預(yù)估乘客取消訂單行為的方法、設(shè)備及存儲介質(zhì)與流程

文檔序號：11387313閱讀：254來源：國知局

導(dǎo)航： X技術(shù)> 最新專利>計算;推算;計數(shù)設(shè)備的制造及其應(yīng)用技術(shù)

本發(fā)明實施例涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種預(yù)估乘客取消訂單行為的方法、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

隨著互聯(lián)網(wǎng)技術(shù)的高度發(fā)展以及智能設(shè)備的普及，傳統(tǒng)的交通技術(shù)正在逐步進化為智能交通系統(tǒng)?，F(xiàn)有技術(shù)中，乘客多使用在線叫車服務(wù)軟件(例如滴滴、優(yōu)步、神州、易道等)，通過手機等智能終端進行打車，使人、車、路之間的相互作用關(guān)系以新的方式呈現(xiàn)，與傳統(tǒng)的打車方式相比，在一定程度上實現(xiàn)了較為準確、高效地出行。

在線叫車服務(wù)(如專車，順風(fēng)車，快車等)中，大量的因素會導(dǎo)致乘客在叫車過程中取消訂單，例如司機接客預(yù)期到達時間、單價、區(qū)域和交通狀況等等，而且不同用戶對不同因素的敏感程度還不一樣。只有在派單過程中將用戶訂單派送給達到乘客預(yù)期的司機才能完成在線叫車服務(wù)。從而，正確的識別出乘客針對派單司機是否會取消訂單具有重要意義。

目前，只有通過司機和用戶的距離來判斷司機是否滿足派送訂單的要求，并沒有考慮乘客的影響因素，從而導(dǎo)致在線叫車服務(wù)的成功率較低。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種預(yù)估乘客取消訂單行為的方法、設(shè)備及存儲介質(zhì)，可以提升在線叫車服務(wù)成功率。

第一方面，本發(fā)明實施例提供了一種預(yù)估乘客取消訂單行為的方法，該方法包括：

根據(jù)在線叫車服務(wù)生成的訂單的乘客賬號，獲取對應(yīng)乘客的歷史行為信息，并獲取所述訂單的訂單信息，所述訂單信息中包含乘車起點；

將位于所述乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為候選司機，并獲取所述候選司機的司機信息；

分別為所述訂單信息、所述歷史行為信息和所述司機信息中包含的屬性項進行賦值，生成屬性向量；

根據(jù)所述屬性向量預(yù)估所述乘客針對所述候選司機是否會取消所述訂單。

第二方面，本發(fā)明實施例還提供了一種預(yù)估乘客取消訂單行為的裝置，該裝置包括：

歷史信息獲取模塊，用于根據(jù)在線叫車服務(wù)生成的訂單的乘客賬號，獲取對應(yīng)乘客的歷史行為信息，并獲取所述訂單的訂單信息，所述訂單信息中包含乘車起點；

司機信息獲取模塊，用于將位于所述乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為候選司機，并獲取所述候選司機的司機信息；

向量生成模塊，用于分別為所述訂單信息、所述歷史行為信息和所述司機信息中包含的屬性項進行賦值，生成屬性向量；

取消訂單預(yù)估模塊，用于根據(jù)所述屬性向量預(yù)估所述乘客針對所述候選司機是否會取消所述訂單。

第三方面，本發(fā)明實施例還提供了一種設(shè)備，包括：

一個或多個處理器；

存儲裝置，用于存儲一個或多個程序，

當所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)本發(fā)明實施例任一所述的預(yù)估乘客取消訂單行為的方法。

第四方面，本發(fā)明實施例還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)本發(fā)明實施例任一所述的預(yù)估乘客取消訂單行為的方法。

本發(fā)明實施例在預(yù)估乘客針對候選司機是否會取消訂單時，同時考慮到了乘客的歷史行為信息、訂單信息和司機信息，并將上述信息進行量化處理，可以提升在線叫車服務(wù)成功率。

附圖說明

圖1是本發(fā)明實施例一提供的一種預(yù)估乘客取消訂單行為的方法的流程圖；

圖2是本發(fā)明實施例二提供的一種預(yù)估乘客取消訂單行為的方法的流程圖；

圖3是本發(fā)明實施例三提供的一種預(yù)估乘客取消訂單行為的方法的流程圖；

圖4是本發(fā)明實施例四提供的一種預(yù)估乘客取消訂單行為的裝置的結(jié)構(gòu)圖；

圖5是本發(fā)明實施例五提供的一種計算機設(shè)備的結(jié)構(gòu)示意圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合附圖對本發(fā)明具體實施例作進一步的詳細描述?？梢岳斫獾氖牵颂幩枋龅木唧w實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。

另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部內(nèi)容。在更加詳細地討論示例性實施例之前應(yīng)當提到的是，一些示例性實施例被描述成作為流程圖描繪的處理或方法。雖然流程圖將各項操作(或步驟)描述成順序的處理，但是其中的許多操作可以被并行地、并發(fā)地或者同時實施。此外，各項操作的順序可以被重新安排。當其操作完成時所述處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。所述處理可以對應(yīng)于方法、函數(shù)、規(guī)程、子例程、子程序等等。

實施例一

圖1為本發(fā)明實施例一提供的一種預(yù)估乘客取消訂單行為的方法的流程圖，本實施例可適用于預(yù)估乘客取消訂單行為的情況，該方法可以由本發(fā)明實施例提供的預(yù)估乘客取消訂單行為的裝置來執(zhí)行，該裝置可采用軟件和/或硬件的方式實現(xiàn)，該裝置可集成在終端設(shè)備中或終端設(shè)備的應(yīng)用端中。其中，終端設(shè)備可以為但不限于為移動終端(平板電腦或智能手機)、固定終端(臺式電腦或筆記本)。

其中，應(yīng)用端可以為內(nèi)嵌于終端設(shè)備中的某個客戶端的插件，或者為所述終端設(shè)備的操作系統(tǒng)的插件，與內(nèi)嵌于終端設(shè)備中的預(yù)估乘客取消訂單行為的客戶端或者終端設(shè)備的操作系統(tǒng)中的預(yù)估乘客取消訂單行為應(yīng)用程序配合使用；應(yīng)用端也可以為所述終端設(shè)備中一個獨立的可提供預(yù)估乘客取消訂單行為的客戶端，本實施例對此不進行限制。

如圖1所述，本實施例的方法具體包括：

s101、根據(jù)在線叫車服務(wù)生成的訂單的乘客賬號，獲取對應(yīng)乘客的歷史行為信息，并獲取所述訂單的訂單信息，所述訂單信息中包含乘車起點。

其中，乘客賬戶可以為用戶名或用戶id。所述歷史行為信息可包含以下至少一項信息：乘客歷史取消訂單次數(shù)、司機接客預(yù)期到達時間與乘客歷史取消訂單平均時間的比值、司機接客預(yù)期到達時間與乘客歷史取消訂單平均時間的差值與乘客歷史取消訂單時間方差的比值、司機接客預(yù)期到達時間與乘客完成訂單的司機到達時間均值的比值、司機接客行駛距離與乘客歷史取消訂單的司機接客行駛距離均值的比值、司機接客行駛距離與乘客歷史取消訂單的司機接客行駛距離均值的差值與乘客歷史取消訂單的司機接客行駛距離方差的比值、司機接客行駛距離與乘客歷史完成訂單的司機接客行駛距離均值的比值、訂單價格與乘客歷史取消訂單平均價格的比值、訂單價格與乘客歷史取消訂單平均價格的差與乘客歷史取消訂單價格的方差的比值、訂單價格與乘客歷史完成訂單平均價格的比值、訂單價格與乘客歷史完成訂單平均價格的差與乘客歷史完成訂單價格的方差的比值、乘客在預(yù)設(shè)時間段內(nèi)取消訂單的比例、乘客是否綁定信用卡和乘客是否有過打車拒付記錄。

此外，所述訂單信息中還可包含以下至少一項信息：乘車終點、乘車起點和/或乘車終點是否為用戶的家庭地址、乘車起點和/或乘車終點是否為用戶的工作單位，乘車起點和/或乘車終點是否為商圈、乘車起點和/或乘車終點是否為交通樞紐、是否是異地叫車、訂單發(fā)起時間、車輛類型、乘車起點和乘車終點之間的距離、預(yù)計價格、預(yù)計價格與訂單發(fā)起城市中訂單平均價格比、預(yù)計行駛時間、預(yù)計行駛速度與訂單發(fā)起城市中訂單平均行駛速度比、是否穿越擁堵區(qū)域和乘客性別。其中，所述訂單發(fā)起時間可包含以下至少一項信息：是否上午、是否下午、是否晚上、是否夜里、星期、小時、是否周末和是否處于上下班高峰期。

s102、將位于所述乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為候選司機，并獲取所述候選司機的司機信息。

為了提高在線叫車服務(wù)的成功率，可獲取距離所述乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為候選司機，其中，預(yù)設(shè)區(qū)域范圍可選為周圍2-3公里，這樣，選出的候選司機距離乘車起點不會太遠，司機拒絕接單的概率也就越小。

其中，候選司機的個數(shù)可以為1個或多個，當為1個數(shù)時，可選擇距離乘車起點最近的司機作為候選司機。所述可司機信息包含以下至少一項信息：司機性別、車輛類型、當前位置、接客行駛距離和接客預(yù)期到達時間。

s103、分別為所述訂單信息、所述歷史行為信息和所述司機信息中包含的屬性項進行賦值，生成屬性向量。

其中，賦值可以為0-9之間的任意數(shù)值，例如為0或1。具體可根據(jù)包含的屬性項的重要程度或權(quán)重對各屬性項進行賦值。將各屬性項的值組合起來，形成一個行向量或列向量作為生成的屬性向量。

s104、根據(jù)所述屬性向量預(yù)估所述乘客針對所述候選司機是否會取消所述訂單。

具體的，可根據(jù)屬性向量對乘客針對各候選司機是否會取消訂單進行概率預(yù)估，概率越大，那么該乘客可能取消訂單的概率就越大。

本實施例通過在預(yù)估乘客針對候選司機是否會取消訂單時，同時考慮到了乘客的歷史行為信息、訂單信息和司機信息，并將上述信息進行量化處理，可以提升在線叫車服務(wù)成功率。

實施例二

圖2是本發(fā)明實施例二提供的一種預(yù)估乘客取消訂單行為的方法的流程圖。本實施例以上述實施例為基礎(chǔ)進行優(yōu)化，在本實施例中，將步驟根據(jù)所述屬性向量預(yù)估所述乘客針對所述候選司機是否會取消所述訂單優(yōu)化為，將所述屬性向量輸入乘客取消訂單行為識別器中進行學(xué)習(xí)；根據(jù)所述乘客取消訂單行為識別器輸出的所述乘客針對所述候選司機取消訂單的概率，確定所述乘客是否取消所述訂單。

相應(yīng)的，本實施例的方法具體包括：

s201、根據(jù)在線叫車服務(wù)生成的訂單的乘客賬號，獲取對應(yīng)乘客的歷史行為信息，并獲取所述訂單的訂單信息，所述訂單信息中包含乘車起點。

s202、將位于所述乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為候選司機，并獲取所述候選司機的司機信息。

s203、分別為所述訂單信息、所述歷史行為信息和所述司機信息中包含的屬性項進行賦值，生成屬性向量。

s204、將所述屬性向量輸入乘客取消訂單行為識別器中進行學(xué)習(xí)。

s205、根據(jù)所述乘客取消訂單行為識別器輸出的所述乘客針對所述候選司機取消訂單的概率，確定所述乘客是否取消所述訂單。

其中，乘客取消訂單行為識別器是預(yù)先根據(jù)乘客的歷史行為信息、歷史訂單信息、和歷史訂單對應(yīng)的司機信息訓(xùn)練得到的識別器，通過該乘客取消訂單行為識別器可直接輸出乘客取消訂單的概率，輸出的乘客取消訂單的概率越大，那么該乘客可能取消訂單的概率就越大。

可選的，該乘客取消訂單行為識別器的訓(xùn)練過程如下：

獲取至少一個乘客的歷史訂單的歷史行為信息、訂單信息及乘客取消訂單情況，所述歷史訂單的訂單信息中包含歷史乘車起點；

獲取位于所述歷史乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為歷史候選司機，并獲取所述歷史候選司機的司機信息；

根據(jù)所述乘客取消訂單情況對所述歷史訂單進行標記，并分別為標記后的歷史訂單的歷史行為信息、訂單信息和司機信息進行賦值，生成歷史屬性向量；

采用神經(jīng)網(wǎng)絡(luò)模型或邏輯回歸模型對所述歷史屬性向量進行訓(xùn)練，得到所述乘客取消訂單行為識別器。

具體的，利用歷史訂單構(gòu)建訓(xùn)練數(shù)據(jù)。每條訂單每推送一個司機建立一條訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)的屬性包含訂單信息、乘客歷史行為信息和司機信息，并根據(jù)乘客是否取消訂單打上標記，取消訂單的標記為1，未取消的標記為0。如果只是判斷被司機接單后乘客是否會取消訂單，每個訂單對應(yīng)一條訓(xùn)練數(shù)據(jù)，步驟1中列舉的司機信息為接單的司機信息，其余不變。

采用隨機森林randomforest算法或迭代決策樹gbdt將所有訓(xùn)練數(shù)據(jù)轉(zhuǎn)換為由0-1組成的屬性向量。例如，可采用的轉(zhuǎn)換方法如下：對于訓(xùn)練數(shù)據(jù)，使用randomforest或者gbdt模型訓(xùn)練后可以獲得n顆決策樹(決策樹的棵數(shù)n由訓(xùn)練過程中配置的決策樹個數(shù)參數(shù)控制)。對n顆決策樹中的每一顆樹的葉節(jié)點都進行編號，例如第n顆決策樹的第m個葉節(jié)點為(n，m)。對每條訓(xùn)練數(shù)據(jù)，每棵樹都會有一個葉節(jié)點輸出該條訓(xùn)練數(shù)據(jù)的取消概率，如果取消概率大于指定閾值，將結(jié)果標記為1，否者為0。可以通過這n顆樹的葉子節(jié)點的輸出獲得一個n*m維向量，其中m為葉子節(jié)點數(shù)最多的決策樹的葉子節(jié)點個數(shù)。如果第n棵樹的第m個葉子節(jié)點判定訓(xùn)練數(shù)據(jù)的標記為1，則第((n-1)*m+m)位元素為1，否者為0，不輸出結(jié)果的葉節(jié)點對應(yīng)的元素為0。如果某決策樹的葉子節(jié)點數(shù)低于m，超出葉子節(jié)點個數(shù)后面的元素用0補足缺失的葉子節(jié)點。

例如，采用gbdt訓(xùn)練時決策樹個數(shù)設(shè)置為3顆樹，訓(xùn)練得到的決策樹最多的葉子節(jié)點個數(shù)為4。針對訂單d，由葉子節(jié)點(1，1)，(2，2)，(3，4)給出判別結(jié)果，分別為1，0，1。從而，訂單d的0-1屬性向量為(1，0，0，0，0，0，0，0，0，0，0，1)，標紅的為給出判別結(jié)果的葉節(jié)點對應(yīng)的判別結(jié)果值，其余位用0填充。利用邏輯回歸模型，通過0-1屬性向量訓(xùn)練數(shù)據(jù)可以訓(xùn)練一個乘客取消訂單行為識別器。對于用戶新提交的訂單，可以通過n顆決策樹將訂單信息，乘客歷史行為信息和司機信息轉(zhuǎn)化為一個由0-1組成的屬性向量，然后利用乘客取消訂單行為識別器預(yù)估乘客取消訂單的概率，當乘客取消訂單的概率大于一定閾值，則認為將該乘客的訂單派送給該司機時乘客會取消訂單。

本實施例預(yù)先根據(jù)乘客的大量歷史訂單的歷史行為信息、訂單信息、司機信息組成的屬性向量，訓(xùn)練得到乘客取消訂單行為識別器，在有新提交的訂單時，將訂單信息、歷史行為信息、司機信息轉(zhuǎn)化成屬性向量，輸入乘客取消訂單行為識別器，根據(jù)輸出的乘客針對各候選司機取消訂單的概率，確定乘客針對各候選司機是否會取消訂單，不僅能夠提供識別效率，識別速度，而且可以正確識別出乘客是否會取消訂單，提升在線叫車服務(wù)成功率。

實施例三

圖3是本發(fā)明實施例三提供的一種預(yù)估乘客取消訂單行為的方法的流程圖。本實施例以上述實施例為基礎(chǔ)進行優(yōu)化，在本實施例中，將步驟分別為所述訂單信息、所述歷史行為信息和所述司機信息中包含的屬性項進行賦值，生成屬性向量優(yōu)化為：采用隨機森林randomforest算法或迭代決策樹gbdt，分別為所述訂單信息、所述歷史行為信息和所述司機信息中包含的屬性項進行賦值，生成屬性向量。

相應(yīng)的，本實施例的方法具體包括：

s301、根據(jù)在線叫車服務(wù)生成的訂單的乘客賬號，獲取對應(yīng)乘客的歷史行為信息，并獲取所述訂單的訂單信息，所述訂單信息中包含乘車起點。

s302、將位于所述乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為候選司機，并獲取所述候選司機的司機信息。

s303、采用隨機森林randomforest算法或迭代決策樹gbdt，對所述訂單信息、所述歷史行為信息和所述司機信息中包含的屬性項進行訓(xùn)練，得到n棵決策樹，其中，n為自然數(shù)。

s304、為所述n棵決策樹中的每顆樹的葉子節(jié)點賦值，根據(jù)所述葉子節(jié)點的賦值生成屬性向量。

具體的，對n顆決策樹中的每一顆樹的葉子節(jié)點進行編號；根據(jù)所述編號為葉子節(jié)點賦值，生成屬性向量?？蛇x的一種實施方式是，將輸出取消訂單結(jié)果的葉子節(jié)點賦值為第一預(yù)設(shè)值，將輸出不取消訂單結(jié)果的葉子節(jié)點賦值為第二預(yù)設(shè)值，將其余葉子節(jié)點賦值為第三預(yù)設(shè)值。其中，第一預(yù)設(shè)值、第二預(yù)設(shè)值和第三預(yù)設(shè)值可以分別為取值不同的三個值，也可以是，第一預(yù)設(shè)值和第三預(yù)設(shè)值取值相同，而與第二預(yù)設(shè)值取值不同，或者，第一預(yù)設(shè)值和第二預(yù)設(shè)值取值相同，而與第三預(yù)設(shè)值取值不同。例如，第一預(yù)設(shè)值和第三預(yù)設(shè)值取值為1，第二預(yù)設(shè)值取值為0；或者，第一預(yù)設(shè)值為1，第二預(yù)設(shè)值和第三預(yù)設(shè)值取值為0；或者，第一預(yù)設(shè)值和第三預(yù)設(shè)值取值為0，第二預(yù)設(shè)值取值為1；或者，第一預(yù)設(shè)值為0，第二預(yù)設(shè)值和第三預(yù)設(shè)值取值為1。

可選的另一種實施方式是，根據(jù)n顆決策樹中葉子節(jié)點數(shù)最多的決策樹的葉子節(jié)點個數(shù)m，生成n*m維向量；為所述n*m維向量中的各位元素進行賦值，得到所述屬性向量。例如，若第n棵樹的第m個葉子節(jié)點賦值為第一預(yù)設(shè)值，則將所述n*m維向量中第((n-1)*m+m)位元素賦值為第一預(yù)設(shè)值，將不輸出取消訂單結(jié)果的葉子節(jié)點對應(yīng)的元素賦值為第二預(yù)設(shè)值；對于葉子節(jié)點數(shù)低于m的決策樹，將超出葉子節(jié)點個數(shù)的元素賦值為第三預(yù)設(shè)值。其中，第一預(yù)設(shè)值、第二預(yù)設(shè)值和第三預(yù)設(shè)值的取值參見上述相關(guān)描述，這里不再贅述。

s305、將所述屬性向量輸入乘客取消訂單行為識別器中進行學(xué)習(xí)。

s306、根據(jù)所述乘客取消訂單行為識別器輸出的所述乘客針對所述候選司機取消訂單的概率，確定所述乘客是否取消所述訂單。

實施例四

圖4為本發(fā)明實施例四提供的一種預(yù)估乘客取消訂單行為的裝置的結(jié)構(gòu)圖，本實施例可適用于預(yù)估乘客取消訂單行為的情況，該裝置可采用軟件和/或硬件的方式實現(xiàn)，該裝置可集成在終端設(shè)備中或終端設(shè)備的應(yīng)用端中。其中，終端設(shè)備可以為但不限于為移動終端(平板電腦或智能手機)、固定終端(臺式電腦或筆記本)。

如圖4所示，所述裝置包括：歷史信息獲取模塊401、司機信息獲取模塊402、向量生成模塊403和取消訂單預(yù)估模塊404，其中：

歷史信息獲取模塊401用于根據(jù)在線叫車服務(wù)生成的訂單的乘客賬號，獲取對應(yīng)乘客的歷史行為信息，并獲取所述訂單的訂單信息，所述訂單信息中包含乘車起點；

司機信息獲取模塊402用于將位于所述乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為候選司機，并獲取所述候選司機的司機信息；

向量生成模塊403用于分別為所述訂單信息、所述歷史行為信息和所述司機信息中包含的屬性項進行賦值，生成屬性向量；

取消訂單預(yù)估模塊404用于根據(jù)所述屬性向量預(yù)估所述乘客針對所述候選司機是否會取消所述訂單。

本實施例的預(yù)估乘客取消訂單行為的裝置用于執(zhí)行上述各實施例的預(yù)估乘客取消訂單行為的方法，其技術(shù)原理和產(chǎn)生的技術(shù)效果類似，這里不再贅述。

在上述各實施例的基礎(chǔ)上，所述取消訂單預(yù)估模塊404具體用于：

將所述屬性向量輸入乘客取消訂單行為識別器中進行學(xué)習(xí)；根據(jù)所述乘客取消訂單行為識別器輸出的所述乘客針對所述候選司機取消訂單的概率，確定所述乘客是否取消所述訂單。

在上述各實施例的基礎(chǔ)上，所述裝置還包括：乘客取消訂單行為識別器訓(xùn)練模塊405；

乘客取消訂單行為識別器訓(xùn)練模塊405用于獲取至少一個乘客的歷史訂單的歷史行為信息、訂單信息及乘客取消訂單情況，所述歷史訂單的訂單信息中包含歷史乘車起點；獲取位于所述歷史乘車起點預(yù)設(shè)區(qū)域范圍內(nèi)的司機作為歷史候選司機，并獲取所述歷史候選司機的司機信息；根據(jù)所述乘客取消訂單情況對所述歷史訂單進行標記，并分別為標記后的歷史訂單的歷史行為信息、訂單信息和司機信息進行賦值，生成歷史屬性向量；采用神經(jīng)網(wǎng)絡(luò)模型或邏輯回歸模型對所述歷史屬性向量進行訓(xùn)練，得到所述乘客取消訂單行為識別器。