本發(fā)明實施例涉及網(wǎng)約車，尤其涉及一種基于多租戶的里程費智能出價方法、裝置及計算機設(shè)備。

背景技術(shù)：

1、在網(wǎng)約車業(yè)務(wù)領(lǐng)域中，由于機場、火車站、公園等地區(qū)存在交通流量大，人流量受政策和事件影響大的特點。因此，各個網(wǎng)約車平臺會將這類區(qū)域應(yīng)被視為特殊區(qū)域，使得從該特殊區(qū)域駛出，或駛?cè)朐撎厥鈪^(qū)域的所有網(wǎng)約車業(yè)務(wù)的里程費需要進行特殊的設(shè)定。

2、然而，發(fā)明人意識到，不同網(wǎng)約車平臺對特殊區(qū)域的里程費設(shè)定存在標準不統(tǒng)一的問題，容易導(dǎo)致乘客產(chǎn)生困惑和不滿。并且，特殊區(qū)域的網(wǎng)約車費用可能會因為高峰時段或特殊事件而出現(xiàn)劇烈變動，這使得乘客難以預(yù)估出行成本。此外，在缺乏有效的市場調(diào)控機制下，部分網(wǎng)約車平臺可能會采用惡意降價的行為來吸引乘客，損害行業(yè)的健康發(fā)展。最后，里程費的計算方式應(yīng)依賴于乘客實際里程，但由于涉及特殊區(qū)域的網(wǎng)約車業(yè)務(wù)里程費相對普通地區(qū)過高，迫使乘客自行遠離特殊區(qū)域后再打車，導(dǎo)致特殊區(qū)域內(nèi)的網(wǎng)約車利用效率降低。

技術(shù)實現(xiàn)思路

1、本技術(shù)針對上述不足或缺點，本技術(shù)提供了一種基于多租戶的里程費智能出價方法、裝置及計算機設(shè)備。本技術(shù)利用地理信息系統(tǒng)gis(geographic?information?system)與實時數(shù)據(jù)流處理apache?kafka技術(shù)相結(jié)合的方式，實時地獲取特殊區(qū)域網(wǎng)約車和乘客位置信息、熱點事件、監(jiān)管政策等信息，再利用設(shè)定的里程費定價神經(jīng)網(wǎng)絡(luò)模型對各個租戶的里程費出價進行調(diào)整，避免了特殊區(qū)域內(nèi)多個租戶惡意競價的行為發(fā)生，提高了里程費出價的合理性，改善了特殊區(qū)域內(nèi)網(wǎng)約車的利用效率。

2、本技術(shù)根據(jù)第一方面提供了一種基于多租戶的里程費智能出價方法，該方法包括：

3、獲取目標區(qū)域內(nèi)的供需關(guān)系信息，該供需關(guān)系信息包括網(wǎng)約車位置信息、乘客分布數(shù)據(jù)和交通流量信息；

4、基于供需關(guān)系信息設(shè)置里程費定價神經(jīng)網(wǎng)絡(luò)模型；

5、獲取目標區(qū)域內(nèi)各個租戶對應(yīng)的定價基線模板，該定價基線模板指的是根據(jù)以目標區(qū)域內(nèi)為出發(fā)點的各種網(wǎng)約車行程長短來定價的區(qū)域路程價目表；

6、將各個定價基線模板輸入里程費定價神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測，確定與各個定價基線模板對應(yīng)的最終價格模板；

7、將各個最終價格模板推送至對應(yīng)的租戶以完成出價。

8、在一些實施例中，目標區(qū)域是根據(jù)業(yè)務(wù)需求在電子地圖上確定的有限區(qū)域；獲取目標區(qū)域內(nèi)各個租戶對應(yīng)的定價基線模板，包括：

9、確定目標區(qū)域內(nèi)各個租戶對應(yīng)的平臺類型標識；

10、根據(jù)當前時段與各個平臺類型標識，確定各個租戶的服務(wù)日期類型，該服務(wù)日期類型為工作日或休息日；

11、根據(jù)各個租戶對應(yīng)的平臺類型標識與服務(wù)日期類型，生成多個租戶對應(yīng)的定價基線模板；其中，各個定價基線模板包括各個時段下對應(yīng)的起步費價目表、分段里程費價目表以及分段時長費價目表。

12、在一些實施例中，供需關(guān)系信息是基于地理信息系統(tǒng)gis從目標區(qū)域內(nèi)的各個網(wǎng)約車上的全球定位系統(tǒng)gps(global?positioning?system)中獲取得到的；基于供需關(guān)系信息設(shè)置里程費定價神經(jīng)網(wǎng)絡(luò)模型，包括：

13、利用實時數(shù)據(jù)流處理技術(shù)apache?kafka確定各個網(wǎng)約車的標識信息與網(wǎng)約車位置信息的第一映射關(guān)系數(shù)據(jù)集；

14、通過分布式文件系統(tǒng)hadoop?hdfs(hadoop?distributed?system)以及數(shù)據(jù)倉庫技術(shù)etl(extract-transform-load)為第一映射關(guān)系數(shù)據(jù)集執(zhí)行數(shù)據(jù)清洗操作，生成租戶網(wǎng)約車標識與定位報告；

15、基于租戶網(wǎng)約車標識與定位報告設(shè)置里程費定價神經(jīng)網(wǎng)絡(luò)模型。

16、在一些實施例中，基于租戶網(wǎng)約車標識與定位報告設(shè)置里程費定價神經(jīng)網(wǎng)絡(luò)模型，包括：

17、利用tensorflow技術(shù)，根據(jù)租戶網(wǎng)約車標識與定位報告的數(shù)據(jù)類型定義輸入層；

18、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)cnn(convolutional?neural?networks)隱藏層與循環(huán)神經(jīng)網(wǎng)絡(luò)rnn(recurrent?neural?network)隱藏層；

19、連接cnn隱藏層與rnn隱藏層，令cnn隱藏層的輸出信息轉(zhuǎn)換并輸入rnn隱藏層；

20、根據(jù)智能出價需求定義輸出層；

21、選擇優(yōu)化器類型并為優(yōu)化器選擇激活函數(shù)，激活函數(shù)選擇relu(rectifiedlinear?unit，線性整流函數(shù))、sigmoid、tanh以及l(fā)eaky?relu(leaky?rectified?linearunit，線性整流函數(shù)變體)之中的任一項；

22、執(zhí)行激活函數(shù)對應(yīng)的初始化函數(shù)以完成里程費定價神經(jīng)網(wǎng)絡(luò)模型的偏置初始化配置。

23、在一些實施例中，交通流量信息包括目標區(qū)域當日的客流量，該方法還包括：

24、利用實時數(shù)據(jù)流處理技術(shù)apache?kafka確定各個乘客的身份信息與乘客分布數(shù)據(jù)的第二映射關(guān)系數(shù)據(jù)集；

25、對第二映射關(guān)系數(shù)據(jù)集和交通流量信息執(zhí)行預(yù)處理操作，獲得用于時間序列分析的格式化數(shù)據(jù)；

26、利用擬合完成的差分自回歸移動平均模型arima(autoregressive?integratedmoving?average?model)預(yù)測未來各個時段的乘客需求量。

27、在一些實施例中，該方法還包括：

28、使用均方誤差mse(mean?square?error)和平均絕對誤差mae(mean?absoluteerror)來對當前的差分自回歸移動平均模型arima的預(yù)測結(jié)果進行評估；

29、根據(jù)預(yù)測結(jié)果的均方誤差mse和平均絕對誤差mae的損失函數(shù)梯度，更新優(yōu)化器的參數(shù)權(quán)重和/或偏置初始化配置；

30、通過強化學(xué)習(xí)算法dqn(deep?q-network)和ppo(proximal?policyoptimization)來對里程費定價神經(jīng)網(wǎng)絡(luò)模型進行迭代訓(xùn)練，每一次迭代訓(xùn)練時會使用mse和mae來對當前的arima的預(yù)測結(jié)果進行評估。

31、在一些實施例中，將各個定價基線模板輸入里程費定價神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測，確定與各個定價基線模板對應(yīng)的最終價格模板，包括：

32、根據(jù)未來各個時段的乘客需求量以及輸入的定價基線模板，利用里程費定價神經(jīng)網(wǎng)絡(luò)模型處理后生成多個應(yīng)付定價模板；

33、根據(jù)目標區(qū)域?qū)崟r的政策和情況，對各個應(yīng)付定價模板進行修正后獲得最終價格模板。

34、在一些實施例中，目標區(qū)域為機場區(qū)域；根據(jù)目標區(qū)域?qū)崟r的政策和情況，對各個應(yīng)付定價模板進行修正后獲得最終價格模板，包括：

35、通過flink或storm技術(shù)，獲取機場區(qū)域?qū)崟r的政策和情況；政策和情況包括航班動態(tài)信息、活動事件、天氣信息；

36、提取航班動態(tài)和事件的發(fā)生時間信息，并通過地理信息系統(tǒng)gis確定航班動態(tài)和事件的地理圍欄生效區(qū)域；

37、根據(jù)航班動態(tài)和事件的發(fā)生時間信息、地理圍欄生效區(qū)域，利用設(shè)定的規(guī)則引擎來對各個應(yīng)付定價模板進行漲價或降價操作，獲得最終價格模板。

38、本技術(shù)根據(jù)第二方面提供了一種基于多租戶的里程費智能出價裝置，該裝置包括：

39、區(qū)域供需關(guān)系獲取模塊，用于獲取目標區(qū)域內(nèi)的供需關(guān)系信息，供需關(guān)系信息包括網(wǎng)約車位置信息、乘客分布數(shù)據(jù)和交通流量信息；

40、定價模型構(gòu)建模塊，用于基于供需關(guān)系信息設(shè)置里程費定價神經(jīng)網(wǎng)絡(luò)模型；

41、初始定價獲取模塊，用于獲取目標區(qū)域內(nèi)各個租戶對應(yīng)的定價基線模板，定價基線模板指的是根據(jù)以目標區(qū)域內(nèi)為出發(fā)點的各種網(wǎng)約車行程長短來定價的區(qū)域路程價目表；

42、最終定價調(diào)整模塊，用于將各個定價基線模板輸入里程費定價神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測，確定與各個定價基線模板對應(yīng)的最終價格模板；

43、最終出價更新模塊，用于將各個最終價格模板推送至對應(yīng)的租戶以完成出價。

44、本技術(shù)根據(jù)第三方面提供了一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執(zhí)行計算機程序時實現(xiàn)上述任一項基于多租戶的里程費智能出價方法的步驟。

45、上述實施例所述的方法可以應(yīng)用于saas(software?as?a?service，軟件即服務(wù))云平臺，其中，該saas云平臺上一般會存在多個網(wǎng)約車租戶。而對于例如機場的特殊區(qū)域而言，也會存在多個租戶來為特殊區(qū)域處理網(wǎng)約車業(yè)務(wù)，這些租戶屬于該特殊區(qū)域的網(wǎng)約車服務(wù)提供商。一般地，在該特殊區(qū)域內(nèi)，每輛網(wǎng)約車只有一個網(wǎng)約車司機，而網(wǎng)約車司機的終端設(shè)備(例如手機)上會安裝有一個或多個租戶的客戶端(例如網(wǎng)約車標識為a的網(wǎng)約車司機a的手機同時安裝了陽光出行和滴滴出行兩個租戶的客戶端)，即各個網(wǎng)約車標識(例如車牌號)可以與多個租戶存在映射關(guān)系，例如車牌號a對應(yīng)陽光出行和滴滴出行的租戶。進一步地，saas云平臺先利用地理信息系統(tǒng)gis與實時數(shù)據(jù)流處理apache?kafka技術(shù)相結(jié)合的方式，實時地獲取目標區(qū)域(即上述的特殊區(qū)域)內(nèi)的供需關(guān)系信息，該供需關(guān)系信息包括網(wǎng)約車位置信息、乘客分布數(shù)據(jù)和交通流量信息，并基于供需關(guān)系信息設(shè)置里程費定價神經(jīng)網(wǎng)絡(luò)模型。然后繼續(xù)通過apache?kafka技術(shù)獲取目標區(qū)域內(nèi)各個租戶對應(yīng)的定價基線模板，將各個定價基線模板輸入上述的里程費定價神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測，確定與各個定價基線模板對應(yīng)的最終價格模板，最終將各個最終價格模板推送至對應(yīng)的租戶以完成出價。通過這樣的方式，避免了特殊區(qū)域內(nèi)多個租戶惡意競價的行為發(fā)生，提高了里程費出價的合理性，改善了特殊區(qū)域內(nèi)網(wǎng)約車的利用效率。