[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

说明书

本发明涉及一种基于机器学习模型的供需调度策略融合应用。所属方法通过融合逻辑回归算法模型预测订单于运力之间的接单概率，在业务流程过程中通过运力的召回、过滤、排序三大步骤计算最佳的订单于运力的组合，从而达到平台分单效率的最优。在接单率预测过程中按照标准流程对数据进行归一化、空值处理等基本预处理过程，然后通过训练好的模型实时预测出当前订单与运力之间的接单率，该模式的实现极大的优化了平台接单效率以及接单率，保证了平台在时空维度上的分单匹配最优化。

所属技术领域

本发明涉及一种基于机器学习模型的供需调度策略融合应用，属于分单优化与智能调度研究技术领域。

背景技术

即时配送，是一种配送时长1小时以内，平均配送时长约30分钟的快速配送业务。如此快速的配送时效，将传统的线上电商交易与线下物流配送(传统划分比较明确的两条业务)整合为统一整体，形成了用户、骑手和平台互相交错的三元关系。即时物流分布式系统架构逐层演变的进展中，遇到的技术障碍和挑战：订单、骑手规模大，供需匹配过程的超大规模计算问题。遇到节假日或者恶劣天气，订单聚集效应，流量高峰是平常的十几倍。物流履约是线上连接线下的中心调度，体现在派单制上，即依据一系列因素算出一个或者一批效率最优解直接派单。对于配送系统来说，比较大的挑战还是对识别精度的要求以及成本之间的平衡。我们对精度要求很高，毕竟这些识别直接影响定价、调度、判责系统，这种底层数据，精度不高带来的问题很大。

高效匹配其中一个的关键点是按需分配，识别用户的准确需求，并在众多资源当中匹配到最合适的。为了做到高效匹配，平台从每日订单中积累了大量来自司机和用户的信息，包括它们的行程路线、行为习惯、特殊需求等等，除此之外，还有对整个城市交通状况的了解，做到提前预测需求，然后确保供应量与将要达到的需求量相匹配，这样可以以一个最佳的方式来激活闲置资源。

调度平台真正要解决的就是如何提高匹配效率。平台初期可能更靠补贴和地推去抢市场，到了后期，匹配效率的提升是最重要的，只有匹配合适的出行资源，才能让客户的需求得到最大限度的满足。同样的，在蚂蚁金服客户服务的智能调度当中，如何让用户的需求得到最准确的匹配，并且保证相应资源的可用性，解决了这些问题，才能最大限度的实现用户期望。

地理信息实时更新(5秒钟发起一次请求)，描述整体资源的情况，当用户发出订单需求后，第一时间根据资源情况，进行订单推送。基于对历史数据的统计并结合实时订单数据，给出当前全城范围内订单密集区域的分布，给骑手提供有价值的听单位置参考，提高听单概率并减少骑手空驶时间。基于供需预测结果，大规模有序调动全城所有可用运力，实现资源最优化分配。在骑手和用户的历史数据中学习接单概率模型，提高骑手和用户的匹配度，利用运力的规模效应实时地从全局上最优化总体交通运输效率和乘客出行体验。故障容忍度极低，不能宕机，不能丢单，可用性要求极高。数据实时性、准确性要求高，对延迟、异常非常敏感。

发明内容

本发明要解决的技术问题是：如何实现基于机器学习模型的供需调度策略融合应用。

为实现上述的发明目的，本发明提供了一套基于机器学习模型的供需调度策略融合应用的方法，包含如下步骤：

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。

其中较优地，所述生成对应的机遇机器学习模型的供需调度策略融合应用方案的步骤具体包括：

1、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。