[发明专利]一种资源转移方法及装置

说明书

本说明书实施例提供了一种资源转移方法及装置。所述方法包括：获取目标行程对应的特征数据；特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；对特征数据进行处理，获得在目标行程中司机将乘客送到目的地的概率；根据司机将乘客送到目的地的概率，确定是否将目标行程对应的资源转移至目标账户中。利用本说明书实施例可以有效判断司机是否真的将乘客送达目的地，从而提高资源转移效率，减少司机投诉的发生。

技术领域

本申请涉及大数据技术领域，特别涉及一种资源转移方法及装置。

背景技术

随着科技的不断发展，人们对出行的要求越来越高，使得顺风车行业得到快速发展。

目前，由于在出行过程中，顺风车司机和乘客的轨迹上报率比较低，导致当司机点击到达目的地的时候，管理平台(如网约车平台)主要通过判断订单完成类型来确定是否将车费转给司机。然而，这种方式并不能有效判断司机是否真的将乘客送达目的地，从而使得资源转移效率较低。

因此，业内亟需一种可以解决上述技术问题的技术方案。

发明内容

本说明书实施例提供了一种资源转移方法及装置，可以有效判断司机是否真的将乘客送达目的地，从而提高资源转移效率，减少司机投诉的发生。

本说明书提供的一种资源转移方法及装置是包括以下方式实现的。

一种资源转移方法，包括：获取目标行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率；根据司机将乘客送到目的地的概率，确定是否将所述目标行程对应的资源转移至目标账户中。

一种概率预测模型的训练方法，包括：获取各历史行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；基于预设指标确定各历史行程的标签信息；其中，不同任务对应的预设指标不同；根据各历史行程对应的特征数据和标签信息，获得训练数据集；利用所述训练数据集对预设多任务学习模型进行训练，获得概率预测模型；其中，所述预设多任务学习模型包括共享层、Gate模型以及预设数量的多层感知机，所述共享层中包括多个专家网络，所述Gate模型用于确定每个专家网络输出结果被对应目标任务选择的概率，每个多层感知机对应一个目标任务，每个目标任务对应一个Gate模型。

一种资源转移装置，包括：第一获取模块，用于获取目标行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；预测模块，用于对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率；第一确定模块，用于根据司机将乘客送到目的地的概率，确定是否将所述目标行程对应的资源转移至目标账户中。

一种概率预测模型的训练装置，包括：第二获取模块，用于获取各历史行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；第二确定模块，用于基于预设指标确定各历史行程的标签信息；其中，不同任务对应的预设指标不同；获得模块，用于根据各历史行程对应的特征数据和标签信息，获得训练数据集；训练模块，用于利用所述训练数据集对预设多任务学习模型进行训练，获得概率预测模型；其中，所述预设多任务学习模型包括共享层、Gate模型以及预设数量的多层感知机，所述共享层中包括多个专家网络，所述Gate模型用于确定每个专家网络输出结果被对应目标任务选择的概率，每个多层感知机对应一个目标任务，每个目标任务对应一个Gate模型。

一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现本说明书实施例中任意一个方法实施例的步骤。