CN110858365A

CN110858365A - 提升用户发单意愿的方法、装置和服务器

Info

Publication number: CN110858365A
Application number: CN201810970122.1A
Authority: CN
Inventors: 戚立才
Original assignee: Beijing Didi Infinity Technology and Development Co Ltd
Current assignee: Beijing Didi Infinity Technology and Development Co Ltd
Priority date: 2018-08-24
Filing date: 2018-08-24
Publication date: 2020-03-03

Abstract

本发明提供了一种提升用户发单意愿的方法、装置、服务器和计算机可读介质，涉及互联网技术领域。其中，该方法包括接收用户发送的行程信息；该信息包括行程起点和行程终点；获取行程信息对应的特征数据；特征数据包括用户的行程特征子数据，和/或，行程信息对应的区域特征子数据；根据特征数据确定用户的发单概率；如果发单概率低于预设的概率阈值，生成行程信息对应的预估价的下调信息；向用户下发携带有下调信息的预估价提示信息，以提升用户的发单意愿。本发明根据用户的发单概率下调行程订单的价格，对发单意愿较低的用户进行降价，鼓励其发单，可以提高代驾平台的订单数量，从而有利于提高代驾平台的用户活跃度、市场占有率和平台盈利。

Description

提升用户发单意愿的方法、装置和服务器

技术领域

本申请涉及互联网技术领域，尤其涉及一种提升用户发单意愿的方法、装置和服务器。

背景技术

随着代驾平台的应用普及，越来越多的用户选择在出行时通过代驾平台叫车，司机可以通过代驾平台接单，从而为有用车需求的用户提供服务。

在叫车过程中，用户通常会先向平台发送行程信息，该行程信息包括行程的起点、终点等；平台收到行程信息后，会向用户提供一个估算价格；如果该估算价格对该用户来说过高，往往会降低用户的发单意愿；该用户可能会取消下发订单，转而采用其他较为低价的代驾平台下单，或者采用其他方式到达目的地；如果这样的用户过多，就不太利于代驾平台的用户活跃度和市场竞争力，进而影响平台的盈利。

发明内容

有鉴于此，本申请实施例提供一种提升用户发单意愿的方法、装置和服务器，以对发单意愿较低的用户进行降价，鼓励其发单，提高代驾平台的订单数量。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种提升用户发单意愿的方法，该方法应用于服务器，该方法包括：接收用户发送的行程信息；其中，行程信息包括行程起点和行程终点；获取行程信息对应的特征数据；特征数据包括用户的行程特征子数据，和/或，行程信息对应的区域特征子数据；根据特征数据确定用户的发单概率；如果发单概率低于预设的概率阈值，生成行程信息对应的预估价的下调信息；向用户下发携带有下调信息的预估价提示信息，以提升用户的发单意愿。

在本发明较佳的实施例中，上述接收用户发送的行程信息的步骤之后，还包括：根据预设的估价规则确定行程信息对应的预估价。

在本发明较佳的实施例中，上述根据预设的估价规则确定行程信息对应的预估价的步骤，包括：根据行程起点和行程终点，生成至少一条推荐路线；根据推荐路线的行程长度和预设的单位行程价格，确定行程信息对应的预估价。

在本发明较佳的实施例中，上述根据推荐路线的行程长度和预设的单位行程价格，确定行程信息对应的预估价的步骤，包括：如果推荐路线为多条，根据每条推荐路线的行程长度计算平均行程长度；根据平均行程长度和预设的单位行程价格，确定行程信息对应的预估价。

在本发明较佳的实施例中，上述用户的行程特征子数据包括行程信息是否包含小费、用户的历史订单的价格和历史订单的发单概率中的一种或多种；上述区域特征子数据包括：行程起点、行程终点、用户当前所在位置的天气状况、当前所在位置对应的代驾司机的数量、当前所在位置与代驾司机的距离、行程起点和行程终点对应区域的历史订单的价格和历史订单的发单概率中的一种或多种。

在本发明较佳的实施例中，上述根据特征数据确定用户的发单概率的步骤，包括：将特征数据输入预先建立的概率预测模型中，输出特征数据对应的用户的发单概率；概率预测模型通过机器学习方式训练得到。

在本发明较佳的实施例中，上述概率预测模型具体通过下述方式训练获得：采集样本数据集；样本数据集包括设定数量的样本特征数据和每个样本特征数据对应的发单概率；建立基础模型结构；基础模型结构包括梯度提升决策树GBDT模型、神经网络模型、随机森林模型和逻辑回归模型中的一种；通过样本数据集对基础模型结构进行训练，得到概率预测模型。

在本发明较佳的实施例中，上述生成行程信息对应的预估价的下调信息的步骤，包括：根据预先建立的发单概率和降价系数的对应关系，确定用户的发单概率对应的降价系数；根据降价系数生成预估价的下调信息。

在本发明较佳的实施例中，上述发单概率和降价系数的对应关系包括以下之一：发单概率和降价系数呈比例关系；或者，每个概率区间分别配置有对应的降价系数。

在本发明较佳的实施例中，上述根据降价系数生成预估价的下调信息的步骤，包括下述方式中的一种或多种：将降价系数作为预估价的下调信息；当降价系数包括折扣系数时，将折扣系数乘以预估价得到的结果作为下调信息；当降价系数包括减免额度时，将预估价减去减免额度得到的结果作为下调信息。

在本发明较佳的实施例中，上述向用户下发携带有下调信息的预估价提示信息的步骤，包括：生成预估价提示信息，预估价提示信息包括下调信息和预估价；向用户下发预估价提示信息。

在本发明较佳的实施例中，上述方法还包括：如果发单概率高于或等于预设的概率阈值，向用户下发行程信息对应的预估价。

在本发明较佳的实施例中，上述方法还包括：记录行程信息对应的用户的发单行为，根据发单行为更新用户的历史订单的价格和历史订单的发单概率；发单行为包括确定发单或取消发单。

第二方面，本发明实施例还提供一种提升用户发单意愿的装置，该装置设置于代服务器，该装置包括：信息接收模块，用于接收用户发送的行程信息；其中，行程信息包括行程起点和行程终点；数据获取模块，用于获取行程信息对应的特征数据；特征数据包括用户的行程特征子数据，和/或，行程信息对应的区域特征子数据；概率确定模块，用于根据特征数据确定用户的发单概率；信息生成模块，用于如果发单概率低于预设的概率阈值，生成行程信息对应的预估价的下调信息；第一信息下发模块，用于向用户下发携带有下调信息的预估价提示信息，以提升用户的发单意愿。

在本发明较佳的实施例中，上述装置还包括：预估价确定模块，用于根据预设的估价规则确定行程信息对应的预估价。

在本发明较佳的实施例中，上述预估价确定模块还用于：根据行程起点和行程终点，生成至少一条推荐路线；根据推荐路线的行程长度和预设的单位行程价格，确定行程信息对应的预估价。

在本发明较佳的实施例中，上述预估价确定模块还用于：如果推荐路线为多条，根据每条推荐路线的行程长度计算平均行程长度；根据平均行程长度和预设的单位行程价格，确定行程信息对应的预估价。

在本发明较佳的实施例中，上述概率确定模块还用于：将特征数据输入预先建立的概率预测模型中，输出特征数据对应的用户的发单概率；概率预测模型通过机器学习方式训练得到。

在本发明较佳的实施例中，上述信息生成模块还用于：根据预先建立的发单概率和降价系数的对应关系，确定用户的发单概率对应的降价系数；根据降价系数生成预估价的下调信息。

在本发明较佳的实施例中，上述信息生成模块还用于实现下述中的一种或多种：将降价系数作为预估价的下调信息；当降价系数包括折扣系数时，将折扣系数乘以预估价得到的结果作为下调信息；当降价系数包括减免额度时，将预估价减去减免额度得到的结果作为下调信息。

在本发明较佳的实施例中，上述第一信息下发模块还用于：生成预估价提示信息，预估价提示信息包括下调信息和预估价；向用户下发预估价提示信息。

在本发明较佳的实施例中，上述装置还包括：第二信息下发模块，用于如果发单概率高于或等于预设的概率阈值，向用户下发行程信息对应的预估价。

在本发明较佳的实施例中，上述装置还包括：记录模块，用于记录行程信息对应的用户的发单行为，根据发单行为更新用户的历史订单的价格和历史订单的发单概率；发单行为包括确定发单或取消发单。

第三方面，本发明实施例提供了一种服务器，服务器包括存储器以及处理器，存储器用于存储支持处理器执行上述第一方面任一项方法的程序，处理器被配置为用于执行存储器中存储的程序。

第四方面，本发明实施例一种计算机存储介质，用于储存为上述第二方面任一项装置所用的计算机软件指令。

本发明实施例提供了一种驾驶行为检测方法、装置、电子设备和计算机可读介质，接收到用户发送的行程信息后，获取该行程信息对应的特征数据；再根据该特征数据确定用户的发单概率；如果该发单概率低于预设的概率阈值，则生成行程信息对应的预估价的下调信息，并向用户下发携带有下调信息的预估价提示信息，从而提升用户的发单意愿。该方式中，根据用户的发单概率下调行程订单的价格，对发单意愿较低的用户进行降价，鼓励其发单，可以提高代驾平台的订单数量，从而有利于提高代驾平台的用户活跃度、市场占有率和平台盈利。

为使本申请实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例提供的一种可选的代驾平台的应用场景示意图；

图2示出了本申请实施例提供的一种提升用户发单意愿的方法的流程图；

图3示出了本申请实施例提供的另一种提升用户发单意愿的方法的流程图；

图4示出了本申请实施例提供的另一种提升用户发单意愿的方法的流程图；

图5示出了本申请实施例提供的另一种提升用户发单意愿的方法的流程图；

图6示出了本申请实施例提供的提升用户发单意愿的方法中，一种发单概率和降价系数的对应关系的流程图；

图7示出了本申请实施例提供的提升用户发单意愿的方法中，另一种发单概率和降价系数的对应关系的流程图；

图8示出了本申请实施例提供的另一种提升用户发单意愿的方法的流程图；

图9示出了本申请实施例提供的一种提升用户发单意愿的装置的结构示意图；

图10示出了本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例下述方法、装置、电子设备或计算机存储介质可以应用于任何代驾平台需要提升用户发单意愿或提升用户活跃度的场景。本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的方法提升用户发单意愿的方案均在本申请保护范围内。

首先，参见图1所示的一种代驾平台的应用场景示意图，在图1中示意出平台服务器(具体可以为代驾平台服务器)，以及与该服务器通信连接的乘客终端和司机终端。乘客终端具体可以为乘客的手机等移动终端，司机终端具体可以为司机的手机、平板电脑等移动终端，也可以为司机车辆内安装的车载设备等。

其中，乘客终端和司机终端分别安装有代驾平台的乘客客户端(或称为乘客端APP)和司机客户端(或称为司机端APP)。有叫车需求的乘客可以在乘客端APP(Application，应用程序)输入诸如起始地和目的地等信息，由乘客端APP生成订单并发送给平台服务器，该平台服务器可以将乘客订单下发给符合接单条件(诸如距离乘客起始地较近)的司机端APP，由收到订单并确认接单的司机为乘客提供服务。

可以理解，代驾平台上订单数量越多，注册登记的司机数量也就越多，越有利于平台的市场竞争和良性发展；订单数量与乘客的发单意愿有直接关系；而影响乘客发单意愿的因素有很多，例如，打车难易度、价格高低等。具体地，在乘客下单过程中，用户通常会先向平台发送行程信息，该行程信息包括行程的起点、终点等；如果乘客当前位置与行程的起点相同，乘客往往会在APP上查询当前位置附近的司机分布状况；如果附近的司机稀少、距离太远、或者附近司机都繁忙，乘客会认为打车较困难，发单的概率就会降低。另外，平台通常会根据乘客发送的行程信息(包括该行程起点和行程终点)为该乘客提供一个估算价格；如果乘客感觉该价格合理，则通常会下发订单，如果乘客感觉该价格太高或计费不合理，往往会降低用户的发单意愿；该用户可能会取消下发订单，转而采用其他较为低价的代驾平台发单，或者采用其他方式到达目的地；如果这样的用户过多，就不太利于代驾平台的用户活跃度和市场竞争力，进而影响平台的盈利。

上述因素中，价格通常是影响用户(由于本实施例技术方案不涉及司机，所以本实施例中的用户通常为乘客)发单意愿较为关键的因素，同时也是代驾平台市场营销过程十分重要但又难以确定的因素；因此，本发明实施例考虑通过价格因素提升用户的发单意愿，对于发单意愿较低的用户，以降价促销的方式刺激用户，从而提高该用户的发单概率。

基于此，本发明实施例提供了一种提升用户发单意愿的方法、装置和服务器，以对发单意愿较低的用户进行降价调整，尽量促使该用户发单，进而提高代驾平台的用户活跃度和市场竞争力，进而提高平台盈利。本申请具体通过下述实施例对此作详细说明。

实施例1

参见图2所示的一种提升用户发单意愿的方法的流程图；该方法可以应用于服务器，例如代驾平台服务器，该代驾平台服务器可以为主机服务器，由平台自身对这些服务器进行运维；代驾平台服务器还可以为云端服务器(可以为主机服务器，也可以为虚拟机)，由云服务提供商对服务器提供运维服务；代驾平台的软件系统、数据存储等功能均由云服务完成。上述方法具体包括如下步骤：

步骤S202，接收用户发送的行程信息；其中，该行程信息包括行程起点和行程终点；

用户在移动终端上下载该代驾平台的APP，并完成注册后，可以通过该APP发送上述行程信息；用户还可以通过第三方服务软件获取该代驾平台接口，通过该接口发送上述行程信息；通常，在用户打开APP或进入平台接口后，平台会主动获取该用户的实时位置，以便于知晓该用户的具体信息，方便后续给用户推荐路线、推荐司机等。

用户通过APP或平台接口上的界面输入上述行程信息；具体而言，对于上述行程起点，如果该行程起点与用户的当前位置相同，可以将移动终端的GPS(Global PositioningSystem，全球定位系统)功能获取到的定位信息作为该行程起点，也可以将从预先存储的地址库中选择行程起点，还可以由用户手动在地图上点击位置或以文字的形式输入行程起点。对于上述行程终点，由于通常与用户的当前位置关联不大，或者距离较远，则可以按照上述从预先存储的地址库中选择地址、用户手动在地图上点击位置或以文字的形式输入地址的方式确定行程终点。

当然，上述行程信息中还可以包含其他信息，例如，该用户的身份信息、账户信息、乘车人数、车辆类型(如专车、出租车、顺风车、私车代驾等)、车辆级别、代驾紧急程度、是否支付小费等中的一种或多种。

步骤S204，获取上述行程信息对应的特征数据；该特征数据包括用户的行程特征子数据，和/或，该行程信息对应的区域特征子数据；

该特征数据可以同时包括上述用户的行程特征子数据和该行程信息对应的区域特征子数据，也可以仅包括上述用户的行程特征子数据或该行程信息对应的区域特征子数据之一；具体而言，上述用户的行程特征子数据通常与用户或该用户的账户信息相关联，通常，该用户的行程特征子数据包括行程信息是否包含小费、用户的历史订单的价格和历史订单的发单概率中的一种或多种；其中，是否包含消费可以从该用户发送的行程信息中直接获得，历史订单的价格和历史订单的发单概率可以对该用户的账户下的历史订单进行统计，例如，将历史订单中所有价格的平均价格作为上述历史订单的价格，将该用户总的发单数量和行程信息发送数据的比值作为上述历史订单的发单概率。

上述区域特征子数据包括：行程起点、行程终点、用户当前所在位置的天气状况、当前所在位置对应的代驾司机的数量、当前所在位置与代驾司机的距离、行程起点和行程终点对应区域的历史订单的价格和历史订单的发单概率中的一种或多种。

其中，行程起点和行程终点可以从用户发送的行程信息中直接获得；用户当前所在位置的天气状况可以通过用户的移动终端获取用户的当前所在位置，再根据该当前所在位置查询实时气象平台获得；另外，平台还可以通过司机的移动终端获取各司机的当前所在位置，再统计距离用户的当前所在位置设定范围内的司机的数量，作为上述当前所在位置对应的代驾司机的数量；距离用户的当前所在位置设定范围内的司机的数量以及各司机的实时位置还可以显示在用户的移动终端上，供用户查看司机状况；通过用户的当前所在位置与实时各司机的当前所在位置，即可获得当前所在位置与代驾司机的距离。

对于上述行程起点和行程终点对应区域的历史订单的价格和历史订单的发单概率，具体可以根据行程起点和行程终点划定一个特定形状的区域，将行程起点或行程终点位于该区域内的历史订单(该历史订单不限定具体的用户，优选可以为与该区域相关的所有用户的历史订单)进行统计，将该历史订单中所有价格的平均价格作为上述行程起点和行程终点对应区域的历史订单的价格，将该历史订单所涉及用户的总发单数量和总行程信息发送数据的比值作为上述行程起点和行程终点对应区域的历史订单的发单概率。

上述特征数据中的用户的行程特征子数据和该行程信息对应的区域特征子数据，还可以通过另外一种方式进行划分；具体地，该特征数据包括基础特征、实时特征和历史特征；其中，基础特征包括行程起点、行程终点和行程信息是否包含消费；实时特征包括用户当前所在位置的天气状况、当前所在位置对应的代驾司机的数量、当前所在位置与代驾司机的距离；历史特征包括用户的历史订单的价格、历史订单的发单概率、行程起点和行程终点对应区域的历史订单的价格和历史订单的发单概率。

步骤S206，根据上述特征数据确定用户的发单概率；

上述列举了多种特征数据，可以理解，获得的特征数据种类越多，越有利于平台全面知晓该行程信息的相关信息，综合考虑多种特征有利于准确判断用户的发单概率。但该步骤中，利用的特征数据越多，可能随之带来较大的计算量，不利于计算实时性，可能后续会出现用户发送行程信息之后，很久才能获得价格下调信息的情况；另外，如果多种特征数据之间权重设置不合理，或者掺杂较多与用户发单概率关联性较小的特征数据，其计算获得发单概率准确率也会较低。因此，具体可以根据经验选择较为合理的特征数据的种类，并设置各特征数据之间的权重，从而可以预测出准确率较高的发单概率。

确定好特征数据后，具体可以通过下述两种方式确定用户的发单概率；方式一中，预先配置特征数据与发单概率的对应关系，该对应关系可以以关系式的方式呈现，也可以以表格的方式呈现；当获取到特征数据后，通过该关系式计算获得发单概率，也可以通过查询上述表格获得发单概率；方式二中，采集大量的样本数据，该样本数据包括每个或每组特征数据对应的发单行为(该发单行为具体可以为确定发单、取消发单或具体的发单概率)，通过这些样本数据训练搭建的概率预测模型，在训练过程中不断修改预测模型的结构、参数，进而获得最终的概率预测模型；当获取到特征数据后，将该特征数据输入至该概率预测模型，即可输出对应的发单概率。

另外，在根据特征数据确定用户的发单概率过程中，还可以根据每个特征数据与用户发单概率的关联程度，设置特征数据的处理顺序；例如，如果用户发送的行程信息中包含小费，说明该用户发单意愿强烈，甚至可以认为该用户会100％发单；因此，可以将行程信息是否包含小费这一子特征优先处理，如果识别出行程信息中包含小费，则可以直接为该用户设置较大的发单概率，无需再处理其他特征数据。

步骤S208，如果发单概率低于预设的概率阈值，生成行程信息对应的预估价的下调信息；

其中，该预设的概率阈值可以根据该代驾平台中，用户普遍的发单情况获得，如果平台中用户的发单数量较少，或当前时间段发单数量较少，则上述概率阈值的数值可以较大，如80％，以使更多用户获取到下调信息；而如果平台中用户的发单数量较大，或当前时间段发单数量较大，则上述概率阈值的数值可以较小，如40％，以使较少用户获取到下调信息。

上述行程信息对应的预估价通常为该行程信息对应的标准价格，例如，通过行程起点到达行程终点的路程长短、耗时、过路费等计算得到该预估价，通常与该用户或区域无关；该预估价可以在收到用户的行程信息后即可计算，也可以在发现用户的发单概率低于预设的概率阈值的时候才计算，即预估价的计算时机较为灵活，本实施例不做具体的限定。

步骤S210，向用户下发携带有下调信息的预估价提示信息，以提升用户的发单意愿。

上述下调信息具体可以为折扣信息，也可以直接为折后价格；上述携带有下调信息的预估价提示信息具体的形式可以有多种，以让用户知晓该行程订单有降价优惠为原则，从而提升用户的发单意愿；其中一种方式中，该携带有下调信息的预估价提示信息可以包含预估价，并告知用户该行程订单可以优惠打折，或告知具体的折扣信息；如“该行程预估价为100元，下单即可享受优惠”、“该行程预估价为100元，该行程下单即可享受九折优惠”等信息；该携带有下调信息的预估价提示信息还可以仅告知用户该行程订单可以优惠打折，或告知具体的折扣信息，如“该行程下单即可享受优惠”、“该行程下单即可享受九折优惠”等。

在另外一种方式中，该携带有下调信息的预估价提示信息可以包含预估价、折扣以及折后价的信息，以使用户明确知晓该行程可以节约多少费用，例如，向用户的移动终端发送“该行程下单预估价为100元，打九折，折后价为90元”的信息。

上述提升用户发单意愿的方法，接收到用户发送的行程信息后，获取该行程信息对应的特征数据；再根据该特征数据确定用户的发单概率；如果该发单概率低于预设的概率阈值，则生成行程信息对应的预估价的下调信息，并向用户下发携带有下调信息的预估价提示信息，从而提升用户的发单意愿。该方式中，根据用户的发单概率下调行程订单的价格，对发单意愿较低的用户进行降价，鼓励其发单，可以提高代驾平台的订单数量，从而有利于提高代驾平台的用户活跃度、市场占有率和平台盈利。

实施例2

本发明实施例还提供了另一种提升用户发单意愿的方法，该方法在上述方法基础上实现；该方法中重点描述预估价的生成方式；如图3所示，该方法包括如下步骤：

步骤S302，接收用户发送的行程信息；

步骤S304，根据预设的估价规则确定该行程信息对应的预估价；

如上述实施例中所述，行程信息对应的预估价的计算时机较为灵活，具体到本实施例中，该步骤S304可以在步骤S302之后，至步骤S312或步骤S316之前的任意时间点执行；例如，步骤S304可以在步骤S302之后执行，也可以与步骤S306、步骤S308和步骤S310中任意步骤同时执行，也可以穿插在相邻步骤之间执行。本实施例中，以步骤S304在步骤S302之后执行为例进行说明。

上述预设的估价规则可以为该代驾平台通用的估价规则，在实际实现时，可以预先为用户生成推荐路线，再基于该推荐路线生成上述预估价，具体的，上述根据预设的估价规则确定该行程信息对应的预估价的过程，可以通过下述步骤实现：

步骤(1)，根据行程起点和行程终点，生成至少一条推荐路线；

通常，如果行程起点和行程终点的距离较近，生成的推荐路线条数一般较少，甚至只有一条；如果行程起点和行程终点的距离较远，则可供用户选择的推荐路线条数较多。在推荐路线多于两条的情况下，在向用户展示推荐路线的同时，提供每条路线的特征信息，例如，长度、耗时、拥堵程度、过路费等，当然还包括每条路线的预估价，以供用户根据实际需求和个人喜好选择推荐路线。

步骤(2)，根据推荐路线的行程长度和预设的单位行程价格，确定行程信息对应的预估价。

上述预设的单位行程价格可以由平台统一设定，也可以根据用户选择的车型设定，例如，出租车每公里价格为10元，快车每公里价格为5元等。如果只有一条推荐路线，则可以将该推荐路线的行程长度乘以预设的单位行程价格，得到该行程信息对应的预估价；当然，该预估价中还可以包括适当的起步价等。

如果推荐路线为多条，根据每条推荐路线的行程长度计算平均行程长度；根据平均行程长度和预设的单位行程价格，确定行程信息对应的预估价。具体而言，可以先计算所有推荐路线的平均行程长度，该平均行程长度再乘以上述预设的单位行程价格，得到该行程信息对应的预估价。在另外一种方式中，如果推荐线路为多条，还可以为每条推荐线路计算预估价，再计算所有推荐线路的平均预估价，作为该行程信息对应的预估价。

通常，在实际线路允许的情况下，可以尽可能为用户推荐多条线路，一方面可以使上述预估价更加准确，另一方面可以供用户灵活选择，增加用户的平台体验度。

步骤S306，获取行程信息对应的特征数据；

步骤S308，根据特征数据确定用户的发单概率；

步骤S310，判断发单概率是否低于预设的概率阈值；如果是，执行步骤S312；如果否，执行步骤S316；

步骤S312，生成行程信息对应的预估价的下调信息；

步骤S314，向用户下发携带有下调信息的预估价提示信息，以提升用户的发单意愿；结束；

步骤S316，向用户下发行程信息对应的预估价；结束。

如果发单概率高于或等于预设的概率阈值，通常可以说明该用户的发单意愿较为强烈，此时则无需为该用户下调预估价，直接将根据估价规则确定的预估价下发给用户，以保证平台盈利。

上述方式中，通过生成一条或多条推荐路线，确定行程信息的预估价，从而可以为用户提供多样的行程路线，使用户可以灵活，便于用户出行，提高了用户的平台体验度。

实施例3

本发明实施例还提供了另一种提升用户发单意愿的方法，该方法在上述方法基础上实现；该方法中重点描述用户的发单概率的确定方式，具体地，该方法以通过机器学习方式确定发单概率为例进行说明；如图4所示，该方法包括如下步骤：

步骤S402，接收用户发送的行程信息；

步骤S404，根据预设的估价规则确定该行程信息对应的预估价；

步骤S406，获取行程信息对应的特征数据；

步骤S408，将特征数据输入预先建立的概率预测模型中，输出特征数据对应的用户的发单概率；该概率预测模型通过机器学习方式训练得到。

该步骤S408中的概率预测模型，具体可以通过下述方式训练获得：

步骤(1)，采集样本数据集；该样本数据集包括设定数量的样本特征数据和每个样本特征数据对应的发单概率；

在其中一种方式中，该样本数据集可以从该代价平台的历史数据中获取，具体而言，基于用户，先统计该代驾平台中每个用户的发单概率，该发单概率等于该用户的发单次数与该用户发送行程信息的次数的比值；再获取该用户的上述行程特征子数据，该行程特征子数据即为上述样本特征数据；基于区域，首先可以对待分析区域进行划分，得到多个单位区域；再统计行程起点或行程终端位于单位区域内的历史订单所属用户的发单概率，该发单概率等于所属用户的总发单次数与所属用户发送行程信息的总次数的比值；在获取该单位区域的上述区域特征子数据，该区域特征子数据即为上述样本特征数据。

在另外一种方式中，获取成功下发订单的历史订单对应用户的上述行程特征子数据，以及该历史订单对应区域的所述区域特征子数据，将这些行程特征子数据和区域特征子数据作为样本特征数据，这些样本特征数据对应的发单概率设置为1；获取仅发送行程信息，但没有发单的用户的所述上述行程特征子数据，以及该行程信息对应区域的所述区域特征子数据，将这些行程特征子数据和区域特征子数据作为样本特征数据，这些样本特征数据对应的发单概率设置为0。

步骤(2)，建立基础模型结构；该基础模型结构包括GBDT(Gradient BoostingDecision Tree，梯度提升决策树)模型、神经网络模型、随机森林模型和逻辑回归模型中的一种；

上述列举的基础模型结构均为常用的机器学习训练模型，训练结果稳定且效果较高，同时也易于实现。

步骤(3)，通过样本数据集对基础模型结构进行训练，得到概率预测模型。在训练过程中，样本数据集可以对基础模型结构的参数、结构等进行调整，以使训练获得的概率预测模型符合预测需求。

步骤S410，判断发单概率是否低于预设的概率阈值；如果是，执行步骤S412；如果否，执行步骤S416；

步骤S412，生成行程信息对应的预估价的下调信息；

步骤S414，向用户下发携带有下调信息的预估价提示信息，以提升用户的发单意愿；结束；

步骤S416，向用户下发行程信息对应的预估价；结束。

上述发单概率也可以称为预估发单转换率，上述概率预测模型也可以称为预估发单转换率模型。

上述方式中，通过机器学习的方式训练概率预测模型，并使用该概率预测模型根据用户的特征数据确定出该用户的发单概率，概率预测的准确性较高，同时操作简单易于实现。

实施例4

本发明实施例还提供了另一种提升用户发单意愿的方法，该方法在上述方法基础上实现；该方法中重点描述当用户的发单概率较低时，生成预估价的下调信息的过程；如图5所示，该方法包括如下步骤：

步骤S502，接收用户发送的行程信息；

步骤S504，根据预设的估价规则确定该行程信息对应的预估价；

步骤S506，获取行程信息对应的特征数据；

步骤S508，将特征数据输入预先建立的概率预测模型中，输出特征数据对应的用户的发单概率；该概率预测模型通过机器学习方式训练得到。

步骤S510，判断发单概率是否低于预设的概率阈值；如果是，执行步骤S512；如果否，执行步骤S518；

步骤S512，根据预先建立的发单概率和降价系数的对应关系，确定所述用户的发单概率对应的降价系数；

步骤S514，根据所述降价系数生成所述预估价的下调信息。

上述步骤中，该发单概率和降价系数的对应关系通常为线性或非线性的相关关系；该降价系数可以为折扣系数，也可以为减免额度；在上述对应关系中，发单概率越高，折扣系数越小，或者减免额度越大；例如，发单概率为40％，对应的降价系数为九折，或对应的减免额度为10元；发单概率为10％，对应的降价系数为八折，或对应的减免额度为20元等；该发单概率和降价系数的对应关系可以以表格的形式实现，也可以以公式的形式实现。

一种较为简单的下调信息的生成方式为：该下调信息为一个相对固定的标准，具体而言，只要该用户的发单概率低于预设的概率阈值，即可在预估价的基础上享受固定百分数的折扣，或减免固定的额度；例如，预先设置只要发单概率低于概率阈值的用户，此次行程可以享受九折优惠，并预设的概率阈值为60％；如果用户A的预估价为100，发单概率为45％；此时，则可以向用户下发包含九折优惠的下调信息；再如，预先设置只要发单概率低于概率阈值的用户，此次行程可以减免10元，并预设的概率阈值为60％；如果用户A的预估价为100，发单概率为15％；此时，则可以向用户下发包含减免10元的下调信息；当然，上述这种相对固定的标准还可以根据代价平台的用户活跃度或具体时段进行更新；上述这种方式与用户具体的发单概率无关，只要发单概率低于概率阈值，则采用固定的标准生成预估价的下调信息，这种方式计算简单，易于实现，且实时性较高。

下面具体描述两种发单概率和降价系数的对应关系的实现方式；方式一中，发单概率和降价系数呈比例关系；当降价系数为折扣系数时，该比例关系为正比关系，具体可以如图6中所示的函数关系实现，该函数关系的公式可以为y＝(1-m)x/n+m；其中，x为发单概率，y为降价系数；n为概率阈值，m为最低降价系数。由图6或者该公式可知，用户的发单概率x为0时，可获得最低降价系数m，如该m可以设置为0.8，即八折；当用户的发单概率x为n时，如该n可以设置为60％，降级系数为1，即不再为该用户的预估价降价，且当发单概率大于n时，降价系数均为1。当m值确定后，发单概率x可以取m到1之间的任意值；例如，m等于0.95时，发单概率x可以为0.95、0.96、0.97、0.98、0.99、1.00等。设置最低降价系数可以避免折扣过低导致平台亏损，保存盈利。上述n和m的具体取值可以根据代价平台的用户活跃度或具体时段灵活设置，在此不做限定。

当降价系数为减免额度时，该比例关系为反比关系，具体可以如图7中所示的函数关系实现，其中，x为发单概率，y为降价系数；n为概率阈值，k为最高降价系数，d为小于n且大于0的一个发单概率。由图7可知，用户的发单概率为0至d时，可获得最高降价系数k，如该k可以设置为8，即在预估价的基础上减免8元；当用户的发单概率为n时，如该n可以设置为60％，降级系数为0，即不再为该用户的预估价降价，且当发单概率大于n时，降价系数均为0。考虑到盈利的原因，设置上述d值，避免降价系数随着发单概率的减小一直增大，导致平台亏损。上述n和k的具体取值可以根据代价平台的用户活跃度或具体时段灵活设置，在此不做限定。

方式二中，每个概率区间分别配置有对应的降价系数；具体地，可以预先将发单概率划分为设定数量的概率区间，这些概率区间的宽度可以相同也可以不同；每个概率区间配置一个降价系数；当用户的发单概率确定，即可获得该发单概率所属的概率区间，将该概率区间配置的降价系数作为该用户的降价系数。下述表1为一个示例：

表1

发单概率P的概率区间	降价系数
		0≤P<0.1	折扣系数0.8或减免额度10
0.1≤P<0.3	折扣系数0.85或减免额度8
		0.3≤P<0.5	折扣系数0.9或减免额度6
0.5≤P<0.7	折扣系数0.95或减免额度4
		P≥0.7	折扣系数1或减免额度0

该表1中，降价系数具体为折扣系统还是减免额度可以根据代价平台实际需求设置，也可以随机选择；当用户的发单概率低于0.1时，可以享有最低的折扣系数或最高的减免额度；该表1中设置P＝0.7为概率阈值，当用户的发单概率等于或高于该概率阈值时，不享有折扣或减免额度为0。

基于上述所述，降价系数可以通过多种形式呈现，则根据降价系数生成预估价的下调信息的步骤，也可以通过下述方式中的一种或多种实现，下面分别描述：

方式一，将所述降价系数作为预估价的下调信息；

该方式中，下调信息中可以仅包含降价系数，如告知用户“当前行程可在预估价的基础上享受九折优惠”、“当前行程可在预估价的基础上减免十元”等；该下调信息中还可以同时包含预估价和降价系数，例如，告知用户“当前行程的预估价为200元，可在该预估价的基础上享受九折优惠”、“当前行程预估价为100元，可在预估价的基础上减免十元”等。

方式二，当降价系数包括折扣系数时，将该折扣系数乘以预估价得到的结果作为下调信息；

该方式中，为了使用户意识到此次行程的优惠力度，该下调信息中可以包含上述折扣系数乘以预估价得到的结果和预估价，例如，告知用户“当前行程的预估价为200元，折后价为180元”；当然还可以同时包含折扣系数，如告知用户“当前行程的预估价为200元，享有折扣为九折，折后价为180元”。

方式三，当降价系数包括减免额度时，将预估价减去该减免额度得到的结果作为下调信息。

该方式中，同样为了使用户意识到此次行程的优惠力度，该下调信息中可以包含上述预估价减去该减免额度得到的结果和预估价，例如，告知用户“当前行程的预估价为200元，减免后价为180元”；当然还可以同时包含减免额度，如告知用户“当前行程的预估价为200元，享有减免额度为20元，减免后价为180元”。

步骤S516，向用户下发携带有下调信息的预估价提示信息，以提升用户的发单意愿；结束；

步骤S518，向用户下发行程信息对应的预估价；结束。

上述方式中，通过发单概率和降价下调的对应关系获得用户的降价系数，进而生成形式多样的预估价下调信息；这样的降价促销方式具有一定的个性化，与每个用户的匹配程度较高，因而可以较为有效地提高用户的发单意愿。

实施例5

本发明实施例还提供了另一种提升用户发单意愿的方法，该方法在上述方法基础上实现；该方法中重点描述向用户下发预估价提示信息过程，以及用户下发订单或取消下发订单后，记录用户当次行为的过程；如图8所示，该方法包括如下步骤：

步骤S802，接收用户发送的行程信息；

步骤S804，根据预设的估价规则确定该行程信息对应的预估价；

步骤S806，获取行程信息对应的特征数据；

步骤S808，将特征数据输入预先建立的概率预测模型中，输出特征数据对应的用户的发单概率；该概率预测模型通过机器学习方式训练得到。

步骤S810，判断发单概率是否低于预设的概率阈值；如果是，执行步骤S812；如果否，执行步骤S820；

步骤S812，根据预先建立的发单概率和降价系数的对应关系，确定所述用户的发单概率对应的降价系数；

步骤S814，根据所述降价系数生成所述预估价的下调信息。

步骤S816，生成预估价提示信息，该预估价提示信息包括下调信息和预估价；

步骤S818，向用户下发该预估价提示信息；执行步骤S822；

例如，该预估价提示信息的具体形式可以为“此次行程的预估价为X元，折扣为Y折”，也可以为“此次行程的预估价为X元，折扣为Y折，折后价位M*Y元”。由于预估价提示信息中包括了下调信息和预估价，用户可以较为明显地感觉到此次行程发单具有优惠，进而提高用户的发单意愿。

步骤S820，向用户下发行程信息对应的预估价；

步骤S822，记录行程信息对应的用户的发单行为，根据发单行为更新用户的历史订单的价格和历史订单的发单概率；发单行为包括确定发单或取消发单。

当该次发单行为完成后，及时记录并更新用户的历史订单的价格和历史订单的发单概率，有利于全面掌握该用户的发单倾向；另外，更新后的数据也可以作为上述概率预测模型的样本数据对该模型进行训练，有利于提高模型预测的准确度。

需要说明的是，上述各方法实施例均采用递进的方式描述，每个实施方式重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

实施例6

对应于上述方法实施例，本实施例提供了一种提升用户发单意愿的装置，该装置设置于代驾平台服务器，如图9所示，该装置包括：

信息接收模块90，用于接收用户发送的行程信息；其中，行程信息包括行程起点和行程终点；

数据获取模块91，用于获取行程信息对应的特征数据；特征数据包括用户的行程特征子数据，和/或，行程信息对应的区域特征子数据；

概率确定模块92，用于根据特征数据确定用户的发单概率；

信息生成模块93，用于如果发单概率低于预设的概率阈值，生成行程信息对应的预估价的下调信息；

第一信息下发模块94，用于向用户下发携带有下调信息的预估价提示信息，以提升用户的发单意愿。

上述提升用户发单意愿的装置，接收到用户发送的行程信息后，获取该行程信息对应的特征数据；再根据该特征数据确定用户的发单概率；如果该发单概率低于预设的概率阈值，则生成行程信息对应的预估价的下调信息，并向用户下发携带有下调信息的预估价提示信息，从而提升用户的发单意愿。该方式中，根据用户的发单概率下调行程订单的价格，对发单意愿较低的用户进行降价，鼓励其发单，可以提高代驾平台的订单数量，从而有利于提高代驾平台的用户活跃度、市场占有率和平台盈利。

进一步地，上述装置还包括：预估价确定模块，用于根据预设的估价规则确定行程信息对应的预估价。

在具体实施时，上述预估价确定模块还用于：根据行程起点和行程终点，生成至少一条推荐路线；根据推荐路线的行程长度和预设的单位行程价格，确定行程信息对应的预估价。

在另一种实施方式中，上述预估价确定模块还用于：如果推荐路线为多条，根据每条推荐路线的行程长度计算平均行程长度；根据平均行程长度和预设的单位行程价格，确定行程信息对应的预估价。

在具体实施时，上述用户的行程特征子数据包括行程信息是否包含小费、用户的历史订单的价格和历史订单的发单概率中的一种或多种；上述区域特征子数据包括：行程起点、行程终点、用户当前所在位置的天气状况、当前所在位置对应的代驾司机的数量、当前所在位置与代驾司机的距离、行程起点和行程终点对应区域的历史订单的价格和历史订单的发单概率中的一种或多种。

在另一种实施方式中，上述概率确定模块还用于：将特征数据输入预先建立的概率预测模型中，输出特征数据对应的用户的发单概率；概率预测模型通过机器学习方式训练得到。

进一步地，上述概率预测模型具体通过下述方式训练获得：采集样本数据集；样本数据集包括设定数量的样本特征数据和每个样本特征数据对应的发单概率；建立基础模型结构；基础模型结构包括梯度提升决策树GBDT模型、神经网络模型、随机森林模型和逻辑回归模型中的一种；通过样本数据集对基础模型结构进行训练，得到概率预测模型。

在另一种实施方式中，上述信息生成模块还用于：根据预先建立的发单概率和降价系数的对应关系，确定用户的发单概率对应的降价系数；根据降价系数生成预估价的下调信息。

在具体实施时，上述单概率和降价系数的对应关系包括以下之一：发单概率和降价系数呈比例关系；或者，每个概率区间分别配置有对应的降价系数。

在另一种实施方式中，上述信息生成模块还用于实现下述中的一种或多种：将降价系数作为预估价的下调信息；当降价系数包括折扣系数时，将折扣系数乘以预估价得到的结果作为下调信息；当降价系数包括减免额度时，将预估价减去减免额度得到的结果作为下调信息。

在另一种实施方式中，上述第一信息下发模块还用于：生成预估价提示信息，预估价提示信息包括下调信息和预估价；向用户下发预估价提示信息。

进一步地，上述装置还包括：第二信息下发模块，用于如果发单概率高于或等于预设的概率阈值，向用户下发行程信息对应的预估价。

进一步地，上述装置还包括：记录模块，用于记录行程信息对应的用户的发单行为，根据发单行为更新用户的历史订单的价格和历史订单的发单概率；发单行为包括确定发单或取消发单。

本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

对应于上述提升用户发单意愿的方法和装置，本发明实施例提供了一种服务器，该服务器包括存储器以及处理器，存储器用于存储支持处理器执行前述任一项提升用户发单意愿的方法的程序，处理器被配置为用于执行存储器中存储的程序。

参见图10所示的一种服务器的结构示意图，具体包括处理器100，存储器101，总线102和通信接口103，处理器100、通信接口103和存储器101通过总线102连接；处理器100用于执行存储器101中存储的可执行模块，例如计算机程序。

其中，存储器101可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器101用于存储程序，处理器100在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器100中，或者由处理器100实现。

处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101，处理器100读取存储器101中的信息，结合其硬件完成上述方法的步骤。

本实施例提供的提升用户发单意愿的方法可以由上述服务器执行，亦或，本实施例提供的提升用户发单意愿的装置可以设置于上述服务器侧。

进一步，本实施例还提供了一种计算机存储介质，用于储存为前述任一项提升用户发单意愿的装置所用的计算机软件指令。

本发明实施例所提供的提升用户发单意愿的方法、装置、服务器和计算机可读介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种提升用户发单意愿的方法，其特征在于，所述方法应用于服务器，所述方法包括：

接收用户发送的行程信息；其中，所述行程信息包括所述行程起点和行程终点；

获取所述行程信息对应的特征数据；所述特征数据包括所述用户的行程特征子数据，和/或，所述行程信息对应的区域特征子数据；

根据所述特征数据确定所述用户的发单概率；

如果所述发单概率低于预设的概率阈值，生成所述行程信息对应的预估价的下调信息；

向所述用户下发携带有所述下调信息的预估价提示信息，以提升所述用户的发单意愿。

2.如权利要求1所述的方法，其特征在于，所述接收用户发送的行程信息的步骤之后，还包括：根据预设的估价规则确定所述行程信息对应的预估价。

3.如权利要求2所述的方法，其特征在于，所述根据预设的估价规则确定所述行程信息对应的预估价的步骤，包括：

根据所述行程起点和所述行程终点，生成至少一条推荐路线；

根据所述推荐路线的行程长度和预设的单位行程价格，确定所述行程信息对应的预估价。

4.如权利要求3所述的方法，其特征在于，根据所述推荐路线的行程长度和预设的单位行程价格，确定所述行程信息对应的预估价的步骤，包括：

如果所述推荐路线为多条，根据每条所述推荐路线的行程长度计算平均行程长度；

根据所述平均行程长度和预设的单位行程价格，确定所述行程信息对应的预估价。

5.如权利要求1所述的方法，其特征在于，所述用户的行程特征子数据包括所述行程信息是否包含小费、所述用户的历史订单的价格和历史订单的发单概率中的一种或多种；

所述区域特征子数据包括：所述行程起点、所述行程终点、所述用户当前所在位置的天气状况、所述当前所在位置对应的代驾司机的数量、所述当前所在位置与所述代驾司机的距离、所述行程起点和所述行程终点对应区域的历史订单的价格和历史订单的发单概率中的一种或多种。

6.如权利要求1所述的方法，其特征在于，所述根据所述特征数据确定所述用户的发单概率的步骤，包括：

将所述特征数据输入预先建立的概率预测模型中，输出所述特征数据对应的所述用户的发单概率；所述概率预测模型通过机器学习方式训练得到。

7.如权利要求6所述的方法，其特征在于，所述概率预测模型具体通过下述方式训练获得：

采集样本数据集；所述样本数据集包括设定数量的样本特征数据和每个所述样本特征数据对应的发单概率；

建立基础模型结构；所述基础模型结构包括梯度提升决策树GBDT模型、神经网络模型、随机森林模型和逻辑回归模型中的一种；

通过所述样本数据集对所述基础模型结构进行训练，得到所述概率预测模型。

8.如权利要求1所述的方法，其特征在于，生成所述行程信息对应的预估价的下调信息的步骤，包括：

根据预先建立的发单概率和降价系数的对应关系，确定所述用户的发单概率对应的降价系数；

根据所述降价系数生成所述预估价的下调信息。

9.如权利要求8所述的方法，其特征在于，所述发单概率和降价系数的对应关系包括以下之一：

所述发单概率和降价系数呈比例关系；

或者，每个概率区间分别配置有对应的降价系数。

10.如权利要求8所述的方法，其特征在于，根据所述降价系数生成所述预估价的下调信息的步骤，包括下述方式中的一种或多种：

将所述降价系数作为所述预估价的下调信息；

当降价系数包括折扣系数时，将所述折扣系数乘以所述预估价得到的结果作为下调信息；

当降价系数包括减免额度时，将所述预估价减去所述减免额度得到的结果作为下调信息。

11.如权利要求1所述的方法，其特征在于，向所述用户下发携带有所述下调信息的预估价提示信息的步骤，包括：

生成预估价提示信息，所述预估价提示信息包括所述下调信息和所述预估价；

向所述用户下发所述预估价提示信息。

12.如权利要求1所述的方法，其特征在于，所述方法还包括：

如果所述发单概率高于或等于所述预设的概率阈值，向所述用户下发所述行程信息对应的预估价。

13.如权利要求1所述的方法，其特征在于，所述方法还包括：

记录所述行程信息对应的用户的发单行为，根据所述发单行为更新所述用户的历史订单的价格和历史订单的发单概率；所述发单行为包括确定发单或取消发单。

14.一种提升用户发单意愿的装置，其特征在于，所述装置设置于服务器，所述装置包括：

信息接收模块，用于接收用户发送的行程信息；其中，所述行程信息包括所述行程起点和行程终点；

数据获取模块，用于获取所述行程信息对应的特征数据；所述特征数据包括所述用户的行程特征子数据，和/或，所述行程信息对应的区域特征子数据；

概率确定模块，用于根据所述特征数据确定所述用户的发单概率；

信息生成模块，用于如果所述发单概率低于预设的概率阈值，生成所述行程信息对应的预估价的下调信息；

第一信息下发模块，用于向所述用户下发携带有所述下调信息的预估价提示信息，以提升所述用户的发单意愿。

15.如权利要求14所述的装置，其特征在于，所述装置还包括：预估价确定模块，用于根据预设的估价规则确定所述行程信息对应的预估价。

16.如权利要求15所述的装置，其特征在于，所述预估价确定模块还用于：

17.如权利要求16所述的装置，其特征在于，所述预估价确定模块还用于：

18.如权利要求14所述的装置，其特征在于，所述用户的行程特征子数据包括所述行程信息是否包含小费、所述用户的历史订单的价格和历史订单的发单概率中的一种或多种；

19.如权利要求14所述的装置，其特征在于，所述概率确定模块还用于：

20.如权利要求19所述的装置，其特征在于，所述概率预测模型具体通过下述方式训练获得：

21.如权利要求14所述的装置，其特征在于，所述信息生成模块还用于：

根据所述降价系数生成所述预估价的下调信息。

22.如权利要求21所述的装置，其特征在于，所述发单概率和降价系数的对应关系包括以下之一：

所述发单概率和降价系数呈比例关系；

或者，每个概率区间分别配置有对应的降价系数。

23.如权利要求21所述的装置，其特征在于，所述信息生成模块还用于实现下述中的一种或多种：

将所述降价系数作为所述预估价的下调信息；

24.如权利要求14所述的装置，其特征在于，所述第一信息下发模块还用于：

向所述用户下发所述预估价提示信息。

25.如权利要求14所述的装置，其特征在于，所述装置还包括：第二信息下发模块，用于如果所述发单概率高于或等于所述预设的概率阈值，向所述用户下发所述行程信息对应的预估价。

26.如权利要求14所述的装置，其特征在于，所述装置还包括：记录模块，用于记录所述行程信息对应的用户的发单行为，根据所述发单行为更新所述用户的历史订单的价格和历史订单的发单概率；所述发单行为包括确定发单或取消发单。

27.一种服务器，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1～13任一所述的方法。

28.一种计算机存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1～13任一所述的方法。