CN111353797A - 资源分配方法、装置以及电子设备 - Google Patents
资源分配方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN111353797A CN111353797A CN201811565368.7A CN201811565368A CN111353797A CN 111353797 A CN111353797 A CN 111353797A CN 201811565368 A CN201811565368 A CN 201811565368A CN 111353797 A CN111353797 A CN 111353797A
- Authority
- CN
- China
- Prior art keywords
- resource
- service
- type
- resources
- coefficient
- 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.)
- Granted
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 239000000047 product Substances 0.000 description 11
- 230000000295 complement effect Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 210000004899 c-terminal region Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0211—Determining the effectiveness of discounts or incentives
Abstract
本申请提供了一种资源分配方法、装置以及电子设备，其中，该方法包括：获取参与资源分配的每种服务的资源弹性系数；其中，所述资源弹性系数表征所述服务应用第一类资源的单位资源时返回的第二类资源的资源量；对于每种所述服务，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量；基于每种所述服务的第二类资源的资源增量进行资源分配。本申请实施例能够为参与资源分配的各服务合理分配资源。
Description
技术领域
本申请涉及资源分配技术领域，具体而言，涉及一种资源分配方法、装置以及电子设备。
背景技术
为了满足用户的多样化需求，诸如网约车平台、外卖平台等各种平台会给用户提供不同品类的服务。以网约车平台为例，其能够给用户提供诸如专车服务、拼车服务、顺风车服务等多种出行品类服务，以覆盖多类出行人群。为了提升各品类服务的用户使用量，网约车平台通常会给各品类服务分配一定的资源，诸如，该资源可以是给品类服务的用户提供的补贴，从而吸引用户。现有的资源分配方式较为粗放，诸如，对于所有的品类服务均采用统一平均分配的方式。这种方式导致当品类服务发展到一定阶段，用户的服务使用习惯逐渐养成时，平台虽投入大量资源，但投入的资源对用户影响甚微，用户的回报响应效果较差，而且也造成了大量的资源成本浪费。
发明内容
有鉴于此，本申请实施例的目的在于提供一种资源分配方法、装置以及电子设备，能够为参与资源分配的各服务合理分配资源，有助于改善上述传统的粗放式资源分配方式带来的问题。
根据本申请的一方面，提供了一种资源分配方法，包括：获取参与资源分配的每种服务的资源弹性系数；其中，所述资源弹性系数表征所述服务应用第一类资源的单位资源时返回的第二类资源的资源量；对于每种所述服务，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量；基于每种所述服务的第二类资源的资源增量进行资源分配。
在一些实施例中，获取参与资源分配的每个目标对象的资源弹性系数的步骤，包括：将参与资源分配的每种服务作为目标服务，获取所述目标服务对应的预测模型，应用所述预测模型确定所述目标服务的资源弹性系数；其中，所述预测模型为第一类资源的资源量与第二类资源的资源量间的函数关系。
在一些实施例中，所述预测模型的建立方法包括：获取所述目标服务的历史订单数据；采用所述历史订单数据对预测模型进行训练，得到训练后的参数，所述参数包括：第一类资源的总资源量、所述总资源量的对数值和关联变量分别对应的系数；其中，所述关联变量包括时间变量和/或天气变量。
在一些实施例中，所述预测模型为多元线性回归模型GMV＝c+a*lncbu+b*cbu+p*others；其中，GMV为第二类资源的总资源量；cbu为第一类资源的总资源量；lncbu为所述第一类资源的总资源量的对数值；others为关联变量；a为所述第一类资源的总资源量的对数值对应的系数；b为所述第一类资源的总资源量对应的系数；p为所述关联变量对应的系数；c为基础参数；
在一些实施例中，应用所述回报预测模型确定所述目标服务的资源弹性系数的步骤，包括：获取配置有所述目标服务的地理区域，以及所述地理区域配置的各种服务的预测模型；计算获取到的各个所述预测模型的拟合优度；如果所述拟合优度中的最小值大于或等于预设第一阈值，且所述拟合优度的平均值大于或等于预设第二阈值；根据所述目标服务对应的预测模型中的参数，确定所述目标服务的资源弹性系数；其中，所述第一阈值小于所述第二阈值。
在一些实施例中，所述应用所述回报预测模型确定所述目标服务的资源弹性系数的步骤还包括：如果所述拟合优度中的最小值小于预设第一阈值，或者所述拟合优度的平均值小于预设第二阈值，获取与所述地理区域关联的区域所配置的指定服务的资源弹性系数，将获取到的所述资源弹性系数确定所述目标服务的资源弹性系数。
在一些实施例中，根据所述目标服务对应的预测模型中的参数，确定所述目标服务的资源弹性系数的步骤，包括：按照以下公式，确定所述目标服务的资源弹性系数e:
其中，a为所述第一类资源的总资源量的对数值对应的系数；b为所述第一类资源的总资源量对应的系数；Δcbu为所述第一类资源的当前资源增量；cbu0为所述第一类资源的基础资源量。
在一些实施例中，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量的步骤之后，所述方法还包括：判断所述第二类资源的资源增量是否大于第三阈值；如果是，执行所述基于每种所述服务的第二类资源的资源增量进行资源分配的步骤。
在一些实施例中，基于每种所述服务的第二类资源的资源增量进行资源分配的步骤，包括：将每种所述服务的第二类资源的资源增量按照由高到低的顺序进行排序；根据排序结果，确定每种所述服务的资源分配优先级；其中，排序靠前的服务的资源分配优先级高于排序靠后的服务的资源分配优先级；根据所述资源分配优先级，对参与资源分配的所述服务进行资源分配。
在一些实施例中，根据所述资源分配优先级，对参与资源分配的所述服务进行资源分配的步骤，包括：获取第一类资源的待分配资源量；按照所述资源分配优先级由高到低的顺序，将所述待分配资源量先后分配给参与资源分配的所述服务。
在一些实施例中，所述服务包括网约车的品类服务；所述品类服务包括专车服务、快车服务、拼车服务、顺风车服务、单车服务中的一种或多种。
在一些实施例中，所述服务包括外卖服务、购物服务或餐饮服务。
根据本申请的一方面，提供了一种资源分配装置，包括：系数获取模块，用于获取参与资源分配的每种服务的资源弹性系数；其中，所述资源弹性系数表征所述服务应用第一类资源的单位资源时返回的第二类资源的资源量；增量确定模块，用于对于每种所述服务，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量；资源分配模块，用于基于每种所述服务的第二类资源的资源增量进行资源分配。
在一些实施例中，所述系数获取模块用于：将参与资源分配的每种服务作为目标服务，获取所述目标服务对应的预测模型，应用所述预测模型确定所述目标服务的资源弹性系数；其中，所述预测模型为第一类资源的资源量与第二类资源的资源量间的函数关系。
在一些实施例中，所述装置还包括：模型建立模块，用于：获取所述目标服务的历史订单数据；采用所述历史订单数据对预测模型进行训练，得到训练后的参数，所述参数包括：第一类资源的总资源量、所述总资源量的对数值和关联变量分别对应的系数；其中，所述关联变量包括时间变量和/或天气变量。
在一些实施例中，所述预测模型为多元线性回归模型GMV＝c+a*lncbu+b*cbu+p*others；其中，GMV为第二类资源的总资源量；cbu为第一类资源的总资源量；lncbu为所述第一类资源的总资源量的对数值；others为关联变量；a为所述第一类资源的总资源量的对数值对应的系数；b为所述第一类资源的总资源量对应的系数；p为所述关联变量对应的系数；c为基础参数；
在一些实施例中，所述系数获取模块用于：获取配置有所述目标服务的地理区域，以及所述地理区域配置的各种服务的预测模型；计算获取到的各个所述预测模型的拟合优度；如果所述拟合优度中的最小值大于或等于预设第一阈值，且所述拟合优度的平均值大于或等于预设第二阈值；根据所述目标服务对应的预测模型中的参数，确定所述目标服务的资源弹性系数；其中，所述第一阈值小于所述第二阈值。
在一些实施例中，所述系数获取模块还用于：如果所述拟合优度中的最小值小于预设第一阈值，或者所述拟合优度的平均值小于预设第二阈值，获取与所述地理区域关联的区域所配置的指定服务的资源弹性系数，将获取到的所述资源弹性系数确定所述目标服务的资源弹性系数。
在一些实施例中，所述系数获取模块还用于：按照以下公式，确定所述目标服务的资源弹性系数e:
其中，a为所述第一类资源的总资源量的对数值对应的系数；b为所述第一类资源的总资源量对应的系数；Δcbu为所述第一类资源的当前资源增量；cbu0为所述第一类资源的基础资源量。
在一些实施例中，所述装置还包括：判断模块，用于判断所述第二类资源的资源增量是否大于第三阈值；执行模块，用于在所述判断模块的判决结果为是时，执行所述基于每种所述服务的第二类资源的资源增量进行资源分配的步骤。
在一些实施例中，所述资源分配模块用于：将每种所述服务的第二类资源的资源增量按照由高到低的顺序进行排序；根据排序结果，确定每种所述服务的资源分配优先级；其中，排序靠前的服务的资源分配优先级高于排序靠后的服务的资源分配优先级；根据所述资源分配优先级，对参与资源分配的所述服务进行资源分配。
在一些实施例中，所述资源分配模块用于：获取第一类资源的待分配资源量；按照所述资源分配优先级由高到低的顺序，将所述待分配资源量先后分配给参与资源分配的所述服务。
在一些实施例中，所述服务包括网约车的品类服务；所述品类服务包括专车服务、快车服务、拼车服务、顺风车服务、单车服务中的一种或多种。
在一些实施例中，所述服务包括外卖服务、购物服务或餐饮服务。
根据本申请的另一方面，提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如上述任一资源分配方法的步骤。
根据本申请的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任一资源分配方法的步骤。
本申请提供的上述资源分配方法、装置以及电子设备，可以首先获取参与资源分配的每种服务的资源弹性系数(服务应用第一类资源的单位资源时返回的第二类资源的资源量)，然后对于每种服务，都根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量，进而基于每种服务的第二类资源的资源增量进行资源分配。与传统的粗放式统一资源分配方式相比，本实施例提供的资源分配方式考虑了每种服务的资源弹性系数，并且资源分配结果与每种服务的第一类资源的当前资源增量对应的第二类资源的资源增量相关，能够为参与资源分配的各服务合理分配资源，并得到较佳的回报响应效果。
为使本申请实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。
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不同品类的cbu与GMV的量化曲线示意图；
图2示出了本申请实施例所提供的一种资源分配方法流程图；
图3示出了本申请实施例所提供的一种应用预测模型确定目标服务的资源弹性系数的方法流程图；
图4示出了本申请实施例所提供的一种品类服务的cbu与GMV的量化曲线示意图；
图5示出了本申请实施例所提供的一种弹性系数与Δcbu的量化关系图；
图6示出了本申请实施例所提供的一种品类补贴示意图；
图7示出了本申请实施例所提供的一种资源分配装置的结构框图；
图8示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“资源分配”，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资源分配进行描述，但是应该理解，这仅是一个示例性实施例。本申请还可以包括用于资源分配的任何服务系统，例如，用于买卖双方交易的服务系统，比如网约车服务系统、外卖服务系统、餐饮服务系统、购物服务系统等等。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等，或其任意组合。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。本申请中的术语“服务请求”和“订单”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请的一个方面涉及一种资源分配系统。该系统可以首先获取参与资源分配的每种服务的资源弹性系数(服务应用第一类资源的单位资源时返回的第二类资源的资源量)，然后对于每种服务，都根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量，进而基于每种服务的第二类资源的资源增量进行资源分配。与传统的粗放式统一资源分配方式相比，本实施例提供的资源分配方式考虑了每种服务的资源弹性系数，并且资源分配结果与每种服务的第一类资源的当前资源增量对应的第二类资源的资源增量相关，能够为参与资源分配的各服务合理分配资源，并得到较佳的回报响应效果。
值得注意的是，在本申请提出申请之前，现有的服务系统大多采用粗放的资源分配方法，对于所有的品类服务均采用统一平均分配的方式。仍旧以网约车服务平台为例，无论各品类服务发展到什么阶段，或者各品类服务应用在哪个城市，大多均是统一给各品类服务平均分配资源，容易导致资源浪费，用户回报响应效果较差。
事实上，即便给不同的品类服务分配相同的资源，得到的回报也是不同的。为便于理解，可参见图1所示的一种不同品类的cbu与GMV的量化曲线示意图，其中，横坐标表征C补(也即cbu)，在本实施例中，C补可以理解为服务平台给品类服务分配的第一类资源，诸如可以是给使用该品类服务的用户的补贴资金、补充奖励等。GMV可以理解为品类服务基于接收到的第一类资源(如，上述C补)而反馈给服务平台的第二类资源，也可理解为用户对于该品类服务的反馈响应，诸如，乘客在网约车平台下订单，接受网约车服务后应付的打车金额。
图1仅以A品类和B品类为例进行说明，由图1可见，不同的品类服务所对应的GMV与C补的关系不同，对于同一cbu增量(也即，同一△cbu)，A品类和B品类的GMV增量(也即，△gmv)不同；对于同一品类，同一cbu增量位于不同的区间，对应的GMV增量也不同。显然，如果采用传统的粗放式分配方式，不具体考虑服务品类的差异性以及各服务品类的自身发展阶段，均可能导致投入资源的回报率较差，甚至出现投入大量补贴但收益甚微的现象。
为改善此问题，本申请实施例提供了一种资源分配方法、装置以及电子设备，以下对本实施例进行详细说明。
参见图2所示的一种资源分配方法流程图，该方法可应用于各种类型的服务平台，诸如网约车服务平台、外卖平台等，具体可由计算机、服务平台的服务器或者其它智能终端执行，该方法具体包括如下步骤：
步骤S202，获取参与资源分配的每种服务的资源弹性系数；其中，资源弹性系数表征服务应用第一类资源的单位资源时返回的第二类资源的资源量。
上述服务的种类可以为多种，具体可以是各种服务平台提供的细分品类服务，诸如，网约车平台提供的各种品类服务；品类服务可以包括专车服务、快车服务、拼车服务、顺风车服务、单车服务中的一种或多种。当然，也可以是外卖服务、购物服务或餐饮服务等各类型服务下细分的多种品类服务。
本实施例提供的上述第一类资源可以是服务平台给使用该品类服务的用户的补贴资金、补充奖励等，诸如，网约车平台给乘客提供的补贴红包、补贴优惠券等；上述第二类资源可以是品类服务基于接收到的第一类资源而反馈给服务平台的资源，当然，也可理解为用户对于该品类服务的反馈响应，诸如，乘客在网约车平台下订单后应付的打车金额，或者消费者在购物平台上的成交金额等。
在一些实施例中，本实施例所指的资源弹性系数可以称为补贴弹性系数，当然也可以直接简称为弹性系数。以下采用e表征资源弹性系数，cbu表征第一类资源，GMV表征第二类资源，则
也可以理解为服务应用第一类资源的单位资源时返回的第二类资源的资源量；返回的第二类资源的资源量也可称为第二类资源的资源增量。对于不同的服务而言，如果应用第一类资源的单位资源时返回的第二类资源的资源量越大(也即，第二类资源的资源增量越大)，则说明该服务对应的资源弹性系数越大，也即该服务越有“弹性”，在△cbu相同时，该服务可以得到的△gmv越大。假设A品类的资源弹性系数大于B品类的资源弹性系数，如果给A品类和B品类均分配相同的第一类资源增量，A品类可为平台带来的第二类资源增量大于B品类。
步骤S204，对于每种服务，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量。
诸如，假设获取到A品类服务的资源弹性系数e，以及已知第一类资源的当前资源增量△cbu，则根据
可以得到A品类服务的第二类资源的资源增量为ΔGMV＝e*Δcbu。
步骤S206，基于每种服务的第二类资源的资源增量进行资源分配。
具体实施时，可以根据服务平台待分配的第一类资源的总资源量，以及各种服务的当前资源增量对应的第二类资源的资源增量，将第一类资源差异化地分配给各服务。为了提升投入资源的回报率，在有限的第一类资源的前提下尽可能获取更多的第二类资源的资源增量，可以优先将第一类资源分配给当前资源弹性系数高的品类服务。在实际应用中，还可以根据实际需求以及各品类服务的第二类资源的资源增量，确定可分配资源的品类服务组合，给位于品类服务组合中的服务分配指定额度的第一类资源等，具体分配方式可以根据实际需求而灵活设置，在此不进行限定。
本申请提供的上述资源分配方法，可以首先获取参与资源分配的每种服务的资源弹性系数(服务应用第一类资源的单位资源时返回的第二类资源的资源量)，然后对于每种服务，都根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量，进而基于每种服务的第二类资源的资源增量进行资源分配。与传统的粗放式统一资源分配方式相比，本实施例提供的资源分配方式考虑了每种服务的资源弹性系数，并且资源分配结果与每种服务的第一类资源的当前资源增量对应的第二类资源的资源增量相关，能够为参与资源分配的各服务合理分配资源，并得到较佳的回报响应效果。
可以理解的是，不同品类的第一类资源的资源量(cbu)与第二类资源的资源量(GMV)之间的关系受到多种因素影响，如地理因素、天气因素、季节因素、政策因素、补贴因素等众多复杂因素，若直接利用诸如“需求弹性”法等传统的经济学方法，则难以剥离因素干扰，无法较为准确的确定cbu与GMV之间的关系；如果采用神经网络等方法进行GMV预测，解释性较差；如果仅是采用简单的曲线拟合方法拟合GMV和cbu之间的关系，由于无法排除其它因素对GMV的影响，往往拟合效果差，结果的有效性容易受到质疑。基于此，本申请实施例给出了一种预测模型的建立方法，采用该方法为每种服务建立一个对应的预测模型，来预测GMV与cbu之间的关系。将每种服务作为目标服务，该方法可以首先获取目标服务的历史订单数据；采用历史订单数据对预测模型进行训练，得到训练后的参数，该参数包括：第一类资源的总资源量、总资源量的对数值和关联变量分别对应的系数；其中，关联变量包括时间变量和/或天气变量。该历史订单数据可以是指定的历史时段内(诸如从当前起的前一个月、前一年等)该目标服务的订单数据，订单数据中可以包含有平台给该订单投入的第一类资源的资源量和用户反馈的第二类资源的资源量，诸如，该订单数据包括平台给该订单投入的补贴金额以及乘客在该订单中应支付的车费等。此外，该订单数据还可以包括服务提供时间(诸如月份、是否节假日等)、天气情况(诸如下雨下雪或天气炎热)等。
具体实施时，可以从服务平台所存储的历史订单数据中提取补贴相关数据，根据补贴相关数据对影响GMV的因素进行分析，并构建影响GMV的特征向量，组成训练数据库。通过发明人对补贴相关数据的研究，认为GMV的影响因素包括第一类资源的资源量(包括lncbu和cbu)、时间因素(包括月份、是否节假日)、天气因素等。在一些实施例中，以网约车平台为例，第一类资源的资源量也可以称为C端补贴(乘客端补贴，可简称为C补)，可以将C补、时间变量、天气变量等影响变量作为训练数据的特征向量。具体可参见表1所示的GMV的影响因素：
表1
如表1所示，GMV的因变量包括C端补贴变量、时间变量、天气变量和随机变量，每种变量又都可以细分为多种子变量，诸如，C端补贴可以细分为C补变量和C补的对数变量、时间变量可以细分为月份变量和节假日变量等。可以理解的是，表1仅为示意性说明，不应当被视为限制。在实际应用中，可以根据服务类型而新增其它变量，或者仅选用上述表1中的部分变量。
申请人针对训练数据库进行了大量的数据研究探索，在各种模型算法(比如随机森林、支持向量机等)中经过大量实验，最终选择了多元线性回归。也即，在具体实施时，预测模型可以为多元线性回归模型GMV＝c+a*lncbu+b*cbu+p*others；其中，GMV为第二类资源的总资源量；cbu为第一类资源的总资源量；lncbu为第一类资源的总资源量的对数值；others为关联变量(也即，其它所有变量统一用others表示)；a为第一类资源的总资源量的对数值对应的系数；b为第一类资源的总资源量对应的系数；p为关联变量对应的系数；c为基础参数。c为常量，a、b和p为模型参数，具体可以是根据历史订单数据(补贴相关数据)求解得到的，诸如，可采用最小二乘法求解得到模型参数的具体数值。最小二乘法又可称为最小平方法，是一种数学优化技术。其通过最小化误差的平方和寻找数据的最佳函数匹配，利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。
本实施例经数据研究实验后采用多元线性回归模型的原因在于其预测效果和稳定性均较好。具体实现时，可以参照如下步骤：
第一步，基于业务理解，选择大量影响gmv的影响因子，此步为定性判断。
第二步：通过相关性分析，定量判断哪些影响因子和gmv的相关性强，哪些影响因子和gmv的相关性较弱，对于较弱的影响因子予以删除，最终保留了cbu、lncbu和others。其中，others为除了C补变量以外的其它所有变量的统一表示。
第三步：cbu、lncbu和others为已知的数据输入(也即历史数据)，通过“最小二乘法”并基于历史数据，计算出c,a,b,p的值。当c,a,b,p的值已知后，也即得到了预测模型。
之后再采用预测模型进行GMV预测时，只需要输入新的cbu，lncbu和others的数值，就可以计算出GMV。
可以理解的是，由于预测模型都是基于服务的历史数据测算得到的，而不同的服务所对应的历史数据基本不同，因此不同的服务所对应的预测模型也基本不同。本申请实施例在获取参与资源分配的每个目标对象的资源弹性系数时，还可以包括：将参与资源分配的每种服务作为目标服务，获取目标服务对应的预测模型，应用预测模型确定目标服务的资源弹性系数；其中，预测模型为第一类资源的资源量与第二类资源的资源量间的函数关系，诸如可以为多元线性回归模型，采用多元线性回归方程实现。
在得到各服务对应的预测模型后，可参见图3所示的一种应用预测模型确定目标服务的资源弹性系数的方法流程图，包括如下步骤：
步骤S302，获取配置有目标服务的地理区域，以及地理区域配置的各种服务的预测模型。目标服务的地理区域可以理解为目标服务所应用的区域，可以以城市划分不同区域，也可以以乡镇划分不同区域，具体可以根据实际需求而灵活设置地理区域的划分方式。可以理解的是，每个地理区域都可以配置多种不同品类的服务。采用本实施例提供的上述模型建立方法，可以预先建立有各种服务对应的预测模型。
诸如，假设以城市划分区域，且目标服务为C1城市的专车服务，则该专车服务的地理区域为C1城市，则可以获取网约车平台在C1城市所配置的所有品类服务，诸如专车服务、快车服务、拼车服务、顺风车服务和单车服务等。每种服务都对应有一个预测模型。
步骤S304，计算获取到的各个预测模型的拟合优度。拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数(亦称确定系数)R2。R2最大值为1。R2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R2的值越小，说明回归直线对观测值的拟合程度越差。R2衡量的是回归方程整体的拟合度，是表达因变量与自变量之间的总体关系。拟合程度R2的具体计算方式可采用常规的统计学方式，在此不进行赘述。每种服务都对应一个预测模型，每个预测模型都对应一个拟合优度R2值。
步骤S306，判断拟合优度中的最小值是否大于或等于预设第一阈值，且拟合优度的平均值是否大于或等于预设第二阈值。如果是，执行步骤S308，如果否，执行步骤S310。可以理解为将拟合优度中的最小值大于或等于预设第一阈值，且拟合优度的平均值大于或等于预设第二阈值作为需要满足的限制条件，如果满足该限制条件，则直接执行步骤S308，反之执行步骤S310。在一些实施例中，可以令预设第一阈值为0.6；预设第二阈值为0.7。
步骤S308，根据目标服务对应的预测模型中的参数，确定目标服务的资源弹性系数；其中，第一阈值小于第二阈值。如果拟合优度满足上述限制条件，诸如满足R2的平均值≥0.7且各种服务中的最小R2≥0.6时，则可认为该目标服务对应的预测模型是有效可行的。因此，可直接通过预测模型的参数确定该目标服务的资源弹性系数。
步骤S310，获取与地理区域关联的区域所配置的指定服务的资源弹性系数，将获取到的资源弹性系数确定目标服务的资源弹性系数。
如果拟合优度不满足上述限制条件，诸如测算得到的R2的平均值小于0.7或者各种服务中的最小R2小于0.6，则说明该目标服务对应的预测模型并不是太适合，因此可找到与该目标服务所在的地理区域相关联的其它区域(诸如相近区域)，并获取其它区域所配置的指定服务的资源弹性系数。诸如，假设目标服务为C1城市的专车服务，而C1城市不满足上述限制条件，则找到与C1城市相近(诸如，城市规模、城市发展、地理环境、人文等因素的一种或多种)的C2城市，将C2城市所配置的专车服务的资源弹性系数确定为C1城市的专车服务的资源弹性系数。可以理解的是，每个地理区域通常都会有至少一个关联区域(诸如，相似区域)，当该地理区域不符合限定条件时，可以选取该地理区域的一个相似区域的同品类服务的资源弹性系数作为该地理区域的目标服务的资源弹性系数。
在根据目标服务对应的预测模型中的参数，确定目标服务的资源弹性系数时，可以按照以下公式，确定目标服务的资源弹性系数e:
其中，a为第一类资源的总资源量的对数值对应的系数；b为第一类资源的总资源量对应的系数；Δcbu为第一类资源的当前资源增量；cbu0为第一类资源的基础资源量。
具体的公式推导过程如下：
其中，GMV0可以理解为当前日均C补cbu0产生的GMV；GMVdc可以理解为当前日均C补Δcbu后产生的GMV；cbudc可以理解为每日增加C补Δcbu后的当前C补。
如图4所示的一种品类服务的cbu与GMV的量化曲线示意图，横坐标为C补(cbu)，纵坐标为GMV。从图4中可见，当补贴达到cbu0+Δcbu时，GMV的增长量很小，也即对应的ΔGMV很小。也可以理解为，如果品类服务的资源弹性系数低于某个值时，给该品类服务提供第一类资源，得到的第二类资源的资源增量较少，也即，对该品类服务进行补贴后得到的GMV增量效果不明显。假设品类服务的补贴弹性极限为cbulimit-max，补贴值超过cbulimit-max时，ΔGMV小于预设阈值。
可以令
可以认为如果
则回报效果较差，也即补贴效率较低，即便再增加补贴，服务平台可获得的GMV收益增幅也较小，此时将不再投入C端补贴。
基于此，当e＝a/cbulimit-max+b＝1时，可以得到cbulimit-max＝a/(1-b)。
在具体实施时还可以设定最大补贴金额cbumax，诸如，在一些实施方式中，令最大补贴金额cbumax最多为cbulimit-max；在另一些实施方式中，可以令cbumax＝max(cbulimit-max,cbuhistory-max)；其中，cbulimit-max为品类服务的补贴弹性极限，cbuhistory-max为品类服务的历史补贴最大值。
由于
因此可计算得到cbu0≤cbu0+Δcbu≤cbumax。可以理解的是，增加了C端补贴△cbu后的C端当前补贴cbu0+Δcbu，一定会大于或等于基础补贴cbu0，并小于或等于最大补贴金额cbumax。
此外，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量的步骤之后，上述方法还包括：判断第二类资源的资源增量是否大于第三阈值；如果是，执行基于每种服务的第二类资源的资源增量进行资源分配的步骤。也即，只有在第二类资源的资源增量大于第三阈值时，才为该品类服务进行资源分配，反之则不再给该服务新投入补贴，以避免资源浪费。而且，给品类服务投入的最大补贴金额可以采用上述cbumax。
在确定了每种服务的第一类资源的当前资源增量对应的第二类资源的资源增量之后，可以基于每种服务的第二类资源的资源增量进行资源分配，具体可参照如下步骤：
步骤1，将每种服务的第二类资源的资源增量按照由高到低的顺序进行排序。
步骤2，根据排序结果，确定每种服务的资源分配优先级；其中，排序靠前的服务的资源分配优先级高于排序靠后的服务的资源分配优先级。
步骤3，根据资源分配优先级，对参与资源分配的服务进行资源分配。
诸如，可以首先获取第一类资源的待分配资源量；然后按照资源分配优先级由高到低的顺序，将待分配资源量先后分配给参与资源分配的服务。
在给各品类服务分配资源时，还可以参见图5所示的一种弹性系数与Δcbu的量化关系图，图5中示意出了A品类和B品类各自的量化关系曲线，如图5中虚线所示，在相同的Δcbu区间下，可以选择两个品类服务中弹性系数e最大的品类服务作为推荐品类服务，优先分配第一类资源，以得到更高的第二类资源的资源增量，也即得到更高的投资回报。通过这种方式，可以确定参与资源分配的品类服务的资源分配优先级。
基于上述方式，可以获得投资回报高的品类服务，在具体应用中，还可以建立品类服务的推荐明细表，以网约车平台提供的各种品类服务为例，首先可参照表2所示的网约车品类服务的推荐明细表。
表2
表2中示意出了城市名称、城市等级、在当前C补下增加的C补范围cbu、推荐品类、品类弹性极限、历史日补贴最大值、当前补贴、拟合优度R2以及该城市是否满足限制条件(如果满足则为1，不满足为0)等。基于表2得到的各品类服务的信息，可以对表2进行进一步汇总，诸如，根据品类推荐顺序对网约车平台所入驻的各城市进行汇总，得到品类推荐城市汇总表。通过品类推荐城市汇总表，可以清楚的得知，推荐快车品类时优选投入补贴的城市，推荐拼车品类时优选投入补贴的城市等。最优品类的组合可以是将每个城市的不同品类服务的弹性系数e按照从大到小的顺序进行排序，然后选取排序靠前的品类服务进行组合，以使得有限的资源可得到更高的回报效果，也可有效节约资源，避免资源浪费。诸如，最终的组合结果可以参见如表3所示的品类推荐城市汇总表。应当注意的是，表3仅为示例性说明，不应当被视为限制。
| 品类 | 城市 |
| 快车 | 贵阳、济南…… |
| 快车-拼车 | 广州、深圳、太原…… |
| 快车-优享 | 石家庄…… |
| 快车-优享-拼车 | 重庆…… |
| 拼车-快车 | 大连、绍兴…… |
| 拼车-快车-优享 | 杭州、北京…… |
| …… | …… |
表3
综上所述，本实施例提供了一种资源分配方法，其可以获取参与资源分配的每种服务的资源弹性系数(服务应用第一类资源的单位资源时返回的第二类资源的资源量)，然后对于每种服务，都根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量，进而基于每种服务的第二类资源的资源增量进行资源分配。与传统的粗放式统一资源分配方式相比，本实施例提供的资源分配方式考虑了每种服务的资源弹性系数，并且资源分配结果与每种服务的第一类资源的当前资源增量对应的第二类资源的资源增量相关，能够为参与资源分配的各服务合理分配资源，并得到较佳的回报响应效果。
以网约车平台提供的服务为例，采用本申请实施例所提供的方法，可以测算不同城市中所配置的各品类服务的弹性系数(可称为资源弹性系数或补贴弹性系数)，并引入拟合优度R2作为不同城市GMV预测模型的限制条件，当各城市的预测模型符合预设的限制条件时，以推导并求解弹性系数
与△cbu的关系，以及补贴弹性极限cbulimit-max的关系式。最终可以通过比较不同品类服务的弹性系数，选择相同的Δcbu区间下弹性系数e最大的品类服务，以得到更大的第二类资源的资源增量ΔGMV，实现较高的投入回报效果，避免投入的资源被浪费。
在一种具体的实施方式中，可以参见图6所示的一种品类补贴示意图，示意出一种精细的补贴流程，最终得到补贴方案。在图6中，示意出两个主要模块，分别为数据处理及分析模块以及核心算法模块。其中，数据处理及分析模块用于根据已有的海量补贴相关数据分析影响GMV变动的特征因素，并构建特征向量，得到训练数据库。核心算法模块用于基于训练数据库以及多元线性回归方程，分城市构建GMV预测模型，并根据GMV预测模型的拟合优度判断各城市是否满足预设的限制条件，如果是，则构建弹性系数e以及△cbu(△C补)的函数关系式和弹性极限函数式；如果否，则引入相似城市，计算相似城市的弹性系数e以及△cbu(△C补)的函数关系式和弹性极限函数式。最终可计算得到不同城市不同△cbu区间下所推荐的品类服务，以及各品类服务的弹性极限，从而得到精细化的补贴方案。
可以理解的是，传统的服务平台采用的精细化运营方式主要针对人群类型，而本申请实施例在充分考虑了GMV的影响因素后，主要针对各品类服务进行精细化资源分配，具体实施时，可以构建各品类服务的GMV预测模型，并按照各城市所配置的品类服务的预测模型判断拟合优度是否符合限定条件，符合条件时可以直接构建弹性系数e与△cbu的函数关系式，并给出每个品类服务的补贴极限，对于预测模型的拟合优度不符合限定条件的城市，可以采用相似城市法测算弹性系数e与△cbu的函数关系式，因此可以适用于所有城市。应当注意的是，图6中以城市划分区域仅是示例性说明，实际应用中，还可以以乡镇划分区域等，在此不进行限制。
本实施例还提供了一种资源分配装置，该装置实现的功能对应上述资源分配方法执行的步骤。该装置可以理解为用于进行资源分配方法的处理器，也可以直接理解为服务平台的服务器、计算机等智能终端，参见图7所示的一种资源分配装置的结构框图，包括如下模块：
系数获取模块702，用于获取参与资源分配的每种服务的资源弹性系数；其中，资源弹性系数表征服务应用第一类资源的单位资源时返回的第二类资源的资源量；
增量确定模块704，用于对于每种服务，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量；
资源分配模块706，用于基于每种服务的第二类资源的资源增量进行资源分配。
本申请提供的上述资源分配装置，考虑了每种服务的资源弹性系数，并且资源分配结果与每种服务的第一类资源的当前资源增量对应的第二类资源的资源增量相关，能够为参与资源分配的各服务合理分配资源，并得到较佳的回报响应效果。
在一些实施例中，上述系数获取模块用于：将参与资源分配的每种服务作为目标服务，获取目标服务对应的预测模型，应用预测模型确定目标服务的资源弹性系数；其中，预测模型为第一类资源的资源量与第二类资源的资源量间的函数关系。
在一些实施例中，上述装置还包括：模型建立模块，用于：获取目标服务的历史订单数据；采用历史订单数据对预测模型进行训练，得到训练后的参数，参数包括：第一类资源的总资源量、总资源量的对数值和关联变量分别对应的系数；其中，关联变量包括时间变量和/或天气变量。
在一些实施例中，上述预测模型为多元线性回归模型GMV＝c+a*lncbu+b*cbu+p*others；
其中，GMV为第二类资源的总资源量；cbu为第一类资源的总资源量；lncbu为第一类资源的总资源量的对数值；others为关联变量；a为第一类资源的总资源量的对数值对应的系数；b为第一类资源的总资源量对应的系数；p为关联变量对应的系数；c为基础参数；
在一些实施例中，上述系数获取模块用于：获取配置有目标服务的地理区域，以及地理区域配置的各种服务的预测模型；计算获取到的各个预测模型的拟合优度；如果拟合优度中的最小值大于或等于预设第一阈值，且拟合优度的平均值大于或等于预设第二阈值；根据目标服务对应的预测模型中的参数，确定目标服务的资源弹性系数；其中，第一阈值小于第二阈值。
在一些实施例中，上述系数获取模块还用于：如果拟合优度中的最小值小于预设第一阈值，或者拟合优度的平均值小于预设第二阈值，获取与地理区域关联的区域所配置的指定服务的资源弹性系数，将获取到的资源弹性系数确定目标服务的资源弹性系数。
在一些实施例中，上述系数获取模块还用于：按照以下公式，确定目标服务的资源弹性系数e:
其中，a为第一类资源的总资源量的对数值对应的系数；b为第一类资源的总资源量对应的系数；Δcbu为第一类资源的当前资源增量；cbu0为第一类资源的基础资源量。
在一些实施例中，上述装置还包括：判断模块，用于判断第二类资源的资源增量是否大于第三阈值；执行模块，用于在判断模块的判决结果为是时，执行基于每种服务的第二类资源的资源增量进行资源分配的步骤。
在一些实施例中，上述资源分配模块用于：将每种服务的第二类资源的资源增量按照由高到低的顺序进行排序；根据排序结果，确定每种服务的资源分配优先级；其中，排序靠前的服务的资源分配优先级高于排序靠后的服务的资源分配优先级；根据资源分配优先级，对参与资源分配的服务进行资源分配。
在一些实施例中，上述资源分配模块用于：获取第一类资源的待分配资源量；按照资源分配优先级由高到低的顺序，将待分配资源量先后分配给参与资源分配的服务。
在一些实施例中，上述服务包括网约车的品类服务；品类服务包括专车服务、快车服务、拼车服务、顺风车服务、单车服务中的一种或多种。
在一些实施例中，上述服务包括外卖服务、购物服务或餐饮服务。
本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，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，处理器执行机器可读指令，以执行时执行如前述任一的资源分配方法的步骤。
为便于理解，图8示出根据本申请的一些实施例的可以实现本申请思想的电子设备100的示例性硬件和软件组件的示意图。例如，处理器120可以用于电子设备100上，并且用于执行本申请中的功能。
电子设备100可以是通用计算机或特殊用途的计算机，诸如车载电脑、机器人等智能设备，都可以用于实现本申请的搜索结果的排序方法或音乐搜索方法。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110、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。
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。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如前述任一的资源分配方法的步骤。
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 (26)
1.一种资源分配方法，其特征在于，包括：
获取参与资源分配的每种服务的资源弹性系数；其中，所述资源弹性系数表征所述服务应用第一类资源的单位资源时返回的第二类资源的资源量；
对于每种所述服务，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量；
基于每种所述服务的第二类资源的资源增量进行资源分配。
2.根据权利要求1所述的方法，其特征在于，获取参与资源分配的每个目标对象的资源弹性系数的步骤，包括：
将参与资源分配的每种服务作为目标服务，获取所述目标服务对应的预测模型，应用所述预测模型确定所述目标服务的资源弹性系数；其中，所述预测模型为第一类资源的资源量与第二类资源的资源量间的函数关系。
3.根据权利要求2所述的方法，其特征在于，所述预测模型的建立方法包括：
获取所述目标服务的历史订单数据；
采用所述历史订单数据对预测模型进行训练，得到训练后的参数，所述参数包括：第一类资源的总资源量、所述总资源量的对数值和关联变量分别对应的系数；其中，所述关联变量包括时间变量和/或天气变量。
4.根据权利要求3所述的方法，其特征在于，所述预测模型为多元线性回归模型GMV＝c+a*lncbu+b*cbu+p*others；
其中，GMV为第二类资源的总资源量；cbu为第一类资源的总资源量；lncbu为所述第一类资源的总资源量的对数值；others为关联变量；a为所述第一类资源的总资源量的对数值对应的系数；b为所述第一类资源的总资源量对应的系数；p为所述关联变量对应的系数；c为基础参数。
5.根据权利要求2所述的方法，其特征在于，应用所述预测模型确定所述目标服务的资源弹性系数的步骤，包括：
获取配置有所述目标服务的地理区域，以及所述地理区域配置的各种服务的预测模型；
计算获取到的各个所述预测模型的拟合优度；
如果所述拟合优度中的最小值大于或等于预设第一阈值，且所述拟合优度的平均值大于或等于预设第二阈值；根据所述目标服务对应的预测模型中的参数，确定所述目标服务的资源弹性系数；其中，所述第一阈值小于所述第二阈值。
6.根据权利要求5所述的方法，其特征在于，所述应用所述预测模型确定所述目标服务的资源弹性系数的步骤还包括：
如果所述拟合优度中的最小值小于预设第一阈值，或者所述拟合优度的平均值小于预设第二阈值，获取与所述地理区域关联的区域所配置的指定服务的资源弹性系数，将获取到的所述资源弹性系数确定所述目标服务的资源弹性系数。
7.根据权利要求5所述的方法，其特征在于，根据所述目标服务对应的预测模型中的参数，确定所述目标服务的资源弹性系数的步骤，包括：
按照以下公式，确定所述目标服务的资源弹性系数e:
其中，a为所述第一类资源的总资源量的对数值对应的系数；b为所述第一类资源的总资源量对应的系数；Δcbu为所述第一类资源的当前资源增量；cbu0为所述第一类资源的基础资源量。
8.根据权利要求1所述的方法，其特征在于，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量的步骤之后，所述方法还包括：
判断所述第二类资源的资源增量是否大于第三阈值；
如果是，执行所述基于每种所述服务的第二类资源的资源增量进行资源分配的步骤。
9.根据权利要求1所述的方法，其特征在于，基于每种所述服务的第二类资源的资源增量进行资源分配的步骤，包括：
将每种所述服务的第二类资源的资源增量按照由高到低的顺序进行排序；
根据排序结果，确定每种所述服务的资源分配优先级；其中，排序靠前的服务的资源分配优先级高于排序靠后的服务的资源分配优先级；
根据所述资源分配优先级，对参与资源分配的所述服务进行资源分配。
10.根据权利要求9所述的方法，其特征在于，根据所述资源分配优先级，对参与资源分配的所述服务进行资源分配的步骤，包括：
获取第一类资源的待分配资源量；
按照所述资源分配优先级由高到低的顺序，将所述待分配资源量先后分配给参与资源分配的所述服务。
11.根据权利要求1所述的方法，其特征在于，所述服务包括网约车的品类服务；所述品类服务包括专车服务、快车服务、拼车服务、顺风车服务、单车服务中的一种或多种。
12.根据权利要求1所述的方法，其特征在于，所述服务包括外卖服务、购物服务或餐饮服务。
13.一种资源分配装置，其特征在于，包括：
系数获取模块，用于获取参与资源分配的每种服务的资源弹性系数；其中，所述资源弹性系数表征所述服务应用第一类资源的单位资源时返回的第二类资源的资源量；
增量确定模块，用于对于每种所述服务，根据该服务的资源弹性系数确定第一类资源的当前资源增量对应的第二类资源的资源增量；
资源分配模块，用于基于每种所述服务的第二类资源的资源增量进行资源分配。
14.根据权利要求13所述的装置，其特征在于，所述系数获取模块用于：
将参与资源分配的每种服务作为目标服务，获取所述目标服务对应的预测模型，应用所述预测模型确定所述目标服务的资源弹性系数；其中，所述预测模型为第一类资源的资源量与第二类资源的资源量间的函数关系。
15.根据权利要求14所述的装置，其特征在于，所述装置还包括：模型建立模块，用于：
获取所述目标服务的历史订单数据；
采用所述历史订单数据对预测模型进行训练，得到训练后的参数，所述参数包括：第一类资源的总资源量、所述总资源量的对数值和关联变量分别对应的系数；其中，所述关联变量包括时间变量和/或天气变量。
16.根据权利要求15所述的装置，其特征在于，所述预测模型为多元线性回归模型GMV＝c+a*lncbu+b*cbu+p*others；
其中，GMV为第二类资源的总资源量；cbu为第一类资源的总资源量；lncbu为所述第一类资源的总资源量的对数值；others为关联变量；a为所述第一类资源的总资源量的对数值对应的系数；b为所述第一类资源的总资源量对应的系数；p为所述关联变量对应的系数；c为基础参数。
17.根据权利要求14所述的装置，其特征在于，所述系数获取模块用于：
获取配置有所述目标服务的地理区域，以及所述地理区域配置的各种服务的预测模型；
计算获取到的各个所述预测模型的拟合优度；
如果所述拟合优度中的最小值大于或等于预设第一阈值，且所述拟合优度的平均值大于或等于预设第二阈值；根据所述目标服务对应的预测模型中的参数，确定所述目标服务的资源弹性系数；其中，所述第一阈值小于所述第二阈值。
18.根据权利要求17所述的装置，其特征在于，所述系数获取模块还用于：
如果所述拟合优度中的最小值小于预设第一阈值，或者所述拟合优度的平均值小于预设第二阈值，获取与所述地理区域关联的区域所配置的指定服务的资源弹性系数，将获取到的所述资源弹性系数确定所述目标服务的资源弹性系数。
19.根据权利要求17所述的装置，其特征在于，所述系数获取模块还用于：
按照以下公式，确定所述目标服务的资源弹性系数e:
其中，a为所述第一类资源的总资源量的对数值对应的系数；b为所述第一类资源的总资源量对应的系数；Δcbu为所述第一类资源的当前资源增量；cbu0为所述第一类资源的基础资源量。
20.根据权利要求13所述的装置，其特征在于，所述装置还包括：
判断模块，用于判断所述第二类资源的资源增量是否大于第三阈值；
执行模块，用于在所述判断模块的判决结果为是时，执行所述基于每种所述服务的第二类资源的资源增量进行资源分配的步骤。
21.根据权利要求13所述的装置，其特征在于，所述资源分配模块用于：
将每种所述服务的第二类资源的资源增量按照由高到低的顺序进行排序；
根据排序结果，确定每种所述服务的资源分配优先级；其中，排序靠前的服务的资源分配优先级高于排序靠后的服务的资源分配优先级；
根据所述资源分配优先级，对参与资源分配的所述服务进行资源分配。
22.根据权利要求21所述的装置，其特征在于，所述资源分配模块用于：
获取第一类资源的待分配资源量；
按照所述资源分配优先级由高到低的顺序，将所述待分配资源量先后分配给参与资源分配的所述服务。
23.根据权利要求13所述的装置，其特征在于，所述服务包括网约车的品类服务；所述品类服务包括专车服务、快车服务、拼车服务、顺风车服务、单车服务中的一种或多种。
24.根据权利要求13所述的装置，其特征在于，所述服务包括外卖服务、购物服务或餐饮服务。
25.一种电子设备，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12任一所述的资源分配方法的步骤。
26.一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12任一所述的资源分配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811565368.7A CN111353797B (zh) | 2018-12-20 | 2018-12-20 | 资源分配方法、装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811565368.7A CN111353797B (zh) | 2018-12-20 | 2018-12-20 | 资源分配方法、装置以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353797A true CN111353797A (zh) | 2020-06-30 |
| CN111353797B CN111353797B (zh) | 2023-12-26 |
Family
ID=71196721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811565368.7A Active CN111353797B (zh) | 2018-12-20 | 2018-12-20 | 资源分配方法、装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353797B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985726A (zh) * | 2020-08-31 | 2020-11-24 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
| CN113268350A (zh) * | 2021-06-07 | 2021-08-17 | 上海数禾信息科技有限公司 | 基于云的服务构建的资源分配方法、装置、计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090216597A1 (en) * | 2008-02-21 | 2009-08-27 | David Cavander | Automatically prescribing total budget for marketing and sales resources and allocation across spending categories |
| CN103679289A (zh) * | 2013-12-09 | 2014-03-26 | 国家电网公司 | 基于多元回归外推法的电力负荷预测方法 |
| CN108922169A (zh) * | 2018-06-11 | 2018-11-30 | 同济大学 | 停车共享环境下基于均衡理论的差异化收费策略方法 |
-
2018
- 2018-12-20 CN CN201811565368.7A patent/CN111353797B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090216597A1 (en) * | 2008-02-21 | 2009-08-27 | David Cavander | Automatically prescribing total budget for marketing and sales resources and allocation across spending categories |
| CN103679289A (zh) * | 2013-12-09 | 2014-03-26 | 国家电网公司 | 基于多元回归外推法的电力负荷预测方法 |
| CN108922169A (zh) * | 2018-06-11 | 2018-11-30 | 同济大学 | 停车共享环境下基于均衡理论的差异化收费策略方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985726A (zh) * | 2020-08-31 | 2020-11-24 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
| CN111985726B (zh) * | 2020-08-31 | 2023-04-18 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
| CN113268350A (zh) * | 2021-06-07 | 2021-08-17 | 上海数禾信息科技有限公司 | 基于云的服务构建的资源分配方法、装置、计算机设备 |
| CN113268350B (zh) * | 2021-06-07 | 2024-01-26 | 上海数禾信息科技有限公司 | 基于云的服务构建的资源分配方法、装置、计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353797B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107274231A (zh) | 数据预测方法及装置 | |
| EP3104323A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
| CN111275470B (zh) | 服务发起概率预测方法及其模型的训练方法和装置 | |
| CN110084627A (zh) | 预测目标变量的方法和装置 | |
| CN107146035A (zh) | 针织服装大货生产中批量系数的计算方法 | |
| CN111353094A (zh) | 一种信息推送方法及装置 | |
| CN111353797A (zh) | 资源分配方法、装置以及电子设备 | |
| CN111861521A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| JP2002109208A (ja) | 信用リスク管理方法、分析モデル決定方法、分析サーバ及び分析モデル決定装置 | |
| US20150142482A1 (en) | Search engine for identifying business travel proposals | |
| CN114493443A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
| CN111260161A (zh) | 一种众包任务下发的方法及设备 | |
| CN111260384B (zh) | 服务订单处理方法、装置、电子设备及存储介质 | |
| CN108830480B (zh) | 一种erp采购计算方法及其系统 | |
| CN108446923B (zh) | 一种基于自助式劳务众包平台的任务定价方法 | |
| CN107844496A (zh) | 统计信息输出方法及装置 | |
| CN111242341A (zh) | 一种线路定价方法、装置、设备和存储介质 | |
| CN114862243A (zh) | 用于辅助决策的数据处理方法和装置 | |
| CN111984637B (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
| CN114970928A (zh) | 一种电力数据能耗分析预测方法 | |
| CN109934604B (zh) | 销量数据的处理方法、系统、存储介质及电子设备 | |
| CN110414875B (zh) | 产能数据处理方法、装置、电子设备及计算机可读介质 | |
| CN113822455A (zh) | 一种时间预测方法、装置、服务器及存储介质 | |
| CN111857991A (zh) | 数据排序的方法、装置和计算机设备 | |
| CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 |
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 |