TW202009807A - 用於分配訂單的系統和方法 - Google Patents
用於分配訂單的系統和方法 Download PDFInfo
- Publication number
- TW202009807A TW202009807A TW107143871A TW107143871A TW202009807A TW 202009807 A TW202009807 A TW 202009807A TW 107143871 A TW107143871 A TW 107143871A TW 107143871 A TW107143871 A TW 107143871A TW 202009807 A TW202009807 A TW 202009807A
- Authority
- TW
- Taiwan
- Prior art keywords
- target
- requester
- samples
- provider
- service
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 128
- 238000003860 storage Methods 0.000 claims description 94
- 239000013598 vector Substances 0.000 claims description 92
- 238000012549 training Methods 0.000 claims description 88
- 238000000605 extraction Methods 0.000 claims description 56
- 238000013473 artificial intelligence Methods 0.000 claims description 52
- 238000004891 communication Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000005516 engineering process Methods 0.000 claims description 16
- 230000001568 sexual effect Effects 0.000 claims description 12
- 230000002147 killing effect Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 105
- 230000000875 corresponding effect Effects 0.000 description 47
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 238000009826 distribution Methods 0.000 description 11
- 230000003190 augmentative effect Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- -1 commodities Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G06Q50/40—
Abstract
提供了用於分配訂單的系統和方法。該方法包括提取與服務請求者相關的訂單的目標訂單特徵;提取服務請求者的目標請求者特徵;提取服務提供者的目標提供者特徵;獲得用於確定目標事件的發生機率的預測模型;以及基於目標訂單特徵、目標請求者特徵和目標提供者特徵,使用預測模型來確定目標事件的發生機率。
Description
本申請一般涉及使用人工智慧來處理線上到線下服務的叫車訂單的系統和方法,具體涉及基於目標事件的發生機率來分配訂單的系統和方法。
本申請主張2018年08月09日提交之申請號為PCT/CN2018/099587的PCT申請案的優先權,其全部內容通過引用被包含於此。
線上到線下服務,例如線上叫車服務,利用網際網路技術,因其便利性而變得愈來愈流行。但是,當乘客通過線上到線下服務平臺請求叫車服務時,該線上到線下服務平臺會指派司機為乘客服務,而不會考慮突發事件(例如,惡性事件)的可能性,因而影響為乘客及/或駕駛員服務的品質及/或體驗。因此,提供合適的系統和方法來分配訂單是有必要的。
根據本申請的一個態樣,提供了一種用於確定目標事件的發生機率的系統,該系統包括一個或多個電子裝置。所述系統可以包括至少一個儲存裝置和與所述至少一個儲存裝置通訊的至少一個處理器。所述至少一個儲存裝置可以包括作業系統和與所述作業系統相容的第一組指令,用於確定目標事件的發生機率。當執行所述作業系統和所述第一組指令時,所述至少一個處理器可以用於提取與服務請求者相關的訂單的目標訂單特徵;提取所述服務請求者的目標請求者特徵;提取服務提供者的目標提供者特徵;獲得用於確定所述目標事件的發生機率的預測模型;以及基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
在一些實施例中,為了獲得所述預測模型,所述至少一個處理器進一步用於獲得訓練資料。所述訓練資料可以包括多個正樣本和多個負樣本,在所述多個正樣本的每個正樣本中所述目標事件沒有發生,在所述多個負樣本的每個負樣本中所述目標事件已經發生。所述多個正樣本和所述多個負樣本中的每一個樣本可以包括歷史交易資料和與所述歷史交易資料對應的歷史事件資料。所述至少一個處理器可以進一步用於從所述多個正樣本和所述多個負樣本的所述歷史交易資料中提取多個候選特徵。對於所述多個正樣本和所述多個負樣本中的每一個樣本,所述至少一個處理器可以進一步用於使用特徵選擇演算法從所述多個候選特徵中確定一個或多個目標特徵。所述至少一個處理器可以進一步用於基於所述多個正樣本的所述一個或多個目標特徵、所述多個負樣本的所述一個或多個目標特徵、和所述多個正樣本和所述多個負樣本的所述歷史事件資料來產生所述預測模型。
在一些實施例中,為了獲得所述預測模型,所述至少一個處理器可以進一步用於基於所述多個正樣本和所述多個負樣本判斷出所述訓練資料包括不平衡樣本成分;以及回應於判斷出所述訓練資料包括所述不平衡樣本成分,基於所述訓練資料,使用樣本平衡技術來平衡樣本成分。
在一些實施例中,所述樣本平衡技術可以包括對所述多個正樣本進行欠取樣。
在一些實施例中,所述樣本平衡技術可以包括對所述多個負樣本進行過取樣。
在一些實施例中,為了平衡所述樣本成分,所述至少一個處理器可以進一步用於使用K近鄰(K Nearest Neighbors, KNN)技術確定多個合成樣本;以及指定所述多個合成樣本為負樣本。
在一些實施例中,為了使用所述KNN技術確定所述多個合成樣本,所述至少一個處理器可以用於基於所述負樣本的所述一個或多個目標特徵,為所述多個負樣本中的每個負樣本產生特徵向量。對於每個所述特徵向量,所述至少一個處理器可以進一步用於使用所述KNN技術確定所述特徵向量的第一數量近鄰;根據過取樣速率從所述第一數量近鄰中選擇第二數量近鄰;以及基於所述特徵向量和所述第二數量近鄰來產生關於所述特徵向量的合成樣本。
在一些實施例中,所述至少一個儲存裝置可以進一步包括第二組指令,所述第二組指令與用於分配訂單的所述作業系統相容。當所述至少一個處理器執行所述第二組指令時,所述至少一個處理器可以進一步用於從一個或多個請求者終端獲得一個或多個目標訂單,所述一個或多個請求者終端與一個或多個目標服務請求者相關;識別可用於接收所述一個或多個訂單的多個候選服務提供者;通過將所述一個或多個目標服務請求者中的每個目標服務請求者與所述多個候選服務提供者中的每個候選服務提供者加以關聯來確定候選請求者-提供者對;對於每個所述候選請求者-提供者對,執行所述第一組指令以確定所述目標事件的發生機率;以及至少部分地基於所述目標事件的所述發生機率和相應的候選請求者-提供者對來分配所述一個或多個目標訂單。
在一些實施例中,所述預測模型可包括極端梯度提升(eXtreme Gradient Boosting, Xgboost)模型。
在一些實施例中,所述目標事件包括以下事件中的至少一個:攻擊、性騷擾、殺害、醉酒、強姦、或搶劫。
根據本申請的一個態樣,提供了一種用於確定目標事件的發生機率的方法。所述方法可以在一個或多個電子裝置上實施,所述一個或多個電子裝置包括至少一個儲存裝置和與所述至少一個儲存裝置通訊的至少一個處理器。所述方法可以包括提取與服務請求者相關的訂單的目標訂單特徵;提取所述服務請求者的目標請求者特徵;提取服務提供者的目標提供者特徵;獲得用於確定所述目標事件的發生機率的預測模型;以及基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
在一些實施例中,獲得所述預測模型可以包括:獲得訓練資料,所述訓練資料包括多個正樣本和多個負樣本,在所述多個正樣本的每個正樣本中所述目標事件沒有發生,在所述多個負樣本的每個負樣本中所述目標事件已經發生,所述多個正樣本和所述多個負樣本中的每一個樣本包括歷史交易資料和與所述歷史交易資料對應的歷史事件資料;從所述多個正樣本和所述多個負樣本的所述歷史交易資料中提取多個候選特徵;對於所述多個正樣本和所述多個負樣本中的每一個樣本,使用特徵選擇演算法從所述多個候選特徵中確定一個或多個目標特徵;以及基於所述多個正樣本的所述一個或多個目標特徵、所述多個負樣本的所述一個或多個目標特徵、和所述多個正樣本和所述多個負樣本的所述歷史事件資料來產生所述預測模型。
在一些實施例中,獲取所述預測模型可以進一步包括:基於所述多個正樣本和所述多個負樣本判斷出所述訓練資料包括不平衡樣本成分;以及回應於判斷出所述訓練資料包括所述不平衡樣本成分,基於所述訓練資料,使用樣本平衡技術來平衡樣本成分。
在一些實施例中,平衡所述樣本成分進一步可以包括使用K近鄰(KNN)技術確定多個合成樣本;以及指定所述多個合成樣品為負樣本。
在一些實施例中,使用所述KNN技術確定所述多個合成樣本可以包括基於所述負樣本的所述一個或多個目標特徵,為所述多個負樣本中的每個負樣本產生特徵向量。在一些實施例中,對於每個所述特徵向量,使用所述KNN技術確定所述多個合成樣本可以包括使用所述KNN技術確定所述特徵向量的第一數量近鄰;根據過取樣速率從所述第一數量近鄰中選擇第二數量近鄰;以及基於所述特徵向量和所述第二數量近鄰來產生關於所述特徵向量的合成樣本。
在一些實施例中,所述方法可以進一步包括從一個或多個請求者終端獲得一個或多個目標訂單,所述一個或多個請求者終端與一個或多個目標服務請求者相關;識別可用於接收所述一個或多個訂單的多個候選服務提供者;通過將所述一個或多個目標服務請求者中的每個目標服務請求者與所述多個候選服務提供者中的每個候選服務提供者加以關聯來確定候選請求者-提供者對;對於每個所述候選請求者-提供者對,確定所述目標事件的發生機率;以及至少部分地基於所述目標事件的所述發生機率和相應的候選請求者-提供者對來分配所述一個或多個目標訂單。
根據本申請的另一態樣,提供了一種非暫時性電腦可讀取媒體。所述非暫時性電腦可讀取媒體可以包括作業系統和至少一組指令,所述至少一組指令與所述作業系統相容,用於確定目標事件的發生機率。當由一個或多個電子裝置的至少一個處理器執行時,所述至少一組指令指示所述至少一個處理器提取與服務請求者相關的訂單的目標訂單特徵;提取所述服務請求者的目標請求者特徵;提取服務提供者的目標提供者特徵;獲得用於確定所述目標事件的發生機率的預測模型;以及基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
根據本申請的另一態樣,提供了一種用於確定目標事件的發生機率的一個或多個電子裝置的人工智慧系統。所述人工智慧系統可以包括至少一個第一資訊交換埠,所述至少一個第一資訊交換埠對應於服務請求系統,其中所述服務請求系統經由無線通訊與一個或多個請求者終端相關,所述無線通訊位於所述至少一個第一資訊交換埠與所述一個或多個請求者終端之間。所述人工智慧系統可以包括至少一個第二資訊交換埠,所述至少一個第二資訊交換埠與服務提供系統對應,其中所述服務提供系統經由無線通訊與一個或多個提供者終端相關,所述無線通訊位於所述至少一個第二資訊交換埠與所述一個或多個提供者終端之間。所述人工智慧系統可以包括至少一個儲存裝置,所述儲存裝置包括作業系統和第一組指令,所述第一組指令與所述作業系統相容,用於確定目標事件的發生機率。所述人工智慧系統可以包括至少一個處理器,所述至少一個處理器與所述至少一個儲存裝置通訊,其中當執行所述作業系統和所述第一組指令時,所述至少一個處理器可以進一步提取訂單的目標訂單特徵;提取與所述訂單相關的服務請求者的目標請求者特徵;識別與服務提供者相關的提供者終端;提取所述服務提供者的目標提供者特徵;獲得用於確定所述目標事件的發生機率的預測模型;以及基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
根據本申請的一個態樣,提供了一種用於確定目標事件的發生機率的方法。所述方法可以在一個或多個電子裝置上實施,所述一個或多個電子裝置包括與一個或多個請求者終端通訊的至少一個第一資訊交換埠、與一個或多個提供者終端通訊的至少一個第二資訊交換埠、至少一個儲存裝置、和與所述至少一個儲存裝置通訊的至少一個處理器。所述方法可以包括經由所述至少一個第一資訊交換埠從請求者終端獲得服務請求者的訂單;提取所述訂單的目標訂單特徵;提取與所述訂單相關的服務請求者的目標請求者特徵;識別與服務提供者相關的提供者終端;提取所述服務提供者的目標提供者特徵;獲得用於確定所述目標事件的發生機率的預測模型;以及基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
根據本申請的另一態樣,提供了一種非暫時性電腦可讀取媒體。所述非暫時性電腦可讀取媒體可以包括作業系統和至少一組指令,所述至少一組指令與所述作業系統相容,用於確定目標事件的發生機率。當由一個或多個電子裝置的至少一個處理器執行時,所述至少一組指令指示所述至少一個處理器經由至少一個資訊交換埠從請求者終端獲得服務請求者的訂單;提取所述訂單的目標訂單特徵;提取與所述訂單相關的所述服務請求者的目標請求者特徵;識別與服務提供者相關的提供者終端;提取所述服務提供者的目標提供者特徵;獲得用於確定所述目標事件的發生機率的預測模型;以及基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
根據本申請的一個態樣,提供了一種用於分配訂單的人工智慧系統。所述人工智慧系統可以包括事件預測模組和訂單分配模組。所述事件預測模組可以被配置為確定訂單的目標事件的發生機率。所述訂單分配模組可以被配置為基於所述目標事件的所述發生機率分配所述訂單。
在一些實施例中,所述事件預測模組可以包括訂單特徵提取單元、請求者特徵提取單元、提供者特徵提取單元、模型確定單元和事件預測單元。所述訂單特徵提取單元可以被配置為提取訂單的目標訂單特徵。所述請求者特徵提取單元可以被配置為提取與所述訂單相關的服務請求者的目標請求者特徵。所述提供者特徵提取單元可以被配置為提取服務提供者的目標提供者特徵。所述模型確定單元可以被配置為獲取用於確定所述目標事件的發生機率的預測模型。所述事件預測單元可以被配置為基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
一部分附加特徵將在下面描述中進行說明,通過對以下描述和相應圖式的檢閱或者對實施例的生產或操作的學習,一部分附加特性對於本領域具有通常知識者是明顯的。本申請的特徵可以通過實踐或使用以下實例中詳細討論的方法、手段及組合的各個態樣來達成。
以下描述是為了使本領域具有通常知識者能夠實施本申請的技術方案,並在上下文中提供本申請中特定的應用及其要求。對於本領域具有通常知識者來說,顯然可以對本申請揭露的實施例作出各種修改,且在不背離本申請的精神和範圍的情況下,本申請中所定義的一般原則可以適用於其他實施例和應用場景。因此,本申請並不限於所揭露的實施例,而應被給予與申請專利範圍一致的最寬的範圍。
本文中所使用的術語僅用於描述特定示例性實施例,並不限制本申請的範圍。除非上下文明確提示例外情形,本申請中使用的「一」、「一個」、「一種」和「該」或類似物詞並非特指單數,也可包括複數。一般說來,本申請的術語「包括」與「包含」指定所述特徵、整體、步驟、操作、元素及/或元件的存在,而這些並不排除一個或多個其他特徵、整體、步驟、操作、元素、元件及/或其組合的存在或增加。
在考慮了作為本申請一部分的圖式的描述內容後,本申請的這些和其它特徵、特點以及操作方法、結構的相關元素的功能、各部分的組合、製造的經濟性變得顯而易見。然而,要明確理解的是,圖式僅僅是為了說明和描述的目的,並不旨在限制本申請的範圍。應當理解的是圖式並不是按比例繪製的。
本申請中使用了流程圖來說明根據本申請的實施例的系統所執行的操作。要明確理解的是,流程圖的操作可以不按順序執行。相反,可以按照倒序或同時處理各種步驟。此外,可以將一個或多個其他操作添加到流程圖中。一個或多個操作也可以從流程圖中刪除。
此外,雖然本申請中揭露的系統和方法主要關於線上到線下服務系統的分配訂單,但是應當理解的是,這僅僅是一個示例性實施例。本申請的系統或方法可以應用於任何其他類型的線上到線下服務平臺的使用者。例如,本申請的系統和方法可以應用於不同的運輸系統,包括陸地、海洋、航空航太或類似物或其任意組合。該運輸系統中使用的交通工具包括計程車、私家車、順風車、巴士、列車、子彈列車、高速鐵路、地鐵、船舶、飛機、太空船、熱氣球、無人駕駛運輸工具或類似物或其任意組合。該運輸系統也包括應用管理及/或分配的任何運輸系統,例如,發送及/或接收快遞的系統。本申請的系統和方法的應用場景包括網頁、瀏覽器外掛程式、用戶端、定製系統、企業內部分析系統、人工智慧機器人或類似物或其任意組合。
本申請中的位置(例如,服務請求者的當前位置、服務提供者的當前位置)可以通過嵌入在無線裝置(例如,請求者終端、提供者終端或類似物)中的定位技術來獲取。本申請中使用的定位技術包括全球定位系統(GPS)、全球衛星導航系統(GLONASS)、北斗導航系統(COMPASS)、伽利略定位系統、準天頂衛星系統(QZSS)、無線保真(Wi-Fi)定位技術或類似物或其任意組合。以上定位技術中的一個或多個可以在本申請中互換使用。例如,基於GPS的方法和基於WiFi的方法可以一起作為定位無線裝置的定位技術。
本申請一態樣涉及確定目標事件的發生機率(在本文中也被稱為目標事件發生機率)的系統和方法,該目標事件在服務提供者服務與訂單相關的服務請求者時發生。為此,系統可以提取訂單的目標訂單特徵、服務請求者的目標請求者特徵和服務提供者的目標提供者特徵。然後系統可以獲得用於確定目標事件發生機率的預測模型。可以使用訓練資料訓練預測模型。訓練資料可以包括多個正樣本和多個負樣本。在一些實施例中,正樣本和負樣本不平衡。系統可以使用樣本平衡技術來確定平衡樣本。最後,系統可以使用基於目標訂單特徵、目標請求者特徵及/或目標提供者特徵的預測模型來確定目標事件發生機率。因為用於訓練預測模型的樣本是平衡的,所以系統可以使用預測模型提高預測目標事件發生機率的準確度。系統也可以基於如此確定的目標事件發生機率獲得多個訂單並分配訂單。由於在分配訂單時考慮了目標事件發生機率,所以系統可以降低目標事件發生的可能性,由此改善服務請求者及/或服務提供者的服務品質及/或體驗。
應該注意的是,線上到線下服務,如線上叫車服務,是一種植根於後網際網路時代的新型服務形式。它提供了只能在後網際網路時代興起的使用者終端的詳細資訊。它為服務請求者和服務提供者提供了只能在後網際網路時代才可能實現的技術方案。在網際網路之前的時代,當服務請求者(例如,乘客)在街道上叫車時,計程車請求和接受僅發生在乘客和看到乘客的計程車司機之間。如果乘客通過電話預定一輛計程車,計程車預定請求和接受只可能在該乘客和一個服務提供者(如:計程車公司或代理商)之間發生。然而,線上叫車允許該服務的使用者即時並自動地將服務請求分配給遠離該使用者的大量個體服務提供者(例如,計程車)。同時允許多個服務提供者同時和即時對該服務請求進行回應。因此,通過網際網路,線上到線下服務系統可以為服務請求者和服務提供者提供更加高效的交易平臺,這在傳統的網際網路前的運輸服務系統中可能永遠不會遇到。系統接收到來自服務請求者的訂單,當不同的服務提供者為服務請求者提供服務時,系統可以確定目標事件發生機率。然後,基於目標事件發生機率,系統可以選擇合適的服務提供者來為服務請求者服務,以使訂單分配更合理。
圖1係根據本申請一些實施例所示的示例性線上到線下服務人工智慧系統的方塊圖。例如,線上到線下服務人工智慧系統(本文也稱為人工智慧系統或AI系統)100可以是用於提供運輸服務的線上運輸服務平臺,所述運輸服務可以是例如計程車服務、司機服務、快車服務、共乘服務、巴士服務、司機租用和班車服務。人工智慧系統100可以包括伺服器110、網路120、請求者終端130、提供者終端140和儲存裝置150。伺服器110可以包括處理裝置112。
在一些實施例中,伺服器110可以是單一伺服器或伺服器組。所述伺服器組是集中式的或分散式的(例如,伺服器110可以是分散式的系統)。在一些實施例中,伺服器110可以是本地的或遠端的。例如,伺服器110可以通過網路120存取儲存在請求者終端130、提供者終端140及/或儲存裝置150內的資訊及/或資料。又例如,伺服器110可以與請求者終端130、提供者終端140及/或儲存裝置150直接連接,並且存取儲存在其中的資訊及/或資料。在一些實施例中,伺服器110可以在雲端平臺上實施。僅作為範例,雲端平臺包括私有雲、公用雲、混合雲、社區雲、分散式雲、內部雲、多重雲或類似物或其任意組合。在一些實施例中,伺服器110可以在如本申請中圖2所示的具有一個或多個部件的計算裝置上實現。
在一些實施例中,伺服器110可以包括處理裝置112。該處理裝置112可以處理與服務請求相關的資訊及/或資料,以執行本申請中描述的伺服器110的一個或多個功能。例如,處理裝置112可以確定服務提供者服務於服務請求者時的目標事件的發生機率。目標事件包括惡性事件,例如攻擊、性騷擾、殺害、醉酒、強姦、搶劫或類似物。又例如,處理裝置112還可以訓練用於確定目標事件發生機率的預測模型。再例如,處理裝置112還可以至少部分地基於目標事件的發生機率來分配一個或多個訂單。
在一些實施例中,處理裝置112可以包括一個或者多個處理裝置(例如,單核心處理裝置或多核心處理裝置)。僅作為範例,處理裝置112可以包括中央處理單元(CPU)、特定應用積體電路(ASIC)、特定應用指令集處理器(ASIP)、圖形處理單元(GPU)、物理處理單元(PPU)、數位訊號處理器(DSP)、現場可程式閘陣列(FPGA)、可程式邏輯裝置(PLD)、控制器、微控制器單元、精簡指令集電腦(RISC)、微處理器或類似物或其任意組合。
網路120可以促進資訊及/或資料的交換。在一些實施例中,人工智慧系統100中的一個或多個元件(例如,伺服器110、請求者終端130、提供者終端140及/或儲存裝置150)可以經由網路120將資訊及/或資料傳輸到人工智慧系統100中的其他元件。例如,伺服器110可以經由網路120從請求者終端130獲得/取得服務請求資料。在一些實施例中,網路120可以為任意形式的有線或無線網路,或其任意組合。僅作為範例,網路120可以包括纜線網路、有線網路、光纖網路、通訊網路、內部網路、網際網路、區域網路(LAN)、廣域網路(WAN)、無線區域網路(WLAN)、都會網路(MAN)、廣域網路(WAN)、公共電話交換網路(PSTN)、藍牙網路、紫蜂網路、近場通訊(NFC)網路、全球行動通訊系統(GSM)網路、分碼多重連接(CDMA)網路、分時多重存取(TDMA)網路、分封無線服務(GPRS)網路、增強資料速率GSM演進(EDGE)網路、寬頻多重分碼存取(WCDMA)網路、高速下行封包存取(HSDPA)網路、長期演進(LTE)網路、使用者資料元協定(UDP)網路、傳輸控制協定/網際網路協定(TCP/IP)網路、短訊息服務(SMS)網路、無線通用通訊協定(WAP)網路、超寬頻(UWB)網路、紅外線或類似物或其任意組合。在一些實施例中,伺服器110可以包括一個或多個網路接入點。例如,伺服器110包括有線或無線網路接入點,例如基站及/或網際網路交換點120-1、120-2、……,可以通過人工智慧系統100的一個或多個元件連接到網路120以交換資料及/或資訊。
請求者終端130可以被乘客用來請求線上到線下服務。例如,請求者終端130的使用者可以使用請求者終端130為自己或其他使用者發送服務請求,或從伺服器110接收服務及/或資訊或指令。提供者終端140可以被司機用來回覆線上到線下服務。例如,提供者終端140的使用者可以使用提供者終端140接收來自請求者終端130的服務請求,及/或來自伺服器110的資訊或指令。在一些實施例中,術語「使用者」、「乘客」、「客戶」、「服務請求者」和「服務請求方」可以互換使用,並且術語「使用者」、「司機」和「服務提供者」可以互換使用。在一些實施例中,使用者可以根據具體情況指服務請求者或服務提供者。在一些實施例中,術語「使用者終端」、「乘客終端」、「請求者終端」和「請求方終端」可以互換使用。在一些實施例中,術語「使用者終端」、「司機終端」和「提供者終端」可以互換使用。
在一些實施例中,請求者終端130可以包括行動裝置130-1、平板電腦130-2、膝上型電腦130-3、機動運輸工具內建裝置130-4或類似物或其任意組合。在一些實施例中,行動裝置130-1可以包括智慧家居裝置、可穿戴裝置、智慧行動裝置、虛擬實境裝置、擴增實境裝置或類似物或其任意組合。在一些實施例中,智慧家居裝置可以包括智慧照明裝置、智慧電器的控制裝置、智慧監控裝置、智慧電視、智慧攝像機、對講機或類似物或其任意組合。在一些實施例中,可穿戴裝置可以包括智慧手鐲、智慧鞋襪、智慧眼鏡、智慧頭盔、智慧手錶、智慧服裝、智慧背包、智慧配飾或類似物或其任意組合。在一些實施例中,智慧行動裝置可以包括智慧電話、個人數位助理(PDA)、遊戲裝置、導航裝置、銷售點(POS)裝置或類似物或其任意組合。在一些實施例中,虛擬實境裝置及/或擴增實境裝置可以包括虛擬實境頭盔、虛擬實境眼鏡、虛擬實境眼罩、擴增實境頭盔、擴增實境眼鏡、擴增實境眼罩或類似物或其任意組合。例如,虛擬實境裝置及/或擴增實境裝置可以包括Google Glass、Oculus Rift、HoloLens或Gear VR或類似物。在一些實施例中,機動運輸工具內建裝置130-4可以包括車載電腦、車載電視或類似物。在一些實施例中,請求者終端130可以是帶有定位技術的無線裝置,該定位技術用於定位使用者及/或請求者終端130的位置。
在一些實施例中,請求者終端130可以進一步包括至少一個網路埠。經由該至少一個網路埠,請求者終端130可以被配置為經由網路120向人工智慧系統100(例如,伺服器110、儲存裝置150)中的一個或多個元件發送資訊及/或從其接收資訊。在一些實施例中,本申請中請求者終端130可以在如圖2所示的具有一個或多個元件的計算裝置200上實施,或者在如圖3所示的具有一個或多個元件的行動裝置300上實施。
在一些實施例中,請求者終端130可以包括一行動裝置130-1、平板電腦130-2、膝上型電腦130-3、內建裝置130-4或類似物或其任意組合。在一些實施例中,行動裝置140-1可以包括智慧家居裝置、可穿戴裝置、智慧行動裝置、虛擬實境裝置、擴增實境裝置或類似物或其任意組合。在一些實施例中,提供者終端140可以是與請求者終端130相似或相同的裝置。在一些實施例中,提供者終端140可以是具有定位技術的無線裝置,該定位技術可以用來定位司機及/或提供者終端140位置。在一些實施例中,請求者終端130及/或提供者終端140可以與其他定位裝置通訊來確定乘客、請求者終端130、司機、及/或提供者終端140的位置。在一些實施例中,請求者終端130及/或提供者終端140可以向伺服器110遞送定位資訊。
在一些實施例中,提供者終端140可以進一步包括至少一個網路埠。經由至少一個網路埠,提供者終端140可以被配置為經由網路120向人工智慧系統100(例如,伺服器110,儲存裝置150)中的一個或多個元件發送資訊及/或從其接收資訊。在一些實施例中,本申請中提供者終端140在具有如圖2所示的一個或多個元件的計算裝置200上實施,或者在具有如圖3所示的一個或多個元件的行動裝置300上實施。
儲存裝置150可以儲存資料及/或指令。在一些實施例中,儲存裝置150可以儲存從請求者終端130及/或提供者終端140獲得/取得的資料。在一些實施例中,儲存器140可以儲存資料及/或指令,伺服器110可以使用這些資料或者執行這些指定來實施本申請中描述的示例性方法。在一些實施例中,儲存裝置150可以包括大容量儲存裝置、可移動儲存裝置、揮發性讀寫儲存器、唯讀記憶體(ROM)或類似物或其任意組合。示例性大容量儲存裝置可以包括磁碟、光碟、固態硬碟或類似物。示例性可移動儲存裝置可以包括快閃記憶體驅動器、軟碟、光碟、記憶卡、壓縮磁碟、磁帶或類似物。示例性的揮發性讀寫記憶體可以包括隨機存取記憶體(RAM)。示例性的隨機存取記憶體可以包括動態隨機存取記憶體(DRAM)、雙倍速率同步動態隨機存取記憶體(DDRSDRAM)、靜態隨機存取記憶體(SRAM)、閘流體隨機存取記憶體(T-RAM)和零電容隨機存取記憶體(Z-RAM)或類似物。示例性的唯讀記憶體可以包括遮罩式唯讀記憶體(MROM)、可程式唯讀記憶體(PROM)、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、壓縮磁碟唯讀記憶體(CD-ROM)和數位通用磁碟唯讀記憶體或類似物。在一些實施例中,儲存裝置150可以在雲端平臺上實施。僅作為範例,雲端平臺可以包括私有雲、公用雲、混合雲、社區雲、分散式雲、內部雲、多重雲或類似物或其任意組合。
在一些實施例中,儲存裝置150可以包括至少一個網路埠以與人工智慧系統100中的其他裝置或元件進行通訊。例如,儲存裝置150可以經由至少一個網路埠連接到網路120以與人工智慧系統100中的一個或多個元件(例如,伺服器110、請求者終端130、提供者終端140或類似物)通訊。人工智慧系統100中的一個或多個元件可以經由網路120存取儲存在儲存裝置150中的資料或指令。在一些實施例中,儲存裝置150可以直接與隨選服務系統100(例如,伺服器110、請求者終端130、提供者終端140或類似物)中的一個或多個元件連接或通訊。在一些實施例中,儲存裝置150可以是伺服器110的一部分。
在一些實施例中,人工智慧系統100中的一個或多個元件(例如,伺服器110、請求者終端130、提供者終端140或類似物)可以具有存取儲存裝置150的許可。在一些實施例中,當滿足一個或多個條件時,人工智慧系統100中的一個或多個元件可以讀取及/或修改與乘客、司機及/或公眾相關的資訊。例如,伺服器110可以在完成或接收一服務之後讀取及/或修改一個或多個使用者的資訊。又例如,當提供者終端140從請求者終端130接收到服務請求時,提供者終端140可以存取與乘客相關的資訊,但是不能修改乘客的相關資訊。
在一些實施例中,線上到線下服務人工智慧系統100(例如,伺服器110、請求者終端130、提供者終端140或儲存裝置150)中的一個或多個元件可以以電子及/或電磁信號的形式,通過有線及/或無線彼此通訊。在一些實施例中,人工智慧系統100可以進一步包括對應於服務請求系統的至少一個第一資訊交換埠和對應於服務提供系統的至少一個第二資訊交換埠。服務請求系統可以包括請求者終端130和網路120。服務提供系統可以包括提供者終端140和網路120。經由至少一個第一資訊交換埠,與服務請求(例如,以電子信號及/或電磁信號的形式)相關的資訊可以在人工智慧系統100中的任何電子裝置之間交換。例如,經由至少一個第一資訊交換埠,伺服器110可以通過伺服器110和提供者終端130之間的無線通訊從請求者終端130接收訂單。通過至少一個第二資訊交換埠,資訊(例如,以電子信號及/或電磁信號的形式)在人工智慧系統100中的任何電子裝置之間交換。例如,經由至少一個第二資訊交換埠,伺服器110可以通過無線通訊將電磁信號發送給提供者終端140,該電磁信號包括分配的訂單的資訊。在一些實施例中,至少一個第一資訊交換埠及/或至少一個第二資訊交換埠可以是天線、網路介面、網路埠或類似物或其任意組合中的一個或多個。例如,至少一個第一資訊交換埠及/或至少一個第二資訊交換埠可以是網路埠,該網路埠可以連接到伺服器110以發送及/或接收資訊。
在一些實施例中,人工智慧系統100中的一個或多個元件的資料交換可以通過請求服務來實現。服務請求的物件可以為任何產品。在一些實施例中,所述產品可以是有形產品、無形產品、服務或類似物。有形產品可以包括食品、醫藥、商品、化學產品、電器、服裝、汽車、住房、奢侈品或類似物或其任意組合。無形產品可以包括金融產品、知識產品、網際網路產品或類似物或其任意組合。網際網路產品可以包括個人主機產品、網路產品、行動網際網路產品、商業主機產品、嵌入式產品或類似物或其任意組合。行動網際網路產品可以被用於行動終端的軟體、程式、系統或類似物或其任意組合。行動終端可以包括平板電腦、膝上型電腦、行動電話、個人數位助理(PDA)、智慧手錶、POS裝置、車載電腦、車載電視、可穿戴裝置或類似物或其任意組合。例如,所述產品可以是在電腦或行動電話上使用的任一軟體及/或應用。所述軟體及/或應用可以與社交、購物、運輸、娛樂、學習、投資或類似物或其任意組合相關。在一些實施例中,與運輸相關的軟體及/或應用可以包括旅行軟體及/或應用、運輸工具調度軟體及/或應用、地圖軟體及/或應用或類似物。在運輸工具調度軟體及/或應用中,運輸工具可以包括馬車、人力車(如獨輪車、自行車、三輪車或類似物)、汽車(如計程車、巴士、私家車或類似物)、列車、地鐵、船隻、航空器(例如,飛機、直升機、太空梭、火箭、熱氣球或類似物)或類似物或其任意組合。
本領域具有通常知識者將理解,當人工智慧系統100的元件執行功能時,該元件可以通過電信號及/或電磁信號執行。例如,當請求者終端130處理例如發送服務請求的任務時,請求者終端130可以在其處理器中操作邏輯電路來執行這樣的任務。當請求者終端130將服務請求發送到伺服器110時,伺服器110的處理器可以產生編碼該服務請求的電信號。然後,伺服器110的處理器可以將電信號傳輸到與伺服器110相關的第一目標系統(例如,服務請求系統)的至少一個第一資訊交換埠。伺服器110可以經由有線網路與服務請求系統通訊,至少一個第一資訊交換埠可以實體連接到纜線,該纜線可以進一步將電信號傳輸到請求者終端130的輸入埠(例如,資訊交換埠)。如果伺服器110經由無線網路與服務請求系統通訊,則服務請求系統的至少一個第一資訊交換埠可以是一個或多個天線,該天線可以將電信號轉換為電磁信號。類似地,提供者終端140可以通過其處理器中的邏輯電路的操作來處理任務,並且以電信號或電磁信號的形式從伺服器110接收指令及/或服務請求。伺服器110的處理器可以產生用於編碼分配訂單資訊的電信號,並將電信號傳輸到與伺服器110相關的第二目標系統(例如,服務提供系統)的至少一個第二資訊交換埠。伺服器110可以經由有線網路與服務提供系統通訊,至少一個第二資訊交換埠可以實體連接到纜線,該纜線進一步將電信號傳輸到提供者終端140的輸入埠(例如,資訊交換埠)。如果伺服器110經由無線網路與服務提供系統通訊,則服務提供系統的至少一個第二資訊交換埠可以是一個或多個天線,該天線可以將電信號轉換為電磁信號。在例如請求者終端130、提供者終端140及/或伺服器110的電子裝置中,當該電子裝置的處理器處理指示時,處理器可以發送指令及/或執行動作,該指令及/或動作可以經由電信號傳導。例如,當處理器從儲存媒體中取回資料或將資料保存在儲存媒體中時,該處理器可以將電信號傳輸到儲存媒體的讀取/寫入裝置,所述裝置可以讀取及/或寫入儲存媒體中的結構化資料。結構化資料可以以電信號的形式經由電子裝置的匯流排被傳輸至處理器。此處,電信號可以指一個電信號、一系列電信號及/或多個不連續的電信號。
圖2係根據本申請一些實施例所示的計算裝置的示例性硬體和軟體元件的示意圖,該計算裝置可以實施所述伺服器110、請求者終端130及/或提供者終端140相應的功能。例如,處理裝置112可以在計算裝置200上實施,並被配置為執行本申請中所揭露的處理裝置112的功能。
計算裝置200可以用於實施本申請的線上到線下系統。計算裝置200可以實施本申請所述的線上到線下服務的任何部件。在圖2中,為方便起見只繪製了一台電腦裝置。本案申請日前的本領域具有通常知識者將理解,與本申請所描述的線上到線下服務相關的電腦功能可以以分散式在多個類似平臺上實施,以分散處理負載。
例如,計算裝置200可以包括與網路相連接並促進資料傳輸的通訊(COM)埠250。計算裝置200還可以包括用於執行程式指令的一個或多個處理器形式的處理器(例如,處理器220)。例如,處理器可以包括其中的介面電路和處理電路。介面電路可以被配置為從匯流排210接收電子信號,其中電子信號可以對用於處理電路處理的結構資料及/或指令進行編碼。處理電路可以執行邏輯計算,然後判斷結論、結果及/或被編碼為電子信號的指令。示例性的電腦平臺可以包括內部通訊匯流排210、不同形式的程式儲存器和資料儲存器,例如,磁碟270、和唯讀記憶體(ROM)230或隨機存取記憶體(RAM)240,用於儲存由電腦處理及/或傳輸的各種各樣的資料檔。示例性的電腦平臺也可以包括儲存於ROM 230、RAM 240及/或其他形式的非暫時性儲存媒體中的能夠被處理器220執行的程式指令。本申請揭露的方法及/或流程可以作為程式指令來實施。計算裝置200還可以包括輸入/輸出元件260,用來支援電腦和其他元件之間進行輸入/輸出。計算裝置200也可以通過網路通訊接收程式和資料。
僅為了說明,計算裝置200中僅繪製了一個處理器。然而,應該注意的是,本申請中的計算裝置200還可以包括多個處理器,因此,如本申請中描述的由一個處理器220執行的操作及/或方法步驟也可以由多個處理器共同或分別執行。例如,在本申請中,如果計算裝置200的處理器220可以執行步驟A和步驟B,應當被理解為是步驟A和步驟B可以由計算裝置200的兩個不同的處理器共同或分別執行(例如,第一處理器執行步驟A,第二處理器執行步驟B,或者第一處理器和第二處理器共同執行步驟A和B)。
圖3係根據本申請一些實施例所示的可以實施請求者終端130及/或提供者終端140的示例性裝置的示例性硬體及/或軟體組件的示意圖。該裝置可以是行動裝置,例如乘客或司機的行動電話。該裝置也可以是安裝在由司機駕駛的運輸工具上的電子裝置。如圖3所示,裝置300可以包括通訊平臺310、顯示器320、圖形處理單元(GPU)330、中央處理單元(CPU)340、輸入/輸出裝置350、記憶體360和儲存裝置390。CPU可以包括與處理器220類似的介面電路和處理電路。在一些實施例中,任何其他合適的元件,包括但不限於系統匯流排或控制器(未標示),也可包括於裝置300內。在一些實施例中,行動作業系統370(如,iOSTM
、AndroidTM
、Windows PhoneTM
或類似物)和一個或多個應用程式380可以從儲存裝置390載入到記憶體360中,以便由CPU 340執行。應用程式380可以包括瀏覽器或任何其他合適的行動應用程式,用於接收及呈現與線上到線下服務相關的資訊或來自伺服器110的其他資訊,並將這些資訊發送到伺服器110。使用者互動資訊流可以經由輸入/輸出裝置350獲取,並經由網路120提供給伺服器110及/或線上人工智慧系統100的其他元件。
為了實施不同的模組、單元以及在之前的揭露中所描述的他們的功能,電腦硬體平臺可以被用作本申請描述的一個或多個元素的硬體平臺(例如,線上人工智慧系統100,及/或圖1-9中描述的人工智慧系統100其他元件)。這些電腦的硬體元素、作業系統和程式語言是常見的,可以假定本領域具有通常知識者對這些技術都足夠熟悉,能夠利用這些技術像本申請描述的那樣分配訂單。帶有使用者介面元素的電腦可以用作個人電腦(PC)或其他類型的工作站或終端裝置。經過正確程式設計後也可以用作伺服器。可以相信本領域具有通常知識者熟悉這些電腦裝置的結構,程式設計和一般操作,因此圖紙應該是不言自明的。
圖4A係根據本申請一些實施例所示的示例性處理裝置的方塊圖。在一些實施例中,處理裝置112可以包括事件預測模組410及/或訂單分配模組420。事件預測模組410可以通過將一個服務請求者與一個服務提供者加以關聯來確定請求者-提供者對。事件預測模組410可以預測服務提供者服務於服務請求者時的目標事件的發生機率。目標事件的發生機率(這裡也被稱為目標事件發生機率)可以反映當服務提供者服務於服務請求者時目標事件發生的可能性。目標事件可以包括惡性事件,例如攻擊、性騷擾、殺害、醉酒、強姦、搶劫或類似物。
訂單分配模組420可以至少部分地基於與訂單相關的目標事件的發生機率來分配訂單。在一些實施例中,訂單分配模組420可以進一步基於其他因素來分配目標訂單,所述其他因素包括例如服務提供者的位置與目標訂單的開始位置之間的距離、從服務提供者移動到目標訂單的起始位置所需時間、交通訊息、提供者特徵(例如,服務提供者的服務類型、服務提供者的運輸工具類型、服務提供者的服務得分或類似物)、服務提供者的需求(例如,服務請求者的性別、服務提供者偏好或接受的訂單的目的地或類似物)、服務請求者的需求(例如,服務提供者的性別)或類似物。在一些實施例中,訂單分配模組420可以對發生機率和此類其他因素分配權重以確定如何分配目標訂單。在一些實施例中,對於相同的目標訂單,分配給目標事故發生機率的權重和分配給一個或多個此類其他因素的權重可以相同或不同。在一些實施例中,分配給與目標訂單相關的目標事件發生機率的權重可以大於分配給一個或多個此類其他因素的權重。在一些實施例中,對於不同的目標訂單,分配給與目標訂單相關的目標事件發生機率的權重可以相同或不同。
處理裝置112中的模組可以經由有線連接或無線連接以互相連接或互相通訊。有線連接可以包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接包括區域網路(LAN)、廣域網路(WAN)、藍牙、紫蜂、近場通訊(NFC)或類似物或其任意組合。在一些實施例中,處理裝置112還可以包括其他模組。在一些實施例中,事件預測模組410和訂單分配模組420可以在伺服器110中的不同處理器上實施。在一些實施例中,事件預測模組410和訂單分配模組420可以在伺服器110中的單個處理器上實施。
圖4B係根據本申請一些實施例所示的示例性事件預測模組的方塊圖。事件預測模組410可以包括訂單特徵提取單元411、請求者特徵提取單元412、提供者特徵提取單元413、模型確定單元414及/或事件預測單元415。
訂單特徵提取單元411可以提取訂單的特徵。在一些實施例中,訂單特徵提取單元411可以提取訂單的目標訂單特徵。目標訂單特徵可以被視為與訂單的目標事件發生機率的預測高度相關。訂單特徵提取單元411可以從與訂單相關的資訊中提取目標訂單特徵。與訂單相關的資訊可以包括訂單的起始位置、訂單的目的地、從起始位置到目的地的路線、沿著該路線的鄰近區域、訂單的開始時間、訂單到達的估計時間、訂單的類型、與訂單相關的服務類型或類似物或其任意組合。訂單的類型可以包括即時訂單或未來時間的服務預訂(或在此稱為預訂)。服務類型可以包括計程車服務、快車服務、特殊(例如,無障礙輪椅、配備汽車座椅、一定容量或類似物)的汽車服務或類似物或其任意組合。
請求者特徵提取單元412可以提取與服務請求者相關的特徵。在一些實施例中,請求者特徵提取單元412可以提取服務請求者的目標請求者特徵。請求者特徵提取單元412可以從與服務請求者相關的資訊中提取目標請求者特徵。與服務請求者相關的資訊可以包括顯示的姓名(例如暱稱)、年齡、性別、電話號碼、服務請求者的電話品牌、職業、簡歷圖像、文件編號(例如,身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、習慣/偏好、服務請求者經常去的位置(例如,酒店、賓館、酒吧、卡拉OK(KTV)俱樂部或類似物)、被發起並隨後被服務請求者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務提供者被投訴數量及/或頻率、犯罪記錄、服務請求者在論壇、博客或社交網路上發佈的資訊或與服務請求者相關的資訊或類似物或其任意組合。
提供者特徵提取單元413可以提取與服務提供者相關的特徵。在一些實施例中,提供者特徵提取單元413可以提取服務提供者的目標提供者特徵。提供者特徵提取單元413可以從與服務提供者相關的資訊中提取目標提供者特徵。與服務提供者相關的資訊可以包括顯示的姓名(例如暱稱)、年齡、性別、電話號碼、服務提供者的電話品牌、職業、電子郵寄地址、簡歷圖像、文件編號(例如,司機的駕駛證號碼、身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、運輸工具類型、車齡、牌照、人工智慧系統100中的認證狀態、駕駛經驗、背書、習慣/偏好、服務提供者經常去的位置(例如,酒店、賓館、酒吧、KTV俱樂部或類似物)、被接受並隨後被服務提供者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如、過去一周、過去一個月、過去一年或類似物)的服務請求者被投訴數量及/或頻率、犯罪記錄、評分、服務提供者在論壇、博客或社交網路上發佈的資訊或與服務提供者相關的資訊或類似物或其任意組合。
模型確定單元414可以確定用於確定目標事件發生的機率的預測模型。在一些實施例中,模型確定單元414還可以從人工智慧系統100的儲存裝置(例如,儲存裝置150、ROM 230、RAM 240)中獲得預測模型。模型確定單元414可以使用一個或多個機器學習演算法來訓練預測模型。機器學習演算法可以包括神經網路演算法、回歸演算法、決策樹演算法、深度學習演算法或類似物或其任意組合。僅作為範例,預測模型是極端梯度提升(Xgboost)模型。
事件預測單元415可以使用預測模型基於目標訂單特徵、目標請求者特徵及/或目標提供者特徵確定目標事件的發生機率。
事件預測模組410的單元可以經由有線連接或無線連接而彼此連接或通訊。有線連接包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接包括區域網路(LAN)、廣域網路(WAN)、藍牙、紫蜂、近場通訊(NFC)或類似物或其任意組合。事件預測模組410中的兩個或更多個單元可以被組合成單個單元,且任何一個單元可以被劃分成兩個或更多個子單元。例如,可以將訂單特徵提取單元411、請求者特徵提取單元412及/或提供者特徵提取單元413整合到單個單元中以提取與訂單、服務請求者、及/或服務提供者相關的特徵(例如,目標訂單特徵、目標請求者特徵、目標提供者特徵)。在一些實施例中,事件預測模組410還可以包括其他單元。例如,事件預測模組410可以包括通訊單元以與人工智慧系統100的其他模組或單元進行通訊,例如,請求者終端130、提供者終端140、儲存器140或類似物。
圖4C係根據本申請一些實施例所示的示例性模型確定單元的方塊圖。在一些實施例中,模型確定單元414可以包括訓練資料獲取子單元414-1、特徵提取子單元414-2、特徵選擇子單元414-3、模型確定子單元414-4、及/或樣本平衡子單元414-5。
訓練資料獲取子單元414-1可以從伺服器110中的儲存裝置150或其他儲存裝置或人工智慧系統100外部的儲存裝置中獲取訓練資料。訓練資料可以是與線上到線下服務平臺上發生的多個歷史交易相關的歷史資料。多個歷史交易中的每個歷史交易可以與由服務請求者發起並被服務提供者接受的歷史訂單相關。因此,每個歷史交易的相關資訊可以與歷史訂單、服務請求者和相應的服務提供者相關。訓練資料還可以包括與多個歷史交易中的每個歷史交易對應的歷史事件資料。歷史事件資料可以包括事件是否發生、事件的類型(在本申請中被稱為事件類型)、事件的嚴重程度(在本申請中被稱為事件程度)或類似物或其任意組合。事件類型可以包括攻擊、性騷擾、殺害、醉酒、強姦、搶劫或類似物。事件程度可以包括非常嚴重、嚴重、正常、輕微、非常輕微或類似物。訓練資料可以包括多個正樣本和多個負樣本。正樣本可以指未發生目標事件的樣本。負樣本可以指發生目標事件的樣本。
特徵提取子單元414-2可以從訓練資料中提取多個候選特徵。候選特徵可以包括候選訂單特徵、候選請求者特徵和候選提供者特徵。特徵提取子單元414-2可以從與歷史訂單相關的資訊中提取候選訂單特徵。特徵提取子單元414-2可以從服務請求者相關的資訊中提取候選請求者特徵,該服務請求者可以與歷史訂單相關。特徵提取子單元414-2可以從服務提供者相關的資訊中提取候選提供者特徵,該服務提供者可以在歷史訂單中回應、接受及/或提供服務。
特徵選擇子單元414-3可以使用特徵選擇演算法從多個候選特徵中確定一個或多個目標特徵。特徵選擇演算法可以包括前向特徵選擇、後向特徵消除、遞迴特徵消除或類似物。通過使用特徵選擇演算法添加或者移除特徵來確定目標特徵,特徵選擇子單元414-3可以確定預測模型的精確率、召回率及/或準確率。
模型確定子單元414-4可以從特徵選擇子單元414-3獲得多個正樣本的一個或多個目標特徵和多個負樣本的一個或多個目標特徵。模型確定子單元414-4可以從訓練資料獲取子單元414-1獲得多個正樣本和多個負樣本的歷史事件資料。模型確定子單元414-4可以基於多個正樣本的一個或多個目標特徵、多個負樣本的一個或多個目標特徵及/或多個正樣本和多個負樣本的歷史事件資料產生預測模型。例如,模型確定子單元414-4可以將正樣本的一個或多個目標特徵和多個負樣本的一個或多個目標特徵輸入預測模型(在本申請中也被稱為初始預測模型)並且產生與目標特徵相對應的預測結果,然後模型確定子單元414-4可以基於具有多個正樣本和多個負樣本的歷史事件資料的預測結果來產生損失函數。然後,模型確定子單元414-4可以確定損失函數是否滿足條件。在一些實施例中,該條件可以是損失函數是否小於預設臨界值。當損失函數小於預設臨界值時,模型確定子單元414-4可以將初始預測模型指定為預測模型,即預測模型訓練良好。當損失函數大於預設臨界值時,模型確定子單元414-4可以修改初始預測模型並使用訓練資料或獲得不同的訓練資料來產生更新的預測模型,直到更新的預測模型滿足條件。在一些實施例中,當損失函數或類似物於預設臨界值時,模型確定子單元414-4可以認為滿足條件並將初始預測模型指定為預測模型。在一些實施例中,當損失函數或類似物於預設臨界值時,模型確定子單元414-4可以認為條件不滿足,並繼續訓練預測模型產生更新的預測模型,直到更新的預測模型滿足條件。在一些實施例中,本申請基於參數和臨界值的值將參數與臨界值進行比較並作出判斷(當參數大於/高於/多於臨界值時,確定決策A;當參數小於/低於/少於臨界值時,確定決策B,決策B不同於決策A),參數或類似物於臨界值的情況可以被分類為上述兩種情況中的任何一種。
樣本平衡子單元414-5可以確定訓練資料是否包括不平衡樣本成分。例如,樣本平衡子單元414-5可以獲得正樣本的計數和負樣本的計數。樣本平衡子單元414-5可以產生正樣本計數與負樣本計數之間的比率(在本申請中也被稱為樣本比率)。樣本平衡子單元414-5可以確定樣本比率是否超過比率臨界值。當樣本平衡子單元414-5確定樣本比率超過比率臨界值時,樣本平衡子單元414-5可以確定訓練資料包括不平衡樣本(或者在本申請中稱為不平衡樣本成分)。在一些實施例中,樣本平衡子單元414-5可以使用樣本平衡技術基於訓練資料來平衡樣本成分。
模型確定單元414的子單元可以經由有線連接或無線連接彼此連接或通訊。有線連接包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接包括區域網路(LAN)、廣域網路(WAN)、藍牙、紫蜂、近場通訊(NFC)或類似物或其任意組合。模型確定單元414中的兩個或更多個子單元可以被組合成單個子單元,並且任何一個子單元可以被分成兩個或更多個元件。例如,特徵提取子單元414-2可以被劃分為三個元件,例如,訂單特徵提取元件、請求者特徵提取元件、提供者特徵提取元件。訂單特徵提取元件可以從與歷史訂單相關的資訊中提取候選訂單特徵。請求者特徵提取元件可以從與歷史訂單對應的服務請求者的相關資訊中提取候選請求者特徵。提供者特徵提取元件可以從與歷史訂單對應的服務提供者的相關資訊中提取候選提供者特徵。在一些實施例中,特徵提取子單元414-2和特徵選擇子單元414-3可以被整合到單個單元中。在一些實施例中,特徵提取子單元414-2、訂單特徵提取單元411、請求者特徵提取單元412、及/或提供者特徵提取單元413可以被整合到單個單元中以提取與訂單、服務請求者、及/或服務提供者相關的特徵。
圖4D係根據本申請一些實施例所示的示例性訂單分配模組的方塊圖。在一些實施例中,訂單分配模組420可以包括訂單資訊獲取單元421、請求者資訊獲取單元422、提供者資訊獲取單元423、請求者-提供者對確定單元424及/或訂單分配單元425。
定單資訊獲取單元421可以從一個或多個服務請求者終端130獲得與要分配的一個或多個目標定單相關的資訊。與每個目標訂單相關的資訊可以包括目標訂單的起始位置、目標訂單的目的地、從目標訂單的起始位置到目的地的路線、沿著目標訂單的路線的鄰近區域、目標訂單的開始時間、目標訂單的估計到達時間、目標訂單的類型、與目標訂單相關的服務類型或類似物或其任意組合。訂單的類型可以包括即時訂單或未來時間的服務預訂。服務類型包括計程車服務、快車服務、特殊(例如,無障礙輪椅、配備汽車座椅、一定容量或類似物)的汽車服務或類似物或其任意組合。
請求者資訊獲得單元422可以獲得與一個或多個目標訂單相關的服務請求者的相關資訊。例如,請求者資訊獲取單元422還可以從儲存裝置150、伺服器110中的另一儲存裝置或系統100外部的儲存裝置獲得與服務請求者相關的資訊。與服務請求者相關的資訊包括顯示的姓名(例如,暱稱)、年齡、性別、電話號碼、服務請求者的電話品牌、職業、簡歷圖像、文件編號(例如,身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、習慣/偏好、服務請求者經常去的位置(例如,酒店、賓館、酒吧、卡拉OK(KTV)俱樂部或類似物),被發起並隨後被服務請求者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務提供者被投訴數量及/或頻率、犯罪記錄、服務請求者在論壇、博客或社交網路上發佈的資訊或與服務請求者相關的資訊或類似物或其任意組合。
提供者資訊獲取單元423可以識別可用於接受一個或多個目標訂單的多個候選服務提供者。提供者資訊獲取單元423還可以獲得與多個候選服務提供者相關的資訊。在一些實施例中,提供者資訊獲取單元422可以從儲存裝置150或伺服器110中的其他儲存裝置獲得與多個候選服務提供者相關的資訊。與候選服務提供者相關的資訊可以包括顯示的姓名(例如,暱稱)、年齡、性別、電話號碼、候選服務提供者的電話品牌、職業、電子郵寄地址、簡歷圖像、文件編號(例如,司機的駕駛證號碼、身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、運輸工具類型、車齡、牌照、人工智慧系統100中的認證狀態、駕駛經驗、背書、習慣/偏好、服務提供者經常去的位置(例如,酒店、賓館、酒吧、KTV俱樂部或類似物)、被接受並隨後被服務提供者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務請求者被投訴數量及/或頻率、犯罪記錄、評分、服務提供者在論壇、博客或社交網路上發佈的資訊或與候選服務提供者相關的資訊或類似物或其任意組合。
在一些實施例中,訂單分配模組420還可以包括請求者-提供者對確定單元424。訂單分配模組420可以通過將一個或多個目標服務請求者中的每個目標服務請求者與多個候選服務提供者中的每個候選服務提供者關聯來確定候選請求者-提供者對。應該注意的是,請求者-提供者對確定單元424也可以在事件預測模組410或處理裝置112的其他組件上實施。訂單分配單元425可以從事件預測模組410獲得與候選請求者-提供者對相關的目標事件發生機率。訂單分配單元425可以至少部分地基於目標事件發生機率和相應的候選請求者-提供者者對來分配目標訂單。在一些實施例中,訂單分配單元425可以根據其他因素來確定是否向服務提供者分配目標訂單,所述其他因素包括,例如,服務提供者的位置和目標訂單的開始位置之間的距離、從服務提供者的位置移動到目標訂單的開始位置所需時間、交通訊息、提供者特徵(例如,服務提供者的服務類型、服務提供者的運輸工具類型、服務提供者的服務得分或類似物)、服務提供者的需求(例如,服務請求者的性別、服務提供者優選或接受的訂單的目的地或類似物)、服務請求者的需求(例如,服務提供者的性別)或類似物。在一些實施例中,訂單分配單元425可以為目標事件發生機率以及一個或多個此類其他因素分配權重,以決定如何分配目標訂單。在一些實施例中,對於相同的目標訂單,分配給目標事件發生機率和一個或多個此類其他因素的權重可以相同的或不同。在一些實施例中,分配給與目標訂單相關的目標事件發生機率的權重可以大於分配給一個或多個此類其他因素的權重。在一些實施例中,對於不同的目標訂單,分配給與目標訂單相關的目標事件發生機率的權重可以相同的或不同。
訂單分配模組420的各個單元可以經由有線連接或無線連接彼此連接或通訊。有線連接包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接包括區域網路(LAN)、廣域網路(WAN)、藍牙、紫蜂、近場通訊(NFC)或類似物或其任意組合。
圖5係根據本申請一些實施例所示的確定目標事件的發生機率的另一種示例性流程的流程圖。在一些實施例中,流程650可以在如圖1所示的人工智慧系統100中實施。例如,流程500可以以指令的形式被儲存在儲存裝置150及/或其它儲存裝置(例如,ROM 230、RAM 240)中,並且由伺服器110調用及/或執行(例如,伺服器110中的處理裝置112、伺服器110中的處理裝置112的處理器220、伺服器110中的處理裝置112的一個或多個模組)。
在510中,處理裝置112(例如,訂單特徵提取單元411)可以提取與服務請求者相關的訂單的目標訂單特徵。訂單特徵提取單元411可以從與訂單相關的資訊中提取目標訂單特徵。與訂單相關的資訊可以包括訂單的起始位置、訂單的目的地、從起始位置到目的地的路線、鄰近路線、訂單的開始時間、訂單到達的估計時間、訂單的類型、與訂單相關的服務類型或類似物或其任意組合。訂單的類型可以包括即時訂單或未來時間的服務預訂。服務類型包括計程車服務、快車服務、特殊(例如,無障礙輪椅、配備汽車座椅、一定容量或類似物)的汽車服務或類似物或其任意組合。目標特徵與目標事件發生機率的預測高度相關。
在一些實施例中,服務請求系統的請求者終端130可以經由至少一個第一資訊交換埠向伺服器110發送及/或傳輸訂單。請求者終端130可以經由無線通訊與伺服器110交換資訊。服務請求系統可以包括請求者終端130和網路120。至少一個第一資訊交換埠可以促進請求者終端130和伺服器110之間經由網路120的通訊。例如,至少一個第一資訊交換埠可以是連接到伺服器110及/或與伺服器110通訊的一個或多個網路輸入/輸出埠(例如,天線)。對應於服務請求系統或與服務請求系統通訊的至少一個第一資訊交換埠可以將訂單發送到處理裝置112。
在520中,處理裝置112(例如,請求者特徵提取單元412)可以提取服務請求者的目標請求者特徵。在一些實施例中,請求者特徵提取單元412可以從與服務請求者相關的資訊中提取目標請求者特徵。與服務請求者相關的資訊包括顯示的姓名(例如,暱稱)、年齡、性別、電話號碼、服務請求者的電話品牌、職業、簡歷圖像、文件編號(例如,身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、習慣/偏好、服務請求者經常去的位置(例如,酒店、賓館、酒吧、卡拉OK(KTV)俱樂部或類似物)、被發起並隨後被服務請求者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務提供者被投訴數量及/或頻率、犯罪記錄、服務請求者在論壇、博客或社交網路上發佈的資訊或與服務請求者相關的資訊或類似物或其任意組合。
在530中,處理裝置112(例如,提供者特徵提取單元413)可以提取服務提供者的目標請求者特徵。目標訂單特徵、目標提供者特徵、和目標請求者特徵可以被視為與訂單的目標事件發生機率的預測高度相關。在一些實施例中,提供者特徵提取單元413可以從與服務提供者相關的資訊中提取目標提供者特徵。與服務提供者相關的資訊可以包括顯示的姓名(例如,暱稱)、年齡、性別、電話號碼、服務提供者的電話品牌、職業、電子郵寄地址、簡歷圖像、文件編號(例如,司機的駕駛證號碼、身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、運輸工具類型、車齡、牌照、人工智慧系統100中的認證狀態、駕駛經驗、背書、習慣/偏好、服務提供者經常去的位置(例如,酒店、賓館、酒吧、KTV俱樂部或類似物)、被接受並隨後被服務提供者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務請求者被投訴數量及/或頻率、犯罪記錄、評分、服務提供者在論壇、博客或社交網路上發佈的資訊或與服務提供者相關的資訊或類似物或其任意組合。服務評分反映了服務提供者的服務品質,該服務評分可以基於由服務提供者服務的一個或多個服務請求者的回饋確定。服務評分可以是數字(例如,從0到100、從0到10或類似物)、字元(例如,A、B、C、D……)或類似物。
在540中,處理裝置112(例如,模型確定單元414)可以獲得用於確定目標事件發生機率的預測模型。在一些實施例中,處理裝置112可以從人工智慧系統100的儲存裝置(例如,儲存裝置150、ROM 230、RAM 240)中獲得預測模型。
目標事件可以是惡性事件,例如攻擊、性騷擾、殺害、醉酒、強姦、搶劫或類似物。在一些實施例中,可以預先訓練預測模型。在一些實施例中,預測模型可以被即時地訓練及/或更新。模型確定單元414可以使用一個或多個機器學習演算法來訓練預測模型。機器學習演算法可以包括神經網路演算法、回歸演算法、決策樹演算法、深度學習演算法或類似物或其任意組合。神經網路演算法可以包括遞迴神經網路、感知器神經網路、霍普菲爾德網路、自組織映射(Self-organizing Map, SOM)或學習向量量化(Learning Vector Quantization, LVQ)或類似物。回歸演算法包括邏輯回歸/逐步回歸/多元自我調整回歸樣條/局部估計散點圖平滑或類似物。決策樹演算法包括分類和回歸樹(Classification And Regression Tree, CART)演算法/反覆運算二分法3(Iterative Dichotomiser 3, ID3)演算法、C4. 5、卡方自動互動檢測(CHi-squared Automatic Interaction Detection, CHAID)、決策樹、隨機森林、多元自我調整回歸樣條(Multivariate Adaptive Regression Spline, MARS)、梯度提升機(Gradient Boosting Machine, GBM)演算法、梯度提升決策樹(Gradient Boost Decision Tree, GBDT)演算法、極端梯度提升(Xgboost)演算法或類似物。深度學習演算法包括受限玻耳茲曼機(Restricted Boltzmann machine, RBN)、深信念網路(Deep Belief Networks, DBN)、卷積網路、堆疊自編碼器或類似物。在一些實施例中,預測模型可以通過實施圖6中描述的一個或多個操作來獲得。
在550中,處理裝置112(例如,事件預測單元415)可以基於目標訂單特徵、目標請求者特徵及/或目標提供者特徵,使用預測模型來確定目標事件發生的機率。例如,處理裝置112可以基於目標訂單特徵、目標請求者特徵及/或目標提供者特徵來產生向量空間中的特徵向量。特徵向量可以用作預測模型的輸入。預測模型的輸出可以是目標事件發生機率。
在一些實施例中,目標事件發生機率可以表示為數字(例如,從0到100、從0到10或類似物)。在一些實施例中,目標事件發生機率可以表示為字元(例如,A、B、C、D……)。目標事件發生機率反映了服務提供者為服務請求者提供服務時出現目標事件的可能性,以及服務請求者與服務提供者配對的合理性。簡言之,服務提供者和服務提供者服務的服務請求者可以被稱為請求者-提供者對。例如,如果目標事件發生機率被表示為例如從0到100的數字,低目標事件發生機率可以對應於小數字以及高目標事件發生機率可以對應於大數字,與目標事件發生機率為60的請求者-提供者對相比,目標事件發生機率為30的請求者-提供者對可能更合理。又例如,如果目標事件發生機率被表示為與增加的目標事件發生機率相對應的A、B、C或D、……,則與目標事件發生機率為「C」的請求者-提供者對相比,目標事件發生機率為「A」的請求者-提供者對可能更加合理。
基於目標事件發生機率,處理裝置112可以確定是否將與服務請求者相關的訂單分配給服務提供者。基於目標事件發生機率分配訂單的流程可以在本申請的其他地方找到。參見例如圖9及其相關描述。
需要說明的是,以上關於確定目標事件發生的目標事件發生機率的流程500的描述僅僅是一個示例,而不對本申請構成任何限制。在一些實施例中,流程500在實施時可以添加一個或多個本申請未描述的額外操作,及/或刪減一個或多個此處所描述的操作。此外,圖5中所示的流程500中的操作順序和下文描述的操作的順序並加以限制。例如,操作510-530可以同時執行。又例如,操作540可以在操作510-530之前執行。
圖6係根據本申請一些實施例所示的用於產生預測模型的另一示例性流程的流程圖。在一些實施例中,流程600可以在如圖1所示的人工智慧系統100上實施。例如,流程600可以以指令的形式儲存在儲存裝置150及/或其他儲存裝置(例如,ROM 230、RAM 240)中,並且由伺服器110調用及/或執行(例如,伺服器110中的處理裝置112、伺服器110中的處理裝置112的處理器220、伺服器110中的處理裝置112的一個或多個模組)。在一些實施例中,流程600和流程500可以在處理裝置112的相同或不同的處理器中執行。
在610中,處理裝置112(例如,訓練資料獲取子單元414-1)可以獲得訓練資料。在一些實施例中,訓練資料獲取子單元414-1可以從伺服器110中的儲存裝置150或其他儲存裝置或人工智慧系統100外部的儲存裝置中獲取訓練資料。訓練資料可以是與線上到線下服務平臺上發生的多個歷史交易相關的歷史資料。多個歷史交易中的每個歷史交易可以與由服務請求者發起並由服務提供者接受的歷史訂單相關。因此,與每個歷史交易相關的資訊可以與歷史訂單、服務請求者和相應的服務提供者相關。訓練資料還可以包括與多個歷史交易中每個歷史交易對應的歷史事件資料。歷史事件資料可以包括事件是否已經發生、事件類型、事件程度或類似物或其任意組合。事件類型可以包括攻擊、性騷擾、殺害、醉酒、強姦、搶劫或類似物。事件程度可以包括非常嚴重、嚴重、正常、輕微、非常輕微或類似物。
訓練資料可以包括多個正樣本和多個負樣本。正樣本可以指未發生目標事件的樣本。負樣本可以指發生目標事件的樣本。應該注意的是,術語「正樣本」和「負樣本」是為了說明性的目的而定義的,而不是限制性的。
多個正樣本和多個負樣本中的每一個可以包括歷史交易資料和與歷史交易資料對應的歷史事件資料。
在620中,處理裝置112(例如,特徵提取子單元414-2)可以從多個正樣本和多個負樣本的歷史交易資料中提取多個候選特徵。候選特徵可以包括候選訂單特徵、候選請求者特徵和候選提供者特徵。特徵提取子單元414-2可以從與歷史訂單相關的資訊中提取候選訂單特徵。特徵提取子單元414-2可以從與歷史訂單對應的服務請求者的相關資訊中提取候選請求者特徵。特徵提取子單元414-2可以從與歷史訂單對應的服務提供者的相關資訊中提取候選提供者特徵。候選訂單特徵可以包括每個歷史訂單的起始位置、每個歷史訂單的目的地、每個歷史訂單從起始位置到目的地的路線、沿著每個歷史訂單的路線的鄰近區域、每個歷史訂單的開始時間、每個歷史訂單到達的估計時間、每個歷史訂單到達的即時時間、每個歷史訂單的類型、每個歷史訂單相關的服務類型或類似物或其任意組合。候選請求者特徵可以包括與服務請求者相關的資訊。與服務請求者想關的資訊可以包括顯示的姓名(例如,暱稱)、年齡、性別、電話號碼、服務請求者的電話品牌、職業、簡歷圖像、文件編號(例如,身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、習慣/偏好、服務請求者經常去的位置(例如,酒店、賓館、酒吧、KTV俱樂部或類似物)、被發起並隨後被服務請求者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務提供者被投訴數量及/或頻率、犯罪記錄、從服務請求者在論壇、博客或社交網路上發佈的資訊或與服務請求者相關的資訊提取的特徵或類似物或其任意組合。與候選提供者相關的資訊可以包括顯示的姓名(例如,暱稱)、年齡、性別、電話號碼、服務提供者的電話品牌、職業、電子郵寄地址、簡歷圖像、文件編號(例如,司機的駕駛證號碼、身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、運輸工具類型、車齡、牌照、人工智慧系統100中的認證狀態、駕駛經驗、背書、習慣/偏好、服務提供者經常去的位置(例如,酒店,賓館,酒吧,KTV俱樂部或類似物)、被接受並隨後被服務提供者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務請求者被投訴數量及/或頻率、犯罪記錄、評分、從服務提供者在論壇、博客或社交網路上發佈的資訊或與服務提供者相關的資訊中提取的特徵或類似物或其任意組合。
在一些實施例中,候選特徵的維度可以是巨大的,並且只有部分候選特徵與目標事件發生機率的預測高度相關。處理裝置112可以選擇與預測目標事件發生機率高度相關的特徵來訓練預測模型。通過特徵選擇,預測模型可以被簡化和精確化、訓練時間縮短,並且預測模型的過擬合減少。
因此,在630中,處理裝置112(例如,特徵選擇子單元414-3)可以使用特徵選擇演算法從多個候選特徵中確定一個或多個目標特徵。特徵選擇演算法可以包括前向特徵選擇、後向特徵消除、遞迴特徵消除或類似物。通過使用特徵選擇演算法添加或者移除特徵來確定目標特徵,特徵選擇子單元414-3可以確定預測模型的精確率、召回率、及/或準確率。目標特徵可以包括一個或多個目標訂單特徵、一個或多個目標請求者特徵、及/或一個或多個目標提供者特徵。
在640中,處理裝置112(例如,模型確定子單元414)可以基於多個正樣本的一個或多個目標特徵、多個負樣本的一個或多個目標特徵、及/或多個正樣本和多個負樣本的歷史事件資料來產生預測模型。例如,基於預測模型(這裡也稱為初始預測模型),模型確定子單元414-4可以產生預測結果,該預測結果基於正樣本的一個或多個目標特徵以及多個負樣本的一個或多個目標特徵;然後模型確定子單元414-4可以基於具有多個正樣本和多個負樣本的歷史事件資料的預測結果來確定損失函數的值。然後,模型確定子單元414-4可以基於與損失函數相關的標準來確定預測模型是否令人滿意。在一些實施例中,當損失函數的值小於預設臨界值時,模型確定子單元414-4可以將初始預測模型指定為預測模型,即,預測模型已經訓練良好並且令人滿意。當損失函數的值超過預設臨界值時,模型確定子單元414-4可以修改初始預測模型並使用訓練資料或獲得其他不同的訓練資料來產生更新的預測模型,直到更新的預測模型滿足標準。
應該注意的是,關於確定預測模型的流程600的以上描述僅是示例性的,並不構成對本申請的限制。在一些實施例中,流程600在實施時可以添加一個或多個本申請未描述的額外操作,及/或刪減一個或多個此處所描述的操作。例如,在610中獲得訓練資料之後,處理裝置112對訓練資料進行預處理,例如去除異常資料,彌補或刪除不完整的資料。又例如,處理裝置112還獨立於訓練資料獲得測試資料以存取預測模型的性能。再例如,處理裝置112實施用於訓練預測模型的交叉驗證(例如,k倍交叉驗證)。
在一些實施例中,訓練資料可以包括相關多於一種類型的事件的資料。流程600還可以包括將訓練資料分成多於一個組。每個組可以與一種事件類型對應。對於每個組,處理裝置112可以確定一個子模型來預測對應事件的發生機率。然後,處理裝置112可以將多於一個子模型指定為預測模型。當處理裝置112使用預測模型時,處理裝置112可以針對每種事件類型產生發生機率。例如,處理裝置112可以確定殺人事件的發生機率為30、性騷擾事件的發生機率為45、搶劫事件的發生機率為17。
在一些實施例中,處理裝置112還可以通過向多於一個子模型分配不同的權重來確定預測模型。當處理裝置112使用預測模型時,處理裝置112可以確定關於不同事件類型的總體預測。例如,處理裝置112可以基於一種或多種事件類型的發生機率確定惡性事件的發生機率為40。
在一些實施例中,處理裝置112可以離線訓練預測模型。例如,處理裝置112可以使用訓練資料預先產生預測模型並將該預測模型儲存在人工智慧系統100的儲存裝置(例如,儲存裝置150、ROM 230、RAM 240)中以供將來使用。例如,處理裝置112可以在非高峰時間段產生預測模型,在該時間段人工智慧系統100的至少一部分(例如,服務請求系統、服務提供系統、伺服器110或類似物或其任意組合)通訊量低(例如,低於臨界值)。在一些實施例中,處理裝置112可以不回應於即時訂單或預訂的形式而是獨立於個體的即時服務請求來產生預測模型。處理裝置112可以在服務提供者服務於服務請求者時確定目標事件的發生機率,此時處理裝置112可以直接從人工智慧系統100的儲存裝置(例如,儲存裝置150、ROM230、RAM240)獲得預測模型。處理裝置112可以定期或不定期地更新預測模型。在一些實施例中,處理裝置112可以將更新的預測模型儲存在人工智慧系統100的儲存裝置(例如,儲存裝置150、ROM 230、RAM 240)中。
在一些實施例中,訓練資料可以具有不平衡的成分。例如,訓練資料可以包括比負樣本多得多的正樣本(即,訓練資料不平衡),並且如果訓練資料不平衡,則模型的性能(例如,預測準確性)可能較差。因此,在一些實施例中,期望使用平衡訓練的資料(也稱為平衡樣本)來訓練預測模型。
圖7係根據本申請一些實施例所示的用於產生平衡樣本的示例性流程的流程圖。在一些實施例中,流程700可以在圖1所示的人工智慧系統100中實施。例如,流程700可以以指令的形式被儲存在儲存裝置150及/或其他儲存裝置(例如,ROM 230、RAM 240)中,並且由伺服器110調用及/或執行(例如,伺服器110中的處理裝置112、伺服器110中的處理裝置112的處理器220、伺服器110中的處理裝置112的一個或多個模組)。
在710中,處理裝置112(例如,訓練資料獲取子單元414-1)可以獲得訓練資料。訓練資料可以包括多個正樣本和多個負樣本。
在720中,處理裝置112(例如,樣本平衡子單元414-5)可以確定訓練資料是否包括不平衡的樣本成分。例如,樣本平衡子單元414-5可以獲得正樣本的計數Mp和負樣本的計數Mn。樣本平衡子單元414-5可以產生多數樣本的計數與少數樣本的計數之間的比率(在本申請中也被稱為樣本比率)。如本申請中所使用的,在訓練資料中的正樣本和負樣本之間,具有較高樣本計數的樣本的類型可以被稱為多數樣本,具有較低樣本計數的樣本的類型可以被稱為少數樣本。例如,當正樣本的樣本計數高於訓練資料中負樣本的樣本計數,即訓練資料中正樣本較負樣本多,則正樣本可以被稱為多數樣本,負樣本可以被稱為少數樣本。又例如,當正樣本的樣本計數低於訓練資料中負樣本的樣本計數,即,訓練資料中正樣本較負樣本少,則正樣本可以被稱為少數樣本,負樣本可以被稱為多數樣本。當正樣本的樣本計數大於負樣本的樣本計數(即,正樣本是多數樣本,負樣本是少數樣本)時,樣本比率可以表示為;當負樣本的樣本計數大於正樣本的樣本計數(即,正樣本是少數樣本,而負樣本是多數樣本)時,樣本比率可以表示為。樣本平衡子單元414-5可以確定樣本比率是否超過臨界值。比值臨界值大於或或等於10。例如,比率臨界值可以是從10至20、從21至30、從31至40或大於40。
當樣本平衡子單元414-5確定樣本比率超過比率臨界值時,樣本平衡子單元414-5可以確定訓練資料包括不平衡樣本成分,然後樣本平衡子單元414-5使用在730中的樣本平衡技術來平衡樣本成分。在一些實施例中,樣本平衡技術可以包括向正樣本和負樣本分配不同的權重。在一些實施例中,樣本平衡技術可以包括重新取樣訓練資料,例如,過取樣少數樣本及/或欠取樣多數樣本。在一些實施例中,目標事件未發生的正樣本可以是多數樣本,發生目標事件的負樣本可以是少數樣本。然後,樣本平衡子單元414-5可以對負樣本進行過取樣及/或對正樣本進行欠取樣。
在一些實施例中,樣本平衡子單元414-5可以基於欠取樣速率對正樣本進行欠取樣。欠取樣比率可以基於取樣比率來確定。例如,當負樣本的計數大於預設數量時,欠取樣比率可以是與取樣比率近似相或類似物的值。假設預設數量是1000,負樣本的計數是1200,正樣本的計數是1200000(即,樣本比率是1000),那麼樣本平衡子單元414-5可以通過從例如每1000個正樣本中隨機選擇一個正樣本來對正樣本進行欠取樣。
在一些實施例中,樣本平衡子單元414-5可以過取樣負樣本。在一些實施例中,負樣本可以通過例如複製負樣本的全部或部分來過取樣。在一些實施例中,負樣本可以通過例如使用例如K近鄰(KNN)技術產生多個合成樣本並將多個合成樣本的至少一部分指定為負樣本來過取樣。
在本申請中,可以在資料空間中訓練資料。資料空間可以指其中用點表示樣本(例如,正樣本、負樣本)的空間。在一些實施例中,處理裝置112可以在特徵空間中產生合成樣本。特徵空間可以指其中用點表示特徵向量的空間。特徵向量的維度可以是任意值,例如10、20、30、40或類似物。圖8B係說明不平衡樣本的示意圖。如圖8B所示,十字標誌與正樣本或對應於正樣本的特徵向量對應,空心圓與負樣本或對應於負樣本的特徵向量對應。
圖8A係根據本申請一些實施例所示的利用KNN技術在特徵空間產生合成樣本的示例性流程的流程圖。在一些實施例中,流程800可以在如圖2所示的人工智慧系統100中實施。例如,流程800可以以指令的形式儲存在儲存裝置150及/或其他儲存裝置(例如ROM 230、RAM 240)中,並且由伺服器110調用及/或執行(例如,伺服器110中的處理裝置112、伺服器110中的處理裝置112的處理器220、伺服器110中的處理裝置112的一個或多個模組)。
在810中,處理裝置112(例如,樣本平衡子單元414-5)可以基於負樣本(在本申請中也被稱為目標負樣本)的一個或多個目標特徵產生目標特徵向量。目標特徵向量的維度可以與負樣本的目標特徵的個數相同。
在一些實施例中,處理裝置112還可以對對應於訓練資料中的負樣本的特徵向量中的特徵及/或對應於訓練資料中正樣本的特徵向量進行歸一化。然後,處理裝置112可以使用歸一化特徵來確定任何兩個特徵向量之間的距離(例如,歐幾裡德距離、閔可夫斯基距離或類似物)。
在820中,基於對應於訓練資料中負樣本的特徵向量中的每個特徵向量和目標特徵向量之間的距離,處理裝置112(例如,樣本平衡子單元414-5)可以使用針對目標特徵向量的KNN技術來確定特徵向量的第一數量近鄰。第一數量可以是任何合適的值,例如5、6、7或類似物。
在一些實施例中,樣本平衡子單元414-5可以從對應於目標負樣本附近的負樣本的特徵向量和對應於目標正樣本附近的特徵向量確定第一數量近鄰。在一些實施例中,樣本平衡子單元414-5可以僅從對應於負樣本的特徵向量確定第一數量近鄰。如圖8B所示,第一數量為5,並且對於負樣本的特徵向量(N1)(在本申請中也被稱為目標特徵向量),樣本平衡子單元414-5可以確定五個近鄰N1、N3、N4、N5和N6,這五個近鄰是對應於五個負樣本的特徵向量。
在830中,對於目標特徵向量,處理裝置112(例如,樣本平衡子單元414-5)可以從820中確定的第一數量近鄰中確定第二數量近鄰。在一些實施例中,第二數量可以是預設數量,例如一個、兩個、三個或類似物。在一些實施例中,第二數量可以基於過取樣比率來確定,例如,第二數量可以是最接近過取樣比率整數。例如,如果負樣本的計數是100且負樣本的目標計數是200(即,過取樣比率是200%),則樣本平衡子單元414-5可以確定第二數量是二。
在一些實施例中,取樣平衡子單元414-5可以從第一數量近鄰中隨機選擇第二數量近鄰。在一些實施例中,樣本平衡子單元414-5可以基於第一數量近鄰中的每個近鄰與目標特徵向量之間的距離來選擇第二數量近鄰。例如,樣本平衡子單元414-5可以基於第一數量近鄰(例如,N1、N3、N4、N5、N6)中的每個近鄰與目標特徵向量(例如,N1)之間的距離來選擇第二數量近鄰,然後選擇對應於距第一數量近鄰(例如,N1、N3、N4、N5、N6)的一個或多個最小距離的第二數量近鄰。兩個特徵向量之間的距離表示兩個特徵向量之間的相似程度。
在840中,針對目標特徵向量,處理裝置112(例如,樣本平衡子單元414-5)可以基於目標特徵向量和對應於目標特徵向量的第二數量近鄰,產生關於目標特徵向量的一個或多個合成特徵向量。
在一些實施例中,對於目標特徵向量的第二數量近鄰中的每個近鄰,樣本平衡子單元414-5可以確定近鄰(例如,特徵向量N5)和目標特徵向量(例如,特徵向量N1)之間的差值。然後,樣本平衡子單元414-5可以將該差值乘以0和1之間的係數,以確定合成特徵向量。對應於合成特徵向量的樣本在本申請中被稱為合成樣本。如圖8B所示,差值可以表示為N5和N1之間的線段,合成特徵向量可以表示為該線段中的點(以實心三角形示出)。應該注意的是,符號實體三角形可以表示資料空間中的合成樣本或特徵空間中的合成特徵向量。
在一些實施例中,樣本平衡子單元414-5可以在連接對應於兩個特定樣本(例如,兩個負樣本或一個正樣本和一個目標負樣本)的兩個特定特徵向量的線段中確定兩個或更多個合成特徵向量。例如,樣本平衡子單元414-5可以將兩個特定特徵向量的差值乘以0和1之間的兩個或更多個係數,以確定兩個或更多個合成特徵向量。例如,對於連接N5和N1的線段,樣本平衡子單元414-5可以選擇線段中對應於兩個或更多個合成特徵向量的兩個或更多個點。在一些實施例中,係數可以在0和1之間隨機選擇。在一些實施例中,如果在連接對應於兩個特定樣本的兩個特定特徵向量的線段中使用多個係數來確定多個合成特徵向量,則這些係數可以彼此等距或不等距。例如,兩個係數用於確定連接兩個對應於兩個負樣本的兩個特定特徵向量的線段中的兩個合成特徵向量,係數可以是1/3和2/3或1/3和1/4或類似物。
應該注意的是,以上關於使用KNN技術為目標負樣本產生合成樣本的流程的描述僅僅是示例性的,不構成對本申請的限制。在一些實施例中,樣本平衡子單元414-5可以使用其他技術來為目標負樣本產生一個或多個合成樣本。例如,樣本平衡子單元414-5可以確定區域(例如,具有以目標特徵向量為中心的半徑的圓形區域)。根據各種因素中的一個或多個因素、半徑是固定的或者可調整的,這些因素包括,例如,訓練資料中負樣本的計數、訓練資料中正樣本的計數、與訓練資料相關的樣本比率或類似物。在一些實施例中,不同的目標特徵向量,半徑可以不同。該區域的樣本包括負樣本、正樣本、或兩者兼而有之。然後,樣本平衡子單元414-5可以基於該區域中的樣本(例如,僅負樣本,或負樣本和正樣本兩者)來確定合成樣本。
在一些實施例中,為了基於目標樣本來確定合成樣本,樣本平衡子單元414-5可以基於對應於訓練資料(例如,目標樣本的目標特徵向量的附近的一個樣本)中的樣本(例如,負樣本、正樣本)的特徵向量和對應於目標樣本的目標特徵向量之間的距離,直接選擇目標特徵向量的一定數量(例如,第二數量)的近鄰,而不執行操作820。
圖8A描述了為目標負樣本確定合成樣本的流程800。為了產生平衡樣本成分,處理裝置112可以針對訓練資料中的至少一些負樣本中的每個樣本執行流程800。
當產生對應於訓練資料中的至少一些負樣本的全部特徵向量的合成特徵向量的合成樣本時,樣本平衡子單元414-5可以指定對應於合成特徵向量的樣本作為負樣本,以使得樣本成分是平衡的。然後處理裝置112可以使用平衡樣本來訓練預測模型。在一些實施例中,可以僅基於原始訓練資料中的實際樣本的特徵向量而不是另一合成樣本的合成特徵向量來產生合成樣本的合成特徵向量。
圖9係根據本申請一些實施例所示的用於分配訂單的示例性流程的流程圖。在一些實施例中,流程900可以在如圖1所示的人工智慧系統100中實施。例如,流程900可以以指令的形式被儲存在儲存裝置150及/或其他儲存裝置(例如,ROM 230、RAM 240)中,並由伺服器110調用及/或執行(例如,伺服器110中的處理裝置112、伺服器110中的處理裝置112的處理器220、伺服器110中的處理裝置112的一個或多個模組)。
在910中,處理裝置112(例如,訂單資訊獲取單元421)可以從一個或多個服務請求者終端獲得要分配的一個或多個目標訂單。一個或多個服務請求者終端可以與一個或多個服務請求者相關。與每個目標訂單相關的資訊可以包括目標訂單的起始位置、目標訂單的目的地、從目標訂單的起始位置到目的地的路線、沿著目標訂單的路線的鄰近區域、目標訂單的開始時間、目標訂單的估計到達時間、目標訂單的類型、與目標訂單相關的服務類型或類似物或其任意組合。目標訂單的類型可以包括即時訂單或未來時間的服務預訂。服務類型可以包括計程車服務、快車服務、特殊(例如,無障礙輪椅、配備汽車座椅、一定容量或類似物)的汽車服務或類似物或其任意組合。請求者資訊獲取單元422還可以獲得與一個或多個目標訂單相關的服務請求者相關資訊。例如,請求者資訊獲取單元422還可以從伺服器110中的儲存裝置150或其他儲存裝置或人工智慧系統100的外部儲存裝置中獲得與服務請求者相關的資訊。與服務請求者相關的資訊可以包括顯示的姓名(例如,暱稱)、年齡、性別、電話號碼、服務請求者的電話品牌、職業、簡歷圖像、文件編號(例如,身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、習慣/偏好、服務請求者經常去的位置(例如,酒店、賓館、酒吧、KTV俱樂部或類似物)、被發起並隨後被服務請求者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務提供者被投訴數量及/或頻率、犯罪記錄、服務請求者在論壇、博客或社交網路上發佈的資訊或與服務請求者相關的資訊或類似物或其任意組合。
在一些實施例中,服務請求系統的一個或多個請求者終端130可以經由至少一個第一資訊交換埠向伺服器110發送及/或遞送包括一個或多個目標訂單的電子信號。一個或多個請求者終端130可以經由無線通訊與伺服器110交換資訊。服務請求系統可以包括一個或多個請求者終端130和網路120。所述至少一個第一資訊交換埠可以促進一個或多個請求者終端130中的每個請求者終端與伺服器110之間經由網路120的通訊。例如,至少一個第一資訊交換埠可以是連接到伺服器110及/或與伺服器110通訊的一個或多個網路輸入/輸出埠(例如,天線)。對應於服務請求系統或與服務請求系統通訊的至少一個第一資訊交換埠可以將包括一個或多個目標訂單的電子信號發送到處理裝置112。
在920中,處理裝置112(例如,提供者資訊獲取單元423)可以識別可用於接收一個或多個目標訂單的多個候選服務提供者。在一些實施例中,處理裝置112可以通過即時定位提供者終端的模組來獲得多個服務提供者的位置。然後,處理裝置可以識別用於接收訂單並且在每個目標訂單的起始位置周圍的預設範圍(例如,2公里)內的候選服務提供者。提供者資訊獲取單元423還可以獲得與多個候選服務提供者相關的資訊。例如,提供者資訊獲取單元423還可以從伺服器110中的儲存裝置150或其他儲存裝置或人工智慧系統100外部獲得與多個候選服務提供者相關的資訊。與候選服務提供者相關的資訊可以包括顯示的姓名(例如,暱稱)、年齡、性別、電話號碼、候選服務提供者的電話品牌、職業、電子郵寄地址、簡歷圖像、文件編號(例如,司機的駕駛證號碼、身份證號碼或類似物)、第三方帳戶(例如,電子郵件帳戶)、運輸工具類型、車齡、牌照、人工智慧系統100中的認證狀態、駕駛經驗、背書、習慣/偏好、候選服務提供者經常去的位置(例如,酒店、賓館、酒吧、KTV俱樂部或類似物)、被接受並隨後被候選服務提供者在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)取消的訂單的數量、候選服務提供者或服務請求者提交的在任何時間或特定時間段內(例如,過去一周、過去一個月、過去一年或類似物)的服務請求者被投訴數量及/或頻率、犯罪記錄、評分、候選服務提供者在論壇、博客或社交網路上發佈的資訊或與候選服務提供者相關的資訊或類似物或其任意組合。
當訂單分配模組420獲得一個或多個訂單的資訊、與一個或多個目標訂單相關的服務請求者的資訊和多個候選服務提供者的資訊時,訂單分配模組420可以發送資訊給事件預測模組410以確定目標事件發生機率。
在930中,處理裝置112(例如,請求者-提供者對確定單元424)可以通過將一個或多個目標服務請求者中的每個目標服務請求者與多個候選服務提供者中的每個候選服務提供者關聯來確定候選請求者-提供者對。請求者-提供者對確定單元可以是事件預測模組410、訂單分配模組420、或處理裝置112的其他組件的一部分。例如,假定要分配的目標訂單的計數是M1,候選服務提供者的計數是M2,請求者-提供者對確定單元可以產生個候選人請求者-提供者對。
在940中,處理裝置112(例如,事件預測模組410)可以針對每個候選請求者-提供者對確定目標事件發生的目標事件發生機率。目標事件可以包括惡性事件,例如攻擊、性騷擾、殺害、醉酒、強姦、搶劫或類似物。關於確定目標事件發生機率的詳細描述在本申請的其他地方也可以找到。例如,參見圖5及其相關描述。
當已經確定了與所有候選請求者-提供者對相對應的目標事件發生機率時,訂單分配模組420可以從事件預測模組410獲得目標事件發生機率。然後在950中,訂單分配模組420(例如,訂單分配單元425)可以至少部分地基於目標事件發生機率和相應的候選請求者-提供者對來分配目標訂單。在一些實施例中,訂單分配模組420(例如,訂單分配單元425)可以根據其他因素來確定是否向服務提供者分配目標訂單,所述其他因素包括,例如,服務提供者的位置和目標訂單的開始位置之間的距離、從服務提供者的位置移動到目標訂單的開始位置所需時間、交通訊息、提供者特徵(例如,服務提供者的服務類型、服務提供者的運輸工具類型、服務提供者的服務得分或類似物)、服務提供者的需求(例如,服務請求者的性別、服務提供者優選或接受的訂單的目的地或類似物)、服務請求者的需求(例如,服務提供者的性別)或類似物。在一些實施例中,訂單分配模組420(例如,訂單分配單元425)可以為目標事件發生機率以及此類其他因素分配權重,以決定如何分配目標訂單。在一些實施例中,對於相同的目標訂單,分配給目標事件發生機率的權重和一個或多個此類其他因素權重可以相同或不同。.在一些實施例中,分配給與目標訂單相關的目標事件發生機率的權重可以大於分配給一個或多個此類其他因素的權重。在一些實施例中,對於不同的目標訂單,分配給與目標訂單相關的目標事件發生機率的權重可以相同或不同。
在一些實施例中,處理裝置112可以經由對應於服務提供系統的至少一個第二資訊交換埠,將第二電子信號發送及/或傳輸給與多個服務提供者相關的一個或多個提供者終端,其中第二電子信號可以包括分配的目標訂單的資訊。一個或多個提供者終端140可以經由無線通訊與伺服器110交換資訊。服務提供系統可以包括一個或多個提供者終端140和網路120。至少一個第二資訊交換埠可以促進一個或多個提供者終端140與伺服器110之間的通訊。例如,至少一個第二資訊交換埠可以是連接到伺服器110及/或與伺服器110通訊的一個或多個網路輸入/輸出埠(例如,天線)。
因此,當處理裝置112分配訂單時,考慮到目標事件發生機率可以使得分配更加合理並減少目標事件(例如惡性事件)的可能性,這有助於保護人身安全及/或服務提供者及/或服務請求者的財產安全,維護社會穩定。
本申請已對基本概念做了描述,顯然,對於閱讀此申請後的本領域具有通常知識者來說,上述申請揭露僅作為示例,並不構成對本申請的限制。雖然此處並未明確說明,但本領域具有通常知識者可以進行各種變更、改良和修改。此類變更、改良和修改在本申請中被建議,所以該類變更、改良和修改仍被包含於本申請示例性實施例的精神和範圍之內。
同時,本申請使用了特定術語來描述本申請的實施例。例如,術語「一個實施例」、「一實施例」、及/或「一些實施例」意指與本申請至少一個實施例相關的某一特徵、結構或特性。因此,應當強調並注意的是,本申請中在不同位置兩次或多次提及的「一實施例」或「一個實施例」或「一替代性實施例」並不一定指同一實施例。此外,本申請的一個或多個實施例中的某些特徵、結構或特性可以進行適當的組合。
此外,本領域具有通常知識者可以理解,本申請的各態樣可以通過若干具有可專利性的種類或情況進行說明和描述,包括任何新的和有用的流程、機器、產品或物質的組合,或對其任何新的和有用的改良。相應地,本申請的各個態樣可以完全由硬體實施、可以完全由軟體(包括韌體、常駐軟體、微代碼或類似物)實施、也可以由硬體和軟體組合實施。以上硬體或軟體均可被稱為「單元」、「模組」或「系統」。此外,本申請的各態樣可以呈現為位於一個或多個電腦可讀取媒體中的電腦產品,該產品具有電腦可讀取程式碼。
電腦可讀取信號媒體包括一個含有電腦可讀取程式碼的傳播資料信號,例如在基帶上或作為載波的一部分。此類傳播信號可以有多種形式,包括電磁形式、光形式或類似物,或其任意合適的組合。電腦可讀取信號媒體為除電腦可讀取儲存媒體之外的任何電腦可讀取媒體,該媒體可以通過連接至一個指令執行系統、裝置或裝置以實現通訊、傳播或傳輸供使用的程式。位於電腦可讀取信號媒體上的程式碼可以通過任何合適的媒體進行傳播,包括無線電、纜線、光纖纜線、RF或類似物,或任何上述媒體的合適組合。
本申請各態樣操作所需的電腦程式碼可以用一種或多種程式語言的任意組合編寫,包括物件導向程式設計語言,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB. NET,Python或類似物,或類似的常規程式程式設計語言,如"C"程式設計語言,Visual Basic,Fortran 2003,Perl,COBOL 2002,PHP,ABAP,動態程式設計語言如Python,Ruby和Groovy或其它程式設計語言。程式碼可以完全在使用者電腦上執行、或部分在使用者電腦上執行,或作為獨立的軟體包、或部分在使用者電腦上執行部分在遠端電腦上執行、或完全在遠端電腦或伺服器上執行。在後一種情況下,遠端計算器可以通過任何類型的網路與使用者計算器連接,包括區域網路(LAN)或廣域網路(WAN),或連接到外部計算器(例如,通過網際網路),或在雲端計算環境中,或作為服務使用如軟體即服務(SaaS)。
此外,除非本申請專利範圍中明確說明,否則流程元素或序列的敘述順序、數字字母的使用、或其他標記的使用,並非用於限定本申請流程和方法的順序。儘管上述揭露中通過各種示例討論了一些目前認為有用的本申請的實施例,但應當理解,此類細節僅起說明的目的,附加的申請專利範圍不限於揭露的實施例,相反,申請專利範圍旨在覆蓋所有符合本申請實施例精神和範圍的修改和或均等配置。例如,雖然以上描述的各種系統元件可以通過安裝於硬體裝置中實施,但也可以只通過軟體的解決方案實施,例如在現有的伺服器或行動裝置上所安裝的方案。
同理,應當注意的是,為了簡化本申請揭露的表述,從而幫助對一個或多個申請實施例的理解,前文對本申請實施例的描述中,有時會將多種特徵歸併至一個實施例、圖式或對其的描述中。然而,此揭露方法並不意味著本申請所需的特徵比申請專利範圍中涉及的特徵多。實際上,申請專利範圍的特徵要少於上述揭露的單個實施例的全部特徵。
在一些實施例中,用於描述和要求保護本申請的某些實施例的數量,性質或類似物,應被理解為在一些情況下被術語「約」、「近似」或「基本上」修飾。除非另外說明,「約」、「近似」或「基本上」表明所述數字允許有±20%的變化。相應地,在一些實施例中,說明書和申請專利範圍中使用的數值參數均為近似值,該近似值根據個別實施例所需特點可以發生改變。在一些實施例中,數值參數應考慮規定的有效位數並採用一般位數保留的方法。儘管本申請一些實施例中用於確認其範圍廣度的數值域和參數為近似值,在具體實施例中,此類數值的設定在可行範圍內盡可能精確。
本申請中提及的所有專利、專利申請案、專利申請案的公開本和其他材料,例如論文、書籍、說明書、出版物、文件、事物或類似物,均在此通過引用的方式全部併入本申請以達到所有目的,與本文相關的任何申請文件記錄、與本文不一致或衝突的任何文件或遲早對本文相關的申請專利範圍的最廣泛範疇有限定作用的任何文件除外。舉例來說,如果在描述、定義及/或與任何所結合的材料相關的術語的使用和與本文相關的術語之間存在任何不一致或衝突,則描述、定義及/或在本文中使用的術語以本文為準。
最後,應當理解的是,本申請中所述實施例僅用以說明本申請實施例的原則。其他的變形也被包含在本申請的範圍之內。因此,作為示例而非限制,本申請實施例的替代配置可視為與本申請的教示一致。相應地,本申請的實施例不僅限於本申請明確介紹和描述的實施例。
100‧‧‧人工智慧系統
110‧‧‧伺服器
112‧‧‧處理裝置
120‧‧‧網路
120-1‧‧‧網際網路交換點
120-2‧‧‧網際網路交換點
130‧‧‧請求者終端
130-1‧‧‧行動裝置
130-2‧‧‧平板電腦
130-3‧‧‧膝上型電腦
130-4‧‧‧內建裝置
140‧‧‧提供者終端
140-1‧‧‧行動裝置
140-2‧‧‧平板電腦
140-3‧‧‧膝上型電腦
140-4‧‧‧內建裝置
150‧‧‧儲存裝置
200‧‧‧計算裝置
210‧‧‧匯流排
220‧‧‧處理器
230‧‧‧ROM
240‧‧‧RAM
250‧‧‧通訊埠
260‧‧‧輸入/輸出
270‧‧‧磁碟
300‧‧‧裝置
310‧‧‧通訊平臺
320‧‧‧顯示器
330‧‧‧圖形處理單元
340‧‧‧中央處理單元
350‧‧‧輸入/輸出
360‧‧‧記憶體
370‧‧‧行動作業系統
380‧‧‧應用程式
390‧‧‧儲存裝置
410‧‧‧事件預測模組
420‧‧‧訂單分配模組
411‧‧‧訂單特徵提取單元
412‧‧‧請求者特徵提取單元
413‧‧‧提供者特徵提取單元
414‧‧‧模型確定單元
415‧‧‧事件預測單元
414-1‧‧‧訓練資料獲取子單元
414-2‧‧‧特徵提取子單元
414-3‧‧‧特徵選擇子單元
414-4‧‧‧模型確定子單元
414-5‧‧‧樣本平衡子單元
421‧‧‧訂單資訊獲取單元
422‧‧‧請求者資訊獲取單元
423‧‧‧提供者資訊獲取單元
424‧‧‧請求者-提供者對確定單元
425‧‧‧訂單分配單元
500‧‧‧流程
510‧‧‧步驟
520‧‧‧步驟
530‧‧‧步驟
540‧‧‧步驟
550‧‧‧步驟
600‧‧‧流程
610‧‧‧步驟
620‧‧‧步驟
630‧‧‧步驟
640‧‧‧步驟
700‧‧‧流程
710‧‧‧步驟
720‧‧‧步驟
730‧‧‧步驟
800‧‧‧流程
810‧‧‧步驟
820‧‧‧步驟
830‧‧‧步驟
840‧‧‧步驟
900‧‧‧流程
910‧‧‧步驟
920‧‧‧步驟
930‧‧‧步驟
940‧‧‧步驟
950‧‧‧步驟
本申請將結合示例性實施例進一步進行描述。這些示例性的實施例將結合參考圖式進行詳細描述,圖式未按比例繪製,這些實施例是非限制性的示例性實施例,在這些實施例中,相同的元件符號表示相同的結構,其中:
圖1係根據本申請一些實施例所示的示例性人工智慧系統的方塊圖;
圖2係根據本申請一些實施例所示的示例性計算裝置的示例性硬體及/或軟體組件的示意圖;
圖3係根據本申請一些實施例所示的示例性行動裝置的示意圖;
圖4A係根據本申請一些實施例所示的示例性處理裝置的方塊圖;
圖4B係根據本申請一些實施例所示的示例性事件預測模組的方塊圖;
圖4C係根據本申請一些實施例所示的示例性模型確定單元的方塊圖;
圖4D係根據本申請一些實施例所示的示例性訂單分配模組的方塊圖;
圖5係根據本申請一些實施例所示的使用預測模型來確定目標事件的發生機率的示例性流程的流程圖;
圖6係根據本申請一些實施例所示的用於產生預測模型的示例性流程的流程圖;
圖7係根據本申請一些實施例所示的用於產生平衡樣本的示例性流程的流程圖;
圖8A係根據本申請一些實施例所示的用於產生合成樣本的示例性流程的流程圖;
圖8B係根據本申請一些實施例所示的不平衡樣本成分的示意圖;以及
圖9係根據本申請一些實施例所示的用於分配訂單的示例性流程的流程圖。
500‧‧‧流程
510‧‧‧步驟
520‧‧‧步驟
530‧‧‧步驟
540‧‧‧步驟
550‧‧‧步驟
Claims (44)
- 一種用於確定目標事件的發生機率的一個或多個電子裝置的系統,包括: 至少一個儲存裝置,所述至少一個儲存裝置包括作業系統和與所述作業系統相容的第一組指令,用於確定目標事件的發生機率;以及 至少一個處理器,所述處理器與所述至少一個儲存裝置通訊,其中當執行所述作業系統和所述第一組指令時,所述至少一個處理器用於: 提取與服務請求者相關的訂單的目標訂單特徵; 提取所述服務請求者的目標請求者特徵; 提取服務提供者的目標提供者特徵; 獲得用於確定所述目標事件的發生機率的預測模型;以及 基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
- 如申請專利範圍第1項之系統,其中,為了獲得所述預測模型,所述至少一個處理器進一步用於: 獲得訓練資料,所述訓練資料包括多個正樣本和多個負樣本,在所述多個正樣本的每個正樣本中所述目標事件沒有發生,在所述多個負樣本的每個負樣本中所述目標事件已經發生,所述多個正樣本和所述多個負樣本中的每一個樣本包括歷史交易資料和與所述歷史交易資料對應的歷史事件資料; 從所述多個正樣本和所述多個負樣本的所述歷史交易資料中提取多個候選特徵; 對於所述多個正樣本和所述多個負樣本中的每一個樣本,使用特徵選擇演算法從所述多個候選特徵中確定一個或多個目標特徵;以及 基於所述多個正樣本的所述一個或多個目標特徵、所述多個負樣本的所述一個或多個目標特徵、和所述多個正樣本和所述多個負樣本的所述歷史事件資料來產生所述預測模型。
- 如申請專利範圍第2項之系統,其中,為了獲得所述預測模型,所述至少一個處理器進一步用於: 基於所述多個正樣本和所述多個負樣本判斷出所述訓練資料包括不平衡樣本成分;以及 回應於判斷出所述訓練資料包括所述不平衡樣本成分,基於所述訓練資料,使用樣本平衡技術來平衡樣本成分。
- 如申請專利範圍第3項之系統,其中,所述樣本平衡技術包括對所述多個正樣本進行欠取樣。
- 如申請專利範圍第3或4項之系統,其中所述樣本平衡技術包括對所述多個負樣本進行過取樣。
- 如申請專利範圍第5項之系統,其中,為了平衡所述樣本成分,所述至少一個處理器進一步用於: 使用K近鄰(KNN)技術確定多個合成樣本;以及 指定所述多個合成樣品為負樣本。
- 如申請專利範圍第6項之系統,其中,為了使用所述KNN技術確定所述多個合成樣本,所述至少一個處理器用於: 基於所述負樣本的所述一個或多個目標特徵,為所述多個負樣本中的每個負樣本產生特徵向量;以及 對於每個所述特徵向量, 使用所述KNN技術確定所述特徵向量的第一數量近鄰; 根據過取樣速率從所述第一數量近鄰中選擇第二數量近鄰;以及 基於所述特徵向量和所述第二數量近鄰來產生關於所述特徵向量的合成樣本。
- 如申請專利範圍第1項之系統,其中,所述至少一個儲存裝置進一步包括第二組指令,所述第二組指令與用於分配訂單的所述作業系統相容,其中當所述至少一個處理器執行所述第二組指令時,所述至少一個處理器進一步用於: 從一個或多個請求者終端獲得一個或多個目標訂單,所述一個或多個請求者終端與一個或多個目標服務請求者相關; 識別可用於接收所述一個或多個訂單的多個候選服務提供者; 通過將所述一個或多個目標服務請求者中的每個目標服務請求者與所述多個候選服務提供者中的每個候選服務提供者加以關聯來確定候選請求者-提供者對; 對於每個所述候選請求者-提供者對,執行所述第一組指令以確定所述目標事件的發生機率;以及 至少部分地基於所述目標事件的所述發生機率和相應的候選請求者-提供者對來分配所述 一個或多個目標訂單。
- 根據申請專利範圍第1-8項中任一項所述的系統,其中,所述預測模型是極端梯度提升(Xgboost)模型。
- 根據申請專利範圍第1-9項中任一項所述的系統,其中,所述目標事件包括以下事件中的至少一個:攻擊、性騷擾、殺害、醉酒、強姦、或搶劫。
- 一種用於確定目標事件發生的機率的方法,所述方法在一個或多個電子裝置上實施,所述一個或多個電子裝置包括至少一個儲存裝置和與所述至少一個儲存裝置通訊的至少一個處理器,所述方法包括: 提取與服務請求者相關的訂單的目標訂單特徵; 提取所述服務請求者的目標請求者特徵; 提取服務提供者的目標提供者特徵; 獲得用於確定所述目標事件的發生機率的預測模型;以及 基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
- 如申請專利範圍第11項之方法,其中,獲得所述預測模型包括: 獲得訓練資料,所述訓練資料包括多個正樣本和多個負樣本,在所述多個正樣本的每個正樣本中所述目標事件沒有發生,在所述多個負樣本的每個負樣本中所述目標事件已經發生,所述多個正樣本和所述多個負樣本中的每一個樣本包括歷史交易資料和與所述歷史交易資料對應的歷史事件資料; 從所述多個正樣本和所述多個負樣本的所述歷史交易資料中提取多個候選特徵; 對於所述多個正樣本和所述多個負樣本中的每一個樣本,使用特徵選擇演算法從所述多個候選特徵中確定一個或多個目標特徵;以及 基於所述多個正樣本的所述一個或多個目標特徵、所述多個負樣本的所述一個或多個目標特徵、和所述多個正樣本和所述多個負樣本的所述歷史事件資料來產生所述預測模型。
- 如申請專利範圍第12項之方法,其中,獲取所述預測模型進一步包括: 基於所述多個正樣本和所述多個負樣本判斷出所述訓練資料包括不平衡樣本成分;以及 回應於判斷出所述訓練資料包括所述不平衡樣本成分,基於所述訓練資料,使用樣本平衡技術來平衡樣本成分。
- 如申請專利範圍第13項之方法,其中,所述樣本平衡技術包括對所述多個正樣本進行欠取樣。
- 如申請專利範圍第13或14項之方法,其中,所述樣本平衡技術包括對所述多個負樣本進行過取樣。
- 如申請專利範圍第15項之方法,其中,平衡所述樣本成分進一步包括: 使用K近鄰(KNN)技術確定多個合成樣本;以及 指定所述多個合成樣品為負樣本。
- 如申請專利範圍第16項之方法,其中,使用所述KNN技術確定所述多個合成樣本包括: 基於所述負樣本的所述一個或多個目標特徵,為所述多個負樣本中的每個負樣本產生特徵向量;以及 對於每個所述特徵向量, 使用所述KNN技術確定所述特徵向量的第一數量近鄰; 根據過取樣速率從所述第一數量近鄰中選擇第二數量近鄰;以及 基於所述特徵向量和所述第二數量近鄰來產生關於所述特徵向量的合成樣本。
- 如申請專利範圍第11項之方法,進一步包括: 從一個或多個請求者終端獲得一個或多個目標訂單,所述一個或多個請求者終端與一個或多個目標服務請求者相關; 識別可用於接收所述一個或多個訂單的多個候選服務提供者; 通過將所述一個或多個目標服務請求者中的每個目標服務請求者與所述多個候選服務提供者中的每個候選服務提供者加以關聯來確定候選請求者-提供者對; 對於每個所述候選請求者-提供者對,確定所述目標事件的發生機率;以及 至少部分地基於所述目標事件的所述發生機率和相應的候選請求者-提供者對來分配所述一個或多個目標訂單。
- 根據申請專利範圍第11-18項中任一項所述的方法,其中,所述預測模型是極端梯度提升(Xgboost)模型。
- 根據申請專利範圍第11-19項中任一項所述的方法,其中,所述目標事件包括以下事件中的至少一個:攻擊、性騷擾、殺害、醉酒、強姦、或搶劫。
- 一種非暫時性電腦可讀取媒體,包括作業系統和至少一組指令,所述至少一組指令與所述作業系統相容,用於確定目標事件的發生機率,其中當由一個或多個電子裝置的至少一個處理器執行時,所述至少一組指令指示所述至少一個處理器: 提取與服務請求者相關的訂單的目標訂單特徵; 提取所述服務請求者的目標請求者特徵; 提取服務提供者的目標提供者特徵; 獲得用於確定所述目標事件的發生機率的預測模型;以及 基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
- 一種用於確定目標事件的發生機率的一個或多個電子裝置的人工智慧系統,包括: 至少一個第一資訊交換埠,所述至少一個第一資訊交換埠與服務請求系統對應,其中所述服務請求系統經由無線通訊與一個或多個請求者終端相關,所述無線通訊位於所述至少一個第一資訊交換埠與所述一個或多個請求者終端之間; 至少一個第二資訊交換埠,所述至少一個第二資訊交換埠與服務提供系統對應,其中所述服務提供系統經由無線通訊與一個或多個提供者終端相關,所述無線通訊位於所述至少一個第二資訊交換埠與所述一個或多個提供者終端之間; 至少一個儲存裝置,所述儲存裝置包括作業系統和第一組指令,所述第一組指令與所述作業系統相容,用於確定目標事件的發生機率;以及 至少一個處理器,所述至少一個處理器與所述至少一個儲存裝置通訊,其中當執行所述作業系統和所述第一組指令時,所述至少一個處理器進一步用於: 經由所述至少一個第一資訊交換埠從與所述服務請求系統相關的請求者終端獲得服務請求者的訂單; 提取所述訂單的目標訂單特徵; 提取與所述訂單相關的所述服務請求者的目標請求者特徵; 識別與服務提供者相關的提供者終端; 提取所述服務提供者的目標提供者特徵; 獲得用於確定所述目標事件的發生機率的預測模型;以及 基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
- 如申請專利範圍第22項之系統,其中,為了獲得預測模型,所述至少一個處理器進一步用於: 獲得訓練資料,所述訓練資料包括多個正樣本和多個負樣本,在所述多個正樣本的每個正樣本中所述目標事件沒有發生,在所述多個負樣本的每個負樣本中所述目標事件已經發生,所述多個正樣本和所述多個負樣本中的每一個樣本包括歷史交易資料和與所述歷史交易資料對應的歷史事件資料; 從所述多個正樣本和所述多個負樣本的所述歷史交易資料中提取多個候選特徵; 對於所述多個正樣本和所述多個負樣本中的每一個樣本,使用特徵選擇演算法從所述多個候選特徵中確定一個或多個目標特徵;以及 基於所述多個正樣本的所述一個或多個目標特徵、所述多個負樣本的所述一個或多個目標特徵、和所述多個正樣本和所述多個負樣本的所述歷史事件資料來產生所述預測模型。
- 如申請專利範圍第23項之系統,其中,為了獲得預測模型,所述至少一個處理器進一步用於: 基於所述多個正樣本和所述多個負樣本判斷出所述訓練資料包括不平衡樣本成分;以及 回應於判斷出所述訓練資料包括所述不平衡樣本成分,基於所述訓練資料,使用樣本平衡技術來平衡樣本成分。
- 如申請專利範圍第24項之系統,其中,所述樣本平衡技術包括對所述多個正樣本進行欠取樣。
- 如申請專利範圍第24或25項之系統,其中,所述樣本平衡技術包括對所述多個負樣本進行過取樣。
- 如申請專利範圍第26項之系統,其中,為了平衡所述樣本成分,所述至少一個處理器進一步用於: 使用K近鄰(KNN)技術確定多個合成樣本;以及 指定所述多個合成樣品為負樣本。
- 如申請專利範圍第27項之系統,其中,為了使用所述KNN技術確定所述多個合成樣本,所述至少一個處理器用於: 基於所述負樣本的所述一個或多個目標特徵,為所述多個負樣本中的每個負樣本產生特徵向量;以及 對於每個所述特徵向量, 使用所述KNN技術確定所述特徵向量的第一數量近鄰; 根據過取樣速率從所述第一數量近鄰中選擇第二數量近鄰;以及 基於所述特徵向量和所述第二數量近鄰來產生關於所述特徵向量的合成樣本。
- 如申請專利範圍第22項之系統,其中所述至少一個儲存裝置進一步包括第二組指令,所述第二組指令與用於分配訂單的所述作業系統相容,其中當所述至少一個處理器執行所述第二組指令時,所述至少一個處理器進一步用於: 經由所述至少一個第一資訊交換埠從所述一個或多個請求者終端獲得第一電子信號,所述第一電子信號包括與一個或多個目標服務請求者相關的一個或多個目標訂單; 識別可用於接收所述一個或多個訂單的多個候選服務提供者; 通過將所述一個或多個目標服務請求者中的每個目標服務請求者與所述多個候選服務提供者中的每個候選服務提供者加以關聯來確定候選請求者-提供者對; 對於每個所述候選請求者-提供者對,執行所述第一組指令以確定所述目標事件的發生機率;以及 至少部分地基於所述發生機率和相應的候選請求者-提供者對來分配所述一個或多個目標訂單;以及 經由所述至少一個第二資訊交換埠將第二電子信號發送到與所述多個服務提供者相關的一個或多個提供者終端,所述第二電子信號包括所分配的目標訂單的資訊。
- 如申請專利範圍第22至29項中任一項之系統,其中,所述預測模型是極端梯度提升(Xgboost)模型。
- 根據申請專利範圍第22-30項中任一項所述的系統,其中,所述目標事件包括以下事件中的至少一個:攻擊、性騷擾、殺害、醉酒、強姦、或搶劫。
- 一種用於確定目標事件的發生機率的方法,所述方法在一個或多個電子裝置上實施,所述一個或多個電子裝置包括與一個或多個請求者終端通訊的至少一個第一資訊交換埠,與一個或多個提供者終端通訊的至少一個第二資訊交換埠,至少一個儲存裝置,和與所述至少一個儲存裝置通訊的至少一個處理器,所述方法包括: 經由所述至少一個第一資訊交換埠從請求者終端獲得服務請求者的訂單; 提取所述訂單的目標訂單特徵; 提取與所述訂單相關的服務請求者的目標請求者特徵; 識別與服務提供者相關的提供者終端; 提取所述服務提供者的目標提供者特徵; 獲得用於確定所述目標事件的發生機率的預測模型;以及 基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
- 如申請專利範圍第32項之方法,其中,獲得所述預測模型包括: 獲得訓練資料,所述訓練資料包括多個正樣本和多個負樣本,在所述多個正樣本的每個正樣本中所述目標事件沒有發生,在所述多個負樣本的每個負樣本中所述目標事件已經發生,所述多個正樣本和所述多個負樣本中的每一個樣本包括歷史交易資料和與所述歷史交易資料對應的歷史事件資料; 從所述多個正樣本和所述多個負樣本的所述歷史交易資料中提取多個候選特徵; 對於所述多個正樣本和所述多個負樣本中的每一個樣本,使用特徵選擇演算法從所述多個候選特徵中確定一個或多個目標特徵;以及 基於所述多個正樣本的所述一個或多個目標特徵、所述多個負樣本的所述一個或多個目標特徵、和所述多個正樣本和所述多個負樣本的所述歷史事件資料來產生所述預測模型。
- 如申請專利範圍第33項之方法,其中,獲得所述預測模型進一步包括: 基於所述多個正樣本和所述多個負樣本判斷出所述訓練資料包括不平衡樣本成分;以及 回應於判斷出所述訓練資料包括所述不平衡樣本成分,基於所述訓練資料,使用樣本平衡技術來平衡樣本成分。
- 如申請專利範圍第34項之方法,其中,所述樣本平衡技術包括對所述多個正樣本進行欠取樣。
- 如申請專利範圍第34或35項之方法,其中,所述樣本平衡技術包括對所述多個負樣本進行過取樣。
- 如申請專利範圍第36項之方法,其中,平衡所述樣本成分進一步包括: 使用K近鄰(KNN)技術確定多個合成樣本;以及 指定所述多個合成樣品為負樣本。
- 如申請專利範圍第37項之方法,其中,使用所述KNN技術確定所述多個合成樣本包括: 基於所述負樣本的所述一個或多個目標特徵,為所述多個負樣本中的每個負樣本產生特徵向量;以及 對於每個所述特徵向量, 使用所述KNN技術確定所述特徵向量的第一數量近鄰; 根據過取樣速率從所述第一數量近鄰中選擇第二數量近鄰;以及 基於所述特徵向量和所述第二數量近鄰來產生關於所述特徵向量的合成樣本。
- 如申請專利範圍第32項之方法,進一步包括: 經由所述至少一個第一資訊交換埠從所述一個或多個請求者終端獲得第一電子信號,所述第一電子信號包括與一個或多個目標服務請求者相關的一個或多個目標訂單; 識別可用於接收所述一個或多個訂單的多個候選服務提供者; 通過將所述一個或多個目標服務請求者中的每個目標服務請求者與所述多個候選服務提供者中的每個候選服務提供者加以關聯來確定候選請求者-提供者對; 對於每個所述候選請求者-提供者對,確定所述目標事件的發生機率; 至少部分地基於所述目標事件的所述發生機率和相應的候選請求者-提供者對來分配所述一個或多個目標訂單;以及 經由所述至少一個第二資訊交換埠將第二電子信號發送到與所述多個服務提供者相關的一個或多個提供者終端,所述第二電子信號包括所分配的目標訂單的資訊。
- 根據申請專利範圍第32-39項中任一項所述的方法,其中,所述預測模型是極端梯度提升(Xgboost)模型。
- 根據申請專利範圍第32-40項中任一項所述的方法,其中,所述目標事件包括以下事件中的至少一個:攻擊、性騷擾、殺害、醉酒、強姦、或搶劫。
- 一種非暫時性電腦可讀取媒體,包括作業系統和至少一組指令,所述至少一組指令與所述作業系統相容,用於確定目標事件的發生機率,其中當由一個或多個電子裝置的至少一個處理器執行時,所述至少一組指令指示所述至少一個處理器: 經由至少一個資訊交換埠從請求者終端獲得服務請求者的訂單; 提取所述訂單的目標訂單特徵; 提取與所述訂單相關的所述服務請求者的目標請求者特徵; 識別與服務提供者相關的提供者終端; 提取所述服務提供者的目標提供者特徵; 獲得用於確定所述目標事件的發生機率的預測模型;以及 基於所述目標訂單特徵、所述目標請求者特徵和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
- 一種用於分配訂單的人工智慧系統,包括: 事件預測模組,被配置為確定訂單的目標事件的發生機率;以及 訂單分配模組,被配置為基於所述目標事件的所述發生機率分配所述訂單。
- 如申請專利範圍第43項之系統,其中,所述事件預測模組包括: 訂單特徵提取單元,被配置為提取訂單的目標訂單特徵; 請求者特徵提取單元,被配置為提取與所述訂單相關的服務請求者的目標請求者特徵; 提供者特徵提取單元,被配置為提取服務提供者的目標提供者特徵; 模型確定單元,被配置為獲取用於確定所述目標事件的發生機率的預測模型;以及 事件預測單元,被配置為基於所述目標訂單特徵、所述目標請求者特徵、和所述目標提供者特徵,使用所述預測模型來確定所述目標事件的所述發生機率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/CN2018/099587 | 2018-08-09 | ||
PCT/CN2018/099587 WO2020029164A1 (en) | 2018-08-09 | 2018-08-09 | Systems and methods for allocating orders |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202009807A true TW202009807A (zh) | 2020-03-01 |
Family
ID=69406198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107143871A TW202009807A (zh) | 2018-08-09 | 2018-12-06 | 用於分配訂單的系統和方法 |
Country Status (9)
Country | Link |
---|---|
US (1) | US20200051193A1 (zh) |
EP (1) | EP3635675A4 (zh) |
JP (1) | JP2020531933A (zh) |
CN (1) | CN110998648A (zh) |
AU (1) | AU2018286596A1 (zh) |
CA (1) | CA3028643A1 (zh) |
SG (1) | SG11201811698UA (zh) |
TW (1) | TW202009807A (zh) |
WO (1) | WO2020029164A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787698B (zh) * | 2020-05-20 | 2022-12-21 | 南韓商韓領有限公司 | 最佳化銷貨成本之電腦實行系統以及電腦實行方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200334524A1 (en) * | 2019-04-17 | 2020-10-22 | Here Global B.V. | Edge learning |
US11244466B2 (en) * | 2020-02-27 | 2022-02-08 | Dell Products L.P. | Automated capacity management using artificial intelligence techniques |
CN111625571B (zh) * | 2020-05-28 | 2021-06-08 | 上海钧正网络科技有限公司 | 一种服务业务的匹配方法、装置、计算机设备和存储介质 |
TWI742709B (zh) | 2020-06-04 | 2021-10-11 | 國立成功大學 | 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品 |
CN112241873A (zh) * | 2020-06-12 | 2021-01-19 | 广元量知汇科技有限公司 | 基于大数据的智慧政务云平台 |
CN111931101A (zh) * | 2020-06-30 | 2020-11-13 | 汉海信息技术(上海)有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN111881375A (zh) * | 2020-07-28 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种顺路订单分配方法、装置、电子设备及可读存储介质 |
CN112053116B (zh) * | 2020-09-10 | 2023-11-03 | 江苏运满满同城信息科技有限公司 | 一种可拼车订单识别方法和装置 |
CN112330321A (zh) * | 2020-11-20 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN112766394B (zh) * | 2021-01-26 | 2024-03-12 | 维沃移动通信有限公司 | 建模样本生成方法及装置 |
CN113052345B (zh) * | 2021-03-29 | 2022-07-29 | 浙江吉利控股集团有限公司 | 一种预约订单的分配方法及分配系统 |
CN113762980A (zh) * | 2021-03-29 | 2021-12-07 | 北京京东拓先科技有限公司 | 外呼订单分派方法、装置、设备及存储介质 |
CN113450002A (zh) * | 2021-07-01 | 2021-09-28 | 京东科技控股股份有限公司 | 任务的分配方法、装置、电子设备及存储介质 |
CN116611664B (zh) * | 2023-06-13 | 2024-02-13 | 杭州派迩信息技术有限公司 | 一种地服标签管理系统及其装置、方法 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155877B2 (en) * | 2007-11-29 | 2012-04-10 | Microsoft Corporation | Location-to-landmark |
CN101430709B (zh) * | 2008-09-24 | 2011-04-06 | 腾讯科技(深圳)有限公司 | 富媒体信息的近邻查找方法和装置 |
CN102521656B (zh) * | 2011-12-29 | 2014-02-26 | 北京工商大学 | 非平衡样本分类的集成迁移学习方法 |
CN102789578B (zh) * | 2012-07-17 | 2014-08-27 | 北京市遥感信息研究所 | 基于多源目标特征支持的红外遥感图像变化检测方法 |
CN103400144B (zh) * | 2013-07-17 | 2017-02-22 | 山东师范大学 | 一种基于k近邻的支持向量机主动学习的方法 |
CN104503436B (zh) * | 2014-12-08 | 2017-06-23 | 浙江大学 | 一种基于随机投影和k近邻的快速故障检测方法 |
CN105096166A (zh) * | 2015-08-27 | 2015-11-25 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
CN105118013A (zh) * | 2015-07-29 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 一种订单的分配方法及装置 |
US10540611B2 (en) * | 2015-05-05 | 2020-01-21 | Retailmenot, Inc. | Scalable complex event processing with probabilistic machine learning models to predict subsequent geolocations |
CN112149855A (zh) * | 2015-07-28 | 2020-12-29 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及装置 |
US9734455B2 (en) * | 2015-11-04 | 2017-08-15 | Zoox, Inc. | Automated extraction of semantic information to enhance incremental mapping modifications for robotic vehicles |
CN106909981B (zh) * | 2015-12-23 | 2020-08-25 | 阿里巴巴集团控股有限公司 | 模型训练、样本平衡方法及装置以及个人信用评分系统 |
CN105975992A (zh) * | 2016-05-18 | 2016-09-28 | 天津大学 | 一种基于自适应升采样的不平衡数据集分类方法 |
CN105975993A (zh) * | 2016-05-18 | 2016-09-28 | 天津大学 | 一种基于边界升采样的不平衡数据分类方法 |
AU2017265116A1 (en) * | 2016-06-06 | 2018-01-18 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for allocating appointment orders |
CN107767197B (zh) * | 2016-08-16 | 2021-06-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法及服务器 |
CN106503617A (zh) * | 2016-09-21 | 2017-03-15 | 北京小米移动软件有限公司 | 模型训练方法及装置 |
CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 提供叫车服务的方法和装置 |
US10720050B2 (en) * | 2016-10-18 | 2020-07-21 | Uber Technologies, Inc. | Predicting safety incidents using machine learning |
CN108205766A (zh) * | 2016-12-19 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 信息推送方法、装置及系统 |
CN107644057B (zh) * | 2017-08-09 | 2020-03-03 | 天津大学 | 一种基于迁移学习的绝对不平衡文本分类方法 |
CN107730006B (zh) * | 2017-09-13 | 2021-01-05 | 重庆电子工程职业学院 | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 |
CN107704966A (zh) * | 2017-10-17 | 2018-02-16 | 华南理工大学 | 一种基于天气大数据的能源负荷预测系统及方法 |
CN107908819B (zh) * | 2017-10-19 | 2021-05-11 | 深圳和而泰智能控制股份有限公司 | 预测用户状态变化的方法和装置 |
CN107798390B (zh) * | 2017-11-22 | 2023-03-21 | 创新先进技术有限公司 | 一种机器学习模型的训练方法、装置以及电子设备 |
-
2018
- 2018-08-09 CN CN201880002067.5A patent/CN110998648A/zh active Pending
- 2018-08-09 EP EP18819305.6A patent/EP3635675A4/en not_active Withdrawn
- 2018-08-09 SG SG11201811698UA patent/SG11201811698UA/en unknown
- 2018-08-09 JP JP2018568432A patent/JP2020531933A/ja active Pending
- 2018-08-09 CA CA3028643A patent/CA3028643A1/en not_active Abandoned
- 2018-08-09 AU AU2018286596A patent/AU2018286596A1/en not_active Abandoned
- 2018-08-09 WO PCT/CN2018/099587 patent/WO2020029164A1/en unknown
- 2018-12-06 TW TW107143871A patent/TW202009807A/zh unknown
- 2018-12-27 US US16/234,286 patent/US20200051193A1/en not_active Abandoned
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787698B (zh) * | 2020-05-20 | 2022-12-21 | 南韓商韓領有限公司 | 最佳化銷貨成本之電腦實行系統以及電腦實行方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200051193A1 (en) | 2020-02-13 |
SG11201811698UA (en) | 2020-03-30 |
EP3635675A1 (en) | 2020-04-15 |
AU2018286596A1 (en) | 2020-02-27 |
JP2020531933A (ja) | 2020-11-05 |
CA3028643A1 (en) | 2020-02-09 |
EP3635675A4 (en) | 2020-04-15 |
CN110998648A (zh) | 2020-04-10 |
WO2020029164A1 (en) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202009807A (zh) | 用於分配訂單的系統和方法 | |
TWI676783B (zh) | 用於預估到達時間之方法及系統 | |
CN109478275B (zh) | 分配服务请求的系统和方法 | |
TWI722302B (zh) | 用於運輸能力調度的系統和方法 | |
CN111052158B (zh) | 用于分配服务请求的系统和方法 | |
TWI698817B (zh) | 用於分配線上隨選服務中的訂單的系統和方法 | |
WO2017088828A1 (en) | Systems and methods for allocating sharable orders | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
TWI703516B (zh) | 用於預估到達時間的方法以及系統 | |
CN108780562B (zh) | 更新服务序列的系统和方法 | |
AU2017410523A1 (en) | System and method for determining safety score of driver | |
TWI724958B (zh) | 用於線上到線下服務的系統、方法和電腦可讀取媒體 | |
JP6869270B2 (ja) | 組み合わせによって生じるサービス要請者を決定するためのシステム及び方法 | |
CN112236787A (zh) | 用于生成个性化目的地推荐的系统和方法 | |
CN111367575B (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
US20210042817A1 (en) | Methods and systems for order allocation | |
CN110839346A (zh) | 用于分配服务请求的系统和方法 | |
CN110832536B (zh) | 推荐上车地点的系统和方法 | |
US11120091B2 (en) | Systems and methods for on-demand services | |
CN111275233B (zh) | 资源配置方法、装置、电子设备及计算机可读存储介质 | |
WO2021012244A1 (en) | Systems and methods for order dispatching | |
WO2021232203A1 (en) | Systems and methods for online to offline services |