CN111859178A - 一种推荐上车点的方法和系统 - Google Patents

一种推荐上车点的方法和系统 Download PDF

Info

Publication number
CN111859178A
CN111859178A CN202010320478.8A CN202010320478A CN111859178A CN 111859178 A CN111859178 A CN 111859178A CN 202010320478 A CN202010320478 A CN 202010320478A CN 111859178 A CN111859178 A CN 111859178A
Authority
CN
China
Prior art keywords
point
user
boarding
pick
personalized
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
Application number
CN202010320478.8A
Other languages
English (en)
Other versions
CN111859178B (zh
Inventor
张金鹏
熊婷
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 CN202010320478.8A priority Critical patent/CN111859178B/zh
Publication of CN111859178A publication Critical patent/CN111859178A/zh
Application granted granted Critical
Publication of CN111859178B publication Critical patent/CN111859178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • 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]
    • G06Q30/0639—Item locations
    • G06Q50/40—

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本公开实施例公开了一种推荐上车点的方法。所述方法包括：从目标用户终端接收服务请求；获取至少一个包含用户上车点信息的历史订单，所述上车点信息与所述目标用户终端的位置相关联；对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集；从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点；基于所述每一个集筛选出的所述至少一个个性化上车点构成第二个性化上车点集；基于所述目标用户终端的位置，从所述第二个性化上车点集中确定至少一个个性化上车点；将所述至少一个个性化上车点确定为推荐上车点。本公开所披露的方法可以避免出现不合理的上车点影响司机接驾效率和用户的出行体验。

Description

一种推荐上车点的方法和系统
技术领域
本公开涉及网约车领域，特别涉及一种推荐上车点的方法和系统。
背景技术
按需运输服务，特别是在线打车服务已变得越来越流行。当服务请求者(例如，乘客)使用用户终端通过在线打车服务平台打车时，服务器可以为服务请求者和为该服务请求者提供运输服务的服务提供者(例如，司机)推荐上车点。通常基于用户终端的全球定位系统(GPS)信息确定上车点。基于GPS信息确定上车点的问题在于GPS信息缺乏准确性和稳定性。因此，希望提供用于更精确和稳定地推荐上车点的系统和方法，引导乘客选择合适的上车点，提高司机的接驾效率和乘客的出行体验。
发明内容
本公开的第一方面提供一种推荐上车点的方法。所述推荐上车点的方法包括：从目标用户终端接收服务请求；获取至少一个包含用户上车点信息的历史订单，所述上车点信息与所述目标用户终端的位置相关联；对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集；从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点；基于所述每一个集筛选出的所述至少一个个性化上车点构成第二个性化上车点集；基于所述目标用户终端的位置，从所述第二个性化上车点集中确定至少一个个性化上车点；将所述至少一个个性化上车点确定为推荐上车点。
在一些实施例中，所述对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集包括：对所述用户上车点信息进行聚类，得到至少一个上车点簇；将所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
在一些实施例中，所述将所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集包括：对所述至少一个上车点簇进行分割或/和合并处理；将所述分割或/和合并处理后的所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
在一些实施例中，所述合并处理包括：根据所述至少一个上车点簇中每一个簇之间的相似性，合并所述至少一个上车点簇。
在一些实施例中，所述根据所述至少一个上车点簇中每一个簇之间的相似性，合并所述至少一个上车点簇包括：确定所述至少一个上车点簇中的每一个簇的中心位置；判断所述每一个簇的所述中心位置之间的距离是否小于第一阈值；根据所述判断结果，合并所述至少一个上车点簇。
在一些实施例中，所述分割处理包括：获取所述历史订单中所述至少一个用户发起服务请求的定位点信息；对所述用户发起服务请求的定位点信息进行聚类，得到至少一个定位点簇；基于所述至少一个定位点簇，分割所述至少一个上车点簇。
在一些实施例中，所述聚类基于聚类算法实现，所述聚类算法包括：密度峰聚类。
在一些实施例中，所述从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点包括：获取所述历史订单的时间信息；根据所述用户上车点信息和所述时间信息，确定所述至少一个候选的第一个性化上车点集中的每一个集中各个用户上车点之间的平均距离差或/和平均时间差；根据所述平均距离差或/和平均时间差，从所述每一个集中筛选出至少一个个性化上车点。
在一些实施例中，所述推荐上车点的方法还包括：根据同一个所述历史订单中所述用户上车点信息和所述用户发起服务请求的定位点信息，判断用户上车点和用户发起服务请求的定位点之间的距离是否小于第二阈值；基于所述判断结果，对所述历史订单进行过滤。
在一些实施例中，所述推荐上车点的方法还包括：对所述用户上车点信息进行所述分组之前对所述用户上车点信息进行修正。
在一些实施例中，所述对所述用户上车点信息进行分组之前对所述用户上车点信息进行修正包括：获取路网信息；根据所述用户上车点信息与所述路网信息，判断用户上车点是否在路网上；对不在所述路网上的所述用户上车点进行修正，得到修正的用户上车点信息。
在一些实施例中，所述对不在所述路网上的所述用户上车点进行修正，得到修正的用户上车点信息包括：获取所述历史订单的起始行驶方向；基于所述起始行驶方向，将同一个所述历史订单的所述用户上车点投影到所述路网上，得到所述用户上车点的路网投影点信息；将所述路网投影点信息确定为所述修正的用户上车点信息。
本公开的第二方面提供一种推荐上车点的系统。所述推荐上车点的系统包括：接收模块，用于从目标用户终端接收服务请求；获取模块，用于获取至少一个包含用户上车点信息的历史订单，所述上车点信息与所述目标用户终端的位置相关联；分组模块，用于对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集；筛选模块，用于从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点；组合模块，用于基于所述每一个集筛选出的所述至少一个个性化上车点构成第二个性化上车点集；确定模块，用于基于所述目标用户终端的位置，从所述第二个性化上车点集中确定至少一个个性化上车点；推荐模块，用于将所述至少一个个性化上车点确定为推荐上车点。
在一些实施例中，所述分组模块还用于：对所述用户上车点信息进行聚类，得到至少一个上车点簇；将所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
在一些实施例中，所述分组模块还用于：对所述至少一个上车点簇进行分割或/和合并处理；将所述分割或/和合并处理后的所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
在一些实施例中，所述分组模块还用于：根据所述至少一个上车点簇中每一个簇之间的相似性，合并所述至少一个上车点簇。
在一些实施例中，所述分组模块还用于：确定所述至少一个上车点簇中的每一个簇的中心位置；判断所述每一个簇的所述中心位置之间的距离是否小于第一阈值；根据所述判断结果，合并所述至少一个上车点簇。
在一些实施例中，所述分组模块还用于：获取所述历史订单中所述至少一个用户发起服务请求的定位点信息；对所述用户发起服务请求的定位点信息进行聚类，得到至少一个定位点簇；基于所述至少一个定位点簇，分割所述至少一个上车点簇。
在一些实施例中，所述聚类基于聚类算法实现，所述聚类算法包括：密度峰聚类。
在一些实施例中，所述筛选模块还用于：获取所述历史订单的时间信息；根据所述用户上车点信息和所述时间信息，确定所述至少一个候选的第一个性化上车点集中的每一个集中各个用户上车点之间的平均距离差或/和平均时间差；根据所述平均距离差或/和平均时间差，从所述每一个集中筛选出至少一个个性化上车点。
在一些实施例中，所述推荐上车点的系统还包括：过滤模块，用于根据同一个所述历史订单中所述用户上车点信息和所述用户发起服务请求的定位点信息，判断用户上车点和用户发起服务请求的定位点之间的距离是否小于第二阈值；基于所述判断结果，对所述历史订单进行过滤。
在一些实施例中，所述推荐上车点的系统还包括：修正模块，用于对所述用户上车点信息进行所述分组之前对所述用户上车点信息进行修正。
在一些实施例中，所述修正模块还用于：获取路网信息；根据所述用户上车点信息与所述路网信息，判断用户上车点是否在路网上；对不在所述路网上的所述用户上车点进行修正，得到修正的用户上车点信息。
在一些实施例中，所述修正模块还用于：获取所述历史订单的起始行驶方向；基于所述起始行驶方向，将同一个所述历史订单的所述用户上车点投影到所述路网上，得到所述用户上车点的路网投影点信息；将所述路网投影点信息确定为所述修正的用户上车点信息。
本公开的第三方面提供一种电子设备。所述电子设备包括至少一个存储介质以及至少一个处理器；所述至少一个存储介质存储有计算机指令；所述至少一个处理器用于执行计算机指令，以实现推荐上车点的方法。
本公开的第四方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行推荐上车点方法。
附图说明
本公开将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本公开一些实施例所示的推荐上车点的系统的应用场景示意图；
图2是根据本公开一些实施例所示的推荐上车点的系统的模块图；
图3是根据本公开一些实施例所示的推荐上车点的方法的示例性流程图；
图4是根据本公开一些实施例所示的对所述用户上车点信息进行分组的示例性流程图；以及
图5是根据本公开一些实施例所示的修正用户上车点信息的示例性流程图。
具体实施方式
为了更清楚地说明本公开实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本公开的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本公开应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本公开中使用了流程图用来说明根据本公开的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本公开的实施例可以应用于不同的交通服务系统，不同的交通服务系统包括但不限于陆地、河道、湖泊、海洋、航空等中的一种或几种的组合。例如，人力车、代步工具、汽车(例如，小型车、巴士、大型运输车等)、轨道交通(例如，火车、动车、高铁、地铁等)、船舶、飞机、飞行器、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统等。本公开的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本公开的系统及方法的应用场景仅仅是本公开的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本公开应用于其它类似情景。例如，其他类似的引导用户停车系统。
图1是根据本公开一些实施例所示的推荐上车点的系统的应用场景示意图。推荐上车点的系统100可以推荐上车点并推荐给乘客，引导乘客选择合适的上车点。推荐上车点的系统100可以是用于互联网服务的线上服务平台。例如，该推荐上车点的系统100可以是运输服务的线上运输服务平台。在一些实施例中，该推荐上车点的系统100可以应用于网约车服务，例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。具体的，可以为请求网约车服务的乘客提供一个或者多个合适上车位置，或者为提供服务的司机提供一个或者多个合适拾取乘客的位置。在一些实施例中，该推荐上车点的系统100还可以应用于代驾、快递、外卖等服务，例如，为发送代驾、快递、外卖等服务请求的用户提供服务起始地点。推荐上车点的系统100可以是一个线上服务平台，包含服务器110、网络120、用户终端130以及数据库140。服务器110可包含处理设备112。
在一些实施例中，服务器110可以用于处理与推荐上车点相关的信息和/或数据。例如，服务器110可以为发送在线打车的服务请求的用户推荐上车点，服务器110还可以从用户终端130接收服务请求，并处理该服务请求以向用户终端130推荐上车点。服务器110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如：服务器110可以是分布系统)。在一些实施例中该服务器110可以是区域的或者远程的。例如，服务器110可通过网络120访问存储于用户终端130、数据库140中的信息和/或资料。在一些实施例中，服务器110可直接与用户终端130、数据库140连接以访问存储于其中的信息和/或资料。在一些实施例中，服务器110可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中，服务器110可包含处理设备112。该处理设备112可处理与服务请求有关的数据和/或信息以执行一个或多个本公开中描述的功能。例如处理设备112可以接收用户终端130发送的用车请求信号，向用户提供推荐上车点。在一些实施例中，处理设备112可包含一个或多个子处理设备(例如，单芯处理设备或多核多芯处理设备)。仅仅作为范例，处理设备112可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进数据和/或信息的交换，数据和/或信息可以包括目标用户终端的用户标识、请求时间、服务起始位置、服务目的地、目标用户终端发起服务请求时该目标用户终端的位置等。在一些实施例中，推荐上车点的系统100中的一个或多个组件(例如，服务器110、用户终端130、数据库140)可通过网络120发送数据和/或信息给推荐上车点的系统100中的其他组件。在一些实施例中，网络120可是任意类型的有线或无线网络。例如，网络120可包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(LAN)、广域网络(WAN)、无线区域网络(WLAN)、都会区域网络(MAN)、公共电话交换网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或以上任意组合。在一些实施例中，网络120可包括一个或多个网络进出点。例如，网络120可包含有线或无线网络进出点，如基站和/或网际网络交换点120-1、120-2、…，通过这些进出点，推荐上车点的系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。
在一些实施例中，用户终端130可以是可显示推荐上车点页面的设备的终端，可包括手机130-1、笔记本电脑130-2、移动装置(图中未示出)、车载装置(图中未示出)等中的一种或其任意组合。在一些实施例中，移动装置可包括智能家居装置、可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中，智能家具装置可包括智能监测装置、智能电视、智能摄像机、智能可视门禁对讲机等或其任意组合。在一些实施例中，可穿戴装置可包括带有显示界面的智能手环、智能眼镜、智能头盔、智能手表等或其任意组合。在一些实施例中，智能行动装置可包括智能电话、个人数字助理(PDA)、游戏装置、导航装置、POS装置等或其任意组合。在一些实施例中，虚拟实境装置和/或增强实境装置可包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或以上任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlass、Oculus Rift、HoloLens或Gear VR等。在一些实施例中，用户终端130可包括具有定位功能的装置，以确定用户和/或用户终端130的位置。在一些实施例中，用户可以通过用户终端130获取推荐上车点。在一些实施例中，用户终端130可以与另一定位设备通信以确定用户终端130的位置。在一些实施例中，用户终端130可以将定位信息发送到服务器110。用户可以是服务请求者。
数据库140是用于为系统100提供其他信息的来源。数据库140可以用于为系统100提供与服务相关的信息，例如，天气情况、交通信息、法律法规信息、新闻事件、生活资讯、生活指南信息等。又例如，数据库140还可以包括打车平台的用户信息、历史订单等，该用户信息可以包括用户定位点信息、用户上车点信息等。数据库140可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。当数据库140在多个个人设备中实现时，个人设备可以生成内容(例如，被称为“用户生成内容”)，例如，通过将文本、语音、图像和视频上载到云服务器。数据库140可以由多个个人设备和云服务器生成。在一些实施例中，数据库140可存储从用户终端130获取的资料，例如，用户发送服务请求时的位置信息。在一些实施例中，数据库140可存储供服务器110执行或使用的信息和/或指令，以执行本公开中描述的示例性方法。在一些实施例中，数据库140可包括大容量存储器、可移动存储器、挥发性读写存储器(例如，随机存取存储器RAM)、只读存储器(ROM)等或以上任意组合。在一些实施例中，数据库140可在云平台上实现。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等或以上任意组合。
在一些实施例中，数据库140可与网络120连接以与系统100的一个或多个组件(例如，服务器110、用户终端130等)通讯。推荐上车点的系统100的一个或多个组件可通过网络120访问存储于数据库140中的资料或指令，例如，请求时间、服务起始位置、服务目的地、目标用户终端发起服务请求时该目标用户终端的位置等。在一些实施例中，数据库140可直接与推荐上车点的系统100中的一个或多个组件(如，服务器110、用户终端130)连接或通讯。在一些实施例中，数据库140可以是服务器110的一部分。
图2是是根据本公开一些实施例所示的推荐上车点的系统的模块图。如图2所示，该推荐上车点的系统100可以包括接收模块210、获取模块220、分组模块230、筛选模块240、组合模块250、确定模块260和推荐模块270。
接收模块210，可以用于从目标用户终端接收服务请求。
获取模块220，可以用于获取包含至少一个用户上车点信息的历史订单，所述至少一个用户与所述目标用户终端的位置相关联。
分组模块230，可以用于对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集。在一些实施例中，分组模块230可以通过聚类的方式对所述用户上车点信息进行分组，得到至少一个上车点簇，所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。例如，数据库140中含有400个用户上车点信息，通过聚类的方式对该400个用户上车点进行聚类得到5个簇，每个簇中的用户上车点个数可以相同或不同，所述5个簇可以作为5个候选的第一个性化上车点集。在一些实施例中，分组模块230还可以用于对所述至少一个上车点簇进行分割和/或合并处理，将分割和/或合并后的至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。关于用户上车点信息分组的更多细节参见图4及相关描述。
筛选模块240，可以用于从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点。在一些实施例中，筛选模块240可以用于基于所述用户上车点信息和所述时间信息确定所述至少一个候选的第一个性化上车点集中的每一个集中各个用户上车点之间的平均距离差或/和平均时间差，并根据所述平均距离差或/和平均时间差，从所述每一个集中筛选出至少一个个性化上车点。
组合模块250，可以用于基于所述每一个集筛选出的所述至少一个个性化上车点构成第二个性化上车点集。
确定模块260，可以用于基于所述目标用户终端的位置，从所述第二个性化上车点集中确定至少一个个性化上车点。
推荐模块270，可以用于将所述至少一个个性化上车点确定为推荐上车点。
过滤模块280，可以用于根据同一个所述历史订单中所述用户上车点信息和所述用户发起服务请求的定位点信息，判断用户上车点和用户发起服务请求的定位点之间的距离是否小于第二阈值，以及基于所述判断结果，对所述历史订单进行过滤。
修正模块290，可以用于对所述用户上车点信息进行所述分组之前对所述用户上车点信息进行修正。在一些实施例中，修正模块290可以用于基于路网信息对所述用户上车点进行修正。
应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本公开的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本公开限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图2中披露的接收模块210、获取模块220、分组模块230、筛选模块240、组合模块250、确定模块260和推荐模块270可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，确定模块260和推荐模块270可以是两个模块，也可以是一个模块同时具有确定和推荐至少一个个性化上车点的功能。又例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本公开的保护范围之内。
图3是根据本公开一些实施例所示的推荐上车点的方法的示例性流程图。如图3所示，该推荐上车点的方法300可以包括：
步骤302，从目标用户终端接收服务请求。具体的，该步骤302可以由接收模块210执行。
目标用户可以是发起服务请求的用户。在一些实施例中，目标用户可以是指某一个发送叫车服务请求的乘客。
目标用户终端可以是目标用户(例如，乘客、服务请求者)用于发起服务请求的终端(如，诸如智能电话的无线设备)。例如，目标用户终端可以用启动服务请求的应用程序来实现。
服务请求是需要使用服务的用户所提交的对服务的需求，例如，可以是用户下单使用在线打车服务，也可以是用户启动在线打车的下单过程。在一些实施例中，服务请求与运输服务请求相关，例如，在线打车服务、出租车服务、专车服务等。在一些实施例中，服务请求可以通过用户终端130输入获取。
接收模块210可以以通常方式接收目标用户终端发出的服务请求。在一些实施例中，当目标用户在用户终端130输入服务请求后，用户终端130可以将该服务请求通过网络120发送给服务器110，处理设备112可以接收该服务请求并对其进行处理。
步骤304，获取至少一个包含用户上车点信息的历史订单，所述上车点信息与所述目标用户终端的位置相关联。具体的，该步骤304可以由获取模块220执行。
历史订单是指已经发生过的订单，订单涉及的用户可以不限于当前使用服务的用户。
在一些实施例中，获取模块220可以访问存储于用户终端130和/或数据库140中的信息和/或资料以获取至少一个包含用户上车点信息的历史订单，或者通过其他接口获取历史订单。获取模块220还可以通过其他方式获取历史订单，本公开不做限制。
在一些实施例中，历史订单可以包括用户的订单号、手机号、定位点信息、上车点信息、绑路点信息、时间信息等。在一些实施例中，上车点信息可以是用户在上车时对应的位置信息，上车点可以是用户上车时对应的位置。定位点信息可以是用户发起服务请求时的位置信息，定位点可以是用户发起服务请求的位置。在一些实施例中，位置信息包括但不限于经纬度坐标、POI、所属区域等。时间信息可以包括但不限于用户发起服务请求的时间、用户上车的时间、用户下车的时间等一种或多种的组合。
在一些实施例中，上车点信息可以与目标用户终端的位置相关联。目标用户终端的说明参见步骤302。目标用户终端的位置可以是指步骤302中目标用户启动服务请求的应用程序时的位置。相关联是指上车点信息与目标用户终端的位置具有某种关系，包括但不限于直线距离接近、步行距离接近、通过其他方式的到达时间较小、处于同一区域等。在一些实施例中，当目标用户通过终端发送请求时的位置与上车点小于预设阈值时，该上车点的信息与目标用户终端的位置相关联。预设阈值可以根据需要灵活设定，例如，10米、30米、50米等。
获取模块220在获取历史订单后，过滤模块280可以过滤掉参考意义较小的历史订单。例如，可以过滤掉某些用户的订单、某些日期的订单、定位点信息和上车点信息相关性较小的订单等。以运输服务为例，发起服务请求的用户并不一定会使用服务，存在用户帮其他人发起服务请求的特殊情况。对于该情况，历史订单中上车点和定位点相距可能很远，例如，不在一个区域、一个城市、一个省份、甚至一个国家等，因此，基于定位点对上车点的方向进行分类，即下文步骤404中基于定位点簇对上车点簇进行分割时，此类订单的意义不大。
在一些实施例中，过滤模块280可以基于历史订单中用户的上车点信息和用户的定位点信息对历史订单进行过滤处理。具体的，过滤模块280可以基于同一个历史订单中用户上车点信息和用户定位点信息，获取上车点和定位点之间的距离，判断该距离是否小于预设的第二阈值，响应于用该距离不小于第二阈值，过滤模块280可以过滤掉该历史订单。第二阈值可以根据需要灵活设定，例如50米、70米、100米等。
经过对历史订单进行过滤处理后，一方面，可以通过提高上车点簇分割的准确度，实现对上车点方向分类的准确度；另一方面，可以减轻系统处理的数据量。
步骤306，对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集。具体的，该步骤306可以由分组模块230执行，将步骤304中的所述用户上车点信息被分成一个或多个组，每组作为一个候选的第一个性化上车点集。
历史订单的用户上车点中可能存在部分上车点可以上车但并不适合上车的情况，这部分上车点可能存在安全隐患或违反交通规定等。例如，上车点可能在某个道路的中间、某个小区内部、某个学校的内部、斑马线上等。在一些实施例中，在对用户上车点信息进行分组之前，分组模块230可以对用户上车点信息进行修正，使得所有的上车点都成为适合上车的位置。
修正可以采取多种方式进行，例如，可以基于路网信息等。关于用户上车点信息的修正的更多细节可以参见图5及其相关描述，在此不再赘述。
第一个性化上车点，是历史订单中用户上车点或/和修订后的用户上车点。第一个性化上车点集，是第一个性化上车点的集合，即，历史订单中上车点或/和修正后的上车点的集合。
分组可以采取多种方法进行，可以使用下文实施例中的方法，也可以采用其他的算法。
在一些实施例中，分组模块230可以基于区域将用户上车点信息分成一个或多个组。具体的，分组模块230可以将所述用户上车点信息基于区域的边界进行分组，例如，以山川、河流等天然屏障作为分组边界。又例如，分组模块230以各个兴趣点(如，机场、商场、学校等)作为区域进行分组。分组后每个组里的上车点构成候选的第一个性化上车点集。在一些实施例中，可以对上车点进行聚类，得到的聚类簇作为候选的第一个性化上车点集。关于对所述用户上车点信息进行分组的更多细节可以参见图4及其相关描述，在此不再赘述。
步骤308，从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点。具体的，该步骤308可以由筛选模块240执行，从步骤404中确定的所述至少一个候选的第一个性化上车点集中的每一个集中筛选出一个或多个上车点，每个点作为个性化上车点。
筛选可以采取多种方法进行，可以使用下文实施例中的方法，也可以基于时间信息从候选的第一个性化上车点集中筛选出上车时间、发起服务请求时间或下车时间与目标用户发送服务请求的时间最近的一个或多个上车点。关于时间信息的更多细节可参考步骤304。
平均距离差是指候选的第一个性化上车点集中某一个上车点与该集中的其他上车点的距离差的平均值。平均时间差是指候选的第一个性化上车点集中上车点与该集中的其他上车点的时间差的平均值。平均距离差和平均时间差可以通过加权计算的方式相结合，具体的，筛选模块240可以基于人工定义一个计算分数的计分方式，该分数的计算是由平均距离差和平均时间差这两个参数决定，并对两个参数的分配合适权重。其中，权重由线下实验确定。
在一些实施例中，筛选模块240可以根据平均距离差从至少一个候选的第一个性化上车点集中的每一个集中筛选出平均距离差最小或者小于设定阈值(例如，1m、2m等)的上车点作为个性化上车点。在一些实施例中，筛选模块240可以根据平均时间差从至少一个候选的第一个性化上车点集中的每一个集中筛选出平均时间差最小或者小于设定阈值(例如，0.5h、2h等)的上车点作为个性化上车点。在一些实施例中，筛选模块240还可以根据平均距离差和平均时间差经过加权计算后的分数从至少一个候选的第一个性化上车点集中的每一个集中筛选出分数最大或者分数高于设定阈值(例如，70、80等)的上车点作为个性化上车点。
步骤310，基于所述每一个集筛选出的所述至少一个个性化上车点构成第二个性化上车点集。具体的，该步骤310可以由组合模块250执行，将步骤308筛选出的至少一个个性化上车点组合为一个上车点集，该上车点集作为第二个性化上车点集。
第二个性化上车点可以是步骤308筛选出来的个性化上车点。第二个性化上车点集，是基于308筛选出的个性化上车点所组成的集合。
组合模块250可以直接将至少一个个性化上车点集中每一个集筛选出的至少一个个性化上车点进行组合，得到一个新的上车点集，即第二个性化上车点集。
步骤312，基于所述目标用户终端的位置，从所述第二个性化上车点集中确定至少一个个性化上车点。具体的，该步骤312可以由确定模块260执行，根据所述目标用户终端的位置信息，从步骤310中获取的所述第二个性化上车点集中确定一个或多个个性化上车点。
目标用户终端的位置信息可以是目标用户终端发送服务请求时的位置信息。
在一些实施例中，确定模块260可以基于目标用户终端的位置信息，确定一个区域范围，例如，以该位置信息为圆心、预设距离为半径的区域范围，确定该区域范围包括一个或多个个性化上车点。在一些实施例中，若基于预设距离确定的区域范围不包括个性化上车点，可以扩大预设距离，直到区域范围包括一个或多个个性化上车点。预设距离可以根据需要灵活设定，例如，15米、30米等。又例如，可以基于目标用户终端的位置所在的兴趣点或区域，确定至少一个个性化上车点。
步骤314，将所述至少一个个性化上车点确定为推荐上车点。具体的，该步骤314可以由推荐模块270执行，将步骤312中确定的所述至少一个个性化上车点确定为给用户推荐的上车点。
推荐上车点是指当用户发送打车服务请求时，为用户推荐的上车点。
在一些实施例中，推荐模块270可以对至少一个个性化上车点进行打分，进一步地，基于打分结果为用户推荐上车点。例如，可以基于模型或/和规则对个性化上车点打分。在一些实施例中，模型可以包括但不限于排序模型、分类模型、回归模型等。例如，推荐模块270可以使用排序模型基于预设的特征计算个性化上车点的分数，并根据分数对个性化上车点进行排序。在一些实施例中，可以选取分数排名前N(N＝1、2、3等)的个性化上车点作为推荐上车点发送给目标用户。
预设的特征可以包括但不限于时间、距离、推荐次数等一种或者多种的组合。在一些实施例中，预设的特征可以包括个性化上车点与目标用户终端的位置的距离，距离越近分数则越高，相应的排名也靠前。在一些实施例中，预设的特征还可以包括目标用户终端发送服务请求的时间，个性化上车点的时间与该时间越接近分数则越高。
在一些实施例中，推荐模块270在确定推荐上车点后，可以将推荐上车点发送至用户终端130并进行显示。在一些实施例中，还可以为推荐上车点添加提示标记，例如，推荐上车点旁可以标有“推荐”字样、每个上车点旁可以显示有该上车点距离用户当前位置的距离等。
上述实施例至少具备以下之一的技术效果：(1)基于历史订单中的上车点确定个性化上车点，进一步确定推荐上车点，可以使上车点更有实用性和代表性，提高用户的出行体验；(2)结合距离和/或时间的方式筛选个性化上车点，可以从空间和/或时间的角度优化个性化上车点。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本公开的适用范围。对于本领域技术人员来说，在本公开的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本公开的范围之内。例如，可以根据目标用户终端的位置直接确定推荐上车点。又例如，在步骤314中确定出推荐上车点之后，还可以增加路径规划的步骤，用于规划从用户当前位置前往推荐上车点的推荐路径。
图4是根据本公开一些实施例所示的对所述用户上车点信息进行分组的示例性流程图。在一些实施例中，流程400中的一个或以上步骤可以在图1所示的系统100中实现。例如，流程400中的一个或以上步骤可以作为指令的形式存储在用户终端130和数据库140中，并且被服务器110(例如，服务器110中的处理设备112)调用和/或执行。如图4所示，该对所述用户上车点信息进行分组流程400可以包括：
步骤402，对所述用户上车点信息进行聚类，得到至少一个上车点簇。具体的，该步骤402可以由分组模块230执行。
分组模块230可以通过聚类的方式对步骤304中的用户上车点信息进行分组。在一些实施例中，所述聚类的算法可以包括但不限于密度峰聚类、均值偏移(Mean shift)聚类、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类、K-Means聚类等。
在一些实施例中，所述聚类的算法可以包括密度峰聚类。簇是由密度可达关系导出的最大的密度相连的样本集合，上车点簇是最大的上车点密度相连的上车点集合。在一些实施例中，分组模块230可以根据密度峰值聚类算法将用户上车点信息分成一个或多个组。具体的，分组模块230可以确定与至少一个上车点相关的至少一个密度值，对于至少一个上车点中的每个上车点，密度值可以表示使用该上车点作为候选上车点的概率。分组模块230可以根据密度峰值聚类算法确定至少一个密度值。例如，如果上车点数据集
Figure BDA0002461216700000181
可以包括至少一个上车点，其中xi是上车点，分组模块230可以跟根据公式(1)确定每个上车点的局部密度ρ：
Figure BDA0002461216700000191
其中，IS＝{1,2,…,n}表示对应于上车点数据集的索引集，ρi表示局部密度，j表示索引集IS中除i之外的任意值，dij表示上车点xi和上车点xj之间的特定距离(例如，实际距离、欧氏距离等)，dc表示可以由分组模块230预定义的截断距离。在一些实施例中，χ可以根据公式(2)确定：
Figure BDA0002461216700000192
其中，ρi可以表示与上车点xi之间的距离小于dc的上车点。上车点可以包含在数据集S中。
在确定至少一个上车点中每个上车点的局部密度之后，分组模块230可以根据公式(3)确定上车点和另一个上车点之间的距离δ：
Figure BDA0002461216700000193
其中，δi表示上车点xi与数据集中另一个上车点之间的距离。当上车点的局部密度ρi不是至少一个上车点中的最大值时，δi可以表示上车点xi与具有较大局部密度的上车点之间的最小距离。如果上车点xi具有最大局部密度，则距离δi可以根据公式(4)表示：
Figure BDA0002461216700000194
其中，δi可以表示上车点xi与数据集S中的另一个上车点之间的最大距离。
然后，分组模块230可以基于局部密度和距离确定至少一个上车点信息中每个上车点信息的密度值γ。密度值可以是至一两个上车点信息中每一个上车点信息的综合度量。综合度量越大，至少一个上车点信息中每个上车点信息作为候选上车点的概率越高。密度值γ可以根据公式(5)确定：
γi＝ρiδi,i∈IS (5)，
其中，ρi表示局部密度，δi表示距离。
在一些实施例中，分组模块230可以将至少一个上车点的密度值与预设阈值进行比较。分组模块230可以指定密度值大于预设阈值的至少一个上车点作为所述至少一个上车点簇。预设阈值可以是存储在系统100中的预设值，或者可以根据不同的应用场景来确定。
步骤404，对所述至少一个上车点簇进行分割或/和合并处理。具体的，该步骤404可以由分组模块230执行，将步骤402中获取的所述至少一个上车点簇合并为一个上车点簇，和/或分割为多个小的上车点簇。
分组模块230可以根据至少一个上车点簇中每一个簇之间的相似性，对至少一个上车点簇进行合并处理。相似性可以基于各个上车点簇之间的距离确定。在一些实施例中，分组模块230可以确定至少一个上车点簇中的每一个簇的中心位置，判断每一个簇的中心位置之间的距离是否小于预设的第一阈值，响应于每一个簇的中心位置之间的距离小于预设的第一阈值，分组模块230将多个上车点簇合并为一个更大的上车点簇。第一阈值可以根据需要灵活设定，例如，10米、30米、50米等。在一些实施例中，分组模块230可以判断每一个簇是否与相邻簇存在有距离小于预设阈值(例如，10米、30米、50米等)的上车点，响应于所述每一个簇与相邻簇存在有距离小于第二阈值的上车点，分组模块230将多个上车点簇合并为一个更大的上车点簇。
在一些实施例中，中心位置的获取方法可以包括：分组模块230首先在上车点簇中随机选择一个上车点作为预设中心点，依次计算该上车点簇中各上车点与该预设中心点的距离，选取其中与预设中心点距离最短的上车点作为下一轮计算的迭代中心点，直至中心点不再变化或变化很小时终止迭代，此时的中心点即为簇的中心位置。在一些实施例中，中心位置的获取方法还可以包括：以上车点簇的形状拟合为圆形，圆形的圆心即为中心点，判断中心点的位置是否对应上车点，响应于所述中心点的位置对应上车点，分组模块230将该上车点确定为簇的中心位置，响应于中心点的位置没有对应上车点，分组模块230将与该中心点距离最近的上车点确定为簇的中心位置。
根据上述实施例，通过对所述至少一个上车点簇进行合并处理，可以使相距不远的不同上车点簇内的上车点合并到一个上车点簇内，可以减少后续筛选的数据量。
用户前往上车点簇中上车点上车时，其可能是来自不同的方向，例如，上车点簇中包含上车点A和上车点B，用户1前往上车点A可能是从北边过来，用户2前往上车点B可能是从南边过来，用户1和用户2也可以是同一个用户。因此，可以根据方向对上车点簇进行更进一步的分类，使得上车点分类更准确。用户的定位点可以代表其前往上车点需要移动的方向，进一步的，用户定位点可以代表用户来自的方向。
在一些实施例中，分组模块230可以基于定位点、定位点簇等对所述至少一个上车点簇进行分割处理。在一些实施例中，分组模块230可以对获取的历史订单中至少一个用户发起服务请求的定位点信息根据聚类算法进行聚类，得到至少一个定位点簇，不同定位点簇可以代表不同的方向。关于聚类的具体细节可以参见步骤402以及相关描述。在一些实施例中，分组模块230可以根据至少一个定位点簇对上车点簇进行分割，从而可以划分出来自不同方向的上车点簇。
在一些实施例中，分组模块230可以先根据上述实施例的合并处理的描述对至少一个上车点簇进行合并处理，然后根据上述实施例的分割处理的描述对合并处理后的上车点簇进行分割处理。
步骤406，将所述分割或/和合并处理后的所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。具体的，该步骤406可以由分组模块230执行，将步骤404中获得的分割或/和合并处理后的所述至少一个上车点簇确定为一个或多个所述候选的第一个性化上车点集。
在一些实施例中，分组模块230可以将基于对用户上车点信息进行聚类，得到的至少一个上车点簇确定为至少一个候选的第一个性化上车点集。
在一些实施例中，分组模块230还可以将分割或/和合并处理后的至少一个上车点簇确定为至少一个候选的第一个性化上车点集。
应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本公开的适用范围。对于本领域技术人员来说，在本公开的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本公开的范围之内。例如，分割处理和合并处理的顺序是可以互换。又例如，步骤404可以是非必要步骤，可以在步骤402后直接将所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
图5是根据本公开一些实施例所示的修正用户上车点信息的示例性流程图。如图5所示，该修正用户上车点信息流程500可以包括：
步骤502，获取路网信息。具体的，该步骤502可以由修正模块290执行。
路网信息可以指道路及道路相互关系的信息。在一些实施例中，路网信息可以包括但不限于道路的名称、道路上点信息、道路交叉信息等。道路上点的信息可以包括但不限于经纬度信息、海报高度等。在一些实施例中，路网信息可以包括道路节点和路段等信息。道路节点可以包括道路属性发生变化的点、可能进行转向操作的点等。例如，道路节点可以包括交叉口、高速路出入口、道路起点、道路终点等。在一些实施例中，路段可以使用连接两个节点之间的弧表示。路段信息可以包括路段标识、路段起止点信息、路段边界、路段长度、路段宽度、路段等级、路段属性、路段名称等。路段等级可以包括高速公路、城市快速路、国道、省道、县道、乡道等。路段属性可以包括上行线、下行线、交叉口内部路、环岛、内部道路、是否收费等。
在一些实施例中，路网信息可以从存储设备中读取。其中，所述存储设备可以是推荐上车点的系统100中的存储设备(例如，数据库140)，也可以是不属于系统100的外部存储设备(例如，光盘、移动硬盘等)。在一些实施例中，路网信息可以通过接口获取。该接口可以包括但不限于程序接口、数据接口、传输接口等。在一些实施例中，还可以采用本领域技术人员熟知的任意方式获取路网信息，本说明书的实施例对此不做限制。
步骤504，根据所述用户上车点信息与所述路网信息，判断用户上车点是否在路网上。具体的，该步骤504可以由修正模块290执行。
修正模块290可以根据用户上车点信息与所述路网信息，判断用户上车点是否在路网上。在一些实施例中，可以基于用户上车点与路网的相对位置关系判断用户上车点是否在路网上。该位置关系可以包括上车点是否在路网道路上、上车点是否与路网中道路的最短距离小于设定阈值。在一些实施例中，可以根据上车点信息中的经纬度信息和路网信息中道路上点的经纬度信息确定该位置关系。
步骤506，对不在所述路网上的所述用户上车点进行修正，得到修正的用户上车点信息。具体的，该步骤506可以由修正模块290执行。
对不在路网上的用户上车点修正后，上车点落在了路网上，即，修正后的上车点成为了路网上的某个点，该点的信息替代未修正的上车点信息，成为修正后的上车点信息。修正后的上车点是更适合上车的位置。
修正上车点的方式可以是多种，例如，可以将路网上距离用户上车点最近的点作为修正后的上车点。又例如，可以将用户上车点投影到路网上，投影的点作为修正后的上车点。
由于不同国家有其特征的交通规则，例如，对于中国而言，行驶的车辆停车时需要靠右停车，即行驶方向的右边，因此，可以根据行驶的方向进行投影得到合适的上车点，保证用户安全上车。在一些实施例中，修正模块290可以基于起始行驶方向，将对应的历史订单的用户上车点投影到路网上，以得到用户上车点的路网投影点信息。
在一些实施例中，修正模块290可以获取用户历史订单的起始行驶方向。起始行驶方向可以包括该历史订单中用户上车之后车辆行驶的方向。在一些实施例中，起始行驶方向可以通过历史订单中车辆导航路径的起始段来确定。例如，历史订单中用户上车后，车辆导航路径的起始段是由东向西，则可以认为该历史订单的起始行驶方向是向西。在一些实施例中，起始行驶方向可以通过历史订单中车辆经过的路网信息来确定。例如，用户上车后，车辆经过的下一个道路节点(或路段)在车辆起始道路节点(或路段)的东面，则可以认为该历史订单的起始行驶方向是向东。
在一些实施例中，投影可以是经过用户上车点向起始行驶方向的左/右侧的路网作法向量，法向量与该路网边界的交点作为用户上车点的路网投影点。该交点的信息即为路网投影点信息。
在一些实施例中，修正模块290可以将得到的路网投影点信息确定为修正的用户上车点信息。所述修正的用户上车点信息结合了用户上车点信息和路网信息，可以更准确地表达用户上车点。
本公开实施例可能带来的有益效果包括但不限于：(1)通过为乘客提供推荐上车点，降低不合理的上车点被选中的概率；(2)提高乘客出行体验；(3)提升司机接驾效率，如使司机的长期效益更高。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本公开的限定。虽然此处并没有明确说明，本领域技术人员可能会对本公开进行各种修改、改进和修正。该类修改、改进和修正在本公开中被建议，所以该类修改、改进、修正仍属于本公开示范实施例的精神和范围。
同时，本公开使用了特定词语来描述本公开的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本公开至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本公开的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本公开的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本公开的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本公开的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本公开各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本公开所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本公开流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本公开实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本公开披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本公开实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本公开对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本公开一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本公开引用的每个专利、专利公开、专利公开公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本公开作为参考。与本公开内容不一致或产生冲突的公开历史文件除外，对本公开权利要求最广范围有限制的文件(当前或之后附加于本公开中的)也除外。需要说明的是，如果本公开附属材料中的描述、定义、和/或术语的使用与本公开所述内容有不一致或冲突的地方，以本公开的描述、定义和/或术语的使用为准。
最后，应当理解的是，本公开中所述实施例仅用以说明本公开实施例的原则。其他的变形也可能属于本公开的范围。因此，作为示例而非限制，本公开实施例的替代配置可视为与本公开的教导一致。相应地，本公开的实施例不仅限于本公开明确介绍和描述的实施例。

Claims (26)

1.一种推荐上车点的方法，所述方法由至少一个处理器执行，其特征在于，包括：
从目标用户终端接收服务请求；
获取至少一个包含用户上车点信息的历史订单，所述上车点信息与所述目标用户终端的位置相关联；
对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集；
从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点；
基于所述每一个集筛选出的所述至少一个个性化上车点构成第二个性化上车点集；
基于所述目标用户终端的位置，从所述第二个性化上车点集中确定至少一个个性化上车点；
将所述至少一个个性化上车点确定为推荐上车点。
2.如权利要求1所述的方法，其特征在于，所述对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集包括：
对所述用户上车点信息进行聚类，得到至少一个上车点簇；
将所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
3.如权利要求2所述的方法，其特征在于，所述将所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集包括：
对所述至少一个上车点簇进行分割或/和合并处理；
将所述分割或/和合并处理后的所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
4.如权利要求3所述的方法，其特征在于，所述合并处理包括：
根据所述至少一个上车点簇中每一个簇之间的相似性，合并所述至少一个上车点簇。
5.如权利要求4所述的方法，其特征在于，所述根据所述至少一个上车点簇中每一个簇之间的相似性，合并所述至少一个上车点簇包括：
确定所述至少一个上车点簇中的每一个簇的中心位置；
判断所述每一个簇的所述中心位置之间的距离是否小于第一阈值；
根据所述判断结果，合并所述至少一个上车点簇。
6.如权利要求3所述的方法，其特征在于，所述分割处理包括：
获取所述历史订单中所述至少一个用户发起服务请求的定位点信息；
对所述用户发起服务请求的定位点信息进行聚类，得到至少一个定位点簇；
基于所述至少一个定位点簇，分割所述至少一个上车点簇。
7.如权利要求2-6任一所述的方法，其特征在于，所述聚类基于聚类算法实现，所述聚类算法包括：密度峰聚类。
8.如权利要求1所述的方法，其特征在于，所述从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点包括：
获取所述历史订单的时间信息；
根据所述用户上车点信息和所述时间信息，确定所述至少一个候选的第一个性化上车点集中的每一个集中各个用户上车点之间的平均距离差或/和平均时间差；
根据所述平均距离差或/和平均时间差，从所述每一个集中筛选出至少一个个性化上车点。
9.如权利要求6所述的方法，其特征在于，还包括：
根据同一个所述历史订单中所述用户上车点信息和所述用户发起服务请求的定位点信息，判断用户上车点和用户发起服务请求的定位点之间的距离是否小于第二阈值；
基于所述判断结果，对所述历史订单进行过滤。
10.如权利要求1所述的方法，其特征在于，对所述用户上车点信息进行所述分组之前对所述用户上车点信息进行修正。
11.如权利要求10所述的方法，其特征在于，所述对所述用户上车点信息进行分组之前对所述用户上车点信息进行修正包括：
获取路网信息；
根据所述用户上车点信息与所述路网信息，判断用户上车点是否在路网上；
对不在所述路网上的所述用户上车点进行修正，得到修正的用户上车点信息。
12.如权利要求11所述的方法，其特征在于，所述对不在所述路网上的所述用户上车点进行修正，得到修正的用户上车点信息包括：
获取所述历史订单的起始行驶方向；
基于所述起始行驶方向，将同一个所述历史订单的所述用户上车点投影到所述路网上，得到所述用户上车点的路网投影点信息；
将所述路网投影点信息确定为所述修正的用户上车点信息。
13.一种推荐上车点的系统，其特征在于，包括：
接收模块，用于从目标用户终端接收服务请求；
获取模块，用于获取至少一个包含用户上车点信息的历史订单，所述上车点信息与所述目标用户终端的位置相关联；
分组模块，用于对所述用户上车点信息进行分组，确定至少一个候选的第一个性化上车点集；
筛选模块，用于从所述至少一个候选的第一个性化上车点集中的每一个集中筛选出至少一个个性化上车点；
组合模块，用于基于所述每一个集筛选出的所述至少一个个性化上车点构成第二个性化上车点集；
确定模块，用于基于所述目标用户终端的位置，从所述第二个性化上车点集中确定至少一个个性化上车点；
推荐模块，用于将所述至少一个个性化上车点确定为推荐上车点。
14.如权利要求13所述的系统，其特征在于，所述分组模块还用于：
对所述用户上车点信息进行聚类，得到至少一个上车点簇；
将所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
15.如权利要求14所述的系统，其特征在于，所述分组模块还用于：
对所述至少一个上车点簇进行分割或/和合并处理；
将所述分割或/和合并处理后的所述至少一个上车点簇确定为所述至少一个候选的第一个性化上车点集。
16.如权利要求15所述的系统，其特征在于，所述分组模块还用于：
根据所述至少一个上车点簇中每一个簇之间的相似性，合并所述至少一个上车点簇。
17.如权利要求16所述的系统，其特征在于，所述分组模块还用于：
确定所述至少一个上车点簇中的每一个簇的中心位置；
判断所述每一个簇的所述中心位置之间的距离是否小于第一阈值；
根据所述判断结果，合并所述至少一个上车点簇。
18.如权利要求15所述的系统，其特征在于，所述分组模块还用于：
获取所述历史订单中所述至少一个用户发起服务请求的定位点信息；
对所述用户发起服务请求的定位点信息进行聚类，得到至少一个定位点簇；
基于所述至少一个定位点簇，分割所述至少一个上车点簇。
19.如权利要求14-18任一所述的系统，其特征在于，所述聚类基于聚类算法实现，所述聚类算法包括：密度峰聚类。
20.如权利要求13所述的系统，其特征在于，所述筛选模块还用于：
获取所述历史订单的时间信息；
根据所述用户上车点信息和所述时间信息，确定所述至少一个候选的第一个性化上车点集中的每一个集中各个用户上车点之间的平均距离差或/和平均时间差；
根据所述平均距离差或/和平均时间差，从所述每一个集中筛选出至少一个个性化上车点。
21.如权利要求18所述的系统，其特征在于，还包括：
过滤模块，用于根据同一个所述历史订单中所述用户上车点信息和所述用户发起服务请求的定位点信息，判断用户上车点和用户发起服务请求的定位点之间的距离是否小于第二阈值；
基于所述判断结果，对所述历史订单进行过滤。
22.如权利要求13所述的系统，其特征在于，还包括：
修正模块，用于对所述用户上车点信息进行所述分组之前对所述用户上车点信息进行修正。
23.如权利要求22所述的系统，其特征在于，所述修正模块还用于：
获取路网信息；
根据所述用户上车点信息与所述路网信息，判断用户上车点是否在路网上；
对不在所述路网上的所述用户上车点进行修正，得到修正的用户上车点信息。
24.如权利要求23所述的系统，其特征在于，所述修正模块还用于：
获取所述历史订单的起始行驶方向；
基于所述起始行驶方向，将同一个所述历史订单的所述用户上车点投影到所述路网上，得到所述用户上车点的路网投影点信息；
将所述路网投影点信息确定为所述修正的用户上车点信息。
25.一种电子设备，其特征在于，包括：至少一个存储介质以及至少一个处理器；
所述至少一个存储介质存储有计算机指令；
所述至少一个处理器用于执行计算机指令，以实现如权利要求1～12中任一项所述的方法。
26.一种计算机可读介质，所述存储介质存储有计算机指令，当所述计算机指令被处理器执行时，实现如权利要求1～12中任一项所述的方法。
CN202010320478.8A 2020-04-22 2020-04-22 一种推荐上车点的方法和系统 Active CN111859178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010320478.8A CN111859178B (zh) 2020-04-22 2020-04-22 一种推荐上车点的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010320478.8A CN111859178B (zh) 2020-04-22 2020-04-22 一种推荐上车点的方法和系统

Publications (2)

Publication Number Publication Date
CN111859178A true CN111859178A (zh) 2020-10-30
CN111859178B CN111859178B (zh) 2024-04-09

Family

ID=72985708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010320478.8A Active CN111859178B (zh) 2020-04-22 2020-04-22 一种推荐上车点的方法和系统

Country Status (1)

Country Link
CN (1) CN111859178B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348091A (zh) * 2020-11-10 2021-02-09 成都福立盟环保大数据有限公司 基于渣土车gps的双聚类的黑工地点位识别算法
CN112765284A (zh) * 2021-01-21 2021-05-07 广州羊城通有限公司 用户的相关地点确定方法及装置
CN112991008A (zh) * 2021-03-04 2021-06-18 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
CN113010807A (zh) * 2021-03-29 2021-06-22 北京百度网讯科技有限公司 上车点确定方法、装置、设备和存储介质
CN113411749A (zh) * 2021-06-11 2021-09-17 拉扎斯网络科技（上海）有限公司 入口位置确定方法及装置
CN117194391A (zh) * 2023-11-08 2023-12-08 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及计算机可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104199906A (zh) * 2014-08-27 2014-12-10 腾讯科技（深圳）有限公司 一种拍摄区域的推荐方法及装置
US20150219464A1 (en) * 2014-02-04 2015-08-06 Here Global B.V. Method and apparatus for providing passenger embarkation points for points of interests
CN105045858A (zh) * 2015-07-10 2015-11-11 湖南科技大学 基于投票的出租车载客点推荐方法
CN106779141A (zh) * 2016-11-15 2017-05-31 百度在线网络技术（北京）有限公司 一种推荐上车地点的方法和装置
CN107515890A (zh) * 2017-07-04 2017-12-26 深圳市金立通信设备有限公司 一种识别常驻点的方法及终端
CN109242202A (zh) * 2018-09-29 2019-01-18 中国科学技术大学苏州研究院 一种基于区域间乘客流动的出租车推荐方法及系统
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
CN109784970A (zh) * 2018-12-13 2019-05-21 交控科技股份有限公司 一种基于afc乘客乘车数据的服务推荐方法及装置
CN110334293A (zh) * 2019-07-12 2019-10-15 吉林大学 一种面向位置社交网络基于模糊聚类的具有时间感知位置推荐方法
CN110533081A (zh) * 2019-08-07 2019-12-03 北京三快在线科技有限公司 一种确定上车点信息的方法、装置、设备及存储介质
CN110544157A (zh) * 2019-09-04 2019-12-06 北京三快在线科技有限公司 乘车位置推荐方法、装置、电子设备及存储介质
CN110909096A (zh) * 2019-10-31 2020-03-24 腾讯科技（深圳）有限公司 推荐上车点确定方法及装置、存储介质、电子设备
US20200109958A1 (en) * 2017-06-13 2020-04-09 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining target stations

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150219464A1 (en) * 2014-02-04 2015-08-06 Here Global B.V. Method and apparatus for providing passenger embarkation points for points of interests
CN104199906A (zh) * 2014-08-27 2014-12-10 腾讯科技（深圳）有限公司 一种拍摄区域的推荐方法及装置
CN105045858A (zh) * 2015-07-10 2015-11-11 湖南科技大学 基于投票的出租车载客点推荐方法
CN106779141A (zh) * 2016-11-15 2017-05-31 百度在线网络技术（北京）有限公司 一种推荐上车地点的方法和装置
US20200109958A1 (en) * 2017-06-13 2020-04-09 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining target stations
CN107515890A (zh) * 2017-07-04 2017-12-26 深圳市金立通信设备有限公司 一种识别常驻点的方法及终端
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
CN109242202A (zh) * 2018-09-29 2019-01-18 中国科学技术大学苏州研究院 一种基于区域间乘客流动的出租车推荐方法及系统
CN109784970A (zh) * 2018-12-13 2019-05-21 交控科技股份有限公司 一种基于afc乘客乘车数据的服务推荐方法及装置
CN110334293A (zh) * 2019-07-12 2019-10-15 吉林大学 一种面向位置社交网络基于模糊聚类的具有时间感知位置推荐方法
CN110533081A (zh) * 2019-08-07 2019-12-03 北京三快在线科技有限公司 一种确定上车点信息的方法、装置、设备及存储介质
CN110544157A (zh) * 2019-09-04 2019-12-06 北京三快在线科技有限公司 乘车位置推荐方法、装置、电子设备及存储介质
CN110909096A (zh) * 2019-10-31 2020-03-24 腾讯科技（深圳）有限公司 推荐上车点确定方法及装置、存储介质、电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张跃威: "出租车载客点个性化推荐算法", 《计算机系统应用》, vol. 26, no. 6, 15 June 2017 (2017-06-15), pages 148 - 152 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348091A (zh) * 2020-11-10 2021-02-09 成都福立盟环保大数据有限公司 基于渣土车gps的双聚类的黑工地点位识别算法
CN112765284A (zh) * 2021-01-21 2021-05-07 广州羊城通有限公司 用户的相关地点确定方法及装置
CN112991008A (zh) * 2021-03-04 2021-06-18 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
CN113010807A (zh) * 2021-03-29 2021-06-22 北京百度网讯科技有限公司 上车点确定方法、装置、设备和存储介质
CN113010807B (zh) * 2021-03-29 2024-01-16 北京百度网讯科技有限公司 上车点确定方法、装置、设备和存储介质
CN113411749A (zh) * 2021-06-11 2021-09-17 拉扎斯网络科技（上海）有限公司 入口位置确定方法及装置
CN117194391A (zh) * 2023-11-08 2023-12-08 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN111859178B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN111859178B (zh) 一种推荐上车点的方法和系统
CN109155104B (zh) 推荐估计到达时间的系统和方法
US11535262B2 (en) Method and apparatus for using a passenger-based driving profile
US11358605B2 (en) Method and apparatus for generating a passenger-based driving profile
CN114944059B (zh) 确定预估到达时间的方法与系统
CN111854779B (zh) 一种路线规划方法、装置、电子设备及可读存储介质
EP3620972A1 (en) Method and apparatus for providing a user reaction user interface for generating a passenger-based driving profile
EP3621007A1 (en) Method and apparatus for selecting a vehicle using a passenger-based driving profile
CN110691957A (zh) 基于深度卷积神经网络的路径规划系统和方法
CN111881713A (zh) 一种识别违停地点的方法、系统、装置及存储介质
EP3683549A1 (en) Method, apparatus, and computer program product for lane-level route guidance
CN110945501A (zh) 推荐目的地的系统和方法
CN110741225B (zh) 确定目标站点的系统和方法
CN111465936B (zh) 确定地图上新道路的系统和方法
CN112868036A (zh) 位置推荐的系统和方法
CN111047130B (zh) 用于交通分析和管理的方法和系统
WO2019222903A1 (en) Systems and methods for providing travelling suggestion
CN112270427A (zh) 一种推荐上车点的方法和系统
JP7071533B2 (ja) 交通状況の視覚化を改善するためのシステムおよび方法
CN111861622A (zh) 一种确定上车点推荐模型的方法和系统
US20210065548A1 (en) Systems and methods for navigation based on intersection coding
CN111400425B (zh) 一种路径自动优化选择的方法和系统
CN111721306A (zh) 道路匹配方法、装置、电子设备及可读存储介质
CN111295569A (zh) 用于生成道路地图的系统和方法
CN111860903A (zh) 一种确定预估到达时间的方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant