一种订单类型的预测方法、预测装置及可读存储介质制造方法及图纸

本申请提供了一种订单类型的预测方法、预测装置及可读存储介质，通过从预先构建好的多关系异质信息模型图中，获取订单中的出行始发地的第一关系特征向量和出行目的地的第二关系特征向量；基于出行始发地信息和第一关系特征向量，确定出行始发地的第一预测特征向量，基于出行目的地信息和第二关系特征向量，确定出行目的地的第二预测特征向量；基于第一预测特征向量和第二预测特征向量，确定订单的订单类型。这样，不仅可以减少预测过程中处理的数据量，而且多关系异质信息模型图中出行始发地以及出行目的地的预测特征向量可以表征彼此之间出行关系的关联，包含丰富的多维特征，有助于提高对订单类型预测的效率，提高订单预测结果的准确率。

【技术实现步骤摘要】
一种订单类型的预测方法、预测装置及可读存储介质
本申请涉及出行订单预测
，具体而言，涉及一种订单类型的预测方法、预测装置及可读存储介质。
技术介绍
随着科技的逐步发展，人们生活水平的日益提高，如今，人们出行时大多会选择通过出行软件进行打车服务，目前在乘客输入起点和终点等用车信息进行车辆预约从而生成出行订单后，一般会对所述出行订单的类别进行识别，这样可以提前判断订单类别，如识别出行订单是否是醉酒订单、代驾订单或者低质量订单等，以便提供不同的出行服务，有助于进一步优化系统调度，降低安全风险，从而提升司乘体验。现阶段，在对于出行订单进行订单类型预测时，大多是通过与出行订单相关的出行信息，甚至结合历史出行信息，分别对起点和终点进行特征统计，以分别得到起点和终点的特征，但是，无论是通过机器学习还是人工专家来进行地点特征挖掘，需要消耗大量人力物力，而且只能获得单独表征各个特征地点本身属性的特征，导致订单预测时使用特征孤立，预测效率差，准确率低。
技术实现思路
有鉴于此，本申请的目的在于提供一种订单类型的预测方法、预测装置及本文档来自技高网...

【技术保护点】
1.一种订单类型的预测方法，其特征在于，所述预测方法包括：/n从获取到的待预测订单的订单信息中，确定出所述待预测订单的出行始发地和出行目的地；/n从预先构建好的、包括所述出行始发地和所述出行目的地的出行区域的多关系异质信息模型图中，获取所述出行始发地的第一关系特征向量和所述出行目的地的第二关系特征向量；/n基于所述订单信息中指示的出行始发地信息和所述第一关系特征向量，确定所述出行始发地的第一预测特征向量，并基于所述订单信息中指示的出行目的地信息和所述第二关系特征向量，确定所述出行目的地的第二预测特征向量；/n基于所述第一预测特征向量和所述第二预测特征向量，确定所述待预测订单的订单类型。/n

【技术特征摘要】
1.一种订单类型的预测方法，其特征在于，所述预测方法包括：
从获取到的待预测订单的订单信息中，确定出所述待预测订单的出行始发地和出行目的地；
从预先构建好的、包括所述出行始发地和所述出行目的地的出行区域的多关系异质信息模型图中，获取所述出行始发地的第一关系特征向量和所述出行目的地的第二关系特征向量；
基于所述订单信息中指示的出行始发地信息和所述第一关系特征向量，确定所述出行始发地的第一预测特征向量，并基于所述订单信息中指示的出行目的地信息和所述第二关系特征向量，确定所述出行目的地的第二预测特征向量；
基于所述第一预测特征向量和所述第二预测特征向量，确定所述待预测订单的订单类型。


2.根据权利要求1所述的预测方法，其特征在于，通过以下步骤确定所述多关系异质信息模型图：
从出行平台存储的出行数据中，确定包括所述出行始发地和所述出行目的地的出行区域中的多种出行关系；
确定所述出行区域中的多个特征预测地点，其中，所述多个特征预测地点包括所述出行始发地和所述出行目的地；
基于所述多个特征预测地点和所述多种出行关系，确定出多个出行样本，其中，每个出行样本包括样本出发地、样本目的地和所述样本出发地与所述样本目的地之间的样本关系；
分别将每个出行样本输入至构建好的神经网络模型中进行训练，直至所述神经网络模型的目标函数的变化值小于预设阈值，得到每个样本出发地的预测特征向量和每个样本目的地的预测特征向量；
将每个样本出发地的预测特征向量确定为对应的特征预测地点的关系特征向量，并将每个样本目的地的预测特征向量确定为对应的特征预测地点的关系特征向量；
基于每个特征预测地点以及对应的关系特征向量，构建所述多关系异质信息模型图。


3.根据权利要求2所述的预测方法，其特征在于，所述确定所述出行区域中的多个特征预测地点，包括：
从所述出行数据中确定出多个出行订单，并确定每个出行订单的出发地和目的地；
将确定出的多个出发地和多个目的地确定为所述出行区域中的多个特征预测地点。


4.根据权利要求2所述的预测方法，其特征在于，所述确定所述出行区域中的多个特征预测地点，包括：
按照预设区域划分条件，将所述出行区域划分为多个子区域，其中，所述预设区域划分条件包括经纬度、地点类别、地理信息中的一种或者多种；
基于每个子区域的划分信息，确定与每个子区域对应的特征预测地点。


5.根据权利要求2所述的预测方法，其特征在于，所述分别将每个出行样本输入至构建好的神经网络模型中进行训练，直至所述神经网络模型的目标函数的变化值小于预设阈值，得到每个样本出发地的预测特征向量和每个样本目的地的预测特征向量，包括：
确定每个出行样本中样本出发地的第一初始特征向量、样本目的地的第二初始特征向量和与样本关系对应的神经网络参数；
将每个出行样本中的第一初始特征向量作为输入、第二初始特征向量作为输出以及神经网络参数作为模型参数，对构建好的神经网络模型进行训练；
调整每个出行样本中的第一初始特征向量、第二初始特征向量和神经网络参数，直至所述神经网络模型的目标函数的变化值小于预设阈值，确定调整后的每个第一初始特征向量为对应的样本出发地的预测特征向量，调整后的每个第二初始特征向量为对应的样本目的地的预测特征向量。


6.根据权利要求5所述的预测方法，其特征在于，所述将每个出行样本中的第一初始特征向量作为输入、第二初始特征向量作为输出以及神经网络参数作为模型参数，对构建好的神经网络模型进行训练，包括：
针对每个出行样本，确定该出行样本的多个负样本，其中，每个负样本包括该出行样本的样本出发地、负样本目的地和该出行样本的样本关系；
将该出行样本中的第一初始特征向量作为输入，神经网络参数作为模型参数，通过构建好的神经网络模型得到输出的输出目的地；
通过训练好的分类器，确定从该出行样本的样本出发地去往输出目的地、样本目的地和各负样本目的地的概率；
所述调整每个出行样本中的第一初始特征向量、第二初始特征向量和神经网络参数，直至所述神经网络模型的目标函数的变化值小于预设阈值，确定调整后的每个第一初始特征向量为对应的样本出发地的预测特征向量，调整后的每个第二初始特征向量为对应的样本目的地的预测特征向量，包括：
针对每个出行样本，调整该出行样本中的第一初始特征向量、第二初始特征向量和神经网络参数，直至所述神经网络模型的目标函数的变化值小于预设阈值，且从该出行样本的样本出发地去往样本目的地的概率大于该出行样本的样本出发地去往其他目的地的概率，确定调整后的第一初始特征向量为该出行样本中样本出发地的预测特征向量，调整后的第二初始特征向量为该出行样本中样本目的地的预测特征向量，其中，所述其他目的地为输出目的地和确定出的多个负样本目的地中的任意一个目的地。


7.根据权利要求2所述的预测方法，其特征在于，在所述基于所述多个特征预测地点和所述多种出行关系，确定出多个出行样本，其中，每个出行样本包括样本出发地、样本目的地和所述样本出发地与所述样本目的地之间的样本关系之后，所述预测方法包括：
确定每个出行样本的反向样本，其中，每个反向样本包括与该反向样本对应的出行样本中的样本关系、反向出发地和反向目的地；
分别将每个反向样本输入至所述神经网络模型中进行训...

【专利技术属性】
技术研发人员：杨晓庆，李奘，林宇澄，
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