[發明專利]訂單的分配、模型的訓練方法及裝置

在審

• 申請號: 201710457389.6
• 申請日: 2017-06-16
• 公開（公告）號: CN109146211A
• 公開（公告）日: 2019-01-04
• 發明（設計）人: 付俊強;李奘;曾顯越
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/08
• 代理公司: 北京友聯知識產權代理事務所(普通合伙) 11343
• 代理人: 尚志峰;汪海屏

1.一種訂單的分配方法，其特征在于，所述方法包括：

獲取目標信息，所述目標信息包括服務提供方的信息、所述服務提供方已接第一合乘訂單的信息、待分配的第二合乘訂單的信息和當前的實時信息；

基于所述目標信息獲取目標特征信息；

將所述目標特征信息分別輸入目標線性回歸模型和目標深度學習模型；

將所述目標線性回歸模型和所述目標深度學習模型輸出的結果進行加權相加，以得到匹配參數；

如果所述匹配參數大于或者等于預設閾值，則將所述第二合乘訂單分配給所述服務提供方。

2.根據權利要求1所述的方法，其特征在于，所述基于所述目標信息獲取目標特征信息，包括：

根據所述目標信息獲取標識類初始特征信息和非標識類初始特征信息；

分別對所述標識類初始特征信息和非標識類初始特征信息進行優化處理，以得到目標特征信息。

3.根據權利要求2所述的方法，其特征在于，所述目標特征信息包括第一目標特征信息，第二目標特征信息以及第三目標特征信息；

所述分別對所述標識類初始特征信息和非標識類初始特征信息進行優化處理，以得到目標特征信息，包括：

將所述非標識類初始特征信息輸入預先訓練的目標集成模型中，并對所述目標集成模型的輸出結果進行歸一化處理，以得到第一目標特征信息；

將所述非標識類初始特征信息進行歸一化處理，以得到第二目標特征信息；

將所述標識類初始特征信息進行離散化處理，并進行歸一化處理，以得到第三目標特征信息。

4.根據權利要求1-3中任一所述的方法，其特征在于，所述第一合乘訂單的信息包括：所述第一合乘訂單對應的行程起點以及行程終點的位置信息；所述第一合乘訂單對應的發單時刻；

所述第二合乘訂單的信息包括：所述第二合乘訂單對應的行程起點以及行程終點的位置信息；所述第二合乘訂單對應的發單時刻。

5.一種訂單的分配模型的訓練方法，其特征在于，所述方法包括：

獲取樣本信息，所述樣本信息包括多個歷史合乘事件中每個歷史合乘事件對應的關聯信息；

基于所述樣本信息確定所述每個歷史合乘事件對應的樣本屬性，所述樣本屬性包括正樣本屬性以及負樣本屬性；

基于所述樣本信息獲取所述每個歷史合乘事件對應的目標樣本特征信息；

根據所述每個歷史合乘事件對應的樣本屬性及目標樣本特征信息，對待訓練的線性回歸模型和待訓練的深度學習模型進行參數調整，以得到目標線性回歸模型以及目標深度學習模型；

其中，針對任意歷史合乘事件，對應的關聯信息包括對應的實時信息，該歷史合乘事件中服務提供方的信息、所述服務提供方在該歷史合乘事件中先接到的第一歷史合乘訂單的信息以及后接到的第二歷史合乘訂單的信息。

6.根據權利要求5所述的方法，其特征在于，所述根據所述每個歷史合乘事件對應的樣本屬性及目標樣本特征信息，對待訓練的線性回歸模型以及待訓練的深度學習模型進行參數調整，包括：

針對每個歷史合乘事件，將對應的目標樣本特征信息分別輸入待訓練的線性回歸模型及待訓練的深度學習模型；

將所述待訓練的線性回歸模型及待訓練的深度學習模型輸出的結果進行加權相加，以得到對應的參考匹配參數；

基于每個歷史合乘事件對應的參考匹配參數以及對應的樣本屬性，對待訓練的線性回歸模型以及待訓練的深度學習模型進行參數調整。

7.根據權利要求5所述的方法，其特征在于，針對任意歷史合乘事件，通過如下方式基于所述樣本信息獲取該歷史合乘事件對應的目標樣本特征信息：

根據所述樣本信息中該歷史合乘事件對應的關聯信息，獲取該歷史合乘事件對應的標識類初始樣本特征信息和非標識類初始樣本特征信息；

分別對所述標識類初始樣本特征信息和非標識類初始樣本特征信息進行優化處理，以得到目標樣本特征信息。