本申请涉及一种用于代驾订单调配的预测模型训练方法及相关装置，该方法包括以下步骤：获取时段划分和区域划分，并计算每个区域在每个时段的订单量和司机的位置数据；获取各时段和区域的同一司机的后续连续订单以生成订单流，提取各类订单的变化因子和订单流的变化因子，训练预测模型，其中，预测模型用于获取订单池内的订单信息并将订单池内的订单生成新订单流和优化已有订单流。本申请能够优化预测模型，使其更加适应代驾行业的需求，从而为代驾司机生成工作流，减少等待时间，并提高订单调度效率。单调度效率。单调度效率。
【技术实现步骤摘要】
用于代驾订单调配的预测模型训练方法及相关装置
[0001]本申请涉及大数据分析的领域，尤其是涉及一种用于代驾订单调配的预测模型训练方法及相关装置。
技术介绍
[0002]随着社会对安全意识的日益关注，"酒后不开车"的观念已经被广泛接受。这促使了代驾服务的兴起，不仅普及了代驾服务，还在很大程度上预防了因酒后驾驶引发的交通事故。据估计，每年代驾服务可以避免超过300万起酒驾事故。因此，代驾已经成为一种新兴的经济领域，有效地解决了酒驾问题，并降低了交通事故的发生率。
[0003]在移动互联网迅速发展的背景下，智能手机已经成为日常生活中不可或缺的工具。这为代驾行业铺平了一种标准化的服务流程，人们使用智能手机叫代驾，代驾平台分配订单，代驾司机接单。作为连接用户和司机的关键纽带，这些平台必须能够快速响应用户需求，同时确保司机有机会接受更多订单，获得更高的收入。
[0004]针对代驾行业的特点，需要考虑一种更为合适的预测模型。因为代驾司机通常兼职，其上班的时间随机性较大，不容易确定。传统预测模型关注各网格司机数量变化趋势和实时更新司机状态，但这种方式可能导致预测效果下降。
技术实现思路
[0005]为了优化预测模型，使其更加适应代驾行业的需求，从而为代驾司机生成工作流，减少等待时间，并提高订单调度效率，本申请提供一种用于代驾订单调配的预测模型训练方法及相关装置。
[0006]第一方面，本申请提供的一种用于代驾订单调配的预测模型训练方法，采用如下的技术方案：一种用于代驾订单调配的预测模型训练方法，包括以下步骤：S1.获取时段划分和区域划分，并计算每个区域在每个时段的订单量和司机的位置数据；S2.获取各时段和区域的同一司机的后续连续订单以生成订单流，提取各类订单的变化因子和订单流的变化因子，训练预测模型，其中，预测模型用于获取订单池内的订单信息并将订单池内的订单生成新订单流和优化已有订单流。
[0007]通过采用上述技术方案，目前的预测模型，通常需要考虑各网格的司机数量变化趋势，并对实时更新司机状态。本方案无需进行该步骤，因为代驾司机通常兼职，其上班的时间随机性较大，不容易确定，该因素的介入容易导致模型的预测效果下降。另外，本方案也无需对每个区域在每个时段的订单量和司机的位置数据进行实时收集来进行预测，因为实际上司机到岗的规律性很低，不同时间不同地点的订单变化幅度也很大，实际上难以进行准确预测，因此本方案摒弃了对于这两个数据的利用。在本方案中，主要是通过优先考虑前序订单来确定“确定上岗”的代驾司机，而不是对未上岗的代驾司机和将代驾司机四处调
度以充当应急人员的代驾调度模式。由于代驾这个行业具有特殊性，首先代驾司机本身并不开车，需要通过公共交通工具前往目的地，因此花费在路上的时间较长，导致工作效率降低；另外，目前代驾主要还是为饮酒人员所服务，而饮酒人员出现的高发地点和高发时间能够通过大数据处理和模型预测的方式获得。
[0008]因此，本方案能够相应地为已上岗的司机生成工作流，尽量安排司机在不同时间节点不同地点进行高效率地运送乘客，且减少花费在路上的时间，从而提高服务效率。
[0009]可选的，所述的S1的子步骤，包括：S11.进行时段预划分和区域预划分，并计算每个区域在每个时段的订单量和司机的位置数据；S12.获得网格中忙碌的司机和空闲的司机的数量，将司机与其订单信息关联；S13.进行订单相似度分析并聚类，得到基准时段划分和基准区域划分。
[0010]通过采用上述技术方案，通过进行时段预划分和区域预划分，以及计算每个区域在每个时段的订单量和司机的位置数据，可以对不同地区和时间的订单需求进行初步的统计与分析。这有助于提前了解和预测订单高峰期和热门区域，从而更好地调度代驾司机资源。获得网格中忙碌的司机和空闲的司机的数量，并将司机与其订单信息关联，有助于理解每个区域和时段的订单需求与司机供应之间的关系。这可以帮助预测模型根据实际需求和资源情况进行优化，提高代驾司机的工作效率。通过进行订单相似度分析并聚类，得到基准时段划分和基准区域划分，可以进一步优化时段和区域的划分，使之更符合实际订单需求。这有助于提高预测模型的准确性，确保司机能够更高效地完成订单调度和接单，从而提高整体服务质量和效率。
[0011]可选的，所述S11的子步骤，包括：S111.根据历史订单数据，统计各个时间段的订单数量，确定高峰时段和低峰时段；S112.将代驾区域划分为多个网格，并依据订单地点和司机位置信息计算各网格内的订单量和司机数量，其中，网格基于交通条件划定。
[0012]通过采用上述技术方案，通过根据历史订单数据统计各个时间段的订单数量，确定高峰时段和低峰时段，有助于提前预测订单需求的高峰和低谷。这有助于代驾平台更好地调度和安排司机资源，提高在高峰时段的接单效率，同时在低峰时段减少空闲司机的等待时间。将代驾区域划分为多个网格，并依据订单地点和司机位置信息计算各网格内的订单量和司机数量，其中网格基于交通条件划定。这一划分方式有助于更精确地了解各区域的订单需求和司机分布情况，同时考虑了交通条件对代驾服务的影响。这使得预测模型能够更精确地针对各个区域和时段进行优化和调整，从而提高整体代驾服务的效率和质量，同时也能够为司机提供更合理的出行建议，避免交通拥堵等不利情况。
[0013]可选的，所述S13的子步骤，包括：S131.提取订单的时间特征和地理特征，并组合成特征向量；S132.计算订单间的特征向量相似度；S133.设置相似度阈值，将相似度大于阈值的订单划分为相似订单，生成相似订单列表；S134.对相似度订单列表结果进行聚类分析，得到不同的订单群；
S135.基于聚类结果，确定各个基准时段和基准区域。
[0014]通过采用上述技术方案，通过提取订单的时间特征和地理特征，并组合成特征向量，有助于更好地量化和表示订单的特点。这使得预测模型能够更精确地识别相似订单，从而为预测和调度提供更有针对性的依据。计算订单间的特征向量相似度有助于找到在时间和地理特征上相近的订单。这使得代驾平台能够更好地了解订单的分布情况，从而更有效地调度司机资源，提高服务效率。设置相似度阈值并将相似度大于阈值的订单划分为相似订单，生成相似订单列表，这有助于进一步筛选相似订单，为后续的聚类分析提供更精确的输入数据。对相似度订单列表结果进行聚类分析，得到不同的订单群，有助于更好地识别各个订单之间的关联性和潜在需求模式。这使得代驾平台可以根据这些模式优化调度策略，更好地满足用户需求。基于聚类结果，确定各个基准时段和基准区域，可以使预测模型更具针对性地针对各个时段和区域进行优化和调整。这有助于提高整体代驾服务的效率和质量，同时也能够为司机提供更合理的出行建议，避免交通拥堵等不利情况。
[0015]可选的，所述S2的子步骤，包括：S21.基于司机ID、订单时间和订单地点对订单进行关联，形成代驾司机的订单序列；S22.提取订单的时间特征、地理特征和司机特征作为变化因子，并进行特征工程；S23.选择预测模型并使用提取的变化因子本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于代驾订单调配的预测模型训练方法，其特征在于，包括以下步骤：S1.获取时段划分和区域划分，并计算每个区域在每个时段的订单量和司机的位置数据；S2.获取各时段和区域的同一司机的后续连续订单以生成订单流，提取各类订单的变化因子和订单流的变化因子，训练预测模型，其中，预测模型用于获取订单池内的订单信息并将订单池内的订单生成新订单流和优化已有订单流。2.根据权利要求1所述的用于代驾订单调配的预测模型训练方法，其特征在于，所述的S1的子步骤，包括：S11.进行时段预划分和区域预划分，并计算每个区域在每个时段的订单量和司机的位置数据；S12.获得网格中忙碌的司机和空闲的司机的数量，将司机与其订单信息关联；S13.进行订单相似度分析并聚类，得到基准时段划分和基准区域划分。3.根据权利要求2所述的用于代驾订单调配的预测模型训练方法，其特征在于，所述S11的子步骤，包括：S111.根据历史订单数据，统计各个时间段的订单数量，确定高峰时段和低峰时段；S112.将代驾区域划分为多个网格，并依据订单地点和司机位置信息计算各网格内的订单量和司机数量，其中，网格基于交通条件划定。4.根据权利要求3所述的用于代驾订单调配的预测模型训练方法，其特征在于，所述S13的子步骤，包括：S131.提取订单的时间特征和地理特征，并组合成特征向量；S132.计算订单间的特征向量相似度；S133.设置相似度阈值，将相似度大于阈值的订单划分为相似订单，生成相似订单列表；S134.对相似度订单列表结果进行聚类分析，得到不同的订单群；S135.基于聚类结果，确定各个基准时段和基准区域。5.根据权利要求4所述的用于代驾订单调配的预测模型训练方法，其特征在于，所述S2的子步骤，包括：S21.基于司机ID、订单时间和订单地点对订单进行关联，形成代驾司机的订单序列；S...
【专利技术属性】
技术研发人员：姚英杰，
申请(专利权)人：上海安师傅汽车服务股份有限公司，
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。