CN112561124A - 租车费用预测方法、装置和设备 - Google Patents

租车费用预测方法、装置和设备 Download PDF

Info

Publication number
CN112561124A
CN112561124A CN202011303295.1A CN202011303295A CN112561124A CN 112561124 A CN112561124 A CN 112561124A CN 202011303295 A CN202011303295 A CN 202011303295A CN 112561124 A CN112561124 A CN 112561124A
Authority
CN
China
Prior art keywords
car
car rental
rental
driving mileage
mileage
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
Application number
CN202011303295.1A
Other languages
English (en)
Inventor
熊淑蕾
肖昳璇
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.)
China Unicom Smart Connection Technology Ltd
Original Assignee
China Unicom Smart Connection Technology 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 China Unicom Smart Connection Technology Ltd filed Critical China Unicom Smart Connection Technology Ltd
Priority to CN202011303295.1A priority Critical patent/CN112561124A/zh
Publication of CN112561124A publication Critical patent/CN112561124A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种租车费用预测方法、装置和设备，所述包括：获取历史运营数据，所述历史运营数据包括原车租和多个司机的行驶里程；基于所述原车租、所述行驶里程和预设车租，确定租车收费表，所述租车收费表包括与所述预设车租对应的行驶单价；基于所述行驶里程和所述租车收费表，确定司机租车费用。根据不同司机的行驶里程，预测司机的租车费用，实现了按司机行驶里程的弹性租车收费，即降低了租赁公司的运营风险，又提高了司机的租车意愿。

Description

租车费用预测方法、装置和设备
技术领域
本申请涉及车辆租赁技术领域，特别涉及一种租车费用预测方法、装置和设备。
背景技术
新能源和人工智能是汽车行业未来发展的必然趋势，市场因素对新能源汽车的推动作 用越来越大。
例如，部分厂家之间掀起的网约车大战，将给补贴越来越少的新能源乘用车带来又一 发展机遇，成为当前唯一明确的高频应用场景。大多网约车司机采取“以租代购”的方式， 每个月向租赁公司支付固定月租来获得车辆使用权，但随着网约车市场竞争日渐激烈，司 机奖励、补贴越来越低，一方面，部分司机难以承受高昂的月租而不再向租赁公司续租， 这导致车辆闲置，租赁公司回本周期长、经营困难；另一方面，不同司机的行驶时长、里程存在差异，部分司机无法每天出车，但使用统一的固定月租明显存在不公平性，降低了司机的租车意愿。
发明内容
本申请提供了一种租车费用预测方法、装置和设备，根据不同司机的行驶里程，预测 司机的租车费用，实现了按司机行驶里程的弹性租车收费，即降低了租赁公司的运营风险， 又提高了司机的租车意愿。
第一方面，本申请提供了一种租车费用预测方法，包括：
获取历史运营数据，所述历史运营数据包括原车租和多个司机的行驶里程；
基于所述原车租、所述行驶里程和预设车租，确定租车收费表，所述租车收费表包括 与所述预设车租对应的行驶单价；
基于所述行驶里程和所述租车收费表，确定司机租车费用。
其中一种可能的实现方式中，所述行驶里程包括日行驶里程，所述基于所述原车租、 所述行驶里程和预设车租，确定租车收费表，包括：
基于所述日行驶里程，获得日均行驶里程分布数据，所述日均行驶里程分布数据用于 确定多个司机日均行驶里程的分布情况；
基于所述日均行驶里程分布数据和预设百分位数，确定月最大行驶里程；
基于所述月最大行驶里程、所述预设车租和所述原车租，获得所述行驶单价。
其中一种可能的实现方式中，所述基于所述日均行驶里程分布数据和预设百分位数， 确定月最大行驶里程，包括：
从所述日均行驶分布数据中确定在预设百分位数上的最大日均行驶里程；
基于所述最大日均行驶里程与预设天数之间的乘积，得到月最大行驶里程。
其中一种可能的实现方式中，所述行驶里程包括月行驶里程，所述基于所述原车租、 所述行驶里程和预设车租，确定租车收费表，包括：
基于所述月行驶里程，获得月均行驶里程分布数据，所述月均行驶里程分布数据用于 确定多个司机月均行驶里程的分布情况；
基于所述月均行驶里程分布数据和预设百分位数，确定月最大行驶里程；
基于所述月最大行驶里程、所述预设车租和所述原车租，获得所述行驶单价。
其中一种可能的实现方式中，所述基于所述行驶里程和所述租车收费表，确定司机租 车费用，包括：
对所述行驶里程、多个所述预设车租及其对应的行驶单价进行数学运算，得到多个预 测租车费用：
对多个所述预测租车费用进行比较，得到司机租车费用。
其中一种可能的实现方式中，所述方法还包括：
基于所述历史运营数据，确定司机续租因子，所述续租因子包括月租、行驶单价、行 驶里程以及月收入；
基于所述续租因子从所述历史运营数据中提取原租车信息，所述原租车信息包括原租 车数量、原车租、原行驶单价、多个司机的行驶里程、司机原收入；
基于所述原租车信息、预设车租和预设续租模型，预测与不同预设车租对应的新租车 数量；
基于所述原租车信息、所述新租车数量和所述租车收费表，预测租赁公司收益和司机 收益均为正增长时的新车租和新行驶单价，所述新行驶单价基于所述新车租在所述租车收 费表中查表得到。
其中一种可能的实现方式中，所述基于所述行驶里程和所述租车收费表，确定司机租 车费用，包括：
对所述新车租、所述新行驶单价以及所述行驶里程进行数学运算，得到司机租车费用。
第二方面，本申请提供一种租车费用预测装置，包括：
历史数据获取模块，用于获取历史运营数据，所述历史运营数据包括原车租和多个司 机的行驶里程；
租车收费表确定模块，用于基于所述原车租、所述行驶里程和预设车租，确定租车收 费表，所述租车收费表包括与所述预设车租对应的行驶单价；
租车费用确定模块，用于基于所述行驶里程和所述租车收费表，确定司机租车费用。
第三方面，本申请提供一种电子设备，包括：
一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被 所述设备执行时，使得所述设备执行第一方面所述的方法。
第四方面，本申请提供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，当其在计算机上运行时，使得计算机执行如第一方面所述的方法。
第五方面，本申请提供一种计算机程序，当所述计算机程序被计算机执行时，用于执行第一方面所述的方法。
在一种可能的设计中，第五方面中的程序可以全部或者部分存储在与处理器封装在 一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
附图说明
图1为本申请租车费用预测方法一个实施例的流程图；
图2为本申请租车费用预测方法中租车费用表一个实施例的示意图；
图3为本申请租车费用预测方法中司机日均行驶里程分布表一个实施例的示意图；
图4为本申请租车费用预测方法中预测租车数量表一个实施例的示意图；
图5为本申请租车费用预测装置的结构示意图；
图6为本申请租车费用预测装置中租车费用表确定模块一个实施例的结构示意图；
图7为本申请租车费用预测装置中租车费用表确定模块另一个实施例的结构示意图；
图8为本申请电子设备一个实施例的结构示意图。
具体实施方式
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨 在限定本申请。
现有车辆租赁公司与司机之间存在以下问题：
一方面，部分司机难以承受高昂的月租而不再向租赁公司续租，这导致车辆闲置，租赁公司回本周期长、经营困难。
另一方面，不同司机的行驶时长、里程存在差异，部分司机无法每天出车，但使 用统一的固定月租明显存在不公平性，降低了司机的租车意愿。
为此，本申请提出一种租车费用预测方法、装置和设备，根据不同司机的行驶里程， 预测司机的租车费用，实现了按司机行驶里程的弹性租车收费，即降低了租赁公司的运营 风险，又提高了司机的租车意愿。
图1为本申请租车费用预测方法一个实施例的流程图，如图1所示，上述租车费用预 测方法可以包括：
S101、获取历史运营数据，所述历史运营数据包括原车租和多个司机的行驶里程；
S102、基于所述原车租、所述行驶里程和预设车租，确定租车收费表，所述租车收费 表包括与所述预设车租对应的行驶单价；
S103、基于所述行驶里程和所述租车收费表，确定司机租车费用。
步骤S101中，可以获取一个或多个月份的历史运营数据。该历史运营数据可以由租 赁公司统计获得。
本发明的实施例中，所述历史运营数据包括历史月租(原车租)、空置率(对应租车数量)以及司机历史运营数据；所述司机历史运营数据包括但不限于车租、服务数据、行 驶里程、行驶时长和司机订单流水等。
服务数据可以包括但不限于服务分、投诉数、差评数、司机取消单数、乘客取消单数、 低星占比、5星占比和档位等。
行驶里程和行驶时长可以包括但不限于每公里单价(行驶单价)、日均里程(与月行 驶里程对应)、在线时长、服务时长、计费时长、出车里程和订单里程等；
司机订单流水数据可以包括但不限于完成订单量、支付订单量、完成流水、支付流水、 单均完成流水、单均支付流水、月收入和司机听到有效指派订单量等。
步骤S102中，所述租车收费表可以包括预设车租与行驶单价之间的映射关系。具体 地，所述行驶单价＝(原车租-预设车租)/月最大行驶里程，所述月最大行驶里程基于所述 行驶里程确定。随着预设车租的变化，所述行驶单价也相应的变化。
步骤S103中，司机租车费用(如月租车费用)根据行驶里程的变化而变化，而不是一个固定月租。举例地，司机租车费用＝行驶里程x行驶单价+预设车租。
其中一种可能的实现方式中，步骤S103中，包括：
对所述行驶里程、多个所述预设车租及其对应的行驶单价进行数学运算，得到多个预 测租车费用：
对多个所述预测租车费用进行比较，得到司机租车费用。
例如，所述预测租车费用＝行驶里程x行驶单价+预设车租，随着预设车租和行驶单价 的变化，所述预测租车费用也相应的变化。假设司机的行驶里程基本不变，则根据多个预 设车租可以得到多个预测租车费用，然后比较多个预测租车费用的大小，即可从中确定司 机租车费用，如多个预测租车费用中的最小值为所述司机租车费用等。
如图2所示为本申请租车费用预测方法一个实施例的租车收费表的示意图，其中，月 最大行驶里程为9000公里，不同预设车租对应不同的行驶单价，从表中可以看出，随着预设车租的增加，行驶单价逐渐降低，因此，当司机的行驶里程(如月行驶里程)波动不 大(或基本不变)时，根据所述租车收费表，可以确定司机最低租车费用，从而可以根据 每个司机的行驶里程，分别确定每个司机的最低租车费用，实现了按司机行驶里程的弹性 租车收费，降低了司机的租车费用，提高了司机的租车意愿。
其中一种可能的实现方式中，所述行驶里程包括日行驶里程，步骤S102，包括：
S201、基于所述日行驶里程，获得日均行驶里程分布数据，所述日均行驶里程分布数 据用于确定多个司机日均行驶里程的分布情况；
S202、基于所述日均行驶里程分布数据和预设百分位数，确定月最大行驶里程；
S203、基于所述月最大行驶里程、所述预设车租和所述原车租，获得所述行驶单价。
步骤S201中，以一定数量的司机日行驶里程作为样本，对总样本的日行驶里程进行 区间估计，得到总体行驶里程均值和方差，然后对总体行驶里程均值和方差进行点估计， 得到日均行驶里程分布数据。
举例地，以200位司机1-6月份历史运营数据作为样本：
首先，根据司机每日行驶里程，计算日行驶里程均值
Figure BDA0002787623200000051
Figure BDA0002787623200000052
其次，对均值区间进行估计，在置信水平1-α，总体均值μmile的置信区间为：
Figure BDA0002787623200000061
其中，置信度为1-α，
Figure BDA0002787623200000062
为司机日行驶里程均值，n为样本量，本实施例中n等 于200，σmile为司机日行驶里程标准差，
Figure BDA0002787623200000063
为正态分布的水平α的百分位数，则置信水 平0.95上，μmile的置信区间为：(162.45，199.62)；
最后，对行驶里程均值和方差进行点估计，对200位司机的日行驶里程进行100次有 放回重复抽样，每次抽取样本数为50，则：
Figure BDA0002787623200000064
Figure BDA0002787623200000065
其中，
Figure BDA0002787623200000066
为总体司机日行驶里程方差。
在本例中，
Figure BDA0002787623200000067
在上述估计区间内，
Figure BDA0002787623200000068
则：
Figure BDA0002787623200000069
则司机日行驶里程均值和方差的点估计量
Figure BDA00027876232000000610
为：
μmile＝197.65
Figure BDA00027876232000000611
步骤3312：根据所述日行驶里程的均值和方差确定日均行驶里程分布数据，其中，日均行驶里程分布数据可以表示为：
Xmile～N(197.65，1823.29)，Xmile≥0
可以理解的是，日均行驶里程分布数据可以反映出司机日均行驶里程的分布情况，对 司机行驶情况有全面客观的了解。
如图3所示为本申请租车费用预测方法一个实施例的司机日均行驶里程分布情况表， 横坐标为司机日均行驶里程，纵坐标为频次，从表中可以看出，司机日均行驶里程大概分 布在100至300公里之间，其中，假设在95百分位数(即95％)以上时为最大日均行驶 里程，则最大日均行驶里程可以确定为300公里。当然，所述预设百分位数还可以为其他 预设值，如大于90百分位数等。
进一步地，步骤S202中，包括：
从所述日均行驶分布数据中确定在预设百分位数上的最大日均行驶里程；
基于所述最大日均行驶里程与预设天数之间的乘积，得到月最大行驶里程。
例如，月最大行驶里程＝最大日均行驶里程x一个月的天数(如预设天数为30天)。优选地，所述预设百分位数为95百分位数，则月最大行驶里程＝300x30＝9000公里。
步骤S203中，所述行驶单价可以按照行驶单价＝(原车租-预设车租)/月最大行驶里 程的方式计算得到。
其中一种可能的实现方式中，所述行驶里程包括月行驶里程，步骤S102，包括：
S301、基于所述月行驶里程，获得月均行驶里程分布数据，所述月均行驶里程分布数 据用于确定多个司机月均行驶里程的分布情况；
S302、基于所述月均行驶里程分布数据和预设百分位数，确定月最大行驶里程；
S303、基于所述月最大行驶里程、所述预设车租和所述原车租，获得所述行驶单价。
与上述步骤S201至S203不同的是，步骤S301至S303中，采用多个司机的月行驶里程作为样本，得到司机月均行驶里程分布数据(具体方式或原理可以参考上述步骤S201，在此不再赘述)。从所述月均行驶分布数据中确定在预设百分位数上的最大月均行驶里程即为所述月最大行驶里程。
其中一种可能的实现方式中，所述方法还包括：
S401、基于所述历史运营数据，确定司机续租因子，所述续租因子包括月租、行驶单 价、行驶里程以及月收入；
S402、基于所述续租因子从所述历史运营数据中提取原租车信息，所述原租车信息包 括原租车数量、原车租、原行驶单价、多个司机的行驶里程、司机原收入；
S403、基于所述原租车信息、预设车租和预设续租模型，预测与不同预设车租对应的 新租车数量；
S404、基于所述原租车信息、所述新租车数量和所述租车收费表，预测租赁公司收益 和司机收益均为正增长时的新车租和新行驶单价，所述新行驶单价基于所述新车租在所述 租车收费表中查表得到。
步骤S401中，所述续租因子为影响司机下月是否续租的主要因素，例如月租、行驶单价、行驶里程以及月收入等均对司机下月是否续租有显著影响。
其中一种可能的实现方式中，步骤S401，包括：
S501、将历史运营数据基于司机是否续租划分为续租样本和非续租样本，所述续租样 本用于表征司机继续租车，所述非续租样本用于表征司机不继续租车；
S502、对所述续租样本和所述非续租样本进行特征提取处理，确定所述续租因子。
也就是说，对所述续租样本和非续租样本进行特征提取处理，对影响司机收入的因素 进行分析，可以确定月租、行驶单价、行驶里程以及月收入等续租因子对司机下月是否续 租有显著影响。需要指出的是，步骤S502中，对所述续租样本和所述非续租样本进行特 征提取处理，可以表示为从样本中提取对司机收入有显著影响(如大于预设阈值)的参数， 例如月租、行驶单价、行驶里程以及月收入为特征提取到的参数。
其中一种可能的实现方式中，所述方法还包括：
S601、对所述历史运营数据中的所述续租样本和所述非续租样本进行重采样，使得所 述续租样本和所述非续租样本占比相等；
S602、将重采样后的所述历史运营数据按预设比例分为训练集和测试集；
S603、基于所述训练集和所述测试集，从多个预设模型中确定所述续租模型。
举例地，若所述续租样本和所述非续租样本的比例不同(如约为4：1)，则会导致模型在学习时因为提高准确率而更倾向于将样本分为占比更大的类，影响预测结果。因此，步骤S601中，对负样本(数量较少的样本)进行过采样，使得正样本与负样本比例基本 达到1:1，使得所述续租样本和所述非续租样本占比相等。
在本实施例中，步骤S602中，预设比例可以为7:3。步骤S603中，所述预设模型可以包括逻辑回归模型、支持向量机模型或者决策树模型等。以所述训练集和测试集作为样本，分别采用各预设模型进行预测，得到预测结果，将最优预测结果对应的模型确定为所述续租模型。在本实施例中，通过预测结果后分析得到的混淆矩阵可知，逻辑回归模型在测试集上的预设结果最佳(包括预测精度、召回值、F1值和支持度等)，因此，所述续租 模型可以确定为逻辑回归模型。
也就是说，本实施例中，通过对所述续租样本和非续租样本进行重采样，使得两种样 本达到平衡，便于分学习两类样本的信息，提高模型准确性；通过将所述历史运营数据划 分为训练集和测试集，能够对模型的泛化能力进行评估，避免产生过拟合、欠拟合情况，并根据测试集表现进行参数调优和模型选择，从而确定测试结果最优的模型为续租模型，使得模型从数据中主动寻求规律，验证规律，最得出结论，并随着样本量的增加自动纠正偏差，不断提升预测准确度。
在步骤S403中，所述续租模型以不同预设车租作为输入，输出与不同预设车租对应 的新租车数量。如图4所示为本申请租车费用预测方法中预测租车数量表一个实施例的示 意图，横坐标为月租，纵坐标为租车数量。
在步骤S404中，租赁公司在原月租模式下收益模型为：原月租*原租车数量-购车成 本，司机在原月租模式下收益模型为：原月收入-原月租(即原月租车费用)。在本实施例中，租赁公司在新月租模式下收益模型为：新月租(即新月租车费用)*新租车数量+每公 里单价*月行驶里程-购车成本，司机在新月租模式下收益模型为：新月收入-新月租-每公 里单价*月行驶里程。
因此，在购车数量不变的情况下，购车成本相等，基于此建立租赁公司收益变动模型， 租赁公司收益变动模型为：原月租*原租车数量-新月租*新租车数量+每公里单价*月行驶 里程。在收入、行驶里程不变的情况下，建立司机收益变动模型，司机收益变动模型为： 新月收入-新月租-每公里单价*月行驶里程-原月收入+原月租。
可以看出的是，通过建立收益变动模型将租赁公司和司机收益变动情况进行具体化、 量化，可以客观反映出因月租变动对公司和司机收益的影响程度。
在步骤S404中，根据不同预设月租时的租车数量和所述租赁公司收益变动模型计算 租赁公司收益变动状况，并将租赁公司收益变动为正增长时对应的预设月租作为初步月租 定价。举例地，当预设月租在2900-3400，3800-3900元时，租赁公司收益变动为正增长。
然后，根据所述初步月租定价和所述司机收益变动模型确定司机收益变动为正增长时 的预设月租作为最优月租定价(即上述新车租)，基于所述最优月租定价在所述租车收费 表中查表可知对应的行驶单价(即上述新行驶单价)。
步骤S103中，对所述新车租、所述新行驶单价以及所述行驶里程进行数学运算，得到司机租车费用，举例地，司机租车费用＝新车租+新行驶单价x行驶里程。基于此，所述 新车租和所述新行驶单价也可以用于确定租赁公司的收益。例如，预设月租在2900-3400，3800-3900元时，司机收益变动为正增长。
可以理解的是，本实施例中租车费用预测方法根据司机行驶里程的分布情况确定司 机租车费用，能够使租赁公司和司机在不改变现有成本、运营习惯的基础上，收入得到增长，实现网约车司机和租赁公司共赢，降低了租赁公司风险，同时提高司机租车意 愿。
可以理解的是，上述实施例中的部分或全部步骤骤或操作仅是示例，本申请实施例 还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照上述实施例呈现的不同的顺序来执行，并且有可能并非要执行上述实施例中的全部操作。
图5为本申请租车费用预测装置100一个实施例的结构示意图，如图5所示，上述租车费用预测装置100可以包括：
历史数据获取模块10，用于获取历史运营数据，所述历史运营数据包括原车租和多 个司机的行驶里程；
租车收费表确定模块20，用于基于所述原车租、所述行驶里程和预设车租，确定租车收费表，所述租车收费表包括与所述预设车租对应的行驶单价；
租车费用确定模块30，用于基于所述行驶里程和所述租车收费表，确定司机租车费 用。
其中一种可能的实现方式中，如图6所示，所述行驶里程包括日行驶里程，所述租车 费用表确定模块20包括：
日均行驶里程分布确定模块21A，用于基于所述日行驶里程，获得日均行驶里程分布 数据，所述日均行驶里程分布数据用于确定多个司机日均行驶里程的分布情况；
月最大行驶里程确定模块22A，用于基于所述日均行驶里程分布数据和预设百分位 数，确定月最大行驶里程；
行驶单价计算模块23A，用于基于所述月最大行驶里程、所述预设车租和所述原车租， 获得所述行驶单价。
其中一种可能的实现方式中，所述月最大行驶里程确定模块22A包括：
从所述日均行驶分布数据中确定在预设百分位数上的最大日均行驶里程；
基于所述最大日均行驶里程与预设天数之间的乘积，得到月最大行驶里程。
其中一种可能的实现方式中，如图7所示，所述行驶里程包括月行驶里程，租车费用 表确定模块20包括：
月均行驶里程分布确定模块20B，用于基于所述月行驶里程，获得月均行驶里程分布 数据，所述月均行驶里程分布数据用于确定多个司机月均行驶里程的分布情况；
月最大行驶里程确定模块22B，用于基于所述月均行驶里程分布数据和预设百分位 数，确定月最大行驶里程；
行驶单价计算模块23B，用于基于所述月最大行驶里程、所述预设车租和所述原车租， 获得所述行驶单价。
其中一种可能的实现方式中，所述租车费用确定模块30包括：
对所述行驶里程、多个所述预设车租及其对应的行驶单价进行数学运算，得到多个预 测租车费用：
对多个所述预测租车费用进行比较，得到司机租车费用。
其中一种可能的实现方式中，所述装置100还包括：
续租因子确定模块40，用于基于所述历史运营数据，确定司机续租因子，所述续租因子包括月租、行驶单价、行驶里程以及月收入；
租车信息获取模块50，用于基于所述续租因子从所述历史运营数据中提取原租车信 息，所述原租车信息包括原租车数量、原车租、原行驶单价、多个司机的行驶里程、司机原收入；
租车数量预测模块60，用于基于所述原租车信息、预设车租和预设续租模型，预测与不同预设车租对应的新租车数量；
车租预测模块70，用于基于所述原租车信息、所述新租车数量和所述租车收费表，预测租赁公司收益和司机收益均为正增长时的新车租和新行驶单价，所述新行驶单价基于所述新车租在所述租车收费表中查表得到。
其中一种可能的实现方式中，所述租车费用确定模块包括：对所述新车租、所述新行 驶单价以及所述行驶里程进行数学运算，得到司机租车费用。
图5所示实施例提供的租车费用预测装置100可用于执行本申请图1所示方法实施例 的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
应理解以上图5～图7所示的租车费用预测装置100的各个模块的划分仅仅是一种逻 辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形 式实现；还可以部分模块以软件通过处理元件调用的形式实现，部分模块通过硬件的形 式实现。例如，检测模块可以为单独设立的处理元件，也可以集成在电子设备的某一个 芯片中实现。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也 可以独立实现。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件 中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit；以下简称：ASIC)，或， 一个或多个微处理器(Digital Singnal Processor；以下简称：DSP)，或，一个或者多个现 场可编程门阵列(Field Programmable Gate Array；以下简称：FPGA)等。再如，这些模 块可以集成在一起，以片上系统(System-On-a-Chip；以下简称：SOC)的形式实现。
图8为本申请电子设备一个实施例的结构示意图，如图8所示，上述电子设备可以包 括：一个或多个处理器；存储器；以及一个或多个计算机程序。
其中，上述电子设备可以为移动终端(手机)，智慧屏，无人机，智能网联车(Intelligent Connected Vehicle；以下简称：ICV)，智能(汽)车(smart/intelligentcar)或车载设备等 设备。
其中上述一个或多个计算机程序被存储在上述存储器中，上述一个或多个计算机程 序包括指令，当上述指令被上述设备执行时，使得上述设备执行以下步骤：
获取历史运营数据，所述历史运营数据包括原车租和多个司机的行驶里程；
基于所述原车租、所述行驶里程和预设车租，确定租车收费表，所述租车收费表包括 与所述预设车租对应的行驶单价；
基于所述行驶里程和所述租车收费表，确定司机租车费用。
其中一种可能的实现方式中，所述行驶里程包括日行驶里程，当上述指令被上述设备 执行时，使得上述设备执行基于所述原车租、所述行驶里程和预设车租，确定租车收费表 的步骤，包括：
基于所述日行驶里程，获得日均行驶里程分布数据，所述日均行驶里程分布数据用于 确定多个司机日均行驶里程的分布情况；
基于所述日均行驶里程分布数据和预设百分位数，确定月最大行驶里程；
基于所述月最大行驶里程、所述预设车租和所述原车租，获得所述行驶单价。
其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备执行所述 基于所述日均行驶里程分布数据和预设百分位数，确定月最大行驶里程的步骤，包括：
从所述日均行驶分布数据中确定在预设百分位数上的最大日均行驶里程；
基于所述最大日均行驶里程与预设天数之间的乘积，得到月最大行驶里程。
其中一种可能的实现方式中，所述行驶里程包括月行驶里程，当上述指令被上述设备 执行时，使得上述设备执行基于所述原车租、所述行驶里程和预设车租，确定租车收费表 的步骤，包括：
基于所述月行驶里程，获得月均行驶里程分布数据，所述月均行驶里程分布数据用于 确定多个司机月均行驶里程的分布情况；
基于所述月均行驶里程分布数据和预设百分位数，确定月最大行驶里程；
基于所述月最大行驶里程、所述预设车租和所述原车租，获得所述行驶单价。
其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备执行所述 基于所述行驶里程和所述租车收费表，确定司机租车费用的步骤，包括：
对所述行驶里程、多个所述预设车租及其对应的行驶单价进行数学运算，得到多个预 测租车费用：
对多个所述预测租车费用进行比较，得到司机租车费用。
其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备还执行步 骤：
基于所述历史运营数据，确定司机续租因子，所述续租因子包括月租、行驶单价、行 驶里程以及月收入；
基于所述续租因子从所述历史运营数据中提取原租车信息，所述原租车信息包括原租 车数量、原车租、原行驶单价、多个司机的行驶里程、司机原收入；
基于所述原租车信息、预设车租和预设续租模型，预测与不同预设车租对应的新租车 数量；
基于所述原租车信息、所述新租车数量和所述租车收费表，预测租赁公司收益和司机 收益均为正增长时的新车租和新行驶单价，所述新行驶单价基于所述新车租在所述租车收 费表中查表得到。
其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备执行所述 基于所述行驶里程和所述租车收费表，确定司机租车费用的步骤，包括：
对所述新车租、所述新行驶单价以及所述行驶里程进行数学运算，得到司机租车费用。
图8所示的电子设备可以是终端设备也可以是内置于上述终端设备的电路设备。该设 备可以用于执行本申请图1所示实施例提供的方法中的功能/步骤。
如图8所示，电子设备900包括处理器910和存储器920。其中，处理器910和存储 器920之间可以通过内部连接通路互相通信，传递控制和/或数据信号，该存储器920用 于存储计算机程序，该处理器910用于从该存储器920中调用并运行该计算机程序。
上述存储器920可以是只读存储器(read-only memory，ROM)、可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器(random access memory，RAM)或可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、 光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备，或者还可以是 能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的 任何其它介质等。
上述处理器910可以和存储器920可以合成一个处理装置，更常见的是彼此独立的部 件，处理器910用于执行存储器920中存储的程序代码来实现上述功能。具体实现时，该存储器920也可以集成在处理器910中，或者，独立于处理器910。
应理解，图8所示的电子设备900能够实现本申请图1所示实施例提供的方法的各个 过程。电子设备900中的各个模块的操作和/或功能，分别为了实现上述方法实施例中的相应流程。具体可参见本申请图1所示方法实施例中的描述，为避免重复，此处适当省略 详细描述。
应理解，图8所示的电子设备900中的处理器910可以是片上系统SOC，该处理器910中可以包括中央处理器(Central Processing Unit；以下简称：CPU)，还可以进一步包括其他类型的处理器，例如：图像处理器(Graphics Processing Unit；以下简称：GPU)等。
总之，处理器910内部的各部分处理器或处理单元可以共同配合实现之前的方法流 程，且各部分处理器或处理单元相应的软件程序可存储在存储器930中。
本申请还提供一种电子设备，所述设备包括存储介质和中央处理器，所述存储介质 可以是非易失性存储介质，所述存储介质中存储有计算机可执行程序，所述中央处理器与所述非易失性存储介质连接，并执行所述计算机可执行程序以实现本申请图1所示实 施例提供的方法。
以上各实施例中，涉及的处理器可以例如包括CPU、DSP、微控制器或数字信号处理器，还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units；以下简称：NPU)和图像信号处理器(Image Signal Processing；以下简称：ISP)，该处理器还可包 括必要的硬件加速器或逻辑处理硬件电路，如ASIC，或一个或多个用于控制本申请技术 方案程序执行的集成电路等。此外，处理器可以具有操作一个或多个软件程序的功能， 软件程序可以存储在存储介质中。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计 算机程序，当其在计算机上运行时，使得计算机执行本申请图1所示实施例提供的方法。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，当 其在计算机上运行时，使得计算机执行本申请图1所示实施例提供的方法。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以 上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B， 可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者 复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类 似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c 中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可 以是单个，也可以是多个。
本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是 软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每 个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请 的范围。
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、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，任一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、 只读存储器(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，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。本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种租车费用预测方法，其特征在于，包括：
获取历史运营数据，所述历史运营数据包括原车租和多个司机的行驶里程；
基于所述原车租、所述行驶里程和预设车租，确定租车收费表，所述租车收费表包括与所述预设车租对应的行驶单价；
基于所述行驶里程和所述租车收费表，确定司机租车费用。
2.根据权利要求1所述的方法，其特征在于，所述行驶里程包括日行驶里程，所述基于所述原车租、所述行驶里程和预设车租，确定租车收费表，包括：
基于所述日行驶里程，获得日均行驶里程分布数据，所述日均行驶里程分布数据用于确定多个司机日均行驶里程的分布情况；
基于所述日均行驶里程分布数据和预设百分位数，确定月最大行驶里程；
基于所述月最大行驶里程、所述预设车租和所述原车租，获得所述行驶单价。
3.根据权利要求2所述的方法，其特征在于，所述基于所述日均行驶里程分布数据和预设百分位数，确定月最大行驶里程，包括：
从所述日均行驶分布数据中确定在预设百分位数上的最大日均行驶里程；
基于所述最大日均行驶里程与预设天数之间的乘积，得到月最大行驶里程。
4.根据权利要求1所述的方法，其特征在于，所述行驶里程包括月行驶里程，所述基于所述原车租、所述行驶里程和预设车租，确定租车收费表，包括：
基于所述月行驶里程，获得月均行驶里程分布数据，所述月均行驶里程分布数据用于确定多个司机月均行驶里程的分布情况；
基于所述月均行驶里程分布数据和预设百分位数，确定月最大行驶里程；
基于所述月最大行驶里程、所述预设车租和所述原车租，获得所述行驶单价。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述基于所述行驶里程和所述租车收费表，确定司机租车费用，包括：
对所述行驶里程、多个所述预设车租及其对应的行驶单价进行数学运算，得到多个预测租车费用：
对多个所述预测租车费用进行比较，得到司机租车费用。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
基于所述历史运营数据，确定司机续租因子，所述续租因子包括月租、行驶单价、行驶里程以及月收入；
基于所述续租因子从所述历史运营数据中提取原租车信息，所述原租车信息包括原租车数量、原车租、原行驶单价、多个司机的行驶里程、司机原收入；
基于所述原租车信息、预设车租和预设续租模型，预测与不同预设车租对应的新租车数量；
基于所述原租车信息、所述新租车数量和所述租车收费表，预测租赁公司收益和司机收益均为正增长时的新车租和新行驶单价，所述新行驶单价基于所述新车租在所述租车收费表中查表得到。
7.根据权利要求6所述的方法，其特征在于，所述基于所述行驶里程和所述租车收费表，确定司机租车费用，包括：
对所述新车租、所述新行驶单价以及所述行驶里程进行数学运算，得到司机租车费用。
8.一种租车费用预测装置，其特征在于，包括：
历史数据获取模块，用于获取历史运营数据，所述历史运营数据包括原车租和多个司机的行驶里程；
租车收费表确定模块，用于基于所述原车租、所述行驶里程和预设车租，确定租车收费表，所述租车收费表包括与所述预设车租对应的行驶单价；
租车费用确定模块，用于基于所述行驶里程和所述租车收费表，确定司机租车费用。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行如权利要求1-8任一项所述的方法。
10.一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中存储有计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1-8任一项所述的方法。
CN202011303295.1A 2020-11-19 2020-11-19 租车费用预测方法、装置和设备 Pending CN112561124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011303295.1A CN112561124A (zh) 2020-11-19 2020-11-19 租车费用预测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011303295.1A CN112561124A (zh) 2020-11-19 2020-11-19 租车费用预测方法、装置和设备

Publications (1)

Publication Number Publication Date
CN112561124A true CN112561124A (zh) 2021-03-26

Family

ID=75044653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011303295.1A Pending CN112561124A (zh) 2020-11-19 2020-11-19 租车费用预测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN112561124A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876425A (zh) * 2017-05-12 2018-11-23 重庆无线绿洲通信技术有限公司 一种租车费用计算方法及租车计费平台
CN109598539A (zh) * 2018-11-08 2019-04-09 斑马网络技术有限公司 汽车租赁定价方法及设备
CN111091401A (zh) * 2018-10-23 2020-05-01 南斗六星系统集成有限公司 一种网约车定价方法、系统、存储介质及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876425A (zh) * 2017-05-12 2018-11-23 重庆无线绿洲通信技术有限公司 一种租车费用计算方法及租车计费平台
CN111091401A (zh) * 2018-10-23 2020-05-01 南斗六星系统集成有限公司 一种网约车定价方法、系统、存储介质及设备
CN109598539A (zh) * 2018-11-08 2019-04-09 斑马网络技术有限公司 汽车租赁定价方法及设备

Similar Documents

Publication Publication Date Title
US11661073B2 (en) Electronics to remotely monitor and control a machine via a mobile personal communication device
US11023898B1 (en) System and method for accumulation and maintenance of money in a vehicle maintenance savings account
CN104303199B (zh) 用于二手车定价数据分析与呈现的系统和方法
US20190073701A1 (en) Vehicle valuation model based on vehicle telemetry
US11836806B2 (en) Insurance claim capitation and predictive payment modeling
US20130138460A1 (en) System and method for administering a telematics-enabled test drive dealer program
US20150213420A1 (en) Method and device for determining vehicle condition based on operational factors
US11062338B2 (en) Used-vehicle algorithmic pricing engine method and system
US20150213519A1 (en) Method and device for determining vehicle condition based on non-operational factors
US20170300991A1 (en) Used-vehicle algorithmic pricing engine method and system
US11282094B2 (en) System and method for providing disposal recommendation for a vehicle owner
US10410227B2 (en) System, method, and computer program for forecasting residual values of a durable good over time
CN111091401A (zh) 一种网约车定价方法、系统、存储介质及设备
CN109191157B (zh) 一种车辆使用管理方法、服务器及计算机可读存储介质
US20200285970A1 (en) System and method for providing inventory disposal recommendation
CN111859172A (zh) 信息推送方法、装置、电子设备和计算机可读存储介质
US20150213518A1 (en) Method and device for determining periodic payment reduction based on extrapolated residual value
US20240043025A1 (en) Digital framework for autonomous or partially autonomous vehicle and/or electric vehicles risk exposure monitoring, measuring and exposure cover pricing, and method thereof
Khakifirooz et al. The key factors to promote the pay-as-you-drive insurance in Taiwan
CN112561124A (zh) 租车费用预测方法、装置和设备
CN111881375B (zh) 一种顺路订单分配方法、装置、电子设备及可读存储介质
US20220180405A1 (en) Systems and methods for estimating asset resale value
CN113988936A (zh) 电子券推送方法、推送平台、终端设备和存储介质
US20210192636A1 (en) Computing Vehicle Insurance Charges
Ehrich Big Data as Enabler for Customer-Oriented Automotive Development

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 101500 room 106-266, building 2, courtyard 8, Xingsheng South Road, Miyun District, Beijing

Applicant after: Unicom Zhiwang Technology Co.,Ltd.

Address before: 101500 room 106-266, building 2, courtyard 8, Xingsheng South Road, Miyun District, Beijing

Applicant before: Unicom Intelligent Network Technology Co., Ltd