CN108292308A - 根据移动习惯为用户推荐车辆/乘客资源 - Google Patents
根据移动习惯为用户推荐车辆/乘客资源 Download PDFInfo
- Publication number
- CN108292308A CN108292308A CN201580084843.7A CN201580084843A CN108292308A CN 108292308 A CN108292308 A CN 108292308A CN 201580084843 A CN201580084843 A CN 201580084843A CN 108292308 A CN108292308 A CN 108292308A
- Authority
- CN
- China
- Prior art keywords
- user
- route
- passenger
- driver
- custom
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000002123 temporal effect Effects 0.000 claims abstract description 53
- 238000004590 computer program Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012790 confirmation Methods 0.000 claims description 31
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013481 data capture Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 241000238558 Eucarida Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102000040350 B family Human genes 0.000 description 1
- 108091072128 B family Proteins 0.000 description 1
- 108091065810 E family Proteins 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G06Q50/40—
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3438—Rendez-vous, i.e. searching a destination where several users can meet, and the routes to this destination for these users; Ride sharing, i.e. searching a route such that at least two users can share a vehicle for at least part of the route
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24575—Query processing with adaptation to user needs using context
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
- Y02P80/15—On-site combined power, heat or cool generation or distribution, e.g. combined heat and power [CHP] supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供一种用于根据移动习惯为用户推荐车辆/乘客资源的方法和计算机程序产品。在示例性实施例中,用于产生用户的移动习惯数据的、计算机实施的方法包括:从所述用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径分组至一个旅程中;根据与被分组至所述旅程中的路径相对应的时间数据,产生与所述旅程相对应的时间信息,其中,该时间信息包括启程时间范围;以及计算一个旅程在预定时间段内的出现频率作为所述用户的旅程的习惯值,其中,包括起点和目的地的旅程、与所述旅程相对应的时间信息、旅程的习惯值以及指示所述用户作为驾驶员或乘客的运输模式信息一起用作所述用户的移动习惯数据。
Description
技术领域
本公开通常涉及乘车共享,并且更特别是涉及根据移动习惯为用户推荐车辆/乘客资源。
背景技术
随着城市化的进程,在城市内部和外部区域中生活的居民的数量越来越多。这导致在上述区域中交通量增大。因此,日益研发了乘车共享技术以减少人均车辆数,因此减少能耗并保护环境。
在现有的乘车共享系统中,驾驶员为特别的旅程提供他的车辆,并且乘客对于特别的旅程提交乘车需求,由此车辆驾驶员得到机会以为希望沿相同路线旅行的人保留座位数。
然而,在大多数时间,无法在驾驶员与乘客之间获得最佳匹配,因此浪费了一些车辆/乘客资源。此外,对于起点、目的地和启程时间的安排,需要用户手动地输入个人数据至乘车共享系统中。而且,大多数当前的乘车共享服务为例如至少80公里的长距离提供行程。期望用于短距离乘车共享服务的系统。
发明内容
本公开的目的在于提供新型的且改进的用于根据移动习惯为用户推荐车辆/乘客资源的方法和系统。
根据本公开的一个方面,提供了一种用于为用户产生移动习惯数据的计算机实施方法,其包括:从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径组群至一个旅程中;根据对应于组群至旅程中的路径的时间数据,产生对应于旅程的时间信息,其中,所述时间信息包括启程时间范围;以及计算一个旅程在预定时间段内的出现频率作为用户的旅程的习惯值,其中,包括起点和目的地的旅程、对应于旅程的时间信息、旅程的习惯值、以及指示用户作为驾驶员或乘客的运输模式信息一起用作用户的移动习惯数据。
根据本公开的另一方面,提供了一种用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机实施方法,其包括:获取根据本公开的第一示例性实施例产生的用户的移动习惯数据;从作为乘客的用户接收乘车需求,其中,所述乘车需求包括起点、目的地以及启程时间;根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据,搜索匹配所述乘车需求并具有高于第一阈值的习惯值的旅程作为目标旅程;将所述乘车需求发送至与目标旅程相关的作为驾驶员的用户;并且在从作为驾驶员的用户接收到确认信息之后将作为驾驶员的用户推荐给作为乘客的用户。
根据本公开的又一方面,提供了一种用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机实施方法,其包括:获取根据本公开的第一示例性实施例产生的用户的移动习惯数据;从作为驾驶员的用户接收车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间;根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据,搜索匹配所述车辆提供信息并具有高于第一阈值的习惯值的旅程作为目标旅程;将所述车辆提供信息发送至与目标旅程相关的作为乘客的用户;并且在从作为乘客的用户接收到确认信息之后将作为乘客的用户推荐给作为驾驶员的用户。
根据本公开的又一方面,提供了一种用于为用户产生移动习惯数据的计算机程序产品,该计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使处理器执行操作,所述操作包括:从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径被组群至一个旅程中;根据对应于被组群至旅程中的路径的时间数据,产生对应于旅程的时间信息,其中,所述时间信息包括启程时间范围;并且计算一个旅程在预定时间段内的出现频率作为用户的旅程的习惯值,其中,包括起点和目的地的旅程、对应于旅程的时间信息、旅程的习惯值以及指示用户作为驾驶员或乘客的运输模式信息一起用作用户的移动习惯数据。
根据本公开的又一方面,提供了一种用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机程序产品,该计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使处理器执行操作,所述操作包括:获取根据本公开的第四示例性实施例产生的用户的移动习惯数据;从作为乘客的用户接收乘车需求,其中,所述乘车需求包括起点、目的地和启程时间;根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据,搜索匹配所述乘车需求并具有高于第一阈值的习惯值的旅程作为目标旅程;将所述乘车需求发送至与目标旅程相关的作为驾驶员的用户;并且在从作为驾驶员的用户接收到确认信息之后将作为驾驶员的用户推荐给作为乘客的用户。
根据本公开的又一方面,提供了一种用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机程序产品,该计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使处理器执行操作,所述操作包括:获取根据第四示例性实施例产生的用户的移动习惯数据;接收作为驾驶员的用户的车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间;根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据,搜索匹配车辆提供信息并具有高于第一阈值的习惯值的旅程作为目标旅程;将车辆提供信息发送至与目标旅程相关的作为乘客的用户;以及在从作为乘客的用户接收到确认信息之后将作为乘客的用户推荐给作为驾驶员的用户。
根据本公开的又一方面,提供了一种包括处理器以及其上具有指令的存储器的装置,所述指令在被处理器执行时使处理器执行以上所述方法中的任一个方法。
附图说明
本公开的以上和其他特征方面和优点将从结合附图获取的示例性实施例的以下详细说明而变得明显,所述附图通过示例图示了本公开的原理。
图1图示了根据本公开的示例性实施例的用于产生用户的移动习惯数据的计算机实施方法的流程图。
图2(a)和图2(b)图示了根据本公开的示例性实施例产生的移动习惯数据。
图3图示了根据本公开的示例性实施例的用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机实施方法的流程图。
图4图示了根据本公开的示例性实施例的用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机实施方法的流程图。
图5图示了根据本公开的示例性实施例的为作为乘客的用户推荐乘车需求的用户界面。
图6图示了根据本公开的示例性实施例的用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机实施方法的流程图。
图7图示了根据本公开的示例性实施例的用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机实施方法的流程图。
图8图示了根据本公开的示例性实施例的用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机实施方法的流程图。
图9图示了根据本公开的示例性实施例的为作为驾驶员的用户推荐车辆提供信息的用户界面。
图10图示了根据本公开的示例性实施例的用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机实施方法的流程图。
图11图示了根据本公开的示例性实施例的用于产生用户的移动习惯数据的系统的功能方框图。
图12图示了根据本公开的示例性实施例的用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的系统的功能方框图。
图13图示了根据本公开的示例性实施例的用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的系统的功能方框图。
图14图示了根据本公开的示例性实施例的用于基于用户的移动习惯为用户推荐车辆/乘客资源的示意性系统。
图15图示了根据本公开的示例性实施例的可应用本公开的通用硬件环境。
具体实施方式
在以下详细说明中,阐述数个具体细节以提供对所述示例性实施例的全面理解。然而,对于本领域技术人员将明显的是,可以不采用这些具体细节的一些或全部而实践所述实施例。在其他示例性实施例中,并未详细描述广泛已知的结构或工艺步骤以便避免不必要地模糊本公开的概念。
参照图1,其示出了根据本公开的示例性实施例的用于产生用户的移动习惯数据的计算机实施方法的流程图。
如图1中所示,在步骤101中,从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径被组群至一个旅程中。
位置数据可以是用户的坐标。例如,位置数据可以包括用户的纬度数据和经度数据。可以从用于测量用户日常位置的定位系统例如全球定位系统(GPS)接收用户的位置数据。定位系统可以实施在移动电话、平板电脑、车辆等中。
位置数据可以分类成人正在移动的点(移动点)和人处于静止状态的点(停止点)。移动点和停止点可以由人的移动速度区分。例如,如果人的移动速度足够低,亦即低于预定的阈值,例如在1.5km/h以下,则人可以视作处于静止状态,并且人的当前位置数据可以分类成停止点。停止点中并未包括的点可以分类成移动点。可以例如通过在由A.T.Palma、V.Bogorny、B.Kuijpers和L.O.Alvares在2008年关于应用计算的ACM座谈会的论文集中发表的“A clustering based approach for discovering interesting places intrajectories”(参见SAC’08,2008,第863-868页)中公开的方法,将位置数据分类成移动点和停止点。
在已分类的位置数据中,两个停止点以及在两个停止点之间的多个移动点可以定义为一个路径,其中,两个停止点中的一个指示该路径的起点,而另一个指示该路径的目的地。
假设存在具有相同起点和相同目的地的两个路径,例如,一个路径可以通过道路A从家至工作地点,另一个路径可以通过不同于道路A的道路B从家至工作地点。因为两个路径的起点和目的地相同,在步骤101中,两个路径可以组群至包括起点“家”和目的地“工作地点”的一个旅程中。
在一个实施例中,如果两个旅程的起点和目的地之间的差异在预定范围内,这两个旅程可以组群至一个旅程中。
例如,一个旅程包括起点A和目的地B,另一旅程包括起点A’和目的地B’。例如,如果起点A和起点A’之间的距离为80米,其在100米的预定范围内,并且目的地B和目的地B’之间的距离为60米,其也在所述预定范围内,则这两个旅程可以组群至一个旅程中。
在一些情形中,定位措施是不精确的,甚至当人并未移动时引起所获取的位置数据变化。利用该实施例,如果两个旅程的起点和目的地之间的差异在预定范围内,则这两个旅程可以组群至一个旅程中。因此,可以降低由于定位措施造成的不精确。
接着,在步骤102中,根据对应于组群至旅程中的路径的时间数据产生对应于旅程的时间信息,其中,时间信息包括启程时间范围。
时间数据可以是用于标记位置数据的时间的时间戳。对应于一个路径的时间数据可以包括该路径的启程时间,亦即位置数据的与该路径的起点对应的时间戳。因为组群至一个旅程中的路径的启程时间可以不同,所以对应于旅程的时间信息可以包括由该旅程内的路径的启程时间确定的启程时间范围。
时间信息中所包括的启程时间范围可以定义为具有启程时间方差的启程时间平均值。启程时间平均值可以通过对组群至旅程中的每个路径的启程时间求平均计算得出,并且启程时间方差可以使用置信水平根据启程时间评估得出。例如,可以使用现有技术中的核密度估计(Kernel Density Estimation)以产生启程时间范围(参见M.Rosenblatt等人发表的“Remarks on some nonparametric estimate of a density function”,数理统计年报,第27卷,第3期,第832-837页,1956年)。
应该指出的是,起点和目的地可以是详细位置或者是位置标识。例如,慕尼黑无回声大街66号可以标识为家,并且加尔兴公园环道19号可以标识为工作地点。
例如,假设如表格1中所示存在五个被组群至具有相同起点“家”和相同目的地“工作地点”的一个旅程中的路径。启程时间平均值计算为上午08:07,并且启程时间方差可以估算为50分钟。因此,启程时间范围可以是上午08:07±50分钟。进一步,因为路径E的启程时间与从家至工作地点的旅程的启程时间范围偏离,所以可以从该旅程中移除路径E。
路径A | 家→工作地点 | 上午07:45 |
路径B | 家→工作地点 | 上午07:53 |
路径C | 家→工作地点 | 上午08:01 |
路径D | 家→工作地点 | 上午07:21 |
路径E | 家→工作地点 | 上午09:37 |
表格1具有相同起点和相同目的地的路径
接着,在步骤103中,计算一个旅程在预定时间段内的出现频率作为用户的该旅程的习惯值。例如,如果人在十天之中的六天从工作地点行进至健身房,则该旅程的习惯值将是6/10=0.6。
在一个实施例中,可以仅对于工作日或节假日计算预定时间段。因为大多数人的移动规律根据当天是工作日还是节假日而显著变化,所以可通过使用仅对于工作日或节假日计算的预定时间段而更精确地使计算得到的习惯值与用户的真实习惯相符。
包括起点和目的地的旅程、对应于旅程的时间信息、旅程的习惯值以及指示用户作为驾驶员或乘客的运输模式信息可以一起用作用户的移动习惯数据。
因此,用户的移动习惯数据可以用于为用户推荐车辆/乘客资源。稍后将解释根据用户的移动习惯为用户推荐车辆/乘客资源的实施例。
在一个实施例中,如图1中所示的用于产生用户的移动习惯数据的计算机实施方法可以进一步包括另一更新步骤。如图1所示,在步骤104中,基于现有的用户的移动习惯数据以及新的运输模式信息、位置数据以及对应于位置数据的时间数据,更新用户的移动习惯数据。
现在参照图2(a)和图2(b),其图示了根据本公开的示例性实施例产生的移动习惯数据的一些示例,其中,(a)示出了作为乘客的用户的移动习惯数据,(b)示出了作为驾驶员的用户的移动习惯数据。
在一个实施例中,如图2(a)和图2(b)中所示,用户的移动习惯数据可以包括:包括起点和目的地的旅程,旅程的习惯值,对应于旅程的、包括启程时间范围的时间信息,以及指示用户作为驾驶员或乘客的运输模式信息。
在一个实施例中,可以由用户的各旅程的习惯值对用户的移动习惯数据进行分组。例如,如图2(a)和图2(b)中所示,移动习惯数据分组成:具有高于强习惯阈值的习惯值的强习惯,具有高于弱习惯阈值且低于强习惯阈值的习惯值的中习惯,以及具有低于弱习惯阈值的习惯值的弱习惯。强习惯阈值大于弱习惯阈值。例如,如图2(a)和图2(b)中所示,强习惯阈值可以等于0.30并且弱习惯阈值可以等于0.20。
在一个实施例中,可以由对应于用户的各旅程的时间信息进一步对用户的移动习惯数据进行分类。例如,如图2(a)和图2(b)中所示,以年代顺序对移动习惯数据进行分类。
应该注意的是,起点和目的地可以是详细位置或者是位置识别。例如,慕尼黑无回声大街66号可以标识为家,并且加尔兴公园环道19号可以标识为工作地点。
现在参照图3,其示出了根据本公开的示例性实施例的用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机实施方法的流程图。
如图3中所示,在步骤301中,通过使用根据本公开的前述示例性实施例的用于产生用户的移动习惯数据的计算机实施方法获取用户的移动习惯数据。用户的移动习惯数据可以包括:包括起点和目的地的旅程,对应于旅程的时间信息,旅程的习惯值,以及指示用户作为驾驶员或乘客的运输模式信息,例如如图2(a)和图2(b)中所示。
接着,在步骤302中,从作为乘客的用户接收乘车需求,其中,乘车需求包括起点、目的地和启程时间。例如,作为乘客的用户的乘车需求可以是“在16:30从工作地点至健身房”。乘车需求可以由作为乘客的用户根据他的当前或未来乘车条件输入并且经由他的移动电话、平板电脑以及其他便携式设备等发送。
接着,在步骤303中,根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据,搜索与乘车需求匹配并具有高于第一阈值的习惯值的旅程作为目标旅程。所述第一阈值可以预定。在一个实施例中,第一阈值可以等于用于对移动习惯数据进行分组的强习惯阈值。亦即,与乘车需求匹配并对应于强习惯的旅程可以视作目标旅程。表格2示出了搜索到的、与作为乘客的用户的乘车需求“在16:30从工作地点至健身房”匹配并具有高于等于0.30的强习惯阈值的习惯值的目标旅程。
用户 | 旅程 | 习惯值 | 时间信息 | 运输模式信息 |
A | 工作地点→健身房 | 0.38 | 16:30±17分钟 | 驾驶员 |
B | 工作地点→健身房 | 0.36 | 16:05±31分钟 | 驾驶员 |
C | 工作地点→健身房 | 0.31 | 16:43±29分钟 | 驾驶员 |
表格2搜索到的作为乘客的用户的目标旅程
接着,在步骤304中,将乘车需求发送至与目标旅程相关的作为驾驶员的用户。例如,将作为乘客的用户的“在16:30从工作地点至健身房”的乘车需求发送至作为驾驶员的用户A、B和C。
接着,在步骤305中,在从作为驾驶员的用户接收到确认信息之后向作为乘客的用户推荐作为驾驶员的用户。
利用该实施例,根据移动习惯数据向作为乘客的用户推荐驾驶员资源。该基于移动习惯的推荐与不使用用户的移动习惯数据的现有技术的乘车共享推荐相比更高效且更精确。
在一个实施例中,如果并未在预定时间段内从作为驾驶员的用户接收到确认信息,则根据接收到的乘车需求,进一步从作为驾驶员的用户的移动习惯数据搜索与乘车需求匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。所述第二阈值可以预定。在一个实施例中,第二阈值可以小于第一阈值。在一个实施例中,第二阈值可以等于用于对移动习惯数据进行分组的弱习惯阈值。亦即,可以将与乘车需求匹配并对应于中习惯的旅程视作目标旅程。
现在参照图4,其示出了根据本公开的示例性实施例的用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机实施方法的流程图。利用该实施例,将作为乘客的用户的乘车需求智能推荐给该作为乘客的用户。
如图4中所示,在步骤401中,从作为乘客的用户的移动习惯数据,搜索这样的旅程作为该作为乘客的用户的预测旅程,即所述旅程匹配用户的当前位置和当前时间或者匹配用户的未来位置和未来时间,并且具有高于第三阈值的习惯值。所述第三阈值可以预定。在一个实施例中,第三阈值可以等于强习惯阈值。
接着,在步骤402中,将作为乘客的用户的与该用户的预测旅程相关的乘车需求推荐给该用户。
例如,可以向作为乘客的用户推荐当前乘车需求。如图2(a)中所示,如果作为乘客的用户当前在家,并且当前时间是07:30,则可以根据用户的移动习惯数据向作为乘客的用户根据该用户所需推荐“在07:30从家至工作地点”的乘车需求。类似地,可以向作为乘客的用户推荐即将乘车需求。如图2(a)中所示,如果当前时间是15:00,也可以向该用户推荐“在16:48从工作地点至健身房”的乘车需求作为即将的旅程。
图5图示了根据本公开的示例性实施例的为作为乘客的用户推荐乘车需求的用户界面。产生“在07:30从家至工作地点”的乘车需求并将其推荐给作为乘客的用户。在该情形中,用户无需手动地输入包括起点、目的地和启程时间的乘车需求。代替于此,他仅需要通过点击按钮“是”或“否”回答问题“你希望搜索共享乘车么?”。在一个实施例中,可以由作为乘客的用户改变乘车需求的启程时间。
利用该实施例,代替由自己作为乘客的用户输入乘车需求,从作为乘客的用户的移动习惯数据智能预测乘车需求,并将其自动推荐给该用户。该实施例为作为乘客的用户提供了仅通过点击或更确切地触摸一次来搜索共享乘车的机会,因此省略了手动且耗时地输入诸如乘车需求的个人数据,这对于短距离乘车共享服务是特别有利的。
在一个实施例中,可以自动地将乘车需求以独立应用和集成至其他应用中(诸如数字助理(Siri、Google Now、Microsoft Cortana等)的一部分,社交网络(Facebook、Google+等)的一部分,或者聊天应用(Wechat、Whatsapp等))的形式推送至作为乘客的用户的移动电话、平板电脑以及计算机上。
在一个实施例中,可以与作为乘客的用户的预测旅程相关的、作为乘客的用户的乘车需求规律地推荐给该用户。
现在参照图6,其示出了根据本公开的示例性实施例的用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机实施方法的流程图。利用该实施例,将作为乘客的用户的计划旅程推荐给作为乘客的用户。
如图6中所示,在步骤601中,从作为乘客的用户的移动习惯数据搜索在一个时间段内的旅程作为该作为乘客的用户的计划旅程。
接着,在步骤602中,将作为乘客的用户的计划旅程推荐给该用户。
在该实施例中,计划旅程不仅包括下一个最可能的旅程,而且还包括更至未来的旅程。例如,时间段可以是一天,因此向作为乘客的用户推荐一天的计划旅程。例如,如果时间段是一天,则如图2(a)中所示的所有七个旅程可以视作是作为乘客的用户的计划旅程。因此,将作为乘客的用户将在一天内干什么推荐给该用户,这将支持作为乘客的用户计划他的一天。
在一个实施例中,可以由对应于该用户的旅程的时间信息对作为乘客的用户的移动习惯数据进行分类。例如,如图2(a)中所示,以年代顺序对移动习惯数据进行分类。因此,由时间信息对向作为乘客的用户推荐的计划旅程进行分类,因此使作为乘客的用户更易于掌握他一天的概况。
现在参照图7,其示出了根据本公开的示例性实施例的用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机实施方法的流程图。
如图7中所示,在步骤701中,根据本公开的前述示例性实施例的用于产生用户的移动习惯数据的计算机实施方法获取用户的移动习惯数据。用户的移动习惯数据可以包括:包括起点和目的地的旅程、对应于旅程的时间信息、旅程的习惯值、以及指示用户作为驾驶员或乘客的运输模式信息,如图2(a)和图2(b)所示。
接着,在步骤702中,从作为驾驶员的用户接收车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间。例如,作为驾驶员的用户的车辆提供信息可以是“在16:30从工作地点至健身房”。车辆提供信息可以由作为驾驶员的用户根据他当前或未来的车辆提供条件输入并且经由他的移动电话、平板电脑以及其他便携式设备或者集成在他的车辆中的应用等而发送。
接着,在步骤703中,根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据,搜索与车辆提供信息匹配并具有高于第一阈值的习惯值的旅程作为目标旅程。第一阈值可以预定。在一个实施例中,第一阈值可以等于用于对移动习惯数据进行分组的强习惯阈值。亦即,与乘车需求匹配并对应于强习惯的旅程可以视作目标旅程。表格3示出了搜索到的、与作为驾驶员的用户的车辆提供信息“在16:30从工作地点至健身房”匹配并具有高于等于0.30的强习惯阈值的习惯值的目标旅程。
用户 | 旅程 | 习惯值 | 时间信息 | 运输模式信息 |
D | 工作地点→健身房 | 0.39 | 16:25±14分钟 | 乘客 |
E | 工作地点→健身房 | 0.35 | 16:21±34分钟 | 乘客 |
F | 工作地点→健身房 | 0.34 | 16:48±34分钟 | 乘客 |
表格3搜索到的作为乘客的用户的目标旅程
接着,在步骤704中,将车辆提供信息发送至与目标旅程相关的作为乘客的用户。例如,将作为驾驶员的用于的车辆提供信息“在16:30从工作地点至健身房”发送至乘客D、E和F。
接着,在步骤705中,在从作为乘客的用户接收到确认信息之后向作为驾驶员的用户推荐作为乘客的用户。
利用该实施例,根据移动习惯数据向作为驾驶员的用户推荐乘客资源。该基于移动习惯的推荐与不使用用户的移动习惯数据的现有技术的乘车共享推荐相比更高效且更精确。
在一个实施例中,如果未在预定时间段内从作为乘客的用户接收到确认信息,则根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据,进一步搜索与车辆提供信息匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。第二阈值可以预定。在一个实施例中,第二阈值可以小于第一阈值。在一个实施例中,第二阈值可以等于用于对移动习惯数据进行分组的弱习惯阈值。亦即,可以将与车辆提供信息匹配并对应于中习惯的旅程视作目标旅程。
现在参照图8,其示出了根据本公开的示例性实施例的用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机实施方法的流程图。利用该实施例,向作为驾驶员的用户智能推荐作为驾驶员的用户的车辆提供信息。
如图8中所示,在步骤801中,从作为驾驶员的用户的移动习惯数据搜索这样的旅程作为所述作为驾驶员的用户的预测旅程,即所述旅程匹配用户的当前位置和当前时间或者匹配用户的未来位置和未来时间,并且具有高于第三阈值的习惯值。
接着,在步骤802中,将与作为驾驶员的用户的预测旅程相关的作为驾驶员的用户的车辆提供信息推荐给该用户。
例如,可以向作为驾驶员的用户推荐当前的车辆提供信息。如图2(b)中所示,如果作为驾驶员的用户当前在家,并且当前时间是08:00,则可以根据用户的移动习惯数据向作为乘客的用户根据该用户所需推荐车辆提供信息“在08:00从家至工作点”。类似地,可以向用作乘客的用户推荐即将的车辆提供信息。如图2(b)中所示,如果当前时间是15:00,则也可以向用户推荐“在16:05从工作地点至健身房”的乘车需求作为即将的旅程。
图9图示了根据本公开的示例性实施例的为作为驾驶员的用户推荐车辆提供信息的用户界面。产生“在07:30从家至工作地点”的车辆提供信息并且将其推荐给作为驾驶员的用户。在该情形中,用户无需手动地输入包括起点、目的地和启程时间的车辆提供信息。代替于此,他仅需要通过点击按钮“是”或“否”回答问题“你希望提供该乘车作为共享乘车么?”。在一个实施例中,可以由作为驾驶员的用户改变车辆提供信息的启程时间。
利用该实施例,代替由作为驾驶员的用户自己输入车辆提供信息,从作为驾驶员的用户的移动习惯数据智能地预测车辆提供信息,并且将其自动地推荐给用户。该实施例为作为驾驶员的用户提供仅通过点击或更确切地说触摸一次而提供共享乘车的机会,因此省略了手动且耗时地输入例如车辆提供信息的个人数据,这对于短距离乘车共享服务是尤其有利的。
在一个实施例中,可以将车辆提供信息以如下形式自动地推送至作为驾驶员的用户的移动电话、平板电脑、计算机以及车辆上,即:独立应用,在车辆主控单元中的应用,以及集成至其他应用中,例如数字助理(Siri、Google Now、Microsoft Cortana等)的一部分,社交网络(Facebook、Google+等)的一部分或者聊天应用(WeChat、Whatspp等)。
在一个实施例中,可以将与作为驾驶员的用户的预测旅程相关的作为驾驶员的用户的车辆提供信息规律地推荐给用户。
现在参照图10,其示出了根据本公开的示例性实施例的用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机实施方法的流程图。利用该实施例,向作为驾驶员的用户推荐作为驾驶员的用户的计划旅程。
如图10中所示,在步骤1001中,从作为驾驶员的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为驾驶员的用户的计划旅程。
接着,在步骤1002中,将作为驾驶员的用户的计划旅程推荐给该用户。
在该实施例中,计划旅程不仅包括下一个最可能的旅程,而且还包括更至未来的旅程。例如,时间段可以是一天,因此向作为驾驶员的用户推荐一天的计划旅程。例如,如果时间段是一天,则如图2(b)中所示的所有七个旅程可以视作是作为驾驶员的用户的计划旅程。因此,将作为驾驶员的用户将在一天期间干什么推荐给该用户,这支持作为驾驶员的用户计划他的一天。
在一个实施例中,可以由对应于用户的旅程的时间信息对作为驾驶员的用户的移动习惯数据进行分类。例如,如图2(b)中所示,以年代顺序对移动习惯数据进行分类。因此,由时间信息对向作为驾驶员的用户推荐的计划旅程进行分类,由此使作为驾驶员的用户更易于掌握他一天的概况。
图11图示了根据本公开的示例性实施例的用于产生用户的移动习惯数据的系统1100的功能方框图。系统1100的所有功能组块(系统1100中所包括的各种单元,不论图中是否示出)可以由硬件、软件、或者硬件与软件的组合实施以执行本发明的原理。本领域技术人员应该理解,图11中所述的功能组块可以组合或分离成子组块以实施如上所述的本发明的原理。因此,说明书在此可以支持在此所述的功能组块的任何可能组合或分离或进一步限定。
如图11中所示,根据本公开的示例性实施例,用于产生用户的移动习惯数据的系统1100可以包括:旅程提取单元1101、时间信息产生单元1102以及习惯值计算单元1103。旅程提取单元1101可以配置用于从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径被组群至一个旅程中。旅程提取单元1102可以配置用于根据对应于被组群至旅程中的路径的时间数据而产生对应于旅程的时间信息,其中,所述时间信息包括启程时间范围。时间信息产生单元1103可以配置用于计算一个旅程在预定时间段内的出现频率作为用户的旅程的习惯值。包括起点和目的地的旅程、对应于旅程的时间信息、旅程的习惯值、以及指示用户作为驾驶员或乘客的运输模式信息一起用作用户的移动习惯数据。
因此,用户的移动习惯数据可以用于为用户推荐车辆/乘客资源。
在一个实施例中,用于产生用户的移动习惯数据的系统1100可以进一步包括如图11中所示的更新单元1104。更新单元1104可以配置用于基于现有的用户的移动习惯数据以及新的运输模式信息、位置数据和对应于位置数据的时间数据而更新用户的移动习惯数据。
在一个实施例中,如果两个旅程的起点和目的地之间的差异在预定范围内,则这两个旅程可以被组群至一个旅程。在一些情形中,定位措施是不精确的,甚至当人并未移动时引起所获取的位置数据改变。如果两个旅程的起点和目的地之间的差异在预定范围内,则这两个旅程被组群至一个旅程中。因此,可以减小由于定位措施造成的不精确。
在一个实施例中,可以由用户的旅程的习惯值对用户的移动习惯数据进行分组。例如,如图2(a)和图2(b)中所示,移动习惯数据被分组为:具有高于强习惯阈值的习惯值的强习惯,具有高于弱习惯阈值且低于强习惯阈值的习惯值的中习惯,以及具有低于弱习惯阈值的习惯值的弱习惯。强习惯阈值大于弱习惯阈值。
在一个实施例中,可以由对应于用户的旅程的时间信息对用户的移动习惯数据进行分类。例如,如图2(a)和图2(b)中所示,以年代顺序对移动习惯数据进行分类。
在一个实施例中,习惯值计算单元1103可以进一步配置为使得仅对于工作日或节假日计算预定时间段。因为大多数人的移动规律性根据当天是工作日还是节假日而显著变化,所以可通过使用仅对于工作日或节假日计算的预定时间段而更精确地使计算得到的习惯值与用户的真实习惯相符。
图12图示了根据本公开的示例性实施例的用于为作为乘客的用户推荐车辆资源的系统1200的功能方框图。系统1200的所有功能组块(系统1200中所包括的各种单元,不论图中是否示出)可以由硬件、软件、或硬件与软件的组合实施以执行本发明的原理。本领域技术人员应该理解,图12中所述的功能组块可以组合或分离成子组块以实施如上所述的本发明的原理。因此,本说明书在此可以支持在此所述的功能组块的任何可能组合或分离或进一步限定。
如图12中所示,根据本公开的示例性实施例,用于为作为乘客的用户推荐车辆资源的系统1200可以包括:移动习惯数据获取单元1201,乘车需求接收单元1202,目标旅程搜索单元1203,需求信息发送单元1204,以及车辆资源推荐单元1205。
移动习惯数据获取单元1201可以配置用于获取根据用于产生用户的移动习惯数据的系统1100产生的用户的移动习惯数据。用户的移动习惯数据可以包括:包括起点和目的地的旅程,对应于旅程的时间信息,旅程的习惯值,以及指示用户作为驾驶员或乘客的运输模式信息。
乘车需求接收单元1202可以配置用于从作为乘客的用户接收乘车需求,其中,所述乘车需求包括起点、目的地和启程时间。例如,作为乘客的用户的乘车需求可以是“在07:30从家至工作地点”。乘车需求可以由作为乘客的用户根据他当前或未来的乘车条件输入并且经由他的移动电话、平板电脑以及其他便携式设备等发送。
目标旅程搜索单元1203可以配置用于根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据,搜索与乘车需求匹配并具有高于第一阈值的习惯值的旅程作为目标旅程。第一阈值可以预定。在一个实施例中,第一阈值可以等于用于对移动习惯数据进行分组的强习惯阈值。亦即,可以将与乘车需求匹配并对应于强习惯的旅程视作目标旅程。
需求信息发送单元1204可以配置用于将需求信息发送至与目标旅程相关的作为驾驶员的用户。
车辆资源推荐单元1205可以配置用于在从作为驾驶员的用户接收到确认信息之后向作为乘客的用户推荐作为驾驶员的用户。
利用该实施例,根据移动习惯数据向作为乘客的用户推荐驾驶员资源。该基于移动习惯的推荐与不使用用户的移动习惯数据的现有技术的乘车共享推荐相比更高效且更精确。
在一个实施例中,目标旅程搜索单元1203可以进一步配置为使得,如果未在预定时间段内从作为驾驶员的用户接收到确认信息,则根据接收到的乘车需求,进一步搜索与乘车需求匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。第二阈值可以预定。在一个实施例中,第二阈值可以小于第一阈值。在一个实施例中,第二阈值可以等于用于对移动习惯数据进行分组的弱习惯阈值。亦即,可以将与乘车需求匹配并对应于中习惯的旅程视作是目标旅程。
在一个实施例中,用于为作为乘客的用户推荐车辆资源的系统1200可以进一步包括旅程预测单元和乘车需求推荐单元。
旅程预测单元可以配置用于从作为乘客的用户的移动习惯数据搜索与用户的当前位置和当前时间匹配或者与用户的未来位置和未来时间匹配并具有高于第三阈值的习惯值的旅程作为所述作为乘客的用户的预测旅程。第三阈值可以预定。在一个实施例中,第三阈值可以等于强习惯阈值。乘车需求推荐单元可以配置用于将与作为乘客的用户的预测旅程相关的、作为乘客的用户的乘车需求推荐给用户。
在该实施例中,代替由作为乘客的用户自己输入乘车需求,从作为乘客的用户的移动习惯数据智能地预测乘车需求,并且将其自动地推荐给用户。利用该实施例,省略了手动且耗时地输入例如乘车需求的个人数据,这对于短距离乘车共享服务是尤其有利的。在图5中示出了根据该实施例的这种为作为乘客的用户推荐乘车需求的用户界面。该为作为乘客的用户推荐乘车需求为作为乘客的用户提供仅通过点击或更确切地说触摸一次而搜索共享乘车的机会。
在一个实施例中,旅程预测单元可以进一步配置为使得将与作为乘客的用户的预测旅程相关的作为乘客的用户的乘车需求规律地推荐给用户。
在一个实施例中,用于为作为乘客的用户推荐车辆资源的系统1200可以进一步包括旅程计划单元和计划旅程推荐单元。利用该实施例,向作为乘客的用户推荐作为乘客的用户的计划旅程。
旅程计划单元可以配置用于从作为乘客的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为乘客的用户的计划旅程。计划旅程推荐单元可以配置用于将作为乘客的用户的计划旅程推荐给用户。
在该实施例中,计划旅程不仅包括下一个最可能的旅程,而且也包括更至未来的旅程。例如,时间段可以是一天,因此向作为乘客的用户推荐一天的计划旅程。例如,如果时间段是一天,则如图2(a)中所示的所有七个旅程可以视作是作为乘客的用户的计划旅程。因此,将作为乘客的用户将在一天期间干什么推荐给用户,这将支持作为乘客的用户计划他的一天。
在一个实施例中,可以由对应于用户的旅程的时间信息对用户的移动习惯数据进行分类。例如,如图2(a)中所示,以年代顺序对移动习惯数据进行分类。因此,由时间信息对向作为乘客的用户推荐的计划旅程进行分类,由此使作为乘客的用户更易于掌握他一天的概况。
图13示出了根据本公开的示例性实施例的用于为作为驾驶员的用户推荐乘客资源的系统1300的功能方框图。系统1300的所有功能组块(系统1300中包括的各个单元,不论图中是否示出)可以由硬件、软件或者硬件与软件的组合实施以执行本发明的原理。本领域技术人员应该理解的是,图13中所述的功能组块可以组合或分离成子组块以实施如上所述的本发明的原理。因此,本说明书在此可以支持在此所述的功能组块的任何可能组合或分离或进一步限定。
如图13中所示,根据本公开的示例性实施例,用于为作为驾驶员的用户推荐乘客资源的系统1300可以包括:移动习惯数据获取单元1301,车辆提供信息接收单元1302,目标旅程搜索单元1303,车辆提供信息发送单元1304,以及乘客资源推荐单元1305。
移动习惯数据获取单元1301可以配置用于根据用于产生用户的移动习惯数据的系统1100产生的用户的移动习惯数据。用户的移动习惯数据可以包括:包括起点和目的地的旅程,对应于旅程的时间信息,旅程的习惯值,以及指示用户作为驾驶员或乘客的运输模式信息。
车辆提供信息接收单元1302可以配置用于从作为驾驶员的用户接收车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间。例如,作为驾驶员的用户的车辆提供信息可以是“在07:30从家至工作地点”。车辆提供信息可以由作为驾驶员的用户根据他当前或未来的车辆提供条件输入并经由他的移动电话、平板电脑以及其他便携式设备、或者集成在他的车辆中的应用等发送。
目标旅程搜索单元1303可以配置用于根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据搜索与车辆提供信息匹配并且具有高于第一阈值的习惯值的旅程作为目标旅程。第一阈值可以预定。在一个实施例中,第一阈值可以等于用于对移动习惯数据进行分组的强习惯阈值。亦即,与车辆提供信息匹配并且对应于强习惯的旅程可以被视作目标旅程。
车辆提供信息发送单元1304可以配置用于将车辆提供信息发送至与目标旅程相关的作为乘客的用户。
乘客资源推荐单元1305可以配置用于在从作为乘客的用户接收到确认信息之后向作为驾驶员的用户推荐作为乘客的用户。
利用该实施例,根据移动习惯数据向作为驾驶员的用户推荐乘客资源。该基于移动习惯的推荐与不使用用户的移动习惯数据的现有技术的乘车共享推荐相比更高效且更精确。
在一个实施例中,目标旅程搜索单元1303可以进一步配置为使得如果未在预定时间段内从作为乘客的用户接收到确认信息,则根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据,进一步搜索与车辆提供信息匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。第二阈值可以预定。在一个实施例中,第二阈值可以小于第一阈值。在一个实施例中,第二阈值可以等于用于对移动习惯数据进行分组的弱习惯阈值。亦即,可以将与车辆提供信息匹配并对应于中习惯的旅程视作目标旅程。
在一个实施例中,用于为作为驾驶员的用户推荐乘客资源的系统1300可以进一步包括旅程预测单元和车辆提供信息推荐单元。
旅程预测单元可以配置用于从作为驾驶员的用户的移动习惯数据搜索与用户的当前位置和当前时间匹配或者与用户的未来位置和未来时间匹配并且具有高于第三阈值的习惯值的旅程作为所述作为驾驶员的用户的预测旅程。第三阈值可以预定。在一个实施例中,第三阈值可以等于强习惯阈值。车辆提供信息推荐单元可以配置用于将与作为驾驶员的用户的预测旅程相关的作为驾驶员的用户的车辆提供信息推荐给用户。
在该实施例中,代替由作为驾驶员的用户自己输入车辆提供信息,从作为驾驶员的用户的移动习惯数据智能地预测车辆提供信息,并且将其自动推荐给用户。利用该实施例,省略了手动且耗时地输入例如车辆提供信息的个人数据,这对于短距离乘车共享服务是尤其有利的。图9中示出了根据该实施例的这种为作为驾驶员的用户推荐车辆提供信息的用户界面。该为作为驾驶员的用户推荐车辆提供信息为作为驾驶员的用户提供仅通过点击或更确切地说触摸一次而搜索共享乘车的机会。
旅程预测单元可以进一步配置为使得将与作为驾驶员的用户的预测旅程相关的作为驾驶员的用户的车辆提供信息规律地推荐给用户。
在一个实施例中,用于为作为驾驶员的用户推荐乘客资源的系统1300可以进一步包括旅程计划单元和计划旅程推荐单元。
旅程计划单元可以配置用于从作为驾驶员的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为驾驶员的用户的计划旅程。计划旅程推荐单元可以配置用于将作为驾驶员的用户的计划旅程推荐给用户。
在该实施例中,计划旅程不仅包括下一个最可能的旅程,而且包括更至未来的旅程。例如,时间段可以是一天,因此向作为驾驶员的用户推荐一天的计划旅程。例如,如果时间段是一天,则如图2(b)中所示的所有七个旅程可以视作是作为驾驶员的用户的计划旅程。因此,将作为驾驶员的用户将在一天期间干什么推荐给用户,这将支持作为驾驶员的用户计划他的一天。
在一个实施例中,由对应于用户的旅程的时间信息对作为驾驶员的用户的移动习惯数据进行分类。例如,如图2(b)中所示,以年代顺序对移动习惯数据进行分类。因此,由时间信息对向作为驾驶员的用户推荐的计划旅程进行分类,由此使作为驾驶员的用户更易于掌握他一天的概况。
图14示出了根据本公开的示例性实施例的用于基于移动习惯数据推荐车辆/乘客资源的示意性系统。
如图14中所示,用于产生移动习惯数据的系统1100从用户(驾驶员或乘客)获得用户的位置数据、对应于位置数据的时间数据以及指示用户作为驾驶员或乘客的运输模式信息。用户的移动习惯数据由系统1100产生并且提供至用于推荐车辆资源的系统1200以及用于推荐乘客资源的系统1300。如果从作为驾驶员的用户接收到确认信息,则系统1200根据从系统1000提供的移动习惯数据为作为乘客的用户推荐车辆资源。如果从作为乘客的用户接收到确认信息,则系统1300根据从系统1000提供的移动习惯数据而为作为驾驶员的用户推荐乘客资源。
进一步,本发明的一个或多个实施例可如下实施。
方案1:一种用于为用户产生移动习惯数据的系统,包括:旅程提取单元,其配置用于从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径被组群至一个旅程中;时间信息产生单元,其配置用于根据对应于被组群至旅程中的路径的时间数据而产生对应于旅程的时间信息,其中,所述时间信息包括启程时间范围;以及习惯值计算单元,其配置用于计算一个旅程在预定时间段内的出现频率作为用户的旅程的习惯值,其中,包括起点和目的地的旅程、对应于旅程的时间信息、旅程的习惯值、以及指示用户作为驾驶员或乘客的运输模式信息一起用作用户的移动习惯数据。
方案2:方案1的系统,进一步包括更新单元,其配置用于基于现有的用户的移动习惯数据和新的运输模式信息、位置数据以及对应于位置数据的时间数据而更新用户的移动习惯数据。
方案3:方案1或2的系统,其中,如果两个旅程的起点和目的地之间的差异在预定范围内,则这两个旅程被组群至一个旅程中。
方案4:方案1或2的系统,其中,由用户的旅程的习惯值对用户的移动习惯数据进行分组。
方案5:方案1或2的系统,其中,由对应于用户的旅程的时间信息对用户的移动习惯数据进行分类。
方案6:方案1或2的系统,其中,习惯值计算单元可以进一步配置为使得仅对于工作日或节假日计算预定时间段。
方案7:一种用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的系统,包括:移动习惯数据获取单元,其配置用于获取根据方案1至6中的任一个的系统产生的用户的移动习惯值;乘车需求接收单元,其配置用于从作为乘客的用户接收乘车需求,其中,所述乘车需求包括起点、目的地和启程时间;目标旅程搜索单元,其配置用于根据接收到的乘车需求,从作为驾驶员的用户的移动习惯值,搜索与乘车需求匹配并具有高于第一阈值的习惯值的旅程作为目标旅程;乘车需求发送单元,其配置用于发送乘车需求至与目标旅程相关的作为驾驶员的用户;以及车辆资源推荐单元,其配置用于在从作为驾驶员的用户接收到确认信息之后向作为乘客的用户推荐作为驾驶员的用户。
方案8:方案7的系统,其中,目标旅程搜索单元进一步配置用于:如果未在预定时间段内从作为驾驶员的用户接收到确认信息,则根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据,搜索与乘车需求匹配并且具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。
方案9:方案7的系统,进一步包括:旅程预测单元,其配置用于从作为乘客的用户的移动习惯数据搜索与用户的当前位置和当前时间匹配或者与用户的未来位置和未来时间匹配并且具有高于第三阈值的习惯值的旅程作为所述作为乘客的用户的预测旅程;以及乘车需求推荐单元,其配置用于将与作为乘客的用户的预测旅程相关的、作为乘客的用户的乘车需求推荐给用户。
方案10:方案9的系统,其中,旅程预测单元进一步配置为使得将与作为乘客的用户的预测旅程相关的、作为乘客的用户的乘车需求规律地推荐给用户。
方案11:方案7的系统,进一步包括:旅程计划单元,其配置用于从作为乘客的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为乘客的用户的计划旅程;以及计划旅程推荐单元,其配置用于将作为乘客的用户的计划旅程推荐给用户。
方案12:一种用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的系统,包括:移动习惯数据获取单元,其配置用于获取根据方案1至6中的任一项的系统产生的用户的移动习惯数据;车辆提供信息接收单元,其配置用于从作为驾驶员的用户接收车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间;目标旅程搜索单元,其配置用于根据接收到的车辆提供信息从作为乘客的用户的移动习惯数据搜索与车辆提供信息匹配并且具有高于第一阈值的习惯值的旅程作为目标旅程;车辆提供信息发送单元,其配置用于将车辆提供信息发送至与目标旅程相关的作为乘客的用户;以及乘客资源推荐单元,其配置用于在从作为乘客的用户接收到确认信息之后向作为驾驶员的用户推荐作为乘客的用户。
方案13:方案12的系统,其中,目标旅程搜索单元进一步配置用于:如果未在预定时间段内从作为乘客的用户接收到确认信息,则从作为乘客的用户的移动习惯数据搜索与车辆提供信息匹配并且具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。
方案14:方案12的系统,进一步包括:旅程预测单元,其配置用于从作为驾驶员的用户的移动习惯数据搜索与用户的当前位置和当前时间匹配或者与用户的未来位置和未来时间匹配并且具有高于第三阈值的习惯值的旅程作为所述作为驾驶员的用户的预测旅程;以及车辆提供信息推荐单元,其配置用于将与作为驾驶员的用户的预测旅程相关的、作为驾驶员的用户的车辆提供信息推荐给用户。
方案15:方案14的系统,其中,旅程预测单元进一步配置为使得将与作为驾驶员的用户的预测旅程相关的、作为驾驶员的用户的车辆提供信息规律地推荐给用户。
方案16:方案12的系统,进一步包括:旅程计划单元,其配置用于从作为驾驶员的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为驾驶员的用户的计划旅程;以及计划旅程推荐单元,其配置用于将作为驾驶员用户的计划旅程推荐给用户。
方案17:一种用于产生用户的移动习惯数据的计算机程序产品,该计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使该处理器执行操作,所述操作包括:从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径被组群至一个旅程中;根据与被组群至旅程中的路径相对应的时间数据,产生对应于旅程的时间信息,其中,所述时间信息包括启程时间范围;以及计算一个旅程在预定时间段内的出现频率作为用户的旅程的习惯值,其中,包括起点和目的地的旅程、对应于旅程的时间信息、旅程的习惯值、以及指示用户作为驾驶员或乘客的运输模式信息一起用作用户的移动习惯数据。
方案18:方案17的计算机程序产品,其中,所述操作进一步包括:基于现有的用户的移动习惯数据以及新的运输模式信息、位置数据和对应于位置数据的时间数据而更新用户的移动习惯数据。
方案19:方案17或18的计算机程序产品,其中,如果两个旅程的起点和目的地之间的差异在预定范围内,则将这两个旅程组群至一个旅程中。
方案20:方案17或18的计算机程序产品,其中,由用户的旅程的习惯值对用户的移动习惯数据进行分组。
方案21:方案17或18的计算机程序产品,其中,由对应于用户的旅程的时间信息对用户的移动习惯数据进行分类。
方案22:方案17或18的计算机程序产品,其中,仅对于工作日或节假日计算预定时间段。
方案23:一种用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机程序产品,该计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使该处理器执行操作,所述操作包括:获取根据方案17至22中任一项的计算机程序产品产生的用户的移动习惯数据;从作为乘客的用户接收乘车需求,其中,所述乘车需求包括起点、目的地和启程时间;根据接收到的乘车需求从作为驾驶员的用户的移动习惯数据搜索与乘车需求匹配并具有高于第一阈值的习惯值的旅程作为目标旅程;发送乘车需求至与目标旅程相关的作为驾驶员的用户;以及在从作为驾驶员的用户接收到确认信息之后向作为乘客的用户推荐作为驾驶员的用户。
方案24:方案23的计算机程序产品,其中,如果未在预定时间段内从作为驾驶员的用户接收到确认信息,则根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据搜索与乘车需求匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。
方案25:根据方案23的计算机程序产品,其中,所述操作进一步包括:从作为乘客的用户的移动习惯数据,搜索与用户的当前位置和当前时间匹配或者与用户的未来位置和未来时间匹配并且具有高于第三阈值的习惯值的旅程作为所述作为乘客的用户的预测旅程;以及将与作为乘客的用户的预测旅程相关的作为乘客的用户的乘车需求推荐给用户。
方案26:方案25的计算机程序产品,其中,将与作为乘客的用户的预测旅程相关的作为乘客的用户的乘车需求规律地推荐给用户。
方案27:方案23的计算机程序产品,其中,所述操作进一步包括:从作为乘客的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为乘客的用户的计划旅程;以及将作为乘客的用户的计划旅程推荐给用户。
方案28:一种用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机程序产品,该计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使该处理器执行操作,所述操作包括:获取根据权利要求17至22中任一个的计算机程序产品产生的用户的移动习惯数据;接收作为驾驶员的用户的车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间;根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据搜索与车辆提供信息匹配并具有高于第一阈值的习惯值的旅程作为目标旅程;发送车辆提供信息至与目标旅程相关的作为乘客的用户;以及在从作为乘客的用户接收到确认信息之后向作为驾驶员的用户推荐作为乘客的用户。
方案29:方案28的计算机程序产品,其中,如果未在预定时间段内从作为乘客的用户接收到确认信息,则根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据搜索与车辆提供信息匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。
方案30:方案28的计算机程序产品,其中,所述操作进一步包括:从作为驾驶员的用户的移动习惯数据搜索与用户的当前位置和当前时间匹配或者与用户的未来位置和未来时间匹配且具有高于第三阈值的习惯值的旅程作为所述作为驾驶员的用户的预测旅程;以及将与作为驾驶员的用户的预测旅程相关的作为驾驶员的用户的车辆提供信息推荐给用户。
方案31:方案30的计算机程序产品,其中,将与作为驾驶员的用户的预测旅程相关的作为驾驶员的用户的车辆提供信息规律地推荐给用户。
方案32:方案28的计算机程序产品,其中,所述操作进一步包括:从作为驾驶员的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为驾驶员的用户的计划旅程;以及将作为驾驶员的用户的计划旅程推荐给用户。
方案33:一种用于产生用户的移动习惯数据的装置,包括处理器和其上具有指令的存储器,所述指令在被处理器执行时使处理器执行操作,所述操作包括:从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径被组群至一个旅程中;根据对应于被组群至旅程中的路径的时间数据,产生对应于旅程的时间信息,其中,所述时间信息包括启程时间范围;以及计算一个旅程在预定时间段内的出现频率作为用户的旅程的习惯值,其中,包括起点和目的地的旅程、对应于旅程的时间信息、旅程的习惯值、以及指示用户作为驾驶员或乘客的运输模式信息一起用作用户的移动习惯数据。
方案34:方案33的装置,其中,所述操作进一步包括:基于现有的用户的移动习惯数据和新的运输模式信息、位置数据和对应于位置数据的时间数据更新用户的移动习惯数据。
方案35:方案33或34的装置,其中,如果两个旅程的起点和目的地之间的差异在预定范围内,则将这两个旅程组群至一个旅程中。
方案36:方案33或34的装置,其中,由用户的旅程的习惯值对用户的移动习惯数据进行分组。
方案37:方案33或34的装置,其中,由对应于用户的旅程的时间信息对用户的移动习惯数据进行分类。
方案38:方案33或34的装置,其中,仅对于工作日或节假日计算预定时间段。
方案39:一种用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的装置,包括处理器和其上具有指令的存储器,所述指令在被处理器执行时使处理器执行方法,该方法包括:获取根据方案33至38中任一项的装置产生的用户的移动习惯数据;从作为乘客的用户接收乘车需求,其中,所述乘车需求包括起点、目的地和启程时间;根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据搜索与乘车需求匹配并具有高于第一阈值的习惯值的旅程作为目标旅程;发送乘车需求至与目标旅程相关的作为驾驶员的用户;以及在从作为驾驶员的用户接收到确认信息之后向作为乘客的用户推荐作为驾驶员的用户。
方案40:方案39的装置,其中,如果未在预定时间段内从作为驾驶员的用户接收到确认信息,则根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据搜索与乘车需求匹配并且具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。
方案41:方案39的装置,其中,所述操作进一步包括:从作为乘客的用户的移动习惯数据搜索与用户的当前位置和当前时间匹配或者与用户的未来位置和未来时间匹配并且具有高于第三阈值的习惯值的旅程作为所述作为乘客的用户的预测旅程;以及将与作为乘客的用户的预测旅程相关的、作为乘客的用户的乘车需求推荐给用户。
方案42:方案41的装置,其中,将与作为乘客的用户的预测旅程相关的、作为乘客的用户的乘车需求规律地推荐给用户。
方案43:方案39的装置,其中,该方法进一步包括:从作为乘客的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为乘客的用户的计划旅程;以及将作为乘客的用户的计划旅程推荐给用户。
方案44:一种用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的装置,包括处理器和其上具有指令的存储器,所述指令在被处理器执行时使处理器执行方法,该方法包括:获取根据方案33至38中任一项的装置产生的用户的移动习惯数据;接收作为驾驶员的用户的车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间;根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据搜索与车辆提供信息匹配并具有高于第一阈值的习惯值的旅程作为目标旅程;发送车辆提供信息至与目标旅程相关的作为乘客的用户;以及在从作为乘客的用户接收到确认信息之后向作为驾驶员的用户推荐作为乘客的用户。
方案45:方案44的装置,其中,如果未在预定时间段内从作为乘客的用户接收到确认信息,则根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据搜索与车辆提供信息匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。
方案46:方案44的装置,其中,该方法进一步包括:从作为驾驶员的用户的移动习惯数据搜索与用户的当前位置和当前时间匹配或者与用户的未来位置和未来时间匹配并且具有高于第三阈值的习惯值的旅程作为所述作为驾驶员的用户的预测旅程;以及将与作为驾驶员的用户的预测旅程相关的、作为驾驶员的用户的车辆提供信息推荐给用户。
方案47:方案46的装置,其中,将与作为驾驶员的用户的预测旅程相关的、作为驾驶员的用户的车辆提供信息规律地推荐给用户。
方案48:方案44的装置,其中,该方法进一步包括:从作为驾驶员的用户的移动习惯数据搜索在一个时间段内的旅程作为所述作为驾驶员的用户的计划旅程;以及将作为驾驶员的用户的计划旅程推荐给用户。
图15图示了根据本公开的示例性实施例的可应用本公开的通用硬件环境。
参照图15,现在将描述计算装置1500,其是可以适用于本公开各方面的硬件装置的示例。计算装置1500可以是配置用于执行处理和/或计算的任何机器,可以但不限于是工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助理、智能电话、车载计算机或者其任意组合。前述系统1100、系统1200和系统1300可以由计算装置1500或类似的装置或系统完全或至少部分地实施。
计算装置1500可以包括可能经由一个或多个接口与总线1502连接或通信的元件。例如,计算装置1500可以包括总线1502、一个或多个处理器1504、一个或多个输入装置1506以及一个或多个输出装置1508。一个或多个处理器1504可以是任何类型的处理器,并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(诸如专用处理芯片)。输入装置1506可以是可向该计算装置输入信息的任何类型的装置,并且可以包括但不限于鼠标、键盘、触摸屏、话筒和/或远程控制装置。输出装置1508可以是可展示信息的任何类型的装置,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算装置1500也可以包括非临时性存储装置1510或者与其连接,该非临时性存储装置可以是任何非临时的且可实施数据存储的存储装置,并且可以包括但不限于盘驱动、光学存储装置、固态存储、软盘、柔性盘、硬盘、磁带或任何其他磁性介质、小型碟或任何其他光学介质、ROM(只读存储器)、RAM(随机访问存储器)、高速缓存和/或任何其他存储器芯片或盒带,和/或计算机可以从中读取数据、指令和/或代码的任何其他介质。非临时性存储装置1510可以是可从接口拆卸的。非临时性存储装置1510可以具有用于实施如上所述的方法和步骤的数据/指令/代码。计算装置1500也可以包括通信装置1512。通信装置1512可以是可允许与外部设备和/或与网络通信的任何类型的装置或系统,并且可以包括但不限于调制解调器、网卡、红外通信装置、无线通信装置和/或芯片集诸如BluetoothTM装置、1302.11装置、WiFi装置、WiMax装置、蜂窝通信设施等。
总线1502可以包括但不限于工业标准架构(IAS)总线、微信道架构(MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线、以及外围部件互联(PCI)总线。特别是,对于车载装置,总线1502也可以包括控制器局域网(CAN)总线或设计用于应用于汽车上的其他架构。
计算装置1500也可以包括工作存储器1514,其可以是可存储有助于处理器1504工作的指令和/或数据的任何类型的工作存储器,并且可以包括但不限于随机访问存储器和/或只读存储器装置。
软件元件可以位于工作存储器1514中,包括但不限于操作系统1516、一个或多个应用程序1518、驱动器和/或其他数据和代码。用于执行以上所述的方法和步骤的指令可以包括在一个或多个应用程序1518中,并且前述的系统1100、系统1200和系统1300的单元可以由读取并执行一个或多个应用程序1518的指令的处理器1504实施。例如,当处理器执行具有用于执行步骤101的指令的应用1518时,前述的系统1100的旅程提取单元1101可以例如由处理器1504实施。此外,当处理器执行具有用于执行一个或多个前述各自的步骤的指令的应用1518时,前述系统1100的其他单元可以例如由处理器1504实施。当处理器执行具有用于执行一个或多个前述各自的步骤的指令的应用1518时,前述系统1200和系统1300的单元也可以例如由处理器1504实施。软件元件的指令的可执行代码或源代码可以存储在非临时性计算机可读存储介质中,例如以上所述的存储装置1510,并且可以可能随着汇编和/或安装而读取至工作存储器1514中。也可以从远程位置下载软件元件的指令的可执行代码或源代码。
也应该理解的是,可以根据具体需求做出改变。例如,也可以使用定制硬件,和/或特定元件可以实施在硬件、软件、固件、中间件、微代码、硬件描述语言、或者其任意组合中。进一步,可以利用与其他计算装置的连接,例如网络输入/输出装置。例如,可以通过使用根据本公开的逻辑和算法、利用汇编语言或硬件编程语言(例如VERILOG、VHDL、C++)、通过编程硬件(例如包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA))实施所公开的方法和装置中的一些或全部。
本领域技术人员可以从以上实施例清楚知晓,可以由软件与必需的硬件、或者由硬件、固件等实施本公开。基于该理解,本公开的实施例可以部分地以软件形式实现。计算机软件可以存储在可读存储介质中,诸如软盘、硬盘、光盘或计算机的闪存。计算机软件包括一系列指令以使计算机(例如个人计算机、服务站或网络终端)执行根据本公开的各个实施例的方法或其一部分。
尽管至此已经参照附图描述了本公开的各方面,如上所述的方法、系统、计算机程序产品和装置仅是示例性示例,并且本发明的范围不限于这些方面,而是仅由所附权利要求及其等价形式限定。各种要素可以省略或者可以由等价要素替换。此外,可以以与本公开中所述的顺序不同的顺序执行各步骤。而且,各种要素可以以各种方式组合。还重要的是,随着技术发展,可以由在本公开之后出现的等价要素替换多个所述的要素。
Claims (20)
1.一种用于产生用户的移动习惯数据的计算机实施方法,包括:
从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径被组群至一个旅程中;
根据与被组群至旅程中的路径相对应的时间数据,产生与旅程相对应的时间信息,其中,所述时间信息包括启程时间范围;以及
计算一个旅程在预定时间段内的出现频率作为用户的旅程的习惯值,
其中,包括起点和目的地的旅程、与旅程相对应的时间信息、旅程的习惯值、以及指示所述用户作为驾驶员或乘客的运输模式信息一起用作所述用户的移动习惯数据。
2.根据权利要求1的方法,进一步包括:
基于现有的、用户的移动习惯数据以及新的运输模式信息、位置数据和与位置数据相对应的时间数据,更新用户的移动习惯数据。
3.根据权利要求1或2的方法,其中,
如果两个旅程的起点和目的地之间的差异在预定范围内,则将这两个旅程组群至一个旅程中。
4.根据权利要求1或2的方法,其中,
由用户的旅程的习惯值对用户的移动习惯数据进行分组。
5.根据权利要求1或2的方法,其中,
由与用户的旅程相对应的时间信息对用户的移动习惯数据进行分类。
6.根据权利要求1或2的方法,其中,
仅对于工作日或节假日计算所述预定时间段。
7.一种用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机实施方法,包括:
获取根据权利要求1至6中任一项所述的方法产生的用户的移动习惯数据;
从作为乘客的用户接收乘车需求,其中,所述乘车需求包括起点、目的地和启程时间;
根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据搜索与所述乘车需求匹配并具有高于第一阈值的习惯值的旅程作为目标旅程;
发送所述乘车需求至与所述目标旅程相关的作为驾驶员的用户;以及
在从作为驾驶员的用户接收到确认信息之后,向作为乘客的用户推荐作为驾驶员的用户。
8.根据权利要求7所述的方法,其中,
如果在预定时间段内并未从作为驾驶员的用户接收到确认信息,根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据搜索与所述乘车需求匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。
9.根据权利要求7的方法,进一步包括:
从作为乘客的用户的移动习惯数据搜索与该用户的当前位置和当前时间匹配或与该用户的未来位置和未来时间匹配且具有高于第三阈值的习惯值的旅程作为所述作为乘客的用户的预测旅程;以及
将与所述作为乘客的用户的预测旅程相关的、所述作为乘客的用户的乘车需求推荐给用户。
10.根据权利要求9所述的方法,其中,
将与所述作为乘客的用户的预测旅程相关的、所述作为乘客的用户的乘车需求规律地推荐给用户。
11.根据权利要求7所述的方法,进一步包括:
从所述作为乘客的用户的移动习惯数据搜索在时间段内的旅程作为所述作为乘客的用户的计划旅程;以及
将所述作为乘客的用户的计划旅程推荐给用户。
12.一种用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机实施方法,包括:
获取根据权利要求1至6中任一项的方法产生的用户的移动习惯数据;
从作为驾驶员的用户接收车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间;
根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据搜索与所述车辆提供信息匹配且具有高于第一阈值的习惯值的旅程作为目标旅程;
发送所述车辆提供信息至与所述目标旅程相关的作为乘客的用户;以及
在从作为乘客的用户接收到确认信息之后向作为驾驶员的用户推荐作为乘客的用户。
13.根据权利要求12的方法,其中
如果在预定时间段内并未从作为乘客的用户接收到确认信息,根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据搜索与所述车辆提供信息匹配并具有高于第二阈值且低于第一阈值的习惯值的旅程作为目标旅程。
14.根据权利要求12的方法,进一步包括:
从作为驾驶员的用户的移动习惯数据搜索与该用户的当前位置和当前时间匹配或与该用户的未来位置和未来时间匹配并具有高于第三阈值的习惯值的旅程作为所述作为驾驶员的用户的预测旅程;以及
将与所述作为驾驶员的用户的预测旅程相关的、所述作为驾驶员的用户的车辆提供信息推荐给用户。
15.根据权利要求14的方法,其中
将与所述作为驾驶员的用户的预测旅程相关的、所述作为驾驶员的用户的车辆提供信息规律地推荐给用户。
16.根据权利要求12所述的方法,进一步包括:
从所述作为驾驶员的用户的移动习惯数据搜索在时间段内的旅程作为所述作为驾驶员的用户的计划旅程;以及
将所述作为驾驶员的用户的计划旅程推荐给用户。
17.一种用于产生用户的移动习惯数据的计算机程序产品,所述计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使所述处理器执行操作,所述操作包括:
从用户的位置数据提取包括起点和目的地的旅程,其中,具有相同起点和相同目的地的路径被组群至一个旅程中;
根据与被组群至旅程中的路径相对应的时间数据,产生与旅程相对应的时间信息,其中,所述时间信息包括启程时间范围;以及
计算一个旅程在预定时间段内的出现频率作为用户的旅程的习惯值,
其中,包括起点和目的地的旅程、与旅程相对应的时间信息、旅程的习惯值、以及指示所述用户作为驾驶员或乘客的运输模式信息一起用作所述用户的移动习惯数据。
18.一种用于根据用户的移动习惯为作为乘客的用户推荐车辆资源的计算机程序产品,所述计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使所述处理器执行操作,所述操作包括:
获取根据权利要求17所述的计算机程序产品产生的用户的移动习惯数据;
从作为乘客的用户接收乘车需求,其中,所述乘车需求包括起点、目的地和启程时间;
根据接收到的乘车需求,从作为驾驶员的用户的移动习惯数据搜索与所述乘车需求匹配并具有高于第一阈值的习惯值的旅程作为目标旅程;
发送所述乘车需求至与所述目标旅程相关的作为驾驶员的用户;以及
在从作为驾驶员的用户接收到确认信息之后向作为乘客的用户推荐作为驾驶员的用户。
19.一种用于根据用户的移动习惯为作为驾驶员的用户推荐乘客资源的计算机程序产品,所述计算机程序产品包括其上存储有指令的非临时性计算机可读介质,所述指令在被处理器执行时使所述处理器执行操作,所述操作包括:
获取根据权利要求17所述的计算机程序产品产生的用户的移动习惯数据;
接收作为驾驶员的用户的车辆提供信息,其中,所述车辆提供信息包括起点、目的地和启程时间;
根据接收到的车辆提供信息,从作为乘客的用户的移动习惯数据搜索与所述车辆提供信息匹配并具有高于第一阈值的习惯值的旅程作为目标旅程;
发送所述车辆提供信息至与所述目标旅程相关的作为乘客的用户;以及
在从作为乘客的用户接收到确认信息之后向作为驾驶员的用户推荐作为乘客的用户。
20.一种包括处理器以及其上具有指令的存储器的装置,所述指令在被所述处理器执行时使所述处理器执行根据权利要求1至16中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2015/095732 WO2017088161A1 (en) | 2015-11-27 | 2015-11-27 | Recommending car/passenger resources for user according to mobility habits |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108292308A true CN108292308A (zh) | 2018-07-17 |
Family
ID=58762848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580084843.7A Pending CN108292308A (zh) | 2015-11-27 | 2015-11-27 | 根据移动习惯为用户推荐车辆/乘客资源 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20180268039A1 (zh) |
EP (1) | EP3380951A4 (zh) |
CN (1) | CN108292308A (zh) |
WO (1) | WO2017088161A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345036A (zh) * | 2018-11-01 | 2019-02-15 | 中国联合网络通信集团有限公司 | 一种共享单车的使用方法和装置 |
CN109948064A (zh) * | 2019-03-29 | 2019-06-28 | 上海掌门科技有限公司 | 用户推荐、推荐信息显示方法、装置、电子设备及介质 |
CN110347939A (zh) * | 2019-07-16 | 2019-10-18 | 湖南科技学院 | 一种基于云计算的电动汽车管理系统 |
CN111984855A (zh) * | 2019-05-24 | 2020-11-24 | 北京车和家信息技术有限公司 | 信息推荐的方法及装置 |
CN113553497A (zh) * | 2020-04-24 | 2021-10-26 | 丰田自动车株式会社 | 信息处理装置、非暂时性计算机可读记录介质和信息处理方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10900795B2 (en) * | 2016-07-22 | 2021-01-26 | Comuto S.A. | Method and system for identifying meeting points |
KR102575711B1 (ko) | 2017-11-01 | 2023-09-07 | 현대자동차주식회사 | 전자 장치 및 카 셰어링 서비스에서의 여정 스케줄링 방법 |
US10904705B2 (en) | 2019-03-22 | 2021-01-26 | Here Global B.V. | Method and apparatus for recommending mobility service operators based on user mobility patterns |
CN110162520B (zh) * | 2019-04-23 | 2021-07-20 | 中国科学院深圳先进技术研究院 | 面向地铁乘客的朋友推荐方法及系统 |
US10956844B2 (en) | 2019-04-29 | 2021-03-23 | Advanced New Technologies Co., Ltd. | Method and apparatus for determining vehicle scheduling strategy |
CN110188921A (zh) * | 2019-04-29 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 车辆调度策略确定方法和装置 |
CN110194398B (zh) * | 2019-06-06 | 2021-12-07 | 上海三菱电梯有限公司 | 预测乘客乘梯需求的电梯群组的控制方法 |
CN111028071B (zh) * | 2019-12-04 | 2022-07-15 | 北京三快在线科技有限公司 | 账单处理方法、装置、电子设备及存储介质 |
CN111949891B (zh) * | 2020-10-09 | 2021-06-15 | 广州斯沃德科技有限公司 | 一种基于车辆轨迹聚类的个性化信息推荐方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964148A (zh) * | 2009-07-24 | 2011-02-02 | 日立(中国)研究开发有限公司 | 道路交通信息记录服务器和gps用户终端 |
US20120232776A1 (en) * | 2010-09-09 | 2012-09-13 | Google Inc. | Transportation Information Systems and Methods Associated With Degradation Modes |
CN103050003A (zh) * | 2011-10-17 | 2013-04-17 | 通用汽车环球科技运作有限责任公司 | 拼车服务 |
CN103256938A (zh) * | 2012-02-20 | 2013-08-21 | 福特全球技术公司 | 基于车辆的计算机系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040167861A1 (en) * | 2003-02-21 | 2004-08-26 | Hedley Jay E. | Electronic toll management |
US7877204B2 (en) * | 2006-11-24 | 2011-01-25 | Qualcomm Incorporated | System and method for sending destination locations to navigation devices |
US7756633B2 (en) * | 2007-05-11 | 2010-07-13 | Palo Alto Research Center Incorporated | System and method for security enhanced rideshare |
US9489644B2 (en) * | 2012-02-23 | 2016-11-08 | Ford Global Technologies, Llc | Vehicle drive matching system and method |
EP3080774A4 (en) * | 2013-12-11 | 2017-06-07 | Uber Technologies Inc. | Optimizing selection of drivers for transport requests |
US20150317568A1 (en) * | 2014-04-30 | 2015-11-05 | Xerox Corporation | System and method for flexible carpooling in a work context |
US9612127B2 (en) * | 2014-07-25 | 2017-04-04 | GM Global Technology Operations LLC | Carpool finder assistance |
-
2015
- 2015-11-27 WO PCT/CN2015/095732 patent/WO2017088161A1/en unknown
- 2015-11-27 EP EP15909072.9A patent/EP3380951A4/en active Pending
- 2015-11-27 CN CN201580084843.7A patent/CN108292308A/zh active Pending
-
2018
- 2018-05-21 US US15/984,687 patent/US20180268039A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964148A (zh) * | 2009-07-24 | 2011-02-02 | 日立(中国)研究开发有限公司 | 道路交通信息记录服务器和gps用户终端 |
US20120232776A1 (en) * | 2010-09-09 | 2012-09-13 | Google Inc. | Transportation Information Systems and Methods Associated With Degradation Modes |
CN103050003A (zh) * | 2011-10-17 | 2013-04-17 | 通用汽车环球科技运作有限责任公司 | 拼车服务 |
CN103256938A (zh) * | 2012-02-20 | 2013-08-21 | 福特全球技术公司 | 基于车辆的计算机系统 |
Non-Patent Citations (1)
Title |
---|
NICOLA BICOCCHI: "Investigating ride sharing opportunities through mobility data analysis", 《PERVASIVE AND MOBILE COMPUTING》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345036A (zh) * | 2018-11-01 | 2019-02-15 | 中国联合网络通信集团有限公司 | 一种共享单车的使用方法和装置 |
CN109345036B (zh) * | 2018-11-01 | 2021-03-19 | 中国联合网络通信集团有限公司 | 一种共享单车的使用方法和装置 |
CN109948064A (zh) * | 2019-03-29 | 2019-06-28 | 上海掌门科技有限公司 | 用户推荐、推荐信息显示方法、装置、电子设备及介质 |
CN111984855A (zh) * | 2019-05-24 | 2020-11-24 | 北京车和家信息技术有限公司 | 信息推荐的方法及装置 |
CN110347939A (zh) * | 2019-07-16 | 2019-10-18 | 湖南科技学院 | 一种基于云计算的电动汽车管理系统 |
CN110347939B (zh) * | 2019-07-16 | 2022-09-02 | 湖南科技学院 | 一种基于云计算的电动汽车管理系统 |
CN113553497A (zh) * | 2020-04-24 | 2021-10-26 | 丰田自动车株式会社 | 信息处理装置、非暂时性计算机可读记录介质和信息处理方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180268039A1 (en) | 2018-09-20 |
WO2017088161A1 (en) | 2017-06-01 |
EP3380951A1 (en) | 2018-10-03 |
EP3380951A4 (en) | 2019-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108292308A (zh) | 根据移动习惯为用户推荐车辆/乘客资源 | |
CN106796550B (zh) | 信息配送装置以及方法 | |
CN104396284B (zh) | 呈现针对当前位置或时间的信息 | |
CN109556621B (zh) | 一种路线规划的方法及相关设备 | |
CN104798420B (zh) | 基于沿路线遇到的周围的可识别无线信号源估计到达时间 | |
CN107796411A (zh) | 具有偏好分析机制的导航系统及其操作方法 | |
US9846736B2 (en) | Data processing method, data processing device, data collecting method and information providing method | |
CN107274257A (zh) | 一种酒店服务推荐方法及装置 | |
CN105118015A (zh) | 用于公共场所的信息提示方法及移动服务终端 | |
CN111372192B (zh) | 信息推荐方法、装置、终端及存储介质 | |
US10560797B2 (en) | Information processing device and method | |
CN109059934A (zh) | 路径规划方法、装置、终端及存储介质 | |
CN104636457B (zh) | 一种位置搜索认知的方法及装置 | |
TW202143162A (zh) | 用於預測車輛的目的地位置之方法 | |
JP2014190952A (ja) | ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム | |
JP5998182B2 (ja) | Poiデータ生成装置、端末装置、poiデータ生成方法およびプログラム | |
JP6516899B2 (ja) | 情報配信装置及び方法 | |
Velaga et al. | Development of a map-matching algorithm for rural passenger information systems through mobile phones and crowd sourcing | |
JP5901392B2 (ja) | 情報処理システム、及び情報処理方法 | |
JP6048196B2 (ja) | ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム | |
Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations | |
JP6289342B2 (ja) | 入出経路判定装置、入出経路判定方法、及びプログラム | |
Ashqar | Strategic design of smart bike-sharing systems for smart cities | |
CN105451171B (zh) | 上传用户地理位置数据的方法及设备 | |
KR101466668B1 (ko) | 위치정보 분류방법 및 이를 위한 장치 |
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 |