接单概率的确定方法、模型训练方法、装置、设备及介质与流程

1.本技术涉及计算机技术领域，特别涉及一种接单概率的确定方法、模型训练方法、装置、设备及介质。


背景技术：

2.外卖平台通常采用向多个骑手发送同一个运单，并由接取这个运单的骑手负责外卖配送的方式，来实现将外卖配送给用户。其中，每个运单对应有基础价格。但是，运单是否会被骑手接起，会受配送距离、天气、骑手当前的工作状态等因素的影响，可能出现运单不被骑手接起的情况。此时，外卖平台会为运单额外增加补贴价格，从而提升骑手接起运单的概率。
3.服务器会通过机器学习模型预测运单在不同价格下的接单概率，之后根据符合要求的接单概率确定运单对应的当前价格，再根据运单的基础价格与当前价格的差异，确定出运单的补贴价格。上述机器学习模型是通过样本运单的运单特征、样本运单的当前价格以及反映样本运单是否被接起的标签训练得到的。
4.然而，通过上述方式仅能够确定出不同运单的接单概率与运单的当前价格之间的对应关系，在实际应用过程中存在局限性。


技术实现要素：

5.本技术提供了一种接单概率的确定方法、模型训练方法、装置、设备及介质，可以确定预测接单概率随补贴价格的变化幅度，避免了实际应用过程中的局限性。所述技术方案如下：
6.根据本技术的一方面，提供了一种接单概率的确定方法，所述方法包括：
7.获取第一运单的运单特征以及所述第一运单的基础价格；
8.确定所述第一运单的补贴价格；
9.根据所述运单特征以及所述第一运单的基础价格，确定所述第一运单在增加所述补贴价格后的接单概率变化值；
10.根据所述第一运单在所述第一运单的基础价格下的接单概率与所述接单概率变化值的和，确定所述第一运单在增加所述补贴价格后的预测接单概率。
11.根据本技术的另一方面，提供了一种模型训练方法，所述方法包括：
12.获取样本运单集合中样本运单的样本运单特征、所述样本运单的当前价格以及所述样本运单的接起标签，所述接起标签用于反映所述样本运单是否被接起；
13.根据所述样本运单特征以及所述样本运单的当前价格，确定所述样本运单的当前价格随补贴价格变化的情况下，所述样本运单的预测接起标签；
14.根据所述样本运单特征、所述样本运单的当前价格以及所述预测接起标签与所述接起标签的差异，训练机器学习模型，所述机器学习模型用于预测第一运单在增加所述补贴价格后，所述第一运单的接单概率变化值。
15.根据本技术的另一方面，提供了一种接单概率的确定装置，所述装置包括：
16.获取模块，用于获取第一运单的运单特征以及所述第一运单的基础价格；
17.确定模块，用于确定所述第一运单的补贴价格；
18.所述确定模块，还用于根据所述运单特征以及所述第一运单的基础价格，确定所述第一运单在增加所述补贴价格后的接单概率变化值；
19.所述确定模块，还用于根据所述第一运单在所述第一运单的基础价格下的接单概率与所述接单概率变化值的和，确定所述第一运单在增加所述补贴价格后的预测接单概率。
20.在一个可选的设计中，所述确定模块，用于：
21.将所述运单特征以及所述第一运单的基础价格输入不同补贴价格对应的机器学习模型，预测所述第一运单在所述不同补贴价格下的接单概率变化值；
22.根据所述第一运单在所述不同补贴价格下的接单概率变化值，确定所述第一运单在增加所述补贴价格后的接单概率变化值；
23.其中，所述机器学习模型是通过样本运单集合中样本运单的运单特征、所述样本运单的当前价格、所述样本运单的接起标签、以及所述样本运单的预测接起标签训练得到的，所述接起标签用于反映所述样本运单是否被接起，所述预测接起标签用于反映所述样本运单的当前价格随所述机器学习模型对应的多个补贴价格中的一个变化的情况下，所述样本运单是否被接起。
24.在一个可选的设计中，所述机器学习模型包括第一子模型和第二子模型，训练所述第一子模型的样本运单为加价样本运单，训练所述第二子模型的样本运单为原始样本运单，所述加价样本运单的当前价格为所述加价样本运单的基础价格与所述加价样本运单对应的补贴价格之和，所述原始样本运单的当前价格为所述原始样本运单的基础价格；所述确定模块，用于：
25.将所述运单特征以及所述第一运单的基础价格输入所述不同补贴价格对应的机器学习模型的第一子模型，得到所述不同补贴价格对应的第一接单概率变化值；
26.将所述运单特征以及所述第一运单的基础价格输入所述不同补贴价格对应的机器学习模型的第二子模型，得到所述不同补贴价格对应的第二接单概率变化值；
27.根据所述不同补贴价格对应的第一接单概率变化值和所述不同补贴价格对应的第二接单概率变化值，确定所述第一运单在所述不同补贴价格下的接单概率变化值。
28.在一个可选的设计中，所述确定模块，用于：
29.根据所述不同补贴价格对应的第一接单概率变化值与所述不同补贴价格对应的第二接单概率变化值的加权求和的结果，确定所述第一运单在所述不同补贴价格下的接单概率变化值；
30.其中，所述不同补贴价格对应的第一接单概率变化值的第一权重，是根据所述加价样本运单在所述加价样本运单和所述原始样本运单中的占比确定的，所述不同补贴价格对应的第二接单概率变化值的第二权重，是根据所述原始样本运单在所述加价样本运单和所述原始样本运单中的占比确定的。
31.在一个可选的设计中，所述确定模块，用于：
32.对所述不同补贴价格以及所述不同补贴价格对应的接单概率变化值进行多项式
插值，得到补贴价格与接单概率变化值的函数关系；
33.根据所述函数关系，确定所述第一运单在增加所述补贴价格后的接单概率变化值。
34.在一个可选的设计中，所述确定模块，用于：
35.根据统计运单集合中的统计运单在不同策略执行时长下的预测接单概率与实际接单概率的差异确定衰减曲线，所述衰减曲线用于反映所述统计运单的实际接单概率与所述统计运单的预测接单概率的差异随所述策略执行时长的变化关系，所述统计运单是执行价格补贴策略的运单，所述策略执行时长是所述统计运单执行所述价格补贴策略的时长，所述实际接单概率是根据所述统计运单集合中被接单的统计运单的占比确定的；
36.基于所述第一运单的所述预测接单概率、所述第一运单执行运单价格补贴策略的目标策略执行时长、以及所述第一运单所在区域中的统计运单对应的衰减曲线确定衰减接单概率。
37.在一个可选的设计中，所述确定模块，用于：
38.确定所述统计运单在所述不同策略执行时长下的衰减系数，所述衰减系数是基于所述不同策略执行时长下所述统计运单的实际接单概率与所述统计运单的预测接单概率的比值确定的；
39.根据所述衰减系数与所述衰减系数对应的策略执行时长，拟合所述衰减系数与所述策略执行时长的指数曲线；
40.基于所述目标策略执行时长通过所述第一运单所在区域中的统计运单对应的指数曲线确定目标衰减系数；
41.基于所述目标衰减系数与所述预测接单概率的乘积确定所述衰减接单概率。
42.根据本技术的另一方面，提供了一种模型训练装置，所述装置包括：
43.获取模块，用于获取样本运单集合中样本运单的样本运单特征、所述样本运单的当前价格以及所述样本运单的接起标签，所述接起标签用于反映所述样本运单是否被接起；
44.确定模块，用于根据所述样本运单特征以及所述样本运单的当前价格，确定所述样本运单的当前价格随补贴价格变化的情况下，所述样本运单的预测接起标签；
45.训练模块，用于根据所述样本运单特征、所述样本运单的当前价格以及所述预测接起标签与所述接起标签的差异，训练机器学习模型，所述机器学习模型用于预测第一运单在增加所述补贴价格后，所述第一运单的接单概率变化值。
46.在一个可选的设计中，所述样本运单为加价样本运单，所述样本运单的当前价格为所述样本运单的基础价格与所述补贴价格之和；所述确定模块，用于：
47.根据所述样本运单特征以及所述样本运单的基础价格，确定所述样本运单在所述样本运单的基础价格下的第一预测接起标签。
48.在一个可选的设计中，所述确定模块，用于：
49.根据所述样本运单特征以及所述样本运单的基础价格，通过第一接单概率预测模型预测所述第一预测接起标签；
50.其中，所述第一接单概率预测模型是通过原始样本运单的运单特征，所述原始样本运单的当前价格以及所述原始样本运单的接起标签训练得到的，所述原始样本运单的当
前价格为所述原始样本运单的基础价格。
51.在一个可选的设计中，所述训练模块，用于：
52.根据所述接起标签确定第一接单比例，所述第一接单比例用于反映在所述样本运单的当前价格下，被接起的样本运单的占比；
53.根据所述第一预测接起标签确定第二接单比例，所述第二接单比例用于反映在所述样本运单的基础价格下，被接起的样本运单的占比；
54.根据所述第一接单比例和所述第二接单比例的差、所述样本运单特征以及所述样本运单的当前价格，训练所述机器学习模型的第一子模型。
55.在一个可选的设计中，所述样本运单为原始样本运单，所述样本运单的当前价格为所述样本运单的基础价格；所述确定模块，用于：
56.根据所述样本运单特征、所述补贴价格以及所述基础价格，确定所述样本运单在所述样本运单的基础价格增加所述补贴价格后的第二预测接起标签。
57.在一个可选的设计中，所述确定模块，用于：
58.根据所述样本运单特征、所述补贴价格以及所述样本运单的基础价格，通过第二接单概率预测模型预测所述第二预测接起标签；
59.其中，所述第二接单概率预测模型是通过加价样本运单的运单特征，所述加价样本运单的当前价格以及所述加价样本运单的接起标签训练得到的，所述加价样本运单的当前价格为所述加价样本运单的基础价格与所述补贴价格之和。
60.在一个可选的设计中，所述训练模块，用于：
61.根据所述接起标签确定第一接单比例，所述第一接单比例用于反映在所述样本运单的当前价格下，被接起的样本运单的占比；
62.根据所述第二预测接起标签确定第三接单比例，所述第三接单比例用于反映在所述样本运单的基础价格增加所述补贴价格后，被接起的样本运单的占比；
63.根据所述第三接单比例和所述第一接单比例的差、所述样本运单特征以及所述样本运单的当前价格，训练所述机器学习模型的第二子模型。
64.根据本技术的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的接单概率的确定方法或模型训练方法。
65.根据本技术的另一方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的接单概率的确定方法或模型训练方法。
66.根据本技术的另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的接单概率的确定方法或模型训练方法。
67.本技术提供的技术方案带来的有益效果至少包括：
68.通过确定第一运单在增加补贴价格后的接单概率变化值，结合第一运单在基础价格下的接单概率，即可确定第一运单在增加补贴价格后的预测接单概率。在此过程中，不仅能够确定第一运单在增加补贴价格后的预测接单概率，还能够确定预测接单概率随补贴价格的变化幅度，能够为决策提供更多维度的数据，避免了实际应用过程中的局限性。
附图说明
69.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
70.图1是本技术一个示例性实施例提供的预测接单概率变化的过程的示意图；
71.图2是本技术一个示例性实施例提供的接单概率的确定方法的流程示意图；
72.图3是本技术另一个示例性实施例提供的接单概率的确定方法的流程示意图；
73.图4是本技术一个示例性实施例提供的确定第一运单在增加补贴价格后的接单概率变化值的实现过程的示意图；
74.图5是本技术一个示例性实施例提供的基于多项式插值确定接单概率变化值的过程的示意图；
75.图6是本技术一个示例性实施例提供的基于指数曲线确定衰减接单概率的过程的示意图；
76.图7是本技术一个示例性实施例提供的模型训练方法的流程示意图；
77.图8是本技术一个示例性实施例提供的接单概率的确定装置的结构示意图；
78.图9是本技术一个示例性实施例提供的接单概率的确定装置的结构示意图；
79.图10是本技术一个示例性实施例提供的计算机设备的结构示意图。
80.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
具体实施方式
81.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
82.图1是本技术一个示例性实施例提供的预测接单概率变化的过程的示意图。如图1所示，在训练机器学习模型的阶段，计算机设备获取样本运单集合，该样本运单集合包括原始样本运单以及加价样本运单。原始样本运单的当前价格为原始样本运单的基础价格。加价样本运单为执行价格补贴策略的运单，加价样本运单的当前价格为加价样本运单的基础价格与补贴价格之和。
83.计算机设备通过原始样本运单的特征101(包括原始样本运单的运单特征、原始样本运单的当前价格和原始样本运单对应的可用配送单位的数量)，以及原始样本运单的接起标签102(反映原始样本运单是否被接起)训练第一接单概率预测模型105。之后根据加价样本运单的特征103，通过第一接单概率预测模型105确定加价样本运单在加价样本运单的基础价格下的第一预测接起标签。之后根据加价样本运单的特征103以及第一预测接起标
签与加价样本运单的接起标签104的差异，训练机器学习模型的第一子模型106，该第一子模型106能够预测第一运单在增加该补贴价格后，第一运单的接单概率变化值。
84.计算机设备还会通过加价样本运单的特征103，以及加价样本运单的接起标签104训练第二单概率预测模型107。之后根据原始样本运单的特征101，确定原始样本运单在原始样本运单的基础价格增加补贴价格后的第二预测接起标签。之后根据原始样本运单的特征103以及第二预测接起标签与原始样本运单的接起标签102的差异，训练机器学习模型的第二子模型108，该第二子模型108能够预测第一运单在增加该补贴价格后，第一运单的接单概率变化值。
85.上述样本运单集合中的加价样本运单，执行了不同的价格补贴策略，即补贴了不同的补贴价格。通过不同补贴价格对应的加价样本运单，计算机设备能够通过上述方式训练得到不同补贴价格对应的机器学习模型。不同补贴价格对应的机器学习模型能够预测第一运单在增加机器学习模型对应的补贴价格后，第一运单的接单概率变化值。
86.在确定第一运单的接单概率变化值的阶段，计算机设备会获取第一运单的特征，并输入不同补贴价格对应的机器学习模型中，得到不同补贴价格对应的机器学习模型的第一子模型预测的第一接单概率变化值，以及第二子模型预测的第二接单概率变化值。之后计算机设备会根据第一接单概率变化值和第二接单概率变化值加权求和的结果，确定第一运单在不同补贴价格下的接单概率变化值。其中，第一接单概率变化值的权重是根据训练第一子模型的加价样本运单在样本运单集合中的占比确定的，第二接单概率变化值的权重是根据训练第二子模型的原始样本运单在样本运单集合中的占比确定的。计算机设备根据第一运单在不同补贴价格下的接单概率变化值，通过多项式插值能够确定补贴价格与接单概率变化值的函数关系，在确定补贴价格后，根据该函数关系即可确定第一运单在增加补贴价格后的接单概率变化值。该接单概率变化值与第一运单在基础价格下的接单概率的和，即为第一运单在增加补贴价格后的预测接单概率。
87.通过不同补贴价格对应的机器学习模型，能够确定第一运单在增加不同的补贴价格后的接单概率变化值，结合第一运单在基础价格下的接单概率，即可确定第一运单在增加不同补贴价格后的预测接单概率。该机器学习模型能够学习到接单概率变化值与补贴价格间的关系，通过该机器学习模型不仅能够确定第一运单在增加补贴价格后的预测接单概率，还能够准确的确定预测接单概率随补贴价格的变化幅度，能够为决策提供更多维度的数据，避免了实际应用过程中的局限性。
88.图2是本技术一个示例性实施例提供的接单概率的确定方法的流程示意图。该方法可以用于计算机设备。如图2所示，该方法包括：
89.步骤202：获取第一运单的运单特征以及第一运单的基础价格。
90.第一运单为任一需要预测接单概率的运单。可选地，第一运单能够为外卖运单。当使用计算机设备提供的外卖服务的用户进行外卖下单后，计算机设备会生成第一运单。
91.示例性的，计算机设备为服务器，该计算机设备对应有外卖客户端。用户通过外卖客户端能够进行下单操作，此时服务器会生成第一运单。该服务器为一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心中的虚拟服务器等。
92.可选地，第一运单的运单特征包括第一运单所属的商家、第一运单的起点、第一运单的终点、第一运单的配送距离、第一运单的配送路径(根据起点、终点结合地图确定)、第
一运单的配送时长要求、第一运单的生成时间以及第一运单对应的可用配送单位的数量等。
93.第一运单对应的可用配送单位是接收到第一运单的配送单位。在生成第一运单后，计算机设备会确定第一运单所在位置附近的配送单位，并将能够接起第一运单的配送单位确定为可用配送单位。该配送单位能够为骑手。
94.第一运单的基础价格是计算机设备确定的，例如在生成第一运单时，计算机设备根据第一运单的配送距离、配送时长要求以及当前的天气情况确定第一运单的基础价格。可选地，对于不同区域的运单，对应有不同价格兜底值，即不同区域的运单具有最低的基础价格的限制。
95.步骤204：确定第一运单的补贴价格。
96.该补贴价格是计算机设备确定的，包括任一价格，例如0.5元、1元、1.5元、2元等。可选地，对于不同区域的运单，具有补贴价格限额，计算机设备确定的第一运单的补贴价格不超过补贴价格限额。该补贴价格用于使第一运单的当前价格上涨，从而提升配送单位接起第一运单的可能性。
97.需要说明的是，第一运单的基础价格以及第一运单的补贴价格，会影响接起并配送第一运单的配送单位在完成第一运单配送后得到的奖励。基础价格以及补贴价格与上述奖励正相关。
98.步骤206：根据运单特征以及第一运单的基础价格，确定第一运单在增加补贴价格后的接单概率变化值。
99.该接单概率变化值用于反映第一运单在基础价格增加补贴价格后，第一运单的接单概率的变化情况。接单概率用于反映第一运单被接起的可能性。
100.示例地，第一运单在基础价格下的接单概率为75％，在增加补贴价格后，计算机设备确定第一运单的接单概率增加15％。
101.可选地，计算机设备通过不同补贴价格对应的机器学习模型，能够预测第一运单在不同补贴价格下的接单概率变化值。之后根据不同补贴价格下的接单概率变化值，能够确定第一运单在增加补贴价格后的接单概率变化值。
102.其中，机器学习模型是通过样本运单集合中样本运单的运单特征、样本运单的当前价格(原始样本运单的当前价格为基础价格，加价样本运单的当前价格为基础价格增加补贴价格)、样本运单的接起标签、以及样本运单的预测接起标签训练得到的，接起标签用于反映样本运单是否被接起，预测接起标签用于反映样本运单的当前价格随机器学习模型对应的多个补贴价格中的一个变化(增加补贴价格或减少补贴价格)的情况下，样本运单是否被接起。
103.步骤208：根据第一运单在第一运单的基础价格下的接单概率与接单概率变化值的和，确定第一运单在增加补贴价格后的预测接单概率。
104.第一运单在基础价格下的接单概率，也能够是计算机设备预测的。例如，计算机设备通过接单概率预测模型能够预测该接单概率，接单概率预测模型是通过样本运单的运单特征、样本运单的当前价格以及反映样本运单是否被接起的标签训练得到的。
105.将第一运单的基础价格下的接单概率与接单概率变化值求和，能够得到第一运单在当前价格(基础价格 补贴价格)下的接单概率。在此过程中，计算机设备不但能够确定接
单概率，还能够确定在增加补贴价格后，第一运单的接单概率的变化幅度。
106.可选地，计算机设备在生成第一运单后，会预测第一运单在基础价格下的接单概率。若此时的接单概率大于接单概率阈值，则计算机设备不会为第一运单增加补贴价格，以及预测增加补贴价格后的接单概率。即不会对第一运单执行价格补贴的策略。该接单概率阈值是计算机设备确定的。
107.综上所述，本实施例提供的方法，确定第一运单在增加补贴价格后的接单概率变化值，结合第一运单在基础价格下的接单概率，即可确定第一运单在增加补贴价格后的预测接单概率。在此过程中，不仅能够确定第一运单在增加补贴价格后的预测接单概率，还能够确定预测接单概率随补贴价格的变化幅度，能够为决策提供更多维度的数据，避免了实际应用过程中的局限性。
108.图3是本技术另一个示例性实施例提供的接单概率的确定方法的流程示意图。该方法可以用于计算机设备。如图3所示，该方法包括：
109.步骤302：获取第一运单的运单特征以及第一运单的基础价格。
110.第一运单为任一需要预测接单概率的运单。可选地，第一运单的运单特征包括第一运单所属的商家、第一运单的起点、第一运单的终点、第一运单的配送距离、第一运单的配送路径、第一运单的配送时长要求、第一运单的生成时间以及第一运单对应的可用配送单位的数量等。第一运单对应的可用配送单位是能够接收到第一运单的配送单位。可用配送单位能够主动接起第一运单。
111.第一运单的基础价格是计算机设备确定的，例如在生成第一运单时，计算机设备根据第一运单的配送距离、配送时长要求以及当前的天气情况确定第一运单的基础价格。可选地，对于不同区域的运单，对应有不同价格兜底值，即不同区域的运单具有最低的基础价格的限制。
112.步骤304：确定第一运单的补贴价格。
113.该补贴价格是计算机设备确定的。该补贴价格用于使第一运单的当前价格上涨，从而提升候选配送单位接起第一运单的可能性。
114.步骤306：根据运单特征以及第一运单的基础价格，确定第一运单在增加补贴价格后的接单概率变化值。
115.可选地，如图4所示，步骤306的实现过程包括以下步骤3062和步骤3064：
116.在步骤3062中，将运单特征以及第一运单的基础价格输入不同补贴价格对应的机器学习模型，预测第一运单在不同补贴价格下的接单概率变化值。
117.计算机设备将上述信息输入不同补贴价格对应的机器学习模型，能够得到第一运单在不同补贴价格下的接单概率变化值。例如，输入对应补贴价格0.5元的机器学习模型，能够得到第一运单在基础价格增加0.5元后接单概率增加10％。输入对应补贴价格1.5元的机器学习模型，能够得到第一运单在基础价格增加1.5元后接单概率增加20％。
118.该机器学习模型是通过样本运单集合中样本运单的运单特征、样本运单的当前价格、样本运单的接起标签、以及样本运单的预测接起标签训练得到的。样本运单是在实际应用中产生的运单。当样本运单为原始样本运单时，样本运单的当前价格为基础价格。当样本运单为加价样本运单时，样本运单的当前价格为基础价格与补贴价格之和。接起标签用于反映样本运单是否被接起，预测接起标签用于反映样本运单的当前价格随机器学习模型对
应的多个补贴价格中的一个变化的情况下，样本运单是否被接起。即样本运单的当前价格增加某一补贴价格或减去某一补贴价格后，样本运单被预测是否会被接起。可选地，该机器学习模型基于x-learning(深度学习框架的调度系统)。
119.可选地，对应不同补贴价格的机器学习模型中的每个机器学习模型，包括第一子模型和第二子模型。其中，每个机器学习模型的结构相同，但训练数据不同。例如，对应补贴价格1元的机器学习模型，是通过原始样本运单以及补贴价格为1元的加价样本运单训练得到的。训练第一子模型的样本运单为加价样本运单，训练第二子模型的样本运单为原始样本运单，加价样本运单的当前价格为加价样本运单的基础价格与加价样本运单对应的补贴价格之和，原始样本运单的当前价格为原始样本运单的基础价格。
120.计算机设备将第一运单的运单特征以及第一运单的基础价格输入不同补贴价格对应的机器学习模型的第一子模型，能够得到不同补贴价格对应的第一接单概率变化值。即第一运单在增加不同补贴价格后的第一接单概率变化值。计算机设备将运单特征以及第一运单的基础价格输入不同补贴价格对应的机器学习模型的第二子模型，能够得到不同补贴价格对应的第二接单概率变化值。即第一运单在增加不同补贴价格后的第二接单概率变化值。之后，计算机设备根据不同补贴价格对应的第一接单概率变化值和不同补贴价格对应的第二接单概率变化值，能够确定第一运单在不同补贴价格下的接单概率变化值。
121.计算机设备根据不同补贴价格对应的第一接单概率变化值与不同补贴价格对应的第二接单概率变化值的加权求和的结果，能够确定第一运单在不同补贴价格下的接单概率变化值。其中，不同补贴价格对应的第一接单概率变化值的第一权重，是根据加价样本运单在加价样本运单和原始样本运单中的占比确定的。上述加价样本运单和原始样本运单是用于训练第一子模型的运单。不同补贴价格对应的第二接单概率变化值的第二权重，是根据原始样本运单在加价样本运单和原始样本运单中的占比确定的。上述加价样本运单和原始样本运单是用于训练第二子模型的运单。
122.在步骤3064中，根据第一运单在不同补贴价格下的接单概率变化值，确定第一运单在增加补贴价格后的接单概率变化值。
123.考虑到实际应用中的限制，以及模型训练的效率要求，因此不同补贴价格对应的机器学习模型的数量有限。例如计算机设备中仅存在补贴价格为0.5、0.8、1.0、1.2、1.5、1.8、2.0、2.5、3.0、4.0对应的机器学习模型。若此时需要确定第一运单在增加3.5元后的接单概率变化值，计算机设备需要通过下述方式：
124.计算机设备对不同补贴价格以及不同补贴价格对应的接单概率变化值进行多项式插值，从而能够得到补贴价格与接单概率变化值的函数关系。之后根据确定的根据函数关系，基于确定的补贴价格，计算机设备能够确定第一运单在增加补贴价格后的接单概率变化值。
125.示例地，图5是本技术一个示例性实施例提供的基于多项式插值确定接单概率变化值的过程的示意图。如图5所示，计算机设备将第一运单的特征501(运单特征、基础价格、对应的补贴价格)输入第一补贴价格对应的机器学习模型502、第二补贴价格对应的机器学习模型503以及第三补贴价格对应的机器学习模型504。能够得到第一运单增加第一补贴价格后的接单概率变化值一、增加第二补贴价格后的接单概率变化值二以及增加第三补贴价格后的接单概率变化值三。之后对第一补贴价格、第二补贴价格、第三补贴价格以及接单概
率变化值一、接单概率变化值二、接单概率变化值三进行多项式插值。能够得到补贴价格与接单概率变化值的函数关系505。之后根据第一运单对应的补贴价格(与第一补贴价格、第二补贴价格以及第三补贴价格不同)，通过该函数关系505能够确定第一运单对应的补贴价格对应的接单概率变化值的输出506，即为第一运单在增加该补贴价格后的接单概率变化值。
126.步骤308：根据第一运单在第一运单的基础价格下的接单概率与接单概率变化值的和，确定第一运单在增加补贴价格后的预测接单概率。
127.第一运单在基础价格下的接单概率，也能够是计算机设备预测的。计算机设备将第一运单的基础价格下的接单概率与接单概率变化值求和，能够得到第一运单在当前价格(基础价格 补贴价格)下的接单概率。在此过程中，计算机设备不但能够确定接单概率，还能够确定在增加补贴价格后，第一运单的接单概率的变化幅度。
128.步骤310：基于预测接单概率根据衰减曲线确定衰减接单概率。
129.在实际应用价格补贴策略的过程中，实际接单概率相较于预测接单概率，会随价格补贴策略的执行时长下降。例如，对于10个运单来说，在执行价格补贴策略的第一周，其平均预测接单概率与10个运单中被接起的运单的比例相同。在执行价格补贴策略的第二周，其平均预测接单概率高于10个运单中被接起的运单的比例10％，即实际接单概率发生了下降。
130.计算机设备根据统计运单集合中的统计运单在不同策略执行时长下的预测接单概率与实际接单概率的差异确定衰减曲线。之后基于第一运单的预测接单概率、第一运单执行运单价格补贴策略的策略执行时长、以及第一运单所在区域中的统计运单对应的衰减曲线从而能够确定衰减接单概率，实现对预测接单概率的校准。执行价格补贴策略即在确定运单的当前价格时，通过运单的基础价格 补贴价格确定。
131.其中，衰减曲线用于反映统计运单的实际接单概率与统计运单的预测接单概率的差异随策略执行时长的变化关系，统计运单是执行价格补贴策略的运单，策略执行时长是统计运单执行价格补贴策略的时长。计算机设备根据第一运单执行运单价格补贴策略的目标策略执行时长，结合衰减曲线能够确定衰减接单概率与预测接单概率间的比例关系，基于该比例关系与预测接单概率的乘积，能够确定该衰减接单概率。
132.可选地，计算机设备确定统计运单在不同策略执行时长下的衰减系数，衰减系数是基于不同策略执行时长下统计运单的实际接单概率与统计运单的预测接单概率的比值确定的。可选地，实际接单概率是根据统计运单集合中被接单的统计运单的占比确定的。统计运单的预测接单概率为统计运单通过上述方式确定的预测接单概率的平均值。示例地，对于10个统计运单，其在执行价格补贴策略的第10天的平均预测接单概率为90％，被接起的运单为6个，则实际接单概率为60％，则策略执行时长30天对应的衰减系数为0.67。计算机设备根据衰减系数与衰减系数对应的策略执行时长，能够拟合衰减系数与策略执行时长的指数曲线。衰减系数能够反映实际接单概率与预测接单概率的比值。计算机设备基于第一运单的目标策略执行时长，通过第一运单所在区域中的统计运单对应的指数曲线能够确定目标衰减系数，之后基于目标衰减系数与预测接单概率的乘积能够确定衰减接单概率。可选地，运单所在区域，是根据运单的配送起点或运单的配送重点确定的，确定的粒度为街道、行政区、市等。例如第一运单的配送起点属于行政区1，则第一运单所在区域中的统计运
单指配送起点属于行政区1的统计运单。
133.示例地，图6是本技术一个示例性实施例提供的基于指数曲线确定衰减接单概率的过程的示意图。如图6所示，计算机设备根据统计运单在不同策略执行时长601下的预测接单概率和实际接单概率602，能够确定衰减系数指数曲线603。之后根据第一运单的目标策略执行时长604，结合第一运单所在区域中的统计运单对应的衰减系数指数曲线603能够确定目标衰减系数605。基于目标衰减系数605与第一运单的预测接单概率的乘积，计算机设备能够确定衰减接单概率。
134.综上所述，本实施例提供的方法，确定第一运单在增加补贴价格后的接单概率变化值，结合第一运单在基础价格下的接单概率，即可确定第一运单在增加补贴价格后的预测接单概率。在此过程中，不仅能够确定第一运单在增加补贴价格后的预测接单概率，还能够确定预测接单概率随补贴价格的变化幅度，能够为决策提供更多维度的数据，避免了实际应用过程中的局限性。
135.另外，通过对应不同补贴价格的机器学习模型预测第一运单在不同补贴价格下的接单概率变化值，进而确定第一运单在增加补贴价格后的接单概率变化值，提供了一种准确预测接单概率变化值的方式。通过第一子模型以及第二子模型，以及第一接单概率变化值与第二接单概率变化值的加权求和的结果来确定接单概率变化值，能够提升准确性。基于多项式插值确定接单概率变化值，能够实现保证确定的接单概率变化值准确的情况下，降低数据收集成本以及加快模型训练效率。确定衰减接单概率，能够实现评估价格补贴策略的执行时长对接单行为的影响，进一步提升预测接单概率的准确性。
136.图7是本技术一个示例性实施例提供的模型训练方法的流程示意图。该方法可以用于计算机设备。如图7所示，该方法包括：
137.步骤702：获取样本运单集合中样本运单的样本运单特征、样本运单的当前价格以及样本运单的接起标签。
138.该样本运单为计算机设备中的任一运单。样本运单集合是计算机设备确定的用于训练模型的样本运单的集合。可选地，样本运单的运单特征包括样本运单所属的商家、样本运单的起点、样本运单的终点、样本运单的配送距离、样本运单的配送路径(根据起点、终点结合地图确定)、样本运单的配送时长要求、样本运单的生成时间以及样本运单对应的可用配送单位的数量等。
139.样本运单对应的可用配送单位是接收到样本运单的配送单位。在生成样本运单后，计算机设备会确定样本运单所在位置附近的配送单位，并将能够接起样本运单的配送单位确定为可用配送单位。该配送单位能够为骑手。
140.接起标签用于反映样本运单是否被配送单位接起。当样本运单为原始运单时，样本运单的当前价格为基础价格。当样本运单为加价运单时，样本运单的当前价格为基础价格与补贴价格之和。样本运单的基础价格是计算机设备确定的，例如根据样本运单的配送距离、配送时长要求以及当前的天气情况确定的。
141.步骤704：根据样本运单特征以及样本运单的当前价格，确定样本运单的当前价格随补贴价格变化的情况下，样本运单的预测接起标签。
142.样本运单的当前价格随补贴价格变化，包括样本运单的当前价格减去补贴价格(样本运单为加价运单)和样本运单的当前价格增加补贴价格(样本运单为原始运单)。该预
测接起标签用于反映样本运单的当前价格随补贴价格变化时，样本运单是否会被接起。
143.可选地，样本运单为加价样本运单，样本运单的当前价格为样本运单的基础价格与补贴价格之和。计算机设备根据样本运单的运单特征以及样本运单的基础价格，能够确定样本运单在样本运单的基础价格下的第一预测接起标签。例如，根据样本运单的运单特征以及样本运单的基础价格，通过第一接单概率预测模型预测第一预测接起标签。该第一预测接起标签能够反映样本运单在基础价格下，样本运单是否会被接起。
144.其中，第一接单概率预测模型是通过原始样本运单的运单特征、原始样本运单的当前价格以及原始样本运单的接起标签训练得到的。第一接单概率预测模型基于分类模型实现。
145.可选地，样本运单还能够为原始样本运单，样本运单的当前价格为样本运单的基础价格。根据样本运单的运单特征、补贴价格以及基础价格，计算机设备确定样本运单在样本运单的基础价格增加补贴价格后的第二预测接起标签。例如，根据样本运单的运单特征、补贴价格以及样本运单的基础价格，通过第二接单概率预测模型预测第二预测接起标签。该第二预测接起标签能够反映样本运单在基础价格增加补贴价格的情况下，样本运单是否会被接起。
146.其中，第二接单概率预测模型是通过加价样本运单的运单特征、加价样本运单的当前价格以及加价样本运单的接起标签训练得到的。第二接单概率预测模型基于分类模型实现。
147.步骤706：根据样本运单特征、样本运单的当前价格以及预测接起标签与接起标签的差异，训练机器学习模型。
148.该机器学习模型用于预测第一运单在增加补贴价格后，第一运单的接单概率变化值。该机器学习模型基于神经网络(neural networks，nn)实现。该机器学习模型能够预测第一运单在基础价格增加某一价格的情况下，第一运单的接单概率的变化情况。
149.可选地，计算机设备能够通过增加不同补贴价格的加价样本运单，训练机器学习模型，从而得到不同补贴价格对应的批量的机器学习模型。每个机器学习模型能够预测某一补贴价格对应的接单概率的变化。每个机器学习模型是基于样本运单的当前价格随机器学习模型对应的补贴价格变化的情况下，样本运单的预测接起标签与样本运单的接起标签的差异训练得到的。
150.在训练机器学习模型的过程中，计算机设备会根据接起标签确定第一接单比例。该第一接单比例用于反映在样本运单的当前价格下，被接起的样本运单的占比。并根据第一预测接起标签确定第二接单比例，第二接单比例用于反映在样本运单(加价样本运单)的基础价格下，被接起的样本运单的占比。根据第一接单比例和第二接单比例的差、样本运单特征以及样本运单的当前价格，计算机设备训练机器学习模型的第一子模型。第一子模型能够预测第一运单在增加补贴价格后，第一运单的接单概率变化值。
151.在训练机器学习模型的过程中，计算机设备还会根据接起标签确定第一接单比例。并根据第二预测接起标签确定第三接单比例，第三接单比例用于反映在样本运单(原始样本运单)的基础价格增加补贴价格后，被接起的样本运单的占比。根据第三接单比例和第一接单比例的差、样本运单特征以及样本运单的当前价格，计算机设备训练机器学习模型的第二子模型。第二子模型能够预测第一运单在增加补贴价格后，第一运单的接单概率变
化值。
152.需要说明的是，机器学习模型中能够同时存在上述第一子模型和上述第二子模型。或者，仅存在上述第一子模型和第二子模型中的一个模型。
153.在机器学习模型中同时存在上述第一子模型和上述第二子模型的情况下，在预测第一运单在增加补贴价格后，第一运单的接单概率变化值时。计算机设备会根据第一子模型预测的第一接单概率变化值与第二子模型预测的第二接单概率变化值的加权求和的结果，来确定第一运单在增加补贴价格后的接单概率变化值。
154.其中，第一接单概率变化值的第一权重，是根据训练第一子模型时的加价样本运单在加价样本运单和原始样本运单中的占比确定的。第二接单概率变化值的第二权重，是根据训练第二子模型时的原始样本运单在加价样本运单和原始样本运单中的占比确定的。
155.在一个具体的例子中，通过分析实际应用中的数据，本技术提供的接单概率的确定方法相对于直接按照运单价格预测接单概率的方法，在预测接单概率时的平均绝对误差(mean absolute error，mae)能够降低12％。并且，在实际应用过程中，运单的整体拒绝率(未被接起的运单的数量/运单总数)能够由13.5％降低至11.2％。并且，运单的准时送达率能够提升0.42％。
156.综上所述，本实施例提供的方法，基于样本运单的预测接起标签与接起标签的差异，训练机器学习模型。该机器学习模型能够确定第一运单在增加补贴价格后的接单概率变化值，结合第一运单在基础价格下的接单概率，即可确定第一运单在增加补贴价格后的预测接单概率。在此过程中，不仅能够确定第一运单在增加补贴价格后的预测接单概率，还能够确定预测接单概率随补贴价格的变化幅度，能够为决策提供更多维度的数据，避免了实际应用过程中的局限性。
157.另外，通过第一接单概率预测模型以及第二接单概率预测模型，能够实现准确预测加价样本运单在基础价格下的接单概率，以及原始样本运单在增加补贴价格后的接单概率。训练得到的第一子模型以及第二子模型，能够综合确定运单在增加补贴价格后的接单概率变化值，从而提升确定的预测接单概率的准确性。
158.需要说明的是，本技术实施例提供的方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本技术的保护范围之内，因此不再赘述。
159.图8是本技术一个示例性实施例提供的接单概率的确定装置的结构示意图。该装置可以用于计算机设备。如图8所示，该装置包括：
160.获取模块801，用于获取第一运单的运单特征以及第一运单的基础价格。
161.确定模块802，用于确定第一运单的补贴价格。
162.确定模块802，还用于根据运单特征以及第一运单的基础价格，确定第一运单在增加补贴价格后的接单概率变化值。
163.确定模块802，还用于根据第一运单在第一运单的基础价格下的接单概率与接单概率变化值的和，确定第一运单在增加补贴价格后的预测接单概率。
164.在一个可选的设计中，确定模块802，用于：
165.将运单特征以及第一运单的基础价格输入不同补贴价格对应的机器学习模型，预测第一运单在不同补贴价格下的接单概率变化值。根据第一运单在不同补贴价格下的接单
概率变化值，确定第一运单在增加补贴价格后的接单概率变化值。
166.其中，机器学习模型是通过样本运单集合中样本运单的运单特征、样本运单的当前价格、样本运单的接起标签、以及样本运单的预测接起标签训练得到的，接起标签用于反映样本运单是否被接起，预测接起标签用于反映样本运单的当前价格随机器学习模型对应的多个补贴价格中的一个变化的情况下，样本运单是否被接起。
167.在一个可选的设计中，机器学习模型包括第一子模型和第二子模型，训练第一子模型的样本运单为加价样本运单，训练第二子模型的样本运单为原始样本运单，加价样本运单的当前价格为加价样本运单的基础价格与加价样本运单对应的补贴价格之和，原始样本运单的当前价格为原始样本运单的基础价格。
168.确定模块801，用于：
169.将运单特征以及第一运单的基础价格输入不同补贴价格对应的机器学习模型的第一子模型，得到不同补贴价格对应的第一接单概率变化值。将运单特征以及第一运单的基础价格输入不同补贴价格对应的机器学习模型的第二子模型，得到不同补贴价格对应的第二接单概率变化值。根据不同补贴价格对应的第一接单概率变化值和不同补贴价格对应的第二接单概率变化值，确定第一运单在不同补贴价格下的接单概率变化值。
170.在一个可选的设计中，确定模块802，用于：
171.根据不同补贴价格对应的第一接单概率变化值与不同补贴价格对应的第二接单概率变化值的加权求和的结果，确定第一运单在不同补贴价格下的接单概率变化值。
172.其中，不同补贴价格对应的第一接单概率变化值的第一权重，是根据加价样本运单在加价样本运单和原始样本运单中的占比确定的，不同补贴价格对应的第二接单概率变化值的第二权重，是根据原始样本运单在加价样本运单和原始样本运单中的占比确定的。
173.在一个可选的设计中，确定模块802，用于：
174.对不同补贴价格以及不同补贴价格对应的接单概率变化值进行多项式插值，得到补贴价格与接单概率变化值的函数关系。根据函数关系，确定第一运单在增加补贴价格后的接单概率变化值。
175.在一个可选的设计中，确定模块802，用于：
176.根据统计运单集合中的统计运单在不同策略执行时长下的预测接单概率与实际接单概率的差异确定衰减曲线，衰减曲线用于反映统计运单的实际接单概率与统计运单的预测接单概率的差异随策略执行时长的变化关系，统计运单是执行价格补贴策略的运单，策略执行时长是统计运单执行价格补贴策略的时长，实际接单概率是根据统计运单集合中被接单的统计运单的占比确定的。基于第一运单的预测接单概率、第一运单执行运单价格补贴策略的目标策略执行时长、以及第一运单所在区域中的统计运单对应的衰减曲线确定衰减接单概率。
177.在一个可选的设计中，确定模块802，用于：
178.确定统计运单在不同策略执行时长下的衰减系数，衰减系数是基于不同策略执行时长下统计运单的实际接单概率与统计运单的预测接单概率的比值确定的。根据衰减系数与衰减系数对应的策略执行时长，拟合衰减系数与策略执行时长的指数曲线。基于目标策略执行时长通过第一运单所在区域中的统计运单对应的指数曲线确定目标衰减系数。基于目标衰减系数与预测接单概率的乘积确定衰减接单概率。
179.图9是本技术一个示例性实施例提供的接单概率的确定装置的结构示意图。该装置可以用于计算机设备。如图9所示，该装置90包括：
180.获取模块901，用于获取样本运单集合中样本运单的样本运单特征、样本运单的当前价格以及样本运单的接起标签，接起标签用于反映样本运单是否被接起。
181.确定模块902，用于根据样本运单特征以及样本运单的当前价格，确定样本运单的当前价格随补贴价格变化的情况下，样本运单的预测接起标签。
182.训练模块903，用于根据样本运单特征、样本运单的当前价格以及预测接起标签与接起标签的差异，训练机器学习模型，机器学习模型用于预测第一运单在增加补贴价格后，第一运单的接单概率变化值。
183.在一个可选的设计中，样本运单为加价样本运单，样本运单的当前价格为样本运单的基础价格与补贴价格之和。确定模块902，用于：
184.根据样本运单特征以及样本运单的基础价格，确定样本运单在样本运单的基础价格下的第一预测接起标签。
185.在一个可选的设计中，确定模块902，用于：
186.根据样本运单特征以及样本运单的基础价格，通过第一接单概率预测模型预测第一预测接起标签。其中，第一接单概率预测模型是通过原始样本运单的运单特征，原始样本运单的当前价格以及原始样本运单的接起标签训练得到的，原始样本运单的当前价格为原始样本运单的基础价格。
187.在一个可选的设计中，训练模块903，用于：
188.根据接起标签确定第一接单比例，第一接单比例用于反映在样本运单的当前价格下，被接起的样本运单的占比。根据第一预测接起标签确定第二接单比例，第二接单比例用于反映在样本运单的基础价格下，被接起的样本运单的占比。根据第一接单比例和第二接单比例的差、样本运单特征以及样本运单的当前价格，训练机器学习模型的第一子模型。
189.在一个可选的设计中，样本运单为原始样本运单，样本运单的当前价格为样本运单的基础价格。确定模块902，用于：
190.根据样本运单特征、补贴价格以及基础价格，确定样本运单在样本运单的基础价格增加补贴价格后的第二预测接起标签。
191.在一个可选的设计中，确定模块902，用于：
192.根据样本运单特征、补贴价格以及样本运单的基础价格，通过第二接单概率预测模型预测第二预测接起标签。其中，第二接单概率预测模型是通过加价样本运单的运单特征，加价样本运单的当前价格以及加价样本运单的接起标签训练得到的，加价样本运单的当前价格为加价样本运单的基础价格与补贴价格之和。
193.在一个可选的设计中，训练模块903，用于：
194.根据接起标签确定第一接单比例，第一接单比例用于反映在样本运单的当前价格下，被接起的样本运单的占比。根据第二预测接起标签确定第三接单比例，第三接单比例用于反映在样本运单的基础价格增加补贴价格后，被接起的样本运单的占比。根据第三接单比例和第一接单比例的差、样本运单特征以及样本运单的当前价格，训练机器学习模型的第二子模型。
195.需要说明的是：上述实施例提供的接单概率的确定装置，仅以上述各功能模块的
划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的接单概率的确定装置与接单概率的确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
196.同理，上述实施例提供的模型训练装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的模型训练装置与模型训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
197.本技术的实施例还提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的接单概率的确定方法或模型训练方法。
198.可选地，该计算机设备为服务器。示例地，图10是本技术一个示例性实施例提供的计算机设备的结构示意图。
199.所述计算机设备1000包括中央处理单元(central processing unit，cpu)1001、包括随机存取存储器(random access memory，ram)1002和只读存储器(read-only memory，rom)1003的系统存储器1004，以及连接系统存储器1004和中央处理单元1001的系统总线1005。所述计算机设备1000还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(input/output系统，i/o系统)1006，和用于存储操作系统1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
200.所述基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中所述显示器1008和输入设备1009都通过连接到系统总线1005的输入输出控制器1010连接到中央处理单元1001。所述基本输入/输出系统1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
201.所述大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。所述大容量存储设备1007及其相关联的计算机可读存储介质为计算机设备1000提供非易失性存储。也就是说，所述大容量存储设备1007可以包括诸如硬盘或者只读光盘(compact disc read-only memory，cd-rom)驱动器之类的计算机可读存储介质(未示出)。
202.不失一般性，所述计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读存储指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、可擦除可编程只读寄存器(erasable programmable read only memory，eprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、闪存或其他固态存储设备，cd-rom、数字多功能光盘(digital versatile disc，dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当
然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。
203.存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元1001执行，一个或多个程序包含用于实现上述方法实施例的指令，中央处理单元1001执行该一个或多个程序实现上述各个方法实施例提供的方法。
204.根据本技术的各种实施例，所述计算机设备1000还可以通过诸如因特网等网络连接到网络上的远程计算机设备运行。也即计算机设备1000可以通过连接在所述系统总线1005上的网络接口单元1011连接到网络1012，或者说，也可以使用网络接口单元1011来连接到其他类型的网络或远程计算机设备系统(未示出)。
205.所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本技术实施例提供的方法中由计算机设备所执行的步骤。
206.本技术实施例中还提供了一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，当该至少一条指令、至少一段程序、代码集或指令集由计算机设备的处理器加载并执行时，实现上述各方法实施例提供的接单概率的确定方法或模型训练方法。
207.本技术还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例提供的接单概率的确定方法或模型训练方法。
208.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的可读存储介质可以是只读存储器，磁盘或光盘等。
209.以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同切换、改进等，均应包含在本技术的保护范围之内。