[發明專利]下單預測方法、裝置、計算機設備和計算機可讀存儲介質

有效

• 申請號: 201710938481.4
• 申請日: 2017-09-30
• 公開（公告）號: CN109598566B
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 戚立才;汪恒智;張怡菲
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06K9/62
• 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

1.一種基于機器學習算法的錯誤下單預測方法，適用于網約車客戶端，其特征在于，包括：

在獲取到用戶輸入的網約車訂單請求時，根據預設的錯誤下單預測模型，確定所述訂單請求的錯誤概率，

其中，所述錯誤下單預測模型根據模型樣本生成；

在獲取到用戶輸入的網約車訂單請求時，根據預設的錯誤下單預測模型，確定所述訂單請求的錯誤概率，還包括：

檢測所述錯誤概率是否大于或等于預設概率閾值；

在檢測到所述錯誤概率大于或等于所述預設概率閾值時，生成下單錯誤提示信息，以提示用戶下單錯誤。

2.根據權利要求1所述錯誤下單預測方法，其特征在于，所述在獲取到用戶輸入的網約車訂單請求時，根據預設的錯誤下單預測模型，確定所述訂單請求的錯誤概率前，還包括：

收集多個歷史訂單，以將所述多個歷史訂單確定為所述模型樣本；

對所述模型樣本進行訓練，以生成錯誤下單目標模型；

確定所述錯誤下單目標模型最小化時對應的預測參數；

根據所述預測參數與預設的預測模型，生成所述錯誤下單預測模型。

3.根據權利要求2所述的錯誤下單預測方法，其特征在于，所述對所述模型樣本進行訓練，以生成錯誤下單目標模型，具體包括以下步驟：

根據預設劃分比例，將所述模型樣本劃分為訓練樣本與預測樣本；

根據是否正確下單分別對所述訓練樣本與所述預測樣本進行標注；

對標注后的所述訓練樣本進行特征提取，以獲取訓練樣本特征；

根據提取后的訓練樣本特征執行訓練操作，以生成所述錯誤下單目標模型。

4.根據權利要求3所述的錯誤下單預測方法，其特征在于，所述根據提取后的訓練樣本特征執行訓練操作，以生成所述錯誤下單目標模型，具體包括以下步驟：

對所述訓練樣本特征執行分類回歸操作，以生成模型樹集合，

根據所述訓練樣本特征與預設的Logistic損失函數，對所述模型樹集合執行分裂操作，以生成多個分裂點；

將所述訓練樣本特征分別映射至每個所述分裂點的葉子上，以生成提升樹，并將所述提升樹的模型確定為所述錯誤下單目標模型。

5.根據權利要求4所述的錯誤下單預測方法，其特征在于，還包括：

對標注后的所述預測樣本進行特征提取，以獲取預測樣本特征；

在確定所述預測參數時，根據所述預測樣本特征對所述預測參數進行優化。

6.根據權利要求1至5中任一項所述的錯誤下單預測方法，其特征在于，

所述模型樣本的特征包括基礎特征、實時特征、乘客特征，所述基礎特征包括出行方式、出行起點、出行終點、價格、小費中的至少一項，所述實時特征包括天氣、所屬時間段、周圍訂單數量、周圍司機數量中的至少一項，所述乘客特征包括乘客年齡、性別、職業、下錯單概率中的至少一項。

7.一種基于機器學習算法的錯誤下單預測裝置，適用于網約車客戶端，其特征在于，包括：

確定單元，用于在獲取到用戶輸入的網約車訂單請求時，根據預設的錯誤下單預測模型，確定所述訂單請求的錯誤概率，

其中，所述錯誤下單預測模型根據模型樣本生成；

檢測單元，用于檢測所述錯誤概率是否大于或等于預設概率閾值；

生成單元，用于在檢測到所述錯誤概率大于或等于所述預設概率閾值時，生成下單錯誤提示信息，以提示用戶下單錯誤。

8.根據權利要求7所述錯誤下單預測裝置，其特征在于，還包括：

收集單元，用于收集多個歷史訂單，以將所述多個歷史訂單確定為所述模型樣本；

所述生成單元還用于：對所述模型樣本進行訓練，以生成錯誤下單目標模型；

所述確定單元還用于：確定所述錯誤下單目標模型最小化時對應的預測參數；

所述生成單元還用于：根據所述預測參數與預設的預測模型，生成所述錯誤下單預測模型。