CN105096166A - 一种订单分配的方法及装置 - Google Patents

Abstract

本发明提供了一种订单分配的方法，包括：在接收用户设备UE的打车请求后，根据所述打车请求生成订单；根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端；针对获取的每一终端，确定该终端当前位置与所述订单的出发地的距离；采用预先建立的抢单概率预估模型，根据所述距离及当前的时间信息获得该终端的抢单概率；根据所述至少一个终端的抢单概率，对所述订单进行分配。本发明还提供了一种订单分配的装置，包括：订单生成单元、终端筛选单元、距离确定单元、抢单概率预测单元及订单分配单元。本发明在订单分配阶段，对不同区域不同时间段的播单范围进行限制，有效地减少乘客等待时间和司机空驶时间，提升司乘体验。

Description

一种订单分配的方法及装置

技术领域

本发明涉及计算机处理技术领域，尤其涉及一种订单分配的方法及装置。

背景技术

目前，打车***的使用越来越普遍，乘客可以便捷地通过用户设备(UserEquipment，简称UE)上安装的打车***发布打车请求，而打车***进一步生成订单并将订单进行分配。

现有的订单分配方法中，打车***根据司机依据其当前位置选择的听单范围进行订单播单及分配，而司机往往将听单范围设为最大听单范围以获取更多订单供自己选择。然而该分配方法在给了司机最大的选择权的同时，却使乘客付出了更多的时间成本(从等待成交到司机达到)，尤其是交通拥堵情况不一致的时候尤为明显，如北京下午6点和晚上11点，拥堵情况完全不同，若司机同样是距离乘客2km，则司机接到乘客的时间完全是不同的，若乘客等待时间过长，则司机空驶时间相应也会较长，会影响司乘体验，同时会影响订单成交率。

发明内容

针对现有技术的缺陷，本发明提供一种订单分配的方法及装置，通过在订单分配阶段，对不同区域不同时间段的播单范围进行限制，有效地减少乘客等待时间和司机空驶时间，提升司乘体验。

第一方面，本发明提供了一种订单分配的方法，该方法包括：

在接收用户设备UE的打车请求后，根据所述打车请求生成订单；以及，

根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端；

针对获取的每一终端，确定该终端当前位置与所述订单的出发地的距离；

采用预先建立的抢单概率预估模型，根据所述距离及当前的时间信息获得该终端的抢单概率；

根据所述至少一个终端的抢单概率，对所述订单进行分配；

其中，以出发地为基准，在预设时间段内订单抢单概率大于预设阈值的范围为所述订单的播单范围。

优选地，所述根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端之前，该方法还包括：

获取预设区域内的第一预设时间段内的历史订单数据；

根据所述历史订单数据及当前订单的时间信息，确定当前订单的播单范围。

优选地，该方法还包括：

将所述历史订单数据作为特征数据，采用线性回归模型对所述特征数据进行训练，得到抢单概率预估模型；

其中，所述历史订单数据包括：每一成交订单的成交距离、成交时间、终端达到订单出发地的耗时；每一应答后取消订单的抢单距离、抢单时间、取消时间及取消订单时终端距离订单出发地的距离。

优选地，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。

优选地，该方法还包括：

根据线上实时获取的订单数据，采用机器学习算法，对所述抢单概率预估模型进行优化。

优选地，所述根据所述至少一个终端的抢单概率，对所述订单进行分配，包括：

若所述至少一个终端包括一个终端，则向所述终端发送所述订单；或，

若所述至少一个终端包括多个终端，则按照所述多个终端的抢单概率从大到小的顺序，向所述多个终端依次发送所述订单。

第二方面，本发明提供了一种订单分配的装置，该装置包括：

订单生成单元，用于在接收用户设备UE的打车请求时，根据所述打车请求生成订单；

终端筛选单元，用于根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端；

距离确定单元，用于针对获取的每一终端，确定该终端当前位置与所述订单的出发地的距离；

抢单概率预测单元，用于采用预先建立的抢单概率预估模型，根据所述距离及当前的时间信息获得该终端的抢单概率；

订单分配单元，用于根据所述至少一个终端的抢单概率，对所述订单进行分配；

其中，以出发地为基准，在预设时间段内订单抢单概率大于预设阈值的范围为所述订单的播单范围。

优选地，该装置还包括播单范围确定单元，用于：

获取预设区域内的第一预设时间段内的历史订单数据；

根据所述历史订单数据及当前订单的时间信息，确定当前订单的播单范围。

优选地，该装置还包括预估模型建立单元，用于：

将所述历史订单数据作为特征数据，采用线性回归模型对所述特征数据进行训练，得到抢单概率预估模型；

其中，所述历史订单数据包括：每一成交订单的成交距离、成交时间、终端达到订单出发地的耗时；每一应答后取消订单的抢单距离、抢单时间、取消时间及取消订单时终端距离订单出发地的距离。

优选地，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。

优选地，所述装置还包括模型优化单元，用于：

根据线上实时获取的订单数据，采用机器学习算法，对所述抢单概率预估模型进行优化。

优选地，所述订单分配单元，用于：

若所述至少一个终端包括一个终端，则向所述终端发送所述订单；或，

若所述至少一个终端包括多个终端，则按照所述多个终端的抢单概率从大到小的顺序，向所述多个终端依次发送所述订单。

由上述技术方案可知，本发明提供一种订单分配的方法及装置，通过在订单分配阶段，对不同时间段的播单范围进行限制，已对终端进行初步筛选，并进一步获取筛选出的每个终端的抢单概率，并根据抢单概率对订单进行分配，如此，司机能够听单的距离变小，但订单成交的时间会更短，提高订单成交概率，且能够有效地减少乘客等待时间和司机空驶时间，提升司乘体验。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术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公开的一些实施例，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，还可以根据这些图获得其他的附图。

图1是本公开一实施例提供的一种订单分配的方法的流程示意图；

图2是本公开一实施例提供的一种订单分配的装置的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

如图1所示，为本公开一实施例提供的一种订单分配的方法的流程示意图，该方法包括如下步骤：

S1：在接收用户设备UE的打车请求后，根据所述打车请求生成订单。

其中，用户设备(UserEquipment，简称UE)是指呼叫服务方，如交通工具叫车服务中的乘客，所使用的移动终端或个人计算机(PersonalComputer，简称PC)等设备。例如智能手机、个人数码助理(PDA)、平板电脑、笔记本电脑、车载电脑(carputer)、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如GoogleGlass、OculusRift、Hololens、GearVR)等。而UE发送的打车请求还包括：出发地、目的地及所述UE的用户标识等信息中的一种或多种。UE的用户标识包含手机号码、身份标识码(Identity，简称id)、硬件地址(MediaAccessControl，简称MAC)等信息中的一种或多种。

S2：根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端；

其中，以出发地为基准，在预设时间段内订单抢单概率大于预设阈值的范围为当前订单的播单范围。举例来说，为了增加订单成交率，可将预设阈值设置为100％，则预设时间段内(如昨天)的每个订单在该播单范围内播单被抢单的概率为100％。

具体来说，根据预设时间段内的订单历史数据确定当前订单在当前时间点的播单范围，根据播单范围(最大播单距离)对终端进行初步筛选，打车***只向播单范围内的终端发送该订单信息，对设置听最合适订单的司机进行最佳距离订单匹配，从而降低乘客的等待时间，节省订单的成交时间。

本领域技术人员应当理解，本发明实施例中提及的终端为提供服务方，如交通工具叫车服务中的司机，所使用的用于接单的移动终端或个人计算机(PersonalComputer，简称PC)等设备。例如智能手机、个人数码助理(PDA)、平板电脑、笔记本电脑、车载电脑(carputer)、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如GoogleGlass、OculusRift、Hololens、GearVR)等。

S3：针对获取的每一终端，确定该终端当前位置与所述订单的出发地的距离。

具体来说，终端根据定位技术获得其当前位置并发送至打车***，打车***计算得到终端当前位置和订单出发地之间的距离。

S4：采用预先建立的抢单概率预估模型，根据所述距离及当前的时间信息获得该终端的抢单概率。

具体来说，根据步骤S3获取的距离，以及当前的时间信息，对该终端对该订单的抢单概率进行预测。还可以通过该UE出发地与目的地之间的距离、该订单价值、路况信息等等对抢单概率进行一步预测。由此可见，终端对该订单的抢单概率受到距离、及当前时间信息等的影响，而当前时间信息可以反应出高峰期或平峰期等特征，如早上8点至9点为高峰期，其对播单范围及抢单概率肯定会有所影响；而距离越近，抢单概率则相应越高。

S5：根据所述至少一个终端的抢单概率，对所述订单进行分配。

本实施例提供了一种订单分配的方法，通过在订单分配阶段，对不同时间段的播单范围进行限制，已对终端进行初步筛选，并进一步获取筛选出的每个终端的抢单概率，并根据抢单概率对订单进行分配，如此，根据司机能够听单的距离变小，订单成交的时间会更短，提高订单成交概率，且能够有效地减少乘客等待时间和司机空驶时间，提升司乘体验。

本实施例中，步骤S2之前，该方法还包括：

S00：获取预设区域内的第一预设时间段内的历史订单数据；

其中，历史订单数据包括：每一成交订单的成交距离、成交时间、终端达到订单出发地的耗时等；每一应答后取消订单的抢单距离、抢单时间、取消时间及取消订单时终端距离订单出发地的距离等。

需要说明的是，上述预设区域表示地理区域，如不同城市，或同一城市的不同区域。

S01：根据所述历史订单数据及当前订单的时间信息，确定当前订单的播单范围。

具体来说，对历史订单数据进行分析，如按小时、分区域统计历史订单数据，可以得到订单在不同区域不同时段的最大播单距离(播单范围)，而进一步根据当前订单的时间信息、出发地信息等，就可以确定当前订单的播单范围。根据步骤S00至S01可以获得不同城市不同时段的最大播单距离。

需要说明的是，应不断地播单范围进行动态的更新，即根据新发起订单是否被抢、抢单距离、抢单时间及抢单区域等相关的特征，对播单范围重新进行预估。如今天接收的订单的播单范围可根据昨天的历史订单数据进行预估。

由此可见，本实施例中订单只发送给预估得到的最大播单距离(播单范围)内的终端，即根据播单范围对终端进行筛选，防止终端的听单范围过大，从而降低乘客的等待时间，节省订单的成交时间。

进一步地，该方法还包括：

S02：将所述历史订单数据作为特征数据，采用线性回归模型对所述特征数据进行训练，得到抢单概率预估模型。

本实施例中，所述线性回归模型可为：逻辑斯特回归模型或支持向量机模型。

由于支持向量机模型效率较低，则下面以逻辑斯特回归模型作为线性回归训练模型为具体实施例，对本发明技术方案进行说明。

逻辑斯特回归(LogisticRegression)模型广泛运用于二分类问题，其中y是(0，1)标识，即对应的特征是否命中；w是该特征对应的权重。Pr(y＝1|x,w)表示预估为正例的概率，Pr(y＝0|x,w)表示预估负例的概率，具体模型如下：

$\left\{\begin{array}{c}P\left(y=1|x,w\right)=\frac{1}{1+e^{-w^{T}x}}\\ P\left(y=0|x,w\right)=\frac{e^{-w^{T}x}}{1+e^{-w^{T}x}}\end{array}\right.---\left(1\right)$

其中，x表示预测变量，y表示目标变量，y＝1表示预测为正例，y＝0表示预测为负例，w表示权重。本实施例中，y＝1表示预测为抢单，y＝0表示预测为不抢单，P(y＝1|x,w)表示抢单概率，而P(y＝0|x,w)为不抢单概率。

具体的，可以将历史订单数据抽取成预测变量x，例如，将每一成交订单的成交距离、成交时间、终端达到订单出发地的耗时等；每一应答后取消订单的抢单距离、抢单时间、取消时间及取消订单时终端距离订单出发地的距离等均抽取成边x，而将新发起订单的抢单概率为P(y＝1|x,w)。通过对历史订单的成交信息进行逻辑斯特回归模型训练，便可以对不同终端对当前待分配订单的抢单概率进行预测。

而进一步地，该方法还可包括如下步骤：

S03：根据线上实时获取的订单数据，采用机器学习算法，对所述抢单概率预估模型进行优化。

如此，通过不断添加新发起订单是否被抢相关的特征，不断地提高逻辑斯特回归模型的准确度。

本实施例中，抢单概率预估分成离线训练和线上实时计算两个阶段。离线训练阶段：将播单时的订单相关特征、终端相关特征、订单和终端相关特征等各种特征抽取成预测变量，将终端是否抢单作为目标变量，利用播单和抢单的历史数据进行模型训练，得到抢单概率预估模型。线上实时计算阶段：将模型运用于线上，对实时抽取出来的当前订单出发地与终端当前位置的距离进行计算，采用机器学习算法，对所述预先建立的抢单概率预估模型进行优化。

本实施例提供的订单分配的方法，运用机器学习算法，实现线上收集数据后的自我学习，对终端抢单概率进行精准预估。

本实施例中，步骤S5，具体包括如下步骤：

S51：若所述至少一个终端包括一个终端，则向所述终端发送所述订单；或，

S52：若所述至少一个终端包括多个终端，则按照所述多个终端的抢单概率从大到小的顺序，向所述多个终端依次发送所述订单。

实际应用中，司机通过终端设置听单范围，往往会设置为最大的范围，则终端能够抢到较远的订单，而若抢单成功，会造成乘客等待时间较长，而司机空驶时间较长，影响司乘体验。因此，本实施例中，会首先根据订单的播单范围对终端进行初步筛选，使得司机的听单范围有所限制，使得司机只能接到更近的订单。接着进一步根据筛选出来的终端对当前订单的抢单概率进行排序，依照抢单概率从大到小的顺序对订单进行分配，提高订单成交率，也能够减小乘客等待时间与司机空驶时间，提升司乘体验。

如图2所示，为本公开另一实施例提供的一种订单分配的装置的结构示意图，该装置包括：订单生成单元201、终端筛选单元202、距离确定单元203、抢单概率预测单元204及订单分配单元205。其中：

订单生成单元201，用于在接收用户设备UE的打车请求时，根据所述打车请求生成订单。

终端筛选单元202，用于根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端。

距离确定单元203，用于针对获取的每一终端，确定该终端当前位置与所述订单的出发地的距离。

抢单概率预测单元204，用于采用预先建立的抢单概率预估模型，根据所述距离及当前的时间信息获得该终端的抢单概率。

订单分配单元205，用于根据所述至少一个终端的抢单概率，对所述订单进行分配。

其中，以出发地为基准，在预设时间段内订单抢单概率大于预设阈值的范围为当前订单的播单范围。

本实施例中，该装置还包括播单范围确定单元，用于：

获取预设区域内的第一预设时间段内的历史订单数据；

根据所述历史订单数据及当前订单的时间信息，确定当前订单的播单范围。

本实施例中，该装置还包括预估模型建立单元，用于：

将所述历史订单数据作为特征数据，采用线性回归模型对所述特征数据进行训练，得到抢单概率预估模型；

其中所述历史订单数据包括：每一成交订单的成交距离、成交时间、终端达到订单出发地的耗时；每一应答后取消订单的抢单距离、抢单时间、取消时间及取消时终端距离订单出发地的距离。

本实施例中，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。

本实施例中，所述装置还包括模型优化单元，用于：

根据线上实时获取的订单数据，采用机器学习算法，对所述抢单概率预估模型进行优化。

本实施例中，所述订单分配单元，用于：

若所述至少一个终端包括一个终端，则向所述终端发送所述订单；或，

若所述至少一个终端包括多个终端，则按照所述多个终端的抢单概率从大到小的顺序，向所述多个终端依次发送所述订单。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

应当注意的是，在本公开的***的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本公开不受限于此，可以根据需要对各个部件进行重新划分或者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的子部件。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的***中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上实施方式仅适于说明本公开，而并非对本公开的限制，有关技术领域的普通技术人员，在不脱离本公开的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本公开的范畴，本公开的专利保护范围应由权利要求限定。

Claims (12)

1.一种订单分配的方法，其特征在于，该方法包括：

在接收用户设备UE的打车请求后，根据所述打车请求生成订单；以及，

根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端；

针对获取的每一终端，确定该终端当前位置与所述订单的出发地的距离；

采用预先建立的抢单概率预估模型，根据所述距离及当前的时间信息获得该终端的抢单概率；

根据所述至少一个终端的抢单概率，对所述订单进行分配；

其中，以出发地为基准，在预设时间段内订单抢单概率大于预设阈值的范围为所述订单的播单范围。

2.根据权利要求1所述的方法，其特征在于，所述根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端之前，该方法还包括：

获取预设区域内的第一预设时间段内的历史订单数据；

根据所述历史订单数据及当前订单的时间信息，确定当前订单的播单范围。

3.根据权利要求2所述的方法，其特征在于，该方法还包括：

将所述历史订单数据作为特征数据，采用线性回归模型对所述特征数据进行训练，得到抢单概率预估模型；

其中所述历史订单数据包括：每一成交订单的成交距离、成交时间、终端达到订单出发地的耗时；每一应答后取消订单的抢单距离、抢单时间、取消时间及取消时终端距离订单出发地的距离。

4.根据权利要求3所述的方法，其特征在于，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。

5.根据权利要求3所述的方法，其特征在于，该方法还包括：

根据线上实时获取的订单数据，采用机器学习算法，对所述抢单概率预估模型进行优化。

6.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个终端的抢单概率，对所述订单进行分配，包括：

若所述至少一个终端包括一个终端，则向所述终端发送所述订单；或，

若所述至少一个终端包括多个终端，则按照所述多个终端的抢单概率从大到小的顺序，向所述多个终端依次发送所述订单。

7.一种订单分配的装置，其特征在于，该装置包括：

订单生成单元，用于在接收用户设备UE的打车请求时，根据所述打车请求生成订单；

终端筛选单元，用于根据所述订单的出发地，获取所述订单的播单范围内的至少一个终端；

距离确定单元，用于针对获取的每一终端，确定该终端当前位置与所述订单的出发地的距离；

抢单概率预测单元，用于采用预先建立的抢单概率预估模型，根据所述距离及当前的时间信息获得该终端的抢单概率；

订单分配单元，用于根据所述至少一个终端的抢单概率，对所述订单进行分配；

其中，以出发地为基准，在预设时间段内订单抢单概率大于预设阈值的范围为所述订单的播单范围。

8.根据权利要求7所述的装置，其特征在于，该装置还包括播单范围确定单元，用于：

获取预设区域内的第一预设时间段内的历史订单数据；

根据所述历史订单数据及当前订单的时间信息，确定当前订单的播单范围。

9.根据权利要求8所述的装置，其特征在于，该装置还包括预估模型建立单元，用于：

将所述历史订单数据作为特征数据，采用线性回归模型对所述特征数据进行训练，得到抢单概率预估模型；

其中，所述历史订单数据包括：每一成交订单的成交距离、成交时间、终端达到订单出发地的耗时；每一应答后取消订单的抢单距离、抢单时间、取消时间及取消订单时终端距离订单出发地的距离。

10.根据权利要求9所述的装置，其特征在于，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。

11.根据权利要求9所述的装置，其特征在于，所述装置还包括模型优化单元，用于：

根据线上实时获取的订单数据，采用机器学习算法，对所述抢单概率预估模型进行优化。

12.根据权利要求7所述的装置，其特征在于，所述订单分配单元，用于：

若所述至少一个终端包括一个终端，则向所述终端发送所述订单；或，

若所述至少一个终端包括多个终端，则按照所述多个终端的抢单概率从大到小的顺序，向所述多个终端依次发送所述订单。