答信息为确认增加付款的确认信息，则生成发 送多个终端的订单；
[0063] 或者，若接收到所述应答信息，且所述应答信息为拒绝增加付款的确认信息，则丢 弃所述打车请求；
[0064] 否则，丢弃所述打车请求。
[0065] 由上述技术方案可知，本发明提供一种动态调价方法及装置，基于乘客、司机的个 性化接受率预测调价，引用多维度特征数据，预测乘客、司机对订单是否加价的接受程度， 并将接受程度转换为调价金额，从而使得司机与乘客双方收益最大化，能够促进订单成交 率，缓解运力不足的情况，提高乘客的乘车体验。
【附图说明】
[0066] 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。
[0067] 图1是本公开一实施例提供的一种动态调价方法的流程示意图；
[0068] 图2是本公开另一实施例提供的一种动态调价装置的结构示意图。
【具体实施方式】
[0069] 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公开一部分实施例，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，都属于本公开保护的范围。
[0070] 如图1所示，为本公开一实施例提供的一种动态调价方法的流程示意图，该方法 包括如下步骤：
[0071] Sl :在接收用户设备UE发送的打车请求之后，根据所述打车请求中的出发地，获 取所述出发地所属区域内的至少一个终端。
[0072] 其中，用户设备（User Equipment，简称UE)是指呼叫服务方，如交通工具叫车服 务中的乘客，所使用的移动终端或个人计算机（Personal Computer，简称PC)等设备。例 如智能手机、个人数码助理（PDA)、平板电脑、笔记本电脑、车载电脑（carputer)、掌上游戏 机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备（如Google Glass、 Oculus Rift、Hololens、Gear VR)等。终端为提供服务方，如交通工具叫车服务中的司机， 所使用的用于接单的移动终端或PC端等设备。诸如上述呼叫服务方所使用各设备。打车请 求包括：出发地、目的地及所述UE的用户标识等等或其中某一信息。则UE的用户标识包含 手机号码、身份标识码（Identity，简称id)、硬件地址（Media Access Control，简称MAC) 等或其中某一信息。
[0073] 具体来说，在接收用户设备UE发送的打车请求之后，根据所述打车请求中的出发 地，获取所述与出发地距离小于预设距离的至少一个终端，或获取所述出发地所属地理区 域内的至少一个终端。
[0074] S2 :根据预设的调价金额，获得所述UE在调价前的第一接受概率，以及在调价后 的第二接受概率。
[0075] 具体来说，根据历史订单数据及预设的调价金额，可预测得到第一接受概率和第 二接受概率。其中，第一接受概率为在调价为〇(调价前）的时候所述UE的订单成交的概 率，第二接受概率为所述UE接受所述预设的调价金额的调价请求的概率。其中，预设的调 价金额可取值为（〇, 100)。如金额为〇,则表示调价前；金额>〇,则表示调价后。
[0076] 在实际应用中，随着调价金额的增加，UE的接受率逐渐变小，即乘客接受度越来越 低。
[0077] S3:针对获取的每一终端，根据预设的调价金额，获得该终端在调价前的第一抢单 概率，以及在调价后的第二抢单概率。
[0078] 具体来说，根据历史订单数据及预设的调价金额，可预测得到第一抢单概率和第 二抢单概率。第一抢单概率为在调价为〇(调价前）的时候所述终端的抢单概率，第二接受 概率为在调价后所述终端的抢单概率。其中，预设的调价金额可取值为（〇, 100)。如金额为 0,则表示调价前；金额>0,则表示调价后。
[0079] 在实际应用中，随着调价金额的增加，终端的成交率逐渐变大，即司机接受度越来 越尚。
[0080] S4:根据所述第一接受概率、第二接受概率、第一抢单概率及第二抢单概率，确定 是否需要对当前发出打车请求的UE实施调价策略。
[0081] 本实施例提供了一种动态调价方法，基于乘客、司机的个性化接受率预测调价，弓丨 用多维度特征数据，预测乘客、司机对订单是否加价的接受程度，并将接受程度转换为调价 金额，从而使得司机与乘客双方收益最大化，能够促进订单成交率，缓解运力不足的情况， 提高乘客的乘车体验。
[0082] 本实施例中，步骤S2，具体包括：
[0083] 采用预先建立的该UE的调价接受概率预估模型，根据所述UE的历史订单数据及 预设的调价金额，确定所述UE在调价前的第一接受概率及在调价后的第二接受概率。
[0084] 相应地，步骤S2之前，该方法还包括如下步骤：
[0085] A01、获取UE在预定时间段内的历史订单数据；
[0086] A02、将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行 训练，得到所述UE的调价接受概率预估模型；
[0087] 其中，所述历史订单数据包括该UE的历史打车数量、历史订单成交数量、金额抵 扣方式、金额抵扣数量及每一历史订单对应的调价金额等。举例来说，金额抵扣方式包括现 金券、红包等等，相应地，金额抵扣数量包括：现金券使用数量、现金券剩余数量、红包使用 数量及红包剩余数量等。
[0088] 本实施例中，线性回归模型可以是：逻辑斯特回归模型或支持向量机模型。
[0089] 本实施例中，步骤S3，具体包括：
[0090] 采用预先建立的该终端的调价抢单概率预估模型，根据所述终端的历史订单数据 及预设的调价金额，确定所述终端在调价前的第一抢单概率及在调价后的第二抢单概率。 [0091 ] 相应地，步骤S3之前，该方法还包括如下步骤：
[0092] B01、获取终端在预定时间段内的历史订单数据；
[0093] B02、将所述历史订单数据作为训练数据，采用线性回归模型对所述训练数据进行 训练，得到所述终端的调价抢单概率预估模型；
[0094] 其中，所述历史订单数据包括该终端的历史抢单概率、终端平均在线时间及每一 历史订单对应的调价金额等。
[0095] 本实施例，所述线性回归模型包括：逻辑斯特回归模型或支持向量机模型。
[0096] 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。
[0097] 逻辑斯特回归（Logistic Regression)模型广泛运用于二分类问题，其中y是（0， 1)标识，即对应的特征是否命中；w是该特征对应的权重。Pr (y = 11 X，w)表示预估为正例 的概率，Pr(y = 〇|x，w)表示预估负例的概率，具体模型如下：
[0099] 其中，X表示预测变量，y表示目标变量，y = 1表示预测为正例，y = 0表示预测 为负例，w表示权重。
[0100] 本实施例中，具体地，步骤A02中获得的UE的调价接受概率预估模型中，X表示多 维的特征数据，即UE的历史订单数据，y表示目标变量，y = 1表示预测为接受，y = 0表示 预测为不接受，则Pr (y = 11 X，w)对于接受调价的概率，Pr (y = 0 I X，w)表示不接受调价的 概率。
[0101] 相应地，步骤S2中，可以将UE的历史订单数据（例如，历史打车数量、历史订单成 交数量、历史用券情况、当前剩余券情况及每一历史订单对应的调价金额中的一个或多个） 抽取成预测变量X，而将调价前后的乘客接受概率作为目标变量Y。通过对历史订单数据进 行逻辑斯特回归模型训练，便可以对当前UE在调价前后的接受概率进行预测。在实践过程 中，还可以通过不断添加新发起订单是否被该UE接受的相关特征，不断地提高该UE的调价 接受概率预估模型的准确度。
[0102] 本实施例中，步骤B02中获得的终端的调价抢单概率预估模型中，X表示多维的特 征数据，即终端的历史订单数据，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，则Pr (y = 11 X，w)对于抢单的概率，Pr (y = 0 I X，w)表示不抢单的概率。
[0103] 相应地，步骤S3中，可以将终端的历史订单数据（例如，终端的历史抢单概率、终 端平均在线时间及每一历史订单对应的调价金额中的一个或多个）抽取成预测变量X，而 将调价前后的司机抢单