CN111325374A - 一种订单取消概率的预测方法、装置和电子设备 - Google Patents

Abstract

本申请提供了一种订单取消概率的预测方法、装置和电子设备，其中，该方法包括：在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；目标特征信息包括以下至少之一：目标订单的特征信息，服务请求方的特征信息和服务提供方的特征信息，目标订单为查找到相匹配的服务提供方之后生成的订单；利用目标预测模型对目标特征信息进行处理，得到目标订单的取消概率；若取消概率大于预设取消概率，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方。本发明通过目标预测模型来预测目标订单的取消概率的方式，能够提高网约车平台的匹配效率，以保证匹配订单的成功率。

Description

一种订单取消概率的预测方法、装置和电子设备

技术领域

本申请涉及数据处理的技术领域，具体而言，涉及一种订单取消概率的预测方法、装置和电子设备。

背景技术

目前，网约车已经成为一种全新的出行方式，每天都有大量的网约车订单产生，但是却有很大占比的匹配订单在匹配之后很短的时间内被乘客或司机取消。这不仅仅影响了司机的收入情况和接单体验，也影响着乘客的出行体验，更直接影响网约车平台的匹配效率。

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取消概率的预测方法、装置和电子设备，本发明通过目标预测模型来预测目标订单的取消概率的方式，能够提高网约车平台的匹配效率，以保证匹配订单的成功率。

根据本申请的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行一个或多个以下操作：

在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；所述目标特征信息包括以下至少之一：目标订单的特征信息，所述服务请求方的特征信息和所述服务提供方的特征信息，所述目标订单为查找到所述相匹配的服务提供方之后生成的订单；利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率；若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

在本申请较佳的实施例中，所述目标预测模型为集成树模型；利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括：利用所述集成树模型对所述目标特征信息进行处理，得到所述目标订单的取消概率。

在本申请较佳的实施例中，所述方法还包括：若所述取消概率小于所述预设取消概率，则向所述服务请求方和所述服务提供方分别发送所述目标订单的订单信息。

在本申请较佳的实施例中，所述相匹配的服务提供方的数量为多个，且所述目标特征信息的数量为多个；利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率包括：利用所述目标预测模型对每个目标特征信息进行处理，得到每个目标订单的取消概率；若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方包括：若每个目标订单的取消概率大于所述预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

在本申请较佳的实施例中，所述方法还包括：若多个目标订单的取消概率中包含小于所述预设取消概率的目标取消概率，则确定所述目标取消概率所对应的服务请求方和服务提供方；向所述目标取消概率所对应的服务请求方和服务提供方发送对应的目标订单的订单信息。

在本申请较佳的实施例中，所述取消概率包括：所述服务提供方取消所述目标订单的第一取消概率，和/或，所述服务请求方取消所述目标订单的第二取消概率。

在本申请较佳的实施例中，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第一取消概率；所述目标预测模型包括第一目标预测模型；利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括：利用所述第一目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第一取消概率。

在本申请较佳的实施例中，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第二取消概率；所述目标预测模型包括第二目标预测模型；利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括：利用所述第二目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第二取消概率。

在本申请较佳的实施例中，所述方法还包括：构建训练样本集，其中，所述训练样本集中包括多个训练样本，每个训练样本包括：历史特征信息和标签信息，所述历史特征信息包括：历史服务订单的订单信息，历史服务订单所对应服务请求方和服务请求方的特征信息，所述标签信息用于表征所述历史服务订单是否被取消；利用所述训练样本集训练初始预测模型，得到所述目标预测模型。

在本申请较佳的实施例中，所述目标预测模型包括：深度神经网络模型和集成树模型。

在本申请较佳的实施例中，若预测出所述服务请求方取消所述目标订单的概率大于预设取消概率，则为所述服务请求方查找新的服务提供方包括：若统计出目标时间段内，所述服务请求方取消服务订单的数量超过预设数量，则获取所述服务请求方发送服务订单的第一取消原因；基于所述第一取消原因和/或服务提供方的接驾信息，为所述服务请求方查找新的服务提供方，其中，所述接驾信息包括以下至少之一：接驾时间，接驾距离。

在本申请较佳的实施例中，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，所述方法还包括：若统计出目标时间段内，所述服务提供方取消服务订单的数量超过预设数量，则向所述服务提供方发送提示信息，其中，所述提示信息用于提示所述服务提供方降低其信用等级。

在本申请较佳的实施例中，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，为所述服务提供方查找新的服务请求方包括：若统计出目标时间段内，所述服务提供方取消服务订单的数量未超过预设数量，则获取所述服务提供方发送服务订单的第二取消原因；基于所述第二取消原因和/或服务请求方的请求信息，为所述服务提供方查找新的服务请求方，其中，所述请求信息包括以下至少之一：起始服务位置，目的服务位置。

在本申请较佳的实施例中，所述方法还包括：确定所述服务请求方发起所述目标订单的发起位置；获取目标区域内，历史目标订单的发起位置，其中，所述历史目标订单为所述目标订单之前被取消的服务订单，所述目标区域为所述目标订单所处围栏区域；基于所述目标订单的发起位置和所述历史目标订单的发起位置生成目标区域内的热力图，其中，所述热力图中包括各个位置发起的服务订单被取消的数量和/或概率。

根据本申请的另一个方面，还提供一种订单取消概率的预测装置，包括：获取单元，用于在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；所述目标特征信息包括以下至少之一：目标订单的特征信息，所述服务请求方的特征信息和所述服务提供方的特征信息，所述目标订单为查找到所述相匹配的服务提供方之后生成的订单；处理单元，用于利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率；查找单元，用于若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

在本申请较佳的实施例中，所述目标预测模型为集成树模型；所述处理单元用于：利用所述集成树模型对所述目标特征信息进行处理，得到所述目标订单的取消概率。

在本申请较佳的实施例中，所述装置还用于：若所述取消概率小于所述预设取消概率，则向所述服务请求方和所述服务提供方分别发送所述目标订单的订单信息。

在本申请较佳的实施例中，所述相匹配的服务提供方的数量为多个，且所述目标特征信息的数量为多个；所述处理单元还用于：利用所述目标预测模型对每个目标特征信息进行处理，得到每个目标订单的取消概率；所述查找单元还用于：若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方包括：若每个目标订单的取消概率大于所述预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

在本申请较佳的实施例中，所述装置还用于：若多个目标订单的取消概率中包含小于所述预设取消概率的目标取消概率，则确定所述目标取消概率所对应的服务请求方和服务提供方；向所述目标取消概率所对应的服务请求方和服务提供方发送对应的目标订单的订单信息。

在本申请较佳的实施例中，所述取消概率包括：所述服务提供方取消所述目标订单的第一取消概率，和/或，所述服务请求方取消所述目标订单的第二取消概率。

在本申请较佳的实施例中，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第一取消概率；所述目标预测模型包括第一目标预测模型；所述处理单元还用于：利用所述第一目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第一取消概率。

在本申请较佳的实施例中，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第二取消概率；所述目标预测模型包括第二目标预测模型；所述处理单元还用于：利用所述第二目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第二取消概率。

在本申请较佳的实施例中，所述装置还用于：构建训练样本集，其中，所述训练样本集中包括多个训练样本，每个训练样本包括：历史特征信息和标签信息，所述历史特征信息包括：历史服务订单的订单信息，历史服务订单所对应服务请求方和服务请求方的特征信息，所述标签信息用于表征所述历史服务订单是否被取消；利用所述训练样本集训练初始预测模型，得到所述目标预测模型。

在本申请较佳的实施例中，所述目标预测模型包括：深度神经网络模型和集成树模型。

在本申请较佳的实施例中，若预测出所述服务请求方取消所述目标订单的概率大于预设取消概率，则所述查找单元还用于：若统计出目标时间段内，所述服务请求方取消服务订单的数量超过预设数量，则获取所述服务请求方发送服务订单的第一取消原因；基于所述第一取消原因和/或服务提供方的接驾信息，为所述服务请求方查找新的服务提供方，其中，所述接驾信息包括以下至少之一：接驾时间，接驾距离。

在本申请较佳的实施例中，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，所述装置还用于：若统计出目标时间段内，所述服务提供方取消服务订单的数量超过预设数量，则向所述服务提供方发送提示信息，其中，所述提示信息用于提示所述服务提供方降低其信用等级。

在本申请较佳的实施例中，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，为所述查找单元还用于：若统计出目标时间段内，所述服务提供方取消服务订单的数量未超过预设数量，则获取所述服务提供方发送服务订单的第二取消原因；基于所述第二取消原因和/或服务请求方的请求信息，为所述服务提供方查找新的服务请求方，其中，所述请求信息包括以下至少之一：起始服务位置，目的服务位置。

在本申请较佳的实施例中，所述装置还用于：确定所述服务请求方发起所述目标订单的发起位置；获取目标区域内，历史目标订单的发起位置，其中，所述历史目标订单为所述目标订单之前被取消的服务订单，所述目标区域为所述目标订单所处围栏区域；基于所述目标订单的发起位置和所述历史目标订单的发起位置生成目标区域内的热力图，其中，所述热力图中包括各个位置发起的服务订单被取消的数量和/或概率。

根据本申请的另一个方面，还提供一种电子设备，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，以执行时执行上述所述的订单取消概率的预测方法的步骤。

根据本申请的另一个方面，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上述所述的订单取消概率的预测方法的步骤。

在本实施例中，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；然后，利用目标预测模型对目标特征信息进行处理，得到目标订单的取消概率；其中，若取消概率大于预设取消概率，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方。通过上述描述可知，本发明通过目标预测模型来预测目标订单的取消概率的方式，能够提高网约车平台的匹配效率，以保证匹配订单的成功率。

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电子设备的示意图；

图2示出了本申请实施例所提供的一种订单取消概率的预测方法的流程图；

图3示出了本申请实施例所提供的第一种可选地订单取消概率的预测方法的流程图；

图4示出了本申请实施例所提供的第二种可选地订单取消概率的预测方法的流程图；

图5示出了本申请实施例所提供的第三种可选地订单取消概率的预测方法的流程图；

图6示出了本申请实施例所提供的第四种可选地订单取消概率的预测方法的流程图；

图7示出了本申请实施例所提供的第五种可选地订单取消概率的预测方法的流程图；

图8示出了本申请实施例所提供的第六可选地订单取消概率的预测方法的流程图；

图9示出了本申请实施例所提供的第七种可选地订单取消概率的预测方法的流程图；

图10示出了本申请实施例所提供的一种订单取消概率的预测装置的示意图。

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。

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“服务”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服务请求。接受该“服务”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。服务可以是收费的或免费的。

图1示出根据本申请的一些实施例的可以实现本申请提供的订单取消概率的预测方法的电子设备100的示例性硬件和软件组件的示意图。

电子设备100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取消概率的预测方法。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。

例如，电子设备100可以包括连接到网络的网络端口110、用于执行程序指令的一个或多个处理器120、通信总线130、和不同形式的存储介质140，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100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150。

上述存储介质140存储有处理器120可执行的机器可读指令，当电子设备运行时，处理器120与存储介质140之间通过总线通信，处理器执行机器可读指令，以执行时执行下述订单取消概率的预测方法的步骤。另外，存储介质也可以称为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下述订单取消概率的预测方法的步骤。

为了便于说明，在电子设备100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100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100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。

在网约车平台的大数据生态下，服务提供方和服务请求方在相互匹配之后即生成一笔服务订单，但是服务提供方或者服务请求都可能会在各种因素的作用下取消这笔订单，比如接驾时间太长、接驾路程太长、订单预估价等。目前在网约车平台可以获取的服务提供方和服务请求方的特征多达一百种，暂时无法确定哪些特征是订单取消的决定因素，这就要求模型有特征选择的能力。同时为了保障用户体验，对模型的速度也有较高的要求。下面将结合具体的实施例介绍该订单取消概率的预测方法。

参见图2所示的一种订单取消概率的预测方法的流程图。

图2所示的订单取消概率的预测方法以应用在服务器端为例进行说明，该方法包括如下步骤：

步骤S202，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；所述目标特征信息包括以下至少之一：目标订单的特征信息，所述服务请求方的特征信息和所述服务提供方的特征信息，所述目标订单为查找到所述相匹配的服务提供方之后生成的订单；

在本实施例中，网约车平台在为服务请求方匹配到相应的服务提供方之后，向生成目标订单。在生成目标订单之后，可以获取目标特征信息，其中，该目标特征信息可以包括以下三个部分，分别是：目标订单的特征信息，服务请求方的特征信息和服务提供方的特征信息。

具体地，可以包括接驾距离、服务请求方在前30天的平台加价信息、服务请求方的信用分、预估订单价格、服务请求方转化为首单司机概率等信息，本实施例中不做具体限定。

步骤S204，利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率；

在本实施例中，该目标预测模型包括：深度神经网络模型和集成树模型。其中，集成树模型可以为xgboost模型，除此之外，还可以其他的集成树模型，本实施例中不做具体限定。

具体地，可以利用深度神经网络模型和集成树模型对目标特征信息进行处理，得到目标订单的取消概率。

可选地，取消概率包括：服务提供方取消目标订单的第一取消概率，和/或，服务请求方取消目标订单的第二取消概率。

也就是说，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，若向该服务请求方和服务提供方发送该目标订单的订单信息。该目标订单有可能被服务请求方取消，也有可能被服务提供方取消。因此，在本实施例中，可以预测服务提供方取消目标订单的第一取消概率，和/或，服务请求方取消目标订单的第二取消概率。

步骤S206，若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

在本实施例中，如果该取消概率大于预设取消概率，则说明该目标订单被取消的概率较大，此时，可以为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方。

上述预设取消概率为预先设定的概率阈值，用户可以根据实际需要来进行设定，本实施例中不做具体限定。

在本实施例中，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；然后，利用目标预测模型对目标特征信息进行处理，得到目标订单的取消概率；其中，若取消概率大于预设取消概率，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方。通过上述描述可知，本发明通过目标预测模型来预测目标订单的取消概率的方式，能够提高网约车平台的匹配效率，以保证匹配订单的成功率。

在一个可选的实施方式中，若目标预测模型为集成树模型；那么如图3所示，步骤S204，利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括如下步骤：

步骤S301，利用所述集成树模型对所述目标特征信息进行处理，得到所述目标订单的取消概率。

如图3所示，在本实施例中，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息，其中，该目标特征信息包括以下至少之一：目标订单的特征信息，服务请求方的特征信息和服务提供方的特征信息。

在获取到目标特征信息之后，利用集成树模型对目标特征信息进行处理，得到该目标订单被服务请求方取消的概率，和/或，该目标订单被服务提供方取消的概率。

需要说明的是，在本实施例中，上述集成树模型可以选择为xgboost模型。xgboost模型可以有效降低过拟合的可能性，同时可以处理特征缺失的情况，具有特征选择和运算速度快等优点，从而提高取消概率的预测准确度，以及提高数据处理的速度。

在一个可选的实施方式中，如图4所示，该方法还包括如下步骤：

步骤S208，若所述取消概率小于所述预设取消概率，则向所述服务请求方和所述服务提供方分别发送所述目标订单的订单信息。

如图4所示，在本实施例中，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息，其中，该目标特征信息包括以下至少之一：目标订单的特征信息，服务请求方的特征信息和服务提供方的特征信息。

在获取到目标特征信息之后，利用目标预测模型(例如，集成树模型)对目标特征信息进行处理，得到该目标订单被服务请求方取消的概率，和/或，该目标订单被服务提供方取消的概率。

如果目标订单被服务请求方取消的概率大于预设取消概率A1，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方；或者，如果目标订单被服务提供方取消的概率大于预设取消概率A2，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方。其中，预设取消概率A1和预设取消概率A2可以相同或者不同，本实施例对此不做具体限定。

若目标订单被服务请求方取消的概率小于预设取消概率A1，则视为匹配成功，并向服务请求方和所述服务提供方分别发送目标订单的订单信息；或者，若目标订单被服务提供方取消的概率小于预设取消概率A2，则视为匹配成功，并向服务请求方和所述服务提供方分别发送目标订单的订单信息。

在一个可选的实施方式中，若步骤S202中，确定出的与服务请求方相匹配的服务提供方的数量为多个，且所述目标特征信息的数量为多个。如图5所示：

步骤S202，利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率包括如下步骤：步骤S501，利用所述目标预测模型对每个目标特征信息进行处理，得到每个目标订单的取消概率；

步骤S204，若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方包括如下步骤：步骤S502，若每个目标订单的取消概率大于所述预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

具体地，在本实施例中，在查找到与服务请求方发起的服务订单相匹配的多个服务提供方之后，获取多个目标特征信息，其中，每个目标特征信息包括以下至少之一：目标订单的特征信息，服务请求方的特征信息和服务提供方的特征信息，目标订单为查找到每个相匹配的服务提供方之后生成的订单。

例如，与服务请求方发起的服务订单相匹配的多个服务提供方包括服务提供方B1、服务提供方B2和服务提供方B3，此时，服务提供方B1对应一个目标特征信息，记为C1；服务提供方B2对应一个目标特征信息，记为C2；服务提供方B3对应一个目标特征信息，记为C3。

在获取到目标特征信息之后，利用目标预测模型(例如，集成树模型)对每个目标特征信息(即，C1、C2和C3)进行处理，得到每个目标订单被服务请求方取消的概率，和/或，该目标订单被服务提供方取消的概率。

如果每个目标订单被服务请求方取消的概率大于预设取消概率A1，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方；或者，如果每个目标订单被服务提供方取消的概率大于预设取消概率A2，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方。

若每个目标订单被服务请求方取消的概率小于预设取消概率A1，则视为匹配成功，并向服务请求方和所述服务提供方分别发送目标订单的订单信息；或者，若每个目标订单被服务提供方取消的概率小于预设取消概率A2，则视为匹配成功，并向服务请求方和所述服务提供方分别发送目标订单的订单信息。

通过上述描述可知，在本实施例中，能够对服务请求方取消目标订单的概率进行预测，以及对服务提供方取消目标订单的概率进行预测，进而实现从两个方面对该目标订单被取消的概率进行预测，从而得到更加准确的预测结果，以进一步提高网约车平台的匹配效率，以保证匹配订单的成功率。

在一个可选的实施方式中，在如图5的基础上，该方法还包括如下步骤：

若多个目标订单的取消概率中包含小于所述预设取消概率的目标取消概率，则确定所述目标取消概率所对应的服务请求方和服务提供方；

向所述目标取消概率所对应的服务请求方和服务提供方发送对应的目标订单的订单信息。

通过上述描述可知，如果为服务请求方匹配到多个服务提供方时，将生成多个目标订单，此时，可以为预测每个目标订单被取消的概率。如果每个目标订单被取消的概率均大于预设取消概率，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方。如果多个目标订单中包含取消概率小于预设取消概的订单，则向该目标订单所对应的服务提供方和服务请求方发送该目标订单的订单信息，以表示匹配成功。

通过上述处理方式，能够提高服务订单的匹配效率，以提高网约车平台的匹配效率，以保证匹配订单的成功率。

在一个可选的实施方式中，若目标订单的取消概率包括：所述服务提供方取消所述目标订单的第一取消概率；所述目标预测模型包括第一目标预测模型；如图6所示，步骤S204，利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括如下步骤：

步骤S601，利用所述第一目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第一取消概率。

如果目标订单的取消概率为服务提供方取消所标订单的第一取消概率，在本实施例中，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息，其中，该目标特征信息包括以下至少之一：目标订单的特征信息，服务请求方的特征信息和服务提供方的特征信息。

在获取到目标特征信息之后，利用第一目标预测模型(例如，集成树模型)对目标特征信息进行处理，得到服务提供方取消所述目标订单的第一取消概率。

若第一取消概率大于预设取消概率，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方；若第一取消概率小于预设取消概率，则向服务请求方和服务提供方分别发送目标订单的订单信息。

在本实施例中，通过上述描述可知，本发明通过目标预测模型来预测目标订单的取消概率的方式，能够提高网约车平台的匹配效率，以保证匹配订单的成功率。

在一个可选的实施方式中，若目标订单的取消概率包括：所述服务提供方取消所述目标订单的第二取消概率；所述目标预测模型包括第二目标预测模型；如图7所示，步骤S204，利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括：

步骤S701，利用所述第二目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第二取消概率。

如果目标订单的取消概率为服务提供方取消所述目标订单的第二取消概率。在本实施例中，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息，其中，该目标特征信息包括以下至少之一：目标订单的特征信息，服务请求方的特征信息和服务提供方的特征信息。

在获取到目标特征信息之后，利用第二目标预测模型(例如，集成树模型)对目标特征信息进行处理，得到服务提供方取消所述目标订单的第二取消概率。

在本实施例中，通过上述描述可知，本发明通过目标预测模型来预测目标订单的取消概率的方式，能够提高网约车平台的匹配效率，以保证匹配订单的成功率。

在本实施例中，在利用目标预测模型对目标特征信息进行处理之前，还需要对目标预测模型的初始模型进行训练，具体训练过程包括如下步骤：

首先，构建训练样本集，其中，所述训练样本集中包括多个训练样本，每个训练样本包括：历史特征信息和标签信息，所述历史特征信息包括：历史服务订单的订单信息，历史服务订单所对应服务请求方和服务请求方的特征信息，所述标签信息用于表征所述历史服务订单是否被取消；

然后，利用所述训练样本集训练初始预测模型，得到所述目标预测模型。

具体地，在本实施例中，首先，确定历史时段，并采集该历史时段的数据，例如，使用最近一天的历史数据。根据目标订单的订单信息找到其对应的服务提供方和服务请求方在网约车平台的特征信息，将这三部分特征按顺序拼接即得到该订单对应的全部特征，即历史特征信息。

如果该目标订单最终被取消，则该训练样本作为正样本，如果该目标订单未被取消，则该训练样本作为负样本。

以上全部数据作为训练样本，然后，利用训练样本对初始预测模型进行训练，得到所述目标预测模型。

模型效果评估：在本实施例中，使用二分类任务中被广泛使用的准确定Accuracy、AUC(Area Under Curve，ROC曲线下方的面积大小)、精准度Precision和召回率Recall四种评价指标对该目标预测模型的性能进行了评价。为了便于模型的评价，选取了广州连续一周的历史数据，这样一周内每一天的订单取消情况都是已知的。用周一的数据进行模型训练，周二的数据用于模型测试，依次类推，得到连续一周的模型评估结果，如下表1所示。如表1所示，本实施例所提供的目标预测模型能够准确的对目标订单被取消的概率进行准确的预测，以提高网约车平台的匹配效率，并保证匹配订单的成功率。

评价指标	周平均值
		Accuracy	0.795157143
AUC	0.875842857
		Precision	0.813314286
Recall	0.790257143

在另一个可选的实施方式中，若预测出所述服务请求方取消所述目标订单的概率大于预设取消概率，则如图8所示，步骤S206，为所述服务请求方查找新的服务提供方包括：

步骤S801，若统计出目标时间段内，所述服务请求方取消服务订单的数量超过预设数量，则获取所述服务请求方发送服务订单的第一取消原因；

步骤S802，基于所述第一取消原因和/或服务提供方的接驾信息，为所述服务请求方查找新的服务提供方，其中，所述接驾信息包括以下至少之一：接驾时间，接驾距离。

在本实施例中，上述目标时间段可以根据实际需要来进行设定，例如，目标时间段可以设定为一周，还可以设定为3天，还可以为设定为一天，本实施例对此不做具体限定。

例如，在一周内，该服务请求方取消服务订单的数量超过预设数量，则可以将向该服务提供方发送推送消息，以向该服务提供方获取服务订单取消的第一取消原因。

在获取到该第一取消原因之后，就可以结合该取消原因，以及服务提供方的接驾信息，为该服务请求方查找新的服务提供方。在本实施例中，通过采集取消原因的方式，能够更加准确的为其匹配服务提供方，从而提高服务订单的匹配率，节省服务订单的匹配时间，提高网约车平台的匹配效率。

在另一个可选的实施方式中，若预测出所述服务请求方取消所述目标订单的概率大于预设取消概率，所述方法还包括：若统计出目标时间段内，所述服务提供方取消服务订单的数量超过预设数量，则向所述服务提供方发送提示信息，其中，所述提示信息用于提示所述服务提供方降低其信用等级。

若服务提供方经常取消服务订单，则会影响用户体验，此时，可以统计目标时间段内，服务提供方取消服务订单的数量，并判断该数量是否超过预设数量。若超过，则向该服务提供方发送提示信息，以提示该服务提供方降低其信用等级。

通过上述处理方式，能够避免司机接单之后，取消服务订单的概率，进而进一步提高乘客对网约车平台的好感度，以提高用户体验。

在另一个可选的实施方式中，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，为所述服务提供方查找新的服务请求方包括如下步骤：

首先，若统计出目标时间段内，所述服务提供方取消服务订单的数量未超过预设数量，则获取所述服务提供方发送服务订单的第二取消原因；

然后，基于所述第二取消原因和/或服务请求方的请求信息，为所述服务提供方查找新的服务请求方，其中，所述请求信息包括以下至少之一：起始服务位置，目的服务位置。

在本实施例中，在某些特殊情况下，服务提供方会根据一些特殊原因取消服务订单，例如，是由于乘客的原因取消服务订单。基于此，在本实施例中，若统计出目标时间段内，服务提供方取消服务订单的数量未超过预设数量，则获取服务提供方发送服务订单的第二取消原因。

此时，可以根据第二取消原因和/或服务请求方的请求信息，为服务提供方查找新的服务请求方。

在上述实施方式中描述到，若统计出目标时间段内，所述服务提供方取消服务订单的数量超过预设数量，则向降低服务提供方的信用等级。如果服务提供取消服务订单是由于特殊原因(例如，乘客的原因)，那么可以不降低其信用等级，以提高网约车平台的合理化，使得网约车平台更加完善，以促使更多的司机加入到网约车平台。

在另一个可选的实施方式中，如图9所示，该方法还包括如下步骤：

步骤S901，确定所述服务请求方发起所述目标订单的发起位置；

步骤S902，获取目标区域内，历史目标订单的发起位置，其中，所述历史目标订单为所述目标订单之前被取消的服务订单，所述目标区域为所述目标订单所处围栏区域；

步骤S903，基于所述目标订单的发起位置和所述历史目标订单的发起位置生成目标区域内的热力图，其中，所述热力图中包括各个位置发起的服务订单被取消的数量和/或概率。

在本实施例中，如果预测出该目标订单被取消的概率大于预设概率，则可以获取该目标订单的发起位置。然后，统计历史服务订单中被取消的历史目标订单的发起位置。进而，根据该发起位置和历史目标订单的发起位置生成一个热力图，该热力图中包括目标区域内，各个位置发起的服务订单被取消的概率和/或数量。

通过热力图的方式，能够将该热力图中的信息作为目标预测模型预测目标订单的取消概率的一个依据，从而进一步提高目标预测模型的准确度，以提高网约车平台的匹配效率，以保证匹配订单的成功率。

图10是示出本申请的一些实施例的订单取消概率的预测装置的框图，该订单取消概率的预测装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图10所示，订单取消概率的预测装置可以包括获取单元10，处理单元20和查找单元30：

获取单元10，用于在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；所述目标特征信息包括以下至少之一：目标订单的特征信息，所述服务请求方的特征信息和所述服务提供方的特征信息，所述目标订单为查找到所述相匹配的服务提供方之后生成的订单；

处理单元20，用于利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率；

查找单元30，用于若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

在本实施例中，在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；然后，利用目标预测模型对目标特征信息进行处理，得到目标订单的取消概率；其中，若取消概率大于预设取消概率，则为服务请求方查找新的服务提供方，和/或，为服务提供方查找新的服务请求方。通过上述描述可知，本发明通过目标预测模型来预测目标订单的取消概率的方式，能够提高网约车平台的匹配效率，以保证匹配订单的成功率。

可选地，所述目标预测模型为集成树模型；所述处理单元用于：利用所述集成树模型对所述目标特征信息进行处理，得到所述目标订单的取消概率。

可选地，所述装置还用于：若所述取消概率小于所述预设取消概率，则向所述服务请求方和所述服务提供方分别发送所述目标订单的订单信息。

可选地，所述相匹配的服务提供方的数量为多个，且所述目标特征信息的数量为多个；所述处理单元还用于：利用所述目标预测模型对每个目标特征信息进行处理，得到每个目标订单的取消概率；所述查找单元还用于：若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方包括：若每个目标订单的取消概率大于所述预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

可选地，所述装置还用于：若多个目标订单的取消概率中包含小于所述预设取消概率的目标取消概率，则确定所述目标取消概率所对应的服务请求方和服务提供方；向所述目标取消概率所对应的服务请求方和服务提供方发送对应的目标订单的订单信息。

可选地，所述取消概率包括：所述服务提供方取消所述目标订单的第一取消概率，和/或，所述服务请求方取消所述目标订单的第二取消概率。

可选地，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第一取消概率；所述目标预测模型包括第一目标预测模型；所述处理单元还用于：利用所述第一目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第一取消概率。

可选地，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第二取消概率；所述目标预测模型包括第二目标预测模型；所述处理单元还用于：利用所述第二目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第二取消概率。

可选地，所述装置还用于：构建训练样本集，其中，所述训练样本集中包括多个训练样本，每个训练样本包括：历史特征信息和标签信息，所述历史特征信息包括：历史服务订单的订单信息，历史服务订单所对应服务请求方和服务请求方的特征信息，所述标签信息用于表征所述历史服务订单是否被取消；利用所述训练样本集训练初始预测模型，得到所述目标预测模型。

可选地，所述目标预测模型包括：深度神经网络模型和集成树模型。

可选地，若预测出所述服务请求方取消所述目标订单的概率大于预设取消概率，则所述查找单元还用于：若统计出目标时间段内，所述服务请求方取消服务订单的数量超过预设数量，则获取所述服务请求方发送服务订单的第一取消原因；基于所述第一取消原因和/或服务提供方的接驾信息，为所述服务请求方查找新的服务提供方，其中，所述接驾信息包括以下至少之一：接驾时间，接驾距离。

可选地，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，所述装置还用于：若统计出目标时间段内，所述服务提供方取消服务订单的数量超过预设数量，则向所述服务提供方发送提示信息，其中，所述提示信息用于提示所述服务提供方降低其信用等级。

可选地，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，为所述查找单元还用于：若统计出目标时间段内，所述服务提供方取消服务订单的数量未超过预设数量，则获取所述服务提供方发送服务订单的第二取消原因；基于所述第二取消原因和/或服务请求方的请求信息，为所述服务提供方查找新的服务请求方，其中，所述请求信息包括以下至少之一：起始服务位置，目的服务位置。

可选地，所述装置还用于：确定所述服务请求方发起所述目标订单的发起位置；获取目标区域内，历史目标订单的发起位置，其中，所述历史目标订单为所述目标订单之前被取消的服务订单，所述目标区域为所述目标订单所处围栏区域；基于所述目标订单的发起位置和所述历史目标订单的发起位置生成目标区域内的热力图，其中，所述热力图中包括各个位置发起的服务订单被取消的数量和/或概率。

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所述的订单取消概率的预测方法的步骤。

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 (30)

1.一种订单取消概率的预测方法，其特征在于，包括：

在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；所述目标特征信息包括以下至少之一：目标订单的特征信息，所述服务请求方的特征信息和所述服务提供方的特征信息，所述目标订单为查找到所述相匹配的服务提供方之后生成的订单；

利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率；

若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

2.根据权利要求1所述的方法，其特征在于，所述目标预测模型为集成树模型；

利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括：

利用所述集成树模型对所述目标特征信息进行处理，得到所述目标订单的取消概率。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述取消概率小于所述预设取消概率，则向所述服务请求方和所述服务提供方分别发送所述目标订单的订单信息。

4.根据权利要求1所述的方法，其特征在于，所述相匹配的服务提供方的数量为多个，且所述目标特征信息的数量为多个；

利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率包括：利用所述目标预测模型对每个目标特征信息进行处理，得到每个目标订单的取消概率；

若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方包括：若每个目标订单的取消概率大于所述预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若多个目标订单的取消概率中包含小于所述预设取消概率的目标取消概率，则确定所述目标取消概率所对应的服务请求方和服务提供方；

向所述目标取消概率所对应的服务请求方和服务提供方发送对应的目标订单的订单信息。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述取消概率包括：所述服务提供方取消所述目标订单的第一取消概率，和/或，所述服务请求方取消所述目标订单的第二取消概率。

7.根据权利要求6所述的方法，其特征在于，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第一取消概率；所述目标预测模型包括第一目标预测模型；

利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括：

利用所述第一目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第一取消概率。

8.根据权利要求6所述的方法，其特征在于，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第二取消概率；所述目标预测模型包括第二目标预测模型；

利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单被取消的概率包括：

利用所述第二目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第二取消概率。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

构建训练样本集，其中，所述训练样本集中包括多个训练样本，每个训练样本包括：历史特征信息和标签信息，所述历史特征信息包括：历史服务订单的订单信息，历史服务订单所对应服务请求方和服务请求方的特征信息，所述标签信息用于表征所述历史服务订单是否被取消；

利用所述训练样本集训练初始预测模型，得到所述目标预测模型。

10.根据权利要求1所述的方法，其特征在于，所述目标预测模型包括：深度神经网络模型和集成树模型。

11.根据权利要求1所述的方法，其特征在于，若预测出所述服务请求方取消所述目标订单的概率大于预设取消概率，则为所述服务请求方查找新的服务提供方包括：

若统计出目标时间段内，所述服务请求方取消服务订单的数量超过预设数量，则获取所述服务请求方发送服务订单的第一取消原因；

基于所述第一取消原因和/或服务提供方的接驾信息，为所述服务请求方查找新的服务提供方，其中，所述接驾信息包括以下至少之一：接驾时间，接驾距离。

12.根据权利要求1所述的方法，其特征在于，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，所述方法还包括：

若统计出目标时间段内，所述服务提供方取消服务订单的数量超过预设数量，则向所述服务提供方发送提示信息，其中，所述提示信息用于提示所述服务提供方降低其信用等级。

13.根据权利要求12所述的方法，其特征在于，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，为所述服务提供方查找新的服务请求方包括：

若统计出目标时间段内，所述服务提供方取消服务订单的数量未超过预设数量，则获取所述服务提供方发送服务订单的第二取消原因；

基于所述第二取消原因和/或服务请求方的请求信息，为所述服务提供方查找新的服务请求方，其中，所述请求信息包括以下至少之一：起始服务位置，目的服务位置。

14.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定所述服务请求方发起所述目标订单的发起位置；

获取目标区域内，历史目标订单的发起位置，其中，所述历史目标订单为所述目标订单之前被取消的服务订单，所述目标区域为所述目标订单所处围栏区域；

基于所述目标订单的发起位置和所述历史目标订单的发起位置生成目标区域内的热力图，其中，所述热力图中包括各个位置发起的服务订单被取消的数量和/或概率。

15.一种订单取消概率的预测装置，其特征在于，包括：

获取单元，用于在查找到与服务请求方发起的服务订单相匹配的服务提供方之后，获取目标特征信息；所述目标特征信息包括以下至少之一：目标订单的特征信息，所述服务请求方的特征信息和所述服务提供方的特征信息，所述目标订单为查找到所述相匹配的服务提供方之后生成的订单；

处理单元，用于利用目标预测模型对所述目标特征信息进行处理，得到所述目标订单的取消概率；

查找单元，用于若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

16.根据权利要求15所述的装置，其特征在于，所述目标预测模型为集成树模型；

所述处理单元用于：

利用所述集成树模型对所述目标特征信息进行处理，得到所述目标订单的取消概率。

17.根据权利要求15所述的装置，其特征在于，所述装置还用于：

若所述取消概率小于所述预设取消概率，则向所述服务请求方和所述服务提供方分别发送所述目标订单的订单信息。

18.根据权利要求15所述的装置，其特征在于，所述相匹配的服务提供方的数量为多个，且所述目标特征信息的数量为多个；

所述处理单元还用于：利用所述目标预测模型对每个目标特征信息进行处理，得到每个目标订单的取消概率；

所述查找单元还用于：若所述取消概率大于预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方包括：若每个目标订单的取消概率大于所述预设取消概率，则为所述服务请求方查找新的服务提供方，和/或，为所述服务提供方查找新的服务请求方。

19.根据权利要求18所述的装置，其特征在于，所述装置还用于：

若多个目标订单的取消概率中包含小于所述预设取消概率的目标取消概率，则确定所述目标取消概率所对应的服务请求方和服务提供方；

向所述目标取消概率所对应的服务请求方和服务提供方发送对应的目标订单的订单信息。

20.根据权利要求15至19中任一项所述的装置，其特征在于，所述取消概率包括：所述服务提供方取消所述目标订单的第一取消概率，和/或，所述服务请求方取消所述目标订单的第二取消概率。

21.根据权利要求20所述的装置，其特征在于，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第一取消概率；所述目标预测模型包括第一目标预测模型；

所述处理单元还用于：

利用所述第一目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第一取消概率。

22.根据权利要求20所述的装置，其特征在于，所述目标订单的取消概率包括：所述服务提供方取消所述目标订单的第二取消概率；所述目标预测模型包括第二目标预测模型；

所述处理单元还用于：

利用所述第二目标预测模型对所述目标特征信息进行处理，得到所述服务提供方取消所述目标订单的第二取消概率。

23.根据权利要求15所述的装置，其特征在于，所述装置还用于：

构建训练样本集，其中，所述训练样本集中包括多个训练样本，每个训练样本包括：历史特征信息和标签信息，所述历史特征信息包括：历史服务订单的订单信息，历史服务订单所对应服务请求方和服务请求方的特征信息，所述标签信息用于表征所述历史服务订单是否被取消；

利用所述训练样本集训练初始预测模型，得到所述目标预测模型。

24.根据权利要求15所述的装置，其特征在于，所述目标预测模型包括：深度神经网络模型和集成树模型。

25.根据权利要求15所述的装置，其特征在于，若预测出所述服务请求方取消所述目标订单的概率大于预设取消概率，则所述查找单元还用于：

若统计出目标时间段内，所述服务请求方取消服务订单的数量超过预设数量，则获取所述服务请求方发送服务订单的第一取消原因；

基于所述第一取消原因和/或服务提供方的接驾信息，为所述服务请求方查找新的服务提供方，其中，所述接驾信息包括以下至少之一：接驾时间，接驾距离。

26.根据权利要求15所述的装置，其特征在于，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，所述装置还用于：

若统计出目标时间段内，所述服务提供方取消服务订单的数量超过预设数量，则向所述服务提供方发送提示信息，其中，所述提示信息用于提示所述服务提供方降低其信用等级。

27.根据权利要求26所述的装置，其特征在于，若预测出所述服务提供方取消所述目标订单的概率大于预设取消概率，为所述查找单元还用于：

若统计出目标时间段内，所述服务提供方取消服务订单的数量未超过预设数量，则获取所述服务提供方发送服务订单的第二取消原因；

基于所述第二取消原因和/或服务请求方的请求信息，为所述服务提供方查找新的服务请求方，其中，所述请求信息包括以下至少之一：起始服务位置，目的服务位置。

28.根据权利要求15所述的装置，其特征在于，所述装置还用于：

确定所述服务请求方发起所述目标订单的发起位置；

获取目标区域内，历史目标订单的发起位置，其中，所述历史目标订单为所述目标订单之前被取消的服务订单，所述目标区域为所述目标订单所处围栏区域；

基于所述目标订单的发起位置和所述历史目标订单的发起位置生成目标区域内的热力图，其中，所述热力图中包括各个位置发起的服务订单被取消的数量和/或概率。

29.一种电子设备，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14中任一项所述的订单取消概率的预测方法的步骤。

30.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至14中任一项所述的订单取消概率的预测方法的步骤。

Images