CN106875066A - 用车出行行为的预测方法、装置、服务器以及存储介质 - Google Patents

用车出行行为的预测方法、装置、服务器以及存储介质 Download PDF

Info

Publication number
CN106875066A
CN106875066A CN201710113177.6A CN201710113177A CN106875066A CN 106875066 A CN106875066 A CN 106875066A CN 201710113177 A CN201710113177 A CN 201710113177A CN 106875066 A CN106875066 A CN 106875066A
Authority
CN
China
Prior art keywords
user
car
predicted
scene
targeted customer
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.)
Granted
Application number
CN201710113177.6A
Other languages
English (en)
Other versions
CN106875066B (zh
Inventor
刘坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710113177.6A priority Critical patent/CN106875066B/zh
Publication of CN106875066A publication Critical patent/CN106875066A/zh
Application granted granted Critical
Publication of CN106875066B publication Critical patent/CN106875066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种用车出行行为的预测方法、装置、服务器以及存储介质。该预测方法包括：对待预测用户进行场景特征监测，以获取所述待预测用户所处的即时应用场景的场景特征；根据待预测用户的用户画像特征和所述场景特征进行用车出行预测。采用上述方法，可以实现对用户的个性化用车出行行为进行准确的预测。

Description

用车出行行为的预测方法、装置、服务器以及存储介质
技术领域
本发明实施例涉及数据处理技术，尤其涉及一种用车出行行为的预测方法、装置、服务器以及存储介质。
背景技术
随着智能设备的普及以及互联网技术的发展，网上叫车服务已经成为用户出行生活中很重要的一部分，为社会各阶层人士乘车出行提供了便捷高效的服务。用户可以利用智能设备中带有网络叫车功能的应用软件实现即时叫车或者预约车。用户使用网上叫车服务时，通常需要输入起始地点、目的地点以及出行时间，后台服务器根据用户输入的起始地点、目的地点以及出行时间向可网络叫车的车辆派发用车订单，以使得该车辆的司机根据用车订单为用户提供用车服务。
然而，用户使用网上叫车服务时，可能会出现长时间的等待接单车辆到达起始地点，或者由于用车需求过高导致长时间无车接单的情况。同时，当用户用车需求过低时，可能会出现可网络叫车的车辆每天接单数量很少，需要长时间的等待用车订单的情况，导致用车效率过低。
为了防止上述情况的发生，后台服务器通常会对用户的出行行为进行预测，以提高用车效率。通常情况下，后台服务器会根据用户的历史用车需求对该用户的出行行为进行预测。然而，上述方案对于某些未使用过网上叫车服务的潜在用户并不适用，同时，上述方案也无法实现对于突发情况引起的网上叫车服务的准确预测。
发明内容
本发明提供一种用车出行行为的预测方法、装置、服务器以及存储介质，以实现对用户的个性化用车出行行为进行准确的预测。
第一方面，本发明实施例提供了一种用车出行行为的预测方法，包括：
对待预测用户进行场景特征监测，以获取所述待预测用户所处的即时应用场景的场景特征；
根据待预测用户的用户画像特征和所述场景特征进行用车出行预测。
第二方面，本发明实施例还提供了一种用车出行行为的预测装置，包括：
监测模块，用于对待预测用户进行场景特征监测，以获取所述待预测用户所处的即时应用场景的场景特征；
预测模块，用于根据待预测用户的用户画像特征和所述场景特征进行用车出行预测。
第三方面，本发明实施例还提供了一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的用车出行行为的预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，该程序被处理器执行时实现如第一方面所述的用车出行行为的预测方法。
本发明提供的用车出行行为的预测方法、装置、服务器以及存储介质，通过待预测用户的用户画像特征以及待预测用户当前所处的即时应用场景的场景特征对待预测用户进行用车出行预测的技术方案，实现了可以针对每个待预测用户进行个性化的用车出行预测，不仅可以提高用车出行预测的准确率，还可以针对每个待预测用户个性化的用车出行需求向每个用户提供个性化的用车服务，以提升用户的使用体验。
附图说明
图1a为本发明实施例一提供的用车出行行为的预测方法的流程图；
图1b为本发明实施例一提供的待预测用户的确定方法的流程图；
图2为本发明实施例二提供的用车出行行为的预测方法的流程图；
图3为本发明实施例三提供的用车出行行为的预测方法的流程图；
图4为本发明实施例四提供的一种用车出行行为的预测装置的结构示意图；
图5为本发明实施例五提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a为本发明实施例一提供的用车出行行为的预测方法的流程图，本实施例可适用于对待预测用户进行个性化用户出行预测的情况，该方法可以由用车出行行为的预测装置来执行，其中该装置可以通过软件和/或硬件的方式实现，并集成在服务器中。其中，该服务器为提供用车出行服务的后台服务器。参考图1a，本实施例提供的预测方法具体包括：
S110、对待预测用户进行场景特征监测，以获取待预测用户所处的即时应用场景的场景特征。
在本实施例中，即时应用场景为待预测用户当前所处的应用场景，例如天气场景、交通路况状况以及异地场景等。某个应用场景的场景特征为该应用场景下可能出现的各个要素，以天气场景为例，对应的场景特征可以包括：晴天、雨天、阴天以及雪天等，以交通路况状况为例，对应的场景特征可以包括：拥堵、通畅以及发生交通事故等。不同的应用场景下，待预测用户的用车需求可能不同。
具体的，待预测用户的选择方式可以根据实际情况进行设定。例如，由服务器的运营者在某些特定的用户中选择待预测用户。又如，根据用户的历史用车出行行为，选择存在用车出行意图的用户作为待预测用户。
进一步的，对待预测用户进行场景特征监测时，可以实时对待预测用户的日志流进行跟踪，并根据跟踪结果确定待预测用户的场景特征。其中，该日志流中包括待预测用户的网络行为以及用户所处的位置信息等信息。
需要说明的是，对待预测用户进行场景特征监测时，不仅局限于对某一个应用场景的场景特征进行监测。比如可以同时对待预测用户的天气场景和异地场景进行监测。
S120、根据待预测用户的用户画像特征和场景特征进行用车出行预测。
其中，用户画像特征包括：性别、年龄、学历、收入、职位、所属公司、所属行业、兴趣分类、常用应用软件类型信息、常驻位置信息、本地出行平均距离以及预设间隔内的异地出行数据中的至少一种。根据用户画像特征可以得到用户的虚拟形象。
通过对全部历史用车订单的分析，发现用车出行行为与用户个人的用户画像特征有很大的关系，比如在一线城市，本科及以上的用户在全部用车用户中占比46％，同时，在本科以上的用户中，63％的用户使用专车服务。又如，在购物意图场景中，女性用户使用用车出行服务的概率远大于男性用户使用用车出行服务的概率。因此，在对待预测用户进行用车出行预测时，不仅考虑场景特征，还应该考虑用户画像特征，以保证得到的用车出行预测结果更加准确，符合待预测用户的个性化用车需求。
进一步的，获取用户画像特征的方式可以包括：获取用户输入的信息和/或获取用户的网络行为数据等方式。例如，获取某一用户的网络行为数据时，发现该用户使用搜索工具搜索的内容通常为：美妆、护肤以及时尚等，而统计全网用户的搜索行为数据后，确认上述搜索内容的用户性别通常为女，因此，确定该用户的性别为女。
用车出行预测为对待预测用户是否使用用车出行服务进行预测。其中，待预测用户通过互联网利用客户端中带有用车出行服务的应用软件进行即时叫车或者预约车，服务器根据待预测用户的用车需求向网络中可约车辆的客户端派发订单，以便可约车辆向待预测用户提供用车服务。其中，客户端包括手机、平板电脑等智能设备。
具体的，对待预测用户进行用车出行预测时，可以结合待预测用户的用户画像特征以及场景特征。例如，确定待预测用户的常驻位置信息为A市B区，根据待预测用户的场景特征确定该待预测用户当前处于C市D区，那么说明该待预测用户位于异地，进一步的，根据待预测用户的场景特征确定待预测用户当前处于雨天，根据上述条件对该待预测用户进行用车出行预测，并且得到的用车出行预测结果为该待预测用户用车出行的概率为90％。进一步的，根据该用车出行预测结果可以将用车服务优惠信息推送至待预测用户的客户端，以保证待预测用户在体验用车出行服务时，享受优惠信息，同时提高待预测用户使用用车出行服务的可能性。需要说明的是，某些特定的场景下，可以无需获取待预测用户的用户画像特征，仅根据场景特征进行用车出行预测。例如，某个地区在某个时间段内举办大型的室外活动，当室外活动结束时，该地区用户的用车出行概率会很高，即该地区待预测用户的即时应用场景为户外活动场景，此时，根据该户外活动场景的场景特征便可以得到待预测用户的用车出行预测结果。
可选的，根据用户画像特征以及场景特征进行待预测用户的用车出行预测时，可以利用用车出行预测模型。其具体为：首先获取历史用车出行订单中各用户的用户画像特征和当时应用场景的场景特征，再获取使用过带有用车出行服务的应用软件但是未发出过用车出行订单的用户的用户画像特征以及使用该应用软件时应用场景的场景特征，利用逻辑回归模型等机器学习模型对上述得到的数据进行机器训练，以得到基于用户画像特征和场景特征的用车出行预测模型。当进行用车出行预测时，仅需要将待预测用户的用户画像特征和即时应用场景的场景特征输入至用车出行预测模型，便可以得到用车出行预测结果，其中，该用车出行预测结果为一个具体的概率值。
本实施例提供的用车出行行为的预测方法，通过待预测用户的用户画像特征以及待预测用户当前所处的即时应用场景的场景特征对待预测用户进行用车出行预测的技术方案，实现了可以针对每个待预测用户进行个性化的用车出行预测，不仅可以提高用车出行预测的准确率，还可以针对每个待预测用户个性化的用车出行需求向每个用户提供个性化的用车服务，以提升用户的使用体验。
在上述技术方案的基础上，参考图1b，S110优选可以包括：
S111、针对目标用户，按照关键场景特征项进行特征监测。
目标用户为存在用车出行可能的用户。其中，目标用户包括：潜在用车用户、发出历史用车出行订单的用户和/或关注用车服务的用户。
可选的，在S111之前，优选还包括：根据潜在用车用户识别模型对第一预设用户群的用户画像特征进行识别，以确定第一预设用户群中各用户属于潜在用车用户的概率；根据概率选取用户作为潜在用车用户。
其中，由于用户画像特征会影响用车出行预测结果，因此，可以通过用户画像特征在第一预设用户群中识别出使用用车出行服务概率较高的用户，作为潜在用车用户。第一预设用户群包括：发出历史用车出行订单的用户以及全网用户中未发出过历史用车出行订单的用户。
具体的，将第一预设用户群中发出历史用车出行订单的用户对应的用户集合作为正样本集合，将全网用户中未发出过历史用车出行订单的用户对应的用户集合作为负样本集合。将各样本集合中各用户的用户画像特征按照设定的置信度构建用户特征向量，其中，置信度的具体数据可以根据实际情况进行设定。进一步的，利用逻辑回归方法对各用户特征向量进行学习，以得到潜在用车人群识别模型，进而得到第一预设用户群中各用户成为潜在用车用户的概率。
下面对潜在用车人群识别模型的算法进行示例说明：
设定任意用户uj，其中1≤j≤M,M为第一预设用户群的具体数量。根据用户uj的用户画像特征构成的用户特征向量为Fj＝(fj (1),fj (2),fj (3),…,fj (N),1)T，其中，fj (i)表示用户画像特征中第i个特征对应的数值，1≤i≤N，具体的特征-数值转换规则本实施例不作限定。设定特征权重向量w＝(w(1),w(2),w(3),…w(N),b)，其中，w(i)表示第i个特征对应的权重，其中权重的具体值可以根据实际情况进行设定，b表示样本偏置，第一预设用户群的特征权重向量相同。uj对应的样本类别为cj，其中，cj∈{0,1}，0表示正样本，1表示负样本，正样本为第一预设用户群中发出历史用车出行订单的用户，负样本为全网用户中未发出过历史用车出行订单的用户。
具体的，根据逻辑回归方法可以得到第一预设用户群中每个用户属于潜在用车用户的概率，其具体公式为：其中，P(c＝1|F)表示某个用户属于潜在用车用户的概率，F表示该用户对应的用户特征向量，
根据上述方法便可以确定第一预设用户群中每个用户属于潜在用车用户的概率。需要说明的是，由于发出历史用车出行订单的用户以及全网用户中未发出过历史用车出行订单的用户的数量非常庞大，因此，在实际统计时，可以对上述用户进行抽样以确定第一预设用户群，具体的抽样规则本实施例中不作限定。
可选的，根据概率选取用户作为潜在用车用户时具体可以包括：
方案一、确定潜在用车用户的总数量。从最大概率开始，按照由大到小的顺序选取与总数量相等的概率，并将选取的概率对应的用户作为潜在用车用户。
方案二、确定潜在用户用户的最低概率阈值。在全部概率中，截取大于或者等于最低概率阈值的概率，并将截取的概率对应的用户作为潜在用车用户。
作为一种优选方式，目标用户包括：潜在用车用户、发出历史用车出行订单的用户以及关注用车服务的用户，这样可以保证目标用户涵盖范围的准确程度。比如，某些发出历史用车出行订单的用户，由于其用车出行的概率较低，因此，该用户并不属于潜在用车用户，但是由于该用户发出过用车出行订单，说明该用户还是存在用车出行的可能，因此，将该用户也加入至目标用户中。
进一步的，关键场景为对用车出行预测结果起到决定作用的场景。其中，关键场景的场景特征被称为关键场景特征。
在确定关键场景时，可以结合历史用车出行订单，分析各应用场景对历史用车出行行为的影响高低，并将对历史用车出行行为影响较高的应用场景确定为关键场景。
例如，结合历史用车出行订单可知，天气场景对历史用车出行行为影响较高，因此将天气场景确定为关键场景。进一步的，按照天气场景的场景特征(如晴天、雨天以及雪天等)对目标用户进行监测，其中，在监测时，需要先获取目标用户的位置信息，进而获取该位置信息的天气数据。
S112、判断目标用户的关键场景特征是否满足设定条件。如果目标用户的关键场景特征满足设定条件，则执行S113，否则，返回执行S111。
由于每个关键场景中可以包含很大数量的关键场景特征，而某些关键场景特征下，目标用户几乎不会使用用车出行服务，因此，可以对关键场景设定条件，如果目标用户的关键场景特征满足该设定条件，则说明该关键场景特征是促进目标用户使用用车出行服务的特征，反之，则说明该关键场景特征不是促进目标用户使用用车出行服务的特征。其中，设定条件可以根据实际情况进行设定。
以天气场景为例，在监测目标用户的关键场景特征时，可以获取目标用户所在地的当前天气情况和未来天气情况，以确认获取的天气情况是否为促进目标用户用车出行的天气条件。假设通过场景特征可以未来两天内目标用户所在地区为小雨天气，而小雨天气是促进目标用户使用用车出行服务的场景特征，所以在对目标用户未来两天内的用车出行行为进行预测时，确定该关键场景特征满足设定条件。
以异地场景为例，在监测目标用户的关键场景特征时，可以获取目标用户的位置信息，并结合用户画像特征确定该位置信息是否为该目标用户的常住位置信息，如果不是目标用户的常住位置信息，则可以确定关键场景特征满足设定条件。其中，位置信息可以为坐标形式。
上述示例仅是对一个关键场景的设定条件进行说明。在实际应用中，确定目标用户的关键场景特征是否满足设定条件时，可以同时确定多个关键场景的关键场景特征是否满足对应的多个设定条件。补充说明的是：同一个关键场景也可以对应多个设定条件。以天气场景为例：设定条件不仅可以包括：小雨天气，还可以包括：下雪天气、温度为-10℃及以下或者空气质量为中度污染及以上等。
S113、确定目标用户为待预测用户，获取待预测用户所处的即时应用场景的场景特征。
具体的，将满足设定条件的目标用户确定为待预测用户。这样做的好处是，无需对全部目标用户进行用车出行预测，仅需对满足设定条件的待预测用户进行预测，不仅可以保证用车出行预测准确率，还可以减小预测时的工作量，提高用车出行预测效率。
实施例二
图2为本发明实施例二提供的用车出行行为的预测方法的流程图。本实施例是在上述实施例的基础上进行具体化，参考图2，本实施例提供的预测方法具体包括：
S210、获取目标用户的用户画像特征。
其中，目标用户的用户画像特征的具体获取方式与实施例一描述的获取用户画像特征的方式相同，在此不作说明。
S220、在用户画像特征中，获取至少两个目标子画像特征。
可选的，目标子画像特征为用户画面特征中较为重要的特征，例如性别、所属行业、年龄、家庭位置以及公司位置等。重要特征可以根据实际情况进行设定。
S230、分别确定每个目标子画像特征对应的用户。
S240、保存目标子画像特征与对应的用户的对应关系表。
由于每个用户都有多个目标子画像特征，如果保存每个目标子画像特征与对应的用户的对应关系表，则会使得存储量巨大，因此，在保存对应关系表时，可以采用用户与目标子画像特征进行倒排的方式，得到倒排索引也可以称为倒排列表，这样可以增加数据的压缩率。
前述操作为用车出行预测准备过程中的一部分，后续操作为用户出行预测过程。
S250、获取目标子画像特征。
S260、在对应关系表中，查找与目标子画像特征对应的用户筛选更新为目标用户。
由于某些情况下服务器的运营者可能仅需要对目标用户中的部分用户进行用车出行预测，针对这类情况，便可以根据目标子画像特征对目标用户进行筛选并将筛选结果更新为目标用户。
例如，服务器的运营者想要对北京地区的计算机行业的用户进行用车出行预测，则可以输入目标子画像特征为：位置信息“北京”，所属行业“计算机”。服务器在获取目标子画像特征后，便可以在对应关系表中查找到同时满足“北京”和“计算机”的用户作为目标用户。如果后续需要获取天气场景的场景特征，则仅需访问目标用户所在的北京地区的天气数据，无需确定每个目标用户的所在地，再获取所在地的天气数据，同时，也无需关注全国所有地区的天气数据。
S270、针对目标用户，按照关键场景特征项进行特征监测。
S280、判断目标用户的关键场景特征是否满足设定条件。如果目标用户的关键场景特征满足设定条件，则执行S290，否则，返回执行S270。
S290、确定目标用户为待预测用户，获取待预测用户所处的即时应用场景的场景特征。
S2100、根据待预测用户的用户画像特征和场景特征进行用车出行预测。
S2110、根据用车出行预测结果生成服务信息，并将该服务信息发送至对应的客户端中。
用车出行预测结果中可以包括：用车时间、用车时待预测用户所在区域以及目的地等信息。
其中，服务信息可以分为发送至待预测用户的客户端中的信息以及发送至可调度车辆的客户端中的信息。基于上述两类服务信息，该操作具体可以包括下属至少一种方案：
方案一、根据用车出行预测结果确定待预测用户所在区域的用车调度推荐信息，并将用车调度推荐信息发送至可调度车辆的客户端中。
具体的，根据用车出行预测结果确定待预测用户所在区域的可调度车辆信息，其中，所在区域为待预测用户用车时所在的区域。可调度车辆信息可以表明该区域用车需求与用车供给的情况，可以是实时情况，也可以是结合历史数据得到的预测情况。例如，根据当前实时情况得到该区域用车需求过剩，而可调度车辆不足的可调度车辆信息，又如，根据该区域的历史数据得到在明天的下午5点-7点之间可调度车辆过剩，而用车需求不足的情况，其中，如果可调度车辆信息表明的是对未来某一段时间的用车需求与用车供给的情况，则该段时间中包括用车出行预测结果中的用车时间。进一步的，根据可调度车辆信息确定用车调度推荐信息，并将该用车调度推荐信息发送至可调度车辆的客户端中。其中，该客户端中可以安装接收用车出行订单的应用软件。
例如，用车出行预测结果为用户在未来某个时刻会有用车出行需求，根据该用车出行预测结果确定的可调度车辆信息为所在区域在该时刻所在的时间段内用车需求过剩，而可调度车辆不足。据此，服务器生成的用车调度推荐信息为待预测用户所在区域在上述时间段内可调度车辆不足，推荐前往该区域。进一步的，将该用车调度推荐信息发送至其他相邻区域的可调度车辆的客户端中，或者是发送至其他可调度车辆过剩区域的可调度车辆的客户端中。
方案二、根据用车出行预测结果生成用车出行推送信息，并将用车出行推送信息发送至待预测用户的客户端中。
其中，用车出行推送信息包括用车路线推荐信息以及用车费用优惠信息等。
例如，根据用车出行推送信息确定待预测用户在某个时刻会有用车出行需求，则可以在邻近该时刻时向用户发送用车费用优惠信息，如优惠券等，以提高待预测用户的用车概率，同时降低待预测用户的用车费用。
本实施例提供的技术方案，通过确定目标子画像特征与对应的用户的对应关系表，并根据目标子画像特征更新目标用户，并对更新后的目标用户按照关键场景特征项进行特征监测，将满足预设条件的目标用户确定为待预测用户，并根据待预测用户的用户画像特征和场景特征进行用车出行预测，根据用车出行预测结果确定对应的服务信息并发送至对应的客户端中的技术手段，可以准确的对待预测用户进行个性化的用车出行预测，同时，还可以根据实际情况仅对特定的目标用户进行监测，以减小数据处理量，尤其对于专车用户等相对用户群比较集中的用户，可以通过特征筛选的方式仅对该用户群进行监测，更好地实现了网络用车调度，同时，也可以提升用户在使用用车出行服务时的使用体验。
实施例三
图3为本发明实施例三提供的用车出行行为的预测方法的流程图，本实施例是在上述实施例的基础上进行具体化，参考图3，本实施例提供的预测方法具体包括：
S310、选取候选应用场景。
其中，候选应用场景为可能出现用车需求的全部应用场景。
S320、确定各候选应用场景对历史用车出行决策的信息增益。
具体的，不同的候选应用场景对历史用车出行决策的影响不同，例如，某个候选应用场景下用车出行结果有两个值，一个值对应的是历史发出用车出行订单的用户的用车出行决策全部是使用用车出行服务，另一值对应的是历史发出用车出订单的用户的用车出行决策全部是不使用用车出行服务，即该候选应用场景下用户只有全部使用用车出行服务和全部不使用用车出行服务，因此该候选应用场景对用户的用车出行决策的影响很大。进一步的，可以通过确定各候选应用场景对历史用车出行决策的信息增益来确定各候选应用场景对历史用车出行决策的影响程度。
下面对确定各候选应用场景的信息增益进行示例性说明：
假设全部候选应用场景集合为：(S(1),S(2),S(3),…,S(Z))，其中每个候选应用场景有Qh种取值，每个取值代表该候选应用场景下用户的用车出行结果。其中，Qh为整数，则候选应用场景S(a)(1≤a≤Z)对历史用车出行决策D的信息增益可以按照如下公式计算：其中，g(S(a),D)表示S(a)对历史用车出行决策D的信息增益，表示不考虑候选应用场景时历史用车出行决策的熵，表示被S(a)的Qh种取值划分后得到的条件熵。S(a)对历史用车出行决策D的信息增益为两者的差值，即S(a)导致历史用车出行决策的熵的减少程度。其中，Ck表示用车决策的先验分类，在本示例中，Ck有两个分类，即K＝2,分别为用车或不用车两个类别的选择集合，范数|*|表示集合*的元素个数，以|Ck|为例，其表示集合Ck中元素个数，Dl表示被候选应用场景S(a)的第l个取值所划分的集合，Dlk表示在集合Dl中用车或不用车的用户集合。
通过上述公式，便可以确定每个候选应用场景针对历史用车出行决策的信息增益，其中信息增益越大，说明对应的候选应用场景对历史用车出行决策的影响越大。
需要说明的是，也可以通过其他的方式确定每个候选应用场景针对历史用车出行决策的信息增益，本实施例对此不做限定。
S330、根据信息增益从各候选应用场景中确定关键场景。
示例性的，确定关键场景时，可以通过设定增益阈值的方式，选取大于或者等于增益阈值的信息增益，并将选取的信息增益对应的候选应用场景确定为关键场景。
可选的，本实施例中确定的关键场景可以包括下述至少一项：
一、天气场景
对应的关键场景特征项包括：用户当前所处位置的设定天气条件。
其中，天气条件可以包括：温度、气象以及空气质量等信息。
二、预计出行时间场景
对应的关键场景特征项包括：用户历史出行时间与用户历史出行目的地及其属性信息。
其中，目的地属性信息可以包括：购物、美食、住宅、办公、户外以及运动等。
三、异地场景
对应的关键场景特征项包括用户当前所处位置与常驻地位置。
四、目的地场景
对应的关键场景特征项包括用户在当前时段内的地理位置搜索数据。
其中，地理位置搜索数据包括：搜索次数、搜索路线以及搜索频率等。
S340、针对目标用户，按照关键场景特征项进行特征监测。
其中，应用场景可以划分为两大类场景，分别为：意图类场景和客观场景。其中，意图类场景为用户主动发起行为的场景，比如，目的地场景、预计出行时间场景等。客观场景为存在客观因素的场景，比如，天气场景等。
基于上述两类场景，该操作具体可以包括下述至少一种方案：
方案一、分别对每个目标用户进行关键意图场景的特征监测，以获取每个目标用户所处的即时应用场景的意图场景特征。
其中，关键意图场景为关键场景中的意图类场景。关键意图场景的场景特征称为意图场景特征。
例如，关键意图场景为预计出行时间场景，对应的意图场景特征包括：用户历史出行时间与用户历史出行目的地及其属性信息。具体的，分别对每个目标用户进行关键意图场景的特征监测可以为：分别对每个目标用户的用户历史出行时间与用户历史出行目的地及其属性信息进行监测。根据监测结果可以确定目标用户的出行意图，比如工作、购物等，进而确定出目标用户的预计出行时间，比如工作对应的预计出行时间在工作日，购物对应的预计出行时间在周末。
方案二、根据各目标用户的用户属性画像特征信息确定客观场景，对客观场景的特征进行监测，以获取各目标用户所处的即时应用场景的客观场景特征。
以天气场景为例，可以根据目标用户的用户属性画像特征确定目标用户的常驻区域(例如北京市朝阳区)，以确定天气场景的监测区域。进一步的，获取该常住区域的天气条件，以实现对客观场景的特征进行监测。
S350、判断目标用户的关键场景特征是否满足设定条件。如果目标用户的关键场景特征满足设定条件，则执行S360，否则，返回执行S340。
S360、确定目标用户为待预测用户，获取待预测用户所处的即时应用场景的场景特征。
S370、根据待预测用户的用户画像特征和场景特征进行用车出行预测。
本实施例提供的技术方案，通过确定全部候选应用场景对历史用车出行决策的信息增益确定关键场景，并对目标用户的关键场景特征进行监测，将满足设定条件的目标用户确定为待预测用户，根据待预测用户的用户画像特征以及待预测用户当前所处的即时应用场景的场景特征对待预测用户进行用车出行预测的技术方案，实现了可以针对每个待预测用户进行个性化的用车出行预测，不仅可以提高用车出行预测的准确率，还可以针对每个待预测用户个性化的用车出行需求向每个用户提供个性化的用车服务，以提升用户的使用体验。
实施例四
图4为本发明实施例四提供的一种用车出行行为的预测装置的结构示意图。参考图4，该装置具体包括：监测模块401和预测模块402。
其中，监测模块401，用于对待预测用户进行场景特征监测，以获取所述待预测用户所处的即时应用场景的场景特征；预测模块402，用于根据待预测用户的用户画像特征和所述场景特征进行用车出行预测。
本实施例提供的用车出行行为的预测装置，通过待预测用户的用户画像特征以及待预测用户当前所处的即时应用场景的场景特征对待预测用户进行用车出行预测的技术方案，实现了可以针对每个待预测用户进行个性化的用车出行预测，不仅可以提高用车出行预测的准确率，还可以针对每个待预测用户个性化的用车出行需求向每个用户提供个性化的用车服务，以提升用户的使用体验。
在上述实施例的基础上，监测模块401具体包括：场景特征监测单元，用于针对目标用户，按照关键场景特征项进行特征监测；用户确定单元，用于如果目标用户的关键场景特征满足设定条件，则确定目标用户为待预测用户，获取待预测用户所处的即时应用场景的场景特征。
在上述实施例的基础上，目标用户包括：潜在用车用户、发出历史用车出行订单的用户和/或关注用车服务的用户。
在上述实施例的基础上，监测模块401包括：用户识别单元，用于在针对目标用户，按照关键场景特征项进行特征监测之前，根据潜在用车用户识别模型对第一预设用户群的用户画像特征进行识别，以确定第一预设用户群中各用户属于潜在用车用户的概率；用户选取单元，用于根据概率选取用户作为潜在用车用户。
在上述实施例的基础上，监测模块401包括：场景选取单元，用于在针对目标用户，按照关键场景特征项进行特征监测之前，选取候选应用场景；信息增益确定单元，用于确定各所述候选应用场景对历史用车出行决策的信息增益；场景确定单元，用于根据所述信息增益从各候选应用场景中确定关键场景。
在上述实施例的基础上，关键场景包括下述至少一项：
天气场景，对应的关键场景特征项包括：用户当前所处位置的设定天气条件；预计出行时间场景，对应的关键场景特征项包括：用户历史出行时间与用户历史出行目的地及其属性信息；异地场景，对应的关键场景特征项包括用户当前所处位置与常驻地位置；目的地场景，对应的关键场景特征项包括用户在当前时段内的地理位置搜索数据。
在上述实施例的基础上，场景特征监测单元具体用于：分别对每个目标用户进行关键意图场景的特征监测，以获取每个目标用户所处的即时应用场景的意图场景特征；和/或，根据各目标用户的用户画像特征确定客观场景，对客观场景的特征进行监测，以获取各目标用户所处的即时应用场景的客观场景特征。
在上述实施例的基础上，监测模块401包括：画像特征获取单元，用于按照关键场景特征项进行特征监测之前，获取目标用户的用户画像特征；第一子特征获取单元，用于在用户画像特征中，获取至少两个目标子画像特征；用户确定单元，用于分别确定每个目标子画像特征对应的用户；关系表保存单元，用于保存目标子画像特征与对应的用户的对应关系表；第二子特征获取单元，用于获取目标子画像特征；筛选单元，用于在对应关系表中，查找与目标子画像特征对应的用户筛选更新为目标用户。
在上述实施例的基础上，还包括：推送模块，用于在根据待预测用户的用户画像特征和场景特征进行用车出行预测之后，根据用车出行预测结果确定待预测用户所在区域的用车调度推荐信息，并将用车调度推荐信息发送至可调度车辆的客户端中；和/或，用于在根据待预测用户的用户画像特征和场景特征进行用车出行预测之后，根据用车出行预测结果生成用车出行推送信息，并将用车出行推送信息发送至待预测用户的客户端中。
在上述实施例的基础上，用户画像特征包括：性别、年龄、学历、收入、职位、所属公司、所属行业、兴趣分类、常用应用软件类型信息、常驻位置信息、本地出行平均距离以及预设间隔内的异地出行数据中的至少一种。
本发明实施例所提供的用车出行行为的预测装置可执行本发明任意实施例所提供的用车出行行为的预测方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种服务器的结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器12的框图。图5显示的服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该服务器12交互的设备通信，和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的用车出行行为的预测方法。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所提供的的用车出行行为的预测方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (18)

1.一种用车出行行为的预测方法，其特征在于，包括：
对待预测用户进行场景特征监测，以获取所述待预测用户所处的即时应用场景的场景特征；
根据待预测用户的用户画像特征和所述场景特征进行用车出行预测。
2.根据权利要求1所述的预测方法，其特征在于，对待预测用户进行场景特征监测，以获取所述待预测用户所处的即时应用场景的场景特征包括：
针对目标用户，按照关键场景特征项进行特征监测；
如果所述目标用户的关键场景特征满足设定条件，则确定所述目标用户为待预测用户，获取所述待预测用户所处的即时应用场景的场景特征。
3.根据权利要求2所述的预测方法，其特征在于，所述目标用户包括：潜在用车用户、发出历史用车出行订单的用户和/或关注用车服务的用户。
4.根据权利要求3所述的预测方法，其特征在于，针对目标用户，按照关键场景特征项进行特征监测之前，还包括：
根据潜在用车用户识别模型对第一预设用户群的用户画像特征进行识别，以确定所述第一预设用户群中各用户属于潜在用车用户的概率；
根据所述概率选取用户作为所述潜在用车用户。
5.根据权利要求2所述的预测方法，其特征在于，针对目标用户，按照关键场景特征项进行特征监测之前，还包括：
选取候选应用场景；
确定各所述候选应用场景对历史用车出行决策的信息增益；
根据所述信息增益从各候选应用场景中确定关键场景。
6.根据权利要求5所述的预测方法，其特征在于，所述关键场景包括下述至少一项：
天气场景，对应的关键场景特征项包括：用户当前所处位置的设定天气条件；
预计出行时间场景，对应的关键场景特征项包括：用户历史出行时间与用户历史出行目的地及其属性信息；
异地场景，对应的关键场景特征项包括用户当前所处位置与常驻地位置；
目的地场景，对应的关键场景特征项包括用户在当前时段内的地理位置搜索数据。
7.根据权利要求2所述的预测方法，其特征在于，针对目标用户，按照关键场景特征项进行特征监测包括：
分别对每个所述目标用户进行关键意图场景的特征监测，以获取每个所述目标用户所处的即时应用场景的意图场景特征；和/或
根据各所述目标用户的用户画像特征确定客观场景，对所述客观场景的特征进行监测，以获取各所述目标用户所处的即时应用场景的客观场景特征。
8.根据权利要求3或4所述的预测方法，其特征在于，针对目标用户，按照关键场景特征项进行特征监测之前，还包括：
获取目标用户的用户画像特征；
在所述用户画像特征中，获取至少两个目标子画像特征；
分别确定每个所述目标子画像特征对应的用户；
保存所述目标子画像特征与对应的用户的对应关系表；
获取目标子画像特征；
在所述对应关系表中，查找与所述目标子画像特征对应的用户筛选更新为目标用户。
9.根据权利要求1所述的预测方法，其特征在于，根据待预测用户的用户画像特征和所述场景特征进行用车出行预测之后，还包括：
根据用车出行预测结果确定所述待预测用户所在区域的用车调度推荐信息，并将所述用车调度推荐信息发送至可调度车辆的客户端中；和/或
根据用车出行预测结果生成用车出行推送信息，并将所述用车出行推送信息发送至所述待预测用户的客户端中。
10.根据权利要求1所述的预测方法，其特征在于，所述用户画像特征包括：
性别、年龄、学历、收入、职位、所属公司、所属行业、兴趣分类、常用应用软件类型信息、常驻位置信息、本地出行平均距离以及预设间隔内的异地出行数据中的至少一种。
11.一种用车出行行为的预测装置，其特征在于，包括：
监测模块，用于对待预测用户进行场景特征监测，以获取所述待预测用户所处的即时应用场景的场景特征；
预测模块，用于根据待预测用户的用户画像特征和所述场景特征进行用车出行预测。
12.根据权利要求11所述的预测装置，其特征在于，所述监测模块包括：
场景特征监测单元，用于针对目标用户，按照关键场景特征项进行特征监测；
用户确定单元，用于如果所述目标用户的关键场景特征满足设定条件，则确定所述目标用户为待预测用户，获取所述待预测用户所处的即时应用场景的场景特征。
13.根据权利要求12所述的预测装置，其特征在于，所述目标用户包括：潜在用车用户、发出历史用车出行订单的用户和/或关注用车服务的用户。
14.根据权利要求13所述的预测装置，其特征在于，所述监测模块包括：
用户识别单元，用于在针对目标用户，按照关键场景特征项进行特征监测之前，根据潜在用车用户识别模型对第一预设用户群的用户画像特征进行识别，以确定所述第一预设用户群中各用户属于潜在用车用户的概率；
用户选取单元，用于根据所述概率选取用户作为所述潜在用车用户。
15.根据权利要求12所述的预测装置，其特征在于，所述监测模块包括：
场景选取单元，用于在针对目标用户，按照关键场景特征项进行特征监测之前，选取候选应用场景；
信息增益确定单元，用于确定各所述候选应用场景对历史用车出行决策的信息增益；
场景确定单元，用于根据所述信息增益从各候选应用场景中确定关键场景。
16.根据权利要求15所述的预测装置，其特征在于，所述关键场景包括下述至少一项：
天气场景，对应的关键场景特征项包括：用户当前所处位置的设定天气条件；
预计出行时间场景，对应的关键场景特征项包括：用户历史出行时间与用户历史出行目的地及其属性信息；
异地场景，对应的关键场景特征项包括用户当前所处位置与常驻地位置；
目的地场景，对应的关键场景特征项包括用户在当前时段内的地理位置搜索数据。
17.一种服务器，其特征在于，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的用车出行行为的预测方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-10中任一所述的用车出行行为的预测方法。
CN201710113177.6A 2017-02-28 2017-02-28 用车出行行为的预测方法、装置、服务器以及存储介质 Active CN106875066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710113177.6A CN106875066B (zh) 2017-02-28 2017-02-28 用车出行行为的预测方法、装置、服务器以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710113177.6A CN106875066B (zh) 2017-02-28 2017-02-28 用车出行行为的预测方法、装置、服务器以及存储介质

Publications (2)

Publication Number Publication Date
CN106875066A true CN106875066A (zh) 2017-06-20
CN106875066B CN106875066B (zh) 2021-06-11

Family

ID=59167994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710113177.6A Active CN106875066B (zh) 2017-02-28 2017-02-28 用车出行行为的预测方法、装置、服务器以及存储介质

Country Status (1)

Country Link
CN (1) CN106875066B (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291921A (zh) * 2017-06-28 2017-10-24 北京京东尚科信息技术有限公司 信息处理方法及系统
CN107341272A (zh) * 2017-08-25 2017-11-10 北京奇艺世纪科技有限公司 一种推送方法、装置和电子设备
CN107727108A (zh) * 2017-09-30 2018-02-23 百度在线网络技术（北京）有限公司 公共交通出行路线的推荐方法、装置及计算机可读介质
CN107908740A (zh) * 2017-11-15 2018-04-13 百度在线网络技术（北京）有限公司 信息输出方法和装置
CN108288214A (zh) * 2018-01-15 2018-07-17 阿里巴巴集团控股有限公司 一种用车服务推荐方法、装置以及设备
CN108416486A (zh) * 2017-09-15 2018-08-17 杭州创屹机电科技有限公司 一种用于计算共享单车借车需求量的估算方法
JP2019028489A (ja) * 2017-07-25 2019-02-21 ヤフー株式会社 予測装置、予測方法、予測プログラム、学習データ、及びモデル
CN109684543A (zh) * 2018-12-14 2019-04-26 北京百度网讯科技有限公司 用户行为预测和信息投放方法、装置、服务器和存储介质
CN109785029A (zh) * 2017-11-14 2019-05-21 北京小度信息科技有限公司 用于呈现信息的方法和装置
CN110135433A (zh) * 2019-05-07 2019-08-16 宏图物流股份有限公司 一种基于车辆推荐的画像数据可用性判断方法
CN110472146A (zh) * 2019-07-29 2019-11-19 深圳数位传媒科技有限公司 线下服务推荐方法与装置、存储介质及计算机设备
CN110689158A (zh) * 2018-07-05 2020-01-14 北京嘀嘀无限科技发展有限公司 一种对目的地进行预测的方法、装置及存储介质
CN110689363A (zh) * 2018-07-05 2020-01-14 北京嘀嘀无限科技发展有限公司 优惠券提示方法及装置
CN110969861A (zh) * 2019-12-20 2020-04-07 中国移动通信集团黑龙江有限公司 一种车辆识别方法、装置、设备及计算机存储介质
CN110986985A (zh) * 2019-12-17 2020-04-10 广州小鹏汽车科技有限公司 车辆行程推送方法、装置、介质、控制终端及汽车
CN110990714A (zh) * 2019-11-01 2020-04-10 中国联合网络通信集团有限公司 一种用户行为意图预测方法和装置
CN111222729A (zh) * 2018-11-23 2020-06-02 北京嘀嘀无限科技发展有限公司 服务类型确定方法、装置、电子设备和存储介质
CN111275228A (zh) * 2018-12-04 2020-06-12 北京嘀嘀无限科技发展有限公司 预测方法、装置、电子设备及存储介质
CN111291914A (zh) * 2018-12-06 2020-06-16 北京嘀嘀无限科技发展有限公司 一种群体聚集场景的预测方法、装置、设备及存储介质
CN111310961A (zh) * 2018-12-12 2020-06-19 北京嘀嘀无限科技发展有限公司 数据预测方法、装置、电子设备和计算机可读存储介质
CN111367575A (zh) * 2018-12-06 2020-07-03 北京嘀嘀无限科技发展有限公司 一种用户行为预测方法、装置、电子设备及存储介质
CN111445052A (zh) * 2019-01-17 2020-07-24 阿里巴巴集团控股有限公司 车辆信息的处理方法、装置、及电子设备
CN111582526A (zh) * 2018-07-05 2020-08-25 北京嘀嘀无限科技发展有限公司 网约车订单处理方法、装置、设备及计算机可读存储介质
CN111666503A (zh) * 2019-03-05 2020-09-15 百度在线网络技术（北京）有限公司 出行方式推荐方法、装置、计算机设备和可读存储介质
US20200342170A1 (en) * 2019-04-26 2020-10-29 NEC Solution Innovators, Ltd., Tokyo, JAPAN Prediction model generating apparatus, travel suitability predicting apparatus, prediction model generating method, travel suitability predicting method, program, and recording medium
CN111966897A (zh) * 2020-08-07 2020-11-20 上海新共赢信息科技有限公司 一种出行意愿的感知方法、装置、终端及存储介质
CN112380414A (zh) * 2020-11-16 2021-02-19 武汉理工大学 一种用户画像的获取方法和获取装置
CN112712391A (zh) * 2020-12-31 2021-04-27 北京嘀嘀无限科技发展有限公司 一种服务推送方法、装置、电子设备以及存储介质
CN114118582A (zh) * 2021-11-29 2022-03-01 中国第一汽车股份有限公司 目的地预测方法、装置、电子终端及存储介质
CN114493074A (zh) * 2020-10-27 2022-05-13 丰田自动车株式会社 信息处理装置、信息处理方法以及非易失性存储介质
CN111476409B (zh) * 2020-03-30 2023-07-18 海南太美航空股份有限公司 一种新航线开通的预测方法、系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105183800A (zh) * 2015-08-25 2015-12-23 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN105431882A (zh) * 2013-09-13 2016-03-23 英特尔公司 环境感知的分布式出租车汽车调度
CN106296281A (zh) * 2016-08-05 2017-01-04 中卓信（北京）科技有限公司 一种用户个性化行程信息推送方法、装置以及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105431882A (zh) * 2013-09-13 2016-03-23 英特尔公司 环境感知的分布式出租车汽车调度
CN105183800A (zh) * 2015-08-25 2015-12-23 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN106296281A (zh) * 2016-08-05 2017-01-04 中卓信（北京）科技有限公司 一种用户个性化行程信息推送方法、装置以及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁俊杰: "《IAI数字营销年鉴2016》", 30 June 2016, 中国传媒大学出版社 *

Cited By (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291921A (zh) * 2017-06-28 2017-10-24 北京京东尚科信息技术有限公司 信息处理方法及系统
CN107291921B (zh) * 2017-06-28 2020-02-07 北京京东尚科信息技术有限公司 信息处理方法及系统
JP2019028489A (ja) * 2017-07-25 2019-02-21 ヤフー株式会社 予測装置、予測方法、予測プログラム、学習データ、及びモデル
CN107341272A (zh) * 2017-08-25 2017-11-10 北京奇艺世纪科技有限公司 一种推送方法、装置和电子设备
CN108416486A (zh) * 2017-09-15 2018-08-17 杭州创屹机电科技有限公司 一种用于计算共享单车借车需求量的估算方法
CN108416486B (zh) * 2017-09-15 2020-12-04 杭州创屹机电科技有限公司 一种用于计算共享单车借车需求量的估算方法
CN107727108B (zh) * 2017-09-30 2020-10-30 百度在线网络技术（北京）有限公司 公共交通出行路线的推荐方法、装置及计算机可读介质
CN107727108A (zh) * 2017-09-30 2018-02-23 百度在线网络技术（北京）有限公司 公共交通出行路线的推荐方法、装置及计算机可读介质
CN109785029A (zh) * 2017-11-14 2019-05-21 北京小度信息科技有限公司 用于呈现信息的方法和装置
CN107908740A (zh) * 2017-11-15 2018-04-13 百度在线网络技术（北京）有限公司 信息输出方法和装置
CN108288214A (zh) * 2018-01-15 2018-07-17 阿里巴巴集团控股有限公司 一种用车服务推荐方法、装置以及设备
CN110689363A (zh) * 2018-07-05 2020-01-14 北京嘀嘀无限科技发展有限公司 优惠券提示方法及装置
CN110689158A (zh) * 2018-07-05 2020-01-14 北京嘀嘀无限科技发展有限公司 一种对目的地进行预测的方法、装置及存储介质
CN111582526B (zh) * 2018-07-05 2021-03-09 北京嘀嘀无限科技发展有限公司 网约车订单处理方法、装置、设备及计算机可读存储介质
CN110689158B (zh) * 2018-07-05 2022-05-31 北京嘀嘀无限科技发展有限公司 一种对目的地进行预测的方法、装置及存储介质
CN111582526A (zh) * 2018-07-05 2020-08-25 北京嘀嘀无限科技发展有限公司 网约车订单处理方法、装置、设备及计算机可读存储介质
CN111222729B (zh) * 2018-11-23 2022-07-05 北京嘀嘀无限科技发展有限公司 服务类型确定方法、装置、电子设备和存储介质
CN111222729A (zh) * 2018-11-23 2020-06-02 北京嘀嘀无限科技发展有限公司 服务类型确定方法、装置、电子设备和存储介质
CN111275228A (zh) * 2018-12-04 2020-06-12 北京嘀嘀无限科技发展有限公司 预测方法、装置、电子设备及存储介质
CN111275228B (zh) * 2018-12-04 2022-08-02 北京骑胜科技有限公司 预测方法、装置、电子设备及存储介质
CN111291914A (zh) * 2018-12-06 2020-06-16 北京嘀嘀无限科技发展有限公司 一种群体聚集场景的预测方法、装置、设备及存储介质
CN111367575A (zh) * 2018-12-06 2020-07-03 北京嘀嘀无限科技发展有限公司 一种用户行为预测方法、装置、电子设备及存储介质
CN111367575B (zh) * 2018-12-06 2023-10-24 北京嘀嘀无限科技发展有限公司 一种用户行为预测方法、装置、电子设备及存储介质
CN111310961A (zh) * 2018-12-12 2020-06-19 北京嘀嘀无限科技发展有限公司 数据预测方法、装置、电子设备和计算机可读存储介质
CN109684543B (zh) * 2018-12-14 2021-04-02 北京百度网讯科技有限公司 用户行为预测和信息投放方法、装置、服务器和存储介质
CN109684543A (zh) * 2018-12-14 2019-04-26 北京百度网讯科技有限公司 用户行为预测和信息投放方法、装置、服务器和存储介质
CN111445052A (zh) * 2019-01-17 2020-07-24 阿里巴巴集团控股有限公司 车辆信息的处理方法、装置、及电子设备
CN111445052B (zh) * 2019-01-17 2023-06-09 阿里巴巴集团控股有限公司 车辆信息的处理方法、装置、及电子设备
CN111666503A (zh) * 2019-03-05 2020-09-15 百度在线网络技术（北京）有限公司 出行方式推荐方法、装置、计算机设备和可读存储介质
CN111666503B (zh) * 2019-03-05 2023-08-18 百度在线网络技术（北京）有限公司 出行方式推荐方法、装置、计算机设备和可读存储介质
US20200342170A1 (en) * 2019-04-26 2020-10-29 NEC Solution Innovators, Ltd., Tokyo, JAPAN Prediction model generating apparatus, travel suitability predicting apparatus, prediction model generating method, travel suitability predicting method, program, and recording medium
US11599722B2 (en) * 2019-04-26 2023-03-07 Nec Solution Innovators, Ltd. Prediction model generating apparatus, travel suitability predicting apparatus, prediction model generating method, travel suitability predicting method, program, and recording
CN110135433A (zh) * 2019-05-07 2019-08-16 宏图物流股份有限公司 一种基于车辆推荐的画像数据可用性判断方法
CN110472146A (zh) * 2019-07-29 2019-11-19 深圳数位传媒科技有限公司 线下服务推荐方法与装置、存储介质及计算机设备
CN110990714A (zh) * 2019-11-01 2020-04-10 中国联合网络通信集团有限公司 一种用户行为意图预测方法和装置
CN110990714B (zh) * 2019-11-01 2023-05-23 中国联合网络通信集团有限公司 一种用户行为意图预测方法和装置
CN110986985A (zh) * 2019-12-17 2020-04-10 广州小鹏汽车科技有限公司 车辆行程推送方法、装置、介质、控制终端及汽车
CN110986985B (zh) * 2019-12-17 2022-07-12 广州小鹏汽车科技有限公司 车辆行程推送方法、装置、介质、控制终端及汽车
CN110969861A (zh) * 2019-12-20 2020-04-07 中国移动通信集团黑龙江有限公司 一种车辆识别方法、装置、设备及计算机存储介质
CN111476409B (zh) * 2020-03-30 2023-07-18 海南太美航空股份有限公司 一种新航线开通的预测方法、系统及设备
CN111966897A (zh) * 2020-08-07 2020-11-20 上海新共赢信息科技有限公司 一种出行意愿的感知方法、装置、终端及存储介质
CN114493074A (zh) * 2020-10-27 2022-05-13 丰田自动车株式会社 信息处理装置、信息处理方法以及非易失性存储介质
CN112380414A (zh) * 2020-11-16 2021-02-19 武汉理工大学 一种用户画像的获取方法和获取装置
CN112712391A (zh) * 2020-12-31 2021-04-27 北京嘀嘀无限科技发展有限公司 一种服务推送方法、装置、电子设备以及存储介质
CN114118582A (zh) * 2021-11-29 2022-03-01 中国第一汽车股份有限公司 目的地预测方法、装置、电子终端及存储介质

Also Published As

Publication number Publication date
CN106875066B (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN106875066A (zh) 用车出行行为的预测方法、装置、服务器以及存储介质
US10639995B2 (en) Methods, circuits, devices, systems and associated computer executable code for driver decision support
Huang et al. Analytics of location-based big data for smart cities: Opportunities, challenges, and future directions
Gao et al. Optimize taxi driving strategies based on reinforcement learning
US11315170B2 (en) Methods and systems for order processing
US10977585B2 (en) Order allocation system and method
Battifarano et al. Predicting real-time surge pricing of ride-sourcing companies
Szeto et al. A time-dependent logit-based taxi customer-search model
EP3567531A1 (en) Forecast demand for mobility units
Jiang et al. CrowdPatrol: A mobile crowdsensing framework for traffic violation hotspot patrolling
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
Grahn et al. Improving the performance of first-and last-mile mobility services through transit coordination, real-time demand prediction, advanced reservations, and trip prioritization
CN111815095A (zh) 共享汽车调度方法、电子设备及存储介质
Li et al. Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering
Jevinger et al. Artificial intelligence for improving public transport: a mapping study
Liu et al. Heuristic approach for the multiobjective optimization of the customized bus scheduling problem
GS et al. Prediction of bus passenger traffic using Gaussian process regression
Dai et al. Exploring the drive-by sensing power of bus fleet through active scheduling
Zwick et al. Review on theoretical assessments and practical implementations of ride-pooling
Chen et al. Finding next high-quality passenger based on spatio-temporal big data
CN107153891A (zh) 区域转移调度方法、装置、设备及存储介质
CN114007186A (zh) 定位方法及相关产品
Rahaman Context-aware mobility analytics and trip planning
Thakkar et al. Proposed advance taxi recommender system based on a spatiotemporal factor analysis model
Tu et al. Deep online recommendations for connected E-taxis by coupling trajectory mining and reinforcement learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant