[发明专利]预估乘客取消订单行为的方法、设备及存储介质

权利要求书

1.一种预估乘客取消订单行为的方法，其特征在于，包括：

根据在线叫车服务生成的订单的乘客账号，获取对应乘客的历史行为信息，并获取所述订单的订单信息，所述订单信息中包含乘车起点；

将位于所述乘车起点预设区域范围内的司机作为候选司机，并获取所述候选司机的司机信息；其中，所述司机信息包括司机性别、车辆类型、当前位置、接客行驶距离和接客预期到达时间；

分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量；

根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单；

其中，根据所述属性向量预估所述乘客针对所述候选司机是否会取消所述订单包括：

将所述属性向量输入乘客取消订单行为识别器中进行学习；

根据所述乘客取消订单行为识别器输出的所述乘客针对所述候选司机取消订单的概率，确定所述乘客是否取消所述订单。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取至少一个乘客的历史订单的历史行为信息、所述历史订单的订单信息及乘客取消订单情况，所述历史订单的订单信息中包含历史乘车起点；

获取位于所述历史乘车起点预设区域范围内的司机作为历史候选司机，并获取所述历史候选司机的司机信息；

根据所述乘客取消订单情况对所述历史订单进行标记，并分别为标记后的历史订单的历史行为信息、订单信息和司机信息进行赋值，生成历史属性向量；

采用神经网络模型或逻辑回归模型对所述历史属性向量进行训练，得到所述乘客取消订单行为识别器。

3.根据权利要求2所述的方法，其特征在于，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量包括：

采用随机森林Random Forest算法或迭代决策树GBDT，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量。

4.根据权利要求3所述的方法，其特征在于，采用随机森林Random Forest算法或迭代决策树GBDT，分别为所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行赋值，生成属性向量包括：

采用随机森林Random Forest算法或迭代决策树GBDT，对所述订单信息、所述历史行为信息和所述司机信息中包含的属性项进行训练，得到N棵决策树，其中，N为自然数；

为所述N棵决策树中的每颗树的叶子节点赋值，根据所述叶子节点的赋值生成属性向量。

5.根据权利要求4所述的方法，其特征在于，为所述N棵决策树中的每颗树的叶子节点赋值，根据所述叶子节点的赋值生成属性向量包括：

对N颗决策树中的每一颗树的叶子节点进行编号；

根据所述编号为叶子节点赋值，生成属性向量。

6.根据权利要求5所述的方法，其特征在于，根据所述编号为叶子节点赋值，生成属性向量包括：

将输出取消订单结果的叶子节点赋值为第一预设值，将输出不取消订单结果的叶子节点赋值为第二预设值，将其余叶子节点赋值为第三预设值。

7.根据权利要求5所述的方法，其特征在于，根据所述编号为叶子节点赋值，生成属性向量包括：

根据N颗决策树中叶子节点数最多的决策树的叶子节点个数M，生成N*M维向量；

为所述N*M维向量中的各位元素进行赋值，得到所述属性向量。

8.根据权利要求7所述的方法，其特征在于，为所述N*M维向量中的各位元素进行赋值，得到所述属性向量包括：

若第n棵树的第m个叶子节点赋值为第一预设值，则将所述N*M维向量中第((n-1)*M+m)位元素赋值为第一预设值，将不输出取消订单结果的叶子节点对应的元素赋值为第二预设值；

对于叶子节点数低于M的决策树，将超出叶子节点个数的元素赋值为第三预设值。