技术领域
[0001] 本
申请涉及
机器学习技术领域，具体而言，涉及一种下单转化率预测方法和装置。
背景技术
[0002] 对于网约车平台而言，对乘客的下单意愿作出准确、合理的测算是十分重要的。掌握了乘客的下单意愿，可以帮助网约车平台更加了解自己的客户，进行可以在此
基础上进行一系列的促进活动，增强平台的竞争
力，提升用户活跃度。
[0003] 目前，一般是根据最近一段时间内用户通过网约车平台下单的历史情况来统计该用户的下单意愿的，但是，因为单个用户历史下单数据少，按照这种方式测算用户下单意愿，经常会存在统计片面、测算不准确的问题。
发明内容
[0004] 有鉴于此，本申请
实施例的目的在于提供一种下单转化率预测方法和装置，能够提高对用户发生冒泡行为时的下单转化率进行更加准确的预测。
[0005] 第一方面，本申请实施例提供了一种下单转化率预测方法，包括：
[0006] 获取样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率；所述冒泡行为特征信息中包含与冒泡行为对应的订单预估价格；
[0007] 基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率
预测模型；
[0008] 基于所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率。
[0009] 结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中：根据以下步骤确定与不同价格区间对应的下单转化率：
[0010] 根据每次冒泡行为对应的订单预估价格所落入的价格区间，将样本用户的冒泡行为划分到与所述价格区间对应的分类；
[0011] 确定各分类中的冒泡行为转化为实际订单的次数；
[0012] 根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
[0013] 结合第一方面的第一种可能的实施方式中，本申请实施例提供了第一方面的第二种可能的实施方式，其中：所述获取样本用户的冒泡行为特征信息，包括：
[0014] 在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
[0015] 结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中：所述基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型，包括：
[0016] 确定进行下单转化率预测所基于的基础预测模型；
[0017] 将每次冒泡行为的所述冒泡行为特征信息作为所述基础预测模型的解释变量的值，将该次冒泡行为所属的价格区间对应的下单转化率作为被解释变量的值，训练得到所述下单转化率预测模型。
[0018] 结合第一方面的第三种可能的实施方式中，本申请实施例提供了第一方面的第四种可能的实施方式，其中：所述基础预测模型采用逻辑回归模型、
自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、
深度学习模型、
决策树模型中任意一种。
[0019] 结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中：该方法还包括：确定多个区域范围；
[0020] 所述获取样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率，包括：
[0021] 针对所述多个区域范围，获取每个区域范围内的样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率；
[0022] 基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型，包括：
[0023] 针对每个区域范围，基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练与改区域范围分别对应的下单转化率预测模型；
[0024] 基于所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率，包括：
[0025] 基于待预测用户所在区域范围对应的所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率。
[0026] 结合第一方面的第五种可能的实施方式中，本申请实施例提供了第一方面的第六种可能的实施方式，其中：所述确定多个区域范围包括：
[0027] 获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
[0028] 基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
[0029] 结合第一方面的第六种可能的实施方式中，本申请实施例提供了第一方面的第七种可能的实施方式，其中：所述基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围，具体包括：
[0030] 对所述冒泡地点进行聚类，得到至少一个类；
[0031] 基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
[0032] 结合第一方面的第五、第六、第七中任意一种可能的实施方式中，本申请实施例提供了第一方面的第八种可能的实施方式，其中：所述确定多个区域范围之后，还包括：
[0033] 确定所述多个区域范围中每个区域范围对应的冒泡行为的数量；
[0034] 根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类；
[0035] 基于每个分类包括的区域范围内，所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
[0036] 结合第一方面，本申请实施例提供了第一方面的第九种可能的实施方式，其中：还包括：获取测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率；
[0037] 基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证。
[0038] 结合第一方面的第九种可能的实施方式中，本申请实施例提供了第一方面的第十种可能的实施方式，其中：所述基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证，包括：
[0039] 将所述测试用户的冒泡行为特征信息输入至训练后的所述下单转化率预测模型，获得测试下单转化率；
[0040] 基于所述测试下单转化率与所述目标下单转化率计算预测损失；
[0041] 针对测试损失大于预设损失
阈值的情况，将所述测试用户的冒泡行为特征信息和所述样本用户的冒泡行为特征信息作为新的冒泡行为特征信息，返回基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
[0042] 结合第一方面的第十种可能的实施方式中，本申请实施例提供了第一方面的第十一种可能的实施方式，其中：所述基于所述测试下单转化率与所述目标下单转化率计算预测损失，包括：
[0043] 计算所述目标下单转化率与所述测试下单转化率不一致时的冒泡行为的数量；
[0044] 将所述目标下单转化率与所述测试下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
[0045] 结合第一方面，本申请实施例提供了第一方面的第十二种可能的实施方式，其中：所述冒泡行为特征信息还包括：
[0046] 冒泡
频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段中至少一项。
[0047] 结合第一方面的第十二种可能的实施方式中，本申请实施例提供了第一方面的第十三种可能的实施方式，其中：针对所述冒泡行为特征信息包括冒泡频率的情况，采用下述步骤获取所述冒泡频率：
[0048] 针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
[0049] 基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
[0050] 基于所述平均间隔时间确定所述冒泡频率。
[0051] 结合第一方面的第十二种可能的实施方式中，本申请实施例提供了第一方面的第十四种可能的实施方式，其中：针对所述冒泡行为特征信息包括冒泡次数的周期性变化量的情况，采用下述步骤获取所述冒泡次数的周期性变化量：
[0052] 针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
[0053] 根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
[0054] 基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
[0055] 结合第一方面的第十二种可能的实施方式中，本申请实施例提供了第一方面的第十五种可能的实施方式，其中：
[0056] 针对所述冒泡行为特征信息包括下单的周期性变化量的情况，采用下述步骤获取所述下单的周期性变化量：
[0057] 针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
[0058] 根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
[0059] 基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
[0060] 第二方面，本申请实施例还提供一种下单转化率预测装置，该装置包括：
[0061] 获取模
块，用于获取样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率；所述冒泡行为特征信息中包含与冒泡行为对应的订单预估价格；
[0062] 训练模块，用于基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型；
[0063] 预测模块，用于基于所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率。
[0064] 结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中：所述获取模块，用于根据以下步骤确定与不同价格区间对应的下单转化率：
[0065] 根据每次冒泡行为对应的订单预估价格所落入的价格区间，将样本用户的冒泡行为划分到与所述价格区间对应的分类；
[0066] 确定各分类中的冒泡行为转化为实际订单的次数；
[0067] 根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
[0068] 结合第二方面的第一种可能的实施方式中，本申请实施例提供了第二方面的第二种可能的实施方式，其中：所述获取模块，用于根据以下步骤所述获取样本用户的冒泡行为特征信息，包括：
[0069] 在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
[0070] 结合第二方面，本申请实施例提供了第二方面的第三种可能的实施方式，其中：所述训练模块，用于根据下述步骤基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型：
[0071] 确定进行下单转化率预测所基于的基础预测模型；
[0072] 将每次冒泡行为的所述冒泡行为特征信息作为所述基础预测模型的解释变量的值，将该次冒泡行为所属的价格区间对应的下单转化率作为被解释变量的值，训练得到所述下单转化率预测模型。
[0073] 结合第二方面的第三种可能的实施方式中，本申请实施例提供了第二方面的第四种可能的实施方式，其中：所述基础预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
[0074] 结合第二方面，本申请实施例提供了第二方面的第五种可能的实施方式，其中：该装置还包括：区域范围确定模块，用于确定多个区域范围；
[0075] 所述获取模块，用于针对所述多个区域范围，获取每个区域范围内的样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率；
[0076] 所述训练模块，用于针对每个区域范围，基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练与改区域范围分别对应的下单转化率预测模型；
[0077] 所述预测模块，用于基于待预测用户所在区域范围对应的所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率。
[0078] 结合第二方面的第五种可能的实施方式中，本申请实施例提供了第二方面的第六种可能的实施方式，其中：所述区域范围确定模块，用于通过下述步骤确定多个区域范围包括：
[0079] 获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
[0080] 基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
[0081] 结合第二方面的第六种可能的实施方式中，本申请实施例提供了第二方面的第七种可能的实施方式，其中：所述区域范围确定模块，用于通过下述步骤基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围：
[0082] 对所述冒泡地点进行聚类，得到至少一个类；
[0083] 基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
[0084] 结合第二方面的第五、第六、第七中任意一种可能的实施方式中，本申请实施例提供了第二方面的第八种可能的实施方式，其中：所述区域范围确定模块，还用于在确定多个区域范围之后：
[0085] 确定所述多个区域范围中每个区域范围对应的冒泡行为的数量；
[0086] 根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类；
[0087] 所述预测模块，用于基于每个分类包括的区域范围内，所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
[0088] 结合第二方面，本申请实施例提供了第二方面的第九种可能的实施方式，其中：还包括：验证模块，用于获取测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率；
[0089] 基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证。
[0090] 结合第二方面的第九种可能的实施方式中，本申请实施例提供了第二方面的第十种可能的实施方式，其中：所述验证模块，用于通过下述步骤基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证：
[0091] 将所述测试用户的冒泡行为特征信息输入至训练后的所述下单转化率预测模型，获得测试下单转化率；
[0092] 基于所述测试下单转化率与所述目标下单转化率计算预测损失；
[0093] 针对测试损失大于预设损失阈值的情况，将所述测试用户的冒泡行为特征信息和所述样本用户的冒泡行为特征信息作为新的冒泡行为特征信息，返回基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
[0094] 结合第二方面的第十种可能的实施方式中，本申请实施例提供了第二方面的第十一种可能的实施方式，其中：所述验证模块，用于通过下述步骤基于所述测试下单转化率与所述目标下单转化率计算预测损失：
[0095] 计算所述目标下单转化率与所述测试下单转化率不一致时的冒泡行为的数量；
[0096] 将所述目标下单转化率与所述测试下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
[0097] 结合第二方面，本申请实施例提供了第二方面的第十二种可能的实施方式，其中：所述冒泡行为特征信息还包括：
[0098] 冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段中至少一项。
[0099] 结合第二方面的第十二种可能的实施方式中，本申请实施例提供了第二方面的第十三种可能的实施方式，其中：针对所述冒泡行为特征信息包括冒泡频率的情况，[0100] 所述获取模块，用于采用下述步骤获取所述冒泡频率：
[0101] 针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
[0102] 基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
[0103] 基于所述平均间隔时间确定所述冒泡频率。
[0104] 结合第二方面的第十二种可能的实施方式中，本申请实施例提供了第二方面的第十四种可能的实施方式，其中：针对所述冒泡行为特征信息包括冒泡次数的周期性变化量的情况，
[0105] 所述获取模块，用于采用下述步骤获取所述冒泡次数的周期性变化量：
[0106] 针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
[0107] 根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
[0108] 基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
[0109] 结合第二方面的第十二种可能的实施方式中，本申请实施例提供了第二方面的第十五种可能的实施方式，其中：针对所述冒泡行为特征信息包括下单的周期性变化量的情况，
[0110] 所述获取模块，用于采用下述步骤获取所述下单的周期性变化量：
[0111] 针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
[0112] 根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
[0113] 基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
[0114] 第三方面，本申请实施例提供了一种
电子设备，包括：处理器、
存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面任一所述的下单转化率预测方法。
[0115] 第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有
计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的下单转化率预测方法。
[0116] 本申请实施例通过获取样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率，并基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型；当需要对待预测用户发生冒泡行为时的下单转化率进行预测时，基于所述下单转化率预测模型，将待预测用户的冒泡行为特征信息输入至该下单转化率预测模型，获得对应的预测结果，从而预测得到所述待预测用户在发生冒泡行为时的下单转化率。在上述过程中，下单转化率预测模型是基于
大数据训练得到，能够在对模型进行训练的过程中，使得模型学习到样本用户的共性特征，使用这种下单转化率预测模型对用户的下单转化率进行预测，具有更高的准确性。
[0117] 另外，下单转化率预测模型可以一次训练，多次使用；在使用下单转化率预测模型对待预测用户的下单转化率进行预测时，只需要获得待预测用户的冒泡行为特征信息，并基于下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到待预测用户在发生冒泡行为时的下单转化率，计算量少，节省计算资源。
[0118] 为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附
附图，作详细说明如下。
附图说明
[0119] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0120] 图1示出了本申请实施例所提供的一种下单转化率预测方法的
流程图；
[0121] 图2示出了本申请实施例所提供的下单转化率预测方法中，确定不同价格区间对应的下单转化率的具体方法的流程图；
[0122] 图3示出了本申请实施例所提供的下单转化率预测方法中，对训练得到的下单转化率预测模型进行测试的具体方法的流程图；
[0123] 图4示出了本申请实施例所提供的另一种下单转化率预测方法的流程图；
[0124] 图5示出了本申请实施例所提供的下单转化率预测方法中，预测得到所述待预测用户在发生冒泡行为时的下单转化率的具体方法的流程图；
[0125] 图6示出了本申请实施例所提供的另一种下单转化率预测方法的流程图；
[0126] 图7示出了本申请实施例所提供的一种下单转化率预测装置的结构示意图；
[0127] 图8示出了本申请实施例所提供的另一种下单转化率预测装置的结构示意图；
[0128] 图9示出了本申请实施例所提供的一种计算机设备的结构示意图。
具体实施方式
[0129] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的
选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0130] 目前在对用户的下单转化率进行预测的时候，一般是基于待预测用户距离当前一定时间段内通过网约车平台下单的具体情况来实现的。这会造成如下几个问题：单一用户的历史下单的数据基础量过少，无法基于这些较少的数据对用户的下单转化率进行较为准确的预测；其二，在预测
时针对每个用户都要获取一次该用户的历史下单数据，这对于庞大的用户群体来说，是较为耗费计算资源的。基于此，本申请提供的一种下单转化率预测方法和装置，可以提升对用户下单转化率预测的准确性，并且降低计算资源。
[0131] 为便于对本实施例进行理解，首先对本申请实施例所公开的一种下单转化率预测方法进行详细介绍，该下单转化率预测方法可以用于对用户通过网约车平台约车、代驾预约等价格弹性的预测。
[0132] 下面以用户通过网约车平台预约代驾业务为例，对本申请实施例提供的下单转化率预测方法加以说明。
[0133] 参见图1所示，本申请实施例提供一种下单转化率预测方法，该方法包括：
[0134] S101：获取样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率；所述冒泡行为特征信息中包含与冒泡行为对应的订单预估价格。
[0135] 在具体实现的时候，当用户通过客户端向网约车平台发送了出行信息时，该用户的行为即为冒泡行为。在出行信息中，一般携带有出行时间、出行的出发地、目的地等信息。网约车平台基于一定的计价方法，根据出行信息进行预估计价，获得用户此次出行需要支付的订单预估价格，并将订单预估价格发送给客户端，通过客户端展示给用户，以供客户选择是否要向网约车平台发送订单。在用户选择向网约车平台发送订单时，客户端会生成对应的代驾订单，并将代驾订单发送给网约车平台；网约车平台在接收到客户端发送的代驾订单后，会根据一定的调度规则，为该订单调度司机。在这个过程中，用户从冒泡行为到通过客户端向网约车发送订单的概率，即为本申请实施例中的下单转化率。
[0136] 为了保证样本的准确性，样本用户可以是已经通过网约车平台多次购买代驾服务的用户。例如，可以通过用户在网约车平台的注册时间来从所有用户中筛选样本用户；也可以通过用户在预设时间段内从网约车平台购买代驾服务的次数从所有用户中筛选样本用户。
[0137] 可以将筛选的样本用户的所有冒泡行为作为本申请的目标冒泡行为，并获取目标冒泡行为的冒泡行为特征信息。
[0138] 另外，随着时间的推移和经济的发展，用户的收入
水平在不断的发生变化；而收入不同，也会影响用户对消费水平的接受程度；因此，为了提高预测的准确度，可以将样本用户在距离当前时刻一定时间内的冒泡行为作为样本用户的目标冒泡行为，并根据所确定的样本用户的目标冒泡行为，获得样本用户的冒泡行为特征信息。
[0139] 例如，将距离当前时刻一年之前注册，且当前仍然处于活跃状态，在距离当前时刻一年以内购买代驾服务达到20次的用户确定为样本用户。并将该样本用户在距离当前时刻一年内所有的冒泡行为都作为本申请的目标冒泡行为，获取目标冒泡行为的冒泡行为特征信息，以及与不同价格区间对应的下单转化率。
[0140] 在本申请中，冒泡行为特征信息至少包括与冒泡行为对应的订单预估价格。
[0141] 具体地，本申请实施例还提供一种获取样本用户的冒泡行为特征信息的具体方法，包括：
[0142] 在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
[0143] 另外，参见图2所示，本申请实施例提供一种确定不同价格区间对应的下单转化率的具体实施方式，包括：
[0144] S201：根据每次冒泡行为对应的订单预估价格所落入的价格区间，将样本用户的冒泡行为划分到与所述价格区间对应的分类。
[0145] S202：确定各分类中的冒泡行为转化为实际订单的次数；
[0146] S203：根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
[0147] 在具体实现的时候，价格区间可以根据实际的需要进行具体的设定。例如价格区间的最大值和最小值之间的差值设置成为1元；同时，为了保证网约车平台的运营，一般还设置有起步价；例如此时起步价为20元，则最终得到的价格区间为：[20,21]、(22,23]、(23,24]、……、[199,200]、……。
[0148] 每个价格区间会对应一个分类。当用户发生冒泡行为时，网约车平台会为该用户生成一订单预估价格，然后根据用户每次冒泡行为对应的订单预估价格所落入的价格区间，将所获得的用户的冒泡行为划分到与价格区间对应的分类中。
[0149] 此时，需要注意的是，不同价格区间对应的下单转化率，一般是针对每一个样本用户，都获取该用户在不同价格区间对应的下单转化率。然后根据多个样本用户的冒泡行为特征信息以及与不同价格区间对应的下单转化率，获得多个样本用户下单转化率的共性，训练下单转化率预测模型。
[0150] 例如，样本用户甲某在距离当前时刻一年内预估订单价格落入某价格区间中冒泡行为的次数为21次，这20次冒泡行为中，转化为实际订单的次数为17次，则可以将冒泡行为转化为实际订单的次数与冒泡行为的次数作为该价格区间对应的分类中各冒泡行为对应的下单转化率，也即：17除以20，为85％。
[0151] 另外，在本申请另一实施例中，所述冒泡行为特征信息还包括：
[0152] 冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日的下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段、冒泡中至少一项。
[0153] (1)、针对所述冒泡行为特征信息包括冒泡频率的情况，采用下述步骤获取所述冒泡频率：
[0154] 针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
[0155] 基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
[0156] 基于所述平均间隔时间确定所述冒泡频率。
[0157] (2)、针对所述冒泡行为特征信息包括冒泡次数的周期性变化量的情况，这里的周期可以根据实际的需要以及预设历史时间段的长度进行具体的设定；例如，假若预设历史时间段的长度为1个月，则可以将这里的周期设置为1周、10天、15天等；假若预设历史时间段的长度为3个月，则可以将这里的周期设置为1周、2周、1个月、10天、15天、20天等。周期性变化量可以通过冒泡行为的此处来表征，也可以通过冒泡行为次数的变化率来表征。
[0158] 且周期性变化量的数量，根据预设历史时间段的长度和周期相关；例如假若预设历史时间长度为3个月，周期为1个月，则周期性变化量的数量为2；假若预设历史时间长度为1个月，周期为1周，则周期性变化量的数量为3。
[0159] 采用下述步骤获取所述冒泡次数的周期性变化量：
[0160] 针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
[0161] 根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
[0162] 基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
[0163] (3)、针对所述冒泡行为特征信息包括下单的周期性变化量的情况，下单的周期性变化量，和上述冒泡次数的周期性变化量类似。具体地，可以通过下述步骤获取下单的周期性变化量：
[0164] 针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
[0165] 根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
[0166] 基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
[0167] (4)、针对所述冒泡行为特征信息包括累计下单数的情况，是指该样本用户发生冒泡行为，并将冒泡行为转化为下单的总次数。
[0168] 具体地，可以通过下述步骤获取累计下单数：
[0169] 针对每一样本用户，获取该用户的目标冒泡行为转化为下单行为的总数量；
[0170] 将确定标冒泡行为转化为下单行为的总数量，作为所述累计下单数。
[0171] (5)、针对所述冒泡行为特征信息包括工作日冒泡总量的情况，是指发生在工作日的冒泡行为的总数量。
[0172] 具体地，可以通过下述步骤获取工作日冒泡总量：
[0173] 在用户发生冒泡行为时，记录冒泡行为发生的时间。
[0174] 根据每次冒泡行为发生的时间，确定发生在工作日的冒泡行为的总数量；
[0175] 将确定的发生在工作日的冒泡行为的总数量确定为工作日冒泡总量。
[0176] (6)、针对所述冒泡行为特征信息包括工作日下单总量的情况，是指发生在工作日冒泡行为转化为下单行为的总数量。
[0177] 具体地，可以通过下述步骤获取工作日下单总量：
[0178] 在用户发生冒泡行为转化为下单行为时，记录下单行为发生的时间。
[0179] 根据每次下单行为发生的时间，确发生在工作日冒泡行为转化为下单行为的总数量；
[0180] 将确定的发生在工作日冒泡行为转化为下单行为的总数量确定为工作日下单总量。
[0181] (7)、针对所述冒泡行为特征信息包括周末冒泡总量的情况，是指发生在周末的冒泡行为的总数量。获得的具体方法与上述5类似，在此不再赘述。
[0182] (8)、针对所述冒泡行为特征信息包括周末下单总量的情况，指发生在周末冒泡行为转化为下单行为的总数量。
[0183] 获得的具体方法与上述6类似，在此不再赘述。
[0184] (9)、针对所述冒泡行为特征信息包括冒泡行为发生的时间段的情况，时间段可以预先设定，例如在购买代驾服务的高峰期设置为一时间段，将平峰期设置一时间段，并将低谷期设置为一时间段，然后确定冒泡行为发生时所落入的时间段。
[0185] 在获取了样本用户的冒泡行为特征信息以及与不同价格区间对应的下单转化率后，本申请实施例提供的下单转化率预测方法还包括：
[0186] S102：基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型。
[0187] 在具体实现的时候，为了实现对下单转化率预测模型的训练，首先要确定进行用户流失概率预测所基于的基础预测模型。之后，将所述冒泡行为特征信息作为所述基础预测模型的解释变量的值，将所述不同价格区间对应的下单转化率作为所述基础预测模型的被解释变量的值，训练与每个区域范围分别对应的下单转化率预测模型。
[0188] 此处，需要注意的是，基础预测模型中的解释变量，可以包括：与冒泡行为对应的订单预估价格，与冒泡行为对应的订单预估价格的
变形，如订单预估价格的平方、订单预估价格的导数、订单预估价格的对数、订单预估价格的开根号等中一项或者多项。
[0189] 可选地，基础预测模型可以采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
[0190] 针对不同的基础预测模型，具有不同的模型训练方法。但是其原理是类似的。
[0191] 例如对于逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型而言，训练模型的过程，实际上是使用获取的冒泡行为特征信息和所述不同价格区间对应的下单转化率求解模型中未知参数的过程。
[0192] 其中，基础预测模型中的参数可以为：与每个解释变量对应的权重系数，和附加系数。对模型训练的过程，即为对权重系数和附加系数进行求解的过程，也即：将多个所述样本用户的所述冒泡行为特征信息作为解释变量的值，将与每个样本用户对应的不同价格区间对应的下单转化率作为被解释变量的值，计算所述下单转化率预测模型中各个解释变量的权重系数和所述下单转化率预测模型的附加系数，得到训练后的下单转化率预测模型。
[0193] 具体地，在训练下单转化率预测模型的时候，可以将订单预估价格构成解释变量矩阵，并将每个解释变量的参数构成参数矩阵，将不同价格区间对应的下单转化率构成被解释变量矩阵，其中，解释变量矩阵的列表征各个冒泡行为特征信息，解释变量的行表征每个样本用户；参数矩阵的行表征不同解释变量对应的参数。被解释变量矩阵的行表征每个样本用户对应的流失结果。然后基于构成的解释变量矩阵、参数矩阵以及被解释变量矩阵，将冒泡行为特征信息作为解释变量矩阵中各个元素的值，并将不同价格区间对应的下单转化率作为被解释变量矩阵中各个元素的值，对参数矩阵进行求解，从而得到下单转化率预测模型。
[0194] 针对深度学习模型而言，需要预先构建深度学习网络，然后将样本用户的冒泡行为特征信息作为深度学习网络的输入，以及所述样本用户在不同价格区间对应的下单转化率作为参考结果，对深度学习网络进行有监督的训练，得到用户下单转化率预测模型。
[0195] 针对决策树模型而言，训练模型的过程，实际上是使用获取的冒泡行为特征信息和不同价格区间对应的下单转化率构建决策树的过程。
[0196] 另外，在本申请实施例中，为了保证下单转化率预测模型精确度，在基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型之后，还包括：对训练得到的下单转化率预测模型进行测试的过程。
[0197] 参见图3所示，本申请实施例提供的下单转化率预测中对训练得到的下单转化率预测模型进行测试的过程具体包括：
[0198] S301：获取测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率；
[0199] S302：基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证。
[0200] 在具体实现的时候，测试用户与样本用户应当是具有类似或者相同特征的用户，例如是基于相同的筛选方法，从用户中筛选得到的。基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证的，就是要将测试用户的冒泡行为特征信息输入至训练后的下单转化率预测模型，得到对应的下单转化率预测结果，并检测所得到的下单转化率预测结果以及用户冒泡行为对应的目标下单转化率是否一致的过程。
[0201] 具体地，本申请实施例还提供一种基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证的具体方法，包括：
[0202] 将所述测试用户的冒泡行为特征信息输入至训练后的所述下单转化率预测模型，获得测试下单转化率；
[0203] 基于所述测试下单转化率与所述目标下单转化率计算预测损失；
[0204] 针对测试损失大于预设损失阈值的情况，将所述测试用户的冒泡行为特征信息和所述样本用户的冒泡行为特征信息作为新的冒泡行为特征信息，返回基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
[0205] 此处，预测损失是指测试下单转化率与目标下单转化率不同的具体。预测损失越大，则表征训练后的下单转化率预测模型的
精度越低，泛化能力也越低；预测损失越小，则表征训练后的下单转化率预测模型的精度越改，泛化能力越强。
[0206] 具体地，可以通过下述步骤计算预测损失：计算所述目标下单转化率与所述测试下单转化率不一致时的冒泡行为的数量；
[0207] 将所述目标下单转化率与所述测试下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
[0208] 如此，经过对训练后的所述下单转化率预测模型的测试，若不满足要求，则重新对下单转化率预测模型进行训练，若满足要求，则将测试后的下单转化率预测模型作为对待预测用户的下单转化率预测时所使用的下单转化率预测模型使用。
[0209] 在基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型后，就能够基于单转化率预测模型，对待预测用户在发生冒泡行为时的下单转化率进行预测，本申请实施例提供的下单转化率预测方法还包括：
[0210] S103：基于所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率。
[0211] 在具体实现的时候，在对待预测用户发生冒泡行为时的下单转化率进行预测，就是将待预测用户的冒泡行为特征信息输入至下单转化率预测模型，使用该模型获得待预测用户的下单转化率。
[0212] 网约车平台在基于下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率后，还可以将得到的下单转化率和预设的转化率阈值进行比对；若所述下单转化率低于该预设的转化率阈值，根据所述待预测用户的冒泡行为对应的订单的当前价格，和预设的价格调整范围，调整所述订单的价格，以提升用户下单的概率，增加用户对网约车平台的粘性，增加网约车平台的业务量。
[0213] 本申请实施例通过获取样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率，并基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型；当需要对待预测用户发生冒泡行为时的下单转化率进行预测时，基于所述下单转化率预测模型，将待预测用户的冒泡行为特征信息输入至该下单转化率预测模型，获得对应的预测结果，从而预测得到所述待预测用户在发生冒泡行为时的下单转化率。在上述过程中，下单转化率预测模型是基于大数据训练得到，能够在对模型进行训练的过程中，使得模型学习到样本用户的共性特征，使用这种下单转化率预测模型对用户的下单转化率进行预测，具有更高的准确性。
[0214] 另外，下单转化率预测模型可以一次训练，多次使用；在使用下单转化率预测模型对待预测用户的下单转化率进行预测时，只需要获得待预测用户的冒泡行为特征信息，并基于下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到待预测用户在发生冒泡行为时的下单转化率，计算量少，节省计算资源。
[0215] 参见图4所示，本申请实施例还提供另外一种下单转化率预测方法，该方法包括：
[0216] S401：确定多个区域范围。
[0217] S402：针对所述多个区域范围，获取每个区域范围内的样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率；
[0218] S403：针对每个区域范围，基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练与改区域范围分别对应的下单转化率预测模型。
[0219] S404：基于待预测用户所在区域范围对应的所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率。
[0220] 在具体实现的时候，由于在同一时期，用户所处的区域范围不同，导致用户的消费水准也不相同，因此，本申请实施例还可以针对不同区域范围的用户来训练得到下单转化率预测模型，在对用户的下单转化率进行预测时，基于永不所在区域范围对应的下单转化率预测模型进行。
[0221] 区域范围可以根据实际的需要进行具体的设定。针对不同的区域范围，由于区域范围内各种因素的差异，会导致用户对代驾服务的购买情况有所差别。例如对于交通状况、区域范围的大小、用户习惯、用户收入等因素的差异，导致了不同区域范围的用户购买代驾服务的接受程度是不同的。由于这种差异的存在，如果使用相同的方法去确定不同区域用户的在发生冒泡行为时的下单转化率，明显是不准确的，因此，本申请实施例是针对不同的区域范围分别训练用户流失概率预测模型。
[0222] 区域范围在设定的时候，可以依据行政区域的划分得到不同的区域范围。例如以城市、地区为单位划分区域范围；对于较大的城市而言，城市中心和城市郊区的情况也会有所区别，因此也可以针对城市不同地区的繁华程度来进行区域范围的划分。而针对某些县级的小城镇，用户使用网约车出行的概率可能会非常低，为了减少计算量，这些将这些地区去除，也即，不会将这些小城镇作为本申请中的区域范围。
[0223] 另外，还可以使用样本用户集合中每个所述样本用户的冒泡行为的冒泡地点进行聚类的方式，获得多个区域范围。
[0224] 具体地，该方法包括：获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
[0225] 此处在根据每个冒泡行为对应的冒泡底单确定至少一个区域范围时，可以采用对所述冒泡地点进行聚类，得到至少一个类；基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
[0226] 在确定了区域范围后，就要从区域范围中选取样本用户。本用户一般选取所在区域范围比较稳定的用户；假如是某些所在区域范围经常会出现变化的用户而言，例如对于经常出差的用户而言，使用该用户作为样本用户对下单转化率预测模型进行训练，可能会降低训练所得的下单转化率预测模型的精度。
[0227] 具体地，属于某一区域范围的样本用户，是指用户在发生冒泡行为时所在地点落入在该区域范围内的用户。
[0228] 此处，参见图5所示，基于待预测用户所在区域范围对应的所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率时，可以采用下述步骤：
[0229] S501：确定所述待预测用户所属的区域范围。
[0230] 具体地，用户所属的区域范围，是根据用户的发生冒泡行为时所在地点的区域范围来确定的。
[0231] 具体地，可以通过下述步骤确定待预测用户所述的区域范围：
[0232] 获取待预测用户发生冒泡行为时的冒泡地点；
[0233] 确定待预测用户的冒泡地点落入的区域范围。
[0234] S502：基于与确定的区域范围对应的用户流失概率预测模型，以及所述待预测用户在发生冒泡行为时的冒泡行为特征信息，对所述待预测用户在的下单转化率进行预测。
[0235] 在本申请实施例中，要针对多个区域范围中的每一个区域范围都训练得到一个下单转化率预测模型；在实际情况中，有很多区域范围中用户使用网约车平台购买代驾服务的情况是比较类似的，因此在实际操作的时候，可以针对这些情况类似的多个区域范围进行一次模型训练过程，所得到的下单转化率预测模型就能够针这些情况类似的多个区域范围的用户进行下单转化率的预测。因此，在本申请另一实施例中,参见图6所示，本申请实施例提供的下单转化率预测方法中，在确定多个区域范围之后，还包括：
[0236] S601：确定所述多个区域范围中每个区域范围对应的冒泡行为的数量。
[0237] S602：根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类。
[0238] 具体地，在对区域范围进行分类的时候，可以将所述冒泡行为的数量落入同一数量区间的所述区域范围划分到与所述预设数量区间对应的分类中。
[0239] 此处，会预设多个数量区间；每个数量区间对应一个分类；数量区间的数量和大小可以根据实际的情况进行具体设定。
[0240] S603：基于每个分类包括的区域范围内，所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
[0241] 在针对每个分类所包括的区域范围进行下单转化率预测模型的训练时，可以使用该分类包括的区域范围所有样本用户的冒泡行为特征信息和不同价格区间对应的下单转化率，对下单转化率预测模型进行训练。所得到的下单转化率预测模型，能够用于预测与该分类所包括的所有区域范围的用户的下单转化率。
[0242] 基于同一发明构思，本申请实施例中还提供了与下单转化率预测方法对应的下单转化率预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述下单转化率预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0243] 本申请又一实施例还提供的下单转化率预测装置，参见图7所示，本申请实施例所提供的下单转化率预测装置包括：
[0244] 获取模块71，用于获取样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率；所述冒泡行为特征信息中包含与冒泡行为对应的订单预估价格；
[0245] 训练模块72，用于基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型；
[0246] 预测模块73，用于基于所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率。
[0247] 本申请实施例通过获取样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率，并基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型；当需要对待预测用户发生冒泡行为时的下单转化率进行预测时，基于所述下单转化率预测模型，将待预测用户的冒泡行为特征信息输入至该下单转化率预测模型，获得对应的预测结果，从而预测得到所述待预测用户在发生冒泡行为时的下单转化率。在上述过程中，下单转化率预测模型是基于大数据训练得到，能够在对模型进行训练的过程中，使得模型学习到样本用户的共性特征，使用这种下单转化率预测模型对用户的下单转化率进行预测，具有更高的准确性。
[0248] 另外，下单转化率预测模型可以一次训练，多次使用；在使用下单转化率预测模型对待预测用户的下单转化率进行预测时，只需要获得待预测用户的冒泡行为特征信息，并基于下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到待预测用户在发生冒泡行为时的下单转化率，计算量少，节省计算资源。
[0249] 可选地，所述获取模块71，用于根据以下步骤确定与不同价格区间对应的下单转化率：
[0250] 根据每次冒泡行为对应的订单预估价格所落入的价格区间，将样本用户的冒泡行为划分到与所述价格区间对应的分类；
[0251] 确定各分类中的冒泡行为转化为实际订单的次数；
[0252] 根据每个分类中所包括冒泡行为的次数，以及每个分类中的冒泡行为转化为实际订单的次数，计算归属于该分类的冒泡行为对应的下单转化率。
[0253] 可选地，所述获取模块71，用于根据以下步骤所述获取样本用户的冒泡行为特征信息，包括：
[0254] 在接收到样本用户的客户端发送的出行信息时，将所述客户端发送出行信息的行为作为冒泡行为进行记录，并根据所述出行信息，确定该次冒泡行为对应的订单预估价格。
[0255] 可选地，所述训练模块72，用于根据下述步骤基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型：
[0256] 确定进行下单转化率预测所基于的基础预测模型；
[0257] 将每次冒泡行为的所述冒泡行为特征信息作为所述基础预测模型的解释变量的值，将该次冒泡行为所属的价格区间对应的下单转化率作为被解释变量的值，训练得到所述下单转化率预测模型。
[0258] 可选地，所述基础预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
[0259] 可选地，参见图8所示，该装置还包括：区域范围确定模块74，用于确定多个区域范围；
[0260] 所述获取模块71，用于针对所述多个区域范围，获取每个区域范围内的样本用户的冒泡行为特征信息，以及与不同价格区间对应的下单转化率；
[0261] 所述训练模块72，用于针对每个区域范围，基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练与改区域范围分别对应的下单转化率预测模型；
[0262] 所述预测模块73，用于基于待预测用户所在区域范围对应的所述下单转化率预测模型，以及待预测用户的冒泡行为特征信息，预测得到所述待预测用户在发生冒泡行为时的下单转化率。
[0263] 可选地，所述区域范围确定模块74，用于通过下述步骤确定多个区域范围包括：
[0264] 获取样本用户集合中每个所述样本用户的冒泡行为的冒泡地点；
[0265] 基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围。
[0266] 可选地，所述区域范围确定模块74，用于通过下述步骤基于每个所述冒泡行为对应的冒泡地点，确定至少一个区域范围：
[0267] 对所述冒泡地点进行聚类，得到至少一个类；
[0268] 基于每个类包含的至少一个冒泡地点，确定与该类对应的一个区域范围。
[0269] 可选地，所述区域范围确定模块74，还用于在确定多个区域范围之后：
[0270] 确定所述多个区域范围中每个区域范围对应的冒泡行为的数量；
[0271] 根据所述每个区域范围对应的冒泡行为的数量，对所述多个区域范围进行分类；
[0272] 所述预测模块73，用于基于每个分类包括的区域范围内，所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练该分类内的各个区域范围对应的下单转化率预测模型。
[0273] 可选地，还包括：验证模块75，用于获取测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率；
[0274] 基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证。
[0275] 可选地，所述验证模块75，用于通过下述步骤基于测试用户的冒泡行为特征信息，以及与不同价格区间对应的目标下单转化率，对训练后的下单转化率预测模型进行验证：
[0276] 将所述测试用户的冒泡行为特征信息输入至训练后的所述下单转化率预测模型，获得测试下单转化率；
[0277] 基于所述测试下单转化率与所述目标下单转化率计算预测损失；
[0278] 针对测试损失大于预设损失阈值的情况，将所述测试用户的冒泡行为特征信息和所述样本用户的冒泡行为特征信息作为新的冒泡行为特征信息，返回基于所述冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型的步骤，直至预测损失不大于预设损失阈值。
[0279] 可选地，所述验证模块75，用于通过下述步骤基于所述测试下单转化率与所述目标下单转化率计算预测损失：
[0280] 计算所述目标下单转化率与所述测试下单转化率不一致时的冒泡行为的数量；
[0281] 将所述目标下单转化率与所述测试下单转化率不一致时的冒泡行为的数量，与所述测试用户的冒泡行为的总数量的比值作为所述测试损失。
[0282] 可选地，所述冒泡行为特征信息还包括：
[0283] 冒泡频率、冒泡次数的周期性变化量、下单的周期性变化量、累计下单数、工作日冒泡总量、工作日下单总量、周末冒泡总量、周末的下单总量、冒泡行为发生的时间段中至少一项。
[0284] 可选地，针对所述冒泡行为特征信息包括冒泡频率的情况，
[0285] 所述获取模块71，用于采用下述步骤获取所述冒泡频率：
[0286] 针对每个样本用户，获取该样本用户在预设历史时间段内所有冒泡行为的冒泡时间；
[0287] 基于所有冒泡行为对应的冒泡时间，计算相邻冒泡行为的平均间隔时间；
[0288] 基于所述平均间隔时间确定所述冒泡频率。
[0289] 可选地，针对所述冒泡行为特征信息包括冒泡次数的周期性变化量的情况，[0290] 所述获取模块71，用于采用下述步骤获取所述冒泡次数的周期性变化量：
[0291] 针对每个样本用户，获取该样本用户在预设历史时间段内的冒泡行为的发生时间；
[0292] 根据在所述预设历史时间段内的冒泡行为的发生时间，确定在所述预设历史时间段内的每个时间周期对应的冒泡行为的数量；
[0293] 基于每个时间周期对应的冒泡行为的数量，确定每相邻的两个时间周期内的冒泡次数的周期性变化量。
[0294] 可选地，针对所述冒泡行为特征信息包括下单的周期性变化量的情况，[0295] 所述获取模块71，用于采用下述步骤获取所述下单的周期性变化量：
[0296] 针对每个样本用户，获取该用户在预设历史时间段内的所有冒泡行为对应的下单转化信息；
[0297] 根据所有冒泡行为对应的下单转化信息，确定在所述预设历史时间段内的每个时间周期对应的下单数量；
[0298] 基于所述每个时间周期对应的下单数量，确定每相邻的两个时间周期内下单的周期性变化量。
[0299] 本实施例中，获取模块71、训练模块72、预测模块73、区域范围确定模块74和验证模块75的具体功能和交互方式，可参见图1至图6对应的实施例的记载，在此不再赘述。
[0300] 对应于图1中的下单转化率预测方法，本申请实施例还提供了一种计算机设备，如图9所示，该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序，其中，上述处理器2000执行上述计算机程序时实现上述下单转化率预测方法的步骤。
[0301] 具体地，上述存储器1000和处理器2000能够为通用的存储器和处理器，这里不做具体限定，当处理器2000运行存储器1000存储的计算机程序时，能够执行上述下单转化率预测方法，从而解决采
现有技术以用户距离对当前一段时间段内通过网约车平台购买代驾服务的具体情况来对用户的下单转化率进行预测所造成的准确率低的问题，能够基于样本用户的冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型，并根据该单转化率预测模型对待预测用户的下单转化率进行预测，达到提高预测准确率的效果。
[0302] 对应于图1中的下单转化率预测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述下单转化率预测方法的步骤。
[0303] 具体地，该存储介质能够为通用的存储介质，如移动磁盘、
硬盘等，该存储介质上的计算机程序被运行时，能够执行上述下单转化率预测方法，从而解决采现有技术以用户距离对当前一段时间段内通过网约车平台购买代驾服务的具体情况来对用户的下单转化率进行预测所造成的准确率低的问题，能够基于样本用户的冒泡行为特征信息以及所述不同价格区间对应的下单转化率，训练下单转化率预测模型，并根据该单转化率预测模型对待预测用户的下单转化率进行预测，达到提高预测准确率的效果。
[0304] 本申请实施例所提供的下单转化率预测方法和装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0305] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0306] 所述功能如果以
软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，
服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、
只读存储器(ROM，Read-Only Memory)、
随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0307] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以
权利要求的保护范围为准。
