本發(fā)明涉及交通領(lǐng)域，更具體地涉及一種網(wǎng)約車(chē)司機(jī)流失預(yù)警方法。

背景技術(shù)：

1、隨著網(wǎng)約車(chē)市場(chǎng)的迅速發(fā)展，越來(lái)越多的網(wǎng)約車(chē)平臺(tái)進(jìn)入該領(lǐng)域，市場(chǎng)競(jìng)爭(zhēng)愈加激烈。網(wǎng)約車(chē)平臺(tái)的司機(jī)數(shù)量和質(zhì)量直接影響著服務(wù)品質(zhì)和乘客體驗(yàn)，因此，預(yù)估司機(jī)流失對(duì)于平臺(tái)來(lái)說(shuō)十分重要。

2、當(dāng)司機(jī)流失時(shí)，平臺(tái)需要重新招募和培訓(xùn)新司機(jī)，并為他們提供優(yōu)惠政策來(lái)吸引他們加入平臺(tái)。這些成本將會(huì)非常高昂，預(yù)估司機(jī)流失可以幫助平臺(tái)及時(shí)發(fā)現(xiàn)司機(jī)流失的趨勢(shì)，采取措施來(lái)留住司機(jī)，從而減少成本。

3、當(dāng)司機(jī)流失過(guò)多時(shí)，平臺(tái)可能無(wú)法及時(shí)滿足用戶(hù)的需求，從而影響服務(wù)水平。對(duì)于那些習(xí)慣于在平臺(tái)上下單的用戶(hù)來(lái)說(shuō)，由于缺乏司機(jī)資源，他們可能會(huì)轉(zhuǎn)向其他服務(wù)，導(dǎo)致平臺(tái)的用戶(hù)流失。預(yù)估司機(jī)流失可以預(yù)測(cè)未來(lái)的司機(jī)數(shù)量，從而幫助平臺(tái)及時(shí)采取措施，提升服務(wù)水平。

4、預(yù)估司機(jī)流失可以幫助平臺(tái)了解司機(jī)的需求和訴求，及時(shí)調(diào)整政策，提高司機(jī)的滿意度和忠誠(chéng)度，從而增強(qiáng)平臺(tái)的市場(chǎng)競(jìng)爭(zhēng)力。同時(shí)，與其他同行業(yè)平臺(tái)相比，留住更多的司機(jī)也是一個(gè)重要的競(jìng)爭(zhēng)優(yōu)勢(shì)。

5、基于以上多種因素，預(yù)估司機(jī)流失在網(wǎng)約車(chē)場(chǎng)景下顯得尤為重要。平臺(tái)可以通過(guò)分析司機(jī)的歷史數(shù)據(jù)，了解司機(jī)的服務(wù)質(zhì)量、收入情況、行為偏好等因素，以及調(diào)查司機(jī)的意見(jiàn)和反饋，預(yù)測(cè)未來(lái)的司機(jī)流失率，及時(shí)采取措施來(lái)留住司機(jī)，提升服務(wù)水平，降低成本，增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力。

6、由于模型的局限性，比如使用樹(shù)模型、邏輯回歸模型無(wú)法對(duì)序列信息建模，當(dāng)前技術(shù)方案使用的特征通常是一段時(shí)間內(nèi)的統(tǒng)計(jì)特征，比如司機(jī)歷史1天、7天、30天的平均每日完單量，此時(shí)忽略了歷史一段時(shí)間之內(nèi)每日的序列變化，導(dǎo)致信息丟失，而序列數(shù)據(jù)則反應(yīng)了司機(jī)在該平臺(tái)的流失可能性變化，對(duì)司機(jī)流失的預(yù)測(cè)至關(guān)重要。

7、此外，總體發(fā)單量、司機(jī)行為、平臺(tái)進(jìn)行活動(dòng)等因素是不斷變化的，為了適配這種變化，通常需要每月、或者每周收集最新的樣本數(shù)據(jù)，使用最新數(shù)據(jù)重新訓(xùn)練模型，確保模型能夠?qū)W習(xí)到司機(jī)最新的行為變化，來(lái)保證預(yù)估效果。而每周、每月進(jìn)行例行化訓(xùn)練的成本是高昂的，并且涉及數(shù)據(jù)收集、落表、樣本制作、模型優(yōu)化、推送模型等多個(gè)過(guò)程，自動(dòng)化執(zhí)行過(guò)程容易出錯(cuò)。

8、針對(duì)上述問(wèn)題，本發(fā)明提出一種解決方案。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供了一種網(wǎng)約車(chē)司機(jī)流失預(yù)警方法，以解決上述背景技術(shù)中存在的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種網(wǎng)約車(chē)司機(jī)流失預(yù)警方法，包括以下步驟：

4、s001：收集平臺(tái)司機(jī)特征，所述司機(jī)特征包括城市大盤(pán)、司機(jī)行為以及司機(jī)屬性；

5、所述城市大盤(pán)包括發(fā)單量、匹配量、匹配率、完單量、完單率、gmv以及平均收入；

6、所述司機(jī)行為包括出車(chē)時(shí)長(zhǎng)、空駛時(shí)長(zhǎng)、完單量、取消量、投訴量、訂單收入以及活動(dòng)收入；

7、所述司機(jī)屬性包括注冊(cè)天數(shù)、所在城市、性別以及服務(wù)分；

8、s002：基于注意力機(jī)制設(shè)計(jì)一套特征提取模型，使模型能夠捕捉多個(gè)特征序列的信息，并將多個(gè)特征融合到一起然后映射到高維向量空間，得到高層次的向量特征；

9、s003：收集歷史7天的司機(jī)行為，生成一個(gè)向量描述司機(jī)的天級(jí)行為，七天分別對(duì)應(yīng)vi，1≤vi≤7，使用高層次的特征向量進(jìn)行流失模型的訓(xùn)練，得到最終流失模型；

10、s004：實(shí)時(shí)收集司機(jī)的近7天的行為并通過(guò)特征提取模型得到實(shí)時(shí)高層次的特征向量，并通過(guò)最終流失模型預(yù)估得到司機(jī)流失概率；

11、s005：根據(jù)司機(jī)流失概率進(jìn)行預(yù)警提示，并根據(jù)預(yù)警提示采取相應(yīng)的干預(yù)措施。

12、優(yōu)選的，所述將多個(gè)特征融合到一起然后映射到高維向量空間，得到高層次的向量特征步驟為：

13、收集一批歷史司機(jī)近7天的行為，每天生成一個(gè)向量來(lái)描述司機(jī)的行為，記為初級(jí)天級(jí)向量，針對(duì)初級(jí)天級(jí)向量一個(gè)序列特征i，我們首先將其映射到128維的向量空間中，記為vti；

14、針對(duì)一天的多個(gè)序列特征，我們將多個(gè)特征拼接成一個(gè)高維向量，記為vt；

15、針對(duì)歷史多天的行為特征序列，通過(guò)注意力機(jī)制學(xué)習(xí)司機(jī)和大盤(pán)的歷史行為，得到高層次的向量特征v。

16、優(yōu)選的，所述通過(guò)注意力機(jī)制學(xué)習(xí)司機(jī)和大盤(pán)的歷史行為，得到高層次的向量特征v步驟為：

17、將每個(gè)時(shí)間步的特征通過(guò)嵌入層映射到統(tǒng)一的高維空間；

18、將司機(jī)和大盤(pán)的嵌入特征在時(shí)間維度上融合，形成一個(gè)聯(lián)合特征矩陣；

19、計(jì)算每個(gè)時(shí)間步的注意力得分，其表達(dá)式為et＝tanh(waet+ba)，其中et表示為時(shí)間t的隱藏狀態(tài)，wa為權(quán)重矩陣，ba表示為偏置，tanh表示為雙曲正切函數(shù)；

20、通過(guò)softmax函數(shù)，將注意力得分轉(zhuǎn)化為注意力權(quán)重，其計(jì)算公式為其中αt表示為注意力權(quán)重，et表示為時(shí)間步t計(jì)算得到的注意力得分，exp(ek)表示為對(duì)注意力得分進(jìn)行指數(shù)運(yùn)算，表示對(duì)所有時(shí)間步的指數(shù)得分求和；

21、使用注意力權(quán)重對(duì)每個(gè)時(shí)間步的聯(lián)合特征進(jìn)行加權(quán)求和，得到全局高層次特征表示，其表達(dá)式為其中v表示為高層次的向量特征。

22、優(yōu)選的，所述收集歷史7天的司機(jī)行為，生成一個(gè)向量描述司機(jī)的天級(jí)行為步驟為：

23、將7天的司機(jī)行為輸入特征矩陣，得到行為向量；

24、將司機(jī)一天之內(nèi)的多個(gè)行為向量通過(guò)拼接，得到當(dāng)天的行為向量vi，則歷史7天行為向量分別為v1、v2、...、v7，并引入分類(lèi)向量cls；

25、分別計(jì)算cls和向量v1的內(nèi)積相似度，得到權(quán)重w1，同理得到w2、...、w7；

26、通過(guò)權(quán)重對(duì)原始向量線性加權(quán)得到cls的輸出向量cls”，其計(jì)算公式為cls”＝w1×v1+...+w7×v7。

27、優(yōu)選的，所述使用高層次的特征向量進(jìn)行流失模型的訓(xùn)練，得到最終流失模型步驟為：

28、步驟一：將高層次的特征向量分為訓(xùn)練集與測(cè)試集，并對(duì)每個(gè)高層次的特征向量對(duì)應(yīng)的司機(jī)的流失情況進(jìn)行標(biāo)記；

29、步驟二：選擇卷積神經(jīng)網(wǎng)絡(luò)，初始化模型參數(shù)，所述參數(shù)包括權(quán)重和偏置；

30、步驟三：將高層次特征向量輸入模型，進(jìn)行前向傳播計(jì)算輸出；

31、步驟四：使用交叉熵?fù)p失函數(shù)計(jì)算預(yù)測(cè)值和真實(shí)值之間的誤差；

32、步驟五：通過(guò)反向傳播算法計(jì)算損失函數(shù)對(duì)模型參數(shù)的梯度；

33、步驟六：使用梯度下降優(yōu)化算法更新模型參數(shù)，得到初始化模型；

34、步驟七：在驗(yàn)證集上評(píng)估模型性能，通過(guò)計(jì)算準(zhǔn)確率、召回率以及f1分?jǐn)?shù)指標(biāo)，得到模型性能指數(shù)，其表達(dá)式為xn＝f(n1,n2,n3)，其中xn表示為模型性能指數(shù)，n1、n2、n3表示為模型的準(zhǔn)確率、召回率以及f1分?jǐn)?shù)，將模型性能指數(shù)與預(yù)設(shè)閾值進(jìn)行對(duì)比，若模型性能指數(shù)大于預(yù)設(shè)閾值，則判定當(dāng)前模型性能好，輸出當(dāng)前模型，若模型性能指數(shù)小于預(yù)設(shè)閾值，則判定當(dāng)前模型性能差，則重復(fù)步驟三-步驟六，繼續(xù)進(jìn)行模型訓(xùn)練，直至模型性能指數(shù)大于預(yù)設(shè)閾值。

35、優(yōu)選的，所述根據(jù)司機(jī)流失概率進(jìn)行預(yù)警提示步驟為，預(yù)設(shè)兩個(gè)流失概率閾值yz1與yz2，將通過(guò)模型得到的司機(jī)流失概率與流失概率閾值進(jìn)行對(duì)，若司機(jī)流失概率大于流失概率閾值yz2，則判定司機(jī)流失可能性大，發(fā)出三級(jí)預(yù)警提示司機(jī)流失概率大，若司機(jī)流失概率小于流失概率閾值yz1，則判定司機(jī)流失可能性小，發(fā)出一級(jí)預(yù)警，若司機(jī)流失概率大于流失概率閾值yz1且小于流失概率閾值yz2，則判定司機(jī)為預(yù)流失用戶(hù)，發(fā)出二級(jí)預(yù)警提示司機(jī)有成為流失用戶(hù)的風(fēng)險(xiǎn)。

36、本發(fā)明的技術(shù)效果和優(yōu)點(diǎn)：

37、收集平臺(tái)司機(jī)特征，基于注意力機(jī)制設(shè)計(jì)一套特征提取模型，將多個(gè)特征融合到一起然后映射到高維向量空間，得到高層次的向量特征，根據(jù)歷史的司機(jī)行為生成天級(jí)向量，使用高層次的特征向量進(jìn)行流失模型的訓(xùn)練，得到最終流失模型，實(shí)時(shí)收集司機(jī)的近7天的行為預(yù)估得到司機(jī)流失概率，根據(jù)司機(jī)流失概率進(jìn)行預(yù)警提示，并根據(jù)預(yù)警提示采取相應(yīng)的干預(yù)措施，有效解決了無(wú)法對(duì)序列信息建模的問(wèn)題，提高了預(yù)測(cè)準(zhǔn)確度；

38、設(shè)計(jì)了多層注意力機(jī)制，通過(guò)該機(jī)制和模型捕捉司機(jī)的歷史行為序列特征，避免了司機(jī)歷史行為信息的丟失，極大的提高了預(yù)估司機(jī)流失的準(zhǔn)確率；另一方面是由于注意力機(jī)制在捕捉長(zhǎng)期序列行為上表現(xiàn)較好，避免多次收集數(shù)據(jù)、訓(xùn)練模型、上線模型的重復(fù)性工作。