CN111210315B - 出行订单的处理方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开的实施例提供了一种出行订单的处理方法、装置、电子设备及可读存储介质，所述方法包括：接收用户的出行订单，所述出行订单中包括至少一个目标运力下的目标车型；在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率；根据所述每一个时间段内所述目标车型响应所述出行订单的响应概率，确定所述目标车型响应所述出行订单的响应时间；展示所述目标车型响应所述出行订单的响应时间。本公开实施例可以向用户展示各运力下不同车型的响应时间，可以提高用户选择网约车的准确性和效率。

Description

出行订单的处理方法、装置、电子设备及可读存储介质

技术领域

本公开的实施例涉及互联网技术领域，尤其涉及一种出行订单的处理方法、装置、电子设备及可读存储介质。

背景技术

随着互联网技术和智能终端技术的迅速发展，用户可以通过安装在智能终端上的出行平台提交出行订单，以预约网约车出行。通过这种方式，可以提高用户的出行效率。

目前，有些出行平台可以聚合多个不同的运力商，向用户提供多个运力商的网约车服务，为用户提供更多的便利。

然而，在网约车聚合模式下，出行平台可获取的各个运力商的网约车信息有限，导致出行平台难以准确预估不同运力商的网约车的响应时间等信息，影响用户选择网约车的准确性和效率。

发明内容

本公开的实施例提供一种出行订单的处理方法、装置、电子设备及可读存储介质，用以向用户展示各运力下不同车型的响应时间，可以提高用户选择网约车的准确性和效率。

根据本公开的实施例的第一方面，提供了一种出行订单的处理方法，所述方法包括：

接收用户的出行订单，所述出行订单中包括至少一个目标运力下的目标车型；

在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率；

根据所述每一个时间段内所述目标车型响应所述出行订单的响应概率，确定所述目标车型响应所述出行订单的响应时间；

展示所述目标车型响应所述出行订单的响应时间。

根据本公开的实施例的第二方面，提供了一种出行订单的处理装置，所述装置包括：

订单接收模块，用于接收用户的出行订单，所述出行订单中包括至少一个目标运力下的目标车型；

概率确定模块，用于在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率；

时间确定模块，用于根据所述每一个时间段内所述目标车型响应所述出行订单的响应概率，确定所述目标车型响应所述出行订单的响应时间；

时间展示模块，用于展示所述目标车型响应所述出行订单的响应时间。

根据本公开的实施例的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上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程序时实现前述出行订单的处理方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述出行订单的处理方法。

本公开的实施例提供了一种出行订单的处理方法、装置、电子设备及可读存储介质，所述方法包括：

接收用户的出行订单，所述出行订单中包括至少一个目标运力下的目标车型；在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率；根据所述每一个时间段内所述目标车型响应所述出行订单的响应概率，确定所述目标车型响应所述出行订单的响应时间；展示所述目标车型响应所述出行订单的响应时间。

通过本公开实施例，可以向用户展示目标车型响应出行订单的响应时间，且所述响应时间以车型为粒度，因此，本公开实施例可以向用户提供更合理的出行预期，使得用户可以根据自身需求选择合适的目标车型，提高用户选择网约车的准确性和效率，并且可以提升用户的出行体验和出行效率。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本公开的一个实施例中的出行订单的处理方法的步骤流程图；

图2示出了在本公开的一个实施例中的出行订单的处理装置的结构图；

图3示出了本公开的一个实施例提供的电子设备的结构图。

具体实施方式

下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。

实施例一

参照图1，其示出了本公开的一个实施例中的出行订单的处理方法的步骤流程图，包括：

步骤101、接收用户的出行订单，所述出行订单中包括至少一个目标运力下的目标车型；

步骤102、在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率；

步骤103、根据所述每一个时间段内所述目标车型响应所述出行订单的响应概率，确定所述目标车型响应所述出行订单的响应时间；

步骤104、展示所述目标车型响应所述出行订单的响应时间。

本公开的出行订单的处理方法可运行于电子设备中，所述电子设备具体包括但不限于：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准音频层面3，MovingPicture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准音频层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等。

所述电子设备可以安装有出行平台，所述出行平台可以实现预约网约车的功能，所述出行平台上聚合有多个运力(运力商)提供的不同车型的网约车。

在本公开实施例中，出行平台可以接收用户提交的出行订单，所述出行订单中包括至少一个目标运力下的目标车型。例如，用户想要从地点A出发到达地点B，用户可以在出行平台的显示界面中选择目标运力下的目标车型。例如，出行平台包括运力X、运力Y、以及运力Z，运力X可提供的车型包括车型x1、车型x2、以及车型x3；运力Y可提供的车型包括车型y1、车型y2、以及车型y3；运力Z可提供的车型包括车型z1和车型z2。假设用户在出行平台的显示界面中选择运力X下的车型x1和车型x2，以及运力Y下的车型y2和车型y3，并且设置出发地为地点A，目的地为地点B，然后提交出行订单。出行平台可以接收到该用户提交的该出行订单，且该出行订单中包括目标运力X下的目标车型x1和目标车型x2，以及目标运力Y下的目标车型y2和目标车型y3。

接下来，在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率。其中，所述预置的连续时间段可以为对从第0秒开始到第m秒的连续时间按照固定长度划分得到。在具体应用中，用户在提交出行订单后，通常无法忍受等待较长的时间，因此，该m值不宜设置较大，例如设置m＝70秒，并且每10秒划分一个时间段，则可以得到如下七个连续时间段：[0,10]、[10,20]、[20,30]、[30,40]、[40,50]、[50,60]、[60,70]。其中，第一个时间段的起始时间为0秒，结束时间为10秒；第二个时间段的起始时间为10秒，结束时间为20秒；以此类推。

需要说明的是，第一个时间段的起始时间可以从接收到用户的出行订单时开始计算，所述时间段的长度可以根据实际需要进行设置，本公开对此不加以限制。

具体地，本公开实施例可以计算上述七个连续的时间段中每一个时间段内目标车型响应所述出行订单的响应概率。也即，计算目标车型x1在时间段[0,10]秒内响应所述出行订单的响应概率，目标车型x1在[10,20]秒内响应所述出行订单的响应概率，以此类推，直到计算得到目标车型x1在[60,70]秒内响应所述出行订单的响应概率。

根据每一个时间段内目标车型x1响应所述出行订单的响应概率，可以确定目标车型x1响应所述出行订单的响应时间。例如，对于目标车型x1，如果在[0,10]秒内响应所述出行订单的响应概率较小，而在[10,20]秒内响应所述出行订单的响应概率较大，则可以确定目标车型x1响应所述出行订单的响应时间应该在[10-20]秒内。

可以理解，所述响应概率可用于表示目标车型的司机接单的概率，所述响应时间可用于表示目标车型的司机接单的时间。

在本公开的一种可选实施例中，所述根据所述每一个时间段内所述目标车型响应所述出行订单的响应概率，确定所述目标车型响应所述出行订单的响应时间，具体可以包括：

步骤S11、在所述每一个时间段内所述目标车型响应所述出行订单的响应概率中，确定第一个响应概率大于预设概率的时间段为目标时间段；

步骤S12、根据所述目标时间段的起始时间和结束时间，计算所述目标车型响应所述出行订单的响应时间。

具体地，在上述示例中，对于目标车型x1，假设第一个响应概率大于预设概率的时间段为[10,20]，则确定目标时间段为[10-20]。

根据所述目标时间段的起始时间和结束时间，可以计算目标车型x1响应所述出行订单的响应时间。例如，对起始时间和结束时间求和取平均值，可以确定为目标车型响应所述出行订单的响应时间。在该示例中，可以计算得到目标车型x1响应所述出行订单的响应时间为(10+20)/2＝15秒。

可以理解，预设概率的具体数值可以根据实际经验设置，或者可以通过离线测算的方式确定，本公开实施例对所述预设概率的具体数值不加以限制。例如，设置预设概率为0.5，并且计算得到每一个时间段内目标车型x1响应所述出行订单的响应概率如下：[0.25,0.78,0.83,0.90,0.95,0.96,0.96]，也即在第一个时间段[0,10]秒内，目标车型x1响应所述出行订单的响应概率为0.25，该响应概率小于预设概率0.5。在第二个时间段[10,20]秒内，目标车型x1响应所述出行订单的响应概率为0.78，大于预设概率0.5，则可以确定第二个时间段为目标时间段。

同理，对于目标车型x2、目标车型y2、以及目标车型y3，可以采用与目标车型x相同的上述处理过程，计算得到目标车型x2、目标车型y2、以及目标车型y3分别响应所述出行订单的响应时间。由此，可以在所述出行平台的显示界面中分别展示目标车型x1响应所述出行订单的响应时间、目标车型x2响应所述出行订单的响应时间、目标车型y2响应所述出行订单的响应时间、以及目标车型y3响应所述出行订单的响应时间。

通过本公开实施例，可以向用户展示目标车型响应出行订单的响应时间，且所述响应时间以车型为粒度，因此，本公开实施例可以向用户提供更合理的出行预期，使得用户可以根据自身需求选择合适的目标车型，提高用户选择网约车的准确性和效率，并且可以提升用户的出行体验和出行效率。

在本公开的一种可选实施例中，所述确定每一个时间段内所述目标车型的响应概率，具体可以包括：

步骤S21、提取所述出行订单对应的第一特征以及所述目标车型对应的第二特征；

步骤S22、将所述第一特征和所述第二特征输入已训练的预测模型，通过所述预测模型输出所述每一个时间段内所述目标车型不响应所述出行订单的条件概率；

步骤S23、根据所述每一个时间段内所述目标车型不响应所述出行订单的条件概率，计算所述每一个时间段内所述目标车型响应所述出行订单的响应概率。

本公开实施例可以预先训练得到预测模型，所述预测模型可以预测每一个时间段内目标车型不响应出行订单的条件概率，如Pi表示第i个时间段内目标车型不响应出行订单的条件概率，则(1-Pi)即为第i个时间段内目标车型响应出行订单的响应概率。

在实际应用中，如果直接计算某个时间段内目标车型响应出行订单的响应概率，则需要获取用户真实等待该时间段对应时长的数据信息，然而，用户通常在等待一段时间后如果没有司机接单，就会取消订单，不会等待较长时间，这样，将会导致获取的训练样本失真，影响预测模型的准确性。

因此，本公开实施例获取预置时间段内不存在响应车型的出行订单为正样本，以及预置时间段内存在响应车型的出行订单为负样本，训练用于预测每一个时间段内目标车型不响应出行订单的条件概率，通过该条件概率反推每一个时间段内目标车型响应出行订单的响应概率，使得训练预测模型的正负样本更加符合实际情况，预测得到的结果也更加准确。

具体地，在计算每一个时间段内所述目标车型的响应概率时，首先提取所述出行订单对应的第一特征以及所述目标车型对应的第二特征，然后将所述第一特征和所述第二特征输入已训练的预测模型，通过所述预测模型输出所述每一个时间段内所述目标车型不响应所述出行订单的条件概率。

其中，所述第一特征可以为与出行订单相关的特征，例如下单时间、出发地、目的地、行程距离等。所述第二特征可以为与目标车型相关的特征，例如所属的运力、车型、舒适等级(如经济型、商务型、豪华型)、历史响应时间等。可以理解，所述第一特征和第二特征可以经过向量化处理，表示为对应的向量，后续可以基于向量进行处理，以提高数据处理效率。

在本公开实施例中，定义s(t)＝p(T>t)，其中T为用户提交出行订单到接收到目标车型的响应的时间间隔，那么s(t)的含义为，在[0,t]秒内没有目标车型响应所述出行订单的概率。利用下式可以计算s(t)：

其中，p_i表示在已知用户等待t_i秒没有响应车型的条件下，在t_i+1秒内仍没有响应车型的条件概率。(1)式的计算含义为：首先计算出用户等待t_i秒的条件下，在下一个时间段t_i+1秒仍然没有响应车型的条件概率p_i，然后将逐个概率相乘，即为相应时段没有响应车型的概率s(t)。例如，在30s没有响应车型的概率可以表示为s(30)＝p0×p1×p2。

进一步，在获取某时间段内没有响应车型的概率s(t)之后，可以获得在t秒内有响应车型的概率F(t)如下：

对于实际线上接收到用户的出行订单，可以通过训练好的预测模型获取各个时间段内目标车型不响应该出行订单的条件概率p_i，根据(2)式即可计算得到各个时间段内目标车型响应该出行订单的响应概率F(t)。

在本公开的一种可选实施例中，具体可以通过如下步骤训练所述预测模型：

步骤S31、设置n个连续的预置时间段；

步骤S32、根据所述n个连续的预置时间段中的每一个预置时间段，对历史出行订单进行标注，得到每一个预置时间段内的样本数据；其中，第k个预置时间段内的样本数据包括：用于表示第k个预置时间段内不存在响应车型的正样本数据，和/或用于表示在第k个预置时间段内存在响应车型的负样本数据；

步骤S33、根据所述每一个预置时间段内的样本数据，训练预测模型。

在具体应用中，由于所述出行平台上可以聚合有多个运力提供的不同车型的网约车，而所述出行平台可观测的各个运力的不同车型的响应时间相互耦合，受到最快响应车型的影响，可能存在很多响应时间的删失数据。例如，用户提交的出行订单中包括目标运力X下的目标车型x1和目标车型x2，以及目标运力Y下的目标车型y2和目标车型y3。假设目标运力X下的目标车型x1最先响应，响应时间为25秒，则该出行订单派给目标车型x1，该出行订单的调度周期结束。

在这种情况下，出行平台只能确定其它目标车型的响应时间大于25秒，但是无法准确获取其它目标车型的响应时间，也即存在目标车型x2、目标车型y2、以及目标车型y3的响应时间的删失数据，将影响训练预测模型的准确性。

针对在聚合模式下可能存在大量删失数据的情况，本公开实施例预先设置n(n为正整数)个连续的预置时间段。例如，假设n＝7，且每个时间段的时长为10秒，则可以设置如下连续时间段：[0,10]、[10,20]、[20,30]、[30,40]、[40,50]、[50,60]、[60,70]。

根据历史出行订单，对所述n个连续的预置时间段中的每一个预置时间段进行标注，得到每一个预置时间段内的样本数据。其中，第k(1≤k≤n)个预置时间段内的样本数据包括：用于表示第k个预置时间段内不存在响应车型的正样本数据，和/或用于表示在第k个预置时间段内存在响应车型的负样本数据。

例如，对于某一个历史出行订单，该历史出行订单中包括目标车型x2，且目标车型x2在13秒时接单，则可以确定时间段[0,10]秒内不存在响应车型，因此，对于时间段[0,10]，该历史出行订单可以标注为正样本数据，例如设置标签为1，用于表示正样本数据。同理，可以确定时间段[10,20]秒内存在响应车型x2，因此，对于时间段[10,20]，该历史出行数据可以标注为负样本数据，例如设置标签为0，用于表示负样本数据。

按照上述标注样本数据的方法，根据历史出行订单，对所述n个连续的预置时间段中的每一个预置时间段进行标注，得到每一个预置时间段内的样本数据，所述样本数据可以包括正样本数据和负样本数据，根据所述每一个预置时间段内的样本数据，可以训练预测模型。所述预测模型可以预测在已知用户等待t_i秒没有响应车型的条件下，在t_i+1秒内仍没有响应车型的条件概率p_i。

具体地，在训练预测模型的过程中，可以提取历史出行订单的第一特征，以及提取响应车型的第二特征，根据所述历史出行订单的第一特征、所述响应车型的第二特征、以及标注的样本数据，训练预测模型。可以理解，本公开实施例对所述预测模型的模型结构以及训练方式均不加以限制。

在本公开实施例中，如果用户提交的出行订单中包括目标运力X下的目标车型x1和目标车型x2，以及目标运力Y下的目标车型y2和目标车型y3。假设目标运力X下的目标车型x1最先响应，响应时间为25秒，则该出行订单派给目标车型x1。在该情况下，虽然会存在删失数据，但是该出行订单对于目标车型x2、目标车型y2、以及目标车型y3，仍然可以贡献[0,10]、[10,20]、[20-30]这三个时间段内的正样本数据。

可以看出，本公开实施例通过设置n个连续的预置时间段，并且获取每一个预置时间段内的样本数据，使得最终获取的样本数据中尽可能多的包括删失数据的信息，由此，本公开实施例计算的条件概率不仅保留了删失数据的信息，而且将用户提交出行订单的各个不同运力下的不同车型的响应时间相互解耦，可以准确地刻画不同运力下不同车型的响应时间。

在本公开的一种可选实施例中，所述对历史出行订单进行标注，得到每一个预置时间段内的样本数据之后，所述方法还可以包括：对所述每一个预置时间段内的样本数据进行过滤，得到过滤后的每一个预置时间段内的样本数据；

所述根据所述每一个预置时间段内的样本数据，训练预测模型，具体可以包括：根据所述过滤后的每一个预置时间段内的样本数据，训练预测模型。

在网约车聚合模式下，可能会存在删失数据，这样，在获取的样本数据中可能包括删失样本。例如，用户提交的出行订单中包括目标运力X下的目标车型x1。假设用户在等待35秒时，由于还没有接到响应，用户取消该出行订单。这样，该出行订单虽然仍然可以贡献[0,10]、[10,20]、[20,30]这三个时间段内的正样本数据。其中，由于用户在等待了10秒的条件下，在20秒并没有响应车型，因此，对于时间段[0,10]，该出行订单可以标注为正样本数据。同理，对于时间段[10,20]和[20,30]，该出行订单也可以标注为正样本数据。

由于用户在35秒的时候取消订单，因此在40秒也不存在响应车型，则对于时间段[30,40]，该出行订单可能也会被标记为正样本数据。同理，对于时间段[40,50]、[50,60]、[60,70]，该出行订单可能均被标记为正样本数据。然而，对于时间段[30,40]，出行平台无法准确观测用户等待了30秒的条件下，在40秒内是否可能存在响应车型，导致时间段[30,40]标记的正样本数据有误。同样地，时间段[40,50]、[50,60]、[60,70]标记的正样本数据均有误，本公开实施例称之为删失样本，删失样本可能影响预测模型训练的准确性。

因此，本公开实施例在标注样本数据之后，还可以对所述每一个预置时间段内的样本数据进行过滤，以过滤掉其中的删失样本，得到过滤后的每一个预置时间段内的样本数据，进而可以根据过滤后的每一个预置时间段内的样本数据，训练预测模型，进一步提高预测模型的准确性。

在本公开的一种可选实施例中，所述对所述每一个预置时间段内的样本数据进行过滤，得到过滤后的每一个预置时间段内的样本数据，具体可以包括：

步骤S41、在所述每一个预置时间段内的样本数据中，确定删失样本，所述删失样本对应的预置时间段的起始时间点在所述历史出行订单对应的等待时间点之后，或者，所述删失样本对应的预置时间段内不存在观测结果；

步骤S42、删除所述每一个预置时间段内的删失样本，得到过滤后的每一个预置时间段内的样本数据。

在上述示例中，由于用户在35秒取消出行订单，出行平台无法获取时间段[30,40]秒内的观测结果，因此，出行平台无法预测如果用户继续等到40秒的时候，是否会有车型响应该用户的出行订单。也即，时间段[30,40]内不存在观测结果，因此可以确定时间段[30,40]对应的样本数据为删失样本。

此外，由于时间段[40,50]、[50,60]、[60,70]的起始时间点均在用户的等待时间点(35秒)之后，也即用户等待的时长小于这三个时间段的起始时间点对应的时长，因此，可以确定时间段[40,50]、[50,60]、[60,70]对应的样本数据也为删失样本。可以从样本数据中删除这些删失样本，得到过滤后的每一个预置时间段内的样本数据。

在本公开的一种可选实施例中，在标注样本数据的过程中，还可以设置用于表示删失样本的标签。例如，用户提交的出行订单中包括目标运力X下的目标车型x1。假设用户在等待35秒时，由于还没有响应车型，用户取消该出行订单。对于时间段[0,10]，可以观测到用户等待了10秒的条件下，在20秒并没有响应车型，对于时间段[0,10]，该出行订单可以标注为正样本数据，如设置标签为1。同理，对于时间段[10,20]和[20,30]，该出行订单也可以设置标签为1。

由于用户在35秒取消该出行订单，时间段[30,40]内不存在观测结果，而时间段[40,50]、[50,60]、[60,70]的起始时间点均在用户的等待时间点之后，因此，对于时间段[30,40]、[40,50]、[50,60]、[60,70]，该出行订单可以设置标签为null，标签null用于表示该样本为删失样本。

由此，在过滤样本数据时，直接从样本数据中删除标签为null的样本数据即可，可以提高过滤样本数据的效率。

在实际应用中，在网约车聚合模式下，由于受到用户提前取消出行订单或者最快响应车型的影响，可能存在大量的删失数据，进而影响样本数据的准确性。为了解决该问题，本公开实施例对构建预测模型的样本数据的过程进行改进，通过设置n个连续的预置时间段，并且获取每一个预置时间段内的样本数据，使得最终获取的样本数据中尽可能多的包括有用的删失数据的信息。此外，本公开实施例还可以对样本数据进行过滤，以删除其中无用的删失样本，进而可以对用户提交出行订单的各个不同运力下的不同车型的响应时间相互解耦，提高训练的预测模型的准确性，可以向用户准确地提供不同运力下不同车型的响应时间。

综上，在网约车聚合模式下，本公开实施例可以向用户提供不同运力下不同车型的响应时间。对于用户，本公开实施例通过准确地刻画各运力的不同车型的响应时间，可以准确反映各运力的接单能力，向用户展示合理的出行预期，进一步引导用户行为，帮助用户决策，提高用户的出行体验。对于出行平台，本公开实施例提供了一个在相互耦合、存在大量删失数据的情况下，可以由响应概率间接预估响应时间的方法，提升了出行平台的技术深度，以及提高了出行平台展示出行订单响应信息的多样性和准确性。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。

实施例二

参照图2，其示出了在本公开的一个实施例中的出行订单的处理装置的结构图，具体如下。

订单接收模块201，用于接收用户的出行订单，所述出行订单中包括至少一个目标运力下的目标车型；

概率确定模块202，用于在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率；

时间确定模块203，用于根据所述每一个时间段内所述目标车型响应所述出行订单的响应概率，确定所述目标车型响应所述出行订单的响应时间；

时间展示模块204，用于展示所述目标车型响应所述出行订单的响应时间。

可选地，所述概率确定模块202，具体可以包括：

特征提取子模块，用于提取所述出行订单对应的第一特征以及所述目标车型对应的第二特征；

特征处理子模块，用于将所述第一特征和所述第二特征输入已训练的预测模型，通过所述预测模型输出所述每一个时间段内所述目标车型不响应所述出行订单的条件概率；

概率计算子模块，用于根据所述每一个时间段内所述目标车型不响应所述出行订单的条件概率，计算所述每一个时间段内所述目标车型响应所述出行订单的响应概率。

可选地，所述装置还可以包括：模型训练模块，用于训练所述预测模型；所述模型训练模块包括：

时间设置子模块，用于设置n个连续的预置时间段；

样本构建子模块，用于根据所述n个连续的预置时间段中的每一个预置时间段，对历史出行订单进行标注，得到每一个预置时间段内的样本数据；其中，第k个预置时间段内的样本数据包括：用于表示第k个预置时间段内不存在响应车型的正样本数据，和/或用于表示在第k个预置时间段内存在响应车型的负样本数据；

模型训练子模块，用于根据所述每一个预置时间段内的样本数据，训练预测模型。

可选地，所述装置还可以包括：

样本过滤模块，用于对所述每一个预置时间段内的样本数据进行过滤，得到过滤后的每一个预置时间段内的样本数据；

所述模型训练子模块，具体用于根据所述过滤后的每一个预置时间段内的样本数据，训练预测模型。

可选地，所述样本过滤模块，具体可以包括：

样本确定子模块，用于在所述每一个预置时间段内的样本数据中，确定删失样本，所述删失样本对应的预置时间段的起始时间点在所述历史出行订单对应的等待时间点之后，或者，所述删失样本对应的预置时间段内不存在观测结果；

样本删除子模块，用于删除所述每一个预置时间段内的删失样本，得到过滤后的每一个预置时间段内的样本数据。

可选地，所述时间确定模块203，具体可以包括：

目标确定子模块，用于在所述每一个时间段内所述目标车型响应所述出行订单的响应概率中，确定第一个响应概率大于预设概率的时间段为目标时间段；

时间计算子模块，用于根据所述目标时间段的起始时间和结束时间，计算所述目标车型响应所述出行订单的响应时间。

通过本公开实施例，可以向用户展示目标车型响应出行订单的响应时间，且所述响应时间以车型为粒度，因此，本公开实施例可以向用户提供更合理的出行预期，使得用户可以根据自身需求选择合适的目标车型，提高用户选择网约车的准确性和效率，并且可以提升用户的出行体验和出行效率。

本公开的实施例还提供了一种电子设备，参见图3，包括：处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的计算机程序3021，所述处理器执行所述程序时实现前述实施例的出行订单的处理方法。

本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的出行订单的处理方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

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。

以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。

以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例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公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种出行订单的处理方法，其特征在于，所述方法包括：

接收用户的出行订单，所述出行订单中包括至少一个目标运力下的目标车型；

在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率；

在所述每一个时间段内所述目标车型响应所述出行订单的响应概率中，确定第一个响应概率大于预设概率的时间段为目标时间段；

根据所述目标时间段的起始时间和结束时间，计算所述目标车型响应所述出行订单的响应时间；

展示所述目标车型响应所述出行订单的响应时间。

2.根据权利要求1所述的方法，其特征在于，所述确定每一个时间段内所述目标车型的响应概率，包括：

提取所述出行订单对应的第一特征以及所述目标车型对应的第二特征；

将所述第一特征和所述第二特征输入已训练的预测模型，通过所述预测模型输出所述每一个时间段内所述目标车型不响应所述出行订单的条件概率；

根据所述每一个时间段内所述目标车型不响应所述出行订单的条件概率，计算所述每一个时间段内所述目标车型响应所述出行订单的响应概率。

3.根据权利要求2所述的方法，其特征在于，通过如下步骤训练所述预测模型：

设置n个连续的预置时间段；

根据所述n个连续的预置时间段中的每一个预置时间段，对历史出行订单进行标注，得到每一个预置时间段内的样本数据；其中，第k个预置时间段内的样本数据包括：用于表示第k个预置时间段内不存在响应车型的正样本数据，和/或用于表示在第k个预置时间段内存在响应车型的负样本数据；

根据所述每一个预置时间段内的样本数据，训练预测模型。

4.根据权利要求3所述的方法，其特征在于，所述对历史出行订单进行标注，得到每一个预置时间段内的样本数据之后，所述方法还包括：

对所述每一个预置时间段内的样本数据进行过滤，得到过滤后的每一个预置时间段内的样本数据；

所述根据所述每一个预置时间段内的样本数据，训练预测模型，包括：

根据所述过滤后的每一个预置时间段内的样本数据，训练预测模型。

5.根据权利要求4所述的方法，其特征在于，所述对所述每一个预置时间段内的样本数据进行过滤，得到过滤后的每一个预置时间段内的样本数据，包括：

在所述每一个预置时间段内的样本数据中，确定删失样本，所述删失样本对应的预置时间段的起始时间点在所述历史出行订单对应的等待时间点之后，或者，所述删失样本对应的预置时间段内不存在观测结果；

删除所述每一个预置时间段内的删失样本，得到过滤后的每一个预置时间段内的样本数据。

6.一种出行订单的处理装置，其特征在于，所述装置包括：

订单接收模块，用于接收用户的出行订单，所述出行订单中包括至少一个目标运力下的目标车型；

概率确定模块，用于在预置的连续时间段中，确定每一个时间段内所述目标车型响应所述出行订单的响应概率；

时间确定模块，用于在所述每一个时间段内所述目标车型响应所述出行订单的响应概率中，确定第一个响应概率大于预设概率的时间段为目标时间段；根据所述目标时间段的起始时间和结束时间，计算所述目标车型响应所述出行订单的响应时间；

时间展示模块，用于展示所述目标车型响应所述出行订单的响应时间。

7.根据权利要求6所述的装置，其特征在于，所述概率确定模块，包括：

特征提取子模块，用于提取所述出行订单对应的第一特征以及所述目标车型对应的第二特征；

特征处理子模块，用于将所述第一特征和所述第二特征输入已训练的预测模型，通过所述预测模型输出所述每一个时间段内所述目标车型不响应所述出行订单的条件概率；

概率计算子模块，用于根据所述每一个时间段内所述目标车型不响应所述出行订单的条件概率，计算所述每一个时间段内所述目标车型响应所述出行订单的响应概率。

8.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的出行订单的处理方法。

9.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-5中任一项所述的出行订单的处理方法。

Images