CN111815050B - 模型训练、状态预测方法和装置、电子设备及存储介质 - Google Patents
模型训练、状态预测方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111815050B CN111815050B CN202010648564.1A CN202010648564A CN111815050B CN 111815050 B CN111815050 B CN 111815050B CN 202010648564 A CN202010648564 A CN 202010648564A CN 111815050 B CN111815050 B CN 111815050B
- Authority
- CN
- China
- Prior art keywords
- information
- order information
- historical order
- state
- identification information
- 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.)
- Active
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的模型训练、状态预测方法和装置、电子设备及存储介质,涉及深度学习技术领域。在本申请中,首先获得多个历史订单信息。其次,基于每一个历史订单信息得到对应的状态标识信息,其中,该状态标识信息用于表征基于对应的历史订单信息进行约车时的约车状态。然后,基于历史订单信息和状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型,其中,状态预测模型用于对目标用户的约车标识信息进行处理,得到基于该目标用户的目标订单信息进行约车时的约车状态预测信息,且该目标订单信息基于该约车标识信息形成。通过上述方法,可以改善基于现有的预测技术预测得到的约车状态存在准确率较低的问题。
Description
技术领域
本申请涉及深度学习技术领域,具体而言,涉及一种模型训练、状态预测方法和装置、电子设备及存储介质。
背景技术
为了提升用户的约车体验,现有技术中,约车平台一般会在用户下单之前,为用户下单之后可能出现的约车状态进行预测,并向用户展示预测得到的约车状态。但是,经发明人研究发现,在现有的约车状态预测技术中,存在着准确率较低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种模型训练、状态预测方法和装置、电子设备及存储介质,以改善基于现有的预测技术预测得到的约车状态存在准确率较低的问题。
为实现上述目的,本申请实施例采用如下技术方案:
一种状态预测模型训练方法,包括:
获得多个历史订单信息;
基于每一个所述历史订单信息得到对应的状态标识信息,其中,该状态标识信息用于表征基于对应的历史订单信息进行约车时的约车状态;
基于所述历史订单信息和所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型;
其中,所述状态预测模型用于对目标用户的约车标识信息进行处理,得到基于该目标用户的目标订单信息进行约车时的约车状态预测信息,且该目标订单信息基于该约车标识信息形成,该约车状态预测信息用于表征基于该目标订单信息进行约车时的约车状态。
在本申请实施例较佳的选择中,在上述状态预测模型训练方法中,所述基于每一个所述历史订单信息得到对应的状态标识信息的步骤,包括:
确定每一个所述历史订单信息对应的第一状态标识信息,其中,该第一状态标识信息用于表征基于对应的历史订单信息进行约车时是否有排队,且用于对所述神经网络模型中的第一子网络模型进行训练,以得到对应的第一预测子模型;
确定每一个所述历史订单信息对应的第二状态标识信息,其中,该第二状态标识信息用于表征基于对应的历史订单信息进行约车时是否有在预设时长内被应答,且用于对所述神经网络模型中的第二子网络模型进行训练,以得到对应的第二预测子模型;
确定每一个所述历史订单信息对应的第三状态标识信息,其中,该第三状态标识信息用于表征基于对应的历史订单信息进行约车时是否有被应答,且用于对所述神经网络模型中的第三子网络模型进行训练,以得到对应的第三预测子模型。
在本申请实施例较佳的选择中,在上述状态预测模型训练方法中,所述确定每一个所述历史订单信息对应的第一状态标识信息的步骤,包括:
针对每一个预设时段,确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件;
若不满足所述排队有效条件,则确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时未排队;
若满足所述排队有效条件,则确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时有排队。
在本申请实施例较佳的选择中,在上述状态预测模型训练方法中,所述针对每一个预设时段,确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件的步骤,包括:
针对每一个预设时段,在该预设时段内有形成排队队列的全部历史订单信息中,确定第一比例是否大于第一预设值、第二比例是否大于第二预设值,其中,该第一比例为排队等待时间小于预设时长的历史订单信息所占比例,该第二比例为形成排队队列时属于队列首位的历史订单所占比例;
若所述第一比例大于所述第一预设值,且所述第二比例大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,不满足预设的排队有效条件;
若所述第一比例不大于所述第一预设值,和/或所述第二比例不大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,满足预设的排队有效条件。
在本申请实施例较佳的选择中,在上述状态预测模型训练方法中,所述确定每一个所述历史订单信息对应的第二状态标识信息的步骤,包括:
针对每一个历史订单信息,判断该历史订单信息的应答持续时间是否大于预设时长,其中,该应答持续时间为,该历史订单信息的发单时间与应答时间或取消时间之间的差值;
若所述应答持续时间大于所述预设时长,则判定对应历史订单信息对应的第二状态标识信息为,进行约车时未在预设时长内被应答;
若所述应答持续时间不大于所述预设时长,则判定对应历史订单信息对应的第二状态标识信息为,进行约车时有在预设时长内被应答。
在本申请实施例较佳的选择中,在上述状态预测模型训练方法中,所述基于所述历史订单信息和所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型的步骤,包括:
获得每一个所述历史订单信息对应的约车特征信息,其中,该约车特征信息与该历史订单信息对应的状态标识信息之间具有关联关系;
基于所述历史订单信息、所述状态标识信息和所述约车特征信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
在本申请实施例较佳的选择中,在上述状态预测模型训练方法中,所述获得每一个所述历史订单信息对应的约车特征信息的步骤,包括:
获得每一个所述历史订单信息对应的约车场景特征信息;
获得每一个所述历史订单信息对应的约车供需特征信息;
获得每一个所述历史订单信息对应的约车安全特征信息。
在本申请实施例较佳的选择中,在上述状态预测模型训练方法中,所述约车场景特征信息包括历史订单信息所属的时间片、所属的小时段、所属的地区、所属的区域格子标识、是否属于工作日、订单的起点经纬度、订单的终点经纬度、订单的起点与终点之间的距离、降雨程度中的至少一种;
所述约车供需特征信息包括订单起点所在区域内车辆的数量、与订单起点之间距离均值、与订单起点之间的最小距离、与订单起点之间最小的预设数量个距离的均值,订单起点所在区域内最近的预设时长中空车车辆的数量、非空车车辆的数量、获得的约车标识信息的数量、形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例,以及订单起点所在区域的周围区域内预设时长中形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例中的至少一种;
所述约车安全特征信息包括是否属于深夜预设时段、订单起点和终点的危险程度、用户的性别、用户在该深夜预设时段形成的历史订单信息的比例中的至少一种。
在本申请实施例较佳的选择中,在上述状态预测模型训练方法中,所述基于所述历史订单信息、所述状态标识信息和所述约车特征信息对预设的神经网络模型进行训练,得到对应的状态预测模型的步骤,包括:
对所述约车特征信息进行标准化处理,其中,该标准化处理包括用于对连续类型的约车特征信息进行处理的归一化处理、用于对离散类型的约车特征信息进行处理的编码处理;
基于标准化处理后的约车特征信息、所述历史订单信息、所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
在上述基础上,本申请实施例还提供了一种约车状态预测方法,包括:
将目标用户的约车标识信息输入预设的状态预测模型,其中,该状态预测模型基于上述的状态预测模型训练方法训练得到;
基于所述状态预测模型对所述约车标识信息进行处理,得到所述目标用户基于目标订单信息进行约车时的约车状态预测信息。
在本申请实施例较佳的选择中,在上述约车状态预测方法中,所述状态预测模型包括第一预测子模型、第二预测子模型和第三预测子模型,所述基于所述状态预测模型对所述约车标识信息进行处理,得到所述目标用户基于目标订单信息进行约车时的约车状态预测信息的步骤,包括:
基于所述第一预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于目标订单信息进行约车时是否需要排队;
若不需要进行排队,则基于所述第二预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够在预设时长内被应答;
若不能够在所述预设时长内被应答,则基于所述第三预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够被应答。
本申请实施例还提供了一种状态预测模型训练装置,包括:
订单信息获得模块,用于获得多个历史订单信息;
标识信息获得模块,用于基于每一个所述历史订单信息得到对应的状态标识信息,其中,该状态标识信息用于表征基于对应的历史订单信息进行约车时的约车状态;
网络模型训练模块,用于基于所述历史订单信息和所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型;
其中,所述状态预测模型用于对目标用户的约车标识信息进行处理,得到基于该目标用户的目标订单信息进行约车时的约车状态预测信息,且该目标订单信息基于该约车标识信息形成,该约车状态预测信息用于表征基于该目标订单信息进行约车时的约车状态。
在本申请实施例较佳的选择中,在上述状态预测模型训练装置中,所述标识信息获得模块包括:
第一标识信息确定子模块,用于确定每一个所述历史订单信息对应的第一状态标识信息,其中,该第一状态标识信息用于表征基于对应的历史订单信息进行约车时是否有排队,且用于对所述神经网络模型中的第一子网络模型进行训练,以得到对应的第一预测子模型;
第二标识信息确定子模块,用于确定每一个所述历史订单信息对应的第二状态标识信息,其中,该第二状态标识信息用于表征基于对应的历史订单信息进行约车时是否有在预设时长内被应答,且用于对所述神经网络模型中的第二子网络模型进行训练,以得到对应的第二预测子模型;
第三标识信息确定子模块,用于确定每一个所述历史订单信息对应的第三状态标识信息,其中,该第三状态标识信息用于表征基于对应的历史订单信息进行约车时是否有被应答,且用于对所述神经网络模型中的第三子网络模型进行训练,以得到对应的第三预测子模型。
在本申请实施例较佳的选择中,在上述状态预测模型训练装置中,所述第一标识信息确定子模块包括:
排队有效条件确定单元,用于针对每一个预设时段,确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件;
第一标识信息确定单元,用于在不满足所述排队有效条件时,确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时未排队;
第二标识信息确定单元,用于在满足所述排队有效条件时,确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时有排队。
在本申请实施例较佳的选择中,在上述状态预测模型训练装置中,所述排队有效条件确定单元具体用于:
针对每一个预设时段,在该预设时段内有形成排队队列的全部历史订单信息中,确定第一比例是否大于第一预设值、第二比例是否大于第二预设值,其中,该第一比例为排队等待时间小于预设时长的历史订单信息所占比例,该第二比例为形成排队队列时属于队列首位的历史订单所占比例;
若所述第一比例大于所述第一预设值,且所述第二比例大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,不满足预设的排队有效条件;
若所述第一比例不大于所述第一预设值,和/或所述第二比例不大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,满足预设的排队有效条件。
在本申请实施例较佳的选择中,在上述状态预测模型训练装置中,所述第二标识信息确定子模块包括:
应答持续时间判断单元,用于针对每一个历史订单信息,判断该历史订单信息的应答持续时间是否大于预设时长,其中,该应答持续时间为,该历史订单信息的发单时间与应答时间或取消时间之间的差值;
第一标识信息判定单元,用于在所述应答持续时间大于所述预设时长时,判定对应历史订单信息对应的第二状态标识信息为,进行约车时未在预设时长内被应答;
第二标识信息判定单元,用于在所述应答持续时间不大于所述预设时长时,判定对应历史订单信息对应的第二状态标识信息为,进行约车时有在预设时长内被应答。
在本申请实施例较佳的选择中,在上述状态预测模型训练装置中,所述网络模型训练模块包括:
约车特征信息获得子模块,用于获得每一个所述历史订单信息对应的约车特征信息,其中,该约车特征信息与该历史订单信息对应的状态标识信息之间具有关联关系;
网络模型训练子模块,用于基于所述历史订单信息、所述状态标识信息和所述约车特征信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
在本申请实施例较佳的选择中,在上述状态预测模型训练装置中,所述约车特征信息获得子模块包括:
场景特征信息获得单元,用于获得每一个所述历史订单信息对应的约车场景特征信息;
供需特征信息获得单元,用于获得每一个所述历史订单信息对应的约车供需特征信息;
安全特征信息获得单元,用于获得每一个所述历史订单信息对应的约车安全特征信息。
在本申请实施例较佳的选择中,在上述状态预测模型训练装置中,所述约车场景特征信息包括历史订单信息所属的时间片、所属的小时段、所属的地区、所属的区域格子标识、是否属于工作日、订单的起点经纬度、订单的终点经纬度、订单的起点与终点之间的距离、降雨程度中的至少一种;
所述约车供需特征信息包括订单起点所在区域内车辆的数量、与订单起点之间距离均值、与订单起点之间的最小距离、与订单起点之间最小的预设数量个距离的均值,订单起点所在区域内最近的预设时长中空车车辆的数量、非空车车辆的数量、获得的约车标识信息的数量、形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例,以及订单起点所在区域的周围区域内预设时长中形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例中的至少一种;
所述约车安全特征信息包括是否属于深夜预设时段、订单起点和终点的危险程度、用户的性别、用户在该深夜预设时段形成的历史订单信息的比例中的至少一种。
在本申请实施例较佳的选择中,在上述状态预测模型训练装置中,所述网络模型训练子模块包括:
标准化处理单元,用于对所述约车特征信息进行标准化处理,其中,该标准化处理包括用于对连续类型的约车特征信息进行处理的归一化处理、用于对离散类型的约车特征信息进行处理的编码处理;
网络模型训练单元,用于基于标准化处理后的约车特征信息、所述历史订单信息、所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
在上述基础上,本申请实施例还提供了一种约车状态预测装置,包括:
标识信息输入模块,用于将目标用户的约车标识信息输入预设的状态预测模型,其中,该状态预测模型基于上述的状态预测模型训练装置训练得到;
约车状态预测模块,用于基于所述状态预测模型对所述约车标识信息进行处理,得到所述目标用户基于目标订单信息进行约车时的约车状态预测信息。
在本申请实施例较佳的选择中,在上述约车状态预测装置中,所述状态预测模型包括第一预测子模型、第二预测子模型和第三预测子模型,所述约车状态预测模块包括:
第一信息处理子模块,用于基于所述第一预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于目标订单信息进行约车时是否需要排队;
第二信息处理子模块,用于在不需要进行排队时,基于所述第二预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够在预设时长内被应答;
第三信息处理子模块,用于在不能够在所述预设时长内被应答时,基于所述第三预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够被应答。
在上述基础上,本申请实施例还提供了一种电子设备,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现上述的状态预测模型训练方法,或实现上述的约车状态预测方法。
在上述基础上,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被执行时,实现上述的状态预测模型训练方法,或实现上述的约车状态预测方法。
本申请提供的模型训练、状态预测方法和装置、电子设备及存储介质,通过基于历史订单信息和历史订单信息对应的状态标识信息,对神经网络模型进行训练,以得到状态预测模型,使得可以基于该状态预测模型对目标用户的约车标识信息(如下单前的冒泡订单)进行处理,得到基于该约车标识信息对应的目标订单信息(如下单形成的约车订单)进行约车时的约车状态预测信息。如此,由于相同区域一般具有相似的约车状态,且状态预测模型是基于历史订单信息和对应的状态标识信息形成,使得基于该状态预测模型预测得到的预测状态具有较高的准确度,从而改善基于现有的预测技术(如直接进行约车预匹配,并基于是否能够匹配到车辆预测出约车状态,大概率会出现同一辆车被预匹配给不同的用户,而使得预测准确率低)预测得到的约车状态存在准确率较低的问题,使得用户在基于预测得到的约车状态进行约车之后,可以具有较为准确的预期,提升用户的约车体验度,进而保证用户对约车的粘性,具有较高的实用价值。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本申请实施例提供的电子设备的结构框图。
图2为本申请实施例提供的状态预测模型训练方法的流程示意图。
图3为图2中步骤S120包括的子步骤的流程示意图。
图4为图3中步骤S121包括的子步骤的流程示意图。
图5为图3中步骤S122包括的子步骤的流程示意图。
图6为图2中步骤S130包括的子步骤的流程示意图。
图7为图6中步骤S131包括的子步骤的流程示意图。
图8为本申请实施例提供的区域之间的关系示意图。
图9为图6中步骤S132包括的子步骤的流程示意图。
图10为本申请实施例提供的约车状态预测方法的流程示意图。
图11为图10中步骤S210包括的子步骤的流程示意图。
图12为本申请实施例提供的基于预测得到的约车状态对用户进行提示的界面示意图。
图13为本申请实施例提供的状态预测模型训练装置包括的功能模块的方框示意图。
图14为本申请实施例提供的约车状态预测装置包括的功能模块的方框示意图。
图标:10-电子设备;100-状态预测模型训练装置;110-订单信息获得模块;120-标识信息获得模块;130-网络模型训练模块;200-约车状态预测装置;210-标识信息输入模块;220-约车状态预测模块。
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,显然,所描述的实施例只是本申请的一部分实施例,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。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
如图1所示,本申请实施例提供了一种电子设备10。其中,该电子设备10可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,如前述的软件功能模块,从而实现本申请实施例(如后文所述)提供的状态预测模型训练方法,以训练得到状态预测模型,或实现本申请实施例(如后文所述)提供的约车状态预测方法,以得到目标用户进行约车时的约车状态预测信息。
可选地,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
并且,所述处理器可以是一种通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,所述电子设备10可以是一种具有数据处理能力的服务器。
并且,图1所示的结构仅为示意,所述电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置,例如,还可以包括用于与其它设备进行信息交互的通信单元,如与其它数据库进行信息交互,以获得历史订单信息等,或与终端设备进行信息交互,以获得目标用户的约车标识信息或目标订单信息等。
结合图2,本申请实施例还提供一种可应用于上述电子设备10的状态预测模型训练方法。其中,该状态预测模型训练方法有关的流程所定义的方法步骤,可以由所述电子设备10实现。下面将对图2所示的具体流程,进行详细阐述。
步骤S110,获得多个历史订单信息。
在本实施例中,在需要对神经网络模型进行训练时,所述电子设备10可以先获得多个历史订单信息。
步骤S120,基于每一个所述历史订单信息得到对应的状态标识信息。
在本实施例中,针对基于步骤S110获得每一个所述历史订单,所述电子设备10还可以获得每一个所述历史订单信息对应的状态标识信息,如此,可以得到多个状态标识信息。
其中,所述状态标识信息可以用于表征基于对应的历史订单信息进行约车时的约车状态。也就是说,该历史订单信息是已经完成的订单信息。
步骤S130,基于所述历史订单信息和所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
在本实施例中,在基于步骤S110和步骤S120获得多个所述历史订单信息和多个所述状态标识信息之后,可以基于该历史订单信息和该状态标识信息,对预设的神经网络模型进行训练(参数更新),如此,可以得到对应的状态预测模型。
其中,所述状态预测模型可以用于对目标用户的约车标识信息进行处理,得到基于该目标用户的目标订单信息进行约车时的约车状态预测信息,且该目标订单信息基于该约车标识信息形成,该约车状态预测信息用于表征基于该目标订单信息进行约车时的约车状态。
也就是说,可以在获得目标用户在约车下单之前形成的信息(也可以称为冒泡订单)之后,通过上述的状态预测模型预测得到该目标用户在约车下单之后可能出现的约车状态。
如此,由于相同区域一般具有相似的约车状态,且所述状态预测模型是基于历史订单信息和对应的状态标识信息形成,使得基于该状态预测模型预测得到的预测状态具有较高的准确度,从而改善基于现有的预测技术(如直接进行约车预匹配,并基于是否能够匹配到车辆预测出约车状态,大概率会出现同一辆车被预匹配给不同的用户,而使得预测准确率低)预测得到的约车状态存在准确率较低的问题,使得用户在基于预测得到的约车状态进行约车之后,可以具有较为准确的预期,提升用户的约车体验度,进而保证用户对约车的粘性。
第一方面,对于步骤S110需要说明的是,获得所述历史订单信息的具体方式不受限制,可以根据实际应用需求进行选择,如可以基于不同的时间、区域或设备等因素进行获取。
例如,针对时间因素,在一种可以替代的示例中,可以获取全部时间内的历史订单信息。在另一种可以替代的示例中,可以获取最近一段时间内的历史订单信息。
又例如,针对区域因素,在一种可以替代的示例中,可以获取全部区域内的历史订单信息。在另一种可以替代的示例中,可以获取特定区域(如XXX城市)内的历史订单信息。
再例如,针对设备因素,在一种可以替代的示例中,可以直接获得所述电子设备10存储的历史订单信息。在另一种可以替代的示例中,可以从所述电子设备10连接的其它数据库获取该数据库存储的历史订单信息。
第二方面,对于步骤S120需要说明的是,获得所述状态标识信息的具体方式也不受限制,也可以根据实际应用需求进行选择,如基于约车状态的分类不同,可以有不同的选择。
例如,在一种可以替代的示例中,所述约车状态可以是基于对应的历史订单信息进行约车时是否有排队,即排队状态和非排队状态。
又例如,在另一种可以替代的示例中,所述约车状态可以是基于对应的历史订单信息进行约车时是否在预设时长内被应答,即快速应答状态和非快速应答状态。
再例如,在另一种可以替代的示例中,所述约车状态可以是基于对应的历史订单信息进行约车时是否有被应答,即有车状态和无车状态。
并且,在另一种可以替代的示例中,为了使得基于训练得到的状态预测模型预测得到的约车状态具有更高准确度,可以对约车状态进行较为详细的分类,如可以包括进行约车时是否有排队、是否在预设时长内被应答、是否有被应答等。
基于此,在一种具体的应用示例中,结合图3,步骤S120可以包括步骤S121、步骤S122和步骤S123,具体内容如下所述。
步骤S121,确定每一个所述历史订单信息对应的第一状态标识信息。
在本实施例中,针对步骤S110获得的每一个历史订单信息,可以对该历史订单信息对应的第一状态标识信息进行确定,如此,可以确定得到多个第一状态标识信息。
其中,所述第一状态标识信息可以用于,表征基于对应的历史订单信息进行约车时是否有排队。
步骤S122,确定每一个所述历史订单信息对应的第二状态标识信息。
在本实施例中,针对步骤S110获得的每一个历史订单信息,可以对该历史订单信息对应的第二状态标识信息进行确定,如此,可以确定得到多个第二状态标识信息。
其中,所述第二状态标识信息可以用于,表征基于对应的历史订单信息进行约车时是否有在预设时长内被应答。
步骤S123,确定每一个所述历史订单信息对应的第三状态标识信息。
在本实施例中,针对步骤S110获得的每一个历史订单信息,可以对该历史订单信息对应的第三状态标识信息进行确定,如此,可以确定得到多个第三状态标识信息。
其中,所述第三状态标识信息可以用于,表征基于对应的历史订单信息进行约车时是否有被应答。
基于此,可以将约车状态区分为是否有排队、是否有在预设时长内被应答、是否有被应答,使得训练得到的状态预测模型,也可以对多种约车状态进行预测,即是否需要排队、是否能够在预设时长内被应答、是否能够被应答。如此,可以对用户进行精细化的预测指示,使得用户可以根据实际需求进行相应的选择,从而提升用户的体验,增强用户对约车的粘性。
可选地,执行步骤S121以确定第一历史状态信息的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,可以针对每一个历史订单信息分别进行第一历史状态信息的确定,得到该历史订单信息的第一历史状态信息。
又例如,在另一种可以替代的示例中,由于经过本申请的发明人的研究发现,在获得的历史订单信息中,可能存在形成的排队队列是无效的历史订单信息,因而,为了改善获得的第一历史状态信息不准确的问题,本申请的发明人提出了从整体上对第一历史状态信息进行确定的方案。
详细地,结合图4,步骤S121可以包括步骤S121a、步骤S121b和步骤S121c,具体内容如下所述。
步骤S121a,针对每一个预设时段,确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件。
在本实施例中,可以将属于同一个预设时段内的有形成排队队列的全部历史订单信息作为一个整体,如此,针对每一个预设时段,可以确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件,即确定对应的一个整体是否满足该排队有效条件。
其中,若不满足所述排队有效条件,可以执行步骤S121b;若满足所述排队有效条件,可以执行步骤S121c。
步骤S121b,确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时未排队。
在本实施例中,在基于步骤S121a确定一个预设时段内有形成排队队列的全部历史订单信息不满足预设的排队有效条件时,可以将该全部历史订单信息的第一状态信息都确定为,进行约车时未排队。
也就是说,对于第一状态信息为进行约车时未排队的全部历史订单信息,可以作为训练对应的神经网络模型(如用于对是否需要排队进行预测的神经网络模型)的负样本。
步骤S121c,确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时有排队。
在本实施例中,在基于步骤S121a确定一个预设时段内有形成排队队列的全部历史订单信息满足预设的排队有效条件时,可以将该全部历史订单信息的第一状态信息都确定为,进行约车时有排队。
也就是说,对于第一状态信息为进行约车时有排队的全部历史订单信息,可以作为训练对应的神经网络模型(如用于对是否需要排队进行预测的神经网络模型)的正样本。
可以理解的是,在上述的步骤S121a中,基于所述排队有效条件的具体内容不同,确定是否满足排队有效条件的方式也不同。
例如,在一种可以替代的示例中,针对属于同一个预设时段内有形成排队队列的全部历史订单信息,可以基于排队等待时间小于预设时长的历史订单信息所占比例是否大于预设值,确定是否满足排队有效条件。
又例如,在另一种可以替代的示例中,针对属于同一个预设时段内有形成排队队列的全部历史订单信息,可以基于形成排队队列时属于队列首位的历史订单所占比例是否大于预设值,确定是否满足排队有效条件。
再例如,在另一种可以替代的示例中,为了进一步提高确定的第一历史状态信息的准确性,使得训练得到的模型对是否需要排队能够进行较高精度的预测,步骤S121a可以包括以下步骤:
针对每一个预设时段,在该预设时段内有形成排队队列的全部历史订单信息中,确定第一比例是否大于第一预设值、第二比例是否大于第二预设值,其中,该第一比例为排队等待时间小于预设时长的历史订单信息所占比例,该第二比例为形成排队队列时属于队列首位的历史订单所占比例;
首先,针对每一个预设时段,可以在该预设时段内有形成排队队列的全部历史订单信息中,确定第一比例是否大于第一预设值、第二比例是否大于第二预设值,其中,该第一比例可以为排队等待时间小于预设时长的历史订单信息所占比例,该第二比例可以为形成排队队列时属于队列首位的历史订单所占比例;
基于此,一方面,若所述第一比例大于所述第一预设值,且所述第二比例大于所述第二预设值,可以判定对应预设时段内有形成排队队列的全部历史订单信息,不满足预设的排队有效条件;
另一方面,若所述第一比例不大于所述第一预设值,和/或所述第二比例不大于所述第二预设值,可以判定对应预设时段内有形成排队队列的全部历史订单信息,满足预设的排队有效条件。
也就是说,只有所述第一比例大于所述第一预设值,且所述第二比例大于所述第二预设值,才能判定不满足所述排队有效条件。其它情况,都判定满足所述排队有效条件。
其中,所述预设时长、所述第一预设值和所述第二预设值的具体数值,也不受限制,可以根据实际应用需求进行选择。
例如,在一种具体的应用示例中,所述预设时长可以为30s,所述第一预设值可以为90%,所述第二预设值可以为90%。
也就是说,只有在排队等待时间(如下发订单的时间与订单被应答的时间之间的差值)小于30s的历史订单信息所占比例大于90%,且形成排队队列时属于队列首位的历史订单所占比例也大于90%时,才能判定不满足所述排队有效条件。
并且,所述预设时段的划分也不受限制。
例如,在一种可以替代的示例中,可以将一天的24个小时,进行24等分,得到24个时间长度相同的预设时段。
又例如,在另一种可以替代的示例中,可以将一天的24个小时,按照一定的规定进行分割,得到多个时间长度不同的预设时段,如约车高峰对应的预设时段的时间长度可以小于约车低谷对应的预设时段。
可选地,执行步骤S122以确定第二历史状态信息的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,可以基于应答等待时间(如下发订单的时间与订单被应答的时间之间的差值)是否小于预设时长(该预设时长可以等于上述步骤S121a中的预设时长),对第二历史状态信息进行确认。
又例如,在另一种可以替代的示例中,考虑到在一些情况下,用户在下单之后,可能会取消,即通过步骤S110获得的多个历史订单信息中,可能存在被取消的历史订单信息,因此,结合图5,步骤S122可以包括步骤S122a、步骤S122b和步骤S122c,具体内容如下所述。
步骤S122a,针对每一个历史订单信息,判断该历史订单信息的应答持续时间是否大于预设时长。
在本实施例中,针对基于步骤S110获得的每一个历史订单信息,可以判断该历史订单信息对应的应答持续时间是否大于预设时长。该应答持续时间可以为,历史订单信息的发单时间与应答时间或取消时间之间的差值。
也就是说,针对未被取消的历史订单信息,对应的应答持续时间可以为发单时间(也可以成为下发订单的时间)与应答时间之间的差值。针对被取消的历史订单信息,对应的应答持续时间可以为发单时间与取消时间之间的差值。如此,可以得到未被取消的历史订单信息和被取消的历史订单信息的应答持续时间。
其中,若所述应答持续时间大于所述预设时长,可以执行步骤S122b;若所述应答持续时间不大于所述预设时长,可以执行步骤S122c。
步骤S122b,判定对应历史订单信息对应的第二状态标识信息为,进行约车时未在预设时长内被应答。
在本实施例中,在基于步骤S122a判定所述应答持续时间大于所述预设时长时,可以将对应的历史订单信息的第二状态标识信息确定为,进行约车时未在预设时长内被应答。
也就是说,对于第二状态信息为进行约车时未在预设时长内被应答的全部历史订单信息,可以作为训练对应的神经网络模型(如用于对是否能够在预设时长内被应答进行预测的神经网络模型)的负样本。
步骤S122c,判定对应历史订单信息对应的第二状态标识信息为,进行约车时有在预设时长内被应答。
在本实施例中,在基于步骤S122a判定所述应答持续时间不大于所述预设时长时,可以将对应的历史订单信息的第二状态标识信息确定为,进行约车时有在预设时长内被应答。
也就是说,对于第二状态信息为进行约车时有在预设时长内被应答的全部历史订单信息,可以作为训练对应的神经网络模型(如用于对是否能够在预设时长内被应答进行预测的神经网络模型)的正样本。
可选地,执行步骤S123以确定第三状态标识信息的具体方式也不受限制,也可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,一方面,可以将所有被应答的历史订单信息对应的第三状态信息确定为,进行约车时有被应答。另一方面,可以将所有非因用户而被取消的历史订单信息对应的第三状态信息确定为,进行约车时未被应答。
又例如,在另一种可以替代的示例中,一方面,可以将所有被应答的历史订单信息对应的第三状态信息确定为,进行约车时有被应答。另一方面,可以将所有被取消的历史订单信息对应的第三状态信息确定为,进行约车时未被应答。
也就是说,对于第三状态信息为进行约车时有被应答的全部历史订单信息,可以作为训练对应的神经网络模型(如用于对是否能够被应答进行预测的神经网络模型)的正样本。对于第三状态信息为进行约车时未被应答的全部历史订单信息,可以作为训练对应的神经网络模型(如用于对是否能够被应答进行预测的神经网络模型)的负样本。
可以理解的是,基于上述三个步骤(步骤S121、步骤S122和步骤S123)得到的三种状态标识信息(第一状态标识信息、第二状态标识信息和第三状态标识信息),既可以是用于对一个神经网络模型进行训练,以得到一个状态预测模型,且该状态预测模型可以对是否需要排队、是否能够在预设时长内被应答、是否能够被应答进行预测。
并且,基于上述三个步骤得到的三种状态标识信息,也可以用于对三个神经网络子模型(即上述的神经网络模型包括三个子网络模型)分别进行训练,以得到三个预测子模型。
详细地,在一种具体的应用示例中,所述第一状态标识信息可以用于,对所述神经网络模型中的第一子网络模型进行训练,以得到对应的第一预测子模型。所述第二状态标识信息可以用于,对所述神经网络模型中的第二子网络模型进行训练,以得到对应的第二预测子模型。所述第三状态标识信息可以用于,对所述神经网络模型中的第三子网络模型进行训练,以得到对应的第三预测子模型。
第三方面,对于步骤S130需要说明的是,对所述神经网络模型进行训练的具体方式也不受限制,也可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,可以直接基于步骤S110和步骤S120分别获得的历史订单信息和状态标识信息,对预设的神经网络模型进行训练,如此,由于历史订单信息至少包括位置信息,使得训练得到的状态预测模型可以仅基于目标用户的位置信息进行约车状态的预测。
又例如,在另一种可以替代的示例中,考虑到一些其它信息也可以对约车状态造成影响,如此,为了使得训练得到的状态预测模型具有更高的预测精度,结合图6,步骤S130可以包括步骤S131和步骤S132,具体内容如下所述。
步骤S131,获得每一个所述历史订单信息对应的约车特征信息。
在本实施例中,针对步骤S110获得的每一个所述历史订单信息,还可以获得该历史订单信息对应的约车特征信息。
其中,所述约车特征信息与该历史订单信息对应的状态标识信息之间具有关联关系。即该约车特征信息的具体内容不同,可以导致该状态标识信息的具体内容也不同。
步骤S132,基于所述历史订单信息、所述状态标识信息和所述约车特征信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
在本实施例中,在基于步骤S131获得所述约车特征信息之后,可以基于该约车特征信息,并结合步骤S110和步骤S120分别获得的历史订单信息和状态标识信息,对预设的神经网络模型进行训练,如此,可以得到对应的状态预测模型。
可选地,执行步骤S131以获得约车特征信息的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,为了降低训练神经网络模型的数据量,可以获得每一个所述历史订单信息对应的约车场景特征信息。也就是说,所述约车特征信息可以包括约车场景特征信息。
又例如,在另一种可以替代的示例中,为了在保证训练神经网络模型的过程中需要处理的数据量较小的基础上,还能兼顾使得训练得到的状态预测模型具有较高的预测精度,可以获得每一个所述历史订单信息对应的约车场景特征信息和约车供需特征信息。
再例如,在另一种可以替代的示例中,为了使得训练得到的状态预测模型可以对约车状态进行较为精确的预测,能够充分考虑对约车状态会造成影响的多种因素,因此,结合图7,步骤S131可以包括步骤S131a、步骤S131b和步骤S131c,具体内容如下所述。
步骤S131a,获得每一个所述历史订单信息对应的约车场景特征信息。
在本实施例中,在需要获得每一个所述历史订单信息对应的约车特征信息时,可以获得每一个所述历史订单信息对应的约车场景特征信息。
步骤S131b,获得每一个所述历史订单信息对应的约车供需特征信息。
在本实施例中,在需要获得每一个所述历史订单信息对应的约车特征信息时,可以获得每一个所述历史订单信息对应的约车供需特征信息。
步骤S131c,获得每一个所述历史订单信息对应的约车安全特征信息。
在本实施例中,在需要获得每一个所述历史订单信息对应的约车特征信息时,可以获得每一个所述历史订单信息对应的约车安全特征信息。
基于上述三个步骤,可以得到每一个历史订单信息对应的约车场景特征信息、约车供需特征信息和约车安全特征信息。如此,所述约车特征信息,可以包括约车场景特征信息、约车供需特征信息和约车安全特征信息。
可以理解的是,步骤S131a中的约车场景特征信息可以是指,基于位置和/或时间等信息形成的一些环境信息。
例如,在一种可以替代的示例中,所述约车场景特征信息可以包括以下多种信息中的至少一种信息:
历史订单信息所属的时间片(如可以以分钟为单位进行时间片的划分),历史订单信息所属的小时段,历史订单信息所属的地区(如城市),历史订单信息所属的区域格子标识(如预先对地区进行划分形成多个类似于格子的区域,然后分别进行身份信息的标识),历史订单信息是否属于工作日,历史订单信息中订单的起点经纬度,历史订单信息中订单的终点经纬度,历史订单信息中订单的起点与终点之间的距离,历史订单信息中下单时间的降雨程度。
步骤S131b中的约车供需特征信息可以是指,基于约车的供应和/或需求等信息形成的一些供需信息。
例如,在一种可以替代的示例中,所述约车供需特征信息可以包括以下多种信息中的至少一种信息:
订单起点所在区域内(如特定距离范围内,如3公里范围内)车辆(可以成为可用车辆)的数量,可用车辆与订单起点之间距离均值,可用车辆与订单起点之间的最小距离,可用车辆与订单起点之间最小的预设数量个(如5个)距离的均值,订单起点所在区域内最近的预设时长(如1分钟)中空车车辆的数量、非空车车辆的数量、获得的约车标识信息的数量(如冒泡订单的数量)、形成的历史订单信息的数量(如下单的数量)、被应答的历史订单信息的比例(也称为接单率)、被应答的历史订单信息的应答平均时长(也成为接单平均时长)、被取消的历史订单信息的比例(也成为应答前取消率),以及订单起点所在区域的周围区域(如与所在区域相邻的区域,如图8所示,若区域1为所在区域,则区域2-9为周围区域)内预设时长(如1分钟和5分钟)中形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例。
步骤S131c中的约车安全特征信息可以是指,基于约车是否容易发生安全事故等信息形成的一些安全信息。
例如,在一种可以替代的示例中,所述约车安全特征信息可以包括以下多种信息中的至少一种信息:
是否属于深夜预设时段(如凌晨1点-6点等),订单起点和终点的危险程度(如对应的区域是否为人迹较少的区域,或是否为经常发生安全事故的区域),用户的性别,用户在该深夜预设时段形成的历史订单信息的比例,以及用户的画像分(可以从其它数据库获取,如用户有犯罪前科,则对应的画像分可以较低)。
可选地,执行步骤S132以对所述神经网络模型进行训练的具体方式也不受限制,也可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,可以直接将获得的约车特征信息、历史订单信息和状态标识信息用于对神经网络模型进行训练。
又例如,在另一种可以替代的示例中,为了便于在训练过程中,神经网络模型可以对各信息进行准确、高效的处理,从而完成训练,还可以对获得的约车特征信息进行预处理。基于此,结合图9,步骤S132可以包括步骤S132a和步骤S132b,具体内容如下所述。
步骤S132a,对所述约车特征信息进行标准化处理。
在本实施例中,在基于步骤S131获得所述约车特征信息之后,还可以对该约车特征信息进行标准化处理,便于在训练过程中进行处理。
其中,所述标准化处理可以包括用于对连续类型的约车特征信息进行处理的归一化处理、用于对离散类型的约车特征信息进行处理的编码处理。
步骤S132b,基于标准化处理后的约车特征信息、所述历史订单信息、所述状态标识信息对预设的神经网络模型进行训练,得到状态预测模型。
在本实施例中,在基于步骤S132a对所述约车特征信息进行标准化处理之后,可以基于标准化处理后的约车特征信息、所述历史订单信息、所述状态标识信息,对神经网络模型进行训练,以得到对应的状态预测模型。
可以理解的是,在步骤S132a中,为了实现标准化处理,基于不同的特征信息可以进行不同的处理,例如:
针对连续类型的约车特征信息,可以先进行99分位截断处理,以得到100个的区间,并为每一个区间赋值,如此,可以基于约车特征信息所属的区间,对该约车特征信息进行映射赋值,使得可以排除部分异常的信息的干扰;并且,针对分布范围较广的连续类型的约车特征,在进行分位截断处理时,还可以考虑进行等频离散化处理,如针对订单起点与终点之间的距离,0-15公里可以形成一个区间,15-25公里可以形成另一个区间;最后,针对所有的连续类型的约车特征信息,在经过前述的处理之后,可以通过进行均值方差标准化处理,从而实现归一化处理;
针对离散类型的约车特征信息,若类型具体为低维离散,可以进行one-hot编码(也称为独热编码或一位有效编码)处理;若类型具体为高维离散,可以进行xgboost(可以是基于多个CART回归树模型集成形成的分类器)编码处理和embedding(学习嵌入)处理。
其中,考虑到在一些情况下,部分约车特征信息可能会缺失,如性别,此时,可以对缺失的约车特征信息进行补零处理(即赋值为0,这是考虑到进行标准化后的约车特征信息的值一般都是属于-1到1之间)。
并且,在步骤S132b中,所述神经网络模型的具体类型不受限制,也可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,所述神经网络模型可以为多分类模型,如此,可以将获得的历史订单信息、状态标识信息和约车特征信息,输入至该神经网络模型,使得训练得到的状态预测模型可以对多种约车状态进行预测。
又例如,在另一种可以替代的示例中,所述神经网络模型可以为二分类模型,如此,该神经网络模型可以包括三个子网络模型,以通过获得的历史订单信息、状态标识信息和约车特征信息分别进行训练,从而得到三个预测子模型。
其中,在一种具体的应用示例中,三个子网络模型可以都为deepFM(深度模型),也可以都为DCN模型(Deep&Cross Network)。
结合图10,本申请实施例还提供一种可应用于上述电子设备10的约车状态预测方法。其中,该约车状态预测方法有关流程所定义的方法步骤,可以由电子设备10实现。下面将对图10所示的具体流程,进行详细阐述。
步骤S210,将目标用户的约车标识信息输入预设的状态预测模型。
在本实施例中,所述电子设备10在获得目标用户的约车标识信息之后,可以将该约车标识信息输入至预设的状态预测模型。其中,该状态预测模型可以是基于上述的状态预测模型训练方法训练得到。
步骤S220,基于所述状态预测模型对所述约车标识信息进行处理,得到所述目标用户基于目标订单信息进行约车时的约车状态预测信息。
在本实施例中,在基于步骤S210将所述约车标识信息输入至所述状态预测模型之后,所述电子设备10可以基于该状态预测模型对该约车标识信息进行处理,如此,可以预测得到该目标用户在基于目标订单信息进行约车时的约车状态预测信息。
其中,所述目标订单信息可以基于该约车标识信息形成,所述约车状态预测信息可以用于表征基于该目标订单信息进行约车时的约车状态。
第一方面,对于步骤S210需要说明的是,所述约车标识信息的形成可以是,基于目标用户输入的约车起点和约车终点形成;所述约车标识信息的形成也可以是,基于对目标用户当前的位置进行定位检测形成。
第二方面,对于步骤S210需要说明的是,对所述约车标识信息的具体处理方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,所述状态预测模型可以是一种多分类模型,如此,可以直接基于该状态预测模型对所述约车标识信息进行处理,从而得到对应的约车状态预测信息。
又例如,在另一种可以替代的示例中,为了使得得到的约车状态预测信息具有较高的可靠度,所述状态预测模型可以包括第一预测子模型、第二预测子模型和第三预测子模型,且每一个预测子模型都为二分类模型,使得预测精度较高,如此,结合图11,步骤S210可以包括步骤S211、步骤S212和步骤S213,具体内容如下所述。
步骤S211,基于所述第一预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于目标订单信息进行约车时是否需要排队。
在本实施例中,可以先通过第一预测子模型对目标用户的约车标识信息进行处理,如此,可以确定该目标用户基于目标订单信息进行约车时是否需要排队。也就是说,可以基于目标用户在下单之前输入的位置信息或下单之前进行定位检测得到的位置信息,对目标用户基于该位置信息进行下单约车可能出现的状态进行预测。
其中,若确定基于所述目标订单信息进行约车时需要排队,可以对目标用户进行排队提示,如当前排队为X人、预计等待Y分钟等(如图12)。若确定基于所述目标订单信息进行约车时不需要排队,可以执行步骤S212。
步骤S212,基于所述第二预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够在预设时长内被应答。
在本实施例中,若基于步骤S211确定基于所述目标订单信息进行约车时不需要排队,可以进一步通过所述第二预测子模型对所述约车标识信息进行处理,如此,可以确定所述目标用户基于所述目标订单信息进行约车时是否能够在预设时长内被应答。
其中,若确定基于所述目标订单信息进行约车时能够在所述预设时长内被应答,可以对目标用户进行应答提示,如预计Z分钟内达到。若确定基于所述目标订单信息进行约车时不能够在所述预设时长内被应答,可以执行步骤S213。
步骤S213,基于所述第三预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够被应答。
在本实施例中,若基于步骤S212确定基于所述目标订单信息进行约车时不能够在所述预设时长内被应答,可以进一步通过所述第三预测子模型对所述约车标识信息进行处理,如此,确定所述目标用户基于所述目标订单信息进行约车时是否能够被应答。
其中,若确定基于所述目标订单信息进行约车时不能够被应答,表示当前无车辆可以被预约,如此,可以对目标用户进行无车提示。
结合图13,本申请实施例还提供一种状态预测模型训练装置100,可应用于上述的电子设备10。其中,所述状态预测模型训练装置100可以包括订单信息获得模块110、标识信息获得模块120和网络模型训练模块130。
所述订单信息获得模块110,用于获得多个历史订单信息。在本实施例中,所述订单信息获得模块110可用于执行图2所示的步骤S110,关于所述订单信息获得模块110的相关内容可以参照前文对步骤S110的描述。
所述标识信息获得模块120,用于基于每一个所述历史订单信息得到对应的状态标识信息,其中,该状态标识信息用于表征基于对应的历史订单信息进行约车时的约车状态。在本实施例中,所述标识信息获得模块120可用于执行图2所示的步骤S120,关于所述标识信息获得模块120的相关内容可以参照前文对步骤S120的描述。
所述网络模型训练模块130,用于基于所述历史订单信息和所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型。其中,所述状态预测模型用于对目标用户的约车标识信息进行处理,得到基于该目标用户的目标订单信息进行约车时的约车状态预测信息,且该目标订单信息基于该约车标识信息形成,该约车状态预测信息用于表征基于该目标订单信息进行约车时的约车状态。在本实施例中,所述网络模型训练模块130可用于执行图2所示的步骤S130,关于所述网络模型训练模块130的相关内容可以参照前文对步骤S130的描述。
可选地,基于不同的需求,所述标识信息获得模块120可以包括不同的子模块,例如,在一种可以替代的示例中,所述标识信息获得模块120可以包括第一标识信息确定子模块、第二标识信息确定子模块和第三标识信息确定子模块。
详细地,所述第一标识信息确定子模块,可以用于确定每一个所述历史订单信息对应的第一状态标识信息,其中,该第一状态标识信息用于表征基于对应的历史订单信息进行约车时是否有排队,且用于对所述神经网络模型中的第一子网络模型进行训练,以得到对应的第一预测子模型。所述第二标识信息确定子模块,可以用于确定每一个所述历史订单信息对应的第二状态标识信息,其中,该第二状态标识信息用于表征基于对应的历史订单信息进行约车时是否有在预设时长内被应答,且用于对所述神经网络模型中的第二子网络模型进行训练,以得到对应的第二预测子模型。所述第三标识信息确定子模块,可以用于确定每一个所述历史订单信息对应的第三状态标识信息,其中,该第三状态标识信息用于表征基于对应的历史订单信息进行约车时是否有被应答,且用于对所述神经网络模型中的第三子网络模型进行训练,以得到对应的第三预测子模型。
基于上述示例,在一种可以替代的示例中,所述第一标识信息确定子模块可以包括排队有效条件确定单元、第一标识信息确定单元和第二标识信息确定单元。
详细地,所述排队有效条件确定单元,可以用于针对每一个预设时段,确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件。所述第一标识信息确定单元,可以用于在不满足所述排队有效条件时,确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时未排队。所述第二标识信息确定单元,可以用于在满足所述排队有效条件时,确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时有排队。
并且,所述所述排队有效条件确定单元,具体可以用于:
针对每一个预设时段,在该预设时段内有形成排队队列的全部历史订单信息中,确定第一比例是否大于第一预设值、第二比例是否大于第二预设值,其中,该第一比例为排队等待时间小于预设时长的历史订单信息所占比例,该第二比例为形成排队队列时属于队列首位的历史订单所占比例;若所述第一比例大于所述第一预设值,且所述第二比例大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,不满足预设的排队有效条件;若所述第一比例不大于所述第一预设值,和/或所述第二比例不大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,满足预设的排队有效条件。
基于上述的示例,在一种可以替代的示例中,所述第二标识信息确定子模块可以包括应答持续时间判断单元、第一标识信息判定单元和第二标识信息判定单元。
详细地,所述应答持续时间判断单元,可以用于针对每一个历史订单信息,判断该历史订单信息的应答持续时间是否大于预设时长,其中,该应答持续时间为,该历史订单信息的发单时间与应答时间或取消时间之间的差值。所述第一标识信息判定单元,可以用于在所述应答持续时间大于所述预设时长时,判定对应历史订单信息对应的第二状态标识信息为,进行约车时未在预设时长内被应答。所述第二标识信息判定单元,可以用于在所述应答持续时间不大于所述预设时长时,判定对应历史订单信息对应的第二状态标识信息为,进行约车时有在预设时长内被应答。
可选地,基于不同的需求,所述网络模型训练模块130也可以包括不同的子模块,例如,在一种可以替代的示例中,所述网络模型训练模块130可以包括约车特征信息获得子模块和网络模型训练子模块。
详细地,所述约车特征信息获得子模块,可以用于获得每一个所述历史订单信息对应的约车特征信息,其中,该约车特征信息与该历史订单信息对应的状态标识信息之间具有关联关系。所述网络模型训练子模块,可以用于基于所述历史订单信息、所述状态标识信息和所述约车特征信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
基于上述示例,在一种可以替代的示例中,所述约车特征信息获得子模块可以包括场景特征信息获得单元、供需特征信息获得单元和安全特征信息获得单元。
详细地,所述场景特征信息获得单元,可以用于获得每一个所述历史订单信息对应的约车场景特征信息。所述供需特征信息获得单元,可以用于获得每一个所述历史订单信息对应的约车供需特征信息。所述安全特征信息获得单元,可以用于获得每一个所述历史订单信息对应的约车安全特征信息。
其中,所述约车场景特征信息可以包括,历史订单信息所属的时间片、所属的小时段、所属的地区、所属的区域格子标识、是否属于工作日、订单的起点经纬度、订单的终点经纬度、订单的起点与终点之间的距离、降雨程度中的至少一种。
所述约车供需特征信息可以包括,订单起点所在区域内车辆的数量、与订单起点之间距离均值、与订单起点之间的最小距离、与订单起点之间最小的预设数量个距离的均值,订单起点所在区域内最近的预设时长中空车车辆的数量、非空车车辆的数量、获得的约车标识信息的数量、形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例,以及订单起点所在区域的周围区域内预设时长中形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例中的至少一种。
所述约车安全特征信息可以包括,是否属于深夜预设时段、订单起点和终点的危险程度、用户的性别、用户在该深夜预设时段形成的历史订单信息的比例中的至少一种。
基于上述的示例,在一种可以替代的示例中,所述网络模型训练子模块可以包括标准化处理单元和网络模型训练单元。
详细地,所述标准化处理单元,可以用于对所述约车特征信息进行标准化处理,其中,该标准化处理包括用于对连续类型的约车特征信息进行处理的归一化处理、用于对离散类型的约车特征信息进行处理的编码处理。所述网络模型训练单元,可以用于基于标准化处理后的约车特征信息、所述历史订单信息、所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
结合图14,本申请实施例还提供一种约车状态预测装置200,可应用于上述的电子设备10。其中,所述约车状态预测装置200可以包括所述标识信息输入模块210和约车状态预测模块220。
所述标识信息输入模块210,用于将目标用户的约车标识信息输入预设的状态预测模型,其中,该状态预测模型基于上述的状态预测模型训练装置训练得到。在本实施例中,所述标识信息输入模块210可用于执行图10所示的步骤S210,关于所述标识信息输入模块210的相关内容可以参照前文对步骤S210的描述。
所述约车状态预测模块220,用于基于所述状态预测模型对所述约车标识信息进行处理,得到所述目标用户基于目标订单信息进行约车时的约车状态预测信息。在本实施例中,所述约车状态预测模块220可用于执行图10所示的步骤S220,关于所述约车状态预测模块220的相关内容可以参照前文对步骤S220的描述。
可选地,基于不同的需求,所述约车状态预测模块220可以包括不同的子模块,例如,在一种可以替代的示例中,在所述约车状态预测模块220包括第一预测子模型、第二预测子模型和第三预测子模型时,所述约车状态预测模块220可以包括第一信息处理子模块、第二信息处理子模块和第三信息处理子模块。
详细地,所述第一信息处理子模块,可以用于基于所述第一预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于目标订单信息进行约车时是否需要排队。所述第二信息处理子模块,可以用于在不需要进行排队时,基于所述第二预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够在预设时长内被应答。所述第三信息处理子模块,可以用于在不能够在所述预设时长内被应答时,基于所述第三预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够被应答。
在本申请实施例中,对应于上述的状态预测模型训练方法,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中存储有计算机程序,该计算机程序运行时执行上述状态预测模型训练方法的各个步骤。
其中,前述计算机程序运行时执行的各步骤,在此不再一一赘述,可参考前文对所述状态预测模型训练方法的解释说明。
并且,在本申请实施例中,对应于上述的约车状态预测方法,也提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序运行时执行上述约车状态预测方法的各个步骤。
其中,前述计算机程序运行时执行的各步骤,在此不再一一赘述,可参考前文对所述约车状态预测方法的解释说明。
可以理解的是,在前文的描述中,“多个”是指,两个或两个以上。
综上所述,本申请提供的模型训练、状态预测方法和装置、电子设备及存储介质,通过基于历史订单信息和历史订单信息对应的状态标识信息,对神经网络模型进行训练得到状态预测模型,使得可以基于该状态预测模型对目标用户的约车标识信息(如下单前的冒泡订单)进行处理,得到基于该约车标识信息对应的目标订单信息(如下单形成的约车订单)进行约车时的约车状态预测信息。如此,由于相同区域一般具有相似的约车状态,且状态预测模型是基于历史订单信息和对应的状态标识信息形成,使得基于该状态预测模型预测得到的预测状态具有较高的准确度,从而改善基于现有的预测技术(如直接进行约车预匹配,并基于是否能够匹配到车辆预测出约车状态,大概率会出现同一辆车被预匹配给不同的用户,而使得预测准确率低)预测得到的约车状态存在准确率较低的问题,使得用户在基于预测得到的约车状态进行约车之后,可以具有较为准确的预期,提升用户的约车体验度,进而保证用户对约车的粘性,具有较高的实用价值。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,电子设备,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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (20)
1.一种状态预测模型训练方法,其特征在于,包括:
获得多个历史订单信息;
基于每一个所述历史订单信息得到对应的状态标识信息,其中,该状态标识信息用于表征基于对应的历史订单信息进行约车时的约车状态;
基于所述历史订单信息和所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型;
其中,所述状态预测模型用于对目标用户的约车标识信息进行处理,得到基于该目标用户的目标订单信息进行约车时的约车状态预测信息,且该目标订单信息基于该约车标识信息形成,该约车状态预测信息用于表征基于该目标订单信息进行约车时的约车状态,所述约车状态包括进行约车时是否有排队和/或是否在预设时长内被应答和/或是否有被应答状态;
所述基于每一个所述历史订单信息得到对应的状态标识信息的步骤,包括:
确定每一个所述历史订单信息对应的第一状态标识信息,其中,该第一状态标识信息用于表征基于对应的历史订单信息进行约车时是否有排队,且用于对所述神经网络模型中的第一子网络模型进行训练,以得到对应的第一预测子模型;
确定每一个所述历史订单信息对应的第二状态标识信息,其中,该第二状态标识信息用于表征基于对应的历史订单信息进行约车时是否有在预设时长内被应答,且用于对所述神经网络模型中的第二子网络模型进行训练,以得到对应的第二预测子模型;
确定每一个所述历史订单信息对应的第三状态标识信息,其中,该第三状态标识信息用于表征基于对应的历史订单信息进行约车时是否有被应答,且用于对所述神经网络模型中的第三子网络模型进行训练,以得到对应的第三预测子模型。
2.根据权利要求1所述的状态预测模型训练方法,其特征在于,所述确定每一个所述历史订单信息对应的第一状态标识信息的步骤,包括:
针对每一个预设时段,确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件;
若不满足所述排队有效条件,则确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时未排队;
若满足所述排队有效条件,则确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时有排队。
3.根据权利要求2所述的状态预测模型训练方法,其特征在于,所述针对每一个预设时段,确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件的步骤,包括:
针对每一个预设时段,在该预设时段内有形成排队队列的全部历史订单信息中,确定第一比例是否大于第一预设值、第二比例是否大于第二预设值,其中,该第一比例为排队等待时间小于预设时长的历史订单信息所占比例,该第二比例为形成排队队列时属于队列首位的历史订单所占比例;
若所述第一比例大于所述第一预设值,且所述第二比例大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,不满足预设的排队有效条件;
若所述第一比例不大于所述第一预设值,和/或所述第二比例不大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,满足预设的排队有效条件。
4.根据权利要求1所述的状态预测模型训练方法,其特征在于,所述确定每一个所述历史订单信息对应的第二状态标识信息的步骤,包括:
针对每一个历史订单信息,判断该历史订单信息的应答持续时间是否大于预设时长,其中,该应答持续时间为,该历史订单信息的发单时间与应答时间或取消时间之间的差值;
若所述应答持续时间大于所述预设时长,则判定对应历史订单信息对应的第二状态标识信息为,进行约车时未在预设时长内被应答;
若所述应答持续时间不大于所述预设时长,则判定对应历史订单信息对应的第二状态标识信息为,进行约车时有在预设时长内被应答。
5.根据权利要求1-4任意一项所述的状态预测模型训练方法,其特征在于,所述基于所述历史订单信息和所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型的步骤,包括:
获得每一个所述历史订单信息对应的约车特征信息,其中,该约车特征信息与该历史订单信息对应的状态标识信息之间具有关联关系;
基于所述历史订单信息、所述状态标识信息和所述约车特征信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
6.根据权利要求5所述的状态预测模型训练方法,其特征在于,所述获得每一个所述历史订单信息对应的约车特征信息的步骤,包括:
获得每一个所述历史订单信息对应的约车场景特征信息;
获得每一个所述历史订单信息对应的约车供需特征信息;
获得每一个所述历史订单信息对应的约车安全特征信息。
7.根据权利要求6所述的状态预测模型训练方法,其特征在于,所述约车场景特征信息包括历史订单信息所属的时间片、所属的小时段、所属的地区、所属的区域格子标识、是否属于工作日、订单的起点经纬度、订单的终点经纬度、订单的起点与终点之间的距离、降雨程度中的至少一种;
所述约车供需特征信息包括订单起点所在区域内车辆的数量、与订单起点之间距离均值、与订单起点之间的最小距离、与订单起点之间最小的预设数量个距离的均值,订单起点所在区域内最近的预设时长中空车车辆的数量、非空车车辆的数量、获得的约车标识信息的数量、形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例,以及订单起点所在区域的周围区域内预设时长中形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例中的至少一种;
所述约车安全特征信息包括是否属于深夜预设时段、订单起点和终点的危险程度、用户的性别、用户在该深夜预设时段形成的历史订单信息的比例中的至少一种。
8.根据权利要求5所述的状态预测模型训练方法,其特征在于,所述基于所述历史订单信息、所述状态标识信息和所述约车特征信息对预设的神经网络模型进行训练,得到对应的状态预测模型的步骤,包括:
对所述约车特征信息进行标准化处理,其中,该标准化处理包括用于对连续类型的约车特征信息进行处理的归一化处理、用于对离散类型的约车特征信息进行处理的编码处理;
基于标准化处理后的约车特征信息、所述历史订单信息、所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
9.一种约车状态预测方法,其特征在于,包括:
将目标用户的约车标识信息输入预设的状态预测模型,其中,该状态预测模型基于权利要求1-8任一项所述的状态预测模型训练方法训练得到;
基于所述状态预测模型对所述约车标识信息进行处理,得到所述目标用户基于目标订单信息进行约车时的约车状态预测信息,所述约车状态包括进行约车时是否有排队和/或是否在预设时长内被应答和/或是否有被应答状态;
所述状态预测模型包括第一预测子模型、第二预测子模型和第三预测子模型,所述基于所述状态预测模型对所述约车标识信息进行处理,得到所述目标用户基于目标订单信息进行约车时的约车状态预测信息的步骤,包括:
基于所述第一预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于目标订单信息进行约车时是否需要排队;
若不需要进行排队,则基于所述第二预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够在预设时长内被应答;
若不能够在所述预设时长内被应答,则基于所述第三预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够被应答。
10.一种状态预测模型训练装置,其特征在于,包括:
订单信息获得模块,用于获得多个历史订单信息;
标识信息获得模块,用于基于每一个所述历史订单信息得到对应的状态标识信息,其中,该状态标识信息用于表征基于对应的历史订单信息进行约车时的约车状态;
网络模型训练模块,用于基于所述历史订单信息和所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型;
其中,所述状态预测模型用于对目标用户的约车标识信息进行处理,得到基于该目标用户的目标订单信息进行约车时的约车状态预测信息,且该目标订单信息基于该约车标识信息形成,该约车状态预测信息用于表征基于该目标订单信息进行约车时的约车状态,所述约车状态包括进行约车时是否有排队和/或是否在预设时长内被应答和/或是否有被应答状态;
所述标识信息获得模块包括:
第一标识信息确定子模块,用于确定每一个所述历史订单信息对应的第一状态标识信息,其中,该第一状态标识信息用于表征基于对应的历史订单信息进行约车时是否有排队,且用于对所述神经网络模型中的第一子网络模型进行训练,以得到对应的第一预测子模型;
第二标识信息确定子模块,用于确定每一个所述历史订单信息对应的第二状态标识信息,其中,该第二状态标识信息用于表征基于对应的历史订单信息进行约车时是否有在预设时长内被应答,且用于对所述神经网络模型中的第二子网络模型进行训练,以得到对应的第二预测子模型;
第三标识信息确定子模块,用于确定每一个所述历史订单信息对应的第三状态标识信息,其中,该第三状态标识信息用于表征基于对应的历史订单信息进行约车时是否有被应答,且用于对所述神经网络模型中的第三子网络模型进行训练,以得到对应的第三预测子模型。
11.根据权利要求10所述的状态预测模型训练装置,其特征在于,所述第一标识信息确定子模块包括:
排队有效条件确定单元,用于针对每一个预设时段,确定该预设时段内有形成排队队列的全部历史订单信息,是否满足预设的排队有效条件;
第一标识信息确定单元,用于在不满足所述排队有效条件时,确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时未排队;
第二标识信息确定单元,用于在满足所述排队有效条件时,确定在对应预设时段内有形成排队队列的全部历史订单信息的第一状态信息为,进行约车时有排队。
12.根据权利要求11所述的状态预测模型训练装置,其特征在于,所述排队有效条件确定单元具体用于:
针对每一个预设时段,在该预设时段内有形成排队队列的全部历史订单信息中,确定第一比例是否大于第一预设值、第二比例是否大于第二预设值,其中,该第一比例为排队等待时间小于预设时长的历史订单信息所占比例,该第二比例为形成排队队列时属于队列首位的历史订单所占比例;
若所述第一比例大于所述第一预设值,且所述第二比例大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,不满足预设的排队有效条件;
若所述第一比例不大于所述第一预设值,和/或所述第二比例不大于所述第二预设值,则判定对应预设时段内有形成排队队列的全部历史订单信息,满足预设的排队有效条件。
13.根据权利要求10所述的状态预测模型训练装置,其特征在于,所述第二标识信息确定子模块包括:
应答持续时间判断单元,用于针对每一个历史订单信息,判断该历史订单信息的应答持续时间是否大于预设时长,其中,该应答持续时间为,该历史订单信息的发单时间与应答时间或取消时间之间的差值;
第一标识信息判定单元,用于在所述应答持续时间大于所述预设时长时,判定对应历史订单信息对应的第二状态标识信息为,进行约车时未在预设时长内被应答;
第二标识信息判定单元,用于在所述应答持续时间不大于所述预设时长时,判定对应历史订单信息对应的第二状态标识信息为,进行约车时有在预设时长内被应答。
14.根据权利要求10-13任意一项所述的状态预测模型训练装置,其特征在于,所述网络模型训练模块包括:
约车特征信息获得子模块,用于获得每一个所述历史订单信息对应的约车特征信息,其中,该约车特征信息与该历史订单信息对应的状态标识信息之间具有关联关系;
网络模型训练子模块,用于基于所述历史订单信息、所述状态标识信息和所述约车特征信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
15.根据权利要求14所述的状态预测模型训练装置,其特征在于,所述约车特征信息获得子模块包括:
场景特征信息获得单元,用于获得每一个所述历史订单信息对应的约车场景特征信息;
供需特征信息获得单元,用于获得每一个所述历史订单信息对应的约车供需特征信息;
安全特征信息获得单元,用于获得每一个所述历史订单信息对应的约车安全特征信息。
16.根据权利要求15所述的状态预测模型训练装置,其特征在于,所述约车场景特征信息包括历史订单信息所属的时间片、所属的小时段、所属的地区、所属的区域格子标识、是否属于工作日、订单的起点经纬度、订单的终点经纬度、订单的起点与终点之间的距离、降雨程度中的至少一种;
所述约车供需特征信息包括订单起点所在区域内车辆的数量、与订单起点之间距离均值、与订单起点之间的最小距离、与订单起点之间最小的预设数量个距离的均值,订单起点所在区域内最近的预设时长中空车车辆的数量、非空车车辆的数量、获得的约车标识信息的数量、形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例,以及订单起点所在区域的周围区域内预设时长中形成的历史订单信息的数量、被应答的历史订单信息的比例、被应答的历史订单信息的应答平均时长、被取消的历史订单信息的比例中的至少一种;
所述约车安全特征信息包括是否属于深夜预设时段、订单起点和终点的危险程度、用户的性别、用户在该深夜预设时段形成的历史订单信息的比例中的至少一种。
17.根据权利要求14所述的状态预测模型训练装置,其特征在于,所述网络模型训练子模块包括:
标准化处理单元,用于对所述约车特征信息进行标准化处理,其中,该标准化处理包括用于对连续类型的约车特征信息进行处理的归一化处理、用于对离散类型的约车特征信息进行处理的编码处理;
网络模型训练单元,用于基于标准化处理后的约车特征信息、所述历史订单信息、所述状态标识信息对预设的神经网络模型进行训练,得到对应的状态预测模型。
18.一种约车状态预测装置,其特征在于,包括:
标识信息输入模块,用于将目标用户的约车标识信息输入预设的状态预测模型,其中,该状态预测模型基于权利要求10-17任意一项所述的状态预测模型训练装置训练得到;
约车状态预测模块,用于基于所述状态预测模型对所述约车标识信息进行处理,得到所述目标用户基于目标订单信息进行约车时的约车状态预测信息,所述约车状态包括进行约车时是否有排队和/或是否在预设时长内被应答和/或是否有被应答状态;
所述状态预测模型包括第一预测子模型、第二预测子模型和第三预测子模型,所述约车状态预测模块包括:
第一信息处理子模块,用于基于所述第一预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于目标订单信息进行约车时是否需要排队;
第二信息处理子模块,用于在不需要进行排队时,基于所述第二预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够在预设时长内被应答;
第三信息处理子模块,用于在不能够在所述预设时长内被应答时,基于所述第三预测子模型对所述约车标识信息进行处理,以确定所述目标用户基于所述目标订单信息进行约车时是否能够被应答。
19.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现权利要求1-8任意一项所述的状态预测模型训练方法,或实现权利要求9所述的约车状态预测方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被执行时,实现权利要求1-8任意一项所述的状态预测模型训练方法,或实现权利要求9所述的约车状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010648564.1A CN111815050B (zh) | 2020-07-07 | 2020-07-07 | 模型训练、状态预测方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010648564.1A CN111815050B (zh) | 2020-07-07 | 2020-07-07 | 模型训练、状态预测方法和装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815050A CN111815050A (zh) | 2020-10-23 |
CN111815050B true CN111815050B (zh) | 2021-05-28 |
Family
ID=72841882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010648564.1A Active CN111815050B (zh) | 2020-07-07 | 2020-07-07 | 模型训练、状态预测方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815050B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113722601B (zh) * | 2021-09-07 | 2024-04-16 | 南方电网数字电网研究院股份有限公司 | 电力量测信息推荐方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598566A (zh) * | 2017-09-30 | 2019-04-09 | 北京嘀嘀无限科技发展有限公司 | 下单预测方法、装置、计算机设备和计算机可读存储介质 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110378522A (zh) * | 2019-07-02 | 2019-10-25 | 北京三快在线科技有限公司 | 预测配送状态信息的方法、装置、存储介质及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251215A1 (en) * | 2018-02-15 | 2019-08-15 | Regents Of The University Of Minnesota | Accurate estimation of upper atmospheric density using satellite observations |
CN111144603A (zh) * | 2018-11-02 | 2020-05-12 | 北京嘀嘀无限科技发展有限公司 | 一种服务信息推送方法、装置、电子设备和存储介质 |
CN110782301A (zh) * | 2019-02-25 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种拼单方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-07-07 CN CN202010648564.1A patent/CN111815050B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598566A (zh) * | 2017-09-30 | 2019-04-09 | 北京嘀嘀无限科技发展有限公司 | 下单预测方法、装置、计算机设备和计算机可读存储介质 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110378522A (zh) * | 2019-07-02 | 2019-10-25 | 北京三快在线科技有限公司 | 预测配送状态信息的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111815050A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11842404B2 (en) | Enhancement using analytics based on vehicle kinematic data | |
US11836802B2 (en) | Vehicle operation analytics, feedback, and enhancement | |
US20200013244A1 (en) | Method for determining driving characteristics of a vehicle | |
CN111860561A (zh) | 网约车的异常停留行为识别方法、装置、设备及存储介质 | |
CN110869953A (zh) | 推荐交通出行服务的系统和方法 | |
US8090598B2 (en) | Monitoring system for determining and communicating a cost of insurance | |
US20170169366A1 (en) | Systems and Methods for Adjusting Ride-Sharing Schedules and Routes | |
GB2535718A (en) | Resource management | |
CN111310055A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN110329268B (zh) | 驾驶行为数据处理方法、设备、存储介质及系统 | |
US20180150772A1 (en) | Systems and Methods for Vehicle Resource Management | |
CN111832901A (zh) | 网约车监控方法、装置、服务器和存储介质 | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
CN112435469A (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
KR20200078274A (ko) | 차량 운행정보 수집장치를 이용한 안전운전지수 평가 방법 및 시스템 | |
CN111815050B (zh) | 模型训练、状态预测方法和装置、电子设备及存储介质 | |
JP2020095375A (ja) | 洗車システム | |
CN112070377A (zh) | 出行服务处理方法、装置、电子设备及存储介质 | |
CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
CN115438899A (zh) | 车辆调度装置、控制方法及存储介质 | |
CN114418660A (zh) | 一种拦截网约车取消刷单用户下单的优化方法 | |
CN112926796A (zh) | 一种基于特定场景的下车点推荐方法及装置 | |
CN114330945A (zh) | 用于利用区块链服务平台分派网约车的方法和系统 | |
CN111611804A (zh) | 危险识别方法、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 |