订单推送方法、装置及系统

本申请涉及信息处理技术领域，具体涉及信息识别技术领域，尤 其涉及订单推送方法、装置及系统。

日常生活中，人们出行的选择有多种，如乘坐公交车、地铁、出 租车和私家车等。其中，出租车能够根据乘客的需要确定行车线路， 极大地方便了人们的出行。但出租车也有自己的不足，现有的出租车 主要靠司机在行车过程中观察是否有人乘坐出租车，这种方式既不利 于司机寻乘客，也不利于乘客出租车，并且在很多情况下出现出 租车拒载等情况，严重降低了出租车的使用效率，为此，很多出租车 都加装了打车软件。

现有的打车订单推送方法为：打车软件服务器接收到乘客的打车 订单后，向乘客所在位置一定距离范围内的出租车推送打车订单。这 种打车订单推送方法只考虑了距离因素，没有考虑乘客因素和司机因 素，容易出现司机不接单或接单拒载的情况，导致打车订单无法完成。

本申请提供了订单推送方法、装置及系统，以解决背景技术中提 到的问题。

一方面，本申请提供了一种订单推送方法，所述方法包括：接收 订单申请信息，所述订单申请信息包括订单申请方信息、订单起点位 置信息和订单终点位置信息；将所述订单申请信息导入预先训练的订 单推送模型进行匹配得到至少一个推荐订单处理方信息，其中，所述 订单推送模型用于表征订单申请信息与推荐订单处理方信息的对应关 系；将所述订单申请信息推送给对应所述推荐订单处理方信息的处理 方终端。

在一些实施例中，所述方法还包括：建立订单推送模型的步骤， 包括：获取历史订单信息集合；从所述历史订单信息集合中筛选出符 合设定条件的订单信息作为样本订单，所述设定条件包括时间条件和 距离条件中的至少一项，所述样本订单包括正样本订单、负样本订单、 可疑正样本订单和可疑负样本订单中的至少一项；从所述样本订单中 提取订单申请方信息、订单处理方信息和订单内容信息，所述订单内 容信息包括订单完成时间、订单完成距离、订单成本收益中的至少一 项；利用机器学习方法，基于所述订单申请方信息、订单处理方信息 和订单信息，训练得到订单推送模型。

在一些实施例中，所述利用机器学习方法，基于所述订单申请方 信息、订单处理方信息和订单信息，训练得到订单推送模型，包括： 将所述订单申请方信息、订单处理方信息和订单信息导入LR模型， 并对所述LR模型进行训练得到LR训练模型，将测试样本导入所述 LR训练模型得到第一判断结果，若所述第一判断结果与所述测试样本 对应，则将所述LR训练模型设定为第一订单推送模型。

在一些实施例中，所述将测试样本导入所述LR训练模型得到第 一判断结果，还包括：若所述第一判断结果与所述测试样本不对应， 则调整所述样本订单中正样本订单、负样本订单、可疑正样本订单和 可疑负样本订单的比例，将调整比例后的所述样本订单对应的订单申 请方信息、订单处理方信息和订单信息导入LR模型，并对所述LR模 型进行训练得到LR训练模型，直到所述LR训练模型得到的判断结果 与所述测试样本对应。

在一些实施例中，所述利用机器学习方法，基于所述订单申请方 信息、订单处理方信息和订单信息，训练得到订单推送模型，还包括： 将所述订单申请方信息、订单处理方信息和订单信息导入SVM模型， 并对所述SVM模型进行训练得到SVM训练模型，将测试样本导入所 述SVM训练模型得到第二判断结果，若所述第二判断结果与所述测 试样本对应，则将所述SVM训练模型设定为第二订单推送模型。

在一些实施例中，所述将测试样本导入所述SVM训练模型得到 第二判断结果，还包括：若所述第二判断结果与所述测试样本不对应， 则调整所述样本订单中正样本订单、负样本订单、可疑正样本订单和 可疑负样本订单的比例，将调整比例后的所述样本订单对应的订单申 请方信息、订单处理方信息和订单信息导入SVM模型，并对所述SVM 模型进行训练得到SVM训练模型，直到所述SVM训练模型得到的判 断结果与所述测试样本对应。

在一些实施例中，所述将所述订单申请信息导入预先训练的订单 推送模型进行匹配得到至少一个推荐订单处理方信息，包括：将所述 订单申请信息导入所述订单推送模型得到包含匹配度的订单处理方信 息，所述匹配度用于表征根据所述订单申请信息确定订单处理方信息 的准确性；按匹配度由大到小的顺序对所述订单处理方信息进行排序； 将排序后的前设定个所述订单处理方信息作为推荐订单处理方信息。

在一些实施例中，所述将所述订单申请信息导入所述订单推送模 型得到包含匹配度的订单处理方信息，包括：将所述订单申请信息导 入所述第一订单推送模型得到对应所述订单申请信息的具有第一匹配 度的订单处理方信息，若所述第一匹配度在设定范围，则根据所述第 一匹配度建立所述订单申请信息与订单处理方信息的对应关系，否则， 通过将所述订单申请信息导入所述第二订单推送模型得到对应所述订 单申请信息的具有第二匹配度的订单处理方信息，根据所述第二匹配 度建立所述订单申请信息与订单处理方信息的对应关系。

第二方面，本申请提供了一种订单推送装置，所述装置包括：订 单申请信息接收单元，用于接收订单申请信息，所述订单申请信息包 括订单申请方信息、订单起点位置信息和订单终点位置信息；推荐订 单处理方信息获取单元，用于将所述订单申请信息导入预先训练的订 单推送模型进行匹配得到至少一个推荐订单处理方信息，其中，所述 订单推送模型用于表征订单申请信息与推荐订单处理方信息的对应关 系；订单推送单元，用于将所述订单申请信息推送给对应所述推荐订 单处理方信息的处理方终端。

在一些实施例中，所述装置还包括：订单推送模型构建单元，用 于建立订单推送模型，包括：历史订单信息集合获取子单元，用于获 取历史订单信息集；样本订单筛选子单元，用于从所述历史订单信息 集合中筛选出符合设定条件的订单信息作为样本订单，所述设定条件 包括时间条件和距离条件中的至少一项，所述样本订单包括正样本订 单、负样本订单、可疑正样本订单和可疑负样本订单中的至少一项； 信息提取子单元，用于从所述样本订单中提取订单申请方信息、订单 处理方信息和订单内容信息，所述订单内容信息包括订单完成时间、 订单完成距离、订单成本收益中的至少一项；订单推送模型训练子单 元，用于利用机器学习方法，基于所述订单申请方信息、订单处理方 信息和订单信息，训练得到订单推送模型。

在一些实施例中，所述订单推送模型训练子单元包括：第一订单 推送模型训练模块，用于将所述订单申请方信息、订单处理方信息和 订单信息导入LR模型，并对所述LR模型进行训练得到LR训练模型， 将测试样本导入所述LR训练模型得到第一判断结果，若所述第一判 断结果与所述测试样本对应，则将所述LR训练模型设定为第一订单 推送模型。

在一些实施例中，所述第一订单推送模型训练模块还包括：第一 订单推送模型修正子模块，用于在所述第一判断结果与所述测试样本 不对应时，调整所述样本订单中正样本订单、负样本订单、可疑正样 本订单和可疑负样本订单的比例，将调整比例后的所述样本订单对应 的订单申请方信息、订单处理方信息和订单信息导入LR模型，并对 所述LR模型进行训练得到LR训练模型，直到所述LR训练模型得到 的判断结果与所述测试样本对应。

在一些实施例中，所述订单推送模型训练子单元还包括：第二订 单推送模型训练模块，用于将所述订单申请方信息、订单处理方信息 和订单信息导入SVM模型，并对所述SVM模型进行训练得到SVM 训练模型，将测试样本导入所述SVM训练模型得到第二判断结果， 若所述第二判断结果与所述测试样本对应，则将所述SVM训练模型 设定为第二订单推送模型。

在一些实施例中，所述第二订单推送模型训练模块还包括：第二 订单推送模型修正子模块，用于在所述第二判断结果与所述测试样本 不对应时，调整所述样本订单中正样本订单、负样本订单、可疑正样 本订单和可疑负样本订单的比例，将调整比例后的所述样本订单对应 的订单申请方信息、订单处理方信息和订单信息导入SVM模型，并 对所述SVM模型进行训练得到SVM训练模型，直到所述SVM训练 模型得到的判断结果与所述测试样本对应。

在一些实施例中，所述推荐订单处理方信息获取单元包括：订单 处理方信息获取子单元，用于将所述订单申请信息导入所述订单推送 模型得到包含匹配度的订单处理方信息，所述匹配度用于表征根据所 述订单申请信息确定订单处理方信息的准确性；匹配度排序子单元， 用于按匹配度由大到小的顺序对所述订单处理方信息进行排序；推荐 订单处理方信息选择子单元，用于将排序后的前设定个所述订单处理 方信息作为推荐订单处理方信息。

在一些实施例中，所述订单处理方信息获取子单元包括：对应关 系确定模块，用于将所述订单申请信息导入所述第一订单推送模型得 到对应所述订单申请信息的具有第一匹配度的订单处理方信息，若所 述第一匹配度在设定范围，则根据所述第一匹配度建立所述订单申请 信息与订单处理方信息的对应关系，否则，通过将所述订单申请信息 导入所述第二订单推送模型得到对应所述订单申请信息的具有第二匹 配度的订单处理方信息，根据所述第二匹配度建立所述订单申请信息 与订单处理方信息的对应关系。

第三方面，本申请提供了一种订单推送系统，所述系统包括上述 第二方面的订单推送装置。

本申请提供的订单推送方法、装置及系统能够准确确定订单申请 方和订单处理方的匹配度，提高订单的完成率。

通过阅读参照以下附图所作的对非限制性实施例所作的详细描 述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请的可以应用于其中的示例性系统架构图；

图2是根据本申请的订单推送方法的一个实施例流程图；

图3是根据本实施例的订单推送方法的订单推送模型的一个结构 示意图；

图4是根据本实施例的订单推送方法的应用场景的一个示意图；

图5是根据本申请的订单推送装置的一个实施例结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构 示意图。

下面结合附图和实施例对本申请作进一步的详细说明。可以理解 的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发 明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与 有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本 申请。

图1示出了可以应用本申请的订单推送方法或订单推送装置的实 施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103， 网络104和服务器105。网络104用以在终端设备101、102、103和 服务器105之间提供通信链路的介质。网络104可以包括各种连接类 型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送订单信息等。终端设备101、102、103上可以安 装有各种订单应用和网络应用，例如订单信息发送软件或订单信息提 示软件等。

终端设备101、102、103可以是具有显示屏并且支持订单信息接 收和发送软件的各种电子设备，包括但不限于智能手机、平板电脑和 笔记本等。

服务器105可以是提供各种订单推送的服务器，例如为终端设备 101、102、103推送订单的订单服务器。

需要说明的是，本申请实施例所提供的订单推送方法一般由服务 器105执行，相应地，订单推送装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意 性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，图2示出了作订单推送方法的一个实施例的流程 图200。

如图2所示，本实施例的订单推送方法包括以下步骤：

步骤201，接收订单申请信息。

在本实施例中，订单推送方法运行于其上的电子设备(例如图1 所示的服务器105)可以通过有线连接方式或者无线连接方式与终端 设备(例如图1所示的终端设备101、102、103)进行数据传递，将 订单推送给终端设备。

实际中，订单申请方首先在服务器105内注册，填写订单申请方 信息，如姓名、性别、年龄、常住地址、工作和。然后订单 申请方通过安装在订单申请方的智能终端上的客户端发起订单申请信 息。订单申请信息包括订单申请方信息、订单起点位置信息和订单终 点位置信息，还可以包括时限要求信息、订单申请方当前的位置信息 或其他信息。然后服务器105接收客户端发来的订单申请信息，并对 订单申请信息进行处理。

步骤202，将所述订单申请信息导入预先训练的订单推送模型进 行匹配得到至少一个推荐订单处理方信息。

服务器105收到订单申请信息后，将订单申请信息导入预先训练 的订单推送模型进行匹配，得到对应订单申请信息的推荐订单处理方 信息。通常，一个订单申请信息能够匹配到对应的多个推荐订单处理 方信息。其中，订单推送模型用于表征订单申请信息与推荐订单处理 方信息的对应关系。

在本实施例的一些可选的实现方式中，为了匹配出与订单申请信 息对应的推荐订单处理方信息，需要先得到订单推送模型。因此，本 实施例方法还包括建立订单推送模型的步骤，可以包括以下步骤：

第一步，获取历史订单信息集合。

服务器105内保存有历史订单信息，为了从这些历史订单信息中 获得订单信息的订单申请方和订单处理方之间的匹配关系，需要先获 取历史订单信息。

第二步，从所述历史订单信息集合中筛选出符合设定条件的订单 信息作为样本订单。

实际中，订单信息会有多种类型，如订单按常规步骤完成，的订 单申请方发出了订单申请信息，服务器105也生成了订单，并将订单 推送给订单处理方，但由于订单申请方取消了订单申请消息，或订单 处理方没有获取到订单，或订单处理方接到了订单但拒绝完成订单等 情况，导致订单无法完成。还可能由于不同时期订单处理方法不同， 导致有些时间很早的订单无不适合当前的订单处理方法。因此，需要 对历史订单信息集合中的历史订单信息进行筛选，得到符合设定条件 的订单信息作为训练订单推送模型的样本订单。

本实施例的设定条件包括时间条件和距离条件中的至少一项，如 选取某一时间区间内的历史订单信息作为样本订单，或针对某一地区， 选择符合一定距离条件的历史订单信息作为样本订单。

为了便于对样本订单进行分析，可以将样本订单分为几种类型。 本实施例的样本订单可以包括正样本订单、负样本订单、可疑正样本 订单和可疑负样本订单中的至少一项，所述正样本订单为订单申请方 和订单处理方实际完成的订单，所述负样本订单为订单申请方发出订 单申请信息，但订单处理方未接收订单申请信息的订单，所述可疑正 样本订单为订单处理方接收订单申请信息，但未完成的订单，所述可 疑负样本订单为订单处理方未接收订单申请信息，但由其他订单处理 方完成的订单。

第三步，从所述样本订单中提取订单申请方信息、订单处理方信 息和订单内容信息。

订单申请方信息包括订单申请方的姓名、性别、年龄、常住地址、 工作和；订单处理方信息包括订单处理方的姓名、性别、年 龄、工作编号和。订单内容信息包括订单完成时间、订单完 成距离、订单成本收益中的至少一项，还可以包括订单开始时的位置 信息和订单完成时的位置信息。

第四步，利用机器学习方法，基于所述订单申请方信息、订单处 理方信息和订单信息，训练得到订单推送模型。

将订单申请方信息、订单处理方信息和订单信息导入机器学习方 法，能够通过机器学习方法出订单申请方信息、订单处理方信息和 订单信息之间的相关性信息，根据相关性信息调整机器学习方法的特 定参数，能够得到满足订单申请方信息、订单处理方信息和订单信息 之间相关性信息的订单推送模型。

在本实施例的一些可选的实现方式中，样本订单中包含的正样本 订单、负样本订单、可疑正样本订单和可疑负样本订单的比例差别很 大，通常，负样本订单的数量要远多于正样本订单的数量，并且，样 本订单本身也可以根据时间条件或距离条件进行划分。因此，本申请 将样本订单分成多个样本订单组，每个样本订单组包含的正样本订单、 负样本订单、可疑正样本订单和可疑负样本订单的比例各不相同，这 样就能对多种具有不同特性的样本订单进行分析。LR(Logistic Regression，逻辑斯谛回归)模型具有对大量信息进行快速处理的能力， 很适合对时间要求较高(如要求实时给出结果)的场景。每个样本订 单组都可以对应训练一个LR模型，进而能够得到对应样本订单组的 多个LR模型。具体的，本实施例利用机器学习方法，基于所述订单 申请方信息、订单处理方信息和订单信息，训练得到订单推送模型， 可以包括：将所述订单申请方信息、订单处理方信息和订单信息导入 LR模型，并对所述LR模型进行训练(本实施例采用最大似然估计法 和随机梯度下降法训练LR模型)得到LR训练模型，将测试样本导入 所述LR训练模型得到第一判断结果，若所述第一判断结果与所述测 试样本对应，则将所述LR训练模型设定为第一订单推送模型。通常 情况下，第一判断结果都与所述测试样本对应，若所述第一判断结果 与所述测试样本不对应，则调整所述样本订单中正样本订单、负样本 订单、可疑正样本订单和可疑负样本订单的比例，将调整比例后的所 述样本订单对应的订单申请方信息、订单处理方信息和订单信息导入 LR模型，并重新对所述LR模型进行训练得到LR训练模型，直到所 述LR训练模型得到的判断结果与所述测试样本对应，最终得到对应 多个样本订单组的多个LR模型(对应第一订单推送模型)。

在本实施例的一些可选的实现方式中，上述的LR模型能够对订 单信息进行快速识别，但对于某些特征不是很明显的订单信息，LR模 型无法给出准确的结果。SVM(Support Vector Machine，支持向量机) 模型能够对数据的边界进行准确的识别。因此，SVM模型可以对LR 模型无法给出准确结果的订单信息进一步判断，实现对订单信息的准 确判断。因此，本实施例利用机器学习方法，基于所述订单申请方信 息、订单处理方信息和订单信息，训练得到订单推送模型，还可以包 括：将所述订单申请方信息、订单处理方信息和订单信息导入SVM模 型，并对所述SVM模型进行训练(本实施例通过拉格朗日乘数法和 SMO(Sequential Minimal Optimization，序列最小优化算法)训练SVM 模型)得到SVM训练模型，将测试样本导入所述SVM训练模型得到 第二判断结果，若所述第二判断结果与所述测试样本对应，则将所述 SVM训练模型设定为第二订单推送模型。若所述第二判断结果与所述 测试样本不对应，则调整所述样本订单中正样本订单、负样本订单、 可疑正样本订单和可疑负样本订单的比例，将调整比例后的所述样本 订单对应的订单申请方信息、订单处理方信息和订单信息导入SVM模 型，并重新对所述SVM模型进行训练得到SVM训练模型，直到所述 SVM训练模型得到的判断结果与所述测试样本对应。

将最终得到的多个LR模型(对应第一订单推送模型)通过Bagging 算法(Bagging算法是一种用来提高学习算法准确度的方法，这种方 法通过构造一个预测函数系列，然后以一定的方式将它们组合成一个 预测函数)组合起来，能够发挥各个LR模型的优势，然后再与SVM 模型(对应第二推送模型)级联组合得到订单推送模型，订单推送模 型能够实现对订单信息的准确判断。

在本实施例的一些可选的实现方式中，将所述订单申请信息导入 预先训练的订单推送模型进行匹配得到至少一个推荐订单处理方信 息，可以包括以下步骤：

第一步，将所述订单申请信息导入所述订单推送模型得到包含匹 配度的订单处理方信息。

所述匹配度用于表征根据所述订单申请信息确定订单处理方信息 的准确性。

订单申请信息导入所述订单推送模型后，通常会得到多个订单处 理方信息，每个订单处理方信息与订单申请信息的匹配度通常不相同。 匹配度越大，代表订单处理方信息越符合订单申请信息的要求，成单 可能性越高。

第二步，按匹配度由大到小的顺序对所述订单处理方信息进行排 序。

对于需要推送多个订单处理方信息的情况，需要按匹配度由大到 小的顺序，确定最优可能完成订单的订单处理方信息。

第三步，将排序后的前设定个所述订单处理方信息作为推荐订单 处理方信息。

需要说明的是，匹配度可以有多种方式，例如，当匹配结果只有 一种情况时，将匹配度的范围设定为0到1，越靠近1，匹配度越高。 当匹配结果有多种情况时，匹配度也可以分区表示。例如，打车订单 有正样本订单、负样本订单、可疑正样本订单和可疑负样本订单四种 情况，相应的，可以将从0到1的范围分成四个标记点，如：0、0.5、 0.8和1。订单申请方信息和订单处理方信息的匹配度离哪个标记点最 近，就将订单申请方信息和订单处理方信息构成的订单信息归结为哪 一类。例如，0代表负样本订单；0.5代表可疑正样本订单；0.8代表 可疑负样本订单；1代表正样本订单。当订单申请方信息和订单处理 方信息的匹配度为0.79时，可以认为订单申请方信息和订单处理方信 息构成的订单信息属于可疑负样本订单，如果订单申请方信息和其他 订单处理方信息的匹配度为0.98，可以认为订单申请方信息和其他订 单处理方信息构成的订单信息属于正样本订单，则优先将匹配度为 0.98对应的订单处理方信息推送给订单处理方，以便尽可能促使订单 完成。

在本实施例的一些可选的实现方式中，通常情况下，订单推送模 型包含的第一订单推送模型能够得到属于某一类型的匹配度。但是， 在某些情况下，将订单申请信息导入第一订单推送模型得到的结果不 明显。还以上述情况为例，当第一订单推送模型得到的匹配度为0.65 时，匹配度对应的订单信息可能属于可疑正样本订单，也可能属于可 疑负样本订单。此时，就需要将该订单申请信息导入第二订单推送模 型来判断。因此，将所述订单申请信息导入所述订单推送模型得到包 含匹配度的订单处理方信息，包括：将所述订单申请信息导入所述第 一订单推送模型得到对应所述订单申请信息的具有第一匹配度的订单 处理方信息，若所述第一匹配度在设定范围，则根据所述第一匹配度 建立所述订单申请信息与订单处理方信息的对应关系，否则，通过将 所述订单申请信息导入所述第二订单推送模型得到对应所述订单申请 信息的具有第二匹配度的订单处理方信息，根据所述第二匹配度建立 所述订单申请信息与订单处理方信息的对应关系。

例如，将订单申请信息导入第一订单推送模型得到的匹配度为 0.65时，无法确定匹配度对应的订单信息属于可疑正样本订单，还是 属于可疑负样本订单。此时，将订单申请信息导入第二订单推送模型 得到的匹配度为0.798，则可以认为订单申请信息与订单处理方信息对 应的订单信息属于可疑负样本订单，从而建立订单申请信息与订单处 理方信息的对应关系(此时的对应关系可以描述为可疑负样本订单关 系)

步骤203，将所述订单申请信息推送给对应所述推荐订单处理方 信息的处理方终端。

确定了推荐订单处理方信息后，服务器105将订单申请信息推送 给对应所述推荐订单处理方信息的处理方终端。

继续参见图3，图3是根据本实施例的订单推送方法的订单推送 模型的一个结构示意图。由图3可知，本申请首先通过样本订单训练 LR模型和SVM模型，当LR模型训练完成(即第一订单推送模型) 后通过Bagging算法组合在一起；SVM模型训练完成(即第二订单推 送模型)后，将LR模型和SVM模型级联起来构成订单推送模型(如 图3中虚线框所示)。当需要对新订单信息进行判断时，首先将新订单 信息导入LR模型，利用LR模型的快速计算能力对新订单信息进行判 断，如果判断结果为确定样本，则说明LR模型能对新订单信息做出 准确判断，则输出结果，如果不能得到确定样本，说明LR模型无法 对新订单信息准确判断，此时，需要将新订单信息导入SVM模型， 利用SVM模型对数据边界的准确判断来进一步对新订单信息进行判 断，并输出结果。

继续参见图4，图4是根据本实施例的订单推送方法的应用场景 的一个示意图。图4以拼车订单对本发明进行说明。首先获取某一地 区一定时间内拼车订单，然后按地区和时间段内的拼车订单进行分类， 识别出可行的接乘关系(司机与乘客的对应关系)，然后对拼车订单切 分训练集合和验证集合，其中，训练集合用于训练机器学习方法，验 证集合用于验证训练后的机器学习方法的准确率。然后对训练集合和 验证集合进行过滤，得到用于训练的样本。提取样本的特征，对特征 进行处理，确定样本中司机和乘客的关系，并修正矛盾的样本。在此 基础上训练LR模型和SVM模型，对新的拼车订单进行预测，确定最 有可能完成订单的司机，然后将拼车订单发送给司机。以下以顺风车 业务为例对本申请进行详细说明：

获取一段时期内的用户订单数据和接单、成单数据，接单日志和 浏览日志以及用户画像等相关数据，使用机器学习的方法来学习车主 的接单和成单影响因素及影响权重。

定义：在一段较长历史时期内，有发单的乘客为活跃乘客；有接 单行为的为活跃车主；无接单日志和浏览日志的为非活跃车主。

由于不同乘客，车主的发单和接单数极不平衡(符合幂律分布)， 为了建立对绝大多数人适用的、反映区域和时间特征的、泛化能力强 的模型，首先，按行政区(市级)、上班和下班时间段，分别建立活跃 乘客和活跃车主之间的基准体模型。

随着产品用户的增加、使用情况的变化，接单结果和偏好和匹配 度会发生动态的变化，因此需要根据训练好的模型推单、派单,再通过 车主的接单、成单数据，接单日志和浏览日志情况、乘客的订单取消 情况(小时、日、周级别)，实时或批量更新增量模型。

顺风车业务是个综合的C2C(Customer to Customer，消费者对消 费者)性质平台，由于顺风车车主是非运营性质的个体，所以对于个 别超活跃车主(有足够的样本信息)，采用其个体的接乘订单和浏览关 系，单独建立个体模型，修正体模型的平均作用，从而更好的发现 个体车主的重要影响因素和接单偏好等。

当整体涉及乘客、车主的范围和使用频次达到一定程度时，通过 用户向量化和增加用户与其他特征的个性化交互项和组合特征等方 法，将模型升级为综合体模型，从而减少独立的模型个数，增强模 型的适应能力和泛化能力。

上述各种模型都是基于LR(逻辑斯蒂回归)和SVM(支持向量机) 的组合模型。组合方式是采用Bagging(装袋)方法训练的多个LR弱 分类器(相当于上述的LR模型)，之后级联1个SVM分类器(相当 于上述的SVM模型)。这种组合方式的原因说明如下：

1、由于单个LR弱分类器的召回率和精度会受到随机化采样集合 和采样率的显著影响，模型不稳定，因此采用Bagging(装袋)方法 组合多个LR弱分类器。

2、LR弱分类器除了可以给出分类标志,还可以给出正类情况的匹 配数值化概率大小，可以用于分级推单的分级和排序依据。LR弱分类 器与SVM分类器在正样本召回率方面差别不大，但是实践中发现相 对SVM分类器，LR分类器对负样本误判为正样本的集合更多，即倾 向于将更多的负样本预测为正样本(约1.6倍)，且其中由行业专家判定 的好样本占比也低于SVM分类器。LR弱分类器具备可并行性，在线 学习能力较强，线上分类计算复杂度低。

考虑到以上各种因素，因此多个LR弱分类器在先，再级联SVM 分类器。

具体机器学习步骤如下：

<1>训练：

1、样本表示

(乘客向量、乘客行程向量、车主路线向量、车主向量、系统向量、 交叉向量或组合向量，接乘label(司机和乘客对应的标签))。

[1]特征类及特征向量：

●乘客向量：乘客id(identification，身份)及其属性信息， 如性别、收入经济状况、出行消费能力、出行频度、出行 方式选择、年龄段、职业等。

●乘客行程向量：乘客订单相关信息提取的各个特征。

●车主路线向量：车主设置路线信息提取的各个特征。

●车主向量：车主id及其属性信息，如性别、收入经济状 况、出行频度、年龄段、职业、驾龄等。

●系统向量：系统因素，如补贴策略、定价策略等。

●交叉向量或组合向量：描述关系属性如地域影响，人情影 响(历史接驾次数)等或者某些因素之间的相互影响或关 联性的特征。

特征类及其特征向量是可扩展的，可以随产品的发展和数据状况 增加新特征。对于体模型，乘客id和车主id不作为具体特征使用。

[2]分类标志：

●接乘label：可以采用正负2类(+1/-1)或多类：0,1,2,… 接乘label依据以下样本划分标准：

■标记正样本

车主和乘客之间有接单或成单记录的。

■标记负样本

曾经向车主推过单，但车主并未接单的。

■可疑负样本

曾经向车主推过单，车主并未接单，但经过专家判断各原 始特征符合非常应该接单的，可能是车主并未看到或在订 单被抢单之前看到该推单。

■可疑正样本

车主和乘客之间有接单记录，但没有成单记录，且接单 后是车主主动取消的。

后续训练中：

■正样本是标记正样本与可疑正样本的差集。

■负样本是标记负样本与可疑负样本的差集。

也可以将标记接单、标记成单、无人接单、他人接单等作为 多类处理，LR弱分类器和SVM分类器分别替换成多类算法。

2、样本处理

[1]除了排除作弊单和用户测试单等处理外，样本最大的问题是： 正样本较少，负样本大约有正样本100倍以上的规模。且由于车主和 乘客是在不同时间开始注册和使用系统，在同一天，乘客会针对同一 出行发好几单，车主也会抢多个不同人的订单，伴随取消其他已抢订 单，这里面体现了车主的多订单之间的甄别过程和矛盾之处。系统中 包含的推单样本相对于所有的可能接乘关系比例较小，是有偏的。因 此综合采用以下几种方法，解决这些问题：

●可行接乘关系集合

由专家认定的基础检测条件：司乘起终点距离(墨卡托坐 标x,y)分别在正负6km，出发时间间隔上下1小时。满 足该条件的集合为可行接乘关系集合。已有数据里可能有 超出该范围之外的接单或者成单，或者属于可行接乘关系 集合但历史未曾推单。

●修正矛盾样本：

■等价订单

对于同一乘客，其不同天，但订单路线的起点和终点 (坐标)、出发时间分别相同或相近(如坐标在1km内， 时间在上下10分钟内)，称之为等价订单，认为他们 对同一车主的匹配程度是相同的。

■等价接乘关系及关系权重

对于同一对车主和乘客，车主路线和出发时间相同， 乘客的订单属于等价订单，则他们的关系为等价接乘 关系。该关系作为接单、成单或未接单分别统计其频 次作为关系权重。修正等价接乘关系的车主和乘客之 间后续出现超过一定频次的接单或成单关系的之前的 样本(含中断接单的，而不是终止接单的)，排除补贴 和定价因素的不同的样本，为接单或成单。

■多次发同一天，同一行程的乘客和同一个车主间的接 乘只要有1次为接单关系，则认定当天为接单样本。 重复行程对同一乘客和车主组合只计1条样本。

●随机化采样

用随机化采样使正样本和负样本之间比例达到1:3左右， 从而降低正负样本之间的不平衡性。

[2]样本清洗

为防止模型对异常点敏感，剔除超长距离(跨城、郊游)、乘客和 车主行程比<1/2和超长出发时间间隔(车主设置的时间发生过变化或 不准确)的样本。

3、特征提取、特征生成、特征处理

主要特征说明如下：

●距离成本收益：订单司机获得总价格(含补贴)减去接单后 调整路径的油费成本。

●距离成本收益比：距离成本收益/车主原路程的油费成本。

●出发时间间隔的绝对值，将1天的时间以10min为区间 离散化，时间间隔以10min的差别来计量，可以更稳定 的描述人的感知。

●司乘起点距离。

●司乘终点距离。

●司乘起点距离与乘客路程比。

●司乘终点距离与乘客路程比。

●绕路距离:接单后调整路程减去车主原路程，绕路距离负 值修正为0。

●乘客路程与车主路程比。

●司乘起点距离是否超过某一阈值，如5km。

●司乘终点距离是否超过某一阈值，如5km。

●道路属性(如道路等级、通行能力、路况等)对距离阈值的 影响。

●司乘距离对出发时间间隔的交叉项。

阈值可作为超参数根据统计或训练获得。其他特征参考前述 样本表示一节的特征举例。

4、模型定义

[1]LR模型：

ln(p|1-p)＝β0+Σβi×Xi。其中，p为判为正类的概率，1-p为 判为负类的概率，ln为自然对数。β0和βi分别为待训练的截距和权重， Xi为特征向量分量。

[2]SVM模型：

核函数采用高斯核(RBF)

5、基准模型训练

[1]LR采用最大似然估计法和随机梯度下降法训练。

[2]SVM采用拉格朗日乘数法和SMO进行优化。

6、特征删减

LR基准模型去掉某些线性相关特征和影响显著因子较低的特征。

7、模型再训练

用新的特征进行训练。

<2>验证：

1、模型初估值：

用训练好的模型代入验证集的乘客和车主特征，得到p值。对于 p>0.5的判为正类。

2、由于最初历史时间的训练样本数据反映的是原策略下的基于规 则的长期的推单结果，这些结果原来是基于体抢单的，有一定的随 机性和行为时间不同的差别，是有偏的结果。如果简单的根据是否接 单、成单来判定并不能充分反映车主如何选择订单的真实意图和偏好。 因此本申请的目标不是保证一定精度下最大化正样本召回率，而是在 保证可接受召回率条件下，增加系统预测正样本中由专家标记满足非 常匹配接乘关系(简称好样本)的样本集合大小，从而使系统不仅反映 用户心理、偏好和系统策略偏差的现状，还具有更贴近用户、偏好及 一定的进化能力。具体方法是：

[1]求出正样本交集(TP)、丢失正样本集(TN)和误分负样本集 (FP)。评估丢失正样本集和误分负样本集中的好样本比例。其中，T 表示样本实际为正类，F表示样本实际为负类，P表示预测样本为正 类，N表示预测样本为负类。

[2]按照AUC(一种用来度量分类模型好坏的一个标准)、召 回率和上面步骤中的好样本比率进行模型调优。

<3>预测：

[1]用最终训练好的LR组合模型，代入待预测乘客和车主及 行程的对应特征，得到p值。对于p>0.5判为正类，并对p值进行区 间离散化和排序定级。反之判为负类。

[2]对于非确信样本(p<0.8或者与专家判定绝对匹配接乘正 样本和绝对非匹配负样本标准矛盾的正、负类样本)，用SVM模型， 特征同LR模型，得到SVM分类结果。

[3]将[1]和[2]按照级联模型，即确信样本直接由LR组合模型 的结果作为最终结果,非确信样本由SVM的结果作为最终结果。

<4>分级推送

取判为正样本的集合按照级别推单，对于无级别的采用随机分配 到最高级以外的级别组的方式进行推单。

本实施例提供的方法能够准确确定订单申请方和订单处理方的匹 配度，提高订单的完成率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供 了一种订单推送装置的一个实施例，该装置实施例与图2所示的方法 实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例上述的订单推送装置500包括：订单申请 信息接收单元501、推荐订单处理方信息获取单元502和订单推送单 元503。其中，订单申请信息接收单元501用于接收订单申请信息， 所述订单申请信息包括订单申请方信息、订单起点位置信息和订单终 点位置信息；推荐订单处理方信息获取单元502用于将所述订单申请 信息导入预先训练的订单推送模型进行匹配得到至少一个推荐订单处 理方信息，其中，所述订单推送模型用于表征订单申请信息与推荐订 单处理方信息的对应关系；订单推送单元503用于将所述订单申请信 息推送给对应所述推荐订单处理方信息的处理方终端。

在本实施例的一些可选的实现方式中，订单推送装置500还包括 订单推送模型构建单元(图中未示出)，用于建立订单推送模型，包括： 历史订单信息集合获取子单元(图中未示出)、样本订单筛选子单元(图 中未示出)、信息提取子单元(图中未示出)和订单推送模型训练子单 元(图中未示出)。其中，历史订单信息集合获取子单元用于获取历史 订单信息集合；样本订单筛选子单元用于从所述历史订单信息集合中 筛选出符合设定条件的订单信息作为样本订单，所述设定条件包括时 间条件和距离条件中的至少一项，所述样本订单包括正样本订单、负 样本订单、可疑正样本订单和可疑负样本订单中的至少一项；信息提 取子单元用于从所述样本订单中提取订单申请方信息、订单处理方信 息和订单内容信息，所述订单内容信息包括订单完成时间、订单完成 距离、订单成本收益中的至少一项；订单推送模型训练子单元用于利 用机器学习方法，基于所述订单申请方信息、订单处理方信息和订单 信息，训练得到订单推送模型。

在本实施例的一些可选的实现方式中，所述订单推送模型训练子 单元包括：第一订单推送模型训练模块(图中未示出)，用于将所述订 单申请方信息、订单处理方信息和订单信息导入LR模型，并对所述 LR模型进行训练得到LR训练模型，将测试样本导入所述LR训练模 型得到第一判断结果，若所述第一判断结果与所述测试样本对应，则 将所述LR训练模型设定为第一订单推送模型。

在本实施例的一些可选的实现方式中，所述第一订单推送模型训 练模块还包括：第一订单推送模型修正子模块(图中未示出)，用于在 所述第一判断结果与所述测试样本不对应时，调整所述样本订单中正 样本订单、负样本订单、可疑正样本订单和可疑负样本订单的比例， 将调整比例后的所述样本订单对应的订单申请方信息、订单处理方信 息和订单信息导入LR模型，并对所述LR模型进行训练得到LR训练 模型，直到所述LR训练模型得到的判断结果与所述测试样本对应。

在本实施例的一些可选的实现方式中，所述订单推送模型训练子 单元还包括：第二订单推送模型训练模块(图中未示出)，用于将所述 订单申请方信息、订单处理方信息和订单信息导入SVM模型，并对 所述SVM模型进行训练得到SVM训练模型，将测试样本导入所述 SVM训练模型得到第二判断结果，若所述第二判断结果与所述测试样 本对应，则将所述SVM训练模型设定为第二订单推送模型。

在本实施例的一些可选的实现方式中，所述第二订单推送模型训 练模块还包括：第二订单推送模型修正子模块(图中未示出)，用于在 所述第二判断结果与所述测试样本不对应时，调整所述样本订单中正 样本订单、负样本订单、可疑正样本订单和可疑负样本订单的比例， 将调整比例后的所述样本订单对应的订单申请方信息、订单处理方信 息和订单信息导入SVM模型，并对所述SVM模型进行训练得到SVM 训练模型，直到所述SVM训练模型得到的判断结果与所述测试样本 对应。

在本实施例的一些可选的实现方式中，所述推荐订单处理方信息 获取单元502包括：订单处理方信息获取子单元(图中未示出)、匹配 度排序子单元(图中未示出)和推荐订单处理方信息选择子单元(图 中未示出)。其中，订单处理方信息获取子单元用于将所述订单申请信 息导入所述订单推送模型得到包含匹配度的订单处理方信息，所述匹 配度用于表征根据所述订单申请信息确定订单处理方信息的准确性； 匹配度排序子单元用于按匹配度由大到小的顺序对所述订单处理方信 息进行排序；推荐订单处理方信息选择子单元用于将排序后的前设定 个所述订单处理方信息作为推荐订单处理方信息。

在本实施例的一些可选的实现方式中，所述订单处理方信息获取 子单元包括：对应关系确定模块(图中未示出)，用于将所述订单申请 信息导入所述第一订单推送模型得到对应所述订单申请信息的具有第 一匹配度的订单处理方信息，若所述第一匹配度在设定范围，则根据 所述第一匹配度建立所述订单申请信息与订单处理方信息的对应关 系，否则，通过将所述订单申请信息导入所述第二订单推送模型得到 对应所述订单申请信息的具有第二匹配度的订单处理方信息，根据所 述第二匹配度建立所述订单申请信息与订单处理方信息的对应关系。

本实施例还提供了一种订单推送系统，所述系统包括上述的所述 订单推送装置。

下面参考图6，其示出了适于用来实现本申请实施例的订单推送 服务器的计算机系统600的结构示意图。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其 可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608 加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作 和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数 据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入 /输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606； 包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的 输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、 调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如 因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口 605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等， 根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据 需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以 被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程 序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计 算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施 例中，该计算机程序可以通过通信部分609从网络上被下载和安装， 和/或从可拆卸介质611被安装。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、 方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点 上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码 的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于 实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的 实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发 生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们 有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的 是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的 组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现， 或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实 现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理 器中，例如，可以描述为：一种处理器包括订单申请信息接收单元、 推荐订单处理方信息获取单元和订单推送单元。其中，这些单元的名 称在某种情况下并不构成对该单元本身的限定，例如，订单推送单元 还可以被描述为“用于推送订单申请信息的单元”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质， 该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的 非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非 易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或 者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述 设备：接收订单申请信息，所述订单申请信息包括订单申请方信息、 订单起点位置信息和订单终点位置信息；将所述订单申请信息导入预 先训练的订单推送模型进行匹配得到至少一个推荐订单处理方信息， 其中，所述订单推送模型用于表征订单申请信息与推荐订单处理方信 息的对应关系；将所述订单申请信息推送给对应所述推荐订单处理方 信息的处理方终端。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说 明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限 于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离 所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合 而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。