CN109935000A - 一种筛选电车的方法及系统 - Google Patents
一种筛选电车的方法及系统 Download PDFInfo
- Publication number
- CN109935000A CN109935000A CN201711358379.3A CN201711358379A CN109935000A CN 109935000 A CN109935000 A CN 109935000A CN 201711358379 A CN201711358379 A CN 201711358379A CN 109935000 A CN109935000 A CN 109935000A
- Authority
- CN
- China
- Prior art keywords
- user
- electric car
- wheelpath
- power consumption
- history
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000005611 electricity Effects 0.000 claims description 13
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- VJYFKVYYMZPMAB-UHFFFAOYSA-N ethoprophos Chemical compound CCCSP(=O)(OCC)SCCC VJYFKVYYMZPMAB-UHFFFAOYSA-N 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000009532 heart rate measurement Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
一种筛选电车的方法，所述方法包括：确定用户的可能行车轨迹；获取历史订单；基于所述历史订单，训练得到电量消耗模型，所述电量消耗模型反映行车轨迹与电车耗电量之间的关系；基于所述用户的可能行车轨迹和所述电量消耗模型，预测行驶所述用户的可能行车轨迹的耗电量；基于所述耗电量筛选和/或显示满足用户需求的电车。本申请提供的方法能够预测行驶特定行车轨迹电车耗电量，进一步地根据所述耗电量筛选出符合用户需求的电车，大大提升了用户体验。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种根据历史订单筛选电车的方法及系统。
背景技术
随着城市交通的飞速发展和交通工具的日益丰富，人们对出行的便捷和舒适要求更高。共享电单车作为人们出行的重要选择之一，对其车辆信息人性化展示与服务的延展显得尤为重要。其中，车辆信息的人性化展示包括以方便易见的方式显示车辆的状态与骑行信息，如：车辆的现有电量、骑行轨迹、剩余可骑行的公里数估计等等。
基于车辆信息的人性化展示的服务延展，在于不仅为用户提供车辆信息，更提供灵活使用这些信息的增值服务，比如可以考虑根据骑行者对电单车的使用情况与骑行者的健康状态相关联，在用户还没有选定电单车之前，就已经提前获知可供使用的电单车的信息，包括位置信息和续航能力信息等。
发明内容
针对现有技术中不能计算行驶某行车轨迹的耗电量，进而不能为用户筛选满足用户需求的电车的问题，本发明的目的在于提供一种筛选满足用户需求的电车的方法，基于历史订单训练得到电量消耗模型，根据所述电量消耗模型预测行驶某行车轨迹的耗电量，然后根据所述耗电量为用户提供满足用户需求的电车。
第一方面，本发明披露了一种筛选电车的方法。该方法包括：确定用户的可能行车轨迹；获取历史订单；基于所述历史订单，训练得到电量消耗模型，所述电量消耗模型反映行车轨迹与电车耗电量之间的关系；基于所述用户的可能行车轨迹和所述电量消耗模型，预测行驶所述用户的可能行车轨迹的耗电量；基于所述耗电量筛选和/或显示满足用户需求的电车。
在一些实施例中，所述方法进一步包括：监测用户的心率、用户消耗的能量和用户的步数中的至少一种。
在一些实施例中，所述方法进一步包括：确定用户的特征信息、天气信息和电车的特征信息中的至少一种；基于所述用户的特征信息、天气信息和电车的特征信息中的至少一种、所述用户的可能行车轨迹和所述电量消耗模型，预测行驶所述用户的可能行车轨迹的耗电量。
在一些实施例中，所述确定用户的可能行车轨迹包括：获取用户的起点；和/或获取或预测用户的终点；根据所述用户的起点和/或所述用户的终点，确定所述用户的可能行车轨迹。
在一些实施例中，所述基于所述历史订单，训练得到电量消耗模型包括：提取所述历史订单中的历史订单轨迹、历史耗电量、历史用户的特征信息、历史天气信息和历史电车的特征信息；获取电量消耗初始模型；基于所述历史订单轨迹、历史耗电量、历史用户的特征信息、历史天气信息、历史电车的特征信息和所述电量消耗初始模型，训练得到所述电量消耗模型。
在一些实施例中，所述历史用户的特征信息包括用户的体重、骑行速度和骑行习惯中的至少一种。
在一些实施例中，所述历史电车的特征信息为历史电车的型号和/或历史电车的批次。
第二方面，本发明披露了一种筛选电车的系统。该系统包括：确定模块、模型训练模块、耗电量预测模块和筛选模块。所述确定模块用于确定用户的可能行车轨迹；所述模型训练模块用于获取历史订单，并基于所述历史订单，训练得到电量消耗模型，所述电量消耗模型反映行车轨迹与电车耗电量之间的关系；所述耗电量预测模块用于基于所述用户的可能行车轨迹和所述电量消耗模型，预测行驶所述用户的可能行车轨迹的耗电量；所述筛选模块用于基于所述耗电量筛选和/或显示满足用户需求的电车。
第三方面，本发明披露了一种计算机可读存储介质。所述存储介质存储计算机指令，所述计算机指令运行时执行所述筛选电车的方法。
第四方面，本发明披露了一种筛选电车的装置。所述装置包括筛选电车的程序，所述筛选电车的程序运行时执行所述筛选电车的方法。
与现有技术相比，本发明的有益效果表现如下：
一、通过历史订单训练得到电量消耗模型，所述电量消耗模型反映行车轨迹与电车耗电量之间的关系。
二、根据训练得到的电量消耗模型预测行驶某行车轨迹的耗电量，进而为用户筛选满足用户需求的电车，提高了用户体验。
附图说明
图1是本发明技术方案提供的电车筛选系统的应用场景示意图；
图2是用于实现本发明技术方案的专用系统的示例性计算设备的框图；
图3是用于实现本发明技术方案的专用系统的示例性移动设备的框图；
图4是根据本发明技术方案的一些实施例示出的示例性电车筛选装置的结构框图；
图5是根据本发明技术方案的一些实施例示出的用于筛选满足用户需求的电车的示例性流程示意图；
图6是根据本发明技术方案的一些实施例示出的用于实现电车筛选系统确定电量消耗模型的示例性流程示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本申请的实施例可以应用于不同的运输系统，不同的运输系统包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如，出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。例如，其他类似的车险预警系统。
本申请描述的“乘客”、“顾客”、“需求者”、“服务需求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的，是指需要或者订购服务的一方，可以是个人，也可以是工具。同样地，本申请描述的“司机”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的，是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外，本申请描述的“用户”可以是需要或者订购服务的一方，也可以是提供服务或者协助提供服务的一方。
本申请描述的“电车”是指以电能为动力或者主要动力的交通工具，包括但不限于：电汽车、电单车、电公交车、混合动力车、电滑板车等。
图1所示的是电车筛选系统的一种示例系统配置示意图。所述电车筛选系统可以筛选出满足用户需求的电车，进而为用户提供满足用户需求的电车。示例性电车筛选系统100可以包括电车筛选装置110、消费方130、存储器150、服务方140、网络120。
电车筛选装置110可以用于对收集的信息进行分析加工以生成分析结果的系统。在一些实施例中，电车筛选装置110可以获取历史订单，基于所述历史订单训练得到电量消耗模型，并基于所述电量消耗模型筛选满足用户需求的电车。电车筛选装置110可以是一个服务器，也可以是一个服务器群组。所述服务器群组可以是集中式的，例如数据中心。所述服务器群组也可以是分布式的，例如一个分布式系统。电车筛选装置110可以是本地的，也可以是远程的。
电车筛选装置110可以包括电车筛选引擎112。所述电车筛选引擎112可以用于执行电车筛选装置110的指令(程序代码)。例如，电车筛选引擎112能够执行电车筛选程序的指令，进而为用户提供满足用户需求的电车。所述电车筛选程序可以以计算机指令的形式存储在计算机可读存储介质(例如，存储器150)中。
网络120可以提供信息交换的渠道。在一些实施例中，电车筛选装置110可以通过网络120与消费方130、服务方140和/或存储器150交换信息。例如，电车筛选装置110可以通过网络120给消费方130/服务方140发送信息(例如，提供满足用户需求的电车的编号)。网络120可以是单一网络，也可以是多种网络组合的。网络120可以包括但不限于局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络等中的一种或几种的组合。网络120可以包括多种网络接入点，如有线或无线接入点、基站(如120-1，120-2)或网络交换点，通过以上接入点使数据源连接网络120并通过网络发送信息。
消费方130是指发布服务订单的个人(例如，用户)、工具或者其他实体。消费方130包括但不限于台式电脑130-1、笔记本电脑130-2、机动车的内置设备130-3、移动设备130-4等中的一种或几种的组合。
服务方140是执行服务订单的个人(例如，司机)、工具(例如，电车)或者其他实体。服务方140包括但不限于台式电脑140-1、笔记本电脑140-2、机动车的内置设备140-3、移动设备140-4等中的一种或几种的组合。电车筛选装置110可以直接访问存取储存在存储器150的数据信息，也可以直接通过网络120访问存取用户130/140的信息。
存储器150可以泛指具有存储功能的设备。存储器150主要用于存储从消费方130和/或服务方140收集的数据和电车筛选装置110工作中产生的各种数据。存储器150可以是本地的，也可以是远程的。系统数据库与系统其他模块间的连接或通信可以是有线的，也可以是无线的。
为了描述电车筛选系统100的应用场景，以下描述仅作为示例。消费方130(用户)发布的了服务订单，表示自己需要使用共享电单车前往上海市南京路步行街。此时，电车筛选装置110通过网络120接收到了所述服务订单，经过分析计算为用户提供满足用户需求的电单车信息。用户通过网络120接收到了所述电单车信息，根据所述电单车信息选择相应的服务方140(电单车)，然后骑行所述电单车至上海市南京路步行街。
图2是用于实现本发明技术方案的专用系统的示例性计算设备200的框图。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出接口230和通信通信端口240。
处理器210可以执行计算指令(程序代码)并执行本发明描述的电车筛选系统100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能(所述功能指本发明中描述的特定功能)。例如，处理器210可以处理从电车筛选系统100获得的历史订单，并基于所述历史订单训练得到电量消耗模型。又例如，处理器210可以基于训练得到的电量消耗模型和用户可能的行车轨迹，筛选出满足用户需求的电车，进而为用户提供所述电车。在一些实施例中，处理器210可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等，或其任意组合。仅为了说明，图2中的计算设备200只描述了一个处理器，但需要注意的是本发明中的计算设备200还可以包括多个处理器。
存储器220可以存储从电车筛选系统100的任何其他组件获得的数据/信息，例如，历史订单、用户起点信息、用户终点信息、用户特征信息、天气信息、电车特征信息等。在一些实施例中，存储器220可以包括大容量存储器、可移动存储器、易失性读取和写入存储器和只读存储器(ROM)等，或其任意组合。示例性大容量存储器可以包括磁盘、光盘和固态驱动器等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。
输入/输出接口230可以用于输入或输出信号、数据或信息。在一些实施例中，输入/输出接口230可以使用户(例如，消费方130)与电车筛选系统100进行联系。在一些实施例中，输入/输出接口230可以包括输入装置和输出装置。示例性输入装置可以包括键盘、鼠标、触摸屏和麦克风等，或其任意组合。示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等，或其任意组合。示例性显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等，或其任意组合。
通信端口240可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等，或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如，3G、4G或5G等)等，或其任意组合。在一些实施例中，通信端口240可以是标准化端口，如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的端口。例如，通信端口240可以根据数字成像和医学通信协议(DICOM)进行设计。
图3是用于实现本发明技术方案的专用系统的示例性移动设备300的框图。如图3所示，所述移动设备300可以包括通信平台310、显示器320、图形处理器(GPU)330、中央处理器(CPU)340、输入/输出接口350、内存360、存储器370等。在一些实施例中，操作系统361(如，iOS，Android，Windows Phone等)和应用程序362可以从存储器370加载到内存360中，以便由CPU 340执行。应用程序362可以包括浏览器或用于从电车筛选系统100接收历史订单、用户起点信息、用户终点信息、用户特征信息、天气信息、电车特征信息或其他相关信息的应用程序。
为了实现在本发明中描述的各种模块、单元及其功能，计算设备或移动设备可以用作本发明所描述的一个或多个组件的硬件平台。这些计算机或移动设备的硬件元件、操作系统和编程语言本质上是常规的，并且本领域技术人员熟悉这些技术后可将这些技术适应于本发明所描述的车险预警系统。具有用户界面元件的计算机可以用于实现个人计算机(PC)或其他类型的工作站或终端设备，如果适当地编程，计算机也可以充当服务器。
图4是根据本发明技术方案的一些实施例示出的示例性电车筛选装置110的结构框图。电车筛选装置110可以包括：确定模块410、模型训练模块420、耗电量预测模块430、筛选模块440和检测模块450。
确定模块410，用于确定用户可能的行车轨迹。作为示例，确定模块410可以获取用户的起点，获取/预测用户的终点，并根据所述用户的起点和所述用户的终点确定所述用户可能的行车轨迹。在一些实施例中，确定模块410可以包括GPS定位装置。
进一步地，确定模块410可以确定用户的特征信息、天气信息、电车的特征信息等。所述用户的特征信息可以包括用户的体重、骑行速度、骑行习惯。所述骑行习惯可以包括骑行速度，骑行过程中是否使用脚蹬辅助，在碰到障碍物时，是选择下车推车还是直接冲过去等。所述天气信息可以包括风速、降雨、下雪等。所述电车的特征信息可以反映电车的配置(例如，电池、车身重量、老化程度)，包括电车的型号、电车的批次等。在一些实施例中，确定模块410可以包括重量传感器、速度传感器、压力传感器等。
模型训练模块420，用于获取历史订单，并基于所述历史订单，训练得到电量消耗模型。所述电量消耗模型可以反映行车轨迹，和/或用户的特征信息，和/或天气信息，和/或电车的特定信息与电车耗电量之间的关系。
在一些实施例中，所述历史订单可以包括一个特定用户的历史订单，即模型训练模块420训练得到的电量消耗模型可以适用于所述一个特定用户。在一些实施例中，所述历史订单可以包括多个特定用户的历史订单，即模型训练模块420训练得到的电量消耗模型可以适用于所述多个特定用户。所述多个特定用户可能具有类似的用户特征信息，例如所述多个特定用户的体重、骑行习惯和/或骑行速度类似。在一些实施例中，所述历史订单可以是大量任意用户的历史订单，即模型训练模块420训练得到的电量消耗模型可以适用于大量任意用户的。所述大量任意用户的历史订单中的历史轨迹可以是相同的，也可以是不同的。
耗电量预测模块430，用于基于所述用户的可能行车轨迹和所述电量消耗模型，预测行驶所述用户的可能行车轨迹的耗电量。进一步地，耗电量预测模块430可以结合其他信息预测行驶所述用户的可能行车轨迹，例如，用户的特征信息、天气信息和电车的特征信息等。具体地，将用户的可能行车轨迹、所述用户的特征信息、天气信息和电车的特征信息等信息作为电量消耗模型的输入，即可得到行驶所述用户的可能行车轨迹的耗电量。
筛选模块450，用于基于所述耗电量筛选满足用户需求的电车。具体地，耗电量预测模块430可以比较所述耗电量与电车的剩余电量，进而根据比较结果筛选满足用户需求的电车。进一步地，所述筛选模块450可以显示所述满足用户需求的电车。
监测模块450，用于监测用户的生命体征和/或健康状态。在一些实施例中，监测模块450可以监测用户的心率、用户消耗的能量、用户的步数等。在一些实施例中，所述监测模块450可以包括心率测量单元(例如，光电心率传感器)、三轴加速度传感器、数据处理单元。所述心率测量单元可以检测用户的心率，所述三轴加速度传感器可以测量用户的步数，所述数据处理单元可以基于所述用户的心率和/或用户的步数得到用户消耗的能量。在一些实施例中，监测模块450可以将监测到的信息通过网络(例如，网络120)发送给用户(例如，消费者130)。
图5是根据本发明技术方案的一些实施例示出的用于实现电车筛选系统100为用户筛选满足用户需求的电车的示例性流程示意图。所述流程包括：
步骤510，确定模块410可以确定用户的可能行车轨迹。所述用户的可能行车轨迹可以是一条或者多条。在一些实施例中，确定模块410可以获取用户的起点和终点，基于所述起点和终点确定一条或者多条所述用户的可能行车轨迹。例如，确定模块410可以确定从起点到终点行驶距离最长或较长的行车轨迹为所述一条或者多条用户的可能行车轨迹。又例如，确定模块410可以确定行驶频率最高或者较高的行车轨迹为所述一条或者多条用户的可能行车轨迹。所述行驶频率最高或较高的行车轨迹可以是针对特定用户，也可以针对任意用户。
在一些实施例中，确定模块410可以获取用户的起点，基于所述起点确定一条或多条所述用户的可能行车轨迹。例如，确定模块410可以基于所述起点选择行驶频率最高或较高的行车轨迹为所述一条或者多条用户的可能行车轨迹。所述行驶频率最高或较高的行车轨迹的起点为所述用户的起点。又例如，确定模块410可以获取用户的起点，基于所述起点预测一个或多个可能的目的地，进而基于所述一个或者多个可能的目的地确定一条或多条所述用户的可能行车轨迹。其中，确定模块410基于所述起点确定一个或多个可能的目的地，可以通过多种方式实现。仅作为示例，确定模块410可以根据用户的历史订单(例如，起点为所述起点的历史订单)预测所述一个或多个可能的目的地。
进一步，在步骤510中，确定模块410可以确定用户的特征信息、天气信息、电车的特征信息。所述用户的特征信息、天气信息和电车的特征信息可以是用户手动输入的，也可以是确定模块410从其他装置或服务器上获取的。例如，确定模块410可以从用户注册信息中获取用户的特征信息，或者从传感器(例如，重量传感器、压力传感器、速度传感器)获取用户的特征信息。又例如，确定模块41可以从发布天气的应用上获取天气信息。再例如，确定模块410可以从电车管理系统平台上获取电车的特征信息。
步骤520，模型训练模块420可以获取电量消耗模型。所述电量消耗模型与用户的行车轨迹、用户的特征信息、天气信息、电车的特征信息等相关。在一些实施例中，所述电量消耗模型可以预测行驶特定行车轨迹电车所需要消耗的电量。进一步地，所述电量消耗模型可以预测特定用户在特定天气下使用特定电车行驶特定行车轨迹所需要消耗的电量。在一些实施例中，所述电量消耗模型可以通过图6的描述训练得到。
步骤530，耗电量预测模块430可以基于所述用户的可能行车轨迹，预测行驶所述用户的可能行车轨迹的耗电量。进一步地，所述耗电量模块430可以结合用户的特征信息、天气信息和电车的特征信息中的至少一种，预测行驶所述用户的可能行车轨迹的耗电量。
步骤540，耗电量预测模块430可以基于所述耗电量筛选和/或显示满足用户需求的电车。在一些实施例中，耗电量预测模块430可以获取电车的剩余电量，比较所述剩余电量和所述耗电量，然后基于比较结果筛选满足用户需求的电车。例如，耗电量预测模块430可以选择剩余电量与所述耗电量较接近的电车提供给用户。又例如，耗电量预测模块可以选择剩余电量大于所述耗电量的电车提供给用户。
在一些实施例中，所述筛选模块440可以通过直接给用户发送提示消息来显示满足用户需求的电车。所述提示消息为满足用户需求的电车的信息或电车的标识，例如，电车的编号、颜色、型号等。所述提示信息可以包括文字、语音、视频、图片等。在一些实施例中，所述筛选模块440可以使满足用户需求的电车做出响应来显示满足用户需求的电车。所述响应可以包括亮灯、鸣笛等。
需要注意的是，上述所述用户的可能行车轨迹可能是一个或者多条，相应的，耗电量预测模块430预测的耗电量可能是一个或者多个。那么，筛选模块440可以基于所述一个或多个耗电量筛选满足用户需求的电车。在一些实施例中，所述筛选模块440可以确定所述一个或多个耗电量中最大的耗电量，并基于所述最大的耗电量筛选满足用户需求的电车。
需要注意的是，在一些实施例中，上述的终点可能是一个具体的地理位置，例如，苏州市高新区学森路9号。相应地，上述的用户的可能行车轨迹的距离可以是一个具体的长度，例如，3千米。那么，耗电量预测模块430预测行驶所述用户的可能行车轨迹的耗电量可以是一个具体的数值。在一些实施例中，上述的终点可能是一个模糊的地理位置，例如，苏州市高新区学森路。相应的，上述的用户的可能行车轨迹的距离可以是一个模糊的长度，例如，2.8千米至3.2千米。那么，耗电量预测模块430预测行驶所述用户的可能行车轨迹的耗电量可以是数值范围。在一些实施例中，所述筛选模块440可以确定所述数值范围中最大的耗电量，然后基于所述最大的耗电量筛选满足用户需求的电车。
在一些实施例中，所述流程进一步包括：监测用户的心率、用户消耗的能量、用户的步数等。然后，将所述用户的心率、用户消耗的能量、用户的步数等发送给用户。
图6是根据本发明技术方案的一些实施例示出的用于实现电车筛选系统100确定电量消耗模型的示例性流程示意图。所述流程包括：
步骤610，模型训练模块420可以获取历史订单。在一些实施例中，模型训练模块420可以获取一个特定用户的历史订单。在一些实施例中，模型训练模块420可以获取多个特定用户的。所述多个特定用户可能具有类似的用户特征信息。在一些实施例中，模型训练模块420可以获取大量任意用户的历史订单。在一些实施例中，模型训练模块420可以获取一定时间内的历史订单。例如，模型训练模块420可以获取最近一个月、最近两个月、最近三个月等的历史订单。
步骤620，模型训练模块420可以提取所述历史订单中的历史订单轨迹和历史耗电量。进一步地，所述模型训练模块420可以提取历史订单中的历史用户的特征信息、历史天气信息和历史电车的特征信息中的至少一种。
步骤630，模型训练模块420可以获取电量消耗初始模型。所述电量消耗初始模型可以包括一个或者多个初始参数。所述一个或者多个初始参数为上述历史订单中的历史订单轨迹，和/或历史用户的特征信息，和/或历史天气信息，和/或历史电车的特征信息的权重系数。
所述电量消耗初始模型是机器学习初始模型。在一些实施例中，所述电量消耗初始模型可以包括决策树、随机森林算法、逻辑回归、支持向量机(Support Vector Machine，SVM)、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔科夫等。
步骤640，模型训练模块420可以基于所述历史订单轨迹和历史耗电量，训练得到电量消耗模型。进一步地，所述模型训练模块420可以结合历史用户的特征信息，和/或历史天气信息，和/或历史电车的特征信息，训练得到电量消耗模型。
具体的，模型训练模块420可以根据历史订单轨迹和历史耗电量不断地调整电量消耗初始模型的一个或者多个初始参数。直至损失函数满足预定的条件，训练结束，得到电量消耗模型。
上文所描述的各个模块和单元并不是必须的，对于本领域的专业人员来说，在了解本申请内容和原理后，都可能在不背离本技术原理、结构的情况下，对该系统进行形式和细节上的各种修正和改变，各个模块可以任意组合，或者构成子系统与其它模块连接，而这些修正和改变仍在本申请的权利要求保护范围之内。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述为本申请的基本构思，仅以实施例形式呈现，显而易见地，本领域的技术人员依据本申请作出相应变化、改进或修正。这些变化、改进和修正已被本申请所暗示或间接提出，均包含在本申请实施例的精神或范围之内。
对于描述本申请的术语，例如“一个实施例”、“一些实施例”或“某些实施例”，表示与它们相关的至少一个特征、结构或特点是包含在本申请的实施例之中的。
另外，对于本领域的技术人员来说，本申请中的实施例可能涉及到一些新的流程、方法、机器、产品或者与它们相关的改进。因此，本申请的实施例可以在纯硬件或纯软件中实施，其中软件包括但不限于操作系统、常驻软件或微代码等；也可以在同时包含硬件和软件的“系统”、“模块”、“子模块”、“单元”等中实施。另外，本申请的实施例可以以计算机程序的形式存在，它们可以承载在计算机可读取的媒介中。
Claims (10)
1.一种筛选电车的方法，其特征在于，所述方法包括：
确定用户的可能行车轨迹；
获取历史订单；
基于所述历史订单，训练得到电量消耗模型，所述电量消耗模型反映行车轨迹与电车耗电量之间的关系；
基于所述用户的可能行车轨迹和所述电量消耗模型，预测行驶所述用户的可能行车轨迹的耗电量；
基于所述耗电量筛选和/或显示满足用户需求的电车。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
监测用户的心率、用户消耗的能量和用户的步数中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
确定用户的特征信息、天气信息和电车的特征信息中的至少一种；
基于所述用户的特征信息、天气信息和电车的特征信息中的至少一种、所述用户的可能行车轨迹和所述电量消耗模型，预测行驶所述用户的可能行车轨迹的耗电量。
4.根据权利要求1所述的方法，其特征在于，所述确定用户的可能行车轨迹包括：
获取用户的起点；和/或
获取或预测用户的终点；
根据所述用户的起点和/或所述用户的终点，确定所述用户的可能行车轨迹。
5.根据权利要求1所述的方法，其特征在于，所述基于所述历史订单，训练得到电量消耗模型包括：
提取所述历史订单中的历史订单轨迹、历史耗电量、历史用户的特征信息、历史天气信息和历史电车的特征信息；
获取电量消耗初始模型；
基于所述历史订单轨迹、历史耗电量、历史用户的特征信息、历史天气信息、历史电车的特征信息和所述电量消耗初始模型，训练得到所述电量消耗模型。
6.根据权利要求5所述的方法，其特征在于，所述历史用户的特征信息包括用户的体重、骑行速度和骑行习惯中的至少一种。
7.根据权利要求5所述的方法，其特征在于，所述历史电车的特征信息为历史电车的型号和/或历史电车的批次。
8.一种筛选电车的系统，其特征在于，所述系统包括：确定模块、模型训练模块、耗电量预测模块和筛选模块；
所述确定模块用于确定用户的可能行车轨迹；
所述模型训练模块用于获取历史订单，并基于所述历史订单，训练得到电量消耗模型，所述电量消耗模型反映行车轨迹与电车耗电量之间的关系；
所述耗电量预测模块用于基于所述用户的可能行车轨迹和所述电量消耗模型，预测行驶所述用户的可能行车轨迹的耗电量；
所述筛选模块用于基于所述耗电量筛选和/或显示满足用户需求的电车。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，所述计算机指令运行时执行如权利要求1-7任一所述筛选电车的方法。
10.一种筛选电车的装置，其特征在于，所述装置包括筛选电车的程序，所述筛选电车的程序运行时执行如权利要求1-7任一所述筛选电车的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711358379.3A CN109935000A (zh) | 2017-12-17 | 2017-12-17 | 一种筛选电车的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711358379.3A CN109935000A (zh) | 2017-12-17 | 2017-12-17 | 一种筛选电车的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109935000A true CN109935000A (zh) | 2019-06-25 |
Family
ID=66981802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711358379.3A Pending CN109935000A (zh) | 2017-12-17 | 2017-12-17 | 一种筛选电车的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109935000A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052462A (zh) * | 2021-03-25 | 2021-06-29 | 昆山宝创新能源科技有限公司 | 交互充电应用处理方法及设备、计算机可读存储介质 |
| CN113379304A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 用于确定用电量的方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103465859A (zh) * | 2013-09-10 | 2013-12-25 | 上海市城市建设设计研究总院 | 用于监测车内人员生命体征的智能系统及智能安全带 |
| CN104442825A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种电动汽车剩余行驶里程的预测方法和系统 |
| JP2016143246A (ja) * | 2015-02-02 | 2016-08-08 | トヨタ自動車株式会社 | 消費電力量予測装置、消費電力量予測方法、サーバ装置 |
| CN106203651A (zh) * | 2016-07-01 | 2016-12-07 | 宁波轩悦行电动汽车服务有限公司 | 电动汽车分时租赁系统子服务器预估电量预约租车方法 |
| CN106340134A (zh) * | 2016-08-12 | 2017-01-18 | 宁波轩悦行电动汽车服务有限公司 | 一种电动汽车租赁管理方法及系统 |
| CN206107480U (zh) * | 2016-08-25 | 2017-04-19 | 广东奥星智能科技有限公司 | 一种可切换骑行方式的自行车 |
| CN107049287A (zh) * | 2017-06-19 | 2017-08-18 | 重庆邮电大学 | 一种用于健康自行车运动的监测系统 |
| CN107480807A (zh) * | 2017-07-06 | 2017-12-15 | 中山大学 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
-
2017
- 2017-12-17 CN CN201711358379.3A patent/CN109935000A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103465859A (zh) * | 2013-09-10 | 2013-12-25 | 上海市城市建设设计研究总院 | 用于监测车内人员生命体征的智能系统及智能安全带 |
| CN104442825A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种电动汽车剩余行驶里程的预测方法和系统 |
| JP2016143246A (ja) * | 2015-02-02 | 2016-08-08 | トヨタ自動車株式会社 | 消費電力量予測装置、消費電力量予測方法、サーバ装置 |
| CN106203651A (zh) * | 2016-07-01 | 2016-12-07 | 宁波轩悦行电动汽车服务有限公司 | 电动汽车分时租赁系统子服务器预估电量预约租车方法 |
| CN106340134A (zh) * | 2016-08-12 | 2017-01-18 | 宁波轩悦行电动汽车服务有限公司 | 一种电动汽车租赁管理方法及系统 |
| CN206107480U (zh) * | 2016-08-25 | 2017-04-19 | 广东奥星智能科技有限公司 | 一种可切换骑行方式的自行车 |
| CN107049287A (zh) * | 2017-06-19 | 2017-08-18 | 重庆邮电大学 | 一种用于健康自行车运动的监测系统 |
| CN107480807A (zh) * | 2017-07-06 | 2017-12-15 | 中山大学 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052462A (zh) * | 2021-03-25 | 2021-06-29 | 昆山宝创新能源科技有限公司 | 交互充电应用处理方法及设备、计算机可读存储介质 |
| CN113379304A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 用于确定用电量的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2020201991B2 (en) | Systems and methods for recommending an estimated time of arrival | |
| US20230058169A1 (en) | System for representing attributes in a transportation system digital twin | |
| JP6677802B2 (ja) | 到着時間を推定するための方法およびシステム | |
| US11151680B2 (en) | Systems and methods for recommending transportation means | |
| CN107682419A (zh) | 拼车路线的提供方法、客户端、服务器及拼车系统 | |
| US20190171943A1 (en) | Automatic generation of human-understandable geospatial descriptors | |
| US20110313956A1 (en) | Information processing apparatus, information processing method and program | |
| CN104034336A (zh) | 用于选择导航路线并提供沿路广告的方法和系统 | |
| CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
| CN109564100A (zh) | 基于位置信息执行动作的系统与方法 | |
| CN111105120B (zh) | 一种工单处理方法及装置 | |
| CN103108003A (zh) | 移动车联网云服务平台系统 | |
| CN107679652A (zh) | 共乘路线的规划方法、客户端、服务器及系统 | |
| CA3174469A1 (en) | Intelligent transportation systems including digital twin interface for a passenger vehicle | |
| CN115063978B (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
| CN108573315A (zh) | 一种提示信息确定方法、系统及计算机可读存储介质 | |
| KR20220093031A (ko) | 차량 점유 기반 및 사용자 선호 기반 스마트 라우팅 및 자동 체적 점유 측정에 관한 시스템 및 방법 | |
| CN107451903A (zh) | 定制化旅游的方法及装置 | |
| CN109935000A (zh) | 一种筛选电车的方法及系统 | |
| CN103575268A (zh) | 具有移动参与机制的导航系统及其操作方法 | |
| Goumiri et al. | Smart Mobility in Smart Cities: Emerging challenges, recent advances and future directions | |
| CN204117356U (zh) | 一种基于大数据的智能车联社区系统 | |
| JP7210703B2 (ja) | 顧客の価値観分析方法、顧客の価値観分析装置、価値観データを用いる情報処理方法及び価値観データを用いる情報処理装置 | |
| CN106297268A (zh) | 互助乘车系统及互助乘车方法 | |
| Shulajkovska et al. | EU smart cities: towards a new framework of urban digital transformation |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200311 Address after: No. 203, floor 2, building 34, yard 8, Dongbei Wangxi Road, Haidian District, Beijing 100193 Applicant after: Beijing Youshan Information Technology Co.,Ltd. Address before: 100193 building 34, 8 West Road, Northeast Road, Haidian District, Beijing. Applicant before: BEIJING DIDI INFINITY TECHNOLOGY AND DEVELOPMENT Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No. 203, floor 2, building 34, yard 8, Dongbei Wangxi Road, Haidian District, Beijing 100193 Applicant after: Beijing Qisheng Technology Co.,Ltd. Address before: No. 203, floor 2, building 34, yard 8, Dongbei Wangxi Road, Haidian District, Beijing 100193 Applicant before: Beijing Youshan Information Technology Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |