CN106447114A - 提供叫车服务的方法和装置 - Google Patents

Abstract

本发明提出一种提供叫车服务的方法和装置，其中，该提供叫车服务的方法包括：根据用户的当前叫车请求获取多个服务车辆的司机信息，其中，当前叫车请求包括订单信息；采用预先训练的接单预测模型，根据订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。本发明的提供叫车服务的方法，在预估接单概率的过程中，综合订单信息和司机信息准确预估出每个服务车辆的接单概率。

Description

提供叫车服务的方法和装置

技术领域

本发明涉及互联网技术领域，特别涉及一种提供叫车服务的方法和装置。

背景技术

随着移动互联网的高速发展，在使用移动终端的过程中，用户可根据移动终端的叫车软件使用在线叫车服务。叫车软件在接收到叫车请求后，将消息被推送到叫车平台的服务器，叫车平台的服务器根据用户订单的起点附近的多个候选司机，然后，叫车平台的服务器相关技术预估司机的接单概率，并根据预估接单概率来进行派单。其中，只有将订单派送给愿意接单的司机时，用户的叫车服务才会成功。也就是说，正确预估出愿意接单的候选司机对叫车服务成功率具有重要意义。

目前，相关技术中，通常通过用户接单数占浏览订单的比例或者司机距离订单起点的距离来预测司机是否接单。然而，司机是否会接单不仅仅与接单数占浏览订单比例或者司机距离订单起点的距离有关，还会受到其他多种因素影响，比如订单价格，司机状态，订单起终点位置和交通状况等因素影响，因此，相关的预测司机是否接单的方式的准确率低，影响了在线叫车服务的成功率。

发明内容

本发明旨在至少在一定程度上解决上述技术问题。

为此，本发明的第一个目的在于提出一种提供叫车服务的方法，综合订单信息和司机信息准确预估出每个服务车辆的接单概率。

本发明的第二个目的在于提出一种提供叫车服务的装置。

为达上述目的，根据本发明第一方面实施例提出了一种提供叫车服务的方法，包括以下步骤：根据用户的当前叫车请求获取多个服务车辆的司机信息，其中，所述当前叫车请求包括订单信息；采用预先训练的接单预测模型，根据所述订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

本发明实施例的提供叫车服务的方法，根据用户的当前叫车请求获取多个服务车辆的司机信息，并采用预先训练的接单预测模型，根据订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。由此，综合订单信息和司机信息准确预估出每个服务车辆的接单概率。

为达上述目的，本发明第二方面实施例提出了一种提供叫车服务的装置，包括：获取模块，用于根据用户的当前叫车请求获取多个服务车辆的司机信息，其中，所述当前叫车请求包括订单信息；预估模块，用于采用预先训练的接单预测模型，根据所述订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

本发明实施例的提供叫车服务的装置，根据用户的当前叫车请求获取多个服务车辆的司机信息，并采用预先训练的接单预测模型，根据订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。由此，综合订单信息和司机信息准确预估出每个服务车辆的接单概率。

为实现上述目的，本发明第三方面实施例提出了一种提供叫车服务的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

根据用户的当前叫车请求获取多个服务车辆的司机信息，其中，所述当前叫车请求包括订单信息；

采用预先训练的接单预测模型，根据所述订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

为实现上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器被执行时，使得服务器能够执行一种提供叫车服务的方法，所述方法包括：

根据用户的当前叫车请求获取多个服务车辆的司机信息，其中，所述当前叫车请求包括订单信息；

采用预先训练的接单预测模型，根据所述订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

为实现上述目的，本发明第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行一种提供叫车服务的方法，所述方法包括：

根据用户的当前叫车请求获取多个服务车辆的司机信息，其中，所述当前叫车请求包括订单信息；

采用预先训练的接单预测模型，根据所述订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的提供叫车服务的方法的流程图；

图2根据本发明另一个实施例的提供叫车服务的方法的流程图；

图3根据本发明再一个实施例的提供叫车服务的方法的流程图；

图4为训练接单预测模型的流程图；

图5为根据本发明一个实施例的提供叫车服务的装置的结构示意图；

图6为根据本发明另一个实施例的提供叫车服务的装置的结构示意图；

图7为根据本发明又一个实施例的提供叫车服务的装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“多个”指两个或两个以上；术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

下面参考附图描述根据本发明实施例的提供叫车服务的方法和装置。

图1为根据本发明一个实施例的提供叫车服务的方法的流程图。

如图1所示，根据本发明实施例的提供叫车服务的方法，包括以下步骤。

S11，根据用户的当前叫车请求获取多个服务车辆的司机信息。

其中，当前叫车请求包括订单信息。

其中，订单信息可以包括但不限于订单的起点位置、订单的终点位置、订单出发时间、订单的车辆类型、订单起点终点之间的距离、订单预计价格、订单预计价格与所有订单平均价格比、订单预计行驶时间、订单预计行驶速度与所有订单平均行驶速度比、是否穿越拥堵区域、用户性别等信息。

其中，订单的起终点位置需要转化为区域编码，转化成区域编码的方式有多种，例如，可以是geohash(其中，geohash用一个字符串表示经度和纬度两个坐标)，也可以是按照经纬度划分为矩形或者六边形等形状的区块，然后分别对不同的区块赋予不同的标识id或者编码。

其中，需要理解的是，订单的出发时间包含多个维度，包括是否上午，是否下午，是否晚上，是否后半夜，星期，小时，是否周末等。

具体地，在服务器接收到用户的当前叫车请求后，获取距离订单起点位置一定范围内的多个服务车辆的司机信息。

其中，需要理解的是，每个服务车辆的司机信息是相同独立的。

其中，司机信息可以包括但不限司机性别、车辆类型、当前移动速度、当前位置、接人行驶距离、预期接人行驶时间、历史推单接单比、过去一周推单接单比、司机历史平均在线时长、司机过去一周平均在线时长、司机过去一周内推单次数、司机过去一周内接单次数等信息。

S12，采用预先训练的接单预测模型，根据订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

其中，接单预测模型是根据大量包含订单信息和司机信息的训练数据和每条训练数据的订单结果预先训练的。

具体地，在获取到每个服务车辆的司机信息后，可将订单信息和每个服务车辆的司机信息输入预先训练的接单预测模型中，接单预测模型将输出每个服务车辆的司机的接单概率。

本发明实施例的提供叫车服务的方法，根据用户的当前叫车请求获取多个服务车辆的司机信息，并采用预先训练的接单预测模型，根据订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。由此，综合订单信息和司机信息准确预估出每个服务车辆的接单概率。

图2为根据本发明另一个实施例的提供叫车服务的方法的流程图。

如图2所示，根据本发明实施例的提供叫车服务的方法，包括以下步骤。

S21，根据用户的当前叫车请求获取多个服务车辆的司机信息。

其中，当前叫车请求包括订单信息。

其中，订单信息可以包括但不限于订单的起点位置、订单的终点位置、订单出发时间、订单的车辆类型、订单起点终点之间的距离、订单预计价格、订单预计价格与所有订单平均价格比、订单预计行驶时间、订单预计行驶速度与所有订单平均行驶速度比、是否穿越拥堵区域、用户性别等信息。

其中，订单的起终点位置需要转化为区域编码，转化成区域编码的方式有多种，例如，可以是geohash(其中，geohash用一个字符串表示经度和纬度两个坐标)，也可以是按照经纬度划分为矩形或者六边形等形状的区块，然后分别对不同的区块赋予不同的标识id或者编码。

其中，需要理解的是，订单的出发时间包含多个维度，包括是否上午，是否下午，是否晚上，是否后半夜，星期，小时，是否周末等。

具体地，在服务器接收到用户的当前叫车请求后，获取距离订单起点位置一定范围内的多个服务车辆的司机信息。

其中，需要理解的是，每个服务车辆的司机信息是相同独立的。

其中，司机信息可以包括但不限司机性别、车辆类型、当前移动速度、当前位置、接人行驶距离、预期接人行驶时间、历史推单接单比、过去一周推单接单比、司机历史平均在线时长、司机过去一周平均在线时长、司机过去一周内推单次数、司机过去一周内接单次数等信息。

S22，根据订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

具体地，在获取到每个服务车辆的司机信息后，根据订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量的方式有多种，举例说明如下：

作为一种示例，可采用随机森林(random forest)模型，根据订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

具体地，针对每个服务车辆的司机信息，可将订单信息和当前服务车辆的司机信息输入随机森林模型中，随机森林模型将输出当前服务车辆的属性向量。

作为另一种示例，可采用梯度提升决策树GBDT模型，根据订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

其中，属性向量是一个有0和1组成的向量，其中，向量的长度为N*M。

其中，N是由训练过程中配置的决策树个数控制。

其中，M为叶子节点数最多的决策树的叶子节点个数。

举例而言，假设采用GBDT训练时决策树个数设置为3颗树，训练得到的决策树最多的叶子节点个数为4。根据上述信息，可以确定服务车辆的属性向量的长度为12，假设将订单信息和司机信息输入GBDT模型后，3颗决策树中的叶子节点(1,1)，(2,2)，(3,4)给出判别结果分别为1,0,1。此时，可生成的属性向量为(0,0,0,0,0,0,0,0,0,)。也就是说，在将订单信息和司机信息输入GBDT模型后，该GBDT模型输出的属性向量为(0,0,0,0,0,0,0,0,0,)。其中，需要说明的是，加粗斜体的数字为对应的叶子节点对应的判别结果。

S23，根据预先训练的接单预测模型和每个服务车辆的属性向量预测每个服务车辆的接单概率。

具体地，在生成每个服务车辆的属性向量后，可利用预先训练的接单预测模型预估每个服务车辆的接单概率。

本发明实施例的提供叫车服务的方法，根据用户的当前叫车请求获取多个服务车辆的司机信息，并采用预先训练的接单预测模型，根据订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。由此，综合订单信息和司机信息准确预估出每个服务车辆的接单概率。

基于上述实施例的基础上，为了可以获取能够为用户服务的目标服务车辆，在本发明的一个实施例中，在图2所示的基础上，如图3所示，该方法还可以包括：

S24，根据每个服务车辆的接单概率从多个服务车辆中选取目标服务车辆。

在本发明的一个实施例中，在获取每个服务车辆的接单概率后，可根据多种方式从多个服务车辆中选取目标服务车辆。

作为一种示例，针对每个服务车辆，判断当前服务车辆的接单概率是否大于预设阈值；如果判断当前服务车辆的接单概率大于预设阈值，则确定当前服务车辆为目标服务车辆。

其中，预设阈值是预先设置的。

作为一种示例，在获取每个服务车辆的接单概率后，可按照接单概率从大到小的顺序对服务车辆进行排序，并根据排序结果选取一定数量的服务车辆作为目标服务车辆。

S25，将当前叫车请求派送给目标服务车辆。

综上可以看出，该实施例在预估出每个服务车辆的接单概率后，根据每个服务车辆的接单概率从多个服务车辆中准确选取出目标服务车辆，并将当前叫车请求派送给目标服务车辆，由此，提高了在线叫车服务器的派单的准确率。

其中，需要说明的是，该实施例预估出每个服务车辆的接单概率不仅可以用于选取目标服务车辆，还可以用于其他需要服务车辆的接单概率的其他场景中，例如，可以用于叫车服务中的调价场景中。举例而言，如果判断出所有服务车辆的接单概率均低于某一预设阈值，此时，服务器还可以根据预先设置的策略进行订单调价。

图4为训练接单预测模型的流程图。如图4所示，该训练接单预测模型的过程为：

S41，获取训练数据和训练数据的接单结果。

具体地，在训练接单预测模型的过程中，获取过去一段时间内的订单推送数据，即，将过去一段时间内的订单推送数据作为训练数据。

其中，训练数据的接单结果包括两种情况，司机接单和司机未接单。

其中，每条训练数据由订单的订单信息和司机信息组成，并根据司机是否接单为每条训练数据打上相应的标记，例如，可用1表示接单，用0表示未接单。

其中，需要理解的是，用1表示接单，用0表示未接单仅是一种示例，该实施对于是否接单的标记不作限定。

S42，利用随机森林模型或者GBDT模型将每条训练数据中的订单信息和司机信息转换为每条训练数据对应的属性向量。

其中，属性向量是由0和1组成的。

其中，将每条训练数据中的订单信息和司机信息转换为每条训练数据的属性向量的具体过程如下：

利用随机森林模型或者GBDT模型训练后可以获得N颗决策树。

其中，决策树的棵数N由训练过程中配置的决策树个数参数控制。

其中，对N颗决策树中的每一颗树的叶子节点都进行编号，例如第n颗决策树的第m个叶子节点为(n，m)。对每条训练数据，每棵树都会有一个叶子节点输出该条训练数据的接单概率，如果接单概率大于指定阈值，则将对应的叶子节点的结果标记为1，否者为0。

假设用N颗树的叶子节点的输出获得一个N*M属性向量，其中M为叶子节点数最多的决策树的叶子节点个数。

其中，如果第n棵树的第m个叶子节点判别训练数据的标记为1，则第((n-1)*M+m)位元素为1，否者为0，不输出结果的叶子节点对应的元素为0。如果某决策树的叶子节点数低于M，超出叶子节点个数后面的元素用0补足缺失的叶子节点。

S43，利用逻辑回归模型，训练数据对应的属性向量和训练数据的接单结果进行训练，以生成接单预测模型。

也就是说，通过逻辑回归模型，对训练数据对应的属性向量和属性向量对应的订单是否被接的真实标记进行训练，以生成接单预测模型。

为了实现上述实施例，本发明还提出一种提供叫车服务的装置。

图5为根据本发明一个实施例的提供叫车服务的装置的结构示意图。

如图5所示，根据本发明实施例的提供叫车服务的装置包括获取模块110和预估模块120，其中：

获取模块110用于根据用户的当前叫车请求获取多个服务车辆的司机信息。

其中，当前叫车请求包括订单信息。

其中，订单信息可以包括但不限于订单的起点位置、订单的终点位置、订单出发时间、订单的车辆类型、订单起点终点之间的距离、订单预计价格、订单预计价格与所有订单平均价格比、订单预计行驶时间、订单预计行驶速度与所有订单平均行驶速度比、是否穿越拥堵区域、用户性别等信息。

其中，订单的起终点位置需要转化为区域编码，转化成区域编码的方式有多种，例如，可以是geohash(其中，geohash用一个字符串表示经度和纬度两个坐标)，也可以是按照经纬度划分为矩形或者六边形等形状的区块，然后分别对不同的区块赋予不同的标识id或者编码。

其中，需要理解的是，订单的出发时间包含多个维度，包括是否上午，是否下午，是否晚上，是否后半夜，星期，小时，是否周末等。

其中，司机信息可以包括但不限司机性别、车辆类型、当前移动速度、当前位置、接人行驶距离、预期接人行驶时间、历史推单接单比、过去一周推单接单比、司机历史平均在线时长、司机过去一周平均在线时长、司机过去一周内推单次数、司机过去一周内接单次数等信息。

预估模块120用于采用预先训练的接单预测模型，根据订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

在本发明的一个实施例中，在图5所示的基础上，如图6所示，预估模块120包括生成单元121和预测单元122，其中：

生成单元121用于根据订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

预测单元122用于根据预先训练的接单预测模型和每个服务车辆的属性向量预测每个服务车辆的接单概率。

在本发明的一个实施例中，生成单元121具体用于：采用随机森林模型，根据订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

在本发明的另一个实施例中，生成单元121具体用于：采用梯度提升决策树GBDT模型，根据订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

在本发明的一个实施例中，为了获取能够为用户服务的目标服务车辆，在5所示的基础上，如图7所示，该装置还包括选取模块130和派单模块140，其中：

选取模块130根据每个服务车辆的接单概率从多个服务车辆中选取目标服务车辆。

派单模块140用于将当前叫车请求派送给目标服务车辆。

在本发明的一个实施例中，选取模块130具体用于：针对每个服务车辆，判断当前服务车辆的接单概率是否大于预设阈值；如果判断当前服务车辆的接单概率大于预设阈值，则确定当前服务车辆为目标服务车辆。

其中，需要说明的是，前述图7所示的装置实施例中的选取模块130和派单模块140的结构还可以包括在图6所示的装置实施例中，该实施例对此不作限定。

其中，需要说明的是，前述对提供叫车服务的方法的解释说明也适用于该实施例的提供叫车服务的装置，此处不再赘述。

本发明实施例的提供叫车服务的装置，根据用户的当前叫车请求获取多个服务车辆的司机信息，并采用预先训练的接单预测模型，根据订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。由此，综合订单信息和司机信息准确预估出每个服务车辆的接单概率。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种提供叫车服务的方法，其特征在于，包括以下步骤：

根据用户的当前叫车请求获取多个服务车辆的司机信息，其中，所述当前叫车请求包括订单信息；

采用预先训练的接单预测模型，根据所述订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

2.如权利要求1所述的方法，其特征在于，所述采用预先训练的接单预测模型，根据所述订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率，包括：

根据所述订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量；

根据预先训练的接单预测模型和每个服务车辆的属性向量预测每个服务车辆的接单概率。

3.如权利要求2所述的方法，其特征在于，在所述根据预先训练的接单预测模型和每个服务车辆的属性向量预测每个服务车辆的接单概率之后，还包括：

根据所述每个服务车辆的接单概率从所述多个服务车辆中选取目标服务车辆；

将所述当前叫车请求派送给所述目标服务车辆。

4.如权利要求3所述的方法，其特征在于，所述根据所述每个服务车辆的接单概率从所述多个服务车辆中选取目标服务车辆，包括：

针对每个服务车辆，判断当前服务车辆的接单概率是否大于预设阈值；

如果判断当前服务车辆的接单概率大于预设阈值，则确定所述当前服务车辆为所述目标服务车辆。

5.如权利要求2所述的方法，其特征在于，所述根据所述订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量，包括：

采用随机森林模型，根据所述订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

6.如权利要求2所述的方法，其特征在于，所述根据所述订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量，包括：

采用梯度提升决策树GBDT模型，根据所述订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

7.一种提供叫车服务的装置，其特征在于，包括：

获取模块，用于根据用户的当前叫车请求获取多个服务车辆的司机信息，其中，所述当前叫车请求包括订单信息；

预估模块，用于采用预先训练的接单预测模型，根据所述订单信息和每个服务车辆的司机信息预估每个服务车辆的接单概率。

8.如权利要求7所述的装置，其特征在于，所述预估模块，包括：

生成单元，用于根据所述订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量；

预测单元，用于根据预先训练的接单预测模型和每个服务车辆的属性向量预测每个服务车辆的接单概率。

9.如权利要求8所述的装置，其特征在于，还包括：

选取模块，根据所述每个服务车辆的接单概率从所述多个服务车辆中选取目标服务车辆；

派单模块，用于将所述当前叫车请求派送给所述目标服务车辆。

10.如权利要求9所述的装置，其特征在于，所述选取模块，具体用于：

针对每个服务车辆，判断当前服务车辆的接单概率是否大于预设阈值；

如果判断当前服务车辆的接单概率大于预设阈值，则确定所述当前服务车辆为所述目标服务车辆。

11.如权利要求8所述的装置，其特征在于，所述生成单元，具体用于：

采用随机森林模型，根据所述订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。

12.如权利要求8所述的装置，其特征在于，所述生成单元，具体用于：

采用梯度提升决策树GBDT模型，根据所述订单信息和每个服务车辆的司机信息生成每个服务车辆的属性向量。