一种网约车即时订单倾斜模型配置方法和装置

技术领域

本公开涉及网约车技术领域，具体涉及一种网约车即时订单倾斜模型配置方法和装置。

背景技术

在网约车行业，最关键和最具挑战性的任务之一是为每个客户的订单选择最合适的司机。传统的调度系统把订单分配给接送距离最近的司机。但为了根据城市、打车渠道、场景等实现精细化管理，特别是，为了实现对核心司机的奖励，调度系统需要对接单司机进行调整，这就是所谓的倾斜。

倾斜基于在调度系统配置的倾斜模型进行。现在有多种主流的倾斜模型，如主要考虑核心司机利益的人工倾斜模型，适用于订单和车辆密集的市区场景的算法倾斜模型等。调度系统需要基于实际情况配置对应的倾斜模型来对待派单网约车进行倾斜。但现在的倾斜模型配置方法或者太过粗疏，如对同同一时间同一城市配置相同的倾斜模型，从而调度结果不及预期，达不到精细化管理的目的；或者太过精细，配置倾斜模型依据的参数太多，从而耗费大量的计算资源，导致调度效率下降，派单迟缓。

发明内容

本公开实施例提出了一种网约车即时订单倾斜模型配置方法、装置、一种网约车即时订单的派单方法、装置，以解决现有网约车即时订单倾斜模型配置方法或者调度结果不达预期或者调度效率低下的问题。

本公开实施例的第一方面提供了一种网约车即时订单倾斜模型配置方法，包括：

将预设的数据采集时段按预设时间间隔划分为多个实验时段，为每一个实验时段分配一个倾斜模型；

获取网约车即时订单的订单属性，如果所述即时订单的出发时间属于所述数据采集时段，则根据所述出发时间所属于的实验时段，给所述订单配置与所述实验时段对应的倾斜模型，基于所述订单的倾斜模型向所述订单派单，所述订单完成后，收集所述订单预设指标的数据；

在所述数据采集时段结束后，根据订单属性对在所述数据采集时段完成的即时订单分组，统计各个实验时段所述分组订单预设指标的数据，将预设指标总体最佳的倾斜模型作为所述分组的默认倾斜模型。

在一些实施例中，所述倾斜模型是算法倾斜模型、人工倾斜模型或无倾斜模型中的一种。

在一些实施例中，所述根据订单属性对在所述数据采集时段完成的即时订单分组包括：

获取在所述数据采集时段完成的即时订单的订单属性，其中，所述订单属性至少包括起始位置、目的地、出发时间、订单里程、订单来源；

根据所述订单属性对所述即时订单进行聚类分析。

在一些实施例中，所述为每一个实验时段分配一个倾斜模型包括：

将所述数据采集时段按预设时间周期划分为多个实验时段，且按照预设时间周期进行循环配置，每个预设时间周期内依次包括测试时段和对照时段，其中，所述测试时段配置算法倾斜模型或人工倾斜模型，所述对照时段配置无倾斜模型。

在一些实施例中，所述为每一个实验时段分配一个倾斜模型包括：

将所述数据采集时段按预设时间周期划分为多个实验时段，且按照预设时间周期进行循环配置，每个预设时间周期内依次包括第一测试时段、第二测试时段和对照时段，其中，所述对照时段配置无倾斜模型，第一测试时段配置算法倾斜模型或人工倾斜模型，第二测试时段配置算法倾斜模型或人工倾斜模型中与所述第一测试时段不同的倾斜模型。

本公开实施例的第二方面提供了一种网约车即时订单倾斜模型配置装置，包括：

模型配置模块，用于将预设的数据采集时段按预设时间间隔划分为多个实验时段，为每一个实验时段分配一个倾斜模型；

数据采集模块，用于获取网约车即时订单的订单属性，如果所述即时订单的出发时间属于所述数据采集时段，则根据所述出发时间所属于的实验时段，给所述订单配置与所述实验时段对应的倾斜模型，基于所述订单的倾斜模型向所述订单派单，所述订单完成后，收集所述订单预设指标的数据；

数据分析模块，用于在所述数据采集时段结束后，根据订单属性对在所述数据采集时段完成的即时订单分组，统计各个实验时段所述分组订单预设指标的数据，将预设指标总体最佳的倾斜模型作为所述分组的默认倾斜模型。

本公开实施例的第三方面提供了一种网约车即时订单的派单方法，包括：

获取即时订单，将距离所述即时订单出发位置在预设距离内的可用网约车组成派单队列，根据预计出发距离对每个可用网约车在派单队列中排序；

根据订单属性确定所述即时订单的分组，根据权利要求1所述的方法确定所述分组需配置的倾斜模型，基于所述倾斜模型调整所述派单队列中网约车的排序；

向调整后的派单队列中排首位的网约车分配所述即时订单。

在一些实施例中，所述基于所述倾斜模型调整所述派单队列中网约车的排序包括：

如果所述倾斜模型是人工倾斜模型，则按预设规则对每个司机的预计出发距离进行调整，基于调整后的预计出发距离对网约车在所述派单队列重新排序。

在一些实施例中，所述基于所述倾斜模型调整所述派单队列中网约车的排序包括：

如果所述倾斜模型是算法倾斜模型，则根据所述即时订单的订单属性和所述网约车的车辆状态以及所述网约车司机的司机属性，基于预设算法模型在所述派单队列中确定最佳网约车，将所述最佳网约车排在所述派单队列的首位。

本公开实施例的第四方面提供了一种网约车即时订单的派单装置，包括：

第一排序模块，用于获取即时订单，将距离所述即时订单出发位置在预设距离内的可用网约车组成派单队列，根据预计出发距离对每个可用网约车在派单队列中排序；

第二排序模块，用于根据订单属性确定所述即时订单的分组，根据权利要求1所述的方法确定所述分组需配置的倾斜模型，基于所述倾斜模型调整所述派单队列中网约车的排序；

派单模块，用于向调整后的派单队列中排首位的网约车分配所述即时订单。

本公开实施例的第五方面提供了一种电子设备，包括存储器和处理器，

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现根据本公开第一方面和本公开第三方面所述的方法。

本公开实施例的第六方面提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现根据本公开第一方面和本公开第三方面所述的方法。

本公开实施例的第七方面提供了一种计算机程序产品，包括计算机程序、指令，当所述计算机程序、指令被处理器执行时，实现根据本公开第一方面和本公开第三方面所述的方法。

综上所述，本公开各实施例提供的网约车即时订单倾斜模型配置方法、装置、网约车即时订单的派单方法、装置、电子设备、计算机可读存储介质和程序产品，通过在实际运营中，根据即时订单订单属性的分组来配置倾斜模型，可以大幅度减少配置倾斜模型依据的参数，从而减少计算资源，提高调度效率；同时，因为不同订单属性分组的默认倾斜模型是通过对大量测试运营数据的分析得出，因此调度结果比较符合预期，可以达到精细化管理的目的。

附图说明

通过参考附图会更加清楚的理解本公开的特征和优点，附图是示意性的而不应理解为对本公开进行任何限制，在附图中：

图1是根据本公开的一些实施例所示的一种网约车即时订单倾斜模型配置方法的流程图；

图2是根据本公开的一些实施例所示的一种网约车即时订单倾斜模型配置装置的示意图；

图3是根据本公开的一些实施例所示的一种网约车即时订单的派单方法的流程图；

图4是根据本公开的一些实施例所示的一种网约车即时订单的倾斜流程图；

图5是本公开的一些实施例所示的一种网约车即时订单的倾斜配置页面；

图6根据本公开的一些实施例所示的一种网约车即时订单的派单装置的示意图；

图7是本公开的一些实施例所示的一种电子设备示意图。

具体实施方式

在下面的详细描述中，通过示例阐述了本公开的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本公开显而易见的可以在没有这些细节的情况下实施。应当理解的是，本公开中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。

应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本公开所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。

本公开所用术语仅为了描述特定实施例，而非限制本公开范围。如本公开说明书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特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。

参看下面的说明以及附图，本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本公开的保护范围。可以理解的是，附图并非按比例绘制。

本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本公开。本公开的保护范围以权利要求为准。

图1是根据本公开的一些实施例所示的一种网约车即时订单倾斜模型配置方法的流程图。在一些实施例中，所述网约车即时订单倾斜模型配置方法可以由调度服务器执行。如图1所示，所述网约车即时订单倾斜模型配置方法包括以下步骤：

S101，将预设的数据采集时段按预设时间间隔划分为多个实验时段，为每一个实验时段分配一个倾斜模型。

在本公开的一些实施例中，可以通过后台配置数据采集时段或运营时段。

在配置的数据采集时段，按预设的时间间隔，如1小时或3小时，将所述数据采集时段切片均匀分为多个实验时段。

在本公开的一些实施例中，倾斜模型是算法倾斜模型、人工倾斜模型或无倾斜模型中的一种。

其中，算法倾斜会调用现有算法模型，根据订单的起始位置、目的地、出发时间、订单里程、订单来源和驾驶员的可用性、车辆类型、地理位置等因素，调用各个网约车公司已有算法的模型来确定最合适的驾驶员。该方式适用于订单和车辆都较为密集的场景。

人工倾斜会根据后台配置的数值对每个司机的接驾距离做一定的比例更改。例如，在订单较为稀疏的场景，为了保证平台核心司机的收入，可以将需要提高收入的司机群体的接驾距离按一定比例缩短，再和其他的司机的接驾距离进行比较。该方式适用于城市精细化运营司机群体的场景。

无倾斜不会对派单做任何特别的处理，按照传统的距离优先的方式进行派单。当可用的司机在属性和评级方面没有显著差异时，不使用倾斜方法，最快的响应乘客。在这种情况下，系统会为司机分配最低的预计到达距离时间(EDA)。同时，部分特殊场景的订单，如机场排队和跨城订单，同样不进行倾斜，以保证原有逻辑的融洽。

S102，获取网约车即时订单的订单属性，如果所述即时订单的出发时间属于所述数据采集时段，则根据所述出发时间所属于的实验时段，给所述订单配置与所述实验时段对应的倾斜模型，基于所述订单的倾斜模型向所述订单派单，所述订单完成后，收集所述订单预设指标的数据。

在本公开的一些实施例中，所述为每一个实验时段分配一个倾斜模型包括：

将所述数据采集时段按预设时间周期划分为多个实验时段，且按照预设时间周期进行循环配置，每个预设时间周期内依次包括测试时段和对照时段；其中，所述测试时段配置算法倾斜模型或人工倾斜模型，所述对照时段配置无倾斜模型。

具体的，通过AB实验的数据分析手段进行倾斜模型的配置。即将数据采集时段按预设时间间隔，如1小时或者3小时时间切片均匀分为实验组、对照组。例如，设定13：00-13：59为实验组，14：00-14：59为对照组，15：00-15：59为实验组,16：00-16：59继续为对照组……，给实验组配置算法倾斜模型或人工倾斜模型，给对照组配置无倾斜模型，当订单依照下单时间命中对应的实验组或者对照组的时间段时，走对应的倾斜方式。

在本公开的一些实施例中，所述为每一个实验时段分配一个倾斜模型包括：

将所述数据采集时段按预设时间周期划分为多个实验时段，且按照预设时间周期进行循环配置，每个预设时间周期内依次包括第一测试时段、第二测试时段和对照时段，其中，所述对照时段配置无倾斜模型，第一测试时段配置算法倾斜模型或人工倾斜模型，第二测试时段配置算法倾斜模型或人工倾斜模型中与所述第一测试时段不同的倾斜模型。

具体的，通过ABC实验的数据分析手段进行倾斜模型的配置。即指将订单按1小时或者3小时时间切片均匀分为实验组A、实验组B和对照组C。例如，设定13：00-13：59为实验组A，14：00-14：59为实验组B，15：00-15：59为实验组C,16：00-16：59继续为实验组A，17：00-17：59为实验组B，18：00-18：59为实验组C，……给实验组B配置无倾斜模型，给实验组A配置算法倾斜模型或人工倾斜模型，给实验组C配置配置算法倾斜模型或人工倾斜模型中与实验组A不同的倾斜模型。当订单依照下单时间命中对应的实验组或者对照组的时间段时，走对应的倾斜方式。

理论上，ABC实验的效率是AB实验的一倍。

S103，在所述数据采集时段结束后，根据订单属性对在所述数据采集时段完成的即时订单分组，统计各个实验时段所述分组订单预设指标的数据，将预设指标总体最佳的倾斜模型作为所述分组的默认倾斜模型。

在本公开的一些实施例中，所述根据订单属性对在所述数据采集时段完成的即时订单分组包括：

获取在所述数据采集时段完成的即时订单的订单属性，其中，所述订单属性至少包括起始位置、目的地、出发时间、订单里程、订单来源；

根据所述订单属性对所述即时订单进行聚类分析。

具体的，聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。本公开的一些实施例通过基于K-means的聚类分析对即时订单通过订单属性进行分组。

如有五个订单(order)，其订单属性中的订单里程(distance)分别是：

Order1.distance＝0.25km,Order2.distance＝250.78km,

Order3.distance＝87.89km,Order4.distance＝380.03km,

Order5.distance＝10.97km,

通过基于K-means的聚类分析即可将以上5个订单分为3组：

Order1、Order5：是市内短途订单；

Order2、Order4：是跨市长途订单；

Order3：市内长途订单。

所述预设指标由倾斜目的确定。在本公开的一些实施例中，倾斜目的是维稳平台核心运力，所以预设指标是核心运力的收入。在本公开的另外一些实施例中，倾斜目的是城市总体收益，预设指标是商品交易总额(GMV)。

图2是根据本公开的一些实施例所示的一种网约车即时订单倾斜模型配置装置示意图。如图2所示，所述网约车即时订单倾斜模型配置装置200包括模型配置模块210、数据采集模块220、数据分析模块230。所述网约车即时订单倾斜模型配置功能可以由调度服务器执行。其中：

模型配置模块210，用于将预设的数据采集时段按预设时间间隔划分为多个实验时段，为每一个实验时段分配一个倾斜模型；

数据采集模块220，用于获取网约车即时订单的订单属性，如果所述即时订单的出发时间属于所述数据采集时段，则根据所述出发时间所属于的实验时段，给所述订单配置与所述实验时段对应的倾斜模型，基于所述订单的倾斜模型向所述订单派单，所述订单完成后，收集所述订单预设指标的数据；

数据分析模块230，用于在所述数据采集时段结束后，根据订单属性对在所述数据采集时段完成的即时订单分组，统计各个实验时段所述分组订单预设指标的数据，将预设指标总体最佳的倾斜模型作为所述分组的默认倾斜模型。

图3是根据本公开的一些实施例所示的一种网约车即时订单的派单方法的流程图。在一些实施例中，所述网约车即时订单的派单方法可以由调度服务器执行。如图3所示，所述网约车即时订单的派单方法包括以下步骤：

S301，获取即时订单，将距离所述即时订单出发位置在预设距离内的可用网约车组成派单队列，根据预计出发距离对每个可用网约车在派单队列中排序。

S302，根据订单属性确定所述即时订单的分组，根据权利要求1所述的方法确定所述分组需配置的倾斜模型，基于所述倾斜模型调整所述派单队列中网约车的排序。

具体的，根据订单属性确定所述即时订单的分组如S103所述的方法。

在本公开的一些实施例中，所述基于所述倾斜模型调整所述派单队列中网约车的排序包括：

如果所述倾斜模型是人工倾斜模型，则按预设规则对每个司机的预设出发距离进行调整，基于调整后的预设出发距离对网约车在所述派单队列重新排序。

在本公开的一些实施例中，所述基于所述倾斜模型调整所述派单队列中网约车的排序包括：

根据所述即时订单的订单属性和所述网约车的车辆状态以及所述网约车司机的司机属性，基于预设算法模型在所述派单队列中确定最佳网约车，将所述最佳网约车排在所述派单队列的首位。

S303，向调整后的派单队列中排首位的网约车分配所述即时订单。

在本公开的一些实施例中，网约车运营时间被分为实验阶段和使用阶段。实验阶段可对不同类型的订单进行AB实验或者ABC实验，通过观察数据找出对应订单类型最符合预期的实验组对应的模型。使用阶段则使用上一阶段表现最好的模型进行使用。图5是本公开的一些实施例所示的一种网约车即时订单的倾斜配置页面。

图4是根据本公开的一些实施例所示的一种网约车即时订单的倾斜流程图，如图4所示，所述倾斜流程包括以下步骤：

1.订单下单后寻找周围所有可用司机，经过过滤链筛选掉所有不可用司机。

2.将司机根据预估接驾距离从小到大排序作为原始顺序。

3.当订单非特殊场景订单(如机场排队按照司机先来后到顺序等场景)或者可用司机数等于1时，使用本发明。

4.根据订单的属性(平高峰场景、订单来源、订单价值)查找该类型的订单对应的匹配方式，包括单个模型或实验。

4.1选中无/算法倾斜模型/人工倾斜模型：将订单和所有可用司机形成的组发送给对应模型，获取倾斜后的的司机顺序。

4.2选中AB实验或者ABC实验：查询该时间对应的实验组别，选择组别对应的倾斜模型。之后流程见4.1

5.根据新获取的司机顺序依次进行匹配，直到匹配成功。

图6根据本公开的一些实施例所示的一种网约车即时订单的派单装置的示意图。如图6所示，所述网约车即时订单的派单装置600包括第一排序模块610、第二排序模块620、派单模块630，所述网约车即时订单的派单功能可以由调度服务器执行。其中：

第一排序模块610，用于获取即时订单，将距离所述即时订单出发位置在预设距离内的可用网约车组成派单队列，根据预计出发距离对每个可用网约车在派单队列中排序；

第二排序模块620，用于根据订单属性确定所述即时订单的分组，根据权利要求1所述的方法确定所述分组需配置的倾斜模型，基于所述倾斜模型调整所述派单队列中网约车的排序；

派单模块630，用于向调整后的派单队列中排首位的网约车分配所述即时订单。

本公开的一个实施例提供了一种电子设备。如图7所示，所述电子设备700包括存储器720和处理器710，所述存储器720，用于存储计算机程序；所述处理器710，用于当执行所述计算机程序时，实现图1中S101-S103和图3中S301-S303所述的方法。

本公开的一个实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现图1中S101-S103和图3中S301-S303所述的方法。

本公开的一个实施例提供了一种计算机程序产品，包括计算机程序、指令，当所述计算机程序、指令被处理器执行时，实现图1中S101-S103和图3中S301-S303所述的方法。

综上所述，本公开各实施例提供的网约车即时订单倾斜模型配置方法、装置、网约车即时订单的派单方法、装置、电子设备、计算机可读存储介质和程序产品，通过在实际运营中，根据即时订单订单属性的分组来配置倾斜模型，可以大幅度减少配置倾斜模型依据的参数，从而减少计算资源，提高调度效率；同时，因为不同订单属性分组的默认倾斜模型是通过对大量测试运营数据的分析得出，因此调度结果比较符合预期，可以达到精细化管理的目的。

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，上述描述的设备和模块的具体工作过程，可以参考前述装置实施例中的对应描述，在此不再赘述。

尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机系统配置来实践，包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

应当理解的是，本公开的上述具体实施方式仅仅用于示例性说明或解释本公开的原理，而不构成对本公开的限制。因此，在不偏离本公开的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。此外，本公开所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。