CN111126654B

CN111126654B - 一种共享车辆骑回概率和丢失概率预测方法及装置

Info

Publication number: CN111126654B
Application number: CN201811296572.3A
Authority: CN
Inventors: 戚立才; 张怡菲
Original assignee: Beijing Qisheng Technology Co Ltd
Current assignee: Beijing Qisheng Technology Co Ltd
Priority date: 2018-11-01
Filing date: 2018-11-01
Publication date: 2023-12-19
Anticipated expiration: 2038-11-01
Also published as: CN111126654A

Abstract

本申请实施例提供一种共享车辆骑回概率和丢失概率预测方法及装置，预测方法包括：从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；获取目标共享车辆的相关信息在车辆特征和位置特征下的特征值；将目标共享车辆的相关信息的特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到目标共享车辆在被骑行出指定运营区域后被骑回指定运营区域的骑回概率。该方法通过对被骑行到制定运营区域以外的共享车辆的骑回概率进行预测，这样能够有针对性的对骑回概率较低的共享车辆进行人工运维，骑回概率较高的共享车辆则有很大的可能被用户骑回到指定运营区域，减少共享平台在人工运维人员上投入的成本。

Description

一种共享车辆骑回概率和丢失概率预测方法及装置

技术领域

本申请涉及计算机应用技术领域，具体而言，涉及一种共享车辆骑回概率和丢失概率预测方法及装置。

背景技术

为了便于资产管理，共享平台在运营共享车辆的时候，通常会设置多个运营区域；共享平台在每个运营区域内投放与该运营区域对应的共享车辆，并且要求用户在指定的运营区域内使用与该指定的运营区域对应的共享车辆。当前防止用户将共享车辆骑行出指定运营区域外的方式，一般为对将共享车辆骑行出对应的指定运营区域外的用户收取高额的费用。但是在实际运营过程中，仍然会有大量的共享车辆被骑行出指定运营区域。为了避免共享车辆丢失造成损失，这就需要运维人员进行人工运维，运维人员在进行人工运维的时候，需要将被骑行到指定运营区域以外的共享车辆重新人工投放回指定运营区域内。

在实际运营中，人工运维需要的大量的运维人员，造成共享平台在人工运维中需要投入大量的成本。

发明内容

有鉴于此，本申请实施例的目的在于提供一种共享车辆骑回概率预测方法及装置，能够通过对被骑行到指定运营区域以外的共享车辆被用户骑行回到指定运营区域的骑回概率进行预测，能够有针对性的对骑回概率较低的共享车辆进行人工运维，骑回概率较高的共享车辆则有很大的可能被用户骑回到指定运营区域，从而减少人工运维的工作量，减少共享平台在人工运维人员上投入的成本。

本申请实施例的目的还在于提供一种共享车辆丢失概率预测方法及装置，能够通过对被骑行到指定运营区域以外的共享车辆的丢失概率进行预测，能够有针对性的优先对丢失概率较高的共享车辆进行人工运维，从而减少共享车辆丢失的概率，在提高人工运维效率的同时，降低由于共享车辆丢失而造成的资产损失。

第一方面，本申请实施例提供了一种车辆骑回概率预测方法，该方法包括：

从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息；

获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；

将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率。

可选地，所述从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息，具体包括：

针对每辆被骑行出指定运营区域的共享车辆，获取该被骑行出指定运营区域的共享车辆被骑行出指定运营区域的出圈时间；

若所述出圈时间距离当前时间之间的时间长度超出预设的时间长度阈值，且该共享车辆当前并未处于使用状态，则将该共享车辆的相关信息确定为所述目标共享车辆的相关信息。

可选地，所述从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息之前，还包括：

当被使用的共享车辆关锁时，检测该共享车辆所处的当前位置是否位于与所述共享车辆对应的指定运营区域之外；

如果是，则将该共享车辆作为被骑行出指定运营区域的共享车辆。

可选地，所述车辆特征包括：实时电量特征、被骑行出指定运营区域的时间特征、投放运营时间长度特征、历史被骑行次数特征、历史报修次数特征中的至少一项；

所述位置特征包括：当前位置与该目标共享车辆对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征中至少一项。

可选地，针对所述车辆特征包括实时电量特征的情况，采用下述方式获取所述目标共享车辆的相关信息在实时电量特征下的特征值：

基于设置在所述目标共享车辆上的无线通讯模块，读取所述目标共享车辆的实时电量；

将读取的实时电量作为实时电量特征下的特征值。

可选地，针对所述车辆特征包括被骑行出指定运营区域的时间的情况，采用下述方式获取所述目标共享车辆的相关信息在该目标共享车辆被骑行出指定运营区域的时间特征下的特征值：

获取目标共享车辆在被骑行出指定运营区域后首次被关锁的关锁时间；

将所述关锁时间作为所述目标共享车辆的相关信息在该目标共享车辆被骑行出指定运营区域的时间特征下的特征值。

可选地，针对所述位置特征包括当前位置所处场所特征的情况，采用下述方式获取所述目标共享车辆的相关信息在当前位置所处场所特征下的特征值：

确定所述目标共享车辆是否处于指定场所内；

如果是，则确定所述目标共享车辆的相关信息在当前位置所处场所特征下的特征值为处于指定场所；

如果否，则确定所述目标共享车辆的相关信息在当前位置所处场所特征下的特征值为未处于指定场所。

可选地，采用下述方式确定预先训练好的共享车辆骑回概率预测模型：

确定进行共享车辆骑回概率预测所基于的基础预测模型；

将所述车辆特征以及所述位置特征作为基础预测模型的自变量，将共享车辆骑回概率作为所述基础预测模型的因变量，构建所述基础预测模型；

使用训练数据对所述基础预测模型进行训练，得到所述共享车辆骑回概率预测模型。

可选地，所述基础预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。

可选地，所述使用训练数据对所述基础预测模型进行训练，得到所述共享车辆骑回概率预测模型，具体包括：

获取多辆共享车辆样本在被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值，以及对应的是否被骑行回指定运营区域的结果；

将所述共享车辆样本每次被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值作为自变量的值，并将每次被骑行出指定运营区域后对应的是否被骑行回指定运营区域的结果作为因变量的值，代入所述基础预测模型，对所述基础预测模型进行训练，得到所述共享车辆骑回概率预测模型。

可选地，所述方法还包括：

获取多辆测试共享车辆在每次被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值，以及对应的是否被骑行回指定运营区域的结果；

基于多辆测试共享车辆在每次被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值，以及对应的是否被骑行回指定运营区域的结果，对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证。

可选地，所述对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证，具体包括：

将多辆测试共享车辆在被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值输入训练得到的所述共享车辆骑回概率预测模型，获得与每辆测试共享车辆对应的骑回概率；

基于测试的骑回概率与所述多辆测试共享车辆对应的是否被骑行回指定运营区域的结果，计算预测损失；

针对测试损失大于预设损失阈值的情况，基于所述测试共享车辆以及所述训练共享车辆在被骑行出指定运营区域后的相关信息，在所述车辆特征以及所述位置特征下的特征值，重新训练所述共享车辆骑回概率预测模型。

针对测试损失大于预设损失阈值的情况，为所述共享车辆骑回概率预测模型重新选择车辆特征和位置特征，并基于所述测试共享车辆在被骑行出指定运营区域后的相关信息，在重新选择的车辆特征和位置特征下的特征值，重新训练所述共享车辆骑回概率预测模型。

可选地，所述预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率之后，还包括：

将预测得到的所述骑回概率与预设的骑回概率阈值进行比对；

如果预测得到的所述骑回概率未达到所述预设的骑回概率阈值，则确定需要对所述目标共享车辆进行人工运维。

可选地，所述确定需要对所述目标共享车辆进行人工运维之后，还包括：

获取所述目标共享车辆的当前位置；

基于所述目标共享车辆的当前位置生成人工运维指令，并将所述人工运维指令发送给运维人员的客户端；所述运维指令用于指示运维人员将所述目标共享车辆重新投放到所述指定运营区域。

第二方面，本申请实施例还提供一种车辆骑回概率预测装置，该装置包括：

第一确定模块，用于从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；

第一获取模块，用于获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；

第一预测模块，用于将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率。

可选地，所述第一确定模块，具体用于采用下述方式从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息：

可选地，所述第一确定模块在从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息之前，还用于：

所述位置特征包括：当前位置与该目标共享车辆的相关信息对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征中至少一项。

可选地，针对所述车辆特征包括实时电量特征的情况，所述第一获取模块，用于采用下述方式获取所述目标共享车辆的相关信息在实时电量特征下的特征值：

将读取的实时电量作为实时电量特征下的特征值。

可选地，针对所述车辆特征包括被骑行出指定运营区域的时间的情况，所述第一获取模块，用于采用下述方式获取所述目标共享车辆的相关信息在该目标共享车辆被骑行出指定运营区域的时间特征下的特征值：

可选地，针对所述位置特征包括当前位置所处场所特征的情况，所述第一获取模块，用于采用下述方式获取所述目标共享车辆的相关信息在当前位置所处场所特征下的特征值：

确定所述目标共享车辆是否处于指定场所内；

如果是，则确定所述目标共享车辆在当前位置所处场所特征下的特征值为处于指定场所；

可选地，还包括：第一模型训练模块，用于采用下述方式确定预先训练好的共享车辆骑回概率预测模型：

确定进行共享车辆骑回概率预测所基于的基础预测模型；

可选地，所述第一模型训练模块，用于采用下述方式使用训练数据对所述基础预测模型进行训练，得到所述共享车辆骑回概率预测模型：

可选地，所述第一模型训练模块，还用于：

可选地，所述第一模型训练模块，用于采用下述方式对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证：

可选地，还包括：第一运维模块，将预测得到的所述骑回概率与预设的骑回概率阈值进行比对；

可选地，第一运维模块，还用于在确定需要对所述目标共享车辆进行人工运维之后：

获取所述目标共享车辆的当前位置；

第三方面，本申请实施例还提供一种电子设备，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，当电子设备运行时，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第一方面任一所述车辆骑回概率预测方法的步骤。

第四方面，本申请实施例还提供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，该计算机程序被处理器运行时执行如第一方面任意一项所述的车辆骑回概率预测方法的步骤。

第五方面，本申请实施例还提供一种车辆丢失概率预测方法，该方法包括：

从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；

将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率。

可选地，所述从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息，具体包括：

可选地，所述从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息之前，还包括：

所述位置特征包括：当前位置所处区域范围内历史丢失车辆的总数量特征、当前位置所述区域范围内在预设历史时间段内丢失车辆的数量特征、当前位置与该目标共享车辆对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征中至少一项。

可选地，采用下述方式确定预先训练好的共享车辆丢失概率预测模型：

确定进行共享车辆丢失概率预测所基于的基础预测模型；

将所述车辆特征以及所述位置特征作为基础预测模型的自变量，将共享车辆的丢失概率作为所述基础预测模型的因变量，构建所述基础预测模型；

使用训练数据对所述基础预测模型进行训练，得到所述共享车辆丢失概率预测模型。

可选地，所述使用训练数据对所述基础预测模型进行训练，得到所述共享车辆丢失概率预测模型，具体包括：

获取多辆共享车辆样本在被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值，以及对应的丢失结果；

将所述共享车辆样本每次被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值作为自变量的值，并将每次被骑行出指定运营区域后对应的丢失结果作为因变量的值，代入所述基础预测模型，对所述基础预测模型进行训练，得到所述共享车辆丢失概率预测模型。

可选地，所述方法还包括：

获取多辆测试共享车辆在每次被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值，以及对应的丢失结果；

基于多辆测试共享车辆在每次被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值，以及对应的丢失结果，对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证。

可选地，所述对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证，具体包括：

将多辆测试共享车辆在被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值输入训练得到的所述共享车辆丢失概率预测模型，获得与每辆测试共享车辆对应的丢失概率；

基于测试的丢失概率与所述多辆测试共享车辆对应的丢失结果，计算预测损失；

针对测试损失大于预设损失阈值的情况，基于所述测试共享车辆以及所述训练共享车辆在被骑行出指定运营区域后的相关信息，在所述车辆特征以及所述位置特征下的特征值，重新训练所述共享车辆丢失概率预测模型。

针对测试损失大于预设损失阈值的情况，为所述共享车辆丢失概率预测模型重新选择车辆特征和位置特征，并基于所述测试共享车辆在被骑行出指定运营区域后的相关信息，在重新选择的车辆特征以及从新选择的位置特征下的特征值，重新训练所述共享车辆丢失概率预测模型。

可选地，所述预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率之后，还包括：

将预测得到的所述丢失概率与预设的丢失概率阈值进行比对；

如果预测得到的所述丢失概率未达到所述预设的丢失概率阈值，则确定需要对所述目标共享车辆进行人工运维。

获取所述目标共享车辆的当前位置；

基于所述目标共享车辆的当前位置生成人工运维指令，并将所述人工运维指令发送给运维人员的客户端；所述运维指令用于指示运维人员寻回所述目标共享车辆。

第六方面，本申请实施例还提供一种车辆丢失概率预测装置，该装置包括：

第二确定模块，用于从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；

第二获取模块，用于获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；

第二预测模块，用于将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率。

可选地，第二确定模块，具体用于采用下述方式从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息：

可选地，所述第二确定模块，还用于从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息之前：

所述位置特征包括：当前位置所处区域范围内历史丢失车辆的总数量特征、当前位置所述区域范围内在预设历史时间段内丢失车辆的数量特征、当前位置与该目标共享车辆的相关信息对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征中至少一项。

可选地，还包括：第二模型训练模块，用于采用下述方式确定预先训练好的共享车辆丢失概率预测模型：

确定进行共享车辆丢失概率预测所基于的基础预测模型；

可选地，所述第二模型训练模块，具体用于采用下述方式使用训练数据对所述基础预测模型进行训练，得到所述共享车辆丢失概率预测模型：

可选地，所述第二模型训练模块，还用于：

可选地，所述第二模型训练模块，具体用于采用下述方式对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证：

将多辆测试共享车辆在被骑行出指定运营区域后在所述车辆特征和所述位置特征下的特征值输入训练得到的所述共享车辆丢失概率预测模型，获得与每辆测试共享车辆对应的丢失概率；

可选地，还包括：第二运维模块，用于将预测得到的所述丢失概率与预设的丢失概率阈值进行比对；

可选地，第二运维模块，还用于确定需要对所述目标共享车辆进行人工运维之后：

获取所述目标共享车辆的当前位置；

第七方面，本申请实施例还提供一种电子设备，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，当电子设备运行时，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第五方面任一所述车辆丢失概率预测的步骤。

第八方面，本申请实施例还提供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，该计算机程序被处理器运行时执行如第五方面任意一项所述的车辆丢失概率预测的步骤。

本申请实施例提供的车辆骑回概率预测方法，从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率。通过对被骑行到指定运营区域以外的共享车辆被用户骑行回到指定运营区域的骑回概率进行预测，这样就能够有针对性的对骑回概率较低的共享车辆进行人工运维，骑回概率较高的共享车辆则有很大的可能被用户骑回到指定运营区域，从而减少人工运维的工作量，减少共享平台在人工运维人员上投入的成本。

本申请实施例提供的车辆丢失概率预测方法，从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率。该方法能够通过对被骑行到指定运营区域以外的共享车辆的丢失概率进行预测，使得运营平台能够有针对性的优先对丢失概率较高的共享车辆进行人工运维，从而减少共享车辆丢失的概率，在提高人工运维效率的同时，降低由于共享车辆丢失而造成的资产损失。

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所提供的一种车辆骑回概率预测方法的流程图；

图2示出了本申请实施例所提供的车辆骑回概率预测方法中，从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息的具体方法的流程图；

图3示出了本申请实施例所提供的车辆骑回概率预测方法中，确定共享车辆骑回概率预测模型的具体方法的流程图；

图4示出了本申请实施例所提供的车辆骑回概率预测方法中，对训练得到的共享车辆骑回概率预测模型进行测试的具体方法的流程图；

图5示出了本申请实施例所提供的另一种共享车辆骑回概率预测方法的流程图；

图6示出了本申请实施例所提供的一种车辆骑回概率预测装置的结构示意图；

图7示出了本申请实施例所提供的一种计算机设备100的结构示意图；

图8示出了本申请实施例所提供的一种车辆丢失概率预测方法的流程图；

图9示出了本申请实施例所提供的车辆丢失概率预测方法中，从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息的具体方法的流程图；

图10示出了本申请实施例所提供的另一种车辆丢失概率预测方法的流程图；

图11示出了本申请实施例所提供的一种车辆丢失概率预测装置的结构示意图；

图12示出了本申请实施例所提供的另一种计算机设备200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。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。

目前为了避免共享车辆的丢失，线下运维人员需要将被骑行到指定运营区域范围外的共享车辆人工投放回指定运营区域内。人工运维过程中需要大量的线下运维人员，造成共享平台需要在人工运维中投入大量的成本。

另外，人工运维的时候，一般是分区域按照就近原则，将所有位于指定运营区域外的共享车辆作为目标共享车辆进行寻回，这样可能会导致某些丢失概率较高的共享车辆由于寻回较晚而丢失，并且某些丢失概率较低的共享车辆由于寻回时间早浪费人力，在造成人工运维效率低的同时，共享平台的资产损失概率也会比较大。

基于此，本申请实施例提供一种共享车辆骑回概率预测方法及装置，能够通过对被骑行到指定运营区域以外的共享车辆被用户骑行回到指定运营区域的骑回概率进行预测，能够有针对性的对骑回概率较低的共享车辆进行人工运维，骑回概率较高的共享车辆则有很大的可能被用户骑回到指定运营区域，从而减少人工运维的工作量，减少共享平台在人工运维人员上投入的成本。

本申请实施例还提供一种共享车辆丢失概率预测方法及装置，能够通过对被骑行到指定运营区域以外的共享车辆的丢失概率进行预测，能够有针对性的优先对丢失概率较高的共享车辆进行人工运维，从而减少共享车辆丢失的概率，在提高人工运维效率的同时，降低由于共享车辆丢失而造成的资产损失。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种车辆骑回概率预测方法进行详细介绍。

参见图1所示，本申请实施例提供的车辆骑回概率预测方法包括：

S101：从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息。

在具体实现的时候，被骑行出指定运营区域的共享车辆，是指共享车辆在被关锁时，位于指定运营区域以外的共享车辆。如果共享车辆在使用过程中，有部分骑行路段位于指定运营区域以外，但最终在指定运营区域内关锁，则这种共享车辆并不作为被骑行出指定运营区域的共享车辆。

目标共享车辆可以是所有被骑行出指定运营区域的所有共享车辆。另外，为了能够减少运营平台的计算压力，也可以从被骑行出指定运营区域的共享车辆中筛选出满足一定条件的共享车辆作为目标共享车辆。

一般地，预测共享车辆骑回概率的目的是为了有针对性的对于骑回概率较低的共享车辆进行优先线下运维。当共享车辆处于使用状态时，共享平台是无法准确预测到共享车辆被骑行的目的地的，其可能在此次使用过程中被骑行回到指定运营区域，因此，假若一辆被骑行出指定运营区域外的共享车辆正处于使用状态，一般不会作为目标共享车辆。同时，假若一辆共享车辆长期位于指定运营区域外被使用，如某共享车辆被骑行出指定运营区域后，一直在指定运营区域外被使用；如果超出了一定时间还没有被骑行回指定运营区域，也是需要线下运维人员优先对其进行线下运营。因此，可以基于这两个原则来从所有被骑行出指定运营区域的共享车辆中筛选目标共享车辆。

具体地，参见图2所示，本申请实施例提一种从被骑行出指定运营区域的共享车辆中确定目标共享车辆的相关信息的具体方法，包括：

S201：针对每辆被骑行出指定运营区域的共享车辆，获取该被骑行出指定运营区域的共享车辆被骑行出指定运营区域的出圈时间。

S202：若所述出圈时间距离当前时间之间的时间长度超出预设的时间长度阈值，且该共享车辆当前并未处于使用状态，则将该共享车辆的相关信息确定为所述目标共享车辆的相关信息。

在具体实现的时候，被骑行出指定运营区域的共享车辆，是指当被使用的共享车辆被关锁时，位于指定运营区域之外的共享车辆。因此，在从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息之前，还要确定被骑行出指定运营区域的共享车辆。

本申请实施例可以通过下述方式确定被骑行出运营区域的共享车辆：

当被使用的共享车辆关锁时，检测该共享车辆所处的当前位置是否位于与所述共享车辆对应的指定运营区域之外；如果是，则将该共享车辆作为被骑行出指定运营区域的共享车辆。

具体地，共享平台可以维护一组被骑行出指定运营区域的共享车辆的相关信息。该组数据可以以表格的形式存储，也可以以链表的形式存储。

以表格的形式存储该组数据为例：所有被骑行出指定运营区域的共享车辆的相关数据都被保存在一张出圈车辆表格中。

共享平台会在共享单车开锁和关锁的时候，分别检测共享单车的位置。假若共享单车在开锁的时候，其位置位于与该共享车辆对应的指定区域以内，且关锁的时候，其位置位于与该共享车辆对应的指定运营区域以外，则将该共享车辆作为被骑行出指定运营区域的共享车辆，并将该被骑行出指定运营区域的共享车辆的相关数据，如车辆标识、当前位置、使用记录等添加到出圈车辆表格中。

假若共享车辆在开锁的时候，其位置位于与该共享车辆对应的指定运营区域以外，且在关锁的时候，其位置也位于与该共享车辆对应的指定运营区域以外，则该共享车辆也作为被骑行出指定运营区域的共享车辆。但由于该共享车辆在从指定运营区域内被骑行至运营区域外时，已经在出圈车辆表格中记录过该共享车辆的相关数据，因此此次不再将该共享车辆的相关信息添加到出圈车辆表格中。

假若共享车辆在开锁的时候，其位置位于与该共享车辆对应的指定运营区域以外，且在关锁的时候，其位置位于与该共享车辆对应的指定运营区域以内，则该共享车辆不能再作为被骑行出指定运营区域的共享车辆。需要将该共享车辆的相关信息从出圈车辆表格中删除。

假若共享车辆在开锁的时候，其位置位于与该共享车辆对应的指定运营区域以内，且在关锁的时候，其位置也位于与该共享车辆对应的指定运营区域以内，则该共享车辆并非被骑行出指定运营区域的共享车辆。

另外，也可以不将被骑行出指定运营区域的共享车辆的相关信息以单独保存，而是将共享车辆是否被骑行出指定运营区域作为每辆共享车辆的一项数据属性信息，与该共享车辆的相关信息对应保存。

例如，当共享车辆被骑行出指定运营区域以外时，也即从指定运营区域以内骑行至运营区域以外时，对该共享车辆添加一“出圈”标识，该标识用于指示该共享车辆目前属于被骑行出指定运营区域的共享车辆。当被添加了“出圈”标识的共享车辆在指定运营区域以外被使用，且关锁时仍然位于指定运营区域以外时，该共享车辆的“出圈”标识不会做更改。当被添加了“出圈”标识的共享车辆又被骑行回到指定运营区域之内时，也即，被添加了“出圈”标识的共享车辆在某次关锁的时候，其位置位于与该共享车辆对应的指定运营区域以内，则将该共享车辆“出圈”标识删除。

此时需要注意的是，每次为共享车辆添加“出圈”标识的时候，还要记录该共享车辆的出圈时间。

出圈时间是指被骑行出指定运营区域的共享车辆被行出指定运营区域的时间。

具体地，虽然共享车辆在被骑行过程中的骑行目的地是较难预测的，但共享平台能够对共享车辆的位置进行跟踪。因此当共享车辆在骑行过程中被骑行出指定运营区域，共享平台能够记录该被骑行出执行运营区域的时间。如果该共享车辆本次使用结束时位于执行运营区域外，则将记录的被骑行出指定运营区域的时间作为该共享车辆的出圈时间。这需要对所有共享车辆的使用过程都进行追踪，所需要的计算资源较多。

另外，共享车辆在结束使用，也即关锁的时候，共享平台都会记录关锁时间并且检测共享车辆在关锁的时候所在的位置，此时，共享平台可以根据共享车辆在关锁时所在的位置确定共享车辆是否被骑行出指定运营区域。当某共享车辆在开锁时位于指定运营区域内，但在关锁时位于指定运营区域外，则认为此次共享车辆被骑行出指定运营区域，并将共享车辆在此结束使用时的时间作为其出圈时间。

这里需要注意的是，假若某共享车辆在某次被使用时，开锁时位于指定运营区域外，且在关锁时也位于指定运营区域外，此时不能将该次关锁时间作为其出圈时间。

在一般情况下，共享车辆被骑行出目标运营区域越久，则其丢失的概率也就越大。因此为了提升线下运营的效率，对于部分在骑行出指定运营区域时间较短的共享车辆可以延后找回，而是优先对骑行出指定运营区域时间较久的共享车辆优先找回，因此可以设置一时间长度阈值，在得到骑行出指定运营区域的共享车辆的出圈时间后，如果该出圈时间距离当前时间之间的时间长度未超出该预设的时间长度阈值，则不对其进行检测。

从被骑行出指定运营区域的共享车辆中确定目标共享车辆的相关信息之后，本申请实施例提供的车辆骑回概率预测方法还包括：

S102：获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；

在具体实现的时候，车辆特征和位置特征是预先训练好的共享车辆骑回概率预测模型中的自变量，骑回概率则是骑回概率预测模型中的因变量。车辆特征和位置特征是在对共享车辆骑回概率预测模型训练过程中确定的。

在本申请实施例中，所述车辆特征包括：实时电量特征、被骑行出指定运营区域的时间特征、投放运营时间长度特征、历史被骑行次数特征、历史报修次数特征中的至少一项。

(1)：针对车辆特征包括实时电量特征的情况，可以采用下述方式获取所述目标共享车辆的相关信息在实时电量特征下的特征值：

将读取的实时电量作为实时电量特征下的特征值。

(2)：针对车辆特征包括被骑行出指定运营区域的时间特征，可以采用下述方式获取所述目标共享车辆的相关信息在该目标共享车辆被骑行出指定运营区域的时间特征下的特征值：

此处，目标共享车辆在被骑行出指定运营区域后首次被关锁的关锁时间与上述实施例中的出圈时间是一致的。因此在从被骑行出指定运营区域的共享车辆的相关信息中确定目标的共享车辆的相关信息时，就能够获得出圈时间，并将该出圈时间作为目标共享车辆的相关信息在该目标共享车辆被骑行出指定运营区域的时间特征下的特征值。

(3)：针对车辆特征包括投放运营时间长度特征的情况，投放运营时间长度可以是目标共享车辆作为一辆新的共享车辆被投放运营的时间距离当前时间的时间长度，也可以是指最近一次被骑行出执行运营区域后，被重新投放至指定运营区域的时间距离当前时间的时间长度。

针对上述两种不同的情况，获取目标共享车辆在投放运营时间长度特征下的特征值的具体方法也有所不同：

针对投放运营时间长度包括目标共享车辆作为一辆新的共享车辆投放运营的时间距离当前时间的时间长度的情况，每一辆共享车辆在被首次投放运营的时候，共享平台会记录该共享车辆首次投放运营的时间，并将该首次投放运营的时间与该目标共享车辆的身份标识对应保存。当需要获得取目标共享车辆的相关信息在投放运营时间长度特征下的特征值时，可以基于目标共享车辆的身份标识，获得与其身份标识对应保存的首次投放运营的时间，然后将该首次投放运营的时间和当前时间之间的时间长度，作为该目标共享车辆的相关信息在投放运营时间长度特征下的特征值。

针对投放运营时间长度包括最近一次被骑行出指定运营区域后，被重新投放至指定运营区域的时间的情况，每一辆共享车辆在被骑行出指定运营区域后，可能被用户又重新骑行至指定运营区域以内，也可能被线下运维人员人工重新投放至指定运营区域。针对共享车辆在被骑行出指定运营区域后，又被用户重新骑行至指定运营区域以内的情况，可以将共享车辆被骑行回指定运营区域后的首次被关锁的关锁时间，作为其重新被投放至指定运营区域的时间。针对共享车辆被线下运维人员人工重新投放至指定运营区域的情况，共享平台会记录线下运维人员重新将共享车辆从指定运营区域外寻回，并重新投放运营至指定运营区域的时间。当某辆共享车辆被确定为目标共享车辆后，直接读取该重新投放至指定运营区域的时间，并将读取到的时间和当前时间之间的时间长度，作为目标共享车辆的相关信息在投放运营时间长度特征下的特征值。

(4)：针对车辆特征包括历史被骑行次数特征的情况，每辆共享车辆在被使用的时候，共享平台都会对其使用情况进行记录，例如每次被使用的开锁时间、关锁时间、开锁位置、关锁位置、骑行距离、骑行路线、支付金额等。在获取目标共享车辆的相关信息在历史被骑行次数特征下的特征值时，可以基于该使用情况的记录直接计算得到。

(5)：针对车辆特征包括历史保修次数特征的情况，每辆共享车辆在被报修的时候。共享平台都会对其报修情况进行记录。在获取目标共享车辆的相关信息在历史报修此处特征下的特征值时，可以基于该报修情况的记录直接计算得到。

Ⅰ：针对位置特征包括当前位置与该目标共享车辆的相关信息对应的指定运营区域之间的距离特征的情况，目标共享车辆的当前位置与该目标共享车辆对应的指定运营区域之间的距离，可以是目标共享车辆的当前位置与该目标共享车辆对应的指定运营区域的中心之间的距离，也可以是目标共享车辆的当前位置与该目标共享车辆对应的指定运营区域的边缘的最近距离。

Ⅱ：针对位置特征包括当前位置与最近一条马路的距离特征的情况，可以通过检测目标共享车辆的当前位置，并根据目标共享车辆的当前位置，确定目标共享车辆当前位置周边的马路，将共享车辆与马路的直线距离中的最短距离，作为目标共享车辆在当前位置与最近一条马路的距离特征下的特征值。也可以确定目标共享车辆的当前位置到达马路的最短路径的长度，将该最短路径的长度作为目标共享车辆在当前位置与最近一条马路的距离特征下的特征值。

Ⅲ：针对位置特征包括所处场所特征的情况，在一般情况下，目标共享车辆所处的位置越繁华，人流量越大，则其被使用的概率也就越高。

因此，本申请实施例会预设多个指定场所，如居民小区、地铁站、商场、办公场所等，如果目标共享车辆在关锁时位于这些指定场所，则其被骑行的概率明显要比其位于其它人流量较小的场所的概率要高。因此，本申请实施例通过下述方式获取目标共享车辆的相关信息在所处场所特征下的特征值：

确定所述目标共享车辆是否处于指定场所内；

S103：将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率。

在具体实现的时候，共享车辆骑回概率预测模型是使用训练数据预先训练得到的。训练数据包括：多辆共享车辆样本在被骑行出指定运营区域后，在车辆特征和位置特征下的特征值，以及对应的是否被骑行回指定运营区域的结果。

在对共享车辆骑回概率预测模型进行训练的之前，可以为共享车辆骑回概率预测模型确定多种车辆特征和位置特征。在训练过程中，共享车辆骑回概率预测模型可以从中自动选择对预测结果有贡献的特征。

具体地，为了能够让样本尽可能的准确，从而能训练得到精度更高的共享车辆骑回概率预测模型，训练数据包括正样本训练数据和负样本训练数据。正样本训练数据是指共享车辆在被骑行出指定运营区域后的相关信息，在预设时间内又被骑行回到指定运营区域的共享车辆样本在多种车辆特征和位置特征下的特征值。负样本是指共享车辆在被骑行出指定运营区域后的相关信息，在预设时间内未被骑行回到指定运营区域的共享车辆样本在多种车辆特征和位置特征下的特征值。

例如，一辆共享车辆样本被用户从指定运营区域内骑行至指定运营区域外，并在后续48小时内又被用户从指定运营区域外骑行回到指定运营区域内，将该共享车辆样本的是否被骑行回指定运营区域的结果标记为1，将该共享车辆对应的是否被骑行回指定运营区域的结果该共享车辆在车辆特征和位置特征下的特征值作为正样本训练数据。一辆共享车辆样本被用户从指定运营区域内骑行至指定运营区域外，并在后续48小时内未被用户从指定运营区域外骑行回到指定运营区域内，将该共享车辆样本的是否被骑行回指定运营区域的结果标记为0，将该共享车辆对应的是否被骑行回指定运营区域的结果该共享车辆在车辆特征和位置特征下的特征值作为负样本训练数据。

在确定了训练数据后，就要基于训练数据确定共享车辆骑回概率预测模型。

具体地，参见图3所示，本申请实施例提供还提供一种确定共享车辆骑回概率预测模型的具体方法，包括：

S301：确定进行共享车辆骑回概率预测所基于的基础预测模型。

S302：将所述车辆特征以及所述位置特征作为基础预测模型的自变量，将共享车辆骑回概率作为所述基础预测模型的因变量，构建所述基础预测模型。

S303：使用训练数据对所述基础预测模型进行训练，得到所述共享车辆骑回概率预测模型。

此处，所述基础预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。

其中，针对不同的基础预测模型，具有不同的模型训练方法。但是其原理是类似的。

例如对于逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型而言，训练模型的过程，实际上是使用多辆共享车辆样本在被骑行出指定运营区域后，在所述车辆特征和所述位置特征下的特征值，以及对应的是否被骑行回指定运营区域的结果，求解模型中未知参数的过程。

其中，基础预测模型中的参数可以为：与每个解释变量对应的权重系数，和附加系数。对模型训练的过程，即为对权重系数和附加系数进行求解的过程，也即：将所述共享车辆样本每次被骑行出指定运营区域后，在所述车辆特征和所述位置特征下的特征值作为自变量的值，并将每次被骑行出指定运营区域后对应的是否被骑行回指定运营区域的结果作为因变量的值，代入所述基础预测模型，计算所述基础预测模型中各个解释变量的权重系数和所述基础预测模型的附加系数，最终得到训练后的共享车辆骑回概率预测模型。

具体地，在训练基础预测模型的时候，可以共享车辆样本每次被骑行出指定运营区域后，在所述车辆特征和所述位置特征下的特征值作为自变量的值构成解释变量矩阵，并将每个解释变量的参数构成参数矩阵，将将每次被骑行出指定运营区域后对应的是否被骑行回指定运营区域的结果作为因变量的值构成被解释变量矩阵，然后基于构成的解释变量矩阵、参数矩阵以及被解释变量矩阵，对参数矩阵进行求解，从而得到共享车辆骑回概率预测模型。

针对深度学习模型而言，需要预先构建深度学习网络，然后将共享车辆样本每次被骑行出指定运营区域后，在所述车辆特征和所述位置特征下的特征值作为自变量的值作为深度学习网络的输入，将每次被骑行出指定运营区域后对应的是否被骑行回指定运营区域的结果作为因变量的值作为参考结果，对深度学习网络进行有监督的训练，得到共享车辆骑回概率预测模型。

针对决策树模型而言，训练模型的过程，实际上是使用共享车辆样本在被骑行出指定运营区域后，在所述车辆特征和所述位置特征下的特征值以及对应的是否被骑行回指定运营区域的结果建决策树的过程。

梯度下降树模型(Gradient Boosting Decision Tree，GBDT)和梯度提升树(Extreme Gradient Boosting，xgboost)的构建过程也是使用共享车辆样本在被骑行出指定运营区域后，在所述车辆特征和所述位置特征下的特征值以及对应的是否被骑行回指定运营区域的结果建对应的树的过程。

其中，xgboost是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动利用中央处理器的多线程进行并行。利用xgboost模型进行训练的目的为得到提升树(boosting tree)结构，利用提升树结构得到预测函数，从而预测出目标共享车辆的骑回概率。提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个特征。得到提升树结构的过程，可以根据特征和分类损失确定分裂节点，然后将特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。

另外，在本申请实施例中，为了保证共享车辆骑回概率预测模型的精确度，在基于训练数据训练共享车辆骑回概率预测模型之后，还包括：对训练得到的共享车辆骑回概率预测模型进行测试的过程。

参见图4所示，本申请实施例提供的对训练得到的共享车辆骑回概率预测模型进行测试的过程包括：

S401：获取多辆测试共享车辆在每次被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值，以及对应的是否被骑行回指定运营区域的结果；

S402：基于多辆测试共享车辆在每次被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值，以及对应的是否被骑行回指定运营区域的结果，对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证。

具体地，测试共享车辆的筛选条件与共享车辆样本的筛选条件一致。

在对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证时候，有下述两种方式：

其一：将多辆测试共享车辆在被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值输入训练得到的所述共享车辆骑回概率预测模型，获得与每辆测试共享车辆对应的骑回概率；

此处，在对共享车辆骑回概率预测模型进行测试的时候，实际上是要将测试数据输入至共享车辆骑回概率预测模型模型中，计算共享车辆骑回概率预测模型对测试数据预测结果的准确程度。准确程度越高，则认为共享车辆骑回概率预测模型的精度也就越高。如果准确程度较低，则认为共享车辆骑回概率预测模型的精度也低，泛化能力也不够，因此会使用测试数据和训练数据重新对共享车辆骑回概率预测模型进行训练，从而提升共享车辆骑回概率预测模型的精度和泛化能力。

其二：将多辆测试共享车辆在被骑行出指定运营区域后的相关信息，在所述车辆特征和所述位置特征下的特征值输入训练得到的所述共享车辆骑回概率预测模型，获得与每辆测试共享车辆对应的骑回概率；

此处，在对共享车辆骑回概率预测模型进行测试的时候，实际上是通过尝试不同的车辆特征和位置特征对骑回概率造成的影响程度来确定共享车辆骑回概率预测模型。在多轮迭代中，不断调整车辆特征和位置特征的具体内容，能够将其中对骑回概率影响较大的特征从中筛选出来，将影响小或者没有影响的特征去除掉，从而降低模型的体积。

在具体实现的时候，预测损失是指基于测试的骑回概率与所述多辆测试共享车辆对应的是否被骑行回指定运营区域的结果不同的样本数量所占据总的样本数量的比值。预测损失越大，则表征训练后的共享车辆骑回概率预测模型的精度越低，泛化能力也越低；预测损失越小，则表征共享车辆骑回概率预测模型的精度越高，泛化能力越强。

如此，经过对训练后的所述共享车辆骑回概率预测模型的测试，若不满足要求，则重新对下单转化率预测模型进行训练，若满足要求，则将测试后的共享车辆骑回概率预测模型作为对目标共享车辆的骑回概率进行预测时所使用的共享车辆骑回概率预测模型。

参见图5所示，本申请实施例还提供另外一种共享车辆骑回概率预测方法，该方法包括：

S501：从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息。

此处，该S501与上述S101类似，在此不再赘述。

S502：获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值。

此处，该S502与上述S102类似，在此不再赘述。

S503：将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率。

此处，该S503与上述S103类似，在此不再赘述。

S504：将预测得到的所述骑回概率与预设的骑回概率阈值进行比对。

S505：如果预测得到的所述骑回概率未达到所述预设的骑回概率阈值，则确定需要对所述目标共享车辆进行人工运维。

此处，预设的骑回概率阈值可以根据实际的需要进行具体设定。可以设置一个，也可以设置多个。

当预设的骑回概率阈值有一个时，优先对达到该预设骑回概率阈值的目标共享车辆进行人工运维。当预设的骑回概率阈值有多个时，可以针对不同的预设的骑回概率阈值确定不同的优先级；骑回概率阈值越高，则其优先级越高，针对到达该骑回概率阈值的目标共享车辆进行更加优先的人工运维。骑回概率阈值越低，则其优先级越低，则人工运维的越滞后。

在确定需要对所述目标共享车辆进行人工运维之后，获取所述目标共享车辆的当前位置；基于所述目标共享车辆的当前位置生成人工运维指令，并将所述人工运维指令发送给运维人员的客户端；所述运维指令用于指示运维人员将所述目标共享车辆重新投放到所述指定运营区域。

可选地，此时为了确保让线下运维人员在寻找确定需要进行人工运维的共享车辆的过程中，该共享车辆不被用户使用，则可以向该共享车辆发送暂停使用的指令，使得该共享车辆进入暂停使用状态，也即用户无法对其进行开锁的状态，以保证人工运维的效率。

基于同一发明构思，本申请实施例中还提供了与车辆骑回概率预测方法对应的车辆骑回概率预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述车辆骑回概率预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

参见图6所示，本申请实施例提供的车辆骑回概率预测装置，包括：

第一确定模块61，用于从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；

第一获取模块62，用于获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；

第一预测模块63，用于将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率。

可选地，所述第一确定模块61，具体用于采用下述方式从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息：

可选地，所述第一确定模块61在从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息之前，还用于：

可选地，针对所述车辆特征包括实时电量特征的情况，所述第一获取模块62，用于采用下述方式获取所述目标共享车辆的相关信息在实时电量特征下的特征值：

将读取的实时电量作为实时电量特征下的特征值。

可选地，针对所述车辆特征包括被骑行出指定运营区域的时间的情况，所述第一获取模块62，用于采用下述方式获取所述目标共享车辆的相关信息在该目标共享车辆被骑行出指定运营区域的时间特征下的特征值：

可选地，针对所述位置特征包括当前位置所处场所特征的情况，所述第一获取模块62，用于采用下述方式获取所述目标共享车辆的相关信息在当前位置所处场所特征下的特征值：

确定所述目标共享车辆是否处于指定场所内；

可选地，参见图6所示，还包括：第一模型训练模块64，用于采用下述方式确定预先训练好的共享车辆骑回概率预测模型：

确定进行共享车辆骑回概率预测所基于的基础预测模型；

可选地，所述第一模型训练模块64，用于采用下述方式使用训练数据对所述基础预测模型进行训练，得到所述共享车辆骑回概率预测模型：

可选地，所述第一模型训练模块64，还用于：

可选地，所述第一模型训练模块64，用于采用下述方式对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证：

可选地，参见图6所示，还包括：第一运维模块65，将预测得到的所述骑回概率与预设的骑回概率阈值进行比对；

可选地，第一运维模块65，还用于在确定需要对所述目标共享车辆进行人工运维之后：

获取所述目标共享车辆的当前位置；

对应于图1中的车辆骑回概率预测方法，本申请实施例还提供了一种计算机设备100，如图7所示，该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序，其中，上述处理器2000执行上述计算机程序时实现上述车辆骑回概率预测方法的步骤。

具体地，上述存储器1000和处理器2000能够为通用的存储器和处理器，这里不做具体限定，当处理器2000运行存储器1000存储的计算机程序时，能够执行上述车辆骑回概率预测方法，从而解决人工运维效率低的问题，进而通过对被骑行到指定运营区域以外的共享车辆被用户骑行回到指定运营区域的骑回概率进行预测，这样就能够有针对性的对骑回概率较低的共享车辆进行人工运维，骑回概率较高的共享车辆则有很大的可能被用户骑回到指定运营区域，从而减少人工运维的工作量，减少共享平台在人工运维人员上投入的成本的效果。

对应于图1中的车辆骑回概率预测方法，本申请实施例还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，该计算机程序被处理器运行时执行上述车辆骑回概率预测方法的步骤。

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，该存储介质上的计算机程序被运行时，能够执行上述客车辆骑回概率预测方法，从而解决人工运维效率低的问题，进而通过对被骑行到指定运营区域以外的共享车辆被用户骑行回到指定运营区域的骑回概率进行预测，这样就能够有针对性的对骑回概率较低的共享车辆进行人工运维，骑回概率较高的共享车辆则有很大的可能被用户骑回到指定运营区域，从而减少人工运维的工作量，减少共享平台在人工运维人员上投入的成本的效果。

基于同一发明构思，本申请实施例中还提供了一种车辆丢失概率预测方法。

参见图8所示，本申请实施例提供的车辆丢失概率预测方法包括：

S801：从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息。

在具体实现的时候，S801的实现过程和S101的实现过程类似。

参见图9所示，本申请实施例提供从被骑行出指定运营区域的共享车辆中确定目标共享车辆的相关信息的具体方法，包括：

S901：针对每辆被骑行出指定运营区域的共享车辆，获取该被骑行出指定运营区域的共享车辆被骑行出指定运营区域的出圈时间；

S902：若所述出圈时间距离当前时间之间的时间长度超出预设的时间长度阈值，且该共享车辆当前并未处于使用状态，则将该共享车辆的相关信息确定为所述目标共享车辆的相关信息。

在从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息之前，还包括：

S802：获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值。

此处，所述车辆特征包括：实时电量特征、被骑行出指定运营区域的时间特征、投放运营时间长度特征、历史被骑行次数特征、历史报修次数特征中的至少一项。

目标共享车辆的相关信息在上述车辆特征下的特征值的获取方法可以参见上述S102中的(1)～(5)所示，在此不再赘述。

所述位置特征包括：当前位置所处区域范围内历史丢失车辆的总数量、当前位置所述区域范围内在预设历史时间段内丢失车辆的数量、当前位置与该目标共享车辆的相关信息对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征中至少一项。

目标共享车辆在分别当前位置与该目标共享车辆对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征下的特征值的获取方法参见上述S102中的Ⅰ～Ⅲ所述，在此不再赘述。

针对位置特征包括当前位置所处区域范围内历史丢失车辆的总数量特征的情况：

共享平台会周期性的对每辆共享车辆的位置进行追踪和统计。假若共享车辆丢失，可以根据对位置的追踪确定其丢失的位置。并且，在进行丢失统计的时候，会划分多个区域范围。在共享车辆当前位置归属的区域范围内，对丢失的共享车辆的数量进行统计，将统计得到的丢失的共享车辆的数量作为目标共享车辆当前位置所处区域范围内历史丢失车辆的总数量特征下的特征值。

或者也可以提前对划分的各个区域范围中丢失的共享车辆进行统计。当需要确定目标共享车辆在当前位置所处区域范围内历史丢失车辆的总数量特征下的特征值时，根据目标共享车辆的当前位置确定其所处的区域范围，然后读取提前统计好的丢失车辆的总数量，并将读取的提前统计好的丢失车辆的总数量作为目标共享车辆当前位置所处区域范围内历史丢失车辆的总数量特征下的特征值。

针对位置特征包括当前位置所述区域范围内在预设历史时间段内丢失车辆的数量特征的情况，获取当前位置所述区域范围内在预设历史时间段内丢失车辆的数量特征下的特征值的方式与上述获取目标共享车辆当前位置所处区域范围内历史丢失车辆的总数量特征下的特征值的方法类似，共享平台会周期性的对每辆共享车辆的位置进行追踪和统计外，还会对其丢失时间进行统计，然后根据丢失时间以及预设的历史时间段，确定目标共享车辆在当前位置所述区域范围内在预设历史时间段内丢失车辆的数量特征下的特征值。

S803：将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率。

在具体实现的时候，共享车辆丢失概率预测模型的训练过程与共享车辆骑回概率预测模型类似，可参见上述S103的描述，在此不再赘述。

具体地，采用下述方式确定预先训练好的共享车辆丢失概率预测模型：

确定进行共享车辆丢失概率预测所基于的基础预测模型；

所述使用训练数据对所述基础预测模型进行训练，得到所述共享车辆丢失概率预测模型，具体包括：

所述方法还包括对共享车辆丢失概率预测模进行验证的过程：

其一：所述对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证，具体包括：

其二，所述对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证，具体包括：

参见图10所示，本申请实施例还提供另外一种车辆丢失概率预测方法，包括：

S1001：从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息。

S1002：获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值。

S1003：将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率。

S1004：将预测得到的所述丢失概率与预设的丢失概率阈值进行比对。

S1005：如果预测得到的所述丢失概率未达到所述预设的丢失概率阈值，则确定需要对所述目标共享车辆进行人工运维。

此处，预设的丢失概率阈值可以根据实际的需要进行具体设定。可以设置一个，也可以设置多个。

当预设的丢失概率阈值有一个时，优先对达到该预设丢失概率阈值的目标共享车辆进行人工运维。当预设的丢失概率阈值有多个时，可以针对不同的预设的丢失概率阈值确定不同的优先级；丢失概率阈值越高，则其优先级越高，针对到达该丢失概率阈值的目标共享车辆进行更加优先的找回。丢失概率阈值越低，则其优先级越低，则找回可以相应的延后。

在确定需要对所述目标共享车辆进行人工找回，获取所述目标共享车辆的当前位置；基于所述目标共享车辆的当前位置生成人工运维指令，并将所述人工运维指令发送给运维人员的客户端；所述运维指令用于指示运维人员寻回所述目标共享车辆。

基于同一发明构思，本申请实施例中还提供了与车辆丢失概率预测方法对应的车辆丢失概率预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述车辆丢失概率预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

参见图11所示，本申请实施例提供车辆丢失概率预测装置，包括：

第二确定模块111，用于从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；

第二获取模块112，用于获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；

第二预测模块113，用于将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率。

本申请实施例提供的车辆丢失概率预测装置，从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率。该方法能够通过对被骑行到指定运营区域以外的共享车辆的丢失概率进行预测，使得运营平台能够有针对性的优先对丢失概率较高的共享车辆进行人工运维，从而减少共享车辆丢失的概率，在提高人工运维效率的同时，降低由于共享车辆丢失而造成的资产损失。

可选地，第二确定模块111，具体用于采用下述方式从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息：

可选地，所述第二确定模块111，还用于从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息之前：

可选地，参加图11所示，还包括：第二模型训练模块114，用于采用下述方式确定预先训练好的共享车辆丢失概率预测模型：

确定进行共享车辆丢失概率预测所基于的基础预测模型；

可选地，所述第二模型训练模块114，具体用于采用下述方式使用训练数据对所述基础预测模型进行训练，得到所述共享车辆丢失概率预测模型：

可选地，所述第二模型训练模块114，还用于：

可选地，所述第二模型训练模块114，具体用于采用下述方式对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证：

可选地，参见图11所示，还包括：第二运维模块115，用于将预测得到的所述丢失概率与预设的丢失概率阈值进行比对；

可选地，第二运维模块115，还用于确定需要对所述目标共享车辆进行人工运维之后：

获取所述目标共享车辆的当前位置；

对应于图8中的车辆丢失概率预测方法，本申请实施例还提供了一种计算机设备200，如图12所示，该设备包括存储器3000、处理器4000及存储在该存储器3000上并可在该处理器4000上运行的计算机程序，其中，上述处理器4000执行上述计算机程序时实现上述车辆丢失概率预测方法的步骤。

具体地，上述存储器3000和处理器4000能够为通用的存储器和处理器，这里不做具体限定，当处理器4000运行存储器3000存储的计算机程序时，能够执行上述车辆丢失概率预测方法，从而解决人工运维效率低的问题，进而能够通过对被骑行到指定运营区域以外的共享车辆的丢失概率进行预测，使得运营平台能够有针对性的优先对丢失概率较高的共享车辆进行人工运维，从而减少共享车辆丢失的概率，在提高人工运维效率的同时，降低由于共享车辆丢失而造成的资产损失的效果。

对应于图8中的车辆丢失概率预测方法，本申请实施例还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，该计算机程序被处理器运行时执行上述车辆丢失概率预测方法的步骤。

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，该存储介质上的计算机程序被运行时，能够执行上述车辆丢失概率预测方法，从而解决人工运维效率低的问题，进而能够通过对被骑行到指定运营区域以外的共享车辆的丢失概率进行预测，使得运营平台能够有针对性的优先对丢失概率较高的共享车辆进行人工运维，从而减少共享车辆丢失的概率，在提高人工运维效率的同时，降低由于共享车辆丢失而造成的资产损失的效果。

本申请实施例所提供的共享车辆骑回概率和丢失概率预测方法及装置的计算机程序产品，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。

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。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，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申请揭露的技术范围内，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申请实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。

Claims

1.一种车辆骑回概率预测方法，其特征在于，该方法包括：

从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息；所述目标共享车辆为位于所述指定运营区域以外，处于关锁状态的共享车辆；

获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；所述车辆特征包括：实时电量特征、被骑行出指定运营区域的时间特征、投放运营时间长度特征、历史被骑行次数特征、历史报修次数特征中的至少一项；所述位置特征包括：当前位置与该目标共享车辆对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征中至少一项；

将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率；所述共享车辆骑回概率预测模型是将多辆共享车辆样本的车辆特征和位置特征下的特征值作为自变量的值，将每次被骑行出指定运营区域后对应的是否被骑行回指定运营区域的结果作为因变量的值，代入基础预测模型，对所述基础预测模型进行训练，得到共享车辆骑回概率预测模型后，再将多辆测试共享车辆的车辆特征和位置特征下的特征值，代入训练得到的所述共享车辆骑回概率预测模型中，得到每辆测试共享车辆对应的骑回概率，根据每辆测试共享车辆对应的骑回概率计算得到的预测损失，重新训练所述共享车辆骑回概率预测模型后得到的。

2.根据权利要求1所述的方法，其特征在于，所述从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息，具体包括：

3.根据权利要求2所述的方法，其特征在于，所述从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息之前，还包括：

4.根据权利要求1所述的方法，其特征在于，针对所述车辆特征包括实时电量特征的情况，采用下述方式获取所述目标共享车辆的相关信息在实时电量特征下的特征值：

将读取的实时电量作为实时电量特征下的特征值。

5.根据权利要求1所述的方法，其特征在于，针对所述车辆特征包括被骑行出指定运营区域的时间的情况，采用下述方式获取所述目标共享车辆的相关信息在该目标共享车辆被骑行出指定运营区域的时间特征下的特征值：

6.根据权利要求1所述的方法，其特征在于，针对所述位置特征包括当前位置所处场所特征的情况，采用下述方式获取所述目标共享车辆的相关信息在当前位置所处场所特征下的特征值：

确定所述目标共享车辆是否处于指定场所内；

7.根据权利要求1所述的方法，其特征在于，采用下述方式确定预先训练好的共享车辆骑回概率预测模型：

确定进行共享车辆骑回概率预测所基于的基础预测模型；

8.根据权利要求7所述的方法，其特征在于，所述基础预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。

9.根据权利要求7所述的方法，其特征在于，所述使用训练数据对所述基础预测模型进行训练，得到所述共享车辆骑回概率预测模型，具体包括：

10.根据权利要求7所述的方法，其特征在于，所述方法还包括：

11.根据权利要求10所述的方法，其特征在于，所述对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证，具体包括：

针对测试损失大于预设损失阈值的情况，基于所述测试共享车辆以及所述测试共享车辆在被骑行出指定运营区域后的相关信息，在所述车辆特征以及所述位置特征下的特征值，重新训练所述共享车辆骑回概率预测模型。

12.根据权利要求10所述的方法，其特征在于，所述对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证，具体包括：

13.根据权利要求1所述的方法，其特征在于，所述预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率之后，还包括：

14.根据权利要求13所述的方法，其特征在于，所述确定需要对所述目标共享车辆进行人工运维之后，还包括：

获取所述目标共享车辆的当前位置；

15.一种车辆骑回概率预测装置，其特征在于，该装置包括：

第一确定模块，用于从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；所述目标共享车辆为位于所述指定运营区域以外，处于关锁状态的共享车辆；

第一获取模块，用于获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；所述车辆特征包括：实时电量特征、被骑行出指定运营区域的时间特征、投放运营时间长度特征、历史被骑行次数特征、历史报修次数特征中的至少一项；所述位置特征包括：当前位置与该目标共享车辆对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征中至少一项；

第一预测模块，用于将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆骑回概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后被骑回所述指定运营区域的骑回概率；所述共享车辆骑回概率预测模型是将多辆共享车辆样本的车辆特征和位置特征下的特征值作为自变量的值，将每次被骑行出指定运营区域后对应的是否被骑行回指定运营区域的结果作为因变量的值，代入基础预测模型，对所述基础预测模型进行训练，得到共享车辆骑回概率预测模型后，再将多辆测试共享车辆的车辆特征和位置特征下的特征值，代入训练得到的所述共享车辆骑回概率预测模型中，得到每辆测试共享车辆对应的骑回概率，根据每辆测试共享车辆对应的骑回概率计算得到的预测损失，重新训练所述共享车辆骑回概率预测模型后得到的。

16.根据权利要求15所述的装置，其特征在于，所述第一确定模块，具体用于采用下述方式从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息：

17.根据权利要求16所述的装置，其特征在于，所述第一确定模块在从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息之前，还用于：

18.根据权利要求15所述的装置，其特征在于，针对所述车辆特征包括实时电量特征的情况，所述第一获取模块，用于采用下述方式获取所述目标共享车辆的相关信息在实时电量特征下的特征值：

将读取的实时电量作为实时电量特征下的特征值。

19.根据权利要求15所述的装置，其特征在于，针对所述车辆特征包括被骑行出指定运营区域的时间的情况，所述第一获取模块，用于采用下述方式获取所述目标共享车辆的相关信息在该目标共享车辆被骑行出指定运营区域的时间特征下的特征值：

20.根据权利要求15所述的装置，其特征在于，针对所述位置特征包括当前位置所处场所特征的情况，所述第一获取模块，用于采用下述方式获取所述目标共享车辆的相关信息在当前位置所处场所特征下的特征值：

确定所述目标共享车辆是否处于指定场所内；

21.根据权利要求15所述的装置，其特征在于，还包括：第一模型训练模块，用于采用下述方式确定预先训练好的共享车辆骑回概率预测模型：

确定进行共享车辆骑回概率预测所基于的基础预测模型；

22.根据权利要求21所述的装置，其特征在于，所述基础预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。

23.根据权利要求21所述的装置，其特征在于，所述第一模型训练模块，用于采用下述方式使用训练数据对所述基础预测模型进行训练，得到所述共享车辆骑回概率预测模型：

24.根据权利要求21所述的装置，其特征在于，所述第一模型训练模块，还用于：

25.根据权利要求24所述的装置，其特征在于，所述第一模型训练模块，用于采用下述方式对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证：

26.根据权利要求24所述的装置，其特征在于，所述第一模型训练模块，用于采用下述方式对经过训练得到的所述共享车辆骑回概率预测模型的准确度进行验证：

将多辆测试共享车辆在被骑行出指定运营区域后的相关信息在所述车辆特征和所述位置特征下的特征值输入训练得到的所述共享车辆骑回概率预测模型，获得与每辆测试共享车辆对应的骑回概率；

27.根据权利要求15所述的装置，其特征在于，还包括：第一运维模块，将预测得到的所述骑回概率与预设的骑回概率阈值进行比对；

28.根据权利要求27所述的装置，其特征在于，第一运维模块，还用于在确定需要对所述目标共享车辆进行人工运维之后：

获取所述目标共享车辆的当前位置；

29.一种电子设备，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，当电子设备运行时，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至14任一所述车辆骑回概率预测方法的步骤。

30.一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，该计算机程序被处理器运行时执行如权利要求1至14任意一项所述的车辆骑回概率预测方法的步骤。

31.一种车辆丢失概率预测方法，其特征在于，该方法包括：

从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；所述目标共享车辆为位于所述指定运营区域以外，处于关锁状态的共享车辆；

将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率；所述共享车辆丢失概率预测模型是将多辆共享车辆样本的车辆特征和位置特征下的特征值作为自变量的值，将每次被骑行出指定运营区域后对应的丢失结果作为因变量的值，代入基础预测模型，对所述基础预测模型进行训练，得到共享车辆丢失概率预测模型后，再将多辆测试共享车辆的车辆特征和位置特征下的特征值，代入训练得到的所述共享车辆丢失概率预测模型中，得到每辆测试共享车辆对应的丢失概率，根据每辆测试共享车辆对应的丢失概率计算得到的预测损失，重新训练所述共享车辆丢失概率预测模型得到的。

32.根据权利要求31所述的方法，其特征在于，所述从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息，具体包括：

33.根据权利要求32所述的方法，其特征在于，所述从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息之前，还包括：

34.根据权利要求31所述的方法，其特征在于，采用下述方式确定预先训练好的共享车辆丢失概率预测模型：

确定进行共享车辆丢失概率预测所基于的基础预测模型；

35.根据权利要求34所述的方法，其特征在于，所述使用训练数据对所述基础预测模型进行训练，得到所述共享车辆丢失概率预测模型，具体包括：

36.根据权利要求34所述的方法，其特征在于，所述方法还包括：

37.根据权利要求36所述的方法，其特征在于，所述对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证，具体包括：

针对测试损失大于预设损失阈值的情况，基于所述测试共享车辆以及所述测试共享车辆在被骑行出指定运营区域后的相关信息，在所述车辆特征以及所述位置特征下的特征值，重新训练所述共享车辆丢失概率预测模型。

38.根据权利要求36所述的方法，其特征在于，所述对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证，具体包括：

39.根据权利要求31所述的方法，其特征在于，所述预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率之后，还包括：

40.根据权利要求39所述的方法，其特征在于，所述确定需要对所述目标共享车辆进行人工运维之后，还包括：

获取所述目标共享车辆的当前位置；

基于所述目标共享车辆的当前位置生成人工运维指令，并将所述人工运维指令发送给运维人员的客户端；所述人工运维指令用于指示运维人员寻回所述目标共享车辆。

41.一种车辆丢失概率预测装置，其特征在于，该装置包括：

第二确定模块，用于从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息；所述目标共享车辆为位于所述指定运营区域以外，处于关锁状态的共享车辆；

第二获取模块，用于获取所述目标共享车辆的相关信息在至少一种车辆特征和至少一种位置特征下的特征值；所述车辆特征包括：实时电量特征、被骑行出指定运营区域的时间特征、投放运营时间长度特征、历史被骑行次数特征、历史报修次数特征中的至少一项；所述位置特征包括：当前位置与该目标共享车辆对应的指定运营区域之间的距离特征、当前位置与最近一条马路的距离特征、当前位置所处场所特征中至少一项；

第二预测模块，用于将所述目标共享车辆的相关信息的所述特征值输入至预先训练好的共享车辆丢失概率预测模型中，预测得到所述目标共享车辆在被骑行出指定运营区域后的丢失概率；所述共享车辆丢失概率预测模型是将多辆共享车辆样本的车辆特征和位置特征下的特征值作为自变量的值，将每次被骑行出指定运营区域后对应的丢失结果作为因变量的值，代入基础预测模型，对所述基础预测模型进行训练，得到共享车辆丢失概率预测模型后，再将多辆测试共享车辆的车辆特征和位置特征下的特征值，代入训练得到的所述共享车辆丢失概率预测模型中，得到每辆测试共享车辆对应的丢失概率，根据每辆测试共享车辆对应的丢失概率计算得到的预测损失，重新训练所述共享车辆丢失概率预测模型得到的。

42.根据权利要求41所述的装置，其特征在于，所述第二确定模块，具体用于采用下述方式从被骑行出指定运营区域的共享车辆的相关信息中确定目标共享车辆的相关信息：

43.根据权利要求42所述的装置，其特征在于，所述第二确定模块，还用于从被骑行出指定运营区域的共享车辆的相关信息中选择目标共享车辆的相关信息之前：

44.根据权利要求41所述的装置，其特征在于，还包括：第二模型训练模块，用于采用下述方式确定预先训练好的共享车辆丢失概率预测模型：

确定进行共享车辆丢失概率预测所基于的基础预测模型；

45.根据权利要求44所述的装置，其特征在于，所述第二模型训练模块，具体用于采用下述方式使用训练数据对所述基础预测模型进行训练，得到所述共享车辆丢失概率预测模型：

46.根据权利要求44所述的装置，其特征在于，所述第二模型训练模块，还用于：

47.根据权利要求46所述的装置，其特征在于，所述第二模型训练模块，具体用于采用下述方式对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证：

48.根据权利要求46所述的装置，其特征在于，所述第二模型训练模块，具体用于采用下述方式对经过训练得到的所述共享车辆丢失概率预测模型的准确度进行验证：

49.根据权利要求41所述的装置，其特征在于，还包括：第二运维模块，用于将预测得到的所述丢失概率与预设的丢失概率阈值进行比对；

50.根据权利要求49所述的装置，其特征在于，第二运维模块，还用于确定需要对所述目标共享车辆进行人工运维之后：

获取所述目标共享车辆的当前位置；

51.一种电子设备，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，当电子设备运行时，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31至40任一所述车辆丢失概率预测方法的步骤。

52.一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，该计算机程序被处理器运行时执行如权利要求31至40任意一项所述的车辆丢失概率预测方法的步骤。