CN105118013A - 一种订单的分配方法及装置 - Google Patents

Abstract

本发明提供了一种订单的分配方法，包括：获取UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取UE到每一终端的路面距离；根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率；根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。本发明还提供了一种订单的分配装置，包括：坐标信息获取单元、路面距离获取单元、抢单概率预测单元和订单分配单元。本发明通过将终端与UE的路面距离作为影响排序的因素，有效地减少司机空驶里程和乘客等待时间，从而提升用户打车体验。

Description

一种订单的分配方法及装置

技术领域

本发明涉及计算机处理技术领域，尤其涉及一种订单的分配方法及装置。

背景技术

随着智能设备和移动互联网技术的发展，打车软件的普及给人们的出行带来了极大的便利。当前打车需求已经是社会各阶层人士的普遍需求，打车软件已基本解决了出租车司机和乘客之间的信息不对称问题。乘客和司机使用叫车服务***时，***后台会根据设定的策略将乘客和司机进行匹配，使乘客能够打到车，司机能够接到订单，从而满足司机和乘客的双方需求。

随着使用打车软件的司机和乘客数量日益增多，如何对同时在线的大规模订单和司机进行快速的最佳匹配，对算法和架构是一个极具挑战性的问题。

实际环境中，在实际的订单匹配中，现有技术中使用的是司机和订单的点线距离。司机可能听到周边一定范围内的订单，但是经常会出现司机行驶方向和订单方位不一致，点线距离很近实际接到乘客却很远等司机获得的距离信息不准确情况。比如，司机当前正在向正东方向行驶，但是给司机播送的订单相对司机而言在正西方向；或，司机在四环东向辅路行驶，订单在前方四环西向辅路旁，如果司机接了这两类订单，均需要调头去接乘客，在实际城市道路环境下，可能需要很长的时间(考虑到城市路况)。因此，尽管直线距离很近但是很多时候司机却不敢接订单，因为不知道实际要跑多远的路才能接到乘客，尤其是不熟悉的地方，一旦距离很远乘客取消的概率就会变得非常高。对***平台而言这是一种浪费，不仅占用了司机信道，同时耽误了订单成交，严重影响司机和乘客的打车体验。

发明内容

针对现有技术的缺陷，本发明提供一种订单的分配方法及装置，通过在订单的分配阶段，将司机与订单的路面距离作为影响排序的因素，有效地减少司机空驶里程和乘客等待时间，从而提升用户打车体验。

根据本发明的一个方面，提供了一种订单的分配方法，该方法包括：

在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；

根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取所述UE到每一终端的路面距离；

根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率；

根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。

可选的，根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率，包括：

采用预先建立的预测模型，预测所述每一终端的订单抢单概率；

其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模型的目标变量。

可选的，在采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，所述方法还包括：

获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离；

将历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。

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的相关特征信息和相应订单中所述终端对应的路面距离，采用机器学习算法，对所述预先建立的预测模型进行优化。

可选的，所述根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单，具体包括：

选取所述订单抢单概率中大于预设阈值的订单抢单概率，向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单。

可选的，所述方法还包括：

根据预设时间周期更新所述UE所属城市的交通地图信息。

根据本发明的另一个方面，提供了一种订单的分配装置，该装置包括：

坐标信息获取单元，用于在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；

路面距离获取单元，用于根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取所述UE到每一终端的路面距离；

抢单概率预测单元，用于根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该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每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。

可选的，所述抢单概率预测单元，具体用于采用预先建立的预测模型，预测所述每一终端的订单抢单概率；

其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模型的目标变量。

可选的，所述装置还包括：

历史数据获取单元，用于在所述抢单概率预测单元采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离；

预测模型建立单元，用于将所述历史数据获取单元获取的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。

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的相关特征信息和相应订单中所述终端对应的路面距离，采用机器学习算法，对所述预先建立的预测模型进行优化。

可选的，所述订单分配单元，具体用于选取所述订单抢单概率中大于预设阈值的订单抢单概率，向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单。

可选的，所述装置还包括：

地图信息更新单元，用于根据预设时间周期更新所述UE所属城市的交通地图信息。

本发明的有益效果为：

本发明提供的订单的分配方法及装置，通过在订单分配阶段，引入路面距离的特征，将UE到每一终端的路面距离作为影响订单分配的因素，根据路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率，并根据预测出的每一终端的订单抢单概率，优先向终端分配路面距离更近的订单，使得订单分配更为准确，从而有效地减少司机空驶里程和乘客等待时间，提升用户打车体验。

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为本公开一实施例提供的一种订单的分配方法的流程示意图；

图2为本公开一实施例提供的订单的分配方法的应用场景示意图；

图3为本发明公开另一实施例提供的一种订单的分配装置的结构示意图。

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发明一部分实施例，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，都属于本发明保护的范围。

以下对本公开实施例中提及的部分词语进行举例说明。

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。

图1示出了本公开实施例提供的一种订单的分配方法的流程示意图。

如图1所示，本实施例提供的订单的分配方法包括如下步骤：

S11、在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；

具体的，可以将用户设备UE的坐标信息添加到UE发送的打车请求中，在接收UE发送的打车请求之后，从打车请求中获取所述UE的坐标信息。通过实时接收UE的坐标信息的预设范围内的各个终端的的位置信息可由定位***定位信息和/或基站定位信息来确定并实时上传。

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。

其中，预设范围的具体取值可根据UE所属城市的交通路况、所属城市的具体城区等信息进行设置和调整。例如，若UE所属城市为北京的大兴区、交通路况良好，则将预设范围的取值设置的大一些，若UE所属城市为北京的海淀区，交通路况较为拥堵，则可以将预设范围的取值设置的小一些。本发明对此不做具体限定。

S12、根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取所述UE到每一终端的路面距离；

本步骤中，通过UE所属城市的交通地图信息以及该UE的坐标信息和UE的预设范围内的每一终端的坐标信息，计算UE到每一终端的实际的路面距离。通过订单分配阶段，在其他因素相同的情况下，根据UE到每一终端的实际的路面距离进行订单分配，使得终端可以更为准确的获得订单信息。

S13、根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率；

本步骤中，叫车***在订单分配阶段，通过每一终端对应的路面距离和该终端的其他与订单相关特征信息对该终端的订单抢单概率进行预测，以根据终端的订单抢单概率进行订单的分配，使得在其他与订单相关特征信息相同的情况下，司机能够获得更为准确的播单信息，优先获得路面距离更近的订单，有效降低乘客等待时间。

其中，订单的相关特征信息包括终端相关特征信息、订单相关特征信息等。

S14、根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。

本实施例中，叫车***会根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。所述订单包含：所述UE的出发地、所述UE的目的地、所述UE的用户标识、所述订单信息的生成时间和所述UE到每一终端的路面距离等信息。

本发明实施例提供的订单的分配方法，通过将UE到每一终端的路面距离作为影响订单分配的因素，根据路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率，并根据预测出的每一终端的订单抢单概率，优先向终端分配路面距离更近的订单，使得订单分配更为准确，从而有效地减少司机空驶里程和乘客等待时间，提升用户打车体验。

举例说明，司机行驶方向、订单方位如图2所示。

从图2中可以看出如果用直线距离计算播单，司机获取的信息显然是不准确的，尤其是大城市的复杂路况下，问题就更加突出。我们可以清楚的看见路面距离的优势。虽然A司机到订单的直线距离小于B司机，但是对A、B司机而言B司机的路面距离更近，会更快接到乘客。

本实施例中，步骤S13具体包括：

采用预先建立的预测模型，预测所述每一终端的订单抢单概率；

其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模型的目标变量。

进一步地，在采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，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、获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离；

A02、将历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。

具体的，通过抽取所述历史订单的相关特征中的各种特征数据作为预测变量，并以所述历史订单的订单抢单结果作为目标变量进行线性回归模型训练，得到订单抢单概率的预测模型。

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(在本发明中可以用于判断竞争概率的高或低)，Logistic回归公式表示如下表示：

$\underset{i}{\Σ}\[y_{i}LogP(y=1|x)+(1-y_i)LogP(y=0|x)\]$

其中， $P(y=1|x)=\frac{1}{1+\exp (-wx)},P(y=0|x)=\frac{\exp (-wx)}{1+\exp (-wx)};$

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。

通常w采用最大似然方法进行估计。例如，可以将历史订单的相关特征中的各种特征数据(例如，产生所述历史订单的城市，产生所述历史订单的时间，针对所述历史订单的道路拥堵情况，以及所述历史订单的价值中的一个或多个)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，便可以对新发起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，进一步包括以下步骤：

A03、根据线上实时获取的订单的相关特征信息和相应订单中所述终端对应的路面距离，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：将历史订单的相关特征中的各种特征数据，如司机相关特征、订单相关特征等各种特征抽取成预测变量，将订单的竞争概率作为目标变量，利用历史数据进行模型训练，得到预测模型。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的相关特征信息和相应订单中所述终端对应的路面距离进行计算，采用机器学习算法，对所述预先建立的预测模型进行优化。

本实施例中，步骤S14具体包括：

选取所述订单抢单概率中大于预设阈值的订单抢单概率，向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单。

具体的，本发明实施例中，按照订单抢单概率从大到小的顺序，向该用户发送该当前订单。例如，对于向该用户发送包括该当前订单的多个订单的情况，如果与该当前订单相关的历史订单的抢单概率被相对其他当前订单相关的历史订单的抢单概率来说较小，则确定当前订单对于该用户来说将可能是无价值或低价值的，因此，需要选取所述订单抢单概率中大于预设阈值的订单抢单概率，并通过向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单，能够订单的快速地、精准地发送。

进一步地，所述方法还包括：根据预设时间周期更新所述UE所属城市的交通地图信息，本发明实施例中，通过采用更新后的城市的交通地图信息，可以防止由于城市的交通建设对交通路线的改造造成的地图信息的改变，从而准确的获取所述UE到每一终端的路面距离。

图3示出了本公开实施例提供的一种订单的分配装置的结构示意图。

如图3所示，本实施例提供的订单的分配装置包括：坐标信息获取单元201、路面距离获取单元202、抢单概率预测单元203以及订单分配单元204，其中：

所述的坐标信息获取单元201，用于在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；

所述的路面距离获取单元202，用于根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取所述UE到每一终端的路面距离；

所述的抢单概率预测单元203，用于根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该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每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。

具体的，所述抢单概率预测单元203，具体用于采用预先建立的预测模型，预测所述每一终端的订单抢单概率；

其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模型的目标变量。

本实施例中，上述订单的分配装置还包括图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，用于在所述抢单概率预测单元采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离；

所述的预测模型建立单元，用于将所述历史数据获取单元获取的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。

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(在本发明中可以用于判断竞争概率的高或低)，Logistic回归公式表示如下表示：

$\underset{i}{\Σ}\[y_{i}LogP(y=1|x)+(1-y_i)LogP(y=0|x)\]$

其中， $P(y=1|x)=\frac{1}{1+\exp (-wx)},P(y=0|x)=\frac{\exp (-wx)}{1+\exp (-wx)};$

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。

通常w采用最大似然方法进行估计。例如，可以将历史订单的相关特征中的各种特征数据(例如，产生所述历史订单的城市，产生所述历史订单的时间，针对所述历史订单的道路拥堵情况，以及所述历史订单的价值中的一个或多个)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，便可以对新发起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203，还用于根据线上实时获取的订单的相关特征信息和相应订单中所述终端对应的路面距离，采用机器学习算法，对所述预先建立的预测模型进行优化。

本实施例中，，所述订单分配单元204，具体用于选取所述订单抢单概率中大于预设阈值的订单抢单概率，向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单。

本实施例中，上述订单的分配装置还包括图3中未示出的地图信息更新单元，其中；

所述地图信息更新单元，用于根据预设时间周期更新所述UE所属城市的交通地图信息。

本发明实施例中，通过地图信息更新单元根据预设时间周期更新所述UE所属城市的交通地图信息，采用更新后的城市的交通地图信息，可以防止由于城市的交通建设对交通路线的改造造成的地图信息的改变，从而准确的获取所述UE到每一终端的路面距离。

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，提供的一种订单的分配方法及装置，通过在订单分配阶段，引入路面距离的特征，将UE到每一终端的路面距离作为影响订单分配的因素，根据路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率，并根据预测出的每一终端的订单抢单概率，优先向终端分配路面距离更近的订单，使得订单分配更为准确，从而有效地减少司机空驶里程和乘客等待时间，提升用户打车体验。

本公开的实现和本文中提供的所有功能操作可以用数字电子电路、或者用计算机软件、固件或硬件，包括本说明书及其结构等同方案中所公开的结构、或者其中的一个或多个的组合来实现。本公开的实现可以实现为一个或多个计算机程序产品，即在计算机可读介质上编码的计算机程序指令的一个或多个模块，这些指令由数据处理装置来执行或者用以控制数据处理装置的操作。该计算机可读介质可以是机器可读存储设备、机器可读存储基片、存储器设备、影响机器可读传播信号的组合物或者其中的一个或多个的组合。术语“数据处理装置”涵盖用于处理数据的所有装置、设备和机器，包括例如可编程处理器、计算机或者多个处理器或计算机。除了硬件之外，该装置可以包括为所描述的计算机程序创建执行环境的代码，例如构成处理器固件、协议栈、数据库管理***、操作***或者其中的一个或多个的组合的代码。

计算机程序(也称为程序、软件、软件应用、脚本或代码)可以用任何形式的编程语言(包括编译语言或解释语言)来编写，并且计算机程序可以用任何形式来部署，包括作为独立程序或者作为模块、部件、子例程或者适合在计算环境中使用的其他单元。计算机程序并非必须对应于文件***中的文件。程序可以存储在保持其他程序或数据(例如标记语言文档中所存储的一个或多个脚本)的文件的部分中，存储在专用于所描述的程序的单个文件中，或者存储在多个协同文件(例如存储一个或多个模块、子程序或者代码的部分的文件)中。计算机程序可以被部署成在一个计算机上来执行，或者在位于一个站点处或分布在多个站点处且通过通信网络互连的多个计算机上来执行。

本公开中所描述的过程和逻辑流可以由执行一个或多个计算机程序的一个或多个可编程处理器来执行以通过操作输入数据并且生成输出来执行功能。该过程和逻辑流也可以由专用逻辑电路来执行，并且装置也可以实现为该专用逻辑电路，该专用逻辑电路例如为FPGA(现场可编程门阵列)或者ASIC(专用集成电路)。

适合执行计算机程序的处理器包括例如通用和专用微处理器二者、以及任何种类的数字计算机的任何一个或多个处理器。通常，处理器从只读存储器或者随机存取存储器或者二者接收指令和数据。计算机的元件可以包括用于执行指令的处理器以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括一个或多个海量

存储设备以便存储数据，或者该计算机在操作上耦合以从海量存储设备接收或向海量存储设备传送数据或者二者，该海量存储设备例如是磁盘、磁光盘或者光盘。然而，计算机不需要具有这样的设备。此外，计算机可以嵌入在另一设备中，该另一设备例如为移动电话、个人数字助理(PDA)、移动音频播放器、全球定位***(GPS)接收器等。适合存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、介质和存储器设备，包括例如：半导体存储器设备，如EPROM、EEPROM和闪存设备；磁盘，如内置硬盘或可移除盘；磁光盘；以及CDROM和DVD-ROM盘。该处理器和存储器可以用专用逻辑电路来补充或者并入该专用逻辑电路中。

为了提供与用户的交互，本公开的实现可以在具有用于向用户显示信息的显示设备(例如CRT(阴极射线管)或LCD(液晶显示器)监视器)以及键盘和定点设备(例如鼠标或跟踪球，通过其用户可以向计算机提供输入)的计算机上来实现。也可以使用其他种类的设备来提供与用户的交互；例如，向用户提供的反馈可以是任何形式的感觉反馈，例如视觉反馈、听觉反馈或者触觉反馈；并且来自用户的输入可以以任何形式来接收，包括听觉、语音或触觉输入。

虽然本公开包括一些细节，然而不应当将这些细节理解为对本公开或者要求保护的内容的范围的限制，而是应当被理解为对本公开的示例实现的特征的描述。本公开中在单独实现的情境中描述的某些特征还可以与单个实现组合来提供。相反地，在单个实现的情境中描述的各个特征也可以分别在多个实现中来提供或者在任何合适的子组合中来提供。此外，虽然以上可以将特征描述为以某种组合来执行并且甚至初始就要求这样保护，然而在一些情况下可以从组合中去掉来自要求保护的组合的一个或多个特征，并且要求保护的组合可以涉及子组合或子组合的变化。

类似地，虽然在附图中按照特定顺序来描绘操作，然而这不应当被理解为要求这样的操作按照所示的特定顺序或者按照相继顺序来执行，或者要求所有图示操作都被执行，以实现期望的结果。在一些

境况下，多任务和并行处理可能是有利的。此外，以上描述的实现中的各种***部件的分离不应当被理解为在所有实现中都要求这样的分离，而且应当理解，所描述的程序部件和***通常可以在单个软件产品中集成在一起或者被封装成多个软件产品。

以上实施方式仅适于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明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发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (14)

1.一种订单的分配方法，其特征在于，该方法包括：

在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；

根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取所述UE到每一终端的路面距离；

根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率；

根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。

2.根据权利要求1所述的方法，其特征在于，根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率，包括：

采用预先建立的预测模型，预测所述每一终端的订单抢单概率；

其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模型的目标变量。

3.根据权利要求2所述的方法，其特征在于，在采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，所述方法还包括：

获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离；

将历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。

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，所述方法还包括：

根据线上实时获取的订单的相关特征信息和相应订单中所述终端对应的路面距离，采用机器学习算法，对所述预先建立的预测模型进行优化。

6.根据权利要求1所述的方法，其特征在于，所述根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单，具体包括：

选取所述订单抢单概率中大于预设阈值的订单抢单概率，向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据预设时间周期更新所述UE所属城市的交通地图信息。

8.一种订单的分配装置，其特征在于，该装置包括：

坐标信息获取单元，用于在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；

路面距离获取单元，用于根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取所述UE到每一终端的路面距离；

抢单概率预测单元，用于根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该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每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。

9.根据权利要求8所述的装置，其特征在于，所述抢单概率预测单元，具体用于采用预先建立的预测模型，预测所述每一终端的订单抢单概率；

其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模型的目标变量。

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：

历史数据获取单元，用于在所述抢单概率预测单元采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离；

预测模型建立单元，用于将所述历史数据获取单元获取的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。

11.根据权利要求10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。

12.根据权利要求10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的相关特征信息和相应订单中所述终端对应的路面距离，采用机器学习算法，对所述预先建立的预测模型进行优化。

13.根据权利要求8所述的装置，其特征在于，所述订单分配单元，具体用于选取所述订单抢单概率中大于预设阈值的订单抢单概率，向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单。

14.根据权利要求8所述的装置，其特征在于，所述装置还包括：

地图信息更新单元，用于根据预设时间周期更新所述UE所属城市的交通地图信息。