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，便可以对当前终端在调价前后的抢单概率进行预测。在实践过程中，还可以通过不断 添加新发起订单是否被该终端抢单的相关特征，不断地提高该终端的调价抢单概率预估模 型的准确度。
[0104] 本实施例中，在步骤A02或步骤B02之后，进一步包括以下图中未示出的步骤：
[0105] 根据线上实时获取的历史订单数据，采用机器学习算法，对该UE的调价接受概率 预估模型或该终端的调价抢单概率预估模型进行优化。
[0106] 本实施例中，步骤S4,具体包括如下步骤：
[0107] S41 :根据所述UE在调价前的第一接受概率α、所述UE在调价后的第二接受概率 α '、所述终端在调价前的第一抢单概率β及所述终端在调价后的第二抢单概率β '，获得 α ' β ' - α β 的值。
[0108] S42 :判断α ' β '-α β的值是否大于0,若大于0,则根据预设的调价金额对所述 当前打出打车请求的UE实施调价策略。
[0109] 其中，α '、β '、α、β均大于等于〇。
[0110] 可理解的是，若α ' β ' - α β >〇,则表明调价后司机和乘客的接受率有所增加，此 时乘客、司机的收益最大化，因此确定需要对所述当前打出打车请求的UE实施调价策略。
[0111] 进一步地，所述方法还包括：
[0112] S5 :若确定需要对当前发出打车请求的UE实施调价策略，则根据所述预设的调价 金额，向所述UE发出调价请求。
[0113] 其中，所述调价请求携带提示增加付款金额的信息或提示增加付款倍数的信息。
[0114] 具体来说，当确定需要对当前发出打车请求的UE实施调价策略时，根据预设的调 价金额生成调价请求，并发送给所述UE。可直接提示用户增加付款的金额，或者将所述金额 换算为付款增加的倍数提示给用户。
[0115] 进一步地，所述方法还包括：
[0116] S6 :判断预设时间段内是否接收到所述UE发送的所述调价请求的应答信息。
[0117] S7 :若接收到所述应答信息，且所述应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；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；
[0118] S8 :否则，丢弃所述打车请求。
[0119] 具体来说，判断在一定时间范围内，是否接收到用户的应答，若接收到应答且乘客 接受加价，则根据打车请求生成订单信息，并将该订单信息发送给多个终端；若接收到应答 且乘客拒绝加价，则丢弃该打车请求，不向终端发送订单信息。若没有接收到用户的应答， 也丢弃该打车请求。如此，引导一部分订单价值低但打车欲望高的乘客补足订单价格，获得 与其他订单竞争的机会；而使订单价值低且打车欲望低的乘客放弃发单，从而提高了已发 出订单的成交率，最大程度地满足迫切用车的乘客的需求。
[0120] 如图2所示，为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，该装 置包括：终端获取单元201、接受概率获取单元202、抢单概率获取单元203及调价确定单元 204。其中：
[0121] 终端获取单元201，用于在接收用户设备UE发送的打车请求时，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；
[0122] 接受概率获取单元202,用于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；
[0123] 抢单概率获取单元203,用于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；
[0124] 调价确定单元204,用于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。
[0125] 本实施例中，所述接受概率获取单元，用于：
[0126] 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。
[0127] 本实施例中，所述抢单概率获取单元，用于：
[0128] 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。
[0129] 本实施例中，该装置还包括第一模型建立单元，用于：
[0130] 获取UE在预定时间段内的历史订单数据；
[0131] 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；
[0132] 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。
[0133] 本实施例中，该装置还包括第二模型建立单元，用于：
[0134] 获取终端在预定时间段内的历史订单数据；
[0135] 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；
[0136] 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。
[0137] 本实施例中，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。
[0138] 本实施例中，所述调价确定单元，用于：
[0139] 根据所述UE在调价前的第一接受概率α、所述UE在调价后的第二接受概率 α '、所述终端在调价前的第一抢单概率β及所述终端在调价后的第二抢单概率β '，获得 α ' β ' - α β 的值；
[0140] 判断α ' β ' - α β的值是否大于0,若大于0,则根据预设的调价金额对所述当前 打出打车请求的UE实施调价策略；
[0141] 其中，α '、β '、α、β均大于等于〇。
[0142] 本实施例中，所述装置还包括发送单元，用于：
[0143] 若确定需要对当前发出打车请求的UE实施调价策略，则根据所述预设的调价金 额，向所述UE发出调价请求；
[0144] 其中，所述调价请求携带提示增加付款金额的信息或提示增加付款倍数的信息。
[0145] 本实施例中，所述装置还包括订单生成单元，用于：
[0146] 判断预设时间段内是否接收到所述UE发送的所述调价请求的应答信息；
[0147] 若接收到所述应答信息，且所述应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；
[0148] 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；
[0149] 否则，丢弃所述打车请求。
[0150] 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。
[0151] 综上所述，本实施例提供了一种动态调价方法及装置，基于预先建立的调价时乘 客接受率预测模型及调价时司机抢单率预测模型预测调价，具体地，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；基于预测的接 受率，当司机与乘客在调价后的接受率比调价前的接受率大时，向乘客发送调价请求，从而 有效促进订单成交率，能够使得司机与乘客双方收益最大化，在高峰期吸引更多的司机上 线接单，缓解运力不足的情况，并提高了乘客的乘车体验。
[0152] 应当注意的是，在本公开的系统的各个部件中，根据其要实现的功能而对其中的 部件进行了逻辑划分，但是，本公开不受限于此，可以根据需要对各个部件进行重新划分或 者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的 子部件。
[0153] 本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行 的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用 微处理器或者数字信号处理器（DSP)来实现根据本公开实施例的系统中的一些或者全部 部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者 全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本公开的程 序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可 以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0154] 应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领 域技术人员在不脱离所附权利要求的范围的情