一种预测成单司机数量的方法、装置、设备及存储介质与流程

本申请涉及数据处理技术领域，尤其涉及一种预测成单司机数量的方法、装置、设备及存储介质。

背景技术：

在网约车平台上，成单司机是指在当天出勤的司机，准确地预测成单司机的数量有利于网约车运营方制定应对天气变化和运营活动等突发情况的运营策略。

现有技术中通常基于历史时间序列来预测成单司机的数量，其中，历史时间序列即按照时间顺序排列的一组历史数据。即，对用于表征成单司机数量的历史时间序列进行建模并拟合出曲线，以发现成单司机数量的变动规律，进而预测未来时间的成单司机数量。

然而，上述方法仅基于历史时间序列来预测成单司机的数量，考虑的因素较为单一，对成单司机数量进行预测的准确性较差，影响后续运营方制定运营策略的准确性。

技术实现要素：

有鉴于此，本申请提供一种预测成单司机数量的方法、装置、设备及存储介质，以解决现有预测成单司机数量的方案的问题。

具体地，本申请是通过如下技术方案实现的：

根据本申请的第一方面，提出了一种预测成单司机数量的方法，包括：

确定多个司机中每个司机的业务类型；

根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量；

根据每种所述业务类型的成单司机的数量预测成单司机的总数量。

在一实施例中，所述确定多个司机中每个司机的业务类型，包括：

获取多个司机中每个司机在以当前时刻为起点往前第一预设时间段内的历史订单数量；

若当前司机的所述历史订单数量大于0，则将所述当前司机的业务类型确定为活跃类型；否则，

将所述当前司机的业务类型确定为非活跃类型。

在一实施例中，所述根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量，包括：

确定所述活跃类型的每个司机的个体成单特征；所述个体成单特征包括以下至少一项：体验特征、数据统计特征、出勤偏好特征、预测日期的天气情况以及预测日期的司机补贴/奖励；

将所述每个司机的个体成单特征输入到预先训练的活跃类型的成单司机数量模型中，得到所述每个司机对应的成单司机数量；

对所述每个司机对应的成单司机数量进行求和运算，得到所述活跃类型的成单司机的第一数量。

在一实施例中，所述方法还包括：预先根据以下步骤训练所述活跃类型的成单司机数量模型：

确定所述活跃类型的样本司机；

获取每个所述样本司机的样本个体成单特征；

标定每个所述样本个体成单特征对应的样本成单司机数量；

将每个所述样本司机的样本个体成单特征以及对应的样本成单司机数量作为训练集，训练所述活跃类型的成单司机数量模型。

在一实施例中，所述根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量，包括：

确定所述非活跃类型的司机的总体成单特征以及总数量；

将所述总体成单特征以及所述总数量输入到预先训练的非活跃类型的成单司机数量模型中，得到所述非活跃类型的成单司机的第二数量。

在一实施例中，所述方法还包括根据以下步骤训练所述非活跃类型的成单司机数量模型：

确定所述非活跃类型的样本司机；

获取所述样本司机的样本总体成单特征；

标定所述样本总体成单特征对应的样本成单司机数量；

将所述样本司机的样本总体成单特征以及对应的样本成单司机数量作为训练集，训练所述非活跃类型的成单司机数量模型。

在一实施例中，所述非活跃类型包括新注册类型和沉默类型；

所述将所述当前司机的业务类型确定为非活跃类型，包括：

获取所述非活跃类型的每个司机的注册时间；

若当前司机的注册时间在以当前时刻为起点往前第二预设时间段内，则将所述当前司机的业务类型确定为新注册类型；否则，

将所述当前司机的业务类型确定为沉默类型。

在一实施例中，所述根据每种所述业务类型的成单司机的数量预测成单司机的总数量，包括：

对每种所述业务类型的成单司机的数量进行求和运算，得到成单司机的总数量。

根据本申请的第二方面，提出了一种预测成单司机数量的装置，包括：

业务类型确定模块，用于确定多个司机中每个司机的业务类型；

类型数量预测模块，用于根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量；

总数量预测模块，用于根据每种所述业务类型的成单司机的数量预测成单司机的总数量。根据本申请的第三方面，提出了一种预测成单司机数量的设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述任一所述的预测成单司机数量的方法。

根据本申请的第四方面，提出了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的预测成单司机数量的方法。

由以上技术方案可见，本申请通过将多个司机中每个司机划分为不同的业务类型，并根据每种业务类型的司机的成单特征预测对应类型的成单司机的数量，进而根据每种业务类型的成单司机的数量确定成单司机的总数量，由于考虑了不同业务类型司机的差异性，进而分别确定每种类型的成单司机的数量，可以提高预测成单司机的总数量的准确性，有利于提高后续运营方制定运营策略的准确性。

附图说明

图1是本申请一示例性实施例示出的一种预测成单司机数量的方法的流程图；

图2是本申请一示例性实施例示出的如何确定多个司机中每个司机的业务类型的流程图；

图3是本申请一示例性实施例示出的如何预测所述活跃类型的成单司机的第一数量的流程图；

图4是本申请又一示例性实施例示出的如何预测所述活跃类型的成单司机的第一数量的流程图；

图5是本申请一示例性实施例示出的如何预测所述非活跃类型的成单司机的第二数量的流程图；

图6是本申请又一示例性实施例示出的如何预测所述非活跃类型的成单司机的第二数量的流程图；

图7是本申请又一示例性实施例示出的如何确定多个司机中每个司机的业务类型的流程图；

图8是本申请一示例性实施例示出的一种预测成单司机数量的装置的结构图；

图9是本申请又一示例性实施例示出的一种预测成单司机数量的装置的结构图；

图10是本申请一示例性实施例示出的一种预测成单司机数量的设备的结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

图1是本申请一示例性实施例示出的一种预测成单司机数量的方法的流程图；该实施例可以用于打车平台的服务端(例如，一台服务器和多台服务器组成的服务器集群等)。如图1所示，该方法包括步骤s101-s103：

在步骤s101中：确定多个司机中每个司机的业务类型。

在一实施例中，服务端可以根据每个司机在业务上的差别，确定打车平台上注册的多个司机中每个司机的业务类型。

在一实施例中，上述司机在业务上的差别的评判依据可以由开发人员根据实际业务需要进行设置，如设置为注册时间、成单数量以及近期出勤情况等，本实施例对此不进行限定。

在一实施例中，确定多个司机中每个司机的业务类型的方式还可以参见下述图2所示实施例，在此先不进行详述。

在步骤s102中：根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量。

在一实施例中，可以预先根据样本数据确定各个业务类型的司机需要获取的成单特征。

在一实施例中，当确定多个司机中每个司机的业务类型后，可以分别获取每种所述业务类型的司机的成单特征，进而可以根据确定的成单特征预测每种所述业务类型的成单司机的数量。

在一实施例中，上述预测每种所述业务类型的成单司机的数量的方式还可以参见下述图3至图6所示实施例，在此先不进行详述。

在步骤s103中：根据每种所述业务类型的成单司机的数量预测成单司机的总数量。

在一实施例中，当预测每种所述业务类型的成单司机的数量后，即可根据每种所述业务类型的成单司机的数量来确定成单司机的总数量。

在一实施例中，可以对每种所述业务类型的成单司机的数量进行求和运算，以得到成单司机的总数量。

由上述描述可知，本实施例通过将多个司机中每个司机划分为不同的业务类型，并根据每种业务类型的司机的成单特征预测对应类型的成单司机的数量，进而根据每种业务类型的成单司机的数量确定成单司机的总数量，由于考虑了不同业务类型司机的差异性，进而分别确定每种类型的成单司机的数量，可以提高预测成单司机的总数量的准确性，有利于提高后续运营方制定运营策略的准确性。

图2是本申请一示例性实施例示出的如何确定多个司机中每个司机的业务类型的流程图；本实施例在上述实施例的基础上，以如何确定多个司机中每个司机的业务类型为例进行示例性说明。如图2所示，步骤s101中确定多个司机中每个司机的业务类型，可以包括以下步骤s201-s204：

在步骤s201中：获取多个司机中每个司机在以当前时刻为起点往前第一预设时间段内的历史订单数量。

在一实施例中，当确定打车平台上注册的多个司机后，可以获取该多个司机中每个司机的历史订单数量。

其中，该历史订单数量可以为每个司机在以当前时刻为起点往前第一预设时间段内的历史订单数量。

值得说明的是，上述第一预设时间段可以由开发人员根据实际业务需要进行设置，如设置为15天、30天或60天等，本实施例对此不进行限定。

在步骤s202中：判断当前司机的所述历史订单数量是否大于0：若是，则执行步骤s203；若否，则执行步骤s204。

在步骤s203中：将所述当前司机的业务类型确定为活跃类型。

在步骤s204中：将所述当前司机的业务类型确定为非活跃类型。

在一实施例中，当获取多个司机中每个司机在以当前时刻为起点往前第一预设时间段内的历史订单数量后，可以判断上述每个司机的所述历史订单数量是否大于0。

在一实施例中，若当前司机的所述历史订单数量大于0，则可以将当前司机的业务类型确定为活跃类型；相反，若当前司机的所述历史订单数量等于0，则可以将所述当前司机的业务类型确定为非活跃类型。

在一实施例中，上述将当前司机的业务类型确定为非活跃类型的方式还可以参见下述图7所示实施例，在此先不进行详述。

由上述描述可知，本实施例通过获取多个司机中每个司机在以当前时刻为起点往前第一预设时间段内的历史订单数量，并在当前司机的所述历史订单数量大于0时，将所述当前司机的业务类型确定为活跃类型，以及，在当前司机的所述历史订单数量等于0时，将当前司机的业务类型确定为非活跃类型，可以实现基于每个司机的历史订单数量准确地确定每个司机的业务类型，为后续基于每个司机的业务类型预测成单司机数量提供准确依据，有利于提高后续运营方制定运营策略的准确性。

图3是本申请一示例性实施例示出的如何预测所述活跃类型的成单司机的第一数量的流程图；本实施例在上述实施例的基础上，以如何预测所述活跃类型的成单司机的第一数量为例进行示例性说明。如图3所示，步骤s102中根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量，可以包括根据以下步骤s301-s303预测活跃类型的成单司机的第一数量：

在步骤s301中：确定所述活跃类型的每个司机的个体成单特征。

在一实施例中，上述确定的个体成单特征可以为既能很好地突出每个司机的成单特点，又能表现出与其他司机的区别与联系的特征，以增强特征辨识度。

在一实施例中，可以对每个司机确定一种特征，或者同时确定多种特征(与后续成单司机数量模型训练过程确定的特征种类相对应)，以充分全面地表现出该司机的成单特点。

在一实施例中，所述个体成单特征可以包括以下至少一项：

体验特征、数据统计特征、出勤偏好特征、预测日期的天气情况以及预测日期的司机补贴/奖励。

在一实施例中，上述体验特征还可以包括订单平均收入、接驾时长、空驶时长占比、订单平均奖励中的至少一种。

在一实施例中，上述数据统计特征还可以包括如成单量和出勤天数中的至少一种。

在一实施例中，上述出勤偏好特征可以包括出勤日期偏好、天气偏好、奖励敏感度中的至少一种。

在步骤s302中：将所述每个司机的个体成单特征输入到预先训练的活跃类型的成单司机数量模型中，得到所述每个司机对应的成单司机数量。

在一实施例中，可以预先根据样本数据训练活跃类型的成单司机数量模型，进而当确定所述活跃类型的每个司机的个体成单特征后，可以将所述每个司机的个体成单特征输入到预先训练的活跃类型的成单司机数量模型中，得到每个司机对应的成单司机数量。

值得说明的是，上述个体成单特征为每个活跃类型的司机的个体特征，进而当获得某个活跃类型的司机的个体特征后，将该个体特征输入到上述模型中，可以得到该司机对应的个体成单司机数量。

在一实施例中，上述活跃类型的成单司机数量模型的具体的训练过程可以参见下述图4所示实施例，在此先不进行详述。

在步骤s303中：对所述每个司机对应的成单司机数量进行求和运算，得到所述活跃类型的成单司机的第一数量。

在一实施例中，当得到活跃类型的每个司机对应的成单司机数量后，可以对每个司机对应的成单司机数量进行求和运算，以得到活跃类型的成单司机的总数量，即第一数量。

有上述描述可知，本实施例通过确定所述活跃类型的每个司机的个体成单特征，个体成单特征包括体验特征、数据统计特征、出勤偏好特征、预测日期的天气情况以及预测日期的司机补贴/奖励中的至少一项，并将所述每个司机的个体成单特征输入到预先训练的活跃类型的成单司机数量模型中，得到所述每个司机对应的成单司机数量，进而对所述每个司机对应的成单司机数量进行求和运算，得到所述活跃类型的成单司机的第一数量，可以实现准确预测活跃类型的成单司机的数量，为后续基于每个司机的业务类型预测成单司机数量提供准确依据，有利于提高后续运营方制定运营策略的准确性。

图4是本申请又一示例性实施例示出的如何预测所述活跃类型的成单司机的第一数量的流程图；本实施例在上述实施例的基础上，以如何预测所述活跃类型的成单司机的第一数量为例进行示例性说明。如图4所示，步骤s102中根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量，可以包括根据以下步骤s401-s407预测活跃类型的成单司机的第一数量：

在步骤s401中：确定所述活跃类型的样本司机。

在一实施例中，可以预先获取多个样本司机，并基于图2所示实施例确定多个样本司机中每个样本司机的业务类型。进一步地，可以确定属于活跃类型的样本司机。

在步骤s402中：获取每个所述样本司机的样本个体成单特征。

在一实施例中，当确定活跃类型的样本司机后，可以分别获取每个样本司机的样本个体成单特征。

其中，样本个体成单特征的解释和说明可以参见图3所示实施例中的“个体成单特征”，在此不进行赘述。

在步骤s403中：标定每个所述样本个体成单特征对应的样本成单司机数量。

在一实施例中，当获取每个所述样本司机的样本个体成单特征后，可以根据实际的历史成单数据中包含的样本成单司机数量，对每个样本司机的样本个体成单特征进行标定。

举例来说，若样本司机a的样本个体成单特征为{订单平均收入：20元；成单量：200单；出勤日期偏好：节假日；预测日期的司机补贴：5元}，并且，根据历史成单数据中包含的样本司机a的样本成单司机数量为1，则可以根据该样本成单司机数量“1”对该样本个体成单特征进行标定。

在步骤s404中：将每个所述样本司机的样本个体成单特征以及对应的样本成单司机数量作为训练集，训练所述活跃类型的成单司机数量模型。

在一实施例中，当标定每个所述样本个体成单特征对应的样本成单司机数量后，可以将每个所述样本司机的样本个体成单特征以及对应的样本成单司机数量作为训练集，训练所述活跃类型的成单司机数量模型。

在一实施例中，上述活跃类型的成单司机数量模型可以为分类模型，该分类模型的种类可以由开发人员根据实际业务需要进行选取，本实施例对此不进行限定。

在步骤s405中：确定所述活跃类型的每个司机的个体成单特征。

其中，所述个体成单特征可以包括以下至少一项：

体验特征、数据统计特征、出勤偏好特征、预测日期的天气情况以及预测日期的司机补贴/奖励。

在步骤s406中：将所述每个司机的个体成单特征输入到预先训练的活跃类型的成单司机数量模型中，得到所述每个司机对应的成单司机数量。

在步骤s407中：对所述每个司机对应的成单司机数量进行求和运算，得到所述活跃类型的成单司机的第一数量。

其中，步骤s405-s407的相关解释和说明可以参见上述实施例，在此不进行赘述。

有上述描述可知，本实施例通过确定所述活跃类型的样本司机，并获取每个所述样本司机的样本个体成单特征，然后标定每个所述样本个体成单特征对应的样本成单司机数量，进而将每个所述样本司机的样本个体成单特征以及对应的样本成单司机数量作为训练集，训练所述活跃类型的成单司机数量模型，可以实现基于训练的模型准确预测活跃类型的成单司机的数量，为后续基于每个司机的业务类型预测成单司机数量提供准确依据，有利于提高后续运营方制定运营策略的准确性。

图5是本申请一示例性实施例示出的如何预测所述非活跃类型的成单司机的第二数量的流程图；本实施例在上述实施例的基础上，以如何预测所述非活跃类型的成单司机的第二数量为例进行示例性说明。如图5所示，步骤s102中根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量，可以包括根据以下步骤s501-s502预测非活跃类型的成单司机的第二数量：

在步骤s501中：确定所述非活跃类型的司机的总体成单特征以及总数量。

在一实施例中，上述确定的总体成单特征可以为能很好地突出非活跃类型的司机的成单特点，以增强特征辨识度。

在一实施例中，可以对非活跃类型的司机确定一种特征，或者同时确定多种特征(与后续成单司机数量模型训练过程确定的特征种类相对应)，以充分全面地表现出非活跃类型的司机的成单特点。

在一实施例中，上述非活跃类型的司机的总体成单特征的种类可以包括以下至少一项：首单奖励、以当前时刻为起点往前多个预设时间段(例如，15天、30天以及60天等)内的注册人数、订单平均奖励、司机的激活率(即，由“非活跃类型”转化为“活跃类型”的概率，该数值可以根据历史数据进行统计或预测)、预测日期的天气情况以及预测日期的司机补贴/奖励。

在一实施例中，上述预测日期为当期预测的成单司机数量对应的日期。

在一实施例中，可以在预测日期的前一天或前两天等时间段内预测该预测日期对应的成单司机数量。

在一实施例中，可以根据打车平台上注册的司机的总数量与活跃类型的司机的总数量的差值，确定非活跃类型的总数量。

在步骤s502中：将所述总体成单特征以及所述总数量输入到预先训练的非活跃类型的成单司机数量模型中，得到所述非活跃类型的成单司机的第二数量。

在一实施例中，可以预先根据样本数据训练非活跃类型的成单司机数量模型，进而当确定所述非活跃类型的司机的总体成单特征后，可以将该总体成单特征输入到预先训练的非活跃类型的成单司机数量模型中，得到非活跃类型的成单司机的总数量，即第二数量。

在一实施例中，上述非活跃类型的成单司机数量模型的具体的训练过程可以参见下述图6所示实施例，在此先不进行详述。

值得说明的是，相对于图3和图4所示实施例中预测活跃类型的成单司机的第一数量的“个体分类”方式(即，分别预测每个活跃类型的司机的个体成单司机数量，进而对各个司机的个体成单司机数量进行统计，得到活跃类型的司机的总成单司机数量)而言，本实施例中预测非活跃类型的成单司机的第二数量采用的方式为“总体回归”方式，即直接确定所述非活跃类型的司机的总体成单特征以及总数量，进而根据该总体成单以及总数量预测非活跃类型的成单司机的总数量。

有上述描述可知，本实施例通过确定所述非活跃类型的司机的总体成单特征以及总数量，并将所述总体成单特征以及所述总数量输入到预先训练的非活跃类型的成单司机数量模型中，得到所述非活跃类型的成单司机的第二数量，可以实现准确预测非活跃类型的成单司机的数量，为后续基于每个司机的业务类型预测成单司机数量提供准确依据，有利于提高后续运营方制定运营策略的准确性。

图6是本申请又一示例性实施例示出的如何预测所述非活跃类型的成单司机的第二数量的流程图；本实施例在上述实施例的基础上，以如何预测所述非活跃类型的成单司机的第二数量为例进行示例性说明。如图6所示，步骤s102中根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量，可以包括根据以下步骤s601-s606预测非活跃类型的成单司机的第二数量：

在步骤s605中：确定所述非活跃类型的样本司机。

在一实施例中，可以预先获取多个样本司机，并基于图2所示实施例确定多个样本司机中每个样本司机的业务类型。进一步地，可以确定属于非活跃类型的样本司机。

在步骤s605中：获取所述样本司机的样本总体成单特征。

在一实施例中，当确定非活跃类型的样本司机后，可以获取非活跃类型的样本司机群体对应的样本总体成单特征。

其中，样本个体成单特征的解释和说明可以参见图6所示实施例中的“总体成单特征”，在此不进行赘述。

在步骤s605中：标定所述样本总体成单特征对应的样本成单司机数量。

在一实施例中，当获取所述样本司机的样本总体成单特征后，可以根据实际的历史成单数据中包含的样本成单司机数量，对非活跃类型的样本司机群体的样本总体成单特征进行标定。

举例来说，若非活跃类型的样本司机群体s的样本总体成单特征为{首单奖励：10元；订单平均奖励：5元；司机激活率：40％；预测日期的司机补贴：5元}，并且，所述非活跃类型的样本司机的总数量为1200，根据历史成单数据中包含的样本司机群体s的样本成单司机数量为500，则可以根据该样本成单司机数量“500”以及总数量“1200”对该样本总体成单特征进行标定。

在步骤s605中：将所述样本司机的样本总体成单特征以及对应的样本成单司机数量作为训练集，训练所述非活跃类型的成单司机数量模型。

在一实施例中，当标定所述样本总体成单特征对应的样本成单司机数量后，可以将所述样本司机的样本总体成单特征以及对应的样本成单司机数量作为训练集，训练所述非活跃类型的成单司机数量模型。

在一实施例中，上述非活跃类型的成单司机数量模型可以为回归模型，该回归模型的种类可以由开发人员根据实际业务需要进行选取，本实施例对此不进行限定。

值得说明的是，上述总体成单特征的内容和形式仅用于示例性说明，在实际实施中，开发人员可以根据业务需要进行自由设置，本实施例对此不进行限制。

在步骤s605中：确定所述非活跃类型的司机的总体成单特征以及总数量。

在步骤s606中：将所述总体成单特征以及所述总数量输入到预先训练的非活跃类型的成单司机数量模型中，得到所述非活跃类型的成单司机的第二数量。

其中，步骤s605-s606的相关解释和说明可以参见上述实施例，在此不进行赘述。

有上述描述可知，本实施例通过确定所述非活跃类型的样本司机，并获取所述样本司机的样本总体成单特征，再标定所述样本总体成单特征对应的样本成单司机数量，进而将所述样本司机的样本总体成单特征以及对应的样本成单司机数量作为训练集，训练所述非活跃类型的成单司机数量模型，可以实现基于训练的模型准确预测非活跃类型的成单司机的数量，为后续基于每个司机的业务类型预测成单司机数量提供准确依据，有利于提高后续运营方制定运营策略的准确性。

图7是本申请又一示例性实施例示出的如何确定多个司机中每个司机的业务类型的流程图；本实施例在上述实施例的基础上，以如何确定多个司机中每个司机的业务类型为例进行示例性说明。如图7所示，步骤s101中确定多个司机中每个司机的业务类型，可以包括以下步骤s701-s707：

在步骤s701中：获取多个司机中每个司机在以当前时刻为起点往前第一预设时间段内的历史订单数量。

在步骤s702中：判断当前司机的所述历史订单数量是否大于0：若是，则执行步骤s703；若否，则执行步骤s704。

在步骤s703中：将所述当前司机的业务类型确定为活跃类型。

其中，步骤s701-s703的相关解释和说明可以参见上述实施例，在此不进行赘述。

在步骤s704中：获取所述非活跃类型的每个司机的注册时间。

在一实施例中，当司机在打车平台上注册后，用于存储司机注册时间的服务端可以对该司机的注册时间进行存储。

在一实施例中，当确定当前的司机不是活跃类型的司机后，可以从用于存储司机注册时间的服务端中获取非活跃类型的每个司机的注册时间，以执行后续步骤。

在步骤s705中：判断当前司机的注册时间是否在以当前时刻为起点往前第二预设时间段内：若是，则执行步骤s706；否则，执行步骤s707。

在步骤s706中：将所述当前司机的业务类型确定为新注册类型。

在步骤s707中：将所述当前司机的业务类型确定为沉默类型。

在一实施例中，上述第二预设时间段可以由开发人员根据实际业务需要进行设置，如设置为2天、3天或5天等，本实施例对此不进行限定。

在一实施例中，当获取所述非活跃类型的每个司机的注册时间后，可以判断当前司机的注册时间是否在以当前时刻为起点往前第二预设时间段内。

在一实施例中，若当前司机的注册时间在以当前时刻为起点往前第二预设时间段内，则可以将所述当前司机的业务类型确定为新注册类型；相反，若当前司机的注册时间不在以当前时刻为起点往前第二预设时间段内，则可以将所述当前司机的业务类型确定为沉默类型。

在一实施例中，为了提升预测非活跃类型的成单司机的第二数量的准确率，还可以为上述“新注册类型”和“沉默类型”的司机分别训练对应的成单司机数量模型，具体的训练过程可以参见上述图6所示实施例，在此进行赘述。

在一实施例中，训练“新注册类型”的成单司机数量模型可以采用以下一项或多项总体成单特征：

首单奖励、以当前时刻为起点往前多个预设时间段内的注册人数、预测日期的天气情况以及目标日期的司机补贴/奖励。

在另一实施例中，训练“沉默类型”的成单司机数量模型可以采用以下一项或多项总体成单特征：

订单平均奖励、所述沉默类型的司机的激活率、预测日期的天气情况以及预测日期的司机补贴/奖励。

由上述描述可知，本实施例通过获取非活跃类型的每个司机的注册时间，并在当前司机的注册时间在以当前时刻为起点往前第二预设时间段内时，将所述当前司机的业务类型确定为新注册类型，否则，将所述当前司机的业务类型确定为沉默类型，可以实现基于每个司机的注册时间准确地确定每个非活跃类型的司机的具体业务类型，为后续基于每个司机的业务类型预测成单司机数量提供准确依据，有利于提高后续运营方制定运营策略的准确性。

图8是本申请一示例性实施例示出的一种预测成单司机数量的装置的结构图；如图8所示，该装置包括：业务类型确定模块110、类型数量预测模块120以及总数量预测模块130，其中：

业务类型确定模块110，用于确定多个司机中每个司机的业务类型；

类型数量预测模块120，用于根据每种所述业务类型的司机的成单特征，预测每种所述业务类型的成单司机的数量；

总数量预测模块130，用于根据每种所述业务类型的成单司机的数量预测成单司机的总数量。

由上述描述可知，本实施例通过将多个司机中每个司机划分为不同的业务类型，并根据每种业务类型的司机的成单特征预测对应类型的成单司机的数量，进而根据每种业务类型的成单司机的数量确定成单司机的总数量，由于考虑了不同业务类型司机的差异性，进而分别确定每种类型的成单司机的数量，可以提高预测成单司机的总数量的准确性，有利于提高后续运营方制定运营策略的准确性。

图9是本申请又一示例性实施例示出的一种预测成单司机数量的装置的结构图；其中，业务类型确定模块210、类型数量预测模块220以及总数量预测模块230与前述图8所示实施例中的业务类型确定模块110、类型数量预测模块120以及总数量预测模块130的功能相同，在此不进行赘述。如图9所示，业务类型确定模块210，可以包括：

订单数量获取单元211，用于获取多个司机中每个司机在以当前时刻为起点往前第一预设时间段内的历史订单数量；

活跃类型确定单元212，用于在当前司机的所述历史订单数量大于0时，将所述当前司机的业务类型确定为活跃类型；

非活跃类型确定单元213，用于在当前司机的所述历史订单数量等于0时，将所述当前司机的业务类型确定为非活跃类型。

在一实施例中，类型数量预测模块220，可以包括第一数量预测单元221；

第一数量预测单元221，用于：

确定所述活跃类型的每个司机的个体成单特征；所述个体成单特征包括以下至少一项：体验特征、数据统计特征、出勤偏好特征、预测日期的天气情况以及预测日期的司机补贴/奖励；

将所述每个司机的个体成单特征输入到预先训练的活跃类型的成单司机数量模型中，得到所述每个司机对应的成单司机数量；

对所述每个司机对应的成单司机数量进行求和运算，得到所述活跃类型的成单司机的第一数量。

在一实施例中，所述装置还可以包括：活跃类型模型训练模块240；

活跃类型模型训练模块240，包括：

活跃样本司机确定单元241，用于确定所述活跃类型的样本司机；

个体成单特征获取单元242，用于获取每个所述样本司机的样本个体成单特征；

个体司机数量标定单元243，用于标定每个所述样本个体成单特征对应的样本成单司机数量；

活跃类型模型训练单元244，用于将每个所述样本司机的样本个体成单特征以及对应的样本成单司机数量作为训练集，训练所述活跃类型的成单司机数量模型。

在一实施例中，类型数量预测模块220，可以包括第二数量预测单元222；

第二数量预测单元222，可以用于：

确定所述非活跃类型的司机的总体成单特征以及总数量；

将所述总体成单特征以及所述总数量输入到预先训练的非活跃类型的成单司机数量模型中，得到所述非活跃类型的成单司机的第二数量。

在一实施例中，所述装置还可以包括：非活跃类型模型训练模块250；

非活跃类型模型训练模块250，可以包括：

非活跃样本司机确定单元251，用于确定所述非活跃类型的样本司机；

总体成单特征确定单元252，用于获取所述样本司机的样本总体成单特征；

总体司机数量标定单元253，用于标定所述样本总体成单特征对应的样本成单司机数量；

非活跃类型模型训练单元254，用于将所述样本司机的样本总体成单特征以及对应的样本成单司机数量作为训练集，训练所述非活跃类型的成单司机数量模型。

在一实施例中，上述非活跃类型可以包括新注册类型和沉默类型；

在此基础上，非活跃类型确定单元213，还可以用于：

获取所述非活跃类型的每个司机的注册时间；

在当前司机的注册时间在以当前时刻为起点往前第二预设时间段内时，将所述当前司机的业务类型确定为新注册类型；否则，

将所述当前司机的业务类型确定为沉默类型。

在一实施例中，总数量预测模块230，还可以用于对每种所述业务类型的成单司机的数量进行求和运算，得到成单司机的总数量。

值得说明的是，上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

本发明的预测成单司机数量的装置的实施例可以应用在网络设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的，其中计算机程序用于执行上述图1～图7所示实施例提供的预测成单司机数量的方法。从硬件层面而言，如图10所示，为本发明的预测成单司机数量的设备的硬件结构图，除了图10所示的处理器、网络接口、内存以及非易失性存储器之外，所述设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等；从硬件结构上来讲该设备还可能是分布式的设备，可能包括多个接口卡，以便在硬件层面进行报文处理的扩展。另一方面，本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述图1～图7所示实施例提供的预测成单司机数量的方法。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。