CN111091401A - 一种网约车定价方法、系统、存储介质及设备 - Google Patents
一种网约车定价方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN111091401A CN111091401A CN201811239009.2A CN201811239009A CN111091401A CN 111091401 A CN111091401 A CN 111091401A CN 201811239009 A CN201811239009 A CN 201811239009A CN 111091401 A CN111091401 A CN 111091401A
- Authority
- CN
- China
- Prior art keywords
- pricing
- model
- renewal
- income
- network
- 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.)
- Pending
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种网约车定价方法、系统、存储介质及设备,其方法包括获取网约车的历史运营数据信息,并根据历史运营数据信息提取网约车续租因子;根据网约车续租因子建立续租预测模型、租赁公司收益变动模型和司机收益变动模型;根据网约车续租预测模型、租赁公司收益变动模型和司机收益变动模型确定网约车定价信息。本发明的网约车定价方法,根据租赁公司历史运营数据信息提取影响网约车续租的因子,并建立续租预测模型、租赁公司收益变动模型和司机收益变动模型,确定最优的定价信息,使得网约车的定价更加合理,在不增加运营成本的基础上,实现网约车司机和租赁公司共赢,降低了网约车租赁公司的运营风险,提高了司机租车意愿。
Description
技术领域
本发明涉及车辆租购技术领域,尤其涉及一种网约车定价方法、系统、存储介质及设备。
背景技术
新能源+人工智能是汽车行业未来发展的必然趋势,近年来得益于财税补贴政策的大力支持,我国新能源汽车已经连续4年超高速发展,但随着财政补贴退坡与双积分政策并行,虽然新能源汽车仍以政策推动为主,但是市场因素对新能源汽车的推动作用越来越大。
滴滴和美团掀起的网约车大战,将给补贴越来越少的新能源乘用车带来又一发展机遇,成为当前唯一明确的高频应用场景。大多网约车司机采取“以租代购”的方式,每个月向租赁公司支付固定月租来获得车辆使用权,但随着网约车市场竞争日渐激烈,司机奖励、补贴越来越低,一方面,部分司机难以承受高昂的月租而不再向租赁公司续租,这导致车辆闲置,租赁公司回本周期长、经营困难;另一方面,不同司机的行驶时长、里程存在差异,部分司机无法每天出车,但使用统一的固定月租明显存在不公平性,降低了司机的租车意愿。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种网约车定价方法、系统、存储介质及设备。
本发明解决上述技术问题的技术方案如下:一种网约车定价方法,包括如下步骤:
步骤1:获取网约车的历史运营数据信息,并根据所述历史运营数据信息提取网约车续租因子;
步骤2:根据所述网约车续租因子建立续租预测模型、租赁公司收益变动模型和司机收益变动模型;
步骤3:根据所述网约车续租预测模型、租赁公司收益变动模型和司机收益变动模型确定网约车定价信息。
本发明的有益效果是:本发明的网约车定价方法,根据租赁公司历史运营数据信息提取影响网约车续租的因子,并建立续租预测模型、租赁公司收益变动模型和司机收益变动模型,确定最优的定价信息,使得网约车的定价更加合理,在不增加运营成本的基础上,实现网约车司机和租赁公司共赢,降低了网约车租赁公司的运营风险,提高了司机租车意愿。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步:所述步骤1具体包括:
步骤11:获网约车的历史运营数据信息,并根据网约车次月是否续租将所述历史运营数据信息分为续租样本和非续租样本;
步骤12:对所述续租样本和非续租样本进行特征提取处理,得到网约车续租因子。
上述进一步方案的有益效果是:通过分析租赁公司历史运营数据信息,可对租赁公司运营情况进行全面了解;将运营数据信息分为两类,观察两类样本的分布差异,可初步确定哪些因素将影响司机续租意愿,最后通过特征工程进行特征构建、特征提取、特征选择,把原始样本转变为模型的训练样本,提升模型性能。
进一步:所述步骤2具体包括:
步骤21:分别对所述续租样本和非续租样本进行重采样,使得所述续租样本和非续租样本占比相等;
步骤22:将所述历史运营数据信息分为训练集和测试集,并采用不同分类预测模型进行预测,并将预测结果最优的所述分类预测模型作为续租预测模型;
步骤23:根据所述网约车续租因子和续租预测模型构建租赁公司收益变动模型和司机收益变动模型。
上述进一步方案的有益效果是:通过对所述续租样本和非续租样本进行重采样,使得两种样本达到平衡,便于分学习两类样本的信息,提高模型准确性;通过将所述历史运营数据信息划分为训练集和测试集,能够对模型的泛化能力进行评估,避免产生过拟合、欠拟合情况,并根据测试集表现进行参数调优和模型选择;确定续租预测模型,使模型从数据中主动寻求规律,验证规律,最得出结论,并随着样本量的增加自动纠正偏差,不断提升预测准确度。
进一步:所述步骤23具体包括:
步骤231:获取原月租模式下租赁公司收益模型和司机收益模型;
步骤232:根据所述网约车续租因子建立在新月租模式下租赁公司收益模型和司机收益模型;
233:根据原月租模式和新月租模式的租赁公司收益模型构建租赁公司收益变动模型,以及根据原月租模式和新月租模式的司机收益模型构建司机收益变动模型。
上述进一步方案的有益效果是:通过建立变动模型将租赁公司和司机收益变动情况进行具体化、量化,客观反映出因月租变动对公司和司机收益的影响程度。
进一步:所述步骤3具体包括:
步骤31:根据所述续租预测模型预测不同月租时对应的租车数量;
步骤32:根据不同月租时的租车数量和所述租赁公司收益变动模型计算租赁公司收益变动状况,并将租赁公司收益变动为正增长时对应的新月租作为初步月租定价;
步骤33:根据所述初步月租定价确定网约车定价信息。
上述进一步方案的有益效果是:通过预测不同月租时对应的租车数量,并根据不同月租时的租车数量和所述租赁公司收益变动模型计算租赁公司收益变动状况,观察不同月租下公司的收益变化情况,当收益变动为正增长时即可确定为初步月租定价。
进一步:所述步骤33具体包括:
步骤331:根据所述历史运营数据信息确定网约车运行参数中里程的分布情况,并根据所述里程的分布情况确定月最大行驶里程;
步骤332:计算所述初步月租定价与原月租的差值,并将所述差值与所述月最大行驶里程的比值作为所述初步月租定价对应的网约车每公里初步单价;
步骤333:根据所述初步月租定价和所述司机收益变动模型确定司机收益变动为正增长时的初步月租定价以及对应的每公里初步单价,并分别作为最优月租定价和最优每公里单价。
上述进一步方案的有益效果是:通过在确定了月租的基础上按月行驶里程的弹性计费,其收费标准根据司机行驶里程的分布情况确定,能够使公司和司机在不改变现有成本、运营习惯的基础上,收入得到增长,降低了租赁公司风险,同时提高司机租车意愿。
进一步:所述步骤331中,所述根据所述历史运营数据信息确定网约车运行参数中里程的分布情况具体包括:
步骤3311:根据所述历史运营数据信息对所述网约车运行参数中里程进行估计,得到里程均值和方差的估计值;
步骤3312:根据所述里程的均值和方差的估计值确定网约车里程的分布情况。
上述进一步方案的有益效果是:对司机行驶里程进行估计,估计其分布,可以对司机行驶情况有全面客观的了解,以对每公里浮动费用进行合理定价。
本发明还提供了一种网约车定价系统,包括:
续租因子提取模块,用于获取网约车的历史运营数据信息,并根据所述历史运营数据信息提取网约车续租因子;
模型构建模块,用于根据所述网约车续租因子建立续租预测模型、租赁公司收益变动模型和司机收益变动模型;
定价信息确定模块,用于根据所述网约车续租预测模型、租赁公司收益变动模型和司机收益变动模型确定网约车定价信息。
本发明的网约车定价系统,根据租赁公司历史运营数据信息提取影响网约车续租的因子,并建立续租预测模型,确定最优的定价信息,使得网约车的定价更加合理,在不增加运营成本的基础上,实现网约车司机和租赁公司共赢,降低了网约车租赁公司的运营风险,提高了司机租车意愿。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现所述的网约车定价方法。
本发明还提供了一种网约车定价系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的网约车定价方法的步骤。
附图说明
图1为本发明的网约车定价方法流程示意图;
图2为本发明的网约车日均行驶里程分布示意图;
图3为本发明的网约车续租预测模型的混淆矩阵示意图
图4为本发明的网约车续租数量预测示意图;
图5为本发明的网约车定价系统结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种网约车定价方法,包括如下步骤:
步骤1:获取网约车的历史运营数据信息,并根据所述历史运营数据信息提取网约车续租因子;
步骤2:根据所述网约车续租因子建立续租预测模型、租赁公司收益变动模型和司机收益变动模型;
步骤3:根据所述网约车续租预测模型、租赁公司收益变动模型和司机收益变动模型确定网约车定价信息。
本发明的网约车定价方法,根据租赁公司历史运营数据信息提取影响网约车续租的因子,并建立续租预测模型、租赁公司收益变动模型和司机收益变动模型,确定最优的定价信息,使得网约车的定价更加合理,在不增加运营成本的基础上,实现网约车司机和租赁公司共赢,降低了网约车租赁公司的运营风险,提高了司机租车意愿。
本发明提供的实施例中,所述步骤1具体包括:
步骤11:获网约车的历史运营数据信息,并根据网约车次月是否续租将所述历史运营数据信息分为续租样本和非续租样本(实际中,0代表续租样本,1代表非续租样本);
步骤12:对所述续租样本和非续租样本进行特征提取处理,得到网约车续租因子。
通过分析租赁公司历史运营数据信息,可对租赁公司运营情况进行全面了解;将运营数据信息分为两类,观察两类样本的分布差异,可初步确定哪些因素将影响司机续租意愿,最后通过特征工程进行特征构建、特征提取、特征选择,把原始样本转变为模型的训练样本,提升模型性能。
本发明的实施例中,所述租赁公司历史运营数据信息包括历史月租、空置率(对应租车数量)以及司机历史运营数据;所述司机历史运营数据包括但不限于服务数据、时长里程分析和司机订单流水等,具体为:
服务数据:包括但不限于服务分、投诉数、差评数、司机取消单数、乘客取消单数、低星占比、5星占比和档位等;
时长里程分析数据:包括但不限于月租、每公里单价、日均里程(与月行驶里程对应)、在线时长、服务时长、计费时长、出车里程和订单里程等;
司机订单流水数据:包括但不限于完成订单量、支付订单量、完成流水、支付流水、单均完成流水、单均支付流水、月收入和司机听到有效指派订单量等。
本实施例中,通过数据分析,结合现有技术中的特征提取处理,对影响司机收入的因素进行了分析,发现月租、每公里单价、日均里程(与月行驶里程对应)和月收入等对司机下月是否续租有显著影响。
本发明提供的实施例中,所述步骤2具体包括:
步骤21:分别对所述续租样本和非续租样本进行重采样,使得所述续租样本和非续租样本占比相等;
本实施例中,所述续租样本和非续租样本比例约为4:1,这会使模型在学习时因为提高准确性而更倾向于将样本分为占比更大的类,本例选择用SMOTE将对负样本进行过采样,使正负样本比例基本达到1:1。
步骤22:将所述历史运营数据信息分为训练集和测试集,并采用不同分类预测模型进行预测,并将预测结果最优的所述分类预测模型作为续租预测模型;
本实施例中,将所述历史运营数据信息按7:3的比例划分为训练集和测试集。这里,所述分类预测模型包括现有的逻辑回归、支持向量机、决策树等模型。通过预测后分析得到的混淆矩阵可知,逻辑回归模型在测试集上的预测效果最佳(包括预测精度、召回值、f1值和支持度),如图3所示,因此,本实施例中选择逻辑回归模型作为续租预测模型。
步骤23:根据所述网约车续租因子和续租预测模型构建租赁公司收益变动模型和司机收益变动模型。
通过对所述续租样本和非续租样本进行重采样,使得两种样本达到平衡,便于分学习两类样本的信息,提高模型准确性;通过将所述历史运营数据信息划分为训练集和测试集,能够对模型的泛化能力进行评估,避免产生过拟合、欠拟合情况,并根据测试集表现进行参数调优和模型选择;确定续租预测模型,使模型从数据中主动寻求规律,验证规律,最得出结论,并随着样本量的增加自动纠正偏差,不断提升预测准确度。
本发明提供的实施例中,所述步骤23具体包括:
步骤231:获取原月租模式下租赁公司收益模型和司机收益模型;
租赁公司在原月租下收益模型为:原月租*原月租水平下的租车数-购车成本,网约车司机在原月租下收益模型为:原月租模式下的月收入-原月租;
步骤232:根据所述网约车续租因子建立在新月租模式下租赁公司收益模型和司机收益模型;
租赁公司在新月租模式下收益模型为:新月租*新月租水平下的租车数+每公里单价*月行驶里程-购车成本,网约车司机在新月租模式下收益模型为:新月租模式下月收入-新月租-每公里单价*月行驶里程;
233:根据原月租模式和新月租模式的租赁公司收益模型构建租赁公司收益变动模型,以及根据原月租模式和新月租模式的司机收益模型构建司机收益变动模型;
在购车数量不变的情况下,购车成本相等,基于此构建租赁公司收益变动模型,租赁公司收益变动模型为:原月租*原月租水平下的租车数-新月租*新月租水平下的租车数+每公里单价*月行驶里程;在收入、行驶里程不变的情况下,建立网约车司机收益变动模型,网约车司机收益变动模型为:新月租模式下月收入-新月租-每公里单价*月行驶里程-原月租模式下的月收入+原月租。
通过建立变动模型将租赁公司和司机收益变动情况进行具体化、量化,客观反映出因月租变动对公司和司机收益的影响程度。
本发明提供的实施例中,所述步骤3具体包括:
步骤31:根据所述续租预测模型预测不同月租时对应的租车数量;
本实施例中,将某年度六月份的历史运营数据信息作为样本进行预测,其预测结果如图4所示。
步骤32:根据不同月租时的租车数量和所述租赁公司收益变动模型计算租赁公司收益变动状况,并将租赁公司收益变动为正增长时对应的新月租作为初步月租定价;
本实施例中,月租在2900-3400,3800-3900时,租赁公司收益变动为正增长。
步骤33:根据所述初步月租定价确定网约车定价信息。
通过预测不同月租时对应的租车数量,并根据不同月租时的租车数量和所述租赁公司收益变动模型计算租赁公司收益变动状况,观察不同月租下公司的收益变化情况,当收益变动为正增长时即可确定为初步月租定价。
优选地,本发明提供的实施例中,所述步骤33具体包括:
步骤331:根据所述历史运营数据信息确定网约车运行参数中里程的分布情况,并根据所述里程的分布情况确定月最大行驶里程;
本实施例中,将里程的95百分位数作为月最大行驶里程;根据6月份的历史运营数据可得,其95百分位数约为300公里。
步骤332:计算所述初步月租定价与原月租的差值,并将所述差值与所述月最大行驶里程的比值作为所述初步月租定价对应的网约车每公里初步单价,计算公式为:
每公里单价=(原月租-新月租)/月最大行驶里程
在本例中,根据步骤32所述最优月租,月最大行驶里程为300*30=9000,可确定每公里单价如表1所示:
表1
月租 | 每公里单价 |
2900 | 0.12 |
3000 | 0.11 |
3100 | 0.1 |
3200 | 0.09 |
3300 | 0.08 |
3400 | 0.07 |
3800 | 0.02 |
3900 | 0.01 |
步骤333:根据所述初步月租定价和所述司机收益变动模型确定司机收益变动为正增长时的初步月租定价以及对应的每公里初步单价,并分别作为最优月租定价和最优每公里单价;月租在2900-3400,3800-3900时,司机收益变动为正增长。
通过在确定了月租的基础上按行驶里程的弹性计费,其收费标准根据司机行驶里程的分布情况确定,能够使公司和司机在不改变现有成本、运营习惯的基础上,收入得到增长,降低了租赁公司风险,同时提高司机租车意愿。
优选地,本发明提供的实施例中,所述步骤331中,所述根据所述历史运营数据信息确定网约车运行参数中里程区间的分布情况具体包括:
步骤3311:根据所述历史运营数据信息对所述网约车运行参数中里程进行估计,得到里程均值和方差的估计值;
以某地区200位滴滴司机1-6月份运营数据为例:
其次,对均值区间进行估计,在置信水平1-α,总体均值μmile的置信区间为:
其中,置信度为1-α,为司机日行驶里程样本均值,n为样本量,本实施例中等于200,σmile为司机日行驶里程样本标准差,为正态分布的水平α的分位数,则置信水平0.95上,μmile的置信区间为:(162.45,199.62);
最后,对里程均值和方差进行点估计,对200位司机的日行驶里程进行100次有放回重复抽样,每次抽取样本数为50,则:
μmile=197.65
步骤3312:根据所述里程的均值和方差的估计值确定网约车运行参数的分布情况,其中:
Xmile~N(197.65,1823.29),Xmile≥0
对司机日行驶里程进行估计,估计其分布,可以对司机行驶情况有全面客观的了解,以对每公里浮动费用进行合理定价。
其分布情况如图2所示,根据统计结果可看出,司机日均里程大概分布在100-300之间。对司机日行驶里程进行点估计、区间估计其分布,可以对司机行驶情况有全面客观的了解,以对每公里浮动费用进行合理定价。
如图5所示,本发明还提供了一种网约车定价系统,包括:
续租因子提取模块,用于获取网约车的历史运营数据信息,并根据所述历史运营数据信息提取网约车续租因子;
模型构建模块,用于根据所述网约车续租因子建立续租预测模型、租赁公司收益变动模型和司机收益变动模型;
定价信息确定模块,用于根据所述网约车续租预测模型、租赁公司收益变动模型和司机收益变动模型确定网约车定价信息。
本发明的网约车定价系统,根据租赁公司历史运营数据信息提取影响网约车续租的因子,并建立续租预测模型,确定最优的定价信息,使得网约车的定价更加合理,在不增加运营成本的基础上,实现网约车司机和租赁公司共赢,降低了网约车租赁公司的运营风险,提高了司机租车意愿。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现所述的网约车定价方法。
本发明还提供了一种网约车定价系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的网约车定价方法的步骤。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种网约车定价方法,其特征在于,包括如下步骤:
步骤1:获取网约车的历史运营数据信息,并根据所述历史运营数据信息提取网约车续租因子;
步骤2:根据所述网约车续租因子建立续租预测模型、租赁公司收益变动模型和司机收益变动模型;
步骤3:根据所述网约车续租预测模型、租赁公司收益变动模型和司机收益变动模型确定网约车定价信息。
2.根据权利要求1所述的网约车定价方法,其特征在于,所述步骤1具体包括:
步骤11:获网约车的历史运营数据信息,并根据网约车次月是否续租将所述历史运营数据信息分为续租样本和非续租样本;
步骤12:对所述续租样本和非续租样本进行特征提取处理,得到网约车续租因子。
3.根据权利要求1所述的网约车定价方法,其特征在于,所述步骤2具体包括:
步骤21:分别对所述续租样本和非续租样本进行重采样,使得所述续租样本和非续租样本占比相等;
步骤22:将所述历史运营数据信息分为训练集和测试集,并采用不同分类预测模型进行预测,并将预测结果最优的所述分类预测模型作为续租预测模型;
步骤23:根据所述网约车续租因子和续租预测模型构建租赁公司收益变动模型和司机收益变动模型。
4.根据权利要求3所述的网约车定价方法,其特征在于,所述步骤23具体包括:
步骤231:获取原月租模式下租赁公司收益模型和司机收益模型;
步骤232:根据所述网约车续租因子建立在新月租模式下租赁公司收益模型和司机收益模型;
233:根据原月租模式和新月租模式的租赁公司收益模型构建租赁公司收益变动模型,以及根据原月租模式和新月租模式的司机收益模型构建司机收益变动模型。
5.根据权利要求4所述的网约车定价方法,其特征在于:所述步骤3具体包括:
步骤31:根据所述续租预测模型预测不同月租时对应的租车数量;
步骤32:根据不同月租时的租车数量和所述租赁公司收益变动模型计算租赁公司收益变动状况,并将租赁公司收益变动为正增长时对应的新月租作为初步月租定价;
步骤33:根据所述初步月租定价确定网约车定价信息。
6.根据权利要求5所述的网约车定价方法,其特征在于:所述步骤33具体包括:
步骤331:根据所述历史运营数据信息确定网约车运行参数中里程的分布情况,并根据所述里程的分布情况确定月最大行驶里程;
步骤332:计算所述初步月租定价与原月租的差值,并将所述差值与所述月最大行驶里程的比值作为所述初步月租定价对应的网约车每公里初步单价;
步骤333:根据所述初步月租定价和所述司机收益变动模型确定司机收益变动为正增长时的初步月租定价以及对应的每公里初步单价,并分别作为最优月租定价和最优每公里单价。
7.根据权利要求6所述的网约车定价方法,其特征在于,所述步骤331中,所述根据所述历史运营数据信息确定网约车运行参数中里程的分布情况具体包括:
步骤3311:根据所述历史运营数据信息对所述网约车运行参数中里程进行估计,得到里程均值和方差的估计值;
步骤3312:根据所述里程的均值和方差的估计值确定网约车里程的分布情况。
8.一种网约车定价系统,其特征在于,包括:
续租因子提取模块,用于获取网约车的历史运营数据信息,并根据所述历史运营数据信息提取网约车续租因子;
模型构建模块,用于根据所述网约车续租因子建立续租预测模型、租赁公司收益模型和司机收益模型;
定价信息确定模块,用于根据所述网约车续租预测模型、租赁公司收益模型和司机收益模型确定网约车定价信息。
9.一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,实现权利要求1-7任一项所述的网约车定价方法。
10.一种网约车定价系统,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的网约车定价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811239009.2A CN111091401A (zh) | 2018-10-23 | 2018-10-23 | 一种网约车定价方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811239009.2A CN111091401A (zh) | 2018-10-23 | 2018-10-23 | 一种网约车定价方法、系统、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091401A true CN111091401A (zh) | 2020-05-01 |
Family
ID=70391666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811239009.2A Pending CN111091401A (zh) | 2018-10-23 | 2018-10-23 | 一种网约车定价方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091401A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815139A (zh) * | 2020-06-29 | 2020-10-23 | 北京汽车集团越野车有限公司 | 一种产品配置方法、系统、终端和计算机可读存储介质 |
CN112561124A (zh) * | 2020-11-19 | 2021-03-26 | 联通智网科技有限公司 | 租车费用预测方法、装置和设备 |
US20210295458A1 (en) * | 2020-03-19 | 2021-09-23 | Marquis Founders LLC | System and method for online property rental listings with automated pricing and income adjustments and a graphical user interface |
-
2018
- 2018-10-23 CN CN201811239009.2A patent/CN111091401A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210295458A1 (en) * | 2020-03-19 | 2021-09-23 | Marquis Founders LLC | System and method for online property rental listings with automated pricing and income adjustments and a graphical user interface |
CN111815139A (zh) * | 2020-06-29 | 2020-10-23 | 北京汽车集团越野车有限公司 | 一种产品配置方法、系统、终端和计算机可读存储介质 |
CN112561124A (zh) * | 2020-11-19 | 2021-03-26 | 联通智网科技有限公司 | 租车费用预测方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091401A (zh) | 一种网约车定价方法、系统、存储介质及设备 | |
De Borger et al. | The determinants of fuel use in the trucking industry—volume, fleet characteristics and the rebound effect | |
CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
CN106649709B (zh) | 一种基于数据挖掘的车辆停留行为模式预测与评估方法 | |
US10410227B2 (en) | System, method, and computer program for forecasting residual values of a durable good over time | |
US20150213519A1 (en) | Method and device for determining vehicle condition based on non-operational factors | |
DE102015103403A1 (de) | Verfahren und Vorrichtung eines Benutzerempfehlungssystems für Fahrzeug-Apps | |
CN112288334B (zh) | 一种基于lightgbm的车联网风险因子的提取方法 | |
CN109816409A (zh) | 一种二手车定价方法、装置、设备及计算机可读介质 | |
CN111242680A (zh) | 一种基于机器学习算法的二手车估值方法与系统 | |
CN111932096A (zh) | 一种二手车价值评估方法 | |
CN112101721A (zh) | 一种风险评估方法及装置 | |
CN109784586B (zh) | 车险的出险情况的预测方法及系统 | |
Mohammadian et al. | Modeling household vehicle transaction behavior: competing risk duration approach | |
CN116887192A (zh) | 一种基于共享载具的车载无线定位器管理系统、方法 | |
CN109191157B (zh) | 一种车辆使用管理方法、服务器及计算机可读存储介质 | |
CN115099986A (zh) | 车险续保的处理方法、装置及相关设备 | |
CN114881676A (zh) | 一种新产品销量的预测方法 | |
CN117372101A (zh) | 基于多维度影响因子的二手车自动化评价方法及定价方法 | |
CN110659754A (zh) | 车辆信息确定方法和装置 | |
CN112561124A (zh) | 租车费用预测方法、装置和设备 | |
CN113762621A (zh) | 网约车司机离职预测方法及系统 | |
EP4190659A1 (en) | Method and system for determining a state change | |
Ehrich | Big Data as Enabler for Customer-Oriented Automotive Development | |
Ifthikar et al. | Valuation of Used Vehicles: A Computational Intelligence Approach |
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 |