本申请提供了网约车智能定价的方法、装置、计算机设备及计算机可读存储介质。网约车智能定价的方法，包括：设置各线路的不同车型的灵活网格；在灵活网格内获取线路的基本信息、不同车型的随机历史订单数据；输入模型标签和线路的基本信息，用历史订单数据训练树模型；选取降价系数、线路和车型，用树模型获得对应的订单增长概率；模型标签为降价后日均订单成交率是否有增长。本申请实施例中，通过训练综合考虑了供给侧和需求侧指标的树模型，用树模型计算降价后订单增长概率，确定是否需要降价及降价的幅度，进而实现网约车的智能定价，定价准确、误差小、可靠性高。可靠性高。可靠性高。
【技术实现步骤摘要】
网约车智能定价的方法、装置、计算机设备及计算机可读存储介质
[0001]本申请涉及涉及互联网
，尤其涉及一种网约车智能定价的方法、装置、计算机设备及计算机可读存储介质。
技术介绍
[0002]目前网约车所涉及的多因素定价，主要是通过对调价单元的供给侧和需求侧的订单增长潜力分开作出判断，然后再结合供需情况对调不调和调多少进行判断。这样的方式有一定的缺陷：1.对供给侧和需求侧的订单增长潜力分开进行判断会导致两侧的误差积累；2.两侧判断时使用的特征本身可能存在一定的矛盾，互相干扰，不易调和，削弱调价效果。
[0003]因而，急需提供一种网约车智能定价的方法、装置、计算机设备及计算机可读存储介质。
技术实现思路
[0004]本申请的目的在于提供一种可准确调整价格的网约车智能定价的方法、装置、计算机设备及计算机可读存储介质，旨在解决上述技术问题之一。
[0005]第一方面，本申请实施例提供了一种网约车智能定价的方法，包括：设置各线路的不同车型的灵活网格；在所述灵活网格内获取所述线路的基本信息、不同车型的随机历史订单数据；输入模型标签和所述线路的基本信息，用所述历史订单数据训练树模型；选取降价系数、线路和车型，用训练后的所述树模型获得对应的订单增长概率；所述模型标签为降价后日均订单成交率是否有增长；所述日均订单成交率为日均成交单数除以日均估价人数。
[0006]优选地，上述线路的基本信息包括：车型、所述线路起点位置的城市等级；所述历史订单数据包括：所述线路的不同车型在不同价格的历史订单成交量、所述线路在28天内日均订单量、所述线路在28天内估价中位数、司机在两周内完成的订单流水清单、司机在一周内接单单价中位数。
[0007]优选地，上述选取降价系数、线路和车型，用训练后的所述树模型获得对应的订单增长概率具体为：选取线路和车型；选取多个降价系数；用训练后的所述树模型在所述灵活网格内计算出各所述降价系数对应的订单增长概率；各所述降价系数对应的订单增长概率通过线性回归模型的方法拟合出价格每下降1％订单增长概率。
[0008]优选地，上述各所述降价系数对应的订单增长概率通过线性回归模型的方法拟合出价格每下降1％订单增长概率的步骤之后还包括：获取所述灵活网格内影响订单成交率的特征因素；将线性回归模型的方法拟合的价格每下降1％订单增长概率加权融合所述特征因素后获得最终的价格每下降1％订单增长概率。
[0009]优选地，上述设置各线路的不同车型的灵活网格具体为：设置包含起点位置和终
点位置的线路；统计所述线路的不同车型；获取各所述线路不同车型的月订单量；用UberH3网格方法按不同车型月订单量的阈值聚合生成各所述线路的不同车型的灵活网格。
[0010]优选地，上述阈值为1％至2％之间的比例值。
[0011]优选地，上述影响订单成交率的特征因素具体包括：估转率、客单价、司单价、接单距离、估价次数；各所述降价系数分别为下降0％、3％、6％、9％、12％和15％。
[0012]第二方面，本申请实施例提供了一种网约车智能定价装置，包括：网格设置模块，用于设置各线路的不同车型的灵活网格；数据获取模块，用于在所述灵活网格内获取所述线路的基本信息、不同车型的随机历史订单数据；模型训练模块，用于输入模型标签和所述线路的基本信息，用所述历史订单数据训练树模型；增长概率模块，用于选取降价系数、线路和车型，用训练后的所述树模型获得对应的订单增长概率；所述模型标签为降价后日均订单成交率是否有增长；所述日均订单成交率为日均成交单数除以日均估价人数。
[0013]第三方面，本申请实施例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如上所述的网约车智能定价的方法的步骤。
[0014]第四方面，本申请实施例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如上所述的网约车智能定价的方法的步骤。
[0015]在本申请实施例中，先设置各线路的不同车型的灵活网格，灵活网格按线路和车型设置，即相同的车型不同的线路具有不同的网格，相同的线路不同的车型具有不同的网格。灵活网格按线路和车型设置，在灵活网格内获得的订单增长概率更加贴近实际，更加准确。
[0016]再通过在树模型输入模型标签、线路的基本信息和随机历史订单数据训练树模型。不同车型的历史订单数据随机获得，可以防止树模型训练的数据有偏，经训练的树模型更加准确有效。
[0017]最后选取降价系数、线路和车型，用训练后的树模型获得降价后日均订单成交率是否有增长，可以通过日均订单成交率的大小确定是否需要降价及降价的幅度，进而实现网约车的智能定价，定价准确、误差小。
[0018]树模型的模型标签的日均订单成交率为日均成交单数除以日均估价人数，即树模型综合考虑了日均成交单数和日均估价人数这两个因素，其中，日均成交单数反应了供给侧的信息，日均估价人数反映了需求侧的信息，所以树模型的建设综合了供给侧和需求侧的指标，避免了现有技术的因调价时分开对供给侧和需求侧增长潜力进行判断而出现的误差积累、互相干扰、削弱调价效果的情况，极大地提高了智能定价的准确性和可靠性。
[0019]由上可知，本申请实施例中，通过训练综合考虑了供给侧和需求侧指标的树模型，用树模型计算降价后订单增长概率，确定是否需要降价及降价的幅度，进而实现网约车的智能定价，定价准确、误差小、可靠性高。
附图说明
[0020]图1是本申请一实施例提供的网约车智能定价的方法的流程图；
[0021]图2是本申请一实施例提供的网约车智能定价的方法的选取降价系数、线路和车型，用训练后的所述树模型获得对应的订单增长概率的步骤的流程图；
[0022]图3是本申请一实施例提供的网约车智能定价的方法的设置各线路的不同车型的灵活网格的步骤的流程图；
[0023]图4是本申请一实施例提供的网约车智能定价装置的结构示意图；
[0024]图5是本申请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
[0025]为了使本申请的目的、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。
[0026]为了说明本申请的技术方案，下面通过具体实施例来进行说明。
[0027]请参阅图1，是本申请一实施例提供的网约车智能定价的方法的流程图，本申请实施例提供了一种网约车智能定价的方法，包括：
[0028]S101、设置各线路的不同车型的灵活网格；
[0029]S102、在灵活网格内获取线路的基本信息、不同车型的随机历史订单数据；
[0030]S103、输入模本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种网约车智能定价的方法，其特征在于，包括：设置各线路的不同车型的灵活网格；在所述灵活网格内获取所述线路的基本信息、不同车型的随机历史订单数据；输入模型标签和所述线路的基本信息，用所述历史订单数据训练树模型；选取降价系数、线路和车型，用训练后的所述树模型获得对应的订单增长概率；所述模型标签为降价后日均订单成交率是否有增长；所述日均订单成交率为日均成交单数除以日均估价人数。2.如权利要求1所述的网约车智能定价的方法，其特征在于，所述线路的基本信息包括：车型、所述线路起点位置的城市等级；所述历史订单数据包括：所述线路的不同车型在不同价格的历史订单成交量、所述线路在28天内日均订单量、所述线路在28天内估价中位数、司机在两周内完成的订单流水清单、司机在一周内接单单价中位数。3.如权利要求2所述的网约车智能定价的方法，其特征在于，所述选取降价系数、线路和车型，用训练后的所述树模型获得对应的订单增长概率具体为：选取线路和车型；选取多个降价系数；用训练后的所述树模型在所述灵活网格内计算出各所述降价系数对应的订单增长概率；各所述降价系数对应的订单增长概率通过线性回归模型的方法拟合出价格每下降1％订单增长概率。4.如权利要求3所述的网约车智能定价的方法，其特征在于，所述各所述降价系数对应的订单增长概率通过线性回归模型的方法拟合出价格每下降1％订单增长概率的步骤之后还包括：获取所述灵活网格内影响订单成交率的特征因素；将线性回归模型的方法拟合的价格每下降1％订单增长概率加权融合所述特征因素后获得最终的价格每下降1％订单增长概率。5.如权利要求4所述的网约车智能定价的方法，其特征在于，所述设置各线路的不同车型的灵活网格具...
【专利技术属性】
技术研发人员：周楚洋，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。