订单的分配、模型的训练方法及装置与流程

本公开涉及机器学习技术领域，特别涉及一种订单的分配、模型的训练方法及装置。

背景技术：

近几年，随着互联网技术的不断发展,将线下的商务机会与互联网结合，出现了新的o2o(onlinetooffline，在线离线/线上到线下)商业模式，使互联网成为线下交易的平台。目前，o2o已经进入了高速发展的阶段，其中，交通工具的o2o服务是发展的比较成功的o2o服务。以车辆服务为例，目前，车辆服务可以包括多种不同的类别，例如，快车服务，专车服务，顺风车服务，试驾服务以及租车服务等等。其中，有一些类型的车辆服务还可以提供合乘服务。在提供合乘服务时，由于要求司机同时向两个或两个以上乘客提供服务，要涉及多个行程起点以及多个行程终点，因此，如果订单匹配不合理，可能会导致诸多问题(例如，绕路过多，或者应答率过低等问题)，从而不仅降低了服务效率，也降低了服务资源的利用率。

技术实现要素：

为了解决上述技术问题，本公开提供了一种订单的分配、模型的训练方法及装置。

根据本公开实施例的第一方面，提供一种订单的分配方法，包括：

获取目标信息，所述目标信息包括服务提供方的信息、所述服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息；

根据所述目标信息，采用预先训练的目标模型确定所述第二合乘订单与所述服务提供方是否匹配；

如果所述第二合乘订单与所述服务提供方匹配，则将所述第二合乘订单分配给所述服务提供方。

根据本公开实施例的第二方面，提供一种订单的分配模型的训练方法，包括：

获取样本信息，所述样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息；

采用所述样本信息训练出目标模型；

其中，针对任意历史合乘事件，对应的关联信息包括对应的实时信息、该历史合乘事件中服务提供方的信息、所述服务提供方在该历史合乘事件中先接到的第一历史合乘订单的信息和后接到的第二历史合乘订单的信息。

根据本公开实施例的第三方面，提供一种订单的分配装置，包括：

获取单元，被配置为获取目标信息，所述目标信息包括服务提供方的信息、所述服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息；

确定单元，被配置为根据所述目标信息，采用预先训练的目标模型确定所述第二合乘订单与所述服务提供方是否匹配；

分配单元，被配置为在所述第二合乘订单与所述服务提供方匹配时，将所述第二合乘订单分配给所述服务提供方。

根据本公开实施例的第四方面，提供一种订单的分配装置，包括：

获取单元，被配置为获取样本信息，所述样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息；

训练单元，被配置为采用所述样本信息训练出目标模型；

其中，针对任意历史合乘事件，对应的关联信息包括对应的实时信息、该历史合乘事件中服务提供方的信息，所述服务提供方在该历史合乘事件中先接到的第一历史合乘订单的信息、后接到的第二历史合乘订单的信息。

根据本公开实施例的第五方面，提供一种计算机存储介质，所述存储介质中存储有程序指令，所述指令包括：

获取目标信息，所述目标信息包括服务提供方的信息、所述服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息；

根据所述目标信息采用预先训练的目标模型确定所述第二合乘订单与所述服务提供方是否匹配；

如果所述第二合乘订单与所述服务提供方匹配，则将所述第二合乘订单分配给所述服务提供方。

根据本公开实施例的第六方面，提供一种计算机存储介质，所述存储介质中存储有程序指令，所述指令包括：

获取样本信息，所述样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息；

采用所述样本信息训练出目标模型；

其中，针对任意历史合乘事件，对应的关联信息包括对应的实时信息、该历史合乘事件中服务提供方的信息、所述服务提供方在该历史合乘事件中先接到的第一历史合乘订单的信息和后接到的第二历史合乘订单的信息。

根据本公开实施例的第七方面，提供一种电子设备，包括：

处理器，适于实现各指令；以及

存储设备，适于存储多条指令，所述指令适于由处理器加载并执行：

获取目标信息，所述目标信息包括服务提供方的信息、所述服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息；

根据所述目标信息，采用预先训练的目标模型确定所述第二合乘订单与所述服务提供方是否匹配；

如果所述第二合乘订单与所述服务提供方匹配，则将所述第二合乘订单分配给所述服务提供方。

根据本公开实施例的第八方面，提供一种电子设备，包括：

处理器，适于实现各指令；以及

存储设备，适于存储多条指令，所述指令适于由处理器加载并执行：

获取样本信息，所述样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息；

采用所述样本信息训练出目标模型；

其中，针对任意历史合乘事件，对应的关联信息包括对应的实时信息、该历史合乘事件中服务提供方的信息、所述服务提供方在该历史合乘事件中先接到的第一历史合乘订单的信息和后接到的第二历史合乘订单的信息。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开的实施例提供的订单的分配方法和装置，通过获取目标信息，根据该目标信息，采用预先训练的目标模型确定第二合乘订单与服务提供方是否匹配。并在第二合乘订单与服务提供方匹配时，将第二合乘订单分配给该服务提供方。其中，该目标信息包括服务提供方的信息、服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息。从而使得合乘订单与服务提供方的匹配更加合理，提高了服务效率，也提高了服务资源的利用率。

本公开的上述实施例提供的订单的分配模型的训练方法和装置，通过获取样本信息，并采用该样本信息训练出目标模型，该样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息。从而得到了可以用于合乘订单分配的模型，使得合乘订单与服务提供方的匹配更加合理，提高了服务效率，也提高了服务资源的利用率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为应用本公开实施例的示例性系统架构示意图；

图2是本公开根据一示例性实施例示出的一种订单的分配方法的流程图；

图3是本公开根据一示例性实施例示出的另一种订单的分配方法的流程图；

图4是本公开根据一示例性实施例示出的一种订单的分配模型的训练方法的流程图；

图5是本公开根据一示例性实施例示出的另一种订单的分配模型的训练方法的流程图；

图6是本公开根据一示例性实施例示出的一种订单的分配装置框图；

图7是本公开根据一示例性实施例示出的一种订单的分配模型的训练装置框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

参见图1，为应用本公开实施例的示例性系统架构示意图：

如图1所示，系统架构100可以包括终端设备，例如图示的终端设备101、102、103、网络104和服务器105。应该理解，图1中的终端设备、网络和服务器的数目或类型仅仅是示意性的。根据实现需要，可以具有任意数目或类型的终端设备、网络和服务器。

网络104用于在终端设备、服务器之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103可以通过网络104与服务器进行交互，以接收或发送请求或信息等。终端设备101、102、103可以是各种电子设备，包括但不限于智能手机、平板电脑、智能穿戴设备以及个人数字助理等等。

服务器105可以是提供各种服务的服务器。服务器可以对接收到的数据进行存储、分析等处理，也可以向终端设备或其它服务器发送控制命令或者请求等。服务器可以响应于用户的服务请求而提供服务。可以理解，一个服务器可以提供一种或多种服务，同一种服务也可以由多个服务器来提供。

下面将结合具体的实施例对本公开进行详细描述。

如图2所示，图2是根据一示例性实施例示出的一种订单的分配方法的流程图，该方法可以应用于服务器中。该方法包括以下步骤：

在步骤201中，获取目标信息，该目标信息包括服务提供方的信息、该服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息。

在本实施例中，所涉及的服务可以为交通工具的合乘服务(例如，车辆合乘服务等)，所涉及的场景可以为提供交通工具合成服务的服务提供方已经接到一个合乘订单，正在等待接收另一个合乘订单的场景。例如，针对车辆合乘服务，服务提供方可以是搭载乘客的司机。第一合乘订单为服务提供方首先接到的合乘订单，第二合乘订单为待分配的合乘订单。

在本实施例中，服务提供方的信息可以包括各种能够表征服务提供方个人特征的信息。以车辆合乘服务为例，服务提供方为提供车辆合乘服务的司机，服务提供方的信息可以包括但不限于该司机的id信息，该司机的性别信息，该司机的年龄信息，该司机的服务得分信息，该司机的星级信息，该司机驾驶的车型信息，该司机当前的位置信息等等。

在本实施例中，第一合乘订单的信息可以包括第一合乘订单中包含的各种信息，例如，第一合乘订单的信息可以包括但不限于第一合乘订单对应的行程起点以及行程终点的位置信息，第一合乘订单对应的发单时刻，第一合乘订单对应的用户信息等等。第二合乘订单的信息可以包括第二合乘订单中包含的各种信息，例如，第二合乘订单的信息可以包括但不限于第二合乘订单对应的行程起点以及行程终点的位置信息，第二合乘订单对应的发单时刻，第二合乘订单对应的用户信息等等。其中，用户信息可以包括但不限于该用户的id信息，该用户的用户画像信息(例如，性别信息，年龄信息，爱好信息，职业信息等等)等等。

在本实施例中，当前的实时信息可以包括但不限于当前的天气信息，当前的时间信息(例如，时刻信息，星期信息，公历的日期信息，农历的日期信息，节日信息等)，当前的交通状况信息等等。

在步骤202中，根据目标信息，采用预先训练的目标模型确定第二合乘订单与上述服务提供方是否匹配。

在本实施例中，目标模型为预先训练好的模型，目标模型可以是以下任意一项：xgboost(extremegradientboosting，极端梯度上升)模型；线性回归模型；深度神经网络dnn。可以理解，目标模型还可以是其它类型的模型，本申请对目标模型的具体类型方面不限定。

在本实施例中，可以通过如下方式根据目标信息采用预先训练的目标模型确定第二合乘订单与上述服务提供方是否匹配：基于目标信息获取目标特征信息，将该目标特征信息输入目标模型，并获取该目标模型输出的匹配参数。如果该匹配参数大于或者等于预设阈值，则确定该第二合乘订单与服务提供方匹配。

在步骤203中，如果第二合乘订单与服务提供方匹配，则将第二合乘订单分配给服务提供方。

本公开的上述实施例提供的订单的分配方法，通过获取目标信息，根据该目标信息采用预先训练的目标模型确定第二合乘订单与服务提供方是否匹配。并在第二合乘订单与服务提供方匹配时，将第二合乘订单分配给该服务提供方。其中，该目标信息包括服务提供方的信息，服务提供方已接第一合乘订单的信息，待分配的第二合乘订单的信息以及当前的实时信息。从而使得合乘订单与服务提供方的匹配更加合理，提高了服务效率，也提高了服务资源的利用率。

图3是根据一示例性实施例示出的另一种订单的分配方法的流程图，该实施例详细描述了根据目标信息采用预先训练的目标模型确定第二合乘订单与服务提供方是否匹配的过程，该方法可以应用于服务器中。该方法可以包括以下步骤：

在步骤301中，获取目标信息，该目标信息包括服务提供方的信息、该服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息。

在步骤302中，基于目标信息获取目标特征信息。

在本实施例中，目标特征信息可以包括第一目标特征信息以及第二目标特征信息，第一目标特征信息为可以直接基于目标信息而得到的特征信息，第二目标特征信息为需要对目标信息进行估测而得到的特征信息。具体来说，可以从目标信息中直接提取第一目标特征信息，并且，基于目标信息进行估测(可以采用预设的算法、策略或者模型进行估测)，以得到第二目标特征信息。

在本实施例中，第一目标特征信息可以包括以下一项或多项：服务提供方的性别特征信息，服务提供方的年龄特征信息，服务提供方的服务分特征信息，服务提供方的星级特征信息，服务提供方驾驶的车型特征信息，服务提供方的当前所在位置特征信息，天气特征信息，时间特征信息。

在本实施例中，第二目标特征信息可以包括以下一项或多项：第一合乘订单对应的原始行程估计距离特征信息；第二合乘订单对应的原始行程估计距离特征信息；合乘后第一合乘订单对应的行程估计距离特征信息；合乘后第二合乘订单对应的行程估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计时间特征信息；第一合乘订单对应的估计绕路距离特征信息；第二合乘订单对应的估计绕路距离特征信息；第一合乘订单对应的估计绕路时间特征信息；第二合乘订单对应的估计绕路时间特征信息；第一合乘订单对应的估计绕路距离与第一合乘订单对应的原始行程估计距离之比的特征信息；第二合乘订单对应的估计绕路距离与第二合乘订单对应的原始行程估计距离之比的特征信息；第二合乘订单对应的估计接驾时刻特征信息；第二合乘订单对应的估计接驾距离特征信息；第二合乘订单对应的估计接驾距离与估计行程距离之比的特征信息。

在步骤303中，将目标特征信息输入目标模型。

在步骤304中，获取目标模型输出的匹配参数。

在本实施例中，可以将目标特征信息输入目标模型中，并获取目标模型输出的匹配参数，该匹配参数能够表征第二合乘订单与服务提供方的匹配度。如果该匹配参数大于或者等于预设阈值，则说明第二合乘订单与服务提供方相匹配。

在步骤305中，如果该匹配参数大于或者等于预设阈值，则确定第二合乘订单与服务提供方匹配。

在步骤306中，将第二合乘订单分配给服务提供方。

需要说明的是，对于与图2实施例中相同的步骤，在上述图3实施例中不再进行赘述，相关内容可参见图2实施例。

本公开的上述实施例提供的订单的分配方法，通过获取目标信息，基于目标信息获取目标特征信息，将目标特征信息输入目标模型，并获取目标模型输出的匹配参数。如果该匹配参数大于或者等于预设阈值，则确定第二合乘订单与服务提供方匹配，并将第二合乘订单分配给服务提供方。从而进一步使得合乘订单与服务提供方的匹配更加合理，也有助于提高服务资源的利用率。

如图4所示，图4是根据一示例性实施例示出的一种订单的分配模型的训练方法的流程图，该方法可以应用于服务器中。该方法包括以下步骤：

在步骤401中，获取样本信息，该样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息。

在本实施例中，针对任意历史合乘事件，该历史合乘事件对应的关联信息可以包括该历史合乘事件对应的实时信息、该历史合乘事件中服务提供方的信息、该服务提供方在该历史合乘事件中先接到的第一历史合乘订单的信息和后接到的第二历史合乘订单的信息。

在本实施例中，服务提供方的信息可以包括各种能够表征服务提供方个人特征的信息。以车辆合乘服务为例，服务提供方为提供车辆合乘服务的司机，服务提供方的信息可以包括但不限于该司机的id信息，该司机的性别信息，该司机的年龄信息，该司机的服务得分信息，该司机的星级信息，该司机驾驶的车型信息，该司机的位置信息等等。

在本实施例中，第一历史合乘订单的信息可以包括第一历史合乘订单中包含的各种信息，例如，第一历史合乘订单的信息可以包括但不限于第一历史合乘订单对应的行程起点以及行程终点的位置信息，第一历史合乘订单对应的发单时刻，第一历史合乘订单对应的用户信息等等。第二历史合乘订单的信息可以包括第二历史合乘订单中包含的各种信息，例如，第二历史合乘订单的信息可以包括但不限于第二历史合乘订单对应的行程起点以及行程终点的位置信息，第二历史合乘订单对应的发单时刻，第二历史合乘订单对应的用户信息等等。其中，用户信息可以包括但不限于该用户的id信息，该用户的用户画像信息(例如，性别信息，年龄信息，爱好信息，职业信息等等)等等。

在本实施例中，该历史合乘事件对应的实时信息可以包括但不限于该历史合乘事件发生时的天气信息，时间信息(例如，时刻信息，星期信息，公历的日期信息，农历的日期信息，节日信息等)，交通状况信息等等。

在步骤402中，采用上述样本信息训练出目标模型。

在本实施例中，目标模型可以是以下任意一项：xgboost(extremegradientboosting，极端梯度上升)模型；线性回归模型；深度神经网络dnn。可以理解，目标模型还可以是其它类型的模型，本申请对目标模型的具体类型方面不限定。

在本实施例中，首先，可以基于上述样本信息确定每个历史合乘事件对应的样本属性，该样本属性包括正样本属性以及负样本属性，接着，基于上述样本信息获取每个历史合乘事件对应的样本特征信息。最后，根据每个历史合乘事件对应的样本属性及样本特征信息训练出目标模型。

本公开的上述实施例提供的订单的分配模型的训练方法，通过获取样本信息，并采用该样本信息训练出目标模型，该样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息。从而得到了可以用于合乘订单分配的模型，使得合乘订单与服务提供方的匹配更加合理，提高了服务效率，也提高了服务资源的利用率。

图5是根据一示例性实施例示出的另一种订单的分配模型的训练方法的流程图，该实施例详细描述了采用样本信息训练出目标模型的过程，可以应用于服务器中。该方法可以包括以下步骤：

在步骤501中，获取样本信息，该样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息。

在步骤502中，基于该样本信息确定每个历史合乘事件对应的样本属性，该样本属性包括正样本属性以及负样本属性。

在本实施例中，可以根据样本信息中订单的评价信息和应答情况确定每个历史合乘事件对应的样本属性。例如，订单评价较好的，订单应答成功的历史合乘事件对应的样本属性可以为正样本属性。订单评价较差的，订单应答失败的历史合乘事件对应的样本属性可以为负样本属性。本申请对正负样本属性的具体划分方式不限定。

在步骤503中，基于该样本信息获取每个历史合乘事件对应的样本特征信息。

在本实施例中，针对任意历史合乘事件，该历史合乘事件对应的样本特征信息可以包括该历史合乘事件对应的第一样本特征信息以及对应的第二样本特征信息。第一样本特征信息为可以直接基于样本信息而得到的特征信息，第二样本特征信息为需要对样本信息进行估测而得到的特征信息。具体来说，可以从样本信息中直接提取第一样本特征信息，并且，基于样本信息进行估测(可以采用预设的算法、策略或者模型进行估测)，以得到第二样本特征信息。

在本实施例中，第一样本特征信息可以包括以下一项或多项：该历史合乘事件对应的服务提供方的性别特征信息，该历史合乘事件对应的服务提供方的年龄特征信息，该历史合乘事件对应的服务提供方的服务分特征信息，该历史合乘事件对应的服务提供方的星级特征信息，该历史合乘事件对应的服务提供方驾驶的车型特征信息，该历史合乘事件对应的服务提供方的所在位置特征信息，该历史合乘事件对应的天气特征信息，该历史合乘事件对应的时间特征信息。

在本实施例中，第二样本特征信息可以包括以下一项或多项：第一历史合乘订单对应的原始行程估计距离特征信息；第二历史合乘订单对应的原始行程估计距离特征信息；合乘后第一历史合乘订单对应的行程估计距离特征信息；合乘后第二历史合乘订单对应的行程估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计时间特征信息；第一历史合乘订单对应的估计绕路距离特征信息；第二历史合乘订单对应的估计绕路距离特征信息；第一历史合乘订单对应的估计绕路时间特征信息；第二历史合乘订单对应的估计绕路时间特征信息；第一历史合乘订单对应的估计绕路距离与第一历史合乘订单对应的原始行程估计距离之比的特征信息；第二历史合乘订单对应的估计绕路距离与第二历史合乘订单对应的原始行程估计距离之比的特征信息；第二历史合乘订单对应的估计接驾时刻特征信息；第二历史合乘订单对应的估计接驾距离特征信息；第二历史合乘订单对应的估计接驾距离与估计行程距离之比的特征信息。

在步骤504中，根据每个历史合乘事件对应的样本属性及样本特征信息训练出目标模型。

在本实施例中，可以通过如下方式训练出目标模型：首先，获取一个数据集的样本特征信息，每个数据集包括训练集和验证集(其中，训练集对应多个历史合乘事件，验证集对应多个历史合乘事件)。接着，采用训练集的样本特征信息对当前模型的参数进行调整。采用验证集的样本特征信息对前面训练的模型进行验证。直到验证结果满足要求，将当前模型作为训练好的模型。

其中，采用训练集的样本特征信息对当前模型的参数进行调整可以包括：将训练集的样本特征信息输入到当前模型中，得到每个历史合乘事件对应的概率值(即，该历史合乘事件对应的样本属性为正样本属性的概率)，作为该历史合乘事件对应的参考参数。根据多个历史合乘事件对应参考参数以及历史合乘事件对应的样本属性，得到roc曲线。再基于roc曲线得到对应的auc值。如果auc值小于或者等于预设阈值，则调整当前模型的参数，然后重复执行对模型的参数进行调整的步骤。如果auc值大于预设阈值，则执行对前面训练的模型进行验证的步骤。

其中，采用验证集的样本特征信息对前面训练的模型进行验证可以包括：将训练集的样本特征信息输入到前面训练的模型中，得到对应的第一auc值。将验证集的样本特征信息输入到前面训练的模型中，得到对应的第二auc值。用第一auc值减去第二auc值获得一个差值，如果这个差值的绝对值大于预设阈值，重复对模型的参数进行调整的步骤。如果这个差值的绝对值小于预设阈值，说明验证结果满足要求。

本公开的上述实施例提供的订单的分配模型的训练方法，通过获取样本信息，该样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息，并基于该样本信息确定每个历史合乘事件对应的样本属性。基于该样本信息获取每个历史合乘事件对应的样本特征信息，根据每个历史合乘事件对应的样本属性及样本特征信息训练出目标模型。从而得到了可以用于合乘订单分配的模型，进一步使得合乘订单与服务提供方的匹配更加合理，有助于提高服务资源的利用率。

应当注意，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

与前述订单的分配、模型的训练方法实施例相对应，本公开还提供了订单的分配、模型的训练装置的实施例。

如图6所示，图6是本公开根据一示例性实施例示出的一种订单的分配装置框图，该装置包括：获取单元601，确定单元602以及分配单元603。

其中，获取单元601，被配置为获取目标信息，该目标信息包括服务提供方的信息、该服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息。

在本实施例中，所涉及的服务可以为交通工具的合乘服务(例如，车辆合乘服务等)，所涉及的场景可以为提供交通工具合成服务的服务提供方已经接到一个合乘订单，正在等待接收另一个合乘订单的场景。例如，针对车辆合乘服务，服务提供方可以是搭载乘客的司机。第一合乘订单为服务提供方首先接到的合乘订单，第二合乘订单为待分配的合乘订单。

在本实施例中，服务提供方的信息可以包括各种能够表征服务提供方个人特征的信息。以车辆合乘服务为例，服务提供方为提供车辆合乘服务的司机，服务提供方的信息可以包括但不限于该司机的id信息，该司机的性别信息，该司机的年龄信息，该司机的服务得分信息，该司机的星级信息，该司机驾驶的车型信息，该司机当前的位置信息等等。

在本实施例中，第一合乘订单的信息可以包括第一合乘订单中包含的各种信息，例如，第一合乘订单的信息可以包括但不限于第一合乘订单对应的行程起点以及行程终点的位置信息，第一合乘订单对应的发单时刻，第一合乘订单对应的用户信息等等。第二合乘订单的信息可以包括第二合乘订单中包含的各种信息，例如，第二合乘订单的信息可以包括但不限于第二合乘订单对应的行程起点以及行程终点的位置信息，第二合乘订单对应的发单时刻，第二合乘订单对应的用户信息等等。其中，用户信息可以包括但不限于该用户的id信息，该用户的用户画像信息(例如，性别信息，年龄信息，爱好信息，职业信息等等)等等。

在本实施例中，当前的实时信息可以包括但不限于当前的天气信息，当前的时间信息(例如，时刻信息，星期信息，公历的日期信息，农历的日期信息，节日信息等)，当前的交通状况信息等等。

确定单元602，被配置为根据目标信息，采用预先训练的目标模型确定第二合乘订单与上述服务提供方是否匹配。

在本实施例中，目标模型为预先训练好的模型，目标模型可以是以下任意一项：xgboost(extremegradientboosting，极端梯度上升)模型；线性回归模型；深度神经网络dnn。可以理解，目标模型还可以是其它类型的模型，本申请对目标模型的具体类型方面不限定。

在本实施例中，可以通过如下方式根据目标信息采用预先训练的目标模型确定第二合乘订单与上述服务提供方是否匹配：基于目标信息获取目标特征信息，将该目标特征信息输入目标模型，并获取该目标模型输出的匹配参数。如果该匹配参数大于或者等于预设阈值，则确定该第二合乘订单与服务提供方匹配。

分配单元603，被配置为在第二合乘订单与上述服务提供方匹配时，将第二合乘订单分配给上述服务提供方。

本公开的上述实施例提供的订单的分配装置，通过获取目标信息，根据该目标信息，采用预先训练的目标模型确定第二合乘订单与服务提供方是否匹配。并在第二合乘订单与服务提供方匹配时，将第二合乘订单分配给该服务提供方。其中，该目标信息包括服务提供方的信息、服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息。从而使得合乘订单与服务提供方的匹配更加合理，提高了服务效率，也提高了服务资源的利用率。

在一些可选实施方式中，确定单元602可以包括：第一获取子单元，输入子单元，第二获取子单元和确定子单元(图中未示出)。

其中，第一获取子单元，被配置为基于目标信息获取目标特征信息。

在本实施例中，目标特征信息可以包括第一目标特征信息以及第二目标特征信息，第一目标特征信息为可以直接基于目标信息而得到的特征信息，第二目标特征信息为需要对目标信息进行估测而得到的特征信息。具体来说，可以从目标信息中直接提取第一目标特征信息，并且，基于目标信息进行估测(可以采用预设的算法、策略或者模型进行估测)，以得到第二目标特征信息。

在本实施例中，第一目标特征信息可以包括以下一项或多项：服务提供方的性别特征信息，服务提供方的年龄特征信息，服务提供方的服务分特征信息，服务提供方的星级特征信息，服务提供方驾驶的车型特征信息，服务提供方的当前所在位置特征信息，天气特征信息，时间特征信息。

在本实施例中，第二目标特征信息可以包括以下一项或多项：第一合乘订单对应的原始行程估计距离特征信息；第二合乘订单对应的原始行程估计距离特征信息；合乘后第一合乘订单对应的行程估计距离特征信息；合乘后第二合乘订单对应的行程估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计时间特征信息；第一合乘订单对应的估计绕路距离特征信息；第二合乘订单对应的估计绕路距离特征信息；第一合乘订单对应的估计绕路时间特征信息；第二合乘订单对应的估计绕路时间特征信息；第一合乘订单对应的估计绕路距离与第一合乘订单对应的原始行程估计距离之比的特征信息；第二合乘订单对应的估计绕路距离与第二合乘订单对应的原始行程估计距离之比的特征信息；第二合乘订单对应的估计接驾时刻特征信息；第二合乘订单对应的估计接驾距离特征信息；第二合乘订单对应的估计接驾距离与估计行程距离之比的特征信息。

输入子单元，被配置为将目标特征信息输入目标模型。

第二获取子单元，被配置为获取目标模型输出的匹配参数。

在本实施例中，可以将目标特征信息输入目标模型中，并获取目标模型输出的匹配参数，该匹配参数能够表征第二合乘订单与服务提供方的匹配度。如果该匹配参数大于或者等于预设阈值，则说明第二合乘订单与服务提供方相匹配。

确定子单元，被配置为在上述匹配参数大于或者等于预设阈值时，确定第二合乘订单与上述服务提供方匹配。

本公开的上述实施例提供的订单的分配装置，通过获取目标信息，基于目标信息获取目标特征信息，将目标特征信息输入目标模型，并获取目标模型输出的匹配参数。如果该匹配参数大于或者等于预设阈值，则确定第二合乘订单与服务提供方匹配，并将第二合乘订单分配给服务提供方。从而进一步使得合乘订单与服务提供方的匹配更加合理，也有助于提高服务资源的利用率。

在另一些可选实施方式中，上述目标特征信息可以包括第一目标特征信息以及第二目标特征信息。

第一获取子单元被配置用于：从目标信息中直接提取第一目标特征信息，以及基于目标信息进行估测，以得到第二目标特征信息。

在另一些可选实施方式中，第一合乘订单的信息可以包括：第一合乘订单对应的行程起点以及行程终点的位置信息，第一合乘订单对应的发单时刻。

第二合乘订单的信息可以包括：第二合乘订单对应的行程起点以及行程终点的位置信息，第二合乘订单对应的发单时刻。

在另一些可选实施方式中，第二目标特征信息包括以下一项或多项：第一合乘订单对应的原始行程估计距离特征信息；第二合乘订单对应的原始行程估计距离特征信息；合乘后第一合乘订单对应的行程估计距离特征信息；合乘后第二合乘订单对应的行程估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计时间特征信息；第一合乘订单对应的估计绕路距离特征信息；第二合乘订单对应的估计绕路距离特征信息；第一合乘订单对应的估计绕路时间特征信息；第二合乘订单对应的估计绕路时间特征信息；第一合乘订单对应的估计绕路距离与第一合乘订单对应的原始行程估计距离之比的特征信息；第二合乘订单对应的估计绕路距离与第二合乘订单对应的原始行程估计距离之比的特征信息；第二合乘订单对应的估计接驾时刻特征信息；第二合乘订单对应的估计接驾距离特征信息；第二合乘订单对应的估计接驾距离与估计行程距离之比的特征信息。

在另一些可选实施方式中，目标模型可以包括以下任意一项：极端梯度上升xgboost模型；线性回归模型；深度神经网络dnn。

应当理解，上述装置可以预先设置在服务器中，也可以通过下载等方式而加载到服务器中。上述装置中的相应单元可以与服务器中的单元相互配合以实现订单的分配方案。

如图7所示，图7是本公开根据一示例性实施例示出的一种订单的分配模型的训练装置框图，该装置包括：获取单元701以及训练单元702。

其中，获取单元701，被配置为获取样本信息，该样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息。

在本实施例中，针对任意历史合乘事件，该历史合乘事件对应的关联信息可以包括该历史合乘事件对应的实时信息、该历史合乘事件中服务提供方的信息、该服务提供方在该历史合乘事件中先接到的第一历史合乘订单的信息和后接到的第二历史合乘订单的信息。

在本实施例中，服务提供方的信息可以包括各种能够表征服务提供方个人特征的信息。以车辆合乘服务为例，服务提供方为提供车辆合乘服务的司机，服务提供方的信息可以包括但不限于该司机的id信息，该司机的性别信息，该司机的年龄信息，该司机的服务得分信息，该司机的星级信息，该司机驾驶的车型信息，该司机的位置信息等等。

在本实施例中，第一历史合乘订单的信息可以包括第一历史合乘订单中包含的各种信息，例如，第一历史合乘订单的信息可以包括但不限于第一历史合乘订单对应的行程起点以及行程终点的位置信息，第一历史合乘订单对应的发单时刻，第一历史合乘订单对应的用户信息等等。第二历史合乘订单的信息可以包括第二历史合乘订单中包含的各种信息，例如，第二历史合乘订单的信息可以包括但不限于第二历史合乘订单对应的行程起点以及行程终点的位置信息，第二历史合乘订单对应的发单时刻，第二历史合乘订单对应的用户信息等等。其中，用户信息可以包括但不限于该用户的id信息，该用户的用户画像信息(例如，性别信息，年龄信息，爱好信息，职业信息等等)等等。

在本实施例中，该历史合乘事件对应的实时信息可以包括但不限于该历史合乘事件发生时的天气信息，时间信息(例如，时刻信息，星期信息，公历的日期信息，农历的日期信息，节日信息等)，交通状况信息等等。

训练单元702，被配置为采用样本信息训练出目标模型。

在本实施例中，目标模型可以是以下任意一项：xgboost(extremegradientboosting，极端梯度上升)模型；线性回归模型；深度神经网络dnn。可以理解，目标模型还可以是其它类型的模型，本申请对目标模型的具体类型方面不限定。

在本实施例中，首先，可以基于上述样本信息确定每个历史合乘事件对应的样本属性，该样本属性包括正样本属性以及负样本属性，接着，基于上述样本信息获取每个历史合乘事件对应的样本特征信息。最后，根据每个历史合乘事件对应的样本属性及样本特征信息训练出目标模型。

本公开的上述实施例提供的订单的分配模型的训练装置，通过获取样本信息，并采用该样本信息训练出目标模型，该样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息。从而得到了可以用于合乘订单分配的模型，使得合乘订单与服务提供方的匹配更加合理，提高了服务效率，也提高了服务资源的利用率。

在另一些可选实施方式中，训练单元702可以包括：确定子单元，获取子单元和训练子单元(图中未示出)。

其中，确定子单元，被配置为基于样本信息确定每个历史合乘事件对应的样本属性，该样本属性包括正样本属性以及负样本属性。

在本实施例中，可以根据样本信息中订单的评价信息和应答情况确定每个历史合乘事件对应的样本属性。例如，订单评价较好的，订单应答成功的历史合乘事件对应的样本属性可以为正样本属性。订单评价较差的，订单应答失败的历史合乘事件对应的样本属性可以为负样本属性。本申请对正负样本属性的具体划分方式不限定。

获取子单元，被配置为基于该样本信息获取每个历史合乘事件对应的样本特征信息。

在本实施例中，针对任意历史合乘事件，该历史合乘事件对应的样本特征信息可以包括该历史合乘事件对应的第一样本特征信息以及对应的第二样本特征信息。第一样本特征信息为可以直接基于样本信息而得到的特征信息，第二样本特征信息为需要对样本信息进行估测而得到的特征信息。具体来说，可以从样本信息中直接提取第一样本特征信息，并且，基于样本信息进行估测(可以采用预设的算法、策略或者模型进行估测)，以得到第二样本特征信息。

在本实施例中，第一样本特征信息可以包括以下一项或多项：该历史合乘事件对应的服务提供方的性别特征信息，该历史合乘事件对应的服务提供方的年龄特征信息，该历史合乘事件对应的服务提供方的服务分特征信息，该历史合乘事件对应的服务提供方的星级特征信息，该历史合乘事件对应的服务提供方驾驶的车型特征信息，该历史合乘事件对应的服务提供方的所在位置特征信息，该历史合乘事件对应的天气特征信息，该历史合乘事件对应的时间特征信息。

在本实施例中，第二样本特征信息可以包括以下一项或多项：第一历史合乘订单对应的原始行程估计距离特征信息；第二历史合乘订单对应的原始行程估计距离特征信息；合乘后第一历史合乘订单对应的行程估计距离特征信息；合乘后第二历史合乘订单对应的行程估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计距离特征信息；第一合乘订单与第二合乘订单在合乘后对应的共乘估计时间特征信息；第一历史合乘订单对应的估计绕路距离特征信息；第二历史合乘订单对应的估计绕路距离特征信息；第一历史合乘订单对应的估计绕路时间特征信息；第二历史合乘订单对应的估计绕路时间特征信息；第一历史合乘订单对应的估计绕路距离与第一历史合乘订单对应的原始行程估计距离之比的特征信息；第二历史合乘订单对应的估计绕路距离与第二历史合乘订单对应的原始行程估计距离之比的特征信息；第二历史合乘订单对应的估计接驾时刻特征信息；第二历史合乘订单对应的估计接驾距离特征信息；第二历史合乘订单对应的估计接驾距离与估计行程距离之比的特征信息。

训练子单元，被配置为根据每个历史合乘事件对应的样本属性及样本特征信息训练出目标模型。

在本实施例中，可以通过如下方式训练出目标模型：首先，获取一个数据集的样本特征信息，每个数据集包括训练集和验证集(其中，训练集对应多个历史合乘事件，验证集对应多个历史合乘事件)。接着，采用训练集的样本特征信息对当前模型的参数进行调整。采用验证集的样本特征信息对前面训练的模型进行验证。直到验证结果满足要求，将当前模型作为训练好的模型。

其中，采用训练集的样本特征信息对当前模型的参数进行调整可以包括：将训练集的样本特征信息输入到当前模型中，得到每个历史合乘事件对应的概率值(即，该历史合乘事件对应的样本属性为正样本属性的概率)，作为该历史合乘事件对应的参考参数。根据多个历史合乘事件对应参考参数以及历史合乘事件对应的样本属性，得到roc曲线。再基于roc曲线得到对应的auc值。如果auc值小于或者等于预设阈值，则调整当前模型的参数，然后重复执行对模型的参数进行调整的步骤。如果auc值大于预设阈值，则执行对前面训练的模型进行验证的步骤。

其中，采用验证集的样本特征信息对前面训练的模型进行验证可以包括：将训练集的样本特征信息输入到前面训练的模型中，得到对应的第一auc值。将验证集的样本特征信息输入到前面训练的模型中，得到对应的第二auc值。用第一auc值减去第二auc值获得一个差值，如果这个差值的绝对值大于预设阈值，重新对模型的参数进行调整的步骤。如果这个差值的绝对值小于预设阈值，说明验证结果满足要求。

本公开的上述实施例提供的订单的分配模型的训练装置，通过获取样本信息，该样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息，并基于该样本信息确定每个历史合乘事件对应的样本属性。基于该样本信息获取每个历史合乘事件对应的样本特征信息，根据每个历史合乘事件对应的样本属性及样本特征信息训练出目标模型。从而得到了可以用于合乘订单分配的模型，进一步使得合乘订单与服务提供方的匹配更加合理，有助于提高服务资源的利用率。

在另一些可选实施方式中，针对任意历史合乘事件，对应的样本特征信息包括该历史合乘事件对应的第一样本特征信息以及对应的第二样本特征信息。

获取子单元可以通过如下方式基于样本信息获取该历史合乘事件对应的样本特征信息：从样本信息中该历史合乘事件对应的关联信息中直接提取对应的第一样本特征信息，以及基于样本信息中该历史合乘事件对应的关联信息进行估测，以得到对应的第二目标特征信息。

在另一些可选实施方式中，第一历史合乘订单的信息可以包括：第一历史合乘订单对应的行程起点以及行程终点的位置信息，第一历史合乘订单对应的发单时刻。

第二历史合乘订单的信息可以包括：第二历史合乘订单对应的行程起点以及行程终点的位置信息，第二历史合乘订单对应的发单时刻。

在另一些可选实施方式中，针对任意历史合乘事件，对应的第二样本特征信息包括以下一项或多项：第一历史合乘订单对应的原始行程估计距离特征信息；第二历史合乘订单对应的原始行程估计距离特征信息；合乘后第一历史合乘订单对应的行程估计距离特征信息；合乘后第二历史合乘订单对应的行程估计距离特征信息；第一历史合乘订单与第二历史合乘订单在合乘后对应的共乘估计距离特征信息；第一历史合乘订单与第二历史合乘订单在合乘后对应的共乘估计时间特征信息；第一历史合乘订单对应的估计绕路距离特征信息；第二历史合乘订单对应的估计绕路距离特征信息；第一历史合乘订单对应的估计绕路时间特征信息；第二历史合乘订单对应的估计绕路时间特征信息；第一历史合乘订单对应的估计绕路距离与第一历史合乘订单对应的原始行程估计距离之比的特征信息；第二历史合乘订单对应的估计绕路距离与第二历史合乘订单对应的原始行程估计距离之比的特征信息；第二历史合乘订单对应的估计接驾时刻特征信息；第二历史合乘订单对应的估计接驾距离特征信息；第二历史合乘订单对应的估计接驾距离与估计行程距离之比的特征信息。

在另一些可选实施方式中，目标模型可以包括以下任意一项：xgboost模型；线性回归模型；深度神经网络dnn。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

应当理解，上述装置可以预先设置在服务器中，也可以通过下载等方式而加载到服务器中。上述装置中的相应单元可以与服务器中的单元相互配合以实现订单的分配模型的训练方案。

本公开实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

相应的，本公开实施例还提供一种计算机存储介质，该存储介质中存储有程序指令，该指令包括：

获取目标信息，所述目标信息包括服务提供方的信息、所述服务提供方已接第一合乘订单的信息、待分配的第二合乘订单的信息和当前的实时信息；

根据所述目标信息，采用预先训练的目标模型确定所述第二合乘订单与所述服务提供方是否匹配；

如果所述第二合乘订单与所述服务提供方匹配，则将所述第二合乘订单分配给所述服务提供方。

相应的，本公开实施例还提供另一种计算机存储介质，该存储介质中存储有程序指令，该指令包括：

获取样本信息，所述样本信息包括多个历史合乘事件中每个历史合乘事件对应的关联信息；

采用所述样本信息训练出目标模型；

其中，针对任意历史合乘事件，对应的关联信息包括对应的实时信息、该历史合乘事件中服务提供方的信息、所述服务提供方在该历史合乘事件中先接到的第一历史合乘订单的信息和后接到的第二历史合乘订单的信息。

描述于本公开实施例中所涉及到的单元模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元，确定单元以及分配单元。其中，这些单元模块的名称在某种情况下并不构成对该单元模块本身的限定，例如，确定单元还可以被描述为“用于根据目标信息采用预先训练的目标模型确定第二合乘订单与服务提供方是否匹配的单元”。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端或服务器中的计算机可读存储介质。该计算机可读存储介质存储有一个或者一个以上程序，该程序被一个或者一个以上的处理器用来执行描述于本公开的订单的分配、模型的训练方法。

计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。