CN107133697A - 预估司机接单意愿的方法、装置、设备及存储介质 - Google Patents
预估司机接单意愿的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN107133697A CN107133697A CN201710304975.7A CN201710304975A CN107133697A CN 107133697 A CN107133697 A CN 107133697A CN 201710304975 A CN201710304975 A CN 201710304975A CN 107133697 A CN107133697 A CN 107133697A
- Authority
- CN
- China
- Prior art keywords
- driver
- order
- wish
- information
- history
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000000977 initiatory effect Effects 0.000 description 6
- 230000003466 anti-cipated effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种预估司机接单意愿的方法、装置、设备及存储介质。所述预估司机接单意愿的方法包括：根据在线叫车服务平台接收到的订单确定订单信息；将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。本发明实施例通过将订单信息输入第一司机对应的接单意愿预估模型中，得到第一司机对于订单的接单意愿，这样不仅可以正确识别出愿意接单的司机，提升在线叫车服务成功率，而且使相关人员或在线叫车服务平台能够了解各司机的接单意愿情况，便于对司机进行管理。
Description
技术领域
本发明实施例涉及互联网技术领域，尤其涉及一种预估司机接单意愿的方法、装置、设备及存储介质。
背景技术
随着互联网技术的高度发展以及智能设备的普及，传统的交通技术正在逐步进化为智能交通***。现有技术中，乘客多使用在线叫车服务软件(例如滴滴、优步、神州、易道等)，通过手机等智能终端进行打车，使人、车、路之间的相互作用关系以新的方式呈现，与传统的打车方式相比，在一定程度上实现了较为准确、高效地出行。
而在线叫车服务中，不同的司机接单意愿差别巨大。在线叫车服务提供商往往趋向于通过各种手段挽留接单意愿高的司机。同时，在派单过程中，需要尽可能的把订单派送给接单意愿高的司机，促进成功叫车。因此，如何评价司机的接单意愿对在线叫车服务具有重要意义。
目前，主要通过一些简单的指标来评价司机的接单意愿，例如推单接单比、司机在线时长、接单量和完成订单金额等。而上述方法具有很大的随机性，对司机的区分度不高，具有相似接单比的司机可能接单意愿差别巨大。例如有的司机趋向于在大型交通枢纽附近接单，接单率很高，但是在非热点区域接单意愿却非常低。如果简单的采用接单率来评价司机接单意愿，会产生很大偏差。
发明内容
本发明实施例提供一种预估司机接单意愿的方法、装置、设备及存储介质，可以正确识别出愿意接单的司机，提升在线叫车服务成功率。
第一方面，本发明实施例提供了一种预估司机接单意愿的方法，该方法包括：
根据在线叫车服务平台接收到的订单确定订单信息；
将所述订单信息输入所述第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
第二方面，本发明实施例还提供了一种预估司机接单意愿的装置，该装置包括：
订单信息确定模块，用于根据在线叫车服务平台接收到的订单确定订单信息；
接单意愿确定模块，用于将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
第三方面，本发明实施例还提供了一种设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例任一所述的预估司机接单意愿的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例任一所述的预估司机接单意愿的方法。
本发明实施例通过将订单信息输入第一司机对应的接单意愿预估模型中，得到第一司机对于订单的接单意愿，这样不仅可以正确识别出愿意接单的司机，提升在线叫车服务成功率，而且使相关人员或在线叫车服务平台能够了解各司机的接单意愿情况，便于对司机进行管理。
附图说明
图1是本发明实施例一提供的一种预估司机接单意愿的方法的流程图；
图2是本发明实施例二提供的一种预估司机接单意愿的方法的流程图；
图3是本发明实施例三提供的一种预估司机接单意愿的装置的结构图；
图4是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种预估司机接单意愿的方法的流程图，本实施例可适用于预估司机接单意愿的情况，该方法可以由本发明实施例提供的预估司机接单意愿的装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可集成在终端设备中或终端设备的应用端中。其中，终端设备可以为但不限于为移动终端(平板电脑或智能手机)、固定终端(台式电脑或笔记本)。
其中，应用端可以为内嵌于终端设备中的某个客户端的插件，或者为所述终端设备的操作***的插件，与内嵌于终端设备中的预估司机接单意愿客户端或者终端设备的操作***中的预估司机接单意愿应用程序配合使用；应用端也可以为所述终端设备中一个独立的可提供预估司机接单意愿客户端的客户端，本实施例对此不进行限制。
如图1所述，本实施例的方法具体包括：
S101、根据在线叫车服务平台接收到的订单确定订单信息。
其中，在线叫车服务平台可以为服务器，具体可以为滴滴打车的服务器、优步打车的服务器、神州租车的服务器或易道打车的服务器等。相应的，与线叫车服务平台相对应的客户端对应为司机客户端和叫车客户端，其中司机客户端为安装在司机终端设备中的用于接单用的客户端，例如对应为滴滴打车司机客户端、优步打车司机客户端、神州租车司机客户端或易道打车司机客户端等。叫车客户端为安装在用户终端设备中的用于叫车的客户端，例如对应为滴滴打车叫车客户端、优步打车叫车客户端、神州租车叫车客户端或易道打车叫车客户端等。
本实施例的执行主体具体可以为一下任意一种或多种：在线叫车服务平台、司机客户端、本发明实施例提供的预估司机接单意愿的装置。
具体的，当执行主体为司机客户端时，本步骤的实施方式如下：用户有用车需求时通过叫车客户端向在线叫车服务平台发起订单请求，在线叫车服务平台接收到订单请求后，将对应的订单发送至一个或多个司机的客户端。为便于后续描述，在本实施例中，优选为发送至第一司机对应的客户端。
S102、将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
具体的，可预先为在线叫车服务平台的每个司机分别建立各自对应的司机接单意愿预估模型。在本实施例中，该司机接单意愿预估模型为第一司机对应的司机接单意愿预估模型，在第一司机的客户端接收到订单时，将该订单的订单信息输入第一司机对应的司机接单意愿预估模型，其输出结果可以为接单意愿概率，其概率越大，就说明司机接单的概率就越高。当然，也可以将所述订单信息输入其它司机对应的司机接单意愿预估模型，并得到其它司机对于所述订单的接单意愿，具体可由在线叫车服务平台的服务商根据需求，选择想要了解的司机，例如，第二司机，将所述订单信息输入第二司机对应的司机接单意愿预估模型，并得到所述第二司机对于所述订单的接单意愿，等等。
其中，所述订单信息中可包含以下至少一项信息：乘车起点、乘车终点、乘车起点和/或乘车终点是否为用户的家庭地址、乘车起点和/或乘车终点是否为用户的工作单位，乘车起点和/或乘车终点是否为商圈、乘车起点和/或乘车终点是否为交通枢纽、订单发起城市、订单发起时间、车辆类型、乘车起点和乘车终点之间的距离、预计价格、预计价格与订单发起城市中订单平均价格比、预计行驶时间、预计行驶速度与订单发起城市中订单平均行驶速度比、是否穿越拥堵区域和用户性别。其中，所述订单发起时间包含以下至少一项信息：是否上午、是否下午、是否晚上、是否夜里、星期、小时和是否周末。
本实施例通过将订单信息输入第一司机对应的接单意愿预估模型中，得到第一司机对于订单的接单意愿，这样不仅可以正确识别出愿意接单的司机，提升在线叫车服务成功率，而且使相关人员或在线叫车服务平台能够了解各司机的接单意愿情况，便于对司机进行管理。例如，在***派送订单时，将订单多派送给接单意愿高的司机，这样可以留住一些好司机，淘汰一些接单意愿低的司机。
实施例二
图2是本发明实施例二提供的一种预估司机接单意愿的方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将所述第一司机对应的司机接单意愿预估模型优选为通过如下方式获得：获得所述第一司机的司机信息、所述第一司机的历史订单信息；根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型。
相应的，本实施例的方法具体包括：
S201、获得第一司机的司机信息、第一司机的历史订单信息。
其中，所述司机信息可包含司机位置相关信息和/或司机历史信息。其中，所述司机位置相关信息可包含以下至少一项信息：当前移动速度、当前移动状态持续时间、当前位置、接客行驶距离、预期接客行驶时间和预期接客平均行驶速度。其中，所述司机历史信息可包含以下至少一项信息：接客行驶距离与司机已接订单的接客行驶距离均值的比值、预期接客行驶时间与司机已接订单的接客行驶平均时间比值、预设时间段内的推单接单比、司机预设时间段内的平均在线时长与订单发起城市中所有司机预设时间段内的平均在线时长比值、司机预设时间段内在线时长的预设分位数与订单发起城市中所有司机预设时间段内在线时长的相同预设分位数均值的比值、司机预设时间段内平均推单次数与订单发起城市中所有司机预设时间段内平均推单次数比、司机预设时间段内平均接单次数与订单发起城市中所有司机预设时间段内接单次数比、司机预设时间段内轨迹中的移动状态时间占比、司机预设时间段内轨迹中的移动状态时间占比与订单发起城市中所有司机预设时间段内轨迹中的移动状态时间占比均值的比值。
为了便于后续处理，可将乘车起点和乘车终点的位置转化为区域编码，转化成区域编码的方式有多种，在本实施例中不做具体限定，例如可以是GeoHash转换算法，也可以是按照经纬度划分为矩形或者六边形等形状的区块，然后分别对不同的区块赋予不同的id或者编码。
其中，历史订单信息可以为第一司机的司机客户端在预设时间段内接收到的历史订单的订单信息，例如1月份的历史订单。或者，为第一司机的司机客户端在预设地理位置范围内的历史订单，例如，可从第一司机的司机客户端接收到的历史订单中随机选择一个备用历史订单，根据该备用历史订单中包含的司机位置，从第一司机的司机客户端接收到的历史订单中选取位于该司机位置预设距离范围(例如，500米)内的订单作为历史订单，并包含备用历史订单。
获取的历史订单中包含已接历史订单和/或未接历史订单。其中，历史订单信息中可包含以下至少一项信息：接单情况、乘车起点、乘车终点、乘车起点和/或乘车终点是否为用户的家庭地址、乘车起点和/或乘车终点是否为用户的工作单位，乘车起点和/或乘车终点是否为商圈、乘车起点和/或乘车终点是否为交通枢纽、订单发起城市、订单发起时间、车辆类型、乘车起点和乘车终点之间的距离、预计价格、预计价格与订单发起城市中订单平均价格比、预计行驶时间、预计行驶速度与订单发起城市中订单平均行驶速度比、是否穿越拥堵区域和用户性别。其中，所述订单发起时间包含以下至少一项信息：是否上午、是否下午、是否晚上、是否夜里、星期、小时和是否周末。
S202、根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型。
本步骤一种可选的实施方式是，所述历史订单信息中包括针对每个历史订单的接单情况；根据所述接单情况对每个历史订单进行标记；使用标记后的历史订单和所述司机信息作为训练数据；并采用机器学习方法对所述训练数据进行训练，得到第一司机对应的司机接单意愿预估模型。
其中，接单情况包括司机接单和司机未接单，针对第一司机的每条历史订单，根据第一司机接单情况对历史订单进行标记，并将标记后的历史订单的订单信息和司机信息作为训练数据。例如，针对某条历史订单，如果第一司机接单，则标记该历史订单的状态为已接单(例如，标记为1)，如果第一司机未接单，则标记该历史订单的状态为未接单(例如，标记为0)。这样就会得到第一司机的大量的标记的历史订单信息和司机信息，并将其作为训练数据，并采用机器学习方法对训练数据进行训练，得到第一司机对应的司机接单意愿预估模型。
其中，可用以下至少一种算法：决策树算法、随机森林Random Forest算法、迭代决策树GBDT算法和支持向量机算法。
S203、根据在线叫车服务平台接收到的订单确定订单信息。
S204、将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
本实施例通过预先根据获得的第一司机的司机信息、第一司机的历史订单信息建立所述第一司机对应的司机接单意愿预估模型。然后将订单信息的输入第一司机的司机接单意愿预估模型，进而确定第一司机的接单意愿，不仅可以正确识别出愿意接单的司机，提升在线叫车服务成功率，而且使相关人员或在线叫车服务平台能够了解各司机的接单意愿情况，便于对司机进行管理。例如，在***派送订单时，将订单多派送给接单意愿高的司机，这样可以留住一些好司机，淘汰一些接单意愿低的司机。
实施例三
图3是本发明实施例三提供的一种预估司机接单意愿的装置的结构图。本实施例可适用于预估司机接单意愿的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在终端设备中或终端设备的应用端中。其中，终端设备可以为但不限于为移动终端(平板电脑或智能手机)、固定终端(台式电脑或笔记本)。
其中，应用端可以为内嵌于终端设备中的某个客户端的插件，或者为所述终端设备的操作***的插件，与内嵌于终端设备中的预估司机接单意愿客户端或者终端设备的操作***中的预估司机接单意愿应用程序配合使用；应用端也可以为所述终端设备中一个独立的可提供预估司机接单意愿客户端的客户端，本实施例对此不进行限制。
如图3所示，所述装置包括：订单接收模块301和接单意愿确定模块302，其中：
订单信息确定模块301用于根据在线叫车服务平台接收到的订单确定订单信息；
接单意愿确定模块302用于将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
本实施例的预估司机接单意愿的装置用于执行上述各实施例的预估司机接单意愿的方法，其技术原理和产生的技术效果类似，这里不再赘述。
在上述各实施例的基础上，所述装置还包括：司机信息获取模块303和模型建立模块304；
司机信息获取模块303用于获得所述第一司机的司机信息、所述第一司机的历史订单信息；
模型建立模块304用于根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型。
在上述各实施例的基础上，所述模型建立模块304具体用于：
所述历史订单信息中包括针对每个历史订单的接单情况；根据所述接单情况对每个历史订单进行标记；使用标记后的历史订单和所述司机信息作为训练数据；并采用机器学习方法对所述训练数据进行训练，得到第一司机对应的司机接单意愿预估模型。
在上述各实施例的基础上，所述机器学习方法包括如下算法中的一种或多种：
决策树算法、随机森林Random Forest算法、迭代决策树GBDT算法和支持向量机算法。
上述各实施例所提供的预估司机接单意愿的装置可执行本发明任意实施例所提供的预估司机接单意愿的方法，具备执行预估司机接单意愿的方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，***存储器28，连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的预估司机接单意愿的方法：
根据在线叫车服务平台接收到的订单确定订单信息；
将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
进一步的，所述第一司机对应的司机接单意愿预估模型通过如下方式获得：
获得所述第一司机的司机信息、所述第一司机的历史订单信息；
根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型。
进一步的，所述根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型，包括：
所述历史订单信息中包括针对每个历史订单的接单情况；
根据所述接单情况对每个历史订单进行标记；
使用标记后的历史订单和所述司机信息作为训练数据；
并采用机器学习方法对所述训练数据进行训练，得到第一司机对应的司机接单意愿预估模型。
进一步的，所述机器学习方法包括如下算法中的一种或多种：
决策树算法、随机森林Random Forest算法、迭代决策树GBDT算法和支持向量机算法。
实施例五
本发明实施例5还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的预估司机接单意愿的方法：
根据在线叫车服务平台接收到的订单确定订单信息；
将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
进一步的，所述第一司机对应的司机接单意愿预估模型通过如下方式获得：
获得所述第一司机的司机信息、所述第一司机的历史订单信息；
根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型。
进一步的，所述根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型，包括：
所述历史订单信息中包括针对每个历史订单的接单情况；
根据所述接单情况对每个历史订单进行标记；
使用标记后的历史订单和所述司机信息作为训练数据；
并采用机器学习方法对所述训练数据进行训练，得到第一司机对应的司机接单意愿预估模型。
进一步的，所述机器学习方法包括如下算法中的一种或多种：
决策树算法、随机森林Random Forest算法、迭代决策树GBDT算法和支持向量机算法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种预估司机接单意愿的方法，其特征在于，包括：
根据在线叫车服务平台接收到的订单确定订单信息；
将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
2.根据权利要求1所述的方法，其特征在于，所述第一司机对应的司机接单意愿预估模型通过如下方式获得：
获得所述第一司机的司机信息、所述第一司机的历史订单信息；
根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型，包括：
所述历史订单信息中包括针对每个历史订单的接单情况；
根据所述接单情况对每个历史订单进行标记；
使用标记后的历史订单和所述司机信息作为训练数据；
并采用机器学习方法对所述训练数据进行训练，得到第一司机对应的司机接单意愿预估模型。
4.根据权利要求3所述的方法，其特征在于，所述机器学习方法包括如下算法中的一种或多种：
决策树算法、随机森林Random Forest算法、迭代决策树GBDT算法和支持向量机算法。
5.一种预估司机接单意愿的装置，其特征在于，包括：
订单信息确定模块，用于根据在线叫车服务平台接收到的订单确定订单信息；
接单意愿确定模块，用于将所述订单信息输入第一司机对应的司机接单意愿预估模型，并得到所述第一司机对于所述订单的接单意愿。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
司机信息获取模块，用于获得所述第一司机的司机信息、所述第一司机的历史订单信息；
模型建立模块，用于根据所述司机信息及历史订单信息建立所述第一司机对应的司机接单意愿预估模型。
7.根据权利要求6所述的装置，其特征在于，所述模型建立模块具体用于：
所述历史订单信息中包括针对每个历史订单的接单情况；根据所述接单情况对每个历史订单进行标记；使用标记后的历史订单和所述司机信息作为训练数据；并采用机器学习方法对所述训练数据进行训练，得到第一司机对应的司机接单意愿预估模型。
8.根据权利要求7所述的装置，其特征在于，所述机器学习方法包括如下算法中的一种或多种：
决策树算法、随机森林Random Forest算法、迭代决策树GBDT算法和支持向量机算法。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的预估司机接单意愿的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的预估司机接单意愿的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710304975.7A CN107133697A (zh) | 2017-05-03 | 2017-05-03 | 预估司机接单意愿的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710304975.7A CN107133697A (zh) | 2017-05-03 | 2017-05-03 | 预估司机接单意愿的方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107133697A true CN107133697A (zh) | 2017-09-05 |
Family
ID=59716221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710304975.7A Pending CN107133697A (zh) | 2017-05-03 | 2017-05-03 | 预估司机接单意愿的方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107133697A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229864A (zh) * | 2018-03-05 | 2018-06-29 | 北京三快在线科技有限公司 | 订单的分配方法、装置及电子设备 |
| CN109117989A (zh) * | 2018-07-26 | 2019-01-01 | 北京云鸟科技有限公司 | 一种任务匹配时的预测方法及装置 |
| WO2019113976A1 (en) * | 2017-12-15 | 2019-06-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for optimizing online on-demand and service |
| CN110298722A (zh) * | 2019-05-05 | 2019-10-01 | 浙江吉利控股集团有限公司 | 订单推送方法、装置和设备 |
| WO2020030028A1 (zh) * | 2018-08-08 | 2020-02-13 | 北京三快在线科技有限公司 | 配送调度 |
| CN111523955A (zh) * | 2019-04-02 | 2020-08-11 | 拉扎斯网络科技（上海）有限公司 | 订单处理方法、装置、电子设备和非易失性存储介质 |
| CN111539655A (zh) * | 2020-05-28 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 众包模式下任务承接方的能力处理方法、装置及设备 |
| CN111626534A (zh) * | 2019-02-28 | 2020-09-04 | 北京嘀嘀无限科技发展有限公司 | 资源调度方法、装置、电子设备及可读存储介质 |
| CN112465602A (zh) * | 2020-12-11 | 2021-03-09 | 深圳依时货拉拉科技有限公司 | 一种订单推送的方法、装置、计算机设备以及计算机可读存储介质 |
| CN112488806A (zh) * | 2020-12-18 | 2021-03-12 | 深圳依时货拉拉科技有限公司 | 一种预测订单意愿的方法、装置、计算机设备及计算机可读存储介质 |
| CN112989188A (zh) * | 2021-03-08 | 2021-06-18 | 上海钧正网络科技有限公司 | 推荐订单的确定方法、装置和服务器 |
| CN113554387A (zh) * | 2021-06-28 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质 |
| CN116341839A (zh) * | 2023-03-08 | 2023-06-27 | 济南丽阳神州智能科技有限公司 | 一种针对家政服务人员的订单推送方法、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915855A (zh) * | 2015-04-13 | 2015-09-16 | 北京嘀嘀无限科技发展有限公司 | 订单抢单率的预估方法及装置 |
| 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 |
| CN105679009A (zh) * | 2016-02-03 | 2016-06-15 | 西安交通大学 | 一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 |
| CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
| 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 |
| CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
-
2017
- 2017-05-03 CN CN201710304975.7A patent/CN107133697A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915855A (zh) * | 2015-04-13 | 2015-09-16 | 北京嘀嘀无限科技发展有限公司 | 订单抢单率的预估方法及装置 |
| 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 |
| CN105679009A (zh) * | 2016-02-03 | 2016-06-15 | 西安交通大学 | 一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 |
| CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
| 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 |
| CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术（北京）有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI720380B (zh) * | 2017-12-15 | 2021-03-01 | 大陸商北京嘀嘀無限科技發展有限公司 | 用於優化線上隨選服務的系統和方法 |
| WO2019113976A1 (en) * | 2017-12-15 | 2019-06-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for optimizing online on-demand and service |
| US11455582B2 (en) | 2017-12-15 | 2022-09-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for optimizing an online on-demand service |
| CN108229864A (zh) * | 2018-03-05 | 2018-06-29 | 北京三快在线科技有限公司 | 订单的分配方法、装置及电子设备 |
| CN109117989A (zh) * | 2018-07-26 | 2019-01-01 | 北京云鸟科技有限公司 | 一种任务匹配时的预测方法及装置 |
| CN109117989B (zh) * | 2018-07-26 | 2021-06-11 | 北京云鸟科技有限公司 | 一种任务匹配时的预测方法及装置 |
| WO2020030028A1 (zh) * | 2018-08-08 | 2020-02-13 | 北京三快在线科技有限公司 | 配送调度 |
| CN111626534A (zh) * | 2019-02-28 | 2020-09-04 | 北京嘀嘀无限科技发展有限公司 | 资源调度方法、装置、电子设备及可读存储介质 |
| CN111523955A (zh) * | 2019-04-02 | 2020-08-11 | 拉扎斯网络科技（上海）有限公司 | 订单处理方法、装置、电子设备和非易失性存储介质 |
| CN110298722A (zh) * | 2019-05-05 | 2019-10-01 | 浙江吉利控股集团有限公司 | 订单推送方法、装置和设备 |
| CN111539655A (zh) * | 2020-05-28 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 众包模式下任务承接方的能力处理方法、装置及设备 |
| CN112465602A (zh) * | 2020-12-11 | 2021-03-09 | 深圳依时货拉拉科技有限公司 | 一种订单推送的方法、装置、计算机设备以及计算机可读存储介质 |
| CN112465602B (zh) * | 2020-12-11 | 2023-12-15 | 深圳依时货拉拉科技有限公司 | 一种订单推送的方法、装置、计算机设备以及计算机可读存储介质 |
| CN112488806A (zh) * | 2020-12-18 | 2021-03-12 | 深圳依时货拉拉科技有限公司 | 一种预测订单意愿的方法、装置、计算机设备及计算机可读存储介质 |
| CN112989188A (zh) * | 2021-03-08 | 2021-06-18 | 上海钧正网络科技有限公司 | 推荐订单的确定方法、装置和服务器 |
| CN112989188B (zh) * | 2021-03-08 | 2023-05-26 | 上海钧正网络科技有限公司 | 推荐订单的确定方法、装置和服务器 |
| CN113554387A (zh) * | 2021-06-28 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质 |
| CN116341839A (zh) * | 2023-03-08 | 2023-06-27 | 济南丽阳神州智能科技有限公司 | 一种针对家政服务人员的订单推送方法、设备及介质 |
| CN116341839B (zh) * | 2023-03-08 | 2023-08-22 | 济南丽阳神州智能科技有限公司 | 一种针对家政服务人员的订单推送方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133697A (zh) | 预估司机接单意愿的方法、装置、设备及存储介质 | |
| CN106971279A (zh) | 预估司机接单行为的方法、装置、设备及存储介质 | |
| CN107133645A (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
| CN109983790B (zh) | 通过有限网络连接的网络服务 | |
| CN107122866B (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
| US10885472B2 (en) | Dynamic transportation pooling | |
| US20180060778A1 (en) | Driver location prediction for a transportation service | |
| US20150032516A1 (en) | Managing electric vehicle (ev) charging station usage | |
| CN107492063A (zh) | 一种上车点推荐处理方法及*** | |
| US11121577B2 (en) | Satisfying building energy demand using mobile energy storage | |
| US11332031B2 (en) | Locating optimal charge stations | |
| CN107273531A (zh) | 电话号码分类识别方法、装置、设备及存储介质 | |
| US20140188568A1 (en) | Recommending an operating characteristic of a merchant | |
| US11755379B2 (en) | Liaison system and method for cloud computing environment | |
| CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
| US10713598B2 (en) | Anticipating user dissatisfaction via machine learning | |
| CN104956420B (zh) | 用于列车晚点的腕表通知 | |
| CN110363583B (zh) | 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备 | |
| EP3965026A1 (en) | Method and device for use in information processing, and computer storage medium | |
| CN111612286B (zh) | 一种订单分配方法、装置、电子设备及存储介质 | |
| CN113793195B (zh) | 网约车订单处理方法、装置、计算机设备及可读存储介质 | |
| CN114741618A (zh) | 线下服务点推荐方法、推荐装置、设备及介质 | |
| KR102417808B1 (ko) | 무인 결제 및 미납 처리를 위한 방법, 시스템 및 컴퓨터 판독가능 저장 매체 | |
| CN109245938A (zh) | 一种用于执行用户的资源配置操作的方法与设备 | |
| US20240202844A1 (en) | Electric vehicle fleet mobile application |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |