CN109478275B - 分配服务请求的***和方法 - Google Patents
分配服务请求的***和方法 Download PDFInfo
- Publication number
- CN109478275B CN109478275B CN201880002585.7A CN201880002585A CN109478275B CN 109478275 B CN109478275 B CN 109478275B CN 201880002585 A CN201880002585 A CN 201880002585A CN 109478275 B CN109478275 B CN 109478275B
- Authority
- CN
- China
- Prior art keywords
- historical
- information
- sample
- training
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 253
- 238000012549 training Methods 0.000 claims description 593
- 238000012417 linear regression Methods 0.000 claims description 151
- 230000008569 process Effects 0.000 claims description 141
- 238000013136 deep learning model Methods 0.000 claims description 130
- 238000012545 processing Methods 0.000 claims description 105
- 238000003860 storage Methods 0.000 claims description 44
- 230000000670 limiting effect Effects 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 21
- 238000013135 deep learning Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 description 46
- 238000010586 diagram Methods 0.000 description 41
- 230000010354 integration Effects 0.000 description 37
- 238000010200 validation analysis Methods 0.000 description 30
- 238000012986 modification Methods 0.000 description 25
- 230000004048 modification Effects 0.000 description 25
- 238000011156 evaluation Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 9
- 238000011112 process operation Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 6
- 239000002184 metal Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- -1 merchandise Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q50/10—Services
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请涉及提供线上到线下服务的***和方法。该方法可以包括获取与已分配给服务提供者并已被服务提供者接受的第一服务请求相关的第一信息。该方法还可以包括获取与通过由第二请求者终端执行的应用程序发起的第二服务请求相关的第二信息。该方法还可以包括通过使用至少一个训练匹配模型，基于第一信息和第二信息确定匹配参数，并确定匹配参数是否大于阈值。该方法还可以包括基于匹配参数大于阈值的确定结果，发送与第二服务请求相关的数据。
Description
交叉引用
本申请要求于2017年6月16日提交的申请号为201710458654.2的中国专利申请和2017年6月16日提交的申请号为201710457389.6的中国专利申请的优先权，其内容以引用的方式被包含于此。
技术领域
本申请一般涉及用于分配服务请求的***和方法，尤其涉及用于基于机器学习分配服务请求的***和方法。
背景技术
随着互联网的发展，一种新的线上到线下(O2O)业务模型已经成为互联网和线下交易的结合。目前，O2O服务已进入高速发展阶段，线上到线下运输服务成为线上到线下服务成功的代表。以车辆服务为例，有各种类型的车辆服务，例如快车服务、私家车服务、共享车服务、代驾服务、汽车租赁服务等。在某些情况下，两个或以上服务请求可以共享同一车辆(如拼车)。当提供拼车时，由于司机需要同时向两个或以上的乘客提供服务，因此可能涉及多个出发位置和/或目的地，一些问题(例如，绕路太多、响应率低)可能会引起服务请求的低效率分配，服务效率和服务资源的利用都可能受到影响。因此，期望提供用于有效地分配服务请求的***和方法。
发明内容
在本申请的一个方面，提供了一种分配服务请求的方法。所述方法可以包括获取目标信息。所述目标信息可以包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。所述方法还可以包括通过使用训练模型，基于所述目标信息，确定所述第二服务请求是否与所述服务提供者匹配。所述方法还可以包括基于所述第二服务请求与所述服务提供者匹配的确定结果，将所述第二服务请求分配给所述服务提供者。
在一些实施例中，所述方法还可以包括基于所述目标信息获取特征信息以及将所述特征信息输入所述训练模型。所述方法还可以包括获取由所述训练模型确定的匹配参数。所述方法还可以包括基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
在一些实施例中，所述方法还可以包括直接从所述目标信息中提取所述第一特征信息以及基于所述目标信息估计所述第二特征信息。
在一些实施例中，与所述第一服务请求相关的所述第一信息可以包括第一出发位置、第一目的地和第一出发时间，以及与所述第二服务请求相关的第二信息可以包括第二出发位置、第二目的地和第二出发时间。
在一些实施例中，所述第二特征信息可以包括所述第一服务请求的第一原始路线的第一距离、所述第二服务请求的第二原始路线的第二距离、与所述第一服务请求相关的第一调整路线的第三距离、与所述第二服务请求相关的第二调整路线的第四距离、与所述第一服务请求和所述第二服务请求相关的组合路线的组合距离、与所述第一服务请求和所述第二服务请求相关的所述组合路线的组合时间、与所述第一服务请求相关的第一绕路距离、与所述第二服务请求相关的第二绕路距离、与所述第一服务请求相关的第一绕路时间、与所述第二服务请求相关的第二绕路时间、所述第一绕路距离与所述第一距离的第一比率、所述第二绕路距离与所述第二距离的第二比率、所述第二服务请求的接载时间、所述服务提供者的位置与所述第二服务请求的所述第二出发位置之间的接驾距离或者与所述第二服务请求相关的所述第二调整路线的所述接驾距离与所述第四距离的第三比率中的一个或以上。
在一些实施例中，所述训练模型可以包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
在本申请的另一方面，提供了一种用于确定分配服务请求的训练模型的训练方法。所述训练方法可以包括获取样本信息。所述样本信息可以包括至少两个历史运服务记录的每一个的相关信息。对于所述至少两个历史运输服务记录的任何一个，所述相关信息可以包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息。所述训练方法还可以包括基于所述样本信息确定所述训练模型。
在一些实施例中，所述训练方法还可包括基于所述样本信息确定所述至少两个历史运输服务记录中的每一个的样本类型。所述样本类型可以包括正样本类型和负样本类型。所述训练方法还可以包括基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息。所述训练方法还可以包括基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型确定所述训练模型。
在一些实施例中，对于所述至少两个历史运输服务记录中的任何一个，所述样本特征信息可以包括第一样本特征信息和第二样本特征信息。基于所述样本信息，可以通过以下步骤获得对应于所述历史运输服务记录的所述样本特征信息：直接从与所述历史运输服务记录对应的所述样本信息中提取所述第一样本特征信息，以及基于所述历史运输服务记录对应的所述样本信息估计所述第二样本特征信息。
在一些实施例中，与所述第一历史订单相关的所述第一历史信息可以包括第一历史出发位置、第一历史目的地和第一历史出发时间，与所述第二历史订单相关的所述第二历史信息可以包括第二历史出发位置、第二历史目的地和第二历史出发时间。
在一些实施例中，对于所述至少两个历史运输服务记录中的任何一个，所述第二样本特征信息可以包括所述第一历史订单的第一历史原始路线的第一历史距离、所述第二历史订单的第二历史原始路线的第二历史距离、与所述第一历史订单相关的第一历史调整路线的第三历史距离、与所述第二历史订单相关的第二历史调整路线的第四历史距离、与所述第一历史订单和所述第二历史订单相关的历史组合路线的历史组合距离，与所述第一历史订单和所述第二历史订单相关的所述历史组合路线的历史组合时间、与所述第一历史订单相关的第一历史绕路距离、与所述第二历史订单相关的第二历史绕路距离、与所述第一历史订单相关的第一历史绕路时间、与所述第二历史订单相关的第二历史绕路时间、所述第一历史绕路距离与所述第一历史距离的第一历史比率、所述第二历史绕路距离与所述第二历史距离的第二历史比率、所述第二历史订单的历史接驾时间、所述历史服务提供者的历史位置与所述第二历史订单的第二历史出发位置之间的历史接驾距离或与所述第二历史订单相关的所述第二历史调整路线的所述历史接驾距离与所述第四历史距离的第三历史比率中的一个或以上。
在一些实施例中，所述训练模型可以包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
在本申请的另一方面，提供了一种分配服务请求的设备。所述设备可以包括获取模块、确定模块和分配模块。所述获取模块可以被配置为获取目标信息。所述目标信息可以包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。所述确定模块可以被配置为通过使用训练模型，基于所述目标信息，确定所述第二服务请求是否与所述服务提供者匹配。所述分配模块可以被配置为基于所述第二服务请求与所述服务提供者匹配的确定结果，将所述第二服务请求分配给所述服务提供者。
在一些实施例中，所述确定模块可以包括第一获取单元、输入单元、第二获取单元和确定单元。所述第一获取单元可以被配置为基于所述目标信息获取特征信息。所述输入单元可以被配置为将所述特征信息输入所述训练模型。所述第二获取单元可以被配置为获取由所述训练模型确定的匹配参数。所述确定单元可以被配置为基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
在一些实施例中，所述特征信息可以包括第一特征信息和第二特征信息。所述第一获取单元可以被配置为直接从所述目标信息中提取所述第一特征信息以及基于所述目标信息估计所述第二特征信息。
在一些实施例中，与所述第一服务请求相关的所述第一信息可以包括第一出发位置、第一目的地和第一出发时间，以及与所述第二服务请求相关的第二信息包括第二出发位置、第二目的地和第二出发时间。
在一些实施例中，所述第二特征信息可以包括所述第一服务请求的第一原始路线的第一距离、所述第二服务请求的第二原始路线的第二距离、与所述第一服务请求相关的第一调整路线的第三距离、与所述第二服务请求相关的第二调整路线的第四距离、与所述第一服务请求和所述第二服务请求相关的组合路线的组合距离、与所述第一服务请求和所述第二服务请求相关的所述组合路线的组合时间、与所述第一服务请求相关的第一绕路距离、与所述第二服务请求相关的第二绕路距离、与所述第一服务请求相关的第一绕路时间、与所述第二服务请求相关的第二绕路时间、所述第一绕路距离与所述第一距离的第一比率、所述第二绕路距离与所述第二距离的第二比率、所述第二服务请求的接载时间、所述服务提供者的位置与所述第二服务请求的所述第二出发位置之间的接驾距离或者与所述第二服务请求相关的所述第二调整路线的所述接驾距离与所述第四距离的第三比率中的一个或以上。
在一些实施例中，所述训练模型可以包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
在本申请的另一方面，提供了一种用于确定分配服务请求的训练模型的训练设备。所述训练设备可以包括获取模块和训练模块。所述获取模块可以被配置为获取样本信息。所述样本信息可以包括至少两个历史运服务记录的每一个的相关信息。对于所述至少两个历史运输服务记录的任何一个，所述相关信息可以包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息。所述训练模块可以被配置为基于所述样本信息确定所述训练模型。
在一些实施例中，所述训练模块可以包括确定单元、获取单元和训练单元。所述确定单元可以被配置为基于所述样本信息确定所述至少两个历史运输服务记录中的每一个的样本类型。所述样本类型可以包括正样本类型和负样本类型。所述获取单元可以被配置为基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息。所述训练单元可以被配置为基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型确定所述训练模型。
在一些实施例中，对于所述至少两个历史运输服务记录中的任何一个，所述样本特征信息可以包括第一样本特征信息和第二样本特征信息。所述获取单元可以被配置为基于所述样本信息，通过以下步骤获得对应于所述历史运输服务记录的所述样本特征信息：直接从与所述历史运输服务记录对应的所述样本信息中提取所述第一样本特征信息以及基于所述历史运输服务记录对应的所述样本信息估计所述第二样本特征信息。
在一些实施例中，与所述第一历史订单相关的所述第一历史信息可以包括第一历史出发位置、第一历史目的地和第一历史出发时间，与所述第二历史订单相关的所述第二历史信息可以包括第二历史出发位置、第二历史目的地和第二历史出发时间。
在一些实施例中，对于所述至少两个历史运输服务记录中的任何一个，所述第二样本特征信息可以包括所述第一历史订单的第一历史原始路线的第一历史距离、所述第二历史订单的第二历史原始路线的第二历史距离、与所述第一历史订单相关的第一历史调整路线的第三历史距离、与所述第二历史订单相关的第二历史调整路线的第四历史距离、与所述第一历史订单和所述第二历史订单相关的历史组合路线的历史组合距离、与所述第一历史订单和所述第二历史订单相关的所述历史组合路线的历史组合时间、与所述第一历史订单相关的第一历史绕路距离、与所述第二历史订单相关的第二历史绕路距离、与所述第一历史订单相关的第一历史绕路时间、与所述第二历史订单相关的第二历史绕路时间、所述第一历史绕路距离与所述第一历史距离的第一历史比率、所述第二历史绕路距离与所述第二历史距离的第二历史比率、所述第二历史订单的历史接驾时间、所述历史服务提供者的历史位置与所述第二历史订单的第二历史出发位置之间的历史接驾距离或与所述第二历史订单相关的所述第二历史调整路线的所述历史接驾距离与所述第四历史距离的第三历史比率中的一个或以上。
在一些实施例中，所述训练模型可以包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
在本申请的另一方面，提供了一种包括能够执行指令的计算机存储介质。所述可执行指令可以包括获取目标信息。所述目标信息可以包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。所述可执行指令还可以包括通过使用训练模型，基于所述目标信息，确定所述第二服务请求是否与所述服务提供者匹配。所述可执行指令还可以包括基于所述第二服务请求与所述服务提供者匹配的确定结果，将所述第二服务请求分配给所述服务提供者。
在本申请的另一方面，提供了一种包括能够执行指令的计算机存储介质。所述可执行指令可以包括获取样本信息。所述样本信息可以包括至少两个历史运服务记录的每一个的相关信息。对于所述至少两个历史运输服务记录的任何一个，所述相关信息可以包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息。所述可执行指令还可以包括基于所述样本信息确定所述训练模型。
在本申请的另一方面，提供了一种电子设备。所述电子设备可以包括适用于执行指令的处理器以及适用于存储一组指令的存储设备。所述指令可以适用于由所述处理器加载。所述处理器可以执行所述指令以获取目标信息。所述目标信息可以包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。所述处理器还可以执行所述指令以通过使用训练模型，基于所述目标信息，确定所述第二服务请求是否与所述服务提供者匹配。处所述理器还可以执行所述指令以基于所述第二服务请求与所述服务提供者匹配的确定结果，将所述第二服务请求分配给所述服务提供者。
在本申请的另一方面，电子设备可以包括适用于执行指令的处理器以及适用于存储一组指令的存储设备。所述指令可以适用于由所述处理器加载。所述处理器可以执行所述指令以获取样本信息。所述样本信息可以包括至少两个历史运服务记录的每一个的相关信息。对于所述至少两个历史运输服务记录的任何一个，所述相关信息可以包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息。所述处理器还可以执行所述指令以基于所述样本信息确定所述训练模型。
在本申请的另一方面，提供了一种分配服务请求的方法。所述方法可以包括获取目标信息。所述目标信息可以包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。所述方法还可以包括基于所述目标信息获取特征信息。所述方法还可以包括将所述特征信息分别输入训练线性回归模型和训练深度学习模型。所述方法还可以包括通过加权与所述训练线性回归模型相关的第一输出结果和与所述训练深度学习模型相关的第二输出结果，确定与所述第一服务请求和所述第二服务请求相关的匹配参数。所述方法还可以包括基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
在一些实施例中，所述方法可以包括基于所述目标信息，获取标识类的初始特征信息和非标识类的初始特征信息。所述方法还可以包括通过修改所述标识类的初始特征信息和所述非标识类的初始特征信息，确定所述特征信息。
在一些实施例中，所述特征信息可以包括第一特征信息、第二特征信息和第三特征信息。所述方法还可以包括通过将所述非标识类的初始特征信息输入训练集成模型并对与所述训练集成模型相关的输出结果进行归一化确定所述第一特征信息。所述方法还可以包括通过对所述非标识类的初始特征信息进行归一化确定所述第二特征信息，以及通过对所述标识类的初始特征信息进行离散化和归一化确定所述第三特征信息。
在一些实施例中，与所述第一服务请求相关的所述第一信息可以包括第一出发位置、第一目的地和第一出发时间，以及，与所述第二服务请求相关的所述第二信息可以包括第二出发位置、第二目的地和第二出发时间。
在本申请的另一方面，提供了一种用于确定于分配服务请求的训练模型的训练方法。所述训练方法可以包括获取样本信息。所述样本信息可以包括至少两个历史运输服务记录的每一个的相关信息。对于所述至少两个历史运输服务记录的任何一个，所述相关信息可以包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息。所述训练方法还可以包括确定所述至少两个历史运输服务记录的每一个的样本类型。所述样本类型可以包括正样本类型和负样本类型。所述训练方法还可以包括基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息。所述训练方法还可以包括基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
在一些实施例中，对于所述至少两个历史运输服务记录中的每一个，所述训练方法可以包括将所述样本特征信息输入所述初始线性回归模型和所述初始深度学习模型。所述方法还可以包括通过加权与所述初始线性回归模型相关的第一样本输出结果和与所述初始深度学习模型相关的第二样本输出结果确定参考匹配参数。所述方法还可以包括基于所述参考匹配参数和所述至少两个历史运输服务记录的每一个的所述样本类型调整所述至少一个参数。
在一些实施例中，对于所述至少两个历史运输服务记录中的任何一个，可以基于所述样本信息，通过以下步骤获取对应于所述历史运输服务记录的所述样本特征信息：基于所述样本信息中对应于所述历史运输记录的所述相关信息，获取标识类的初始样本特征信息和非标识类初始样本特征信息以及通过修改所述标识类的初始样本特征信息和所述非标识类的初始样本特征信息确定所述样本特征信息。
在一些实施例中，所述样本信息可以包括第一样本特征信息、第二样本特征信息和第三样本特征信息。所述训练方法还可以包括通过将所述非标识类的初始样本特征信息输入到训练集成模型并对与所述训练集成模型相关的样本输出结果进行归一化确定所述第一样本特征信息。所述训练方法还可以包括通过对所述非标识类的初始样本特征信息进行归一化确定所述第二样本特征信息。所述训练方法还可以包括通过对所述标识类的初始样本特征信息进行离散化和归一化确定所述第三样本特征信息。
在一些实施例中，所述方法还可以包括基于所述至少两个历史运输服务记录的每一个的所述样本类型和所述至少两个历史运输服务记录的每一个的所述非标识类的初始样本特征信息确定所述训练集成模型。
在一些实施例中，与所述第一历史订单相关的所述第一历史信息可以包括第一历史出发位置、第一历史目的地和第一历史出发时间，以及，与所述第二历史订单相关的所述第二历史信息可以包括第二历史出发位置、第二历史目的地和第二历史出发时间。
在本申请的另一方面，提供了一种用于分配服务请求的设备。所述设备可以包括第一获取模块、第二获取模块、输入模块、输出模块和分配模块。所述第一获取模块可以配置为获取目标信息。所述目标信息可以包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。所述第二获取模块可以被配置为基于所述目标信息获取特征信息。所述输入模块可以被配置为将所述特征信息分别输入训练线性回归模型和训练深度学习模型。所述输出模块可以被配置为通过加权与所述训练线性回归模型相关的第一输出结果和与所述训练深度学习模型相关的第二输出结果，确定与所述第一服务请求和所述第二服务请求相关的匹配参数。所述分配模块可以被配置为基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
在一些实施例中，所述第二获取模块可以包括获取单元和处理单元。所述获取单元可以被配置为基于所述目标信息，获取标识类的初始特征信息和非标识类的初始特征信息。所述处理单元可以被配置为通过修改所述标识类的初始特征信息和所述非标识类的初始特征信息，确定所述特征信息。
在一些实施例中，所述特征信息可以包括第一特征信息、第二特征信息和第三特征信息。所述处理单元还可以被配置为通过将所述非标识类的初始特征信息输入训练集成模型并对与所述训练集成模型相关的输出结果进行归一化确定所述第一特征信息。所述处理单元也可以被配置为通过对所述非标识类的初始特征信息进行归一化确定所述第二特征信息。所述处理单元也可以被配置为通过对所述标识类的初始特征信息进行离散化和归一化确定所述第三特征信息。
在一些实施例中，与所述第一服务请求相关的所述第一信息可以包括第一出发位置、第一目的地和第一出发时间，以及，与所述第二服务请求相关的所述第二信息可以包括第二出发位置、第二目的地和第二出发时间。
在本申请的另一方面，提供了一种用于确定分配服务请求的训练模型的训练设备。所述训练设备可以包括第一获取模块、确定模块、第二获取模块和调整模块。所述第一获取模块可以被配置为获取样本信息。所述样本信息可以包括至少两个历史运输服务记录的每一个的相关信息。对于所述至少两个历史运输服务记录的任何一个，所述相关信息可以包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息。所述确定模块可以被配置为确定所述至少两个历史运输服务记录的每一个的样本类型。所述样本类型可以包括正样本类型和负样本类型。所述第二获取模块可以被配置为基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息。所述调整模块可以被配置为基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
在一些实施例中，对于所述至少两个历史运输服务记录中的每一个，调整模块可以被配置为将所述样本特征信息输入所述初始线性回归模型和所述初始深度学习模型。所述调整模块还可以被配置为通过加权与所述初始线性回归模型相关的第一样本输出结果和与所述初始深度学习模型相关的第二样本输出结果确定参考匹配参数。所述调整模块还可以被配置为基于所述参考匹配参数和所述至少两个历史运输服务记录的每一个的所述样本类型调整所述至少一个参数。
对于所述至少两个历史运输服务记录中的任何一个，所述第二获取模块可以被配置为基于所述样本信息，通过以下步骤获取对应于所述历史运输服务记录的所述样本特征信息：基于所述样本信息中对应于所述历史运输记录的所述相关信息，获取标识类的初始样本特征信息和非标识类初始样本特征信息以及通过修改所述标识类的初始样本特征信息和所述非标识类的初始样本特征信息确定所述样本特征信息。
在一些实施例中，所述样本信息可以包括第一样本特征信息、第二样本特征信息和第三样本特征信息。所述第二获取模块可以被配置为通过以下方式修改所述标识类的初始样本特征信息和所述非标识类的初始样本特征信息确定所述样本特征信息：通过将所述非标识类的初始样本特征信息输入到训练集成模型并对与所述训练集成模型相关的样本输出结果进行归一化确定所述第一样本特征信息，通过对所述非标识类的初始样本特征信息进行归一化确定所述第二样本特征信息，以及通过对所述标识类的初始样本特征信息进行离散化和归一化确定所述第三样本特征信息。
在一些实施例中，所述训练设备还可以包括训练模块。所述练模块可以被配置为基于所述至少两个历史运输服务记录的每一个的所述样本类型和所述至少两个历史运输服务记录的每一个的所述非标识类的初始样本特征信息确定所述训练集成模型。
在一些实施例中，与所述第一历史订单相关的所述第一历史信息可以包括第一历史出发位置、第一历史目的地和第一历史出发时间，以及，与所述第二历史订单相关的所述第二历史信息可以包括第二历史出发位置、第二历史目的地和第二历史出发时间。
在本申请的另一方面，一种包括可执行指令的计算机存储介质。所述可执行指令可以包括获取目标信息。所述目标信息可以包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。所述可执行指令还可以包括基于所述目标信息获取特征信息。所述可执行指令还可以包括将所述特征信息分别输入训练线性回归模型和训练深度学习模型。所述可执行指令还可以包括通过加权与所述训练线性回归模型相关的第一输出结果和与所述训练深度学习模型相关的第二输出结果，确定与所述第一服务请求和所述第二服务请求相关的匹配参数。所述可执行指令还可以包括基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
在本申请的另一方面，一种包括可执行指令的计算机存储介质。所述可执行指令可以包括获取样本信息。所述样本信息可以包括至少两个历史运输服务记录的每一个的相关信息。对于所述至少两个历史运输服务记录的任何一个，所述相关信息可以包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息。所述可执行指令还可以包括确定所述至少两个历史运输服务记录的每一个的样本类型。所述样本类型可以包括正样本类型和负样本类型。所述可执行指令可以包括基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息。所述可执行指令可以包括基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
在本申请的另一方面，提供了一种电子设备。所述电子设备可以包括适合于执行指令的处理器以及适合于存储一组指令的存储设备。所述指令可以适用于由所述处理器加载。所述处理器可以执行所述指令以获取目标信息。所述目标信息可以包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。所述处理器还可以执行所述指令以基于所述目标信息获取特征信息。所述处理器也可以执行所述指令以将所述特征信息分别输入训练线性回归模型和训练深度学习模型。所述处理器还可以执行所述指令以通过加权与所述训练线性回归模型相关的第一输出结果和与所述训练深度学习模型相关的第二输出结果，确定与所述第一服务请求和所述第二服务请求相关的匹配参数。所述处理器还可以执行所述指令以基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
在本申请的另一方面，提供了一种电子设备。所述电子设备可以包括适合于执行指令的处理器以及适合于存储一组指令的存储设备。所述指令可以适用于由所述处理器加载。所述处理器可以执行所述指令以获取样本信息。所述样本信息可以包括至少两个历史运输服务记录的每一个的相关信息。对于所述至少两个历史运输服务记录的任何一个，所述相关信息可以包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息。所述处理器还可以执行所述指令以可以确定所述至少两个历史运输服务记录的每一个的样本类型。所述样本类型可以包括正样本类型和负样本类型。所述处理器还可以执行所述指令以基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息。所述处理器还可以执行所述指令以基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型，通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
在本申请的另一方面，提供了一种被配置为提供线上到线下服务的***。所述***可以包括至少一个包括一组指令的存储设备，至少一个与所述至少一个存储设备通信的处理器。当执行所述指令时，所述至少一个处理器可以被配置为使所述***获取与第一服务请求相关的第一信息。所述第一服务请求可以已分配给服务提供者，并已被所述服务提供者接受。所述第一服务请求可以通过第一请求者终端执行的应用程序发起。所述至少一个处理器还可以被配置为使所述***通过请求接口获取与第二服务请求相关的第二信息。所述第二服务请求可以通过第二请求者终端执行的应用程序发起。所述至少一个处理器还可以被配置为通过使用至少一个训练匹配模型，基于所述第一信息和所述第二信息，确定匹配参数。所述至少一个处理器还可以被配置为确定所述匹配参数是否大于阈值。所述至少一个处理器还可以被配置为基于所述匹配参数大于所述阈值的确定结果，通过网络将与所述第二服务请求相关的数据传送给与所述服务提供者相关的提供者终端。所述提供者终端，响应于接收到与所述第二服务请求相关的所述数据，可以在图形用户界面中显示与所述第二服务请求相关的所述数据的至少一部分。
在一些实施例中，所述至少一个处理器还可以被配置为使所述***通过所述网络从数据资源获取与所述服务提供者相关的参考信息。所述参考信息可以包括与所述服务提供者相关的提供者信息、天气信息、时间信息或交通信息中的至少一个。所述至少一个处理器也可以被配置为使所述***通过使用所述至少一个训练匹配模型，基于所述第一信息、所述第二信息和所述参考信息确定所述匹配参数。
在一些实施例中，所述第一信息可以包括所述第一服务请求的第一出发位置、所述第一服务请求的第一目的地或所述第一服务请求的第一出发时间中的至少一个，或所述第二信息可以包括所述第二服务请求的第二出发位置、所述第二服务请求的第二目的地或所述第二服务请求的第二出发时间中的至少一个。
在一些实施例中，所述至少一个训练匹配模型可以包括第一训练匹配模型和第二训练匹配模型。所述至少一个处理器被配置为使所述***进一步通过使用所述第一训练匹配模型，基于所述第一信息和所述第二信息确定第一匹配参数。所述至少一个处理器还被配置为使所述***通过使用所述第二训练匹配模型，基于所述第一信息和所述第二信息确定第二匹配参数。所述至少一个处理器还被配置为使所述***基于所述第一匹配参数和所述第二匹配参数确定所述匹配参数。
在一些实施例中，所述至少一个训练匹配模型可以由所述至少一个处理器基于训练过程所训练获得。所述训练过程可以包括获取包括至少一个正训练样本和至少一个负训练样本的至少两个训练样本。所述训练过程还可以包括提取所述至少两个训练样本中的每一个的特征信息。所述训练过程还可以包括基于所述至少两个训练样本的所述特征信息确定所述至少一个训练匹配模型。
在一些实施例中，获取所述至少一个正训练样本和所述至少一个负训练样本可以包括：获取历史运输服务记录，其中，所述历史运输服务记录包括与历史服务提供者接受的第一历史订单相关的第一历史信息、与与所述第一历史订单匹配的第二历史订单相关的第二历史信息或与所述历史服务提供者相关的历史参考信息；根据所述第二历史订单被所述历史服务提供者接受的确定结果，基于所述历史运输服务记录，确定正训练样本；以及根据所述第二历史订单没有被所述历史服务提供者接受的确定结果，基于所述历史运输服务记录，确定负训练样本。
在一些实施例中，所述第一历史信息可以包括所述第一历史订单的第一历史出发位置、所述第一历史订单的第一历史目的地或所述第一历史订单的第一历史出发时间中的至少一个；以及，所述第二历史信息可以包括所述第二历史订单的第二历史出发位置、所述第二历史订单的第二历史目的地或所述第二历史订单的第二历史出发时间中的至少一个。
在一些实施例中，基于所述至少两个训练样本确定所述至少一个训练匹配模型可以包括获取至少一个初始匹配模型；基于所述至少一个初始匹配模型和所述至少两个训练样本的所述特征信息，确定对应于所述至少两个训练样本的至少两个样本匹配参数；确定所述至少两个样本匹配参数是否满足第一预设条件；以及基于所述至少两个样本匹配参数满足所述第一预设条件的确定结果，指定所述至少一个初始匹配模型作为所述至少一个训练匹配模型。
在一些实施例中，基于所述至少两个训练样本确定所述至少一个训练匹配模型可以包括：基于所述至少两个样本匹配参数不满足所述第一预设条件的确定结果，更新所述至少一个初始匹配模型。
在一些实施例中，所述至少一个训练匹配模型可以包括第一训练匹配模型和第二训练匹配模型，以及基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：获取第一初始匹配模型和第二初始匹配模型；基于所述第一初始匹配模型和所述至少两个训练样本的所述特征信息确定对应于所述至少两个训练样本的至少两个第一样本匹配参数；基于所述第二初始匹配模型和所述至少两个训练样本的所述特征信息确定对应于所述至少两个训练样本的至少两个第二样本匹配参数；确定与所述至少两个第一样本匹配参数和所述至少两个第二样本匹配参数相关的样本结果是否满足第二预设条件；以及基于所述样本结果满足所述第二预设条件的确定结果，分别指定所述第一初始匹配模型和所述第二初始匹配模型作为所述第一训练匹配模型和所述第二训练匹配模型。
在一些实施例中，基于所述至少两个训练样本确定所述至少一个训练匹配模型可以包括：基于所述样本结果不满足所述第二预设条件的确定结果，更新所述第一初始匹配模型和所述第二初始匹配模型中的至少一个。
在一些实施例中，所述至少两个训练样本的所述每一个的所述特征信息可以包括所述至少两个训练样本的所述每一个的第一特征信息、所述至少两个训练样本的所述每一个的第二特征信息、所述至少两个训练样本的所述每一个的第三特征信息，以及，确定所述至少两个训练样本的每一个的特征信息可以包括：提取所述至少两个训练样本的所述每一个的初始特征信息，所述初始特征信息包括非标识类的第一初始特征信息和标识类的第二初始特征信息；以及通过修改所述初始特征信息，确定所述至少两个训练样本的所述每一个的所述特征信息。
在一些实施例中，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息可以包括：基于训练集成模型和所述第一初始特征信息确定第一特征结果；以及通过对所述第一特征结果进行归一化确定所述至少两个训练样本的所述每一个的所述第一特征信息。
在一些实施例中，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息可以包括通过对所述第一初始特征信息进行归一化确定所述至少两个训练样本的所述每一个的所述第二特征信息。
在一些实施例中，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息可以包括：对所述第二初始特征信息进行离散化；通过对所述离散化的第二初始特征信息进行归一化确定所述至少两个训练样本的所述每一个的所述第三特征信息。
在一些实施例中，所述至少一个训练匹配模型可以包括极限梯度增强模型、线性回归模型或深度学习网络模型。
根据本申请的一个方面，提供了一种方法。所述方法可以在计算设备上实现，所述计算设备具有至少一个处理器、至少一个存储设备和连接到网络的通信平台。所述方法可以包括获取与第一服务请求相关的第一信息。所述第一服务请求可以已分配给服务提供者，并已被所述服务提供者接受。所述第一服务请求可以通过第一请求者终端执行的应用程序发起。所述方法还可以包括通过请求接口获取与第二服务请求相关的第二信息。所述第二服务请求可以通过第二请求者终端执行的应用程序发起。所述方法还可以包括通过使用至少一个训练匹配模型，基于所述第一信息和所述第二信息确定匹配参数。所述方法还可以包括确定所述匹配参数是否大于阈值。所述方法还可以包括基于所述匹配参数大于所述阈值的确定结果，通过网络将与所述第二服务请求相关的数据传送给与所述服务提供者相关的提供者终端。所述提供者终端，响应于接收到与所述第二服务请求相关的所述数据，可以在图形用户界面中显示与所述第二服务请求相关的所述数据的至少一部分。
在本申请的另一方面，提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质可以包括可执行指令，当由至少一个处理器执行时，所述可执行指令指示所述至少一个处理器执行方法。所述方法可以包括获取与第一服务请求相关的第一信息。所述第一服务请求可以已分配给服务提供者，并已被所述服务提供者接受。所述第一服务请求可以通过第一请求者终端执行的应用程序发起。所述方法还可以包括通过请求接口获取与第二服务请求相关的第二信息。所述第二服务请求可以通过第二请求者终端执行的应用程序发起。所述方法还可以包括通过使用至少一个训练匹配模型，基于所述第一信息和所述第二信息确定匹配参数。所述方法还可以包括确定所述匹配参数是否大于阈值。所述方法还可以包括基于所述匹配参数大于所述阈值的确定结果，通过网络将与所述第二服务请求相关的数据传送给与所述服务提供者相关的提供者终端。所述提供者终端，响应于接收到与所述第二服务请求相关的所述数据，可以在图形用户界面中显示与所述第二服务请求相关的所述数据的至少一部分。
其他特征将在以下部分描述中进行阐述，并且在检视以下及随附图标之后，部分特征对于本领域的普通技术人员来讲是显而易见地，或可以通过实例的生产及操作来了解。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性的实施例将结合附图进行详细描述。这些实施例并非限制性的示例性实施例，在图示多种视图下的实施例中，相同的组件符号表示相同的结构，其中：
图1是根据本申请的一些实施例所示的示例性按需服务***的示意图；
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和/或软件组件的示意图；
图3是根据本申请的一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图；
图4是说明根据本申请的一些实施例所示的分配服务请求的示例性过程的流程图；
图5是说明根据本申请的一些实施例所示的分配服务请求的示例性过程的流程图；
图6是根据本申请的一些实施例所示的确定用于分配服务请求的训练模型的示例性训练过程的流程图；
图7是根据本申请的一些实施例所示的确定用于分配服务请求的训练模型的示例性训练过程的流程图；
图8是根据本申请的一些实施例所示的分配服务请求的示例性设备的框图；
图9是根据本申请的一些实施例所示的确定用于分配服务请求的训练模型的示例性训练设备的框图；
图10是说明根据本申请的一些实施例所示的分配服务请求的示例性过程的流程图；
图11是根据本申请的一些实施例所示的分配服务请求的示例性场景的示意图；
图12是说明根据本申请的一些实施例所示的分配服务请求的示例性过程的流程图；
图13是根据本申请的一些实施例所示的确定用于分配服务请求的至少一个训练模型的示例性训练过程的流程图；
图14是根据本申请的一些实施例所示的分配服务请求的示例性设备的框图；
图15是根据本申请的一些实施例所示的确定用于分配服务请求的至少一个训练模型的示例性训练设备的框图；
图16是根据本申请的一些实施例所示的示例性处理引擎的框图；
图17是说明根据本申请的一些实施例所示的将服务请求分配给服务提供者的示例性过程的流程图；
图18是说明根据本申请的一些实施例所示的通过使用两个训练模型确定匹配参数的示例性过程的流程图；
图19是说明根据本申请的一些实施例所示的确定用于分配服务请求的至少一个训练匹配模型的示例性过程的流程图；以及
图20是根据本申请的一些实施例所示的确定分配服务请求的两个训练匹配模型的示例性过程的流程图。
具体实施方式
以下描述是为了使本领域普通的技术人员能够制造和使用本申请，并在特定的应用及其要求的上下文中提供。对于本领域的普通技术人员来讲，对本申请披露的实施例进行的各种修改是显而易见的，并且本文中定义的通则在不背离本申请的精神及范围的情况下，可以适用于其他实施例及应用。因此，本申请不限于所示的一些实施例，而是与权利要求一致的最广泛范围。
本文中所使用的术语仅用于描述特定示例性实施例，并不限制本申请的范围。如本文使用的单数形式“一”、“一个”及“所述”可以同样包括复数形式，除非上下文明确提示例外情形。应当理解的是，本申请中所使用的术语“包括”和/或“包含”仅提示已明确标识的特征、整体、步骤、操作、元件和/或部件，而不排除可以存在和添加其他一个或以上特征、整体、步骤、操作、元件、部件和/或其组合。
根据以下对附图的描述，本申请的特征、特点、以及操作方法、结构的相关元件的功能、各部件组合、制造经济性变得显而易见，这些都构成说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是附图并不是按比例的。
本申请中使用了流程图用于说明根据本申请的实施例的***所执行的操作。应当理解的是，流程图的操作不一定按顺序精确执行。相反，可以按照倒序执行或同时处理各种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。或者，从这些流程图中移除某一步或数步操作。
此外，尽管本申请中描述的***和方法主要关于按需服务，但是还应该理解的是，这仅是一个示例性实施例。本申请的***和方法能适用于任何其他类型的按需服务。例如，本申请的***和方法可以应用于不同的运输***，包括陆地、海洋、航空航天等或其任意组合。所述运输***的车辆可以包括出租车、私家车、顺风车、公交车、火车、动车、高铁、地铁、船舶、飞机、飞船、热气球、无人驾驶车辆等或其任意组合。运输***还可以包括应用管理和/或分发的任何运输***，例如，用于发送和/或接收快递的***。本申请的***和方法的应用场景可以包括网页、浏览器的插件、客户端、定制***、内部分析***、人工智能机器人等或其任意组合。
本申请中的术语“乘客”、“请求者”、“服务请求者”和“客户”可用于表示请求或订购服务的个人、实体或工具，并且可互换使用。此外，本申请中的术语“司机”、“提供者”、“服务提供者”和“供应者”可用于表示提供服务或促进提供服务的个人、实体或工具，并且可互换使用。本申请中的术语“用户”可以表示用于请求服务、预定服务、提供服务或促进提供服务的个体、实体或工具。在本申请中，术语“请求者”和“请求者终端”可以互换使用，术语“提供者”和“提供者终端”可以互换使用。
本申请中的术语“请求”、“服务”、“服务请求”和“订单”可用于表示由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应者等或其任意组合发起的请求，并且可互换使用。该服务请求可以被乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者或供应者中的任一者接受。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以包括全球定位***(GPS)、全球卫星导航***(GLONASS)、北斗导航***(COMPASS)、伽利略定位***、准天顶卫星***(QZSS)、无线保真(WIFI)定位技术或其任意组合。以上定位技术中的一种或多种可以在本申请中互换使用。
本申请的一方面提供了用于线上到线下服务(例如，运输拼车服务)的***和方法。例如，***可以获取与服务提供者已经接受的第一服务请求相关的信息。***还可以获取与待分配的第二服务请求相关的信息和参考信息(例如，服务提供者的提供者信息、交通信息、天气信息)。***还可以通过使用至少一个训练匹配模型并基于与第一服务请求相关的信息、与第二服务请求相关的信息和参考信息确定第一服务请求和第二服务请求的匹配分数。此外，***可以确定匹配分数是否大于阈值，并且***可以在确定匹配分数大于阈值时将第二服务请求分配给服务提供者。可以基于至少两个历史运输服务记录训练至少一个训练匹配模型。根据至少一个训练匹配模型，***可以有效地分配与拼车服务相关的服务请求。
需要注意的是，在线按需服务，例如在线预定出租车，是起源于后互联网时代的一种新的服务方式。它为使用者和服务提供者提供了仅在后互联网时代才可能实现的技术方案。在互联网时代之前，当乘客在街道上需要一辆出租车时，出租车预定请求和接受只可能在乘客和一个看见该乘客的出租车司机之间发生。如果乘客通过电话呼叫一辆出租车，则服务请求和接受可能仅在该乘客和服务提供者(例如，出租车公司或代理商)之间发生。然而，在线预定租车允许该服务的使用者实时地和自动地向与该用户相距一段距离的大量的单个服务提供者(例如，出租车)分发服务请求。它同时允许至少两个服务提供者同时地和实时地对该服务请求进行响应。因此，通过互联网，按需服务***可以为用户和服务提供者提供一个更加有效的交易平台，这在传统的互联网时代之前的按需服务***中是永远无法达到的。
图1是根据一些实施例所示的示例性按需服务***的示意图。在一些实施例中，按需服务***可以是用于线上到线下服务的***。例如，按需服务***100可以是运输服务平台，例如出租车、代驾服务、快递车辆、快车、拼车、公共汽车服务、司机租用和班车服务。按需服务***100可以包括服务器110、网络120、请求者终端130、提供者终端140和存储器150。
在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式的***)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络120存取储存在请求者终端130、提供者终端140和/或存储器150中的信息和/或数据。又例如，服务器110可以直接连接到请求者终端130、提供者终端140和/或存储器150，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多云等或其任意组合。在一些实施例中，服务器110可以在图2中描述的包含了一个或以上组件的计算设备200上执行。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据执行本申请中描述的一个或以上功能。例如，处理引擎112可以通过使用至少一个训练匹配模型并基于与第一服务请求相关的第一信息和与第二服务请求相关的第二信息，确定匹配参数。匹配参数可以指示与第二服务请求和已接受第一服务请求的服务提供者相关的匹配度。在一些实施例中，处理引擎112可以包括一个或以上处理引擎(例如，单核处理引擎或多核处理引擎)。处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，按需服务***100的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140或存储器150)可以通过网络120向按需服务***100中的其他组件发送信息和/或数据。例如，服务器110可以通过网络120从请求者终端130获取服务请求。在一些实施例中，网络120可以是有线网络或无线网络中的一种，或其任意组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙网络、ZigBee、近场通讯(NFC)网络等或其任意组合。在一些实施例中，网络120可以包括一个或以上网络交换点。例如，网络120可包括有线或无线网络交换点，比如基站和/或互联网交换点120-1、120-2等，通过该网络交换点，按需服务***100的一个及以上部件可以连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求者可以是请求者终端130的用户。在一些实施例中，请求者终端130的使用者可以是请求者之外的其他人。例如，请求者终端130的使用者A可以使用请求者终端130为使用者B发送服务请求或者从服务器110接收服务和/或信息或指示。在一些实施例中，服务提供者可以是提供者终端140的用户。在一些实施例中，提供者终端140的用户可以为除该提供者之外的其他人。例如，提供者终端140的用户C可以使用提供者终端140从服务器110接收用户D的服务请求和/或信息或指示。
在一些实施例中，请求者终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车辆内置设备130-4等或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点设备(POS)等或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、OculusRiftTM、HololensTM、GearVRTM等。在一些实施例中，车辆内置设备130-4可以包括车载计算机、车载电视等。在一些实施例中，请求者终端130可以是带有定位技术的设备，定位技术可以用于定位服务请求者和/或请求者终端130的位置。
在一些实施例中，提供者终端140可以是与请求者终端130相似或相同的设备。在一些实施例中，提供者终端140可以是具有用来确定提供者和/或提供者终端140位置的定位技术的设备。在一些实施例中，请求者终端130和/或提供者终端140可以与其他定位设备通信以确定服务请求者、请求者终端130、服务提供者和/或提供者终端140的位置。在一些实施例中，请求者终端130和/或提供者终端140可以将定位信息发送至服务器110。
存储器150可以存储与服务请求有关的数据和/或指令。在一些实施例中，存储器150可以储存从请求者终端130和/或提供者终端140处获取的数据。在一些实施例中，存储器150可以存储服务器110所执行或使用以完成本申请中所描述的示例性方法的数据和/或指令。在一些实施例中，存储器150可以包括大容量储存器、可移式储存器、易失性读写内存器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移式存储器可以包括快闪驱动器、软盘、光盘、存储卡、压缩磁盘、磁带等。示例性易失性读写存储器可以包括随机存储器(RAM)。示例性RAM可以包括动态随机存储器(DRAM)、双倍速率同步动态随机存储器(DDRSDRAM)、静态随机存储器(SRAM)、晶闸管随机存储器(T-RAM)和零电容随机存储器(Z-RAM)等。示例性只读存储器可以包括掩蔽型只读存储器(MROM)、可编程只读存储器(PROM)、可擦可编程只读存储器(PEROM)、电可擦可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，存储器150可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多云等或其任意组合。
在一些实施例中，存储器150可以与网络120连接以与按需服务***100的一个或以上部件(例如，服务器110、请求者终端130、提供者终端140等)通信。按需服务***100的一个或以上部件可以经由网络120访问存储在存储器150中的数据和/或指令。在一些实施例中，存储器150可以直接与按需服务***100的一个或以上部件(例如，服务器110、请求者终端130、提供者终端140等)连接或与之通信。在一些实施例中，存储器150可以是服务器110的一部分。
在一些实施例中，按需服务***100的一个或以上部件(例如，服务器110、请求者终端130、提供者终端140等)可以被允许访问存储器150。在一些实施例中，当满足一个或以上条件时，按需服务***100的一个或以上部件可以读取和/或修改与服务请求者、服务提供者和/或公众有关的信息。例如，在完成一个服务之后，服务器110可以读取和/或修改一个或以上服务请求的信息。又例如，当从请求者终端130接收到服务请求时，提供者终端140可以访问与请求者相关的信息，但提供者终端140无法修改请求者的相关信息。
在一些实施例中，按需服务***100的一个或以上部件的信息交换可以通过请求服务的方式实现。服务请求的对象可以是任意产品。在一些实施例中，该产品可以是有形产品或无形产品。有形产品可以包括食物、医药、商品、化学产品、电器、衣物、汽车、房屋、奢侈品等或其任意组合。无形产品可以包括服务产品、金融产品、知识产品、互联网产品等或其任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或其任意组合。移动互联网产品可以用于移动终端的软件、程序、***等或其任意组合。移动终端可以包括平板计算机、膝上型计算机、移动手机、个人数字助理(PDA)、智能手表、销售点设备(POS)、车载计算机、车载电视、可穿戴设备等或其任意组合。例如，产品可以是在计算机或移动电话上使用的任意软件和/或应用。软件和/或应用可以与社交、购物、运输、娱乐、学习、投资等或其任意组合相关。在一些实施例中，与运输相关的软件和/或应用程序可以包括旅游软件和/或应用程序、车辆调度软件和/或应用程序、地图软件和/或应用程序等。在车辆调度软件和/或应用中，车辆可以包括马、马车、人力车(例如，独轮车、自行车、三轮车)、汽车(例如，出租车、公共汽车、私家车)、火车、地铁、船、飞机(例如，飞机、直升机、航天飞机、火箭、热气球)等，或其任意组合。
本领域普通技术人员将理解，当基于按需服务***100的部件(或组件)执行时，该部件可以通过电信号和/或电磁信号执行。例如，当请求者终端130向服务器110发送服务请求时，请求者终端130的处理器可以生成编码该请求的电信号。然后，请求者终端130的处理器可以将电信号发送到输出端口。如果请求者终端130经由有线网络与服务器110通信，则输出端口可以物理连接到电缆，电缆进一步将电信号传输到服务器110的输入端口。如果请求者终端130通过无线网络与服务器110通信，则请求者终端130的输出端口可以是一个或以上天线，其将电信号转换为电磁信号。类似地，提供者终端140可以通过其处理器中逻辑电路的操作处理任务，并且经由电信号或电磁信号从服务器110接收指令和/或服务请求。在诸如请求者终端130、提供者终端140和/或服务器110的电子设备中，当其处理器处理指令、发出指令和/或执行动作时，指令和/或动作通过电信号进行。例如，当处理器从存储介质(例如，存储器150)检索或保存数据时，它可以向存储介质的读/写设备发送电信号，该读/写设备可以在存储介质中读取或写入结构化数据。该结构数据可以通过电子设备的总线，以电信号的形式传输至处理器。这里，电信号可以指一个电信号、一系列电信号和/或至少两个离散的电信号。
图2是根据本申请的一些实施例所示的计算设备200的示例性硬件和/或软件组件的示意图。在一些实施例中，服务器110、请求者终端130和/或提供者终端140可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实施并执行本申请所披露的功能。
计算设备200可以用于实现如本申请所述的按需服务***100的任一元件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见，图中只绘制了一台计算机，但是本实施例所描述的与提供按需服务相关的计算机功能可以以分布式的方式在一组相似的平台上实施，以分散处理负载。
例如，计算设备200可以包括与网络相连接并促进数据通讯的通讯(COM)端口250。计算设备200还可以包括中央处理器220，可以以一个或以上处理器的形式(例如，逻辑电路)执行程序指令。例如，处理器220可以包括接口电路和处理电路。接口电路可以被配置为从总线210接收电子信号，其中电子信号可以对由处理电路处理的结构化数据和/或指令进行编码。处理电路可以进行逻辑计算，然后确定编码为电子信号的结论、结果和/或指令。然后，接口电路可以通过总线210从处理电路发出电子信号。
计算设备200还可以包括不同形式的程序存储器和数据存储器，例如磁盘270、只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算设备处理和/或发送的各种数据文件。示例性的计算机平台也可以包括储存于只读存储器230、随机存储器240和/或其他类型的非暂时储存介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以作为程序指令执行。计算设备200还包括I/O组件260，其支持计算机与其中的其他组件之间的输入/输出。计算设备200也可以通过网络通信接收程序和数据。
仅用于说明，在图2中仅描述了一个处理器。还可以包括多个处理器，因此由本申请中描述的一个处理器执行的操作和/或方法步骤也可以由多个处理器共同或分别执行。例如，在本申请中，计算设备200的CPU和/或处理器执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由计算设备200的两个不同的CPU和/或处理器共同地或分别地执行(例如，第一处理器执行步骤A、第二处理器执行步骤B，或者第一和第二处理器共同地执行步骤A和步骤B)。
图3是根据本申请的一些实施例所示的可以在其上实现请求者终端130或提供者终端140的移动设备300的示例性硬件和/或软件组件的示意图。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出350、内存360、移动操作***(OS)370和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于***总线或控制器(未示出)，也可包括在移动设备300内。
在一些实施例中，操作***370(如，iOSTM、AndroidTM、WindowsPhoneTM等)和一个或以上应用程序380可以从存储器390加载到内存360中，以便由中央处理单元340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于从按需服务***100接收和呈现与按需服务或其他信息有关的信息。用户与信息流的交互可以经由输入/输出350实现，幷经由网络120提供给处理引擎112和/或按需服务***100的其他组件。
图4是根据本申请的一些实施例所示的分配服务请求的示例性过程的流程图。在一些实施例中，过程400可以实现为存储在存储器ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图8中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行过程400。以下呈现的所示过程的操作旨在说明性。在一些实施例中，过程400可以通过未描述的一个或以上附加操作和/或不通过本申请所讨论的一个或以上操作完成。另外，如图4所示和以下描述的过程中的操作的顺序并非限制性的。
在410中，可以获取目标信息。目标信息可以包括服务提供者的提供者信息、与服务提供者已接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。提供者信息和实时信息可以统称为参考信息。
在一些实施例中，与服务请求(例如，第一服务请求、第二服务请求)相关的服务可以是与车辆(例如，拼车服务)相关的共享乘车服务。本申请的应用场景可以是这样的场景，其中提供共享乘车服务的服务提供者已经接受了服务请求并且正在等待被分配另一个服务请求。例如，对于拼车服务，服务提供者可以是接载乘客的司机。第一服务请求可以是服务提供者已接受的服务请求。第二服务请求可以是待分配的服务请求。
在一些实施例中，服务提供者的提供者信息可以包括可以表示服务提供者的个人特征的各种信息。以拼车服务为例，服务提供者可以是提供拼车服务的司机。提供者信息可以包括但不限于司机的标识(ID)信息、司机的性别信息、司机的年龄信息、司机的服务评分信息、司机的星级信息、司机的车辆类型信息、司机的当前位置信息等。
在一些实施例中，与第一服务请求相关的第一信息可以包括第一服务请求中包括的各种信息。例如，与第一服务请求相关的第一信息可以包括但不限于第一出发位置、第一目的地、第一出发时间、与第一服务请求的第一用户相关的第一用户信息等。与第二服务请求相关的第二信息可以包括第二服务请求中包括的各种信息。例如，第二信息可以包括但不限于第二出发位置、第二目的地、第二出发时间、与第二服务请求的第二用户相关的第二用户信息等。如这里所使用的，用户信息可以包括但不限于用户的ID信息、用户的画像信息(例如，性别信息、年龄信息、爱好信息、职业信息)等。这里使用的出发时间(例如，第一出发时间、第二出发时间)指用户(例如，第一用户、第二用户)希望出发的时间点。
在一些实施例中，实时信息可以包括但不限于当前天气信息、当前时间信息(例如，时间点信息、周信息、公历日期信息、农历日期信息、假日信息)、当前交通信息等。
在420中，可以通过使用训练模型，基于目标信息，确定第二服务请求是否与服务提供者匹配(即，第二服务请求是否与服务提供者已接受的第一服务请求匹配)。
训练模型可以包括极端梯度增强(XGBoost)模型、线性回归模型或深度神经网络(DNN)模型中的任何一种。应该理解的是，训练模型可以包括其他类型的训练模型。本申请中训练模型的类型的描述不是限制性的。
在一些实施例中，可以根据以下过程，通过使用训练模型，基于目标信息确定第二服务请求是否与服务提供者匹配。可以基于目标信息获取特征信息。可以将特征信息输入训练模型作为输入。可以获取由训练模型确定的匹配参数作为训练模型的输出。按需***100可以基于确定匹配参数大于或等于预设阈值的结果确定第二服务请求与服务提供者匹配。
在430中，可以基于第二服务请求与服务提供者匹配的确定结果，将第二服务请求分配给服务提供者。
在本申请的上述实施例中提供了分配服务请求的过程。可以获取目标信息。可以通过使用训练模型，基于目标信息，确定第二服务请求是否与服务提供者匹配。可以基于第二服务请求与服务提供者匹配的结果，将第二服务请求分配给服务提供者。如这里所使用的，目标信息可以包括服务提供者的提供者信息、与服务提供者已经接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。根据该过程，第二服务请求与服务提供者之间的匹配可以更合理，并且可以提高服务效率和服务资源的利用率。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，变化和修改不会背离本申请的范围。
图5是根据本申请的一些实施例所示的分配服务请求的示例性过程的流程图。在一些实施例中，过程500可以实现为存储在存储器ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图8中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为用于执行过程500。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程500可以通过未描述的一个或以上附加操作和/或不通过本申请所讨论的一个或以上操作完成。另外，如图5所示和以下所描述的过程中的操作的顺序不是限制性的。
在510中，可以获取目标信息。目标信息可以包括服务提供者的提供者信息、与服务提供者已接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。
在520中，可以基于目标信息获取特征信息。在一些实施例中，特征信息可以包括第一特征信息(也称为“第一初始特征信息”)和第二特征信息(也称为“第二初始特征信息”)。可以直接基于目标信息获取第一特征信息。可以基于目标信息估计获得第二特征信息。具体地，可以直接从目标信息中提取第一特征信息。可以基于目标信息，根据诸如预设算法、预设策略或预设模型估计第二特征信息。
在一些实施例中，第一特征信息可以包括服务提供者的性别信息、服务提供者的年龄信息、服务提供者的服务评分信息、服务提供者的星级信息、服务提供者的车辆类型信息、服务提供者的当前位置信息、天气信息或时间信息中的一个或以上。
在一些实施例中，第二特征信息可以包括第一服务请求的第一原始路线的第一距离、第二服务请求的第二原始路线的第二距离、与第一服务请求相关的第一调整路线的第三距离、与第二服务请求相关的第二调整路线的第四距离、与第一服务请求和第二服务请求相关的组合路线的组合距离、与第一服务请求和第二服务请求相关的组合路线的组合时间、与第一服务请求相关的第一绕路距离、与第二服务请求相关的第二绕路距离、与第一服务请求相关的第一绕路时间、与第二服务请求相关的第二绕路时间、第一绕路距离与第一距离的第一比率、第二绕路距离与第二距离的第二比率、第二服务请求的接载时间、服务提供者的位置和第二服务请求的第二出发位置之间的接载距离或接载距离和与第二服务请求相关的第二调整路线的第四距离的第三比率中的一个或以上。
如这里所使用的，原始路线(例如，第一原始路线、第二原始路线)指从服务请求(例如，第一服务请求、第二服务请求)的出发位置(例如，第一出发位置、第二出发位置)到服务请求的目的地(例如，第一目的地、第二目的地)的推荐路线。调整路线(例如，第一调整路线、第二调整路线)指当服务提供者提供与服务请求相关的拼车服务时，从服务请求(例如，第一服务请求、第二服务请求)的出发位置(例如，第一出发位置、第二出发位置)到服务请求的目的地(例如，第一目的地、第二目的地)的出发路线。组合路线指服务提供者提供的拼车服务的路线。绕路距离(例如，第一绕路距离、第二绕路距离)指调整路线的距离与原始路线的距离之间的差异。绕路时间(例如，第一绕路时间、第二绕路时间)指调整路线的估计时间与原始路线的估计时间之间的时间差。
在530中，可以将特征信息输入训练模型作为输入。
在540中，可以基于训练模型获取匹配参数。在一些实施例中，可以将特征信息输入训练模型作为输入，并且可以获取由训练模型确定的匹配参数作为训练模型的输出。匹配参数可以指示第二服务请求和服务提供者之间的匹配程度。如果匹配参数大于或等于预设阈值，则按需***100可以确定第二服务请求与服务提供者匹配。
在550中，如果匹配参数大于或等于预设阈值，则可以确定第二服务请求与服务提供者匹配。
在560中，可以将第二服务请求分配给服务提供者。
应当注意的是，对于与过程400的一些操作类似的操作，在图5中不再重复描述。可以在图4所示的一些实施例中找到类似操作的更详细描述。
在本申请的上述实施例中提供了分配服务请求的过程。可以获取目标信息。可以基于目标信息获取特征信息。可以将特征信息输入训练模型作为输入。可以获取由训练模型确定的匹配参数作为训练模型的输出。如果匹配参数大于或等于预设阈值，则可以确定第二服务请求与服务提供者匹配，并且可以将第二服务请求分配给服务提供者。根据该过程，第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，变化和修改不会背离本申请的范围。
图6是根据本申请的一些实施例所示的确定用于分配服务请求的训练模型的示例性训练过程的流程图。在一些实施例中，过程600可以实现为存储在存储器ROM 230或RAM240中的一组指令(例如，应用程序)。处理器220和/或图9中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行过程600。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程600可以通过未描述的一个或以上附加操作和/或不通过本申请所讨论的一个或以上操作完成。另外，如图6所示和以下所描述的过程中的操作的顺序不是限制性的。
在610中，可以获取样本信息。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。历史运输服务记录可以从本申请中其他地方公开的存储设备(例如，存储器150)获取。历史运输服务记录可以是预定时期(例如，上个月、过去三个月、去年)内的历史运输服务记录。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，相关信息可以包括历史实时信息、历史服务提供者的历史提供者信息、与已被历史服务提供者接收的第一历史订单相关的第一历史信息以及与第一历史订单相匹配并分配给历史服务提供者的第二历史订单相关的第二历史信息。历史服务提供者的历史提供者信息和历史实时信息可以统称为历史参考信息。
在一些实施例中，历史服务提供者的历史提供者信息可以包括可以表示历史服务提供者的个人特征的各种信息。以历史拼车服务为例，历史服务提供者可以是提供历史拼车服务的历史司机。历史服务提供者的历史提供者信息可以包括但不限于历史司机的标识信息、历史司机的性别信息、历史司机的年龄信息、历史司机的历史服务评分信息、历史司机的历史星级信息、历史司机的历史车辆类型信息、历史司机的历史位置信息等。
在一些实施例中，与第一历史订单相关的第一历史信息可以包括第一历史订单中包括的各种历史信息。例如，第一历史信息可以包括但不限于第一历史出发位置、第一历史目的地、第一历史出发时间以及与第一历史订单的第一历史用户相关的第一历史用户信息。与第二历史订单相关的第二历史信息可以包括第二历史订单中包括的各种历史信息。例如，第二历史信息可以包括但不限于第二历史出发位置、第二历史目的地、第二出发时间以及与第二历史订单的第二历史用户相关的第二历史用户信息。如这里所使用的，历史用户信息可以包括但不限于历史用户的ID信息、历史用户的画像信息(例如，性别信息、年龄信息、爱好信息、职业信息)等。
在一些实施例中，历史实时信息可以包括历史订单发生时“实时”的信息，包括例如历史天气信息、历史时间信息(例如，历史时间点信息、历史周信息、历史公历日期信息、历史农历日期信息、历史假日信息)、历史交通信息等。
在620中，可以基于样本信息确定训练模型。在一些实施例中，训练模型可以包括极端梯度增强(XGBoost)模型、线性回归模型或深度神经网络模型(DNN)中的任何一种。应该理解的是，训练模型可以包括训练其他类型的模型。本申请中训练模型的类型的描述不是限制性的。
在一些实施例中，首先，可以基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本类型可以包括正样本类型和负样本类型。其次，可以基于样本信息获取与至少两个历史运输服务记录中的每一个相对应的样本特征信息。最后，可以基于多个历史运输服务记录的每一个的样本特征信息和样本类型确定训练模型。
在本申请的上述实施例中提供了确定用于分配服务请求的训练模型的训练过程。可以获取样本信息。可以基于样本信息确定训练模型。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。根据训练过程，第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，变化和修改不会背离本申请的范围。
图7是根据本申请的一些实施例所示的确定用于分配服务请求的训练模型的示例性训练过程的流程图。在一些实施例中，过程700可以实现为存储在存储器ROM 230或RAM240中的一组指令(例如，应用程序)。处理器220和/或图9中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行过程700。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程700可以通过未描述的一个或以上附加操作和/或不通过本文所讨论的一个或以上操作完成。另外，如图7所示和下面描述的过程操作的顺序不是限制性的。
在710中，可以获取样本信息。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。
在720中，可以基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本类型可以包括正样本类型和负样本类型。
在一些实施例中，可以基于样本信息中的历史评价信息和历史响应信息确定至少两个历史运输服务记录中的每一个的样本类型。例如，如果历史运输服务记录的历史评价信息相对较好或者历史运输服务记录中包括的第二历史订单被历史运输服务记录的历史服务提供者接受，则对应于该历史运输服务记录的样本类型可以被确定为正样本类型。如果历史运输服务记录的历史评价信息相对较差或者历史运输服务记录中包括的第二历史订单未被历史运输服务记录的历史服务提供者接受，则对应于该历史运输服务服务记录的样本类型可以确定为负样本类型。如这里所使用的，历史评价信息指由用户(例如，历史运输服务记录中包括的第一历史订单的第一历史用户、历史运输服务记录中包含的第二历史订单的第二历史用户)提供的评价信息(例如，评分、星级、评论)。术语“良好历史评价信息”指评价信息满足第一预设条件，例如，分数大于阈值(例如3)、星级大于或等于3星，等等。术语“不良历史评价信息”指评价信息满足第二预设条件，例如，分数小于阈值(例如3)、星级小于3星等。在本申请中确定正样本类型和负样本类型的过程不是限制性的。
在730中，可以基于样本信息确定与至少两个历史运输服务记录中的每一个相对应的样本特征信息。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，样本特征信息可以包括第一样本特征信息和第二样本特征信息。可以直接基于样本信息获取第一样本特征信息。可以基于样本信息估计获得第二样本特征信息。具体地，可以直接从样本信息中提取第一样本特征信息。可以基于样本信息，根据例如预设算法、预设策略或预设模型估计第二样本特征信息。
在一些实施例中，第一样本特征信息可以包括历史服务提供者的性别信息、历史服务提供者的年龄信息、历史服务提供者的历史服务评分信息、历史服务提供者的历史星级信息、历史服务提供者的历史车辆类型信息、历史服务提供者的历史位置信息、历史天气信息或历史时间信息中的一个或以上。
在一些实施例中，第二样本特征信息可以包括与第一历史订单相关的第一历史原始路线的第一历史距离、与第二历史订单相关的第二历史原始路线的第二历史距离、与第一历史订单相关的第一历史调整路线的第三历史距离、与第二历史订单相关的第二历史调整路线的第四历史距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合时间、与第一历史订单相关的第一历史绕路距离、与第二历史订单相关的第二历史绕路距离、与第一历史订单相关的第一历史绕路时间、与第二历史订单相关的第二历史绕路时间、第一历史绕路距离和与第一历史订单相关的第一历史原始路线的第一历史距离的第一历史比率、第二历史绕路距离和与第二历史订单相关的第二历史原始路线的第二历史距离的第二历史比率、第二历史订单的历史接载时间、第二历史订单的历史接载距离、以及历史接载距离和与第二历史订单相关的第二历史调整路线的第四历史距离的第三历史比率中的一个或以上。
在740中，可以基于样本特征信息和至少两个历史运输服务记录的每一个的样本类型确定训练模型。
在一些实施例中，可以基于以下过程确定训练模型。首先，可以获取与数据集相关的样本特征信息。数据集可以包括训练数据集和验证数据集(训练数据集可以对应于至少两个第一历史运输服务记录，并且验证数据集可以对应于至少两个第二历史运输服务记录)。其次，可以基于与训练数据集相关的样本特征信息调整与当前模型(例如，初始模型)相关的至少一个参数。可以基于与验证数据集相关的样本特征信息验证当前模型。最后，直到与与验证数据集相关的样本特征信息相关的验证结果满足条件，则可以将当前模型指定为训练模型。
可以根据以下过程，基于与训练数据集相关的样本特征信息，调整与当前模型相关的至少一个参数。可以将与训练数据集相关的样本特征信息输入当前模型作为输入。可以获取与至少两个历史运输服务记录中的每一个相对应的概率(即，历史运输服务记录的样本类型是正样本类型的概率)作为当前模型的输出。概率可以被指定为与至少两个历史运输服务记录中的每一个相对应的参考匹配参数(也被称为“样本匹配参数”)。此外，可以基于至少两个参考匹配参数和对应于至少两个运输服务记录的至少两个样本类型获取ROC曲线。可以基于ROC曲线获取曲线下面积(AUC)值。可以基于AUC值小于或等于预设AUC阈值的确定结果调整与当前模型相关的至少一个参数。此外，可以重复调整与当前模型相关的至少一个参数的过程。可以基于AUC值大于预设AUC阈值的确定结果执行验证当前模型的操作。
可以根据以下过程，基于与验证数据集相关的样本特征信息，验证当前模型。可以通过将与训练数据集相关的样本特征信息输入到当前模型中获取第一AUC值。可以通过将与验证数据集相关的样本特征信息输入到当前模型中获取第二AUC值。可以通过从第一AUC值减去第二AUC值获取差异。可以基于差异的绝对值大于第二预设阈值的确定结果重复调整与当前模型相关的至少一个参数的过程。按需服务***100可以基于差异的绝对值小于第二预设阈值的确定结果确定验证结果满足条件。
在本申请的上述实施例中提供了确定用于分配服务请求的训练模型的训练过程。可以获取样本信息。可以基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。可以基于样本信息确定与至少两个历史运输服务记录中的每一个相对应的样本特征信息。可以基于样本特征信息和至少两个历史运输服务记录的每一个的样本类型确定训练模型。根据训练过程，可以获取用于分配与共享乘车服务相关的服务请求的训练模型。第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不会背离本申请的范围。
图8是根据本申请的一些实施例所示的用于分配服务请求的示例性设备的框图。设备800可以包括获取模块810、确定模块820和分配模块830。在一些实施例中，设备800可以集成到服务器110中。例如，设备800可以是处理引擎112的一部分。
获取模块810可以被配置为获取目标信息。目标信息可以包括服务提供者的提供者信息、与服务提供者已接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。
在一些实施例中，与服务请求(例如，第一服务请求、第二服务请求)相关的服务可以是与车辆(例如，拼车服务)相关的共享乘车服务。本申请的应用场景可以是这样的场景，其中提供共享乘车服务的服务提供者已经接受了服务请求并且正在等待被分配另一个服务请求。例如，对于拼车服务，服务提供者可以是接载乘客的司机。第一服务请求可以是服务提供者已接受的服务请求。第二服务请求可以是待分配的服务请求。
在一些实施例中，服务提供者的提供者信息可以包括可以表示服务提供者的个人特征的各种信息。以拼车服务为例，服务提供者可以是提供拼车服务的司机。提供者信息可以包括但不限于司机的标识(ID)信息、司机的性别信息、司机的年龄信息、司机的服务评分信息、司机的星级信息、司机的车辆类型信息、司机的当前位置信息等。
在一些实施例中，与第一服务请求相关的第一信息可以包括第一服务请求中包括的各种信息。例如，与第一服务请求相关的第一信息可以包括但不限于第一出发位置、第一目的地、第一出发时间、与第一服务请求的第一用户相关的第一用户信息等。与第二服务请求相关的第二信息可以包括第二服务请求中包括的各种信息。例如，第二信息可以包括但不限于第二出发位置、第二目的地、第二出发时间、与第二服务请求的第二用户相关的第二用户信息等。如这里所使用的，用户信息可以包括但不限于用户的ID信息、用户的画像信息(例如，性别信息、年龄信息、爱好信息、职业信息)等。
在一些实施例中，实时信息可以包括但不限于当前天气信息、当前时间信息(例如，时间点信息、周信息、公历日期信息、农历日期信息、假日信息)、当前交通信息等。
确定模块820可以被配置为通过使用训练模型，基于目标信息，确定第二服务请求是否与服务提供者匹配。
在一些实施例中，训练模型可以是预训练模型。训练模型可以包括极端梯度增强(XGBoost)模型、线性回归模型或深度神经网络(DNN)模型中的任何一种。应该理解的是，训练模型可以包括训练其他类型的模型。本申请中训练模型的类型的描述不是限制性的。
在一些实施例中，可以根据以下过程，通过使用训练模型，基于目标信息，确定第二服务请求是否与服务提供者匹配。可以基于目标信息获取特征信息。可以将特征信息输入训练模型作为输入。可以获取由训练模型确定的匹配参数作为训练模型的输出。按需***100可以基于确定匹配参数大于或等于预设阈值的结果确定第二服务请求与服务提供者匹配。
分配模块830可以被配置为基于第二服务请求与服务提供者的匹配的确定结果，将第二服务请求分配给服务提供者。
在本申请的上述实施例中提供了一种用于分配服务请求的设备。可以获取目标信息。可以通过使用训练模型，基于目标信息，确定第二服务请求是否与服务提供者匹配。可以基于第二服务请求与服务提供者匹配的结果，将第二服务请求分配给服务提供者。如这里所使用的，目标信息可以包括服务提供者的提供者信息、与服务提供者已经接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。根据该设备，第二服务请求与服务提供者之间的匹配可以更合理，并且可以提高服务效率和服务资源的利用率。
在一些备选实施例中，确定模块820可以包括第一获取单元、输入单元、第二获取单元和判断单元(图8中未示出)。
第一获取单元可以被配置为基于目标信息获取特征信息。
在一些实施例中，特征信息可以包括第一特征信息(也称为“第一初始特征信息”)和第二特征信息(也称为“第二初始特征信息”)。可以直接基于目标信息获取第一特征信息。可以基于目标信息估计获得第二特征信息。具体地，可以直接从目标信息中提取第一特征信息。可以基于目标信息，根据例如预设算法、预设策略或预设模型估计第二特征信息。
在一些实施例中，第一特征信息可以包括服务提供者的性别信息、服务提供者的年龄信息、服务提供者的服务评分信息、服务提供者的星级信息、服务提供者的车辆类型信息、服务提供者的当前位置信息、天气信息或时间信息中的一个或以上。
在一些实施例中，第二特征信息可以包括第一服务请求的第一原始路线的第一距离、第二服务请求的第二原始路线的第二距离、与第一服务请求相关的第一调整路线的第三距离、与第二服务请求相关的第二调整路线的第四距离、与第一服务请求和第二服务请求相关的组合路线的组合距离、与第一服务请求和第二服务请求相关的组合路线的组合时间、与第一服务请求相关的第一绕路距离、与第二服务请求相关的第二绕路距离、与第一服务请求相关的第一绕路时间、与第二服务请求相关的第二绕路时间、第一绕路距离与第一距离的第一比率、第二绕路距离与第二距离的第二比率、第二服务请求的接载时间、服务提供者的位置和第二服务请求的第二出发位置之间的接载距离或接载距离和与第二服务请求相关的第二调整路线的第四距离的第三比率中的一个或以上。
输入单元可以被配置为将特征信息输入到训练模型中。
第二获取单元可以被配置为获取由训练模型确定的匹配参数。
在一些实施例中，可以将特征信息输入训练模型作为输入，并且可以获取由训练模型确定的匹配参数作为训练模型的输出。匹配参数可以指示第二服务请求和服务提供者之间的匹配程度。如果匹配参数大于或等于预设阈值，则按需***100可以确定第二服务请求与服务提供者匹配。
判断单元可以被配置为基于匹配参数大于或等于预设阈值的确定结果，将第二服务请求分配给服务提供者。
在本申请的上述实施例中提供了一种用于分配服务请求的设备。可以获取目标信息。可以基于目标信息获取特征信息。可以将特征信息输入训练模型作为输入。可以获取由训练模型确定的匹配参数作为训练模型的输出。如果匹配参数大于或等于预设阈值，则可以确定第二服务请求与服务提供者匹配，并且可以将第二服务请求分配给服务提供者。根据该设备，第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
在一些备选实施例中，特征信息可以包括第一特征信息和第二特征信息。
第一获取单元可以被配置为直接从目标信息提取第一特征信息，并基于目标信息估计第二特征信息。
在一些备选实施例中，与第一服务请求相关的第一信息可以包括第一出发位置、第一目的地和第一出发时间。与第二服务请求相关的第二信息可以包括第二出发位置、第二目的地和第二出发时间。
在一些替代实施例中，第二特征信息可以包括第一服务请求的第一原始路线的第一距离、第二服务请求的第二原始路线的第二距离、与第一服务请求相关的第一调整路线的第三距离、与第二服务请求相关的第二调整路线的第四距离、与第一服务请求和第二服务请求相关的组合路线的组合距离、与第一服务请求和第二服务请求相关的组合路线的组合时间、与第一服务请求相关的第一绕路距离、与第二服务请求相关的第二绕路距离、与第一服务请求相关的第一绕路时间、与第二服务请求相关的第二绕路时间、第一绕路距离与第一距离的第一比率、第二绕路距离与第二距离的第二比率、第二服务请求的接载时间、服务提供者的位置和第二服务请求的第二出发位置之间的接载距离或接载距离和与第二服务请求相关的第二调整路线的第四距离的第三比率中的一个或以上。
在一些替代实施例中，训练模型可以包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
设备800中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee、近场通讯(NFC)等或其任意组合。两个或以上模块可以合并成一个模块，以及任意一个模块可以被拆分成两个或以上单元。
图9是根据本申请的一些实施例所示的用于确定用于分配服务请求的训练模型的示例性训练设备的框图。训练设备900可以包括获取模块910和训练模块920。在一些实施例中，训练设备900可以集成到服务器110中。例如，训练设备900可以集成到处理引擎112的组件(例如，训练模块1640)中。
获取模块910可以被配置为获取样本信息。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，相关信息可以包括历史实时信息、历史服务提供者的历史提供者信息、与已被历史服务提供者接受的第一历史订单相关的第一历史信息以及与第一历史订单相匹配和分配给历史服务提供者的第二历史订单相关的第二历史信息。历史服务提供者的历史提供者信息和历史实时信息可以统称为历史参考信息。
在一些实施例中，历史服务提供者的历史提供者信息可以包括可以表示历史服务提供者的个人特征的各种信息。以历史拼车服务为例，历史服务提供者可以是提供历史拼车服务的历史司机。历史服务提供者的历史提供者信息可以包括但不限于历史司机的标识信息、历史司机的性别信息、历史司机的年龄信息、历史司机的历史服务评分信息、历史星级信息、历史司机的历史车辆类型信息、历史司机的历史位置信息等。
在一些实施例中，与第一历史订单相关的第一历史信息可以包括第一历史订单中包括的各种历史信息。例如，第一历史信息可以包括但不限于第一历史出发位置、第一历史目的地、第一历史出发时间、以及与第一历史订单的第一历史用户相关的第一历史用户信息。与第二历史订单相关的第二历史信息可以包括第二历史订单中包括的各种历史信息。例如，第二历史信息可以包括但不限于第二历史出发位置、第二历史目的地、第二出发时间、以及与第二历史订单的第二历史用户相关的第二历史用户信息。如这里所使用的，历史用户信息可以包括但不限于历史用户的ID信息、历史用户的画像信息(例如，性别信息、年龄信息、爱好信息、职业信息)等。
在一些实施例中，历史实时信息可以包括历史订单发生时“实时”的信息，包括例如历史天气信息、历史时间信息(例如，历史时间点信息、历史周信息、历史公历日期信息、历史农历日期信息、历史假日信息)、历史交通信息等。
训练模块920可以被配置为基于样本信息确定训练模型。
在一些实施例中，训练模型可以包括极端梯度增强(XGBoost)模型、线性回归模型或深度神经网络模型(DNN)中的任何一种。应该理解的是，训练模型可以包括训练其他类型的模型。本申请中训练模型的类型的描述不是限制性的。
在一些实施例中，首先，可以基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本类型可以包括正样本类型和负样本类型。其次，可以基于样本信息获取与至少两个历史运输服务记录中的每一个相对应的样本特征信息。最后，可以基于至少两个历史运输服务记录的每一个的样本特征信息和样本类型确定训练模型。
在本申请的上述实施例中提供了用于确定用于分配服务请求的训练模型的训练设备。可以获取样本信息。可以基于样本信息确定训练模型。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。根据训练设备，第二服务请求与服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
在一些备选实施例中，训练模块920可以包括判断单元、获取单元和训练单元(图9中未示出)。
判断单元可以被配置为基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本类型可包括正样本类型和负样本类型。
在一些实施例中，可以基于样本信息中的历史评价信息和历史响应信息确定至少两个历史运输服务记录中的每一个的样本类型。例如，如果历史运输服务记录的历史评价信息相对较好或者历史运输服务记录中包括的第二历史订单被历史运输服务记录的历史服务提供者接受，则对应于该历史运输服务记录的样本类型可以被确定为正样本类型。如果历史运输服务记录的历史评价信息相对较差或者历史运输服务记录中包括的第二历史订单未被历史运输服务记录的历史服务提供者接受，则对应于该历史运输服务服务记录的样本类型可以确定为负样本类型。在本申请中确定正样本类型和负样本类型的过程不是限制性的。
获取单元可以被配置为基于样本信息获取与至少两个历史运输服务记录中的每一个相对应的样本特征信息。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，样本特征信息可以包括第一样本特征信息和第二样本特征信息。可以直接基于样本信息获取第一样本特征信息。可以基于样本信息估计获得第二样本特征信息。具体地，可以直接从样本信息中提取第一样本特征信息。可以基于样本信息，根据例如预设算法、预设策略或预设模型估计第二样本特征信息。
在一些实施例中，第一样本特征信息可以包括历史服务提供者的性别信息、历史服务提供者的年龄信息、历史服务提供者的历史服务评分信息、历史服务提供者的历史星级信息、历史服务提供者的历史车辆类型信息、历史服务提供者的历史位置信息、历史天气信息或历史时间信息中的一个或以上。
在一些实施例中，第二样本特征信息可以包括与第一历史订单相关的第一历史原始路线的第一历史距离、与第二历史订单相关的第二历史原始路线的第二历史距离、与第一历史订单相关的第一历史调整路线的第三历史距离、与第二历史订单相关的第二历史调整路线的第四历史距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合时间、与第一历史订单相关的第一历史绕路距离、与第二历史订单相关的第二历史绕路距离、与第一历史订单相关的第一历史绕路时间、与第二历史订单相关的第二历史绕路时间、第一历史绕路距离和与第一历史订单相关的第一历史原始路线的第一历史距离的第一历史比率、第二历史绕路距离和与第二历史订单相关的第二历史原始路线的第二历史距离的第二历史比率、第二历史订单的历史接载时间、第二历史订单的历史接载距离以及历史接载距离和与第二历史订单相关的第二历史调整路线的第四历史距离的第三历史比率中的一个或以上。
训练单元可以被配置为基于样本特征信息和至少两个历史运输服务记录的每一个的样本类型确定训练模型。
在一些实施例中，可以基于以下过程确定训练模型。首先，可以获取与数据集相关的样本特征信息。数据集可以包括训练数据集和验证数据集(训练数据集可以对应于至少两个第一历史运输服务记录，并且验证数据集可以对应于至少两个第二历史运输服务记录)。其次，可以基于与训练数据集相关的样本特征信息调整与当前模型(例如，初始模型)相关的至少一个参数。可以基于与验证数据集相关的样本特征信息验证当前模型。最后，直到与与验证数据集相关的样本特征信息相关的验证结果满足条件，则可以将当前模型指定为训练模型。
可以根据以下过程，基于与训练数据集相关的样本特征信息，调整与当前模型相关的至少一个参数。可以将与训练数据集相关的样本特征信息输入当前模型作为输入。可以获取与至少两个历史运输服务记录中的每一个相对应的概率(即，历史运输服务记录的样本类型是正样本类型的概率)作为当前模型的输出。概率可以被指定为与至少两个历史运输服务记录中的每一个相对应的参考匹配参数(也被称为“样本匹配参数”)。此外，可以基于至少两个参考匹配参数和对应于至少两个运输服务记录的至少两个样本类型获取ROC曲线。可以基于ROC曲线获取曲线下面积(AUC)值。可以基于AUC值小于或等于预设AUC阈值的确定结果调整与当前模型相关的至少一个参数。此外，可以重复调整与当前模型相关的至少一个参数的过程。可以基于AUC值大于预设AUC阈值的确定结果执行验证当前模型的操作。
可以根据以下过程，基于与验证数据集相关的样本特征信息，验证当前模型。可以通过将与训练数据集相关的样本特征信息输入到当前模型中获取第一AUC值。可以通过将与验证数据集相关的样本特征信息输入到当前模型中获取第二AUC值。可以通过从第一AUC值减去第二AUC值获取差异。可以基于差异的绝对值大于第二预设阈值的确定结果重复调整与当前模型相关的至少一个参数的过程。按需服务***100可以基于确定差的绝对值小于第二预设阈值的结果确定验证结果满足条件。
在本申请的上述实施例中提供了一种用于确定用于分配服务请求的训练模型的训练设备。可以获取样本信息。可以基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。可以基于样本信息确定与至少两个历史运输服务记录中的每一个相对应的样本特征信息。可以基于至少两个历史运输服务记录的每一个样本特征信息和样本类型确定训练模型。根据训练设备，第二服务请求与服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
在一些备选实施例中，对于至少两个历史运输服务记录中的每一个，对应的样本特征信息可以包括第一样本特征信息和第二样本特征信息。
获取单元可以被配置为通过直接从与历史运输服务记录对应的样本信息中提取第一样本特征信息，并且基于与历史运输服务记录对应的样本信息估计第二样本特征，基于样本信息获得与历史运输服务记录对应的样本特征信息，。
在一些备选实施例中，与第一历史订单相关的第一历史信息可以包括第一历史出发位置、第一历史目的地和第一历史出发时间。与第二历史订单相关的第二历史信息可以包括第二历史出发位置、第二历史目的地和第二历史出发时间。
在一些替代实施例中，对于至少两个历史运输服务记录中的任何一个，第二样本特征信息可以包括一个或以上：第一历史订单的第一历史原始路线的第一历史距离、第二历史订单的第二历史原始路线的第二历史距离、与第一历史订单相关的第一历史调整路线的第三历史距离、与第二历史订单相关的第二历史调整路线的第四历史距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合时间、与第一历史订单相关的第一历史绕路距离、与第二历史订单相关的第二历史绕路距离、与第一历史订单相关的第一历史绕路时间、与第二历史订单相关的第二历史绕路时间、第一历史绕路距离与第一历史距离的第一历史比率、第二历史绕路距离与第二历史距离的第二历史比率、第二历史订单的历史接驾时间、历史服务提供者的历史位置和第二历史订单的历史第二出发位置之间的历史接驾距离或历史接驾距离与第二历史订单相关的第二历史调整路线的第四历史距离的第三历史比率中的一个或以上。
在一些替代实施例中，训练模型可以包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
应该注意的是，图9中描述的一些模块可以被配置为用于执行本申请中描述的其他功能。例如，获取模块910也可以被配置为执行获取模块810的功能，也就是说，获取模块910也可以被配置为获取目标信息。
训练设备900中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee、近场通讯(NFC)等或上述举例的任意组合。两个或以上模块可以合并成一个模块，以及任意一个模块可以被拆分成两个或以上单元。
本申请的一些实施例可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，该计算机可读介质具有包含在其上的计算机可读程序代码。例如，计算机可读存储介质可以包括但不限于磁盘存储器、CD-ROM和光学存储器。
本申请还可以提供包括第一指令的第一计算机存储介质。当由至少一个处理器执行时，第一指令可以指示至少一个处理器执行本申请中其他地方描述的过程(例如，过程400、过程500)。本申请还可以提供包括第二指令的第二计算机存储介质。当由至少一个处理器执行时，第二指令可以指示至少一个处理器执行本申请中其他地方描述的过程(例如，过程600、过程700)。
图10是根据本申请的一些实施例所示的分配服务请求的示例性过程的流程图。在一些实施例中，过程1000可以实现为存储在存储器ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图14中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行过程1000。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程1000可以通过未描述的一个或以上附加操作和/或不通过本申请所讨论一个或以上操作完成。另外，如图10所示和下面描述的过程操作的顺序不是限制性的。
在1010中，可以获取目标信息。目标信息可以包括服务提供者的提供者信息、与服务提供者已接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。提供者信息和实时信息可以统称为参考信息。
在一些实施例中，与服务请求相关的服务可以是与车辆相关的共享乘车服务(例如，拼车服务)。本申请的应用场景可以是这样的场景，其中提供共享乘车服务的服务提供者已经接受了服务请求并且正在等待被分配另一个服务请求。例如，对于拼车服务，服务提供者可以是接载乘客的司机。第一服务请求可以是服务提供者已接受的服务请求。第二服务请求可以是待分配的服务请求。
在一些实施例中，服务提供者的提供者信息可以包括可以表示服务提供者的个人特征的各种信息。以拼车服务为例，服务提供者可以是提供拼车服务的司机。提供者信息可以包括但不限于司机的标识(ID)信息、司机的性别信息、司机的年龄信息、司机的服务评分信息、司机的星级信息、司机的车辆类型信息、司机的当前位置信息等。
在一些实施例中，与第一服务请求相关的第一信息可以包括第一服务请求中包括的各种信息。例如，与第一服务请求相关的第一信息可以包括但不限于第一出发位置、第一目的地、第一出发时间、与第一服务请求的第一用户相关的第一用户信息等与第二服务请求相关的第二信息可以包括第二服务请求中包括的各种信息。例如，第二信息可以包括但不限于第二出发位置、第二目的地、第二出发时间、与第二服务请求的第二用户相关的第二用户信息等。如这里所使用的，用户信息可以包括但不限于用户的ID信息、用户的画像信息(例如，性别信息、年龄信息、爱好信息、职业信息等)。这里使用的出发时间(例如，第一出发时间、第二出发时间)指用户(例如，第一用户、第二用户)希望出发的时间点。
在一些实施例中，实时信息可以包括但不限于当前天气信息、当前时间信息(例如，时间点信息、周信息、公历日期信息、农历日期信息、假日信息)、当前交通信息等。
在1020，可以基于目标信息获取特征信息。在一些实施例中，可以基于目标信息获取初始特征信息。初始特征信息可以包括标识类的初始特征信息和非标识类的初始特征信息。然后，可以修改标识类的初始特征信息和非标识类的初始特征信息以获取特征信息。
在一些实施例中，初始特征信息可以包括第一初始特征信息和第二初始特征信息。可以直接基于目标信息获取第一初始特征信息。可以基于目标信息估计获得第二初始特征信息。具体地，可以直接从目标信息中提取第一初始特征信息。可以基于目标信息，根据例如预设算法、预设策略或预设模型估计第二初始特征信息。
在一些实施例中，第一初始特征信息可以包括服务提供者的性别信息、服务提供者的年龄信息、服务提供者的服务评分信息、服务提供者的星级信息、服务提供者的车辆类型信息、服务提供者的当前位置信息、天气信息或时间信息中的一个或以上。
在一些实施例中，第二初始特征信息可以包括与第一服务请求相关的第一原始路线的第一距离、与第二服务请求相关的第二原始路线的第二距离、与第一服务请求相关的第一调整路线的第三距离、与第二服务请求相关的第二调整路线的第四距离、与第一服务请求和第二服务请求相关的组合路线的组合距离、与第一服务请求和第二服务请求相关的组合路线的组合时间、与第一服务请求相关的第一绕路距离、与第二服务请求相关的第二绕路距离、与第一服务请求相关的第一绕路时间、与第二服务请求相关的第二绕路时间、与第一服务请求相关的第一原始路线的第一距离的第一绕路距离的第一比率、与第二服务请求相关的第二原始路线的第二距离的第二绕路距离的第二比率、第二服务请求的接载时间、第二服务请求的接载距离以及接载距离和与第二服务请求相关的第二调整路线的第四距离的第三比率中的一个或以上。原始路线、调整路线、绕路距离和/或绕路时间的更详细描述可以在本申请的其他地方找到(例如，图4和其描述)。
在一些实施例中，初始特征信息可以包括标识类的初始特征信息(例如，与ID类相关的特征信息)和非标识类的初始特征信息(例如，与非ID类相关的特征信息)。可以修改标识类的初始特征信息和非标识类的初始特征信息以获取特征信息。特征信息可包括第一特征信息、第二特征信息和第三特征信息。
在一些实施例中，可以基于以下操作分别修改标识类的初始特征信息和非标识类的初始特征信息。可以将非标识类的初始特征信息输入训练集成模型作为输入。训练集成模型可以将非标识类的初始特征信息映射到每个决策树的叶子节点(每个叶子节点对应于加权值)。叶子节点可以被指定为目标节点，并且与目标节点相对应的加权值可以被指定为特征值。然后，可以将与集成模型中的非标识类的初始特征信息相关的特征表示指定为与训练集成模型相关的输出结果。进一步地，可以通过归一化与训练集成模型相关的输出结果获取第一特征信息。可以通过归一化非标识类的初始特征信息获取第二特征信息。可以通过对标识类的初始特征信息进行离散化和归一化获取第三特征信息。如本文所使用的，训练集成模型可以是任何合理的集成模型，包括但不限于极限梯度增强(XGB)模型。训练集成模型的描述不是限制性的。
在1030中，可以将特征信息分别输入训练线性回归模型和训练深度学习模型作为输入。
在一些实施例中，训练线性回归模型可以是任何合理的线性回归模型。训练深度学习模型可以是任何合理的深度学习模型(例如，深度神经网络(DNN)模型)。训练线性回归模型和训练深度学习模型的描述不是限制性的。
在1040中，可以通过加权与训练线性回归模型相关的第一输出结果(也称为“第一匹配参数”)和与训练深度学习模型相关的第二输出结果(也称为“第二匹配参数”)确定与第一服务请求和第二服务请求相关的匹配参数。
在一些实施例中，可以将特征信息分别输入训练线性回归模型和训练深度学习模型作为输入。可以通过加权与训练线性回归模型相关的第一输出结果和与训练深度学习模型相关的第二输出结果确定匹配参数。匹配参数可以指示第二服务请求和服务提供者之间的匹配程度。按需服务***100可以基于匹配参数大于或等于预设阈值的确定结果确定第二服务请求与服务提供者匹配。
在一些实施例中，可以基于对应于第一输出结果的第一加权系数和对应于第二输出结果的第二加权系数，加权与训练线性回归模型相关的第一输出结果和与训练深度学习模型相关的第二输出结果，其中第一加权系数和第二加权系数可以相同或不同。第一加权系数和第二加权系数可以是按需服务***100的默认设置，或者可以在不同情况下调整。
在1050中，可以基于匹配参数大于或等于预设阈值的确定结果，将第二服务请求分配给服务提供者。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，变化和修改不会背离本申请的范围。
图11是根据本申请的一些实施例所示的分配服务请求的示例性场景的示意图。
如图11所示，可以基于目标信息确定初始特征信息。初始特征信息可以分类为标识类的初始特征信息和非标识类的初始特征信息。可以通过将非标识类的初始特征信息输入到集成模型中并且将与集成模型相关的输出结果标准化确定第一特征信息。可以通过归一化非标识类的初始特征信息确定第二特征信息。可以通过对标识类的初始特征信息进行离散化和归一化确定第三特征信息。可以将第一特征信息、第二特征信息和第三特征信息视为特征信息，并将其分别输入训练线性回归模型和训练深度学习模型作为输入。可以通过加权与训练线性回归模型相关的第一输出结果和与训练深度学习模型相关的第二输出结果确定匹配参数。可以基于匹配参数分配第二服务请求。
在本申请的上述实施例中提供了分配服务请求的过程。可以获取目标信息。可以基于目标信息确定特征信息。可以将特征信息分别输入训练线性回归模型和训练深度学习模型作为输入。可以通过加权与线性回归模型相关的第一输出结果和与深度学习模型相关的第二输出结果确定匹配参数。可以基于匹配参数大于或等于预设阈值的确定结果，将第二服务请求分配给服务提供者。如这里所使用的，目标信息可以包括服务提供者的提供者信息、与服务提供者已经接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。由于第二服务请求和服务提供者之间的匹配程度是基于线性回归模型和深度学习模型的组合确定的，因此第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用。
图12是根据本申请的一些实施例所示的分配服务请求的示例性过程的流程图。在一些实施例中，过程1200可以实现为存储在存储器ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图14中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行过程1200。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程1200可以通过未描述的一个或以上附加操作和/或不通过本文所论的一个或以上操作完成。另外，如图12所示和下面描述的过程操作的顺序不是限制性的。
在1210，可以获取目标信息。目标信息可以包括服务提供者的提供者信息、与服务提供者已经接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。
在1220中，可以基于目标信息获取标识类的初始特征信息和非标识类的初始特征信息。
在1230，可以通过修改标识类的初始特征信息和非标识类的初始特征信息确定特征信息。
在1240中，可以将特征信息分别输入训练线性回归模型和训练深度学习模型作为输入。
在1250中，可以通过加权与训练线性回归模型相关的第一输出结果和与训练深度学习模型相关的第二输出结果确定与第一服务请求和第二服务请求相关的匹配参数。
在1260中，可以基于匹配参数大于或等于预设阈值的确定结果，将第二服务请求分配给服务提供者。
应当注意的是，对于与过程1000的一些操作类似的操作，在图12中可以不重复描述。可以在图10中所示的一些实施例中找到类似操作的更详细描述。
在本申请的上述实施例中提供了分配服务请求的过程。可以获取目标信息。可以基于目标信息获取标识类的初始特征信息和非标识类的初始特征信息。可以通过修改标识类的初始特征信息和非标识类的初始特征信息获取特征信息。可以将特征信息分别输入训练线性回归模型和训练深度学习模型作为输入。可以通过加权与训练线性回归模型相关的第一输出结果和与训练深度学习模型相关的第二输出结果确定匹配参数。可以基于匹配参数大于或等于预设阈值的确定结果，将第二服务请求分配给服务提供者。如这里所使用的，目标信息可以包括服务提供者的提供者信息、与服务提供者已经接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。由于特征信息是通过分别修改标识类的初始特征信息和非标识类的初始特征信息获取的，并且第二服务请求与服务提供者之间的匹配度是基于训练线性回归模型和训练深度学习模型的组合所确定的，因此，第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
图13是根据本申请的一些实施例所示的确定用于分配服务请求的训练模型的示例性训练过程的流程图。在一些实施例中，过程1300可以实现为存储在存储器ROM 230或RAM240中的一组指令(例如，应用程序)。处理器220和/或图15中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行过程1300。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程1300可以通过未描述的一个或以上附加操作和/或不通过本文所讨论的一个或以上操作完成。另外，如图13所示和下面描述的过程操作的顺序不是限制性的。
在1310中，可以获取样本信息。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，相关信息可以包括历史实时信息、历史服务提供者的历史提供者信息、与服务提供者接受的第一历史订单相关的第一历史信息和与第一历史订单匹配并分配给历史服务提供者的第二历史订单相关的第二历史信息。历史服务提供者的历史提供者信息和历史实时信息可以统称为历史参考信息。
在一些实施例中，历史服务提供者的历史提供者信息可以包括可以表示历史服务提供者的个人特征的各种信息。以历史拼车服务为例，历史服务提供者可以是提供历史拼车服务的历史司机。历史服务提供者的历史提供者信息可以包括但不限于历史司机的标识信息、历史司机的性别信息、历史司机的年龄信息、历史司机的历史服务评分信息、历史司机的历史星级信息、历史司机的历史车辆类型信息、历史司机的历史位置信息等。
在一些实施例中，与第一历史订单相关的第一历史信息可以包括第一历史订单中包括的各种历史信息。例如，第一历史信息可以包括但不限于第一历史出发位置、第一历史目的地、第一历史出发时间以及与第一历史订单的第一历史用户相关的第一历史用户信息。与第二历史订单相关的第二历史信息可以包括第二历史订单中包括的各种历史信息。例如，第二历史信息可以包括但不限于第二历史出发位置、第二历史目的地、第二出发时间以及与第二历史订单的第二历史用户相关的第二历史用户信息。如这里所使用的，历史用户信息可以包括但不限于历史用户的ID信息、历史用户的画像信息(例如，性别信息、年龄信息、爱好信息、职业信息)等。
在一些实施例中，历史实时信息可以包括历史订单发生时“实时”的信息，包括例如历史天气信息、历史时间信息(例如，历史时间点信息、历史周信息、历史公历日期信息、历史农历日期信息、历史假日信息)、历史交通信息等。
在1320中，可以基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本类型可以包括正样本类型和负样本类型。
在一些实施例中，可以基于样本信息中的历史评价信息和历史响应信息确定至少两个历史运输服务记录中的每一个的样本类型。例如，如果历史运输服务记录的历史评价信息相对较好或者历史运输服务记录中包含的第二历史订单被历史运输服务记录的历史服务提供者接收，则对应于该历史运输服务记录的样本类型可以被确定为正样本类型。如果历史运输服务记录的历史评价信息相对较差或者历史运输服务记录中包含的第二历史订单未被历史运输服务记录的历史服务提供者接受，则对应于该历史运输服务服务记录的样本类型可以确定为负样本类型。关于确定样本类型的更多描述可以在本申请的其他地方找到(例如，图7及其描述)。
在1330，可以基于样本信息确定与至少两个历史运输服务记录中的每一个对应的样本特征信息。
在一些实施例中，可以基于样本信息获取至少两个历史运输服务记录中的每一个的初始样本特征信息。初始样本特征信息可以包括标识类的初始样本特征信息和非标识类的初始样本特征信息。然后，可以通过修改标识类的初始样本特征信息和非标识类的初始样本特征信息确定样本特征信息。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，初始样本特征信息可以包括第一初始样本特征信息和第二初始样本特征信息。可以基于样本信息直接获取第一初始样本特征信息。可以基于样本信息估计获得第二初始样本特征信息。具体地，可以直接从样本信息中提取第一初始样本特征信息。可以基于样本信息，根据例如预定算法、预设策略或预设模型估计第二初始样本特征信息。
在一些实施例中，对应于历史运输服务记录的第一初始样本特征信息可以包括：历史运输服务记录的历史服务提供者的性别信息、历史服务提供者的年龄信息、历史服务提供者的服务评分信息、历史服务提供者的历史星级信息、历史服务提供者的历史车辆类型信息、历史服务提供者的历史位置信息、历史天气信息或历史时间信息。
在一些实施例中，对应于历史运输服务记录的第二初始样本特征信息可以包括与第一历史订单相关的第一历史原始路线的第一历史距离、与第二历史订单相关的第二历史原始路线的第二历史距离、与第一历史订单相关的第一历史调整路线的第三历史距离、与第二历史订单相关的第二历史调整路线的第四历史距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合时间、与第一历史订单相关的第一历史绕路距离、与第二历史订单相关的第二历史绕路距离、与第一历史订单相关的第一历史绕路时间、与第二历史订单相关的第二历史绕路时间、第一历史绕路距离和与第一历史订单相关的第一历史原始路线的第一历史距离的第一历史比率、第二历史绕路距离和与第二历史订单相关的第二历史原始路线的第二历史距离的第二历史比率、第二历史订单的历史接载时间、第二历史订单的历史接载距离以及历史接载距离和与第二历史订单相关的第二历史调整路线的第四历史距离的第三历史比率中的一个或以上。
在一些实施例中，初始样本特征信息可以包括标识类的初始样本特征信息(例如，与ID类相关的特征信息)和非标识类的初始样本特征信息(例如，与非ID类相关的特征信息)。可以通过修改标识类的初始样本特征信息和非标识类的初始样本特征信息确定样本特征信息。样本特征信息可以包括第一样本特征信息、第二样本特征信息和第三样本特征信息。
在一些实施例中，可以基于以下操作分别修改标识类的初始样本特征信息和非标识类的初始样本特征信息。可以通过将非标识类的初始样本特征信息输入训练集成模型并且将与训练集成模型相关的输出结果归一化确定第一样本特征信息。可以通过归一化非标识类的初始样本特征信息确定第二样本特征信息。可以通过对标识类的初始样本特征信息进行离散化和归一化确定第三样本特征信息。如本文所用，训练集成模型可以是任何合理的训练集成模型，包括但不限于极限梯度增强(XGB)模型。关于确定样本特征信息的更多描述可以在本申请的其他地方找到(例如，图7及其描述)。
在1340中，可以基于多个历史运输服务记录的每一个的样本特征信息和样本类型，通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
在一些实施例中，可以将至少两个历史运输服务记录中的每一个的样本特征信息分别输入初始线性回归模型和初始深度学习模型作为输入。可以通过加权与初始线性回归模型相关的第一样本输出结果(也称为“第一样本匹配参数”)以及与初始深度学习模型相关的第二样本输出结果(也称为“第二样本匹配参数”)确定参考匹配参数(也称为“样本匹配参数”)。可以基于多个历史运输服务记录中的每一个的参考匹配参数和样本类型，调整与初始线性回归模型和初始深度学习模型相关的至少一个参数。
具体地，可以基于以下过程确定训练线性回归模型和训练深度学习模型。首先，可以获取与数据集相关的样本特征信息。数据集可以包括训练数据集和验证数据集(训练数据集可以对应于至少两个第一历史运输服务记录，并且验证数据集可以对应于至少两个第二历史运输服务记录)。其次，可以基于与训练数据集相关的样本特征信息调整与当前线性回归(例如，初始线性回归模型)和当前深度学习模型(例如，初始深度学习模型)相关的至少一个参数。可以基于与验证数据集相关的样本特征信息验证当前线性回归模型和当前深度学习模型。最后，直到验证结果满足条件，则可以当前线性回归模型和当前深度学习模型指定为训练线性回归模型和训练深度学习模型。
可以根据以下过程，基于与训练数据集相关的样本特征信息调整与当前线性回归模型和当前深度学习模型相关的至少一个参数。可以将与训练数据集相关的样本特征信息分别输入当前线性回归模型和当前深度学习模型作为输入。对于至少两个历史运输服务记录的每一个，可以通过加权与当前线性回归模型相关的第一概率(即，历史运输服务记录的样本类型是正样本类型的概率)和与当前深度学习模型相关的第二概率(即，历史运输服务记录的样本类型是正样本类型的概率)确定参考匹配参数。此外，可以基于与至少两个运输服务记录相对应的参考匹配参数和样本类型获取ROC曲线。可以基于ROC曲线获取曲线下面积(AUC)值。可以基于AUC值小于或等于预设AUC阈值的确定结果调整与当前线性回归模型和当前深度学习模型相关的至少一个参数。此外，可以重复调整与当前线性回归模型和当前深度学习模型相关的至少一个参数的过程。可以基于AUC值大于预设AUC阈值的确定结果执行验证当前线性回归模型和当前深度学习模型的操作。
可以根据以下过程，基于与验证数据集相关的样本特征信息验证当前线性回归模型和当前深度学习模型。可以通过将与训练数据集相关的样本特征信息输入到当前线性回归模型和当前深度学习模型获取第一AUC值。可以通过将与验证数据集相关的样本特征信息输入到当前线性回归模型和当前深度学习模型获取第二AUC值。可以通过从第一AUC值减去第二AUC值获取差异。可以基于差异的绝对值大于第二预设阈值的确定结果重复调整与当前线性回归模型和当前深度学习模型相关的至少一个参数的过程。按需服务***100可以基于差异的绝对值小于第二预设阈值的确定结果确定验证结果满足条件。
在一些实施例中，训练线性回归模型可以是任何合理的线性回归模型。训练深度学习模型(例如，深度神经网络(DNN)模型)可以是任何合理的深度学习模型。训练线性回归模型和训练深度学习模型的描述不是限制性的。
在本申请的上述实施例中提供了确定用于分配服务请求的训练模型(例如，训练线性回归模型、训练深度学习模型)的训练过程。可以获取样本信息。可以基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本信息可以包括至少两个历史运输服务记录中的每一个中的相关信息。可以基于样本信息确定与至少两个历史运输服务记录中的每一个相对应的样本特征信息。可以基于多个历史运输服务记录的每一个的样本特征信息和样本类型，通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。根据训练过程，可以获取用于分配与共享乘车服务相关的服务请求的训练模型。第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
在一些替代实施例中，上述过程可以进一步包括基于至少两个历史运输服务记录中的每一个的样本类型和至少两个历史运输服务记录的每一个的非标识类的初始样本特征信息确定训练集成模型。
在一些实施例中，可以根据以下过程，基于至少两个历史运输服务记录中的每一个的样本类型和至少两个历史运输服务中的每一个的非标识类的初始样本特征信息确定训练集成模型。首先，可以获取与数据集相关的非标识类的初始样本特征信息。数据集可以包括训练数据集和验证数据集(训练数据集可以对应于至少两个第一历史运输服务记录，并且验证数据集可以对应于至少两个第二历史运输服务记录)。其次，可以基于与训练数据集相关的非标识类的样本特征信息调整与当前集成模型(例如，初始集成模型)相关的参数。可以基于与验证数据集相关的非标识类的样本特征信息验证当前集成模型。最后，直到验证结果满足条件，则可以将当前的集成模型指定为训练集成模型。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，变化和修改不会背离本申请的范围。
图14是根据本申请的一些实施例所示的分配服务请求的示例性设备的框图。设备1400可以包括第一获取模块1410、第二获取模块1420、输入模块1430、输出模块1440和分配模块1450。在一些实施例中，设备1400可以集成到服务器110中。例如，设备1400可以是处理引擎112的一部分。
第一获取模块1410可以被配置为获取目标信息。目标信息可以包括服务提供者的提供者信息、与服务提供者已经接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。提供者信息和实时信息可以统称为参考信息。
在一些实施例中，与服务请求相关的服务可以是与车辆相关的共享乘车服务(例如，拼车服务)。本申请的应用场景可以是这样的场景，其中提供共享乘车服务的服务提供者已经接受了服务请求并且正在等待被分配另一个服务请求。例如，对于拼车服务，服务提供者可以是接载乘客的司机。第一服务请求可以是服务提供者已接受的服务请求。第二服务请求可以是待分配的服务请求。
在一些实施例中，服务提供者的提供者信息可以包括可以表示服务提供者的个人特征的各种信息。以拼车服务为例，服务提供者可以是提供拼车服务的司机。提供者信息可以包括但不限于司机的标识(ID)信息、司机的性别信息、司机的年龄信息、司机的服务评分信息、司机的星级信息、司机的车辆类型信息、司机的当前位置信息等。
在一些实施例中，与第一服务请求相关的第一信息可以包括第一服务请求中包括的各种信息。例如，与第一服务请求相关的第一信息可以包括但不限于第一出发位置、第一目的地、第一出发时间、与第一服务请求的第一用户相关的第一用户信息等。与第二服务请求相关的第二信息可以包括第二服务请求中包括的各种信息。例如，第二信息可以包括但不限于第二出发位置、第二目的地、第二出发时间、与第二服务请求的第二用户相关的第二用户信息等。如这里所使用的，用户信息可以包括但不限于用户的ID信息、用户的画像信息(例如，性别信息、年龄信息、爱好信息、职业信息等)。这里使用的出发时间(例如，第一出发时间、第二出发时间)指用户(例如，第一用户、第二用户)希望出发的时间点。
在一些实施例中，实时信息可以包括但不限于当前天气信息、当前时间信息(例如，时间点信息、周信息、公历日期信息、农历日期信息、假日信息)、当前交通信息等。
第二获取模块1420可以被配置为基于目标信息获取特征信息。
在一些实施例中，可以基于目标信息获取初始特征信息。初始特征信息可以包括标识类的初始特征信息和非标识类的初始特征信息。然后，可以修改标识类的初始特征信息和非标识类的初始特征信息以获取特征信息。
在一些实施例中，初始特征信息可以包括第一初始特征信息和第二初始特征信息。可以直接基于目标信息获取第一初始特征信息。可以基于目标信息估计获得第二初始特征信息。具体地，可以直接从目标信息中提取第一初始特征信息。可以基于目标信息，根据例如预设算法、预设策略或预设模型估计第二初始特征信息。
在一些实施例中，第一初始特征信息可以包括服务提供者的性别信息、服务提供者的年龄信息、服务提供者的服务评分信息、服务提供者的星级信息、服务提供者的车辆类型信息、服务提供者的当前位置信息、天气信息或时间信息中的一个或以上。
在一些实施例中，第二初始特征信息可以包括与第一服务请求相关的第一原始路线的第一距离、与第二服务请求相关的第二原始路线的第二距离、与第一服务请求相关的第一调整路线的第三距离、与第二服务请求相关的第二调整路线的第四距离、与第一服务请求和第二服务请求相关的组合路线的组合距离、与第一服务请求和第二服务请求相关的组合路线的组合时间、与第一服务请求相关的第一绕路距离、与第二服务请求相关的第二绕路距离、与第一服务请求相关的第一绕路时间、与第二服务请求相关的第二绕路时间、与第一服务请求相关的第一原始路线的第一距离的第一绕路距离的第一比率、与第二服务请求相关的第二原始路线的第二距离的第二绕路距离的第二比率、第二服务请求的接载时间、第二服务请求的接载距离以及接载距离和与第二服务请求相关的第二调整路线的第四距离的第三比率中的一个或以上。
在一些实施例中，初始特征信息可以包括标识类的初始特征信息(例如，与ID类相关的特征信息)和非标识类的初始特征信息(例如，与非ID类相关的特征信息)。可以修改标识类的初始特征信息和非标识类的初始特征信息以获取特征信息。特征信息可以包括第一特征信息、第二特征信息和第三特征信息。
在一些实施例中，可以基于以下操作分别修改标识类的初始特征信息和非标识类的初始特征信息。可以将非标识类的初始特征信息输入训练集成模型作为输入。训练集成模型可以将非标识类的初始特征信息映射到每个决策树的叶子节点(每个叶子节点对应于加权值)。叶子节点可以被指定为目标节点，并且与目标节点相对应的加权值可以被指定为特征值。然后，可以将与集成模型中的非标识类的初始特征信息相关的特征表示指定为与训练集成模型相关的输出结果。进一步地，可以通过归一化与训练集成模型相关的输出结果获取第一特征信息。可以通过归一化非标识类的初始特征信息获取第二特征信息。可以通过对标识类的初始特征信息进行离散化和归一化获取第三特征信息。如本文所使用的，训练集成模型可以是任何合理的集成模型，包括但不限于极限梯度增强(XGB)模型。训练集成模型的描述不是限制性的。
输入模块1430可以被配置为将特征信息分别输入训练线性回归模型和训练深度学习模型。
在一些实施例中，训练线性回归模型可以是任何合理的线性回归模型。训练深度学习模型可以是任何合理的深度学习模型(例如，深度神经网络(DNN)模型)。训练线性回归模型和训练深度学习模型的描述不是限制性的。
输出模块1440可以被配置为通过加权与训练线性回归模型相关的第一输出结果和与训练深度学习模型相关的第二输出结果确定与第一服务请求和第二服务请求相关的匹配参数。
在一些实施例中，可以将特征信息分别输入训练线性回归模型和训练深度学习模型作为输入。可以通过加权与训练线性回归模型相关的第一输出结果和与训练深度学习模型相关的第二输出结果确定匹配参数。匹配参数可以指示第二服务请求和服务提供者之间的匹配程度。按需服务***100可以基于匹配参数大于或等于预设阈值的确定结果确定第二服务请求与服务提供者匹配。
分配模块1450可以被配置为基于匹配参数大于或等于预设阈值的确定结果将第二服务请求分配给服务提供者。
在本申请的上述实施例中提供了一种分配服务请求的设备。可以获取目标信息。可以基于目标信息确定特征信息。可以将特征信息分别输入训练线性回归模型和训练深度学习模型作为输入。可以通过加权与线性回归模型相关的第一输出结果和与深度学习模型相关的第二输出结果确定匹配参数。可以基于匹配参数大于或等于预设阈值的确定结果，将第二服务请求分配给服务提供者。如这里所使用的，目标信息可以包括服务提供者的提供者信息、与服务提供者已经接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。由于第二服务请求和服务提供者之间的匹配程度是基于线性回归模型和深度学习模型的组合确定的，因此第二服务请求和服务提供者之间的匹配可以更合理，并且可以改善服务资源的利用。
在一些备选实施例中，第二获取模块1420可以包括获取单元和处理单元(图14中未示出)。
获取单元可以被配置为基于目标信息获取标识类的初始特征信息和非标识类的初始特征信息。
处理单元可以被配置为通过修改标识类的初始特征信息和非标识类的初始特征信息而确定特征信息。
在本申请的上述实施例中提供了一种分配服务请求的设备。可以获取目标信息。可以基于目标信息获取标识类的初始特征信息和非标识类的初始特征信息。可以通过修改标识类的初始特征信息和非标识类的初始特征信息获取特征信息。可以将特征信息分别输入训练线性回归模型和训练深度学习模型作为输入。可以通过加权与训练线性回归模型相关的第一输出结果和与训练深度学习模型相关的第二输出结果确定与第一服务请求和第二服务请求相关的匹配参数。可以基于匹配参数大于或等于预设阈值的确定结果，将第二服务请求分配给服务提供者。如这里所使用的，目标信息可以包括服务提供者的提供者信息、与服务提供者已经接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息。由于特征信息是通过分别修改标识类的初始特征信息和非标识类的初始特征信息获取的，并且进一步地，第二服务请求和服务提供者之间的匹配度是基于训练线性回归模型和训练深度学习模型的组合所确定的，因此，第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
在一些备选实施例中，特征信息可以包括第一特征信息、第二特征信息和第三特征信息。
处理单元可以被配置为通过将非标识类的初始特征信息输入训练集成模型并且将与训练集成模型相关的输出结果归一化确定第一特征信息。处理单元可以通过归一化非标识类的初始特征信息确定第二特征信息。处理单元可以通过对标识类的初始特征信息进行离散化和归一化确定第三特征信息。
在一些备选实施例中，与第一服务请求相关的第一信息可以包括第一出发位置、第一目的地和第一出发时间。与第二服务请求相关的第二信息包括第二出发位置、第二目的地和第二出发时间。
设备1400中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee、近场通讯(NFC)等或其任意组合。两个或以上模块可以合并成一个模块，以及任意一个模块可以被拆分成两个或以上单元。
图15是根据本申请的一些实施例所示的确定用于分配服务请求的训练模型的示例性训练设备的框图。训练设备1500可以包括第一获取模块1510、确定模块1520、第二获取模块1530和调整模块1540。在一些实施例中，训练设备1500可以集成到服务器110中。例如，训练设备1500可以集成到处理引擎112的组件(例如，训练模块1640)中。
第一获取模块1510可以被配置为获取样本信息。样本信息可以包括至少两个历史运输服务记录中的每一个的相关信息。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，相关信息可以包括历史实时信息、历史服务提供者的历史提供者信息、与服务提供者已接受的第一历史订单相关的第一历史信息以及与第一历史订单匹配并分配给历史服务提供者的第二历史订单相关的第二历史信息。历史服务提供者的历史提供者信息和历史实时信息可以统称为历史参考信息。
在一些实施例中，历史服务提供者的历史提供者信息可以包括可以表示历史服务提供者的个人特征的各种信息。以历史拼车服务为例，历史服务提供者可以是提供历史拼车服务的历史司机。历史服务提供者的历史提供者信息可以包括但不限于历史司机的标识信息、历史司机的性别信息、历史司机的年龄信息、历史司机的历史服务评分信息、历史司机的历史星级信息、历史司机的历史车辆类型信息、历史司机的历史位置信息等。
在一些实施例中，与第一历史订单相关的第一历史信息可以包括第一历史订单中包括的各种历史信息。例如，第一历史信息可以包括但不限于第一历史出发位置、第一历史目的地、第一历史出发时间以及与第一历史订单的第一历史用户相关的第一历史用户信息。与第二历史订单相关的第二历史信息可以包括第二历史订单中包括的各种历史信息。例如，第二历史信息可以包括但不限于第二历史出发位置、第二历史目的地、第二出发时间以及与第二历史订单的第二历史用户相关的第二历史用户信息。如这里所使用的，历史用户信息可以包括但不限于历史用户的ID信息、历史用户的画像信息(例如，性别信息、年龄信息、爱好信息、职业信息)等。
在一些实施例中，历史实时信息可以包括历史订单发生时“实时”的信息，包括例如历史天气信息、历史时间信息(例如，历史时间点信息、历史周信息、历史公历日期信息、历史农历日期信息、历史假日信息)、历史交通信息等。
确定模块1520可以被配置为用于确定至少两个历史运输服务记录中的每一个的样本类型。
在一些实施例中，可以基于样本信息中的历史评价信息和历史响应信息确定至少两个历史运输服务记录中的每一个的样本类型。例如，如果历史运输服务记录的历史评价信息相对较好或者历史运输服务记录中包含的第二历史订单被历史运输服务记录的历史服务提供者接受，则对应于该历史运输服务记录的样本类型可以被确定为正样本类型。如果历史运输服务记录的历史评价信息相对较差或者历史运输服务记录中包含的第二历史订单未被历史运输服务记录的历史服务提供者接受，则对应于该历史运输服务服务记录的样本类型可以确定为负样本类型。
第二获取模块1530可以被配置为基于样本信息确定与至少两个历史运输服务记录中的每一个对应的样本特征信息。
在一些实施例中，可以基于样本信息获取至少两个历史运输服务记录中的每一个的初始样本特征信息。初始样本特征信息可以包括标识类的初始样本特征信息和非标识类的初始样本特征信息。然后，可以通过修改标识类的初始样本特征信息和非标识类的初始样本特征信息确定样本特征信息。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，初始样本特征信息可以包括第一初始样本特征信息和第二初始样本特征信息。可以基于样本信息直接获取第一初始样本特征信息。可以基于样本信息估计获得第二初始样本特征信息。具体地，可以直接从样本信息中提取第一初始样本特征信息。可以基于样本信息，根据例如预定算法、预设策略或预设模型估计第二初始样本特征信息。
在一些实施例中，对应于历史运输服务记录的第一初始样本特征信息可以包括：历史运输服务记录的历史服务提供者的性别信息、历史服务提供者的年龄信息、历史服务提供者的历史服务评分信息、历史服务提供者的历史星级信息、历史服务提供者的历史车辆类型信息、历史服务提供者的历史位置信息、历史天气信息或历史时间信息。
在一些实施例中，对应于历史运输服务记录的第二初始样本特征信息可以包括与第一历史订单相关的第一历史原始路线的第一历史距离、与第二历史订单相关的第二历史原始路线的第二历史距离、与第一历史订单相关的第一历史调整路线的第三历史距离、与第二历史订单相关的第二历史调整路线的第四历史距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合距离、与第一历史订单和第二历史订单相关的历史组合路线的历史组合时间、与第一历史订单相关的第一历史绕路距离、与第二历史订单相关的第二历史绕路距离、与第一历史订单相关的第一历史绕路时间、与第二历史订单相关的第二历史绕路时间、第一历史绕路距离和与第一历史订单相关的第一历史原始路线的第一历史距离的第一历史比率、第二历史绕路距离和与第二历史订单相关的第二历史原始路线的第二历史距离的第二历史比率、第二历史订单的历史接载时间、第二历史订单的历史接载距离、以及历史接载距离和与第二历史订单相关的第二历史调整路线的第四历史距离的第三历史比率中的一个或以上。
在一些实施例中，初始样本特征信息可以包括标识类的初始样本特征信息(例如，与ID类相关的特征信息)和非标识类的初始样本特征信息(例如，与非ID类相关的特征信息)。可以通过修改标识类的初始样本特征信息和非标识类的初始样本特征信息确定样本特征信息。样本特征信息可以包括第一样本特征信息、第二样本特征信息和第三样本特征信息。
在一些实施例中，可以基于以下操作分别修改标识类的初始样本特征信息和非标识类的初始样本特征信息。可以通过将非标识类的初始样本特征信息输入训练集成模型并且将与训练集成模型相关的输出结果归一化确定第一样本特征信息。可以通过归一化非标识类的初始样本特征信息确定第二样本特征信息。可以通过对标识类的初始样本特征信息进行离散化和归一化确定第三样本特征信息。如本文所用，训练集成模型可以是任何合理的训练集成模型，包括但不限于极限梯度增强(XGB)模型。
调整模块1540可以被配置为基于多个历史运输服务记录的每一个的样本特征信息和样本类型，通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。对于至少两个历史运输服务记录的任何一个，相关信息可以包括历史实时信息、历史服务提供者的历史提供者信息、与服务提供者接受的第一历史订单相关的第一历史信息和与第一历史订单匹配并分配给历史服务提供者的第二历史订单相关的第二历史信息。
在一些实施例中，对于至少两个历史运输服务记录中的任何一个，相关信息可以包括历史实时信息、历史服务提供者的历史提供者信息、与历史服务提供者接受的第一历史订单相关的第一历史信息以及与第一历史订单匹配并分配给历史服务提供者的第二历史订单相关的第二历史信息。历史服务提供者的历史提供者信息和历史实时信息可以统称为历史参考信息。
在一些实施例中，可以将至少两个历史运输服务记录中的每一个的样本特征信息分别输入初始线性回归模型和初始深度学习模型作为输入。可以通过加权与初始线性回归模型相关的第一样本输出结果(也称为“第一样本匹配参数”)和与初始深度学习模型相关的第二样本输出结果(也称为“第二样本匹配参数”)确定参考匹配参数(也称为“样本匹配参数”)。可以基于参考匹配参数和至少两个历史运输服务记录中的每一个的样本类型调整与初始线性回归模型和初始深度学习模型相关的至少一个参数。
具体地，可以基于以下过程确定训练线性回归模型和训练深度学习模型。首先，可以获取与数据集相关的样本特征信息。数据集可以包括训练数据集和验证数据集(训练数据集可以对应于至少两个第一历史运输服务记录，并且验证数据集可以对应于至少两个第二历史运输服务记录)。其次，可以基于与训练数据集相关的样本特征信息调整与当前线性回归模型(例如，初始线性回归模型)和当前深度学习模型(例如，初始深度学习模型)相关的至少一个参数。可以基于与验证数据集相关的样本特征信息验证当前线性回归模型和当前深度学习模型。最后，直到验证结果满足条件，则可以将当前线性回归模型和当前深度学习模型指定为训练线性回归模型和训练深度学习模型。
可以根据以下过程，基于与训练数据集相关的样本特征信息，调整与当前线性回归模型和当前深度学习模型相关的至少一个参数。可以将与训练数据集相关的样本特征信息分别输入当前线性回归模型和当前深度学习模型作为输入。对于至少两个历史运输服务记录的每一个，可以通过加权与当前线性回归模型相关的第一概率(即，历史运输服务记录的样本类型是正样本类型的概率)和与当前深度学习模型相关的第二概率(即，历史交通服务记录的样本类型是正样本类型的概率)确定参考匹配参数。此外，可以基于与至少两个运输服务记录相对应的参考匹配参数和样本类型获取ROC曲线。可以基于ROC曲线获取曲线下面积(AUC)值。可以基于AUC值小于或等于预设AUC阈值的确定结果调整与当前线性回归模型和当前深度学习模型相关的至少一个参数。此外，可以重复调整与当前线性回归模型和当前深度学习模型相关的至少一个参数的过程。可以基于AUC值大于预设AUC阈值的确定结果执行验证当前线性回归模型和当前深度学习模型的操作。
可以根据以下过程，基于与验证数据集相关的样本特征信息，验证当前线性回归模型和当前深度学习模型。可以通过将与训练数据集相关的样本特征信息输入到当前线性回归模型和当前深度学习模型获取第一AUC值。可以通过将与验证数据集相关的样本特征信息输入到当前线性回归模型和当前深度学习模型获取第二AUC值。可以通过从第一AUC值减去第二AUC值获取差异。可以基于差异的绝对值大于第二预设阈值的确定结果重复调整与当前线性回归模型和当前深度学习模型相关的至少一个参数的过程。按需服务***100可以基于差异的绝对值小于第二预设阈值的确定结果确定验证结果满足条件。
在一些实施例中，训练线性回归模型可以是任何合理的线性回归模型。训练深度学习模型(例如，深度神经网络(DNN)模型)可以是任何合理的深度学习模型。训练线性回归模型和训练深度学习模型的描述不是限制性的。
在本申请的上述实施例中提供了一种确定用于分配服务请求的训练模型的训练设备。可以获取样本信息。可以基于样本信息确定至少两个历史运输服务记录中的每一个的样本类型。样本信息可以包括至少两个历史运输服务记录中的每一个中的相关信息。可以基于样本信息确定与至少两个历史运输服务记录中的每一个相对应的样本特征信息。可以基于多个历史运输服务记录的每一个的样本特征信息和样本类型，通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。根据训练设备，可以获取用于分配与拼车服务相关的服务请求的训练模型。第二服务请求和服务提供者之间的匹配可以更合理，并且可以提高服务资源的利用率。
在一些替代实施例中，调整模块1540可以被配置为将至少两个历史运输服务记录中的每一个的样本特征信息分别输入到初始线性回归模型和初始深度学习模型中。调整模块1540可以通过加权与初始线性回归模型相关的第一样本输出结果和与初始深度学习模型相关的第二样本输出结果确定参考匹配参数。调整模块1540还可以基于多个历史运输服务记录中的每一个的参考匹配参数和样本类型调整与初始线性回归模型和初始深度学习模型相关的至少一个参数。
在一些备选实施例中，对于至少两个历史运输服务记录中的任何一个，第二获取模块1530可以根据以下过程，基于样本信息获取样本特征信息。第二获取模块1530可以基于与样本信息中的历史传输记录相对应的相关信息，获取标识类的初始样本特征信息和非标识类的初始样本特征信息。第二获取模块1530可以通过分别修改标识类的初始样本特征信息和非标识类的初始样本特征信息确定样本特征信息。
在一些替代实施例中，样本信息可包括第一样本特征信息、第二样本特征信息和第三样本特征信息。
第二获取模块1530可以通过根据以下过程，分别修改标识类的初始样本特征信息和非标识类的初始样本特征信息确定样本特征信息。第二获取模块1530可以通过将非标识类的初始样本特征信息输入训练集成模型并且归一化与训练集成模型相关的样本输出结果确定第一样本特征信息。第二获取模块1530可以通过归一化非标识类的初始样本特征信息确定第二样本特征信息。第二获取模块1530可以通过对标识类的初始样本特征信息进行离散化和归一化确定第三样本特征信息。
在一些备选实施例中，训练设备1500还可以包括训练模块(图15中未示出)。训练模块可以被配置为基于至少两个历史运输服务记录的每一个的样本类型和至少两个运输服务记录的每一个的非标识类的初始样本特征信息确定训练集成模型。
在一些实施例中，可以根据以下过程，基于至少两个历史运输服务记录中的每一个的样本类型和至少两个历史运输服务中的每一个的非标识类的初始样本特征信息确定训练集成模型。首先，可以获取与数据集相关的非标识类的初始样本特征信息。数据集可以包括训练数据集和验证数据集(训练数据集可以对应于至少两个第一历史运输服务记录，并且验证数据集可以对应于至少两个第二历史运输服务记录)。其次，可以基于与训练数据集相关的非标识类的样本特征信息调整与当前集成模型(例如，初始集成模型)相关的参数。可以基于与验证数据集相关的非标识类的样本特征信息验证当前集成模型。最后，直到验证结果满足条件，则可以将当前的集成模型指定为训练集成模型。
在一些替代实施例中，与第一历史订单相关的第一历史信息可以包括第一历史出发位置、第一历史目的地和第一历史出发时间，以及与第二历史订单相关的第二历史信息可以包括第二历史出发位置、第二历史目的地和第二历史出发时间。
应该注意的是，图15中描述的一些模块可以被配置为用于执行本申请中描述的其他功能。例如，第一获取模块1510也可以被配置为执行第一获取模块1410的功能，也就是说，第一获取模块1510也可以被配置为获取目标信息。
训练设备1500中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee、近场通讯(NFC)等或上述举例的任意组合。两个或以上模块可以合并成一个模块，以及任意一个模块可以被拆分成两个或以上单元。
本申请还可以提供包括第一指令的第一计算机存储介质。当由至少一个处理器执行时，第一指令可以指示至少一个处理器执行本申请中其他地方描述的过程(例如，过程1000、过程1200)。本申请还可以提供包括第二指令的第二计算机存储介质。当由至少一个处理器执行时，第二指令可以指示至少一个处理器执行本申请中其他地方描述的过程(例如，过程1300)。
图16是根据本申请的一些实施例所示的示例性处理引擎的框图。处理引擎112可以包括第一获取模块1610、第二获取模块1620、确定模块1630、训练模块1640和传输模块1650。
第一获取模块1610可以被配置为获取与第一服务请求相关的第一信息。第一服务请求可能已分配给服务提供者，并已被服务提供者接受。第一信息的更多描述可以在本申请的其他地方找到(例如，图4、图8、图10、图14及其描述)。在一些实施例中，第一服务请求的第一服务请求者可以通过安装在第一请求者终端(例如，请求者终端130)上并由第一请求者终端执行的应用程序(例如，应用程序380)发起第一服务请求。
第二获取模块1620可以被配置为通过请求接口(例如，通讯端口250)获取与第二服务请求相关的第二信息。第二服务请求可以是待分配的服务请求。第二信息的更多描述可以在本申请的其他地方找到(例如，图4、图8、图10、图14及其描述)。在一些实施例中，第二服务请求的第二服务请求者可以通过安装在第二请求者终端(例如，请求者终端130)上并由第二请求者终端执行的应用程序(例如，应用程序380)发起第二服务请求。第二请求者终端可以与第一服务请求终端不同。
确定模块1630可以被配置通过使用至少一个训练匹配模型，基于第一信息和第二信息确定匹配参数。匹配参数可以指示第一服务请求和第二服务请求之间的匹配程度。匹配参数越大，第一服务请求和第二服务请求之间的匹配度越高。
在一些实施例中，确定模块1630可从训练设备900、训练设备1500、训练模块1640或本文中其他地方公开的存储设备(例如，存储器150)获取至少一个训练匹配模型。在一些实施例中，至少一个训练匹配模型可以包括极限梯度增强模型、线性回归模型、深度学习网络模型等或其任意组合。
在一些实施例中，确定模块1630还可以获取与服务提供者相关的参考信息，并基于第一信息、第二信息和参考信息确定匹配参数。在一些实施例中，参考信息可包括与服务提供者相关的提供者信息、天气信息、时间信息、交通信息等或其任意组合。参考信息的更多描述可以在本申请的其他地方找到(例如，图4、图8、图10、图14及其描述)。
训练模块1640可以被配置为确定匹配参数是否大于阈值。阈值可以是按需服务***100的默认设置，或者可以在不同情况下调整。
传输模块1650可以被配置为基于匹配参数大于阈值的确定结果，经由网络120将与第二服务请求相关的数据发送到与服务提供者相关的提供者终端140。在一些实施例中，与第二服务请求相关的数据可以包括与第二服务请求相关的第二信息(例如，第二出发位置、第二目的地、第二出发时间)，第一服务请求和第二服务请求之间的匹配参数、从服务提供者的位置到第二出发位置的估计路线等或其任意组合。响应于接收到与第二服务请求相关的数据，提供者终端140可以在图形用户界面中显示与第二服务请求相关的接收数据的至少一部分。
处理引擎112中的模块可以通过有线连接或无线连接互相连接或互相通讯。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee、近场通讯(NFC)等或其任意组合。两个或以上模块可以合并成一个模块，以及任意一个模块可以被拆分成两个或以上单元。例如，第一获取模块1610和第二获取模块1620可以组合为单个模块，该模块可以通过请求接口，获取与第一服务请求相关的第一信息以及获取与第二服务请求相关的第二信息。作为另一示例，处理引擎112可以包括存储模块(未示出)，其可以用于存储由上述模块生成的数据。作为另一示例，训练模块1640可以是不必要的，并且至少一个训练匹配模型可以从本申请中其他地方公开的存储设备(例如，存储器150)获取。
图17是根据本申请的一些实施例所示的将服务请求分配给服务提供者的示例性过程的流程图。在一些实施例中，过程1700可以实现为存储在存储器ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图16中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为用于执行过程1700。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程1700可以通过未描述的一个或以上附加操作和/或不通过本文所讨论一个或以上的操作完成。另外，如图17所示和下面描述的过程操作的顺序不是限制性的。
在1710中，处理引擎112(例如，第一获取模块1610)(例如，处理器220的接口电路)可以获取与第一服务请求相关的第一信息。第一服务请求可能已分配给服务提供者，并已被服务提供者接受。第一信息的更多描述可以在本申请的其他地方找到(例如，图4、图8、图10、图14及其描述)。在一些实施例中，第一服务请求的第一服务请求者可以通过安装在第一请求者终端(例如，请求者终端130)上并由第一请求者终端执行的应用程序(例如，应用程序380)发起第一服务请求。
在1720中，处理引擎112(例如，第二获取模块1620)(例如，处理器220的接口电路)可以经由请求接口(例如，通讯端口250)获取与第二服务请求相关的第二信息。第二服务请求可以是待分配的服务请求。第二信息的更多描述可以在本申请的其他地方找到(例如，图4、图8、图10、图14及其描述)。在一些实施例中，第二服务请求的第二服务请求者可以通过安装在第二请求者终端(例如，请求者终端130)上并由第二请求者终端执行的应用程序(例如，应用程序380)发起第二服务请求。第二请求者终端可以与第一服务请求终端不同。
在1730，处理引擎112(例如，确定模块1630)(例如，处理器220的处理电路)可以通过使用至少一个训练匹配模型，基于第一信息和第二信息确定匹配参数。匹配参数可以指示第一服务请求和第二服务请求之间的匹配程度。匹配参数越大，第一服务请求和第二服务请求之间的匹配度越高。
在一些实施例中，处理引擎112可从训练设备900、训练设备1500、训练模块1640或本文中其他地方公开的存储设备(例如，存储器150)获取至少一个训练匹配模型。在一些实施例中，至少一个训练匹配模型可以包括极限梯度增强模型、线性回归模型、深度学习网络模型等或其任意组合。
在一些实施例中，处理引擎112还可以获取与服务提供者相关的参考信息，并基于第一信息、第二信息和参考信息确定匹配参数。在一些实施例中，参考信息可以包括与服务提供者相关的提供者信息、天气信息、时间信息、交通信息等或其任意组合。参考信息的更多描述可以在本申请的其他地方找到(例如，图4、图8、图10、图14及其描述)。
在1740中，处理引擎112(例如，确定模块1630)(例如，处理器220的处理电路)可以确定匹配参数是否大于阈值。阈值可以是按需服务***100的默认设置，或者可以在不同情况下调整。
在1750，处理引擎112(例如，传输模块1650)(例如，处理器220的接口电路)可以基于匹配参数大于阈值的确定结果，经由网络120将与第二服务请求相关的数据发送到与服务提供者相关的提供者终端140。在一些实施例中，与第二服务请求相关的数据可以包括与第二服务请求相关的第二信息(例如，第二出发位置、第二目的地、第二出发时间)、第一服务请求和第二服务请求之间的匹配参数、从服务提供者的位置到第二出发位置的估计路线等或其任意组合。响应于接收到与第二服务请求相关的数据，提供者终端140可以在图形用户界面中显示与第二服务请求相关的接收数据的至少一部分。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的改变或修改。然而，这些改变或修改不会背离本申请的范围。
图18是根据本申请的一些实施例所示的通过使用两个训练模型确定匹配参数的示例性过程的流程图。在一些实施例中，过程1800可以实现为存储在存储器ROM 230或RAM240中的一组指令(例如，应用程序)。处理器220和/或图16中的模块可以执行该组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行过程1800。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程1800可以通过未描述的一个或以上附加操作和/或不通过本文所讨论一个或以上的操作完成。另外，如图18所示和下面描述的过程操作的顺序不是限制性的。在一些实施例中，可以基于过程1800执行过程1700的操作1730。
在1810中，处理引擎112(例如，确定模块1630)(例如，处理器220的处理电路)可以通过使用第一训练匹配模型(例如，结合图10-15描述的训练线性回归模型)，基于第一信息和第二信息确定第一匹配参数。第一匹配参数指基于第一信息和第二信息，与第一训练匹配模型相关的第一输出结果。
在1820，处理引擎112(例如，确定模块1630)(例如，处理器220的处理电路)可以通过使用第二训练匹配模型(例如，结合图10-15描述的训练线性深度学习模型)，基于第一信息和第二信息确定第二匹配参数。第二匹配参数指基于第一信息和第二信息，与第二训练匹配模型相关的第二输出结果。
在1830，处理引擎112(例如，确定模块1630)(例如，处理器220的处理电路)可以基于第一匹配参数和第二匹配参数确定匹配参数。在一些实施例中，处理引擎112可通过加权第一匹配参数和第二匹配参数确定匹配参数。在一些实施例中，处理引擎112可以基于对应于第一匹配参数的第一加权系数和对应于第二匹配参数的第二加权系数对第一匹配参数和第二匹配参数进行加权。第一加权系数和第二加权系数可以相同或不同。第一加权系数和第二加权系数可以是按需服务***100的默认设置，或者可以在不同情况下调整。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的改变和修改。然而，这些改变和修改不会背离本申请的范围。
图19是根据本申请的一些实施例所示的基于至少两个训练样本的特征信息确定至少一个训练匹配模型的示例性过程的流程图。在一些实施例中，过程1900可以实现为存储在存储器ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或训练模块1640可以执行该组指令，并且当执行指令时，处理器220和/或训练模块1640可以被配置为用于执行过程1900。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程1900可以通过未描述的一个或以上附加操作和/或不通过本文所讨论一个或以上的操作完成。另外，如图19所示和下面描述的过程操作的顺序不是限制性的。
在1910中，处理引擎112(例如，训练模块1640)(例如，处理器220的接口电路)可以获取包括至少一个正训练样本和至少一个负训练样本的至少两个训练样本。处理引擎112可以基于至少两个历史运输服务记录获取多个训练样本。至少两个历史运输服务记录的每一个可以包括与历史服务提供者接受的第一历史订单相关的第一历史信息、与第一历史订单匹配的第二历史订单相关的第二历史信息、与历史服务提供者相关的历史参考信息等或其任意组合。如本申请中其他地方所述，正训练样本对应于具有正样本类型的历史运输服务记录，而负训练样本对应于具有负样本类型的历史运输服务记录。多个历史运输服务记录的更详细描述可以在本申请的其他地方找到(例如，图6、图7、图9、图13、图15及其描述)。
在1920年，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以提取每个训练样本的特征信息(在此也称为“样本特征信息”)。
在一些实施例中，如操作730和/或操作1330所述，特征信息可以包括从至少两个训练样本获取的第一初始特征信息和基于至少两个训练样本估计的第二初始特征信息。
在一些实施例中，如操作1330所述，处理引擎112可以通过修改标识类的初始特征信息和非标识类类的初始特征信息获得特征信息(例如，第一特征信息、第二特征信息、第三特征信息)。例如，处理引擎112可以基于训练集成模型(例如，图13描述的训练集成模型)和非标识类的初始特征信息确定第一特征结果。处理引擎112还可以通过归一化第一特征结果确定至少两个训练样本中的每一个的第一特征信息。又如例，处理引擎112可以通过归一化非标识类的初始特征信息确定至少两个训练样本的每一个的第二特征信息。作为另一示例，处理引擎112可以通过对标识类的初始特征信息进行离散化和归一化确定至少两个训练样本的每一个的第三特征信息。特征信息的更详细描述可以在本申请的其他地方找到(例如，图13及其描述)。
在1930中，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以获取至少一个初始匹配模型。至少一个初始匹配模型可以包括初始梯度增强模型、初始线性回归模型、初始深度学习网络模型等。初始匹配模型可以包括至少一个初始参数(例如，权重矩阵、偏差矢量)，其可以是按需服务***100的默认设置，或者可以由操作员定义。
在1940，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以基于至少一个初始匹配模型和至少两个训练样本的特征信息确定对应于至少两个训练样本的至少两个样本匹配参数。以特定训练样本为例，样本匹配参数可以指示包括于训练样本中的第二历史订单和第一历史订单之间的匹配度。
在1950中，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以确定样本匹配参数是否满足第一预设条件。例如，处理引擎112可以基于样本匹配参数获取ROC曲线和AUC值。此外，处理引擎112可以确定AUC值是否小于或等于预设AUC阈值。ROC曲线和AUC值的更多描述可以在本申请的其他地方找到(例如，图7、图13及其描述)。又例如，处理引擎112可以确定至少一个初始匹配模型的损失函数，并基于样本匹配参数确定损失函数的值。此外，处理引擎112可以确定损失函数的值是否小于损失阈值。损失阈值可以是按需服务***100的默认设置，或者可以在不同情况下调整。
响应于确定样本匹配参数满足第一预设条件，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以在2040中指定至少一个初始匹配模型作为至少一个训练匹配模型。另一方面，响应于确定样本匹配参数不满足第一预设条件，处理引擎112可以执行过程1900以返回1930以更新至少一个初始匹配模型。例如，处理引擎112可以更新与至少一个初始匹配模型相关的至少一个初始参数，以产生至少一个更新的匹配模型。
处理引擎112还可以确定基于至少一个更新的匹配模型所确定的多个更新的样本匹配参数是否满足第一预设条件。响应于更新的样本匹配参数满足第一预设条件，处理引擎112可以在1960中将至少一个更新的匹配模型指定为至少一个训练匹配模型。另一方面，响应于更新的样本匹配参数仍然不满足第一预设条件，处理引擎112仍然可以更新至少一个更新的匹配模型(即，过程1900进行到1930)直到至少两个更新的样本匹配参数满足第一预设条件。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不会背离本申请的范围。例如，处理引擎112可以基于至少两个新获取的历史运输行程记录，以特定时间间隔(例如，每月、每两个月)更新训练匹配模型。
图20是根据本申请的一些实施例所示的确定两个训练模型的示例性过程的流程图。在一些实施例中，过程2000可以实现为存储在存储期ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或训练模块1640可以执行该组指令，并且当执行指令时，处理器220和/或训练模块1640可以被配置为用于执行过程2000。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程2000可以通过未描述的一个或以上附加操作和/或不通过本文所讨论一个或以上的操作完成。另外，如图20所示和下面描述的过程操作的顺序不是限制性的。
在2010中，如1920所述，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以获取第一初始匹配模型(例如，初始线性回归模型)和第二初始匹配模型(例如，初始深度学习模型)。
在2020中，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以基于第一初始匹配模型和至少两个训练样本的特征信息确定对应于至少两个训练样本的至少两个第一样本匹配参数。
在2030中，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以基于第二初始匹配模型和至少两个训练样本的特征信息确定对应于至少两个训练样本的至少两个第二样本匹配参数。
在2040中，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以确定与至少两个第一样本匹配参数和至少两个第二样本匹配参数相关的样本结果是否满足第二预设条件。在一些实施例中，处理引擎112可以通过加权至少两个第一样本匹配参数和至少两个第二样本匹配参数确定样本结果。第二预设条件可以与第一预设条件相同或不同。
响应于样本结果满足第二预设条件，处理引擎112(例如，训练模块1640)(例如，处理器220的处理电路)可以在2050中分别指定第一初始匹配模型和第二次初始匹配模型作为第一训练匹配模型和第二训练匹配模型。另一方面，响应于样本结果不满足第二预设条件，处理引擎112可执行过程2000以返回2010以更新第一初始匹配模型和第二初始匹配模型。例如，处理引擎112可以更新与第一初始匹配模型和第二初始匹配模型相关的至少一个初始参数，以产生第一更新匹配模型和第二更新匹配模型。
此外，处理引擎112可以基于第一更新匹配模型和第二更新匹配模型确定更新的样本结果是否满足第二预设条件。响应于更新的样本结果满足第二预设条件，处理引擎112可以在2050中分别指定第一更新匹配模型和第二更新匹配模型作为第一训练匹配模型和第二训练匹配模型。另一方面，响应于更新的样本结果仍然不满足第二预设条件，处理引擎112仍然可以更新第一更新匹配模型和第二更新匹配模型，直到更新的样本结果满足第二预设条件。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的改变和修改。然而，这些改变和修改不会背离本申请的范围。例如，处理引擎112可以基于至少两个新获取的历史运输行程记录，以特定时间间隔(例如，每月、每两个月)更新第一训练匹配模型和/或第二训练匹配模型。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种变化、改进和修改。该类修改、改进和修正在本申请中被建议，所以该类变化、改进和修改仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应当强调并注意的是，本说明书中在不同位置两次或以上次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外，本领域的技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的制程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“***”。此外，本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计的编程语言，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python，常规程序编程语言，如“C”编程语言、VisualBasic、Fortran 2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy或其它编程语言。程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算器可以通过任何网络形式与用户计算器连接，例如，局域网络(LAN)或广域网(WAN)，或连接至外部计算器(例如通过互联网)，或在云端计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述申请中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，此类细节仅起说明的目的，附加的申请专利范围并不仅限于申请的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例精神和范围的修正和等价组合。例如，虽然以上描述的***组件可以通过安装于硬件装置中实施，但也可以只通过软件的解决方案实施，例如在现有的服务器或行动载具上安装所描述的***。
同理，应当注意的是，为了简化本申请揭示的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上，实施例的特征要少于上述披露的单个实施例。
Claims (97)
1.一种分配服务请求的方法，包括：
获取目标信息，其中，所述目标信息包括服务提供者的信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息；
其中，所述服务提供者已经接受所述第一服务请求并且正在等待被分配另一个服务请求；通过使用训练模型，基于所述目标信息，确定所述第二服务请求是否与所述服务提供者匹配；
以及
基于所述第二服务请求与所述服务提供者匹配的确定结果，将所述第二服务请求分配给所述服务提供者。
2.根据权利要求1所述的方法，其特征在于，通过使用训练模型，基于所述目标信息确定所述第二服务请求是否与所述服务提供者匹配包括：
基于所述目标信息获取特征信息；
将所述特征信息输入所述训练模型；
获取由所述训练模型确定的匹配参数；以及
基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
3.根据权利要求2所述的方法，其特征在于，所述特征信息包括第一特征信息和第二特征信息；以及，基于所述目标信息获取特征信息包括：
直接从所述目标信息中提取所述第一特征信息；以及
基于所述目标信息估计所述第二特征信息。
4.根据权利要求3所述的方法，其特征在于，与所述第一服务请求相关的所述第一信息包括第一出发位置、第一目的地和第一出发时间，以及与所述第二服务请求相关的第二信息包括第二出发位置、第二目的地和第二出发时间。
5.根据权利要求4所述的方法，其特征在于，所述第二特征信息包括所述第一服务请求的第一原始路线的第一距离、所述第二服务请求的第二原始路线的第二距离、与所述第一服务请求相关的第一调整路线的第三距离、与所述第二服务请求相关的第二调整路线的第四距离、与所述第一服务请求和所述第二服务请求相关的组合路线的组合距离、与所述第一服务请求和所述第二服务请求相关的所述组合路线的组合时间、与所述第一服务请求相关的第一绕路距离、与所述第二服务请求相关的第二绕路距离、与所述第一服务请求相关的第一绕路时间、与所述第二服务请求相关的第二绕路时间、所述第一绕路距离与所述第一距离的第一比率、所述第二绕路距离与所述第二距离的第二比率、所述第二服务请求的接载时间、所述服务提供者的位置与所述第二服务请求的所述第二出发位置之间的接驾距离或者与所述第二服务请求相关的所述第二调整路线的所述接驾距离与所述第四距离的第三比率中的一个或以上。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述训练模型包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
7.一种确定分配服务请求的训练模型的训练方法，包括：
获取样本信息，其中，所述样本信息包括至少两个历史运输服务记录的每一个的相关信息，其中，对于所述至少两个历史运输服务记录的任何一个，所述相关信息包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息；
以及
基于所述样本信息确定所述训练模型。
8.根据权利要求7所述的方法，其特征在于，基于所述样本信息确定所述训练模型包括：
基于所述样本信息确定所述至少两个历史运输服务记录中的每一个的样本类型，其中，所述样本类型包括正样本类型和负样本类型；
基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息；以及
基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型确定所述训练模型。
9.根据权利要求8所述的方法，其特征在于，对于所述至少两个历史运输服务记录中的任何一个，所述样本特征信息包括第一样本特征信息和第二样本特征信息，以及基于所述样本信息，通过以下步骤获得对应于所述历史运输服务记录的所述样本特征信息：
直接从与所述历史运输服务记录对应的所述样本信息中提取所述第一样本特征信息；以及
基于所述历史运输服务记录对应的所述样本信息估计所述第二样本特征信息。
10.根据权利要求9所述的方法，其特征在于，与所述第一历史订单相关的所述第一历史信息包括第一历史出发位置、第一历史目的地和第一历史出发时间，与所述第二历史订单相关的所述第二历史信息包括第二历史出发位置、第二历史目的地和第二历史出发时间。
11.根据权利要求10所述的方法，其特征在于，对于所述至少两个历史运输服务记录中的任何一个，所述第二样本特征信息包括所述第一历史订单的第一历史原始路线的第一历史距离、所述第二历史订单的第二历史原始路线的第二历史距离、与所述第一历史订单相关的第一历史调整路线的第三历史距离、与所述第二历史订单相关的第二历史调整路线的第四历史距离、与所述第一历史订单和所述第二历史订单相关的历史组合路线的历史组合距离，与所述第一历史订单和所述第二历史订单相关的所述历史组合路线的历史组合时间、与所述第一历史订单相关的第一历史绕路距离、与所述第二历史订单相关的第二历史绕路距离、与所述第一历史订单相关的第一历史绕路时间、与所述第二历史订单相关的第二历史绕路时间、所述第一历史绕路距离与所述第一历史距离的第一历史比率、所述第二历史绕路距离与所述第二历史距离的第二历史比率、所述第二历史订单的历史接驾时间、所述历史服务提供者的历史位置与所述第二历史订单的第二历史出发位置之间的历史接驾距离或与所述第二历史订单相关的所述第二历史调整路线的所述历史接驾距离与所述第四历史距离的第三历史比率中的一个或以上。
12.根据权利要求7-11中任一项所述的方法，其特征在于，所述训练模型包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
13.一种用于分配服务请求的设备，包括：
获取模块，被配置为获取目标信息，其中，所述目标信息包括服务提供者的信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息；其中，所述服务提供者已经接受所述第一服务请求并且正在等待被分配另一个服务请求；
确定模块，被配置为通过使用训练模型，基于所述目标信息，确定所述第二服务请求是否与所述服务提供者匹配；以及
分配模块，被配置为基于所述第二服务请求与所述服务提供者匹配的确定结果，将所述第二服务请求分配给所述服务提供者。
14.根据权利要求13所述的设备，其特征在于，所述确定模块包括：
第一获取单元，被配置为基于所述目标信息获取特征信息；
输入单元，被配置为将所述特征信息输入所述训练模型；
第二获取单元，被配置为获取由所述训练模型确定的匹配参数；以及
确定单元，被配置为基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
15.根据权利要求14所述的设备，其特征在于，所述特征信息包括第一特征信息和第二特征信息；以及，所述第一获取单元被配置为：
直接从所述目标信息中提取所述第一特征信息；以及
基于所述目标信息估计所述第二特征信息。
16.根据权利要求15所述的设备，其特征在于，与所述第一服务请求相关的所述第一信息包括第一出发位置、第一目的地和第一出发时间，以及与所述第二服务请求相关的第二信息包括第二出发位置、第二目的地和第二出发时间。
17.根据权利要求16所述的设备，其特征在于，所述第二特征信息包括所述第一服务请求的第一原始路线的第一距离、所述第二服务请求的第二原始路线的第二距离、与所述第一服务请求相关的第一调整路线的第三距离、与所述第二服务请求相关的第二调整路线的第四距离、与所述第一服务请求和所述第二服务请求相关的组合路线的组合距离、与所述第一服务请求和所述第二服务请求相关的所述组合路线的组合时间、与所述第一服务请求相关的第一绕路距离、与所述第二服务请求相关的第二绕路距离、与所述第一服务请求相关的第一绕路时间、与所述第二服务请求相关的第二绕路时间、所述第一绕路距离与所述第一距离的第一比率、所述第二绕路距离与所述第二距离的第二比率、所述第二服务请求的接载时间、所述服务提供者的位置与所述第二服务请求的所述第二出发位置之间的接驾距离或者与所述第二服务请求相关的所述第二调整路线的所述接驾距离与所述第四距离的第三比率中的一个或以上。
18.根据权利要求13-17中任一项所述的设备，其特征在于，所述训练模型包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
19.一种用于确定分配服务请求的训练模型的训练设备，包括：
获取模块，被配置为获取样本信息，其中，所述样本信息包括至少两个历史运输服务记录的每一个的相关信息，其中，对于所述至少两个历史运输服务记录的任何一个，所述相关信息包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息；
以及
训练模块，被配置为基于所述样本信息确定所述训练模型。
20.根据权利要求19所述的训练设备，其特征在于，所述训练模块包括：
确定单元，被配置为基于所述样本信息确定所述至少两个历史运输服务记录中的每一个的样本类型，其中，所述样本类型包括正样本类型和负样本类型；
获取单元，被配置为基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息；以及
训练单元，被配置为基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型确定所述训练模型。
21.根据权利要求20所述的训练设备，其特征在于，对于所述至少两个历史运输服务记录中的任何一个，所述样本特征信息包括第一样本特征信息和第二样本特征信息，以及所述获取单元被配置为基于所述样本信息，通过以下步骤获得对应于所述历史运输服务记录的所述样本特征信息：
直接从与所述历史运输服务记录对应的所述样本信息中提取所述第一样本特征信息；以及
基于所述历史运输服务记录对应的所述样本信息估计所述第二样本特征信息。
22.根据权利要求21所述的训练设备，其特征在于，与所述第一历史订单相关的所述第一历史信息包括第一历史出发位置、第一历史目的地和第一历史出发时间，与所述第二历史订单相关的所述第二历史信息包括第二历史出发位置、第二历史目的地和第二历史出发时间。
23.根据权利要求22所述的训练设备，其特征在于，对于所述至少两个历史运输服务记录中的任何一个，所述第二样本特征信息包括所述第一历史订单的第一历史原始路线的第一历史距离、所述第二历史订单的第二历史原始路线的第二历史距离、与所述第一历史订单相关的第一历史调整路线的第三历史距离、与所述第二历史订单相关的第二历史调整路线的第四历史距离、与所述第一历史订单和所述第二历史订单相关的历史组合路线的历史组合距离，与所述第一历史订单和所述第二历史订单相关的所述历史组合路线的历史组合时间、与所述第一历史订单相关的第一历史绕路距离、与所述第二历史订单相关的第二历史绕路距离、与所述第一历史订单相关的第一历史绕路时间、与所述第二历史订单相关的第二历史绕路时间、所述第一历史绕路距离与所述第一历史距离的第一历史比率、所述第二历史绕路距离与所述第二历史距离的第二历史比率、所述第二历史订单的历史接驾时间、所述历史服务提供者的历史位置与所述第二历史订单的第二历史出发位置之间的历史接驾距离或与所述第二历史订单相关的所述第二历史调整路线的所述历史接驾距离与所述第四历史距离的第三历史比率中的一个或以上。
24.根据权利要求19-23中任一项所述的训练设备，其特征在于，所述训练模型包括极限梯度增强模型、线性回归模型或深度学习网络模型中的至少一个。
25.一种包括可执行指令的计算机存储介质，其特征在于，所述可执行指令包括：
获取目标信息，其中，所述目标信息包括服务提供者的信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息；
其中，所述服务提供者已经接受所述第一服务请求并且正在等待被分配另一个服务请求；
通过使用训练模型，基于所述目标信息，确定所述第二服务请求是否与所述服务提供者匹配；以及
基于所述第二服务请求与所述服务提供者匹配的确定结果，将所述第二服务请求分配给所述服务提供者。
26.一种包括可执行指令的计算机存储介质，其特征在于，所述可执行指令包括：
获取样本信息，其中，所述样本信息包括至少两个历史运输服务记录的每一个的相关信息，其中，对于所述至少两个历史运输服务记录的任何一个，所述相关信息包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息；
以及
基于所述样本信息确定训练模型。
27.一种电子设备，包括：
适用于执行指令的处理器；以及
适用于存储一组指令的存储设备，所述指令适用于由所述处理器加载，其中，所述处理器执行所述指令以：
获取目标信息，其中，所述目标信息包括服务提供者的信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息；
其中，所述服务提供者已经接受所述第一服务请求并且正在等待被分配另一个服务请求；
通过使用训练模型，基于所述目标信息，确定所述第二服务请求是否与所述服务提供者匹配；以及
基于所述第二服务请求与所述服务提供者匹配的确定结果，将所述第二服务请求分配给所述服务提供者。
28.一种电子设备，包括：
适合于执行指令的处理器；以及
适合于存储一组指令的存储设备，所述指令适用于由所述处理器加载，其中，所述处理器执行所述指令以：
获取样本信息，其中，所述样本信息包括至少两个历史运服务记录的每一个的相关信息，其中，对于所述至少两个历史运输服务记录的任何一个，所述相关信息包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息；
以及
基于所述样本信息确定训练模型。
29.一种分配服务请求的方法，包括：
获取目标信息，其中，所述目标信息包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息；
其中，所述服务提供者已经接受所述第一服务请求并且正在等待被分配另一个服务请求；
基于所述目标信息获取特征信息；
将所述特征信息分别输入训练线性回归模型和训练深度学习模型；
通过加权与所述训练线性回归模型相关的第一输出结果和与所述训练深度学习模型相关的第二输出结果，确定与所述第一服务请求和所述第二服务请求相关的匹配参数；以及
基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
30.根据权利要求29所述的方法，其特征在于，基于所述目标信息确定特征信息包括：
基于所述目标信息，获取标识类的初始特征信息和非标识类的初始特征信息；以及
通过修改所述标识类的初始特征信息和所述非标识类的初始特征信息，确定所述特征信息。
31.根据权利要求30所述的方法，其特征在于，所述特征信息包括第一特征信息、第二特征信息和第三特征信息，以及，通过修改所述标识类的初始特征信息和所述非标识类的初始特征信息，确定所述特征信息包括：
通过将所述非标识类的初始特征信息输入训练集成模型并对与所述训练集成模型相关的输出结果进行归一化确定所述第一特征信息；
通过对所述非标识类的初始特征信息进行归一化确定所述第二特征信息；以及
通过对所述标识类的初始特征信息进行离散化和归一化确定所述第三特征信息。
32.根据权利要求29-31中任一项所述的方法，其特征在于，与所述第一服务请求相关的所述第一信息包括第一出发位置、第一目的地和第一出发时间，以及，与所述第二服务请求相关的所述第二信息包括第二出发位置、第二目的地和第二出发时间。
33.一种用于确定分配服务请求的训练模型的训练方法，包括：
获取样本信息，其中，所述样本信息包括至少两个历史运输服务记录的每一个的相关信息，其中，对于所述至少两个历史运输服务记录的任何一个，所述相关信息包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息；
确定所述至少两个历史运输服务记录的每一个的样本类型，其中，所述样本类型包括正样本类型和负样本类型；
基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息；以及
基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
34.根据权利要求33所述的方法，其特征在于，基于所述样本特征信息和所述至少两个历史运输服务记录中的每一个的所述样本类型调整与初始线性回归模型和初始深度学习模型相关的至少一个参数包括：
对于所述至少两个历史运输服务记录中的每一个，将所述样本特征信息输入所述初始线性回归模型和所述初始深度学习模型；
通过加权与所述初始线性回归模型相关的第一样本输出结果和与所述初始深度学习模型相关的第二样本输出结果确定参考匹配参数；以及
基于所述参考匹配参数和所述至少两个历史运输服务记录的每一个的所述样本类型调整所述至少一个参数。
35.根据权利要求33所述的方法，其特征在于，对于所述至少两个历史运输服务记录中的任何一个，基于所述样本信息，通过以下步骤获取对应于所述历史运输服务记录的所述样本特征信息：
基于所述样本信息中对应于所述历史运输记录的所述相关信息，获取标识类的初始样本特征信息和非标识类初始样本特征信息；
通过修改所述标识类的初始样本特征信息和所述非标识类的初始样本特征信息确定所述样本特征信息。
36.根据权利要求35所述的方法，其特征在于，所述样本信息包括第一样本特征信息、第二样本特征信息和第三样本特征信息，以及，通过修改所述标识类的初始样本特征信息和所述非标识类的初始样本特征信息确定所述样本特征信息包括：
通过将所述非标识类的初始样本特征信息输入到训练集成模型并对与所述训练集成模型相关的样本输出结果进行归一化确定所述第一样本特征信息；
通过对所述非标识类的初始样本特征信息进行归一化确定所述第二样本特征信息；以及
通过对所述标识类的初始样本特征信息进行离散化和归一化确定所述第三样本特征信息。
37.根据权利要求36所述的方法，其特征在于，所述方法还包括：
基于所述至少两个历史运输服务记录的每一个的所述样本类型和所述至少两个历史运输服务记录的每一个的所述非标识类的初始样本特征信息确定所述训练集成模型。
38.如权利要求33-37中任一项所述的方法，其特征在于，与所述第一历史订单相关的所述第一历史信息包括第一历史出发位置、第一历史目的地和第一历史出发时间，以及，与所述第二历史订单相关的所述第二历史信息包括第二历史出发位置、第二历史目的地和第二历史出发时间。
39.一种用于分配服务请求的设备，包括：
第一获取模块，获取目标信息，其中，所述目标信息包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息；
其中，所述服务提供者已经接受所述第一服务请求并且正在等待被分配另一个服务请求；
第二获取模块，被配置为基于所述目标信息获取特征信息；
输入模块，被配置为将所述特征信息分别输入训练线性回归模型和训练深度学习模型；
输出模块，被配置为通过加权与所述训练线性回归模型相关的第一输出结果和与所述训练深度学习模型相关的第二输出结果，确定与所述第一服务请求和所述第二服务请求相关的匹配参数；以及
分配模块，被配置为基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
40.根据权利要求39所述的设备，其特征在于，所述第二获取模块包括：
获取单元，被配置为基于所述目标信息，获取标识类的初始特征信息和非标识类的初始特征信息；以及
处理单元，被配置为通过修改所述标识类的初始特征信息和所述非标识类的初始特征信息，确定所述特征信息。
41.根据权利要求40所述的设备，其特征在于，所述特征信息包括第一特征信息、第二特征信息和第三特征信息，以及所述处理单元被配置为：
通过将所述非标识类的初始特征信息输入训练集成模型并对与所述训练集成模型相关的输出结果进行归一化确定所述第一特征信息；
通过对所述非标识类的初始特征信息进行归一化确定所述第二特征信息；以及
通过对所述标识类的初始特征信息进行离散化和归一化确定所述第三特征信息。
42.根据权利要求39-41中任一项所述的设备，其特征在于，与所述第一服务请求相关的所述第一信息包括第一出发位置、第一目的地和第一出发时间，以及，与所述第二服务请求相关的所述第二信息包括第二出发位置、第二目的地和第二出发时间。
43.一种用于确定分配服务请求的训练模型的训练设备，包括：
第一获取模块，被配置为获取样本信息，其中，所述样本信息包括至少两个历史运输服务记录的每一个的相关信息，其中，对于所述至少两个历史运输服务记录的任何一个，所述相关信息包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息；确定模块，被配置为确定所述至少两个历史运输服务记录的每一个的样本类型，其中，所述样本类型包括正样本类型和负样本类型；
第二获取模块，被配置为基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息；以及
调整模块，被配置为基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
44.根据权利要求43所述的训练设备，其特征在于，所述调整模块被配置为：
对于所述至少两个历史运输服务记录中的每一个，将所述样本特征信息输入所述初始线性回归模型和所述初始深度学习模型；
通过加权与所述初始线性回归模型相关的第一样本输出结果和与所述初始深度学习模型相关的第二样本输出结果确定参考匹配参数；以及
基于所述参考匹配参数和所述至少两个历史运输服务记录的每一个的所述样本类型调整所述至少一个参数。
45.根据权利要求43所述的训练设备，其特征在于，对于所述至少两个历史运输服务记录中的任何一个，所述第二获取模块被配置为基于所述样本信息，通过以下步骤获取对应于所述历史运输服务记录的所述样本特征信息：
基于所述样本信息中对应于所述历史运输记录的所述相关信息，获取标识类的初始样本特征信息和非标识类初始样本特征信息；
通过修改所述标识类的初始样本特征信息和所述非标识类的初始样本特征信息确定所述样本特征信息。
46.根据权利要求45所述的训练设备，其特征在于，所述样本信息包括第一样本特征信息、第二样本特征信息和第三样本特征信息，以及，所述第二获取模块被配置为通过修改所述标识类的初始样本特征信息和所述非标识类的初始样本特征信息确定所述样本特征信息包括：
通过将所述非标识类的初始样本特征信息输入到训练集成模型并对与所述训练集成模型相关的样本输出结果进行归一化确定所述第一样本特征信息；
通过对所述非标识类的初始样本特征信息进行归一化确定所述第二样本特征信息；以及
通过对所述标识类的初始样本特征信息进行离散化和归一化确定所述第三样本特征信息。
47.根据权利要求46所述的训练设备，其特征在于，所述训练设备还包括：
训练模块，被配置为基于所述至少两个历史运输服务记录的每一个的所述样本类型和所述至少两个历史运输服务记录的每一个的所述非标识类的初始样本特征信息确定所述训练集成模型。
48.根据权利要求43-47中任一项所述的训练设备，其特征在于，与所述第一历史订单相关的所述第一历史信息包括第一历史出发位置、第一历史目的地和第一历史出发时间，以及，与所述第二历史订单相关的所述第二历史信息包括第二历史出发位置、第二历史目的地和第二历史出发时间。
49.一种包括可执行指令的计算机存储介质，其特征在于，所述可执行指令包括：
获取目标信息，其中，所述目标信息包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息；
其中，所述服务提供者已经接受所述第一服务请求并且正在等待被分配另一个服务请求；
基于所述目标信息获取特征信息；
将所述特征信息分别输入训练线性回归模型和训练深度学习模型；
通过加权与所述训练线性回归模型相关的第一输出结果和与所述训练深度学习模型相关的第二输出结果，确定与所述第一服务请求和所述第二服务请求相关的匹配参数；以及
基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
50.一种包括可执行指令的计算机存储介质，其特征在于，所述可执行指令包括：
获取样本信息，其中，所述样本信息包括至少两个历史运输服务记录的每一个的相关信息，其中，对于所述至少两个历史运输服务记录的任何一个，所述相关信息包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息；
确定所述至少两个历史运输服务记录的每一个的样本类型，其中，所述样本类型包括正样本类型和负样本类型；
基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息；以及
基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
51.一种电子设备，包括：
适合于执行指令的处理器；以及
适合于存储一组指令的存储设备，所述指令适用于由所述处理器加载，其中，所述处理器执行所述指令以：
获取目标信息，其中，所述目标信息包括服务提供者的提供者信息、与已被所述服务提供者接受的第一服务请求相关的第一信息、与待分配的第二服务请求相关的第二信息以及实时信息；
其中，所述服务提供者已经接受所述第一服务请求并且正在等待被分配另一个服务请求；
基于所述目标信息获取特征信息；
将所述特征信息分别输入训练线性回归模型和训练深度学习模型；
通过加权与所述训练线性回归模型相关的第一输出结果和与所述训练深度学习模型相关的第二输出结果，确定与所述第一服务请求和所述第二服务请求相关的匹配参数；以及
基于所述匹配参数大于或等于预设阈值的确定结果，将所述第二服务请求分配给所述服务提供者。
52.一种电子设备，包括：
适合于执行指令的处理器；以及
适合于存储一组指令的存储设备，所述指令适用于由所述处理器加载，其中，所述处理器执行所述指令以：
获取样本信息，其中，所述样本信息包括至少两个历史运输服务记录的每一个的相关信息，其中，对于所述至少两个历史运输服务记录的任何一个，所述相关信息包括历史实时信息、与历史服务提供者相关的历史提供者信息、与所述历史服务提供者所接受的第一历史订单相关的第一历史信息以及与所述第一历史订单相匹配且分配给所述历史服务提供者的第二历史订单相关的第二历史信息；
确定所述至少两个历史运输服务记录的每一个的样本类型，其中，所述样本类型包括正样本类型和负样本类型；
基于所述样本信息确定与所述至少两个历史运输服务记录的每一个相对应的样本特征信息；以及
基于所述样本特征信息和所述至少两个历史运输服务记录的每一个的所述样本类型，通过调整与初始线性回归模型和初始深度学习模型相关的至少一个参数确定训练线性回归模型和训练深度学习模型。
53.一种***，被配置为提供线上到线下服务，包括：
至少一个存储设备，包括一组指令；以及
至少一个与所述至少一个存储设备通信的处理器，其中，当执行所述指令时，所述至少一个与所述至少一个存储设备通信的处理器被配置为使所述***：
获取与第一服务请求相关的第一信息，其中，所述第一服务请求已分配给服务提供者，并已被所述服务提供者接受，所述第一服务请求通过第一请求者终端执行的应用程序发起；所述服务提供者正在等待被分配另一个服务请求；
通过请求接口获取与第二服务请求相关的第二信息，所述第二服务请求通过第二请求者终端执行的应用程序发起；
通过使用至少一个训练匹配模型，基于所述第一信息和所述第二信息确定匹配参数；
确定所述匹配参数是否大于阈值；以及
基于所述匹配参数大于所述阈值的确定结果，通过网络将与所述第二服务请求相关的数据传送给与所述服务提供者相关的提供者终端，其中，所述提供者终端，响应于接收到与所述第二服务请求相关的所述数据，在图形用户界面中显示与所述第二服务请求相关的所述数据的至少一部分。
54.根据权利要求53所述的***，其特征在于，为了通过使用所述至少一个训练匹配模型，基于所述第一信息和所述第二信息确定所述匹配参数，所述至少一个处理器被配置为指示所述***进一步：
通过所述网络从数据资源获取与所述服务提供者相关的参考信息，所述参考信息包括与所述服务提供者相关的提供者信息、天气信息、时间信息或交通信息中的至少一个；
通过使用所述至少一个训练匹配模型，基于所述第一信息、所述第二信息和所述参考信息确定所述匹配参数。
55.根据权利要求53所述的***，其特征在于，所述第一信息包括所述第一服务请求的第一出发位置、所述第一服务请求的第一目的地或所述第一服务请求的第一出发时间中的至少一个，或所述第二信息包括所述第二服务请求的第二出发位置、所述第二服务请求的第二目的地或所述第二服务请求的第二出发时间中的至少一个。
56.根据权利要求53所述的***，其特征在于，所述至少一个训练匹配模型包括第一训练匹配模型和第二训练匹配模型；以及，为了通过使用所述至少一个训练匹配模型，基于所述第一信息和所述第二信息确定所述匹配参数，所述至少一个处理器被配置为指示所述***进一步：
通过使用所述第一训练匹配模型，基于所述第一信息和所述第二信息确定第一匹配参数；
通过使用所述第二训练匹配模型，基于所述第一信息和所述第二信息确定第二匹配参数；以及
基于所述第一匹配参数和所述第二匹配参数确定所述匹配参数。
57.根据权利要求53所述的***，其特征在于，所述至少一个训练匹配模型是由所述至少一个处理器基于训练过程所训练获得，所述训练过程包括：
获取包括至少一个正训练样本和至少一个负训练样本的至少两个训练样本；
提取所述至少两个训练样本的每一个的特征信息；
基于所述至少两个训练样本的所述特征信息确定所述至少一个训练匹配模型，其中，获取所述至少一个正训练样本和所述至少一个负训练样本包括：
获取历史运输服务记录，其中，所述历史运输服务记录包括与历史服务提供者接受的第一历史订单相关的第一历史信息、与所述第一历史订单匹配的第二历史订单相关的第二历史信息或与所述历史服务提供者相关的历史参考信息；
根据所述第二历史订单被所述历史服务提供者接受的确定结果，基于所述历史运输服务记录，确定正训练样本；以及
根据所述第二历史订单没有被所述历史服务提供者接受的确定结果，基于所述历史运输服务记录，确定负训练样本。
58.如权利要求57所述的***，其特征在于，所述第一历史信息包括所述第一历史订单的第一历史出发位置、所述第一历史订单的第一历史目的地或所述第一历史订单的第一历史出发时间中的至少一个；以及，所述第二历史信息包括所述第二历史订单的第二历史出发位置、所述第二历史订单的第二历史目的地或所述第二历史订单的第二历史出发时间中的至少一个。
59.根据权利要求57所述的***，其特征在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
获取至少一个初始匹配模型；
基于所述至少一个初始匹配模型和所述至少两个训练样本的所述特征信息，确定对应于所述至少两个训练样本的至少两个样本匹配参数；
确定所述至少两个样本匹配参数是否满足第一预设条件；以及
基于所述至少两个样本匹配参数满足所述第一预设条件的确定结果，指定所述至少一个初始匹配模型作为所述至少一个训练匹配模型。
60.根据权利要求59所述的***，其特征在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
基于所述至少两个样本匹配参数不满足所述第一预设条件的确定结果，更新所述至少一个初始匹配模型。
61.根据权利要求57所述的***，其特征在于，所述至少一个训练匹配模型包括第一训练匹配模型和第二训练匹配模型，以及，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
获取第一初始匹配模型和第二初始匹配模型；
基于所述第一初始匹配模型和所述至少两个训练样本的所述特征信息确定对应于所述至少两个训练样本的至少两个第一样本匹配参数；
基于所述第二初始匹配模型和所述至少两个训练样本的所述特征信息确定对应于所述至少两个训练样本的至少两个第二样本匹配参数；
确定与所述至少两个第一样本匹配参数和所述至少两个第二样本匹配参数相关的样本结果是否满足第二预设条件；以及
基于所述样本结果满足所述第二预设条件的确定结果，分别指定所述第一初始匹配模型和所述第二初始匹配模型作为所述第一训练匹配模型和所述第二训练匹配模型。
62.根据权利要求61所述的***，其特征在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
基于所述样本结果不满足所述第二预设条件的确定结果，更新所述第一初始匹配模型和所述第二初始匹配模型中的至少一个。
63.根据权利要求57所述的***，其特征在于，所述至少两个训练样本的所述每一个的所述特征信息包括所述至少两个训练样本的所述每一个的第一特征信息、所述至少两个训练样本的所述每一个的第二特征信息、所述至少两个训练样本的所述每一个的第三特征信息，以及，确定所述至少两个训练样本的每一个的特征信息包括：
提取所述至少两个训练样本的所述每一个的初始特征信息，所述初始特征信息包括非标识类的第一初始特征信息和标识类的第二初始特征信息；以及
通过修改所述初始特征信息，确定所述至少两个训练样本的所述每一个的所述特征信息。
64.根据权利要求63所述的***，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
基于训练集成模型和所述第一初始特征信息确定第一特征结果；以及
通过对所述第一特征结果进行归一化确定所述至少两个训练样本的所述每一个的所述第一特征信息。
65.根据权利要求63所述的***，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
通过对所述第一初始特征信息进行归一化确定所述至少两个训练样本的所述每一个的所述第二特征信息。
66.根据权利要求63所述的***，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
对所述第二初始特征信息进行离散化；以及
通过对所述离散化的第二初始特征信息进行归一化确定所述至少两个训练样本的所述每一个的所述第三特征信息。
67.根据权利要求53所述的***，其特征在于，所述至少一个训练匹配模型包括极限梯度增强模型、线性回归模型或深度学习网络模型。
68.一种在计算设备上实现的方法，所述计算设备具有至少一个处理器、至少一个存储设备以及连接到网络的通信平台，所述方法包括：
获取与第一服务请求相关的第一信息，其中，所述第一服务请求已分配给服务提供者，并已被所述服务提供者接受，所述第一服务请求通过第一请求者终端执行的应用程序发起；所述服务提供者正在等待被分配另一个服务请求；
通过请求接口获取与第二服务请求相关的第二信息，所述第二服务请求通过第二请求者终端执行的应用程序发起；
通过使用至少一个训练匹配模型，基于所述第一信息和所述第二信息确定匹配参数；
确定所述匹配参数是否大于阈值；以及
基于所述匹配参数大于所述阈值的确定结果，通过网络将与所述第二服务请求相关的数据传送给与所述服务提供者相关的提供者终端，其中，所述提供者终端，响应于接收到与所述第二服务请求相关的所述数据，在图形用户界面中显示与所述第二服务请求相关的所述数据的至少一部分。
69.根据权利要求68所述的方法，其特征在于，通过使用所述至少一个训练匹配模型，基于所述第一信息和所述第二信息确定所述匹配参数包括：
通过所述网络从数据资源获取与所述服务提供者相关的参考信息，所述参考信息包括与所述服务提供者相关的提供者信息、天气信息、时间信息或交通信息中的至少一个；
通过使用所述至少一个训练匹配模型，基于所述第一信息、所述第二信息和所述参考信息确定所述匹配参数。
70.根据权利要求68所述的方法，其特征在于，所述第一信息包括所述第一服务请求的第一出发位置、所述第一服务请求的第一目的地或所述第一服务请求的第一出发时间中的至少一个，或所述第二信息包括所述第二服务请求的第二出发位置、所述第二服务请求的第二目的地或所述第二服务请求的第二出发时间中的至少一个。
71.根据权利要求68所述的方法，其特征在于，所述至少一个训练匹配模型包括第一训练匹配模型和第二训练匹配模型；以及，通过使用所述至少一个训练匹配模型，基于所述第一信息和所述第二信息确定所述匹配参数包括：
通过使用所述第一训练匹配模型，基于所述第一信息和所述第二信息确定第一匹配参数；
通过使用所述第二训练匹配模型，基于所述第一信息和所述第二信息确定第二匹配参数；以及
基于所述第一匹配参数和所述第二匹配参数确定所述匹配参数。
72.根据权利要求68所述的方法，其特征在于，所述至少一个训练匹配模型是由所述至少一个处理器基于训练过程的训练，所述训练过程包括：
获取包括至少一个正训练样本和至少一个负训练样本的至少两个训练样本；
提取所述至少两个训练样本的每一个的特征信息；
基于所述至少两个训练样本的所述特征信息确定所述至少一个训练匹配模型，其中，获取所述至少一个正训练样本和所述至少一个负训练样本包括：
获取历史运输服务记录，其中，所述历史运输服务记录包括与历史服务提供者接受的第一历史订单相关的第一历史信息、与所述第一历史订单匹配的第二历史订单相关的第二历史信息或与所述历史服务提供者相关的历史参考信息；
根据所述第二历史订单被所述历史服务提供者接受的确定结果，基于所述历史运输服务记录，确定正训练样本；以及
根据所述第二历史订单没有被所述历史服务提供者接受的确定结果，基于所述历史运输服务记录，确定负训练样本。
73.根据权利要求72所述的方法，其特征在于，所述第一历史信息包括所述第一历史订单的第一历史出发位置、所述第一历史订单的第一历史目的地或所述第一历史订单的第一历史出发时间中的至少一个；以及，所述第二历史信息包括所述第二历史订单的第二历史出发位置、所述第二历史订单的第二历史目的地或所述第二历史订单的第二历史出发时间中的至少一个。
74.根据权利要求72所述的方法，其特征性在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
获取至少一个初始匹配模型；
基于所述至少一个初始匹配模型和所述至少两个训练样本的所述特征信息，确定对应于所述至少两个训练样本的至少两个样本匹配参数；
确定所述至少两个样本匹配参数是否满足第一预设条件；以及
基于所述至少两个样本匹配参数满足所述第一预设条件的确定结果，指定所述至少一个初始匹配模型作为所述至少一个训练匹配模型。
75.根据权利要求74所述的方法，其特征在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
基于所述至少两个样本匹配参数不满足所述第一预设条件的确定结果，更新所述至少一个初始匹配模型。
76.根据权利要求72所述的方法，其特征在于，所述至少一个训练匹配模型包括第一训练匹配模型和第二训练匹配模型，以及，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
获取第一初始匹配模型和第二初始匹配模型；
基于所述第一初始匹配模型和所述至少两个训练样本的所述特征信息确定对应于所述至少两个训练样本的至少两个第一样本匹配参数；
基于所述第二初始匹配模型和所述至少两个训练样本的所述特征信息确定对应于所述至少两个训练样本的至少两个第二样本匹配参数；
确定与所述至少两个第一样本匹配参数和所述至少两个第二样本匹配参数相关的样本结果是否满足第二预设条件；以及
基于所述样本结果满足所述第二预设条件的确定结果，分别指定所述第一初始匹配模型和所述第二初始匹配模型作为所述第一训练匹配模型和所述第二训练匹配模型。
77.根据权利要求76所述的方法，其特征在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
基于所述样本结果不满足所述第二预设条件的确定结果，更新所述第一初始匹配模型和所述第二初始匹配模型中的至少一个。
78.根据权利要求72所述的方法，其特征在于，所述至少两个训练样本的所述每一个的所述特征信息包括所述至少两个训练样本的所述每一个的第一特征信息、所述至少两个训练样本的所述每一个的第二特征信息、所述至少两个训练样本的所述每一个的第三特征信息，以及，确定所述至少两个训练样本的每一个的特征信息包括：
提取所述至少两个训练样本的所述每一个的初始特征信息，所述初始特征信息包括非标识类的第一初始特征信息和标识类的第二初始特征信息；以及
通过修改所述初始特征信息，确定所述至少两个训练样本的所述每一个的所述特征信息。
79.根据权利要求78所述的方法，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
基于训练集成模型和所述第一初始特征信息确定第一特征结果；以及
通过对所述第一特征结果进行归一化确定所述至少两个训练样本的所述每一个的所述第一特征信息。
80.根据权利要求78所述的方法，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
通过对所述第一初始特征信息进行归一化确定所述至少两个训练样本的所述每一个的所述第二特征信息。
81.根据权利要求78所述的方法，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
对所述第二初始特征信息进行离散化；以及
通过对所述离散化的第二初始特征信息进行归一化确定所述至少两个训练样本的所述每一个的所述第三特征信息。
82.根据权利要求68所述的方法，其特征在于，所述至少一个训练匹配模型包括极限梯度增强模型、线性回归模型或深度学习网络模型。
83.一种非暂时性计算机可读介质，包括可执行指令，当由至少一个处理器执行时，所述可执行指令指示所述至少一个处理器执行方法，所述方法包括：
获取与第一服务请求相关的第一信息，其中，所述第一服务请求已分配给服务提供者，并已被所述服务提供者接受，所述第一服务请求通过第一请求者终端执行的应用程序发起；所述服务提供者正在等待被分配另一个服务请求；
通过请求接口获取与第二服务请求相关的第二信息，所述第二服务请求通过第二请求者终端执行的应用程序发起；
通过使用至少一个训练匹配模型，基于所述第一信息和所述第二信息确定匹配参数；
确定所述匹配参数是否大于阈值；以及
基于所述匹配参数大于所述阈值的确定结果，通过网络将与所述第二服务请求相关的数据传送给与所述服务提供者相关的提供者终端，其中，所述提供者终端，响应于接收到与所述第二服务请求相关的所述数据，在图形用户界面中显示与所述第二服务请求相关的所述数据的至少一部分。
84.根据权利要求83所述的非暂时性计算机可读介质，其特征在于，通过使用所述至少一个训练匹配模型，基于所述第一信息和所述第二信息确定所述匹配参数包括：
通过所述网络从数据资源获取与所述服务提供者相关的参考信息，所述参考信息包括与所述服务提供者相关的提供者信息、天气信息、时间信息或交通信息中的至少一个；
通过使用所述至少一个训练匹配模型，基于所述第一信息、所述第二信息和所述参考信息确定所述匹配参数。
85.根据权利要求83所述的非暂时性计算机可读介质，其特征在于，所述第一信息包括所述第一服务请求的第一出发位置、所述第一服务请求的第一目的地或所述第一服务请求的第一出发时间中的至少一个，或所述第二信息包括所述第二服务请求的第二出发位置、所述第二服务请求的第二目的地或所述第二服务请求的第二出发时间中的至少一个。
86.根据权利要求83所述的非暂时性计算机可读介质，其特征在于，所述至少一个训练匹配模型包括第一训练匹配模型和第二训练匹配模型；以及，通过使用所述至少一个训练匹配模型，基于所述第一信息和所述第二信息确定所述匹配参数包括：
通过使用所述第一训练匹配模型，基于所述第一信息和所述第二信息确定第一匹配参数；
通过使用所述第二训练匹配模型，基于所述第一信息和所述第二信息确定第二匹配参数；以及
基于所述第一匹配参数和所述第二匹配参数确定所述匹配参数。
87.根据权利要求83所述的非暂时性计算机可读介质，其特征在于，所述至少一个训练匹配模型是由所述至少一个处理器基于训练过程所训练获得，所述训练过程包括：
获取包括至少一个正训练样本和至少一个负训练样本的至少两个训练样本；
提取所述至少两个训练样本的每一个的特征信息；
基于所述至少两个训练样本的所述特征信息确定所述至少一个训练匹配模型，其中，获取所述至少一个正训练样本和所述至少一个负训练样本包括：
获取历史运输服务记录，其中，所述历史运输服务记录包括与历史服务提供者接受的第一历史订单相关的第一历史信息、与所述第一历史订单匹配的第二历史订单相关的第二历史信息或与所述历史服务提供者相关的历史参考信息；
根据所述第二历史订单被所述历史服务提供者接受的确定结果，基于所述历史运输服务记录，确定正训练样本；以及
根据所述第二历史订单没有被所述历史服务提供者接受的确定结果，基于所述历史运输服务记录，确定负训练样本。
88.根据权利要求87所述的非暂时性计算机可读介质，其特征在于，所述第一历史信息包括所述第一历史订单的第一历史出发位置、所述第一历史订单的第一历史目的地或所述第一历史订单的第一历史出发时间中的至少一个；以及，所述第二历史信息包括所述第二历史订单的第二历史出发位置、所述第二历史订单的第二历史目的地或所述第二历史订单的第二历史出发时间中的至少一个。
89.根据权利要求87所述的非暂时性计算机可读介质，其特征在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
获取至少一个初始匹配模型；
基于所述至少一个初始匹配模型和所述至少两个训练样本的所述特征信息，确定对应于所述至少两个训练样本的至少两个样本匹配参数；
确定所述至少两个样本匹配参数是否满足第一预设条件；以及
基于所述至少两个样本匹配参数满足所述第一预设条件的确定结果，指定所述至少一个初始匹配模型作为所述至少一个训练匹配模型。
90.根据权利要求89所述的非暂时性计算机可读介质，其特征在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
基于所述至少两个样本匹配参数不满足所述第一预设条件的确定结果，更新所述至少一个初始匹配模型。
91.根据权利要求87所述的非暂时性计算机可读介质，其特征在于，所述至少一个训练匹配模型包括第一训练匹配模型和第二训练匹配模型，以及，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
获取第一初始匹配模型和第二初始匹配模型；
基于所述第一初始匹配模型和所述至少两个训练样本的所述特征信息确定对应于所述至少两个训练样本的至少两个第一样本匹配参数；
基于所述第二初始匹配模型和所述至少两个训练样本的所述特征信息确定对应于所述至少两个训练样本的至少两个第二样本匹配参数；
确定与所述至少两个第一样本匹配参数和所述至少两个第二样本匹配参数相关的样本结果是否满足第二预设条件；以及
基于所述样本结果满足所述第二预设条件的确定结果，分别指定所述第一初始匹配模型和所述第二初始匹配模型作为所述第一训练匹配模型和所述第二训练匹配模型。
92.根据权利要求91所述的非暂时性计算机可读介质，其特征在于，基于所述至少两个训练样本确定所述至少一个训练匹配模型包括：
基于所述样本结果不满足所述第二预设条件的确定结果，更新所述第一初始匹配模型和所述第二初始匹配模型中的至少一个。
93.根据权利要求87所述的非暂时性计算机可读介质，其特征在于，所述至少两个训练样本的所述每一个的所述特征信息包括所述至少两个训练样本的所述每一个的第一特征信息、所述至少两个训练样本的所述每一个的第二特征信息、所述至少两个训练样本的所述每一个的第三特征信息，以及，确定所述至少两个训练样本的每一个的特征信息包括：
提取所述至少两个训练样本的所述每一个的初始特征信息，所述初始特征信息包括非标识类的第一初始特征信息和标识类的第二初始特征信息；以及
通过修改所述初始特征信息，确定所述至少两个训练样本的所述每一个的所述特征信息。
94.根据权利要求93所述的非暂时性计算机可读介质，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
基于训练集成模型和所述第一初始特征信息确定第一特征结果；以及
通过对所述第一特征结果进行归一化确定所述至少两个训练样本的所述每一个的所述第一特征信息。
95.根据权利要求93所述的非暂时性计算机可读介质，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
通过对所述第一初始特征信息进行归一化确定所述至少两个训练样本的所述每一个的所述第二特征信息。
96.根据权利要求93所述的非暂时性计算机可读介质，其特征在于，通过修改所述初始特征信息确定所述至少两个训练样本的所述每一个的所述特征信息包括：
对所述第二初始特征信息进行离散化；以及
通过对所述离散化的第二初始特征信息进行归一化确定所述至少两个训练样本的所述每一个的所述第三特征信息。
97.根据权利要求83所述的非暂时性计算机可读介质，其特征在于，所述至少一个训练匹配模型包括极限梯度增强模型、线性回归模型或深度学习网络模型。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2017104586542 | 2017-06-16 | ||
| CN201710458654.2A CN109146109B (zh) | 2017-06-16 | 2017-06-16 | 订单的分配、模型的训练方法及装置 |
| CN201710457389.6A CN109146211A (zh) | 2017-06-16 | 2017-06-16 | 订单的分配、模型的训练方法及装置 |
| CN2017104573896 | 2017-06-16 | ||
| PCT/CN2018/091534 WO2018228541A1 (en) | 2017-06-16 | 2018-06-15 | Systems and methods for allocating service requests |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109478275A CN109478275A (zh) | 2019-03-15 |
| CN109478275B true CN109478275B (zh) | 2021-03-23 |
Family
ID=64660674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880002585.7A Active CN109478275B (zh) | 2017-06-16 | 2018-06-15 | 分配服务请求的***和方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US11631027B2 (zh) |
| EP (1) | EP3459025A1 (zh) |
| JP (1) | JP6797943B2 (zh) |
| CN (1) | CN109478275B (zh) |
| AU (1) | AU2018282300B2 (zh) |
| CA (2) | CA3028215C (zh) |
| SG (1) | SG11201811535RA (zh) |
| WO (1) | WO2018228541A1 (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018227368A1 (en) * | 2017-06-13 | 2018-12-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending an estimated time of arrival |
| CN109802945B (zh) * | 2018-12-25 | 2021-10-01 | 维沃移动通信有限公司 | 一种数据传输方法和终端设备 |
| CN116319987A (zh) * | 2019-05-24 | 2023-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种资源信息的分配方法、装置、设备及介质 |
| CN110367897A (zh) * | 2019-07-25 | 2019-10-25 | 宁波方太厨具有限公司 | 智能设备的自动暖碟的控制方法、***、设备和存储介质 |
| CN110910191A (zh) * | 2019-09-05 | 2020-03-24 | 杭州飞步科技有限公司 | 拼车订单生成方法及设备 |
| CN111832769A (zh) * | 2019-09-24 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 上车点排序、信息排序方法及装置 |
| CN111860904B (zh) * | 2019-09-24 | 2024-07-02 | 北京嘀嘀无限科技发展有限公司 | 上车点排序的方法及装置 |
| CN111861617A (zh) * | 2019-10-10 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 拼车信息处理方法、计算机设备及计算机可读存储介质 |
| US20210142243A1 (en) * | 2019-11-12 | 2021-05-13 | Lyft, Inc. | Intelligently customizing a cancellation notice for cancellation of a transportation request based on transportation features |
| CN111539790A (zh) * | 2020-04-26 | 2020-08-14 | 广州给美科技有限公司 | 共享服务的方法、装置、计算机设备和存储介质 |
| CN111625555B (zh) * | 2020-05-26 | 2023-10-31 | 深圳市乐信信息服务有限公司 | 一种订单匹配方法、装置、设备及存储介质 |
| 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 |
| CN111775158B (zh) * | 2020-06-08 | 2022-04-01 | 华南师范大学 | 人工智能伦理规则实现方法、专家***和机器人 |
| CN111932341A (zh) * | 2020-08-10 | 2020-11-13 | 北京嘀嘀无限科技发展有限公司 | 一种确定拼车订单的方法和*** |
| GB2601623A (en) * | 2020-11-17 | 2022-06-08 | Walmart Apollo Llc | Methods and apparatus for automatic route assignment |
| CN113763695A (zh) * | 2021-09-07 | 2021-12-07 | 北京航迹科技有限公司 | 一种自动驾驶车辆的调度方法和*** |
Family Cites Families (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003271706A (ja) | 2002-03-14 | 2003-09-26 | Fujitsu Ltd | タクシー相乗り管理方法、タクシー相乗り管理プログラムおよびタクシー相乗り管理装置 |
| CN101355714A (zh) | 2007-07-24 | 2009-01-28 | 梁宇杰 | 一种实时拼车***和方法 |
| CN101685458B (zh) | 2008-09-27 | 2012-09-19 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和*** |
| US20100153279A1 (en) * | 2008-09-30 | 2010-06-17 | Walter Zahn | Systems and methods for global transportation,vetting, and payment |
| US20100280884A1 (en) * | 2009-04-30 | 2010-11-04 | Uri Levine | Automated carpool matching |
| US10002198B2 (en) * | 2009-10-28 | 2018-06-19 | Verizon Patent And Licensing Inc. | Mobile taxi dispatch system |
| US8126903B2 (en) * | 2009-12-21 | 2012-02-28 | Sap Ag | Computer implemented method for allocating drivers and passengers sharing a trip |
| US8694383B2 (en) * | 2009-12-09 | 2014-04-08 | Microsoft Corporation | Path queries |
| US20120041675A1 (en) * | 2010-08-10 | 2012-02-16 | Steven Juliver | Method and System for Coordinating Transportation Service |
| US20130132246A1 (en) * | 2010-12-06 | 2013-05-23 | Uber Technologies, Inc. | Providing a summary or receipt for on-demand services through use of portable computing devices |
| CN103325046A (zh) | 2012-03-19 | 2013-09-25 | 上海博路信息技术有限公司 | 一种基于html5的实时拼车*** |
| EP2918068A4 (en) * | 2012-11-08 | 2016-03-30 | Uber Technologies Inc | PROVIDE ON-DEMAND SERVICES BY USING PORTABLE COMPUTER DEVICES |
| US20150161564A1 (en) * | 2013-12-11 | 2015-06-11 | Uber Technologies, Inc. | System and method for optimizing selection of drivers for transport requests |
| US20150254581A1 (en) * | 2014-03-04 | 2015-09-10 | iCarpool, Inc. | Rideshare system and method to facilitate instant carpooling |
| SG11201700669RA (en) * | 2014-07-30 | 2017-02-27 | Uber Technologies Inc | Arranging a transport service for multiple users |
| US10197410B2 (en) * | 2014-11-18 | 2019-02-05 | International Business Machines Corporation | Dynamic real-time carpool matching |
| CN104599002B (zh) * | 2015-02-13 | 2020-10-13 | 北京嘀嘀无限科技发展有限公司 | 预测订单价值的方法及设备 |
| CN104657883A (zh) * | 2015-03-02 | 2015-05-27 | 北京嘀嘀无限科技发展有限公司 | 基于订单的配对方法和配对设备 |
| US20160364823A1 (en) * | 2015-06-11 | 2016-12-15 | Raymond Cao | Systems and methods for on-demand transportation |
| 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 |
| US9939279B2 (en) * | 2015-11-16 | 2018-04-10 | Uber Technologies, Inc. | Method and system for shared transport |
| GB2558794A (en) * | 2015-11-26 | 2018-07-18 | Beijing Didi Infinity Technology & Dev Co Ltd | Systems and methods for allocating sharable orders |
| CN106803197B (zh) | 2015-11-26 | 2021-09-03 | 北京嘀嘀无限科技发展有限公司 | 拼单方法和设备 |
| US20170227370A1 (en) * | 2016-02-08 | 2017-08-10 | Uber Technologies, Inc. | Reducing wait time of providers of ride services using zone scoring |
| US9778057B2 (en) * | 2016-02-08 | 2017-10-03 | Uber Technologies, Inc. | Selecting a route to a destination based on zones |
| CN105894359A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术（北京）有限公司 | 订单推送方法、装置及*** |
| CN105868915B (zh) * | 2016-04-08 | 2020-07-14 | 四川省和信源创劳务有限公司 | 一种基于移动互联网服务应用的服务评价*** |
| US10679390B1 (en) * | 2016-07-19 | 2020-06-09 | Uber Technologies, Inc. | Confidence threshold determination for machine-learned labeling |
| US10200457B2 (en) * | 2016-10-26 | 2019-02-05 | Uber Technologies, Inc. | Selective distribution of machine-learned models |
| US10762447B2 (en) * | 2017-05-23 | 2020-09-01 | Uatc, Llc | Vehicle selection for on-demand transportation services |
| US10552773B1 (en) * | 2018-09-07 | 2020-02-04 | Lyft, Inc. | Efficiency of a transportation matching system using geocoded provider models |
| US20200082314A1 (en) * | 2018-09-07 | 2020-03-12 | Lyft, Inc. | Efficiency of a transportation matching system using geocoded provider models |
-
2018
- 2018-06-15 AU AU2018282300A patent/AU2018282300B2/en active Active
- 2018-06-15 EP EP18815095.7A patent/EP3459025A1/en not_active Ceased
- 2018-06-15 JP JP2018566885A patent/JP6797943B2/ja active Active
- 2018-06-15 WO PCT/CN2018/091534 patent/WO2018228541A1/en unknown
- 2018-06-15 CN CN201880002585.7A patent/CN109478275B/zh active Active
- 2018-06-15 CA CA3028215A patent/CA3028215C/en active Active
- 2018-06-15 CA CA3072656A patent/CA3072656A1/en active Pending
- 2018-06-15 SG SG11201811535RA patent/SG11201811535RA/en unknown
- 2018-12-25 US US16/232,044 patent/US11631027B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3459025A4 (en) | 2019-03-27 |
| CA3028215A1 (en) | 2018-12-16 |
| JP6797943B2 (ja) | 2020-12-09 |
| JP2020502600A (ja) | 2020-01-23 |
| EP3459025A1 (en) | 2019-03-27 |
| CA3072656A1 (en) | 2018-12-16 |
| US20190130301A1 (en) | 2019-05-02 |
| AU2018282300B2 (en) | 2020-11-12 |
| SG11201811535RA (en) | 2019-01-30 |
| CN109478275A (zh) | 2019-03-15 |
| CA3028215C (en) | 2021-10-26 |
| US11631027B2 (en) | 2023-04-18 |
| AU2018282300A1 (en) | 2019-01-17 |
| WO2018228541A1 (en) | 2018-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109478275B (zh) | 分配服务请求的***和方法 | |
| US11398002B2 (en) | Systems and methods for determining an estimated time of arrival | |
| CN108701279B (zh) | 用于确定未来运输服务时间点的预测分布的***和方法 | |
| CN111052158B (zh) | 用于分配服务请求的***和方法 | |
| CN114944059B (zh) | 确定预估到达时间的方法与*** | |
| WO2017088828A1 (en) | Systems and methods for allocating sharable orders | |
| CN111862585B (zh) | 用于交通预测的***和方法 | |
| TWI703516B (zh) | 用於預估到達時間的方法以及系統 | |
| JP2019511020A (ja) | 到着時間を推定するための方法およびシステム | |
| CN109923373B (zh) | 用于确定车辆参考方向的***和方法 | |
| US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
| CN108780562B (zh) | 更新服务序列的***和方法 | |
| CN110832284A (zh) | 用于目的地预测的***和方法 | |
| TW201901474A (zh) | 用於確定預估到達時間的系統和方法 | |
| CN112236787A (zh) | 用于生成个性化目的地推荐的***和方法 | |
| CN110839346A (zh) | 用于分配服务请求的***和方法 | |
| CN111133484A (zh) | 用于评估与指定的驾驶服务相关的调度策略的***和方法 | |
| CN112243487A (zh) | 用于按需服务的***和方法 | |
| CN110832811B (zh) | 用于发送空间数据的***和方法 | |
| CN111882093A (zh) | 一种拼车方法和*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |