(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211277105.2 (22)申请日 2022.10.18 (71)申请人 深圳依时货拉 拉科技有限公司 地址 518000 广东省深圳市福田区梅林街 道梅丰社区梅华路105号多丽工业区 科技楼3层3 07 (72)发明人 张洪龙　郑琦欣　杜敏　 (74)专利代理 机构 深圳瑞天谨诚知识产权代理 有限公司 4 4340 专利代理师 温青玲 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 补贴资源确定方法、 装置、 设备及存 储介质 (57)摘要 本申请为互联网技术领域， 本申请提供了一 种补贴资源确定方法、 装置、 设备及存储介质， 其 中， 所述方法包括： 将历史估价信息输入预先训 练好的下单概率模型， 预测每次估价对应的下单 概率及货运估价价格， 根据不同补贴资源对应的 下单概率确定价格弹性， 将下单概率、 价格弹性 及货运估价价格按照预设规则进行分段， 并生成 由下单概率、 价格弹性及货运估价价格至少三个 维度构成的虚拟网格， 获取用户的估价信息， 根 据估价信息确定目标货运订单的目标下单概率、 目标估价价格及目标价格弹性， 从虚拟网格中匹 配出最佳补贴资源， 从而将补贴分配问题定义成 一个组合优化问题， 给出每个虚拟网格的最佳补 贴资源， 实现自动精准匹配 。 权利要求书2页 说明书13页 附图3页 CN 115456309 A 2022.12.09 CN 115456309 A 1.一种补贴 资源确定方法， 其特 征在于， 包括： 获取历史估价信息； 其中， 所述历史估价信息包括估价次数及每次估价时用户在货运 订单界面 填入的影响货运估价 价格的估价 参数信息； 将所述历史估价信 息输入预先训练好的下单概率模型， 预测每次估价对应的下单概率 及货运估价价格； 其中， 所述下单概率模型为神经网络模型， 用于预测不同条件 下的下单概 率， 所述条件 包括补贴 资源； 从每次估价对应的下单概率中筛选出不同补 贴资源对应的下单概率， 根据不同补 贴资 源对应的下单概率确定价格弹性； 其中， 所述价格弹性为每增加单位补贴资源所对应增加 的下单概率； 将所述下单概率、 价格弹性及货运估价价格按照预设规则进行分段， 并生成由下单概 率、 价格弹性及货运估价 价格至少三个维度构成的虚拟网格； 响应于目标用户对目标货运 订单的估价请求， 获取用户的估价信息； 根据所述估价信 息确定所述目标货运订单的目标下单概率、 目标估价价格及目标价格 弹性； 根据所述目标下单概率、 目标估价价格及目标价格弹性从所述虚拟网格中匹配出最佳 补贴资源。 2.根据权利要求1所述的方法， 其特征在于， 所述根据不同补 贴资源对应的下单概率确 定价格弹性， 包括： 将相邻两个补贴 资源的下 单概率拟合成一条直线， 得到多条直线； 计算每条直线的斜 率， 得到价格弹性。 3.根据权利要求1所述的方法， 其特征在于， 所述根据不同补 贴资源对应的下单概率确 定价格弹性， 包括： 根据不同补贴 资源对应的下 单概率， 利用最小二乘法拟合出每次估价的价格弹性。 4.根据权利要求1所述的方法， 其特征在于， 所述将所述历史估价信 息输入预先训练好 的下单概率模型之前， 还 包括： 获取历史下单数据； 其中， 所述历史下单数据包括不同货运估价价格在不同补贴资源 下的历史下 单概率； 利用所述历史下 单数据对神经网络模型进行训练； 判断所述神经网络模型的训练结果是否满足要求； 当判定所述神经网络模型的训练结果满足要求后， 将所述神经网络模型作为下单概率 模型。 5.根据权利要求4所述的方法， 其特征在于， 所述判断所述神经网络模型的训练结果是 否满足要求， 包括： 根据预设的损失函数计算所述神经网络模型的损失值； 判断所述损失值是否低于预设损失值； 当判定所述损失值低于预设损失值时， 则确定所述神经网络模型的训练结果满足要 求。 6.根据权利要求1所述的方法， 其特征在于， 所述将所述历史估价信 息输入预先训练好 的下单概率模型， 预测每次估价对应的下 单概率及货运估价 价格， 包括：权　利　要　求　书 1/2 页 2 CN 115456309 A 2将所述历史估价信 息输入预先训练好的下单概率模型， 并在其他条件不变的情况下调 整补贴资源， 预测出不同补贴 资源对应的下 单概率及货运估价 价格。 7.根据权利要求1所述的方法， 其特征在于， 所述估价参数信 息包括货运车的起终点信 息、 供需信息及账户已获取的最大补贴 资源。 8.一种补贴 资源确定装置， 其特 征在于， 包括： 第一获取模块， 用于获取历史估价信 息； 其中， 所述历史估价信 息包括估价 次数及每次 估价时用户在货运 订单界面 填入的影响货运估价 价格的估价 参数信息； 预测模块， 用于将所述历史估价信息输入预先训练好的下单概率模型， 预测每次估价 对应的下单概率及货运估价价格； 其中， 所述下单概率模型为神经网络模型， 用于预测不同 条件下的下 单概率， 所述条件 包括补贴 资源； 第一确定模块， 用于从每次估价对应的下单概率中筛选出不同补 贴资源对应的下单概 率， 根据不同补贴资源对应的下单概率确定价格弹性； 其中， 所述价格弹性为每增加单位补 贴资源所对应增 加的下单概率； 分段模块， 用于将所述下单概率、 价格弹性及货运估价价格按照预设规则进行分段， 并 生成由下 单概率、 价格弹性及货运估价 价格至少三个维度构成的虚拟网格； 第二获取模块， 用于响应于目标用户对目标货运订单的估价请求， 获取用户的估价信 息； 第二确定模块， 用于根据所述估价信息确定所述目标货运订单的目标下单概率、 目标 估价价格及目标价格弹性； 匹配模块， 用于根据所述目标下单概率、 目标估价价格及目标价格弹性从所述虚拟网 格中匹配出最佳补贴 资源。 9.一种计算机设备， 其特 征在于， 包括： 处理器； 存储器； 其中， 所述存储器存储有计算机程序， 所述处理器执行所述计算机程序时实现权利要 求1至7任一项所述的补贴 资源确定方法。 10.一种计算机可读存储介质， 其特征在于， 所述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 理器执行时实现权利要求1 ‑7任一项所述的补贴 资源确定方法。权　利　要　求　书 2/2 页 3 CN 115456309 A 3