBDT(Gradient Boosted Decision Tree/Grdient BoostedRegression Tree)模型、线性回归模型、神经网络模型中的任意一种。
在上述任一技术方案中，优选地，还包括：划分单元508，用于根据预设划分比例，将模型样本划分为训练样本与预测样本；标注单元510，用于根据是否正确下单分别对训练样本与预测样本进行标注；提取单元512，用于对标注后的训练样本进行特征提取，以获取训练样本特征；生成单元506还用于：根据提取后的训练样本特征执行训练操作，以生成错误下单目标模型。
在该技术方案中，根据预设的划分比例将模型样本划分为训练样本与预测样本，其中，训练样本用于训练错误下单概率预测模型，预测样本用于测试错误下单概率预测模型的准确率，通过将训练样本进行标注，以确定多个历史订单中下错单的订单与未下错单的订单，进而可以通过对下错单的订单进行特征提取后，进行模型训练，以生成错误下单目标模型，通过错误下单目标模型，由于历史订单中包括多种订单数据，进而能够使模型样本中的数据类型更加丰富，从而进一步提升通过错误下单目标模型生成的错误下单预测模型的预测的准确性，以提升用户的使用体验。
其中，训练样本和预测样本的数量比例可以为为7:3，另外，还可以选择距当前时间比较近的历史订单作为训练样本，从而可以使训练出的模型更加准确。
在上述任一技术方案中，优选地，还包括：操作单元514，用于对训练样本特征执行分类回归操作，以生成模型树集合，操作单元514还用于：根据训练样本特征与预设的Logistic损失函数，对模型树集合执行分裂操作，以生成多个分裂点；映射单元516，用于将训练样本特征分别映射至每个分裂点的叶子上，以生成提升树，并将提升树的模型确定为错误下单目标模型。
在该技术方案中，错误下单目标模型通过Xgboost训练模型进行训练生成，Xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动通过CPU的多线程进行并行，通过Xgboost模型进行训练以得到提升树(boosting tree)结构，以将提升树结构对应的模型确定为错误下单目标模型，进而通过提升树结构得到错误下单预测模型，从而预测错误下单概率。
其中，一个树集合模型是一个分类回归树(CART)的集合，如公式(1)所示，Xgboost模型中的目标模型可以包括损失函数(loss function，L(θ))与正则化因子Ω(θ)两部分，其中损失函数表征了对应的预测模型的预测能力，正则化因子表征了树的复杂度，进而防止出现过拟合现象，采用Logistic损失函数。
提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个训练样本特征。得到提升树结构的过程，可以根据训练样本特征和loss function确定分裂节点，然后将训练样本特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。
Obj(θ)＝L(θ)+Ω(θ) (1)
Figure GDA0003050437300000161
Figure GDA0003050437300000164
Figure GDA0003050437300000165
Figure GDA0003050437300000162
其中，公式(2)为预测函数，公式(5)为公式(1)经过简化处理后的目标函数，其中，γ与λ为对应的比重值，对应预测模型中的lambda与gamma，T为每个模型树中叶子的数量，
Figure GDA0003050437300000163
为ω的L 2模平方，ω为每个叶子上的样本特征向量。
在Xgboost模型中，预测参数包括max_depth、min_child_weight、lambda、gamma、subsample、colsample_bytree、scale_pos_weight等。
其中，xgboost的特性包括：(1)显示的把树模型复杂度作为正则项加到优化目标中；(2)公式推导中用到了二阶导数，用了二阶泰勒展开；(3)实现了分裂点寻找近似算法；(4)利用了特征的稀疏性；(5)数据事先排序并且以block形式存储，有利于并行计算；(6)实现做了面向体系结构的优化，针对cache和内存做了性能优化。
在上述任一技术方案中，优选地，提取单元512还用于：对标注后的预测样本进行特征提取，以获取预测样本特征；错误下单预测装置50还包括：优化单元518，用于在确定预测参数时，根据预测样本特征对预测参数进行优化。
在该技术方案中，通过进一步提取预测样本的样本特征，即预测样本特征，通过在预测参数时，将预测参数赋予一个初始值，进而生成一个确定的预测模型，将预测样本特征输入预测模型中，以检测预测模型的准确率是否大于预设阈值，在检测到未大于预设阈值时，通过调节上述预测参数，实现预测参数的优化。
在上述任一技术方案中，优选地，模型样本特征包括基础特征、实时特征、乘客特征，基础特征包括出行方式、出行起点、出行终点、价格、小费中的至少一项，实时特征包括天气、所属时间段、周围订单数量、周围司机数量中的至少一项，乘客特征包括乘客年龄、性别、职业、下错单概率中的至少一项。
如图6所述，对于任意一个模型树，首先可以通过标记的是否为错误订单进行分类，然后在是否为错误订单的分裂点上，进一步根据基础特征、实时特征与乘客特征分别生成二级分裂点，进而根据每种特征中的子特征进一步进行节点分裂，再将订单中的不同样本特征的特征值通过映射的方式分配到分裂节点的叶子上，最终形成基于历史订单的提升树。
在上述任一技术方案中，优选地，还包括：检测单元520，用于检测错误概率是否大于或等于预设概率阈值；生成单元506还用于：在检测到错误概率大于或等于预设概率阈值时，生成下单错误提示信息，以提示用户下单错误项。
在该技术方案中，通过限定预设概率阈值，以将根据错误下单预测模型得到的错误概率与预设概率阈值进行比较，在检测到大于或等于预设概率阈值时，表明当前未发送的订单请求出现错误的概率比较大，通过确定下单错误项，并提示给用户，使用户及时修改，进而降低下错单的概率。
其中，当前的网约车订单请求包括：当前出行方式、当前起点、当前终点、当前起始时间(或者所属时间段，例如，高峰期、非高峰期)、当前价格、当前预估价格、当前小费、当前周围订单数量、当前周围司机数量、当前天气、当前乘客的年龄、性别、职业、下错单概率等。
提示用户下单错误项，可以通过屏幕显示或语音提示的方式实现。
图7示出了根据本发明的实施例的计算机设备的示意框图。
如图7所示，根据本发明的实施例的计算机设备700，包括：存储器702、处理器704及存储在存储器702上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项基于机器学习算法的错误下单预测方法限定的步骤，和/或包括上述任一项的基于机器学习算法的错误下单预测装置50。
根据本发明的实施例，还提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现：在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，其中，错误下单预测模型根据模型样本生成。
在该技术方案中，通过预设的错误下单预测模型对用户输入的订单请求进行预测，以确定订单请求中的错误概率，以使用户在发送网约车订单之前，了解当前输入的网约车订单中是否存在错误，以使用户在确定可能存在订单错误时能够及时进行反馈，从而将错误订单在发送之前进行拦截，进而降低了由于订单错误导致订单取消现象的概率，进而提升网约车司机的使用体验。
在上述技术方案中，优选地，在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率前，还包括：收集多个历史订单，以将多个历史订单确定为模型样本；对模型样本进行训练，以生成错误下单目标模型；确定错误下单目标模型最小化时对应的预测参数；根据预测参数与预设的预测模型，生成错误下单预测模型。
在该技术方案中，通过将多个历史订单确定为模型样本，以对多个历史订单进行训练，进而得到用于生成错误下单预测模型对应的目标模型，进而通过模型样本对目标模型最小化学习到预测参数，然后根据预设的预测模型和训练样本得到预测参数生成错误下单预测模型，以对未知的订单的错误率进行预测，通过将历史订单确定为模型样本，从而能够使错误下单预测模型的精确度更高。
其中，错误下单目标模型可以是Xgboost(Extreme Gradient Boosting，极致梯形迭代)模型，决策树模型，GBDT(Gradient Boosted Decision Tree/Grdient BoostedRegression Tree)模型、线性回归模型、神经网络模型中的任意一种。
在上述任一技术方案中，优选地，对模型样本进行训练，以生成错误下单目标模型，具体包括以下步骤：根据预设划分比例，将模型样本划分为训练样本与预测样本；根据是否正确下单分别对训练样本与预测样本进行标注；对标注后的训练样本进行特征提取，以获取训练样本特征；根据提取后的训练样本特征执行训练操作，以生成错误下单目标模型。
在该技术方案中，根据预设的划分比例将模型样本划分为训练样本与预测样本，其中，训练样本用于训练错误下单概率预测模型，预测样本用于测试错误下单概率预测模型的准确率，通过将训练样本进行标注，以确定多个历史订单中下错单的订单与未下错单的订单，进而可以通过对下错单的订单进行特征提取后，进行模型训练，以生成错误下单目标模型，通过错误下单目标模型，由于历史订单中包括多种订单数据，进而能够使模型样本中的数据类型更加丰富，从而进一步提升通过错误下单目标模型生成的错误下单预测模型的预测的准确性，以提升用户的使用体验。
其中，训练样本和预测样本的数量比例可以为为7:3，另外，还可以选择距当前时间比较近的历史订单作为训练样本，从而可以使训练出的模型更加准确。
在上述任一技术方案中，优选地，根据提取后的训练样本特征执行训练操作，以生成错误下单目标模型，具体包括以下步骤：对训练样本特征执行分类回归操作，以生成模型树集合，根据训练样本特征与预设的Logistic损失函数，对模型树集合执行分裂操作，以生成多个分裂点；将训练样本特征分别映射至每个分裂点的叶子上，以生成提升树，并将提升树的模型确定为错误下单目标模型。
在该技术方案中，错误下单目标模型通过Xgboost训练模型进行训练生成，Xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动通过CPU的多线程进行并行，通过Xgboost模型进行训练以得到提升树(boosting tree)结构，以将提升树结构对应的模型确定为错误下单目标模型，进而通过提升树结构得到错误下单预测模型，从而预测错误下单概率。
其中，一个树集合模型是一个分类回归树(CART)的集合，如公式(1)所示，Xgboost模型中的目标模型可以包括损失函数(loss function，L(θ))与正则化因子Ω(θ)两部分，其中损失函数表征了对应的预测模型的预测能力，正则化因子表征了树的复杂度，进而防止出现过拟合现象，采用Logistic损失函数。
提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个训练样本特征。得到提升树结构的过程，可以根据训练样本特征和loss function确定分裂节点，然后将训练样本特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。
Obj(θ)＝L(θ)+Ω(θ) (1)
Figure GDA0003050437300000201
Figure GDA0003050437300000204
Figure GDA0003050437300000205
Figure GDA0003050437300000202
其中，公式(2)为预测函数，公式(5)为公式(1)经过简化处理后的目标函数，其中，γ与λ为对应的比重值，对应预测模型中的lambda与gamma，T为每个模型树中叶子的数量，
Figure GDA0003050437300000203
为ω的L 2模平方，ω为每个叶子上的样本特征向量。
在Xgboost模型中，预测参数包括max_depth、min_child_weight、lambda、gamma、subsample、colsample_bytree、scale_pos_weight等。
其中，xgboost的特性包括：(1)显示的把树模型复杂度作为正则项加到优化目标中；(2)公式推导中用到了二阶导数，用了二阶泰勒展开；(3)实现了分裂点寻找近似算法；(4)利用了特征的稀疏性；(5)数据事先排序并且以block形式存储，有利于并行计算；(6)实现做了面向体系结构的优化，针对cache和内存做了性能优化。
在上述任一技术方案中，优选地，还包括：对标注后的预测样本进行特征提取，以获取预测样本特征；在确定预测参数时，根据预测样本特征对预测参数进行优化。
在该技术方案中，通过进一步提取预测样本的样本特征，即预测样本特征，通过在预测参数时，将预测参数赋予一个初始值，进而生成一个确定的预测模型，将预测样本特征输入预测模型中，以检测预测模型的准确率是否大于预设阈值，在检测到未大于预设阈值时，通过调节上述预测参数，实现预测参数的优化。
在上述任一技术方案中，优选地，模型样本特征包括基础特征、实时特征、乘客特征，基础特征包括出行方式、出行起点、出行终点、价格、小费中的至少一项，实时特征包括天气、所属时间段、周围订单数量、周围司机数量中的至少一项，乘客特征包括乘客年龄、性别、职业、下错单概率中的至少一项。
具体地，对于任意一个模型树，首先可以通过标记的是否为错误订单进行分类，然后在是否为错误订单的分裂点上，进一步根据基础特征、实时特征与乘客特征分别生成二级分裂点，进而根据每种特征中的子特征进一步进行节点分裂，再将订单中的不同样本特征的特征值通过映射的方式分配到分裂节点的叶子上，最终形成基于历史订单的提升树。
在上述任一技术方案中，优选地，在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定订单请求的错误概率，还包括：检测错误概率是否大于或等于预设概率阈值；在检测到错误概率大于或等于预设概率阈值时，生成下单错误提示信息，以提示用户下单错误项。
在该技术方案中，通过限定预设概率阈值，以将根据错误下单预测模型得到的错误概率与预设概率阈值进行比较，在检测到大于或等于预设概率阈值时，表明当前未发送的订单请求出现错误的概率比较大，通过确定下单错误项，并提示给用户，使用户及时修改，进而降低下错单的概率。
其中，当前的网约车订单请求包括：当前出行方式、当前起点、当前终点、当前起始时间(或者所属时间段，例如，高峰期、非高峰期)、当前价格、当前预估价格、当前小费、当前周围订单数量、当前周围司机数量、当前天气、当前乘客的年龄、性别、职业、下错单概率等。
提示用户下单错误项，可以通过屏幕显示或语音提示的方式实现。
以上结合附图详细说明了本发明的技术方案，考虑到相关技术提出的错误下单率高等技术问题，本发明提出了一种基于机器学习算法的错误下单预测方法，通过预设的错误下单预测模型对用户输入的订单请求进行预测，以确定订单请求中的错误概率，以使用户在发送网约车订单之前，了解当前输入的网约车订单中是否存在错误，以使用户在确定可能存在订单错误时能够及时进行反馈，从而将错误订单在发送之前进行拦截，进而降低了由于订单错误导致订单取消现象的概率，进而提升网约车司机的使用体验。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种基于机器学习算法的错误下单预测方法，适用于网约车客户端，其特征在于，包括：
在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定所述订单请求的错误概率，
其中，所述错误下单预测模型根据模型样本生成；
在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定所述订单请求的错误概率，还包括：
检测所述错误概率是否大于或等于预设概率阈值；
在检测到所述错误概率大于或等于所述预设概率阈值时，生成下单错误提示信息，以提示用户下单错误。
2.根据权利要求1所述错误下单预测方法，其特征在于，所述在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定所述订单请求的错误概率前，还包括：
收集多个历史订单，以将所述多个历史订单确定为所述模型样本；
对所述模型样本进行训练，以生成错误下单目标模型；
确定所述错误下单目标模型最小化时对应的预测参数；
根据所述预测参数与预设的预测模型，生成所述错误下单预测模型。
3.根据权利要求2所述的错误下单预测方法，其特征在于，所述对所述模型样本进行训练，以生成错误下单目标模型，具体包括以下步骤：
根据预设划分比例，将所述模型样本划分为训练样本与预测样本；
根据是否正确下单分别对所述训练样本与所述预测样本进行标注；
对标注后的所述训练样本进行特征提取，以获取训练样本特征；
根据提取后的训练样本特征执行训练操作，以生成所述错误下单目标模型。
4.根据权利要求3所述的错误下单预测方法，其特征在于，所述根据提取后的训练样本特征执行训练操作，以生成所述错误下单目标模型，具体包括以下步骤：
对所述训练样本特征执行分类回归操作，以生成模型树集合，
根据所述训练样本特征与预设的Logistic损失函数，对所述模型树集合执行分裂操作，以生成多个分裂点；
将所述训练样本特征分别映射至每个所述分裂点的叶子上，以生成提升树，并将所述提升树的模型确定为所述错误下单目标模型。
5.根据权利要求4所述的错误下单预测方法，其特征在于，还包括：
对标注后的所述预测样本进行特征提取，以获取预测样本特征；
在确定所述预测参数时，根据所述预测样本特征对所述预测参数进行优化。
6.根据权利要求1至5中任一项所述的错误下单预测方法，其特征在于，
所述模型样本的特征包括基础特征、实时特征、乘客特征，所述基础特征包括出行方式、出行起点、出行终点、价格、小费中的至少一项，所述实时特征包括天气、所属时间段、周围订单数量、周围司机数量中的至少一项，所述乘客特征包括乘客年龄、性别、职业、下错单概率中的至少一项。
7.一种基于机器学习算法的错误下单预测装置，适用于网约车客户端，其特征在于，包括：
确定单元，用于在获取到用户输入的网约车订单请求时，根据预设的错误下单预测模型，确定所述订单请求的错误概率，
其中，所述错误下单预测模型根据模型样本生成；
检测单元，用于检测所述错误概率是否大于或等于预设概率阈值；
生成单元，用于在检测到所述错误概率大于或等于所述预设概率阈值时，生成下单错误提示信息，以提示用户下单错误。
8.根据权利要求7所述错误下单预测装置，其特征在于，还包括：
收集单元，用于收集多个历史订单，以将所述多个历史订单确定为所述模型样本；
所述生成单元还用于：对所述模型样本进行训练，以生成错误下单目标模型；
所述确定单元还用于：确定所述错误下单目标模型最小化时对应的预测参数；
所述生成单元还用于：根据所述预测参数与预设的预测模型，生成所述错误下单预测模型。
9.根据权利要求8所述的错误下单预测装置，其特征在于，还包括：
划分单元，用于根据预设划分比例，将所述模型样本划分为训练样本与预测样本；
标注单元，用于根据是否正确下单分别对所述训练样本与所述预测样本进行标注；
提取单元，用于对标注后的所述训练样本进行特征提取，以获取训练样本特征；
所述生成单元还用于：根据提取后的训练样本特征执行训练操作，以生成所述错误下单目标模型。
10.根据权利要求9所述的错误下单预测装置，其特征在于，还包括：
操作单元，用于对所述训练样本特征执行分类回归操作，以生成模型树集合，
所述操作单元还用于：根据所述训练样本特征与预设的Logistic损失函数，对所述模型树集合执行分裂操作，以生成多个分裂点；
映射单元，用于将所述训练样本特征分别映射至每个所述分裂点的叶子上，以生成提升树，并将所述提升树的模型确定为所述错误下单目标模型。
11.根据权利要求10所述的错误下单预测装置，其特征在于，
所述提取单元还用于：对标注后的所述预测样本进行特征提取，以获取预测样本特征；
所述错误下单预测装置还包括：
优化单元，用于在确定所述预测参数时，根据所述预测样本特征对所述预测参数进行优化。
12.根据权利要求7至11中任一项所述的错误下单预测装置，其特征在于，
所述模型样本的特征包括基础特征、实时特征、乘客特征，所述基础特征包括出行方式、出行起点、出行终点、价格、小费中的至少一项，所述实时特征包括天气、所属时间段、周围订单数量、周围司机数量中的至少一项，所述乘客特征包括乘客年龄、性别、职业、下错单概率中的至少一项。
13.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6中任一项所述的错误下单预测方法的步骤。
14.一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，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的错误下单预测方法的步骤。
CN201710938481.4A 2017-09-30 2017-09-30 下单预测方法、装置、计算机设备和计算机可读存储介质 Active CN109598566B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201710938481.4A CN109598566B (zh) 2017-09-30 2017-09-30 下单预测方法、装置、计算机设备和计算机可读存储介质
CN201880063794.2A CN111316308B (zh) 2017-09-30 2018-09-30 用于识别错误订单请求的系统及方法
PCT/CN2018/109039 WO2019063005A1 (en) 2017-09-30 2018-09-30 SYSTEMS AND METHODS FOR INCORRECT COMMAND IDENTIFICATION
US16/831,945 US20200226708A1 (en) 2017-09-30 2020-03-27 Systems and methods for identifying incorrect order request

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710938481.4A CN109598566B (zh) 2017-09-30 2017-09-30 下单预测方法、装置、计算机设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109598566A CN109598566A (zh) 2019-04-09
CN109598566B true CN109598566B (zh) 2021-07-09

Family

ID=65901030

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201710938481.4A Active CN109598566B (zh) 2017-09-30 2017-09-30 下单预测方法、装置、计算机设备和计算机可读存储介质
CN201880063794.2A Active CN111316308B (zh) 2017-09-30 2018-09-30 用于识别错误订单请求的系统及方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201880063794.2A Active CN111316308B (zh) 2017-09-30 2018-09-30 用于识别错误订单请求的系统及方法

Country Status (3)

Country Link
US (1) US20200226708A1 (zh)
CN (2) CN109598566B (zh)
WO (1) WO2019063005A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334732A (zh) * 2019-05-20 2019-10-15 北京思路创新科技有限公司 一种基于机器学习的空气质量预报方法和装置
CN110543964A (zh) * 2019-07-19 2019-12-06 深圳市跨越新科技有限公司 基于XGBoost模型的异常下单重量预警方法及系统
CN110991837A (zh) * 2019-11-21 2020-04-10 支付宝(杭州)信息技术有限公司 一种网约车交易数据处理方法、装置及系统
CN111523933B (zh) * 2020-04-21 2021-02-02 北京嘀嘀无限科技发展有限公司 一种下单概率预测方法、装置、电子设备及可读存储介质
CN111784459B (zh) * 2020-06-30 2024-06-14 中国民航信息网络股份有限公司 一种民航订单信息更新方法及装置
CN111815050B (zh) * 2020-07-07 2021-05-28 北京嘀嘀无限科技发展有限公司 模型训练、状态预测方法和装置、电子设备及存储介质
CN111681088B (zh) * 2020-08-11 2020-12-11 北京每日优鲜电子商务有限公司 信息推送方法、装置、电子设备和计算机可读介质
CN113763112A (zh) * 2021-02-25 2021-12-07 北京沃东天骏信息技术有限公司 一种信息推送方法及装置
CN113723970B (zh) * 2021-08-25 2024-02-02 深圳依时货拉拉科技有限公司 订单列表推送方法、装置、存储介质和计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106875255A (zh) * 2017-01-20 2017-06-20 深圳市凯达尔科技实业有限公司 一种基于移动终端的租车方法及系统
CN106897919A (zh) * 2017-02-28 2017-06-27 百度在线网络技术（北京）有限公司 用车类型预测模型建立、信息提供方法及装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020069082A1 (en) * 2000-12-02 2002-06-06 Lg Electronics Inc. Electronic commerce system and operating method thereof
TW200935418A (en) * 2008-02-05 2009-08-16 Skymedi Corp Semiconductor memory device
EP2159741A1 (en) * 2008-08-29 2010-03-03 Accenture Global Services GmbH Dynamic order workflow template instantiator tracking system
CN101504745A (zh) * 2008-12-04 2009-08-12 阿里巴巴集团控股有限公司 基于网络线上业务的风险规则/模型建立和优化系统及方法
US20100274601A1 (en) * 2009-04-24 2010-10-28 Intermational Business Machines Corporation Supply chain perameter optimization and anomaly identification in product offerings
CN102117459A (zh) * 2010-01-06 2011-07-06 阿里巴巴集团控股有限公司 风险控制系统及方法
US10640357B2 (en) * 2010-04-14 2020-05-05 Restaurant Technology Inc. Structural food preparation systems and methods
CN105590261A (zh) * 2014-12-31 2016-05-18 中国银联股份有限公司 商户风险估算方法及系统
CN105117777A (zh) * 2015-07-28 2015-12-02 北京嘀嘀无限科技发展有限公司 一种订单分配的方法及装置
CN106611321B (zh) * 2015-10-22 2020-09-25 百度在线网络技术（北京）有限公司 虚假手机号码的识别方法和装置
US10296963B2 (en) * 2015-10-28 2019-05-21 Accenture Global Services Limited Predictive modeling for unintended outcomes
US20170206462A1 (en) * 2016-01-14 2017-07-20 International Business Machines Corporation Method and apparatus for detecting abnormal contention on a computer system
CN107133833A (zh) * 2016-02-26 2017-09-05 阿里巴巴集团控股有限公司 异常交易识别方法及装置
US20180060728A1 (en) * 2016-08-31 2018-03-01 Microsoft Technology Licensing, Llc Deep Embedding Forest: Forest-based Serving with Deep Embedding Features
US10762441B2 (en) * 2016-12-01 2020-09-01 Uber Technologies, Inc. Predicting user state using machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106875255A (zh) * 2017-01-20 2017-06-20 深圳市凯达尔科技实业有限公司 一种基于移动终端的租车方法及系统
CN106897919A (zh) * 2017-02-28 2017-06-27 百度在线网络技术（北京）有限公司 用车类型预测模型建立、信息提供方法及装置

Also Published As

Publication number Publication date
CN111316308A (zh) 2020-06-19
CN111316308B (zh) 2023-04-18
US20200226708A1 (en) 2020-07-16
CN109598566A (zh) 2019-04-09
WO2019063005A1 (en) 2019-04-04

Similar Documents

Publication Publication Date Title
CN109598566B (zh) 下单预测方法、装置、计算机设备和计算机可读存储介质
US20210188290A1 (en) Driving model training method, driver identification method, apparatuses, device and medium
WO2018053133A1 (en) Venue detection
CN110264274B (zh) 客群划分方法、模型生成方法、装置、设备及存储介质
CN110738247A (zh) 一种基于选择性稀疏采样的细粒度图像分类方法
CN111860872A (zh) 用于异常检测的系统和方法
JP2016540318A5 (zh)
CN112667805B (zh) 一种工单类别确定方法、装置、设备及介质
CN112329816A (zh) 数据分类方法、装置、电子设备和可读存储介质
JP2016540319A5 (zh)
CN109636212B (zh) 作业实际运行时间的预测方法
CN103745233B (zh) 基于空间信息迁移的高光谱图像分类方法
CN106533921A (zh) 基于电子邮件信息的快速建档方法及系统
CN114596497A (zh) 目标检测模型的训练方法、目标检测方法、装置及设备
CN116964588A (zh) 一种目标检测方法、目标检测模型训练方法及装置
CN109543922B (zh) 用于有桩共享单车站点群的分时段借还量预测方法
CN110458664B (zh) 一种用户出行信息预测方法、装置、设备及存储介质
CN110727762B (zh) 确定相似文本的方法、装置、存储介质及电子设备
CN110598989B (zh) 一种货源质量评估方法、装置、设备和存储介质
CN110717037A (zh) 对用户分类的方法和装置
CN109783608B (zh) 目标假设的确定方法、装置、可读存储介质和电子设备
CN111832597B (zh) 一种车辆类型的判定方法及装置
CN113469176A (zh) 一种目标检测模型训练方法、目标检测方法及其相关设备
CN112785234A (zh) 货物推荐方法、装置、设备及存储介质
CN111984812A (zh) 一种特征提取模型生成方法、图像检索方法、装置及设备

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