CN111324824B - 一种目的地推荐方法、其装置、电子设备及可读存储介质 - Google Patents
一种目的地推荐方法、其装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111324824B CN111324824B CN201910906484.9A CN201910906484A CN111324824B CN 111324824 B CN111324824 B CN 111324824B CN 201910906484 A CN201910906484 A CN 201910906484A CN 111324824 B CN111324824 B CN 111324824B
- Authority
- CN
- China
- Prior art keywords
- destination
- historical
- candidate
- travel
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000977 initiatory effect Effects 0.000 claims description 76
- 239000008266 hair spray Substances 0.000 claims description 18
- 238000000926 separation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Navigation (AREA)
Abstract
本申请提供了一种目的地推荐方法、其装置、电子设备及可读存储介质，能够通过用户输入的上车地点和定位出发地所属的定位出发地，结合与包括历史出行目的地和用户的搜索目的地在内的候选目的地之间的关联，来选择推荐目的地，可以增加候选目的地的范围，并且与现有技术相比增加用户上车地点与各候选目的地的关联，使得选择的推荐目的地具有更高的准确率，更加贴合用户的实际出行需求。
Description
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种目的地推荐方法、其装置、电子设备及可读存储介质。
背景技术
目前，随着科技的飞速发展，人们的生活得到了极大的改善，人们的出行方式也得到了改变，网约车出行成为了人们出行的主要方式之一。一般的，目前用户在使用网约车时，需要在网约车系统或者网约车软件中手动输入上车点或者选择上车点，并且手动输入目的地，或者选择推荐的目的地。
但是，现有的推荐目的地的方式，一般是对用户去过的地点进行简单统计，按照去过每个地点的次数进行排序，然后选择对应次数最多的地点作为推荐的目的地，这样的推荐目的地的方式，没有考虑到用户出行的综合因素，推荐目的地的准确率低。
发明内容
有鉴于此，本申请的目的在于提供一种目的地推荐方法、其装置、电子设备及可读存储介质，能够通过用户输入的上车地点和定位出发地，结合与包括历史出行目的地和用户的搜索目的地在内的候选目的地之间的关联，来选择推荐目的地，使得选择的推荐目的地具有更高的准确率，更加贴合用户的实际出行需求。
根据本申请的一个方面，提供一种电子设备，可以包括存储介质和与存储介质通信的处理器。存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作：
若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间；
获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；
基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地。
在本申请的一些实施例中，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作：
基于每个搜索目的地和每个历史出行目的地，确定多个候选目的地；
基于所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地，确定每个候选目的地在多个出行特征下的特征值；
基于每个候选目的地的多个特征值，确定所述用户去往每个候选目的地的出行概率；
从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地。
在本申请的一些实施例中，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作：
若大于预设概率阈值的候选目的地有多个，从大于预设概率阈值的多个候选目的地中选择出出行概率最大的候选目的地为推荐目的地。
在本申请的一些实施例中，所述出行特征包括以下特征中的一个或者多个：
在所述发起时间，从所述定位出发地或者所述上车地点去往候选目的地的统计概率；
在所述历史时间段内的历史出行订单的发单时间统计特征；
所述定位出发地或者所述上车地点与候选目的地之间的距离统计特征；
候选目的地的属性特征；
所述至少一个历史出行订单的相似订单频率；
所述上车地点与候选目的地之间的位置特征。
在本申请的一些实施例中，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作：
基于在所述历史时间段内的至少一个历史出行订单的订单信息，确定所述用户在所述历史时间段内去往每个历史出行目的地的第一次数；
基于每个搜索目的地，确定所述用户在所述预设时间段内搜索每个搜索目的地的第二次数；
基于在所述历史时间段内的历史出行订单的数量、在所述预设时间段内所述用户的搜索次数、所述第一次数和所述第二次数，计算所述用户从所述定位出发地或者所述上车地点去往每个候选某地的统计概率。
在本申请的一些实施例中，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作：
基于所述历史时间段内至少一个历史出行订单的订单信息中携带的历史发单时间，确定在所述历史时间段内所述至少一个历史出行订单的历史发单时间均值和历史发单时间方差；
基于所述历史发单时间均值和所述历史发单时间方差，确定在所述历史时间段内所述用户发起所述至少一个历史出行订单的历史发单时间概率密度分布，以及所述用户在每个时间点出行的统计概率。
在本申请的一些实施例中，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作：
获取每个历史出行订单的订单信息中携带的所述用户发布该历史出行订单时所述用户的历史出行出发地；
基于与每个历史出行订单对应的历史出行出发地和历史出行目的地，确定每个历史出行订单的历史发单距离；
基于所述定位出发地和每个搜索目的地，确定所述定位出发地与每个搜索目的地之间的间隔距离；
基于所述历史发单距离和所述间隔距离，确定每个候选目的地的平均发单距离，以及平均发单距离的距离方差。
在本申请的一些实施例中，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作；
基于所述至少一个历史出行订单，确定所述用户的常驻地点；
确定每个候选目的地为所述用户的常驻地点的置信度。
在本申请的一些实施例中，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作；
获取每个候选目的地所属历史出行订单的历史订单信息；
确定每个历史订单信息中指示的历史发单时间所对应的统计发单时刻和历史上车点，以及每个历史上车点所属的历史出行出发地；
从多个历史订单中确定出相似订单出现的次数，其中，所述相似订单为历史发单时刻与所述发起时间对应的发起时刻之间的时间差小于预设时间阈值，所述历史出行出发地与所述定位出发地之间的距离小于第一预设距离，并且所述历史上车点与所述上车地点之间的距离小于第二预设距离的历史出行订单；
基于所述相似订单出现的次数和所述至少一个历史出行订单的总数量，确定所述至少一个历史出行订单的相似订单频率。
在本申请的一些实施例中，当处理器执行所述机器可读指令，可以执行一个或者多个以下操作；
针对每个候选目的地，基于所述定位出发地、所述上车地点以及该候选目的地，确定所述定位出发地朝向该候选目的地的方向，与所述上车地点朝向该候选目的地的方向之间的夹角特征；
以所述定位出发地所在的经度线为分界线，确定所述上车地点与该候选目的地之间的方位特征，其中，所述方位特征表示所述上车地点与该候选目的地在所述分界线的同侧或者异侧。
根据本申请的另一方面，提供一种目的地推荐方法，所述目的地推荐方法包括：
若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间；
获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；
基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地。
在本申请的一些实施例中，所述基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地，包括：
基于每个搜索目的地和每个历史出行目的地，确定多个候选目的地；
基于所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地，确定每个候选目的地在多个出行特征下的特征值；
基于每个候选目的地的多个特征值，确定所述用户去往每个候选目的地的出行概率；
从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地。
在本申请的一些实施例中，所述从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地，包括：
若大于预设概率阈值的候选目的地有多个，从大于预设概率阈值的多个候选目的地中选择出出行概率最大的候选目的地为推荐目的地。
在本申请的一些实施例中，所述出行特征包括以下特征中的一个或者多个：
在所述发起时间，从所述定位出发地或者所述上车地点去往候选目的地的统计概率；
在所述历史时间段内的历史出行订单的发单时间统计特征；
所述定位出发地或者所述上车地点与候选目的地之间的距离统计特征；
候选目的地的属性特征；
所述至少一个历史出行订单的相似订单频率；
所述上车地点与候选目的地之间的位置特征。
在本申请的一些实施例中，通过以下步骤确定所述出行概率：
基于在所述历史时间段内的至少一个历史出行订单的订单信息，确定所述用户在所述历史时间段内去往每个历史出行目的地的第一次数；
基于每个搜索目的地，确定所述用户在所述预设时间段内搜索每个搜索目的地的第二次数；
基于在所述历史时间段内的历史出行订单的数量、在所述预设时间段内所述用户的搜索次数、所述第一次数和所述第二次数，计算所述用户从所述定位出发地或者所述上车地点去往每个候选某地的统计概率。
在本申请的一些实施例中，通过以下步骤确定所述发单时间统计特征：
基于所述历史时间段内至少一个历史出行订单的订单信息中携带的历史发单时间，确定在所述历史时间段内所述至少一个历史出行订单的历史发单时间均值和历史发单时间方差；
基于所述历史发单时间均值和所述历史发单时间方差，确定在所述历史时间段内所述用户发起所述至少一个历史出行订单的历史发单时间概率密度分布，以及所述用户在每个时间点出行的统计概率。
在本申请的一些实施例中，通过以下步骤确定候选目的地的距离统计特征：
获取每个历史出行订单的订单信息中携带的所述用户发布该历史出行订单时所述用户的历史出行出发地；
基于与每个历史出行订单对应的历史出行出发地和历史出行目的地，确定每个历史出行订单的历史发单距离；
基于所述定位出发地和每个搜索目的地，确定所述定位出发地与每个搜索目的地之间的间隔距离；
基于所述历史发单距离和所述间隔距离，确定每个候选目的地的平均发单距离，以及平均发单距离的距离方差。
在本申请的一些实施例中，通过以下步骤确定候选目的地的属性特征；
基于所述至少一个历史出行订单，确定所述用户的常驻地点；
确定每个候选目的地为所述用户的常驻地点的置信度。
在本申请的一些实施例中，通过以下步骤确定所述至少一个历史出行订单的相似订单频率：
获取每个候选目的地所属历史出行订单的历史订单信息；
确定每个历史订单信息中指示的历史发单时间所对应的统计发单时刻和历史上车点，以及每个历史上车点所属的历史出行出发地；
从多个历史订单中确定出相似订单出现的次数，其中，所述相似订单为历史发单时刻与所述发起时间对应的发起时刻之间的时间差小于预设时间阈值，所述历史出行出发地与所述定位出发地之间的距离小于第一预设距离，并且所述历史上车点与所述上车地点之间的距离小于第二预设距离的历史出行订单；
基于所述相似订单出现的次数和所述至少一个历史出行订单的总数量，确定所述至少一个历史出行订单的相似订单频率。
在本申请的一些实施例中，通过以下步骤确定所述上车地点与候选目的地之间的位置特征；
针对每个候选目的地，基于所述定位出发地、所述上车地点以及该候选目的地，确定所述定位出发地朝向该候选目的地的方向，与所述上车地点朝向该候选目的地的方向之间的夹角特征；
以所述定位出发地所在的经度线为分界线，确定所述上车地点与该候选目的地之间的方位特征，其中，所述方位特征表示所述上车地点与该候选目的地在所述分界线的同侧或者异侧。
根据本申请的另一方面，提供一种目的地推荐装置，所述目的地推荐装置包括：
第一信息获取模块，用于若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间；
第二信息获取模块，用于获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；
目的地推荐模块，用于基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地。
在本申请的一些实施例中，在所述目的地推荐模块用于基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地的情况下，所述目的地推荐模块还用于：
基于每个搜索目的地和每个历史出行目的地，确定多个候选目的地；
基于所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地，确定每个候选目的地在多个出行特征下的特征值；
基于每个候选目的地的多个特征值，确定所述用户去往每个候选目的地的出行概率；
从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地。
在本申请的一些实施例中，在所述目的地推荐模块用于从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地的情况下，所述目的地推荐模块还用于：
若大于预设概率阈值的候选目的地有多个，从大于预设概率阈值的多个候选目的地中选择出出行概率最大的候选目的地为推荐目的地。
在本申请的一些实施例中，所述出行特征包括以下特征中的一个或者多个：
在所述发起时间，从所述定位出发地或者所述上车地点去往候选目的地的统计概率；
在所述历史时间段内的历史出行订单的发单时间统计特征；
所述定位出发地或者所述上车地点与候选目的地之间的距离统计特征；
候选目的地的属性特征；
所述至少一个历史出行订单的相似订单频率；
所述上车地点与候选目的地之间的位置特征。
在本申请的一些实施例中，所述目的地推荐模块用于通过以下步骤确定所述出行概率：
基于在所述历史时间段内的至少一个历史出行订单的订单信息，确定所述用户在所述历史时间段内去往每个历史出行目的地的第一次数；
基于每个搜索目的地，确定所述用户在所述预设时间段内搜索每个搜索目的地的第二次数；
基于在所述历史时间段内的历史出行订单的数量、在所述预设时间段内所述用户的搜索次数、所述第一次数和所述第二次数，计算所述用户从所述定位出发地或者所述上车地点去往每个候选某地的统计概率。
在本申请的一些实施例中，所述目的地推荐模块用于通过以下步骤确定所述发单时间统计特征：
基于所述历史时间段内至少一个历史出行订单的订单信息中携带的历史发单时间，确定在所述历史时间段内所述至少一个历史出行订单的历史发单时间均值和历史发单时间方差；
基于所述历史发单时间均值和所述历史发单时间方差，确定在所述历史时间段内所述用户发起所述至少一个历史出行订单的历史发单时间概率密度分布，以及所述用户在每个时间点出行的统计概率。
在本申请的一些实施例中，所述目的地推荐模块用于通过以下步骤确定候选目的地的距离统计特征：
获取每个历史出行订单的订单信息中携带的所述用户发布该历史出行订单时所述用户的历史出行出发地；
基于与每个历史出行订单对应的历史出行出发地和历史出行目的地，确定每个历史出行订单的历史发单距离；
基于所述定位出发地和每个搜索目的地，确定所述定位出发地与每个搜索目的地之间的间隔距离；
基于所述历史发单距离和所述间隔距离，确定每个候选目的地的平均发单距离，以及平均发单距离的距离方差。
在本申请的一些实施例中，所述目的地推荐模块用于通过以下步骤确定候选目的地的属性特征；
基于所述至少一个历史出行订单，确定所述用户的常驻地点；
确定每个候选目的地为所述用户的常驻地点的置信度。
在本申请的一些实施例中，所述目的地推荐模块用于通过以下步骤确定所述至少一个历史出行订单的相似订单频率：
获取每个候选目的地所属历史出行订单的历史订单信息；
确定每个历史订单信息中指示的历史发单时间所对应的统计发单时刻和历史上车点，以及每个历史上车点所属的历史出行出发地；
从多个历史订单中确定出相似订单出现的次数，其中，所述相似订单为历史发单时刻与所述发起时间对应的发起时刻之间的时间差小于预设时间阈值，所述历史出行出发地与所述定位出发地之间的距离小于第一预设距离，并且所述历史上车点与所述上车地点之间的距离小于第二预设距离的历史出行订单；
基于所述相似订单出现的次数和所述至少一个历史出行订单的总数量，确定所述至少一个历史出行订单的相似订单频率。
在本申请的一些实施例中，所述目的地推荐模块用于通过以下步骤确定所述上车地点与候选目的地之间的位置特征；
针对每个候选目的地，基于所述定位出发地、所述上车地点以及该候选目的地，确定所述定位出发地朝向该候选目的地的方向，与所述上车地点朝向该候选目的地的方向之间的夹角特征；
以所述定位出发地所在的经度线为分界线，确定所述上车地点与该候选目的地之间的方位特征，其中，所述方位特征表示所述上车地点与该候选目的地在所述分界线的同侧或者异侧。
根据本申请的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的目的地推荐方法的步骤。
本申请实施例提供的目的地推荐方法、目的地推荐装置、电子设备及可读存储介质，若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间；获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地。
与现有技术中的目的地推荐方式相比，本申请能够通过用户输入的上车地点和定位出发地所属的定位出发地，结合与包括历史出行目的地和用户的搜索目的地在内的候选目的地之间的关联，来选择推荐目的地，可以增加候选目的地的范围，并且与现有技术相比增加用户上车地点与各候选目的地的关联，使得选择的推荐目的地具有更高的准确率，更加贴合用户的实际出行需求。
另外，在一些实施例中，通过增加用户的上车地点与候选目的地之间的出行概率特征和距离统计特征，可以直观有效的得出上车地点与候选目的地之间的关联特征，有助于借助各关联特征来对候选目的地进行分析，提高选择推荐目的地的准确率。
另外，在一些实施例中，通过结合上车地点来统计历史订单中的相似订单频率，以及上车地点和候选目的地之间的夹角和位置特征等，可以更加精细的对候选目的地的特性进行划分，从而更加准确的对候选目的地进行筛选，从而选择出推荐目的地，有助于提高筛选推荐目的地的准确性，贴合用户的实际出行需求。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种目的地推荐系统的架构示意图；
图2为本申请实施例提供的一种目的地推荐方法的流程图；
图3为本申请实施例提供的另一种目的地推荐方法的流程图；
图4为本申请一实施例提供的目的地推荐装置的结构图；
图5为本申请实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“在用户进行网约车出行时为用户推荐出行目的地”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕在用户发起出行请求，并确定上车地点后，结合上车地点以及定位出发地所属的定位出发地，与候选目的地之间的关联特性为用户推荐出行目的地进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务请求方”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS)，罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等，或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
本申请的一个方面涉及一种目的地推荐系统。该系统可以在检测到用户在发起的出行请求中输入上车地点后，通过结合上车地点和用户的定位出发地所属的出发点，从包括历史出行目的地和用户搜索的搜索目的地的候选目的地中，为用户筛选出推荐目的地，从而向用户推荐筛选出的推荐目的地。
值得注意的是，在本申请提出申请之前，现有的推荐目的地，一般是对用户去过的地点进行简单统计，按照去过每个地点的次数进行排序，然后选择对应次数最多的地点作为推荐的目的地，这样的推荐目的地的方式，没有考虑到用户出行的综合因素，推荐目的地的准确率低。然而，本申请提供的目的地推荐系统，可以结合用户的上车地点和定位出发地，对与包括历史出行目的地和搜索目的地在内的候选目的地进行筛选，从而确定推荐目的地。因此，通过增加用户的上车地点与候选目的地之间的出行概率特征和距离统计特征，可以直观有效的得出上车地点与候选目的地之间的关联特征，有助于借助各关联特征来对候选目的地进行分析，提高选择推荐目的地的准确率。
图1为本申请实施例提供的一种目的地推荐系统的架构示意图。例如，目的地推荐系统可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。目的地推荐系统可以包括服务器110、网络120、服务请求端130、服务提供端140、和数据库150中的一种或多种。
在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于从服务请求端130获得的服务请求来确定目标车辆。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等，或其任意组合。
在一些实施例中，服务请求端130和服务提供端140对应的设备类型可以是移动设备，比如可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，也可以是平板计算机、膝上型计算机、或机动车辆中的内置设备等。
在一些实施例中，数据库150可以连接到网络120以与目的地推荐系统中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140等)通信。目的地推荐系统中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到目的地推荐系统中的一个或多个组件，或者，数据库150也可以是服务器110的一部分。
下面结合上述图1示出的目的地推荐系统中描述的内容，对本申请实施例提供的目的地推荐方法进行详细说明。
参照图2所示，图2为本申请实施例提供的一种目的地推荐方法的流程示意图，所述目的地推荐方法可以由目的地推荐系统中的一个或者多个处理器来执行，如图2中所示，具体执行过程为：
S201：若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间。
该步骤中，可以实时对所述用户进行检测，以检测所述用户是否具有出行需求，如果检测到所述用户发起了出行请求，并且所述用户在所述出行请求中输入上车地点的话，可以先对所述用户所处的位置进行定位，从而获取到所述用户在发起所述出行请求时，所述用户的定位出发地所属的定位出发地，并且还可以获取所述用户发起所述出行请求的发起时间。
其中，所述定位出发地，可以是指通过GPS等定位系统确定出用户的定位位置，然后根据所述定位位置所属的区域确定出的所述用户的定位出发地。
示例性的，例如通过定位确定出所述用户位于A小区的东门附近，那么可以判断出此时所述用户的定位位置所处的区域范围是在A小区附近，因此，所述用户的定位出发地即可以为A小区。
S202：获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地。
该步骤中，在获取到所述用户发起所述出行请求的发起时间后，可以结合所述用户的历史出行情况对所述用户进行分析，具体的，可以确定出与所述发起时间相对应的历史时间所属的历史时间段，然后获取在所述历史时间段内，所述用户出行的至少一个历史出行订单，并且可以通过从记录的历史数据中获取到每个历史出行订单中携带的历史出行目的地，进一步的，为了全面分析所述用户可能的出行需求，还可以获取在所述发起时间之前的预设时间段内，所述用户搜索的至少一个搜索目的地。
其中，与所述发起时间相对应的历史时间，可以是指在不同的时间周期中，相同的时间点，而历史时间所属的历史时间段，即可以指在过去时间周期中，历史时间点所在的预设时长的时间段。示例性的，以天为时间周期，若发起时间为当天的早上9点，那么对应的历史时间就可以是昨天、前天或者再之前的其他某天的早上9点，相对应的，历史时间段即可以是指昨天、前天或者再之前的其他某天的8点到10点，或者8点半到9点半等，预设时长的时间段。
其中，所述预设时间段，是指在所述发起时间之前的，与所述发起时间间隔较近的预设时长的时间段，例如发起时间为当天的早上9点，那么预设时间段即可以为当天早上的8点50至9点的时间段，或者其他时长的时间段等。
其中，所述用户搜索的至少一个搜索目的地，可以是指所述用户在终端设备中配置的地图应用、网约车应用或者信息搜索应用等应用中，搜索的地点。
这样，通过增加用户搜索的搜索目的地，可以有助于扩充目的地的可选范围，挖掘用户的出行意愿，弥补仅有历史出行目的地带来的挖掘因素单一性问题。
S203：基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地。
该步骤中，在确定出所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地后，可以认为所述用户大概率的是会去往搜索目的地和历史出行目的地中的一个，从而可以通过多个搜索目的地和多个历史出行目的地来形成多个候选目的地，然后可以结合所述上车地点和所述定位出发地，来分析与每个候选目的地之间的关联性，从而从多个候选目的地中确定出推荐给所述用户的推荐目的地，并可以将所述推荐目的地发送至所述用户的用户终端，来推荐给所述用户。
具体的，确定推荐给所述用户的推荐目的地，可以是通过预设的关联关系，从而来确定出所述上车地点和所述定位出发地分别与每个候选目的地之间的关联性，从而可以将关联性大的作为推荐目的地；也可以是通过深度学习模型，来对结合所述上车地点和所述定位出发地的特性，对所述用户去往候选目的地中的推荐目的地进行预测，例如可以使用逻辑回归模型，通过模型的预测原理，为每个上车地点、定位出发地、搜索目的地和历史出行目的地之间的关联特征赋予权重，最终计算得分，根据模型给出的得分确定推荐目的地，再例如根据梯度下降树模型(Gradient Boosting Decision Tree，简称GBDT)的预测原理，通过训练好的树模型，将上车地点、定位出发地、搜索目的地和历史出行目的地之间的关联特征输入，根据特征的值决定走树的哪个分支，最终模型给出的得分，根据得分确定推荐目的地。
本申请实施例提供的目的地推荐方法，若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间；获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地。
这样，能够通过用户输入的上车地点和定位出发地所属的定位出发地，结合与包括历史出行目的地和用户的搜索目的地在内的候选目的地之间的关联，来选择推荐目的地，可以增加候选目的地的范围，并且与现有技术相比增加用户上车地点与各候选目的地的关联，使得选择的推荐目的地具有更高的准确率，更加贴合用户的实际出行需求。
请参阅图3，图3为本申请实施例提供的另一种目的地推荐方法的流程示意图，所述目的地推荐方法可以由目的地推荐系统中的一个或者多个处理器来执行，如图3中所示，具体执行过程为：
S301：若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间。
S302：获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地。
S303：基于每个搜索目的地和每个历史出行目的地，确定多个候选目的地。
其中，对于出现重复的搜索目的地或者历史出行目的地，可以只作为一个候选目的地，但搜索的次数或者去往的次数需要分别统计。示例性的，例如用户搜索了3次同一目的地点，由于3次的目的地点相同，那么仅可以将目标地点作为一个候选目的地，但是该目的地的次数等数据还是可以记为3次。
S304：基于所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地，确定每个候选目的地在多个出行特征下的特征值。
该步骤中，在确定出所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地后，可以使用所述上车地点的信息、所述定位出发地的信息、每个搜索目的地的信息和每个历史出行目的地的信息，结合各地点之间特征的关联，来统计出每个候选目的地的多个出行特征，并确定出在每个出行特征下的特征值。
在本申请的一些实施例中，所述出行特征包括以下特征中的一个或者多个：
在所述发起时间，从所述定位出发地或者所述上车地点去往候选目的地的统计概率；在所述历史时间段内的历史出行订单的发单时间统计特征；所述定位出发地或者所述上车地点与候选目的地之间的距离统计特征；候选目的地的属性特征；所述至少一个历史出行订单的相似订单频率；所述上车地点与候选目的地之间的位置特征。
S305：基于每个候选目的地的多个特征值，确定所述用户去往每个候选目的地的出行概率。
该步骤中，在确定出每个候选目的地在多个出行特征下的特征值后，可以通过每个候选目的地的多个特征值，来生成每个候选目的地的特征向量，然后将每个候选目的地的特征向量输入至预先训练好的概率模型中，来对每个候选目的地进行评分，以得出所述用户去往每个候选目的地的出行概率。
示例性的，例如可以使用逻辑回归模型、梯度下降树模型(Gradient BoostingDecision Tree，简称GBDT)以及其他深度神经网络模型等，通过模型的预测原理，将特征向量输入至模型中，从而根据每个候选目的地的得分来确定出行概率。
S306：从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地。
该步骤中，在确定出每个候选目的地的出行概率后，可以通过出行概率的大小来对多个候选目的地进行排序，然后按照出行概率大小向所述用户进行推荐，具体的，可以是从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将选择出的候选目的地作为推荐目的地，从而推荐给所述用户。
其中，出行概率大于预设概率阈值的候选目的地，可以是一个，也可以是多个，也就是说，可以向用户推荐一个推荐目的地，也可以是向所述用户推荐多个推荐目的地，来供所述用户选择。
进一步的，为了避免所述用户需要查看和选择带来的麻烦，可以仅向用户推荐唯一的推荐目的地，因此，在该种情况下，从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地，可以是在选择出行概率大于预设概率阈值的候选目的地之后，若大于预设概率阈值的候选目的地有多个，从大于预设概率阈值的多个候选目的地中选择出出行概率最大的候选目的地为推荐目的地。
在本申请的一些实施例中，可以通过以下步骤确定所述出行概率：
基于在所述历史时间段内的至少一个历史出行订单的订单信息，确定所述用户在所述历史时间段内去往每个历史出行目的地的第一次数；基于每个搜索目的地，确定所述用户在所述预设时间段内搜索每个搜索目的地的第二次数；基于在所述历史时间段内的历史出行订单的数量、在所述预设时间段内所述用户的搜索次数、所述第一次数和所述第二次数，计算所述用户从所述定位出发地或者所述上车地点去往每个候选某地的统计概率。
该步骤中，首先可以获取所述用户在所述历史时间段内，有过出行记录的至少一个历史出行订单的订单信息，然后通过每个历史出行订单的订单信息，统计所述用户出行的历史目的地，以及去往每个历史出行目的地的第一次数，从而对所述用户在所述历史时间段内的出行情况进行统计。
接着，可以通过所述用户对搜索目的地的搜索情况，来统计出对于每个搜索目的地来讲，所述用户在所述预设时间段内搜索每个搜索目的地的第二次数。
然后，可以将所述定位出发地和所述上车点均视为所述用户可能出行的出行起始地点，通过所述历史时间段内的历史出行订单的数量、在所述预设时间段内的搜索次数、所述第一次数和所述第二次数，计算所述用户从所述定位出发地或者所述上车地点去往每个候选某地的统计概率。
例如，可以将所述用户的一次搜索，看做为所述用户去往该搜索目的地的一次出行，在计算时，可以将所述历史出行订单的数量和所述搜索次数作为所述用户的总出行次数，然后通过将每个历史出行目的地的所述第一次数除以总出行次数的结果，作为所述用户去往每个历史出行目的地的统计概率，即去往一部分候选目的地的统计概率，相应的，可以通过将每个搜索目的地的第二次数除以总出行次数的结果，作为所述用户去往每个搜索目的地的统计概率，即去往另一部分候选目的地的统计概率。
在本申请的一些实施例中，可以通过以下步骤确定所述发单时间统计特征：
基于所述历史时间段内至少一个历史出行订单的订单信息中携带的历史发单时间，确定在所述历史时间段内所述至少一个历史出行订单的历史发单时间均值和历史发单时间方差；基于所述历史发单时间均值和所述历史发单时间方差，确定在所述历史时间段内所述用户发起所述至少一个历史出行订单的历史发单时间概率密度分布，以及所述用户在每个时间点出行的统计概率。
该步骤中，在获取到所述至少一个历史出行订单后，可以通过所述至少一个历史出行订单的订单信息，确定出每个历史出行订单的历史发单时间，进而通过对各历史发单时间的统计分析，得出在所述历史时间段内所述至少一个历史出行订单的历史发单时间均值和历史发单时间方差，并且可以进一步使用所述历史发单时间均值和所述历史发单时间方差，得出在所述历史时间段内，所述用户发起的所述至少一个历史出行订单在发起时间上的历史发单时间概率密度分布，还可以结合每个时间点上，所述用户发起的历史出行订单的数据，得出所述用户在每个时间点出行的统计概率，具体的，可以使用在每个时间点上出行的次数和搜索目的地的次数，分别处于在每个时间点出行的总次数，来得出在每个时间点出行的统计概率。
在本申请的一些实施例中，可以通过以下步骤确定候选目的地的距离统计特征：
获取每个历史出行订单的订单信息中携带的所述用户发布该历史出行订单时所述用户的历史出行出发地；基于与每个历史出行订单对应的历史出行出发地和历史出行目的地，确定每个历史出行订单的历史发单距离；基于所述定位出发地和每个搜索目的地，确定所述定位出发地与每个搜索目的地之间的间隔距离；基于所述历史发单距离和所述间隔距离，确定每个候选目的地的平均发单距离，以及平均发单距离的距离方差。
其中，所述历史出行出发地，可以是在所述用户发起历史出行订单时，定位得到的所述用户的定位点，也可以是该历史出行订单中的出行起始点，即所述用户的历史上车地点。
所述历史发单距离，可以是所述用户发起历史出行订单时，所述用户的定位点或者出行起始点，与历史出行目的地之间的直线距离，也可以是历史出行订单中的行程所表示的行程距离；相应的，所述定位出发地与每个搜索目的地之间的间隔距离，可以是指所述定位出发地与该搜索目的地之间的直线距离，也可以是预估的从所述定位出发地去往该搜索目的地之间的行程距离。
进一步的，在使用所述历史发单距离和所述间隔距离确定平均发单距离和距离方差时，需要保持所述历史发单距离和所述间隔距离的一致，即均使用直线距离，或者均使用行程距离。
这样，通过增加用户的上车地点与候选目的地之间的出行概率特征和距离统计特征，可以直观有效的得出上车地点与候选目的地之间的关联特征，有助于借助各关联特征来对候选目的地进行分析，提高选择推荐目的地的准确率。
在本申请的一些实施例中，通过以下步骤确定候选目的地的属性特征；
基于所述至少一个历史出行订单，确定所述用户的常驻地点；确定每个候选目的地为所述用户的常驻地点的置信度。
其中，所述用户的常驻地点，可以通过历史出行订单中的信息，确定出的所述用户的家、公司、父母家、学校等的，所述用户常去或者要回的地方。
在本申请的一些实施例中，可以通过以下步骤确定所述至少一个历史出行订单的相似订单频率：
获取每个候选目的地所属历史出行订单的历史订单信息；
确定每个历史订单信息中指示的历史发单时间所对应的统计发单时刻和历史上车点，以及每个历史上车点所属的历史出行出发地；
从多个历史订单中确定出相似订单出现的次数，其中，所述相似订单为历史发单时刻与所述发起时间对应的发起时刻之间的时间差小于预设时间阈值，所述历史出行出发地与所述定位出发地之间的距离小于第一预设距离，并且所述历史上车点与所述上车地点之间的距离小于第二预设距离的历史出行订单；
基于所述相似订单出现的次数和所述至少一个历史出行订单的总数量，确定所述至少一个历史出行订单的相似订单频率。
其中，所述统计发单时刻，可以是指在历史发单时间对应的具体时刻，但是不附带时间属性，示例性的，历史发单时间可以为昨天的早上9点钟，统计的发单时刻即为9点这一时刻，即历史发单时间分别为昨天的早上9点钟和前天的早上9点钟的两个发单时间，对应的统计时刻均为早上9点这一时刻，而不会附带昨天或者前天的时间属性。
相应的，发起时刻，也是指所述发起时间所对应的时刻，而不附带时间属性，即发起时间为今天早上9点钟，对应的发起时刻即为9点这一时刻。
历史上车点所属的历史出行出发地，可以是指具体的地点所在的区域范围，例如历史上车点为小区北门，那对应的历史出行出发地即为该小区这一区域，而不包含北门这一个地点。
示例性的，历史发单时刻与所述发起时间对应的发起时刻之间的时间差小于预设时间阈值，可以是单纯指两个时刻之间的差值，而不附带天数等时间周期上的属性，例如昨天的9点这一时刻，与今天的9点15这一时刻，两者之间的时间差即为15分钟，而不是1天零15分钟。
相应的，相似订单，可以是只有一组相似订单，也可以是有多组相似订单，当有多组相似订单的时候，可以分别计算每组相似订单的相似订单频率。进一步的，对于每个历史出行订单来讲，可以分别计算每个历史出行订单的相似订单频率。
在本申请的一些实施例中，可以通过以下步骤确定所述上车地点与候选目的地之间的位置特征；
针对每个候选目的地，基于所述定位出发地、所述上车地点以及该候选目的地，确定所述定位出发地朝向该候选目的地的方向，与所述上车地点朝向该候选目的地的方向之间的夹角特征；以所述定位出发地所在的经度线为分界线，确定所述上车地点与该候选目的地之间的方位特征，其中，所述方位特征表示所述上车地点与该候选目的地在所述分界线的同侧或者异侧。
该步骤中，对于每个候选目的地来讲，可以统计每个候选目的地与所述上车地点之间的位置特征，可以通过所述定位出发地、所述上车地点以及该候选目的地的各自位置信息，来确定出所述定位出发地朝向该候选目的地的方向，与所述上车地点朝向该候选目的地的方向之间的夹角特征，来作为位置特征之一，还可以确定出所述定位出发地所在的经度线，然后以该经度线作为分界线，来看所述上车地点与该候选目的地是位于所述分界线的同侧或者异侧，从而得出所述上车地点与该候选目的地之间的方位特征，以此来作为位置特征之二。
本实施例中，是以所述定位出发地朝向该候选目的地的方向，与所述上车地点朝向该候选目的地的方向之间的夹角为夹角特征，但并不局限于此，在其他实施例中，还可以是以所述定位出发地朝向所述上车地点的方向，与所述定位出发地朝向该候选目的地的方向之间的夹角为夹角特征，还可以是以所述定位出发地、所述上车地点和该候选目的地这三个地点彼此组成的三角形之间的所有夹角作为夹角特征，即以所述定位出发地、所述上车地点和该候选目的地这三个地点之间的连线组成三角形，以三角形内的任意一个夹角，或者任意的两个夹角，或者三个夹角，均可以作为夹角特征。
这样，通过结合上车地点来统计历史订单中的相似订单频率，以及上车地点和候选目的地之间的夹角和位置特征等，可以更加精细的对候选目的地的特性进行划分，从而更加准确的对候选目的地进行筛选，从而选择出推荐目的地，有助于提高筛选推荐目的地的准确性，贴合用户的实际出行需求。
本申请实施例提供的目的地推荐方法，若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间；获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；基于每个搜索目的地和每个历史出行目的地，确定多个候选目的地；基于所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地，确定每个候选目的地在多个出行特征下的特征值；基于每个候选目的地的多个特征值，确定所述用户去往每个候选目的地的出行概率；从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地。
这样，能够通过用户输入的上车地点和定位出发地所属的定位出发地，结合与包括历史出行目的地和用户的搜索目的地在内的候选目的地之间的关联，确定每个候选目的地的至少一个特征和特征值，以此来确定每个候选目的地对应的出行概率，以出行概率作为标准来选择推荐目的地，可以增加候选目的地的范围，出行概率的计算简单方便，并且与现有技术相比增加用户上车地点与各候选目的地的关联，使得选择的推荐目的地具有更高的准确率，更加贴合用户的实际出行需求。
基于同一发明构思，本申请实施例中还提供了与目的地推荐方法对应的目的地推荐装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述目的地推荐方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图4，图4为本申请一实施例提供的目的地推荐装置的结构图。所述目的地推荐装置400可以是目的地推荐系统中的服务请求端。如图4中所示，所述目的地推荐装置400包括：
第一信息获取模块410，用于若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间。
第二信息获取模块420，用于获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地。
目的地推荐模块430，用于基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地。
在本申请的一些实施例中，在所述目的地推荐模块430用于基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地的情况下，所述目的地推荐模块430还用于：
基于每个搜索目的地和每个历史出行目的地，确定多个候选目的地；
基于所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地，确定每个候选目的地在多个出行特征下的特征值；
基于每个候选目的地的多个特征值，确定所述用户去往每个候选目的地的出行概率；
从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地。
在本申请的一些实施例中，在所述目的地推荐模块430用于从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地的情况下，所述目的地推荐模块430还用于：
若大于预设概率阈值的候选目的地有多个，从大于预设概率阈值的多个候选目的地中选择出出行概率最大的候选目的地为推荐目的地。
在本申请的一些实施例中，所述出行特征包括以下特征中的一个或者多个：
在所述发起时间，从所述定位出发地或者所述上车地点去往候选目的地的统计概率；
在所述历史时间段内的历史出行订单的发单时间统计特征；
所述定位出发地或者所述上车地点与候选目的地之间的距离统计特征；
候选目的地的属性特征；
所述至少一个历史出行订单的相似订单频率；
所述上车地点与候选目的地之间的位置特征。
在本申请的一些实施例中，所述目的地推荐模块430用于通过以下步骤确定所述出行概率：
基于在所述历史时间段内的至少一个历史出行订单的订单信息，确定所述用户在所述历史时间段内去往每个历史出行目的地的第一次数；
基于每个搜索目的地，确定所述用户在所述预设时间段内搜索每个搜索目的地的第二次数；
基于在所述历史时间段内的历史出行订单的数量、在所述预设时间段内所述用户的搜索次数、所述第一次数和所述第二次数，计算所述用户从所述定位出发地或者所述上车地点去往每个候选某地的统计概率。
在本申请的一些实施例中，所述目的地推荐模块430用于通过以下步骤确定所述发单时间统计特征：
基于所述历史时间段内至少一个历史出行订单的订单信息中携带的历史发单时间，确定在所述历史时间段内所述至少一个历史出行订单的历史发单时间均值和历史发单时间方差；
基于所述历史发单时间均值和所述历史发单时间方差，确定在所述历史时间段内所述用户发起所述至少一个历史出行订单的历史发单时间概率密度分布，以及所述用户在每个时间点出行的统计概率。
在本申请的一些实施例中，所述目的地推荐模块430用于通过以下步骤确定候选目的地的距离统计特征：
获取每个历史出行订单的订单信息中携带的所述用户发布该历史出行订单时所述用户的历史出行出发地；
基于与每个历史出行订单对应的历史出行出发地和历史出行目的地，确定每个历史出行订单的历史发单距离；
基于所述定位出发地和每个搜索目的地，确定所述定位出发地与每个搜索目的地之间的间隔距离；
基于所述历史发单距离和所述间隔距离，确定每个候选目的地的平均发单距离，以及平均发单距离的距离方差。
在本申请的一些实施例中，所述目的地推荐模块430用于通过以下步骤确定候选目的地的属性特征；
基于所述至少一个历史出行订单，确定所述用户的常驻地点；
确定每个候选目的地为所述用户的常驻地点的置信度。
在本申请的一些实施例中，所述目的地推荐模块430用于通过以下步骤确定所述至少一个历史出行订单的相似订单频率：
获取每个候选目的地所属历史出行订单的历史订单信息；
确定每个历史订单信息中指示的历史发单时间所对应的统计发单时刻和历史上车点，以及每个历史上车点所属的历史出行出发地；
从多个历史订单中确定出相似订单出现的次数，其中，所述相似订单为历史发单时刻与所述发起时间对应的发起时刻之间的时间差小于预设时间阈值，所述历史出行出发地与所述定位出发地之间的距离小于第一预设距离，并且所述历史上车点与所述上车地点之间的距离小于第二预设距离的历史出行订单；
基于所述相似订单出现的次数和所述至少一个历史出行订单的总数量，确定所述至少一个历史出行订单的相似订单频率。
在本申请的一些实施例中，所述目的地推荐模块430用于通过以下步骤确定所述上车地点与候选目的地之间的位置特征；
针对每个候选目的地，基于所述定位出发地、所述上车地点以及该候选目的地，确定所述定位出发地朝向该候选目的地的方向，与所述上车地点朝向该候选目的地的方向之间的夹角特征；
以所述定位出发地所在的经度线为分界线，确定所述上车地点与该候选目的地之间的方位特征，其中，所述方位特征表示所述上车地点与该候选目的地在所述分界线的同侧或者异侧。
本申请实施例提供的目的地推荐装置，若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间；获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地。
这样，能够通过用户输入的上车地点和定位出发地所属的定位出发地，结合与包括历史出行目的地和用户的搜索目的地在内的候选目的地之间的关联，来选择推荐目的地，可以增加候选目的地的范围，并且与现有技术相比增加用户上车地点与各候选目的地的关联，使得选择的推荐目的地具有更高的准确率，更加贴合用户的实际出行需求。
请参阅图5，图5为本申请实施例提供的电子设备的结构图。如图5中所示，本申请实施例还提供了一种电子设备500，包括：处理器510、存储器520、和总线530。所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述处理器510执行所述机器可读指令时，可以执行上述的目的地推荐方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的目的地推荐方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述目的地推荐方法，从而简单有效的确定出推荐目的地，使得选择的推荐目的地具有更高的准确率，更加贴合用户的实际出行需求。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种目的地推荐方法，其特征在于，所述目的地推荐方法包括：
若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间，其中，所述定位出发地为所述用户的定位位置所属的区域；
获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；
基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，确定每个候选目的地的特征向量，并基于每个候选目的地的特征向量采用预先训练好的概率模型确定所述用户去往每个候选目的地的出行概率，将多个候选目的地中所述用户的出行概率大于预设概率阈值的候选目的地，确定为推荐给所述用户的推荐目的地。
2.根据权利要求1所述的目的地推荐方法，其特征在于，所述基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，从多个候选目的地中确定出推荐给所述用户的推荐目的地，包括：
基于每个搜索目的地和每个历史出行目的地，确定多个候选目的地；
基于所述上车地点、所述定位出发地、每个搜索目的地和每个历史出行目的地，确定每个候选目的地在多个出行特征下的特征值；
基于每个候选目的地的多个特征值，确定所述用户去往每个候选目的地的出行概率；
从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地。
3.根据权利要求2所述的目的地推荐方法，其特征在于，所述从所述多个候选目的地中选择出行概率大于预设概率阈值的候选目的地，并将该候选目的地作为推荐目的地，包括：
若大于预设概率阈值的候选目的地有多个，从大于预设概率阈值的多个候选目的地中选择出出行概率最大的候选目的地为推荐目的地。
4.根据权利要求2所述的目的地推荐方法，其特征在于，所述出行特征包括以下特征中的一个或者多个：
在所述发起时间，从所述定位出发地或者所述上车地点去往候选目的地的统计概率；
在所述历史时间段内的历史出行订单的发单时间统计特征；
所述定位出发地或者所述上车地点与候选目的地之间的距离统计特征；
候选目的地的属性特征；
所述至少一个历史出行订单的相似订单频率；
所述上车地点与候选目的地之间的位置特征。
5.根据权利要求4所述的目的地推荐方法，其特征在于，通过以下步骤确定所述统计概率：
基于在所述历史时间段内的至少一个历史出行订单的订单信息，确定所述用户在所述历史时间段内去往每个历史出行目的地的第一次数；
基于每个搜索目的地，确定所述用户在所述预设时间段内搜索每个搜索目的地的第二次数；
基于在所述历史时间段内的历史出行订单的数量、在所述预设时间段内所述用户的搜索次数、所述第一次数和所述第二次数，计算所述用户从所述定位出发地或者所述上车地点去往每个候选目的地的统计概率。
6.根据权利要求4所述的目的地推荐方法，其特征在于，通过以下步骤确定候选目的地的距离统计特征：
获取每个历史出行订单的订单信息中携带的所述用户发布该历史出行订单时所述用户的历史出行出发地；
基于与每个历史出行订单对应的历史出行出发地和历史出行目的地，确定每个历史出行订单的历史发单距离；
基于所述定位出发地和每个搜索目的地，确定所述定位出发地与每个搜索目的地之间的间隔距离；
基于所述历史发单距离和所述间隔距离，确定每个候选目的地的平均发单距离，以及平均发单距离的距离方差。
7.根据权利要求4所述的目的地推荐方法，其特征在于，通过以下步骤确定所述至少一个历史出行订单的相似订单频率：
获取每个候选目的地所属历史出行订单的历史订单信息；
确定每个历史订单信息中指示的历史发单时间所对应的统计发单时刻和历史上车点，以及每个历史上车点所属的历史出行出发地；
从多个历史订单中确定出相似订单出现的次数，其中，所述相似订单为历史发单时刻与所述发起时间对应的发起时刻之间的时间差小于预设时间阈值，所述历史出行出发地与所述定位出发地之间的距离小于第一预设距离，并且所述历史上车点与所述上车地点之间的距离小于第二预设距离的历史出行订单；
基于所述相似订单出现的次数和所述至少一个历史出行订单的总数量，确定所述至少一个历史出行订单的相似订单频率。
8.根据权利要求4所述的目的地推荐方法，其特征在于，通过以下步骤确定所述上车地点与候选目的地之间的位置特征；
针对每个候选目的地，基于所述定位出发地、所述上车地点以及该候选目的地，确定所述定位出发地朝向该候选目的地的方向，与所述上车地点朝向该候选目的地的方向之间的夹角特征；
以所述定位出发地所在的经度线为分界线，确定所述上车地点与该候选目的地之间的方位特征，其中，所述方位特征表示所述上车地点与该候选目的地在所述分界线的同侧或者异侧。
9.一种目的地推荐装置，其特征在于，所述目的地推荐装置包括：
第一信息获取模块，用于若检测到用户在发起的出行请求中输入上车地点，获取所述用户的定位出发地，以及所述用户发起所述出行请求的发起时间，其中，所述定位出发地为所述用户的定位位置所属的区域；
第二信息获取模块，用于获取在与所述发起时间相对应的历史时间所属的历史时间段内的至少一个历史出行订单中携带的历史出行目的地，以及在所述发起时间之前的预设时间段内所述用户搜索的至少一个搜索目的地；
目的地推荐模块，用于基于所述上车地点和所述定位出发地，以及包括至少一个搜索目的地和至少一个历史出行目的地在内的多个候选目的地，确定每个候选目的地的特征向量，并基于每个候选目的地的特征向量采用预先训练好的概率模型确定所述用户去往每个候选目的地的出行概率，将多个候选目的地中所述用户的出行概率大于预设概率阈值的候选目的地，确定为推荐给所述用户的推荐目的地。
10.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至8中任一项所述的目的地推荐方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至8中任一项所述的目的地推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910906484.9A CN111324824B (zh) | 2019-09-24 | 2019-09-24 | 一种目的地推荐方法、其装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910906484.9A CN111324824B (zh) | 2019-09-24 | 2019-09-24 | 一种目的地推荐方法、其装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111324824A CN111324824A (zh) | 2020-06-23 |
| CN111324824B true CN111324824B (zh) | 2021-03-26 |
Family
ID=71166785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910906484.9A Active CN111324824B (zh) | 2019-09-24 | 2019-09-24 | 一种目的地推荐方法、其装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111324824B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931081A (zh) * | 2020-08-10 | 2020-11-13 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法及系统 |
| CN112182430A (zh) * | 2020-09-22 | 2021-01-05 | 汉海信息技术(上海)有限公司 | 一种地点推荐的方法、装置、电子设备及存储介质 |
| US20220172259A1 (en) * | 2020-12-02 | 2022-06-02 | Waymo Llc | Smart destination suggestions for a transportation service |
| CN112632392A (zh) * | 2020-12-30 | 2021-04-09 | 北京嘀嘀无限科技发展有限公司 | 确定候选下车地点的方法、装置、设备、介质和程序产品 |
| CN112991810B (zh) * | 2021-02-03 | 2022-09-16 | 北京嘀嘀无限科技发展有限公司 | 停车位置确定方法、装置、存储介质和电子设备 |
| CN112785393B (zh) * | 2021-02-08 | 2024-09-06 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
| CN112926796B (zh) * | 2021-03-22 | 2023-12-22 | 广州宸祺出行科技有限公司 | 一种基于特定场景的下车点推荐方法及装置 |
| CN113946757B (zh) * | 2021-12-21 | 2022-04-12 | 深圳市活力天汇科技股份有限公司 | 一种识别用户出行目的的方法、装置及可读存储介质 |
| CN117455622B (zh) * | 2023-11-08 | 2024-07-02 | 深圳市土地公网络科技有限公司 | 订单数据的处理方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104937375A (zh) * | 2013-01-21 | 2015-09-23 | 三菱电机株式会社 | 目的地预测装置、目的地预测方法、目的地显示方法 |
| CN106919993A (zh) * | 2015-12-25 | 2017-07-04 | 滴滴（中国）科技有限公司 | 一种基于历史数据的高准确性默认目的地预测方法及装置 |
| CN108255997A (zh) * | 2017-12-29 | 2018-07-06 | 武汉斑马快跑科技有限公司 | 一种打车目的地的预测方法及系统 |
| WO2019015600A1 (en) * | 2017-07-20 | 2019-01-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR RECOMMENDING A DESTINATION |
| CN109543886A (zh) * | 2018-11-06 | 2019-03-29 | 斑马网络技术有限公司 | 目的地的预测方法、装置、终端和存储介质 |
| JP2019124664A (ja) * | 2018-01-19 | 2019-07-25 | アイシン・エィ・ダブリュ株式会社 | 目的地設定支援システム、目的地設定支援プログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105306524A (zh) * | 2015-09-10 | 2016-02-03 | 百度在线网络技术（北京）有限公司 | 出行信息的推送方法和装置 |
| CN108537351B (zh) * | 2017-03-02 | 2020-09-22 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的确定方法及装置 |
-
2019
- 2019-09-24 CN CN201910906484.9A patent/CN111324824B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104937375A (zh) * | 2013-01-21 | 2015-09-23 | 三菱电机株式会社 | 目的地预测装置、目的地预测方法、目的地显示方法 |
| CN106919993A (zh) * | 2015-12-25 | 2017-07-04 | 滴滴（中国）科技有限公司 | 一种基于历史数据的高准确性默认目的地预测方法及装置 |
| WO2019015600A1 (en) * | 2017-07-20 | 2019-01-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR RECOMMENDING A DESTINATION |
| CN108255997A (zh) * | 2017-12-29 | 2018-07-06 | 武汉斑马快跑科技有限公司 | 一种打车目的地的预测方法及系统 |
| JP2019124664A (ja) * | 2018-01-19 | 2019-07-25 | アイシン・エィ・ダブリュ株式会社 | 目的地設定支援システム、目的地設定支援プログラム |
| CN109543886A (zh) * | 2018-11-06 | 2019-03-29 | 斑马网络技术有限公司 | 目的地的预测方法、装置、终端和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111324824A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111324824B (zh) | 一种目的地推荐方法、其装置、电子设备及可读存储介质 | |
| US9418382B2 (en) | System and method for computing trip score using geo-spatial information | |
| US20180268039A1 (en) | Recommending Car/Passenger Resources for User According to Mobility Habits | |
| CN111832901A (zh) | 网约车监控方法、装置、服务器和存储介质 | |
| CN108615129B (zh) | 一种运力监测方法、装置及电子设备 | |
| CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
| CN112236787A (zh) | 用于生成个性化目的地推荐的系统和方法 | |
| CN111831897A (zh) | 一种出行目的地推荐方法、装置、电子设备及存储介质 | |
| CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
| CN111832788A (zh) | 一种服务信息生成的方法、装置、计算机设备及存储介质 | |
| CN111861624A (zh) | 一种车辆的推荐方法、装置、电子设备及可读存储介质 | |
| CN111311151A (zh) | 物流运输轨迹真实性的检测方法、装置、电子设备、存储介质 | |
| CN110751531A (zh) | 轨迹识别方法、装置及电子设备 | |
| CN111323035A (zh) | 一种行驶偏航的检测方法、检测装置及可读存储介质 | |
| CN111651687B (zh) | 上车点信息推送方法及装置、下车点信息推送方法及装置 | |
| CN111860904B (zh) | 上车点排序的方法及装置 | |
| CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
| US9671232B2 (en) | Grid-based arrival time prediction | |
| CN111831967A (zh) | 一种到店识别方法、装置、电子设备及介质 | |
| CN112650794B (zh) | 位置数据处理方法、装置、电子设备和存储介质 | |
| CN114118582A (zh) | 目的地预测方法、装置、电子终端及存储介质 | |
| CN111028053B (zh) | 一种订单处理的方法、装置、电子设备及存储介质 | |
| CN108827329B (zh) | 城市导航方法、系统、设备及存储介质 | |
| CN116415747A (zh) | 拼车路线确定方法、装置和电子设备 | |
| CN113761398B (zh) | 信息推荐方法、装置、电子设备以及存储介质 |
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 |