CN111316308B - 用于识别错误订单请求的系统及方法 - Google Patents
用于识别错误订单请求的系统及方法 Download PDFInfo
- Publication number
- CN111316308B CN111316308B CN201880063794.2A CN201880063794A CN111316308B CN 111316308 B CN111316308 B CN 111316308B CN 201880063794 A CN201880063794 A CN 201880063794A CN 111316308 B CN111316308 B CN 111316308B
- Authority
- CN
- China
- Prior art keywords
- order request
- order
- recognition model
- passenger
- user terminal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 49
- 238000004891 communication Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 description 47
- 230000006870 function Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 31
- 230000015654 memory Effects 0.000 description 19
- 238000012360 testing method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 8
- 230000036961 partial effect Effects 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- -1 commodities Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G06Q50/40—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
- H04M1/72451—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to schedules, e.g. using calendar applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
Abstract
提供一种用于识别错误订单请求的方法。所述方法可以包括接收来自乘客的用户终端的订单请求。所述方法可以包括通过使用目标识别模型分析来自订单请求的至少两个特征值来确定订单请求的错误概率。所述方法可以包括基于订单请求的错误概率,将订单请求识别为错误的订单请求或正确的订单请求。所述方法还可以包括响应于识别出所述订单请求是错误的订单请求,通过所述用户终端与所述乘客进行通信。
Description
交叉引用
本申请要求于2017年9月30日提交的中国专利申请号201710938481.4的优先权,其全部内容通过引用合并于此。
技术领域
本申请通常涉及计算机技术,更具体地,涉及基于识别模型识别错误订单请求的系统和方法。
背景技术
线上到线下服务(例如,叫车服务)已经越来越受欢迎。通过在线服务平台,用户可以通过其移动设备(例如,智能手机)中安装的应用程序请求线上到线下服务。在某些情况下,用户可能输入了与他/她的真实意图不符的错误的订单请求。例如,当用户实际上想要请求快车服务时,他/她可能无意中错误地输入了对代驾服务的请求。如果用户意识到了错误的订单请求,用户通常取消该订单请求。但是,取消订单请求可能会给服务提供者(例如,司机)带来糟糕的体验,并且在某些情况下,甚至会导致在线服务平台中注册的服务提供者的流失。因此,需要开发一种用于识别订单中潜在的错误订单请求的方法,以提高效率和/或减少浪费。
发明内容
根据本申请的一方面,提供了一种用于识别在线上到线下服务中错误订单请求的系统。系统可以包括存储用于识别错误订单请求的可执行指令的计算机可读存储介质,以及至少一个与计算机可读存储介质通信的处理器。当执行可执行指令时,至少一个处理器可以接收来自乘客的用户终端的订单请求。订单请求可以包括至少两个特征的值。至少一个处理器可以通过使用目标识别模型分析来自订单请求中的至少两个特征值,确定订单请求的错误概率。目标识别模型可以通过利用至少两个历史订单来训练识别模型获得。至少一个处理器可以根据订单请求的错误概率,将订单请求识别为错误的订单请求或正确的订单请求。响应于识别出订单请求是错误的订单请求,至少一个处理器可以通过用户终端与乘客进行通信。
在一些实施例中,响应于识别出订单请求是错误的订单请求,至少一个处理器可以干预订单请求中的订单分配。
在一些实施例中,至少一个处理器可能延迟预定时间段的订单请求的订单分配。
在一些实施例中,至少一个处理器可以向用户终端发送第一提醒信号。第一提醒信号可以指示乘客的用户终端显示一个订单请求是错误的订单请求的提醒信息。
在一些实施例中,第一提醒信号可以指示乘客的用户终端通过用户终端的扬声器生成提醒声音,以通知乘客订单请求是错误的订单请求。
在一些实施例中,第一提醒信号可以指示乘客的用户终端显示推荐的订单请求以代替订单请求。
在一些实施例中,第一提醒信号可以指示乘客的用户终端显示查询,提示乘客确认或否认识别订单请求是错误的订单请求。
在一些实施例中,至少一个处理器可以向司机的用户终端传输第二提醒信号。当订单请求分配给司机时,第二提醒信号可以指示司机的用户终端向司机显示,该订单请求可能是错误的订单请求的提醒。
在一些实施例中,对于至少两个历史订单中的每一个订单,至少一个处理器可以根据历史订单是否为错误的订单来标记历史订单,并提取历史订单的至少一个特征。至少一个处理器可将至少两个标记的历史订单和至少两个至少一种类型的特征应用于识别模型。至少一个处理器可以调整识别模型的参数以最小化包括识别模型的损失函数的目标函数。
在一些实施例中,目标识别模型可能包含一个极端梯度增强(Xgboost)模型。
根据本申请的另一方面,提供一种方法。所述方法可以包括一个或以上下述操作。至少一个处理器可能接收来自乘客的用户终端的订单请求。订单请求可以包括至少两个特征值。至少一个处理器可以通过使用目标识别模型分析订单请求中的至少两个特征值确定订单请求的错误概率。可以通过利用至少两个历史订单来训练识别模型获得目标识别模型。至少一个处理器可以根据订单请求的错误概率,将订单请求识别为错误的订单请求或正确的订单请求。响应于识别出订单请求是错误的订单请求,至少一个处理器可以通过用户终端与乘客通信。
根据本申请的另一方面,提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质可以包括使至少一个处理器实现一种方法的可执行指令。所述方法可以包括一个或多个下述操作。至少一个处理器可以接收来自乘客的用户终端的订单请求。订单请求可以包括至少两个特征值。至少一个处理器可以通过使用目标识别模型分析订单请求中至少两个特征值来确定订单请求的错误概率。目标识别模型可以通过利用至少两个历史订单训练识别模型获得。至少一个处理器可以根据订单请求的错误概率,将订单请求识别为错误的订单请求或正确的订单请求。响应于识别出订单请求是错误的请求订单,至少一个处理器可以通过用户终端与乘客通信。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。附图未按比例绘制。这些实施例是非限制性的示例性实施例,在这些实施例中,各图中相似的编号表示相似的结构,其中:
图1是根据本申请的一些实施例所示的示例性错误订单请求识别(IORI)系统的示意图;
图2是根据本申请的一些实施例所示的计算设备的示例性组件的示意图;
图3是根据本申请的一些实施例所示的示例性移动终端的示例性硬件和/或软件组件的示意图;
图4是根据本申请的一些实施例所示的示例性处理设备的框图;
图5是根据本申请的实施例所示的用于识别错误订单请求的示例性过程的流程图;
图6是根据本申请的一些实施例所示的用于训练识别模型的示例性过程的流程图;
图7是根据本申请的实施例所示的确定目标识别模型的示例性过程的流程图;和
图8是根据本申请的一些实施例所示的模型树的示例性结构的示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例。对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构和操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。需进一步理解的是,本申请中使用的术语“包括”和/或“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,还可以包括其它的步骤和元素。
系统的某些模块可以根据本申请的一些实施例以各种方式引用。但是,可以在客户端终端和/或服务器中使用和操作任何数量的不同模块。这些模块仅用于举例说明,并不用于限制本申请的范围。在系统和方法的不同方面可以使用不同的模块。
根据本申请的一些实施例,使用流程图来说明系统所执行的操作。应当理解的是,前面或下面的操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或以上操作。
下面参照附图描述本申请的实施例的技术方案。显然,所描述的实施例不是穷举性的,也不是限制性的。基于本申请中提出的实施例,本领域普通技术人员在没有作出创造性劳动的情况下获得的其他实施例,均在本申请的范围内。
在一方面,本申请针对用于识别错误订单请求的系统和方法。系统可以接收来自用户的订单请求,并通过使用识别模型确定当前订单请求的错误概率。系统可以基于错误订单请求的概率来识别当前的订单请求是否是错误的订单请求。如果系统将当前订单请求标识为错误的订单请求,则系统可能会干预当前订单请求中的订单分配。在一些实施例中,系统可以与用户通信以提醒用户检查其订单请求。如果用户确定订单请求不正确,则用户可以修改订单请求。系统可以减少因错误的订单请求而导致的订单取消,也可以改善服务提供者(例如,叫车司机)的服务体验。
图1是根据本申请的一些实施例所示的示例性的错误订单请求识别(IORI)系统的示意图。例如,IORI系统100可以是一个线上到线下服务平台,用于处理来自用户的服务订单请求(例如,叫车服务请求)。在一些实施例中,该服务可以是运输服务,例如,出租车服务、司机服务、送货车辆服务、拼车服务、公共汽车服务、司机租用服务和班车服务。在某些实施例中,该服务可以是任何在线服务,例如,预订餐、购物等,或其任意组合。系统100可以包括服务器110、网络120、请求者终端130、提供者终端140和存储设备150。
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。所述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可以是分布式的系统)。在一些实施例中,服务器110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访问存储在请求者终端130、提供者终端140和/或存储设备150中的信息和/或数据。又例如,服务器110可以直接连接到请求者终端130、提供者终端140和/或存储设备150以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。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计算设备200上实现。
在一些实施例中,服务器110可以包括处理设备112。处理设备112可以处理与订单请求有关的信息和/或数据以执行本申请中描述的一个或以上功能。例如,处理设备112可以基于目标识别模型(例如,Xgboost模型)接收订单请求并识别订单请求是否是错误的订单请求。处理设备112可以利用至少两个历史订单训练识别模型来确定目标识别模型。在一些实施例中,处理设备112可以包括一个或以上处理设备(例如,单核处理设备或多核处理器)。仅作为示例,处理设备112可以包括一个或以上硬件处理器,例如,中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,系统100中的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140和/或存储设备150)可以通过网络120将信息和/或数据发送到系统100中的其他组件。例如,服务器110可以经由网络120从请求者终端130获得/获取订单请求(例如,汽车服务请求)。又例如,服务器110可以经由网络120与请求者终端130和/或提供者终端140进行通信。在一些实施例中,网络120可以是有线网络或无线网络等或其任意组合。仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2、…,通过IORI系统100的一个及以上部件可以连接到网络120以交换数据和/或信息。
在一些实施例中,请求者可以是请求者终端130的用户。在一些实施例中,请求者终端130的用户可以是请求者以外的其他人。例如,请求者终端130的用户A可以通过请求者终端130为用户B发送服务请求,或从服务器110处接收服务和/或资讯或指令。在一些实施例中,提供者可以是所述提供者终端140的用户。在一些实施例中,提供者终端140的用户可以为除该提供者之外的其他人。例如,提供者终端140的用户C可以使用提供者终端140来接收用于用户D的订单请求,和/或来自服务器110的信息或指令。在一些实施例中,“请求者”和“请求者终端”可以互换使用,“用户”和“用户终端”可以互换使用,并且“提供者”和“提供者终端”可以互换使用。对于按需运输服务,请求者可以是乘客,提供者可以是司机。
在一些实施例中,请求者终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车载设备130-4等或其任意组合。在一些实施例中,移动设备130-1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、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、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中,可穿戴设备可以包括手环、鞋袜、眼镜、头盔、手表、衣物、背包、智能配饰等或其任意组合。在一些实施例中,移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)、膝上型电脑、台式机等或其任意组合。在一些实施例中,虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、RiftConTM、FragmentsTM、Gear VRTM等。在一些实施例中,车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中,请求者终端130可以是具有用于定位请求者和/或请求者终端130的位置的定位技术(例如,GPS)的设备。
在一些实施例中,提供者终端140可以是与请求者终端130相似或相同的设备。在一些实施例中,提供者终端140可以是利用定位技术来定位提供者终端140(例如,服务提供者)和/或提供者终端140的用户的位置的设备。在一些实施例中,请求者终端130和/或提供者终端140可以与一个或以上其他定位设备进行通信,以确定请求者、请求者终端130、提供者和/或提供者终端140的位置。在一些实施例中,请求者终端130和/或提供者终端140可以将定位信息发送至服务器110。在一些实施例中,请求者终端130和/或提供者终端140可以显示与订单请求有关的信息(例如,上车位置、下车地点、路线)。
本申请中使用的定位技术可以基于全球定位系统(GPS)、全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WiFi)定位技术等或其任意组合。以上定位系统中的一个或以上可以在本申请中交换使用。
存储设备150可以存储数据和/或指令。在一些实施例中,存储设备150可以存储从请求者终端130和/或提供者终端140获得的数据。在一些实施例中,存储设备150可以储存服务器110用来执行或使用来完成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,存储设备150可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模型只读内存(MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中,所述存储设备150可以在云平台上实现。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备150可以连接到网络120以与IORI系统100中的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140等)通信。IORI系统100中的一个或以上组件可以通过网络120访问存储在存储设备150中的数据或指令。在一些实施例中,存储设备150可以直接连接到IORI系统100中的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140等)或与之通信。在一些实施例中,存储设备150可以是服务器110的一部分。
在一些实施例中,IORI系统100中的一个或多个组件(例如,服务器110、请求者终端130、提供者终端140等)可以具有访问存储设备150的权限。在一些实施例中,当满足一个或以上条件时,IORI系统100中的一个或以上组件可以读取和/或修改与请求者、提供者和/或公众有关的信息。例如,服务器110可以在服务结束后读取和/或修改一个或以上用户的信息。又例如,当从请求者终端130接收到订单请求时,提供者终端140可以访问与所述请求者相关的信息,但提供者终端140无法修改请求者的相关信息。
在一些实施例中,IORI系统100中的一个或以上组件可以通过请求服务来实现信息交换。服务请求的对象可以为任何产品。在一些实施例中,产品可以是有形产品或非物质产品。有形产品可以包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、奢侈品等或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、互联网产品等或其任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或其任意组合。移动互联网产品可以用于移动终端的软件、程序、系统等或其任意组合。移动终端可以包括平板计算机、膝上型计算机、移动电话、个人数字助理(PDA)、智能手表、POS设备、车载计算机、车载电视、可穿戴设备等或其任意组合。例如,所述产品可以是在计算机或移动电话上使用的任何软件和/或应用程序。该软件和/或应用程序可以与社交、购物、交通、娱乐、学习、投资等或其任意组合相关。在一些实施例中,所述与运输有关系统软件和/或应用程序可以包括出行软件和/或应用程序、车辆调度软件和/或应用程序、地图软件和/或应用程序等。在车辆调度软件和/或应用程序中,车辆可以包括马、马车、人力车(例如,独轮车、自行车、三轮车等)、汽车(例如,出租车、公共汽车、私人汽车等)、火车、地铁、船舶、飞行器(例如,飞机、直升机、航天飞机、火箭、热气球等)等或其任意组合。
本领域的普通技术人员将理解,当IORI系统100的一个组件执行时,该组件可以通过电信号和/或电磁信号来执行。例如,当请求者终端130处理诸如确定、识别或选择对象之类的任务时,请求者终端130可以操作其处理器中的逻辑电路来处理该任务。当请求者终端130向服务器110发送订单请求时,请求者终端130的处理器可以生成编码服务请求的电信号。然后,请求者终端130的处理器可以将电信号发送到输出端口。若请求者终端130经由有线网络与服务器110通信,则输出端口可以物理地连接至电缆,该电缆还可以进一步将电信号传输至服务器110的输入端口。如果请求者终端130通过无线网络与服务器110通信,则请求者终端130的输出端口可以是一个或多个天线,其可以将电信号转换为电磁信号。类似地,提供者终端140可以通过其处理器中的逻辑电路的操作来处理任务,并且经由电信号或电磁信号从服务器110接收指令和/或服务请求。在诸如请求者终端130、提供者终端140和/或服务器110之类的电子设备中,当其处理器处理指令、发出指令和/或执行动作时,该指令和/或动作是通过电信号传导。例如,当处理器从存储介质(例如,存储设备150)检索或保存数据时,它可以将电信号发送到存储介质的读/写设备,该电信号可以在存储介质中读取或写入结构化数据。该结构数据可以通过电子设备的总线,以电信号的形式传输至处理器。此处,电信号可以指一个电信号、一系列电信号和/或至少两个不连续的电信号。
图2是根据本申请的一些实施例所示的计算设备的示例性组件的示意图。服务器110、请求者终端130、提供者终端140和/或存储设备150可以根据本申请的一些实施例在计算设备200上实现。本实施例中的特定系统利用功能框图描述了一个包含用户界面的硬件平台。这种计算机可以是一个通用目的的计算机,也可以是一个有特定目的的计算机。根据本申请的一些实施例,两种类型的计算机可以被配置为实现任何特定系统。计算设备200可以被配置为实现执行本申请中公开的一个或以上功能的任何组件。例如,计算设备200可以实现如本文所述系统100的任何组件。在图1和2中,仅出于方便的目的仅示出了一个这样的计算机设备。本领域的普通技术人员将在提交本申请时理解与本文所述的服务相关的计算机功能可以以分布式方式在多个类似平台上实现,以分配处理负荷。
例如,计算设备200可以包括与网络相连接通信端口250,以实现数据通信。计算设备200还可包括一个或以上处理器(例如,逻辑电路)形式的处理器(例如,处理器220),用于执行程序指令。例如,处理器220可以包括其中的接口电路和处理电路。接口电路可以被配置为从总线210接收电信号,其中电信号编码用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算,然后将结论、结果和/或指令编码确定为电信号。然后,接口电路可以经由总线210从处理电路发出电信号。
示例性计算设备可以包括内部通信总线210、不同形式的程序存储和数据存储,例如,磁盘270、只读内存(ROM)230或随机存取内存(RAM)240,用于计算设备处理和/或传输的各种数据文件。示例性计算设备也可以包括储存于ROM 230、RAM 240和/或其他形式的能够被处理器220执行的非暂时性存储介质中的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括支持计算机和其他组件之间的输入/输出的I/O组件260。计算设备200也可以通过网络通信接收编程和数据。
仅出于说明目的,图2中仅示出了一个CPU和/或处理器。也可以包括多个CPU及/或处理器;因此,如本申请中描述的由一个CPU及/或处理器执行的操作及/或方法步骤也可以由多个CPU及/或处理器共同或分别执行。例如,如果在本申请中,计算设备200的CPU和/或处理器同时执行操作A和操作B,则应当理解,操作A和操作B也可以由两个不同的CPU和/或处理器共同执行或分别在计算设备200中执行(例如,第一处理器执行操作A,第二处理器执行操作B,或者第一和第二处理器共同执行操作A和B)。
图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图。可以根据本申请的一些实施例在移动设备300上实现请求者终端130。如图3所示,移动设备300可以包括通信模块310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O350、内存360以及存储器390。CPU 340可以包括类似于处理器220的接口电路和处理电路。在一些实施例中,任何其它合适的组件,包括但不限于系统总线或控制器(未示出),也可以被包括于移动设备300中。在一些实施例中,可以将移动操作系统370(例如,iOSTM、AndroidTM、Windows PhoneTM)和一个或以上应用程序380从订单的存储器390加载到内存360中,以由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的用于将轨迹数据发送到服务器110的移动应用程序。与信息流的用户交互可以通过I/O设备350实现,并通过网络120提供给处理设备112和/或系统100的其他组件。
为了实现上述各种模块、单元及其功能,计算机硬件平台可以用作一个或以上组件(例如,图1中描述的服务器110的组件)的硬件平台。由于这些硬件组件、操作系统和程序语言是通用的,因此可以假定本领域的技术人员可能熟悉这些技术,并且他们可能能够提供根据本申请所述技术在交通信号灯控制中所需的信息。具有用户界面的计算机可用作个人计算机(PC)或其他类型的工作站或终端设备。经过正确编程后,可以将具有用户界面的计算机用作服务器。可以认为本领域普通技术人员也可以熟悉这种类型的计算机设备的结构、程序或一般操作。因此,没有为附图描述额外的解释。
图4是根据本申请的一些实施例所示的示例性处理设备的框图。在一些实施例中,处理设备112可以包括获取模块402、训练模块404、识别模块406和提醒模块408。
这些模块可以是处理设备112的至少一部分的硬件电路。这些模块还可以被实现为由处理设备112读取并执行的应用或单个指令。此外,模块可以是硬件电路和应用程序/指令的任意组合。例如,当处理设备112正在执行应用程序/单个指令时,模块可以是处理设备112的一部分。
获取模块402可以从乘客的用户终端中获取订单请求。在一些实施例中,响应于订单请求,获取模块402还可以获取与订单请求相关联的至少两个特征值。在一些实施例中,订单请求中的至少两个特征可能包含出行模式(例如,快车模式、拼车模式、豪华车模式、商务货车模式等)、上车位置、下车地点、当前时间(例如,高峰时间或非高峰时间)、价格、小费、区域或邻域的订单请求数量、区域或邻域中候选司机的数量、天气条件、交通状况、乘客年龄、乘客性别、乘客工作、订单取消率等,或其任意组合。
在一些实施例中,获取模块402可以根据历史订单是否为错误的订单来标注至少两个历史订单。例如,获取模块402可以从存储设备(例如,存储设备150)获得所述至少两个历史订单。获取模块402可以分别用二进制值标注正确的历史订单和/或错误的历史订单。例如,正确的历史订单可以标记为“1”,错误的历史订单可以标记为“0”。
在一些实施例中,获取模块402可以提取每一个标记的历史订单中的至少一个特征。示例性的特征可以包括基本特征、实时特征或乘客特征等,或其任意组合。基本特征可能包括出行模式(例如,快车模式、拼车模式、豪华车模式、商务货车模式等)、上车位置、下车地点、价格、小费等或其任何组合。实时特征可以包括天气状况、时间、交通状况、区域或附近的订单请求的数量、区域或附近的候选司机的数量等或其任意组合。乘客特征可以包括乘客年龄、乘客性别、乘客工作、订单取消率等或其任意组合。
在一些实施例中,获取模块402可以将至少两个标记的历史订单分类为训练集和测试集。训练集可以包括第一部分带标记的历史订单(在此也被称为训练样本)。测试集可以包括第二部分带标记的历史订单(在此也称为测试样本)。训练集可用于训练识别模块,测试集可用于验证训练后的识别模型的准确性。
训练模块404可以训练识别模型以识别订单请求是否是错误的订单请求。识别模型可以包括极限梯度提升(Xgboost)模型、决策树模型、梯度提升决策树(GBDT)模型、线性回归模型、神经网络模型等或其任意组合。在优选的实施例中,识别模型可以是Xgboost模型。Xgboost模型可以包括一个或以上模型树。识别模型可以输出订单请求的错误概率。
在一些实施例中,训练模块404可以将至少两个历史订单和至少两个提取的特征应用到识别模型中。训练模块404可以调整识别模型的参数以最小化识别模型的目标函数。在一些实施例中,识别模型的目标函数可以包括损失函数(例如,L(θ))和正则化因子(例如,Ω(θ))。对于Xgboost模型,训练模块404可以确定一个或以上模型树(例如,如图8所示的模型树800)。训练模块404可以根据特征将每个模型树分割到至少两个叶子中。每个分割点可能对应一个特征。所述一个或以上模型树可以构建识别模型。
在一些实施例中,训练模块404可以确定目标识别模型。训练模块404可以基于测试集来验证训练的识别模型,并基于验证的结果来确定目标识别模型。验证的结果可能包括识别模型的准确性。识别模型的准确性可以指包括测试样本在内的已识别错误订单数量与实际错误订单数量之间的比率。在一些实施例中,如果识别模型的精度等于或大于预定精度阈值(例如,0.6、0.65、0.7、0.75、0.85、0.90或0.95),则处理器可以将识别模型指定为目标识别模型。
识别模块406可以基于对订单请求的错误概率,将订单请求识别为错误的订单请求或正确的订单请求。目标识别模型可以确定订单请求的错误概率。如果订单请求的错误概率等于或大于预定阈值(例如,0.6、0.65、0.7、0.75、0.85、0.90或0.95),则处理器可以将订单请求识别为错误的订单请求。
提醒模块408可以通过用户终端与乘客通信以响应于该订单请求是错误的订单请求。在一些实施例中,响应于识别出的订单请求是错误的订单请求,提醒模块408可以干预订单请求的订单分配。例如,提醒模块408可以将订单请求中的订单分配延迟预定时间段(例如,5秒、10秒、20秒、30秒、60秒、2分钟、3分钟或5分钟)。
在一些实施例中,当订单请求被识别为错误的订单请求时,提醒模块408可以生成第一提醒信号并将第一提醒信号发送到乘客的用户终端(例如,请求者终端130)。在一些实施例中,第一提醒信号可以指示乘客的用户终端显示一个提醒信息,该提醒信息表明订单请求可能是错误的订单请求。在一些实施例中,第一提醒信号可以指示乘客的用户终端通过用户终端的扬声器生成提醒声音,以通知乘客订单请求是错误的订单请求。在一些实施例中,第一提醒信号可以指示乘客的用户终端显示推荐的订单请求,以指示潜在的正确的订单请求来代替原订单请求。在一些实施例中,第一提醒信号可以指示乘客的用户终端显示查询选项,该查询选项提示乘客确认或否认识别订单请求是错误的订单请求。
在一些实施例中,当订单请求被识别为错误的订单请求时,提醒模块408可以生成第二提醒信号并将第二提醒信号发送到司机的用户终端(例如,提供者终端140)。第二提醒信号可以指示司机的用户终端向司机显示提醒,所述订单请求可能是错误的订单请求。
关于处理设备112的以上描述仅出于说明的目的而提供,而无意于限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可作出多种变化和修改。例如,处理设备112可以进一步包括存储模块以促进数据存储。然而,这些变化和修改不会背离本申请的范围。
图5是根据本申请的某些实施例所示的识别错误订单请求的示例性过程的流程图。在一些实施例中,过程500可以在IORI系统100中实现。例如,过程500可以作为指令的形式存储在存储设备150和/或存储设备(例如,ROM 230、RAM 240或存储器390)中,并由服务器110调用和/或执行(例如,服务器110的处理设备112或计算设备200的处理器220)。
在502中,处理器(例如,处理设备112的获取模块402)可以接收来自乘客的用户终端的订单请求,并且订单请求包括至少两个特征值。例如,乘客由请求者终端130发送用于叫车服务的订单请求,响应于订单请求,获取模块402可以接收订单请求并提取与订单请求相关联的至少两个特征值。在一些实施例中,获取模块402可以将至少两个特征值发送给识别模块406,以分析接收到的订单请求是否为错误的订单请求。在一些实施例中,安装在乘客的移动设备中的应用程序(例如,汽车叫车应用程序)被配置为检测用户输入。在某些实施例中,订单请求可以是未发送的部分输入请求或未发送的完整请求的形式。在某些实施例中,这种尚未发送的订单请求也可以触发本申请中所示的过程(例如,图5所示的过程500)。
在一些实施例中,当前订单请求中的至少两个特征可以包括出行模式(例如,快车模式、拼车模式、豪华车模式、商务货车模式等)、上车位置、下车地点、当前时间(例如,高峰时间或非高峰时间)、价格、小费、区域或附近的订单请求数量、区域或附近的候选司机数量、天气状况、交通状况、乘客年龄、乘客性别、乘客工作、订单取消率等或其任意组合。对于本领域普通技术人员应该理解,一旦处理器接收到订单请求,处理器(例如,获取模块402)就可以提取订单请求的至少两个特征值。
在504中,处理器(例如,处理设备112的识别模块406)可以通过使用目标识别模型分析来自订单请求的至少两个特征值,来确定订单请求的错误概率。在一些实施例中,目标识别模型可以是由机器学习方法确定的人工智能(AI)模型。例如,目标识别模型可以包括极端梯度提升(Xgboost)模型、决策树模型、梯度提升决策树(GBDT)模型、线性回归模型、神经网络模型等。在一些实施例中,可以通过使用至少两个历史订单训练初始的识别模型来确定目标识别模型。当识别模型的精度等于或大于预定精度阈值(例如,0.6、0.65、0.7、0.75、0.85、0.90或0.95)时,可以将识别模型指定为目标识别模型。用于训练识别模型的每一个历史订单可以是正确的订单或错误的订单。正确的订单是表示反映乘客真实意图的订单。错误的订单是表示与乘客的真实意图不符的订单。在更多情况下,当乘客发现错误的订单时,乘客通常会取消错误订单的订单请求。例如,乘客A发出用于从位置P1到位置P2的行程的订单请求,而乘客A实际上打算去位置P3。当发现订单请求错误时,乘客A可以取消订单请求,并重新发送从位置P1到位置P3的行程的新的订单请求。取消的订单可能是错误的订单。在一些实施例中,处理器可以将历史订单标记为正确的订单或错误的订单。
在一些实施例中,至少两个历史订单的每个订单可能包括至少两个特征。处理器可以提取至少两个特征来训练识别模型。在一些实施例中,特征可以包括基本特征、实时特征、乘客特征等或其任意组合。基本特征可能包括出行模式(例如,快车模式、拼车模式、豪华车模式、商务货车模式等)、上车位置、下车地点、价格、小费等或其任何组合。实时特征可以包括天气状况、时间、交通状况、区域或附近的订单请求的数量、区域或附近的候选司机的数量等或其任意组合。乘客特征可以包括乘客年龄、乘客性别、乘客工作、订单取消率等或其任意组合。
在一些实施例中,处理器可以调用目标识别模型来确定当前订单请求的概率。有关如何训练识别模型的更多详细信息,可以在本申请的其他地方找到(例如,图6-8,及其说明)。
在506中,处理器(例如,处理设备112的识别模块406)可以基于订单请求的错误概率,将订单请求识别为错误的订单请求或正确的订单请求。更具体地,如果订单请求的错误概率等于或大于预定阈值(例如,0.6、0.65、0.7、0.75、0.85、0.90或0.95),则处理器可以将订单请求识别为错误的订单请求。值得注意的是,基于概率结果订单请求可能被标识为错误的订单请求。换句话说,当订单请求的错误概率等于或大于预定阈值时,订单请求可以是具有高概率的错误订单请求。所标识的错误的订单请求可能是潜在的错误的订单请求,这意味着它可能不是绝对错误的订单请求。
根据不同的情况和不同的目标,可以调整阈值。在一些实施例中,将订单请求标识为错误的行为,这样做将带来错误的风险,并以错误的警报打扰乘客。如果乘客很少犯这样的错误,则乘客可能会特别生气。因此,在某些实施例中,如果存在通过误报降低用户体验的重大风险,则可以将预定阈值调整得更高。在一些实施例中,如果没有如此大的风险,则可以将预定阈值调低。例如,可以存在三个级别的预定阈值。在某些实施例中,如果用户很少(例如,低于10%或5%的取消率)将错误的订单请求设为预定值,则可以将预定阈值调整为最高水平。在某些实施例中,如果用户定期(例如,超过25%或30%的取消率)设定为错误的订单请求,则可以将预定阈值调整为最低。在某些实施例中,当用户没有足够的历史订单来进行合理区分时,或者当用户的记录表明拥有错误订单为中间水平时(不是很少,不是常规的),预定阈值可以保持为中间水平。
在508中,处理器(例如,处理设备112的提醒模块408)可以响应于识别出所述订单请求是错误的订单请求,通过所述用户终端与所述乘客进行通信。在一些实施例中,响应于识别到订单请求是错误的订单请求,处理器可能会干预订单请求的订单分配。例如,提醒模块408可以将订单请求中的订单分配延迟预定时间段(例如,5秒、10秒、20秒、30秒、60秒、2分钟、3分钟或5分钟)。可以根据处理器所采取的措施和/或处理器与用户终端之间的通信来调整延迟时间。通常,当识别为正确的订单请求时,一旦处理器收到订单请求,处理器就可以实时或接近实时为一个或以上候选服务提供者(例如,司机)分配订单请求。但是,在这种情况下,如果接收到的订单请求被识别为错误的订单请求,则处理器可以将订单分配延迟预定时间段,以便预留一定的响应时间来检查乘客的订单请求。通过干预订单请求的订单分配,处理器可以防止潜在的订单取消,以免浪费资源并减少司机的工作量。
在一些实施例中,当订单请求被标识为错误的订单请求时,处理器可以生成第一提醒信号并将第一提醒信号发送到乘客(例如,请求者终端130)的用户终端。在一些实施例中,第一提醒信号可以指示乘客的用户终端显示提醒信息,该提醒信息表明订单请求可能是错误的订单请求。例如,处理设备112的提醒模块408可以指示用户终端,以弹出框的形式在用户终端的显示器320上显示提醒信息(例如,“请检查订单请求”)。在一些实施例中,第一提醒信号可以指示乘客的用户终端通过用户终端的扬声器生成提醒声音,以通知乘客订单请求是错误的订单请求。乘客可以通过输入订单请求的应用程序(例如,汽车叫车应用程序)来自定义提醒声音。定制的声音可以包括人的声音、动物的声音、音乐或它们的组合等。在一些实施例中,第一提醒信号可以指示乘客的用户终端显示推荐的订单请求,以指示潜在的正确的订单请求来替换原订单请求。在一些实施例中,第一提醒信号可以指示乘客的用户终端显示一个查询的选项,提示乘客确认或否认识别订单请求是错误的订单请求。
在一些实施例中,在从用户终端接收(例如,看到或听到)提供的提醒信息后,乘客可以采取某些行动,例如,但不限于同意推荐的订单请求或拒绝推荐的订单请求。在某些实施例中,响应于查询选项的乘客可以确认或否认订单请求是错误的订单请求。此外,当乘客否认该订单请求是错误的订单请求时,用户终端可以将该否认发送给处理器,用于解除所述干预的订单分配进程,并基于订单请求分配司机。
在一些实施例中,订单分配的过程只是部分干预。例如,处理器可能会暂时给订单请求分配一个司机或多个司机,但并不会开始行程,当订单请求被识别为错误的订单请求时,产生第二提醒信号并将第二提醒信号传输给司机的用户终端(例如,提供者终端140)。当向司机分配订单请求时,处理器可以通过网络120向司机的用户终端发送第二提醒信号。第二提醒信号可以指示司机的用户终端向司机显示提醒,指示订单请求可能是错误的订单请求。在某些实施例中,在收到提醒之后,司机可以尝试通过电话,通过处理器的消息(即通过叫车服务的应用),或通过处理器与乘客的对话框来确认与乘客请求有关的订单信息(即通过叫车服务的应用)。例如,司机可以询问乘客的当前请求是否是错误的订单请求。提醒可以是信息提醒、声音提醒等形式展示。
在一些实施例中,在收到来自乘客的关于订单请求是正确还是错误的答案之后,司机可以通过他/她的用户终端对订单请求采取措施,例如,如果乘客否认订单请求是错误的订单请求并将所述否认发送给司机,司机在收到消息后可以通过打车程序,请求服务器110正式分配订单并开始行程。在一些实施例中,这样的过程是自动的,服务器可以取消干预的订单分配,而无需司机的请求。
应当注意的是,上述有关流程500的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域普通技术人员而言,在本申请内容的指导下,可作出多种变化和修改。例如,操作504和操作506可以集成为单个操作。然而,这些变化和修改不会背离本申请的范围。
图6是根据本申请的某些实施例所示的用于训练识别模型的示例性过程的流程图。在一些实施例中,过程600可以在IORI系统100中实现。例如,过程600可以作为指令的形式存储在存储设备150和/或存储设备(例如,ROM 230、RAM 240或存储器390)中,并由服务器110(例如,服务器110的处理设备112或计算设备200的处理器220)调用和/或执行。
在600中,处理器(例如,处理设备112的获取模块402)可以根据历史订单是否为错误的订单来标记至少两个历史订单。在一些实施例中,处理器可以从存储设备(例如,存储设备150)中获得至少两个历史订单。至少两个历史订单可能包含正确的订单和错误的订单。在一些实施例中,可以根据一些标准来识别错误的订单。例如,标准可以包括服务反馈信息、立即取消的订单等。服务反馈信息可以包括指示从乘客错误的订单信息。应该理解,关于错误的订单的标准可能是多种多样的,并且这种变化可能在本申请的保护范围之内。
在一些实施例中,处理器可以将所获得的至少两个历史订单分为两个组,包括第一组和第二组。第一组可以包括正确的历史订单。第二组可能包含错误的历史订单。在一些实施例中,处理器可以分别用二进制值标记正确的历史订单和/或错误的历史订单。例如,正确的历史订单可以标记为“1”,错误的历史订单可以标记为“0”。对于本领域的普通技术人员,至少有一部分标记的历史订单可用于训练识别模型。
在604中,处理器(例如,处理设备112的获取模块402)可以提取至少两个标记的历史订单中的每一个订单的至少一个特征。示例性特征可以包括基本特征、实时特征或乘客特征等,或其任意组合。基本的特征可以包括出行模式(例如,快车模式、拼车模式、豪华车模式、商务货车模式等)、上车位置、下车地点、价格、小费等或其任意组合。实时特征可以包括天气状况、时间、交通状况、区域或附近的订单请求的数量、区域或附近的候选司机的数量等,或其任意组合。乘客特征可以包括乘客年龄、乘客性别、乘客工作、订单取消率等,或其任意组合。
在一些实施例中,处理器可以基于特征工程提取至少两个标记的历史订单中的每一个订单的至少一个特征。特征工程可以包括特征提取、特征选择、特征构建、特征学习等,或其任意组合。例如,处理器可以基于商业上自动化的特征工程(例如,Featuretools)从至少两个历史订单中获得特征。所提取的特征可以进一步用作识别模型的输入,以进一步训练识别模型。
在一些实施例中,识别模型可能包括极度梯度加速(Xgboost)模型、决策树模型、梯度加速决策树(GBDT)模型、线性回归模型、神经网络模型等,或它们的任何组合。在优选的实施例中,识别模型可以是Xgboost模型。Xgboost模型可以包括一组模型树。识别模型可以输出订单请求的错误概率。
在606中,处理器(例如,处理设备112的训练模块404)可以将至少两个历史订单和至少两个提取的特征应用到识别模型中。处理器可以进一步基于至少两个历史订单和至少两个提取的特征来训练识别模型。
在训练期间,处理器可以基于至少两个提取的特征和至少两个历史订单来生成一组模型树(例如,图8中所示的模型树800)。对于每组模型树,处理器可以将至少两个特征映射到模型树的相应分割点。每个分割点可能对应一个特征。处理器可以基于分割点和预设的Logistic损失函数,将模型树分割成一个或以上叶子(例如,图8中所示的叶子802)。每个模型树都可以包含一个或多个叶子。在一些实施例中,处理器可以基于叶子的数量来确定模型树的结构。每个模型树可以是Xgboost模型的提升树。识别模型可能包含至少两个提升树。在一些实施例中,可以根据梯度增强方法构造模型树。
可以基于Xgboost模型来确定识别模型。Xgboost模型可以是高精度的集成机器学习模型。Xgboost模型可以处理稀疏的特征,并通过计算设备200的CPU/处理器的多线程自动并行训练。可以基于Xgboost模型训练一个或以上提升树。在一些实施例中,训练好的提升树可以指定为识别模型。经过训练的识别模型可以进一步估计错误订单请求的概率。
每个模型树可以包括分类回归树(CART)。在一些实施例中,识别模型的目标函数可以包括损失函数(例如,L(θ))和正则化因子(例如,Ω(θ))。损失函数可以衡量模型与训练数据的拟合程度(即,至少两个提取的特征)。正则化因子可以测量模型树的复杂度。在一些实施例中,损失函数可以包括Logistic损失函数,用于减少或防止过度拟合。
在608中,处理器(例如,处理设备112的训练模块404)可以调整识别模型的参数以最小化识别模型的目标函数。
在一些实施例中,目标函数可以表示为等式(1):
Obj(θ)=L(θ)+Ω(θ) (1)
其中,Obj(θ)表示目标函数,L(θ)表示损失函数,Ω(θ)表示正则化因子。在一些实施例中,处理器可以基于目标函数中的最小值自动调整识别模型的参数。参数可以包括每个模型树的结构、树的每个叶子的权重等,或其任意组合。一棵树的结构可能取决于树中叶子的数量。树的每个叶子的权重可以指每个叶子的预测分数。在一些实施例中,可以基于等式(2)来确定预测分数。
对于Xgboost模型,每片叶子的最佳权重可以表示为等式(2):
其中表示每片叶子的最佳权重,j表示叶子的索引,i表示训练样本的索引(即,用于训练的历史订单),Ij表示包括一个或以上训练样本的实例集合,其中,gi表示损失函数L(θ)的第一偏导数,hi表示损失函数L(θ)的第二偏导数,并且λ表示包括正则化因子Ω(θ)的第一常数值。
在一些实施例中,使
可以基于等式(3)和等式(4)将目标函数转换为等式(5),如下所示:
其中,γ表示包含正则化因子Ω(θ)的第二常数值。T表示一棵树上的叶子数。
在一些实施例中,处理器可以通过最小化等式(5)中的目标函数来确定识别模型的参数(例如,模型树的结构、每片叶子的重量)。
Xgboost模型的特征可以包括:(1)目标函数可以包括表示树模型复杂度的正则化因子;(2)二阶泰勒展开式可以引入到目标函数的变换中;(3)基于分割点可以实现近似算法;(4)使用特征的稀疏性;(5)训练数据可以以块的形式存储,有利于并行计算;(6)可以实现面向架构的优化,例如,内存和/或缓存的优化。
图7是根据本申请的某些实施例所示的确定目标识别模型的示例性过程的流程图。在一些实施例中,过程700可以在IORI系统100中实现。例如,过程700可以作为指令的形式存储在存储设备150和/或存储设备(例如,ROM 230、RAM 240或存储器390)中,并由服务器110(例如,服务器110的处理设备112或计算设备200的处理器220)调用和/或执行。
在702中,处理器(例如,处理设备112的获取模块402)可以将至少两个标记的历史订单分类为训练集和测试集。训练集可以包括第一部分带标记的历史订单(在此也被称为训练样本)。测试集可以包括第二部分带标记的历史订单(在此也称为测试样本)。训练集可用于训练识别模块,测试集可用于验证训练后的识别模型的准确性。
在一些实施例中,处理器可以基于训练样本数与测试样本数之间的预设比率,将至少两个标记的历史订单分类为训练集和测试集。例如,预设比例可以是7:3。处理器可以将标记为历史订单的总数的70%归入训练集,将标记为历史订单的总数的30%归入测试集。
在704中,处理器(例如,处理设备112的获取模块402)可以提取训练集的每个历史订单中的至少一个特征。提取的特征可以指定为训练数据,并用作识别模型的输入。示例性的特征可以包括基本特征、实时特征或乘客特征等,或其任意组合。基本的特征可能包括出行模式(例如,快车模式、拼车模式、豪华车模式、商务货车模式等)、上车位置、下车地点、价格、小费等,或其任何组合。实时特征可以包括天气状况、时间、交通状况、区域或附近的订单请求的数量、区域或附近的候选司机的数量等,或其任意组合。乘客特征可以包括乘客年龄、乘客性别、乘客工作、订单取消率等,或其任意组合。
在一些实施例中,处理器可以基于特征工程提取训练集的每个历史订单中的至少一个特征。特征工程可以包括特征提取、特征选择、特征构建、特征学习等,或其任意组合。例如,处理器可以基于商业自动化的特征工程(例如,Featuretools)从至少两个训练样本中获得特征。所提取的特征可以进一步用作识别模型的输入,以进一步训练识别模型。训练好的识别模型可以输出错误的订单请求的概率。
在706,处理器(例如,处理设备112的训练模块404)可以基于至少两个提取的特征来训练识别模型。
在一些实施例中,识别模型可以包括Xgboost模型。对于本领域的普通技术人员,Xgboost模型可以包括一个或多个模型树。一个或多个模型树中的每一个树可以包括至少两个叶子。通过输入至少两个提取的特征,可以基于Xgboost模型训练每棵树的结构。每棵树的结构可以取决于至少两个叶子的数量。
在训练期间,处理器可以通过最小化模型的目标函数来调整识别模型的一个或多个参数。目标函数可以包括损失函数和/或正则化因子。例如,目标函数可以表示为等式(1)。损失函数可以衡量模型与训练数据的拟合程度,而正则化因子可以衡量模型树的复杂度。在一些实施例中,如果将目标函数达到最小化,所述训练过程完成。在一些实施例中,如果目标函数中的值等于或小于预定的训练阈值,所述训练过程完成。
在708中,处理器(例如,处理设备112的训练模块404)可以基于测试集来验证训练好的识别模型。
在一些实施例中,处理器可以将至少两个测试样本输入经过训练好的识别模型,所述训练好的识别模型可以输出至少两个测试样本中的每一个的对应的错误的概率。处理器还可以根据对应的错误概率,进一步确定测试样本是正确的订单还是错误的订单。如果订单的错误概率等于或大于预定阈值(例如,0.6、0.65、0.7、0.75、0.85、0.90或0.95),则处理器可以将订单识别为错误的订单。处理器可以基于所识别的错误的订单的数量与包括在测试样本中的实际错误的订单的数量之间的比率来确定识别模型的精度。例如,假设测试集包含100个标记为错误的历史订单,则所述训练好的识别模型识别出100个被标记为错误的历史订单中的85个错误历史订单,即所述训练好的识别模型的准确性为0.85(即,85/100)。
在710,处理器(例如,处理设备112的训练模块404)可以基于验证的结果确定目标识别模型。在一些实施例中,验证的结果可能包括识别模型的准确性。在一些实施例中,如果识别模型的精度等于或大于预定精度阈值(例如,0.6、0.65、0.7、0.75、0.85、0.90或0.95),则处理器可以将识别模型指定为目标识别模型。在一些实施例中,处理器可以利用目标识别模型来识别来自用户的实时订单请求是否是错误的订单请求。
关于确定目标识别模型的过程700的以上描述仅出于说明的目的而提供,而无意于限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可作出多种变化和修改。例如,操作708和操作710可以集成为单个操作。又例如,如果验证结果小于预定精度阈值,则可以进一步训练识别模型,直到验证结果满足预定精度阈值。然而,这些变化和修改不会背离本申请的范围。
图8是根据本申请的一些实施例所示的模型树的示例性结构的示意图。在一些实施例中,如图8所示,对于一棵模型树,基于历史订单是否为错误的订单,分割点802可以被割到至少两个叶子(例如,叶子804和叶子806)中。叶子可以对应于至少两个历史订单的一部分。例如,叶子804对应于至少两个错误的历史订单,叶子806对应于至少两个正确的历史订单(例如,历史订单2和历史订单5)。每片叶子可以进一步基于特征分割到至少两个第二叶子。例如,可以基于基本特征将叶子804分割为次级叶子808和次级叶子810。如果对应于叶子804的部分历史订单包括所述基本特征,则处理器将所述部分历史订单分割到叶子808中。否则,处理器可能会将所述部分历史订单分割到叶子810中。类似地,处理器可以进一步基于特征将次级叶子808或次级叶子810分割到至少两个次级叶子中。处理器可以生成包括至少两个叶子的模型树。注意处理器可以基于Xgboost模型生成类似于模型树800的一个或以上模型树。一个或以上模型树可用于构建识别模型。
在一些实施例中,处理器可以基于至少两个特征的信息增益确定至少两个分割点。例如,在分割之前,处理器可以分别确定每个特征的信息增益,可以将与最大信息增益相对应的特征指定为分割点。信息增益可以与与历史订单的至少两个特征相关联的信息熵有关。在一些实施例中,处理器可以基于至少两个特征的基尼系数确定至少两个分割点。例如,在分割之前,处理器可以分别确定每个特征的基尼指数,对应于最小基尼指数的特征可以指定为分割点。对于本领域的普通技术人员而言,信息增益或基尼系数可能是已知的,因此不再详细描述。
非暂时性计算机可读介质(例如,存储设备150或内存220)可以被提供来识别订单请求是否是错误的订单请求。非暂时性计算机可读介质可以包括至少一个用于识别订单请求是否是错误的订单请求的指令。当至少一个处理器(例如,处理设备112或处理器220)调用至少一个指令时,处理器可以从用户处获取订单请求。处理器可以基于目标识别模型确定订单请求的错误概率。可以通过利用至少两个历史订单来训练识别模型(例如Xgboost模型)以确定目标识别模型。处理器可以基于所确定的错误概率来识别订单请求是否是错误的订单请求。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说明,但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“模块”、“单元”、“组件”、“设备”或“系统”。此外,本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。一个或以上计算机可读介质可以包括ROM、RAM、磁盘、光盘等,或其任何组合。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF等,或任何上述介质的组合。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上编程语言编写,所述编程语言可以包括面向对象的编程语言(如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等)、传统程序编程语言(如C语言、Visual Basic、Fortran2003、Perl、COBOL 2002、PHP、ABAP)、动态编程语言(如Python、Ruby和Groovy),或其他编程语言。程序代码可以作为独立的软件包完全或部分在用户计算机上运行,也可以一部分在用户计算机上运行而另一部分在远程计算机上运行或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。然而,本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (19)
1.一种用于识别在线上到线下服务中错误订单请求的系统,包括:
计算机可读存储介质,存储用于识别所述错误订单请求的可执行指令;以及
至少一个与所述计算机可读存储介质通信的处理器,当执行所述可执行指令时,所述至少一个处理器被指示使所述系统:
接收来自乘客的用户终端的订单请求,其中,所述订单请求包括至少两个特征值;
通过使用目标识别模型分析来自所述订单请求的至少两个特征值,确定所述订单请求的错误概率,其中,所述目标识别模型通过利用至少两个历史订单来训练识别模型获得,每个历史订单包含正确或错误的订单请求,并与所述至少两个特征值相关联;
基于所述订单请求的错误概率,将所述订单请求识别为错误订单请求或正确订单请求;以及
响应于识别出所述订单请求是错误的订单请求,通过所述用户终端与所述乘客进行通信;
其中,所述目标识别模型通过以下方式获得:
对于所述至少两个历史订单中的每一个订单:
基于所述历史订单是否为错误订单来标记所述历史订单;
提取所述历史订单的至少一个特征;
将所述至少两个标记的历史订单和所述至少两个至少一种类型的特征应用于所述识别模型;
调整所述识别模型的参数以最小化包括所述识别模型的损失函数的目标函数。
2.根据权利要求1所述的系统,其特征在于,所述至少一个处理器进一步被配置为使所述系统:
响应于识别出所述订单请求是错误的订单请求,干预所述订单请求中的订单分配。
3.根据权利要求2所述的系统,其特征在于,为了干预所述订单请求中的订单分配,所述至少一个处理器进一步被配置为使所述系统:
将所述订单请求的订单分配延迟预定时间段。
4.根据权利要求1-3中任一项所述的系统,其特征在于,为了与所述乘客进行通信,所述至少一个处理器被配置为使所述系统:
向用户终端发送第一提醒信号,其中,所述第一提醒信号指示所述乘客的用户终端显示一个所述订单请求是错误订单请求的提醒信息。
5.根据权利要求4所述的系统,其特征在于,所述第一提醒信号还指示所述乘客的用户终端通过所述用户终端的扬声器生成提醒声音,以通知所述乘客所述订单请求是错误的订单请求。
6.根据权利要求4-5中任一项所述的系统,其特征在于,所述第一提醒信号还指示所述乘客的用户终端显示推荐的订单请求以代替所述订单请求。
7.根据权利要求4-5中任一项所述的系统,其特征在于,所述第一提醒信号进一步指示所述乘客的用户终端显示查询,提示所述乘客确认或否认识别订单请求是错误的订单请求。
8.根据权利要求3所述的系统,其特征在于,为了干预所述订单请求中的订单分配,所述至少一个处理器进一步被配置为使所述系统:
向司机的用户终端发送第二提醒信号,并且向所述司机分配所述订单请求,其中,所述第二提醒信号指示所述司机的用户终端向所述司机显示所述订单请求可能是错误的订单请求的提醒。
9.根据权利要求1至3中任一项所述的系统,其特征在于,所述目标识别模型包括极度梯度增强(Xgboost)模型。
10.一种用于识别在线上到线下服务中错误订单请求的方法,包括:
接收来自乘客的用户终端的订单请求,其中,所述订单请求包括至少两个特征值;
通过使用目标识别模型分析来自所述订单请求的所述至少两个特征值,确定所述订单请求的错误概率,其中,所述目标识别模型通过利用至少两个历史订单来训练识别模型获得,每个历史订单包含正确或错误的订单请求,并与所述至少两个特征值相关联;
基于所述订单请求的错误概率,将所述订单请求识别为错误的订单请求或正确的订单请求;以及
响应于识别出所述订单请求是错误的订单请求,通过所述用户终端与所述乘客通信;
其中,所述目标识别模型是通过以下方式获得:
对于所述至少两个历史订单的每一个订单:
基于所述历史订单是否为错误订单来标记所述历史订单;
提取所述历史订单的至少一个特征;
将所述至少两个标记的历史订单和所述至少两个至少一种类型的特征应用于所述识别模型;
调整所述识别模型的参数以最小化包括所述识别模型的损失函数的目标函数。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
响应于识别出所述订单请求是错误的订单请求,干预所述订单请求中的订单分配。
12.根据权利要求11所述的方法,其特征在于,所述干预所述订单请求中的订单分配包括:
将所述订单请求中的订单分配延迟预定时间段。
13.根据权利要求10-12中任一项所述的方法,其特征在于,通过所述用户终端与所述乘客进行通信来识别出所述订单请求是错误的订单请求包括:
向所述用户终端发送第一提醒信号,其中,所述第一提醒信号指示所述乘客的用户终端显示一个所述订单请求是错误订单请求的提醒信息。
14.根据权利要求13所述的方法,其特征在于,所述第一提醒信号还指示所述乘客的用户终端通过所述用户终端的扬声器生成提醒声音,以通知所述乘客所述订单请求是错误的订单请求。
15.根据权利要求13-14中任一项所述的方法,其特征在于,所述第一提醒信号还指示所述乘客的用户终端显示推荐的订单请求以代替所述订单请求。
16.根据权利要求13-14中任一项所述的方法,其特征在于,所述第一提醒信号进一步指示所述乘客的用户终端显示查询,提示所述乘客确认或否认识别订单请求是错误的订单请求。
17.根据权利要求12所述的方法,其特征在于,所述干预所述订单请求中的订单分配包括:
向司机的用户终端发送第二提醒信号,并且向所述司机分配所述订单请求,其中,所述第二提醒信号指示所述司机的用户终端向所述司机显示所述订单请求可能是错误的订单请求的提醒。
18.根据权利要求10至12中任一项所述的方法,其特征在于,所述目标识别模型包括极度梯度增强(Xgboost)模型。
19.一种非暂时性计算机可读介质,包含至少一个用于识别线上到线下服务中错误订单请求的指令,其特征在于,当由计算设备的至少一个处理器执行时,所述至少一个指令使所述计算设备执行一种方法,所述方法包括:
接收来自乘客的用户终端的订单请求,其中,所述订单请求包括至少两个特征值;
通过使用目标识别模型分析来自所述订单请求的至少两个特征值,确定所述订单请求的错误概率,其中,所述目标识别模型通过利用至少两个历史订单来训练识别模型获得,每个历史订单都包含正确或错误的订单请求,并与所述至少两个特征值相关联;
基于所述订单请求的错误概率,将所述订单请求识别为错误的订单请求或正确的订单请求;以及
响应于识别出所述订单请求是错误的订单请求,通过所述用户终端与所述乘客通信;
其中,所述目标识别模型通过以下方式获得:
对于所述至少两个历史订单中的每一个订单:
基于所述历史订单是否为错误订单来标记所述历史订单;
提取所述历史订单的至少一个特征;
将所述至少两个标记的历史订单和所述至少两个至少一种类型的特征应用于所述识别模型;
调整所述识别模型的参数以最小化包括所述识别模型的损失函数的目标函数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017109384814 | 2017-09-30 | ||
CN201710938481.4A CN109598566B (zh) | 2017-09-30 | 2017-09-30 | 下单预测方法、装置、计算机设备和计算机可读存储介质 |
PCT/CN2018/109039 WO2019063005A1 (en) | 2017-09-30 | 2018-09-30 | SYSTEMS AND METHODS FOR INCORRECT COMMAND IDENTIFICATION |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111316308A CN111316308A (zh) | 2020-06-19 |
CN111316308B true CN111316308B (zh) | 2023-04-18 |
Family
ID=65901030
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710938481.4A Active CN109598566B (zh) | 2017-09-30 | 2017-09-30 | 下单预测方法、装置、计算机设备和计算机可读存储介质 |
CN201880063794.2A Active CN111316308B (zh) | 2017-09-30 | 2018-09-30 | 用于识别错误订单请求的系统及方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710938481.4A Active CN109598566B (zh) | 2017-09-30 | 2017-09-30 | 下单预测方法、装置、计算机设备和计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200226708A1 (zh) |
CN (2) | CN109598566B (zh) |
WO (1) | WO2019063005A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334732A (zh) * | 2019-05-20 | 2019-10-15 | 北京思路创新科技有限公司 | 一种基于机器学习的空气质量预报方法和装置 |
CN110543964A (zh) * | 2019-07-19 | 2019-12-06 | 深圳市跨越新科技有限公司 | 基于XGBoost模型的异常下单重量预警方法及系统 |
CN110991837A (zh) * | 2019-11-21 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 一种网约车交易数据处理方法、装置及系统 |
CN111523933B (zh) * | 2020-04-21 | 2021-02-02 | 北京嘀嘀无限科技发展有限公司 | 一种下单概率预测方法、装置、电子设备及可读存储介质 |
CN111784459A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种民航订单信息更新方法及装置 |
CN111815050B (zh) * | 2020-07-07 | 2021-05-28 | 北京嘀嘀无限科技发展有限公司 | 模型训练、状态预测方法和装置、电子设备及存储介质 |
CN111681088B (zh) * | 2020-08-11 | 2020-12-11 | 北京每日优鲜电子商务有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN113763112A (zh) * | 2021-02-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置 |
CN113723970B (zh) * | 2021-08-25 | 2024-02-02 | 深圳依时货拉拉科技有限公司 | 订单列表推送方法、装置、存储介质和计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661583A (zh) * | 2008-08-29 | 2010-03-03 | 埃森哲环球服务有限公司 | 动态订单工作流模板实例器跟踪系统 |
CN105117777A (zh) * | 2015-07-28 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
CN107133833A (zh) * | 2016-02-26 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 异常交易识别方法及装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020069082A1 (en) * | 2000-12-02 | 2002-06-06 | Lg Electronics Inc. | Electronic commerce system and operating method thereof |
TW200935418A (en) * | 2008-02-05 | 2009-08-16 | Skymedi Corp | Semiconductor memory device |
CN101504745A (zh) * | 2008-12-04 | 2009-08-12 | 阿里巴巴集团控股有限公司 | 基于网络线上业务的风险规则/模型建立和优化系统及方法 |
US20100274601A1 (en) * | 2009-04-24 | 2010-10-28 | Intermational Business Machines Corporation | Supply chain perameter optimization and anomaly identification in product offerings |
CN102117459A (zh) * | 2010-01-06 | 2011-07-06 | 阿里巴巴集团控股有限公司 | 风险控制系统及方法 |
US10640357B2 (en) * | 2010-04-14 | 2020-05-05 | Restaurant Technology Inc. | Structural food preparation systems and methods |
CN105590261A (zh) * | 2014-12-31 | 2016-05-18 | 中国银联股份有限公司 | 商户风险估算方法及系统 |
CN104809589B (zh) * | 2015-05-08 | 2021-07-16 | 北京嘀嘀无限科技发展有限公司 | 用于处理订单的方法及设备 |
CN106611321B (zh) * | 2015-10-22 | 2020-09-25 | 百度在线网络技术(北京)有限公司 | 虚假手机号码的识别方法和装置 |
US10296963B2 (en) * | 2015-10-28 | 2019-05-21 | Accenture Global Services Limited | Predictive modeling for unintended outcomes |
US20170206462A1 (en) * | 2016-01-14 | 2017-07-20 | International Business Machines Corporation | Method and apparatus for detecting abnormal contention on a computer system |
US20180060728A1 (en) * | 2016-08-31 | 2018-03-01 | Microsoft Technology Licensing, Llc | Deep Embedding Forest: Forest-based Serving with Deep Embedding Features |
US10762441B2 (en) * | 2016-12-01 | 2020-09-01 | Uber Technologies, Inc. | Predicting user state using machine learning |
CN106875255A (zh) * | 2017-01-20 | 2017-06-20 | 深圳市凯达尔科技实业有限公司 | 一种基于移动终端的租车方法及系统 |
CN106897919A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术(北京)有限公司 | 用车类型预测模型建立、信息提供方法及装置 |
-
2017
- 2017-09-30 CN CN201710938481.4A patent/CN109598566B/zh active Active
-
2018
- 2018-09-30 WO PCT/CN2018/109039 patent/WO2019063005A1/en active Application Filing
- 2018-09-30 CN CN201880063794.2A patent/CN111316308B/zh active Active
-
2020
- 2020-03-27 US US16/831,945 patent/US20200226708A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661583A (zh) * | 2008-08-29 | 2010-03-03 | 埃森哲环球服务有限公司 | 动态订单工作流模板实例器跟踪系统 |
CN105117777A (zh) * | 2015-07-28 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
CN107133833A (zh) * | 2016-02-26 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 异常交易识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2019063005A1 (en) | 2019-04-04 |
CN109598566B (zh) | 2021-07-09 |
CN111316308A (zh) | 2020-06-19 |
US20200226708A1 (en) | 2020-07-16 |
CN109598566A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111316308B (zh) | 用于识别错误订单请求的系统及方法 | |
CN108934181B (zh) | 用于路径搜索的系统和方法 | |
CN109478275B (zh) | 分配服务请求的系统和方法 | |
US20200134648A1 (en) | Methods and systems for preventing user churn | |
CN111052158B (zh) | 用于分配服务请求的系统和方法 | |
US20200051193A1 (en) | Systems and methods for allocating orders | |
CN108780562B (zh) | 更新服务序列的系统和方法 | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
US20200193357A1 (en) | Systems and methods for allocating service requests | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
US11120091B2 (en) | Systems and methods for on-demand services | |
WO2019232773A1 (en) | Systems and methods for abnormality detection in data storage | |
CN111199239A (zh) | 通过打车订单识别醉酒乘客的人工智能系统和方法 | |
US20210064669A1 (en) | Systems and methods for determining correlative points of interest associated with an address query | |
WO2020199270A1 (en) | Systems and methods for identifying proper nouns | |
US10990500B2 (en) | Systems and methods for user analysis |
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 |