CN111612198A - 预测拼单成功率的方法、装置和电子设备 - Google Patents
预测拼单成功率的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111612198A CN111612198A CN201910139192.7A CN201910139192A CN111612198A CN 111612198 A CN111612198 A CN 111612198A CN 201910139192 A CN201910139192 A CN 201910139192A CN 111612198 A CN111612198 A CN 111612198A
- Authority
- CN
- China
- Prior art keywords
- service
- service request
- time
- order
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012216 screening Methods 0.000 claims abstract description 52
- 239000000203 mixture Substances 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims description 45
- 238000007477 logistic regression Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 2
- 206010068052 Mosaicism Diseases 0.000 claims 1
- 230000006870 function Effects 0.000 description 42
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 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
- 238000010801 machine learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction 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
- 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
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种预测拼单成功率的方法、装置和电子设备;其中,该方法包括:当接收到服务请求方的服务请求时,从预设范围内的服务提供方中筛选出与服务请求相匹配的服务提供方集合;从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;获取目标订单对应的时间密度特征;将时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。本申请实施例通过服务请求与历史订单的关系预测该服务请求在当前时空的预测成功率,相对于仅参考服务请求当前时空特征预测拼单概率的方式,本申请的方式可以提高拼单概率的预测准确率。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种预测拼单成功率的方法、装置和电子设备。
背景技术
目前,拼车成为了一种新兴的出行方式,既可以缓解交通压力和环境污染,也可以节约经济成本。为了提高拼车订单量,系统常常需要预测拼单成功率,以引导用户使用拼单。相关技术中,预测拼单成功率通常会依据服务提供方发出的服务请求,以及该服务请求的当前时空特征进行预测;但是,该预测方式准确率较低,不利于拼单量的提升。
发明内容
有鉴于此,本申请实施例的目的在于提供一种预测拼单成功率的方法、装置和电子设备,以提高拼单概率的预测准确率。
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:
一种预测拼单成功率的方法,该方法包括:当接收到服务请求方的服务请求时,从预设范围内的服务提供方中筛选出与服务请求相匹配的服务提供方集合;从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;预设拼单条件与服务请求相关联;获取目标订单对应的时间密度特征;时间密度特征为表征订单量与时间段的对应关系;将时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。
在一些实施例中,上述从预设范围内的服务提供方中筛选出与服务请求相匹配的服务提供方的步骤,包括:提取服务请求中的起始地址和/或目的地址;从预设范围内的服务提供方中筛选出与提取的地址相匹配的服务提供方。
在一些实施例中,上述从预设范围内的服务提供方中筛选出与提取的地址相匹配的服务提供方的步骤,包括:确定预设范围内的服务提供方的当前位置;计算当前位置与提取出的地址间的距离;从预设范围内的服务提供方中筛选出距离小于预设距离阈值的服务提供方。
在一些实施例中,上述预设拼单条件包括下述中的一种或多种:指定历史日期中,历史订单的请求时间距离服务请求的请求时间在预设时长内;历史订单的起始地址距离服务请求的起始地址在预设的距离范围内;历史订单的发出时间对应的天气与服务请求对应的天气的相似度满足预设的相似度阈值;历史订单的线路与服务请求的线路的重合率高于预设的重合率阈值。
在一些实施例中,上述获取目标订单对应的时间密度特征的步骤,包括:以单位时长为间隔,将目标订单划分为多组;对于每组目标订单,计算当前组目标订单的订单总量,或者当前组目标订单与当前组目标订单相邻的指定组目标订单的订单总量,得到目标订单对应的时间密度特征。
在一些实施例中,上述预测模型包括第一分类模型和第二分类模型;将时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,得到服务请求的拼单成功率的步骤,包括:将时间密度特征以及服务请求对应的时空特征输入至第一分类模型,输出分类值;将时间密度特征以及服务请求对应的时空特征、以及分类值输入至第二分类模型,输出服务请求的拼单成功率。
在一些实施例中,上述第一分类模型包括集成树模型;上述将时间密度特征以及服务请求对应的时空特征输入至第一分类模型,输出分类值的步骤,包括:通过集成树模型中的分类树,对时间密度特征以及服务请求对应的时空特征进行分类处理,得到时间密度特征以及服务请求对应的时空特征在分类树中的叶子节点值,将叶子节点值确定为分类值。
在一些实施例中,上述第二分类模型包括逻辑回归模型;上述将时间密度特征以及服务请求对应的时空特征、以及分类值输入至第二分类模型,输出服务请求的拼单成功率的步骤,包括:通过逻辑回归模型中的边界判定函数,计算时间密度特征以及服务请求对应的时空特征、以及分类值对应的函数值;根据函数值的绝对值,确定服务请求的拼单成功率。
在一些实施例中,上述根据函数值的绝对值,确定服务请求的拼单成功率的步骤,包括:通过逻辑回归模型中的概率函数,将函数值映射至预设的概率区间,得到服务请求的拼单成功率。
在一些实施例中,上述得到服务请求的拼单成功率之后,方法还包括:如果拼单成功率高于预设的成功率阈值,向服务请求方发出拼单邀约;拼单邀约包括拼单成功率和拼单折扣。
在一些实施例中,上述方法还包括:如果在发出拼单邀约后的预设时间段内接收到服务请求方返回的同意拼单信息,向目标订单对应的服务提供方发送服务请求和服务请求方的同意拼单信息;如果在发出拼单邀约后的预设时间段内没有接收到服务请求方返回的同意拼单信息,向服务提供方集合中的服务提供方发送服务请求。
根据本申请的另一个方面,还提供一种预测拼单成功率的装置,该装置包括:服务提供方筛选模块,用于当接收到服务请求方的服务请求时,从预设范围内的服务提供方中筛选出与服务请求相匹配的服务提供方集合;订单筛选模块,用于从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;预设拼单条件与服务请求相关联;特征获取模块,用于获取目标订单对应的时间密度特征;时间密度特征为表征订单量与时间段的对应关系;预测模块,用于将时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。
在一些实施例中,上述服务提供方筛选模块,用于:提取服务请求中的起始地址和/或目的地址;从预设范围内的服务提供方中筛选出与提取的地址相匹配的服务提供方。
在一些实施例中,上述服务提供方筛选模块,用于:确定预设范围内的服务提供方的当前位置;计算当前位置与提取出的地址间的距离;从预设范围内的服务提供方中筛选出距离小于预设距离阈值的服务提供方。
在一些实施例中,上述预设拼单条件包括下述中的一种或多种:指定历史日期中,历史订单的请求时间距离服务请求的请求时间在预设时长内;历史订单的起始地址距离服务请求的起始地址在预设的距离范围内;历史订单的发出时间对应的天气与服务请求对应的天气的相似度满足预设的相似度阈值;历史订单的线路与服务请求的线路的重合率高于预设的重合率阈值。
在一些实施例中,上述特征获取模块,用于:以单位时长为间隔,将目标订单划分为多组;对于每组目标订单,计算当前组目标订单的订单总量,或者当前组目标订单与当前组目标订单相邻的指定组目标订单的订单总量,得到目标订单对应的时间密度特征。
在一些实施例中,上述预测模型包括第一分类模型和第二分类模型;上述预测模块,用于:将时间密度特征以及服务请求对应的时空特征输入至第一分类模型,输出分类值;将时间密度特征以及服务请求对应的时空特征、以及分类值输入至第二分类模型,输出服务请求的拼单成功率。
在一些实施例中,上述第一分类模型包括集成树模型;上述预测模块,用于:通过集成树模型中的分类树,对时间密度特征以及服务请求对应的时空特征进行分类处理,得到时间密度特征以及服务请求对应的时空特征在分类树中的叶子节点值,将叶子节点值确定为分类值。
在一些实施例中,上述第二分类模型包括逻辑回归模型;上述预测模块,用于:通过逻辑回归模型中的边界判定函数,计算时间密度特征以及服务请求对应的时空特征、以及分类值对应的函数值;根据函数值的绝对值,确定服务请求的拼单成功率。
在一些实施例中,上述预测模块,用于:通过逻辑回归模型中的概率函数,将函数值映射至预设的概率区间,得到服务请求的拼单成功率。
在一些实施例中,上述装置还包括:邀约发出模块,用于如果拼单成功率高于预设的成功率阈值,向服务请求方发出拼单邀约;拼单邀约包括拼单成功率和拼单折扣。
在一些实施例中,上述装置还包括:第一信息发送模块,用于如果在发出拼单邀约后的预设时间段内接收到服务请求方返回的同意拼单信息,向目标订单对应的服务提供方发送服务请求和服务请求方的同意拼单信息;第二信息发送模块,用于如果在发出拼单邀约后的预设时间段内没有接收到服务请求方返回的同意拼单信息,向服务提供方集合中的服务提供方发送服务请求。
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,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,以执行时执行如上述预测拼单成功率的方法的步骤。
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预测拼单成功率的方法的步骤。
基于上述任一方面,首先从预设范围内的服务提供方中筛选出与接收到的服务请求相匹配的服务提供方集合;进而从该集合的历史订单中筛选出满足预设拼单条件的目标订单;最后将目标订单对应的时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。该方式通过服务请求与历史订单的关系预测该服务请求在当前时空的预测成功率,相对于仅参考服务请求当前时空特征预测拼单概率的方式,本实施例的方式可以提高拼单概率的预测准确率。
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服务提供系统的框图;
图2示出了本申请实施例所提供的一种电子设备的硬件和软件组件的示意图;
图3示出了本申请实施例所提供的一种预测拼单成功率的方法的流程图;
图4示出了本申请实施例所提供的另一种预测拼单成功率的方法的流程图;
图5示出了本申请实施例所提供的另一种预测拼单成功率的方法的流程图;
图6示出了本申请实施例所提供的另一种预测拼单成功率的方法的流程图;
图7示出了本申请实施例所提供的一种预测拼单成功率的装置的结构示意图。
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“租车服务”,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。本申请还可以包括用于提供服务的任何服务系统,例如,用于发送和/或接收快递的系统、用于买卖双方交易的服务系统。
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“乘客”、“请求方”、“服务人员”、“服务请求方”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用,以指代可以提供服务的个人、实体或工具。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。在本申请中,“乘客”和“乘客终端”可以互换使用,“驾驶员”和“驾驶员终端”可以互换使用。
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。
图1是本申请一些实施例的服务提供系统100的框图。该服务提供系统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。该服务提供系统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。例如,服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例,服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个,以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实现。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。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从服务请求方终端130获得的服务请求来确定目标车辆。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。
网络120可以用于信息和/或数据的交换。在一些实施例中,上述服务提供系统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。例如,服务器110可以经由网络120从服务请求方终端130获取服务请求。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网等。
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;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。“服务请求方”和“服务请求方终端”可以互换使用,“服务提供方”和“服务提供方终端”可以互换使用。
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,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,服务请求方终端130可以是具有用于定位服务请求方和/或服务请求方终端的位置的定位技术的设备。
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。
数据库150可以存储数据和/或指令。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。在一些实施例中,数据库150可以在云平台上实现。
在一些实施例中,数据库150可以连接到网络120以与服务提供系统100(例如,服务器110,服务请求方终端130,服务提供方终端140等)中的一个或多个组件通信。服务提供系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到服务提供系统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等);或者,在一些实施例中,数据库150也可以是服务器110的一部分。
在一些实施例中,可以通过请求服务来实现服务提供系统100中的一个或多个组件的信息交换。服务请求的对象可以是任何产品。该产品可以是有形产品或非物质产品。
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预测拼单成功率的方法。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。
基于上述服务提供系统和电子设备的描述,本申请实施例首先描述一种预测拼单成功率的方法,如图3所示,该方法包括如下步骤:
步骤S302,当接收到服务请求方的服务请求时,从预设范围内的服务提供方中筛选出与服务请求相匹配的服务提供方集合;
该服务请求中通常包含有与服务相关的时间、地点等参数;基于这些参数,可以确定上述预设范围;以地点参数为例,该预测范围可以为该地点参数涉及到的城市、区县等;相对于系统从全部的服务提供方中筛选,从预设范围内的服务提供方中进行筛选可以提高筛选效率。
与服务请求相匹配的服务提供方集合,也可以理解为能够响应并执行该服务请求的服务提供方集合;该服务提供方集合中可以包含一个或多个服务提供方;该服务提供方集合中的服务提供方通常与服务请求中包含的上述时间、地点等参数匹配程度更高;具体地,对于时间参数,如果该服务请求为即时请求,则需要筛选当前处于空闲状态下的服务提供方,以即时执行该服务请求;对于地点参数,则需要筛选距离服务提供方或服务开始执行的地方距离较近的服务提供方,以减少服务请求方的等待时间。
步骤S304,从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;该预设拼单条件与服务请求相关联;
该服务提供方集合的历史订单,即该服务提供方集合中每个服务提供方执行完成的订单;具体可以获取预设时间范围内的历史订单,如以当前时间为基准,过去24小时之内的历史订单、过去一周内的历史订单、过去一个月之内的历史订单等。
由于本实施例的目的是预测服务请求的拼单成功率,本实施例拟将服务请求放置在与该服务请求的时刻特征类似的历史环境下,通过服务请求与能够提供该服务请求的服务提供方的历史订单的相似程度,预测该服务请求在当前时间能够拼单成功的概率。基于此,上述步骤S304中,从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单。
由于拼单首先需要满足执行该服务请求的条件,该预设拼单条件通常与服务请求相关联,即该预设拼单条件通常基于该服务请求设计的时间、地点等参数而设置;因而,能够拼单的两个服务请求通常具有较高的相似程度,如服务请求的执行时间、服务请求执行过程中设定的地址等,均相近,以避免由于拼单过度延误服务请求的执行时间。以租车服务的服务请求为例,能够拼单的服务请求之间通常需要出发时间的时间差小于对应的时间阈值、接客或接货的顺序不改变,第一单服务请求的出发时间不能延误过多、绕路里程小于对应的距离阈值、绕路时间小于对应的时间阈值、多个服务请求的共乘比大于预设的比例阈值、终点的距离小于对应的距离阈值等等。以出发时间为例,如果上述服务请求的出发时间为周一上午10点,则上述预设拼单条件中,与出发时间相关的条件可以设置为上周一上午9点50分至10点10分。
步骤S306,获取上述目标订单对应的时间密度特征;该时间密度特征为表征订单量与时间段的对应关系;
例如,可以以服务请求的出发时间为基准,分别统计该出发时间前5分钟内、该出发时间前10分钟内、该出发时间后5分钟内、以及该出发时间后10分钟内,历史订单中出发时间处于该时间段的订单量等等。再如,可以以服务请求的出发时间为基准,分别统计该出发时间前5分钟内、该出发时间前5分钟至前10分钟之内、该出发时间后5分钟内、以及该出发时间后5分钟至后10分钟内,历史订单中出发时间处于该时间段的订单量等等。不论上述时间密度特征如何统计,通过该时间密度特征可以表达出可以与服务请求拼单的目标订单的订单量随着时间的分布。
步骤S308,将时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。
服务请求对应的时空特征通常包含有时间特征、空间特征等;该时间特征可以包含服务请求的开始时间等;空间特征可以包含服务请求的出发地、目的地等;该空闲特征还可以包含上述时间特征中开始时间对应的天气特征等。上述预测模型通常使用可以实现分类、概率运算的机器学习模型实现,如集成树模型、贝叶斯模型、决策树模型、逻辑回归模型、支持向量机模型等,或者这些模型的组合。
可以理解,该预测模型需要预先训练完成,训练模型所需的样本可以从系统的历史订单中提取,其中,正样本可以从拼单成功的历史订单中提取,负样本可以从没有发生拼单的历史订单,或者拼单成功、但被服务请求方抱怨拼单不合理的历史订单中提取;提取到的训练样本通常还需要经清洗、归一化、离散化等处理,得到最终的训练样本;进而将该训练样本逐一输入至模型中进行训练;模型在训练过程中,不断调整模型中的各项参数,以使输出的拼单成功率与实际的拼单情况相贴近。
本发明实施例提供的一种预测拼单成功率的方法,首先从预设范围内的服务提供方中筛选出与接收到的服务请求相匹配的服务提供方集合;进而从该集合的历史订单中筛选出满足预设拼单条件的目标订单;最后将目标订单对应的时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。该方式通过服务请求与历史订单的关系预测该服务请求在当前时空的预测成功率,相对于仅参考服务请求当前时空特征预测拼单概率的方式,本实施例的方式可以提高拼单概率的预测准确率。
本发明实施例还提供另一种预测拼单成功率的方法,该方法在上述实施例所提供方法的基础上实现;本实施例中,具体描述筛选服务提供方的过程、预设拼单条件的具体内容、以及时间密度特征的具体获取方式。如图4所示,该方法包括如下步骤:
步骤S402,当接收到服务请求方的服务请求时,提取服务请求中的起始地址和/或目的地址;
可以理解,上述步骤S402中,可以仅提取服务请求中的起始地址或目的地址中的一种,也可以同时提取起始地址和目的地址。
步骤S404,从预设范围内的服务提供方中筛选出与提取的地址相匹配的服务提供方。
例如,如果提取的地址包含有起始地址,与该起始地址相匹配的服务提供方可以为服务提供方的当前位置与该起始地址的距离较近的服务提供方。如果提取的地址为目的地址,与该目的地址相匹配的服务提供方可以为该服务提供方的预设目的地与该起始地址的距离较近的服务提供方。
具体而言,上述步骤S404还可以通过下述步骤02-06实现:
步骤02,确定预设范围内的服务提供方的当前位置;
具体可以通过服务提供方对应的服务提供方终端的定位系统获取该服务提供方的当前位置;该定位系统可以为基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位系统等,或其任意组合。
步骤04,计算当前位置与提取出的地址间的距离;
步骤06,从预设范围内的服务提供方中筛选出距离小于预设距离阈值的服务提供方。
上述步骤S404还可以通过另一种方式实现:预先设置一个地图,该地图中按照预设的密度和形状划分有网格;确定出预设范围内的服务提供方的当前位置后,将该当前位置和提取出的地址对应至上述地图中,将服务提供方的当前位置与提取出的地址处于同一网格,或者临近网格的服务提供方作为筛选出的服务提供方;其中,该临近网格可以为与提取出的地址对应的网格相邻的网格,也可以为间隔预设个数网格的网格。
步骤S406,从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;该预设拼单条件与服务请求相关联;
为了更加便于筛选,该预设拼单条件通常包括下述四种中的一种或多种:
(1)指定历史日期中,历史订单的请求时间距离服务请求的请求时间在预设时长内;
该指定历史日期可以为与服务请求的请求时间对应日期具有类似日期规律的日期,例如,该服务请求的请求时间对应日期为周一,该指定历史日期也可以为周一;再如,该服务请求的请求时间对应日期为节假日,该指定历史日期也可以为节假日。上述预设时长可以根据实际需求进行设置,如20分钟、30分钟等。
(2)历史订单的起始地址距离服务请求的起始地址在预设的距离范围内;
其中,该距离范围可以通过长度表征,如1千米、2千米等;另一种方式中,该距离范围还可以通过网格地图中的网格关系表征,如历史订单的起始地址与服务请求的起始地址在同一网格内,或者临近网格内等。
(3)历史订单的发出时间对应的天气与服务请求对应的天气的相似度满足预设的相似度阈值;
例如,服务请求对应的天气为高温天气,则筛选历史订单时,历史订单的发出时间对应的天气也为高温天气;具体可以设置一个温度阈值,如,将高于30度的天气为高温天气。再如,服务请求对应的天气为下雨,则筛选历史订单时,历史订单的发出时间对应的天气也为下雨;具体可以设置一个实时降水量,以通过该降水量判断下雨天气。
(4)历史订单的线路与服务请求的线路的重合率高于预设的重合率阈值。
该历史订单的线路可以为执行该订单时实际使用的线路,也可以为该订单中起始地址和目的地址对应的其他可行的线路;该服务请求的线路通常为服务请求中起始地址和目的地址对应的所有可行的线路。在筛选过程中,可以通过排列组合的方式,将历史订单的线路中的每个线路与服务请求的每个线路进行比对,并计算重合率。该重合率具体可以以服务请求的线路为基准,即历史订单的线路与服务请求的线路的重合部分线路的长度除以服务请求线路的长度,即可得到上述重合率。上述重合率阈值可以预先设置,如50%、70%等。
步骤S408,以单位时长为间隔,将目标订单划分为多组;
该单位时长可以为2分钟、5分钟、10分钟等;
步骤S410,对于每组目标订单,计算当前组目标订单的订单总量,或者当前组目标订单与当前组目标订单相邻的指定组目标订单的订单总量,得到目标订单对应的时间密度特征。
在实际实现时,对于不同当前组目标订单,可以仅统计该当前组目标订单的订单总量,也可以统计当前组目标订单与当前组目标订单相邻的指定组目标订单的订单总量;如果该当前组目标订单需要统计当前组目标订单与当前组目标订单相邻的指定组目标订单的订单总量,对应的相邻的指定组的组数量可以不同,相邻的指定组可以为当前组之前的组,也可以为当前组之后的组。
为了进一步理解,下面举例说明。例如,服务请求的请求时间为10:00,且筛选出的目标订单的请求时间为9:50-10:10;上述单位时长可以为5分钟,此时,可以将目标订单划分为四组,分别为9:50-9:55组、9:55-10:00组、10:00-10:05组和10:05-10:10组。当当前组目标订单为9:50-9:55组时,可以统计9:50-9:55组和9:55-10:00组的目标订单的订单总量;当当前组目标订单为9:55-10:00组时,可以仅统计9:55-10:00组的目标订单的订单总量;当当前组目标订单为10:00-10:05组时,可以仅统计10:00-10:05组的目标订单的订单总量;当当前组目标订单为10:05-10:10组时,可以统计10:00-10:05组和10:05-10:10组的目标订单的订单总量。通过该方式,可以获得距离服务请求的请求时间10:00前5分钟、前10分钟、后5分钟和后10分钟分别对应的目标订单的订单总量,从而得到目标订单在10:00前后共20分钟内的时间分布。当然还可以划分更加精细的时间段,如将单位时长设置为1分钟,从而获得距离服务请求的请求时间10:00前1分钟、前2分钟、前3分钟、直至前10分钟的订单总量,以及10:00后1分钟、后2分钟、后3分钟、直至后10分钟的订单总量。上述时间密度特征还可以通过其他方式统计,如仅统计上述每个分组的订单总量,也可以作为时间密度特征。
步骤S412,将时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。
本发明实施例提供的一种预测拼单成功率的方法,首先通过服务请求中包含的地址信息筛选出与该服务请求相匹配的服务提供方集合;进而从该集合的历史订单中筛选出满足预设拼单条件的目标订单;该预设拼单条件可以包含地址、时间、天气、线路重合度等条件;最后将目标订单对应的时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。该方式考虑了服务请求与其他请求的关系,相对于仅参考服务请求当前时空特征预测拼单概率的方式,本实施例的方式可以提高拼单概率的预测准确率。
本发明实施例还提供另一种预测拼单成功率的方法,该方法在上述实施例所提供方法的基础上实现;本实施例中,重点描述预测模型的结构,以及通过预测模型预测出拼单成功率的具体方式。
该预测模型可以通过二分类的方式实现;其中一种实现方式中,该预测模型包括第一分类模型和第二分类模型;计算得到时间密度特征后,将该时间密度特征以及服务请求对应的时空特征输入至第一分类模型,输出分类值;再将该时间密度特征以及服务请求对应的时空特征、以及分类值输入至第二分类模型,输出服务请求的拼单成功率。
具体而言,上述第一分类模型通常使用可以实现分类的机器学习模型实现,如集成树模型、贝叶斯模型、决策树模型等;模型在进行分类过程中,通常会以数值的形式输出时间密度特征以及服务请求对应的时空特征的分类结果,该分类结果即为对应的分类值。以集成树模型为例,该模型中包含有多层分支,根据时间密度特征以及服务请求对应的时空特征与各层分支的匹配程度,将时间密度特征以及服务请求对应的时空特征逐步划分,直至到达分支末端(也可以称为叶子节点值),该分支末端对应的权重值,即分类值。
上述第二分类模型通常使用可以实现概率预测的机器学习模型实现,如逻辑回归模型、支持向量机模型等;模型在预测概率时,通常会通过预设函数计算时间密度特征以及服务请求对应的时空特征的函数值,进而再将函数值进行归一化处理,映射至概率区间中,得到上述拼单成功率。
下面以第一分类模型为集成树模型、第二分类模型为逻辑回归模型为例进一步说明本实施例的预测拼单成功率的方法;如图5所示,该方法包括如下步骤:
步骤S502,当接收到服务请求方的服务请求时,提取服务请求中的起始地址和/或目的地址;
步骤S504,从预设范围内的服务提供方中筛选出与提取的地址相匹配的服务提供方。
步骤S506,从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;该预设拼单条件与服务请求相关联;
步骤S508,以单位时长为间隔,将目标订单划分为多组;
步骤S510,对于每组目标订单,计算当前组目标订单的订单总量,或者当前组目标订单与当前组目标订单相邻的指定组目标订单的订单总量,得到目标订单对应的时间密度特征。
步骤S512,通过集成树模型中的分类树,对时间密度特征以及服务请求对应的时空特征进行分类处理,得到所述时间密度特征以及服务请求对应的时空特征在分类树中的叶子节点值,将叶子节点值确定为分类值。
该集成树模型中的分类树中,可以设置多层分类节点,每个分类节点中设置决策条件以及不同的分支,根据时间密度特征以及服务请求对应的时空特征与决策条件的匹配程度,可以确定下一步该走哪个分支;直至走到分类树的末端,即叶子节点;每个叶子节点预先分配有不同的权重值,当前的时间密度特征以及服务请求对应的时空特征走到哪个叶子节点,该叶子节点的权重值即对应的叶子节点值,即当前的时间密度特征以及服务请求对应的时空特征对应的分类值。
为了进一步提高集成树模型的分类合理程度,上述集成树模型中可以预设有多个分类子树;每个分类子树中包含的决策条件通常不同,例如可以将决策条件进行分组,每组决策条件形成一个分类子树。基于此,上述步骤S512还可以通过下述步骤实现:
步骤12,将时间密度特征以及服务请求对应的时空特征分别输入至每个分类子树中;
步骤14,通过每个分类子树对上述时间密度特征以及服务请求对应的时空特征进行分类处理,得到每个分类子树中输出的叶子节点值;
步骤16,将每个分类子树中输出的叶子节点值,或者每个分类子树中输出的叶子节点值的总和作为最终的叶子节点值。
例如,上述集成树模型中包含有两个分类子树,分别是分类子树1和分类子树2,时间密度特征以及服务请求对应的时空特征A经分类子树1分类后得到的叶子节点值是2,经分类子树2分类后得到的叶子节点值是0.9;此时时间密度特征以及服务请求对应的时空特征A的最终的叶子节点值可以为2、0.9,也可以为0.9+2=2.9。再如,时间密度特征以及服务请求对应的时空特征B经分类子树1分类后得到的叶子节点值是-1,经分类子树2分类后得到的叶子节点值是0.9;此时该时间密度特征以及服务请求对应的时空特征B的最终的叶子节点值可以为-1、0.9,也可以为0.9-1=-0.1。
步骤S514,通过逻辑回归模型中的边界判定函数,计算时间密度特征以及服务请求对应的时空特征、以及分类值对应的函数值;
该边界判定函数f(x)=0可以为直线、曲线或者封闭曲线;当时间密度特征以及服务请求对应的时空特征、以及分类值代入f(x)时,即可得到对应的函数值。
步骤S516,根据函数值的绝对值,确定服务请求的拼单成功率。
上述得到的函数值的绝对值,可以理解为函数值与f(x)=0的距离,距离越近,说明时间密度特征以及服务请求对应的时空特征、以及分类值分类越清晰,距离越远,说明分类越模糊。具体到本实施例中,f(x)=0可以对应概率预测值为0.5,f(x)小于0时,可以对应概率预测值小于0.5;f(x)大于0时,可以对应概率预测值大于0.5。
通常,上述边界判定函数输出的函数值范围较大,为了得到函数值对应的概率预测值,通常还需要对函数值进行进一步处理,如,通过逻辑回归模型中的概率函数,将函数值映射至预设的概率区间,得到服务请求的拼单成功率。该概率函数具体可以为Sigmoid函数,当然也可以为其他映射函数;可以理解,上述概率区间通常为[0,1]。
上述方式中,预测模型中包含有第一分类模型和第二分类模型,通过多种分类模型的组合,可以对输入的时间密度特征以及服务请求对应的时空特征进行更加准确的分类和概率预测,从而使得输出的拼单成功率更准确,有利于后续拼单数量的增加。
本发明实施例还提供另一种预测拼单成功率的方法,该方法在上述实施例所提供方法的基础上实现;本实施例中,重点描述得到拼单成功率的后续处理方式;如果该拼单成功率高于预设的成功率阈值,则向服务请求方发出拼单邀约,以激励服务提供方拼单。如图6所示,该方法包括如下步骤:
步骤S602,当接收到服务请求方的服务请求时,提取服务请求中的起始地址和/或目的地址;
步骤S604,从预设范围内的服务提供方中筛选出与提取的地址相匹配的服务提供方。
步骤S606,从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;该预设拼单条件与服务请求相关联;
步骤S608,以单位时长为间隔,将目标订单划分为多组;
步骤S610,对于每组目标订单,计算当前组目标订单的订单总量,或者当前组目标订单与当前组目标订单相邻的指定组目标订单的订单总量,得到目标订单对应的时间密度特征。
步骤S612,通过集成树模型中的分类树,对时间密度特征以及服务请求对应的时空特征进行分类处理,得到所述时间密度特征以及服务请求对应的时空特征在分类树中的叶子节点值,将叶子节点值确定为分类值。
步骤S614,通过逻辑回归模型中的边界判定函数,计算时间密度特征以及服务请求对应的时空特征、以及分类值对应的函数值;
步骤S616,根据函数值的绝对值,确定服务请求的拼单成功率。
步骤S618,判断该拼单成功率是否高于预设的成功率阈值;如果是,执行步骤S620,如果否,执行步骤S626;
步骤S620,向服务请求方发出拼单邀约;该拼单邀约包括拼单成功率和拼单折扣。
其中,该拼单折扣可以为包括在服务请求原价基础上的折扣信息,如九五折、八折,以及折后的价格;该拼单折扣还可以为在服务请求原价基础上的降价信息,如减十元、减15元、以及降价后的价格等。
步骤S622,判断在发出拼单邀约后的预设时间段内是否接收到服务请求方返回的同意拼单信息;如果是,执行步骤S624;如果否,执行步骤S626;
步骤S624,向目标订单对应的服务提供方发送服务请求和服务请求方的同意拼单信息;
该预设时间段可以为两分钟、五分钟等;如果接收到服务请求方返回的同意拼单信息,则向上述目标订单对应的服务提供方发送服务请求和服务请求方的同意拼单信息,以使目标订单对应的服务提供方根据自身的实际请求选择是否接单并执行该服务请求。该目标订单即为与服务请求满足预设拼单条件的历史订单,由于上述拼单成功率基于这些目标订单的时间密度特征预测得到,因而,该拼单成功率较高时,这些目标订单对应的服务提供方接收拼单并实现拼单的概率也较高,因而当服务提供方同意拼单时,将服务请求和服务请求方的同意拼单信息发送至目标订单对应的服务提供方。
步骤S626,向服务提供方集合中的服务提供方发送服务请求。
如果拼单成功率低于或等于预设的成功率阈值,说明拼单成功率较低;如果在发出拼单邀约后的预设时间段内没有接收到服务请求方返回的同意拼单信息,说明服务请求方不同意拼单。当拼单成功率较低或者服务请求方不同意拼单时,则向可以执行服务请求的服务提供方发送服务请求即可。
上述方式中,得到预测成功率后,如果成功率较高,则可以向服务请求方发送拼单邀约,可以刺激服务请求方提高拼单意愿,从而增加拼单的数量,为用户节约出行成本,也有利于服务平台的整体收益。另外,上述方式可以在服务请求方出发之前形成拼单,有利于服务提供方提前规划合理的路线,避免过多的绕行,从而提高了用户体验度。
对应于上述预测拼单成功率的方法实施例,参见图7所示的一种预测拼单成功率的装置的结构示意图;该装置包括:
服务提供方筛选模块70,用于当接收到服务请求方的服务请求时,从预设范围内的服务提供方中筛选出与服务请求相匹配的服务提供方集合;
订单筛选模块71,用于从服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;预设拼单条件与服务请求相关联;
特征获取模块72,用于获取目标订单对应的时间密度特征;时间密度特征为表征订单量与时间段的对应关系;
预测模块73,用于将所述时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。
本发明实施例提供的一种预测拼单成功率的装置,首先从预设范围内的服务提供方中筛选出与接收到的服务请求相匹配的服务提供方集合;进而从该集合的历史订单中筛选出满足预设拼单条件的目标订单;最后将目标订单对应的时间密度特征以及服务请求对应的时空特征输入至预先训练完成的预测模型中,输出服务请求的拼单成功率。该方式通过服务请求与历史订单的关系预测该服务请求在当前时空的预测成功率,由于考虑了服务请求与其他请求的关系,相对于仅参考服务请求当前时空特征预测拼单概率的方式,本申请的方式可以进一步提高拼单概率的预测准确率。
上述预测拼单成功率的装置中的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。
在一些实施例中,上述服务提供方筛选模块,用于:提取服务请求中的起始地址和/或目的地址;从预设范围内的服务提供方中筛选出与提取的地址相匹配的服务提供方。
在一些实施例中,上述服务提供方筛选模块,用于:确定预设范围内的服务提供方的当前位置;计算当前位置与提取出的地址间的距离;从预设范围内的服务提供方中筛选出距离小于预设距离阈值的服务提供方。
在一些实施例中,上述预设拼单条件包括下述中的一种或多种:指定历史日期中,历史订单的请求时间距离服务请求的请求时间在预设时长内;历史订单的起始地址距离服务请求的起始地址在预设的距离范围内;历史订单的发出时间对应的天气与服务请求对应的天气的相似度满足预设的相似度阈值;历史订单的线路与服务请求的线路的重合率高于预设的重合率阈值。
在一些实施例中,上述特征获取模块,用于:以单位时长为间隔,将目标订单划分为多组;对于每组所述目标订单,计算当前组目标订单的订单总量,或者当前组目标订单与所述当前组目标订单相邻的指定组目标订单的订单总量,得到所述目标订单对应的时间密度特征。
在一些实施例中,上述预测模型包括第一分类模型和第二分类模型;上述预测模块,用于:将所述时间密度特征以及服务请求对应的时空特征输入至第一分类模型,输出分类值;将所述时间密度特征以及服务请求对应的时空特征、以及分类值输入至第二分类模型,输出服务请求的拼单成功率。
在一些实施例中,上述第一分类模型包括集成树模型;上述预测模块,用于:通过集成树模型中的分类树,对所述时间密度特征以及服务请求对应的时空特征进行分类处理,得到所述时间密度特征以及服务请求对应的时空特征在分类树中的叶子节点值,将叶子节点值确定为分类值。
在一些实施例中,上述第二分类模型包括逻辑回归模型;上述预测模块,用于:通过逻辑回归模型中的边界判定函数,计算所述时间密度特征以及服务请求对应的时空特征、以及分类值对应的函数值;根据函数值的绝对值,确定服务请求的拼单成功率。
在一些实施例中,上述预测模块,用于:通过逻辑回归模型中的概率函数,将函数值映射至预设的概率区间,得到服务请求的拼单成功率。
在一些实施例中,上述装置还包括:邀约发出模块,用于如果拼单成功率高于预设的成功率阈值,向服务请求方发出拼单邀约;拼单邀约包括拼单成功率和拼单折扣。
在一些实施例中,上述装置还包括:第一信息发送模块,用于如果在发出所述拼单邀约后的预设时间段内接收到服务请求方返回的同意拼单信息,向目标订单对应的服务提供方发送服务请求和服务请求方的同意拼单信息;第二信息发送模块,用于如果在发出拼单邀约后的预设时间段内没有接收到服务请求方返回的同意拼单信息,向服务提供方集合中的服务提供方发送服务请求。
本实施例所提供的装置,其实现原理及产生的技术效果和前述实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本实施例还提供一种电子设备,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,以执行时执行如上述预测拼单成功率的方法的步骤。
本实施例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预测拼单成功率的方法的步骤。
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 (24)
1.一种预测拼单成功率的方法,其特征在于,所述方法包括:
当接收到服务请求方的服务请求时,从预设范围内的服务提供方中筛选出与所述服务请求相匹配的服务提供方集合;
从所述服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;所述预设拼单条件与所述服务请求相关联;
获取所述目标订单对应的时间密度特征;所述时间密度特征为表征订单量与时间段的对应关系;
将所述时间密度特征以及所述服务请求对应的时空特征输入至预先训练完成的预测模型中,输出所述服务请求的拼单成功率。
2.根据权利要求1所述的方法,其特征在于,从预设范围内的服务提供方中筛选出与所述服务请求相匹配的服务提供方的步骤,包括:
提取所述服务请求中的起始地址和/或目的地址;
从预设范围内的服务提供方中筛选出与提取的所述地址相匹配的服务提供方。
3.根据权利要求2所述的方法,其特征在于,从预设范围内的服务提供方中筛选出与提取的所述地址相匹配的服务提供方的步骤,包括:
确定预设范围内的服务提供方的当前位置;
计算所述当前位置与提取出的所述地址间的距离;
从预设范围内的服务提供方中筛选出所述距离小于预设距离阈值的服务提供方。
4.根据权利要求1所述的方法,其特征在于,所述预设拼单条件包括下述中的一种或多种:
指定历史日期中,历史订单的请求时间距离所述服务请求的请求时间在预设时长内;
历史订单的起始地址距离所述服务请求的起始地址在预设的距离范围内;
历史订单的发出时间对应的天气与所述服务请求对应的天气的相似度满足预设的相似度阈值;
历史订单的线路与所述服务请求的线路的重合率高于预设的重合率阈值。
5.根据权利要求1所述的方法,其特征在于,获取所述目标订单对应的时间密度特征的步骤,包括:
以单位时长为间隔,将所述目标订单划分为多组;
对于每组所述目标订单,计算当前组目标订单的订单总量,或者当前组目标订单与所述当前组目标订单相邻的指定组目标订单的订单总量,得到所述目标订单对应的时间密度特征。
6.根据权利要求1所述的方法,其特征在于,所述预测模型包括第一分类模型和第二分类模型;
将所述时间密度特征以及所述服务请求对应的时空特征输入至预先训练完成的预测模型中,得到所述服务请求的拼单成功率的步骤,包括:
将所述时间密度特征以及所述服务请求对应的时空特征输入至第一分类模型,输出分类值;
将所述时间密度特征以及所述服务请求对应的时空特征.以及所述分类值输入至第二分类模型,输出所述服务请求的拼单成功率。
7.根据权利要求6所述的方法,其特征在于,所述第一分类模型包括集成树模型;
将所述时间密度特征以及所述服务请求对应的时空特征输入至第一分类模型,输出分类值的步骤,包括:
通过所述集成树模型中的分类树,对所述时间密度特征以及所述服务请求对应的时空特征进行分类处理,得到所述时间密度特征以及所述服务请求对应的时空特征在所述分类树中的叶子节点值,将所述叶子节点值确定为分类值。
8.根据权利要求6所述的方法,其特征在于,所述第二分类模型包括逻辑回归模型;
将所述时间密度特征以及所述服务请求对应的时空特征.以及所述分类值输入至第二分类模型,输出所述服务请求的拼单成功率的步骤,包括:
通过所述逻辑回归模型中的边界判定函数,计算所述时间密度特征以及所述服务请求对应的时空特征.以及所述分类值对应的函数值;
根据所述函数值的绝对值,确定所述服务请求的拼单成功率。
9.根据权利要求8所述的方法,其特征在于,根据所述函数值的绝对值,确定所述服务请求的拼单成功率的步骤,包括:
通过所述逻辑回归模型中的概率函数,将所述函数值映射至预设的概率区间,得到所述服务请求的拼单成功率。
10.根据权利要求1所述的方法,其特征在于,得到所述服务请求的拼单成功率之后,所述方法还包括:
如果所述拼单成功率高于预设的成功率阈值,向所述服务请求方发出拼单邀约;所述拼单邀约包括所述拼单成功率和拼单折扣。
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:
如果在发出所述拼单邀约后的预设时间段内接收到所述服务请求方返回的同意拼单信息,向所述目标订单对应的服务提供方发送所述服务请求和所述服务请求方的同意拼单信息;
如果在发出所述拼单邀约后的预设时间段内没有接收到所述服务请求方返回的同意拼单信息,向所述服务提供方集合中的服务提供方发送所述服务请求。
12.一种预测拼单成功率的装置,其特征在于,所述装置包括:
服务提供方筛选模块,用于当接收到服务请求方的服务请求时,从预设范围内的服务提供方中筛选出与所述服务请求相匹配的服务提供方集合;
订单筛选模块,用于从所述服务提供方集合的历史订单中,筛选出满足预设拼单条件的目标订单;所述预设拼单条件与所述服务请求相关联;
特征获取模块,用于获取所述目标订单对应的时间密度特征;所述时间密度特征为表征订单量与时间段的对应关系;
预测模块,用于将所述时间密度特征以及所述服务请求对应的时空特征输入至预先训练完成的预测模型中,输出所述服务请求的拼单成功率。
13.根据权利要求12所述的装置,其特征在于,所述服务提供方筛选模块,用于:
提取所述服务请求中的起始地址和/或目的地址;
从预设范围内的服务提供方中筛选出与提取的所述地址相匹配的服务提供方。
14.根据权利要求13所述的装置,其特征在于,所述服务提供方筛选模块,用于:
确定预设范围内的服务提供方的当前位置;
计算所述当前位置与提取出的所述地址间的距离;
从预设范围内的服务提供方中筛选出所述距离小于预设距离阈值的服务提供方。
15.根据权利要求12所述的装置,其特征在于,所述预设拼单条件包括下述中的一种或多种:
指定历史日期中,历史订单的请求时间距离所述服务请求的请求时间在预设时长内;
历史订单的起始地址距离所述服务请求的起始地址在预设的距离范围内;
历史订单的发出时间对应的天气与所述服务请求对应的天气的相似度满足预设的相似度阈值;
历史订单的线路与所述服务请求的线路的重合率高于预设的重合率阈值。
16.根据权利要求12所述的装置,其特征在于,所述特征获取模块,用于:
以单位时长为间隔,将所述目标订单划分为多组;
对于每组所述目标订单,计算当前组目标订单的订单总量,或者当前组目标订单与所述当前组目标订单相邻的指定组目标订单的订单总量,得到所述目标订单对应的时间密度特征。
17.根据权利要求12所述的装置,其特征在于,所述预测模型包括第一分类模型和第二分类模型;
所述预测模块,用于:
将所述时间密度特征以及所述服务请求对应的时空特征输入至第一分类模型,输出分类值;
将所述时间密度特征以及所述服务请求对应的时空特征.以及所述分类值输入至第二分类模型,输出所述服务请求的拼单成功率。
18.根据权利要求17所述的装置,其特征在于,所述第一分类模型包括集成树模型;
所述预测模块,用于:
通过所述集成树模型中的分类树,对所述时间密度特征以及所述服务请求对应的时空特征进行分类处理,得到所述时间密度特征以及所述服务请求对应的时空特征在所述分类树中的叶子节点值,将所述叶子节点值确定为分类值。
19.根据权利要求17所述的装置,其特征在于,所述第二分类模型包括逻辑回归模型;
所述预测模块,用于:
通过所述逻辑回归模型中的边界判定函数,计算所述时间密度特征以及所述服务请求对应的时空特征.以及所述分类值对应的函数值;
根据所述函数值的绝对值,确定所述服务请求的拼单成功率。
20.根据权利要求17所述的装置,其特征在于,所述预测模块,用于:
通过所述逻辑回归模型中的概率函数,将所述函数值映射至预设的概率区间,得到所述服务请求的拼单成功率。
21.根据权利要求12所述的装置,其特征在于,所述装置还包括:
邀约发出模块,用于如果所述拼单成功率高于预设的成功率阈值,向所述服务请求方发出拼单邀约;所述拼单邀约包括所述拼单成功率和拼单折扣。
22.根据权利要求21所述的装置,其特征在于,所述装置还包括:
第一信息发送模块,用于如果在发出所述拼单邀约后的预设时间段内接收到所述服务请求方返回的同意拼单信息,向所述目标订单对应的服务提供方发送所述服务请求和所述服务请求方的同意拼单信息;
第二信息发送模块,用于如果在发出所述拼单邀约后的预设时间段内没有接收到所述服务请求方返回的同意拼单信息,向所述服务提供方集合中的服务提供方发送所述服务请求。
23.一种电子设备,其特征在于,包括:处理器.存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至11任一所述的预测拼单成功率的方法的步骤。
24.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至11任一所述的预测拼单成功率的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139192.7A CN111612198B (zh) | 2019-02-25 | 2019-02-25 | 预测拼单成功率的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139192.7A CN111612198B (zh) | 2019-02-25 | 2019-02-25 | 预测拼单成功率的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612198A true CN111612198A (zh) | 2020-09-01 |
CN111612198B CN111612198B (zh) | 2023-12-12 |
Family
ID=72202813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910139192.7A Active CN111612198B (zh) | 2019-02-25 | 2019-02-25 | 预测拼单成功率的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612198B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669116A (zh) * | 2020-12-31 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 一种订单处理方法、装置、电子设备及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105830109A (zh) * | 2014-09-25 | 2016-08-03 | 华为技术有限公司 | 一种订单处理方法和终端 |
CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 提供叫车服务的方法和装置 |
CN106803197A (zh) * | 2015-11-26 | 2017-06-06 | 滴滴(中国)科技有限公司 | 拼单方法和设备 |
CN108009869A (zh) * | 2017-08-16 | 2018-05-08 | 北京嘀嘀无限科技发展有限公司 | 订单处理方法、装置、服务器和计算机可读存储介质 |
CN108009650A (zh) * | 2017-03-29 | 2018-05-08 | 北京嘀嘀无限科技发展有限公司 | 网约车服务请求处理方法、装置和服务器 |
CN108009652A (zh) * | 2017-08-16 | 2018-05-08 | 北京嘀嘀无限科技发展有限公司 | 信息显示方法、装置、终端设备和计算机可读存储介质 |
US20180181910A1 (en) * | 2015-08-20 | 2018-06-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining information related to a current order based on historical orders |
US20180268324A1 (en) * | 2016-11-02 | 2018-09-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for providing information for on-demand services |
WO2018176939A1 (en) * | 2017-03-27 | 2018-10-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for carpooling |
CN108876156A (zh) * | 2018-06-25 | 2018-11-23 | 清华大学 | 拼车及用户订单处理方法、系统及所适用的设备 |
-
2019
- 2019-02-25 CN CN201910139192.7A patent/CN111612198B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105830109A (zh) * | 2014-09-25 | 2016-08-03 | 华为技术有限公司 | 一种订单处理方法和终端 |
US20180181910A1 (en) * | 2015-08-20 | 2018-06-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining information related to a current order based on historical orders |
CN106803197A (zh) * | 2015-11-26 | 2017-06-06 | 滴滴(中国)科技有限公司 | 拼单方法和设备 |
CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 提供叫车服务的方法和装置 |
US20180268324A1 (en) * | 2016-11-02 | 2018-09-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for providing information for on-demand services |
WO2018176939A1 (en) * | 2017-03-27 | 2018-10-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for carpooling |
CN108009650A (zh) * | 2017-03-29 | 2018-05-08 | 北京嘀嘀无限科技发展有限公司 | 网约车服务请求处理方法、装置和服务器 |
CN108009869A (zh) * | 2017-08-16 | 2018-05-08 | 北京嘀嘀无限科技发展有限公司 | 订单处理方法、装置、服务器和计算机可读存储介质 |
CN108009652A (zh) * | 2017-08-16 | 2018-05-08 | 北京嘀嘀无限科技发展有限公司 | 信息显示方法、装置、终端设备和计算机可读存储介质 |
CN108876156A (zh) * | 2018-06-25 | 2018-11-23 | 清华大学 | 拼车及用户订单处理方法、系统及所适用的设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669116A (zh) * | 2020-12-31 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 一种订单处理方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111612198B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3479306B1 (en) | Method and system for estimating time of arrival | |
US11011057B2 (en) | Systems and methods for generating personalized destination recommendations | |
AU2019246799B2 (en) | Systems and methods for distributing a service request for an on-demand service | |
WO2019154398A1 (en) | Systems and methods for recommending transportation services | |
CN109478275B (zh) | 分配服务请求的系统和方法 | |
JP2019215896A (ja) | 運輸サービスの料金を求める方法及びシステム | |
CN111862585B (zh) | 用于交通预测的系统和方法 | |
TW201907338A (zh) | 用於確定預估到達時間的系統和方法 | |
CN111612122A (zh) | 实时需求量的预测方法、装置及电子设备 | |
CN109791731B (zh) | 一种预估到达时间的方法和系统 | |
TW201901185A (zh) | 用於確定預估到達時間的系統和方法 | |
US9785897B2 (en) | Methods and systems for optimizing efficiency of a workforce management system | |
US10902445B2 (en) | Location evaluation | |
CN111324824B (zh) | 一种目的地推荐方法、其装置、电子设备及可读存储介质 | |
CN112703517A (zh) | 电子叫车服务 | |
JP2021506007A (ja) | オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法 | |
US20200167812A1 (en) | Systems and methods for determining a fee of a service request | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
CN110378517A (zh) | 出行目的预测方法、装置、计算设备和可读存储介质 | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN111831967A (zh) | 一种到店识别方法、装置、电子设备及介质 | |
CN111275229B (zh) | 资源模型训练方法、资源缺口预测方法、装置及电子设备 | |
CN111259119A (zh) | 一种问题推荐方法及装置 | |
CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
US11060879B2 (en) | Method, system, and computer program product for generating synthetic demand data of vehicle rides |
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 |