范围。
[0046] 以下对本公开实施例中提及的部分词语进行举例说明。
[0047] 本领域技术人员应当理解，本发明实施例中提及的用户设备（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 设备或显不增强设备（如 Google Glass、Oculus Rift、Hololens、Gear VR)等。
[0048] 本领域技术人员应当理解，本发明实施例中提及的终端为提供服务方，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。
[0049] 本实施例中，为了区别乘客和司机，分别采用用户设备UE和终端来分别表示乘客 和司机所持的移动终端等设备。
[0050] 图1示出了本公开实施例提供的一种订单的分配方法的流程示意图。
[0051] 如图1所示，本实施例提供的订单的分配方法包括如下步骤：
[0052] S11、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；
[0053] 具体的，可以将用户设备UE的坐标信息添加到UE发送的打车请求中，在接收UE 发送的打车请求之后，从打车请求中获取所述UE的坐标信息。通过实时接收UE的坐标信 息的预设范围内的各个终端的的位置信息可由定位系统定位信息和/或基站定位信息来 确定并实时上传。
[0054] 其中，UE发送的打车请求还包括：出发地、目的地及所述UE的用户标识等信息中 的一种或多种。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)等信息中的一种或多种。
[0055] 其中，预设范围的具体取值可根据UE所属城市的交通路况、所属城市的具体城区 等信息进行设置和调整。例如，若UE所属城市为北京的大兴区、交通路况良好，则将预设范 围的取值设置的大一些，若UE所属城市为北京的海淀区，交通路况较为拥堵，则可以将预 设范围的取值设置的小一些。本发明对此不做具体限定。
[0056] S12、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；
[0057] 本步骤中，通过UE所属城市的交通地图信息以及该UE的坐标信息和UE的预设范 围内的每一终端的坐标信息，计算UE到每一终端的实际的路面距离。通过订单分配阶段， 在其他因素相同的情况下，根据UE到每一终端的实际的路面距离进行订单分配，使得终端 可以更为准确的获得订单信息。
[0058] S13、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；
[0059] 本步骤中，叫车系统在订单分配阶段，通过每一终端对应的路面距离和该终端的 其他与订单相关特征信息对该终端的订单抢单概率进行预测，以根据终端的订单抢单概率 进行订单的分配，使得在其他与订单相关特征信息相同的情况下，司机能够获得更为准确 的播单信息，优先获得路面距离更近的订单，有效降低乘客等待时间。
[0060] 其中，订单的相关特征信息包括终端相关特征信息、订单相关特征信息等。
[0061] S14、根据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。
[0062] 本实施例中，叫车系统会根据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。所述订单包含：所述UE的出发地、所述UE的目的地、所述UE的用户标识、 所述订单信息的生成时间和所述UE到每一终端的路面距离等信息。
[0063] 本发明实施例提供的订单的分配方法，通过将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。
[0064] 举例说明，司机行驶方向、订单方位如图2所示。
[0065] 从图2中可以看出如果用直线距离计算播单，司机获取的信息显然是不准确的， 尤其是大城市的复杂路况下，问题就更加突出。我们可以清楚的看见路面距离的优势。虽 然A司机到订单的直线距离小于B司机，但是对A、B司机而言B司机的路面距离更近，会更 快接到乘客。
[0066] 本实施例中，步骤S13具体包括：
[0067] 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；
[0068] 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。
[0069] 进一步地，在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， 本实施例提供的订单的分配方法还包括以下图中未示出的步骤：
[0070] A01、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；
[0071] A02、将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。
[0072] 具体的，通过抽取所述历史订单的相关特征中的各种特征数据作为预测变量，并 以所述历史订单的订单抢单结果作为目标变量进行线性回归模型训练，得到订单抢单概率 的预测模型。
[0073] 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。
[0074] 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。
[0075] 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：
[0078] 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。
[0079] 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。
[0080] 本实施例提供的订单的分配方法，在步骤A02之后，进一步包括以下步骤：
[0081] A03、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。
[0082] 本实施例中，订单抢单概率预估分成离线训练和线上实时计算两个阶段。离线训 练阶段：将历史订单的相关特征中的各种特征数据，如司机相关特征、订单相关特征等各种 特征抽取成预测变量，将订单的竞争概率作为目标变量，利用历史数据进行模型训练，得到 预测模型。线上实时计算阶段：将模型运用于线上，对实时抽取出来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进行计算，采用机器学习算法，对所述预先建立的 预测模型进行优化。
[0083] 本实施例中，步骤S14具体