[发明专利]一种订单的分配方法及装置

权利要求书

1.一种订单的分配方法，其特征在于，该方法包括：

在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；

根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取所述UE到每一终端的路面距离；

根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率；

根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。

2.根据权利要求1所述的方法，其特征在于，根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率，包括：

采用预先建立的预测模型，预测所述每一终端的订单抢单概率；

其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模型的目标变量。

3.根据权利要求2所述的方法，其特征在于，在采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，所述方法还包括：

获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离；

将历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。

4.根据权利要求3所述的方法，其特征在于，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

根据线上实时获取的订单的相关特征信息和相应订单中所述终端对应的路面距离，采用机器学习算法，对所述预先建立的预测模型进行优化。

6.根据权利要求1所述的方法，其特征在于，所述根据每一终端的订单抢单概率，向终端分配所述打车请求对应的订单，具体包括：

选取所述订单抢单概率中大于预设阈值的订单抢单概率，向选取的每一订单抢单概率对应的终端分配所述打车请求对应的订单。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据预设时间周期更新所述UE所属城市的交通地图信息。

8.一种订单的分配装置，其特征在于，该装置包括：

坐标信息获取单元，用于在接收UE发送的打车请求之后，获取所述UE的坐标信息和该坐标信息的预设范围内的各个终端，以及每一终端的坐标信息；

路面距离获取单元，用于根据UE所属城市的交通地图信息、该UE的坐标信息和每一终端的坐标信息，获取所述UE到每一终端的路面距离；

抢单概率预测单元，用于根据每一终端对应的路面距离和该终端的在预设时间段内的历史订单的相关特征信息预测该终端的订单抢单概率；

订单分配单元，用于根据所述抢单概率预测单元预测出的每一终端的订单抢单概率，向终端分配所述打车请求对应的订单。

9.根据权利要求8所述的装置，其特征在于，所述抢单概率预测单元，具体用于采用预先建立的预测模型，预测所述每一终端的订单抢单概率；

其中，所述预测模型为根据所述终端的在预设时间段内的历史订单的相关特征信息建立的，所述路面距离为所述预测模型的预测变量，终端的订单抢单概率为所述预测模型的目标变量。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

历史数据获取单元，用于在所述抢单概率预测单元采用预先建立的预测模型，预测所述每一终端的订单抢单概率之前，获取每一终端在预设时间段内的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离；

预测模型建立单元，用于将所述历史数据获取单元获取的历史订单的相关特征信息和每一历史订单中所述终端对应的路面距离作为训练数据，采用线性回归模型对所述训练数据进行训练，得到订单抢单概率的预测模型。

11.根据权利要求10所述的装置，其特征在于，所述线性回归模型为逻辑斯特回归模型或支持向量机模型。