CN114330888A - 订单处理方法、系统及电子设备 - Google Patents
订单处理方法、系统及电子设备 Download PDFInfo
- Publication number
- CN114330888A CN114330888A CN202111646293.7A CN202111646293A CN114330888A CN 114330888 A CN114330888 A CN 114330888A CN 202111646293 A CN202111646293 A CN 202111646293A CN 114330888 A CN114330888 A CN 114330888A
- Authority
- CN
- China
- Prior art keywords
- order
- characteristic data
- passenger
- historical
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种订单处理方法，包括获取当前乘客历史特征数据；获取地块历史特征数据；获取当前乘客订单实时特征数据；根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；根据预测接单时长及预设规则，确定展示文案；本申请通过接单时长预测模型能够提高预测接单时长的预测准确率，并且通过将该预测接单时长透明化给乘客，增加了乘客的耐心，降低乘客订单取消率，进一步提高乘客订单成功率。
Description
技术领域
本发明涉及交通出行领域，特别涉及一种订单处理方法、系统及电子设备。
背景技术
随着移动互联网的发展，传统交通运输业与互联网融合的行业蓬勃发展，网约车逐渐成为用户出行的重要方式，与此同时，一种出行成本更低的方式——顺风车也渐渐成为用户出行选择的主流方式之一。
网约车一般是在乘客发单后，以“预计X分组内接单”的形式在用户等待接单页面上展示接单预测结果；接单时间是交易过程中非常重要的参数，将直接影响用户的发单意愿及司乘匹配时间，进而影响乘客未接单主动取消率、接单率。
顺风车订单并不是传统网约车订单系统派单的模式，而是通过顺风车车主自己在平台选择接起与自己行程匹配的订单，所以具体一个乘客被司机接起的时间就是很难预测的事情。不仅涉及当下发单的司乘供需关系，还涉及到来平台找单的司机人数，是一个比较复杂的问题。
因此，亟需一种能够预测接单时间以提高订单成功率的方法，以解决现有技术的上述技术问题。
发明内容
为了解决现有技术的不足，本发明的主要目的在于提供一种订单处理方法、系统及电子设备，以解决现有技术的上述技术问题。
为了达到上述目的，第一方面本发明提供了一种订单处理的方法，所述方法包括：
获取当前乘客历史特征数据；
获取地块历史特征数据；
获取当前乘客订单实时特征数据；
根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；
根据所述预测接单时长及预设规则，确定展示文案。
在一些实施例中，所述获取地块历史特征数据，包括：
根据预设等级的空间索引编码对所述乘客历史订单信息进行处理，生成所述地块历史特征数据。
在一些实施例中，所述所述获取当前乘客历史特征数据，包括：
根据乘客历史订单信息及预设画像生成规则，生成乘客接单画像特征及乘客耐心画像特征；
根据所述乘客接单画像特征及所述乘客耐心画像特征生成所述当前乘客历史特征数据。
在一些实施例中，所述获取当前乘客订单实时特征数据，包括：
根据实时订单信息及看到订单的司机对应的司机历史订单信息，生成订单实时匹配特征数据；
根据所述订单实时匹配特征数据及所述实时订单信息，生成所述订单实时特征数据。
在一些实施例中，所述根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长之前，所述方法还包括：
筛选所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据中的离散特征数据，并对所述离散特征数据进行连续化处理以生成连续特征数据；
筛选所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据中的连续特征数据，并对所述连续特征数据进行标准化。
在一些实施例中，所述方法包括：
对进行所述标准化处理后的所述连续特征数据进行向量初始化处理，以获取待处理向量；
根据所述特征显示交叉网络及所述待处理向量，生成第一向量；
根据所述特征隐式交叉网络及所述待处理向量，生成第二向量；
根据所述浅层记忆网络及所述待处理向量，生成第三向量；
根据所述第一向量、所述第二向量及所述第三向量及预设的处理方法，生成所述预测接单时长。
在一些实施例中，所述接单时长预测模型包括第一接单时长预测模型及第二接单时长预测模型，所述方法还包括训练接单时长预测模型，所述接单时长预测模型的训练过程包括：
选取出发城市及到达城市为同一城市的所述乘客历史订单信息作为第一训练样本组，所述第一训练样本组包括第一训练集及第一测试集；
选取出发城市及到达城市不为同一城市的所述乘客历史订单信息作为第二训练样本组，所述第二训练样本组包括第二训练集及第二测试集；
根据所述第一训练集，对所述第一接单时长预测模型进行训练，并根据所述第一测试集，验证所述第一接单时长预测模型是否满足预设的训练条件；
在所述第一接单时长预测模型满足预设的训练条件时，生成所述第一接单时长预测模型；
根据所述第二训练集，对所述第二接单时长预测模型进行训练，并根据所述第二测试集，验证所述第二接单时长预测模型是否满足预设的训练条件；
在所述第二接单时长预测模型满足预设的训练条件时，生成所述第二接单时长预测模型。
在一些实施例中，所述方法还包括：
在所述当前乘客订单实时特征数据中出发城市与终点城市一致时，基于所述第一接单时长预测模型，生成第一预测接单时长；
在所述当前乘客订单实时特征数据中出发城市与终点城市不一致时，基于所述第二接单时长预测模型，生成第二预测接单时长；
根据当前时间、发单时间、所述第一预测接单时长、所述第二预测接单时长及所述预设规则，确定所述展示文案。
第二方面，本申请提供了一种订单处理系统，所述系统包括：
准备模块，用于获取当前乘客历史特征数据；
所述准备模块还用于获取地块历史特征数据；
所述准备模块还用于获取当前乘客订单实时特征数据；
预测模块，用于根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；
交互模块，用于根据所述预测接单时长及预设规则，确定展示文案。
第三方面，本申请提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
获取当前乘客历史特征数据；
获取地块历史特征数据；
获取当前乘客订单实时特征数据；
根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；
根据所述预测接单时长及预设规则，确定展示文案。
本申请实现的有益效果为：
本申请提供了一种订单处理方法，包括获取当前乘客历史特征数据、地块特征数据及订单实时特征数据；根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；根据所述预测接单时长及预设规则，确定展示文案。本申请通过接单时长预测模型能够提高预测接单时长的预测准确率，并且通过将该预测接单时长透明化给乘客，增加了乘客的耐心，降低乘客订单取消率，进一步提高乘客订单成功率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，其中：
图1是本申请实施例提供的订单系统示意图；
图2是本申请实施例提供的订单系统流程图；
图3是本申请实施例提供的接单时长预测模型示意图；
图4是本申请实施例提供的订单处理方法流程图；
图5是本申请实施例提供的订单处理系统架构图；
图6是本申请实施例提供的电子设备结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
参考图1和图2，本申请实施例提供了一种订单系统，其中，应用本申请公开的订单处理方法进行订单处理的过程包括：
S100、离线获取平台乘客的历史订单信息，生成乘客接单画像特征及乘客耐心画像特征，即生成乘客历史特征数据。
具体的，为了提高乘客接单画像特征的准确性，本申请统计乘客在平台上所有的已完成的订单信息(因此可以离线统计)。本申请统计乘客过去一周的订单完成量和订单取消量、过去两周的订单完成量和订单取消量等信息并基于预设的画像生成规则，生成乘客接单画像特征，用于表征乘客的订单被接起的倾向。本申请基于乘客历史订单信息中订单从发单到取消订单的时间差、从取消订单到计划出发的事件差等信息并基于预设的画像生成规则，生成乘客耐心画像特征，用于表征乘客等待的耐心。结合乘客接单画像特征及乘客耐心画像特征生成当前乘客历史特征数据。
其中，预设的画像生成规则是指事先根据乘客的历史订单信息中多个相关标签信息(如乘客过去一周的订单完成量和订单取消量)，以及该乘客在标签下的权重系数，权重系数表征乘客在该标签对应的特征的特征值；得到每个标签的权重系数之后，便得到该乘客的画像特征。可选的，该画像特征可以是画像向量的形式。
S200、基于空间索引编码(H3)及乘客历史订单信息，生成地块历史特征数据。
具体的，本申请基于空间索引编码，选取不同的等级，对平台涉及到的服务区域进行分割，使用网格系统将历史订单信息存储到六边形地块(即网格)中，再通过统计涉及到的服务区域中六边形上的每个订单的接单等待时间，生成地块特征数据。优选的，为了提高后续接单时长预测模型的准确性，本申请选取空间索引编码为6、7及8对平台涉及到的服务区域进行编码分割。
其中，H3是由Uber(优步)开源的一个六边形分层索引网格系统，是一种基于网格的空间索引，但跟普通的矩形网格索引不同的是，他的每一个网格都是正六边形，基于网格的空间索引中，使用的多边形的边数越多，则一个网格越近似圆形，六边形因为边数最多，最接近圆，所以理论上来说在某些场景下是最优的选择。H3摒弃传统的地图投影，直接在地球上铺满六边形，虽然H3并不能保证每个空间单元都是六边形，在一些地方还是会存在五边形，但是这样做也不会造成很大影响，因为根据球形二十面体每个顶点都在水里的特性，这种五边形只会出现在水域周围，不会对Uber的打车和外卖业务造成很大的影响。根据这样的索引特性，H3规定在索引的第0层，每个面和上图一样，每个面上有5.5个六边形和3/5个五边形，即第0层一共有110个六边形和12个五边形。H3将这110个六边形称为基网格(base cells)。H3最高可以到15层，也就是说H3有16个层级的空间索引粒度，在粒度最细的第15层中，平均每个网格的大小为0.9平方米，平均边长为0.509713米，详细的精度数据如表1：
表1
| H3解析度 | 六边形平均面积(km<sup>2</sup>) | 六边形平均长度(公里) | 唯一索引数 |
| 0 | 4,250,546.8477000 | 1,107.712591000 | 122 |
| 1 | 607,220.9782429 | 418.676005500 | 842 |
| 2 | 86,745.8540347 | 158.244655800 | 5,882 |
| 3 | 12,392.2648621 | 59.810857940 | 41,162 |
| 4 | 1,770.3235517 | 22.606379400 | 288,122 |
| 5 | 252.9033645 | 8.544408276 | 2,016,842 |
| 6 | 36.1290521 | 3.229482772 | 14,117,882 |
| 7 | 5.1612932 | 1.220629759 | 98,825,162 |
| 8 | 0.7373276 | 0.461354684 | 691,776,122 |
| 9 | 0.1053325 | 0.174375668 | 4,842,432,842 |
| 10 | 0.0150475 | 0.065907807 | 33,897,029,882 |
| 11 | 0.0021496 | 0.024910561 | 237,279,209,162 |
| 12 | 0.0003071 | 0.009415526 | 1,660,954,464,122 |
| 13 | 0.0000439 | 0.003559893 | 11,626,681,248,842 |
| 14 | 0.0000063 | 0.001348575 | 81,386,768,741,882 |
| 15 | 0.0000009 | 0.000509713 | 569,707,381,193,162 |
S300、获取当前乘客订单实时特征数据。
在线实时计算乘客发起的订单被多少个司机看到，并计算看到该订单的司机对应的司机历史订单与该订单的平均顺路度、平均起点距离及平均终点距离等特征，作为订单实时匹配特征数据。将实时订单信息与订单实时匹配特征数据结合，作为当前乘客订单实时特征数据。
值得注意的是，上述步骤S100、步骤S200及步骤S300可以同时进行，也可以按顺序先后进行，本申请对顺序不进行限定。
S400、训练接单时长预测模型。
由于订单车程在同城和跨城上等待的时长差距较大，为了更准确的预测接单时长，提高模型的针对性，上述接单时长预测模型分为第一接单时长预测模型(即同城接单时长预测模型)和第二接单时长预测模型(即跨城接单时长预测模型)。
优选的，接单时长预测模型可以是基于特征显示交叉网络、特征隐式交叉网络、浅层记忆网络训练得到的模型。具体的，前述第一接单时长预测模型的训练过程包括：
S410、选取出发城市及到达城市为同一城市的乘客历史订单信息作为第一训练样本，并按照比例选取乘客历史订单信息作为第一训练集及第一测试集，其中，一般按照9:1的比例选取第一训练集及第一测试集，本申请对此不作限定；
S420、利用第一训练集对第一接单时长预测模型进行训练；
S430、利用第一测试集，验证接单时预测模型的接单时长预测准确率是否满足预设条件；
可以预设对应的准确率阈值。在第一接单时长预测模型的预测准确率超过该准确率阈值时，可以确定第一接单时长预测模型的预测准确率满足预设条件并确定该第一接单时长预测模型为经训练的第一接单时长预测模型。
其中，第二接单时长预测模型的训练过程除选取的第二训练样本为出发城市及到达城市不为同一城市的乘客历史订单信息外，其余步骤与上述步骤一致，本申请对此不再赘述。
S500、根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长。
值得注意的是，在将上述特征数据输入预测接单时长模型之前，还需要对上述特征数据进行预处理。
具体的，首先对上述特征数据中包含的离散特征数据进行连续化处理。本申请采用one-hot编码进行连续化处理。其次，对连续特征数据进行标准化处理，在标准化的基础上再进行向量初始化处理以获取待处理向量，便于后续接单时长预测模型预测接单时长。其中，one-hot编码又叫独热编码，不仅可以解决离散数据不连续的问题，还可以在一定程度上对离散数据进行扩充，其为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。在回归，分类，聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的，常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。将离散型特征使用one-hot编码，会使得特征之间的距离计算更加合理。
具体的，如图3所示，上述基于接单时长预测模型生成预测接单时长的步骤包括：
S510、将待处理向量输入特征显示交叉网络中，生成第一向量；
具体的，按照
对待处理向量进行操作，其中，X0为待处理向量，X1为第一向量，W为一个权重向量，b为偏置，值得注意的是W值和b值在接单时长预测模型的训练过程中确定。
S520、将待处理向量输入特征隐式交叉网络中，生成第二向量；
具体的，按照h1＝ReLu(Wh,0X0+bh,0)对待处理向量进行操作，其中X0为待处理向量，h1为第二向量。
S530、将待处理向量输入浅层记忆网络FM层中，生成第三向量；
具体的，按照
对待处理向量进行操作，其中X为待处理向量，yFM为第三向量。
S540、将第一向量、第二向量及第三向量进行按照权重进行拼接后，生成预测接单时长；具体的，按照output＝W*Xstack+b公式进行操作，output即为预测接单时长。
S600、根据所述预测接单时长及预设规则，确定展示文案。
具体的，存在以下四种场景：
1、刚发单场景：
假设预测接单时长为x分钟，当前时间为超过发单时间m分钟，那么预测接单时长还剩(x-m)分钟，此时，乘客界面展示文案为“开始匹配车主，预计(x-m)内接单”。
2、超过预测接单时间场景：
此时，由于当前时间已经超过了预测接单时间，为了提高接单成功率，乘客界面展示文案为“试试邀请车主，可加快接单”等类似文案提醒乘客主动邀请车主。
3、临近预出发时间：
此时，乘客界面展示文案为“临近出发时间，车主接单概率更高”等类似文案，挽留乘客。
4、超过预出发时间：
此时，乘客界面展示文案为“超过出发时间扔可能被接单，为您持续匹配中”等类似文案，向乘客表明平台一直在努力匹配，提高乘客好感度。
在一些实施场景中，本申请还提出了实验组和对照组来检验利用预测接单时长模型将接单时长透明化给乘客能够提高接单成功率。
具体的，将利用接单时长预测模型的乘客组作为实验组，对照组则为用默认规则提示接单(一般提示15分钟接单)的乘客组。统计并对比大量实验组和对照组的乘客订单成功率、乘客平均等待时长等数据，若实验组数据相对于对照组具有显著提高则说明利用预测接单时长模型将接单时长透明化给乘客的方法能够达到提高接单成功率的预期效果。
需要理解的是，本申请所述的订单处理方法应用于顺风车接单平台、网约车接单平台等提供打车\约车服务的平台。特别是应用于顺风车平台时，能够克服现有顺风车接单平台中接单时长预测准确度低的问题。
基于本申请实施例公开的订单处理方法，可以通过提高预测接单时长的预测准确度，并且将该预测接单时长透明化给乘客，增加了乘客的耐心，降低乘客订单取消率，进一步提高乘客订单成功率。
实施例二
对应上述实施例，本申请提供了一种订单处理方法，如图4所示，所述方法包括：
4100、获取当前乘客历史特征数据；
优选的，所述获取当前乘客历史特征数据，包括：
4110、根据乘客历史订单信息及预设画像生成规则，生成乘客接单画像特征及乘客耐心画像特征；
4111、根据所述乘客接单画像特征及所述乘客耐心画像特征生成所述当前乘客历史特征数据。
4200、获取地块历史特征数据；
优选的，所述获取地块历史特征数据，包括：
4210、根据预设等级的空间索引编码对所述乘客历史订单信息进行处理，生成所述地块历史特征数据。
4300、获取当前乘客订单实时特征数据；
优选的，所述获取当前乘客订单实时特征数据，包括：
4310、根据实时订单信息及看到订单的司机对应的司机历史订单信息，生成订单实时匹配特征数据；
4311、根据所述订单实时匹配特征数据及所述实时订单信息，生成所述订单实时特征数据。
4400、根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；
优选的，根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长：
4410、筛选所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据中的离散特征数据，并对所述离散特征数据进行连续化处理以生成连续特征数据；
4411、筛选所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据中的连续特征数据，并对所述连续特征数据进行标准化。
优选的，所述方法包括：
4420、对进行所述标准化处理后的所述连续特征数据进行向量初始化处理，以获取待处理向量；
4421、根据所述特征显示交叉网络及所述待处理向量，生成第一向量；
4422、根据所述特征隐式交叉网络及所述待处理向量，生成第二向量；
4423、根据所述浅层记忆网络及所述待处理向量，生成第三向量；
4424、根据所述第一向量、所述第二向量及所述第三向量及预设的处理方法，生成所述预测接单时长。
优选的，所述接单时长预测模型包括第一接单时长预测模型及第二接单时长预测模型，所述方法还包括训练接单时长预测模型，所述接单时长预测模型的训练过程包括：
4430、选取出发城市及到达城市为同一城市的所述乘客历史订单信息作为第一训练样本组，所述第一训练样本组包括第一训练集及第一测试集；
4431、选取出发城市及到达城市不为同一城市的所述乘客历史订单信息作为第二训练样本组，所述第二训练样本组包括第二训练集及第二测试集；
4432、根据所述第一训练集，对所述第一接单时长预测模型进行训练，并根据所述第一测试集，验证所述第一接单时长预测模型是否满足预设的训练条件；
4433、在所述第一接单时长预测模型满足预设的训练条件时，生成所述第一接单时长预测模型；
4434、根据所述第二训练集，对所述第二接单时长预测模型进行训练，并根据所述第二测试集，验证所述第二接单时长预测模型是否满足预设的训练条件；
4435、在所述第二接单时长预测模型满足预设的训练条件时，生成所述第二接单时长预测模型。
4500、根据所述预测接单时长及预设规则，确定展示文案。
优选的，所述方法还包括：
4510、在所述当前乘客订单实时特征数据中出发城市与终点城市一致时，基于所述第一接单时长预测模型，生成第一预测接单时长；
4511、在所述当前乘客订单实时特征数据中出发城市与终点城市不一致时，基于所述第二接单时长预测模型，生成第二预测接单时长；
4512、根据当前时间、发单时间、所述第一预测接单时长、所述第二预测接单时长及所述预设规则，确定所述展示文案。
实施例三
参考图5，对应上述实施例一及实施例二，本申请实施例还提供一种订单处理系统500，包括：
准备模块510，用于获取当前乘客历史特征数据；
所述准备模块510还用于获取地块历史特征数据；
所述准备模块510还用于获取当前乘客订单实时特征数据；
预测模块520，用于根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；
交互模块530，用于根据所述预测接单时长及预设规则，确定展示文案。
在一些实施例中，所述准备模块510还用于根据预设等级的空间索引编码对所述乘客历史订单信息进行处理，生成所述地块历史特征数据。
在一些实施例中，所述准备模块510还用于根据乘客历史订单信息及预设画像生成规则，生成乘客接单画像特征及乘客耐心画像特征；根据所述乘客接单画像特征及所述乘客耐心画像特征生成所述当前乘客历史特征数据。
在一些实施例中，所述准备模块510还用于根据实时订单信息及看到订单的司机对应的司机历史订单信息，生成订单实时匹配特征数据；根据所述订单实时匹配特征数据及所述实时订单信息，生成所述订单实时特征数据。
在一些实施例中，所述准备模块510还用于筛选所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据中的离散特征数据，并对所述离散特征数据进行连续化处理以生成连续特征数据；筛选所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据中的连续特征数据，并对所述连续特征数据进行标准化。
在一些实施例中，所述预测模块520还用于对进行所述标准化处理后的所述连续特征数据进行向量初始化处理，以获取待处理向量；根据所述特征显示交叉网络及所述待处理向量，生成第一向量；根据所述特征隐式交叉网络及所述待处理向量，生成第二向量；根据所述浅层记忆网络及所述待处理向量，生成第三向量；根据所述第一向量、所述第二向量及所述第三向量及预设的处理方法，生成所述预测接单时长。
在一些实施例中，所述订单处理系统500还包括模型训练模块540(图中未示出)。所述模型训练模块540用于选取出发城市及到达城市为同一城市的所述乘客历史订单信息作为第一训练样本组，所述第一训练样本组包括第一训练集及第一测试集；选取出发城市及到达城市不为同一城市的所述乘客历史订单信息作为第二训练样本组，所述第二训练样本组包括第二训练集及第二测试集；根据所述第一训练集，对所述第一接单时长预测模型进行训练，并根据所述第一测试集，验证所述第一接单时长预测模型是否满足预设的训练条件；在所述第一接单时长预测模型满足预设的训练条件时，生成所述第一接单时长预测模型；根据所述第二训练集，对所述第二接单时长预测模型进行训练，并根据所述第二测试集，验证所述第二接单时长预测模型是否满足预设的训练条件；在所述第二接单时长预测模型满足预设的训练条件时，生成所述第二接单时长预测模型。
在一些实施例中，所述交互模块530用于在所述当前乘客订单实时特征数据中出发城市与终点城市一致时，基于所述第一接单时长预测模型，生成第一预测接单时长；在所述当前乘客订单实时特征数据中出发城市与终点城市不一致时，基于所述第二接单时长预测模型，生成第二预测接单时长；根据当前时间、发单时间、所述第一预测接单时长、所述第二预测接单时长及所述预设规则，确定所述展示文案。
实施例四
对应上述所有实施例，本申请实施例提供一种电子设备，包括：一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
获取当前乘客历史特征数据；
获取地块历史特征数据；
获取当前乘客订单实时特征数据；
根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；
根据所述预测接单时长及预设规则，确定展示文案。
其中，图6示例性的展示出了电子设备的架构，具体可以包括处理器610，视频显示适配器611，磁盘驱动器612，输入/输出接口613，网络接口614，以及存储器620。上述处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614，与存储器620之间可以通过总线630进行通信连接。
其中，处理器610可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。
存储器620可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器620可以存储用于控制电子设备600运行的操作系统621，用于控制电子设备600的低级别操作的基本输入输出系统(BIOS)622。另外，还可以存储网页浏览器623，数据存储管理系统624，以及图标字体处理系统625等等。上述图标字体处理系统625就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器620中，并由处理器610来调用执行。
输入/输出接口613用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口614用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线630包括一通路，在设备的各个组件(例如处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614，与存储器620)之间传输信息。
另外，该电子设备600还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息，以用于进行条件判断，等等。
需要说明的是，尽管上述设备仅示出了处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614，存储器620，总线630等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请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，本申请的技术方案本质上或者说对现有技术做出贡献的部分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，云服务器，或者网络设备等)执行本申请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均采用递进的方式描述，各个实施例之间相同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。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本申请的较佳实施例，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、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种订单处理方法，其特征在于，所述方法包括：
获取当前乘客历史特征数据；
获取地块历史特征数据；
获取当前乘客订单实时特征数据；
根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；
根据所述预测接单时长及预设规则，确定展示文案。
2.根据权利要求1所述的方法，其特征在于，所述获取地块历史特征数据，包括：
根据预设等级的空间索引编码对所述乘客历史订单信息进行处理，生成所述地块历史特征数据。
3.根据权利要求1所述的方法，其特征在于，所述获取当前乘客历史特征数据，包括：
根据乘客历史订单信息及预设画像生成规则，生成乘客接单画像特征及乘客耐心画像特征；
根据所述乘客接单画像特征及所述乘客耐心画像特征生成所述当前乘客历史特征数据。
4.根据权利要求1所述的方法，其特征在于，所述获取当前乘客订单实时特征数据，包括：
根据实时订单信息及看到订单的司机对应的司机历史订单信息，生成订单实时匹配特征数据；
根据所述订单实时匹配特征数据及所述实时订单信息，生成所述订单实时特征数据。
5.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客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长之前，所述方法还包括：
筛选所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据中的离散特征数据，并对所述离散特征数据进行连续化处理以生成连续特征数据；
筛选所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据中的连续特征数据，并对所述连续特征数据进行标准化。
6.根据权利要求5所述的方法，其特征在于，所述方法包括：
对进行所述标准化处理后的所述连续特征数据进行向量初始化处理，以获取待处理向量；
根据所述特征显示交叉网络及所述待处理向量，生成第一向量；
根据所述特征隐式交叉网络及所述待处理向量，生成第二向量；
根据所述浅层记忆网络及所述待处理向量，生成第三向量；
根据所述第一向量、所述第二向量及所述第三向量及预设的处理方法，生成所述预测接单时长。
7.根据权利要求1-5任一所述的方法，其特征在于，所述接单时长预测模型包括第一接单时长预测模型及第二接单时长预测模型，所述方法还包括训练接单时长预测模型，所述接单时长预测模型的训练过程包括：
选取出发城市及到达城市为同一城市的所述乘客历史订单信息作为第一训练样本组，所述第一训练样本组包括第一训练集及第一测试集；
选取出发城市及到达城市不为同一城市的所述乘客历史订单信息作为第二训练样本组，所述第二训练样本组包括第二训练集及第二测试集；
根据所述第一训练集，对所述第一接单时长预测模型进行训练，并根据所述第一测试集，验证所述第一接单时长预测模型是否满足预设的训练条件；
在所述第一接单时长预测模型满足预设的训练条件时，生成所述第一接单时长预测模型；
根据所述第二训练集，对所述第二接单时长预测模型进行训练，并根据所述第二测试集，验证所述第二接单时长预测模型是否满足预设的训练条件；
在所述第二接单时长预测模型满足预设的训练条件时，生成所述第二接单时长预测模型。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
在所述当前乘客订单实时特征数据中出发城市与终点城市一致时，基于所述第一接单时长预测模型，生成第一预测接单时长；
在所述当前乘客订单实时特征数据中出发城市与终点城市不一致时，基于所述第二接单时长预测模型，生成第二预测接单时长；
根据当前时间、发单时间、所述第一预测接单时长、所述第二预测接单时长及所述预设规则，确定所述展示文案。
9.一种订单处理系统，其特征在于，所述系统包括：
准备模块，用于获取当前乘客历史特征数据；
所述准备模块还用于获取地块历史特征数据；
所述准备模块还用于获取当前乘客订单实时特征数据；
预测模块，用于根据所述当前乘客历史特征数据、所述地块历史特征数据及所述当前乘客订单实时特征数据及预设接单时长预测模型，确定预测接单时长；
交互模块，用于根据所述预测接单时长及预设规则，确定展示文案。
10.一种电子设备，所述电子设备包括：
一个或多个处理器；
以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1-8中任意一项所述订单处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111646293.7A CN114330888A (zh) | 2021-12-30 | 2021-12-30 | 订单处理方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111646293.7A CN114330888A (zh) | 2021-12-30 | 2021-12-30 | 订单处理方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114330888A true CN114330888A (zh) | 2022-04-12 |
Family
ID=81017951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111646293.7A Pending CN114330888A (zh) | 2021-12-30 | 2021-12-30 | 订单处理方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330888A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648279A (zh) * | 2022-05-13 | 2022-06-21 | 深圳依时货拉拉科技有限公司 | 候选装卸货点位推荐方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-30 CN CN202111646293.7A patent/CN114330888A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648279A (zh) * | 2022-05-13 | 2022-06-21 | 深圳依时货拉拉科技有限公司 | 候选装卸货点位推荐方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11586992B2 (en) | Travel plan recommendation method, apparatus, device and computer readable storage medium | |
| CN112395978A (zh) | 行为检测方法、装置及计算机可读存储介质 | |
| CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
| CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
| CN114330888A (zh) | 订单处理方法、系统及电子设备 | |
| CN111754261B (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
| CN113918718A (zh) | 基于人工智能的车险用户分类方法、装置、设备及介质 | |
| CN111861757A (zh) | 一种融资匹配方法、系统、设备和存储介质 | |
| CN113884170B (zh) | 货车偏载识别方法、装置及计算机可读存储介质 | |
| CN115797084A (zh) | 基于车主驾驶行为的投保定价指导方法及其相关设备 | |
| CN113570004B (zh) | 一种乘车热点区域预测方法、装置、设备及可读存储介质 | |
| CN113890948B (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
| CN112561433B (zh) | 货源的展示方法、装置、电子设备、存储介质 | |
| CN112016503B (zh) | 人行道检测方法、装置、计算机设备及存储介质 | |
| CN111833595B (zh) | 共享汽车辅助车辆配置方法、电子设备及存储介质 | |
| CN113052397A (zh) | 上车信息的确定方法、装置、电子设备和存储介质 | |
| CN113837677A (zh) | 物流线路生成策略的确定方法、装置以及设备 | |
| CN111508093A (zh) | 一种用于高速公路的过路费预算系统 | |
| CN113822301B (zh) | 分拣中心的分类方法及装置、存储介质、电子设备 | |
| CN113657488B (zh) | 基于驾驶行为的用户分级方法、装置、设备及存储介质 | |
| CN113052513B (zh) | 构建地址分类模型的方法、地址分类方法及相关设备 | |
| US11995154B2 (en) | Method of determining state of target object, electronic device, and storage medium | |
| US20240144372A1 (en) | Financial investment predictions and recommendations using neural networks | |
| CN107610467B (zh) | 一种交通状态判别方法和装置 | |
| CN113822150A (zh) | 图像识别方法、装置、电子设备和存储介质 |
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 |