事件发布方法、服务器、终端及存储介质

技术领域

本申请属于技术领域，尤其涉及一种事件发布方法、服务器、终端及存储介质。

背景技术

目前，在分发货物运输事件的过程中，一般是根据运输线路信息确定事件信息，再根据事件信息发布事件，这种简单通过运输线路信息来确定事件信息的方式，导致确定的事件信息存在一定的误差，且无法动态调整事件信息，事件执行率不高。

发明内容

有鉴于此，本申请实施例提供了事件发布方法、服务器、终端及存储介质，以解决现有技术中无法动态调整事件信息，事件执行率不高。

本申请实施例的第一方面提供了一种事件发布方法，应用于服务器，包括：

获取待处理事件对应的事件属性；

基于所述事件属性，确定处理所述待处理事件对应的事件效用值；

根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待处理事件的执行概率，所述执行概率用于判定所述事件效用值的准确性；

根据预先训练完成的回归模型对所述执行概率进行分析，得到所述待处理事件的目标效用值；

基于所述目标效用值、所述运输路径的路径信息生成所述待处理事件的事件信息，并将携带有所述事件信息的所述待处理事件发送至预先确定的终端，所述事件信息用于指示所述终端发布所述待处理事件。

本申请实施例的第二方面提供了一种事件发布方法，应用于终端，包括：

接收服务器发送的携带有事件信息的待处理事件，所述事件信息包括所述待处理事件对应的目标效用值以及事件属性；所述目标效用值由所述服务器根据预先训练完成的回归模型对执行概率进行分析得到，所述执行概率由所述服务器根据预先训练完成的分类模型对所述事件效用值进行分析得到，所述执行概率用于判定所述事件效用值的准确性；

根据所述事件信息发布所述待处理事件。

本申请实施例第三方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述的事件发布方法的步骤。

本申请实施例的第四方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第二方面所述的事件发布方法的步骤。

本申请实施例第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面所述事件发布方法的步骤。

本申请实施例第六方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第二方面所述事件发布方法的步骤。

本申请实施例第一方面提供的事件发布方法与现有技术相比，通过获取待处理事件对应的事件属性；基于所述事件属性，确定处理所述待处理事件对应的事件效用值；根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待处理事件的执行概率，所述执行概率用于判定所述事件效用值的准确性；根据预先训练完成的回归模型对所述执行概率进行分析，得到所述待处理事件的目标效用值；基于所述目标效用值、所述事件属性生成所述待处理事件的事件信息，并将携带有所述事件信息的所述待处理事件发送至预先确定的终端，所述事件信息用于指示所述终端发布所述待处理事件。由于根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待发布事件的执行概率之后，进一步根据预先训练完成的回归模型对所述执行概率进行分析，得到所述待处理事件的目标效用值；基于所述目标效用值、所述事件属性生成所述待处理事件的事件信息，其中，分类模型和回归模型均为根据动态数据训练完成的模型，根据分类模型和回归模型确定目标效用值的过程为动态调整事件信息的过程，相较于现有技术具有实现了对事件信息的动态调整，能够提高事件执行效率的有益效果。

本申请实施例第二方面至第六方面与现有技术相比的有益效果与本申请实施例第一方面与现有技术相比的有益效果相同，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请第一实施例提供的服务器与终端之间的通信系统图；

图2是本申请第二实施例提供的事件发布方法的实现流程图；

图3是图2中分类模型的训练过程的具体实现流程图；

图4是图3中S303的具体实施流程图；

图5是图1中回归模型的训练过程的具体实现流程图；

图6是图5中S503的具体实施流程图；

图7是本申请第三实施例提供的事件发布方法的实现流程图

图8是本申请第四实施例提供的事件发布装置的装置示意图；

图9是本申请第五实施例提供的事件发布装置的装置示意图；

图10是本申请提供的服务器的示意图；

图11是本申请提供的终端的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

如图1所示，是本申请第一实施例提供的服务器与终端之间的通信系统图。由图1可知，服务器10与多个终端11(在图1中仅示出了一个终端，可以理解地，在实际应用中，服务器10通常与多个终端11建立通信连接)之间通过网络建立通信连接，服务器10用于向多个终端11发送待处理事件。具体地，在本实施例中，服务器10将携带有事件信息的待处理事件通过网络发送至各个终端11，终端11接收服务器10发送的待处理事件后，根据事件信息发布待处理事件，具体地，终端11可通过预设的事件发布界面发布待处理事件对应的事件信息。

需要说明的是，在本实例中，服务器为提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。在网络环境下，根据服务器提供的服务类型不同，分为文件服务器、数据库服务器、应用程序服务器、WEB服务器等。

终端可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digitalassistant，PDA)等终端设备，本申请实施例对终端设备的具体类型不作任何限制。

如图2所示，是本申请第二实施例提供的事件发布方法的实现流程图，应用于图1中的服务器10，可由服务器10通过软件/硬件实现。具体地，由图2可知，本实施例提供的事件发布方法包括S101～S105，详述如下：

S101，获取待处理事件对应的事件属性。

具体地，待处理事件可以为运输事件，例如在物流行业中，事件分发系统需要发布将物资从位置A运输到位置B的事件，则该将物资从位置A运输到位置B的事件为待处理事件。

其中，事件属性包括总里程数、起始城市、终点城市、燃油费、路桥费、保养费用等。

S102，基于所述事件属性，确定在处理所述待处理事件对应的事件效用值。

其中，效用是指以金额期望值作为决策的标准。具体地，事件效用值是指处理所述待处理事件对应的金额期望值，在本实例中，该金额期望值作为处理事件方期望得到的金额，例如运输司机在对应确定的路径上执行运输事件对应需要收取的金额。

具体地，将所述事件属性代入预设的事件效用值计算公式，计算得到所述事件效用值。

在一种可实现的实施方式中，所述预设的事件效用值计算公式为：

其中，T为计算得到的事件效用值，θ

S103，根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待处理事件的执行概率，所述执行概率用于判定所述事件效用值的准确性。

需要说明的是，事件效用值作为执行事件方期望得到的金额，直接影响着事件是否被执行，例如，在物流行业中，事件效用值作为运输司机的运输金额，若取值偏高，则导致运输成本增加，不利于物流行业健康发展，若取值偏低，则导致无人处理对应的运输事件。因此，在本实施例中，根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待处理事件的执行概率。具体地，所述预先训练完成的分类模型为非线性分类模型；所述非线性分类模型包括训练过程和测试过程。

具体地，如图3所示，是图2中分类模型的训练过程的具体实现流程图。如图3所示，所述非线性分类模型的训练过程包括：

S301，获取第一预设数量的第一样本，得到第一样本集，按第一预设比例将所述第一样本集划分为第一训练样本集和第一测试样本集。

具体地，在本实施例中，所述第一样本来自于真实的成交数据和调价员的调价动作数据，其中，真实的成交数据指的是实际的事件效用值，例如，运输事件对应的真实运输价格。调价员的调价动作数据指的是实际的事件效用值相对于预设的事件效用值是否发生了调价，具体地，实际的事件均对应有一个预设的事件效用值，若调价员没有进行调价，则实际的事件效用值为预设的事件效用值，若调价员进行了调价，则实际的事件效用值为调价之后的事件效用值。

具体地，在本实施例中，所述第一样本包括正样本和负样本，所述正样本包括实际的事件效用值，所述负样本包括预设的事件效用值。

S302，基于所述第一训练样本集中的样本训练预先建立的非线性分类模型，得到所述分类模型。

需要说明的是，预先建立的非线性分类模型为已有的非线性分类模型的模型结构，例如基于极端梯度提升(eXtreme Gradient Boosting，Xgboost)构见的非线性分类模型。

具体地，在本实施例中，将所述第一训练样本集中的样本输入预先建立的非线性分类模型进行模型的训练，得到训练之后的所述分类模型。可以理解的是，通常随着训练样本数量的增加，训练完成的模型准确性越高。

S303，根据所述第一测试样本集中的样本对所述分类模型进行准确性测试。

通常，在机器学习领域，当对应的模型训练完成之后，还需要对训练完成的模型进行准确性测试。在本实例中，根据所述第一测试样本集中的样本对所述分类模型进行准确性测试。

具体地，如图4所示，是图3中S303的具体实施流程图。由图4可知，S303包括：

S3031，将所述第一测试样本集中的样本依次输入所述分类模型进行分析，得到所述第一测试样本集中的每个样本对应的执行概率。

具体地，在本实施例中，所述分类模型对应为评价事件执行概率的模型，例如，在运输事件中，所述分类模型用来评价路径上运输事件的成交概率。在本实施例中，以所述分类模型对所述第一测试样本集中的样本进行分析之后，输出的执行概率与预设的执行概率的比值来测试所述分类模型的准确性。

S3032，分别求每个样本对应的所述执行概率与预设的执行概率的比值。

具体地，预设的执行概率为根据大量的事件执行数据统计得到的执行概率，需要说明的是，随着选取的事件执行数据的不同，预设的执行概率相应会发生变化，具体地，可以根据实际应用场景进行预设，在此不做具体限制。

S3033，根据所述样本对应的所述比值确定所述分类模型的测试结果；其中，若有样本对应的所述执行概率与预设的执行概率的比值小于预设的比值阈值，则判定基于该样本对所述分类模型的测试结果为正确，或者若有样本对应的所述执行概率与预设的执行概率的比值大于或者等于预设的比值阈值，则判定基于该样本对所述分类模型的测试结果为错误。

具体地，在本实施例中，预设有比值阈值，可以理解地，预设的比值阈值越小例如，0.3％，说明模型输出的执行概率与预设的执行概率越接近，对应的模型输出的结果越准确。

S3034，若所述分类模型的测试结果为正确的个数占所有所述分类模型的测试结果的总数的百分比大于预设的百分比阈值，则判定对所述分类模型的测试通过。

可以理解地，预设的百分比阈值越大例如95％，说明所述分类模型的测试结果为正确的比例越大，当所述分类模型的测试结果正确的比例达到预设的百分比阈值时，判定对所述分类模型的测试通过。

S3035，若所述分类模型的测试结果为正确的个数占所有所述分类模型的测试结果的总数的百分比小于或者等于预设的百分比阈值，则判定对所述分类模型的测试不通过。

可以理解地，预设的百分比阈值越大例如95％，说明所述分类模型的测试结果为正确的比例越大，当所述分类模型的测试结果正确的比例没有达到预设的百分比阈值时，判定对所述分类模型的测试不通过。

S304，若测试通过，则确定对所述分类模型的训练完成。

S305，若测试不通过，则增加所述第一训练样本集中的样本数量，并执行S302。

需要说明的是，随着训练样本的不断增加，模型的训练过程越复杂，模型随着训练样本的增加以及训练过程的不断更新，对应的准确性也会越来越高，因此，当测试不通过时，作为一种可选的实施方式，增加所述第一训练样本集中的样本数量，并基于所述第一训练样本集中的样本训练预先建立的非线性分类模型，可以得到所述分类模型。

S104，根据预先训练完成的回归模型对所述执行概率进行分析，得到所述待发布事件的目标效用值。

具体地，在本实例中，所述回归模型为基于极端梯度提升(eXtreme GradientBoosting，Xgboost)构建的决策树模型，并通过预设的事件效用值的最小值和预设的事件效用值的最大值优化所述回归模型的损失函数。具体地，所述预先训练完成的回归模型为决策树模型。

具体地，如图5所示，是图1中回归模型的训练过程的具体实现流程图。由图5可知，所述回归模型的训练过程包括：

S501，获取由第二预设数量的第二样本构建的第二样本集，按第二预设比例将所述第二样本集划分为第二训练样本集和第二测试样本集。

具体地，在本实例中，所述第二样本包括所述分类模型输出的执行概率以及预设的执行概率。需要说明的是，所述分类模型输出的执行概率的数量大于所述预设的执行概率的数量。优选地，在所述第二样本集中，所述预设的执行概率的数量为1。

S502，基于所述第二训练样本集中的样本训练预先建立的决策树模型，得到所述回归模型。

具体地，将所述第二训练样本集中的样本输入所述预先建立的决策树模型进行模型训练，需要说明的是，可以将所述第二训练样本集中的样本全部输入所述预先建立的决策树模型进行模型训练，也可以部分输入所述预先建立的决策树模型进行模型训练，在此不做具体限制。可以理解的是，随着输入的训练样本的增多，对所述回归模型的训练过程越复杂，训练完成的所述回归模型的准确性越高。

S503，根据所述第二测试样本集中的样本对所述回归模型进行准确性测试。

通常，在机器学习领域，当对应的模型训练完成之后，还需要对训练完成的模型进行准确性测试。在本实例中，根据所述第二测试样本集中的样本对所述回归模型进行准确性测试。

具体地，如图6所示，是图5中S503的具体实施流程图。由图6可知，S503包括：

S5031，将所述第二测试样本集中的样本输入所述回归模型进行分析，得到所述第二测试样本集中每个样本对应的预测目标效用值。

具体地，所述回归模型为最终的预测目标效用值的模型，例如在运输事件中，所述回归模型输出的目标效用值为运输事件的运输价格。在本实例中，根据所述回归模型对第二测试样本集中的样本进行分析之后，输出的目标效用值测试所述回归模型的准确性。

S5032，将每个所述预测目标效用值依次输入所述分类模型的损失函数进行分析，得到所述回归模型的准确性测试结果。

其中，若所述损失函数的值属于预设的范围，则判定所述回归模型的准确性测试结果为测试通过；若所述损失函数的值不属于预设的范围，则判定所述回归模型的准确性测试结果为测试不通过。

具体地，所述回归模型的损失函数为：

Y＝Σ((L(P

其中，Y表示所述回归模型的损失函数的值，L(P

S504，若准确性测试结果为测试通过，则对所述回归模型结束训练。

S505，若准确性测试结果为测试不通过，则增加所述第二训练样本集中的样本数量，并执行S502。

需要说明的是，随着训练样本的不断增加，模型的训练过程越复杂，模型随着训练样本的增加以及训练过程的不断更新，对应的准确性也会越来越高，因此，当测试不通过时，作为一种可选的实施方式，增加所述第二训练样本集中的样本数量，并基于所述第二训练样本集中的样本训练预先建立的非线性分类模型，可以得到所述回归模型。

S105，基于所述目标效用值、所述事件属性生成所述待处理事件的事件信息，并将携带有所述事件信息的所述待处理事件发送至预先确定的终端，所述事件信息用于指示所述终端发布所述待处理事件。

具体地，所述事件信息包括所述目标效用值以及所述事件属性，例如，在运输事件中，所述事件属性包括运输路径的路径信息，作为一种可能的实现方式，所述路径信息包括起点位置和终点位置，具体地，在运输事件中，所述事件信息包括所述目标效用值、所述起点位置以及所述终点位置。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

通过上述分析可知，本申请提出的事件发布方法，通过获取待处理事件对应的事件属性；基于所述事件属性，确定处理所述待处理事件对应的事件效用值；根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待处理事件的执行概率，所述执行概率用于判定所述事件效用值的准确性；根据预先训练完成的回归模型对所述执行概率进行分析，得到所述待处理事件的目标效用值；基于所述目标效用值、所述事件属性生成所述待处理事件的事件信息，并将携带有所述事件信息的所述待处理事件发送至预先确定的终端，所述事件信息用于指示所述终端发布所述待处理事件。由于根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待发布事件的执行概率之后，进一步根据预先训练完成的回归模型对所述执行概率进行分析，得到所述待处理事件的目标效用值；基于所述目标效用值、所述事件属性生成所述待处理事件的事件信息，其中，分类模型和回归模型均为根据动态数据训练完成的模型，根据分类模型和回归模型确定目标效用值的过程为动态调整事件信息的过程，相较于现有技术具有实现了对事件信息的动态调整，能够提高事件执行效率的有益效果。

如图7所示，是本申请第三实施例提供的事件发布方法的实现流程图。应用于图1中的终端11，可由终端11通过软件/硬件实现。由图7可知，本实施例提供的事件发布方法包括S701～S702，详述如下：

S701，接收服务器发送的携带有事件信息的待处理事件，所述事件信息包括所述待发布事件对应的目标效用值以及事件属性；所述目标效用值由所述服务器根据预先训练完成的回归模型对执行概率进行分析得到，所述执行概率由所述服务器根据预先训练完成的分类模型对所述事件效用值进行分析得到，所述执行概率用于判定所述事件效用值的准确性。

具体地，待处理事件可以为运输事件，例如在物流行业中，事件分发系统需要发布将物资从位置A运输到位置B的事件，则该将物资从位置A运输到位置B的事件为待处理事件。

其中，事件属性包括总里程数、起始城市、终点城市、燃油费、路桥费、保养费用等。

S702，根据所述事件信息发布所述待处理事件。

具体地，在一种可选的实施方式中，所述根据所述事件信息发布所述待处理事件，包括：

根据所述事件信息在预设的事件发布界面发布所述事件信息，所述事件发布界面包含有供用户选择所述待处理事件的选择项。

需要说明的是，通过所述预设的事件发布界面发布所述事件信息后，在所述预设的事件发布界面上显示所述事件信息，例如在所述预设的发布界面上显示运输事件的事件信息，所述运输事件的事件信息包括：运输起始位置、运输终点位置以及运输事件对应的目标效用值。

进一步地，在检测到用户点击所述选择项后，关闭所述选择项。

可以理解地，在检测到用户点击所述选择项后，则判定所述选择项对应的已发布事件被选择，此时，关闭所述选择项，以防止所述选择项对应的已发布事件被重复选择。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

通过上述分析可知，本申请提出的事件发布方法，通过接收服务器发送的携带有事件信息的待处理事件，所述事件信息包括所述待发布事件对应的目标效用值以及事件属性；所述目标效用值由所述服务器根据预先训练完成的回归模型对执行概率进行分析得到，所述执行概率由所述服务器根据预先训练完成的分类模型对所述事件效用值进行分析得到，所述执行概率用于判定所述事件效用值的准确性，根据所述事件信息发布所述待处理事件。由于所述目标效用值由所述服务器根据预先训练完成的回归模型对执行概率进行分析得到，所述执行概率由所述服务器根据预先训练完成的分类模型对所述事件效用值进行分析得到，其中，分类模型和回归模型均为根据动态数据训练完成的模型，根据分类模型和回归模型确定目标效用值的过程为动态调整事件信息的过程，实现了对事件信息的动态调整，能够提高事件执行效率。

图8是本申请第四实施例提供的事件发布装置的装置示意图。如图8所示，该实施例的事件发布装置8包括：获取模块801、确定模块802、第一得到模块803、第二得到模块804以及发送模块805。其中，模块801～805分别对应执行图2所示实施例中的S101～S105。具体地，

获取模块801，用于获取待处理事件对应的事件属性；

确定模块802，用于基于所述事件属性，确定处理所述待处理事件对应的事件效用值；

第一得到模块803，用于根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待处理事件的执行概率，所述执行概率用于判定所述事件效用值的准确性；

第二得到模块804，用于根据预先训练完成的回归模型对所述执行概率进行分析，得到所述待处理事件的目标效用值；

发送模块805，用于基于所述目标效用值、所述运输路径的路径信息生成所述待事件的事件信息，并将携带有所述事件信息的所述待处理事件发送至预先确定的终端，所述事件信息用于指示所述终端发布所述待处理事件。

可选地，确定模块802具体用于：

将所述路径信息代入预设的事件效用值计算公式，计算得到所述事件效用值。

可选地，所述预设的事件效用值公式为：

其中，T为计算得到的事件效用值，θ

可选地，所述预先训练完成的分类模型为非线性分类模型；所述非线性分类模型的训练过程包括：

获取由第一预设数量的第一样本构建的第一样本集，按第一预设比例将所述第一样本集划分为第一训练样本集和第一测试样本集；

基于所述第一训练样本集中的样本训练预先建立的非线性分类模型，得到所述分类模型；

根据所述第一测试样本集中的样本对所述分类模型进行准确性测试；

若测试通过，则确定对所述分类模型的训练完成；

若测试不通过，则增加所述第一训练样本集中的样本数量，并执行所述基于所述第一训练样本集中的样本训练预先建立的非线性分类模型，得到所述分类模型。

可选地，所述第一样本集包括：正样本和负样本，所述正样本包括实际的事件效用值，所述负样本包括预设的事件效用值。

可选地，所述根据所述第一测试样本集中的样本对所述分类模型进行准确性测试，包括：

将所述第一测试样本集中的样本依次输入所述分类模型进行分析，得到所述第一测试样本集中的每个样本对应的执行概率；

分别求每个样本对应的所述执行概率与预设的执行概率的比值；

根据所述样本对应的所述比值确定所述分类模型的测试结果；其中，若有样本对应的所述执行概率与预设的执行概率的比值小于预设的比值阈值，则判定基于该样本对所述分类模型的测试结果为正确，或者若有样本对应的所述执行概率与预设的执行概率的比值大于或者等于预设的比值阈值，则判定基于该样本对所述分类模型的测试结果为错误；

若所述分类模型的测试结果为正确的个数占所有所述分类模型的测试结果的总数的百分比大于预设的百分比阈值，则判定对所述分类模型的测试通过；

若所述分类模型的测试结果为错误的个数占所有所述分类模型的测试结果的总数的百分比小于或者等于预设的百分比阈值，则判定对所述分类模型的测试不通过。

可选地，所述预先训练完成的回归模型为决策树模型；所述决策树模型的训练过程包括：

获取由第二预设数量的第二样本构建的第二样本集，按第二预设比例将所述第二样本集划分为第二训练样本集和第二测试样本集；

基于所述第二训练样本集中的样本训练预先建立的决策树模型，得到所述回归模型；

根据所述第二测试样本集中的样本对所述回归模型进行准确性测试；

若准确性测试结果为测试通过，则对所述回归模型结束训练；

若准确性测试结果为测试不通过，则增加所述第二训练样本集中的样本数量，并执行所述基于所述第二训练样本集中的样本训练预先建立的决策树模型，得到所述回归模型。

可选地，所述第二样本集包括所述分类模型输出的执行概率以及预设的执行概率。

可选地，所述回归模型的损失函数为：

Y＝Σ((L(P

其中，Y表示所述回归模型的损失函数的值，L(P

可选地，所述根据所述第二测试样本集中的样本对所述回归模型进行准确性测试，包括：

将所述第二测试样本集中的样本输入所述回归模型进行分析，得到所述第二测试样本集中每个样本对应的预测目标效用值；

将每个所述预测目标效用值依次输入所述回归模型的损失函数进行分析，得到所述回归模型的准确性测试结果；

其中，若所述损失函数的值属于预设的范围，则判定所述回归模型的准确性测试结果为测试通过；

若所述损失函数的值不属于预设的范围，则判定所述回归模型的准确性测试结果为测试不通过。

如图9所示，是本申请第五实施例提供的事件发布装置的装置示意图。由图9可知，该实施例的事件发布装置9包括：接收模块901以及发布模块902。其中，模块901～902分别对应执行图7所示实施例中的S701～S702。具体地，

接收模块901，用于接收服务器发送的携带有事件信息的待处理事件，所述事件信息包括所述待处理事件对应的目标效用值以及运输路径；所述目标效用值由所述服务器根据预先训练完成的回归模型对执行概率进行分析得到，所述执行概率由所述服务器根据预先训练完成的分类模型对所述事件效用值进行分析得到，所述执行概率用于判定所述事件效用值的准确性；

发布模块902，用于根据所述事件信息发布所述待处理事件。

图10本申请提供的服务器的示意图。如图10所示，该实施例的服务器10包括：处理器100、存储器110以及存储在所述存储器110中并可在所述处理器100上运行的计算机程序120，例如事件发布程序。所述处理器100执行所述计算机程序120时实现上述图2至图5所示的各个事件发布方法实施例中的步骤，例如图2所示的步骤101至105。或者，所述处理器100执行所述计算机程序120时实现上述图8所示的事件发布装置中各模块/单元的功能，例如图8所示模块801至805的功能。

示例性的，所述计算机程序120可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器110中，并由所述处理器100执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序120在所述服务器10中的执行过程。例如，所述计算机程序120可以被分割成获取模块、确定模块、第一得到模块、第二得到模块以及发送模块(虚拟装置中的模块)，各模块具体功能如下：

获取模块，用于获取待处理事件对应的事件属性；

确定模块，用于基于所述事件属性，确定处理所述待处理事件对应的事件效用值；

第一得到模块，用于根据预先训练完成的分类模型对所述事件效用值进行分析，得到所述待处理事件的执行概率，所述执行概率用于判定所述事件效用值的准确性；

第二得到模块，用于根据预先训练完成的回归模型对所述执行概率进行分析，得到所述待处理事件的目标效用值；

发送模块，用于基于所述目标效用值、所述事件属性生成所述待处理事件的事件信息，并将携带有所述事件信息的所述待处理事件发送至预先确定的终端，所述事件信息用于指示所述终端发布所述待处理事件。

图11是本申请提供的终端的示意图。如图11所示，该实施例的终端11包括：处理器140、存储器150以及存储在所述存储器150中并可在所述处理器140上运行的计算机程序160，例如事件发布程序。所述处理器140执行所述计算机程序160时实现上述图7所示事件发布方法实施例中的步骤，例如图7所示的步骤701至702。或者，所述处理器140执行所述计算机程序160时实现上述图9所示的事件发布装置中各模块/单元的功能，例如图9所示模块901至902的功能。

示例性的，所述计算机程序160可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器150中，并由所述处理器140执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序160在所述终端11中的执行过程。例如，所述计算机程序160可以被分割成接收模块以及发布模块(虚拟装置中的模块)，各模块具体功能如下：

接收模块，用于接收服务器发送的携带有事件信息的待处理事件，所述事件信息包括所述待处理事件对应的目标效用值以及运输路径；所述目标效用值由所述服务器根据预先训练完成的回归模型对执行概率进行分析得到，所述执行概率由所述服务器根据预先训练完成的分类模型对所述事件效用值进行分析得到，所述执行概率用于判定所述事件效用值的准确性；

发布模块，用于根据所述事件信息发布所述待处理事件。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

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算法步骤，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申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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通信单元上。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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。