CN111967720B - 一种网约车的调度方法和系统 - Google Patents

Abstract

本发明实施例提供了一种网约车的调度方法和系统，其中，所述方法包括：在提单操作成功之后，获取表示提单操作对应的操作时间点到当前时间点之间的时间段的等待时间；根据等待时间和调度模型实时预估等待时间之后的接单前取消的概率，接单前取消的概率表示乘客在司机接受约车订单之前取消约车订单的概率；将接单前取消的概率和接单后取消的概率进行比较得到比较结果，根据比较结果和准入策略对网约车进行调度，接单后取消的概率表示司机接受约车订单之后取消约车订单的概率。本发明实施例增加了接单前取消的概率，扩展了乘客方面的调度条件，使得调度条件更全面，从而提高调度成功率。

Description

一种网约车的调度方法和系统

技术领域

本发明涉及互联网技术领域，特别是涉及一种网约车的调度方法和系统。

背景技术

随着移动互联网的发展，网约车成为了人们常用的出行方式。乘客执行提单操作之后，调度系统将约车订单派单给司机。目前，通过预先设置的准入策略控制派单，以选择更优的司机，从而降低司机接单后取消约车订单的概率。

常见的准入策略包含两部分内容：

1)准入过滤规则：根据预先设置的预估接驾距离的阈值、预估接驾时间的阈值、预估接单后取消率的阈值，控制司机的质量，减少接单后取消约车订单的情况。

2)准入熔断规则：放开快要取消的约车订单。即随着司机被准入过滤规则的控制，司机等待时间不断增加，司机接单前乘客取消约车订单的风险会增加。当司机与乘客之间执行准入过滤规则的次数超过一定阈值时，执行准入熔断规则，不再执行准入过滤规则。

但是，常见的准入策略仅仅从司机方面实现对网约车进行调度，调度条件不全面，调度成功率不高。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种网约车的调度方法和系统。

为了解决上述问题，根据本发明实施例的第一方面，公开了一种网约车的调度方法，包括：在提单操作成功之后，获取等待时间，所述等待时间表示所述提单操作对应的操作时间点到当前时间点之间的时间段；根据所述等待时间和预先训练完毕的调度模型实时预估所述等待时间之后的接单前取消的概率，所述接单前取消的概率表示乘客在司机接受约车订单之前取消约车订单的概率；将所述接单前取消的概率和预先获取的接单后取消的概率进行比较得到比较结果，根据所述比较结果和预设的准入策略对网约车进行调度，所述接单后取消的概率表示司机接受约车订单之后取消约车订单的概率。

可选地，所述根据所述比较结果和预设的准入策略对网约车进行调度，包括：当所述比较结果表示所述接单前取消的概率小于所述接单后取消的概率时，按照所述准入策略的准入过滤规则对网约车进行调度；当所述比较结果表示所述接单前取消的概率大于或等于所述接单后取消的概率时，按照所述准入策略的准入熔断规则对网约车进行调度。

可选地，所述方法还包括：根据所述等待时间和所述调度模型实时预估所述等待时间之内的派单的概率，所述派单的概率表示约车订单被派发到司机的概率。

可选地，所述方法还包括：当所述派单的概率小于预设的概率阈值时，按照所述准入过滤规则对网约车进行调度；当所述派单的概率大于或等于所述概率阈值时，按照所述准入熔断规则对网约车进行调度。

可选地，所述调度模型的训练步骤，包括：获取多个约车订单的训练样本，所述训练样本包含订单取消样本和订单派单样本，所述订单取消样本中的取消时间和所述订单派单样本中的派单时间均服从混合指数分布；根据所述订单派单样本生成所述派单时间的概率密度函数和累积分布函数，根据所述订单取消样本生成所述取消时间的概率密度函数和累积分布函数；根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述调度模型的损失函数；根据所述损失函数和所述训练样本训练得到所述调度模型。

可选地，所述根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述调度模型的损失函数，包括：根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述等待时间的样本概率，所述样本概率表示约车订单在所述等待时间之后被取消的概率或者被派单的概率；根据所述样本概率确定目标函数；获取所述训练样本的特征数据，根据所述目标函数和所述特征数据估算所述取消时间的概率密度函数的率参数和所述派单时间的概率密度函数的率参数；根据所述取消时间的概率密度函数的率参数和所述派单时间的概率密度函数的率参数，以及，所述样本概率生成所述损失函数。

根据本发明实施例的第二方面，还公开了一种网约车的调度系统，包括：获取模块，用于在提单操作成功之后，获取等待时间，所述等待时间表示所述提单操作对应的操作时间点到当前时间点之间的时间段；预估模块，用于根据所述等待时间和预先训练完毕的调度模型实时预估所述等待时间之后的接单前取消的概率，所述接单前取消的概率表示乘客在司机接受约车订单之前取消约车订单的概率；调度模块，用于将所述接单前取消的概率和预先获取的接单后取消的概率进行比较得到比较结果，根据所述比较结果和预设的准入策略对网约车进行调度，所述接单后取消的概率表示司机接受约车订单之后取消约车订单的概率。

可选地，所述调度模块，用于当所述比较结果表示所述接单前取消的概率小于所述接单后取消的概率时，按照所述准入策略的准入过滤规则对网约车进行调度；当所述比较结果表示所述接单前取消的概率大于或等于所述接单后取消的概率时，按照所述准入策略的准入熔断规则对网约车进行调度。

可选地，所述预估模块，还用于根据所述等待时间和所述调度模型实时预估所述等待时间之内的派单的概率，所述派单的概率表示约车订单被派发到司机的概率。

可选地，所述调度模块，还用于当所述派单的概率小于预设的概率阈值时，按照所述准入过滤规则对网约车进行调度；当所述派单的概率大于或等于所述概率阈值时，按照所述准入熔断规则对网约车进行调度。

可选地，所述系统还包括：训练模块，用于训练所述调度模型；所述训练模块，包括：样本训练模块，用于获取多个约车订单的训练样本，所述训练样本包含订单取消样本和订单派单样本，所述订单取消样本中的取消时间和所述订单派单样本中的派单时间均服从混合指数分布；函数生成模块，用于根据所述订单派单样本生成所述派单时间的概率密度函数和累积分布函数，根据所述订单取消样本生成所述取消时间的概率密度函数和累积分布函数；所述函数生成模块，还用于根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述调度模型的损失函数；模型训练模块，用于根据所述损失函数和所述训练样本训练得到所述调度模型。

可选地，所述函数生成模块，包括：样本概率生成模块，用于根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述等待时间的样本概率，所述样本概率表示约车订单在所述等待时间之后被取消的概率或者被派单的概率；目标函数确定模块，用于根据所述样本概率确定目标函数；率参数估算模块，用于获取所述训练样本的特征数据，根据所述目标函数和所述特征数据估算所述取消时间的概率密度函数的率参数和所述派单时间的概率密度函数的率参数；损失函数生成模块，用于根据所述取消时间的概率密度函数的率参数和所述派单时间的概率密度函数的率参数，以及，所述样本概率生成所述损失函数。

本发明实施例包括以下优点：

本发明实施例提供了一种网约车的调度方案，在乘客执行提单操作并在提单操作成功之后，获取等待时间。该等待时间可以表示提单操作对应的操作时间点到当前时间点之间的时间段。然后，根据等待时间和预先训练完毕的调度模型实时预估等待时间之后的接单前取消的概率。该接单前取消的概率可以表示乘客在司机接受约车订单之前取消约车订单的概率。进而，将接单前取消的概率与预先获取的接单后取消的概率进行比较得到比较结果，根据比较结果和预设的准入策略对网约车进行调度。该接单后取消的概率可以表示司机接受约车订单之后取消约车订单的概率。

本发明实施例可以利用调度模型实时预估等待时间之后的接单前取消的概率，并根据接单前取消的概率和接单后取消的概率的比较结果和准入策略对网约车进行调度。调度过程中增加了接单前取消的概率，扩展了乘客方面的调度条件，使得调度条件更全面，从而提高调度成功率。

附图说明

图1是本发明的一种网约车的调度方法实施例的步骤流程图；

图2是本发明的一种调度模型的训练过程流程图；

图3是本发明的取消时间的直方图；

图4是本发明的派单时间的直方图；

图5是本发明的一种网约车的调度系统实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明的一种网约车的调度方法实施例的步骤流程图，该网约车的调度方法可以应用于约车服务器中。本发明实施例对约车服务器、的类型、型号、配置、操作系统等不做具体限制。该网约车的调度方法具体可以包括如下步骤：

步骤101，在提单操作成功之后，获取等待时间。

在本发明的实施例中，乘客执行提单操作，即乘客提交约车订单。在乘客提交约车订单成功之后，获取提单操作对应的操作时间点到当前时间点之间的时间段，该操作时间点到当前时间点之间的时间段即等待时间。通常，等待时间是动态变化的。例如，提单操作对应的操作时间点为08：00，当前时间点为08：02，则等待时间为2分钟。

步骤102，根据等待时间和预先训练完毕的调度模型实时预估等待时间之后的接单前取消的概率。

在本发明的实施例中，调度模型可以用于预估等待时间之后的接单前取消的概率。该接单前取消的概率可以表示乘客在司机接受约车订单之前取消约车订单的概率。该接单前取消的概率为乘客方面的调度条件。通常，等待时间越长，预估得到的接单前取消的概率越高。

步骤103，将接单前取消的概率和预先获取的接单后取消的概率进行比较得到比较结果，根据比较结果和预设的准入策略对网约车进行调度。

在本发明实施例中，接单后取消的概率可以表示司机接受约车订单之后取消约车订单的概率。将接单前取消的概率与接单后取消的概率进行比较得到比较结果，进而根据比较结果和准入策略对网约车进行调度。通常，该准入策略可以包含准入过滤规则和准入熔断规则两部分内容。准入过滤规则中可以预先设置预估接驾距离的阈值、预估接驾时间的阈值、预估接单后取消率的阈值。利用司机的当前接驾距离与预估接驾距离阈值进行比较，如果当前接驾距离大于预估接驾距离阈值，则认为该司机的质量低，将该司机过滤掉。利用司机的当前接驾时间与预估接驾时间的阈值进行比较，如果当前接驾时间大于预估接驾时间的阈值，则认为该司机的质量低，将该司机过滤掉。利用司机的当前接单后取消率与预估接单后取消率的阈值进行比较，如果当前接单后取消率大于预估接单后取消率的阈值，则认为该司机的质量低，将该司机过滤掉。而且，准入熔断规则中可以预先设置过滤次数的阈值，当司机的准入过滤的次数大于过滤次数的阈值时，不再执行准入过滤规则。

本发明实施例提供了一种网约车的调度方案，在乘客执行提单操作并在提单操作成功之后，获取等待时间。该等待时间可以表示提单操作对应的操作时间点到当前时间点之间的时间段。然后，根据等待时间和预先训练完毕的调度模型实时预估等待时间之后的接单前取消的概率。该接单前取消的概率可以表示乘客在司机接受约车订单之前取消约车订单的概率。进而，将接单前取消的概率与预先获取的接单后取消的概率进行比较得到比较结果，根据比较结果和预设的准入策略对网约车进行调度。该接单后取消的概率可以表示司机接受约车订单之后取消约车订单的概率。

本发明实施例可以利用调度模型实时预估等待时间之后的接单前取消的概率，并根据接单前取消的概率和接单后取消的概率的比较结果和准入策略对网约车进行调度。调度过程中增加了接单前取消的概率，扩展了乘客方面的调度条件，使得调度条件更全面，从而提高调度成功率。

在本发明的一种示例性实施例中，在执行步骤103的过程中，根据比较结果和准入策略对网约车进行调度时，若比较结果表示接单前取消的概率小于接单后取消的概率，则按照准入策略的准入过滤规则对网约车进行调度。若比较结果表示接单前取消的概率大于或等于接单后取消的概率，则按照准入策略的准入熔断规则对网约车进行调度。

在本发明的一种示例性实施例中，除了可以根据等待时间和调度模型实时预估等待时间之后的接单前取消的概率，还可以根据等待时间和调度模型实时预估等待时间之内的派单的概率。该派单的概率可以表示约车订单被派发到司机的概率。进一步地，可以将派单的概率与预设的概率阈值进行比较，当派单的概率小于预设的概率阈值时，可以按照准入过滤规则对网约车进行调度；当派单的概率大于或等于概率阈值时，可以按照准入熔断规则对网约车进行调度。

在本发明的一种示例性实施例中，参照图2，上述调度模型的训练过程可以包括如下步骤：

步骤201，获取多个约车订单的训练样本。

在本发明的实施例中，约车订单的训练样本可以包含订单取消样本和订单派单样本。而且，订单取消样本中的取消时间和订单派单样本中的派单时间均服从指数分布。其中，取消时间可以表示从乘客提交约车订单，到司机接单之前乘客取消约车订单之间的时间段。派单时间可以表示从乘客提交约车订单，到给司机派发约车订单之间的时间段。

参照图3，示出了取消时间(user_cancel_time)的直方图。横坐标表示取消时间的分桶，纵坐标表示频率(frequency)，纵坐标也可以理解为概率。图3表示取消时间大部分在200秒以内，300秒之后的分桶的概率非常低。参照图4，示出了派单时间(dispatch_time)的直方图。横坐标表示派单时间的分桶，纵坐标表示频率(frequency)，纵坐标也可以理解为概率。图4表示派单时间大部分在10秒以内。

a)根据对图3和图4的分析，总能找到K个混合的指数分布，近似得到派单时间的分布情况和取消时间的分布情况。因此，提出取消时间和派单时间均服从很合指数分布的假设。

b)对单个指数分布建模，然后推广到混合指数分布。其中，单个指数分布时混合指数分布的特殊情况。

针对约车订单创建之后被取消的订单取消样本，有以下两方面信息可以利用：

①取消的时间发生在t；

②在t的时间内没有被派单。

同理，针对约车订单创建之后被派单的订单派单样本，有以下两方面信息可以利用：

③派单的时间发生在t；

④在t的时间内没有被取消。

设约车订单的派单时间、接单前取消时间服从指数分布：

P(X)＝λe^-λX

其中，X表示随机变量，可以为派单时间或者接单前取消时间，X服从指数概率分布，P表示X的概率密度函数，λ是概率密度函数的率参数。

约车订单的派单时间、接单前取消时间服从累积分布：

其中，X表示随机变量，可以为派单时间或者接单前取消时间，X服从指数概率分布，F表示X的累积分布函数，λ是累积分布函数的率参数。

步骤202，根据订单派单样本生成派单时间的概率密度函数和累积分布函数，根据订单取消样本生成取消时间的概率密度函数和累积分布函数。

在本发明的实施例中，由上述可知，派单时间的概率密度函数为 派单时间的累积分布函数为F_d(X)。接单前取消时间的概率密度函数为/>接单前取消时间的累积分布函数为F_c(X)。

步骤203，根据派单时间的概率密度函数和累积分布函数，以及，取消时间的概率密度函数和累积分布函数生成调度模型的损失函数。

在本发明的一种示例性实施例中，在生成调度模型的损失函数时，可以根据派单时间的概率密度函数和累积分布函数，以及，取消时间的概率密度函数和累积分布函数生成等待时间的样本概率。其中，样本概率可以表示约车订单在等待时间之后被取消的概率或者被派单的概率。若训练样本在等待时间后派单，则等待时间之后被派单的概率为P_d(X)(1-F_c(X))，其中，1-F_c(X)表示到等待时间为止，未观测到取消事件的概率。若训练样本在等待时间后被取消，则等待时间之后被取消的概率为P_c(X)(1-F_d(X))，其中，1-F_d(X)表示到等待时间为止，未观测到派单事件的概率。

如果存在训练样本(X_i,Y_i)，Y_i＝1表示该训练样本为订单派单样本，Y_i＝0表示该训练样本为订单取消样本，X_i为派单时间或接单前取消时间，则样本概率可以表示为：

则样本概率的对数似然函数为：

将最大化对数似然函数作为目标函数：

即实现了根据样本概率确定目标函数的过程。

c)根据目标函数推导出调度模型结构

获取训练样本的特征数据，该特征数据可以包含用户特征、提单特征和时空特征等。根据特征数据和目标函数估算接单前取消时间的概率密度函数的率参数和派单时间的概率密度函数的率参数。

由于概率密度函数的率参数大于零，调度模型的输出不能直接代入目标函数进行训练。根据广义线性模型的定义，调度模型的对数似然函数为：

logL＝Y_i(logλ_d-(λ_d+λ_c)X_i)+(1-Y_i)(logλ_c-(λ_d+λ_c)X_i)

＝Y_ilogλ_d-Y_i(λ_d+λ_c)X_i+(1-Y_i)logλ_c-(λ_d+λ_c)X_i+Y_i(λ_d+λ_c)X_i

＝Y_ilogλ_d+(1-Y_i)logλ_c-(λ_d+λ_c)X_i＝(Y_i,1-Y_i,X_i)·(logλ_d,logλ_c,-(λ_d+λ_c))对数似然函数的似然函数为：

exp((Y_i,1-Y_i,X_i)·(logλ_d,logλ_c,-(λ_d+λ_c)))

其中，(Y_i,1-Y_i,X_i)是充分统计量，令η＝(logλ_d,logλ_c,-(λ_d+λ_c))，η是广义线性模型的自然参数，对应调度模型的输出。

令η₀＝logλ_d,η₁＝logλ_c，则λ_d＝exp(η₀),λ_c＝exp(η₁)，自然地有η₂＝-(exp(η₀)+exp(η₁))，得到指数函数exp为调度模型的连接函数。

η_d＝net_d(O_i),λ_d＝exp(η_d)

η_c＝net_c(O_i),λ_c＝exp(η_c)

其中，λ_d为派单时间的概率密度函数的率参数，λ_c为接单前取消时间的概率密度函数的率参数。

在本发明的一种示例性实施例中，根据取消时间的概率密度函数的率参数和派单时间的概率密度函数的率参数，以及，样本概率生成损失函数。

d)扩展到混合指数分布

假设接单前取消时间和派单时间服从混合指数分布：

其中，π_i是第i个指数分布的概率，P_i(X)是第i个指数分布，令F(X)是P(X)的累积分布函数。P_c(X)、P_d(X)分别是接单前取消时间的指数分布和派单时间的指数分布。

针对订单取消样本和订单派单样本分别推断指数分布的概率。混合指数分布对应的损失函数为：

其中，针对订单派单样本的调度模型的损失函数为：

针对订单取消样本的调度模型的损失函数为：

步骤204，根据损失函数和训练样本训练得到调度模型。

e)订单取消样本可以通过调度模型建模为接单前取消时间小于派单时间的概率。订单派单样本可以通过调度模型建模为派单时间小于接单前取消时间的概率。不同等待时间下取消、派单的训练样本可以通过调度模型建模为不同等待时间下取消或派单的概率。

假设是单指数分布，P^d、P^c分别是单个派单时间分布、取消时间分布的概率密度。约车订单维度的派单概率为：

令混合分布的派单时间的概率密度函数为：

令混合分布的取消时间的概率密度函数为：

假设是混合分布时，约车订单维度的派单概率为：

推导得出t秒内派单的概率为：

其中，第一部分积分等于取消时间大于t的情况下派单的概率，第二部分积分/>等于取消时间小于或等于t的情况下派单的概率。

同理，推导得出t秒时刻接单前取消的概率为：

f)基于调度模型可以设计准入策略

(1)计算t秒内派单的概率和t时刻接单前取消的概率；

(2)若t秒内派单的概率大于概率阈值，则执行准入熔断规则，不再执行准入过滤规则；若t秒内派单的概率小于或等于概率阈值，则执行准入过滤规则。

(3)若t时刻接单前取消的概率小于t时刻接单后取消的概率，则执行准入过滤规则；若t时刻接单前取消的概率大于或等于t时刻接单后取消的概率，则执行准入熔断规则。

本发明实施例提供的网约车的调度方法，考虑到乘客在不同等待时间下的接单前取消订单的概率，通过训练完毕的调度模型可以预估乘客在不同等待时间之后的接单前取消的概率，不仅从订单维度和司机维度对网约车进行调度，还增加了乘客维度的接单前取消的概率，可以全面地对网约车进行调度，进而提高网约车调度的成功率。

本发明实施例提出了指数分布的假设，构建调度模型。基于构建的调度模型可以根据任意等待时间动态输出派单的概率和乘客的接单前取消的概率。而且，可以根据动态输出的派单的概率和乘客的接单前取消的概率设计自适应的准入策略，满足实际的网约车调度需求。

本发明实施例在训练调度模型时，利用包含订单取消样本和订单派单样本的训练样本进行训练，解决了传统的监督学习方法以提单数据为全体样本，以取消订单为标签，没有考虑订单取消样本和订单派单样本之间的影响、互相截断的问题，例如，约车订单在提单后60秒派单，隐含了60秒内没有取消订单的信息，充分利用了全量的约车订单。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图5，示出了本发明的一种网约车的调度系统实施例的结构框图，该网约车的调度系统可以应用于约车服务器中，该网约车的调度系统具体可以包括如下模块：

获取模块51，用于在提单操作成功之后，获取等待时间，所述等待时间表示所述提单操作对应的操作时间点到当前时间点之间的时间段；

预估模块52，用于根据所述等待时间和预先训练完毕的调度模型实时预估所述等待时间之后的接单前取消的概率，所述接单前取消的概率表示乘客在司机接受约车订单之前取消约车订单的概率；

调度模块53，用于将所述接单前取消的概率和预先获取的接单后取消的概率进行比较得到比较结果，根据所述比较结果和预设的准入策略对网约车进行调度，所述接单后取消的概率表示司机接受约车订单之后取消约车订单的概率。

在本发明的一种示例性实施例中，所述调度模块53，用于当所述比较结果表示所述接单前取消的概率小于所述接单后取消的概率时，按照所述准入策略的准入过滤规则对网约车进行调度；当所述比较结果表示所述接单前取消的概率大于或等于所述接单后取消的概率时，按照所述准入策略的准入熔断规则对网约车进行调度。

在本发明的一种示例性实施例中，所述预估模块52，还用于根据所述等待时间和所述调度模型实时预估所述等待时间之内的派单的概率，所述派单的概率表示约车订单被派发到司机的概率。

在本发明的一种示例性实施例中，所述调度模块53，还用于当所述派单的概率小于预设的概率阈值时，按照所述准入过滤规则对网约车进行调度；当所述派单的概率大于或等于所述概率阈值时，按照所述准入熔断规则对网约车进行调度。

在本发明的一种示例性实施例中，所述系统还包括：训练模块，用于训练所述调度模型；

所述训练模块，包括：

样本训练模块，用于获取多个约车订单的训练样本，所述训练样本包含订单取消样本和订单派单样本，所述订单取消样本中的取消时间和所述订单派单样本中的派单时间均服从混合指数分布；

函数生成模块，用于根据所述订单派单样本生成所述派单时间的概率密度函数和累积分布函数，根据所述订单取消样本生成所述取消时间的概率密度函数和累积分布函数；

所述函数生成模块，还用于根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述调度模型的损失函数；

模型训练模块，用于根据所述损失函数和所述训练样本训练得到所述调度模型。

在本发明的一种示例性实施例中，所述函数生成模块，包括：

样本概率生成模块，用于根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述等待时间的样本概率，所述样本概率表示约车订单在所述等待时间之后被取消的概率或者被派单的概率；

目标函数确定模块，用于根据所述样本概率确定目标函数；

率参数估算模块，用于获取所述训练样本的特征数据，根据所述目标函数和所述特征数据估算所述取消时间的概率密度函数的率参数和所述派单时间的概率密度函数的率参数；

损失函数生成模块，用于根据所述取消时间的概率密度函数的率参数和所述派单时间的概率密度函数的率参数，以及，所述样本概率生成所述损失函数。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种网约车的调度方法和系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种网约车的调度方法，其特征在于，包括：

在提单操作成功之后，获取等待时间，所述等待时间表示所述提单操作对应的操作时间点到当前时间点之间的时间段；

根据所述等待时间和预先训练完毕的调度模型实时预估所述等待时间之后的接单前取消的概率，所述接单前取消的概率表示乘客在司机接受约车订单之前取消约车订单的概率；

将所述接单前取消的概率和预先获取的接单后取消的概率进行比较得到比较结果，根据所述比较结果和预设的准入策略对网约车进行调度，所述接单后取消的概率表示司机接受约车订单之后取消约车订单的概率；

所述根据所述比较结果和预设的准入策略对网约车进行调度，包括：

当所述比较结果表示所述接单前取消的概率小于所述接单后取消的概率时，按照所述准入策略的准入过滤规则对网约车进行调度；

当所述比较结果表示所述接单前取消的概率大于或等于所述接单后取消的概率时，按照所述准入策略的准入熔断规则对网约车进行调度；

所述准入过滤规则中预先设置预估接驾距离的阈值、预估接驾时间的阈值、预估接单后取消率的阈值；利用司机的当前接驾距离与预估接驾距离阈值进行比较，如果当前接驾距离大于预估接驾距离阈值，则认为该司机的质量低，将该司机过滤掉；利用司机的当前接驾时间与预估接驾时间的阈值进行比较，如果当前接驾时间大于预估接驾时间的阈值，则认为该司机的质量低，将该司机过滤掉；利用司机的当前接单后取消率与预估接单后取消率的阈值进行比较，如果当前接单后取消率大于预估接单后取消率的阈值，则认为该司机的质量低，将该司机过滤掉；所述准入熔断规则中预先设置过滤次数的阈值，当司机的准入过滤的次数大于过滤次数的阈值时，不再执行准入过滤规则。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述等待时间和所述调度模型实时预估所述等待时间之内的派单的概率，所述派单的概率表示约车订单被派发到司机的概率。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

当所述派单的概率小于预设的概率阈值时，按照所述准入过滤规则对网约车进行调度；

当所述派单的概率大于或等于所述概率阈值时，按照所述准入熔断规则对网约车进行调度。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述调度模型的训练步骤，包括：

获取多个约车订单的训练样本，所述训练样本包含订单取消样本和订单派单样本，所述订单取消样本中的取消时间和所述订单派单样本中的派单时间均服从混合指数分布；

根据所述订单派单样本生成所述派单时间的概率密度函数和累积分布函数，根据所述订单取消样本生成所述取消时间的概率密度函数和累积分布函数；

根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述调度模型的损失函数；

根据所述损失函数和所述训练样本训练得到所述调度模型。

5.根据权利要求4所述的方法，其特征在于，所述根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述调度模型的损失函数，包括：

根据所述派单时间的概率密度函数和累积分布函数，以及，所述取消时间的概率密度函数和累积分布函数生成所述等待时间的样本概率，所述样本概率表示约车订单在所述等待时间之后被取消的概率或者被派单的概率；

根据所述样本概率确定目标函数；

获取所述训练样本的特征数据，根据所述目标函数和所述特征数据估算所述取消时间的概率密度函数的率参数和所述派单时间的概率密度函数的率参数；

根据所述取消时间的概率密度函数的率参数和所述派单时间的概率密度函数的率参数，以及，所述样本概率生成所述损失函数。