CN111340265A - 司机下线干预方法、装置、电子设备和计算机存储介质 - Google Patents
司机下线干预方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN111340265A CN111340265A CN201811556466.4A CN201811556466A CN111340265A CN 111340265 A CN111340265 A CN 111340265A CN 201811556466 A CN201811556466 A CN 201811556466A CN 111340265 A CN111340265 A CN 111340265A
- Authority
- CN
- China
- Prior art keywords
- service provider
- offline
- information
- intervention
- sending
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims description 57
- 238000010586 diagram Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims 2
- 230000006399 behavior Effects 0.000 abstract description 58
- 230000002035 prolonged effect Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种司机下线干预方法、装置、电子设备和计算机存储介质，其中，该方法包括：在检测到服务提供方处于下线状态之后，获取服务提供方的下线行为特征数据；利用目标预测模型对下线行为特征数据进行预测，得到服务提供方真实下线的概率值；若服务提供方真实下线的概率值大于预设阈值，则向服务提供方发送下线干预信息，其中，下线干预信息用于提醒服务提供方延长下线时间。本申请通过使用机器学习模型预测服务提供方当前下线的真实性，并利用下线干预信息对服务提供方进行收车行为干预，从而提高服务提供方的在线时长，达到提升运力调度的效果。
Description
技术领域
本申请涉及互联网的技术领域，具体而言，涉及一种司机下线干预方法、装置、电子设备和计算机存储介质。
背景技术
目前，随着互联网技术的快速发展，网约车也逐渐在人们的生活中开始普及。网约车平台中一般包含快车服务、拼车服务、出租车服务、顺风车服务、专车服务等多种服务。用户在使用网约平台发起服务订单时，可根据自身需求的不同选择不同的服务。
在上下班高峰期、节假日等情况下，经常会出现某个区域服务提供方运力不足，区域供需失衡的情况。在出现供需失衡情况时，如果服务提供方下线时，则将导致该区域内的供需失衡情况更加严重，从而导致用户打不到车，这将进一步影响用户对网约车客户端的使用。
发明内容
有鉴于此，本申请实施例的目的在于提供一种司机下线干预方法、装置、电子设备和计算机存储介质，本申请通过使用机器学习模型预测服务提供方当前下线的真实性，并利用下线干预信息对服务提供方进行收车行为干预，从而提高服务提供方的在线时长，达到提升运力调度的效果。
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：
在检测到服务提供方处于下线状态之后，获取所述服务提供方的下线行为特征数据；利用目标预测模型对所述下线行为特征数据进行预测，得到所述服务提供方真实下线的概率值；若所述服务提供方真实下线的概率值大于预设阈值，则向所述服务提供方发送下线干预信息，其中，所述下线干预信息用于提醒所述服务提供方延长下线时间。
在本申请较佳的实施例中，向所述服务提供方发送下线干预信息包括：获取目标时间段所述服务提供方所处目标区域的供需失衡情况，其中，所述目标时间段为检测到所述服务提供方下线之后的时间段；基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息。
在本申请较佳的实施例中，基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息包括：若基于所述供需失衡情况确定出所述目标时间段内，所述目标区域内的运力供给数量小于目标区域内的运力需求量，且所述运力供给数量和所述运力需求量之间的差值大于预设差值，则向所述服务提供方发送下线干预信息。
在本申请较佳的实施例中，向所述服务提供方发送下线干预信息还包括：预测所述服务提供方的干预成功率，其中，所述干预成功率为向所述服务提供方发送所述下线干预信息之后，所述服务提供方延长下线时间的概率；基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息。
在本申请较佳的实施例中，基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息包括：若所述服务提供方的干预成功率大于预设的干预成功率，则向所述服务提供方发送下线干预信息。
在本申请较佳的实施例中，向所述服务提供方发送下线干预信息还包括：按照预设干预规则向所述服务提供方发送下线干预信息，其中，所述预设干预规则中包括以下至少一种干预参数：发送所述下线干预信息的时段，发送所述下线干预信息的频率，服务提供方的累积在线时长。
在本申请较佳的实施例中，向所述服务提供方发送下线干预信息包括：向所述服务提供方所属的服务提供方终端发送目标窗口，以在所述目标窗口中显示所述下线干预信息。
在本申请较佳的实施例中，所述下线干预信息为热力图，所述热力图中显示所述服务提供方所在目标区域中各个子区域的供需失衡情况。
在本申请较佳的实施例中，向所述服务提供方发送下线干预信息还包括：向所述服务提供方所属的服务提供方终端发送语音信息，其中，所述语音信息为所述下线干预信息。
在本申请较佳的实施例中，所述下线干预信息为文字信息，所述下线干预信息包括以下至少一种：当前时刻所述服务提供方的收入信息，当前时刻所述服务提供方的接单总数量，所述服务提供方所在区域发起服务订单的服务请求方的数量，所述服务提供方所在区域的接单成功率。
在本申请较佳的实施例中，所述下线行为特征数据包括：所述服务提供方的属性特征信息，在检测到所述服务提供方下线时的下线特征信息，所述服务提供方的历史订单特征信息，所述服务提供方的历史下线特征信息，所述服务提供方的收入信息，当前时刻所述服务提供方的工作时长信息和所述服务提供方的接单数量信息。
在本申请较佳的实施例中，所述方法还包括：获取训练样本集，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服务提供方的下线行为特征数据和标签信息，所述标签信息用于表示其所对应的下线行为特征数据是否为真实下线行为；利用所述训练样本集对初始预测模型进行训练，得到所述目标预测模型。
在本申请较佳的实施例中，获取训练样本集包括：若检测到所述历史服务提供方处于下线状态，则获取所述历史服务提供方的下线行为特征数据；从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方未上线，则将所述标签信息设置为第一标签信息，所述第一标签信息表示所述历史服务提供方处于真实下线状态；从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方再次上线，则将所述标签信息设置为第二标签信息，所述第二标签信息表示所述历史服务提供方为非真实下线状态；基于所述历史服务提供方的下线行为特征数据和所述标签信息确定所述训练样本集，其中，所述标签信息包括：所述第一标签信息或者所述第二标签信息。
在本申请较佳的实施例中，在向所述服务提供方发送下线干预信息之后，所述方法还包括：向所述服务提供方推送目标订单，其中，所述目标订单的终点与所述服务提供方所前往的终点之间的距离小于预设距离，或者，所述目标订单的终点位于目标路段之间，所述目标路段为所述服务提供方的当前位置和其所前往终点之间的路段。
根据本申请的另一个方面，还提供一种司机下线干预装置，包括：获取单元，用于在检测到服务提供方处于下线状态之后，获取所述服务提供方的下线行为特征数据；预测单元，用于利用目标预测模型对所述下线行为特征数据进行预测，得到所述服务提供方真实下线的概率值；发送单元，用于若所述服务提供方真实下线的概率值大于预设阈值，则向所述服务提供方发送下线干预信息，其中，所述下线干预信息用于提醒所述服务提供方延长下线时间。
在本申请较佳的实施例中，所述发送单元包括：获取模块，用于获取目标时间段所述服务提供方所处目标区域的供需失衡情况，其中，所述目标时间段为检测到所述服务提供方下线之后的时间段；第一确定模块，用于基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息。
在本申请较佳的实施例中，所述第一确定模块用于：若基于所述供需失衡情况确定出所述目标时间段内，所述目标区域内的运力供给数量小于目标区域内的运力需求量，且所述运力供给数量和所述运力需求量之间的差值大于预设差值，则向所述服务提供方发送下线干预信息。
在本申请较佳的实施例中，所述发送单元还包括：预测模块，用于预测所述服务提供方的干预成功率，其中，所述干预成功率为向所述服务提供方发送所述下线干预信息之后，所述服务提供方延长下线时间的概率；第二确定模块，用于基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息。
在本申请较佳的实施例中，所述第二确定模块用于：若所述服务提供方的干预成功率大于预设的干预成功率，则向所述服务提供方发送下线干预信息。
在本申请较佳的实施例中，所述发送单元还包括：第一发送模块，用于按照预设干预规则向所述服务提供方发送下线干预信息，其中，所述预设干预规则中包括以下至少一种干预参数：发送所述下线干预信息的时段，发送所述下线干预信息的频率，服务提供方的累积在线时长。
在本申请较佳的实施例中，所述发送单元还包括：第二发送模块，用于向所述服务提供方所属的服务提供方终端发送目标窗口，以在所述目标窗口中显示所述下线干预信息。
在本申请较佳的实施例中，所述下线干预信息为热力图，所述热力图中显示所述服务提供方所在目标区域中各个子区域的供需失衡情况。
在本申请较佳的实施例中，所述发送单元还包括：第三发送模块，用于向所述服务提供方所属的服务提供方终端发送语音信息，其中，所述语音信息为所述下线干预信息。
在本申请较佳的实施例中，所述下线干预信息为文字信息，所述下线干预信息包括以下至少一种：当前时刻所述服务提供方的收入信息，当前时刻所述服务提供方的接单总数量，所述服务提供方所在区域发起服务订单的服务请求方的数量，所述服务提供方所在区域的接单成功率。
在本申请较佳的实施例中，所述下线行为特征数据包括：所述服务提供方的属性特征信息，在检测到所述服务提供方下线时的下线特征信息，所述服务提供方的历史订单特征信息，所述服务提供方的历史下线特征信息，所述服务提供方的收入信息，当前时刻所述服务提供方的工作时长信息和所述服务提供方的接单数量信息。
在本申请较佳的实施例中，所述装置还包括：获取单元，用于获取训练样本集，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服务提供方的下线行为特征数据和标签信息，所述标签信息用于表示其所对应的下线行为特征数据是否为真实下线行为；训练单元，用于利用所述训练样本集对初始预测模型进行训练，得到所述目标预测模型。
在本申请较佳的实施例中，所述获取单元用于：若检测到所述历史服务提供方处于下线状态，则获取所述历史服务提供方的下线行为特征数据；从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方未上线，则将所述标签信息设置为第一标签信息，所述第一标签信息表示所述历史服务提供方处于真实下线状态；从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方再次上线，则将所述标签信息设置为第二标签信息，所述第二标签信息表示所述历史服务提供方为非真实下线状态；基于所述历史服务提供方的下线行为特征数据和所述标签信息确定所述训练样本集，其中，所述标签信息包括：所述第一标签信息或者所述第二标签信息。
在本申请较佳的实施例中，在向所述服务提供方发送下线干预信息之后，所述装置还用于：向所述服务提供方推送目标订单，其中，所述目标订单的终点与所述服务提供方所前往的终点之间的距离小于预设距离，或者，所述目标订单的终点位于目标路段之间，所述目标路段为所述服务提供方的当前位置和其所前往终点之间的路段。
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，以执行时执行上述任一所述的司机下线干预方法的步骤。
根据本申请的另一个方面，还提供一种计算机存储介质，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任一所述的司机下线干预方法的步骤。
在本申请中，首先，在检测到服务提供方处于下线状态之后，获取服务提供方的下线行为特征数据；然后，利用目标预测模型对下线行为特征数据进行预测，得到服务提供方真实下线的概率值；最后，若服务提供方真实下线的概率值大于预设阈值，则向服务提供方发送下线干预信息。本申请通过使用机器学习模型预测服务提供方当前下线的真实性，并利用下线干预信息对服务提供方进行收车行为干预，从而提高服务提供方的在线时长，达到提升运力调度的效果。
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示出了本申请一些实施例的司机下线干预系统100的框图；
图2示出了示出了本申请实施例所提供的一种电子设备200的示意图；
图3示出了示出了本申请实施例所提供的一种司机下线干预方法的流程图；
图4示出了示出了本申请实施例所提供的第一种可选地司机下线干预方法的流程图；
图5示出了示出了本申请实施例所提供的第二种可选地司机下线干预方法的流程图；
图6示出了示出了本申请实施例所提供的第三种可选地司机下线干预方法的流程图；
图7示出了示出了本申请实施例所提供的第四种可选地司机下线干预方法的流程图；
图8示出了示出了本申请实施例所提供的一种司机下线干预装置的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车场景”，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其他实施例和应用场景。虽然本申请主要围绕网约车场景进行描述，但是应该理解，这仅是一个示例性实施例。
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。
图1是本申请一些实施例的司机下线干预系统100的框图。例如，司机下线干预系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。司机下线干预系统100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150中的一种或多种，服务器110中可以包括执行指令操作的处理器。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。在一些实施例中，服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
网络120可以用于信息和/或数据的交换。在一些实施例中，司机下线干预系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。
在一些实施例中，服务请求方终端130的用户可以是除服务实际需求者之外的其他人。在一些实施例中，服务提供方终端140的用户可以是服务实际提供者，也可以是除服务实际提供者之外的其他人。
在一些实施例中，服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。
在一些实施例中，服务提供方终端140可以是与服务请求方终端130类似或相同的设备。在一些实施例中，服务提供方终端140可以是具有定位技术的设备，用于定位服务提供方和/或服务提供方终端的位置。
在一些实施例中，服务请求方终端130和/或服务提供方终端140可以与其他定位设备通信以确定服务请求方、服务请求方终端130、服务提供方、或服务提供方终端140、或其任意组合的位置。在一些实施例中，服务请求方终端130和/或服务提供方终端140可以将定位信息发送给服务器110。
在一些实施例中，数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中，数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等，或其任意组合。
图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、服务请求方终端130、服务提供方终端140的电子设备200的示例性硬件和软件组件的示意图。例如，处理器可以用于电子设备200上，并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的司机下线干预方法。
例如，电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口250。
为了便于说明，在电子设备200中仅描述了一个处理器。然而，应当注意，本申请中的电子设备200还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备200的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
参见图3所示的一种司机下线干预方法的流程图。
图3所示的司机下线干预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S302，在检测到服务提供方处于下线状态之后，获取所述服务提供方的下线行为特征数据；
在本实施例中，在服务提供方所属的服务提供方客户端中，设置有下线按钮，当服务提供方点击该“下线按钮”时，服务器端则检测到该服务提供方处于下线状态。
步骤S304，利用目标预测模型对所述下线行为特征数据进行预测，得到所述服务提供方真实下线的概率值；
在本实施例中，目标预测模型为预先训练好的模型，具体训练过程将在下述实施例中进行介绍。
若检测到服务提供方下线，但是服务提供方有可能不是真正处于下线状态，而是由于错误的点击了“下线按钮”导致服务提供方被检测到处于下线状态。或者说，服务提供方在点击“下线按钮”之后，还有可能继续上线，并提供相应的服务。
基于此，在本实施例中，可以预测各个服务提供方是否是真实下线，即，预测服务提供方真实下线的概率值。
步骤S306，若所述服务提供方真实下线的概率值大于预设阈值，则向所述服务提供方发送下线干预信息，其中，所述下线干预信息用于提醒所述服务提供方延长下线时间。
在本实施例中，如果预测出服务提供方真实下线的概率值大于预设阈值，那么就可以对该服务提供方的下线行为进行干预，以延长该服务提供方的下线时间。
在本申请中，首先，在检测到服务提供方处于下线状态之后，获取服务提供方的下线行为特征数据；然后，利用目标预测模型对下线行为特征数据进行预测，得到服务提供方真实下线的概率值；最后，若服务提供方真实下线的概率值大于预设阈值，则向服务提供方发送下线干预信息。本申请通过使用机器学习模型预测服务提供方当前下线的真实性，并利用下线干预信息对服务提供方进行收车行为干预，从而提高服务提供方的在线时长，达到提升运力调度的效果。
一般地，服务提供方对一天接单量的多少、继续上线接单能否成功等跟自己利益相关的事情关注度较高。若结合服务提供方的关注点制定相应的文案，在服务提供方下线收车时，通过一定的措施给予干预，让服务提供方可以多接几单，晚点收车，则能够有效提升服务提供方的运力，降低供需失衡率，下面将结合的具体实施方式介绍该司机下线干预方法。
通过上述描述可知，在本实施例中，若检测到服务提供方处于下线状态之后，就可以获取服务提供方的下线行为特征数据。
在一个可选的实施方式中，下线行为特征数据包括：所述服务提供方的属性特征信息，在检测到所述服务提供方下线时的下线特征信息，所述服务提供方的历史订单特征信息，所述服务提供方的历史下线特征信息，所述服务提供方的收入信息，当前时刻所述服务提供方的工作时长信息和所述服务提供方的接单数量信息。
具体地，服务提供方的属性特征信息包括以下信息：服务提供方的类型(例如全职、兼职)、服务提供方的全职类型、性别、服务提供方的服务分数、服务提供方所等级的住址信息(例如，经纬度)，以及年龄等信息。
在检测到所述服务提供方下线时的下线特征信息包括以下信息：服务提供方是否设置实时目的地(例如，服务提供方在服务提供方客户端的地图上设置实时目的地为家庭住址，则服务提供方可能为真实下线)、下线时所在位置的经纬度、下线时所在的小时、出车所在的小时、过去一分钟服务提供方的上下线次数，下线位置离家距离(例如，若服务提供方下线位置离家近，则服务提供方可能为真实下线)、当前时刻是否为周末，下线位置距离服务提供方经常下线位置的最小距离(即当前下线位置与历史真实下线位置的对比)。
服务提供方的历史订单特征信息包括以下信息：T-2天订单数、过去三十天的收入、过去七天的收入、过去三十天晚高峰的订单数、过去七天晚高峰的订单数、过去三十天的订单数、过去七天的订单数、过去三十天早高峰的订单数、过去七天早高峰的订单数。
服务提供方的历史下线特征信息包括：T-2天下线所在小时、在线时间、T-6天下线所在小时、在线时间、0点真实下线比例、1点真是下线比例，……，23点真实下线比例。
服务提供方的收入信息包括：当次出车的收入、当次出车早高峰的收入、当次出车晚高峰的收入、当次出车夜高峰的收入、当次出车周末的收入、当次出车当天的订单数、当次出车当天的收入、司机上次订单结束到当前的等待时长、冲单奖等。
当前时刻所述服务提供方的工作时长信息包括：早高峰工作时间、晚高峰工作时间、夜高峰工作时间、当次出车工作时间、当次出车周末工作时间。
服务提供方的接单数量信息包括：当次出车订单、当次出车早高峰订单、当次出车晚高峰订单、当次出车夜高峰订单、当次出车周末订单。
在本实施例中，在获取到上述下线行为特征数据之后，就可以利用目标预测模型对获取到的下线行为特征数据进行预测，得到服务请求方真实下线的概率值。
若服务提供方真实下线的概率值大于预设阈值，则向服务提供方发送下线干预信息。
在一个可选的实施方式中，如图4所示，步骤S306，向所述服务提供方发送下线干预信息包括如下步骤：
步骤S401，获取目标时间段所述服务提供方所处目标区域的供需失衡情况，其中，所述目标时间段为检测到所述服务提供方下线之后的时间段；
步骤S402，基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息。
在本实施例中，在检测到服务提供方处于下线状态之后，可以获取目标时间段内服务提供方所处目标区域的供需失衡情况。
可选地，服务器端可以实时预测目标区域的供需失衡情况。此时，在服务器端执行上述步骤S302至步骤S306所描述的方法时，可以直接获取该目标区域的供需失衡情况。
除此之外，服务器端还可以在检测到服务提供方处于下线状态之后，预测该目标区域的供需失衡情况。但是，该操作方式，将延长服务器端的处理时间，降低了步骤S304中概率值的预测效率。因此，优先采用服务器端实时预测目标区域的供需失衡情况的方式，以加快数据的处理速度。
可选地，步骤S402，基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息包括如下步骤：
若基于所述供需失衡情况确定出所述目标时间段内，所述目标区域内的运力供给数量小于目标区域内的运力需求量，且所述运力供给数量和所述运力需求量之间的差值大于预设差值，则向所述服务提供方发送下线干预信息。
在本实施例中，供需失衡情况可以为运力供给数量大于或者等于运力需求量，此时，可以不用对该服务提供方进行下线干预。供需失衡情况还可以为运力供给数量小于运力需求量，此时，将导致部分服务请求方叫不到的车的情况发生。基于此，需要对服务提供方进行下线干预。对服务提供方进行下线干预的一个方式，就是向服务提供方发送下线干预信息。
下线干预信息的具体内容可以分为很多种，包括文案信息和图形信息。
可选地，当下线干预信息为图形信息时，该和图形信息可以为热力图，所述热力图中显示所述服务提供方所在目标区域中各个子区域的供需失衡情况。
可选地，当下线干预信息为文案信息时，该文案信息可以为以下至少一种文字信息：当前时刻所述服务提供方的收入信息，当前时刻所述服务提供方的接单总数量，所述服务提供方所在区域发起服务订单的服务请求方的数量，所述服务提供方所在区域的接单成功率。
例如，上述文案信息可以为：“还差xx钱，收入可以达到150”、“再接10单，今日订单总数可达到200单/300单”、“附近打车用户较多，当前接单成功率较大”等信息。
需要说明的是，在本实施例中，可以根据不同的服务提供方设置不同的文案信息。例如，某个服务提供方的收入已经达到预期收入，或者该服务提供方的订单总数已经达到预期订单数，则可以向该服务提供方发送“附近打车用户较多，当前接单成功率较大”。又例如，某个服务提供方的收入未达到预期收入，则可以向该服务提供方发送类似“还差xx钱，收入可以达到150”的信息，具体信息内容，本实施例不做具体限定。
在本实施例中，下线干预信息还可以为图形信息，例如，热力图。且在该热力图中显示目标区域的各个子区域中供需失衡情况。例如，目标区域的某个子区域中容易接单，某个子区域中服务请求方的数量最多等等。通过图形信息的方式，能够更加直观的为服务提供方展示目标区域的各个子区域中供需失衡情况，以刺激服务提供方继续接单，以延长下线时间。
需要说明的是，在本实施例中，下线干预信息还可以同时为：图形信息和文案信息。例如，图形信息为上述热力图信息，文案信息为上述所描述的信息。
在本实施例中，通过上述描述方式，能够更加直观有效的刺激服务提供方继续接单，以延长下线时间。
当目标区域处于供需失衡状态时，且该供需失衡状态为运力供给数量小于运力需求量时，通过上述干预方式，能够干预服务提供方的下线行为，进而缓解该目标区域的供需失衡状态，以防出现用户打不到车的情况出现，从而进一步提高用户体验。
在一个可选的实施方式中，如图5所示，步骤S306，向所述服务提供方发送下线干预信息还包括如下步骤：
步骤S501，预测所述服务提供方的干预成功率，其中，所述干预成功率为向所述服务提供方发送所述下线干预信息之后，所述服务提供方延长下线时间的概率；
步骤S502，基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息。
在本实施例中，在本实施例中，在检测到服务提供方处于下线状态之后，可以预测服务提供方的干预成功率。
可选地，在本实施例中，可以利用干预成功率的预测模型对服务提供方的干预成功率进行预测。在一个可选的实施方式中，可以预测该目标区域内服务提供方的干预成功率，进而，将该目标区域内服务提供方的干预成功率作为当前处于下线状态的服务提供方的干预成功率。
在利用干预成功率的预测模型对目标区域内服务提供方的干预成功率时，可以统计该目标区域内的订单特征信息，各个服务提供方的属性特征等信息。进而利用提取到的特征信息来预测目标区域内服务提供方的干预成功率。
在预测得到服务提供方的干预成功率之后，就可以基于服务提供方的干预成功率确定是否向服务提供方发送下线干预信息。
可选地，基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息包括：
若所述服务提供方的干预成功率大于预设的干预成功率，则向所述服务提供方发送下线干预信息。
在本实施例中，如果检测到服务提供方的干预成功率大于预设的干预成功率，那么就可以向服务提供方发送下线干预信息。
此时向服务提供方发送下线干预信息下线的具体内容可以分为很多种，包括文案信息和图形信息。
当下线干预信息为文案信息时，上述文案信息可以为：“还差xx钱，收入可以达到150”、“再接10单，今日订单总数可达到200单/300单”、“附近打车用户较多，当前接单成功率较大”等信息。
需要说明的是，在本实施例中，可以根据不同的服务提供方设置不同的文案信息。例如，某个服务提供方的收入已经达到预期收入，或者该服务提供方的订单总数已经达到预期订单数，则可以向该服务提供方发送“附近打车用户较多，当前接单成功率较大”。又例如，某个服务提供方的收入未达到预期收入，则可以向该服务提供方发送类似“还差xx钱，收入可以达到150”的信息，具体信息内容，本实施例不做具体限定。
在本实施例中，下线干预信息还可以为图形信息，例如，热力图。且在该热力图中显示目标区域的各个子区域中供需失衡情况。例如，目标区域的某个子区域中容易接单，某个子区域中服务请求方的数量最多等等。通过图形信息的方式，能够更加直观的为服务提供方展示目标区域的各个子区域中供需失衡情况，以刺激服务提供方继续接单，以延长下线时间。
需要说明的是，在本实施例中，还可以结合服务提供方所处目标区域的供需失衡情况和服务提供方的干预成功率确定是否向服务提供方发送下线干预信息。
可选地，如果基于该供需失衡情况确定出该目标区域内的运力供给数量小于运力需求量，且服务提供方的干预成功率大于预设的干预成功率，则向服务提供方发送下线干预信息。
在本实施例中，在向所述服务提供方发送下线干预信息时，还可以按照预设干预规则向所述服务提供方发送下线干预信息。
可选地，在本实施例中，所述预设干预规则中包括以下至少一种干预参数：发送所述下线干预信息的时段，发送所述下线干预信息的频率，服务提供方的累积在线时长。
具体地，发送所述下线干预信息的时段可以设置为：6:00-23:30。即，在6:00-23:30这段时间内，向服务提供方发送下线干预信息，在其他时段不播报。需要说明的是，在本实施例中，并不限定发送下线干预信息的时段一定为6:00-23:30，可以根据实际需要来进行设定。
发送下线干预信息的频率可以为：在发送下线干预信息的时段的时间段内，发送一次或者多次。例如，每隔预设时间段向服务提供方发送一次下线干预信息。又例如，在发送下线干预信息的时段设定固定的时间点，在固定时间段到来的时刻，向服务提供方发送下线干预信息。
服务提供方的累积在线时长可以理解为：服务提供方的活跃度。例如，服务提供方当天在线时长为12小时以上，或累计计费时长在9小时以上，则不进行干预，即不发送下线干预信息。
在本实施例中，通过上述发送方式，能够避免服务提供方在不合理的时间段收取到下线干预信息，以及避免服务提供方多次收到下线干预信息，从而提高用户体验，从而提高服务提供方客户端的使用率。
在本实施例中，在按照上述预设干预规则向服务提供方发送下线干预信息时，可以以通过以下两种方式向服务提供方发送下线干预信息。
方式一、
步骤S306，向所述服务提供方发送下线干预信息包括：
向所述服务提供方所属的服务提供方终端发送目标窗口，以在所述目标窗口中显示所述下线干预信息。
在本实施例中，服务器端可以向服务提供方所属的服务提供方终端发送弹窗(即，目标窗口)。在该目标窗口中用于显示下线干预信息。
可选地，在该目标窗口中显示的下线干预信息可以为图形信息和文案信息。
当下线干预信息为图形信息时，该图形信息可以为热力图。在该热力图中显示目标区域的各个子区域中供需失衡情况。例如，目标区域的某个子区域中容易接单，某个子区域中服务请求方的数量最多等等。通过图形信息的方式，能够更加直观的为服务提供方展示目标区域的各个子区域中供需失衡情况，以刺激服务提供方继续接单，以延长下线时间。
当下线干预信息为文案信息时，上述文案信息可以为：“还差xx钱，收入可以达到150”、“再接10单，今日订单总数可达到200单/300单”、“附近打车用户较多，当前接单成功率较大”等信息。
除此之外，还可以在目标窗口中同时显示上述图形信息和文案信息。即，在该目标窗口中包括切换按钮，服务提供方可以通过该切换按钮切换显示图形信息和文案信息。
方式二、
步骤S306，向所述服务提供方发送下线干预信息还包括：
向所述服务提供方所属的服务提供方终端发送语音信息，其中，所述语音信息为所述下线干预信息。
在本实施例中，服务器端可以向服务提供方所属的服务提供方终端发送语音信息，该语音信息中的内容可以为下述文案信息：“还差xx钱，收入可以达到150”、“再接10单，今日订单总数可达到200单/300单”、“附近打车用户较多，当前接单成功率较大”等信息。
在本实施例中，通过上述方式一和方式二的描述可知，采用上述方式能够更加直观有效的刺激服务提供方继续接单，以延长下线时间。
在本实施例中，在执行上述步骤S302至步骤S306所描述步骤之前，还需要对目标预测模型的初始预测模型进行训练，如图6所示，具体训练过程描述如下：
步骤S601，获取训练样本集，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服务提供方的下线行为特征数据和标签信息，所述标签信息用于表示其所对应的下线行为特征数据是否为真实下线行为；
步骤S602，利用所述训练样本集对初始预测模型进行训练，得到所述目标预测模型。
可选地，如图7所示，步骤S601，获取训练样本集包括如下步骤：
步骤S701，若检测到所述历史服务提供方处于下线状态，则获取所述历史服务提供方的下线行为特征数据；
步骤S702，从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方未上线，则将所述标签信息设置为第一标签信息，所述第一标签信息表示所述历史服务提供方处于真实下线状态；
步骤S703，从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方再次上线，则将所述标签信息设置为第二标签信息，所述第二标签信息表示所述历史服务提供方为非真实下线状态；
步骤S704，基于所述历史服务提供方的下线行为特征数据和所述标签信息确定所述训练样本集，其中，所述标签信息包括：所述第一标签信息或者所述第二标签信息。
在本实施例中，在执行上述步骤S302至步骤S306之前，需要对初始预测模型进行预测。此时，需要构建训练样本集，其中，训练样本集中包含多个训练样本，构建每个训练样本的具体过程可以描述如下：
首先，从数据平台中提取历史服务提供方的下线行为特征数据，其中，此处的下线行为特征数据也包括以下几种类型的特征信息：历史服务提供方的属性特征信息，在检测到历史服务提供方下线时的下线特征信息，历史服务提供方的历史订单特征信息，历史服务提供方的历史下线特征信息，历史服务提供方的收入信息，当前时刻历史服务提供方的工作时长信息和历史服务提供方的接单数量信息。
之后，确定每个下线行为特征数据的标签信息。在本实施例中，对真实下线和非真实下线进行了定义。根据定义，将下线之后超过三小时未上线的行为定义为真实下线，三小时之内再次上线的行为定义为非真实下线。
基于此，在本实施例中，可以根据上述定义确定每个下线行为特征数据的标签信息。
具体地，从检测到历史服务提供方处于下线状态的时刻开始，经过预设时段(例如，3个小时)，若检测到历史服务提供方未上线，则将标签信息设置为第一标签信息，表示历史服务提供方处于真实下线状态。
从检测到历史服务提供方处于下线状态的时刻开始，经过预设时段(例如，3个小时)，若检测到历史服务提供方上线，则将标签信息设置为第二标签信息，表示历史服务提供方为非真实下线状态。
在得到上述历史服务提供方的下线行为特征数据及其标签信息之后，就可以基于历史服务提供方的下线行为特征数据及其标签信息确定一个训练样本。
最后，就可以基于构建的训练样本集训练初始预测模型，其中，初始预测模型属于二分类模型，输出为0-1之间的数值，预测值越大则表明真实下线的概率越高。
在本实施例中，在向所述服务提供方发送下线干预信息之后，所述方法还包括：
向所述服务提供方推送目标订单，其中，所述目标订单的终点与所述服务提供方所前往的终点之间的距离小于预设距离，或者，所述目标订单的终点位于目标路段之间，所述目标路段为所述服务提供方的当前位置和其所前往终点之间的路段。
具体地，在本实施例中，在向服务提供方发送下线干预信息之后，还可以向服务提供方发送顺风车订单(即，目标订单)。通过发送顺风车订单的方式，能够在不耽误服务提供方回家的前提下，继续刺激服务提供方继续接单。
需要说明的是，如果服务提供方真实下线的概率值小于预设阈值，则表明服务提供方真实下线的概率较大，此时，也可以尝试向该服务提供方发送顺风车订单。以在不延长服务提供方下线收车时间的前提下，进一步刺激服务提供方接单，以增加服务提供方的收入，从而进一步提高网约车平台的用户体验。
图8是示出本申请的一些实施例的司机下线干预装置的框图，该司机下线干预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，如图所示，司机下线干预装置可以包括：获取单元10，预测单元20和发送单元30；
获取单元10，用于在检测到服务提供方处于下线状态之后，获取所述服务提供方的下线行为特征数据；
预测单元20，用于利用目标预测模型对所述下线行为特征数据进行预测，得到所述服务提供方真实下线的概率值；
发送单元30，用于若所述服务提供方真实下线的概率值大于预设阈值，则向所述服务提供方发送下线干预信息，其中，所述下线干预信息用于提醒所述服务提供方延长下线时间。
在本申请中，首先，在检测到服务提供方处于下线状态之后，获取服务提供方的下线行为特征数据；然后，利用目标预测模型对下线行为特征数据进行预测，得到服务提供方真实下线的概率值；最后，若服务提供方真实下线的概率值大于预设阈值，则向服务提供方发送下线干预信息。本申请通过使用机器学习模型预测服务提供方当前下线的真实性，并利用下线干预信息对服务提供方进行收车行为干预，从而提高服务提供方的在线时长，达到提升运力调度的效果。
可选地，所述发送单元包括：获取模块，用于获取目标时间段所述服务提供方所处目标区域的供需失衡情况，其中，所述目标时间段为检测到所述服务提供方下线之后的时间段；第一确定模块，用于基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息。
可选地，所述第一确定模块用于：若基于所述供需失衡情况确定出所述目标时间段内，所述目标区域内的运力供给数量小于目标区域内的运力需求量，且所述运力供给数量和所述运力需求量之间的差值大于预设差值，则向所述服务提供方发送下线干预信息。
可选地，所述发送单元还包括：预测模块，用于预测所述服务提供方的干预成功率，其中，所述干预成功率为向所述服务提供方发送所述下线干预信息之后，所述服务提供方延长下线时间的概率；第二确定模块，用于基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息。
可选地，所述第二确定模块用于：若所述服务提供方的干预成功率大于预设的干预成功率，则向所述服务提供方发送下线干预信息。
可选地，所述发送单元还包括：第一发送模块，用于按照预设干预规则向所述服务提供方发送下线干预信息，其中，所述预设干预规则中包括以下至少一种干预参数：发送所述下线干预信息的时段，发送所述下线干预信息的频率，服务提供方的累积在线时长。
可选地，所述发送单元还包括：第二发送模块，用于向所述服务提供方所属的服务提供方终端发送目标窗口，以在所述目标窗口中显示所述下线干预信息。
可选地，所述下线干预信息为热力图，所述热力图中显示所述服务提供方所在目标区域中各个子区域的供需失衡情况。
可选地，所述发送单元还包括：第三发送模块，用于向所述服务提供方所属的服务提供方终端发送语音信息，其中，所述语音信息为所述下线干预信息。
可选地，所述下线干预信息为文字信息，所述下线干预信息包括以下至少一种：当前时刻所述服务提供方的收入信息，当前时刻所述服务提供方的接单总数量，所述服务提供方所在区域发起服务订单的服务请求方的数量，所述服务提供方所在区域的接单成功率。
可选地，所述下线行为特征数据包括：所述服务提供方的属性特征信息，在检测到所述服务提供方下线时的下线特征信息，所述服务提供方的历史订单特征信息，所述服务提供方的历史下线特征信息，所述服务提供方的收入信息，当前时刻所述服务提供方的工作时长信息和所述服务提供方的接单数量信息。
可选地，所述装置还包括：获取单元，用于获取训练样本集，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服务提供方的下线行为特征数据和标签信息，所述标签信息用于表示其所对应的下线行为特征数据是否为真实下线行为；训练单元，用于利用所述训练样本集对初始预测模型进行训练，得到所述目标预测模型。
可选地，所述获取单元用于：若检测到所述历史服务提供方处于下线状态，则获取所述历史服务提供方的下线行为特征数据；从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方未上线，则将所述标签信息设置为第一标签信息，所述第一标签信息表示所述历史服务提供方处于真实下线状态；从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方再次上线，则将所述标签信息设置为第二标签信息，所述第二标签信息表示所述历史服务提供方为非真实下线状态；基于所述历史服务提供方的下线行为特征数据和所述标签信息确定所述训练样本集，其中，所述标签信息包括：所述第一标签信息或者所述第二标签信息。
可选地，在向所述服务提供方发送下线干预信息之后，所述装置还用于：向所述服务提供方推送目标订单，其中，所述目标订单的终点与所述服务提供方所前往的终点之间的距离小于预设距离，或者，所述目标订单的终点位于目标路段之间，所述目标路段为所述服务提供方的当前位置和其所前往终点之间的路段。
在本实施例中，还提供了一种计算机存储介质，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任一所述的司机下线干预方法的步骤。
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。
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)
1.一种司机下线干预方法，其特征在于，包括：
在检测到服务提供方处于下线状态之后，获取所述服务提供方的下线行为特征数据；
利用目标预测模型对所述下线行为特征数据进行预测，得到所述服务提供方真实下线的概率值；
若所述服务提供方真实下线的概率值大于预设阈值，则向所述服务提供方发送下线干预信息，其中，所述下线干预信息用于提醒所述服务提供方延长下线时间。
2.根据权利要求1所述的方法，其特征在于，向所述服务提供方发送下线干预信息包括：
获取目标时间段所述服务提供方所处目标区域的供需失衡情况，其中，所述目标时间段为检测到所述服务提供方下线之后的时间段；
基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息。
3.根据权利要求2所述的方法，其特征在于，基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息包括：
若基于所述供需失衡情况确定出所述目标时间段内，所述目标区域内的运力供给数量小于目标区域内的运力需求量，且所述运力供给数量和所述运力需求量之间的差值大于预设差值，则向所述服务提供方发送下线干预信息。
4.根据权利要求1所述的方法，其特征在于，向所述服务提供方发送下线干预信息还包括：
预测所述服务提供方的干预成功率，其中，所述干预成功率为向所述服务提供方发送所述下线干预信息之后，所述服务提供方延长下线时间的概率；
基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息。
5.根据权利要求4所述的方法，其特征在于，基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息包括：
若所述服务提供方的干预成功率大于预设的干预成功率，则向所述服务提供方发送下线干预信息。
6.根据权利要求1所述的方法，其特征在于，向所述服务提供方发送下线干预信息还包括：
按照预设干预规则向所述服务提供方发送下线干预信息，其中，所述预设干预规则中包括以下至少一种干预参数：发送所述下线干预信息的时段，发送所述下线干预信息的频率，服务提供方的累积在线时长。
7.根据权利要求1所述的方法，其特征在于，向所述服务提供方发送下线干预信息包括：
向所述服务提供方所属的服务提供方终端发送目标窗口，以在所述目标窗口中显示所述下线干预信息。
8.根据权利要求7所述的方法，其特征在于，所述下线干预信息为热力图，所述热力图中显示所述服务提供方所在目标区域中各个子区域的供需失衡情况。
9.根据权利要求1所述的方法，其特征在于，向所述服务提供方发送下线干预信息还包括：
向所述服务提供方所属的服务提供方终端发送语音信息，其中，所述语音信息为所述下线干预信息。
10.根据权利要求7或9所述的方法，其特征在于，所述下线干预信息为文字信息，所述下线干预信息包括以下至少一种：当前时刻所述服务提供方的收入信息，当前时刻所述服务提供方的接单总数量，所述服务提供方所在区域发起服务订单的服务请求方的数量，所述服务提供方所在区域的接单成功率。
11.根据权利要求1所述的方法，其特征在于，所述下线行为特征数据包括：所述服务提供方的属性特征信息，在检测到所述服务提供方下线时的下线特征信息，所述服务提供方的历史订单特征信息，所述服务提供方的历史下线特征信息，所述服务提供方的收入信息，当前时刻所述服务提供方的工作时长信息和所述服务提供方的接单数量信息。
12.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练样本集，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服务提供方的下线行为特征数据和标签信息，所述标签信息用于表示其所对应的下线行为特征数据是否为真实下线行为；
利用所述训练样本集对初始预测模型进行训练，得到所述目标预测模型。
13.根据权利要求12所述的方法，其特征在于，获取训练样本集包括：
若检测到所述历史服务提供方处于下线状态，则获取所述历史服务提供方的下线行为特征数据；
从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方未上线，则将所述标签信息设置为第一标签信息，所述第一标签信息表示所述历史服务提供方处于真实下线状态；
从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方再次上线，则将所述标签信息设置为第二标签信息，所述第二标签信息表示所述历史服务提供方为非真实下线状态；
基于所述历史服务提供方的下线行为特征数据和所述标签信息确定所述训练样本集，其中，所述标签信息包括：所述第一标签信息或者所述第二标签信息。
14.根据权利要求1所述的方法，其特征在于，在向所述服务提供方发送下线干预信息之后，所述方法还包括：
向所述服务提供方推送目标订单，其中，所述目标订单的终点与所述服务提供方所前往的终点之间的距离小于预设距离，或者，所述目标订单的终点位于目标路段之间；所述目标路段为所述服务提供方的当前位置和其所前往终点之间的路段。
15.一种司机下线行为的干预装置，其特征在于，包括：
获取单元，用于在检测到服务提供方处于下线状态之后，获取所述服务提供方的下线行为特征数据；
预测单元，用于利用目标预测模型对所述下线行为特征数据进行预测，得到所述服务提供方真实下线的概率值；
发送单元，用于若所述服务提供方真实下线的概率值大于预设阈值，则向所述服务提供方发送下线干预信息，其中，所述下线干预信息用于提醒所述服务提供方延长下线时间。
16.根据权利要求15所述的装置，其特征在于，所述发送单元包括：
获取模块，用于获取目标时间段所述服务提供方所处目标区域的供需失衡情况，其中，所述目标时间段为检测到所述服务提供方下线之后的时间段；
第一确定模块，用于基于所述目标区域的供需失衡情况确定是否向所述服务提供方发送下线干预信息。
17.根据权利要求16所述的装置，其特征在于，所述第一确定模块用于：
若基于所述供需失衡情况确定出所述目标时间段内，所述目标区域内的运力供给数量小于目标区域内的运力需求量，且所述运力供给数量和所述运力需求量之间的差值大于预设差值，则向所述服务提供方发送下线干预信息。
18.根据权利要求15所述的装置，其特征在于，所述发送单元还包括：
预测模块，用于预测所述服务提供方的干预成功率，其中，所述干预成功率为向所述服务提供方发送所述下线干预信息之后，所述服务提供方延长下线时间的概率；
第二确定模块，用于基于所述服务提供方的干预成功率确定是否向所述服务提供方发送下线干预信息。
19.根据权利要求18所述的装置，其特征在于，所述第二确定模块用于：
若所述服务提供方的干预成功率大于预设的干预成功率，则向所述服务提供方发送下线干预信息。
20.根据权利要求15所述的装置，其特征在于，所述发送单元还包括：
第一发送模块，用于按照预设干预规则向所述服务提供方发送下线干预信息，其中，所述预设干预规则中包括以下至少一种干预参数：发送所述下线干预信息的时段，发送所述下线干预信息的频率，服务提供方的累积在线时长。
21.根据权利要求15所述的装置，其特征在于，所述发送单元还包括：
第二发送模块，用于向所述服务提供方所属的服务提供方终端发送目标窗口，以在所述目标窗口中显示所述下线干预信息。
22.根据权利要求21所述的装置，其特征在于，所述下线干预信息为热力图，所述热力图中显示所述服务提供方所在目标区域中各个子区域的供需失衡情况。
23.根据权利要求15所述的装置，其特征在于，所述发送单元还包括：
第三发送模块，用于向所述服务提供方所属的服务提供方终端发送语音信息，其中，所述语音信息为所述下线干预信息。
24.根据权利要求21或23所述的装置，其特征在于，所述下线干预信息为文字信息，所述下线干预信息包括以下至少一种：当前时刻所述服务提供方的收入信息，当前时刻所述服务提供方的接单总数量，所述服务提供方所在区域发起服务订单的服务请求方的数量，所述服务提供方所在区域的接单成功率。
25.根据权利要求15所述的装置，其特征在于，所述下线行为特征数据包括：所述服务提供方的属性特征信息，在检测到所述服务提供方下线时的下线特征信息，所述服务提供方的历史订单特征信息，所述服务提供方的历史下线特征信息，所述服务提供方的收入信息，当前时刻所述服务提供方的工作时长信息和所述服务提供方的接单数量信息。
26.根据权利要求15所述的装置，其特征在于，所述装置还包括：
获取单元，用于获取训练样本集，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服务提供方的下线行为特征数据和标签信息，所述标签信息用于表示其所对应的下线行为特征数据是否为真实下线行为；
训练单元，用于利用所述训练样本集对初始预测模型进行训练，得到所述目标预测模型。
27.根据权利要求26所述的装置，其特征在于，所述获取单元用于：
若检测到所述历史服务提供方处于下线状态，则获取所述历史服务提供方的下线行为特征数据；
从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方未上线，则将所述标签信息设置为第一标签信息，所述第一标签信息表示所述历史服务提供方处于真实下线状态；
从检测到所述历史服务提供方处于下线状态的时刻开始，经过预设时段，若检测到所述历史服务提供方再次上线，则将所述标签信息设置为第二标签信息，所述第二标签信息表示所述历史服务提供方为非真实下线状态；
基于所述历史服务提供方的下线行为特征数据和所述标签信息确定所述训练样本集，其中，所述标签信息包括：所述第一标签信息或者所述第二标签信息。
28.根据权利要求15所述的装置，其特征在于，在向所述服务提供方发送下线干预信息之后，所述装置还用于：
向所述服务提供方推送目标订单，其中，所述目标订单的终点与所述服务提供方所前往的终点之间的距离小于预设距离，或者，所述目标订单的终点位于目标路段之间，所述目标路段为所述服务提供方的当前位置和其所前往终点之间的路段。
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中任一所述的司机下线干预方法的步骤。
30.一种计算机存储介质，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中任一所述的司机下线干预方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811556466.4A CN111340265A (zh) | 2018-12-19 | 2018-12-19 | 司机下线干预方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811556466.4A CN111340265A (zh) | 2018-12-19 | 2018-12-19 | 司机下线干预方法、装置、电子设备和计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111340265A true CN111340265A (zh) | 2020-06-26 |
Family
ID=71185008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811556466.4A Withdrawn CN111340265A (zh) | 2018-12-19 | 2018-12-19 | 司机下线干预方法、装置、电子设备和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340265A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931101A (zh) * | 2020-06-30 | 2020-11-13 | 汉海信息技术(上海)有限公司 | 信息推送方法、装置、电子设备及存储介质 |
| CN112381505A (zh) * | 2020-11-09 | 2021-02-19 | 南京领行科技股份有限公司 | 网约车服务的管理方法、装置、电子设备及可读存储介质 |
| CN112529650A (zh) * | 2020-11-25 | 2021-03-19 | 深圳市元征科技股份有限公司 | 一种车辆管理方法、系统及电子设备 |
| CN117935416A (zh) * | 2024-03-21 | 2024-04-26 | 成都赛力斯科技有限公司 | 一种预行区域的出入统计方法、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110191012A1 (en) * | 2001-02-09 | 2011-08-04 | Josef Mintz | Device, System and Method for Traffic Prediction |
| CN102609786A (zh) * | 2012-01-18 | 2012-07-25 | 广州市动景计算机科技有限公司 | 一种预测用户离网的方法和装置 |
| CN103605549A (zh) * | 2013-11-26 | 2014-02-26 | 随身云（南京）信息技术有限公司 | 一种界面退出展示方法及装置 |
| CN105208113A (zh) * | 2015-08-31 | 2015-12-30 | 北京百度网讯科技有限公司 | 信息推送的方法和装置 |
| KR20160115515A (ko) * | 2015-03-27 | 2016-10-06 | 금오공과대학교 산학협력단 | 모바일 기반 라이프로그를 이용한 사용자 행동 예측 시스템 및 방법 |
| CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
| CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
| CN107392634A (zh) * | 2016-05-16 | 2017-11-24 | 滴滴（中国）科技有限公司 | 一种鼓励在线听单方法及装置 |
| CN107634850A (zh) * | 2017-08-10 | 2018-01-26 | 腾讯科技（深圳）有限公司 | 一种应用状态获取方法及其设备、存储介质、服务器 |
| US20180232805A1 (en) * | 2016-06-12 | 2018-08-16 | Tencent Technology (Shenzhen) Company Limited | User credit rating method and apparatus, and storage medium |
-
2018
- 2018-12-19 CN CN201811556466.4A patent/CN111340265A/zh not_active Withdrawn
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110191012A1 (en) * | 2001-02-09 | 2011-08-04 | Josef Mintz | Device, System and Method for Traffic Prediction |
| CN102609786A (zh) * | 2012-01-18 | 2012-07-25 | 广州市动景计算机科技有限公司 | 一种预测用户离网的方法和装置 |
| CN103605549A (zh) * | 2013-11-26 | 2014-02-26 | 随身云（南京）信息技术有限公司 | 一种界面退出展示方法及装置 |
| KR20160115515A (ko) * | 2015-03-27 | 2016-10-06 | 금오공과대학교 산학협력단 | 모바일 기반 라이프로그를 이용한 사용자 행동 예측 시스템 및 방법 |
| CN105208113A (zh) * | 2015-08-31 | 2015-12-30 | 北京百度网讯科技有限公司 | 信息推送的方法和装置 |
| CN107392634A (zh) * | 2016-05-16 | 2017-11-24 | 滴滴（中国）科技有限公司 | 一种鼓励在线听单方法及装置 |
| US20180232805A1 (en) * | 2016-06-12 | 2018-08-16 | Tencent Technology (Shenzhen) Company Limited | User credit rating method and apparatus, and storage medium |
| CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
| CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
| CN107634850A (zh) * | 2017-08-10 | 2018-01-26 | 腾讯科技（深圳）有限公司 | 一种应用状态获取方法及其设备、存储介质、服务器 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931101A (zh) * | 2020-06-30 | 2020-11-13 | 汉海信息技术(上海)有限公司 | 信息推送方法、装置、电子设备及存储介质 |
| CN112381505A (zh) * | 2020-11-09 | 2021-02-19 | 南京领行科技股份有限公司 | 网约车服务的管理方法、装置、电子设备及可读存储介质 |
| CN112381505B (zh) * | 2020-11-09 | 2022-05-20 | 南京领行科技股份有限公司 | 网约车服务的管理方法、装置、电子设备及可读存储介质 |
| CN112529650A (zh) * | 2020-11-25 | 2021-03-19 | 深圳市元征科技股份有限公司 | 一种车辆管理方法、系统及电子设备 |
| CN117935416A (zh) * | 2024-03-21 | 2024-04-26 | 成都赛力斯科技有限公司 | 一种预行区域的出入统计方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340265A (zh) | 司机下线干预方法、装置、电子设备和计算机存储介质 | |
| CN108009652B (zh) | 信息显示方法、装置、终端设备和计算机可读存储介质 | |
| US20180225796A1 (en) | Resource Allocation in a Network System | |
| US20160356615A1 (en) | Scheduled and On-Demand Transportation Management Platform for Rideshare | |
| EP3309726A1 (en) | System for navigating drivers to passengers based on arrival times and surge pricing information | |
| US20170255868A1 (en) | Systems and methods for predicting user behavior based on location data | |
| CN110782301A (zh) | 一种拼单方法、装置、电子设备及计算机可读存储介质 | |
| US10593005B2 (en) | Dynamic forecasting for forward reservation of cab | |
| US20180314998A1 (en) | Resource Allocation in a Network System | |
| CN109983790A (zh) | 通过有限网络连接的网络服务 | |
| CN106559313B (zh) | 拼车的方法和服务器 | |
| EP3639506A1 (en) | Customized communications for network systems | |
| CN104487970A (zh) | 基于推送的推荐 | |
| CN109146280A (zh) | 一种推送信息的方法、装置及系统 | |
| US10503724B2 (en) | System and method for contact information access | |
| US11651320B2 (en) | Presentation device and presentation method | |
| CN111353092A (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
| CN114038230B (zh) | 共享停车场车位推荐方法、系统、计算机设备及储存介质 | |
| AU2018217973A1 (en) | Dynamic selection of geo-based service options in a network system | |
| CN112488893B (zh) | 服务数据处理方法、装置、存储介质及电子设备 | |
| EP2725527A1 (en) | Action suggestion device, action suggestion system, action suggestion method, and program | |
| US10423930B2 (en) | Schedule management system, non-transitory computer readable medium, and schedule management method | |
| CN111310961A (zh) | 数据预测方法、装置、电子设备和计算机可读存储介质 | |
| CN116580590A (zh) | 停车场空位提示方法、装置、终端设备以及存储介质 | |
| CN110956733A (zh) | 一种提醒办理业务的方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200626 |