一种订单的分配方法及装置的制造方法
【技术领域】
[0001] 本发明涉及计算机处理技术领域，尤其涉及一种订单的分配方法及装置。
【背景技术】
[0002] 随着智能设备和移动互联网技术的发展，打车软件的普及给人们的出行带来了极 大的便利。当前打车需求已经是社会各阶层人士的普遍需求，打车软件已基本解决了出租 车司机和乘客之间的信息不对称问题。乘客和司机使用叫车服务系统时，系统后台会根据 设定的策略将乘客和司机进行匹配，使乘客能够打到车，司机能够接到订单，从而满足司机 和乘客的双方需求。
[0003] 随着使用打车软件的司机和乘客数量日益增多，如何对同时在线的大规模订单和 司机进行快速的最佳匹配，对算法和架构是一个极具挑战性的问题。
[0004] 实际环境中，在实际的订单匹配中，现有技术中使用的是司机和订单的点线距离。 司机可能听到周边一定范围内的订单，但是经常会出现司机行驶方向和订单方位不一致， 点线距离很近实际接到乘客却很远等司机获得的距离信息不准确情况。比如，司机当前正 在向正东方向行驶，但是给司机播送的订单相对司机而言在正西方向；或，司机在四环东向 辅路行驶，订单在前方四环西向辅路旁，如果司机接了这两类订单，均需要调头去接乘客， 在实际城市道路环境下，可能需要很长的时间（考虑到城市路况）。因此，尽管直线距离很 近但是很多时候司机却不敢接订单，因为不知道实际要跑多远的路才能接到乘客，尤其是 不熟悉的地方，一旦距离很远乘客取消的概率就会变得非常高。对系统平台而言这是一种 浪费，不仅占用了司机信道，同时耽误了订单成交，严重影响司机和乘客的打车体验。
【发明内容】
[0005] 针对现有技术的缺陷，本发明提供一种订单的分配方法及装置，通过在订单的分 配阶段，将司机与订单的路面距离作为影响排序的因素，有效地减少司机空驶里程和乘客 等待时间，从而提升用户打车体验。
[0006] 根据本发明的一个方面，提供了一种订单的分配方法，该方法包括：
[0007] 在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范 围内的各个终端，以及每一终端的坐标信息；
[0008] 根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取 所述UE到每一终端的路面距离；
[0009] 根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特 征信息预测该终端的订单抢单概率；
[0010] 根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。
[0011] 可选的，根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的 相关特征信息预测该终端的订单抢单概率，包括：
[0012] 采用预先建立的预测模型，预测所述每一终端的订单抢单概率；
[0013] 其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信 息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模 型的目标变量。
[0014] 可选的，在采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，所 述方法还包括：
[0015] 获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所 述终端对应的路面距离；
[0016] 将历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训 练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。
[0017] 可选的，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。
[0018] 可选的，所述方法还包括：
[0019] 根据线上实时获取的订单的相关特征信息和相应订单中所述终端对应的路面距 离，采用机器学习算法，对所述预先建立的预测模型进行优化。
[0020] 可选的，所述根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订 单，具体包括：
[0021] 选取所述订单抢单概率中大于预设阈值的订单抢单概率，向选取的每一订单抢单 概率对应的终端分配所述打车请求对应的订单。
[0022] 可选的，所述方法还包括：
[0023] 根据预设时间周期更新所述UE所属城市的交通地图信息。
[0024] 根据本发明的另一个方面，提供了一种订单的分配装置，该装置包括：
[0025] 坐标信息获取单元，用于在接收UE发送的打车请求之后，获取所述UE的坐标信息 和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；
[0026] 路面距离获取单元，用于根据UE所属城市的交通地图信息、该UE的坐标信息和每 一终端的坐标信息，获取所述UE到每一终端的路面距离；
[0027] 抢单概率预测单元，用于根据每一终端对应的路面距离和该终端的在预设时间段 内的历史订单的相关特征信息预测该终端的订单抢单概率；
[0028] 订单分配单元，用于根据所述抢单概率预测单元预测出的每一终端的订单抢单概 率，向终端分配所述打车请求对应的订单。
[0029] 可选的，所述抢单概率预测单元，具体用于采用预先建立的预测模型，预测所述每 一终端的订单抢单概率；
[0030] 其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信 息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模 型的目标变量。
[0031] 可选的，所述装置还包括：
[0032] 历史数据获取单元，用于在所述抢单概率预测单元采用预先建立的预测模型，预 测所述每一终端的订单抢单概率之前，获取每一终端在预设时间段内的历史订单的相关特 征信息和每一历史订单中所述终端对应的路面距离；
[0033] 预测模型建立单元，用于将所述历史数据获取单元获取的历史订单的相关特征信 息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训 练数据进行训练，得到订单抢单概率的预测模型。
[0034] 可选的，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。
[0035] 可选的，所述预测模型建立单元，还用于根据线上实时获取的订单的相关特征信 息和相应订单中所述终端对应的路面距离，采用机器学习算法，对所述预先建立的预测模 型进行优化。
[0036] 可选的，所述订单分配单元，具体用于选取所述订单抢单概率中大于预设阈值的 订单抢单概率，向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单。
[0037] 可选的，所述装置还包括：
[0038] 地图信息更新单元，用于根据预设时间周期更新所述UE所属城市的交通地图信 息。
[0039] 本发明的有益效果为：
[0040] 本发明提供的订单的分配方法及装置，通过在订单分配阶段，引入路面距离的特 征，将UE到每一终端的路面距离作为影响订单分配的因素，根据路面距离和该终端的在预 设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率，并根据预测出的每一 终端的订单抢单概率，优先向终端分配路面距离更近的订单，使得订单分配更为准确，从而 有效地减少司机空驶里程和乘客等待时间，提升用户打车体验。
【附图说明】
[0041] 为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些图获得其他的附图。
[0042] 图1为本公开一实施例提供的一种订单的分配方法的流程示意图；
[0043] 图2为本公开一实施例提供的订单的分配方法的应用场景示意图；
[0044] 图3为本发明公开另一实施例提供的一种订单的分配装置的结构示意图。
【具体实施方式】
[0045] 下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的