CN111815006B - 车型推荐方法、存储介质及系统 - Google Patents
车型推荐方法、存储介质及系统 Download PDFInfo
- Publication number
- CN111815006B CN111815006B CN201911088219.0A CN201911088219A CN111815006B CN 111815006 B CN111815006 B CN 111815006B CN 201911088219 A CN201911088219 A CN 201911088219A CN 111815006 B CN111815006 B CN 111815006B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- terminal
- historical
- model
- recommendation
- 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 69
- 230000005587 bubbling Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000029305 taxis Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种车型推荐方法、存储介质及系统,其方法包括:响应于终端的登录信息,获取与所述终端对应的第一历史订单数据以及与终端所在位置对应的第二历史订单数据;根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值;根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数;根据所有车型的推荐指数得到推荐顺序,并控制所述终端按照所述车型推荐顺序显示车型。本发明的上述方案,能够有效提高车型选择效率以及车型选择的准确率。
Description
技术领域
本发明涉及信息处理技术领域,具体涉及一种车型推荐方法、存储介质及系统。
背景技术
当乘客通过约车平台约车时,首先需要选择所需要的车型。目前,已有的车型种类包括出租车、快车、专车豪华车、拼车、代驾和租车等。一般智能手机的显示屏宽度有限,很难同时在当前显示界面中将所有的车型在一行范围内全部显示出来,而采用多行显示就会导致显示屏中对于导航、地图等信息数据的显示区域缩小,因此目前是将所有车型排列为一行,乘客需要手动地左右调节来显示所有的车型,之后根据自己的实际需求选择。
但是在车型滑动的过程中,其前后显示界面的衔接连贯性差,此时可能需要多次查找确认才能查找到所需车型,而且容易出现漏掉车型的情况,就会导致约车用时过长甚至可能遗漏了关键车型信息的情况,因此现有技术中的方案存在效率低以及车型匹配准确率低的问题。
发明内容
本发明实施例旨在提供一种车型推荐方法、存储介质及系统,以解决现有技术中车型选择存在的效率低和匹配准确率低的技术问题。
为此,本发明提供一种车型推荐方法,包括如下步骤:
响应于终端的登录信息,获取与所述终端对应的第一历史订单数据以及与终端所在位置对应的第二历史订单数据;
根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值;
根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数;
根据所有车型的推荐指数得到推荐顺序,并控制所述终端按照所述推荐顺序显示车型。
可选地,上车型推荐方法中,根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值的步骤包括:
解析所述第一历史订单数据获取所述终端在历史时间段内多个车型中的每一车型的冒泡次数和完单次数;
根据多个车型中的每一车型在历史时间段内的冒泡次数和完单次数得到多个车型中的每一车型的第一推荐权重值。
可选地,上车型推荐方法中,根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值的步骤包括:
获取历史订单数据和第一学习模型;
以历史订单数据中终端在多个车型中的每一车型历史冒泡次数和历史完单次数作为输入变量,以终端在多个车型中的每一车型的成单权重值作为输出变量对第一学习模型进行训练得到第一模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到;
以终端在历史时间段内在多个车型中的每一车型的冒泡次数和完单次数作为所述第一模型的输入变量,根据所述第一模型的输出结果得到多个车型中的每一车型的第一推荐权重值。
可选地,上车型推荐方法中,根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值的步骤包括:
解析所述第一历史订单数据获取所述终端的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和所述终端在设定时间段内冒泡次数和订单取消次数;
根据所述终端的最近一次的发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和所述终端在设定时间段内冒泡次数和订单取消次数得到多个车型中的每一车型的第一推荐权重值。
可选地,上车型推荐方法中,根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值的步骤包括:
获取历史订单数据和第二学习模型;
以历史订单数据中的选定历史时刻为基准,得到终端的历史最近发单车型以及历史最近发单时间与选定历史时刻的时间差、历史最近一次取消单车型以及历史最近一次取消单时间与选定历史时刻的时间差,以及所述终端在历史设定时间段内冒泡次数和订单取消次数作为输入变量,以终端在多个车型中的每一车型的成单权重值作为输出变量对第二学习模型进行训练得到第二模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到;
以所述终端最近一次的发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差作为第二模型的输入变量,根据所述第二模型的输出结果得到多个车型中的每一车型的第一推荐权重值。
可选地,上车型推荐方法中,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤包括:
解析所述第二历史订单数据获取所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数;
根据所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数得到多个车型中的每一车型的第二推荐权重值。
可选地,上车型推荐方法中,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤包括:
获取历史订单数据和第三学习模型;
以历史订单数据中终端所在位置的历史冒泡次数和历史完单次数作为输入变量,以终端所在位置在多个车型中的每一车型的成单权重值作为输出变量对第三学习模型进行训练得到第三模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到;
以所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数作为所述第三模型的输入变量,根据所述第三模型的输出结果得到多个车型中的每一车型的第二推荐权重值。
可选地,上车型推荐方法中,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤包括:
解析所述第二历史订单数据获取终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数;
根据终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数得到多个车型中的每一车型的第二推荐权重值。
可选地,上车型推荐方法中,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤包括:
获取历史订单数据和第四学习模型;
以历史订单数据中的选定历史时刻为基准,得到终端所在位置的历史最近发单车型以及历史最近发单时间与选定历史时刻的时间差、历史最近一次取消单车型以及历史最近一次取消单时间与选定历史时刻的时间差,以及终端所在位置在历史设定时间段内冒泡次数和订单取消次数作为输入变量,以终端所在位置对应的多个车型中的每一车型的成单权重值作为输出变量对第四学习模型进行训练得到第四模型;其中,终端所在位置对应的多个车型中的每一车型的成单权重值根据终端所在位置对应的车型成单概率得到;
以终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数作为第四模型的输入变量,根据所述第四模型的输出结果得到多个车型中的每一车型的第二推荐权重值。
可选地,上车型推荐方法中,根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数的步骤之前还包括:
根据所述终端所在位置获取派单范围内的所有候选车辆的车型以及对应的预估计费和预估接驾时长;
在根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数的步骤中:根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值以及所述派单范围内多个车型中的每一车型的预估计费和预估接驾时长得到多个车型中的每一车型的推荐指数。
可选地,上车型推荐方法中,根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数的步骤之前还包括:
解析所述第一历史订单数据,获取在历史时间段内所述终端的成单车型与成单位置之间的关系;
根据所述终端所在位置与所述历史时间段内的所述成单位置的对应关系,得到与所述终端所在位置相对应的成单车型调节系数;
在根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数的步骤中:根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值以及所述成单车型调节系数得到多个车型中的每一车型的推荐指数。
可选地,上车型推荐方法中,根据所有车型的推荐指数得到推荐顺序,并控制所述终端按照所述推荐顺序显示车型的步骤中还包括:
控制所述终端将推荐指数最大的车型设置为被选中状态。
本发明还提供一种存储介质,所述存储介质可被计算机读写,所述存储介质中存储有程序指令,计算机读取所述程序指令后执行前述任一项所述的车型推荐方法。
本发明还提供一种电子设备,包括至少一个处理器和至少一个存储器,至少一个所述存储器中存储有程序指令,至少一个所述处理器读取所述程序指令后执行前述任一项所述的车型推荐方法。
与现有技术相比,本发明实施例提供的上述技术方案至少具有以下有益效果:
本发明实施例提供的车型推荐方法、存储介质及系统,能够基于终端的历史乘车数据以及上车地点(即终端所在位置)的历史乘车数据,自动地为终端匹配适合的车型进行推荐并显示在终端上,从而能够有效提高车型选择效率以及车型选择的准确率。
附图说明
图1为本发明一个实施例所述车型推荐方法的流程图;
图2为采用本发明实施例的方案后终端显示界面的示意图;
图3为本发明另一个实施例所述车型推荐方法的流程图;
图4为本发明又一个实施例所述车型推荐方法的流程图;
图5为本发明一个实施例所述用于实现本发明实施例车型推荐方法的电子设备的硬件连接关系示意图。
具体实施方式
下面将结合附图进一步说明本发明实施例。在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明的简化描述,而不是指示或暗示所指的装置或组件必需具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。其中,术语“第一位置”和“第二位置”为两个不同的位置。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个组件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本实施例提供一种车型推荐方法,可应用于云端服务器或者装载有约车应用程序的终端中,如图1所示,所述方法可包括如下步骤:
S101:响应于终端的登录信息,获取与所述终端对应的第一历史订单数据以及与终端所在位置对应的第二历史订单数据;终端为乘客所使用的终端,其上安装有约车应用程序。当登录约车应用程序时即可认定为获取到登录信息。其中的历史订单数据可以为本终端对应半年内的历史订单数据,终端所在位置的历史订单数据,是以位置为关键词,搜索到所有在当前位置使用过约车服务的终端在本位置进行约车的订单。其中,位置是以经纬度坐标范围来标识的。也即,位置是一个区域,这个区域的边缘的经纬度作为标识,只需要判断终端的经纬度是否落入到某一个区域内即可判断出终端所在位置。本实施例中提出上车点格子的概念来确定终端所在位置,具体地:上车点格子由上车点经纬度计算而来,计算公式如下:
grid_id=str(math.floor(flng100)/100)+","+str(math.floor(flat
100)/100);
其中,flng指的是出发地经度,flat指的是出发地纬度,math.floor(x)返回小于参数x的最大整数,str是一种函数,将数字型变量或常量改变成字符型变量或常量也即可以根据经纬度坐标的正负值将调整为向量表示形式。
S102:根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值。第一历史订单数据是基于当前终端的历史约车数据,能够体现出与本终端与不同车型的匹配程度,第二历史订单数据是基于上车位置的历史约车数据,能够体现出上车位置与不同车型的匹配程度。
S103:根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数。可以采用计算两者平均值、加权平均方式、求取最小平方差方式等,来得到推荐指数。
S104:根据所有车型的推荐指数得到推荐顺序,并控制所述终端按照所述推荐顺序显示车型。按照推荐指数从高到低对所有车型进行排序,将推荐指数最高的车型显示在最利用选择的位置。本实施例中,所述车型可以包括7大类,分别是:专车、快车、出租车、优享、拼车、商务车、豪华车,根据地域情况可以对其进行增减。
例如,在初始阶段针对每一终端,为其中的各种车型分配一个权重值的初始值(假设都为0),随着终端每次约车车型的变化对其权重值进行调节,例如该终端的成单车型中75%均为专车,10%为快车,5%为出租车,5%为拼车,5%为豪华车,则调整第一推荐权重值为:专车的权重值为0.75,快车的权重值为0.1,出租车、拼车和豪华车的权重值为0.05,优享、商务车的权重值保持为零。而假设当前乘客在火车站进行约车服务,以火车站为上车地点的历史订单中,成单车型中50%均为出租车,30%为快车,5%为专车,5%为优享,5%为豪华车,则以上车地点来说调整第二推荐权重值为:出租车为0.5,快车为0.3,专车为0.05,优享为0.05,豪华车为0.05,商务车和拼车的权重值为零。因此可以结合上述第一推荐权重值和第二推荐权重值求取平均值的方式,得到推荐指数:出租车为0.275,快车为0.5025,专车为0.05,豪华车为0.025,优享为0.025,拼车为0.025,商务车为0,商务车为0。基于此可以得到图2所示的结果,快车被选为最终车型的概率最高其推荐指示排在第一位。可以将快车列为显示序列的第一名,同时为其进行区别显示。或者进一步优选地,可直接控制所述终端将推荐指数最大的车型设置为被选中状态。
本实施例提供的以上方案,能够基于终端的历史乘车数据以及上车地点(即终端所在位置)的历史乘车数据,自动地为终端匹配适合的车型进行推荐并显示在终端上,从而能够有效提高车型选择效率以及车型选择的准确率。
以上方案中,所述步骤S102中,根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值的步骤可以包括如下步骤:解析所述第一历史订单数据获取所述终端在历史时间段内多个车型中的每一车型的冒泡次数和完单次数。根据多个车型中的每一车型在历史时间段内的冒泡次数和完单次数得到多个车型中的每一车型的第一推荐权重值。所述历史时间可以根据可以处理的数据数量来确定,确保数据处理的效率。其中的冒泡次数,为终端登录约车应用程序并查看某一车型的信息且在约车应用程序停留较短时间并未成单的次数,所述完单次数是指终端最终约车成功并且实际完成了行程订单。根据在某一车型上的冒泡次数和在某一车型上的成单概率能够得到终端与该车型的匹配程度。具体地,通过如下方式实现:
S201:获取历史订单数据和第一学习模型;所述第一学习模型可以采用XGBOOST模型。XGBOOST模型为现有成熟的机器学习模型,其原理简单介绍如下:XGBOOST的全称是Extreme Gradient Boosting,是一种有监督的学习算法,主要用于分类和回归任务。在训练过程中,XGBOOST通过不停的迭代和生成树来拟合训练误差,通过控制树的深度和正则项来防止模型过拟合。算法通过对目标函数的泰勒展开进行梯度下降求解,从而提升了算法的寻优速度,生成每一棵树的时候采用贪心算法寻找最优分裂点,本方案中主要采用XGBOOST进行分类。
S202:以历史订单数据中终端在多个车型中的每一车型的历史冒泡次数和历史完单次数作为输入变量,以终端在多个车型中的每一车型的成单权重值作为输出变量对第一学习模型进行训练得到第一模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到;例如,选择终端在最近7天、14天或30天内在7种不同车型上的冒泡次数,完单次数,作为XGBOOST模型的输入变量,将多个车型中的每一车型上的成单概率作为理论输出变量对XGBOOST模型进行训练,机器模型的训练过程可根据机器学习算法选择适当的样本数据进行即可,在本方案中不再详细介绍。通过训练学习模型,能够得到每一个车型的推荐权重值和终端冒泡次数以及历史完单次数的关系。而每一个车型的成单概率,可以用该车型的成单次数除以总的成单次数得到。
S203:以终端在历史时间段内多个车型中的每一车型的冒泡次数和完单次数作为所述第一模型的输入变量,根据所述第一模型的输出结果得到多个车型中的每一车型的第一推荐权重值。
通过步骤S202已经能够确定出终端最终选择的车型与终端在车型冒泡次数以及车型成单次数的关系了,因此直接利用第一历史订单数据中提取出的上述变量作为输入变量输入到训练好的学习模型中,就能够直接得出每一个车型的第一推荐权重值了。
作为另一种可实现的方式,所述步骤S102中,根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值的步骤还可以包括如下步骤:解析所述第一历史订单数据获取所述终端的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和所述终端在设定时间段内冒泡次数和订单取消次数;根据所述终端的最近一次的发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和所述终端在设定时间段内冒泡次数和订单取消次数得到多个车型中的每一车型的第一推荐权重值。本方案中,主要是获得该终端的准实时调整,可以包括最近发单车型,最近取消单车型,最近10分钟的冒泡次数,最近10分钟取消次数,最近一次取消到现在的时间差,最近一次发单到现在的时间差。具体地,可以通过如下步骤实现:
S301:获取历史订单数据和第二学习模型;所述第二学习模型可以选择XGBOOST模型。
S302:以历史订单数据中的选定历史时刻为基准,得到终端的历史最近发单车型以及历史最近发单时间与选定历史时刻的时间差、历史最近一次取消单车型以及历史最近一次取消单时间与选定历史时刻的时间差,以及所述终端在历史设定时间段内冒泡次数和订单取消次数作为输入变量,以终端在多个车型中的每一车型的成单权重值作为输出变量对第二学习模型进行训练得到第二模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到。
S303:以所述终端最近一次的发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差作为第二模型的输入变量,根据所述第二模型的输出结果得到多个车型中的每一车型的第一推荐权重值。
有些情况下,乘客可能选定了某一车型进行预约,但是受到客观条件影响取消,在一定的时间间隔后会在此预约相同或者接近的车型,或者选择了完全不相关的车型。因此,通过采集大量的样本数据得到上述准实时特征与最终选定车型的关系。之后根据第一历史订单数据中得到的所述终端相关数据作为训练后模型的输入变量,之后第二模型即可输出每一种车型的第一推荐权重值。
以上方案中,所述步骤S102中,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤可以包括:解析所述第二历史订单数据获取所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数;根据所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数得到多个车型中的每一车型的第二推荐权重值。本方案中,考虑到终端所在位置也就是说上车地点的特性对于成单车型的影响,来确定每一种车型的推荐权重值。具体地,可以通过如下方式实现:
S401:获取历史订单数据和第三学习模型;所述第三学习模型可以采用XGBOOST模型。
S402:以历史订单数据中终端所在位置的历史冒泡次数和历史完单次数作为输入变量,以终端所在位置在多个车型中的每一车型的成单权重值作为输出变量对第三学习模型进行训练得到第三模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到。
S403:以所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数作为所述第三模型的输入变量,根据所述第三模型的输出结果得到多个车型中的每一车型的第二推荐权重值。
对于不同的上车地点来说,由于其地理位置的因素,可能会存在某种车型较多、某种车型较少的情况,又或者在该地理位置处的人群大多数具有某些相似的属性特征,导致在该地理位置处与某一车型的匹配成功率会更高。因此,通过采集大量的样本数据得到上述地理位置特性与最终选定车型的关系,之后根据第二历史订单数据中得到的与所述终端所在位置对应的相关数据作为训练后模型的输入变量代入第三模型中,第三模型即可输出每一种车型的第二推荐权重值。
作为另一种可实现的方式,所述步骤S102中,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤还可以包括:解析所述第二历史订单数据获取终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数;根据终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数得到多个车型中的每一车型的第二推荐权重值。本方案中获取的是上车地点的准实时特征,与终端的准实时特征具有相似性。其具体可以包括如下步骤:
S501:获取历史订单数据和第四学习模型;所述第四学习模型可以采用XGBOOST模型。
S502:以历史订单数据中的选定历史时刻为基准,得到终端所在位置的历史最近发单车型以及历史最近发单时间与选定历史时刻的时间差、历史最近一次取消单车型以及历史最近一次取消单时间与选定历史时刻的时间差,以及终端所在位置在历史设定时间段内冒泡次数和订单取消次数作为输入变量,以终端所在位置对应的多个车型中的每一车型的成单权重值作为输出变量对第四学习模型进行训练得到第四模型;其中,终端所在位置对应的多个车型中的每一车型的成单权重值根据终端所在位置对应的车型成单概率得到。选定历史时刻为设定的一个时间节点,从该时间节点向前推一个历史时间,该历史时间与本方案中第二历史订单数据所选择的历史时间具有相同的时间间隔。例如,在训练学习模型时,是以选定历史时刻之前三个月的数据作为样本对学习模型进行训练,则后续在进行数据计算是也应该选择具有三个月时长的历史订单数据作为计算的基础。
S503:以终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数作为第四模型的输入变量,根据所述第四模型的输出结果得到多个车型中的每一车型的第二推荐权重值。
如前所述,每一上车地点的地理位置的因素,或者因为该位置乘客所具有一些共性原因,在冒泡次数、发单以及取消单等影响因素下,对于最终成单车型产生一定的影响。通过采集大量的样本数据得到上述地理位置特性与最终选定车型的关系,之后根据第二历史订单数据中得到的与所述终端所在位置对应的相关数据作为训练后模型的输入变量代入第四模型中,第四模型即可输出每一种车型的第二推荐权重值。
实施例2
本实施例提供的车型推荐方法,如图所示,包括如下步骤:
S601:响应于终端的登录信息,获取与所述终端对应的第一历史订单数据以及与终端所在位置对应的第二历史订单数据。
S602:根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值。
S603:根据所述终端所在位置获取派单范围内的所有候选车辆的车型以及对应的预估计费和预估接驾时长。
S604:根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值以及所述派单范围内多个车型中的每一车型的预估计费和预估接驾时长得到多个车型中的每一车型的推荐指数。
S605:根据所有车型的推荐指数得到推荐顺序,并控制所述终端按照所述推荐顺序显示车型。
一般情况下响应时间越短成单几率越大,预估计费越低成单几率越大。因此,当得到第一推荐权重值和第二推荐权重值之后,在计算推荐指数时,可以将预估计费和预估接驾时长作为一个参考因素进行计算。例如,预估计费最高的车型,其初步计算得到的推荐指数可以减去一个数值与其他推荐车型进行比较。预估接驾时长也采用相似的处理方式。或者,通过获得大量的样本数据,得到接驾时长、计费值对于车型的成单率的影响,利用机器学习模型进行训练后得到结果,本步骤中直接将相应的预估结果代入到训练后的模型中,得出对推荐指数的影响即可。
作为另一种可实现的方式,本实施例还提供一种车型推荐方法,如图4所示,包括如下步骤:
S701:响应于终端的登录信息,获取与所述终端对应的第一历史订单数据以及与终端所在位置对应的第二历史订单数据。
S702:根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值。
S703:解析所述第一历史订单数据,获取在历史时间段内所述终端的成单车型与成单位置之间的关系;
S704:根据所述终端所在位置与所述历史时间段内的所述成单位置的对应关系,得到与所述终端所在位置相对应的成单车型调节系数;
S705:根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值以及所述成单车型调节系数得到多个车型中的每一车型的推荐指数。
S706:根据所有车型的推荐指数得到推荐顺序,并控制所述终端按照所述推荐顺序显示车型。
具体地,可以选择机器学习模型,对于机器学习模型中的输入变量可以选择为历史订单数据中上车起点的地理位置坐标,之后根据地理位置坐标与最终成单车型的对应关系对机器学习模型进行训练。从而能够得出对于当前乘客的终端来说,其在不同上车地点时,对于车型的选择规律。而后,在本方案中直接将当前终端的信息、当前终端所在位置的信息输入到训练后的模型中,即可得出与当前终端在当前位置下匹配程度最高的车型。
本申请提供的以上方案中,可利用XGBOOST模型,该模型是一种boosting算法,作为集成学习的经典算法,由于具备准确率高,训练速度快等优点,可应用于预测模型。具体地,在出行领域,可通过XGBOOST算法对所需要选择的车型进行预测,通过终端自身的订单数据和上车点的订单数据,自动准确地预测概率最大的车型进行展示,降低了车型选择时间。
实施例3
本实施例提供一种存储介质,所述存储介质中存储有程序指令,计算机读取所述程序指令后执行实施例1或2中任一技术方案所述的车型推荐方法。
实施例4
图5是本实施例提供的执行车型推荐方法的电子设备的硬件结构示意图,该设备包括:一个或多个处理器501以及存储器502,图5中以一个处理器501为例。执行车型推荐方法的设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的车型推荐方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种车型推荐方法,其特征在于,包括如下步骤:
响应于终端的登录信息,获取与所述终端对应的第一历史订单数据以及与终端所在位置对应的第二历史订单数据,所述终端所在位置基于经纬度坐标范围标识的区域进行标识;
根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值;
根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数;
根据所有车型的推荐指数得到推荐顺序,并控制所述终端按照所述推荐顺序显示车型;
所述根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值包括:
解析所述第一历史订单数据获取所述终端在历史时间段内多个车型中的每一车型的冒泡次数和完单次数,所述冒泡次数为所述终端登录约车应用程序并查看某一车型的信息,且在所述约车应用程序短时间停留并未成单的次数;
以所述终端在历史时间段内在多个车型中的每一车型的所述冒泡次数和所述完单次数作为第一模型的输入变量,根据所述第一模型的输出结果得到多个车型中的每一车型的所述第一推荐权重值;所述第一模型为机器学习模型。
2.根据权利要求1所述的车型推荐方法,其特征在于,所述第一模型通过训练得到,所述训练包括:
获取历史订单数据和第一学习模型;
以历史订单数据中终端在多个车型中的每一车型的历史冒泡次数和历史完单次数作为输入变量,以终端在多个车型中的每一车型的成单权重值作为输出变量对第一学习模型进行训练得到第一模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到。
3.根据权利要求1所述的车型推荐方法,其特征在于,根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值的步骤包括:
解析所述第一历史订单数据获取所述终端的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和所述终端在设定时间段内冒泡次数和订单取消次数;
根据所述终端的最近一次的发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和所述终端在设定时间段内冒泡次数和订单取消次数得到多个车型中的每一车型的第一推荐权重值。
4.根据权利要求3所述的车型推荐方法,其特征在于,根据所述第一历史订单数据获取多个车型中的每一车型的第一推荐权重值的步骤包括:
获取历史订单数据和第二学习模型;
以历史订单数据中的选定历史时刻为基准,得到终端的历史最近发单车型以及历史最近发单时间与选定历史时刻的时间差、历史最近一次取消单车型以及历史最近一次取消单时间与选定历史时刻的时间差,以及所述终端在历史设定时间段内冒泡次数和订单取消次数作为输入变量,以终端在多个车型中的每一车型的成单权重值作为输出变量对第二学习模型进行训练得到第二模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到;
以所述终端最近一次的发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差作为第二模型的输入变量,根据所述第二模型的输出结果得到多个车型中的每一车型的第一推荐权重值。
5.根据权利要求1所述的车型推荐方法,其特征在于,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤包括:
解析所述第二历史订单数据获取所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数;
根据所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数得到多个车型中的每一车型的第二推荐权重值。
6.根据权利要求5所述的车型推荐方法,其特征在于,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤包括:
获取历史订单数据和第三学习模型;
以历史订单数据中终端所在位置的历史冒泡次数和历史完单次数作为输入变量,以终端所在位置在多个车型中的每一车型的成单权重值作为输出变量对第三学习模型进行训练得到第三模型;其中,终端在多个车型中的每一车型的成单权重值根据终端在该车型的成单概率得到;
以所述终端所在位置在历史时间段内多个车型中的每一车型的冒泡次数和完单次数作为所述第三模型的输入变量,根据所述第三模型的输出结果得到多个车型中的每一车型的第二推荐权重值。
7.根据权利要求1所述的车型推荐方法,其特征在于,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤包括:
解析所述第二历史订单数据获取终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数;
根据终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数得到多个车型中的每一车型的第二推荐权重值。
8.根据权利要求7所述的车型推荐方法,其特征在于,根据所述第二历史订单数据获取多个车型中的每一车型的第二推荐权重值的步骤包括:
获取历史订单数据和第四学习模型;
以历史订单数据中的选定历史时刻为基准,得到终端所在位置的历史最近发单车型以及历史最近发单时间与选定历史时刻的时间差、历史最近一次取消单车型以及历史最近一次取消单时间与选定历史时刻的时间差,以及终端所在位置在历史设定时间段内冒泡次数和订单取消次数作为输入变量,以终端所在位置对应的多个车型中的每一车型的成单权重值作为输出变量对第四学习模型进行训练得到第四模型;其中,终端所在位置对应的多个车型中的每一车型的成单权重值根据终端所在位置对应的车型成单概率得到;
以终端所在位置对应的最近一次发单车型以及最近一次发单时间与当前时刻的时间差、最近一次取消单车型以及最近一次取消单时间与当前时刻的时间差和终端所在位置对应的设定时间段内冒泡次数和订单取消次数作为第四模型的输入变量,根据所述第四模型的输出结果得到多个车型中的每一车型的第二推荐权重值。
9.根据权利要求1-8任一项所述的车型推荐方法,其特征在于,根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数的步骤之前还包括:
根据所述终端所在位置获取派单范围内的所有候选车辆的车型以及对应的预估计费和预估接驾时长;
在根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数的步骤中:根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值以及所述派单范围内多个车型中的每一车型的预估计费和预估接驾时长得到多个车型中的每一车型的推荐指数。
10.根据权利要求1-8任一项所述的车型推荐方法,其特征在于,根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数的步骤之前还包括:
解析所述第一历史订单数据,获取在历史时间段内所述终端的成单车型与成单位置之间的关系;
根据所述终端所在位置与所述历史时间段内的所述成单位置的对应关系,得到与所述终端所在位置相对应的成单车型调节系数;
在根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值得到多个车型中的每一车型的推荐指数的步骤中:根据多个车型中的每一车型的第一推荐权重值和第二推荐权重值以及所述成单车型调节系数得到多个车型中的每一车型的推荐指数。
11.根据权利要求1-8任一项所述的车型推荐方法,其特征在于,根据所有车型的推荐指数得到推荐顺序,并控制所述终端按照所述车型推荐顺序显示车型的步骤中还包括:
控制所述终端将推荐指数最大的车型设置为被选中状态。
12.一种存储介质,其特征在于,所述存储介质可被计算机读写,所述存储介质中存储有程序指令,计算机读取所述程序指令后执行权利要求1-11任一项所述的车型推荐方法。
13.一种电子设备,其特征在于,包括至少一个处理器和至少一个存储器,至少一个所述存储器中存储有程序指令,至少一个所述处理器读取所述程序指令后执行权利要求1-11任一项所述的车型推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088219.0A CN111815006B (zh) | 2019-11-08 | 2019-11-08 | 车型推荐方法、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088219.0A CN111815006B (zh) | 2019-11-08 | 2019-11-08 | 车型推荐方法、存储介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815006A CN111815006A (zh) | 2020-10-23 |
CN111815006B true CN111815006B (zh) | 2024-07-02 |
Family
ID=72844529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911088219.0A Active CN111815006B (zh) | 2019-11-08 | 2019-11-08 | 车型推荐方法、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815006B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909269A (zh) * | 2015-12-22 | 2017-06-30 | 滴滴(中国)科技有限公司 | 一种车型标签的展示方法及系统 |
CN110163707A (zh) * | 2018-02-13 | 2019-08-23 | 北京嘀嘀无限科技发展有限公司 | 网约车业务处理方法、终端设备及服务器 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2918068A4 (en) * | 2012-11-08 | 2016-03-30 | Uber Technologies Inc | PROVIDE ON-DEMAND SERVICES BY USING PORTABLE COMPUTER DEVICES |
WO2017124381A1 (zh) * | 2016-01-21 | 2017-07-27 | 阮元 | 根据车型推荐资源时的信息推送方法以及推荐系统 |
CN110298684B (zh) * | 2019-05-22 | 2023-06-06 | 平安科技(深圳)有限公司 | 车型匹配方法、装置、计算机设备及存储介质 |
-
2019
- 2019-11-08 CN CN201911088219.0A patent/CN111815006B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909269A (zh) * | 2015-12-22 | 2017-06-30 | 滴滴(中国)科技有限公司 | 一种车型标签的展示方法及系统 |
CN110163707A (zh) * | 2018-02-13 | 2019-08-23 | 北京嘀嘀无限科技发展有限公司 | 网约车业务处理方法、终端设备及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111815006A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598566B (zh) | 下单预测方法、装置、计算机设备和计算机可读存储介质 | |
AU2017410523A1 (en) | System and method for determining safety score of driver | |
CN109429520B (zh) | 用于检查作弊服务订单的方法、系统、设备及可读介质 | |
WO2019242286A1 (en) | Systems and methods for allocating service requests | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN112801740A (zh) | 基于用户偏好的能源站点推荐方法、存储介质和电子设备 | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
CN111859173A (zh) | 一种上车点推荐方法和系统 | |
CN112556717B (zh) | 出行方式筛选方法和出行路线推荐方法和装置 | |
CN111861618A (zh) | 一种上车点推荐方法和系统 | |
CN113253722B (zh) | 电动车充电路径规划方法、装置及系统 | |
US20210042817A1 (en) | Methods and systems for order allocation | |
CN111433795A (zh) | 一种确定线上到线下服务的预估到达时间的系统和方法 | |
CN106919957A (zh) | 处理数据的方法及装置 | |
CN111859178A (zh) | 一种推荐上车点的方法和系统 | |
CN111415035A (zh) | 一种预估建筑功能户型比的方法及装置 | |
CN112270427A (zh) | 一种推荐上车点的方法和系统 | |
US11140531B2 (en) | Systems and methods for processing data from an online on-demand service platform | |
CN111899061A (zh) | 订单推荐方法、装置、设备及存储介质 | |
CN111476389A (zh) | 一种预估接单等待时长的方法及装置 | |
CN112328880A (zh) | 地理区域聚类方法、装置、存储介质和电子设备 | |
CN111860927A (zh) | 模型的训练方法、服务请求处理方法、装置、设备及介质 | |
CN112106021A (zh) | 提供车辆导航模拟环境的方法和装置 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
CN111815006B (zh) | 车型推荐方法、存储介质及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |