CN110390415A - 一种基于用户出行大数据进行出行方式推荐的方法及系统 - Google Patents
一种基于用户出行大数据进行出行方式推荐的方法及系统 Download PDFInfo
- Publication number
- CN110390415A CN110390415A CN201810347145.7A CN201810347145A CN110390415A CN 110390415 A CN110390415 A CN 110390415A CN 201810347145 A CN201810347145 A CN 201810347145A CN 110390415 A CN110390415 A CN 110390415A
- Authority
- CN
- China
- Prior art keywords
- trip
- user
- information
- product
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000012546 transfer Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010845 search algorithm Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 179
- 230000006399 behavior Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 7
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- VJYFKVYYMZPMAB-UHFFFAOYSA-N ethoprophos Chemical compound CCCSP(=O)(OCC)SCCC VJYFKVYYMZPMAB-UHFFFAOYSA-N 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
- 238000012216 screening Methods 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
-
- 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"
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Abstract
一种基于用户出行大数据进行出行方式推荐的方法及系统,所述方法包括:获取目标用户的当前出行信息,当前出行信息包括起点信息、终点信息、出行方式和出发时间;获取目标用户的社会信息和历史出行信息,所述历史出行信息包括出行方式、出行路线、出行时间;基于所述历史出行信息,判断用户类型,所述用户类型包括第一类用户和第二类用户;基于所述用户类型、社会信息和历史出行信息,确定所述目标用户的聚类模型,所述聚类模型包括第一聚类模型和第二聚类模型;基于所述聚类模型和所述当前出行信息,确定所述目标用户的类内策略集合;基于所述类内策略集合,向目标用户推荐出行方式。本申请提供的方法能够满足为目标用户提供出行建议的需求。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于用户出行大数据进行出行方式推荐的方法及系统。
背景技术
随着用车服务(例如,网约车、租车等)越来越普遍,用户面对功能相似但产品逻辑不同的出行产品时,会表现出不同的喜好。而这些喜好,受到不同城市、不同时间、不同运力等周围环境的影响,会呈现出不同的结果并最终导致用户的出行需求的满足率高低不同。如何提升用户的需求满足率,即当用户在平台提出发单请求的时候尽可能的得到满足,是非常重要的。
在现有技术中,传统的出行推荐仅局限于利用用户的历史出行数据进行出行方式推荐。但当用户做出出行方式的选择后,却无法为用户推荐当前时空环境下的最优出行方式。此外,对于一些没有历史出行数据,或历史出行数据较少的用户来说,无法基于其历史出行数据进行出行方式推荐。因此,对用户进行聚类并针对不同类型的客户,使用不同的用户数据进行进一步分析,对于扩大出行方式推荐的适用范围是非常重要的。
发明内容
针对现有技术中不能针对用户当前出行方式为用户推荐最优出行方式和为历史出行数据较少的用户进行出行方式推荐的问题,本发明的目的在于提供一种通过聚类模型进行用户分类,并基于分类后的类内产品流转图进行最短距离搜索以推荐出行方式的方法。基于历史出行数据对聚类模型进行训练,并基于该历史出行数据构建类内产品流转图,基于该类内产品流转图和用户当前出行方式为用户推荐最优出行方式。进一步地,可以基于用户实时所处的时空环境,即所处城市各个出行产品的实时供需情况,提高用户的出行需求满足率。
第一方面,本发明披露了一种基于用户出行大数据进行出行方式推荐的方法。该方法包括:获取目标用户的当前出行信息,当前出行信息包括起点信息、终点信息和出发时间;获取目标用户的社会信息和历史出行信息,所述历史出行信息包括出行方式、出行路线、出行时间;基于所述历史出行信息,判断用户类型,所述用户类型包括第一类用户和第二类用户;基于所述用户类型、社会信息和历史出行信息,确定所述目标用户的聚类模型,所述聚类模型包括第一聚类模型和第二聚类模型;基于所述聚类模型和所述当前出行信息,确定所述目标用户的类内策略集合;基于所述类内策略集合,向目标用户推荐出行方式。
在一些实施例中,所述基于所述历史出行信息,判断用户类型,所述用户类型包括第一类用户和第二类用户包括:当所述历史出行信息的量大于或等于第一阈值时,判断所述目标用户为第一类用户;当所述历史出行信息的量小于第一阈值时,判断所述目标用户为第二类用户。
在一些实施例中,所述基于所述用户类型、社会信息和历史出行信息,确定所述目标用户的聚类模型,所述聚类模型包括第一聚类模型和第二聚类模型包括:当所述目标用户为第一类用户时,基于所述出行信息,确定所述目标用户所属的第一聚类模型;当所述目标用户为第二类用户时,基于所述社会信息,确定所述目标用户所属的第二聚类模型。
在一些实施例中,所述第一聚类模型和第二聚类模型通过聚类算法得到。
在一些实施例中,所述第一聚类模型和第二聚类模型通过聚类算法得到包括:基于出行平台,获取多个用户的历史出行信息和社会信息;基于所述历史出行信息,使用X平均算法聚类得到一个或多个第一聚类模型;基于所述社会信息,使用X平均算法聚类得到一个或多个第二聚类模型。
在一些实施例中,所述基于所述历史出行信息,使用X平均算法聚类得到一个或多个第一聚类模型包括:基于所述历史出行信息,抽取预设时间段内所述多个用户的历史出行请求和历史订单信息,统计所述多个用户各个出行产品的需求次数和出行次数;基于第一时间段的维度,对所述需求次数进行平均和归一化处理,确定各个出行产品在第一时间段的需求次数占比;基于第一时间段的维度,对所述出行次数进行平均和归一化处理,确定各个出行产品在第一时间段的出行次数占比;基于所述第一时间段的需求次数占比和出行次数占比,建立用户的出行特征向量;基于所述多个用户的所述出行特征向量,使用X平均算法进行聚类,确定所述一个或多个第一聚类模型。
在一些实施例中,所述基于所述社会信息,使用X平均算法聚类得到一个或多个第二聚类模型包括:基于所述社会信息,抽取多个用户的人口属性信息和社会属性信息,所述人口属性信息包括性别、年龄,所述社会属性信息包括职业、收入;对人口属性信息和社会属性信息进行数值化处理,建立用户的人口特征向量;基于所述多个用户的所述人口特征向量,使用X平均算法进行聚类,确定所述一个或多个第二聚类模型。
在一些实施例中,所述基于所述聚类模型和所述当前出行信息,确定所述目标用户的类内策略集合包括:基于所述当前出行信息,确定当前出行城市和当前出行方式;基于所述出行城市和所述聚类模型,获取产品流转图;获取所述出行城市的出行产品的实时供需情况,更新所述产品流转图;基于所述当前出行方式,确定所述更新后的产品流转图中的第一节点;基于最短路径快速搜索算法,提取所述第一节点对应的最短路径;基于所述最短路径,确定所述目标用户的类内策略集合。
在一些实施例中,所述产品流转图以出行产品为节点,以产品的应答率为节点值,以用户历史转移成功率为边的权重。
在一些实施例中,所述产品流转图以出行产品为节点,以产品实时应答率为节点值,以用户历史转移成功率为边的权重包括:基于出行平台,获取多个用户的历史出行信息;基于所述历史出行信息,获取所述出行产品;基于所述历史出行信息,确定所述产品的应答率;基于所述历史出行信息,确定所述用户历史转移成功率,所述用户历史转移成功率包括:正转移成功率,所述正转移成功率是指一个订单从第一产品跳转到第二产品后,所述订单完成的可能性高于未完成的可能性;负转移成功率,所述负转移成功率是指一个订单从第一产品跳转到第二产品后,所述订单未完成的可能性高于完成的可能性。
在一些实施例中,所述基于所述类内策略集合,向目标用户推荐出行方式包括:基于当前出行信息,确定所述目标用户的当前出行方式;基于所述当前出行方式,确定所述产品流转图中的第一节点;基于所述第一节点和所述类内策略集合,确定所述第一节点的最短路径;基于所述第一节点的最短路径,向目标用户推荐出行方式。
第二方面,本发明披露了一种基于用户出行大数据进行出行方式推荐的系统。该系统包括:获取模块、用户类型确定模块、聚类模型确定模块和出行方式推荐模块:所述获取模块,包括第一获取单元和第二获取单元;所述第一获取单元用于获取目标用户的当前出行信息;所述第二获取单元用于获取目标用户的社会信息和历史出行信息;所述用户类型确定模块用于基于所述目标用户的历史出行信息,判断用户类型;所述聚类模型确定模块,包括第一聚类模型确定单元和第二聚类模型确定单元;所述第一聚类模型确定单元用于基于所述历史出行信息,确定第一聚类模型;所述第二聚类模型确定单元用于基于所述社会信息,确定第二聚类模型;所述出行方式推荐模块用于基于所述聚类模型和所述当前出行信息确定类内策略集合,基于所述类内策略集合向目标用户推荐出行方式。
在一些实施例中,所述系统进一步包括:产品流转图确定模块和最短路径确定模块:所述产品流转图确定模块用于基于所述聚类模型和所述当前出行信息确定产品流转图;所述最短路径确定模块用于基于最短路径算法确定所述产品流转图中节点对应的最短路径,所述最短路径用于目标用户出行方式推荐。
第三方面,本发明披露了一种基于用户出行大数据进行出行方式推荐的系统。该系统包括:获取模块、聚类模块和产品流转图构建模块:所述获取模块用于获取多个用户的社会信息和历史出行信息;所述聚类模块,包括第一聚类单元和第二聚类单元;所述第一聚类单元用于基于所述历史出行信息,聚类得到一个或多个第一聚类模型;所述第二聚类单元用于基于所述社会信息,聚类得到一个或多个第二聚类模型;所述产品流转图构建模块用于基于所述历史出行信息和所述聚类模型,构建类内产品流转图。
第四方面,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运行所述基于用户出行大数据进行出行方式推荐的方法。
第五方面,本发明披露了一种基于用户出行大数据进行出行方式推荐的装置。所述包括出行方式推荐程序,所述出行方式推荐程序运行时执行所述基于用户出行大数据进行出行方式推荐的方法。
与现有技术相比,本发明的有益效果表现如下:
一、提供了一种基于出行产品类型进行用户推荐的模型。该模型在考虑用户的历史出行记录、用户的类型以及出行产品间的相似性的同时,合理叠加用户出行需求产生时的时空环境,以最大化满足用户的个性化出行需求。
二、提出了一种针对给定出行产品在产品流转图上寻找转移成功率最高的出行产品,以此作为用户选择的推荐依据。该产品流转图用于描绘用户出行选择行为,以出行产品为节点,以产品应答率为节点值,以用户历史转移率为边的权重。此种方法可以提高用户出行需求的满足率。以历史出行需求满足情况作为主要依据,以出发地附近的各个出行产品的实时供需情况作为辅助依据,为用户优先推荐最高成交率的出行产品。
三、使用最短路径快速搜索算法智能识别并剔除产品流转图上的负路径,即权重为负数的边,降低低效路径的存在,保证优化效果正向。在寻找最短路径时,进一步引入用户出行的时空环境,根据实时更新的产品节点的应答率,动态优化产品节点间的最短路径。
附图说明
图1是本发明技术方案提供的出行方式推荐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用于实现出行方式推荐系统向目标用户推荐出行方式的示例性流程示意图;
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出行方式推荐系统确定一个或多个第一聚类模型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出行方式推荐系统确定一个或多个第二聚类模型的示例性流程示意图;
图7是根据本发明技术方案的一些实施例示出的用于实现出行方式推荐系统构建产品流转图的示例性流程示意图;
图8是根据本发明技术方案的一些实施例示出的示例性出行方式推荐装置的结构框图;
图9根据本发明技术方案的一些实施例示出的示例性出行方式推荐装置的结构框图;
图10是根据本发明技术方案的一些实施例示出的用于统计类内用户转移行为的示例性权重矩阵示意图。
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,其他类似的出行方式推荐系统。
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。
图1所示的是出行方式推荐系统的一种示例系统配置示意图。示例性出行方式推荐系统100可以包括出行方式推荐装置110、消费方130、存储器150、服务方140、网络120。在一些实施例中,出行方式推荐装置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。出行方式推荐装置110可以是一个服务器,也可以是一个服务器群组。一个服务器群组可以是集中式的,例如数据中心。一个服务器群组也可以是分布式的,例如一个分布式系统。出行方式推荐装置110可以是本地的,也可以是远程的。出行方式推荐装置110可以包括用于执行出行方式推荐装置110的指令(程序代码)的出行方式推荐引擎112。例如,出行方式推荐引擎112能够执行出行方式推荐程序的指令,进而通过一定的算法为目标用户预测出行方式。消费方130是指发布服务订单的个人、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、工具或者其他实体。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。出行方式推荐装置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。
在一些实施例中,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收集的数据和出行方式推荐装置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。网络120可以提供信息交换的渠道。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。
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出行方式推荐系统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可以处理从出行方式推荐系统100的其他任何组件获得的图像或文本数据。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可以存储从出行方式推荐系统100的任何其他组件获得的数据/信息。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可以使用户与出行方式推荐系统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CPU340执行。应用程序362可以包括浏览器或用于从出行方式推荐系统100接收成像、图形处理、音频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出行方式推荐系统。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用于实现出行方式推荐系统100向目标用户推荐出行方式的示例性流程示意图。所述方法包括:
步骤410,获取目标用户的出行信息和社会信息。
具体地,在一些实施例中,目标用户的电子产品(例如,手机、平板等)中安装有出行平台APP,所述出行平台APP可以实时采集并记录目标用户的出行信息和社会信息。所述电子产品通过通信端口(如,通信端口240)与出行方式推荐系统100相连,并能够通过通信端口将采集到的出行信息和社会信息发送到出行方式推荐系统100的一个或多个部件(如,出行方式推荐引擎112、出行方式推荐装置110、存储器150等)中。在一些实施例中,出行方式推荐引擎112可以从出行方式推荐系统100的存储设备(如,存储器150等)中获取存储在所述存储设备的出行信息和社会信息。
在一些实施例中,所述目标用户的出行信息包括目标用户当前的出行信息、以及预设时间段内目标用户的出行信息。所述预设时间段可以是近一个月、近三个月、近半年等。所述目标用户的出行信息可以包括起点信息、终点信息、出发时间、出行方式、出行路线等。出行方式可以包括一种出行产品,用户使用该出行产品出行。所述目标用户的社会信息可以包括人口属性信息和社会属性信息。所述人口属性信息可以包括性别、年龄等。所述社会属性信息可以包括职业、收入等。
进一步,在步骤410中,进一步获取目标用户的用车习惯(例如,习惯用车时间(例如,早晚高峰、周末))。
步骤420,基于出行信息,判断用户类型。所述用户类型包括第一类用户和第二类用户。第一类用户可以是指历史出行信息较多(例如,有3、5、8次历史订单记录)的用户。第二类用户可以是指没有历史出行信息或历史出行信息较少(例如,有0、1、2次历史订单记录)的用户。示例性具体步骤包括:
获取预设时间段内(例如,1年)目标用户的历史出行信息,所述历史出行信息可以包括历史订单记录(例如,历史用车时间、历史用车路线、历史出行方式等);
基于历史订单记录的次数,判断用户类型。当目标用户的所述史订单记录的次数较多时,判断目标用户为第一类用户;当目标用户的所述史订单记录的次数较少时,判断目标用户为第二类用户。
在一些实施例中,当目标用户的所述历史订单记录的次数大于或等于第一阈值时,判断目标用户为第一类用户;当目标用户的所述历史订单记录的次数小于第一阈值时,判断目标用户为第二类用户。所述第一阈值可以由出行方式推荐系统100设定,也可以根据实际情况进行调整。第一阈值可以是1、3、5等。
在上述步骤420中,所述出行信息和社会信息由安装在目标用户的手机中的电子产品获取,并通过通信端口(如,通信端口240)保存到出行方式推荐系统100的存储设备(如,存储器150等)。
步骤430,基于用户类型、社会信息和/或出行信息,确定目标用户的聚类模型。
具体地,当用户类型为第一类用户时,基于目标用户的历史出行信息确定目标用户的聚类模型;当用户类型为第二类用户时,基于目标用户的社会信息确定目标用户的聚类模型。
在一些实施例中,当用户类型为第一类用户时,确定目标用户的第一聚类模型的示例性具体步骤包括:
基于所述出行信息,抽取预设时间段内目标用户的出行请求和订单信息,统计目标用户的各个出行产品的需求次数和出行次数;
按照月维度对所述需求次数进行平均和归一化,确定目标用户的各个出行产品月均需求次数占比;
按照月维度对所述出行次数进行平均和归一化,确定目标用户的各个出行产品月均出行次数占比;
基于所述月均需求次数占比和所述月均出行次数占比,建立目标用户的出行特征向量;
基于目标用户的所述出行特征向量,确定目标用户所属的第一聚类模型。
所述目标用户的出行产品的需求次数可以是指,目标用户发出的使用该出行产品的出行请求(包括未接单订单和已完成订单)的次数;所述出行产品的出行次数可以是指,目标用户使用该出行产品的已完成订单的次数,即得到满足的出行请求的次数。
在一些实施例中,当用户类型为第二类用户时,确定目标用户的第二聚类模型的示例性具体步骤包括:
基于所述社会信息,抽取预设时间段内目标用户人口属性信息和社会属性信息,所述人口属性信息包括性别、年龄,所述社会属性信息包括职业、收入;
对人口属性信息和社会属性信息进行数值化处理,建立用户的人口特征向量;
基于目标用户的所述人口特征向量,确定目标用户所属的第二聚类模型。
步骤440,基于聚类模型和当前出行信息,获取目标用户对应的产品流转图。在一些实施例中,所述产品流转图可以是基于某一聚类模型的用户在某一城市的出行信息构建的。基于当前出行信息确定目标用户对应的城市,基于所述城市和所述聚类模型获取目标用户对应的产品流转图。所述产品流转图可以以出行产品为节点,以产品应答率为节点值,以用户历史转移成功率为边的权重而构建,具体的产品流转图构建过程可以参见图7。
步骤450,基于目标用户对应的产品流转图,确定类内最短路径,向目标用户推荐出行方式。具体地,可以获取目标用户出行城市的出行产品的实时供需情况,更新所述产品流转图;可以基于最短路径快速搜索算法(Shortest Path Faster Algorithm,SPFA),从更新后的产品流转图上确定一个或多个节点的最短路径;基于动态化的最短路径,确定类内最优策略集合;基于所述类内最优策略集合和当前出行信息(例如,当前出行方式),向目标用户推荐出行方式。进一步地,可以基于所述当前出行方式,确定所述更新后的产品流转图中的第一节点(例如,目标用户选择的当前出行方式对应的节点);调用SPFA算法首先更新第一节点的最短路径;并基于动态化的第一节点的最短路径对目标用户进行出行方式推荐。最短路径指向一个节点,可以称为所述第一节点的第一可达终点,第一可达终点表示的出行产品可以是推荐给用户的出行方式。
SPFA算法是基于Bellman-Ford算法的队列优化,由西南交通大学段凡丁于1994年发表,可以处理带负权值的边的图。SPFA算法用一个队列来优化,从而避免了冗余计算。所述队列用于存储候选顶点。具体地,若某一顶点v(例如,产品流转图的一个节点)的最短路径改变了,将此顶点入队;下一次遍历从该顶点出发到所有邻接顶点的边,进行松弛操作,并只将更新了最短路径的边入队。所述松弛操作是指,对于每个属于产品流转图的顶点,都设置一个属性d(v),用来描述从节点s到顶点v的最短路径上权值的上界,称为最短路径估计(shortest-path estimate)。每一次,估计的最短路径值渐渐地被更加准确的值替代,直至得到最优解。在一些实施例中,SPFA算法模型可以逐一确定所述产品流转图上节点的最短路径。在一些实施例中,SPFA算法模型可以优先确定当前出行方式代表的节点在所述产品流转图上的最短路径。在一些实施例中,可以使用伪代码实现SPFA算法模型。示例性具体伪代码包括:
其中,v表示任意节点,s表示除v以外的其他节点,V(G)表示所述产品流转图的所有节点,d(v)用于记录从v到其他节点s的最短路径长度,Q表示一个先进先出的队列,用于存放候选节点,(u,v)表示与节点v相关的一条边,E(G)表示所述产品流转图的所有边,w(u,v)表示边(u,v)的权重。对于任意节点v,将其所有可达的路径按照d(v)里的信息进行排序,最终保留距离最短的路径及其指向的节点。
路径越短,证明该路径指向的节点(或第一可达终点),即出行产品越符合目标用户的出行需求。在一些实施例中,所述目标用户的出行需求可以是指,当用户的需求没有被满足的时候,根据用户当前的产品选择,叠加考虑用户熟悉的出行产品,对用户进行适当的引导,进而最大程度地基于用户习惯满足用户的个性化需求。在一些实施例中,所述目标用户的出行需求可以是指,根据目标用户的社会信息,以有足够历史出行信息的用户为参照,基于用户社会信息的相似度向目标用户推荐可能会喜欢的出行产品,提高用户的体验。
在一些实施例中,可以省略步骤440和步骤450中的产品流转图,基于聚类模型和出行信息,直接获取目标用户对应的类内最优策略集合,并基于所述类内最优策略集合,实时为用户进行出行方式推荐,快速满足用户的出行需求。基于类内最优策略集合,向目标用户推荐出行方式,示例性具体步骤包括:
获取类内最优策略集合;
基于出行信息,获取目标用户当前出行方式;
基于当前出行方式,确定第一节点;
基于类内最优策略集合,确定第一节点的最短路径及其指向的节点;
基于该最短路径指向的节点向目标用户推荐出行方式。
在一些实施例中,该类内最优策略集合可以由出行方式推荐装置110的最短路径确定模块850基于产品流转图确定。该产品流转图可以由产品流转图确定模块840确定。例如,最短路径确定模块850可以基于最短路径算法确定产品流转图中各节点的最短路径和/或最短路径指向的节点,基于该最短路径和其指向的节点确定类内最优策略集合,并通过通信端口(如,通信端口240)保存到出行方式推荐系统100的存储设备(如,存储器150等)。
进一步地,出行方式推荐系统100可以将步骤450预测得到的出行方式以信息的形式提供给出行平台,供其进行车辆的调配和安排,从而优化交通系统和/或出行平台的运力。另外,系统还可以将步骤450预测得到的出行方式在显示设备(未示出)中显示出来或以短信的形式发送给用户,以精准满足目标用户的个性化出行需求。另外,由于历史出行信息和社会信息的不断更新,聚类模型也可以不断更新(例如,可以以一定时间间隔(例如,每周、每月)更新出聚类模型),相应的,产品流转图也可以不断更新(例如,可以以一定时间间隔(例如,每周、每月)更新产品流转图)。利用不断更新的产品流转图预测出行方式,出行方式的预测值的准确性将会大大提高。
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出行方式推荐系统100确定一个或多个第一聚类模型的示例性流程示意图。所述确定一个或多个第一聚类模型的方法包括:
步骤510,获取用户的历史出行请求和历史订单信息,所述历史出行请求和历史订单信息可以是指预设时间段内的出行请求和订单信息。所述预设时间段可以是近三天、近七天、近一个月、近一年。所述出行请求是指用户发出的用车需求信息,可以包括出行方式、出行时间、出行路线等;所述订单信息是指得到满足的出行请求,即已完成的订单的信息。所以所述预设时间段内目标用户的历史行车记录及历史车辆信息可以是目标用户近三天的出行请求和订单信息、近七天的出行请求和订单信息、近一个月的出行请求和订单信息、近一年的出行请求和订单信息等。
在一些实施例中,当用户有了出行需求,会登陆到约车平台或者软件然后依据自己的喜好选择出行产品并发出请求。受限于复杂的后台逻辑以及当下的供需关系,该请求最终会被满足或者调价或者未被满足。如果是后两者,用户需要调整自己的请求或者改变自己的出行方式并再次发出请求。对于用户的需求,上述过程可能会循环多次,直到需求被满足或者用户放弃。无论成功或者用户放弃,该过程会产生很多用户的选择行为数据。这些选择行为数据都能反应用户的历史出行请求情况。
步骤520,基于所述用户的出行请求和历史订单信息,统计各个出行产品的需求次数和出行次数。所述出行产品可以包括快车、顺风车、出租车、专车等。所述出行产品的需求次数是指用户针对该出行产品发出的出行请求的次数。所述出行产品的出行次数是指用户针对该出行产品发出的出行请求得到满足的次数。例如,某用户于2016年1月1日到2016年12月31日间,针对快车发出30次出行请求,即选择快车作为出行方式,其中23次得到满足,则该用户2016年全年快车的需求次数为30次,出行次数为23次。
步骤530,基于用户各个出行产品的需求次数和出行次数,确定各个出行产品的月均需求次数占比和月均出行次数占比,示例性具体步骤包括:
基于用户各个出行产品的需求次数和出行次数,按照月维度进行平均,确定该用户月均各出行产品的需求次数和出行次数;
对该用户各出行产品的需求和出行次数分别做归一化,确定该用户各出行产品的月均需求次数占比和月均出行次数占比。
步骤540,基于所述月均需求次数占比和月均出行次数占比,建立该用户的出行特征向量。所述出行特征向量用于表示用户的出行喜好。
步骤550,基于多个用户的出行特征向量,确定一个或多个第一聚类模型。具体地,出行特征向量相似的用户具有类似的出行喜好,基于出行特征向量,对用户进行聚类,将具有类似出行喜好的用户归入同一第一聚类模型。
在一些实施例中,基于X平均算法对用户进行聚类,其中,X表示聚类的数目。该算法支持设定X的取值范围,该取值范围包括最大值和最小值。最大值和最小值可以由出行方式推荐系统100设定,也可以根据实际情况进行调整。最小值可以是1、3、5等,最大值可以是50、60、70等。在一些实施例中,第一聚类模型的X的值可以是出行产品数量的1.5倍、2倍、2.5倍、3倍等。X平均算法是K平均算法的改进,不同于K平均算法需要设定聚类的数目,X平均算法在确定了X的取值范围后,可以自行确定聚类的数目,在一个范围内自动寻找最优的类数,同时还有贝叶斯信息指标(Bayesian Information Criterion,BIC)帮助选择范围内的最佳值。示例性X平均算法具体步骤包括:
从最小值开始进行Kmeans聚类;
每次聚类完成后基于BIC来决定对每一个类在下一轮时是否继续拆分,所述BIC的初始状态可以由出行方式推荐系统100设定,也可以根据实际情况进行调整;
不断迭代上述过程,每次更新BIC,并且X自动加一;
当X达到最大值或者根据BIC判定当前所有的类都无需进行拆分时终止;
输出类的数目以及对应的类成员。
进一步地,随着用户的历史出行请求和历史订单信息的不断更新,该一个或多个第一聚类模型也可以不断更新。例如,可以以一定时间间隔(例如,每周、每月)更新一次模型。
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出行方式推荐系统100确定一个或多个第二聚类模型的示例性流程示意图。所述确定一个或多个第一聚类模型的方法包括:
步骤610,获取用户的社会信息,所述用户的社会信息可以包括人口属性信息和社会属性信息。
步骤620,基于该用户的社会信息,抽取用户的人口属性信息和社会属性信息。所述人口属性信息可以包括性别、年龄等。所述社会属性信息可以包括职业、收入等。
步骤630,对人口属性信息和社会属性信息进行数值化处理,建立用户的人口特征向量。所述人口特征向量用于表示用户的出行喜好。例如,性别男可以用00表示,性别女可以用01表示。
步骤640,基于多个用户的人口特征向量,确定一个或多个第二聚类模型。具体地,人口特征向量相似的用户具有类似的出行喜好,基于人口特征向量,对用户进行聚类,将具有类似出行喜好的用户归入同一第二聚类模型。
在一些实施例中,基于X平均算法对用户进行聚类处理。在一些实施例中,第二聚类模型的X的值可以是20、30、40、50等。X平均算法在图5中已详细介绍,此处不赘述。值得注意的是,第一聚类模型和第二聚类模型除了构建特征向量的数据源不同之外,其他流程均相同。数据源的不同,决定了这两个模型处理的人群是不同的,但是存在重合,准确的说是后者包含前者。在目标用户历史出行信息不足时,可以基于目标用户的社会信息对目标用户进行相似度衡量并基于相似用户的出行偏好对目标用户进行出行方式的推荐,扩大了出行方式推荐的适用范围。第二聚类模型,基于平台已有的历史数据,有效地填补了之前不能对新用户进行出行方式精准推荐的空白,对于出行平台的新用户来说,增加了平台的友好度和易用性。
进一步,随着用户的历史出行请求和历史订单信息的不断更新,该一个或多个第二聚类模型也可以不断更新。例如,可以以一定时间间隔(例如,每周、每月)更新一次模型。
图7是根据本发明技术方案的一些实施例示出的用于实现出行方式推荐系统100构建产品流转图的示例性流程示意图。所述构建产品流转图的方法包括:
步骤710,获取多个用户的历史出行信息,所述历史出行信息与一个城市相关。例如,当构建上海的产品流转图时,获取与上海相关的历史出行信息。所述与上海相关的历史出行信息可以是起点信息中包含上海,例如,订单起点在上海;可以是终点信息中包含上海,例如,订单终点在上海;可以是出行路线包括上海,例如,所述出行路线经过上海。所述多个用户拥有类似的出行特征向量相似和/或人口特征向量,属于同一聚类模型。
历史出行信息用于构建产品流转图。考虑到不同城市的出行产品的类型、出行产品的数量、出行产品的供需情况等中的一种或几种存在不同,因此,在构建产品流转图时,需要分城市考虑。在一些实施例中,对于同一出行产品,存在实时和预约这两种不同类型的需求,也可以进一步细分。
步骤720,基于多个用户的历史出行信息,确定出行产品。所述出行产品可以包括出租车、顺风车、快车、专车等中的一种或几种的组合。
步骤730,基于多个用户的历史出行信息,确定出行产品的应答率和用户历史转移成功率。出行产品的应答率是指该产品的成功接单率。例如,一共有50个订单请求的出行方式为出租车,其中23个订单被接受,则出租车的应答率为46%。用户历史转移成功率可以是基于产品间转移的成功率确定的。确定产品间转移的成功率的示例性具体步骤包括:
记录用户的发单行为,例如,用户Ci在出租车出行产品发了一次单,无应答之后又再次呼叫,第二次也没有应答的情况下,用户Ci跳转到快车出行产品发单并最终完成了订单;
基于用户的发单行为,更新平台各个产品的选择次数及成功次数,例如,当基于用户Ci的发单行为进行更新时,出租车到出租车的选择次数加一,相应的成功次数减一,出租车到快车的选择次数加一,相应的成功次数加一;
统计多个用户在平台各个产品间的选择次数以及成功次数,确定产品间转移的成功率。
在一些实施例中,产品间转移的行为集合R的数量与出行产品的数量有关。假定平台内有b个出行产品,则R的数量可以是b*(b+1)。R中包含从同一出行产品bi到bi的转移数量b,也包含不同出行产品bi到bj的转移数量b*(b–1)/2,两类合计起来是b*(b+1)/2。如果考虑实时和预约两类需求,总数是2b*(2b+1)。对这些转移进行评估,如果当次转移后成功完单,则当次转移成功概率为1;如果当次转以后没有完单,则当次转移成功概率为–1。基于以上逻辑,一次转移行为可以表示为一个三元组(bi,bj,±1)。在每一个基于第一聚类模型或第二聚类模型确定的用户类内,潜在的出行产品的转移数量总数都是2b*(2b+1),这个数量会随着出行产品类型的增加呈平方趋势增长。
步骤740,以出行产品为节点,以出行产品的应答率为节点值,以用户历史转移成功率为边的权重构建城市产品流转图。产品流转图可以是有向有环图,有向是指,产品A向产品B的转移是A->B,而产品B向产品A的转移是B->A;有环是指,在一次或多次的转移行为后,重新选择了第一次选择的产品。例如,最简单的环是产品A向产品A的转移,即连续的选择产品A。
在一些实施例中,出行产品的应答率可以指出行产品的实时应答率。出行产品的实时应答率可以根据该城市的各个出行产品实时供需情况确定。
汇总用户历史转移成功率以确定产品流转图的边的权重的示例性具体步骤包括:
基于上述定义的三元组(bi,bj,±1),按起点信息和终点信息进行汇总;
确定集合(bi,bj,Σ±1/Σ),其中,Σ表示转移次数,元素Σ±1/Σ表示出行产品bi转移到出行产品bj的类内成功概率,取值范围是[–1,+1];值为+1时,意味着类内所有该转移行为都是成功的,值为–1时,意味着类内所有该转移行为都是失败的;
基于集合,确定权重矩阵W,其中,权重矩阵W可以是非对称矩阵,格子Mij的值表示从出行产品bi转移到出行产品bj的成功率;格子Mij的值可以为空,为空表示该聚类人群没有这类行为转移,格子Mij的值可以在-1到1之间。
在一些实施例中,为了进一步简化计算,可以对权重矩阵W进行二次筛选。对权重矩阵W进行二次筛选的示例性具体步骤包括:
设定矩阵转移阈值,所述矩阵转移阈值可以由出行方式推荐系统100设定,也可以根据实际情况进行调整。例如,矩阵转移阈值可以是类内人数的1/3、1/4、1/5等;
当格子的Σ值大于或等于矩阵转移阈值时,保留该格子的值,当格子的Σ值大小于矩阵转移阈值时,将该格子的值设为空,认为该类人群没有此类行为转移,相应的,产品流转图没有这条边。
在一些实施例中,基于产品流转图计算最短路径时,可以先对边的权重进行预处理。当边的权重为负值时,表示边对应的产品转移行为失败的次数高于成功的次数,属于不推荐的类型,因此在从终点向后寻找起点的时候直接绕开或者重新设置为空。当边的权重为零时,表示边对应的产品转移行为失败和成功的次数一样,属于碰运气的情况,因此向后寻找起点的时候也可以绕开或者重新设置为空。当边的权重为正时,表示边对应的产品转移行为成功的次数高于失败的次数,该产品转移行为是值得推荐的选择,在向后寻找起点的时候需要考虑。基于上述的考虑,一个用户聚类内需要计算的路径的数量将进一步减少。
在聚类用户和构建产品流转图的过程中,出行方式推荐装置110的获取模块910从出行方式推荐系统100的存储设备中获取出行平台APP在过去时间点(如,三天前,一周前,一个月前,一年前等)采集的出行信息和社会信息,组成目标用户的历史出行信息和社会信息。所述目标用户的历史出行信息包括预设时间段内用户的出行信息。所述预设时间段可以是近一个月、近三个月、近半年等。所述用户的历史出行信息可以包括出行方式、出行路线、出行时间等。所述用户的社会信息可以包括人口属性信息和社会属性信息。
基于相同的技术构思,本发明实施例进一步提供了一种出行方式推荐装置110,用于推荐出行方式。该装置包括:获取模块810、用户类型确定模块820、聚类模型确定模块830、产品流转图确定模块840、最短路径确定模块850和出行方式推荐模块860,出行方式推荐装置110的结构示意图如图8所示。
获取模块810,用于获取目标用户的出行信息和社会信息。所述目标用户的出行信息包括目标用户当前的出行信息、以及预设时间段内目标用户的出行信息。所述预设时间段可以是近一个月、近三个月、近半年等。所述目标用户的出行信息可以包括起点信息、终点信息、出发时间、出行方式、出行路线等。所述目标用户的社会信息可以包括人口属性信息和社会属性信息。所述人口属性信息可以包括性别、年龄等。所述社会属性信息可以包括职业、收入等。获取模块810可以包括第一获取单元和第二获取单元,其中第一获取单元用于获取目标用户的当前出行信息;第二获取单元用于获取目标用户的社会信息和历史出行信息。
用户类型确定模块820,用于基于所述目标用户的历史出行信息,判断用户类型。所述用户类型包括第一类用户和第二类用户。
聚类模型确定模块830,用于基于目标用户的所述历史出行信息和/或所述社会信息确定聚类模型。聚类模型确定模块830可以包括第一聚类模型确定单元和第二聚类模型确定单元,其中第一聚类模型确定单元用于基于所述历史出行信息,确定第一聚类模型;第一聚类模型确定单元用于基于所述社会信息,确定第二聚类模型。
产品流转图确定模块840,用于基于所述聚类模型和所述当前出行信息确定产品流转图。
最短路径确定模块850,用于基于所述当前出行信息确定所述产品流转图中第一节点对应的最短路径。最短路径指向的节点可以称为第一可达终点。
出行方式推荐模块860,用于基于多个最短路径,输出类内策略集合,并基于所述类内策略集合为目标用户推荐出行方式。所述类内策略集合包含多个最短路径及其对应的第一节点和第一可达终点。系统可以根据用户当前的出行产品选择,确定第一节点,在用户需求没有被满足的时候,根据第一节点对应的第一可达终点,对用户进行适当的引导,叠加用户熟悉或可能喜欢的出行产品,为用户推荐第一可达终点表示的出行方式,精准满足目标用户的个性化出行需求。另外,系统还可以将该出行方式提供给出行平台,供其进行车辆的调配和安排,从而优化交通系统和/或出行平台的运力。
基于相同的技术构思,本发明实施例进一步提供了一种出行方式推荐装置110,用于训练推荐出行方式的模型。该装置包括:获取模块910、聚类模块920和产品流转图构建模块930,出行方式推荐装置的结构示意图如图9所示。
获取模块910,用于获取用户的社会信息和历史出行信息。所述用户的历史出行信息包括预设时间段内用户的出行信息。所述预设时间段可以是近一个月、近三个月、近半年等。所述用户的历史出行信息可以包括出行方式、出行路线、出行时间等。所述用户的社会信息可以包括人口属性信息和社会属性信息。所述人口属性信息可以包括性别、年龄等。所述社会属性信息可以包括职业、收入等。
聚类模块920,用于基于用户的所述历史出行信息和/或所述社会信息确定一个或多个聚类模型。所述一个或多个聚类模型可以包括一个或多个第一聚类模型和一个或多个第二聚类模型。聚类模块920可以包括第一聚类单元和第二聚类单元,其中第一聚类单元用于基于所述历史出行信息,聚类得到一个或多个第一聚类模型;第二聚类单元用于基于所述社会信息,聚类得到一个或多个第二聚类模型。
产品流转图构建模块930,用于基于历史出行信息和聚类模型,构建类内产品流转图。所述类内产品流转图可以为有向有环图,以出行产品为节点,以产品应答率为节点值,以用户历史转移成功率为边的权重而构建。所述类内产品流转图可以与聚类模型相关。所述类内产品流转图可以与一个特定城市相关。
所述出行方式推荐装置110可以进一步包括出行方式推荐程序,所述出行方式推荐程序运行时执行本发明实施例提供的根据实时路况进行出行方式推荐的方法。所述出行方式推荐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中。
图10是根据本发明技术方案的一些实施例示出的用于统计类内用户转移行为的示例性权重矩阵示意图。
如图10所示,bi表示一种出行产品,格子Mij的值表示从出行产品bi转移到出行产品bj的成功率。例如,b1是出租车,bk是快车,格子M1k表示从出租车转移到快车的成功率,该成功率为0.67;格子Mk1表示从快车转移到出租车的成功率,该成功率为0.92。
格子Mij的值可以为空,可以为正,可以为零,可以为负。空表示不存在这样的产品转移行为;负值表示这样的产品转移失败的次数高于成功的次数;零值表示这样的行为成功失败各半;正值表示这样的产品转移成功的次数高于失败的次数。
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 (16)
1.一种基于用户出行大数据进行出行方式推荐的方法,其特征在于,所述方法包括:
获取目标用户的当前出行信息,当前出行信息包括起点信息、终点信息、出行方式和出发时间;
获取目标用户的社会信息和历史出行信息,所述历史出行信息包括出行方式、出行路线、出行时间;
基于所述历史出行信息,判断用户类型,所述用户类型包括第一类用户和第二类用户;
基于所述用户类型、社会信息和历史出行信息,确定所述目标用户的聚类模型,所述聚类模型包括第一聚类模型和第二聚类模型;
基于所述聚类模型和所述当前出行信息,确定所述目标用户的类内策略集合;
基于所述类内策略集合,向目标用户推荐出行方式。
2.根据权利要求1所述的方法,其特征在于,所述基于所述历史出行信息,判断用户类型,所述用户类型包括第一类用户和第二类用户包括:
当所述历史出行信息的量大于或等于第一阈值时,判断所述目标用户为第一类用户;
当所述历史出行信息的量小于第一阈值时,判断所述目标用户为第二类用户。
3.根据权利要求1所述的方法,其特征在于,所述基于所述用户类型、社会信息和历史出行信息,确定所述目标用户的聚类模型,所述聚类模型包括第一聚类模型和第二聚类模型包括:
当所述目标用户为第一类用户时,基于所述出行信息,确定所述目标用户所属的第一聚类模型;
当所述目标用户为第二类用户时,基于所述社会信息,确定所述目标用户所属的第二聚类模型。
4.根据权利要求3所述的方法,其特征在于,所述第一聚类模型和第二聚类模型通过聚类算法得到。
5.根据权利要求4所述的方法,其特征在于,所述第一聚类模型和第二聚类模型通过聚类算法得到包括:
基于出行平台,获取多个用户的历史出行信息和社会信息;
基于所述历史出行信息,使用X平均算法聚类得到一个或多个第一聚类模型;
基于所述社会信息,使用X平均算法聚类得到一个或多个第二聚类模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述历史出行信息,使用X平均算法聚类得到一个或多个第一聚类模型包括:
基于所述历史出行信息,抽取预设时间段内所述多个用户的历史出行请求和历史订单信息,统计所述多个用户各个出行产品的需求次数和出行次数;
基于第一时间段的维度,对所述需求次数进行平均和归一化处理,确定各个出行产品在第一时间段的需求次数占比;
基于第一时间段的维度,对所述出行次数进行平均和归一化处理,确定各个出行产品在第一时间段的出行次数占比;
基于所述第一时间段的需求次数占比和出行次数占比,建立用户的出行特征向量;
基于所述多个用户的所述出行特征向量,使用X平均算法进行聚类,确定所述一个或多个第一聚类模型。
7.根据权利要求5所述的方法,其特征在于,所述基于所述社会信息,使用X平均算法聚类得到一个或多个第二聚类模型包括:
基于所述社会信息,抽取多个用户的人口属性信息和社会属性信息,所述人口属性信息包括性别、年龄,所述社会属性信息包括职业、收入;
对人口属性信息和社会属性信息进行数值化处理,建立用户的人口特征向量;
基于所述多个用户的所述人口特征向量,使用X平均算法进行聚类,确定所述一个或多个第二聚类模型。
8.根据权利要求1所述的方法,其特征在于,所述基于所述聚类模型和所述当前出行信息,确定所述目标用户的类内策略集合包括:
基于所述当前出行信息,确定当前出行城市和当前出行方式;
基于所述出行城市和所述聚类模型,获取产品流转图;
获取所述出行城市的出行产品的实时供需情况,更新所述产品流转图;
基于所述当前出行方式,确定所述更新后的产品流转图中的第一节点;
基于最短路径快速搜索算法,提取所述第一节点对应的最短路径;
基于所述最短路径,确定所述目标用户的类内策略集合。
9.根据权利要求8所述的方法,其特征在于,所述产品流转图以出行产品为节点,以产品的应答率为节点值,以用户历史转移成功率为边的权重。
10.根据权利要求9所述的方法,其特征在于,所述产品流转图以出行产品为节点,以产品实时应答率为节点值,以用户历史转移成功率为边的权重包括:
基于出行平台,获取多个用户的历史出行信息;
基于所述历史出行信息,获取所述出行产品;
基于所述历史出行信息,确定所述产品的应答率;
基于所述历史出行信息,确定所述用户历史转移成功率,所述用户历史转移成功率包括:
正转移成功率,所述正转移成功率是指一个订单从第一产品跳转到第二产品后,所述订单完成的可能性高于未完成的可能性;
负转移成功率,所述负转移成功率是指一个订单从第一产品跳转到第二产品后,所述订单未完成的可能性高于完成的可能性。
11.根据权利要求1所述的方法,其特征在于,所述基于所述类内策略集合,向目标用户推荐出行方式包括:
基于当前出行信息,确定所述目标用户的当前出行方式;
基于所述当前出行方式,确定所述产品流转图中的第一节点;
基于所述第一节点和所述类内策略集合,确定所述第一节点的最短路径;
基于所述第一节点的最短路径,向目标用户推荐出行方式。
12.一种基于用户出行大数据进行出行方式推荐的系统,其特征在于,所述系统包括:获取模块、用户类型确定模块、聚类模型确定模块和出行方式推荐模块:
所述获取模块,包括第一获取单元和第二获取单元;
所述第一获取单元用于获取目标用户的当前出行信息;
所述第二获取单元用于获取目标用户的社会信息和历史出行信息;
所述用户类型确定模块用于基于所述目标用户的历史出行信息,判断用户类型;
所述聚类模型确定模块,包括第一聚类模型确定单元和第二聚类模型确定单元;
所述第一聚类模型确定单元用于基于所述历史出行信息,确定第一聚类模型;
所述第二聚类模型确定单元用于基于所述社会信息,确定第二聚类模型;
所述出行方式推荐模块用于基于所述聚类模型和所述当前出行信息确定类内策略集合,基于所述类内策略集合向目标用户推荐出行方式。
13.根据权利要求12所述的系统,其特征在于,所述系统还包括:产品流转图确定模块和最短路径确定模块:
所述产品流转图确定模块用于基于所述聚类模型和所述当前出行信息确定产品流转图;
所述最短路径确定模块用于基于最短路径算法确定所述产品流转图中节点对应的最短路径,所述最短路径用于目标用户出行方式推荐。
14.一种基于用户出行大数据进行出行方式推荐的系统,其特征在于,所述系统包括:获取模块、聚类模块和产品流转图构建模块:
所述获取模块用于获取多个用户的社会信息和历史出行信息;
所述聚类模块,包括第一聚类单元和第二聚类单元;
所述第一聚类单元用于基于所述历史出行信息,聚类得到一个或多个第一聚类模型;
所述第二聚类单元用于基于所述社会信息,聚类得到一个或
多个第二聚类模型;
所述产品流转图构建模块用于基于所述历史出行信息和所述聚类模型,构建类内产品流转图。
15.一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运行如权利要求1-11任一所述基于用户出行大数据进行出行方式推荐的方法。
16.一种基于用户出行大数据进行出行方式推荐的装置,其特征在于,所述装置包括出行方式推荐程序,所述出行方式推荐程序运行时执行如权利要求1-11任一所述基于用户出行大数据进行出行方式推荐的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810347145.7A CN110390415A (zh) | 2018-04-18 | 2018-04-18 | 一种基于用户出行大数据进行出行方式推荐的方法及系统 |
US17/050,846 US11151680B2 (en) | 2018-04-18 | 2019-04-18 | Systems and methods for recommending transportation means |
PCT/CN2019/083282 WO2019201309A1 (en) | 2018-04-18 | 2019-04-18 | Systems and methods for recommending transportation means |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810347145.7A CN110390415A (zh) | 2018-04-18 | 2018-04-18 | 一种基于用户出行大数据进行出行方式推荐的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390415A true CN110390415A (zh) | 2019-10-29 |
Family
ID=68238800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810347145.7A Pending CN110390415A (zh) | 2018-04-18 | 2018-04-18 | 一种基于用户出行大数据进行出行方式推荐的方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11151680B2 (zh) |
CN (1) | CN110390415A (zh) |
WO (1) | WO2019201309A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111854781A (zh) * | 2020-06-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 导航路径推荐方法、装置和电子设备 |
CN112927005A (zh) * | 2021-01-12 | 2021-06-08 | 同程网络科技股份有限公司 | 基于多目标遗传算法的用车调价方法、系统及存储介质 |
CN112989184A (zh) * | 2021-02-20 | 2021-06-18 | 广州城建职业学院 | 一种个性化出行服务大数据应用系统及方法 |
CN112991740A (zh) * | 2021-03-23 | 2021-06-18 | 苏州蓝图智慧城市科技有限公司 | 一种基于出行离散度及聚类的车辆引导方法、介质及设备 |
CN112991739A (zh) * | 2021-03-23 | 2021-06-18 | 苏州蓝图智慧城市科技有限公司 | 一种基于出行强度的车辆引导方法、装置、介质及设备 |
WO2021129227A1 (zh) * | 2019-12-27 | 2021-07-01 | 华为技术有限公司 | 一种交通信息处理方法及装置 |
CN113536112A (zh) * | 2021-06-11 | 2021-10-22 | 五邑大学 | 一种乘客接驳预测方法、装置及存储介质 |
CN114387042A (zh) * | 2022-03-22 | 2022-04-22 | 北京骑胜科技有限公司 | 一种出行需求确定方法及装置 |
WO2022237213A1 (zh) * | 2021-05-13 | 2022-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种居民出行链模型构建方法及居民出行链获取方法 |
CN116628527A (zh) * | 2023-07-24 | 2023-08-22 | 浙江大学 | 一种集成出行策略的设计方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209403B (zh) * | 2019-11-22 | 2024-02-13 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
AU2021308716A1 (en) * | 2020-07-16 | 2023-03-09 | Uber Technologies, Inc. | Choice modeling for pickup map display content |
CN113762392A (zh) * | 2021-09-08 | 2021-12-07 | 平安普惠企业管理有限公司 | 基于人工智能的理财产品推荐方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104935963A (zh) * | 2015-05-29 | 2015-09-23 | 中国科学院信息工程研究所 | 一种基于时序数据挖掘的视频推荐方法 |
CN105760503A (zh) * | 2016-02-23 | 2016-07-13 | 清华大学 | 一种快速计算图节点相似度的方法 |
CN106529711A (zh) * | 2016-11-02 | 2017-03-22 | 东软集团股份有限公司 | 用户行为预测方法及装置 |
CN106649517A (zh) * | 2016-10-17 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 数据挖掘方法、装置及系统 |
CN107609063A (zh) * | 2017-08-29 | 2018-01-19 | 重庆邮电大学 | 一种多标签分类的手机应用推荐系统及其方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7206965B2 (en) | 2003-05-23 | 2007-04-17 | General Electric Company | System and method for processing a new diagnostics case relative to historical case data and determining a ranking for possible repairs |
US8494978B2 (en) | 2007-11-02 | 2013-07-23 | Ebay Inc. | Inferring user preferences from an internet based social interactive construct |
US20120166285A1 (en) * | 2010-12-28 | 2012-06-28 | Scott Shapiro | Defining and Verifying the Accuracy of Explicit Target Clusters in a Social Networking System |
US9495477B1 (en) | 2011-04-20 | 2016-11-15 | Google Inc. | Data storage in a graph processing system |
CN104281622B (zh) * | 2013-07-11 | 2017-12-05 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
US9053509B2 (en) * | 2013-08-29 | 2015-06-09 | Google Inc. | Recommended modes of transportation for achieving fitness goals |
CN103678489A (zh) * | 2013-11-12 | 2014-03-26 | 中国联合网络通信有限公司广东省分公司 | 智慧城市出行信息推荐方法及装置 |
US9389086B2 (en) * | 2014-03-27 | 2016-07-12 | Heba Abdulmohsen HASHEM | Transportation planner and route calculator for alternative travel methods |
US10169804B2 (en) * | 2016-02-09 | 2019-01-01 | Conduent Business Services, Llc | Methods and systems for transportation service recommendation |
CN107633680B (zh) * | 2016-07-12 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 出行数据的获取方法、装置、设备和系统 |
CN107798412B (zh) * | 2016-09-07 | 2020-12-04 | 滴图(北京)科技有限公司 | 一种路线推荐方法和装置 |
CN106776900B (zh) * | 2016-11-30 | 2020-06-23 | 百度在线网络技术(北京)有限公司 | 出行方法和装置 |
-
2018
- 2018-04-18 CN CN201810347145.7A patent/CN110390415A/zh active Pending
-
2019
- 2019-04-18 WO PCT/CN2019/083282 patent/WO2019201309A1/en active Application Filing
- 2019-04-18 US US17/050,846 patent/US11151680B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104935963A (zh) * | 2015-05-29 | 2015-09-23 | 中国科学院信息工程研究所 | 一种基于时序数据挖掘的视频推荐方法 |
CN105760503A (zh) * | 2016-02-23 | 2016-07-13 | 清华大学 | 一种快速计算图节点相似度的方法 |
CN106649517A (zh) * | 2016-10-17 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 数据挖掘方法、装置及系统 |
CN106529711A (zh) * | 2016-11-02 | 2017-03-22 | 东软集团股份有限公司 | 用户行为预测方法及装置 |
CN107609063A (zh) * | 2017-08-29 | 2018-01-19 | 重庆邮电大学 | 一种多标签分类的手机应用推荐系统及其方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021129227A1 (zh) * | 2019-12-27 | 2021-07-01 | 华为技术有限公司 | 一种交通信息处理方法及装置 |
CN111854781A (zh) * | 2020-06-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 导航路径推荐方法、装置和电子设备 |
CN112927005A (zh) * | 2021-01-12 | 2021-06-08 | 同程网络科技股份有限公司 | 基于多目标遗传算法的用车调价方法、系统及存储介质 |
CN112989184A (zh) * | 2021-02-20 | 2021-06-18 | 广州城建职业学院 | 一种个性化出行服务大数据应用系统及方法 |
CN112991740A (zh) * | 2021-03-23 | 2021-06-18 | 苏州蓝图智慧城市科技有限公司 | 一种基于出行离散度及聚类的车辆引导方法、介质及设备 |
CN112991739A (zh) * | 2021-03-23 | 2021-06-18 | 苏州蓝图智慧城市科技有限公司 | 一种基于出行强度的车辆引导方法、装置、介质及设备 |
CN112991739B (zh) * | 2021-03-23 | 2022-03-04 | 苏州蓝图智慧城市科技有限公司 | 一种基于出行强度的车辆引导方法、装置、介质及设备 |
CN112991740B (zh) * | 2021-03-23 | 2022-03-11 | 苏州蓝图智慧城市科技有限公司 | 一种基于出行离散度及聚类的车辆引导方法、介质及设备 |
WO2022237213A1 (zh) * | 2021-05-13 | 2022-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种居民出行链模型构建方法及居民出行链获取方法 |
CN113536112A (zh) * | 2021-06-11 | 2021-10-22 | 五邑大学 | 一种乘客接驳预测方法、装置及存储介质 |
CN114387042B (zh) * | 2022-03-22 | 2022-06-10 | 北京骑胜科技有限公司 | 一种出行需求确定方法及装置 |
CN114387042A (zh) * | 2022-03-22 | 2022-04-22 | 北京骑胜科技有限公司 | 一种出行需求确定方法及装置 |
CN116628527A (zh) * | 2023-07-24 | 2023-08-22 | 浙江大学 | 一种集成出行策略的设计方法及系统 |
CN116628527B (zh) * | 2023-07-24 | 2023-11-10 | 浙江大学 | 一种集成出行策略的设计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2019201309A1 (en) | 2019-10-24 |
US11151680B2 (en) | 2021-10-19 |
US20210118080A1 (en) | 2021-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390415A (zh) | 一种基于用户出行大数据进行出行方式推荐的方法及系统 | |
US10956861B2 (en) | Apparatus and method for predictive dispatch for geographically distributed, on-demand services | |
US11393341B2 (en) | Joint order dispatching and fleet management for online ride-sharing platforms | |
US11494714B2 (en) | Efficiency of a transportation matching system using geocoded provider models | |
US11610165B2 (en) | Method and system for orchestrating multi-party services using semi-cooperative nash equilibrium based on artificial intelligence, neural network models,reinforcement learning and finite-state automata | |
Ma et al. | Real-time city-scale taxi ridesharing | |
Hwang et al. | An effective taxi recommender system based on a spatio-temporal factor analysis model | |
US11514543B2 (en) | System and method for ride order dispatching | |
US20200050938A1 (en) | Systems and methods for improvement of index prediction and model building | |
US20170046653A1 (en) | Planning of transportation requests | |
TW201741993A (zh) | 確定運輸服務路線之系統及方法 | |
US11056008B2 (en) | Real-time service provider progress monitoring | |
Hamdi et al. | Task offloading in vehicular fog computing: State-of-the-art and open issues | |
US20200082315A1 (en) | Efficiency of a transportation matching system using geocoded provider models | |
US20200193834A1 (en) | System and method for ride order dispatching | |
He et al. | Spatio-temporal capsule-based reinforcement learning for mobility-on-demand coordination | |
US20200082314A1 (en) | Efficiency of a transportation matching system using geocoded provider models | |
US20200082313A1 (en) | Efficiency of a transportation matching system using geocoded provider models | |
US20220188711A1 (en) | Systems and methods for managing dynamic transportation networks using simulated future scenarios | |
WO2022127517A1 (en) | Hierarchical adaptive contextual bandits for resource-constrained recommendation | |
US20230394554A1 (en) | Method and internet of things system of charging pile recommendation for new energy vehicle in smart city | |
CN111861178A (zh) | 服务匹配模型的训练方法、服务匹配方法、设备及介质 | |
Shi et al. | Best of both worlds: mitigating imbalance of crowd worker strategic choices without a budget | |
Ronald et al. | Mobility patterns in shared, autonomous, and connected urban transport | |
CN109935000A (zh) | 一种筛选电车的方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |
|
RJ01 | Rejection of invention patent application after publication |