CN111192071A - 发单量预估方法及装置、训练发单概率模型的方法及装置 - Google Patents

发单量预估方法及装置、训练发单概率模型的方法及装置 Download PDF

Info

Publication number
CN111192071A
CN111192071A CN201811362414.3A CN201811362414A CN111192071A CN 111192071 A CN111192071 A CN 111192071A CN 201811362414 A CN201811362414 A CN 201811362414A CN 111192071 A CN111192071 A CN 111192071A
Authority
CN
China
Prior art keywords
service
trip
service request
type
travel
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.)
Granted
Application number
CN201811362414.3A
Other languages
English (en)
Other versions
CN111192071B (zh
Inventor
谢梁
李盼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201811362414.3A priority Critical patent/CN111192071B/zh
Publication of CN111192071A publication Critical patent/CN111192071A/zh
Application granted granted Critical
Publication of CN111192071B publication Critical patent/CN111192071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种发单量预估方法及装置、训练发单概率模型的方法及装置，上述发单量预估方法及装置，根据待评估的服务策略以及没有发生变化的服务策略，能够准确的预测每个服务请求端发起出行订单的概率和多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率，基于上述得到的准确的概率能够准确的预估在某一种出行类型的服务策略发生变化的情况下，各个出行类型对应的出行订单数量，不仅提高了预估各个出行类型对应的出行订单数量的准确度，并且由于不需要进行实验，提高了预估效率、降低了预估成本，更重要的是能够穷尽每种出行类型的服务策略发生各种变化时，对各个出行类型对应的出行订单数量的影响。

Description

发单量预估方法及装置、训练发单概率模型的方法及装置
技术领域
本申请涉及网约车和数据处理技术领域，具体而言，涉及一种发单量预估方法及装置、训练发单概率模型的方法及装置、电子设备、计算机可读存储介质。
背景技术
服务策略是影响服务请求端在网约车平台上选取不同的出行类型发起出行订单的重要因素。当某一个出行类型的服务策略发生变化时，会影响其他出行类型对应的出行订单的数量。
当前，一般采用实验的方式确定在某一种出行类型的服务策略发生变化时，所有出行类型对应的出行订单的数量的变化，该方法不仅效率低下、成本高，并且无法穷尽每种出行类型上的服务策略的各种变化对各个出行类型对应的出行订单数量的影响。
发明内容
有鉴于此，本申请实施例的目的在于提供一种发单量预估方法及装置、训练发单概率模型的方法及装置，能够基于待评估的服务策略，预估各个出行类型对应的出行订单的数量，避免了现有技术中实验的方式带来的效率差、成本高，并且无法穷尽每种出行类型上服务策略的各种变化对各个出行类型对应的出行订单数量的影响的缺陷。
第一方面，本申请实施例提供了一种发单量预估方法，包括：
基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率；
针对多种出行类型中的每种出行类型，基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率；
基于所述多个服务请求端中每个服务请求端发起出行订单的概率，以及每个所述服务请求端在每种出行类型下发起出行订单的概率，预测每种出行类型对应的出行订单的数量。
在一种可能的实施方式中，所述待评估的服务策略为目标出行类型对应的待评估的服务策略。
在一种可能的实施方式中，所述基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率，包括：
基于目标出行类型的每种服务策略与多个服务请求端发起出行订单的概率的对应关系、以及待评估的服务策略，预测在待评估的服务策略下，多个服务请求端中每个服务请求端发起出行订单的概率。
在一种可能的实施方式中，还包括构建所述目标出行类型的服务策略与多个服务请求端发起出行订单的概率的对应关系的步骤：
获取第一样本数据，所述第一样本数据包括目标出行类型的多个服务策略以及在每个服务策略下，多个服务请求端是否发起出行订单的结果数据；
基于所述第一样本数据，构建所述目标出行类型的每种服务策略与多个服务请求端发起出行订单的概率的对应关系。
在一种可能的实施方式中，上述发单量预估方法还包括：
利用二分类逻辑斯特模型构建所述目标出行类型的每种服务策略与多个服务请求端发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述获取第一样本数据，包括：
获取服务请求端发起出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第一样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述目标出行类型的服务策略与多个服务请求端发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一种可能的实施方式中，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
在一种可能的实施方式中，所述基于所述第一样本数据，构建所述目标出行类型的服务策略与多个服务请求端发起出行订单的概率的对应关系，包括：
对目标出行类型每种服务策略中的每个服务特征进行函数运算，得到目标出行类型的处理后的服务策略；
基于目标出行类型的处理后的服务策略以及在每种处理后的服务策略下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据，构建目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系；
所述预测多个服务请求端中每个服务请求端发起出行订单的概率，包括：
对目标出行类型的待评估的服务策略中的每个服务特征进行函数运算，得到处理后的待评估的服务策略；
基于目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及处理后的待评估的服务策略，确定每个服务请求端发起出行订单的概率。
在一种可能的实施方式中，所述函数运算为对数函数运算。
在一种可能的实施方式中，预测所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率，包括：
基于每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及每种出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率。
在一种可能的实施方式中，还包括建立每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系的步骤：
获取第二样本数据，所述第二样本数据包括每种出行类型的至少一种服务策略、以及针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端是否在该出行类型发起出行订单的结果数据；
基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，上述发单量预估方法还包括：
利用条件逻辑模型，构建每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述获取第二样本数据，包括：
获取服务请求端发布出行需求时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一种可能的实施方式中，所述预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率，包括：
基于每个所述服务请求端的每个出行需求的发布时间和每个所述出行需求对应的里程，选取具有对应的哑变量的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系；
基于选取的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及该出行类型的每种服务策略，确定所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
在一种可能的实施方式中，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
在一种可能的实施方式中，所述基于所述第二样本数据，构建每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，包括：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率，包括：
基于该出行类型的服务策略中的每个服务特征的值，确定该出行类型的服务策略中的每个服务特征的指标系数；
基于该出行类型的服务策略中的每个服务特征的指标系数以及该出行类型的服务策略中的每个服务特征的值，确定多个服务请求端中的每个服务器请求端在该出行类型下发起出行订单的倾向分值；
基于所述倾向分值，预测述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
在一种可能的实施方式中，利用如下公式确定多个服务请求端中每个服务请求端在出行类型i下发起出行订单的概率：
Figure RE-GDA0001952278330000061
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值。
在一种可能的实施方式中，利用如下公式确定出行类型i对应的倾向分值：
Figure RE-GDA0001952278330000062
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，βk表示出行类型i的服务策略中第k个服务特征的指标系数，Xki表示出行类型i的服务策略中第k个服务特征的值，K表示出行类型i的服务策略中服务特征的数量。
第二方面，本申请实施例提供了一种训练发单概率模型的方法，包括：
获取第二样本数据，所述第二样本数据包括多种出行类型中的每种出行类型的至少一种服务策略、和针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端是否在该出行类型发起出行订单的结果数据；
基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，得到发单概率计算模型。
在一种可能的实施方式中，上述训练发单概率模型的方法还包括：
利用条件逻辑模型，构建每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述获取第二样本数据，包括：
获取服务请求端发布出行需求时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一种可能的实施方式中，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
在一种可能的实施方式中，所述基于所述第二样本数据，构建每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，包括：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述发单概率计算模型包括：
Figure RE-GDA0001952278330000081
Figure RE-GDA0001952278330000082
式中，βk表示出行类型i的服务策略中第k个服务特征的指标系数， Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Xki表示出行类型i的服务策略中第k个服务特征的值，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值，K表示出行类型i的服务策略中服务特征的数量。
第三方面，本申请实施例提供了一种发单量预估装置，包括：
概率预测模块，用于基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率；
针对多种出行类型中的每种出行类型，基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率；
单量预测模块，用于基于所述多个服务请求端中每个服务请求端发起出行订单的概率，以及每个所述服务请求端在每种出行类型下发起出行订单的概率，预测每种出行类型对应的出行订单的数量。
在一种可能的实施方式中，所述待评估的服务策略为目标出行类型对应的待评估的服务策略。
在一种可能的实施方式中，所述概率预测模块包括第一预测子模块，所述第一预测子模块用于：
基于目标出行类型的服务策略与多个服务请求端发起出行订单的概率的对应关系、以及待评估的服务策略，预测在待评估的服务策略下，多个服务请求端中每个服务请求端发起出行订单的概率。
在一种可能的实施方式中，所述第一预测子模块具体用于：
获取第一样本数据，所述第一样本数据包括目标出行类型的多个服务策略以及在每个服务策略下，多个服务请求端是否发起出行订单的结果数据；
基于所述第一样本数据，构建所述目标出行类型的服务策略与多个服务请求端发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述第一预测子模块具体用于利用二分类逻辑斯特模型构建所述目标出行类型的服务策略与多个服务请求端发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述第一预测子模块具体用于：
获取服务请求端发起出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第一样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述目标出行类型的服务策略与多个服务请求端发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一种可能的实施方式中，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
在一种可能的实施方式中，所述第一预测子模块具体用于：
对目标出行类型每种服务策略中的每个服务特征进行函数运算，得到目标出行类型的处理后的服务策略；
基于目标出行类型的处理后的服务策略以及在每种处理后的服务策略下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据，构建目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系；
对目标出行类型的待评估的服务策略中的每个服务特征进行函数运算，得到处理后的待评估的服务策略；
基于目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及处理后的待评估的服务策略，确定每个服务请求端发起出行订单的概率。
在一种可能的实施方式中，所述函数运算为对数函数运算。
在一种可能的实施方式中，所述概率预测模块包括第二预测子模块，所述第二预测子模块用于：基于每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及每种出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率。
在一种可能的实施方式中，所述第二预测子模块具体用于：
获取第二样本数据，所述第二样本数据包括每种出行类型的至少一种服务策略、以及针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端是否在该出行类型发起出行订单的结果数据；
基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述第二预测子模块具体用于
利用条件逻辑模型，构建每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述第二预测子模块具体用于：
获取服务请求端发布出行需求时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一种可能的实施方式中，所述第二预测子模块具体用于：
基于每个所述服务请求端的每个出行需求的发布时间和每个所述出行需求对应的里程，选取具有对应的哑变量的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系；
基于选取的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及该出行类型的每种服务策略，确定所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
在一种可能的实施方式中，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
在一种可能的实施方式中，所述第二预测子模块具体用于：：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述第二预测子模块具体用于：
基于该出行类型的服务策略中的每个服务特征的值，确定该出行类型的服务策略中的每个服务特征的指标系数；
基于该出行类型的服务策略中的每个服务特征的指标系数以及该出行类型的服务策略中的每个服务特征的值，确定多个服务请求端中的每个服务器请求端在该出行类型下发起出行订单的倾向分值；
基于所述倾向分值，预测述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
在一种可能的实施方式中，利用如下公式确定多个服务请求端中每个服务请求端在出行类型i下发起出行订单的概率：
Figure RE-GDA0001952278330000131
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值。
在一种可能的实施方式中，利用如下公式确定出行类型i对应的倾向分值：
Figure RE-GDA0001952278330000132
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，βk表示出行类型i的服务策略中第k个服务特征的指标系数，Xki表示出行类型i的服务策略中第k个服务特征的值，K表示出行类型i的服务策略中服务特征的数量。
第四方面，本申请实施例提供了一种训练发单概率模型的装置，包括：
数据获取模块，用于获取第二样本数据，所述第二样本数据包括多种出行类型中的每种出行类型的至少一种服务策略、和针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中每个服务请求端是否在该出行类型发起出行订单的结果数据；
模型训练模块，用于基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，得到发单概率计算模型。
在一种可能的实施方式中，所述模型训练模块利用条件逻辑模型，构建每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述数据获取模块具体用于：获取服务请求端发布出行需求时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一种可能的实施方式中，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
在一种可能的实施方式中，所述模型训练模块具体用于：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一种可能的实施方式中，所述发单概率计算模型包括：
Figure RE-GDA0001952278330000151
Figure RE-GDA0001952278330000152
式中，βk表示出行类型i的服务策略中第k个服务特征的指标系数，
Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Xki表示出行类型i的服务策略中第k个服务特征的值， Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值，K表示出行类型i的服务策略中服务特征的数量。
第五面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤，或执行上述第二方面，或第二方面的任一种可能的实施方式中的步骤。
第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤，或上述第二方面，或第二方面的任一种可能的实施方式中的步骤。
本申请实施例提供的发单量预估方法及装置，首先基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率；以及，针对多种出行类型中的每种出行类型，基于该出行类型的服务策略，预测多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率；之后，基于多个服务请求端中每个服务请求端发起出行订单的概率，以及每个服务请求端在每种出行类型下发起出行订单的概率，预测每种出行类型对应的出行订单的数量。上述技术方案根据待评估的服务策略以及没有发生变化的服务策略，能够准确的预测每个服务请求端发起出行订单的概率和多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率，基于上述得到的准确的概率能够准确的预估在某一种出行类型的服务策略发生变化的情况下，各个出行类型对应的出行订单的数量，不仅提高了预估各个出行类型对应的出行订单的数量的准确度，并且由于不需要进行实验，提高了预估效率、降低了预估成本，更重要的是能够穷尽每种出行类型上的服务策略发生各种变化时，对各个出行类型对应的出行订单数量的影响。
本申请实施例提供的训练发单概率模型的方法及装置，基于获取的多种出行类型中的每种出行类型的至少一种服务策略、以及针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端是否在该出行类型发起出行订单的结果数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，得到发单概率计算模型。利用该发单概率计算模型能够准确的得到在每个出行类型的每个服务策略作用下，多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率，得到的准确的概率有助于提高预估每种出行类型对应的出行订单的数量的准确度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种发单量预估***的结构示意图。
图2示出了本申请实施例所提供的一种电子设备的结构示意图。
图3示出了本申请实施例所提供的一种发单量预估方法的流程图。
图4示出了本申请实施例所提供的另一种发单量预估方法中确定目标出行类型的服务策略与多个服务请求端中的每个服务请求端发起出行订单的概率的对应关系的流程图。
图5示出了本申请实施例所提供的另一种发单量预估方法中预测每个服务请求端发起出行订单的概率的流程图。
图6示出了本申请实施例所提供的另一种发单量预估方法中预测多个服务请求端中每个服务请求端在每个出行类型下发起出行订单的概率的流程图。
图7示出了本申请实施例所提供的另一种发单量预估方法中每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系的流程图。
图8示出了本申请实施例所提供的另一种发单量预估方法中预测多个服务请求端中每个服务请求端在某一出行类型下发起出行订单的概率的流程图。
图9示出了本申请实施例所提供的一种训练发单概率模型的方法的流程图。
图10示出了本申请实施例所提供的另一种训练发单概率模型的方法中构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系的流程图。
图11示出了本申请实施例所提供的一种发单量预估装置的结构示意图。
图12示出了本申请实施例所提供的一种训练发单概率模型的装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕网约车中进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如，本申请可以应用于不同的运输***环境，包括陆地，海洋，或航空等，或其任意组合。运输***的交通工具可以包括出租车、私家车、顺风车、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、或无人驾驶车辆等，或其任意组合。本申请还可以包括用于服务请求端发起订单或服务提供端选取订单的任何服务***，例如，用于发送和/或接收快递的***、用于买卖双方交易的服务***。本申请的***或方法的应用可以包括网页、浏览器的插件、客户端终端、定制***、内部分析***、或人工智能机器人等，或其任意组合。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“乘客”、“服务请求端”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“服务提供端”可互换使用，以指代可以提供服务的个人、实体或工具。在本申请中，“乘客”和“服务请求端”可以互换使用，“驾驶员”和“服务提供端”可以互换使用。
本申请的一个方面涉及一种发单量预估***。该***可以基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率；以及，针对多种出行类型中的每种出行类型，基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率，并基于所述多个服务请求端中每个服务请求端发起出行订单的概率，以及每个所述服务请求端在每种出行类型下发起出行订单的概率，预测每种出行类型对应的出行订单的数量。上述发单量预估***能够准确的预估在某一种出行类型的服务策略发生变化的情况下，各个出行类型对应的订单量。
值得注意的是，在本申请提出申请之前，某一种出行类型的服务策略发生变化对各个出行类型对应的订单数量的影响是通过实验确定的。然而，本申请提供的发单量预估***可以基于待评估的服务策略以及没有发生变化的服务策略预估各个出行线路对应的出行订单的数量，不仅提高了预估订单量的准确度，并且由于不需要进行实验，提高了预估效率、降低了预估成本，更重要的是能够穷尽每种出行类型上的每个服务策略发生变化时，对各个出行类型对应的出行订单数量的影响。
图1是本申请一些实施例的发单量预估***100的框图。例如，发单量预估***100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。发单量预估***100可以包括服务器110、网络120、服务请求端130、服务提供端140和数据库150中的一种或多种，服务器110中可以包括执行指令操作的处理器。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式***)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在服务请求端130、服务提供端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到服务请求端130、服务提供端 140和数据库150中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中，服务器110可以包括处理器220。处理器220可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器220可以基于待评估的服务策略以及没有发生变化的服务策略预估各个出行类型对应的出行订单的数量。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元 (GraphicsProcessing Unit,GPU)、物理处理单元(Physics Processing Unit, PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列 (Field Programmable GateArray,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等，或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中，发单量预估***100中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140和数据库150)可以向其他组件发送信息和/或数据。例如，服务器110可以经由网络120从服务请求端130获取服务请求。在一些实施例中，网络120可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网 (Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks， WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched TelephoneNetwork， PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication, NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换节点，发单量预估***100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求端130的用户可以是除服务实际需求者之外的其他人。例如，服务请求端130的用户A可以使用服务请求端130来为服务实际需求者B发起服务请求(比如，用户A可以为自己的朋友B叫车)，或者从服务器110接收服务信息或指令等。在一些实施例中，服务提供端140的用户可以是服务实际提供者，也可以是除服务实际提供者之外的其他人。例如，服务提供端140的用户C可以使用服务提供端140接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单)，和/或来自服务器110的信息或指令。
在一些实施例中，服务请求端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备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、或增强现实设备等，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、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，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、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，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各种虚拟现实产品等。在一些实施例中，机动车辆中的内置设备可以包括车载计算机、车载电视等。在一些实施例中，服务请求端130可以是发出出行订单的设备。
数据库150可以存储数据和/或指令。在一些实施例中，数据库150可以存储从服务请求端130和/或服务提供端140获得的数据。在一些实施例中，数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM)； RAM可以包括动态RAM(Dynamic Random AccessMemory,DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDRSDRAM)；静态RAM(Static Random-Access Memory,SRAM)，晶闸管RAM (Thyristor-BasedRandom Access Memory,T-RAM)和零电容器RAM(Zero- RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory, MROM)、可编程ROM(Programmable Read-Only Memory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory, EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
在一些实施例中，数据库150可以连接到网络120以与发单量预估***100(例如，服务器110，服务请求端130，服务提供端140等)中的一个或多个组件通信。发单量预估***100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库 150可以直接连接到发单量预估***100中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140等)；或者，在一些实施例中，数据库150也可以是服务器110的一部分。
在一些实施例中，发单量预估***100中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140等)可以具有访问数据库150 的权限。在一些实施例中，当满足一定条件时，发单量预估***100中的一个或多个组件可以读取和/或修改与服务请求端、服务提供端、或公众、或其任意组合有关的信息。例如，服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。作为另一示例，服务提供端140可以在从服务请求端130接收服务请求时访问与服务请求方有关的信息，但是服务提供端140可以不修改服务请求端130的相关信息。
图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、服务请求端130、服务提供端140的电子设备200的示例性硬件和软件组件的示意图。例如，处理器220可以用于电子设备200上，并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的发单量预估方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。
例如，电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200 还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出 (Input/Output，I/O)接口250。
为了便于说明，在电子设备200中仅描述了一个处理器。然而，应当注意，本申请中的电子设备200还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备200的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
图3示出了本申请的一个实施例的发单量预估方法的流程图，该方法可以应用于网约车场景中，实现在某一种出行类型的服务策略发生变化时，各个出行类型对应的出行订单的数量的预估。具体地，如图3所示，本实施例的发单量预估方法包括如下步骤：
S310、基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率；
针对多种出行类型中的每种出行类型，基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
这里，出行类型为各个车型对应的业务线，例如出行类型可以包括快车、拼车、优享等。服务策略为可以影响服务请求端是否发起出行订单以及在哪个出行类型下发起出行订单的策略，例如所述服务策略包括以下服务特征中的至少一个：出行订单的价格、出行舒适度、出行安静度。由于服务请求端对出行订单的价格最为敏感，因此出行订单的价格对各个出行类型对应的出行订单的数量影响最为明显。
这里，待评估的服务策略可以为目标出行类型对应的待评估的服务策略。目标出行类型为当前待调整服务策略的出行类型，例如目标出行类型为快车。由于服务请求端对快车的出行订单的价格最为敏感，快车的出行订单的价格最能影响服务请求端是否发起出行订单，因此在调整快车对应的出行订单的价格时，即目标出行类型为快车，待评估的服务策略为快车对应的出行订单的价格时，本实施例预测得到的多个服务请求端中每个服务请求端发起出行订单的概率最准确。
上述基于该出行类型的服务策略，包括目标出行类型的待评估的服务策略以及其他出行类型的当前的服务策略。
上述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率是指，在已经确定了服务请求端必定发起出行订单的情况下，服务请求端选取每种出行类型发起出行订单的概率。
S320、基于所述多个服务请求端中每个服务请求端发起出行订单的概率，以及每个所述服务请求端在每种出行类型下发起出行订单的概率，预测每种出行类型对应的出行订单的数量。
这里，基于多个服务请求端中每个服务请求端发起出行订单的概率和每个服务请求端选取每种出行类型发起出行订单的概率的乘积，能够得到多个服务请求端中的每个服务请求端一定会发起出行订单，并且在每种出行类型下发起出行订单的概率，根据上述乘法运算得到的概率就能够预估每种出行类型对应的出行订单的数量，继而能够得到在目标出行类型的服务策略调整为待评估的服务策略时，包括目标出行类型在内的各个出行类型对应的出行订单的数量的变化量。
本实施例中，根据待评估的服务策略以及没有发生变化的服务策略，能够准确的预测每个服务请求端发起出行订单的概率和多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率，基于上述得到的准确的概率能够准确的预估在某一种出行类型的服务策略发生变化的情况下，各个出行类型对应的出行订单的数量，不仅提高了预估出行订单的数量的准确度，并且由于不需要进行实验，提高了预估效率、降低了预估成本，更重要的是能够穷尽每种出行类型上的服务策略发生各种时，对各个出行类型对应的出行订单数量的影响
在一个实施例中，可以利用如下步骤实现上面实施中的基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率：基于目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及待评估的服务策略，预测在待评估的服务策略下，多个服务请求端中每个服务请求端发起出行订单的概率。
上述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系是根据历史数据进行训练得到的，这里的历史数据包括目标出行类型的多个服务策略以及在每个服务策略下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据。
在具体实施时，可以利用二分类逻辑斯特模型(Binary Logistic Model) 构建所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系，这里得到的对应关系可以认为是一种模型，记为第一模型。根据该第一模型中的对应关系以及待评估的服务策略就能预测得到多个服务请求端中每个服务请求端发起出行订单的概率。第一模型模拟服务策略变动对服务请求端选择是否发起出行定单的影响大小。
上述用于训练第一模型的历史数据，可以是服务请求端发起出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的历史数据。此时，得到的第一模型以所述预定历史时间段和预定里程范围作为哑变量。所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应。
上述出行需求是服务请求端输入到发单量预估***中的，在服务请求端输入出行需求后，并且服务请求端确定发起出行订单时，发单量预估***会根据该出行需求生成对应的出行订单。
上述利用预定历史时间段和预定里程范围对出行需求进行了限定，那么利用与上述限定匹配的历史数据训练得到的第一模型，在预测与上述限定匹配的出行订单的发起概率时更为准确。
在一个实施例中，构建所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系，即构建第一模型，包括如下步骤：首先对目标出行类型每种服务策略中的每个服务特征进行函数运算，得到目标出行类型的处理后的服务策略；之后，基于目标出行类型的处理后的服务策略以及在每种处理后的服务策略下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据，构建目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系。
对应的，再利用第一模型预测多个服务请求端中每个服务请求端发起出行订单的概率时，包括如下步骤：首先对目标出行类型的待评估的服务策略中的每个服务特征进行函数运算，得到处理后的待评估的服务策略；之后，基于目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及处理后的待评估的服务策略，确定每个服务请求端发起出行订单的概率。
在一个实施例中，如图4所示，在服务策略只包括出行订单的价格的情况下，利用历史数据对第一模型进行训练时，还可以执行如下步骤：
S410、对目标出行类型对应的每个出行订单的价格进行函数运算，得到处理后的出行订单的价格。
这里的函数运算可以是对数函数运算，实现了对历史数据的预处理。
S420、基于处理后的每个出行订单的价格以及在每个处理后的出行订单的价格下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据，构建处理后的每个出行订单的价格与多个服务请求端中的每个服务请求端发起出行订单的概率的对应关系，得到第一模型。
本实施例利用预处理后的历史数据训练第一模型。
由于在模型训练时，对历史数据进行了预处理，因此在利用第一模型预测每个服务请求端发起出行订单的概率时，也需要对待评估的服务策略进行相应的预处理，具体地，如图5所示，可以利用如下步骤预测每个服务请求端发起出行订单的概率：
S510、对目标出行类型对应的待评估的出行订单的价格进行函数运算，得到处理后的待评估的出行订单的价格。
S520、基于处理后的每个出行订单的价格与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及处理后的待评估的出行订单的价格，确定每个服务请求端发起出行订单的概率。
在一个实施例中，可以利用如下步骤预测所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率：基于每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及每种出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率。
上述每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系是根据历史数据进行训练得到的，这里的历史数据包括每种出行类型的至少一种服务策略、以及针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型发起出行订单的结果数据。
在具体实施时，可以利用条件逻辑模型(Conditional Logit Model)，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。这里得到的对应关系可以认为是一种模型，记为第二模型。根据该第二模型中的对应关系以及当前每种出行类型的服务策略就能预测得到多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
第二模型定量衡量在给定可选的不同出行类型下，某一个出行类型的服务策略变动对服务请求端选择不同出行类型的影响大小。通过第一模型得到概率和第二模型得到的概率就可以评估出某种出行类型服务策略的变动使得各个出行类型对应的出行订单的数量是如何变动的。
以服务策略只包括出行订单的价格，以出行类型为快车、拼车、优享为例，对用于训练第二模型的历史数据进行具体说明：
将每一个服务请求端看到三种出行类型对应的出行订单的价格列成三行数据，其中三行数据的服务请求端ID相同，出行订单的价格不同，最后还需标记服务请求端是在哪种出行类型下发起的出行订单，其中发起出行订单的出行类型标记为1，其余出行类型标记为0。如下：
Figure RE-GDA0001952278330000301
上述用于训练第二模型的历史数据，可以是服务请求端发布出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的历史数据。此时，得到第二模型以所述预定历史时间段和预定里程范围作为哑变量。
上述利用预定历史时间段和预定里程范围对出行需求进行了限定，那么利用与上述限定匹配的历史数据训练得到的第二模型，在预测与上述限定匹配的出行订单在每个出行类型发起的概率时更为准确。
在具体实施时，可以设置多个不同的预定历史时间段和多个预定里程范围，根据不同预定历史时间段和不同预定里程范围的历史数据可以训练得到多个第二模型，每个第二模型都具有与其匹配的预定历史时间段和多个预定里程范围，那么在利用第二模型预测多个服务请求端中每个服务请求端在每个出行类型下发起出行订单的概率时，如图6所示，可以包括如下步骤：
S610、基于每个所述服务请求端的每个出行需求的发布时间和每个所述出行需求对应的里程，选取具有对应的哑变量的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
这里实质上是根据服务请求端的出行需求的发布时间和所述出行需求对应的里程选取匹配的第二模型。
S620、基于选取的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及所述每种出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
这里实质上是利用选取的第二模型、以及所述每种出行类型当前的服务策略，确定所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
在一个实施例中，如图7所示，可以利用如下步骤构建第二模型：
S710、基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率。
这里，出行订单可以是与上述预定历史时间段和预定里程范围匹配的出行订单。
S720、基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值。
S730、基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，即得到了第二模型。
具体的，第二模型可以为：
Figure RE-GDA0001952278330000321
Figure RE-GDA0001952278330000322
式中，βk表示出行类型i的服务策略中第k个服务特征的指标系数， Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Xki表示出行类型i的服务策略中第k个服务特征的值，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值，K表示出行类型i的服务策略中服务特征的数量。
如图8所示，利用本实施例构建的第二模型预测多个服务请求端中每个服务请求端在某一出行类型下发起出行订单的概率，可以包括如下步骤：
S810、基于该出行类型的服务策略中的每个服务特征的值，确定该出行类型的服务策略中的每个服务特征的指标系数。
S820、基于该出行类型的服务策略中的每个服务特征的指标系数以及该出行类型的服务策略中的每个服务特征的值，确定多个服务请求端中的每个服务器请求端在该出行类型下发起出行订单的倾向分值。
具体地，可以利用如下公式计算倾向分值：
Figure RE-GDA0001952278330000323
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，βk表示出行类型i的服务策略中第k个服务特征的指标系数，Xki表示出行类型i的服务策略中第k个服务特征的值，K表示出行类型i的当前的服务策略中服务特征的数量。
S830、基于所述倾向分值，预测述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
具体地，可以利用如下公式预测述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率：
Figure RE-GDA0001952278330000331
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值。
图9示出了本申请的一个实施例的训练发单概率模型的方法，这里的发单概率模型为上述实施例中的第二模型，训练方法与上述构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系相同，具体的，如图9所示，包括如下步骤：：
S910、获取第二样本数据，所述第二样本数据包括多种出行类型中的每种出行类型的至少一种服务策略、和针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据。
S920、基于所述第二样本数据，构建每种出行类型的服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，得到发单概率计算模型。
在一个实施例中，利用条件逻辑模型，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一个实施例中，所述获取第二样本数据，包括如下步骤：获取服务请求端发布出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据。所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应。
发单概率模型以所述预定历史时间段和预定里程范围作为哑变量。
在一个实施例中，所述服务策略包括以下服务特征中的至少一个：出行订单的价格、出行舒适度、出行安静度。如图10所示，所基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，包括：
S1010、基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率。
S1020、基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值。
S1030、基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
这里，所述发单概率计算模型包括：
Figure RE-GDA0001952278330000341
Figure RE-GDA0001952278330000342
式中，βk表示出行类型i的服务策略中第k个服务特征的指标系数， Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Xki表示出行类型i的服务策略中第k个服务特征的值，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值，K表示出行类型i的服务策略中服务特征的数量。
图11是示出本申请的一些实施例的发单量预估装置的框图，该发单量预估装置实现的功能对应上述发单量预估方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，发单量预估装置可以包括概率预测模块1110和单量预测模块1120。
概率预测模块1110可以用于基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率；
针对多种出行类型中的每种出行类型，基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
单量预测模块1120可以用于基于所述多个服务请求端中每个服务请求端发起出行订单的概率，以及每个所述服务请求端在每种出行类型下发起出行订单的概率，预测每种出行类型对应的出行订单的数量。
所述待评估的服务策略为目标出行类型对应的待评估的服务策略。
在一个实施例中，所述概率预测模块1110包括第一预测子模块11101，所述第一预测子模块用于：基于目标出行类型的每种服务策略与多个服务请求端中的每个服务请求端发起出行订单的概率的对应关系、以及待评估的服务策略，预测在待评估的服务策略下，多个服务请求端中每个服务请求端发起出行订单的概率。
在一个实施例中，所述第一预测子模块11101具体用于：
获取第一样本数据，所述第一样本数据包括目标出行类型的多个服务策略以及在每个服务策略下，多个服务请求端是否发起出行订单的结果数据；
基于所述第一样本数据，构建所述目标出行类型的每种服务策略与多个服务请求端中的每个服务请求端发起出行订单的概率的对应关系。
所述第一预测子模块11101具体用于利用二分类逻辑斯特模型构建所述目标出行类型的每种服务策略与多个服务请求端中的每个服务请求端发起出行订单的概率的对应关系。
在一个实施例中，所述第一预测子模块11101具体用于：
获取服务请求端发起出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第一样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述目标出行类型的每种服务策略与多个服务请求端中的每个服务请求端发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一个实施例中，所述服务策略包括以下服务特征中的至少一个：出行订单的价格、出行舒适度、出行安静度。所述第一预测子模块11101具体用于：
对目标出行类型每种服务策略中的每个服务特征进行函数运算，得到目标出行类型的处理后的服务策略；
基于目标出行类型的处理后的服务策略以及在每种处理后的服务策略下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据，构建目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系；
对目标出行类型的待评估的服务策略中的每个服务特征进行函数运算，得到处理后的待评估的服务策略；
基于目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及处理后的待评估的服务策略，确定每个服务请求端发起出行订单的概率。
所述函数运算为对数函数运算。
在一个实施例中，所述概率预测模块1110包括第二预测子模块11102，所述第二预测子模块11102用于：基于每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及每种出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率。
在一个实施例中，所述第二预测子模块11102具体用于：
获取第二样本数据，所述第二样本数据包括每种出行类型的至少一种服务策略、以及针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型发起出行订单的结果数据；
基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一个实施例中，所述第二预测子模块11102具体用于：
利用条件逻辑模型，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一个实施例中，所述第二预测子模块11102具体用于：
获取服务请求端发布出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一个实施例中，所述第二预测子模块11102具体用于：
基于每个所述服务请求端的每个出行需求的发布时间和每个所述出行需求对应的里程，选取具有对应的哑变量的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系；
基于选取的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及该出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
在一个实施例中，所述服务策略包括以下服务特征中的至少一个：出行订单的价格、出行舒适度、出行安静度。所述第二预测子模块11102具体用于：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一个实施例中，所述第二预测子模块11102具体用于：
基于该出行类型的服务策略中的每个服务特征的值，确定该出行类型的服务策略中的每个服务特征的指标系数；
基于该出行类型的服务策略中的每个服务特征的指标系数以及该出行类型的服务策略中的每个服务特征的值，确定多个服务请求端中的每个服务器请求端在该出行类型下发起出行订单的倾向分值；
基于所述倾向分值，预测述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
利用如下公式确定多个服务请求端中每个服务请求端在出行类型i下发起出行订单的概率：
Figure RE-GDA0001952278330000391
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值。
利用如下公式确定出行类型i对应的倾向分值：
Figure RE-GDA0001952278330000392
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，βk表示出行类型i的服务策略中第k个服务特征的指标系数，Xki表示出行类型i的服务策略中第k个服务特征的值，K表示出行类型i的服务策略中服务特征的数量。
图12是示出本申请的一些实施例的训练发单概率模型的装置的框图，该训练发单概率模型的装置实现的功能对应上述训练发单概率模型方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，训练发单概率模型的装置可以包括数据获取模块1210和模型训练模块1220。
数据获取模块1210可以用于获取第二样本数据，所述第二样本数据包括多种出行类型中的每种出行类型的至少一种服务策略、和针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据。
模型训练模块1220可以用于基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，得到发单概率计算模型。
在一个实施例中，所述模型训练模块1220利用条件逻辑模型，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
在一个实施例中，所述数据获取模块1210具体用于：获取服务请求端发布出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
在一个实施例中，所述服务策略包括以下服务特征中的至少一个：出行订单的价格、出行舒适度、出行安静度。此实施例中，所述模型训练模块 1220具体用于：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
所述发单概率计算模型包括：
Figure RE-GDA0001952278330000411
Figure RE-GDA0001952278330000412
式中，βk表示出行类型i的服务策略中第k个服务特征的指标系数， Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Xki表示出行类型i的服务策略中第k个服务特征的值，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值，K表示出行类型i的服务策略中服务特征的数量。
本实施例公开了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述实施例的发单量预估方法的步骤或训练发单概率模型的方法的步骤。
本申请实施例还提供了一种进行路线推荐的计算机程序产品，其包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
上述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、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、 RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (52)

1.一种发单量预估方法，其特征在于，包括：
基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率；
针对多种出行类型中的每种出行类型，基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率；
基于所述多个服务请求端中每个服务请求端发起出行订单的概率，以及每个所述服务请求端在每种出行类型下发起出行订单的概率，预测每种出行类型对应的出行订单的数量。
2.根据权利要求1所述的方法，其特征在于，所述待评估的服务策略为目标出行类型对应的待评估的服务策略。
3.根据权利要求2所述的方法，其特征在于，所述基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率，包括：
基于目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及待评估的服务策略，预测在待评估的服务策略下，多个服务请求端中每个服务请求端发起出行订单的概率。
4.根据权利要求3所述的方法，其特征在于，还包括构建所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系的步骤：
获取第一样本数据，所述第一样本数据包括目标出行类型的多个服务策略以及在第一样本数据中的每个服务策略下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据；
基于所述第一样本数据，构建所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系。
5.根据权利要求4所述的方法，其特征在于，还包括：
利用二分类逻辑斯特模型构建所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系。
6.根据权利要求5所述的方法，其特征在于，所述获取第一样本数据，包括：
获取服务请求端发起出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第一样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
7.根据权利要求4所述的方法，其特征在于，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
8.根据权利要求7所述的方法，其特征在于，所述基于所述第一样本数据，构建所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系，包括：
对目标出行类型每种服务策略中的每个服务特征进行函数运算，得到目标出行类型的处理后的服务策略；
基于目标出行类型的处理后的服务策略以及在每种处理后的服务策略下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据，构建目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系；
所述预测多个服务请求端中每个服务请求端发起出行订单的概率，包括：
对目标出行类型的待评估的服务策略中的每个服务特征进行函数运算，得到处理后的待评估的服务策略；
基于目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及处理后的待评估的服务策略，确定每个服务请求端发起出行订单的概率。
9.根据权利要求8所述的方法，其特征在于，所述函数运算为对数函数运算。
10.根据权利要求1所述的方法，其特征在于，预测所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率，包括：
基于每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及每种出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率。
11.根据权利要求10所述的方法，其特征在于，还包括建立每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系的步骤：
获取第二样本数据，所述第二样本数据包括每种出行类型的至少一种服务策略、以及针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据；
基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
12.根据权利要求11所述的方法，其特征在于，还包括：
利用条件逻辑模型，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
13.根据权利要求12所述的方法，其特征在于，所述获取第二样本数据，包括：
获取服务请求端发布出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
14.根据权利要求13所述的方法，其特征在于，所述预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率，包括：
基于每个所述服务请求端的每个出行需求的发布时间和每个所述出行需求对应的里程，选取具有对应的哑变量的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系；
基于选取的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及该出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
15.根据权利要求11所述的方法，其特征在于，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
16.根据权利要求15所述的方法，其特征在于，所述基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，包括：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
17.根据权利要求16所述的方法，其特征在于，所述基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率，包括：
基于该出行类型的服务策略中的每个服务特征的值，确定该出行类型的服务策略中的每个服务特征的指标系数；
基于该出行类型的服务策略中的每个服务特征的指标系数以及该出行类型的服务策略中的每个服务特征的值，确定多个服务请求端中的每个服务器请求端在该出行类型下发起出行订单的倾向分值；
基于所述倾向分值，预测述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
18.根据权利要求17所述的方法，其特征在于，利用如下公式确定多个服务请求端中每个服务请求端在出行类型i下发起出行订单的概率：
Figure FDA0001867653870000061
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值。
19.根据权利要求18所述的方法，其特征在于，利用如下公式确定出行类型i对应的倾向分值：
Figure FDA0001867653870000062
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，βk表示出行类型i的服务策略中第k个服务特征的指标系数，Xki表示出行类型i的服务策略中第k个服务特征的值，K表示出行类型i的服务策略中服务特征的数量。
20.一种训练发单概率模型的方法，其特征在于，包括：
获取第二样本数据，所述第二样本数据包括多种出行类型中的每种出行类型的至少一种服务策略、和针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据；
基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，得到发单概率计算模型。
21.根据权利要求20所述的方法，其特征在于，还包括：
利用条件逻辑模型，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
22.根据权利要求21所述的方法，其特征在于，所述获取第二样本数据，包括：
获取服务请求端发布出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
23.根据权利要求20所述的方法，其特征在于，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
24.根据权利要求23所述的方法，其特征在于，所述基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，包括：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
25.根据权利要求23所述的方法，其特征在于，所述发单概率计算模型包括：
Figure FDA0001867653870000081
Figure FDA0001867653870000082
式中，βk表示出行类型i的服务策略中第k个服务特征的指标系数，Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Xki表示出行类型i的服务策略中第k个服务特征的值，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值，K表示出行类型i的服务策略中服务特征的数量。
26.一种发单量预估装置，其特征在于，包括：
概率预测模块，用于基于获取的待评估的服务策略，预测多个服务请求端中每个服务请求端发起出行订单的概率；
针对多种出行类型中的每种出行类型，基于该出行类型的服务策略，预测所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率；
单量预测模块，用于基于所述多个服务请求端中每个服务请求端发起出行订单的概率，以及每个所述服务请求端在每种出行类型下发起出行订单的概率，预测每种出行类型对应的出行订单的数量。
27.根据权利要求26所述的装置，其特征在于，所述待评估的服务策略为目标出行类型对应的待评估的服务策略。
28.根据权利要求27所述的装置，其特征在于，所述概率预测模块包括第一预测子模块，所述第一预测子模块用于：
基于目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及待评估的服务策略，预测在待评估的服务策略下，多个服务请求端中每个服务请求端发起出行订单的概率。
29.根据权利要求28所述的装置，其特征在于，所述第一预测子模块具体用于：
获取第一样本数据，所述第一样本数据包括目标出行类型的多个服务策略以及在每个服务策略下，多个服务请求端是否发起出行订单的结果数据；
基于所述第一样本数据，构建所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系。
30.根据权利要求29所述的装置，其特征在于，所述第一预测子模块具体用于利用二分类逻辑斯特模型构建所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系。
31.根据权利要求30所述的装置，其特征在于，所述第一预测子模块具体用于：
获取服务请求端发起出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第一样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述目标出行类型的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
32.根据权利要求29所述的装置，其特征在于，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
33.根据权利要求32所述的装置，其特征在于，所述第一预测子模块具体用于：
对目标出行类型每种服务策略中的每个服务特征进行函数运算，得到目标出行类型的处理后的服务策略；
基于目标出行类型的处理后的服务策略以及在每种处理后的服务策略下，多个服务请求端中的每个服务请求端是否发起出行订单的结果数据，构建目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系；
对目标出行类型的待评估的服务策略中的每个服务特征进行函数运算，得到处理后的待评估的服务策略；
基于目标出行类型的处理后的每种服务策略与多个服务请求端中每个服务请求端发起出行订单的概率的对应关系、以及处理后的待评估的服务策略，确定每个服务请求端发起出行订单的概率。
34.根据权利要求33所述的装置，其特征在于，所述函数运算为对数函数运算。
35.根据权利要求26所述的装置，其特征在于，所述概率预测模块包括第二预测子模块，所述第二预测子模块用于：基于每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及每种出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率。
36.根据权利要求35所述的装置，其特征在于，所述第二预测子模块具体用于：
获取第二样本数据，所述第二样本数据包括每种出行类型的至少一种服务策略、以及针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型发布下出行订单的结果数据；
基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
37.根据权利要求36所述的装置，其特征在于，所述第二预测子模块具体用于：
利用条件逻辑模型，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
38.根据权利要求37所述的装置，其特征在于，所述第二预测子模块具体用于：
获取服务请求端发布出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
39.根据权利要求38所述的装置，其特征在于，所述第二预测子模块具体用于：
基于每个所述服务请求端的每个出行需求的发布时间和每个所述出行需求对应的里程，选取具有对应的哑变量的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系；
基于选取的每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系、以及该出行类型的服务策略，确定所述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
40.根据权利要求36所述的装置，其特征在于，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
41.根据权利要求40所述的装置，其特征在于，所述第二预测子模块具体用于：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
42.根据权利要求41所述的装置，其特征在于，所述第二预测子模块具体用于：
基于该出行类型的服务策略中的每个服务特征的值，确定该出行类型的服务策略中的每个服务特征的指标系数；
基于该出行类型的服务策略中的每个服务特征的指标系数以及该出行类型的服务策略中的每个服务特征的值，确定多个服务请求端中的每个服务器请求端在该出行类型下发起出行订单的倾向分值；
基于所述倾向分值，预测述多个服务请求端中每个服务请求端在该出行类型下发起出行订单的概率。
43.根据权利要求41所述的装置，其特征在于，利用如下公式确定多个服务请求端中每个服务请求端在出行类型i下发起出行订单的概率：
Figure FDA0001867653870000131
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值。
44.根据权利要求43所述的装置，其特征在于，利用如下公式确定出行类型i对应的倾向分值：
Figure FDA0001867653870000132
式中，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，βk表示出行类型i的服务策略中第k个服务特征的指标系数，Xki表示出行类型i的服务策略中第k个服务特征的值，K表示出行类型i的服务策略中服务特征的数量。
45.一种训练发单概率模型的装置，其特征在于，包括：
数据获取模块，用于获取第二样本数据，所述第二样本数据包括多种出行类型中的每种出行类型的至少一种服务策略、和针对多种出行类型中的每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求是否在该出行类型下发起出行订单的结果数据；
模型训练模块，用于基于所述第二样本数据，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，得到发单概率计算模型。
46.根据权利要求45所述的装置，其特征在于，所述模型训练模块利用条件逻辑模型，构建每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
47.根据权利要求46所述的装置，其特征在于，所述数据获取模块具体用于：获取服务请求端发布出行需求的时间在预定历史时间段内、出行需求对应的里程在预定里程范围内的第二样本数据；所述出行需求包括所述服务请求端的出发地和所述服务请求端的目的地；所述出行需求与所述出行订单相对应；
所述每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系，以所述预定历史时间段和预定里程范围作为哑变量。
48.根据权利要求45所述的装置，其特征在于，所述服务策略包括以下服务特征中的至少一个：
出行订单的价格、出行舒适度、出行安静度。
49.根据权利要求48所述的装置，其特征在于，所述模型训练模块具体用于：
基于所述第二样本数据中每种出行类型的每种服务策略以及针对第二样本数据中每种出行类型，基于该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端是否在该出行类型下发起出行订单的结果数据，确定在该出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在该出行类型下发起出行订单的概率；
基于在每种出行类型的每种服务策略下，多个服务请求端中的每个服务请求端在每种出行类型下发起出行订单的概率，确定多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值；
基于多个服务请求端中的每个服务请求端在每种出行类型的每种服务策略下发起出行订单的倾向分值、以及每种出行类型的每种服务策略的每个服务特征的值，确定每种出行类型的每种服务策略的每个服务特征对应的指标系数，得到每种出行类型的每种服务策略与多个服务请求端中每个服务请求端在每种出行类型下发起出行订单的概率的对应关系。
50.根据权利要求48所述的装置，其特征在于，所述发单概率计算模型包括：
Figure FDA0001867653870000151
Figure FDA0001867653870000152
式中，βk表示出行类型i的服务策略中第k个服务特征的指标系数，Pni表示第n个服务请求端在出行类型i下发起出行订单的概率，J表示出行类型的数量，Xki表示出行类型i的服务策略中第k个服务特征的值，Vni表示第n个服务请求端在出行类型i下发起出行订单的倾向分值，Vni表示第n个服务请求端在出行类型j下发起出行订单的倾向分值，K表示出行类型i的服务策略中服务特征的数量。
51.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至19任一所述的发单量预估方法的步骤或如权利要求20至25任一所述的训练发单概率模型的方法的步骤。
52.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至19任一所述的发单量预估方法的步骤或如权利要求20至25任一所述的训练发单概率模型的方法的步骤。
CN201811362414.3A 2018-11-15 2018-11-15 发单量预估方法及装置、训练发单概率模型的方法及装置 Active CN111192071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811362414.3A CN111192071B (zh) 2018-11-15 2018-11-15 发单量预估方法及装置、训练发单概率模型的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811362414.3A CN111192071B (zh) 2018-11-15 2018-11-15 发单量预估方法及装置、训练发单概率模型的方法及装置

Publications (2)

Publication Number Publication Date
CN111192071A true CN111192071A (zh) 2020-05-22
CN111192071B CN111192071B (zh) 2023-11-17

Family

ID=70710631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811362414.3A Active CN111192071B (zh) 2018-11-15 2018-11-15 发单量预估方法及装置、训练发单概率模型的方法及装置

Country Status (1)

Country Link
CN (1) CN111192071B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020026347A1 (en) * 2000-08-30 2002-02-28 Honda Giken Kogyo Kabushiki Kaisha Method of and system for forecasting future orders in parts inventory system
CN104217355A (zh) * 2014-09-11 2014-12-17 北京京东尚科信息技术有限公司 预测促销商品销量的方法和装置
CN104765881A (zh) * 2015-04-28 2015-07-08 携程计算机技术（上海）有限公司 网站可用性的评估方法
CN105005834A (zh) * 2015-08-20 2015-10-28 北京嘀嘀无限科技发展有限公司 一种订单导流方法及设备
CN105373840A (zh) * 2015-10-14 2016-03-02 深圳市天行家科技有限公司 代驾订单预测方法和代驾运力调度方法
CN106682754A (zh) * 2015-11-05 2017-05-17 阿里巴巴集团控股有限公司 事件发生概率预测方法及装置
CN106779230A (zh) * 2016-12-27 2017-05-31 北京三快在线科技有限公司 订单量预估方法及装置、电子设备
US20180032928A1 (en) * 2015-02-13 2018-02-01 Beijing Didi Infinity Technology And Development C O., Ltd. Methods and systems for transport capacity scheduling
CN108182597A (zh) * 2017-12-27 2018-06-19 银橙(上海)信息技术有限公司 一种基于决策树和逻辑回归的点击率预估方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020026347A1 (en) * 2000-08-30 2002-02-28 Honda Giken Kogyo Kabushiki Kaisha Method of and system for forecasting future orders in parts inventory system
CN104217355A (zh) * 2014-09-11 2014-12-17 北京京东尚科信息技术有限公司 预测促销商品销量的方法和装置
US20180032928A1 (en) * 2015-02-13 2018-02-01 Beijing Didi Infinity Technology And Development C O., Ltd. Methods and systems for transport capacity scheduling
CN104765881A (zh) * 2015-04-28 2015-07-08 携程计算机技术（上海）有限公司 网站可用性的评估方法
CN105005834A (zh) * 2015-08-20 2015-10-28 北京嘀嘀无限科技发展有限公司 一种订单导流方法及设备
CN105373840A (zh) * 2015-10-14 2016-03-02 深圳市天行家科技有限公司 代驾订单预测方法和代驾运力调度方法
CN106682754A (zh) * 2015-11-05 2017-05-17 阿里巴巴集团控股有限公司 事件发生概率预测方法及装置
CN106779230A (zh) * 2016-12-27 2017-05-31 北京三快在线科技有限公司 订单量预估方法及装置、电子设备
CN108182597A (zh) * 2017-12-27 2018-06-19 银橙(上海)信息技术有限公司 一种基于决策树和逻辑回归的点击率预估方法

Also Published As

Publication number Publication date
CN111192071B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN111476588B (zh) 订单需求预测方法、装置、电子设备及可读存储介质
EP3449435A1 (en) System and method for determining routes of transportation service
WO2018227387A1 (en) Methods and systems for route planning
WO2018227325A1 (en) Systems and methods for determining an estimated time of arrival
JP7047096B2 (ja) オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法
CN111353092B (zh) 服务推送方法、装置、服务器及可读存储介质
CN111105120B (zh) 一种工单处理方法及装置
CN111104585B (zh) 一种问题推荐方法及装置
CN111367575B (zh) 一种用户行为预测方法、装置、电子设备及存储介质
CN111105251A (zh) 一种信息推送方法及装置
US20200104889A1 (en) Systems and methods for price estimation using machine learning techniques
CN111326147B (zh) 语音识别方法、装置、电子设备及存储介质
CN110751531A (zh) 轨迹识别方法、装置及电子设备
CN111833605B (zh) 路况预测方法、路况预测模型训练方法、装置及存储介质
CN110750709A (zh) 一种服务推荐方法及装置
CN111476389A (zh) 一种预估接单等待时长的方法及装置
CN111489214B (zh) 订单分配方法、条件设置方法、装置及电子设备
CN111275229B (zh) 资源模型训练方法、资源缺口预测方法、装置及电子设备
CN111831967A (zh) 一种到店识别方法、装置、电子设备及介质
CN111259119A (zh) 一种问题推荐方法及装置
CN111199440A (zh) 事件预估方法、装置以及电子设备
CN111259229B (zh) 一种问题推荐方法及装置
CN111260424A (zh) 一种信息处理方法及装置
CN111859289A (zh) 交通工具的交易转化率预估方法、装置、电子设备及介质
CN111222900A (zh) 信息推送方法、装置、电子设备及计算机存储介质

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