[发明专利]一种司机出行补贴方法、装置和存储介质

说明书

本发明涉及一种司机出行补贴方法、装置和存储介质，方法包括以下步骤：获取司机的行为特征；基于所述行为特征，确定司机所属类别；根据司机所属类别，基于预设的学习模型，预测司机的完单概率；基于司机的完单概率，生成与司机适配的出行补贴方案。本发明的方法，可以精准预测司机完单概率，可以基于司机完单概率生成更具针对性的出行补贴方案，可以节省车辆运营平台运营成本。

技术领域

本发明涉及计算机技术领域，尤其是指一种司机出行补贴方法、装置和存储介质。

背景技术

近年来，随着网络及数据处理技术的不断发展，为传统的出租车市场注入了新的血液。为了可以提升顺风车司机的接单积极性，现有技术中，会基于顺风车司机的出行完单概率进行预测，并基于预测结果以现金或优惠券的补贴形式发送至顺风车司机账户。

传统预测司机一段时间内或者未来一段时间完单概率时，是针对全部司机进行训练学习和预测。该方法虽然能够预测司机的完单概率，但是在顺风车场景下不同的司机存在不同的出行模式，模型在学习中更容易受到高频行为特征的影响，而针对周期性和低频行为的司机就无法进行准确的预测，即现有技术中的模型无法有效的学习到周期性行为特征和低频行为特征的重要性，以至于无法对顺风车生成更具针对性的补贴方案。

因此，急需提出一种能够精准预测司机完单概率的司机出行补贴方法、装置和存储介质。

发明内容

为了解决上述技术问题，本发明提供了一种司机出行补贴方法、装置和存储介质，可以精准预测司机完单概率，可以基于司机完单概率生成更具针对性的出行补贴方案，可以节省车辆运营平台运营成本。

为实现上述目的，本申请提出第一技术方案：

一种司机出行补贴方法，所述方法包括以下步骤：获取司机的行为特征；基于所述行为特征，确定司机所属类别；根据司机所属类别，基于预设的学习模型，预测司机的完单概率；基于司机的完单概率，生成与司机适配的出行补贴方案。

在本发明的一个实施例中，所述基于行为特征，确定司机所属类别包括：获取司机在预设时间段内产生的行为特征次数；基于所述行为特征次数，确定司机为高频司机、周期型司机或低频偶发型司机。

在本发明的一个实施例中，预测司机的完单概率包括：基于司机的任一行为特征，获取司机在第一时间段内产生的第一行为特征次数，司机在第二时间段内产生的第二行为特征次数；获取所述第一行为特征次数与所述第二行为特征的比值；基于所述比值，预测司机的完单概率。

在本发明的一个实施例中，预测司机的完单概率包括：获取司机在第三时间段内产生的行为特征；获取第三时间段内相同的时间点总数，及司机在第三时间段内产生行为特征的天数总和；基于所述时间点总数与所述天数总和的比值，预测司机的完单概率。

在本发明的一个实施例中，预测司机的完单概率包括：获取司机在第四时间段内产生的行为特征次数；基于司机在第四时间段内产生的行为特征次数，获取司机在所述第四时间段内产生的行为特征的周转天数、周期值和周期变化规律；基于所述周转天数、周期值和周期变化规律，预测司机的完单概率。

在本发明的一个实施例中，所述预设的学习模型包括：GBDT学习模型和XGBoost学习模型；基于GBDT学习模型，预测高频司机和周期型司机的完单概率；基于XGBoost学习模型，预测低频偶发型司机和周期型司机的完单概率。

在本发明的一个实施例中，获取司机的完单概率，若所述完单概率小于第一阈值，则对应所述司机生成出行补贴方案，并进行出行补贴。

在本发明的一个实施例中，对应所述司机生成出行补贴方案包括：基于司机的完单概率及档位划分规则，将所述完单概率进行档位划分；获取任一档位下，发生完成订单的行为特征的司机数目和未发生完成订单的行为特征的司机数目的比值；若所述比值小于第二阈值，则对应处于当前档位及低于当前档位的司机生成出行补贴方案，并进行出行补贴。