CN111861175A - 供需状态确定方法、装置、服务器及存储介质 - Google Patents
供需状态确定方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111861175A CN111861175A CN202010658823.9A CN202010658823A CN111861175A CN 111861175 A CN111861175 A CN 111861175A CN 202010658823 A CN202010658823 A CN 202010658823A CN 111861175 A CN111861175 A CN 111861175A
- Authority
- CN
- China
- Prior art keywords
- service
- supply
- demand
- density
- service request
- 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 81
- 238000010586 diagram Methods 0.000 claims description 84
- 238000012549 training Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 230000004044 response Effects 0.000 abstract description 10
- 230000015654 memory Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 208000019901 Anxiety disease Diseases 0.000 description 5
- 230000036506 anxiety Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- -1 merchandise Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种供需状态确定方法、装置、服务器及存储介质,涉及数据处理技术领域,该方法包括:接收服务请求终端发送的服务请求,服务请求包括:服务起始位置和服务起始时刻;根据服务起始位置和服务起始时刻,确定服务请求的服务对象所在预设区域内的服务供需数据;根据服务供需数据,生成预设区域的服务供需属性;向服务请求终端发送服务供需属性,以使得服务请求终端显示服务供需属性。本申请的方法,使得获取的服务供需数据准确性较高,而根据服务供需数据较为直观的显示服务供需属性,可以使得用户对于当前服务请求的响应能力有更加清晰的了解和合理的预期,提高了用户服务体验度。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种供需状态确定方法、装置、服务器及存储介质。
背景技术
网约车平台是以互联网技术为依托,撮合社会可用运力和用户出行需求所构建的服务平台。用户可通过特定的打车软件发起打车订单,实现便捷打车。通常,用户发起打车订单时对于目前所处位置的有效可用运力没有清晰的了解,将导致乘客对于订单呼叫的响应时间/派单距离等没有合理的预期。
现有技术中,通常通过文字提醒或者是自动变更订单价格方式,以告知用户当前订单所对应的可用运力状态,便于用户了解当前订单的等待时长等。
但是,上述方法会导致用户在呼叫响应的等待过程中出现严重焦虑,且由于可用运力的不确定性而导致频繁取消订单等情况,从而导致用户体验较差,不利于平台的发展。
发明内容
有鉴于此,本申请实施例的目的在于提供一种供需状态确定方法、装置、服务器及存储介质,以解决现有技术中存在的供需状态呈现效果较差,用户体验度较低的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种供需状态确定方法,包括:
接收服务请求终端发送的服务请求,所述服务请求包括:服务起始位置和服务起始时刻;
根据所述服务起始位置和所述服务起始时刻,确定所述服务请求的服务对象所在预设区域内的服务供需数据;
根据所述服务供需数据,生成所述预设区域的服务供需属性;
向所述服务请求终端发送所述服务供需属性,以使得所述服务请求终端显示所述服务供需属性。
可选地,所述根据所述服务起始位置和所述服务起始时刻,确定所述服务请求的服务对象所在预设区域内的服务供需数据,包括:
根据所述服务起始位置和所述服务起始时刻,采用预先训练的时空残差网络模型,得到所述预设区域的服务请求发送密度,和所述预设区域内空闲服务提供方密度;所述服务供需数据包括:所述服务请求发送密度,和所述空闲服务提供方密度。
可选地,所述根据所述服务供需数据,生成所述预设区域的服务供需属性,包括:
确定所述服务请求发送密度和所述空闲服务提供方密度的匹配关系;
根据所述匹配关系,生成所述服务供需属性。
可选地,所述时空残差网络模型采用下述方法训练得到:
获取预设历史时间段的样本数据集,所述样本数据集包括:所述预设历史时间段内的多个样本数据,每个样本数据包括:历史服务请求的历史服务起始位置、所述历史服务请求的历史服务起始时刻,以及所述历史服务请求的服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度;
根据所述样本数据集进行模型训练,得到所述时空残差网络模型。
可选地,所述样本数据集包括:至少一个间隔历史周期的数据集,和预设历史时间段内的趋势数据集;每个间隔历史周期的数据集包括:所述每个间隔历史周期内的多个样本数据;所述趋势数据集包括:所述预设历史时间段内连续多个样本数据组成的趋势数据;
所述根据所述样本数据集进行模型训练,得到所述时空残差网络模型,包括:
根据所述至少一个间隔历史周期的数据集,进行模型训练,得到初始时空残差网络模型;
根据所述趋势数据集对所述初始时空残差网络模型进行验证,得到所述时空残差网络模型。
可选地,所述根据所述至少一个间隔历史周期的数据集,进行模型训练,得到初始时空残差网络模型,包括:
对所述至少一个间隔历史周期的数据集进行特征提取,得到特征图;
根据所述特征图进行模型训练,得到所述初始时空残差网络模型。
可选地,所述根据所述趋势数据集对所述初始时空残差网络模型进行验证,得到所述时空残差网络模型,包括:
根据所述趋势数据集,和所述特征图,提取空间关联特征;
根据所述空间关联特征,对所述初始时空残差网络模型进行验证,得到所述时空残差网络模型。
可选地,所述根据所述匹配关系,生成所述服务供需属性,包括:
根据所述空闲服务提供方密度,确定所述预设区域的服务提供状态;
基于所述服务提供状态、以及所述匹配关系,确定所述服务供需属性。
可选地,所述根据所述空闲服务提供方密度,确定所述预设区域的服务提供状态,包括:
比较所述空闲服务提供方密度和预设阈值;
若所述空闲服务提供方密度大于或等于所述预设阈值,则确定所述服务提供状态为第一状态,所述第一状态用于指示所述预设区域内运力充足;
若所述空闲服务提供方密度小于所述预设阈值,则确定所述服务提供状态为第二状态,所述第二状态用于指示所述预设区域内运力不足。
可选地,所述基于所述服务提供状态、以及所述匹配关系,确定所述服务供需属性,包括:
若所述服务提供状态为所述第一状态,所述匹配关系为所述服务请求发送密度,大于所述空闲服务提供方密度,则确定所述服务供需属性为第一属性,所述第一属性用于指示所述预设区域为需等候区域;
若所述服务提供状态为所述第一状态,所述匹配关系为所述服务请求发送密度,小于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为运力充足区域;
若所述服务提供状态为所述第二状态,所述匹配关系为所述服务请求发送密度,大于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为需调度区域;
若所述服务提供状态为所述第二状态,所述匹配关系为所述服务请求发送密度,小于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为运力不足区域。
可选地,所述方法还包括:
根据所述服务供需属性,以及预设的供需属性与热力图色系的映射关系,生成目标供需状态热力图;所述目标供需状态热力图用于指示所述服务供需属性;
所述向所述服务请求终端发送所述服务供需属性,以使得所述服务请求终端显示所述服务供需属性,包括:
向所述服务请求终端发送所述目标供需状态热力图,以使得所述服务请求终端显示所述目标供需状态热力图。
可选地,所述根据所述服务供需属性,以及预设的供需属性与热力图色系的映射关系,生成目标供需状态热力图,包括:
根据所述服务供需属性,以及所述映射关系,生成初始供需状态热力图;
根据所述服务请求发送密度和所述空闲服务提供方密度的比值,调整所述初始供需状态热力图中的热力图色系的深度,得到所述目标供需状态热力图。
可选地,所述根据所述服务起始位置和所述服务起始时刻,确定所述服务请求的服务对象所在预设区域内的服务供需数据,包括:
根据所述服务起始位置、所述服务起始时刻、所述预设区域的气候信息、所述预设区域内的交通状态,确定所述服务供需数据。
第二方面,本申请实施例提供了一种供需状态确定装置,包括:接收模块、确定模块、生成模块、发送模块;
所述接收模块,用于接收服务请求终端发送的服务请求,所述服务请求包括:服务起始位置和服务起始时刻;
所述确定模块,用于根据所述服务起始位置和所述服务起始时刻,确定所述服务请求的服务对象所在预设区域内的服务供需数据;
所述生成模块,用于根据所述服务供需数据,生成所述预设区域的服务供需属性;
所述发送模块,用于向所述服务请求终端发送所述服务供需属性,以使得所述服务请求终端显示所述服务供需属性。
可选地,所述确定模块,具体用于根据所述服务起始位置和所述服务起始时刻,采用预先训练的时空残差网络模型,得到所述预设区域的服务请求发送密度,和所述预设区域内空闲服务提供方密度;所述服务供需数据包括:所述服务请求发送密度,和所述空闲服务提供方密度。
可选地,所述生成模块,具体用于确定所述服务请求发送密度和所述空闲服务提供方密度的匹配关系;根据所述匹配关系,生成所述服务供需属性。
可选地,所述装置还包括:模型训练模块;
所述模型训练模块,用于获取预设历史时间段的样本数据集,所述样本数据集包括:所述预设历史时间段内的多个样本数据,每个样本数据包括:历史服务请求的历史服务起始位置、所述历史服务请求的历史服务起始时刻,以及所述历史服务请求的服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度;根据所述样本数据集进行模型训练,得到所述时空残差网络模型。
可选地,所述样本数据集包括:至少一个间隔历史周期的数据集,和预设历史时间段内的趋势数据集;每个间隔历史周期的数据集包括:所述每个间隔历史周期内的多个样本数据;所述趋势数据集包括:所述预设历史时间段内连续多个样本数据组成的趋势数据;
所述模型训练模块,具体用于根据所述至少一个间隔历史周期的数据集,进行模型训练,得到初始时空残差网络模型;根据所述趋势数据集对所述初始时空残差网络模型进行验证,得到所述时空残差网络模型。
可选地,所述模型训练模块,具体用于对所述至少一个间隔历史周期的数据集进行特征提取,得到特征图;根据所述特征图进行模型训练,得到所述初始时空残差网络模型。
可选地,所述模型训练模块,具体用于根据所述趋势数据集,和所述特征图,提取空间关联特征;根据所述空间关联特征,对所述初始时空残差网络模型进行验证,得到所述时空残差网络模型。
可选地,所述生成模块,具体用于根据所述空闲服务提供方密度,确定所述预设区域的服务提供状态;基于所述服务提供状态、以及所述匹配关系,确定所述服务供需属性。
可选地,所述确定模块,具体用于比较所述空闲服务提供方密度和预设阈值;若所述空闲服务提供方密度大于或等于所述预设阈值,则确定所述服务提供状态为第一状态,所述第一状态用于指示所述预设区域内运力充足;若所述空闲服务提供方密度小于所述预设阈值,则确定所述服务提供状态为第二状态,所述第二状态用于指示所述预设区域内运力不足。
可选地,所述确定模块,具体用于若所述服务提供状态为所述第一状态,所述匹配关系为所述服务请求发送密度,大于所述空闲服务提供方密度,则确定所述服务供需属性为第一属性,所述第一属性用于指示所述预设区域为需等候区域;若所述服务提供状态为所述第一状态,所述匹配关系为所述服务请求发送密度,小于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为运力充足区域;若所述服务提供状态为所述第二状态,所述匹配关系为所述服务请求发送密度,大于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为需调度区域;若所述服务提供状态为所述第二状态,所述匹配关系为所述服务请求发送密度,小于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为运力不足区域。
可选地,所述生成模块,还用于根据所述服务供需属性,以及预设的供需属性与热力图色系的映射关系,生成目标供需状态热力图;所述目标供需状态热力图用于指示所述服务供需属性;
所述发送模块,具体用于向所述服务请求终端发送所述目标供需状态热力图,以使得所述服务请求终端显示所述目标供需状态热力图。
可选地,所述生成模块,具体用于根据所述服务供需属性,以及所述映射关系,生成初始供需状态热力图;根据所述服务请求发送密度和所述空闲服务提供方密度的比值,调整所述初始供需状态热力图中的热力图色系的深度,得到所述目标供需状态热力图。
可选地,所述确定模块,还用于根据所述服务起始位置、所述服务起始时刻、所述预设区域的气候信息、所述预设区域内的交通状态,确定所述服务供需数据。
第三方面,本申请实施例提供了一种服务器,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,当服务器运行时,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,以执行时执行如上述第一方面所述的供需状态确定方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,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如上述第一方面所述的供需状态确定方法的步骤。
本申请的有益效果:
本申请提供一种供需状态确定方法、装置、服务器及存储介质,其中方法包括:接收服务请求终端发送的服务请求,服务请求包括:服务起始位置和服务起始时刻;根据服务起始位置和服务起始时刻,确定服务请求的服务对象所在预设区域内的服务供需数据;根据服务供需数据,生成预设区域的服务供需属性;向服务请求终端发送服务供需属性,以使得服务请求终端显示服务供需属性。本申请的方法,通过服务起始位置和服务起始时刻,确定服务对象所在区域的服务供需数据,使得获取的服务供需数据准确性较高,而根据服务供需数据较为直观的显示服务供需属性,可以使得用户对于当前服务请求的响应能力有更加清晰的了解和合理的预期,提高了用户服务体验度。
另外,通过供需状态热力图的有效显示,可以让用户在需求大于供给时,了解到当前运力紧张,减少用户等待焦虑感和请求取消行为;同时在需求小于供给时让用户意识到当前请求能被快速响应,促进了用户发单意愿。
最后,通过对热力图色系的显示深度的调整,可以有效提高供需状态热力图的显示精确度,以使得用户可以准确的获悉服务供需属性。
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为本申请实施例的一种供需状态确定系统的框图;
图2为本申请实施例提供的可以实现本申请思想的电子设备的示例性硬件和软件组件的示意图;
图3为本申请实施例提供的一种供需状态确定方法的流程示意图;
图4为本申请实施例提供的另一种供需状态确定方法的流程示意图;
图5为本申请实施例提供的又一种供需状态确定方法的流程示意图;
图6本申请实施例提供的另一种供需状态确定方法的流程示意图;
图7本申请实施例提供的又一种供需状态确定方法的流程示意图;
图8本申请实施例提供的另一种供需状态确定方法的流程示意图;
图9本申请实施例提供的又一种供需状态确定方法的流程示意图;
图10本申请实施例提供的另一种供需状态确定方法的流程示意图;
图11本申请实施例提供的又一种供需状态确定方法的流程示意图;
图12本申请实施例提供的另一种供需状态确定方法的流程示意图;
图13为本申请实施例提供的一种供需状态确定装置的示意图;
图14为本申请实施例提供的一种服务器结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“网约车服务”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕网约车服务进行描述,但是应该理解,这仅是一个示例性实施例。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等,或其任意组合。
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“服务请求终端”、“乘客”、“服务请求方”、“服务对象”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”、“服务提供方”和“服务提供方终端”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)、北斗系统、罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith SatelliteSystem,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。
图1为本申请实施例的一种供需状态确定系统100的框图。例如,供需状态确定系统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,也可以是例如外卖服务、酒店订购服务等。供需状态确定系统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,服务器110中可以包括执行指令操作的处理器。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器110可以是分布式系统)。在一些实施例中,服务器110相对于终端,可以是本地的、也可以是远程的。例如,服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例,服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个,以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
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服务请求方所在区域的车辆供需状态。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(ApplicationSpecific Instruction-set Processor,ASIP)、图形处理单元(Graphics ProcessingUnit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(DigitalSignal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中,供需状态确定系统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和数据库150)可以向其他组件发送信息和/或数据。例如,服务器110可以经由网络120从服务请求方终端130获取服务请求。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan AreaNetwork,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public SwitchedTelephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near FieldCommunication,NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换节点,供需状态确定系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求方终端130的用户可以是除服务实际需求者之外的其他人。例如,服务请求方终端130的用户A可以使用服务请求方终端130来为服务实际需求者B发起服务请求(比如,用户A可以为自己的朋友B叫车),或者从服务器110接收服务信息或指令等。在一些实施例中,服务提供方终端140的用户可以是服务实际提供者,也可以是除服务实际提供者之外的其他人。例如,服务提供方终端140的用户C可以使用服务提供方终端140接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单),和/或来自服务器110的信息或指令。在一些实施例中,“服务请求方”和“服务请求方终端”可以互换使用,“服务提供方”和“服务提供方终端”可以互换使用。
在一些实施例中,服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等,或其任意组合。在一些实施例中,移动设备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,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(Personal DigitalAssistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中,机动车辆中的内置设备可以包括车载计算机、车载电视等。在一些实施例中,服务请求方终端130可以是具有用于定位服务请求方和/或服务请求方终端的位置的定位技术的设备。
在一些实施例中,服务提供方终端140可以是与服务请求方终端130类似或相同的设备。在一些实施例中,服务提供方终端140可以是具有定位技术的设备,用于定位服务提供方和/或服务提供方终端的位置。在一些实施例中,服务请求方终端130和/或服务提供方终端140可以与其他定位设备通信以确定服务请求方、服务请求方终端130、服务提供方、或服务提供方终端140、或其任意组合的位置。在一些实施例中,服务请求方终端130和/或服务提供方终端140可以将定位信息发送给服务器110。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中,数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中,数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等,或其任意组合。作为举例,大容量存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM);RAM可以包括动态RAM(Dynamic RandomAccess Memory,DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM);静态RAM(Static Random-Access Memory,SRAM),晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-OnlyMemory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中,数据库150可以在云平台上实现。仅作为示例,云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等,或其任意组合。
在一些实施例中,数据库150可以连接到网络120以与供需状态确定系统100(例如,服务器110,服务请求方终端130,服务提供方终端140等)中的一个或多个组件通信。供需状态确定系统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可以直接连接到供需状态确定系统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);或者,在一些实施例中,数据库150也可以是服务器110的一部分。
在一些实施例中,供需状态确定系统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)可以具有访问数据库150的权限。在一些实施例中,当满足一定条件时,供需状态确定系统100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如,服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。
在一些实施例中,可以通过请求服务来实现供需状态确定系统100中的一个或多个组件的信息交换。服务请求的所请求的服务可以是任何类型的产品服务。例如:有形产品服务或者无形产品服务。在一些实施方案中,有形产品服务可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、或奢侈品等服务,或其任意组合。无形产品服务可以包括服务产品、金融产品、知识产品、或互联网产品等服务,或其任意组合。互联网产品可以包括单独的主机产品、网络产品、移动互联网产品、商业主机产品、或嵌入式产品等,或其任意组合。互联网产品可以用在移动终端的软件、程序、或系统等,或者它们的任意组合中。移动终端可以包括平板电脑、笔记本电脑、移动电话、个人数字助理(Personal Digital Assistant,PDA)、智能手表、销售点(Pointofsales,POS)设备、车载电脑、车载电视、或可穿戴设备等,或其任意组合。例如,互联网产品可以是计算机或移动电话中使用的任何软件和/或应用程序。软件和/或应用程序可以涉及社交、购物、运输、娱乐时间、学习、或投资等,或其任意组合。在一些实施例中,与运输有关的软件和/或应用程序可以包括旅行软件和/或应用程序、车辆调度软件和/或应用程序、绘图软件和/或应用程序等。在车辆调度软件和/或应用程序中。
图2为本申请实施例提供的可以实现本申请思想的电子设备200的示例性硬件和软件组件的示意图。例如,处理器220可以用于电子设备200上,并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的供需状态确定方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口250。
为了便于说明,在电子设备200中仅描述了一个处理器。然而,应当注意,本申请中的电子设备200还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备200的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
图3为本申请实施例提供的一种供需状态确定方法的流程示意图,本申请方法的执行主体可以是上述的服务器。可选地,如图3所示,本申请的方法可包括:
S101、接收服务请求终端发送的服务请求,服务请求包括:服务起始位置和服务起始时刻。
首先,需要说明的是,在本申请以下多个实施例中,均以网约车服务为应用场景,对本申请方案的实现原理及产生的有益效果进行说明。但是,本申请的方案并不局限于应用在网约车服务中,也可以是例如外卖服务、酒店订购服务等需要排队等候的服务场景,本申请不做具体限制。
当应用在不同场景时,本申请方法中所对应的服务请求方和服务提供方是不同的。例如:当为网约车服务场景时,服务请求方可以为乘客,服务提供方可以为司机。而当为外卖服务场景时,服务请求方可以为外卖买家,服务提供方可以为外卖骑手。
可选地,服务请求方可以通过服务请求终端发送服务请求至服务平台,服务平台根据各服务提供终端的服务状态,从当前处于空闲状态的服务请求方中确定目标请求方为服务请求方提供服务。其中,服务请求终端和服务提供终端均可以为手机、平板、车载终端等。
可选地,服务器可接收服务请求终端发送的服务请求,其中,服务请求也可以理解为服务订单,例如:网约车订单,根据服务请求中的请求信息,可以获取服务请求方的服务起始位置和服务起始时刻。
在一些实施例中,服务请求可以为即时服务,也可以为预约服务,当为即时服务时,服务起始位置和服务起始时刻可以默认为服务请求方的当前位置,当为预约服务时,服务起始位置和服务起始时刻可以根据服务的最终开始时刻进行适应性调整。
S102、根据服务起始位置和服务起始时刻,确定服务请求的服务对象所在预设区域内的服务供需数据。
可选地,服务请求的服务对象可以指代服务请求所请求的服务的接受对象。当服务请求方通过服务请求终端为自己请求服务时,服务请求的服务对象则为该服务请求方,而在一些情况下,当服务请求方通过服务请求终端为其他用户请求服务时,例如:用户A通过自己的手机,为用户B请求服务,那么,服务对象则为该其他用户。
本实施例中,可根据获取的服务起始位置和服务起始时刻,确定服务对象所在预设区域内的服务供需数据。其中,服务供需数据可以为:该预设区域内服务请求的数量和服务提供的数量,以根据服务供需数据,判断预设区域的服务情况。
可选地,服务对象所在的预设区域,可以为以服务对象为中心,以预设阈值为半径的圆形所在区域。当然,预设区域也可以为正方形、多边形等区域,以该预设区域作为服务对象所属区域。
S103、根据服务供需数据,生成预设区域的服务供需属性。
在一些情况下,服务器计算得到的服务供需数据可以发送至服务请求终端,以使得服务请求方根据服务供需数据,及时掌握当前所发起的服务请求的响应速度等。
在另一些情况下,服务器也可根据服务供需数据,生成服务供需属性,其中,服务供需属性可以理解为对服务供需数据的另一种表达形式,例如:以图表的形式更加直观的显示服务供需数据,以提高服务供需数据的观赏性。
S104、向服务请求终端发送服务供需属性,以使得服务请求终端显示服务供需属性。
可选地,服务器将所生成的服务供需属性发送至服务请求终端,以使得服务请求终端显示服务供需属性,以便于服务请求方对服务供需属性的查看。
本实施例中,以更为直观的服务供需属性显示服务对象当前所在预设区域的服务供需数据,可以使得服务请求方对于当前服务请求的响应能力有更加清晰的了解和合理的预期,提高用户体验度,同时,也减少了用户对于当前服务请求的等待焦虑感和服务请求取消行为。
综上,本实施例提供的供需状态确定方法,包括:接收服务请求终端发送的服务请求,服务请求包括:服务起始位置和服务起始时刻;根据服务起始位置和服务起始时刻,确定服务请求的服务对象所在预设区域内的服务供需数据;根据服务供需数据,生成预设区域的服务供需属性;向服务请求终端发送服务供需属性,以使得服务请求终端显示服务供需属性。本申请的方法,通过服务起始位置和服务起始时刻,确定服务对象所在区域的服务供需数据,使得获取的服务供需数据准确性较高,而根据服务供需数据较为直观的显示服务供需属性,可以使得用户对于当前服务请求的响应能力有更加清晰的了解和合理的预期,提高了用户服务体验度。
可选地,上述步骤S102中,根据服务起始位置和服务起始时刻,确定服务请求的服务对象所在预设区域内的服务供需数据,可以包括:根据服务起始位置和服务起始时刻,采用预先训练的时空残差网络模型,得到预设区域的服务请求发送密度,和预设区域内空闲服务提供方密度;服务供需数据包括:服务请求发送密度,和空闲服务提供方密度。
可选地,本申请方案中,可采用预先训练的时空残差网络模型,计算服务供需数据。其中,可以将从服务请求中获取的服务起始位置和服务起始时刻作为时空残差网络模型的输入数据,而对应的输出结果则为服务供需数据。
如上述,服务供需数据可包括:预设区域内服务请求发送密度,和空闲服务提供方密度。其中,空闲服务提供方也即当前处于未接单,等待接单状态的服务提供方。服务请求发送密度,和空闲服务提供方密度可以分别理解为服务请求数量,和空闲服务提供方数量,密度也即对于数量的另一种表示。
本方案中,通过采用预先训练的时空残差网络模型计算服务供需数据,一方面可以提高服务供需数据的计算效率,另一方面,使得计算得到的服务供需数据准确性较高。
图4为本申请实施例提供的另一种供需状态确定方法的流程示意图,可选地,如图4所示,上述步骤S103中,根据服务供需数据,生成预设区域的服务供需属性,可以包括:
S201、确定服务请求发送密度和空闲服务提供方密度的匹配关系。
可选地,服务请求发送密度和空闲服务提供方密度的匹配关系一定程度上可以表示该预设区域的服务供需状态,不同的匹配关系,对应的服务供需状态不同。匹配关系也可以理解为大小关系,服务请求发送密度大于空闲服务提供方密度时,以及服务请求发送密度小于空闲服务提供方密度时,对应的服务供需状态是不同的。
S202、根据匹配关系,生成服务供需属性。
可以根据服务请求发送密度和空闲服务提供方密度的匹配关系、以及预设的匹配关系与服务供需属性的对应关系,生成服务供需属性。服务供需属性用于表示预设区域内服务供需状态。例如:以网约车为例,服务供需属性可以表示服务对象所在的预设区域内,乘客发单量和空闲司机量的比例关系,当乘客发单量大于空闲司机量时,可以认为是供不应求,而当乘客发单量小于空闲司机量时,可以认为是供过于求。
可选地,服务提供方可以根据所显示的服务供需属性,清晰的了解当前所请求的服务的响应速度,以合理的做出正确的决断,避免盲目等待等情况的发生。
图5为本申请实施例提供的又一种供需状态确定方法的流程示意图,可选地,如图5所示,上述步骤中,时空残差网络模型可以采用下述方法训练得到:
S301、获取预设历史时间段的样本数据集,样本数据集包括:预设历史时间段内的多个样本数据,每个样本数据包括:历史服务请求的历史服务起始位置、历史服务请求的历史服务起始时刻,以及历史服务请求的服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度。
本实施例中,可获取历史数据作为样本数据集,训练获取时空残差网络模型。可选地,预设历史时间段可以为距离当前服务起始时刻一年的时间段。例如:服务起始时刻为2020年6月1日8点,那么,预设历史时间段可以为2019年6月1日8点-2020年6月1日8点。可以从预设历史时间段内选择多个样本数据。
需要说明的是,用户的打车行为兼具周期性、波动性和偶然性,这些特点集中表现在每年的淡旺季,每天的出行高峰平峰,节假日需求变化,突发天气下等的需求变化。当获取的样本数据集对应的获取周期较短时,容易导致样本数据集可参考性较小。上述对于预设历史时间段进行一定的限制,可以使得获取的样本数据可靠性较高,对于提高时空残差网络模型的精确度有较好的作用。
可选地,可以在预设历史周期内,选择不同天气、或者不同出行日(工作日或者节假日)所对应的数据作为样本数据,以使得获取的样本数据集更加全面。
其中,每个样本数据可包括:历史服务请求的历史服务起始位置、历史服务请求的历史服务起始时刻,以及历史服务请求的服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度。也即,获取历史当前服务起始时刻和服务起始位置,服务对象所在预设区域的历史服务请求发送密度和历史空闲服务提供方密度。例如:步骤S101中,获取的服务起始位置为A位置,服务起始时刻为2020年6月1日B时刻,那么,对应获取的每个样本数据可包括:2020年5月12日B时刻、A位置、服务请求发送密度、空闲服务提供方密度,或者2019年11月7日B时刻、A位置、服务请求发送密度、空闲服务提供方密度等多个与当前服务起始时刻和服务起始位置相同,却不同天的样本数据。
S302、根据样本数据集进行模型训练,得到时空残差网络模型。
上述获取的多个样本数据构成样本数据集,从而可根据样本数据集,训练时空残差网络模型。其中,每个样本数据所包含的历史服务起始位置和历史服务起始时刻可作为时空残差网络模型的输入,服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度可作为时空残差网络模型的输出。
可选地,样本数据集包括:至少一个间隔历史周期的数据集,和预设历史时间段内的趋势数据集;每个间隔历史周期的数据集包括:每个间隔历史周期内的多个样本数据;趋势数据集包括:预设历史时间段内多个连续样本数据组成的趋势数据,每个连续样本数据包括:历史服务请求的历史服务起始位置、历史服务请求的历史服务起始时刻,以及历史服务请求的服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度。
图6本申请实施例提供的另一种供需状态确定方法的流程示意图,可选地,如图6所示,上述步骤S302中,根据样本数据集进行模型训练,得到时空残差网络模型,可以包括:
S401、根据至少一个间隔历史周期的数据集,进行模型训练,得到初始时空残差网络模型。
本实施例中,获取的样本数据集可以为一个样本数据集,该一个样本数据集中包含多个不同历史时刻的样本数据。另外,获取的样本数据集可以为多个,每个样本数据集对应不同的历史周期,例如:样本数据集一为2019年7月1日-7日历史服务起始位置和服务起始时刻的样本数据,样本数据集二为2019年7月15日-21日历史服务起始位置和服务起始时刻的样本数据,通过获取多个样本数据集进行模型训练,可以提高训练得到的模型的精确度。
S402、根据趋势数据集对初始时空残差网络模型进行验证,得到时空残差网络模型。
可选地,样本数据集还可包括:预设历史时间段内的趋势数据集。上述的至少一个间隔历史周期的数据集用于时空残差网络模型的训练过程,而预设历史时间段内的趋势数据集用于模型的验证过程,以进一步校准提高模型的精确性。
其中,预设历史时间段内的趋势数据集可以为预设历史时间段内多个连续样本数据组成的趋势数据,本实施例中,预设历史时间段可以为当前服务起始时刻前5-10分钟,例如,步骤S101中获取的服务起始时刻为2020年6月1日8点,服务起始位置为A位置,那么,预设历史时间段可以为2020年6月1日7点50分至2020年6月1日8点,或者也可以是2020年6月1日7点55分至2020年6月1日8点。以预设历史时间段为2020年6月1日7点50分至2020年6月1日8点为例,那么采集的趋势数据集可以包括如下连续的样本数据:由7点50分至8点的时间段内,每间隔1分钟,A位置的预设区域内的服务请求发送密度和空闲服务提供方密度。具体可以包括例如:7点50分、A位置的预设区域内的服务请求发送密度和空闲服务提供方密度;7点51分、A位置的预设区域内的服务请求发送密度和空闲服务提供方密度;7点52分、A位置的预设区域内的服务请求发送密度和空闲服务提供方密度……,7点59分、A位置的预设区域内的服务请求发送密度和空闲服务提供方密度等。那么,趋势数据集则可为由该多个连续样本数据构成的趋势曲线。
可选地,利用获取的趋势数据集,可对训练得到的时空残差网络模型进行验证,也即,对时空残差网络模型的参数进行调整,以优化模型,提高模型的精确度。
图7本申请实施例提供的又一种供需状态确定方法的流程示意图,可选地,如图7所示,上述步骤S401中,根据至少一个间隔历史周期的数据集,进行模型训练,得到初始时空残差网络模型,可以包括:
S501、对至少一个间隔历史周期的数据集进行特征提取,得到特征图。
可选地,可以基于时间滑动机制对上述的至少一个间隔历史周期的数据集进行处理,对处理后的至少一个间隔历史周期的数据集进行特征提取与聚合获得特征图。其中,提取的特征可以包括:服务起始时刻、服务起始位置、服务请求发送密度、空闲服务提供方密度。可以根据提取的特征,构建服务起始时刻、服务起始位置与服务请求发送密度、空闲服务提供方密度的特征关系图。也即,构建服务起始时刻、服务起始位置与服务请求发送密度、空闲服务提供方密度的特征映射关系。
S502、根据特征图进行模型训练,得到初始时空残差网络模型。
可选地,可以根据上述服务起始时刻、服务起始位置与服务请求发送密度、空闲服务提供方密度的特征映射关系,训练得到初始时空残差网络模型。其中,服务起始时刻、服务起始位置为模型的输入数据,服务请求发送密度、空闲服务提供方密度为模型的输出数据。
图8本申请实施例提供的另一种供需状态确定方法的流程示意图,可选地,如图8所示,上述步骤S402中,根据趋势数据集对初始时空残差网络模型进行验证,得到时空残差网络模型,可以包括:
S601、根据趋势数据集,和特征图,提取空间关联特征。
S602、根据空间关联特征,对初始时空残差网络模型进行验证,得到时空残差网络模型。
可选地,可构建残差卷积单元,利用深度神经网络的反向传播规则和Adam(Adaptive Moment Estimation,自适应时刻估计方法)算法对时空残差网络模型进行训练,并根据趋势数据集及特征图提取空间关联特征。利用上述趋势数据集对得到的初始时空残差网络模型进行验证并输出,从而可通过训练得到的时空残差网络对服务供需数据及服务起始时刻和服务起始位置的时空依赖和分布特性的描述,实现对服务起始位置的预设范围的服务供需数据的精准预测。
图9本申请实施例提供的又一种供需状态确定方法的流程示意图,可选地,如图9所示,上述步骤S202中,根据匹配关系,生成服务供需属性,可以包括:
S701、根据空闲服务提供方密度,确定预设区域的服务提供状态。
在一些实施例中,可先根据计算得到的空闲服务提供方密度,确定该预设区域的服务提供状态,也即确定预设区域的运力状态。当空闲服务提供方密度较大时,对应的运力越充足,而空闲服务提供方密度较小时,对应的运力越缺乏。
S702、基于服务提供状态、以及匹配关系,确定服务供需属性。
基于上述确定的服务提供状态,进一步地根据服务请求发送密度以及空闲服务提供方密度的匹配关系,确定预设区域的服务供需属性。具体的匹配关系可参照下述的实施例进行理解。
图10本申请实施例提供的另一种供需状态确定方法的流程示意图,可选地,如图10所示,上述步骤S701中,根据空闲服务提供方密度,确定预设区域的服务提供状态,包括:
S801、比较空闲服务提供方密度和预设阈值。
可选地,预设阈值可以为根据实际经验确定的,可以适应性进行调整。预设阈值可以理解为空闲服务提供方密度的临界值,用于评判预设区域内的运力状态。其中,运力可以指代服务提供能力,如运输服务的运输能力,提供这些运输能力,依靠的是行业或者企业的各种交通工具和人力。本实施例中,以运输服务为例,运力可以理解为空闲车辆数量。代驾服务为例,运力可以指代提供代驾服务的空闲代驾人员数量等。
S802、若空闲服务提供方密度大于或等于预设阈值,则确定服务提供状态为第一状态,第一状态用于指示预设区域内运力充足。
当空闲服务提供方密度大于或等于预设阈值,则空闲服务提供方密度较大,相对来说,可以认为当前运力较充足,有足够的空闲服务提供方来接收服务请求,并提供服务。
S803、若空闲服务提供方密度小于预设阈值时,则确定服务提供状态为第二状态,第二状态用于指示预设区域内运力不足。
当空闲服务提供方密度小于预设阈值时,则空闲服务提供方密度较小,相对来说,可以认为当前运力不足,能够提供服务的空闲服务提供方相对较缺乏。
可选地,继续如图10所示,上述步骤S702中,基于服务提供状态、以及匹配关系,确定服务供需属性,可以包括:
S804、若服务提供状态为第一状态,匹配关系为服务请求发送密度,大于空闲服务提供方密度,则确定服务供需属性为第一属性,第一属性用于指示预设区域为需等候区域。
在服务提供状态为:预设区域内运力充足时,进一步地,判断服务请求发送密度和空闲服务提供方密度的匹配关系。
当服务请求发送密度,大于空闲服务提供方密度时,则确定预设区域内运力较为充足,同时服务请求过于旺盛,那么,对于服务请求方发送的服务请求,并不能立刻做出响应,可能需要等待一定时间。确定的服务供需属性为:第一属性,该预设区域则为需等候区域。
S805、若服务提供状态为第一状态,匹配关系为服务请求发送密度,小于空闲服务提供方密度,则确定服务供需属性为第二属性,第二属性用于指示预设区域为运力充足区域。
而当服务请求发送密度,小于空闲服务提供方密度时,则确定预设区域内运力较为充足,同时服务请求较为疲软,那么,对于服务请求方发送的服务请求,能够即时响应,无需等待。确定的服务供需属性为:第二属性,该预设区域则为运力充足区域。
S806、若服务提供状态为第二状态,匹配关系为服务请求发送密度,大于空闲服务提供方密度,则确定服务供需属性为第二属性,第二属性用于指示预设区域为需调度区域。
在服务提供状态为:预设区域内运力不足时,进一步地,判断服务请求发送密度和空闲服务提供方密度的匹配关系。
当服务请求发送密度,大于空闲服务提供方密度时,则确定预设区域内运力严重不足,同时服务请求过于旺盛,需求严重大于供给,那么,对于服务请求方发送的服务请求,无法做出响应,此时,需要从其他区域进行服务调度,以缓解当前区域的运力缺乏现象。确定的服务供需属性为:第三属性,该预设区域则为需调度区域。
S807、若服务提供状态为第二状态,匹配关系为服务请求发送密度,小于空闲服务提供方密度,则确定服务供需属性为第二属性,第二属性用于指示预设区域为运力不足区域。
当服务请求发送密度,小于空闲服务提供方密度时,则确定预设区域内运力严重不足,同时服务请求较为疲软,那么,对于服务请求方发送的服务请求,很长一段时间很难做出响应,服务请求方所请求的服务存在一定的困难,需要等待较长的时间。确定的服务供需属性为:第四属性,该预设区域则为运力不足区域。
通过上述多种匹配关系,从而可以较为精确的确定服务对象所在的预设区域的服务供需属性,以使得用户可以根据服务供需属性,较为清晰的了解当前的服务请求响应速度,同时也可及时作出服务调整,提高服务的体验度。
图11本申请实施例提供的又一种供需状态确定方法的流程示意图,可选地,如图11所示,本申请的方法还可包括:
S901、根据服务供需属性,以及预设的供需属性与热力图色系的映射关系,生成目标供需状态热力图;目标供需状态热力图用于指示服务供需属性。
可选地,本申请的方法还提供了一种服务供需属性热力图表示方法,也即,将根据上述确定的服务供需属性,将服务供需属性以供需状态热力图的形式呈现在服务请求终端中,以提高用户对服务供需属性的观赏性。
可选地,可以根据预先设定的不同供需属性与热力图色系的映射关系,采用不同的色系,表示不同的供需属性,生成目标供需状态热力图。其中,目标供需状态热力图可以以较为符合用户认知的色系,表示不同的供需属性,提高用户的感受度。
在一种可实现的方式中,可以采用第一属性-黄色、第二属性-绿色、第三属性-灰色、第四属性-红色的映射关系,分别表示在上述所确定的四种属性,生成供需状态热力图。当然,供需属性与热力图色系的映射关系并不局限于所列举的这一种方式,也可以为映射关系。
另外,还需说明的是,利用热力图显示对应的服务供需属性仅为一种可实现的较好的显示方式,本申请并不局限于此,也可以采用不同的标记方式表示不同的供需属性。可以实现服务供需属性的区分显示,以便于用户更加直观清晰的了解运力状态即可。
上述步骤S104中,向服务请求终端发送服务供需属性,以使得服务请求终端显示服务供需属性,可以包括:
S902、向服务请求终端发送目标供需状态热力图,以使得服务请求终端显示目标供需状态热力图。
可选地,服务器可将上述生成的目标供需状态热力图发送至服务请求终端,并进行显示,以提高服务请求方的观赏度较好。
本实施例中,通过供需状态热力图的有效显示,可以让用户在需求大于供给时,了解到当前运力紧张,减少用户等待焦虑感和请求取消行为;同时在需求小于供给时让用户意识到当前请求能被快速响应,促进了用户发单意愿。
图12本申请实施例提供的另一种供需状态确定方法的流程示意图,可选地,如图12所示,上述步骤S901中,根据服务供需属性,以及预设的供需属性与热力图色系的映射关系,生成目标供需状态热力图,可以包括:
S1001、根据服务供需属性,以及映射关系,生成初始供需状态热力图。
S1002、根据服务请求发送密度和空闲服务提供方密度的比值,调整初始供需状态热力图中的热力图色系的深度,得到目标供需状态热力图。
可选地,上述根据服务供需属性和预设的映射关系,可初步生成供需状态热力图,本实施例中,为了进一步地提高供需状态热力图的显示精确性,还可通过服务请求发送密度和空闲服务提供方密度的比值,对热力图中的色系显示深度进行调整。
其中,服务请求发送密度和空闲服务提供方密度的比值越大,对应的色系颜色越深,服务请求发送密度和空闲服务提供方密度的比值越小,对应的色系颜色越浅,通过准确的颜色显示,可以有效提高供需状态热力图的显示精确度,以使得用户可以准确的获悉服务供需属性。
可选地,上述步骤S102中,根据服务起始位置和服务起始时刻,确定服务请求的服务对象所在预设区域内的服务供需数据,可以包括:根据服务起始位置、服务起始时刻、预设区域的气候信息、预设区域内的交通状态,确定服务供需数据。
在一种可实现的方式中,由于服务起始位置在服务起始时刻的天气状态和交通状态也会对服务起始位置的预设区域内的服务请求发送密度和空闲服务提供方密度造成一定的影响,故,本实施例中,在训练获取时空残差网络模型时,也同样可以综合预设区域的气候、交通状态等一些外在因素,获取的每个样本数据还包括:预设区域的气候、交通状态等信息,从而进行模型训练。同样的在模型应用过程中,在获取服务起始位置和服务起始时刻之外,还获取服务起始位置的预设区域的交通状态信息和气候信息,以综合进行服务供需属性的计算。有效将这些多源数据进行融合,从而使得服务供需属性的预测更为准确。
综上,本申请所提供的供需状态确定方法,包括:接收服务请求终端发送的服务请求,服务请求包括:服务起始位置和服务起始时刻;根据服务起始位置和服务起始时刻,确定服务请求的服务对象所在预设区域内的服务供需数据;根据服务供需数据,生成预设区域的服务供需属性;向服务请求终端发送服务供需属性,以使得服务请求终端显示服务供需属性。本申请的方法,通过服务起始位置和服务起始时刻,确定服务对象所在区域的服务供需数据,使得获取的服务供需数据准确性较高,而根据服务供需数据较为直观的显示服务供需属性,可以使得用户对于当前服务请求的响应能力有更加清晰的了解和合理的预期,提高了用户服务体验度。
另外,通过供需状态热力图的有效显示,可以让用户在需求大于供给时,了解到当前运力紧张,减少用户等待焦虑感和请求取消行为;同时在需求小于供给时让用户意识到当前请求能被快速响应,促进了用户发单意愿。
最后,通过对热力图色系的显示深度的调整,可以有效提高供需状态热力图的显示精确度,以使得用户可以准确的获悉服务供需属性。
下述对用以执行本申请所提供的供需状态确定方法对应的装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图13为本申请实施例提供的一种供需状态确定装置的示意图,该装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件,如图13所示,该装置可以包括:接收模块610、确定模块620、生成模块630、发送模块640;
接收模块610,用于接收服务请求终端发送的服务请求,服务请求包括:服务起始位置和服务起始时刻;
确定模块620,用于根据服务起始位置和服务起始时刻,确定服务请求的服务对象所在预设区域内的服务供需数据;
生成模块630,用于根据服务供需数据,生成预设区域的服务供需属性;
发送模块640,用于向服务请求终端发送服务供需属性,以使得服务请求终端显示服务供需属性。
可选地,确定模块620,具体用于根据服务起始位置和服务起始时刻,采用预先训练的时空残差网络模型,得到预设区域的服务请求发送密度,和预设区域内空闲服务提供方密度;服务供需数据包括:服务请求发送密度,和空闲服务提供方密度。
可选地,生成模块630,具体用于确定服务请求发送密度和空闲服务提供方密度的匹配关系;根据匹配关系,生成服务供需属性。
可选地,该装置还包括:模型训练模块;
模型训练模块,用于获取预设历史时间段的样本数据集,样本数据集包括:预设历史时间段内的多个样本数据,每个样本数据包括:历史服务请求的历史服务起始位置、历史服务请求的历史服务起始时刻,以及历史服务请求的服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度;根据样本数据集进行模型训练,得到时空残差网络模型。
可选地,样本数据集包括:至少一个间隔历史周期的数据集,和预设历史时间段内的趋势数据集;每个间隔历史周期的数据集包括:每个间隔历史周期内的多个样本数据;趋势数据集包括:预设历史时间段内多个连续样本数据组成的趋势数据,每个连续样本数据包括:历史服务请求的历史服务起始位置、历史服务请求的历史服务起始时刻,以及历史服务请求的服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度;
模型训练模块,具体用于根据至少一个间隔历史周期的数据集,进行模型训练,得到初始时空残差网络模型;根据趋势数据集对初始时空残差网络模型进行验证,得到时空残差网络模型。
可选地,模型训练模块,具体用于对至少一个间隔历史周期的数据集进行特征提取,得到特征图;根据特征图进行模型训练,得到初始时空残差网络模型。
可选地,模型训练模块,具体用于根据趋势数据集,和特征图,提取空间关联特征;根据空间关联特征,对初始时空残差网络模型进行验证,得到时空残差网络模型。
可选地,生成模块630,具体用于根据空闲服务提供方密度,确定预设区域的服务提供状态;基于服务提供状态、以及匹配关系,确定服务供需属性。
可选地,确定模块620,具体用于比较空闲服务提供方密度和预设阈值;若空闲服务提供方密度大于或等于预设阈值,则确定服务提供状态为第一状态,第一状态用于指示预设区域内运力充足;若空闲服务提供方密度小于预设阈值,则确定服务提供状态为第二状态,第二状态用于指示预设区域内运力不足。
可选地,确定模块620,具体用于若服务提供状态为第一状态,匹配关系为服务请求发送密度,大于空闲服务提供方密度,则确定服务供需属性为第一属性,第一属性用于指示预设区域为需等候区域;若服务提供状态为第一状态,匹配关系为服务请求发送密度,小于空闲服务提供方密度,则确定服务供需属性为第二属性,第二属性用于指示预设区域为运力充足区域;若服务提供状态为第二状态,匹配关系为服务请求发送密度,大于空闲服务提供方密度,则确定服务供需属性为第二属性,第二属性用于指示预设区域为需调度区域;若服务提供状态为第二状态,匹配关系为服务请求发送密度,小于空闲服务提供方密度,则确定服务供需属性为第二属性,第二属性用于指示预设区域为运力不足区域。
可选地,生成模块630,还用于根据服务供需属性,以及预设的供需属性与热力图色系的映射关系,生成目标供需状态热力图;目标供需状态热力图用于指示服务供需属性;
发送模块640,具体用于向服务请求终端发送目标供需状态热力图,以使得服务请求终端显示目标供需状态热力图。
可选地,生成模块630,具体用于根据服务供需属性,以及映射关系,生成初始供需状态热力图;根据服务请求发送密度和空闲服务提供方密度的比值,调整初始供需状态热力图中的热力图色系的深度,得到目标供需状态热力图。
可选地,确定模块620,还用于根据服务起始位置、服务起始时刻、预设区域的气候信息、预设区域内的交通状态,确定服务供需数据。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。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。
需要说明的是,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital SingnalProcessor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-on-a-chip,简称SOC)的形式实现。
图14为本申请实施例提供的一种服务器结构示意图,如图14所示,该服务器可包括:处理器710和存储器720,其中:
存储器720用于存储程序,处理器710调用存储器720存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种供需状态确定方法,其特征在于,包括:
接收服务请求终端发送的服务请求,所述服务请求包括:服务起始位置和服务起始时刻;
根据所述服务起始位置和所述服务起始时刻,确定所述服务请求的服务对象所在预设区域内的服务供需数据;
根据所述服务供需数据,生成所述预设区域的服务供需属性;
向所述服务请求终端发送所述服务供需属性,以使得所述服务请求终端显示所述服务供需属性。
2.根据权利要求1所述的方法,其特征在于,所述根据所述服务起始位置和所述服务起始时刻,确定所述服务请求的服务对象所在预设区域内的服务供需数据,包括:
根据所述服务起始位置和所述服务起始时刻,采用预先训练的时空残差网络模型,得到所述预设区域的服务请求发送密度,和所述预设区域内空闲服务提供方密度;所述服务供需数据包括:所述服务请求发送密度,和所述空闲服务提供方密度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述服务供需数据,生成所述预设区域的服务供需属性,包括:
确定所述服务请求发送密度和所述空闲服务提供方密度的匹配关系;
根据所述匹配关系,生成所述服务供需属性。
4.根据权利要求2所述的方法,其特征在于,所述时空残差网络模型采用下述方法训练得到:
获取预设历史时间段的样本数据集,所述样本数据集包括:所述预设历史时间段内的多个样本数据,每个样本数据包括:历史服务请求的历史服务起始位置、所述历史服务请求的历史服务起始时刻,以及所述历史服务请求的服务对象所在预设区域内的历史服务请求发送密度和历史空闲服务提供方密度;
根据所述样本数据集进行模型训练,得到所述时空残差网络模型。
5.根据权利要求4所述的方法,其特征在于,所述样本数据集包括:至少一个间隔历史周期的数据集,和预设历史时间段内的趋势数据集;每个间隔历史周期的数据集包括:所述每个间隔历史周期内的多个样本数据;所述趋势数据集包括:所述预设历史时间段内连续的多个样本数据组成的趋势数据;
所述根据所述样本数据集进行模型训练,得到所述时空残差网络模型,包括:
根据所述至少一个间隔历史周期的数据集,进行模型训练,得到初始时空残差网络模型;
根据所述趋势数据集对所述初始时空残差网络模型进行验证,得到所述时空残差网络模型。
6.根据权利要求3所述的方法,其特征在于,所述根据所述匹配关系,生成所述服务供需属性,包括:
根据所述空闲服务提供方密度,确定所述预设区域的服务提供状态;
基于所述服务提供状态、以及所述匹配关系,确定所述服务供需属性。
7.根据权利要求6所述的方法,其特征在于,所述根据所述空闲服务提供方密度,确定所述预设区域的服务提供状态,包括:
比较所述空闲服务提供方密度和预设阈值;
若所述空闲服务提供方密度大于或等于所述预设阈值,则确定所述服务提供状态为第一状态,所述第一状态用于指示所述预设区域内运力充足;
若所述空闲服务提供方密度小于所述预设阈值,则确定所述服务提供状态为第二状态,所述第二状态用于指示所述预设区域内运力不足。
8.根据权利要求7所述的方法,其特征在于,所述基于所述服务提供状态、以及所述匹配关系,确定所述服务供需属性,包括:
若所述服务提供状态为所述第一状态,所述匹配关系为所述服务请求发送密度,大于所述空闲服务提供方密度,则确定所述服务供需属性为第一属性,所述第一属性用于指示所述预设区域为需等候区域;
若所述服务提供状态为所述第一状态,所述匹配关系为所述服务请求发送密度,小于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为运力充足区域;
若所述服务提供状态为所述第二状态,所述匹配关系为所述服务请求发送密度,大于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为需调度区域;
若所述服务提供状态为所述第二状态,所述匹配关系为所述服务请求发送密度,小于所述空闲服务提供方密度,则确定所述服务供需属性为第二属性,所述第二属性用于指示所述预设区域为运力不足区域。
9.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述服务供需属性,以及预设的供需属性与热力图色系的映射关系,生成目标供需状态热力图;所述目标供需状态热力图用于指示所述服务供需属性;
所述向所述服务请求终端发送所述服务供需属性,以使得所述服务请求终端显示所述服务供需属性,包括:
向所述服务请求终端发送所述目标供需状态热力图,以使得所述服务请求终端显示所述目标供需状态热力图。
10.根据权利要求9所述的方法,其特征在于,所述根据所述服务供需属性,以及预设的供需属性与热力图色系的映射关系,生成目标供需状态热力图,包括:
根据所述服务供需属性,以及所述映射关系,生成初始供需状态热力图;
根据所述服务请求发送密度和所述空闲服务提供方密度的比值,调整所述初始供需状态热力图中的热力图色系的深度,得到所述目标供需状态热力图。
11.一种供需状态确定装置,其特征在于,包括:接收模块、确定模块、生成模块、发送模块;
所述接收模块,用于接收服务请求终端发送的服务请求,所述服务请求包括:服务起始位置和服务起始时刻;
所述确定模块,用于根据所述服务起始位置和所述服务起始时刻,确定所述服务请求的服务对象所在预设区域内的服务供需数据;
所述生成模块,用于根据所述服务供需数据,生成所述预设区域的服务供需属性;
所述发送模块,用于向所述服务请求终端发送所述服务供需属性,以使得所述服务请求终端显示所述服务供需属性。
12.一种服务器,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,当服务器运行时,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,以执行时执行如权利要求1至10任一所述的供需状态确定方法的步骤。
13.一种计算机可读存储介质,其特征在于,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如权利要求1至10任一所述的供需状态确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010658823.9A CN111861175A (zh) | 2020-07-09 | 2020-07-09 | 供需状态确定方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010658823.9A CN111861175A (zh) | 2020-07-09 | 2020-07-09 | 供需状态确定方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861175A true CN111861175A (zh) | 2020-10-30 |
Family
ID=73152571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010658823.9A Pending CN111861175A (zh) | 2020-07-09 | 2020-07-09 | 供需状态确定方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861175A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712391A (zh) * | 2020-12-31 | 2021-04-27 | 北京嘀嘀无限科技发展有限公司 | 一种服务推送方法、装置、电子设备以及存储介质 |
CN112837094A (zh) * | 2021-02-01 | 2021-05-25 | 长沙市到家悠享家政服务有限公司 | 基于区域的服务匹配方法、服务端设备及计算机可读介质 |
WO2022162629A1 (en) * | 2021-02-01 | 2022-08-04 | Chevron U.S.A. Inc. | System and method for data analytics leveraging highly-correlated features |
-
2020
- 2020-07-09 CN CN202010658823.9A patent/CN111861175A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712391A (zh) * | 2020-12-31 | 2021-04-27 | 北京嘀嘀无限科技发展有限公司 | 一种服务推送方法、装置、电子设备以及存储介质 |
CN112837094A (zh) * | 2021-02-01 | 2021-05-25 | 长沙市到家悠享家政服务有限公司 | 基于区域的服务匹配方法、服务端设备及计算机可读介质 |
WO2022162629A1 (en) * | 2021-02-01 | 2022-08-04 | Chevron U.S.A. Inc. | System and method for data analytics leveraging highly-correlated features |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017101893A4 (en) | Systems and methods for monitoring an on-demand service | |
JP6737805B2 (ja) | 将来の輸送サービス時点の予測分布を求めるシステム及び方法 | |
AU2019246799B2 (en) | Systems and methods for distributing a service request for an on-demand service | |
US20180174265A1 (en) | Systems and methods for determining a target vehicle/provider | |
US11398002B2 (en) | Systems and methods for determining an estimated time of arrival | |
JP6899444B2 (ja) | 相乗りのための方法およびシステム | |
AU2019257413A1 (en) | Systems and methods for recommending a recommended service location | |
US11636631B2 (en) | Systems and methods for displaying vehicle information for on-demand services | |
US20210043086A1 (en) | Systems and methods for generating personalized destination recommendations | |
CN111476588A (zh) | 订单需求预测方法、装置、电子设备及可读存储介质 | |
JP6632723B2 (ja) | サービスの順序列を更新するためのシステム及び方法 | |
CN111861175A (zh) | 供需状态确定方法、装置、服务器及存储介质 | |
AU2018302889A1 (en) | Systems and methods for transport capacity scheduling | |
US20200167812A1 (en) | Systems and methods for determining a fee of a service request | |
US20200141741A1 (en) | Systems and methods for determining recommended information of a service request | |
CA3029349A1 (en) | Systems and methods for cheat examination | |
US11640763B2 (en) | Systems and methods for recommending a pickup location | |
WO2019241928A1 (en) | Methods and systems for adjusting transportation capacity | |
WO2019061129A1 (en) | SYSTEMS AND METHODS FOR EVALUATING PROGRAMMING STRATEGY ASSOCIATED WITH DESIGNATED DRIVING SERVICES | |
CN111275229B (zh) | 资源模型训练方法、资源缺口预测方法、装置及电子设备 | |
CN111199440A (zh) | 事件预估方法、装置以及电子设备 | |
WO2019154208A1 (en) | Systems and methods for determining operation strategy for service platform | |
CN112036774B (zh) | 服务策略的评估方法、装置、设备及存储介质 | |
CN112104742A (zh) | 信息同步方法、装置、服务器、设备及存储介质 | |
CN112465331A (zh) | 乘车安全控制方法、模型训练方法、装置、设备及介质 |
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 |