CN112561433B - 货源的展示方法、装置、电子设备、存储介质 - Google Patents

Abstract

本发明提供一种货源的展示方法、装置、电子设备、存储介质，方法包括：获取待展示货源的货源信息；根据所述货源信息所在地区所属的地区簇，确定一经训练的成交预测模型；提取待展示的货源信息的一级特征数据；将所述待展示的货源信息的一级特征数据，输入一经训练的二级特征预测模型，所述二级特征预测模型由多个预测模型融合获得；获取所述二级特征预测模型预测的二级特征数据；将至少部分所述待展示的货源信息的一级特征数据以及所述二级特征数据输入所述成交预测模型；根据所述成交预测模型的预测结果对待展示货源的货源信息进行排序；展示经排序的货源信息。本发明降低用户对货源的浏览时间，提升接单效率，进而提升平台整体的货运效率。

Description

货源的展示方法、装置、电子设备、存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种货源的展示方法、装置、电子设备、存储介质。

背景技术

随着互联网以及信息技术的发展，线上货运平台在货主和司机之间已经越来越普及。货主通过货运平台发布货源信息，并由司机进行浏览和接单，以实现货运前的对接过程。

在货源展示的过程中，需要对货源进行排序，从而减少用户的浏览时间，提高订单生成效率。目前，存在多种排序方式，诸如通过司机与货源发货地之间的距离、货源的发布时间等排序因子进行排序。然而，这些排序因子对于用户浏览时间和订单生成效率的提升效果仍然较小。

由此，确定何种排序因子，实现货源的排序，从而大幅降低用户对货源的浏览时间，提升接单效率，进而提升平台整体的货运效率，是本领域亟待解决的技术问题，同时，各个城市的司机和货主的下单因素不同，如何将排序方式推广到各个城市，也是在货源排序中重要的考虑因素。

发明内容

本发明为了克服上述相关技术存在的缺陷，提供一种货源的展示方法、装置、电子设备、存储介质，进而至少在一定程度上通过确定的排序因子，实现货源的排序，从而大幅降低用户对货源的浏览时间，提升接单效率，进而提升平台整体的货运效率，同时，考虑到各个城市的司机和货主的下单因素不同，以将排序方式推广到各个城市。

根据本发明的一个方面，提供一种货源的展示方法，包括：

获取待展示货源的货源信息；

根据所述货源信息所在地区所属的地区簇，确定一经训练的成交预测模型，其中，各地区聚类后形成地区簇，每一地区簇的历史订单数据用于训练一所述成交预测模型；

提取待展示的货源信息的一级特征数据；

将所述待展示的货源信息的一级特征数据，输入一经训练的二级特征预测模型，所述二级特征预测模型由多个预测模型融合获得；

获取所述二级特征预测模型预测的二级特征数据；

将至少部分所述待展示的货源信息的一级特征数据以及所述二级特征数据输入所述成交预测模型；

根据所述成交预测模型的预测结果对待展示货源的货源信息进行排序；

展示经排序的货源信息。

在本发明的一些实施例中，各地区通过如下方式进行聚类：

获取各地区的历史订单数据；

获取各地区的地区数据；

根据各地区的历史订单数据以及地区数据，形成多个地区特征；

基于所述多个地区特征，采用K-means算法对各地区进行聚类获得地区簇。

在本发明的一些实施例中，同一地区簇的不同地区的货源信息在所述成交预测模型的训练和/或预测时，具有不同的权重。

在本发明的一些实施例中，所述二级特征预测模型由频繁模型以及 LightGBM模型融合获得。

在本发明的一些实施例中，所述频繁模型按如下步骤训练：

获取预设时间段内的历史订单数据的货源信息；

提取所述历史订单数据的货源信息的一级特征数据，形成键；

提取所述历史订单数据中的二级特征数据并关联对应的键；

计算各键关联的二级特征数据的均值以及标准差；

基于各键关联的二级特征数据的均值以及标准差，计算各键关联的二级特征数据的变异系数；

遍历所有的键，当该键关联的二级特征数据的数量大于等于第一阈值，且该键关联的二级特征数据的变异系数小于等于第二阈值时，保留该键；

将保留的键与关联的二级特征数据的中位数的映射关系作为经训练的频繁模型。

在本发明的一些实施例中，所述LightGBM模型按如下步骤训练：

获取预设时间段内的历史订单数据的货源信息；

提取所述历史订单数据的货源信息的一级特征数据，所述一级特征数据包括货源维度特征数据、货主维度特征数据以及路线维度特征数据；

自多个一级特征数据中选取最相关的N个一级特征数据，N为大于1的整数；

提取所述历史订单数据中的二级特征数据并关联N个一级特征数据，形成样本集；

基于所述样本集训练所述LightGBM模型。

在本发明的一些实施例中，所述频繁模型以及LightGBM模型按如下步骤融合：

根据待展示的货源信息的部分一级特征数据，形成待预测键；

判断所述待预测建是否命中所述频繁模型中的键；

若是，则将所述频繁模型中的键关联的数据作为所述二级特征数据；

若否，则将所述一级特征数据输入所述LightGBM模型；

将所述LightGBM模型输出的数据作为所述二级特征数据。

根据本发明的又一方面，还提供一种货源的展示装置，包括：

第一获取模块，配置成获取待展示货源的货源信息；

确定模块，配置成根据所述货源信息所在地区所属的地区簇，确定一经训练的成交预测模型，其中，各地区聚类后形成地区簇，每一地区簇的历史订单数据用于训练一所述成交预测模型；

提取模块，配置成提取待展示的货源信息的一级特征数据；

第一输入模块，配置成将所述待展示的货源信息的一级特征数据，输入一经训练的二级特征预测模型，所述二级特征预测模型由多个预测模型融合获得；

第二获取模块，配置成获取所述二级特征预测模型预测的二级特征数据；

第二输入模块，配置成将至少部分所述待展示的货源信息的一级特征数据以及所述二级特征数据输入所述成交预测模型；

排序模块，配置成根据所述成交预测模型的预测结果对待展示货源的货源信息进行排序；

展示模块，配置成展示经排序的货源信息。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。

根据本发明的又一方面，还提供一种存储介质，所述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上所述的步骤。

相比现有技术，本发明的优势在于：

一方面，通过将成交预测结果作为货源排序的排序因子，从而大幅降低用户对货源的浏览时间，提升接单效率，进而提升平台整体的货运效率；另一方面，考虑到各个城市的司机和货主的下单因素不同，以地区簇的形式训练不同的成交预测模型，从而能够实现排序方式的普及，提高各地的预测准确率的同时，降低训练和部署成交预测模型的成本；再一方面，考虑到影响成交的部分特征并非是在货源发布时就能直接获得的，因此，通过一二级特征预测模型来预测二级特征数据，从而实现二级特征数据的获取，进一步提高成交预测模型的准确率；又一方面，一级特征数据可以复用于成交预测模型和二级特征预测模型的输入，从而减少特征数据的缓存需求，且提高系统预测效率。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的货源的展示方法的流程图。

图2示出了根据本发明实施例的地区簇聚类的流程图。

图3示出了根据本发明实施例的训练频繁模型的流程图。

图4示出了根据本发明实施例的训练LightGBM模型的流程图。

图5示出了根据本发明实施例的融合频繁模型以及LightGBM模型的流程图。

图6示出了根据本发明实施例的货源的展示装置的模块图。

图7示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。

图8示意性示出本发明示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

图1示出了根据本发明实施例的货源的展示方法的流程图。货源的展示方法包括如下步骤：

步骤S110：获取待展示货源的货源信息。

具体而言，步骤S110可以基于司机端(例如以APP形式、小程序形式、网页内嵌客户端等形式形成的司机端)的操作，来确定待展示货源。例如，当司机打开司机端时，可以直接基于司机的车长、常用路线等一个或多个筛选条件，自动筛选获得待展示货源。又例如，可以基于司机的筛选项的输入/选择，以筛选获得待展示货源。本发明可以实现更多的方式，在此不予赘述。货源信息可以包括但不限于货物类型、货物重量、货物所需车长、起始地、目的地、发货时间等，货源信息可以按需设置/获取，本发明并非以此为限制。

步骤S120：根据所述货源信息所在地区所属的地区簇，确定一经训练的成交预测模型，其中，各地区聚类后形成地区簇，每一地区簇的历史订单数据用于训练一所述成交预测模型。其中，订单数据成交和未成交的数据，其中未成交的数据可以用作负样本。

具体而言，在步骤S120中，一个地区簇可以关联一成交预测模型。由此，可以依据地区所属的地区簇，确定用于预测该地区的货源是否成交的成交预测模型。地区簇的聚类方式可以如图2所示，在此不予赘述。

在一些具体实现中，本发明所述的“地区”可以是城市，本发明并非以此为限制，“地区”也可以是其它级别的行政区域。当“地区”为城市时，由于全国有300多个城市，若要针对各个城市训练一个独有的模型，对人力、硬件资源、云资源等要求较高。在发明人先前的一些解决方案中，是根据城市的成交率对城市进行划分，选择M个(例如可以按需设置为4个、8个、 10个等)具有代表性的城市做模型，然后把该模型迁移至其他城市进行复用，然而，这样导致复用模型的城市预测力不足，无法提高模型预测准确率。对此，步骤S120通过地区聚类的方式，以将地区划分为多个地区簇，从而为每个地区簇训练一个成交预测模型，由此，即解决了为每个地区训练预测模型导致的资源浪费，又避免了仅通过代表城市训练模型并复用至相关城市导致的预测准确率低的问题。

步骤S130：提取待展示的货源信息的一级特征数据。

具体而言，一级特征数据可以包括但不限于车长、货重、起始地经度、目的地纬度、起始地标注、目的地标识、货源类目标识等，本发明并非以此为限制。

步骤S140：将所述待展示的货源信息的一级特征数据，输入一经训练的二级特征预测模型，所述二级特征预测模型由多个预测模型融合获得。

具体而言，二级特征数据可以包括但不限于成交价格、运输时间、司机到达时间等，在货源发布时未知的特征数据，本发明并非以此为限制。二级特征数据的具体内容可以按需设置。进一步地，在一些具体实施例中，步骤 S140可以通过多个二级特征预测模型预测获得多个不同的二级特征数据。

对于该些二级特征数据，发明人先前使用的预测方式包括：1)将全国划分成多个微区域，然后针对各个区域拟合吨公里价，最终得出二级特征数据的预测；2)结合规则以及提升树模型(XGBoost)，针对货运平台的货运业务进行的一种二级特征数据的预测，但该方式仅针对单个城市；3)人工对货源货主路线特征进行划分，然后对划分后属于一个节点的样本进行线性拟合，计算最终的二级特征数据。该三种方法中，方法1)全网复制推广能力不强，准确性较弱，而且分区需要人工介入，可用的特征也比较少；方法2) 模型是跟随业务而做的，仅针对单个城市，无法推广到全国，而且特征也相对稀少；方法3)同样也需要大量的人工介入，使用的特征也比较少。

对此，步骤S140的技术特征中通过融合多个预测模型给出一个可用于预测货源成交的二级特征数据。在一些具体的实现中，可以将预测获得的二级特征数据经由百分位处理后再输入成交预测模型。由此，在节约人工成本实现二级特征数据预测的同时，提高成交预测模型的预测准确率。

步骤S150：获取所述二级特征预测模型预测的二级特征数据。

步骤S160：将至少部分所述待展示的货源信息的一级特征数据以及所述二级特征数据输入所述成交预测模型。

具体而言，步骤S160中可以复用部分一级特征数据，从而无需再对货源数据进行额外的预处理。

步骤S170：根据所述成交预测模型的预测结果对待展示货源的货源信息进行排序。

具体而言，成交预测模型可以是任意机器学习模型或机器学习模型的组合，本发明并非以此为限制。成交预测模型的预测结果，例如可以为成交率，由此，可以依据预测获得的成交率的大小对货源进行排序。

步骤S180：展示经排序的货源信息。

在本发明提供的货源的展示方法中，一方面，通过将成交预测结果作为货源排序的排序因子，从而大幅降低用户对货源的浏览时间，提升接单效率，进而提升平台整体的货运效率；另一方面，考虑到各个城市的司机和货主的下单因素不同，以地区簇的形式训练不同的成交预测模型，从而能够实现排序方式的普及，提高各地的预测准确率的同时，降低训练和部署成交预测模型的成本；再一方面，考虑到影响成交的部分特征并非是在货源发布时就能直接获得的，因此，通过一二级特征预测模型来预测二级特征数据，从而实现二级特征数据的获取，进一步提高成交预测模型的准确率；又一方面，一级特征数据可以复用于成交预测模型和二级特征预测模型的输入，从而减少特征数据的缓存需求，且提高系统预测效率。

下面参见图2，图2示出了根据本发明实施例的地区簇聚类的流程图。图2共示出如下步骤：

步骤S101：获取各地区的历史订单数据。

步骤S102：获取各地区的地区数据。

步骤S103：根据各地区的历史订单数据以及地区数据，形成多个地区特征。

具体而言，可以基于各地区的历史订单数据获取该地区预设时间段内的发货量、预设时间段内的成交量、货主与司机电话时间超过20分钟的电话量等地区特征。可以基于地区获取获得地区经济发展情况(数值化)、地区位置、相邻地区的相关数据等。可以按需设置地区特征，本发明并非以此为限制。

步骤S104：基于所述多个地区特征，采用K-means算法对各地区进行聚类获得地区簇。

具体而言，步骤S104可以以多种方式实现，例如，通过多个地区特征拼接获得一地区的特征向量，从而可以基于特征向量之间的距离结合 K-means算法，来对各地区进行聚类获得地区簇。在一些变化例中，还可以以各地区的历史订单数据形成的地区特征作为一个坐标维度，各地区的地区数据形成的地区特征作为另一个坐标维度，根据该两个坐标维度，获得各地区的特征向量。本发明可以实现更多的方式在此不予赘述。

由此，通过上述步骤，以多种维度的特征数据(尤其包括了历史订单数据)实现地区的聚类，获得的地区簇内的地区之间在货运业务上以及城市本身皆相似，由此，可以通过地区簇内的地区的数据实现成交预测模型的训练，进一步提高成交预测准确率。

在上述实施例中，同一地区簇的不同地区的货源信息在所述成交预测模型的训练和/或预测时，具有不同的权重。由此，可以对同一地区簇的不同地区使用同一成交预测模型时，实现进一步地细化和区分。在一些实施例中，各地区簇中的地区越接近该簇的聚类中心，则该地区的权重越高。本发明并非以此为限制，各地区的权重也可以由用户自行按需设置。

进一步地，在本发明的一些具体实施例中，用于训练地区簇的订单数据可以包括成交和未成交的数据。

在本发明的一些实施例中，所述二级特征预测模型由频繁模型以及 LightGBM模型融合获得。下面分别结合图3至图5进行展开描述。

下面参见图3，图3示出了根据本发明实施例的训练频繁模型的流程图。图3共示出如下步骤：

步骤S111：获取预设时间段内的历史订单数据的货源信息。

步骤S112：提取所述历史订单数据的货源信息的一级特征数据，形成键。

步骤S113：提取所述历史订单数据中的二级特征数据并关联对应的键。

步骤S114：计算各键关联的二级特征数据的均值以及标准差。

步骤S115：基于各键关联的二级特征数据的均值以及标准差，计算各键关联的二级特征数据的变异系数。

步骤S116：遍历所有的键，当该键关联的二级特征数据的数量大于等于第一阈值，且该键关联的二级特征数据的变异系数小于等于第二阈值时，保留该键。

步骤S117：将保留的键与关联的二级特征数据的中位数的映射关系作为经训练的频繁模型。

下面描述上述步骤的一个具体实现方式。首先，获取30天(可以按需设置，例如可以设置为1周、半个月、3个月等)所有成交货源信息，根据货源信息的一级特征数据“车长；货重；起始地经度；起始地纬度；目的地地纬度；目的地标识；货源类目标识”为键(key)，同时获取各历史订单数据中的二级特征数据(如成交价格、运输时间等)。在具体的实现中，上述一级特征数据可以经过预处理，例如，车长可以分为多个设定范围；货重可以取整；起始经纬度可以取3位小数；当货源运输距离小于设定距离(如 50-400公里)，目的地标识可以取区级标识，否则可以取市级标识。由此，可以统计得到每个键对应的二级特征数据列表，求各个键对应的二级特征数据列表的均值以及标准差。进而可以计算各个键对应的二级特征数据列表的变异系数(即该组价格的离散程度)。然后，遍历所有的键，当键对应的二级特征数据列表的中二级特征数据的数量大于等于第一阈值(可以按需设置，例如为2-6中任一常数)且对应的变异系数小于等于第二阈值(可以按需设置，例如为0.1-0.3中的常数)时，保留对应的键，并计算该键下的对应的二级特征数据列表的中位数以作为该键对应的输出。该实施例仅仅是示意性地，本发明并非以此为限制。

下面参见图4，图4示出了根据本发明实施例的训练LightGBM模型的流程图。图4共示出如下步骤：

步骤S121：获取预设时间段内的历史订单数据的货源信息。

步骤S122：提取所述历史订单数据的货源信息的一级特征数据，所述一级特征数据包括货源维度特征数据、货主维度特征数据以及路线维度特征数据。

步骤S123：自多个一级特征数据中选取最相关的N个一级特征数据，N 为大于1的整数。

步骤S124：提取所述历史订单数据中的二级特征数据并关联N个一级特征数据，形成样本集。

步骤S125：基于所述样本集训练所述LightGBM模型。

下面描述上述步骤的一个具体实现方式。首先，历史订单数据的货源信息可以自一货源宽表中获得。由此，基于货源宽表中的信息可以获得货源维度特征数据、货主维度特征数据以及路线维度特征数据三个维度的一级特征数据。在一些实施例中可以将获得的一级特征数据储存至一数据表中(例如 hive表)。其中，货源维度特征数据包括但不限于：货源基础信息(比如货重、体积、运输距离、类目等)、货源紧急程度、货源地理特征、货源配货程度、货源重泡比、是否有特殊需求等。货主维度特征数据包括但不限于：货主历史发货紧急程度特征，货主近一周平均定金，货主近一周平均成交价格、货主近30天/7天起始省_目的省_标准化车长模型预测成交价格与实际成交价格比等。路线维度特征数据包括但不限于：路线车长定金率、路线车型定金率、路线起始/目的城市车公里价、路线7天供需比、路线近7天车长供需比、路线近7天车长供需比、路线成交时长、路线周内周末均价比率、路线周末与整周均价比率、路线不同件下的均价填充等。以上仅仅是示意性地描述本发明提供的货源维度特征数据、货主维度特征数据以及路线维度特征数据，本发明并非以此为限制。获得上述特征数据后，可以对该些特征数据进行预处理(如清洗)，然后，筛选获得对预测结果最相关的N个(N为大于1的整数，例如N可以为5、10，本发明并非以此为限制)的特征进行可视化分析，过滤异常点。然后对筛选获得的特征数据进行平滑。然后，可以调用 LightGBM模型，利用上述特征数据进行模型参数的训练。进一步地，训练模型后，可以进行模型上线测试，本发明可以实现更多的模型评估方式，在此不予赘述。

下面参见图5，图5示出了根据本发明实施例的融合频繁模型以及 LightGBM模型的流程图。图5共示出如下步骤：

步骤S131：根据待展示的货源信息的部分一级特征数据，形成待预测键；

步骤S132：判断所述待预测建是否命中所述频繁模型中的键；

若步骤S132判断为是，则执行步骤S133：将所述频繁模型中的键关联的数据作为所述二级特征数据；

若步骤S132判断为否，则执行步骤S134：将所述一级特征数据输入所述LightGBM模型；

步骤S135：将所述LightGBM模型输出的数据作为所述二级特征数据。

由此，通过上述步骤可以实现频繁模型和LightGBM模型的有效融合。由此，可以通过频繁模型来覆盖可以根据历史订单数据预估的二级特征数据，通过LightGBM模型来覆盖未在历史订单数据中的货源的二级特征数据的预测，由此，提高二级特征数据预测的货源信息的覆盖率。进一步地，频繁模型相较于LightGBM模型训练、预测方式更快捷，系统消耗更少，以此，使得 LightGBM模型来预测频繁模型未覆盖的货源信息还进一步提升了系统预测效率。具体而言，二级特征数据还用于成交预测模型的训练。

以上仅仅是示意性地描述本发明的多个实施例，本发明并非以此为限制。上述各实施例可以单独或组合来实施，这些变化的方式都在本发明的保护范围之内。

根据本发明的又一方面，还提供一种货源的展示装置，图6示出了根据本发明实施例的货源的展示装置的模块图。货源的展示装置200包括第一获取模块210、确定模块220、提取模块230、第一输入模块240、第二获取模块250、第二输入模块260、排序模块270以及展示模块280。

第一获取模块210配置成获取待展示货源的货源信息；

确定模块220配置成根据所述货源信息所在地区所属的地区簇，确定一经训练的成交预测模型，其中，各地区聚类后形成地区簇，每一地区簇的历史订单数据用于训练一所述成交预测模型；

提取模块230配置成提取待展示的货源信息的一级特征数据；

第一输入模块240配置成将所述待展示的货源信息的一级特征数据，输入一经训练的二级特征预测模型，所述二级特征预测模型由多个预测模型融合获得；

第二获取模块250配置成获取所述二级特征预测模型预测的二级特征数据；

第二输入模块260配置成将至少部分所述待展示的货源信息的一级特征数据以及所述二级特征数据输入所述成交预测模型；

排序模块270配置成根据所述成交预测模型的预测结果对待展示货源的货源信息进行排序；

展示模块280配置成展示经排序的货源信息。

在本发明提供的货源的展示装置中，一方面，通过将成交预测结果作为货源排序的排序因子，从而大幅降低用户对货源的浏览时间，提升接单效率，进而提升平台整体的货运效率；另一方面，考虑到各个城市的司机和货主的下单因素不同，以地区簇的形式训练不同的成交预测模型，从而能够实现排序方式的普及，提高各地的预测准确率的同时，降低训练和部署成交预测模型的成本；再一方面，考虑到影响成交的部分特征并非是在货源发布时就能直接获得的，因此，通过一二级特征预测模型来预测二级特征数据，从而实现二级特征数据的获取，进一步提高成交预测模型的准确率；又一方面，一级特征数据可以复用于成交预测模型和二级特征预测模型的输入，从而减少特征数据的缓存需求，且提高系统预测效率。

图6仅仅是示意性的示出本发明提供的货源的展示装置200，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的货源的展示装置200可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述货源的展示方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述货源的展示方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器 (ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、 C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述货源的展示方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本发明的这种实施方式的电子设备500。图8 显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，电子设备500以通用计算设备的形式表现。电子设备500 的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述货源的展示方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510 可以执行如图1-图5所示的步骤。

所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500 使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述货源的展示方法。

相比现有技术，本发明的优势在于：

一方面，通过将成交预测结果作为货源排序的排序因子，从而大幅降低用户对货源的浏览时间，提升接单效率，进而提升平台整体的货运效率；另一方面，考虑到各个城市的司机和货主的下单因素不同，以地区簇的形式训练不同的成交预测模型，从而能够实现排序方式的普及，提高各地的预测准确率的同时，降低训练和部署成交预测模型的成本；再一方面，考虑到影响成交的部分特征并非是在货源发布时就能直接获得的，因此，通过一二级特征预测模型来预测二级特征数据，从而实现二级特征数据的获取，进一步提高成交预测模型的准确率；又一方面，一级特征数据可以复用于成交预测模型和二级特征预测模型的输入，从而减少特征数据的缓存需求，且提高系统预测效率。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

Claims (6)

1.一种货源的展示方法，其特征在于，包括：

获取待展示货源的货源信息；

根据所述货源信息所在地区所属的地区簇，确定一经训练的成交预测模型，其中，各地区聚类后形成地区簇，每一地区簇的历史订单数据用于训练一所述成交预测模型；

提取待展示的货源信息的一级特征数据；

将所述待展示的货源信息的一级特征数据，输入一经训练的二级特征预测模型，所述二级特征预测模型由频繁模型以及LightGBM模型融合获得；

获取所述二级特征预测模型预测的二级特征数据；

将至少部分所述待展示的货源信息的一级特征数据以及所述二级特征数据输入所述成交预测模型；

根据所述成交预测模型的预测结果对待展示货源的货源信息进行排序；

展示经排序的货源信息，

其中，所述频繁模型按如下步骤训练：

获取预设时间段内的历史订单数据的货源信息；

提取所述历史订单数据的货源信息的一级特征数据，形成键；

提取所述历史订单数据中的二级特征数据并关联对应的键；

计算各键关联的二级特征数据的均值以及标准差；

基于各键关联的二级特征数据的均值以及标准差，计算各键关联的二级特征数据的变异系数；

遍历所有的键，当该键关联的二级特征数据的数量大于等于第一阈值，且该键关联的二级特征数据的变异系数小于等于第二阈值时，保留该键；

将保留的键与关联的二级特征数据的中位数的映射关系作为经训练的频繁模型，

所述LightGBM模型按如下步骤训练：

获取预设时间段内的历史订单数据的货源信息；

提取所述历史订单数据的货源信息的一级特征数据，所述一级特征数据包括货源维度特征数据、货主维度特征数据以及路线维度特征数据；

自多个一级特征数据中选取最相关的N个一级特征数据，N为大于1的整数；

提取所述历史订单数据中的二级特征数据并关联N个一级特征数据，形成样本集；

基于所述样本集训练所述LightGBM模型，

所述频繁模型以及LightGBM模型按如下步骤融合：

根据待展示的货源信息的部分一级特征数据，形成待预测键；

判断所述待预测键是否命中所述频繁模型中的键；

若是，则将所述频繁模型中的键关联的数据作为所述二级特征数据；

若否，则将所述一级特征数据输入所述LightGBM模型；

将所述LightGBM模型输出的数据作为所述二级特征数据。

2.如权利要求1所述的货源的展示方法，其特征在于，各地区通过如下方式进行聚类：

获取各地区的历史订单数据；

获取各地区的地区数据；

根据各地区的历史订单数据以及地区数据，形成多个地区特征；

基于所述多个地区特征，采用K-means算法对各地区进行聚类获得地区簇。

3.如权利要求2所述的货源的展示方法，其特征在于，同一地区簇的不同地区的货源信息在所述成交预测模型的训练和/或预测时，具有不同的权重。

4.一种货源的展示装置，其特征在于，包括：

第一获取模块，配置成获取待展示货源的货源信息；

确定模块，配置成根据所述货源信息所在地区所属的地区簇，确定一经训练的成交预测模型，其中，各地区聚类后形成地区簇，每一地区簇的历史订单数据用于训练一所述成交预测模型；

提取模块，配置成提取待展示的货源信息的一级特征数据；

第一输入模块，配置成将所述待展示的货源信息的一级特征数据，输入一经训练的二级特征预测模型，所述二级特征预测模型由频繁模型以及LightGBM模型融合获得；

第二获取模块，配置成获取所述二级特征预测模型预测的二级特征数据；

第二输入模块，配置成将至少部分所述待展示的货源信息的一级特征数据以及所述二级特征数据输入所述成交预测模型；

排序模块，配置成根据所述成交预测模型的预测结果对待展示货源的货源信息进行排序；

展示模块，配置成展示经排序的货源信息，

其中，所述频繁模型按如下步骤训练：

获取预设时间段内的历史订单数据的货源信息；

提取所述历史订单数据的货源信息的一级特征数据，形成键；

提取所述历史订单数据中的二级特征数据并关联对应的键；

计算各键关联的二级特征数据的均值以及标准差；

基于各键关联的二级特征数据的均值以及标准差，计算各键关联的二级特征数据的变异系数；

遍历所有的键，当该键关联的二级特征数据的数量大于等于第一阈值，且该键关联的二级特征数据的变异系数小于等于第二阈值时，保留该键；

将保留的键与关联的二级特征数据的中位数的映射关系作为经训练的频繁模型，

所述LightGBM模型按如下步骤训练：

获取预设时间段内的历史订单数据的货源信息；

提取所述历史订单数据的货源信息的一级特征数据，所述一级特征数据包括货源维度特征数据、货主维度特征数据以及路线维度特征数据；

自多个一级特征数据中选取最相关的N个一级特征数据，N为大于1的整数；

提取所述历史订单数据中的二级特征数据并关联N个一级特征数据，形成样本集；

基于所述样本集训练所述LightGBM模型，

所述频繁模型以及LightGBM模型按如下步骤融合：

根据待展示的货源信息的部分一级特征数据，形成待预测键；

判断所述待预测键是否命中所述频繁模型中的键；

若是，则将所述频繁模型中的键关联的数据作为所述二级特征数据；

若否，则将所述一级特征数据输入所述LightGBM模型；

将所述LightGBM模型输出的数据作为所述二级特征数据。

5.一种电子设备，其特征在于，所述电子设备包括：

处理器；

存储器，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至3任一项所述的货源的展示方法。

6.一种存储介质，其特征在于，所述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3任一项所述的货源的展示方法。

Images