CN111598307A - 乘车订单调度***的优化方法及设备 - Google Patents
乘车订单调度***的优化方法及设备 Download PDFInfo
- Publication number
- CN111598307A CN111598307A CN202010333881.4A CN202010333881A CN111598307A CN 111598307 A CN111598307 A CN 111598307A CN 202010333881 A CN202010333881 A CN 202010333881A CN 111598307 A CN111598307 A CN 111598307A
- Authority
- CN
- China
- Prior art keywords
- order
- user
- scheduling system
- evaluation
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 136
- 230000014759 maintenance of location Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—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
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种乘车订单调度***的优化方法及设备,该方法包括包括获取用户的乘车订单的订单特征;将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间;若所述预测停留时间大于预设阈值,则向所述用户推送所述订单评价界面;接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。本发明实施例可以对用户进行有效筛选,获取更加真实有价值的评价信息,基于该评价信息发现当前调度***的问题,从而实现对调度***的有效优化。
Description
技术领域
本发明实施例涉及智慧交通技术领域,尤其涉及一种乘车订单调度***的优化方法及设备。
背景技术
随着人们环境保护意识的提高,以及停车难问题越来越严重,更多的用户选择了线上约车的出行方式。在具体的约车过程中,运营商后台的调度***,在接到用户终端发送的乘车订单后,根据该乘车订单和在线车辆的情况,为用户规划路线并分配待承接车辆。可见,调度***的调度策略的合理性直接影响用户的乘车体验以及车辆调度的效率。因此需要对调度***进行优化,以满足用户需求。
在现有技术中,工程师根据自身对业务的理解,选取可能符合用户心理的特征,建立评分模型,以针对用户的乘车体验为乘车订单评分。基于评分结果,确定调度***的问题,并对调度***进行优化。
然而,工程师的数据猜想与用户真实心理之间往往存在差距,导致无法快速准确的发现问题,使得调度***优化效率低,无法满足用户的需求,影响用户乘车体验。
发明内容
本发明实施例提供一种乘车订单调度***的优化方法及设备,以提高对调度***的有效优化,以满足用户的需求,提高用户乘车体验。
第一方面,本发明实施例提供一种乘车订单调度***的优化方法,包括:
获取用户的乘车订单的订单特征;
将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间;
若所述预测停留时间大于预设阈值,则向所述用户推送所述订单评价界面;
接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。
在一种可能的设计中,所述订单特征包括以下中至少一项:下单时间、出发时间、所在地高峰时段、天气情况、乘车时长、行程距离。
在一种可能的设计中,所述将所述订单特征输入至停留时间模型之前,还包括:
获取所述用户的用户特征,所述用户特征包括以下中至少一项:路线偏好、出行时间偏好、累计下单次数;
所述将所述订单特征输入至停留时间模型,包括:
将所述订单特征和所述用户特征输入至所述停留时间模型。
在一种可能的设计中,所述向所述用户推送所述订单评价界面之前,还包括:
将所述乘车订单输入至派单评分模型,得到预测的派单评分;
所述向所述用户推送所述订单评价界面,包括:
若所述预测的派单评分低于预设分值,则向所述用户推送所述订单评价界面。
在一种可能的设计中,所述订单评价界面包括:供用户输入信息的文本输入框,以及供用户选择评价结果的待勾选项目框。
在一种可能的设计中,所述将所述订单特征输入至停留时间模型之前,还包括:
获取多个待训练订单的订单特征和各所述待训练订单的订单特征对应的标签;所述标签用于指示待训练订单对应的用户在对应订单评价界面的停留时间;
根据各所述待训练订单的订单特征和各所述待训练订单的订单特征对应的标签,对待训练的停留时间模型进行训练,得到训练后的停留时间模型。
在一种可能的设计中,所述停留时间模型为回归模型或神经网络模型。
第二方面,本发明实施例提供一种乘车订单调度***的优化设备,包括:
获取模块,用于获取用户的乘车订单的订单特征;
输入模块,用于将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间;
推送模块,用于若所述预测停留时间大于预设阈值,则向所述用户推送所述订单评价界面;
接收模块,用于接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。
第三方面,本发明实施例提供一种乘车订单调度***的优化设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的方法。
本实施例提供的乘车订单调度***的优化方法及设备,该方法包括获取用户的乘车订单的订单特征;将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间;若所述预测停留时间大于预设阈值,则向所述用户推送所述订单评价界面;接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。本实施例提供的优化方法通过停留时间模型根据用户的乘车订单的订单特征获得的用户在订单评价界面的预测停留时间,并根据该预测停留时间,筛选出对订单评价能够认真对待的用户,进而通过向该类用户推送订单评价界面,收集该类用户的评价信息,该评价信息更能够真实反映用户意见,通过对该类用户的评价信息进行分析可以更加准确的捕捉到当前调度***的问题,从而实现对调度***的有效优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的应用场景示意图;
图2为本发明又一实施例提供的停留时间模型获取流程图;
图3为本发明又一实施例提供的乘车订单调度***的优化方法的流程示意图;
图4为本发明又一实施例提供的订单评价界面的示意图;
图5为本发明又一实施例提供的乘车订单调度***的优化方法的流程示意图;
图6为本发明又一实施例提供的乘车订单调度***的优化方法的流程示意图;
图7为本发明一实施例提供的乘车订单调度***的优化设备的结构示意图;
图8为本发明一实施例提供的乘车订单调度***的优化设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一实施例提供的应用场景示意图。如图1所示,加载有调度***的服务器101与用户持有的客户终端102和待承载车辆的车载终端103通信连接。客户终端102可以是手机、平板等移动终端,可选地,客户终端加载有用于叫车下单的APP。车载终端103可以为装载在车辆上的***平台,还可以是待承载车辆的司机的手持终端,例如手机、平板等。
在具体的打车场景中,用户通过客户终端102下单叫车,运营商通过服务器101的调度***进行接单,并根据订单信息以及在线车辆的情况选定待承接车辆,向该待承接车辆进行订单推送。该待承接车辆承接该订单后,执行订单,将用户从出发地送往目的地,订单完成。
由此可见,调度***的调度策略的合理性直接影响用户的乘车体验以及车辆调度的效率。因此需要对调度***进行优化。现有技术中,通常是工程师在获取到用户订单后,通过对订单进行数据分析,确定该用户订单对应的派单分值,从大量用户订单中选取派单分值低于预设值的订单,进行问题提取,根据提取出的问题对调度***进行优化。然而,从工程师的角度进行用户订单的分值确定,过于主观,工程师的数据猜想与用户真实心理之间往往存在差距,无法获得用户的真实意见。导致无法快速准确的发现问题,使得调度***优化效率低,无法满足用户的需求,影响用户乘车体验。基于此,本发明实施例提供一种乘车订单调度***的优化方法,以提高乘车订单调度***的优化的有效性。
在本实施例中,为了获得用户的真实意见,可以根据用户在订单评价界面的停留时间,从众多用户中筛选出乐于评价且认真评价的用户,进行评价界面的推送。进而根据用户输入的答复内容,分析调度***的问题,并基于分析得到的问题对调度***进行优化,从而能够提高调度***优化的有效性,从而满足用户需求,提升用户体验。
下面分别从训练模型和使用模型两方面分别进行详细说明。
图2为本发明又一实施例提供的停留时间模型获取流程图。如图2所示,该方法包括:
201、获取多个待训练订单的订单特征和各所述待训练订单的订单特征对应的标签;所述标签用于指示待训练订单对应的用户在对应订单评价界面的停留时间。
在具体实现过程中,可以采集用户的历史订单作为待训练订单。
在采集到待训练订单后,提取每个订单的订单特征。所述订单特征包括以下中至少一项:下单时间、出发时间、所在地高峰时段、天气情况、乘车时长、行程距离。
本实施例中,从待训练订单提取的订单特征,可以从大数据仓中获取,具体的,可以通过在线上***设置数据埋点的方式,以相应接口位置获取所需特征数据,举例来说,对于天气情况,可以对天气数据接口进行数据埋点来获取,对于地理环境和路况等特征,可以对带有地图勘测权的地图部门的数据接口进行数据埋点来提取。
在得到每个订单的订单特征后,确定各订单特征对应的标签,其中,该标签用于指示用户针对该待训练订单进行评价的时间,即在接收到待训练订单对应的评价界面后至完成订单评价将订单评价界面进行提交之间的停留时间。
202、根据各所述待训练订单的订单特征和各所述待训练订单的订单特征对应的标签,对待训练的停留时间模型进行训练,得到训练后的停留时间模型。
在得到待训练订单的订单特征以及各订单特征对应的标签后,对待训练的停留时间模型进行训练,得到训练后的停留时间模型。
在本实施例中,该停留时间模型可以为传统的机器学习模型,例如:回归算法、决策树学习、贝叶斯方法,还可以为神经网络模型,例如卷积神经网络模型。
本实施例通过训练获取的停留时间模型,该停留时间模型的训练数据充分考虑了不同订单特征对停留时间的影响,能够准确的对用户在订单评价界面的停留时间进行预测。
可选地,在一个具体的实施例中,为了提高停留时间模型的预测准确性,可以将用户的用户特征也同时考虑在内,具体的,该训练方法还包括:
步骤203、获取多个待训练订单对应的用户的用户特征和各用户特征对应的标签;所述标签用于指示待训练订单对应的用户在对应订单评价界面的停留时间。
可选地,所述用户特征包括以下中至少一项:路线偏好、出行时间偏好、累计下单次数。
相应的,步骤202包括:根据各所述待训练订单的订单特征和各所述待训练订单的订单特征对应的标签,各所述待训练订单对应的用户的用户特征和各用户特征对应的标签,对待训练的停留时间模型进行训练,得到训练后的停留时间模型。
本实施例提供的停留时间模型的训练方法,通过同时将待训练订单的订单特征以及待训练订单对应的用户的用户特征考虑在内,能够训练得到预测准确率更高的停留时间模型,从而有助于准确筛选适于进行订单评价的用户,以获取能够真实反映调度***问题的评价信息,实现对调度***的有效优化。
下面采用具体的实施例来说明本发明实施例通过训练后的停留时间模型来进行乘车订单调度***的优化方法。
图3为本发明又一实施例提供的乘车订单调度***的优化方法的流程示意图。如图3所示,该方法包括:
301、获取用户的乘车订单的订单特征。
本实施例的执行主体,可以是图1所示的客户终端或者服务器。
可选地,所述订单特征包括以下中至少一项:下单时间、出发时间、所在地高峰时段、天气情况、乘车时长、行程距离、路况。
本实施例中,从用户的乘车订单提取订单特征的方式,可以通过在线上***设置数据埋点的方式,以相应接口位置获取所需特征数据,举例来说,对于天气情况,可以对天气数据接口进行数据埋点来获取,对于地理环境和路况等特征,可以对带有地图勘测权的地图部门的数据接口进行数据埋点来提取。
本实施例中,乘车订单的订单特征的提取时机,可以是在乘车订单完成之后进行统一提取,也可以根据订单特征的特点,将必须订单完成才能形成的订单特征在订单完成后提取,为了提高运算效率,将订单未完成即可获得的特征即不必在订单完成后再提取。
302、将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间。
303、判断所述预测停留时间是否大于预测阈值,若所述预测停留时间大于预设阈值,则执行步骤304。
304、向所述用户推送所述订单评价界面,接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。
实际应用中,在承接车辆将用户送达目的地,并告知后台服务器到达目的地后,服务器或客户终端可以根据本次乘车订单的订单特征通过停留时间模型进行停留时间的预测,得到用户在订单评价界面的预测停留时间,如果获得的用户的预测停留时间大于预设阈值,则表明该用户具备认真评价订单的倾向,则向用户推送订单评价界面,以使用户在订单评价界面输入关于本次订单完成情况的评价信息。
可选地,所述订单评价界面包括:供用户输入信息的文本输入框,以及供用户选择评价结果的待勾选项目框。示例性的,图4为本发明又一实施例提供的订单评价界面的示意图,如图4所示,订单评价界面中为用户提供的调查问卷包括两个题目,第一题为客观题,题目下方设置多个选项,每个选项配置一个勾选框,以使用户可以根据实际乘车情况在相应的框中进行勾选。第二题为主观题,题目下方设置文本框,以使用户可以在该文本框种输入文字信息或者图片信息。为了更加详细的了解用户的乘车情况,在订单评价界面可以设置多个题目,可以选择每页显示一个题目或者多个题目。为了节省用户时间,充分利用用户的注意力,也可以设定较少的题目数量,例如设置3到题目。本实施例通过设置主观题能够让用户进行文字输入,便于用户清楚完整描述自己关注的问题。避免了因为客观题的涵盖范围受限,无法涵盖用户关心的问题的情况。
本实施例提供的乘车订单调度***的优化方法,通过停留时间模型根据用户的乘车订单的订单特征获得的用户在订单评价界面的预测停留时间,并根据该预测停留时间,筛选出对订单评价能够认真对待的用户,进而通过向该类用户推送订单评价界面,收集该类用户的评价信息,该评价信息更能够真实反映用户意见,通过对该类用户的评价信息进行分析可以更加准确的捕捉到当前调度***的问题,从而实现对调度***的有效优化。
可选地,在步骤303之后,还包括:
步骤305,向用户推送订单结束的通知消息。具体的,步骤303中得到的判定结果为预测停留时间小于预设阈值时,表明该用户不太擅长或者不乐于进行意见反馈,针对该类用户如果推送评价界面的话,可能只能得到用户敷衍潦草的答复,并不能反映用户的真实意见。因此执行步骤305,结束本次订单。避免了浪费用户时间,也保证了收集到的评价信息的真实性,在后续根据评价信息进行调度***的问题分析时减少了不必要的运算量。
图5为本发明又一实施例提供的乘车订单调度***的优化方法的流程示意图。在上述实施例的基础上,例如在图3所示的实施例的基础上,本实施例中增加了用户特征的识别,以便同时根据订单特征和用户特征对用户的停留时间进行准确预测。如图5所示,该方法包括:
501、获取用户的乘车订单的订单特征和所述用户的用户特征,所述用户特征包括以下中至少一项:路线偏好、出行时间偏好、累计下单次数。
关于本实施例的步骤501中订单特征的获取可以参照上述实施例中步骤301的记载,此处不再赘述。
本实施例中,用户的用户特征是指与用户的个人乘车偏好或习惯相关的特征,例如路线偏好、出行时间偏好、累计下单次数。
502、将所述订单特征和所述用户特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间。
503、判断所述预测停留时间是否大于预测阈值,若所述预测停留时间大于预设阈值,则执行步骤504,若所述预测停留时间小于或等于预设阈值,则执行步骤505。
504、向所述用户推送所述订单评价界面,接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。
505、向用户推送订单结束的通知消息。
其中,步骤503至步骤505与上述实施例中步骤303至步骤305相类似,此处不再赘述。
实际应用中,在承接车辆将用户送达目的地,并告知后台服务器到达目的地后,服务器或客户终端可以根据本次乘车订单的订单特征以及用户的用户特征通过停留时间模型进行停留时间的预测,得到用户在订单评价界面的预测停留时间,如果获得的用户的预测停留时间大于预设阈值,则表明该用户具备认真评价订单的倾向,则向用户推送订单评价界面,以使用户在订单评价界面输入关于本次订单完成情况的评价信息。
本实施例提供的乘车订单调度***的优化方法,通过综合考虑乘车订单的订单特征以及乘车用户的用户特征,能够更加准确的获得预测停留时间,进而能够对用户进行精准筛选,找出能够认真对待订单评价的用户,从该类用户采集更具价值的信息,根据该类用户反馈的信息分析当前调度***的问题,并对当前调度***进行优化。
图6为本发明又一实施例提供的乘车订单调度***的优化方法的流程示意图。在上述实施例的基础上,例如在图5所示实施例的基础上,本实施例中增加了基于派单评分的进一步的用户筛选条件,以提高用户筛选的准确性,如图6所示,该方法包括:
601、获取用户的乘车订单的订单特征和所述用户的用户特征。
602、将所述订单特征和所述用户特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间。
本实施例中步骤601和步骤602与上述实施例中步骤501和步骤502相类似,此处不再赘述。
603、将所述乘车订单输入至派单评分模型,得到预测的派单评分。
本实施例中,派单评分模型可以是工程师针对用户的乘车订单的数据情况进行分析,选定特征进行训练获得的模型,该派单评分模型用于根据输入的乘车订单输出该乘车订单的派单评分,也即用户对于该次乘车情况的体验分数。
604、判断所述预测停留时间是否大于预测阈值,且所述派单评分是否低于预设分值。若所述预测停留时间大于所述预测阈值,且所述派单评分低于所述预设分值,则执行步骤605,若所述预测停留时间小于或等于所述预测阈值,或者,所述派单评分高于所述预设分值,则执行步骤606。
为了更进一步的减少运算量,更加精准的锁定目标用户进行订单评价信息的采集。本实施例中不仅通过用户在订单评价界面的停留时间进行预测,还会通过派单评分模型对用户的乘车订单进行派单评分进行预测,并对得到的预测停留时间和得到的派单评分均进行判断,在预测停留时间和派单评分均满足预设条件时,才表明该用户为推送订单评价界面的目标用户。具体的,预测停留时间大于预测阈值表明该用户可以认真对待本次评价,派单评分低于所述预设分值表明本次订单具有更大的可能性存在调度问题。基于此,根据预测停留时间和派单评分的情况筛选得到的用户所提供的评价信息,将对于发现调度***的问题将更有帮助。
605、向所述用户推送所述订单评价界面,接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。
606、向用户推送订单结束的通知消息。
实际应用中,在承接车辆将用户送达目的地,并告知后台服务器到达目的地后,服务器或客户终端可以根据本次乘车订单的订单特征以及用户的用户特征通过停留时间模型进行停留时间的预测,得到用户在订单评价界面的预测停留时间,并且通过派单评分模型可以预测得到本次乘车订单的派单评分,如果获得的用户的预测停留时间大于预设阈值且派单评分低于预设分值,则表明该用户具备认真评价订单的倾向,如果派单评分低于所述预设分值表明用户的本次订单具有更大的可能性存在调度问题。于是,在用户的乘车订单的预测停留时间大于预设阈值且派单评分低于预设分值时向用户推送订单评价界面,以使用户在订单评价界面输入关于本次订单完成情况的评价信息。
本实施例提供的乘车订单调度***的优化方法,通过同时考虑了乘车订单的预测停留时间以及派单评分的情况,能够更加准确的筛选能够高质量完成订单评价的用户,以根据该类用户提供的评价信息分析得到调度***的问题,对调度***进行有效的优化。
图7为本发明一实施例提供的乘车订单调度***的优化设备的结构示意图。如图7所示,该乘车订单调度***的优化设备70包括:获取模块701、输入模块702、推送模块703和接收模块704。
获取模块701,用于获取用户的乘车订单的订单特征;
输入模块702,用于将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间;
推送模块703,用于若所述预测停留时间大于预设阈值,则向所述用户推送所述订单评价界面;
接收模块704,用于接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。
本发明实施例提供的乘车订单调度***的优化设备,获取模块701获取用户的乘车订单的订单特征;输入模块702将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间;推送模块703在所述预测停留时间大于预设阈值时,向所述用户推送所述订单评价界面;接收模块704接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。本实施例提供的优化设备通过停留时间模型根据用户的乘车订单的订单特征获得的用户在订单评价界面的预测停留时间,并根据该预测停留时间,筛选出对订单评价能够认真对待的用户,进而通过向该类用户推送订单评价界面,收集该类用户的评价信息,该评价信息更能够真实反映用户意见,通过对该类用户的评价信息进行分析可以更加准确的捕捉到当前调度***的问题,从而实现对调度***的有效优化。
可选地,所述订单特征包括以下中至少一项:下单时间、出发时间、所在地高峰时段、天气情况、乘车时长、行程距离。
可选地,所述获取模块还用于:
获取所述用户的用户特征,所述用户特征包括以下中至少一项:路线偏好、出行时间偏好、累计下单次数;
所述输入模块具体用于将所述订单特征和所述用户特征输入至所述停留时间模型。
可选地,所述设备还包括:确定模块705,用于将所述乘车订单输入至派单评分模型,得到预测的派单评分;
所述推送模块703具体用于在所述预测停留时间大于所述阈值且所述预测的派单评分低于预设分值时,向所述用户推送所述订单评价界面。
可选地,所述订单评价界面包括:供用户输入信息的文本输入框,以及供用户选择评价结果的待勾选项目框。
可选地,所述设备还包括训练模块706,用于获取多个待训练订单的订单特征和各所述待训练订单的订单特征对应的标签;所述标签用于指示待训练订单对应的用户在对应订单评价界面的停留时间;
根据各所述待训练订单的订单特征和各所述待训练订单的订单特征对应的标签,对待训练的停留时间模型进行训练,得到训练后的停留时间模型。
可选地,所述停留时间模型为回归模型或神经网络模型。
本发明实施例提供的乘车订单调度***的优化设备,可用于执行上述的方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图8为本发明一实施例提供的乘车订单调度***的优化设备的硬件结构示意图。如图8所示,本实施例提供的乘车订单调度***的优化设备80包括:至少一个处理器801和存储器802。该乘车订单调度***的优化设备80还包括通信部件803。其中,处理器801、存储器802以及通信部件803通过总线804连接。
在具体实现过程中,至少一个处理器801执行所述存储器802存储的计算机执行指令,使得至少一个处理器801执行如上乘车订单调度***的优化设备80所执行的乘车订单调度***的优化方法。具体的,在承接车辆将用户送达目的地,并告知后台服务器到达目的地后,该优化设备80的处理器801可以根据本次乘车订单的订单特征通过停留时间模型进行停留时间的预测,得到用户在订单评价界面的预测停留时间,如果获得的用户的预测停留时间大于预设阈值,则表明该用户具备认真评价订单的倾向,则向用户推送订单评价界面,以使用户在订单评价界面输入关于本次订单完成情况的评价信息。
当本实施例的部分步骤由服务器执行时,该通信部件803可以将相关数据发送给服务器,例如,如果预测停留时间的获得需要由服务器进行,则可以将乘车订单的订单特征或者乘车订单通过通信部件803发送给服务器。
处理器801的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图8所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上乘车订单调度***的优化设备执行的乘车订单调度***的优化方法。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上乘车订单调度***的优化设备执行的乘车订单调度***的优化方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种乘车订单调度***的优化方法,其特征在于,包括:
获取用户的乘车订单的订单特征;
将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间;
若所述预测停留时间大于预设阈值,则向所述用户推送所述订单评价界面;
接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。
2.根据权利要求1所述的方法,其特征在于,所述订单特征包括以下中至少一项:下单时间、出发时间、所在地高峰时段、天气情况、乘车时长、行程距离。
3.根据权利要求2所述的方法,其特征在于,所述将所述订单特征输入至停留时间模型之前,还包括:
获取所述用户的用户特征,所述用户特征包括以下中至少一项:路线偏好、出行时间偏好、累计下单次数;
所述将所述订单特征输入至停留时间模型,包括:
将所述订单特征和所述用户特征输入至所述停留时间模型。
4.根据权利要求1所述的方法,其特征在于,所述向所述用户推送所述订单评价界面之前,还包括:
将所述乘车订单输入至派单评分模型,得到预测的派单评分;
所述向所述用户推送所述订单评价界面,包括:
若所述预测的派单评分低于预设分值,则向所述用户推送所述订单评价界面。
5.根据权利要求1-4任一项所述的方法,其特征在于,
所述订单评价界面包括:供用户输入信息的文本输入框,以及供用户选择评价结果的待勾选项目框。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述将所述订单特征输入至停留时间模型之前,还包括:
获取多个待训练订单的订单特征和各所述待训练订单的订单特征对应的标签;所述标签用于指示待训练订单对应的用户在对应订单评价界面的停留时间;
根据各所述待训练订单的订单特征和各所述待训练订单的订单特征对应的标签,对待训练的停留时间模型进行训练,得到训练后的停留时间模型。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述停留时间模型为回归模型或神经网络模型。
8.一种乘车订单调度***的优化设备,其特征在于,包括:
获取模块,用于获取用户的乘车订单的订单特征;
输入模块,用于将所述订单特征输入至停留时间模型,获得所述用户在订单评价界面的预测停留时间;
推送模块,用于若所述预测停留时间大于预设阈值,则向所述用户推送所述订单评价界面;
接收模块,用于接收所述用户在所述订单评价界面输入的评价信息,并根据所述评价信息对调度***进行优化。
9.一种乘车订单调度***的优化设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的乘车订单调度***的优化方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的乘车订单调度***的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333881.4A CN111598307A (zh) | 2020-04-24 | 2020-04-24 | 乘车订单调度***的优化方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333881.4A CN111598307A (zh) | 2020-04-24 | 2020-04-24 | 乘车订单调度***的优化方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598307A true CN111598307A (zh) | 2020-08-28 |
Family
ID=72190571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010333881.4A Pending CN111598307A (zh) | 2020-04-24 | 2020-04-24 | 乘车订单调度***的优化方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598307A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581146A (zh) * | 2020-12-24 | 2021-03-30 | 北京嘀嘀无限科技发展有限公司 | 出行问题的反馈方法、用户请求端及服务评价反馈*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140136458A1 (en) * | 2011-05-17 | 2014-05-15 | The John Hopkins University | Hospital unit demand forecasting tool |
CN105489001A (zh) * | 2015-12-11 | 2016-04-13 | 惠州Tcl移动通信有限公司 | 一种出租车调度优化方法及*** |
CN107093120A (zh) * | 2016-09-28 | 2017-08-25 | 北京小度信息科技有限公司 | 服务策略推送方法和装置 |
CN107918884A (zh) * | 2017-11-21 | 2018-04-17 | 上海亿动信息技术有限公司 | 一种基于用户行为实现广告推送的控制方法、装置及*** |
CN110209794A (zh) * | 2018-02-12 | 2019-09-06 | 北京嘀嘀无限科技发展有限公司 | 评价信息的处理方法、装置和存储介质 |
CN110363551A (zh) * | 2018-04-02 | 2019-10-22 | 北京嘀嘀无限科技发展有限公司 | 一种预测用户满意度的方法、***及计算机设备 |
CN110910180A (zh) * | 2019-12-02 | 2020-03-24 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
-
2020
- 2020-04-24 CN CN202010333881.4A patent/CN111598307A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140136458A1 (en) * | 2011-05-17 | 2014-05-15 | The John Hopkins University | Hospital unit demand forecasting tool |
CN105489001A (zh) * | 2015-12-11 | 2016-04-13 | 惠州Tcl移动通信有限公司 | 一种出租车调度优化方法及*** |
CN107093120A (zh) * | 2016-09-28 | 2017-08-25 | 北京小度信息科技有限公司 | 服务策略推送方法和装置 |
CN107918884A (zh) * | 2017-11-21 | 2018-04-17 | 上海亿动信息技术有限公司 | 一种基于用户行为实现广告推送的控制方法、装置及*** |
CN110209794A (zh) * | 2018-02-12 | 2019-09-06 | 北京嘀嘀无限科技发展有限公司 | 评价信息的处理方法、装置和存储介质 |
CN110363551A (zh) * | 2018-04-02 | 2019-10-22 | 北京嘀嘀无限科技发展有限公司 | 一种预测用户满意度的方法、***及计算机设备 |
CN110910180A (zh) * | 2019-12-02 | 2020-03-24 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
刘译文: "基于分布式计算智能的城市出租车最优化调度算法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581146A (zh) * | 2020-12-24 | 2021-03-30 | 北京嘀嘀无限科技发展有限公司 | 出行问题的反馈方法、用户请求端及服务评价反馈*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11138524B2 (en) | Cascaded boosted predictive models | |
US12012109B2 (en) | System and methods for determining owner's preferences based on vehicle owners telematics data | |
CN110826006B (zh) | 基于隐私数据保护的异常采集行为识别方法和装置 | |
CN112884224A (zh) | 实体对象的选址方法、装置、计算设备及计算机存储介质 | |
US11836748B2 (en) | System and methods for predicting rental vehicle use preferences | |
US20160248914A1 (en) | Telephone Call Placement | |
CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
CN111582605A (zh) | 目的站点的预测方法、装置、电子设备及存储介质 | |
CN112488806A (zh) | 一种预测订单意愿的方法、装置、计算机设备及计算机可读存储介质 | |
CN112559858A (zh) | 服务信息的推送方法、装置、计算机可读介质及电子设备 | |
CN110363611B (zh) | 网约车用户匹配方法、装置、服务器及存储介质 | |
CN111652639A (zh) | 一种业务推荐方法及*** | |
CN109166012B (zh) | 针对行程预定类用户的分类及信息推送的方法和装置 | |
CN111598307A (zh) | 乘车订单调度***的优化方法及设备 | |
CN110555473A (zh) | 行车线路规划方法、服务器及*** | |
CN111754261B (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
CN112989188A (zh) | 推荐订单的确定方法、装置和服务器 | |
CN112488430A (zh) | 一种预测订单取消的建模方法、装置、计算机设备及计算机可读存储介质 | |
CN111832872A (zh) | 一种车辆调度方法、装置、电子设备和存储介质 | |
CN111835730B (zh) | 服务账号处理方法、装置、电子设备及可读存储介质 | |
CN111833595B (zh) | 共享汽车辅助车辆配置方法、电子设备及存储介质 | |
CN111695919B (zh) | 评价数据处理方法、装置、电子设备及存储介质 | |
CN111507753A (zh) | 信息推送方法、装置和电子设备 | |
CN110610380A (zh) | 用户画像获取方法、装置、设备和计算机可读存储介质 | |
CN110702131B (zh) | 数据处理方法及装置 |
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 |