费用预估方法、装置、电子设备及存储介质与流程

1.本发明涉及互联网技术领域，特别是涉及一种费用预估方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网技术的迅速发展，网约车服务越来越受到用户的青睐，用户通过网约车服务能够更加便利、更加快速地进行打车。
3.乘客在打车过程中，系统会根据乘客的出发地和目的地，自动为乘客计算出此次出行的预估价格，乘客可以参考预估价，来决定是否通过选择对应车型进行打车。
4.现有打车场景中，对于预估价格的计算依赖于地图商家路径规划产出的信息，结合计价规则计算出预估价格。对于出租车而言，计价模式为起步价、里程费、附加费用相加的结果。但是，在计算预估价格时，其中的附加费用置为空值，也即预估价格只考虑到起步价和里程费，从而导致预估价格不准确。因此，如何准确预估附加费用，称为目前亟待解决的问题。


技术实现要素：

5.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种费用预估方法、装置、电子设备及存储介质。
6.第一方面，本发明实施例公开了一种费用预估方法，包括：
7.获取待预估路线的路线信息；
8.基于所述路线信息，计算所述待预估路线对应的附加费用计费时长；
9.基于所述附加费用计费时长以及预设的附加费用计费规则，计算所述待预估路线对应的附加费用。
10.可选地，所述基于所述路线信息，计算所述待预估路线对应的附加费用计费时长，包括：基于所述路线信息，计算所述待预估路线对应的低速驾驶时长和停车等候时长；将所述低速驾驶时长和所述停车等候时长的总和，作为所述附加费用计费时长。
11.可选地，所述基于所述路线信息，计算所述待预估路线对应的低速驾驶时长和停车等候时长，包括：获取所述路线信息中包含的交通信号灯个数、各路段的路况信息和长度，并基于所述各路段的路况信息和长度计算低速行驶里程；获取平均低速行驶速度和平均交通信号灯等候时长；基于所述低速行驶里程和所述平均低速行驶速度，计算所述低速驾驶时长，以及，基于所述交通信号灯个数和所述平均交通信号灯等候时长，计算所述停车等候时长。
12.可选地，所述获取平均低速行驶速度和平均交通信号灯等候时长，包括：获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长；将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
13.可选地，所述获取平均低速行驶速度和平均交通信号灯等候时长，包括：获取所述待预估路线对应的场景特征信息；利用预先训练的预测模型，基于所述场景特征信息，预测得到在所述场景特征信息对应的目标场景类别下，所述待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长；将所述预测平均低速行驶速度作为所述平均低速行驶速度，将所述预测平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
14.可选地，所述获取平均低速行驶速度和平均交通信号灯等候时长，包括：获取所述待预估路线对应的场景特征信息，并确定所述场景特征信息对应的目标场景类别；从预先存储的各场景类别对应的第一误差参数和第二误差参数中，查询所述目标场景类别对应的第一目标误差参数和第二目标误差参数；所述第一误差参数为预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长对应的误差参数，所述第二误差参数为预先训练的预测模型对应的误差参数；根据所述第一目标误差参数和所述第二目标误差参数，获取所述平均低速行驶速度和所述平均交通信号灯等候时长。
15.可选地，所述根据所述第一目标误差参数和所述第二目标误差参数，获取所述平均低速行驶速度和所述平均交通信号灯等候时长，包括：在所述第一目标误差参数小于所述第二目标误差参数时，获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长；在所述第二目标误差参数小于所述第一目标误差参数时，利用预先训练的预测模型基于所述场景特征信息，预测得到在所述目标场景类别下，所述待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长；在所述预测平均低速行驶速度和所述预测平均交通信号灯等候时长中的至少之一为负数时，获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长；否则，将所述预测平均低速行驶速度作为所述平均低速行驶速度，将所述预测平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
16.可选地，所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长通过如下方式计算：获取第一历史订单的第一订单信息，所述第一订单信息包括第一预估价格和第一实付价格，所述第一实付价格与所述第一预估价格的差值用于指示所述第一历史订单的附加费用；基于所述第一预估价格和所述第一实付价格，计算所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长。
17.可选地，所述预测模型通过如下方式训练：获取各场景类别对应的样本数据；所述样本数据包括样本路线的样本场景特征信息和所述样本路线的样本附加费用；基于所述样本数据对待训练模型进行训练，所述待训练模型的输入为所述样本场景特征信息，输出为在所述样本场景特征信息对应的场景类别下，所述样本路线对应的样本预测平均低速行驶速度和样本预测平均交通信号灯等候时长；基于所述样本附加费用、所述样本预测平均低速行驶速度和所述样本预测平均交通信号灯等候时长判断是否训练完成，并将训练完成的模型作为所述预测模型。
18.可选地，任意一个场景类别对应的第一误差参数和第二误差参数通过如下方式计算：获取所述任意一个场景类别对应的第二历史订单的第二订单信息，并基于所述第二订
单信息中包含的第二预估价格和第二实付价格，计算所述第二历史订单的第一附加费用；基于所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长，计算所述第二历史订单的第二附加费用，并基于所述第一附加费用和所述第二附加费用，计算所述第一误差参数；利用所述预测模型预测得到所述第二历史订单对应的历史预测平均低速行驶速度和历史预测平均交通信号灯等候时长，基于所述历史预测平均低速行驶速度和所述历史预测平均交通信号灯等候时长，计算所述第二历史订单的第三附加费用，并基于所述第一附加费用和所述第三附加费用，计算所述第二误差参数。
19.第二方面，本发明实施例公开了一种费用预估装置，包括：
20.第一获取模块，用于获取待预估路线的路线信息；
21.第一计算模块，用于基于所述路线信息，计算所述待预估路线对应的附加费用计费时长；
22.第二计算模块，用于基于所述附加费用计费时长以及预设的附加费用计费规则，计算所述待预估路线对应的附加费用。
23.可选地，所述第一计算模块，具体用于基于所述路线信息，计算所述待预估路线对应的低速驾驶时长和停车等候时长；将所述低速驾驶时长和所述停车等候时长的总和，作为所述附加费用计费时长。
24.可选地，所述第一计算模块包括：第一获取子模块，用于获取所述路线信息中包含的交通信号灯个数、各路段的路况信息和长度，并基于所述各路段的路况信息和长度计算低速行驶里程；第二获取子模块，用于获取平均低速行驶速度和平均交通信号灯等候时长；时长计算子模块，用于基于所述低速行驶里程和所述平均低速行驶速度，计算所述低速驾驶时长，以及，基于所述交通信号灯个数和所述平均交通信号灯等候时长，计算所述停车等候时长。
25.可选地，所述第二获取子模块包括：信息获取单元，用于获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长；将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
26.可选地，所述第二获取子模块包括：特征获取单元，用于获取所述待预估路线对应的场景特征信息；时长预测单元，用于利用预先训练的预测模型，基于所述场景特征信息，预测得到在所述场景特征信息对应的目标场景类别下，所述待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长；将所述预测平均低速行驶速度作为所述平均低速行驶速度，将所述预测平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
27.可选地，所述第二获取子模块包括：类别确定单元，用于获取所述待预估路线对应的场景特征信息，并确定所述场景特征信息对应的目标场景类别；参数查询单元，用于从预先存储的各场景类别对应的第一误差参数和第二误差参数中，查询所述目标场景类别对应的第一目标误差参数和第二目标误差参数；所述第一误差参数为预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长对应的误差参数，所述第二误差参数为预先训练的预测模型对应的误差参数；选择获取单元，用于根据所述第一目标误差参数和所述第二目标误差参数，获取所述平均低速行驶速度和所述平均交通信号灯等候时长。
28.可选地，所述选择获取单元包括：第一选择子单元，用于在所述第一目标误差参数
小于所述第二目标误差参数时，获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长；第二选择子单元，用于在所述第二目标误差参数小于所述第一目标误差参数时，利用预先训练的预测模型基于所述场景特征信息，预测得到在所述目标场景类别下，所述待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长；在所述预测平均低速行驶速度和所述预测平均交通信号灯等候时长中的至少之一为负数时，获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长；否则，将所述预测平均低速行驶速度作为所述平均低速行驶速度，将所述预测平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
29.可选地，所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长通过如下模块计算：第二获取模块，用于获取第一历史订单的第一订单信息，所述第一订单信息包括第一预估价格和第一实付价格，所述第一实付价格与所述第一预估价格的差值用于指示所述第一历史订单的附加费用；第三计算模块，用于基于所述第一预估价格和所述第一实付价格，计算所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长。
30.可选地，所述预测模型通过如下模块训练：第三获取模块，用于获取各场景类别对应的样本数据，所述样本数据包括样本路线的样本场景特征信息和所述样本路线的样本附加费用；训练模块，用于基于所述样本数据对待训练模型进行训练，所述待训练模型的输入为所述样本场景特征信息，输出为在所述样本场景特征信息对应的场景类别下，所述样本路线对应的样本预测平均低速行驶速度和样本预测平均交通信号灯等候时长；基于所述样本附加费用、所述样本预测平均低速行驶速度和所述样本预测平均交通信号灯等候时长判断是否训练完成，并将训练完成的模型作为所述预测模型。
31.可选地，任意一个场景类别对应的第一误差参数和第二误差参数通过如下模块计算：第四计算模块，用于获取所述任意一个场景类别对应的第二历史订单的第二订单信息，并基于所述第二订单信息中包含的第二预估价格和第二实付价格，计算所述第二历史订单的第一附加费用；第五计算模块，用于基于所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长，计算所述第二历史订单的第二附加费用，并基于所述第一附加费用和所述第二附加费用，计算所述第一误差参数；第六计算模块，用于利用所述预测模型预测得到所述第二历史订单对应的历史预测平均低速行驶速度和历史预测平均交通信号灯等候时长，基于所述历史预测平均低速行驶速度和所述历史预测平均交通信号灯等候时长，计算所述第二历史订单的第三附加费用，并基于所述第一附加费用和所述第三附加费用，计算所述第二误差参数。
32.第三方面，本发明实施例公开了一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质；当所述指令由所述一个或多个处理器执行时，使得所述处理器执行如上任一项所述费用预估方法。
33.第四方面，本发明实施例公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一项所述的费用预估方法。
34.本发明实施例中，获取待预估路线的路线信息，基于所述路线信息，计算所述待预
估路线对应的附加费用计费时长，基于所述附加费用计费时长以及预设的附加费用计费规则，计算所述待预估路线对应的附加费用。由此可知，本发明实施例中，通过待预估路线的路线信息计算出附加费用计费时长，再结合附加费用计费规则，可以准确计算出待预估路线对应的附加费用，进而能够提高针对待预估路线的预估价格的准确性。
附图说明
35.图1是本发明实施例的一种费用预估方法的步骤流程图。
36.图2是本发明实施例的另一种费用预估方法的步骤流程图。
37.图3是本发明实施例的一种路线示意图。
38.图4是本发明实施例的一种费用预估装置的结构框图。
具体实施方式
39.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
40.参照图1，示出了本发明实施例的一种费用预估方法的步骤流程图。本发明实施例的费用预估方法可以应用于服务端(比如提供打车服务的服务端)。
41.如图1所示，费用预估方法可以包括以下步骤：
42.步骤101，获取待预估路线的路线信息。
43.当乘客具有打车需求时，在乘客使用的客户端输入出发地和目的地。提供打车服务的服务端根据乘客的出发地和目的地，可以获取出发地和目的地对应的路线作为待预估路线，并获取待预估路线的路线信息。
44.其中，乘客使用的客户端可以为乘客使用的app(应用程序)，提供打车服务的服务端可以为乘客使用的app对应的服务端。
45.步骤102，基于所述路线信息，计算所述待预估路线对应的附加费用计费时长。
46.步骤103，基于所述附加费用计费时长以及预设的附加费用计费规则，计算所述待预估路线对应的附加费用。
47.对于附加费用，可以基于附加费用计费时长和附加费用计费规则计算得到待预估路线对应的附加费用。其中，附加费用计费时长可以基于待预估路线的路线信息计算得到。附加费用计费规则可以为预先设置的规则，比如附加费用计费规则可以为每单位时间对应的收费等，单位时间可以为秒、分、时，等等。
48.本发明实施例中，通过待预估路线的路线信息计算出附加费用计费时长，再结合附加费用计费规则，可以准确计算出待预估路线对应的附加费用，进而能够提高针对待预估路线的预估价格的准确性。
49.参照图2，示出了本发明实施例的另一种费用预估方法的步骤流程图。本发明实施例的费用预估方法可以应用于提供打车服务的服务端。
50.如图2所示，费用预估方法可以包括以下步骤：
51.步骤201，获取乘客输入的出发地和目的地。
52.步骤202，申请路径规划。
53.乘客在打车客户端输入出发地和目的地，并将出发地和目的地发送至提供打车服
务的服务端。提供打车服务的服务端获取乘客输入的出发地和目的地，根据出发地和目的地申请路径规划。
54.比如，在实现中，提供打车服务的服务端可以与第三方地图商家服务端进行通信，根据出发地和目的地，通过lbs(location based services，基于位置服务)向第三方地图商家服务端申请针对出发地和目的地的路径规划。第三方地图商家服务端根据出发地和目的地进行路径规划，得到出发地和目的地对应的路线，将该路线的路线信息返回给提供打车服务的服务端。
55.步骤203，获取待预估路线的路线信息。
56.提供打车服务的服务端将出发地和目的地对应的路线作为待预估路线，并获取待预估路线的路线信息。
57.其中，待预估路线的路线信息可以包括但不限于以下至少一种：待预估路线中的交通信号灯个数、各路段的标识、各路段的路况信息、各路段的长度。路况信息可以包括但不限于以下至少一种：未知、畅通、缓行、拥堵、严重拥堵。
58.比如，第三方地图商家服务端的路径规划结果的路线信息如下表一所示：
59.paths路线 traffic_lights交通信号灯个数 step路段 distance路段的长度单位：米status路段的路况信息未知、畅通、缓行、拥堵、严重拥堵
60.表一
61.步骤204，基于路线信息计算待预估路线对应的低速驾驶时长和停车等候时长，将低速驾驶时长和停车等候时长的总和，作为附加费用计费时长。
62.对于出租车而言，其附加费用大部分为低速行驶费。低速行驶费，是指车速低于预设速度或者停车等候时，根据实际低速行驶时长计收低速行驶费。从低速行驶费定义可知，产出低速行驶费依赖于产出低速行驶时长(计费标准固定)，且在车速低于预设速度的情况下，均被视为低速行驶。
63.从通用网约车送驾行为分析，非乘客个性化要求停车等候的情况下，产生低速行驶时长可以有两种主要场景：司机低速驾驶、司机停车等候交通信号灯。因此，可通过分别预估司机低速驾驶时长及司机停车等候时长进行整体低速行驶时长预估。本发明实施例中，将低速行驶时长作为附加费用计费时长，因此，附加费用计费时长为低速驾驶时长和停车等候时长的总和。其中，低速驾驶时长与低速行驶里程和平均低速行驶速度相关，停车等候时长与交通信号灯个数和平均交通信号灯等候时长相关。
64.在一种可选实施方式中，基于路线信息计算待预估路线对应的低速驾驶时长和停车等候时长的过程，可以包括以下步骤a1～a3：
65.步骤a1，获取所述路线信息中包含的交通信号灯个数、各路段的路况信息和长度，并基于所述各路段的路况信息和长度计算低速行驶里程。
66.本发明实施例中，可以预先对不同路况信息进行离线速度测算。比如，经过离线测算，不同等级道路及路况信息对应的速度区间如下表二所示，单位km/h(千米/时)。
[0067] 严重拥堵拥堵缓行通畅
高速路(0,10.8](10.8,21.6](21.6,43.2](43.2,∞)快速路(0,9](9,18](18,36](36,∞)主干道(0,3.6](3.6,7.2](7.2,21.6](21.6,∞)小路(0,3.6](3.6,7.2](7.2,18](18,∞)
[0068]
表二
[0069]
基于表二可知，本发明实施例可以将拥堵及严重拥堵这两种路况信息对应的路段作为低速行驶路段。
[0070]
对于路径规划结果得到的路线信息而言，交通信号灯个数及各路段的路况信息和长度为已知值。因此，在低速行驶路段为拥堵及严重拥堵这两种路况信息对应的路段的情况下，可以基于路线信息中包含的各路段的路况信息和长度，计算低速行驶里程。比如，基于各路段的路况信息，获取路况信息为拥堵的路段及路况信息为严重拥堵的路段；基于各路段的长度，计算路况信息为拥堵的路段的长度及路况信息为严重拥堵的路段的长度的总和，将该总和作为低速行驶里程。
[0071]
图3是本发明实施例的一种路线示意图。如图3所示，乘客从客户端的打车页面输入出发地a和目的地b，服务端通过地图商家路径规划获取从出发地a到目的地b之间的路线。该路线中包含的路段为(a，a)、(a，b)、(b，c)、(c，d)、(d，e)、(e，f)、(f，g)、(g，b)。路段(a，a)的路况信息为未知；(a，b)的路况信息为拥堵，长度为x米；(b，c)的路况信息为畅通；(c，d)的路况信息为严重拥堵，长度为y米；(d，e)的路况信息为拥堵，长度为z米；(e，f)的路况信息为严重拥堵，长度为v米；(f，g)的路况信息为拥堵，长度为w米；(g，b)的路况信息为畅通。交通信号灯个数为n。因此，可以计算拥堵路段及严重拥堵路段的总长度作为低速行驶里程，也即低速行驶里程为(x y z v w)米。需要说明的是，图3只是用于距离说明，并不作为对本发明实施例的限制。
[0072]
步骤a2，获取平均低速行驶速度和平均交通信号灯等候时长。
[0073]
平均低速行驶速度和平均交通信号灯等候时长在工程搭建时设置为可变参数，可以通过测算确定参数赋值。
[0074]
本发明实施例中，可以采用以下几种方式获取平均低速行驶速度和平均交通信号灯等候时长。
[0075]
方式一，通用赋值。
[0076]
在方式一中，可以通过离线数据进行测算。预估价格采用出租车计费模式进行计算，其中低速行驶费等附加费用置为空值，获取无低速行驶费等附加费用的预估价格，实付价格采用订单真实的账单价格。由于预估价格中缺少低速行驶费等附加费用，因此，理想状态下，实付价格与预估价格的差值即为低速行驶费等附加费用。因此，通过分别对历史平均低速行驶速度与历史平均交通信号灯等候时长进行赋值适配，使计算所得的低速行驶费等附加费用与差值获得的低速行驶费等附加费用最匹配，此时历史平均低速行驶速度与历史平均交通信号灯等候时长即为通用场景下的最优参数配置。采用差值计算的方案可以对除低速行驶费之外的其他附加费用部分同时做补充，例如空调费、燃油费等。
[0077]
因此，可以预先获取最近预设天数(比如最近一个月、最近两个月等)的历史订单作为第一历史订单，基于第一历史订单计算得到历史平均低速行驶速度和历史平均交通信号灯等候时长。
[0078]
可选地，通过如下步骤b1～b2计算历史平均低速行驶速度和历史平均交通信号灯等候时长：
[0079]
步骤b1，获取第一历史订单的第一订单信息。
[0080]
第一订单信息可以包括第一预估价格(该第一预估价格是采用出租车计费模式，将低速行驶费等附加费用置为空值的方式计算得到)、第一实付价格、交通信号灯个数、低速行驶里程、冒泡界面城市、冒泡时间、预估里程、预估时长等，所述第一实付价格与所述第一预估价格的差值用于指示所述第一历史订单的附加费用。
[0081]
步骤b2，基于所述第一预估价格和所述第一实付价格，计算所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长。
[0082]
附加费用还可以采用附加费用计费时长与预设的附加费用计费规则(比如每单位时间对应的收费)的乘积计算，而附加费用计费时长＝低速驾驶时长 停车等候时长＝低速行驶里程/平均低速行驶速度 交通信号灯个数
×
平均交通信号灯等候时长。因此，附加费用与平均低速行驶速度和平均交通信号灯等候时长之间存在关系表达式，基于该关系表达式，可以计算得到历史平均低速行驶速度和历史平均交通信号灯等候时长。
[0083]
比如，可以先选取不包含低速行驶路段的第一历史订单，这些第一历史订单对应的关系表达式中不包含平均低速行驶速度这一未知参数，只包含平均交通信号灯等候时长这一未知参数。计算本次选取的全部第一历史订单的平均第一实付价格和平均第一预估价格，并计算平均第一实付价格和平均第一预估价格的差值，作为本次选取的全部第一历史订单的平均附加费用；基于本次选取的全部第一历史订单的平均附加费用，利用不包含平均低速行驶速度这一未知参数，只包含平均交通信号灯等候时长这一未知参数的关系表达式，计算得到平均交通信号灯等候时长这一未知参数，作为历史平均交通信号灯等候时长。
[0084]
然后再选取既包含低速行驶路段，也包含交通信号灯的第一历史订单，这些第一历史订单对应的关系表达式中既包含平均低速行驶速度这一未知参数，也包含平均交通信号灯等候时长这一未知参数。计算本次选取的全部第一历史订单的平均第一实付价格和平均第一预估价格，并计算平均第一实付价格和平均第一预估价格的差值，作为本次选取的全部第一历史订单的平均附加费用；基于本次选取的全部第一历史订单的平均附加费用，利用既包含平均低速行驶速度这一未知参数，也包含平均交通信号灯等候时长这一未知参数的关系表达式，将该关系表达式中的平均交通信号灯等候时长设置为上述计算出的历史平均交通信号灯等候时长，计算得到平均低速行驶速度这一未知参数，作为历史平均低速行驶速度。
[0085]
经过上述计算之后，还可以继续选取不包含交通信号灯的第一历史订单，这些第一历史订单对应的关系表达式中只包含平均低速行驶速度这一未知参数，不包含平均交通信号灯等候时长这一未知参数。计算本次选取的全部第一历史订单的平均第一实付价格和平均第一预估价格，并计算平均第一实付价格和平均第一预估价格的差值，作为本次选取的全部第一历史订单的平均附加费用；基于本次选取的全部第一历史订单的平均附加费用，利用不包含平均交通信号灯等候时长这一未知参数，只包含平均低速行驶速度这一未知参数的关系表达式，计算得到平均低速行驶速度这一未知参数。将本次计算出的平均低速行驶速度与上述计算出的历史平均低速行驶速度进行比较，如果两者的差值在预设范围内，则确定计算完成，否则可以继续选用更多的第一历史订单进行重新计算。
[0086]
当然，本发明实施例中，还可以按照上述方式，先选取不包含交通信号灯的第一历史订单，计算历史平均低速行驶速度；再选取既包含低速行驶路段，也包含交通信号灯的第一历史订单，计算历史平均交通信号灯等候时长；再选取不包含低速行驶路段的第一历史订单进行验证。具体过程与上述方式基本相似，本发明实施例在此不再详细论述。
[0087]
通过上述方式计算出历史平均低速行驶速度和历史平均交通信号灯等候时长之后，可以存储历史平均低速行驶速度和历史平均交通信号灯等候时长作为离线数据。当然，还可以定期对历史平均低速行驶速度和历史平均交通信号灯等候时长进行更新计算。
[0088]
因此，在进行费用预估的过程中，获取平均低速行驶速度和平均交通信号灯等候时长的过程，可以包括：获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长；将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
[0089]
方式二，个性化场景赋值。
[0090]
由于在上述方式一中，差值计算的方式针对全量订单，参数固定且较长时期保持不变，需手动更新，并且对于不同场景下的订单最适配参数有所不同，同时随着时间推移，路况或天气等情况发生变化存在其他附加费，因此，在方式二中，继续提升附加费用的准确度需考虑个性化场景参数赋值及动态调参能力搭建，实现高精度附加费用的偏差优化。
[0091]
本发明实施例中，可以预先搭建动态调节模型作为预测模型，考虑时间、空间等因素，智能匹配个性化场景(比如长途场景、短途场景，高峰场景、平峰场景等)下的最优参数。
[0092]
在一种可选实施方式中，预测模型的训练过程可以包括如下步骤c1～c3：
[0093]
步骤c1，获取各场景类别对应的样本数据。
[0094]
本发明实施例中，可以在每日凌晨，获取最近预设天数(比如7天、10天、15天等)的历史订单数据作为样本数据，训练出当日不同场景类别下的最优参数组合。
[0095]
样本数据可以包括样本路线的样本场景特征信息、样本路线的样本附加费用(实付价格减去预估价格得到的差值)、样本路线的样本交通信号灯个数、样本路线的样本低速行驶里程等信息。
[0096]
样本场景特征信息可以包括但不限于以下至少一种：冒泡界面城市、冒泡时间、预估里程、预估时长、交通信号灯个数、低速行驶里程。针对每种样本场景特征信息，可以设置多种取值或取值范围，然后对各种样本场景特征信息的各种取值或取值范围进行随机组合，从而划分得到多种场景类别。针对每种场景类别，获取该种场景类别对应的多个样本数据。待训练模型可以为多标签分类模型，比如每种场景类别对应一种标签。
[0097]
步骤c2，基于所述样本数据对待训练模型进行训练，所述待训练模型的输入为所述样本场景特征信息，输出为在所述样本场景特征信息对应的场景类别下，所述样本路线对应的样本预测平均低速行驶速度和样本预测平均交通信号灯等候时长。
[0098]
步骤c3，基于所述样本附加费用、所述样本预测平均低速行驶速度和所述样本预测平均交通信号灯等候时长判断是否训练完成，并将训练完成的模型作为所述预测模型。
[0099]
基于附加费用＝附加费用计费时长
×
预设的附加费用计费规则(比如每单位时间对应的收费)，附加费用计费时长＝低速驾驶时长 停车等候时长＝低速行驶里程/平均低速行驶速度 交通信号灯个数
×
平均交通信号灯等候时长，可以根据样本预测平均低速行驶速度、样本预测平均交通信号灯等候时长、样本路线的样本交通信号灯个数、样本路线的
样本低速行驶里程，计算得到样本预测附加费用，然后根据样本预测附加费用与样本附加费用计算损失值，在损失值小于预设阈值的情况下，可以确定训练完成。
[0100]
因此，在进行费用预估的过程中，可以利用预测模型预测得到平均低速行驶速度和平均交通信号灯等候时长。因此，获取平均低速行驶速度和平均交通信号灯等候时长的过程，可以包括：获取所述待预估路线对应的场景特征信息；利用预先训练的预测模型，基于所述场景特征信息，预测得到在所述场景特征信息对应的目标场景类别下，所述待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长；将所述预测平均低速行驶速度作为所述平均低速行驶速度，将所述预测平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
[0101]
与上述样本场景特征信息对应，待预估路线对应的场景特征信息可以包括但不限于以下至少一种：冒泡界面城市、冒泡时间、预估里程、预估时长、交通信号灯个数、低速行驶里程。将待预估路线对应的场景特征信息作为预测模型的输入，即可得到预测模型输出的待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长。因此，针对每条待预估路线，可以预测得到该待预估路线自身对应的个性化场景下的平均低速行驶速度和平均交通信号灯等候时长，预测结果更加准确。
[0102]
方式三，通用和个性化场景之间选择赋值。
[0103]
在方式三种，仍然按照上述方式一预先计算得到历史平均低速行驶速度和历史平均交通信号灯等候时长，并且按照上述方式二预先训练得到预测模型。但是，由于采用机器模型训练方式对各种场景类别做最优参数匹配，存在部分场景类别模型训练结果无法较通用参数更优的情况，因此可以对效果变差的场景类别不进行调用，采用通用参数。也即，根据实际情况选择采用通用赋值还是选择个性化场景赋值。
[0104]
因此，获取平均低速行驶速度和平均交通信号灯等候时长的过程，可以包括以下步骤d1～d3：
[0105]
步骤d1，获取所述待预估路线对应的场景特征信息，并确定所述场景特征信息对应的目标场景类别。
[0106]
按照上述方式二中在对预测模型进行训练的过程中，对场景类别进行划分的方式，可以确定待预估路线对应的场景特征信息对应的目标场景类别。
[0107]
步骤d2，从预先存储的各场景类别对应的第一误差参数和第二误差参数中，查询所述目标场景类别对应的第一目标误差参数和第二目标误差参数。
[0108]
本发明实施例中，预先针对各场景类别，分别计算该场景类别对应的第一误差参数和第二误差参数，并存储各场景类别对应的第一误差参数和第二误差参数。其中，第一误差参数为预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长对应的误差参数，第二误差参数为预先训练的预测模型对应的误差参数。
[0109]
可选地，任意一个场景类别对应的第一误差参数和第二误差参数通过如下步骤e1～e3计算：
[0110]
步骤e1，获取所述任意一个场景类别对应的第二历史订单的第二订单信息，并基于所述第二订单信息中包含的第二预估价格和第二实付价格，计算所述第二历史订单的第一附加费用。
[0111]
本发明实施例中，可以在每日凌晨，获取最近预设天数(比如前一天、前两天等)的
历史订单作为第二历史订单。
[0112]
第二订单信息可以包括第二预估价格(该第二预估价格是采用出租车计费模式，将低速行驶费等附加费用置为空值的方式计算得到)、第二实付价格、交通信号灯个数、低速行驶里程、冒泡界面城市、冒泡时间、预估里程、预估时长等。
[0113]
针对每个第二历史订单，通过计算该第二历史订单的第二订单信息中包含的第二实付价格与第二预估价格的差值，将该差值作为该第二历史订单的第一附加费用。因此，一个第二历史订单对应一个第一附加费用。
[0114]
步骤e2，基于所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长，计算所述第二历史订单的第二附加费用，并基于所述第一附加费用和所述第二附加费用，计算所述第一误差参数。
[0115]
针对每个第二历史订单，基于该第二历史订单的第二订单信息中包含的交通信号灯个数和低速行驶里程，以及预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，按照附加费用＝附加费用计费时长
×
预设的附加费用计费规则，附加费用计费时长＝低速驾驶时长 停车等候时长＝低速行驶里程/平均低速行驶速度 交通信号灯个数
×
平均交通信号灯等候时长，可以计算得到该第二历史订单的第二附加费用。因此，一个第二历史订单对应一个第二附加费用。
[0116]
针对每个第二历史订单，将第一附加费用作为真实值，将第二附加费用作为预测值。基于各第二历史订单的第一附加费用和第二附加费用，计算第一误差参数。
[0117]
步骤e3，利用所述预测模型预测得到所述第二历史订单对应的历史预测平均低速行驶速度和历史预测平均交通信号灯等候时长，基于所述历史预测平均低速行驶速度和所述历史预测平均交通信号灯等候时长，计算所述第二历史订单的第三附加费用，并基于所述第一附加费用和所述第三附加费用，计算所述第二误差参数。
[0118]
针对每个第二历史订单，从第二订单信息中获取第二历史订单的场景特征信息，该第二历史订单的场景特征信息包括交通信号灯个数、低速行驶里程、冒泡界面城市、冒泡时间、预估里程、预估时长等。将该第二历史订单的场景特征信息输入预测模型，预测得到该第二历史订单对应的历史预测平均低速行驶速度和历史预测平均交通信号灯等候时长。
[0119]
针对每个第二历史订单，基于该第二历史订单的第二订单信息中包含的交通信号灯个数和低速行驶里程，以及预测得到的该第二历史订单对应的历史预测平均低速行驶速度和历史预测平均交通信号灯等候时长，按照附加费用＝附加费用计费时长
×
预设的附加费用计费规则，附加费用计费时长＝低速驾驶时长 停车等候时长＝低速行驶里程/平均低速行驶速度 交通信号灯个数
×
平均交通信号灯等候时长，可以计算得到该第二历史订单的第三附加费用。因此，一个第二历史订单对应一个第三附加费用。
[0120]
针对每个第二历史订单，将第一附加费用作为真实值，将第三附加费用作为预测值。基于各第二历史订单的第一附加费用和第三附加费用，计算第二误差参数。
[0121]
其中，第一误差参数和第二误差参数为相同类型的误差参数。比如，第一误差参数和第二误差参数可以为mape(mean absolute percentage error，平均绝对百分比误差)、mae(mean absolute error，平均绝对误差)、smape(symmetric mean absolute percentage error，对称平均绝对百分比误差)、mse(mean square error，均方误差)、rmse(root mean square error，均方根误差)，等等。
[0122]
在确定待预估路线的场景特征信息对应的目标场景类别后，从预先存储的各场景类别对应的第一误差参数和第二误差参数中，查询目标场景类别对应的第一目标误差参数和第二目标误差参数。
[0123]
步骤d3，根据所述第一目标误差参数和所述第二目标误差参数，获取所述平均低速行驶速度和所述平均交通信号灯等候时长。
[0124]
步骤d3可以包括以下步骤d31～d33：
[0125]
步骤d31，在所述第一目标误差参数小于所述第二目标误差参数时，获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
[0126]
比如，第一目标误差参数为mape1，第二目标误差参数为mape2。
[0127]
如果mape1《mape2，可以说明基于场景类别的预测模型负向优化，因此可以使用历史平均低速行驶速度和历史平均交通信号灯等候时长，进行后续待预估路线对应的附加费用的计算。
[0128]
步骤d32，在所述第二目标误差参数小于所述第一目标误差参数时，利用预先训练的预测模型基于所述场景特征信息，预测得到在所述目标场景类别下，所述待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长。
[0129]
如果mape1》mape2，可以说明基于场景类别的预测模型正向优化，因此可以使用预测模型，基于待预估路线的场景特征信息对待评估路线进行预测，得到预测平均低速行驶速度和预测平均交通信号灯等候时长。
[0130]
步骤d33，在所述预测平均低速行驶速度和所述预测平均交通信号灯等候时长中的至少之一为负数时，获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长；否则，将所述预测平均低速行驶速度作为所述平均低速行驶速度，将所述预测平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
[0131]
由于利用预测模型预测得到的预测平均低速行驶速度、所述预测平均交通信号灯等候时长可能出现负数的情况，该种情况对应预估价格可能高于实付价格的情况，而本发明实施例主要用于预估在预估价格低于实付价格的情况下的附加费用。因此，在预测平均低速行驶速度和预测平均交通信号灯等候时长中的至少之一为负数的情况下，使用历史平均低速行驶速度和历史平均交通信号灯等候时长，进行后续待预估路线对应的附加费用的计算。在预测平均低速行驶速度和预测平均交通信号灯等候时长均为正数的情况下，使用预测平均低速行驶速度和预测平均交通信号灯等候时长，进行后续待预估路线对应的附加费用的计算。
[0132]
步骤a3，基于所述低速行驶里程和所述平均低速行驶速度，计算所述低速驾驶时长，以及，基于所述交通信号灯个数和所述平均交通信号灯等候时长，计算所述停车等候时长。
[0133]
通过上述过程，得到了待预估路线对应的低速行驶里程、所述平均低速行驶速度、交通信号灯个数、平均交通信号灯等候时长。计算低速行驶里程除以平均低速行驶速度得
到商，将得到的商作为低速驾驶时长。计算交通信号灯个数和平均交通信号灯等候时长的乘积，将得到的乘积作为停车等候时长。将低速驾驶时长和停车等候时长的总和，作为附加费用计费时长。
[0134]
步骤205，基于附加费用计费时长以及预设的附加费用计费规则，计算待预估路线对应的附加费用。
[0135]
本发明实施例中，预先设置附加费用计费规则。比如，附加费用计费规则可以为每单位时间对应的收费等。计算附加费用计费时长和预设的附加费用计费规则的乘积，将该乘积作为待预估路线对应的附加费用。
[0136]
在计算得到待预估路线对应的附加费用后，即可得到出租车计费模式下的附加费用，因此相比于附加费用置空得到的预估价格来说，添加本发明实施例计算得到的附加费用后得到的预估价格更加准确。
[0137]
本发明实施例中，预测模型依赖历史订单输入做训练，通用参数依赖空跑数据离线测算。预测模型上线需保留原有通用参数能力，开关控制选择通用参数逻辑还是个性化场景预测模型逻辑。同时避免模型出现问题，支持随时调回通用参数模式(并支持分城市调节，比如部分城市选择预测模型，部分城市选择通用参数)。针对出租车预估价场景，结合出租车计费模式，利用交通信号灯个数及路况信息等计算低速行驶费等附加费，产出较高准确度的出租车预估价格，解决用户在打车页面无法感知出租车价格痛点，提高业务准确度和用户体验。
[0138]
参照图4，示出了本发明实施例的一种费用预估装置的结构框图。
[0139]
如图4所示，费用预估装置可以包括以下模块：
[0140]
第一获取模块401，用于获取待预估路线的路线信息；
[0141]
第一计算模块402，用于基于所述路线信息，计算所述待预估路线对应的附加费用计费时长；
[0142]
第二计算模块403，用于基于所述附加费用计费时长以及预设的附加费用计费规则，计算所述待预估路线对应的附加费用。
[0143]
可选地，所述第一计算模块402，具体用于基于所述路线信息，计算所述待预估路线对应的低速驾驶时长和停车等候时长；将所述低速驾驶时长和所述停车等候时长的总和，作为所述附加费用计费时长。
[0144]
可选地，所述第一计算模块402包括：第一获取子模块，用于获取所述路线信息中包含的交通信号灯个数、各路段的路况信息和长度，并基于所述各路段的路况信息和长度计算低速行驶里程；第二获取子模块，用于获取平均低速行驶速度和平均交通信号灯等候时长；时长计算子模块，用于基于所述低速行驶里程和所述平均低速行驶速度，计算所述低速驾驶时长，以及，基于所述交通信号灯个数和所述平均交通信号灯等候时长，计算所述停车等候时长。
[0145]
可选地，所述第二获取子模块包括：信息获取单元，用于获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长；将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
[0146]
可选地，所述第二获取子模块包括：特征获取单元，用于获取所述待预估路线对应
的场景特征信息；时长预测单元，用于利用预先训练的预测模型，基于所述场景特征信息，预测得到在所述场景特征信息对应的目标场景类别下，所述待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长；将所述预测平均低速行驶速度作为所述平均低速行驶速度，将所述预测平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
[0147]
可选地，所述第二获取子模块包括：类别确定单元，用于获取所述待预估路线对应的场景特征信息，并确定所述场景特征信息对应的目标场景类别；参数查询单元，用于从预先存储的各场景类别对应的第一误差参数和第二误差参数中，查询所述目标场景类别对应的第一目标误差参数和第二目标误差参数；所述第一误差参数为预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长对应的误差参数，所述第二误差参数为预先训练的预测模型对应的误差参数；选择获取单元，用于根据所述第一目标误差参数和所述第二目标误差参数，获取所述平均低速行驶速度和所述平均交通信号灯等候时长。
[0148]
可选地，所述选择获取单元包括：第一选择子单元，用于在所述第一目标误差参数小于所述第二目标误差参数时，获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长；第二选择子单元，用于在所述第二目标误差参数小于所述第一目标误差参数时，利用预先训练的预测模型基于所述场景特征信息，预测得到在所述目标场景类别下，所述待预估路线对应的预测平均低速行驶速度和预测平均交通信号灯等候时长；在所述预测平均低速行驶速度和所述预测平均交通信号灯等候时长中的至少之一为负数时，获取预先计算得到的历史平均低速行驶速度和历史平均交通信号灯等候时长，将所述历史平均低速行驶速度作为所述平均低速行驶速度，将所述历史平均交通信号灯等候时长作为所述平均交通信号灯等候时长；否则，将所述预测平均低速行驶速度作为所述平均低速行驶速度，将所述预测平均交通信号灯等候时长作为所述平均交通信号灯等候时长。
[0149]
可选地，所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长通过如下模块计算：第二获取模块，用于获取第一历史订单的第一订单信息，所述第一订单信息包括第一预估价格和第一实付价格，所述第一实付价格与所述第一预估价格的差值用于指示所述第一历史订单的附加费用；第三计算模块，用于基于所述第一预估价格和所述第一实付价格，计算所述历史平均低速行驶速度和所述历史平均交通信号灯等候时长。
[0150]
可选地，所述预测模型通过如下模块训练：第三获取模块，用于获取各场景类别对应的样本数据，所述样本数据包括样本路线的样本场景特征信息和所述样本路线的样本附加费用；训练模块，用于基于所述样本数据对待训练模型进行训练，所述待训练模型的输入为所述样本场景特征信息，输出为在所述样本场景特征信息对应的场景类别下，所述样本路线对应的样本预测平均低速行驶速度和样本预测平均交通信号灯等候时长；基于所述样本附加费用、所述样本预测平均低速行驶速度和所述样本预测平均交通信号灯等候时长判断是否训练完成，并将训练完成的模型作为所述预测模型。
[0151]
可选地，任意一个场景类别对应的第一误差参数和第二误差参数通过如下模块计算：第四计算模块，用于获取所述任意一个场景类别对应的第二历史订单的第二订单信息，并基于所述第二订单信息中包含的第二预估价格和第二实付价格，计算所述第二历史订单的第一附加费用；第五计算模块，用于基于所述历史平均低速行驶速度和所述历史平均交
通信号灯等候时长，计算所述第二历史订单的第二附加费用，并基于所述第一附加费用和所述第二附加费用，计算所述第一误差参数；第六计算模块，用于利用所述预测模型预测得到所述第二历史订单对应的历史预测平均低速行驶速度和历史预测平均交通信号灯等候时长，基于所述历史预测平均低速行驶速度和所述历史预测平均交通信号灯等候时长，计算所述第二历史订单的第三附加费用，并基于所述第一附加费用和所述第三附加费用，计算所述第二误差参数。
[0152]
本发明实施例中，通过待预估路线的路线信息计算出附加费用计费时长，再结合附加费用计费规则，可以准确计算出待预估路线对应的附加费用，进而能够提高针对待预估路线的预估价格的准确性。
[0153]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0154]
在本发明的实施例中，还提供了一种电子设备。该电子设备可以包括一个或多个处理器，以及其上存储有指令的一个或多个机器可读介质，指令例如应用程序。当所述指令由所述一个或多个处理器执行时，使得所述处理器执行上述的方法。
[0155]
在本发明的实施例中，还提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序可由电子设备的处理器执行，以完成上述的方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0156]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0157]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0158]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0159]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0160]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程
和/或方框图一个方框或多个方框中指定的功能的步骤。
[0161]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0162]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0163]
以上对本发明所提供的一种费用预估方法、装置、电子设备及存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。