CN109801110A - 一种行程信息输入错误的识别方法 - Google Patents

Abstract

本发明公开一种行程信息输入错误的识别方法。所述方法包括：获取用户输入的行程信息数据D₀，获取用户的历史票务订单，并从中解析出历史票务订单信息数据D₁，根据D₁与D₀之间的关系计算历史票务订单错误贡献度，获取用户的历史旅行地相关订单，并从中解析出历史旅行地信息数据D₂，根据D₂与D₀之间的关系计算历史旅行地相关订单错误贡献度，通过求各错误贡献度分量的和得到行程信息出错的可能性，如果所述可能性大于设定的阈值，则认为行程信息出错。本发明能够在用户购票前对用户进行有效的风险警示，以降低用户误操作带来的损失。

Description

一种行程信息输入错误的识别方法

技术领域

本发明属于机票/火车票查询订购技术领域，具体涉及一种行程信息输入错误的识别方法。

背景技术

目前，随着科学技术的迅猛发展，诸如飞机、火车等大交通出行越来越被大家所接受，成为出差、旅游、回老家等中远途交通的首选。由于大交通行程一般包含往返，所以用户在区分去程和回程购买时，往往搞错出发地和目的地或者通过日历选择时间时出现了误点旅行时间的现象。部分用户在下单完毕检查时发现行程错误并进行票务退改操作，还有一部分用户直到最后到了机场或火车站进站乘车时才被告知行程错误。这些情况不仅损失了高额的退票或改期费用，甚至有可能会耽误既定行程。从机票和火车票的整体大盘子的订单联动数据来看，该类错误占据着不小的错误比重。

如何在用户购票前对用户进行有效的风险警示，以降低用户的误操作带来的金额、行程损失，目前还没有任何一种有效的解决方案。

发明内容

为了解决现有技术中存在的上述问题，本发明提出一种行程信息输入错误的识别方法。

为实现上述目的，本发明采用如下技术方案：

一种行程信息输入错误的识别方法，包括以下步骤：

步骤1，获取用户输入的行程信息数据D₀：出发地C0，目的地M0，出发日期T0；

步骤2，获取用户的历史票务订单，并从中解析出历史票务订单信息数据D₁：出发地，目的地，出发日期，到达日期；根据D₁与D₀之间的关系计算历史票务订单错误贡献度F₁；

步骤3，获取用户的历史旅行地相关订单，并从中解析出历史旅行地信息数据D₂：出发地，目的地，历史旅行日期；根据D₂与D₀之间的关系计算历史旅行地相关订单错误贡献度F₂；旅行地相关订单包括酒店、门票、自由行和专车；

步骤4，通过求各贡献度分量的和计算行程信息出错的可能性F，如果F大于出错阈值，则行程信息出错。

与现有技术相比，本发明具有以下有益效果：

本发明通过获取用户输入的行程信息数据D₀，获取用户的历史票务订单，并从中解析出历史票务订单信息数据D₁，根据D₁与D₀之间的关系计算历史票务订单错误贡献度，获取用户的历史旅行地相关订单，并从中解析出历史旅行地信息数据D₂，根据D₂与D₀之间的关系计算历史旅行地相关订单错误贡献度，通过求各错误贡献度分量的和得到行程信息出错的可能性，如果所述可能性大于设定的阈值，则认为行程信息出错，实现了用户行程信息出错的自动判断，能够在用户购票前对用户进行有效的风险警示，以降低用户误操作带来的损失。

附图说明

图1为本发明实施例一种行程信息输入错误的识别方法的流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明实施例一种行程信息输入错误的识别方法的流程图如图1所示，所述方法包括：

S101、获取用户输入的行程信息数据D₀：出发地C0，目的地M0，出发日期T0；

S102、获取用户的历史票务订单，并从中解析出历史票务订单信息数据D₁：出发地，目的地，出发日期，到达日期；根据D₁与D₀之间的关系计算历史票务订单错误贡献度F₁；

S103、获取用户的历史旅行地相关订单，并从中解析出历史旅行地信息数据D₂：出发地，目的地，历史旅行日期；根据D₂与D₀之间的关系计算历史旅行地相关订单错误贡献度F₂；旅行地相关订单包括酒店、门票、自由行和专车；

S104、通过求各贡献度分量的和计算行程信息出错的可能性F，如果F大于出错阈值，则行程信息出错。

本实施例用于在用户购票前，对可能出现的行程信息填写错误进行自动识别和警示。用户在使用票务软件时，因为机票和火车票是低频应用且旅行时间较长，所以在票务决策前会产生大量用户旅行操作数据，例如历史票务订单和历史旅行地相关订单等。提取所述订单中的有用信息，并将所述信息与用户输入的行程信息进行对比，计算行程信息出错的可能性，通过比较所述可能性与设定的错误阈值的大小，判断行程信息是否出错。

在本实施例中，步骤S101用于读取用户输入的行程信息数据，包括出发地、目的地和出发日期，后面的所有比较和判断都是基于这三个参数，一般将这三个参数称为行程三要素。

在本实施例中，步骤S102用于计算历史票务订单错误贡献度。历史票务订单中的有用信息包括出发地、目的地、出发日期和到达日期，通过将这些信息与行程三要素比较，可以得到不同情况下的历史票务订单错误贡献度。

在本实施例中，步骤S103用于计算历史旅行地相关订单错误贡献度。历史旅行地相关订单是指曾经订过的酒店、门票、自由行、专车等。历史旅行地相关订单的有用信息包括出发地、目的地和历史旅行日期，通过将这些信息与行程三要素比较，可以得到不同情况下的历史旅行地相关订单错误贡献度。

在本实施例中，步骤S104用于给出用户行程信息是否出错的判断结果。首先求各贡献度分量的和得到行程信息出错的可能性的大小，然后与设定的出错阈值大小进行比较，出错的可能性如果超过出错阈值，认为用户行程信息错误，提醒用户核实行程信息；否则，认为行程信息正确。出错阈值大小与各贡献度分量的数值标定有关，一般根据经验或反复试验确定。

作为一种可选实施例，所述方法还包括：

获取用户的历史票务关注信息，并从中解析出历史票务关注信息数据D₃：关注时间；根据D₃与D₀之间的关系计算历史票务关注错误贡献度F₃；历史票务关注是指用户针对当前行程的预订行为进行的票务收藏、加购物车、关注和愿望清单操作。

本实施例增加了历史票务关注错误贡献度分量的计算。历史票务关注是指用户对当前行程的预订行为的关注，包括用户将票务进行收藏、加购物车、关注、愿望清单等操作。历史票务关注的有用信息主要是关注时间，通过将关注时间与行程信息中的出发日期进行比较，得出不同情况下的历史票务关注错误贡献度。由于增加了一个错误贡献度分量，因此，出错阈值的大小需要相应提高一定量值。

后面的两个实施例又分别增加了历史票务搜索错误贡献度分量和当前位置错误贡献度分量的计算，这里不再进行分别说明。

作为一种可选实施例，所述方法还包括：

获取用户的历史票务搜索信息，并从中解析出历史票务搜索信息数据D₄：近期搜索的出发地、目的地和出发日期；根据D₄与D₀之间的关系计算历史票务搜索错误贡献度F₄。

作为一种可选实施例，所述方法还包括：

获取用户的当前位置信息，并从中解析出当前位置信息数据D₅：当前位置，当前日期；根据D₅与D₀之间的关系计算当前位置错误贡献度F₅。

作为一种可选实施例，F₁的计算方法包括：

如果存在出发地和目的地分别为C0和M0，且出发日期不晚于T0、到达日期不早于T0的订单；或存在出发地、目的地和出发日期分别为C0、M0和T0的订单，则F₁＝B₁，且B₁大于出错阈值；

如果所有订单的到达日期均早于T0，且最近一次订单的到达地为C0，则认为用户完成了旅行闭环，F₁＝0；

如果存在出发地和目的地分别为C0和M0的订单，求出发日期或到达日期与T0的差的绝对值的最小值x₁，则λ₁和M₁为大于0的常数；

不属于上述情况时，F₁＝C₁，C₁为大于0的常数。

本实施例给出了计算F₁的一种具体方法。计算原理是：在历史票务订单中，若存在和用户行程信息中的出发地和目的地均相同的订单，且往返旅行时间包含用户输入的出发日期(即用户行程信息中的出发日期)，或者订单所有信息和行程三要素完全相同，则认为用户行程信息大概率错误，F₁的值为一大于出错阈值的常数B₁，也就是说，只根据这一个错误贡献度分量就能得出用户行程信息错误的结论；若发现历史票务订单的旅行时间均于用户输入的出发日期前截止，且最近一次行程到达地和用户输入的出发地相同时，则认为旅客完成了旅行闭环，用户行程信息大概率正确，F₁＝0；若历史票务订单存在出发地和目的地分别与用户行程信息中的出发地和目的地相同，只有日期不同，采用一个经验公式计算F₁，即公式中的变量x₁为订单出发日期或到达日期与用户输入的出发日期的差的绝对值的最小值，由公式可知，x₁越小F₁越大；如果不属于上述三种情况，给F₁赋予一个较小的常数C₁。

后面的实施例分别给出了F₂～F₅的计算方法，这里不再一一分析。

作为一种可选实施例，F₂的计算方法包括：

如果存在出发地和目的地分别为C0和M0，且历史旅行日期的最后一天比D0早一天的订单，则F₂＝B₂，且B₂大于出错阈值；

如果存在出发地和目的地分别为C0和M0，且历史旅行日期均始于D0的订单，则认为用户即将正开始行程，F₂＝0；

如果存在出发地和目的地分别为C0和M0的订单，求出历史旅行日期与T0的差的绝对值的最小值x₂，则λ₂和M₂为大于0的常数；

不属于上述情况时，F₂＝C₂，C₂为大于0的常数。

作为一种可选实施例，F₃的计算方法包括：

如果关注时间早于T0，则F₃＝0；否则，F₃＝C₃，C₃为大于0的常数。

作为一种可选实施例，F₄的计算方法包括：

如果近期搜索的出发地、目的地和出发日期分别为M0、C0和T0，则F₄＝B₄，且B₄大于出错阈值；

如果没有出现上述情况，则F₄＝0。

作为一种可选实施例，F₅的计算方法包括：

如果用户当前位置为C0，则F₅＝0；

如果用户当前位置不为C0，则x₅为当前时期与T0的差，λ₅和M₅为大于0的常数；

不属于上述情况时，F₅＝C₅，C₅为大于0的常数。

下面给出上述计算中所涉及常数的一组取值，仅供参考：B₁＝5，C₁＝0.2，M₁＝10，λ₁＝0.5；B₂＝3，C₂＝0.2，M₂＝10，λ₂＝0.7；C₃＝0.2；B₄＝2；C₅＝0.1，M₅＝10，λ₅＝1。

上述仅对本发明中的几种具体实施例加以说明，但并不能作为本发明的保护范围，凡是依据本发明中的设计精神所做出的等效变化或修饰或等比例放大或缩小等，均应认为落入本发明的保护范围。

Claims (9)

1.一种行程信息输入错误的识别方法，其特征在于，包括以下步骤：

步骤1，获取用户输入的行程信息数据D₀：出发地C0，目的地M0，出发日期T0；

步骤2，获取用户的历史票务订单，并从中解析出历史票务订单信息数据D₁：出发地，目的地，出发日期，到达日期；根据D₁与D₀之间的关系计算历史票务订单错误贡献度F₁；

步骤3，获取用户的历史旅行地相关订单，并从中解析出历史旅行地信息数据D₂：出发地，目的地，历史旅行日期；根据D₂与D₀之间的关系计算历史旅行地相关订单错误贡献度F₂；旅行地相关订单包括酒店、门票、自由行和专车；

步骤4，通过求各贡献度分量的和计算行程信息出错的可能性F，如果F大于出错阈值，则行程信息出错。

2.根据权利要求1所述的行程信息输入错误的识别方法，其特征在于，所述方法还包括：

获取用户的历史票务关注信息，并从中解析出历史票务关注信息数据D₃：关注时间；根据D₃与D₀之间的关系计算历史票务关注错误贡献度F₃；历史票务关注是指用户针对当前行程的预订行为进行的票务收藏、加购物车、关注和愿望清单操作。

3.根据权利要求2所述的行程信息输入错误的识别方法，其特征在于，所述方法还包括：

获取用户的历史票务搜索信息，并从中解析出历史票务搜索信息数据D₄：近期搜索的出发地、目的地和出发日期；根据D₄与D₀之间的关系计算历史票务搜索错误贡献度F₄。

4.根据权利要求3所述的行程信息输入错误的识别方法，其特征在于，所述方法还包括：

获取用户的当前位置信息，并从中解析出当前位置信息数据D₅：当前位置，当前日期；根据D₅与D₀之间的关系计算当前位置错误贡献度F₅。

5.根据权利要求4所述的行程信息输入错误的识别方法，其特征在于，F₁的计算方法包括：

如果存在出发地和目的地分别为C0和M0，且出发日期不晚于T0、到达日期不早于T0的订单；或存在出发地、目的地和出发日期分别为C0、M0和T0的订单，则F₁＝B₁，且B₁大于出错阈值；

如果所有订单的到达日期均早于T0，且最近一次订单的到达地为C0，则认为用户完成了旅行闭环，F₁＝0；

如果存在出发地和目的地分别为C0和M0的订单，求出发日期或到达日期与T0的差的绝对值的最小值x₁，则λ₁和M₁为大于0的常数；

不属于上述情况时，F₁＝C₁，C₁为大于0的常数。

6.根据权利要求5所述的行程信息输入错误的识别方法，其特征在于，F₂的计算方法包括：

如果存在出发地和目的地分别为C0和M0，且历史旅行日期的最后一天比D0早一天的订单，则F₂＝B₂，且B₂大于出错阈值；

如果存在出发地和目的地分别为C0和M0，且历史旅行日期均始于D0的订单，则认为用户即将正开始行程，F₂＝0；

如果存在出发地和目的地分别为C0和M0的订单，求出历史旅行日期与T0的差的绝对值的最小值x₂，则λ₂和M₂为大于0的常数；

不属于上述情况时，F₂＝C₂，C₂为大于0的常数。

7.根据权利要求6所述的行程信息输入错误的识别方法，其特征在于，F₃的计算方法包括：

如果关注时间早于T0，则F₃＝0；否则，F₃＝C₃，C₃为大于0的常数。

8.根据权利要求7所述的行程信息输入错误的识别方法，其特征在于，F₄的计算方法包括：

如果近期搜索的出发地、目的地和出发日期分别为M0、C0和T0，则F₄＝B₄，且B₄大于出错阈值；

如果没有出现上述情况，则F₄＝0。

9.根据权利要求8所述的行程信息输入错误的识别方法，其特征在于，F₅的计算方法包括：

如果用户当前位置为C0，则F₅＝0；

如果用户当前位置不为C0，则x₅为当前时期与T0的差，λ₅和M₅为大于0的常数；

不属于上述情况时，F₅＝C₅，C₅为大于0的常数。