CN111582605B - 目的站点的预测方法、装置、电子设备及存储介质 - Google Patents
目的站点的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111582605B CN111582605B CN202010437224.4A CN202010437224A CN111582605B CN 111582605 B CN111582605 B CN 111582605B CN 202010437224 A CN202010437224 A CN 202010437224A CN 111582605 B CN111582605 B CN 111582605B
- Authority
- CN
- China
- Prior art keywords
- station
- current
- historical
- inbound
- time
- 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 88
- 230000007704 transition Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000001680 brushing effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06Q10/04—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
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G06Q50/40—
Abstract
本申请公开了一种目的站点的预测方法、装置、电子设备及存储介质,涉及电子设备技术领域。该目的站点的预测方法包括:获取当前进站信息,所述当前进站信息包括当前进站时间和当前进站点;根据历史乘坐记录,获取与所述当前进站时间匹配的目标历史进站点;当所述当前进站点与所述目标历史进站点相同时,根据所述历史乘坐记录、所述当前进站时间及所述当前进站点预测目的站点;当所述当前进站点与所述目标历史进站点不相同时,根据所述历史乘坐记录及所述当前进站点预测目的站点。本方法可提高目的站点的预测准确性。
Description
技术领域
本申请涉及电子设备技术领域,更具体地,涉及一种目的站点的预测方法、装置、电子设备及存储介质。
背景技术
目前,移动终端的功能越来越丰富。为了能够利用移动终端更好地为用户服务,常常需要对用户将要到达的目的地点进行预测。但是,在相关的目的地点的预测方法中,还存在准确性不足的问题。
发明内容
鉴于上述问题,本申请提出了一种目的站点的预测方法、装置、电子设备及存储介质,可改善上述问题。
第一方面,本申请实施例提供了一种目的站点的预测方法,所述方法包括:获取当前进站信息,所述当前进站信息包括当前进站时间和当前进站点;根据历史乘坐记录,获取与所述当前进站时间匹配的目标历史进站点;当所述当前进站点与所述目标历史进站点相同时,根据所述历史乘坐记录、所述当前进站时间及所述当前进站点预测目的站点;当所述当前进站点与所述目标历史进站点不相同时,根据所述历史乘坐记录及所述当前进站点预测目的站点。
第二方面,本申请实施例提供了一种目的站点的预测装置,所述装置包括:当前进站获取模块,用于获取当前进站信息,所述当前进站信息包括当前进站时间和当前进站点;目标进站获取模块,用于根据历史乘坐记录,获取与所述当前进站时间匹配的目标历史进站点;第一预测模块,用于当所述当前进站点与所述目标历史进站点相同时,根据所述历史乘坐记录、所述当前进站时间及所述当前进站点预测目的站点;第二预测模块,用于当所述当前进站点与所述目标历史进站点不相同时,根据所述历史乘坐记录及所述当前进站点预测目的站点。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储器;一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行上述第一方面提供的目的站点的预测方法。
第四方面,本申请实施例提供了一种计算机可读取存储介质,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行上述第一方面提供的目的站点的预测方法。
本申请提供的方案,通过获取当前进站信息,该当前进站信息可包括当前进站时间和当前进站点,然后根据历史乘坐记录,获取与当前进站时间匹配的目标历史进站点,以在当前进站点与该目标历史进站点相同时,可根据历史乘坐记录、当前进站时间及当前进站点预测目的站点,而在当前进站点与该目标历史进站点不相同时,可根据历史乘坐记录及当前进站点预测目的站点。本申请可先根据当前进站时间对进站点进行预测,以通过判断预测得到目标历史进站点和实际的当前进站点是否相同,来判断是否根据当前进站时间对目的站点进行预测。如此,考虑到了当前进站时间对预测结果的影响,在基于当前进站时间预测进站点预测得准确的情况下,可以根据当前进站时间和当前进站点来预测,而在基于当前进站时间预测进站点预测得不太准确的情况下,可以直接根据当前进站点来预测。提升了对目的站点预测的准确性,使得预测的目的地更贴合用户实际需求。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本申请一个实施例的目的站点的预测方法的一种流程图。
图2示出了根据本申请的一种数据库云端架构示意图。
图3示出了根据本申请另一个实施例的目的站点的预测方法的一种流程图。
图4示出了根据本申请另一个实施例的目的站点的预测方法中步骤S220的一种流程图。
图5示出了根据本申请另一个实施例的目的站点的预测方法中步骤S240的另一种流程图。
图6示出了根据本申请又一个实施例的目的站点的预测方法的一种流程图。
图7示出了根据本申请又一个实施例的目的站点的预测方法中步骤S330的另一种流程图。
图8示出了根据本申请再一个实施例的目的站点的预测方法的一种流程图。
图9示出了根据本申请的一种应用场景示意图。
图10示出了根据本申请还一个实施例的目的站点的预测方法的一种流程图。
图11示出了根据本申请的一种基站覆盖范围示意图。
图12示出了根据本申请的一种基站定位方法的整体流程示意图。
图13示出了一种根据本申请实施例提供的目的站点的预测方法的整体流程示意框图。
图14示出了根据本申请一个实施例的目的站点的预测装置的一种框图。
图15是本申请实施例的用于执行根据本申请实施例的目的站点的预测方法的电子设备的框图。
图16是本申请实施例的用于保存或者携带实现根据本申请实施例的目的站点的预测方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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。
目前,目的地预测方法通常是基于固定的装置或者其他特定的应用,获取用户数据进行预测和估计,涉及到用户实时位置跟踪等敏感信息,另外需要用户提供明确的出发地和目的地信息才能有效的执行,针对特定的用户群体提供服务。
且发明人经过长期的研究发现,现有的目的地预测方法通常是对用户历史目的地做简单统计,将用户历史目的地的在一定时间的使用次数按从大到小的顺序进行排序,选择使用次数最多的历史目的地作为预测的出行目的地;或者将用户历史目的地最后一次的使用时间按从近到远的顺序进行排序,选择最近使用的历史目的地作为预测的出行目的地。现有的目的地预测方法并没有考虑用户出行时间点和用户出发地对目的地预测的影响,导致预测的结果不准确,不存在技术上壁垒和领先性。
此外,现有预测方法中的数据获取,包括基站、WiFi(Wireless Fidelity,无线保真)、蓝牙、GPS(Global Positioning System,全球定位系统)位置数据、时间数据和车辆id(Identity document,唯一标识号码)等,比较依赖用户交互。另外GPS并不能全覆盖环境中的各个角落,精度受限,WiFi和蓝牙信息依赖外部设备,成本高,对室外环境不友好。且现有的目的地预测方案通常仅针对乘坐汽车等用户,没有或比较少针对乘坐地铁的用户提供相应的服务。
因此,发明人经过长期的研究发现并提出了本申请实施例提供的目的站点的预测方法、装置、电子设备以及存储介质,可考虑当前进站时间对预测结果的影响,以在基于当前进站时间预测得不太准确的情况下,可以直接根据当前进站点来预测。提升了对目的站点预测的准确性,使得预测的目的地更贴合用户实际需求。此外,本申请的目的站点的预测方式也适用于地铁场景。具体的目的站点的预测方法在后续的实施例中进行详细的说明。
请参阅图1,图1示出了本申请一个实施例提供的目的站点的预测方法的流程示意图。该预测方法可应用于电子设备。其中,电子设备可以是移动终端,使得该预测方法在本地就可以执行;电子设备也可以是服务器,使得该预测方法在云端执行。在具体的实施例中,该目的站点的预测方法可应用于如图14所示的目的站点的预测装置700以及配置有所述目的站点的预测装置700的电子设备(图15)。下面将针对图1所示的流程进行详细的阐述,所示目的站点的预测方法具体可以包括以下步骤:
步骤S110:获取当前进站信息,所述当前进站信息包括当前进站时间和当前进站点。
在本申请实施例中,电子设备可以获取用户的当前进站信息,以根据该当前进站信息进行目的站点的预测。其中,该当前进站信息可以包括当前进站时间和当前进站点。
在一些实施例中,可以通过多种方式获取到用户的当前进站信息。例如,可以是通过刷码识别,NFC(Near Field Communication,近场通信)识别,进站位置GPS识别,地铁行驶识别等识别到用户的当前进站信息。
在一些实施例中,移动终端上可以安装有预设应用,当用户用移动终端刷码进入预设交通场景时,可以通过预设应用识别到进入的站点的名字、线路、城市和时间等信息。其中,预设应用可被配置为适于在预设交通场景下运行,预设交通场景可以是地铁、公交、高铁、火车、飞机等任一交通场景。
在一些实施方式中,预设应用可以为乘车应用、支付应用等应用程序,本申请实施例对此不作限定。
示例性的,预设应用可以为公交车乘车应用,适于在公交车场景下运行。其中,公交车乘车应用可用于生成乘车标识,供用户刷码乘公交车。当用户用移动终端刷码乘上公交车时,可以通过该公交车乘车应用识别到用户上车的站点名字、线路、城市和时间。
示例性的,预设应用也可以为支付应用,支付应用可配置由多张电子卡片,电子卡片可以是基于交通卡所模拟的射频卡,可支持NFC支付,在一些示例中,移动终端可内置由NFC模块,则可基于NFC模块与NFC读取设备进行数据交互,从而在用户乘坐交通工具时,用户可将移动终端靠近NFC读取设备,则NFC读取设备可读取到支付应用所配置的交通卡,进行支付。移动终端可根据支付应用的支付情况,获取到进站信息。
作为一种具体的实施方式,可以在移动终端上配置有进站识别模块,该进站识别模块可内嵌到android系统中。在地铁交通场景下,当用户使用移动终端上安装的APP(Application,应用程序)刷码进入地铁站时,比如上海地铁是metro大都会,深圳有微信小程序深圳地铁,北京用亿通行等。当用户刷码进站后,移动终端上可弹出进站成功、进站时间和进站站点。移动终端上配置的进站识别模块可以通过识别到手机屏幕上的变化,从而可以获取到当前的包括进站时间和进站站点的进站信息。
在一些实施例中,在获取到当前进站信息后,可以将当前进站信息进行存储记录,以便持续更新存储有历史乘坐记录的数据库内容,从而可根据持续更新的数据库内容,进行更准确更符合当下场景的目的站点预测。作为一种方式,可将获取到当前进站信息以InStation={time,name}格式进行记录,其中,InStation为当前进站信息,time为当前进站时间,name为当前进站点。
步骤S120:根据历史乘坐记录,获取与所述当前进站时间匹配的目标历史进站点。
在一些场景中,进入同一个进站点时,用户的进站时间可能会在一段时间内不稳定、波动大,有时可能不在用户长期习惯的进站时间内,而在这种情况下,如果结合当前进站时间对目的站点进行预测,可能会导致预测的目的站点不准确,偏离用户的实际需求。
因此,在本申请实施例中,在获取到当前进站信息后,可先根据当前进站时间,预测当前的进站点,以根据该进站点预测结果确定是否根据当前进站时间进行目的站点的预测。具体地,可以根据历史乘坐记录,获取与当前进站时间匹配的目标历史进站点。其中,该目标历史进站点可以理解为,对历史乘坐记录进行长时间的自主学习后,所预测出来的进站点。
在一些实施例中,可以根据长时间的历史乘坐记录中的多个历史进站时间和多个历史进站点中,确定与当前进站时间匹配的目标历史进站点。作为一种方式,可以从多个历史进站时间中,获取与当前进站时间匹配的目标历史进站时间,然后将该目标历史进站时间所对应的历史进站点,作为与当前进站时间匹配的目标历史进站点,也即预测的当前的进站点。其中,与当前进站时间匹配的目标历史进站时间,可以是与当前进站时间点相同的历史进站时间点,也可以是距离当前进站时间点最近的历史进站时间点。
例如,当前进站时间为上午8点45分,与当前进站时间匹配的目标历史进站时间可以是距离上午8点45分最近的上午9点,然后可以将历史日期中是上午9点进站的乘坐记录提取出,并将该乘坐记录中上午9点进入的进站点作为目标历史进站点,也即预测的当前的进站点。
进一步地,由于可能存在不同历史日期下的同一时间点所对应的历史进站点不同的情况,从而导致与目标历史进站时间对应的历史进站点可能为多个。例如,工作日上午8点对应的上班出行路线的进出站,与周末上午8点对应的娱乐出行路线的进行站很可能不同。因此,在一些实施例中,当目标历史进站时间所对应的历史进站点为多个时,可以从中选取可能性最大的历史进站点,作为目标历史进站点。作为一种方式,可以从目标历史进站时间所对应的多个历史乘坐记录中,选取出现次数最高的历史进站点,作为目标历史进站点。
在一些实施例中,可以通过建立一个数据库,以将用户从当前日期起,过去每次出行乘坐交通工具时的出站信息和进站信息进行记录存储。其中,该数据库可以存储于本地,也可以是存储于云端,此处并不作限定。
示例性地,假设于地铁场景,如图2所述,图2示出了一种乘坐地铁习惯数据库云端存储架构。通过该存储架构,可实现乘坐记录的自动获取和存储。其中,架构各模块的具体功能如下:
进站识别模块201:用于用户进地铁站识别,当用户用手机刷码进入地铁站时,可以通过应用识别进入地铁站的名字、线路、城市和时间。
出站模块202:用于用户出地铁站识别,当用户用手机刷码离开地铁站时,可以通过应用识别离开地铁站的名字、线路、城市和时间。
数据云存储模块203:用于数据存储,当检测到进站信息(用户刷码进入地铁站可检测到)时,可把相应的信息进行存储,如地铁站的名字、线路、城市和时间等信息。当检测离开地铁站时,若出站信息能和检测到的进站信息进行配对则进行正对存储,若进站信息和出站信息不能配对则单独存储。其中,可通过判断刷码进站和出站是否成对出现,并且所用时间和地铁运行时间差异是否小于一定阈值(可预先设定),来判断进站信息和出站信息是否匹配。在一些实施例中,本地存储的数据可根据云端协同策略上传至云端数据库。
数据库模块204:用于存储用户乘坐地铁历史的信息数据库,数据库内容可包括地点(城市),事件(进站、出站),时间(UNIX,精确到秒)等信息。
在一些实施例中,历史乘坐记录中可以包括进站信息和出站信息。由于可能存在进站信息或出站信息未识别获取到的情况,因此,历史乘坐记录中也可以仅包括进站信息,仅包括出站信息。
示例性地,假设于地铁场景,可以如表1所示对乘坐记录进行存储。其中,历史乘坐记录中可包括城市、进站、出站、时间(UNIX,精确到秒)等信息。‘*’代表信息为空,每一行代表一次匹配的进出站信息。
表1
城市 | 进站 | 时间 | 出站 | 时间 |
上海 | 2号线-陆家嘴 | 1569888000 | 2号线-淞虹路 | 1569889800 |
上海 | 2号线-淞虹路 | 1570408200 | * | * |
上海 | * | * | 10号线-豫园 | 1570325400 |
在一些实施例中,在进行目的站点预测时,可以将数据库中信息为空的历史乘坐记录剔除,可保证预测的有效性。
步骤S130:判断所述当前进站点与所述目标历史进站点是否相同。若是,则可执行步骤S140;若否,则可执行步骤S150。
步骤S140:根据所述历史乘坐记录、所述当前进站时间及所述当前进站点预测目的站点。
步骤S150:根据所述历史乘坐记录及所述当前进站点预测目的站点。
在本申请实施例中,在获取到与当前进站时间匹配的目标历史进站点后,可以判断上述获取到的当前进站信息中的当前进站点与目标历史进站点是否相同。并在当前进站点与目标历史进站点相同时,可根据历史乘坐记录、当前进站时间及当前进站点预测目的站点。而在当前进站点与目标历史进站点不同时,可根据历史乘坐记录及当前进站点预测目的站点,当前进站时间并不参与目的站点的预测。
可以理解的是,如果根据当前进站时间预测得到的当前的进站点(即目标历史进站点),与实际的当前进站点(即上述获取到的当前进站信息中的当前进站点)不同,则可表明当前进站时间可能不是用户于当期进站点长期习惯的进站时间,当前进站时间不适合参与基于习惯的目的站点的预测,强行参与可能会导致预测结果不准确,偏离用户实际需求。因此,在当前进站点与目标历史进站点不同时,可直接根据当前进站点对目的站点进行预测,有效保证了预测结果的准确性。
如果根据当前进站时间预测得到的当前的进站点,与实际的当前进站点相同,则可表明当前进站时间可能是用户于当期进站点长期习惯的进站时间,当前进站时间适合参与基于习惯的目的站点的预测。因此,在当前进站点与目标历史进站点相同时,可根据历史乘坐记录、当前进站时间及当前进站点预测目的站点,有效保证了预测结果的准确性。
在一些实施例中,根据历史乘坐记录、当前进站时间及当前进站点预测目的站点,可以是从历史乘坐记录中获取与当前进站时间及当前进站点匹配的一条或多条乘坐记录,根据该一条或多条乘坐记录中的出站信息,预测目标站点。作为一种方式,可以是从一条或多条乘坐记录中的出站信息中,选取出现次数最高的出站站点,作为预测的目标站点。具体根据历史乘坐记录、当前进站时间及当前进站点预测目的站点的方式,在本申请中可以不作为限定。例如,可以建立基于习惯的目标站点马尔科夫预测模型,通过应用马尔科夫方法对进出站时间点及进出站点的概率进行预测。
在一些实施例中,根据历史乘坐记录及当前进站点预测目的站点,可以是从历史乘坐记录中获取与当前进站点匹配的一条或多条乘坐记录,根据该一条或多条乘坐记录中的出站信息,预测目标站点。作为一种方式,可以是从一条或多条乘坐记录中的出站信息中,选取出现次数最高的出站站点,作为预测的目标站点。具体根据历史乘坐记录及当前进站点预测目的站点的方式,在本申请中可以不作为限定。例如,可以建立基于习惯的目标站点马尔科夫预测模型,通过应用马尔科夫方法对进出站点的概率进行预测。
需要说明的是,本发明的实施会按照《个人信息保护法》的相关规定进行,在收集使用用户的行程记录等个人信息时,事先征得用户的同意。
本申请实施例提供的目的站点的预测方法,通过获取当前进站信息,该当前进站信息可包括当前进站时间和当前进站点,然后根据历史乘坐记录,获取与当前进站时间匹配的目标历史进站点,以在当前进站点与该目标历史进站点相同时,可根据历史乘坐记录、当前进站时间及当前进站点预测目的站点,而在当前进站点与该目标历史进站点不相同时,可根据历史乘坐记录及当前进站点预测目的站点。如此,考虑到了当前进站时间对预测结果的影响,在基于当前进站时间预测进站点预测得准确的情况下,可以根据当前进站时间和当前进站点来预测,而在基于当前进站时间预测进站点预测得不太准确的情况下,还可以直接根据当前进站点来预测。提升了对目的站点预测的准确性,使得预测的目的地更贴合用户实际需求。
请参阅图3,图3示出了本申请另一个实施例提供的目的站点的预测方法的流程示意图。下面将针对图3所示的流程进行详细的阐述,所示目的站点的预测方法具体可以包括以下步骤:
步骤S210:获取当前进站信息,所述当前进站信息包括当前进站时间和当前进站点。
步骤S220:根据历史乘坐记录,获取与所述当前进站时间匹配的目标历史进站点。
在本申请实施例中,步骤S210和步骤S220可以参阅前述实施例的内容,此处不再赘述。
在一些实施例中,由于进入站点的时间点具备随机性,所以历史乘坐记录的进站时间点可能是零碎的、连续的,如果根据这些零碎的、连续的历史进站时间点,来预测进站点,预测结果不具备典型性,参考意义不太。因此,在一些实施例中,可以对历史乘坐记录中的所有历史进站时间进行时间分段分类,得到多个时间段类别(或时间区间类别),从而可以根据与当前进站时间匹配的时间段,来预测进站点。由于每个时间段内存在多个时间点,因此每个时间段可对应多个历史乘坐记录,通过多个历史乘坐记录而非零碎的历史乘坐记录,预测进站点,可使预测结果具备一定典型性,具备参考意义。
具体地,请参阅图4,步骤S220可以包括:
步骤S221:根据历史乘坐记录,获取与所述当前进站时间匹配的进站时间段,所述进站时间段为对历史乘坐记录中的所有历史进站时间进行分段划分后得到时间段。
在一些实施例中,获取与当前进站时间匹配的进站时间段,可以是获取距离当前进站时间最近的时间段。例如,当前进站时间为上午8点45分,与当前进站时间匹配的进站时间段可以是7:00~9:00这个时间段。该时间段可以是对历史乘坐记录中的所有历史进站时间进行分段划分后得到的。
作为一种实施方式,可以是从存储有历史乘坐记录的数据库中提取出所有的历史进站时间数据,然后采用聚类算法进行分析得到多个时间段类别。例如,将历史进站时间为6:00~10:00归为一个时间段,将进站时间为10:00~14:00的归为另一个时间段。多个时间段类别依次可记为1,2,3,…,KI类,KI为时间段类总个数。其中,聚类算法是机器学习中涉及对数据进行分组的一种算法,可通过聚类算法将给定的数据集分成一些不同的组。
可以理解的是,上述对所有历史进站时间进行时间分段的方式仅为举例,此处并不作限定。例如,也可以是将一天24小时以固定时长进行均分,从而得到多个时间段。如将一天24小时以一小时进行均分,可以得到24个时间段。
在一些实施例中,聚类过程中可能会产生很多类别,但是不是所有类别都分布的很均匀,为了保证预测的准确性,可以将概率比较小的类剔除。作为一种方式,可以先统计各个时间段类的概率,然后仅选取概率大于指定阈值(记为Thr)的时间段类别ki。
可选地,可以根据数据中的历史乘坐记录,统计各个时间段类的先验概率。该先验概率可以理解为每个类别对预测结果的影响能力,也即先验概率大的情况下,该类别对预测结果的影响越大。其计算公式如下:
其中,可以理解为数据库中历史进站时间t归为k类的乘坐记录条数,可以理解为历史进站时间t归为1,2,3,…,KI类的乘坐记录条数,也可以理解为数据库中所有乘坐记录条数。从而可以将小于指定阈值的P(k)所对应的时间段类k剔除。
步骤S222:根据历史乘坐记录,获取在所述进站时间段下,进入不同历史进站点的进站概率。
在一些实施例中,在获取到与当前进站时间匹配的进站时间段后,可以先从存储有历史乘坐记录否数据库中,获取历史进站时间在该进站时间段内的每个历史进站点的记录条数,然后计算每个历史进站点的记录条数和总历史乘坐记录条数的比值,即可得到在进站时间段下进入到每个历史进站点的进站概率。
可选的,用数学公式可表示为:p(k,c),c=1,2,…,C,C为地铁站总数目。p(k,c)可以理解为当进站时间为时间类k的时候,进入站点c的概率,即p(进站时间类为k且进站点=c)。
在一些实施例中,也可以预先计算好在每个时间段下,进入不同历史进站点的进站概率,从而在获取到与当前进站时间匹配的进站时间段时,可直接获取到与该进站时间段对应的不同历史进站点的进站概率。
步骤S223:获取数值最大的所述进站概率对应的历史进站点,作为目标历史进站点。
在获取到进站时间段下,进入不同历史进站点的进站概率后,可以将数值最大的进站概率所对应的历史进站点,作为目标历史进站点,即预测的进站点。可以理解的是,当进入到某个历史进站点的进站概率最大,表明用户后续在该进站时间段内,很大可能会习惯性地进入到该历史进站点,因此,可以将该历史进站点作为预测出的用户将要进入的进站点。
在一些实施例中,也可以通过如下计算公式直接预测得到目标历史进站点:
其中,InStation.time为上述获取到的当前进站信息中的当前进站时间,Ki为上述对所有历史进站时间进行时间段划分后的时间段类别。TEStation为预测的目标历史进站点。用于计算距离的当前进站时间最近的时间段类k,p(k,c)用于计算当进站时间为最近的时间类k的时候,进入站点c的进站概率,/>用于获取最大概率p(k,c)所对应的站点c。
需要说明的是,s.t.是subject to的缩写,其意义为“使得...满足...”,可以理解为在满足第二个公式的条件下,再计算第一个公式
步骤S230:判断所述当前进站点与所述目标历史进站点是否相同。若是,则可执行步骤S240至步骤S250;若否,则可执行步骤S260至步骤S290。
步骤S240:根据所述历史乘坐记录,获取所述当前进站点对应的第一概率,所述第一概率为在所述当前进站时间下,由所述当前进站点前往每个历史出站点的概率。
由于在实际的当前进站点与预测的目标历史进站点相同时,可认为当前进站时间适合参与基于习惯的目的站点的预测。因此,可根据历史乘坐记录、当前进站时间及当前进站点预测目的站点,有效保证了预测结果的准确性。可选的,当前进站点与目标历史进站点相同,可以用数学公式表示为:InStation==TEStation。
在一些实施例中,可根据历史乘坐记录,获取当前进站点对应的第一概率,第一概率为在当前进站时间下,由当前进站点前往每个历史出站点的概率。作为一种方式,可以获取分别统计在当前进站时间下,由当前进站点前往每个历史出站点的历史乘坐记录条数,并分别计算每个记录条数与总历史记录条数的比值,即可得到在当前进站时间下,由当前进站点前往每个历史出站点的第一概率。
在一些实施例中,也可以根据不同的历史出站时间,对应获取所述当前进站点对应的第一概率。具体的,请参阅图5,步骤S240可以包括:
步骤S241:根据所述历史乘坐记录,获取与所述当前进站时间匹配的历史进站时间。
步骤S242:获取在所述历史进站时间及不同历史出站时间下,由所述当前进站点前往每个历史出站点的转移概率,作为所述当前进站点对应的第一概率。
在一些实施例中,可以利用马尔可夫性和历史乘坐记录,统计分析出在所述当前进站时间下,由所述当前进站点前往每个历史出站点的概率。具体地,可以先根据历史乘坐记录,获取与当前进站时间匹配的历史进站时间,然后获取在该历史进站时间及不同历史出站时间下,由当前进站点前往每个历史出站点的转移概率,作为当前进站点对应的第一概率。
作为一种方式,可以获取分别统计在当前进站时间及不同历史出站时间下,由当前进站点前往每个历史出站点的历史乘坐记录条数,并分别计算每个记录条数与总历史记录条数的比值,即可得到在当前进站时间及不同历史出站时间下,由当前进站点前往每个历史出站点的第一概率。
在一些实施例中,由于出站时间也具备随机性,也可能会呈零碎的、连续的,这样可能会导致需要计算大量的转移概率。因此,也可以对所有历史出站时间数据进行时间段划分,得到多个出站时间段。作为一种方式,可以从存储有历史乘坐记录的数据库中提取出所有的历史出站时间数据,然后采用聚类算法进行分析得到多个出站时间段类别。多个时间段类别依次可记为1,2,3,…,KO类,KO为时间段类总个数。具体划分方式可参阅历史进站时间的划分,此处不再赘述。
因此,可根据历史乘坐记录,获取与当前进站时间匹配的进站时间段,然后可获取在该进站时间段及不同出站时间段下,由当前进站点前往每个历史出站点的转移概率,作为所述当前进站点对应的第一概率。作为一种方式,可以通过获取在该进站时间段及目标出站时间段t下,由当前进站点前往目标历史出站点c的乘坐记录条数,并通过计算该乘坐记录条数与总记录条数的比值,即可得到在该进站时间段及目标出站时间段k下,由当前进站点前往目标历史出站点c的转移概率,其中,t值可取1,2,3,…,KO,c可取s=1,2,…,C,C为地铁站总数目。从而可以得到在不同出站时间段,不同出站点下,当前进站点对应的多个第一概率。
在一些实施例中,也可以数据库存储的历史乘坐记录,预先计算好在每个进站时间段、每个出站时间段下,从不同历史进站点前往不同的历史出站点的转移概率,从而在获取到与当前进站时间匹配的进站时间段和当前进站点时,可直接获取到与该进站时间段和当前进站点对应的,不同历史出站点和不同历史出站时间的转移概率。可选的,用数学公式可表示为:p(c,k,s,t),c=1,…,C,k=1,…,KI,s=1,…,C;t=1,…,KO,其中,c为进站点,k为进站时间段类,s为出站点,t为出站时间段类,C为地铁站总数目。
同理,在一些实施例中,也可以将概率比较小的时间类剔除。作为一种方式,可以根据数据中的历史乘坐记录,统计各个时间段类的先验概率。其计算公式如下:
其中,可以理解为数据库中历史出站时间t归为k类的乘坐记录条数,可以理解为历史出站时间t归为1,2,3,…,KO类的乘坐记录条数,也可以理解为数据库中所有乘坐记录条数。从而可以将小于指定阈值的P(k)所对应的时间段类k剔除。
步骤S250:获取数值最大的所述第一概率对应的历史出站点,作为预测的目的站点。
当获取到在当前进站时间下,由当前进站点前往每个历史出站点的第一概率后,可以将数值最大的第一概率所对应的历史出站点,作为预测的目的站点。可以理解的是,当在当前进站时间下,由当前进站点前往某个历史出站点的第一概率最大,可表明用户后续在当前进站时间进入到当前进站点时,很大可能会习惯性地前往该历史出站点,因此,可以将该历史出站点作为预测出的用户将要到达的目的站点。
在一些实施例中,也可以通过如下计算公式直接预测得到目的站点:
其中,EStation为预测得到的目的站点,用于获取最大概率p(c,k,s,t)所对应的出站点s和出站时间t。
在一些实施例中,也可以对当前的到站时间进行预测。具体地,可以将当前进站点和当前进站时间对应的进站时间段类,代入公式(4)中的c和k,从而可以获取最大概率p(c,k,s,t)对应的出站点s和出站时间t,该出站点可作为预测的目的站点,该出站时间t可作为预测的到站时间。
在一些实施例中,在获取到预测的到站时间后,也可以根据该到站时间进行到站提醒。作为一种方式,可以是根据到站时间,触发移动终端输出提示信息,该提示信息用于提醒用户已到站或者即将到站。其中,提示信息可以包含已到站或者即将到站的站点名称和预计时间。可以采用语音方式输出,也可以采用窗口的形式输出,此处不做限定。
步骤S260:根据所述历史乘坐记录,获取所述当前进站点对应的第二概率,所述第二概率为在不同历史进站时间下,进入所述当前进站点的概率。
由于在实际的当前进站点与预测的目标历史进站点不相同时,可认为当前进站时间不适合参与基于习惯的目的站点的预测。因此,可直接根据历史乘坐记录及当前进站点预测目的站点,保证了预测结果的准确性。可选的,当前进站点与目标历史进站点不相同,可以用数学公式表示为:InStation!=TEStation。
在一些实施例中,可根据历史乘坐记录,获取当前进站点对应的第二概率,该第二概率为在不同历史进站时间下,进入当前进站点的概率。作为一种方式,可以获取分别统计在不同历史进站时间下,进入当前进站点的历史乘坐记录条数,并分别计算每个记录条数与总历史记录条数的比值,即可得到在不同历史进站时间下,进入当前进站点的第二概率。
步骤S270:获取数值最大的所述第二概率对应的历史进站时间,作为预测的目标进站时间。
当获取到在不同历史进站时间下,进入当前进站点的第二概率后,可以将数值最大的第二概率所对应的历史进站时间,作为可参与目的站点预测的目标进站时间。可以理解的是,当在某个进站时间下,进入当前进站点的概率最大,可表明用户很大可能会习惯性地在该进站时间进入当前进站点,因此,可以将数值最大的第二概率所对应的历史进站时间作为参与目的站点预测的目标进站时间。
在一些实施例中,当对所有历史进站时间进行时间段划分时,也可以是获取在不同进站时间段下,进入当前进站点的第二概率,然后获取数值最大的第二概率对应的进站时间段,作为预测的目标进站时间段。作为一种方式,可以获取分别统计在不同进站时间段下,进入当前进站点的历史乘坐记录条数,并分别计算每个记录条数与总历史记录条数的比值,即可得到在不同进站时间段下,进入当前进站点的第二概率。
在一些实施例中,也可以通过如下计算公式直接获取到概率最大的目标进站时间:
其中,c代入当前进站点,CEStation为预测得到的的目标进站时间,p(c,k)用于计算当进入的站点是c的时候各个时间段的概率,k=1,2,3…,KI。即p(进站点=c且进站时间类为k)。用于获取最大概率p(c,k)所对应的进站时间段类k。
步骤S280:根据所述历史乘坐记录,获取所述当前进站点对应的第三概率,所述第三概率为在所述目标进站时间下,由所述当前进站点前往每个历史出站点的概率。
步骤S290:获取数值最大的所述第三概率对应的历史出站点,作为预测的目的站点。
在根据当前进站点,获取到最大概率的目标进站时间后,可以根据历史乘坐记录、目标进站时间及当前进站点预测目的站点。具体地,可以先根据历史乘坐记录,获取当前进站点对应的第三概率,该第三概率为在目标进站时间下,由当前进站点前往每个历史出站点的概率,然后获取数值最大的第三概率对应的历史出站点,作为预测的目的站点。其中,获取当前进站点对应的第三概率,以及获取数值最大的第三概率对应的历史出站点,可以参阅前述获取当前进站点对应的第一概率以及获取数值最大的第一概率对应的历史出站点的相关内容,此处不再赘述。
当前,也可以将目标进站时间对应的进站时间段类和当前进站点代入公式(4)中的c和k,从而可以获取到最大概率p(c,k,s,t)对应的出站点s和出站时间t,该出站点可作为预测的目的站点,该出站时间t可作为预测的到站时间。
在一些实施例中,如果存在最大概率相同的预测结果,可能表明用户的乘坐习惯发生改变,可以暂时输出目的站为空,待满足一定周期,数据库更完善之后,再继续进行预测。
本申请实施例提供的目的站点的预测方法,通过获取当前进站信息,该当前进站信息可包括当前进站时间和当前进站点,然后根据历史乘坐记录,获取与当前进站时间匹配的目标历史进站点,以在当前进站点与该目标历史进站点相同时,可根据历史乘坐记录、当前进站时间及当前进站点预测目的站点;而在当前进站点与该目标历史进站点不相同时,可先根据历史乘坐记录和当前进站点,对进站时间进行预测,得到预测的目标进站时间,然后再根据历史乘坐记录、预测的目标进站时间及当前进站点预测目的站点。如此,考虑到了当前进站时间对预测结果的影响,在基于当前进站时间预测进站点预测得准确的情况下,可以根据当前进站时间和当前进站点来预测,而在基于当前进站时间预测进站点预测得不太准确的情况下,还可以直接根据当前进站点来预测。提升了对目的站点预测的准确性,使得预测的目的地更贴合用户实际需求。
请参阅图6,图6示出了本申请又一个实施例提供的目的站点的预测方法的流程示意图。下面将针对图6所示的流程进行详细的阐述,所示目的站点的预测方法具体可以包括以下步骤:
步骤S310:获取根据第一历史乘坐记录预测得到的第一目的站点,所述第一历史乘坐记录为从当前日期起追溯至第一日期的历史乘坐记录。
步骤S320:获取根据第二历史乘坐记录预测得到的第二目的站点,所述第二历史乘坐记录为从当前日期起追溯至第二日期的历史乘坐记录,所述第二日期早于所述第一日期。
在一些实施例中,可以通过对近期乘坐记录和长期乘坐记录的学习,来分别预测目的站点,以提高预测的准确性。具体地,可以获取根据第一历史乘坐记录预测得到的第一目的站点,该第一历史乘坐记录为从当前日期起追溯至第一日期的历史乘坐记录,并获取根据第二历史乘坐记录预测得到的第二目的站点,第二历史乘坐记录为从当前日期起追溯至第二日期的历史乘坐记录。其中,第二日期早于第一日期,也即第一历史乘坐记录可以理解为近期乘坐记录,第二历史乘坐记录可以理解为长期乘坐记录。
可以理解的是,根据第一历史乘坐记录预测得到的第一目的站点,及根据第二历史乘坐记录预测得到的第二目的站点,可以是根据前述的预测方式预测得到,此处不再赘述。
需要说明的是,第一历史乘坐记录和第二历史乘坐记录具体的追溯的时长在本申请并不作限定,根据具体场景合理设置即可。例如,第一历史乘坐记录的追溯时长可以是48小时内,第二历史乘坐记录的追溯时长可以是半年或一年内。
步骤S330:根据所述第一目的站点和所述第二目的站点,确定预测的目的站点。
在获取到近期乘坐记录和长期乘坐记录预测得到的第一目的站点和第二目的站点后,可以进行站点融合处理,得到最终的目的站预测结果。
在一些实施例中,可以对近期习惯预测结果和长期习惯预测结果分配不同的权重,以根据权重确定最终预测的目的站点。具体的,请参阅图7,步骤S330可以包括:
步骤S331:分别获取所述第一目的站点对应的第一权重、所述第二目的站点对应的第二权重。
步骤S332:获取所述第一目的站点对应的预测概率与所述第一权重的第一乘积。
步骤S333:获取所述第二目的站点对应的预测概率与所述第二权重的第二乘积。
步骤S334:从所述第一乘积和所述第二乘积中,获取数值最大的乘积所对应的目的站点,作为预测的目的站点。
在一些实施例中,在获取到第一目的站点和第二目的站点后,可以分别获取对应的第一权重和第二权重。然后可分别计算第一目的站点对应的预测概率与第一权重的第一乘积,第二目的站点对应的预测概率与第二权重的第二乘积,以从第一乘积和第二乘积中,获取数值最大的乘积所对应的目的站点,作为预测的目的站点。其中,第一目的站点对应的预测概率和第二目的站点对应的预测概率可以是利用前述预测方法预测得到目的站点所对应的最大概率即
在一些实施例中,为了使预测结果比较符合当下用户的出行习惯,可以是近期习惯预测结果对应的权重值,高于长期习惯预测结果对应的权重值。当然,具体的权重设置,此处并不作限定,根据具体预测需求合理设置即可。
本申请实施例提供的目的站点的预测方法,通过基于长期历史乘坐记录,采用前述的目标站点预测方法预测得到第一目的站点,并基于近期历史乘坐记录,采用前述的目标站点预测方法预测得到第二目的站点,然后根据该第一目的站点和第二目的站点,确定最终预测的目的站点。如此,在对目的站点进行预测时,既考虑到了用户的长期乘坐习惯,也考虑了用户的近期乘坐习惯,可在近期乘坐习惯发生改变时,避免因单一学习长期乘坐习惯而导致的预测不准确,提升了对目的站点预测的准确性,使得预测的目的地更贴合用户实际需求。
在一些实施例中,在得到预测的目的站点后,还可以实现到站提醒功能。具体地,请参阅图8,图8示出了本申请又一个实施例提供的目的站点的预测方法的流程示意图。下面将针对图8所示的流程进行详细的阐述,所示目的站点的预测方法具体可以包括以下步骤:
步骤S410:判断当前站点是否为所述目的站点的相邻站点。若是,则可执行步骤S420;若否,则可执行步骤S430。
步骤S420:触发移动终端输出提示信息,所述提示信息用于提醒用户即将到站。
步骤S430:不执行触发移动终端输出提示信息,所述提示信息用于提醒用户即将到站的步骤。
在本申请实施例中,可以实时定位当前站点,以在当前站点到达目的站点的相邻站点时,触发到站提醒功能。具体地,在获取到当前站点时,可以判断当前站点是否为目的站点的相邻站点。如目的站点的前一站点。在当前站点为目的站点的相邻站点时,可触发移动终端输出提示信息,该提示信息用于提醒用户即将到站。在当前站点不为目的站点的相邻站点时,可不触发移动终端输出提示信息。如图9所示,图9示出了一种应用场景示意图,用户从A进站,预测目的站点E。手机感知到A->B->C->D,并且快到E时提醒用户到站。其中,可以通过GPS、WiFi、蓝牙、基站和IMU等多种方式对当前站点进行定位,此处并不作限定。
在一些实施例中,可以通过基站信息对当前站点进行定位,具体地,请参阅图10,在步骤S410之前,本申请的目的站点的预测方法还可以包括:
步骤S400:获取移动终端当前连接的基站信息。
通常情况下用户手机等移动终端都是插了手机卡,因为手机连接到了移动,联通或者电信运营商的基站,这样手机才能打电话和上网。因此,在一些实施例中,可以获取移动终端当前连接的基站信息,该基站信息包括基站唯一Cell ID号,运营商等信息,以便根据该基站信息查询数据库。
步骤S401:根据基站数据库中存储的基站与站点的对应关系,获取与所述基站信息对应的目标站点。
例如,于地铁场景,如图11所示,图11示出了一种基站覆盖示意图。可以看出基站覆盖范围是有限的。通常基站覆盖范围在2公里左右,一般不会超过5公里。考虑到地铁站内信号质量不好,各大运营商会在地铁中部署更多数量的基站,确保地铁上通话质量,上网质量,所以在不同的地铁站,手机会注册到不通的基站上。
在一些实施例中,可以建立一个基站和站点的映射表,存到数据库中,从而得到基站数据库。其中,数据库表格内容可以是通过线下人工去实际站点用手机去扫描周围基站信息得到。从而可根据基站数据库中存储的基站与站点的对应关系,获取与当前移动终端连接的基站信息对应的目标站点。
例如,建立的基站和地铁站点的映射表可以如表2所示。根据移动终端当前连接的基站信息,查询数据库,可以得到该基站所覆盖的地铁站点。从而可以定位到用户的当前站点。
表2
基站信息 | 地铁站信息 |
mcc-460-mnc-00-ci-243174306-pci-303-tac-6227 | 上海-7号线-龙华中路 |
mcc-460-mnc-01-ci-11114774-pci-501-tac-6263 | 上海-12号线-龙漕路 |
mcc-460-mnc-01-ci-11115275-pci-466-tac-6263 | 上海-12号线-龙华中路 |
在一些实施例中,可能会数据采集不全,或者是运营商后续维护时新增了基站,导致在基站数据库查询不到对应的基站信息,从而获取不到目标站点。此时可以其他定位方式对当前站点进行定位。
步骤S402:根据所述目标站点,确定当前站点。
在一些实施例中,当获取到与基站信息对应的目标站点时,且对应到的目标站点为一个,可将该目标站点,作为当前站点。其可说明此时用户进入即将到达该站点或者当前处于该站点。
在一些实施例中,当基站覆盖范围比较广时,基站信息可能会覆盖到2个或者更多个站点,此时法确定用户当前在哪个站点。因此,需要借助前一个站点来辅助确定。具体地,目标站点为多个时,步骤S402可以包括:
步骤S4021:获取前一站点的相邻站点。
步骤S4022:获取多个所述目标站点与所述相邻站点中的相同站点,作为当前站点。
在一些实施例中,当需要对当前站点进行定位时,可以获取前一个已经确定的站点。从而可以根据官方路线信息,获取前一站的的相邻站点,然后可以获取基站覆盖的多个目标站点与该相邻站点中的相同站点,作为当前站点。示例性地,请参阅图12,图12示出了一种基站定位的整体流程示意图。需要说明的是,在乘坐初始时刻,已确定的站点为进站站点。
例如,A-B-C-D-E地铁站,已确定当前站是B(也可以理解为前一站),由于地铁一直在前行,需实时确定当前站,B的相邻站集合(A,C),如果基站覆盖了2个地铁站(C,D),这两集合的交集为C,C即为地铁前行后的当前站(即B的后一站)。
作为一个具体的实施例,于地铁场景,请参阅图13,图13示出了一种目的站点的预测的整体流程示意框图。其中:
进站识别模块101:用户进地铁站识别,方法有手机刷码识别,手机NFC识别,进站位置GPS识别,地铁行驶识别,该模块是内嵌到android系统中。当用户使用手机APP刷码进入地铁站,比如上海地铁是metro大都会,深圳有微信小程序深圳地铁,北京用亿通行。刷码进站后,手机上会弹出进站成功和进站站点。进站出站识别模块是定制化系统的一部分,可以识别到手机屏幕上的变化,进站消息和进站站点。
乘坐地铁习惯数据库模块102:用户乘坐地铁习惯的数据库,该数据库是用户半年或1年的乘坐地铁信息的数据集合。
48小时内乘坐地铁习惯模块103:用户乘坐地铁习惯的48小时数据库,是用户近期乘坐地铁的数据集合。
目的站点预测模块104:在进站的条件下预测用户目的站点,具体预测方法见前述实施例的内容。
目的站点融合结果模块105:用户长期乘坐地铁习惯预测目的站点和48小时乘坐地铁习惯预测的目的站点进行融合得到最终的目的站预测结果。
地铁站点识别模块106:地铁模式站点识别的算法,识别当前所在地铁站点的信息,如线路、名字等。
目的站点提醒模块107:在地铁模式站点识别的基础上,如果当前站点和目的站点是相邻站,则手机发送通知和振动,提醒用户即将到站准备下车。
本申请实施例提供的目的站点的预测方法,在通过前述的目的站点的预测方法,得到预测的目的站点后,可以实时定位当前站点,以在当前站点为目的站点的相邻站点时,可以触发移动终端输出提示信息,该提示信息用于提醒用户即将到站。从而无需用户参与,为出行用户提供到站提醒、地铁运行情况等人性化服务,解决了用户在出行时的痛点,防止坐过站。且不需要额外增加成本,无需额外部署设备,对外部没有依赖,具备可行性和领先性。
请参阅图14,其示出了本申请实施例提供的一种目的站点的预测装置700的结构框图,该目的站点的预测装置700包括:当前进站获取模710、目标进站获取模块720、第一预测模块730以及第二预测模块740。其中,当前进站获取模块710用于获取当前进站信息,所述当前进站信息包括当前进站时间和当前进站点;目标进站获取模块720用于根据历史乘坐记录,获取与所述当前进站时间匹配的目标历史进站点;第一预测模块730用于当所述当前进站点与所述目标历史进站点相同时,根据所述历史乘坐记录、所述当前进站时间及所述当前进站点预测目的站点;第二预测模块740用于当所述当前进站点与所述目标历史进站点不相同时,根据所述历史乘坐记录及所述当前进站点预测目的站点。
在一些实施例中,第一预测模块730可以包括:第一概率获取单元和第一概率预测单元。其中,第一概率获取单元用于根据所述历史乘坐记录,获取所述当前进站点对应的第一概率,所述第一概率为在所述当前进站时间下,由所述当前进站点前往每个历史出站点的概率;第一概率预测单元用于获取数值最大的所述第一概率对应的历史出站点,作为预测的目的站点。
在一些实施例中,第一概率获取单元可以具体用于:根据所述历史乘坐记录,获取与所述当前进站时间匹配的历史进站时间;获取在所述历史进站时间及不同历史出站时间下,由所述当前进站点前往每个历史出站点的转移概率,作为所述当前进站点对应的第一概率。
在一些实施例中,目的站点的预测装置700还可以包括:到站时间预测模块和提示触发模块。其中,到站时间预测模块用于获取数值最大的所述第一概率对应的历史出站时间,作为预测的到站时间;提示触发模块用于根据所述到站时间,触发移动终端输出提示信息,所述提示信息用于提醒用户已到站或者即将到站。
在一些实施例中,第二预测模块740可以包括:第二概率获取单元、进站时间预测单元、第三概率获取单元及第三概率预测单元。其中,第二概率获取单元用于根据所述历史乘坐记录,获取所述当前进站点对应的第二概率,所述第二概率为在不同历史进站时间下,进入所述当前进站点的概率;进站时间预测单元用于获取数值最大的所述第二概率对应的历史进站时间,作为预测的目标进站时间;第三概率获取单元用于根据所述历史乘坐记录,获取所述当前进站点对应的第三概率,所述第三概率为在所述目标进站时间下,由所述当前进站点前往每个历史出站点的概率;第三概率预测单元用于获取数值最大的所述第三概率对应的历史出站点,作为预测的目的站点。
在一些实施例中,目的站点的预测装置700还可以包括:第一站点获取模块、第二站点获取模块和目的站点预测模块。其中,第一站点获取模块用于获取根据第一历史乘坐记录预测得到的第一目的站点,所述第一历史乘坐记录为从当前日期起追溯至第一日期的历史乘坐记录;第二站点获取模块用于获取根据第二历史乘坐记录预测得到的第二目的站点,所述第二历史乘坐记录为从当前日期起追溯至第二日期的历史乘坐记录,所述第二日期早于所述第一日期;目的站点预测模块用于根据所述第一目的站点和所述第二目的站点,确定预测的目的站点。
在一些实施例中,上述目的站点预测模块可以具体用于:分别获取所述第一目的站点对应的第一权重、所述第二目的站点对应的第二权重;获取所述第一目的站点对应的预测概率与所述第一权重的第一乘积;获取所述第二目的站点对应的预测概率与所述第二权重的第二乘积;从所述第一乘积和所述第二乘积中,获取数值最大的乘积所对应的目的站点,作为预测的目的站点。
在一些实施例中,目的站点的预测装置700还可以包括:基站信息获取模块、目标站点获取模块及当前站点定位模块。其中,基站信息获取模块用于获取移动终端当前连接的基站信息;目标站点获取模块用于根据基站数据库中存储的基站与站点的对应关系,获取与所述基站信息对应的目标站点;当前站点定位模块用于根据所述目标站点,确定当前站点。
在一些实施例中,上述当前站点定位模块可以具体用于:获取前一站点的相邻站点;获取多个所述目标站点与所述相邻站点中的相同站点,作为当前站点。
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,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
综上所述,本申请实施例提供的目的站点的预测装置用于实现前述方法实施例中相应的目的站点的预测方法,并具有相应的方法实施例的有益效果,在此不再赘述。
请参考图15,其示出了本申请实施例提供的一种电子设备的结构框图。该电子设备100可以是笔记本电脑、智能手机、智能手表、智能眼镜等能够运行应用程序的移动终端。本申请中的电子设备100可以包括一个或多个如下部件:处理器110、存储器120以及一个或多个应用程序,其中,一个或多个应用程序可以被存储在存储器120中并被配置为由一个或多个处理器110执行,一个或多个应用程序配置用于执行如前述方法实施例所描述的方法。
处理器110可以包括一个或者多个处理核。处理器110利用各种接口和线路连接整个电子设备100内的各个部分,通过运行或执行存储在存储器120内的指令、程序、代码集或指令集,以及调用存储在存储器120内的数据,执行电子设备100的各种功能和处理数据。可选地,处理器110可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessing Unit,CPU)、目的站点的预测器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器110中,单独通过一块通信芯片进行实现。
存储器120可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
可以理解,图15所示结构仅为示例,电子设备100还可以包括比图15所示更多或更少的组件,或是具有与图15所示完全不同的配置。本申请实施例对此没有限制。
请参考图16,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质800中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质800可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质800包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (12)
1.一种目的站点的预测方法,其特征在于,所述方法包括:
获取当前进站信息,所述当前进站信息包括当前进站时间和当前进站点;
根据历史乘坐记录,获取与所述当前进站时间匹配的进站时间段,所述进站时间段为对历史乘坐记录中的所有历史进站时间进行分段划分后得到时间段;
根据历史乘坐记录,获取在所述进站时间段下,进入不同历史进站点的进站概率;
获取数值最大的所述进站概率对应的历史进站点,作为目标历史进站点,其中,所述目标历史进站点的计算方式为:
其中,InStation.time为所述当前进站时间,Ki为对所述所有历史进站时间进行时间段划分后的时间段类别,TEStation为所述目标历史进站点,用于计算距离所述当前进站时间最近的时间段类k;p(k,c)用于计算当进站时间为最近的时间段类k的时候,进入站点c的进站概率;/>用于获取最大概率p(k,c)所对应的站点c;s.t.为subjectto的缩写,且s.t.表示在满足的条件下,再计算/>
当所述当前进站点与所述目标历史进站点相同时,根据所述历史乘坐记录、所述当前进站时间及所述当前进站点预测目的站点;
当所述当前进站点与所述目标历史进站点不相同时,根据所述历史乘坐记录,获取所述当前进站点对应的第二概率,所述第二概率为在不同历史进站时间下,进入所述当前进站点的概率;
获取数值最大的所述第二概率对应的历史进站时间,作为预测的目标进站时间;
根据所述历史乘坐记录,获取所述当前进站点对应的第三概率,所述第三概率为在所述目标进站时间下,由所述当前进站点前往每个历史出站点的概率;
获取数值最大的所述第三概率对应的历史出站点,作为预测的目的站点。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史乘坐记录、所述当前进站时间及所述当前进站点预测目的站点,包括:
根据所述历史乘坐记录,获取所述当前进站点对应的第一概率,所述第一概率为在所述当前进站时间下,由所述当前进站点前往每个历史出站点的概率;
获取数值最大的所述第一概率对应的历史出站点,作为预测的目的站点。
3.根据权利要求2所述的方法,其特征在于,所述根据所述历史乘坐记录,获取所述当前进站点对应的第一概率,包括:
根据所述历史乘坐记录,获取与所述当前进站时间匹配的历史进站时间;
获取在所述历史进站时间及不同历史出站时间下,由所述当前进站点前往每个历史出站点的转移概率,作为所述当前进站点对应的第一概率。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取数值最大的所述第一概率对应的历史出站时间,作为预测的到站时间;
根据所述到站时间,触发移动终端输出提示信息,所述提示信息用于提醒用户已到站或者即将到站。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
获取根据第一历史乘坐记录预测得到的第一目的站点,所述第一历史乘坐记录为从当前日期起追溯至第一日期的历史乘坐记录;
获取根据第二历史乘坐记录预测得到的第二目的站点,所述第二历史乘坐记录为从当前日期起追溯至第二日期的历史乘坐记录,所述第二日期早于所述第一日期;
根据所述第一目的站点和所述第二目的站点,确定预测的目的站点。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一目的站点和第二目的站点,确定预测的目的站点,包括:
分别获取所述第一目的站点对应的第一权重、所述第二目的站点对应的第二权重;
获取所述第一目的站点对应的预测概率与所述第一权重的第一乘积;
获取所述第二目的站点对应的预测概率与所述第二权重的第二乘积;
从所述第一乘积和所述第二乘积中,获取数值最大的乘积所对应的目的站点,作为预测的目的站点。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
在当前站点为所述目的站点的相邻站点时,触发移动终端输出提示信息,所述提示信息用于提醒用户即将到站。
8.根据权利要求7所述的方法,其特征在于,在所述在当前站点为所述目的站点的相邻站点时,触发移动终端输出提示信息之前,所述方法还包括:
获取移动终端当前连接的基站信息;
根据基站数据库中存储的基站与站点的对应关系,获取与所述基站信息对应的目标站点;
根据所述目标站点,确定当前站点。
9.根据权利要求8所述的方法,其特征在于,所述目标站点为多个,所述根据所述目标站点,确定当前站点,包括:
获取前一站点的相邻站点;
获取多个所述目标站点与所述相邻站点中的相同站点,作为当前站点。
10.一种目的站点的预测装置,其特征在于,所述装置包括:
当前进站获取模块,用于获取当前进站信息,所述当前进站信息包括当前进站时间和当前进站点;
目标进站获取模块,用于根据历史乘坐记录,获取与所述当前进站时间匹配的进站时间段,所述进站时间段为对历史乘坐记录中的所有历史进站时间进行分段划分后得到时间段;根据历史乘坐记录,获取在所述进站时间段下,进入不同历史进站点的进站概率;获取数值最大的所述进站概率对应的历史进站点,作为目标历史进站点,其中,所述目标历史进站点的计算方式为:
其中,InStation.time为所述当前进站时间,Ki为对所述所有历史进站时间进行时间段划分后的时间段类别,TEStation为所述目标历史进站点,用于计算距离所述当前进站时间最近的时间段类k;p(k,c)用于计算当进站时间为最近的时间段类k的时候,进入站点c的进站概率;/>用于获取最大概率p(k,c)所对应的站点c;s.t.为subject to的缩写,且s.t.表示在满足的条件下,再计算/>
第一预测模块,用于当所述当前进站点与所述目标历史进站点相同时,根据所述历史乘坐记录、所述当前进站时间及所述当前进站点预测目的站点;
第二预测模块,用于当所述当前进站点与所述目标历史进站点不相同时,根据所述历史乘坐记录,获取所述当前进站点对应的第二概率,所述第二概率为在不同历史进站时间下,进入所述当前进站点的概率;获取数值最大的所述第二概率对应的历史进站时间,作为预测的目标进站时间;根据所述历史乘坐记录,获取所述当前进站点对应的第三概率,所述第三概率为在所述目标进站时间下,由所述当前进站点前往每个历史出站点的概率;获取数值最大的所述第三概率对应的历史出站点,作为预测的目的站点。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行如权利要求1-9任一项所述的方法。
12.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1-9任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010437224.4A CN111582605B (zh) | 2020-05-21 | 2020-05-21 | 目的站点的预测方法、装置、电子设备及存储介质 |
PCT/CN2021/085231 WO2021232962A1 (zh) | 2020-05-21 | 2021-04-02 | 目的站点的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010437224.4A CN111582605B (zh) | 2020-05-21 | 2020-05-21 | 目的站点的预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582605A CN111582605A (zh) | 2020-08-25 |
CN111582605B true CN111582605B (zh) | 2023-09-12 |
Family
ID=72125182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010437224.4A Active CN111582605B (zh) | 2020-05-21 | 2020-05-21 | 目的站点的预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111582605B (zh) |
WO (1) | WO2021232962A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582605B (zh) * | 2020-05-21 | 2023-09-12 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN113393029B (zh) * | 2021-06-11 | 2023-11-17 | 上海逸迅信息科技有限公司 | 一种轨交客流量的预测方法和设备 |
CN115033309B (zh) * | 2021-12-01 | 2023-04-07 | 荣耀终端有限公司 | 地铁出行检测方法及电子设备 |
CN114550275B (zh) * | 2022-04-22 | 2022-08-02 | 北京城建设计发展集团股份有限公司 | 一种多信号融合人脸图片识别方法、系统及电子设备 |
CN115294785B (zh) * | 2022-06-30 | 2024-03-29 | 通号城市轨道交通技术有限公司 | 基于手机信号的地铁动态运行调整方法及装置 |
CN117252650B (zh) * | 2023-11-17 | 2024-03-15 | 滕州市中等职业教育中心学校 | 一种商品信息推送服务系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310287A (zh) * | 2013-07-02 | 2013-09-18 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
CN106919996A (zh) * | 2015-12-25 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种目的地预测方法及装置 |
CN108093131A (zh) * | 2017-12-13 | 2018-05-29 | 广东欧珀移动通信有限公司 | 到站提醒方法、装置、存储介质及移动终端 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN110020216A (zh) * | 2017-07-20 | 2019-07-16 | 北京嘀嘀无限科技发展有限公司 | 目的地推送方法和装置 |
CN110832284A (zh) * | 2017-08-24 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于目的地预测的系统和方法 |
CN110874668A (zh) * | 2018-09-03 | 2020-03-10 | 深圳先进技术研究院 | 一种轨道交通od客流预测方法、系统及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582605B (zh) * | 2020-05-21 | 2023-09-12 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
-
2020
- 2020-05-21 CN CN202010437224.4A patent/CN111582605B/zh active Active
-
2021
- 2021-04-02 WO PCT/CN2021/085231 patent/WO2021232962A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310287A (zh) * | 2013-07-02 | 2013-09-18 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
CN106919996A (zh) * | 2015-12-25 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种目的地预测方法及装置 |
CN110020216A (zh) * | 2017-07-20 | 2019-07-16 | 北京嘀嘀无限科技发展有限公司 | 目的地推送方法和装置 |
CN110832284A (zh) * | 2017-08-24 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于目的地预测的系统和方法 |
CN108093131A (zh) * | 2017-12-13 | 2018-05-29 | 广东欧珀移动通信有限公司 | 到站提醒方法、装置、存储介质及移动终端 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN110874668A (zh) * | 2018-09-03 | 2020-03-10 | 深圳先进技术研究院 | 一种轨道交通od客流预测方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021232962A1 (zh) | 2021-11-25 |
CN111582605A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582605B (zh) | 目的站点的预测方法、装置、电子设备及存储介质 | |
CN108053673B (zh) | 一种路况预报方法、存储介质和服务器 | |
CN109151168B (zh) | 乘车码的切换方法、装置、移动终端及可读存储介质 | |
CN107491825B (zh) | 一种约车处理方法及系统 | |
CN109688532B (zh) | 一种划分城市功能区域的方法及装置 | |
JP2012008771A (ja) | 情報処理装置、情報処理システム、情報処理方法およびプログラム | |
CN112380448B (zh) | 车辆数据处理方法、装置、计算机设备和存储介质 | |
CN105657188A (zh) | 移动终端进行通讯的方法及该移动终端 | |
CN107615345A (zh) | 移动辅助装置、移动辅助用服务器及移动辅助系统 | |
CN105632222A (zh) | 预报到站时间的方法及其系统 | |
CN110942220B (zh) | 运力调度方法、装置和服务器 | |
CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
CN110647929B (zh) | 用于预测出行目的地的方法、及用于训练分类器的方法 | |
CN111091222A (zh) | 人流量预测方法、装置及系统 | |
CN110516017A (zh) | 基于终端设备的地点信息处理方法、装置、电子设备及存储介质 | |
CN109618281A (zh) | 一种高铁小区的识别方法及装置 | |
CN109219002B (zh) | 一种提醒短信发送方法、装置、设备及可读存储介质 | |
EP3462389A1 (en) | Parking system that meets a second objective and method thereof | |
CN106921687B (zh) | 一种信息推送方法、服务器和终端 | |
CN111598307A (zh) | 乘车订单调度系统的优化方法及设备 | |
CN111046288B (zh) | 内容推荐方法、装置、终端及存储介质 | |
CN111242723A (zh) | 用户子女情况判断方法、服务器及计算机可读存储介质 | |
CN112633349B (zh) | 基于贝叶斯模型的共享单车目的地预测方法 | |
CN117295008B (zh) | 信息推送方法及设备 | |
CN111343726B (zh) | 用户调度方法及装置 |
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 |