订单价值分层方法、计算机可读存储介质及计算机设备技术

本发明专利技术适用于物流领域，提供了一种订单价值分层方法、计算机可读存储介质及计算机设备，包括获取订单的历史交易数据样本；根据订单的历史交易数据样本进行建模，选取每个订单的相关特征；将相关特征输入到机器学习模型，机器学习模型根据相关特征以订单被完成为目的，并根据增益值的大小进行相关特征的重要度排序；根据相关特征的重要度排序筛选重要特征作为回归模型的输入，以订单被完成为目的，输出重要特征对应的权重值；计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；根据订单得分进行排序，并根据排序将订单分成多层。使得订单价值不受当前供需及司机水平的影响。不受当前供需及司机水平的影响。不受当前供需及司机水平的影响。

【技术实现步骤摘要】
订单价值分层方法、计算机可读存储介质及计算机设备


[0001]本申请属于物流领域，尤其涉及一种订单价值分层方法、计算机可读存储介质及计算机设备。

技术介绍

[0002]目前的订单价值评估方法，基本只有后置方法，即订单产生后，随着时间推移，逐步地广播推送给不同范围内的司机，一般是离订单越远的司机越晚收到订单。司机接单时间越短，说明订单越快被响应，则订单在市场上的价值越高，又或者订单越多人参与PK，则订单的价值越高。
[0003]由于上述的情况是严重受到实时供需影响，在司机未履约的情况下，目前是无法计算出该订单能被履约的概率，而平台的司机水平参差不齐，既有高履约率的老司机，又有低履约率的新司机，订单价值受当前供需及司机水平的影响。

技术实现思路

[0004]本专利技术的目的在于提供一种订单价值分层方法、计算机可读存储介质及计算机设备，旨在解决订单价值受当前供需及司机水平的影响的问题。
[0005]第一方面，本专利技术提供了一种订单价值分层方法，包括：
[0006]获取订单的历史交易数据样本；
[0007]根据订单的历史交易数据样本进行建模，选取每个订单的相关特征；
[0008]将相关特征输入到机器学习模型，机器学习模型根据相关特征以订单被完成为目的，并根据增益值的大小进行相关特征的重要度排序；
[0009]根据相关特征的重要度排序筛选重要特征作为回归模型的输入，以订单被完成为目的，输出重要特征对应的权重值；所述重要特征的增益值大于预定增益值；
[0010]计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；
[0011]根据订单得分进行排序，并根据排序将订单分成多层。
[0012]进一步地，所述方法还包括：
[0013]计算每层所有订单的履约率，评估层间履约率的差距；所述履约率＝完成订单数/响应订单数；
[0014]监控层间履约率差距，若与预期不符，则调整多元回归模型；所述预期为好单履约率比差单履约率高。
[0015]进一步地，所述订单价值分层方法还包括根据城市、车型和实际应用场景将订单的分层进行调整。
[0016]进一步地，所述机器学习模型包括XG
‑
Boost模型和分类模型。
[0017]进一步地，所述回归模型包括多元回归模型和逻辑回归模型。
[0018]进一步地，所述订单的历史交易数据样本包括：订单起点特征、订单终点特征、订
单备注特征、订单价格里程特征和调度货主用户特征。
[0019]进一步地，所述相关特征包括：订单地理属性、货主属性、备注属性和价格里程。
[0020]进一步地，所述订单地理属性包括：订单起点特征和订单终点特征。
[0021]进一步地，所述订单起点特征包括起点履约率、起点响应率和起点配对率；所述订单终点特征包括终点履约率、终点响应率和终点配对率。
[0022]第二方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的订单价值分层方法的步骤。
[0023]第三方面，本专利技术提供了一种计算机设备，包括：一个或多个处理器、存储器以及一个或多个计算机程序，所述处理器和所述存储器通过总线连接，其中所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述处理器执行所述计算机程序时实现第一方面所述的订单价值分层方法的步骤。
[0024]在本专利技术中，利用订单得分将订单进行价值分层，使得在订单与司机的匹配过程中，在订单发出前判定订单在交易市场上的价值；根据订单的质量，从而在订单匹配的过程中，可以对订单资源进行相对倾斜和司机补偿策略，提高订单与司机在交易过程的运营空间，提升平台对于订单分配的公平性。
附图说明
[0025]图1是本专利技术一实施例提供的订单价值分层方法的流程图。
[0026]图2是本专利技术一实施例提供的根据历史订单备注字评估订单实现难度的表格。
[0027]图3是本专利技术一实施例提供的根据订单价值模型评估后等量分层的订单履约表现的表格。
[0028]图4是本专利技术一实施例提供的计算机设备的具体结构框图。
具体实施方式
[0029]为了使本专利技术的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0030]为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
[0031]请参阅图1，本专利技术一实施例提供的订单价值分层方法包括以下步骤：需注意的是，若有实质上相同的结果，本申请的订单价值分层方法并不以图1所示的流程顺序为限。
[0032]S1.获取订单的历史交易数据样本；
[0033]S2.根据订单的历史交易数据样本进行建模，选取每个订单的相关特征；
[0034]S3.将相关特征输入到机器学习模型，机器学习模型根据相关特征以订单被完成为目的，并根据增益值的大小进行相关特征的重要度排序；
[0035]S4.根据相关特征的重要度排序筛选重要特征作为回归模型的输入，以订单被完成为目的，输出重要特征对应的权重值；所述重要特征的增益值大于预定增益值；
[0036]S5.计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；
[0037]S6.根据订单得分进行排序，并根据排序将订单分成多层。
[0038]在本专利技术一实施例中，所述方法还包括：
[0039]计算每层所有订单的履约率，评估层间履约率的差距；所述履约率＝完成订单数/响应订单数；
[0040]监控层间履约率差距，若与预期不符，则调整多元回归模型；所述预期为好单履约率比差单履约率高。
[0041]在本专利技术一实施例中，所述机器学习模型包括XG
‑
Boost模型和分类模型。
[0042]在本专利技术一实施例中，所述回归模型包括多元回归模型和逻辑回归模型。
[0043]在本专利技术一实施例中，所述订单价值分层方法还包括根据城市、车型和实际应用场景将订单的分层进行调整。
[0044]例如：订单得分从高到低可平均分成X层，并定义得分最高的为1层，得分最低的为X层，观察每层的履约率，根据履约率重新分为Y层，便于业务简单理解。
[0045]图3可验证履约率的层间差距符合假设，从而根据相邻分层的层间差距，决定更粗粒度的分层，可按照数据观察分为3∶5∶2从而评价订单的好、中、差(也就是履约难度的难、中、易)。
[0046]在根据城市、车型和实际应用场景的不同时，调整分层的得分区间，回归模型会计算不同的订单得分，按照固定得分区间划分分层；或者由于时间推移，订单业务逐渐改变，当某层的订单占比变低时，需要对订单分层模型进行更新。
[0047]在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种订单价值分层方法，其特征在于，包括：获取订单的历史交易数据样本；根据订单的历史交易数据样本进行建模，选取每个订单的相关特征；将相关特征输入到机器学习模型，机器学习模型根据相关特征以订单被完成为目的，并根据增益值的大小进行相关特征的重要度排序；根据相关特征的重要度排序筛选重要特征作为回归模型的输入，以订单被完成为目的，输出重要特征对应的权重值；所述重要特征的增益值大于预定增益值；计算重要特征的特征值，将特征值与重要特征对应的权重值相乘，对乘积求和，得到订单得分；根据订单得分进行排序，并根据排序将订单分成多层。2.如权利要求1所述的订单价值分层方法，其特征在于，所述方法还包括：计算每层所有订单的履约率，评估层间履约率的差距；所述履约率＝完成订单数/响应订单数；监控层间履约率差距，若与预期不符，则调整多元回归模型；所述预期为好单履约率比差单履约率高。3.如权利要求1所述的订单价值分层方法，其特征在于，所述机器学习模型包括XG
‑
Boost模型和分类模型。4.如权利要求1所述的订单价值分层方法，其特征在于，所述回归模型包括多元回归模型和逻辑回归模型。5.如权利要求1所述的订单价值分层方法，其特征在于，所述订单价值分层方法还包括根...

【专利技术属性】
技术研发人员：吕伟峰，王惠敏，
申请(专利权)人：深圳依时货拉拉科技有限公司，
类型：发明
国别省市：