CN114239893A - 车辆派单方法、装置、设备及存储介质 - Google Patents
车辆派单方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114239893A CN114239893A CN202111572904.8A CN202111572904A CN114239893A CN 114239893 A CN114239893 A CN 114239893A CN 202111572904 A CN202111572904 A CN 202111572904A CN 114239893 A CN114239893 A CN 114239893A
- Authority
- CN
- China
- Prior art keywords
- user
- driving
- data
- order
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000035945 sensitivity Effects 0.000 claims abstract description 109
- 230000001133 acceleration Effects 0.000 claims abstract description 105
- 230000004044 response Effects 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 54
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000013145 classification model Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000000926 separation method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种车辆派单方法、装置、设备及存储介质。其中,该方法包括:响应于当前乘车用户发起的订单请求,确定与所述订单请求相匹配的至少一个候选车辆;根据所述当前乘车用户的平稳敏感度数据和各所述候选车辆的历史加速度数据,从至少一个所述候选车辆中选取目标车辆;向所述目标车辆分配所述当前乘车用户对应订单。本申请实施例减少了用户对驾驶不平稳的投诉比例,提高了用户的乘车体验感。
Description
技术领域
本申请实施例涉及数据处理技术,尤其涉及一种车辆派单方法、装置、设备及存储介质。
背景技术
随机社会的发展和人们生活水平的不断提高,为满足更快速、便捷、舒适的出行需求,人们通常采用网约车的出行方式。
目前,网约车的派单方式通常以用户的位置信息为匹配标准,匹配用户附近的车辆,并将位置信息匹配度最高的目标车辆分配至用户。但目前的网约车行业中,大量采用电动汽车提供运力,而电动汽车具备最大扭矩释放时间短,加速性能强,且多数车辆配备动能回收及单踏板模式的特点。结合部分司机相对激烈的驾驶行为习惯,车辆易形成急加速、急减速、急转弯等不平稳行驶状态。造成了部分网约车乘车用户乘坐颠簸,易晕车的情况,导致了用户对车辆驾驶不平稳的投诉比例大幅度增长,降低了用户的乘车体验感。
发明内容
本申请提供一种车辆派单方法、装置、设备及存储介质,以减少用户对驾驶不平稳的投诉比例,提高用户的乘车体验感。
第一方面,本申请实施例提供了一种车辆派单方法,该方法包括:
响应于当前乘车用户发起的订单请求,确定与所述订单请求相匹配的至少一个候选车辆;
根据所述当前乘车用户的平稳敏感度数据和各所述候选车辆的历史加速度数据,从至少一个所述候选车辆中选取目标车辆;
向所述目标车辆分配所述当前乘车用户对应订单。
第二方面,本申请实施例还提供了一种车辆派单装置,该装置包括:
候选车辆确定模块,用于响应于当前乘车用户发起的订单请求,确定与所述订单请求相匹配的至少一个候选车辆;
目标车辆选取模块,用于根据所述当前乘车用户的平稳敏感度数据和各所述候选车辆的历史加速度数据,从至少一个所述候选车辆中选取目标车辆;
订单分配模块,用于向所述目标车辆分配所述当前乘车用户对应订单。
第三方面,本申请实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如本申请实施例中任一所述的车辆派单方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如本申请实施例中任一所述的车辆派单方法。
本申请实施例通过响应于当前乘车用户发起的订单请求,确定与订单请求相匹配的至少一个候选车辆;根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从至少一个候选车辆中选取目标车辆;向目标车辆分配当前乘车用户对应订单。上述方案通过根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从候选车辆中选取与当前乘车用户的驾驶行为敏感程度相匹配的目标车辆,实现了能够将用户的行为习惯与驾驶用户驾驶车辆的行为习惯进行合理的匹配,降低了乘车用户对车辆驾驶不平稳的投诉比例,提高了用户乘车的良好体验感。
附图说明
图1是本申请实施例一中的一种车辆派单方法的流程示意图;
图2是本申请实施例二中的一种车辆派单方法的流程示意图;
图3是本申请实施例三中的一种车辆派单方法的流程示意图;
图4是本申请实施例四中的一种车辆派单装置的结构框图;
图5是本申请实施例五中的一种电子设备的结构示意图。
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本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1为本申请实施例一提供的一种车辆派单方法的流程示意图,本实施例可适用于基于乘车用户的乘车体验,合理的进行车辆派单的情况,该方法可以由车辆派单装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S110、响应于当前乘车用户发起的订单请求,确定与订单请求相匹配的至少一个候选车辆。
订单请求可以是乘车用户通过移动终端向服务器发起的车辆预约请求;其中,移动终端可以是手机或平板等,服务器可以是云服务器等。订单请求中可以包括订单数据,例如,订单数据可以包括当前乘车用户的当前位置数据,以及当前乘车用户在移动终端中确定的目的地位置数据;其中,当前位置数据可以包括当前位置的位置名称和当前位置对应的经纬度信息等,目的地位置数据可以包括目的地位置的位置名称和目的地位置对应的经纬度信息等。例如,当前位置的位置名称可以是“XX区XX街道XX小区”,对应的经纬度信息可以是“北纬:40.232°东经:123.45°”。
候选车辆可以是当前乘车用户所属邻近区域内的空载车辆,邻近区域可以是根据当前乘车用户的当前位置数据确定,在当前乘车用户的预设距离范围内的区域;其中,预设距离范围可以由相关技术人员进行预先设定,例如,预设距离范围可以是5公里。其中,空载车辆可以是未搭载乘客的空闲车辆。
示例性的,当前乘车用户可以通过移动终端向服务器发起订单请求,服务器实时获取移动终端发起的订单请求;当服务器接收到移动终端发起的订单请求时,获取当前乘车用户的当前位置数据;服务器根据当前位置数据,确定当前乘车用户所属邻近区域的至少一个空载车辆,并将空载车辆作为服务器可以向当前乘车用户进行派单的候选车辆。
在一个可选实施例中,响应于当前乘车用户发起的订单请求,确定与订单请求匹配的至少一个候选车辆,包括:根据订单请求,获取当前乘车用户的用户位置数据;根据用户位置数据,获取当前乘车用户所属区域内的至少一个空载车辆的车辆位置数据;根据用户位置数据和至少一个空载车辆的车辆位置数据,确定与订单请求匹配的至少一个候选车辆。
其中,用户位置数据可以包括当前乘车用户的当前位置名称、当前位置经纬度、目的地位置名称和目的地位置经纬度等。
示例性的,获取当前乘车用户位置数据,确定当前乘车用户的当前位置名称和当前位置经纬度;根据当前位置名称和当前位置经纬度,确定当前乘车用户所属区域,其中,当前乘车用户所属区域可以是当前乘车用户所属城市的城市区域,例如,当前用户所属区域可以是XX市的XX区。获取当前乘车用户所属区域的至少一个空载车辆的车辆位置数据;其中,车辆位置数据可以包括车辆当前位置名称和车辆当前位置经纬度。根据用户位置数据和至少一个空载车辆的车辆位置数据,确定预设距离范围内,与订单请求匹配的至少一个候选车辆;其中,预设距离范围可以是5公里。
本可选实施例通过根据订单请求,获取当前乘车用户的用户位置数据;根据用户位置数据,获取当前乘车用户所属区域内的至少一个空载车辆的车辆位置数据;根据用户位置数据和至少一个空载车辆的车辆位置数据,确定与订单请求匹配的至少一个候选车辆。上述方案通过获取当前乘车用户所属区域内的至少一个空载车辆的车辆位置数据,实现了对当前乘车用户所属区域范围内空载车辆的确定;通过根据用户位置数据和至少一个空载车辆的车辆位置数据,确定与订单请求匹配的至少一个候选车辆,实现了从至少一个区域范围内的空载车辆确定候选车辆,提高了候选车辆确定的准确度,从而能够提高后续确定目标车辆的准确性。
S120、根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从至少一个候选车辆中选取目标车辆。
平稳敏感度数据可以是用于确定乘车用户对驾驶用户的驾驶行为敏感程度的数据。其中,驾驶行为可以是驾驶用户在驾驶过程中的激烈驾驶行为或平稳驾驶行为。例如,激烈驾驶行为可以包括驾驶用户的驾驶速度过快、驾驶过程中频繁踩加速踏板或刹车踏板的行为等中的至少一种;平稳驾驶行为可以包括驾驶用户的驾驶速度较慢、踩动加速踏板或刹车踏板的力度较平缓的行为等中的至少一种。历史加速度数据可以是用于确定驾驶用户驾驶行为习惯的数据,即,确定驾驶用户的驾驶行为习惯是激烈驾驶,或是平稳驾驶。目标车辆可以是服务器从候选车辆中选取的待向当前用户进行分配的车辆。
平稳敏感度数据可以是根据预设时间周期内,当前乘车用户的订单评价进行确定的平稳敏感度值;并且,可以定期的更新当前乘车用户对应的平稳敏感度值。示例性的,可以通过当前乘车用户最近1个月内的所有订单评价,确定该乘车用户对应的平稳敏感度值,例如,平稳敏感度值可以是在区间0-100的任一整数值,数值越大,表示对驾驶用户的驾驶行为越敏感,订单投诉的概率越大;数值越小,表示对驾驶用户的驾驶行为不敏感,订单投诉概率越小。
历史加速度数据可以是在预设时间周期内,当前驾驶用户已完成的至少一个订单对应的加速度均方根值中位数,其中,预设时间周期可以由相关技术人员进行设定,例如,预设时间周期可以是最近1个月。加速度均方根值中位数越大,表示驾驶用户的驾驶行为习惯更趋近于激烈驾驶;加速度均方根值中位数越小,表示驾驶用户的驾驶行为习惯更趋近于平稳驾驶。
示例性的,若当前乘车用户的平稳敏感度数值越大,表示对驾驶用户的驾驶行为越敏感,则可以从候选车辆中选取驾驶用户历史加速度相对较小的车辆作为目标车辆;若当前乘车用户的平稳敏感度越小,表示对驾驶用户的驾驶行为不敏感,则可以从候选车辆中选取历史加速度适中的车辆作为目标车辆。
S130、向目标车辆分配当前乘车用户对应订单。
示例性的,由服务器将当前乘客用户对应的订单分配至目标车辆。其中,当前乘客用户对应的订单中可以包括订单数据和用户识别信息等。其中,用户识别信息可以包括、手机号等中的至少一种。
需要说明的是,服务器响应于当前乘车用户发起的订单请求后,若未查询到当前乘车用户的平稳敏感度数据,则可以认为当前乘车用户为新用户,或者为完单数量较少的用户,则服务器确定与订单请求相匹配的至少一个候选车辆,并在候选车辆中选取车辆当前位置与用户当前位置距离最短的候选车辆作为目标车辆。
本申请实施例通过响应于当前乘车用户发起的订单请求,确定与订单请求相匹配的至少一个候选车辆;根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从至少一个候选车辆中选取目标车辆;向目标车辆分配当前乘车用户对应订单。上述方案通过根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从候选车辆中选取与当前乘车用户的驾驶行为敏感程度相匹配的目标车辆,实现了能够将用户的行为习惯与驾驶用户驾驶车辆的行为习惯进行合理的匹配,降低了乘车用户对车辆驾驶不平稳的投诉比例,提高了用户乘车的良好体验感。
实施例二
图2为本申请实施例二提供的一种车辆派单方法的流程示意图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步,将步骤“根据当前乘车用户的用户画像数据和当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率;根据不同驾驶风格下的投诉概率,确定所述当前乘车用户的平稳敏感度数据。”添加至步骤“响应于当前乘车用户发起的订单请求,确定与订单请求相匹配的至少一个候选车辆”之前,以完善对当前乘车用户的平稳敏感度数据的确定方式。
如图2所示,该方法包括以下具体步骤:
S210、根据当前乘车用户的用户画像数据和当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率。
用户画像数据可以包括用户历史订单数据、用户基础数据和用户行为数据等中的至少一种。其中,用户历史订单数据可以包括用户的历史订单投诉数据和/或历史订单评价数据。用户基础数据可以包括用户的性别、年龄、注册地和设备型号等中的至少一种。用户行为数据可以包括冒泡数据和完单数据等。其中,冒泡数据可以包括历史订单的起始地至目的地的预计行驶里程数、预计行驶费用、预计行驶时长和预计行驶路线等中的至少一种。完单数据可以包括订单的起始地址目的地的实际行驶里程数、实际行驶费用、实际行驶时长和实际行驶路线等中的至少一种。
当前乘车用户的历史订单可以是预设时间周期范围内的当前乘车用户完成的至少一笔订单,其中,预设时间周期可以由相关技术人员进行预先设定,例如可以是1年。驾驶行为数据可以包括驾驶用户的历史加速度数据和驾驶用户的基础数据等。其中,驾驶用户的历史加速度数据可以是当前乘车用户的历史订单中每笔订单对应的加速度均方根值。驾驶用户的基础数据可以包括驾驶用户的性别、年龄、地域、注册时长、驾龄、从业年限、司机等级的车型等中的至少一种。
示例性的,驾驶用户的历史加速度数据可以由服务器通过车辆的车机边缘获取。车机边缘可以实时获取车辆的三轴加速度传感器传输的加速度数据。具体的,在车机边缘中预先进行加速度采集配置数据,其中,加速度采集配置数据可以包括采样起始时间、采样终止时间、采样频率以及采样周期等。其中,采样起始时间可以是订单开始时间,采样终止时间可以是订单终止时间。采样频率可以设置为50赫兹,采样周期可以为0.02秒。可选的,考虑到欠采样的情况发生,可以利用抗混叠录波器或设置较高的采样频率。采样结束后,车机边缘计算该订单所属车辆的加速度均方根值并将加速度均方根值的计算结果发送至服务器。加速度均方根值的计算方式如下:
其中,Xi、Yi、Zi分别为预设的采样频率下,三轴加速度传感器采集到的前后轴方向、左右轴方向和上下轴方向的加速度样本数据。i为加速度数据采样周期下的采样个数,例如,采样频率为50赫兹,采样周期为0.02秒,则1秒内采集到的加速度样本数据的个数为50个,分别为:
(Xi1,Yi1,Zi1),(Xi2,Yi2,Zi2),…,(Xi50,Yi50,Zi50);
可选的,驾驶用户的行为数据还可以包括以订单为粒度的驾驶用户的车速、角速度、加速踏板行程值、制动踏板行程值、方向盘角度、四轮胎压状态、车窗状态、车内噪音状态、车内温度、ESP(Electronic Stability Program,车身电子稳定系统)电子稳定性和转向角等中的至少一种。
驾驶风格可以包括驾驶用户激烈驾驶和驾驶用户平稳驾驶。不同风格下的投诉概率可以包括下述至少一种:“驾驶用户平稳驾驶,且无投诉”概率、“驾驶用户平稳驾驶,且有投诉”概率、“驾驶用户激烈驾驶,且无投诉”概率,以及“驾驶用户激烈驾驶,且有投诉”概率。
示例性的,可以由相关技术人员根据预设时间周期内的当前乘车用户的用户画像数据,以及当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,人为预测在不同驾驶风格下的投诉概率,并对投诉概率进行定期更新。具体的,可以主要依据用户画像数据中用户历史订单数据,以及该订单对应的驾驶用户的驾驶行为数据,对不同驾驶风格下的投诉概率进行预测。
需要说明的是,为提高不同驾驶风格下的投诉概率的准确度,还可以通过网络模型训练的方式对投诉概率进行确定。
在一个可选实施例中,根据当前乘车用户的用户画像数据和当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率,包括:基于概率预测模型,根据当前乘车用户的用户画像数据和当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率;其中,概率预测模型根据历史订单数据中历史驾驶用户的驾驶行为数据、历史乘车用户的用户画像数据和乘车评价数据,对预设分类模型训练得到。
其中,预设分类模型可以是由相关技术人员预先确定用于进行分类的网络模型,例如,预设分类模型可以是CNN(Convolutional Neural Networks,卷积神经网络)模型,还可以是基于现有的分类算法或算法框架进行建模得到的模型,例如,算法框架可以是XGboost,Sklearn,Keras或Pytorch等。
示例性的,可以将历史订单数据中历史驾驶用户的驾驶行为数据和历史乘车用户的用户画像数据作为模型训练的样本数据,其中,样本数据可以是以历史订单为粒度的数据。采用样本数据和样本数据对应的标签数据作为预设分类模型的输入数据,对预设分类模型进行训练,并将训练得到的模型作为概率预测模型。其中,对预设分类模型进行训练时,样本数据对应的标签数据可以根据历史驾驶用户的驾驶行为数据中的驾驶风格类别,以及历史乘车用户的乘车评价数据进行确定。
根据当前乘车用户的用户画像数据和当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,可以预测在不同驾驶风格下的投诉概率。其中,不同驾驶风格下的投诉类别与训练模型时的标签数据有关。例如,同驾驶风格下的投诉类别可以包括“乘客平稳驾驶无投诉”、“乘客平稳驾驶有投诉”、“乘客激烈驾驶无投诉”和“乘客激烈驾驶有投诉”;相应的,通过概率预测模型分别确定“乘客平稳驾驶无投诉”、“乘客平稳驾驶有投诉”、“乘客激烈驾驶无投诉”和“乘客激烈驾驶有投诉”对应的驾驶风格投诉类别下的投诉概率。
可选的,概率预测模型可以根据历史订单数据更新不断进行优化改进,例如,可以在预设更新周期内,对概率预测模型进行更新优化,具体可以是采用近期的历史订单数据重新训练并优化概率预测模型,从而使得概率预测模型的概率预测结果更加准确。
本可选实施例通过基于概率预测模型,根据当前乘车用户的用户画像数据和当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率。上述方案通过基于预先训练好的概率预测模型,实现对当前乘客用户在不同驾驶风格下的投诉概率的确定,提高了投诉概率确定的准确度,从而提高了后续对当前乘客用户的平稳敏感度数据确定的准确度,进而提高了服务器为当前乘车用户分配的目标车辆的准确度。
在一个可选实施例中,对预设分类模型进行训练时各历史订单对应的标签数据,采用以下方式得到:根据历史订单下历史驾驶用户的驾驶行为数据,确定历史驾驶用户在对应历史订单的驾驶风格类别;根据历史订单下的所述乘车乘客评价结果,确定对应历史订单的订单评价类型;其中,所述订单评价类型包括是否投诉和/或是否评价激烈驾驶;根据驾驶风格类别和订单评价类型,确定对应历史订单的标签数据。
其中,驾驶风格类别可以包括“激烈驾驶”和“平稳驾驶”;评价类型可以包括“乘客用户有投诉或评价驾驶不平稳”和“乘客用户无投诉或评价驾驶平稳”;历史驾驶用户对应历史订单的标签数据可以是用于进行概率预测模型训练所需使用的数据。示例性的,历史驾驶用户对应历史订单的标签数据可以根据历史驾驶用户的驾驶风格类别标签数据,以及历史驾驶用户的评价类型标签数据进行标签数据拼接后得到。
驾驶风格类别的确定可以采用如下确定方式:首先,获取预设时间周期内的当前乘车用户所属城市内,所有已完成订单对应的总加速度均方根中位数β,其中,预设时间周期可以是30天。其次,将历史驾驶用户的每笔订单对应的加速度均方根值与总加速度均方根中位数β进行比较,若则确定该订单所属驾驶用户的驾驶风格类别为“平稳驾驶”;若则确定该订单所属驾驶用户的驾驶风格为“激烈驾驶”。最后,根据历史驾驶用户的每笔订单对应的评价类型和驾驶风格类别,确定历史驾驶用户对应历史订单的标签数据。
示例性的,获取最近N天内的当前乘车用户所属城市内,所有已完成订单对应的加速度均方根值并将获取的N天内的所有订单的加速度均方根值按升序排序,记为,当N为奇数时,当N为偶数时,驾驶用户的驾驶风格标签的确定方式为:若订单加速度均方根值则订单所属驾驶用户的驾驶风格为“平稳驾驶”,记标签“平稳驾驶”的标签值为0;若订单加速度均方根值则订单所属驾驶用户的驾驶风格为“激烈驾驶”,记标签“激烈驾驶”的标签值为0。
驾驶用户的评价类型的标签确定方式为:若该历史订单的所属驾驶用户对订单有投诉或评价驾驶不平稳,则该评价类型“乘客用户有投诉或评价驾驶不平稳”对应的标签值为1;若该历史订单的所属驾驶用户对订单无投诉或评价驾驶平稳,则该评价类型“乘客用户无投诉或评价驾驶平稳”对应的标签值为0。
示例性的,历史驾驶用户对应的历史订单的标签数据可以是将驾驶风格类别标签和评价类型标签仅标签拼接,得到标签的类别个数为4类的标签数据。其中,标签类别为“驾驶用户平稳驾驶,且乘客用户无投诉或评价驾驶平稳”对应的标签值为“0”;标签类别为“驾驶用户平稳驾驶,且乘客用户有投诉或评价驾驶不平稳”对应的标签值为“1”;标签类别为“驾驶用户激进驾驶,且乘客用户无投诉或评价驾驶平稳”对应的标签值为“2”;标签类别为“驾驶用户激进驾驶,且乘客用户有投诉或评价驾驶不平稳”对应的标签值为“3”。需要说明的是,上述具体标签值仅进行示例性说明,本申请还可以采用其他标签值表征不同的驾驶风格类别和评价类型,仅需保证不同驾驶风格类别和评价类型下对应标签值不同即可。
本可选实施例通过根据历史订单下历史驾驶用户的驾驶行为数据,确定历史驾驶用户在对应历史订单的驾驶风格类别;根据历史订单下的乘车乘客评价结果,确定对应历史订单的订单评价类型;根据驾驶风格类别和订单评价类型,确定历史驾驶用户对应历史订单的标签数据。。上述方案通过根据驾驶风格类别和评价类型,确定历史驾驶用户对应历史订单的标签数据,实现了对后续训练预设分类模型所需样本对应的标签数据的确定。
S220、根据不同驾驶风格下的投诉概率,确定当前乘车用户的平稳敏感度数据。
示例性的,可以基于预先设定的平稳敏感度数据的确定规则,根据不同驾驶风格下的投诉概率,确定当前乘车用户的平稳敏感度。例如,预设的平稳敏感度的确定规则可以是选择不同驾驶风格下的最大投诉概率,将最大投诉概率对应的概率值与预设数值阈值进行相乘运算,并将运算的结果作为当前乘车用户的平稳敏感度数据。
例如,标签“驾驶用户平稳驾驶,且乘客用户无投诉或评价驾驶平稳”对应的投诉概率值为“1/10”;标签“驾驶用户平稳驾驶,且乘客用户有投诉或评价驾驶不平稳”对应的投诉概率值为“3/10”;标签“驾驶用户激进驾驶,且乘客用户无投诉或评价驾驶平稳”对应的投诉概率值为“1/10”;标签“驾驶用户激进驾驶,且乘客用户有投诉或评价驾驶不平稳”对应的投诉概率值为“5/10”;若预设数值阈值为100,则可以确定预设确定标签“驾驶用户激进驾驶,且乘客用户有投诉或评价驾驶不平稳”对应的投诉概率值最大,根据预先设定的平稳敏感度数据的确定规则,可以确定当前乘车用户的平稳敏感度数据为50分。
需要说明的是,为提高当前乘车用户的平稳敏感度数据的准确性,还可以根据平稳驾驶和激烈驾驶情况下的投诉概率占比,确定当前乘车用户的平稳敏感度数据。
在一个可选实施例中,驾驶风格包括平稳驾驶和激烈驾驶;相应的,根据不同驾驶风格下的投诉概率,确定当前乘车用户的平稳敏感度数据,包括:根据平稳驾驶情况下的投诉概率占比和激烈驾驶情况下的投诉概率占比,确定当前乘车用户的平稳敏感度数据。
平稳驾驶状况下的投诉概率占比可以包括平稳状况下的乘客有投诉概率占比和平稳状况下的乘客无投诉概率占比;激烈状况下的投诉概率占比可以包括激烈状况下的乘客有投诉概率占比和激烈状况下的乘客无投诉概率占比。
示例性的,若“驾驶用户平稳驾驶,且乘客用户无投诉或评价驾驶平稳”的概率为PCN,“驾驶用户平稳驾驶,且乘客用户有投诉或评价驾驶不平稳”的投诉概率为PCR,“驾驶用户激进驾驶,且乘客用户无投诉或评价驾驶平稳”的投诉概率为PTN,“驾驶用户激进驾驶,且乘客用户有投诉或评价驾驶不平稳”的投诉概率为PTR;则前乘车用户的平稳敏感度数据Uscore确定方式的计算公式如下:
其中,Uscore∈[-1,1],Uscore的值越接近于-1,表明该乘客对驾驶用户的驾驶平稳敏感程度越低,发生投诉或评价驾驶不平稳的概率越低;Uscore的值越接近于1,表明该乘客对驾驶用户的驾驶平稳敏感程度越高,发生投诉或评价驾驶不平稳的概率较高。
本可选实施例通过根据平稳驾驶情况下的投诉概率占比和激烈驾驶情况下的投诉概率占比,确定当前乘车用户的平稳敏感度数据,提高了当前乘车用户的平稳敏感度数据的准确性,从而提高了后续目标车辆选取的准确性。
S230、响应于当前乘车用户发起的订单请求,确定与订单请求相匹配的至少一个候选车辆。
S240、根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从至少一个候选车辆中选取目标车辆。
S250、向目标车辆分配当前乘车用户对应订单。
需要说明的是,S210和S220可以在S230之前执行;S210和S220还可以在S230之后且在S240之前执行,本实施例对此不进行限制。
本实施例方案通过根据当前乘车用户的用户画像数据和当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率;根据不同驾驶风格下的投诉概率,实现了对平稳敏感度数据的确定。上述方案通过采用用户画像数据和驾驶行为数据预先确定投诉概率,再根据投诉概率确定当前乘车用户的平稳敏感度数据的方式,提高了确定当前乘车用户的平稳敏感度数据的准确性,为后续目标车辆的准确选取奠定基础。
实施例三
图3为本申请实施例三提供的一种车辆派单方法的流程示意图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,将“根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从至少一个候选车辆中选取目标车辆”,细化为“确定与平稳敏感度数据相匹配的加速度分箱区间;根据各候选车辆的历史加速度数据和加速度分箱区间,从至少一个候选车辆中选取目标车辆。”以完善对目标车辆的选取方式。
如图3所示,该方法包括以下具体步骤:
S310、响应于当前乘车用户发起的订单请求,确定与订单请求相匹配的至少一个候选车辆。
S320、确定与平稳敏感度数据相匹配的加速度分箱区间。
加速度分箱区间可以是预设时间周期内的至少一个乘车用户的加速度均方根中位数的集合所属区间,其中,预设时间周期可以是1年,加速度均方根中位数可以是根据各乘车用户近一个月的加速度确定的,加速度均方根中位数具体确定时间周期可以由相关技术人员根据实际需求确定。加速度分箱区间可以由相关技术人员进行预先确定,例如,可以对加速度进行四分位分箱,即,将加速度划分为四个等比例的分段区间。如,加速度四分位分箱对应的分段区间可以为[0,25%]、(25%,50%]、(50%,75%]和(75%,100%]。
平稳敏感度数据与加速度分箱区间的匹配关系可以由相关技术人员预先确定。示例性的,可以预先将各乘车用户对应的平稳敏感度数据与加速度分箱区间之间建立关联关系;例如,若平稳敏感度数据的取值为0.5对应的加速度分箱区间可以为(50%,75%],并将该平稳敏感度数据与加速度分箱区间(50%,75%]建立关联关系,从而在获取到乘车用户平稳敏感度数据时,能够确定与之对应的加速度分箱区间。
需要说明的是为提高与平稳敏感度数据相匹配的加速度区间确定的准确性,还可以确定平稳敏感度数据所属的平稳敏感度分箱区间,并将平稳敏感度分箱区间与加速度分箱区间建立关联关系。
在一个可选实施例中,确定与平稳敏感度数据相匹配的加速度区间,包括:确定平稳敏感度数据所属的平稳敏感度分箱区间;确定与平稳敏感度分箱区间相匹配的加速度分箱区间。
其中,平稳敏感度分箱区间和加速度分箱区间可以由相关技术人员进行预先确定,并且,平稳敏感度分箱区间的分箱个数与加速度分箱区间的分箱个数可以相同,也可以不同。建立平稳敏感度分箱区间与加速度分箱区间的匹配关系,从而根据乘车用户的平稳敏感度数据所属的平稳敏感度分箱区间,确定与平稳敏感度数据相匹配的加速度区间。
示例性的,将预设时间周期内的各乘车用户的平稳敏感度和加速度划分为四分位分箱,记乘客用户的平稳敏感度为U,加速度为a。U的取值范围为[-1,1],对应的四分位分箱为[0,25%]、(25%,50%]、(50%,75%]和(75%,100%],相应的,对应的U的分箱区间为[-1,-0.5]、(-0.5,0]、(0,0.5]和(0.5,1]。加速度a的取值范围随着预设时间范围周期的变化不断变化,但加速度所属分箱区间不变,加速度为a对应的四分位分箱为[0,25%]、(25%,50%]、(50%,75%]和(75%,100%]。
可以将U的分箱区间(75%,100%]与加速度分箱区间[0,25%]建立关联关系,表示乘车用户对平稳敏感度的敏感程度较高,需要在加速度分箱区间[0,25%]中匹配驾驶平稳的驾驶用户;将U的分箱区间[0,75%]与加速度分箱区间(25%,100%]建立关联关系,表示乘车用户对平稳敏感度的敏感程度较低,可以在加速度分箱区间(25%,100%]中匹配驾驶较为激烈的驾驶用户。
可选的,针对加速度分箱区间为(75%,100%]的驾驶用户,可以定时发送驾驶速度不合理提醒,或向加速度分箱区间为(75%,100%]的驾驶用户发送驾驶培训即宣导视频,从而提升驾驶用户的驾驶水平,减小投诉概率
S330、根据各候选车辆的历史加速度数据和加速度分箱区间,从至少一个候选车辆中选取目标车辆。
示例性的,服务器可以在数据库中获取当前乘车用户对应的平稳敏感度数据,并根据平稳敏感度数据确定平稳敏感度值的所属分箱;确定平稳敏感度所属分箱与各候选车辆的历史加速度数据的加速度分箱区间的匹配关系,从至少一个候选车辆中选择目标车辆。
示例性的,若存在至少一个候选车辆的加速度分箱区间能够与当前乘车用户的平稳敏感度数据相匹配,则可以从候选车辆中选择匹配度最高的作为目标车辆。例如,若根据当前乘车用户的平稳敏感度数据匹配的加速度分箱区间为(25%,100%],在可以选择加速度所属分箱区间(25%,100%]的驾驶用户中,加速度最接近于25%的驾驶用户关联的候选车辆,并将该候选车辆作为目标车辆。
S340、向目标车辆分配当前乘车用户对应订单。
本实施例方案通过确定与平稳敏感度数据相匹配的加速度分箱区间;根据各候选车辆的历史加速度数据和加速度分箱区间,从至少一个候选车辆中选取目标车辆。上述方案通过确定平稳敏感度数据与加速度分箱区间的匹配关系的方式,实现了对目标车辆的准确选取,通过准确的选取目标车辆,减小了乘车用户对车辆驾驶不平稳的投诉比例,提高了用户乘车的良好体验感。
实施例四
图4为本申请实施例四提供的一种车辆派单装置的结构示意图。本申请实施例所提供的一种车辆派单装置,该装置可适用于基于乘车用户的乘车体验,合理的进行车辆派单的情况,该装置可采用软件和/或硬件的方式实现。如图4所示,该装置具体包括:候选车辆确定模块401、目标车辆选取模块403和订单分配模块403。其中,
候选车辆确定模块401,用于响应于当前乘车用户发起的订单请求,确定与所述订单请求相匹配的至少一个候选车辆;
目标车辆选取模块402,用于根据所述当前乘车用户的平稳敏感度数据和各所述候选车辆的历史加速度数据,从至少一个所述候选车辆中选取目标车辆;
订单分配模块403,用于向所述目标车辆分配所述当前乘车用户对应订单。
本申请实施例通过响应于当前乘车用户发起的订单请求,确定与订单请求相匹配的至少一个候选车辆;根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从至少一个候选车辆中选取目标车辆;向目标车辆分配当前乘车用户对应订单。上述方案通过根据当前乘车用户的平稳敏感度数据和各候选车辆的历史加速度数据,从候选车辆中选取与当前乘车用户的驾驶行为敏感程度相匹配的目标车辆,实现了能够将用户的行为习惯与驾驶用户驾驶车辆的行为习惯进行合理的匹配,降低了乘车用户对车辆驾驶不平稳的投诉比例,提高了用户乘车的良好体验感。
可选的,目标车辆选取模块402,包括:
分箱区间确定单元,用于确定与所述平稳敏感度数据相匹配的加速度分箱区间;
目标车辆选取单元,用于根据各所述候选车辆的历史加速度数据和所述加速度分箱区间,从至少一个所述候选车辆中选取所述目标车辆。
可选的,分箱区间确定单元,包括:
平稳敏感度区间确定单元,用于确定所述平稳敏感度数据所属的平稳敏感度分箱区间;
加速度区间确定单元,用于确定与所述平稳敏感度分箱区间相匹配的加速度分箱区间。
可选的,所述装置还包括平稳敏感度数据确定模块,用于确定当前乘车用户的平稳敏感度数据;
所述平稳敏感度数据确定模块,包括:
投诉概率预测单元,用于根据所述当前乘车用户的用户画像数据和所述当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率;
平稳敏感度数据确定单元,用于根据不同驾驶风格下的投诉概率,确定所述当前乘车用户的平稳敏感度数据。
可选的,投诉概率预测单元,包括:
投诉概率预测子单元,用于基于概率预测模型,根据所述当前乘车用户的用户画像数据和所述当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率;
其中,所述概率预测模型根据历史订单数据中历史驾驶用户的驾驶行为数据、历史乘车用户的用户画像数据和乘车评价数据,对预设分类模型训练得到。
可选的,所述装置还包括标签数据确定模块,用于确定所述预设分类模型进行训练时各历史订单对应的标签数据;
所述标签数据确定模块,包括:
驾驶风格类别确定单元,用于根据历史订单下所述历史驾驶用户的驾驶行为数据,确定所述历史驾驶用户在对应历史订单的驾驶风格类别;
评价类型确定单元,用于根据历史订单下的所述乘车乘客评价结果,确定对应历史订单的订单评价类型;其中,所述订单评价类型包括是否投诉和/或是否评价激烈驾驶;
标签数据确定单元,用于根据所述驾驶风格类别和所述订单评价类型,确定所述历史驾驶用户对应历史订单的标签数据。
可选的,所述驾驶风格包括平稳驾驶和激烈驾驶;
相应的,平稳敏感度数据确定单元,包括:
平稳敏感度数据确定子单元,用于根据平稳驾驶情况下的投诉概率占比和激烈驾驶情况下的投诉概率占比,确定所述当前乘车用户的平稳敏感度数据。
可选的,候选车辆确定模块401,包括:
用户位置数据获取单元,用于根据所述订单请求,获取所述当前乘车用户的用户位置数据;
车辆位置数据获取单元,用于根据所述用户位置数据,获取所述当前乘车用户所属区域内的至少一个空载车辆的车辆位置数据;
候选车辆确定单元,用于根据所述用户位置数据和所述至少一个空载车辆的车辆位置数据,确定与所述订单请求匹配的至少一个候选车辆。
上述车辆派单装置可执行本申请任意实施例所提供的车辆派单方法,具备执行各车辆派单方法相应的功能模块和有益效果。
实施例五
图5是本申请实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本申请实施方式的示例性电子设备500的框图。图5显示的电子设备500仅仅是一个示例,不应对本申请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以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:一个或者多个处理器或者处理单元501,系统存储器502,连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备500典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备500访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。电子设备500可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统506可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储器502中,这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本申请所描述的实施例中的功能和/或方法。
电子设备500也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且,电子设备500还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器512通过总线503与电子设备500的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元501通过运行存储在系统存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的一种车辆派单的方法。
实施例六
本申请实施例六还提供一种包含计算机可执行指令的存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例所提供的车辆派单方法,包括:响应于当前乘车用户发起的订单请求,确定与所述订单请求相匹配的至少一个候选车辆;根据所述当前乘车用户的平稳敏感度数据和各所述候选车辆的历史加速度数据,从至少一个所述候选车辆中选取目标车辆;向所述目标车辆分配所述当前乘车用户对应订单。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括: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)、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。在本文件中,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。
计算机可读的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。计算机可读的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,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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,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)。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种车辆派单方法,其特征在于,包括:
响应于当前乘车用户发起的订单请求,确定与所述订单请求相匹配的至少一个候选车辆;
根据所述当前乘车用户的平稳敏感度数据和各所述候选车辆的历史加速度数据,从至少一个所述候选车辆中选取目标车辆;
向所述目标车辆分配所述当前乘车用户对应订单。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前乘车用户的平稳敏感度数据和各所述候选车辆的历史加速度数据,从至少一个所述候选车辆中选取目标车辆,包括:
确定与所述平稳敏感度数据相匹配的加速度分箱区间;
根据各所述候选车辆的历史加速度数据和所述加速度分箱区间,从至少一个所述候选车辆中选取所述目标车辆。
3.根据权利要求2所述的方法,其特征在于,所述确定与所述平稳敏感度数据相匹配的加速度区间,包括:
确定所述平稳敏感度数据所属的平稳敏感度分箱区间;
确定与所述平稳敏感度分箱区间相匹配的加速度分箱区间。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述当前乘车用户的平稳敏感度数据采用以下方式确定:
根据所述当前乘车用户的用户画像数据和所述当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率;
根据不同驾驶风格下的投诉概率,确定所述当前乘车用户的平稳敏感度数据。
5.根据权利要求4所述的方法,其特征在于,所述根据所述当前乘车用户的用户画像数据和所述当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率,包括:
基于概率预测模型,根据所述当前乘车用户的用户画像数据和所述当前乘车用户的历史订单对应驾驶用户的驾驶行为数据,预测在不同驾驶风格下的投诉概率;
其中,所述概率预测模型根据历史订单数据中历史驾驶用户的驾驶行为数据、历史乘车用户的用户画像数据和乘车评价数据,对预设分类模型训练得到。
6.根据权利要求5所述的方法,其特征在于,对所述预设分类模型进行训练时各历史订单对应的标签数据,采用以下方式得到:
根据历史订单下所述历史驾驶用户的驾驶行为数据,确定所述历史驾驶用户在对应历史订单的驾驶风格类别;
根据历史订单下的所述乘车乘客评价结果,确定对应历史订单的订单评价类型;其中,所述订单评价类型包括是否投诉和/或是否评价激烈驾驶;
根据所述驾驶风格类别和所述订单评价类型,确定所述历史驾驶用户对应历史订单的标签数据。
7.根据权利要求4所述的方法,其特征在于,所述驾驶风格包括平稳驾驶和激烈驾驶;
相应的,所述根据不同驾驶风格下的投诉概率,确定所述当前乘车用户的平稳敏感度数据,包括:
根据平稳驾驶情况下的投诉概率占比和激烈驾驶情况下的投诉概率占比,确定所述当前乘车用户的平稳敏感度数据。
8.一种车辆派单装置,其特征在于,包括:
候选车辆确定模块,用于响应于当前乘车用户发起的订单请求,确定与所述订单请求相匹配的至少一个候选车辆;
目标车辆选取模块,用于根据所述当前乘车用户的平稳敏感度数据和各所述候选车辆的历史加速度数据,从至少一个所述候选车辆中选取目标车辆;
订单分配模块,用于向所述目标车辆分配所述当前乘车用户对应订单。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的车辆派单方法。
10.一种计算机可读存储介质,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1-7中任一所述的车辆派单方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111572904.8A CN114239893A (zh) | 2021-12-21 | 2021-12-21 | 车辆派单方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111572904.8A CN114239893A (zh) | 2021-12-21 | 2021-12-21 | 车辆派单方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239893A true CN114239893A (zh) | 2022-03-25 |
Family
ID=80760478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111572904.8A Pending CN114239893A (zh) | 2021-12-21 | 2021-12-21 | 车辆派单方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239893A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170011324A1 (en) * | 2015-07-07 | 2017-01-12 | Uber Technologies, Inc. | Dispatch system for matching drivers and users |
CN110580575A (zh) * | 2019-08-27 | 2019-12-17 | 南京领行科技股份有限公司 | 一种订单派发方法及装置 |
CN111526311A (zh) * | 2019-01-17 | 2020-08-11 | 北京嘀嘀无限科技发展有限公司 | 驾驶用户行为的判断方法、系统、计算机设备及存储介质 |
CN112749819A (zh) * | 2021-01-21 | 2021-05-04 | 南京领行科技股份有限公司 | 一种网约车派单方法、装置、服务器及存储介质 |
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 |
CN113177780A (zh) * | 2021-05-12 | 2021-07-27 | 中移智行网络科技有限公司 | 一种数据处理方法、装置、网络设备及可读存储介质 |
US20210357825A1 (en) * | 2020-05-13 | 2021-11-18 | Toyota Jidosha Kabushiki Kaisha | Vehicle allocation device, vehicle, and terminal |
-
2021
- 2021-12-21 CN CN202111572904.8A patent/CN114239893A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170011324A1 (en) * | 2015-07-07 | 2017-01-12 | Uber Technologies, Inc. | Dispatch system for matching drivers and users |
CN111526311A (zh) * | 2019-01-17 | 2020-08-11 | 北京嘀嘀无限科技发展有限公司 | 驾驶用户行为的判断方法、系统、计算机设备及存储介质 |
CN110580575A (zh) * | 2019-08-27 | 2019-12-17 | 南京领行科技股份有限公司 | 一种订单派发方法及装置 |
US20210357825A1 (en) * | 2020-05-13 | 2021-11-18 | Toyota Jidosha Kabushiki Kaisha | Vehicle allocation device, vehicle, and terminal |
CN112749819A (zh) * | 2021-01-21 | 2021-05-04 | 南京领行科技股份有限公司 | 一种网约车派单方法、装置、服务器及存储介质 |
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 |
CN113177780A (zh) * | 2021-05-12 | 2021-07-27 | 中移智行网络科技有限公司 | 一种数据处理方法、装置、网络设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11535262B2 (en) | Method and apparatus for using a passenger-based driving profile | |
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
TWI722302B (zh) | 用於運輸能力調度的系統和方法 | |
US11783421B2 (en) | Traveling-based insurance ratings | |
US11358605B2 (en) | Method and apparatus for generating a passenger-based driving profile | |
US10380503B2 (en) | Distributed online learning for privacy-preserving personal predictive models | |
CN107389085B (zh) | 一种道路通行属性的确定方法、装置、计算机及存储介质 | |
EP3620972A1 (en) | Method and apparatus for providing a user reaction user interface for generating a passenger-based driving profile | |
EP3621007A1 (en) | Method and apparatus for selecting a vehicle using a passenger-based driving profile | |
CN109154507B (zh) | 预测对于估计到达时间的兴趣点等待时间 | |
CN111324824B (zh) | 一种目的地推荐方法、其装置、电子设备及可读存储介质 | |
WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
CN110249357B (zh) | 用于数据更新的系统和方法 | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
WO2019205815A1 (en) | Systems and methods for determining candidate service providers | |
US20210182751A1 (en) | Display of multi-modal vehicle indicators on a map | |
CN112749740B (zh) | 确定车辆目的地的方法、装置、电子设备及介质 | |
US11703336B2 (en) | Transportation route planning and generation | |
US20210229674A1 (en) | Driver profiling and identification | |
EP3262596A1 (en) | Systems and methods for managing networked vehicle resources | |
CN111882112A (zh) | 一种预测到达时间的方法和系统 | |
CN114118582A (zh) | 目的地预测方法、装置、电子终端及存储介质 | |
CN111785000B (zh) | 一种车辆状态数据上传方法、装置、电子设备及存储介质 | |
WO2024032132A1 (zh) | 净水量的校验方法、装置、设备和介质 | |
WO2023241388A1 (zh) | 模型训练方法及装置、补能意图识别方法及装置、设备、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 |