1.一种在线叫车服务平台中司机的接单意愿评价方法,其特征在于,包括:
获取训练样本,每个训练样本中包括:订单信息、司机状态信息和司机接单与否信息;
根据所述训练样本训练得到决策树模型;
根据所述决策树模型,分别将每个训练样本中的所述订单信息和所述司机状态信息转换为属性向量,得到转换后的训练样本;
根据所述转换后的训练样本训练得到司机接单概率预测模型;
根据所述司机接单概率预测模型确定出司机的接单意愿。
2.根据权利要求1所述的方法,其特征在于,包括:
所述获取训练样本包括:
针对待评价的所有司机,统一获取训练样本,每个训练样本中包括:过往派送的任一订单的订单信息、被派送所述订单的任一司机在所述订单发生时的司机状态信息,以及,所述司机接单与否信息;
或者,针对每个待评价的司机,分别获取所述待评价的司机的训练样本,每个训练样本中包括:过往派送给所述待评价的司机的任一订单的订单信息、所述待评价的司机在所述订单发生时的司机状态信息,以及,所述待评价的司机的接单与否信息;
当针对待评价的所有司机统一获取训练样本时,针对待评价的所有司机,统一确定出一个决策树模型和一个司机接单概率预测模型;
当针对每个待评价的司机分别获取训练样本时,针对每个待评价的司机,分别确定出一个决策树模型和一个司机接单概率预测模型。
3.根据权利要求2所述的方法,其特征在于,
所述决策树模型中包括N棵决策树,N为大于一的正整数;
所述根据所述决策树模型,分别将每个训练样本中的所述订单信息和所述司机状态信息转换为属性向量包括:
分别对N棵决策树进行1~N的编号,并针对每棵决策树,分别将所述决策树中的各叶子节点按照1~所述决策树中包括的叶子节点数进行编号;
设置一个包括N*M位元素的属性向量,M表示N棵决策树中叶子节点数最多的决策树中的叶子节点数,初始,所述属性向量中的各元素的取值均为0;
针对每个训练样本,分别进行以下处理:
分别将所述训练样本中的所述订单信息和所述司机状态信息提供给各决策树,并分别获取各决策树的输出结果;
对于结果为接单的每个输出结果,分别将所述属性向量中的第((n-1)*M+m)位元素的取值设置为1,得到所述训练样本的转换后的属性向量,其中,n表示所述输出结果对应的决策树的编号,m表示所述输出结果对应的决策树中输出所述输出结果的叶子节点的编号。
4.根据权利要求3所述的方法,其特征在于,
每个转换后的训练样本中包括:
根据所述订单信息和所述司机状态信息转换得到的属性向量,以及,用1或0表示的司机接单与否信息,1表示接单,0表示拒单。
5.根据权利要求3所述的方法,其特征在于,
所述决策树模型包括:随机森林模型、梯度提升决策树模型;
所述司机接单概率预测模型包括:逻辑回归模型。
6.根据权利要求2所述的方法,其特征在于,
所述司机状态信息中包括:位置相关信息以及历史信息;
所述根据所述司机接单概率预测模型确定出司机的接单意愿包括:
当每接收到一个订单时,按照预定规则将所述订单派送给P个司机,P为正整数,并针对包括所述P个司机在内的每个待评价的司机,分别进行以下处理:
获取所述待评价的司机的历史信息,并分别将所述P个司机中的每个司机当前的位置相关信息作为所述待评价的司机的位置相关信息,将所述待评价的司机的每份位置相关信息分别与所述待评价的司机的历史信息进行组合,得到P份所述待评价的司机的司机状态信息;
获取所述订单的订单信息;
针对每份所述待评价的司机的司机状态信息,分别根据所述决策树模型,将所述订单信息以及所述待评价的司机的司机状态信息转换为属性向量,并根据转换得到的属性向量以及所述司机接单概率预测模型,预测出所述待评价的司机的接单概率;
统计最近预定时长内得到的所述待评价的司机的所有接单概率,根据统计结果确定出所述待评价的司机的接单意愿。
7.根据权利要求6所述的方法,其特征在于,
所述根据统计结果确定出所述待评价的司机的接单意愿包括:
将所述最近预定时长内得到的所述待评价的司机的所有接单概率相加,并用相加之和除以所述最近预定时长内得到的所述待评价的司机的所有接单概率数,得到所述待评价的司机的接单意愿。
8.一种在线叫车服务平台中司机的接单意愿评价装置,其特征在于,包括:样本获取单元、第一训练单元、样本转换单元、第二训练单元以及评价单元;
所述样本获取单元,用于获取训练样本,并发送给所述第一训练单元,每个训练样本中包括:订单信息、司机状态信息和司机接单与否信息;
所述第一训练单元,用于根据所述训练样本训练得到决策树模型,并将所述决策树模型和所述训练样本发送给所述样本转换单元;
所述样本转换单元,用于根据所述决策树模型,分别将每个训练样本中的所述订单信息和所述司机状态信息转换为属性向量,得到转换后的训练样本,并将所述转换后的训练样本发送给所述第二训练单元;
所述第二训练单元,用于根据所述转换后的训练样本训练得到司机接单概率预测模型,并将所述司机接单概率预测模型发送给所述评价单元;
所述评价单元,用于根据所述司机接单概率预测模型确定出司机的接单意愿。
9.根据权利要求8所述的装置,其特征在于,包括:
所述样本获取单元针对待评价的所有司机,统一获取训练样本,每个训练样本中包括:过往派送的任一订单的订单信息、被派送所述订单的任一司机在所述订单发生时的司机状态信息,以及,所述司机接单与否信息;
或者,所述样本获取单元针对每个待评价的司机,分别获取所述待评价的司机的训练样本,每个训练样本中包括:过往派送给所述待评价的司机的任一订单的订单信息、所述待评价的司机在所述订单发生时的司机状态信息,以及,所述待评价的司机的接单与否信息;
当针对待评价的所有司机统一获取训练样本时,待评价的所有司机对应一个共同的决策树模型和一个共同的司机接单概率预测模型;
当针对每个待评价的司机分别获取训练样本时,每个待评价的司机分别对应一个决策树模型和一个司机接单概率预测模型。
10.根据权利要求9所述的装置,其特征在于,
所述决策树模型中包括N棵决策树,N为大于一的正整数;
所述样本转换单元根据所述决策树模型,分别按照以下方式将每个训练样本中的所述订单信息和所述司机状态信息转换为属性向量:
分别对N棵决策树进行1~N的编号,并针对每棵决策树,分别将所述决策树中的各叶子节点按照1~所述决策树中包括的叶子节点数进行编号;
设置一个包括N*M位元素的属性向量,M表示N棵决策树中叶子节点数最多的决策树中的叶子节点数,初始,所述属性向量中的各元素的取值均为0;
针对每个训练样本,分别进行以下处理:
分别将所述训练样本中的所述订单信息和所述司机状态信息提供给各决策树,并分别获取各决策树的输出结果;
对于结果为接单的每个输出结果,分别将所述属性向量中的第((n-1)*M+m)位元素的取值设置为1,得到所述训练样本的转换后的属性向量,其中,n表示所述输出结果对应的决策树的编号,m表示所述输出结果对应的决策树中输出所述输出结果的叶子节点的编号。
11.根据权利要求10所述的装置,其特征在于,
每个转换后的训练样本中包括:
根据所述订单信息和所述司机状态信息转换得到的属性向量,以及,用1或0表示的司机接单与否信息,1表示接单,0表示拒单。
12.根据权利要求10所述的装置,其特征在于,
所述决策树模型包括:随机森林模型、梯度提升决策树模型;
所述司机接单概率预测模型包括:逻辑回归模型。
13.根据权利要求9所述的装置,其特征在于,
所述司机状态信息中包括:位置相关信息以及历史信息;
所述评价单元中包括:第一处理子单元和第二处理子单元;
所述第一训练单元进一步用于,将所述决策树模型发送给所述第一处理子单元;
所述第一处理子单元,用于在每接收到一个订单时,按照预定规则将所述订单派送给P个司机,P为正整数,并针对包括所述P个司机在内的每个待评价的司机,分别进行以下处理:
获取所述待评价的司机的历史信息,并分别将所述P个司机中的每个司机当前的位置相关信息作为所述待评价的司机的位置相关信息,将所述待评价的司机的每份位置相关信息分别与所述待评价的司机的历史信息进行组合,得到P份所述待评价的司机的司机状态信息;
获取所述订单的订单信息;
针对每份所述待评价的司机的司机状态信息,分别根据所述决策树模型,将所述订单信息以及所述待评价的司机的司机状态信息转换为属性向量,并根据转换得到的属性向量以及所述司机接单概率预测模型,预测出所述待评价的司机的接单概率;
所述第二处理子单元,用于针对每个待评价的司机,分别统计最近预定时长内得到的所述待评价的司机的所有接单概率,根据统计结果确定出所述待评价的司机的接单意愿。
14.根据权利要求13所述的装置,其特征在于,
所述第二处理子单元将所述最近预定时长内得到的所述待评价的司机的所有接单概率相加,并用相加之和除以所述最近预定时长内得到的所述待评价的司机的所有接单概率数,得到所述待评价的司机的接单意愿。