CN113361910B - 任务完成质量的评价方法及装置、电子设备和存储介质 - Google Patents

任务完成质量的评价方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113361910B
CN113361910B CN202110622076.8A CN202110622076A CN113361910B CN 113361910 B CN113361910 B CN 113361910B CN 202110622076 A CN202110622076 A CN 202110622076A CN 113361910 B CN113361910 B CN 113361910B
Authority
CN
China
Prior art keywords
driver
task
completion quality
timeliness
set time
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.)
Active
Application number
CN202110622076.8A
Other languages
English (en)
Other versions
CN113361910A (zh
Inventor
杨玉
李建军
付佳
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.)
Harbin University of Commerce
Original Assignee
Harbin University of Commerce
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 Harbin University of Commerce filed Critical Harbin University of Commerce
Priority to CN202110622076.8A priority Critical patent/CN113361910B/zh
Publication of CN113361910A publication Critical patent/CN113361910A/zh
Application granted granted Critical
Publication of CN113361910B publication Critical patent/CN113361910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06Q30/0645—Rental transactions; Leasing transactions
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种任务完成质量的评价方法及装置、电子设备和存储介质，涉及网约车技术领域，其中，所述的任务完成质量的评价方法，包括：获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性；根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型；基于所述网约车任务完成质量模型评价网约车任务完成质量。本公开实施例可实现网约车任务完成质量的评价。

Description

任务完成质量的评价方法及装置、电子设备和存储介质
技术领域
本公开涉及网约车技术领域，尤其涉及一种任务完成质量的评价方法及装置、电子设备和存储介质。
背景技术
随着网约车市场规模越来越大，网约车平台数量逐渐增多，平台之间的竞争也越来越激烈。在网约车发展初期，各大网约车平台为了赢得竞争，纷纷采取低价竞争的方式留住用户，包括发放叫车补贴，乘车券以及其他优惠方式。但是随着市场行情的不断变化，同质化产品不断增多，网约车平台仅仅依靠低价策略无法真正留住用户，网约车平台必须从本质上提高自身竞争力。从本质上来说，网约车行业属于服务行业，网约车平台需要做的是提高自身的核心竞争力，也就是提高网约车出行任务的完成质量，让乘客的出行安全顺利，从而增强用户的黏性，这样才能做到在市场中可持续发展。因此，本文展开对网约车任务完成质量的研究。
在网约车的运营过程中，乘客都是通过司机的星级评价来判断司机的任务完成质量的，评分高的司机任务完成质量大概率是高的，分数的高低也会对司机产生激励作用，分数越高的司机接单的概率越大，接到优质出行任务的次数也会越多，最终得到的收益也会增多。但是，由于现在恶意评价的现象逐渐增多，乘客对任务完成质量较好的司机恶意打低分，导致司机的口碑值下降，接单量逐渐减少。所以，平台仅仅依靠乘客对司机的单向评价判定司机的出行任务质量存在一定局限性。所以，为了避免恶评现象带来的影响，解决衡量网约车司机任务完成质量的局限性问题，帮助网约车平台更好的分配出行任务。
发明内容
本公开提出了一种任务完成质量的评价方法及装置、电子设备和存储介质技术方案。
根据本公开的一方面，提供了一种任务完成质量的评价方法，包括：
获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性；
根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型；
基于所述网约车任务完成质量模型评价网约车任务完成质量。
优选地，在所述获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性之前，确定所述获取司机的当前信誉值，以及/或在设定时间内的订单成交率，以及/或任务的时效性；其中，确定所述获取司机的当前信誉值的方法，包括：
获取信誉值所占的比重、当前的口碑值及历史信誉值；
基于所述比重、所述当前的口碑值及所述历史信誉值确定司机的当前信誉值；
以及/或，
确定所述在设定时间内的订单成交率的方法，包括：
获取在设定时间内成功的订单数量以及订单总数量；
基于所述在设定时间内成功的订单数量以及订单总数量确定所述在设定时间内的订单成交率；
以及/或，
确定所述在设定时间内每个任务的时效性的方法，包括：
获取接收到订单之后司机到达乘车地点的预计时间与司机实际到达乘车地点时间的第一时间差；以及，
获取行程开始后司机到达目的地的预计时间与司机实际到达目的地时间的第二时间差；
基于所述第一时间差及所述第二时间差确定所述在设定时间内任务的时效性。
优选地，所述根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型的方法，包括：
分别获取所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的第一权重系数、第二权重系数及第三权重系数；以及，
基于所述第一权重系数、第二权重系数及第三权重系数及对应的所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型。
优选地，所述基于所述网约车任务完成质量模型评价网约车任务完成质量的方法，包括：
获取所述司机的网约车任务完成质量模型中司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的约束条件；
基于所述约束条件及所述网约车任务完成质量模型，确定所述网约车任务完成质量模型的最大值，以评价网约车任务完成质量。
优选地，所述基于所述约束条件及所述网约车任务完成质量模型，确定所述网约车任务完成质量模型的最大值的方法，包括：
分别初始化所述网约车任务完成质量模型中司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的粒子位置及种群位置；
基于所述粒子位置、所述种群位置以及预设的粒子群算法分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置；
基于所述最优位置确定所述网约车任务完成质量模型的最大值。
优选地，所述基于所述粒子位置、所述种群位置以及预设的粒子群算法分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置的方法，包括：
初始化所述粒子群算法中粒子的飞行速度矢量及位置矢量、惯性权重以及相应系数；
基于所述粒子位置、所述种群位置、所述粒子的飞行速度矢量及位置矢量、所述惯性权重以及所述相应系数，分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置。
优选地，所述基于所述粒子位置、所述种群位置、所述粒子的飞行速度矢量及位置矢量、所述惯性权重以及所述相应系数，分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置的方法，包括：
基于第k次迭代得到的粒子的飞行速度矢量及位置矢量、待更新的惯性权重、待优化的粒子位置及种群位置、以及所述初始化的相应系数得到第k+1次迭代对应的粒子的飞行速度矢量及位置矢量、待更新的惯性权重、待优化的粒子位置及种群位置；
当满足设定条件时，将所述待优化的种群位置确定为种群最优位置。
根据本公开的一方面，提供了一种任务完成质量的评价装置，包括：
获取单元，用于获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性；
构建单元，用于根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型；
评价单元，用于基于所述网约车任务完成质量模型评价网约车任务完成质量。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述任务完成质量的评价方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述任务完成质量的评价方法。
在本公开实施例中，所公开的一种任务完成质量的评价方法及装置、电子设备和存储介质技术方案，可以实现网约车任务完成质量的评价，能够激励司机提供良好的任务完成质量，以及帮助网约车平台进行司机的优选，以解决目前不能激励司机提供良好的任务完成质量以及不能帮助网约车平台进行司机的优选的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的任务完成质量的评价方法的流程图；
图2示出根据本公开实施例的线性递减惯性权重的混沌粒子群算法、标准粒子群算法和随机搜索的信誉值优化对比图；
图3示出根据本公开实施例的口碑值对信誉值的影响对比图；
图4示出根据本公开实施例的时间间隔对任务完成质量的影响示意图；
图5示出根据本公开实施例的订单数量对订单成功率影响的对比图；
图6为根据本公开实施例的任务完成质量的优化对比图；
图7是根据一示例性实施例示出的一种电子设备800的框图；
图8是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种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这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了任务完成质量的评价装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种任务完成质量的评价方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开实施例的任务完成质量的评价方法的流程图，如图1所示，所述任务完成质量的评价方法，包括：步骤S101：获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性；步骤S102：根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型；步骤S103：基于所述网约车任务完成质量模型评价网约车任务完成质量。可以实现网约车任务完成质量的评价，能够激励司机提供良好的任务完成质量，以及帮助网约车平台进行司机的优选，以解决目前不能激励司机提供良好的任务完成质量以及不能帮助网约车平台进行司机的优选的问题。
基于上述，本公开引入信誉值的概念构建网约车任务完成质量模型，将经典弹性信誉模型进行改进，并提出线性递减惯性权重混沌粒子群算法对网约车任务完成质量模型进行实验验证。随着网约车市场逐渐扩大，研究网约车任务完成质量对网约车司机提高出行质量、网约车平台优选司机、增强乘客对网约车平台的忠诚度有重要意义，解决衡量网约车司机任务完成质量的局限性问题，帮助网约车平台更好的分配出行任务。
步骤S101：获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性。
在本公开中，在所述获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性之前，确定所述获取司机的当前信誉值，以及/或在设定时间内的订单成交率，以及/或任务的时效性。
在本公开中，确定所述获取司机的当前信誉值的方法，包括：获取信誉值所占的比重、当前的口碑值及历史信誉值；基于所述比重、所述当前的口碑值及所述历史信誉值确定司机的当前信誉值。
在本公开中，所述基于所述比重、所述当前的口碑值及所述历史信誉值确定司机的当前信誉值的方法，包括：根据所述比重θ计算所述当前的口碑值对应的比重1-θ；所述当前的口碑值对应的比重1-θ乘以当前的口碑值确定所述司机的当前信誉值的口碑值；根据所述比重θ及历史信誉值确定所述司机的当前信誉值的历史信誉值；基于所述司机的当前信誉值的口碑值及所述当前信誉值的历史信誉值得到所述司机的当前信誉值。也就是说，所述司机的当前信誉值的口碑值加上所述当前信誉值的历史信誉值得到所述司机的当前信誉值。
在本公开的具体实施例中，每次出行任务结束之后，口碑值都会实时更新。用司机的历史信誉值和最后一次交易的口碑值(当前的口碑值)进行当前信誉值的计算。
具体地说，司机i的当前信誉值为rvi，第k次交易的口碑值为(当前的口碑值或最后一次交易的口碑值)，前k-1次的历史信誉值为/>根据弹性信誉模型可知司机i的当前信誉值为rvi：
为了将时间考虑在内，设置θ为历史因子，表示在司机i的当前信誉值的计算中，以前的历史信誉值所占的比重，比重θ∈(0,1)，比重θ越接近1，就说明在计算当前信誉值时，历史信誉值起主要作用，最新一次的口碑值对当前信誉值的影响很小；反之，比重θ越接近0，就说明最新一次的口碑值起主要作用，而历史信誉值对当前信誉值的影响很小。
在本公开中，确定所述在设定时间内任务的时效性的方法，包括：获取设定时间区间；确定所述设定时间区间内每个任务的时效性；基于所述设定时间区间内每个任务的时效性得到所述在设定时间内任务的时效性。例如，所述的设定时间可为1个月，即确定1个月内任务的时效性，将1个月内每个任务的时效性相加得所述在1个月内任务的时效性；显然，本领域技术人员可根据实际需要配置所述设定时间。
具体地说，确定所述在设定时间内每个任务的时效性的方法，包括：获取接收到订单之后司机到达乘车地点的预计时间与司机实际到达乘车地点时间的第一时间差；以及，获取行程开始后司机到达目的地的预计时间与司机实际到达目的地时间的第二时间差；基于所述第一时间差及所述第二时间差确定所述在设定时间内任务的时效性。
在本公开的具体实施例中，在网约车的任务完成质量衡量过程中，时效性是必须考虑的重要因素。首先网约车司机能否按时到达乘客的乘车点，能否按时到达乘客的目的地，都能够体现任务执行的时效性。
在本公开的具体实施例中，在接收到订单之后平台根据实际情况测算出司机到达乘车地点的预计时间为而司机实际到达乘车地点时间为/>行程开始后平台根据实际情况测算出司机到达目的地的预计时间为/>而司机实际到达目的地时间为/>而，时效性的意义就在于预计时间和实际时间的间隔tij,j＝1,2越小越好，这就表示司机在行程过程中没有恶意绕路，速度适中，行驶过程安全顺利，司机的任务完成质量也就比较好。
具体地说，确定所述在设定时间内每个任务的时效性的方法，包括：获取接收到订单之后司机i到达乘车地点的预计时间与司机i实际到达乘车地点时间/>的第一时间差ti1；以及，获取行程开始后司机i到达目的地的预计时间/>与司机i实际到达目的地时间/>的第二时间差ti2；基于所述第一时间差ti1及所述第二时间差ti2确定所述在设定时间内任务的时效性。也就说，所述第一时间差ti1加上所述第二时间差ti2得到所述在设定时间内任务的时效性ti。
为了本领域技术人员更好地理解本公开，本公开给出了在设定时间内任务的时效性的具体计算公式：
在本公开中，确定所述在设定时间内的订单成交率的方法，包括：获取在设定时间内成功的订单数量以及订单总数量；基于所述在设定时间内成功的订单数量以及订单总数量确定所述在设定时间内的订单成交率。其中，所述设定时间可为一个月，本领域技术人员可根据实际需要配置所述设定时间。
成功的订单可以形容为司机的这一次出行任务时间精准、速度适中，安全顺利到达目的地，且乘客给予好评的订单。因此，订单的成功率也能很好的反应网约车的任务完成质量。
例如，司机i在最近一个月内的订单总数量为成功的订单数量为/>则在该时间段司机i的订单成交率/>为：
步骤S102：根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型。
在本公开中，所述根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型的方法，包括：分别获取所述司机的当前信誉值rvi、在设定时间内的订单成交率以及任务的时效性ti对应的第一权重系数α、第二权重系数β及第三权重系数γ；以及，基于所述第一权重系数α、第二权重系数β及第三权重系数γ及对应的所述司机的当前信誉值rvi、在设定时间内的订单成交率/>以及任务的时效性ti，构建所述司机的网约车任务完成质量模型。具体的所述司机的网约车任务完成质量模型可详见步骤S103内的详细说明。
步骤S103：基于所述网约车任务完成质量模型评价网约车任务完成质量。
在本公开中，所述基于所述网约车任务完成质量模型评价网约车任务完成质量的方法，包括：获取所述司机的网约车任务完成质量模型中司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的约束条件；基于所述约束条件及所述网约车任务完成质量模型，确定所述网约车任务完成质量模型的最大值，以评价网约车任务完成质量。
为了激励网约车司机提供良好的任务完成质量，从信誉值、任务时效性及订单成功率三个方面进行任务完成质量的优化。优化目标则是信誉值最大化、任务时效性最好以及订单成功率最大化。
在本公开的具体实施方式中，根据优化目标构建如下任务完成质量模型：
其中，s.t为约束条件；Mrv及Nrv分别为司机的当前信誉值rvi配置的最大信誉值及最小信誉值；第一权重系数α、第二权重系数β及第三权重系数γ为各个优化目标(司机的当前信誉值rvi、在设定时间内的订单成交率以及任务的时效性ti)的权重系数，可将第一权重系数α、第二权重系数β及第三权重系数γ分别配置为2:1:1；Tmax表示预计时间和实际时间的最大时间间隔，在不考虑外界客观因素的影响下约束的意义在于实际时间间隔不能超过Tmax，时间间隔约束在一个范围内有利于加强司机时间观念，司机不刻意绕路且不超速行驶；同时，订单成交率/>在0到1之间。
在本公开中，所述基于所述边界条件及所述网约车任务完成质量模型，确定所述网约车任务完成质量模型的最大值的方法，包括：分别初始化所述网约车任务完成质量模型中司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的粒子位置及种群位置；基于所述粒子位置、所述种群位置以及预设的粒子群算法分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置；基于所述种群最优位置确定所述网约车任务完成质量模型的最大值。
具体地说，确定所述网约车任务完成质量模型的最大值为目标函数，目标函数应用混沌粒子群算法(PSO)进行粒子适应度值的计算，得粒子本身找到的粒子最优位置Pbest，整个种群找到的种群最优位置Gbest。
在确定所述网约车任务完成质量模型的最大值的过程中或确定所述网约车任务完成质量模型的最大值过程中，需要首先分别初始化所述网约车任务完成质量模型中司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的3个粒子位置及3个种群位置；然后，基于3个所述粒子位置、3个所述种群位置以及预设的粒子群算法分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的3个种群最优位置；最后，基于司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的3个所述种群最优位置共同确定所述网约车任务完成质量模型的最大值。
在本公开中，所述基于所述粒子位置、所述种群位置以及预设的粒子群算法分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置的方法，包括：初始化所述粒子群算法中粒子的飞行速度矢量及位置矢量、惯性权重以及相应系数；基于所述粒子位置、所述种群位置、所述粒子的飞行速度矢量及位置矢量、所述惯性权重以及所述相应系数，分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置。其中，所述相应系数为学习因子(加速常数)、设定范围的随机数。
在本公开中，所述基于所述粒子位置、所述种群位置、所述粒子的飞行速度矢量及位置矢量、所述惯性权重以及所述相应系数，分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置的方法，包括：基于第k次迭代得到的粒子的飞行速度矢量及位置矢量、待更新的惯性权重、待优化的粒子位置及种群位置、以及所述初始化的相应系数得到第k+1次迭代对应的粒子的飞行速度矢量及位置矢量、待更新的惯性权重、待优化的粒子位置及种群位置；当满足设定条件时，将所述待优化的种群位置确定为种群最优位置。
为了本领域人员更好地理解本公开，根据所述任务完成质量模型的目标函数MaxTCQ(求取最大值)初始化当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的粒子位置及种群位置；也就是说，当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的粒子位置及种群位置都对应一组粒子位置及种群位置。
在本公开的具体实施例中，在D维空间内，初始化N个粒子，粒子群算法的更新迭代公式为：
其中，表示第k次迭代粒子i飞行速度矢量的第d维分量，/>表示第k次迭代粒子i位置矢量的第d维分量，c1、c2是学习因子，也叫做加速常数；r1、r2是在[0,1]之间的随机数，ωk为惯性权重，可以对解空间的搜索范围进行调节；第k次迭代得到的粒子最优位置Pbest k及种群最优位置Gbest k，粒子最优位置Pbest k及种群最优位置Gbest k也称为待优化的粒子位置及种群位置，当满足设定条件时，将所述待优化的种群位置确定为种群最优位置。
当第1次迭代时，所使用的是初始化所述粒子群算法中粒子的飞行速度矢量及位置矢量、惯性权重，所述粒子群算法的相应系数学习因子c1、c2及随机数r1、r2在迭代过程中不改变。
在本公开的是具体实施方式中，所述第k次迭代的待更新的惯性权重的确定方法，包括：获取所述惯性权重的初始最大惯性权重及最小惯性权重；根据所述第k次迭代、所述初始最大惯性权重及最小惯性权重确定第k次迭代的待更新的惯性权重。本公开在标准粒子群算法的基础上改进的，在标准粒子群基础上对惯性权重的值进行线性递减，增强粒子群的全局搜索能力，提高粒子的全局收敛能力，使算法在所述网约车任务完成质量模型的效率更高。
在本公开的是具体实施方式中，所述根据所述第k次迭代、所述初始最大惯性权重及最小惯性权重确定第k次迭代的待更新的惯性权重的方法，包括：获取配置的最大迭代次数；基于所述最大迭代次数、所述初始最大惯性权重及最小惯性权重确定权重均值；所述初始最大惯性权减去权重均值乘以k，得到第k次迭代的待更新的惯性权重。
粒子群算法中的惯性权重表示前代粒子速度对当代粒子速度的影响程度，它的大小直接影响算法的运算结果，惯性权重较大时，有利于算法早期的全局搜索，但随着迭代的进行，需要将惯性权重的值进行调整，以此提高算法的局部搜索能力，有助于收敛全局最优值。应用线性递减权重策略调整惯性权重，即将惯性权重从前期较大的值逐渐递减到后期较小的值，惯性权重公式为：
其中，K为最大迭代次数，k表示当前迭代次数，ωmax为初始最大惯性权重，可配置为0.9；ωmin为运算结束时的最小惯性权重，可配置为0.4；最大迭代次数K可配置为200。上述在混沌粒子群算法中加入线性递减惯性权重，称为线性递减惯性权重的混沌粒子群算法(Ld-CPSO)。
在本公开的是具体实施方式中，所述设定条件可为获取的最大迭代次数；或，所述当满足设定条件时，将所述待优化的种群位置确定为种群最优位置的方法，包括：分别记录第每次迭代得到的粒子的所述待优化的粒子位置及种群位置；计算相邻两次迭代得到的粒子的所述待优化的粒子位置的第一位置差值，若所述第一位置差值满足第一设定差值，则生成第一指令；在所述第一指令下，计算所述相邻两次迭代得到的粒子的种群位置的第二位置差值；若所述第二位置差值满足第二设定差值，则生成第二指令，同时清除所述第一指令；若生成所述第二指令，则条件变量加1，同时清除所述第二指令；当所述条件变量大于或等于设定值时，将所述待优化的种群位置确定为种群最优位置，同时将所述条件变量清零。
任务完成质量的评价方法的执行主体可以是任务完成质量的评价装置，例如，任务完成质量的评价方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该任务完成质量的评价方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开还提出了一种任务完成质量的评价装置，所述任务完成质量的评价装置，包括：获取单元，用于获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性；构建单元，用于根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型；评价单元，用于基于所述网约车任务完成质量模型评价网约车任务完成质量。可以实现网约车任务完成质量的评价，能够激励司机提供良好的任务完成质量，以及帮助网约车平台进行司机的优选，以解决目前不能激励司机提供良好的任务完成质量以及不能帮助网约车平台进行司机的优选的问题。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述任务完成质量的评价方法。计算机可读存储介质可以是非易失性计算机可读存储介质。可以实现网约车任务完成质量的评价，能够激励司机提供良好的任务完成质量，以及帮助网约车平台进行司机的优选，以解决目前不能激励司机提供良好的任务完成质量以及不能帮助网约车平台进行司机的优选的问题。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述任务完成质量的评价方法。电子设备可以被提供为终端、服务器或其它形态的设备。可以实现网约车任务完成质量的评价，能够激励司机提供良好的任务完成质量，以及帮助网约车平台进行司机的优选，以解决目前不能激励司机提供良好的任务完成质量以及不能帮助网约车平台进行司机的优选的问题。
根据实际情况设定口碑值ppi分值范围为[300,400]，信誉值分值范围则为[400,500]，最大时间间隔Tmax＝10min。算法的参数设定如表1所示，为了更好的验证算法的有效性，将本文提出的Ld-CPSO算法与标准粒子群算法(PSO)和随机搜索(Random)进行对比。
表1：实验参数及取值
图2示出根据本公开实施例的线性递减惯性权重的混沌粒子群算法、标准粒子群算法和随机搜索的信誉值优化对比图。由于引入信誉值的计算，通过实验可以得出，随着算法的不断迭代，信誉值的数值也不断增加，并最终优化出最大值。但是，由于本文的Ld-CPSO算法引入混沌系统增加了粒子的多样性，使得算法的全局搜索能力增强，优化出来的信誉值相比其他算法更高，算法的收敛速度也更快。
图3示出根据本公开实施例的口碑值对信誉值的影响对比图。信誉值是通过司机的口碑值进行计算的，本公开对信誉值进行进一步优化，实验得出，随着口碑值在合理范围内的不断增加，信誉值也不断增加，并且本文提出的算法在优化结果上更好，能够搜索到更好的信誉值，不仅在理论上验证了最后一次任务的口碑值对当前信誉值的影响程度更大，也有助于网约车平台优选信誉值高的司机执行出行任务。
图4示出根据本公开实施例的时间间隔对任务完成质量的影响示意图。为了研究任务时效性对任务完成质量的影响，将其他变量固定，通过本文算法进行验证，随着时间间隔的不断增大，任务完成质量逐渐下降。实验进一步说明，当司机的实际到达时间和平台预计时间相差的越来越多时，司机没有保证任务的时效性，在时间上不够准时，导致任务完成质量逐渐下降。实验对模型进行了验证，有效说明任务时效性对任务完成质量的影响。
图5示出根据本公开实施例的订单数量对订单成功率影响的对比图。由实验可以得出，随着网约车接到的订单数量增多，司机的订单成功率不断增加，并接近1。这正表示网约车司机的任务完成质量越来越好，才能接到越来越多的订单，并且订单的成功率也在逐渐上升。另外，本文算法搜索出来的订单成功率与标准粒子群算法相比更高，说明本文算法在找寻订单成功率高的司机上面具备一定的优势，对平台向任务完成质量高的司机派单具有一定的参考意义，同样有助于网约车平台优选订单成功率高的司机执行出行任务。
图6为根据本公开实施例的任务完成质量的优化对比图。由实验结果也能看出，随着迭代次数的增加，网约车任务完成质量是逐渐增大的，并且本文算法相比于传统PSO算法和随机搜索方法，是能够搜索出更好的解，找到更好的任务完成质量。这也能够说明该模型对于找到任务完成质量好的司机有很好的的作用，有助于网约车平台在进行派单时对司机进行优选。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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—包括局域网(LAN)或广域网(WAN)—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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种任务完成质量的评价方法，其特征在于，包括：
获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性；
根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型；
根据优化目标构建如下任务完成质量模型：
其中，s.t为约束条件；Mrv及Nrv分别为司机的当前信誉值rvi配置的最大信誉值及最小信誉值；第一权重系数α、第二权重系数β及第三权重系数γ为司机的当前信誉值rvi、在设定时间内的任务的时效性ti以及订单成交率的权重系数，可将第一权重系数α、第二权重系数β及第三权重系数γ分别配置为2:1:1；ti1为获取接收到订单之后司机i到达乘车地点的预计时间/>与司机i实际到达乘车地点时间/>的第一时间差；ti2为获取行程开始后司机i到达目的地的预计时间/>与司机i实际到达目的地时间/>的第二时间差；Tmax表示预计时间和实际时间的最大时间间隔，在不考虑外界客观因素的影响下约束的意义在于实际时间间隔不能超过Tmax，时间间隔约束在一个范围内有利于加强司机时间观念，司机不刻意绕路且不超速行驶；同时，订单成交率/>在0到1之间；
基于所述网约车任务完成质量模型评价网约车任务完成质量；
在所述获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性之前，确定所述获取司机的当前信誉值，以及在设定时间内的订单成交率，以及任务的时效性；其中，确定所述获取司机的当前信誉值的方法，包括：
获取信誉值所占的比重、当前的口碑值及历史信誉值；
基于所述比重、所述当前的口碑值及所述历史信誉值确定司机的当前信誉值；
以及，确定所述在设定时间内的订单成交率的方法，包括：
获取在设定时间内成功的订单数量以及订单总数量；
基于所述在设定时间内成功的订单数量以及订单总数量确定所述在设定时间内的订单成交率；
确定所述在设定时间内每个任务的时效性的方法，包括：
获取接收到订单之后司机到达乘车地点的预计时间与司机实际到达乘车地点时间的第一时间差；
以及，获取行程开始后司机到达目的地的预计时间与司机实际到达目的地时间的第二时间差；
基于所述第一时间差及所述第二时间差确定所述在设定时间内任务的时效性。
2.根据权利要求1所述的评价方法，其特征在于，所述根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型的方法，包括：
分别获取所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的第一权重系数、第二权重系数及第三权重系数；以及，
基于所述第一权重系数、第二权重系数及第三权重系数及对应的所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型。
3.根据权利要求1或2所述的评价方法，其特征在于，所述基于所述网约车任务完成质量模型评价网约车任务完成质量的方法，包括：
获取所述司机的网约车任务完成质量模型中司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的约束条件；
基于所述约束条件及所述网约车任务完成质量模型，确定所述网约车任务完成质量模型的最大值，以评价网约车任务完成质量。
4.根据权利要求3所述的评价方法，其特征在于，所述基于所述约束条件及所述网约车任务完成质量模型，确定所述网约车任务完成质量模型的最大值的方法，包括：
分别初始化所述网约车任务完成质量模型中司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的粒子位置及种群位置；
基于所述粒子位置、所述种群位置以及预设的粒子群算法分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置；
基于所述最优位置确定所述网约车任务完成质量模型的最大值。
5.根据权利要求4所述的评价方法，其特征在于，所述基于所述粒子位置、所述种群位置以及预设的粒子群算法分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置的方法，包括：
初始化所述粒子群算法中粒子的飞行速度矢量及位置矢量、惯性权重以及相应系数；
基于所述粒子位置、所述种群位置、所述粒子的飞行速度矢量及位置矢量、所述惯性权重以及所述相应系数，分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置。
6.根据权利要求5所述的评价方法，其特征在于，所述基于所述粒子位置、所述种群位置、所述粒子的飞行速度矢量及位置矢量、所述惯性权重以及所述相应系数，分别得到司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性对应的种群最优位置的方法，包括：
基于第k次迭代得到的粒子的飞行速度矢量及位置矢量、待更新的惯性权重、待优化的粒子位置及种群位置、以及所述初始化的相应系数得到第k+1次迭代对应的粒子的飞行速度矢量及位置矢量、待更新的惯性权重、待优化的粒子位置及种群位置；
当满足设定条件时，将所述待优化的种群位置确定为种群最优位置。
7.一种任务完成质量的评价装置，其特征在于，包括：
获取单元，用于获取司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性；
构建单元，用于根据所述司机的当前信誉值、在设定时间内的订单成交率以及任务的时效性，构建所述司机的网约车任务完成质量模型；
评价单元，用于基于所述网约车任务完成质量模型评价网约车任务完成质量，
其中，获取单元、构建单元和评价单元采用权利要求1至6中任意一项所述的评价方法。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的评价方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的评价方法。
CN202110622076.8A 2021-06-04 2021-06-04 任务完成质量的评价方法及装置、电子设备和存储介质 Active CN113361910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110622076.8A CN113361910B (zh) 2021-06-04 2021-06-04 任务完成质量的评价方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110622076.8A CN113361910B (zh) 2021-06-04 2021-06-04 任务完成质量的评价方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113361910A CN113361910A (zh) 2021-09-07
CN113361910B true CN113361910B (zh) 2023-08-25

Family

ID=77532003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110622076.8A Active CN113361910B (zh) 2021-06-04 2021-06-04 任务完成质量的评价方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113361910B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006293775A (ja) * 2005-04-12 2006-10-26 Fuji Enterprise Kk 利用者評価方法及びその装置
CN101739615A (zh) * 2009-11-30 2010-06-16 交通部公路科学研究院 出租车智能综合监管与服务系统
CN109272368A (zh) * 2017-07-18 2019-01-25 北京嘀嘀无限科技发展有限公司 订单处理方法、装置、服务器、移动终端和存储介质
CN109272126A (zh) * 2017-07-18 2019-01-25 北京嘀嘀无限科技发展有限公司 确定方法、装置、服务器、移动终端和可读存储介质
CN110838047A (zh) * 2019-11-07 2020-02-25 腾讯科技（深圳）有限公司 一种网约车司机信用管理方法及装置、服务器、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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004013733A2 (en) * 2002-08-02 2004-02-12 Limoq, Inc. Method, system and apparatus for providing transportation services

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006293775A (ja) * 2005-04-12 2006-10-26 Fuji Enterprise Kk 利用者評価方法及びその装置
CN101739615A (zh) * 2009-11-30 2010-06-16 交通部公路科学研究院 出租车智能综合监管与服务系统
CN109272368A (zh) * 2017-07-18 2019-01-25 北京嘀嘀无限科技发展有限公司 订单处理方法、装置、服务器、移动终端和存储介质
CN109272126A (zh) * 2017-07-18 2019-01-25 北京嘀嘀无限科技发展有限公司 确定方法、装置、服务器、移动终端和可读存储介质
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
CN110838047A (zh) * 2019-11-07 2020-02-25 腾讯科技（深圳）有限公司 一种网约车司机信用管理方法及装置、服务器、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Dong Wang ; Wei Cao ; Jian Li ; Jieping Ye.DeepSD: Supply-Demand Prediction for Online Car-Hailing Services Using Deep Neural Networks.IEEE.2017,全文. *

Also Published As

Publication number Publication date
CN113361910A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
KR102365890B1 (ko) 신경망의 훈련 방법, 장치 및 저장 매체
US11580408B2 (en) Search method, device and storage medium for neural network model structure
CN109919300B (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN109858614B (zh) 神经网络训练方法及装置、电子设备和存储介质
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
US20220391060A1 (en) Methods for displaying and providing multimedia resources
CN110909815A (zh) 神经网络训练、图像处理方法、装置及电子设备
CN112001364A (zh) 图像识别方法及装置、电子设备和存储介质
JP2022522551A (ja) 画像処理方法及び装置、電子機器並びに記憶媒体
US9373327B2 (en) Method for refining a search
CN113032112A (zh) 资源调度方法及装置、电子设备和存储介质
CN113361540A (zh) 图像处理方法及装置、电子设备和存储介质
CN109190760B (zh) 神经网络训练方法及装置和环境处理方法及装置
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN113298091A (zh) 图像处理方法及装置、电子设备和存储介质
EP4160445A1 (en) Method and apparatus for recommending multimedia resource, and computer program product
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
US20220245401A1 (en) Method and apparatus for training model
CN113361910B (zh) 任务完成质量的评价方法及装置、电子设备和存储介质
CN111276127B (zh) 语音唤醒方法、装置、存储介质及电子设备
CN113255912B (zh) 神经网络的通道剪枝方法及装置、电子设备和存储介质
US20220357965A1 (en) Pre-generating data for user interface latency improvement
CN110120211B (zh) 基于旋律结构的旋律生成方法及装置
CN111914983B (zh) 交互方法及装置、音箱、电子设备和存储介质
CN114385296A (zh) 一种对象处理方法、装置、电子设备及介质

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
GR01 Patent grant
GR01 Patent grant