CN111932341A - 一种确定拼车订单的方法和系统 - Google Patents
一种确定拼车订单的方法和系统 Download PDFInfo
- Publication number
- CN111932341A CN111932341A CN202010798337.7A CN202010798337A CN111932341A CN 111932341 A CN111932341 A CN 111932341A CN 202010798337 A CN202010798337 A CN 202010798337A CN 111932341 A CN111932341 A CN 111932341A
- Authority
- CN
- China
- Prior art keywords
- order
- matching
- sample
- matching threshold
- threshold
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000011176 pooling Methods 0.000 title claims description 18
- 238000003860 storage Methods 0.000 claims description 37
- 230000002787 reinforcement Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 24
- 230000015654 memory Effects 0.000 description 18
- 239000003795 chemical substances by application Substances 0.000 description 16
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种确定拼车订单的方法。该确定拼车订单的方法可以包括:获取第一订单的订单信息和至少一个第二订单的订单信息;基于所述第一订单的订单信息和所述至少一个第二订单的订单信息,确定所述第一订单和至少一个第二订单的匹配参数;基于所述第一订单的订单信息,确定所述第一订单的匹配阈值;以及基于所述匹配参数和所述匹配阈值,确定是否将所述第一订单和所述至少一个第二订单进行拼车。本申请可以根据不同的应用场景,调整订单的匹配阈值,实现了全局最优匹配。
Description
技术领域
本申请涉及出行领域,特别涉及一种确定拼车订单的方法和系统。
背景技术
随着公共出行的日益普及,越来越多的人选择拼车出行等共享出行方式。对出行平台来说,需要对多个订单的信息进行分析,以确定适合拼车的订单。传统方法中通常设定固定的匹配阈值,并基于所述匹配阈值筛选出适合拼车的订单。然而,对于不同的共享出行场景,使用固定的匹配阈值会影响平台的拼乘效率,影响乘客的乘车体验。因此,有必要提供一种确定拼车订单的方法和系统,在其中根据不同的共享出行场景调整匹配阈值,从而提高拼乘效率和用户乘车体验。
发明内容
本申请实施例之一提供一种确定拼车订单的方法。所述确定拼车订单的方法包括:获取第一订单的订单信息和至少一个第二订单的订单信息;基于所述第一订单的订单信息和所述至少一个第二订单的订单信息,确定所述第一订单和至少一个第二订单的匹配参数;基于所述第一订单的订单信息,确定所述第一订单的匹配阈值;以及基于所述匹配参数和所述匹配阈值,确定是否将所述第一订单和所述至少一个第二订单进行拼车。
本申请实施例之一提供一种确定拼车订单的系统。所述确定拼车订单的系统包括:获取模块、匹配参数确定模块、匹配阈值确定模块和拼车确定模块;其中:所述获取模块,用于获取第一订单的订单信息和至少一个第二订单的订单信息;所述匹配参数确定模块,用于基于所述第一订单的订单信息和所述至少一个第二订单的订单信息,确定所述第一订单和至少一个第二订单的匹配参数;所述匹配阈值确定模块,用于基于所述第一订单的订单信息,确定所述第一订单的匹配阈值;以及所述拼车确定模块,用于基于所述匹配参数和所述匹配阈值,确定是否将所述第一订单和所述至少一个第二订单进行拼车。
本申请实施例之一提供一种确定拼车订单的装置。所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现如本申请任一实施例所述的方法。
根据本申请的另一方面,涉及一种计算机可读存储介质。所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行如本申请任一实施例所述的方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的拼车系统的应用场景示意图;
图2是根据本申请一些实施例所示的拼车系统的模块图;
图3是根据本申请一些实施例所示的确定拼车订单的方法的示例性流程图;
图4是根据本申请一些实施例所示的匹配阈值表生成方法的示例性流程图;
图5是根据本申请又一些实施例所示的匹配阈值表生成方法的示例性流程图;以及
图6是根据本申请一些实施例所示的匹配阈值表的示意图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请的实施例可以应用于不同的运输系统,例如,出租车、专车、顺风车、巴士、代驾。本申请描述的“乘客”、“乘客端”、“用户终端”、“顾客”、“需求者”、“服务需求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的,是指需要或者订购服务的一方,可以是个人,也可以是工具。同样地,本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的,是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外,本申请描述的“用户”可以是需要或者订购服务的一方,也可以是提供服务或者协助提供服务的一方。
图1是根据本申请一些实施例所示的拼车系统100的应用场景示意图。拼车系统100可以用于确定至少两个订单是否适合拼车。在一些实施例中,拼车系统100可以对所述至少两个订单的相关信息(例如,起点位置、终点位置、出发时间等)进行分析,以确定匹配阈值,并基于所述匹配阈值判断至少两个订单是否适合拼车。如本申请中使用的,拼车是指两人或两人以上共乘交通工具的交通方式。所述交通工具可以包括出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、无人驾驶等。
在一些实施例中,拼车系统100可以是用于提供互联网服务的线上服务平台。例如,拼车系统100可以应用于提供交通运输服务的网约车服务平台。所述网约车服务平台可以提供诸如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣、接送服务、代驾等运输服务。又例如,拼车系统100还可以应用于快递、外卖、出行(如旅游)等服务平台。为方便描述,下文以网约车平台为例来描述拼车系统100的应用。这并不旨在限定,拼车系统100可以应用于任何服务平台。
拼车系统100可以包括服务器110、服务请求者终端120、存储设备130、服务提供者终端140、网络150和信息源160。
在一些实施例中,服务器110可以用于处理与拼车系统100有关的信息和/或数据,例如,用于处理在线用车订单。在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。服务器组可以是集中式的或分布式的(例如,服务器110可以是一分布式系统)。在一些实施例中,服务器110可以是本地的,也可以是远程的。例如,服务器110可以经由网络150访问存储在服务请求者终端120和/或存储设备130中的信息和/或数据。又例如,服务器110可以直接连接到服务请求者终端120和/或存储设备130以访问存储信息和/或数据。在一些实施例中,服务器110可以在云平台或车载计算机上实现。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理与拼车系统100有关的信息和/或数据,以执行本申请中描述的一个或以上功能。例如,处理引擎112可以获取服务请求者终端120发送的至少两个订单,并获取至少两个订单的订单信息,基于至少两个订单的订单信息确定匹配阈值,然后基于匹配阈值确定是否将第一订单和至少一个第二订单进行拼车。在一些实施例中,处理引擎112还可以响应于对第一订单和至少一个第二订单进行拼车的确定结果,对所述第一订单和所述至少一个第二订单进行派单。在一些实施例中,处理引擎112可以包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理引擎112可以包括中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
在一些实施例中,服务请求者终端120可以是与订单直接相关的个人、工具或其他实体。用户可以是服务请求者。在本申请中,“用户”、“用户终端”可以互换使用。在一些实施例中,服务请求者终端120可以包括移动设备120-1、台式电脑120-2、笔记本电脑120-3、以及机动车辆中的车载设备120-4等或其任意组合。在一些实施例中,移动设备120-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中,可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配件等或其任意组合。在一些实施例中,智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强型虚拟现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括Google Glass、Oculus Rift、HoloLens或Gear VR等。在一些实施例中,机动车辆中的车载设备120-4可以包括车载计算机、车载电视等。
在一些实施例中,服务提供者终端140可以是交通车辆上具有通信和控制功能的终端设备。在一些实施例中,服务提供者终端140还可以为司机终端,其可以是与服务请求者终端120类似或相同的设备。在一些实施例中,服务提供者终端140可以包括移动设备140-1、台式电脑140-2、笔记本电脑140-3、以及机动车辆中的车载设备140-4等或其任意组合。
在一些实施例中,服务请求者终端120和/或服务提供者终端140可以是具有定位技术的装置。在一些实施例中,服务请求者终端120和/或服务提供者终端140可以与另一定位设备通信以确定服务请求者终端120和/或服务提供者终端140的位置。在一些实施例中,服务请求者终端120和/或服务提供者终端140可以将定位信息发送到服务器110。
存储设备130可以储存与服务请求相关的数据和/或指令。在一些实施例中,存储设备130可以存储从服务请求者终端120获得/获取的数据。在一些实施例中,存储设备130可以储存服务器110用来执行或使用以完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备130可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储设备130可在云平台上实现。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中,存储设备130可以连接到网络150以与拼车系统100的一个或以上组件(例如,服务器110、服务请求者终端120、服务提供者终端140)通信。拼车系统100的一个或以上组件可以经由网络150访问存储在存储设备130中的数据或指令。在一些实施例中,存储设备130可以直接连接到拼车系统100的一个或以上组件(例如,服务器110、服务请求者终端120、服务提供者终端140)或与之通信。在一些实施例中,存储设备130可以是服务器110的一部分。在一些实施例中,存储设备130可以单独的存储器。
网络150可以促进信息和/或数据的交换。在一些实施例中,拼车系统100的一个或以上组件(例如,服务器110、服务请求者终端120、存储设备130、服务提供者终端140)可以经由网络150将信息和/或数据发送至拼车系统100的其他组件。例如,服务器110可以经由网络150从服务请求者终端120获得/获取服务请求。在一些实施例中,网络150可以是有线网络或无线网络等或其任意组合。仅作为示例,网络150可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等或其任意组合。在一些实施例中,拼车系统100可以包括一个或以上网络接入点。例如,基站和/或无线接入点150-1、150-2、…,拼车系统100的一个或以上组件可以连接到网络150以交换数据和/或信息。
信息源160是为拼车系统100提供其他信息的一个源。信息源160可以用于为系统提供与订单信息相关的信息,例如,服务时间、服务地点、法律法规信息、新闻信息、生活资讯、生活指南信息等。信息源160可以是一个单独的中央服务器的形式存在,也可以是以多个通过网络连接的服务器的形式存在,还可以是以大量的个人设备形式存在。当信息源160以大量个人设备形式存在时,这些设备可以通过一种用户生成内容(user-generatedcontents)的方式,例如向云端服务器上传文字、语音、图像、视频等,从而是云端服务器连通与其连接的众多个人设备一起组成信息源160。
应当注意拼车系统100仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改或变化。例如,拼车系统100还可以包括数据库。又例如,拼车系统100可以在其他设备上实现类似或不同的功能。然而,这些变化和修改不会背离本申请的范围。
图2是根据本申请一些实施例所示的拼车系统的模块图。
如图2所示,该确定拼车订单的系统可以包括获取模块210、匹配参数确定模块220、匹配阈值确定模块230、拼车确定模块240、派单模块250和匹配阈值表生成模块260。
获取模块210可以用于获取第一订单的订单信息和至少一个第二订单的订单信息。关于获取第一订单的订单信息和至少一个第二订单的订单信息的详细描述可以参见图3,在此不再赘述。
匹配参数确定模块220可以用于基于所述第一订单的订单信息和所述至少一个第二订单的订单信息,确定所述第一订单和至少一个第二订单的匹配参数。在一些实施例中,匹配参数可以包括绕路时间、绕路距离、拼单分值中的一种或多种。关于确定第一订单和至少一个第二订单的匹配参数的详细描述可以参见图3,在此不再赘述。
匹配阈值确定模块230可以用于基于第一订单的订单信息,确定第一订单的匹配阈值。具体的,可以获取匹配阈值表,所述匹配阈值表记录订单特征和匹配阈值的对应关系;以及基于第一订单的订单信息,通过查找所述匹配阈值表确定第一订单的匹配阈值。在一些实施例中,匹配阈值表可以经由匹配阈值表生成模块生成。关于确定第一订单的匹配阈值的详细描述可以参见图3,在此不再赘述。
拼车确定模块240可以用于基于所述匹配参数和所述匹配阈值,确定是否将所述第一订单和所述至少一个第二订单进行拼车。关于确定是否将第一订单和至少一个第二订单进行拼车的详细描述可以参见图3,在此不再赘述。
派单模块250可以用于响应于对第一订单和至少一个第二订单进行拼车的确定结果,对第一订单和至少一个第二订单进行派单。关于对第一订单和至少一个第二订单进行派单的详细描述可以参见图3,在此不再赘述。
匹配阈值表生成模块260可以用于获取至少两个第一样本订单的第一样本订单信息;以及利用所述第一样本订单信息训练多Agent强化学习模型,以生成所述匹配阈值表。又或者,匹配阈值表生成模块260可以对每个第二样本订单子集设置初始匹配阈值,然后基于业务指标参数优化第二样本订单子集的初始匹配阈值,以得到其匹配阈值。具体的,可以获取至少两个第二样本订单的第二样本订单信息;并对所述至少两个第二样本订单进行聚类,以得到至少一个第二样本订单子集;然后对每个第二样本订单子集,设置初始匹配阈值;以及对每个第二样本订单子集,基于业务指标参数,优化所述第二样本订单子集的初始匹配阈值,以得到其匹配阈值,所述匹配阈值表包括每个第二样本订单子集的匹配阈值。关于生成匹配阈值表的详细描述可以参见图4和图5,在此不再赘述。
应当理解,图2所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于候选项显示、确定系统及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,获取模块210、匹配参数确定模块220、匹配阈值确定模块230、拼车确定模块240、派单模块250和匹配阈值表生成模块260可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。又例如,拼车确定模块240和派单模块250可以是两个模块,也可以是一个模块同时具有拼车确定和派单功能。再例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
在一些实施例中,图2所示的模块可以在同一或不同的处理设备上实现。例如,匹配阈值表生成模块260可以在第一处理引擎上实现,所述第一处理引擎可以是生成和/或更新匹配阈值表的供应商的处理引擎。获取模块210、匹配参数确定模块220、匹配阈值确定模块230、拼车确定模块240、派单模块250可以在不同于第一处理引擎的第二处理引擎上实现,所述第二处理引擎可以是应用所述匹配阈值表的客户的处理引擎。
图3是根据本申请一些实施例所示的确定拼车订单的方法300的示例性流程图。在一些实施例中,方法300可以由服务器110(如,处理引擎112)执行,所述方法300可以包括如下步骤:
步骤310,获取第一订单的订单信息和至少一个第二订单的订单信息。
在一些实施例中,步骤310可以由获取模块210实现。
第一订单可以为第一服务请求者终端发送的用车订单。第二订单可以为不同于第一服务请求者终端的第二服务请求者终端发送的用车订单。在一些实施例中,第一订单和第二订单可以是网约车平台中任意的不同服务请求者发出的订单。可选地,第一订单和第二订单可以符合特定条件,具有一定的拼车可能性。例如,第一订单和第二订单的下单时间或出发时间接近(例如,时间差不超过特定时间阈值)。又或者,第一订单和第二订单是属于同一地区(例如,城区)的订单。在一些实施例中,第一订单或/和第二订单可以是拼车订单。又或者,第一订单或/和第二订单可以不是拼车订单(例如,是快车订单或顺风车订单),经网约车平台分析后推荐其进行拼车。
在一些实施例中,订单信息可以包括下单时间、出发时间、起点位置、终点位置、服务请求者信息中的一种或多种。下单时间可以为服务请求者通过其服务请求者终端发出用车请求的时间。出发时间可以为服务请求者设定的开始行程的时间。起点位置可以是行程的出发地。终点位置可以是行程的目的地。服务请求者信息可以包括与服务请求者同行的人数、服务请求者的历史订单记录、服务请求者的偏好信息、服务请求者的基本信息等中一种或多种的组合。服务请求者的基本信息可以包括以下中的一个或多个:性别、年龄、职业、征信记录、身份信息、银行账户。征信记录可以包括借贷次数、借款数额、借款期限和/或还款情况等。身份信息可以包括但不限于用户身份证上的信息或用户的护照上的信息。
在一些实施例中,获取模块210可以通过与第一服务请求者终端、第二服务请求者终端和/或存储设备130进行通讯以获取第一订单和第二订单有关的订单信息。例如,获取模块210可以直接或通过网络150从第一服务请求者终端获取第一订单的下单时间、出发时间、起点和终点位置等中的一种或多种。又例如,获取模块210可以直接或通过网络从存储设备130中获取存储其中的发出第一订单和/或第二订单的服务请求者的基本信息。
步骤320,基于第一订单的订单信息和至少一个第二订单的订单信息,确定第一订单和至少一个第二订单的匹配参数。在一些实施例中,步骤320可以由匹配参数确定模块220实现。
匹配参数可以反映第一订单和第二订单的匹配程度。例如,匹配参数可以包括绕路时间、绕路距离、拼单分值中的一种或多种。仅作为示例,假设第一订单(或第二订单)的起点和终点之间的预估行驶时间为T1,为了在同一行程中同时完成第一订单和至少一个第二订单而调整第一订单(或第二订单)的行驶路线后的预估行驶时间为T2,绕路时间可以是T2和T1之间的差值。绕路时间越长,说明第一订单和第二订单之间的匹配程度越低。仅作为示例,假设第一订单(或第二订单)的起点和终点之间的预估行驶距离为S1,为了在同一行程同时完成第一订单和至少一个第二订单而调整第一订单(或第二订单)的行驶路线后的预估行驶距离为S2,绕路距离可以是S2和S1之间的差值。拼单分值可以是表示第一订单和第二订单是否适宜拼单的分值。拼单分值可以用数字、等级等任何适当的形式来表示。例如,拼单分值可以为0或1,O表示不适合拼车,1表示适合拼车。又例如,拼单分值还可以为0~100中的任意值,拼单分值越高说明第一订单和第二订单越适宜拼单。
在一些实施例中,匹配参数可以包括第一订单和第二订单的拼单分值。所述拼单分值可以基于第一订单和第二订单的订单信息确定。仅作为示例,假设第一订单的行驶路线为R1、第二订单的行驶路线为R2,拼单分值可以基于行驶路线为R1和R2之间路线的重合度确定。路线的重合度越高,拼单分值越高。
在一些实施例中,该拼单分值可以由拼单分值预测模型确定得到。具体的,可以获取拼单分值预测模型。然后将第一订单的订单信息和至少一个第二订单的订单信息输入该拼单分值预测模型中,拼单分值预测模型可以输出第一订单和至少一个第二订单的拼单分值。拼单分值预测模型可以是机器学习模型,其可以接收至少两个订单的订单信息,并基于接收到的订单信息确定所述至少两个订单的拼单分值。
拼单分值预测模型可以是任何类型的机器学习模型,例如分类模型、卷积神经网络模型(CNN)等。示例性的分类模型可以包括决策树模型、K最近邻(k-Nearest Neighbor,KNN)模型、贝叶斯分类法、随机森林、支持向量机等模型。在一些实施例中,所述拼单分值预测模型可以由处理引擎112(或其他计算设备)基于机器学习算法生成,并存储在存储设备(例如,存储设备130或外部存储设备)中。处理引擎112可以从所述存储设备中获取所述拼单分值预测模型,并基于拼单分值预测模型确定第一订单和第二订单的拼单分值。示例性的训练算法可以包括但不限于人工神经网络算法、深度学习算法、决策树算法、关联规则算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯网络算法、强化学习算法、表示学习算法、相似度和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等,或其任意组合。
在一些实施例中,拼单分值预测模型可以通过历史订单样本训练初始模型得到。历史订单样本可以包括一段时间(如,一周、一个月、三个月等)内的已完成的历史订单,其中所述历史订单可以包括拼车成功的订单和/或未拼车成功的订单。在一些实施例中,可以对历史订单样本进行标记,并确定历史订单样本的特征参数。例如,可以将拼车成功的至少两个拼车订单标记为正样本,将拼车不成功的至少两个拼车订单标记为负样本。可以进一步提取正样本和负样本的特征参数,例如场景特征(例如,用车需求情况、天气情况等)、空间特征(例如,起点和终点的地理位置)、时间特征(例如,下单时间、出发时间)、拼车特征(例如,拼车成功、拼车不成功)、交易特征(例如,司机收入、乘客支出、乘客付款方式)、路况特征(例如,道路路面状况)、用户特征(例如,乘客基本信息、司机基本信息)等参数。然后,可以基于历史订单样本的特征参数及标记结果,训练初始模型得到拼单分值预测模型。
在一些实施例中,在训练初始模型过程中,可以确定至少两个历史订单样本的轨迹图像,所述轨迹图像是指历史订单样本的行驶路线对应的图像。电子地图中道路的拓扑结构是由线段构成,其中Link是电子地图中道路模型的基本单位,可以表示一段道路;Node表示道路和道路的交点,用Node与Link可以表示整个道路的拓扑结构;电子地图中道路模型的道路是具有方向性的,该道路模型类似于网状结构。道路Link对应的编号即为道路ID,一条行驶路线可以包括多个道路Link,多个道路Link的道路ID可以组成Link-ID表(Link-ID list)。例如,至少两个历史订单样本是否拼车成功的结果是已知的,原始规划路线和行驶路线也是已知的。具体的,可以获取至少两个历史订单样本的原始规划路线、行驶路线的Link-ID List和是否拼车成功的结果。然后在地图信息数据库中基于link-ID List进行查询,可以得到Link-ID List中所有道路Link对应的坐标点集。进而基于该坐标点集,可以生成所述订单对应的轨迹图像。然后,可以将至少两个历史订单样本的轨迹图像和是否拼车成功的结果输入初始模型中进行训练,得到训练后的CNN模型。
步骤330,基于第一订单的订单信息,确定所述第一订单的匹配阈值。在一些实施例中,步骤330可以由匹配阈值确定模块230实现。
匹配阈值可以指匹配参数的临界值,其可以用于判断是否拼车成功。例如,匹配阈值可以包括绕路时间阈值、绕路距离阈值、拼单分值阈值等中的一种或多种。
在一些实施例中,第一订单的匹配阈值可以基于第一订单的订单信息得到。具体的,可以获取匹配阈值表;以及基于第一订单的订单信息,通过查找该匹配阈值表以确定第一订单的匹配阈值。匹配阈值表可以是任何能记录订单特征和匹配阈值的对应关系的载体,例如表格、函数、图像、文字等。订单特征可以包括订单的位置特征(例如,起点和/或终点)、时间特征(例如,下单时间和/或出发时间)、请求者特征(例如,请求者年龄、性别、偏好等)。出于说明目的,下文以起点、终点和出发时间(origin-destination-time,简称ODT)为示例性的订单特征展开描述。
仅作为示例,图6是根据本申请一些实施例所示的三张匹配阈值表610、620和630。匹配阈值表610、620和630分别对应T1、T2和T3三个不同的时间段。匹配阈值表中O1、O2、O3…表示起点(或起点所在的区域),D1、D2、D3…表示终点(或终点所在的区域),0和1表示匹配阈值。例如,0可以表示匹配阈值小于匹配阈值基准值,1可以表示匹配阈值大于匹配阈值基准值。所述匹配阈值基准值可以根据拼车系统100的默认设定确定,或者是人为设定,也可以是根据实际需求进行调整。根据第一订单的起点、终点和出发时间可以通过查找匹配阈值表确定第一订单的匹配阈值。应当理解的是,图6所示的匹配阈值表610、620和630仅是示例性的,匹配阈值表可以以任何其他的形式存储和展现。例如,匹配阈值表中的匹配阈值可以不是0和1这样离散的数字,而是连续的数值(例如,0-1之间的任意数值)。又例如,匹配阈值表中的订单特征可以仅包括起点和终点中的一个。在一些实施例中,匹配阈值表可以由处理引擎112或其他计算设备通过执行匹配阈值表生成过程生成。或者,匹配阈值表可以预先由由处理引擎112或其他计算设备生成,并存储在存储设备(例如,存储设备130或外部存储设备)中。匹配阈值确定模块230可以从所述存储设备中获取匹配阈值表。在一些实施例中,匹配阈值表生成过程可以利用多智能体强化学习(Multi-Agent ReinforcementLearning,MARL)模型(或称为多Agent强化学习模型)生成。具体的,可以获取至少两个第一样本订单的第一样本订单信息,然后利用第一样本订单信息训练多Agent强化学习模型,以生成匹配阈值表。关于训练多Agent强化学习模型以生成匹配阈值表的更多内容可以在图4及其描述中找到,在此不作赘述。
在一些实施例中,匹配阈值表生成过程还可以通过基于业务指标参数,优化初始匹配阈值得到。具体的,可以获取至少两个第二样本订单的第二样本订单信息,并对至少两个第二样本订单进行聚类,以得到第二样本订单子集。然后可以对每个第二样本订单子集,设置初始匹配阈值,并对基于业务指标参数优化该第二样本订单子集的初始匹配阈值以得到其匹配阈值。该匹配阈值表可以包括每个第二订单子集的匹配阈值。关于基于业务指标参数优化初始匹配阈值以得到匹配阈值的更多内容可以在图5及其描述中找到,在此不作赘述。
步骤340,基于匹配参数和匹配阈值,确定是否将第一订单和至少一个第二订单进行拼车。在一些实施例中,步骤340可以由拼车确定模块240实现。
在一些实施例中,通过比较第一订单和至少一个第二订单的匹配参数与第一订单的匹配阈值的大小,来判断是否适宜将第一订单和至少一个第二订单进行拼车。例如,当匹配参数是绕路时间或绕路距离时,若匹配参数小于匹配阈值,则确定第二订单适宜与第一订单进行拼车;反之,则确定第二订单不适宜与第一订单进行拼车。仅作为示例,若第一订单和第二订单的匹配参数为绕路时间3min,第一订单的匹配阈值为绕路时间阈值5min,绕路时间小于绕路时间阈值,则表示第二订单适宜与第一订单进行拼车。又例如,若匹配参数是拼单分值时,若匹配参数大于匹配阈值,则确定第二订单适宜与第一订单进行拼车;反之,则确定第二订单不适宜与第一订单进行拼车。
在一些实施例中,步骤320中可以确定至少两个不同的匹配参数,步骤330中可以确定每个匹配参数对应的匹配阈值。可以基于每个匹配参数和其对应的匹配阈值之间的比较,来确定是否将第一订单和至少一个第二订单进行拼车。例如,只要有一个匹配参数比较结果说明第一订单和第二订单适宜拼车,就可以确定第二订单适宜与第一订单进行拼车。又例如,可以对每个匹配参数设定权重,综合考虑各匹配参数的比较结果,以确定是否将第一订单和第二订单进行拼车。
可选地,响应于第二订单不适宜与第一订单拼车的确定结果,可以重新查找其他的第二订单并判断其是否可以与第一订单进行拼车。或者响应于对第一订单和至少一个第二订单进行拼车的确定结果,可以对第一订单和至少一个第二订单进行派单。例如,可以为所述第一订单和至少一个第二订单分配服务提供者。此外地或可替代地,可以向第一订单和至少一个第二订单的服务请求终端发送拼车成功的消息,并展示拼单信息(例如,合乘路径、上车顺序等)。在一些实施例中,派单模块250可以响应于对第一订单和至少一个第二订单进行拼车的确定结果,对第一订单和至少一个第二订单进行派单。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,拼单分值可以不限于步骤320中的形式,还可以为0~100%之间的任意值(如,70%、80%或90%)。
图4是根据本申请一些实施例所示的匹配阈值表生成方法的示例性流程图。在一些实施例中,方法400可以由服务器110(如,处理引擎112)执行。在另一些实施例中,方法400可以由生成和/或更新匹配阈值表的供应商的计算设备执行。出于说明目的,下文以处理引擎112为例描述方法400的实施过程。所述方法400可以包括如下步骤:
步骤410,获取至少两个第一样本订单的第一样本订单信息。在一些实施例中,步骤410可以由匹配阈值表生成模块260实现。
第一样本订单可以为过去一段时间(如,一周、一个月、三个月等)内已完成的历史订单,其中所述历史订单可以包括拼车成功的订单和/或未拼车成功的订单。第一样本订单可以作为生成匹配阈值表的训练样本。示例性的,第一样本订单信息可以包括场景特征(例如,用车需求情况、天气情况等)、空间特征(例如,起点和终点的地理位置)、时间特征(例如,下单时间、出发时间)、拼车特征(例如,拼车成功、拼车不成功)、交易特征(例如,司机收入、乘客支出、乘客付款方式)、路况信息(例如,道路路面状况)、用户特征(例如,司机基本信息、乘客基本信息)等中的一种或其任意组合。
在一些实施例中,匹配阈值表生成模块260可以通过与拼车系统100中的一个或多个原件(例如,存储设备130、服务请求者终端120和/或服务提供者终端140)进行通讯以获取至少两个第一样本订单的第一样本订单信息。
步骤420,利用第一样本订单信息训练多Agent强化学习模型(MARL),以生成匹配阈值表。在一些实施例中,步骤420可以由匹配阈值表生成模块260实现。
多Agent强化学习模型可以包括至少两个有自主性的、可互相交互的实体组成,它们共享一个相同的环境,通过感知器感知环境并通过执行器采取行动。在一些实施例中,匹配阈值表生成模块260可以基于完全合作MARL算法、完全竞争MARL算法、混合任务MARL算法等MARL训练算法,或其任意组合来训练所述多Agent强化学习模型。在一些实施例中,可以利用第一样本订单训练MARL模型,以生成匹配阈值表。具体的,可以对至少两个第一样本订单进行聚类以得到至少两个第一子集。例如,可以基于第一样本订单的一个或多个订单特征(例如,出发时间、起点位置、终点位置、计费比等,或其任意组合)对两个或以上第一样本订单进行聚类,以得到两个或以上第一子集。关于计费比的内容可以参见步骤540的相关描述。以出发时间为例,可以将出发时间在一个时间片内的第一样本订单聚类为一个子集。一个时间片可以为一段时间间隔(例如,0.5小时或1小时)。不同的时间片可以具有相同或不同时长。仅作为示例,以半小时为间隔,可以将一天划分为48个时间片。第一样本订单可以根据出发时间被聚类为对应所述48个时间片的48个子集。又例如,可以预先将城市区域划分为多个子区域,然后可以将起点位置或终点位置在同一个子区域内的第一样本订单聚类为一个子集。该多个子区域可以为圆形区域(例如,半径为1公里)、方形区域、三角形区域,也可以为不规则形状区域,本申请对此不作限制。多个子区域可以具有相同的面积和形状,也可以具有不同的面积和形状。仅作为示例,可以将将起点位置或终点位置在半径为1公里的同一个圆形区域内的第一样本订单聚类为一个子集。再例如,可以同时基于出发时间和终点位置对至少两个第一样本订单聚类。仅作为示例,可以将至少两个第一样本聚类为对应不同时间片且终点位于不同子区域的多个子集。
在对第一样本订单进行聚类后,可以使用奖励函数(reward function)训练多Agent强化学习模型,生成匹配阈值表。在一些实施例中,可以根据出发时间对第一样本订单进行聚类,以生成对应不同时间片的第一子集。对每个时间片,可以基于其对应的第一子集的第一样本订单信息,使用奖励函数训练多Agent强化学习模型以生成每个时间片的匹配阈值表。奖励函数可以是该时间片的计费比,也可以是对应该时间片的其他业务指标参数(如,成交总额、拼成率或不顺路度)等或其任意组合。在一些实施例中,对于特定时间片,其训练生成的匹配阈值表需要使其奖励函数满足特定条件。例如,需要使该时间片的计费比最大化或者超过特定阈值。所生成的匹配阈值表包括至少两个时间片的至少两张匹配阈值表,每张匹配阈值表记录其对应时间片中订单特征和匹配阈值的对应关系。关于匹配阈值表的更多内容可以参见步骤330及其描述,在此不作赘述。
在一些实施例中,可以按时间顺序依次生成各个时间片对应的匹配阈值表。可选地,前一个时间片所确定的匹配阈值表会影响后一个时间片的决策。具体的,在生成每个时间片的匹配阈值表时,可以将前一时间片的第一样本订单的第一样本订单信息和奖励函数(如,计费比)输入多Agent强化学习模型中进行训练,可以得到该时间片的匹配阈值表。然后在下一个时间片,将前一个时间片中未拼成的第一样本订单的第一样本订单信息和奖励函数(如,计费比)再次输入多Agent强化学习模型中进行训练可以得到下一个时间片的匹配阈值表。依次类推,可以得到所有时间片的匹配阈值表。
通过训练多Agent强化学习模型可以生成匹配阈值表,多Agent强化学习模型可以根据不同的应用场景,动态调整订单的匹配阈值,以提高拼车效率。在一些实施例中,可以预先生成匹配阈值表,在应用时可以根据实时订单的信息在匹配阈值表中查询其对应的匹配阈值,然后再基于所述匹配阈值确定实时订单是否拼车成功。预先生成匹配阈值表的方式可以提高拼车系统100的运作效率。在一些实施例中,还可以将实时订单的信息输入训练好的Agent强化学习模型中生成实时的匹配阈值,然后再基于所述匹配阈值确定实时订单是否拼车成功。
在一些实施例中,还可以对匹配阈值表进行实时或间歇性地更新。例如,可以将前一天的历史订单数据作为第一样本订单,每天对匹配阈值表进行更新。又例如,可以将前一小时的历史订单数据作为第一样本订单,每小时对匹配阈值表进行更新。对匹配阈值表进行更新可以提高匹配阈值表的准确性,进而提高拼车系统100的拼车准确性。
应当注意的是,上述有关流程生成匹配阈值表方法的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程生成匹配阈值表进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,匹配阈值表可以通过训练除多Agent强化学习模型以外的模型生成。
图5是根据本申请又一些实施例所示的匹配阈值表生成方法的示例性流程图。在一些实施例中,方法500可以由服务器110(如,处理引擎112)执行。在另一些实施例中,方法500可以由生成和/或更新匹配阈值表的供应商的计算设备执行。出于说明目的,下文以处理引擎112为例描述方法500的实施过程。所述方法500可以包括如下步骤:
步骤510,获取至少两个第二样本订单的第二样本订单信息。在一些实施例中,步骤510可以由匹配阈值表生成模块260实现。
第二样本订单可以为过去一段时间(如,一周、一个月、三个月等)内已完成的历史订单,其中所述历史订单可以包括拼车成功的订单和/或未拼车成功的订单。第二样本订单可以作为生成匹配阈值表的样本。在一些实施例中,第二样本订单和图4所述的第一样本订单可以包括一个或多个相同或不同的样本订单。
示例性的,第二样本订单信息可以包括场景特征(例如,用车需求情况、天气情况等)、空间特征(例如,起点和终点的地理位置)、时间特征(例如,下单时间、出发时间)、拼车特征(例如,拼车成功、拼车不成功)、交易特征(例如,司机收入、乘客支出、乘客付款方式)、路况信息(例如,道路路面状况)、用户特征(例如,司机基本信息、乘客基本信息)等中的一种或其任意组合。
在一些实施例中,匹配阈值表生成模块260可以通过与拼车系统100中的一个或多个原件(例如,存储设备130、服务请求者终端120和/或服务提供者终端140)进行通讯以获取至少两个第二样本订单的第二样本订单信息。
步骤520,对至少两个第二样本订单进行聚类,得到至少一个第二样本订单子集。在一些实施例中,步骤520可以由匹配阈值表生成模块260实现。
在一些实施例中,可以基于一个或多个订单特征对至少两个第二样本订单进行聚类。仅作为示例,可以基于出发时间、起点位置和/或终点位置对至少两个第二样本订单进行聚类。对至少两个第二样本订单的聚类方式可以与步骤420中所述的对第一样本订单的聚类方式类似,在此不作赘述。
步骤530,对每个第二样本订单子集设置初始匹配阈值。在一些实施例中,步骤530可以由匹配阈值表生成模块260实现。
初始匹配阈值可以为初始设定的匹配阈值。不同第二样本订单的初始匹配阈值可以相同或不同。初始匹配阈值可以由系统默认设置,也可以由用户设定,或者可以根据历史拼车订单设定。在一些实施例中,初始匹配阈值可以包括初始绕路时间阈值、初始绕路距离阈值或初始拼单分值阈值等中的一个或多个。初始匹配阈值的形式包括但不限于连续实数、离散实数、等级等中的一种或其任意组合。例如,初始匹配阈值可以包括阈值上限、阈值下限或阈值范围。例如,初始匹配阈值可以包括绕路时间阈值最多为3分钟、绕路距离阈值为2~3公里。
步骤540,对每个第二样本订单子集,基于业务指标参数,优化第二样本订单子集的初始匹配阈值,得到其匹配阈值。在一些实施例中,步骤540可以由匹配阈值表生成模块260实现。
示例性的,业务指标参数可以包括拼车订单的成交总额、拼成率、计费比、不顺路度、里程比等中的一种或其任意组合。订单成交总额可以第二样本订单子集中所有订单的成交总额。拼成率可以为第二样本订单子集中拼车成功的概率(即第二样本订单子集中拼车成功的订单数与总订单数之比)。计费比可以为第二样本订单子集中订单完成后司机收入与乘客支出比值。不顺路度可以反映第二样本订单子集中司机为了完成拼车订单而绕路的程度。不顺路度可以通过分析第二样本订单子集中拼车成功订单的司机的行车路径确定。或者,不顺路度也可以根据用户反馈确定。例如,不顺路度可以为第二样本订单子集中用户反馈不顺路的订单数量占所有第二样本订单子集数量的比值。里程比可以为拼车成功的第二样本订单实际行驶路径的长度与所述第二样本订单在未拼成时的预估行驶路径的长度之和的比值。例如,如果两个第二样本订单的起点和终点都相同,预估行驶路径的长度为10km,两个第二样本订单拼成后的实际行驶路径的长度也为10km,则里程比为10/(10+10)=0.5。里程比可以体现了拼车成功的效率,里程比越大,拼成效率越高;反之,则越低。
在一些实施例中,对于各第二样本订单子集,可以优化其初始匹配阈值,使其业务指标参数满足特定条件(例如,被最优化、超过或小于一定阈值)。例如,可以基于初始匹配阈值,确定至少两个候选匹配阈值。具体的,可以设定匹配阈值的调整梯度,基于初始匹配阈值和所述调整梯度确定至少两个候选阈值。仅作为示例,初始匹配阈值可以包括初始绕路时间阈值最多为10分钟,可以设置调整梯度为2分钟,将初始匹配阈值划分成6个候选匹配阈值(如,10分钟、8分钟、6分钟、4分钟、2分钟、0分钟)。调整梯度可以为固定值,也可以为变动值。进一步地,可以根据每个候选匹配阈值,确定该候选匹配阈值下第二样本订单子集的业务指标参数的值。然后,可以选取业务指标参数最大值或最小值对应的候选匹配阈值作为第二样本订单子集的匹配阈值。
出于说明目的,下文以初始匹配阈值为初始绕路时间阈值、业务指标参数为成交总额为例,对初始匹配阈值的优化过程进行阐述。假设第二样本订单子集包括“17:00-17:30从中关村区域到大望路区域”的历史订单,其初始绕路时间阈值上限为10分钟。可以以1分钟为调整梯度对初始绕路时间阈值上限10分钟进行划分,得到10个候选绕路时间阈值(如,10分钟、9分钟、8分钟、...、1分钟)。可以分别确定上述各个候选绕路时间阈值所对应的第二样本订单子集的成交总额的值,可以得到10个成交总额的值。然后选取上述10个成交总额中的最大值对应的候选绕路时间阈值,所述被选定的候选绕路时间阈值可以作为第二样本订单子集的匹配阈值。例如,候选绕路时间阈值为7分钟时,该第二样本订单子集具有最大成交总额(如,3000元),则将候选绕路时间阈值为7分钟作为优化后的匹配阈值。
又例如,可以基于拼成率优化第二样本订单子集的初始匹配阈值。初始匹配阈值可以为初始绕路距离阈值。例如,初始绕路距离阈值上限为5公里,则可以分别以1公里的距离间隔为调整梯度对候选绕路距离阈值进行划分,得到5个候选绕路距离阈值(如,5公里、4公里、3公里、2公里、1公里)。进一步的,以拼成率为业务指标参数,选取拼成率最大值时的候选绕路距离阈值,所述被选定的候选绕路距离阈值可以作为第二样本订单子集的匹配阈值。例如,候选绕路距离阈值为3公里时,该第二样本订单子集具有最大拼成率(如,80%),则将候选绕路距离阈值为3公里作为优化后的匹配阈值。
再例如,可以基于不顺路度优化第二样本订单子集的初始匹配阈值。在一些实施例中,不顺路度可以基于用户反馈确定,所述用户反馈可以通过线上问卷调查、订单评价等方式获取。根据用户对第二样本订单子集中订单的不顺路程度的反馈,可以得到第二样本订单子集中不顺路订单的比例,即为不顺路度。例如,第二样本订单子集中包括对应某特定的ODT线路的100个订单,经统计得到有8单用户反馈订单不顺路,则该第二样本订单子集的不顺路度为8%。可以进一步基于所述不顺路度,确定该第二样本订单子集(或该ODT线路)对应的不顺路度区间(例如,8%~15%)。不顺路度还可以为其他形式,例如用0~10之间的值进行表示,本申请对此不作限制。对于各候选匹配阈值,可以计算该候选匹配阈值对应的不顺路度。在匹配阈值优化时,可以将不顺路度在所述不顺路度区间内的候选匹配阈值作为第二样本订单子集对应的匹配阈值。
在一些实施例中,可以使用机器学习模型计算候选匹配阈值对应的不顺路度。所述机器学习模型可以基于训练数据,利用机器学习算法(例如,Policy Gradient算法)训练而成。例如,训练数据可以包括历史拼车订单的特征信息(例如,计费比、里程比等)和不顺路度评分。在应用时,可以针对各候选匹配阈值,预测该阈值下第二样本订单中可以拼车的订单。对候选匹配阈值对应的每个预测的拼车订单,可以将该订单的特征信息输入机器学习模型,得到其不顺路度。可选地,基于各预测的拼车订单的不顺路度,可以确定其不顺路度分值。例如,模型输出得到为不顺路度10%,即顺路程度为90%,可对该拼车单打9分;若输出不顺路度为20%,可对拼车单打8分。根据预测的拼车订单的不顺路度得分,可确定该候选匹配阈值对应的不顺路度,例如不顺路度可以为不顺路度评分大于一定阈值的预测拼车订单占总预测拼车订单数(或第二样本订单总数)的比例。如果候选匹配阈值对应的不顺路度不在上文所述的不顺路度范围内,可以剔除该候选匹配阈值。
在一些实施例中,在优化初始匹配阈值确定匹配阈值过程中,可以将不顺路度作为约束指标。仅作为示例,假设初始匹配阈值为初始绕路距离阈值,需要对初始绕路距离阈值进行梯度划分以确定候选绕路距离阈值,并从中选择使成交总额最大的绕路距离阈值。在选择时,需要进一步确定各候选绕路阈值对应的不顺路度是否在上文所述的不顺路度区间内。如果某候选绕路距离阈值的不顺路度不在不顺路度区间内,则认为该候选绕路距离阈值不满足约束条件,不能被选为绕路距离阈值。如果某候选绕路距离阈值的不顺路度在不顺路度区间内且能其对应的交易总额最大,则该候选绕路距离会被选为最终的绕路距离阈值。
在一些实施例中,还可以基于多个业务指标参数优化第二样本订单子集的初始匹配阈值。例如,可以基于不同场景的需求,对多个业务指标参数设置不同的权重,计算各候选匹配阈值对应的业务指标参数的加权和,并从中选择加权和最大的候选匹配阈值作为第二样本订单子集的匹配阈值。例如,成交总额相较于拼成率、计费比等具有更重要的商业意义,可以将成交总额设置为较大的权重,将其他业务指标参数设置较小的权重。由此,可以综合考虑基于多个业务指标参数,确定第二样本订单子集的匹配阈值,以实现拼车系统100的效益最大化。
在一些实施例中,可以依一定顺序或同时确定至少两个第二订单子集对应的匹配阈值。可选地,可以采用贪心算法进行调整。具体的,可以选择无拼乘关系的至少两个第二样本订单子集同时调整其对应的初始匹配阈值,得到相应的候选匹配阈值(调整初始匹配阈值得到相应的候选匹配阈值的更多内容可以参见上述描述,在此不作赘述);然后根据每个候选匹配阈值,计算第二样本订单子集的业务指标参数的值,从而使得对与至少两个第二样本订单子集具有拼乘关系的其他样本订单子集的影响降到最低。最后选取业务指标参数最大值或最小值对应的候选匹配阈值作为第二样本订单子集的匹配阈值。例如,有两个样本订单子集的ODT线路分别位于回龙观区域和望京区域,通常情况下这两个样本订单子集无拼乘关系,则可以基于贪心策略同时对这两个互相无影响的ODT线路的初始匹配阈值进行调整,得到匹配阈值,对调整后的匹配阈值进行固定后,再调整其余互相无影响的ODT线路的初始匹配阈值。
在一些实施例中,采用贪心算法调整匹配阈值时,若至少两个第二样本订单子集可能会拼车成功,则上述至少两个第二样本订单子集的匹配阈值可能会相互影响,可以同时调整其对应的初始匹配阈值,得到相应的多个候选匹配阈值组合;然后根据每个候选匹配阈值组合,分别计算该至少两个第二样本订单子集的业务指标参数的值。最后选取业务指标参数最大值或最小值对应的候选匹配阈值组合作为至少两个第二样本订单子集的匹配阈值。例如,有两个样本订单子集的ODT线路都位于回龙观区域,这两个样本订单子集有拼乘关系,则可以基于贪心策略同时对这两个ODT线路的初始匹配阈值进行调整,得到多组候选匹配阈值组合,选取GMV为最大值时的候选匹配阈值组合分别作为上述两个样本订单子集的ODT线路对应的匹配阈值,对该匹配阈值进行固定后,再调整其余有拼成关系的ODT线路的初始匹配阈值。
应当注意的是,上述有关流程生成匹配阈值表方法的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程生成匹配阈值表方法行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,根据不顺路度确定匹配阈值的形式可以由其他变形。
本申请实施例可能带来的有益效果包括但不限于:(1)根据订单的特征(例如,起点位置、终点位置、出发时间等)确定匹配阈值。相比采用固定的匹配阈值,本申请实施例可以根据不同的应用场景,灵活调整订单的匹配阈值,以提高拼车效率;(2)可以基于成交总额、拼成率、计费比、不顺路度等业务指标参数确定匹配阈值,以提高各业务指标参数,同时优化用户的乘车体验,提高服务质量;(3)基于至少两个订单的订单信息,通过拼单分值预测模型确定至少两个订单的拼单分值,并与匹配阈值进行比较,可以更好地预测拼车成功后的匹配程度,提升了用户的出行体验;(4)可以预先生成匹配阈值表,通过查找匹配阈值表确定实时订单的匹配阈值,这可以提高匹配阈值的确定效率。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (22)
1.一种确定拼车订单的方法,其特征在于,所述方法包括:
获取第一订单的订单信息和至少一个第二订单的订单信息;
基于所述第一订单的订单信息和所述至少一个第二订单的订单信息,确定所述第一订单和至少一个第二订单的匹配参数;
基于所述第一订单的订单信息,确定所述第一订单的匹配阈值;以及
基于所述匹配参数和所述匹配阈值,确定是否将所述第一订单和所述至少一个第二订单进行拼车。
2.如权利要求1所述的方法,其特征在于,所述匹配参数包括绕路时间、绕路距离、拼单分值中的至少一种。
3.如权利要求1或2所述的方法,其特征在于,所述匹配参数为拼单分值;
基于所述第一订单的订单信息和所述至少一个第二订单的订单信息,确定所述第一订单和至少一个第二订单的匹配参数包括:
获取拼单分值预测模型;以及
将所述第一订单的订单信息和所述至少一个第二订单的订单信息输入所述拼单分值预测模型,以确定所述第一订单和至少一个第二订单的拼单分值。
4.如权利要求1或2所述的方法,其特征在于,所述基于第一订单的订单信息,确定所述第一订单的匹配阈值包括:
获取匹配阈值表,所述匹配阈值表记录订单特征和匹配阈值的对应关系;以及
基于所述第一订单的订单信息,通过查找所述匹配阈值表确定所述第一订单的匹配阈值。
5.如权利要求4所述的方法,其特征在于,所述匹配阈值表经由匹配阈值表生成过程生成,所述匹配阈值表生成过程包括:
获取至少两个第一样本订单的第一样本订单信息;以及
利用所述第一样本订单信息训练多Agent强化学习模型,以生成所述匹配阈值表。
6.如权利要求5所述的方法,其特征在于,所述匹配阈值表包括至少两个时间片的至少两张匹配阈值表,每张匹配阈值表记录其对应时间片中订单特征和匹配阈值的对应关系;
所述利用所述第一样本订单信息训练多Agent强化学习模型,以生成所述匹配阈值表包括:
对所述至少两个第一样本订单进行聚类以得到至少两个第一子集,每个第一子集对应一个时间片;以及
对每个时间片,基于其对应的第一子集的第一样本订单信息,使用奖励函数训练多Agent强化学习模型,以生成所述时间片的匹配阈值表。
7.如权利要求6所述的方法,其特征在于,所述至少两个时间片的至少两张阈值匹配表是按时间顺序依次生成。
8.如权利要求4所述的方法,其特征在于,所述匹配阈值表经由匹配阈值表生成过程生成,所述匹配阈值表生成过程包括:
获取至少两个第二样本订单的第二样本订单信息;
对所述至少两个第二样本订单进行聚类,以得到至少一个第二样本订单子集;
对每个第二样本订单子集,设置初始匹配阈值;以及
对每个第二样本订单子集,基于业务指标参数,优化所述第二样本订单子集的初始匹配阈值以得到其匹配阈值,所述匹配阈值表包括每个第二样本订单子集的匹配阈值。
9.如权利要求8所述的方法,其特征在于,所述基于业务指标参数,优化所述第二样本订单子集的初始匹配阈值包括:
基于所述初始匹配阈值,确定至少两个候选匹配阈值;
对每个候选匹配阈值,确定所述第二样本订单子集的业务指标参数的值;以及
选择业务指标参数的最大值或最小值对应的候选匹配阈值,作为所述第二样本订单子集的匹配阈值。
10.如权利要求1或2所述的方法,其特征在于,所述方法还包括:
响应于对所述第一订单和所述至少一个第二订单进行拼车的确定结果,对所述第一订单和所述至少一个第二订单进行派单。
11.一种确定拼车订单的系统,其特征在于,所述系统包括获取模块、匹配参数确定模块、匹配阈值确定模块和拼车确定模块;其中:
所述获取模块,用于获取第一订单的订单信息和至少一个第二订单的订单信息;
所述匹配参数确定模块,用于基于所述第一订单的订单信息和所述至少一个第二订单的订单信息,确定所述第一订单和至少一个第二订单的匹配参数;
所述匹配阈值确定模块,用于基于所述第一订单的订单信息,确定所述第一订单的匹配阈值;以及
所述拼车确定模块,用于基于所述匹配参数和所述匹配阈值,确定是否将所述第一订单和所述至少一个第二订单进行拼车。
12.如权利要求11所述的系统,其特征在于,所述匹配参数包括绕路时间、绕路距离、拼单分值中的至少一种。
13.如权利要求11或12所述的系统,其特征在于,所述匹配参数为拼单分值;
所述匹配参数确定模块还用于:
获取拼单分值预测模型;以及
将所述第一订单的订单信息和所述至少一个第二订单的订单信息输入所述拼单分值预测模型,以确定所述第一订单和至少一个第二订单的拼单分值。
14.如权利要求11或12所述的系统,其特征在于,所述匹配阈值确定模块还用于:
获取匹配阈值表,所述匹配阈值表记录订单特征和匹配阈值的对应关系;以及
基于所述第一订单的订单信息,通过查找所述匹配阈值表确定所述第一订单的匹配阈值。
15.如权利要求14所述的系统,其特征在于,所述匹配阈值表经由匹配阈值表生成模块生成,所述匹配阈值表生成模块用于:
获取至少两个第一样本订单的第一样本订单信息;以及
利用所述第一样本订单信息训练多Agent强化学习模型,以生成所述匹配阈值表。
16.如权利要求15所述的系统,其特征在于,所述匹配阈值表包括至少两个时间片的至少两张匹配阈值表,每张匹配阈值表记录其对应时间片中订单特征和匹配阈值的对应关系;
所述匹配阈值表生成模块还用于:
对所述至少两个第一样本订单进行聚类以得到至少两个第一子集,每个第一子集对应一个时间片;以及
对每个时间片,基于其对应的第一子集的第一样本订单信息,使用奖励函数训练多Agent强化学习模型,以生成所述时间片的匹配阈值表。
17.如权利要求16所述的系统,其特征在于,所述至少两个时间片的至少两张阈值匹配表是按时间顺序依次生成。
18.如权利要求14所述的系统,其特征在于,所述匹配阈值表经由匹配阈值表生成模块生成,所述匹配阈值表生成模块还用于:
获取至少两个第二样本订单的第二样本订单信息;
对所述至少两个第二样本订单进行聚类,以得到至少一个第二样本订单子集;
对每个第二样本订单子集,设置初始匹配阈值;以及
对每个第二样本订单子集,基于业务指标参数,优化所述第二样本订单子集的初始匹配阈值,以得到其匹配阈值,所述匹配阈值表包括每个第二样本订单子集的匹配阈值。
19.如权利要求18所述的系统,其特征在于,所述匹配阈值表生成模块还用于:
基于所述初始匹配阈值,确定至少两个候选匹配阈值;
对每个候选匹配阈值,确定所述第二样本订单子集的业务指标参数的值;以及
选择业务指标参数的最大值或最小值对应的候选匹配阈值,作为所述第二样本订单子集的匹配阈值。
20.如权利要求11或12所述的系统,其特征在于,所述系统还包括派单模块;所述派单模块用于:
响应于对所述第一订单和所述至少一个第二订单进行拼车的确定结果,对所述第一订单和所述至少一个第二订单进行派单。
21.一种确定拼车订单的装置,其特征在于,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现如权利要求1~10中任一项所述的方法。
22.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行如权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010798337.7A CN111932341A (zh) | 2020-08-10 | 2020-08-10 | 一种确定拼车订单的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010798337.7A CN111932341A (zh) | 2020-08-10 | 2020-08-10 | 一种确定拼车订单的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111932341A true CN111932341A (zh) | 2020-11-13 |
Family
ID=73308168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010798337.7A Pending CN111932341A (zh) | 2020-08-10 | 2020-08-10 | 一种确定拼车订单的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932341A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561164A (zh) * | 2020-12-16 | 2021-03-26 | 北京嘀嘀无限科技发展有限公司 | 拼车服务提供方法、装置及电子设备 |
CN113255948A (zh) * | 2021-05-26 | 2021-08-13 | 首约科技(北京)有限公司 | 一种提高拼车准确率的匹配策略方法 |
CN113516526A (zh) * | 2020-11-16 | 2021-10-19 | 南京信息工程大学 | 一种单目标优化的单位同事合乘对象匹配方法 |
CN116307586A (zh) * | 2023-03-21 | 2023-06-23 | 无锡尚米企业管理发展有限公司 | 基于线上订单信息进行分配的代驾管理系统 |
CN117575298A (zh) * | 2024-01-16 | 2024-02-20 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529776A (zh) * | 2016-10-31 | 2017-03-22 | 合肥工业大学 | 多智能体自主协同任务分配方法 |
CN107203824A (zh) * | 2016-03-18 | 2017-09-26 | 滴滴(中国)科技有限公司 | 一种拼车订单分配方法及装置 |
CN108734950A (zh) * | 2017-04-18 | 2018-11-02 | 北京嘀嘀无限科技发展有限公司 | 拼车方法及装置、网络约车方法及装置 |
CN109478275A (zh) * | 2017-06-16 | 2019-03-15 | 北京嘀嘀无限科技发展有限公司 | 分配服务请求的系统和方法 |
CN110110871A (zh) * | 2018-02-01 | 2019-08-09 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和系统 |
KR20190142181A (ko) * | 2018-06-15 | 2019-12-26 | 한국과학기술원 | 베스트 에이전트의 정책으로 안내되는 다중 에이전트 ppo 알고리즘 |
-
2020
- 2020-08-10 CN CN202010798337.7A patent/CN111932341A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203824A (zh) * | 2016-03-18 | 2017-09-26 | 滴滴(中国)科技有限公司 | 一种拼车订单分配方法及装置 |
CN106529776A (zh) * | 2016-10-31 | 2017-03-22 | 合肥工业大学 | 多智能体自主协同任务分配方法 |
CN108734950A (zh) * | 2017-04-18 | 2018-11-02 | 北京嘀嘀无限科技发展有限公司 | 拼车方法及装置、网络约车方法及装置 |
CN109478275A (zh) * | 2017-06-16 | 2019-03-15 | 北京嘀嘀无限科技发展有限公司 | 分配服务请求的系统和方法 |
CN110110871A (zh) * | 2018-02-01 | 2019-08-09 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和系统 |
KR20190142181A (ko) * | 2018-06-15 | 2019-12-26 | 한국과학기술원 | 베스트 에이전트의 정책으로 안내되는 다중 에이전트 ppo 알고리즘 |
Non-Patent Citations (2)
Title |
---|
BILALI A ET AL.: "Analytical and Agent-based Model to Evaluate Ridepooling Impact Factors", 《TRANSPORTATION RESEARCH RECORD》, vol. 2674, no. 6, 31 May 2020 (2020-05-31), pages 1 - 12, XP055821814, DOI: 10.1177/0361198120917666 * |
MINNE L ET AL.: "Efficient Ridesharing Order Dispatching with Mean Field Multi-Agent Reinforcement Learning", 《THE WORLD WIDE WEB CONFERENCE》, 17 May 2019 (2019-05-17) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516526A (zh) * | 2020-11-16 | 2021-10-19 | 南京信息工程大学 | 一种单目标优化的单位同事合乘对象匹配方法 |
CN113516526B (zh) * | 2020-11-16 | 2023-06-23 | 南京信息工程大学 | 一种单目标优化的单位同事合乘对象匹配方法 |
CN112561164A (zh) * | 2020-12-16 | 2021-03-26 | 北京嘀嘀无限科技发展有限公司 | 拼车服务提供方法、装置及电子设备 |
CN113255948A (zh) * | 2021-05-26 | 2021-08-13 | 首约科技(北京)有限公司 | 一种提高拼车准确率的匹配策略方法 |
CN116307586A (zh) * | 2023-03-21 | 2023-06-23 | 无锡尚米企业管理发展有限公司 | 基于线上订单信息进行分配的代驾管理系统 |
CN116307586B (zh) * | 2023-03-21 | 2023-09-29 | 无锡尚米企业管理发展有限公司 | 基于线上订单信息进行分配的代驾管理系统 |
CN117575298A (zh) * | 2024-01-16 | 2024-02-20 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
CN117575298B (zh) * | 2024-01-16 | 2024-04-30 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI638320B (zh) | 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體 | |
CN111932341A (zh) | 一种确定拼车订单的方法和系统 | |
CN109416878B (zh) | 用于推荐预计到达时间的系统和方法 | |
CN110537212B (zh) | 确定预估到达时间的系统与方法 | |
CN111881713A (zh) | 一种识别违停地点的方法、系统、装置及存储介质 | |
CN111859178B (zh) | 一种推荐上车点的方法和系统 | |
CN111859173A (zh) | 一种上车点推荐方法和系统 | |
CN111861618A (zh) | 一种上车点推荐方法和系统 | |
CN110839346A (zh) | 用于分配服务请求的系统和方法 | |
CN112041858B (zh) | 提供出行建议的系统和方法 | |
CN111861647A (zh) | 一种推荐上车点的方法和系统 | |
CN112419729B (zh) | 一种根据预测车流量确定决策策略的方法和系统 | |
CN112270427A (zh) | 一种推荐上车点的方法和系统 | |
CN110782648B (zh) | 确定预计到达时间的系统和方法 | |
CN111433795A (zh) | 一种确定线上到线下服务的预估到达时间的系统和方法 | |
US11797931B1 (en) | Systems and methods for adaptive route optimization for learned task planning | |
US12079778B1 (en) | Systems and methods for classifying a vehicular trip as for personal use or for work based upon similarity in operation features | |
CN111881225A (zh) | 一种修正上车点名称的方法和系统 | |
CN111882112B (zh) | 一种预测到达时间的方法和系统 | |
CN111931081A (zh) | 一种上车点推荐方法及系统 | |
CN111881368A (zh) | 一种确定推荐上车点的方法和系统 | |
CN111881369B (zh) | 一种推荐上车点名称准确性检测方法和系统 | |
CN111400425B (zh) | 一种路径自动优化选择的方法和系统 | |
Daduna | Evolution of public transport in rural areas-new technologies and digitization | |
CN111858788A (zh) | 一种拼车上车点的推荐方法和系统 |
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 |