CN111832788A - 一种服务信息生成的方法、装置、计算机设备及存储介质 - Google Patents

一种服务信息生成的方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111832788A
CN111832788A CN201910330271.6A CN201910330271A CN111832788A CN 111832788 A CN111832788 A CN 111832788A CN 201910330271 A CN201910330271 A CN 201910330271A CN 111832788 A CN111832788 A CN 111832788A
Authority
CN
China
Prior art keywords
user
information
user side
historical
travel
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
Application number
CN201910330271.6A
Other languages
English (en)
Other versions
CN111832788B (zh
Inventor
刘翥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201910330271.6A priority Critical patent/CN111832788B/zh
Publication of CN111832788A publication Critical patent/CN111832788A/zh
Application granted granted Critical
Publication of CN111832788B publication Critical patent/CN111832788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种服务信息生成的方法、装置、计算机设备及存储介质，其中，该方法包括：获取用户端在发出服务请求之前的当前冒泡记录信息，以及该用户端的历史出行信息；将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率；基于所述用户端在未来预设时长内的发单概率，生成与所述服务请求对应的服务信息。利用生成的服务信息可以为用户提供进一步的服务内容，进而能够有针对性地对相关资源进行调度，提升资源调度及时率和资源利用率。

Description

一种服务信息生成的方法、装置、计算机设备及存储介质
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种服务信息生成的方法、装置、计算机设备及存储介质。
背景技术
随着城市交通的迅速发展，打车已经成为很多人出行的首选交通方式。其中网约车平台更是为用户出行提供了诸多便利。
在利用网约车平台打车时，用户需要先输入起点和终点，然后根据平台基于该起点和终点提供的相关服务信息，决定是否发出服务请求。由于在用户发起服务请求之前，无法获取到用户下单结果，此时无法为用户提供进一步的服务内容，进而无法有针对性地进行相关资源的调度，导致资源调度及时率和资源利用率较低。
发明内容
有鉴于此，本申请的目的在于提供一种服务信息生成的方法、装置、计算机设备及存储介质，能够通过生成的服务信息实现相关资源的调度，提升资源调度及时率和资源利用率。
主要包括以下几个方面：
第一方面，本申请提供了一种服务信息生成的方法，包括：
获取用户端在发出服务请求之前的当前冒泡记录信息，以及该用户端的历史出行信息；
将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率；
基于所述用户端在未来预设时长内的发单概率，生成与所述服务请求对应的服务信息。
在一种实施方式中，所述获取用户端在发出服务请求之前的当前冒泡记录信息，包括：
基于所述用户端的起始出行位置和终止出行位置，确定所述当前冒泡记录信息。
在一些实施例中，所述当前冒泡记录信息包括以下信息中的一种或多种：
由起始出行位置至终止出行位置的当前出行预估时间；
由起始出行位置至终止出行位置的当前出行预估价格；
所述起始出行位置对应的当前起始出行时间信息；
与所述起始出行位置距离预设范围内的当前出行环境信息。
在另一种实施方式中，获取所述用户端的历史出行信息，包括：
获取所述用户端的各历史订单信息；
基于所述用户端的各历史订单信息，确定该用户端的历史出行信息。
在一些实施例中，基于所述用户端的各历史订单信息，确定该用户端的历史出行信息，包括：
针对任一用户出行行为类型，基于每个历史订单信息中包括的至少一种用户出行行为信息，统计所述用户端针对该用户出行行为类型的用户出行次数；
将统计的针对各用户出行行为类型的用户出行次数作为所述用户端的历史出行信息。
在一些实施例中，所述基于所述用户端的各历史订单信息，确定该用户端的历史出行信息，包括：
基于每个历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
将统计的在各种出行规划需求下的用户出行次数作为所述用户端的历史出行信息。
在又一种实施方式中，获取所述用户端的历史出行信息，包括：
获取所述用户端所属用户端集合中各个用户端的历史订单信息；
基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息。
在一些实施例中，所述基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息，包括：
针对所述用户端集合中的每个用户端，基于该用户端的历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
根据统计的各用户端在每种出行规划需求下的用户出行次数，确定所述用户端集合在该种出行规划需求下的用户出行次数和值；
将确定的所述用户端集合在该种出行规划需求下的用户出行次数和值，作为所述用户端集合中任一用户端的历史出行信息。
在再一种实施方式中，所述将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率，包括：
对所述用户端的当前冒泡记录信息和历史出行信息进行特征值化处理，得到特征值化处理后的第一用户特征向量；
将所述第一用户特征向量输入至训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率。
在再一种实施方式中，按照如下步骤训练所述发单预测模型：
获取各个用户端样本的历史出行信息、每个用户端样本在发出服务请求之前的历史冒泡记录信息，以及确定的每个用户端样本是否发出历史服务请求的发单结果；
基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型。
在一些实施例中，所述基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型，包括：
针对每个用户端样本，基于该用户端样本的历史出行信息和历史冒泡记录信息生成对应该用户端样本的第二用户特征向量；
将生成的各个第二用户特征向量进行组合，得到针对各个用户端样本的用户特征向量矩阵；
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到所述发单预测模型。
在一些实施例中，所述将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到所述发单预测模型，包括：
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征将所述用户特征向量矩阵进行矩阵分解，得到分解后的两个用户特征向量子矩阵，将得到的两个用户特征向量子矩阵作为所述发单预测模型的第一层输出；
循环针对上一层输出得到的每个用户特征向量子矩阵，将该用户特征向量子矩阵按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征进行矩阵分解，直至得到的发单预测模型的多层叠加输出对应的矩阵分解支路的累积误差达到最小，训练得到所述发单预测模型。
第二方面，本申请还提供了一种服务信息生成的装置，包括：
信息获取模块，用于获取用户端在发出服务请求之前的当前冒泡记录信息，以及该用户端的历史出行信息；
发单概率生成模块，用于将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率；
服务信息生成模块，用于基于所述用户端在未来预设时长内的发单概率，生成与所述服务请求对应的服务信息。
在一种实施方式中，所述信息获取模块，具体用于：
基于所述用户端的起始出行位置和终止出行位置，确定所述当前冒泡记录信息。
在一些实施例中，所述当前冒泡记录信息包括以下信息中的一种或多种：
由起始出行位置至终止出行位置的当前出行预估时间；
由起始出行位置至终止出行位置的当前出行预估价格；
所述起始出行位置对应的当前起始出行时间信息；
与所述起始出行位置距离预设范围内的当前出行环境信息。
在另一种实施方式中，所述信息获取模块，具体用于：
获取所述用户端的各历史订单信息；
基于所述用户端的各历史订单信息，确定该用户端的历史出行信息。
在一些实施例中，所述信息获取模块，具体用于：
针对任一用户出行行为类型，基于每个历史订单信息中包括的至少一种用户出行行为信息，统计所述用户端针对该用户出行行为类型的用户出行次数；
将统计的针对各用户出行行为类型的用户出行次数作为所述用户端的历史出行信息。
在一些实施例中，所述信息获取模块，具体用于：
基于每个历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
将统计的在各种出行规划需求下的用户出行次数作为所述用户端的历史出行信息。
在又一种实施方式中，所述信息获取模块，具体用于：
获取所述用户端所属用户端集合中各个用户端的历史订单信息；
基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息。
在一些实施例中，所述信息获取模块，具体用于：
针对所述用户端集合中的每个用户端，基于该用户端的历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
根据统计的各用户端在每种出行规划需求下的用户出行次数，确定所述用户端集合在该种出行规划需求下的用户出行次数和值；
将确定的所述用户端集合在该种出行规划需求下的用户出行次数和值，作为所述用户端集合中任一用户端的历史出行信息。
在再一种实施方式中，所述发单概率生成模块，具体用于：
对所述用户端的当前冒泡记录信息和历史出行信息进行特征值化处理，得到特征值化处理后的第一用户特征向量；
将所述第一用户特征向量输入至训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率。
在再一种实施方式中，还包括：
模型训练模块，用于：
获取各个用户端样本的历史出行信息、每个用户端样本在发出服务请求之前的历史冒泡记录信息，以及确定的每个用户端样本是否发出历史服务请求的发单结果；
基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型。
在一些实施例中，所述模型训练模块，具体用于：
针对每个用户端样本，基于该用户端样本的历史出行信息和历史冒泡记录信息生成对应该用户端样本的第二用户特征向量；
将生成的各个第二用户特征向量进行组合，得到针对各个用户端样本的用户特征向量矩阵；
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到所述发单预测模型。
在一些实施例中，所述模型训练模块，具体用于：
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征将所述用户特征向量矩阵进行矩阵分解，得到分解后的两个用户特征向量子矩阵，将得到的两个用户特征向量子矩阵作为所述发单预测模型的第一层输出；
循环针对上一层输出得到的每个用户特征向量子矩阵，将该用户特征向量子矩阵按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征进行矩阵分解，直至得到的发单预测模型的多层叠加输出对应的矩阵分解支路的累积误差达到最小，训练得到所述发单预测模型。
第三方面，本申请还提供了一种计算机设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当计算机设备运行时，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，以执行如第一方面所述服务信息生成的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，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第一方面所述服务信息生成的方法的步骤。
采用上述方案，首先获取用户端的当前冒泡记录信息和历史出行信息，然后利用预先训练好的发单预测模型对当前冒泡记录信息和历史出行信息所对应的用户端进行未来发单概率的预测，并基于预测得到的发单概率生成对应的服务信息，该服务信息可以是车辆资源提前调度信息等，这样，利用生成的服务信息可以为用户提供进一步的服务内容，进而能够有针对性地对相关资源进行调度，提升资源调度及时率和资源利用率。
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
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一提供的一种服务信息生成的方法流程图；
图2示出了本申请实施例二提供的一种服务信息生成的方法流程图；
图3示出了本申请实施例二提供的另一种服务信息生成的方法流程图；
图4示出了本申请实施例四提供的一种服务信息生成的方法流程图；
图5示出了本申请实施例四提供的另一种服务信息生成的方法流程图；
图6示出了本申请实施例五提供的一种服务信息生成的装置的结构示意图；
图7示出了本申请实施例六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，结合特定应用场景“网约车(如专车、快车等)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它实施例和应用场景。虽然本申请主要围绕网约车服务进行描述，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。
本申请中使用的定位技术可以基于全球定位系统(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)定位技术等，或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
值得注意的是，在提出本申请之前，相关技术中由于在用户发起服务请求之前，无法获取到用户下单结果，导致资源调度及时率和资源利用率较低的问题。有鉴于此，本申请实施例提供了一种服务信息生成的方法、装置、计算机设备及存储介质，其可以利用生成的服务信息为用户提供进一步的服务内容，进而能够有针对性地对相关资源(如车辆资源)进行调度，进而提升资源调度及时率和资源利用率。下面通过几个实施例进行具体描述。
实施例一
如图1所示，为本申请实施例一提供的一种服务信息生成的方法的流程图，该方法的执行主体可以是计算机设备，在应用于网约车服务这一应用场景时，该计算机设备可以是网约车平台的后台服务器。上述服务信息生成的方法包括如下步骤：
S101、获取用户端在发出服务请求之前的当前冒泡记录信息，以及该用户端的历史出行信息。
这里，为了便于理解本申请实施例提供的上述种服务信息生成的方法，首先对利用网约车平台实现网约车服务这一应用场景进行简单说明。在用户需要利用网约车平台出行时，可以在其用户端上输入相应的打车信息(即冒泡阶段)，并启动发单按钮后，网约车平台的后台服务器便能够根据上述打车信息生成对应的出行订单以提供网约车服务。其中，上述用户端可以是乘客所持客户端，该客户端可以是移动设备客户端，还可以是web客户端，还可以是其它客户端，本申请实施例对此不做具体的限制。上述打车信息不仅可以包括用户端的起始出行位置和终止出行位置，还可以包括其它打车信息，如出行时间、用车类型(如快车、专车等)等。
其中，起始出行位置可以是基于定位技术确定的，如在打车软件打开后，客户端可以自动定位当前的位置作为起始出行位置。或者，用户可以在客户端显示的地图上选择具体的起始出行位置，或者手动输入起始出行位置，如手动输入“首都机场”这一起始出行位置，上述终止出行位置则主要利用用户在地图上选择或手动输入方式来确定，在此不再赘述。
考虑到乘客发单是网约车服务中的关键环节，乘客发单与否将会直接影响运力供需及司机响应效率，然而，在用户利用其用户端输入相应的打车信息后可能会执行发单操作，也可能不会执行发单操作，在无法预测乘客是否发单的前提下，很难对相关资源进行针对性的调度。本申请实施例正是为了解决上述问题，才提供了一种在用户执行发单操作之前，利用当前冒泡记录信息以及历史出行信息进行发单概率预测的方法。
其中，上述当前冒泡记录信息可以是用户端在发出服务请求之前的相关记录信息，上述服务请求即可以是启动发单按钮对应的发单请求，这样，相关记录信息可以是在用户利用用户端输入打车信息之后，启动发单按钮之前服务器记录的信息。该记录的信息主要由服务器基于用户端输入的起始出行位置和终止出行位置来确定。
本申请实施例中，上述当前冒泡记录信息可以是由起始出行位置至终止出行位置的当前出行预估时间、还可以是由起始出行位置至终止出行位置的当前出行预估价格、还可以是所述起始出行位置对应的当前起始出行时间信息、还可以是与所述起始出行位置距离预设范围内的当前出行环境信息。其中，上述当前出行预估时间和当前出行预估价格主要是由规划的由起始出行位置至终止出行位置的行驶路线来确定的，也即，行驶路线相对越长、越复杂的出行预估时间可能越长，出行预估价格也可能越高，这将可能会降低用户端的发单概率，反之亦然。上述起始出行时间信息则可以用于判断当前出行时间是否为高峰期、是否为周末等，是否容易受到出行趋势因素影响，这也会很大程度的影响用户端的发单概率。上述当前出行环境信息不仅可以是用户端起始出行位置的预设范围内的供需环境信息(如供需比例)，还可以是对应的天气环境信息(如PM2.5指标值)，也即，若在预设范围(如以起始出行位置为圆心，半径为1000米的圆形范围)内车辆需求量远远大于车辆供给量，这将可能会降低用户端的下单概率，反之亦然，同样的，天气环境也会一定程度上影响用户端的下单概率。
针对历史出行信息，可以是基于对用户端的历史订单信息的分析结果确定的，还可以是基于对用户端所属用户端集合中各个用户端的历史订单信息的分析结果确定的，也即，本申请实施例中的历史出行信息不仅考虑了用户端自身的历史订单信息的影响，还考虑到了其它用户端的历史订单信息的影响，也即本申请实施例综合了个体因素和整体因素的影响，使得历史出行信息涵盖了更多维度的信息。
S102、将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率。
这里，在进行未来发单概率(即未来预设时长内的发单概率)的预测之前，可以先训练发单预测模型。本申请实施例可以将各个用户端样本的历史订单信息、每个用户端样本在发出服务请求之前的历史冒泡记录信息作为发单概率预测影响因素，将确定的每个用户端样本是否发出历史服务请求的发单结果作为发单概率预测结果，便可以训练得到上述发单预测模型的训练参数，而对于一个发单概率模型而言，训练该模型的本质便是训练模型对应的训练参数，这样，在训练得到训练参数之后，也即是得到了训练好的发单概率模型。本申请实施例中的发单概率模型可以采用树模型，如极端梯度提升(eXtreme GradientBoosting,XGBoost)模型，还可以采用线性模型，考虑到XGBoost模型的高精确率，本申请实施例中可以选用XGBoost模型作为发单概率模型。
在训练得到发单概率模型之后，便可以基于训练得到的发单概率模型进行未来发单概率的预测了，此时，将用户端的当前冒泡记录信息和历史出行信息输入至训练好的发单概率模型中即可。相比训练阶段中利用的是确定的用户端样本是否发出历史服务请求的发单结果而言，这里预测得到的是一个概率值，本申请实施例可以设定一个预设阈值，在预测得到的概率值高于该预设阈值，认为用户端会发单，否则可以认为用户端不会发单。
在具体预测时，若以当前冒泡时刻为参考，输入至发单预测模型的历史出行信息可以是当前时刻之前的若个时间段所对应的出行信息，还可以是包括昨日对应上述各时间段的出行信息，上述预测的未来预设时长内的发单概率则可以是冒泡之后之后的预设时长(如5分钟)内所对应的未来发单概率。上述有关历史出行信息和未来发单概率的说明仅仅是一种示例，在具体应用时，还可以基于不同的场景需求进行发单概率的确定。本申请实施例中，有关未来预设时长可以是根据不同的应用需求来确定，可以适当的调整以适应业务的需求。除此之外，该未来预设时长还可以由训练阶段对应的由用户冒泡到执行发单操作所需时长来确定。
值得注意的是，本申请实施例提供的服务信息生成的方法在进行模型训练和模型预测的过程中，可以将用户端所对应的用户属性信息作为模型的输入，以进一步提升对用户端进行发单预测的针对性。
S103、基于所述用户端在未来预设时长内的发单概率，生成与所述服务请求对应的服务信息。
这里，在用户端冒泡之后、执行发单操作之前，服务器可以提前预测用户端的发单概率。在预测了用户端的发单概率之后，可以基于该发单概率确定对应的服务信息。该服务信息可以是服务费用打折信息，还可以是车辆资源提前调度信息，还可以是其他能够提前为用户端提供服务的信息。其中，上述服务费用打折的力度可以随着发单概率的提升而降低，以在确保网约车服务质量的同时，节省服务资源；上述车辆资源提前调度信息可以是预接驾车辆的车牌号、接驾距离等信息以缓解用户等单的不良情绪。
在具体应用时，本申请还可以结合预测得到的发单概率以及网约车平台当前的运力情况确定服务费用打折的力度，如针对一个冒泡用户而言，若其起始出行位置处于冷区(即订单量比较少的区域)，终止出行位置处于热区(即订单量比较多的区域)，也即，当前运力处于不平衡的状态，即使在确定该用户的发单概率较高的情况下，本申请实施例可以为该用户提供更高的服务费用打折力度，如增大打折券的面额，以将运力由冷区调度至热区，可以充分的利用运力资源，从而缓解当前运力的不平衡情况，提升网约车平台的服务质量。
值得提出的是，上述服务信息可以是在用户端冒泡后，以弹窗的形式反馈给用户端，利用可视化反馈手段还可以进一步提升网约车服务的服务质量。
考虑到本申请实施例中有关用户端的历史出行信息可以是用户端自身的历史订单信息确定的，还可以是用户端所属用户端集合的历史订单信息确定的，这里可以通过如下实施例二对上述两种确定方式进行具体说明。
实施例二
针对利用用户端自身的历史订单信息确定其历史出行信息而言，如图2所示，本申请实施例提供的一种历史出行信息确定的方法具体包括如下步骤：
S201、获取用户端的各历史订单信息；
S202、基于所述用户端的各历史订单信息，确定该用户端的历史出行信息。
这里，针对一个用户端而言，该用户端的历史订单信息可以为多个，本申请实施例可以基于该用户端的各历史订单信息，确定该用户端的历史出行信息。其中，每个历史订单信息不仅可以包括历史打车信息，如起始出行位置、终止出行位置，还可以包括历史订单发起至历史订单结束的时间内包括的用户出行行为信息(如发单行为、完单行为等)。
本申请实施例可以基于上述用户出行行为信息、历史打车信息来确定历史出行信息。接下来分两个方面进行说明。
第一方面：本申请实施例可以首先针对任一用户出行行为类型，基于每个历史订单信息中包括的至少一种用户出行行为信息，统计所述用户端针对该用户出行行为类型的用户出行次数，然后将统计的针对各用户出行行为类型的用户出行次数作为所述用户端的历史出行信息。例如，针对发单行为这一用户出行行为类型，可以确定所有历史订单信息中存在发单行为的历史订单信息有几个，即可确定针对该发单行为的用户出行次数，同理，还可以针对完单行为这一用户出行行为类型，也可以确定针对该完单行为的用户出行次数，本申请实施例可以将针对发单行为的用户出行次数、针对完单行为的用户出行次数均作为用户端的历史出行信息。
第二方面：本申请实施例可以首先基于每个历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数，然后将统计的在各种出行规划需求下的用户出行次数作为所述用户端的历史出行信息。例如，用户端存在两种出行规划需求，一种是晚上7:00从公司到住处，另一种是早上7:00从住处到公司，这样，针对该用户端每个历史订单信息中包括的起始出行位置和起始出行时间便可以确定该用户端在晚上7:00从公司到住处这一出行规划需求下的用户出行次数，还可以确定该用户端在早上7:00从住处到公司这一出行规划需求下的用户出行次数，本申请实施例可以将上述两种两种出行规划需求下的用户出行次数均作为用户端的历史出行信息。
针对利用用户端所属用户端集合的历史订单信息确定其历史出行信息而言，如图3所示，本申请实施例提供的一种历史出行信息确定的方法具体包括如下步骤：
S301、获取用户端所属用户端集合中各个用户端的历史订单信息；
S302、基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息。
这里，可以首先针对所述用户端集合中的每个用户端，基于该用户端的历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数，然后根据统计的各用户端在每种出行规划需求下的用户出行次数，确定所述用户端集合在该种出行规划需求下的用户出行次数和值，最后将确定的所述用户端集合在该种出行规划需求下的用户出行次数和值，作为所述用户端集合中任一用户端的历史出行信息。仍以用户端存在两种出行规划需求为例，针对该用户端所属的用户端集合而言，本申请实施例还可以统计该用户端集合内所有用户端在晚上7:00从公司到住处这一出行规划需求下的用户出行次数和值，还可以统计该用户端集合内所有用户端在早上7:00从住处到公司这一出行规划需求下的用户出行次数和值。这里，用户端所属用户端集合可以指的是距离用户端预设距离的其它用户端以及该客户端的集合。其中，上述预设距离可以按照不用的应用需求来调节，但为了确保对用户端进行更针对性的预先资源调度，设置的预设距离不宜过大也不易过小。
实施例三
本申请实施例中，针对用户端而言，获取到了包括上述历史出行信息和当前冒泡记录信息在内的输入信息，该输入信息包含了更多维度的信息，因此，在利用发单预测模型进行用户端的发单概率预测时，可以先将上述输入信息进行特征值化处理，得到处理后的第一用户特征向量，这样，将该第一用户特征向量输入到预先训练好的发单预测模型中，即可预测得到该用户端的发单概率。
其中，上述对输入信息进行特征值化处理的过程，主要是对输入信息包括的当前冒泡记录信息和历史出行信息进行数值化和标准化处理的过程。这里，主要是考虑到本申请实施例利用的信息，不仅有定量型的信息(如当前出行预估价格)，还有定性型的信息(如是否高峰期)，针对定性型的信息可以对其进行数值化处理，如1用于表示处于高峰期，而0用户表示处于平峰期。又考虑到不同信息往往具有不同的量纲和量纲单位，为了消除信息之间的量纲影响，才进行的标准化处理，以解决数据之间的可比性。这里，本申请实施例可以利用归一化手段对数据进行标准化处理。在对输入信息进行数值化和标准化处理之后，便可以得到对应的第一用户特征向量，这里，处理后的每个输入信息均可以作为该第一用户特征向量的一个维度。
本申请实施例中，发单预测模型的训练过程是本申请实施例提供的服务信息生成的方法的关键步骤，接下来通过如下实施例四对上述方法进行具体描述。
实施例四
如图4所示，为本申请实施例提供的一种发单预测模型的训练的方法流程图，该训练的方法具体包括如下步骤：
S401、获取各个用户端样本的历史出行信息、每个用户端样本在发出服务请求之前的历史冒泡记录信息，以及确定的每个用户端样本是否发出历史服务请求的发单结果；
S402、基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型。
这里，在获取到各个用户端样本的历史出行信息以及每个用户端样本在发出服务请求之前的历史冒泡记录信息后，可以将各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到发单预测模型。
其中，上述各个用户端样本的用户特征向量矩阵是对各个用户端样本的第二用户特征向量进行组合得到的，与第一用户特征向量类似的是，这里的第二用户特征向量也包含了多个维度，不同的是，针对同一用户端，第二用户特征向量中有关冒泡记录信息确定的维度，是有关历史的冒泡记录，而第一用户特征向量中有关冒泡记录信息确定的维度，是有关当前的冒泡记录。值得提出的是，为了确保模型的适用性，针对同一用户端，有关历史出行信息确定的维度在第一用户特征向量和第二用户特征向量中的表征方式是相同的。
在进行发单预测模型的具体训练过程中，本申请实施例可以选用多层树模型。如图5所示，上述发单预测模型的训练方法具体包括如下步骤：
S501、将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征将所述用户特征向量矩阵进行矩阵分解，得到分解后的两个用户特征向量子矩阵，将得到的两个用户特征向量子矩阵作为所述发单预测模型的第一层输出；
S502、循环针对上一层输出得到的每个用户特征向量子矩阵，将该用户特征向量子矩阵按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征进行矩阵分解，直至得到的发单预测模型的多层叠加输出对应的矩阵分解支路的累积误差达到最小，训练得到所述发单预测模型。
这里，首先将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征(如当前出行预估价格)将所述用户特征向量矩阵进行矩阵分解，得到分解后的两个用户特征向量子矩阵，将得到的两个用户特征向量子矩阵作为所述发单预测模型的第一层输出，针对第一层输出得到的每个用户特征向量子矩阵，将该用户特征向量子矩阵按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征(如用户出行次数)进行矩阵分解，直至得到的发单预测模型的多层叠加输出对应的矩阵分解支路的累积误差达到最小，训练得到所述发单预测模型。
其中，尽管在矩阵分解的过程中可以针对任意一个维度对应的第二用户特征将矩阵或子矩阵进行分解，但是在模型训练的过程中，寻找是最优分离点，也即，本申请实施例可以遍历各个维度对应的第二用户特征进行分解，使得分解得到的两个子矩阵是局部最优的。这样，在已知分解次数多的前提下，每次分解后的误差可以由当前分解的预测输出和实际输出之间的差值来确定，在多次分解后的累积误差达到最小时，即可训练得到对应的发单预测模型。
基于上述实施例，本申请还提供了服务信息生成的装置，下述各种装置的实施可以参见方法的实施，重复之处不再赘述。
实施例五
如图6所示，为本申请实施例五提供的服务信息生成的装置，所述装置包括：
信息获取模块601，用于获取用户端在发出服务请求之前的当前冒泡记录信息，以及该用户端的历史出行信息；
发单概率生成模块602，用于将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率；
服务信息生成模块603，用于基于所述用户端在未来预设时长内的发单概率，生成与所述服务请求对应的服务信息。
在一种实施方式中，所述信息获取模块601，具体用于：
基于所述用户端的起始出行位置和终止出行位置，确定所述当前冒泡记录信息。
在一些实施例中，所述当前冒泡记录信息包括以下信息中的一种或多种：
由起始出行位置至终止出行位置的当前出行预估时间；
由起始出行位置至终止出行位置的当前出行预估价格；
所述起始出行位置对应的当前起始出行时间信息；
与所述起始出行位置距离预设范围内的当前出行环境信息。
在另一种实施方式中，所述信息获取模块601，具体用于：
获取所述用户端的各历史订单信息；
基于所述用户端的各历史订单信息，确定该用户端的历史出行信息。
在一些实施例中，所述信息获取模块601，具体用于：
针对任一用户出行行为类型，基于每个历史订单信息中包括的至少一种用户出行行为信息，统计所述用户端针对该用户出行行为类型的用户出行次数；
将统计的针对各用户出行行为类型的用户出行次数作为所述用户端的历史出行信息。
在一些实施例中，所述信息获取模块601，具体用于：
基于每个历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
将统计的在各种出行规划需求下的用户出行次数作为所述用户端的历史出行信息。
在又一种实施方式中，所述信息获取模块601，具体用于：
获取所述用户端所属用户端集合中各个用户端的历史订单信息；
基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息。
在一些实施例中，所述信息获取模块601，具体用于：
针对所述用户端集合中的每个用户端，基于该用户端的历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
根据统计的各用户端在每种出行规划需求下的用户出行次数，确定所述用户端集合在该种出行规划需求下的用户出行次数和值；
将确定的所述用户端集合在该种出行规划需求下的用户出行次数和值，作为所述用户端集合中任一用户端的历史出行信息。
在再一种实施方式中，所述发单概率生成模块602，具体用于：
对所述用户端的当前冒泡记录信息和历史出行信息进行特征值化处理，得到特征值化处理后的第一用户特征向量；
将所述第一用户特征向量输入至训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率。
在再一种实施方式中，还包括：
模型训练模块604，用于：
获取各个用户端样本的历史出行信息、每个用户端样本在发出服务请求之前的历史冒泡记录信息，以及确定的每个用户端样本是否发出历史服务请求的发单结果；
基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型。
在一些实施例中，所述模型训练模块604，具体用于：
针对每个用户端样本，基于该用户端样本的历史出行信息和历史冒泡记录信息生成对应该用户端样本的第二用户特征向量；
将生成的各个第二用户特征向量进行组合，得到针对各个用户端样本的用户特征向量矩阵；
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到所述发单预测模型。
在一些实施例中，所述模型训练模块604，具体用于：
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征将所述用户特征向量矩阵进行矩阵分解，得到分解后的两个用户特征向量子矩阵，将得到的两个用户特征向量子矩阵作为所述发单预测模型的第一层输出；
循环针对上一层输出得到的每个用户特征向量子矩阵，将该用户特征向量子矩阵按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征进行矩阵分解，直至得到的发单预测模型的多层叠加输出对应的矩阵分解支路的累积误差达到最小，训练得到所述发单预测模型。
实施例六
如图7所示，为本申请实施例六所提供的一种计算机设备的结构示意图，包括：处理器701、存储介质702和总线703，所述存储介质702存储有所述处理器701可执行的机器可读指令(比如图6中的服务信息生成的装置中信息获取模块601、发单概率生成模块602、服务信息生成模块603对应的执行指令等)，当计算机设备运行时，所述处理与所述存储介质702之间通过总线703通信，所述机器可读指令被所述处理器701执行时执行如下处理：
获取用户端在发出服务请求之前的当前冒泡记录信息，以及该用户端的历史出行信息；
将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率；
基于所述用户端在未来预设时长内的发单概率，生成与所述服务请求对应的服务信息。
在一种实施方式中，上述处理器701执行的处理中，所述获取用户端在发出服务请求之前的当前冒泡记录信息，包括：
基于所述用户端的起始出行位置和终止出行位置，确定所述当前冒泡记录信息。
在一些实施例中，所述当前冒泡记录信息包括以下信息中的一种或多种：
由起始出行位置至终止出行位置的当前出行预估时间；
由起始出行位置至终止出行位置的当前出行预估价格；
所述起始出行位置对应的当前起始出行时间信息；
与所述起始出行位置距离预设范围内的当前出行环境信息。
在另一种实施方式中，上述处理器701执行的处理中，获取所述用户端的历史出行信息，包括：
获取所述用户端的各历史订单信息；
基于所述用户端的各历史订单信息，确定该用户端的历史出行信息。
在一些实施例中，上述处理器701执行的处理中，基于所述用户端的各历史订单信息，确定该用户端的历史出行信息，包括：
针对任一用户出行行为类型，基于每个历史订单信息中包括的至少一种用户出行行为信息，统计所述用户端针对该用户出行行为类型的用户出行次数；
将统计的针对各用户出行行为类型的用户出行次数作为所述用户端的历史出行信息。
在一些实施例中，上述处理器701执行的处理中，所述基于所述用户端的各历史订单信息，确定该用户端的历史出行信息，包括：
基于每个历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
将统计的在各种出行规划需求下的用户出行次数作为所述用户端的历史出行信息。
在又一种实施方式中，上述处理器701执行的处理中，获取所述用户端的历史出行信息，包括：
获取所述用户端所属用户端集合中各个用户端的历史订单信息；
基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息。
在一些实施例中，上述处理器701执行的处理中，所述基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息，包括：
针对所述用户端集合中的每个用户端，基于该用户端的历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
根据统计的各用户端在每种出行规划需求下的用户出行次数，确定所述用户端集合在该种出行规划需求下的用户出行次数和值；
将确定的所述用户端集合在该种出行规划需求下的用户出行次数和值，作为所述用户端集合中任一用户端的历史出行信息。
在再一种实施方式中，上述处理器701执行的处理中，所述将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率，包括：
对所述用户端的当前冒泡记录信息和历史出行信息进行特征值化处理，得到特征值化处理后的第一用户特征向量；
将所述第一用户特征向量输入至训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率。
在再一种实施方式中，上述处理器701执行的处理中，按照如下步骤训练所述发单预测模型：
获取各个用户端样本的历史出行信息、每个用户端样本在发出服务请求之前的历史冒泡记录信息，以及确定的每个用户端样本是否发出历史服务请求的发单结果；
基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型。
在一些实施例中，上述处理器701执行的处理中，所述基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型，包括：
针对每个用户端样本，基于该用户端样本的历史出行信息和历史冒泡记录信息生成对应该用户端样本的第二用户特征向量；
将生成的各个第二用户特征向量进行组合，得到针对各个用户端样本的用户特征向量矩阵；
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到所述发单预测模型。
在一些实施例中，上述处理器701执行的处理中，所述将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到所述发单预测模型，包括：
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征将所述用户特征向量矩阵进行矩阵分解，得到分解后的两个用户特征向量子矩阵，将得到的两个用户特征向量子矩阵作为所述发单预测模型的第一层输出；
循环针对上一层输出得到的每个用户特征向量子矩阵，将该用户特征向量子矩阵按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征进行矩阵分解，直至得到的发单预测模型的多层叠加输出对应的矩阵分解支路的累积误差达到最小，训练得到所述发单预测模型。
实施例七
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701运行时执行上述服务信息生成的方法的步骤。
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，能够执行上述服务信息生成的方法，从而解决相关技术中由于在用户发起服务请求之前，无法获取到用户下单结果，导致资源调度及时率和资源利用率较低的问题，进而达到可以利用生成的服务信息提升资源调度及时率和资源利用率的效果。
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 (15)

1.一种服务信息生成的方法，其特征在于，包括：
获取用户端在发出服务请求之前的当前冒泡记录信息，以及该用户端的历史出行信息；
将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率；
基于所述用户端在未来预设时长内的发单概率，生成与所述服务请求对应的服务信息。
2.根据权利要求1所述的方法，其特征在于，所述获取用户端在发出服务请求之前的当前冒泡记录信息，包括：
基于所述用户端的起始出行位置和终止出行位置，确定所述当前冒泡记录信息。
3.根据权利要求2所述的方法，其特征在于，所述当前冒泡记录信息包括以下信息中的一种或多种：
由起始出行位置至终止出行位置的当前出行预估时间；
由起始出行位置至终止出行位置的当前出行预估价格；
所述起始出行位置对应的当前起始出行时间信息；
与所述起始出行位置距离预设范围内的当前出行环境信息。
4.根据权利要求1所述的方法，其特征在于，获取所述用户端的历史出行信息，包括：
获取所述用户端的各历史订单信息；
基于所述用户端的各历史订单信息，确定该用户端的历史出行信息。
5.根据权利要求4所述的方法，其特征在于，基于所述用户端的各历史订单信息，确定该用户端的历史出行信息，包括：
针对任一用户出行行为类型，基于每个历史订单信息中包括的至少一种用户出行行为信息，统计所述用户端针对该用户出行行为类型的用户出行次数；
将统计的针对各用户出行行为类型的用户出行次数作为所述用户端的历史出行信息。
6.根据权利要求4所述的方法，其特征在于，所述基于所述用户端的各历史订单信息，确定该用户端的历史出行信息，包括：
基于每个历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
将统计的在各种出行规划需求下的用户出行次数作为所述用户端的历史出行信息。
7.根据权利要求1所述的方法，其特征在于，获取所述用户端的历史出行信息，包括：
获取所述用户端所属用户端集合中各个用户端的历史订单信息；
基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息。
8.根据权利要求7所述的方法，其特征在于，所述基于用户端集合中各个用户端的历史订单信息，确定任一用户端的历史出行信息，包括：
针对所述用户端集合中的每个用户端，基于该用户端的历史订单信息中包括的起始出行位置和起始出行时间，统计所述用户端在每种出行规划需求下的用户出行次数；其中每种出行规划需求中包含规划的起始出行位置和起始出行时间；
根据统计的各用户端在每种出行规划需求下的用户出行次数，确定所述用户端集合在该种出行规划需求下的用户出行次数和值；
将确定的所述用户端集合在该种出行规划需求下的用户出行次数和值，作为所述用户端集合中任一用户端的历史出行信息。
9.根据权利要求1所述的方法，其特征在于，所述将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率，包括：
对所述用户端的当前冒泡记录信息和历史出行信息进行特征值化处理，得到特征值化处理后的第一用户特征向量；
将所述第一用户特征向量输入至训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率。
10.根据权利要求1至9任一所述的方法，其特征在于，按照如下步骤训练所述发单预测模型：
获取各个用户端样本的历史出行信息、每个用户端样本在发出服务请求之前的历史冒泡记录信息，以及确定的每个用户端样本是否发出历史服务请求的发单结果；
基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型。
11.根据权利要求10所述的方法，其特征在于，所述基于各个用户端样本的历史出行信息、历史冒泡记录信息和发单结果，训练得到所述发单预测模型，包括：
针对每个用户端样本，基于该用户端样本的历史出行信息和历史冒泡记录信息生成对应该用户端样本的第二用户特征向量；
将生成的各个第二用户特征向量进行组合，得到针对各个用户端样本的用户特征向量矩阵；
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到所述发单预测模型。
12.根据权利要求11所述的方法，其特征在于，所述将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，将确定的各个用户端样本是否发出历史服务请求的发单结果作为待训练的发单预测模型的输出，训练得到所述发单预测模型，包括：
将针对各个用户端样本的用户特征向量矩阵作为待训练的发单预测模型的输入，按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征将所述用户特征向量矩阵进行矩阵分解，得到分解后的两个用户特征向量子矩阵，将得到的两个用户特征向量子矩阵作为所述发单预测模型的第一层输出；
循环针对上一层输出得到的每个用户特征向量子矩阵，将该用户特征向量子矩阵按照用户端样本的第二用户特征向量中任意一个维度对应的第二用户特征进行矩阵分解，直至得到的发单预测模型的多层叠加输出对应的矩阵分解支路的累积误差达到最小，训练得到所述发单预测模型。
13.一种服务信息生成的装置，其特征在于，包括：
信息获取模块，用于获取用户端在发出服务请求之前的当前冒泡记录信息，以及该用户端的历史出行信息；
发单概率生成模块，用于将所述用户端的当前冒泡记录信息和历史出行信息输入至预先训练好的发单预测模型中，得到所述用户端在未来预设时长内的发单概率；
服务信息生成模块，用于基于所述用户端在未来预设时长内的发单概率，生成与所述服务请求对应的服务信息。
14.一种计算机设备，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12任一所述服务信息生成的方法的步骤。
15.一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12任一所述服务信息生成的方法的步骤。
CN201910330271.6A 2019-04-23 2019-04-23 一种服务信息生成的方法、装置、计算机设备及存储介质 Active CN111832788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910330271.6A CN111832788B (zh) 2019-04-23 2019-04-23 一种服务信息生成的方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910330271.6A CN111832788B (zh) 2019-04-23 2019-04-23 一种服务信息生成的方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111832788A true CN111832788A (zh) 2020-10-27
CN111832788B CN111832788B (zh) 2024-03-29

Family

ID=72912511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910330271.6A Active CN111832788B (zh) 2019-04-23 2019-04-23 一种服务信息生成的方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111832788B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021146584A1 (en) * 2020-01-17 2021-07-22 Uber Technologies, Inc. Forecasting requests based on context data for a network-based service
WO2022127516A1 (en) * 2020-12-17 2022-06-23 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for simulating transportation order bubbling behavior
US11622018B2 (en) 2017-10-10 2023-04-04 Uber Technologies, Inc. Optimizing multi-user requests for a network-based service
US11688225B2 (en) 2016-10-12 2023-06-27 Uber Technologies, Inc. Facilitating direct rendezvous for a network service
US11747154B2 (en) 2016-09-26 2023-09-05 Uber Technologies, Inc. Network system for preselecting a service provider based on predictive information
US11754407B2 (en) 2015-11-16 2023-09-12 Uber Technologies, Inc. Method and system for shared transport
US11908034B2 (en) 2014-08-21 2024-02-20 Uber Technologies, Inc. Computer system arranging transport services for users based on the estimated time of arrival information
US11924308B2 (en) 2017-08-11 2024-03-05 Uber Technologies, Inc. Dynamic scheduling system for planned service requests

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005322094A (ja) * 2004-05-11 2005-11-17 Hitachi Ltd 営業支援方法および営業支援システム
CN105674995A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 一种基于用户出行轨迹获取通勤路线的方法及装置
WO2016119749A1 (zh) * 2015-01-29 2016-08-04 北京嘀嘀无限科技发展有限公司 一种订单分配系统及方法
CN106997577A (zh) * 2016-01-26 2017-08-01 滴滴（中国）科技有限公司 一种订单策略动态调整方法及装置
CN107093119A (zh) * 2016-09-27 2017-08-25 北京小度信息科技有限公司 一种订单信息检测方法、装置及系统
CN107633680A (zh) * 2016-07-12 2018-01-26 阿里巴巴集团控股有限公司 出行数据的获取方法、装置、设备和系统
CN107679674A (zh) * 2017-10-23 2018-02-09 携程计算机技术（上海）有限公司 Ota平台海外酒店房型服务缺陷的预测方法及系统
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
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
CN108573429A (zh) * 2018-03-07 2018-09-25 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、终端和可读存储介质
CN108648020A (zh) * 2018-05-15 2018-10-12 携程旅游信息技术（上海）有限公司 用户行为量化方法、系统、设备及存储介质
CN109493172A (zh) * 2018-10-23 2019-03-19 广州致轩服饰有限公司 一种基于用户标签的商品推送方法与装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005322094A (ja) * 2004-05-11 2005-11-17 Hitachi Ltd 営業支援方法および営業支援システム
WO2016119749A1 (zh) * 2015-01-29 2016-08-04 北京嘀嘀无限科技发展有限公司 一种订单分配系统及方法
CN105674995A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 一种基于用户出行轨迹获取通勤路线的方法及装置
CN106997577A (zh) * 2016-01-26 2017-08-01 滴滴（中国）科技有限公司 一种订单策略动态调整方法及装置
CN107633680A (zh) * 2016-07-12 2018-01-26 阿里巴巴集团控股有限公司 出行数据的获取方法、装置、设备和系统
CN107093119A (zh) * 2016-09-27 2017-08-25 北京小度信息科技有限公司 一种订单信息检测方法、装置及系统
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
CN107679674A (zh) * 2017-10-23 2018-02-09 携程计算机技术（上海）有限公司 Ota平台海外酒店房型服务缺陷的预测方法及系统
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN108573429A (zh) * 2018-03-07 2018-09-25 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、终端和可读存储介质
CN108648020A (zh) * 2018-05-15 2018-10-12 携程旅游信息技术（上海）有限公司 用户行为量化方法、系统、设备及存储介质
CN109493172A (zh) * 2018-10-23 2019-03-19 广州致轩服饰有限公司 一种基于用户标签的商品推送方法与装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗建强;赵艳萍;: "基于GSPN的实施延迟策略生产系统建模与性能分析", 运筹与管理, no. 04 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11908034B2 (en) 2014-08-21 2024-02-20 Uber Technologies, Inc. Computer system arranging transport services for users based on the estimated time of arrival information
US11754407B2 (en) 2015-11-16 2023-09-12 Uber Technologies, Inc. Method and system for shared transport
US11747154B2 (en) 2016-09-26 2023-09-05 Uber Technologies, Inc. Network system for preselecting a service provider based on predictive information
US11688225B2 (en) 2016-10-12 2023-06-27 Uber Technologies, Inc. Facilitating direct rendezvous for a network service
US11924308B2 (en) 2017-08-11 2024-03-05 Uber Technologies, Inc. Dynamic scheduling system for planned service requests
US11622018B2 (en) 2017-10-10 2023-04-04 Uber Technologies, Inc. Optimizing multi-user requests for a network-based service
US11888948B2 (en) 2017-10-10 2024-01-30 Uber Technologies, Inc. Optimizing multi-user requests for a network-based service
WO2021146584A1 (en) * 2020-01-17 2021-07-22 Uber Technologies, Inc. Forecasting requests based on context data for a network-based service
US11570276B2 (en) 2020-01-17 2023-01-31 Uber Technologies, Inc. Forecasting requests based on context data for a network-based service
WO2022127516A1 (en) * 2020-12-17 2022-06-23 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for simulating transportation order bubbling behavior

Also Published As

Publication number Publication date
CN111832788B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN111832788A (zh) 一种服务信息生成的方法、装置、计算机设备及存储介质
US11062415B2 (en) Systems and methods for allocating networked vehicle resources in priority environments
US11386359B2 (en) Systems and methods for managing a vehicle sharing facility
US20170169366A1 (en) Systems and Methods for Adjusting Ride-Sharing Schedules and Routes
US11132626B2 (en) Systems and methods for vehicle resource management
US20150254581A1 (en) Rideshare system and method to facilitate instant carpooling
EP3262831B1 (en) Telephone call placement
US20150081362A1 (en) Context-aware distributive taxi cab dispatching
US20160247094A1 (en) Systems and Methods for Managing a Vehicle Sharing Facility
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
US20180314998A1 (en) Resource Allocation in a Network System
US20200210905A1 (en) Systems and Methods for Managing Networked Vehicle Resources
US20180075566A1 (en) System and method of calculating a price for a vehicle journey
CN111832869A (zh) 一种车辆调度方法、装置、电子设备及存储介质
CN111832901A (zh) 网约车监控方法、装置、服务器和存储介质
CN111860922B (zh) 一种服务站部署控制方法、装置、电子设备及存储介质
CN112465331A (zh) 乘车安全控制方法、模型训练方法、装置、设备及介质
Becker et al. Impacts of a new free-floating car-sharing system in Basel
US20200293953A1 (en) Ride request evaluation systems and methods
JP2021166017A (ja) 情報処理装置、プログラム及び情報処理方法
CN116739124A (zh) 一种预约单的生成方法、装置、电子设备及存储介质
CN113744022A (zh) 服务器装置、存储介质和服务器装置的操作方法
CN114549077A (zh) 一种推荐信息确定方法、装置、设备和存储介质
CN111861080A (zh) 一种信息处理的方法、装置、电子设备及存储介质
CN111028053A (zh) 一种订单处理的方法、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