CN111831931A - 一种上车点排序、信息排序的方法及装置 - Google Patents
一种上车点排序、信息排序的方法及装置 Download PDFInfo
- Publication number
- CN111831931A CN111831931A CN201910907244.0A CN201910907244A CN111831931A CN 111831931 A CN111831931 A CN 111831931A CN 201910907244 A CN201910907244 A CN 201910907244A CN 111831931 A CN111831931 A CN 111831931A
- Authority
- CN
- China
- Prior art keywords
- point
- sample
- information
- correlation
- points
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 claims abstract description 192
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012163 sequencing technique Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种上车点排序、信息排序的方法及装置,该方法包括:获取服务请求端的地理位置信息,并基于地理位置信息确定多个备选上车点;确定各备选上车点在多个相关性特征下的第一特征值,并将各备选上车点在多个噪声特征下的第二特征值置为预设常数值;将第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该备选上车点与服务请求端之间的相关度;其中,相关度检测模型采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练而成;样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;根据每个备选上车点分别对应的相关度,对备选上车点进行排序。该方法能够提升上车点排序准确度。
Description
技术领域
本申请涉及计算机应用技术领域,具体而言,涉及一种上车点排序、信息排序的方法及装置。
背景技术
随着网络技术和移动终端技术的不断发展,人们越来越依赖移动终端获取信息;而随着数据的爆发式增长,人们通过移动终端所能够获得的信息也越来越多;但移动终端能够为服务请求方展示的信息数量有限,往往无法将所获得的信息全部展示出来,这就涉及对获得的信息进行排序的过程。
以网约车领域为例,网约车平台的用户包括服务请求方和服务提供方。服务请求方会基于服务请求端向网约车平台的服务器发起约车请求;服务器基于一定的算法为该服务请求方匹配多个服务提供端,并将约车请求转发至匹配到的各个服务提供端。在服务请求方基于服务请求端向服务器发起约车请求的过程中,服务请求端会为服务请求方确定多个备选上车点,并基于一定的方式对各个备选上车点进行排序,然后按照排序将一定数量的备选上车点展示给服务请求方,以供服务请求方进行选择。当前对各个备选上车点进行排序的方法,一般为根据各个备选上车点与服务请求端的位置来进行;这种排序方式造成为服务请求方确定的上车点,往往并非是最佳上车位置,例如存在路线复杂、不易找到等问题。
当前的信息排序方式存在排序准确度低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种上车点排序、信息排序的方法及装置,能够较为精准的获得备选上车点与对应服务请求端之间的相关度;进而基于相关度对备选上车点进行排序时,具有更高的排序准确度。
第一方面,本申请实施例提供一种上车点排序的方法,包括:
获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点;
针对每个所述备选上车点,确定该备选上车点在多个相关性特征下的第一特征值,并将该备选上车点在多个噪声特征下的第二特征值置为预设常数值;
将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该备选上车点与所述服务请求端之间的相关度;其中,所述相关度检测模型采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序,以便用户根据排序结果选择最终的上车点。
一种可选实施方式中,采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各个所述样本上车点的相关度作为被解释变量;
确定多个样本上车点,并获取各个所述样本上车点分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本上车点在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本上车点的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
一种可选实施方式中,所述基础检测模型包括:逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
一种可选实施方式中,所述样本上车点包括:正样本上车点以及负样本上车点;
所述确定多个所述样本上车点,具体包括:
获取多个样本订单的样本订单信息;所述样本订单信息包括:样本展示上车点、以及样本选定上车点;
将所述样本选定上车点确定为正样本上车点;
将所述样本展示上车点中除所述样本选定上车点以外的其他上车点,确定为负样本上车点。
一种可选实施方式中,所述获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点,包括:
接收服务请求端在目标服务界面被打开时发送的所述地理位置信息;
基于所述地理位置信息,从上车点数据库中,获取与所述地理位置信息对应的多个所述备选上车点;
所述地理位置信息指示的地理位置,与所述备选上车点间的距离小于预设距离阈值。
一种可选实施方式中,所述相关性特征包括下述一种或者多种:所述备选上车点与服务请求端之间的距离、所述备选上车点与服务请求端是否位于同一路段的同一侧、所述备选上车点所在路段的道路等级、所述备选上车点作为选定上车点的第一热度值、所述备选上车点所在路段的第二热度值、以及所述备选上车点在展示给用户后被选择的第三热度值。
一种可选实施方式中,所述噪声特征包括以下一种或者多种:在所述备选上车点作为选定上车点时所述服务请求端与服务提供端之间的即时通话时长、接驾路程、接驾时间。
一种可选实施方式中,根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序之后,还包括:
根据对所述备选上车点的排序,从所述备选上车点中确定预设数量个定点上车点,并通过所述服务请求端展示所述定点上车点。
第二方面,本申请实施例提供一种信息排序的方法,该方法包括:
获取目标用户的用户信息,并基于所述用户信息确定多条待推送信息;
针对每条所述待推送信息,确定该条待推送信息在多个相关性特征下的第一特征值,并将该条待推送信息在多个噪声特征下的第二特征值置为预设常数值;
将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该条待推送信息与所述目标用户之间的相关度;其中,所述相关度检测模型采用多条样本推送信息分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本推送信息在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
根据每条所述待推送信息分别对应的相关度,对所述待推送信息进行排序,以便用户根据排序结果选择最终的推送信息。
一种可选实施方式中,采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各条样本推送信息的相关度作为被解释变量;
确定多条所述样本推送信息,并获取各条所述样本推送信息分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本推送信息在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本推送信息的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
第三方面,本申请实施例还提供一种上车点排序的装置,包括:
第一获取模块,用于获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点;
第一确定模块,用于针对每个所述备选上车点,确定该备选上车点在多个相关性特征下的第一特征值,并将该备选上车点在多个噪声特征下的第二特征值置为预设常数值;
第一处理模块,用于将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该备选上车点与所述服务请求端之间的相关度;其中,所述相关度检测模型采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
第一排序模块,用于根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序,以便用户根据排序结果选择最终的上车点。
一种可选实施方式中,还包括:第一模型训练模块,用于采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各个所述样本上车点的相关度作为被解释变量;
确定多个样本上车点,并获取各个所述样本上车点分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本上车点在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本上车点的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
一种可选实施方式中,所述基础检测模型包括:逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
一种可选实施方式中,所述样本上车点包括:正样本上车点以及负样本上车点;
所述第一模型训练模块,用于采用下述方式确定多个所述样本上车点:
获取多个样本订单的样本订单信息;所述样本订单信息包括:样本展示上车点、以及样本选定上车点;
将所述样本选定上车点确定为正样本上车点;
将所述样本展示上车点中除所述样本选定上车点以外的其他上车点,确定为负样本上车点。
一种可选实施方式中,所述第一获取模块,具体用于采用下述步骤获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点:
接收服务请求端在目标服务界面被打开时发送的所述地理位置信息;
基于所述地理位置信息,从上车点数据库中,获取与所述地理位置信息对应的多个所述备选上车点;
所述地理位置信息指示的地理位置,与所述备选上车点间的距离小于预设距离阈值
一种可选实施方式中,所述相关性特征包括下述一种或者多种:所述备选上车点与服务请求端之间的距离、所述备选上车点与服务请求端是否位于同一路段的同一侧、所述备选上车点所在路段的道路等级、所述备选上车点作为选定上车点的第一热度值、所述备选上车点所在路段的第二热度值、以及所述备选上车点在展示给用户后被选择的第三热度值。
一种可选实施方式中,所述噪声特征包括以下一种或者多种:在所述备选上车点作为选定上车点时所述服务请求端与服务提供端之间的即时通话时长、接驾路程、接驾时间。
一种可选实施方式中,还包括:展示模块,用于根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序之后,
根据对所述备选上车点的排序,从所述备选上车点中确定预设数量个定点上车点,并通过所述服务请求端展示所述定点上车点。
第四方面,本申请实施例提供一种信息排序的装置,该装置包括:
第二获取模块,用于获取目标用户的用户信息,并基于所述用户信息确定多条待推送信息;
第二确定模块,用于针对每条所述待推送信息,确定该条待推送信息在多个相关性特征下的第一特征值,并将该条待推送信息在多个噪声特征下的第二特征值置为预设常数值;
第二处理模块,用于将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该条待推送信息与所述目标用户之间的相关度;其中,所述相关度检测模型采用多条样本推送信息分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本推送信息在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
第二排序模块,用于根据每条所述待推送信息分别对应的相关度,对所述待推送信息进行排序,以便用户根据排序结果选择最终的推送信息。
一种可选实施方式中,还包括:第二模型训练模块,用于采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各条样本推送信息的相关度作为被解释变量;
确定多条所述样本推送信息,并获取各条所述样本推送信息分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本推送信息在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本推送信息的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
第五方面,本申请实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面、或第一方面中任一种、第二方面、或第二方面中任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述上述第一方面、或第一方面中任一种、第二方面、或第二方面中任一种可能的实施方式中的步骤。
本申请实施例中在对相关度检测模型训练时,所采用的样本上车点在各个噪声特征下的特征值是在实际环境下提取的噪声特征值,而在对相关度检测模型的应用中,则要将备选上车定在噪声特征下的第二特征值置为预设常数值,这样在相关度检测模型训练过程中考虑到噪声特征对模型精度的影响,而在使用过程中则将噪声特征的影响排除掉,从而得到的检测结果只受到备选上车点在各个相关性特征下的第一特征值的影响,提升了相关度检测模型的精度,进而提升对备选上车点的排序精度。
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提供的一种上车点排序的方法的流程图;
图3示出了本申请实施例提供的上车点排序的方法中,训练相关度检测模型的具体方法的流程图;
图4示出了本申请实施例提供的一种上车点排序的装置的结构示意图;
图5示出了本申请实施例提供的一种计算机设备50的结构示意图;
图6示出了本申请实施例提供的一种信息排序的方法的流程图;
图7示出了本申请实施例提供的一种信息排序的装置的流程图;
图8示出了本申请实施例提供的一种计算机设备80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”,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对备选上车点进行排序进行描述,但是应该理解,这仅是一个示例性实施例。该方法还可以用于对其他信息的排序,并根据排序结果进行信息推送,例如视频信息、商品信息、兴趣点(Point ofInterest,POI)信息等。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务请求方”、“用户”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用,以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。在本申请中,“乘客”和“乘客终端”可以互换使用,“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用,以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等,或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
本申请的一个方面涉及一种上车点排序的系统。该系统基于采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练相关度检测模型,针对为服务请求端确定的各个备选上车点,确定该备选上车点在多个相关性特征下的第一特征值,并将该备选上车点在多个噪声特征下的第二特征值置为预设常数值,并将第一特征值和置为预设常数值的第二特征值输入至训练好的相关度检测模型中,获取各个备选上车点的相关度,并基于相关度对各个备选上车点进行排序,从而能够较为精确的获得各个备选上车点与服务请求端之间的相关度,进而提升备选上车点的排序精度。
值得注意的是,在本申请提出申请之前,通常采用样本上车点分别在相关性特征下的特征值来训练相关度检测模型,导致由于噪声的影响,降低相关度检测模型的模型精度,导致对上车点的排序精度也较低。然而,本申请提供的上车点排序的方法,在对相关度检测模型训练时,所采用的样本上车点在各个噪声特征下的特征值是在实际环境下提取的噪声特征值,而在对相关度检测模型的应用中,则要将备选上车定在噪声特征下的第二特征值置为预设常数值,这样在相关度检测模型训练过程中考虑到噪声特征对模型精度的影响,而在使用过程中则将噪声特征的影响排除掉,从而得到的备选上车点的检测结果只受到备选上车点在各个样本特征下的第一特征值的影响,提升了相关度检测模型的精度,进而提升上车点排序的精度。
图1是本申请实施例提供的一种用于对上车点进行排序的服务系统100的架构示意图。例如,服务系统100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100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140、和数据库150中的一种或多种。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从服务请求方终端130获得的服务请求来确定备选上车点,并对各个备选上车点进行排序。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(ApplicationSpecific Instruction-set Processor,ASIP)、图形处理单元(Graphics ProcessingUnit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(DigitalSignal 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(Reduced Instruction 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130和服务提供方终端140对应的设备类型可以是移动设备,比如可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,也可以是平板计算机、膝上型计算机、或机动车辆中的内置设备等。
在一些实施例中,数据库150可以连接到网络120以与服务系统100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等)通信。服务系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到服务系统100中的一个或多个组件,或者,数据库150也可以是服务器110的一部分。
下面结合上述图1示出的服务系统100中描述的内容,对本申请实施例提供的上车点排序的方法进行详细说明。
参照图2所示,为本申请实施例提供的一种上车点排序的方法的流程示意图,该方法可以由服务系统100中的处理器来执行,也可以由服务请求端来执行,以服务器执行该上车点排序的方法为例,该上车排序的方法的具体执行过程为:
S201:获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点;
S202:针对每个所述备选上车点,确定该备选上车点在多个相关性特征下的第一特征值,并将该备选上车点在多个噪声特征下的第二特征值置为预设常数值;
S203:将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该备选上车点与所述服务请求端之间的相关度;其中,所述相关度检测模型采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
S204:根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序。
以便用户根据排序结果选择最终的上车点。
下面分别对上述S201~S204加以说明。
I:在上述S201中,在服务请求端上会为用户展示能够提供不同服务的服务页面。例如:约车服务页面、发票服务页面、行程查询服务页面、客服服务页面等。可以将其中的一个或者多个设置为目标服务页面。当目标服务页面被打开的时候,服务请求端将服务请求端的地理位置信息发送给服务器。
示例性的,将约车服务页面作为目标服务页面;当用户在服务请求端上将关闭的服务软件打开,并进入该约车服务页面后,服务请求端获取自身地理位置信息,并将地理位置信息发送给服务器;当用户在服务请求端上控制在后台运行的服务软件转至前台运行,并进入该约车服务页面后,服务请求端自动获取自身地理位置信息,并将地理位置信息发送给服务器;当服务请求端从其他的服务页面转至约车服务页面后,服务请求端自动获取自身地理位置信息,并将地理位置信息发送给服务器。
这里需要注意的是,为了减少目标服务页面被频繁打开而造成的多次将地理位置信息发送给服务器,进而导致的流量耗费和服务器计算资源的浪费,服务请求端会检测相邻的两次进入目标服务页面的时间差;若该时间差小于预设的时间差阈值,则服务请求端可以不向服务器重新发送地理位置信息,而是将在前一次为用户展示的目标服务页面的内容重新展示出来。例如展示为用户确定的多个上车点、当前地理位置信息、地图信息等。
另外,服务请求端还可以检测相邻的两次进入目标服务页面的所处地理位置之间的距离;若该距离小于预设的地理位置阈值,则服务请求端在第二次进入目标服务页面后,不向服务器重新发送地理位置信息,而是将在前一次为用户展示的目标服务页面的内容重新展示出来。
在实际应用中,若该上车点排序的方法的执行主体为服务请求端,则服务请求端在获取服务请求端的地理位置信息后,将地理位置信息发送给服务器。服务器在接收到地理位置信息后,基于该地理位置信息,从上车点数据库中,获取与地理位置信息对应的多个备选上车点,然后将获取的备选上车点的相关信息发送给服务请求端,以供服务请求端对各个备选上车点进行排序。若该上车点排序的方法的执行主体为服务器,服务器在接收到服务请求端发送的地理位置信息后,能够从上车点数据库中,获取与地理位置信息对应的多个备选上车点,然后对各个备选上车点进行排序。
这里,上车点数据库中存储了多个预先设定的上车点;每个上车点都对应有上车点名称和上车点对应的地理位置坐标;上车点名称用于在文字上描述上车点的具体方位,如“XX小区东门”、“XX路口西南侧”等,地理位置坐标用于标识上车点的具体地理位置。
在从上车点数据库中获取备选上车点时,可以根据上车点数据库中各个上车点的地理位置坐标,以及服务请求端的地理位置信息,计算数据库中的上车点与服务器请求端之间的距离,并将距离小于预设距离阈值的上车点确定为备选上车点。
在从上车点数据库中获取备选上车点时,可以将上车点是数据库中的各个上车点按照其地理位置坐标进行划分,并基于上车点的划分结果形成多个区域中,然后为每个区域确定中心地理位置坐标;在获取备选上车点时,可以首先根据服务请求端的地理位置信息,以及各个区域对应的中心地理位置坐标,计算服务请求端与每个中心地理位置坐标指示的位置之间的距离;然后将该距离小于预设距离的中心地理位置坐标对应的区域作为目标区域,并从目标区域中,筛选与服务请求端的地理位置信息指示的地理位置之间距离小于预设距离阈值的备选上车点,进而能够减少在确定备选上车点过程中的计算量。
这里需要注意的是,与服务请求端的对应的目标区域可以是一个,也可以是多个。
Ⅱ:在上述S202中,相关性特征,是指能够对相关度检测模型的精度带来正向影响的特征。其通常为先验特征,也即在对备选上车点进行排序之前就能够获取到的特征。示例性的,本申请实施例提供的相关性特征包括但不限于下述a1~a6种一种或者多种:
a1:所述备选上车点与服务请求端之间的距离。
这里,每个上车点都对应有上车点名称和上车点对应的地理位置坐标。在获取备选上车点时,能够获取备选上车点的地理位置坐标以及上车点名称,进而能够根据备选上车点的地理位置坐标,以及服务请求端的地理位置信息,计算备选上车点与服务请求端之间的距离。
另外,该距离还可以是备选上车点与对应服务请求端之间的路程距离;具体地,服务器会存储各个道路的道路信息,根据该道路信息,与服务请求端对应的地理位置信息,以及与备选上车点对应的地理位置坐标,能够计算得到备选上车点与服务请求端之间的路程长度,并将该路程长度作为备选上车点与对应服务请求端之间的距离。
a2:所述备选上车点与服务请求端是否位于同一路段的同一侧。
这里,在确定备选上车点与服务请求端是否位于同一路段的同一侧时,首先要确定目标路段。具体地,可以将与备选上车点和/或服务请求端最短距离小于预设距离阈值的路段确定为目标路段,然后确定备选上车点与杨根服务请求端是否位于同一目标路段的同一侧。
由于样本备选上车点与服务请求端附近可能存在多个路段。备选上车点与服务请求端位于同一路段的不同侧,是指备选上车点与服务请求端位于可能存在的多个路段中任意一个路段的不同侧。
a3:所述备选上车点所在路段的道路等级。
这里,备选上车点所在路段,示例性包括与备选上车点的最短距离小于预设距离的路段。可以有多个,也可以仅有一个。
这里,在城市道路等级中,包括:快速路、主干路、次干路、支路、街坊路五个等级。一般地,道路等级能够在一定程度上表征备选上车点和服务请求端之间到达的难易程度;例如,若备选上车点所在路段的道路等级为快速路、主干路、主干路、次干路,则用户是较难从道路的一侧到达另一侧的,因此若备选上车点与服务请求端若位于同一路段的不同侧,且该路段的道路等级过高,则将这种备选上车点作为向用户展示的上车点明显是不合理的,因此将其作为特征之一作为相关度检测模型的输入。
这里,在车点影响特征同时包括备选上车点与服务请求端是否位于同一路段的同一侧、以及备选上车点所在路段的道路等级时,获取的在该两个上车点影响特征下的特征值可以包括至少一组;其中,一组样本特征值对应一个路段。
例如备选上车点A和服务请求端X附近存在的路段包括:L1和L2;城市道路等级对应于快速路、主干路、次干路、支路、街坊路五个等级,分别用LV1、LV2、LV3、LV4和LV5表示。若备选上车点A和服务请求端X在某路段的同侧,则对应的特征值为1;若备选上车点A和服务请求端X在某路段的不同侧,则对应的特征值为0。
其中,L1的道路等级为LV2,且A和X在L1的同侧。
L2的道路等级为LV3,且A和X在L1的不同侧。
则对应的在该两个上车点影响特征下的特征值表示为:(1,LV2)、(0,LV3)。
这里需要注意的是,输入到相关度检测模型的数据的数据维度通常都是固定的,为了避免某些备选上车点的数据维度较高,而某些备选上车点对应的数据维度较低,例如,某备选上车点M1在“备选上车点与服务请求端是否位于同一路段的同一侧”和“备选上车点所在路段的道路等级”两个上车点影响特征下的特征值分别为:(1,LV2)、(0,LV3),而另一备选上车点M2在“备选上车点与服务请求端是否位于同一路段的同一侧”和“备选上车点所在路段的道路等级”两个上车点影响特征下的特征值分别为:(0,LV2)、(1,LV3)、(1,LV4),可以设置一数据维度阈值,对于数据维度不满足数据维度阈值的备选上车点进行补零的操作。
例如备选上车点M1在“备选上车点与服务请求端是否位于同一路段的同一侧”和“备选上车点所在路段的道路等级”两个上车点影响特征下的特征值进行补零操作后,得到的在上车点影响特征下的特征值为:(1,LV2)、(0,LV3)、(0,0)。
a4:所述备选上车点作为选定上车点的第一热度值。
这里,选定上车点是指用户在基于目标服务页面展示给用户的各个上车点发单时,所选定用于指示服务提供方具体接驾位置的上车点。
可以采用下述方式获取该第一热度值:
获取历史订单的订单信息;所述订单信息中包括选定上车点信息;基于所述选定上车点信息,统计以所述备选上车点为选定上车点的历史订单的第一数量,并将所述第一数量作为所述第一热度值。
这里,历史订单的订单信息中包括选定上车点信息,还包括了其他信息,如订单ID、发单时间、服务请求终端标识、服务请求方账号等。服务器能够基于各个历史订单对应的选定上车点信息,确定所有以备选上车点为选定上车点的历史订单的第一数量,并将该第一数量作为第一热度值。
备选上车点被选择为选定上车点的历史订单的第一数量越多,则表征该备选上车点的热度越高。
这里,区别于第三热度,只要备选上车点在历史订单中作为选定上车点出现,不论该备选上车点的信息是否为展示上车点信息中的一部分,该历史订单都会被作为被统计目标进行统计。
a5:所述备选上车点所在路段的第二热度值。
这里,可以采用下述方式获取第二热度值:
获取历史订单的订单信息,并确定与所述备选上车点在同一路段的同路段上车点;所述订单信息中包括选定上车点信息;
根据所述订单信息中包括选定上车点信息,统计以所述备选上车点为选定上车点的历史订单的第一数量,并统计以所述同路段上车点为选定上车点的历史订单的第二数量;将所述第一数量和第二数量的和作为所述第二热度值。
类似的,也可以将第一数量和第二数量求和,将得到的和值与历史订单总数量的比值作为第二热度值。
a6:所述备选上车点在展示给用户后被选择的第三热度值。
这里,可以采用下述方式获取第三热度值:
获取历史订单的订单信息;所述订单信息中包括:展示上车点信息以及选定上车点信;根据所述展示上车点信息以及所述选定上车点信息,统计以所述备选上车点作为选定上车点时历史订单的第三数量;将所述第三数量作为所述第三热度值。
这里,展示上车点又称定点上车点,是指对各个备选上车点进行排序后,为用户确定的展示给用户的上车点。展示上车点信息包括:至少一个展示上车点的地理位置坐标以及上车点名称。区别于第二热度值,在确定第三数量时,只有在展示上车点信息包括了备选上车点信息,且该备选上车点作为该历史订单中的选定上车点时,该历史订单才会作为被统计目标进行统计。
另外,相关性特征还可以包括所述备选上车点所在区域的服务提供方接受订单的数量、所述备选上车点所在目标区域的服务请求方发起订单的数量等。
当相关性特征包括:备选上车点所在区域的服务提供方接受订单的数量时,这里会预先将某个地域划分为多个区域;划分的具体方式可以根据实际的需要进行具体设定。在确定了备选上车点后,就能够根据备选上车点的地理位置坐标,从划分的多个区域中,确定与备选上车点对应的目标区域,然后确定该目标区域中的服务提供方接受订单的数量。
这里,在服务提供方接受订单时,服务器会将其接受订单时所在位置的地理位置信息进行保存;可以基于其接受订单时所在位置的地理位置信息,确定在某个预设的时间段内,服务提供方在目标区域内接受订单的总数量。
当相关性特征包括:备选上车点所在目标区域的服务请求方发起订单的数量时,也会预先将某个区域划分成多个区域,然后根据备选上车点的地理位置坐标,从划分的多个区域中确定与备选上车点对应的目标区域,然后确定该目标区域中服务请求方发起订单的数量。
类似的,在服务请求方发起订单时,服务器会将其发起订单时所在位置的地理位置信息进行保存;可以基于服务请求方发起订单时所在位置的地理位置信息,确定在某个预设的时间段内,服务请求方在目标区域内发起订单的总数量。
噪声特征是指对相关度检测模型的精度会造成负面影响的特征,例如用户对其所在位置的熟悉程度、司机对要接驾位置的熟悉程度等。噪声特征通常是后验特征;也即在对上车点排序之后才能够获得的特征。
这里,采用其他的客观值来侧面反应该熟悉程度。噪声特征包括但不限于下述b1~b3中一种或者多种:
b1:在所述样本上车点作为选定上车点时所述服务请求端与服务提供端之间的即时通话时长。
b2:接驾路程。
b3:接驾时间。
另外,还可以基于服务请求端对应的历史订单中出发地的地理位置信息,以及服务请求端的当前地理位置信息,确定该服务请求端在与当前地理位置信息对应的位置附近出现的历史次数,并将该历史次数也作为噪声特征的一部分。该历史次数越多,则认为服务请求方对环境越熟悉。
在将各个上车点在噪声特征下的第二特征值置为预设常数值时,该预设常数值可以根据实际的需要具体设定为0、1、2等,具体地,可以根据实际的需要进行设定。
Ⅲ:在上述S203中,相关度检测模型是采用多个样本上车点分别在多个相关性特征下的第一样本特征值,和在多个噪声特征下的第二样本特征值训练而成的。
具体地,参见图3所示,本申请实施例提供一种训练相关度检测模型的具体方法,该方法包括:
S301:确定基础检测模型。
此处,基础检测模型可以但不限于下述模型中一种或者多种:逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型。
以将该基础检测模型确定为逻辑回归模型为例,可以先构建模型的输入、输出以及参数组成的模型公式:
其中,y表示检测模型的相关度检测结果,wn表示相关性特征对应的参数;xn表示相关性特征下的特征值;wr表示噪声特征对应的参数;xn表示噪声特征下的特征值。
以将该基础检测模型确定为深度学习模型为例,可以先构建与相关性特征和噪声特征分别对应的相关性神经网络和噪声神经网络。其中相关性神经网络和噪声神经网络可以是相互不交叉的两个神经网络,可以是同一个神经网络,也可以是在部分网络层具有交叉的两个神经网络,具体的构建方式可以根据实际的需要进行设定。
S302:确定多个样本上车点,并获取各个所述样本上车点分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值。
在具体实施中,样本上车点包括正样本上车点和负样本上车点。其中,正样本上车点与对应历史订单中的服务请求端之间的真实相关度为1,负样本上车点与对应历史订单中的服务请求端之间的真实相关度为0。
在历史订单中,服务请求端展示给用户的上车点称为展示上车点。用户在发单时选择作为与服务请求方约定的上车地点的上车点称为选定上车点。展示上车点一般是从按照对各个备选上车点的排序,从各个备选上车点中确定的。选定上车点可以是这些展示上车点中的一个,也可以是在将展示上车点展示给用户后,用户又通过手动精确搜索、或者用户通过拖动展示在服务页面上的地图而确定的并未包含在展示上车点内的其他上车点。在本申请实施例中,可以将选定上车点作为正样本上车点,并将展示上车点中除选定上车点以外的其他上车点作为负样本上车点,并使得正样本上车点和负样本上车点的数量保持一定的比例。
这里需要注意的是,针对一个历史订单,可以形成一个正样本上车点,和/或至少一个负样本上车点;但是在现实中的同一个上车点与不同的历史订单对应的,可以是类型不同的样本上车点。例如在历史订单S1中,上车点A为选定上车点,上车点B、C和D均为展示上车点,则可以将上车点A作为与历史订单S1对应的正样本上车点;将上车点B、C和D均作为与历史订单S1对应的负样本上车点。同时在另一历史订单S2中,上车点B为选定上车点,上车点A、B和C均为展示上车点,则可以将上车点B作为与历史订单S2对应的正样本上车点,并将上车点A和C均作为与历史订单S2对应的负样本上车点。
这里为了描述方便,本申请实施例将对应于不同历史订单的同一上车点,视作不同的样本上车点。
因此在对相关度检测模型进行训练时,获取各个样本上车点在多个上车点影响下的样本特征值,即为针对样本上车点,获取该样本上车点在与该样本上车点对应的历史订单下,在多个上车点影响特征下的特征值。
在确定各个样本上车点对应对相关度检测模型的影响权重时,即为分别确定该样本上车点在与该样本上车点对应的历史订单下,对相关度检测模型的影响权重。
这里,可以采用下述方式确定多个样本上车点:
获取多个样本订单的样本订单信息;所述样本订单信息包括:样本展示上车点、以及样本选定上车点;
将所述样本选定上车点确定为正样本上车点;
将所述样本展示上车点中除所述样本选定上车点以外的其他上车点,确定为负样本上车点。
这里,样本订单一般是从历史订单中筛选的订单。筛选时,可以按照时间筛选,也可以按照区域筛选。
示例性的,在按照时间筛选样本订单时,例如将预设历史时间段内的所有历史订单均作为备选样本订单。可以将确定的备选样本订单都作为选定的样本订单;也可以根据各个备选样本订单的所包含的信息量,从各个备选样本订单中确定选定的样本订单;这里,信息量可以包括:与备选样本订单对应的展示上车点的数量;若某个备选样本订单对应的展示上车点的数量多于预设数量,则将备选样本订单作为选定的样本订单;若某个备选样本订单对应的展示上车点的数量少于预设数量,例如某个历史订单对应的展示上车点的数量仅有一个,则不会将该备选样本订单作为选定的样本订单。
示例性的,在按照区域筛选样本订单时,还可以将整个地域按照一定的规则划分为多个区域;然后针对每个区域,将出发地和/或目的地落入某个区域内的历史订单,作为与该区域对应的备选样本订单。可以将该区域对应的所有备选样本订单均作为选定的样本订单;也可以针对每个区域,按照与上述按照时间筛选样本订单类似的方式,从备选样本订单中确定选定的样本订单。
在确定样本订单后,根据该样本订单对应的样本订单信息中包括的样本展示上车点和样本选定上车点,确定正样本上车点和负样本上车点。
S303:将所述样本上车点在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本上车点的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
在具体实施中,根据基础检测模型的结构不同,获取与样本上车点对应的样本相关度检测结果的方式也不相同。
在一种实施例中,所构建的基础检测模型包括:第一基础检测模型和第二基础检测模型;其中,其一基础检测模型使用相关性特征作为解释变量,第二基础检测模型将噪声特征作为解释变量,且第一基础检测模型和第二基础检测模型是在结构上不相关的两个模型。
在将样本上车点在相关性特征下的第一样本特征值和在噪声特征下的第二样本特征值输入至基础检测模型中时,是将样本上车点在相关性特征下的第一样本特征值输入至第一基础检测模型中,获取与第一基础检测模型对应的第一基础检测结果;并将在噪声特征下的第二样本特征值输入至第二基础检测模型中,获取与第二基础检测模型对应的第二基础检测结果,然后将第一基础检测结果和第二基础检测结果进行加权求和,得到对应的相关度检测结果。
在另一实施例中,所构建的基础检测模型包括:第一基础检测模型和第二基础检测模型,和第三基础检测模型,其中,第一基础检测模型使用相关性特征作为解释变量,第二基础检测模型将噪声特征作为解释变量,第三基础检测模型使用第一基础检测模型和第二基础检测模型的输出为该第三基础检测模型的输入,并能输出对应的相关度检测结果。
在将样本上车点在相关性特征下的第一样本特征值和在噪声特征下的第二样本特征值输入至基础检测模型中时,是将样本上车点在相关性特征下的第一样本特征值输入至第一基础检测模型中,获得第一中间处理结果,并将该样本上车点在噪声特征下的第二样本特征值输入至第二基础检测模型中,获得第二中间处理结果,然后将第一中间处理结果和第二中间处理结果一起输入至第三基础检测模型中,获取对应的相关度检测结果。
在另一实施例中,所构建的基础检测模型仅有一个,且该基础检测模型以相关性特征和噪声特征共同作为解释变量,则在将样本上车点在相关性特征下的第一样本特征值和在噪声特征下的第二样本特征值输入至基础检测模型中时,是将样本上车点在相关性特征下的第一样本特征值和在噪声特征下的第二样本特征值同时输入至基础检测模型中,得到对应的相关度检测结果。
在具体实施中,在根据样本上车点对应的样本相关度检测结果和真实相关度对基础检测模型训练的过程,实际上是对基础检测模型中的参数进行求解的过程。
针对不同类型的基础检测模型,其训练方式有所区别:
示例性的,若基础检测模型为逻辑回归模型,则训练过程可以为:
根据各个样本上车点在相关性特征下的第一样本特征值,和在噪声特征下的第二样本特征值构建解释变量矩阵;根据各个样本上车点的真实相关度,构建被解释变量矩阵,并基于所确定的相关性特征和噪声特征的参数,构建参数矩阵;然后使用解释变量矩阵和被解释变量矩阵对参数矩阵进行求解,进而得到训练好的基础检测模型。
示例性的,若基础检测模型为神经网络模型,该训练过程可以为:
将所述样本上车点在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值输入至所述基础检测模型,获取与所述样本上车点对应的样本相关度检测结果。
根据各个所述样本上车点对应的所述样本相关度检测结果,以及真实相关度,计算交叉熵损失,并基于交叉熵损失调整基础检测模型的参数。
经过对技术识别模型参数的多轮调整,得到训练好的基础检测模型。
具体地模型训练方式在此不再赘述。
Ⅳ:在上述S204中:
在本申请另一实施例中,在根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序之后,还包括:
S205:根据对所述备选上车点的排序,从所述备选上车点中确定预设数量个定点上车点,并通过所述服务请求端展示所述定点上车点。
这里,在通过服务请求端展示定点上车点时,若该方法的执行主体为服务请求端,则服务请求端直接将定点上车点在服务界面上展示即可;若该方法的执行主体为服务器,则服务器会将定点上车点发送至服务请求端;服务请求端在接收到服务器发送的定点上车点时,在对应的服务界面上展示定点上车点。
本申请实施例中在对相关度检测模型训练时,所采用的样本上车点在各个噪声特征下的特征值是在实际环境下提取的噪声特征值,而在对相关度检测模型的应用中,则要将备选上车定在噪声特征下的第二特征值置为预设常数值,这样在相关度检测模型训练过程中考虑到噪声特征对模型精度的影响,而在使用过程中则将噪声特征的影响排除掉,从而得到的检测结果只受到备选上车点在各个相关性特征下的第一特征值的影响,提升了相关度检测模型的精度,进而提升对备选上车点的排序精度。
基于同一发明构思,本申请实施例中还提供了与上车点排序的方法对应的上车点排序的装置,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上车点排序的方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图4所示,为本申请实施例提供的一种上车点排序的装置的示意图,所述装置包括:第一获取模块41、第一确定模块42、第一处理模块43、以及第一排序模块44;其中:
第一获取模块41,用于获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点;
第一确定模块42,用于针对每个所述备选上车点,确定该备选上车点在多个相关性特征下的第一特征值,并将该备选上车点在多个噪声特征下的第二特征值置为预设常数值;
第一处理模块43,用于将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该备选上车点与所述服务请求端之间的相关度;其中,所述相关度检测模型采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
第一排序模块44,用于根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序,以便用户根据排序结果选择最终的上车点。
一种可选实施方式中,还包括:第一模型训练模块45,用于采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各个所述样本上车点的相关度作为被解释变量;
确定多个样本上车点,并获取各个所述样本上车点分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本上车点在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本上车点的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
一种可选实施方式中,所述基础检测模型包括:逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
一种可选实施方式中,所述样本上车点包括:正样本上车点以及负样本上车点;
所述第一模型训练模块45,用于采用下述方式确定多个所述样本上车点:
获取多个样本订单的样本订单信息;所述样本订单信息包括:样本展示上车点、以及样本选定上车点;
将所述样本选定上车点确定为正样本上车点;
将所述样本展示上车点中除所述样本选定上车点以外的其他上车点,确定为负样本上车点。
一种可选实施方式中,所述第一获取模块41,具体用于采用下述步骤获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点:
接收服务请求端在目标服务界面被打开时发送的所述地理位置信息;
基于所述地理位置信息,从上车点数据库中,获取与所述地理位置信息对应的多个所述备选上车点;
所述地理位置信息指示的地理位置,与所述备选上车点间的距离小于预设距离阈值。
一种可选实施方式中,所述相关性特征包括下述一种或者多种:所述备选上车点与服务请求端之间的距离、所述备选上车点与服务请求端是否位于同一路段的同一侧、所述备选上车点所在路段的道路等级、所述备选上车点作为选定上车点的第一热度值、所述备选上车点所在路段的第二热度值、以及所述备选上车点在展示给用户后被选择的第三热度值。
一种可选实施方式中,所述噪声特征包括以下一种或者多种:在所述备选上车点作为选定上车点时所述服务请求端与服务提供端之间的即时通话时长、接驾路程、接驾时间。
一种可选实施方式中,还包括:展示模块46,用于根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序之后,
根据对所述备选上车点的排序,从所述备选上车点中确定预设数量个定点上车点,并通过所述服务请求端展示所述定点上车点。
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。
本申请实施例还提供了一种计算机设备50,如图5所示,为本申请实施例提供的计算机设备50结构示意图,包括:处理器51、存储器52、和总线53。所述存储器52存储有所述处理器51可执行的机器可读指令(比如,图4中的装置中第一获取模块41、第一确定模块42、第一处理模块43、以及第一排序模块44对应的执行指令等),当计算机设备50运行时,所述处理器51与所述存储器52之间通过总线53通信,所述机器可读指令被所述处理器51执行时执行如下处理:获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点;
针对每个所述备选上车点,确定该备选上车点在多个相关性特征下的第一特征值,并将该备选上车点在多个噪声特征下的第二特征值置为预设常数值;
将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该备选上车点与所述服务请求端之间的相关度;其中,所述相关度检测模型采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序,以便用户根据排序结果选择最终的上车点。
一种可能的实施方式中,处理器51执行的指令中,采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各个所述样本上车点的相关度作为被解释变量;
确定多个样本上车点,并获取各个所述样本上车点分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本上车点在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本上车点的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
一种可能的实施方式中,处理器51执行的指令中,所述基础检测模型包括:逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
一种可能的实施方式中,处理器51执行的指令中,所述样本上车点包括:正样本上车点以及负样本上车点;
所述确定多个所述样本上车点,具体包括:
获取多个样本订单的样本订单信息;所述样本订单信息包括:样本展示上车点、以及样本选定上车点;
将所述样本选定上车点确定为正样本上车点;
将所述样本展示上车点中除所述样本选定上车点以外的其他上车点,确定为负样本上车点。
一种可能的实施方式中,处理器51执行的指令中,备选上车点,包括:
接收服务请求端在目标服务界面被打开时发送的所述地理位置信息;
基于所述地理位置信息,从上车点数据库中,获取与所述地理位置信息对应的多个所述备选上车点;
所述地理位置信息指示的地理位置,与所述备选上车点间的距离小于预设距离阈值。
一种可能的实施方式中,处理器51执行的指令中,所述相关性特征包括下述一种或者多种:所述备选上车点与服务请求端之间的距离、所述备选上车点与服务请求端是否位于同一路段的同一侧、所述备选上车点所在路段的道路等级、所述备选上车点作为选定上车点的第一热度值、所述备选上车点所在路段的第二热度值、以及所述备选上车点在展示给用户后被选择的第三热度值。
一种可能的实施方式中,处理器51执行的指令中,所述噪声特征包括以下一种或者多种:在所述备选上车点作为选定上车点时所述服务请求端与服务提供端之间的即时通话时长、接驾路程、接驾时间。
一种可能的实施方式中,处理器51执行的指令中,根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序之后,还包括:
根据对所述备选上车点的排序,从所述备选上车点中确定预设数量个定点上车点,并通过所述服务请求端展示所述定点上车点。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述上车点排序的方法的步骤。
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,能够执行上述上车点排序的方法,从而解决采用样本上车点分别在相关性特征下的特征值来训练相关度检测模型,导致由于噪声的影响,降低相关度检测模型的模型精度,导致对上车点的排序精度也较低的问题,进而达到提升相关度检测模型的精度,进而提升上车点排序的精度的效果。
参见图6所示,本申请实施例还提供一种信息排序的方法,包括:
S601:获取目标用户的用户信息,并基于所述用户信息确定多条待推送信息;
S602:针对每条所述待推送信息,确定该条待推送信息在多个相关性特征下的第一特征值,并将该条待推送信息在多个噪声特征下的第二特征值置为预设常数值;
S603:将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该条待推送信息与所述目标用户之间的相关度;其中,所述相关度检测模型采用多条样本推送信息分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本推送信息在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
S604:根据每条所述待推送信息分别对应的相关度,对所述待推送信息进行排序,以便用户根据排序结果选择最终的推送信息。
在本申请实施例中,针对待推送信息的不同,所获取的目标用户的用户信息也有所区别;例如,若待推送信息为上车点,则对应的用户信息为服务请求端的地理位置信息;若待推送信息为视频信息,则对应的用户信息为视频观看历史信息;若待推送信息为加油站,则对应的用户信息为服务请求端的地理位置信息以及用户对各个加油站的使用信息;若待推送信息为购物网站中的商品信息,则对应的用户信息为用户购买历史信息。
针对不同的待推送信息,相关性特征和噪声特征也有所区别。
例如若待推送信息为视频信息,则对应的相关性特征包括:视频观看频率、观看的视频的类型等;噪声特征包括:观看时长占据视频总时长的比例、在打开视频后是否又在预设时间内关闭等。
若待推送信息为购物网站中的商品信息,则对应相关性特征包括:操作的商品种类、商品价格、对商品的操作类型等;对应的噪声特征包括:商品购买后退货的概率、差评率等。
具体地,可以根据实际情况进行设定。
另外,采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各条样本推送信息的相关度作为被解释变量;
确定多条所述样本推送信息,并获取各条所述样本推送信息分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本推送信息在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本推送信息的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
另外,在本申请另一实施例中,在根据每条所述待推送信息分别对应的相关度,对所述待推送信息进行排序后,还包括:
根据对所述待推送信息的排序,从所述待推送信息中确定预设数量条选定推送信息,并将选定推送信息推送至目标用户对应的目标设备。
本申请实施例中在对相关度检测模型训练时,所采用的多条样本推送信息在各个噪声特征下的特征值是在实际环境下提取的噪声特征值,而在对相关度检测模型的应用中,将待推送信息在备选上车定在噪声特征下的第二特征值置为预设常数值,这样在相关度检测模型训练过程中考虑到噪声特征对模型精度的影响,而在使用过程中则将噪声特征的影响排除掉,从而得到的检测结果只受到嗲推送信息在各个相关性特征下的第一特征值的影响,提升了相关度检测模型的精度,进而提升对待排序信息进行排序的精度。
参照图7所示,为本申请实施例提供的一种上车点排序的装置的示意图,所述装置包括:第二获取模块71、第二确定模块72、第二处理模块73、以及第二排序模块74;其中:
第二获取模块71,用于获取目标用户的用户信息,并基于所述用户信息确定多条待推送信息;
第二确定模块72,用于针对每条所述待推送信息,确定该条待推送信息在多个相关性特征下的第一特征值,并将该条待推送信息在多个噪声特征下的第二特征值置为预设常数值;
第二处理模块73,用于将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该条待推送信息与所述目标用户之间的相关度;其中,所述相关度检测模型采用多条样本推送信息分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本推送信息在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
第二排序模74,用于根据每条所述待推送信息分别对应的相关度,对所述待推送信息进行排序,以便用户根据排序结果选择最终的推送信息。
一种可选实施方式中,还包括:第二模型训练模块75,用于采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各条样本推送信息的相关度作为被解释变量;
确定多条所述样本推送信息,并获取各条所述样本推送信息分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本推送信息在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本推送信息的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
本申请实施例还提供了一种计算机设备80,如图8所示,为本申请实施例提供的计算机设备80结构示意图,包括:处理器81、存储器82、和总线83。所述存储器82存储有所述处理器81可执行的机器可读指令(比如,图4中的装置中第二获取模块71、第二确定模块72、第二处理模块73、以及第二排序模块74对应的执行指令等),当计算机设备80运行时,所述处理器81与所述存储器82之间通过总线83通信,所述机器可读指令被所述处理器81执行时执行如下处理:
获取目标用户的用户信息,并基于所述用户信息确定多条待推送信息;
针对每条所述待推送信息,确定该待条推送信息在多个相关性特征下的第一特征值,并将该条待推送信息在多个噪声特征下的第二特征值置为预设常数值;
将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该条待推送信息与所述目标用户之间的相关度;其中,所述相关度检测模型采用多条样本推送信息分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
根据每条所述待推送信息分别对应的相关度,对所述待推送信息进行排序,以便用户根据排序结果选择最终的推送信息。
一种可能的实施方式中,处理器81执行的指令中,用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以所述各条样本推送信息的相关度作为被解释变量;
确定多条所述样本推送信息,并获取各条所述样本推送信息分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本推送信息在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本推送信息的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述信息排序的方法的步骤。
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,能够执行上述上车点排序的方法,从而解当前的信息排序精度较低的问题,进而达到提升相关度检测模型的精度,进而提升信息排序的精度的效果。
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 (13)
1.一种上车点排序的方法,其特征在于,包括:
获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点;
针对每个所述备选上车点,确定该备选上车点在多个相关性特征下的第一特征值,并将该备选上车点在多个噪声特征下的第二特征值置为预设常数值;
将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该备选上车点与所述服务请求端之间的相关度;其中,所述相关度检测模型采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序,以便用户根据排序结果选择最终的上车点。
2.根据权利要求1所述的方法,其特征在于,采用下述方式训练所述相关度检测模型:
确定基础检测模型;所述基础检测模型以所述相关性特征和所述噪声特征作为解释变量,以各个所述样本上车点的相关度作为被解释变量;
确定多个样本上车点,并获取各个所述样本上车点分别在多个相关性特征下的第一样本特征值,以及在多个噪声特征下的第二样本特征值;
将所述样本上车点在所述相关性特征下的第一样本特征值以及在所述噪声特征下的第二样本特征值作为解释变量的值,将各个所述样本上车点的真实相关度作为被解释变量的值,对所述基础检测模型进行训练,并将训练完成后的所述基础检测模型作为所述相关度检测模型。
3.根据权利要求2所述的方法,其特征在于,所述基础检测模型包括:逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
4.根据权利要求2所述的方法,其特征在于,所述样本上车点包括:正样本上车点以及负样本上车点;
所述确定多个所述样本上车点,具体包括:
获取多个样本订单的样本订单信息;所述样本订单信息包括:样本展示上车点、以及样本选定上车点;
将所述样本选定上车点确定为正样本上车点;
将所述样本展示上车点中除所述样本选定上车点以外的其他上车点,确定为负样本上车点。
5.根据权利要求1所述的方法,其特征在于,所述获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点,包括:
接收服务请求端在目标服务界面被打开时发送的所述地理位置信息;
基于所述地理位置信息,从上车点数据库中,获取与所述地理位置信息对应的多个所述备选上车点;
所述地理位置信息指示的地理位置,与所述备选上车点间的距离小于预设距离阈值。
6.根据权利要求1所述的方法,其特征在于,所述相关性特征包括下述一种或者多种:所述备选上车点与服务请求端之间的距离、所述备选上车点与服务请求端是否位于同一路段的同一侧、所述备选上车点所在路段的道路等级、所述备选上车点作为选定上车点的第一热度值、所述备选上车点所在路段的第二热度值、以及所述备选上车点在展示给用户后被选择的第三热度值。
7.根据权利要求1所述的方法,其特征在于,所述噪声特征包括以下一种或者多种:在所述备选上车点作为选定上车点时所述服务请求端与服务提供端之间的即时通话时长、接驾路程、接驾时间。
8.根据权利要求1所述的方法,其特征在于,根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序之后,还包括:
根据对所述备选上车点的排序,从所述备选上车点中确定预设数量个定点上车点,并通过所述服务请求端展示所述定点上车点。
9.一种信息排序的方法,其特征在于,该方法包括:
获取目标用户的用户信息,并基于所述用户信息确定多条待推送信息;
针对每条所述待推送信息,确定该条待推送信息在多个相关性特征下的第一特征值,并将该条待推送信息在多个噪声特征下的第二特征值置为预设常数值;
将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该条待推送信息与所述目标用户之间的相关度;其中,所述相关度检测模型采用多条样本推送信息分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本推送信息在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
根据每条所述待推送信息分别对应的相关度,对所述待推送信息进行排序,以便用户根据排序结果选择最终的备选信息。
10.一种上车点排序的装置,其特征在于,包括:
第一获取模块,用于获取服务请求端的地理位置信息,并基于所述地理位置信息确定多个备选上车点;
第一确定模块,用于针对每个所述备选上车点,确定该备选上车点在多个相关性特征下的第一特征值,并将该备选上车点在多个噪声特征下的第二特征值置为预设常数值;
第一处理模块,用于将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该备选上车点与所述服务请求端之间的相关度;其中,所述相关度检测模型采用多个样本上车点分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本上车点在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
第一排序模块,用于根据每个所述备选上车点分别对应的相关度,对所述备选上车点进行排序,以便用户根据排序结果选择最终的上车点。
11.一种信息排序的装置,其特征在于,该装置包括:
第二获取模块,用于获取目标用户的用户信息,并基于所述用户信息确定多条待推送信息;
第二确定模块,用于针对每条所述待推送信息,确定该条待推送信息在多个相关性特征下的第一特征值,并将该条待推送信息在多个噪声特征下的第二特征值置为预设常数值;
第二处理模块,用于将所述第一特征值和置为预设常数值的第二特征值输入至相关度检测模型中,获取该条待推送信息与所述目标用户之间的相关度;其中,所述相关度检测模型采用多条样本推送信息分别在多个相关性特征以及多个噪声特征下的特征值训练而成;所述样本推送信息在多个噪声特征下的特征值为通过在实际环境下提取的噪声特征值;
第二排序模块,用于根据每条所述待推送信息分别对应的相关度,对所述待推送信息进行排序,以便用户根据排序结果选择最终的推送信息。
12.一种计算机设备,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,当计算机设备运行时,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9任一所述方法的步骤。
13.一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9任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910907244.0A CN111831931B (zh) | 2019-09-24 | 2019-09-24 | 一种上车点排序、信息排序的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910907244.0A CN111831931B (zh) | 2019-09-24 | 2019-09-24 | 一种上车点排序、信息排序的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831931A true CN111831931A (zh) | 2020-10-27 |
CN111831931B CN111831931B (zh) | 2023-11-17 |
Family
ID=72912332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910907244.0A Active CN111831931B (zh) | 2019-09-24 | 2019-09-24 | 一种上车点排序、信息排序的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831931B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067012A (zh) * | 2020-11-12 | 2020-12-11 | 南京领行科技股份有限公司 | 网约车接人判定方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170270447A1 (en) * | 2014-09-02 | 2017-09-21 | Telecom Italia S.P.A. | Method and system for providing a dynamic ride sharing service |
WO2018058072A1 (en) * | 2016-09-23 | 2018-03-29 | Operr Technologies, Inc. | System and method for customizable prescheduled dispatching for transportation services |
CN108765933A (zh) * | 2018-07-18 | 2018-11-06 | 北京三快在线科技有限公司 | 一种推荐上车点的方法、装置、设备及存储介质 |
CN109325185A (zh) * | 2018-07-16 | 2019-02-12 | 北京三快在线科技有限公司 | 一种确定上车点的方法、装置、设备及存储介质 |
CN109816438A (zh) * | 2019-01-11 | 2019-05-28 | 珠海天燕科技有限公司 | 信息推送方法及装置 |
WO2019128552A1 (zh) * | 2017-12-29 | 2019-07-04 | Oppo广东移动通信有限公司 | 信息推送方法、装置、终端及存储介质 |
CN110262863A (zh) * | 2019-06-11 | 2019-09-20 | 大众问问(北京)信息科技有限公司 | 一种终端主界面的展示方法和装置 |
-
2019
- 2019-09-24 CN CN201910907244.0A patent/CN111831931B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170270447A1 (en) * | 2014-09-02 | 2017-09-21 | Telecom Italia S.P.A. | Method and system for providing a dynamic ride sharing service |
WO2018058072A1 (en) * | 2016-09-23 | 2018-03-29 | Operr Technologies, Inc. | System and method for customizable prescheduled dispatching for transportation services |
WO2019128552A1 (zh) * | 2017-12-29 | 2019-07-04 | Oppo广东移动通信有限公司 | 信息推送方法、装置、终端及存储介质 |
CN109325185A (zh) * | 2018-07-16 | 2019-02-12 | 北京三快在线科技有限公司 | 一种确定上车点的方法、装置、设备及存储介质 |
CN108765933A (zh) * | 2018-07-18 | 2018-11-06 | 北京三快在线科技有限公司 | 一种推荐上车点的方法、装置、设备及存储介质 |
CN109816438A (zh) * | 2019-01-11 | 2019-05-28 | 珠海天燕科技有限公司 | 信息推送方法及装置 |
CN110262863A (zh) * | 2019-06-11 | 2019-09-20 | 大众问问(北京)信息科技有限公司 | 一种终端主界面的展示方法和装置 |
Non-Patent Citations (2)
Title |
---|
易灵芝;刘智磊;龙辛;: "基于互信息冗余性分析的神经网络风电功率预测", 湘潭大学自然科学学报, no. 02 * |
毕金强;许家帅;辛全波;尚东方;: "一种基于SURF与地理格网模型的增强现实方法", 计算机与现代化, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067012A (zh) * | 2020-11-12 | 2020-12-11 | 南京领行科技股份有限公司 | 网约车接人判定方法及装置 |
CN112067012B (zh) * | 2020-11-12 | 2021-03-02 | 南京领行科技股份有限公司 | 网约车接人判定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111831931B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111854779B (zh) | 一种路线规划方法、装置、电子设备及可读存储介质 | |
AU2020203551A1 (en) | Dynamically determining origin and destination locations for a network system | |
Ou et al. | Intensity and daily pattern of passenger vehicle use by region and class in China: estimation and implications for energy use and electrification | |
CN111324824B (zh) | 一种目的地推荐方法、其装置、电子设备及可读存储介质 | |
US20150154638A1 (en) | Fuel purchase planning along a route | |
CN111831897B (zh) | 一种出行目的地推荐方法、装置、电子设备及存储介质 | |
CN111651437B (zh) | 一种数据清洗方法、装置、电子设备及存储介质 | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
CN111860904A (zh) | 上车点排序的方法及装置 | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN111831931A (zh) | 一种上车点排序、信息排序的方法及装置 | |
Arora et al. | Private vs. pooled transportation: Customer preference and design of green transport policy | |
CN111831686A (zh) | 排序模型的优化方法、装置、系统、电子设备及存储介质 | |
KR102455030B1 (ko) | 렌터카 계약 관리 시스템 | |
WO2020091620A1 (ru) | Способ прогнозирования пассажиропотока и устройство для его осуществления | |
CN116962966A (zh) | 推荐接载位置的方法和设备 | |
CN113987312A (zh) | 货运汽车装卸货停靠点的推荐方法、设备及存储介质 | |
CN111832769A (zh) | 上车点排序、信息排序方法及装置 | |
CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
CN114282976A (zh) | 供应商推荐方法、装置、电子设备及介质 | |
CN113112850A (zh) | 众包导航系统和方法 | |
Huang et al. | Analysing taxi customer-search behaviour using Copula-based joint model | |
CN111861650A (zh) | 信息显示方法、第一服务请求端、系统及电子设备 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |