一种资源转移方法及装置与流程

1.本技术涉及大数据技术领域，特别涉及一种资源转移方法及装置。


背景技术：

2.随着科技的不断发展，人们对出行的要求越来越高，使得顺风车行业得到快速发展。
3.目前，由于在出行过程中，顺风车司机和乘客的轨迹上报率比较低，导致当司机点击到达目的地的时候，管理平台(如网约车平台)主要通过判断订单完成类型来确定是否将车费转给司机。然而，这种方式并不能有效判断司机是否真的将乘客送达目的地，从而使得资源转移效率较低。
4.因此，业内亟需一种可以解决上述技术问题的技术方案。


技术实现要素：

5.本说明书实施例提供了一种资源转移方法及装置，可以有效判断司机是否真的将乘客送达目的地，从而提高资源转移效率，减少司机投诉的发生。
6.本说明书提供的一种资源转移方法及装置是包括以下方式实现的。
7.一种资源转移方法，包括：获取目标行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率；根据司机将乘客送到目的地的概率，确定是否将所述目标行程对应的资源转移至目标账户中。
8.一种概率预测模型的训练方法，包括：获取各历史行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；基于预设指标确定各历史行程的标签信息；其中，不同任务对应的预设指标不同；根据各历史行程对应的特征数据和标签信息，获得训练数据集；利用所述训练数据集对预设多任务学习模型进行训练，获得概率预测模型；其中，所述预设多任务学习模型包括共享层、gate模型以及预设数量的多层感知机，所述共享层中包括多个专家网络，所述gate模型用于确定每个专家网络输出结果被对应目标任务选择的概率，每个多层感知机对应一个目标任务，每个目标任务对应一个gate模型。
9.一种资源转移装置，包括：第一获取模块，用于获取目标行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；预测模块，用于对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率；第一确定模块，用于根据司机将乘客送到目的地的概率，确定是否将所述目标行程对应的资源转移至目标账户中。
10.一种概率预测模型的训练装置，包括：第二获取模块，用于获取各历史行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；第二确定模块，用于基于预设指标确定各历史行程的标签信息；其中，不同任务对应的预设指标不
同；获得模块，用于根据各历史行程对应的特征数据和标签信息，获得训练数据集；训练模块，用于利用所述训练数据集对预设多任务学习模型进行训练，获得概率预测模型；其中，所述预设多任务学习模型包括共享层、gate模型以及预设数量的多层感知机，所述共享层中包括多个专家网络，所述gate模型用于确定每个专家网络输出结果被对应目标任务选择的概率，每个多层感知机对应一个目标任务，每个目标任务对应一个gate模型。
11.一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现本说明书实施例中任意一个方法实施例的步骤。
12.本说明书提供的一种资源转移方法及装置。一些实施例中可以获取目标行程对应的特征数据，特征数据包括司机画像数据和影响司机将乘客送到目的地的数据，利用概率预测模型对特征数据进行处理，获得在目标行程中司机将乘客送到目的地的概率；还可以根据司机将乘客送到目的地的概率，确定是否将目标行程对应的资源转移至目标账户中。由于概率预测模型是基于历史行程中的特征数据对预设多任务学习模型预先训练获得的，且在训练过程中，是通过其他任务协助主任务共同训练共享参数，使得最终获得的概率预测模型的预测准确度较高，这样基于概率预测模型可以有效判断司机是否真的将乘客送达目的地，从而提高资源转移效率，减少司机投诉的发生。
附图说明
13.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，并不构成对本说明书的限定。在附图中：
14.图1是本说明书提供的一种资源转移方法的一个实施例的流程示意图；
15.图2是本说明书提供的一种概率预测模型的训练方法的一个实施例的流程示意图；
16.图3是本说明书提供的一种利用attention网络为embedding向量分配权重的流程示意图；
17.图4是本说明书提供的一种获取历史行程对应样本数据的示意图；
18.图5是本说明书提供的一种预设多任务学习模型的示意图；
19.图6是本说明书提供的一种资源转移装置的一个实施例的模块结构示意图；
20.图7是本说明书提供的一种概率预测模型的训练装置的一个实施例的模块结构示意图；
21.图8是本说明书提供的一种资源转移服务器的一个实施例的硬件结构框图。
具体实施方式
22.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例保护的范围。
23.下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的，图1是本说明书提供的一种资源转移方法的一个实施例的流程示意图。虽然本说明书提供了如下述
实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。
24.本说明书提供的一种实施方案可以应用到客户端、服务器等中。所述客户端可以包括终端设备，如智能手机、平板电脑等。所述服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式系统的服务器结构等。
25.需要说明的是，本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。下述实施例从服务器角度描述，并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示，本说明书提供的一种资源转移方法的一种实施例中，所述方法可以包括以下步骤。
26.s10：获取目标行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据。
27.其中，目标行程可以包括需要预测司机将乘客送到目的地概率的行程。
28.在一些实施例中，司机画像数据可以包括姓名、头像、年龄、驾龄、客户满意度、背景信息、爱好等属性信息。用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具。用户画像作为实际用户的虚拟代表，所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性能代表产品的主要受众和目标群体。
29.在一些实施例中，所述影响司机将乘客送到目的地的数据可以包括订单数据、司乘轨迹数据以及司乘节点数据等。其中，订单数据可以包括在目标行程中，管理平台(如网约车平台)为客户生成的订单中所包括的信息。司乘轨迹数据可以包括在目标行程中，司机和乘客上报的轨迹信息。司乘节点数据可以包括在目标行程中，司机和乘客在关键节点所对应的信息。关键节点可以包括起点、终点等。
30.一些实施场景中，所述订单数据可以包括下述至少之一：乘客订单的价格；乘客订单的距离；乘客订单的起点经度；乘客订单的起点纬度；乘客订单的终点经度；乘客订单的终点纬度；司机点击到达时，司机与乘客终点的距离等。
31.所述司乘轨迹数据可以包括下述至少之一：乘客上报轨迹点数；司机上报轨迹点数；司机上报轨迹点距离乘客起点小于第一预设值的轨迹点数；司机上报轨迹点距离乘客终点小于第二预设值的轨迹点数；乘客上报轨迹点距离乘客起点小于第一预设值的轨迹点数；乘客上报轨迹点距离乘客终点小于第二预设值的轨迹点数。其中，第一预设值、第二预设值可以根据实际场景设定，本说明书对此不做限定。具体的，例如，司乘轨迹数据可以包括：乘客上报的轨迹点数；司机上报的轨迹点数；司机上报轨迹点距离乘客起点小于500m、小于1km的轨迹点数；司机上报轨迹点距离乘客终点小于500m、小于1km、小于1.5km、小于2km、小于2.5km、小于3km的轨迹点数；乘客上报轨迹点距离乘客起点小于500m、小于1km的轨迹点数；乘客上报轨迹点距离乘客终点小于500m、小于1km、小于1.5km、小于2km、小于2.5km、小于3km的轨迹点数等。
32.所述司乘节点数据可以包括下述至少之一：司机是否有效到达起点；司机是否有效到达终点；司机是否有效履约；司乘是否同行；乘客是否有效点击上车；乘客是否有效点击到达终点；司机是否有效点击出发；司机是否有效点击到达起点；司机是否有效点击到达终点；司机是否点击出发；司机是否点击到达起点。
33.其中，司乘节点数据可以基于预设策略判断生成。不同司乘节点数据对应的策略
可以相同，也可以不同，具体可以根据实际场景设定，本说明书对此不做限定。
34.在一些实施场景中，预设策略可以包括时间范围和判断条件，这样可以通过判断在时间范围内是否满足判断条件，来确定司乘节点数据。
35.具体的，例如，在司机是否有效到达起点对应的预设策略中，时间范围为：司机点击确认到达乘客起点时间的前后半小时或者预计出发时间的前后半小时；判断条件为：司机上报的轨迹点数和乘客起点之间的距离小于500m的点数大于等于6个。这样，在确定司机是否有效到达起点时，可以判断在时间范围，司机上报的轨迹点数和乘客起点之间的距离小于500m的点数是否大于等于6个，若大于等于6个，则确定司机有效到达起点。
36.再如，在司乘是否同行对应的预设策略中，时间范围为：预计出发时间后10分钟；判断条件为：司机5个轨迹点中，有3个点和乘客2分钟内最新上报的位置距离小于500m，视为一次同行，累计命中5次同行视为司乘同行。这样，在确定司乘是否同行时，可以判断在时间范围，是否累计出现5次同行，若出现，则确定司乘同行。
37.再如，司机是否有效到达终点对应的预设策略中，时间范围为：司机点击确认到达目的地时间的前后半小时或者预计到达终点时间的前后半小时；判断条件为：司机上报的轨迹点数和乘客终点的距离小于500m的点数大于等于6个。这样，在确定司机是否有效到达终点时，可以判断在时间范围，司机上报的轨迹点数和乘客起点之间的距离小于500m的点数是否大于等于6个，若大于等于6个，则确定司机有效到达终点。
38.当然，上述只是进行示例性说明，每个预设策略对应的时间范围和判断条件不限于上述举例，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
39.在一些实施例中，服务器可以从管理平台(如网约车平台)或者与管理平台通信的第三方机构等中获取目标行程对应的特征数据。当然，上述只是进行示例性说明，获取目标行程的特征数据的方式不限于上述举例，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
40.s12：对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率。
41.本说明书实施例中，服务器在获取目标行程对应的特征数据后，可以利用预设方式对特征数据进行处理，获得在目标行程中司机将乘客送到目的地的概率。其中，预设方式可以用于预测司机是否将乘客送到目的地的概率。
42.在一些实施例中，对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率，可以包括：利用概率预测模型对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率；其中，所述概率预测模型基于历史行程中的特征数据对预设多任务学习模型训练获得，所述预设多任务学习模型包括共享层、gate模型以及预设数量的多层感知机，所述共享层中包括多个专家网络，所述gate模型用于确定每个专家网络输出结果被对应目标任务选择的概率，每个多层感知机对应一个目标任务，每个目标任务对应一个gate模型。其中，概率预测模型可以用于预测司机将乘客送到目的地的概率。
43.在一些实施例中，所述概率预测模型可以基于历史行程中的特征数据对预设多任
务学习模型训练获得。上述历史行程可以是当前行程前所有行程，也可以是当前行程前预设时间内的行程，还可以是其他历史行程，本说明书对此不做限定。
44.如图2所示，是本说明书提供的一种概率预测模型的训练方法的一个实施例的流程示意图。在该实施例中，所述方法可以包括以下步骤。
45.s120：获取各历史行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；
46.s122：基于预设指标确定各历史行程的标签信息；其中，不同任务对应的预设指标不同；
47.s124：根据各历史行程对应的特征数据和标签信息，获得训练数据集；
48.s126：利用所述训练数据集对预设多任务学习模型进行训练，获得概率预测模型；其中，所述预设多任务学习模型包括共享层、gate模型以及预设数量的多层感知机，所述共享层中包括多个专家网络，所述gate模型用于确定每个专家网络输出结果被对应目标任务选择的概率，每个多层感知机对应一个目标任务，每个目标任务对应一个gate模型。
49.需要说明的是，步骤s120中获取各历史行程对应的特征数据的过程与步骤s10相似，具体可以参照步骤s10，对此不做赘述。
50.在一些实施例中，所述预设多任务学习模型中多任务可以包括第一任务和第二任务。其中，第一任务和第二任务都可以用来预测司机将客户送到目的地的概率。第一任务可以作为主任务，第二任务可以用于协助第一任务共同训练共享部分的参数，从而使第一任务预测结果更准确。
51.进一步，所述基于预设指标确定各历史行程的标签信息，可以包括：基于司机是否点击到达目的地、完单类型、乘客到达目的地时间与司机点击到达目的地时间关系、司机是否投诉以及乘客订单状态，确定所述第一任务中每个历史行程的标签信息；基于司机是否发起催车费投诉、是否完单、司机是否点击到达目的地、司机是否投诉以及乘客订单状态，确定所述第二任务中每个历史行程的标签信息。
52.具体的，例如，可以通过下述方式确定第一任务的正负样本：将司机点击到达目的地且最终完成的订单，完单类型是乘客完单，以及乘客到达目的地时间与司机点击到达目的地时间小于1分钟的行程对应的特征数据作为正样本；将司机点击到达目的地，司机最终没投诉并且乘客订单状态是-1(乘客订单取消)的行程对应的特征数据作为负样本。通过下述方式确定第二任务的正负样本：将司机发起催车费投诉，且最终完单的行程对应的特征数据作为正样本；将司机点击到达目的地，司机最终没投诉并且乘客订单状态是-1(乘客订单取消)的行程对应的特征数据作为负样本。当然，上述只是进行示例性说明，本说明书实施例还可以通过其他方式确定每个任务对应的标签信息。
53.在一些实施例中，所述特征数据可以包括多个属性对应的数据。进一步，所述根据各历史行程对应的特征数据和标签信息，获得训练数据集，可以包括：对各属性对应的数据进行编码，获得各属性对应的编码数据；基于embedding网络对各属性对应的编码数据进行降维，获得各属性对应的embedding向量；利用attention网络为目标属性对应的embedding向量分配权重；其中，所述目标属性表示影响司机将乘客送到目的地的指标；根据目标属性对应的embedding向量以及权重，计算所述目标属性对应的目标向量；将每个特征数据中embedding向量和目标向量拼接，获得各历史行程对应的样本数据；基于各历史行程对应的
样本数据和标签信息，获得训练数据集。
54.在一些实施例中，利用attention网络为目标属性对应的embedding向量分配权重，可以包括：将司机画像属性对应的embedding向量与影响司机将乘客送到目的地的任意一个属性所对应的embedding向量进行外积；将外积结果、司机画像属性对应的embedding向量以及影响司机将乘客送到目的地的任意一个属性所对应的embedding向量进行合并，获得合并结果；将合并结果预设模型处理，输出为目标属性embedding向量分配的权重。
55.具体的，在一些实施场景中，为了使训练获得的模型更稳定，降低模型拟合的风险，在对各属性对应的数据进行编码前，可以先判断每个属性对应的数据是否是连续的，若连续，则可以进行离散分箱。离散分箱可以将连续数据进行离散化。
56.接着，可以对各属性对应的数据进行one hot编码，获得各属性对应的编码数据。其中，one hot编码主要是采用n位状态寄存器来对n个状态进行编码，每个状态都有其独立的寄存器位，并且在任意时候只有一位有效。
57.在获得各属性对应的编码数据后，可以基于embedding网络对各属性对应的编码数据进行降维，从而将各属性对应的编码数据转化为一个固定长度的embedding向量。其中，同一属性对应的embedding向量的长度相同。不同属性对应的embedding向量的长度可以相同，也可以不同，例如，可以为8、16等。
58.在获得每个属性对应的embedding向量后，可以利用attention网络为影响司机将乘客送到目的地的属性所对应的embedding向量分配权重。如图3所示，是本说明书提供的一种利用attention网络为embedding向量分配权重的流程示意图。其中，司机画像表示司机画像属性对应的embedding向量；sparse field表示影响司机将乘客送到目的地的任意一个属性所对应的embedding向量；out product表示外积；cancat表示合并函数，用于连接多个数组；leakyrelu(32)、leakyrelu(16)表示激活函数；linear(1)表示线性模型；activation weight表示sparse field对应的权重。具体的，首先，将司机画像属性对应的embedding向量与影响司机将乘客送到目的地的任意一个属性所对应的embedding向量进行外积，然后将外积结果、司机画像属性对应的embedding向量以及影响司机将乘客送到目的地的任意一个属性所对应的embedding向量通过cancat合并，最后将合并结果通过两个激活函数和一个线性模型处理，输出对应的权重。
59.进一步，可以将分配权重的embedding向量和权重进行加权求和，获得影响司机将乘客送到目的地的属性所对应的目标向量。然后将每个特征数据中embedding向量和目标向量进行拼接，获得各历史行程对应的样本数据。最后基于各历史行程对应的样本数据和标签信息，获得训练数据集。其中，训练数据集中可以包括多个样本数据，每个样本数据对应一个历史行程。
60.如图4所示，是本说明书提供的一种获取历史行程对应样本数据的示意图。其中，司机画像表示司机画像数据对应的属性，三个sparse field分别表示订单数据对应的属性、司乘轨迹数据对应的属性、司乘节点数据对应的属性。第一层(1)表示对每个属性进行one-hot编码的结果，第二层(2)表示基于embedding网络将各属性对应的编码数据转化为一个固定长度的embedding向量，第三层(3)表示利用attention网络(attention net)为影响司机将乘客送到目的地的属性(包括订单数据、司乘轨迹数据、司乘节点数据)所对应的embedding向量分配权重，并将权重与对应的embedding向量做加权求和，第四层(4)表示将
司机画像属性对应的embedding向量和影响司机将乘客送到目的地的属性对应的目标向量进行拼接，获得历史行程对应的样本数据。
61.在一些实施例中，所述预设多任务学习模型可以包括共享层、gate模型、预设数量的多层感知机。其中，所述共享层中可以包括多个专家网络，每个专家网络为每个任务建模的不同方面。所述共享层可以用于输出各专家网络的输出结果(包括各多层感知机所共享的参数)；所述gate模型可以用于确定每个专家网络输出结果被对应目标任务选择的概率；所述多层感知机可以基于共享参数进行任务训练，获得训练结果和损失函数值。每个多层感知机对应一个目标任务，每个目标任务对应一个gate模型。此外，所述预设多任务学习模型中还可以包括输入层和输出层。其中，所述输入层可以用于接收输入数据；所述输出层包括与各多层感知机对应数量的子输出层，以输出相应任务的训练结果和损失函数值。
62.在一些实施例中，所述利用所述训练数据集对预设多任务学习模型进行训练，获得概率预测模型，可以包括：将训练数据集中的样本数据输入所述共享层进行处理，获得每个专家网络的输出结果；基于目标任务对应的gate模型，对每个专家网络的输出结果进行处理，获得共享层为所述目标任务输出的第一数据；利用所述目标任务对应的多层感知机对所述第一数据进行处理，获得所述目标任务对应的训练结果和损失函数值；其中，所述训练结果表示司机将乘客送到目的地的概率；所述损失函数值根据训练结果和标签信息确定；在所述损失函数值满足预设条件的情况下，停止训练，获得概率预测模型。
63.如图5所示，是本说明书提供的一种预设多任务学习模型的示意图。其中，input表示输入层；task1和task2表示两个任务，分别用于预测司机将乘客送到目的地的概率；共享层中包括两个专家网络(expert1和expert2)，每个专家网络的输出会传入gate模型(包括gate1和gate2)，gate模型对每个专家网络的输出进行组合，得到一个输出；多层感知机1(tower1)对应任务1(task1)，多层感知机2(tower2)对应任务2(task2)；task1对应gate1，task2对应gate2；task1 output和task2 output分别表示task1和task2的输出。当然，任务数量、专家网络数量可以根据需要灵活配置。
64.具体的，在利用训练数据集对预设多任务学习模型进行训练时，可以通过input将训练数据集中的样本数据输入到共享层进行处理，获得expert1的输出结果和expert2的输出结果。接着，将expert1的输出结果和expert2的输出结果传入gate1，获得共享层为task1输出的数据，将expert1的输出结果和expert2的输出结果传入gate2，获得共享层为task2输出的数据。进一步，将共享层为task1输出的数据输入tower1进行处理，将获得的训练结果和损失函数值通过task1 output输出；将共享层为task2输出的数据输入tower2进行处理，将获得的训练结果和损失函数值通过task2output输出。最后，判断损失函数值是否满足预设条件，在满足预设条件的情况下，停止训练，从而获得概率预测模型。其中，预设条件可以包括小于预设值。当然，预设条件、预设值、停止训练的条件可以根据需要灵活配置。
65.在一些实施例中，在获得概率预测模型后，可以将其保存到本地内存或者其他机构中。这样，在需要使用其预测司机将乘客送到目的地的概率时，可以快速调用其进行处理，从而提高预测效率和准确度。
66.需要说明的是，上述概率预测模型在每次使用前，可以基于当前所有历史行程的样本数据对已有的概率预测模型进行更新，具体更新过程与上述训练过程类似，对此不做赘述。
67.本说明书实施例中，由于预设多任务学习模型中各任务预测的共享参数通过共享层训练，从而可以加快模型训练的速度；由于各任务预测目标相同，这样，通过其他任务协助主任务一起训练共享部分的参数，可以使主任务预测效果更好。
68.在一些实施例中，服务器在对特征数据进行处理，获得在目标行程中司机将乘客送到目的地的概率前，还可以检测指定按钮是否被触发。其中，指定按钮被触发可以表示到达目的地的按钮被点击。到达目的地的按钮可以是司机点击，也可以是乘客点击，还可以是自动触发，本说明书对此不做限定。相应的，指定按钮可以位于司机客户端的界面上，也可以位于乘客客户端的界面上，还可以位于其他客户端(如网约车平台等)的界面上。
69.例如一些实施场景中，服务器可以在检测到指定按钮被触发的情况下，利用概率预测模型对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率。具体的，例如，服务器可以在检测到目标行程中司机触发指定按钮的情况下，利用概率预测模型对特征数据进行处理，获得在目标行程中司机将乘客送到目的地的概率。还可以在检测到目标行程中乘客触发指定按钮的情况下，利用概率预测模型对特征数据进行处理，获得在目标行程中司机将乘客送到目的地的概率。
70.当然，上述只是进行示例性说明，本说明书实施例中预测司机将乘客送到目的地概率的方式不限于上述举例，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，例如，还可以通过对其他神经网络模型训练，获得预测司机是否将乘客送到目的地的模型，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
71.s14：根据司机将乘客送到目的地的概率，确定是否将所述目标行程对应的资源转移至目标账户中。
72.本说明书实施例中，服务器在获得司机将乘客送到目的地的概率后，可以根据司机将乘客送到目的地的概率与预设值的关系，确定是否将目标行程对应的资源转移至目标账户中。其中，资源包括司机将乘客送到目的地后，乘客需支付的车费。目标账户为司机对应的账户，如银行账户、支付宝账户等。需要说明的是，通常在一个行程中，乘客在点击支付车费的按钮后，服务器会从乘客对应的账户中扣除相应的金额，但这部分金额不会被立即转移到司机对应的账户中，而是会暂存到第三方机构，在服务器通过一些规则判断司机确实将乘客送到目的地后，才会将这部分金额转移到司机账户中。
73.在一些实施例中，所属根据司机将乘客送到目的地的概率，确定是否将所述目标行程对应的资源转移至目标账户中，可以包括：把司机将乘客送到目的地的概率与预设值进行比较；在确定司机将乘客送到目的地的概率大于等于预设值的情况下，将所述目标行程对应的资源转移至目标账户。其中，预设值可以根据实际场景设定，例如，可以是0.8、0.9等，本说明书对此不做限定。
74.在一些实施例中，在确定司机将乘客送到目的地的概率小于预设值的情况下，可以获取延迟信息；基于所述延迟信息，将所述目标行程对应的资源转移至目标账户。其中，所述延迟信息可以包括区域信息对应的延迟时间。区域信息可以包括同区域、跨区域。同区域可以理解为乘客起点与乘客终点在同一个区域。跨区域可以理解为乘客起点与乘客终点不在同一个区域。区域可以包括县区、市区等。
75.具体的，例如一些实施场景中，利用概率预测模型获得在目标行程中司机将乘客
送到目的地的概率大于等于80％时，则可以认为司机将乘客送到了目的地，此时，服务器可以将车费及时打给司机，从而避免司机催车费产生投诉，增加客诉工单和公司成本，提升司机体验。在利用概率预测模型获得在目标行程中司机将乘客送到目的地的概率小于80％时，则可以进一步判断乘客起点和乘客终点是否在同一个区域，若在同一个区域，服务器可以延迟2小时再将车费打给司机，若不在同一个区域，则可以延迟6小时再将车费打给司机。
76.本说明书实施例，在获得司机将乘客送到目的地的概率后，通过把司机将乘客送到目的地的概率与预设值进行比较，可以快速确定是否将车费及时打给司机，从而避免司机催车费产生投诉，增加客诉工单和公司成本。
77.当然，上述只是进行示例性说明，本说明书实施例不限于上述举例，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。此外，上述涉及到的“第一”、“第二”只是为了区分不同结果，无实际含义。
78.从以上的描述中，可以看出，本技术实施例可以获取目标行程对应的特征数据，特征数据包括司机画像数据和影响司机将乘客送到目的地的数据，利用概率预测模型对特征数据进行处理，获得在目标行程中司机将乘客送到目的地的概率；还可以根据司机将乘客送到目的地的概率，确定是否将目标行程对应的资源转移至目标账户中。由于概率预测模型是基于历史行程中的特征数据对预设多任务学习模型预先训练获得的，且在训练过程中，是通过其他任务协助主任务共同训练共享参数，使得最终获得的概率预测模型的预测准确度较高，这样基于概率预测模型可以有效判断司机是否真的将乘客送达目的地，从而提高资源转移效率，减少司机投诉的发生。
79.当然，上述只是进行示例性说明，本说明书实施例不限于上述举例，所属领域技术人员在本技术技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本技术相同或相似，均应涵盖于本技术保护范围内。
80.本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参照即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
81.基于上述所述一种资源转移方法，本说明书一个或多个实施例还提供一种资源转移装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
82.具体地，图6是本说明书提供的一种资源转移装置的一个实施例的模块结构示意图，如图6所示，本说明书提供的一种资源转移装置可以包括：第一获取模块210，预测模块212，第一确定模块214。
83.第一获取模块210，可以用于获取目标行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；
84.预测模块212，可以用于对所述特征数据进行处理，获得在所述目标行程中司机将乘客送到目的地的概率；
85.第一确定模块214，可以用于根据司机将乘客送到目的地的概率，确定是否将所述目标行程对应的资源转移至目标账户中。
86.需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
87.基于上述所述一种概率预测模型的训练方法，本说明书一个或多个实施例还提供一种概率预测模型的训练装置。具体的，图7是本说明书提供的一种概率预测模型的训练装置的一个实施例的模块结构示意图，如图7所示，本说明书提供的一种概率预测模型的训练装置可以包括：第二获取模块310，第二确定模块312，获得模块314，训练模块316。
88.第二获取模块310，可以用于获取各历史行程对应的特征数据；所述特征数据包括司机画像数据和影响司机将乘客送到目的地的数据；
89.第二确定模块312，可以用于基于预设指标确定各历史行程的标签信息；其中，不同任务对应的预设指标不同；
90.获得模块314，可以用于根据各历史行程对应的特征数据和标签信息，获得训练数据集；
91.训练模块316，可以用于利用所述训练数据集对预设多任务学习模型进行训练，获得概率预测模型；其中，所述预设多任务学习模型包括共享层、gate模型以及预设数量的多层感知机，所述共享层中包括多个专家网络，所述gate模型用于确定每个专家网络输出结果被对应目标任务选择的概率，每个多层感知机对应一个目标任务，每个目标任务对应一个gate模型。
92.需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
93.本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图8是本说明书提供的一种资源转移服务器的一个实施例的硬件结构框图，该服务器可以是上述实施例中的资源转移装置或资源转移设备。如图8所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图8所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图8中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、gpu，或者具有与图8所示不同的配置。
94.存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的资源转移方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
95.传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
96.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
97.本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
98.本说明书提供的上述资源转移方法或装置实施例可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c 语言在pc端实现、linux系统实现，或其他例如使用android、ios系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。
99.需要说明的是说明书上述所述的装置、设备、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。
100.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件 程序类实施例而言，由于其基本相似于方法实施例，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。
101.为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把部分模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。
102.本发明是参照根据本发明实施例的方法、装置、设备、系统的流程图和/或方框图来描述的。应理解可由计算机程序指令实现，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设备的处理器执行的指令产生用于实现指定的功能的装置。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。
103.本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个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。
104.以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。