CN111105284B - 订单处理方法、装置、m层订单处理模型、电子设备及储存介质 - Google Patents
订单处理方法、装置、m层订单处理模型、电子设备及储存介质 Download PDFInfo
- Publication number
- CN111105284B CN111105284B CN201811272403.6A CN201811272403A CN111105284B CN 111105284 B CN111105284 B CN 111105284B CN 201811272403 A CN201811272403 A CN 201811272403A CN 111105284 B CN111105284 B CN 111105284B
- Authority
- CN
- China
- Prior art keywords
- order
- service
- layer
- order processing
- processing model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 263
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 158
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种订单处理方法、装置、M层订单处理模型、电子设备及储存介质,涉及互联网技术领域。方法包括:获得请求服务的订单;根据请求服务的订单,获取与请求服务的订单相关的至少一类特征;将至少一类特征输入M层订单处理模型进行计算,获得确定请求服务的订单是否为异常订单的计算结果。由于M层订单处理模型中第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,故将与请求服务的订单相关的至少一类特征输入到每层准确度依次提高的M层订单处理模型进行计算,就可以更加准确的判定请求服务的订单为正常还是异常订单,因此提高对异常订单的拦截准确率,以保证用户的投诉均能够得到处理,提示了用户的体验。
Description
技术领域
本申请涉及互联网技术领域,具体而言,涉及一种订单处理方法、装置、M层订单处理模型、电子设备及储存介质。
背景技术
随着网约载具的大规模应用,网约载具每天会产生大量的订单,并也伴随着大量的用户投诉。针对这些用户投诉,希望可以及时拦截这些产生用户投诉的异常订单,以及时获知并处理这些用户的投诉。
但目前,对订单的拦截大多采用决策树、逻辑回归等较简单的模型,这些模型虽然能够拦截下一些异常订单,但也会漏掉很大一部分异常订单,这就导致这些用户的投诉无法被处理,使得用户的体验很差。
发明内容
本申请在于提供一种订单处理方法、装置、M层订单处理模型、电子设备及储存介质,以有效提高对异常订单的拦截准确率,以保证用户的投诉均能够得到处理,提示了用户的体验。
第一方面,本申请实施例提供了一种订单处理方法,所述方法包括:获得请求服务的订单;根据所述请求服务的订单,获取与所述请求服务的订单相关的至少一类特征;将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果,其中,所述M层订单处理模型中,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,i取1至M-1的整数,M为大于1的整数。
本申请实施例中,由于M层订单处理模型中第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,故将与请求服务的订单相关的至少一类特征输入到每层准确度依次提高的M层订单处理模型进行计算,就可以更加准确的判定请求服务的订单为正常还是异常订单,因此提高对异常订单的拦截准确率,以保证用户的投诉均能够得到处理,提示了用户的体验。
在一些实施例中,所述至少一类特征包括:服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据,所述将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果,包括:调用M层订单处理模型,将所述服务提供端和服务请求端的通话记录数据、所述订单距离耗时数据、所述服务提供端的特征位置数据和所述服务提供端的服务数据输入所述M层订单处理模型进行计算;获得所述M层订单处理模型中任一层订单处理模型输出的确定所述请求服务的订单是否为异常订单的计算结果。
在本申请实施例中,由于至少一类特征包括:服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据基本全面涵盖了网约载具服务过程中的各方面的数据,因此,将服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据输入到M层订单处理模型进行计算,通过数据的全面性,则可以得到更准确的计算结果。
在一些实施例中,所述根据所述请求服务的订单,获取与所述请求服务的订单相关的至少一类特征,包括:根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的各时间节点,根据所述各时间节点从所述服务器中确定出服务提供端和服务请求端的通话记录数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的各类距离,并根据所述各类距离和所述各时间节点确定所述订单的距离耗时数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的所述服务提供端的在第一预设时间段内所述服务提供端的服务数据。
在本申请实施例中,由于获得的服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据是通过将服务器初步获得的数据进行处理而得到的数据,故将这些由初步获得的数据进行处理而得到的服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据输入到M层订单处理模型进行计算,可以得到更准确的计算结果。
在一些实施例中,所述根据所述请求服务的订单,从所述服务器中获取所述请求服务的订单的各类距离和各时间节点,并根据所述各类距离和所述各时间节点确定所述订单距离耗时数据,包括:根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的包含:实际移动距离、预估路面距离和距出发地路面距离的各类距离;根据所述实际移动距离、所述预估路面距离和所述距出发地路面距离,以及根据包含:抢单时间、发单时间、到达时间、开始计费时间、结束计费时间和结束计费时间的所述各时间节点,确定包含:所述实际移动距离/所述预估路面距离、实际移动距离、预估路面距离、距出发地路面距离、抢单耗时、接驾耗时、等待服务请求端的耗时、移动计费耗时和订单总耗时的所述订单距离耗时数据。
在本申请实施例中,由于各类距离所包括的距离种类基本涵盖了网约载具服务过程中可以用到的距离类型,也由于各时间节点所包括的时间节点也基本涵盖了网约载具服务过程中可以用到的时间节点,那么通过各类距离和各时间节点来计算出订单距离耗时数据,使得订单距离耗时数据与网约载具服务过程中的各种距离和各种时间密切相关,因此,将该订单距离耗时数据输入到M层订单处理模型进行计算,可以得到更准确的计算结果。
在一些实施例中,所述根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据,包括:根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹,以及从所述服务器中获取所述请求服务的订单的多个特征位置;在包含所述各时间节点中每个时间节点的第二预设时间段内时,确定所述移动轨迹中与所述多个特征位置中每个特征位置距离最近的每个位置,共获得多个位置;根据所述多个位置和所述各类距离,确定所述服务提供端的特征位置数据。
在本申请实施例中,由于可以确定出与每个特征位置距离最近的所述服务提供端的每个位置,故将基于所述服务提供端的每个位置判断该服务提供端的是否在正确的时间出现在正确的位置来作为M层订单处理模型计算订单是否异常的因素,使得对判断订单是否异常的因素考虑更为全面,提高了判断的准确度。
在一些实施例中,所述根据所述多个位置和所述各类距离,确定所述服务提供端的特征位置数据,包括:根据所述多个位置包括:结束计费与离出发点最近轨迹点路面距离、抢单与离出发点最近轨迹点路面距离、到达与离出发点最近轨迹点路面距离和开始计费与离出发点最近轨迹点路面距离,以及根据所述距出发地路面距离,确定出包含:所述结束计费与离出发点最近轨迹点路面距离/所述距出发地路面距离、所述抢单与离出发点最近轨迹点路面距离/所述距出发地路面距离、所述到达与离出发点最近轨迹点路面距离/所述距出发地路面距离和所述开始计费与离出发点最近轨迹点路面距离/所述距出发地路面距离。
在本申请实施例中,由于所述服务提供端的每个位置所包括的位置种类基本涵盖了网约载具服务过程中可以用到的位置,也由于各类距离所包括的距离种类基本涵盖了网约载具服务过程中可以用到的距离类型,那么通过所述服务提供端的每个位置和各类距离来计算出服务提供端的特征位置数据,使得服务提供端的特征位置数据涵盖了服务提供端的所有位置,因此,将该服务提供端的特征位置数据输入到M层订单处理模型进行计算,可以得到更准确的计算结果。
在一些实施例中,在所述获得请求服务的订单之前,所述方法还包括:获得第三预设时间段内累计获得的服务订单样本集;根据所述服务订单样本集,获得所述服务订单样本集相关的至少一类训练特征的样本集;通过所述至少一类训练特征的样本集对M层神经网络进行训练,得到所述M层订单处理模型。
在本申请实施例中,通过服务订单样本集来对M层神经网络进行训练时,由于服务订单样本集是在第三预设时间段内累计获得的大量的数据,故能够使得对M层神经网络的训练更为完善,使得训练出来的M层订单处理模型更具有准确度。
第二方面,本申请实施例提供了一种订单处理方法,应用于M层订单处理模型,所述方法包括:所述M层订单处理模型中的第i层订单处理模型获得与所述请求服务的订单相关的至少一类特征,基于对应第i层的计算规则对所述至少一类特征进行计算,根据计算出所述请求服务的订单为正常订单的计算结果,将所述至少一类特征输入到所述M层订单处理模型中的第i+1层订单处理模型,其中,i取1至M-1的整数,M为大于1的整数,所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度;所述M层订单处理模型中的第M层订单处理模型获得所述至少一类特征,基于对应第M层的计算规则对所述至少一类特征进行计算,输出所述请求服务的订单为正常订单或为异常订单的计算结果。
在本申请实施例中,由于每层订单处理模型在无法确定请求服务的订单为异常时,每层订单处理模型都可以将至少一类特征输入到准确度更到的相邻的下一层订单处理模型进行计算。基于这种机制,那么可以由直至有某一层订单处理模型确定该订单为异常,或由准确度最高的第M层订单处理模型输出正常或异常的结果,都使得对该请求服务的订单是否异常确定的非常准确,因此提高对异常订单的拦截准确率,以保证用户的投诉均能够得到处理,提示了用户的体验。
在一些实施例中,所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度表示:所述第i+1层的计算规则与所述第i层的计算规则在用于计算的特征数量、确定异常所需的特征数量和对每个特征是否异常的判断门限值上至少部分不相同。
在本申请实施例中,由于第i+1层的计算规则与第i层的计算规则在用于计算的特征数量、确定异常所需的特征数量和对每个特征是否异常的判断门限值上至少部分不相同,那么相较于第i层订单处理模型,使得第i+1层订单处理模型对特征的判断更加苛刻,故更精准的实现了第i+1层订单处理模型相较于第i层订单处理模型能够具备更高的计算准确度。
第三方面,本申请实施例提供了一种订单处理装置,所述装置包括:订单获得模块,用于获得请求服务的订单。特征提取模块,用于根据所述请求服务的订单,获取与所述请求服务的订单相关的至少一类特征。异常确定模块,用于将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果,其中,所述M层订单处理模型中,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,i取1至M-1的整数,M为大于1的整数。
在一些实施例中,所述至少一类特征包括:服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据,所述异常确定模块,还用于调用M层订单处理模型,将所述服务提供端和服务请求端的通话记录数据、所述订单距离耗时数据、所述服务提供端的特征位置数据和所述服务提供端的服务数据输入所述M层订单处理模型进行计算;获得所述M层订单处理模型中任一层订单处理模型输出的确定所述请求服务的订单是否为异常订单的计算结果。
在一些实施例中,所述特征提取模块,还用于根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的各时间节点,根据所述各时间节点从所述服务器中确定出服务提供端和服务请求端的通话记录数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的各类距离,并根据所述各类距离和所述各时间节点确定所述订单的距离耗时数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的所述服务提供端的在第一预设时间段内所述服务提供端的服务数据。
在一些实施例中,所述特征提取模块,还用于根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的包含:实际移动距离、预估路面距离和距出发地路面距离的各类距离;根据所述实际移动距离、所述预估路面距离和所述距出发地路面距离,以及根据包含:抢单时间、发单时间、到达时间、开始计费时间、结束计费时间和结束计费时间的所述各时间节点,确定包含:所述实际移动距离/所述预估路面距离、实际移动距离、预估路面距离、距出发地路面距离、抢单耗时、接驾耗时、等待服务请求端的耗时、移动计费耗时和订单总耗时的所述订单距离耗时数据。
在一些实施例中,所述特征提取模块,还用于根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹,以及从所述服务器中获取所述请求服务的订单的多个特征位置;在包含所述各时间节点中每个时间节点的第二预设时间段内时,确定所述移动轨迹中与所述多个特征位置中每个特征位置距离最近的每个位置,共获得多个位置;根据所述多个位置和所述各类距离,确定所述服务提供端的特征位置数据。
在一些实施例中,所述特征提取模块,还用于根据所述多个位置包括:结束计费与离出发点最近轨迹点路面距离、抢单与离出发点最近轨迹点路面距离、到达与离出发点最近轨迹点路面距离和开始计费与离出发点最近轨迹点路面距离,以及根据所述距出发地路面距离,确定出包含:所述结束计费与离出发点最近轨迹点路面距离/所述距出发地路面距离、所述抢单与离出发点最近轨迹点路面距离/所述距出发地路面距离、所述到达与离出发点最近轨迹点路面距离/所述距出发地路面距离和所述开始计费与离出发点最近轨迹点路面距离/所述距出发地路面距离。
在一些实施例中,所述装置还包括:订单样本获得模块,用于获得第三预设时间段内累计获得的服务订单样本集。特征样本获得模块,用于根据所述服务订单样本集,获得所述服务订单样本集相关的至少一类训练特征的样本集。订单模型训练模块,用于通过所述至少一类训练特征的样本集对M层神经网络进行训练,得到所述M层订单处理模型。
第四方面,本申请实施例提供了一种M层订单处理模型,所述M层订单处理模型中的第i层订单处理模型,用于获得与所述请求服务的订单相关的至少一类特征,基于对应第i层的计算规则对所述至少一类特征进行计算,根据计算出所述请求服务的订单为正常订单的计算结果,将所述至少一类特征输入到所述M层订单处理模型中的第i+1层订单处理模型,其中,i取1至M-1的整数,M为大于1的整数,所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度。所述M层订单处理模型中的第M层订单处理模型,用于获得所述至少一类特征,基于对应第M层的计算规则对所述至少一类特征进行计算,输出所述请求服务的订单为正常订单或为异常订单的计算结果。
第五方面,本申请实施例提供了一种电子设备,电子设备可以包括一个或多个存储介质、一个或多个与存储介质通信的处理器和总线。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行所述机器可读指令,以执行第一方面、以及第一方面任一实施例、以及第二方面、以及第二方面任一实施例所述的订单处理方法的步骤。
第六方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被计算机运行时执行第一方面、以及第一方面任一实施例、以及第二方面、以及第二方面任一实施例所述的订单处理方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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订单处理系统的结构框图;
图2示出了本申请实施例提供的一种订单处理系统中电子设备的结构框图;
图3示出了本申请实施例提供的一种订单处理方法的流程图;
图4示出了本申请实施例提供的一种订单处理方法中步骤S200的子流程图;
图5示出了本申请实施例提供的一种订单处理装置的结构框图;
图6示出了本申请实施例提供的一种M层订单处理模型的结构框图。
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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的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。
为了使得本领域技术人员能够使用本申请内容,结合特定的对服务订单进行处理场景的应用场景,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕对服务订单进行处理场景进行描述,但是应该理解,这仅是一个示例性实施例。本申请可以应用于对任何其他交通运输类型产生的订单进行处理。例如,本申请可以应用于对不同的运输系统环境产生的订单进行处理,包括陆地,海洋,或航空等,或其任意组合。运输系统的交通工具可以包括出租车、私家车、顺风车、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、或无人驾驶车辆等,或其任意组合。本申请还可以包括用于能够处理订单的任何服务系统,例如用于发送和/或接收快递的系统、用于买卖双方交易的服务系统。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等,或其任意组合。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“乘客”可以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”也可以指代可以提供服务的个人、实体或工具。本申请中的术语“订单”可以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。订单可以是收费的或免费的。
请参阅图1,本申请一些实施例提供了一种订单处理系统10,订单处理系统10可以包括:服务器11和电子设备20。服务器11可以通过网络与电子设备20建立通信连接。
服务器11可以为单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器11可以是分布式系统)。在一些实施例中,服务器11相对于电子设备20,可以是本地的、也可以是远程的。作为另一示例,服务器11存储的信息和/或数据可以被电子设备20访问。在一些实施例中,服务器11可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器11可以在具有本申请中图2所示的一个或多个组件的电子设备20上实现。
图2示出了根据本申请中电子设备20的结构框图,电子设备20用于执行本申请中的功能。
电子设备20可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的订单处理方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备20可以包括连接到网络的网络端口21、用于执行程序指令的一个或多个处理器22、通信总线23、和不同形式的存储介质24,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备20还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口25。
为了便于说明,在电子设备20中仅描述了一个处理器。然而,应当注意,本申请中的电子设备20还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备20的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
请参阅图3,本申请一些实施例提供了订单处理方法,该订单处理方法可以由电子设备执行,该订单处理方法可以包括:步骤S100、步骤S200和步骤S300。
步骤S100:获得请求服务的订单。
步骤S200:根据所述请求服务的订单,获取与所述请求服务的订单相关的至少一类特征。
步骤S300:将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果,其中,所述M层订单处理模型中,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,i取1至M-1的整数,M为大于1的整数。
下面将结合图3和图4,对本申请的订单处理方法进行详细的描述。
在执行步骤S100之前,电子设备可以对神经网络进行训练,以得到后续用于订单处理的M层订单处理模型。
详细地,服务器上可以持续的存储各服务提供端的日常服务服务请求端所产生的服务订单,这些服务订单中包含大多数正常订单和剩余少数的异常订单。电子设备可以通过与服务器的通信,可以从服务器上抽取获得在第三预设时间段内服务器累计获得并存储的服务订单,并可以将这些请求服务的订单作为服务订单样本集。
作为一些实现方式,第三预设时间段可以为在当前时刻前1个月内的时间段,但并不作为限定;以及,该前1个月内的时间段内抽取的服务订单样本集可以为近50W份服务订单。电子设备抽取该近50W份服务订单的条件可以包括抽取服务请求端对服务提供端的高评价的服务订单,例如评价为5星;以及条件还可以包括抽取出服务请求端对服务提供端的高评价且还追加文字评论的服务订单;以及条件还可以包括抽取出未产生费用的订单。这样,抽取出的50W份服务订单中可以包括:40W份左右的服务请求端对服务提供端的高评价和服务请求端对服务提供端的高评价且还追加文字评论的服务订单,10W份左右的未产生费用的订单。
为了便于对神经网络进行训练,电子设备可以基于这些获得的服务订单样本集再服务器中相关的存储区域中获取与服务订单样本集相关的至少一类训练特征的样本集。其中,这些相关的存储区域可以为各个数据库。
获得与服务订单样本集相关的至少一类训练特征的样本集后,电子设备就可以基于至少一类训练特征对神经网络进行训练。在一些实现方式中,神经网络可以为M层神经网络,M层神经网络中每层神经网络与相邻的每层神经网络是连接的。
电子设备可以将至少一类训练特征输入到M层神经网络中的第一层神经网络,这样第一层神经网络就可以利于至少一类训练特征对第一层神经网络中的处理规则进行训练,从而基于将处理规则训练而得到训练出的第一层订单处理模型。于此同时,在伴随着对处理规则进行训练过程中,可以得到通过处理规则对至少一类训练特征进行处理而确定出的为正常订单的服务订单样本子集和为异常订单的服务订单样本子集,其中,正常订单的服务订单样本子集和为异常订单的服务订单样本子集构成该服务订单样本子集。可选地,第一层神经网络可以将异常订单的服务订单样本子集抛弃,并可以将正常订单的服务订单样本子集构成该服务订单样本子集输入给连接的第二层神经网络,这样第二层神经网络就可以基于第一层神经网络未识别出异常的正常订单的服务订单样本子集来对处理规则进行训练,从而基于将处理规则训练而得到训练出的第二层订单处理模型。
依此类推,每一层神经网络都可以将自己为识别出异常的正常订单构成的样本集合输入给相邻下一层神经网络,直至最后一层神经网络,这样就完成了对M层神经网络的训练,得到了M层订单处理模型。
可以理解到的是,由于每个相邻下一层订单处理模型均是基于每个上一层订单处理模型未识别出异常的正常订单构成的样本集合来训练得到,这样就使得训练出的每个相邻下一层订单处理模型对服务订单的分类识别能力都比每个相邻上一层订单处理模型对服务订单的分类识别能力更强,即每个相邻下一层订单处理模型对服务订单是否为异常订单的判断要比每个相邻上一层订单处理模型更加准确。
作为一些实施方式,训练得到的每层订单处理模型可以为Adaboost的强分类模型,但并不作为限定。
作为一些实施方式,本实施例以方法执行前进行神经网络的训练为例进行说明,其为便于本领域技术人员从流程的完整性上理解本方案,但其并不作为对本实施例的限定。本实施例中,在M层订单处理模型投入实际应用后,也可以继续基于服务订单样本集来对M层订单处理模型进行训练,使得M层订单处理模型越来越完善和准确。
训练得到M层订单处理模型后,电子设备后续可以执行步骤S100。
步骤S100:获得请求服务的订单。
随着服务提供端每天对服务请求端进行服务,服务器中每天都会存储当天产生的大量服务订单,例如,服务器会存储每天产生的2KW份服务订单。
电子设备可以从服务器中存储这些订单中抽取出当前需要处理的请求服务的订单,从而获得该请求服务的订单。
作为一些实施方式,为保证对请求服务的订单的处理的有用度,即能够在处理一定量请求服务的订单中更多处理到异常订单。那么,电子设备可以设置一些条件来抽取请求服务的订单,例如,抽取上车点和下车点在较短的预设距离内,如在10km内的请求服务的订单(一般距离较短的订单容易产生异常订单)。
电子设备获得请求服务的订单后,电子设备可以抽取出该请求服务的订单的特征,即电子设备可以继续执行步骤S200。
本实施例中,步骤S200的方法子流程可以包括:步骤S210、步骤S210、步骤S210和步骤S240。
步骤S210:根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的所述服务提供端和服务请求端的通话记录数据。
步骤S220:根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的各类距离,并根据所述各类距离和所述各时间节点确定所述订单的距离耗时数据。
步骤S230:根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据。
步骤S240:根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的所述服务提供端在第一预设时间段内所述服务提供端的服务数据。
以下将对步骤S200的各子流程进行详细地说明。
步骤S210:根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的所述服务提供端和服务请求端的通话记录数据。
电子设备可以根据对请求服务的订单进行解析,从而获得请求服务的订单中包含的订单号、服务提供端的手机号和服务请求端的手机号。电子设备根据该订单号可以从服务器中的例如专车订单表中获得该请求服务的订单中的各时间节点,可选地,该各时间节点可以包括包含抢单时间、发单时间、到达时间、开始计费时间、结束计费时间、结束计费时间和预计到达时间。
电子设备根据该各时间节点、服务提供端的手机号和服务请求端的手机号,电子设备便可以再从服务器中的例如通话记录表中,获得与该服务提供端的手机号和服务请求端的手机号关联且位于各时间节点之间的服务提供端和服务请求端的通话记录数据,该服务提供端和服务请求端的通话记录数据可以包括:服务提供端与服务请求端的通话记录次数、服务提供端与服务请求端的电话接通时间之和、服务提供端与服务请求端的电话振铃时间之和、以及服务提供端与服务请求端的通话时间之和中的至少部分数据。
步骤S220:根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的各类距离,并根据所述各类距离和所述各时间节点确定所述订单的距离耗时数据。
电子设备也基于对请求服务的订单进行解析而获得的订单号,那么电子设备可以根据该订单号从服务器中的例如专车订单表中获得该请求服务的订单中各类距离。可选地,该各类距离可以包括:实际移动距离、预估路面距离和距出发地路面距离中的至少部分数据。
电子设备可以根据该各类距离和该各时间节点,确定出该订单的距离耗时数据。即电子设备可以根据实际移动距离、预估路面距离和距出发地路面距离、包含抢单时间、发单时间、到达时间、开始计费时间、结束计费时间、结束计费时间和预计到达时间进行计算,从而得到该订单的距离耗时数据。
可选地,通过计算得到的订单的距离耗时数据可以包括:所述实际移动距离/所述预估路面距离、实际移动距离、预估路面距离、距出发地路面距离、抢单耗时(抢单时间–发单时间)、接驾耗时(到达时间–抢单时间)、等待服务请求端的耗时(开始计费时间–到达时间)、移动计费耗时(结束计费时间–开始计费时间)、订单总耗时(结束计费时间–发单时间)、移动计费耗时/预计到达时间、抢单耗时/预计到达时间、接驾耗时/预计到达时间、等待服务请求端的耗时/预计到达时间、抢单耗时/订单总耗时、接驾耗时/订单总耗时、等待服务请求端的耗时/订单总耗时、移动计费耗时/订单总耗时和订单总耗时/预计到达时间中的至少部分数据。
步骤S230:根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据。
电子设备也基于对请求服务的订单进行解析而获得订单号从服务器中的例如专车订单表中获得该请求服务的订单中的多个特征位置。可选地,该多个特征位置可以包括:出发点、目的地、发单位置、到达位置、开始计费位置、结束计费位置和接单位置中的至少部分数据。
电子设备也可以基于对请求服务的订单进行解析而获得服务提供端的ID,那么电子设备可以根据该服务提供端的ID从服务器中的专车服务提供端的坐标表中获得服务提供端的移动轨迹。
这样,电子设备根据已获得的各时间节点,电子设备可以确定出在各时间节点中每个时间节点的第二预设时间段内时,移动轨迹中与多个特征位置中每个特征位置距离最近的该服务提供端的每个位置,从而共获得多个位置。
可以理解到,在每个时间节点的时刻,服务提供端并不一定处于每个特征位置最近的位置,例如,服务提供端点击了到达目的地的时刻,服务提供端可能还距离目的地几百米,故点击了到达目的地的时刻时移动轨迹上服务提供端的位置就不为距离最近的位置。因此,可以设置第二预设时间段,例如,第二预设时间段可以为每个时间节点的前后30秒构成的时间段,已从第二预设时间段中确定出距离最近的位置。例如,服务提供端点击了到达目的地的时刻后30秒内,服务提供端一般可以移动到目的地附近停车,故该停车的位置则可以确定为距离目的地最近的位置。
可选地,多个位置可以包括:到达距出发地直线距离、开始计费距出发地直线距离、结束计费距出发地直线距离、结束计费距开始计费直线距离、结束计费与离出发点最近轨迹点路面距离、抢单与离出发点最近轨迹点路面距离、到达与离出发点最近轨迹点路面距离、开始计费与离出发点最近轨迹点路面距离中的至少部分数据。
本实施例中,电子设备根据多个位置和该各类距离,就可以计算并确定出服务提供端的特征位置数据。即电子设备可以根据到达距出发地直线距离、开始计费距出发地直线距离、结束计费距出发地直线距离、结束计费距开始计费直线距离、结束计费与离出发点最近轨迹点路面距离、抢单与离出发点最近轨迹点路面距离、到达与离出发点最近轨迹点路面距离、开始计费与离出发点最近轨迹点路面距离、预估路面距离和距出发地路面距离,就可以计算出该服务提供端的特征位置数据。
可选地,该服务提供端的特征位置数据可以包括:发单距目的地直线距离/预估路面距离发单距出发点直线距离/距出发地路面距离、发单距结束计费直线距离/预估路面距离、到达距出发地直线距离/距出发地路面距离、到达距目的地直线距离/预估路面距离、到达距抢单直线距离/距出发地路面距离、开始计费距出发地直线距离/距出发地路面距离、开始计费距目的地直线距离/预估路面距离、开始计费距到达直线距离/距出发地路面距离、结束计费距出发地直线距离/预估路面距离、结束计费距目的地直线距离/预估路面距离、结束计费距开始计费直线距离/预估路面距离、开始计费距目的地直线距离/结束计费距出发地直线距离、(开始计费距出发地直线距离-到达距出发地直线距离)/距出发地路面距离、开始计费距出发地直线距离-到达距出发地直线距离、(结束计费距出发地直线距离-开始计费距出发地直线距离)/距出发地路面距离、结束计费距出发地直线距离-开始计费距出发地直线距离、(抢单距出发点直线距离-到达距出发地直线距离)/距出发地路面距离、抢单距出发点直线距离-到达距出发地直线距离、与出发点最近轨迹点直线距离、结束计费与离出发点最近轨迹点路面距离、结束计费与离出发点最近轨迹点路面距离/距出发地路面距离、抢单与离出发点最近轨迹点路面距离、抢单与离出发点最近轨迹点路面距离/距出发地路面距离、到达与离出发点最近轨迹点路面距离、到达与离出发点最近轨迹点路面距离/距出发地路面距离、开始计费与离出发点最近轨迹点路面距离和开始计费与离出发点最近轨迹点路面距离/距出发地路面距离中的至少部分数据。
步骤S240:根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的所述服务提供端在第一预设时间段内所述服务提供端的服务数据。
电子设备中设置了用于限定服务提供端的服务数据的第一预设时间段,该第一预设时间段可以为当前时刻的前几小时、前1天、前几天、前几周等,其具体情况可以根据实际需求进行选择。
电子设备也可以基于对请求服务的订单进行解析而获得服务提供端的ID从服务器中例如服务提供端的服务数据表中获取与请求服务的订单相关的服务提供端的在第一预设时间段内的服务提供端的服务数据。可选地,该服务提供端的服务数据可以包括:完成订单数、完成实时订单数、完成预约订单数、总超里程、迟到的订单数、总实际移动里程、抢单前取消的订单数、抢单后取消的订单数、服务请求端的投诉服务提供端的订单数、服务提供端的投诉服务请求端的订单数、改派订单数、成功抢单数、服务提供端的支付成功订单的应收金额、改派次数、一星订单数、二星订单数、三星订单数、四星订单数、五星订单数、未评价订单数、选择内容评价订单数、文字评价订单数、捎话订单数、成功支付订单数、取消支付订单、早高峰完成订单数、平峰完成订单数、晚高峰完成订单数、完成机场订单数、应答指派订单数、完成指派订单数、应答预约订单数、完成长单订单数、完成短单订单数、完成订单动态调价单数、服务提供端的应答后取消订单数、服务请求端的抢单前取消单数(无改派订单)、服务请求端的抢单后取消数、服务请求端的迟到订单数、应答订单数、实时单接驾总时长(单位:秒)、实时单最大接驾时长(单位:秒)、实时单接驾距离(预估)(单位:米)、实时单接驾距离极大值(预估)(单位:米)、实时单接驾距离超2公里单数(预估)(单位:米)、服务提供端的电话投诉订单数、服务请求端的电话投诉订单数、近30天服务提供端的评价服务请求端的平均星级和近30天服务提供端的评价服务请求端的1-2星级订单数中的至少部分数据。
可以理解到,电子设备在实际执行步骤S200,电子设备可以依次执行步骤S210至步骤S240,但电子设备也可以同步执行S210至步骤S240中至少部分步骤。
电子设备获得至少一项特征后,电子设备可以继续执行步骤S300。
步骤S300:将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果,其中,所述M层订单处理模型中,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,i取1至M-1的整数,M为大于1的整数。
电子设备可以调用该M层订单处理模型,然后电子设备可以将服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据输入到M层订单处理模型进行计算。
作为一种可选地的方式,服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据输入到M层订单处理模型中后,M层订单处理模型的第一层订单处理模型可以基于第一层的计算规则对服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据分别进行计算,然后,第一层订单处理模型基于第一层的计算规则计算得到计算结果。
若第一层订单处理模型输出的计算结果为该请求服务的订单为异常订单,那么第一层订单处理模型可以停止再将该至少一类特征输入到第二层订单处理模块。这样,电子设备便可以获得该待处理订单为异常订单的计算结果。
若第一层订单处理模型输出的计算结果为该请求服务的订单为正常订单,那么第一层订单处理模型可以再将该至少一类特征输入到准确度更高的第二层订单处理模块。
第二层订单处理模型可以基于第二层的计算规则对服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据分别进行计算,然后,第二层订单处理模型基于第二层的计算规则计算得到计算结果。
若第二层订单处理模型为最后一层模型,那么第二层订单处理模型可以直接输出该待处理订单为异常订单或正常订单的计算结果,并可以停止基于对该至少一个特征再进行计算。从而电子设备便可以获得该待处理订单为异常订单或正常订单的计算结果。
若第二层订单处理模型不为最后一层模型且输出的计算结果为该请求服务的订单为异常订单,那么第二层订单处理模型可以停止再将该至少一类特征输入到第三层订单处理模块。这样,电子设备便可以获得该待处理订单为异常订单的计算结果。
若第二层订单处理模型不为最后一层模型且输出的计算结果为该请求服务的订单为正常订单,那么第二层订单处理模型可以再将该至少一类特征输入到准确度更高的第三层订单处理模块。
可以理解到,基于处理规则对该至少一类特征进行处理过程可以为对该至少一类特征进行判断,例如,判断到达距出发地直线距离是否满足第一预设值、判断到结束计费距开始计费直线距离是否满足第二预设值、判断到达与离出发点最近轨迹点路面距离是否满足第三预设值、判断结束计费距出发地直线距离-开始计费距出发地直线距离)是否满足第四预设值等。
也可以理解到,基于上述规则,即在i取1至M-1的整数时,M层订单处理模型的计算规则为:
M层订单处理模型中的第i层订单处理模型获得与请求服务的订单相关的至少一类特征,基于对应第i层的计算规则对至少一类特征进行计算,根据计算出请求服务的订单为正常订单的计算结果,将至少一类特征输入到M层订单处理模型中的第i+1层订单处理模型,以及第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度。
M层订单处理模型中的第M层订单处理模型获得至少一类特征,基于对应第M层的计算规则对至少一类特征进行计算,输出请求服务的订单为正常订单或为异常订单的计算结果。
基于这样的计算规则,在判断请求服务的订单是否为异常订单时,要么可以在某一层订单处理模型确定该请求服务的订单为异常订单时输出准确结果,要么可以由最准确最高的最后一层订单处理模型来输出是正常还是异常的最终结果,从而保证了最终结果的准确性。
于本实施例中,由于每层订单处理模型基于每层的计算规则对至少一类特征进行计算时,可以利用至少一类特征至少部分的特征来进行计算、以及设定判断这些用于计算的特征的门限值、以及根据确定异常所需的特征数量来判断当前的异常特征是否达到次数量,从而以确定是否为异常订单。那么,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度表示:第i+1层的计算规则与所述第i层的计算规则在用于计算的特征数量、确定异常所需的特征数量和对每个特征是否异常的判断门限值上至少部分不相同;即第i+1层的计算规则中用于计算的特征数量大于第i层的计算规则中用于计算的特征数量、第i+1层的计算规则中确定异常所需的特征数量小于第i层的计算规则中确定异常所需的特征数量、第i+1层的计算规则中对每个特征是否异常的判断门限值高于第i层的计算规则中对每个特征是否异常的判断门限值。
在实际应用中,在保证准确性、实效性、以及设备负荷不能太大的基础上,M层订单处理模型可以为3层,但并不作为限定,其在满足其它需求的情况下也可以为其它数值的层数。
请参阅图5,本申请的一些实施例提供了一种订单处理装置100,该订单处理装置100实现的功能对应上述方法执行的步骤。该装置可以理解为上述电子设备,或电子设备的处理器,也可以理解为独立于上述电子设备或处理器之外的在电子设备控制下实现本申请功能的组件。
该订单处理装置100可以包括:
订单获得模块110,用于获得请求服务的订单。
特征提取模块120,用于根据所述请求服务的订单,获取与所述请求服务的订单相关的至少一类特征。
异常确定模块130,用于将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果,其中,所述M层订单处理模型中,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,i取1至M-1的整数,M为大于1的整数。
可选地,所述至少一类特征包括:服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据,
所述异常确定模块130,还用于调用M层订单处理模型,将所述服务提供端和服务请求端的通话记录数据、所述订单距离耗时数据、所述服务提供端的特征位置数据和所述服务提供端的服务数据输入所述M层订单处理模型进行计算;获得所述M层订单处理模型中任一层订单处理模型输出的确定所述请求服务的订单是否为异常订单的计算结果。
所述特征提取模块120,还用于根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的各时间节点,根据所述各时间节点从所述服务器中确定出服务提供端和服务请求端的通话记录数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的各类距离,并根据所述各类距离和所述各时间节点确定所述订单的距离耗时数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的所述服务提供端在第一预设时间段内所述服务提供端的服务数据。
所述特征提取模块120,还用于根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的包含:实际移动距离、预估路面距离和距出发地路面距离的各类距离;根据所述实际移动距离、所述预估路面距离和所述距出发地路面距离,以及根据包含:抢单时间、发单时间、到达时间、开始计费时间、结束计费时间和结束计费时间的所述各时间节点,确定包含:所述实际移动距离/所述预估路面距离、实际移动距离、预估路面距离、距出发地路面距离、抢单耗时、接驾耗时、等待服务请求端的耗时、移动计费耗时和订单总耗时的所述订单距离耗时数据。
所述特征提取模块120,还用于根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹,以及从所述服务器中获取所述请求服务的订单的多个特征位置;在包含所述各时间节点中每个时间节点的第二预设时间段内时,确定所述移动轨迹中与所述多个特征位置中每个特征位置距离最近的每个位置,共获得多个位置;根据所述多个位置和所述各类距离,确定所述服务提供端的特征位置数据。
所述特征提取模块120,还用于根据所述多个位置包括:结束计费与离出发点最近轨迹点路面距离、抢单与离出发点最近轨迹点路面距离、到达与离出发点最近轨迹点路面距离和开始计费与离出发点最近轨迹点路面距离,以及根据所述距出发地路面距离,确定出包含:所述结束计费与离出发点最近轨迹点路面距离/所述距出发地路面距离、所述抢单与离出发点最近轨迹点路面距离/所述距出发地路面距离、所述到达与离出发点最近轨迹点路面距离/所述距出发地路面距离和所述开始计费与离出发点最近轨迹点路面距离/所述距出发地路面距离。
可选地,该订单处理装置100还包括:
订单样本获得模块140,用于获得第三预设时间段内累计获得的服务订单样本集;
特征样本获得模块150,用于根据所述服务订单样本集,获得所述服务订单样本集相关的至少一类训练特征的样本集;
订单模型训练模块160,用于通过所述至少一类训练特征的样本集对M层神经网络进行训练,得到所述M层订单处理模型。
请参阅图6,本申请的一些实施例提供了一种M层订单处理模型200,该M层订单处理模型200可以运行在该电子设备20中,用于配合电子设备20实现对上述方法的执行。
所述M层订单处理模型200中的第i层订单处理模型,用于获得与所述请求服务的订单相关的至少一类特征,基于对应第i层的计算规则对所述至少一类特征进行计算,根据计算出所述请求服务的订单为正常订单的计算结果,将所述至少一类特征输入到所述M层订单处理模型中的第i+1层订单处理模型,其中,i取1至M-1的整数,M为大于1的整数,所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度;
所述M层订单处理模型200中的第M层订单处理模型,用于获得所述至少一类特征,基于对应第M层的计算规则对所述至少一类特征进行计算,输出所述请求服务的订单为正常订单或为异常订单的计算结果。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质,该计算机可读存储介质上存储有程序代码,该程序代码被计算机运行时执行上述任一实施例的订单处理方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的程序代码被运行时,能够执行上述施例的订单处理方法的步骤,以有效提高对异常订单的拦截准确率,以保证用户的投诉均能够得到处理,提示了用户的体验。
本申请实施例所提供的订单处理方法的程序代码产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,本申请实施例提供了一种订单处理方法、装置、M层订单处理模型、电子设备及储存介质。方法包括:获得请求服务的订单;根据请求服务的订单,获取与请求服务的订单相关的至少一类特征;将至少一类特征输入M层订单处理模型进行计算,获得确定请求服务的订单是否为异常订单的计算结果,其中,M层订单处理模型中,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,i取1至M-1的整数,M为大于1的整数。
由于M层订单处理模型中第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度,故将与请求服务的订单相关的至少一类特征输入到每层准确度依次提高的M层订单处理模型进行计算,就可以更加准确的判定请求服务的订单为正常还是异常订单,因此提高对异常订单的拦截准确率,以保证用户的投诉均能够得到处理,提示了用户的体验。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种订单处理方法,其特征在于,所述方法包括:
获得请求服务的订单;
根据所述请求服务的订单,获取与所述请求服务的订单相关的至少一类特征;
将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果;其中:当所述M层订单处理模型中第i层订单处理模型在对所述至少一类特征进行计算得到所述请求服务的订单为正常订单的计算结果时,将所述至少一类特征输入到所述M层订单处理模型中的第i+1层订单处理模型;i取1至M-1的整数,M为大于1的整数;当所述M层订单处理模型中第M-1层订单处理模型在对所述至少一类特征进行计算得到所述请求服务的订单为正常订单的计算结果时,将所述至少一类特征输入到所述M层订单处理模型中的第M层订单处理模型进行计算得到所述请求服务的订单是否为异常订单的计算结果;且,当所述M层订单处理模型中第i层订单处理模型在对所述至少一类特征进行计算得到所述请求服务的订单为异常订单的计算结果时,所述M层订单处理模型输出所述请求服务的订单为异常订单的计算结果;
其中,所述M层订单处理模型中,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度;所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度表示:所述第i+1层的计算规则与所述第i层的计算规则在用于计算的特征数量、确定异常所需的特征数量和对每个特征是否异常的判断门限值上至少部分不相同。
2.根据权利要求1所述的订单处理方法,其特征在于,所述至少一类特征包括:服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据,所述将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果,包括:
调用M层订单处理模型,将所述服务提供端和服务请求端的通话记录数据、所述订单距离耗时数据、所述服务提供端的特征位置数据和所述服务提供端的服务数据输入所述M层订单处理模型进行计算;
获得所述M层订单处理模型中任一层订单处理模型输出的确定所述请求服务的订单是否为异常订单的计算结果。
3.根据权利要求2所述的订单处理方法,其特征在于,所述根据所述请求服务的订单,获取与所述请求服务的订单相关的至少一类特征,包括:
根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的各时间节点,根据所述各时间节点从所述服务器中确定出服务提供端和服务请求端的通话记录数据;
根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的各类距离,并根据所述各类距离和所述各时间节点确定所述订单的距离耗时数据;
根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据;
根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的所述服务提供端的在第一预设时间段内所述服务提供端的服务数据。
4.根据权利要求3所述的订单处理方法,其特征在于,所述根据所述请求服务的订单,从所述服务器中获取所述请求服务的订单的各类距离,并根据所述各类距离和所述各时间节点确定所述订单距离耗时数据,包括:
根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的各类距离;所述各类距离包含:实际移动距离、预估路面距离和距出发地路面距离;
根据所述实际移动距离、所述预估路面距离和所述距出发地路面距离,以及根据所述各时间节点,确定所述订单距离耗时数据;
所述各时间节点包含:抢单时间、发单时间、到达时间、开始计费时间、结束计费时间;所述订单距离耗时数据包含:所述实际移动距离/所述预估路面距离、实际移动距离、预估路面距离、距出发地路面距离、抢单耗时、接驾耗时、等待服务请求端的耗时、移动计费耗时和订单总耗时。
5.根据权利要求3所述的订单处理方法,其特征在于,所述根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据,包括:
根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹,以及从所述服务器中获取所述请求服务的订单的多个特征位置;
在包含所述各时间节点中每个时间节点的第二预设时间段内时,确定所述移动轨迹中与所述多个特征位置中每个特征位置距离最近的每个位置,共获得多个位置;
根据所述多个位置和所述各类距离,确定所述服务提供端的特征位置数据。
6.根据权利要求1-5任一权项所述的订单处理方法,其特征在于,在所述获得请求服务的订单之前,所述方法还包括:
获得第三预设时间段内累计获得的服务订单样本集;
根据所述服务订单样本集,获得所述服务订单样本集相关的至少一类训练特征的样本集;
通过所述至少一类训练特征的样本集对M层神经网络进行训练,得到所述M层订单处理模型。
7.一种订单处理方法,其特征在于,应用于M层订单处理模型,所述方法包括:
所述M层订单处理模型中的第i层订单处理模型获得与请求服务的订单相关的至少一类特征,基于对应第i层的计算规则对所述至少一类特征进行计算;根据计算出所述请求服务的订单为正常订单的计算结果,将所述至少一类特征输入到所述M层订单处理模型中的第i+1层订单处理模型;根据计算出所述请求服务的订单为异常订单的计算结果,所述M层订单处理模型输出所述请求服务的订单为异常订单的计算结果;其中,i取1至M-1的整数,M为大于1的整数,所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度;
所述M层订单处理模型中的第M层订单处理模型在获得所述至少一类特征的情况下,基于对应第M层的计算规则对所述至少一类特征进行计算,输出所述请求服务的订单为正常订单或为异常订单的计算结果;
其中:所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度表示:所述第i+1层的计算规则与所述第i层的计算规则在用于计算的特征数量、确定异常所需的特征数量和对每个特征是否异常的判断门限值上至少部分不相同。
8.一种订单处理装置,其特征在于,所述装置包括:
订单获得模块,用于获得请求服务的订单;
特征提取模块,用于根据所述请求服务的订单,获取与所述请求服务的订单相关的至少一类特征;
异常确定模块,用于将所述至少一类特征输入M层订单处理模型进行计算,获得确定所述请求服务的订单是否为异常订单的计算结果;其中:当所述M层订单处理模型中第i层订单处理模型在对所述至少一类特征进行计算得到所述请求服务的订单为正常订单的计算结果时,将所述至少一类特征输入到所述M层订单处理模型中的第i+1层订单处理模型;i取1至M-1的整数,M为大于1的整数;当所述M层订单处理模型中第M-1层订单处理模型在对所述至少一类特征进行计算得到所述请求服务的订单为正常订单的计算结果时,将所述至少一类特征输入到所述M层订单处理模型中的第M层订单处理模型进行计算得到所述请求服务的订单是否为异常订单的计算结果;且,当所述M层订单处理模型中第i层订单处理模型在对所述至少一类特征进行计算得到所述请求服务的订单为异常订单的计算结果时,所述M层订单处理模型输出所述请求服务的订单为异常订单的计算结果;
其中,所述M层订单处理模型中,第i+1层订单处理模型的计算准确度高于第i层订单处理模型的计算准确度;所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度表示:所述第i+1层的计算规则与所述第i层的计算规则在用于计算的特征数量、确定异常所需的特征数量和对每个特征是否异常的判断门限值上至少部分不相同。
9.根据权利要求8所述的订单处理装置,其特征在于,所述至少一类特征包括:服务提供端和服务请求端的通话记录数据、订单距离耗时数据、服务提供端的特征位置数据和服务提供端的服务数据,
所述异常确定模块,还用于调用M层订单处理模型,将所述服务提供端和服务请求端的通话记录数据、所述订单距离耗时数据、所述服务提供端的特征位置数据和所述服务提供端的服务数据输入所述M层订单处理模型进行计算;获得所述M层订单处理模型中任一层订单处理模型输出的确定所述请求服务的订单是否为异常订单的计算结果。
10.根据权利要求9所述的订单处理装置,其特征在于,
所述特征提取模块,还用于根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的各时间节点,根据所述各时间节点从所述服务器中确定出服务提供端和服务请求端的通话记录数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的各类距离,并根据所述各类距离和所述各时间节点确定所述订单的距离耗时数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹和所述请求服务的订单的多个特征位置,并根据所述各类距离、所述移动轨迹和所述多个特征位置确定所述服务提供端的特征位置数据;根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的所述服务提供端的在第一预设时间段内所述服务提供端的服务数据。
11.根据权利要求10所述的订单处理装置,其特征在于,
所述特征提取模块,还用于根据所述请求服务的订单,从服务器中获取与所述请求服务的订单相关的各类距离;所述各类距离包含:实际移动距离、预估路面距离和距出发地路面距离;根据所述实际移动距离、所述预估路面距离和所述距出发地路面距离,以及根据所述各时间节点,确定所述订单距离耗时数据;所述各时间节点包含:抢单时间、发单时间、到达时间、开始计费时间、结束计费时间;所述订单距离耗时数据包含:所述实际移动距离/所述预估路面距离、实际移动距离、预估路面距离、距出发地路面距离、抢单耗时、接驾耗时、等待服务请求端的耗时、移动计费耗时和订单总耗时。
12.根据权利要求10所述的订单处理装置,其特征在于,
所述特征提取模块,还用于根据所述请求服务的订单,从所述服务器中获取与所述请求服务的订单相关的服务提供端的移动轨迹,以及从所述服务器中获取所述请求服务的订单的多个特征位置;在包含所述各时间节点中每个时间节点的第二预设时间段内时,确定所述移动轨迹中与所述多个特征位置中每个特征位置距离最近的每个位置,共获得多个位置;根据所述多个位置和所述各类距离,确定所述服务提供端的特征位置数据。
13.根据权利要求8-12任一权项所述的订单处理装置,其特征在于,所述装置还包括:
订单样本获得模块,用于获得第三预设时间段内累计获得的服务订单样本集;
特征样本获得模块,用于根据所述服务订单样本集,获得所述服务订单样本集相关的至少一类训练特征的样本集;
订单模型训练模块,用于通过所述至少一类训练特征的样本集对M层神经网络进行训练,得到所述M层订单处理模型。
14.一种M层订单处理模型,其特征在于,
所述M层订单处理模型中的第i层订单处理模型,用于获得与所述请求服务的订单相关的至少一类特征,基于对应第i层的计算规则对所述至少一类特征进行计算;根据计算出所述请求服务的订单为正常订单的计算结果,将所述至少一类特征输入到所述M层订单处理模型中的第i+1层订单处理模型;根据计算出所述请求服务的订单为异常订单的计算结果,所述M层订单处理模型输出所述请求服务的订单为异常订单的计算结果;其中,i取1至M-1的整数,M为大于1的整数,所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度;
所述M层订单处理模型中的第M层订单处理模型,用于在获得所述至少一类特征的情况下,基于对应第M层的计算规则对所述至少一类特征进行计算,输出所述请求服务的订单为正常订单或为异常订单的计算结果; 所述第i+1层订单处理模型的计算准确度高于所述第i层订单处理模型的计算准确度表示:所述第i+1层的计算规则与所述第i层的计算规则在用于计算的特征数量、确定异常所需的特征数量和对每个特征是否异常的判断门限值上至少部分不相同。
15.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令;
当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-7任一权项所述的订单处理方法的步骤。
16.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被计算机运行时执行如权利要求1-7任一所述的订单处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811272403.6A CN111105284B (zh) | 2018-10-29 | 2018-10-29 | 订单处理方法、装置、m层订单处理模型、电子设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811272403.6A CN111105284B (zh) | 2018-10-29 | 2018-10-29 | 订单处理方法、装置、m层订单处理模型、电子设备及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105284A CN111105284A (zh) | 2020-05-05 |
CN111105284B true CN111105284B (zh) | 2024-04-19 |
Family
ID=70420014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811272403.6A Active CN111105284B (zh) | 2018-10-29 | 2018-10-29 | 订单处理方法、装置、m层订单处理模型、电子设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105284B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649164B (zh) * | 2024-01-30 | 2024-04-16 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135981A (zh) * | 2010-01-25 | 2011-07-27 | 安克生医股份有限公司 | 多层次分类方法 |
CN105718868A (zh) * | 2016-01-18 | 2016-06-29 | 中国科学院计算技术研究所 | 一种针对多姿态人脸的人脸检测系统及方法 |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN107809419A (zh) * | 2017-09-28 | 2018-03-16 | 珠海市领创智能物联网研究院有限公司 | 一种物联网入侵监测装置 |
CN108596632A (zh) * | 2017-03-07 | 2018-09-28 | 北京嘀嘀无限科技发展有限公司 | 一种基于订单属性和用户行为的反作弊识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10264125B2 (en) * | 2010-03-30 | 2019-04-16 | Call Compass, Llc | Method and system for accurate automatic call tracking and analysis |
US9037519B2 (en) * | 2012-10-18 | 2015-05-19 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
-
2018
- 2018-10-29 CN CN201811272403.6A patent/CN111105284B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135981A (zh) * | 2010-01-25 | 2011-07-27 | 安克生医股份有限公司 | 多层次分类方法 |
CN105718868A (zh) * | 2016-01-18 | 2016-06-29 | 中国科学院计算技术研究所 | 一种针对多姿态人脸的人脸检测系统及方法 |
CN108596632A (zh) * | 2017-03-07 | 2018-09-28 | 北京嘀嘀无限科技发展有限公司 | 一种基于订单属性和用户行为的反作弊识别方法及系统 |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN107809419A (zh) * | 2017-09-28 | 2018-03-16 | 珠海市领创智能物联网研究院有限公司 | 一种物联网入侵监测装置 |
Non-Patent Citations (4)
Title |
---|
基于BP神经网络的证券市场异常波动识别模型;韩俊;;赤峰学院学报(自然科学版)(第21期);全文 * |
多层组合分类器研究;蒋艳凰, 杨学军;计算机工程与科学(第06期);说明书第[0019]-[0062]段 * |
蒋艳凰,杨学军.多层组合分类器研究.计算机工程与科学.2004,(第06期),全文. * |
邮件服务智能代理的研究;李志博;余正红;尹朝庆;齐兴敏;;计算机工程与设计(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111105284A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019215896A (ja) | 運輸サービスの料金を求める方法及びシステム | |
CN111612122B (zh) | 实时需求量的预测方法、装置及电子设备 | |
US10593005B2 (en) | Dynamic forecasting for forward reservation of cab | |
CN104599002B (zh) | 预测订单价值的方法及设备 | |
CN113287124A (zh) | 用于搭乘订单派遣的系统和方法 | |
CN111260102A (zh) | 一种用户满意度预测方法、装置、电子设备及存储介质 | |
EP3146480A1 (en) | Method and system for balancing rental fleet of movable assets | |
CN110942326A (zh) | 一种用户满意度预测方法及装置、服务器 | |
US20200104889A1 (en) | Systems and methods for price estimation using machine learning techniques | |
CN106909269A (zh) | 一种车型标签的展示方法及系统 | |
CN111353092A (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
US20230281722A1 (en) | Smart estimatics methods and systems | |
CN110570656A (zh) | 定制公共交通线路方法及装置 | |
CN112561285A (zh) | 网点的推荐方法、装置、电子设备及计算机可读存储介质 | |
WO2021186211A1 (en) | Methods, systems, and devices for managing service requests and pricing policies for services provided by service providers to users | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
CN111259119B (zh) | 一种问题推荐方法及装置 | |
CN111105284B (zh) | 订单处理方法、装置、m层订单处理模型、电子设备及储存介质 | |
WO2019206134A1 (en) | Methods and systems for order allocation | |
CN110363611A (zh) | 网约车用户匹配方法、装置、服务器及存储介质 | |
Klundert et al. | ASAP: The after-salesman problem | |
CN111859289B (zh) | 交通工具的交易转化率预估方法、装置、电子设备及介质 | |
CN111291253B (zh) | 模型训练方法、咨询推荐方法、装置及电子设备 | |
CN111260384B (zh) | 服务订单处理方法、装置、电子设备及存储介质 | |
CN111798283A (zh) | 订单派发方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |