CN110335099A - 一种基于用户历史数据的车票购买线路推荐方法 - Google Patents

一种基于用户历史数据的车票购买线路推荐方法 Download PDF

Info

Publication number
CN110335099A
CN110335099A CN201910379698.5A CN201910379698A CN110335099A CN 110335099 A CN110335099 A CN 110335099A CN 201910379698 A CN201910379698 A CN 201910379698A CN 110335099 A CN110335099 A CN 110335099A
Authority
CN
China
Prior art keywords
information
booking
user
data
mode
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
CN201910379698.5A
Other languages
English (en)
Other versions
CN110335099B (zh
Inventor
姜生喜
张劲涛
韩耀强
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 Sheng Wei Era Technology Co Ltd
Original Assignee
Beijing Sheng Wei Era 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 Sheng Wei Era Technology Co Ltd filed Critical Beijing Sheng Wei Era Technology Co Ltd
Priority to CN201910379698.5A priority Critical patent/CN110335099B/zh
Publication of CN110335099A publication Critical patent/CN110335099A/zh
Application granted granted Critical
Publication of CN110335099B publication Critical patent/CN110335099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于用户历史数据的购票线路推荐方法，该基于用户历史数据的车票购买线路推荐方法能够根据不同用户自身的个人特征信息和相应的历史购票信息，来确定关于当前用户的最优购票推荐信息，并通过预设展示模式将计算得到的最优购票推荐信息呈现给用户。

Description

一种基于用户历史数据的车票购买线路推荐方法
技术领域
本发明涉及智能票务数据分析的技术领域，特别涉及一种基于用户历史数据的车票购买线路推荐方法。
背景技术
随着城市交通的不断发展，特别是城市公共交通的日益完善，人们可以通过搭乘相应的交通工具来快速的达到目的地，这对于人们的出行带来了极大的便利。城市交通的发展不仅改善了人们的出行便捷性，并且还能够优化城市交通状况，人们可以通过选择搭乘不同线路的交通工具前往目的地。为了使人们在确定搭乘的交通工具对应线路时能够选择优化的和具有较高性价比的换乘方式，现有的不同运营商都分别推出相应的能够执行合适出行线路规划和车票购买策略的应用软件，人们通过在相应的应用软件中输入需要前往的目的地以及当前的出发地位置信息，该应用软件就能够根据预设的算法计算出符合用户要求的车票购买线路推荐计划。通过这些应用软件，用户就能够免去出行前进行大量线上查询和计划制定工作，从而实现一键式的车票购买线路智能化制定，同时还能够为用户节省时间和金钱。
现有的应用软件能够根据用户的出行需求自动地生成相应的车票购买线路推荐方式，但是这一生成和推荐过程都是基于具有相同构思的算法来实现的，而这一算法都是根据线上统计的售票热门线路和用户的定位信息来实现的，即该算法主要是通过定位出发城市的位置以及计算历史出行统计中具有最高使用频率的线路来生成并推荐车票购买线路。虽然，这一算法能够保证推荐的车票购买线路具有较高的可实施性，但是这种算法并没有从用户自身的实际情况出发来获取相应的车票购买线路，还有这种算法推荐的线路通常为热门线路，这大大地增加相应线路的车票购买难度和相应线路的交通拥挤情况。可见，现有的用于生成车票购买线路的推荐算法存在缺乏个性化考虑和推荐准确度较低的缺陷。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于用户历史数据的车票购买线路推荐方法，该基于用户历史数据的车票购买线路推荐方法能够根据不同用户自身的个人特征信息和相应的历史购票信息，来确定关于当前用户的最优购票推荐信息，并通过预设展示模式将计算得到的最优购票推荐信息呈现给用户。可见，该基于用户历史数据的车票购买线路推荐方法相对于传统的推荐方法，其并不针对所有用户都是采用单一的计算模型来获得相应的车票购买线路推荐结果，其是以不同用户自身的不同个人特征信息为计算基础来获得个性化的推荐结果，通过该推荐方法能够实时地针对不同用户获得不同的推荐结果，从而有效地避免单一算法模型导致推荐结果同一的问题发生，并且还能够提高用户通过该推荐方法获得相应线路推荐结果的个性化程度和便捷性。
本发明提供一种基于用户历史数据的车票购买线路推荐方法，其特征在于，所述基于用户历史数据的车票购买线路推荐方法包括如下步骤：
步骤(1)，获取关于用户的个人特征信息，以此确定关于所述用户的历史购票数据信息；
步骤(2)，根据关于所述用户的历史购票数据信息，确定关于所述用户的最优购票推荐信息；
步骤(3)，根据关于所述用户的最优购票推荐信息，对所述最优购票推荐信息执行预设展示模式，以此显示所述最优购票推荐信息；
进一步，在所述步骤(1)中，获取关于用户的个人特征信息，以此确定关于所述用户的历史购票数据信息具体包括，
步骤(11)，基于预设验证模式，对当前用户执行身份验证处理，以此获取关于所述当前用户的身份验证信息，其中，所述预设验证模式包括密码输入验证模式、生物信息验证模式和卡片识别验证模式中的至少一种；
步骤(12)，将所述身份验证信息与票务数据库的用户个人数据信息集合进行匹配处理，以此获取相应的匹配处理结果；
步骤(13)，基于所述匹配处理结果，从所述票务数据库的用户个人数据信息集合中提取出所述当前用户的历史购票数据信息；
进一步，在所述步骤(11)中，基于预设验证模式，对当前用户执行身份验证处理，以此获取关于所述当前用户的身份验证信息具体包括，
步骤(111)，获取所述当前用户所处的外界环境状态信息，并根据所述外界环境状态信息确定所述预设验证模式的具体类型，
其中，若所述外界环境状态信息指示所述当前用户所处外界环境的满足第一信息保密等级，则确定所述预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中任意一种，
若所述外界环境状态信息指示所述当前用户所处外界环境满足第二信息保密等级，则确定所述预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中任意两种，
若所述外界环境状态信息指示所述当前用户所述外界环境满足第三信息保密等级，则确定所述预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中所有三种，
其中，所述第一信息保密等级、所述第二信息保密等级和所述第三信息保密等级是根据所述当前用户所处环境对应的环境声音因素和人员流动因素确定的；
或者，
在所述步骤(11)中，所述密码验证输入模式包括在预设设备终端上执行登录账号与登录密码两者的输入验证，或者，所述生物信息验证模式包括在预设设备终端上执行人脸识别验证、指纹识别验证或者瞳孔识别验证，或者，所述卡片识别验证包括在预设设备终端上执行身份证感应识别验证；
进一步，在所述步骤(12)中，将所述身份验证信息与票务数据库的用户个人数据信息集合进行匹配处理，以此获取相应的匹配处理结果具体包括，
步骤(121)，确定所述身份验证信息与所述票务数据库中用户预留的个人身份数据之间的匹配关系；
步骤(122)，若所述身份验证信息与所述个人身份数据相匹配，则确定所述个人身份数据对应的用户个人信息及其关联信息作为所述匹配处理结果，
若所述身份验证信息与所述个人身份数据不匹配，则确定所述身份验证信息无效以此作为所述匹配处理结果；
或者，
在所述步骤(13)中，基于所述匹配处理结果，提取所述当前用户的历史购票数据信息具体包括，
将所述匹配处理结果中指示的用户个人信息及其关联信息作为索引标记，并根据所述索引标记在所述票务数据库的用户个人数据集合中检索出所述当前用户的历史购票数据信息；
进一步，在所述步骤(2)中，根据关于所述用户的历史购票数据信息，确定关于所述用户的最优购票推荐信息具体包括，
步骤(21)，根据关于所述用户的历史购票数据信息，构建关于所述用户的购票推荐数学模型；
步骤(22)，获取所述用户当前的购票需求信息，并提取所述购票需求信息中的若干购票需求参数作为所述购票推荐数学模型的输入端数据；
步骤(23)，根据所述购票推荐数学模型与所述若干购票需求参数，计算出关于所述用户的最优购票推荐信息；
进一步，在所述步骤(21)中，根据关于所述用户的历史购票数据信息，构建关于所述用户的购票推荐数学模型具体包括，
步骤(211)，判断所述历史购票数据信息中每一条购票数据信息是否满足预设时效条件，若是，则将对应的购票数据信息确定为有效的购票数据信息，若否，则将对应的购票数据信息确定为无效的购票数据信息；
步骤(212)，基于所述步骤(211)中确定的所有有效的购票数据信息，构建所述购票推荐数学模型；
步骤(213)，获取下一预设时段内对应的若干购票数据信息，并基于下一预设时段内对应的所述若干购票数据信息，对所述购票推荐数学模型进行模型参数的优化处理，以此得到相应的优化购票推荐数学模型，从而用于实施所述步骤(22)与所述步骤(23)；
进一步，在所述步骤(22)中，获取所述用户当前的购票需求信息、并提取所述购票需求信息中的若干购票需求参数具体包括，
步骤(221)，获取所述用户的实时位置信息、目的地位置信息、实时天气数据信息、实时路况信息和关于不同景点的实时人流信息中的至少一种作为所述购票需求参数；
步骤(222)，将步骤(221)获取的所述购票需求参数进行预设的标准化处后，得到若干对应的标准化购票需求参数，以此作为所述购票推荐教学模型的输入端数据；
进一步，在所述步骤(3)中，根据关于所述用户的最优购票推荐信息，对所述最优购票推荐信息执行预设展示模式，以此显示所述最优购票推荐信息具体包括，
步骤(31)，获取关于所述用户的最优购票推荐信息中对应的购票流程、车票对应发车时间、车票对应发车地点、车票对应形成线路和车票价格中的至少一种购票相关要素；
步骤(32)，确定所述最优购票推荐信息执行显示对应的预设展示模式，其中，所述预设展示模式包括静态展示模式、动态展示模式、二维展示模式、三维展示模式、或者图像与声音相结合的展示模式；
步骤(33)，基于步骤(32)确定的预设展示模式，将步骤(31)中获取的购票相关要素实时地显示于相应的设备终端上；
进一步，在所述步骤(23)中，根据所述购票推荐数学模型与所述若干购票需求参数，计算出关于所述用户的最优购票推荐信息具体包括，
确定一信息数据库，所述信息数据库包括S条信息，并且每一条信息各自都包括前n1次购买车票时对应的n1个指标值和n2个购票行为指标值，其中n1为当年人均购票次数进行取整后的对应值，所述S条信息和n1+n2个指标值共同组成信息矩阵X，所述信息矩阵X中每一行元素代表一条信息，每一列元素代表一个指标值，所述信息数据库还包括所述S条信息中每一条信息对应的购票推荐数学模型向量Y1；
对于所述信息矩阵X，利用下面公式(1)将所述信息矩阵X中具有连续数值的指标值进行关于数值的分类化处理
在上述公式(1)中，Xit为信息矩阵X中第i行第t列的元素值，X1it为Xit经分类化处理后得到的值，floor()为向下取整运算，min(Xt)为信息矩阵X中第t列的最小值，max(Xt)为第t列的最大值，其中，i＝1、2、…、S，t＝1、2、…、n1+n2；
通过上述公式(1)，将所有具有连续数值的指标值都转换为分类数值，以此生成另一矩阵X1，同时对购票推荐数学模型向量Y1进行去重处理后，确定购票推荐数学模型向量Y1具有P个值，其中P≤S，则所述购票推荐数学模型向量Y1对应的购票推荐数学模型集合为Y＝{y1、y2、…yp}，其中yi为集合Y中的第i种购票推荐数学模型，且i＝1、2、…、P；
针对所述用户的个人特征信息，获取所述用户在所述信息矩阵X中对应的n个指标值，并利用上述公式(1)，将所述n个指标值进行关于数值的分类化处理以得到分类向量A，即A＝{a1,a2,…,an1,an1+1,,an1+2,…,an1+n}，其中ai为分类向量A中的第i个指标分类值，再利用下面公式(2)计算所述分类向量A对应为集合Y中的每种购票推荐数学模型的可能性值
在上述公式(2)中，P(A|yi)为分类向量A对应为集合Y中的每种购票推荐数学模型的可能性值，p(aj|yi)为当第j个指标值为aj时、其对应的值出现在集合Y中的第i种购票推荐数学模型的可能性值，其中i＝1、2、…、P，j＝1、2、…、n1、n1+1、n1+2、…、n1+n2；p(aj|yi)的计算求解方式为将分类化处理后得到的所述矩阵X1的第j个指标值的信息进行提取，假设提取得到的信息有Dj条，并提取所述Dj条信息对应的购票推荐数学模型，若所述购票推荐数学模型为yi对应的数量为Mi，则p(aj|yi)的表达式如下面公式(3)所示
将通过上述公式(3)得到的所有p(aj|yi)代入上述公式(2)中，以此计算得到所有对应的P(A|yi)，再利用下面公式(4)得到所述分类向量A对应的购票推荐数学模型
max{P(y1)*P(A|y1),P(y2)*P(A|y2),…,P(yp)*P(A|yp)} (4)
在上述公式(4)中，P(yi)为信息数据库中出现第i中购票推荐数学模型的可能性值，i＝1、2、…、P，其中具有最大值P(yi)的对应的购票推荐数学模型被确定为最优的购票推荐数学模型；
再根据所述最优的购票推荐数学模型与所述若干购票需求参数，计算出关于所述用户的最优购票推荐信息。
相比于现有技术，本发明的基于用户历史数据的车票购买线路推荐方法能够根据不同用户自身的个人特征信息和相应的历史购票信息，来确定关于当前用户的最优购票推荐信息，并通过预设展示模式将计算得到的最优购票推荐信息呈现给用户。可见，该基于用户历史数据的车票购买线路推荐方法相对于传统的推荐方法，其并不针对所有用户都是采用单一的计算模型来获得相应的车票购买线路推荐结果，其是以不同用户自身的不同个人特征信息为计算基础来获得个性化的推荐结果，通过该推荐方法能够实时地针对不同用户获得不同的推荐结果，从而有效地避免单一算法模型导致推荐结果同一的问题发生，并且还能够提高用户通过该推荐方法获得相应线路推荐结果的个性化程度和便捷性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于用户历史数据的车票购买线路推荐方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的一种基于用户历史数据的车票购买线路推荐方法的流程示意图。该基于用户历史数据的车票购买线路推荐方法包括如下步骤：
步骤(1)，获取关于用户的个人特征信息，以此确定关于该用户的历史购票数据信息。
优选地，在该步骤(1)中，获取关于用户的个人特征信息，以此确定关于该用户的历史购票数据信息具体包括，
步骤(11)，基于预设验证模式，对当前用户执行身份验证处理，以此获取关于该当前用户的身份验证信息，其中，该预设验证模式包括密码输入验证模式、生物信息验证模式和卡片识别验证模式中的至少一种；
步骤(12)，将该身份验证信息与票务数据库的用户个人数据信息集合进行匹配处理，以此获取相应的匹配处理结果；
步骤(13)，基于该匹配处理结果，从该票务数据库的用户个人数据信息集合中提取出该当前用户的历史购票数据信息。
优选地，在该步骤(11)中，基于预设验证模式，对当前用户执行身份验证处理，以此获取关于该当前用户的身份验证信息具体包括，
步骤(111)，获取该当前用户所处的外界环境状态信息，并根据该外界环境状态信息确定该预设验证模式的具体类型，
其中，若该外界环境状态信息指示该当前用户所处外界环境的满足第一信息保密等级，则确定该预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中任意一种，
若该外界环境状态信息指示该当前用户所处外界环境满足第二信息保密等级，则确定该预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中任意两种，
若该外界环境状态信息指示该当前用户该外界环境满足第三信息保密等级，则确定该预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中所有三种，
其中，该第一信息保密等级、该第二信息保密等级和该第三信息保密等级是根据该当前用户所处环境对应的环境声音因素和人员流动因素确定的。
优选地，在该步骤(11)中，该密码验证输入模式包括在预设设备终端上执行登录账号与登录密码两者的输入验证，或者，该生物信息验证模式包括在预设设备终端上执行人脸识别验证、指纹识别验证或者瞳孔识别验证，或者，该卡片识别验证包括在预设设备终端上执行身份证感应识别验证。
优选地，在该步骤(12)中，将该身份验证信息与票务数据库的用户个人数据信息集合进行匹配处理，以此获取相应的匹配处理结果具体包括，
步骤(121)，确定该身份验证信息与该票务数据库中用户预留的个人身份数据之间的匹配关系；
步骤(122)，若该身份验证信息与该个人身份数据相匹配，则确定该个人身份数据对应的用户个人信息及其关联信息作为该匹配处理结果，
若该身份验证信息与该个人身份数据不匹配，则确定该身份验证信息无效以此作为该匹配处理结果。
优选地，在该步骤(13)中，基于该匹配处理结果，提取该当前用户的历史购票数据信息具体包括，
将该匹配处理结果中指示的用户个人信息及其关联信息作为索引标记，并根据该索引标记在该票务数据库的用户个人数据集合中检索出该当前用户的历史购票数据信息。
步骤(2)，根据关于该用户的历史购票数据信息，确定关于该用户的最优购票推荐信息。
优选地，在该步骤(2)中，根据关于该用户的历史购票数据信息，确定关于该用户的最优购票推荐信息具体包括，
步骤(21)，根据关于该用户的历史购票数据信息，构建关于该用户的购票推荐数学模型；
步骤(22)，获取该用户当前的购票需求信息，并提取该购票需求信息中的若干购票需求参数作为该购票推荐数学模型的输入端数据；
步骤(23)，根据该购票推荐数学模型与该若干购票需求参数，计算出关于该用户的最优购票推荐信息。
优选地，在该步骤(21)中，根据关于该用户的历史购票数据信息，构建关于该用户的购票推荐数学模型具体包括，
步骤(211)，判断该历史购票数据信息中每一条购票数据信息是否满足预设时效条件，若是，则将对应的购票数据信息确定为有效的购票数据信息，若否，则将对应的购票数据信息确定为无效的购票数据信息；
步骤(212)，基于该步骤(211)中确定的所有有效的购票数据信息，构建该购票推荐数学模型；
步骤(213)，获取下一预设时段内对应的若干购票数据信息，并基于下一预设时段内对应的该若干购票数据信息，对该购票推荐数学模型进行模型参数的优化处理，以此得到相应的优化购票推荐数学模型，从而用于实施该步骤(22)与该步骤(23)。
优选地，在该步骤(22)中，获取该用户当前的购票需求信息、并提取该购票需求信息中的若干购票需求参数具体包括，
步骤(221)，获取该用户的实时位置信息、目的地位置信息、实时天气数据信息、实时路况信息和关于不同景点的实时人流信息中的至少一种作为该购票需求参数；
步骤(222)，将步骤(221)获取的该购票需求参数进行预设的标准化处后，得到若干对应的标准化购票需求参数，以此作为该购票推荐教学模型的输入端数据。
优选地，在所述步骤(23)中，根据所述购票推荐数学模型与所述若干购票需求参数，计算出关于所述用户的最优购票推荐信息具体包括，
确定一信息数据库，所述信息数据库包括S条信息，并且每一条信息各自都包括前n1次购买车票时对应的n1个指标值和n2个购票行为指标值，其中n1为当年人均购票次数进行取整后的对应值，所述S条信息和n1+n2个指标值共同组成信息矩阵X，所述信息矩阵X中每一行元素代表一条信息，每一列元素代表一个指标值，所述信息数据库还包括所述S条信息中每一条信息对应的购票推荐数学模型向量Y1；
其中，所述购票推荐数学模型可为最短路径模型、最快时间模型、最优惠价格模型、最多人选择模型、最少换乘模型或者人流量最少模型等；
所述行为指标值可包括当月收入指标、当月支出指标、职业指标或者工作年限指标等；
对于所述信息矩阵X，利用下面公式(1)将所述信息矩阵X中具有连续数值的指标值进行关于数值的分类化处理
在上述公式(1)中，Xit为信息矩阵X中第i行第t列的元素值，X1it为Xit经分类化处理后得到的值，floor()为向下取整运算，min(Xt)为信息矩阵X中第t列的最小值，max(Xt)为第t列的最大值，其中，i＝1、2、…、S，t＝1、2、…、n1+n2；
通过上述公式(1)，将所有具有连续数值的指标值都转换为分类数值，以此生成另一矩阵X1，同时对购票推荐数学模型向量Y1进行去重处理后，确定购票推荐数学模型向量Y1具有P个值，其中P≤S，则所述购票推荐数学模型向量Y1对应的购票推荐数学模型集合为Y＝{y1、y2、…yp}，其中yi为集合Y中的第i种购票推荐数学模型，且i＝1、2、…、P；
通过上述公式(1)能够将无穷种可能的连续值转换为有限种可能的离散值，以使得在计算购票推荐数学模型的可能性值时，对于每一个可能性值都能对应一个确定大小的值；
针对所述用户的个人特征信息，获取所述用户在所述信息矩阵X中对应的n个指标值，并利用上述公式(1)，将所述n个指标值进行关于数值的分类化处理以得到分类向量A，即A＝{a1,a2,…,an1,an1+1,,an1+2,…,an1+n}，其中ai为分类向量A中的第i个指标分类值，再利用下面公式(2)计算所述分类向量A对应为集合Y中的每种购票推荐数学模型的可能性值
在上述公式(2)中，P(A|yi)为分类向量A对应为集合Y中的每种购票推荐数学模型的可能性值，p(aj|yi)为当第j个指标值为aj时、其对应的值出现在集合Y中的第i种购票推荐数学模型的可能性值，其中i＝1、2、…、P，j＝1、2、…、n1、n1+1、n1+2、…、n1+n2；
通过上述公式(2)能够求解出所述分类向量A对应的每种购票推荐数学模型的可能性值，并且在计算时，对于用户的历史信息中的购票推荐数学模型的指标，能够增大所述历史信息中的购票推荐数学模型的指标的权重；
其中，p(aj|yi)的计算求解方式为将分类化处理后得到的所述矩阵X1的第j个指标值的信息进行提取，假设提取得到的信息有Dj条，并提取所述Dj条信息对应的购票推荐数学模型，若所述购票推荐数学模型为yi对应的数量为Mi，则p(aj|yi)的表达式如下面公式(3)所示
将通过上述公式(3)得到的所有p(aj|yi)代入上述公式(2)中，以此计算得到所有对应的P(A|yi)，再利用下面公式(4)得到所述分类向量A对应的购票推荐数学模型
max{P(y1)*P(A|y1),P(y2)*P(A|y2),…,P(yp)*P(A|yp)} (4)
在上述公式(4)中，P(yi)为信息数据库中出现第i中购票推荐数学模型的可能性值，i＝1、2、…、P，其中具有最大值P(yi)的对应的购票推荐数学模型被确定为最优的购票推荐数学模型；
再根据所述最优的购票推荐数学模型与所述若干购票需求参数，计算出关于所述用户的最优购票推荐信息；
当确定所述最优的购票推荐数学模型后，还可以结合用户的实时位置信息、目的地位置信息、实时天气数据信息、实时路况信息和关于不同景点的实时人流信息等不同参数，得到所述用户的最优购票推荐信息。
步骤(3)，根据关于该用户的最优购票推荐信息，对该最优购票推荐信息执行预设展示模式，以此显示该最优购票推荐信息。
优选地，在该步骤(3)中，根据关于该用户的最优购票推荐信息，对该最优购票推荐信息执行预设展示模式，以此显示该最优购票推荐信息具体包括，
步骤(31)，获取关于该用户的最优购票推荐信息中对应的购票流程、车票对应发车时间、车票对应发车地点、车票对应形成线路和车票价格中的至少一种购票相关要素；
步骤(32)，确定该最优购票推荐信息执行显示对应的预设展示模式，其中，该预设展示模式包括静态展示模式、动态展示模式、二维展示模式、三维展示模式、或者图像与声音相结合的展示模式；
步骤(33)，基于步骤(32)确定的预设展示模式，将步骤(31)中获取的购票相关要素实时地显示于相应的设备终端上。
从上述实施例可以看出，该基于用户历史数据的车票购买线路推荐方法能够根据不同用户自身的个人特征信息和相应的历史购票信息，来确定关于当前用户的最优购票推荐信息，并通过预设展示模式将计算得到的最优购票推荐信息呈现给用户。可见，该基于用户历史数据的车票购买线路推荐方法相对于传统的推荐方法，其并不针对所有用户都是采用单一的计算模型来获得相应的车票购买线路推荐结果，其是以不同用户自身的不同个人特征信息为计算基础来获得个性化的推荐结果，通过该推荐方法能够实时地针对不同用户获得不同的推荐结果，从而有效地避免单一算法模型导致推荐结果同一的问题发生，并且还能够提高用户通过该推荐方法获得相应线路推荐结果的个性化程度和便捷性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于用户历史数据的车票购买线路推荐方法，其特征在于，所述基于用户历史数据的车票购买线路推荐方法包括如下步骤：
步骤(1)，获取关于用户的个人特征信息，以此确定关于所述用户的历史购票数据信息；
步骤(2)，根据关于所述用户的历史购票数据信息，确定关于所述用户的最优购票推荐信息；
步骤(3)，根据关于所述用户的最优购票推荐信息，对所述最优购票推荐信息执行预设展示模式，以此显示所述最优购票推荐信息。
2.如权利要求1所述的基于用户历史数据的车票购买线路推荐方法，其特征在于：在所述步骤(1)中，获取关于用户的个人特征信息，以此确定关于所述用户的历史购票数据信息具体包括，
步骤(11)，基于预设验证模式，对当前用户执行身份验证处理，以此获取关于所述当前用户的身份验证信息，其中，所述预设验证模式包括密码输入验证模式、生物信息验证模式和卡片识别验证模式中的至少一种；
步骤(12)，将所述身份验证信息与票务数据库的用户个人数据信息集合进行匹配处理，以此获取相应的匹配处理结果；
步骤(13)，基于所述匹配处理结果，从所述票务数据库的用户个人数据信息集合中提取出所述当前用户的历史购票数据信息。
3.如权利要求2所述的基于用户历史数据的车票购买线路推荐方法，其特征在于：在所述步骤(11)中，基于预设验证模式，对当前用户执行身份验证处理，以此获取关于所述当前用户的身份验证信息具体包括，步骤(111)，获取所述当前用户所处的外界环境状态信息，并根据所述外界环境状态信息确定所述预设验证模式的具体类型，
其中，若所述外界环境状态信息指示所述当前用户所处外界环境的满足第一信息保密等级，则确定所述预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中任意一种，
若所述外界环境状态信息指示所述当前用户所处外界环境满足第二信息保密等级，则确定所述预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中任意两种，
若所述外界环境状态信息指示所述当前用户所述外界环境满足第三信息保密等级，则确定所述预设验证模式为密码输入验证模式、生物信息验证模式和卡片识别验证模式中所有三种，
其中，所述第一信息保密等级、所述第二信息保密等级和所述第三信息保密等级是根据所述当前用户所处环境对应的环境声音因素和人员流动因素确定的；
或者，
在所述步骤(11)中，所述密码验证输入模式包括在预设设备终端上执行登录账号与登录密码两者的输入验证，或者，所述生物信息验证模式包括在预设设备终端上执行人脸识别验证、指纹识别验证或者瞳孔识别验证，或者，所述卡片识别验证包括在预设设备终端上执行身份证感应识别验证。
4.如权利要求2所述的基于用户历史数据的车票购买线路推荐方法，其特征在于：在所述步骤(12)中，将所述身份验证信息与票务数据库的用户个人数据信息集合进行匹配处理，以此获取相应的匹配处理结果具体包括，
步骤(121)，确定所述身份验证信息与所述票务数据库中用户预留的个人身份数据之间的匹配关系；
步骤(122)，若所述身份验证信息与所述个人身份数据相匹配，则确定所述个人身份数据对应的用户个人信息及其关联信息作为所述匹配处理结果，
若所述身份验证信息与所述个人身份数据不匹配，则确定所述身份验证信息无效以此作为所述匹配处理结果；
或者，
在所述步骤(13)中，基于所述匹配处理结果，提取所述当前用户的历史购票数据信息具体包括，
将所述匹配处理结果中指示的用户个人信息及其关联信息作为索引标记，并根据所述索引标记在所述票务数据库的用户个人数据集合中检索出所述当前用户的历史购票数据信息。
5.如权利要求1所述的基于用户历史数据的车票购买线路推荐方法，其特征在于：在所述步骤(2)中，根据关于所述用户的历史购票数据信息，确定关于所述用户的最优购票推荐信息具体包括，
步骤(21)，根据关于所述用户的历史购票数据信息，构建关于所述用户的购票推荐数学模型；
步骤(22)，获取所述用户当前的购票需求信息，并提取所述购票需求信息中的若干购票需求参数作为所述购票推荐数学模型的输入端数据；
步骤(23)，根据所述购票推荐数学模型与所述若干购票需求参数，计算出关于所述用户的最优购票推荐信息。
6.如权利要求5所述的基于用户历史数据的车票购买线路推荐方法，其特征在于：在所述步骤(21)中，根据关于所述用户的历史购票数据信息，构建关于所述用户的购票推荐数学模型具体包括，
步骤(211)，判断所述历史购票数据信息中每一条购票数据信息是否满足预设时效条件，若是，则将对应的购票数据信息确定为有效的购票数据信息，若否，则将对应的购票数据信息确定为无效的购票数据信息；
步骤(212)，基于所述步骤(211)中确定的所有有效的购票数据信息，构建所述购票推荐数学模型；
步骤(213)，获取下一预设时段内对应的若干购票数据信息，并基于下一预设时段内对应的所述若干购票数据信息，对所述购票推荐数学模型进行模型参数的优化处理，以此得到相应的优化购票推荐数学模型，从而用于实施所述步骤(22)与所述步骤(23)。
7.如权利要求5所述的基于用户历史数据的车票购买线路推荐方法，其特征在于：在所述步骤(22)中，获取所述用户当前的购票需求信息、并提取所述购票需求信息中的若干购票需求参数具体包括，
步骤(221)，获取所述用户的实时位置信息、目的地位置信息、实时天气数据信息、实时路况信息和关于不同景点的实时人流信息中的至少一种作为所述购票需求参数；
步骤(222)，将步骤(221)获取的所述购票需求参数进行预设的标准化处后，得到若干对应的标准化购票需求参数，以此作为所述购票推荐教学模型的输入端数据。
8.如权利要求1所述的基于用户历史数据的车票购买线路推荐方法，其特征在于：在所述步骤(3)中，根据关于所述用户的最优购票推荐信息，对所述最优购票推荐信息执行预设展示模式，以此显示所述最优购票推荐信息具体包括，
步骤(31)，获取关于所述用户的最优购票推荐信息中对应的购票流程、车票对应发车时间、车票对应发车地点、车票对应形成线路和车票价格中的至少一种购票相关要素；
步骤(32)，确定所述最优购票推荐信息执行显示对应的预设展示模式，其中，所述预设展示模式包括静态展示模式、动态展示模式、二维展示模式、三维展示模式、或者图像与声音相结合的展示模式；
步骤(33)，基于步骤(32)确定的预设展示模式，将步骤(31)中获取的购票相关要素实时地显示于相应的设备终端上。
9.如权利要求5所述的基于用户历史数据的车票购买线路推荐方法，其特征在于：在所述步骤(23)中，根据所述购票推荐数学模型与所述若干购票需求参数，计算出关于所述用户的最优购票推荐信息具体包括，确定一信息数据库，所述信息数据库包括S条信息，并且每一条信息各自都包括前n1次购买车票时对应的n1个指标值和n2个购票行为指标值，其中n1为当年人均购票次数进行取整后的对应值，所述S条信息和n1+n2个指标值共同组成信息矩阵X，所述信息矩阵X中每一行元素代表一条信息，每一列元素代表一个指标值，所述信息数据库还包括所述S条信息中每一条信息对应的购票推荐数学模型向量Y1；
对于所述信息矩阵X，利用下面公式(1)将所述信息矩阵X中具有连续数值的指标值进行关于数值的分类化处理
在上述公式(1)中，Xit为信息矩阵X中第i行第t列的元素值，X1it为Xit经分类化处理后得到的值，floor()为向下取整运算，min(Xt)为信息矩阵X中第t列的最小值，max(Xt)为第t列的最大值，其中，i＝1、2、…、S，t＝1、2、…、n1+n2；
通过上述公式(1)，将所有具有连续数值的指标值都转换为分类数值，以此生成另一矩阵X1，同时对购票推荐数学模型向量Y1进行去重处理后，确定购票推荐数学模型向量Y1具有P个值，其中P≤S，则所述购票推荐数学模型向量Y1对应的购票推荐数学模型集合为Y＝{y1、y2、…yp}，其中yi为集合Y中的第i种购票推荐数学模型，且i＝1、2、…、P；
针对所述用户的个人特征信息，获取所述用户在所述信息矩阵X中对应的n个指标值，并利用上述公式(1)，将所述n个指标值进行关于数值的分类化处理以得到分类向量A，即A＝{a1,a2,…,an1,an1+1,,an1+2,…,an1+n}，其中ai为分类向量A中的第i个指标分类值，再利用下面公式(2)计算所述分类向量A对应为集合Y中的每种购票推荐数学模型的可能性值
在上述公式(2)中，P(A|yi)为分类向量A对应为集合Y中的每种购票推荐数学模型的可能性值，p(aj|yi)为当第j个指标值为aj时、其对应的值出现在集合Y中的第i种购票推荐数学模型的可能性值，其中i＝1、2、…、P，j＝1、2、…、n1、n1+1、n1+2、…、n1+n2；p(aj|yi)的计算求解方式为将分类化处理后得到的所述矩阵X1的第j个指标值的信息进行提取，假设提取得到的信息有Dj条，并提取所述Dj条信息对应的购票推荐数学模型，若所述购票推荐数学模型为yi对应的数量为Mi，则p(aj|yi)的表达式如下面公式(3)所示
将通过上述公式(3)得到的所有p(aj|yi)代入上述公式(2)中，以此计算得到所有对应的P(A|yi)，再利用下面公式(4)得到所述分类向量A对应的购票推荐数学模型
max{P(y1)*P(A|y1),P(y2)*P(A|y2),…,P(yp)*P(A|yp)} (4)
在上述公式(4)中，P(yi)为信息数据库中出现第i中购票推荐数学模型的可能性值，i＝1、2、…、P，其中具有最大值P(yi)的对应的购票推荐数学模型被确定为最优的购票推荐数学模型；
再根据所述最优的购票推荐数学模型与所述若干购票需求参数，计算出关于所述用户的最优购票推荐信息。
CN201910379698.5A 2019-05-06 2019-05-06 一种基于用户历史数据的车票购买线路推荐方法 Active CN110335099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910379698.5A CN110335099B (zh) 2019-05-06 2019-05-06 一种基于用户历史数据的车票购买线路推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910379698.5A CN110335099B (zh) 2019-05-06 2019-05-06 一种基于用户历史数据的车票购买线路推荐方法

Publications (2)

Publication Number Publication Date
CN110335099A true CN110335099A (zh) 2019-10-15
CN110335099B CN110335099B (zh) 2021-01-01

Family

ID=68139572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910379698.5A Active CN110335099B (zh) 2019-05-06 2019-05-06 一种基于用户历史数据的车票购买线路推荐方法

Country Status (1)

Country Link
CN (1) CN110335099B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639818A (zh) * 2020-06-05 2020-09-08 上海商汤智能科技有限公司 一种路线规划方法、装置、计算机设备及存储介质
CN111695711A (zh) * 2020-06-15 2020-09-22 北京交通发展研究院 一种预约方法及装置
CN111784464A (zh) * 2020-07-01 2020-10-16 携程旅游网络技术（上海）有限公司 基于信息卡片交互的下单方法、系统、设备及存储介质
CN112836996A (zh) * 2021-03-10 2021-05-25 西南交通大学 一种识别乘客潜在购票需求的方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975578A (zh) * 2016-05-04 2016-09-28 北京奔影网络科技有限公司 信息推荐方法、装置及终端设备
EP3196821A1 (en) * 2014-09-05 2017-07-26 Sony Corporation Information processing device, information processing method and program
CN107562744A (zh) * 2016-06-30 2018-01-09 上海博泰悦臻网络技术服务有限公司 信息推荐方法及系统、电子设备、及数据库
CN108537373A (zh) * 2018-03-27 2018-09-14 黄晓鸣 旅游信息推荐方法和装置
CN109166012A (zh) * 2018-09-21 2019-01-08 苏州创旅天下信息技术有限公司 针对行程预定类用户的分类及信息推送的方法和装置
CN109191237A (zh) * 2018-08-09 2019-01-11 何晨亮 一种用于电子票务的智能购票推荐方法及其系统
CN109300061A (zh) * 2018-08-31 2019-02-01 哈尔滨理工大学 一种基于深度学习旅游的个性信息推荐平台系统
CN109300008A (zh) * 2018-09-27 2019-02-01 咪咕文化科技有限公司 一种信息推荐方法及装置
CN109325816A (zh) * 2018-07-18 2019-02-12 口碑(上海)信息技术有限公司 门店场景下的推荐方法以及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3196821A1 (en) * 2014-09-05 2017-07-26 Sony Corporation Information processing device, information processing method and program
CN105975578A (zh) * 2016-05-04 2016-09-28 北京奔影网络科技有限公司 信息推荐方法、装置及终端设备
CN107562744A (zh) * 2016-06-30 2018-01-09 上海博泰悦臻网络技术服务有限公司 信息推荐方法及系统、电子设备、及数据库
CN108537373A (zh) * 2018-03-27 2018-09-14 黄晓鸣 旅游信息推荐方法和装置
CN109325816A (zh) * 2018-07-18 2019-02-12 口碑(上海)信息技术有限公司 门店场景下的推荐方法以及装置
CN109191237A (zh) * 2018-08-09 2019-01-11 何晨亮 一种用于电子票务的智能购票推荐方法及其系统
CN109300061A (zh) * 2018-08-31 2019-02-01 哈尔滨理工大学 一种基于深度学习旅游的个性信息推荐平台系统
CN109166012A (zh) * 2018-09-21 2019-01-08 苏州创旅天下信息技术有限公司 针对行程预定类用户的分类及信息推送的方法和装置
CN109300008A (zh) * 2018-09-27 2019-02-01 咪咕文化科技有限公司 一种信息推荐方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639818A (zh) * 2020-06-05 2020-09-08 上海商汤智能科技有限公司 一种路线规划方法、装置、计算机设备及存储介质
CN111695711A (zh) * 2020-06-15 2020-09-22 北京交通发展研究院 一种预约方法及装置
CN111784464A (zh) * 2020-07-01 2020-10-16 携程旅游网络技术（上海）有限公司 基于信息卡片交互的下单方法、系统、设备及存储介质
CN112836996A (zh) * 2021-03-10 2021-05-25 西南交通大学 一种识别乘客潜在购票需求的方法
CN112836996B (zh) * 2021-03-10 2022-03-04 西南交通大学 一种识别乘客潜在购票需求的方法

Also Published As

Publication number Publication date
CN110335099B (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN110335099A (zh) 一种基于用户历史数据的车票购买线路推荐方法
de Dios Ortúzar et al. Modelling transport
CN105489053B (zh) 一种基于acp方法的平行停车系统构建方法
CN108010376A (zh) 一种基于物联网技术的城市停车诱导系统及方法
CN109214280A (zh) 基于街景的店铺识别方法、装置、电子设备及存储介质
CN108876465A (zh) 一种对商户进行经营模式分群的方法、装置和服务器
Basu Viability assessment of emerging smart urban para-transit solutions: Case of cab aggregators in Kolkata city, India
CN111951037A (zh) 一种基于大数据的客流预测与旅游营销方法
Onyango E-hailing applications adoption and competitiveness of app-based taxi operators in Nairobi, Kenya
Sanchez Neural-risk assessment system for construction projects
CN111429308A (zh) 一种景区购票方法及系统
Ruiz-Padillo et al. Social choice functions: A tool for ranking variables involved in action plans against road noise
Chen et al. Choice model and influencing factor analysis of travel mode for migrant workers: case Study in Xi’an, China
Kang An alignment optimization model for a simple highway network
Khademi et al. Intelligent transportation system user service selection and prioritization: hybrid model of disjunctive satisfying method and analytic network process
Bilodeau Intelligent parking technology adoption
Giuliano et al. Looking to the future
CN112308260A (zh) 一种实名制分时预约订票方法及系统
McKinney Code shift: data, governance, and equity in Los Angeles's shared mobility pilots
Firmansyah et al. Implementation of E-procurement policy in Bandung District
Dewi IMPLEMENTATION OF FUZZY ANALYTICAL NETWORK PROCESS IN PRIORITIZING TRANSPORTATION PROBLEM
Graham A comparative evaluation of FDSA, GA, and SA non-linear programming algorithms and development of system-optimal methodology for dynamic pricing on I-95 Express
Tseytin et al. Tracing individual public transport customers from an anonymous transaction database
Lin et al. Shifts in activity centers along the corridor of the blue subway line in Taipei
Hårsman et al. Ways and means to increase the acceptance of urban road pricing

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
CB02 Change of applicant information

Address after: 701-28, floor 7, building 5, yard 1, Shangdi East Road, Haidian District, Beijing 100000

Applicant after: Shengwei times Technology Group Co.,Ltd.

Address before: 100085, building 1, building 1, East Road, Haidian District, Beijing, E701F

Applicant before: BEIJING SHENGWEI TIMES TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant