一种用户下单概率的预测方法及计算机设备与流程

技术特征：
1.一种用户下单概率的预测方法，其特征在于，包括：根据估价起终点变更以及间隔时间，将用户下单前的多次估价进行分组，每组为一个独立需求；根据实时行为标签、用户画像、估价地域信息和估价对应的下单标签，进行用户行为分析，通过不同下单概率用户的行为差距，挖掘出影响用户下单的实时特征和离线特征；根据实时特征和离线特征得到二分类模型，选取所有独立需求中的第一次估价作为训练样本，进行估价到下单二分类模型训练，得到预测下单概率；根据预测下单概率，结合用户实际下单标签，用保序回归算法进行结果校准并验证校准后的预测下单概率准确性。2.如权利要求1所述的预测方法，其特征在于，所述行为标签为根据估价行为的下单事件编号以及独立需求编号，对估价间时间间隔、估价上一次下单的订单状态以及估价间信息变更进行标注。3.如权利要求1所述的预测方法，其特征在于，所述预测方法之前还包括：根据用户线上行为的触发时间，对用户的估价和下单进行多维度的排序，同时对用户估价打上顺序和时间间隔标签；根据用户线上估价的订单信息，对用户的估价和下单按照时间顺序，进行信息变更统计，同时对用户估价打上信息变更标签。4.如权利要求1所述的预测方法，其特征在于，所述行为标签为根据估价行为的下单事件编号以及独立需求编号，对估价间时间间隔、估价上一次下单的订单状态以及估价间信息变更进行标注。5.如权利要求1所述的预测方法，其特征在于，所述根据实时特征和离线特征得到二分类模型之前还包括：将实时特征和离线特征中的字符型特征进行编码；对实时特征和离线特征进行交叉处理，根据对比交叉前后的特征与标签的相关性，进行相应是否交叉的处理；对于类型较多的编码后的字符型特征或枚举型特征进行特征分桶。6.如权利要求1所述的预测方法，其特征在于，所述多维度包括用户维度、下单组维度和独立需求维度。7.如权利要求1所述的预测方法，其特征在于，所述独立需求在线上派发实时补贴时补贴相同，所有估价代表的用户需求均一致，用户下单概率的预测也保持一致。8.如权利要求2所述的预测方法，其特征在于，所述估价间信息变更包括起终点所在区域、车型、估价城市、用户端口和估价单折扣率。9.如权利要求1所述的预测方法，其特征在于，所述选取所有独立需求中的第一次估价作为训练样本之前还包括清洗异常账号数据、噪音估价数据，剔除起始点一致的数据。10.如权利要求1所述的预测样本，其特征在于，所述训练样本包括正样本和负样本；所述正样本为下单估价，负样本为未下单估价。11.如权利要求1所述的预测方法，其特征在于，所述根据预测下单概率，结合用户实际下单标签，用保序回归算法进行结果校准并验证校准后的预测下单概率准确性具体为：根据真实的下单情况，对预测下单概率进行准确性评估；根据预测结果进行用户分桶，
计算桶内的用户真实下单概率，与桶内的预测结果均值进行对比，评估预测准确性；对预测下单概率进行等频分桶，结合桶内的真实下单概率及预测下单概率均值进行保序回归，得到一个递归序列，生成预测值的校准表，对用户下单概率的预测值进行校准。12.一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11任一项所述的用户下单概率的预测方法的步骤。13.一种计算机设备，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11任一项所述的用户下单概率的预测方法的步骤。

技术总结
本发明提供了一种用户下单概率的预测方法、计算机可读存储介质及计算机设备，包括：根据估价起终点变更以及间隔时间，将用户下单前的多次估价进行分组，每组为一个独立需求；根据实时行为标签、用户画像、估价地域信息和估价对应的下单标签，进行用户行为分析，通过不同下单概率用户的行为差距，挖掘出影响用户下单的实时特征和离线特征；根据实时特征和离线特征得到二分类模型，选取所有独立需求中的第一次估价作为训练样本，进行估价到下单二分类模型训练，得到预测下单概率；根据预测下单概率，结合用户实际下单标签，用保序回归算法进行结果校准并验证校准后的预测下单概率准确性。做到根据用户需求和意愿进行精细化补贴。性。做到根据用户需求和意愿进行精细化补贴。性。做到根据用户需求和意愿进行精细化补贴。


技术研发人员：张可佳 潘金晶 王文逵
受保护的技术使用者：深圳依时货拉拉科技有限公司
技术研发日：2021.11.30
技术公布日：2022/3/29