包括：
[0084] 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。
[0085] 具体的，本发明实施例中，按照订单抢单概率从大到小的顺序，向该用户发送该当 前订单。例如，对于向该用户发送包括该当前订单的多个订单的情况，如果与该当前订单相 关的历史订单的抢单概率被相对其他当前订单相关的历史订单的抢单概率来说较小，则确 定当前订单对于该用户来说将可能是无价值或低价值的，因此，需要选取所述订单抢单概 率中大于预设阈值的订单抢单概率，并通过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，能够订单的快速地、精准地发送。
[0086] 进一步地，所述方法还包括：根据预设时间周期更新所述UE所属城市的交通地图 信息，本发明实施例中，通过采用更新后的城市的交通地图信息，可以防止由于城市的交通 建设对交通路线的改造造成的地图信息的改变，从而准确的获取所述UE到每一终端的路 面距离。
[0087] 图3示出了本公开实施例提供的一种订单的分配装置的结构示意图。
[0088] 如图3所示，本实施例提供的订单的分配装置包括：坐标信息获取单元201、路面 距离获取单元202、抢单概率预测单元203以及订单分配单元204,其中：
[0089] 所述的坐标信息获取单元201，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；
[0090] 所述的路面距离获取单元202,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；
[0091] 所述的抢单概率预测单元203,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；
[0092] 所述的订单分配单元204,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。
[0093] 具体的，所述抢单概率预测单元203,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；
[0094] 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。
[0095] 本实施例中，上述订单的分配装置还包括图3中未示出的历史数据获取单元和预 测模型建立单元，其中；
[0096] 所述的历史数据获取单元，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；
[0097] 所述的预测模型建立单元，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。
[0098] 其中，所述线性回归模型可以是以下中的一种：逻辑斯特回归模型、支持向量机模 型。
[0099] 下面以逻辑斯特回归模型作为线性回归训练模型为具体实施例，对本发明技术方 案进行说明。
[0100] 逻辑斯特回归（Logistic Regression)模型广泛运用于二分类问题（在本发明中 可以用于判断竞争概率的高或低），Logistic回归公式表示如下表示：
[0103] 其中，X表示预测变量，y表示目标变量，y = 1表示预测为抢单，y = 0表示预测 为不抢单，w表示模型参数。
[0104] 通常w采用最大似然方法进行估计。例如，可以将历史订单的相关特征中的各种 特征数据（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，以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，便可以对新发起订单的竞争概率进行预测。在实践过程中，还可以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。
[0105] 进一步地，所述预测模型建立单元203,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。
[0106] 本实施例中，，所述订单分配单元204,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。
[0107] 本实施例中，上述订单的分配装置还包括图3中未示出的地图信息更新单元，其 中；
[0108] 所述地图信息更新单元，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。
[0109] 本发明实施例中，通过地图信息更新单元根据预设时间周期更新所述UE所属城 市的交通地图信息，采用更新后的城市的交通地图信息，可以防止由于城市的交通建设对 交通路线的改造造成的地图信息的改变，从而准确的获取所述UE到每一终端的路面距离。
[0110] 对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关 之处参见方法实施例的部分说明即可。
[0111] 综上所述，根据上述本公开实施例，提供的一种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。
[0112] 本公开的实现和本文中提供的所有功能操作可以用数字电子电路、或者用计算机 软件、固件或硬件，包括本说明书及其结构等同方案中所公开的结构、或者其中的一个或多 个的组合来实现。本公开的实现可以实现为一个或多个计算机程序产品，即在计算机可读 介质上编码的计算机程序指令的一个或多个模块，这些指令由数据处理装置来执行或者用 以控制数据处理装置的操作。该计算机可读介质可以是机器可读存储设备、机器可读存储 基片、存储器设备、影响机器可读传播信号的组合物或者其中的一个或多个的组合。术语 "数据处理装置"涵盖用于处理数据的所有装置、设备和机器，包括例如可编程处理器、计算 机或者多个处理器或计算机。除了硬件之外，该装置可以包括为所描述的计算机程序创建 执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或者其中的一 个或多个的组合的代码。
[0113] 计算机程序（也称为程序、软件、软件应用、脚本或代码）可以用任何形式的编程 语言（包括编译语言或解释语言）来编写，并且计算机程序可以用任何形式来部署，包括作 为独立程序或者作为模块、部件、子例程或者适合在计算环境中使用的其他单元。计算机程 序并非必须对应于文件系统中的文件。程序可以存储在保持其他程序或数据（例如标记语 言文档中所存储的一个或多个脚本）的文件的部分中，存储在专用于所描述的程序的单个 文件中，或者存储在多个协同文件（例如存储一个或多个模块、子程序或者代码的部分的 文件）中。计算机程序可以被部署成在一个计算机上来执行，或者在位于一个站点处或分 布在多个站点处且通过通信网络互连的多个计算机上来执行。
[0114] 本公开中所描述的过程和逻辑流可以由执行一个或多个计算机程序的一个或多 个可编程处理器来执行以通过操作输入数据并且生成输出来执行功能。该过程和逻辑流也 可以由专用逻辑电路来执行，并且装置也可以实现为该专用逻辑电路，该专用逻辑电路例 如为FPGA (现场可编程门阵列）或者ASIC (专用集成电路）。
[0115] 适合执行计算机程序的处理器包括例如通用和专用微处理器二者、以及任何种类 的数字计算机的任何一个或多个处理器。通常，处理器从只读存储器或者随机存取存储器 或者二者接收指令和数据。计算机的元件可以包括用于执行指令的处理器以及用于存储指 令和数据的一个或多个存储器设备。