CN111753386A - 一种数据处理方法及装置 - Google Patents
一种数据处理方法及装置 Download PDFInfo
- Publication number
- CN111753386A CN111753386A CN201910181735.1A CN201910181735A CN111753386A CN 111753386 A CN111753386 A CN 111753386A CN 201910181735 A CN201910181735 A CN 201910181735A CN 111753386 A CN111753386 A CN 111753386A
- Authority
- CN
- China
- Prior art keywords
- order
- target order
- target
- characteristic
- index
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 195
- 238000011156 evaluation Methods 0.000 claims abstract description 121
- 238000013145 classification model Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 19
- 230000001419 dependent effect Effects 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 27
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004891 communication 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
- 238000010998 test method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种数据处理方法及装置，其中，该方法包括：获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景；根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息。本申请能够基于各个目标订单所具有的特征，将目标订单划分至不同的业务场景，进而确定同一业务引擎策略针对不同业务场景的效果，准确性更高。
Description
技术领域
本申请涉及计算机应用技术领域，具体而言，涉及一种数据处理方法及装置。
背景技术
业务引擎策略可以是业务引擎为了更好的完成业务双方之间的交互所采用的技术方案。例如在网约车中，业务引擎策略可以是为了实现派单的派单策略、为了进行供需调节的供需调节策略等。其中，派单策略可以是业务引擎将服务请求方提交的目标订单分配给服务提供方的具体方法；供需调节策略可以是业务引擎将较少订单区域中的服务提供方调度至较多订单区域的具体方法。业务引擎策略的好坏，直接影响了业务引擎是否能够更好的更好的完成服务提供方与服务请求方之间的业务交互。
当前的业务引擎策略效果评估方式一般为AB-test方法。AB-test是为同一个策略目标制定A和B两个方案，使用随机选择的方式选取一部分用户使用A方案，一部分用户使用B方案，对所关注的效果评估指标进行总量的统计，例如在网约车领域，该效果评估指标可以是应答率、目标订单完成率、收入等，从而根据效果评估指标的统计量，得出两个策略的总体效果差异。但由于AB-test方法关注统计量，造成AB-test方法局限于关注策略的总体效果，造成业务引擎策略的实施效果评估不准确。
发明内容
有鉴于此，本申请的目的在于提供一种数据处理方法及装置，能够基于各个目标订单所具有的特征，将目标订单划分至不同的业务场景，进而确定同一业务引擎策略针对不同业务场景的效果，准确性更高。
第一方面，本申请实施例提供一种数据处理方法，包括：获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景；
根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息。
一种可选实施方式中，所述效果评估指标包括：应答率、应答时长、目标订单完成率、接驾距离、接驾时长、成交金额中一种或者多种。
一种可选实施方式中，所述订单特征包括：发单时间、发单区域、排队信息、拼车信息、目标订单路程长度、目标订单预估价格、起始地热度、目的地热度、服务提供端在线时长、服务提供端接驾时间、服务提供端接驾速度中一种或者多种。
一种可选实施方式中，所述业务场景分类模型包括：指标预测模型以及业务场景确定模型；
所述根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务业务场景分类模型，获取各个所述目标订单对应的业务场景，包括：
将各个所述目标订单在所述订单特征下的特征值输入至所述指标预测模型中，获取与每个所述目标订单分别对应的指标预测值；
将各个目标订单分别对应的特征值以及指标预测值，输入至所述业务场景确定模型中，获取与各个目标订单分别对应的业务场景。
一种可选实施方式中，所述根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，包括：
根据所述目标订单对应的所有业务场景，生成用于表征各个所述业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；
以各个所述目标订单在多种订单特征下的特征值、各个所述目标订单的业务场景对应的业务场景向量作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述效果信息。
一种可选实施方式中，所述基于所述回归方程，确定效果信息，包括：
从所述回归方程中，确定各个所述自变量的系数；
基于确定各个所述自变量的系数，确定各个订单特征以及业务场景对所述效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述效果信息。
一种可选实施方式中，所述获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值，包括：
获取业务引擎策略上线前的第一预设时间段内和所述业务引擎策略上线后的第二预设时间段内多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
所述根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，包括：
根据所述目标订单对应的所有业务场景，生成用于表征各个业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；以及
根据各个目标订单的订单时间，确定各个所述目标订单在时间特征下的特征值；其中，若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0；若所述目标订单的订单时间在所述第二预设时间段内，则所述目标订单在时间特征下的特征值为1；
针对每个目标订单，根据该目标订单在多种订单特征下的特征值、该目标订单的业务场景对应的业务场景向量、该目标订单在时间特征下的特征值、该目标订单在时间特征下的特征值和该目标订单在多种订单特征下的特征值的第一交叉项，以及该目标订单在时间特征下的特征值和该目标订单的业务场景向量的第二交叉项作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述业务引擎策略上线后的所述效果信息。
一种可选实施方式中，所述基于所述回归方程，确定所述业务引擎策略的实施效果信息，包括：
从所述回归方程中，确定所述第一交叉项以及第二交叉项的系数；
基于确定所述第一交叉项和所述第二交叉项的系数，确定各个订单特征以及业务场景对效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述实施效果信息。
一种可选实施方式中，采用下述方式获取所述业务场景分类模型：
获取多个样本订单在所述订单特征下的样本特征值、各个所述样本订单在所述效果评估指标下的样本指标真实值，以及各个所述样本订单对应的样本真实业务场景；
将各个所述样本订单在所述订单特征下的样本特征值，输入至基础预测模型中，获取每个所述样本订单在所述效果评估指标下的样本指标预测值；
根据所述样本指标真实值以及所述样本指标预测值，训练所述基础预测模型，得到所述指标预测模型；
以及，
将各个所述样本订单在所述订单特征下的样本特征值以及在所述效果评估指标下的样本指标预测值，输入至基础分类模型中，获取与每个所述样本订单的样本分类业务场景；
根据各个所述目标订单的样本分类业务场景以及样本真实业务场景，训练所述基础分类模型，得到所述业务场景确定模型。
一种可选实施方式中，所述指标预测模型为梯度提升树GBDT模型；所述业务场景确定模型为决策树模型。
第二方面，本申请实施例提供一种数据处理装置，包括：
第一获取模块，用于获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
第二获取模块，用于根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景；
确定模块，用于根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息。
一种可选实施方式中，所述效果评估指标包括：应答率、应答时长、目标订单完成率、接驾距离、接驾时长、成交金额中一种或者多种。
一种可选实施方式中，所述订单特征包括：发单时间、发单区域、排队信息、拼车信息、目标订单路程长度、目标订单预估价格、起始地热度、目的地热度、服务提供端在线时长、服务提供端接驾时间、服务提供端接驾速度中一种或者多种。
一种可选实施方式中，所述业务场景分类模型包括：指标预测模型以及业务场景确定模型；
所述第二获取模块，具体用于采用下述方式根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务业务场景分类模型，获取各个所述目标订单对应的业务场景：
将各个所述目标订单在所述订单特征下的特征值输入至所述指标预测模型中，获取与每个所述目标订单分别对应的指标预测值；
将各个目标订单分别对应的特征值以及指标预测值，输入至所述业务场景确定模型中，获取与各个目标订单分别对应的业务场景。
一种可选实施方式中，所述确定模块，用于采用下述方式根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息：
根据所述目标订单对应的所有业务场景，生成用于表征各个所述业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；
以各个所述目标订单在多种订单特征下的特征值、各个所述目标订单的业务场景对应的业务场景向量作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述效果信息。
一种可选实施方式中，所述确定模块，用于采用下述方式基于所述回归方程，确定效果信息：
从所述回归方程中，确定各个所述自变量的系数；
基于确定各个所述自变量的系数，确定各个订单特征以及业务场景对所述效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述效果信息。
一种可选实施方式中，所述第一获取模块，具体用于：
获取业务引擎策略上线前的第一预设时间段内和所述业务引擎策略上线后的第二预设时间段内多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
所述确定模块，用于采用下述方式根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定所述业务引擎策略的实施效果信息：
根据所述目标订单对应的所有业务场景，生成用于表征各个业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；以及
根据各个目标订单的订单时间，确定各个所述目标订单在时间特征下的特征值；其中，若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0；若所述目标订单的订单时间在所述第二预设时间段内，则所述目标订单在时间特征下的特征值为1；
针对每个目标订单，根据该目标订单在多种订单特征下的特征值、该目标订单的业务场景对应的业务场景向量、该目标订单在时间特征下的特征值、该目标订单在时间特征下的特征值和该目标订单在多种订单特征下的特征值的第一交叉项，以及该目标订单在时间特征下的特征值和该目标订单的业务场景向量的第二交叉项作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述业务引擎策略上线后的效果信息。
一种可选实施方式中，所述确定模块，用于采用下述方式基于所述回归方程，确定所述业务引擎策略的实施效果信息：
从所述回归方程中，确定所述第一交叉项以及第二交叉项的系数；
基于确定所述第一交叉项和所述第二交叉项的系数，确定各个订单特征以及业务场景对效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述实施效果信息。
一种可选实施方式中，还包括模型训练模块，用于采用下述方式获取所述业务场景分类模型：
获取多个样本订单在所述订单特征下的样本特征值、各个所述样本订单在所述效果评估指标下的样本指标真实值，以及各个所述样本订单对应的样本真实业务场景；
将各个所述样本订单在所述订单特征下的样本特征值，输入至基础预测模型中，获取每个所述样本订单在所述效果评估指标下的样本指标预测值；
根据所述样本指标真实值以及所述样本指标预测值，训练所述基础预测模型，得到所述指标预测模型；
以及，
将各个所述样本订单在所述订单特征下的样本特征值以及在所述效果评估指标下的样本指标预测值，输入至基础分类模型中，获取与每个所述样本订单的样本分类业务场景；
根据各个所述目标订单的样本分类业务场景以及样本真实业务场景，训练所述基础分类模型，得到所述业务场景确定模型。
一种可选实施方式中，所述指标预测模型为梯度提升树GBDT模型；所述业务场景确定模型为决策树模型。
第三方面，本申请实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的第一方面中任一种可能的实施方式中的步骤。
第四方面，本申请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上述第一方面，或第一方面的第一方面中任一种可能的实施方式中的步骤。
本申请实施例通过获取多个目标订单在预设的订单特征下的特征值，以及各个目标订单在预设的效果评估指标下的指标真实值，并根据各个目标订单在订单特征下的特征值以及预先训练的业务场景分类模型，获取各个目标订单对应的业务场景，然后根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，从而实现了自动化的拆分业务场景，并基于确定的业务场景确定业务引擎策略的效果信息，从而实现了基于各个目标订单所具有的特征，将目标订单划分至不同的业务场景，进而确定同一业务引擎策略针对不同业务场景的效果，准确性更高。
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提供的一种数据处理方法的流程图；
图2示出了本申请实施例提供的数据处理方法中，业务场景分类模型的训练方法的流程图；
图3示出了本申请实施例提供的数据处理方法中，确定所述业务引擎策略的实施效果信息的具体方法的流程图；
图4示出了本申请实施例提供的数据处理方法中，另一种确定所述业务引擎策略的实施效果信息的具体方法的流程图；
图5示出了本申请实施例提供的一种数据处理装置的结构示意图；
图6示出了本申请实施例提供的一种计算机设备的结构示意图。
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，结合特定应用业务场景“网约车”，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业务场景。虽然本申请主要围绕网约车供需调度进行描述，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。
为便于对本实施例进行理解，首先对本申请实施例所公开一种数据处理方法进行详细介绍，本申请实施例所提供的数据处理方法既可以应用于网约车领域，此时，业务引擎可以是网约车平台；业务交互的双方为服务请求端和服务提供端。该数据处理方法还可以应用于其他通过业务引擎策略实现业务双方之间交互的领域，如网络购物领域，此时，业务引擎可以是购物平台，业务交互的双方为物品购买端以及物品售卖端。本申请实施例以将该方法应用于网约车领域为例进行说明。
实施例一
参见图1所示，为本申请实施例一提供的数据处理方法的流程图，该方法包括步骤S101～S103。其中：
S101：获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值。
在具体实施中，订单特征包括但不限于下述1～11中一种或者多种：
1：发单时间：发单时间可以是服务请求端生成目标订单后，将目标订单发送至网约车平台的时间。网约车平台在接收到服务请求方发送的目标订单后，会将发单时间作为订单信息的一部分进行保存；在需要获取某目标订单的发单时间的时候，直接从保存的订单信息中获取即可。
2：发单区域：网约车平台会根据一定的规则将目标地域划分成多个区域，每个区域对应一个识别标识，若目标订单的发单地点落入某个区域内，则将该区域的识别标识作为订单信息的一部分进行保存；在需要获取某目标订单的发单区域时，直接从保存的订单信息中获取即可。
3：排队信息：可以是目标订单在发送至网约车平台后，是否发生排队，以及在发生排队时对应的排队时间等信息。该排队信息主要由网约车平台产生，并将该排队信息作为订单信息的一部分进行保存；在需要获取某目标订单的排队信息时，也能够直接从保存的订单信息中获取。
4：拼车信息：包括是否拼车的信息；服务请求端在发起目标订单的时候，会选择是否拼车，并将该信息作为目标订单的一部分发送至网约车平台；网约车平台在接收到目标订单后，会根据服务请求端的选择相应的派单，并将用户选择的是否拼车的信息作为订单信息的一部分进行保存；在需要获取平车信息时，能够直接从保存的订单信息中获取。
5：目标订单路程长度：包括预估路程长度和/或实际路程长度。服务请求端会将出发地和目的地的相关信息发送给网约车平台；当网约车平台接收到服务请求端发送出发地和目的地的相关信息后，会根据出发地和目的地之间的交通路网，为出发地和目的地之间确定一条预选的路线；该预选路线的路程长度，基于预估路程长度。实际路程长度则是网约车平台完成派单后，被派单的服务提供端提供服务时，从出发地至目的地所经历的实际路程长度。目标订单路程长度也会作为订单信息的一部分被网约车平台保存；在需要获取的时候，直接从保存的订单信息中获取即可。
6：目标订单预估价格：可以是网约车平台在接收到服务请求端发送的出发地和目的地后，基于一定的价格预估方法为服务请求端预估的价格。目标订单预估价格也会作为订单信息的一部分被网约车平台保存；在需要获取的时候，直接从保存的订单信息中获取即可。
7：起始地热度：包括起始地所对应的发单区域在发单时间对应的即时热度，和/或发单区域对应的区域热度。其中，发单区域在每天的不同的时间段具有不同的发单频率，因此能够根据该发单频率确定该发单区域在不同时间段的即时热度；针对不同的发单区域，从某一段持续较长的时间段来看，例如一个月、一个季度等，有些发单区域的发单频率较高，也有些发单区域的发单频率较低，因此能够根据该持续较长时间段对应的发单频率来为每一个发单区域确定一个区域热度。
另外，除了能够根据发单频率来确定各个发单区域对应的热度之外，还可以根据一定时间段内的发单数量来确定各个发单区域对应的热度。
热度可以通过具体的热度分值来表征。例如，设置依次递减的五个数量阈值：第一数量阈值、第二数量阈值、第三数量阈值、第四数量阈值以及第五数量阈值；若某发单区域的发单数量高于第一数量阈值，则对应的热度分值为5；发单数量高于第二数量阈值，但低于第一数量阈值，则对应的热度分值为4；发单数量高于第三数量阈值，但低于第二数量阈值，则对应的热度分值为3；发单数量高于第四数量阈值，但低于第三数量阈值，则对应的热度分值为2；发单数量高于第五数量阈值，但低于第四数量阈值，则对应的热度分值为1；发单数量低于第五数量阈值，则对应的热度分值为0。
8：目的地热度：包括目的地所落入的区域在发单时间对应的即时热度，和/或目的地所落入的区域对应的区域热度。具体的确定方式与起始地热度类似，在此不再赘述。
9：服务提供端在线时长：包括服务提供端的平均在线时长和/或在线总时长。其中，当服务提供端开启与网约车平台对应的应用软件并进入接单状态，认为服务提供端上线；当服务提供端关闭应用软件，或者退出接单状态，认为服务提供端下线；在线即服务提供端上线后的状态。网约车平台会记录服务提供端的上线时间和下线时间，并基于记录的上线时间和下线时间来确定服务提供端每次上线后的在线时长，然后根据服务提供端每次上线的在线时长，确定服务提供端的平均在线时长和/或在线总时长。
10：服务提供端接驾时间：可以是服务提供端从接收到派单时的当前位置，前往服务请求端的出发地接到服务请求端的时长。网约车平台会根据派单时间，以及服务提供端到达服务请求端出发地的时间，计算服务提供端接驾时间；服务提供端接驾时间可以直接作为订单信息的一部分进行保存；在需要获取的时候直接从订单信息中获取；网约车平台还可以将派单时间以及服务提供单到达服务请求端出发地的时长作为订单信息的一部分进行保存；在需要获取服务提供端接驾时间时，从订单信息中获取派单时间以及服务提供单到达服务请求端出发地的时间，并基于两个时间计算服务提供端接驾时间。
11：服务提供端接驾速度：可以是服务提供端从接收到派单时的当前位置前往服务请求端的出发地的速度。网约车平台能够记录服务提供端从接收到派单时的当前位置前往服务请求端的出发地的路程长度，以及接驾时间，然后根据路程长度以及接驾时间得到服务提供端接驾速度。该服务提供端接驾速度可以直接作为订单信息的一部分进行保存，在需要获取的时候，直接从订单信息中获取；也可以将服务提供端从接收到派单时的当前位置前往服务请求端的出发地的路程长度以及接驾时间作为订单信息的一部分进行保存，在需要获取服务提供端接驾速度时，可以根据上述保存的路程长度以及接驾时间计算获得。
在获取业务引擎策略上线前的第一预设时间段内和所述业务引擎策略上线后的第二预设时间段内多个目标订单在预设的订单特征下的特征值时，首先确定第一预设时间段和第二时间段然后根据目标订单的目标订单时间是否落入第一预设时间段和第二时间段内，从目标订单库中确定目标订单，然后根据确定的目标订单的订单信息，获取各个目标订单在预设的订单特征下的特征值。
效果评价指标包括但不限于下述a～f中一种或者多种：
a：应答率，可以是目标订单被应答的概率。在实际中并非所有服务请求端发送给网约车平台的目标订单都会被应答；针对被应答的目标订单，也即派单成功的目标订单，对应的应答率为1；针对未被应答的目标订单，如在发单一定时间段后又被取消的目标订单，对应的应答率为0。
b：应答时长，可以是服务请求端将目标订单发的给网约车平台的时间，到网约车平台将目标订单分派给具体的服务提供方的时间之间的时长。
c：目标订单完成率，可以是目标订单被完成的概率；服务请求端在将目标订单发送给网约车平台后，到网约车平台将目标订单分派给具体的服务提供端之前，目标订单可能会被服务请求端主动取消；服务请求端在将目标订单发送给网约车平台，且网约车平台在将目标订单分派给具体的服务提供端后，到目标订单完成之前，目标订单可能会被服务请求方或者服务提供方取消；针对这种未被完成的目标订单，目标订单完成率均为0；针对被完成的目标订单，目标订单的完成率为1。
d：接驾距离，可以是服务提供端从接收到派单时的当前位置前往服务请求端的出发地之间的距离。
e：接驾时长，可以是服务提供端从接收到派单时的时间，前往服务请求端的出发地所需要的时长。
f：成交金额，可以是服务提供端为服务请求端提供服务的预估金额或者实际金额。
在获取了多个目标订单在预设的订单特征下的特征值，以及各个目标订单在预设的效果评估指标下的指标真实值之后，本申请实施例提供的数据处理方法还包括：
S102：根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景。
在具体实施中，业务场景可以是目标订单冷区、目标订单热区、长目标订单、短目标订单、目标订单高峰期、目标订单非高峰期等不同维度的多个业务场景。
业务场景分类模型是使用样本订单训练得到的模型。每种效果评价指标均对应有与该种效果评价指标对应的业务场景分类模型。例如，若评价指标包括：目标订单完成率以及应答时长，则目标订单完成率对应有一业务场景分类模型，应答时长对应另一业务场景分类模型。
在一种实施例中，可以直接基于多个样本订单在各个订单特征下的特征值、与每个样本订单对应的真实业务场景，以及各个样本订单在预设的效果评估指标下的指标真实值，训练得到业务场景分类模型。但是由于各个订单特征与效果评估指标是具有某种内在联系的，直接基于多个样本订单在各个订单特征下的特征值、与每个样本订单对应的真实业务场景，以及各个样本订单在预设的效果评估指标下的指标真实值，训练得到业务场景分类模型，无法很好的获得各个订单特征与效果评估指标的内在联系。进而在确定各个订单特征对效果评估指标的影响时，也会存在一定的误差。
为了消除这种误差，本申请实施例还提供另外一种业务场景分类模型。该业务场景分类模型包括：指标预测模型以及业务场景确定模型。该业务场景分类模型首先使用指标预测模型建立各个订单特征与效果评估指标之间的内在联系，然后将指标预测模型输出的指标预测结果作为业务场景确定模型的输入，从而将各个订单特征与效果评估指标之间的内在联系引入至业务场景确定模型中，使得最终得到的业务场景分类结果除了受到各个订单特征以及果评估指标的影响外，还受到各个订单特征以及果评估指标之间内在联系的影响，精度更高。
具体地，参见图2所示，本申请实施例提供一种业务场景分类模型的训练方法，该方法包括：
S201：获取多个样本订单在所述订单特征下的样本特征值、各个所述样本订单在所述效果评估指标下的样本指标真实值，以及各个所述样本订单对应的样本真实业务场景。
此处，样本订单在订单特征下的样本特征值的获取方式，与上述S101中获取目标订单在订单特征下的特征值的获取方式类似，在此不再赘述。
各个所述样本订单在所述效果评估指标下的样本指标真实值的获取方式，与上述S101中获取目标订单在效果评估指标下指标真实值的获取方式类似，在此不再赘述。
样本订单对应的样本真实业务场景，则是人工为各个样本订单所确定的业务场景。
S202：将各个所述样本订单在所述订单特征下的样本特征值，输入至基础预测模型中，获取每个所述样本订单在所述效果评估指标下的样本指标预测值。
此处，基础预测模型为集成模型，也即，通过多个子模型的组合，共同构成一个基础预测模型。每个子模型都能够得到基于样本订单在全部订单特征，得到各个样本订单在效果评估指标下的样本指标预测值。或者每个子模型都能够基于样本订单在部分订单特征下的特征值，得到各个样本定单在在效果评估指标下的样本指标值。然后综合各个子模型得到的样本定单在效果评估指标下的样本指标值，获取所述样本订单在效果评估指标下的样本指标预测值。
例如，基础预测模型包括：梯度提升树(Gradient Boosting Decison Tree)模型，其包括子决策树，每棵子决策树使用样本订单在部分订单特征下的特征值，得到预测的与各个样本订单在效果评估指标下的样本指标值；然后综合各个子决策树所得到的一个样本订单在效果评估指标下的样本指标值，确定该样本订单在在效果评估指标下的样本指标预测值。
另外，各个子预测模型还可以为不同种类的模型，例如可以是神经网络模型和决策树模型的组合等。
这里需要注意的是，基础预测模型中的子预测模型，可以根据实际的需要选择各种类型的预测模型来实现。
S203：根据所述样本指标真实值以及所述样本指标预测值，训练所述基础预测模型，得到所述指标预测模型。
此处，根据样本指标真实值以及样本指标预测值，训练基础预测模型，例如是要根据样本指标真实值以及所述样本指标预测值得到模型的误差，然后根据该误差调整基础预测模型的参数，使得误差向着减小方向变化，最终得到误差小于一定误差阈值的基础预测模型，并将得到的基础预测模型作为指标预测模型。
S204：将各个所述样本订单在所述订单特征下的样本特征值以及在所述效果评估指标下的样本指标预测值，输入至基础分类模型中，获取与每个所述样本订单的样本分类业务场景。
这里，集成模型是通常是大量树模型的组合，打比方说100棵树，这每棵树是有所差异的，比如树的节点所用的订单特征可能不同，即使两棵树在某个相同节点用的是同一个订单特征，分列阈值所使用的订单特征也不一样，因此指标预测模型是不可解释或近似不可解释的；从结果上说的话就是没有办法将样本唯一的归属到某个固定业务场景中；如果用集成模型生成业务场景，会存在两个问题：其一，生成的业务场景极多，每棵树都会产生若干业务场景；其二，是业务场景与业务场景之间可能会冲突，比如有两个业务场景，一个是目标订单量大于10万且目标订单长度大于12km；另一个可能就是单量大于11万且单长大于11km。
因此在本申请实施例中，在使用基础预测模型获得各个样本订单的样本分类业务场景的过程中，将样本指标预测值作为基础分类模型的输入，使得订单特征和效果评估指标的关系被迁移至基础分类模型中，所得到的与每个样本订单对应的样本分类业务场景，实际上是受到各个样本订单在所述订单特征下的样本特征值与样本指标预测值之间的关系的影响，从而实现了使用分类模型解释预测模型，在克服上述问题的同时，提升业务场景分类模型的精度。
S205：根据各个所述目标订单的样本分类业务场景以及样本真实业务场景，训练所述基础分类模型，得到所述业务场景确定模型。
此处，根据各个目标订单的样本分类业务场景以及样本真实业务场景，训练基础分类模型，例如是要根据样本分类业务场景以及样本真实业务场景得到模型的误差，然后根据该误差调整基础分类模型的参数，使得误差向着减小方向变化，最终得到误差小于一定误差阈值的基础分类模型，并将得到的基础分类模型作为业务场景确定模型。
此处，业务场景分类模型例如为决策树模型。
在训练得到业务场景分类模型后，就能够根据各个目标订单在订单特征下的特征值以及该预选训练的业务场景分类模型，获取各个目标订单对应的业务场景。
具体地，针对上述业务场景分类模型，可以采用下述方式根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景：
将各个所述目标订单在所述订单特征下的特征值输入至所述指标预测模型中，获取与每个所述目标订单分别对应的指标预测值；
将各个目标订单分别对应的特征值以及指标预测值，输入至所述业务场景确定模型中，获取与各个目标订单分别对应的业务场景。
承接上述S102，本申请实施例提供的数据处理方法，在获取各个所述目标订单对应的业务场景后，还包括：
S103：根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息。
在具体实施中：
A：在一种情况下，实施效果信息用于表征效果评估指标在不同业务场景下的差异。在该种情况下，若考察业务引擎策略在上线前效果评估指标在不同场景下的差异，则获取的目标订单为业务引擎策略在上线前的第一预设时间段内的订单，得到的效果信息，为未上线业务引擎策略时，效果评估指标在不同业务场景下的差异。若考察业务引擎策略在上线后效果评估指标在不同场景下的差异，则获取的目标订单为业务引擎策略在上线后的第二预设时间段内的订单，得到的效果信息，为上线业务引擎策略时，效果评估指标在不同业务场景下的差异。
此时，第一预设时间段只需要在业务引擎策略在上线前即可，可以是与业务引擎策略上线时间具有连续关系，也可以不与业务引擎策略上线时间具有连续关系。
类似的，第二预设时间段只需要在业务引擎策略在上线后即可，可以是与业务引擎策略上线时间具有连续关系，也可以不与业务引擎策略上线时间具有连续关系。
第一预设时间段和第二预设时间段的时长可以根据实际的需要进行设定，例如设定为1周、1个月、两个月等。
针对该种情况，参见图3所示，本申请实施例提供一种根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定所述业务引擎策略的实施效果信息的具体方法，包括：
S301：根据所述目标订单对应的所有业务场景，生成用于表征各个所述业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量。
此处，将目标订单对应的所有场景，转换为用于表征各个业务场景的业务场景向量。该业务场景向量为根据业务场景数量所生成的哑变量。
例如，在基于预先训练的业务场景分类模型，获取所有目标订单对应的业务场景后，确定所包含的不同业务场景的数量。
例如3个不同业务场景分别为A～C，则分别形成的3个业务场景的业务场景向量为：(0，1)、(1，0)和(0，0)。
其中，(0，1)为业务场景A的哑变量，(1，0)为业务场景B的哑变量；(0，0)为业务场景C的哑变量。
S302：以各个所述目标订单在多种订单特征下的特征值、各个所述目标订单的业务场景对应的业务场景向量作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
此处，若订单特征分别为x1～xn；
业务场景有m个；业务场景向量为(x(n+1)，x(n+2)，……x(n+m-1))；
将效果评估指标为y。
在建立回归方程时，以x1～x(n+m-1)作为回归方程的自变量，以y作为回归方程的因变量，并以各个所述目标订单在x1～x(n+m-1)下的值作为自变量的值，以及将各个目标在y下的指标真实值作为因变量的值，建立回归方程。
S303：基于所述回归方程，确定所述效果信息。
此处，由于实施效果信息用于表征效果评估指标在不同业务场景下的差异，为了确定不同效果评估指标在不同业务场景下的差异，从建立的回归方程中，确定各个自变量的系数。
然后基于确定所述各个自变量的系数，确定各个订单特征以及业务场景对效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述效果信息。
此处，影响信息可以包括如下一种或者多种：
(1)正影响以及负影响。
具体地，可以将各个自变量的系数与0进行比对；若某个自变量的系数大于0，则认为该自变量对效果评估指标具有正向的影响，即为正影响；若某个自变量的系数小于0，则认为该自变量对效果评估指标具有负向的影响，即为负影响。
(2)各个自变量的系数的显著性。
根据各个自变量的系数，计算各个自变量对应的t统计量，并基于t统计量，确定各个自变量系数的显著性。
B：在另一种情况下，实施效果信息用于表征业务引擎策略的效果在不同业务场景下对指标的影响情况。在该种情况下，需要获取的目标订单为业务引擎策略在上线前的第一时间段内的订单，以及业务引擎策略在上线后的第二时间段内的订单。
此时，所述获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值，包括：
获取业务引擎策略上线前的第一预设时间段内和所述业务引擎策略上线后的第二预设时间段内多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值。
此处，第一预设时间段和第二预设时间段可以根据实际的需要进行具体的设定。为了更加准确的得到业务引擎策略的实施效果信息，第一预设时间段和第二预设时间段通常是具有连续关系的两个时间段。例如，将第一预设时间段和第二预设时间段均设置为一个月，该月可以可以是自然月，也可以是按照一定的天数，如将30天作为第一预设时间段和第二预设时间段的持续时长。如若业务引擎策略的上线时间为2017年10月1日零点，可以将2017年9月1日至2017年9月30日确定为第一预设时间段，并将2017年10月1日至2017年10月31日确定为第二预设时间段，获取该第一预设时间段内目标订单的相关信息，和第二预设时间段内目标订单的相关信息。
在该种情况下，参见图4所示，本申请实施例还提供一种所述根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定所述业务引擎策略的实施效果信息的具体方法，包括：
S401：根据所述目标订单对应的所有业务场景，生成用于表征各个业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量。
此处，业务场景向量的获取方式与上述S301中类似，在此不再赘述。
S402：根据各个目标订单的订单时间，确定各个所述目标订单在时间特征下的特征值；其中，若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0；若所述目标订单的订单时间在所述第二预设时间段内，则所述目标订单在时间特征下的特征值为1。
此处，上述S402和S403并无执行的先后顺序。
S403：针对每个目标订单，根据该目标订单在多种订单特征下的特征值、该目标订单的业务场景对应的业务场景向量、该目标订单在时间特征下的特征值、该目标订单在时间特征下的特征值和该目标订单在多种订单特征下的特征值的第一交叉项，以及该目标订单在时间特征下的特征值和该目标订单的业务场景向量的第二交叉项作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程。
此处，若订单特征分别为x1～xn；
业务场景有m个；业务场景向量为(x(n+1)，x(n+2)，……x(n+m-1))；
目标订单在时间特征为isExp。
目标订单在时间特征isExp下的特征值，和目标订单在多种订单特征下x1～xn的特征值的第一交叉项，分别为：isExp×x1、isExp×x2、isExp×x3、……、isExp×xn。
目标订单在时间特征isExp下的特征值，和目标订单的业务场景向量的第二交叉项分别为：isExp×x(n+1)、isExp×x(n+2)、isExp×x(n+3)、……、isExp×x(n+m-1)。
将效果评估指标作为y。
然后，以x1～x(n+m-1)，以及isExp×x1～isExp×x(n+m-1)作为回归方程的自变量，以y作为回归方程的因变量，并以各个所述目标订单在x1～x(n+m-1)，以及isExp×x1～isExp×x(n+m-1)下的值作为自变量的值，以及将各个目标在y下的指标真实值作为因变量的值，建立回归方程。
S404：基于所述回归方程，确定所述业务引擎策略的效果信息。
此处，实施效果信息用于表征业务引擎策略的效果在不同业务场景下对效果评估指标的影响情况，因此要去除第一预设时间段的目标订单的对效果评估指标的影响，因此，在建立回归方程的时候，根据各个目标订单的订单时间，确定各个所述目标订单在时间特征下的特征值，若，若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0；若所述目标订单的订单时间在所述第二预设时间段内，则所述目标订单在时间特征下的特征值为1。在计算第一交叉项的值和第二交叉项的值时，由于若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0，则业务引擎策略上线前所有目标订单对应的第一交叉项和第二交叉相的值均为0，进而，在建立的回归方程中，第一交叉项和第二交叉相的系数，仅仅受到业务引擎策略上线后的目标订单的影响，因此要获得第一交叉项和第二交叉相的系数，并基于确定所述第一交叉项和所述第二交叉项的系数，确定各个订单特征以及业务场景对效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述实施效果信息。
此处，各个订单特征以及业务场景对效果评估指标的影响信息的确定方式与上述确定方式类似，在此不再赘述。
本申请实施例通过获取多个目标订单在预设的订单特征下的特征值，以及各个目标订单在预设的效果评估指标下的指标真实值，并根据各个目标订单在订单特征下的特征值以及预先训练的业务场景分类模型，获取各个目标订单对应的业务场景，然后根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，从而实现了自动化的拆分业务场景，并基于确定的业务场景确定业务引擎策略的效果信息，从而实现了基于各个目标订单所具有的特征，将目标订单划分至不同的业务场景，进而确定同一业务引擎策略针对不同业务场景的效果，准确性更高。
基于同一发明构思，本申请实施例中还提供了与数据处理方法对应的数据处理装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述数据处理方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
实施例二
参照图5所示，为本申请实施例二提供的一种数据处理装置的示意图，所述装置包括：第一获取模块51、第二获取模块52、确定模块53；其中，
第一获取模块51，用于获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
第二获取模块52，用于根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景；
确定模块53，用于根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息。
一种可选实施方式中，所述效果评估指标包括：应答率、应答时长、目标订单完成率、接驾距离、接驾时长、成交金额中一种或者多种。
一种可选实施方式中，所述订单特征包括：发单时间、发单区域、排队信息、拼车信息、目标订单路程长度、目标订单预估价格、起始地热度、目的地热度、服务提供端在线时长、服务提供端接驾时间、服务提供端接驾速度中一种或者多种。
一种可选实施方式中，所述业务场景分类模型包括：指标预测模型以及业务场景确定模型；
所述第二获取模块52，具体用于采用下述方式根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务业务场景分类模型，获取各个所述目标订单对应的业务场景：
将各个所述目标订单在所述订单特征下的特征值输入至所述指标预测模型中，获取与每个所述目标订单分别对应的指标预测值；
将各个目标订单分别对应的特征值以及指标预测值，输入至所述业务场景确定模型中，获取与各个目标订单分别对应的业务场景。
一种可选实施方式中，所述确定模块53，用于采用下述方式根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息：
根据所述目标订单对应的所有业务场景，生成用于表征各个所述业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；
以各个所述目标订单在多种订单特征下的特征值、各个所述目标订单的业务场景对应的业务场景向量作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述效果信息。
一种可选实施方式中，所述确定模块53，用于采用下述方式基于所述回归方程，确定效果信息：
从所述回归方程中，确定各个所述自变量的系数；
基于确定各个所述自变量的系数，确定各个订单特征以及业务场景对所述效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述效果信息。
一种可选实施方式中，所述第一获取模块51，具体用于：
获取业务引擎策略上线前的第一预设时间段内和所述业务引擎策略上线后的第二预设时间段内多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
所述确定模块53，用于采用下述方式根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定所述业务引擎策略的实施效果信息：
根据所述目标订单对应的所有业务场景，生成用于表征各个业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；以及
根据各个目标订单的订单时间，确定各个所述目标订单在时间特征下的特征值；其中，若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0；若所述目标订单的订单时间在所述第二预设时间段内，则所述目标订单在时间特征下的特征值为1；
针对每个目标订单，根据该目标订单在多种订单特征下的特征值、该目标订单的业务场景对应的业务场景向量、该目标订单在时间特征下的特征值、该目标订单在时间特征下的特征值和该目标订单在多种订单特征下的特征值的第一交叉项，以及该目标订单在时间特征下的特征值和该目标订单的业务场景向量的第二交叉项作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述业务引擎策略上线后的效果信息。
一种可选实施方式中，所述确定模块53，用于采用下述方式基于所述回归方程，确定所述业务引擎策略的实施效果信息：
从所述回归方程中，确定所述第一交叉项以及第二交叉项的系数；
基于确定所述第一交叉项和所述第二交叉项的系数，确定各个订单特征以及业务场景对效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述实施效果信息。
一种可选实施方式中，还包括模型训练模块54，用于采用下述方式获取所述业务场景分类模型：
获取多个样本订单在所述订单特征下的样本特征值、各个所述样本订单在所述效果评估指标下的样本指标真实值，以及各个所述样本订单对应的样本真实业务场景；
将各个所述样本订单在所述订单特征下的样本特征值，输入至基础预测模型中，获取每个所述样本订单在所述效果评估指标下的样本指标预测值；
根据所述样本指标真实值以及所述样本指标预测值，训练所述基础预测模型，得到所述指标预测模型；
以及，
将各个所述样本订单在所述订单特征下的样本特征值以及在所述效果评估指标下的样本指标预测值，输入至基础分类模型中，获取与每个所述样本订单的样本分类业务场景；
根据各个所述目标订单的样本分类业务场景以及样本真实业务场景，训练所述基础分类模型，得到所述业务场景确定模型。
一种可选实施方式中，所述指标预测模型为梯度提升树GBDT模型；所述业务场景确定模型为决策树模型。
本申请实施例通过获取多个目标订单在预设的订单特征下的特征值，以及各个目标订单在预设的效果评估指标下的指标真实值，并根据各个目标订单在订单特征下的特征值以及预先训练的业务场景分类模型，获取各个目标订单对应的业务场景，然后根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，从而实现了自动化的拆分业务场景，并基于确定的业务场景确定业务引擎策略的效果信息，从而实现了基于各个目标订单所具有的特征，将目标订单划分至不同的业务场景，进而确定同一业务引擎策略针对不同业务场景的效果，准确性更高。
实施例三
本申请实施例还提供了一种计算机设备600，如图6所示，为本申请实施例提供的计算机设备600结构示意图，包括：
处理器61、存储器62、和总线63；存储器62用于存储执行指令，包括内存621和外部存储器622；这里的内存621也称内存储器，用于暂时存放处理器61中的运算数据，以及与硬盘等外部存储器622交换的数据，处理器61通过内存621与外部存储器622进行数据交换，当所述计算机设备600运行时，所述处理器61与所述存储器62之间通过总线63通信，使得所述处理器61在用户态执行以下指令：
获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景；
根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息。
一种可能的实施方式中，处理器61执行的指令中，所述效果评估指标包括：应答率、应答时长、目标订单完成率、接驾距离、接驾时长、成交金额中一种或者多种。
一种可能的实施方式中，处理器61执行的指令中，所述订单特征包括：发单时间、发单区域、排队信息、拼车信息、目标订单路程长度、目标订单预估价格、起始地热度、目的地热度、服务提供端在线时长、服务提供端接驾时间、服务提供端接驾速度中一种或者多种。
一种可能的实施方式中，处理器61执行的指令中，所述业务场景分类模型包括：指标预测模型以及业务场景确定模型；
所述根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务业务场景分类模型，获取各个所述目标订单对应的业务场景，包括：
将各个所述目标订单在所述订单特征下的特征值输入至所述指标预测模型中，获取与每个所述目标订单分别对应的指标预测值；
将各个目标订单分别对应的特征值以及指标预测值，输入至所述业务场景确定模型中，获取与各个目标订单分别对应的业务场景。
一种可能的实施方式中，处理器61执行的指令中，所述根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，包括：
根据所述目标订单对应的所有业务场景，生成用于表征各个所述业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；
以各个所述目标订单在多种订单特征下的特征值、各个所述目标订单的业务场景对应的业务场景向量作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述效果信息。
一种可能的实施方式中，处理器61执行的指令中，所述基于所述回归方程，确定效果信息，包括：
从所述回归方程中，确定各个所述自变量的系数，；
基于确定各个所述自变量的系数，确定各个订单特征以及业务场景对所述效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述效果信息。
一种可能的实施方式中，处理器61执行的指令中，所述获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值，包括：
获取业务引擎策略上线前的第一预设时间段内和所述业务引擎策略上线后的第二预设时间段内多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
所述根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，包括：
根据所述目标订单对应的所有业务场景，生成用于表征各个业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；以及
根据各个目标订单的订单时间，确定各个所述目标订单在时间特征下的特征值；其中，若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0；若所述目标订单的订单时间在所述第二预设时间段内，则所述目标订单在时间特征下的特征值为1；
针对每个目标订单，根据该目标订单在多种订单特征下的特征值、该目标订单的业务场景对应的业务场景向量、该目标订单在时间特征下的特征值、该目标订单在时间特征下的特征值和该目标订单在多种订单特征下的特征值的第一交叉项，以及该目标订单在时间特征下的特征值和该目标订单的业务场景向量的第二交叉项作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述业务引擎策略上线后的所述效果信息。
一种可能的实施方式中，处理器61执行的指令中，所述基于所述回归方程，确定所述业务引擎策略的实施效果信息，包括：
从所述回归方程中，确定所述第一交叉项以及第二交叉项的系数；
基于确定所述第一交叉项和所述第二交叉项的系数，确定各个订单特征以及业务场景对效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述实施效果信息。
一种可能的实施方式中，处理器61执行的指令中，采用下述方式获取所述业务场景分类模型：
获取多个样本订单在所述订单特征下的样本特征值、各个所述样本订单在所述效果评估指标下的样本指标真实值，以及各个所述样本订单对应的样本真实业务场景；
将各个所述样本订单在所述订单特征下的样本特征值，输入至基础预测模型中，获取每个所述样本订单在所述效果评估指标下的样本指标预测值；
根据所述样本指标真实值以及所述样本指标预测值，训练所述基础预测模型，得到所述指标预测模型；
以及，
将各个所述样本订单在所述订单特征下的样本特征值以及在所述效果评估指标下的样本指标预测值，输入至基础分类模型中，获取与每个所述样本订单的样本分类业务场景；
根据各个所述目标订单的样本分类业务场景以及样本真实业务场景，训练所述基础分类模型，得到所述业务场景确定模型。
一种可能的实施方式中，处理器61执行的指令中，所述指标预测模型为梯度提升树GBDT模型；所述业务场景确定模型为决策树模型。
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61运行时执行上述数据处理方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述数据处理方法，从而解决业务引擎策略的实施效果评估不准确的问题，进而达到能够基于各个目标订单所具有的特征，将目标订单划分至不同的业务场景，进而确定同一业务引擎策略针对不同业务场景的效果，准确性更高的效果。
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 (22)
1.一种数据处理方法，其特征在于，包括：
获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景；
根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息。
2.根据权利要求1所述的数据处理方法，其特征在于，所述效果评估指标包括：应答率、应答时长、目标订单完成率、接驾距离、接驾时长、成交金额中一种或者多种。
3.根据权利要求1所述的数据处理方法，其特征在于，所述订单特征包括：发单时间、发单区域、排队信息、拼车信息、目标订单路程长度、目标订单预估价格、起始地热度、目的地热度、服务提供端在线时长、服务提供端接驾时间、服务提供端接驾速度中一种或者多种。
4.根据权利要求1所述的数据处理方法，其特征在于，所述业务场景分类模型包括：指标预测模型以及业务场景确定模型；
所述根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务业务场景分类模型，获取各个所述目标订单对应的业务场景，包括：
将各个所述目标订单在所述订单特征下的特征值输入至所述指标预测模型中，获取与每个所述目标订单分别对应的指标预测值；
将各个目标订单分别对应的特征值以及指标预测值，输入至所述业务场景确定模型中，获取与各个目标订单分别对应的业务场景。
5.根据权利要求1所述的数据处理方法，其特征在于，所述根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，包括：
根据所述目标订单对应的所有业务场景，生成用于表征各个所述业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；
以各个所述目标订单在多种订单特征下的特征值、各个所述目标订单的业务场景对应的业务场景向量作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述效果信息。
6.根据权利要求5所述的数据处理方法，其特征在于，
所述基于所述回归方程，确定效果信息，包括：
从所述回归方程中，确定各个所述自变量的系数；
基于确定各个所述自变量的系数，确定各个订单特征以及业务场景对所述效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述效果信息。
7.根据权利要求1所述的数据处理方法，其特征在于，所述获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值，包括：
获取业务引擎策略上线前的第一预设时间段内和所述业务引擎策略上线后的第二预设时间段内多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
所述根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息，包括：
根据所述目标订单对应的所有业务场景，生成用于表征各个业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；以及
根据各个目标订单的订单时间，确定各个所述目标订单在时间特征下的特征值；其中，若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0；若所述目标订单的订单时间在所述第二预设时间段内，则所述目标订单在时间特征下的特征值为1；
针对每个目标订单，根据该目标订单在多种订单特征下的特征值、该目标订单的业务场景对应的业务场景向量、该目标订单在时间特征下的特征值、该目标订单在时间特征下的特征值和该目标订单在多种订单特征下的特征值的第一交叉项，以及该目标订单在时间特征下的特征值和该目标订单的业务场景向量的第二交叉项作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述业务引擎策略上线后的所述效果信息。
8.根据权利要求7所述的数据处理方法，其特征在于，所述基于所述回归方程，确定所述业务引擎策略的实施效果信息，包括：
从所述回归方程中，确定所述第一交叉项以及第二交叉项的系数；
基于确定所述第一交叉项和所述第二交叉项的系数，确定各个订单特征以及业务场景对效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述实施效果信息。
9.根据权利要求4所述的数据处理方法，其特征在于，采用下述方式获取所述业务场景分类模型：
获取多个样本订单在所述订单特征下的样本特征值、各个所述样本订单在所述效果评估指标下的样本指标真实值，以及各个所述样本订单对应的样本真实业务场景；
将各个所述样本订单在所述订单特征下的样本特征值，输入至基础预测模型中，获取每个所述样本订单在所述效果评估指标下的样本指标预测值；
根据所述样本指标真实值以及所述样本指标预测值，训练所述基础预测模型，得到所述指标预测模型；
以及，
将各个所述样本订单在所述订单特征下的样本特征值以及在所述效果评估指标下的样本指标预测值，输入至基础分类模型中，获取与每个所述样本订单的样本分类业务场景；
根据各个所述目标订单的样本分类业务场景以及样本真实业务场景，训练所述基础分类模型，得到所述业务场景确定模型。
10.根据权利要求9所述的数据处理方法，其特征在于，所述指标预测模型为梯度提升树GBDT模型；所述业务场景确定模型为决策树模型。
11.一种数据处理装置，其特征在于，包括：
第一获取模块，用于获取多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
第二获取模块，用于根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务场景分类模型，获取各个所述目标订单对应的业务场景；
确定模块，用于根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息。
12.根据权利要求11所述的数据处理装置，其特征在于，所述效果评估指标包括：应答率、应答时长、目标订单完成率、接驾距离、接驾时长、成交金额中一种或者多种。
13.根据权利要求11所述的数据处理装置，其特征在于，所述订单特征包括：发单时间、发单区域、排队信息、拼车信息、目标订单路程长度、目标订单预估价格、起始地热度、目的地热度、服务提供端在线时长、服务提供端接驾时间、服务提供端接驾速度中一种或者多种。
14.根据权利要求11所述的数据处理装置，其特征在于，所述业务场景分类模型包括：指标预测模型以及业务场景确定模型；
所述第二获取模块，具体用于采用下述方式根据各个所述目标订单的在所述订单特征下的特征值以及预先训练的业务业务场景分类模型，获取各个所述目标订单对应的业务场景：
将各个所述目标订单在所述订单特征下的特征值输入至所述指标预测模型中，获取与每个所述目标订单分别对应的指标预测值；
将各个目标订单分别对应的特征值以及指标预测值，输入至所述业务场景确定模型中，获取与各个目标订单分别对应的业务场景。
15.根据权利要求11所述的数据处理装置，其特征在于，所述确定模块，用于采用下述方式根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定效果信息：
根据所述目标订单对应的所有业务场景，生成用于表征各个所述业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；
以各个所述目标订单在多种订单特征下的特征值、各个所述目标订单的业务场景对应的业务场景向量作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述效果信息。
16.根据权利要求15所述的数据处理装置，其特征在于，
所述确定模块，用于采用下述方式基于所述回归方程，确定效果信息：
从所述回归方程中，确定各个所述自变量的系数；
基于确定各个所述自变量的系数，确定各个订单特征以及业务场景对所述效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述效果信息。
17.根据权利要求11所述的数据处理装置，其特征在于，所述第一获取模块，具体用于：
获取业务引擎策略上线前的第一预设时间段内和所述业务引擎策略上线后的第二预设时间段内多个目标订单在预设的订单特征下的特征值，以及各个所述目标订单在预设的效果评估指标下的指标真实值；
所述确定模块，用于采用下述方式根据各个所述目标订单在多种订单特征下的特征值、各个所述目标订单对应的业务场景，以及与各个目标订单对应的指标真实值，确定所述业务引擎策略的实施效果信息：
根据所述目标订单对应的所有业务场景，生成用于表征各个业务场景的业务场景向量，其中，每一种业务场景对应一个业务场景向量；以及
根据各个目标订单的订单时间，确定各个所述目标订单在时间特征下的特征值；其中，若所述目标订单的订单时间在所述第一预设时间段内，则所述目标订单在时间特征下的特征值为0；若所述目标订单的订单时间在所述第二预设时间段内，则所述目标订单在时间特征下的特征值为1；
针对每个目标订单，根据该目标订单在多种订单特征下的特征值、该目标订单的业务场景对应的业务场景向量、该目标订单在时间特征下的特征值、该目标订单在时间特征下的特征值和该目标订单在多种订单特征下的特征值的第一交叉项，以及该目标订单在时间特征下的特征值和该目标订单的业务场景向量的第二交叉项作为自变量的值，以各个所述目标订单对应的指标真实值作为因变量的值，建立回归方程；
基于所述回归方程，确定所述业务引擎策略上线后的效果信息。
18.根据权利要求17所述的数据处理装置，其特征在于，所述确定模块，用于采用下述方式基于所述回归方程，确定所述业务引擎策略的实施效果信息：
从所述回归方程中，确定所述第一交叉项以及第二交叉项的系数；
基于确定所述第一交叉项和所述第二交叉项的系数，确定各个订单特征以及业务场景对效果评估指标的影响信息；并将各个订单特征以及业务场景对所述效果评估指标的影响信息确定为所述实施效果信息。
19.根据权利要求14所述的数据处理装置，其特征在于，还包括模型训练模块，用于采用下述方式获取所述业务场景分类模型：
获取多个样本订单在所述订单特征下的样本特征值、各个所述样本订单在所述效果评估指标下的样本指标真实值，以及各个所述样本订单对应的样本真实业务场景；
将各个所述样本订单在所述订单特征下的样本特征值，输入至基础预测模型中，获取每个所述样本订单在所述效果评估指标下的样本指标预测值；
根据所述样本指标真实值以及所述样本指标预测值，训练所述基础预测模型，得到所述指标预测模型；
以及，
将各个所述样本订单在所述订单特征下的样本特征值以及在所述效果评估指标下的样本指标预测值，输入至基础分类模型中，获取与每个所述样本订单的样本分类业务场景；
根据各个所述目标订单的样本分类业务场景以及样本真实业务场景，训练所述基础分类模型，得到所述业务场景确定模型。
20.根据权利要求19所述的数据处理装置，其特征在于，所述指标预测模型为梯度提升树GBDT模型；所述业务场景确定模型为决策树模型。
21.一种计算机设备，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，当计算机设备运行时，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，以执行如权利要求1至10任一所述数据处理方法的步骤。
22.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至10任一所述数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910181735.1A CN111753386B (zh) | 2019-03-11 | 2019-03-11 | 一种数据处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910181735.1A CN111753386B (zh) | 2019-03-11 | 2019-03-11 | 一种数据处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111753386A true CN111753386A (zh) | 2020-10-09 |
| CN111753386B CN111753386B (zh) | 2024-03-26 |
Family
ID=72670949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910181735.1A Active CN111753386B (zh) | 2019-03-11 | 2019-03-11 | 一种数据处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111753386B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112799949A (zh) * | 2021-02-04 | 2021-05-14 | 上海销氪信息科技有限公司 | 一种模型优化方法、装置、系统及设备 |
| CN114066076A (zh) * | 2021-11-22 | 2022-02-18 | 北京白龙马云行科技有限公司 | 一种基于多租户的网约车预测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8676632B1 (en) * | 2009-07-16 | 2014-03-18 | Overstock.Com, Inc. | Pricing and forecasting |
| WO2017028821A1 (zh) * | 2015-08-20 | 2017-02-23 | 北京嘀嘀无限科技发展有限公司 | 根据历史订单预测当前订单信息的方法及系统 |
| CN106897919A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术（北京）有限公司 | 用车类型预测模型建立、信息提供方法及装置 |
| CN107220217A (zh) * | 2017-05-31 | 2017-09-29 | 北京京东尚科信息技术有限公司 | 基于逻辑回归的特征系数训练方法和装置 |
| CN107330614A (zh) * | 2017-06-29 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 一种业务活动效果的实时评估方法和装置 |
| US20180060955A1 (en) * | 2015-08-28 | 2018-03-01 | The Protean Trader, LLC | System for Synthesizing Financial Transaction Parameters and Method of Executing Financial Transactions Based Thereon |
| WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
| WO2018176195A1 (zh) * | 2017-03-27 | 2018-10-04 | 中国科学院深圳先进技术研究院 | 一种室内场景的分类方法及装置 |
| CN108984574A (zh) * | 2017-06-05 | 2018-12-11 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法及装置 |
| CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
| CN109214584A (zh) * | 2018-09-21 | 2019-01-15 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
| CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
-
2019
- 2019-03-11 CN CN201910181735.1A patent/CN111753386B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8676632B1 (en) * | 2009-07-16 | 2014-03-18 | Overstock.Com, Inc. | Pricing and forecasting |
| WO2017028821A1 (zh) * | 2015-08-20 | 2017-02-23 | 北京嘀嘀无限科技发展有限公司 | 根据历史订单预测当前订单信息的方法及系统 |
| US20180060955A1 (en) * | 2015-08-28 | 2018-03-01 | The Protean Trader, LLC | System for Synthesizing Financial Transaction Parameters and Method of Executing Financial Transactions Based Thereon |
| WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
| CN106897919A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术（北京）有限公司 | 用车类型预测模型建立、信息提供方法及装置 |
| WO2018176195A1 (zh) * | 2017-03-27 | 2018-10-04 | 中国科学院深圳先进技术研究院 | 一种室内场景的分类方法及装置 |
| CN107220217A (zh) * | 2017-05-31 | 2017-09-29 | 北京京东尚科信息技术有限公司 | 基于逻辑回归的特征系数训练方法和装置 |
| CN108984574A (zh) * | 2017-06-05 | 2018-12-11 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法及装置 |
| CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
| CN107330614A (zh) * | 2017-06-29 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 一种业务活动效果的实时评估方法和装置 |
| CN109214584A (zh) * | 2018-09-21 | 2019-01-15 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
| CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| DONG-XING WANG等: "Design of the oil pump temperature monitoring system based on Internet of things", IEEE * |
| 杨宝臣;郭灿;王硕;: "基于限价指令簿信息的流动性冲击影响", 系统工程, no. 03 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112799949A (zh) * | 2021-02-04 | 2021-05-14 | 上海销氪信息科技有限公司 | 一种模型优化方法、装置、系统及设备 |
| CN114066076A (zh) * | 2021-11-22 | 2022-02-18 | 北京白龙马云行科技有限公司 | 一种基于多租户的网约车预测方法及装置 |
| CN114066076B (zh) * | 2021-11-22 | 2023-03-28 | 北京白龙马云行科技有限公司 | 一种基于多租户的网约车预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111753386B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108269123B (zh) | 广告投放控制方法及装置 | |
| Klein et al. | A model-based approximation of opportunity cost for dynamic pricing in attended home delivery | |
| CN110543968A (zh) | 预计送达时间确定方法、装置、电子设备及存储介质 | |
| WO2016091173A1 (zh) | 一种用户维护系统及方法 | |
| WO2018200546A1 (en) | System and method for establishing regional distribution center inventory levels for new third party products | |
| CN111353092B (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
| CN110555751B (zh) | 信用项目中的履约处理方法以及装置 | |
| US11514471B2 (en) | Method and system for model training and optimization in context-based subscription product suite of ride-hailing platforms | |
| CN106874331B (zh) | 一种数据对象分配系统及方法 | |
| CN110347924A (zh) | 果蔬商城管理系统及果蔬信息推送方法 | |
| AU2018236702A1 (en) | Method, system and controller for providing goods and/or services to consumers | |
| CN111753386B (zh) | 一种数据处理方法及装置 | |
| CN111062774B (zh) | 活动投放方法、装置、电子设备和计算机可读介质 | |
| WO2015106166A1 (en) | Gift exchange platform | |
| CN109829648A (zh) | 绩效管理方法和装置 | |
| CN107886346B (zh) | 数据对象资源信息处理方法及装置 | |
| JP2006190054A (ja) | 店舗間商品振替方法、システム及びプログラム | |
| CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
| KR102220953B1 (ko) | 할인 서비스 장치 및 방법 | |
| CN115063178A (zh) | 目标群体对于业务场景敏感程度的确定方法及其装置 | |
| US20160358256A1 (en) | System and method of price discovery for exchange market | |
| CN111192071B (zh) | 发单量预估方法及装置、训练发单概率模型的方法及装置 | |
| CN110827093A (zh) | 一种精准营销的方法及装置 | |
| US11763387B1 (en) | System and method for the valuation and securitization of content | |
| CN111695919A (zh) | 评价数据处理方法、装置、电子设备及存储介质 |
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 |