CN111121806B - 出行方式规划方法、装置、计算机设备和存储介质 - Google Patents
出行方式规划方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111121806B CN111121806B CN201911273174.4A CN201911273174A CN111121806B CN 111121806 B CN111121806 B CN 111121806B CN 201911273174 A CN201911273174 A CN 201911273174A CN 111121806 B CN111121806 B CN 111121806B
- Authority
- CN
- China
- Prior art keywords
- classification
- travel
- trip
- travel mode
- distance
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请涉及一种用户出行规划方法、装置、计算机设备和存储介质。该方法包括:接收用户终端发送的出行方式规划请求,出行方式规划请求携带有当前地理位置及目标位置;查询当前地理位置对应的天气状态;当天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,预先训练的决策树模型是根据预设统计量及对应的多种出行方式进行训练得到的;根据所述分类节点确定目标参数,根据目标参数查询和/或计算当前地理位置和目标位置对应的分类参数;将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式;将出行方式发送给用户终端。采用本方法能够提高智能化水平。
Description
技术领域
本申请涉及大数据处理技术领域,特别是涉及一种出行方式规划方法、装置、计算机设备和存储介质。
背景技术
随着城市生活的节奏加快,合理、高效地安排个人出行安排的需求变得日益增长,基于智能计算的分析方法比传统的分析方法更能适应交通系统发展的需要。
传统的路径规划通常只针对单一出行方式,缺乏共享环节,不能更快地适应共享社会和生态文明的要求,不能更好地缓解城市拥堵等问题。例如公交车、地铁、出租车、顺风车等,能够给出用时最短、距离最短、红绿灯最少、步行时间最短等多种出行方案,但均未涉及多种交通方式的组合规划,即均需要用户自己选择其中一类出行工具后,才能进行出行规划,这样不够智能。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高智能化水平的出行方式规划方法、装置、计算机设备和存储介质。
一种出行方式规划方法,所述方法包括:
接收用户终端发送的出行方式规划请求,所述出行方式规划请求携带有当前地理位置以及出行的目标位置;
根据所述当前地理位置查询到对应的天气状态;
当所述天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,所述预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的;
根据所述分类节点确定目标参数,并根据所述目标参数查询和/或计算所述当前地理位置和所述目标位置对应的分类参数;
将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式;
将所述出行方式发送给所述用户终端。
在其中一个实施例中,所述获取预先训练的决策树模型中的分类节点之前,还包括:
判断是否存在与所述当前地理位置以及出行的目标位置一致的历史行程;
当存在与所述当前地理位置以及出行的目标位置一致的历史行程时,则获取所述历史行程的出行方式;
将所述历史行程的出行方式发送给所述用户终端。
在其中一个实施例中,所述分类节点包括行程距离节点,所述分类参数包括行程距离;所述将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式,包括:
判断所述行程距离是否超过预设距离;
当所述行程距离未超过预设距离时,则获取所述当前地理位置以及出行的目标位置对应的共享车辆运营情况;
根据所述共享车辆的运营情况选取对应的出行方式,作为与所述分类参数对应的出行方式。
在其中一个实施例中,所述分类节点包括当前地理位置与公共交通站点之间的待处理距离和换乘次数;所述将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式,还包括:
当所述行程距离超过预设距离时,则判断所述待处理距离是否大于预设距离以及所述换乘次数是否大于预设次数;
当所述待处理距离大于预设距离和/或所述换乘次数大于预设次数时,则获取出租车或顺风车作为与所述分类参数对应的出行方式。
在其中一个实施例中,所述将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式,还包括:
当所述述待处理距离小于等于预设距离且所述换乘次数小于等于预设次数时,则将所述当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;
将所述公共交通出行方式作为与所述分类参数对应的出行方式。
在其中一个实施例中,所述分类节点还包括年龄和性别,所述分类参数包括年龄参数和性别参数;所述将所述当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式之前,还包括:
当所述性别参数表示用户为女性时,则获取出租车或顺风车作为对应的出行方式;
当所述年龄参数在预设年龄范围内时,则将所述当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;
当所述性别参数不表示用户为女性且所述年龄参数不在预设年龄范围内时,则计算公共交通出行方式和租车或顺风车出行方式中用时最短的出行方式作为与所述分类参数对应的出行方式。
一种用户出行规划装置,所述装置包括:
接收模块,用于接收用户终端发送的出行方式规划请求,所述出行方式规划请求携带有当前地理位置以及出行的目标位置;
查询模块,用于根据所述当前地理位置查询到对应的天气状态;
分类节点获取模块,用于当所述天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,所述预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的;
分类参数获取模块,用于根据所述分类节点确定目标参数,并根据所述目标参数查询和/或计算所述当前地理位置和所述目标位置对应的分类参数;
分类模块,用于将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式;
发送模块,用于将所述出行方式发送给所述用户终端。
在其中一个实施例中,所述装置还包括:
第一判断模块,用于判断是否存在与所述当前地理位置以及出行的目标位置一致的历史行程;
历史行程获取模块,用于当存在与所述当前地理位置以及出行的目标位置一致的历史行程时,则获取所述历史行程的出行方式;
所述发送模块还用于将所述历史行程的出行方式发送给所述用户终端。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述出行方式规划方法、装置、计算机设备和存储介质,在接收到用户终端发送的出行方式规划请求后,根据规划请求所携带的当前地理位置查询到对应的天气状态,且在天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,该预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的,这样服务器可以根据所述分类节点确定目标参数,并根据目标参数查询和/或计算当前地理位置和目标位置对应的分类参数;从而将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,这样通过决策树的方式,可以提高智能化水平,且该决策树是涉及到多种出行方式的,进一步地提高智能化水平,最后将所得到的出行方式发送给用户终端,从而用户终端可以根据需要进行选择等。
附图说明
图1为一个实施例中出行方式规划方法的应用场景图;
图2为一个实施例中出行方式规划方法的流程示意图;
图3为一个实施例中决策树模型的示意图;
图4为一个实施例中公共交通出行的目标函数建立方法;
图5为一个实施例中出行方式规划装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的出行方式规划方法,可以应用于如图1所示的应用环境中。其中,用户终端102与服务器104通过网络进行通信。服务器104在接收到用户终端102发送的出行方式规划请求后,根据规划请求所携带的当前地理位置查询到对应的天气状态,且在天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,该预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的,这样服务器104可以根据所述分类节点确定目标参数,并根据目标参数查询和/或计算当前地理位置和目标位置对应的分类参数;从而将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,这样通过决策树的方式,可以提高智能化水平,且该决策树是涉及到多种出行方式的,进一步地提高智能化水平,最后将所得到的出行方式发送给用户终端,从而用户终端可以根据需要进行选择等。其中,用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种出行方式规划方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:接收用户终端发送的出行方式规划请求,出行方式规划请求携带有当前地理位置以及出行的目标位置。
具体地,用户在需要出行的时候,则可以打开用户终端,用户终端通过GPS等定位用户的当前地理位置,并填写到用户终端安装的客户端上的起始位置处,然后用户手动输入出行的目标位置,这样当用户终端接收到用户输入的确认按钮后,则可以根据当前地理位置以及出行的目标位置生成出行方式规划请求,并将出行方式规划请求发送给服务器。
S204:根据当前地理位置查询到对应的天气状态。
具体地,天气状态是指当前位置的天气的情况,该天气状态可以是服务器通过第三方服务获取到的,例如服务器将当前地理位置发送给第三方服务器,第三方服务器根据当前地理位置查询到对应的天气状态。
且可选地,为了后续处理方便,服务器还可以调用第三方服务器来获取到当前地理位置对应的路况,以及利用大数据技术规避禁行路段等,使得后续的规划更为准确。
S206:当天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的。
天气符合要求,即天气适合绿色出行,例如天气为晴天、未下雨雪等。
具体地,决策树模型是根据预设统计量以及对应的多种出行方式预先训练得到的,其中多种出行方式包括步行、共享单车、共享助力车、公交车、地铁、出租车、顺风车等多种以及其组合。对应的出行包括短途和长途,其中短途可以是指单车、助力车等运营支持的,长途是指公交车、地铁、出租车和顺风车支持的。
决策树(decision tree)是一个树结构(可以是二叉树或非二叉树),决策树由节点和有向边组成。节点有两种类型:内部节点和也节点,内部节点表示一个特征或属性,叶节点表示一个类。其每个非叶节点表示一个特性属性上的测试,每个分之代表这个特性属性在某个值域上的输出,而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶节点,将叶节点存放的类别作为决策结果。
CHAID算法是构建决策树的一种方法,是一个利用X2统计量来识别最优分裂属性的分类算法,其将样本按所有自变量分别分类,形成多个二维交叉分类表。比较这些分类表的X2统计量或最大似然估计值的大小,选取统计值最大的分类变量作为第一个分类变量;对已分好的最优二维表继续根据其余属性(自变量)对样本进行分类,即可得到多维交互表,从而生成决策树。
X2统计量:
最大似然估计值:
其中:fij为实际分布式概率,fij-Yij/n、Yij为第i类X第j类Y的分布频数,n为总样本数。Fij为与fij对应的理论分布频的估计值;Fij=(Yi./n)×(Y.j/n)、Yi.为二维交叉分类表中第i行元素求和,Y.j为二维交叉分类表中第j行元素求和。
服务器会先从数据中集上归纳出一组分类规则,采用启发式的方法,即局部最优。具体做法就是,每次选择分类参数时,都挑选当前条件下最优的那个分类参数作为划分规则,即局部最优的分类参数。
通过Exhaustive CHAID算法测算,在输入的所有自变量中,客观因素、出行时间、出行目的、出行距离、性别、年龄、交通费用占比对选择出行工具起主要作用。这样决策树的结果表示客观因素位于最高父节点,是模型的最大影响因素。
具体地,上述分类节点可以包括客观因素节点和主观因素节点,其中客观因素节点可以包括天气、路况、时间以及所在城市,主观因素节点可以包括公交线路数据、用户偏好、用户特性(年龄以及身体状况)等。
S208:根据所述分类节点确定目标参数,并根据目标参数查询和/或计算当前地理位置和目标位置对应的分类参数。
具体地,服务器可以根据决策树中的分类节点对应的目标参数,从而根据目标参数提取到与当前地理位置以及出行的目标位置对应的分类参数,若无法提取到对应的分类参数,则根据预设的计算逻辑以及与当前地理位置以及出行的目标位置对应的数据进行计算得到分类参数,例如行程距离则可以根据当前地理位置和目标位置进行计算得到。例如该分类参数可以包括但不限于客观因素、出行时间、出行目的、行程距离、性别、年龄、交通费用占比、当前地理位置与公共交通站点之间的待处理距离和换乘次数等。
S210:将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式。
具体地,服务器在获取到分类参数后,将分类参数输入至决策树模型中,决策树模型根据分类节点从分类参数中提取到对应的参数,然后分局分类节点进行判断,直至得到与分类参数对应的出行方式。
例如服务器首先根据当前分类节点进行判断,在判断得到对应分支后,则根据该分支的分类节点继续进行判断,直至得到与分类参数对应的出行方式。
S212:将出行方式发送给用户终端。
具体地,服务器在计算得到出行方式后,则将出行方式发送给用户终端,以便于用户终端进行显示,从而方便用户的选择。这样以绿色出行为基础,充分考虑了步行/共享单车/共享助力车/公交车/地铁/出租车/顺风车等多种出行方式组合,提升城市公共交通利用效率;并且重点关注用户个性化出行需求,用户可根据需求选择花费少、用时短或符合用户兴趣的出行方式。
上述出行方式规划方法,在接收到用户终端发送的出行方式规划请求后,根据规划请求所携带的当前地理位置查询到对应的天气状态,且在天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,该预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的,这样服务器可以根据所述分类节点确定目标参数,并根据目标参数查询和/或计算当前地理位置和目标位置对应的分类参数;从而将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,这样通过决策树的方式,可以提高智能化水平,且该决策树是涉及到多种出行方式的,进一步地提高智能化水平,最后将所得到的出行方式发送给用户终端,从而用户终端可以根据需要进行选择等。
在其中一个实施例中,获取预先训练的决策树模型中的分类节点之前,还包括:判断是否存在与当前地理位置以及出行的目标位置一致的历史行程;当存在与当前地理位置以及出行的目标位置一致的历史行程时,则获取历史行程的出行方式;将历史行程的出行方式发送给用户终端。
具体地,服务器在判断出适合绿色出行,即天气状态符合要求时,则可以根据当前地理位置以及出行的目标位置判断是否为日常的计划,即是否与历史行程一致,如果一直,则可以按照用户习惯进行推送,即按照历史行程的出行方式来推荐给用户,从而服务器获取历史行程的出行方式;将历史行程的出行方式发送给用户终端。
且可选地,当服务器判断出不适合绿色出行时,即天气状态不符合要求时,则可以直接将出租车或者顺风车的方式推荐给用户终端,例如获取到出租车和顺风车的响应速度,从而获取到响应速度快的出租车或顺风车发送给用户终端。当前用户所在的行程中出现其他因素导致公共出行严重影响用户体验,则直接选择更为舒适的出行规划。
此外,如果服务器判断出是用户预订的行程,则服务器无需进行天气状态的判断,直接返回计划行程。
上述实施例中,还根据用户的历史行程来进行出行方式的推送,考虑到了用户的偏好,提高了推送的准确性。
在其中一个实施例中,分类节点包括行程距离节点,分类参数包括行程距离。将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,包括:判断行程距离是否超过预设距离;当行程距离未超过预设距离时,则获取当前地理位置以及出行的目标位置对应的共享车辆运营情况;根据共享车辆的运营情况选取对应的出行方式,作为与分类参数对应的出行方式。
具体地,请参阅图3,图3为一个实施例中决策树模型的示意图。其中分类节点还包括行程距离,这样服务器根据当前地理位置和出行的目标位置计算得到行程距离,并根据决策树模型来判断该行程距离是否超过预设距离,例如是否超过3km等,如果未超过预设值,则服务器判断本次行程为短途,否则为长途。当服务器判断出本次行程为短途的时候,可以根据当前地理位置以及出行的目标位置对应的共享车辆运营情况,例如共享车辆是否支持等,如果支持,则优先选择共享车辆,否则,则可以按照长途行程进行推荐。
且可选地,服务器在根据共享车辆运营情况进行推荐的时候,首先获取到各个共享车辆的停车点距离当前地理位置的第一距离,以及目标位置距离对应的各个共享车辆的停车点的第二距离,从而根据该第一距离和第二距离来为用户推荐对应的共享车辆,例如推荐助力车或者是单车等。
上述实施例中,按照行程距离将行程分为短途和长途,并且在短途的时候优先为用户推荐共享车辆,从而根据路程环境、终端用户习惯、行程距离为用户推荐适合的出行计划。
在其中一个实施例中,分类节点包括当前地理位置与公共交通站点之间的待处理距离和换乘次数;将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,还包括:当行程距离超过预设距离时,则判断待处理距离是否大于预设距离以及换乘次数是否大于预设次数;当待处理距离大于预设距离和/或换乘次数大于预设次数时,则获取出租车或顺风车作为与分类参数对应的出行方式。
在其中一个实施例中,将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,还包括:当述待处理距离小于等于预设距离且换乘次数小于等于预设次数时,则将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;将公共交通出行方式作为与分类参数对应的出行方式。
具体地,请继续参阅图3,服务器对于长途行程的处理,则需要根据当前地理位置与公共交通站点之间的待处理距离和换乘次数进行判断,当待处理距离大于预设距离或者是换乘次数大于预设次数,例如2次时,则服务器优先获取出租车或顺风车作为与分类参数对应的出行方式,否则推荐公共交通出行方式,例如公交车或是地铁等。
且可选地,服务器在推荐出租车或顺风车时,优先判断出租车和顺风车的响应速度,选取响应速度快的进行优先推送。且在计算响应速度的时候可以采用A*算法(A-Star)求解公交换乘的最短路径。
此外,在服务器判断出通过公共交通进行出行时,则服务器可以结合共享车辆的运营能力,为用户推荐合适的公交、地铁或者是共享车辆的结合路程。
具体地,结合图4,图4为一个实施例中公共交通出行的目标函数建立方法,该目标函数的建立方式包括:服务器分析公共交通出行的构成,包括步行衔接时间、换乘时间、等待时间以及在途运行时间等,然后分别计算每个模块的耗时,并计算时间总和最为最后的耗时,从而可以获取到用时最短的出行方式,并推送给用户。
其中服务器在分析公共交通出行的构成时,需要对各个部分的影响因素进行判断,例如步行衔接时间需要考虑步行距离和步行速度,换乘时间需要考虑换乘距离、步行距离以及发车频率,等待时间需要考虑发车频率,而在途运行时间则需要考虑运行距离、行驶距离以及停靠延误时间。通过上述影响因素建立目标函数,例如给出各个影响因素的参数,根据各个参数以及对应的影响因素建立目标函数,这样当在进行使用的时候,则直接将影响因素带入目标函数即可求得耗时,进而选取到耗时最短的对应的公共交通出行方式。
上述实施例中,在服务器处理长途行程的时候,首先根据当前地理位置与公共交通站点之间的待处理距离和换乘次数来判断是否优先推送公共交通方式,这样可以保证环保出行。
在其中一个实施例中,分类节点还包括年龄和性别,分类参数包括年龄参数和性别参数;将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式之前,还包括:当性别参数表示用户为女性时,则获取出租车或顺风车作为对应的出行方式;当年龄参数在预设年龄范围内时,则将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;当性别参数不表示用户为女性且年龄参数不在预设年龄范围内时,则计算公共交通出行方式和租车或顺风车出行方式中用时最短的出行方式作为与分类参数对应的出行方式。
具体地,服务器在判断最优出行需求的出行方式可以包括:若出行需求为最为舒适:即女性对交通舒适度的要求明显高于男性,这就使得出租车/顺风车会替代公共交通作为首选方式。若出行需求为花销最小,即年龄在12~21岁左右的用户则推动公共交通作为优先方式。若按照用时最短,则服务器对每个候选出行路线的各个方式组合,分别计算每个模块的耗时,并计算时间总和;其中顺风车或者出租车通过A*算法得出最优路径。
上述实施例中,在指定的条件下,寻找出行者从起始位置到目标位置,满足用户个性偏好性能指标和约束的最优方式,充分考虑了用户个性偏好,使得推荐结果更加智能化。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种出行方式规划装置,包括:接收模块100、查询模块200、分类节点获取模块300、分类参数获取模块400、分类模块500和发送模块600,其中:
接收模块100,用于接收用户终端发送的出行方式规划请求,出行方式规划请求携带有当前地理位置以及出行的目标位置。
查询模块200,用于根据当前地理位置查询到对应的天气状态。
分类节点获取模块300,用于当天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的。
分类参数获取模块400,用于根据所述分类节点确定目标参数,并根据目标参数查询和/或计算当前地理位置和目标位置对应的分类参数。
分类模块500,用于将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式。
发送模块600,用于将出行方式发送给用户终端。
在其中一个实施例中,装置还包括:
第一判断模块,用于判断是否存在与当前地理位置以及出行的目标位置一致的历史行程。
历史行程获取模块,用于当存在与当前地理位置以及出行的目标位置一致的历史行程时,则获取历史行程的出行方式。
发送模块600还用于将历史行程的出行方式发送给用户终端。
在其中一个实施例中,分类节点包括行程距离节点,分类参数包括行程距离;分类模块500包括:
第一判断单元,用于判断行程距离是否超过预设距离。
共享车辆运营情况获取单元,用于当行程距离未超过预设距离时,则获取当前地理位置以及出行的目标位置对应的共享车辆运营情况。
出行方式选取单元,用于根据共享车辆的运营情况选取对应的出行方式,作为与分类参数对应的出行方式。
在其中一个实施例中,分类节点包括当前地理位置与公共交通站点之间的待处理距离和换乘次数;分类模块500还包括:
第二判断单元,用于当行程距离超过预设距离时,则判断待处理距离是否大于预设距离以及换乘次数是否大于预设次数。
出行方式选取单元还用于当待处理距离大于预设距离和/或换乘次数大于预设次数时,则获取出租车或顺风车作为与分类参数对应的出行方式。
在其中一个实施例中,上述分类模块500还包括:
目标函数处理单元,用于当述待处理距离小于等于预设距离且换乘次数小于等于预设次数时,则将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式。
出行方式选取单元还用于将公共交通出行方式作为与分类参数对应的出行方式。
在其中一个实施例中,分类节点还包括年龄和性别,分类参数包括年龄参数和性别参数。
上述出行方式规划装置还包括:
第二选取模块,用于当性别参数表示用户为女性时,则获取出租车或顺风车作为对应的出行方式。
第三选取模块,用于当年龄参数在预设年龄范围内时,则将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式。
最短出行方式获取单元,用于当性别参数不表示用户为女性且年龄参数不在预设年龄范围内时,则计算公共交通出行方式和租车或顺风车出行方式中用时最短的出行方式作为与分类参数对应的出行方式。
关于出行方式规划装置的具体限定可以参见上文中对于出行方式规划方法的限定,在此不再赘述。上述出行方式规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储决策树模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种出行方式规划方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:接收用户终端发送的出行方式规划请求,出行方式规划请求携带有当前地理位置以及出行的目标位置;根据当前地理位置查询到对应的天气状态;当天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的;根据所述分类节点确定目标参数,并根据目标参数查询和/或计算当前地理位置和目标位置对应的分类参数;将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式;将出行方式发送给用户终端。
在一个实施例中,处理器执行计算机程序时所实现的获取预先训练的决策树模型中的分类节点之前,还包括:判断是否存在与当前地理位置以及出行的目标位置一致的历史行程;当存在与当前地理位置以及出行的目标位置一致的历史行程时,则获取历史行程的出行方式;将历史行程的出行方式发送给用户终端。
在一个实施例中,处理器执行计算机程序时所涉及的分类节点包括行程距离节点,分类参数包括行程距离;处理器执行计算机程序时所实现的将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,包括:判断行程距离是否超过预设距离;当行程距离未超过预设距离时,则获取当前地理位置以及出行的目标位置对应的共享车辆运营情况;根据共享车辆的运营情况选取对应的出行方式,作为与分类参数对应的出行方式。
在一个实施例中,处理器执行计算机程序时所涉及的分类节点包括当前地理位置与公共交通站点之间的待处理距离和换乘次数;处理器执行计算机程序时所实现的将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,还包括:当行程距离超过预设距离时,则判断待处理距离是否大于预设距离以及换乘次数是否大于预设次数;当待处理距离大于预设距离和/或换乘次数大于预设次数时,则获取出租车或顺风车作为与分类参数对应的出行方式。
在一个实施例中,处理器执行计算机程序时所实现的将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,还包括:当述待处理距离小于等于预设距离且换乘次数小于等于预设次数时,则将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;将公共交通出行方式作为与分类参数对应的出行方式。
在一个实施例中,处理器执行计算机程序时所涉及的分类节点还包括年龄和性别,分类参数包括年龄参数和性别参数;处理器执行计算机程序时所实现的将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式之前,还包括:当性别参数表示用户为女性时,则获取出租车或顺风车作为对应的出行方式;当年龄参数在预设年龄范围内时,则将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;当性别参数不表示用户为女性且年龄参数不在预设年龄范围内时,则计算公共交通出行方式和租车或顺风车出行方式中用时最短的出行方式作为与分类参数对应的出行方式。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:接收用户终端发送的出行方式规划请求,出行方式规划请求携带有当前地理位置以及出行的目标位置;根据当前地理位置查询到对应的天气状态;当天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的;根据所述分类节点确定目标参数,并根据目标参数查询和/或计算当前地理位置和目标位置对应的分类参数;将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式;将出行方式发送给用户终端。
在一个实施例中,计算机程序被处理器执行时所实现的获取预先训练的决策树模型中的分类节点之前,还包括:判断是否存在与当前地理位置以及出行的目标位置一致的历史行程;当存在与当前地理位置以及出行的目标位置一致的历史行程时,则获取历史行程的出行方式;将历史行程的出行方式发送给用户终端。
在一个实施例中,计算机程序被处理器执行时所涉及的分类节点包括行程距离节点,分类参数包括行程距离;计算机程序被处理器执行时所实现的将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,包括:判断行程距离是否超过预设距离;当行程距离未超过预设距离时,则获取当前地理位置以及出行的目标位置对应的共享车辆运营情况;根据共享车辆的运营情况选取对应的出行方式,作为与分类参数对应的出行方式。
在一个实施例中,计算机程序被处理器执行时所涉及的分类节点包括当前地理位置与公共交通站点之间的待处理距离和换乘次数;计算机程序被处理器执行时所实现的将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,还包括:当行程距离超过预设距离时,则判断待处理距离是否大于预设距离以及换乘次数是否大于预设次数;当待处理距离大于预设距离和/或换乘次数大于预设次数时,则获取出租车或顺风车作为与分类参数对应的出行方式。
在一个实施例中,计算机程序被处理器执行时所实现的将分类参数输入至预先训练的决策树模型中,以通过预先训练的决策树模型中的分类节点对分类参数进行判断,得到与分类参数对应的出行方式,还包括:当述待处理距离小于等于预设距离且换乘次数小于等于预设次数时,则将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;将公共交通出行方式作为与分类参数对应的出行方式。
在一个实施例中,计算机程序被处理器执行时所涉及的分类节点还包括年龄和性别,分类参数包括年龄参数和性别参数;计算机程序被处理器执行时所实现的将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式之前,还包括:当性别参数表示用户为女性时,则获取出租车或顺风车作为对应的出行方式;当年龄参数在预设年龄范围内时,则将当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;当性别参数不表示用户为女性且年龄参数不在预设年龄范围内时,则计算公共交通出行方式和租车或顺风车出行方式中用时最短的出行方式作为与分类参数对应的出行方式。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种出行方式规划方法,所述方法包括:
接收用户终端发送的出行方式规划请求,所述出行方式规划请求携带有当前地理位置以及出行的目标位置;
根据所述当前地理位置查询到对应的天气状态;
当所述天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,所述预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的;
根据所述分类节点确定目标参数,并根据所述目标参数查询和/或计算所述当前地理位置和所述目标位置对应的分类参数;
将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式;
将所述出行方式发送给所述用户终端;
所述分类节点包括行程距离节点,所述分类参数包括行程距离;所述将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式,包括:
判断所述行程距离是否超过预设距离;
当所述行程距离未超过预设距离时,则获取所述当前地理位置以及出行的目标位置对应的共享车辆运营情况;
根据所述共享车辆的运营情况选取对应的出行方式,作为与所述分类参数对应的出行方式。
2.根据权利要求1所述的方法,其特征在于,所述获取预先训练的决策树模型中的分类节点之前,还包括:
判断是否存在与所述当前地理位置以及出行的目标位置一致的历史行程;
当存在与所述当前地理位置以及出行的目标位置一致的历史行程时,则获取所述历史行程的出行方式;
将所述历史行程的出行方式发送给所述用户终端。
3.根据权利要求1所述的方法,其特征在于,所述分类节点包括当前地理位置与公共交通站点之间的待处理距离和换乘次数;所述将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式,还包括:
当所述行程距离超过预设距离时,则判断所述待处理距离是否大于预设距离以及所述换乘次数是否大于预设次数;
当所述待处理距离大于预设距离和/或所述换乘次数大于预设次数时,则获取出租车或顺风车作为与所述分类参数对应的出行方式。
4.根据权利要求3所述的方法,其特征在于,所述将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式,还包括:
当所述待处理距离小于等于预设距离且所述换乘次数小于等于预设次数时,则将所述当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;
将所述公共交通出行方式作为与所述分类参数对应的出行方式。
5.根据权利要求4所述的方法,其特征在于,所述分类节点还包括年龄和性别,所述分类参数包括年龄参数和性别参数;所述将所述当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式之前,还包括:
当所述性别参数表示用户为女性时,则获取出租车或顺风车作为对应的出行方式;
当所述年龄参数在预设年龄范围内时,则将所述当前地理位置以及出行的目标位置输入至预先建立的公共交通对应的目标函数中,得到对应的公共交通出行方式;
当所述性别参数不表示用户为女性且所述年龄参数不在预设年龄范围内时,则计算公共交通出行方式和租车或顺风车出行方式中用时最短的出行方式作为与所述分类参数对应的出行方式。
6.一种用户出行规划装置,其特征在于,所述装置包括:
接收模块,用于接收用户终端发送的出行方式规划请求,所述出行方式规划请求携带有当前地理位置以及出行的目标位置;
查询模块,用于根据所述当前地理位置查询到对应的天气状态;
分类节点获取模块,用于当所述天气状态符合要求时,则获取预先训练的决策树模型中的分类节点,所述预先训练的决策树模型是根据预设统计量以及对应的多种出行方式进行训练得到的;
分类参数获取模块,用于根据所述分类节点确定目标参数,并根据所述目标参数查询和/或计算所述当前地理位置和所述目标位置对应的分类参数;
分类模块,用于将所述分类参数输入至所述预先训练的决策树模型中,以通过所述预先训练的决策树模型中的分类节点对所述分类参数进行判断,得到与所述分类参数对应的出行方式;
发送模块,用于将所述出行方式发送给所述用户终端;
所述分类节点包括行程距离节点,所述分类参数包括行程距离;所述分类模块包括:
第一判断单元,用于判断所述行程距离是否超过预设距离;
共享车辆运营情况获取单元,用于当所述行程距离未超过预设距离时,则获取所述当前地理位置以及出行的目标位置对应的共享车辆运营情况;
出行方式选取单元,用于根据所述共享车辆的运营情况选取对应的出行方式,作为与所述分类参数对应的出行方式。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第一判断模块,用于判断是否存在与所述当前地理位置以及出行的目标位置一致的历史行程;
历史行程获取模块,用于当存在与所述当前地理位置以及出行的目标位置一致的历史行程时,则获取所述历史行程的出行方式;
所述发送模块还用于将所述历史行程的出行方式发送给所述用户终端。
8.根据权利要求6所述的装置,其特征在于,所述分类节点包括当前地理位置与公共交通站点之间的待处理距离和换乘次数;所述分类模块还包括:
第二判断单元,用于当所述行程距离超过预设距离时,则判断所述待处理距离是否大于预设距离以及所述换乘次数是否大于预设次数;
出行方式选取单元还用于当所述待处理距离大于预设距离和/或所述换乘次数大于预设次数时,则获取出租车或顺风车作为与所述分类参数对应的出行方式。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911273174.4A CN111121806B (zh) | 2019-12-12 | 2019-12-12 | 出行方式规划方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911273174.4A CN111121806B (zh) | 2019-12-12 | 2019-12-12 | 出行方式规划方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111121806A CN111121806A (zh) | 2020-05-08 |
CN111121806B true CN111121806B (zh) | 2021-11-09 |
Family
ID=70499903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911273174.4A Active CN111121806B (zh) | 2019-12-12 | 2019-12-12 | 出行方式规划方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111121806B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283184B (zh) * | 2021-07-16 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 一种出行推荐方法、装置、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645220A (zh) * | 2012-05-21 | 2012-08-22 | 诚迈科技(南京)有限公司 | 智能出行方式实时规划推荐方法 |
CN103606279A (zh) * | 2013-11-27 | 2014-02-26 | 中国航天系统工程有限公司 | 一种基于智能手机的道路出行方式判别方法及系统 |
CN205375847U (zh) * | 2015-12-10 | 2016-07-06 | 天津华易智诚科技发展有限公司 | 一种基于气象选择出行方式的智能交通提示装置 |
CN106384022A (zh) * | 2016-11-23 | 2017-02-08 | 东软集团股份有限公司 | 出行行为预测方法及装置 |
CN106951999A (zh) * | 2017-03-29 | 2017-07-14 | 北京航空航天大学 | 一种交通出行方式与出发时刻联合选择的建模与分析方法 |
CN108072380A (zh) * | 2016-11-14 | 2018-05-25 | 福特环球技术公司 | 用于选择出行方式的方法、装置及出行路径管理系统 |
CN108154253A (zh) * | 2016-12-06 | 2018-06-12 | 北京嘀嘀无限科技发展有限公司 | 出行方式推荐方法及装置 |
CN109000657A (zh) * | 2018-06-15 | 2018-12-14 | 杭州后博科技有限公司 | 一种基于导航的出行方式选择方法及系统 |
CN109598372A (zh) * | 2018-11-21 | 2019-04-09 | 山东师范大学 | 基于绿色共享交通的出行方案规划方法和共享交通系统 |
CN109977322A (zh) * | 2019-03-05 | 2019-07-05 | 百度在线网络技术(北京)有限公司 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
CN110288849A (zh) * | 2019-07-29 | 2019-09-27 | 电子科技大学 | 一种基于混合交通模式的出行路线推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822546B2 (en) * | 2006-09-05 | 2010-10-26 | Garmin Switzerland Gmbh | Travel guide and schedule-based routing device and method |
-
2019
- 2019-12-12 CN CN201911273174.4A patent/CN111121806B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645220A (zh) * | 2012-05-21 | 2012-08-22 | 诚迈科技(南京)有限公司 | 智能出行方式实时规划推荐方法 |
CN103606279A (zh) * | 2013-11-27 | 2014-02-26 | 中国航天系统工程有限公司 | 一种基于智能手机的道路出行方式判别方法及系统 |
CN205375847U (zh) * | 2015-12-10 | 2016-07-06 | 天津华易智诚科技发展有限公司 | 一种基于气象选择出行方式的智能交通提示装置 |
CN108072380A (zh) * | 2016-11-14 | 2018-05-25 | 福特环球技术公司 | 用于选择出行方式的方法、装置及出行路径管理系统 |
CN106384022A (zh) * | 2016-11-23 | 2017-02-08 | 东软集团股份有限公司 | 出行行为预测方法及装置 |
CN108154253A (zh) * | 2016-12-06 | 2018-06-12 | 北京嘀嘀无限科技发展有限公司 | 出行方式推荐方法及装置 |
CN106951999A (zh) * | 2017-03-29 | 2017-07-14 | 北京航空航天大学 | 一种交通出行方式与出发时刻联合选择的建模与分析方法 |
CN109000657A (zh) * | 2018-06-15 | 2018-12-14 | 杭州后博科技有限公司 | 一种基于导航的出行方式选择方法及系统 |
CN109598372A (zh) * | 2018-11-21 | 2019-04-09 | 山东师范大学 | 基于绿色共享交通的出行方案规划方法和共享交通系统 |
CN109977322A (zh) * | 2019-03-05 | 2019-07-05 | 百度在线网络技术(北京)有限公司 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
CN110288849A (zh) * | 2019-07-29 | 2019-09-27 | 电子科技大学 | 一种基于混合交通模式的出行路线推荐方法 |
Non-Patent Citations (1)
Title |
---|
出行方式选择:机器学习方法与多项Logit模型比较研究;刘春禹等;《综合运输》;20180820(第08期);第57-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111121806A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
US10200457B2 (en) | Selective distribution of machine-learned models | |
CN110008413B (zh) | 一种交通出行问题查询方法和装置 | |
CN109974735B (zh) | 到达时间的预估方法、装置及计算机设备 | |
CN108444486B (zh) | 一种导航路线排序方法和装置 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
Liu et al. | A distributed Markovian parking assist system | |
CN113344240A (zh) | 一种共享单车流量预测方法及系统 | |
Lai et al. | Understanding drivers' route choice behaviours in the urban network with machine learning models | |
CN111121806B (zh) | 出行方式规划方法、装置、计算机设备和存储介质 | |
Zhou et al. | Hybrid route recommendation with taxi and shared bicycles | |
CN114638434A (zh) | 可变公交区域站点优化方法、设备及计算机存储介质 | |
CN117863886B (zh) | 增程车辆的续航预测方法、装置、电子设备及介质 | |
CN117291327B (zh) | 车辆的加油站推荐方法、装置、设备及存储介质 | |
US12026951B2 (en) | Methods and internet of things systems for place management and control of smart cities | |
CN110674990B (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN111626495A (zh) | 基于云平台的作业调度系统 | |
CN106845727A (zh) | 考虑配网潮流约束的高速公路快速充电站启发式规划方法 | |
Zhao et al. | Deep learning-based prediction of traffic accident risk in vehicular networks | |
CN111984856A (zh) | 信息推送方法、装置、服务器及计算机可读存储介质 | |
CN105427581B (zh) | 基于浮动车数据的交通仿真方法及系统 | |
CN110146102B (zh) | 路径规划方法、装置、设备和存储介质 | |
CN114048978A (zh) | 一种基于机器学习模型的供需调度策略融合应用 | |
Xia et al. | Carpooling algorithm with the common departure |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231011 Address after: 11 / F, a / F, Yizhan business building, 1 Wenyi West Road, Xihu District, Hangzhou City, Zhejiang Province, 310012 Patentee after: Hangzhou Hahang Network Technology Co.,Ltd. Address before: Room 501, building 1, No. 898 Xiuwen Road, Minhang District, Shanghai, 201199 Patentee before: SHANGHAI JUNZHENG NETWORK TECHNOLOGY Co.,Ltd. |