CN111260103A - 一种订单信息动态调整方法和装置 - Google Patents

一种订单信息动态调整方法和装置 Download PDF

Info

Publication number
CN111260103A
CN111260103A CN201811459766.0A CN201811459766A CN111260103A CN 111260103 A CN111260103 A CN 111260103A CN 201811459766 A CN201811459766 A CN 201811459766A CN 111260103 A CN111260103 A CN 111260103A
Authority
CN
China
Prior art keywords
bubbling
sample
conversion rate
user
target
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
Application number
CN201811459766.0A
Other languages
English (en)
Inventor
戚立才
张怡菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201811459766.0A priority Critical patent/CN111260103A/zh
Publication of CN111260103A publication Critical patent/CN111260103A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种订单信息动态调整方法和装置，该方法包括：当目标用户发生冒泡行为时，获取用于表征所述目标用户的冒泡行为的目标特征信息；根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率；根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息。本申请实施例通过在目标用户发生冒泡行为时，获取的用于表征用户冒泡行为的目标特征信息，确定目标用户在发生冒泡行为时的目标下单转化率，并根据确定的目标下单转化率来确定针对目标用户的目标订单调整信息，从而能够提升服务效率。

Description

一种订单信息动态调整方法和装置
技术领域
本申请涉及机器学习技术领域，具体而言，涉及一种订单信息动态调整方法和装置。
背景技术
网约车作为一种新型的出行方式，已经被越来越多的人所选择。对于网约车平台而言，其在为用户提供出行服务时，一般是基于用户提供的出发地和目的地生成订单信息，其中可以包括服务等待时长、车型信息等。很多情况下，可能存在平台为用户提供的订单信息不符合用户实际需求的问题，比如等待时长过长、默认选择的车型不符等，可能会导致用户取消订单或重新发起订单的情况，导致服务效率较低。
可见，在上述服务中，由于无法为用户提供针对性的下单服务，存在服务效率低，服务质量不高的问题。
发明内容
有鉴于此，本申请实施例的目的在于提供一种订单信息动态调整方法和装置，用以提高服务效率。
第一方面，本申请实施例提供了一种订单信息动态调整方法，包括：
当目标用户发生冒泡行为时，获取用于表征所述目标用户的冒泡行为的目标特征信息；
根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率；
根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息。
一种可选实施方式中，所述根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率，包括：
将所述目标用户的所述目标特征信息输入至预先训练的下单转化率预测模型中，获取所述目标用户的所述目标下单转化率。
一种可选实施方式中，所述根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息，包括：
根据所述目标下单转化率，以及预设的多个下单转化率区间分别对应的订单调整信息，确定所述目标用户在发生所述冒泡行为时的目标订单调整信息。
一种可选实施方式中，采用下述步骤获取预先训练的所述下单转化率预测模型：
获取用于表征样本用户的冒泡行为特征的样本特征信息以及与不同价格区间对应的样本下单转化率；所述样本用户的样本特征信息中包含与冒泡行为对应的样本订单预估价格；
基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型。
一种可选实施方式中，根据以下步骤确定与不同价格区间对应的样本下单转化率：
根据所述样本用户每次冒泡行为对应的订单预估价格所落入的价格区间，将所述样本用户的冒泡行为划分到与所述价格区间对应的分类；
确定各分类中的冒泡行为转化为实际订单的次数；
根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
一种可选实施方式中，所述获取用于表征样本用户的冒泡行为特征的样本特征信息，包括：
在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
一种可选实施方式中，所述基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型，包括：
确定进行下单转化率预测所基于的基础预测模型；
将所述样本用户的样本特征信息作为所述基础预测模型的解释变量的值，将该次冒泡行为所属的价格区间对应的下单转化率作为被解释变量的值，训练得到所述下单转化率预测模型。
一种可选实施方式中，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、决策树模型中任意一种。
一种可选实施方式中，该方法还包括：确定多个区域范围；
所述获取用于表征样本用户的冒泡行为特征的样本特征信息以及与不同价格区间对应的样本下单转化率，包括：
针对所述多个区域范围，获取每个区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率；
基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型，包括：
针对每个区域范围，基于该区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率，训练与该区域范围对应的下单转化率预测模型；
所述根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率，包括：
基于目标用户所在区域范围对应的所述下单转化率预测模型，以及目标用户的目标特征信息，预测得到所述目标用户在发生冒泡行为时的目标下单转化率。
一种可选实施方式中，所述确定多个区域范围包括：
获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
一种可选实施方式中，所述基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围，具体包括：
对所述冒泡地点进行聚类，得到至少一个类；
基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
一种可选实施方式中，所述确定多个区域范围之后，还包括：
确定所述多个区域范围中每个区域范围对应的冒泡行为的数量；
根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类；
基于每个分类包括的区域范围内，所述样本用户的样本特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
一种可选实施方式中，所述方法还包括：
获取用于表征测试用户的冒泡行为特征的测试特征信息，以及与不同价格区间对应的测试下单转化率；
基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证。
一种可选实施方式中，所述基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证，包括：
将所述测试用户的测试特征信息输入至训练后的所述下单转化率预测模型，获得预测下单转化率；
基于所述预测下单转化率与所述测试下单转化率计算预测损失；
针对测试损失大于预设损失阈值的情况，将所述测试用户的测试特征信息和所述样本用户的样本特征信息作为新的样本特征信息，返回基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
一种可选实施方式中，所述基于所述预测下单转化率与所述测试下单转化率计算预测损失，包括：
计算所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量；
将所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
一种可选实施方式中，所述样本特征信息还包括：
冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段中至少一项。
一种可选实施方式中，针对所述样本特征信息包括冒泡频率的情况，采用下述步骤获取所述冒泡频率：
针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
基于所述平均间隔时间确定所述冒泡频率。
一种可选实施方式中，针对所述样本特征信息包括冒泡次数的周期性变化量的情况，采用下述步骤获取所述冒泡次数的周期性变化量：
针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
一种可选实施方式中，针对所述样本特征信息包括下单的周期性变化量的情况，采用下述步骤获取所述下单的周期性变化量：
针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
一种可选实施方式中，所述目标订单调整信息包括：价格调整信息和/或服务调整信息。
第二方面，本申请实施例还提供一种订单信息动态调整装置，该装置包括：
获取模块，用于当目标用户发生冒泡行为时，获取用于表征所述目标用户的冒泡行为的目标特征信息；
确定模块，用于根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率；
生成模块，用于根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息。
一种可选实施方式中，所述确定模块，用于采用下述步骤根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率：
将所述目标用户的所述目标特征信息输入至预先训练的下单转化率预测模型中，获取所述目标用户的所述目标下单转化率。
一种可选实施方式中，所述生成模块，用于采用下述步骤根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息：
根据所述目标下单转化率，以及预设的多个下单转化率区间分别对应的订单调整信息，确定所述目标用户在发生所述冒泡行为时的目标订单调整信息。
一种可选实施方式中，还包括训练模块，用于采用下述步骤获取预先训练的所述下单转化率预测模型：
获取用于表征样本用户的冒泡行为特征的样本特征信息以及与不同价格区间对应的样本下单转化率；所述样本用户的样本特征信息中包含与冒泡行为对应的样本订单预估价格；
基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型。
一种可选实施方式中，所述训练模块，用于根据以下步骤确定与不同价格区间对应的样本下单转化率：
根据所述样本用户每次冒泡行为对应的订单预估价格所落入的价格区间，将所述样本用户的冒泡行为划分到与所述价格区间对应的分类；
确定各分类中的冒泡行为转化为实际订单的次数；
根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
一种可选实施方式中，所述训练模块，用于采用下述步骤获取用于表征样本用户的冒泡行为特征的样本特征信息：
在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
一种可选实施方式中，所述训练模块，用于采用下述步骤基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型：
确定进行下单转化率预测所基于的基础预测模型；
将所述样本用户的样本特征信息作为所述基础预测模型的解释变量的值，将该次冒泡行为所属的价格区间对应的下单转化率作为被解释变量的值，训练得到所述下单转化率预测模型。
一种可选实施方式中，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、决策树模型中任意一种。
一种可选实施方式中，该装置还包括：区域确定模块，用于确定多个区域范围；
所述训练模块，用于针对所述多个区域范围，获取每个区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率；
针对每个区域范围，基于该区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率，训练与该区域范围对应的下单转化率预测模型；
所述生成模块，用于采用下述步骤根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率：
基于目标用户所在区域范围对应的所述下单转化率预测模型，以及目标用户的目标特征信息，预测得到所述目标用户在发生冒泡行为时的目标下单转化率。
一种可选实施方式中，所述区域确定模块，用于采用下述步骤确定多个区域范围：
获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
一种可选实施方式中，所述区域确定模块，用于采用下述步骤基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围：
对所述冒泡地点进行聚类，得到至少一个类；
基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
一种可选实施方式中，所述区域确定模块，在确定多个区域范围之后还用于：
确定所述多个区域范围中每个区域范围对应的冒泡行为的数量；
根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类；
所述训练模块，还用于基于每个分类包括的区域范围内，所述样本用户的样本特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
一种可选实施方式中，所述装置还包括：验证模块，用于获取用于表征测试用户的冒泡行为特征的测试特征信息，以及与不同价格区间对应的测试下单转化率；
基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证。
一种可选实施方式中，所述验证模块，用于采用下述步骤基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证：
将所述测试用户的测试特征信息输入至训练后的所述下单转化率预测模型，获得预测下单转化率；
基于所述预测下单转化率与所述测试下单转化率计算预测损失；
针对测试损失大于预设损失阈值的情况，将所述测试用户的测试特征信息和所述样本用户的样本特征信息作为新的样本特征信息，返回基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
一种可选实施方式中，所述验证模块，用于采用下述步骤基于所述预测下单转化率与所述测试下单转化率计算预测损失：
计算所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量；
将所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
一种可选实施方式中，所述样本特征信息还包括：
冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段中至少一项。
一种可选实施方式中，针对所述样本特征信息包括冒泡频率的情况，所述训练模块，用于采用下述步骤获取所述冒泡频率：
针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
基于所述平均间隔时间确定所述冒泡频率。
一种可选实施方式中，针对所述样本特征信息包括冒泡次数的周期性变化量的情况，所述训练模块，用于采用下述步骤获取所述冒泡次数的周期性变化量：
针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
一种可选实施方式中，针对所述样本特征信息包括下单的周期性变化量的情况，所述训练模块，用于采用下述步骤获取所述下单的周期性变化量：
针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
所述目标订单调整信息包括：价格调整信息和/或服务调整信息。
第三方面，本申请实施例提供了一种电子设备，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上述第一方面任一所述的订单信息动态调整方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的订单信息动态调整方法。
本申请实施例通过在目标用户发生冒泡行为时，获取的用于表征用户冒泡行为的目标特征信息，确定目标用户在发生冒泡行为时的目标下单转化率，并根据确定的目标下单转化率来确定针对目标用户的目标订单调整信息，从而能够更好地为用户提供下单服务，提高服务效率和服务质量。此外，本申请实施例所提供的下单转化率预测模型是基于大数据训练得到，能够在对模型进行训练的过程中，使得模型学习到样本用户的共性特征，使用这种下单转化率预测模型对用户的下单转化率进行预测，具有更高的准确性。
此外，下单转化率预测模型可以一次训练，多次使用；在使用下单转化率预测模型对目标用户的下单转化率进行预测时，只需要获得目标用户的目标特征信息，并基于下单转化率预测模型，以及目标用户的目标特征信息，预测得到目标用户在发生冒泡行为时的下单转化率，计算量少，节省计算资源。
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是本申请一些实施例的订单信息动态调整系统100的框图；
图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、服务请求方终端130、服务提供方终端140的电子设备200的示例性硬件和软件组件的示意图；
图3示出了本申请实施例所提供的一种订单信息动态调整方法的流程图；
图4示出了本申请实施例所提供的订单信息动态调整方法中，获取预先训练的下单转化率预测模型的具体方法的流程图；
图5示出了本申请实施例所提供的订单信息动态调整方法中，确定不同价格区间对应的样本下单转化率的具体方法的流程图；
图6示出了本申请实施例所提供的订单信息动态调整方法中，对训练得到的下单转化率预测模型进行测试的具体方法的流程图；
图7示出了本申请实施例所提供的订单信息动态调整方法中，另外一种获取预先训练的下单转化率预测模型的具体方法的流程图；
图8示出了本申请实施例所提供的订单信息动态调整方法中，另外一种获取预先训练的下单转化率预测模型的具体方法的流程图；
图9示出了本申请实施例所提供的订单信息动态调整方法中，确定各个下单转化率区间分别对应的订单调整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一种订单信息动态调整装置的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，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，结合特定应用场景“网约车”，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网约车的目标用户在发生冒泡行为时生成该用户的目标订单调整信息进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如，本申请可以应用于不同的运输系统环境，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为用户提供某项有偿服务的任何服务系统，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“用户”、“乘客”、“请求方”、“服务人员”、“服务请求方”和“客户”可互换使用，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”、“提供方”、“服务提供方”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用，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“服务请求”或“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。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS)，罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等，或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
本申请的一个方面涉及一种订单信息动态调整系统。该系统可以通过在目标用户发生冒泡行为时确定目标用户的目标下单转化率，并根据确定的目标订单转化率来确定针对目标用户的目标订单调整信息，比如可以调整服务等待时长，并根据调整后的等待时长进行资源调度，从而可以更好地为用户提供下单服务，提高服务效率和服务质量。
值得注意的是，在本申请提出申请之前，一般是采用向长时间不使用网约车平台的用户发放优惠券的方式召回用户，召回概率低。然而，本申请提供的订单信息动态调整系统可以在用户冒泡时就根据用户的目标订单转化率来确定目标订单调整信息，保持用户的使用粘性，减少用户流失的概率。
图1是本申请一些实施例的订单信息动态调整系统100的框图。例如，订单信息动态调整系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。订单信息动态调整系统100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150中的一种或多种，服务器110中可以包括执行指令操作的处理器112。
在一些实施例中，服务器110可以是单个服务器，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110可以是分布式系统)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110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110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200上实现。
在一些实施例中，服务器110可以包括处理器112。处理器112可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器112可以基于从服务请求方终端130获得的服务请求来确定目标车辆。在一些实施例中，处理器112可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器112可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital SignalProcessor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等，或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中，订单信息动态调整系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换节点，订单信息动态调整系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求方终端130的用户可以是除服务实际需求者之外的其他人。例如，服务请求方终端130的用户A可以使用服务请求方终端130来为服务实际需求者B发起服务请求(比如，用户A可以为自己的朋友B叫车)，或者从服务器110接收服务信息或指令等。在一些实施例中，服务提供方终端140的用户可以是服务实际提供者，也可以是除服务实际提供者之外的其他人。例如，服务提供方终端140的用户C可以使用服务提供方终端140接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单)，和/或来自服务器110的信息或指令。在一些实施例中，“服务请求方”和“服务请求方终端”可以互换使用，“服务提供方”和“服务提供方终端”可以互换使用。
在一些实施例中，服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(PersonalDigital Assistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中，机动车辆中的内置设备可以包括车载计算机、车载电视等。在一些实施例中，服务请求方终端130可以是具有用于定位服务请求方和/或服务请求方终端的位置的定位技术的设备。
在一些实施例中，服务提供方终端140可以是与服务请求方终端130类似或相同的设备。
数据库150可以存储数据和/或指令。在一些实施例中，数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中，数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM)；RAM可以包括动态RAM(Dynamic RandomAccess Memory,DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM)；静态RAM(Static Random-Access Memory,SRAM)，晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-OnlyMemory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库150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、分布式云、跨云、多云或者其它类似的等，或其任意组合。
在一些实施例中，数据库150可以连接到网络120以与订单信息动态调整系统100(例如，服务器110，服务请求方终端130，服务提供方终端140等)中的一个或多个组件通信。订单信息动态调整系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到订单信息动态调整系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)；或者，在一些实施例中，数据库150也可以是服务器110的一部分。
在一些实施例中，订单信息动态调整系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中，可以通过请求服务来实现订单信息动态调整系统100中的一个或多个组件的信息交换。服务请求的对象可以是任何产品。在一些实施方案中，产品可以是有形产品或非物质产品。
图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、服务请求方终端130、服务提供方终端140的电子设备200的示例性硬件和软件组件的示意图。例如，处理器112可以用于电子设备200上，并且用于执行本申请中的功能。
电子设备200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信息动态调整方法。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200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240，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200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250。
为了便于说明，在电子设备200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200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200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。
图3示出本申请实施例提供的一种订单信息动态调整方法的流程图，包括：S301～S303。
S301：当目标用户发生冒泡行为时，获取用于表征所述目标用户的冒泡行为的目标特征信息。
在具体实现的时候，当目标用户通过客户端向网约车平台发送了出行信息时，该用户的行为即为冒泡行为。目标用户可以是所有用户，也可以是从所有用户中确定的部分满足一定要求的用户。
示例性的，服务器可以周期性对各个用户的平均冒泡频率进行检测；当检测到某个用户的平均冒泡频率小于一定的冒泡频率阈值后，则将该用户确定为目标用户。
示例性的，服务器还可以周期性的对各个用户的历史下单转化率进行计算；当检测到某个用户的历史下单转化率小于一定的阈值后，则将该用户缺位目标用户。
服务器会对各个目标用户的冒泡行为进行监测；当监测到目标用户发生冒泡行为后，就获取表征该目标用户冒泡行为的目标特征信息。
在本申请中，目标特征信息至少包括与冒泡行为对应的订单预估价格。
其中，可以采用下述步骤获取目标用户的订单预估价格：
在接收到目标用户的客户端发送的出行信息时，将所述目标用户的客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的目标订单预估价格。
另外，在本申请另一实施例中，所述目标特征信息还包括：
冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日的下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段、冒泡中至少一项。
(1)、针对所述目标特征信息包括冒泡频率的情况，采用下述步骤获取所述冒泡频率：
获取所述目标用户在预设历史时间段内所有冒泡行为的冒泡时间；
基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
基于所述平均间隔时间确定所述冒泡频率。
(2)、针对所述目标特征信息包括冒泡次数的周期性变化量的情况，这里的周期可以根据实际的需要以及预设历史时间段的长度进行具体的设定；例如，假若预设历史时间段的长度为1个月，则可以将这里的周期设置为1周、10天、15天等；假若预设历史时间段的长度为3个月，则可以将这里的周期设置为1周、2周、1个月、10天、15天、20天等。周期性变化量可以通过冒泡行为的次数来表征，也可以通过冒泡行为次数的变化率来表征。
且周期性变化量的数量，根据预设历史时间段的长度和周期相关；例如假若预设历史时间长度为3个月，周期为1个月，则周期性变化量的数量为2；假若预设历史时间长度为1个月，周期为1周，则周期性变化量的数量为3。
采用下述步骤获取所述冒泡次数的周期性变化量：
获取所述目标用户在预设历史时间段内的冒泡行为的发生时间；
根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
(3)、针对所述目标特征信息包括下单的周期性变化量的情况，下单的周期性变化量，和上述冒泡次数的周期性变化量类似。具体地，可以通过下述步骤获取下单的周期性变化量：
获取所述用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
(4)、针对所述目标特征信息包括累计下单数的情况，是指该目标用户发生冒泡行为，并将冒泡行为转化为下单的总次数。
具体地，可以通过下述步骤获取累计下单数：
获取所述用户的目标冒泡行为转化为下单行为的总数量；
将确定标冒泡行为转化为下单行为的总数量，作为所述累计下单数。
(5)、针对所述目标特征信息包括工作日冒泡总量的情况，是指发生在工作日的冒泡行为的总数量。
具体地，可以通过下述步骤获取工作日冒泡总量：
在用户发生冒泡行为时，记录冒泡行为发生的时间。
根据每次冒泡行为发生的时间，确定发生在工作日的冒泡行为的总数量；
将确定的发生在工作日的冒泡行为的总数量确定为工作日冒泡总量。
(6)、针对所述目标特征信息包括工作日下单总量的情况，是指发生在工作日冒泡行为转化为下单行为的总数量。
具体地，可以通过下述步骤获取工作日下单总量：
在用户发生冒泡行为转化为下单行为时，记录下单行为发生的时间。
根据每次下单行为发生的时间，确发生在工作日冒泡行为转化为下单行为的总数量；
将确定的发生在工作日冒泡行为转化为下单行为的总数量确定为工作日下单总量。
(7)、针对所述目标特征信息包括周末冒泡总量的情况，是指发生在周末的冒泡行为的总数量。获得的具体方法与上述5类似，在此不再赘述。
(8)、针对所述目标特征信息包括周末下单总量的情况，指发生在周末冒泡行为转化为下单行为的总数量。
获得的具体方法与上述6类似，在此不再赘述。
(9)、针对所述目标特征信息包括冒泡行为发生的时间段的情况，时间段可以预先设定，例如在购买代驾服务的高峰期设置为一时间段，将平峰期设置一时间段，并将低谷期设置为一时间段，然后确定冒泡行为发生时所落入的时间段。
在获取了目标用户的目标特征信息后，本申请实施例提供的订单信息动态调整方法，还包括：
S302：根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率。
在具体实现的时候，可以采用下述步骤获取目标下单转化率：将所述目标用户的所述目标特征信息输入至预先训练的下单转化率预测模型中，获取所述目标用户的所述目标下单转化率。
具体地，图4示出本申请实施例提供的一种获取预先训练的下单转化率预测模型的具体方法，包括：
S401：获取用于表征样本用户的冒泡行为特征的样本特征信息以及与不同价格区间对应的样本下单转化率；所述样本用户的样本特征信息中包含与冒泡行为对应的样本订单预估价格。
在具体实施中，为了保证样本的准确性，样本用户可以是已经通过网约车平台多次购买代驾服务的用户。例如，可以通过用户在网约车平台的注册时间来从所有用户中筛选样本用户；也可以通过用户在预设时间段内从网约车平台购买代驾服务的次数从所有用户中筛选样本用户。
可以将筛选的样本用户的所有冒泡行为作为本申请的目标冒泡行为，并获取目标冒泡行为的样本特征信息。
另外，随着时间的推移和经济的发展，用户的收入水平在不断的发生变化；而收入不同，也会影响用户对消费水平的接受程度；因此，为了提高预测的准确度，可以将样本用户在距离当前时刻一定时间内的冒泡行为作为样本用户的目标冒泡行为，并根据所确定的样本用户的目标冒泡行为，获得样本用户的样本特征信息。
例如，将距离当前时刻一年之前注册，且当前仍然处于活跃状态，在距离当前时刻一年以内购买代驾服务达到20次的用户确定为样本用户。并将该样本用户在距离当前时刻一年内所有的冒泡行为都作为本申请的目标冒泡行为，获取目标冒泡行为的样本特征信息，以及与不同价格区间对应的样本下单转化率。
此外，参见图5所示，本申请实施例还提供一种确定不同价格区间对应的样本下单转化率的具体实施方式，包括：
S501：根据所述样本用户每次冒泡行为对应的订单预估价格所落入的价格区间，将所述样本用户的冒泡行为划分到与所述价格区间对应的分类；
S502：确定各分类中的冒泡行为转化为实际订单的次数；
S503：根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
在具体实现的时候，价格区间可以根据实际的需要进行具体的设定。例如价格区间的最大值和最小值之间的差值设置成为1元；同时，为了保证网约车平台的运营，一般还设置有起步价；例如此时起步价为20元，则最终得到的价格区间为：[20,21]、(22,23]、(23,24]、……、[199,200]、……。
每个价格区间会对应一个分类。当用户发生冒泡行为时，网约车平台会为该用户生成一订单预估价格，然后根据用户每次冒泡行为对应的订单预估价格所落入的价格区间，将所获得的用户的冒泡行为划分到与价格区间对应的分类中。
此时，需要注意的是，不同价格区间对应的样本下单转化率，一般是针对每一个样本用户，都获取该样本用户在不同价格区间对应的下单转化率。然后根据多个样本用户的特征信息以及与不同价格区间对应的下单转化率，获得多个样本用户的样本下单转化率的共性，训练下单转化率预测模型。
例如，样本用户甲某在距离当前时刻一年内预估订单价格落入某价格区间中冒泡行为的次数为21次，这20次冒泡行为中，转化为实际订单的次数为17次，则可以将冒泡行为转化为实际订单的次数与冒泡行为的次数作为该价格区间对应的分类中各冒泡行为对应的下单转化率，也即：17除以20，为85％。
另外，样本特征信息中还包括：冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日的下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段、冒泡中至少一项。具体的获取方法与目标用户的样本特征信息的获取方法类似，在此不再赘述。
S402：基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型。
在具体实现的时候，为了实现对下单转化率预测模型的训练，首先要确定进行下单转化率预测所基于的基础预测模型。之后，将所述样本特征信息作为所述基础预测模型的解释变量的值，将所述不同价格区间对应的样本下单转化率作为所述基础预测模型的被解释变量的值，训练下单转化率预测模型。
此处，需要注意的是，基础预测模型中的解释变量，可以包括：与冒泡行为对应的订单预估价格，与冒泡行为对应的订单预估价格的变形，如订单预估价格的平方、订单预估价格的导数、订单预估价格的对数、订单预估价格的开根号等中一项或者多项。
可选地，基础预测模型可以采用逻辑回归模型、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、决策树模型中任意一种。
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，实际上是使用获取的样本特征信息和所述不同价格区间对应的样本下单转化率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：将多个所述样本用户的所述样本特征信息作为解释变量的值，将与每个样本用户对应的不同价格区间对应的样本下单转化率作为被解释变量的值，计算所述样本下单转化率预测模型中各个解释变量的权重系数和所述样本下单转化率预测模型的附加系数，得到训练后的下单转化率预测模型。
具体地，在训练下单转化率预测模型的时候，可以将订单预估价格构成解释变量矩阵，并将每个解释变量的参数构成参数矩阵，将不同价格区间对应的样本下单转化率构成被解释变量矩阵，其中，解释变量矩阵的列表征各个样本特征信息，解释变量的行表征每个样本用户；参数矩阵的行表征不同解释变量对应的参数。被解释变量矩阵的行表征每个样本用户对应的流失结果。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，将样本特征信息作为解释变量矩阵中各个元素的值，并将不同价格区间对应的样本下单转化率作为被解释变量矩阵中各个元素的值，对参数矩阵进行求解，从而得到下单转化率预测模型。
针对深度学习模型而言，需要预先构建深度学习网络，然后将样本用户的样本特征信息作为深度学习网络的输入，以及所述样本用户在不同价格区间对应的样本下单转化率作为参考结果，对深度学习网络进行有监督的训练，得到用户下单转化率预测模型。
针对决策树模型而言，训练模型的过程，实际上是使用获取的样本特征信息和不同价格区间对应的样本下单转化率构建决策树的过程。
另外，在本申请实施例中，为了保证下单转化率预测模型精确度，在基于所述特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型之后，还包括：对训练得到的下单转化率预测模型进行测试的过程。
具体地，参见图6所示，本申请实施例还提供一种对训练得到的下单转化率预测模型进行测试的具体方法，包括：
S601：获取用于表征测试用户的冒泡行为特征的测试特征信息，以及与不同价格区间对应的测试下单转化率；
S602：基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证。
在具体实现的时候，测试用户与样本用户应当是具有类似或者相同特征的用户，例如是基于相同的筛选方法，从用户中筛选得到的。基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证的，就是要将测试用户的测试特征信息输入至训练后的下单转化率预测模型，得到对应预测下单转化率，并检测预测下单转化里边和测试下单转化率是否一致的过程。
具体地，本申请实施例采用下述步骤基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证：
将所述测试用户的测试特征信息输入至训练后的所述下单转化率预测模型，获得预测下单转化率；
基于所述预测下单转化率与所述测试下单转化率计算预测损失；
针对测试损失大于预设损失阈值的情况，将所述测试用户的测试特征信息和所述样本用户的样本特征信息作为新的样本特征信息，返回基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
此处，预测损失是指测试下单转化率与预测下单转化率不同的具体情况；测试下单转化率与预测下单转化率不同的测试样本越多，则预测损失越大。预测损失越大，则表征训练后的下单转化率预测模型的精度越低，泛化能力也越低；测试下单转化率与预测下单转化率不同的测试样本越少，预测损失越小，则表征训练后的下单转化率预测模型的精度越改，泛化能力越强。
具体地，可以通过下述步骤计算预测损失：计算所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量；
将所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
如此，经过对训练后的所述下单转化率预测模型的测试，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，则将测试后的下单转化率预测模型作为对目标用户的订单信息动态调整时所使用的下单转化率预测模型使用。
另外，参见图7所示，本申请实施例还提供另外一种获取预先训练的下单转化率预测模型的具体方法，包括：
S701：确定多个区域范围。
S702：针对所述多个区域范围，获取每个区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率。
S703：针对每个区域范围，基于该区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率，训练与该区域范围对应的下单转化率预测模型。
在具体实现的时候，由于在同一时期，用户所处的区域范围不同，导致用户的消费水准也不相同，因此，本申请实施例还可以针对不同区域范围的用户来训练得到下单转化率预测模型，在对目标用户的目标下单转化率进行预测时，基于目标用户所在区域范围对应的下单转化率预测模型进行训练。
区域范围可以根据实际的需要进行具体的设定。针对不同的区域范围，由于区域范围内各种因素的差异，会导致用户对代驾服务的购买情况有所差别。例如对于交通状况、区域范围的大小、用户习惯、用户收入等因素的差异，导致了不同区域范围的用户购买代驾服务的接受程度是不同的。由于这种差异的存在，如果使用相同的方法去确定不同区域用户的在发生冒泡行为时的下单转化率，明显是不准确的，因此，本申请实施例是针对不同的区域范围分别训练用户流失概率预测模型。
区域范围在设定的时候，可以依据行政区域的划分得到不同的区域范围。例如以城市、地区为单位划分区域范围；对于较大的城市而言，城市中心和城市郊区的情况也会有所区别，因此也可以针对城市不同地区的繁华程度来进行区域范围的划分。而针对某些县级的小城镇，用户使用网约车出行的概率可能会非常低，为了减少计算量，这些将这些地区去除，也即，不会将这些小城镇作为本申请中的区域范围。
另外，还可以使用样本用户集合中每个所述样本用户的冒泡行为的冒泡地点进行聚类的方式，获得多个区域范围。
具体地，该方法包括：
获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
此处，在根据每个冒泡行为对应的冒泡底单确定至少一个区域范围时，可以采用对所述冒泡地点进行聚类，得到至少一个类；基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
在确定了区域范围后，就要从区域范围中选取样本用户。各个区域范围的样本用户一般选取所在区域范围比较稳定的用户；假如是某些所在区域范围经常会出现变化的用户而言，例如对于经常出差的用户而言，使用该用户作为样本用户对下单转化率预测模型进行训练，可能会降低训练所得的下单转化率预测模型的精度。
具体地，属于某一区域范围的样本用户，是指用户在发生冒泡行为时所在地点落入在该区域范围内的用户。
本申请实施例提供中，所述根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率，包括：
基于目标用户所在区域范围对应的所述下单转化率预测模型，以及目标用户的目标特征信息，预测得到所述目标用户在发生冒泡行为时的目标下单转化率。
在本申请实施例中，要针对多个区域范围中的每一个区域范围都训练得到一个下单转化率预测模型；在实际情况中，有很多区域范围中用户使用网约车平台购买服务的情况是比较类似的，因此在实际操作的时候，可以针对这些情况类似的多个区域范围进行一次模型训练过程，所得到的下单转化率预测模型就能够针这些情况类似的多个区域范围的用户进行下单转化率的预测。
因此，在本申请另一实施例中，参见图8所示，本申请实施例提供的另外一种获取预先训练的下单转化率预测模型的具体方法中，在确定多个区域范围之后，还包括：
S801：确定所述多个区域范围中每个区域范围对应的冒泡行为的数量。
S802：根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类。
具体地，在对区域范围进行分类的时候，可以将所述冒泡行为的数量落入同一数量区间的所述区域范围划分到与所述预设数量区间对应的分类中。
此处，会预设多个数量区间；每个数量区间对应一个分类；数量区间的数量和大小可以根据实际的情况进行具体设定。
S802：基于每个分类包括的区域范围内，所述样本用户的样本特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
在针对每个分类所包括的区域范围进行下单转化率预测模型的训练时，可以使用该分类包括的区域范围所有样本用户的特征信息和不同价格区间对应的下单转化率，对下单转化率预测模型进行训练。所得到的下单转化率预测模型，能够用于预测与该分类所包括的所有区域范围的用户的下单转化率。
在确定目标用户在发生冒泡行为时的目标下单转化率后，还包括：
S303：根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息。
在具体实施中，目标订单调整信息包括：价格调整信息、服务调整信息中至少一种。
其中，根据价格调整信息，可以对为该目标用户确定的预估订单价格进行调整。以使目标用户花费更少的钱享受更多的服务。
根据服务调整信息，可以对为该目标用户所选择的服务进行升级。例如，在外卖平台，在基于服务调整信息对目标订单进行调整后，可以将用户选择的45分钟内送达的服务提升为20分钟内送达，但所支付的金额与45分钟内送达的服务一致；又例如在物流平台，在基于服务调整信息对目标订单进行调整后，将用户选择的普通邮递服务升级为次日达，用户所需要支付的邮费为普通邮递服务所需要支付的油费。又例如在网约车平台，在基于服务调整信息对目标订单进行调整后，提升目标用户的排队优先级，即优先为目标用户匹配网约车等。
具体地，可以采用下述步骤确定针对目标用户的目标订单调整信息：
根据所述目标下单转化率，以及预设的多个下单转化率区间分别对应的订单调整信息，确定所述目标用户在发生所述冒泡行为时的目标订单调整信息。
此处，各个下单转化率区间分别对应的订单调整信息，可以根据实际的需要进行具体的设定，也可以根据多个样本用户的历史冒泡行为、与历史冒泡行为对应的预估下单转化率，实际下单转化结果，以及历史订单调整信息来确定。其中，实际下单转化结果包括：转化和未转化。
具体地，参见图9所示，本申请实施例还提供一种确定各个下单转化率区间分别对应的订单调整信息的具体方法，包括：
S901：获取多个用户的历史冒泡行为，并获取与各个用户的各次冒泡行为分别对应的预估下单转化率，实际下单转化结果，以及历史订单调整信息。
此处，用户可以是多个采用本申请实施例提供的订单信息动态调整方法调整过订单的目标用户。
S902：针对每个下单转化率区间，根据各个用户的各次冒泡行为的预估下单转化率以及实际下单转化结果，确定与该下单转化率区间对应的实际下单转化结果为转化的第一冒泡次数，以及各个历史订单调整信息分别对应的第二冒泡次数。
示例性的，针对某下单转化率区间，对应有三个史订单调整信息，分别为a1、a2以及a3。
假设用户A的各次冒泡行为的预估下单转化率落入该下单转化率区间的次数为20；其中，有15次的实际下单转化结果为转化。其中，历史订单调整信息为a1的冒泡次数为3，历史订单调整信息为a2的冒泡次数为5，历史订单调整信息为a3的冒泡次数为7。
用户B的各次冒泡行为的预估下单转化率落入该下单转化率区间的次数为25；其中，有7次的实际下单转化结果为转化。其中，历史订单调整信息为a1的冒泡次数为2，历史订单调整信息为a2的冒泡次数为1，历史订单调整信息为a3的冒泡次数为4。
用户C的各次冒泡行为的预估下单转化率落入该下单转化率区间的次数为31；其中，有17次的实际下单转化结果为转化。其中，历史订单调整信息为a1的冒泡次数为5，历史订单调整信息为a2的冒泡次数为7，历史订单调整信息为a3的冒泡次数为5。
则，对应的第一冒泡次数为：15+7+17＝39。
其中，历史订单调整信息a1对应的第二冒泡次数为：3+2+5＝10。
历史订单调整信息a2对应的第二冒泡次数为：5+1+7＝13。
历史订单调整信息a3对应的第二冒泡次数为：7+4+5＝16。
S903：针对每个历史订单调整信息，基于该历史订单调整信息对应的第二冒泡次数，以及第一冒泡次数，计算与该历史订单调整信息对应的发单率。
示例性的，与该历史订单调整信息对应的发单率，可以是历史订单调整信息对应的第二冒泡次数，以及第一冒泡次数的比值。
如上述示例所示：历史订单调整信息a1对应的发单率为：10÷39。
历史订单调整信息a2对应的发单率为：13÷39。
历史订单调整信息a3对应的发单率为：16÷39。
S904：根据各个历史订单调整信息的发单率的大小，确定与该下单转化率区间对应的订单调整信息。
示例性的，可以将各个历史订单调整信息对应的发单率作为其权重，对各个历史订单调整信息进行加权求和，并将加权求和的结果确定为与该下单转化率区间对应的订单调整信息。或者，还可以将其中发单率最大的历史订单调整信息，确定为与该下单转化率区间对应的订单调整信息。
本申请实施例通过在目标用户发生冒泡行为时，获取的用于表征用户冒泡行为的目标特征信息，确定目标用户在发生冒泡行为时的目标下单转化率，并根据确定的目标下单转化率来确定针对目标用户的目标订单调整信息，从而能够更好地为用户提供下单服务，提高服务效率和服务质量。
此外，本申请实施例所提供的下单转化率预测模型是基于大数据训练得到，能够在对模型进行训练的过程中，使得模型学习到样本用户的共性特征，使用这种下单转化率预测模型对用户的下单转化率进行预测，具有更高的准确性。
此外，下单转化率预测模型可以一次训练，多次使用；在使用下单转化率预测模型对目标用户的下单转化率进行预测时，只需要获得目标用户的目标特征信息，并基于下单转化率预测模型，以及目标用户的目标特征信息，预测得到目标用户在发生冒泡行为时的目标下单转化率，计算量少，节省计算资源。
基于同一发明构思，本申请实施例中还提供了与订单信息动态调整方法对应的订单信息动态调整装置，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订单信息动态调整方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
本申请又一实施例还提供的订单信息动态调整装置，参见图10所示，本申请实施例所提供的订单信息动态调整装置包括：
获取模块11，用于当目标用户发生冒泡行为时，获取用于表征所述目标用户的冒泡行为的目标特征信息；
确定模块12，用于根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率；
生成模块13，用于根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息。
一种可选实施方式中，所述确定模块12，用于采用下述步骤根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率：
将所述目标用户的所述目标特征信息输入至预先训练的下单转化率预测模型中，获取所述目标用户的所述目标下单转化率。
一种可选实施方式中，所述生成模块13，用于采用下述步骤根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息：
根据所述目标下单转化率，以及预设的多个下单转化率区间分别对应的订单调整信息，确定所述目标用户在发生所述冒泡行为时的目标订单调整信息。
一种可选实施方式中，还包括训练模块14，用于采用下述步骤获取预先训练的所述下单转化率预测模型：
获取用于表征样本用户的冒泡行为特征的样本特征信息以及与不同价格区间对应的样本下单转化率；所述样本用户的样本特征信息中包含与冒泡行为对应的样本订单预估价格；
基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型。
一种可选实施方式中，所述训练模块14，用于根据以下步骤确定与不同价格区间对应的样本下单转化率：
根据所述样本用户每次冒泡行为对应的订单预估价格所落入的价格区间，将所述样本用户的冒泡行为划分到与所述价格区间对应的分类；
确定各分类中的冒泡行为转化为实际订单的次数；
根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
一种可选实施方式中，所述训练模块14，用于采用下述步骤获取用于表征样本用户的冒泡行为特征的样本特征信息：
在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
一种可选实施方式中，所述训练模块14，用于采用下述步骤基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型：
确定进行下单转化率预测所基于的基础预测模型；
将所述样本用户的样本特征信息作为所述基础预测模型的解释变量的值，将该次冒泡行为所属的价格区间对应的下单转化率作为被解释变量的值，训练得到所述下单转化率预测模型。
一种可选实施方式中，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、决策树模型中任意一种。
一种可选实施方式中，该装置还包括：区域确定模块15，用于确定多个区域范围；
所述训练模块14，用于针对所述多个区域范围，获取每个区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率；
针对每个区域范围，基于该区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率，训练与该区域范围对应的下单转化率预测模型；
所述生成模块13，用于采用下述步骤根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率：
基于目标用户所在区域范围对应的所述下单转化率预测模型，以及目标用户的目标特征信息，预测得到所述目标用户在发生冒泡行为时的目标下单转化率。
一种可选实施方式中，所述区域确定模块15，用于采用下述步骤确定多个区域范围：
获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
一种可选实施方式中，所述区域确定模块15，用于采用下述步骤基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围：
对所述冒泡地点进行聚类，得到至少一个类；
基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
一种可选实施方式中，所述区域确定模块12，在确定多个区域范围之后还用于：
确定所述多个区域范围中每个区域范围对应的冒泡行为的数量；
根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类；
所述训练模块14，还用于基于每个分类包括的区域范围内，所述样本用户的样本特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
一种可选实施方式中，所述装置还包括：验证模块16，用于获取用于表征测试用户的冒泡行为特征的测试特征信息，以及与不同价格区间对应的测试下单转化率；
基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证。
一种可选实施方式中，所述验证模块16，用于采用下述步骤基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证：
将所述测试用户的测试特征信息输入至训练后的所述下单转化率预测模型，获得预测下单转化率；
基于所述预测下单转化率与所述测试下单转化率计算预测损失；
针对测试损失大于预设损失阈值的情况，将所述测试用户的测试特征信息和所述样本用户的样本特征信息作为新的样本特征信息，返回基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
一种可选实施方式中，所述验证模块16，用于采用下述步骤基于所述预测下单转化率与所述测试下单转化率计算预测损失：
计算所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量；
将所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
一种可选实施方式中，所述样本特征信息还包括：
冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段中至少一项。
一种可选实施方式中，针对所述样本特征信息包括冒泡频率的情况，所述训练模块14，用于采用下述步骤获取所述冒泡频率：
针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
基于所述平均间隔时间确定所述冒泡频率。
一种可选实施方式中，针对所述样本特征信息包括冒泡次数的周期性变化量的情况，所述训练模块14，用于采用下述步骤获取所述冒泡次数的周期性变化量：
针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
一种可选实施方式中，针对所述样本特征信息包括下单的周期性变化量的情况，所述训练模块14，用于采用下述步骤获取所述下单的周期性变化量：
针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
所述目标订单调整信息包括：价格调整信息、服务调整信息。
如图2所示，本申请实施例还提供一种电子设备，包括：处理器220、存储介质和总线230，所述存储介质存储有所述处理器220可执行的机器可读指令，当电子设备运行时，所述处理器220与所述存储介质之间通过总线通信230，所述处理器220执行所述机器可读指令，以执行时执行如本申请实施例提供的订单信息动态调整方法的步骤。
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本申请实施例提供的订单信息动态调整方法的步骤。
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，可以参考方法实施例中的对应过程，本申请中不再赘述。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，所述模块的划分，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，多个模块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，装置或模块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模块可以是或者也可以不是物理上分开的，作为模块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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (42)

1.一种订单信息动态调整方法，其特征在于，包括：
当目标用户发生冒泡行为时，获取用于表征所述目标用户的冒泡行为的目标特征信息；
根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率；
根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率，包括：
将所述目标用户的所述目标特征信息输入至预先训练的下单转化率预测模型中，获取所述目标用户的所述目标下单转化率。
3.根据权利要求1所述的方法，其特征在于，所述根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息，包括：
根据所述目标下单转化率，以及预设的多个下单转化率区间分别对应的订单调整信息，确定所述目标用户在发生所述冒泡行为时的目标订单调整信息。
4.根据权利要求1所述的方法，其特征在于，采用下述步骤获取预先训练的所述下单转化率预测模型：
获取用于表征样本用户的冒泡行为特征的样本特征信息以及与不同价格区间对应的样本下单转化率；所述样本用户的样本特征信息中包含与冒泡行为对应的样本订单预估价格；
基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型。
5.根据权利要求4所述的方法，其特征在于，根据以下步骤确定与不同价格区间对应的样本下单转化率：
根据所述样本用户每次冒泡行为对应的订单预估价格所落入的价格区间，将所述样本用户的冒泡行为划分到与所述价格区间对应的分类；
确定各分类中的冒泡行为转化为实际订单的次数；
根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
6.根据权利要求4所述的方法，其特征在于，所述获取用于表征样本用户的冒泡行为特征的样本特征信息，包括：
在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
7.根据权利要求4所述的方法，其特征在于，所述基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型，包括：
确定进行下单转化率预测所基于的基础预测模型；
将所述样本用户的样本特征信息作为所述基础预测模型的解释变量的值，将该次冒泡行为所属的价格区间对应的下单转化率作为被解释变量的值，训练得到所述下单转化率预测模型。
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、决策树模型中任意一种。
9.根据权利要求4所述的方法，其特征在于，该方法还包括：确定多个区域范围；
所述获取用于表征样本用户的冒泡行为特征的样本特征信息以及与不同价格区间对应的样本下单转化率，包括：
针对所述多个区域范围，获取每个区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率；
基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型，包括：
针对每个区域范围，基于该区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率，训练与该区域范围对应的下单转化率预测模型；
所述根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率，包括：
基于目标用户所在区域范围对应的所述下单转化率预测模型，以及目标用户的目标特征信息，预测得到所述目标用户在发生冒泡行为时的目标下单转化率。
10.根据权利要求9所述的方法，其特征在于，所述确定多个区域范围包括：
获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
11.根据权利要求10所述的方法，其特征在于，所述基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围，具体包括：
对所述冒泡地点进行聚类，得到至少一个类；
基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
12.根据权利要求9-11任意一项所述的方法，其特征在于，所述确定多个区域范围之后，还包括：
确定所述多个区域范围中每个区域范围对应的冒泡行为的数量；
根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类；
基于每个分类包括的区域范围内，所述样本用户的样本特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
13.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取用于表征测试用户的冒泡行为特征的测试特征信息，以及与不同价格区间对应的测试下单转化率；
基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证。
14.根据权利要求13所述的方法，其特征在于，所述基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证，包括：
将所述测试用户的测试特征信息输入至训练后的所述下单转化率预测模型，获得预测下单转化率；
基于所述预测下单转化率与所述测试下单转化率计算预测损失；
针对测试损失大于预设损失阈值的情况，将所述测试用户的测试特征信息和所述样本用户的样本特征信息作为新的样本特征信息，返回基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
15.根据权利要求14所述的方法，其特征在于，所述基于所述预测下单转化率与所述测试下单转化率计算预测损失，包括：
计算所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量；
将所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
16.根据权利要求4所述的方法，其特征在于，所述样本特征信息还包括：
冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段中至少一项。
17.根据权利要求16所述的方法，其特征在于，针对所述样本特征信息包括冒泡频率的情况，采用下述步骤获取所述冒泡频率：
针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
基于所述平均间隔时间确定所述冒泡频率。
18.根据权利要求16所述的方法，其特征在于，针对所述样本特征信息包括冒泡次数的周期性变化量的情况，采用下述步骤获取所述冒泡次数的周期性变化量：
针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
19.根据权利要求16所述的方法，其特征在于，针对所述样本特征信息包括下单的周期性变化量的情况，采用下述步骤获取所述下单的周期性变化量：
针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
20.根据权利要求1所述的方法，其特征在于，所述目标订单调整信息包括：价格调整信息和/或服务调整信息。
21.一种订单信息动态调整装置，其特征在于，该装置包括：
获取模块，用于当目标用户发生冒泡行为时，获取用于表征所述目标用户的冒泡行为的目标特征信息；
确定模块，用于根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率；
生成模块，用于根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息。
22.根据权利要求21所述的装置，其特征在于，所述确定模块，用于采用下述步骤根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率：
将所述目标用户的所述目标特征信息输入至预先训练的下单转化率预测模型中，获取所述目标用户的所述目标下单转化率。
23.根据权利要求21所述的装置，其特征在于，所述生成模块，用于采用下述步骤根据确定的所述目标下单转化率，确定针对所述目标用户的目标订单调整信息：
根据所述目标下单转化率，以及预设的多个下单转化率区间分别对应的订单调整信息，确定所述目标用户在发生所述冒泡行为时的目标订单调整信息。
24.根据权利要求21所述的装置，其特征在于，还包括训练模块，用于采用下述步骤获取预先训练的所述下单转化率预测模型：
获取用于表征样本用户的冒泡行为特征的样本特征信息以及与不同价格区间对应的样本下单转化率；所述样本用户的样本特征信息中包含与冒泡行为对应的样本订单预估价格；
基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型。
25.根据权利要求24所述的装置，其特征在于，所述训练模块，用于根据以下步骤确定与不同价格区间对应的样本下单转化率：
根据所述样本用户每次冒泡行为对应的订单预估价格所落入的价格区间，将所述样本用户的冒泡行为划分到与所述价格区间对应的分类；
确定各分类中的冒泡行为转化为实际订单的次数；
根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
26.根据权利要求24所述的装置，其特征在于，所述训练模块，用于采用下述步骤获取用于表征样本用户的冒泡行为特征的样本特征信息：
在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
27.根据权利要求24所述的装置，其特征在于，所述训练模块，用于采用下述步骤基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型：
确定进行下单转化率预测所基于的基础预测模型；
将所述样本用户的样本特征信息作为所述基础预测模型的解释变量的值，将该次冒泡行为所属的价格区间对应的下单转化率作为被解释变量的值，训练得到所述下单转化率预测模型。
28.根据权利要求27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、决策树模型中任意一种。
29.根据权利要求24所述的装置，其特征在于，该装置还包括：区域确定模块，用于确定多个区域范围；
所述训练模块，用于针对所述多个区域范围，获取每个区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率；
针对每个区域范围，基于该区域范围内的样本用户的样本特征信息，以及与不同价格区间对应的样本下单转化率，训练与该区域范围对应的下单转化率预测模型；
所述生成模块，用于采用下述步骤根据所述目标特征信息，确定所述目标用户在发生所述冒泡行为时的目标下单转化率：
基于目标用户所在区域范围对应的所述下单转化率预测模型，以及目标用户的目标特征信息，预测得到所述目标用户在发生冒泡行为时的目标下单转化率。
30.根据权利要求29所述的装置，其特征在于，所述区域确定模块，用于采用下述步骤确定多个区域范围：
获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
31.根据权利要求30所述的装置，其特征在于，所述区域确定模块，用于采用下述步骤基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围：
对所述冒泡地点进行聚类，得到至少一个类；
基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
32.根据权利要求29-31任意一项所述的装置，其特征在于，所述区域确定模块，在确定多个区域范围之后还用于：
确定所述多个区域范围中每个区域范围对应的冒泡行为的数量；
根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类；
所述训练模块，还用于基于每个分类包括的区域范围内，所述样本用户的样本特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
33.根据权利要求24所述的装置，其特征在于，所述装置还包括：验证模块，用于获取用于表征测试用户的冒泡行为特征的测试特征信息，以及与不同价格区间对应的测试下单转化率；
基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证。
34.根据权利要求33所述的装置，其特征在于，所述验证模块，用于采用下述步骤基于测试用户的测试特征信息，以及与不同价格区间对应的测试下单转化率，对训练后的下单转化率预测模型进行验证：
将所述测试用户的测试特征信息输入至训练后的所述下单转化率预测模型，获得预测下单转化率；
基于所述预测下单转化率与所述测试下单转化率计算预测损失；
针对测试损失大于预设损失阈值的情况，将所述测试用户的测试特征信息和所述样本用户的样本特征信息作为新的样本特征信息，返回基于所述样本用户的样本特征信息，以及不同价格区间对应的样本下单转化率，训练所述下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
35.根据权利要求34所述的装置，其特征在于，所述验证模块，用于采用下述步骤基于所述预测下单转化率与所述测试下单转化率计算预测损失：
计算所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量；
将所述测试下单转化率与所述预测下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
36.根据权利要求24所述的装置，其特征在于，所述样本特征信息还包括：
冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段中至少一项。
37.根据权利要求36所述的装置，其特征在于，针对所述样本特征信息包括冒泡频率的情况，所述训练模块，用于采用下述步骤获取所述冒泡频率：
针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
基于所述平均间隔时间确定所述冒泡频率。
38.根据权利要求36所述的装置，其特征在于，针对所述样本特征信息包括冒泡次数的周期性变化量的情况，所述训练模块，用于采用下述步骤获取所述冒泡次数的周期性变化量：
针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
39.根据权利要求36所述的装置，其特征在于，针对所述样本特征信息包括下单的周期性变化量的情况，所述训练模块，用于采用下述步骤获取所述下单的周期性变化量：
针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
40.根据权利要求21所述的装置，其特征在于，所述目标订单调整信息包括：价格调整信息和/或服务调整信息。
41.一种电子设备，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1～20任一所述的订单信息动态调整方法。
42.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1～20任一所述的订单信息动态调整方法。
CN201811459766.0A 2018-11-30 2018-11-30 一种订单信息动态调整方法和装置 Pending CN111260103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811459766.0A CN111260103A (zh) 2018-11-30 2018-11-30 一种订单信息动态调整方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811459766.0A CN111260103A (zh) 2018-11-30 2018-11-30 一种订单信息动态调整方法和装置

Publications (1)

Publication Number Publication Date
CN111260103A true CN111260103A (zh) 2020-06-09

Family

ID=70944791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811459766.0A Pending CN111260103A (zh) 2018-11-30 2018-11-30 一种订单信息动态调整方法和装置

Country Status (1)

Country Link
CN (1) CN111260103A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599002A (zh) * 2015-02-13 2015-05-06 北京嘀嘀无限科技发展有限公司 预测订单价值的方法及设备
CN105550925A (zh) * 2016-01-28 2016-05-04 世纪禾光科技发展（北京）有限公司 移动购物平台及购物方法
EP3211572A1 (en) * 2016-02-29 2017-08-30 Hitachi Solutions, Ltd. Demand-supply adjustment device, demand-supply adjustment system, and demand-supply adjustment method
CN107622413A (zh) * 2017-08-08 2018-01-23 阿里巴巴集团控股有限公司 一种价格敏感度计算方法、装置及其设备
CN108073578A (zh) * 2016-11-07 2018-05-25 阿里巴巴集团控股有限公司 一种进行对象推荐的方法和系统
CN108537352A (zh) * 2017-03-02 2018-09-14 北京嘀嘀无限科技发展有限公司 一种数据处理方法、装置和服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599002A (zh) * 2015-02-13 2015-05-06 北京嘀嘀无限科技发展有限公司 预测订单价值的方法及设备
CN105550925A (zh) * 2016-01-28 2016-05-04 世纪禾光科技发展（北京）有限公司 移动购物平台及购物方法
EP3211572A1 (en) * 2016-02-29 2017-08-30 Hitachi Solutions, Ltd. Demand-supply adjustment device, demand-supply adjustment system, and demand-supply adjustment method
CN108073578A (zh) * 2016-11-07 2018-05-25 阿里巴巴集团控股有限公司 一种进行对象推荐的方法和系统
CN108537352A (zh) * 2017-03-02 2018-09-14 北京嘀嘀无限科技发展有限公司 一种数据处理方法、装置和服务器
CN107622413A (zh) * 2017-08-08 2018-01-23 阿里巴巴集团控股有限公司 一种价格敏感度计算方法、装置及其设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李艳春: "缓解打车难的补贴方案研究", 《赤峰学院学报》 *

Similar Documents

Publication Publication Date Title
CN109863526B (zh) 为按需服务提供信息的系统和方法
TWI670677B (zh) 用於推薦預估到達時間的系統和方法
CN111476588A (zh) 订单需求预测方法、装置、电子设备及可读存储介质
US20210043086A1 (en) Systems and methods for generating personalized destination recommendations
CN111862585B (zh) 用于交通预测的系统和方法
AU2018102202A4 (en) Systems and methods for cheat examination
US20200300650A1 (en) Systems and methods for determining an estimated time of arrival for online to offline services
GB2550523A (en) Methods and systems for order processing
TW201901185A (zh) 用於確定預估到達時間的系統和方法
CN111353094A (zh) 一种信息推送方法及装置
CN111260164A (zh) 一种运力调度方法以及装置
CN111275229B (zh) 资源模型训练方法、资源缺口预测方法、装置及电子设备
CN110998615A (zh) 用于确定服务请求费用的系统和方法
CN111861175A (zh) 供需状态确定方法、装置、服务器及存储介质
CN111222903B (zh) 用于处理来自在线按需服务平台的数据的系统和方法
CN111489214A (zh) 订单分配方法、条件设置方法、装置及电子设备
US20200302362A1 (en) Systems and methods for cheat examination
CN111223293B (zh) 分析交通拥堵的系统和方法
US11112263B2 (en) Inventory quantity prediction for geospatial ads with trigger parameters
CN111260104B (zh) 一种订单信息动态调整方法和装置
CN111260103A (zh) 一种订单信息动态调整方法和装置
WO2020244081A1 (en) Constrained spatiotemporal contextual bandits for real-time ride-hailing recommendation
CN111275232A (zh) 生成未来价值预测模型的方法和系统
CN110858366A (zh) 一种下单转化率预测方法和装置
CN111260383A (zh) 注册概率预估方法及装置、概率预估模型构建方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200609