CN109993328A - 网络约车订单分配方法和装置 - Google Patents
网络约车订单分配方法和装置 Download PDFInfo
- Publication number
- CN109993328A CN109993328A CN201711475425.8A CN201711475425A CN109993328A CN 109993328 A CN109993328 A CN 109993328A CN 201711475425 A CN201711475425 A CN 201711475425A CN 109993328 A CN109993328 A CN 109993328A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- order
- waiting time
- assigned
- duration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 28
- 241001269238 Data Species 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06Q10/02—Reservations, e.g. for tickets, services or events
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及网络约车技术领域,具体是关于网络约车订单分配方法,包括:确定等待被分配第一类型订单的车辆;若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;根据预测结果,判断是否延长所述预设等待时长。根据本发明的实施例,根据预测模型和预测模型对应的特征数据可以更加准确地确定订单分配情况,进而保证根据预测结果准确地延长车辆等待被分配第一类型订单的预设等待时长,有利于保证车辆的驾驶员的收入。
Description
技术领域
本发明实施例涉及网络约车技术领域,尤其涉及网络约车订单分配方法、网络约车订单分配装置、电子设备和计算机可读存储介质。
背景技术
网络约车订单的类型多种多样,以适应用户不同的需求。例如网络约车订单的类型包括快车、专车等,而快车又可以进一步细分为普通型和优享型等。针对上述不同类型的网络约车订单,相应的车型和价格也不同。例如专车对应的车型比快车对应的车型高级,价格也更高,优享型比普通型对应的车型高级,价格也更高。
若某个类型网络约车订单的数量较少,而该类型网络约车订单对应的车辆又等待了较长的时间,那么为了避免车辆长时间等待,以及保证驾驶员的收入,现有技术中会判断车辆在未来预设时长内被分配相对应类型的网络约车订单的概率是否大于预设概率,如果该概率较大,那么会延长车辆等待的时间,如果该概率较小,则为车辆分配其他类型的网络约车订单。
但是现有技术中所参考的预设时长和预设概率都是人为设定的,而且是固定的,然而在实际情况下,由于时间、地点等因素的影响,预设时间和预设概率并非一成不变。因此,根据现有技术中的方式来判断,由于判断依据并不准确,因此判断结果也不准确,继而可能导致根据判断结果延长车辆等待时间,或者为车辆分配其他类型的网络约车订单会造成驾驶员的收入下降。
发明内容
本公开的实施例提供网络约车订单分配方法、网络约车订单分配装置、电子设备和计算机可读存储介质,以解决相关技术中的不足。
根据本发明实施例的第一方面,提供一种网络约车订单分配方法,包括:
确定等待被分配第一类型订单的车辆;
若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
根据预测结果,判断是否延长所述预设等待时长。
根据本发明实施例的第二方面,提供一种网络约车订单分配装置,包括:
确定模块,用于确定等待被分配第一类型订单的车辆;
预测模块,若在预设等待时长内,所述车辆未被分配到第一类型订单,用于根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
延长模块,用于根据预测结果,判断是否延长所述预设等待时长。
根据本发明实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
确定等待被分配第一类型订单的车辆;
若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
根据预测结果,判断是否延长所述预设等待时长。
根据本发明实施例的第四方面,提供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以下步骤:
确定等待被分配第一类型订单的车辆;
若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
根据预测结果,判断是否延长所述预设等待时长。
根据本公开的实施例,由于车辆在所述预设等待时长结束时的订单分配情况,可以根据预测模型预测得到,而预测模型是通过对历史数据进行机器学习得到的,因此相对于根据人为主观设定的条件确定订单分配情况,根据预测模型和预测模型对应的特征数据可以更加准确地确定订单分配情况,进而保证根据预测结果准确地延长车辆等待被分配第一类型订单的预设等待时长,有利于保证车辆的驾驶员的收入。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1示出了根据本公开的实施例的一种网络约车订单分配方法的示意流程图。
图2示出了根据本公开的实施例的另一种网络约车订单分配方法的示意流程图。
图3示出了根据本公开的实施例的又一种网络约车订单分配方法的示意流程图。
图4示出了根据本公开的实施例的又一种网络约车订单分配方法的示意流程图。
图5示出了根据本发明实施例的又一种网络约车订单分配方法的示意流程图。
图6示出了根据本公开的实施例的一种预测第一单位时间收益的示意流程图。
图7示出了根据本公开的实施例的一种预测第二单位时间收益的示意流程图。
图8示出了根据本公开的实施例的一种确定第一预设预测类型的示意流程图。
图9示出了根据本公开的实施例的一种确定第二预设预测类型的示意流程图。
图10示出了根据本公开的实施例的一种网络约车订单分配装置的示意框图。
图11示出了根据本公开的实施例的另一种网络约车订单分配装置的示意框图。
图12示出了根据本公开的实施例的一种延长模块的示意框图。
图13示出了根据本公开的实施例的又一种网络约车订单分配装置的示意框图。
图14示出了根据本公开的实施例的又一种网络约车订单分配装置的示意框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1示出了根据本发明实施例的一种网络约车订单分配方法的示意流程图,该方法可以适用于服务器,也可以适用于其他具备数据处理功能的设备,以下主要在该方法适用于网络约车服务器的情况下,对本发明的技术方案进行示例性说明。如图1所示,该方法包括以下步骤:
步骤S1,确定等待被分配第一类型订单的车辆。
在一个实施例中,不同类型的订单,可以分配给不同类型的车辆,例如可以被分配第一类型订单的车辆的型号,相对于可以被分配第二类型订单的车辆的型号要高级,可以预先建立车辆和订单类型之间的管理关系,以便确定可以被分配第一类型订单的车辆。
在一个实施例中,针对可以被分配第一类型订单的车辆,若车辆处于空闲状态(也即未在执行订单的过程中),或者车辆即将完成正在执行的订单(例如完成正在执行的订单所需的时间小于1分钟),可以确定车辆为等待被分配第一类型订单的车辆。
步骤S2,若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系。
在一个实施例中,根据预测模型进行预测时,可以通过采集特征数据输入到预测模型中进行预测,例如特征数据可以包括位置、时间、车辆的数量、第一类型订单的数量和第一类型订单的价格倍数中的一个或多个。
其中,对于特征数据中的位置,服务器可以根据车辆设备上传的位置信息来确定,也可以根据驾驶员的终端上传的位置信息来确定。
对于特征数据中的时间,服务器可以根据自身系统时间实时确定。
对于特征数据中的车辆的数量,服务器可以根据在上述时间,车辆位置附近(例如以车辆的位置信息为中心,预设路面长度的范围内)其他的车辆的数量来确定。需要说明的是,特征数据中的车辆的数量,是指可以被分配第一类型订单的车辆的数据,例如相对后续实施例中第二类型订单所分配的车辆,可以被分配第一类型订单的车辆型号较为高级,或者价格较高。
对于特征数据中的第一类型订单的数量,服务器可以根据在上述时间,起点位置位于车辆位置附近的第一类型订单的数量来确定。
对于特征数据中的第一类型订单的价格倍数,服务器可以根据在上述时间,车辆位置附近的车辆的数量和第一类型订单的数量的比例来确定。
需要说明的是,特征数据并不限于上述几种,可以根据需要进行设置和调整。
在一个实施例中,预测模型通过机器学习得到,例如可以采用有监督的机器学习。其中,可以采用的学习算法包括回归算法。回归算法属于归纳学习的范畴,归纳学习是指根据某概念的一些实例,通过归纳推理得出该概念的一般性描述。对于预测预约订单的价格倍数而言,可以采用的回归算法包括线性回归、回归决策树、迭代决策树,或者预设回归算法的加权线性组合等算法。不同算法生成的预测值的准确度不同,不同算法的计算复杂度也不相同,在实际应用中,根据具体应用需求,可以选择任意一种回归算法生成上述预测模型进行预测。
步骤S3,根据预测结果,判断是否延长所述预设等待时长。
在一个实施例中,由于车辆在所述预设等待时长结束时的订单分配情况,可以根据预测模型预测得到,而预测模型是通过对历史数据进行机器学习得到的,因此相对于根据人为主观设定的条件确定订单分配情况,根据预测模型和预测模型对应的特征数据可以更加准确地确定订单分配情况,进而保证根据预测结果准确地延长车辆等待被分配第一类型订单的预设等待时长,有利于保证车辆的驾驶员的收入。
图2示出了根据本发明实施例的另一种网络约车订单分配方法的示意流程图。如图2所示,在图1所示实施例的基础上,
所述根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测包括:
在步骤S21中,根据第一预测模型预测车辆在第一预设时长内被分配到第一类型订单的第一概率;
所述根据预测结果,判断是否延长所述预设等待时长包括:
在步骤S31中,若所述第一概率大于概率阈值,延长所述预设等待时长。
图3示出了根据本发明实施例的又一种网络约车订单分配方法的示意流程图。如图3所示,在图1所示实施例的基础上,
所述根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测包括:
在步骤S22中,根据第二预测模型预测车辆被分配到第一类型订单的概率达到第一预设概率所需的第一时长;
所述根据预测结果,判断是否延长所述预设等待时长包括:
在步骤S32中,若所述第一时长小于时长阈值,延长所述预设等待时长。
在一个实施例中,车辆被分配到第一类型订单的概率以及继续等待时长之间的关系,具体包括车辆在第一预设时长内被分配到第一类型订单的第一概率,或者包括车辆被分配到第一类型订单的概率达到第一预设概率所需的第一时长。针对上述两种关系,可以采用不同的预测模型预测。
相应地,每种关系可以分别对应预测结果,例如根据第一预测模型预测车辆在第一预设时长内被分配到第一类型订单的第一概率,那么预测结果可以是第一概率是否大于概率阈值,而根据第一预测模型预测车辆在第一预设时长内被分配到第一类型订单的第一概率,那么预测结果可以是第一时长是否小于时长阈值。
其中,若第一概率大于概率阈值,可以确定车辆在等待预设等待时长而没有被分配第一类型订单的情况下,若再等待第一预设时长,那么被分配到第一类型订单的概率较高,因此可以延长预设等待时长,使得车辆在等待预设等待时长再等待一段时间,以便被分配到第一类型订单。
若第一时长小于时长阈值,可以确定车辆在等待预设等待时长而没有被分配第一类型订单的情况下,只需等待较短的时间,即可有较大概率被分配到第一类型订单,因此可以延长预设等待时长,使得车辆在等待预设等待时长再等待一段时间,以便被分配到第一类型订单。
图4示出了根据本发明实施例的又一种网络约车订单分配方法的示意流程图。如图4所示,在图2或图3所示实施例的基础上(图4仅示出了以图2所示实施例为基础的示意流程图),所述方法还包括:
步骤S4,在所述车辆等延长后的等待时长时,若未被分配所述第一类型订单,为所述车辆分配第二类型订单。
在一个实施例中,若延长车辆等待了延长后的等待时长,但是车辆仍未被分配第一类型订单,则为车辆分配第二类型订单,一方面保证对车辆的充分利用,另一方面保证车辆驾驶员能够有收入,而不至于长久处于等待状态。
在一个实施例中,为了保证乘客的体验,第一类型订单对应车辆的型号,相对于第二类型订单对应的车辆的型号要高级,而较高级的车辆对应的服务和乘坐条件也较好。也即在车辆长久处于等待接单状态,而仍未被分配与其车辆对应类型的网络约车订单的情况下,可以为其分配相对低级的车辆对应类型的网络约车订单,以保证车辆的收入。
图5示出了根据本发明实施例的又一种网络约车订单分配方法的示意流程图。如图5所示,在图2或图3所示实施例的基础上(图5仅示出了以图2所示实施例为基础的示意流程图),所述延长所述预设等待时长包括:
步骤S33,预测所述车辆等待延长后的等待时长且被分配所述第一类型订单的情况下,所述车辆的第一单位时间收益,以及为所述车辆分配第二类型订单的情况下,所述车辆的第二单位时间收益;
步骤S34,若所述第一收益大于所述第二收益,延长所述预设等待时长;
步骤S35,若所述第一收益小于或等于所述第二收益,为所述车辆分配第二类型订单。
由于车辆在预设等待时长内未被分配到第一类型订单,因此若仍为车辆分配第一类型订单需要车辆继续等待,而若为车辆分配第二类型订单则可以立即分配,因此,虽然第二类型订单可能相对于第一类型订单的单位时间收益较低,但是考虑到等待被分配第一类型订单可能需要较长时间,可能造成车辆等待延长后的等待时长且被分配第一类型订单的情况下车辆的第一单位时间收益,小于为车辆分配第二类型订单的情况下车辆的第二单位时间收益。
基于此,在一个实施例中,在车辆未被分配第一类型订单的情况下,若第一概率大于第二预设概率,或第二时长小于第一预设时长,可以先预测车辆等待延长后的等待时长且被分配第一类型订单第二预设时长的情况下,车辆的第一单位时间收益,以及直接为车辆分配第二类型订单的情况下车辆的第二单位时间收益。
若第一单位时间收益大于第二单位时间收益,说明车辆等待延长后的等待时长且被分配第一类型订单的收益相对于直接(或等待较短时间)被分配第二类型网络约车订单的收益要大,则车辆可以继续等待延长后的等待时长以便被分配第一类型订单。相应地,若第一单位时间收益小于或等于第一单位时间收益,说明车辆延长后的等待时长且被分配第一类型订单的收益,并不比被分配第二类型网络约车订单的收益要大,则可以直接为车辆分配第二类型网络约车订单,从而最大程度上保证车辆驾驶员的收益最大化。
在一个实施例中,若第一单位时间收益等于第二单位时间收益,也可以向车辆的驾驶员传输提示信息,以供驾驶员根据需要原则,提高接单体验。
图6示出了根据本发明实施例的一种预测第一单位时间收益的示意流程图。如图6所示,在图5所示实施例的基础上,预测所述第一单位时间收益包括以下步骤:
步骤S331,预测所述第一类型订单的第一平均价格和第一平均耗时;
步骤S332,根据所述第一平均价格、所述第一平均耗时和延长后的等待时长,计算所述第一单位时间收益。
在一个实施例中,第一平均价格和第一平均耗时可以分别根据各自相应的预测模型预测得到,而第一单位时间收益B1=第一平均价格P1/(第一平均耗时t1+延长后的等待时长Tp)。
图7示出了根据本发明实施例的一种预测第二单位时间收益的示意流程图。如图7所示,在图5所示实施例的基础上,预测所述第二单位时间收益包括以下步骤:
步骤S333,预测所述车辆被分配第二类型订单所需等待的第二时长,以及第二类型订单的第二平均价格和第二平均耗时;
步骤S334,根据所述第二平均价格、所述第二平均耗时和所述第二时长,计算所述第二单位时间收益。
在一个实施例中,第二平均价格和第二平均耗时可以分别根据各自相应的预测模型预测得到,而第二单位时间收益B2=第二平均价格P2/(第二平均耗时t2+第二时长T3)。
图8示出了根据本发明实施例的一种确定第一预设预测类型的示意流程图。如图8所示,在图5所示实施例的基础上,确定所述第一预设预测类型包括以下步骤:
步骤S6,获取车辆在等待第一预设时长时被分配第一类型订单的历史概率,以及与所述历史概率相关联的至少一个第一历史特征数据,将所述第一历史特征数据和所述历史概率构成的训练数据作为第一训练集;
步骤S7,通过机器学习算法,利用所述第一训练集学习得到所述第一预测模型。
图9示出了根据本发明实施例的一种确定第二预设预测类型的示意流程图。如图9所示,在图5所示实施例的基础上,确定所述第二预设预测类型包括以下步骤:
步骤S8,获取车辆在被分配所述第一类型订单的概率达到第一预设概率的历史时长,以及与所述历史时长相关联的至少一个第二历史特征数据,将所述第二历史特征数据和所述历史时长构成的训练数据作为第二训练集;
步骤S9,通过机器学习算法,利用所述第二训练集学习得到所述第二预测模型。
在一个实施例中,可以通过两种方式来判断是否延长车辆等待被分配第一类型网络约车订单的时间,其一是判断车辆在等待第一预设时长时被分配第一类型订单的第一概率是否大于第二预设概率,其二是预测车辆被分配第一类型订单的概率达到第一预设概率所需的第二时长是否小于第一预设时长。而针对两个判断条件的判断主体,也即第一预设时长和第二预设概率,可以分别设置第一预测模型和第二榆次模型来进行预测。
以第一预测模型为例,可以采取过去一个月、两个月或者更长时间例如半年、一年的历史数据构成第一训练集,使用历史上的上述特征数据进行训练,训练过程可以是一个重复迭代的过程,通过大量训练集数据得到不同特征数据的权重。
在一个实施例中,在训练过程中,为了减少计算的数据量,可以从所有训练数据中随机选取部分训练数据进行训练,例如所有训练数据有50万条,那么可以从中随机选取10万条训练数据进行训练。
可选地,所述机器学习算法包括以下至少之一:
线性回归算法、回归决策树算法、迭代决策树算法或随机森林算法。
可选地,所述第一历史特征数据和/或所述第二历史特征数据包括以下至少之一:
位置、时间、车辆的数量、第一类型订单的数量和第一类型订单的价格倍数。其中,第一历史特征数据和第二历史特征数据可以全部相同,也可以部分相同,还可以全部不同。
在一个实施例中,由于通过上述各种不同的训练算法生成的预设预测模型预测的准确度是不同的。而根据本发明的实施例,特征数据较多,少则上述几种,多则可以达到几十个特征数据,因而特征数据与预测的价格倍数之间的关系可能是非线性的,而线性回归算法主要适用于线性的情况,因此采用线性回归算法生成的预测模型,其预测的价格倍数的准确度相对较低。
RDT算法则有着很多良好的特性,例如,训练时间复杂度较低、预测的速度比较快、训练模型容易展示(容易将得到的决策树做成图片展示出来)等。但是,单决策树可能出现过拟合的问题,虽然通过一些方法,如剪枝可以减少这种情况,但是仍然存在问题。
GBDT又叫MART(Multiple Additive Regression Tree),是一种迭代的决策树算法,该算法由多棵决策树组成,根据所有树的结论累加起来做最终答案。GBDT几乎可用于所有回归问题,包括线性回归,也包括非线性回归,相对逻辑回归仅能用于线性回归,GBDT的适用面非常广。GBDT的核心就在于,每一棵树学的是之前所有树结论和的残差,这个残差就是一个加预测值后能得到真实值的累加量。GBDT算法最终的结果是生成N(在本实施例中,N可以大于100)棵树,这样可以大大的减少单决策树带来的缺点。
由于GBDT较RDT生成的模型预测准确度更高,因而本发明实施例优选地可以采用GBDT算法生成预设预测模型。
与上述预约订单的价格倍数确定方法的实施例相对应地,本发明还提出了一种网络约车订单分配装置的实施例。
图10示出了根据本发明实施例的一种网络约车订单分配装置的示意框图。如图10所示,所述装置包括:
确定模块1,用于确定等待被分配第一类型订单的车辆;
预测模块2,若在预设等待时长内,所述车辆未被分配到第一类型订单,用于根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
延长模块3,用于根据预测结果,判断是否延长所述预设等待时长。
可选地,所述预测模块用于在预设等待时长内,若车辆未被分配到第一类型网络约车订单,根据第一预测模型预测车辆在第一预设时长内被分配到第一类型订单的第一概率;
所述延长模块用于在所述第一概率大于概率阈值的情况下,延长所述预设等待时长。
可选地,所述预测模块用于在预设等待时长内,若车辆未被分配到第一类型网络约车订单,根据第二预测模型预测车辆被分配到第一类型订单的概率达到第一预设概率所需的第一时长;
所述延长模块用于在所述第一时长小于时长阈值的情况下,延长所述预设等待时长。
图11示出了根据本发明实施例的另一种网络约车订单分配装置的示意框图。如图11所示,在图10所示实施例的基础上,所述装置还包括:
分配模块4,用于在所述车辆等待延长后的等待时长时,若未被分配所述第一类型订单,为所述车辆分配第二类型订单。
图12示出了根据本发明实施例的一种延长模块的示意框图。如图12所示,在图10所示实施例的基础上,所述延长模块3包括:
预测子模块31,用于预测延长所述车辆等待延长后的等待时长且被分配所述第一类型订单的情况下,所述车辆的第一单位时间收益,以及为所述车辆分配第二类型订单的情况下,所述车辆的第二单位时间收益;
延长子模块32,用于在所述第一收益大于所述第二收益的情况下,延长所述预设等待时长;
分配子模块33,用于在所述第一收益小于或等于所述第二收益的情况下,为所述车辆分配第二类型订单。
可选地,所述预测子模块用于预测所述第一类型订单的第一平均价格和第一平均耗时;以及根据所述第一平均价格、所述第一平均耗时和所述延长后的等待时长,计算所述第一单位时间收益。
可选地,所述预测子模块用于预测所述车辆被分配第二类型订单所需等待的第二时长,以及第二类型订单的第二平均价格和第二平均耗时;以及根据所述第二平均价格、所述第二平均耗时和所述第二时长,计算所述第二单位时间收益。
图13示出了根据本发明实施例的又一种网络约车订单分配装置的示意框图。如图13所示,在图10所示实施例的基础上,所述装置还包括:
第一获取模块5,用于获取车辆在等待第一预设时长时被分配第一类型订单的历史概率,以及与所述历史概率相关联的至少一个第一历史特征数据,将所述第一历史特征数据和所述历史概率构成的训练数据作为第一训练集;
第一学习模块6,用于通过机器学习算法,利用所述第一训练集学习得到所述第一预测模型;或通过机器学习算法,利用所述第二训练集学习得到所述第二预测模型。
图14示出了根据本发明实施例的又一种网络约车订单分配装置的示意框图。如图14所示,在图10所示实施例的基础上,所述装置还包括:
第二获取模块7,用于获取车辆在被分配所述第一类型订单的概率达到第一预设概率的历史时长,以及与所述历史时长相关联的至少一个第二历史特征数据,将所述第二历史特征数据和所述历史时长构成的训练数据作为第二训练集;
第二学习模块8,用于通过机器学习算法,利用所述第二训练集学习得到所述第二预测模型。
可选地,所述机器学习算法包括以下至少之一:
线性回归算法、回归决策树算法、迭代决策树算法或随机森林算法。
可选地,所述第一历史特征数据和/或所述第二历史特征数据包括以下至少之一:
位置、时间、车辆的数量、第一类型订单的数量和第一类型订单的价格倍数。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在相关的方法实施例中进行了详细描述,此处将不做详细阐述说明。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明的实施例还提出一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
确定等待被分配第一类型订单的车辆;
若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
根据预测结果,判断是否延长所述预设等待时长。
本发明的实施例还提出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以下步骤:
确定等待被分配第一类型订单的车辆;
若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
根据预测结果,判断是否延长所述预设等待时长。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (24)
1.一种网络约车订单分配方法,其特征在于,包括:
确定等待被分配第一类型订单的车辆;
若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
根据预测结果,判断是否延长所述预设等待时长。
2.根据权利要求1所述的方法,其特征在于,所述根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测包括:
根据第一预测模型预测车辆在第一预设时长内被分配到第一类型订单的第一概率;
所述根据预测结果,判断是否延长所述预设等待时长包括:
若所述第一概率大于概率阈值,延长所述预设等待时长。
3.根据权利要求1所述的方法,其特征在于,所述根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测包括:
根据第二预测模型预测车辆被分配到第一类型订单的概率达到第一预设概率所需的第一时长;
所述根据预测结果,判断是否延长所述预设等待时长包括:
若所述第一时长小于时长阈值,延长所述预设等待时长。
4.根据权利要求2或3所述的方法,其特征在于,还包括:
在所述车辆等待延长后的等待时长时,若未被分配所述第一类型订单,为所述车辆分配第二类型订单。
5.根据权利要求2或3所述的方法,其特征在于,所述延长所述预设等待时长包括:
预测所述车辆等待延长后的等待时长且被分配所述第一类型订单的情况下,所述车辆的第一单位时间收益,以及为所述车辆分配第二类型订单的情况下,所述车辆的第二单位时间收益;
若所述第一收益大于所述第二收益,延长所述预设等待时长;
若所述第一收益小于或等于所述第二收益,为所述车辆分配第二类型订单。
6.根据权利要求5所述的方法,其特征在于,预测所述第一单位时间收益包括以下步骤:
预测所述第一类型订单的第一平均价格和第一平均耗时;
根据所述第一平均价格、所述第一平均耗时和延长后的等待时长,计算所述第一单位时间收益。
7.根据权利要求5所述的方法,其特征在于,预测所述第二单位时间收益包括以下步骤:
预测所述车辆被分配第二类型订单所需等待的第二时长,以及第二类型订单的第二平均价格和第二平均耗时;
根据所述第二平均价格、所述第二平均耗时和所述第二时长,计算所述第二单位时间收益。
8.根据权利要求2的方法,其特征在于,确定所述第一预测模型包括以下步骤:
获取车辆在等待第一预设时长时被分配第一类型订单的历史概率,以及与所述历史概率相关联的至少一个第一历史特征数据,将所述第一历史特征数据和所述历史概率构成的训练数据作为第一训练集;
通过机器学习算法,利用所述第一训练集学习得到所述第一预测模型。
9.根据权利要求3的方法,其特征在于,确定所述第二预测模型包括以下步骤:
获取车辆在被分配所述第一类型订单的概率达到第一预设概率的历史时长,以及与所述历史时长相关联的至少一个第二历史特征数据,将所述第二历史特征数据和所述历史时长构成的训练数据作为第二训练集;
通过机器学习算法,利用所述第二训练集学习得到所述第二预测模型。
10.根据权利要求8或9所述的方法,其特征在于,所述机器学习算法包括以下至少之一:
线性回归算法、回归决策树算法、迭代决策树算法或随机森林算法。
11.根据权利要求8或9所述的方法,其特征在于,所述第一历史特征数据和/或所述第二历史特征数据包括以下至少之一:
位置、时间、车辆的数量、第一类型订单的数量和第一类型订单的价格倍数。
12.一种网络约车订单分配装置,其特征在于,包括:
确定模块,用于确定等待被分配第一类型订单的车辆;
预测模块,若在预设等待时长内,所述车辆未被分配到第一类型订单,用于根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
延长模块,用于根据预测结果,判断是否延长所述预设等待时长。
13.根据权利要求12所述的装置,其特征在于,所述预测模块用于在预设等待时长内,若车辆未被分配到第一类型网络约车订单,根据第一预测模型预测车辆在第一预设时长内被分配到第一类型订单的第一概率;
所述延长模块用于在所述第一概率大于概率阈值的情况下,延长所述预设等待时长。
14.根据权利要求12所述的装置,其特征在于,所述预测模块用于在预设等待时长内,若车辆未被分配到第一类型网络约车订单,根据第二预测模型预测车辆被分配到第一类型订单的概率达到第一预设概率所需的第一时长;
所述延长模块用于在所述第一时长小于时长阈值的情况下,延长所述预设等待时长。
15.根据权利要求13或14所述的装置,其特征在于,还包括:
分配模块,用于在所述车辆等待延长后的等待时长时,若未被分配所述第一类型订单,为所述车辆分配第二类型订单。
16.根据权利要求13或14所述的装置,其特征在于,所述延长模块包括:
预测子模块,用于预测所述车辆等待延长后的等待时长且被分配所述第一类型订单的情况下,所述车辆的第一单位时间收益,以及为所述车辆分配第二类型订单的情况下,所述车辆的第二单位时间收益;
延长子模块,用于在所述第一收益大于所述第二收益的情况下,延长所述预设等待时长;
分配子模块,用于在所述第一收益小于或等于所述第二收益的情况下,为所述车辆分配第二类型订单。
17.根据权利要求16所述的装置,其特征在于,所述预测子模块用于预测所述第一类型订单的第一平均价格和第一平均耗时;以及根据所述第一平均价格、所述第一平均耗时和所述延长后的等待时长,计算所述第一单位时间收益。
18.根据权利要求16所述的装置,其特征在于,所述预测子模块用于预测所述车辆被分配第二类型订单所需等待的第二时长,以及第二类型订单的第二平均价格和第二平均耗时;以及根据所述第二平均价格、所述第二平均耗时和所述第二时长,计算所述第二单位时间收益。
19.根据权利要求13所述的装置,其特征在于,还包括:
第一获取模块,用于获取车辆在等待第一预设时长时被分配第一类型订单的历史概率,以及与所述历史概率相关联的至少一个第一历史特征数据,将所述第一历史特征数据和所述历史概率构成的训练数据作为第一训练集;第一学习模块,用于通过机器学习算法,利用所述第一训练集学习得到所述第一预测模型。
20.根据权利要求14所述的装置,其特征在于,还包括:
第二获取模块,用于获取车辆在被分配所述第一类型订单的概率达到第一预设概率的历史时长,以及与所述历史时长相关联的至少一个第二历史特征数据,将所述第二历史特征数据和所述历史时长构成的训练数据作为第二训练集;
第二学习模块,用于通过机器学习算法,利用所述第二训练集学习得到所述第二预测模型。
21.根据权利要求19或20所述的装置,其特征在于,所述机器学习算法包括以下至少之一:
线性回归算法、回归决策树算法、迭代决策树算法或随机森林算法。
22.根据权利要求19或20所述的装置,其特征在于,所述第一历史特征数据和/或所述第二历史特征数据包括以下至少之一:
位置、时间、车辆的数量、第一类型订单的数量和第一类型订单的价格倍数。
23.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
确定等待被分配第一类型订单的车辆;
若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
根据预测结果,判断是否延长所述预设等待时长。
24.一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以下步骤:
确定等待被分配第一类型订单的车辆;
若在预设等待时长内,所述车辆未被分配到第一类型订单,根据预测模型对所述车辆在所述预设等待时长结束时的订单分配情况进行预测,其中,所述订单分配情况包括:被分配到第一类型订单的概率以及继续等待时长之间的关系;
根据预测结果,判断是否延长所述预设等待时长。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711475425.8A CN109993328B (zh) | 2017-12-29 | 2017-12-29 | 网络约车订单分配方法和装置 |
PCT/CN2018/114239 WO2019128477A1 (en) | 2017-12-28 | 2018-11-07 | Systems and methods for assigning service requests |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711475425.8A CN109993328B (zh) | 2017-12-29 | 2017-12-29 | 网络约车订单分配方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993328A true CN109993328A (zh) | 2019-07-09 |
CN109993328B CN109993328B (zh) | 2022-09-09 |
Family
ID=67109630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711475425.8A Active CN109993328B (zh) | 2017-12-28 | 2017-12-29 | 网络约车订单分配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993328B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008792A (zh) * | 2019-12-24 | 2020-04-14 | 北京三快在线科技有限公司 | 订单分配方法、装置、服务器和存储介质 |
CN113222308A (zh) * | 2020-01-21 | 2021-08-06 | 北京三快在线科技有限公司 | 订单分配方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106448138A (zh) * | 2016-11-09 | 2017-02-22 | 中国科学技术大学苏州研究院 | 基于主动分配型的出租车服务系统的最优多车调度方法 |
CN107145992A (zh) * | 2016-03-01 | 2017-09-08 | 滴滴(中国)科技有限公司 | 一种订单分配方法及装置 |
CN107480842A (zh) * | 2016-06-07 | 2017-12-15 | 滴滴(中国)科技有限公司 | 一种用车订单分配处理方法及系统 |
CN107516256A (zh) * | 2016-06-16 | 2017-12-26 | 滴滴(中国)科技有限公司 | 一种用车订单处理方法及服务器 |
-
2017
- 2017-12-29 CN CN201711475425.8A patent/CN109993328B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145992A (zh) * | 2016-03-01 | 2017-09-08 | 滴滴(中国)科技有限公司 | 一种订单分配方法及装置 |
CN107480842A (zh) * | 2016-06-07 | 2017-12-15 | 滴滴(中国)科技有限公司 | 一种用车订单分配处理方法及系统 |
CN107516256A (zh) * | 2016-06-16 | 2017-12-26 | 滴滴(中国)科技有限公司 | 一种用车订单处理方法及服务器 |
CN106448138A (zh) * | 2016-11-09 | 2017-02-22 | 中国科学技术大学苏州研究院 | 基于主动分配型的出租车服务系统的最优多车调度方法 |
Non-Patent Citations (2)
Title |
---|
刘勇坚 等: "《现代电子战支援侦查系统分析与设计》", 31 December 2016, 国防工业出版社 * |
鲁岩: "神州专车司机效率平台设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008792A (zh) * | 2019-12-24 | 2020-04-14 | 北京三快在线科技有限公司 | 订单分配方法、装置、服务器和存储介质 |
CN113222308A (zh) * | 2020-01-21 | 2021-08-06 | 北京三快在线科技有限公司 | 订单分配方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109993328B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11143522B2 (en) | Travel time prediction method, apparatus and server | |
CN109559147B (zh) | 广告流量的预估方法、装置、服务器及可读存储介质 | |
CN105849998B (zh) | 电力需求预测装置及预测方法、供电系统及记录介质 | |
CN109598368B (zh) | 路径决策评估、订单分配方法及装置、电子设备及介质 | |
EP3583553A1 (en) | Neural architecture search for convolutional neural networks | |
CN106447114A (zh) | 提供叫车服务的方法和装置 | |
CN108960431A (zh) | 指标的预测、模型的训练方法及装置 | |
CN112580801B (zh) | 一种强化学习训练方法及基于强化学习的决策方法 | |
CN103647800A (zh) | 推荐应用资源的方法及系统 | |
CN108256893A (zh) | 广告投放效果的分析方法及装置 | |
CN110009429B (zh) | 一种预测流量数据的方法、装置和计算机设备 | |
CN109284881A (zh) | 订单分配方法、装置、计算机可读存储介质及电子设备 | |
US8494823B2 (en) | Method and system for determining service area of supply chain by simulating service cycle time | |
CN108710905A (zh) | 一种基于多模型联合的备件数量预测方法和系统 | |
CN110533442A (zh) | 网约车订单信息处理方法及装置 | |
CN109948016A (zh) | 应用信息推送方法、装置、服务器和计算机可读存储介质 | |
CN109993328A (zh) | 网络约车订单分配方法和装置 | |
CN111160562A (zh) | 基于元学习优化方法的连续学习方法及装置 | |
CN114547917A (zh) | 仿真预测方法、装置、设备及存储介质 | |
CN114168701A (zh) | 一种车辆调度方法、系统、设备及存储介质 | |
Li et al. | Discrete event simulation analysis of a reservation-based, one-way car-sharing system | |
CN111753386B (zh) | 一种数据处理方法及装置 | |
CN111340581B (zh) | 数据处理方法、装置、可读存储介质和电子设备 | |
CN110472143A (zh) | 一种信息推送方法、装置、可读存储介质及终端设备 | |
CN103678678B (zh) | 一种用于网站信息的投放方法和装置 |
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 |