CN109117973A - 一种网约车订单量预测方法及装置 - Google Patents

Abstract

本申请提供一种网约车订单量预测方法及装置，该方法包括：获取下单热点区域；从所述下单热点区域的用户服务数据中提取若干特征样本；其中，所述特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据特征中的订单量特征；所述第一预设时间段早于第二预设时间段；将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型，并基于训练出的所述订单预测模型预测所述下单热点区域在未来目标时间段的订单量。使用本申请提供的方法可实现下单热点区域订单量的预测。

Description

一种网约车订单量预测方法及装置

技术领域

本申请涉及计算机通信领域，尤其涉及一种网约车订单量预测方法及装置。

背景技术

随着智能设备和移动互联网技术的发展，结合互联网的新型出行方式，如网约车等也出现了蓬勃的发展。

为了更好地满足用户的出行需求以及运营人员的运营需求，可基于下单热点区域的历史下单量预测未来的下单量，通过预测到的未来的下单量实现对司机的合理调配等业务。因此，预测热点区域的订单下单量就成为业界亟待解决的问题。

发明内容

有鉴于此，本申请提供一种网约车订单量预测方法及装置，用以预测下单热点区域的订单量。

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，提供一种网约车订单量预测方法，所述方法包括：

获取下单热点区域；

从所述下单热点区域的用户服务数据中提取若干特征样本；其中，所述特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据特征中的订单量特征；所述第一预设时间段早于第二预设时间段；

将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型，并基于训练出的所述订单预测模型预测所述下单热点区域在未来目标时间段的订单量。

可选的，所述用户服务数据包括订单数据以及多个维度的与用户下单相关的实时数据；

所述从所述下单热点区域的用户服务数据中提取若干特征样本，包括：

获取与所述下单热点区域对应的实时订单数据以及多个维度的与用户下单相关的实时数据；

获取与所述下单热点区域对应的与当前时间段间隔若干预设时间段的历史订单数据；

将所述实时订单数据、所述多个维度的与用户下单相关的实时数据以及所述历史订单数据作为所述下单热点区域的用户服务数据；

从所述下单热点区域的用户服务数据中提取若干特征样本。

可选的，所述方法还包括：

基于预留的特征样本，对所述订单预测模型进行验证。

可选的，所述基于预留的特征样本，对所述订单预测模型进行验证，包括：

基于预设的时间分界点，从所述特征样本中划分出验证特征样本；

基于所述验证特征样本，对所述订单预测模型进行验证。

可选的，所述基于预留的特征样本，对所述订单预测模型进行验证，包括：

将所述特征样本划分为若干份；

轮换选取所述若干份特征样本中的预设份数的特征样本作为验证特征样本；

基于所述验证特征样本，对所述订单预测模型进行验证。

可选的，从所述多个维度的与用户下单相关的实时数据提取的特征包括下单时间特征、下单位置特征、交通特征、天气特征。

可选的，从所述订单数据中提取的特征包括订单下单量特征，订单应答量特征，订单取消量特征，订单应答时长特征以及用户操作特征。

可选的，所述用户操作特征包括用户路径发起特征。

可选的，所述将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型，包括：

将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量，输入订单预测模型；

基于所述第一预设时间段的用户服务数据特征，通过所述订单预测模型，计算第二预设时间段的订单量；

将计算出的第二时间段的订单量与所述预测变量进行误差计算，若计算出的误差大于等于预设误差阈值，则调整订单预测模型的参数，直至所述计算出的误差小于该预设误差阈值。

根据本申请的第二方面，提供一种网约车订单量预测装置，所述装置包括：

获取单元，用于获取下单热点区域；

提取单元，用于从所述下单热点区域的用户服务数据中提取若干特征样本；其中，所述特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据特征中的订单量特征；所述第一预设时间段早于第二预设时间段；

训练单元，用于将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型；

预测单元，用于基于训练出的所述订单预测模型预测所述下单热点区域在未来目标时间段的订单量。

可选的，所述用户服务数据包括订单数据以及多个维度的与用户下单相关的实时数据；

所述提取单元，具体用于获取与所述下单热点区域对应的实时订单数据以及多个维度的与用户下单相关的实时数据；获取与所述下单热点区域对应的与当前时间段间隔若干预设时间段的历史订单数据；将所述实时订单数据、所述多个维度的与用户下单相关的实时数据以及所述历史订单数据作为所述下单热点区域的用户服务数据；从所述下单热点区域的用户服务数据中提取若干特征样本。

可选的，所述装置还包括：验证单元，用于基于预留的特征样本，对所述订单预测模型进行验证。

可选的，所述验证单元，具体用于基于预设的时间分界点，从所述特征样本中划分出验证特征样本；基于所述验证特征样本，对所述订单预测模型进行验证。

可选的，所述验证单元，具体用于将所述特征样本划分为若干份；轮换选取所述若干份特征样本中的预设份数的特征样本作为验证特征样本；基于所述验证特征样本，对所述订单预测模型进行验证。

可选的，从所述多个维度的与用户下单相关的实时数据提取的特征包括下单时间特征、下单位置特征、交通特征、天气特征。

可选的，从所述订单数据中提取的特征包括订单下单量特征，订单应答量特征，订单取消量特征，订单应答时长特征以及用户操作特征。

可选的，所述用户操作特征包括用户路径发起特征。

可选的，所述训练单元，具体用于将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量，输入订单预测模型；基于所述第一预设时间段的用户服务数据特征，通过所述订单预测模型，计算第二预设时间段的订单量；将计算出的第二时间段的订单量与所述预测变量进行误差计算，若计算出的误差大于等于预设误差阈值，则调整订单预测模型的参数，直至所述计算出的误差小于该预设误差阈值。

本申请提供一种网约车订单量预测方法，后台服务端可获取下单热点区域；从所述下单热点区域的用户服务数据中提取若干特征样本，该特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据中的订单量特征，该第一预设时间段早于第二预设时间段。后台服务端可将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型，并基于训练出的订单预测模型预测对所述下单热点区域的未来目标时间段的订单量进行预测。

一方面，由于后台服务器可基于用户服务数据，通过机器学习的方法来训练订单预测模型，通过订单预测模型对下单热点区域未来目标时间段的订单量进行预测，从而实现了动态预测下单热点区域的订单量，与人工预测相比，预测的实时性与准确性得以提高；

另一方面，由于用户服务数据包括与用户下单相关的实时数据，如天气数据、交通数据等，使得在训练预测模型时不仅参考订单数据等，还参考了与用户下单相关的实时数据，使得训练订单预测模型更为精确。

附图说明

图1是本申请一示例性实施例示出的一种网约车的网络架构图；

图2是本申请一示例性实施例示出的一种网约车订单量预测方法的流程图；

图3是本申请一示例性实施例示出的下单热点区域的示意图；

图4是本申请一示例性实施例示出的下单热点区域订单量预测结果的示意图；

图5是本申请一示例性实施例示出的一种网约车订单量预测装置的硬件结构图；

图6是本申请一示例性实施例示出的一种网约车订单量预测装置的逻辑框图。

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”。

参见图1，图1是本申请一示例性实施例示出的一种网约车的网络架构图。该网约车的网络架构可包括网约车的后台服务端、网约车的客户端。

其中，上述网约车的客户端通常搭载在用户的终端设备上，用户可以通过移动智能终端设备上的网约车的客户端进行打车、约车等操作。

通常，网约车的客户端可包括乘客客户端和司机客户端等。

乘客客户端可为乘客提供触发打车、约车相关操作的选项，例如，乘客可从乘客客户端上看到自己当前所在位置，以及可以看到周围空车的情况。在打车，或者约车时，乘客可在乘客客户端上设定自己的目的地以及上车时间等，然后提交订单。

司机客户端可为司机提供应答乘客订单等相关操作的选项。例如，司机客户端可为司机显示乘客所提交的订单，司机可通过司机客户端来接受用户所下的订单等。

上述网约车的后台服务端，可包括由多台服务器组织的分布式平台等。主要用于对司机信息进行管理；对乘客提交的订单进行决策分配，以将订单分配给合适的司机等；以及对乘客的订单数据进行统计分析，为网约车的运营等其他业务提供数据支持等。

在上述网络架构下，乘客可通过乘客客户端设定目的地，上车时间等相关信息，设定完成后，乘客可提交这些信息。乘客客户端可基于乘客提交的信息生成订单。

乘客客户端可将乘客的订单发送给网约车的后台服务端，后台服务端基于预设的分配决策算法，来为该订单分配合适的一个或者多个司机。然后将该订单发送给这一个或者多个司机的司机客户端。

司机客户端在接收到该订单，并确认接单后，可向后台服务端返回确认接单的消息。后台服务端可基于该确认接单的消息所对应的司机客户端，向乘客返回该司机的相关信息，从而完成乘客通过互联网的打车约车的操作。

然而，随着大数据技术的蓬勃发展，基于海量用户订单的统计分析也变得意义重大。通过对海量的用户服务数据进行统计分析，可指导一些业务。

例如，通过对海量的用户服务数据的统计分析，可预测下单热点区域的未来目标时间段的订单量，对于指导车辆调度、运营等都具有重大意义。

然而，相关的预测技术通常是采用人工预测的方法来对下单热点区域的订单量进行预测。对于人工预测，一方面，通常需要基于人的经验，来对下单热点区域的订单量进行预测，由于不同人对同样的数据预测出的结果不同，使得预测结果不准确；另一方面，人工预测只能在较粗的时间粒度上进行预测，不能做到更精细的时间粒度的预测；第三方面，人工预测的实时性较差。

有鉴于此，本申请提供一种网约车订单量预测方法，后台服务端可获取下单热点区域；从所述下单热点区域的用户服务数据中提取若干特征样本，该特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据中的订单量特征，该第一预设时间段早于第二预设时间段。后台服务端可将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型，并基于训练出的订单预测模型预测对所述下单热点区域的未来目标时间段的订单量进行预测。

一方面，由于后台服务器可基于用户服务数据，通过机器学习的方法来训练订单预测模型，通过订单预测模型对下单热点区域未来目标时间段的订单量进行预测，从而实现了动态预测下单热点区域的订单量，与人工预测相比，预测的实时性与准确性得以提高；

另一方面，由于用户服务数据包括与用户下单相关的实时数据，如天气数据、交通数据等，使得在训练预测模型时不仅参考订单数据等，还参考了与用户下单相关的实时数据，使得训练订单预测模型更为精确。

参见图2，图2是本申请一示例性实施例示出的一种网约车订单量预测方法的流程图。该流程主要包括步骤201至步骤203。

步骤201：获取下单热点区域；

步骤202：从所述下单热点区域的用户服务数据中提取若干特征样本；其中，所述特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据特征中的订单量特征；所述第一预设时间段早于第二预设时间段；

步骤203：将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据中的订单量特征作为预测变量训练订单预测模型，并基于训练出的订单预测模型预测所述下单热点区域的未来目标时间段的订单量。

其中，上述下单热点区域，可包括用户下单量超过预设下单量阈值的区域。如图3所示，图3中的实心圆即为下单热点区域。

上述用户服务数据，可包括与用户下单相关的所有数据。例如，该用户服务数据可包括订单数据以及多个维度的与用户下单相关的实时数据。

后台服务端可从该用户数据中提取用户数据特征，该用户数据特征包括订单特征和多个维度的与用户下单相关的实时数据对应的特征。

其中，多个维度的与用户下单相关的实时数据对应的特征可包括下单时间特征、下单位置特征、交通特征和天气特征等。

上述下单时间特征可包括若干个维度，例如可包括，下单时间属于星期几，下单时间属于一天中的第几个小时，下单时间属于第几个小时的第几个时间片，该下单时间是否为工作日，是否为节假日，是否为周末，是否为加班日等多个维度。

上述下单位置特征可包括若干维度，可包括下单位置所在区域的中心经纬度；下单位置所在预设区域的建筑特征，如，下单位置所在区域是否包含地铁站、居民区、办公楼、火车站、商场等。上述下单位置特征还可包括：该下单位置所在预设区域是否处在每个时间段上下单量都普遍高于平均下单量的区域，例如该下单位置所在预设区域是否处于国贸、望京等区域。此外，下单位置特征还可包括：该下单位置所在区域是否是用户常设置的起、终点区域等多个维度。

上述交通特征可包括若干维度，可包括当前下单位置所在区域的交通拥堵等级、驶入该下单位置所在区域的车辆的平均速度以及驶出该下单热点位置所在区域的车辆的平均车速等。

上述天气特征可包括若干维度，例如可包括温度、湿度、风速、风向、空气质量、PM2.5，降水情况等天气信息。

上述订单特征主要是指从用户提交的订单上反馈出的数据所提取到的特征，可包括订单下单量特征、订单应答量特征、订单取消量特征、订单应答时长特征以及用户操作数据特征。

其中，上述订单下单量特征包括某一时间段的订单下单量，以及该某一时间段的订单下单量除以上一时间段订单下单量所得到的结果。例如，某一时间段记为t，则订单下单量可包括t时间段的订单下单量，以及t时间段订单下单量除以t-1时间段订单下单量所得的结果。

上述订单应答量特征包括某一时间段的订单应答量，以及该某一时间段的订单应答量除以上一时间段订单应答量所得到的结果。例如，某一时间段记为t，则订单应答量可包括t时间段的订单应答量，以及t时间段订单应答量除以t-1时间段订单应答量所得的结果。

上述订单取消量特征包括某一时间段的订单取消量，以及该某一时间段的订单取消量除以上一时间段订单取消量所得到的结果。例如，某一时间段记为t，则订单取消量可包括t时间段的订单取消量，以及t时间段订单取消量除以t-1时间段订单取消量所得的结果。

上述订单应答时长特征，包括某一时间段的平均应答时长、某一时间段的预设分位的应答时长，例如75％、90％分位的应答时长等。该预设分位可由开发人员根据实际情况进行设定，这里只是对预设分位的示例性说明，不对其进行具体地限定。

上述用户操作特征可包括用户路径发起特征等。对于用户路径发起特征，可理解为用户设定起点、终点这一行为相关的特征。该用户路径发起特征可包括在某一时间段的用户路径发起次数，该某一时间段的用户路径发起次数除以上一时间段的用户路径发起次数，以及去重用户路径发起次数等多个维度，例如去掉同一用户多个路径发起次数后所得到路径发起次数。

其中，上述预设时间段可由开发人员根据实际情况进行划分，通常可为10分钟、5分钟等，这里只是对预设时间段进行示例性地说明，不对其进行具体地限定。

在本申请实施例中，后台服务端可获取下单热点区域，然后从该下单热点区域的用户服务数据中提取特征样本，并进行储存。后台服务端可使用该储存的特征样本对订单预测模型进行训练，并基于训练好的订单预测模型对该下单热点区域的未来目标时间段的订单量进行预测。

下面从获取下单热点区域、提取特征样本、训练订单预测模型以及订单量预测四个方面，对本申请提供的网约车订单量预测方法进行详细地说明。

1)获取下单热点区域

在本申请实施例中，后台服务端可接收其他业务系统确定出的下单热点区域或者后台服务端还可接收人工录入的下单热点区域。当然，后台服务端还可自动确定并识别下单热点区域。

以该后台服务端自动确定并识别下单热点区域为例，后台服务端可从采集到的用户订单数据中提取用户下单的定位位置，动态确定出下单区域。然后从各个下单区域中筛选出订单量大于预设阈值的下单热点区域。

这里只是对获取下单热点区域的方法进行示例性地说明，不对其进行具体地限定。

2)提取特征样本

在本申请实施例中，在获取到该下单热点区域后，后台服务端可获取与该下单热点区域对应的用户服务数据，并从用户服务数据中提取若干特征样本。

为了提高订单预测模型的准确性，后台服务端在获取用户服务数据时，不仅可以获取该下单热点区域对应的实时订单数据以及多个维度的与用户下单相关的实时数据，还可以获取该下单热点区域历史订单数据。

对于获得该下单热点区域的实时订单数据以及多个维度的与用户下单相关的实时数据。

需要说明的是，由于在当前时间段时，无法获取当前时间段的全部订单数据，所以对于实时订单数据可以理解为，与当前时间段极为接近的并且早于当前时间段的时间段中的订单数据。例如，假设当前时间段为t时间段，当前订单数据可理解为t-1、t-2等时间段的订单数据。

对于多个维度的与用户下单相关的实时数据，也可以理解为与当前时间段极为接近的早于当前时间段中的多个维度的与用户下单相关的实时数据。

其中，对于与当前极为接近的时间段可以理解为与当前时间段的时间距离小于预设时间阈值的时间段。

在本申请实施例中，后台服务端还可获取历史订单数据。在获取时，后台服务端可获取与该下单热点区域对应的与当前时间段间隔若干预设时间段的历史订单数据。

例如，假设预设时间段为一周，即七天，假设当前时间段为6月最后一周的周三的t时间段，后台服务端可获取t时间段间隔七天的历史订单数据，即可获取6月前几周周三的t时间段的历史订单数据。

在本申请实施例中，在获取到上述用户服务数据后，可以基于上述特征提取的维度，从上述用户服务数据中提取若干特征样本。例如，后台服务端可从用户服务数据中的多个维度的与用户下单相关的实时数据中提取下单时间特征、下单位置特征、天气特征以及交通特征等，从用户服务数据中的订单数据中提取订单下单量特征、订单应答量特征、订单取消量特征，订单应答时长特征以及用户操作特征等。

然后，后台服务端可对提取到的特征进行预处理，生成特征样本。

在预处理时，后台服务端可基于特征所对应的时间段，对特征进行组合，生成特征样本，使得每个特征样本都包括第一预设时间段的用户服务数据特征，第二预设时间段的订单量特征，其中第一预设时间段早于第二预设时间段。

例如，上述提取出的特征对应的时间段分别为t-5、t-4、t-3、t-2和t-1。则形成的特征样本可以是特征样本1至特征样本4。其中，特征样本1包括t-5时间段的用户服务数据特征和t-4时间段的订单量特征。特征样本2包括t-4时间段的用户服务数据特征和t-3时间段的订单量特征。特征样本3包括t-3时间段的用户服务数据特征和t-2时间段的订单量特征。特征样本4包括t-2时间段的用户服务数据特征和t-1时间段的订单量特征。

3)训练订单预测模型

在本申请实施例中，一方面，由于训练订单预测模型的特征样本不仅可以包括某一时间段的从实时订单数据和多个维度的与用户下单相关的实时数据中提取的特征，还包括与某一时间段间隔若干个时间段的历史订单数据中提取的特征，使得训练出的预测模型实时性更强；另一方面，训练订单预测模型的特征样本还包括从与用户下单相关的实时数据中提取的特征，如天气特征、交通特征等，使得基于该特征样本训练出的订单预测模型更加精准。

在训练时，后台服务端可将特征样本中的第一时间段的用户服务数据特征作为输入变量，将第二时间段的订单量特征作为预测变量输入订单预测模型。然后，后台服务端可基于所述第一预设时间段的用户服务数据特征，通过所述订单预测模型，计算第二预设时间段的订单量，并可将计算出的针对第二预设时间段的订单量与该预测变量进行误差计算。当该计算出的订单量与预测变量的误差大于等于预设误差阈值时，后台服务端可反向调整该订单预测模型的参数，使得计算结果与预测变量的误差收敛(如，计算结果与预测变量的误差小于预设误差阈值)，据此来训练订单预测模型。当订单预测模型预测出的目标时间段的订单量与该目标时间段真实的订单量的误差小于预设误差阈值时，可确定该订单预测模型训练完成。

例如，假设特征样本包括t-2时间段的用户服务数据特征和t-1时间段的订单量特征，后台服务端可基于t-2时间段的用户服务数据特征计算t-1时间的订单量，然后将计算得到的t-1时间段的订单量与预测变量(即t-1时间段实际的订单量)进行误差计算，在误差大于预设误差阈值时，反向调整订单预测模型的参数。

在本申请实施例中，在订单预测模型训练完成后，为了提高模型的准确性，还可对订单预测模型进行验证。

在实现时，后台服务端可预留一部分特征样本，对订单预测模型进行验证。

在一种可选的实现方式中，后台服务端可基于预设的时间分界点，从上述提取出的特征样本中划分验证特征样本，并基于该样本特征样本，对该订单预测模型进行验证。

例如，假设后台服务端选取了历史60天的用户服务数据特征进行模型训练，后台服务端可选取前53天的用户服务数据特征作为训练特征样本，将后7天的用户服务数据特征作为验证特征样本，对订单预测模型进行验证。

在另一种可选的实现方式中，后台服务端可将提取到的特征样本划分为若干份，然后可轮换选取该若干特征样本中的预设份数的特征样本，作为验证特征样本。并基于该验证特征样本，对该订单预测模型进行验证。

例如，后台服务端可采用十折交叉验证法。如，后台服务端可将特征样本划分为十份，然后把其中九份作为训练特征样本，另一份作为验证特征样本，然后轮换十次，对上述预测模型进行验证。

3)订单量预测

在订单预测模型训练完成后，后台服务端可将实时用户服务数据特征输入该订单预测模型即可预测出未来目标时间段的订单量。

例如，假设当前时间段是t时间段，预测是在t时间段开始，后台服务端可基于t-1时间段的用户服务数据特征，预测出t+1时间段的下单量，或者t+2、t+3时间段的用户服务数据。

预测出的下单热点区域的订单量，可如图4所示，在图4中，实心圆表示下单热点区域，实心圆中的数据表示该下单热点区域的订单量。

本申请提供一种网约车订单量预测方法，后台服务端可获取下单热点区域；从所述下单热点区域的用户服务数据中提取若干特征样本，该特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据特征中的订单量特征，该第一预设时间段早于第二预设时间段。后台服务端可将所述第一预设时间段的用户服务数据作为输入变量，将所述第二预设时间段的用户服务数据中的订单量作为预测变量训练订单预测模型，并基于训练出的订单预测模型预测所述热点区域的未来目标时间段的订单量。

一方面，由于后台服务器可基于用户服务数据，通过机器学习的方法来训练订单预测模型，通过订单预测模型对热点区域未来目标时间段的订单量进行预测，从而实现了动态预测下单热点区域的订单量，提高了预测的实时性与准确性；

另一方面，由于用户服务数据包括与用户下单相关的实时数据，如天气数据、交通数据等，使得在训练预测模型时不仅参考订单数据等，还参考了与用户下单相关的实时数据，使得训练订单预测模型更为精确。

与前述网约车订单量预测方法的实施例相对应，本申请还提供了网约车订单量预测装置的实施例。

本申请网约车订单量预测装置的实施例可以应用在后台服务端上。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，是通过其所在后台服务端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。从硬件层面而言，如图5所示，为本申请网约车订单量预测装置所在后台服务端的一种硬件结构图，除了图5所示的处理器、内存、网络出接口、以及非易失性存储器之外，实施例中装置所在的后台服务端通常根据该后台服务端的实际功能，还可以包括其他硬件，对此不再赘述。

请参考图6，图6是本申请一示例性实施例示出的一种网约车订单量预测装置的逻辑框图。该装置可如下所述单元。

获取单元610，用于获取下单热点区域；

提取单元620，用于从所述下单热点区域的用户服务数据中提取若干特征样本；其中，所述特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据特征中的订单量特征；所述第一预设时间段早于第二预设时间段；

训练单元630，用于将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型；

预测单元640，用于基于训练出的所述订单预测模型预测所述热点区域在未来目标时间段的订单量。

在一种可选的实现方式中，所述用户服务数据包括订单数据以及多个维度的与用户下单相关的实时数据；

所述提取单元620，具体用于获取与所述下单热点区域对应的实时订单数据以及多个维度的与用户下单相关的实时数据；获取与所述下单热点区域对应的与当前时间段间隔若干预设时间段的历史订单数据；将所述实时订单数据、所述多个维度的与用户下单相关的实时数据以及所述历史订单数据作为所述下单热点区域的用户服务数据；从所述下单热点区域的用户服务数据中提取若干特征样本。

在另一种可选的实现方式中，所述装置还包括：验证单元650，用于基于预留的特征样本，对所述订单预测模型进行验证。

在另一种可选的实现方式中，所述验证单元650，具体用于基于预设的时间分界点，从所述特征样本中划分出验证特征样本；基于所述验证特征样本，对所述订单预测模型进行验证。

在另一种可选的实现方式中，所述验证单元650，具体用于将所述特征样本划分为若干份；轮换选取所述若干份特征样本中的预设份数的特征样本作为验证特征样本；基于所述验证特征样本，对所述订单预测模型进行验证。

在另一种可选的实现方式中，从所述多个维度的与用户下单相关的实时数据提取的特征包括下单时间特征、下单位置特征、交通特征、天气特征。

在另一种可选的实现方式中，从所述订单数据中提取的特征包括订单下单量特征，订单应答量特征，订单取消量特征，订单应答时长特征以及用户操作特征。

在另一种可选的实现方式中，所述用户操作特征包括用户路径发起特征。

在另一种可选的实现方式中，所述训练单元，具体用于将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量，输入订单预测模型；基于所述第一预设时间段的用户服务数据特征，通过所述订单预测模型，计算第二预设时间段的订单量；将计算出的第二时间段的订单量与所述预测变量进行误差计算，若计算出的误差大于等于预设误差阈值，则调整订单预测模型的参数，直至所述计算出的误差小于该预设误差阈值。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

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。

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。

Claims (18)

1.一种网约车订单量预测方法，其特征在于，所述方法包括：

获取下单热点区域；

从所述下单热点区域的用户服务数据中提取若干特征样本；其中，所述特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据特征中的订单量特征；所述第一预设时间段早于第二预设时间段；

将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型，并基于训练出的所述订单预测模型预测所述下单热点区域在未来目标时间段的订单量。

2.根据权利要求1所述的方法，其特征在于，所述用户服务数据包括订单数据以及多个维度的与用户下单相关的实时数据；

所述从所述下单热点区域的用户服务数据中提取若干特征样本，包括：

获取与所述下单热点区域对应的实时订单数据以及多个维度的与用户下单相关的实时数据；

获取与所述下单热点区域对应的与当前时间段间隔若干预设时间段的历史订单数据；

将所述实时订单数据、所述多个维度的与用户下单相关的实时数据以及所述历史订单数据作为所述下单热点区域的用户服务数据；

从所述下单热点区域的用户服务数据中提取若干特征样本。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于预留的特征样本，对所述订单预测模型进行验证。

4.根据权利要求3所述的方法，其特征在于，所述基于预留的特征样本，对所述订单预测模型进行验证，包括：

基于预设的时间分界点，从所述特征样本中划分出验证特征样本；

基于所述验证特征样本，对所述订单预测模型进行验证。

5.根据权利要求3所述的方法，其特征在于，所述基于预留的特征样本，对所述订单预测模型进行验证，包括：

将所述特征样本划分为若干份；

轮换选取所述若干份特征样本中的预设份数的特征样本作为验证特征样本；

基于所述验证特征样本，对所述订单预测模型进行验证。

6.根据权利要求2所述的方法，其特征在于，从所述多个维度的与用户下单相关的实时数据提取的特征包括下单时间特征、下单位置特征、交通特征、天气特征。

7.根据权利要求2所述的方法，其特征在于，从所述订单数据中提取的特征包括订单下单量特征，订单应答量特征，订单取消量特征，订单应答时长特征以及用户操作特征。

8.根据权利要求7所述的方法，其特征在于，所述用户操作特征包括用户路径发起特征。

9.根据权利要求1所述的方法，其特征在于，所述将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型，包括：

将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量，输入订单预测模型；

基于所述第一预设时间段的用户服务数据特征，通过所述订单预测模型，计算第二预设时间段的订单量；

将计算出的第二时间段的订单量与所述预测变量进行误差计算，若计算出的误差大于等于预设误差阈值，则调整订单预测模型的参数，直至计算出的误差小于该预设误差阈值。

10.一种网约车订单量预测装置，其特征在于，所述装置包括：

获取单元，用于获取下单热点区域；

提取单元，用于从所述下单热点区域的用户服务数据中提取若干特征样本；其中，所述特征样本至少包括第一预设时间段的用户服务数据特征和第二预设时间段的用户服务数据特征中的订单量特征；所述第一预设时间段早于第二预设时间段；

训练单元，用于将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量训练订单预测模型；

预测单元，用于基于训练出的所述订单预测模型预测所述下单热点区域在未来目标时间段的订单量。

11.根据权利要求10所述的装置，其特征在于，所述用户服务数据包括订单数据以及多个维度的与用户下单相关的实时数据；

所述提取单元，具体用于获取与所述下单热点区域对应的实时订单数据以及多个维度的与用户下单相关的实时数据；获取与所述下单热点区域对应的与当前时间段间隔若干预设时间段的历史订单数据；将所述实时订单数据、所述多个维度的与用户下单相关的实时数据以及所述历史订单数据作为所述下单热点区域的用户服务数据；从所述下单热点区域的用户服务数据中提取若干特征样本。

12.根据权利要求10所述的装置，其特征在于，所述装置还包括：验证单元，用于基于预留的特征样本，对所述订单预测模型进行验证。

13.根据权利要求12所述的装置，其特征在于，所述验证单元，具体用于基于预设的时间分界点，从所述特征样本中划分出验证特征样本；基于所述验证特征样本，对所述订单预测模型进行验证。

14.根据权利要求12所述的装置，其特征在于，所述验证单元，具体用于将所述特征样本划分为若干份；轮换选取所述若干份特征样本中的预设份数的特征样本作为验证特征样本；基于所述验证特征样本，对所述订单预测模型进行验证。

15.根据权利要求11所述的装置，其特征在于，从所述多个维度的与用户下单相关的实时数据提取的特征包括下单时间特征、下单位置特征、交通特征、天气特征。

16.根据权利要求11所述的装置，其特征在于，从所述订单数据中提取的特征包括订单下单量特征，订单应答量特征，订单取消量特征，订单应答时长特征以及用户操作特征。

17.根据权利要求16所述的装置，其特征在于，所述用户操作特征包括用户路径发起特征。

18.根据权利要求10所述的装置，其特征在于，所述训练单元，具体用于将所述第一预设时间段的用户服务数据特征作为输入变量，将所述第二预设时间段的用户服务数据特征中的订单量特征作为预测变量，输入订单预测模型；基于所述第一预设时间段的用户服务数据特征，通过所述订单预测模型，计算第二预设时间段的订单量；将计算出的第二时间段的订单量与所述预测变量进行误差计算，若计算出的误差大于等于预设误差阈值，则调整订单预测模型的参数，直至所述计算出的误差小于该预设误差阈值。