(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211071447.9 (22)申请日 2022.09.02 (71)申请人 浙江吉利控股集团有限公司 地址 310000 浙江省杭州市滨江区江陵路 1760号 申请人 杭州优行 科技有限公司 (72)发明人 李玉柱　史彬　凌国沈　田舟贤　 史何富　强琦　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 专利代理师 马德举 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 30/06(2012.01)G06Q 50/30(2012.01) G06N 20/00(2019.01) (54)发明名称 网约车异常订单的接单率预测方法及系统 (57)摘要 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。 权利要求书2页 说明书7页 附图2页 CN 115545276 A 2022.12.30 CN 115545276 A 1.一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AP P和司机端AP P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。 2.根据权利要求1所述的网约车异常订单的接单率预测方法， 其特征在于， 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 。 3.根据权利要求1所述的网约车异常订单的接单率预测方法， 其特征在于， 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。 4.根据权利要求3所述的网约车异常订单的接单率预测方法， 其特征在于： 所述在所述 样本数据集中根据接单结果的特定情形给接单形标记标签的步骤中， 如果出现第一特定情 形， 即目标用户在下单后， 订单被司机接单且后续无撤单行为， 则对 该所述订单在 对应的样 本数据集中标记为0； 如果出现第二特定情形， 即所述目标用户在下单后未成单， 即所述订 单未被所述司机接单或所述订单被所述司机接单后发生撤单行为， 则对该所述订单在所述 对应的样本数据集中标记为1。 5.根据权利要求3所述的接单率预测方法， 其特征在于： 所述相关指标包括可得性指 标、 可解释性指标、 信息量指标、 相关性指标和稳定性指标。 6.根据权利要求5述的网约车异常订单的接单率预测系统， 其特 征在于： 所述可得性指标， 用于 评估该特征在线上能否复现开发； 所述可解释性， 用于 评估标该特征对最终的结果能否解释； 所述相关性指标为计算特 征的皮尔逊相关系数， 用于 评估所述特 征间的相关性； 所述信息量指标为计算特 征的信息量 IV， 用于评估所述特 征的预测能力； 所述稳定性指标为计算特 征的群体稳定性指标P SI， 用于评估所述特 征的稳定性。 7.根据权利要求1所述的网约车异常订单的接单率预测方法， 其特征在于： 所述训练模 型步骤包括： 根据筛选后得到的入 模特征， 采用机器学习算法， 训练所述接单率预测模型； 评估所述接单率预测模型， 判断所述接单率预测模型 预测订单 是否成单的正确率。 8.根据权利要求7所述的接单率预测方法， 其特征在于： 所述筛选后得到的入模特征包 括： 订单特征、 用户特 征、 司机数据、 交通状况和天气特 征。 9.根据权利要求7所述的网约车异常订单的接单率预测方法， 其特征在于： 所述机器学 习算法， 可以是随机森林算法、 XGBo ost算法或决策树 算法。 10.如权利要求7所述的网约车异常订单的接单率预测方法， 其特征在于： 在所述训练权　利　要　求　书 1/2 页 2 CN 115545276 A 2模型步骤中， 将所述订单样本数据集根据预设比例划分为训练集和验证集； 对所述训练集 的数据根据筛选后的所述入模特征， 采用所述机器学习算法， 进行所述接单率预测模型 的 训练； 所述验证集的数据用于对训练好的所述接单率预测模型进行输出结果的验证， 以判 断所述训练好的所述接单率预测模型 是否符合预设要求。 11.一种网约车异常订单的接单率预测系统， 所述系统执行权利要求1至10的方法， 包 括： 订单样本数据集获取模块， 获取订单样本数据集； 样本数据集标记标签模块， 在所述订单样本数据集中按照特定情形对各订单标记接单 标签； 特征设计与开发模块， 根据所述订单样本数据集中的目标订单属性信息、 用户历史行 为信息、 周边司机信息、 环境信息等数据， 进行入 模特征的设计与开发； 特征筛选模块， 根据入模特征和已标记标签的订单样本数据集， 基于以下物业指标中 的一种或多种： 可得性指标、 可解释性指标、 信息量指标、 相关性指标和稳定性指标， 进 行所 述入模特征的筛选； 接单率预测模型训练模块， 将所述订单样本数据集根据 预设比例划分为训练集与验证 集， 然后根据筛选后的所述入模特征， 采用机器学习算法， 进行接单率预测模型的训练， 并 对所述接单率预测模型的参数进行优化， 最终得到 接单率预测模型； 接单率预测模型评估模块， 使用所述订单样本数据集所划分的所述验证集对训练好的 所述接单率预测模型的输出结果进行验证， 判断所述接单率预测模型对各类风险用户的识 别正确率是否 达到预设阈值； 优化异常订单处罚决策模块， 根据所述接单率预测模型的预测结果， 优化决策风险防 范措施。权　利　要　求　书 2/2 页 3 CN 115545276 A 3