本发明涉及网络预测，具体为一种网约车费用预估的算法和装置。
背景技术：
1、网约车平台通过协调乘车服务的供需来匹配乘客和司机，司机可以自由选择接收预订，完成线下交通服务，乘车完成后，乘客通常会通过手机上的第三方支付平台支付车费，司机从网约车平台获得相应的佣金，现有网约车费用预估的算法并未涉及到根据用户需求情况对符合要求的网约车进行筛选的服务；
2、现有技术中的，公开号为cn114219153a提供的一种基于分片存储实现实时检索的网约车费用预估的算法及装置，其中方法包括：数据库形成多个数据分片的架构，所述数据分片具有对应的数据分片编号；获取网约车费用预估指令，基于网约车订单数据结合费用预估规则进行费用预估以获取预估费用数据；生成预估费用数据对应的预估费用编码，基于预估费用编码计算出应写入的数据分片编号；基于数据分片编号路由至对应的数据分片，向数据分片写入预估费用数据；获取网约车费用检索指令，基于预估费用编码计算出对应的数据分片编号；路由至对应的数据分片，预估费用数据查询后将查询结果返回，通过采用分片存储的存储方式，使网约车平台能在大量存储预估费用数据的同时提供实时检索。
3、存在的不足之处有：公开号为cn114219153a的专利实现了能在大量存储预估费用数据的同时提供实时检索，但是仅仅为单一的预估费用模型，如何根据供需关系、路况、天气等多种实时数据动态调整价格，允许用户对行程费用有一定的选择权或者投票权，最终结合交通数据、天气预报、城市活动等多源数据，为预估算法提供更全面的输入，提高预估的准确性是当下需要改进的方向；
4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的在于提供一种网约车费用预估的算法和装置，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种网约车费用预估的算法，具体步骤包括：
4、步骤一：采集打车乘客用户所在区域的交通数据td、天气信息wd、城市活动ed和历史订单数据hd；
5、步骤二：获取采集数据并依次进行数据清洗和数据融合，以保证数据的准确性和一致性；
6、步骤三：选择循环神经网络rnn构建动态定价模型，以处理时间序列数据，生成预测价格公式p，并捕捉和预测价格变动；
7、步骤四：获取循环神经网络rnn构建的动态定价模型，并增加时间和季节性因素，对预测价格公式p进行调整，以提高预测价格公式p的费用预估准确度；
8、步骤五：获取用户打车范围内可接单的若干网约车服务数据rd，以及用户的等待时间期望数据we，基于网约车服务数据rd与等待时间期望数据we生成预测价格校准指数ci；
9、步骤六：获取调整后的预测价格公式p并结合实时收集的数据、预测价格校准指数ci和用户反馈数据，进行费用校准预测。
10、一种网约车费用预估的装置，所述装置用于执行所述的费用预估的算法，包括：
11、多源数据集成模块：采集打车乘客用户所在区域的交通数据td、天气信息wd、城市活动ed和历史订单数据hd；
12、数据处理模块：获取采集数据并依次进行数据清洗和数据融合，以保证数据的准确性和一致性；
13、动态定价模型构建模块：选择循环神经网络rnn构建动态定价模型，以处理时间序列数据，生成预测价格公式p，并捕捉和预测价格变动；
14、调整模块：获取循环神经网络rnn构建的动态定价模型，并增加时间和季节性因素，对预测价格公式p进行调整，以提高预测价格公式p的费用预估准确度；
15、校准指数生成模块：获取用户打车范围内可接单的若干网约车服务数据rd，以及用户的等待时间期望数据we，基于网约车服务数据rd与等待时间期望数据we生成预测价格校准指数ci；
16、实时定价与反馈调整模块：获取调整后的预测价格公式p并结合实时收集的数据、预测价格校准指数ci和用户反馈数据，进行费用校准预测。
17、与现有技术相比，本发明的有益效果是：通过采集打车乘客用户所在区域的交通数据td、天气信息wd、城市活动ed和历史订单数据hd后构建基于循环神经网络rnn的预测价格公式p，并增加时间和季节性因素，对预测价格公式p进行调整，获取用户打车范围内可接单的若干网约车服务数据rd，以及用户的等待时间期望数据we，基于网约车服务数据rd与等待时间期望数据we生成预测价格校准指数ci，获取调整后的预测价格公式p并结合实时收集的数据、预测价格校准指数ci和用户反馈数据，进行费用校准预测，能够根据供需关系、路况、天气等多种实时数据动态调整价格，允许用户对行程费用有一定的选择权或者投票权，最终结合交通数据、天气预报、城市活动等多源数据，为预估算法提供更全面的输入，提高预估的准确性。
1.一种网约车费用预估的算法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种网约车费用预估的算法，其特征在于：所述采集打车乘客用户所在区域的交通数据td包括可量化的实时交通流量f、事故数量a和道路施工信息c，使用apis收集道路流量f、交通事故a、施工信息c，并对(f,a,c)数据进行归一格式化处理，限缩范围为1至9；
3.根据权利要求1所述的一种网约车费用预估的算法，其特征在于：所述对采集数据依次进行数据清洗和数据融合包括：
4.根据权利要求1所述的一种网约车费用预估的算法，其特征在于：所述选择循环神经网络rnn构建动态定价模型，以处理时间序列数据，具体逻辑包括，
5.根据权利要求4所述的一种网约车费用预估的算法，其特征在于：所述获取循环神经网络rnn构建动态定价模型，并增加时间和季节性因素，具体逻辑包括，
6.根据权利要求1所述的一种网约车费用预估的算法，其特征在于：所述获取用户打车范围内可接单的若干网约车服务数据rd，以及用户的等待时间期望数据we，基于网约车服务数据rd与等待时间期望数据we生成预测价格校准指数ci的具体逻辑包括：，
7.根据权利要求1所述的一种网约车费用预估的算法，其特征在于：所述获取调整后的预测价格公式p并结合实时收集的数据和预测价格校准指数ci，进行价格预测，具体逻辑包括，
8.一种网约车费用预估的装置，其特征在于：所述装置用于执行权利要求1-7任意一项所述的费用预估的算法，包括：
