CN111831897B - 一种出行目的地推荐方法、装置、电子设备及存储介质 - Google Patents

一种出行目的地推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111831897B
CN111831897B CN201910849179.0A CN201910849179A CN111831897B CN 111831897 B CN111831897 B CN 111831897B CN 201910849179 A CN201910849179 A CN 201910849179A CN 111831897 B CN111831897 B CN 111831897B
Authority
CN
China
Prior art keywords
historical
destination
current
location
order information
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
Application number
CN201910849179.0A
Other languages
English (en)
Other versions
CN111831897A (zh
Inventor
谢龙
陈欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201910849179.0A priority Critical patent/CN111831897B/zh
Publication of CN111831897A publication Critical patent/CN111831897A/zh
Application granted granted Critical
Publication of CN111831897B publication Critical patent/CN111831897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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]
    • G06Q30/0631—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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种出行目的地推荐方法、装置、电子设备及存储介质，其中，该方法包括：获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及该服务请求方终端的历史出行订单信息；所述当前冒泡信息至少包括当前出发地位置以及该当前出发地位置的兴趣点POI类别；根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置，并推荐给所述服务请求方终端。采用上述方案，在实现对目的地进行智能化和自动化推荐的同时，提升了推荐的精准度。

Description

一种出行目的地推荐方法、装置、电子设备及存储介质
技术领域
本申请涉及互联网技术领域，具体而言，涉及一种出行目的地推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网和智能终端技术的飞速发展，人们可以使用手机等智能终端上的打车软件来满足自身方便出行的需求。
目前，用户在使用打车软件进行打车时，需要在地址搜索框中输入地址进行搜索，并根据搜索列表选择的方式设置打车行程的目的地。
可见，现有的打车方式依赖于人工输入，自动化和智能化程度较低。
发明内容
有鉴于此，本申请的目的在于提供一种出行目的地推荐方法、装置、电子设备及存储介质，能够自动实现出行目的地的推荐，智能化程度较高。
主要包括以下几个方面：
第一方面，本申请提供了一种出行目的地推荐方法，所述方法包括：
获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及该服务请求方终端的历史出行订单信息；所述当前冒泡信息至少包括当前出发地位置以及该当前出发地位置的兴趣点POI类别；
根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置；所述候选目的地集包括多个候选目的地位置以及该候选目的地位置的POI类别；
将查找到的目的地位置推荐给所述服务请求方终端。
在一种实施方式中，所述历史出行订单信息的条数为多条，所述根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置，包括：
对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征；
根据服务请求方终端的当前冒泡信息、确定的所述历史出行统计特征以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置。
在另一种实施方式中，所述历史出行订单信息包括历史目的地位置；所述对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征，包括：
针对每个历史目的地位置，统计包括该历史目的地位置的历史出行订单信息的条数；
基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
在一些实施例中，所述当前冒泡信息还包括所述当前出发地位置对应的当前出发时间，所述历史出行订单信息还包括所述历史目的地位置对应的历史到达时间；所述基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征，包括：
基于所述当前出发地位置对应的当前出发时间以及每个历史目的地位置对应的历史到达时间的时间差，确定每个所述历史目的地位置相对所述当前出发地位置的影响衰减度；
针对每个历史目的地位置，根据该历史目的地位置相对所述当前出发地位置的影响衰减度以及统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
在又一种实施方式中，所述历史出行订单信息包括历史目的地位置以及该历史目的地位置对应的历史到达时间；所述对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征，包括：
针对每个历史目的地位置，依据该历史目的地位置对应的多个历史到达时间以及预设的到达时间范围，确定每个历史到达时间所属的历史到达时间范围；
将确定的历史到达时间范围确定为所述服务请求方终端的一个历史出行统计特征。
在再一种实施方式中，所述根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置，包括：
将所述服务请求方终端的当前出发地位置的POI类别、以及所述历史出行统计特征输入至预先训练好的目的地推荐模型，以使所述目的地推荐模型针对所述候选目的地集中的每个候选目的地位置以及该候选目的地位置的POI类别，确定由当前出发地位置的POI类别转移至该候选目的地位置的POI类别的第一转移概率以及由当前出发地位置转移至该候选目的地位置的第二转移概率；将第一转移概率和第二转移概率的转移概率之和最大的候选目的地位置确定为与所述当前出发地位置和所述当前出发地位置的POI类别相匹配的目的地位置。
在再一种实施方式中，按照如下步骤训练所述目的地推荐模型：
获取各样本服务请求方终端的历史出行订单信息；所述历史出行订单信息包括历史出发地位置对应的POI类别、以及历史目的地位置对应的POI类别；
针对每个样本服务请求方终端，对多条所述历史出行订单信息进行统计分析，确定该样本服务请求方终端的历史出行统计特征；
将每个样本服务请求方终端的历史出发地位置对应的兴趣点POI类别、历史目的地位置对应的兴趣点POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型。
在一些实施例中，所述将每个样本服务请求方终端的历史出发地位置对应的兴趣点POI类别、历史目的地位置对应的兴趣点POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型，包括：
将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，确定由历史出发地位置的POI类别转移至待输出历史目的地位置的POI类别的转移概率，直至在确定的转移概率使得输出的目的地位置与所述历史目的地位置匹配时，停止训练。
第二方面，本申请还提供了一种出行目的地推荐装置，所述装置包括：
获取模块，用于获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及该服务请求方终端的历史出行订单信息；所述当前冒泡信息至少包括当前出发地位置以及该当前出发地位置的兴趣点POI类别；
查找模块，用于根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置；所述候选目的地集包括多个候选目的地位置以及该候选目的地位置的POI类别；
推荐模块，用于将查找到的目的地位置推荐给所述服务请求方终端。
在一种实施方式中，所述历史出行订单信息的条数为多条，所述查找模块，具体用于：
对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征；
根据服务请求方终端的当前冒泡信息、确定的所述历史出行统计特征以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置。
在另一种实施方式中，所述历史出行订单信息包括历史目的地位置；所述查找模块，具体用于：
针对每个历史目的地位置，统计包括该历史目的地位置的历史出行订单信息的条数；
基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
在一些实施例中，所述当前冒泡信息还包括所述当前出发地位置对应的当前出发时间，所述历史出行订单信息还包括所述历史目的地位置对应的历史到达时间；所述查找模块，具体用于：
基于所述当前出发地位置对应的当前出发时间以及每个历史目的地位置对应的历史到达时间的时间差，确定每个所述历史目的地位置相对所述当前出发地位置的影响衰减度；
针对每个历史目的地位置，根据该历史目的地位置相对所述当前出发地位置的影响衰减度以及统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
在又一种实施方式中，所述历史出行订单信息包括历史目的地位置以及该历史目的地位置对应的历史到达时间；所述查找模块，具体用于：
针对每个历史目的地位置，依据该历史目的地位置对应的多个历史到达时间以及预设的到达时间范围，确定每个历史到达时间所属的历史到达时间范围；
将确定的历史到达时间范围确定为所述服务请求方终端的一个历史出行统计特征。
在再一种实施方式中，所述查找模块，具体用于：
将所述服务请求方终端的当前出发地位置的POI类别、以及所述历史出行统计特征输入至预先训练好的目的地推荐模型，以使所述目的地推荐模型针对所述候选目的地集中的每个候选目的地位置以及该候选目的地位置的POI类别，确定由当前出发地位置的POI类别转移至该候选目的地位置的POI类别的第一转移概率以及由当前出发地位置转移至该候选目的地位置的第二转移概率；将第一转移概率和第二转移概率的转移概率之和最大的候选目的地位置确定为与所述当前出发地位置和所述当前出发地位置的POI类别相匹配的目的地位置。
在再一种实施方式中，所述装置还包括：
训练模块，用于获取各样本服务请求方终端的历史出行订单信息；所述历史出行订单信息包括历史出发地位置对应的POI类别、以及历史目的地位置对应的POI类别；
针对每个样本服务请求方终端，对多条所述历史出行订单信息进行统计分析，确定该样本服务请求方终端的历史出行统计特征；
将每个样本服务请求方终端的历史出发地位置对应的兴趣点POI类别、历史目的地位置对应的兴趣点POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型。
在一些实施例中，所述训练模块，具体用于：
将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，确定由历史出发地位置的POI类别转移至待输出历史目的地位置的POI类别的转移概率，直至在确定的转移概率使得输出的目的地位置与所述历史目的地位置匹配时，停止训练。
第三方面，本申请还提供了一种电子设备，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，以执行如第一方面所述出行目的地推荐方法的步骤。
第四方面，本申请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如第一方面所述出行目的地推荐方法的步骤。
采用上述方案，首先获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及历史出行订单信息，然后基于上述当前冒泡信息和历史出行订单信息和预先训练好的目的地推荐模型，从候选目的地集中查找与当前冒泡信息中的当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置，并将查找到的目的地位置推荐给服务请求方终端，也即，本申请利用目的地推荐模型可以得到每个候选目的地位置的POI类别与当前出发地位置的POI类别之间的转移概率，转移概率越大说明由当前出发地位置所属POI类别至候选目的地位置所属POI类别的出行意向可能性更大，再结合历史出行订单信息便可以确定由当前出发地位置出发更大可能前往的目的地位置，有效减少了人工输入地址所需的时间，在实现对目的地进行智能化和自动化推荐的同时，提升了推荐的精准度，还能够实现更快速的打车，提升出行效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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示出了本申请实施例提供的一种服务系统的架构示意图；
图2示出了本申请实施例一提供的一种出行目的地推荐方法的流程图；
图3示出了本申请实施例二提供的一种出行目的地推荐方法的流程图；
图4示出了本申请实施例二提供的另一种出行目的地推荐方法的流程图；
图5示出了本申请实施例三提供的一种出行目的地推荐方法的流程图；
图6示出了本申请实施例四提供的一种出行目的地推荐装置的结构示意图；
图7示出了本申请实施例五提供的一种电子设备的结构示意图。
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“网约车服务中的目的地推荐”，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网约车服务中的目的地推荐进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请除了可以应用于上述网约车服务中的目的地推荐这一应用场景中，还可以适应于其它服务(如订餐配送服务、物流配送服务等)中的目的地推荐，在此不再赘述。
另外，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”、“服务请求方终端”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。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、服务请求方终端、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、服务请求方终端、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。
本申请的一个方面涉及一种服务系统。该系统可以通过将服务请求方终端的当前冒泡信息中的当前出发地位置以及该当前出发地位置的兴趣点POI类别和历史出行订单信息输出至预先训练好的目的地推荐模型中，以确定与当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置并推荐给乘客。
值得注意的是，在本申请提出申请之前，相关技术中依赖于人工输入进行目的地位置确定，自动化和智能化程度较低。然而，本申请提供的服务系统可以实现出行目的地的自动推荐，智能化程度较高。
图1是本申请实施例提供的一种服务系统的架构示意图。例如，服务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。服务系统可以包括服务器101、网络102、服务请求方终端103、服务提供方终端104、和数据库105中的一种或多种。
在一些实施例中，服务器101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方终端103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 SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,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，服务请求方终端103和服务提供方终端104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105可以连接到网络102以与服务系统中的一个或多个组件(例如，服务器101，服务请求方终端103，服务提供方终端104等)通信。服务系统中的一个或多个组件可以经由网络102访问存储在数据库105中的数据或指令。在一些实施例中，数据库105可以直接连接到服务系统中的一个或多个组件，或者，数据库105也可以是服务器101的一部分。
下面结合上述图1示出的服务系统中描述的内容，对本申请实施例提供的出行目的地推荐方法进行详细说明。
参照图2所示，为本申请实施例提供的一种出行目的地推荐方法的流程示意图，该方法可以由服务系统中的服务器来执行，具体执行过程为：
S201、获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及该服务请求方终端的历史出行订单信息；所述当前冒泡信息至少包括当前出发地位置以及该当前出发地位置的兴趣点POI类别。
这里，为了便于理解本申请实施例提供的出行目的地推荐方法，首先对网约车服务这一应用场景进行简单说明。目前，在乘客(即服务请求方)需要利用网约车平台出行时，一旦启动发单按钮发出服务请求，网约车平台的后台服务器便能够基于乘客的打车信息生成对应的出行订单以提供网约车服务。打车信息可以是在发出服务请求之前的冒泡阶段确定的，且在冒泡阶段该打车信息可以是乘客手动输入的，还可以是后台服务器进行推荐的。考虑到本申请实施例提供的出行目的地推荐方法的应用场景，这里主要是对第二种方式进行具体说明。这样，该打车信息主要可以是服务请求方终端的终止出行位置(即目的地位置)。
本申请实施例中，后台服务器可以基于乘客在冒泡阶段的当前冒泡信息以及历史出行订单信息进行目的地位置的推荐。
其中，上述当前冒泡信息可以包括当前出发地位置以及该当前出发地位置的兴趣点(Point of Interest,POI)类别，还可以包括当前出发地位置对应的当前出发时间，还可以包括其它服务器能够自动获取的冒泡信息。
上述当前出发地位置可以是服务器在确定服务请求方打开服务请求方终端上的打车软件时，向该服务请求方终端发出定位请求后确定的位置，如在服务请求方终端上的打车软件打开后，可以自动定位当前的位置作为起始出行位置(即出发地位置)。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。
另外，乘客还可以在服务请求方终端显示的地图上选择具体的起始出行位置，或者手动输入起始出行位置，如手动输入“首都机场”这一起始出行位置。
上述POI类别可以是从地理信息系统中提取的，在地理信息系统中，一个POI是一栋房子、一个商铺、一个邮筒、一个公交站等。在具体应用时，本申请实施例可以从终端导航地图中获取POI信息，该POI信息除了可以包括POI类别(如小区、学校、医院等)，还可以包括名称、坐标等信息，这里，考虑到POI类别对目的地推荐的关键作用，是可以首先确定的。值得说明的是，当前出发地位置与其POI类别存在对应关系，且是唯一对应关系，也即，对于当前出发地位置，其POI类别可以是唯一确定的，而不同的出发地位置，其POI类别可以是相同的，如对于小区东门和小区西门这两个出发地位置而言，其POI类别均可以是小区。
针对历史出行订单信息，可以是服务请求方终端在历史时刻发出服务请求之后，网约车平台的后台服务器基于乘客的打车信息生成的出行订单信息，该历史出行订单信息不仅可以包括历史出发地位置及该历史出发地位置对应的历史出发时间，还可以包括历史目的地位置及该历史目的地位置对应的历史到达时间，还可以包括车辆行驶过程中的历史轨迹点位置等相关信息。基于对该历史出行订单信息的分析，可以确定服务请求方的历史出行统计特征，基于该历史出行统计特征可以进一步确定服务请求方倾向的目的地位置。
S202、根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置；所述候选目的地集包括多个候选目的地位置以及该候选目的地位置的POI类别。
这里，本申请实施例可以根据服务请求端的当前冒泡信息、历史出行订单信息统计得到的历史出行统计特征，以及预先训练好的目的地推荐模型，查找与当前冒泡信息中的当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置。
其中，有关目的地推荐模型的训练，本申请实施例可以将各样本服务请求方终端的历史出行订单信息作为目的地推荐影响因素，将样本服务请求方终端的历史目的地位置作为目的地推荐模型预测结果，便可以训练得到上述目的地推荐模型的训练参数，而对于一个目的地推荐模型而言，训练该模型的本质便是训练模型对应的训练参数，这样，在训练得到训练参数之后，也即是得到了训练好的目的地推荐模型。本申请实施例中的目的地推荐模型可以采用线性模型，还可以采用树模型，如极端梯度提升(eXtreme GradientBoosting,XGBoost)模型，本申请实施例对此不做具体的限制。
在训练得到目的地推荐模型之后，便可以基于训练得到的目的地推荐模型进行目的地位置的查找了，此时，将服务请求方终端的当前冒泡信息和历史出行统计特征输入至训练好的目的地推荐模型中即可。相比训练阶段中利用的是样本服务请求方终端的实际历史目的地位置而言，这里预测得到的是一个概率值，本申请实施例可以设定一个预设阈值，在预测得到的概率值高于该预设阈值，认为样本服务请求方会到达一个目的地位置，否则可以认为样本服务请求方不会到达该目的地位置。
在具体预测时，若以当前冒泡时刻为参考，输入至目的地推荐模型的历史出行订单信息可以是当前时刻之前的若个时间段所对应的出行订单信息，还可以是包括昨日对应上述各时间段的出行订单信息，上述预测的目的地位置可以是推荐概率较大的目的地位置。上述有关历史出行订单信息和目的地位置推荐的说明仅仅是一种示例，在具体应用时，还可以基于不同的场景需求进行目的地位置的推荐。
值得注意的是，本申请实施例提供的出行目的地推荐方法在进行模型训练和模型预测的过程中，可以将服务请求方终端所对应的用户属性信息、用户画像信息等信息也作为模型的输入，以进一步提升对服务请求方终端进行目的地推荐的针对性。
S203、将查找到的目的地位置推荐给所述服务请求方终端。
这里，可以将查找的目的地位置推荐给服务请求方终端。本申请实施例中，查找到的目的地位置可以为一个，也可以为多个。在查找到的目的地位置为一个时，可以将该目的地位置推送到相应的目的地输入框内，在查找到目的地位置为多个时，可以以下拉框的形式反馈上述多个目的地位置，以便乘客可以进一步进行目的地位置的选择。为了在确保推送准确度的同时提升用户的使用体验，可以将最可能的目的地位置直接推荐给乘客。
为了提升目的地推荐的精准度，本申请实施例可以基于历史出行订单信息的统计分析结果，确定服务请求方终端的历史出行统计特征，该特征可以是从同一目的地位置这一维度来确定的，还可以是以同一或范围相差不大的时间范围确定的，这样，便可以将该历史出行统计特征以及上述当前冒泡记录输入至训练好的目的地推荐模型，以查找与当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置。接下来通过如下实施例二对上述两种历史出行统计特征的确定进行具体说明。
实施例二
如图3所示，为本申请实施例二提供的一种基于同一目的地位置这一维度确定历史出行统计特征的方法流程图，该确定方法具体包括如下步骤：
S301、针对每个历史目的地位置，统计包括该历史目的地位置的历史出行订单信息的条数；
S302、基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
这里，考虑到每条历史出行订单信息中均可以包括历史目的地位置，本申请实施例可以首先针对每个历史目的地位置，然后再统计包括该历史目的地位置的历史出行订单信息的条数，也即，确定前往该历史目的地位置的历史出行次数，这样，便可以将前往该历史目的地位置的次数确定为一个历史出行统计特征，该历史出行统计特征能够表征用户在历史出行过程中前往目的地位置的频繁程度，统计的针对某个历史目的地位置的次数越多，则一定程度上可以说明乘客在后续推荐阶段倾向该目的地位置的意图越明显。可以结合一个实例进行具体说明。如对于一个服务请求方终端而言，其历史目的地位置有三个，分别为A位置、B位置和C位置，通过对该服务请求方终端的各条历史出行订单信息进行统计分析可知，前往A位置的历史出行订单信息的条数为3条，前往B位置的历史出行订单信息的条数为6条，前往C位置的历史出行订单信息的条数为7条，由此可以基本判定服务请求方终端前往C位置的意向更加明显。
在具体应用中，可以以当前冒泡信息中的当前出发地位置对应的当前出发时间为参考依据对上述历史出行次数进行统计，以降低时间因素对历史出行统计特征的影响，这里，可以通过如下步骤进一步确定上述历史出行统计特征。
步骤一、基于所述当前出发地位置对应的当前出发时间以及每个历史目的地位置对应的历史到达时间的时间差，确定每个所述历史目的地位置相对所述当前出发地位置的影响衰减度；
步骤二、针对每个历史目的地位置，根据该历史目的地位置相对所述当前出发地位置的影响衰减度以及统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
这里，可以首先基于当前出发地位置对应的当前出发时间以及每个历史目的地位置对应的历史到达时间之间的时间差，确定每个历史目的地位置相对当前出发地位置的影响衰减度，也即，距离当前出发时间越远的历史到达时间所对应的历史目的地位置对当前出发地位置的影响越小，反之，距离当前出发时间越近的历史到达时间所对应的历史目的地位置对当前出发地位置的影响越大，这样，结合上述影响衰减度以及所统计的包括该历史目的地位置的历史出行订单信息的条数，即可确定服务请求方终端的一个历史出行统计特征，在统计的历史出行订单信息的条数与历史出行次数相一致时，确定的历史出行统计特征可以是附加影响衰减度这一权重的历史出行次数，这里，仍以A位置、B位置和C位置这三个历史目的地位置为例，针对前往A位置的3条历史出行订单信息而言，在3条历史出行订单信息中的历史到达时间分别为距离当前出发时间为1天、2天、3天的前提下，附加影响衰减度这一权重的历史出行次数可以是0.95×1+0.93×1+0.91×1，即2.79次，同理，针对前往B位置的6条历史出行订单信息而言，在6条历史出行订单信息中的历史到达时间分别为距离当前出发时间为30天、32天、60天、62天、90天、92天的前提下，附加影响衰减度这一权重的历史出行次数可以是0.31×1+0.33×1+0.21×1+0.22×1+0.11×1+0.19×1，即1.37次，同理，可以确定针对前往C位置的7条历史出行订单信息所对应的历史出行次数。上述有关影响衰减度为一种具体的示例，可以是基于历史出行信息挖掘得到的，也可以是基于经验直接确定的。由上述示例可知，影响衰减度可以对历史出行统计特征产生较大的影响，且可以根据具体的应用需求，调节上述影响衰减度以适应更多应用场景的需求。
如图4所示，为本申请实施例二提供的一种基于同一或范围相差不大的时间范围这一维度确定历史出行统计特征的方法流程图，该确定方法具体包括如下步骤：
S401、针对每个历史目的地位置，依据该历史目的地位置对应的多个历史到达时间以及预设的到达时间范围，确定每个历史到达时间所属的历史到达时间范围；
S402、将确定的历史到达时间范围确定为所述服务请求方终端的一个历史出行统计特征。
这里，可以首先针对每个历史目的地位置，依据该历史目的地位置对应的多个历史到达时间以及预设的到达时间范围确定每个历史到达时间所属的历史到达时间范围，并将确定的该历史到达时间范围确定为服务请求方终端的一个历史出行统计特征。
本申请实施例中，可以进行到达时间范围的划分，如可以将一天24小时划分为多个到达时间范围，这里，不仅可以采用均分的方式，还可以结合出行需求进行自适应的划分。针对自适应的划分方式而言，考虑到存在早高峰、晚高峰、平峰对应时间段的出行需求，这里，可以将早高峰对应的时间段划分为一个预设的到达时间范围，如可以将早上7:30至早上9:30作为一个到达时间范围，同理，还可以将晚上6:30到晚上8:30这一晚高峰对应的时间段作为一个到达时间范围。不管是均分方式还是自适应方式，这里，均可以以前往同一历史目的地位置的各个历史出行订单信息为数据源以进行历史到达时间范围的确定。这里，针对前往A位置的3条历史出行订单信息而言，在3条历史出行订单信息中的历史到达时间分别为距离当前出发时间为1天、2天、3天的前提下，若距离当前出发时间为1天的历史到达时间具体为早上8:20，距离当前出发时间为2天的历史到达时间具体为早上8:35，距离当前出发时间为3天的历史到达时间具体为早上8:45，则可以确定服务请求方终端的历史到达时间范围落入在上述早上7:30至早上9:30对应的一个预设到达时间范围，利用该历史到达时间范围可以进一步确定服务请求方终端倾向的目的地位置。
在本申请实施例中，目的地推荐模型的训练过程是本申请实施例提供的出行目的地推荐方法的关键步骤，接下来通过如下实施例三进行具体描述。
实施例三
如图5所示，为本申请实施例提供的一种目的地推荐模型的训练的方法流程图，该训练的方法具体包括如下步骤：
S501、获取各样本服务请求方终端的历史出行订单信息；所述历史出行订单信息包括历史出发地位置对应的POI类别、以及历史目的地位置对应的POI类别；
S502、针对每个样本服务请求方终端，对多条所述历史出行订单信息进行统计分析，确定该样本服务请求方终端的历史出行统计特征；
S503、将每个样本服务请求方终端的历史出发地位置对应的兴趣点POI类别、历史目的地位置对应的兴趣点POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型。
这里，在获取到各样本服务请求方终端的历史出行订单信息后，可以针对每个样本服务请求方终端确定其历史出行统计特征，然后再将上述历史出发地位置对应的POI类别、以及历史目的地位置对应的POI类别，以及历史出行统计特征作为待训练的目的地推荐模型的输入，确定由历史出发地位置的POI类别转移至待输出历史目的地位置的POI类别的转移概率，直至在确定的转移概率使得输出的目的地位置与所述历史目的地位置匹配时，停止训练。
其中，上述有关样本服务请求方终端的历史出行统计特征的确定方法与上述有关服务请求方终端的历史出行统计特征的确定方法类似，可以以统计的包括历史目的地位置的历史出行订单信息的条数作为一个历史出行统计特征，还可以是以确定的历史到达时间范围作为一个历史出行统计特征，具体描述参见实施例二，在此不再赘述。
在进行目的地推荐模型的训练过程中，可以进行多轮迭代，也即，在将一个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及其历史出行统计特征输入至待训练的目的地推荐模型后，在第一轮模型训练中，可以确定由历史出发地位置的POI类别转移至待输出历史目的地位置的POI类别的转移概率，该转移概率作为待训练的目的地推荐模型的训练参数，可以基于该训练参数确定第一轮模型训练输出的目的地位置，在确定该目的地位置与上述历史目的地位置不匹配时，可以进行下一轮模型训练，这时，转移概率需要根据上述不匹配程度进行调整，直至在输出的目的地位置与所述历史目的地位置匹配时，转移概率不再变化，此时停止训练，并可以训练得到附带转移概率这一训练参数的目的地推荐模型。与此同时，还可以将其它样本服务请求方终端的历史出发地位置对应的兴趣点POI类别、历史目的地位置对应的兴趣点POI类别、以及其历史出行统计特征输入至待训练的目的地推荐模型，以进行多轮模型训练，从而确定最终的训练参数。
值得说明的是，考虑到模型应用和模型训练的一致性，在进行每轮的模型训练过程中，需要基于样本服务请求方终端的历史出行订单信息确定该样本服务请求方终端在历史时刻发出服务请求之前的冒泡信息，在具体应用时，可以在某一历史出行订单生成后将订单生成之前对应的冒泡信息打包至该历史出行订单，这样，便可以基于历史出行订单信息确定对应的冒泡信息，在模型输入维度上，这一冒泡信息与模型应用阶段中服务请求方终端在发出服务请求之前的当前冒泡信息是对应的。这时，上述历史出行订单信息中包括的历史出发地位置对应的POI类别即可以为该历史出行订单发起之前的冒泡信息(如昨天发起的历史出行订单信息对应的冒泡信息)，而与该服务请求方终端的历史出行订单信息相对应的历史出行订单信息则可以是在上述冒泡信息之前的所有历史出行订单信息(如昨天之前发起的历史出行订单信息)，也即，本申请实施例可以依据昨天产生的历史出行订单模拟昨天产生的冒泡以及昨天之前的历史出行订单，以此进行每轮的模型训练。
在训练得到目的地推荐模型之后，便可以基于该训练得到的目的地推荐模型为服务请求方终端确定待推荐的目的地位置。在具体应用中，可以将将所述服务请求方终端的当前出发地位置的POI类别、以及所述历史出行统计特征输入至预先训练好的目的地推荐模型，以使所述目的地推荐模型针对所述候选目的地集中的每个候选目的地位置以及该候选目的地位置的POI类别，确定由当前出发地位置的POI类别转移至该候选目的地位置的POI类别的第一转移概率以及由当前出发地位置转移至该候选目的地位置的第二转移概率；将第一转移概率和第二转移概率的转移概率之和最大的候选目的地位置确定为与所述当前出发地位置和所述当前出发地位置的POI类别相匹配的目的地位置。
这里，利用训练得到的目的地推荐模型可以确定由当前出发地位置的POI类别转移至该候选目的地位置的POI类别的第一转移概率以及由当前出发地位置转移至该候选目的地位置的第二转移概率，然后将第一转移概率和第二转移概率的转移概率之和最大的候选目的地位置确定为与所述当前出发地位置和所述当前出发地位置的POI类别相匹配的目的地位置。这样，确定的目的地位置可以为一个。在确定的目的地位置为多个时，可以基于第一转移概率和第二转移概率对候选目的地位置进行排名，将排名比较靠前的候选目的地位置确定为待推荐的目的地位置。
基于同一发明构思，本申请实施例中还提供了与出行目的地推荐方法对应的出行目的地推荐装置，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出行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。
实施例四
参照图6所示，为本申请实施例四提供的一种出行目的地推荐装置的示意图，所述装置包括：
获取模块601，用于获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及该服务请求方终端的历史出行订单信息；所述当前冒泡信息至少包括当前出发地位置以及该当前出发地位置的兴趣点POI类别；
查找模块602，用于根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置；所述候选目的地集包括多个候选目的地位置以及该候选目的地位置的POI类别；
推荐模块603，用于将查找到的目的地位置推荐给所述服务请求方终端。
在一种实施方式中，所述历史出行订单信息的条数为多条，所述查找模块602，具体用于：
对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征；
根据服务请求方终端的当前冒泡信息、确定的所述历史出行统计特征以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置。
在另一种实施方式中，所述历史出行订单信息包括历史目的地位置；所述查找模块602，具体用于：
针对每个历史目的地位置，统计包括该历史目的地位置的历史出行订单信息的条数；
基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
在一些实施例中，所述当前冒泡信息还包括所述当前出发地位置对应的当前出发时间，所述历史出行订单信息还包括所述历史目的地位置对应的历史到达时间；所述查找模块602，具体用于：
基于所述当前出发地位置对应的当前出发时间以及每个历史目的地位置对应的历史到达时间的时间差，确定每个所述历史目的地位置相对所述当前出发地位置的影响衰减度；
针对每个历史目的地位置，根据该历史目的地位置相对所述当前出发地位置的影响衰减度以及统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
在又一种实施方式中，所述历史出行订单信息包括历史目的地位置以及该历史目的地位置对应的历史到达时间；所述查找模块602，具体用于：
针对每个历史目的地位置，依据该历史目的地位置对应的多个历史到达时间以及预设的到达时间范围，确定每个历史到达时间所属的历史到达时间范围；
将确定的历史到达时间范围确定为所述服务请求方终端的一个历史出行统计特征。
在再一种实施方式中，所述查找模块602，具体用于：
将所述服务请求方终端的当前出发地位置的POI类别、以及所述历史出行统计特征输入至预先训练好的目的地推荐模型，以使所述目的地推荐模型针对所述候选目的地集中的每个候选目的地位置以及该候选目的地位置的POI类别，确定由当前出发地位置的POI类别转移至该候选目的地位置的POI类别的第一转移概率以及由当前出发地位置转移至该候选目的地位置的第二转移概率；将第一转移概率和第二转移概率的转移概率之和最大的候选目的地位置确定为与所述当前出发地位置和所述当前出发地位置的POI类别相匹配的目的地位置。
在再一种实施方式中，所述装置还包括：
训练模块604，用于获取各样本服务请求方终端的历史出行订单信息；所述历史出行订单信息包括历史出发地位置对应的POI类别、以及历史目的地位置对应的POI类别；
针对每个样本服务请求方终端，对多条所述历史出行订单信息进行统计分析，确定该样本服务请求方终端的历史出行统计特征；
将每个样本服务请求方终端的历史出发地位置对应的兴趣点POI类别、历史目的地位置对应的兴趣点POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型。
在一些实施例中，所述训练模块604，具体用于：
将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，确定由历史出发地位置的POI类别转移至待输出历史目的地位置的POI类别的转移概率，直至在确定的转移概率使得输出的目的地位置与所述历史目的地位置匹配时，停止训练。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
实施例五
本申请实施例还提供了一种电子设备，如图7所示，为本申请实施例提供的电子设备的结构示意图，包括：处理器701、存储介质702、和总线703。所述存储介质702存储有所述处理器701可执行的机器可读指令(比如，图6中的出行目的地推荐装置中获取模块601、查找模块602、推荐模块603对应的执行指令等)，当计算机设备运行时，所述处理器701与所述存储介质702之间通过总线703通信，所述机器可读指令被所述处理器701执行时执行如下处理：
获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及该服务请求方终端的历史出行订单信息；所述当前冒泡信息至少包括当前出发地位置以及该当前出发地位置的兴趣点POI类别；
根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置；所述候选目的地集包括多个候选目的地位置以及该候选目的地位置的POI类别；
将查找到的目的地位置推荐给所述服务请求方终端。
在一种实施方式中，所述历史出行订单信息的条数为多条，上述处理器701执行的指令中，所述根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置，包括：
对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征；
根据服务请求方终端的当前冒泡信息、确定的所述历史出行统计特征以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置。
在另一种实施方式中，所述历史出行订单信息包括历史目的地位置；上述处理器701执行的指令中，所述对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征，包括：
针对每个历史目的地位置，统计包括该历史目的地位置的历史出行订单信息的条数；
基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
在一些实施例中，所述当前冒泡信息还包括所述当前出发地位置对应的当前出发时间，所述历史出行订单信息还包括所述历史目的地位置对应的历史到达时间；上述处理器701执行的指令中，所述基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征，包括：
基于所述当前出发地位置对应的当前出发时间以及每个历史目的地位置对应的历史到达时间的时间差，确定每个所述历史目的地位置相对所述当前出发地位置的影响衰减度；
针对每个历史目的地位置，根据该历史目的地位置相对所述当前出发地位置的影响衰减度以及统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
在又一种实施方式中，所述历史出行订单信息包括历史目的地位置以及该历史目的地位置对应的历史到达时间；上述处理器701执行的指令中，所述对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征，包括：
针对每个历史目的地位置，依据该历史目的地位置对应的多个历史到达时间以及预设的到达时间范围，确定每个历史到达时间所属的历史到达时间范围；
将确定的历史到达时间范围确定为所述服务请求方终端的一个历史出行统计特征。
在再一种实施方式中，上述处理器701执行的指令中，所述根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置，包括：
将所述服务请求方终端的当前出发地位置的POI类别、以及所述历史出行统计特征输入至预先训练好的目的地推荐模型，以使所述目的地推荐模型针对所述候选目的地集中的每个候选目的地位置以及该候选目的地位置的POI类别，确定由当前出发地位置的POI类别转移至该候选目的地位置的POI类别的第一转移概率以及由当前出发地位置转移至该候选目的地位置的第二转移概率；将第一转移概率和第二转移概率的转移概率之和最大的候选目的地位置确定为与所述当前出发地位置和所述当前出发地位置的POI类别相匹配的目的地位置。
在再一种实施方式中，上述处理器701执行的指令中，按照如下步骤训练所述目的地推荐模型：
获取各样本服务请求方终端的历史出行订单信息；所述历史出行订单信息包括历史出发地位置对应的POI类别、以及历史目的地位置对应的POI类别；
针对每个样本服务请求方终端，对多条所述历史出行订单信息进行统计分析，确定该样本服务请求方终端的历史出行统计特征；
将每个样本服务请求方终端的历史出发地位置对应的兴趣点POI类别、历史目的地位置对应的兴趣点POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型。
在一些实施例中，上述处理器701执行的指令中，所述将每个样本服务请求方终端的历史出发地位置对应的兴趣点POI类别、历史目的地位置对应的兴趣点POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型，包括：
将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，确定由历史出发地位置的POI类别转移至待输出历史目的地位置的POI类别的转移概率，直至在确定的转移概率使得输出的目的地位置与所述历史目的地位置匹配时，停止训练。
本申请实施例还提供了一种计算机可读存储介质702，该计算机可读存储介质702上存储有计算机程序，该计算机程序被处理器701运行时执行上述出行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，能够执行上述出行目的地推荐方法，从而解决相关采用人工输入方式进行目的地位置确定所存在的自动化和智能化程度较低的问题，进而达到能够实现出行目的地的自动推荐，智能化程度较高的效果。
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 (18)

1.一种出行目的地推荐方法，其特征在于，所述方法包括：
获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及该服务请求方终端的历史出行订单信息；所述当前冒泡信息至少包括当前出发地位置以及该当前出发地位置的兴趣点POI类别；
根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置；所述候选目的地集包括多个候选目的地位置以及该候选目的地位置的POI类别；其中，
所述目的地推荐模型确定由当前出发地位置的POI类别转移至该候选目的地位置的POI类别的第一转移概率以及由当前出发地位置转移至该候选目的地位置的第二转移概率，将所述第一转移概率和所述第二转移概率的转移概率之和最大的候选目的地位置确定为与所述当前出发地位置和所述当前出发地位置的POI类别相匹配的目的地位置；
将查找到的目的地位置推荐给所述服务请求方终端。
2.根据权利要求1所述的出行目的地推荐方法，其特征在于，所述历史出行订单信息的条数为多条，所述根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置，包括：
对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征；
根据服务请求方终端的当前冒泡信息、确定的所述历史出行统计特征以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置。
3.根据权利要求2所述的出行目的地推荐方法，其特征在于，所述历史出行订单信息包括历史目的地位置；所述对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征，包括：
针对每个历史目的地位置，统计包括该历史目的地位置的历史出行订单信息的条数；
基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
4.根据权利要求3所述的出行目的地推荐方法，其特征在于，所述当前冒泡信息还包括所述当前出发地位置对应的当前出发时间，所述历史出行订单信息还包括所述历史目的地位置对应的历史到达时间；所述基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征，包括：
基于所述当前出发地位置对应的当前出发时间以及每个历史目的地位置对应的历史到达时间的时间差，确定每个所述历史目的地位置相对所述当前出发地位置的影响衰减度；
针对每个历史目的地位置，根据该历史目的地位置相对所述当前出发地位置的影响衰减度以及统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
5.根据权利要求2所述的出行目的地推荐方法，其特征在于，所述历史出行订单信息包括历史目的地位置以及该历史目的地位置对应的历史到达时间；所述对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征，包括：
针对每个历史目的地位置，依据该历史目的地位置对应的多个历史到达时间以及预设的到达时间范围，确定每个历史到达时间所属的历史到达时间范围；
将确定的历史到达时间范围确定为所述服务请求方终端的一个历史出行统计特征。
6.根据权利要求2所述的出行目的地推荐方法，其特征在于，所述根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置，包括：
将所述服务请求方终端的当前出发地位置的POI类别、以及所述历史出行统计特征输入至预先训练好的目的地推荐模型，以使所述目的地推荐模型针对所述候选目的地集中的每个候选目的地位置以及该候选目的地位置的POI类别。
7.根据权利要求1~6任一所述的出行目的地推荐方法，其特征在于，按照如下步骤训练所述目的地推荐模型：
获取各样本服务请求方终端的历史出行订单信息；所述历史出行订单信息包括历史出发地位置对应的POI类别、以及历史目的地位置对应的POI类别；
针对每个样本服务请求方终端，对多条所述历史出行订单信息进行统计分析，确定该样本服务请求方终端的历史出行统计特征；
将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型。
8.根据权利要求7所述的出行目的地推荐方法，其特征在于，所述将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型，包括：
将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，确定由历史出发地位置的POI类别转移至待输出历史目的地位置的POI类别的转移概率，直至在确定的转移概率使得输出的目的地位置与所述历史目的地位置匹配时，停止训练。
9.一种出行目的地推荐装置，其特征在于，所述装置包括：
获取模块，用于获取服务请求方终端在发出服务请求之前的当前冒泡信息，以及该服务请求方终端的历史出行订单信息；所述当前冒泡信息至少包括当前出发地位置以及该当前出发地位置的兴趣点POI类别；
查找模块，用于根据所述服务请求方终端的当前冒泡信息、所述历史出行订单信息以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置；所述候选目的地集包括多个候选目的地位置以及该候选目的地位置的POI类别；其中，所述目的地推荐模型确定由当前出发地位置的POI类别转移至该候选目的地位置的POI类别的第一转移概率以及由当前出发地位置转移至该候选目的地位置的第二转移概率，将所述第一转移概率和所述第二转移概率的转移概率之和最大的候选目的地位置确定为与所述当前出发地位置和所述当前出发地位置的POI类别相匹配的目的地位置；
推荐模块，用于将查找到的目的地位置推荐给所述服务请求方终端。
10.根据权利要求9所述的出行目的地推荐装置，其特征在于，所述历史出行订单信息的条数为多条，所述查找模块，具体用于：
对多条所述历史出行订单信息进行统计分析，确定所述服务请求方终端的历史出行统计特征；
根据服务请求方终端的当前冒泡信息、确定的所述历史出行统计特征以及预先训练好的目的地推荐模型，从所述目的地推荐模型存储的所述当前出发地位置映射的候选目的地集中，查找与所述当前出发地位置和当前出发地位置的POI类别相匹配的目的地位置。
11.根据权利要求10所述的出行目的地推荐装置，其特征在于，所述历史出行订单信息包括历史目的地位置；所述查找模块，具体用于：
针对每个历史目的地位置，统计包括该历史目的地位置的历史出行订单信息的条数；
基于统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
12.根据权利要求11所述的出行目的地推荐装置，其特征在于，所述当前冒泡信息还包括所述当前出发地位置对应的当前出发时间，所述历史出行订单信息还包括所述历史目的地位置对应的历史到达时间；所述查找模块，具体用于：
基于所述当前出发地位置对应的当前出发时间以及每个历史目的地位置对应的历史到达时间的时间差，确定每个所述历史目的地位置相对所述当前出发地位置的影响衰减度；
针对每个历史目的地位置，根据该历史目的地位置相对所述当前出发地位置的影响衰减度以及统计的包括该历史目的地位置的历史出行订单信息的条数，确定所述服务请求方终端的一个历史出行统计特征。
13.根据权利要求10所述的出行目的地推荐装置，其特征在于，所述历史出行订单信息包括历史目的地位置以及该历史目的地位置对应的历史到达时间；所述查找模块，具体用于：
针对每个历史目的地位置，依据该历史目的地位置对应的多个历史到达时间以及预设的到达时间范围，确定每个历史到达时间所属的历史到达时间范围；
将确定的历史到达时间范围确定为所述服务请求方终端的一个历史出行统计特征。
14.根据权利要求10所述的出行目的地推荐装置，其特征在于，所述查找模块，具体用于：
将所述服务请求方终端的当前出发地位置的POI类别、以及所述历史出行统计特征输入至预先训练好的目的地推荐模型，以使所述目的地推荐模型针对所述候选目的地集中的每个候选目的地位置以及该候选目的地位置的POI类别。
15.根据权利要求9~14任一所述的出行目的地推荐装置，其特征在于，所述装置还包括：
训练模块，用于获取各样本服务请求方终端的历史出行订单信息；所述历史出行订单信息包括历史出发地位置对应的POI类别、以及历史目的地位置对应的POI类别；
针对每个样本服务请求方终端，对多条所述历史出行订单信息进行统计分析，确定该样本服务请求方终端的历史出行统计特征；
将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，将该样本服务请求方终端的历史目的地位置作为输出，训练得到目的地推荐模型。
16.根据权利要求15所述的出行目的地推荐装置，其特征在于，所述训练模块，具体用于：
将每个样本服务请求方终端的历史出发地位置对应的POI类别、历史目的地位置对应的POI类别、以及历史出行统计特征作为待训练的目的地推荐模型的输入，确定由历史出发地位置的POI类别转移至待输出历史目的地位置的POI类别的转移概率，直至在确定的转移概率使得输出的目的地位置与所述历史目的地位置匹配时，停止训练。
17.一种电子设备，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任一所述出行目的地推荐方法的步骤。
18.一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任一所述出行目的地推荐方法的步骤。
CN201910849179.0A 2019-09-09 2019-09-09 一种出行目的地推荐方法、装置、电子设备及存储介质 Active CN111831897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910849179.0A CN111831897B (zh) 2019-09-09 2019-09-09 一种出行目的地推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910849179.0A CN111831897B (zh) 2019-09-09 2019-09-09 一种出行目的地推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111831897A CN111831897A (zh) 2020-10-27
CN111831897B true CN111831897B (zh) 2024-04-23

Family

ID=72912523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910849179.0A Active CN111831897B (zh) 2019-09-09 2019-09-09 一种出行目的地推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111831897B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112712391B (zh) * 2020-12-31 2024-09-17 北京嘀嘀无限科技发展有限公司 一种服务推送方法、装置、电子设备以及存储介质
CN112991008B (zh) * 2021-03-04 2024-07-16 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
CN113282836A (zh) * 2021-06-17 2021-08-20 东软睿驰汽车技术(大连)有限公司 出行目的地址推送方法、装置、设备及存储介质
CN113706001B (zh) * 2021-08-20 2023-06-09 中国联合网络通信集团有限公司 一种应急预警方法、装置、设备及存储介质
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
WO2023178608A1 (zh) * 2022-03-24 2023-09-28 之江实验室 一种基于多源异构信息网络的目的地推荐方法及系统
CN114821211A (zh) * 2022-03-30 2022-07-29 高德软件有限公司 到达点确定方法、装置及程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016119704A1 (zh) * 2015-01-27 2016-08-04 北京嘀嘀无限科技发展有限公司 一种为按需服务提供信息的方法及系统
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN108241630A (zh) * 2016-12-23 2018-07-03 武汉四维图新科技有限公司 一种行车目的地推荐方法及装置
TW201917352A (zh) * 2017-07-20 2019-05-01 大陸商北京嘀嘀無限科技發展有限公司 用於推薦目的地的系統和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016119704A1 (zh) * 2015-01-27 2016-08-04 北京嘀嘀无限科技发展有限公司 一种为按需服务提供信息的方法及系统
CN108241630A (zh) * 2016-12-23 2018-07-03 武汉四维图新科技有限公司 一种行车目的地推荐方法及装置
TW201917352A (zh) * 2017-07-20 2019-05-01 大陸商北京嘀嘀無限科技發展有限公司 用於推薦目的地的系統和方法
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
出行者行为建模技术研究;李;郑继亭;师丹琳;;计算机工程(07);全文 *
基于位置社交网络的个性化兴趣点推荐;韩笑峰;牛保宁;杨茸;;计算机应用研究(05);全文 *

Also Published As

Publication number Publication date
CN111831897A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111831897B (zh) 一种出行目的地推荐方法、装置、电子设备及存储介质
EP3350729B1 (en) Systems and methods for recommending personalized content
US20200326197A1 (en) Method, apparatus, computer device and storage medium for determining poi alias
US10904724B2 (en) Methods and systems for naming a pick up location
CN106897919A (zh) 用车类型预测模型建立、信息提供方法及装置
CN111859060B (zh) 一种信息查询方法、装置、电子设备和可读存储介质
CN111651685A (zh) 一种兴趣点获取方法、装置、电子设备及存储介质
CN111859172B (zh) 信息推送方法、装置、电子设备和计算机可读存储介质
CN111831935B (zh) 一种兴趣点排序方法、装置、电子设备及存储介质
US11093531B2 (en) Systems and methods for recalling points of interest using a tagging model
CN111861178B (zh) 服务匹配模型的训练方法、服务匹配方法、设备及介质
CN112243487A (zh) 用于按需服务的系统和方法
CN110651266B (zh) 为按需服务提供信息的系统及方法
WO2020097968A1 (en) Artificial intelligent systems and methods for identifying drunk passenger by car hailing order
CN111831686A (zh) 排序模型的优化方法、装置、系统、电子设备及存储介质
CN114036414A (zh) 兴趣点的处理方法、装置、电子设备、介质及程序产品
CN114116929A (zh) 导航处理方法、装置、电子设备与存储介质
CN111831827B (zh) 一种数据处理方法、装置、电子设备及存储介质
CN111737374B (zh) 位置坐标确定方法、装置、电子设备及存储介质
CN114428917A (zh) 基于地图的信息共享方法、装置、电子设备和介质
CN111832769B (zh) 上车点排序、信息排序方法及装置
CN111651686A (zh) 一种测试处理方法、装置、电子设备及存储介质
CN112781604A (zh) 用于导航的方法、装置、设备和计算机可读存储介质
CN111159239B (zh) 搜索方法和设备
CN111858921B (zh) 兴趣点查询方法、装置以及电子设备

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
TG01 Patent term adjustment
TG01 Patent term adjustment