CN113723970B - 订单列表推送方法、装置、存储介质和计算机设备 - Google Patents

Abstract

本发明提供一种订单列表推送方法，包括：获取待推送给目标司机的初始订单列表；获取所述初始订单列表中待配对订单的假单概率值，所述假单概率值基于预置的假单预测模型评估得到；根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单；若是，将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机。该订单列表推荐方法能够减少疑似假单的曝光度，降低疑似假单被该目标司机抢单的概率，从而保证司机的抢单效率和工作心情，提高司机体验，并有效维持约车平台的正常运营秩序。

Description

订单列表推送方法、装置、存储介质和计算机设备

技术领域

本发明涉及用车数据处理技术领域，具体而言，本发明涉及一种订单列表推送方法、装置、计算机可读存储介质和计算机设备。

背景技术

随着时代的发展，网上约车成为了满足人们通勤、出行或者搬家等用车需求的重要方式。对于司机客户端，通常通过其客户端展示的订单列表进行抢单。在实际应用过程中，接单系统会存在有假单的现象，且假单基本会如同正常订单一样在订单列表中展示。如果司机抢到假单，容易影响司机的抢单效率和工作心情，司机体验差，且对约车平台的正常运营秩序造成不良影响。

发明内容

为至少能解决上述的技术缺陷之一，本发明提供了以下技术方案的订单列表推送方法及对应的装置、计算机可读存储介质和计算机设备。

本发明的实施例根据一个方面，提供了一种订单列表推送方法，包括如下步骤：

获取待推送给目标司机的初始订单列表；

获取所述初始订单列表中待配对订单的假单概率值，所述假单概率值基于预置的假单预测模型评估得到；

根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单；

若是，将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机。

优选地，所述根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单，包括：

根据所述假单概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值的待配对订单。

优选地，所述根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单，包括：

根据所述假单概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值的待配对订单；

若是，随机生成对应目标司机的随机概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值，且所述假单概率值大于所述随机概率值的待配对订单。

优选地，所述将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，包括：

所述将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至末位。

优选地，所述假单预测模型通过以下步骤预先训练生成：

获取企业历史订单的关联信息和用于标识历史订单是否为假单的标签信息；

根据所述关联信息，生成订单关联特征数据；

根据所述订单关联特征数据和所述标签信息，生成训练样本；

根据所述训练样本，基于预定算法训练生成所述假单预测模型；所述假单预测模型用于评估订单为假单的假单概率值。

优选地，述历史订单的关联信息包括以下至少之一：

订单起始点和终点、订单价格、用车距离、用车时长、用车时段、订单发起人的信用评价、订单发起人画像。

优选地，所述获取待推送给目标司机的初始订单列表之前，还包括：

接收目标司机提交的订单列表刷新请求。

此外，本发明的实施例根据另一个方面，提供了一种订单列表推送装置，包括：

初始列表获取模块，用于获取待推送给目标司机的初始订单列表；

假单概率值获取模块，用于获取所述初始订单列表中待配对订单的假单概率值，所述假单概率值基于预置的假单预测模型评估得到；

假单确定模块，用于根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单；

假单处理模块，用于在所述初始订单列表中有达到预置假单后置处理条件的待配对订单时，将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机。

本发明的实施例根据又一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的订单列表推送方法。

本发明的实施例根据再一个方面，提供了一种计算机设备，所述计算机包括一个或多个处理器；存储器；一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于：执行上述的订单列表推送方法。

本发明与现有技术相比，具有以下有益效果：

本发明提供的订单列表推送方法、装置、计算机可读存储介质和计算机设备，预先基于假单预测模型评估待配对订单的假单概率值，当目标司机的初始订单列表中有待配对订单的假单概率值满足假单后置处理条件，则对该待配对订单在初始订单列表中的排序进行后置处理，该方法能够减少疑似假单的曝光度，降低疑似假单被该目标司机抢单的概率，从而保证司机的抢单效率和工作心情，提高司机体验，并有效维持约车平台的正常运营秩序

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例提供的订单列表推送方法的方法流程图；

图2为本发明实施例提供的假单预测模型训练过程的方法流程图；

图3为本发明实施例提供的订单列表推送装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本发明实施例提供了一种订单列表推送方法，如图1所示，该方法包括：

步骤S110：获取待推送给目标司机的初始订单列表；

对于本实施例，所述目标司机为当前待推送订单列表的可提供用车服务的司机。所述初始订单列表由所述目标司机可接单距离范围内的待配对订单构成，所述待配对订单为用车人发起的尚未配对有提供用车服务司机的用车订单。

对于本实施例，首先获取在目标司机附近发起的未配对成功的用车订单，通过设置预设距离来限制获取待配对订单的地理位置范围，所述目标司机预设距离范围内可以指目标司机所在地向四周辐射的直径距离范围，也可以指从目标司机所在地到待配对订单对应的起始点的行驶距离范围。其中，所述预设距离可以是3公里、5公里、8公里等距离，本发明实施例对此不作限定。

在其他实施例中，所述目标司机预设距离范围还可以指目标司机在预设时间内能够到达的距离范围，例如在3分钟、5分钟、10分钟等预设时间内目标司机以平均车速能够行驶到达的距离范围。

在一个可能的实现方式中，在获得目标司机的待配对订单之后，按照预设排序标准对待配对订单进行排序，生成目标司机的初始订单列表。

可选地，将所述待配对订单按其起始点与目标司机的距离从近至远进行排序，生成目标司机的初始订单列表。

可选地，将所述待配对订单其订单金额从高至低进行排序，生成目标司机的初始订单列表。

可选地，对待配对订单的基础订单信息进行赋值并加权运算，计算待配对订单的订单价值，按待配对订单的订单价值从高至低进行排序，生成目标司机的初始订单列表。其中，基础订单信息包括但不限于：订单价格、用车距离、用车时长、订单发起人的信用评价、货物方便装卸程度。

步骤S120：获取所述初始订单列表中待配对订单的假单概率值，所述假单概率值基于预置的假单预测模型评估得到；

对于本实施例，预先训练有假单预测模型，所述假单预测模型用于评估待配对订单为假单的可能性。所述假单是指没有真实用车意愿的、在司机接单后提供用车服务前容易被取消订单的一类订单。

对于本实施例，所述假单预测模型用于评估各个待配对订单为假单的假单概率值，具体地，将待配对订单的关联信息输入预置的假单预测模型，输出一个介于0到1之间的数值，为该待配对订单的假单概率值，所述假单概率值越高，则待配对订单为假单的可能性越大。

在一个可能的实现方式中，待配对订单的关联信息包括以下至少之一：订单起始点和终点、订单价格、用车距离、用车时长、用车时段、订单发起人的信用评价、订单发起人画像。

在一个可能的实现方式中，约车平台定时基于假单预测模型对新增的所有待配对订单进行假单概率值评估，建立各个待配对订单与其假单概率值的映射关系，生成待配对订单全集及对应的假单概率值集合并保存。在获得目标司机的初始订单列表之后，基于所述映射关系获取目标司机初始订单列表中待配对订单的假单概率值，生成目标司机初始订单列表及对应的假单概率值集合。

例如，约车平台的待配对订单全集为[o1,o2,o3,o4,o5,o6,o7,…，om]，m为待配对订单的总数，基于假单预测模型对应评估得到的假单概率值集合为[0.1,0.5,0.1,0.2,0.3,0.2,0.1,…,0.1]。获得的待推送给目标司机的初始订单列表为[o1,o2,o3,o4,o6,om]，基于预先建立的映射关系即可获得该初始订单列表中待配对订单的假单概率值对应为[0.1,0.5,0.1,0.2,0.2,0.1]。该方法只需对各个待配对订单进行一次假单概率值评估，后续使用只需调用预存的假单概率值即可，无需对海量司机初始订单列表中的待配对订单逐一评估假单概率值，也无需在同一目标司机多次请求刷新订单列表时重复评估待配对订单的假单概率值，显著减少约车平台的假单概率值运算量，提高了待配对订单假单概率值的获取效率。

步骤S130：根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单；

对于本实施例，预先设置有假单后置处理条件，所述假单后置处理条件根据待配对订单的假单概率值设置。

步骤S140：若是，将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机。

对于本实施例，当目标司机的初始订单列表中有待配对订单满足假单后置处理条件时，将达到该预置假单后置处理条件的待配对订单进行后置处理，具体为将疑似为假单的待配对订单在所述初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机，以使目标司机接收查看最终订单列表并抢单，目标司机抢单时的关注度一般都集中在订单列表的前排，通过将疑似假单后置处理能够减少疑似假单的曝光度，降低疑似假单被该目标司机抢单的概率，从而保证司机的抢单效率和工作心情，提高司机体验，并有效维持约车平台的正常运营秩序。

对于本实施例，N的具体数值可根据实际应用需求确定和调整，本发明实施例对此不作限定。例如，N可以是10、15等数值，也可以初始订单列表中待配对订单数量的50％、70％、90％等比例对应的数值。

在一个可能的实现方式中，将待配对订单在所述初始订单列表中的排序调整至第N位后的后置处理方式，具体为调整至初始订单列表的末位。

在一个可能的实现方式中，将待配对订单在所述初始订单列表中的排序调整至第N位后的后置处理方式，具体为随机分散调整至初始订单列表第N位后的位置。

本发明实施例提供的订单列表推荐方法，预先基于假单预测模型评估待配对订单的假单概率值，当目标司机的初始订单列表中有待配对订单的假单概率值满足假单后置处理条件，则对该待配对订单在初始订单列表中的排序进行后置处理，该方法能够减少疑似假单的曝光度，降低疑似假单被该目标司机抢单的概率，从而保证司机的抢单效率和工作心情，提高司机体验，并有效维持约车平台的正常运营秩序。

在一些实施例中，如图2所示，所述假单预测模型通过以下步骤预先训练生成：

步骤S210：获取企业历史订单的关联信息和用于标识历史订单是否为假单的标签信息；

对于本实施例，历史订单分为正常订单和假单两类订单，获取各个历史订单对应的标签信息，所述标签信息用于标识该历史订单是否为假单。所述标签信息可具体记作1或0，将表示为假单的标签信息记作1，表示为正常订单的标签信息记作0，以用于后续的模型训练。

在一个可能的实现方式中，所述历史订单的关联信息包括以下至少之一：订单起始点和终点、订单价格、用车距离、用车时长、用车时段、订单发起人的信用评价、订单发起人画像。

步骤S220：根据所述关联信息，生成订单关联特征数据；

对于本实施例，将历史订单的关联信息转换为特征向量，生成用于作为训练假单预测模型输入数据的订单关联特征数据。

步骤S230：根据所述订单关联特征数据和所述标签信息，生成训练样本；

对于本实施例，将步骤S220生成的历史订单的订单关联特征数据和对应的标签信息生成训练样本，多个历史订单对应的训练样本构成用于训练假单预测模型的训练样本集。

步骤S240：根据所述训练样本，基于预定算法训练生成所述假单预测模型；所述假单预测模型用于评估订单为假单的假单概率值。

对于本实施例，将训练样本集中的训练样本输入预定算法，由算法学习订单关联特征数据与订单是否为假单的关联关系，最终训练得假单预测模型，所述假单预测模型用于评估订单为假单的概率值，即可输出一个介于0到1之间的数值，为该待配对订单的假单概率值，所述假单概率值越高，则待配对订单为假单的可能性越大。其中，基于预定算法训练生成所述假单预测模型可具体为基于决策树算法生成所述假单预测模型。

在一些实施例中，所述步骤S130根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单，包括：根据所述假单概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值的待配对订单。

对于本实施例，预先设置有假单后置处理条件，所述假单后置条件为目标司机初始订单列表中有所述假单概率值大于预设阈值的待配对订单。具体地，通过获取目标司机初始订单列表中各个待配对订单的假单概率值，将各个假单概率值与所述预设阈值进行比较，根据比较结果从所述初始订单列表中筛选出假单概率值大于预设阈值的待配对订单，将该类待配对订单确定为疑似假单；若目标司机初始订单列表中有该类疑似假单，则进一步将确定的一个或多个疑似假单在初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机；若目标司机初始订单列表中没有该类疑似假单，则无需进行假单后置处理，直接将初始订单列表推送给目标司机。

对于本实施例，所述预设阈值介于0到1之间，所述预设阈值的具体数值可根据实际应用需求确定和调整，本发明实施例对此不作限定。

例如，预先设置所述预设阈值为0.4，若目标司机初始订单列表中存在待配对订单的假单概率值大于0.4，则将假单概率值大于0.4的待配对订单在目标司机初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机的客户端。

在本实施例中，由于司机有抢前排订单的操作习惯，通过向司机推送假单经后置的订单列表，能够减少疑似假单的曝光度，降低疑似假单被司机抢单的概率，从而保证司机的抢单效率和工作心情，提高司机体验，并有效维持约车平台的正常运营秩序。

在一些实施例中，所述步骤S130根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单，包括：根据所述假单概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值的待配对订单；若是，随机生成对应目标司机的随机概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值，且所述假单概率值大于所述随机概率值的待配对订单。

对于本实施例，预先设置有假单后置处理条件，所述假单后置条件为目标司机初始订单列表中有所述假单概率值大于预设阈值且所述假单概率值大于所述随机概率值的待配对订单。具体地，通过获取目标司机初始订单列表中各个待配对订单的假单概率值，将各个假单概率值与所述预设阈值进行比较，根据比较结果从所述初始订单列表中筛选出假单概率值大于预设阈值的待配对订单，将该类待配对订单确定为疑似假单；若目标司机初始订单列表中有该类疑似假单，则进一步基于随机函数生成一个对应该目标司机的随机概率值；若疑似假单的假单概率值也大于所述随机概率值，才将该疑似假单，即所述假单概率值大于预设阈值，且所述假单概率值大于所述随机概率值的待配对订单在初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机；若未达到阈值的假单后置处理条件，即目标司机初始订单列表中没有该类疑似假单，或者疑似假单的假单概率值小于等于随机概率值，则无需进行假单后置处理，直接将初始订单列表推送给目标司机。

对于本实施例，所述预设阈值介于0到1之间，所述预设阈值的具体数值可根据实际应用需求确定和调整，本发明实施例对此不作限定。

对于本实施例，所述随机概率值介于0到1之间。

在一些实施例中，所述获取待推送给目标司机的初始订单列表之前，还包括：接收目标司机提交的订单列表刷新请求。

在实际应用场景中，司机通过其客户端查看约车平台的订单通常有两种方式，一种是被动接收订单列表，另一种是主动刷新订单列表，会向约车平台的服务器提交订单列表刷新请求。

对于本实施例，约车平台的服务器在接收同一时刻多个司机发起的订单列表刷新请求后，响应所述订单列表刷新请求，执行步骤S110至S140以分别为每个司机推荐更新的订单列表。

以下，示出一个具体例子对本实施例作进一步阐明：

假定同一时刻，有3个司机同时发起订单列表刷新请求，基于步骤S110确定3个司机的初始订单列表分别为[o1,o2,o3,o4,o6,o8]、[o1,o2,o4,o5,o6,o9]、[o4,o2,o1,o5,o7,o8]。

约车平台的待配对订单全集为[o1,o2,o3,o4,o5,o6,o7,o8,o9]，基于假单预测模型对应评估得到的假单概率值集合为[0.1,0.5,0.1,0.2,0.3,0.2,0.1,0.2,0.1]。

设置预设阈值为0.4，从上述假单概率值集合可知o2的假单概率值为0.5，大于预设阈值，则o2为疑似假单，且3个司机的初始订单列表中均有疑似假单o2。

相应地对应3个司机生成3个随机概率值，例如分别为[0.3,0.1,0.9]，因为o2的假单概率值大于司机1和司机2的随机概率值，则对司机1和司机2的初始订单列表中的疑似假单o2的排序调整至末位，具体为将司机1的初始订单列表[o1,o2,o3,o4,o6,o8]调整为[o1,o3,o4,o6,o8,o2]，司机2的初始订单列表[o1,o2,o4,o5,o6,o9]调整为[o1,o4,o5,o6,o9,o2]，对于司机3则直接向其推送初始订单列表[o4,o2,o1,o5,o7,o8]。

在上述例子中，对于3个司机，约车平台实际干预了66.66％的疑似假单曝光度。而实际场景中，海量司机会反复的主动发起订单列表刷新请求，约车平台最终干预的曝光占比将无限逼近于假单预测模型预测为假单的假单概率值，例如假单预测模型预测一个待配对订单90％为假单，即干预效果可能是，海量司机主动发起订单列表刷新请求10000次，则有9000次的结果将会受到干预，该疑似假单会有9000次被进行假单后置处理。

此外，本发明实施例提供了一种订单列表推送装置，如图3所示，所述装置包括：

初始列表获取模块31，用于获取待推送给目标司机的初始订单列表；

假单概率值获取模块32，用于获取所述初始订单列表中待配对订单的假单概率值，所述假单概率值基于预置的假单预测模型评估得到；

假单确定模块33，用于根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单；

假单处理模块34，用于在所述初始订单列表中有达到预置假单后置处理条件的待配对订单时，将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机。

在一些实施例中，所述假单确定模块33，具体用于：

根据所述假单概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值的待配对订单。

在一些实施例中，所述假单确定模块33，具体用于：

根据所述假单概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值的待配对订单；

若是，随机生成对应目标司机的随机概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值，且所述假单概率值大于所述随机概率值的待配对订单。

在一些实施例中，所述假单处理模块34用于将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，具体用于：

所述将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至末位。

在一些实施例中，所述假单预测模型通过以下步骤预先训练生成：

获取企业历史订单的关联信息和用于标识历史订单是否为假单的标签信息；

根据所述关联信息，生成订单关联特征数据；

根据所述订单关联特征数据和所述标签信息，生成训练样本；

根据所述训练样本，基于预定算法训练生成所述假单预测模型；所述假单预测模型用于评估订单为假单的假单概率值。

在一些实施例中，述历史订单的关联信息包括以下至少之一：

订单起始点和终点、订单价格、用车距离、用车时长、用车时段、订单发起人的信用评价、订单发起人画像。

在一些实施例中，所述订单列表推送装置还包括列表刷新响应模块，所述列表刷新响应模块用于在获取待推送给目标司机的初始订单列表之前，接收目标司机提交的订单列表刷新请求。

本发明方法实施例的内容均适用于本装置实施例，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同，具体请参见方法实施例中的说明，在此不再赘述。

此外，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现以上任一实施例所述的订单列表推送方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSSMemory，随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、手机)以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。

本发明方法实施例的内容均适用于本存储介质实施例，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同，具体请参见方法实施例中的说明，在此不再赘述。

此外，本发明实施例还提供了一种计算机设备，本实施例所述的计算机设备可以是服务器、个人计算机以及网络设备等设备。所述计算机设备包括：一个或多个处理器，存储器，一个或多个计算机程序，其中所述一个或多个计算机程序被存储在存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行以上任一实施例所述的订单列表推送方法。

本发明方法实施例的内容均适用于本计算机设备实施例，本计算机设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同，具体请参见方法实施例中的说明，在此不再赘述。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种订单列表推送方法，其特征在于，包括如下步骤：

获取待推送给目标司机的初始订单列表；

获取所述初始订单列表中待配对订单的假单概率值，所述假单概率值基于预置的假单预测模型评估得到；

根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单；

若是，将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机；

所述根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单，包括：

根据所述假单概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值的待配对订单；

若是，随机生成对应目标司机的随机概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值，且所述假单概率值大于所述随机概率值的待配对订单。

2.根据权利要求1所述的订单列表推送方法，其特征在于，所述将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，包括：

所述将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至末位。

3.根据权利要求1所述的订单列表推送方法，其特征在于，所述假单预测模型通过以下步骤预先训练生成：

获取企业历史订单的关联信息和用于标识历史订单是否为假单的标签信息；

根据所述关联信息，生成订单关联特征数据；

根据所述订单关联特征数据和所述标签信息，生成训练样本；

根据所述训练样本，基于预定算法训练生成所述假单预测模型；所述假单预测模型用于评估订单为假单的假单概率值。

4.根据权利要求3所述的订单列表推送方法，其特征在于，述历史订单的关联信息包括以下至少之一：

订单起始点和终点、订单价格、用车距离、用车时长、用车时段、订单发起人的信用评价、订单发起人画像。

5.根据权利要求1所述的订单列表推送方法，其特征在于，所述获取待推送给目标司机的初始订单列表之前，还包括：

接收目标司机提交的订单列表刷新请求。

6.一种订单列表推送装置，其特征在于，包括：

订单列表获取模块，用于获取待推送给目标司机的初始订单列表；

假单概率值获取模块，用于获取所述初始订单列表中待配对订单的假单概率值，所述假单概率值基于预置的假单预测模型评估得到；

假单确定模块，用于根据所述假单概率值，判断所述初始订单列表中是否有达到预置假单后置处理条件的待配对订单，具体包括：根据所述假单概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值的待配对订单；若是，随机生成对应目标司机的随机概率值，判断所述初始订单列表中是否有所述假单概率值大于预设阈值，且所述假单概率值大于所述随机概率值的待配对订单；

假单处理模块，用于在所述初始订单列表中有达到预置假单后置处理条件的待配对订单时，将达到所述预置假单后置处理条件的待配对订单在所述初始订单列表中的排序调整至第N位后，生成最终订单列表并推送给目标司机。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的订单列表推送方法。

8.一种计算机设备，其特征在于，其包括：

一个或多个处理器；

存储器；

一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于：执行根据权利要求1至5任一项所述的订单列表推送方法。