CN107749020A - 一种基于推测出租车乘客出行目的的推荐系统 - Google Patents

Abstract

本发明公开了一种基于出租车乘客活动目的的推荐服务系统，对于给定的一个出租车乘客的下车时间与地点，推测出租车乘客的活动目的，并为之提供相应的推荐服务。具体而言，模型首先使用兴趣点聚类算法确定乘客的候选活动区域。其次联合了贝叶斯模型、兴趣点时空吸引力、多源数据推测乘客活动。最终借助下车点集合与乘客活动区域的映射表和基于Spark的并行化算法实现实时推荐。实验结果表模型的推测结果大致与调查数据吻合，并可提供实时的推荐服务。本发明对基于人类移动性为乘客提供实时服务的研究，具有一定的进步意义。

Description

一种基于推测出租车乘客出行目的的推荐系统

技术领域

本发明涉及出行轨迹挖掘，推荐系统领域，特别是涉及出租车轨迹挖掘技术。

背景技术

随着多样化的位置记录设备(全球定位系统(Global Position System,GPS)，智能公交卡(Smart Card))的广泛应用，我们能够廉价地获得大规模有关城市居民出行的轨迹数据。出租车是一种重要的出行工具，同样地，我们可以获得大规模的出租车乘客的出行轨迹数据。这些数据是我们研究出租车乘客的移动性的基础。虽然这些数据包含出行路线、出租车乘客的位置等信息，但是没有包含乘客出行活动的信息。研究乘客的出行活动不仅可以帮助建设智慧交通系统，也可更好地服务城市居民；本系统致力于研究乘客的出行活动，并基于乘客的出行活动，为乘客提供实时的推荐服务。在生活中如图2所示，当出租车停在终点时，我们需要在乘客下车之前为他们提供实时推荐服务。因为只有当出租车停在终点时，我们才能获得乘客的下车时间与地点。进一步地我们才能根据乘客的下车时间与地点推测乘客活动。然而从出租车停在终点到乘客离开出租车的时间是十分短暂的，我们需要在这个极短地时间内，推测出乘客活动，并根据乘客活动为乘客提供推荐服务。这一实际生活场景要求我们必须为乘客提供实时推荐服务。实时的推荐服务在满足实际乘客需求的同时，还可以帮助乘客获得良好的服务体验。

发明内容

本系统联合路网与兴趣点的空间位置信息将兴趣点有效聚类成乘客活动区域。同时考虑到乘客一般会选择在下车点附近的区域活动，本系统将选取距离下车点较近的k个区域 (top-k nearest)作为乘客的候选活动区域。确定乘客活动区域的方法不仅能够帮助我们推测乘客活动，还能帮助我们确定乘客去不同乘客活动区域的概率。

本系统使用贝叶斯定理，同时结合多源数据与兴趣点时空影响因素推测乘客活动概率。在计算乘客活动概率的过程中，本系统同时考虑了最近时刻的时空吸引力因素。实验结果证明，本系统的推测精度要更高。

为了对乘客提供实时推荐服务，本系统在确定乘客候选活动区域的过程中，使用了乘客活动区域与下车点群集映射表，该表有效的减少了确定乘客活动区域的时间，从而满足了我们为乘客提供实时推荐服务的要求。同时，本系统借助Spark平台，实现了实时推荐过程的并行化。

具体而言，本发明一种基于推测出租车乘客出行目的的推荐系统的方案为：

一种基于推测出租车乘客出行目的的推荐系统，其特征是：包括推测出租车乘客出行目的模块和提供推荐服务模块；其中，

所述的推测出租车乘客出行目的模块，是基于出租车乘客的下车时间与下车地点，通过贝叶斯模型来来预测乘客从事不同活动的概率，从而我们可以推测出乘客从事某种活动的概率；所述的提供推荐服务模块，是根据推测出的出行活动，基于大数据平台(如：spark)为出租车乘客提供相应的推荐服务，如乘客的活动为购物，可以为其推荐下车点附近的相应的打折广告。

根据权利要求1所述的一种基于推测出租车乘客出行目的的推荐系统，其特征是：所述的推测出租车乘客出行目的模块包括以下步骤：

步骤1：按照道路等级，将城市划分为乘客活动区域；

步骤2：对同一乘客活动区域内的兴趣点进行聚类，形成乘客活动单元；

步骤3：对于给定的一个乘客的下车时间与地点，选取距离下车地点最近的K个乘客活动单元；

步骤4：利用全概率公式，推测乘客去不同活动单元的概率；

步骤5：利用贝叶斯模型，推测乘客在单个乘客活动单元内从事某种活动的概率。

根据权利要求1所述的一种基于推测出租车乘客出行目的的推荐系统，其特征是，所述的提供推荐服务模块包括以下步骤：

步骤1：实现基于spark平台的一系列并行化算法，该系列算法包含推测出租车乘客出行目的模块的一系列算法；

步骤2：对于给定一个出租车乘客的下车时间与地点，调用spark上的并行化算法；

步骤3：spark平台自动分配结点，并得出结果；

步骤4：查取相应的广告服务，推送给出租车乘客。

附图说明

图1为本发明的系统框图。

图2是本发明的场景说明图。

图3为本发明的实验区域的全部聚类结果。

图4为本发明的局部聚类结果图。

图5为本发明的实时性推荐效果评估图。

图6为本发明的实时性的极限效果评估图。

具体实施方式

下面结合附图对本发明进一步说明。

本系统的系统框架主要包括两个模块：推测出租车出行目的模块和提供实时推荐服务模块，图1所示的是本发明的系统框图，其中：

推测出租车出行目的模块，包括以下步骤：

步骤1：划分乘客活动区域。

步骤2：利用网格化地图进行数据预处理。网格化的主要目的是根据网格的编号，获得该网格内的相关数据。为方便聚类，本系统将地图网格化，也即将城市区域分为大小相等的网格，每个网格的大小为长0.1km*宽0.1km。

步骤3：利用数字路网数据辅助兴趣点聚类。兴趣点聚类的主要目的是获取每条道路附近的兴趣点集合。考虑到乘客下车后一般在道路两侧活动，本系统将道路两侧的相互距离较近的兴趣点作为一个兴趣点集合，如图3所示，为研究区域的整体聚类结果图，图4为局部地区的聚类结果图。

步骤4：利用兴趣点集合生成乘客活动区域。本小节的目的是为了生成乘客活动区域。乘客可能会访问目标兴趣点集合之外的兴趣点集合，本系统将相互距离较近的兴趣点集合作为乘客活动活动区域。乘客活动区域应是包含相互距离接近的兴趣点集合，兴趣点集合都包含一个地理位置中心点。

步骤5：确定乘客候选活动区域推测乘客活动。对于每一位乘客来说，他的下车点周围有若干个乘客活动区域。乘客一般会选择在下车点附近的区域活动，因而本系统将选取距离下车点较近的k个区域(top-k nearest)作为乘客的候选活动区域。进一步地，本系统将候选活动区域中的兴趣点为乘客的候选兴趣点。同时，本系统将根据与乘客候选兴趣点相关的数据并结合公式推测乘客活动。

进一步的，提供实时推荐服务模块，包括以下步骤：

步骤1：实时推荐服务；

步骤2：构建下车点群集；本小节确定下车点群集同时这是一个离线处理的过程。基于乘客的下车点存在聚集效应，本系统将相互距离较近的DOP划分到一个群集中。作为作为一个下车点群集。

步骤3：构建映射表。本小节构建了DOP set与乘客活动区域的映射表，同时这是一个离线处理的过程。映射表建立了DOP set与乘客活动区域的映射关系，从而帮助我们迅速确定乘客的候选活动区域。

步骤4：根据映射表选取提供推荐服务；当本系统获得乘客DOP，即可根据乘客的DOP的信息迅速确定乘客属于哪一个下车点集合。接下来，利用映射表迅速获得相应的先验概率p。进一步地，我们计算乘客从事某类活动的概率。最终，根据乘客活动，为乘客提供下车点附近的与乘客活动相关的推荐服务，图5和图6分别是本发明的实时性推荐效果评估图和极限效果评估图。

Claims (3)

1.一种基于推测出租车乘客出行目的的推荐系统，其特征是：包括推测出租车乘客出行目的模块和提供推荐服务模块；其中，

所述的推测出租车乘客出行目的模块，是基于出租车乘客的下车时间与下车地点，通过贝叶斯模型来来预测乘客从事不同活动的概率，从而我们可以推测出乘客从事某种活动的概率；

所述的提供推荐服务模块，是根据推测出的出行活动，基于大数据平台(如：Hadoop，Spark等)为出租车乘客提供相应的推荐服务，如乘客的活动为购物，可以为其推荐下车点附近的相应的打折广告。

2.根据权利要求1所述的一种基于推测出租车乘客出行目的的推荐系统，其特征是：所述的推测出租车乘客出行目的模块包括以下步骤：

步骤1：按照道路等级，将城市划分为乘客活动区域；

步骤2：对同一乘客活动区域内的兴趣点进行聚类，形成乘客活动单元；

步骤3：对于给定的一个乘客的下车时间与地点，选取距离下车地点最近的K个乘客活动单元；

步骤4：利用全概率公式，推测乘客去不同活动单元的概率；

步骤5：利用贝叶斯模型，推测乘客在单个乘客活动单元内从事某种活动的概率。

3.根据权利要求1所述的一种基于推测出租车乘客出行目的的推荐系统，其特征是，所述的提供推荐服务模块包括以下步骤：

步骤1：实现基于spark平台的一系列并行化算法，该系列算法包含推测出租车乘客出行目的模块的一系列算法；

步骤2：对于给定一个出租车乘客的下车时间与地点，调用Spark上的并行化算法；

步骤3：Spark平台自动分配结点，并得出结果；

步骤4：查取相应的广告服务，推送给出租车乘客。