[发明专利]网约车异常订单的接单率预测方法及系统

说明书

本发明提供一种网约车异常订单的接单率预测方法及系统。该方法包括：数据获取步骤，获取订单样本数据集，包括乘客端APP和司机端APP的数据库数据；确定入模特征步骤，基于订单样本数据集，标记标签，确定入模特征，包括入模特征的筛选；训练模型步骤，通过训练和评估，获得接单率预测模型；模型应用步骤，将需要预测的订单信息输入到接单率预测模型中，输出订单接单率的预测，根据预测结果，优化决策风险防范措施。该系统包括样本获取模块、样本标记模块、特征开发模块、特征筛选模块、模型训练模块、模型评估模块和识别模块。本发明提高了异常订单接单概率预测的精确率，并且提升了风控误判的正常订单用户体验。

技术领域

本发明涉及互联网中网约车领域，特别是涉及一种网约车异常订单的接单率预测方法及系统。

背景技术

随着移动通信技术与出行服务的结合，移动终端上的网约车出行方式已成为人们出行时的重要选择之一。

当前网约车服务大多采用先乘车后支付的运营方式，在这样的服务方式中不可避免的产生了大量长期未支付的异常订单，从而造成平台高额的资金损失。网约车服务中对已识别的异常订单的处罚方式通常是采取预支付或者充值处罚，这样的处罚方式或多或少会影响识别错误的正常用户的打车体验，降低其再次叫车的意愿，从而降低平台的流水收益。因此，为乘客提供更为优质的出行服务与体验，同时降低平台未支付订单的资金损失，在出行服务中尤为重要。

现有技术的研究方向一般是尽可能提高识别异常订单的精确率，从而减少对正常订单的影响，如依据专家经验制定策略规则去判别订单是否异常、或者基于订单属性和用户行为训练机器学习模型识别异常订单，然后对识别出的异常订单直接采取预支付或者充值处罚。当前的处罚方式并没有考虑当前订单是否会被司机接单，即处罚是否真实有效，若当前订单不会被司机接单，此时该笔订单并不会对平台造成未支付资金损失，那该笔订单就不需要采取预支付或者充值处罚。因此，何如精准且有效的识别会被司机接单的异常订单并进行处罚是当前出行服务中的亟需解决的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种网约车异常订单的接单率预测方法及系统，用于解决现有技术中异常订单接单概率预测的精确率不够，导致分控误判的正常订单用户体验差的问题。

为实现上述目的及其他相关目的，本发明提供一种网约车异常订单的接单率预测方法及系统，本发明提出一种基于司机状态信息与用户订单信息的异常订单接单率预测方法。该方法可以有效识别会被司机接单的异常订单并提高异常订单接单概率预测的精确率，从而提升风控误判的正常订单用户体验。

于本发明的一实施例中，一种网约车异常订单的接单率预测方法，包括：

数据获取步骤，获取订单样本数据集，包括乘客端APP和司机端APP的数据库数据；

确定入模特征步骤，基于所述订单样本数据集，标记标签，确定所述入模特征，包括所述入模特征的筛选；

训练模型步骤，通过训练和评估，获得接单率预测模型；

模型应用步骤，将需要预测的订单信息输入到所述接单率预测模型中，输出所述订单接单率的预测，根据所述预测结果，优化决策风险防范措施。

于本发明的一实施例中，在所述数据获取步骤中，在所述数据获取步骤中，所述乘客端APP和司机端APP的数据库数据包括以下信息的一种或多种：目标订单属性信息、用户历史行为信息、周边司机信息、环境信息。

于本发明的一实施例中，所述确定入模特征步骤包括：

在所述样本数据集中根据接单结果的特定情形给接单标记标签；

根据目标订单相关信息确定所述入模特征，所述目标订单相关信息包括目标订单属性信息、用户历史行为信息、周边司机信息、环境信息等；

基于相关指标进行所述入模特征的筛选。