CN111754261B - 一种车辆出租意愿的评估方法、装置及终端设备 - Google Patents
一种车辆出租意愿的评估方法、装置及终端设备 Download PDFInfo
- Publication number
- CN111754261B CN111754261B CN202010567210.4A CN202010567210A CN111754261B CN 111754261 B CN111754261 B CN 111754261B CN 202010567210 A CN202010567210 A CN 202010567210A CN 111754261 B CN111754261 B CN 111754261B
- Authority
- CN
- China
- Prior art keywords
- price
- vehicle
- data
- rental
- state
- 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 47
- 238000011156 evaluation Methods 0.000 claims abstract description 73
- 230000015654 memory Effects 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer 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
本发明实施例公开了一种车辆出租意愿的评估方法、装置及终端设备。该方法包括:获取被测车辆的订单数据,并根据所述订单数据确定与所述被测车辆对应的订单特征信息;将所述订单特征信息输入到预先训练完成的出租预测模型中,得到输出的所述被测车辆的预测出租状态;如果所述预测出租状态为可出租状态,则根据所述被测车辆的评估参数数据,确定所述被测车辆的出租意愿评估结果。本发明实施例通过根据车辆的订单数据对车辆的出租状态进行预测,并根据评估参数数据确定车辆的出租意愿评估结果,解决了车辆出租状态不准确的问题,提高了租客需求与可租车辆之间的匹配效率和租车平台上的在架车辆的利用率,同时满足了租客的用车需求和车主的经济需求。
Description
技术领域
本发明实施例涉及租车平台技术领域,尤其涉及一种车辆出租意愿的评估方法、装置及终端设备。
背景技术
共享经济是一种拥有闲置资源的机构或个人有偿将资源的使用权暂时转移给他人的经济模式,可以优化资源配置、扩大消费需求和提高财富循环效率。
共享租车平台属于共享经济的一种共享模式,通过共享出租平台,车主可以将自有车辆在闲置的时间进行出租以获取部分经济利益,租客可以获得非自有车辆的使用权以满足对车辆的使用需求。共享租车平台上的车主大多并非专职处理租车业务,因此共享租车平台上的数据由于更新不及时,很容易出现租客根据搜索到的车辆进行下单租用后,车主不想出租或不能出租的情况,从而降低了匹配效率和用户体验,浪费平台资源。
发明内容
本发明实施例提供了一种车辆出租意愿的评估方法、装置及终端设备,以提高以租客需求与可租车辆之间的匹配效率和租车平台上的在架车辆的利用率,同时满足租客的用车需求和车主的经济需求。
第一方面,本发明实施例提供了一种车辆出租意愿的评估方法,该方法包括:
获取被测车辆的订单数据,并根据所述订单数据确定与所述被测车辆对应的订单特征信息;
将所述订单特征信息输入到预先训练完成的出租预测模型中,得到输出的所述被测车辆的预测出租状态;
如果所述预测出租状态为可出租状态,则根据所述被测车辆的评估参数数据,确定所述被测车辆的出租意愿评估结果。
第二方面,本发明实施例还提供了车辆出租意愿的评估装置,该装置包括:
订单特征信息确定模块,用于获取被测车辆的订单数据,并根据所述订单数据确定与所述被测车辆对应的订单特征信息;
预测出租状态确定模块,用于将所述订单特征信息输入到预先训练完成的出租预测模型中,得到输出的所述被测车辆的预测出租状态;
出租意愿评估结果确定模块,用于如果所述预测出租状态为可出租状态,则根据所述被测车辆的评估参数数据,确定所述被测车辆的出租意愿评估结果。
第三方面,本发明实施例还提供了一种终端设备,该终端设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述所涉及的任一所述的车辆出租意愿的评估方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的车辆出租意愿的评估方法。
本发明实施例通过根据车辆的订单数据对车辆的出租状态进行预测,并根据评估参数数据确定车辆的出租意愿评估结果,解决了车辆出租状态不准确的问题,提高了租客需求与可租车辆之间的匹配效率和租车平台上的在架车辆的利用率,同时也满足了租客的用车需求和车主的经济需求。
附图说明
图1是本发明实施例一提供的一种车辆出租意愿的评估方法的流程图。
图2是本发明实施例二提供的一种车辆出租意愿的评估方法的流程图。
图3是本发明实施例三提供的一种车辆出租意愿的评估方法的流程图。
图4是本发明实施例三提供的一种车辆出租意愿的评估方法的具体实例流程图。
图5是本发明实施例四提供的一种车辆出租意愿的评估装置的示意图。
图6是本发明实施例五提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种车辆出租意愿的评估方法的流程图,本实施例可适用于对出租车辆的出租状态进行评估的情况,该方法可以由车辆出租意愿的评估装置来执行,该装置可采用软件和/或硬件的方式实现,该装置可以配置于终端设备中。具体包括如下步骤:
S110、获取被测车辆的订单数据,并根据订单数据确定与被测车辆对应的订单特征信息。
其中,被测车辆包括在租车平台注册登记的车辆,被测车辆的订单数据包括被测车辆的接受订单和拒绝订单的数据,示例性的,订单数据可以是接受订单的时间、拒绝订单的时间、接受订单的次数、拒绝订单的次数和订单信息等数据。其中,订单信息包括租客填写的信息,示例性的,订单信息包括但不限于租车时间、租车品牌、租车车型和租车价格等信息。在一个实施例中,可选的,被测车辆的订单数据包括被测车辆的车主订单数据。其中,示例性的,车主订单数据包括车主除被测车辆之外的其他车辆的订单数据。另一个实施例中,可选的,被测车辆的订单数据包括被测车辆的车辆基本信息。示例性的,车辆基本信息可以是使用年限、里程数、发动机型号、当前停放地理位置和剩余油量等信息。此处对被测车辆的订单数据不作具体限定。
在一个实施例中,可选的,根据订单数据确定与被测车辆对应的订单特征信息,包括:对订单数据进行特征工程处理,得到与被测车辆对应的订单特征信息。其中,示例性的,特征工程处理方法包括但不限于特征清洗、特征采样、特征选择和特征提取中至少一种。其中,特征清洗用于去除订单数据中的异常数据,特征采样用于设置订单数据中各特征数据的权重,示例性的,接受订单的次数的权重大于订单信息的权重。特征选择用于去除订单数据中与结果关系不大的特征,示例性的,特征选择的方法包括但不限于过滤型、包裹型和嵌入型中至少一种。特征提取用于从订单数据中提取与结果关系较大的特征,示例性额度,特征提取的方法包括但不限于主成分分析法和和无监督聚类法等。
S120、将订单特征信息输入到预先训练完成的出租预测模型中,得到输出的被测车辆的预测出租状态。
其中,出租预测模型包括二分类模型,被测车辆的预测出租状态包括可出租状态和不可出租状态。其中,具体的,当出租预测模型得到可出租状态对应的预测概率大于等于预设概率值时,则输出被测车辆的出租状态为可出租状态。相应的,当出租预测模型得到可出租状态对应的预测概率小于预设概率值时,则输出被测车辆的出租状态为不可出租状态。在一个实施例中,可选的,预设概率值小于等于0.5。这样设置的好处在于,可以避免过滤掉出租意愿较弱的被测车辆。
其中,示例性的,二分类模型采用的算法包括但不限于贝叶斯分类法、决策树、支持向量机、K近邻或逻辑回归等算法。在一个实施例中,可选的,出租预测模型采用的算法为Adaboost算法。Adaboost算法的算法原理是在初始化训练数据时,每个训练数据的权重相同。在迭代训练的过程中,提高当前迭代训练被错误分类的训练数据的权重,降低当前迭代训练被正确分类的训练数据的权重。在采用加权多数表决的方法确定分类结果时,提高分类误差率小的分类器的权重,降低分类误差率大的分类器的权重。其中,分类误差率等于被错误分类的训练数据的权重之和。这样设置的好处在于,由于在对出租预测模型进行训练时,并不能准确获取到所有的负样本训练数据,而Adaboost算法可以有效规避负样本训练数据不足的问题,提高分类准确率。
S130、如果预测出租状态为可出租状态,则根据被测车辆的评估参数数据,确定被测车辆的出租意愿评估结果。
在一个实施例中,可选的,评估参数数据包括历史可租用设置时间数据。出租意愿评估结果包括预设时间内的预测出租时间,相应地,根据被测车辆的评估参数数据,确定被测车辆的未来预设时间段内的预测出租时间,包括:对历史可租用设置时间数据进行统计,根据统计结果确定被测车辆的预设时间内的预测出租时间。其中,历史可租用设置时间数据是指在此次评估之前,被测车辆的车主设置过的可租用设置时间。其中,示例性的,预设时间可以为7天或10天等。举例而言,当历史可租用设置时间集中在周一和周三,则出租时间评估结果可以为被测车辆在未来7天内的预测出租时间为周一和周三。
在另一实施例中,可选的,评估参数数据包括时间数据,相应地,根据被测车辆的评估参数数据,确定被测车辆的出租意愿评估结果,包括:根据时间数据确定与被测车辆对应的时间特征信息;其中,时间数据包括历史订单租用时间和可租用设置时间;将时间特征信息输入到预先训练完成的时间预测模型中,得到输出的被测车辆在预设时间内的预测出租时间。
其中,示例性的,历史订单租用时间是指车主对订单的响应操作对应的时间,响应操作包括拒绝或接受。相应的,历史订单租用时间包括历史订单可租用时间和历史订单不可租用时间。具体的,当车主接受订单时,与该订单对应的时间为历史订单可租用时间,当车主拒绝订单时,与该订单对应的时间为历史不可租用时间。举例而言,如果车主对周一至周三的订单的响应操作为接受,则历史可租用时间包括周一至周三;如果车主对另一个周四至周五的订单的响应操作为拒绝,则历史不可租用时间包括周四至周五。其中,可租用设置时间包括历史可租用设置时间和当前可租用设置时间,其中,历史可租用时间是指在对被测车辆进行评估之前车主在租车平台上设置过的可租用时间,当前可租用时间是指在对被测车辆进行评估时,采集到的车主在租车平台上设置的可租用时间。示例性的,当前可租用设置时间可以为周一至周四。
其中,具体的,根据时间数据确定与被测车辆对应的时间特征信息,包括:对时间数据进行特征工程处理,得到与被测车辆对应的时间特征信息。此处对特征工程处理的具体方法不作限定。
在一个实施例中,可选的,时间预测模型为LSTM(Long Short Term MemoryNetwork,长短期记忆网络)模型。其中,示例性的,预设时间可以为7天。
传统的时间统计方法只能根据历史可租用设置时间确定被测车辆的周期性出租时间,但对于不规律的可租用设置时间或容易发生变化的可租用设置时间,时间统计方法并不能得到准确的预测结果。上述记载的技术方案可提高预测出租时间的准确度,进而提高后续的订单匹配效率。
在上述实施例的基础上,可选的,如果预测出租状态为不可出租状态,则结束对被测车辆的评估操作,并将预测出租状态反馈给用户。
本实施例的技术方案,通过根据车辆的订单数据对车辆的出租状态进行预测,并根据评估参数数据确定车辆的出租意愿评估结果,解决了车辆出租状态不准确的问题,提高了租客需求与可租车辆之间的匹配效率和租车平台上的在架车辆的利用率,同时满足了租客的用车需求和车主的经济需求。
实施例二
图2是本发明实施例二提供的一种车辆出租意愿的评估方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,所述评估参数数据包括价格数据,相应地,所述根据所述被测车辆的评估参数数据,确定所述被测车辆的出租意愿评估结果,包括:根据所述价格数据确定与所述被测车辆对应的价格特征信息;其中,所述价格数据包括当前标定价格;将所述当前标定价格和价格特征信息输入到预先训练完成的价格预测模型中,得到输出的与所述当前标定价格对应的目标价格分类结果。
本实施例的具体实施步骤包括:
S210、获取被测车辆的订单数据,并根据订单数据确定与被测车辆对应的订单特征信息。
S220、将订单特征信息输入到预先训练完成的出租预测模型中,得到输出的被测车辆的预测出租状态。
S230、如果预测出租状态为可出租状态,则根据价格数据确定与被测车辆对应的价格特征信息;其中,价格数据包括当前标定价格。
其中,当前标定价格是指在对被测车辆进行评估时,采集到的车主在租车平台上设置的标定价格,示例性的,标定价格可以是价格区间,也可以是单一价格,如标定价格为80-90或标定价格为80。在一个实施例中,可选的,价格数据还包括历史标定价格、历史拒单标定价格和历史订单交易价格中至少一种。其中,示例性的,历史标定价格是指在此次评估之前,被测车辆的车主设置过的标定价格。历史拒单标定价格包括未接受订单或拒绝订单时对应的标定价格,其中,未接受订单是指超过预设接单时间的订单。历史订单交易价格是指在此次评估之前,被测车辆的成功交易订单的交易价格。
在一个实施例中,可选的,价格数据还包括水位价格数据,水位价格数据为当前标定价格占参考标定价格区间的比例,其中,参考标定价格区间包括被测车辆的历史标定价格区间、与被测车辆车型相同的其他车辆的当前标定价格区间和与被测车辆所属区域相同的其他车辆的当前标定价格区间中至少一种。其中,示例性的,参考标定价格区间还可以是与被测车辆品牌相同的其他车辆的当前标定价格区间和租车平台上所有在架车辆的当前标定价格区间等等。
其中,具体的,根据价格数据确定与被测车辆对应的价格特征信息,包括:对价格数据进行特征工程处理,得到与被测车辆对应的价格特征信息。此处对特征工程处理的具体方法不作限定。
S240、将当前标定价格和价格特征信息输入到预先训练完成的价格预测模型中,得到输出的与当前标定价格对应的目标价格分类结果。
在一个实施例中,可选的,价格预测模型包括第一价格预测模型和第二价格预测模型,其中,第一价格预测模型的类型为至少两种,第一价格预测模型用于对当前标定价格进行价格分类得到参考价格分类结果,第二价格预测模型用于根据各参考价格分类结果确定与当前标定价格对应的目标价格分类结果。
其中,具体的,价格预测模型包括至少两个第一价格预测模型,各第一价格预测模型的类型不同。在一个实施例中,可选的,第一价格预测模型包括随机森林分类器、支持向量机分类器和逻辑回归分类器,第二价格预测模型包括极端梯度提升(eXtreme GradientBoosting,XGBoost)分类器。其中,具体的,将随机森林分类器、支持向量机分类器和逻辑回归分类器分别输出的参考价格分类结果输入到极端梯度提升分类器中,得到输出的与当前标定价格对应的目标价格分类结果。
其中,示例性的,参考价格分类结果和目标价格分类结果包括当前标定价格所属的价格类型和与价格类型对应的价格概率。在一个实施例中,可选的,根据目标价格分类结果中的价格类型和与价格类型对应的价格概率,确定被测车辆的预测出租价格;其中,价格类型包括准确类型、高类型或低类型。其中,具体的,在一个实施例中,建立价格类型、价格概率、当前标定价格与预测出租价格之间的映射列表,当根据时间预测模型得到当前标定价格所属的价格类型和价格概率后,通过映射列表确定预测出租价格。在另一个实施例中,根据价格类型、价格概率和当前标定价格计算得到预测出租价格。示例性的,当价格类型为高类型,价格概率为0.8,当前标定价格为100,则预测出租价格满足LH=100-(0.8-0.5)×100=70。示例性的,当价格类型为低类型,价格概率为0.8,当前标定价格为100,则预测出租价格满足LL=100+(0.8-0.5)×100=130。当然,预测出租价格也可以是价格区间,根据上述举例可得,预测出租价格LH满足70≤LH≤100,预测出租价格LL满足100≤LL≤130。
本实施例的技术方案,通过将价格特征信息输入到价格预测模型中得到目标价格分类结果,以对当前标定价格进行评估,解决了被测车辆当前标定价格不准确的问题,提高了后续的订单匹配率和匹配效率。
实施例三
图3是本发明实施例三提供的一种车辆出租意愿的评估方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,所述评估参数数据包括时间数据和价格数据。进一步地,所述方法还包括:获取用户输入的租车数据,并基于所有被测车辆的出租数据确定与所述租车数据匹配的至少一个目标车辆;基于各所述目标车辆的出租状态和出租意愿评估结果对各所述目标车辆进行排序,并根据排序结果显示各所述目标车辆的车辆信息。
本实施例的具体实施步骤包括:
S310、获取被测车辆的订单数据,并根据订单数据确定与被测车辆对应的订单特征信息。
S320、将订单特征信息输入到预先训练完成的出租预测模型中,得到输出的被测车辆的预测出租状态。
S330、如果预测出租状态为可出租状态,则根据时间数据和价格数据分别确定与被测车辆对应的时间特征信息和价格特征信息。
S340、将时间特征信息和价格特征信息分别输入到预先训练完成的时间预测模型和价格预测模型中,得到输出的被测车辆在预设时间内的预测出租时间和与当前标定价格对应的目标价格分类结果。
S350、获取用户输入的租车数据,并基于所有被测车辆的出租数据确定与租车数据匹配的至少一个目标车辆。
其中,示例性的,租车数据包括但不限于租车时间、租车地理位置、车辆类型和车辆品牌等等。其中,示例性的,出租数据包括但不限于出租时间、当前标定价格、租车地理位置、车辆类型和车辆品牌等等。
在一个实施例中,可选的,出租时间包括被测车辆当前可租用设置时间和预测出租时间。相应地,基于所有被测车辆的出租数据确定与租车数据匹配的至少一个目标车辆,包括:当被测车辆的出租数据中的被测车辆当前可租用设置时间和/或预测出租时间,与租车数据中的租车时间匹配时,将被测车辆作为目标车辆。其中,示例性的,当租车数据中的租车时间为5月10号的10:00-12:00,被测车辆可租用设置时间为5月10号的8:00-9:00,但预测出租时间为5月10号9:00-13:00,则该被测车辆可作为目标车辆。
S360、基于各目标车辆的预测出租状态和出租意愿评估结果对各目标车辆进行排序,并根据排序结果显示各目标车辆的车辆信息。
其中,出租意愿评估结果包括预设时间内的预测出租时间和与当前标定价格对应的目标价格分类结果。
在一个实施例中,可选的,基于目标车辆的出租状态和出租意愿评估结果对各目标车辆进行排序,包括:基于目标车辆的出租状态和出租意愿评估结果对应的预设权重值确定各目标车辆的权重等级,基于各权重等级对各目标车辆进行排序。其中,示例性的,出租状态对应的预设权重值从大到小的排序为可出租状态和不可出租状态。其中,示例性的,目标价格分类结果对应的预设权重值从大到小的排序为当前标定价格的价格类型为低类型且价格概率较高、标定价格的价格类型为低类型且价格概率较低、当前标定价格的价格类型为准确类型、当前标定价格的价格类型为高类型且价格概率较低和当前标定价格的价格类型为高类型且价格概率较高。其中,示例性的,预测出租时间对应的预设权重值从大到小的排序为当前可租用设置时间在预设出租时间内和当前可租用设置时间在预设出租时间外。此处对出租状态、目标价格分类结果和预测出租时间对应的预设权重值之间的大小关系不作限定。示例性的,目标价格分类结果对应的预设权重值可以均大于预测出租时间对应的预设权重值,也可以目标价格分类结果对应的预设权重值A大于预测出租时间对应的预设权重值,小于预设权重值A的其余预设权重值小于预测出租时间对应的预设权重值。
在上述实施例的基础上,可选的,根据预测出租状态和出租意愿评估结果确定用户调查策略,基于根据用户调查策略采集到的调查数据对预测出租状态和出租意愿评估结果进行修正。其中,示例性的,用户调查策略包括预测出租状态和出租意愿评估结果的判断信息,示例性的,当车辆A的预测出租状态为不可出租状态,则用户调查策略可以为“车辆A是否不可出租”;当车辆A的当前标定价格的价格类型为高类型,则用户调查策略可以为“车辆A的标定价格是否偏高”。
在一个实施例中,可选的,将调查数据作为出租预测模型、时间预测模型和价格预测模型的训练标准,对各预测模型进行训练更新。
图4是本发明实施例三提供的一种车辆出租意愿的评估方法的具体实例流程图。对历史车主订单数据、历史被测车辆订单数据和车辆基本信息进行特征工程处理后输入到基于AdaBoost算法的出租预测模型中,得到输出的预测出租状态并确定车辆是否出租。如果否,则结束评估操作,并生成综合出租意愿评估结果。如果是,则对被测车辆分别进行时间评估和价格评估。
其中,具体的,获取历史订单租用时间和可租用设置时间,其中,可租用设置时间包括历史可租用设置时间和当前可租用设置时间。对历史接单响应时间和可租用设置时间进行特征工程处理后输入到LSTM时序预测模型中,得到车辆在未来7天的预测出租时间。
其中,具体的,对历史标定价格、历史拒单标定价格、历史订单交易价格和水位价格进行特征工程处理后输入到基分类器(Base-Leaner)中,也就是第一价格预测模型,在本实施例中,基分类器包括基于随机森林算法的分类器、基于支持向量机算法的分类器和基于逻辑回归算法的分类器。将基分类器的输出结果输入到基于XGBoost算法的元分类器(Meta-Leaner)中,也就是第二价格预测模型,得到输出的与被测车辆对应的目标价格分类结果,具体的,目标价格分类结果中的价格类型包括准确类型、高类型和低类型。
基于预测出租状态、预测出租时间和目标价格分类结果生成综合出租意愿评估结果,基于综合出租意愿评估结果在一键外呼功能中加入用户调查策略,根据基于用户调查策略采集到的调查数据对综合出租意愿评估结果进行修正。同时基于综合出租意愿评估结果对在架车辆进行排序后显示。
本实施例的技术方案,通过基于预测出租状态和出租意愿评估结果对匹配得到的目标车辆进行排序,并根据排序结果显示各目标车辆的车辆信息,解决了目标车辆筛选结果不准确的问题,使得用户可最先查阅到匹配度最高且预测匹配成功率最高的目标车辆的车辆信息,提高了用户选定最终匹配的目标车辆的效率以及该目标车辆后续成功接单的概率,同时满足了租客的用车需求和车主的经济需求。
实施例四
图5是本发明实施例四提供的一种车辆出租意愿的评估装置的示意图。本实施例可适用于对出租车辆的出租状态进行评估的情况,该装置可采用软件和/或硬件的方式实现,该装置可以配置于终端设备中。该车辆出租意愿的评估装置包括:订单特征信息确定模块410、预测出租状态确定模块420和出租意愿评估结果确定模块430。
其中,订单特征信息确定模块410,用于获取被测车辆的订单数据,并根据订单数据确定与被测车辆对应的订单特征信息;
预测出租状态确定模块420,用于将订单特征信息输入到预先训练完成的出租预测模型中,得到输出的被测车辆的预测出租状态;
出租意愿评估结果确定模块430,用于如果预测出租状态为可出租状态,则根据被测车辆的评估参数数据,确定被测车辆的出租意愿评估结果。
本实施例的技术方案,通过根据车辆的订单数据对车辆的出租状态进行预测,并根据评估参数数据确定车辆的出租意愿评估结果,解决了车辆出租状态不准确的问题,提高了租客需求与可租车辆之间的匹配效率和租车平台上的在架车辆的利用率,同时满足了租客的用车需求和车主的经济需求。
在上述技术方案的基础上,可选的,评估参数数据包括时间数据,出租意愿评估结果确定模块430具体用于:
根据时间数据确定与被测车辆对应的时间特征信息;其中,时间数据包括历史订单租用时间和可租用设置时间;
将时间特征信息输入到预先训练完成的时间预测模型中,得到输出的被测车辆在预设时间内的预测出租时间。
在上述技术方案的基础上,可选的,评估参数数据包括价格数据,出租意愿评估结果确定模块430具体用于:
根据价格数据确定与被测车辆对应的价格特征信息;其中,价格数据包括当前标定价格;
将当前标定价格和价格特征信息输入到预先训练完成的价格预测模型中,得到输出的与当前标定价格对应的目标价格分类结果。
在上述技术方案的基础上,可选的,价格数据还包括水位价格数据,水位价格数据为当前标定价格占参考标定价格区间的比例,其中,参考标定价格区间包括被测车辆的历史标定价格区间、与被测车辆车型相同的其他车辆的当前标定价格区间和与被测车辆所属区域相同的其他车辆的当前标定价格区间中至少一种。
在上述技术方案的基础上,可选的,价格预测模型包括第一价格预测模型和第二价格预测模型,其中,第一价格预测模型的类型为至少两种,第一价格预测模型用于对当前标定价格进行价格分类得到参考价格分类结果,第二价格预测模型用于根据各参考价格分类结果确定与当前标定价格对应的目标价格分类结果。
在上述技术方案的基础上,可选的,该装置还包括:
预测出租价格确定模块,用于根据目标价格分类结果中的价格类型和与价格类型对应的价格概率,确定被测车辆的预测出租价格;其中,价格类型包括准确类型、高类型或低类型。
在上述技术方案的基础上,可选的,该装置还包括:
车辆信息显示模块,用于获取用户输入的租车数据,并基于所有被测车辆的出租数据确定与租车数据匹配的至少一个目标车辆;基于各目标车辆的预测出租状态和出租意愿评估结果对各目标车辆进行排序,并根据排序结果显示各目标车辆的车辆信息。
在上述技术方案的基础上,可选的,该装置还包括:
出租意愿评估结果修正模块,用于根据预测出租状态和出租意愿评估结果确定用户调查策略,基于根据用户调查策略采集到的调查数据对预测出租状态和出租意愿评估结果进行修正。
本发明实施例所提供的车辆出租意愿的评估装置可以用于执行本发明实施例所提供的车辆出租意愿的评估方法,具备执行方法相应的功能和有益效果。
值得注意的是,上述车辆出租意愿的评估装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例五
图6是本发明实施例五提供的一种设备的结构示意图,本发明实施例为本发明上述实施例的车辆出租意愿的评估方法的实现提供服务,可配置上述实施例中的车辆出租意愿的评估装置。图6示出了适于用来实现本发明实施方式的示例性终端设备12的框图。图6显示的终端设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,终端设备12以通用计算设备的形式表现。终端设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
终端设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被终端设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。终端设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
终端设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该终端设备12交互的设备通信,和/或与使得该终端设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,终端设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6所示,网络适配器20通过总线18与终端设备12的其它模块通信。应当明白,尽管图中未示出,可以结合终端设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的车辆出租意愿的评估方法。
通过上述设备,解决了车辆出租状态不准确的问题,提高了租客需求与可租车辆之间的匹配效率和租车平台上的在架车辆的利用率,同时满足了租客的用车需求和车主的经济需求。
实施例六
本发明实施例六还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种车辆出租意愿的评估方法,该方法包括:
获取被测车辆的订单数据,并根据订单数据确定与被测车辆对应的订单特征信息;
将订单特征信息输入到预先训练完成的出租预测模型中,得到输出的被测车辆的预测出租状态;
如果预测出租状态为可出租状态,则根据被测车辆的评估参数数据,确定被测车辆的出租意愿评估结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的车辆出租意愿的评估方法中的相关操作。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种车辆出租意愿的评估方法,其特征在于,包括:
获取被测车辆的订单数据,并根据所述订单数据确定与所述被测车辆对应的订单特征信息;
将所述订单特征信息输入到预先训练完成的出租预测模型中,得到输出的所述被测车辆的预测出租状态;
如果所述预测出租状态为可出租状态,则根据所述被测车辆的评估参数数据,确定所述被测车辆的出租意愿评估结果;
所述出租预测模型包括二分类模型;所述被测车辆的预测出租状态包括可出租状态和不可出租状态;当所述出租预测模型得到可出租状态对应的预测概率大于等于预设概率值时,则输出被测车辆的预测出租状态为可出租状态;当所述出租预测模型得到可出租状态对应的预测概率小于预设概率值时,则输出被测车辆的预测出租状态为不可出租状态;
所述评估参数数据包括时间数据,相应地,所述根据所述被测车辆的评估参数数据,确定所述被测车辆的出租意愿评估结果,包括:
根据所述时间数据确定与所述被测车辆对应的时间特征信息;其中,所述时间数据包括历史订单租用时间和可租用设置时间;
将所述时间特征信息输入到预先训练完成的时间预测模型中,得到输出的所述被测车辆在预设时间内的预测出租时间;
所述评估参数数据包括价格数据,相应地,所述根据所述被测车辆的评估参数数据,确定所述被测车辆的出租意愿评估结果,包括:
根据所述价格数据确定与所述被测车辆对应的价格特征信息;其中,所述价格数据包括当前标定价格;
将所述当前标定价格和价格特征信息输入到预先训练完成的价格预测模型中,得到输出的与所述当前标定价格对应的目标价格分类结果;
所述价格数据还包括水位价格数据,所述水位价格数据为当前标定价格占参考标定价格区间的比例,其中,所述参考标定价格区间包括所述被测车辆的历史标定价格区间、与所述被测车辆车型相同的其他车辆的当前标定价格区间和与所述被测车辆所属区域相同的其他车辆的当前标定价格区间中至少一种。
2.根据权利要求1所述的方法,其特征在于,所述价格预测模型包括第一价格预测模型和第二价格预测模型,其中,所述第一价格预测模型的类型为至少两种,所述第一价格预测模型用于对所述当前标定价格进行价格分类得到参考价格分类结果,所述第二价格预测模型用于根据各所述参考价格分类结果确定与所述当前标定价格对应的目标价格分类结果。
3.根据权利要求1所述的方法,其特征在于,在得到输出的与所述当前标定价格对应的目标价格分类结果之后,还包括:
根据所述目标价格分类结果中的价格类型和与所述价格类型对应的价格概率,确定所述被测车辆的预测出租价格;其中,所述价格类型包括准确类型、高类型或低类型。
4.根据权利要求1所述的方法,其特征在于,还包括:
获取用户输入的租车数据,并基于所有被测车辆的出租数据确定与所述租车数据匹配的至少一个目标车辆;
基于各所述目标车辆的预测出租状态和出租意愿评估结果对各所述目标车辆进行排序,并根据排序结果显示各所述目标车辆的车辆信息。
5.根据权利要求1所述的方法,其特征在于,还包括:
根据所述预测出租状态和出租意愿评估结果确定用户调查策略,基于根据所述用户调查策略采集到的调查数据对所述预测出租状态和出租意愿评估结果进行修正。
6.一种车辆出租意愿的评估装置,其特征在于,包括:
订单特征信息确定模块,用于获取被测车辆的订单数据,并根据所述订单数据确定与所述被测车辆对应的订单特征信息;
预测出租状态确定模块,用于将所述订单特征信息输入到预先训练完成的出租预测模型中,得到输出的所述被测车辆的预测出租状态;
出租意愿评估结果确定模块,用于如果所述预测出租状态为可出租状态,则根据所述被测车辆的评估参数数据,确定所述被测车辆的出租意愿评估结果;
所述出租预测模型包括二分类模型;所述被测车辆的预测出租状态包括可出租状态和不可出租状态;当所述出租预测模型得到可出租状态对应的预测概率大于等于预设概率值时,则输出被测车辆的预测出租状态为可出租状态;当所述出租预测模型得到可出租状态对应的预测概率小于预设概率值时,则输出被测车辆的预测出租状态为不可出租状态;
所述评估参数数据包括时间数据,所述出租意愿评估结果确定模块具体用于:
根据时间数据确定与被测车辆对应的时间特征信息;其中,时间数据包括历史订单租用时间和可租用设置时间;
将时间特征信息输入到预先训练完成的时间预测模型中,得到输出的被测车辆在预设时间内的预测出租时间;
所述评估参数数据包括价格数据,所述出租意愿评估结果确定模块具体用于:
根据价格数据确定与被测车辆对应的价格特征信息;其中,价格数据包括当前标定价格;
将当前标定价格和价格特征信息输入到预先训练完成的价格预测模型中,得到输出的与当前标定价格对应的目标价格分类结果;
所述价格数据还包括水位价格数据,水位价格数据为当前标定价格占参考标定价格区间的比例,其中,参考标定价格区间包括被测车辆的历史标定价格区间、与被测车辆车型相同的其他车辆的当前标定价格区间和与被测车辆所属区域相同的其他车辆的当前标定价格区间中至少一种。
7.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的车辆出租意愿的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567210.4A CN111754261B (zh) | 2020-06-19 | 2020-06-19 | 一种车辆出租意愿的评估方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567210.4A CN111754261B (zh) | 2020-06-19 | 2020-06-19 | 一种车辆出租意愿的评估方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754261A CN111754261A (zh) | 2020-10-09 |
CN111754261B true CN111754261B (zh) | 2021-12-21 |
Family
ID=72675764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010567210.4A Active CN111754261B (zh) | 2020-06-19 | 2020-06-19 | 一种车辆出租意愿的评估方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754261B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561657B (zh) * | 2020-12-23 | 2024-01-09 | 上海乐享似锦科技股份有限公司 | 一种车辆信息处理方法、装置、电子设备以及存储介质 |
CN113592198B (zh) * | 2021-08-24 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 需求参考信息的确定方法、服务器及终端 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530188B (zh) * | 2016-09-30 | 2021-06-11 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中司机的接单概率评价方法和装置 |
CN110070751B (zh) * | 2019-05-23 | 2020-11-20 | 云盾智能物联有限公司 | 车位共享发布管理***、车位共享自动推送装置及方法 |
CN110348880A (zh) * | 2019-06-18 | 2019-10-18 | 深圳市元征科技股份有限公司 | 评估车辆的出租价格的方法及装置 |
-
2020
- 2020-06-19 CN CN202010567210.4A patent/CN111754261B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111754261A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275491B (zh) | 一种数据处理方法及装置 | |
CN111950738A (zh) | 机器学习模型优化效果评估方法、装置、终端及存储介质 | |
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 | |
CN111754261B (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
CN109978619B (zh) | 机票定价策略筛选的方法、***、设备以及介质 | |
CN114386856A (zh) | 一种空壳企业识别方法、装置、设备及计算机存储介质 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN113935788B (zh) | 模型评估方法、装置、设备及计算机可读存储介质 | |
CN111582589A (zh) | 一种租车出险预测方法、装置、设备及存储介质 | |
CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
CN117437019A (zh) | ***逾期风险预测方法、装置、设备、介质和程序产品 | |
CN117132317A (zh) | 数据处理方法、装置、设备、介质及产品 | |
US20230058076A1 (en) | Method and system for auto generating automotive data quality marker | |
CN113487208B (zh) | 风险评估方法及装置 | |
CN111860554A (zh) | 风险监控方法、装置、存储介质及电子设备 | |
CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
CN114896482A (zh) | 一种模型训练和补能意图识别方法、装置、设备及介质 | |
CN114330888A (zh) | 订单处理方法、***及电子设备 | |
CN113537671B (zh) | 分拣时效预测方法及装置、存储介质、电子设备 | |
CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
CN111815250A (zh) | 用于物流的货物状态识别方法、装置及二分类建模方法 | |
CN115009744B (zh) | 一种前置仓货物出仓时长预估方法及装置 | |
CN114168814A (zh) | 数据处理方法、相关装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 587, building 3, 333 Hongqiao Road, Xuhui District, Shanghai 200030 Applicant after: Shanghai Lexiang Sijin Technology Co.,Ltd. Address before: Room 587, building 3, 333 Hongqiao Road, Xuhui District, Shanghai 200030 Applicant before: Shanghai xinwin Information Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |