CN111860929A - 一种拼车订单拼成率预估方法及*** - Google Patents
一种拼车订单拼成率预估方法及*** Download PDFInfo
- Publication number
- CN111860929A CN111860929A CN202010192903.XA CN202010192903A CN111860929A CN 111860929 A CN111860929 A CN 111860929A CN 202010192903 A CN202010192903 A CN 202010192903A CN 111860929 A CN111860929 A CN 111860929A
- Authority
- CN
- China
- Prior art keywords
- order
- historical
- carpool
- characteristic
- orders
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000011176 pooling Methods 0.000 claims abstract 2
- 238000012549 training Methods 0.000 claims description 22
- 230000002093 peripheral effect Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种拼车订单拼成率预估方法及***。该拼车订单拼成率预估方法包括:获取待预估拼车订单;根据所述待预估拼车订单的分桶特征,获取与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,所述可拼关系数特征反映能够与所述历史拼车订单相拼的订单数量信息;至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,确定所述待预估拼车订单的拼成率。
Description
技术领域
本说明书一个或多个实施例涉及出行领域,特别涉及一种拼车订单拼成率预估方法及***。
背景技术
在目前的打车软件中,拼车功能使用较为普遍。拼车功能不但可以提升商家的运力,也可以节省乘客的打车费用,因此该功能得到了广泛地应用。拼车是将存在联系的订单(如预计行驶路线相同或部分相同的订单)拼在一起,由同一个司机来完成。通常,拼车的费用会低于单独用车(如快车或专车等)的费用,打车软件会在单独用车的费用基础上给予折扣来作为拼车的费用。由于拼车的折扣可以根据拼车订单的预估拼成率来确定,如果预估拼成率较高,则给予的折扣力度较大,如果预估拼成率低,则给予的折扣力度较小。因此,如何能够提高拼成率预估的准确度,是一个关系到司机、打车软件商家和乘客等各方的利益的问题。
发明内容
本说明实施例之一提供一种拼车订单拼成率预估方法,所述方法包括:获取待预估拼车订单;根据所述待预估拼车订单的分桶特征,获取与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,所述可拼关系数特征反映能够与所述历史拼车订单相拼的订单数量信息;至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,确定所述待预估拼车订单的拼成率。
本说明实施例之一提供一种拼车订单拼成率预估***,所述***包括:订单获取模块,用于获取待预估拼车订单;特征获取模块,用于根据所述待预估拼车订单的分桶特征,获取与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,所述可拼关系数特征反映能够与所述历史拼车订单相拼的订单数量信息;拼成率确定模块,用于至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,确定所述待预估拼车订单的拼成率。
本说明书实施例之一提供一种拼车订单拼成率预估装置,所述装置包括处理器和存储器;所述存储器用于存储指令,所述指令被所述处理器执行时,所述装置实现上述任一技术方案所述方法对应的操作。
本说明书又一实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的计算机执指令时,计算机执行上述任一技术方案所述方法。
附图说明
本说明书一个或多个实施例将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1为根据本说明书的一些实施例的拼车订单拼成率预估方法的示例性流程图;
图2为根据本说明书的一些实施例的拼车订单拼成率预估方法的可拼关系数特征获取方法的流程图;
图3为根据本说明书的一些实施例的拼车订单拼成率预估方法的拼成率预估模型训练方法的流程图;
图4为根据本说明书的一些实施例的拼车订单拼成率预估***的模块图。
具体实施方式
为了更清楚地说明说明书一个或多个实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书一个或多个实施例应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“***”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换词语。
如本说明书一个或多个实施例和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
说明书一个或多个实施例中使用了流程图用来说明根据本说明书一个或多个实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请实施例涉及一种拼车订单拼成率预估方法及***,该方法通过获取待预估拼车订单及其分桶特征,从而获取与分桶特征相匹配的历史拼车订单的可拼关系数特征;通过利用与分桶特征相匹配的历史拼车订单的可拼关系数特征来确定待预估拼车订单的拼车率。由于历史拼车订单的可拼关系数特征反映了能够与历史拼车订单相拼的订单数量信息,历史拼车订单的可拼关系数特征可以为拼成率预估提供有效参考,有利于提高拼成率预估的准确度。本说明书一个或多个实施例可以应用于打车软件的拼车功能上,在拼车订单发起时可以对该订单进行拼成率预估,并可以根据该拼成率预估来计算拼车的折扣力度。
图1为根据本说明书的一些实施例的拼车订单拼成率预估方法的示例性流程图;具体地,该拼车订单拼成率预估方法可以由处理设备执行。例如,拼车订单拼成率预估方法可以以程序或指令的形式存储在存储装置(如拼车订单拼成率预估服务设备的存储设备、存储器)中,当拼车订单拼成率预估***(如处理设备)执行该程序或指令时,可以实现拼车订单拼成率预估方法。如图1所示,拼车订单拼成率预估方法100可以包括以下步骤:
步骤110,获取待预估拼车订单。具体地,步骤110可以由订单获取模块410执行。
在步骤110中,拼车订单可以理解为乘客在打车行程中能够与其他乘客共享一辆车的打车订单,也就是说,乘客在打车软件的拼车功能下可以发出或者准备发出愿意与他人共享一辆车的打车订单,打车软件在获取到这些拼车订单后会与其他乘客的拼车订单进行匹配,如果匹配成功则能够拼车成功。在一些实施例中,待预估拼车订单可以包括乘客在打车软件中输入一些基础信息(如出发地和目的地)后准备发出的订单。在一些实施例中,待预估拼车订单可以是拼车订单(如用户选择接受拼车,或者用户正处在拼车界面下)。在一些实施例中,该订单也可以是非拼车订单(如快车订单),在此情况下,通过对拼成率的准确预估并给予乘客合理的折扣或好处(如减少等待时间等),乘客有可能将非拼车订单更改为拼车订单。
步骤120,根据待预估拼车订单的分桶特征,获取与分桶特征相匹配的历史拼车订单的可拼关系数特征,可拼关系数特征反映能够与历史拼车订单相拼的订单数量信息。具体地,步骤120可以由特征获取模块420执行。
在步骤120中,待预估拼车订单的分桶特征、历史拼车订单的用于与分桶特征进行匹配的特征以及历史拼车订单的可拼关系数特征等特征均可以被特征获取模块420获取。分桶可以理解为将某一个或某多个特征相同的拼车订单放入一个集合(即桶)中的操作,因此,分桶特征即可以理解为划分这些集合(即桶)的一个或多个特征。需要说明的是,可拼关系数特征反映能够与历史拼车订单相拼的订单数量信息,因此,与分桶特征相匹配的历史拼车订单的可拼关系数特征可以理解为:根据各个历史拼车订单的可拼关系数量,在经过挑选或者数值统计计算后得到的值。关于可拼关系数特征获取方法的更多细节可以参见图2及其相关描述。
在一些实施例中,分桶特征可以包括以下特征中的一种或多种,这些特征包括但不限于待预估拼车订单的起点特征、终点特征、出发时间特征和起终点方向特征。通过选定与上述一种或多种特征相匹配的历史拼车订单,得到的历史拼车订单为与待预估拼车订单的相关度(在出发时间和行驶路径方面)较高的拼车订单,这些历史拼车订单的可拼关系数量和拼车结果等信息可以为确定待预估拼车订单的拼成率提供有效参考。
在一些实施例中,起点特征包括起点所在区域;终点特征包括终点所在区域;起终点方向特征包括终点相对于起点的连线方向所在的方向区间。在一些实施例中,起点所在区域和终点所在区域可以是行政区域,例如北京市朝阳区、昌平区、海淀区等。在另一些实施例中,可以预先将地图按照经纬度划分为多个预设形状的地理网格(例如六边形或四边形等形状的地理网格),并通过地理网格来确定起点所在区域和终点所在区域。具体地,在划分地理网格后,起点所在区域可以包括起点的经纬度所对应的地理网格,或者起点的经纬度所对应的地理网格扩大一定距离范围后的区域,终点所在区域可以包括起点的经纬度所对应的地理网格,或者终点的经纬度所对应的地理网格扩大一定距离范围后的区域。在一些实施例中,可以将360°的方向角度均分为若干个(如4个、6个或8个等)方向区间。例如,可以将360°的方向角度均分为8个方向区间。在此基础上,-22.5°~22.5°可以为第一个方向区间,22.5°~67.5°可以为第二个方向区间,并以此类推得到其他方向区间的角度范围。此时,起终点方向特征可以理解为终点相对于起点的连线方向落在8个方向区间中的哪一个方向区间内的特征。
在一些实施例中,出发时间特征包括:日期特征和/或时刻特征;日期特征包括出发日期是否为工作日和/或出发日期为星期几;时刻信息包括出发时刻所对应的时间区间。需要说明的是,日期特征可以理解为出发时间是哪一天的特征,时刻特征可以理解为出发时间是一天中的哪个时刻的特征。拼车订单的可拼关系数特征在一个星期的时间内会因为出发日期是周几或者是否是工作日而不同,在同一天内也会因为出发时刻所对应的时间区间是否是出行高峰时段而不同。例如,在工作日(周一至周五)的上下班高峰期时段(例如上午8:00~10:00或者下午6:00~8:00等时间段),出行人次可能较多,拼车订单的发单量一般较大,使得拼成率相对较高;而在工作日(周一至周五)的深夜时段(例如凌晨01:00~06:00的时间段),出行人次可能较少,拼车订单的发单量一般较小,使得拼成率相对较低。本领域技术人员可以根据实际的使用需求来设定上述时间区间,例如,可以以15min、30min或者45min等时长来划分时间区间。当想要参考更多的历史拼车订单时,可以使得时间区间的时长较长,例如,以30min、45min等时长来划分时间区间;当想要提高历史拼车订单与待预估订单的相关度时,可以使得时间区间的时长较短;例如,以10min、15min等时长来划分时间区间。仅作为示例,当以15min为时长划分时间区间时,08:00~08:15可以作为第一个时间区间,08:15~08:30可以为第二个时间区间,并以此类推得到各个时间区间。
在一些实施例中,与分桶特征相匹配的历史拼车订单包括:与待预估拼车订单的分桶特征相同的在预设时间周期内的历史拼车订单。在本实施例中,本领域技术人员可以根据实际需要来选择预设时间周期,例如,当需要参考的历史拼车订单的数据量较大时,可以将预设时间周期设为三个月或者一年等,当想要处理数据量较小时,可以将预设时间周期设为一周或一个月等。具体地,与待预估拼车订单的分桶特征相同的历史拼车订单可以包括:与待预估拼车订单的日期特征、时刻特征、起点所在区域、终点所在区域和终点相对于起点的连线方向所在的方向区间这些特征中的一种或多种特征相同的历史拼车订单。日期特征相同可以是历史拼车订单与待预估拼车订单的出发时间同为一周内的某一天(如同为星期三),日期特征相同也可以是历史拼车订单与待预估拼车订单的出发时间均为周末(包括历史拼车订单的出发时间为周六,待预估拼车订单的出发时间为周日;或者二者的出发时间均为周日等)。时刻特征相同可以理解为历史拼车订单与待预估拼车订单的出发时刻在同一时间区间,仅作为示例,当以15min为时长划分时间区间时,历史拼车订单与待预估拼车订单的出发时间都在08:00~08:15的时间区间内。起点所在区域相同可以理解为历史拼车订单与待预估拼车订单在同一区域,例如在同一个地理网格内。终点所在区域相同也可以理解为历史拼车订单与待预估拼车订单的终点在同一个区域,例如在同一个行政区(如朝阳区)。终点相对于起点的连线方向所在的方向区间相同可以理解为:当360度的方向角度被均分为若干个方向区间后,历史拼车订单与待预估拼车订单的终点相对于起点的连线方向落在同一个方向区间内。
步骤130,至少根据与分桶特征相匹配的历史拼车订单的可拼关系数特征,确定待预估拼车订单的拼成率。具体地,步骤130可以由拼成率确定模块430执行。
在本实施例中,由于与分桶特征相匹配的历史拼车订单是与待预估拼车订单相关性较高的拼车订单,因此,根据这些历史拼车订单的可拼关系数特征,可以得到待预估拼车订单的可拼关系情况,根据待预估拼车订单的可拼关系情况可以确定待预估订单的拼成率。需要说明的是,拼成率可以理解为拼车订单能够拼车成功的概率,也可以理解为拼车订单不能拼车成功的概率。当待预估拼车订单是乘客在打车软件的拼车功能下输入出发地和目的地后准备发出的拼车订单时,可以根据拼成率预估结果来确定折扣率,并根据折扣率计算出预估车费展示给乘客,乘客可以根据该预估车费确定是否继续下单。
在一些实施例中,特征获取模块420还可以根据待预估拼车订单的分桶特征,获取与分桶特征相匹配的历史拼车订单的夏普利值。在步骤130中,拼成率确定模块430还可以用于:至少根据与分桶特征相匹配的历史拼车订单的可拼关系数特征和夏普利值,确定待预估拼车订单的拼成率。夏普利值是联盟博弈理论中的一个重要概念,是博弈理论关于公平的首要公理化标准,夏普利值的实质是联盟收益的一种分配方案。在本实施例中,夏普利值可以反映每个历史拼车订单相对于与其对应的可拼车订单的重要程度,夏普利值越大,表示能够与该历史拼车订单拼成的订单数量越多,从而在一定程度上反映该历史拼车订单拼车成功的概率越高。在本实施例中,在确定拼成率时,除了考虑与分桶特征相匹配的历史拼车订单的可拼关系数特征,还进一步考虑了与分桶特征相匹配的历史拼车订单的夏普利值,这有利于提高拼成率预估结果的准确度。
在一些实施例中,特征获取模块420还可以用于:获取与分桶特征相匹配的多个历史拼车订单;确定多个历史拼车订单中每个历史拼车订单的夏普利值;根据每个历史拼车订单的夏普利值,确定与分桶特征相匹配的历史拼车订单的夏普利值。在本实施中,特征获取模块420在获取待预估拼车订单的分桶特征后,可以进一步获取到分桶特征相匹配的多个历史拼车订单。在多个历史拼车订单中,特征获取模块420还可以确定其中每个历史拼车订单的夏普利值。最后,特征获取模块420可以根据各个历史拼车订单的夏普利,经过挑选或者数值统计计算后得到与分桶特征相匹配的历史拼车订单的夏普利值。
在一些实施例中,与分桶特征相匹配的历史拼车订单的夏普利值可以是多个历史拼车订单中挑选出的一个历史拼车订单的夏普利值。在另一些实施例中,与分桶特征相匹配的历史拼车订单的夏普利值包括以下几种统计值中的一种或多种。统计值包括:多个历史拼车订单的夏普利值的平均值,多个历史拼车订单的夏普利值的中位数,以及多个历史拼车订单的夏普利值中前Y个的平均值。本领域技术人员可以自行设定Y的数值,即设定选择多个历史拼车订单的夏普利值中前多少个来计算平均值。例如Y的值可以是5、8或10等。由于在多个历史拼车订单中,可能有好几个订单的夏普利值很低甚至为0,因此,选择多个历史拼车订单的夏普利值中前Y个来进行平均,可以排除夏普利值很低甚至为0的历史拼车订单的干扰。上述这些统计值可以从不同的角度来反应与分桶特征相匹配的历史拼车订单的夏普利值。
在一些实施例中,特征获取模块420可以获取待预估拼车订单的订单特征和/或场景特征。在步骤130中,拼成率确定模块430可以至少根据与分桶特征相匹配的历史拼车订单的可拼关系数特征以及待预估拼车订单的订单特征和/或场景特征,确定待预估拼车订单的拼成率。需要说明的是,订单特征可以理解为与订单的自身属性相关的特征,场景特征可以理解为订单行程的进行过程中的环境信息。场景特征可能会在一定程度上影响订单特征。
在一些实施例中,订单特征包括但不限于以下特征中的一种或多种:待预估拼车订单的时间费率、里程费率、行程预估时间、行程预估距离和出发时间。在一些替代性实施例中,订单特征还可以包括待预估拼车订单的预估费用、行程推荐行驶路线等。订单场景特征包括但不限于以下特征中的一种或多种:起点周边订单量、起点周边订单取消率、起点周边空闲司机量和天气。订单场景特征还可以包括路网信息、车流量、起点和终点之间是否有施工路段等。
在一些实施例中,可以利用机器学习模型来确定待预估订单的拼成率。具体地,在步骤130中,拼成率确定模块430可以至少根据与分桶特征相匹配的历史拼车订单的可拼关系数特征,利用训练好的拼成率预估模型确定待预估拼车订单的拼成率。在实际的操作过程中,可以在拼成率预估模型中输入待预估拼车订单的与拼成率相关的多维特征,然后该拼成率预估模型可以直接输出待预估拼车订单的拼成率。由于该拼成率预估模型是初始模型经机器学习过程训练后得到的,因此,通过该模型得到的待预估拼车订单的拼成率的预估结果的准确度较高。关于拼成率预估模型训练方法的更多细节可以参见图3及其相关描述。
应当注意的是,上述拼车订单拼成率预估方法100有关流程的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对拼车订单拼成率预估方法100的流程进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,获取待预估拼车订单的订单特征和/或场景特征的操作可以在获取历史拼车订单的可拼关系数特征的操作之前,也可以与获取历史拼车订单的可拼关系数特征的操作同时进行。
图2为根据本说明书的一些实施例的拼车订单拼成率预估方法的可拼关系数特征获取方法的流程图。如图2所示,获取与分桶特征相匹配的历史拼车订单的可拼关系数特征的流程200包括以下步骤:步骤210,获取与分桶特征相匹配的多个历史拼车订单;步骤220,确定多个历史拼车订单中每个历史拼车订单的可拼关系数量;步骤230,根据每个历史拼车订单的可拼关系数量,确定与分桶特征相匹配的历史拼车订单的可拼关系数特征。具体地,流程200可以由特征获取模块420执行。
在本实施例中,特征获取模块420可以先获取待预估拼车订单的分桶特征,再获取与分桶特征相匹配的多个历史拼车订单,获取到的多个历史拼车订单看作一个集合。特征获取模块420然后可以确定集合中每个历史拼车订单的可拼关系数量,并根据集合中每个历史拼车订单的可拼关系数量,来确定这个集合的可拼关系数特征。每个历史拼车订单的可拼关系数量可以理解为能够与该历史拼车订单相拼的拼车订单的数量,与分桶特征相匹配的历史拼车订单的可拼关系数特征可以是根据各个历史拼车订单的可拼关系数量,在经过挑选或者数值统计计算后得到的值,这个值能够反映与分桶特征相匹配的多个历史拼车订单所组成的集合的可拼关系数量。在一些实施例中,可以预先统计出与各个分桶特征相匹配的历史拼车订单的可拼关系数特征,形成一个数据统计表,并将该数据统计表存储在数据库中。当拼车订单拼成率预估方法100执行时,直接调用该数据统计表即可。
在一些实施例中,在步骤220中,特征获取模块420可以基于历史拼车订单数据,利用模拟仿真***确定每个历史拼车订单的可拼关系数量。为了减少服务器中储存的数据量,服务器中可以只存储与历史拼车订单拼成的拼车订单的数据,在需要获取每个历史拼车订单的可拼关系数量时,即可通过模拟仿真***来确定。模拟仿真***可以根据历史拼车订单的订单特征(例如起点、终点、行程预估行驶路径、行程预估时间、行程预估距离和出发时间等)信息,模拟历史拼车订单实际行驶过程中的场景特征(包括路网信息、车流量、起点周边订单量、起点周边订单取消率、起点周边空闲司机量和天气等),从而得到模拟环境下每个历史拼车订单的可拼关系数量。当拼车订单拼成率预估方法100执行而需要获得每个历史拼车订单的可拼关系数量时,通过设置模拟仿真***,既保证能够获得每个历史拼车订单的可拼关系数量,又可以减少服务器中的数据存储量。
在一些实施例中,对于每个历史拼车订单,可拼关系数量可以包括但不限于以下一种或多种情形下得到的订单数量:在该历史拼车订单发单时刻前后预设时间区间内发单,且从路线角度能够与该历史拼车订单拼成的订单数量;从时间和路线角度能够与该历史拼车订单拼成的订单数量;以及,在该历史拼车订单发单时刻之后发单,且从时间和路线角度能够与该历史拼车订单拼成的订单数量。这些可拼关系数量是在不同的情形下得到的,在一定程度上可以减少某些特殊情形对可拼关系数量的干扰。例如,在第一种情形下,确定了历史拼车订单发单时刻前后预设时间区间内,在确定能否拼成时不再考虑时间,只从路线角度进行考虑,这种情形下减小了时间因素对可拼关系数量的影响。在第三种情形下,只统计在该历史拼车订单发单时刻之后发单的拼车订单,这样减少了在该历史订单发单时刻之前发单的拼车订单已经与其他拼车订单拼成而无法与该历史拼车订单相拼的情况。仅作为示例,从路线角度能够与该历史拼车订单拼成的订单可以理解为:与该历史拼车订单在路线上有重叠部分的订单,或者与该历史拼车订单在路线上有重叠部分且终点与该历史拼车订单的行驶路径的最短距离不大于预设距离的订单。当然,本领域技术人员还可以利用其他的规则或模型来判定一个拼车订单从路线角度能否与该历史拼车订单拼成。
在一些实施例中,与分桶特征相匹配的历史拼车订单的可拼关系数特征包括但不限于以下几种统计值中的一种或多种:多个历史拼车订单的可拼关系数量的平均值,多个历史拼车订单的可拼关系数量的中位数,以及多个历史拼车订单的可拼关系数量中前X个的平均值。例如,X的值可以是5、8或10等。本领域技术人员可以自行设定X的数值,即设定选择多个历史拼车订单的可拼关系数量中前多少个来计算平均值。由于在多个历史拼车订单中,可能有好几个历史拼车订单的可拼关系数量很少甚至为0,因此,选择多个历史拼车订单的可拼关系数量中前X个来进行平均,可以减少可拼关系数量很少甚至为0的历史拼车订单对结果的干扰。上述这些统计值可以从不同的角度反应与分桶特征相匹配的历史拼车订单的可拼关系数特征。在一些替代性实施例中,与分桶特征相匹配的历史拼车订单的可拼关系数特征也可以是从多个历史拼车订单的可拼关系数量中按照一定条件挑选出的一个历史拼车订单的可拼关系数量。
在一个具体的实施例中,订单获取模块410可以获取乘客在打车软件的拼车功能下输入出发地(起点)和目的地(终点)后准备发出的拼车订单作为待预估拼车订单;然后,特征获取模块420可以获取该待预估订单的分桶特征:起点和终点所在的地理网格、终点相对于起点的连线方向所在的方向区间、出发日期为周几以及出发时刻所在的时间区间;接着,特征获取模块420可以获取与分桶特征相匹配的在三个月内的历史拼车订单;进一步,特征获取模块420可以获取每个历史拼车订单的可拼关系数量;最后,特征获取模块420可以将多个历史拼车订单的可拼关系数量的中位数作为历史拼车订单的可拼关系数特征。
图3为根据本说明书的一些实施例的拼车订单拼成率预估方法的拼成率预估模型训练方法的流程图。如图3所示,拼成率预估模型的训练方法300的流程包括以下步骤:步骤310,获取多个已完成订单;步骤320,获取多个已完成订单中每个已完成订单的分桶特征、与该分桶特征相匹配的历史拼车订单的可拼关系数特征以及拼车结果;步骤330,至少以每个已完成订单的分桶特征和与该分桶特征相匹配的历史拼车订单的可拼关系数特征作为输入,以每个已完成订单的拼车结果作为标签对初始模型进行训练,以得到训练好的拼成率预估模型。拼成率预估模型的训练方法300可以由训练模块440执行。
在本实施例中,拼车结果可以理解为拼车订单是否拼车成功的结果。已完成订单可以理解为行程已经结束的且在发单时选择“接受拼车”的订单。在拼成率预估模型的训练过程中,将多个已完成订单作为训练初始模型的训练样本,每个已完成订单的分桶特征以及与已完成订单的分桶特征相匹配的历史拼车订单的可拼关系数特征作为这个训练样本的输入特征。另外将每个已完成订单的拼车结果(如拼成或未拼成)作为标签,具体地,将拼车成功的已完成订单标记为“1”,将拼车失败的已完成订单标记为“0”,以实现对训练样本的标记。在本实施例中,初始模型可以为机器学习模型。例如,初始模型可以包括但不限于神经网络模型、支持向量机模型等。
在一些实施例中,为了进一步得到准确率更高的拼成率预估模型,训练拼成率预估模型时作为输入的特征还可以包括:多个已完成订单中每个已完成订单的与分桶特征相匹配的历史拼车订单的夏普利值、订单特征和/或场景特征。
图4为根据本说明书的一些实施例的拼车订单拼成率预估***的模块图。如图4所示,该拼车订单拼成率预估***400可以包括订单获取模块410、特征获取模块420、拼成率确定模块430和训练模块440。
订单获取模块410可以用于获取待预估拼车订单。在一些实施例中,待预估拼车订单可以包括乘客在打车软件中输入一些基础信息(如出发地和目的地)后准备发出的订单。
特征获取模块420可以用于获取拼车订单拼成率预估过程中的相关特征。在一些实施例中,特征获取模块420可以获取待预估拼车订单的分桶特征以及历史拼车订单的用于与分桶特征进行匹配的特征。在一些实施例中,特征获取模块420可以根据待预估拼车订单的分桶特征,获取与分桶特征相匹配的历史拼车订单的可拼关系数特征,可拼关系数特征反映能够与历史拼车订单相拼的订单数量信息。在一些实施例中,特征获取模块420还可以根据待预估拼车订单的分桶特征,获取与分桶特征相匹配的历史拼车订单的夏普利值。在一些实施例中,特征获取模块420可以获取待预估拼车订单的订单特征和/或场景特征。
拼成率确定模块430可以用于确定待预估拼车订单的拼成率。例如,拼成率确定模块430可以至少根据与分桶特征相匹配的历史拼车订单的可拼关系数特征,确定待预估拼车订单的拼成率。在一些实施例中,拼成率确定模块430还可以至少根据与分桶特征相匹配的历史拼车订单的可拼关系数特征和夏普利值,确定待预估拼车订单的拼成率。在一些实施例中,拼成率确定模块430可以至少根据与分桶特征相匹配的历史拼车订单的可拼关系数特征以及待预估拼车订单的订单特征和/或场景特征,确定待预估拼车订单的拼成率。
训练模块440可以用于训练拼成率预估模型。在一些实施例中,训练模块440用于:获取多个已完成订单;获取多个已完成订单中每个已完成订单的分桶特征、与该分桶特征相匹配的历史拼车订单的可拼关系数特征以及拼车结果;至少以每个已完成订单的分桶特征和与该分桶特征相匹配的历史拼车订单的可拼关系数特征作为输入,以每个已完成订单的拼车结果作为标签对初始模型进行训练,以得到训练好的拼成率预估模型。在一些实施例中,训练拼成率预估模型时作为输入的特征还包括:多个已完成订单中每个已完成订单的与分桶特征相匹配的历史拼车订单的夏普利值、订单特征和/或场景特征。
应当理解,图4所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书一个或多个实施例的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于拼车订单拼成率预估***400及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,特征获取模块420还可以进一步包括历史拼车获取单元、可拼关系数量确定单元和可拼关系数特征确定单元。又例如订单获取模块410和特征获取模块420可以组合成单个模块,该单个模块可以同时用于执行待预估拼车订单和可拼关系数特征的获取操作。诸如此类的变形,均在本说明书的保护范围之内。
本说明书实施例可能带来的有益效果包括但不限于:(1)根据待预估拼车订单的分桶特征,获取到与分桶特征相匹配的历史拼车订单,再根据这些历史拼车订单的可拼关系数特征来确定待预估拼车订单的拼车率,使得拼成率预估结果的准确度较高;(2)预估的拼成率通过训练后的拼成率预估模型来确定,有利于提高拼成率预估的准确度;(3)获取了与分桶特征相匹配的历史拼车订单的夏普利值,并进一步以夏普利值和可拼关系数特征来确定待预估拼车订单的拼车率,有利于提高拼成率预估的准确度;(4)获取了待预估拼车订单的订单特征以及场景特征,并进一步以可拼关系数特征以及订单特征和/或场景特征和来确定待预估拼车订单的拼车率,有利于提高拼成率预估的准确度;(5)通过设置模拟仿真***,既能够保证获得每个历史拼车订单的可拼关系数量,在又可以减少服务器中的数据存储量。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、***或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
最后,应当理解的是,本说明书中实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (34)
1.一种拼车订单拼成率预估方法,其特征在于,所述方法包括:
获取待预估拼车订单;
根据所述待预估拼车订单的分桶特征,获取与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,所述可拼关系数特征反映能够与所述历史拼车订单相拼的订单数量信息;
至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,确定所述待预估拼车订单的拼成率。
2.如权利要求1所述的拼车订单拼成率预估方法,其特征在于,所述分桶特征包括以下中的至少一种:所述待预估拼车订单的起点特征、终点特征、出发时间特征和起终点方向特征。
3.如权利要求2所述的拼车订单拼成率预估方法,其特征在于,所述起点特征包括起点所在区域;
所述终点特征包括终点所在区域;
所述起终点方向特征包括终点相对于起点的连线方向所在的方向区间。
4.如权利要求2所述的拼车订单拼成率预估方法,其特征在于,所述出发时间特征包括:日期特征和/或时刻特征;
所述日期特征包括出发日期是否为工作日和/或出发日期为星期几;
所述时刻信息包括出发时刻所对应的时间区间。
5.如权利要求2所述的拼车订单拼成率预估方法,其特征在于,所述与所述分桶特征相匹配的历史拼车订单包括:
与所述待预估拼车订单的所述分桶特征相同的在预设时间周期内的历史拼车订单。
6.如权利要求1所述的拼车订单拼成率预估方法,其特征在于,所述获取与所述分桶特征相匹配的历史拼车订单的可拼关系数特征包括:
获取与所述分桶特征相匹配的多个历史拼车订单;
确定所述多个历史拼车订单中每个历史拼车订单的可拼关系数量;
根据所述每个历史拼车订单的可拼关系数量,确定与所述分桶特征相匹配的历史拼车订单的可拼关系数特征。
7.如权利要求6所述的拼车订单拼成率预估方法,其特征在于,所述确定所述多个历史拼车订单中每个历史拼车订单的可拼关系数量包括:
基于历史拼车订单数据,利用模拟仿真***确定所述每个历史拼车订单的可拼关系数量。
8.如权利要求6所述的拼车订单拼成率预估方法,其特征在于,对于每个历史拼车订单,所述可拼关系数量包括以下中的至少一种:
在该历史拼车订单发单时刻前后预设时间区间内发单,且从路线角度能够与该历史拼车订单拼成的订单数量;
从时间和路线角度能够与该历史拼车订单拼成的订单数量;
在该历史的拼车订单发单时刻之后发单,且从时间和路线角度能够与该历史拼车订单拼成的订单数量。
9.如权利要求6所述的拼车订单拼成率预估方法,其特征在于,所述与所述分桶特征相匹配的历史拼车订单的可拼关系数特征包括以下中的至少一种:
所述多个历史拼车订单的可拼关系数量的平均值;
所述多个历史拼车订单的可拼关系数量的中位数;
所述多个历史拼车订单的可拼关系数量中前X个的平均值。
10.如权利要求1所述的拼车订单拼成率预估方法,其特征在于,还包括:
根据所述待预估拼车订单的分桶特征,获取与所述分桶特征相匹配的历史拼车订单的夏普利值;
所述至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,确定所述待预估拼车订单的拼成率包括:
至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征和夏普利值,确定所述待预估拼车订单的拼成率。
11.如权利要求10所述的拼车订单拼成率预估方法,其特征在于,所述根据所述待预估拼车订单的分桶特征,获取与所述分桶特征相匹配的历史拼车订单的夏普利值包括:
获取与所述分桶特征相匹配的多个历史拼车订单;
确定所述多个历史拼车订单中每个历史拼车订单的夏普利值;
根据所述每个历史拼车订单的夏普利值,确定与所述分桶特征相匹配的历史拼车订单的夏普利值。
12.如权利要求1所述的拼车订单拼成率预估方法,其特征在于,还包括:
获取所述待预估拼车订单的订单特征和/或场景特征;
所述至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,确定所述待预估拼车订单的拼成率包括:
至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征以及所述待预估拼车订单的订单特征和/或场景特征,确定所述待预估拼车订单的拼成率。
13.如权利要求12所述的拼车订单拼成率预估方法,其特征在于,所述订单特征包括以下中的至少一种:所述待预估拼车订单的时间费率、里程费率、行程预估时间、行程预估距离和出发时间;
所述订单场景特征包括以下中的至少一种:起点周边订单量、起点周边订单取消率、起点周边空闲司机量和天气。
14.如权利要求1所述的拼车订单拼成率预估方法,其特征在于,所述至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,确定所述待预估拼车订单的拼成率包括:
至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,利用训练好的拼成率预估模型确定所述待预估拼车订单的拼成率。
15.如权利要求14所述的拼车订单拼成率预估方法,其特征在于,所述拼成率预估模型的训练方法包括:
获取多个已完成订单;
获取所述多个已完成订单中每个已完成订单的分桶特征、与该分桶特征相匹配的历史拼车订单的可拼关系数特征以及拼车结果;
至少以所述每个已完成订单的分桶特征和与该分桶特征相匹配的历史拼车订单的可拼关系数特征作为输入,以所述每个已完成订单的拼车结果作为标签对初始模型进行训练,以得到训练好的拼成率预估模型。
16.如权利要求15所述的拼车订单拼成率预估方法,其特征在于,训练所述拼成率预估模型时作为输入的特征还包括:
所述多个已完成订单中每个已完成订单的与分桶特征相匹配的历史拼车订单的夏普利值、订单特征和/或场景特征。
17.一种拼车订单拼成率预估***,其特征在于,所述***包括:
订单获取模块,用于获取待预估拼车订单;
特征获取模块,用于根据所述待预估拼车订单的分桶特征,获取与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,所述可拼关系数特征反映能够与所述历史拼车订单相拼的订单数量信息;
拼成率确定模块,用于至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,确定所述待预估拼车订单的拼成率。
18.如权利要求17所述的拼车订单拼成率预估***,其特征在于,所述分桶特征包括以下中的至少一种:所述待预估拼车订单的起点特征、终点特征、出发时间特征和起终点方向特征。
19.如权利要求18所述的拼车订单拼成率预估***,其特征在于,所述起点特征包括起点所在区域;
所述终点特征包括终点所在区域;
所述起终点方向特征包括终点相对于起点的连线方向所在的方向区间。
20.如权利要求18所述的拼车订单拼成率预估***,其特征在于,所述出发时间特征包括:日期特征和/或时刻特征;
所述日期特征包括出发日期是否为工作日和/或出发日期为星期几;
所述时刻信息包括出发时刻所对应的时间区间。
21.如权利要求18所述的拼车订单拼成率预估***,其特征在于,所述与所述分桶特征相匹配的历史拼车订单包括:
与所述待预估拼车订单的所述分桶特征相同的在预设时间周期内的历史拼车订单。
22.如权利要求17所述的拼车订单拼成率预估***,其特征在于,所述特征获取模块还用于:
获取与所述分桶特征相匹配的多个历史拼车订单;
确定所述多个历史拼车订单中每个历史拼车订单的可拼关系数量;
根据所述每个历史拼车订单的可拼关系数量,确定与所述分桶特征相匹配的历史拼车订单的可拼关系数特征。
23.如权利要求22所述的拼车订单拼成率预估***,其特征在于,所述特征获取模块还用于:
基于历史拼车订单数据,利用模拟仿真***确定所述每个历史拼车订单的可拼关系数量。
24.如权利要求22所述的拼车订单拼成率预估***,其特征在于,对于每个历史拼车订单,所述可拼关系数量包括以下中的至少一种:
在该历史拼车订单发单时刻前后预设时间区间内发单,且从路线角度能够与该历史拼车订单拼成的订单数量;
从时间和路线角度能够与该历史拼车订单拼成的订单数量;
在该历史的拼车订单发单时刻之后发单,且从时间和路线角度能够与该历史拼车订单拼成的订单数量。
25.如权利要求22所述的拼车订单拼成率预估***,其特征在于,所述与所述分桶特征相匹配的历史拼车订单的可拼关系数特征包括以下中的至少一种:
所述多个历史拼车订单的可拼关系数量的平均值;
所述多个历史拼车订单的可拼关系数量的中位数;
所述多个历史拼车订单的可拼关系数量中前X个的平均值。
26.如权利要求17所述的拼车订单拼成率预估***,其特征在于,所述特征获取模块还用于根据所述待预估拼车订单的分桶特征,获取与所述分桶特征相匹配的历史拼车订单的夏普利值;
所述拼成率确定模块还用于:至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征和夏普利值,确定所述待预估拼车订单的拼成率。
27.如权利要求26所述的拼车订单拼成率预估***,其特征在于,所述特征获取模块还用于:
获取与所述分桶特征相匹配的多个历史拼车订单;
确定所述多个历史拼车订单中每个历史拼车订单的夏普利值;
根据所述每个历史拼车订单的夏普利值,确定与所述分桶特征相匹配的历史拼车订单的夏普利值。
28.如权利要求17所述的拼车订单拼成率预估***,其特征在于,所述特征获取模块还用于:获取所述待预估拼车订单的订单特征和/或场景特征;
所述拼成率确定模块还用于:至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征以及所述待预估拼车订单的订单特征和/或场景特征,确定所述待预估拼车订单的拼成率。
29.如权利要求28所述的拼车订单拼成率预估***,其特征在于,所述订单特征包括以下中的至少一种:所述待预估拼车订单的时间费率、里程费率、行程预估时间、行程预估距离和出发时间;
所述订单场景特征包括以下中的至少一种:起点周边订单量、起点周边订单取消率、起点周边空闲司机量和天气。
30.如权利要求17所述的拼车订单拼成率预估***,其特征在于,所述***还包括训练模块,所述训练模块用于训练拼成率预估模型;
所述拼成率确定模块用于:至少根据与所述分桶特征相匹配的历史拼车订单的可拼关系数特征,利用训练好的拼成率预估模型确定所述待预估拼车订单的拼成率。
31.如权利要求30所述的拼车订单拼成率预估***,其特征在于,所述训练模块用于:
获取多个已完成订单;
获取所述多个已完成订单中每个已完成订单的分桶特征、与该分桶特征相匹配的历史拼车订单的可拼关系数特征以及拼车结果;
至少以所述每个已完成订单的分桶特征和与该分桶特征相匹配的历史拼车订单的可拼关系数特征作为输入,以所述每个已完成订单的拼车结果作为标签对初始模型进行训练,以得到训练好的拼成率预估模型。
32.如权利要求31所述的拼车订单拼成率预估***,其特征在于,训练所述拼成率预估模型时作为输入的特征还包括:
所述多个已完成订单中每个已完成订单的与分桶特征相匹配的历史拼车订单的夏普利值、订单特征和/或场景特征。
33.一种拼车订单拼成率预估装置,所述装置包括处理器和存储器;所述存储器用于存储指令,其特征在于,所述指令被所述处理器执行时,所述装置实现如权利要求1~16中任一项所述方法对应的操作。
34.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取所述存储介质中的计算机执指令时,所述计算机执行如权利要求1~16中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192903.XA CN111860929B (zh) | 2020-03-18 | 2020-03-18 | 一种拼车订单拼成率预估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192903.XA CN111860929B (zh) | 2020-03-18 | 2020-03-18 | 一种拼车订单拼成率预估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860929A true CN111860929A (zh) | 2020-10-30 |
CN111860929B CN111860929B (zh) | 2024-04-23 |
Family
ID=72984996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010192903.XA Active CN111860929B (zh) | 2020-03-18 | 2020-03-18 | 一种拼车订单拼成率预估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860929B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561639A (zh) * | 2020-12-15 | 2021-03-26 | 北京嘀嘀无限科技发展有限公司 | 拼车服务处理方法、装置、设备及存储介质 |
CN113255948A (zh) * | 2021-05-26 | 2021-08-13 | 首约科技(北京)有限公司 | 一种提高拼车准确率的匹配策略方法 |
CN114881728A (zh) * | 2022-04-28 | 2022-08-09 | 广州宸祺出行科技有限公司 | 一种拼车方法和装置 |
CN116091115A (zh) * | 2023-01-29 | 2023-05-09 | 四川国蓝中天环境科技集团有限公司 | 一种基于建成环境与出行特征的网约车拼车率预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548386A (zh) * | 2016-07-26 | 2017-03-29 | 深圳市凡达讯科技有限公司 | 一种商品拼单方法、***及用户终端 |
CN106803197A (zh) * | 2015-11-26 | 2017-06-06 | 滴滴(中国)科技有限公司 | 拼单方法和设备 |
CN107123258A (zh) * | 2016-02-24 | 2017-09-01 | 滴滴(中国)科技有限公司 | 订单分配方法及装置 |
CN107230091A (zh) * | 2016-03-23 | 2017-10-03 | 滴滴(中国)科技有限公司 | 拼车请求订单匹配方法及装置 |
CN108734489A (zh) * | 2017-04-18 | 2018-11-02 | 北京嘀嘀无限科技发展有限公司 | 拼车折扣确定方法及装置 |
CN108734361A (zh) * | 2017-04-18 | 2018-11-02 | 北京嘀嘀无限科技发展有限公司 | 拼车订单处理方法和装置 |
CN110619402A (zh) * | 2019-08-13 | 2019-12-27 | 杭州飞步科技有限公司 | 一种派车方法和装置、电子设备、存储介质 |
US20200058044A1 (en) * | 2017-03-27 | 2020-02-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for carpooling |
WO2020039821A1 (ja) * | 2018-08-24 | 2020-02-27 | 株式会社 東芝 | 乗合車両用需要予測装置、乗合車両用需要予測方法及びプログラム |
-
2020
- 2020-03-18 CN CN202010192903.XA patent/CN111860929B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803197A (zh) * | 2015-11-26 | 2017-06-06 | 滴滴(中国)科技有限公司 | 拼单方法和设备 |
CN107123258A (zh) * | 2016-02-24 | 2017-09-01 | 滴滴(中国)科技有限公司 | 订单分配方法及装置 |
CN107230091A (zh) * | 2016-03-23 | 2017-10-03 | 滴滴(中国)科技有限公司 | 拼车请求订单匹配方法及装置 |
CN106548386A (zh) * | 2016-07-26 | 2017-03-29 | 深圳市凡达讯科技有限公司 | 一种商品拼单方法、***及用户终端 |
US20200058044A1 (en) * | 2017-03-27 | 2020-02-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for carpooling |
CN108734489A (zh) * | 2017-04-18 | 2018-11-02 | 北京嘀嘀无限科技发展有限公司 | 拼车折扣确定方法及装置 |
CN108734361A (zh) * | 2017-04-18 | 2018-11-02 | 北京嘀嘀无限科技发展有限公司 | 拼车订单处理方法和装置 |
WO2020039821A1 (ja) * | 2018-08-24 | 2020-02-27 | 株式会社 東芝 | 乗合車両用需要予測装置、乗合車両用需要予測方法及びプログラム |
CN112602110A (zh) * | 2018-08-24 | 2021-04-02 | 株式会社东芝 | 合乘车辆用需求预测装置、合乘车辆用需求预测方法及程序 |
CN110619402A (zh) * | 2019-08-13 | 2019-12-27 | 杭州飞步科技有限公司 | 一种派车方法和装置、电子设备、存储介质 |
Non-Patent Citations (3)
Title |
---|
徐毅;童咏昕;李未;: "大规模拼车算法研究进展", 计算机研究与发展, no. 01 * |
李永涛;竺小松;关捷;: "一种车辆网络场景下的机会式路由", 南京邮电大学学报(自然科学版), no. 06 * |
谭家美;朱丽叶;南香兰;侯立文;: "网络拼车成功的因素分析", 上海海事大学学报, no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561639A (zh) * | 2020-12-15 | 2021-03-26 | 北京嘀嘀无限科技发展有限公司 | 拼车服务处理方法、装置、设备及存储介质 |
CN113255948A (zh) * | 2021-05-26 | 2021-08-13 | 首约科技(北京)有限公司 | 一种提高拼车准确率的匹配策略方法 |
CN114881728A (zh) * | 2022-04-28 | 2022-08-09 | 广州宸祺出行科技有限公司 | 一种拼车方法和装置 |
CN116091115A (zh) * | 2023-01-29 | 2023-05-09 | 四川国蓝中天环境科技集团有限公司 | 一种基于建成环境与出行特征的网约车拼车率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111860929B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860929A (zh) | 一种拼车订单拼成率预估方法及*** | |
US11449908B2 (en) | Method and system for determining transport service fee | |
TWI638320B (zh) | 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體 | |
US20210140774A1 (en) | Systems and methods for recommending pick-up locations | |
KR102094250B1 (ko) | 셰어링된 차량의 지연 반납 검출을 제공하기 위한 방법 및 장치 | |
AU2018102202A4 (en) | Systems and methods for cheat examination | |
US20200042885A1 (en) | Systems and methods for determining an estimated time of arrival | |
US20150242944A1 (en) | Time dependent inventory asset management system for industries having perishable assets | |
US11455582B2 (en) | Systems and methods for optimizing an online on-demand service | |
US20140149164A1 (en) | Scheduling management system and scheduling management method | |
CN111951554A (zh) | 一种违停路段信息采集方法和*** | |
CN110998686A (zh) | 一种交通灯配时的***和方法 | |
US20200167812A1 (en) | Systems and methods for determining a fee of a service request | |
CN111932341A (zh) | 一种确定拼车订单的方法和*** | |
CN110689719B (zh) | 用于识别封闭路段的***和方法 | |
CN111400425A (zh) | 一种路径自动优化选择的方法和*** | |
CN112106021B (zh) | 提供车辆导航模拟环境的方法和装置 | |
CN114742507A (zh) | 车辆货物配载方法、装置、计算机设备及存储介质 | |
CN110223514A (zh) | 城市交通运行状态分析方法、装置及电子设备 | |
US20170154386A1 (en) | Vehicle manufacture tracking | |
KR102687621B1 (ko) | 정보 처리 장치, 방법, 및 비일시적 기억 매체 | |
US20240104491A1 (en) | Auto-Constraint Generation for the Optimization of Planned Pickups and Deliveries | |
US20220333941A1 (en) | Information processing apparatus, method, and non-transitory storage medium | |
US20220397405A1 (en) | Information processing device, information processing method and information processing system | |
Mohan | Technology Policy Challenges of Electric and Automated Vehicles |
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 |