(19)中华 人民共和国 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 202111205192.6 (22)申请日 2021.10.15 (71)申请人 深圳依时货拉 拉科技有限公司 地址 518000 广东省深圳市福田区梅林街 道梅林路卓越梅林中心广场(南区)A 座2202 (72)发明人 吕伟峰　王惠敏　 (74)专利代理 机构 深圳瑞天谨诚知识产权代理 有限公司 4 4340 代理人 温青玲 (51)Int.Cl. G06Q 10/08(2012.01) G06N 20/00(2019.01) (54)发明名称 订单价值分层方法、 计算机可读存储介质及 计算机设备 (57)摘要 本发明适用于物 流领域， 提供了一种订单价 值分层方法、 计算机可读存储介质及计算机设 备， 包括获取订单的历史交易数据样本； 根据订 单的历史交易数据样本进行建模， 选取每个订单 的相关特征； 将相关特征输入到机器学习模型， 机器学习模型根据相关特征以订单被完成为目 的， 并根据增益值的大小进行相关特征的重要度 排序； 根据相关特征的重要度排序筛选重要特征 作为回归模型的输入， 以订单被完成为目的， 输 出重要特征对应的权重值； 计算重要特征的特征 值， 将特征值与重要特征对应的权重值相乘， 对 乘积求和， 得到订单得分； 根据订单得分进行排 序， 并根据排序将订单分成多层。 使得订单价值 不受当前 供需及司机水平的影响。 权利要求书1页 说明书4页 附图4页 CN 113935688 A 2022.01.14 CN 113935688 A 1.一种订单价 值分层方法， 其特 征在于， 包括： 获取订单的历史 交易数据样本； 根据订单的历史 交易数据样本进行建模， 选取每 个订单的相关特 征； 将相关特征输入到机器学习模型， 机器学习模型根据相关特征以订单被完成为目的， 并根据增益 值的大小 进行相关特 征的重要度排序； 根据相关特征的重要度排序筛选重要特征作为回归模型的输入， 以订单被完成为目 的， 输出重要特 征对应的权 重值； 所述重要特 征的增益 值大于预定增益 值； 计算重要特征的特征值， 将特征值与重要特征对应的权重值相乘， 对乘积求和， 得到订 单得分； 根据订单 得分进行排序， 并根据排序将订单分成多层。 2.如权利要求1所述的订单价 值分层方法， 其特 征在于， 所述方法还 包括： 计算每层所有订单的履约 率， 评估层间履约率的差距； 所述履约率＝完成订单数/响应 订单数； 监控层间履约 率差距， 若与预期不符， 则调整多元回归模型； 所述预期为好单履约率比 差单履约率高。 3.如权利要求1所述的订单价值分层方法， 其特征在于， 所述机器学习模型包括XG ‑ Boost模型和分类模型。 4.如权利要求1所述的订单价值分层方法， 其特征在于， 所述 回归模型包括多元回归模 型和逻辑回归 模型。 5.如权利要求1所述的订单价值分层方法， 其特征在于， 所述订单价值分层方法还包括 根据城市、 车 型和实际应用场景将订单的分层进行调整。 6.如权利要求1所述的订单价值分层方法， 其特征在于， 所述订单的历史交易数据样本 包括： 订单起点特征、 订单终点特征、 订单备注特征、 订单价格里程特征和调度货主用户特 征。 7.如权利要求1所述的订单价值分层方法， 其特征在于， 所述相关特征包括： 订单地理 属性、 货主属性、 备注属性和价格里程。 8.如权利要求7所述的订单价值分层方法， 其特征在于， 所述订单地理属性包括： 订单 起点特征和订单终点特 征。 9.如权利要求8所述的订单价值分层方法， 其特征在于， 所述订单起点特征包括起点履 约率、 起点响应率和起点配对率； 所述订单终点特征包括 终点履约率、 终点响应率和终点配 对率。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求 1至9任一项 所述的订单价值分层方法 的步骤。 11.一种计算机设备， 包括： 一个或多个处理器、 存储器以及一个或多个计算机程序， 所 述处理器和所述存储器通过总线连接， 其中所述一个或多个计算机程序被存储在所述存储 器中， 并且被配置成由所述一个或多个处理器执行， 其特征在于， 所述处理器执行所述计算 机程序时实现如权利要求1至9任一项所述的订单价 值分层方法的步骤。权　利　要　求　书 1/1 页 2 CN 113935688 A 2订单价值分层方 法、 计算机可 读存储介质及计算机设 备 技术领域 [0001]本申请属于物流领域， 尤其涉及一种订单价值分层方法、 计算机可读存储介质及 计算机设备。 背景技术 [0002]目前的订单价值评估方法， 基本只有后置方法， 即订单产生后， 随着时间推移， 逐 步地广播推送给不同范围内的司机， 一般是离订单越远的司机越晚收到订单。 司机接单时 间越短， 说明订单越快被响应， 则订单在市场上的价值越高， 又或者订单越多人参与PK， 则 订单的价 值越高。 [0003]由于上述的情况是严重受到实时供需影响， 在司机未履约的情况下， 目前是无法 计算出该订单能被履约的概率， 而平台的司机水平参差不齐， 既有高履约率的老司机， 又有 低履约率的新司机， 订单价 值受当前 供需及司机水平的影响。 发明内容 [0004]本发明的目的在于提供一种订单价值分层方法、 计算机可读存储介质及计算机设 备， 旨在解决订单价 值受当前 供需及司机水平的影响的问题。 [0005]第一方面， 本发明提供了一种订单价 值分层方法， 包括： [0006]获取订单的历史 交易数据样本； [0007]根据订单的历史 交易数据样本进行建模， 选取每 个订单的相关特 征； [0008]将相关特征输入到机器学习模型， 机器学习模型根据相关特征以订单被完成为目 的， 并根据增益 值的大小 进行相关特 征的重要度排序； [0009]根据相关特征的重要度排序筛选重要特征作为回归模型的输入， 以订单被完成为 目的， 输出重要特 征对应的权 重值； 所述重要特 征的增益 值大于预定增益 值； [0010]计算重要特征的特征值， 将特征值与重要特征对应的权重值相乘， 对乘积求和， 得 到订单得分； [0011]根据订单 得分进行排序， 并根据排序将订单分成多层。 [0012]进一步地， 所述方法还 包括： [0013]计算每层所有订单的履约率， 评估层间履约率的差距； 所述履约率＝完成订单数/ 响应订单 数； [0014]监控层间履约率差距， 若与预期不符， 则调整多元回归模型； 所述预期为好单履约 率比差单履约率高。 [0015]进一步地， 所述订单价值分层方法还包括根据城市、 车型和实际应用场景将订单 的分层进行调整。 [0016]进一步地， 所述机器学习模型包括XG ‑Boost模型和分类模型。 [0017]进一步地， 所述回归 模型包括多元回归 模型和逻辑回归 模型。 [0018]进一步地， 所述订单的历史交易数据样本包括： 订单起点特征、 订单终点特征、 订说　明　书 1/4 页 3 CN 113935688 A 3