系统来实现，或者可W使用专用硬件与计算机指令的组 合来实现。
[0032] 应当理解，给出该些示例性实施方式仅仅是为了使本领域技术人员能够更好地理 解进而实现本公开，而并非W任何方式限制本公开的范围。
[0033] 图1示意性示出了本公开的示例性实施方式可实现于其中的系统100的示图。该 系统100包括用户设备102A至102F，该用户设备102A至102F各自通过网络106与业务服 务器104进行通信。该网络106可W包括连接任何数目的移动用户设备、固定用户设备和业 务服务器104的大型计算机网络，诸如局域网（LAN)、广域网（WAN)、因特网、蜂窝网络或者 其组合。该业务服务器104包括一个或多个计算设备110 W及一个或多个机器可读储存库 或数据库112。本领域技术人员可W理解，该业务服务器104既可W代表比如计算机服务器 的单个服务器，也可W代表一起工作W执行功能的多个服务器（例如，云服务器hadoop)。
[0034] 在系统100中，用户设备102A至102C安装有打车软件乘客端，用户设备102D和 102F安装有打车软件司机端。例如，乘客108A可W使用用户设备102A启动打车软件乘客 端，键入或者说出想要前往的目的地，W便形成打车信息。然后，该用户设备102A会将该打 车信息发送至业务服务器104, W便该业务服务器104将该打车信息向该乘客108A周围预 定范围（例如，3公里）内的用户设备102D至102F进行推送。出租车司机108D至108F在 从用户设备102D至102F收听到周围预定范围内的订单之后，可W进行抢单。如果出租车 司机108D抢单成功，则出租车司机108D能够与乘客108A进行联系W便进行接驾。
[0035] 本领域技术人员应当理解，该业务服务器104中的示例业务不仅限于出租车业务 或专车业务。其中对于专车业务，该订单包括但不限于如下数据；上文已经讨论的乘客想要 前往的目的地、该乘客所在的位置、该乘客愿意额外支付的小费、该乘客愿意等待的时间、 该乘客是否携带大件行李等。其中，对于该乘客所在的位置，既可W经由该乘客的用户设备 的全球定位系统（GP巧定位信息和/或基站定位信息来确定，也可W在适当的情况下经由 其他可W用来表示该位置的信息来确定，其中该信息可W包括但不限于公交车站、地铁站、 特定路口和特定建筑物W及在该些位置处所张贴的二维码信息等。进而，该信息可W经由 业务服务器104或者第S方服务器（例如，地址解译服务器）来转换为GI^S定位信息W便 于用于后续操作。
[0036] 本领域技术人员应当理解，用户设备102A至102F可W各自包括任何类型的用户 设备，诸如手持式计算机、个人数字助理（PDA)、蜂窝电话、网络家电、智能电话、增强型通用 分组无线业务巧GH?巧移动电话、媒体播放器、导航设备或者该些数据处理设备或其他数 据处理设备中的任何两个或多个的组合。本领域技术人员还应当理解，系统100仅仅用于 说明目的，并非旨在限制本公开的实施方式的范围。在某些情况下，某些组件可W按照具体 需要而增加或者减少。
[0037] 图2示意性示出了根据本公开的示例性实施方式的用于动态设置订单的缓冲时 间的方法200的流程图。其中，该方法200可W由参考图1所示的业务服务器104中的计 算设备来执行。为讨论方便，下文将参考图1所示的系统100来描述该方法200。
[003引在方法200开始之后，在步骤S202,在预定时间内，获取历史订单的相关特征。其 中，所述预定时间通常为一周，并且所述历史订单的相关特征可W包含W下的一个或多个： 产生所述历史订单的城市，产生所述历史订单的时间，针对所述历史订单的道路拥堵情况， W及所述历史订单的价值。
[0039] 接下来，该方法200进行到步骤S204,根据所述获取的历史订单的相关特征，预测 新发起订单的竞争概率。其中，根据所述获取的历史订单的相关特征，预测新发起订单的竞 争概率包括；利用线性回归模型预测新发起订单的竞争概率。例如，所述线性回归模型可W 是W下中的一种；逻辑斯特回归模型、支持向量机模型。具体地，逻辑斯特回归模型广泛运 用于二分类问题（在本发明中可W用于判断竞争概率的高或低），在预测变量X = X时，目 标变量Y = 1的概率如下公式表示；
[0040] p(Y = 1|X = x)=;品苗;
[0041] 其中为w模型参数，通常采用最大似然方法进行估计。例如，可W将历史订单的相 关特征（例如，产生所述历史订单的城市，产生所述历史订单的时间，针对所述历史订单的 道路拥堵情况，W及所述历史订单的价值中的一个或多个）抽取成预测变量X，而将新发起 订单的竞争概率作为目标变量Y。通过对历史订单的成交信息进行逻辑斯特回归模型训练， 便可W对新发起订单的竞争概率进行预测。在实践过程中，还可W通过不断添加新发起订 单是否被抢相关的特征，不断地提高逻辑斯特回归模型的准确度。
[0042] 根据本公开的一个实施方式，其中根据所述获取的历史订单的相关特征，预测新 发起订单的竞争概率包括；在产生所述历史订单的城市是一线大城市时，提高所述订单的 竞争概率。例如，在乘客108A发起的订单被出租车司机108D抢单之后，如果产生该订单的 城市是一线大城市（例如，北京、上海等订单产生密集地区），则提高该订单的竞争概率。该 是因为业务服务器104通过对历史订单的成交信息进行线性回归模型（例如，逻辑斯特回 归模型）训练，可W推断出当产生订单的城市是一线大城市时，出租车司机抢单会比较积 极（例如，租车司机108E或租车司机108F可能会抢乘客108A发起的订单，即与已经抢单 的出租车司机108D竞争），因此当新发起的订单的城市是一线大城市时，可W提高所述订 单的竞争概率。
[0043] 根据本公开的另一实施方式，其中根据所述获取的历史订单的相关特征，预测新 发起订单的竞争概率包括；其中根据所述获取的历史订单的相关特征，预测新发起订单的 竞争概率包括；在产生所述历史订单的时间是夜间或高峰时段时，降低所述订单的竞争概 率。例如，在乘客108A发起的订单被出租车司机108D抢单之后，如果产生该订单的时间是 夜间或高峰时段（即，在夜间或高峰时段，出租车的数量通常小于乘客的数量，反映出的现 实情况为乘客108A难于打到出租车），则降低该订单的竞争概率。该是因为业务服务器104 通过对历史订单的成交信息进行线性回归模型（例如，逻辑斯特回归模型）训练，可W推断 出当产生订单的时间是夜间或高峰时段时，出租车司机抢单并不积极（即，没有其他出租 车司机（例如，租车司机108E或租车司机108巧与已经抢单的出租车司机108D竞争），因 此当新发起的订单的时间是夜间或高峰时段时，可W降低所述订单的竞争概率。
[0044] 根据本公开的另一实施方式，其中根据所述获取的历史订单的相关特征，预测新 发起订单的竞争概率包括；其中根据所述获取的历史订单的相关特征，预测新发起订单的 竞争概率包括；在针对所述历史订单的道路拥堵时，降低所述订单的竞争概率。例如，在乘 客108A发起的订单被出租车司机108D抢单之后，如果针对该订单的道路拥堵，则降低该订 单的竞争概率。该是因为业务服务器104通过对历史订单的成交信息进行线性回归模型 (例如，逻辑斯特回归模型）训练，可W推断出当针对订单的道路拥堵时，出租车司机抢单 并不积极（即，没有其他出租车司机（例如，租车司机108E或租车司机108巧与已经抢单 的出租车司机108D竞争），因此当针对新发起的订单的道路拥堵时，可W降低所述订单的 竞争概率。
[0045] 根据本公开的另一实施方式，其中根据所述获取的历史订单的相关特征，预测