租车中心仓选品方法、装置、设备及计算机可读存储介质制造方法及图纸

本申请实施例提供一种租车中心仓选品方法、装置、设备及计算机可读存储介质。该方法包括：获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。本申请实施例实现了精准地选品，使得租车中心仓停放的车辆与用户的需求匹配度高，进而提高了车辆周转率。

【技术实现步骤摘要】
租车中心仓选品方法、装置、设备及计算机可读存储介质
本申请实施例涉及数据处理领域，尤其涉及一种租车中心仓选品方法、装置、设备及计算机可读存储介质。
技术介绍
随着互联网线上业务的发展，越来越多的应用平台为大家提供便利。其中，为了方便人们出行，衍生出很多租车平台。租车平台设有中心仓，需要出行的用户可以通过租车平台根据所在地理位置选择所需租车的车型，并到所选车型的车辆所在中心仓提车，进而实现出行计划。由于中心仓的车辆是动态的来源于各个租赁公司的，因此，为了租车平台的逐渐发展，租车平台上的选品问题变得尤其重要。针对租车选品，目前是通过人工统计市场车辆情况，比如，需要对租车平台上网约车司机所开车辆的车型进行统计排序，认为平台上司机所开车型数量越多的越是热门的车型，将数据给到运营员工后手动将车型录入系统，通知渠道平台需要从车辆提供方获取哪些车型。但是人工统计需要大量的人工干预以及人为经验的决策，无法根据最新的市场行情以及用户需求的变动进行及时调整，而且每个城市的受欢迎车型不同。例如杭州司机开电动车的占比非常多，电动车相比油车更受欢迎；而在西北地区，由于充电桩的建设不完善以及地广人稀的特点，人们对于油车更加青睐；那么每在一个新城市开通租车平台，就需要去调研该城市当地的车辆情况和司机偏好程度，这样对于运营人力消耗非常大。因此，对于租车选品受多方因素的影响，现有技术无法精准地选品，进而使得中心仓停放的车辆与用户的需求匹配度低。
技术实现思路
本申请实施例提供一种租车中心仓选品方法、装置、设备及计算机可读存储介质，能够实现精准地选品，使得租车中心仓停放的车辆与用户的需求匹配度高，进而提高车辆周转率。第一方面，本申请实施例提供一种租车中心仓选品方法，应用于租车平台，该方法包括：获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。可选的，在所述得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据之前，所述方法还包括：获取多个预定城市中的每个预定城市在第二预设历史时间段内的历史特征数据和每个所述预定城市的各个租车中心仓在第三预设历史时间段内对各个车型的历史需求量，所述历史特征数据包括多个维度的数据；根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型；其中，第一预设历史时间段的时间间隔等于第二预设历史时间段的时间间隔，第二预设历史时间段的时间间隔大于第三预设历史时间段的时间间隔，预设时间段的时间间隔等于第三预设历史时间段的时间间隔。可选的，所述多个维度包括：租车平台下单维度、租车平台冒泡维度、租车平台司机维度、城市出行维度、租车中心仓环境维度、城市人口密度维度、城市环境维度、城市租赁公司维度以及城市人口收入维度；所述根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型，包括：对所述多个维度的数据进行归一化处理，得到多个维度的特征量；以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，其中，所述历史需求量为所述决策树模型训练过程中的标签；根据所述决策树模型的输出，以及作为所述标签的所述历史需求量之间的差异，调整所述决策树模型的参数，直至所述决策树模型达到期望训练效果；将所述达到期望训练效果的决策树模型作为所述车型需求预测模型。可选的，所述对所述多个维度的数据进行归一化处理，得到多个维度的特征量，包括：对所述租车中心仓环境维度的数据、所述城市环境维度的数据以及所述城市租赁公司维度的数据进行预定义编码，得到所述租车中心仓环境维度的特征量、所述城市环境维度的特征量以及所述城市租赁公司维度的特征量；将所述租车平台下单维度的下单车型数量作为所述租车平台下单维度的特征量，将所述租车平台冒泡维度的用户冒泡数量作为所述租车平台冒泡维度的特征量，将所述租车平台司机维度的司机数量作为所述租车平台司机维度的特征量，将所述城市出行维度的月均出行数量作为所述城市出行维度的特征量，将所述城市人口密度维度的人口密度值作为所述城市人口密度维度的特征量，将所述城市人口收入维度的人均月收入值作为所述城市人口收入维度的特征量。可选的，所述以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，包括：根据每个所述预定城市的每个租车中心仓对应的各个所述维度的特征量，生成第一矩阵；根据每个所述预定城市的每个租车中心仓对应的各个车型的历史需求量，生成第二矩阵；根据所述第一矩阵和所述第二矩阵，形成所述训练样本，所述训练样本为所述第一矩阵和所述第二矩阵的合并矩阵，其中，所述第一矩阵为所述合并矩阵中的第一输入量X，所述第二矩阵作为所述合并矩阵的标签输入量Y，所述第一输入量X对应唯一的所述标签输入量Y；将所述第一输入量X和标签输入量Y同步输入到所述决策树模型中训练，输出所述标签输入量Y对应的预测值。可选的，所述根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，包括：对所述特征数据进行归一化处理，得到所述特征数据分布在所述目标城市中各个租车中心仓对应的目标特征量；将所述目标特征数据对应的特征量输入到所述车型需求预测模型中，得到所述目标城市中各个租车中心仓在预设时间段内对车型需求的车型需求预测数据。可选的，所述车型需求预测数据包括多个预选车型的预测需求量；所述根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果，包括：根据所述多个预选车型中每个预选车型的预测需求量，通过需求转化率，计算所述目标城市中各个租车中心仓在预设时间段内对每个预选车型需求的第一实际需求量；针对每个租车中心仓，对每个所述预选车型对应的第一实际需求量依据从高到低的顺序进行排序；将在预设排名顺序内的所有预选车型作为所述租车中心仓的选品结果。可选的，所述需求转化率是由历史需求量和所述历史需求量对应的预测值作比值得到的；所述历史需求量对应的预测值是对所述决策树模型训练过程中得到的。可选的，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：将所述选品结果对应的车型推送至各个用户端，以使各个所述用户端的用户针对所述选品结果对应的车型进行意见反馈；接收各个所述用户端的反馈信息，并根据所述反馈信息，调整所述选品结果。可选的，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：根据各个所述租车中心仓的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个本文档来自技高网...

【技术保护点】
1.一种租车中心仓选品方法，其特征在于，应用于租车平台，所述方法包括：/n获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；/n根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；/n根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。/n

【技术特征摘要】
1.一种租车中心仓选品方法，其特征在于，应用于租车平台，所述方法包括：
获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；
根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；
根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。


2.根据权利要求1所述的方法，其特征在于，在所述得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据之前，所述方法还包括：
获取多个预定城市中的每个预定城市在第二预设历史时间段内的历史特征数据和每个所述预定城市的各个租车中心仓在第三预设历史时间段内对各个车型的历史需求量，所述历史特征数据包括多个维度的数据；
根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型；
其中，第一预设历史时间段的时间间隔等于第二预设历史时间段的时间间隔，第二预设历史时间段的时间间隔大于第三预设历史时间段的时间间隔，预设时间段的时间间隔等于第三预设历史时间段的时间间隔。


3.根据权利要求2所述的方法，其特征在于，所述多个维度包括：租车平台下单维度、租车平台冒泡维度、租车平台司机维度、城市出行维度、租车中心仓环境维度、城市人口密度维度、城市环境维度、城市租赁公司维度以及城市人口收入维度；
所述根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型，包括：
对所述多个维度的数据进行归一化处理，得到多个维度的特征量；
以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，其中，所述历史需求量为所述决策树模型训练过程中的标签；
根据所述决策树模型的输出，以及作为所述标签的所述历史需求量之间的差异，调整所述决策树模型的参数，直至所述决策树模型达到期望训练效果；
将所述达到期望训练效果的决策树模型作为所述车型需求预测模型。


4.根据权利要求3所述的方法，其特征在于，所述对所述多个维度的数据进行归一化处理，得到多个维度的特征量，包括：
对所述租车中心仓环境维度的数据、所述城市环境维度的数据以及所述城市租赁公司维度的数据进行预定义编码，得到所述租车中心仓环境维度的特征量、所述城市环境维度的特征量以及所述城市租赁公司维度的特征量；
将所述租车平台下单维度的下单车型数量作为所述租车平台下单维度的特征量，将所述租车平台冒泡维度的用户冒泡数量作为所述租车平台冒泡维度的特征量，将所述租车平台司机维度的司机数量作为所述租车平台司机维度的特征量，将所述城市出行维度的月均出行数量作为所述城市出行维度的特征量，将所述城市人口密度维度的人口密度值作为所述城市人口密度维度的特征量，将所述城市人口收入维度的人均月收入值作为所述城市人口收入维度的特征量。


5.根据权利要求3所述的方法，其特征在于，所述以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，包括：
根据每个所述预定城市的每个租车中心仓对应的各个所述维度的特征量，生成第一矩阵；
根据每个所述预定城市的每个租车中心仓对应的各个车型的历史需求量，生成第二矩阵；
根据所述第一矩阵和所述第二矩阵，形成所述训练样本，所述训练样本为所述第一矩阵和所述第二矩阵的合并矩阵，其中，所述第一矩阵为所述合并矩阵中的第一输入量X，所述第二矩阵作为所述合并矩阵的标签输入量Y，所述第一输入量X对应唯一的所述标签输入量Y；
将所述第一输入量X和标签输入量Y同步输入到所述决策树模型中训练，输出所述标签输入量Y对应的预测值。


6.根据权利要求1...

【专利技术属性】
技术研发人员：李敏，孟格思，安康，王瑜，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11