[发明专利]一种基于机器学习模型的供需调度策略融合应用

权利要求书

1.一种基于机器学习模型的供需调度策略融合应用，其特征在于，包括以下步骤：

A：确定业务特征统计口径，收集相关数据结果；

B：确定特征选择方案，筛选效果优异特征；

C：建立特征工程流程，将数据转化为算法可理解和消化的数据；

D：对比离线数据各算法效果；

E：算法线上灰度效果评估，选择表现最优算法进行正式上线。

2.根据权利要求1所述的基于机器学习模型的供需调度策略融合应用，其特征在于：所述步骤A具体包括步骤：

A1：根据以往业务经验将特征分为用户、运力、订单、城市、天气五大类特征，基于每类特征的性质及属性又可继续进行细分，最终确定相关特征数量超过100种，结合业务性质梳理现有特征并确定特征统计周期以及统计标准。

A2：基于A1中确定的特征以及对应统计口径准备相关数据，结合业务数据对样本数据进行标注，标注数据以订单派单后是否被运力接起为准。同时对样本数据进行随机抽样，筛选10000条数据。

3.根据权利要求1所述的基于机器学习模型的供需调度策略融合应用，其特征在于：所述步骤B具体包括步骤：为了避免维度灾难，在保证训练结果的前提下需要降低机器学习的计算复杂度，特征的筛选则尤为重要。在进行特征筛选的时候，可以利用多种方法(例如：皮尔森系数、卡方检验、决策树算法等)对特征进行可用性评估，进而筛选与目标结果相关性高的特征，剔除相似度高的冗余特征。

4.根据权利要求1所述的基于机器学习模型的供需调度策略融合应用，其特征在于：所述步骤C具体包括步骤：

C1：为降低数据缺失对模型准确性的影响，需采取众数填充、均值填充、中位数填充、KNN聚类填充、固定值填充、上下文填充、直接剔除等方法填充缺失值。根据业务场景及算法需求确定对应填充方法。

C2：借鉴经验、箱型图异常值法以及原则法进行异常值剔除。

C3：借鉴label编码、one hot编码、embedding方法进行离散数据处理。

C4：连续数据分桶处理。

C5：数据正态化/归一化处理。

C6：样本按照6∶2∶2比例随机划分为训练集、验证集、测试集三个层级。

5.根据权利要求1所述的基于机器学习模型的供需调度策略融合应用，其特征在于：所述步骤D具体包括步骤：

D1：确定所选算法名单，其主要包含(岭回归、Lasso、LR、FM、svm、贝叶斯分类器、Adaboost、lightgbm等)

D2：确定衡量算法优劣的相关指标，基于指标对各算法进行排名，筛选排名前五的算法进行线上测试。

6.根据权利要求1所述的基于机器学习模型的供需调度策略融合应用，其特征在于：所述步骤E具体包括步骤：线上算法观察周期定为2周，观察指标定为线上整体接单率，根据2周平均接单率高低作为选择模型的标准。