CN111859172B - 信息推送方法、装置、电子设备和计算机可读存储介质 - Google Patents
信息推送方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111859172B CN111859172B CN201910907654.5A CN201910907654A CN111859172B CN 111859172 B CN111859172 B CN 111859172B CN 201910907654 A CN201910907654 A CN 201910907654A CN 111859172 B CN111859172 B CN 111859172B
- Authority
- CN
- China
- Prior art keywords
- starting point
- target
- historical
- time
- order
- 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 46
- 238000012549 training Methods 0.000 claims description 45
- 230000000977 initiatory effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 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
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种信息推送方法、装置、电子设备和计算机可读存储介质,该方法包括:获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合;针对所述目标起始点集合中的每个目标起始点,基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率;基于所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型;调整后的起始点预测模型用于为发起服务请求的请求端预测起始点。本申请实施例能够提高推送起始点的准确度。
Description
技术领域
本申请涉及信息技术领域,具体而言,涉及一种信息推送方法、装置、电子设备和计算机可读存储介质。
背景技术
目前,随着汽车电子技术的持续快速发展,乘坐出租车出行和预约乘坐私家车出行等出行方式得到了长足发展,在人们日常生活出行中起到了不可替代的作用,为广大人民的日常生活、交通出行带来了极大方便。
乘客在使用平台出行时,乘客可以通过手动输入方式在乘客端的出行界面中输入起始点,导致乘客端生成出行订单的时长比较长,或者根据终端当前定位的位置为用户推荐多个起始点,以供乘客在推荐的多个起始点中选择,但是,采用上述推荐方法为乘客推荐的多个起始点可能均不是乘客实际要上车的起始点,从而无法保证推荐的起始点的准确性,进而无法有效提升平台服务质量。
发明内容
有鉴于此,本申请的目的在于提供一种信息推送方法、装置、电子设备和计算机可读存储介质,以提高推送起始点的准确度。
第一方面,本申请实施例提供了一种信息推送装置,该装置包括:
获取模块,用于获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合;
确定模块,用于针对所述获取模块获取的所述目标起始点集合中的每个目标起始点,基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率;所述订单时间为请求端发起服务请求的时间;
生成模块,用于基于所述确定模块确定的所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型;所述调整后的起始点预测模型用于为发起服务请求的请求端预测起始点。
在一种实施方式中,所述获取模块用于根据以下步骤获取所述目标起始点集合:
基于每个所述请求端的历史订单的历史真实起始点,分别与该历史订单的每个历史推荐上车点之间的距离,从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点。
在一种实施方式中,所述获取模块用于根据以下步骤从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点:
将小于设定距离阈值的所述距离对应的历史推荐上车点作为所述目标起始点集合中的目标起始点。
在一种实施方式中,所述确定模块用于根据以下步骤确定在不同的预测时间段,该目标起始点分别对应的未选择概率:
针对推荐起始点包含该目标起始点的每个历史订单,计算该历史订单的订单时间和所述目标时间之间的第一时间差和第二时间差,所述第一时间差是指所述订单时间和目标时间分别对应的日期之间相差的天数,所述第二时间差所述订单时间和目标时间分别对应的当天的时间点之间相差的时间值;
基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重;
针对每个预测时间段,统计属于该预测时间段的第二时间差对应的历史订单;
针对每个所述衰减系数,基于在该衰减系数下统计的每个预测时间段对应的历史订单的权重,以及其它各历史订单的权重,确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
在一种实施方式中,所述确定模块用于根据以下步骤确定在每个衰减系数下该历史订单的权重:
针对多个衰减系数中的每个衰减系数,将该衰减系数作为底数,将所述历史订单对应的第一时间差作为指数,计算在该衰减系数下所述历史订单的权重。
在一种实施方式中,所述确定模块用于根据以下步骤确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率括:
针对每个预测时间段,计算在所述衰减系数下统计的该预测时间段对应的历史订单的权重的第一和值;
计算在所述衰减系数下所有历史订单的权重的第二和值;
将所述第一和值和所述第二和值的比值作为在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
在一种实施方式中,所述生成模块用于根据以下步骤生成调整后的起始点预测模型:
基于各所述请求端的历史订单信息,建立训练样本库,所述训练样本库中包括各所述请求端的历史订单特征以及对应的历史真实起始点的标签;
将所述初始起始点预测模型作为进行训练的基础模型,将所述历史订单特征和所述目标起始点集合中各目标起始点在不同的预测时间段分别对应的未选择概率作为模型输入特征,将对应的历史真实起始点的标签作为模型输出特征,训练得到调整后的起始点预测模型。
在一种实施方式中,所述生成模块用于根据以下步骤建立训练样本库:
基于各所述请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,建立所述训练样本库。
在一种实施方式中,该装置还包括:
预测模块,用于在接收到请求端的服务请求后,基于该请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,和所述调整后的起始点预测模型,为该请求端预测起始点。
第二方面,本申请实施例提供了一种信息推送方法,该方法包括:
获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合;
针对所述目标起始点集合中的每个目标起始点,基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率;所述订单时间为请求端发起服务请求的时间;
基于所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型;所述调整后的起始点预测模型用于为发起服务请求的请求端预测起始点。
在一种实施方式中,根据以下步骤获取所述目标起始点集合:
基于每个所述请求端的历史订单的历史真实起始点,分别与该历史订单的每个历史推荐上车点之间的距离,从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点。
在一种实施方式中,从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点,包括:
将小于设定距离阈值的所述距离对应的历史推荐上车点作为所述目标起始点集合中的目标起始点。
在一种实施方式中,所述基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率,包括:
针对推荐起始点包含该目标起始点的每个历史订单,计算该历史订单的订单时间和所述目标时间之间的第一时间差和第二时间差,所述第一时间差是指所述订单时间和目标时间分别对应的日期之间相差的天数,所述第二时间差所述订单时间和目标时间分别对应的当天的时间点之间相差的时间值;
基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重;
针对每个预测时间段,统计属于该预测时间段的第二时间差对应的历史订单;
针对每个所述衰减系数,基于在该衰减系数下统计的每个预测时间段对应的历史订单的权重,以及其它各历史订单的权重,确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
在一种实施方式中,基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重,包括:
针对多个衰减系数中的每个衰减系数,将该衰减系数作为底数,将所述历史订单对应的第一时间差作为指数,计算在该衰减系数下所述历史订单的权重。
在一种实施方式中,针对每个所述衰减系数,基于在该衰减系数下统计的每个预测时间段的历史订单的权重,以及其它各历史订单的权重,确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率,包括:
针对每个预测时间段,计算在所述衰减系数下统计的该预测时间段对应的历史订单的权重的第一和值;
计算在所述衰减系数下所有历史订单的权重的第二和值;
将所述第一和值和所述第二和值的比值作为在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
在一种实施方式中,基于所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型,包括:
基于各所述请求端的历史订单信息,建立训练样本库,所述训练样本库中包括各所述请求端的历史订单特征以及对应的历史真实起始点的标签;
将所述初始起始点预测模型作为进行训练的基础模型,将所述历史订单特征和所述目标起始点集合中各目标起始点在不同的预测时间段分别对应的未选择概率作为模型输入特征,将对应的历史真实起始点的标签作为模型输出特征,训练得到调整后的起始点预测模型。
在一种实施方式中,所述基于各所述请求端的历史订单信息,建立训练样本库,包括:
基于各所述请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,建立所述训练样本库。
在一种实施方式中,该方法还包括:
在接收到请求端的服务请求后,基于该请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,和所述调整后的起始点预测模型,为该请求端预测起始点。
第三方面,本申请实施例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,以执行上述信息推送方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述信息推送方法的步骤。
本申请实施例提供的信息推送方法,通过获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合,考虑目标起始点集合中的目标起始点在不同的预测时间段,各目标起始点分别对应的未选择概率,进一步,基于目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型,通过将各个目标起始点的未选择概率输入模型进行训练,提高了得到的调整后的起始点预测模型的预测精度,进而在利用调整后的起始点预测模型为发起服务请求的请求端预测起始点时,提高了为请求端预测的起始点的准确度,使得出行服务平台能够更好的满足请求端的需求,提高了出行服务平台的服务质量。
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信息推送系统的架构示意图;
图2示出了本申请实施例提供的一种信息推送方法的第一种流程示意图;
图3示出了本申请实施例提供的一种信息推送方法的第二种流程示意图;
图4示出了本申请实施例提供的一种信息推送方法的第三种流程示意图;
图5示出了本申请实施例提供的一种信息推送装置的结构示意图;
图6示出了本申请实施例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“出行场景”,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出行场景进行描述,但是应该理解,这仅是一个示例性实施例。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务请求方”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用,以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。在本申请中,“乘客”和“乘客终端”可以互换使用,“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用,以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请实施例可以服务于出行服务平台,该出行服务平台用于根据接收的客户端的出行服务请求为用户提供相应的服务。出行服务平台可以包括多个打车系统,如包括出租车打车系统、快车打车系统、专车打车系统、顺风车打车系统等。
本申请实施例的信息推荐方法可以应用于出行服务平台的服务器,也可以应用于其它任意具有处理功能的计算设备。在一些实施例中,上述服务器或计算设备可以包括处理器。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。
目前,乘客在使用出行服务平台出行时,一般是乘客通过手动方式在服务请求端的出行界面中输入起始点,当乘客通过手动方式输入起始点时,耗费的时长比较久,进而导致生成出行订单的时长比较长,或者,出行服务平台根据终端当前定位的位置或者当前定位的位置附近常用的上车点,以上车点列表的形式为乘客推荐多个目的地,乘客可以在推荐的多个上车点中选择实际上车的起始点,如,乘客的所在定位位置为A,定位位置A附近常用的上车点包括B、C,则将A、B、C以列表形式展示给乘客,乘客从中选择实际上车的起始点,但是,采用上述推荐起始点的方式为乘客推荐的多个起始点可能均不是乘客实际要上车的起始点,此时,乘客需要通过手动方式输入起始点,既浪费了时间,也无法保证为乘客推荐的起始点的准确性,进而也无法有效提升出行服务平台的服务质量。
为了便于描述,本申请通过考虑未被请求端选择的目标起始点的未选择概率,并将该未选择概率作为模型输入特征输入到初始起始点预测模型,得到能够用于预测起始点的起始点预测模型,为请求端预测起始点,提高了预测得到的起始点的准确度。本申请通过获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合,考虑目标起始点集合中的目标起始点在不同的预测时间段,各目标起始点分别对应的未选择概率,进一步,基于目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型,通过将各个目标起始点的未选择概率输入模型进行训练,提高了得到的调整后的起始点预测模型的预测精度,进而在利用调整后的起始点预测模型为发起服务请求的请求端预测起始点时,提高了为请求端预测的起始点的准确度,使得出行服务平台能够更好的满足请求端的需求,提高了出行服务平台的服务质量。
图1是本申请实施例提供的一种信息推送系统的架构示意图。例如,信息推送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。信息推送系统可以包括服务器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以与信息推送系统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。信息推送系统中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到信息推送系统中的一个或多个组件,或者,数据库150也可以是服务器110的一部分。
下面结合上述图1示出的信息推送系统中描述的内容,对本申请实施例提供的信息推送方法进行详细说明。
本申请实施例提供了一种信息推送方法,如图2所示,该方法应用于出行服务平台的服务器中,该方法具体包括以下步骤:
S201,获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合。
这里,请求端为服务请求方使用的移动终端、便携式设备等设备;目标时间可以为目标起始点集合的获取时间之前的时间,也就是,历史时间;历史推荐起始点可以为请求端在历史时间出行时,为请求端推荐的起始点;目标起始点集合中的目标起始点为多个请求端中的每个请求端对应的目标起始点的集合。
具体可以根据以下步骤获取目标起始点集合:
基于每个所述请求端的历史订单的历史真实起始点,分别与该历史订单的每个历史推荐上车点之间的距离,从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点。在从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点时,将小于设定距离阈值的所述距离对应的历史推荐上车点作为所述目标起始点集合中的目标起始点。
这里,历史订单可以为目标时间之前,请求端已完成的订单;历史真实起始点为服务请求方实际选择的上车点,历史推荐上车点为服务请求方在出行时,平台为服务请求方推荐的上车点,在请求端出行时,平台一般为请求端推荐多个上车点,针对一个历史订单而言,该历史订单包括一个历史真实起始点和对应多个历史推荐上车点,目标起始点是从请求端的多个历史订单中的每个历史订单对应的推荐上车点中筛选得到的;距离阈值一般为预先设置的,该距离阈值可以为30米、50米等,可以根据实际情况确定。
在具体实施过程中,针对每个请求端对应的每个历史订单,根据历史订单中历史真实起始点的位置信息(如GPS信息)和该历史订单中为请求端推荐的多个历史推荐上车点的位置信息(如GPS信息),分别计算历史真实起始点分别和每个历史推荐上车点之间的距离,将小于设定距离阈值的距离对应的历史推荐上车点作为目标起始点集合中的目标起始点。
例如,以一个请求端的一个历史订单为例进行说明,设定距离阈值为β,该历史订单中包括历史真实起始点A和5个历史推荐上车点,5个历史推荐上车点分别为B1、B2、B3、B4和B5,历史真实起始点A与历史推荐上车点B1之间的距离为α1,历史真实起始点A与历史推荐上车点B2之间的距离为α2,历史真实起始点A与历史推荐上车点B3之间的距离为α3,历史真实起始点A与历史推荐上车点B4之间的距离为α4,历史真实起始点A与历史推荐上车点B5之间的距离为α5,若α1和α3小于设定距离阈值β,则确定历史推荐上车点B1和B3为目标起始点。
S202,针对所述目标起始点集合中的每个目标起始点,基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率;所述订单时间为请求端发起服务请求的时间。
这里,订单时间为历史订单对应的请求端发起历史服务请求的时间,该订单时间为目标时间之前的时间;在确定未选择概率时,使用推荐起始点包括目标起始点的历史订单;预测时间段中的时间表征历史订单的订单时间与目标时间之间的时间差,该时间差为历史订单的订单时间与目标时间分别对应的当天的时间点之间的差,单位为小时或者分钟;在确定未选择概率时,可以确定三个预测时间段中目标起始点对应的未选择概率,预测时间段可以为1小时、2小时和3小时,可以根据实际情况确定。
在执行步骤S202时,如图3所示,根据以下步骤确定在不同的预测时间段,该目标起始点分别对应的未选择概率:
S301,针对推荐起始点包含该目标起始点的每个历史订单,计算该历史订单的订单时间和所述目标时间之间的第一时间差和第二时间差,所述第一时间差是指所述订单时间和目标时间分别对应的日期之间相差的天数,所述第二时间差所述订单时间和目标时间分别对应的当天的时间点之间相差的时间值。
在具体实施过程中,针对推荐起始点包括目标起始点的每个历史订单,计算该历史订单的订单时间的日期与目标时间的日期之间的差值,将该差值作为第一时间差,计算该历史订单的订单时间的当天的时间点与目标时间的当天的时间点之间差值,将该差值作为第二时间差。
例如,以一个请求端的一个历史订单为例进行说明,该历史订单的订单时间为2019年5月1日10:00,目标时间为2019年5月4日9:30,该历史订单的第一时间差为2019年5月4日-2019年5月1日为3天,该历史订单的第二时间差为10:00-9:30为30分钟。
S302,基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重。
这里,衰减系数一般为预先设置的,可以设置衰减速度为7天的衰减系数、衰减速度为14天的衰减系数、衰减速度为30天的衰减系数,7天的衰减系数为0.90572366,14天的衰减系数为0.95169515,30天的衰减系数为0.97715996,以7天的衰减系数为例,7天的衰减系数表征7天前的历史订单对当前起始点的选择的影响衰减到一半(0.905723667=0.5)时的系数。
在基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重时,具体包括以下步骤:
针对多个衰减系数中的每个衰减系数,将该衰减系数作为底数,将所述历史订单对应的第一时间差作为指数,计算在该衰减系数下所述历史订单的权重。
这里,权重表征历史订单中包括的目标起始点对选择当前起始点的影响,权重越小,影响越小,距离目标时间越远的历史订单的权重越小,即,距离目标时间越远的历史订单对当前起始点选择的影响越小。
在具体实施过程中,对于每个推荐起始点包括目标起始点的历史订单而言,为该历史订单确定三个权重,每个衰减系数对应一个权重,针对每个衰减系数,将该衰减系数作为底数,将历史订单对应的第一时间差作为指数,得到该历史订单在该衰减系数的权重。
根据以下公式确定该历史订单在该衰减系数的权重γ,该公式为以任意一个衰减系数为例,该公式适用于所有的衰减系数:
γ=jdayGap
其中,γ为推荐起始点包括目标起始点的历史订单的权重,j为衰减系数,dayGap为第一时间差。
例如,以一个请求端的一个历史订单为例进行说明,衰减系数为0.90572366,该历史订单与目标时间之间的日期差为3天,则该历史订单的权重为0.905723663=0.743。
S303,针对每个预测时间段,统计属于该预测时间段的第二时间差对应的历史订单。
在具体实施过程中,在得到推荐起始点包括目标起始点的历史订单后,针对每个预测时间段,统计第二时间差属于该预测时间段的历史订单。
例如,推荐起始带你包括目标起始点A的历史订单包括A、B、C,预测时间段分别为1小时、2小时、3小时,历史订单A对应的第二时间差为30分钟,历史订单B对应的第二时间差为1.5小时,历史订单C对应的第二时间差为2.5小时,历史订单A属于1小时预测时间段,历史订单B属于2小时预测时间段,历史订单C属于3小时预测时间段。
S304,针对每个所述衰减系数,基于在该衰减系数下统计的每个预测时间段对应的历史订单的权重,以及其它各历史订单的权重,确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
在执行步骤S304时,参考图4,根据以下步骤确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率:
S401,针对每个预测时间段,计算在所述衰减系数下统计的该预测时间段对应的历史订单的权重的第一和值。
在具体实施过程中,针对每个预测时间段每个衰减系数,计算在衰减系数下、统计的该预测时间段对应的历史订单的权重的和值,将该和值作为第一和值。
例如,以衰减系数j1、预测时间段为1小时为例进行说明,第二时间差属于1小时的历史订单包括三个订单,属于1小时的历史订单分别为A、D、E,历史订单A的第一时间差为T1天,历史订单D的第一时间差为T2天,历史订单E的第一时间差为T3天,历史订单A的权重为j1 T1,历史订单D的权重为j1 T2,历史订单E的权重为j1 T3,第一和值为j1 T1+j1 T2+j1 T3。
S402,计算在所述衰减系数下统计的所有历史订单的权重的第二和值。
在具体实施过程中,以目标起始点集合中的一个目标起始点为例,针对每个衰减系数,计算在该衰减系数下,推荐起始点包含该目标起始点的所有历史订单的权重的和值,将该和值作为第二和值。
例如,延续步骤S401中的示例,推荐起始点包含目标起始点S的历史订单包括五个订单,分别为A、B、C、D、E,历史订单A的第一时间差为T1天,历史订单B的第一时间差为T4天,历史订单C的第一时间差为T5天,历史订单D的第一时间差为T2天,历史订单E的第一时间差为T3天,历史订单A的权重为j1 T1,历史订单B的权重为j1 T4,历史订单C的权重为j1 T5,历史订单D的权重为j1 T2,历史订单E的权重为j1 T3,第二和值为j1 T1+j1 T2+j1 T3+j1 T4+j1 T5。
S403,将所述第一和值和所述第二和值的比值作为在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
根据以下公式计算目标起始点的未选择概率,该公式适用于目标起始点集合中的所有目标起始点:
其中,pi为在不同的衰减系数下目标起始点在预测时间段i对应的未选择概率;hourGap为第二时间差;i取1、2和3;N为推荐起始点包含目标起始点的历史订单的总数,N为正整数。
例如,属于1小时的历史订单分别为A、D、E,属于2小时的历史订单为B,属于3小时的历史订单为C,推荐起始点包含目标起始点S的历史订单包括五个订单,分别为A、B、C、D、E,第二和值为j1 T1+j1 T2+j1 T3+j1 T4+j1 T5,在衰减系数j1下目标起始点S在预测时间段1小时内的未选择概率为(j1 T1+j1 T2+j1 T3)/(j1 T1+j1 T2+j1 T3+j1 T4+j1 T5),在衰减系数j1下目标起始点S在预测时间段2小时内的未选择概率为(j1 T1+j1 T2+j1 T3+j1 T4)/(j1 T1+j1 T2+j1 T3+j1 T4+j1 T5),在衰减系数j1下目标起始点S在预测时间段3小时内的未选择概率为(j1T1+j1 T2+j1 T3+j1 T4+j1 T5)/(j1 T1+j1 T2+j1 T3+j1 T4+j1 T5)。
S203,基于所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型;所述调整后的起始点预测模型用于为发起服务请求的请求端预测起始点。
这里,历史订单信息包括请求端发送历史服务请求时的请求时间、所处位置的位置信息、常用起始点等信息,常用起始点为请求端在同一个位置发起服务请求时常用的上车点;初始起始点预测模型可以为卷积神经网络模型、递归神经网络模型、循环神经网络模型等模型,可以根据时情况确定。
在基于所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型时,具体包括以下步骤:
基于各所述请求端的历史订单信息,建立训练样本库,所述训练样本库中包括各所述请求端的历史订单特征以及对应的历史真实起始点的标签;
将所述初始起始点预测模型作为进行训练的基础模型,将所述历史订单特征和所述目标起始点集合中各目标起始点在不同的预测时间段分别对应的未选择概率作为模型输入特征,将对应的历史真实起始点的标签作为模型输出特征,训练得到调整后的起始点预测模型。
这里,历史订单特征包括请求端发送历史服务请求时的请求时间特征、请求位置特征、常用起始点特征等,历史真实起始点的标签可以为数字,例如,历史真实起始点的标签为1。
在具体实施过程中,在获取到各请求端的历史订单信息并建立训练样本库后,将初始起始点预测模型作为进行训练的基础模型,将历史订单的订单特征和确定的各个目标起始点在不同的预测时间段分别对应的未选择概率作为模型输入特征,将每个历史订单对应的历史真实起始点的标签作为模型输出特征,对初始起始点预测模型进行训练,得到最终调整后的起始点预测模型,也就是,将历史订单的订单特征和确定的各个目标起始点在不同的预测时间段分别对应的未选择概率输入到基础模型,得到初始预测起始点,按照初始预测起始点和历史真实起始点之间的距离最小原则,调整初始起始点预测模型的模型参数,最终得到调整后的起始点预测模型。
由于在模型训练过程中考虑了目标起始点不被选择的概率,从而对初始起始点预测模型的模型参数进行调整,提高了最终得到的起始点预测模型的预测准确度,以便于在利用最终得到起始点预测模型为服务请求方预测的起始点的准确度。
为了进一步提高训练得到的起始点预测模型的预测准确度,考虑到请求端发送服务请求的时间对请求端选择的影响,例如,请求端在工作日的晚上9点发送的服务请求,此时,请求端大概率是从工作单位打车回家,若请求端在周末晚上9点发送服务请求,则可能是从商场打车回家。因此,在构建训练样本库时,基于各请求端的历史订单中,对应的订单时间与目标时间相同的历史订单信息,建立训练样本库,在训练模型过程中,将基于各请求端的历史订单中,对应的订单时间与目标时间相同的历史订单信息,建立训练样本库中的特征输入到基础模型进行训练。
在得到调整后的起始点预测模型后,可以基于获取发起服务请求的请求端的历史订单的历史订单信息,确定该发起服务请求的请求端的历史订单特征,将该发起服务请求的请求端的历史订单特征输入到调整后的起始点预测模型中,预测得到该发起服务请求的预测起始点。为了使得得到的预测起始点更满足请求端的上车意愿,在接收到请求端的服务请求后,为该请求端预测起始点时,基于该请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,和所述调整后的起始点预测模型,为该请求端预测起始点,即,基于请求端的订单时间与目标时间相同的历史订单的历史订单信息,确定该请求端的历史订单特征,将该请求单的历史订单特征输入到调整后的起始点预测模型中,得到预测起始点,从而提高了为请求端推送的起始点的准确度。
本申请实施例提供了一种信息推送装置,如图5所示,该装置包括:
获取模块51,用于获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合;
确定模块52,用于针对所述获取模块51获取的所述目标起始点集合中的每个目标起始点,基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率;所述订单时间为请求端发起服务请求的时间;
生成模块53,用于基于所述确定模块52确定的所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型;所述调整后的起始点预测模型用于为发起服务请求的请求端预测起始点。
可选地,所述获取模块51用于根据以下步骤获取所述目标起始点集合:
基于每个所述请求端的历史订单的历史真实起始点,分别与该历史订单的每个历史推荐上车点之间的距离,从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点。
可选地,所述获取模块51用于根据以下步骤从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点:
将小于设定距离阈值的所述距离对应的历史推荐上车点作为所述目标起始点集合中的目标起始点。
可选地,所述确定模块52用于根据以下步骤确定在不同的预测时间段,该目标起始点分别对应的未选择概率:
针对推荐起始点包含该目标起始点的每个历史订单,计算该历史订单的订单时间和所述目标时间之间的第一时间差和第二时间差,所述第一时间差是指所述订单时间和目标时间分别对应的日期之间相差的天数,所述第二时间差所述订单时间和目标时间分别对应的当天的时间点之间相差的时间值;
基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重;
针对每个预测时间段,统计属于该预测时间段的第二时间差对应的历史订单;
针对每个所述衰减系数,基于在该衰减系数下统计的每个预测时间段对应的历史订单的权重,以及其它各历史订单的权重,确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
可选地,所述确定模块52用于根据以下步骤确定在每个衰减系数下该历史订单的权重:
针对多个衰减系数中的每个衰减系数,将该衰减系数作为底数,将所述历史订单对应的第一时间差作为指数,计算在该衰减系数下所述历史订单的权重。
可选地,所述确定模块52用于根据以下步骤确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率括:
针对每个预测时间段,计算在所述衰减系数下统计的该预测时间段对应的历史订单的权重的第一和值;
计算在所述衰减系数下所有历史订单的权重的第二和值;
将所述第一和值和所述第二和值的比值作为在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
可选地,所述生成模块53用于根据以下步骤生成调整后的起始点预测模型:
基于各所述请求端的历史订单信息,建立训练样本库,所述训练样本库中包括各所述请求端的历史订单特征以及对应的历史真实起始点的标签;
将所述初始起始点预测模型作为进行训练的基础模型,将所述历史订单特征和所述目标起始点集合中各目标起始点在不同的预测时间段分别对应的未选择概率作为模型输入特征,将对应的历史真实起始点的标签作为模型输出特征,训练得到调整后的起始点预测模型。
可选地,所述生成模块53用于根据以下步骤建立训练样本库:
基于各所述请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,建立所述训练样本库。
可选地,该装置还包括:
预测模块54,用于在接收到请求端的服务请求后,基于该请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,和所述调整后的起始点预测模型,为该请求端预测起始点。
本申请实施例还提供了一种计算机设备60,如图6所示,为本申请实施例提供的计算机设备60结构示意图,包括:处理器61、存储器62、和总线63。所述存储器62存储有所述处理器61可执行的机器可读指令(比如,图5中的装置中获取模块51、确定模块52、和生成模块53对应的执行指令等),当计算机设备60运行时,所述处理器61与所述存储器62之间通过总线63通信,所述机器可读指令被所述处理器61执行时执行如下处理:
获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合;
针对所述目标起始点集合中的每个目标起始点,基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率;所述订单时间为请求端发起服务请求的时间;
基于所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型;所述调整后的起始点预测模型用于为发起服务请求的请求端预测起始点。
一种可能的实施方式中,处理器61执行的指令中,根据以下步骤获取所述目标起始点集合:
基于每个所述请求端的历史订单的历史真实起始点,分别与该历史订单的每个历史推荐上车点之间的距离,从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点。
一种可能的实施方式中,处理器61执行的指令中,从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点,包括:
将小于设定距离阈值的所述距离对应的历史推荐上车点作为所述目标起始点集合中的目标起始点。
一种可能的实施方式中,处理器61执行的指令中,所述基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率,包括:
针对推荐起始点包含该目标起始点的每个历史订单,计算该历史订单的订单时间和所述目标时间之间的第一时间差和第二时间差,所述第一时间差是指所述订单时间和目标时间分别对应的日期之间相差的天数,所述第二时间差所述订单时间和目标时间分别对应的当天的时间点之间相差的时间值;
基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重;
针对每个预测时间段,统计属于该预测时间段的第二时间差对应的历史订单;
针对每个所述衰减系数,基于在该衰减系数下统计的每个预测时间段对应的历史订单的权重,以及其它各历史订单的权重,确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
一种可能的实施方式中,处理器61执行的指令中,基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重,包括:
针对多个衰减系数中的每个衰减系数,将该衰减系数作为底数,将所述历史订单对应的第一时间差作为指数,计算在该衰减系数下所述历史订单的权重。
一种可能的实施方式中,处理器61执行的指令中,针对每个所述衰减系数,基于在该衰减系数下统计的每个预测时间段的历史订单的权重,以及其它各历史订单的权重,确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率,包括:
针对每个预测时间段,计算在所述衰减系数下统计的该预测时间段对应的历史订单的权重的第一和值;
计算在所述衰减系数下所有历史订单的权重的第二和值;
将所述第一和值和所述第二和值的比值作为在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
一种可能的实施方式中,处理器61执行的指令中,基于所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型,包括:
基于各所述请求端的历史订单信息,建立训练样本库,所述训练样本库中包括各所述请求端的历史订单特征以及对应的历史真实起始点的标签;
将所述初始起始点预测模型作为进行训练的基础模型,将所述历史订单特征和所述目标起始点集合中各目标起始点在不同的预测时间段分别对应的未选择概率作为模型输入特征,将对应的历史真实起始点的标签作为模型输出特征,训练得到调整后的起始点预测模型。
一种可能的实施方式中,处理器61执行的指令中,所述基于各所述请求端的历史订单信息,建立训练样本库,包括:
基于各所述请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,建立所述训练样本库。
一种可能的实施方式中,处理器61执行的指令中,还包括:
在接收到请求端的服务请求后,基于该请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,和所述调整后的起始点预测模型,为该请求端预测起始点。
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信息推送方法的步骤。
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,能够执行上述信息推送方法,用于解决现有技术中推荐的上车点准确度低的问题,通过获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合,考虑目标起始点集合中的目标起始点在不同的预测时间段,各目标起始点分别对应的未选择概率,进一步,基于目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型,提高了得到的调整后的起始点预测模型的预测精度,进而在利用调整后的起始点预测模型为发起服务请求的请求端预测起始点时,提高了为请求端预测的起始点的准确度,使得出行服务平台能够更好的满足请求端的需求,提高了出行服务平台的服务质量。
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 (12)
1.一种信息推送装置,其特征在于,该装置包括:
获取模块,用于获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合;
确定模块,用于针对所述获取模块获取的所述目标起始点集合中的每个目标起始点,基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率;所述订单时间为请求端发起服务请求的时间;
生成模块,用于基于所述确定模块确定的所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型;所述调整后的起始点预测模型用于为发起服务请求的请求端预测起始点。
2.如权利要求1所述的信息推送装置,其特征在于,所述获取模块用于根据以下步骤获取所述目标起始点集合:
基于每个所述请求端的历史订单的历史真实起始点,分别与该历史订单的每个历史推荐上车点之间的距离,从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点。
3.如权利要求2所述的信息推送装置,其特征在于,所述获取模块用于根据以下步骤从多个历史推荐上车点中筛选出所述目标起始点集合中的目标起始点:
将小于设定距离阈值的所述距离对应的历史推荐上车点作为所述目标起始点集合中的目标起始点。
4.如权利要求1所述的信息推送装置,其特征在于,所述确定模块用于根据以下步骤确定在不同的预测时间段,该目标起始点分别对应的未选择概率:
针对推荐起始点包含该目标起始点的每个历史订单,计算该历史订单的订单时间和所述目标时间之间的第一时间差和第二时间差,所述第一时间差是指所述订单时间和目标时间分别对应的日期之间相差的天数,所述第二时间差所述订单时间和目标时间分别对应的当天的时间点之间相差的时间值;
基于该历史订单对应的第一时间差,以及预设的多个衰减系数,确定在每个衰减系数下该历史订单的权重;
针对每个预测时间段,统计属于该预测时间段的第二时间差对应的历史订单;
针对每个所述衰减系数,基于在该衰减系数下统计的每个预测时间段对应的历史订单的权重,以及其它各历史订单的权重,确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
5.如权利要求4所述的信息推送装置,其特征在于,所述确定模块用于根据以下步骤确定在每个衰减系数下该历史订单的权重:
针对多个衰减系数中的每个衰减系数,将该衰减系数作为底数,将所述历史订单对应的第一时间差作为指数,计算在该衰减系数下所述历史订单的权重。
6.如权利要求4所述的信息推送装置,其特征在于,所述确定模块用于根据以下步骤确定在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率括:
针对每个预测时间段,计算在所述衰减系数下统计的该预测时间段对应的历史订单的权重的第一和值;
计算在所述衰减系数下所有历史订单的权重的第二和值;
将所述第一和值和所述第二和值的比值作为在该衰减系数下所述目标起始点在每个预测时间段对应的未选择概率。
7.如权利要求1所述的信息推送装置,其特征在于,所述生成模块用于根据以下步骤生成调整后的起始点预测模型:
基于各所述请求端的历史订单信息,建立训练样本库,所述训练样本库中包括各所述请求端的历史订单特征以及对应的历史真实起始点的标签;
将所述初始起始点预测模型作为进行训练的基础模型,将所述历史订单特征和所述目标起始点集合中各目标起始点在不同的预测时间段分别对应的未选择概率作为模型输入特征,将对应的历史真实起始点的标签作为模型输出特征,训练得到调整后的起始点预测模型。
8.如权利要求7所述的信息推送装置,其特征在于,所述生成模块用于根据以下步骤建立训练样本库:
基于各所述请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,建立所述训练样本库。
9.如权利要求1所述的信息推送装置,其特征在于,该装置还包括:
预测模块,用于在接收到请求端的服务请求后,基于该请求端的历史订单中,对应的订单时间与所述目标时间相同的历史订单信息,和所述调整后的起始点预测模型,为该请求端预测起始点。
10.一种信息推送方法,其特征在于,该方法包括:
获取多个请求端在目标时间发起历史服务请求时在历史推荐起始点中未选择的目标起始点集合;
针对所述目标起始点集合中的每个目标起始点,基于推荐起始点包含该目标起始点的各历史订单的订单时间和所述目标时间,确定在不同的预测时间段,该目标起始点分别对应的未选择概率;所述订单时间为请求端发起服务请求的时间;
基于所述目标起始点集合中每个目标起始点在不同的预测时间段分别对应的未选择概率、各所述请求端的历史订单信息,以及初始起始点预测模型,生成调整后的起始点预测模型;所述调整后的起始点预测模型用于为发起服务请求的请求端预测起始点。
11.一种电子设备,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10所述信息推送方法的步骤。
12.一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10所述信息推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910907654.5A CN111859172B (zh) | 2019-09-24 | 2019-09-24 | 信息推送方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910907654.5A CN111859172B (zh) | 2019-09-24 | 2019-09-24 | 信息推送方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859172A CN111859172A (zh) | 2020-10-30 |
CN111859172B true CN111859172B (zh) | 2023-11-21 |
Family
ID=72970621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910907654.5A Active CN111859172B (zh) | 2019-09-24 | 2019-09-24 | 信息推送方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859172B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365333B (zh) * | 2020-11-18 | 2024-04-05 | 北京明略昭辉科技有限公司 | 实时动态流量分配方法、系统、电子设备及存储介质 |
CN113033978A (zh) * | 2021-03-10 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 停车风险确定方法、位置推荐方法、装置和电子设备 |
CN114326396A (zh) * | 2021-12-24 | 2022-04-12 | 珠海格力电器股份有限公司 | 模型调整方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2019090465A1 (en) * | 2017-11-07 | 2019-05-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for reserving a carpooling service |
CN110084437A (zh) * | 2019-05-09 | 2019-08-02 | 上汽安吉物流股份有限公司 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
-
2019
- 2019-09-24 CN CN201910907654.5A patent/CN111859172B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019090465A1 (en) * | 2017-11-07 | 2019-05-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for reserving a carpooling service |
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 |
CN110084437A (zh) * | 2019-05-09 | 2019-08-02 | 上汽安吉物流股份有限公司 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
Non-Patent Citations (1)
Title |
---|
多属性协同过滤推荐在物流配送服务平台的应用;李建贵;孙咏;高岑;刘璐;;计算机系统应用(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111859172A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200269851A1 (en) | System and method for determining safety score of driver | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN112819576B (zh) | 充电站推荐模型的训练方法、装置、及充电站的推荐方法 | |
CN111832788B (zh) | 一种服务信息生成的方法、装置、计算机设备及存储介质 | |
CN111831897B (zh) | 一种出行目的地推荐方法、装置、电子设备及存储介质 | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
EP3146480A1 (en) | Method and system for balancing rental fleet of movable assets | |
CN110782301A (zh) | 一种拼单方法、装置、电子设备及计算机可读存储介质 | |
CN111523933B (zh) | 一种下单概率预测方法、装置、电子设备及可读存储介质 | |
CN112561285A (zh) | 网点的推荐方法、装置、电子设备及计算机可读存储介质 | |
CN111260164A (zh) | 一种运力调度方法以及装置 | |
CN111859171A (zh) | 一种信息推送方法、装置、电子设备及存储介质 | |
CN111831967A (zh) | 一种到店识别方法、装置、电子设备及介质 | |
CN114623844A (zh) | 导航数据处理方法、装置、程序产品、介质及电子设备 | |
CN111275229A (zh) | 资源模型训练方法、资源缺口预测方法、装置及电子设备 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111859289A (zh) | 交通工具的交易转化率预估方法、装置、电子设备及介质 | |
CN111612183A (zh) | 信息处理方法、装置、电子设备及计算机可读存储介质 | |
CN111339468B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN112001516B (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
CN111881375B (zh) | 一种顺路订单分配方法、装置、电子设备及可读存储介质 | |
CN114741618A (zh) | 线下服务点推荐方法、推荐装置、设备及介质 | |
CN111831931B (zh) | 一种上车点排序、信息排序的方法及装置 | |
CN111260383B (zh) | 注册概率预估方法及装置、概率预估模型构建方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TG01 | Patent term adjustment |