预约用车派单方法及系统、设备和介质

技术领域

本发明涉及预约用车技术领域，尤其涉及一种预约用车派单方法及系统、设备和介质。

背景技术

预约用车指司机在乘客预约的指定时间和指定地点提供用车服务。预约用车与立即用车不同的是，接收预约用车订单的司机在乘客预约的时间点准时到达指定地点为乘客提供用车服务即可，其余时间可由司机自由支配。

预约用车派单系统是各大旅游平台或者出行平台提供预约用车(出行)服务最重要的部分，而预约用车派单算法是预约用车派单系统的核心。预约用车派单系统根据乘客请求生成的预约用车订单及司机信息，计算服务该预约用车订单的最优司机。

目前，预约用车派单系统的一种实现方式是利用基于特征得分的用车派单算法实现，具体为：基于人为定义的特征，计算在待派订单下候选的每位司机在各特征的得分，并结合各特征所对应的人为预先设定的权重，通过各特征的得分加权求和得到候选的每位司机在待派订单下的总得分，最终选取总得分最高的司机作为待派订单的接单司机。各特征所对应的权重需要依赖经验由人工设定和验证，人力花费多，工作效率低，准确性低。

发明内容

本发明要解决的技术问题是为了克服现有技术中各特征所对应的权重需要依赖经验由人工设定和验证，人力花费多，工作效率低，准确性低的缺陷，提供一种预约用车派单方法及系统、设备和介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种预约用车派单方法，所述预约用车派单方法包括以下步骤：

获取数据集，所述数据集包括：与历史订单对应的至少一个候选司机、多个用于表征司机服务质量的特征、每一所述候选司机的每一所述特征所对应的得分以及所述候选司机的标签，所述标签用于表示所述候选司机是否为接单司机，其中，对于每一所述历史订单，只有一个候选司机为接单司机，其他的候选司机为非接单司机；

将所述数据集输入至单层感知机网络模型，训练得到权重模型，所述权重模型以每一所述特征所对应的权重为输出；

获取待派订单信息以及待派订单所对应的待派订单候选司机信息；

基于所述待派订单信息和所述待派订单候选司机信息以及所述权重，计算得到待派订单候选司机的总得分；

将所述总得分最高的待派订单候选司机设置为所述待派订单的接单司机。

较佳地，所述预约用车派单方法还包括以下步骤：

获取历史订单信息，所述历史订单信息包括所述历史订单、候选司机和接单司机；

获取所述历史订单所对应的接单司机信息和候选司机信息；

基于所述历史订单信息和所述接单司机信息，利用遗传算法(GA，geneticalgorithm)计算得到达到预设优化目标的历史订单优化结果，所述历史订单优化结果用于表征所述历史订单下接单司机更新为优化后的接单司机；

基于所述历史订单信息、所述候选司机信息和所述历史订单优化结果生成数据集。

较佳地，所述基于所述待派订单信息和所述待派订单候选司机信息以及所述权重，计算得到待派订单候选司机的总得分的步骤具体包括：

基于所述待派订单信息和所述待派订单候选司机信息，计算待派订单候选司机的特征所对应的得分；

基于所述待派订单候选司机的特征所对应的得分以及所述权重，计算得到待派订单候选司机的总得分。

较佳地，所述将所述数据集输入至单层感知机网络模型，训练得到权重模型，所述权重模型以每一所述特征所对应的权重为输出的步骤具体包括：

将所述数据集输入至单层感知机网络模型，如果达到预设停止条件则停止训练并得到权重模型；

所述预设停止条件包括训练迭代的次数大于等于第一阈值，或，所述单层感知机网络模型的损失函数包括pairwise loss(成对的损失函数)，所述预设停止条件包括基于所述损失函数得到的损失值在连续预设次数的迭代中保持不变。

本发明还提供一种预约用车派单系统，所述预约用车派单系统包括：数据集获取模块、权重模型训练模块、待派订单获取模块、待派订单总得分计算模块和接单司机设置模块；

所述数据集获取模块用于获取数据集，所述数据集包括：与历史订单对应的至少一个候选司机、多个用于表征司机服务质量的特征、每一所述候选司机的每一所述特征所对应的得分以及所述候选司机的标签，所述标签用于表示所述候选司机是否为接单司机，其中，对于每一所述历史订单，只有一个候选司机为接单司机，其他的候选司机为非接单司机；

所述权重模型训练模块用于将所述数据集输入至单层感知机网络模型，训练得到权重模型，所述权重模型以每一所述特征所对应的权重为输出；

所述待派订单获取模块用于获取待派订单信息以及待派订单所对应的待派订单候选司机信息；

所述待派订单总得分计算模块用于基于所述待派订单信息和所述待派订单候选司机信息以及所述权重，计算得到待派订单候选司机的总得分；

所述接单司机设置模块用于将所述总得分最高的待派订单候选司机设置为所述待派订单的接单司机。

较佳地，所述预约用车派单系统还包括：历史订单信息获取模块、司机信息获取模块、接单司机优化模块和数据集生成模块；

所述历史订单信息获取模块用于获取历史订单信息，所述历史订单信息包括所述历史订单、候选司机和接单司机、接单司机优化模块和数据集生成模块；

所述司机信息获取模块用于获取所述历史订单所对应的接单司机信息和候选司机信息；

所述接单司机优化模块用于基于所述历史订单信息和所述接单司机信息，利用遗传算法计算得到达到预设优化目标的历史订单优化结果，所述历史订单优化结果用于表征所述历史订单下接单司机更新为优化后的接单司机；

所述数据集生成模块用于基于所述历史订单信息、所述候选司机信息和所述历史订单优化结果生成数据集。

较佳地，所述待派订单总得分计算模块包括：单项特征得分计算单元和总得分计算单元；

所述单项特征得分计算单元用于基于所述待派订单信息和所述待派订单候选司机信息，计算待派订单候选司机的特征所对应的得分；

所述总得分计算单元用于基于所述待派订单候选司机的特征所对应的得分以及所述权重，计算得到待派订单候选司机的总得分。

较佳地，所述权重模型训练模块具体用于将所述数据集输入至单层感知机网络模型，如果达到预设停止条件则停止训练并得到权重模型；

所述预设停止条件包括训练迭代的次数大于等于第一阈值，或，所述单层感知机网络模型的损失函数包括pairwise loss，所述预设停止条件包括基于所述损失函数得到的损失值在连续预设次数的迭代中保持不变。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在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前述的预约用车派单方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述的预约用车派单方法。

本发明的积极进步效果在于：通过获取数据集，基于数据集训练得到各个特征所对应的权重，避免了由人工设定和验证权重，减少了人力花费，提高了工作效率，提高了准确性，更加精准地体现了各个特征的重要度，从而使得候选的每位司机在待派订单下的总得分更加准确，更能反映实际情况，提升了客户体验。

附图说明

图1为本发明的实施例1的预约用车派单方法的流程图。

图2为本发明的实施例1的预约用车派单方法的一具体实施方式的流程图。

图3为本发明的实施例1的预约用车派单方法中的步骤S14的一具体实施方式的流程图。

图4为本发明的实施例1的预约用车派单方法中的单层感知机网络模型的结构示意图。

图5为本发明的实施例2的预约用车派单系统的模块示意图。

图6为本发明的实施例2的预约用车派单系统的一具体实施方式的模块示意图。

图7为本发明的实施例3的电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本发明提供一种预约用车派单方法。参照图1，预约用车派单方法包括以下步骤：

S11、获取数据集，数据集包括：与历史订单对应的至少一个候选司机、多个用于表征司机服务质量的特征、每一候选司机的每一特征所对应的得分以及候选司机的标签，标签用于表示候选司机是否为接单司机，其中，对于每一历史订单，只有一个候选司机为接单司机，其他的候选司机为非接单司机。

其中，接单司机的标签可以表示为1，非接单司机的标签可以表示为0。下表为数据集中部分数据的示例，各个特征下的数字为历史订单下候选司机在各个特征上的得分。例如：第一行数据中特征1下的数字0.81表示在历史订单“85241”下候选司机“12”在特征1上的得分是0.81。

S12、将数据集输入至单层感知机网络模型，训练得到权重模型，权重模型以每一特征所对应的权重为输出。

S13、获取待派订单信息以及待派订单所对应的待派订单候选司机信息。

S14、基于待派订单信息和待派订单候选司机信息以及权重，计算得到待派订单候选司机的总得分。

S15、将总得分最高的待派订单候选司机设置为待派订单的接单司机。

本实施例通过获取数据集，基于数据集训练得到各个特征所对应的权重，避免了由人工设定和验证权重，减少了人力花费，提高了工作效率，提高了准确性，更加精准地体现了各个特征的重要度，从而使得候选的每位司机在待派订单下的总得分更加准确，更能反映实际情况，提升了客户体验。

具体实施时，参照图2，预约用车派单方法还包括以下步骤：

S101、获取历史订单信息，历史订单信息包括历史订单、候选司机和接单司机。

S102、获取历史订单所对应的接单司机信息和候选司机信息。

S103、基于历史订单信息和接单司机信息，利用遗传算法计算得到达到预设优化目标的历史订单优化结果，历史订单优化结果用于表征历史订单下接单司机更新为优化后的接单司机。

其中，基于历史订单信息和历史订单所对应的候选司机信息，按照历史订单的时间升序，依次计算得到每一历史订单下候选司机的特征所对应的得分，即，将全部历史订单按照时间顺序由远到近排列，然后依次遍历每一个历史订单，计算得到每一历史订单下候选司机在各个特征上的得分。按照时间升序依次进行计算能够更贴近真实应用场景，如果历史订单的范围内候选司机信息发生了变化，若不按照时间顺序，那么优化后的接单司机可能与按照时间顺序得到的不是同一个司机。

预设优化目标可以包括每一候选司机的业绩达到业绩阈值，可以根据需要设置预设优化目标。

在一具体实施方式中，业绩阈值具体包括收入阈值，预设优化目标可以包括每一候选司机的收入都达到收入阈值。

在另一具体实施方式中，业绩阈值具体包括里程阈值，预设优化目标可以包括每一候选司机的里程数都达到里程阈值。

在另一具体实施方式中，业绩阈值具体包括服务时长阈值，预设优化目标可以包括每一候选司机的服务时长都达到服务时长阈值。

S104、基于历史订单信息、候选司机信息和历史订单优化结果生成数据集。

本实施例通过优化历史订单的接单司机，能够使得数据集得到优化，从而训练得到更优的权重模型，进而得到更优的权重。

具体实施时，参照图3，步骤S14具体包括：

S141、基于待派订单信息和待派订单候选司机信息，计算待派订单候选司机的特征所对应的得分。

S142、基于待派订单候选司机的特征所对应的得分以及权重，计算得到待派订单候选司机的总得分。

本实施例通过计算待派订单候选司机在各个特征上的得分，加权计算得到待派订单候选司机的总得分，使得总得分的计算步骤更详细。

具体实施时，步骤S12具体包括：

将数据集输入至单层感知机网络模型，如果达到预设停止条件则停止训练并得到权重模型。

预设停止条件包括训练迭代的次数大于等于第一阈值，或，单层感知机网络模型的损失函数包括pairwise loss，预设停止条件包括基于损失函数得到的损失值在连续预设次数的迭代中保持不变。

其中，单层感知机网络模型如图4所示，x

预设停止条件可以包括预设停止条件1或预设停止条件2，预设停止条件1包括迭代的次数大于等于第一阈值，预设停止条件2包括基于损失函数得到的损失值在连续预设次数的迭代中保持不变。预设停止条件1和预设停止条件2中有一个达到，则停止训练，即训练完成，得到权重模型。

本实施例通过设立预设停止条件，能够避免在训练效率不高的情况下继续花费时间和计算资源进行训练，避免训练不收敛，即时停止训练，减少了花费的时间，提高了训练效率。

实施例2

本发明还提供一种预约用车派单系统。参照图5，预约用车派单系统包括：数据集获取模块11、权重模型训练模块12、待派订单获取模块13、待派订单总得分计算模块14和接单司机设置模块15。

数据集获取模块11用于获取数据集，数据集包括：与历史订单对应的至少一个候选司机、多个用于表征司机服务质量的特征、每一候选司机的每一特征所对应的得分以及候选司机的标签，标签用于表示候选司机是否为接单司机，其中，对于每一历史订单，只有一个候选司机为接单司机，其他的候选司机为非接单司机。

其中，接单司机的标签可以表示为1，非接单司机的标签可以表示为0。下表为数据集中部分数据的示例，各个特征下的数字为历史订单下候选司机在各个特征上的得分。例如：第一行数据中特征1下的数字0.81表示在历史订单“85241”下候选司机“12”在特征1上的得分是0.81。

权重模型训练模块12用于将数据集输入至单层感知机网络模型，训练得到权重模型，权重模型以每一特征所对应的权重为输出。

待派订单获取模块13用于获取待派订单信息以及待派订单所对应的待派订单候选司机信息。

待派订单总得分计算模块14用于基于待派订单信息和待派订单候选司机信息以及权重，计算得到待派订单候选司机的总得分。

接单司机设置模块15用于将总得分最高的待派订单候选司机设置为待派订单的接单司机。

本实施例通过获取数据集，基于数据集训练得到各个特征所对应的权重，避免了由人工设定和验证权重，减少了人力花费，提高了工作效率，提高了准确性，更加精准地体现了各个特征的重要度，从而使得候选的每位司机在待派订单下的总得分更加准确，更能反映实际情况，提升了客户体验。

具体实施时，参照图6，预约用车派单系统还包括：历史订单信息获取模块16、司机信息获取模块17、接单司机优化模块18和数据集生成模块19。

历史订单信息获取模块16用于获取历史订单信息，历史订单信息包括历史订单、候选司机和接单司机、接单司机优化模块和数据集生成模块。

司机信息获取模块17用于获取历史订单所对应的接单司机信息和候选司机信息。

接单司机优化模块18用于基于历史订单信息和接单司机信息，利用遗传算法计算得到达到预设优化目标的历史订单优化结果，历史订单优化结果用于表征历史订单下接单司机更新为优化后的接单司机。

其中，基于历史订单信息和历史订单所对应的候选司机信息，按照历史订单的时间升序，依次计算得到每一历史订单下候选司机的特征所对应的得分，即，将全部历史订单按照时间顺序由远到近排列，然后依次遍历每一个历史订单，计算得到每一历史订单下候选司机在各个特征上的得分。按照时间升序依次进行计算能够更贴近真实应用场景，如果历史订单的范围内候选司机信息发生了变化，若不按照时间顺序，那么优化后的接单司机可能与按照时间顺序得到的不是同一个司机。

预设优化目标可以包括每一候选司机的业绩达到业绩阈值，可以根据需要设置预设优化目标。

在一具体实施方式中，业绩阈值具体包括收入阈值，预设优化目标可以包括每一候选司机的收入都达到收入阈值。

在另一具体实施方式中，业绩阈值具体包括里程阈值，预设优化目标可以包括每一候选司机的里程数都达到里程阈值。

在另一具体实施方式中，业绩阈值具体包括服务时长阈值，预设优化目标可以包括每一候选司机的服务时长都达到服务时长阈值。

数据集生成模块19用于基于历史订单信息、候选司机信息和历史订单优化结果生成数据集。

本实施例通过优化历史订单的接单司机，能够使得数据集得到优化，从而训练得到更优的权重模型，进而得到更优的权重。

具体实施时，待派订单总得分计算模块14包括：单项特征得分计算单元141和总得分计算单元142。

单项特征得分计算单元141用于基于待派订单信息和待派订单候选司机信息，计算待派订单候选司机的特征所对应的得分。

总得分计算单元142用于基于待派订单候选司机的特征所对应的得分以及权重，计算得到待派订单候选司机的总得分。

本实施例通过计算待派订单候选司机在各个特征上的得分，加权计算得到待派订单候选司机的总得分，使得总得分的计算步骤更详细。

具体实施时，权重模型训练模块12具体用于将数据集输入至单层感知机网络模型，如果达到预设停止条件则停止训练并得到权重模型。

预设停止条件包括效率迭代的次数大于等于第一阈值，或，单层感知机网络模型的损失函数包括pairwise loss，预设停止条件包括基于损失函数得到的损失值在连续预设次数的迭代中保持不变。

其中，单层感知机网络模型与实施例1中的图4相同，x

预设停止条件可以包括预设停止条件1或预设停止条件2，预设停止条件1包括迭代的次数大于等于第一阈值，预设停止条件2包括基于损失函数得到的损失值在连续预设次数的迭代中保持不变。预设停止条件1和预设停止条件2中有一个达到，则停止训练，即训练完成，得到权重模型。

本实施例通过设立预设停止条件，能够避免在训练效率不高的情况下继续花费时间和计算资源进行训练，避免训练不收敛，即时停止训练，减少了花费的时间，提高了训练效率。

实施例3

图7为本发明实施例3提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1中的网站细分流量的分析方法。图7显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。

总线33包括数据总线、地址总线和控制总线。

存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。

存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1中的网站细分流量的分析方法。

电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的电子设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器36通过总线33与模型生成的电子设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的电子设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化；反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例4

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1中的网站细分流量的分析方法的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1中的网站细分流量的分析方法的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。