CN111275233B - 资源配置方法、装置、电子设备及计算机可读存储介质 - Google Patents
资源配置方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111275233B CN111275233B CN201811481964.7A CN201811481964A CN111275233B CN 111275233 B CN111275233 B CN 111275233B CN 201811481964 A CN201811481964 A CN 201811481964A CN 111275233 B CN111275233 B CN 111275233B
- Authority
- CN
- China
- Prior art keywords
- service request
- request end
- resource allocation
- resource configuration
- resource
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Abstract
本申请实施例提供了一种资源配置方法、装置、电子设备及计算机可读存储介质,其中,该方法包括:获取待配置服务请求端的特征信息和预设的多种资源配置策略;根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略;基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置,从而可以基于特定用户对应的服务请求端的特征信息,对该用户进行个性化资源配置,以提高服务资源利用率。
Description
技术领域
本申请涉及信息技术领域,具体而言,涉及一种资源配置方法、装置、电子设备及计算机可读存储介质。
背景技术
目前,随着互联网移动通信技术及智能设备的迅速发展,各种服务类应用程序也随之诞生,比如用车应用(Application,APP)。用户可以通过用车APP输入目的地后获取相应的用车服务,当用车平台接收到用户发起的出行请求时,会为用户匹配服务提供端,提供相应的出行服务。
用车平台有时会为了平衡不同区域的打车需求,为目标用户发放相关的激励资源,以便引导目标用户在指定区域发起出行请求,提高服务车辆等服务资源的利用率。目前,激励资源一般是按照预设的规则进行配置,配置方式单调,无法针对不同用户进行个性化配置。
发明内容
有鉴于此,本申请的目的在于提供一种资源配置方法、装置、电子设备及计算机可读存储介质,以实现针对不同用户进行个性化资源配置,提高服务资源利用率。
第一方面,本申请实施例提供了一种资源配置方法,包括:
获取待配置服务请求端的特征信息和预设的多种资源配置策略;
根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略;
基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置。
在一些实施方式中,根据以下步骤训练所述激励结果预测模型:
获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
针对每种资源配置策略,将所述特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到所述激励结果预测模型。
在一些实施方式中,得到所述激励结果预测模型之后,所述方法还包括:
按照设定周期间隔重新获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
将重新获取的所述待训练服务请求端的历史特征信息、预设的多种资源配置策略作为模型输入特征,与该资源配置策略对应的激励结果作为模型输出特征,重新训练以更新所述激励结果预测模型。
在一些实施方式中,不同的服务请求端类型对应不同的激励结果预测模型,针对其中任一种服务请求端类型,根据以下步骤训练该种服务请求端类型对应的激励结果预测模型:
获取所述任一种服务请求端类型下的待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
针对每种资源配置策略,将所述特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到所述任一种服务请求端类型对应的所述激励结果预测模型。
在一些实施方式中,根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略之前,所述方法包括:
根据所述待配置服务请求端的历史下单数据,确定所述待配置服务请求端所属的服务请求端类型;
所述根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略,包括:
针对每种资源配置策略,将所述特征信息和该资源配置策略输入与所述待配置服务请求端所属的服务请求端类型对应的激励结果预测模型,得到预测的激励结果;
从所述多种资源配置策略中,为所述待配置服务请求端选择预测的激励结果最好的资源配置策略。
在一些实施方式中,按照以下步骤确定所述待配置服务请求端所属的服务请求端类型:
根据所述待配置服务请求端的历史下单数据,确定所述待配置服务请求端的历史下单次数和下单频率;
确定所述历史下单次数为0的待配置服务请求端所属的服务请求端类型为新用户服务请求端;
确定所述历史下单次数大于0,且小于设定次数的待配置服务请求端所属的服务请求端类型为潜在用户服务请求端;
确定所述历史下单次数大于设定次数,且距离当前时刻第一设定时长内的下单频率小于设定频次的待配置服务请求端所属的服务请求端类型为沉默用户服务请求端。
在一些实施方式中,所述资源配置策略包括:
资源数量和发放资源的时机。
在一些实施方式中,所述发放资源的时机采用发生冒泡行为后的时间长度来表征。
在一些实施方式中,所述基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置,包括:
确定当前时刻距离所述待配置服务请求端发生冒泡行为时的时间长度;
当所述时间长度达到第二设定时长时,若所述服务请求端未选择目标服务,则开始基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置。
在一些实施方式中,所述基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置之后,所述方法还包括:
检测所述待配置服务请求端在目标时长内是否选择目标服务;
若否,按照其它资源配置策略对所述待配置服务请求端进行资源配置。
在一些实施方式中,所述特征信息包括所述待配置服务请求端的离线特征、在线特征和当前天气状态中的至少一种。
第二方面,本申请实施例提供了一种资源配置装置,包括:
获取模块,用于获取待配置服务请求端的特征信息和预设的多种资源配置策略;
确定模块,用于根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略;
配置模块,用于基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置。
在一些实施方式中,所述装置还包括训练模块,所述训练模块用于:
获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
针对每种资源配置策略,将所述特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到所述激励结果预测模型。
在一些实施方式中,所述训练模块还用于:
得到所述激励结果预测模型之后,按照设定周期间隔重新获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
将重新获取的所述待训练服务请求端的历史特征信息、预设的多种资源配置策略作为模型输入特征,与该资源配置策略对应的激励结果作为模型输出特征,重新训练以更新所述激励结果预测模型。
在一些实施方式中,不同的服务请求端类型对应不同的激励结果预测模型,针对其中任一种服务请求端类型,所述训练模块具体用于:
获取所述任一种服务请求端类型下的待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
针对每种资源配置策略,将所述特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到所述任一种服务请求端类型对应的所述激励结果预测模型。
在一些实施方式中,所述确定模块具体用于:
为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略之前,根据所述待配置服务请求端的历史下单数据,确定所述待配置服务请求端所属的服务请求端类型;
针对每种资源配置策略,将所述特征信息和该资源配置策略输入与所述待配置服务请求端所属的服务请求端类型对应的激励结果预测模型,得到预测的激励结果;从所述多种资源配置策略中,为所述待配置服务请求端选择预测的激励结果最好的资源配置策略。
在一些实施方式中,所述确定模块具体用于:
根据所述待配置服务请求端的历史下单数据,确定所述待配置服务请求端的历史下单次数和下单频率;
确定所述历史下单次数为0的待配置服务请求端所属的服务请求端类型为新用户服务请求端;
确定所述历史下单次数大于0,且小于设定次数的待配置服务请求端所属的服务请求端类型为潜在用户服务请求端;
确定所述历史下单次数大于设定次数,且距离当前时刻第一设定时长内的下单频率小于设定频次的待配置服务请求端所属的服务请求端类型为沉默用户服务请求端。
在一些实施方式中,所述资源配置策略包括:
资源数量和发放资源的时机。
在一些实施方式中,所述发放资源的时机采用发生冒泡行为后的时间长度来表征。
在一些实施方式中,所述配置模块,具体用于:
确定当前时刻距离所述待配置服务请求端发生冒泡行为时的时间长度;
当所述时间长度达到第二设定时长时,若所述服务请求端未选择目标服务,则开始基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置。
在一些实施方式中,所述配置模块还用于:
在基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置之后,检测所述待配置服务请求端在目标时长内是否选择目标服务;
若否,按照其它资源配置策略对所述待配置服务请求端进行资源配置。
在一些实施方式中,所述特征信息包括所述待配置服务请求端的离线特征、在线特征和当前天气状态中的至少一种。
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,以执行时执行如第一方面所述的资源配置方法的步骤。
第四方面,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,该计算机程序被处理器运行时执行如第一方面所述的资源配置方法的步骤。
本申请实施例提供的资源配置方法、装置、电子设备及计算机可读存储介质,通过获取待配置服务请求端的特征信息和预设的多种资源配置策略,然后根据该特征信息、多种资源配置策略、和预先训练的激励结果预测模型,就可以为待配置服务请求端确定适合的资源配置策略,然后按照该待配置服务请求端适合的资源配置策略,对给待配置服务请求端进行资源配置,从而可以基于特定用户对应的服务请求端的特征信息,对该用户进行个性化资源配置,以提高服务资源利用率。
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资源配置方法流程图;
图2示出了本申请实施例所提供的一种资源配置策略的选择方法流程图;
图3示出了本申请实施例所提供的一种基于选择的资源配置策略进行资源配置的方法流程图;
图4示出了本申请实施例所提供的一种激励结果预测模型的训练方法流程图;
图5示出了本申请实施例所提供的一种针对不同类型的激励结果预测模型的训练方法流程图;
图6出了本申请实施例所提供的一种激励结果预测模型的更新方法流程图;
图7示出了本申请实施例所提供的一种资源配置装置结构示意图;
图8示出了本申请实施例所提供的一种电子设备的结构示意图。
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“资源配置场景”,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出行场景,也可以应用于其它需要进行资源配置的场景。虽然本申请主要围绕出行场景进行描述,但是应该理解,这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型,还可以应用于其它相关的处理服务。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提供服务选择预测处理的任何服务系统。本申请的方法和装置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。
本申请实施例可以服务于出行服务平台,该出行服务平台用于根据接收的客户端的出行服务请求为用户提供相应的服务。出行服务平台可以包括多个打车系统,如包括出租车打车系统、快车打车系统、专车打车系统、顺风车打车系统等。客户端的出行服务请求中包含有出发地信息和目的地信息。
本申请实施例的资源配置方法可以应用于出行服务平台的服务器,也可以应用于其它任意具有处理功能的计算设备。在一些实施例中,上述服务器或计算设备可以包括处理器。处理器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。
在一些实施例中,服务请求端可以包括移动设备、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(Personal Digital 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。
服务请求方在通过服务请求端上的用车APP输入终点信息时,该行为称为冒泡行为,在出行领域,这里的服务请求方即为潜在乘客,服务请求端即为乘客端,具体形式可以参见上述举例,当潜在乘客发起冒泡行为后,并不一定会立即下单,有些潜在乘客会有一定的考虑时间再决定是否下单。如果能够通过激励资源的配置,引导乘客提升下单效率,对于节省网络资源和提升服务效率将会起到重要作用。但是,如何对乘客进行资源配置,才能最大化有效利用有限的激励资源,并提升服务效率,是一个关键问题,下面对本申请实施例的思想做进一步介绍:
本申请实施例提供了一种资源配置方法,应用于用车平台服务器,如图1所示,具体包括以下步骤S101~S103:
S101,获取待配置服务请求端的特征信息和预设的多种资源配置策略。
具体地,在出行领域,这里的服务请求端即为乘客端,具体地可以指乘客所使用的移动电话或固定电话或其他具有信息传输功能的设备等,例如智能手机、个人数码助理(Personal Digital Assistant,PDA)、平板电脑、笔记本电脑、车载电脑(carputer)、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备等。
当乘客发起冒泡行为时,会获取乘客ID、乘客的起始位置以及乘客的特征信息,这里的乘客ID号可以是乘客端的标识码、乘客注册的用车号码等能够唯一标识乘客身份的标记。
这里的特征信息包括待配置服务请求端的离线特征、在线特征和当前天气状态中的至少一种,这里获取的待配置服务请求端的离线特征、在线特征和当前天气状态是指能够对资源配置策策略产生影响的特征信息,具体哪些特征信息会对资源配置策策略产生影响,可以通过下文在预先训练激励结果预测模型中确定。
具体地,在出行领域,比如打车环境中,上述特征信息可以在以下历史特征信息中选择:
离线特征可以包括的乘客注册的用车号码、乘客端标识码等固定不变的信息,这里离线特征还可以用于查询待配置服务请求端的历史订单。
这里的在线特征即待配置服务请求端登录用车服务系统后的一些特征,可以包括的订单类型、订单来源客户端、是否选择拼车;车辆到达乘客当前位置的时长、车辆从乘客当前位置到达终点的预估时长、车辆从乘客当前位置到达终点的预估价格,更具体地,比如近x分钟内乘客发起冒泡行为时的起止位置到终点位置的距离(包括平均值、最大值和最小值)、近x分钟内乘客发起冒泡行为时到达终点的预估价格(包括平均值、最大值和最小值)、近x分钟内乘客发起冒泡行为时分别对应的拼车价格和不拼车价格、近x分钟内乘客打开用车APP的次数、近x分钟内乘客发起冒泡的次数、近x分钟内乘客发送订单并其取消订单次数等。
当前天气状态可以包括的雨天、雪天、雾霾、晴天等各种天气情况。
这里的资源配置策略包括:资源数量和发放资源的时机,具体地,可以是相同的资源数量对应不同的发送资源的时机,或者相同的发放资源的时机对应不同的资源数量。
具体地,发放资源的时机采用发生冒泡行为后的时间长度来表征,这里的发生冒泡行为后的时间长度指的是待配置服务请求端在发生冒泡行为后的时间长度未下单,当时间长度为3秒时,即发放资源的时机为待配置服务请求端发生冒泡行为后3秒未下单时进行。
S102,根据特征信息、多种资源配置策略、和预先训练的激励结果预测模型,为待配置服务请求端从多种资源配置策略中选择资源配置策略。
本申请实施例中,对待配置服务请求端所属的服务请求端类型进行了分类,可以包括新用户服务请求端、潜在用户服务请求端和沉默用户服务请求端,其中新用户服务请求端为刚刚注册的服务请求端,并没有历史下单数据,潜在用户服务请求端虽然有过历史下单数据,但是历史下单数据很少,沉默用户服务请求端的历史上下单次数大于潜在用户服务请求端的历史下单次数,但近期下单频率较小的服务请求端。
具体地,可以按照以下步骤确定待配置服务请求端所属的服务请求端类型:
(1)根据待配置服务请求端的历史下单数据,确定待配置服务请求端的历史下单次数和下单频率。
当确定待配置服务请求端发生冒泡行为时,可以先确定该待配置服务请求端的标识码,比如乘客注册的用车号码、乘客端标识码,然后可以在历史下单数据中查找与该乘客注册的用车号码或乘客端标识码对应的下单记录,就可以确定待配置服务请求端的历史下单次数和下单频率。
(2)确定历史下单次数为0的待配置服务请求端所属的服务请求端类型为新用户服务请求端。
这里历史下单次数为0,说明该待配置服务请求端从未有过下单记录,这部分待配置服务请求端对应的激励结果为新用户转化率,通过对这部分待配置服务请求端对应的新乘客进行合理的资源配置,可以使得更多的新乘客开始下单。
(3)确定历史下单次数大于0,且小于设定次数的待配置服务请求端所属的服务请求端类型为潜在用户服务请求端。
这里历史下单次数虽然大于0,但是下单次数并不多的待配置服务请求端所属的类型为潜在用户服务请求端,这部分待配置服务请求端对应的激励结果为潜在用户转化率,通过对这部分待配置服务请求端对应的潜在乘客进行合理的资源配置,可以使得更多的潜在乘客开始下单。
(4)确定历史下单次数大于设定次数,且距离当前时刻第一设定时长内的下单频率小于设定频次的待配置服务请求端所属的服务请求端类型为沉默用户服务请求端。
这里的第一设定时长指的是当前时刻往前一段时长,表示近期一段时间,这里历史下单次数虽然比潜在用户服务请求端的下单次数多,但是这部分待配置服务请求端近期一段时间内并不活跃,通过对这部分待配置服务请求端对应的沉默乘客进行合理的资源配置,可以使得更多的沉默乘客重新保持下单率。
针对不同所属类型的待配置服务请求端,给其选择的资源配置策略可能并不相同,所以步骤S102之前,资源配置方法包括:
根据待配置服务请求端的历史下单数据,确定待配置服务请求端所属的服务请求端类型。
这里确定的待配置服务请求端所属的服务请求端类型即为上述提到的新用户服务请求端、潜在用户服务请求端或者沉默用户服务请求端。
具体地,步骤S102中,根据特征信息、多种资源配置策略、和预先训练的激励结果预测模型,为待配置服务请求端从多种资源配置策略中选择资源配置策略,如图2所示,具体包括以下步骤S201~S202:
S201,针对每种资源配置策略,将特征信息和该资源配置策略输入与待配置服务请求端所属的服务请求端类型对应的激励结果预测模型,得到预测的激励结果。
这里的资源配置策略可以涉及资源数量(或称资源大小)和发送资源的时机两个方面,具体的每种资源配置策略涉及的资源数量和发送资源的时机不同,比如可以按照相同的资源数量匹配不同的发送资源的时机;也可以按照相同的发送资源的时机,匹配不同的资源数量。资源数量比如可以包括优惠券数量和金额等,发放资源的时机比如可以采用发生冒泡行为后的时间长度来表征。
需要注意的是,在设置资源配置策略时,资源数量的选取可以考虑天气状态的影响,比如针对雨天、雪天、雾霾等不好的天气状态和晴天、污染指数较低的较好的天气状态分别设置不同的资源数量;也要考虑不同的时段,比如一天中用车高峰期和低峰期,针对不同的天气状态以及不同的时段,分别设置不同的资源数量。
这样,在设置资源数量时,可以分别设置天气状态不好时的资源数量和天气状态较好时的资源数量对应的资源配置策略,具体在对待配置服务提供端进行预测时,根据待配置服务提供端的特征信息中的天气状态,选择与该天气状态对应的资源配置策略;也可以分别设置高峰期时段和低峰期时段对应的资源配置策略,具体在对待配置服务提供端进行预测时,根据待配置服务提供端的特征信息中的时段,选择与该时段对应的资源配置策略。
比如针对天气状态不佳的情况预先设置一组资源配置策略;针对天气状态较佳的情况预先设置一组资源配置策略;针对一天中的用车高峰期设置一组资源配置策略;针对一天中的用车低峰期设置一组资源配置策略,这样设置不同组的资源配置策略是考虑到天气状态好和天气状态不好时,服务请求端的需求差别很大,同样,一天中的用车高峰期和低峰期,服务请求端的需求差别也很大。
这里设置不同组的资源配置策略,是为了实现资源的最大化利用,比如天气状态好的情况,待配置服务请求端可能对打车需求的强度不大,这样可以在资源配置策略中的资源数量上较天气状态差的情况多一些,比如用车低峰期的情况,待配置服务请求端可能对打车需求的强度不大,这样可以在资源配置策略中的资源数量上较用车高峰期的情况多一些。
以上属于同一组的资源配置策略中包括多个资源配置策略,为了方便描述,这里资源数量以Y表示,发送资源的时机以X表示,这里的X即可以理解为发生冒泡行为后的X秒,通过提前设置好的多种资源配置策略,比如提前设置好的有10种资源配置策略,包括两类,第一类为相同的发送资源的时机,不同的资源数量,第二种为相同的资源数量,不同的发送资源的时机,这里以分别设置5种资源配置策略为例进行说明:
第一类:Z1=(X=3,Y=1);Z2=(X=3,Y=2);Z3=(X=3,Y=3);Z4=(X=3,Y=4);Z5=(X=3,Y=5);
第二类:Z6=(X=1,Y=3);Z7=(X=2,Y=3);Z8=(X=3,Y=3);Z9=(X=4,Y=3);Z10=(X=5,Y=3);
上述X=3即为发生冒泡行为后的3秒,Y=1即为资源数量为1,可以理解为红包数额为1元。
然后针对第一种资源配置策略即Z1=(X=3,Y=1),将获取的待配置服务请求端的特征信息和第一种资源配置策略输入到该待配置服务请求端所属的服务请求端类型对应的激励结果预测模型中,就能得到该待配置服务请求端在第一种资源配置策略下的激励结果。
然后依次按照上述方法,得到该待配置服务请求端在其他资源配置策略下的激励结果。
这里的激励结果就是该待配置服务请求端的发单转换率,即对这部分待配置服务请求端按照资源配置策略进行了激励后的发单转换率。
S202,从多种资源配置策略中,为待配置服务请求端选择预测的激励结果最好的资源配置策略。
根据上述得到的该配置服务请求端在每种资源配置策略下对应的发单转换率,从多种资源配置策略中,为待配置服务请求端选择预测的激励结果最好的资源配置策略,即选择能让该配置服务请求端的发单转换率达到最高的资源配置策略。
S103,基于选择的资源配置策略为待配置服务请求端进行资源配置。
在待配置服务请求端发生冒泡行为时,就会根据待配置服务请求端的特征信息、多种资源配置策略、和预先训练的激励结果预测模型,为该待配置服务请求端从多种资源配置策略中选择资源配置策略,具体什么时间对待配置服务请求端进行资源配置与选择的资源配置策略中发送资源的时机有关。
在一种实施方式中,步骤S103中,基于选择的资源配置策略为待配置服务请求端进行资源配置,如图3所示,具体包括以下步骤S301~S302:
S301,确定当前时刻距离待配置服务请求端发生冒泡行为时的时间长度。
S302,当该时间长度达到第二设定时长时,若服务请求端未选择目标服务,则开始基于选择的所述资源配置策略为待配置服务请求端进行资源配置。
在出行场景下,这里的目标服务可以包括出租车出行、顺风车出行、或者快车出行等交通出行方式中的一种或多种,也即,乘客选择目标服务,可以指选择了任意一种出行方式下单即为选择了目标服务,也可以指选择了指定的一种出行方式下单才为选择了目标服务。
从待配置服务请求端发生冒泡行为开始,实时监控待配置服务请求端是否进行下单,若当前时刻距离待配置服务请求端发生冒泡行为时的时间长度达到了第二设定时长,待配置服务请求端仍未下单,则按照选择的资源配置策略对该待配置服务请求端进行资源配置。
这里的第二设定时长即选择的资源配置策略中的发放资源的时机,即若从待配置服务请求端发生冒泡行为开始,当前时刻距离待配置服务请求端发生冒泡行为时的时间长度达到选择的资源配置策略中的发放资源的时机时,若待配置服务端还未下单,则按照选择的资源配置策略中的资源数量给该待配置服务请求端进行资源配置。
比如,选择的资源配置策略为上述的Z2=(X=3,Y=2),即待配置服务请求端发生冒泡行为后3秒未下单时,就该待配置服务请求端发送2元的红包。针对上述过程,可以理解为:当确定待配置服务请求端发生了冒泡行为,开始实时监控待配置服务请求端是否下单,若达到3秒待配置服务请求端仍未下单,则发送给该待配置服务请求端2元的红包。
在一种实施方式中,步骤S103中,基于选择的所述资源配置策略为待配置服务请求端进行资源配置之后,上述方法还包括:
检测待配置服务请求端在目标时长内是否选择目标服务。
若否,按照其它资源配置策略对所述待配置服务请求端进行资源配置。
这里是指,如果按照上述选择的资源配置策略对待配置服务请求端进行了资源配置,可是在目标时长内还未下单,则再按照其它资源配置策略继续对该待配置服务请求端进行资源配置。
这里的目标时长是可以是提前设定好的,比如5秒,上述过程即可以理解为:在按照选择的资源配置策略给待配置服务请求端在发生冒泡行为后3秒发送了2元红包,若之后5秒内,该乘客端还未下单,则再按照预先设定的其它方式对该待配置服务请求端进行激励,比如再发2元的红包进行激励。
在一种实施方式中,上述提到的激励结果预测模型,能够根据待配置服务请求端的特征信息、以及预设的资源配置策略,预测该待配置服务请求端在每种资源配置策略下的激励结果,可见这里的激励结果预测模型能够表示服务请求端的特征信息、资源配置策略以及激励结果的关系,本申请实施例给出一种训练激励结果预测模型的方法,如图4所示,具体包括以下步骤S401~S402:
S401,获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
在训练激励结果预测模型过程中,也是按照待训练方服务请求端所属的服务请求端类型来获取其对应的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果,然后对每种不同类型的服务请求端对应的激励结果预测模型完成训练。
这里的待训练方服务请求端所属的服务请求端类型与上述提到的待配置服务请求端所属的服务请求端类型一样,同样包括新用户服务请求端、潜在用户服务请求端和沉默用户服务请求端。
这里与各种资源配置策略对应的激励结果即对待训练服务请求端按照每种资源配置策略进行激励后的发单转换率。
S402,针对每种资源配置策略,将特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到激励结果预测模型。
这里的发单转换率有两种情况,一种是按照资源配置策略对待训练服务请端进行资源配置后,若待训练服务请求端下单了,对应发单转换率即为1,另一种是按照资源配置策略对待训练服务请端进行资源配置后,待训练服务请求端仍未下单,对应发单转换率即为0,针对每种资源配置策略,将这些特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的发单转换率作为模型输出特征,输入到预设的学习模型中进行训练,得到激励结果预测模型。
这里的学习模型可以分类树模型、逻辑回归模型、神经网络模型中的一种或者几种的结合,在此不做具体阐述。
具体地,针对上述提到的待训练服务请求端所属的服务请求端类型包括多种,针对不同的服务请求端类型对应不同的激励结果预测模型,针对其中任一种服务请求端类型,本申请实施例给出一种与该服务请求端类型对应的激励结果预测模型的方法,如图5所示,具体包括以下步骤S501~S502:
S501,获取任一种服务请求端类型下的待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
这里预设的多种资源配置策略与上述在对待配置服务请求端进行激励结果预测时提到的资源配置策略相同,在此不再赘述。
S502,针对每种资源配置策略,将特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到任一种服务请求端类型对应的激励结果预测模型。
需要注意的是,在模型训练过程中,预设的多种资源配置策略会包括天气状态较好时的资源配置策略、天气状态较差时的资源配置策略、一天中用车高峰期时段的资源配置策略、用车低峰期时段的资源配置策略等,在模型训练时,为了提高激励结果预测模型在后期对待配置服务提供端的激励结果的预测准确度,均需要获取与天气状态、用车时段对应的待训练服务请求端的特征信息以及激励结果进行训练,这样在使用激励结果预测模型对待配置服务请求端进行激励结果预测时,才能够根据待配置服务提供端的特征信息中的时段,选择与该时段对应的资源配置策略对待配置服务请求端的激励结果进行更准确地预测,或者在使用激励结果预测模型对待配置服务请求端进行激励结果预测时,才能够根据待配置服务提供端的特征信息中的天气状态,选择与该天气状态对应的资源配置策略对待配置服务请求端的激励结果进行更准确地预测。
为了提高激励结果预测模型的预测准确性,一般会按照一定的时间周期重新获取模型输入特征和模型输出特征,重新进行模型训练,以更新激励结果预测模型,在一种实施方式中,在步骤S402得到激励结果预测模型之后,如图6所示,上述方法还包括以下步骤S601~S602:
S601,按照设定周期间隔重新获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
S602,将重新获取的待训练服务请求端的历史特征信息、预设的多种资源配置策略作为模型输入特征,与该资源配置策略对应的激励结果作为模型输出特征,重新训练以更新所述激励结果预测模型。
这里设定周期间隔可以是一周、一个月或者一年,具体地更新周期可以以激励结果预测模型的预测准确度决定,比如通过数据统计,在按照激励结果预测模型预测的激励结果对待配置服务请求端进行资源配置后,发现超过设定个数的待配置服务请求端的实际的发单转换率与激励结果并不相符,则需要对激励结果预测模型进行更新了。
本申请实施例提供了一种资源配置装置700,如图7所示,包括:
获取模块701,用于获取待配置服务请求端的特征信息和预设的多种资源配置策略。
确定模块702,用于根据特征信息、多种资源配置策略、和预先训练的激励结果预测模型,为待配置服务请求端从所述多种资源配置策略中选择资源配置策略。
配置模块703,用于基于选择的资源配置策略为待配置服务请求端进行资源配置。
在一种实施方式中,资源配置装置还包括训练模块704,训练模块704可以用于:
获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
针对每种资源配置策略,将特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到激励结果预测模型。
在一种实施方式中,训练模块704还可以用于:
得到激励结果预测模型之后,按照设定周期间隔重新获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
将重新获取的待训练服务请求端的历史特征信息、预设的多种资源配置策略作为模型输入特征,与该资源配置策略对应的激励结果作为模型输出特征,重新训练以更新激励结果预测模型。
在一种实施方式中,不同的服务请求端类型对应不同的激励结果预测模型,针对其中任一种服务请求端类型,训练模块704可以具体用于:
获取任一种服务请求端类型下的待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
针对每种资源配置策略,将特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到任一种服务请求端类型对应的激励结果预测模型。
在一种实施方式中,确定模块702可以具体用于:
为待配置服务请求端从多种资源配置策略中选择资源配置策略之前,根据待配置服务请求端的历史下单数据,确定待配置服务请求端所属的服务请求端类型。
针对每种资源配置策略,将特征信息和该资源配置策略输入与待配置服务请求端所属的服务请求端类型对应的激励结果预测模型,得到预测的激励结果;从多种资源配置策略中,为待配置服务请求端选择预测的激励结果最好的资源配置策略。
在一种实施方式中,确定模块702可以具体用于:
根据待配置服务请求端的历史下单数据,确定待配置服务请求端的历史下单次数和下单频率。
确定历史下单次数为0的待配置服务请求端所属的服务请求端类型为新用户服务请求端。
确定历史下单次数大于0,且小于设定次数的待配置服务请求端所属的服务请求端类型为潜在用户服务请求端。
确定历史下单次数大于设定次数,且距离当前时刻第一设定时长内的下单频率小于设定频次的待配置服务请求端所属的服务请求端类型为沉默用户服务请求端。
在一种实施方式中,资源配置策略可以包括:
资源数量和发放资源的时机。
在一种实施方式中,发放资源的时机采用发生冒泡行为后的时间长度来表征。
在一种实施方式中,配置模块703,可以具体用于:
确定当前时刻距离待配置服务请求端发生冒泡行为时的时间间隔。
当时间间隔达到设定间隔时,若待配置服务请求端未选择目标服务,则开始基于选择的资源配置策略为待配置服务请求端进行资源配置。
在一种实施方式中,配置模块703还可以用于:
在基于选择的资源配置策略为待配置服务请求端进行资源配置之后,检测待配置服务请求端在目标时长内是否选择目标服务。
若否,按照其它资源配置策略对待配置服务请求端进行资源配置。
在一种实施方式中,特征信息包括待配置服务请求端的离线特征、在线特征和当前天气状态中的至少一种。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
本申请实施例还提供了一种电子设备800,电子设备800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服务选择预测方法。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。
如图8所示,电子设备800可以包括连接到网络的网络端口801、用于执行程序指令的一个或多个处理器802、通信总线803、和不同形式的存储介质804,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800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805。
为了便于说明,在电子设备800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800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800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。
下面以一个处理器为例,处理器802执行存储介质804中存储的如下程序指令:
获取待配置服务请求端的特征信息和预设的多种资源配置策略。
根据特征信息、多种资源配置策略、和预先训练的激励结果预测模型,为待配置服务请求端从多种资源配置策略中选择资源配置策略。
基于选择的资源配置策略为待配置服务请求端进行资源配置。
在一种实施方式中,处理器802执行的程序指令具体包括:
获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
针对每种资源配置策略,将特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到激励结果预测模型。
在一种实施方式中,处理器902执行的程序指令具体还包括:
得到激励结果预测模型之后,按照设定周期间隔重新获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
将重新获取的待训练服务请求端的历史特征信息、预设的多种资源配置策略作为模型输入特征,与该资源配置策略对应的激励结果作为模型输出特征,重新训练以更新所述激励结果预测模型。
在一种实施方式中,不同的服务请求端类型对应不同的激励结果预测模型,针对其中任一种服务请求端类型,处理器802执行的程序指令具体包括:
获取任一种服务请求端类型下的待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果。
针对每种资源配置策略,将特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到任一种服务请求端类型对应的激励结果预测模型。
在一种实施方式中,处理器802执行的程序指令具体包括:
为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略之前,根据待配置服务请求端的历史下单数据,确定待配置服务请求端所属的服务请求端类型。
针对每种资源配置策略,将特征信息和该资源配置策略输入与待配置服务请求端所属的服务请求端类型对应的激励结果预测模型,得到预测的激励结果。
从多种资源配置策略中,为待配置服务请求端选择预测的激励结果最好的资源配置策略。
在一种实施方式中,处理器802执行的程序指令具体包括:
根据待配置服务请求端的历史下单数据,确定待配置服务请求端的历史下单次数和下单频率。
确定历史下单次数为0的待配置服务请求端所属的服务请求端类型为新用户服务请求端。
确定历史下单次数大于0,且小于设定次数的待配置服务请求端所属的服务请求端类型为潜在用户服务请求端。
确定历史下单次数大于设定次数,且距离当前时刻第一设定时长内的下单频率小于设定频次的待配置服务请求端所属的服务请求端类型为沉默用户服务请求端。
资源配置策略包括:资源数量和发放资源的时机。
其中,发放资源的时机采用发生冒泡行为后的时间长度来表征。
在一种实施方式中,处理器802执行的程序指令具体包括:
确定当前时刻距离待配置服务请求端发生冒泡行为时的时间间隔。
当时间间隔达到设定间隔时,若服务请求端未选择目标服务,则开始基于选择的资源配置策略为所述待配置服务请求端进行资源配置。
在一种实施方式中,处理器802执行的程序指令具体还包括:
基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置之后,检测待配置服务请求端目标时长内是否在选择目标服务。
若否,按照其它资源配置策略对待配置服务请求端进行资源配置。
特征信息包括待配置服务请求端的离线特征、在线特征和当前天气状态中的至少一种。
对应于图1至图6中的信息处理方法,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资源配置方法的步骤。
具体地,该计算机可读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,能够执行上述资源配置方法,从而解决目前服务效果差的问题。
基于相同的技术构思,本申请实施例还提供了一种计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行上述资源配置方法的步骤,具体实现可参见上述方法实施例,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 (24)
1.一种资源配置方法,其特征在于,包括:
获取乘客的待配置服务请求端的特征信息和预设的多种资源配置策略;
根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略,其中,所述激励结果预测模型用于基于所述特征信息以及所述多种资源配置策略,预测所述待配置服务请求端分别在每种资源配置策略下对应的发单转换率,所述发单转换率为所述待配置服务请求端下单乘车服务的概率,所述资源配置策略是根据所述发单转换率选择的;
基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置,所述资源配置是指按照选择的所述资源配置策略中的发放资源的时机向所述待配置服务请求端发放所述资源配置策略中的资源数量的资源。
2.根据权利要求1所述的方法,其特征在于,根据以下步骤训练所述激励结果预测模型:
获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
针对每种资源配置策略,将所述特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到所述激励结果预测模型。
3.根据权利要求2所述的方法,其特征在于,得到所述激励结果预测模型之后,所述方法还包括:
按照设定周期间隔重新获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
将重新获取的所述待训练服务请求端的历史特征信息、预设的多种资源配置策略作为模型输入特征,与该资源配置策略对应的激励结果作为模型输出特征,重新训练以更新所述激励结果预测模型。
4.根据权利要求2所述的方法,其特征在于,不同的服务请求端类型对应不同的激励结果预测模型,针对其中任一种服务请求端类型,根据以下步骤训练该种服务请求端类型对应的激励结果预测模型:
获取所述任一种服务请求端类型下的待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
针对每种资源配置策略,将所述特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到所述任一种服务请求端类型对应的所述激励结果预测模型。
5.根据权利要求1所述的方法,其特征在于,根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略之前,所述方法还包括:
根据所述待配置服务请求端的历史下单数据,确定所述待配置服务请求端所属的服务请求端类型;
所述根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略,包括:
针对每种资源配置策略,将所述特征信息和该资源配置策略输入与所述待配置服务请求端所属的服务请求端类型对应的激励结果预测模型,得到预测的激励结果,所述激励结果为所述待配置服务请求端的发单转换率;
从所述多种资源配置策略中,为所述待配置服务请求端选择预测的激励结果最好的资源配置策略。
6.根据权利要求5所述的方法,其特征在于,按照以下步骤确定所述待配置服务请求端所属的服务请求端类型:
根据所述待配置服务请求端的历史下单数据,确定所述待配置服务请求端的历史下单次数和下单频率;
确定所述历史下单次数为0的待配置服务请求端所属的服务请求端类型为新用户服务请求端;
确定所述历史下单次数大于0,且小于设定次数的待配置服务请求端所属的服务请求端类型为潜在用户服务请求端;
确定所述历史下单次数大于设定次数,且距离当前时刻第一设定时长内的下单频率小于设定频次的待配置服务请求端所属的服务请求端类型为沉默用户服务请求端。
7.根据权利要求1至6任一所述的方法,其特征在于,所述资源配置策略包括:
资源数量和发放资源的时机。
8.根据权利要求7所述的方法,其特征在于,所述发放资源的时机采用发生冒泡行为后的时间长度来表征。
9.根据权利要求1所述的方法,其特征在于,所述基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置,包括:
确定当前时刻距离所述待配置服务请求端发生冒泡行为时的时间长度;
当所述时间长度达到第二设定时长时,若所述服务请求端未选择目标服务,则开始基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置。
10.根据权利要求1所述的方法,其特征在于,所述基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置之后,所述方法还包括:
检测所述待配置服务请求端在目标时长内是否选择目标服务;
若否,按照其它资源配置策略对所述待配置服务请求端进行资源配置。
11.根据权利要求1所述的方法,其特征在于,所述特征信息包括所述待配置服务请求端的离线特征、在线特征和当前天气状态中的至少一种。
12.一种资源配置装置,其特征在于,包括:
获取模块,用于获取乘客的待配置服务请求端的特征信息和预设的多种资源配置策略;
确定模块,用于根据所述特征信息、所述多种资源配置策略、和预先训练的激励结果预测模型,为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略,其中,所述激励结果预测模型用于基于所述特征信息以及所述多种资源配置策略,预测所述待配置服务请求端分别在每种资源配置策略下对应的发单转换率,所述发单转换率为所述待配置服务请求端下单乘车服务的概率,所述资源配置策略是根据所述发单转换率选择的;
配置模块,用于基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置,所述资源配置是指按照选择的所述资源配置策略中的发放资源的时机向所述待配置服务请求端发放所述资源配置策略中的资源数量的资源。
13.根据权利要求12所述的装置,其特征在于,还包括训练模块,所述训练模块用于:
获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
针对每种资源配置策略,将所述特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到所述激励结果预测模型。
14.根据权利要求13所述的装置,其特征在于,所述训练模块还用于:
得到所述激励结果预测模型之后,按照设定周期间隔重新获取待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果;
将重新获取的所述待训练服务请求端的历史特征信息、预设的多种资源配置策略作为模型输入特征,与该资源配置策略对应的激励结果作为模型输出特征,重新训练以更新所述激励结果预测模型。
15.根据权利要求13所述的装置,其特征在于,不同的服务请求端类型对应不同的激励结果预测模型,针对其中任一种服务请求端类型,所述训练模块具体用于:
获取所述任一种服务请求端类型下的待训练服务请求端的特征信息、预设的多种资源配置策略以及与各种资源配置策略对应的激励结果,所述激励结果为所述待配置服务请求端的发单转换率;
针对每种资源配置策略,将所述特征信息和该资源配置策略作为模型输入特征,将与该资源配置策略对应的激励结果作为模型输出特征,训练得到所述任一种服务请求端类型对应的所述激励结果预测模型。
16.根据权利要求12所述的装置,其特征在于,所述确定模块具体用于:
为所述待配置服务请求端从所述多种资源配置策略中选择资源配置策略之前,根据所述待配置服务请求端的历史下单数据,确定所述待配置服务请求端所属的服务请求端类型;
针对每种资源配置策略,将所述特征信息和该资源配置策略输入与所述待配置服务请求端所属的服务请求端类型对应的激励结果预测模型,得到预测的激励结果;从所述多种资源配置策略中,为所述待配置服务请求端选择预测的激励结果最好的资源配置策略。
17.根据权利要求16所述的装置,其特征在于,所述确定模块具体用于:
根据所述待配置服务请求端的历史下单数据,确定所述待配置服务请求端的历史下单次数和下单频率;
确定所述历史下单次数为0的待配置服务请求端所属的服务请求端类型为新用户服务请求端;
确定所述历史下单次数大于0,且小于设定次数的待配置服务请求端所属的服务请求端类型为潜在用户服务请求端;
确定所述历史下单次数大于设定次数,且距离当前时刻第一设定时长内的下单频率小于设定频次的待配置服务请求端所属的服务请求端类型为沉默用户服务请求端。
18.根据权利要求12至17任一所述的装置,其特征在于,所述资源配置策略包括:
资源数量和发放资源的时机。
19.根据权利要求18所述的装置,其特征在于,所述发放资源的时机采用发生冒泡行为后的时间长度来表征。
20.根据权利要求12所述的装置,其特征在于,所述配置模块,具体用于:
确定当前时刻距离所述待配置服务请求端发生冒泡行为时的时间长度;
当所述时间长度达到第二设定时长时,若所述服务请求端未选择目标服务,则开始基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置。
21.根据权利要求12所述的装置,其特征在于,所述配置模块还用于:
在基于选择的所述资源配置策略为所述待配置服务请求端进行资源配置之后,检测所述待配置服务请求端在目标时长内是否选定目标服务;
若否,按照其它资源配置策略对所述待配置服务请求端进行资源配置。
22.根据权利要求12所述的装置,其特征在于,所述特征信息包括所述待配置服务请求端的离线特征、在线特征和当前天气状态中的至少一种。
23.一种电子设备,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,以执行时执行如权利要求1至11任一所述的资源配置方法的步骤。
24.一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11任一所述的资源配置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811481964.7A CN111275233B (zh) | 2018-12-05 | 2018-12-05 | 资源配置方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811481964.7A CN111275233B (zh) | 2018-12-05 | 2018-12-05 | 资源配置方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275233A CN111275233A (zh) | 2020-06-12 |
CN111275233B true CN111275233B (zh) | 2022-07-05 |
Family
ID=70999975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811481964.7A Active CN111275233B (zh) | 2018-12-05 | 2018-12-05 | 资源配置方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275233B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950770A (zh) * | 2020-07-20 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种管理资源返还辅助策略的方法、装置和电子设备 |
CN112819526A (zh) * | 2021-01-29 | 2021-05-18 | 北京骑胜科技有限公司 | 待推送资源确定方法、装置、电子设备、介质及程序产品 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004064441A1 (en) * | 2003-01-14 | 2004-07-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Resource allocation management |
WO2015090379A1 (en) * | 2013-12-18 | 2015-06-25 | Telefonaktiebolaget L M Ericsson (Publ) | Resource prediction for cloud computing |
US9911290B1 (en) * | 2015-07-25 | 2018-03-06 | Gary M. Zalewski | Wireless coded communication (WCC) devices for tracking retail interactions with goods and association to user accounts |
CN107341187B (zh) * | 2017-06-07 | 2021-08-10 | 努比亚技术有限公司 | 搜索处理方法、装置、设备和计算机存储介质 |
CN108460618B (zh) * | 2018-01-09 | 2021-11-12 | 北京三快在线科技有限公司 | 一种资源配置方法及装置,电子设备 |
CN108776852A (zh) * | 2018-06-22 | 2018-11-09 | 北京京东金融科技控股有限公司 | 无桩车辆调度方法和系统 |
-
2018
- 2018-12-05 CN CN201811481964.7A patent/CN111275233B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111275233A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI670677B (zh) | 用於推薦預估到達時間的系統和方法 | |
TW202009807A (zh) | 用於分配訂單的系統和方法 | |
CN111492386A (zh) | 一种用于对电动车辆充电的系统和方法 | |
TWI698817B (zh) | 用於分配線上隨選服務中的訂單的系統和方法 | |
JP2019532372A (ja) | ドライバーの安全性スコアを決定するためのシステムおよび方法 | |
JP2020504344A (ja) | 推定された到着時間を決定するためのシステムおよび方法 | |
TW201901185A (zh) | 用於確定預估到達時間的系統和方法 | |
JP2020532787A (ja) | オンラインオンデマンドサービスを最適化するためのシステムおよび方法 | |
CN111353092A (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
JP2021506007A (ja) | オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法 | |
CN111275233B (zh) | 资源配置方法、装置、电子设备及计算机可读存储介质 | |
CN111367575A (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
CN111277618B (zh) | 一种信息推送方法、装置、电子设备及存储介质 | |
CN111259119B (zh) | 一种问题推荐方法及装置 | |
CN110610284B (zh) | 信息处理方法以及信息处理装置 | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
CN110914856B (zh) | 用于确定线上到线下服务的营销策略的系统和方法 | |
CN110839346A (zh) | 用于分配服务请求的系统和方法 | |
CN111260423B (zh) | 订单分配方法、装置、电子设备及计算机可读存储介质 | |
CN111291253B (zh) | 模型训练方法、咨询推荐方法、装置及电子设备 | |
CN111127126A (zh) | 一种信息反馈方法及装置、计算机可读存储介质 | |
CN111353093A (zh) | 问题推荐方法、装置、服务器及可读存储介质 | |
CN111260424A (zh) | 一种信息处理方法及装置 | |
CN115631002A (zh) | 基于计算机视觉的车险智能定损方法及系统 | |
CN111259229B (zh) | 一种问题推荐方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |