[發(fā)明專利]下單預(yù)測(cè)方法、裝置、計(jì)算機(jī)設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201710938481.4
• 申請(qǐng)日: 2017-09-30
• 公開(kāi)（公告）號(hào): CN109598566B
• 公開(kāi)（公告）日: 2021-07-09
• 發(fā)明（設(shè)計(jì)）人: 戚立才;汪恒智;張怡菲
• 申請(qǐng)（專利權(quán)）人: 北京嘀嘀無(wú)限科技發(fā)展有限公司
• 主分類號(hào): G06Q30/06
• 分類號(hào): G06Q30/06;G06K9/62
• 代理公司: 北京友聯(lián)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11343
• 代理人: 尚志峰;汪海屏

本發(fā)明提供了一種下單預(yù)測(cè)方法、裝置、計(jì)算機(jī)設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中，下單預(yù)測(cè)方法包括：在獲取到用戶輸入的網(wǎng)約車訂單請(qǐng)求時(shí)，根據(jù)預(yù)設(shè)的錯(cuò)誤下單預(yù)測(cè)模型，確定訂單請(qǐng)求的錯(cuò)誤概率，其中，錯(cuò)誤下單預(yù)測(cè)模型根據(jù)模型樣本生成。本發(fā)明的技術(shù)方案，使用戶在發(fā)送網(wǎng)約車訂單之前，了解當(dāng)前輸入的網(wǎng)約車訂單中是否存在錯(cuò)誤，以使用戶在確定可能存在訂單錯(cuò)誤時(shí)能夠及時(shí)進(jìn)行反饋，從而將錯(cuò)誤訂單在發(fā)送之前進(jìn)行攔截，進(jìn)而降低了由于訂單錯(cuò)誤導(dǎo)致訂單取消現(xiàn)象的概率，進(jìn)而提升網(wǎng)約車司機(jī)的使用體驗(yàn)。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體而言，涉及一種基于機(jī)器學(xué)習(xí)算法的錯(cuò)誤下單預(yù)測(cè)方法、一種基于機(jī)器學(xué)習(xí)算法的錯(cuò)誤下單預(yù)測(cè)裝置、一種計(jì)算機(jī)設(shè)備和一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

用戶使用打車應(yīng)用程序時(shí)，有時(shí)存在錯(cuò)誤下單的情況，比如，乘客想要發(fā)出快車訂單，但卻誤發(fā)了代駕訂單，當(dāng)乘客發(fā)現(xiàn)自己下錯(cuò)單后，通常會(huì)取消訂單，而取消訂單會(huì)降低司機(jī)的體驗(yàn)，影響司機(jī)做單的積極性，更嚴(yán)重的會(huì)造成司機(jī)流失。

打車應(yīng)用程序的服務(wù)器中，通常會(huì)存儲(chǔ)大量指定時(shí)間段內(nèi)的歷史訂單信息，而如何通過(guò)將歷史訂單作為模型樣本，訓(xùn)練錯(cuò)誤下單預(yù)測(cè)模型，以根據(jù)錯(cuò)誤下單預(yù)測(cè)模型在用戶下單前進(jìn)行錯(cuò)誤下單預(yù)測(cè)，進(jìn)而降低錯(cuò)誤下單率，成為亟待解決的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)或相關(guān)技術(shù)中存在的技術(shù)問(wèn)題之一。

為此，本發(fā)明的一個(gè)目的在于提供一種基于機(jī)器學(xué)習(xí)算法的錯(cuò)誤下單預(yù)測(cè)方法。

本發(fā)明的另一個(gè)目的在于提供一種基于機(jī)器學(xué)習(xí)算法的錯(cuò)誤下單預(yù)測(cè)的裝置。

本發(fā)明的又一個(gè)目的在于提供一種計(jì)算機(jī)設(shè)備。

本發(fā)明的又一個(gè)目的在于提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

為了實(shí)現(xiàn)上述目的，本發(fā)明第一方面的技術(shù)方案提供了一種基于機(jī)器學(xué)習(xí)算法的錯(cuò)誤下單預(yù)測(cè)方法，包括：在獲取到用戶輸入的網(wǎng)約車訂單請(qǐng)求時(shí)，根據(jù)預(yù)設(shè)的錯(cuò)誤下單預(yù)測(cè)模型，確定訂單請(qǐng)求的錯(cuò)誤概率，其中，錯(cuò)誤下單預(yù)測(cè)模型根據(jù)模型樣本生成。

在該技術(shù)方案中，通過(guò)預(yù)設(shè)的錯(cuò)誤下單預(yù)測(cè)模型對(duì)用戶輸入的訂單請(qǐng)求進(jìn)行預(yù)測(cè)，以確定訂單請(qǐng)求中的錯(cuò)誤概率，以使用戶在發(fā)送網(wǎng)約車訂單之前，了解當(dāng)前輸入的網(wǎng)約車訂單中是否存在錯(cuò)誤，以使用戶在確定可能存在訂單錯(cuò)誤時(shí)能夠及時(shí)進(jìn)行反饋，從而將錯(cuò)誤訂單在發(fā)送之前進(jìn)行攔截，進(jìn)而降低了由于訂單錯(cuò)誤導(dǎo)致訂單取消現(xiàn)象的概率，進(jìn)而提升網(wǎng)約車司機(jī)的使用體驗(yàn)。

在上述技術(shù)方案中，優(yōu)選地，在獲取到用戶輸入的網(wǎng)約車訂單請(qǐng)求時(shí)，根據(jù)預(yù)設(shè)的錯(cuò)誤下單預(yù)測(cè)模型，確定訂單請(qǐng)求的錯(cuò)誤概率前，還包括：收集多個(gè)歷史訂單，以將多個(gè)歷史訂單確定為模型樣本；對(duì)模型樣本進(jìn)行訓(xùn)練，以生成錯(cuò)誤下單目標(biāo)模型；確定錯(cuò)誤下單目標(biāo)模型最小化時(shí)對(duì)應(yīng)的預(yù)測(cè)參數(shù)；根據(jù)預(yù)測(cè)參數(shù)與預(yù)設(shè)的預(yù)測(cè)模型，生成錯(cuò)誤下單預(yù)測(cè)模型。

在該技術(shù)方案中，通過(guò)將多個(gè)歷史訂單確定為模型樣本，以對(duì)多個(gè)歷史訂單進(jìn)行訓(xùn)練，進(jìn)而得到用于生成錯(cuò)誤下單預(yù)測(cè)模型對(duì)應(yīng)的目標(biāo)模型，進(jìn)而通過(guò)模型樣本對(duì)目標(biāo)模型最小化學(xué)習(xí)到預(yù)測(cè)參數(shù)，然后根據(jù)預(yù)設(shè)的預(yù)測(cè)模型和訓(xùn)練樣本得到預(yù)測(cè)參數(shù)生成錯(cuò)誤下單預(yù)測(cè)模型，以對(duì)未知的訂單的錯(cuò)誤率進(jìn)行預(yù)測(cè)，通過(guò)將歷史訂單確定為模型樣本，從而能夠使錯(cuò)誤下單預(yù)測(cè)模型的精確度更高。

其中，錯(cuò)誤下單目標(biāo)模型可以是Xgboost(Extreme Gradient Boosting，極致梯形迭代)模型，決策樹(shù)模型，GBDT(Gradient Boosted Decision Tree/Grdient BoostedRegression Tree)模型、線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型中的任意一種。