CN105117777A - 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：根据终端对应的订单匹配条件对当前订单进行条件匹配，筛选出符合所述订单匹配条件的订单；所述当前订单为打车平台中待分配的订单；针对筛选出的每一订单，根据预设策略确定该订单对应所述终端的顺路等级；以及采用预先建立的抢单概率预估模型，根据该订单的顺路等级预测所述终端的订单抢单概率；根据所述订单抢单概率，确定是否向所述终端分配筛选出的该订单。本发明还提供了一种订单分配的装置，包括订单筛选单元、顺路等级确定单元、抢单概率预测单元和订单分配单元。利用本发明的订单分配的方法和设备，可以有效减少司机空驶里程和乘客等待时间，从而提升用户体验。

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

随着使用打车软件的司机和乘客数量日益增多，司机并不能百分百保证全天在线接单，很多时候司机由于临时有事只能放弃接单，从而行驶去某地处理自己的事情。

通过对司机的调研，可知针对上述情况，司机其实仍是有很强烈的欲望去接单的。虽然现有的抢单方式给了司机很广泛的选择权利，但是当出现上述状况时，司机仍很难遇到适合的订单，尤其是由抢单变为指派的时候，听单密度降低，司机更难遇到自己所需要的订单。

如何根据司机的接单意愿，实现司机与乘客的最佳订单匹配是一个急需解决的问题。

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，根据司机的接单意愿进行订单的筛选，保证订单分配的准确性，有效地减少司机空驶里程。

根据本发明的一个方面，提供了一种订单分配的方法，该方法包括：

根据终端对应的订单匹配条件对当前订单进行条件匹配，筛选出符合所述订单匹配条件的订单；所述当前订单为打车平台中待分配的订单；

针对筛选出的每一订单，根据预设策略确定该订单对应所述终端的顺路等级；以及

采用预先建立的抢单概率预估模型，根据该订单的顺路等级预测所述终端的订单抢单概率；

根据所述订单抢单概率，确定是否向所述终端分配筛选出的该订单。

可选的，所述方法还包括：

获取终端对应的订单匹配条件；

所述订单匹配条件的获取方式，包括：

接收终端上传的订单匹配条件，或

基于所述终端当前的运动状态信息，根据预设规则确定所述终端对应的订单匹配条件。

可选的，所述根据预设策略确定该订单对应所述终端的顺路等级，包括：

获取筛选出的所述订单的始发地和目的地；

获取所述终端所属用户当前的目的地；

根据预设策略确定所述订单的始发地和目的地对应所述终端所属用户当前的目的地的顺路等级；

其中，所述顺路等级包括直达和间达。

可选的，所述方法还包括：

获取终端在预定时间段内的历史订单数据；

将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述抢单概率预估模型；

其中，所述历史订单数据中包括每一历史订单对应所述终端的顺路等级特征。

可选的，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。

可选的，所述方法还包括：

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；

所述实时获取的订单数据中包括该订单对应所述终端的顺路等级特征。

可选的，根据所述订单抢单概率，确定是否向所述终端分配筛选出的该订单，具体包括：

判断所述订单抢单概率是否大于预设阈值；

若所述订单抢单概率大于预设阈值，则确定该订单符合订单分配条件，并向所述终端分配筛选出的该订单。

可选的，当筛选出的订单中，存在多个符合订单分配条件的订单时，所述方法还包括：

按照订单抢单概率从大到小的顺序，向所述终端分配符合订单分配条件的订单。

根据本发明的另一个方面，提供了一种订单分配的装置，该装置包括：

订单筛选单元，用于根据终端对应的订单匹配条件对当前订单进行条件匹配，筛选出符合所述订单匹配条件的订单；所述当前订单为打车平台中待分配的订单；

顺路等级确定单元，用于针对所述订单筛选单元筛选出的每一订单，根据预设策略确定该订单对应所述终端的顺路等级；

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，根据该订单的顺路等级预测所述终端的订单抢单概率；

订单分配单元，用于根据所述抢单概率预测单元预测出的订单抢单概率，确定是否向所述终端分配筛选出的该订单。

可选的，所述装置还包括：

匹配条件获取单元，用于获取终端对应的订单匹配条件；

所述匹配条件获取单元，包括：接收模块或判定模块；

所述接收模块，用于接收终端上传的订单匹配条件；

所述判定模块，用于基于所述终端当前的运动状态信息，根据预设规则确定所述终端对应的订单匹配条件。

可选的，所述顺路等级确定单元包括：

订单地址获取模块，用于获取筛选出的所述订单的始发地和目的地；

终端地址获取模块，用于获取所述终端所属用户当前的目的地；

顺路等级判定模块，用于根据预设策略确定所述订单的始发地和目的地对应所述终端所属用户当前的目的地的顺路等级；

其中，所述顺路等级包括直达和间达。

可选的，所述装置还包括：

历史数据获取单元，用于获取终端在预定时间段内的历史订单数据；

预测模型建立单元，用于将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述抢单概率预估模型；

其中，所述历史订单数据中包括每一历史订单对应所述终端的顺路等级特征。

可选的，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。

可选的，所述预测模型建立单元，还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；

其中，所述实时获取的订单数据中包括该订单对应所述终端的顺路等级特征。

可选的，所述订单分配单元，包括：

判断模块，用于判断所述订单抢单概率是否大于预设阈值；

分配模块，用于当所述判断模块的判断结果为所述订单抢单概率大于预设阈值时，确定该订单符合订单分配条件，并向所述终端分配筛选出的该订单。

可选的，所述分配模块，还用于当筛选出的订单中，存在多个符合订单分配条件的订单时，按照订单抢单概率从大到小的顺序，向所述终端分配符合订单分配条件的订单。

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，通过司机对订单的匹配条件进行限定，根据司机的接单意愿在订单分配初期进行初步筛选，并针对初步筛选结果进行订单抢单概率预测，以基于订单抢单概率进行订单的分配，实现订单精准推送，有效减少司机空驶里程和乘客等待时间，从而提升用户体验。

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是本公开另一实施例提供的一种订单分配的方法的流程示意图；

图3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；

图4是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。

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。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

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：

S11、根据终端对应的订单匹配条件对当前订单进行条件匹配，筛选出符合所述订单匹配条件的订单；所述当前订单为打车平台中待分配的订单；

实际应用中，打车平台接收到用户设备(UserEquipment，简称UE)发送的打车请求后，根据所述打车请求生成相应的订单。其中，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。打车平台根据打车请求中包括的出发地信息，在一定时间长度内自动推送给预定范围以内的出租车司机的终端，司机可以通过该终端进行一键抢应，并和乘客保持联系。

本实施例中，当打车平台根据所述打车请求生成相应的订单后，打车平台会根据终端对应的订单匹配条件对当前订单进行条件匹配，筛选出符合所述订单匹配条件的打车平台中待分配的订单向终端分配。通过司机对订单的匹配条件进行限定，并根据司机的接单意愿从订单分配初期进行初步筛选，实现订单精准推送，有效减少司机空驶里程和乘客等待时间，从而提升用户体验的优点。

其中，订单匹配条件包括订单的匹配范围、匹配时间等条件。具体的，订单的匹配范围可根据终端所属城市、城区以及终端当前所处的地理位置、当前的运动状态和终端所属司机用户当前的目的地进行确定；匹配时间可根据终端所属司机用户当前的时间安排确定。

S12、针对筛选出的每一订单，根据预设策略确定该订单对应所述终端的顺路等级；

具体的，所述根据预设策略确定该订单对应所述终端的顺路等级，进一步包括以下图中未示出的步骤：

S121、获取筛选出的所述订单的始发地和目的地；

S122、获取所述终端所属用户当前的目的地；

S123、根据预设策略确定所述订单的始发地和目的地对应所述终端所属用户当前的目的地的顺路等级；

本实施例中，所述顺路等级包括直达和间达。在实际应用中，顺路等级的具体设定可根据用户需求进行更加准确的设定和划分，例如，可见顺路等级根据司机用户实际需要行驶的路面距离，和/或，实际行驶需要的时间等划分为A、B、C、D、E五个等级，其中，司机用户实际需要行驶的路面距离，和/或，实际行驶需要的时间，即为用于确定订单对应所述终端的顺路等级的预设策略。

其中，对于订单的信息，包括但不限于如下内容：订单的始发地、订单的目的地、乘客愿意额外支付的附加费、乘客愿意等待的时间、乘客是否携带大件行李等。其中，对于订单的始发地，既可以由乘客使用其用户设备启动打车软件乘客端来键入或者说出，也可以经由乘客的用户设备中的定位***，例如全球定位***、基站定位***等，所获得的定位信息来确定，还可以在适当的情况下经由其他信息来确定，其中，该其他信息可以包括但不限于公交车站、地铁站、特定路口和特定建筑物以及在这些位置处所张贴的二维码信息等。

本实施例中，通过从每一订单的信息中获取筛选出的符合终端对应的订单匹配条件的各个订单的始发地和订单的目的地，并根据终端上传的终端所属用户当前的行程获取该终端所属用户的目的地，然后根据预设策略确定每一订单的始发地和目的地对应所述终端所属用户当前的目的地的顺路等级。

S13、采用预先建立的抢单概率预估模型，根据该订单的顺路等级预测所述终端的订单抢单概率；

本步骤中，根据步骤S12中确定出的每一订单对应当前终端的顺路等级，并依据订单的顺路等级特征，预测终端相对于该订单的抢单概率。

S14、根据所述订单抢单概率，确定是否向所述终端分配筛选出的该订单。

本发明实施例提供的订单分配的方法，通过司机对订单的匹配条件进行限定，根据司机的接单意愿在订单分配初期进行初步筛选，并针对初步筛选结果进行订单抢单概率预测，以基于订单抢单概率进行订单的分配，实现订单精准推送，有效减少司机空驶里程和乘客等待时间，从而提升用户体验。

本领域技术人员应当理解，本发明实施例中提及的用户设备(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。

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。

本实施例中，为了区别乘客和司机，分别采用用户设备UE和终端来分别表示乘客和司机所持的移动终端等设备。

进一步地，本公开的另一实施例中提供的订单的分配方法，如图2所示，在步骤S11之前，还包括步骤S10：

S10、获取终端对应的订单匹配条件；

具体的，步骤S10中的订单匹配条件的获取方式，进一步包括：

接收终端上传的订单匹配条件，或

基于所述终端当前的运动状态信息，根据预设规则确定所述终端对应的订单匹配条件。

本实施例中，提供了两种订单匹配条件的获取方式，(1)通过接收司机直接通过终端上传的订单匹配条件；(2)监测终端当前的运动状态信息，如行驶速度、行驶方向等，基于终端当前的运动状态信息，根据预设规则确定所述终端对应的订单匹配条件。

其中，第二种订单匹配条件的获取方式中的预设规则，可根据司机可接受的距离上差距和时间差距进行规则设定。

进一步地，本实施例提供的订单的分配方法还包括以下图中未示出的步骤：

A01、获取终端在预定时间段内的历史订单数据；

A02、将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述抢单概率预估模型；

其中，所述历史订单数据中包括每一历史订单对应所述终端的顺路等级特征。

本实施例中，线性回归模型可以是以下中的一种：逻辑斯特回归模型、支持向量机模型。

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，在预测变量X＝x时，目标变量Y＝1的概率如下公式表示：

P(Y＝1|X＝x)＝1/(1+exp(-w*x)

在预测变量X＝x时，目标变量Y＝0的概率如下公式表示：

P(Y＝0|X＝x)＝1-1/(1+exp(-w*x)

其中，x表示预测变量，y表示目标变量，y＝1表示预测为抢单，y＝0表示预测为不抢单，w表示模型参数。

具体的，可以将历史订单数据(例如，播单时的订单相关特征、司机相关特征、订单和司机相关特征等中的一个或多个)抽取成预测变量X，而将新发起订单的竞争概率作为目标变量Y。通过对历史订单的成交信息进行逻辑斯特回归模型训练，便可以对当前待分配订单的竞争概率进行预测。在实践过程中，还可以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。

本实施例提供的订单的分配方法，在步骤A02之后，进一步包括以下图中未示出的步骤：

A03、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；

其中，实时获取的订单数据中包括该订单对应所述终端的顺路等级特征。

本实施例中，订单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、司机相关特征、订单和司机相关特征等各种特征抽取成预测变量，将司机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，得到抢单概率预测模型。线上实时计算阶段：将模型运用于线上，对实时抽取出来的订单对应所述终端的顺路等级进行计算，采用机器学习算法，对所述预先建立的预测模型进行优化。

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，对司机接单概率的精准预估。

本实施例中，步骤S14具体包括以下图中未示出的步骤：

S141、判断所述订单抢单概率是否大于预设阈值；

S141、当所述订单抢单概率大于预设阈值时，确定该订单符合订单分配条件，并向所述终端分配筛选出的该订单。

进一步地，当筛选出的订单中，存在多个符合订单分配条件的订单时，本实施例提出的订单分配的方法，还包括：

按照订单抢单概率从大到小的顺序，向所述终端分配符合订单分配条件的订单。

实际应用中，乘客根据自己的出行需求发送订单，司机按照自己的载客需求选取订单，通常司机会设定自己想去的目的地的。为此，本实施例的订单分配的方法，通过司机对订单的匹配条件进行限定，根据司机的接单意愿在订单分配初期进行初步筛选，并针对初步筛选结果进行订单抢单概率预测，以基于订单抢单概率进行订单的分配，实现订单精准推送，有效减少司机空驶里程和乘客等待时间，从而提升用户体验。

如图3所示，为本公开另一实施例提供了一种订单分配的装置的结构示意图，该装置包括：订单筛选单元201、顺路等级确定单元202、抢单概率预测单元203及订单分配单元204，其中：

所述的订单筛选单元201，用于根据终端对应的订单匹配条件对当前订单进行条件匹配，筛选出符合所述订单匹配条件的订单；所述当前订单为打车平台中待分配的订单；

所述的顺路等级确定单元202，用于针对所述订单筛选单元筛选出的每一订单，根据预设策略确定该订单对应所述终端的顺路等级；

所述的抢单概率预测单元203，用于采用预先建立的抢单概率预估模型，根据该订单的顺路等级预测所述终端的订单抢单概率；

所述的订单分配单元204，用于根据所述抢单概率预测单元预测出的订单抢单概率，确定是否向所述终端分配筛选出的该订单。

本发明实施例提供的订单分配的装置，通过司机对订单的匹配条件进行限定，根据司机的接单意愿在订单分配初期进行初步筛选，并针对初步筛选结果进行订单抢单概率预测，以基于订单抢单概率进行订单的分配，实现订单精准推送，有效减少司机空驶里程和乘客等待时间，从而提升用户体验。

进一步地，本公开的另一实施例中提供的订单的分配装置，如图4所示，还包括匹配条件获取单元200；

具体的，所述的匹配条件获取单元200，用于获取终端对应的订单匹配条件；

其中，所述匹配条件获取单元200，进一步地包括：接收模块或判定模块；

所述接收模块，用于接收终端上传的订单匹配条件；

所述判定模块，用于基于所述终端当前的运动状态信息，根据预设规则确定所述终端对应的订单匹配条件。

具体的，所述顺路等级确定单元202，进一步包括订单地址获取模块、终端地址获取模块以及顺路等级判定模块，其中：

所述的订单地址获取模块，用于获取筛选出的所述订单的始发地和目的地；

所述的终端地址获取模块，用于获取所述终端所属用户当前的目的地；

所述的顺路等级判定模块，用于根据预设策略确定所述订单的始发地和目的地对应所述终端所属用户当前的目的地的顺路等级；

其中，所述顺路等级包括直达和间达。

本实施例中，上述订单分配的装置还包括图3中未示出的历史数据获取单元和预测模型建立单元，其中；

所述的历史数据获取单元，用于获取终端在预定时间段内的历史订单数据；

所述的预测模型建立单元，用于将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述抢单概率预估模型；

其中，所述历史订单数据中包括每一历史订单对应所述终端的顺路等级特征。

其中，所述线性回归模型可以是以下中的一种：逻辑斯特回归模型、支持向量机模型。

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，在预测变量X＝x时，目标变量Y＝1的概率如下公式表示：

P(Y＝1|X＝x)＝1/(1+exp(-w*x)

在预测变量X＝x时，目标变量Y＝0的概率如下公式表示：

P(Y＝0|X＝x)＝1-1/(1+exp(-w*x)

其中，x表示预测变量，y表示目标变量，y＝1表示预测为抢单，y＝0表示预测为不抢单，w表示模型参数。

具体的，可以将历史订单数据(例如，播单时的订单相关特征、司机相关特征、订单和司机相关特征等中的一个或多个)抽取成预测变量X，而将新发起订单的竞争概率作为目标变量Y。通过对历史订单的成交信息进行逻辑斯特回归模型训练，便可以对当前待分配订单的竞争概率进行预测。在实践过程中，还可以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。

进一步地，所述预测模型建立单元，还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；

其中，所述实时获取的订单数据中包括该订单对应所述终端的顺路等级特征。

进一步地，所述订单分配单元204，具体包括判断模块和分配模块，其中：

所述的判断模块，用于判断所述订单抢单概率是否大于预设阈值；

所述的分配模块，用于当所述判断模块的判断结果为所述订单抢单概率大于预设阈值时，确定该订单符合订单分配条件，并向所述终端分配筛选出的该订单。

其中，所述分配模块，还用于当筛选出的订单中，存在多个符合订单分配条件的订单时，按照订单抢单概率从大到小的顺序，向所述终端分配符合订单分配条件的订单。

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。

综上所述，根据上述本公开实施例，提供的一种订单分配的方法及装置，通过司机对订单的匹配条件进行限定，根据司机的接单意愿在订单分配初期进行初步筛选，并针对初步筛选结果进行订单抢单概率预测，以基于订单抢单概率进行订单的分配，实现订单精准推送，有效减少司机空驶里程和乘客等待时间，从而提升用户体验。

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 (16)

1.一种订单分配的方法，其特征在于，该方法包括：

根据终端对应的订单匹配条件对当前订单进行条件匹配，筛选出符合所述订单匹配条件的订单；所述当前订单为打车平台中待分配的订单；

针对筛选出的每一订单，根据预设策略确定该订单对应所述终端的顺路等级；以及

采用预先建立的抢单概率预估模型，根据该订单的顺路等级预测所述终端的订单抢单概率；

根据所述订单抢单概率，确定是否向所述终端分配筛选出的该订单。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取终端对应的订单匹配条件；

所述订单匹配条件的获取方式，包括：

接收终端上传的订单匹配条件，或

基于所述终端当前的运动状态信息，根据预设规则确定所述终端对应的订单匹配条件。

3.根据权利要求1所述的方法，其特征在于，所述根据预设策略确定该订单对应所述终端的顺路等级，包括：

获取筛选出的所述订单的始发地和目的地；

获取所述终端所属用户当前的目的地；

根据预设策略确定所述订单的始发地和目的地对应所述终端所属用户当前的目的地的顺路等级；

其中，所述顺路等级包括直达和间达。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取终端在预定时间段内的历史订单数据；

将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述抢单概率预估模型；

其中，所述历史订单数据中包括每一历史订单对应所述终端的顺路等级特征。

5.根据权利要求4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。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

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；

所述实时获取的订单数据中包括该订单对应所述终端的顺路等级特征。

7.根据权利要求1所述的方法，其特征在于，根据所述订单抢单概率，确定是否向所述终端分配筛选出的该订单，具体包括：

判断所述订单抢单概率是否大于预设阈值；

若所述订单抢单概率大于预设阈值，则确定该订单符合订单分配条件，并向所述终端分配筛选出的该订单。

8.根据权利要求7所述的方法，其特征在于，当筛选出的订单中，存在多个符合订单分配条件的订单时，所述方法还包括：

按照订单抢单概率从大到小的顺序，向所述终端分配符合订单分配条件的订单。

9.一种订单分配的装置，其特征在于，该装置包括：

订单筛选单元，用于根据终端对应的订单匹配条件对当前订单进行条件匹配，筛选出符合所述订单匹配条件的订单；所述当前订单为打车平台中待分配的订单；

顺路等级确定单元，用于针对所述订单筛选单元筛选出的每一订单，根据预设策略确定该订单对应所述终端的顺路等级；

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，根据该订单的顺路等级预测所述终端的订单抢单概率；

订单分配单元，用于根据所述抢单概率预测单元预测出的订单抢单概率，确定是否向所述终端分配筛选出的该订单。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

匹配条件获取单元，用于获取终端对应的订单匹配条件；

所述匹配条件获取单元，包括：接收模块或判定模块；

所述接收模块，用于接收终端上传的订单匹配条件；

所述判定模块，用于基于所述终端当前的运动状态信息，根据预设规则确定所述终端对应的订单匹配条件。

11.根据权利要求9所述的装置，其特征在于，所述顺路等级确定单元包括：

订单地址获取模块，用于获取筛选出的所述订单的始发地和目的地；

终端地址获取模块，用于获取所述终端所属用户当前的目的地；

顺路等级判定模块，用于根据预设策略确定所述订单的始发地和目的地对应所述终端所属用户当前的目的地的顺路等级；

其中，所述顺路等级包括直达和间达。

12.根据权利要求9所述的装置，其特征在于，所述装置还包括：

历史数据获取单元，用于获取终端在预定时间段内的历史订单数据；

预测模型建立单元，用于将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行训练，得到所述抢单概率预估模型；

其中，所述历史订单数据中包括每一历史订单对应所述终端的顺路等级特征。

13.根据权利要求12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。

14.根据权利要求12所述的装置，其特征在于，所述预测模型建立单元，还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；

其中，所述实时获取的订单数据中包括该订单对应所述终端的顺路等级特征。

15.根据权利要求9所述的装置，其特征在于，所述订单分配单元，包括：

判断模块，用于判断所述订单抢单概率是否大于预设阈值；

分配模块，用于当所述判断模块的判断结果为所述订单抢单概率大于预设阈值时，确定该订单符合订单分配条件，并向所述终端分配筛选出的该订单。

16.根据权利要求15所述的装置，其特征在于，所述分配模块，还用于当筛选出的订单中，存在多个符合订单分配条件的订单时，按照订单抢单概率从大到小的顺序，向所述终端分配符合订单分配条件的订单。