CN105117790A - 车费预估方法及装置 - Google Patents

Abstract

本发明公开了一种车费预估方法及装置，涉及通信技术领域，所述方法包括：获取用户设备发送的打车请求，打车请求包括：出发地址和目的地地址；确定出发地址和目的地地址之间的第一路面距离，根据第一路面距离通过预估方程确定对应的预估车费，预估方程为与所述打车请求属于相同城市和相同时间段的预估方程；将预估车费反馈至用户设备。本发明通过获取用户设备发送的打车请求，确定打车请求中出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过与所述打车请求属于相同城市和相同时间段的预估方程确定对应的预估车费，并将所述预估车费反馈至用户设备，从而实现了车费的准确预估，以便于用户选择出行的交通方式。

Description

车费预估方法及装置

技术领域

本发明涉及通信技术领域，特别涉及一种车费预估方法及装置。

背景技术

在人们日常打车过程中，车费是用户关心的一个基本问题。从一个地方到另一个地方所需要的花费，通常将决定用户选择出行的交通方式。

一般而言，出租车的计价都会是明码标价，然而完全依靠计价规则进行车费预估并不完全符合情况，例如不同的时间段，不同条件的影响(如空驶或者缓行等因素)，所引发的特殊形式计费模式，将会在一定程度上影响车费的变化，使得车费的准确预估较为困难，另外，不同的城市会有不同的计价规则，使得车费的准确预估更加困难。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种车费预估方法及装置。

依据本发明的一个方面，提供了一种车费预估方法，所述方法包括：

获取用户设备发送的打车请求，所述打车请求包括：出发地址和目的地地址；

确定所述出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过预估方程确定对应的预估车费，所述预估方程为与所述打车请求属于相同城市和相同时间段的预估方程；

将所述预估车费反馈至所述用户设备。

可选地，所述获取用户设备发送的打车请求之前，所述方法还包括：

采集至少一个城市中在预设时间范围内各时间段的历史数据，所述历史数据包括：第二路面距离及相应的实际车费；

基于属于相同城市及相同时间段的历史数据对预设模型进行训练，以获得各个属于相同城市及相同时间段的预估方程。

可选地，所述预设模型为

f(x)＝w₄x⁴+w₃x³+w₂x²+w₁x+w₀，

其中，f(x)为预估车费；w₀、w₁、w₂、w₃及w₄为常数；x为路面距离。

可选地，所述基于属于相同城市及相同时间段的历史数据对预设模型进行训练，进一步包括：

基于属于相同城市及相同时间段的历史数据通过最小化均方误差率的损失函数对预设模型进行训练。

可选地，所述基于属于相同城市及相同时间段的历史数据对预设模型进行训练之前，所述方法还包括：

根据所述历史数据确定各城市的起步车费，并对所述历史数据进行去噪处理；

相应地，所述根据所述第一路面距离通过预估方程确定对应的预估车费，进一步包括：

通过所述第一路面距离通过预估方程计算对应的预估车费，并将所述预估车费与所述起步车费进行比较，若所述预估车费小于所述起步车费，则将所述预估车费调整为起步车费。

依据本发明的另一个方面，提供了一种车费预估装置，所述装置包括：

请求获取单元，用于获取用户设备发送的打车请求，所述打车请求包括：出发地址和目的地地址；

车费预估单元，用于确定所述出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过预估方程确定对应的预估车费，所述预估方程为与所述打车请求属于相同城市和相同时间段的预估方程；

车费反馈单元，用于将所述预估车费反馈至所述用户设备。

可选地，所述装置还包括：

数据采集单元，用于采集至少一个城市中在预设时间范围内各时间段的历史数据，所述历史数据包括：第二路面距离及相应的实际车费；

模型训练单元，用于基于属于相同城市及相同时间段的历史数据对预设模型进行训练，以获得各个属于相同城市及相同时间段的预估方程。

可选地，所述预设模型为

f(x)＝w₄x⁴+w₃x³+w₂x²+w₁x+w₀，

其中，f(x)为预估车费；w₀、w₁、w₂、w₃及w₄为常数；x为路面距离。

可选地，所述模型训练单元，进一步用于基于属于相同城市及相同时间段的历史数据通过最小化均方误差率的损失函数对预设模型进行训练。

可选地，所述装置还包括：

预处理单元，用于根据所述历史数据确定各城市的起步车费，并对所述历史数据进行去噪处理；

相应地，所述车费预估单元进一步用于通过所述第一路面距离通过预估方程计算对应的预估车费，并将所述预估车费与所述起步车费进行比较，若所述预估车费小于所述起步车费，则将所述预估车费调整为起步车费。

本发明通过获取用户设备发送的打车请求，确定打车请求中出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过与所述打车请求属于相同城市和相同时间段的预估方程确定对应的预估车费，并将所述预估车费反馈至用户设备，从而实现了车费的准确预估，以便于用户选择出行的交通方式。

附图说明

图1是本公开一种实施方式的车费预估方法的流程图；

图2是本公开一种实施方式的车费预估方法的流程图；

图3是本公开一种实施方式的车费预估装置的结构框图。

具体实施方式

下面结合附图和实施例，对本公开的具体实施方式作进一步详细描述。以下实施例用于说明本公开，但不用来限制本公开的范围。

图1是本公开一种实施方式的车费预估方法的流程图；参照图1，所述方法包括：

S101：获取用户设备发送的打车请求；

可理解的是，所述打车请求中一般至少包括：出发地址和目的地地址等信息，所述出发地址可以为用户设备所在位置的地址，当然，也可由用户来自行设置出发地址；

需要说明的是，所述用户设备可为手机、平板电脑、掌上电脑PDA或笔记本等设备，当然，还可为其他具有相似功能的设备，本实施方式对此不加以限制。

S102：确定所述出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过预估方程确定对应的预估车费，所述预估方程为与所述打车请求属于相同城市和相同时间段的预估方程；

可理解的是，所述第一路面距离为车辆从所述出发地址运行至所述目的地地址所需经过的路面距离，而并非所述出发地址到目的地地址之间的直线距离。

需要说明的是，可通过多种方式确定所述出发地址和目的地地址之间的第一路面距离，本实施方式中先获取所述出发地址的经纬度坐标及所述目的地地址的经纬度坐标，再根据上述两个经纬度坐标通过地图导航等工具确定第一路面距离。

在具体实现中，由于不同城市具有不同的收费标准，并且，高峰期与其他时间的车费也存在明显差异，故而，可将一天划分为多个时间段，例如：上午8:00～9:00可设为一个时间段；上午9:00～12:00(不包括9:00)可设为另一个时间段；

因此，为保证预估车费的准确性，需要通过与所述打车请求属于相同城市和相同时间段的预估方程来确定对应的预估车费。

可理解的是，可按照接收所述打车请求的时刻来确定所述打车请求所属的时间段，另外，可按照所述打车请求中的出发地址来确定所述打车请求所属的城市，进而选择与所述打车请求属于相同城市和相同时间段的预估方程。

S103：将所述预估车费反馈至所述用户设备。

在具体实现中，在用户设备接收到所述预估车费后，为便于使用户能够及时了解到该预估车费，通常会对所述预估车费进行展示和/或语音播报。

本实施方式通过获取用户设备发送的打车请求，确定打车请求中出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过与所述打车请求属于相同城市和相同时间段的预估方程确定对应的预估车费，并将所述预估车费反馈至用户设备，从而实现了车费的准确预估，以便于用户选择出行的交通方式。

图2是本公开一种实施方式的车费预估方法的流程图；参照图2，所述方法包括：

S201：采集至少一个城市中在预设时间范围内各时间段的历史数据，所述历史数据包括：第二路面距离及相应的实际车费；

可理解的是，若预设时间范围中的时间过长，会导致历史数据过多，模型训练的效率过低，当然，若预设时间范围中的时间过短，也会导致历史数据过少，从而影响预估方程的准确度，为了在准确度和效率之间做出平衡，本实施方式中，将所述预设时间范围设置为一个月，即采集至少一个城市中在近一个月内各时间段的历史数据。

需要说明的是，采集的历史数据中通常会涉及大量的噪声，需要在模型训练之前予以去除。例如：

(1)不完全支付情况：打车路面距离长，而实际支付较少，用户多采用一部分线下支付，一部分线上支付模式；

(2)作弊情况：一般是打车路面距离短，而实际支付很多；

(3)离群点：和大多数打车人的数据点分布差异较大。

以上噪声若不去除，会严重影响模型的训练和预估方程的准确度。

故而，本实施方式在执行步骤S202之前，会进行以下预处理：

(1)预估起步价和起步价里程

首先，将起步价定位为：

y_min＝min[topx(count(y_i))]

其中，count(y_i)为相同城市的历史数据中车费等于y_i的数量，topx为按照相同城市的历史数据中车费数量最高的x个车费(x通常取5～30，本实施方式中取20)，打车车费刚好是起步价一般是打车过程中经常遇见的一种情况。因此统计相同城市的历史数据中不同打车车费的打车数量，按照数量的大小逆序排列，取所述topx个车费中最低的车费设为起步价。一般情况按照这种方式所找出来起步价在大城市中不一定会排在最前边，因此会多考虑一些候选集，得到一个最合理的起步价。

至于起步价里程，这里并不要求非常准确，只要在大致范围之内，则不会影响预估方程的效果。这里取打车车费等于之前所确定的起步价的历史数据，将该历史数据中的第二路面距离进行从大到小排序，仅保留路面距离分布范围在20％～50％之间的历史数据。

(2)去除低于起步价的历史数据

将相同城市的历史数据中车费低于起步价的历史数据直接去除，这部分直接可以认为是不完全支付的情况。

(3)去除作弊点

在相同城市的历史数据中取车费最高的20％历史数据，如果该历史数据的路面距离小于所述相同城市的历史数据的平均路面距离，则认为是作弊数据，一般情况下短途路面距离很难会产生很高的车费。

(4)去除异常点

采用基于密度的聚类算法(DBScan)对相同城市的历史数据中噪声点检测的方式，对剩下的孤立点进行去除。DBScan中认为邻域范围内密度超过一定量的历史数据为核心点，而邻域范围内没有核心点的历史数据为噪声点，这些噪声点远离大多数历史数据的分布，将会严重影响预设模型的训练效果。

S202：基于属于相同城市及相同时间段的历史数据对预设模型进行训练，以获得各个属于相同城市及相同时间段的预估方程；

需要说明的是，由于预设模型中存在多个未知的常数(即w₀、w₁、w₂、w₃及w₄)，在本步骤中，通过对预设模型进行训练可获得各常数的值，将各常数的值代入预设模型中后，即可获得对应的预估方程。

可理解的是，参考出租车计价规则和历史数据的分布情况，选取路面距离的0次方到4次方作为特征，所述预设模型为：

f(x)＝w₄x⁴+w₃x³+w₂x²+w₁x+w₀，

其中，f(x)为预估车费；w₀、w₁、w₂、w₃及w₄为常数；x为路面距离。

当然，还可采用其他预设模型，本实施方式对此不加以限制。

另外，对于用户而言，若花费100元，误差10元，误差率为10％；花费20元，误差10元，误差率为50％。故而，用于对于车费误差容忍要远远大于对车费误差率的容忍，因此，在进行模型训练时，选择最小化均方误差率的损失函数作为训练的目标函数：

$min\mathrm{\Σ}{\left(\frac{y_i-f\left(x_i\right)}{y_i}\right)}^2$

其中，设历史数据为(x_i,y_i)，其中x_i为第i个历史数据的第二路面距离，y为第i个历史数据的实际车费，f(x_i)为预估的车费。实际的车费与预估车费越接近，目标函数越小，求解采用一般线性回归的随机梯度下降(StochasticGradientDescent，SGD)算法求解。

S203：获取用户设备发送的打车请求；

需要说明的是，步骤S203与图1所示的实施方式的步骤S101相同，在此不再赘述。

S204：确定所述出发地址和目的地地址之间的第一路面距离，通过所述第一路面距离通过预估方程计算对应的预估车费，并将所述预估车费与所述起步车费进行比较，若所述预估车费小于所述起步车费，则将所述预估车费调整为起步车费，所述预估方程为与所述打车请求属于相同城市和相同时间段的预估方程；

为进一步提高预估精度，在具体实现中，对于大于属于相同城市和相同时间段中最高车费1.2倍的不进行预估。

S205：将所述预估车费反馈至所述用户设备。

需要说明的是，步骤S205与图1所示的实施方式的步骤S103相同，在此不再赘述。

上述车费预估方式不仅可以针对实时打车场景，还可针对已有支付记录的历史数据(当然，不会涉及与用户设备之间的交互过程)，若实际车费明显偏离预估车费的历史数据，可以作为疑似作弊数据的参考。

另外，还可根据上述车费预估方式还可对缺少车费信息的历史数据进行补全，从而提高其他产品策略的覆盖率和召回率。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。

图3是本公开一种实施方式的车费预估装置的结构框图；参照图3，所述装置包括：

请求获取单元301，用于获取用户设备发送的打车请求，所述打车请求包括：出发地址和目的地地址；

车费预估单元302，用于确定所述出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过预估方程确定对应的预估车费，所述预估方程为与所述打车请求属于相同城市和相同时间段的预估方程；

车费反馈单元303，用于将所述预估车费反馈至所述用户设备。

在本公开的一种可选实施例中，所述装置还包括：

数据采集单元，用于采集至少一个城市中在预设时间范围内各时间段的历史数据，所述历史数据包括：第二路面距离及相应的实际车费；

模型训练单元，用于基于属于相同城市及相同时间段的历史数据对预设模型进行训练，以获得各个属于相同城市及相同时间段的预估方程。

在本公开的一种可选实施例中，所述预设模型为

f(x)＝w₄x⁴+w₃x³+w₂x²+w₁x+w₀，

其中，f(x)为预估车费；w₀、w₁、w₂、w₃及w₄为常数；x为路面距离。

在本公开的一种可选实施例中，所述模型训练单元，进一步用于基于属于相同城市及相同时间段的历史数据通过最小化均方误差率的损失函数对预设模型进行训练。

在本公开的一种可选实施例中，所述装置还包括：

预处理单元，用于根据所述历史数据确定各城市的起步车费，并对所述历史数据进行去噪处理；

相应地，所述车费预估单元进一步用于通过所述第一路面距离通过预估方程计算对应的预估车费，并将所述预估车费与所述起步车费进行比较，若所述预估车费小于所述起步车费，则将所述预估车费调整为起步车费。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

应当注意的是，在本公开的系统的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本公开不受限于此，可以根据需要对各个部件进行重新划分或者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的子部件。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的系统中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上实施方式仅适于说明本公开，而并非对本公开的限制，有关技术领域的普通技术人员，在不脱离本公开的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本公开的范畴，本公开的专利保护范围应由权利要求限定。

Claims (10)

1.一种车费预估方法，其特征在于，所述方法包括：

获取用户设备发送的打车请求，所述打车请求包括：出发地址和目的地地址；

确定所述出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过预估方程确定对应的预估车费，所述预估方程为与所述打车请求属于相同城市和相同时间段的预估方程；

将所述预估车费反馈至所述用户设备。

2.如权利要求1所述的方法，其特征在于，所述获取用户设备发送的打车请求之前，所述方法还包括：

采集至少一个城市中在预设时间范围内各时间段的历史数据，所述历史数据包括：第二路面距离及相应的实际车费；

基于属于相同城市及相同时间段的历史数据对预设模型进行训练，以获得各个属于相同城市及相同时间段的预估方程。

3.如权利要求2所述的方法，其特征在于，所述预设模型为

f(x)＝w₄x⁴+w₃x³+w₂x²+w₁x+w₀，

其中，f(x)为预估车费；w₀、w₁、w₂、w₃及w₄为常数；x为路面距离。

4.如权利要求2所述的方法，其特征在于，所述基于属于相同城市及相同时间段的历史数据对预设模型进行训练，进一步包括：

基于属于相同城市及相同时间段的历史数据通过最小化均方误差率的损失函数对预设模型进行训练。

5.如权利要求2所述的方法，其特征在于，所述基于属于相同城市及相同时间段的历史数据对预设模型进行训练之前，所述方法还包括：

根据所述历史数据确定各城市的起步车费，并对所述历史数据进行去噪处理；

相应地，所述根据所述第一路面距离通过预估方程确定对应的预估车费，进一步包括：

通过所述第一路面距离通过预估方程计算对应的预估车费，并将所述预估车费与所述起步车费进行比较，若所述预估车费小于所述起步车费，则将所述预估车费调整为起步车费。

6.一种车费预估装置，其特征在于，所述装置包括：

请求获取单元，用于获取用户设备发送的打车请求，所述打车请求包括：出发地址和目的地地址；

车费预估单元，用于确定所述出发地址和目的地地址之间的第一路面距离，根据所述第一路面距离通过预估方程确定对应的预估车费，所述预估方程为与所述打车请求属于相同城市和相同时间段的预估方程；

车费反馈单元，用于将所述预估车费反馈至所述用户设备。

7.如权利要求6所述的装置，其特征在于，所述装置还包括：

数据采集单元，用于采集至少一个城市中在预设时间范围内各时间段的历史数据，所述历史数据包括：第二路面距离及相应的实际车费；

模型训练单元，用于基于属于相同城市及相同时间段的历史数据对预设模型进行训练，以获得各个属于相同城市及相同时间段的预估方程。

8.如权利要求7所述的装置，其特征在于，所述预设模型为

f(x)＝w₄x⁴+w₃x³+w₂x²+w₁x+w₀，

其中，f(x)为预估车费；w₀、w₁、w₂、w₃及w₄为常数；x为路面距离。

9.如权利要求7所述的装置，其特征在于，所述模型训练单元，进一步用于基于属于相同城市及相同时间段的历史数据通过最小化均方误差率的损失函数对预设模型进行训练。

10.如权利要求7所述的装置，其特征在于，所述装置还包括：

预处理单元，用于根据所述历史数据确定各城市的起步车费，并对所述历史数据进行去噪处理；

相应地，所述车费预估单元进一步用于通过所述第一路面距离通过预估方程计算对应的预估车费，并将所述预估车费与所述起步车费进行比较，若所述预估车费小于所述起步车费，则将所述预估车费调整为起步车费。