CN111860904A - 上车点排序的方法及装置 - Google Patents
上车点排序的方法及装置 Download PDFInfo
- Publication number
- CN111860904A CN111860904A CN201910906464.1A CN201910906464A CN111860904A CN 111860904 A CN111860904 A CN 111860904A CN 201910906464 A CN201910906464 A CN 201910906464A CN 111860904 A CN111860904 A CN 111860904A
- Authority
- CN
- China
- Prior art keywords
- sample
- point
- points
- getting
- boarding
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 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
- 238000012546 transfer Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 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
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
Abstract
本申请提供了一种上车点排序的方法及装置,该方法包括:确定多个样本上车点,并获取各个样本上车点在多个上车点影响特征下的样本特征值;基于各个样本上车点在上车点影响特征下的样本特征值,确定各个样本上车点对相关度检测模型的影响权重;基于各个样本上车点在多个上车点影响特征下的特征值,以及各个样本上车点分别对应的影响权重,训练相关度检测模型;基于相关度检测模型获取多个备选上车点与服务请求端之间的相关度,并基于各个备选上车点与服务请求端之间的相关度,对各个备选上车点进行排序;其中,备选上车点为基于服务请求端的当前位置信息为服务请求端确定的。该实施例能够提升上车点排序的准确度。
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,网约车成为人们出行时的重要选择。
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。在用户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,因此当前的上车点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的方法及装置,能够提升对上车点排序时的准确度。
第一方面,本申请实施例提供一种上车点排序方法,包括:确定多个样本上车点,并获取各个所述样本上车点在多个上车点影响特征下的样本特征值;
基于各个所述样本上车点在所述上车点影响特征下的样本特征值,确定各个所述样本上车点对相关度检测模型的影响权重;
基于各个所述样本上车点在多个上车点影响特征下的特征值,以及各个所述样本上车点分别对应的影响权重,训练所述相关度检测模型;
基于所述相关度检测模型获取多个备选上车点与服务请求端之间的相关度,并基于各个所述备选上车点与所述服务请求端之间的相关度,对各个所述备选上车点进行排序;
其中,所述备选上车点为基于所述服务请求端的当前位置信息为所述服务请求端确定的。
一种可选实施方式中,基于各个所述样本上车点在所述上车点影响特征下的样本特征值,确定各个所述样本上车点对相关度检测模型的影响权重,包括:
针对每个所述样本上车点,根据该样本上车点在任一上车点影响特征下的样本特征值,以及与该任一上车点影响特征对应的多个取值区间,确定该样本上车点在该任一上车点影响特征下对应的目标取值区间;
将该目标取值区间对应的权重,确定为该样本上车点在该任一上车点影响特征下的权重;
将该样本上车点分别在各个上车点影响特征下的权重进行融合,得到该样本上车点对应的所述影响权重。
一种可选实施方式中,将该样本上车点分别在各个上车点影响特征下的权重进行融合,包括:
计算该样本上车点分别在各个上车点影响特征下的权重的乘积,将乘积的结果作为该样本上车点对应的影响权重;
或者,
对该样本上车点分别在各个上车点影响特征下的权重求和,将求和的结果作为该样本上车点对应的影响权重;
或者,
计算该样本上车点分别在各个上车点影响特征下的权重的平均值,将该平均值作为该样本上车点对应的影响权重。
一种可选实施方式中,所述基于各个所述样本上车点在多个上车点影响特征下的特征值,以及各个所述样本上车点分别对应的影响权重,训练所述相关度检测模型,包括:
确定进行相关度检测的基础模型的基础检测模型;
将各个所述样本上车点在所述上车点影响特征下的特征值输入至所述基础检测模型中,获取与各个所述样本上车点对应的样本检测相关度;
基于所述样本上车点对应的样本检测相关度、真实相关度以及影响权重,计算模型损失;
基于所述模型损失,对所述基础检测模型进行训练,得到所述相关度检测模型。
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;
所述确定多个样本上车点,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,所述上车点影响特征包括下述一种或者多种:所述样本上车点与样本服务请求端之间的距离、所述样本上车点与样本服务请求端是否位于同一路段的同一侧、所述样本上车点所在路段的道路等级、所述样本上车点作为选定上车点的第一热度值、所述样本上车点所在路段的第二热度值、所述样本上车点在展示给用户后被选择的第三热度值、所述样本上车点所在目标区域的服务提供方接受订单的数量、以及所述样本上车点所在目标区域的服务请求方发起订单的数量。
一种可选实施方式中,针对所述上车点影响特征包括所述样本上车点与样本服务请求端之间的距离的情况,采用下述方式获取所述样本上车点与所述样本服务请求端之间的距离:
根据所述样本上车点对应的地理位置坐标,以及所述样本服务请求端的地理位置信息,得到所述样本上车点与所述样本服务请求端之间的距离;
针对所述上车点影响特征包括所述第一热度值的情况,采用下述方式获取所述第一热度值:
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,统计以所述样本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;
针对所述上车点影响特征包括所述第二热度值的情况,采用下述方式获取所述第二热度值:
获取历史订单的订单信息,并确定与所述样本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,统计以所述样本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;
针对所述上车点影响特征包括所述第三热度值的情况,采用下述方式获取所述第三热度值:
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息;
根据所述展示上车点信息以及所述选定上车点信息,统计以所述样本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。
一种可选实施方式中,采用下述方式确定所述备选上车点:
获取服务请求端的地理位置信息;
基于所述地理位置信息,从根据多个上车点的地理位置坐标划分的多个区域中,确定与所述地理位置信息对应的至少一个目标区域;
从各个所述目标区域中确定与所述地理位置信息对应的多个备选上车点。
一种可选实施方式中,所述基于所述地理位置信息,从多个根据多个上车点的地理位置坐标划分的多个区域中,确定与所述地理位置信息对应的至少一个目标区域,包括:
获取各个区域的中心位置坐标;基于所述地理位置信息以及所述中心位置坐标,计算所述地理位置信息指示的地理位置与各个所述中心位置坐标指示的地理位置之间的距离;
将所述距离小于预设距离阈值的所述区域确定为所述目标区域。
一种可选实施方式中,对各个所述备选上车点进行排序后,该方法还包括:
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上车点排序的装置,包括:
获取模块,用于确定多个样本上车点,并获取各个所述样本上车点在多个上车点影响特征下的样本特征值;
确定模块,用于基于各个所述样本上车点在所述上车点影响特征下的样本特征值,确定各个所述样本上车点对相关度检测模型的影响权重;
训练模块,用于基于各个所述样本上车点在多个上车点影响特征下的特征值,以及各个所述样本上车点分别对应的影响权重,训练所述相关度检测模型;
排序模块,用于基于所述相关度检测模型获取多个备选上车点与服务请求端之间的相关度,并基于各个所述备选上车点与所述服务请求端之间的相关度,对各个所述备选上车点进行排序;
其中,所述备选上车点为基于所述服务请求端的当前位置信息为所述服务请求端确定的。
一种可选实施方式中,所述确定模块,用于采用下述方式确定各个所述样本上车点对相关度检测模型的影响权重:
针对每个所述样本上车点,根据该样本上车点在任一上车点影响特征下的样本特征值,以及与该任一上车点影响特征对应的多个取值区间,确定该样本上车点在该任一上车点影响特征下对应的目标取值区间;
将该目标取值区间对应的权重,确定为该样本上车点在该任一上车点影响特征下的权重;
将该样本上车点分别在各个上车点影响特征下的权重进行融合,得到该样本上车点对应的所述影响权重。
一种可选实施方式中,所述确定模块,用于采用下述方式将该样本上车点分别在各个上车点影响特征下的权重进行融合:
计算该样本上车点分别在各个上车点影响特征下的权重的乘积,将乘积的结果作为该样本上车点对应的影响权重;
或者,
对该样本上车点分别在各个上车点影响特征下的权重求和,将求和的结果作为该样本上车点对应的影响权重;
或者,
计算该样本上车点分别在各个上车点影响特征下的权重的平均值,将该平均值作为该样本上车点对应的影响权重。
一种可选实施方式中,所述训练模块,用于采用下述方式训练所述相关度检测模型:
确定进行相关度检测的基础模型的基础检测模型;
将各个所述样本上车点在所述上车点影响特征下的特征值输入至所述基础检测模型中,获取与各个所述样本上车点对应的样本检测相关度;
基于所述样本上车点对应的样本检测相关度、真实相关度以及影响权重,计算模型损失;
基于所述模型损失,对所述基础检测模型进行训练,得到所述相关度检测模型。
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;
所述获取模块,用于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。
一种可选实施方式中,所述上车点影响特征包括下述一种或者多种:所述样本上车点与样本服务请求端之间的距离、所述样本上车点与样本服务请求端是否位于同一路段的同一侧、所述样本上车点所在路段的道路等级、所述样本上车点作为选定上车点的第一热度值、所述样本上车点所在路段的第二热度值、所述样本上车点在展示给用户后被选择的第三热度值、所述样本上车点所在目标区域的服务提供方接受订单的数量、以及所述样本上车点所在目标区域的服务请求方发起订单的数量。
一种可选实施方式中,所述获取模块,具体用于:
针对所述上车点影响特征包括所述样本上车点与样本服务请求端之间的距离的情况,采用下述方式获取所述样本上车点与所述样本服务请求端之间的距离:
根据所述样本上车点对应的地理位置坐标,以及所述样本服务请求端的地理位置信息,得到所述样本上车点与所述样本服务请求端之间的距离;
针对所述上车点影响特征包括所述第一热度值的情况,采用下述方式获取所述第一热度值:
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,统计以所述样本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;
针对所述上车点影响特征包括所述第二热度值的情况,采用下述方式获取所述第二热度值:
获取历史订单的订单信息,并确定与所述样本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,统计以所述样本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;
针对所述上车点影响特征包括所述第三热度值的情况,采用下述方式获取所述第三热度值:
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息;
根据所述展示上车点信息以及所述选定上车点信息,统计以所述样本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。
一种可选实施方式中,所述排序模块,还用于采用下述方式确定所述备选上车点:
获取服务请求端的地理位置信息;
基于所述地理位置信息,从根据多个上车点的地理位置坐标划分的多个区域中,确定与所述地理位置信息对应的至少一个目标区域;
从各个所述目标区域中确定与所述地理位置信息对应的多个备选上车点。
一种可选实施方式中,所述排序模块,具体采用下述方式确定与所述地理位置信息对应的至少一个目标区域:
获取各个区域的中心位置坐标;基于所述地理位置信息以及所述中心位置坐标,计算所述地理位置信息指示的地理位置与各个所述中心位置坐标指示的地理位置之间的距离;
将所述距离小于预设距离阈值的所述区域确定为所述目标区域。
一种可选实施方式中,还包括,展示模块,用于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。
第三方面,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第一方面,或第一方面中任一种可能的实施方式中的步骤。
本申请实施例基于样本上车点在各个上车点影响特征下的样本特征值,以及各个样本上车点对相关度检测模型的影响权重,训练相关度检测模型,提升相关度检测模型的检测精度;在基于训练的相关度检测模型,确定各个备选上车点与服务请求端之间的相关度,然后基于该相关度对各个备选上车点进行排序,能够提升对上车点进行排序的准确度。
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,确定各个样本上车点的影响权重的具体方法的流程图;
图4示出了本申请实施例提供的上车点排序的方法中,对相关度检测模型进行训练的具体方法的流程图;
图5示出了本申请实施例提供的上车点排序的方法中,确定多个备选上车点的具体方法的流程图;
图6示出了本申请实施例提供的另一种上车点排序的装置的结构示意图;
图7示出了本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“网约车”,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通过网约车平台约车过程中为服务请求端确定的备选上车点排序进行描述,但是应该理解,这仅是一个示例性实施例。还可以对其他信息进行排序,例如对通过兴趣点(Point of Interest,POI)检索信息检索得到的多个备选POI进行排序、对待推送给用户的多个广告进行排序等。
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”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。该系统基于样本上车点在各个上车点影响特征下的样本特征值,以及各个样本上车点对相关度检测模型的影响权重,训练相关度检测模型,提升相关度检测模型的检测精度;在基于训练的相关度检测模型,确定各个备选上车点与服务请求端之间的相关度,然后基于该相关度对各个备选上车点进行排序,能够提升对上车点进行排序的准确度。
图1是本申请实施例提供的一种用于实现上车点排序的服务系统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中的服务请求端来执行,也可以有服务系统100种的服务器来执行,具体执行过程包括:
S201:确定多个样本上车点,并获取各个样本上车点在多个上车点影响特征下的样本特征值;
S202:基于各个样本上车点在上车点影响特征下的样本特征值,确定各个样本上车点对相关度检测模型的影响权重;
S203:基于各个样本上车点在多个上车点影响特征下的特征值,以及各个样本上车点分别对应的影响权重,训练相关度检测模型;
S204:基于相关度检测模型获取多个备选上车点与服务请求端之间的相关度,并基于各个备选上车点与服务请求端之间的相关度,对各个备选上车点进行排序。
其中,备选上车点为基于服务请求端的当前位置信息为服务请求端确定的。
下面分别对上述S201~S204加以说明。
I:在上述S201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;样本订单信息包括:样本展示上车点、以及样本选定上车点;
将样本选定上车点确定为正样本上车点;
将样本展示上车点中除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。
上车点影响特征包括但不限于下述a1~a8中一种或者多种:
a1:样本上车点与对应样本服务请求端之间的距离。
示例性的,该距离可以是样本上车点与对应样本服务请求端之间的直线距离。具体地,在样本订单中对应的样本订单信息中,还包括对应样本服务请求端的地理位置信息。且每个样本上车点都对应有上车点名称和地理位置坐标。进而能够根据样本上车点的地理位置坐标,和与样本上车点对应的样本服务请求端的地理位置信息,计算样本上车点与对应样本服务请求端之间的距离。
另外,该距离还可以是样本上车点与对应样本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,与样本服务请求端对应的地理位置信息,以及与样本上车点对应的地理位置坐标,能够计算得到样本上车点与样本服务请求端之间的路程长度,并将该路程长度作为样本上车点与对应样本服务请求端之间的距离。
a2:样本上车点与样本服务请求端是否位于同一路段的同一侧。
这里,在确定样本上车点与样本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,可以将与样本上车点和/或样本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,然后确定样本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。
由于样本样本上车点与样本服务请求端附近可能存在多个路段。样本上车点与服务请求端位于同一路段的不同侧,是指样本上车点与服务请求端位于可能存在的多个路段中任一路段的不同侧。
a3:样本上车点所在路段的道路等级。
这里,样本上车点所在路段,示例性包括与样本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样本上车点和服务请求端之间到达的难易程度;例如,若样本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,因此若样本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,则将这种样本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样本上车点与样本服务请求端是否位于同一路段的同一侧、以及样本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。
例如样本上车点A和样本服务请求端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。若样本上车点A和样本服务请求端X在某路段的同侧,则对应的特征值为1;若样本上车点A和样本服务请求端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,为了避免某些样本上车点的数据维度较高,而某些样本上车点对应的数据维度较低,例如,某样本上车点M1在“样本上车点与样本服务请求端是否位于同一路段的同一侧”和“样本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),而另一样本上车点M2在“样本上车点与样本服务请求端是否位于同一路段的同一侧”和“样本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样本上车点进行补零的操作。
例如样本上车点M1在“样本上车点与样本服务请求端是否位于同一路段的同一侧”和“样本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:样本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;订单信息中包括选定上车点信息;基于选定上车点信息,统计以样本上车点为选定上车点的历史订单的第一数量,并将第一数量作为第一热度值。
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,确定所有以样本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。
样本上车点被选择为选定上车点的历史订单的第一数量越多,则表征该样本上车点的热度越高。
这里,区别于第三热度值,只要样本上车点在历史订单中作为选定上车点出现,不论该样本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目标进行统计。
另外,还可以采用其他方式确定第一热度值,例如将第一数量和历史订单总数量的比值作为第一热度值。
a5:样本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,并确定与样本上车点在同一路段的同路段上车点;订单信息中包括选定上车点信息;
根据订单信息中包括选定上车点信息,统计以样本上车点为选定上车点的历史订单的第一数量,并统计以同路段上车点为选定上车点的历史订单的第二数量;将第一数量和第二数量的和作为第二热度值。
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:样本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;订单信息中包括:展示上车点信息以及选定上车点信;根据展示上车点信息以及选定上车点信息,统计以样本上车点作为选定上车点时历史订单的第三数量;将第三数量作为第三热度值。
这里,展示上车点又称定点上车点,是指对各个样本上车点进行排序后,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样本上车点信息,且该样本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。
a7:样本上车点所在区域的服务提供方接受订单的数量。
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。在确定了样本上车点后,就能够根据样本上车点的地理位置坐标,从划分的多个区域中,确定与样本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。
a8:样本上车点所在目标区域的服务请求方发起订单的数量。
这里,也会预先将某个区域划分成多个区域,然后根据样本上车点的地理位置坐标,从划分的多个区域中确定与样本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。
这里需要注意的是,a7、a8所涉及的区域通常是一样的;a7、a8所涉及的区域与上述在按照区域筛选样本订单时的区域是不同的。
Ⅱ:在上述S202中,影响权重是指样本上车点对相关度检测模型的影响权重;样本上车点对应了几个样本订单,则与每个样本订单分别对应有影响权重。
示例性的,参见图3所示,本申请实施例还提供一种确定各个样本上车点的影响权重的具体方法,包括:
S301:针对每个样本上车点,根据该样本上车点在任一上车点影响特征下的样本特征值,以及与该任一上车点影响特征对应的多个取值区间,确定该样本上车点在该任一上车点影响特征下对应的目标取值区间。
S302:将该目标取值区间对应的权重,确定为该样本上车点在该任一上车点影响特征下的权重;
S303:将该样本上车点在各个上车点影响特征下的权重进行融合,得到该样本上车点对应的影响权重。
此处,针对每个上车点影响特征,会为其设置多个取值区间,每个取值区间对应有预先设定的权重。
示例性的,若某个上车点影响特征下的特征值为离散值,可以按照离散值的大小为上车点影响特征取值区间。每个取值区间涵盖至少一个可能取到的离散值;确定的取值区间,每个取值区间中的值也为离散值。例如,样本上车点与样本服务请求端是否位于同一路段的同一侧、样本上车点所在路段的道路等级的值均为离散值。
若某个上车点影响特征下的特征值为连续值,所确定的取值区间,每个取值区间中的值也为连续值;例如样本上车点与样本服务请求端之间的距离、第一热度值、第二热度值、第三热度值、样本上车点所在目标区域的服务提供方接受订单的数量、样本上车点所在目标区域的服务请求方发起订单的数量均可以视为连续值。
各个取值区间对应的权重,可以根据实际的需要进行设定。例如,针对上车点影响特征“样本上车点作为选定上车点的第一热度值”,第一热度值越高,则说明对应样本上车点被选择的次数越多,则其对应的权重也相应越大,因此与第一热度值对应的取值区间中,取值越大的,对应的权重也越高;又例如,针对上车点影响特征“样本上车点与样本服务请求端之间的距离”,距离越大,则服务请求方从服务请求端所在位置到达该样本上车点所需要耗费的时间也就越多,因此样本上车点与样本服务请求端之间的距离所对应的各个取值区间中,取值越小的,对应的权重越大;又例如,针对上车点影响特征“样本上车点与样本服务请求端是否位于同一路段的同一侧”,若样本上车点与样本样本服务请求端位于同一路段的同一侧,则服务请求方从服务请求端所在位置到达该样本上车点的大概率上而言也就越容易,因此若样本上车点和样本服务请求端在某路段的同侧时,对应的特征值为1;若样本上车点和样本服务请求端在某路段的不同侧,对应的特征值为0,则得到的两个取值区间分别为1和0,其中取值区间1对应的权重大于取值区间为0的权重。
在得到某个样本上车点在多个上车点影响特征下的特征值后,针对每个上车点影响特征,根据该样本上车点在该上车点影响特征下的特征值,以及预先为该上车点影响特征确定的多个特征值的取值区间,为该样本上车点确定在该上车点影响特征下的目标取值区间,然后将该目标取值区间对应的权重,确定为该样本上车点在该上车点影响特征下的权重。
在确定了样本上车点在各个上车点影响特征下的权重后,可以计算该样本上车点分别在各个上车点影响特征下的权重的乘积,将乘积的结果作为该样本上车点对应的影响权重,或者对该样本上车点分别在各个上车点影响特征下的权重求和,将求和的结果作为该样本上车点对应的影响权重,或者计算该样本上车点分别在各个上车点影响特征下的权重的平均值,将该平均值作为该样本上车点对应的影响权重,以实现对样本上车点在各个上车点影响特征下的权重的融合,得到与样本上车点对应的影响权重。
需要注意的是,这里仅仅给出了对样本上车点在各个上车点影响特征下的权重进行融合的几个示例,可以预见的是,还存在其他的方式对权重进行融合,在此不再赘述。
Ⅲ:在上述S203中,参见图4所示,本申请实施例提供一种对相关度检测模型进行训练的具体方法,包括:
S401:确定进行相关度检测的基础模型的基础检测模型。
此处,基础检测模型可以是逻辑回归模型、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、决策树模型中一种或者多种。
S402:将各个样本上车点在上车点影响特征下的特征值输入至基础检测模型中,获取与各个样本上车点对应的样本检测相关度。
S403:基于样本上车点对应的样本检测相关度、真实相关度以及影响权重,计算模型损失。
此处,在计算模型损失的时候,首先根据基础检测模型确定损失函数。示例性的,损失函数可以是平方损失函数、绝对值损失函数、对数损失函数、均方误差损失函数、均方根损失函数、平均绝对误差损失函数、交叉熵损失函数中一种。
示例性的:
b1:若模型损失为平方损失,则损失函数可以表示为:
L(y,f(x))=μ×(y-f(x))2;
其中,y表示样本上车点对应的真实相关度、f(x)表示样本上车点对应的样本预测相关度、μ表示样本上车点对应的影响权重。
b2:若模型损失为据对峙损失,则损失函数可以表示为:
L(y,f(x))=μ×|y-f(x)|;
其中,y表示样本上车点对应的真实相关度、f(x)表示样本上车点对应的样本预测相关度、μ表示样本上车点对应的影响权重。
b3:若模型损失为对数损失,则损失函数可以表示为:
L(y,p(y|x))=-μ×log(y|x);
其中,y表示样本上车点对应的真实相关度;p(y|x)表示在当前模型的基础上,对于样本x,其预测值为y的概率。μ表示样本上车点对应的影响权重。x对应一样本上车点在各个上车点影响特征下的特征值。
b4:若模型损失为均方误差损失,则损失函数可以表示为:
其中,N表示样本上车点的数量;yi表示第i个样本上车点对应的真实相关度;f(x)i表示第i个样本上车点对应的样本检测相关度;μ表示样本上车点对应的影响权重。
b5:若模型损失为均方根损失,则损失函数可以表示为:
其中,N表示样本上车点的数量;yi表示第i个样本上车点对应的真实相关度;f(x)i表示第i个样本上车点对应的样本检测相关度;μ表示样本上车点对应的影响权重。
b6:若模型损失为平均绝对误差损失,则损失函数可以表示为:
其中,N表示样本上车点的数量;yi表示第i个样本上车点对应的真实相关度;f(x)i表示第i个样本上车点对应的样本检测相关度;μ表示样本上车点对应的影响权重。
S404:基于模型损失,对基础检测模型进行训练,得到相关度检测模型。
具体地,可以采用下述方式训练基础检测模型:
将本轮还未完成训练的样本上车点中任一样本上车点作为当前样本上车点;
根据当前样本上车点对应的样本检测相关度、真实相关度以及影响权重,计算该当前样本上车点在本轮训练中的模型损失;
根据该当前样本上车点在本轮训练中的模型损失,调整基础检测模型的参数。
将当前样本上车点作为在本轮训练中完成训练的样本上车点,并将本轮还未完成寻来呢的样本上车点中其他任一样本上车点作为新的当前样本上车点。
使用调整了参数后的基础检测模型获取该新的当前样本上车点的样本检测相关度,并重新返回根据当前样本上车点对应的样本检测相关度、真实相关度以及影响权重,计算该当前样本上车点在本轮训练中的模型损失的步骤。
直至所有样本上车点都完成本轮的训练。
经过对基础检测模型的多轮训练,得到相关度检测模型。
Ⅳ:在上述S204中,在基于相关度检测模型获取多个备选上车点与服务请求端之间的相关度之前,首先为服务请求端确定多个备选上车点。
参见图5所示,本申请实施例还提供一种确定多个备选上车点的具体方法,包括:
S501:获取服务请求端的地理位置信息;
S502:基于地理位置信息,从根据多个上车点的地理位置坐标划分的多个区域中,确定与地理位置信息对应的至少一个目标区域;
S503:从各个目标区域中确定与地理位置信息对应的多个备选上车点。
具体地,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,服务请求端获取其地理位置信息,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其地理位置信息,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其地理位置信息,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频繁被打开而造成的频繁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。
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。
在确定了备选上车点后,将各个备选上车点分别在上车点影响特征下的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与服务请求端之间的相关度,然后基于相关度的大小,对各个备选上车点进行排序。
这里,备选上车点分别在上车点影响特征下的特征值,与上述样本上车点在上车点影响下的特征值的获取方式类似,在此不再赘述。
在另一实施例中,在对备选上车点进行排序后,还根据对备选上车点的排序,从备选上车点中确定预设数量个定点上车点,并通过服务请求端展示定点上车点。
本申请实施例基于样本上车点在各个上车点影响特征下的样本特征值,以及各个样本上车点对相关度检测模型的影响权重,训练相关度检测模型,提升相关度检测模型的检测精度;在基于训练的相关度检测模型,确定各个备选上车点与服务请求端之间的相关度,然后基于该相关度对各个备选上车点进行排序,能够提升对上车点进行排序的准确度。
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6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,装置包括:获取模块61、确定模块62、训练模块63、以及排序模块64;其中,
获取模块61,用于确定多个样本上车点,并获取各个样本上车点在多个上车点影响特征下的样本特征值;
确定模块62,用于基于各个样本上车点在上车点影响特征下的样本特征值,确定各个样本上车点对相关度检测模型的影响权重;
训练模块63,用于基于各个样本上车点在多个上车点影响特征下的特征值,以及各个样本上车点分别对应的影响权重,训练相关度检测模型;
排序模块64,用于基于相关度检测模型获取多个备选上车点与服务请求端之间的相关度,并基于各个备选上车点与服务请求端之间的相关度,对各个备选上车点进行排序;
其中,备选上车点为基于服务请求端的当前位置信息为服务请求端确定的。
本申请实施例基于样本上车点在各个上车点影响特征下的样本特征值,以及各个样本上车点对相关度检测模型的影响权重,训练相关度检测模型,提升相关度检测模型的检测精度;在基于训练的相关度检测模型,确定各个备选上车点与服务请求端之间的相关度,然后基于该相关度对各个备选上车点进行排序,能够提升对上车点进行排序的准确度。
一种可能的实施方式中,确定模块62,用于采用下述方式确定各个样本上车点对相关度检测模型的影响权重:
针对每个样本上车点,根据该样本上车点在任一上车点影响特征下的样本特征值,以及与该任一上车点影响特征对应的多个取值区间,确定该样本上车点在该任一上车点影响特征下对应的目标取值区间;
将该目标取值区间对应的权重,确定为该样本上车点在该任一上车点影响特征下的权重;
将该样本上车点分别在各个上车点影响特征下的权重进行融合,得到该样本上车点对应的影响权重。
一种可能的实施方式中,确定模块62,用于采用下述方式将该样本上车点分别在各个上车点影响特征下的权重进行融合:
计算该样本上车点分别在各个上车点影响特征下的权重的乘积,将乘积的结果作为该样本上车点对应的影响权重;
或者,
对该样本上车点分别在各个上车点影响特征下的权重求和,将求和的结果作为该样本上车点对应的影响权重;
或者,
计算该样本上车点分别在各个上车点影响特征下的权重的平均值,将该平均值作为该样本上车点对应的影响权重。
一种可能的实施方式中,训练模块63,用于采用下述方式训练相关度检测模型:
确定进行相关度检测的基础模型的基础检测模型;
将各个样本上车点在上车点影响特征下的特征值输入至基础检测模型中,获取与各个样本上车点对应的样本检测相关度;
基于样本上车点对应的样本检测相关度、真实相关度以及影响权重,计算模型损失;
基于模型损失,对基础检测模型进行训练,得到相关度检测模型。
一种可能的实施方式中,样本上车点包括:正样本上车点以及负样本上车点;
获取模块61,用于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;样本订单信息包括:样本展示上车点、以及样本选定上车点;
将样本选定上车点确定为正样本上车点;
将样本展示上车点中除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,上车点影响特征包括下述一种或者多种:样本上车点与样本服务请求端之间的距离、样本上车点与样本服务请求端是否位于同一路段的同一侧、样本上车点所在路段的道路等级、样本上车点作为选定上车点的第一热度值、样本上车点所在路段的第二热度值、样本上车点在展示给用户后被选择的第三热度值、样本上车点所在目标区域的服务提供方接受订单的数量、以及样本上车点所在目标区域的服务请求方发起订单的数量。
一种可能的实施方式中,获取模块61,具体用于:
针对上车点影响特征包括样本上车点与样本服务请求端之间的距离的情况,采用下述方式获取样本上车点与样本服务请求端之间的距离:
根据样本上车点对应的地理位置坐标,以及样本服务请求端的地理位置信息,得到样本上车点与样本服务请求端之间的距离;
针对上车点影响特征包括第一热度值的情况,采用下述方式获取第一热度值:
获取历史订单的订单信息;订单信息中包括选定上车点信息;基于选定上车点信息,统计以样本上车点为选定上车点的历史订单的第一数量,并将第一数量作为第一热度值;
针对上车点影响特征包括第二热度值的情况,采用下述方式获取第二热度值:
获取历史订单的订单信息,并确定与样本上车点在同一路段的同路段上车点;订单信息中包括选定上车点信息;
根据订单信息中包括选定上车点信息,统计以样本上车点为选定上车点的历史订单的第一数量,并统计以同路段上车点为选定上车点的历史订单的第二数量;将第一数量和第二数量的和作为第二热度值;
针对上车点影响特征包括第三热度值的情况,采用下述方式获取第三热度值:
获取历史订单的订单信息;订单信息中包括:展示上车点信息以及选定上车点信息;
根据展示上车点信息以及选定上车点信息,统计以样本上车点作为选定上车点时历史订单的第三数量;将第三数量作为第三热度值。
一种可能的实施方式中,排序模块64,还用于采用下述方式确定备选上车点:
获取服务请求端的地理位置信息;
基于地理位置信息,从根据多个上车点的地理位置坐标划分的多个区域中,确定与地理位置信息对应的至少一个目标区域;
从各个目标区域中确定与地理位置信息对应的多个备选上车点。
一种可能的实施方式中,排序模块64,具体采用下述方式确定与地理位置信息对应的至少一个目标区域:
获取各个区域的中心位置坐标;基于地理位置信息以及中心位置坐标,计算地理位置信息指示的地理位置与各个中心位置坐标指示的地理位置之间的距离;
将距离小于预设距离阈值的区域确定为目标区域。
一种可能的实施方式中,还包括,展示模块65,用于根据对备选上车点的排序,从备选上车点中确定预设数量个定点上车点,并通过服务请求端展示定点上车点。
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70,如图7所示,为本申请实施例提供的计算机设备70结构示意图,包括:处理器71、存储器72、和总线73。存储器72存储有处理器71可执行的机器可读指令(比如,图6中的装置中获取模块61、确定模块62、训练模块63、以及排序模块64对应的执行指令等),当计算机设备70运行时,处理器71与存储器72之间通过总线73通信,机器可读指令被处理器71执行时执行如下处理:
确定多个样本上车点,并获取各个样本上车点在多个上车点影响特征下的样本特征值;
基于各个样本上车点在上车点影响特征下的样本特征值,确定各个样本上车点对相关度检测模型的影响权重;
基于各个样本上车点在多个上车点影响特征下的特征值,以及各个样本上车点分别对应的影响权重,训练相关度检测模型;
基于相关度检测模型获取多个备选上车点与服务请求端之间的相关度,并基于各个备选上车点与服务请求端之间的相关度,对各个备选上车点进行排序;
其中,备选上车点为基于服务请求端的当前位置信息为服务请求端确定的。
一种可能的实施方式中,处理器71执行的指令中,
基于各个样本上车点在上车点影响特征下的样本特征值,确定各个样本上车点对相关度检测模型的影响权重,包括:
针对每个样本上车点,根据该样本上车点在任一上车点影响特征下的样本特征值,以及与该任一上车点影响特征对应的多个取值区间,确定该样本上车点在该任一上车点影响特征下对应的目标取值区间;
将该目标取值区间对应的权重,确定为该样本上车点在该任一上车点影响特征下的权重;
将该样本上车点分别在各个上车点影响特征下的权重进行融合,得到该样本上车点对应的影响权重。
一种可能的实施方式中,处理器71执行的指令中,
将该样本上车点分别在各个上车点影响特征下的权重进行融合,包括:
计算该样本上车点分别在各个上车点影响特征下的权重的乘积,将乘积的结果作为该样本上车点对应的影响权重;
或者,
对该样本上车点分别在各个上车点影响特征下的权重求和,将求和的结果作为该样本上车点对应的影响权重;
或者,
计算该样本上车点分别在各个上车点影响特征下的权重的平均值,将该平均值作为该样本上车点对应的影响权重。
一种可能的实施方式中,处理器71执行的指令中,
基于各个样本上车点在多个上车点影响特征下的特征值,以及各个样本上车点分别对应的影响权重,训练相关度检测模型,包括:
确定进行相关度检测的基础模型的基础检测模型;
将各个样本上车点在上车点影响特征下的特征值输入至基础检测模型中,获取与各个样本上车点对应的样本检测相关度;
基于样本上车点对应的样本检测相关度、真实相关度以及影响权重,计算模型损失;
基于模型损失,对基础检测模型进行训练,得到相关度检测模型。
一种可能的实施方式中,处理器71执行的指令中,
样本上车点包括:正样本上车点以及负样本上车点;
确定多个样本上车点,包括:获取多个样本订单的样本订单信息;样本订单信息包括:样本展示上车点、以及样本选定上车点;
将样本选定上车点确定为正样本上车点;
将样本展示上车点中除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71执行的指令中,
上车点影响特征包括下述一种或者多种:样本上车点与样本服务请求端之间的距离、样本上车点与样本服务请求端是否位于同一路段的同一侧、样本上车点所在路段的道路等级、样本上车点作为选定上车点的第一热度值、样本上车点所在路段的第二热度值、样本上车点在展示给用户后被选择的第三热度值、样本上车点所在目标区域的服务提供方接受订单的数量、以及样本上车点所在目标区域的服务请求方发起订单的数量。
一种可能的实施方式中,处理器71执行的指令中,
针对上车点影响特征包括样本上车点与样本服务请求端之间的距离的情况,采用下述方式获取样本上车点与样本服务请求端之间的距离:
根据样本上车点对应的地理位置坐标,以及样本服务请求端的地理位置信息,得到样本上车点与样本服务请求端之间的距离;
针对上车点影响特征包括第一热度值的情况,采用下述方式获取第一热度值:
获取历史订单的订单信息;订单信息中包括选定上车点信息;基于选定上车点信息,统计以样本上车点为选定上车点的历史订单的第一数量,并将第一数量作为第一热度值;
针对上车点影响特征包括第二热度值的情况,采用下述方式获取第二热度值:
获取历史订单的订单信息,并确定与样本上车点在同一路段的同路段上车点;订单信息中包括选定上车点信息;
根据订单信息中包括选定上车点信息,统计以样本上车点为选定上车点的历史订单的第一数量,并统计以同路段上车点为选定上车点的历史订单的第二数量;将第一数量和第二数量的和作为第二热度值;
针对上车点影响特征包括第三热度值的情况,采用下述方式获取第三热度值:
获取历史订单的订单信息;订单信息中包括:展示上车点信息以及选定上车点信息;
根据展示上车点信息以及选定上车点信息,统计以样本上车点作为选定上车点时历史订单的第三数量;将第三数量作为第三热度值。
一种可能的实施方式中,处理器71执行的指令中,
采用下述方式确定备选上车点:
获取服务请求端的地理位置信息;
基于地理位置信息,从根据多个上车点的地理位置坐标划分的多个区域中,确定与地理位置信息对应的至少一个目标区域;
从各个目标区域中确定与地理位置信息对应的多个备选上车点。
一种可能的实施方式中,处理器71执行的指令中,
基于地理位置信息,从多个根据多个上车点的地理位置坐标划分的多个区域中,确定与地理位置信息对应的至少一个目标区域,包括:
获取各个区域的中心位置坐标;基于地理位置信息以及中心位置坐标,计算地理位置信息指示的地理位置与各个中心位置坐标指示的地理位置之间的距离;
将距离小于预设距离阈值的区域确定为目标区域。
一种可能的实施方式中,处理器71执行的指令中,
对各个备选上车点进行排序后,该方法还包括:
根据对备选上车点的排序,从备选上车点中确定预设数量个定点上车点,并通过服务请求端展示定点上车点。
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,从而解决现有技术中信息排序准确度低的问题,进而达到提升信息排序准确度的效果。
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 (11)
1.一种上车点排序的方法,其特征在于,包括:
确定多个样本上车点,并获取各个所述样本上车点在多个上车点影响特征下的样本特征值;
基于各个所述样本上车点在所述上车点影响特征下的样本特征值,确定各个所述样本上车点对相关度检测模型的影响权重;
基于各个所述样本上车点在多个上车点影响特征下的特征值,以及各个所述样本上车点分别对应的影响权重,训练所述相关度检测模型;
基于所述相关度检测模型获取多个备选上车点与服务请求端之间的相关度,并基于各个所述备选上车点与所述服务请求端之间的相关度,对各个所述备选上车点进行排序;
其中,所述备选上车点为基于所述服务请求端的当前位置信息为所述服务请求端确定的。
2.根据权利要求1所述的方法,其特征在于,基于各个所述样本上车点在所述上车点影响特征下的样本特征值,确定各个所述样本上车点对相关度检测模型的影响权重,包括:
针对每个所述样本上车点,根据该样本上车点在任一上车点影响特征下的样本特征值,以及与该任一上车点影响特征对应的多个取值区间,确定该样本上车点在该任一上车点影响特征下对应的目标取值区间;
将该目标取值区间对应的权重,确定为该样本上车点在该任一上车点影响特征下的权重;
将该样本上车点分别在各个上车点影响特征下的权重进行融合,得到该样本上车点对应的所述影响权重。
3.根据权利要求2所述的方法,其特征在于,将该样本上车点分别在各个上车点影响特征下的权重进行融合,包括:
计算该样本上车点分别在各个上车点影响特征下的权重的乘积,将乘积的结果作为该样本上车点对应的影响权重;
或者,
对该样本上车点分别在各个上车点影响特征下的权重求和,将求和的结果作为该样本上车点对应的影响权重;
或者,
计算该样本上车点分别在各个上车点影响特征下的权重的平均值,将该平均值作为该样本上车点对应的影响权重。
4.根据权利要求1所述的方法,其特征在于,所述基于各个所述样本上车点在多个上车点影响特征下的特征值,以及各个所述样本上车点分别对应的影响权重,训练所述相关度检测模型,包括:
确定进行相关度检测的基础模型的基础检测模型;
将各个所述样本上车点在所述上车点影响特征下的特征值输入至所述基础检测模型中,获取与各个所述样本上车点对应的样本检测相关度;
基于所述样本上车点对应的样本检测相关度、真实相关度以及影响权重,计算模型损失;
基于所述模型损失,对所述基础检测模型进行训练,得到所述相关度检测模型。
5.根据权利要求1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;
所述确定多个样本上车点,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。
6.根据权利要求1所述的方法,其特征在于,所述上车点影响特征包括下述一种或者多种:所述样本上车点与样本服务请求端之间的距离、所述样本上车点与样本服务请求端是否位于同一路段的同一侧、所述样本上车点所在路段的道路等级、所述样本上车点作为选定上车点的第一热度值、所述样本上车点所在路段的第二热度值、所述样本上车点在展示给用户后被选择的第三热度值、所述样本上车点所在目标区域的服务提供方接受订单的数量、以及所述样本上车点所在目标区域的服务请求方发起订单的数量。
7.根据权利要求1所述的方法,其特征在于,采用下述方式确定所述备选上车点:
获取服务请求端的地理位置信息;
基于所述地理位置信息,从根据多个上车点的地理位置坐标划分的多个区域中,确定与所述地理位置信息对应的至少一个目标区域;
从各个所述目标区域中确定与所述地理位置信息对应的多个备选上车点。
8.根据权利要求1所述的方法,其特征在于,对各个所述备选上车点进行排序后,该方法还包括:
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。
9.一种上车点排序的装置,其特征在于,包括:
获取模块,用于确定多个样本上车点,并获取各个所述样本上车点在多个上车点影响特征下的样本特征值;
确定模块,用于基于各个所述样本上车点在所述上车点影响特征下的样本特征值,确定各个所述样本上车点对相关度检测模型的影响权重;
训练模块,用于基于各个所述样本上车点在多个上车点影响特征下的特征值,以及各个所述样本上车点分别对应的影响权重,训练所述相关度检测模型;
排序模块,用于基于所述相关度检测模型获取多个备选上车点与服务请求端之间的相关度,并基于各个所述备选上车点与所述服务请求端之间的相关度,对各个所述备选上车点进行排序;
其中,所述备选上车点为基于所述服务请求端的当前位置信息为所述服务请求端确定的。
10.一种计算机设备,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8任一所述方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906464.1A CN111860904A (zh) | 2019-09-24 | 2019-09-24 | 上车点排序的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906464.1A CN111860904A (zh) | 2019-09-24 | 2019-09-24 | 上车点排序的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860904A true CN111860904A (zh) | 2020-10-30 |
Family
ID=72970573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910906464.1A Pending CN111860904A (zh) | 2019-09-24 | 2019-09-24 | 上车点排序的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860904A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112055867A (zh) * | 2018-05-18 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 用于推荐个性化上车位置的系统和方法 |
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 |
CN113159396A (zh) * | 2021-03-31 | 2021-07-23 | 广州宸祺出行科技有限公司 | 一种自适应的推荐上车点的吸附方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040177008A1 (en) * | 2000-12-08 | 2004-09-09 | Ping Yang | Method and apparatus for mobile pickup stations |
CN105677793A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 地点数据库的建立和候选乘车地点的推荐方法及装置 |
CN107492063A (zh) * | 2016-06-13 | 2017-12-19 | 滴滴(中国)科技有限公司 | 一种上车点推荐处理方法及系统 |
CN108009653A (zh) * | 2017-08-16 | 2018-05-08 | 北京嘀嘀无限科技发展有限公司 | 订单管理方法、装置、服务器和计算机可读存储介质 |
CN108537350A (zh) * | 2017-03-01 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 网络约车订单分配处理方法及服务器 |
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 |
CN109062928A (zh) * | 2018-06-11 | 2018-12-21 | 北京嘀嘀无限科技发展有限公司 | 一种提示推荐上车点的方法及系统 |
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 |
CN109478275A (zh) * | 2017-06-16 | 2019-03-15 | 北京嘀嘀无限科技发展有限公司 | 分配服务请求的系统和方法 |
CN109614557A (zh) * | 2018-11-07 | 2019-04-12 | 北京嘀嘀无限科技发展有限公司 | 用于推荐上车点的方法、设备以及计算机可读存储介质 |
CN109841054A (zh) * | 2019-03-15 | 2019-06-04 | 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 |
CN109936819A (zh) * | 2017-12-15 | 2019-06-25 | 北京嘀嘀无限科技发展有限公司 | 上车点推荐方法、装置及设备 |
-
2019
- 2019-09-24 CN CN201910906464.1A patent/CN111860904A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040177008A1 (en) * | 2000-12-08 | 2004-09-09 | Ping Yang | Method and apparatus for mobile pickup stations |
CN105677793A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 地点数据库的建立和候选乘车地点的推荐方法及装置 |
CN107492063A (zh) * | 2016-06-13 | 2017-12-19 | 滴滴(中国)科技有限公司 | 一种上车点推荐处理方法及系统 |
CN108537350A (zh) * | 2017-03-01 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 网络约车订单分配处理方法及服务器 |
CN109478275A (zh) * | 2017-06-16 | 2019-03-15 | 北京嘀嘀无限科技发展有限公司 | 分配服务请求的系统和方法 |
CN108009653A (zh) * | 2017-08-16 | 2018-05-08 | 北京嘀嘀无限科技发展有限公司 | 订单管理方法、装置、服务器和计算机可读存储介质 |
CN109936819A (zh) * | 2017-12-15 | 2019-06-25 | 北京嘀嘀无限科技发展有限公司 | 上车点推荐方法、装置及设备 |
CN109062928A (zh) * | 2018-06-11 | 2018-12-21 | 北京嘀嘀无限科技发展有限公司 | 一种提示推荐上车点的方法及系统 |
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 |
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 |
CN109614557A (zh) * | 2018-11-07 | 2019-04-12 | 北京嘀嘀无限科技发展有限公司 | 用于推荐上车点的方法、设备以及计算机可读存储介质 |
CN109841054A (zh) * | 2019-03-15 | 2019-06-04 | 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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112055867A (zh) * | 2018-05-18 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 用于推荐个性化上车位置的系统和方法 |
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 |
CN113159396A (zh) * | 2021-03-31 | 2021-07-23 | 广州宸祺出行科技有限公司 | 一种自适应的推荐上车点的吸附方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020203551B2 (en) | Dynamically determining origin and destination locations for a network system | |
US10648822B2 (en) | Systems and methods for simultaneous electronic display of various modes of transportation for viewing and comparing | |
US9689693B2 (en) | Systems and methods for learning and displaying customized geographical navigational options | |
CN111854779B (zh) | 一种路线规划方法、装置、电子设备及可读存储介质 | |
EP3683549A1 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
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 | |
CN111326015A (zh) | 一种停车点推荐方法及装置 | |
CN111860904A (zh) | 上车点排序的方法及装置 | |
US20200210905A1 (en) | Systems and Methods for Managing Networked Vehicle Resources | |
CN111651437B (zh) | 一种数据清洗方法、装置、电子设备及存储介质 | |
CN111915893B (zh) | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 | |
US20200124438A1 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
US20200166948A1 (en) | Information processing apparatus, method for controlling information processing apparatus, and storage medium for priority passage in accompaniment of fee | |
JP7390746B2 (ja) | 情報処理システム、情報処理プログラムおよび情報処理方法 | |
US20200109960A1 (en) | Toll tracking and estimating system | |
CN111831931B (zh) | 一种上车点排序、信息排序的方法及装置 | |
JP2000331293A (ja) | 配送順序決定装置および距離データベース作成方法 | |
JP2020056730A (ja) | 経路探索プログラム、経路探索方法、及び経路探索システム | |
CN112288160A (zh) | 一种出行方案规划方法及相关设备 | |
CN111832769A (zh) | 上车点排序、信息排序方法及装置 | |
CN112669605B (zh) | 城市交通出行分析方法、系统及装置 | |
CN111651534B (zh) | 一种出发地信息确定装置、方法、电子设备及存储介质 | |
CN111854778B (zh) | 一种地理位置描述合理性的评估方法及系统 | |
CN111859170A (zh) | 出发地信息的确定方法、装置、电子设备及存储介质 |
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 |