CN111859289B - 交通工具的交易转化率预估方法、装置、电子设备及介质 - Google Patents

交通工具的交易转化率预估方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111859289B
CN111859289B CN202010556232.0A CN202010556232A CN111859289B CN 111859289 B CN111859289 B CN 111859289B CN 202010556232 A CN202010556232 A CN 202010556232A CN 111859289 B CN111859289 B CN 111859289B
Authority
CN
China
Prior art keywords
data
user
estimated
conversion rate
cue
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
Application number
CN202010556232.0A
Other languages
English (en)
Other versions
CN111859289A (zh
Inventor
刘凯
王瑜
李敏
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 CN202010556232.0A priority Critical patent/CN111859289B/zh
Publication of CN111859289A publication Critical patent/CN111859289A/zh
Application granted granted Critical
Publication of CN111859289B publication Critical patent/CN111859289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)

Abstract

本发明实施例提供的一种交通工具的交易转化率预估方法、装置、电子设备及介质，涉及数据处理技术领域，该方法包括：获取待预估用户的线索数据，根据待预估用户的线索数据，采用预设转化率预估模型进行处理，得到待预估用户的交易转化率，其中，交易转化率用于指示待预估用户针对待交易交通工具的交易概率，预设转化率预估模型是基于预设的样本线索数据、以及样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间进行训练得到的模型。基于预设的样本线索数据、样本线索数据是否转化的标签、转化线索数据的转化时间训练得到模型，减少了当转化时间较长时所引起的噪声影响，使得预估的待预估用户的交易转化率更加准确。

Description

交通工具的交易转化率预估方法、装置、电子设备及介质
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种交通工具的交易转化率预估方法、装置、电子设备及介质。
背景技术
随着科学技术的发展，各种各样的交通工具也越来越多，例如，汽车、电动车、自行车等。对用户的交易转化率进行预估，可以确定用户对于交通工具的交易概率，继而根据交易概率可以制定相应的营销方案。因此，对于用户的转化率进行准确预估也变得越来越重要。
相关技术中，通过收集样本数据，根据样本数据进行建模，根据该模型对用户的转化率进行预估。但是，一些交通工具的转化时间较长，样本数据中存在大量的噪声，基于现有技术的模型进行转化率预估时，会造成预估的转化率不准确的问题。
发明内容
有鉴于此，本申请实施例的目的在于提供一种交通工具的交易转化率预估方法、装置、电子设备及介质，以解决相关技术中，一些交通工具的转化时间较长，样本数据中存在大量的噪声，基于现有技术的模型进行转化率预估时，会造成预估的转化率不准确的问题。
第一方面，本申请实施例提供了一种交通工具的交易转化率预估方法，包括：
获取待预估用户的线索数据，所述待预估用户的线索数据为所述待预估用户针对待交易交通工具的线索数据；
根据所述待预估用户的线索数据，采用预设转化率预估模型进行处理，得到所述待预估用户的交易转化率，所述交易转化率用于指示所述待预估用户针对所述待交易交通工具的交易概率；
其中，所述预设转化率预估模型是基于预设的样本线索数据、以及所述样本线索数据是否转化的标签、以及所述样本线索数据中转化线索数据的转化时间进行训练得到的模型。
可选的，所述获取待预估用户的线索数据，包括：
获取所述待预估用户的至少一种类型的行为数据；
从每种类型的行为数据获取所述每种类型对应的第一线索数据；所述待预估用户的线索数据包括：所述至少一种类型对应的第一线索数据。
可选的，所述至少一种类型的行为数据包括：线下交通工具的使用服务数据；
所述从每种类型的行为数据获取所述每种类型对应的第一线索数据，包括：
根据所述线下交通工具的使用服务数据，确定交通工具使用频次信息、交通工具级别的占比信息、区域信息、预设时间段的使用占比信息、预设距离的使用占比信息；
根据所述交通工具使用频次信息、所述交通工具级别的占比信息和所述区域信息，确定待评估用户的交易属性分类；所述第一线索数据包括：所述待评估用户的交易属性分类、所述预设时间段的使用占比信息和所述预设距离的使用占比信息。
可选的，所述至少一种类型的行为数据包括：交通工具的交易服务行为数据；
所述从每种类型的行为数据获取所述每种类型对应的第一线索数据，包括：
根据所述交通工具的交易服务行为数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：在多个预设时间周期内交通工具的交易次数信息、交通工具的平均使用距离信息。
可选的，所述至少一种类型的行为数据包括：线上访问交通工具服务页面的行为数据；
所述从每种类型的行为数据获取所述每种类型对应的第一线索数据，包括：
根据所述线上访问交通工具服务页面的行为数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：在多个预设时间周期内服务页面的点击率信息、服务页面的停留信息、转化率信息。
可选的，所述至少一种类型的行为数据包括：推荐反馈数据；
所述从每种类型的行为数据获取所述每种类型对应的第一线索数据，包括：
根据所述推荐反馈数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：推荐信息的点击率、推荐方式。
可选的，所述获取待预估用户的线索数据还包括：
根据所述至少一种类型的行为数据，获取所述待预估用户的第二线索数据，所述待预估用户的线索数据还包括：所述第二线索数据。
可选的，所述第二线索数据包括如下至少一种信息：是否转化信息、转化时间信息、未转化时间信息。
可选的，所述根据所述待预估用户的线索数据，采用预设转化率预估模型进行处理，得到所述待预估用户的交易转化率之前，所述方法还包括：
根据所述预设的样本线索数据、以及所述样本线索数据是否转化的标签进行训练，得到初始转化率预估模型；
根据所述样本线索数据中转化线索数据，以及所述转化线索数据的转化时间进行拟合，得到转换时间分布；
根据所述转换时间分布对所述初始转化率预估模型进行修正，得到所述预设转化率预估模型。
可选的，所述根据所述预设的样本线索数据、以及所述样本线索数据是否转化的标签进行训练，得到初始转化率预估模型，包括：
根据所述预设的样本线索数据、以及所述样本线索数据是否转化的标签，采用非线性拟合方式进行训练，得到所述初始转化率预估模型。
可选的，所述根据所述样本线索数据中转化线索数据，以及所述转化线索数据的转化时间进行拟合，得到转换时间分布，包括：
根据所述样本线索数据中转化线索数据以及所述转化线索数据的转化时间，采用线性加权的方式进行拟合，得到所述转换时间分布。
第二方面，本申请实施例提供了一种交通工具的交易转化率预估装置，包括：
获取模块，用于获取待预估用户的线索数据，所述待预估用户的线索数据为所述待预估用户针对待交易交通工具的线索数据；
处理模块，根据所述待预估用户的线索数据，采用预设转化率预估模型进行处理，得到所述待预估用户的交易转化率，所述交易转化率用于指示所述待预估用户针对所述待交易交通工具的交易概率；
其中，所述预设转化率预估模型是基于预设的样本线索数据、以及所述样本线索数据是否转化的标签、以及所述样本线索数据中转化线索数据的转化时间进行训练得到的模型。
可选的，所述获取模块，还用于获取所述待预估用户的至少一种类型的行为数据；从每种类型的行为数据获取所述每种类型对应的第一线索数据；所述待预估用户的线索数据包括：所述至少一种类型对应的第一线索数据。
可选的，所述至少一种类型的行为数据包括：线下交通工具的使用服务数据；
所述获取模块，还用于根据所述线下交通工具的使用服务数据，确定交通工具使用频次信息、交通工具级别的占比信息、区域信息、预设时间段的使用占比信息、预设距离的使用占比信息；根据所述交通工具使用频次信息、所述交通工具级别的占比信息和所述区域信息，确定待评估用户的交易属性分类；所述第一线索数据包括：所述待评估用户的交易属性分类、所述预设时间段的使用占比信息和所述预设距离的使用占比信息。
可选的，所述至少一种类型的行为数据包括：交通工具的交易服务行为数据；
所述获取模块，还用于根据所述交通工具的交易服务行为数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：在多个预设时间周期内交通工具的交易次数信息、交通工具的平均使用距离信息。
可选的，所述至少一种类型的行为数据包括：线上访问交通工具服务页面的行为数据；
所述获取模块，还用于根据所述线上访问交通工具服务页面的行为数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：在多个预设时间周期内服务页面的点击率信息、服务页面的停留信息、转化率信息。
可选的，所述至少一种类型的行为数据包括：推荐反馈数据；
所述获取模块，还用于根据所述推荐反馈数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：推荐信息的点击率、推荐方式。
可选的，所述获取模块，还用于根据所述至少一种类型的行为数据，获取所述待预估用户的第二线索数据，所述待预估用户的线索数据还包括：所述第二线索数据。
可选的，所述第二线索数据包括如下至少一种信息：是否转化信息、转化时间信息、未转化时间信息。
可选的，所述装置还包括：
训练模块，用于根据所述预设的样本线索数据、以及所述样本线索数据是否转化的标签进行训练，得到初始转化率预估模型；
拟合模块，用于根据所述样本线索数据中转化线索数据，以及所述转化线索数据的转化时间进行拟合，得到转换时间分布；
修正模块，用于根据所述转换时间分布对所述初始转化率预估模型进行修正，得到所述预设转化率预估模型。
可选的，所述训练模块，还用于根据所述预设的样本线索数据、以及所述样本线索数据是否转化的标签，采用非线性拟合方式进行训练，得到所述初始转化率预估模型。
可选的，所述拟合模块，还用于根据所述样本线索数据中转化线索数据以及所述转化线索数据的转化时间，采用线性加权的方式进行拟合，得到所述转换时间分布。
第三方面，本申请实施例提供了一种电子设备，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，以执行时执行上述第一方面任一所述的交通工具的交易转化率预估方法的步骤。
第四方面，本申请实施例提供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第一方面任一所述的交通工具的交易转化率预估方法的步骤。
本发明实施例提供的一种交通工具的交易转化率预估方法、装置、电子设备及介质，包括：获取待预估用户的线索数据，根据待预估用户的线索数据，采用预设转化率预估模型进行处理，得到待预估用户的交易转化率，其中，交易转化率用于指示待预估用户针对待交易交通工具的交易概率，预设转化率预估模型是基于预设的样本线索数据、以及样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间进行训练得到的模型。训练模型时，在依据预设的样本线索数据的基础上，以依据样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间，有效减少了当转化时间较长时所引起的噪声影响，使得训练得到的预设转化率预估模型，所预估的待预估用户的交易转化率更加准确。
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示出了本申请一些实施例提供的交通工具的交易转化率预估***的框图；
图2示出了本申请一些实施例提供电子设备的结构示意图；
图3示出本申请的一些实施例的一种交通工具的交易转化率预估方法的流程示意图；
图4示出本申请的一些实施例的一种交通工具的交易转化率预估方法的流程示意图；
图5示出本申请的一些实施例的一种交通工具的交易转化率预估方法的流程示意图；
图6示出本申请的一些实施例的一种交通工具的交易转化率预估方法的流程示意图；
图7示出本申请的一些实施例的一种交通工具的交易转化率预估装置的结构示意图；
图8是示出本申请的一些实施例的电子设备的结构示意图。
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。
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。
本申请中使用的定位技术可以基于全球定位***(Global Positioning System，GPS)、全球导航卫星***(Global Navigation Satellite System，GLONASS)、北斗***、罗盘导航***(COMPASS)、伽利略定位***、准天顶卫星***(Quasi-Zenith SatelliteSystem，QZSS)、无线保真(Wireless Fidelity，WiFi)定位技术等，或其任意组合。一个或多个上述定位***可以在本申请中互换使用。
图1示出了本申请一些实施例提供的交通工具的交易转化率预估***的框图。交通工具的交易转化率预估***100可以包括服务器110、网络120和数据库130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访问数据库130，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。处理器可以处理与待预估用户的线索数据有关的信息和/或数据，以执行本申请中描述的一个或多个功能。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(ApplicationSpecific Instruction-set Processor，ASIP)、图形处理单元(Graphics ProcessingUnit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(DigitalSignal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，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，服务器110可以通过网络120向数据库130发送信息和/或数据，服务器110可以通过网络120从数据库130获取信息和/或数据。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。
数据库130可以存储数据和/或指令。在一些实施例中，数据库130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130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130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130可以连接到网络120以与交通工具的交易转化率***100中的服务器110上。或者，在一些实施例中，数据库130也可以是服务器110的一部分。
图2示出根据本申请的一些实施例提供的可以实现本申请思想的服务器110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交通工具的交易转化率预估方法。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。
随着科学技术的发展，各种各样的交通工具也越来越多，例如，汽车、电动车、自行车等。对用户的交易转化率进行预估，可以确定用户对于交通工具的交易概率，继而根据交易概率可以制定相应的营销方案。因此，对于用户的转化率进行准确预估也变得越来越重要。相关技术中，通过收集样本数据，根据样本数据进行建模，根据该模型对用户的转化率进行预估。
但是，一些交通工具的转化时间较长，样本数据中存在大量的噪声，训练模型时会将已转化的样本数据错判为未转化的样本数据，基于现有技术中训练得到的模型进行转化率预估时，会造成预估的转化率不准确的问题。
本申请实施例提供一种交通工具的交易转化率预估方法，该方法采用预设转化率预估模型，对待预估用户的线索数据进行处理，预设转化率预估模型是基于预设的样本线索数据、以及样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间进行训练得到的模型，可以有效减少样本线索数据中由于转化时间较长所带来的噪声影响，基于该预设转化率预估模型对用户的交易转化率进行预测，可以使得预估的交易转化率更加准确。
图3示出本申请的一些实施例的一种交通工具的交易转化率预估方法的流程示意图，如图3所示，该方法可以包括：
S301、获取待预估用户的线索数据。
其中，待预估用户的线索数据可以为：待预估用户针对待交易交通工具的线索数据。
在一些实施方式中，服务器可以获取待评估用户针对交通工具的行为数据，对待评估用户的行为数据进行相应的处理，则可以得到待评估用户的线索数据。当然，服务器还可以从其他第三方数据平台上直接获取待预估用户的线索数据，本申请实施例对此不进行具体限制。
需要说明的是，待评估用户针对交通工具的行为数据可以包括：待评估用户针对交通工具的历史使用行为数据、待评估用户针对交通工具的预购买或者租用时的相关行为数据。
在本申请实施例中，待评估用户针对交通工具的行为数据可以包括：线上行为数据和/或线下行为数据，线上行为数据可以为用户在终端上述针对交通工具的操作或者浏览数据，线下行为数据可以为用户在实际场景中针对交通工具的数据。
另外，上述交通工具可以为大型交通工具，例如，汽车，也可以为中小型交通工具，例如，电动车、滑板车、自行车等，还可以为其它类型的交通工具，本申请实施例对此不进行具体限制。
S302、根据待预估用户的线索数据，采用预设转化率预估模型进行处理，得到待预估用户的交易转化率。
其中，交易转化率可以用于指示待预估用户针对待交易交通工具的交易概率。
需要说明的是，预设转化率预估模型是基于预设的样本线索数据、以及样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间进行训练得到的模型。
在本申请实施例中，在对预设转化率预估模型进行训练时，在依据预设的样本线索数据基础上，还依据样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间对预设转化率预估模型进行训练，有效减少了当转化时间较长时样本数据中所存在的噪声，使得该预设转化率预估模型预估的交易转化率更加准确。
在一种可能的实施方式中，可以先训练得到预设转化率预估模型，继而将待预估用户的线索数据，输入该预设转化率预估模型，预设转化率预估模型可以对待预估用户的线索数据，并输出待预估用户针对待交易交通工具的交易概率，即待预估用户的交易转化率。
另外，待预估用户的交易转化概率为可以数值，不同的数值所对应的交易转化概率不同。当数值越大时对应的交易转化率越大，即用户购买或者租用交通工具的概率越高；当数值越小时对应的交易转化率越小，即用户购买或者租用交通工具的概率越小。该数值可以在预设阈值范围内，例如可以在0至1的范围内。
当然，待预估用户的交易转化概率还可以为等级，不同等级所对应的交易转化概率不同。当等级越高时对应的交易转化率越大，即用户购买或者租用交通工具的概率越高；当等级越低时对应的交易转化率越小，即用户购买或者租用交通工具的概率越小。预设转化率预估模型还可以采用其他方式表示待预估用户的交易转化率，本申请实施例对此不进行具体限制。
综上所述，本申请实施例提供一种交通工具的交易转化率预估方法，获取待预估用户的线索数据，根据待预估用户的线索数据，采用预设转化率预估模型进行处理，得到待预估用户的交易转化率，其中，交易转化率用于指示待预估用户针对待交易交通工具的交易概率，预设转化率预估模型是基于预设的样本线索数据、以及样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间进行训练得到的模型。训练模型时，在依据预设的样本线索数据的基础上，以依据样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间，有效减少了当转化时间较长时所引起的噪声影响，使得训练得到的预设转化率预估模型，所预估的待预估用户的交易转化率更加准确。
可选的，图4示出本申请的一些实施例的一种交通工具的交易转化率预估方法的流程示意图，如图4所示，上述S101中获取待预估用户的线索数据的过程，可以包括：
S401、获取待预估用户的至少一种类型的行为数据。
其中，行为数据可以包括：线上行为数据和/或线下行为数据。线上行为数据可以划分为至少一种类型的数据，线下行为数据也可以划分为至少一种类型的数据，本申请实施例对此不进行具体限制。需要说明的是，上述线上行为数据和/或线下行为数据可以包括：线上行为数据、线下行为数据、线上数据和线下行为数据等三种数据。
需要说明的是，待评估用户的行为数据可以为在预设时间节点所获取的数据，例如，在待评估用户预留信息后的预设时间段内，统计待评估用户的行为数据。
另外，服务器可以根据待预估用户的行为数据的不同来源，对行为数据进行分类，以获取待预估用户的至少一种类型的行为数据，也可以采用预设分类规则对行为数据进行分类，以获取待预估用户的至少一种类型的行为数据，本申请实施例对此不进行具体限制。
S402、从每种类型的行为数据获取每种类型对应的第一线索数据。
其中，待预估用户的线索数据包括：至少一种类型对应的第一线索数据。
在一种可能的实施方式中，服务器中可以存储映射关系，该映射关系用于表示行为数据与预设算法之间的映射，其中，一种类型的行为数据可以对应一个预设算法，服务器可以根据每种类型的行为数据所对应的预设算法，对每种类型的行为数据进行处理，从而可以确定每种类型的行为数据对应的第一线索数据。
综上所述，待预估用户的线索数据包括：至少一种类型对应的第一线索数据，可以便于预设转化率预估模型对预估用户的线索数据进行处理，有利于提高预设转化率预估模型所预估的交易转化率的准确性。
可选的，至少一种类型的行为数据包括：线下交通工具的使用服务数据，图5示出本申请的一些实施例的一种交通工具的交易转化率预估方法的流程示意图，如图5所示，上述S402中从每种类型的行为数据获取每种类型对应的第一线索数据的过程，可以包括：
S501、根据线下交通工具的使用服务数据，确定交通工具使用频次信息、交通工具级别的占比信息、区域信息、预设时间段的使用占比信息、预设距离的使用占比信息。
其中，线下交通工具的使用服务数据也可以为待评估用户对于线下交通工具的使用数据。例如，当线下交通工具为汽车时，线下交通工具的使用服务数据可以为待评估用户的打车数据。
在一些实施方式中，服务器可以根据线下交通工具的使用服务数据中，使用交通工具的时间信息和次数信息，确定交通工具使用频次信息和预设时间段的使用占比信息。例如，在时间段x内，交通工具累计使用次数为y次，则交通工具的使用频次可以为y/x。预设时间段的使用占比可以包括：工作日的使用占比，非工作日的使用占比，即周末使用占比和节假日使用占比。在时间段x内，工作日使用交通工具的次数可以为m次，非工作日使用交通工具的次数可以为n次，则工作日的使用占比可以为m/y，非工作日的使用占比可以为n/y。
另外，服务器可以根据线下交通工具的使用服务数据中，所使用的不同级别的交通工具以及各级别交通工具的使用次数，确定交通工具级别的占比信息。例如，线下交通工具为汽车，线下交通工具的使用服务数据可以为待评估用户的打车数据时，汽车级别可以为专车、快车、优享车等，在时间段x内，交通工具累计使用次数为y次，专车、快车、优享车的累计使用次数可以分别为a次、b次、c次，则专车、快车、优享车的占比信息可以分别为a/y、b/y、c/y。
其次，服务器可以根据线下交通工具的使用服务数据中，使用交通工具的时间信息、起点位置、终点位置，确定区域信息。例如，在上班时间段内多次使用交通工具，且起点位置为A地，终点位置为B地；在下班时间段内多次使用交通工具，且起点位置为B地，终点位置为A地；服务器可以确定A地为家庭区域，B地为工作区域。
此外，服务器可以根据线下交通工具的使用服务数据中，使用交通工具的次数信息和距离信息，确定预设距离的使用占比信息。例如，服务器可以判断使用交通工具的距离是否大于预设距离阈值，若大于，则确定使用交通工具的距离为长距离，若不大于，则确定使用交通工具的距离为短距离。服务器计算短距离使用交通工具的次数与使用交通工具的总次数之间的比值，长距离使用交通工具的次数与使用交通工具的总次数之间的比值。
S502、根据交通工具使用频次信息、交通工具级别的占比信息和区域信息，确定待评估用户的交易属性分类。
其中，第一线索数据包括：待评估用户的交易属性分类、预设时间段的使用占比信息和预设距离的使用占比信息。当然，第一线索数据还可以包括：待评估用户的交易属性分类、预设时间段的使用占比信息、预设距离的使用占比信息中的至少一项数据，本申请实施例对此不进行具体限制。
在一种可能的实施方式中，待评估用户的交易属性分类可以为待评估用户的购买力分类，服务器可以确定待评估用户的购买力，并根据预设购买力等级，确定待评估用户的购买力所属的购买力等级。
综上所述，至少一种类型的行为数据包括：线下交通工具的使用服务数据，基于待评估用户的线下交通工具的使用服务数据，采用预设转化率预估模型对待评估用户的交易转化率进行预估，可以准确预估待评估用户的交易意愿，即可以使得预估的交易转化率更加准确。
可选的，至少一种类型的行为数据包括：交通工具的交易服务行为数据；上述S402中从每种类型的行为数据获取每种类型对应的第一线索数据的过程，可以包括：
根据交通工具的交易服务行为数据，确定第一线索数据。第一线索数据包括下述信息中的至少一项：在多个预设时间周期内交通工具的交易次数信息、交通工具的平均使用距离信息。
其中，服务器可以根据交通工具的租用行为数据中的交易时间数据，确定在多个预设时间周期内交通工具的交易次数信息。
在一些实施方式中，交通工具的交易服务行为数据可以为待评估用户对于交通工具的租用行为数据时。服务器可以根据交通工具的租用行为数据中的租用时间数据，确定在多个预设时间周期内交通工具的租用次数信息，即交通工具的交易次数。例如，多预设时间周期可以包括：第一预设时间周期、第二预设时间周期，服务器可以统计租用时间在第一预设时间周期内的租用次数，继而统计租用时间在第二预设时间周期内的租用次数。
另外，服务器可以根据交通工具的租用行为数据中的交易次数数据、交易时间数据、每次交易中交通工具的使用距离，确定在多个预设时间周期内交通工具的平均使用距离信息。
对于一个预设时间周期而言，服务器可以对该预设时间周期内交易次数进行叠加，得到在该预设时间周期内的总交易次数，对该预设时间周期内每次交易中交通工具的使用距离进行叠加，得到该预设时间周期内的总使用距离，将总使用距离除以总交易次数，得到该预设时间周期内的交通工具的平均使用距离信息，同理的，采用该方式，还可以获取其他各预设时间周期内交通工具的平均使用距离信息，继而得到在多个预设时间周期内交通工具的平均使用距离信息。
可选的，至少一种类型的行为数据包括：线上访问交通工具服务页面的行为数据；上述S402中从每种类型的行为数据获取每种类型对应的第一线索数据的过程，可以包括：
根据线上访问交通工具服务页面的行为数据，确定第一线索数据，第一线索数据包括下述信息中的至少一项：在多个预设时间周期内服务页面的点击率信息、服务页面的停留信息、转化率信息。
其中，线上访问交通工具服务页面可以为，线上交通工具的购买或者租用页面、线上交通工具的使用页面，例如，线上交通工具的购买或者租用页面可以为线上购车或者租车页面，线上交通用具的使用页面可以为线上打车页面。
在一种可能的实施方式中，服务器可以根据交通工具服务页面的行为数据中，对于服务页面的操作信息以及操作时间信息，确定多个预设时间周期内服务页面的点击率信息。对于一个预设时间周期而言，服务器可以点击时间在该预设时间周期内的点击操作进行统计，得到该预设时间周期内的总点击次数，服务器还可以统计该预设时间周期内的总显示次数，将总点击次数除以总显示次数，可以得到该预设时间周期内的点击率。同理的，采用该方式，还可以获取其他各预设时间周期内服务页面的点击率信息，继而得到多个预设时间周期内服务页面的点击率信息。
另外，交通工具服务页面的行为数据中包括：至少一个服务页面的停留时间信息，即停留时间点和停留时长，服务器可以对各预设时间周期内服务页面的停留时长进行叠加，得到各预设时间周期内服务页面的总停留时长，即服务页面的停留信息。
需要说明的是，服务器可以采用预设规则，根据交通工具服务页面的行为数据中，对于服务页面的点击率和/或浏览时长，确定转化率信息。例如，服务器中具有预设阈值范围和预设层级之间的映射关系，可以确定点击率所属的预阈值范围，继而可以确定点击率对应的预设层级，不同预设层级用于指示不同的转化率，即可以确定转化率信息。
同理的，服务器还可以采用类似的方式根据浏览时长，确定转化率信息，此处不再一一赘述，当然服务器还可以采用其他方式根据交通工具服务页面的行为数据，确定转化率信息，本申请实施例对此不进行具体限制。
可选的，至少一种类型的行为数据包括：推荐反馈数据；上述S402中从每种类型的行为数据获取每种类型对应的第一线索数据的过程，可以包括：
根据推荐反馈数据，确定第一线索数据，第一线索数据包括下述信息中的至少一项：推荐信息的点击率、推荐方式。
其中，推荐反馈数据也可以称为营销反馈数据或者销售反馈数据，推荐反馈数据可以为线上反馈数据，此外，推荐反馈数据还可以为线下营销活动中的反馈数据。推荐方式也可以称为推荐渠道，即待评估用户在打开推荐数据时的渠道。
在实际应用中，可以通过线上推荐的方式，推送交通工具的租售信息。其中，线上推荐的方式可以为短信链接推荐、网页广告弹窗推荐、应用程序中的广告推荐等等，当然，还可以为其他推荐方式，本申请实施例对此不进行具体限制。
在一些实施方式中，服务器可以对推荐反馈数据中的点击次数进行叠加，得到总点击次数，继而根据总点击次数和推荐信息的显示次数，确定推荐信息的点击率。即将总点击次数除以显示次数，可以得到推荐信息的点击率。
综上所述，第一线索数据包括线下交通工具的使用服务数据、交通工具的交易服务行为数据、线上访问交通工具服务页面的行为数据、推荐反馈数据中至少一种类型的行为数据，使得待评估用户的线索数据更加全面，在线索数据全面的基础上，采用预设转化率预估模型所预估的交易转化率也更加准确。
可选的，上述S301中获取待预估用户的线索数据的过程，还可以包括：
根据至少一种类型的行为数据，获取待预估用户的第二线索数据。
其中，待预估用户的线索数据还包括：第二线索数据。
在一种可能的实施方式中，服务器可以在线下交通工具的使用服务数据、交通工具的交易服务行为数据、线上访问交通工具服务页面的行为数据、推荐反馈数据中确定至少一种类型的行为数据，对至少一种类型的行为数据进行统计，可以获取待预估用户的第二线索数据。
可选的，第二线索数据包括如下至少一种信息：是否转化信息、转化时间信息、未转化时间信息。
在本申请实施例中，是否转化信息可以用于表示待评估用户是否转化，转化时间信息可以用于表示待评估用户从填写信息到转化时所经历的时间，若待评估用户已转化后，还填写了一次信息，则未转化时间还可以为第二次填写信息到统计行为数据时所经历的时间；未转化时间可以用于表示待评估用户从填写信息到统计行为数据时所经历的时间。
需要说明的是，当第二线索数据指示待评估用户已转化时，预设转化率预估模型所预估的交易转化率可以用于表示，待评估用户再次转化时的概率，即待评估用户再次交易时的概率。
综上所述，待预估用户的线索数据还包括：第二线索数据，在第一线索数据的基础上还加入时间维度的分析的数据，使得待评估用户的线索数据更加全面，有助于消除由转化时间过长多引起的噪声，使得预设转化率预估模型可以进行准确预估。
可选的，图6示出本申请的一些实施例的一种交通工具的交易转化率预估方法的流程示意图，如图6所示，在上述S302之前，该方法还可以包括：
S601、根据预设的样本线索数据、以及样本线索数据是否转化的标签进行训练，得到初始转化率预估模型。
其中，服务器可以获取多个用户的样本行为数据，继而可以对多个用户的样本行为数据进行处理，可以得到预设的样本线索数据。
需要说明的是，各用户的样本行为数据与待预估用户的行为数据类似，即各用户的样本行为数据也可以为：至少一种类型的样本行为数据。至少一种类型的样本行为数据可以为下述信息中的至少一种：线下交通工具的使用服务数据、交通工具的交易服务行为数据、线上访问交通工具服务页面的行为数据、推荐反馈数据。
相应的，预设的样本线索数据可以包括：第一样本线索数据，第二样本线索数据。其中，第一样本线索数据和上述第一线索数据的获取过程类似，第二样本线索数据和上述第二线索数据的获取过程类似，此处不再一一赘述。
在一种可能的实施方式中，样本线索数据是否转化的标签可以包括：已转化标签和未转化标签，服务器可以根据已转化标签确定已转化的样本线索数据，根据未转化标签确定未转化的样本线索数据，继而可以根据已转化的样本线索数据和未转化的样本数据，得到初始转化率预估模型。其中，初始转化率预估模型包含有多个转化率。
S602、根据样本线索数据中转化线索数据，以及转化线索数据的转化时间进行拟合，得到转换时间分布。
在一些实施方式中，服务器可以根据样本线索数据是否转换的标签中的未转化标签和已转化标签，判断样本线索数据是否为转化线索数据，若确定样本线索数据为转化线索数据，则服务器可以确定转化线索数据的转化时间，继而根据转化线索数据、以及转化线索数据的转化时间进行拟合，得到转化时间分布。
需要说明的是，转化时间分布包括多个不同的时间节点，一个时间节点对应初始转化率预估模型中的一个转化率，即在不同的时间节点具有相应的转化率，转化率和时间节点是相对应的。
S603、根据转换时间分布对初始转化率预估模型进行修正，得到预设转化率预估模型。
其中，可以采用不同的方式对初始预估模型和转换时间分布进行联合拟合。
在本申请实施例中，服务器可以对初始转化率预估模型和转换时间分布进行联合拟合，采用转化时间分布对初始转化率预估模型进行修正，得到经过转化时间分布修正的转化率预估模型，即预设转化率预估模型。
综上所述，根据样本线索数据中转化线索数据，以及转化线索数据的转化时间进行拟合，获取转换时间分布。根据转换时间分布对初始转化率预估模型进行修正，得到预设转化率预估模型，可以避免由于样本线索数据的转化时间较长，存在大量噪声，所造成的预估的交易转化率不准确的问题，基于初始转化率预估模型进行交易转化率的预估，可以使得预估的交易转化率更加准确。
可选的，上述S601中根据预设的样本线索数据、以及样本线索数据是否转化的标签进行训练，得到初始转化率预估模型的过程，可以包括：
根据预设的样本线索数据、以及样本线索数据是否转化的标签，采用非线性拟合方式进行训练，得到初始转化率预估模型。
其中，非线性拟合方式可以为神经网络的拟合方式，也可以为树的拟合方式，还可以为其他类型的非线性拟合方式，本申请实施例对此不进行具体限制。
另外，若样本行为数据中包括线上访问交通工具服务页面的行为数据时，当第一样本线索数据中可以包括下述样本信息中的至少一项：在多个预设时间周期内服务页面的样本点击率信息、服务页面的样本停留信息、样本转化率信息。其中，样本转化率信息还可以为：访问交通工具服务页面的多个用户中已转化用户的数量，与访问交通工具服务页面的总用户数量的比值。
可选的，上述S602中根据样本线索数据中转化线索数据，以及转化线索数据的转化时间进行拟合，得到转换时间分布的过程，可以包括：
根据样本线索数据中转化线索数据以及转化线索数据的转化时间，采用线性加权的方式进行拟合，得到转换时间分布。
需要说明的是，服务器可以采用线性回归算法，根据样本线索数据中转化线索数据以及转化线索数据的转化时间，转换时间分布。当然，也可以采用其他类型的线性加权算法拟合，得到转换时间分布，本申请实施例对此不进行具体限制。
在本申请实施例中，第二样本线索数据与第二线索数据所包含的内容类似，即第二样本线索数据中可以包括：样本是否转化信息、样本转化时间信息、样本未转化时间信息。根据多个用户的样本行为数据，获取第二样本线索数据，还可以便于对初始预估模型和转换时间分布的联合拟合。
综上所述，本申请实施例提供一种交通工具的交易转化率预估方法，获取待预估用户的线索数据，根据待预估用户的线索数据，采用预设转化率预估模型进行处理，得到待预估用户的交易转化率，其中，交易转化率用于指示待预估用户针对待交易交通工具的交易概率，预设转化率预估模型是基于预设的样本线索数据、以及样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间进行训练得到的模型。训练模型时，基于预设的样本线索数据、样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间，有效减少了当转化时间较长时所引起的噪声影响，使得训练得到的预设转化率预估模型，所预估的待预估用户的交易转化率更加准确。
而且，本申请实施例中，对初始预估模型和转换时间分布进行联合拟合，得到预设转化率预估模型，可以有效缓解由于转化周期太长所带来的部分转化数据错判定为非转化数据的噪声问题，使得训练的预设转化率预估模型所预估的交易转化率更加准确。
下述对用以执行本申请所提供的交通工具的交易转化率预估方法的交通工具的交易转化率预估装置、电子设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述交通工具的交易转化率预估方法的相关内容，下述不再赘述。
图7示出本申请的一些实施例的一种交通工具的交易转化率预估装置的结构示意图，如图7所示，该交通工具的交易转化率预估装置实现的功能对应上述方法执行的步骤。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，该装置可以包括：
获取模块701，用于获取待预估用户的线索数据，待预估用户的线索数据为待预估用户针对待交易交通工具的线索数据；
处理模块702，根据待预估用户的线索数据，采用预设转化率预估模型进行处理，得到待预估用户的交易转化率，交易转化率用于指示待预估用户针对待交易交通工具的交易概率；
其中，预设转化率预估模型是基于预设的样本线索数据、以及样本线索数据是否转化的标签、以及样本线索数据中转化线索数据的转化时间进行训练得到的模型。
可选的，获取模块701，还用于获取待预估用户的至少一种类型的行为数据；从每种类型的行为数据获取每种类型对应的第一线索数据；待预估用户的线索数据包括：至少一种类型对应的第一线索数据。
可选的，至少一种类型的行为数据包括：线下交通工具的使用服务数据；
获取模块701，还用于根据线下交通工具的使用服务数据，确定交通工具使用频次信息、交通工具级别的占比信息、区域信息、预设时间段的使用占比信息、预设距离的使用占比信息；根据交通工具使用频次信息、交通工具级别的占比信息和区域信息，确定待评估用户的交易属性分类；第一线索数据包括：待评估用户的交易属性分类、预设时间段的使用占比信息和预设距离的使用占比信息。
可选的，至少一种类型的行为数据包括：交通工具的交易服务行为数据；
获取模块701，还用于根据交通工具的交易服务行为数据，确定第一线索数据，第一线索数据包括下述信息中的至少一项：在多个预设时间周期内交通工具的交易次数信息、交通工具的平均使用距离信息。
可选的，至少一种类型的行为数据包括：线上访问交通工具服务页面的行为数据；
获取模块701，还用于根据线上访问交通工具服务页面的行为数据，确定第一线索数据，第一线索数据包括下述信息中的至少一项：在多个预设时间周期内服务页面的点击率信息、服务页面的停留信息、转化率信息。
可选的，至少一种类型的行为数据包括：推荐反馈数据；
获取模块701，还用于根据推荐反馈数据，确定第一线索数据，第一线索数据包括下述信息中的至少一项：推荐信息的点击率、推荐方式。
可选的，获取模块701，还用于根据至少一种类型的行为数据，获取待预估用户的第二线索数据，待预估用户的线索数据还包括：第二线索数据。
可选的，第二线索数据包括如下至少一种信息：是否转化信息、转化时间信息、未转化时间信息。
可选的，装置还包括：
训练模块703，用于根据预设的样本线索数据、以及样本线索数据是否转化的标签进行训练，得到初始转化率预估模型；
拟合模块704，用于根据样本线索数据中转化线索数据，以及转化线索数据的转化时间进行拟合，得到转换时间分布；
修正模块705，用于根据转换时间分布对初始转化率预估模型进行修正，得到预设转化率预估模型。
可选的，训练模块703，还用于根据预设的样本线索数据、以及样本线索数据是否转化的标签，采用非线性拟合方式进行训练，得到初始转化率预估模型。
可选的，拟合模块704，还用于根据样本线索数据中转化线索数据以及转化线索数据的转化时间，采用线性加权的方式进行拟合，得到转换时间分布。
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。
需要说明的是，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital SingnalProcessor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上***(System-on-a-chip，简称SOC)的形式实现。
图8是示出本申请的一些实施例的电子设备的结构示意图，如图8所示，该电子设备包括：处理器801和存储器802，其中：
存储器802用于存储程序，处理器801调用存储器802存储的程序，以执行上述图3至图6任一所述的方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述图3至图6任一所述的方法实施例。
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 (11)

1.一种交通工具的交易转化率预估方法，其特征在于，包括：
获取待预估用户的线索数据，所述待预估用户的线索数据为所述待预估用户针对待交易交通工具的线索数据；
根据所述待预估用户的线索数据，采用预设转化率预估模型进行处理，得到所述待预估用户的交易转化率，所述交易转化率用于指示所述待预估用户针对所述待交易交通工具的交易概率；
其中，所述预设转化率预估模型是基于预设的样本线索数据、以及所述样本线索数据是否转化的标签、以及所述样本线索数据中转化线索数据的转化时间进行训练得到的模型；
其中，所述根据所述待预估用户的线索数据，采用预设转化率预估模型进行处理，得到所述待预估用户的交易转化率之前，所述方法还包括：
根据所述预设的样本线索数据、以及所述样本线索数据是否转化的标签进行训练，得到初始转化率预估模型；
根据所述样本线索数据中转化线索数据，以及所述转化线索数据的转化时间进行拟合，得到转换时间分布；
根据所述转换时间分布对所述初始转化率预估模型进行修正，得到所述预设转化率预估模型。
2.根据权利要求1所述的方法，其特征在于，所述获取待预估用户的线索数据，包括：
获取所述待预估用户的至少一种类型的行为数据；
从每种类型的行为数据获取所述每种类型对应的第一线索数据；所述待预估用户的线索数据包括：所述至少一种类型对应的第一线索数据。
3.根据权利要求2所述的方法，其特征在于，所述至少一种类型的行为数据包括：线下交通工具的使用服务数据；
所述从每种类型的行为数据获取所述每种类型对应的第一线索数据，包括：
根据所述线下交通工具的使用服务数据，确定交通工具使用频次信息、交通工具级别的占比信息、区域信息、预设时间段的使用占比信息、预设距离的使用占比信息；
根据所述交通工具使用频次信息、所述交通工具级别的占比信息和所述区域信息，确定待评估用户的交易属性分类；所述第一线索数据包括：所述待评估用户的交易属性分类、所述预设时间段的使用占比信息和所述预设距离的使用占比信息。
4.根据权利要求2所述的方法，其特征在于，所述至少一种类型的行为数据包括：交通工具的交易服务行为数据；
所述从每种类型的行为数据获取所述每种类型对应的第一线索数据，包括：
根据所述交通工具的交易服务行为数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：在多个预设时间周期内交通工具的交易次数信息、交通工具的平均使用距离信息。
5.根据权利要求2所述的方法，其特征在于，所述至少一种类型的行为数据包括：线上访问交通工具服务页面的行为数据；
所述从每种类型的行为数据获取所述每种类型对应的第一线索数据，包括：
根据所述线上访问交通工具服务页面的行为数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：在多个预设时间周期内服务页面的点击率信息、服务页面的停留信息、转化率信息。
6.根据权利要求2所述的方法，其特征在于，所述至少一种类型的行为数据包括：推荐反馈数据；
所述从每种类型的行为数据获取所述每种类型对应的第一线索数据，包括：
根据所述推荐反馈数据，确定所述第一线索数据，所述第一线索数据包括下述信息中的至少一项：推荐信息的点击率、推荐方式。
7.根据权利要求2所述的方法，其特征在于，所述获取待预估用户的线索数据还包括：
根据所述至少一种类型的行为数据，获取所述待预估用户的第二线索数据，所述待预估用户的线索数据还包括：所述第二线索数据。
8.根据权利要求7所述的方法，其特征在于，所述第二线索数据包括如下至少一种信息：是否转化信息、转化时间信息、未转化时间信息。
9.一种交通工具的交易转化率预估装置，其特征在于，所述装置包括：
获取模块，用于获取待预估用户的线索数据，所述待预估用户的线索数据为所述待预估用户针对待交易交通工具的线索数据；
处理模块，用于根据所述待预估用户的线索数据，采用预设转化率预估模型进行处理，得到所述待预估用户的交易转化率，所述交易转化率用于指示所述待预估用户针对所述待交易交通工具的交易概率；
其中，所述预设转化率预估模型是基于预设的样本线索数据、以及所述样本线索数据是否转化的标签、以及所述样本线索数据中转化线索数据的转化时间进行训练得到的模型；
训练模块，用于根据所述预设的样本线索数据、以及所述样本线索数据是否转化的标签进行训练，得到初始转化率预估模型；
拟合模块，用于根据所述样本线索数据中转化线索数据，以及所述转化线索数据的转化时间进行拟合，得到转换时间分布；
修正模块，用于根据所述转换时间分布对所述初始转化率预估模型进行修正，得到所述预设转化率预估模型。
10.一种电子设备，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8任一所述的交通工具的交易转化率预估方法的步骤。
11.一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8任一所述的交通工具的交易转化率预估方法的步骤。
CN202010556232.0A 2020-06-17 2020-06-17 交通工具的交易转化率预估方法、装置、电子设备及介质 Active CN111859289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010556232.0A CN111859289B (zh) 2020-06-17 2020-06-17 交通工具的交易转化率预估方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010556232.0A CN111859289B (zh) 2020-06-17 2020-06-17 交通工具的交易转化率预估方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111859289A CN111859289A (zh) 2020-10-30
CN111859289B true CN111859289B (zh) 2024-04-19

Family

ID=72986165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010556232.0A Active CN111859289B (zh) 2020-06-17 2020-06-17 交通工具的交易转化率预估方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN111859289B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011920B (zh) * 2021-03-15 2024-02-13 北京百度网讯科技有限公司 转化率预估模型的训练方法、装置及电子设备
CN113052642B (zh) * 2021-04-22 2022-08-19 支付宝(杭州)信息技术有限公司 用于线下作业的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971321A (zh) * 2017-04-06 2017-07-21 百度在线网络技术（北京）有限公司 营销信息推送方法、装置、设备以及存储介质
CN107622408A (zh) * 2016-07-15 2018-01-23 北京易车互联信息技术有限公司 购车线索交易转化的预估方法和预估装置
CN108062680A (zh) * 2017-11-15 2018-05-22 深圳市金立通信设备有限公司 预估转化率确定方法、广告需求方平台及计算机可读介质
CN110046952A (zh) * 2019-01-30 2019-07-23 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置
WO2019169977A1 (zh) * 2018-03-07 2019-09-12 阿里巴巴集团控股有限公司 一种信息转化率的预测、信息推荐方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140089066A1 (en) * 2012-09-26 2014-03-27 PMB Marketing LLC Methods for managing referrals and devices thereof

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622408A (zh) * 2016-07-15 2018-01-23 北京易车互联信息技术有限公司 购车线索交易转化的预估方法和预估装置
CN106971321A (zh) * 2017-04-06 2017-07-21 百度在线网络技术（北京）有限公司 营销信息推送方法、装置、设备以及存储介质
CN108062680A (zh) * 2017-11-15 2018-05-22 深圳市金立通信设备有限公司 预估转化率确定方法、广告需求方平台及计算机可读介质
WO2019169977A1 (zh) * 2018-03-07 2019-09-12 阿里巴巴集团控股有限公司 一种信息转化率的预测、信息推荐方法和装置
CN110046952A (zh) * 2019-01-30 2019-07-23 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于数据挖掘的市民出行公交线路预测研究;张聪聪;李拥军;;现代计算机(专业版)(第08期);全文 *
基于用户实时反馈的点击率预估算法;杨诚;;计算机应用(第10期);全文 *

Also Published As

Publication number Publication date
CN111859289A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
US20190143994A1 (en) System and method for determining safety score of driver
CN111859289B (zh) 交通工具的交易转化率预估方法、装置、电子设备及介质
CN110942326A (zh) 一种用户满意度预测方法及装置、服务器
CN109902213B (zh) 实时公交服务线路推荐方法、装置与电子设备
CN104599002B (zh) 预测订单价值的方法及设备
US20200104889A1 (en) Systems and methods for price estimation using machine learning techniques
CN110634021A (zh) 基于大数据的车辆估值方法、***、设备及可读存储介质
CN109308538B (zh) 成交转化率预测方法及装置
CN112860709A (zh) 业务指标查询方法、装置、设备及存储介质
CN111523933B (zh) 一种下单概率预测方法、装置、电子设备及可读存储介质
CN111507541A (zh) 货量预测模型构建方法、货量测量方法、装置及电子设备
CN112101998A (zh) 残值确定方法、模型获取方法、装置、设备及存储介质
CN112579910A (zh) 信息处理方法、信息处理装置、存储介质和电子设备
CN111445191B (zh) 一种配送难度的预估方法、装置和存储介质
US20220327650A1 (en) Transportation bubbling at a ride-hailing platform and machine learning
CN111859172A (zh) 信息推送方法、装置、电子设备和计算机可读存储介质
CN111813674B (zh) 分单业务的压测方法、装置、电子设备及存储介质
CN110297948B (zh) 关系网络构建方法以及装置
CN111686451A (zh) 一种业务处理方法、装置、设备及计算机存储介质
CN111984856A (zh) 信息推送方法、装置、服务器及计算机可读存储介质
CN111831896A (zh) 一种信息推送方法、装置、电子设备和存储介质
CN112182320B (zh) 聚类数据处理方法、装置、计算机设备及存储介质
CN111860856B (zh) 概率分布函数训练方法、服务激励处理方法、装置及设备
CN111105284B (zh) 订单处理方法、装置、m层订单处理模型、电子设备及储存介质
CN114662832A (zh) 人口流动分析方法、装置及电子设备

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