CN105160880B - 一种车辆载客状态的预估方法及装置 - Google Patents
一种车辆载客状态的预估方法及装置 Download PDFInfo
- Publication number
- CN105160880B CN105160880B CN201510615454.4A CN201510615454A CN105160880B CN 105160880 B CN105160880 B CN 105160880B CN 201510615454 A CN201510615454 A CN 201510615454A CN 105160880 B CN105160880 B CN 105160880B
- Authority
- CN
- China
- Prior art keywords
- terminal
- movement locus
- history order
- order
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000033001 locomotion Effects 0.000 claims abstract description 156
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013481 data capture Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Remote Sensing (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
Abstract
本发明提供了一种车辆载客状态的预估方法,包括:获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单、相邻的第二历史订单;根据第一历史订单的特征信息和第二历史订单的目的地,预估每一终端的第一历史订单的结束时间;获取预设时间段内每一终端的终端运动轨迹以及历史订单对应UE的UE运动轨迹;根据终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应车辆的载客状态。本发明还提供了一种车辆载客状态的预估装置,包括:订单获取模块、时间预估模块、轨迹获取模块以及第一判定模块。本发明根据历史订单和终端与UE运动轨迹对车辆载客状态进行准确的预估,提高打车系统的订单成交率,提升用户打车体验。
Description
技术领域
本发明涉及计算机处理技术领域,尤其涉及一种车辆载客状态的预估方法及装置。
背景技术
近年来,随着城市的发展,打车需求已经是社会各个阶层人士的普遍需求。随着智能设备和移动互联网技术的发展,打车软件的普及给人们的出行带来了极大的便利。当前打车软件已基本解决了出租车司机和乘客之间的信息不对称问题。随着使用打车软件的司机和乘客数量日益增多,打车成交率已经成为影响乘客体验的一个重要问题,而准确的成交率预估是优化此问题的关键环节。
当前司机是否载客是影响成交率的重要因素,因此成交率预估的关键问题是需要事先知道当前出租车的载客状态。对于已经载客的出租车,司机大部分情况下无需播单(广播订单),因为,其在载客状态下,司机无法完成抢单操作。但是,实际环境中,由于出租车司机不单单是某一种打车软件的使用者,其乘客还可以来自于其他方式,如路上招手,电话预约、其他打车软件等多种方式,可见出租车司机是完全自主的群体,其载客状态不能完全被打车系统知晓。
解决如何较准确预估载客状态成为提高成交率的一个至关重要的问题。
发明内容
针对现有技术的缺陷,本发明提供一种车辆载客状态的预估方法及装置,根据历史订单数据以及终端、UE运动轨迹对车辆载客状态进行准确的预估,提高打车系统的订单成交率,从而提升用户打车体验。
根据本发明的一个方面,提供了一种车辆载客状态的预估方法,该方法包括:
获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单;
根据所述第一历史订单的特征信息以及所述第二历史订单的目的地,预估所述每一终端的第一历史订单的结束时间;
获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹;
根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态。
其中,在获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹之前,所述方法还包括:
查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹;
若存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹,则执行所述获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹的步骤;
否则,根据预估的结束时间,确定每一终端对应的车辆的载客状态。
其中,所述方法还包括:
基于所述预估的结束时间与当前时间的时间关系,对所述当前时间赋予置信度;
基于所述置信度,执行所述查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹的步骤。
其中,所述获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单,具体包括:
获取所述每一终端在第二预设时间段内的历史订单数据;
提取所述历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单。
其中,所述获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹,具体包括:
获取第一预设时间段内每一终端上传的终端位置坐标,以及所述第一历史订单对应UE上传的UE位置坐标;
根据所述每一终端上传的终端位置坐标以及对应的上传时间生成终端运动轨迹;
根据所述第一历史订单对应UE上传的UE位置坐标以及对应的上传时间生成UE运动轨迹。
其中,所述根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态,具体包括:
确定所述终端位置坐标对应的上传时间与所述UE位置坐标对应的上传时间之间的时间差;
当所述时间差属于预设置信区间时,判断所述终端位置坐标和UE位置坐标之间的距离是否小于预设阈值;
若是,则确定该终端对应的车辆为载客,否则为空载。
其中,当确定所述终端对应的车辆为空载状态或打车系统中不存在UE运动轨迹时,所述方法还包括:
根据每一终端的终端运动轨迹以及该终端所属城市的交通地图信息,确定每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据;
计算每一终端的终端运动轨迹的中心点,并对每一终端的终端运动轨迹按照经纬度进行聚类;
确定聚类内各个终端对应的车辆的平均经过路段数差以及该车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值;
将每一终端的历史订单数据、所述每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据、聚类内各个终端对应的车辆的平均经过路段数差以及每一车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值作为多维输入特征,利用多层神经网络模型,预估每一终端对应的车辆的载客状态。
根据本发明的另一个方面,提供了一种车辆载客状态的预估装置,该装置包括:
订单获取模块,用于获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单;
时间预估模块,用于根据所述第一历史订单的特征信息以及所述第二历史订单的目的地,预估所述每一终端的第一历史订单的结束时间;
轨迹获取模块,用于获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹;
第一判定模块,用于根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态。
其中,所述装置还包括查看模块和第二判定模块:
查看模块,用于在获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹之前,查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹;
第二判定模块,用于当打车系统中在所述第一预设时间段内不存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹时,根据预估的结束时间,确定每一终端对应的车辆的载客状态;
所述轨迹获取模块,具体用于当打车系统中在所述第一预设时间段内存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹时,获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹。
其中,所述装置还包括:
置信度确定模块,用于基于所述预估的结束时间与当前时间的时间关系,对所述当前时间赋予置信度;
所述查看模块,具体用于基于所述置信度,执行所述查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹的操作。
其中,所述订单获取模块,包括:
历史订单数据获取单元,用于获取所述每一终端在第二预设时间段内的历史订单数据;
提取单元,用于提取所述历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单。
其中,所述轨迹获取模块,包括:
位置坐标获取单元,用于获取第一预设时间段内每一终端上传的终端位置坐标,以及所述第一历史订单对应UE上传的UE位置坐标;
终端运动轨迹生成单元,用于根据所述每一终端上传的终端位置坐标以及对应的上传时间生成终端运动轨迹;
UE运动轨迹生成单元,用于根据所述第一历史订单对应UE上传的UE位置坐标以及对应的上传时间生成UE运动轨迹。
其中,所述第一判定模块,包括:
确定单元,用于确定所述终端位置坐标对应的上传时间与所述UE位置坐标对应的上传时间之间的时间差;
判断单元,用于当所述时间差属于预设置信区间时,判断所述终端位置坐标和UE位置坐标之间的距离是否小于预设阈值;若是,则确定该终端对应的车辆为载客,否则为空载。
其中,所述装置还包括:
第一输入特征确定模块,用于当确定所述终端对应的车辆为空载状态或打车系统中不存在UE运动轨迹时,根据每一终端的终端运动轨迹以及该终端所属城市的交通地图信息,确定每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据;
聚类模块,用于计算每一终端的终端运动轨迹的中心点,并对每一终端的终端运动轨迹按照经纬度进行聚类;
第二输入特征确定模块,用于确定聚类内各个终端对应的车辆的平均经过路段数差以及该车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值;
网络模型预估模块,用于将每一终端的历史订单数据、所述每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据、聚类内各个终端对应的车辆的平均经过路段数差以及每一车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值作为多维输入特征,利用多层神经网络模型,预估每一终端对应的车辆的载客状态。
本发明的有益效果为:
本发明提供的车辆载客状态的预估方法及装置,根据历史订单数据以及车辆轨迹对车辆载客状态进行准确的预估,获取车辆载客状态,进而保证除了对于打车平台内抢到订单的司机的载客状态可以准确把握外,对于打车平台外接单的司机也能准确把握,并通过在订单的分配阶段,优先向空载车辆司机播单,以提高打车系统的订单成交率,从而提升用户打车体验。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,还可以根据这些图获得其他的附图。
图1为本公开一实施例提供的一种车辆载客状态的预估方法的流程示意图;
图2为本公开一实施例提供的多层神经网络模型的多维特征的关系示意图;
图3为本公开一实施例提供的一种车辆载客状态的预估装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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发明一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下对本公开实施例中提及的部分词语进行举例说明。
本领域技术人员应当理解,本发明实施例中提及的用户设备(User Equipment,简称UE)是指呼叫服务方,如交通工具叫车服务中的乘客,所使用的移动终端或个人计算机(Personal Computer,简称PC)等设备。例如智能手机、个人数码助理(PDA)、平板电脑、笔记本电脑、车载电脑(carputer)、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如Google Glass、Oculus Rift、Hololens、Gear VR)等。
本领域技术人员应当理解,本发明实施例中提及的终端为提供服务方,如交通工具叫车服务中的司机,所使用的用于接单的移动终端或个人计算机(Personal Computer,简称PC)等设备。例如智能手机、个人数码助理(PDA)、平板电脑、笔记本电脑、车载电脑(carputer)、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如Google Glass、Oculus Rift、Hololens、Gear VR)等。
本实施例中,为了区别乘客和司机,分别采用用户设备UE和终端来分别表示乘客和司机所持的移动终端等设备。
图1示出了本公开实施例提供的一种车辆载客状态的预估方法的流程示意图。
如图1所示,本实施例提供的车辆载客状态的预估方法包括如下步骤:
S11、获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单;
具体的,从打车系统中获取预设范围内的所有终端的历史订单数据,分析每个订单对应的司机、乘客信息以及每一订单的发布时间,其中,订单的发布时间是指司机侧终端发送接单消息后,打车系统将订单发布到相应终端和用户设备UE的时间。由于,对于每一订单,打车系统在未收到接单消息前,会进行重复播单,因此,本发明技术方案中,在步骤S11中,首先需要依赖终端ID进行订单去重,具体为根据终端ID在获取到的所有终端的历史订单数据中选出该终端对应的历史订单数据,根据终端ID确定每一终端的历史订单数据之后,将每一终端对应的历史订单数据中订单的发布时间与当前时间进行比较,得到发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单。
其中,历史订单中记录有每个订单的特征信息,如该订单对应的终端ID、UEID、订单的始发地、目的地、司乘距离和出发时间等信息。
其中,UEID为用户的身份标识码(Identity,简称id),也可采用手机号码、硬件地址(Media Access Control,简称MAC)等信息实现。
其中,预设范围的具体取值可根据当前所属城市的车流量、所属城市的具体城区等信息进行设置和调整。例如,若UE所属城市为北京的密云区,车流量较小,则将预设范围的取值设置的大一些,若终端所属城市为北京的海淀区,车流量较大,则可以将预设范围的取值设置的小一些。本发明对此不做具体限定。
S12、根据所述第一历史订单的特征信息以及所述第二历史订单的目的地,预估所述每一终端的第一历史订单的结束时间;
具体的,通过保留最近的两个历史订单,第一历史订单和第二历史订单,两个历史订单中记录有对应的终端和UE以及订单的始发地、目的地、司乘距离和出发时间。根据第一历史订单的特征信息,如订单的始发地、目的地、司乘距离和出发时间,以及第二历史订单的目的地即当前终端的上一个目的地,预估每个订单的结束时间,预估当前是否已经完成订单。
S13、获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹;
需要说明的是,本发明实施例中,通过获取第一预设时间段内的司机和乘客轨迹数据(即终端运动轨迹以及UE运动轨迹),其中,乘客轨迹数据为上述历史订单中包含的UEID对应UE的UE运动轨迹,并将以上数据拼接进入司机和乘客轨迹系统。
其中,第一预设时间段的时间长度可根据打车系统对车辆载客状态预估的准确度进行设置,如最近5分钟或3分钟等,本发明对此不做具体限定。可理解的是,第一预设时间段的时间长度越长,车辆载客状态预估的结果越准确。
S14、根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态。
具体的,本步骤中通过对终端运动轨迹和UE运动轨迹进行比对,根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态。当终端运动轨迹和UE运动轨迹的相似度高于预设相似阈值时,则判断终端对应的车辆为载客状态,否则判断终端对应的车辆为空载状态。
本发明实施例提供的车辆载客状态的预估方法,通过根据历史订单数据以及车辆轨迹对车辆载客状态进行准确的预估,获取车辆载客状态,以实现在订单的分配阶段,优先向空载车辆司机播单,以提高打车系统的订单成交率提升用户打车体验。
其中,准确的成交率预估在全局优化起着非常重要的作用。
需要说明的是,对于打车服务系统而言,在线司机意味着在线的运力,如果运力本身的状态系统无从得知,那这个系统的调度能力就会受到很大的限制。比如系统把订单播报给了10个在线的司机,但是没有一个司机响应,系统会以为这是一个非常差的订单,可能乘客的价值会受影响,系统为了保证乘客的体验,会给于平台加价,但实际上这是一个去机场的优质订单,只是目前没有空载的司机在线而已,因此无需平台加价,也无需给订单一个劣质的标签影响乘客得分。
本发明通过利用历史订单数据以及车辆轨迹对车辆载客状态进行准确的预估,进而保证除了对于打车平台内抢到订单的司机的载客状态可以准确把握外,对于打车平台外接单的司机也能准确把握。使得打车服务系统能够准确地掌握在线的运力,进而提高系统的调度能力,保证乘客的体验和价值。
本实施例中,在步骤S13之前,所述方法还包括以下步骤:
查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹;
进一步的,若存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹,则执行所述获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹的步骤;
否则,根据预估的结束时间,确定每一终端对应的车辆的载客状态。
本实施例中,在执行获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹的步骤之前,需要查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹,如果打车系统中对应的终端或UE的运动轨迹没有找到,则按照预估的结束时间判断,如果超过预估时间,则判断空载,如果没有超过,则判断载客。若打车系统中存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹,则进一步确定执行所述获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹的步骤。
进一步地,所述方法还包括以下步骤:基于所述预估的结束时间与当前时间的时间关系,对所述当前时间赋予置信度;
相应的,基于所述置信度,执行所述查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹的步骤。
实际应用中,在执行所述查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹的步骤之前,首先基于预估的第一订单的结束时间与当前时间的时间关系,确定当前时间的置信度,若属于相对不置信的区域,则执行所述查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹的步骤,因进入轨迹分析阶段。若属于相对置信的区域,则直接根据预估的第一订单的结束时间,确定车辆的载客状态。
本实施例中,步骤S11具体包括以下图中未示出的步骤:
S111、获取所述每一终端在第二预设时间段内的历史订单数据;
S112、提取所述历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单。
具体的,从打车系统中获取截止在第二预设时间段内的订单,如目前为止3个小时内的订单,分析每个订单对应的终端和UE信息,首先根据终端ID进行订单去重,最终保留最近的2个订单数据,即得到第一历史订单和与该第一历史订单相邻的第二历史订单。
本实施例中,步骤S13具体包括以下图中未示出的步骤:
S131、获取第一预设时间段内每一终端上传的终端位置坐标,以及所述第一历史订单对应UE上传的UE位置坐标;
S132、根据所述每一终端上传的终端位置坐标以及对应的上传时间生成终端运动轨迹;
S133、根据所述第一历史订单对应UE上传的UE位置坐标以及对应的上传时间生成UE运动轨迹。
本实施例中,步骤S14具体包括以下图中未示出的步骤:
S141、确定所述终端位置坐标对应的上传时间与所述UE位置坐标对应的上传时间之间的时间差;
S142、当所述时间差属于预设置信区间时,判断所述终端位置坐标和UE位置坐标之间的距离是否小于预设阈值;若是,则确定该终端对应的车辆为载客,否则为空载。
所谓空载或者载客是指轻、重车,其中,空载对应轻车状态,载客对应重车状态。
在本发明的另一实施例中,当确定所述终端对应的车辆为空载状态或打车系统中不存在UE运动轨迹时,所述方法还包括以下图中未示出的步骤:
S15、根据每一终端的终端运动轨迹以及该终端所属城市的交通地图信息,确定每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据;
S16、计算每一终端的终端运动轨迹的中心点,并对每一终端的终端运动轨迹按照经纬度进行聚类;
S17、确定聚类内各个终端对应的车辆的平均经过路段数差以及该车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值;
S18、将每一终端的历史订单数据、所述每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据、聚类内各个终端对应的车辆的平均经过路段数差以及每一车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值作为多维输入特征,利用多层神经网络模型,预估每一终端对应的车辆的载客状态。
本发明实施例,主要针对通过上一实施例提供的技术方案不能判断或者判断为空载的终端,使用机器学习的模型来完成轻重车的预估。在正式进入机器学习的模型来完成轻重车的预估之前,需要先进行去噪处理,因为终端或者UE的估计经常会发生偏移。后边的速度计算也要求该速度维持时间较长。此外,需要对终端5分钟内的轨迹计算中心点,然后对所有司机的中心点按照经纬度进行聚类方便对各个司机进行对比。
需要说明的是,不能判断的情况是指打车系统中不存在UE运动轨迹的情况。
本实施例中的机器学习预测的方法,采用多层神经网络,综合利用图2中的多维特征,具体包括单个司机在5分钟内的速度数据(最快、最慢、平均速度)、经过路段数据、归属路段数据;聚类内综合所有司机数据得到的最快、最慢、平均速度差值,经过路段数差值;司机上一个订单目的地及结束时间;司机常用活动区域及对应的抢单比例。将以上数据全部离散化之后,全部作为多层神经网络的输入(已经达到500多维),加入三个隐层,正则化使用dropout的方式(使得某些特征可以发挥更大的作用),各层节点个数相同,都选择200。最后一层选择逻辑回归做为输出函数,而其他层使用ReLu(Rectified Linear Units)做为激活函数。
下面以实际场景下A司机在某时间段的车辆轻重车状态的预估为具体实施例,对本发明技术方案进行说明。
比如,A司机2015年8月10日11点接到一个去回龙观的订单,11点20分结束。之后11点30分接到一个从回龙观到西二旗的订单,预估完成时间为25分钟。当前是11点50分,按照预估时间分析,当前未完成订单,因此认为是载客。但由于时间相差为20%(25-20=5分钟;5分钟/25分钟=20%),属于相对不置信的区域,因此系统会进入轨迹分析阶段。系统提取2015年8月10日11点45分至11点50分的司机轨迹数据,结果发现司机最晚提交坐标时间为11点49分45秒,而乘客为11点48分00秒。当时二者的距离为5米,小于100米,可以认为是载客状态,而且48分距离当前50分为2分钟,为相对置信区间,认为载客。
如果没有找到订单对应UE的UE运动轨迹,则只能进入多层神经网络预测阶段进行预测。
本发明实施例提供的车辆载客状态的预估方法,根据历史订单数据以及车辆轨迹对车辆载客状态进行准确的预估,获取车辆载客状态,进而保证除了对于打车平台内抢到订单的司机的载客状态可以准确把握外,对于打车平台外接单的司机也能准确把握,当在订单的分配阶段,优先向空载车辆司机播单,以提高打车系统的订单成交率,从而提升用户打车体验。
图3示出了本公开实施例提供的一种车辆载客状态的预估装置的结构示意图。
如图3所示,本实施例提供的车辆载客状态的预估装置包括:订单获取模块201、时间预估模块202、轨迹获取模块203以及第一判定模块204,其中:
所述的订单获取模块201,用于获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单;
所述的时间预估模块202,用于根据所述第一历史订单的特征信息以及所述第二历史订单的目的地,预估所述每一终端的第一历史订单的结束时间;
所述的轨迹获取模块203,用于获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹;
所述的第一判定模块204,用于根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态。
具体的,通过获取预设范围内的各个终端的历史订单数据,分析每个订单对应的司机、乘客信息以及每一订单的发布时间,首先依赖终端ID进行订单去重,根据终端ID确定每一终端的历史订单数据,将每一终端对应的历史订单数据中订单的发布时间与当前时间进行比较,得到发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单。
其中,历史订单中记录有每个订单的特征信息,如该订单对应的终端ID、UEID、订单的始发地、目的地、司乘距离和出发时间等信息。
本发明实施例提供的车辆载客状态的预估装置,通过根据历史订单数据以及车辆轨迹对车辆载客状态进行准确的预估,获取车辆载客状态,以实现在订单的分配阶段,优先向空载车辆司机播单,以提高打车系统的订单成交率提升用户打车体验。
本实施例中,所述装置还包括查看模块和第二判定模块,其中:
所述的查看模块,用于在获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹之前,查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹;
所述的第二判定模块,用于当打车系统中在所述第一预设时间段内不存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹时,根据预估的结束时间,确定每一终端对应的车辆的载客状态;
进一步地,所述的轨迹获取模块,具体用于当打车系统中在所述第一预设时间段内存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹时,获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹。
本实施例中,所述装置还包括置信度确定模块:
所述置信度确定模块,用于基于所述预估的结束时间与当前时间的时间关系,对所述当前时间赋予置信度;
进一步地,所述查看模块,具体用于基于所述置信度,执行所述查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹的操作。
本实施例中,所述订单获取模块201,具体包括:历史订单数据获取单元和提取单元,其中:
所述的历史订单数据获取单元,用于获取所述每一终端在第二预设时间段内的历史订单数据;
所述的提取单元,用于提取所述历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单。
本实施例中,所述轨迹获取模块203,具体包括:位置坐标获取单元、终端运动轨迹生成单元以及UE运动轨迹生成单元,其中:
所述的位置坐标获取单元,用于获取第一预设时间段内每一终端上传的终端位置坐标,以及所述第一历史订单对应UE上传的UE位置坐标;
所述的终端运动轨迹生成单元,用于根据所述每一终端上传的终端位置坐标以及对应的上传时间生成终端运动轨迹;
所述的UE运动轨迹生成单元,用于根据所述第一历史订单对应UE上传的UE位置坐标以及对应的上传时间生成UE运动轨迹。
本实施例中,所述第一判定模块204,具体包括:确定单元和判断单元,其中:
所述的确定单元,用于确定所述终端位置坐标对应的上传时间与所述UE位置坐标对应的上传时间之间的时间差;
所述的判断单元,用于当所述时间差属于预设置信区间时,判断所述终端位置坐标和UE位置坐标之间的距离是否小于预设阈值;若是,则确定该终端对应的车辆为载客,否则为空载。
在本发明另一实施例中,当确定所述终端对应的车辆为空载状态或打车系统中不存在UE运动轨迹时,所述装置还包括:第一输入特征确定模块、聚类模块、第二输入特征确定模块以及网络模型预估模块,其中:
所述的第一输入特征确定模块,用于当确定所述终端对应的车辆为空载状态或打车系统中不存在UE运动轨迹时,根据每一终端的终端运动轨迹以及该终端所属城市的交通地图信息,确定每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据;
所述的聚类模块,用于计算每一终端的终端运动轨迹的中心点,并对每一终端的终端运动轨迹按照经纬度进行聚类;
所述的第二输入特征确定模块,用于确定聚类内各个终端对应的车辆的平均经过路段数差以及该车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值;
所述的网络模型预估模块,用于将每一终端的历史订单数据、所述每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据、聚类内各个终端对应的车辆的平均经过路段数差以及每一车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值作为多维输入特征,利用多层神经网络模型,预估每一终端对应的车辆的载客状态。
对于装置实施例而言,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。
综上所述,根据上述本公开实施例,提供的一种车辆载客状态的预估方法及装置,通过根据历史订单数据以及车辆轨迹对车辆载客状态进行准确的预估,获取车辆的轻重车转态,即是否载客,进而保证除了对于打车平台内抢到订单的司机的载客状态可以准确把握外,对于打车平台外接单的司机也能准确把握,当在订单的分配阶段,优先向空载车辆司机播单,以提高打车系统的订单成交率,从而提升用户打车体验。
本公开的实现和本文中提供的所有功能操作可以用数字电子电路、或者用计算机软件、固件或硬件,包括本说明书及其结构等同方案中所公开的结构、或者其中的一个或多个的组合来实现。本公开的实现可以实现为一个或多个计算机程序产品,即在计算机可读介质上编码的计算机程序指令的一个或多个模块,这些指令由数据处理装置来执行或者用以控制数据处理装置的操作。该计算机可读介质可以是机器可读存储设备、机器可读存储基片、存储器设备、影响机器可读传播信号的组合物或者其中的一个或多个的组合。术语“数据处理装置”涵盖用于处理数据的所有装置、设备和机器,包括例如可编程处理器、计算机或者多个处理器或计算机。除了硬件之外,该装置可以包括为所描述的计算机程序创建执行环境的代码,例如构成处理器固件、协议栈、数据库管理系统、操作系统或者其中的一个或多个的组合的代码。
计算机程序(也称为程序、软件、软件应用、脚本或代码)可以用任何形式的编程语言(包括编译语言或解释语言)来编写,并且计算机程序可以用任何形式来部署,包括作为独立程序或者作为模块、部件、子例程或者适合在计算环境中使用的其他单元。计算机程序并非必须对应于文件系统中的文件。程序可以存储在保持其他程序或数据(例如标记语言文档中所存储的一个或多个脚本)的文件的部分中,存储在专用于所描述的程序的单个文件中,或者存储在多个协同文件(例如存储一个或多个模块、子程序或者代码的部分的文件)中。计算机程序可以被部署成在一个计算机上来执行,或者在位于一个站点处或分布在多个站点处且通过通信网络互连的多个计算机上来执行。
本公开中所描述的过程和逻辑流可以由执行一个或多个计算机程序的一个或多个可编程处理器来执行以通过操作输入数据并且生成输出来执行功能。该过程和逻辑流也可以由专用逻辑电路来执行,并且装置也可以实现为该专用逻辑电路,该专用逻辑电路例如为FPGA(现场可编程门阵列)或者ASIC(专用集成电路)。
适合执行计算机程序的处理器包括例如通用和专用微处理器二者、以及任何种类的数字计算机的任何一个或多个处理器。通常,处理器从只读存储器或者随机存取存储器或者二者接收指令和数据。计算机的元件可以包括用于执行指令的处理器以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括一个或多个海量存储设备以便存储数据,或者该计算机在操作上耦合以从海量存储设备接收或向海量存储设备传送数据或者二者,该海量存储设备例如是磁盘、磁光盘或者光盘。然而,计算机不需要具有这样的设备。此外,计算机可以嵌入在另一设备中,该另一设备例如为移动电话、个人数字助理(PDA)、移动音频播放器、全球定位系统(GPS)接收器等。适合存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、介质和存储器设备,包括例如:半导体存储器设备,如EPROM、EEPROM和闪存设备;磁盘,如内置硬盘或可移除盘;磁光盘;以及CD ROM和DVD-ROM盘。该处理器和存储器可以用专用逻辑电路来补充或者并入该专用逻辑电路中。
为了提供与用户的交互,本公开的实现可以在具有用于向用户显示信息的显示设备(例如CRT(阴极射线管)或LCD(液晶显示器)监视器)以及键盘和定点设备(例如鼠标或跟踪球,通过其用户可以向计算机提供输入)的计算机上来实现。也可以使用其他种类的设备来提供与用户的交互;例如,向用户提供的反馈可以是任何形式的感觉反馈,例如视觉反馈、听觉反馈或者触觉反馈;并且来自用户的输入可以以任何形式来接收,包括听觉、语音或触觉输入。
虽然本公开包括一些细节,然而不应当将这些细节理解为对本公开或者要求保护的内容的范围的限制,而是应当被理解为对本公开的示例实现的特征的描述。本公开中在单独实现的情境中描述的某些特征还可以与单个实现组合来提供。相反地,在单个实现的情境中描述的各个特征也可以分别在多个实现中来提供或者在任何合适的子组合中来提供。此外,虽然以上可以将特征描述为以某种组合来执行并且甚至初始就要求这样保护,然而在一些情况下可以从组合中去掉来自要求保护的组合的一个或多个特征,并且要求保护的组合可以涉及子组合或子组合的变化。
类似地,虽然在附图中按照特定顺序来描绘操作,然而这不应当被理解为要求这样的操作按照所示的特定顺序或者按照相继顺序来执行,或者要求所有图示操作都被执行,以实现期望的结果。在一些
境况下,多任务和并行处理可能是有利的。此外,以上描述的实现中的各种系统部件的分离不应当被理解为在所有实现中都要求这样的分离,而且应当理解,所描述的程序部件和系统通常可以在单个软件产品中集成在一起或者被封装成多个软件产品。
以上实施方式仅适于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明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发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (12)
1.一种车辆载客状态的预估方法,其特征在于,该方法包括:
获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单;
根据所述第一历史订单的特征信息以及所述第二历史订单的目的地,预估所述每一终端的第一历史订单的结束时间;
获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹;
根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态;
其中,所述获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单,具体包括:
获取每一终端在第二预设时间段内的历史订单数据;
提取所述历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单。
2.根据权利要求1所述的方法,其特征在于,在获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹之前,所述方法还包括:
查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹;
若存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹,则执行所述获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹的步骤;
否则,根据预估的结束时间,确定每一终端对应的车辆的载客状态。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于所述预估的结束时间与当前时间的时间关系,对所述当前时间赋予置信度;
基于所述置信度,执行所述查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹的步骤。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹,具体包括:
获取第一预设时间段内每一终端上传的终端位置坐标,以及所述第一历史订单对应UE上传的UE位置坐标;
根据所述每一终端上传的终端位置坐标以及对应的上传时间生成终端运动轨迹;
根据所述第一历史订单对应UE上传的UE位置坐标以及对应的上传时间生成UE运动轨迹。
5.根据权利要求4所述的方法,其特征在于,所述根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态,具体包括:
确定所述终端位置坐标对应的上传时间与所述UE位置坐标对应的上传时间之间的时间差;
当所述时间差属于预设置信区间时,判断所述终端位置坐标和UE位置坐标之间的距离是否小于预设阈值;
若是,则确定该终端对应的车辆为载客,否则为空载。
6.根据权利要求1-3任一项所述的方法,其特征在于,当确定所述终端对应的车辆为空载状态或打车系统中不存在UE运动轨迹时,所述方法还包括:
根据每一终端的终端运动轨迹以及该终端所属城市的交通地图信息,确定每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据;
计算每一终端的终端运动轨迹的中心点,并对每一终端的终端运动轨迹按照经纬度进行聚类;
确定聚类内各个终端对应的车辆的平均经过路段数差以及该车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值;
将每一终端的历史订单数据、所述每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据、聚类内各个终端对应的车辆的平均经过路段数差以及每一车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值作为多维输入特征,利用多层神经网络模型,预估每一终端对应的车辆的载客状态。
7.一种车辆载客状态的预估装置,其特征在于,该装置包括:
订单获取模块,用于获取每一终端的历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单;
时间预估模块,用于根据所述第一历史订单的特征信息以及所述第二历史订单的目的地,预估所述每一终端的第一历史订单的结束时间;
轨迹获取模块,用于获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹;
第一判定模块,用于根据所述终端运动轨迹和UE运动轨迹的相似度,确定每一终端对应的车辆的载客状态;
其中,所述订单获取模块,包括:
历史订单数据获取单元,用于获取所述每一终端在第二预设时间段内的历史订单数据;
提取单元,用于提取所述历史订单数据中订单的发布时间与当前时间的时间差最小的第一历史订单,以及与该第一历史订单相邻的第二历史订单。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括查看模块和第二判定模块:
查看模块,用于在获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹之前,查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹;
第二判定模块,用于当打车系统中在所述第一预设时间段内不存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹时,根据预估的结束时间,确定每一终端对应的车辆的载客状态;
所述轨迹获取模块,具体用于当打车系统中在所述第一预设时间段内存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹时,获取第一预设时间段内每一终端的终端运动轨迹以及第一历史订单对应UE的UE运动轨迹。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
置信度确定模块,用于基于所述预估的结束时间与当前时间的时间关系,对所述当前时间赋予置信度;
所述查看模块,具体用于基于所述置信度,执行所述查看打车系统中在所述第一预设时间段内是否存在所述终端运动轨迹以及所述第一历史订单对应UE的UE运动轨迹的操作。
10.根据权利要求7-8任一项所述的装置,其特征在于,所述轨迹获取模块,包括:
位置坐标获取单元,用于获取第一预设时间段内每一终端上传的终端位置坐标,以及所述第一历史订单对应UE上传的UE位置坐标;
终端运动轨迹生成单元,用于根据所述每一终端上传的终端位置坐标以及对应的上传时间生成终端运动轨迹;
UE运动轨迹生成单元,用于根据所述第一历史订单对应UE上传的UE位置坐标以及对应的上传时间生成UE运动轨迹。
11.根据权利要求10所述的装置,其特征在于,所述第一判定模块,包括:
确定单元,用于确定所述终端位置坐标对应的上传时间与所述UE位置坐标对应的上传时间之间的时间差;
判断单元,用于当所述时间差属于预设置信区间时,判断所述终端位置坐标和UE位置坐标之间的距离是否小于预设阈值;若是,则确定该终端对应的车辆为载客,否则为空载。
12.根据权利要求7-8任一项所述的装置,其特征在于,所述装置还包括:
第一输入特征确定模块,用于当确定所述终端对应的车辆为空载状态或打车系统中不存在UE运动轨迹时,根据每一终端的终端运动轨迹以及该终端所属城市的交通地图信息,确定每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据;
聚类模块,用于计算每一终端的终端运动轨迹的中心点,并对每一终端的终端运动轨迹按照经纬度进行聚类;
第二输入特征确定模块,用于确定聚类内各个终端对应的车辆的平均经过路段数差以及该车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值;
网络模型预估模块,用于将每一终端的历史订单数据、所述每一终端对应的车辆的速度数据、经过路段数据以及归属路段数据、聚类内各个终端对应的车辆的平均经过路段数差以及每一车辆的速度数据与在同一路段的最快速度差值、最慢速度差值和平均速度差值作为多维输入特征,利用多层神经网络模型,预估每一终端对应的车辆的载客状态。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510615454.4A CN105160880B (zh) | 2015-09-24 | 2015-09-24 | 一种车辆载客状态的预估方法及装置 |
EP16848159.6A EP3320531B1 (en) | 2015-09-24 | 2016-09-23 | System and method for determining the vehicle load status |
US15/566,221 US20180330225A1 (en) | 2015-09-24 | 2016-09-23 | System and method for determining vehicle load status |
PCT/CN2016/099898 WO2017050278A1 (en) | 2015-09-24 | 2016-09-23 | System and method for determining vehicle load status |
AU2016102423A AU2016102423A4 (en) | 2015-09-24 | 2016-09-23 | System and method for determining vehicle load status |
AU2016326056A AU2016326056A1 (en) | 2015-09-24 | 2016-09-23 | System and method for determining vehicle load status |
GB1716396.5A GB2553952A (en) | 2015-09-24 | 2016-09-23 | System and method for determining vehicle load status |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510615454.4A CN105160880B (zh) | 2015-09-24 | 2015-09-24 | 一种车辆载客状态的预估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160880A CN105160880A (zh) | 2015-12-16 |
CN105160880B true CN105160880B (zh) | 2017-08-25 |
Family
ID=54801718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510615454.4A Active CN105160880B (zh) | 2015-09-24 | 2015-09-24 | 一种车辆载客状态的预估方法及装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20180330225A1 (zh) |
EP (1) | EP3320531B1 (zh) |
CN (1) | CN105160880B (zh) |
AU (2) | AU2016326056A1 (zh) |
GB (1) | GB2553952A (zh) |
WO (1) | WO2017050278A1 (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160880B (zh) * | 2015-09-24 | 2017-08-25 | 滴滴(中国)科技有限公司 | 一种车辆载客状态的预估方法及装置 |
CN107016584B (zh) * | 2016-01-27 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 订单筛选方法和装置 |
CN107194488B (zh) * | 2016-03-14 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 一种出行信息推送方法及装置 |
CN105741537B (zh) * | 2016-03-29 | 2018-06-26 | 福建工程学院 | 车辆寻客状态的识别方法及系统 |
CN107818389B (zh) * | 2016-09-12 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 公交路线验证处理方法及装置 |
CN109074622B (zh) | 2016-04-27 | 2022-04-05 | 北京嘀嘀无限科技发展有限公司 | 确定运输服务路线的系统及方法 |
CN107920099A (zh) * | 2016-10-09 | 2018-04-17 | 北京嘀嘀无限科技发展有限公司 | 一种播报消息处理方法及服务器 |
CN108022140A (zh) * | 2016-11-02 | 2018-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种用车订单推荐方法、装置及服务器 |
CN106875080A (zh) * | 2016-12-19 | 2017-06-20 | 北京东方车云信息技术有限公司 | 一种派单处理方法及系统 |
CN108960544A (zh) * | 2017-05-19 | 2018-12-07 | 北京嘀嘀无限科技发展有限公司 | 运力调度方法、装置、服务器和计算机可读存储介质 |
AU2018102202A4 (en) * | 2017-06-28 | 2021-02-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for cheat examination |
WO2019087595A1 (ja) * | 2017-11-06 | 2019-05-09 | 本田技研工業株式会社 | 移動体分布状況予測装置及び移動体分布状況予測方法 |
JP7102987B2 (ja) * | 2018-07-05 | 2022-07-20 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法およびプログラム |
CN110490501B (zh) * | 2018-09-18 | 2022-04-26 | 北京京东振世信息技术有限公司 | 一种运力状态管理方法和装置 |
CN111105243B (zh) * | 2018-10-25 | 2023-04-18 | 北京嘀嘀无限科技发展有限公司 | 订单服务安全性检测方法及装置、计算机可读存储介质 |
CN109493449B (zh) * | 2018-11-23 | 2020-05-26 | 北京航空航天大学 | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 |
CN109587266B (zh) * | 2018-12-21 | 2021-09-10 | 拉扎斯网络科技(上海)有限公司 | 配送人员的质检上报方法、装置、终端及存储介质 |
CN109525487A (zh) * | 2019-01-17 | 2019-03-26 | 深圳市沃特沃德股份有限公司 | 任务信息分发方法、装置、可读存储介质及计算机设备 |
DE102019001735B3 (de) * | 2019-03-11 | 2020-06-04 | Audi Ag | Erheben von fahrzeugbasierten, ortsbezogenen Datensätzen |
CN111696343B (zh) * | 2019-03-12 | 2022-04-05 | 北京嘀嘀无限科技发展有限公司 | 一种轨迹数据处理方法及装置 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
CN110650245B (zh) * | 2019-09-25 | 2021-08-06 | Oppo广东移动通信有限公司 | 提醒方法、提醒装置、移动终端及计算机可读存储介质 |
CN112950924B (zh) * | 2019-12-10 | 2022-08-19 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
CN111126910A (zh) * | 2019-12-20 | 2020-05-08 | 贵州黔岸科技有限公司 | 基于物联网的运输全程管控系统及方法 |
US20220188851A1 (en) * | 2020-06-02 | 2022-06-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | Multi-objective distributional reinforcement learning for large-scale order dispatching |
US11017347B1 (en) * | 2020-07-09 | 2021-05-25 | Fourkites, Inc. | Supply chain visibility platform |
CN111754050A (zh) * | 2020-07-14 | 2020-10-09 | 拉扎斯网络科技(上海)有限公司 | 配送对象配送画像的预测方法及装置 |
CN114999023A (zh) * | 2022-05-25 | 2022-09-02 | 北京畅行信息技术有限公司 | 行为检测方法、行为检测装置、存储介质和车载终端 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11283186A (ja) * | 1998-03-27 | 1999-10-15 | Aisin Seiki Co Ltd | 配車管理システム |
KR100449497B1 (ko) * | 2000-12-21 | 2004-09-21 | 주식회사 매직아이 | 실시간 정보 제공 장치 및 그 처리 방법 |
WO2005052884A1 (en) * | 2003-11-28 | 2005-06-09 | Remote Control Limited | Driver and vehicle status communication system |
US20110137699A1 (en) * | 2008-08-05 | 2011-06-09 | Ronen Ben-Ari | Method and system for cab management |
GB201106555D0 (en) * | 2011-04-19 | 2011-06-01 | Tomtom Int Bv | Taxi dispatching system |
CN103035117B (zh) * | 2011-09-30 | 2015-09-30 | 任仙怡 | 出租车智能电招的方法及系统 |
CN103854472B (zh) * | 2012-12-05 | 2016-09-07 | 深圳先进技术研究院 | 出租车云智能调度方法及系统 |
CN103903427A (zh) * | 2012-12-28 | 2014-07-02 | 上海飞田通信技术有限公司 | 出租车调度系统、调度服务器及车载智能导航终端 |
CN104715426B (zh) * | 2015-04-08 | 2018-08-03 | 北京嘀嘀无限科技发展有限公司 | 用于处理订单的方法及设备 |
CN104794889B (zh) * | 2015-03-12 | 2019-03-15 | 北京嘀嘀无限科技发展有限公司 | 用于推送订单的方法和设备 |
CN104794890A (zh) * | 2015-04-27 | 2015-07-22 | 北京嘀嘀无限科技发展有限公司 | 获得可载客车辆数量的方法及设备 |
CN105160880B (zh) * | 2015-09-24 | 2017-08-25 | 滴滴(中国)科技有限公司 | 一种车辆载客状态的预估方法及装置 |
-
2015
- 2015-09-24 CN CN201510615454.4A patent/CN105160880B/zh active Active
-
2016
- 2016-09-23 US US15/566,221 patent/US20180330225A1/en not_active Abandoned
- 2016-09-23 WO PCT/CN2016/099898 patent/WO2017050278A1/en active Application Filing
- 2016-09-23 GB GB1716396.5A patent/GB2553952A/en not_active Withdrawn
- 2016-09-23 AU AU2016326056A patent/AU2016326056A1/en active Pending
- 2016-09-23 EP EP16848159.6A patent/EP3320531B1/en active Active
- 2016-09-23 AU AU2016102423A patent/AU2016102423A4/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP3320531A4 (en) | 2018-08-08 |
US20180330225A1 (en) | 2018-11-15 |
GB201716396D0 (en) | 2017-11-22 |
AU2016326056A1 (en) | 2017-12-14 |
WO2017050278A1 (en) | 2017-03-30 |
EP3320531B1 (en) | 2021-01-27 |
AU2016102423A4 (en) | 2020-04-30 |
CN105160880A (zh) | 2015-12-16 |
GB2553952A (en) | 2018-03-21 |
EP3320531A1 (en) | 2018-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160880B (zh) | 一种车辆载客状态的预估方法及装置 | |
Ceder | Urban mobility and public transport: future perspectives and review | |
US11080944B2 (en) | Programmatically determining location information in connection with a transport service | |
US10255648B2 (en) | Self-driving vehicle systems and methods | |
US20200410375A1 (en) | Optimizing and predicting availability of resources in a shared vehicle environment | |
CA2975002C (en) | Methods and systems for providing information for an on-demand service | |
US11182871B2 (en) | System and apparatus for ridesharing | |
US20160298974A1 (en) | Systems and methods for learning and displaying customized geographical navigational options | |
US9141975B2 (en) | Inferring user risk profile from travel patterns | |
AU2013205716B2 (en) | Location-based cognitive and predictive communication system | |
US20150254581A1 (en) | Rideshare system and method to facilitate instant carpooling | |
CN107492063A (zh) | 一种上车点推荐处理方法及系统 | |
CN107491825A (zh) | 一种约车处理方法及系统 | |
US20190205785A1 (en) | Event detection using sensor data | |
CN103488666A (zh) | 信息处理设备、电子装置、信息处理方法和程序 | |
US20220341746A1 (en) | Systems and methods for personalized ground transportation processing and user intent predictions | |
US20150017967A1 (en) | Method and apparatus for determining a predicted duration of a context | |
US11821742B2 (en) | Travel based notifications | |
CN109313036A (zh) | 路线规划的系统及方法 | |
Safi et al. | Trip detection with smartphone-assisted collection of travel data | |
WO2021052451A1 (zh) | 一种确定预估到达时间的方法和系统 | |
CN115456266A (zh) | 行程规划方法、装置、设备及存储介质 | |
US10713598B2 (en) | Anticipating user dissatisfaction via machine learning | |
CN105608921B (zh) | 在电子装置中提示公共交通线路的方法和设备 | |
CN112612958A (zh) | 订单处理方法、装置、电子设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180423 Address after: 300280 unit 103, block C, office building, Nangang industrial complex, Tianjin economic and Technological Development Zone, 12 Patentee after: DIDI CHUXING TECHNOLOGY CO., LTD. Address before: 300480 Tianjin Binhai New Area Economic and Technological Development Zone Nangang industrial zone comprehensive service area office block D block 2 floor 219-22 room. Patentee before: DIDI (CHINA) TECHNOLOGY CO., LTD. |