CN112989188A - 推荐订单的确定方法、装置和服务器 - Google Patents
推荐订单的确定方法、装置和服务器 Download PDFInfo
- Publication number
- CN112989188A CN112989188A CN202110249612.4A CN202110249612A CN112989188A CN 112989188 A CN112989188 A CN 112989188A CN 202110249612 A CN202110249612 A CN 202110249612A CN 112989188 A CN112989188 A CN 112989188A
- Authority
- CN
- China
- Prior art keywords
- order
- driver
- orders
- target driver
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 44
- 238000012216 screening Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method 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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G06Q50/40—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本说明书提供了推荐订单的确定方法、装置和服务器。基于该方法,服务器在接收到目标司机的接单请求后,先获取多个相匹配的第一订单;同时,确定出目标司机的画像特征,并与多个第一订单进行关联,得到多个关联后的第一订单;再根据多个关联后的第一订单,获取对应各个第一订单的第一连续特征和第一离散特征;进而调用预测模型中的第一子模型和第二子模型对各个第一订单的第一连续特征和第一离散特征进行处理,以获取更加丰富、多样的特征数据;再调用预测模型中的第三子模型根据上述特征数据,准确地预测出目标司机针对各个第一订单的接受率,进而确定出针对目标司机的、较为精准的待推荐的第二订单展示给目标司机,提高司机与乘客的匹配成功率。
Description
技术领域
本说明书属于互联网技术领域,尤其涉及推荐订单的确定方法、装置和服务器。
背景技术
在一些涉及网约车(例如,顺风车等)的数据处理场景中,平台服务器会先接收乘客发起的订单请求,以及司机发起的接单请求;再通过相应的数据处理,找出相匹配的订单展示给司机,供司机接单。
但是,基于现有的数据处理方法,往往存在所找到并推荐给司机的订单,匹配度不高,导致司机接单率低、推荐效果差的技术问题。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书提供了一种推荐订单的确定方法、装置和服务器,以生成针对目标司机的、较为精准的待推荐的第二订单展示给目标司机,提高了司机与乘客的匹配成功率,获得较好的推荐效果,提高司机的接单率。
本说明书提供的一种推荐订单的确定方法,应用于服务器,包括:
接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单;
根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征;
将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;
调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率;
根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
本说明书还提供了一种推荐订单的确定方法,应用于第一终端,包括:
接收并响应目标司机的操作,生成接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
向服务器发送所述接单请求;其中,所述服务器用于根据所述接单请求,确定出目标司机的画像特征以及多个第一订单,并对目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;所述服务器还用于根据关联后的第一订单,获取各个第一订单的第一连续特征和第一离散特征,并调用预测模型处理各个第一订单的第一连续特征和第一离散特征,以确定出针对目标司机的待推荐的第二订单;
接收并向目标司机展示待推荐的第二订单。
本说明书提供了一种推荐订单的确定装置,包括:
接收模块,用于接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
筛选模块,用于根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单;
第一确定模块,用于根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征;
关联模块,用于将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;
第二确定模块,用于调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率;
确定模块,用于根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
本说明书还提供了一种推荐订单的确定装置,包括:
接收模块,用于接收并响应目标司机的操作,生成接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
发送模块,用于向服务器发送所述接单请求;其中,所述服务器用于根据所述接单请求,确定出目标司机的画像特征以及多个第一订单,并对目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;所述服务器还用于根据关联后的第一订单,获取各个第一订单的第一连续特征和第一离散特征,并调用预测模型处理各个第一订单的第一连续特征和第一离散特征,以确定出针对目标司机的待推荐的第二订单;
展示模块,用于接收并向目标司机展示待推荐的第二订单。
本说明书还提供了一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述推荐订单的确定方法的相关步骤。
本说明书提供的推荐订单的确定方法、装置和服务器,当服务器接收到目标司机通过第一终端发起的接单请求后,可以先从待接单数据池中获取多个相匹配的第一订单;同时,确定出目标司机的画像特征,并将目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;进一步,可以根据多个关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;进而可以调用预先训练好的预测模型中的第一子模型和第二子模型对各个第一订单的第一连续特征和第一离散特征进行相应处理,以获取更加丰富、多样的特征数据;再调用预测模型中的第三子模型根据上述特征数据,精准地预测出目标司机针对各个第一订单的接受率,进而可以根据上述接受率确定出针对该目标司机的、较为精准的待推荐的第二订单,展示给目标司机,从而可以针对各个司机精准地找到该司机具有相对较高概率愿意接受的订单进行推荐,有效地提高了司机与乘客的匹配成功率,获得较好的推荐效果,提高了司机的接单率。
附图说明
为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是应用本说明书实施例提供的推荐订单的确定方法的系统的结构组成的一个实施例的示意图;
图2是本说明书的一个实施例提供的推荐订单的确定方法的流程示意图;
图3是在一个场景示例中,应用本说明书实施例提供的推荐订单的确定方法的一种实施例的示意图;
图4是本说明书的一个实施例提供的推荐订单的确定方法的流程示意图;
图5是本说明书的一个实施例提供的服务器的结构组成示意图;
图6是本说明书的一个实施例提供的推荐订单的确定装置的结构组成示意图;
图7是本说明书的一个实施例提供的推荐订单的确定装置的结构组成示意图;
图8是在一个场景示例中,应用本说明书实施例提供的推荐订单的确定方法的一种实施例的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
考虑到基于现有的数据处理方法在为司机匹配合适的乘客订单时,往往是先借鉴并利用了电商场景的模型经验来训练用于预测司机对订单的接受概率的预测模型;再利用上述预测模型找到接受概率较高的订单推荐给司机。
但是,涉及网约车的数据处理场景与电商场景存在较大的差异。具体的,例如,在电商场景中,出现的特征数据大多都是离散特征;而在涉及网约车的数据处理场景中,出现的特征数据大多则是连续特征。此外,在电商场景中,商户、客户的偏好差异往往较大,较为分散;在在涉及网约车的数据处理场景中,司机、乘客的偏好差异往往较小,较为集中等。
现有方法往往没有考虑到两种场景的上述差异性,直接套用电商场景的模型训练经验来训练涉及网约车的数据处理场景中预测模型。导致训练得到的预测模型的准确较差,利用该模型预测司机对乘客订单的接受概率的误差较大,进而无法针对目标司机生成准确度校勘、效果较好的推荐订单列表提供司机,影响了司机与乘客的匹配成功率。
针对产生上述问题的根本原因,本说明书考虑可以结合涉及网约车的数据处理场景中的具体特点,具体实施前,可以先对预测模型的模型结构,以及预测模型的训练方式进行改进,得到适用于涉及网约车的数据处理场景的,包含有基于lightgbm模型的第一子模型、基于金字塔结构的神经网络的第二子模型,以及基于逻辑回归模型第三子模型的预测模型。
具体实施时,可以先确定出目标司机的画像特征,并将目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单。再根据上述多个关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征。进而可以先调用预先训练好的预测模型中的第一子模型和第二子模型对各个第一订单的第一连续特征和第一离散特征进行相应处理,以获取得到更加丰富、多样的特征数据。再调用预测模型中的第三子模型根据上述特征数据,较为精准地预测出目标司机针对各个第一订单的接受率;进而可以根据上述接受率,确定出对目标司机针对性较强、较大概率愿意接单的第二订单作为待推荐订单,提供给目标司机。从而可以针对各个司机精准地找到该司机具有相对较高概率愿意接受的乘客订单进行推荐,有效地提高了司机与乘客的匹配成功率,获得较好的推荐效果,提高司机的接单率。
本说明书实施例提供一种推荐订单的确定方法,该方法具体可以应用于包含有服务器和第一终端和第二终端的系统中。具体可以参阅图1所示。系统中的第一终端、第二终端、服务器可以通过有线或无线的方式相连,以进行具体的数据交互。
在本实施例中,所述服务器具体可以包括一种应用于网络服务平台(例如,网约车服务器平台)一侧,能够实现数据传输、数据处理等功能的后台服务器。具体的,所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者,所述服务器也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施例中,并不具体限定所述服务器所包含的服务器的数量。所述服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
在本实施例中,所述第一终端、第二终端具体可以包括一种分别应用于司机、乘客一侧,能够实现数据采集、数据传输等功能的前端设备。具体的,所述第一终端、第二终端例如可以为台式电脑、平板电脑、笔记本电脑、智能手机、智能可穿戴设备等。或者,所述第一终端、第二终端也可以为能够运行于上述电子设备中的软件应用。例如,可以是在智能手机上安装并运行的某打车APP等。
在本实施例中,当乘客需要网约车服务时,可以使用所持有的第二终端生成并向服务器发送相应的订单数据。其中,上述订单数据具体可以包含有乘客的身份标识,以及乘客所指示的起始位置信息、目的地位置信息、乘客愿意支付的价格数据等乘客侧的业务信息。
服务器接收乘客通过第二终端发送的订单数据,并将上述订单数据统一存入待接订单数据池中。
当司机计划接单时,可以使用所持有的第一终端生成并向服务器发送相应的接单请求。其中,上述接单请求具体可以包含有司机的身份标识,以及司机原计划的起始位置信息、目的地位置信息、司机期望接收的价格数据等司机侧的业务信息。
服务器接收司机通过第一终端发送的接单请求,并根据接单请求中所包含的司机侧的业务信息,检索待接订单数据池,以筛选出多个相匹配的订单数据,得到多个第一订单。
同时,服务器可以根据订单请求中所包含的司机的身份标识,检索预设的司机画像特征库,确定出该司机的画像特征。
接着,服务器可以将该司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述多个关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征。其中,每一个关联后的第一订单包含有该司机的画像特征,以及该第一订单的相关数据信息。
进一步,首先,服务器可以调用预先训练好的预测模型中的基于lightgbm模型训练得到的第一子模型处理各个第一订单的第一连续特征和第一离散特征,得到与各个第一订单对应的更加丰富、多样的第二离散特征;并对所述各个第一订单的第二离散特征进行预设的第一类处理,以得到各个第一订单的第二类特征数据。
接着,服务器可以将各个第一订单的第二类特征数据和第一连续特征进行组合,得到各个第一订单的第一类组合特征;并调用预测模型中的基于金字塔结构的神经网络训练得到的第二子模型处理各个第一订单的第一类组合特征,得到各个第一订单的第三类特征数据。
然后,服务器可以将各个第一订单的第三类特征数据和处理后的离散特征进行组合,得到各个第一订单的第二类组合特征;并调用预测模型中的基于逻辑回归模型训练得到的第三子模型处理各个第一订单的第二类组合特征,得到目标司机针对各个第一订单的接受率。
最后,服务器可以根据各个第一订单的接受率,排列多个第一订单;并从排序后的多个第一订单中筛选出排序靠前的预设数量个第一订单,作为符合要求的第二订单;根据所述第二订单,生成所述推荐订单列表。再通过第一终端向司机展示出上述推荐订单列表。
司机可以通过相应操作,在第一终端所展示的推荐订单列表包含的多个推荐的第二订单中选出自己更愿意接单的订单作为目标订单。第一终端可以响应上述操作,生成并向服务器发送关于司机确认接单目标订单的确认信息。
相应的,服务器以接收并响应上述确认信息,将目标订单分配给该司机。
通过上述系统,可以充分地考虑并利用涉及网约车的数据处理场景中的场景特点,针对各个司机,精准地找到该司机具有相对较高概率愿意接受的乘客订单来生成对应的订单推荐列表展示并供该司机选择,从而可以有效地提高了司机与乘客的匹配成功率,提高司机的接单率,改善司机和乘客的使用体验。
参阅图2所示,本说明书实施例提供了一种推荐订单的确定方法。其中,该方法具体应用于服务器一侧。具体实施时,该方法可以包括以下内容。
S201:接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识。
在一个实施例中,在涉及网约车(例如,顺风车等)的数据处理场景中,目标司机计划好某一个时间前往某个目的地,并愿意在这个过程中与同路的乘客提供网约车服务的情况下,可以在第一终端上进行相应操作,生成对应的接单请求;并通过有线或无线的方式,将上述接单请求发送至网约车服务平台的服务器。相应的,服务器接收上述接单请求。
在一个实施例中,上述接单请求至少可以包含有目标司机的身份标识。其中,上述身份标识具体可以理解为一种能够指示出多对应的目标司机的标识信息。具体的,上述身份标识可以是目标司机的姓名,也可以是目标司机的驾驶证号,还可以是目标司机在网约车服务平台注册使用的账户名等等。
在一个实施例中,上述接单请求进一步还可以包含有目标司机计划的起始位置信息、目的地位置信息,计划的出发时间,以及目标司机所期望接收到的价格数据等信息(可以记为司机侧的业务信息)。当然,根据具体的应用场景,所述接单请求还可以包含有其他类型的内容信息。对此,本说明书不作限定。
S202:根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单。
在一个实施例中,服务器可以先对所接收到的订单请求进行解析处理,以提取出目标司机的身份标识,以及该目标司机的司机侧的业务信息。
在一个实施例中,乘客可以在第二终端上进行相应操作,生成对应的订单数据;并通过有线或无线的方式,将上述接单数据发送至网约车服务平台的服务器。相应的,服务器接收上述订单数据,并将订单数据暂时先存储在待接订单数据池中,以供司机选择、接单。其中,上述待接订单数据池具体可以利用为一种用于存储未被接单的订单数据的存储模块。
在一个实施例中,上述订单数据具体可以包含有乘客的身份标识(例如,乘客的姓名、乘客的手机号,或者乘客在网约车服务平台注册使用的账户名等),还可以包括诸如,乘客所指示的起始位置信息、目的地位置信息,乘车时间,以及乘客所愿意支付的价格数据等信息(可以记为乘客侧的业务信息)。当然,根据具体的应用场景,所述订单数据还可以包含有其他类型的内容信息。对此,本说明书不作限定。
在一个实施例中,服务器可以根据接单请求中司机侧的业务信息,对待接订单数据池中的订单数据进行检索,以从待接订单数据池中筛选出所包含的乘客侧的业务信息与司机侧的业务信息相匹配的订单数据,作为第一订单。
通过实施例,服务器可以从待接订单数据池中筛选出一个或多个与目标司机的接单请求初步匹配的第一订单。
具体的,例如,接单请求中司机侧的业务信息如以下所示:目标司机计划的起始位置为A地、目的地位置为B地,计划的出发时间2020年12月20日13:00-14:30,以及目标司机所期望接收到的价格数据为95元-110元。服务器通过上述方式找到的相匹配的一个第一订单所包含的乘客侧的业务信息如下所示:乘客指示的起始位置为C地(与A地只有500米距离)、目的地位置为B地,所指示的乘车时间为2020年12月20日13:30-14:00,以及乘客所愿意支付的价格数据为100元-110元。
S203:根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征。
在一个实施例中,上述预设的司机画像特征库具体可以利用为一种用于存储司机的画像特征的存储模块。其中,上述画像特征具体可以理解为一种基于司机的历史上(例如,过去两年等)的接单行为所确定出的用于反映该司机接单时的个人行为偏好的特征数据。关于上述预设的司机画像特征库的构建方式,后续将另做说明。
在一个实施例中,服务器可以根据目标司机的身份标识,检索预设的司机画像特征库中所存储的画像特征,以找出与该目标司机的身份标识对应的画像特征作为目标司机的画像特征。
S204:将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征。
在一个实施例中,具体实施时,可以参阅图3所示,服务器可以将目标司机的画像特征与多个第一订单中的各个订单分别进行拼接、组合,得到相应的关联后的第一订单。
在一个实施例中,服务器可以根据上述关联后的第一订单,综合乘客层的业务信息与司机层的业务信息,提取得到与各个第一订单分别对应的原始连续特征和原始离散特征,分别作为第一连续特征和第一离散特征。
其中,上述第一连续特征具体可以理解为一种可以直接提取得到的具有真实的物理含义,且特征数据的数据值为连续型数据的特征。上述第一离散特征具体可以理解为一种可以直接提取得到的具有真实的物理含义,且特征数据的数据值为离散型数据的特征。
在一个实施例中,所述第一连续特征具体可以包括以下至少之一:司机和乘客的起始位置的距离偏差数据、司机与乘客的目的地位置的距离偏差数据、司机与乘客的出发时间的偏差数据,以及司机的期望价格与乘客的支付价格的偏差数据等等。
所述第一离散特征具体可以包括以下至少之一:司机的性别、司机的年龄、乘客的性别,以及司机的职业、乘客的职业等等。
当然,需要说明的是,上述所列举的第一连续特征和第一离散特征只是一种示意性说明。具体实施时,根据具体的应用场景和处理需求,还可以引入其他类型和内容的特征作为上述第一连续特征、第一离散特征。对此,本说明书不作限定。
S205:调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率。其中,所述预测模型具体可以包括第一子模型、第二子模型和第三子模型;所述第一子模型包括基于lightgbm模型训练得到的子模型;所述第二子模型包括基于金字塔结构的神经网络训练得到的子模型;所述第三子模型包括基于逻辑回归模型训练得到的子模型。
在一个实施例中,上述预测模型具体可以理解为一种针对涉及网约车的数据处理场景,预先训练好的,用于预测司机对订单的接受率的改进模型。
具体的,可以参阅图3所示,上述预测模型是基于改进的模型结构构建并训练得到的,上述预测模型具体可以包括依次连接第一子模型、第二子模型和第三子模型。关于该预测模型的具体构建方式和训练方式,后续将另做说明。
其中,上述第一子模型具体可以包括一种基于lightgbm模型训练得到的子模型,用于通过处理第一订单的具有真实物理意义的第一连续特征和第一离散特征(可以记为第一类特征数据),抽象得到更加丰富、多样的,不具有真实物理意义的特征(可以记为第二类特征数据)。上述lightgbm模型具体可以理解为一种基于传统的GBDT(Gradient BoostingDecision Tree,梯度提升决策树)结构,经过相应的改进所得到的具有较高训练效率,且支持并行化学习、可调参的融合模型。
上述第二子模型具体可以包括一种基于金字塔结构的神经网络训练得到的子模型,用于对对应同一个第一订单的第二类特征数据和第一连续特征进行融合,以得到效果更好的特征数据(记为第三类特征数据)。其中,上述基于金字塔结构的神经网络具体可以包含有依次连接的3层网络层(卷积层),分别为:Relu(521)、Relu(256)、Relu(128)。
上述第三子模型具体可以包括一种基于逻辑回归模型训练得到的子模型训练得到子模型,用于对对应同一个第一订单的第三类特征数据和第一离散特征的组合进行处理,以较为精准地计算出目标司机针对该第一订单的接受率。其中,上述逻辑回归模型(Logistic Regression,LR)包括广义线性回归,具体可以理解为一种用于分类和预测的算法结构。基于该模型可以根据已知的一系列因变量估计离散数值,再通过将数值拟合进一个逻辑函数来预估一个事件出现的概率。
在一个实施例中,服务器可以调用上述适用于涉及网约车的数据处理场景的预测模型根据预设的处理规则来处理各个第一订单的第一连续特征和第一离散特征,以最终得到较为精准的目标司机针对各个第一订单的接受概率(即接受率)。
其中,上述预设的处理规则具体可以理解为用于指示如何调用预测模型中的各个子模型合作来共同处理第一订单的第一连续特征和第一离散特征的规则数据。
在一个实施例中,上述调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率,具体实施时,可以包括以下内容。
S1:调用预测模型中的第一子模型处理各个第一订单的第一连续特征和第一离散特征,得到各个第一订单的第二离散特征;并对所述各个第一订单的第二离散特征进行预设的第一类处理,以得到各个第一订单的第二类特征数据;组合各个第一订单的第二类特征数据和第一连续特征,得到各个第一订单的第一类组合特征;并调用预测模型中的第二子模型处理各个第一订单的第一类组合特征,得到各个第一订单的第三类特征数据;
S2:对各个第一订单的第一离散特征进行预设的第二类处理,得到各个第一订单的处理后的离散特征;
S3:组合各个第一订单的第三类特征数据和处理后的离散特征,得到各个第一订单的第二类组合特征;并调用预测模型中的第三子模型处理各个第一订单的第二类组合特征,得到目标司机针对各个第一订单的接受率。
下面以处理各个第一订单中的任意一个当前第一订单的第一连续特征和第一离散特征为例进行具体说明。可以参阅图3所示。
在本实施例中,调用预测模型中的第一子模型处理当前第一订单的第一连续特征和第一离散特征,具体实施时,可以包括:先将当前第一订单的第一连续特征和第一离散特征全部输入预测模型中的第一子模型中,并通过该第一子模型输出20颗树50个叶子节点共1000维的one-hot编码结果,作为与当前第一订单对应的第二离散特征。
通过上述实施例,可以有效地利用lightgbm模型组合并抽象出更多、更丰富的不具有真实的物理含义的第二离散特征,以弥补涉及网约车的数据处理场景中具有真实的物理含义的离散特征较少的问题。
在得到上述第二离散特征后,考虑到后续的模型训练,还可以对上述第二离散特征进行预设的第一类处理,以得到适于后续模型训练运算的特征数据。
具体的,对当前第一订单的第二离散特征进行预设的第一类处理,可以包括:通过对所述当前第一订单的第二离散特征进行embeding处理,将所述当前第一订单的第二离散特征转化为适于后续模型训练运算的连续型数据,得到当前第一订单的第二类特征数据。
在本实施例中,组合当前第一订单的第二类特征数据和第一连续特征,得到当前第一订单的第一类组合特征,具体实施时,可以包括:先对当前第一订单的第一连续特征进行标准化处理,得到标准化后的第一连续特征;再将上述标准化后的第一连续特征,与第二类特征数据进行组合,得到当前第一订单的第一类组合特征。
进一步,调用第二子模型处理当前第一订单的第一类组合特征,具体实施时,可以包括:将上述当前第一订单的第一类组合特征灌入第二子模型中;并运行上述第二子模型,输出同时融合了第一连续特征和第二类特征数据的,且效果更好的特征数据,作为当前第一订单的第三类特征数据。
通过上述实施例,可以有效地利用金字塔结构的神经网络得到同时融合了第一连续特征和第二类特征数据的,效果更好的第三类特征数据。
在本实施例中,对当前订单的第一离散特征进行预设的第二类处理,具体实施时,可以包括:对当前第一订单的第一离散特征进行one-hot编码处理,得到对应的编码结果;并将所述编码结果,作为当前第一订单的处理后的离散特征。
在本实施例中,组合当前第一订单的第三类特征数据和处理后的离散特征,得到当前第一订单的第二类组合特征;并调用预测模型中的第三子模型处理当前第一订单的第二类组合特征,得到目标司机针对当前第一订单的接受率,具体实施时,可以包括:首先,可以将当前第一订单的第三类特征数据和处理后的离散特征进行拼接、组合,得到同时融合了当前第一订单的直接提取出的具有真实物理含义的第一连续特征、第一离散特征,以及后续组合抽象得到的不具有物理含义的第二离散特征的,且效果较好的第三类特征数据。接着,可以将上述第三类特征数据作为模型输入,输入至第三子模型中;并运行第三子模型,得到对应模型输出;根据上述模型输出,确定出目标司机针对当前第一订单的接受率。
如果,目标司机针对当前第一订单的接受率的数据值越大,表示该目标司机更愿意选中并接受当前第一订单。相反,目标司机针对当前第一订单的接受率的数据值越小,表示该目标司机更不愿意选中当前第一订单,更有可能跳过当前第一订单,选中其他的第一订单。
通过上述实施例,可以效地利用逻辑回归模型综合具有真实物理含义的第一连续特征、第一离散特征,以及不具有物理含义的第二离散特征等丰富、多样的特征,较为精准地确定出该目标司机针对当前第一订单的接受率。
在一个实施例中,上述对所述各个第一订单的第二离散特征进行预设的第一类处理,得到各个第一订单的第二类特征数据,具体实施时,可以包括:通过对所述各个第一订单的第二离散特征进行embeding处理,将所述各个第一订单的第二离散特征转化为连续型数据,得到各个第一订单的第二类特征数据。
在一个实施例中,对各个第一订单的第一离散特征进行预设的第二类处理,得到各个第一订单的处理后的离散特征,具体实施时,可以包括:对各个第一订单的第一离散特征进行one-hot编码处理,得到对应的编码结果;并将所述编码结果,作为所对应的第一订单的处理后的离散特征。
通过上述实施例,可以调用预先训练好的预测模型,基于多个关联后的第一订单所提取出的第一连续特征和第一离散特征,更加精准地预测出目标司机针对各个第一订单的接受率,有效地减少了预测误差。
S206:根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
在一个实施例中,上述根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。进而,服务器可以将上述第二订单发送至第一终端,以便第一终端向目标司机展示出上述待推荐的第二订单。其中,上述待推荐的第二订单可以是一个订单,也可以是多个订单。
在本实施例中,上述根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单,具体可以包括:根据各个第一订单的接受率,排列多个第一订单;并从排序后的多个第一订单中筛选出排序靠前的预设数量个第一订单,作为符合要求的第二订单。
在一个实施例中,在根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单之后,所述方法还可以包括:根据所述第二订单生成针对目标司机的推荐订单列表。进而,服务器可以将上述推荐订单列表发送至第一终端,以便第一终端向目标司机展示出上述推荐订单列表。这样目标司机可以在第一终端所展示的推荐订单列表所包含的多个第二订单中,选中自己相对更愿意接受的一个第二订单进行接单。
在本实施例中,具体的,例如,服务器根据目标司机针对各个第一订单的接受率的数据值,按照数据值从大到小的顺序排列多个第一订单,得到排列后的多个第一订单。并从上述排序后的多个第一订单中筛选出排序靠前的预设数量个(例如,前5个)第一订单,即该目标司机相对更愿意接受的订单数据,作为符合要求的第二订单。
进一步,可以根据第二订单的接受率的数据值,按照数据值从大到小的顺序排列预设数量个第二订单,得到对应的推荐订单列表。当然,在生成推荐订单列表时,也可以按照数据值从大到小的顺序排列预设数量个第二订单,而是只将接受率的数据值最大的第二订单设置于列表中的最显眼位置,以得到对应的推荐订单列表。
在一个实施例中,在生成针对目标司机的推荐订单列表之后,所述方法具体实施时,还可以包括以下内容:将所述推荐订单列表发送至第一终端;其中,所述第一终端用于向目标司机展示所述推荐订单列表。进一步,服务器还可以通过第一终端采集目标司机针对所展示的推荐订单列表的操作数据;根据所述目标司机针对所展示的推荐订单列表的操作数据,对预测模型进行更新。
在本实施例中,第一终端接收并向目标司机展示出上述推荐订单列表。由于按照上述方式所生成的推荐订单列表中所包含的订单数据为目标司机相对较愿意接受的订单数据。因此,目标司机会有相对更高的概率在第一终端所展示的推荐订单列表中选中自己愿意接受的订单数据,并为该订单数据的乘客提供相应的网约车服务,提高目标司机的接单率。
在本实施例中,当服务器接收到目标司机通过第一终端发起的接单请求后,可以先从待接单数据池中获取多个相匹配的第一订单;同时,确定出目标司机的画像特征,并将目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;进一步,可以根据多个关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;进而可以调用预先训练好的预测模型中的第一子模型和第二子模型对各个第一订单的第一连续特征和第一离散特征进行相应处理,以获取更加丰富、多样的特征数据;再调用预测模型中的第三子模型根据上述特征数据,精准地预测出目标司机针对各个第一订单的接受率,进而可以根据上述接受率确定出针对该目标司机的、较为精准的待推荐的第二订单,展示给目标司机,从而可以针对各个司机精准地找到该司机具有相对较高概率愿意接受的订单进行推荐,有效地提高了司机与乘客的匹配成功率,获得较好的推荐效果,提高了司机的接单率。进一步,服务器还可以根据所确定出的待推荐的第二订单生成包含有多个候选的第二订单的推荐订单列表提供给目标司机进行选择,从而可以进一步提高目标司机侧的使用体验。
在一个实施例中,在接收目标司机通过第一终端发起的接单请求之前,所述方法具体实施时,还可以包括以下内容。
S1:采集预设的第一时间段内展示给各个接单司机的推荐订单列表、各个接单司机针对推荐订单列表的操作数据,以得到各个接单司机在预设的第一时间段内的历史行为数据;
S2:根据各个接单司机在预设的第一时间段内的历史行为数据,确定出与各个接单司机对应的画像特征,并根据所述画像特征构建预设的司机画像特征库。
在本实施例中,上述预设的第一时间段具体可以是历史上的一个较长时间段。例如,过去两年,或者过去五年等。
在本实施例中,具体实施时,服务器可以通过对各个接单司机在预设的第一时间段内的历史行为数据进行画像特征聚类,确定出多个不同的画像特征类别,以及属于不同画像特征类别的接单司机。
在本实施例中,服务器可以建立画像特征与接单司机的身份标识的对应关系;进而可以将上述画像特征,以及相对应的接单司机的身份标识一并存入预设的司机画像特征库中,以构建得到上述预设的司机画像特征库。
在本实施例中,具体实施时,服务器还可以按照上述方式每间隔第一时间段采集并获取当前时间段各个接单司机的行为数据;并根据当前时间段各个接单司机的行为数据确定出与各个接单司机对应的最新的画像特征,并根据上述画像特征对预设的司机画像特征库中所保存画像特征进行及时更新,以便后续可以根据上述预设的司机画像特征库确定出针对目标司机的更加精准、时效性更好的画像特征。
通过上述实施例,可以构建得到较为精准、全面的预设的司机画像特征库。
在一个实施例中,所述方法具体实施时,还可以包括以下内容。
S1:构建包含有初始的第一子模型、初始的第二子模型、初始的第三子模型的初始的预测模型;
S2:获取预设的第二时间段内展示给样本司机的推荐订单列表,以及样本司机针对所展示的推荐订单列表选中的订单数据的相关信息和未选中的订单数据的相关信息;并从样本司机选中的订单数据和未选中的订单数据中抽取正样本订单和负样本订单;
S3:根据预设的司机画像特征库,确定出样本司机的样本画像特征;
S4:将所述正样本订单和所述负样本订单分别与样本司机的样本画像特征进行组合,得到样本训练数据;
S5:利用样本训练数据,训练初始的预测模型中的初始的第一子模型、初始的第二子模型、初始的第三子模型,得到符合要求的预测模型。
在本实施例中,上述初始的第一子模型具体可以为基于lightgbm模型的初始模型。上述初始的第二子模型具体可以为基于金字塔结构的神经网络的初始模型。上述初始的第三子模型具体可以为基于逻辑回归模型的初始模型。
服务器可以先构建上述初始的第一子模型、初始的第二子模型、初始的第三子模型;并依次将模型输入与初始的第一子模型相连,将初始的第一子模型与初始的第二子模型相连,将初始的第二子模型与初始的第三子模型相连,将初始的第三子模型与模型输出相连,从而可以构建得到初始的预测模型。
在本实施例中,上述预设的第二时间段具体可以理解为最近的一个时间段。例如,最近三个月,或者最近一周等。
在预设的第二时间段,服务器可以采用现有方法或者之前训练的预测模型生成针对样本司机(或者测试司机)的推荐订单列表(或者称历史推荐订单列表);并将上述推荐订单列表通过第一终端展示给样本司机,并采集样本司机针对该推荐订单列表的操作数据进行存储。进一步,服务器根据上述操作数据可以确定出样本司机针对所展示的推荐订单列表选中的订单数据和未选中的订单数据;并通过采集关联信息,获取针对选中的订单数据的相关信息和未选中的订单数据的相关信息进行存储。
在训练预测模型时,服务器可以上述在预设的第二时间段采集并存储的数据,并根据上述数据按照一定的样本比例,从样本司机选中的订单数据和未选中的订单数据中抽取正样本订单和负样本订单。
具体的,例如,可以按照1:3的比例,从在预设的第二时间段展示给样本用户的推荐订单列表中每随机抽取一个选中的订单数据作为正样本订单的同时,从该推挤订单列表中随机抽取三个未选中的订单数据作为负样本订单。
在本实施例中,可以将所述正样本订单和所述负样本订单分别与样本司机的样本画像特征进行组合,得到样本训练数据;并在样本训练数据中标注出样本的正负,得到标注后的样本训练数据。进而可以利用上述标注后的样本训练数据对初始的预测模型中的初始的第一子模型、初始的第二子模型、初始的第三子模型进行相应训练,以得到符合要求的预测模型。
通过上述实施例,可以构建并训练得到适用于涉及网约车的数据处理场景,且准确度较高、效果较好的预测模型。
在一个实施例中,在生成针对目标司机的推荐订单列表之后,所述方法具体实施时,还可以包括:将所述推荐订单列表发送至第一终端;其中,所述第一终端用于向目标司机展示所述推荐订单列表;通过所述第一终端采集目标司机针对所展示的推荐订单列表的操作数据;根据所述目标司机针对所展示的推荐订单列表的操作数据,对预测模型进行更新。
在本实施例中,可以根据所述目标司机针对所展示的推荐订单列表的操作数据,确定出当前目标司机针对所展示的推荐订单列表选中的订单数据和未选中的订单数据,以建立得到新的训练数据;进而可以利用上述新的训练数据对预测模型所包含的第一子模型、第二子模型和第三子模型的模型参数进行修改和调整,从而实现对预测模型的更新。
通过上述实施例,可以充分利用线上数据对所使用的预测模型进行实时训练和更新,从而可以不断地提高预测模型的模型精度,使得所使用的预测模型具有更好的预测效果。
由上可见,本说明书实施例提供的推荐订单的确定方法,具体实施前,可以预先构建得到较为精准、全面的预设的司机画像特征库;同时,可以构建并训练得到适用于涉及网约车的数据处理场景,且准确度较高、效果较好的预测模型。具体实施时,当服务器接收到目标司机通过第一终端发起的接单请求后,可以先从待接单数据池中获取多个相匹配的第一订单;同时,确定出目标司机的画像特征,并将目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;进一步,可以根据多个关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;进而可以先调用预先训练好的预测模型中的第一子模型和第二子模型对各个第一订单的第一连续特征和第一离散特征进行相应处理,以获取更加丰富、多样的特征数据;再调用预测模型中的第三子模型根据上述特征数据,预测出目标司机针对各个第一订单的接受率,并根据上述接受率生成针对该目标司机的、效果较好的推荐订单列表,以供目标司机选择,从而可以针对各个司机精准地找到该司机具有相对较高概率愿意接受的乘客订单来生成对应的订单推荐列表展示并供该司机选择,有效地提高了司机与乘客的匹配成功率,提高司机的接单率,提高了司机侧的用户体验。
参阅图4所示,本说明书实施例还提供了一种推荐订单的确定方法。其中,该方法应用于第一终端一侧。具体实施时,该方法可以包括以下内容。
S401:接收并响应目标司机的操作,生成接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
S402:向服务器发送所述接单请求;其中,所述服务器用于根据所述接单请求,确定出目标司机的画像特征以及多个第一订单,并对目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;所述服务器还用于根据关联后的第一订单,获取各个第一订单的第一连续特征和第一离散特征,并调用预测模型处理各个第一订单的第一连续特征和第一离散特征,以确定出针对目标司机的待推荐的第二订单;
S403:接收并向目标司机展示待推荐的第二订单。
在一个实施例中,在接收并向目标司机展示待推荐的第二订单之后,第一终端可以向目标司机展示出所述待推荐的第二订单,供目标司机进行接单操作。
在一个实施例中,第一终端接收到的第二订单可以为一个订单,也可以为多个订单。
在一个实施例中,第一终端所接收到的还可以是来自服务器的包含有多个待推荐的第二订单的推荐订单列表。相应的,第一终端可以向目标司机展示出推荐订单列表,供目标司机在所展示的推荐订单列表所包含的多个第二订单中选中一个相对更愿意接受的第二订单进行接单操作。从而可以进一步提高目标司机侧的使用体验。
在一个实施例中,具体的,在向目标司机展示出推荐订单列表之后,所述方法还可以包括:接收目标司机针对所展示的推荐订单列表的操作数据;根据所述操作数据,确定目标司机在所展示的推荐订单列表中选中的第二订单,作为目标订单;生成并向服务器发送关于目标司机接单目标订单的确认信息。相应的,服务器接收并响应上述确认信息,将目标订单通过第一终端分配给目标司机。
在一个实施例中,在接收目标司机针对所展示的推荐订单列表的操作数据的同时,所述方法还包括:将所述目标司机针对所展示的推荐订单列表的操作数据发送至服务器;其中,所述服务器用于根据所述目标司机针对所展示的推荐订单列表的操作数据,对预测模型进行更新。所述操作数据具体可以包括目标司机针对所展示的推荐订单列表中选中订单的勾选操作,以及未选中订单的略过操作等。
由上可见,基于本说明书实施例提供的推荐订单的确定方法,第一终端可以向目标司机展示针对性更强、更加精准的,该司机具有较高概率愿意接受的乘客订单,从而可以有效地提高了司机与乘客的匹配成功率,提高司机的接单率。
本说明书实施例还提供一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识;根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单;根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征;将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率;其中,所述预测模型包括第一子模型、第二子模型和第三子模型;所述第一子模型包括基于lightgbm模型训练得到的子模型;所述第二子模型包括基于金字塔结构的神经网络训练得到的子模型;所述第三子模型包括基于逻辑回归模型训练得到的子模型;根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
为了能够更加准确地完成上述指令,参阅图5所示,本说明书实施例还提供了另一种具体的服务器,其中,所述服务器包括网络通信端口501、处理器502以及存储器503,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口501,具体可以用于接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识。
所述处理器502,具体可以用于根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单;根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征;将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率;其中,所述预测模型包括第一子模型、第二子模型和第三子模型;所述第一子模型包括基于lightgbm模型训练得到的子模型;所述第二子模型包括基于金字塔结构的神经网络训练得到的子模型;所述第三子模型包括基于逻辑回归模型训练得到的子模型;根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
所述存储器503,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口501可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的端口,也可以是负责进行FTP数据通信的端口,还可以是负责进行邮件数据通信的端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器502可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器503可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供一种第一终端,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:接收并响应目标司机的操作,生成接单请求;其中,所述接单请求至少包含有目标司机的身份标识;向服务器发送所述接单请求;其中,所述服务器用于根据所述接单请求,确定出目标司机的画像特征以及多个第一订单,并对目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;所述服务器还用于根据关联后的第一订单,获取各个第一订单的第一连续特征和第一离散特征,并调用预测模型处理各个第一订单的第一连续特征和第一离散特征,以确定出针对目标司机的待推荐的第二订单;接收并向目标司机展示待推荐的第二订单。
本说明书实施例还提供了一种基于上述推荐订单的确定方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识;根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单;根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征;将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率;其中,所述预测模型包括第一子模型、第二子模型和第三子模型;所述第一子模型包括基于lightgbm模型训练得到的子模型;所述第二子模型包括基于金字塔结构的神经网络训练得到的子模型;所述第三子模型包括基于逻辑回归模型训练得到的子模型;根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
参阅图6所示,在软件层面上,本说明书实施例还提供了一种推荐订单的确定装置,该装置具体可以包括以下的结构模块。
接收模块601,具体可以用于接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
筛选模块602,具体可以用于根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单;
第一确定模块603,具体可以用于根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征;
关联模块604,具体可以用于将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;
第二确定模块605,具体可以用于调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率;其中,所述预测模型包括第一子模型、第二子模型和第三子模型;所述第一子模型包括基于lightgbm模型训练得到的子模型;所述第二子模型包括基于金字塔结构的神经网络训练得到的子模型;所述第三子模型包括基于逻辑回归模型训练得到的子模型;
确定模块606,具体可以用于根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
需要说明的是,上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
参阅图7所示,在软件层面上,本说明书实施例还提供了另一种推荐订单的确定装置,该装置具体可以包括以下的结构模块。
接收模块701,具体可以用于接收并响应目标司机的操作,生成接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
发送模块702,具体可以用于向服务器发送所述接单请求;其中,所述服务器用于根据所述接单请求,确定出目标司机的画像特征以及多个第一订单,并对目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;所述服务器还用于根据关联后的第一订单,获取各个第一订单的第一连续特征和第一离散特征,并调用预测模型处理各个第一订单的第一连续特征和第一离散特征,以确定出针对目标司机的待推荐的第二订单;
展示模块703,具体可以用于接收并向目标司机展示待推荐的第二订单。
由上可见,基于本说明书实施例提供的推荐订单的确定装置,可以精准地预测出目标司机针对各个第一订单的接受率,并根据上述接受率确定出针对该目标司机的、较为精准的待推荐的第二订单,展示给目标司机,从而可以针对各个司机精准地找到该司机具有相对较高概率愿意接受的乘客订单提供并供该司机选择,有效地提高了司机与乘客的匹配成功率,提高司机的接单率。
在一个具体的场景示例中,可以应用本说明书提供的方法为顺风车司机匹配到合适的订单进行排序,进而生成相应的推荐订单列表,供顺风车司机选择。具体实施过程可以参阅以下内容。
在本场景示例中,针对顺风车场景中的订单排序推荐,提出了一种基于新型的网络结构的排序算法。参阅图8所示,上述算法具体实施时可以包括以下内容。
1)离线对过去(例如,预设的第一时间段)平台司机的所有接单行为进行画像,获取司机相关的画像特征(构建得到预设的司机画像特征库)。
2)离线获取过去3个月(例如,预设的第二时间段)的订单信息,和第一步的司机画像特征关联起来,正负样本比例控制在1:3,其中,正样本为完成订单,其余样本为负样本(例如,从样本司机选中的订单数据和未选中的订单数据中抽取正样本订单和负样本订单)。
3)对获取到所有连续和离散特征进入到lightgbm模型(例如,第一子模型),输出20颗树50个叶子节点的1000维one-hot编码(例如,第二离散特征)。此步骤是为了组合出更多的离散特征,弥补离散特征不足的问题。
4)对上一步的1000维one-hot编码进行embeding得到100维的连续特征(例如,第二类特征数据)。
5)对原始的连续特征进行标准化。
6)将第4步的100维连续特征和原始的连续特征一起灌入3层金字塔结构的神经网络(例如,第二子模型)。
7)对原始的离散特征进行one-hot编码。
8)将第6步的输出和第7步的离散特征一起进入逻辑回归模型(例如,第三子模型),得到最终的概率。
在得到匹配的候选集合(例如,多个第一订单)后,可以进入精排阶段,在精排阶段可以采用上述基于新型的网络结构的排序算法,输出对应订单的排序列表(例如,推荐订单列表)返回给前端展示给司机。
通过上述场景示例,验证了本说明书提供的方法所采用基于新型的网络结构的排序算法在出行领域数据处理(例如,涉及网约车的数据处理场景)上有较好的表现,能够提升了车主的接单体验和接单转化,带来gmv的提升,提升了交易效率和交易转化。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。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、产品或者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、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (13)
1.一种推荐订单的确定方法,应用于服务器,包括:
接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单;
根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征;
将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;
调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率;
根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
2.根据权利要求1所述的方法,所述预测模型包括:第一子模型、第二子模型和第三子模型;所述第一子模型包括基于lightgbm模型训练得到的子模型;所述第二子模型包括基于金字塔结构的神经网络训练得到的子模型;所述第三子模型包括基于逻辑回归模型训练得到的子模型。
3.根据权利要求1所述的方法,调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率,包括:
调用预测模型中的第一子模型处理各个第一订单的第一连续特征和第一离散特征,得到各个第一订单的第二离散特征;并对所述各个第一订单的第二离散特征进行预设的第一类处理,以得到各个第一订单的第二类特征数据;
组合各个第一订单的第二类特征数据和第一连续特征,得到各个第一订单的第一类组合特征;并调用预测模型中的第二子模型处理各个第一订单的第一类组合特征,得到各个第一订单的第三类特征数据;
对各个第一订单的第一离散特征进行预设的第二类处理,得到各个第一订单的处理后的离散特征;
组合各个第一订单的第三类特征数据和处理后的离散特征,得到各个第一订单的第二类组合特征;并调用预测模型中的第三子模型处理各个第一订单的第二类组合特征,得到目标司机针对各个第一订单的接受率。
4.根据权利要求2所述的方法,对各个第一订单的第一离散特征进行预设的第二类处理,得到各个第一订单的处理后的离散特征,包括:
对各个第一订单的第一离散特征进行one-hot编码处理,得到对应的编码结果;并将所述编码结果,作为所对应的第一订单的处理后的离散特征。
5.根据权利要求1所述的方法,在根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单之后,所述方法还包括:
根据所述第二订单生成针对目标司机的推荐订单列表;
相应的,在生成针对目标司机的推荐订单列表之后,所述方法还包括:将所述推荐订单列表发送至第一终端;其中,所述第一终端用于向目标司机展示所述推荐订单列表;
通过所述第一终端采集目标司机针对所展示的推荐订单列表的操作数据;
根据所述目标司机针对所展示的推荐订单列表的操作数据,对预测模型进行更新。
6.根据权利要求1所述的方法,在接收目标司机通过第一终端发起的接单请求之前,所述方法还包括:
采集预设的第一时间段内展示给各个接单司机的推荐订单列表、各个接单司机针对推荐订单列表的操作数据,以得到各个接单司机在预设的第一时间段内的历史行为数据;
根据各个接单司机在预设的第一时间段内的历史行为数据,确定出与各个接单司机对应的画像特征,并根据所述画像特征构建预设的司机画像特征库。
7.根据权利要求6所述的方法,所述方法还包括:
构建包含有初始的第一子模型、初始的第二子模型、初始的第三子模型的初始的预测模型;
获取预设的第二时间段内展示给样本司机的推荐订单列表,以及样本司机针对所展示的推荐订单列表选中的订单数据的相关信息和未选中的订单数据的相关信息;并从样本司机选中的订单数据和未选中的订单数据中抽取正样本订单和负样本订单;
根据预设的司机画像特征库,确定出样本司机的样本画像特征;
将所述正样本订单和所述负样本订单分别与样本司机的样本画像特征进行组合,得到样本训练数据;
利用样本训练数据,训练初始的预测模型中的初始的第一子模型、初始的第二子模型、初始的第三子模型,得到符合要求的预测模型。
8.根据权利要求1所述的方法,根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单,包括:
根据各个第一订单的接受率,排列多个第一订单;并从排序后的多个第一订单中筛选出排序靠前的预设数量个第一订单,作为符合要求的第二订单。
9.根据权利要求2所述的方法,所述方法还包括:调用预测模型中的第一子模型处理各个第一订单的第一连续特征,以得到所述各个第一订单的第二离散特征。
10.一种推荐订单的确定方法,应用于第一终端,包括:
接收并响应目标司机的操作,生成接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
向服务器发送所述接单请求;其中,所述服务器用于根据所述接单请求,确定出目标司机的画像特征以及多个第一订单,并对目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;所述服务器还用于根据关联后的第一订单,获取各个第一订单的第一连续特征和第一离散特征,并调用预测模型处理各个第一订单的第一连续特征和第一离散特征,以确定出针对目标司机的待推荐的第二订单;
接收并向目标司机展示待推荐的第二订单。
11.一种推荐订单的确定装置,包括:
接收模块,用于接收目标司机通过第一终端发起的接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
筛选模块,用于根据所述接单请求,从待接订单数据池中筛选出多个相匹配的订单数据,得到多个第一订单;
第一确定模块,用于根据目标司机的身份标识,检索预设的司机画像特征库,确定出目标司机的画像特征;
关联模块,用于将所述目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;并根据所述关联后的第一订单,获取与各个第一订单对应的第一连续特征和第一离散特征;
第二确定模块,用于调用预测模型根据预设的处理规则处理各个第一订单的第一连续特征和第一离散特征,以确定目标司机针对各个第一订单的接受率;
确定模块,用于根据目标司机针对各个第一订单的接受率,从多个第一订单中筛选出符合要求的订单数据,作为待推荐的第二订单。
12.一种推荐订单的确定装置,包括:
接收模块,用于接收并响应目标司机的操作,生成接单请求;其中,所述接单请求至少包含有目标司机的身份标识;
发送模块,用于向服务器发送所述接单请求;其中,所述服务器用于根据所述接单请求,确定出目标司机的画像特征以及多个第一订单,并对目标司机的画像特征与多个第一订单分别进行关联,得到多个关联后的第一订单;所述服务器还用于根据关联后的第一订单,获取各个第一订单的第一连续特征和第一离散特征,并调用预测模型处理各个第一订单的第一连续特征和第一离散特征,以确定出针对目标司机的待推荐的第二订单;
展示模块,用于接收并向目标司机展示待推荐的第二订单。
13.一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249612.4A CN112989188B (zh) | 2021-03-08 | 2021-03-08 | 推荐订单的确定方法、装置和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249612.4A CN112989188B (zh) | 2021-03-08 | 2021-03-08 | 推荐订单的确定方法、装置和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989188A true CN112989188A (zh) | 2021-06-18 |
CN112989188B CN112989188B (zh) | 2023-05-26 |
Family
ID=76335220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110249612.4A Active CN112989188B (zh) | 2021-03-08 | 2021-03-08 | 推荐订单的确定方法、装置和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989188B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657948A (zh) * | 2021-10-20 | 2021-11-16 | 北京易真学思教育科技有限公司 | 一种对学生进行分配的方法、装置、电子设备及存储介质 |
CN113837412A (zh) * | 2021-09-14 | 2021-12-24 | 深圳依时货拉拉科技有限公司 | 订单列表推送方法、装置、存储介质和计算机设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 提供叫车服务的方法和装置 |
CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
CN106897801A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术(北京)有限公司 | 司机分类的方法、装置、设备以及存储介质 |
CN106971279A (zh) * | 2017-05-03 | 2017-07-21 | 百度在线网络技术(北京)有限公司 | 预估司机接单行为的方法、装置、设备及存储介质 |
CN107133697A (zh) * | 2017-05-03 | 2017-09-05 | 百度在线网络技术(北京)有限公司 | 预估司机接单意愿的方法、装置、设备及存储介质 |
CN109242598A (zh) * | 2018-08-02 | 2019-01-18 | 天津五八到家科技有限公司 | 订单处理方法、客户端及服务端 |
CN109829728A (zh) * | 2019-01-18 | 2019-05-31 | 南京邮电大学 | 一种面向打车业务安全性的系统及其方法 |
CN110009445A (zh) * | 2019-02-22 | 2019-07-12 | 天津五八到家科技有限公司 | 抢单方法、设备及存储介质 |
CN110119928A (zh) * | 2019-05-07 | 2019-08-13 | 宏图物流股份有限公司 | 一种基于司机特征的车辆匹配推荐方法 |
CN110363611A (zh) * | 2019-05-27 | 2019-10-22 | 天津五八到家科技有限公司 | 网约车用户匹配方法、装置、服务器及存储介质 |
CN110415068A (zh) * | 2019-06-17 | 2019-11-05 | 天津五八到家科技有限公司 | 订单分配方法、装置及移动终端 |
CN111784088A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 派单匹配方法、派单匹配装置、服务器和存储介质 |
-
2021
- 2021-03-08 CN CN202110249612.4A patent/CN112989188B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 提供叫车服务的方法和装置 |
CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
CN106897801A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术(北京)有限公司 | 司机分类的方法、装置、设备以及存储介质 |
CN106971279A (zh) * | 2017-05-03 | 2017-07-21 | 百度在线网络技术(北京)有限公司 | 预估司机接单行为的方法、装置、设备及存储介质 |
CN107133697A (zh) * | 2017-05-03 | 2017-09-05 | 百度在线网络技术(北京)有限公司 | 预估司机接单意愿的方法、装置、设备及存储介质 |
CN109242598A (zh) * | 2018-08-02 | 2019-01-18 | 天津五八到家科技有限公司 | 订单处理方法、客户端及服务端 |
CN109829728A (zh) * | 2019-01-18 | 2019-05-31 | 南京邮电大学 | 一种面向打车业务安全性的系统及其方法 |
CN110009445A (zh) * | 2019-02-22 | 2019-07-12 | 天津五八到家科技有限公司 | 抢单方法、设备及存储介质 |
CN111784088A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 派单匹配方法、派单匹配装置、服务器和存储介质 |
CN110119928A (zh) * | 2019-05-07 | 2019-08-13 | 宏图物流股份有限公司 | 一种基于司机特征的车辆匹配推荐方法 |
CN110363611A (zh) * | 2019-05-27 | 2019-10-22 | 天津五八到家科技有限公司 | 网约车用户匹配方法、装置、服务器及存储介质 |
CN110415068A (zh) * | 2019-06-17 | 2019-11-05 | 天津五八到家科技有限公司 | 订单分配方法、装置及移动终端 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837412A (zh) * | 2021-09-14 | 2021-12-24 | 深圳依时货拉拉科技有限公司 | 订单列表推送方法、装置、存储介质和计算机设备 |
CN113837412B (zh) * | 2021-09-14 | 2022-07-15 | 深圳依时货拉拉科技有限公司 | 订单列表推送方法、装置、存储介质和计算机设备 |
CN113657948A (zh) * | 2021-10-20 | 2021-11-16 | 北京易真学思教育科技有限公司 | 一种对学生进行分配的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112989188B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11663663B2 (en) | Image analysis and identification using machine learning with output estimation | |
US11367281B2 (en) | Systems and methods for augmented reality navigation | |
CN107862339B (zh) | 用于输出信息的方法和装置 | |
US10783580B2 (en) | Image analysis and identification using machine learning with output personalization | |
US10762562B2 (en) | Database image matching using machine learning with output personalization | |
US20190279263A1 (en) | Database image matching using machine learning with output estimation | |
US20170243172A1 (en) | Cognitive optimal and compatible grouping of users for carpooling | |
US11836748B2 (en) | System and methods for predicting rental vehicle use preferences | |
CN112989188A (zh) | 推荐订单的确定方法、装置和服务器 | |
CN111797320B (zh) | 数据处理方法、装置、设备及存储介质 | |
US20230281722A1 (en) | Smart estimatics methods and systems | |
US20180374363A1 (en) | Dispatch platform for road, travel, or home assistance | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
US11373057B2 (en) | Artificial intelligence driven image retrieval | |
CN112488806A (zh) | 一种预测订单意愿的方法、装置、计算机设备及计算机可读存储介质 | |
CN111831892A (zh) | 信息推荐方法、信息推荐装置、服务器及存储介质 | |
CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
CN113706320A (zh) | 一种智能理赔方法、装置、计算机设备及存储介质 | |
US10002358B1 (en) | Automated merchant authority | |
CN112750043A (zh) | 业务数据的推送方法、装置和服务器 | |
CN114548463A (zh) | 线路信息预测方法、装置、计算机设备和存储介质 | |
CN111414538A (zh) | 基于人工智能的文本推荐方法、装置及电子设备 | |
CN111612198A (zh) | 预测拼单成功率的方法、装置和电子设备 | |
US11727418B2 (en) | Information processing apparatus, information processing method, and non-transitory storage medium | |
CN114841770A (zh) | 订单组合的确定方法、装置和服务器 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |