CN112612958A - 订单处理方法、装置、电子设备和计算机可读介质 - Google Patents
订单处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112612958A CN112612958A CN202011556793.7A CN202011556793A CN112612958A CN 112612958 A CN112612958 A CN 112612958A CN 202011556793 A CN202011556793 A CN 202011556793A CN 112612958 A CN112612958 A CN 112612958A
- Authority
- CN
- China
- Prior art keywords
- candidate
- passenger
- filtering
- information
- driver
- 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.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 206010022998 Irritability Diseases 0.000 claims description 3
- 230000002996 emotional effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000035987 intoxication Effects 0.000 description 1
- 231100000566 intoxication Toxicity 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
-
- 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
-
- G06Q50/40—
Abstract
本申请实施例公开了订单处理方法、装置、电子设备和计算机可读介质。该方法的实施例包括:响应于接收到乘车订单,基于乘客的乘车地点确定候选司机;提取候选司机的第一特征信息和乘客的第二特征信息,并基于第一特征信息和第二特征信息,对候选司机进行过滤;对过滤后的候选司机进行排序,并基于排序结果选取目标司机;向目标司机派发乘车订单。该实施方式提高了网约车场景下的司乘安全性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及订单处理方法、装置、电子设备和计算机可读介质。
背景技术
随着交通的便利,网约车出行已经成为人们常有的出行方式。用户可通过网约车应用(Application,APP)提交订单。在乘客提单后,平台即可从乘客所在区域内寻找符合乘客意愿的空闲车辆。
现有技术中,在乘客提单后,平台通常基于乘客的乘车地点召回一定范围内的司机,并按照排序算法从中选取一个目标司机,向其派发乘车订单。这种方式无法根据不同乘客的特点对所召回的司机进行筛选,存在司乘安全隐患。
发明内容
本申请实施例提出了订单处理方法、装置、电子设备和计算机可读介质,以解决现有技术在网约车场景下司乘的安全性较低的技术问题。
第一方面,本申请实施例提供了一种订单处理方法,该方法包括:响应于接收到乘车订单,基于乘客的乘车地点确定候选司机;提取所述候选司机的第一特征信息和所述乘客的第二特征信息,并基于所述第一特征信息和所述第二特征信息,对所述候选司机进行过滤;对过滤后的候选司机进行排序,并基于排序结果选取目标司机;向所述目标司机派发所述乘车订单。
第二方面,本申请实施例提供了一种订单处理装置,该装置包括:确定单元,被配置成响应于接收到乘车订单,基于乘客的乘车地点确定候选司机;过滤单元,被配置成提取所述候选司机的第一特征信息和所述乘客的第二特征信息,并基于所述第一特征信息和所述第二特征信息,对所述候选司机进行过滤;选取单元,被配置成对过滤后的候选司机进行排序,并基于排序结果选取目标司机;派发单元,被配置成向所述目标司机派发所述乘车订单。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中所描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中所描述的方法。
本申请实施例提供的订单处理方法、装置、电子设备和计算机可读介质,在接收到乘车订单后,基于乘客的乘车地点确定候选司机;而后提取候选司机的第一特征信息和乘客的第二特征信息,并基于第一特征信息和第二特征信息,对候选司机进行过滤;之后对过滤后的候选司机进行排序,并基于排序结果选取目标司机;最后向目标司机派发乘车订单。由此,在订单派发时,能够基于乘客的特征以及候选司机的特征,对候选司机进行过滤,以排除因乘客以及司机因素造成的司乘安全隐患,提高了网约车场景下的司乘安全性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的订单处理方法的一个实施例的流程图;
图3是根据本申请的订单处理方法中基于危险等级过滤候选司机的原理的示意图;
图4是根据本申请的订单处理装置的一个实施例的结构示意图;
图5是用于实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的订单处理方法或订单处理装置的示例性系统架构100。
如图1所示,系统架构100可以包括乘客终端101、102、103,网络104、106、服务器105和司机终端107、108、109。网络104用以在乘客终端101、102、103和服务器105之间提供通信链路的介质。网络106用以在司机终端107、108、109和服务器105之间提供通信链路的介质。网络104、106可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
乘客可以使用乘客终端101、102、103通过网络104与服务器105交互,以接收或发送消息等。司机可以使用司机终端107、108、109通过网络106与服务器105交互,以接收或发送消息等。乘客终端101、102、103以及司机终端107、108、109上可以安装有各种通讯客户端应用,例如网约车类的客户端应用、语音交互类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
乘客终端101、102、103以及司机终端107、108、109可以是硬件,也可以是软件。当乘客终端101、102、103以及司机终端107、108、109为硬件时,可以是具有显示屏并且支持网络通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、可穿戴设备等等。当乘客终端101、102、103以及司机终端107、108、109为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对网约车类的客户端应用提供支持的后台服务器。后台服务器可以接收乘客终端101、102、103所提交的订单,也可以接收司机终端107、108、109发送的乘车地点、提单地点等信息。同时,可以基于司机的地点以及乘客订单召回司机订单,并基于一定算法或策略,从中选取目标司机,以向其派发乘车订单。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的订单处理方法一般由服务器105执行,相应地,订单处理装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的乘客终端、司机终端、网络和服务器。
请参考图2,其示出了根据本申请的订单处理方法的一个实施例的流程200。该订单处理方法,包括以下步骤:
步骤201,响应于接收到乘车订单,基于乘客的乘车地点确定候选司机。
在本实施例中,订单处理方法的执行主体(如图1所示的服务器105)可维护有网约车平台,用以提供网约车服务。上述执行主体可在接收到乘客的乘车订单后,可以基于该乘客的乘车地点,召回一定范围内的空闲司机,并将所召回的空闲司机作为候选司机。
其中,乘车订单中可包括但不限于乘车地点、目标地点、提单地点、用户基本信息(如联系方式、性别等)、用车类型等内容。基于乘车订单,可知乘客的乘车地点。
在本实施例中,所召回的候选司机可以是位于乘车地点一定范围内的空闲司机。例如,可是以乘车地点为中心的矩形地理区域、圆形地理区域、或者预先划分的不规则地理区域内的空闲司机,此处不作具体限定。
步骤202,提取候选司机的第一特征信息和乘客的第二特征信息,并基于第一特征信息和第二特征信息,对候选司机进行过滤。
在本实施例中,上述执行主体可以分别提取各个候选司机的第一特征信息,以及乘客的第二特征信息。其中,第一特征信息是用于表征候选司机的特征的信息,第二特征信息可用于表征乘客的特征的信息。特征信息能够表征一个人的性格特点、行为习惯等。
作为示例,第一特征信息可包括但不限于以下至少一项:基础画像、投诉信息、评价信息、交易行为信息、心理测评信息等。第二特征信息可包括但不限于以下至少一项:基础画像、出行偏好信息、兴趣点偏好信息、投诉信息、评价信息、易怒程度信息、情感状况信息等。
在本实施例中,上述执行主体可以在提取第一特征信息和第二特征信息后,基于第一特征信息和第二特征信息,对候选司机进行过滤,以筛选出满足一定条件的候选司机,即滤除不满足条件的候选司机。
由于特征信息能够表征一个人的性格特点、行为习惯等,因而基于候选司机的第一特征信息和乘客的第二特征信息对候选司机进行过滤,能够针对当前乘客的特点,滤除对其存在安全隐患或者安全威胁的司机,从而提高司乘的安全性。
此处,上述执行主体可采用多种方式对候选司机进行过滤。作为示例,可基于每个候选司机的第一特征信息确定该候选司机的类型,并基于乘客的第二特征信息确定该乘客的类型,之后基于预先设定的类型匹配表,查询与乘客的类型相匹配的司机的目标类型,从而从候选司机中筛选出该目标类型的司机。其中,类型匹配表根据大量数据统计而预先设定。候选司机的类型以及乘客的类型可借助预先训练的类型检测模型等,该类型检测模型可采用常用的机器学习方法(如有监督学习方法)预先训练得到,此处不作赘述。
在本实施例的一些可选的实现方式中,基于第一特征信息和第二特征信息,还可通过如下子步骤S11至S13对候选司机进行过滤:
子步骤S11,基于第一特征信息,确定候选司机的危险等级。
此处,上述执行主体可以预先部署有一个评分模型(可称为第一评分模型),该第一评分模型可对司机的特征信息进行分析,确定出司机的危险得分。该危险得分可用于表征司机的危险程度。通常,危险得分越高,危险程度越高。
该第一评分模型可以采用机器学习方法(如有监督学习方法)预先训练得到。在一些示例中,训练第一评分模型所使用的样本可以是历史订单的司机的特征信息,样本的标注可以基于历史订单的评价信息或司机行为等信息确定。训练第一评分模型可采用各种常用的模型结构,如神经网络、逻辑回归模型等,此处不作限定。
上述执行主体可分别将每一个候选司机的第一特征信息输入至第一评分模型,得到该第一评分模型输出的该候选司机的危险得分。可预先将司机的危险得分划分为多个区间,每个区间对应一个危险等级。由此,针对每一个候选司机,在得到第一评分模型输出的该候选司机的危险得分后,可确定基于该危险得分所属的区间,确定该候选司机的危险等级。
作为示例,第一评分模型输出的危险得分的取值范围为[0,1]。可将危险得分划分为[0,0.5]、(0.5,0.8]、(0.8,1]三个区间,依次对应三个不同的危险等级。需要说明的是,司机的危险得分的区间划分方式可根据需要进行其他设定,不限于上述示例。
子步骤S12,基于第二特征信息,确定乘客的危险等级。
此处,上述执行主体可以预先部署有另一个评分模型(可称为第二评分模型),该第二评分模型可对乘客的特征信息进行分析,确定出乘客的危险得分。乘客的危险得分可用于表征乘客的危险程度。通常,乘客的危险得分越高,危险程度越高。
类似的,该第二评分模型也可以采用机器学习方法(如有监督学习方法)预先训练得到。在一些示例中,训练第二评分模型所使用的样本可以是历史订单的乘客的特征信息,样本的标注可以基于历史订单的乘客行为等信息确定。训练第二评分模型也可采用相似的模型结构,如神经网络、逻辑回归模型等,此处不作限定。
上述执行主体可将乘客的第二特征信息输入至第二评分模型,得到该第二评分模型输出的该乘客的危险得分。同理,可预先将乘客的危险得分划分为多个区间,每个区间对应一个危险等级。从而在得到第二评分模型输出的危险得分后,可确定基于该危险得分所属的区间,确定乘客的危险等级。
作为示例,第二评分模型输出的危险得分的取值范围为[0,1]。可将危险得分划分为[0,0.5]、(0.5,0.8]、(0.8,1]三个区间,依次对应三个不同的危险等级。需要说明的是,乘客的危险得分的区间划分方式还可与司机的危险得分的区间划分方式不同,且可根据需要进行其他设定,不限于上述示例。
子步骤S13,基于乘客的危险等级确定过滤条件,并对危险等级满足过滤条件的候选司机进行过滤。
此处,乘客的危险等级不同时,过滤条件可以不同。
在本实施例的一些可选的实现方式中,危险等级可包括低危、中危和高危。若乘客的危险等级为低危,则可将过滤条件设定为保留全部的候选司机。若乘客的危险等级为高危,则可将过滤条件设定为滤除中危和高危的候选司机。若乘客的危险等级为中危,则可将过滤条件设定为滤除高危的候选司机。由此,响应于乘客的危险等级为高危,上述执行主体即可滤除危险等级为中危和高危的候选司机。响应于乘客的危险等级为中危,上述执行主体即可滤除危险等级为高危的候选司机。
作为示例,图3是根据本申请的订单处理方法中基于危险等级过滤候选司机的原理的示意图。如图3所示,基于危险得分可划分为三个等级,分别为低危、中危和高危。若乘客的危险等级为高危,可滤除危险等级为中危和高危的候选司机;若乘客的危险等级为中危,可滤除危险等级为高危的候选司机;若乘客的危险等级为低危,不对候选司机进行滤除。
通过确定乘客及候选司机的危险等级,并基于危险等级过滤候选司机,能够针对当前乘客的特点,滤除对其存在安全隐患或者安全威胁的司机,从而提高司乘的安全性。
在本实施例的一些可选的实现方式中,上述执行主体还可以基于乘客的乘车场景,进一步对候选司机进行过滤。此时,对候选司机进行过滤的步骤还可进一步包括如下子步骤S14和S15:
子步骤S14,识别乘客的乘车场景。
乘车场景可包括但不限于以下至少一项:未成年乘车场景、醉酒乘车场景、代人叫车场景等。上述执行主体可基于乘车订单,识别乘客的乘车场景。
作为示例,乘车订单中可包含用户标识。基于该用户标识,可查询该乘客的基本信息。乘客的基本信息中可包括年龄、性别、标签(如未成年人标识)等多项信息。基于乘客的年龄或标签,即可确定出其是否为未成年,从而确定乘车场景是否为未成年乘车场景。
作为又一示例,在乘客提交乘车订单时,可进行醉酒报备(如通过勾选指定选项实现)。当检测到乘车订单包含醉酒报备信息时,可确定当前的乘车场景为醉酒乘车场景。
需要说明的是,上述执行主体还可以通过其他方式确定乘车场景是否为醉酒乘车场景。例如,可通过乘客的提单时间、提单地点(如是否在饭店门口)、基础画像、历史行为等特征预测出乘客是否醉酒乘车,从而基于预测结果判定是否为醉酒乘车场景。
作为再一示例,上述执行主体可以检测乘车订单的提交入口。若提价入口为代人叫车入口提单入口,则可以确定当前的乘车场景为代人叫车场景。
需要说明的是,上述执行主体还可以通过其他方式确定乘车场景是否为代人叫车场景。例如,可通过提单地点与乘车地点的距离、即时通讯消息、隐私号通话识别等方式,判断出乘车场景是否为代人叫车场景。
子步骤S15,基于乘车场景、候选司机的危险等级以及乘客的危险等级,对候选司机进行过滤。
此处,针对不同的乘车场景,可基于候选司机的危险等级以及乘客的危险等级,采用不同的策略对候选司机进行过滤。
在本实施例的一些可选的实现方式中,响应于乘车场景为未成年乘车场景,上述执行主体可以首先确定乘客的年龄(如可从乘客的基本信息中读取)。响应于乘客的年龄大于或等于预设年龄(如16岁),此时乘客岁大于或等于16岁但仍未成年,具备一定的行为能力,可滤除危险等级为中危和高危的候选司机,以保障乘客安全。响应于乘客的年龄小于预设年龄(如小于16岁),需要由监护人监护下乘车,此时可滤除全部候选司机,以保障乘客安全。
在本实施例的一些可选的实现方式中,响应于乘车场景为醉酒乘车场景,上述执行主体可以滤除危险等级为中危和高危的候选司机,以在未醉酒乘客提供乘车服务的同时,保障醉酒乘客的安全。
在本实施例的一些可选的实现方式中,响应于乘车场景为代人叫车场景,上述执行主体可以滤除危险等级为高危的候选司机,以在为乘车提供乘车服务的同时,降低乘客发生危险的概率,保障乘客安全。
通过识别乘车场景,并基于乘车场景采用相应的策略进一步过滤候选司机,可进一步降低乘客以及司机发生危险的概率,从而进一步提高司乘安全性。
在本实施例的一些可选的实现方式中,上述执行主体还可以基于白名单,进一步对候选司机进行过滤。此时,对候选司机进行过滤的步骤还可进一步包括如下子步骤S16至S18:
子步骤S16,确定候选司机是否位于白名单。
此处,白名单可以预先生成且可以动态更新。对于某一个候选司机,可基于其第一特征信息中的一项或多项内容(如合规情况、投诉信息、封禁信息、人车是否符合等),确定该候选司机是否符合白名单入选要求。若符合,则可将该后选司机加入白名单。若不符合,可将其从白名单中去除或不加入白名单。
子步骤S17,确定乘客的性别。
此处,由于第二特征信息中包括乘客的基础画像等信息,基础画像信息可包含乘客的性别、年龄、职业等各种信息,因而基于第二特征信息,即可确定出乘客的性别。
子步骤S18,响应于性别为女性且当前时间属于预设时间段,滤除未包含在白名单的候选司机。
其中,预设时间段可设定为夜间时间段,如22:00至24:00、以及0:00至5:00等。当乘客为女性且当前时间属于预设时间段,则可以滤除未包含在白名单的候选司机,从而能够在为女性乘客提供乘车服务的同时,尽可能保障女性乘客的人身安全。
步骤203,对过滤后的候选司机进行排序,并基于排序结果选取目标司机。
在本实施例中,上述执行主体可以对过滤后的候选司机进行排序。此处,可采用各种预先设定的排序算法进行排序。例如,可按照到乘车地点的距离进行排序,也可按照行驶至乘车地点的预估时间进行排序,还可综合多种因素后进行综合排序等,此处不作限定。
在得到候选司机的排序结果后,上述执行主体可从中选取排序为首的候选司机,并将其作为目标司机。
步骤204,向目标司机派发乘车订单。
在本实施例中,上述执行主体可以向目标司机派发乘车订单,由此,目标司机可行驶至乘车地点搭载该乘客。
本申请的上述实施例提供的方法,在接收到乘车订单后,基于乘客的乘车地点确定候选司机;而后提取候选司机的第一特征信息和乘客的第二特征信息,并基于第一特征信息和第二特征信息,对候选司机进行过滤;之后对过滤后的候选司机进行排序,并基于排序结果选取目标司机;最后向目标司机派发乘车订单。由此,在订单派发时,能够基于乘客的特征以及候选司机的特征,对候选司机进行过滤,以排除因乘客以及司机因素造成的司乘安全隐患,提高了网约车场景下的司乘安全性。
进一步地,通过确定乘客及候选司机的危险等级,并基于危险等级过滤候选司机,能够针对当前乘客的特点,滤除对其存在安全隐患或者安全威胁的司机,从而提高司乘的安全性。
进一步地,通过识别乘车场景,并基于乘车场景采用相应的策略进一步过滤候选司机,可进一步降低乘客以及司机发生危险的概率,从而进一步提高司乘安全性。
进一步地,通过白名单为预设时间段打车的女性乘客进一步过滤候选司机,可在为女性乘客提供乘车服务的同时,尽可能保障女性乘客的人身安全。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种订单处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的订单处理装置400包括:确定单元401,被配置成响应于接收到乘车订单,基于乘客的乘车地点确定候选司机;过滤单元402,被配置成提取上述候选司机的第一特征信息和上述乘客的第二特征信息,并基于上述第一特征信息和上述第二特征信息,对上述候选司机进行过滤;选取单元403,被配置成对过滤后的候选司机进行排序,并基于排序结果选取目标司机;派发单元404,被配置成向上述目标司机派发上述乘车订单。
在本实施例的一些可选的实现方式中,上述过滤单元402,进一步被配置成:基于上述第一特征信息,确定上述候选司机的危险等级;基于上述第二特征信息,确定上述乘客的危险等级;基于上述乘客的危险等级确定过滤条件,并对危险等级满足上述过滤条件的候选司机进行过滤。
在本实施例的一些可选的实现方式中,上述危险等级包括低危、中危和高危;以及,上述过滤单元402,进一步被配置成:响应于上述乘客的危险等级为高危,滤除危险等级为中危和高危的候选司机;响应于上述乘客的危险等级为中危,滤除危险等级为高危的候选司机。
在本实施例的一些可选的实现方式中,上述过滤单元402,进一步被配置成:识别上述乘客的乘车场景;基于上述乘车场景、上述候选司机的危险等级以及上述乘客的危险等级,对上述候选司机进行过滤。
在本实施例的一些可选的实现方式中,上述乘车场景包括未成年乘车场景;以及,上述过滤单元402,进一步被配置成:响应于上述乘车场景为上述未成年乘车场景,确定上述乘客的年龄;响应于上述年龄大于或等于预设年龄,滤除危险等级为中危和高危的候选司机;响应于上述年龄小于上述预设年龄,滤除全部候选司机。
在本实施例的一些可选的实现方式中,上述乘车场景包括醉酒乘车场景;以及,上述过滤单元402,进一步被配置成:响应于上述乘车场景为醉酒乘车场景,滤除危险等级为中危和高危的候选司机。
在本实施例的一些可选的实现方式中,上述乘车场景包括代人叫车场景;以及,上述过滤单元402,进一步被配置成:响应于上述乘车场景为代人叫车场景,滤除危险等级为高危的候选司机。
在本实施例的一些可选的实现方式中,上述过滤单元402,进一步被配置成:确定上述候选司机是否位于白名单;确定上述乘客的性别;响应于上述性别为女性且当前时间属于预设时间段,滤除未包含在上述白名单的候选司机。
在本实施例的一些可选的实现方式中,上述第一特征信息包括以下至少一项:基础画像、投诉信息、评价信息、交易行为信息、心理测评信息;上述第二特征信息包括以下至少一项:基础画像、出行偏好信息、兴趣点偏好信息、投诉信息、评价信息、易怒程度信息、情感状况信息。
本申请的上述实施例提供的装置,在接收到乘车订单后,基于乘客的乘车地点确定候选司机;而后提取候选司机的第一特征信息和乘客的第二特征信息,并基于第一特征信息和第二特征信息,对候选司机进行过滤;之后对过滤后的候选司机进行排序,并基于排序结果选取目标司机;最后向目标司机派发乘车订单。由此,在订单派发时,能够基于乘客的特征以及候选司机的特征,对候选司机进行过滤,以排除因乘客以及司机因素造成的司乘安全隐患,提高了网约车场景下的司乘安全性。
下面参考图5,其示出了用于实现本申请的一些实施例的电子设备的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁盘、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本申请的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本申请的一些实施例的方法中限定的上述功能。
需要说明的是,本申请的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请的一些实施例中,计算机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。而在本申请的一些实施例中,计算机可读信号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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机可读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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:响应于接收到乘车订单,基于乘客的乘车地点确定候选司机;提取候选司机的第一特征信息和乘客的第二特征信息,并基于第一特征信息和第二特征信息,对候选司机进行过滤;对过滤后的候选司机进行排序,并基于排序结果选取目标司机;向目标司机派发乘车订单。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的一些实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++;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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接),上述网络包括局域网(LAN)或广域网(WAN)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定单元、第二确定单元、选取单元和第三确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本申请的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种订单处理方法,其特征在于,所述方法包括:
响应于接收到乘车订单,基于乘客的乘车地点确定候选司机;
提取所述候选司机的第一特征信息和所述乘客的第二特征信息,并基于所述第一特征信息和所述第二特征信息,对所述候选司机进行过滤;
对过滤后的候选司机进行排序,并基于排序结果选取目标司机;
向所述目标司机派发所述乘车订单。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一特征信息和所述第二特征信息,对所述候选司机进行过滤,包括:
基于所述第一特征信息,确定所述候选司机的危险等级;
基于所述第二特征信息,确定所述乘客的危险等级;
基于所述乘客的危险等级确定过滤条件,并对危险等级满足所述过滤条件的候选司机进行过滤。
3.根据权利要求2所述的方法,其特征在于,所述危险等级包括低危、中危和高危;以及,
所述基于所述乘客的危险等级确定过滤条件,并对危险等级满足所述过滤条件的候选司机进行过滤,包括:
响应于所述乘客的危险等级为高危,滤除危险等级为中危和高危的候选司机;
响应于所述乘客的危险等级为中危,滤除危险等级为高危的候选司机。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一特征信息和所述第二特征信息,对所述候选司机进行过滤,还包括:
识别所述乘客的乘车场景;
基于所述乘车场景、所述候选司机的危险等级以及所述乘客的危险等级,对所述候选司机进行过滤。
5.根据权利要求4所述的方法,其特征在于,所述乘车场景包括未成年乘车场景;以及,
所述基于所述乘车场景、所述候选司机的危险等级以及所述乘客的危险等级,对所述候选司机进行过滤,包括:
响应于所述乘车场景为所述未成年乘车场景,确定所述乘客的年龄;
响应于所述年龄大于或等于预设年龄,滤除危险等级为中危和高危的候选司机;
响应于所述年龄小于所述预设年龄,滤除全部候选司机。
6.根据权利要求4所述的方法,其特征在于,所述乘车场景包括醉酒乘车场景;以及,
所述基于所述乘车场景、所述候选司机的危险等级以及所述乘客的危险等级,对所述候选司机进行过滤,包括:
响应于所述乘车场景为醉酒乘车场景,滤除危险等级为中危和高危的候选司机。
7.根据权利要求4所述的方法,其特征在于,所述乘车场景包括代人叫车场景;以及,
所述基于所述乘车场景、所述候选司机的危险等级以及所述乘客的危险等级,对所述候选司机进行过滤,包括:
响应于所述乘车场景为代人叫车场景,滤除危险等级为高危的候选司机。
8.根据权利要求2所述的方法,其特征在于,所述基于所述第一特征信息和所述第二特征信息,对所述候选司机进行过滤,还包括:
确定所述候选司机是否位于白名单;
确定所述乘客的性别;
响应于所述性别为女性且当前时间属于预设时间段,滤除未包含在所述白名单的候选司机。
9.根据权利要求1-9之一所述的方法,其特征在于,所述第一特征信息包括以下至少一项:基础画像、投诉信息、评价信息、交易行为信息、心理测评信息;
所述第二特征信息包括以下至少一项:基础画像、出行偏好信息、兴趣点偏好信息、投诉信息、评价信息、易怒程度信息、情感状况信息。
10.一种订单处理装置,其特征在于,所述装置包括:
确定单元,被配置成响应于接收到乘车订单,基于乘客的乘车地点确定候选司机;
过滤单元,被配置成提取所述候选司机的第一特征信息和所述乘客的第二特征信息,并基于所述第一特征信息和所述第二特征信息,对所述候选司机进行过滤;
选取单元,被配置成对过滤后的候选司机进行排序,并基于排序结果选取目标司机;
派发单元,被配置成向所述目标司机派发所述乘车订单。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556793.7A CN112612958A (zh) | 2020-12-24 | 2020-12-24 | 订单处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556793.7A CN112612958A (zh) | 2020-12-24 | 2020-12-24 | 订单处理方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112612958A true CN112612958A (zh) | 2021-04-06 |
Family
ID=75244964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011556793.7A Withdrawn CN112612958A (zh) | 2020-12-24 | 2020-12-24 | 订单处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112612958A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159353A (zh) * | 2021-05-10 | 2021-07-23 | 上海钧正网络科技有限公司 | 网约车订单分配方法、装置及计算机存储介质 |
CN113240327A (zh) * | 2021-06-02 | 2021-08-10 | 上海钧正网络科技有限公司 | 网约车订单分派方法、筛选规则生成或设置方法、装置、服务器、终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170200321A1 (en) * | 2016-01-07 | 2017-07-13 | Google Inc. | Reputation Systems in Ride Share Platforms |
CN109919708A (zh) * | 2019-01-24 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种打车软件派单方法和装置 |
CN110210772A (zh) * | 2019-06-09 | 2019-09-06 | 张子洋 | 一种网约车安全管控实现方法 |
CN110555536A (zh) * | 2019-09-06 | 2019-12-10 | 南京领行科技股份有限公司 | 一种网约车订单的安全性预测方法、装置、设备和存储介质 |
CN111340355A (zh) * | 2020-02-24 | 2020-06-26 | 南京领行科技股份有限公司 | 行程订单的匹配方法、装置、服务器和介质 |
-
2020
- 2020-12-24 CN CN202011556793.7A patent/CN112612958A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170200321A1 (en) * | 2016-01-07 | 2017-07-13 | Google Inc. | Reputation Systems in Ride Share Platforms |
CN109919708A (zh) * | 2019-01-24 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种打车软件派单方法和装置 |
CN110210772A (zh) * | 2019-06-09 | 2019-09-06 | 张子洋 | 一种网约车安全管控实现方法 |
CN110555536A (zh) * | 2019-09-06 | 2019-12-10 | 南京领行科技股份有限公司 | 一种网约车订单的安全性预测方法、装置、设备和存储介质 |
CN111340355A (zh) * | 2020-02-24 | 2020-06-26 | 南京领行科技股份有限公司 | 行程订单的匹配方法、装置、服务器和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159353A (zh) * | 2021-05-10 | 2021-07-23 | 上海钧正网络科技有限公司 | 网约车订单分配方法、装置及计算机存储介质 |
CN113240327A (zh) * | 2021-06-02 | 2021-08-10 | 上海钧正网络科技有限公司 | 网约车订单分派方法、筛选规则生成或设置方法、装置、服务器、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109964271B (zh) | 用于提供对用户的语音输入的响应消息的设备和方法 | |
US11049334B2 (en) | Picture-based vehicle loss assessment | |
US11475770B2 (en) | Electronic device, warning message providing method therefor, and non-transitory computer-readable recording medium | |
US10997859B2 (en) | Parking lot information service system and method | |
US20200051193A1 (en) | Systems and methods for allocating orders | |
CN105894360B (zh) | 作弊订单识别方法、装置及系统 | |
CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
US11836748B2 (en) | System and methods for predicting rental vehicle use preferences | |
CN112612958A (zh) | 订单处理方法、装置、电子设备和计算机可读介质 | |
US11270586B2 (en) | System and method for providing information regarding parking space | |
CN111460288B (zh) | 用于检测新闻事件的方法和装置 | |
CN111259119B (zh) | 一种问题推荐方法及装置 | |
CN111104585A (zh) | 一种问题推荐方法及装置 | |
CN112989188A (zh) | 推荐订单的确定方法、装置和服务器 | |
CN116011800A (zh) | 一种交通事件预警的方法及设备 | |
CN110727882B (zh) | 信息展示方法、电子设备和计算机可读介质 | |
KR20220168533A (ko) | 입차 또는 출차되는 차량을 관리하기 위한 전자 장치 및 그 동작 방법 | |
CN111259229B (zh) | 一种问题推荐方法及装置 | |
CN111401030B (zh) | 服务异常识别方法、装置、服务器及可读存储介质 | |
CN112465331A (zh) | 乘车安全控制方法、模型训练方法、装置、设备及介质 | |
CN113884170A (zh) | 货车偏载识别方法、装置及计算机可读存储介质 | |
CN111507753A (zh) | 信息推送方法、装置和电子设备 | |
CN113641913B (zh) | 数据处理方法、装置和电子设备 | |
CN113905070B (zh) | 一种服务提供方法和系统 | |
CN113704643B (zh) | 确定目标物体状态的方法、装置、电子设备以及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210406 |