CN113935688A - 订单价值分层方法、计算机可读存储介质及计算机设备 - Google Patents

订单价值分层方法、计算机可读存储介质及计算机设备 Download PDF

Info

Publication number
CN113935688A
CN113935688A CN202111205192.6A CN202111205192A CN113935688A CN 113935688 A CN113935688 A CN 113935688A CN 202111205192 A CN202111205192 A CN 202111205192A CN 113935688 A CN113935688 A CN 113935688A
Authority
CN
China
Prior art keywords
order
value
orders
feature
features
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.)
Pending
Application number
CN202111205192.6A
Other languages
English (en)
Inventor
吕伟峰
王惠敏
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.)
Shenzhen Yishi Huolala Technology Co Ltd
Original Assignee
Shenzhen Yishi Huolala Technology Co Ltd
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 Shenzhen Yishi Huolala Technology Co Ltd filed Critical Shenzhen Yishi Huolala Technology Co Ltd
Priority to CN202111205192.6A priority Critical patent/CN113935688A/zh
Publication of CN113935688A publication Critical patent/CN113935688A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0836—Recipient pick-ups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于物流领域，提供了一种订单价值分层方法、计算机可读存储介质及计算机设备，包括获取订单的历史交易数据样本；根据订单的历史交易数据样本进行建模，选取每个订单的相关特征；将相关特征输入到机器学习模型，机器学习模型根据相关特征以订单被完成为目的，并根据增益值的大小进行相关特征的重要度排序；根据相关特征的重要度排序筛选重要特征作为回归模型的输入，以订单被完成为目的，输出重要特征对应的权重值；计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；根据订单得分进行排序，并根据排序将订单分成多层。使得订单价值不受当前供需及司机水平的影响。

Description

订单价值分层方法、计算机可读存储介质及计算机设备
技术领域
本申请属于物流领域，尤其涉及一种订单价值分层方法、计算机可读存储介质及计算机设备。
背景技术
目前的订单价值评估方法，基本只有后置方法，即订单产生后，随着时间推移，逐步地广播推送给不同范围内的司机，一般是离订单越远的司机越晚收到订单。司机接单时间越短，说明订单越快被响应，则订单在市场上的价值越高，又或者订单越多人参与PK，则订单的价值越高。
由于上述的情况是严重受到实时供需影响，在司机未履约的情况下，目前是无法计算出该订单能被履约的概率，而平台的司机水平参差不齐，既有高履约率的老司机，又有低履约率的新司机，订单价值受当前供需及司机水平的影响。
发明内容
本发明的目的在于提供一种订单价值分层方法、计算机可读存储介质及计算机设备，旨在解决订单价值受当前供需及司机水平的影响的问题。
第一方面，本发明提供了一种订单价值分层方法，包括：
获取订单的历史交易数据样本；
根据订单的历史交易数据样本进行建模，选取每个订单的相关特征；
将相关特征输入到机器学习模型，机器学习模型根据相关特征以订单被完成为目的，并根据增益值的大小进行相关特征的重要度排序；
根据相关特征的重要度排序筛选重要特征作为回归模型的输入，以订单被完成为目的，输出重要特征对应的权重值；所述重要特征的增益值大于预定增益值；
计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；
根据订单得分进行排序，并根据排序将订单分成多层。
进一步地，所述方法还包括：
计算每层所有订单的履约率，评估层间履约率的差距；所述履约率＝完成订单数/响应订单数；
监控层间履约率差距，若与预期不符，则调整多元回归模型；所述预期为好单履约率比差单履约率高。
进一步地，所述订单价值分层方法还包括根据城市、车型和实际应用场景将订单的分层进行调整。
进一步地，所述机器学习模型包括XG-Boost模型和分类模型。
进一步地，所述回归模型包括多元回归模型和逻辑回归模型。
进一步地，所述订单的历史交易数据样本包括：订单起点特征、订单终点特征、订单备注特征、订单价格里程特征和调度货主用户特征。
进一步地，所述相关特征包括：订单地理属性、货主属性、备注属性和价格里程。
进一步地，所述订单地理属性包括：订单起点特征和订单终点特征。
进一步地，所述订单起点特征包括起点履约率、起点响应率和起点配对率；所述订单终点特征包括终点履约率、终点响应率和终点配对率。
第二方面，本发明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存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的订单价值分层方法的步骤。
第三方面，本发明提供了一种计算机设备，包括：一个或多个处理器、存储器以及一个或多个计算机程序，所述处理器和所述存储器通过总线连接，其中所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述处理器执行所述计算机程序时实现第一方面所述的订单价值分层方法的步骤。
在本发明中，利用订单得分将订单进行价值分层，使得在订单与司机的匹配过程中，在订单发出前判定订单在交易市场上的价值；根据订单的质量，从而在订单匹配的过程中，可以对订单资源进行相对倾斜和司机补偿策略，提高订单与司机在交易过程的运营空间，提升平台对于订单分配的公平性。
附图说明
图1是本发明一实施例提供的订单价值分层方法的流程图。
图2是本发明一实施例提供的根据历史订单备注字评估订单实现难度的表格。
图3是本发明一实施例提供的根据订单价值模型评估后等量分层的订单履约表现的表格。
图4是本发明一实施例提供的计算机设备的具体结构框图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，本发明一实施例提供的订单价值分层方法包括以下步骤：需注意的是，若有实质上相同的结果，本申请的订单价值分层方法并不以图1所示的流程顺序为限。
S1.获取订单的历史交易数据样本；
S2.根据订单的历史交易数据样本进行建模，选取每个订单的相关特征；
S3.将相关特征输入到机器学习模型，机器学习模型根据相关特征以订单被完成为目的，并根据增益值的大小进行相关特征的重要度排序；
S4.根据相关特征的重要度排序筛选重要特征作为回归模型的输入，以订单被完成为目的，输出重要特征对应的权重值；所述重要特征的增益值大于预定增益值；
S5.计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；
S6.根据订单得分进行排序，并根据排序将订单分成多层。
在本发明一实施例中，所述方法还包括：
计算每层所有订单的履约率，评估层间履约率的差距；所述履约率＝完成订单数/响应订单数；
监控层间履约率差距，若与预期不符，则调整多元回归模型；所述预期为好单履约率比差单履约率高。
在本发明一实施例中，所述机器学习模型包括XG-Boost模型和分类模型。
在本发明一实施例中，所述回归模型包括多元回归模型和逻辑回归模型。
在本发明一实施例中，所述订单价值分层方法还包括根据城市、车型和实际应用场景将订单的分层进行调整。
例如：订单得分从高到低可平均分成X层，并定义得分最高的为1层，得分最低的为X层，观察每层的履约率，根据履约率重新分为Y层，便于业务简单理解。
图3可验证履约率的层间差距符合假设，从而根据相邻分层的层间差距，决定更粗粒度的分层，可按照数据观察分为3∶5∶2从而评价订单的好、中、差(也就是履约难度的难、中、易)。
在根据城市、车型和实际应用场景的不同时，调整分层的得分区间，回归模型会计算不同的订单得分，按照固定得分区间划分分层；或者由于时间推移，订单业务逐渐改变，当某层的订单占比变低时，需要对订单分层模型进行更新。
在本发明一实施例中，所述订单的历史交易数据样本包括：订单起点特征、订单终点特征、订单备注特征、订单价格里程特征和调度货主用户特征。
在本发明一实施例中，所述相关特征包括：订单地理属性、货主属性、备注属性和价格里程。
在本发明一实施例中，所述订单地理属性包括：订单起点特征和订单终点特征。
在本发明一实施例中，所述订单起点特征包括起点履约率、起点响应率和起点配对率；所述订单终点特征包括终点履约率、终点响应率和终点配对率。
在订单场景，备注也是反映订单难度的一种业务场景，备注拆字的相关数据如图2，图2展示出了根据历史订单备注字评估订单实现难度的表格，那么可以计算出备注曾经出现某字的相关订单履约率，若有备注的订单则将所有字体的备注履约率取平均值作为备注预测履约率。
根据计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；如：最终确定的5个重要特征为：起点过去28天的履约率，终点过去28天的履约率，用户过去28天的履约率，备注预测的履约率，订单里程，则：
订单得分＝0.69*起点过去28天的履约率+0.18*终点过去28天的履约率+0.24*备注预测的履约率。+0.22*用户过去28天的履约率－1.4*10﹣5*订单里程
该订单价值模型计算方法可复刻到各城市及车型，并根据每个城市的订单得分分布略有不同，可根据实际应用场景调整分层方式，做到城市及车型的实用性。
本发明一实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如本发明一实施例提供的订单价值分层方法的步骤。
图4展示出了本申请一实施例提供的计算机设备的具体结构框图，一种计算机设备100包括：一个或多个处理器101、存储器102、以及一个或多个计算机程序，其中所述处理器101和所述存储器102通过总线连接，所述一个或多个计算机程序被存储在所述存储器102中，并且被配置成由所述一个或多个处理器101执行，所述处理器101执行所述计算机程序时实现如本申请一实施例提供的订单价值分层方法的步骤。
计算机设备包括服务器和终端等。该计算机设备可以是台式计算机、移动终端或车载设备，移动终端包括手机、平板电脑、个人数字助理或可穿戴设备等中的至少一种。
在本发明实施例中，利用订单得分将订单进行价值分层，使得在订单与司机的匹配过程中，在订单发出前判定订单在交易市场上的价值；根据订单的质量，从而在订单匹配的过程中，可以对订单资源进行相对倾斜和司机补偿策略，提高订单与司机在交易过程的运营空间，提升平台对于订单分配的公平性。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种订单价值分层方法，其特征在于，包括：
获取订单的历史交易数据样本；
根据订单的历史交易数据样本进行建模，选取每个订单的相关特征；
将相关特征输入到机器学习模型，机器学习模型根据相关特征以订单被完成为目的，并根据增益值的大小进行相关特征的重要度排序；
根据相关特征的重要度排序筛选重要特征作为回归模型的输入，以订单被完成为目的，输出重要特征对应的权重值；所述重要特征的增益值大于预定增益值；
计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；
根据订单得分进行排序，并根据排序将订单分成多层。
2.如权利要求1所述的订单价值分层方法，其特征在于，所述方法还包括：
计算每层所有订单的履约率，评估层间履约率的差距；所述履约率＝完成订单数/响应订单数；
监控层间履约率差距，若与预期不符，则调整多元回归模型；所述预期为好单履约率比差单履约率高。
3.如权利要求1所述的订单价值分层方法，其特征在于，所述机器学习模型包括XG-Boost模型和分类模型。
4.如权利要求1所述的订单价值分层方法，其特征在于，所述回归模型包括多元回归模型和逻辑回归模型。
5.如权利要求1所述的订单价值分层方法，其特征在于，所述订单价值分层方法还包括根据城市、车型和实际应用场景将订单的分层进行调整。
6.如权利要求1所述的订单价值分层方法，其特征在于，所述订单的历史交易数据样本包括：订单起点特征、订单终点特征、订单备注特征、订单价格里程特征和调度货主用户特征。
7.如权利要求1所述的订单价值分层方法，其特征在于，所述相关特征包括：订单地理属性、货主属性、备注属性和价格里程。
8.如权利要求7所述的订单价值分层方法，其特征在于，所述订单地理属性包括：订单起点特征和订单终点特征。
9.如权利要求8所述的订单价值分层方法，其特征在于，所述订单起点特征包括起点履约率、起点响应率和起点配对率；所述订单终点特征包括终点履约率、终点响应率和终点配对率。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的订单价值分层方法的步骤。
11.一种计算机设备，包括：一个或多个处理器、存储器以及一个或多个计算机程序，所述处理器和所述存储器通过总线连接，其中所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的订单价值分层方法的步骤。
CN202111205192.6A 2021-10-15 2021-10-15 订单价值分层方法、计算机可读存储介质及计算机设备 Pending CN113935688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111205192.6A CN113935688A (zh) 2021-10-15 2021-10-15 订单价值分层方法、计算机可读存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111205192.6A CN113935688A (zh) 2021-10-15 2021-10-15 订单价值分层方法、计算机可读存储介质及计算机设备

Publications (1)

Publication Number Publication Date
CN113935688A true CN113935688A (zh) 2022-01-14

Family

ID=79279811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111205192.6A Pending CN113935688A (zh) 2021-10-15 2021-10-15 订单价值分层方法、计算机可读存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN113935688A (zh)

Similar Documents

Publication Publication Date Title
CN107633257B (zh) 数据质量评估方法及装置、计算机可读存储介质、终端
CN104834731A (zh) 一种自媒体信息的推荐方法及装置
CN110766438B (zh) 一种通过人工智能对电网用户的用户行为进行分析的方法
CN111967971A (zh) 银行客户数据处理方法及装置
CN110322295B (zh) 关系强度确定方法及系统、服务器、计算机可读介质
CN106651213A (zh) 服务订单的处理方法及装置
CN108399460A (zh) 网络约车订单分配处理方法及服务器
CN108416619A (zh) 一种消费间隔时间预测方法、装置及可读存储介质
CN114187072A (zh) 聚合打车方法、装置、计算机设备及存储介质
CN110889738B (zh) 一种订单派发方法及装置
CN110992123B (zh) 一种订单派发方法及装置
CN108234604A (zh) 一种信息获取方法及其应用服务器、系统
CN109272340B (zh) 参数阈值确定方法、装置及计算机存储介质
CN113850669A (zh) 用户分群方法、装置、计算机设备及计算机可读存储介质
CN106485521A (zh) 用户信用度评估方法及装置
CN113935688A (zh) 订单价值分层方法、计算机可读存储介质及计算机设备
CN110533485A (zh) 一种对象选取的方法、装置、存储介质及电子设备
CN109993328B (zh) 网络约车订单分配方法和装置
CN113379464B (zh) 基于区块链的网点选址方法、装置、设备和存储介质
CN115564525A (zh) 一种服务器标识的勾选显示方法、电子设备及存储介质
CN114358924A (zh) 额度调整策略筛选方法、装置、计算机设备和存储介质
CN111291772B (zh) 信息的推送方法、装置、电子设备和计算机可读存储介质
CN112966968A (zh) 一种基于人工智能的名单分配方法及相关设备
CN112613920A (zh) 一种流失几率预测方法及装置
CN111626601A (zh) 公估查勘定损任务的调度系统、方法、设备及存储介质

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