CN114841451A - 一种司机出行补贴方法、装置和存储介质 - Google Patents
一种司机出行补贴方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114841451A CN114841451A CN202210539879.1A CN202210539879A CN114841451A CN 114841451 A CN114841451 A CN 114841451A CN 202210539879 A CN202210539879 A CN 202210539879A CN 114841451 A CN114841451 A CN 114841451A
- Authority
- CN
- China
- Prior art keywords
- driver
- behavior
- probability
- acquiring
- time period
- 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 43
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000006399 behavior Effects 0.000 claims abstract description 233
- 230000000737 periodic effect Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 9
- 230000007306 turnover Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004936 stimulating effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种司机出行补贴方法、装置和存储介质，方法包括以下步骤：获取司机的行为特征；基于所述行为特征，确定司机所属类别；根据司机所属类别，基于预设的学习模型，预测司机的完单概率；基于司机的完单概率，生成与司机适配的出行补贴方案。本发明的方法，可以精准预测司机完单概率，可以基于司机完单概率生成更具针对性的出行补贴方案，可以节省车辆运营平台运营成本。
Description
技术领域
本发明涉及计算机技术领域，尤其是指一种司机出行补贴方法、装置和存储介质。
背景技术
近年来，随着网络及数据处理技术的不断发展，为传统的出租车市场注入了新的血液。为了可以提升顺风车司机的接单积极性，现有技术中，会基于顺风车司机的出行完单概率进行预测，并基于预测结果以现金或优惠券的补贴形式发送至顺风车司机账户。
传统预测司机一段时间内或者未来一段时间完单概率时，是针对全部司机进行训练学习和预测。该方法虽然能够预测司机的完单概率，但是在顺风车场景下不同的司机存在不同的出行模式，模型在学习中更容易受到高频行为特征的影响，而针对周期性和低频行为的司机就无法进行准确的预测，即现有技术中的模型无法有效的学习到周期性行为特征和低频行为特征的重要性，以至于无法对顺风车生成更具针对性的补贴方案。
因此，急需提出一种能够精准预测司机完单概率的司机出行补贴方法、装置和存储介质。
发明内容
为了解决上述技术问题，本发明提供了一种司机出行补贴方法、装置和存储介质，可以精准预测司机完单概率，可以基于司机完单概率生成更具针对性的出行补贴方案，可以节省车辆运营平台运营成本。
为实现上述目的，本申请提出第一技术方案：
一种司机出行补贴方法，所述方法包括以下步骤：获取司机的行为特征；基于所述行为特征，确定司机所属类别；根据司机所属类别，基于预设的学习模型，预测司机的完单概率；基于司机的完单概率，生成与司机适配的出行补贴方案。
在本发明的一个实施例中，所述基于行为特征，确定司机所属类别包括：获取司机在预设时间段内产生的行为特征次数；基于所述行为特征次数，确定司机为高频司机、周期型司机或低频偶发型司机。
在本发明的一个实施例中，预测司机的完单概率包括：基于司机的任一行为特征，获取司机在第一时间段内产生的第一行为特征次数，司机在第二时间段内产生的第二行为特征次数；获取所述第一行为特征次数与所述第二行为特征的比值；基于所述比值，预测司机的完单概率。
在本发明的一个实施例中，预测司机的完单概率包括：获取司机在第三时间段内产生的行为特征；获取第三时间段内相同的时间点总数，及司机在第三时间段内产生行为特征的天数总和；基于所述时间点总数与所述天数总和的比值，预测司机的完单概率。
在本发明的一个实施例中，预测司机的完单概率包括：获取司机在第四时间段内产生的行为特征次数；基于司机在第四时间段内产生的行为特征次数，获取司机在所述第四时间段内产生的行为特征的周转天数、周期值和周期变化规律；基于所述周转天数、周期值和周期变化规律，预测司机的完单概率。
在本发明的一个实施例中，所述预设的学习模型包括：GBDT学习模型和XGBoost学习模型；基于GBDT学习模型，预测高频司机和周期型司机的完单概率；基于XGBoost学习模型，预测低频偶发型司机和周期型司机的完单概率。
在本发明的一个实施例中，获取司机的完单概率，若所述完单概率小于第一阈值，则对应所述司机生成出行补贴方案，并进行出行补贴。
在本发明的一个实施例中，对应所述司机生成出行补贴方案包括：基于司机的完单概率及档位划分规则，将所述完单概率进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则对应处于当前档位及低于当前档位的司机生成出行补贴方案，并进行出行补贴。
为实现上述目的，本申请还提出第二技术方案：
一种司机出行补贴装置，所述装置包括：信息获取单元，以用于获取司机的行为特征；信息分析单元，所述信息分析单元与所述信息获取单元通信连接，所述信息分析单元基于所述行为特征，以用于确定司机所属类别；预测单元，所述预测单元与所述信息分析单元通信连接，所述预测单元根据司机所属类别，基于预设的学习模型，以用于预测司机的完单概率；生成单元，所述生成单元与所述预测单元通信连接，所述生成单元基于司机的完单概率，以用于生成与司机适配的出行补贴方案。
为实现上述目的，本申请还提出第三技术方案：
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存储有程序，当所述程序被处理器执行时，使得所述处理器执行以下步骤：
获取司机的行为特征；基于所述行为特征，确定司机所属类别；根据司机所属类别，基于预设的学习模型，预测司机的完单概率；基于司机的完单概率，生成与司机适配的出行补贴方案。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的一种司机出行补贴方法、装置和存储介质，所述方法包括：获取司机的行为特征；基于所述行为特征，确定司机所属类别；根据司机所属类别，基于预设的学习模型，预测司机的完单概率；基于司机的完单概率，生成与司机适配的出行补贴方案。通过本申请所述的司机出行补贴方法可以实现对司机完单概率更为精准的预测、一方面，不但可以对司机进行更具针对性的补贴营销，激发司机的接单热情；另一方面，可以降低运营平台的运营成本。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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它的附图。
图1是本发明的方法流程图；
图2是本发明的装置结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
实施例一：
参照图1所示，图1为实施例一的方法流程图。
本实施例的方法，包括以下步骤：
步骤S1、获取司机的行为特征；
步骤S2、基于聚类分析算法和所述行为特征，确定司机所属类别；
步骤S3、根据司机所属类别，基于预设的学习模型，预测司机的完单概率；
步骤S4、基于司机的完单概率，生成与司机适配的出行补贴方案。
需要理解的是，在确定司机所述类别的步骤S2中，引入的聚类分析算法不作唯一限定，即本领域的技术人员也可以通过现有技术其他相似算法结合司机的行为特征，确定司机所属类别。也就是说，步骤S2的技术目的在于确定司机所属类别，而不涉及对确定司机所属类别过程中包含的算法进行限定，本领域的技术人员可以根据实际情况选择符合要求的算法，只需可以达到确定司机所属类别的技术目的即可。
在其中一个实施方式中，获取司机的行为特征包括但是不限于：获取司机在预设的时间段内产生的行为特征次数、日均次数和天数。其中，预设的时间段与本发明所述的第一时间段、第二时间段、第三时间段和第四时间段属于同级概念；需要理解的是，本领域的技术人员可以根据实际情况，进行更多时间段的研究。行为特征包括但是不限于：首页访问、发布订单、寻找订单、选择订单、接收订单和完成订单中的至少一项。其中，司机的行为特征还可以包括：司机年龄、司机注册来源、账户类型、是否为公务车、准驾车型、星级评分、车主当前发布常用路线数、司机累计发布订单数、司机累计接单数、司机累计完成订单数、司机累计接单总里程(米)、司机累计实际收入(元)、司机累计服务费(元)、司机累计收到乘客感谢费(元)、累计车主接单奖励金(元)、累计核销车主券金额(元)、累计支付处罚金(元)、司机第一次发单、最后一次发单、第一次完成订单、最后一次完成订单、第一次接单、最后一次接单、第一次首页访问、最后一次首页访问、第一次找单、最后一次找单、第一次选单、最后一次选单距今天数、用户第一次接单来源、用户最后一次接单来源、用户第一次完单来源、用户最后一次完单来源、用户账户类可用券张数、已使用的券数量、已使用的券总金额、未使用已过期的券数量、车主驾龄、顺风车司机最后一次订单起始城市代码、顺风车司机最后一次订单结束城市代码、顺风车司机历史工作日接单量、顺风车司机历史工作日完单量。需要理解的是，本申请所述的“找单”与本申请所述的“寻找订单”为同一概念，本申请所述的“完单”与本申请所述的“完成订单”为同一概念。
在其中一个实施方式中，基于聚类分析算法和所述行为特征，确定司机所属类别具体包括：获取司机在预设的时间段内产生首页访问、寻找订单和选择订单的行为特征的天数和日均次数；基于时间切分规则，切分所述预设的时间段，得到若干个行为时段及司机在任一行为时段内产生首页访问、寻找订单和选择订单的行为特征的天数和日均次数；分配权重至任一行为时段，获取司机在预设的时间段内，产生首页访问、寻找订单和选择订单的行为特征的天数和日均次数的加权值；基于所述天数和日均次数的加权值与聚类分析算法，确定司机为高频司机、周期型司机或低频偶发型司机。
具体地，设定预设的时间段为21天，获取司机在21天内产生的首页访问、寻找订单和选择订单的行为特征的天数和日均次数；基于时间切分规则，切分上述长达21天的时间段，分别得到长达7天、14天和21天的行为时段；基于任一行为时段，分别获取司机在7天、14天和21天内产生首页访问、寻找订单和选择订单的行为特征的天数和日均次数；设定7天这一行为时段的权重为0.5、14天这一行为时段的权重为0.25、21天这一行为时段的权重为0.25；基于任一行为时段的权重，获取司机在上述长达21天的预设的时间段内，产生的首页访问、寻找订单、选择订单的行为特征的天数和日均次数的加权值。为便于理解，特举出如下示例对上述技术方案进行说明。例如：在7天这一行为时段内，司机分别在第3天、第4天和第5天产生了首页访问的行为特征，且司机在第3天产生的首页访问的行为特征的次数为5次、在第4天产生的首页访问的行为特征在的次数为1次、在第5天产生的首页访问的行为特征的次数为8次，则由此可以计算得到司机在7天这一时段内产生的首页访问的行为特征的天数为3天，即第3天、第4天和第5天；司机在7天这一时段内产生的首页访问的行为特征的日均次数为2次，计算过程为：(5+1+8)/7＝2。上述计算过程中的5即表示司机在第3天产生的5次首页访问的行为特征次数，上述计算过程中的1即表示司机在第4天产生的1次首页访问的行为特征次数，上述计算过程中的8即表示司机在第5天产生的8次首页访问的行为特征次数，上述计算过程中的7即表示行为时段值，即长达7天的行为时段。同理，司机在任一行为时段内产生首页访问、寻找订单和选择订单的行为特征的天数和日均次数的计算方法与上述7天行为时段内产生首页访问的行为特征的天数的计算方法一致。
在一个具体的实施例中，假设司机在7天这一行为时段中产生的首页访问的行为特征的日均次数为2、天数为3；在14天这一行为时段中产生的首页访问的行为特征的日均次数为3、天数为4；在21天这一行为时段中产生的首页访问的行为特征的日均次数为2、天数为5；则获取得到司机在长达21天的预设的时间段内，产生首页访问的行为特征的天数的加权值为3.75，计算过程为：3*0.5+4*0.25+5*0.25＝3.75。需要理解的是，上述计算过程中的3表示司机在7天这一行为时段中产生的首页访问的行为特征的天数，0.5表示7天这一行为时段的权重值，4表示司机在14天这一行为时段中产生的首页访问的行为特征的天数，5表示司机在21天这一行为时段中产生的首页访问的行为特征的天数，0.25表示14天和21天这一行为时段的权重值。同理，计算得到司机在21天的预设的时间段内，产生首页访问的行为特征的日均次数的加权值为2.25，计算过程为：2*0.5+3*0.25+2*0.25＝2.25。需要理解的是，司机在预设的时间段内，产生寻找订单和选择订单的行为特征的天数和日均次数的加权值的计算过程与上述首页访问的行为特征的天数和日均次数的加权值的计算过程类似，故此处不予赘述。
在其中一个实施方式中，根据司机所属类别，基于预设的学习模型，预测司机的完单概率包括：分别获取司机在第一时间段内和第二时间段内产生的首页访问、发布订单、寻找订单、选择订单、接收订单和完成订单的行为特征次数；切分所述第一时间段，得到若干个第一行为时段；对应所述第一行为时段，切分所述第二时间段，得到与任一第一行为时段对应的若干个第二行为时段；获取司机在任一第一行为时段内产生的任一行为特征的第一行为次数，及司机在任一第二行为时段内产生的任一行为特征的第二行为次数；基于任一行为特征，对应匹配所述第一行为时段与所述第二行为时段，获取所述第一行为次数与所述第二行为次数的比值；基于所述比值，确定司机的完单概率。
具体地，假定第一时间段为14天，第二时间段为28天，分别获取司机在14天内和21天内产生的首页访问的行为特征次数；将14天进行切分，得到分别长达1天、3天、7天和14天的第一行为时段；对应所述第一行为时段，将21天进行切分，得到长达3天、7天、14天和21天的第二行为时段。需要理解是，对应所述第一行为时段对第二时间段进行切分即表示第一行为时段的数目与第二行为时段的数目一致；得到与任一第一行为时段对应的若干个第二行为时段即表示按照第一时间段和第二阈值的切分顺序，第一行为时段与第二行为时段为一一对应的关系，比如：上述例子中，第一时间段中长达1天的第一行为时段与第二阈值中长达3天的第二行为时段为对应关系；第一时间段中长达3天的第一行为时段与第二阈值中长达7天的第二行为时段为对应关系；第一时间段中长达7天的第一行为时段与第二阈值中长达14天的第二行为时段为对应关系；第一阈值中长达14天的第一行为时段与第二阈值中长达21天的第二行为时段为对应关系。进一步地，假设司机在长达1天的第一行为时段中产生的首页访问的第一行为次数为2，司机在与长达1天的第一行为时段对应的长达3天的第二行为时段中产生的首页访问的第二行为次数为3，则获取得到第一行为次数与第二行为次数的比值为2/3。
在其中一个实施方式中，根据司机所属类别，基于预设的学习模型，预测司机的完单概率包括：获取司机在第三时间段内产生的行为特征，并等切分所述第三时间段，得到若干个第三行为时段；统计司机在任一所述第三行为时段中对应时间点内产生了行为特征的天数的总和；获取任一所述第三行为时段中对应时间点的总数与司机在任一所述第三行为时段中对应时间点内产生了行为特征的天数的总和的比值；基于所述比值，预测司机的完单概率。
具体地，以司机在第三时间段内产生的首页访问的行为特征次数为例，设定第三时间段为4周；将长达4周的第三时间段等切分成4份时间长度一致的第三行为时段，即任一第三行为时段的时间长度均为1周，统计司机在任一所述第三行为时段中对应时间点内产生了行为特征的天数的总和，比如：分别统计司机在长达4周的第三时间段内周一这一时间点产生了首页访问的行为特征的天数，则任一所述第三行为时段中周一这一对应时间点的总数为4，假设司机在第一周和第二周的周一都产生了首页访问的行为特征，在第三周和第四周的周一都没有产生首页访问的行为特征，则司机在任一第三行为时段中周一这一对应时间点产生了行为特征的天数的总和为2；则任一所述第三行为时段中对应时间点的总数与司机在任一所述第三行为时段中对应时间点内产生了行为特征的天数的总和的比值为0.5，计算过程为2/4＝0.5，由此可以得到司机的完单概率为50％。需要理解的是，上述的时间点可以是一天、也可以是几天，比如，在实际的应用场景中，本领域的技术人员可以将整个工作日周期作为一个时间点对司机的完单概率进行考量，同样地，也可以根据实际情况对上述时间点进行自定义。
在其中一个实施方式中，根据司机所属类别，基于预设的学习模型，预测司机的完单概率包括：获取司机在第四时间段内产生的行为特征次数，并切分所述第四时间段，得到若干个第四行为时段；分别获取司机在任一所述第四行为时段内产生的行为特征次数；基于所述司机在任一所述第四行为时段内的行为特征次数，获取司机在所述第四时间段内的周转天数、周期值和周期变化规律，基于所述周期天数、周期值和周期变化规律，预测司机的完单概率。
在其中一个具体的实施例中，以司机产生的寻找订单的行为特征为例，假设第四时间段为28天，行为特征次数
在其中一个实施方式中，根据司机所属类别，基于预设的学习模型，预测司机的完单概率还包括：以当下时间为节点，获取司机产生的与当下时间最为接近的一次行为特征的天数。具体地，如果司机产生的与当下时间最为接近的一次行为特征的天数是15天，则可以生成与该司机适配的出行补贴方案。更进一步地讲，在一般应用场景中，本领域技术人员可以通过设定行为时间段的方式，生成与司机适配的出行方案。
在其中一个实施方式中，设定行为时间段为7天，如果司机产生的最后一次行为特征距当下时间的天数为8天，则可以生成与该司机适配的出行补贴方案；如果司机产生的最后一次行为特征距当下时间的天数为6天，则可以暂时不生成与该司机适配的出行补贴方案。需要理解的是，上述时间段的具体值，本领域的技术人员可以根据实际应用场景进行限定。
在其中一个实施方式中，所述预设的学习模型包括：GBDT学习模型和XGBoost学习模型；基于GBDT学习模型，预测高频司机和周期型司机的完单概率；基于XGBoost学习模型，预测低频偶发型司机和周期型司机的完单概率。需要理解的是，由于采用了两个不同的学习模型分别对周期型司机的完单概率进行了学习预测，所以，周期型司机的完单概率值极有可能出现两个不一样的预测结果，本申请中选用较高的完单概率值作为周期型司机的完单概率预测结果。需要理解的是，本领域的技术人员可以根据实际情况对选用的完单概率值进行合理选择。
在其中一个实施方式中，基于任一司机的完单概率，生成与任一司机适配的出行补贴方案包括：基于任一司机的完单概率及档位划分规则，按照完单概率值从大到小的顺序进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则对应处于当前档位及低于当前档位的司机生成出行补贴方案，并进行出行补贴。具体地，设定所述第一阈值为1，如果发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值小于1，则认为通过出行补贴的方式可以达到激励当前档位及低于当前档位的司机接单的可能。
在其中一个实施方式中，基于任一司机的完单概率，生成与任一司机适配的出行补贴方案还包括：基于任一司机的完单概率及档位划分规则，按照完单概率值从大到小的顺序进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则定义处于当前档位及低于当前档位的司机为第一数据集，获取第一数据集内任一司机的完单概率值；将所述第一数据集内的任一司机的完单概率值，按照从大到小的顺序进行排序生成第一序列；划分所述第一序列生成若干个档位，对应任一档位的司机生成出行补贴方案，并进行出行补贴。也就是说，即使是处于同一档位的司机，其完单概率还是会存在差异，为了进一步地达到激励司机出行、降低平台运营成本的有益效果，可以将同一档位的司机进行进一步地档位划分。需要理解的是，本申请所述的完单概率即表示完成订单的概率。
实施例二：
本实施例的方法，包括以下步骤：获取司机的行为特征；基于所述行为特征，确定司机所属类别；根据司机所属类别，基于预设的学习模型，预测司机的完单概率；基于司机的完单概率，生成与司机适配的出行补贴方案。
在其中一个实施方式中，所述基于行为特征，确定司机所属类别包括：获取司机在预设时间段内产生的行为特征次数；基于所述行为特征次数，确定司机为高频司机、周期型司机或低频偶发型司机。
在其中一个实施方式中，预测司机的完单概率包括：基于司机的任一行为特征，获取司机在第一时间段内产生的第一行为特征次数，司机在第二时间段内产生的第二行为特征次数；获取所述第一行为特征次数与所述第二行为特征的比值；基于所述比值，预测司机的完单概率。
在其中一个实施方式中，预测司机的完单概率包括：获取司机在第三时间段内产生的行为特征；获取第三时间段内相同的时间点总数，司机在第三时间段内产生行为特征的天数总和，及所述时间点总数与所述天数总和的比值，基于所述比值，预测司机的完单概率。
在其中一个实施方式中，预测司机的完单概率包括：获取司机在第四时间段内产生的行为特征次数；基于司机在第四时间段内产生的行为特征次数，获取司机在所述第四时间段内产生的行为特征的周转天数、周期值和周期变化规律；基于所述周转天数、周期值和周期变化规律，预测司机的完单概率。
在其中一个实施方式中，所述预设的学习模型包括：GBDT学习模型和XGBoost学习模型；基于GBDT学习模型，预测高频司机和周期型司机的完单概率；基于XGBoost学习模型，预测低频偶发型司机和周期型司机的完单概率。
在其中一个实施方式中，基于司机的完单概率，生成与司机适配的出行补贴方案包括：获取司机的完单概率，若所述完单概率小于第一阈值，则对应所述司机生成出行补贴方案，并进行出行补贴。
在其中一个实施方式中，对应所述司机生成出行补贴方案包括：基于司机的完单概率及档位划分规则，将所述完单概率进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则对应处于当前档位及低于当前档位的司机生成出行补贴方案，并进行出行补贴。
在其中一个实施方式中，基于任一司机的完单概率，生成与任一司机适配的出行补贴方案包括：基于任一司机的完单概率及档位划分规则，将所述完单概率进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则定义处于当前档位及低于当前档位的司机为第一数据集，获取第一数据集内任一司机的完单概率值；将所述第一数据集内的任一司机的完单概率值进行排序，生成第一序列；划分所述第一序列，生成若干个档位，对应任一档位的司机生成出行补贴方案，并进行出行补贴。
实施例三：
参照图2所示，图2为实施例三的装置结构图。
本实施例的装置，包括：信息获取单元，以用于获取司机的行为特征；信息分析单元，所述信息分析单元与所述信息获取单元通信连接，所述信息分析单元基于所述行为特征，以用于确定司机所属类别；预测单元，所述预测单元与所述信息分析单元通信连接，所述预测单元根据司机所属类别，基于预设的学习模型，以用于预测司机的完单概率；生成单元，所述生成单元与所述预测单元通信连接，所述生成单元基于司机的完单概率，以用于生成与司机适配的出行补贴方案。
实施例四：
本实施例提供一种计算机可读存储介质，计算机可读存储介质存储有程序，当程序被处理器执行时，使得处理器执行以下步骤：获取司机的行为特征；基于所述行为特征，确定司机所属类别；根据司机所属类别，基于预设的学习模型，预测司机的完单概率；基于司机的完单概率，生成与司机适配的出行补贴方案。
当程序被处理器执行时，还可以实现以下步骤：获取司机在预设时间段内产生的行为特征；基于时间切分规则，切分所述预设时间段，得到若干个行为时段；基于任一所述行为时段，获取司机在任一行为时段内产生的行为特征次数；分配权重至任一所述行为时段，获取司机在预设时间段内产生的行为特征次数的加权值；基于所述行为特征次数的加权值，确定司机为高频司机、周期型司机或低频偶发型司机。
当程序被处理器执行时，还可以实现以下步骤：分别获取司机在第一时间段内和第二时间段内产生的行为特征次数；切分所述第一时间段，得到若干个第一行为时段；对应所述第一行为时段，切分所述第二时间段，得到若干个与所述第一行为时段对应的第二行为时段；基于司机的行为特征，对应匹配所述第一行为时段与所述第二行为时段，获取司机在第一行为时段内产生的第一行为特征次数，及司机在第二行为时段内产生的第二行为特征次数；基于所述第一行为特征和所述第二行为特征次数，获取所述第一行为次数与所述第二行为次数的比值；基于所述第一行为次数与所述第二行为次数的比值，预测司机的完单概率。
当程序被处理器执行时，还可以实现以下步骤：获取司机在第三时间段内产生的行为特征，并等切分所述第三时间段，得到若干个第三行为时段；获取司机在任一所述第三行为时段相同时间点内产生行为特征的天数总和，及所述第三时间段内相同时间点的总数；基于所述相同时间点，获取相同时间点的总数和产生行为特征的天数总和的比值；基于所述相同时间点的总数和产生行为特征的天数总和的比值，预测司机的完单概率。
当程序被处理器执行时，还可以实现以下步骤：获取司机在第四时间段内产生的行为特征次数，并切分所述第四时间段，得到若干个第四行为时段；分别获取司机在任一所述第四行为时段内产生的行为特征次数；基于所述司机在任一所述第四行为时段内产生的行为特征次数，获取司机在所述第四时间段内的周转天数、周期值和周期变化规律；基于司机在所述第四时间段内的周转天数、周期值和周期变化规律，预测司机的完单概率。
当程序被处理器执行时，还可以实现以下步骤：基于任一司机的完单概率及档位划分规则，将所述完单概率进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则对应处于当前档位及低于当前档位的司机生成出行补贴方案，并进行出行补贴。
当程序被处理器执行时，还可以实现以下步骤：基于任一司机的完单概率及档位划分规则，按照完单概率值从大到小的顺序进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则对应处于当前档位及低于当前档位的司机生成出行补贴方案，并进行出行补贴。
当程序被处理器执行时，还可以实现以下步骤：基于任一司机的完单概率及档位划分规则，将所述完单概率进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则定义处于当前档位及低于当前档位的司机为第一数据集，获取第一数据集内任一司机的完单概率值；将所述第一数据集内的任一司机的完单概率值进行排序，生成第一序列；划分所述第一序列，生成若干个档位，对应任一档位的司机生成出行补贴方案，并进行出行补贴。
本领域内的技术人员应明白，本发明实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例中是参照根据本发明实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明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发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其它等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种司机出行补贴方法，其特征在于，所述方法包括以下步骤：
获取司机的行为特征；
基于所述行为特征，确定司机所属类别；
根据司机所属类别，基于预设的学习模型，预测司机的完单概率；
基于司机的完单概率，生成与司机适配的出行补贴方案。
2.根据权利要求1所述的司机出行补贴方法，其特征在于，所述基于行为特征，确定司机所属类别包括：
获取司机在预设时间段内产生的行为特征次数；
基于所述行为特征次数，确定司机为高频司机、周期型司机或低频偶发型司机。
3.根据权利要求1或2所述的司机出行补贴方法，其特征在于，预测司机的完单概率包括：
基于司机的任一行为特征，获取司机在第一时间段内产生的第一行为特征次数，司机在第二时间段内产生的第二行为特征次数；
获取所述第一行为特征次数与所述第二行为特征的比值；
基于所述比值，预测司机的完单概率。
4.根据权利要求3所述的司机出行补贴方法，其特征在于，预测司机的完单概率包括：
获取司机在第三时间段内产生的行为特征；
获取所述第三时间段内相同的时间点总数、司机在第三时间段内产生行为特征的天数总和、及所述时间点总数与所述天数总和的比值，
基于所述比值，预测司机的完单概率。
5.根据权利要求4所述的司机出行补贴方法，其特征在于，预测司机的完单概率包括：
获取司机在第四时间段内产生的行为特征次数；
基于司机在第四时间段内产生的行为特征次数，获取司机在所述第四时间段内产生的行为特征的周转天数、周期值和周期变化规律；
基于所述周转天数、周期值和周期变化规律，预测司机的完单概率。
6.根据权利要求4或5所述的司机出行补贴方法，其特征在于，基于司机的完单概率，生成与司机适配的出行补贴方案包括：
获取司机的完单概率，若所述完单概率小于第一阈值，则对应所述司机生成出行补贴方案，并进行出行补贴。
7.根据权利要求6所述的司机出行补贴方法，其特征在于，对应所述司机生成出行补贴方案包括：
基于司机的完单概率及档位划分规则，将所述完单概率进行档位划分；
获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；
若所述比值小于第二阈值，则对应处于当前档位及低于当前档位的司机生成出行补贴方案，并进行出行补贴。
8.根据权利要求7所述的司机出行补贴方法，其特征在于，所述预设的学习模型包括：GBDT学习模型和XGBoost学习模型；
基于GBDT学习模型，预测高频司机和周期型司机的完单概率；
基于XGBoost学习模型，预测低频偶发型司机和周期型司机的完单概率。
9.一种司机出行补贴装置，其特征在于，所述装置包括：
信息获取单元，以用于获取司机的行为特征；
信息分析单元，所述信息分析单元与所述信息获取单元通信连接，所述信息分析单元基于所述行为特征，以用于确定司机所属类别；
预测单元，所述预测单元与所述信息分析单元通信连接，所述预测单元根据司机所属类别，基于预设的学习模型，以用于预测司机的完单概率；
生成单元，所述生成单元与所述预测单元通信连接，所述生成单元基于司机的完单概率，以用于生成与司机适配的出行补贴方案。
10.一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存储有程序，当所述程序被处理器执行时，使得所述处理器执行如权利要求1～8中任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210539879.1A CN114841451A (zh) | 2022-05-17 | 2022-05-17 | 一种司机出行补贴方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210539879.1A CN114841451A (zh) | 2022-05-17 | 2022-05-17 | 一种司机出行补贴方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114841451A true CN114841451A (zh) | 2022-08-02 |
Family
ID=82570693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210539879.1A Pending CN114841451A (zh) | 2022-05-17 | 2022-05-17 | 一种司机出行补贴方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841451A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049344A (zh) * | 2022-08-15 | 2022-09-13 | 深圳依时货拉拉科技有限公司 | 货运订单补贴方法及装置、计算机设备及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
| CN108537352A (zh) * | 2017-03-02 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置和服务器 |
| CN110956300A (zh) * | 2018-09-26 | 2020-04-03 | 北京嘀嘀无限科技发展有限公司 | 司机降级预测方法、装置、电子设备及可读存储介质 |
-
2022
- 2022-05-17 CN CN202210539879.1A patent/CN114841451A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
| CN108537352A (zh) * | 2017-03-02 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置和服务器 |
| CN110956300A (zh) * | 2018-09-26 | 2020-04-03 | 北京嘀嘀无限科技发展有限公司 | 司机降级预测方法、装置、电子设备及可读存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049344A (zh) * | 2022-08-15 | 2022-09-13 | 深圳依时货拉拉科技有限公司 | 货运订单补贴方法及装置、计算机设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pevec et al. | A data‐driven statistical approach for extending electric vehicle charging infrastructure | |
| Tekouabou | Intelligent management of bike sharing in smart cities using machine learning and Internet of Things | |
| CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及系统 | |
| CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
| CN110491124B (zh) | 一种车辆流量预测方法、装置、设备及存储介质 | |
| US20160203406A1 (en) | Sensor based truth maintenance | |
| CN106651213A (zh) | 服务订单的处理方法及装置 | |
| CN108537691A (zh) | 一种区域游览智能管理系统及方法 | |
| CN114303162A (zh) | 用于驾驶员奖酬的强化学习方法：用于驾驶员-系统互动的生成性对抗网络 | |
| CN110267206A (zh) | 用户位置预测方法及装置 | |
| Mahmoodian et al. | Hybrid rebalancing with dynamic hubbing for free-floating bike sharing systems | |
| Schroer et al. | Data-driven competitor-aware positioning in on-demand vehicle rental networks | |
| Losapio et al. | Smart balancing of E-scooter sharing systems via deep reinforcement learning: a preliminary study | |
| CN114255040A (zh) | 账户充值提示方法、装置、电子设备以及存储介质 | |
| CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
| Hu et al. | Participants selection for from-scratch mobile crowdsensing via reinforcement learning | |
| CN114841451A (zh) | 一种司机出行补贴方法、装置和存储介质 | |
| Bi et al. | Capturing the Characteristics of Car‐Sharing Users: Data‐Driven Analysis and Prediction Based on Classification | |
| CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
| CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
| Seo et al. | Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning | |
| Kim et al. | A scenario-based stochastic programming approach for the public charging station location problem | |
| Wang et al. | Multi-task dispatch of shared autonomous electric vehicles for Mobility-on-Demand services–combination of deep reinforcement learning and combinatorial optimization method | |
| CN112819507B (zh) | 一种服务推送方法、装置、电子设备以及可读存储介质 | |
| CN112287503B (zh) | 用于交通需求预测的动态空间网络构建方法 |
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 |