CN111861622A - 一种确定上车点推荐模型的方法和系统 - Google Patents
一种确定上车点推荐模型的方法和系统 Download PDFInfo
- Publication number
- CN111861622A CN111861622A CN201911400880.0A CN201911400880A CN111861622A CN 111861622 A CN111861622 A CN 111861622A CN 201911400880 A CN201911400880 A CN 201911400880A CN 111861622 A CN111861622 A CN 111861622A
- Authority
- CN
- China
- Prior art keywords
- point
- order data
- determining
- historical order
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000015654 memory Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种确定上车点推荐模型的方法和系统。所述确定上车点推荐模型的方法包括:获取多个历史订单数据;获取每个历史订单数据的计费点和真实上车点;根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选;将通过筛选的历史订单数据作为训练样本,对模型进行训练,得到上车点推荐模型。
Description
技术领域
本申请涉及共享车辆领域,特别涉及一种确定上车点推荐模型的方法和系统。
背景技术
随着共享运输服务的快速发展,越来越多的用户选择在手机上使用在线打车服务。乘客通过乘客终端输入上车点和目的地信息,发送用车请求。接单司机根据乘客的上车点信息前往接驾。当接单司机接载上乘客后,通过在司机终端执行相应操作(如滑动操作相应按钮)来确认乘客已上车,司机终端进行该操作时的定位点即为计费点。然而,由于GPS定位可能发生漂移或者接单司机的个人习惯(比如,乘客上车开始行驶后才进行滑动操作),可能会导致真实上车点与计费点存在空间位置上的偏移。如果将所述这类真实上车点与计费点存在空间位置上的偏移的历史数据作为上车点推荐模型的训练样本,会显著降低上车点推荐模型训练的收敛速度及精确度。因此,希望可以提供一种确定上车点推荐模型的方法和系统。
发明内容
本申请的一个方面提供一种确定上车点推荐模型的方法。所述方法包括:获取多个历史订单数据;获取每个历史订单数据的计费点和真实上车点;根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选;将通过筛选的历史订单数据作为训练样本,对模型进行训练,得到上车点推荐模型。
本申请的另一方面提供一种确定上车点推荐模型的系统。所述系统包括:第一获取模块,用于获取多个历史订单数据;第二获取模块,用于获取每个历史订单数据的计费点和真实上车点;数据筛选模块,用于根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选;模型确定模块,用于将通过筛选的历史订单数据作为训练样本,对模型进行训练,得到上车点推荐模型。
本申请的另一方面提供一种确定上车点推荐模型的装置。所述装置包括至少一个存储介质及至少一个处理器;所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令,以实现如前所述的确定上车点推荐模型的方法。
本申请的另一方面提供一种计算机可读存储介质。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,实现如前所述的确定上车点推荐模型的方法。
本申请的另一方面提供一种确定推荐上车点的方法。所述方法包括:获取兴趣点;根据所述兴趣点确定至少一个候选上车点;利用如前所述的方法确定的上车点推荐模型处理所述兴趣点和所述至少一个候选上车点,得到推荐上车点。
本申请的另一方面提供一种确定推荐上车点的系统。所述系统包括:兴趣点获取模块,用于获取兴趣点;候选上车点确定模块,用于根据所述兴趣点确定至少一个候选上车点;推荐上车点确定模块,用于利用如前所述的方法确定的上车点推荐模型处理所述兴趣点和所述至少一个候选上车点,得到推荐上车点。
本申请的另一方面提供一种确定推荐上车点的装置。所述装置包括至少一个存储介质及至少一个处理器;所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令,以实现如前所述的确定推荐上车点的方法。
本申请的另一方面提供一种计算机可读存储介质。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,实现如前所述的确定推荐上车点的方法。
附图说明
本申请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是根据本申请一些实施例所示的上车点推荐模型的确定系统的应用场景示意图;
图2是根据本申请一些实施例所示的上车点推荐模型的确定系统的模块图;
图3是根据本申请一些实施例所示的确定上车点推荐模型的方法的示例性流程图;
图4是根据本申请一些实施例所示的从每个历史订单数据中获取真实上车点的方法的示例性流程图;
图5是根据本申请一些实施例所示的确定推荐上车点的系统的示例性流程图;
图6是根据本申请一些实施例所示的确定推荐上车点的方法的示例性流程图。
具体实施方式
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申请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申请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。
如本申请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。
本申请中使用了流程图用来说明根据本申请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。
本申请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、水面航行、航空、航天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、飞船、卫星、热气球、无人驾驶的交通工具等。本申请的不同实施例应用场景包括但不限于运输业、仓储物流业、农业作业系统、城市公交系统、商业运营车辆等中的一种或几种的组合。应当理解的是,本申请的系统及方法的应用场景仅仅是本申请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申请应用于其他类似情景。
本申请中的术语“上车点”可以指司机开始提供由用户发起的服务的位置。例如,在在线打车服务中,司机可以接载在学校门口发起服务的用户,并且将该用户送到该用户的目的地。学校门口可以是该服务的上车点。本申请中的术语“候选上车点”可以指包括司机开始提供由该区域中的目标用户终端发起的服务的潜在位置,和/或该区域中的历史上车点的位置。
本申请描述的“乘客”、“乘客端”、“乘车人”、“用户”、“用户终端”、“顾客”、“请求者”、“服务请求者”、“消费者”、“消费方”、“使用请求者”等是可以互换的,是指需要或者订购服务的一方,可以是个人,也可以是工具。同样地,本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的,是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外,本申请描述的“用户”可以是需要或者订购服务的一方,也可以是提供服务或者协助提供服务的一方。
本申请中的位置和/或轨迹可以通过嵌入在用户终端中的定位技术来获取。本申请中使用的定位技术可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(Wi-Fi)定位技术等中的一种或其任意组合。以上定位技术中的一个或多个可以在本申请中交换使用。
图1是根据本申请一些实施例所示的上车点推荐模型的确定系统的应用场景示意图。该上车点推荐模型的确定系统100可以确定上车点推荐模型,并利用确定的上车点推荐模型获得推荐上车点。该推荐上车点的确定系统100可以是用于互联网服务的线上服务平台。例如,该推荐上车点的确定系统100可以是运输服务的线上运输服务平台。在一些实施例中,该推荐上车点的确定系统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。在一些实施例中,该推荐上车点的确定系统100还可以应用于代驾服务、快递、外卖等。推荐上车点的确定系统100可以包括服务器110、网络120、乘客终端130、司机终端140和存储设备150。该服务器110可以包含处理设备112。
服务器110可以处理来自上车点推荐模型的确定系统100的至少一个组件的数据和/或信息。服务器110可以与乘客终端130通信以提供在线服务的各种功能。例如,乘客终端130可以发送多个历史订单数据给服务器110,服务器110获取每个历史订单数据的计费点和真实上车点。
在一些实施例中,服务器110可以是单个处理设备,也可以是处理设备组。处理设备组可以是经由接入点连接到网络120的集中式处理设备组,或者经由至少一个接入点分别连接到网络120的分布式处理设备组。在一些实施例中,服务器110可以本地连接到网络120或者与网络120远程连接。例如,服务器110可以经由网络120访问存储在乘客终端130、司机终端140和/或存储设备150中的信息和/或数据。又例如,存储设备150可以用作服务器110的后端数据存储器。在一些实施例中,服务器110可以在云平台上实施。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,服务器110可以包括处理设备112。处理设备112可以处理与本申请中描述的至少一个功能相关的信息和/或数据。在一些实施例中,处理设备112可以执行上车点推荐模型的确定系统100的主要功能。在一些实施例中,处理设备112可以执行与本申请中描述的方法和系统相关的其他功能。在一些实施例中,处理设备112可包括至少一个处理单元(例如,单核处理设备或多核处理设备)。仅作为示例,处理设备112包括中央处理单元(CPU)、专用集成电路(ASIC)、专用应用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等,或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,上车点推荐模型的确定系统100中的至少一个组件(例如,服务器110、乘客终端130、存储设备150)可以经由网络120将信息和/或数据发送到上车点推荐模型的确定系统100中的其他组件。例如,处理设备112可以经由网络120从存储设备150获得多个历史订单数据。
在一些实施例中,网络120可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括至少一个网络接入点。例如,网络120可以包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2、……,通过上车点推荐模型的确定系统100的至少一个部件可以连接到网络120以交换数据和/或信息。
乘客终端130可以经由网络120与服务器110通信。在一些实施例中,乘客终端130的使用者可以是服务请求者本人。在一些实施例中,乘客终端130的使用者可以是除服务请求者以外的其他人。例如,在网约车服务中,乘客终端130的使用者可以是乘车人本人,也可以是乘车人的亲戚、朋友等帮乘车人下单的人。
在一些实施例中,乘客终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3等,或其任何组合。在一些实施例中,移动设备130-1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、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、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等,或其任意组合。在一些实施例中,该可穿戴设备可包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中,智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强现实头盔、增强现实眼镜、增强现实补丁等或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、OculusRiftTM、HololensTM或GearVRTM等。
在一些实施例中,乘客终端130可以将运输服务需求发送至服务器110进行处理。在一些实施例中,乘客终端130可以是一带有定位技术的装置,以确定服务请求者和/或乘客终端130的位置,并发送给上车点推荐模型的确定系统100中的一个或多个设备,例如服务器110。
司机终端140可以经由网络120与服务器110通信。司机终端140的使用者可以是服务提供者本人。在一些实施例中,司机终端140的使用者可以是除服务提供者以外的其他人。例如,在网约车服务中,司机终端140的使用者可以是服务提供者本人,也可以是帮助服务提供者接单的人。
在一些实施例中,司机终端140可以是与乘客终端130类似或相同的装置。在一些实施例中,司机终端140可以将运输服务需求发送至服务器110进行处理。在一些实施例中,司机终端140可以是一带有定位技术的装置,以确定服务提供者和/或司机终端140的位置,并发送给上车点推荐模型的确定系统100中的一个或多个设备,例如服务器110。在一些实施例中,司机终端140可以包括司机终端140-1、140-2、140-3等,或其任何组合。
存储设备150可以储存数据和/或指令。例如,可以存储每个历史订单数据的计费点、运动轨迹、推荐上车点、基础信息等。在一些实施例中,存储设备150可以存储从服务器110、乘客终端130或司机终端140获得/获取的数据。在一些实施例中,存储设备150可以存储处理设备112可以执行的数据和/或指令,服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的示例性方法。在一些实施例中,存储设备150可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,所述存储设备150可在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备150可以连接到网络120以与上车点推荐模型的确定系统100中的一个或以上组件(例如,服务器110、乘客终端130、司机终端140等)通信。上车点推荐模型的确定系统100中的一个或以上组件可以通过网络120访问存储设备150中存储的数据或指令。在一些实施例中,存储设备150可以与系统100中的一个或以上组件(例如,服务器110、乘客终端130、司机终端140等)直接连接或通信。在一些实施例中,存储设备150可以是服务器110的一部分。
应当注意的是,上述有关上车点推荐模型的确定系统100的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对上车点推荐模型的确定系统100进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。
图2是根据本申请一些实施例所示的上车点推荐模型的确定系统的模块图。所述上车点推荐模型的确定系统可以包括第一获取模块210、第二获取模块220、数据筛选模块230和模型确定模块240。这些模块可以是处理设备112的至少一部分的硬件电路。这些模块也可以作为应用程序或由处理设备112读取或执行的指令实现。此外,这些模块可以是硬件电路和应用/指令的任何组合。例如,当处理设备执行应用程序/指令时,这些模块可以是处理设备112的一部分。
第一获取模块210可以从系统100中的一个或以上组件(例如,乘客终端130、司机终端140、存储设备150等)获取多个历史订单数据。在一些实施例中,所述历史订单数据可以包括与历史打车订单相关联的信息。例如,搜索兴趣点、乘客定位位置、候选上车点、推荐上车点、真实上车点、计费点、订单轨迹、目的地等。在一些实施例中,第一获取模块210可以将获取的多个历史订单数据发送到处理引擎112的其他单元和/或模块以进行进一步的处理。例如,第一获取模块210可以将获取的多个历史订单数据发送到第二获取模块220以进行进一步处理。
第二获取模块220可以用于获取每个历史订单数据的计费点和真实上车点。第二获取模块220可以进一步包括运动轨迹获取单元222、司机端停留点确定单元224、乘客端停留点确定单元226和真实上车点确定单元228。
运动轨迹获取单元222可以用于从所述每个历史订单数据中获取司机端运动轨迹和乘客端运动轨迹。例如,可以获取司机终端的司机从接受历史订单的位置到司机接驾成功的位置的司机终端运动轨迹。又例如,可以获取从乘客终端发起历史服务请求的位置到司机接驾成功的位置的乘客终端运动轨迹。
司机端停留点确定单元224可以用于根据所述司机端运动轨迹,确定至少一个司机端停留点,所述司机端停留点为司机端运动轨迹点中的一个。在一些实施例中,司机端停留点确定单元224可以确定司机端运动轨迹点的停留时间是否大于预设时间阈值;响应于所述司机端运动轨迹点的停留时间大于预设时间阈值,确定在所述预设时间阈值内的运动轨迹点是否可以聚成簇;响应于在所述预设时间阈值内的运动轨迹点可以聚成簇,根据所述运动轨迹点确定司机端停留点。
乘客端停留点确定单元226可以用于根据所述乘客端运动轨迹,确定至少一个乘客端停留点,所述乘客端停留点为乘客端运动轨迹点中的一个。在一些实施例中,乘客端停留点确定单元226可以确定乘客端运动轨迹点的停留时间是否大于预设时间阈值;响应于所述乘客端运动轨迹点的停留时间大于预设时间阈值,确定在所述预设时间阈值内的运动轨迹点是否可以聚成簇;响应于在所述预设时间阈值内的运动轨迹点可以聚成簇,根据所述运动轨迹点确定乘客端停留点。
真实上车点确定单元228可以用于根据所述至少一个司机端停留点和所述至少一个乘客端停留点,确定真实上车点。在一些实施例中,真实上车点确定单元228可以获取所述司机端运动轨迹点和所述乘客端运动轨迹点产生的多个交点,然后计算所述多个交点中的一个交点到所述司机端停留点的第一距离,以及所述多个交点中的一个交点到所述乘客端停留点的第二距离,将满足第一距离和第二距离最小的所述多个交点中的一个交点,确定为真实上车点。
数据筛选模块230可以用于对多个历史订单数据进行筛选。例如,数据筛选模块230可以根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选。数据筛选模块230可以进一步包括距离关系筛选单元232和跨路关系筛选单元234。
距离关系筛选单元232可以用于根据每个历史订单数据的计费点与真实上车点间的距离,对多个历史订单数据进行筛选。在一些实施例中,距离关系筛选单元232可以确定每个历史订单数据的计费点与真实上车点间的距离,然后根据所述每个历史订单数据的计费点与真实上车点间的距离,对所述多个历史订单数据进行筛选。其中,根据所述每个历史订单数据的计费点与真实上车点间的距离,对所述多个历史订单数据进行筛选包括:如果所述每个历史订单数据的计费点与真实上车点间的距离大于预设距离阈值,则所述历史订单数据没有通过筛选。
跨路关系筛选单元234可以用于根据每个历史订单数据的计费点和真实上车点是否位于同一路段,对所述多个历史订单数据进行筛选。在一些实施例中,跨路关系筛选单元234可以响应于所述每个历史订单数据的计费点与真实上车点间的距离不大于预设距离阈值,根据所述每个历史订单数据的计费点和真实上车点是否位于同一路段,对所述多个历史订单数据进行筛选;响应于所述每个历史订单数据的计费点和真实上车点位于同一路段,所述历史订单数据通过筛选。
模型确定模块240可以用于确定上车点推荐模型。例如,模型确定模块240可以将通过筛选的历史订单数据作为训练样本,对初始机器学习模型进行训练,得到上车点推荐模型。在一些实施例中,模型确定模块240可以获取每个历史订单数据的兴趣点和上车点,然后确定每个历史订单数据的兴趣点相关特征和上车点相关特征,并根据每个历史订单数据的推荐上车点和真实上车点的空间位置关系,确定所述历史订单数据的标签,最后根据所述通过筛选的历史订单数据的兴趣点相关特征和上车点相关特征以及所述历史订单数据的标签,对初始机器学习模型进行训练,得到所述上车点推荐模型。其中,所述兴趣点相关特征包括以下中的至少一个:兴趣点的属性特征、兴趣点与候选上车点的关系特征;所述上车点相关特征包括以下中的至少一个:候选上车点的属性特征、候选上车点与乘客定位位置的关系特征。
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。本申请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,以上对于确定推荐上车点的系统及其模块的描述,仅为描述方便,并不能把本申请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,第一获取模块210和第二获取模块220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,第一获取模块210可以作为单个模块集成在第二获取模块220中,该单个模块可以获取多个历史订单数据,并获取每个历史订单数据的计费点和真实上车点。又例如,第二获取模块220可以分为运动轨迹获取单元222、司机端停留点确定单元224、乘客端停留点确定单元226和真实上车点确定单元228四个单元,以分别实现第二获取模块220的功能。再例如,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,均在本申请的保护范围之内。
图3是根据本申请一些实施例所示的确定上车点推荐模型的方法的示例性流程图。在一些实施例中,所述确定上车点推荐模型的方法300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,方法300中的一个或以上步骤可以作为指令的形式存储在存储设备150和/或存储器中,并被服务器110(例如,服务器110中的处理引擎112)调用和/或执行。在一些实施例中,指令可以以电流或电信号的形式传输。
步骤310,获取多个历史订单数据。具体的,步骤310可以由第一获取模块210执行。
在一些实施例中,第一获取模块210可以通过与服务器110、乘客终端130、司机终端140和/或存储设备150进行通讯以获取多个历史订单数据。例如,乘客终端130可以通过其上安装的各类传感器获取感测数据(例如,实时定位点)以及乘客的操作内容(例如,输入的搜索兴趣点、选择的上车点),与打车订单进行数据关联。在一些实施例中,所述多个历史订单数据可以包括与历史打车订单相关联的信息。所述多个历史订单数据可以包括但不限于搜索兴趣点、乘客定位位置、候选上车点、推荐上车点、真实上车点、计费点、订单轨迹等。在一些实施例中,第一获取模块210可以获取一定时间范围内的多个历史订单数据。例如,历史订单数据可以包括一年(例如,去年、当前年份、最近一年)、半年(例如,最近六个月、当年的上半年)、四分之一年(例如,最近三个月、当年的第二季度)、一个月(例如,最近一个月)等或其任意组合中的订单。
步骤320,获取每个历史订单数据的计费点和真实上车点。具体的,步骤320可以由第二获取模块220执行。
在一些实施例中,第二获取模块220可以从每个历史订单数据中获取计费点。所述计费点表示司机到达乘客所在位置并接驾成功时,司机点击司机终端140中设置的“行程开始”或“开始计费”等类似选项时车辆所处的位置点。所述计费点会由司机终端140记录下来,并与打车订单进行数据关联。
在一些实施例中,第二获取模块220可以从所述每个历史订单数据中获取司机端运动轨迹和乘客端运动轨迹,然后根据所述司机端运动轨迹,确定至少一个司机端停留点,所述司机端停留点为司机端运动轨迹点中的一个,以及根据所述乘客端运动轨迹,确定至少一个乘客端停留点,所述乘客端停留点为乘客端运动轨迹点中的一个,并根据所述至少一个司机端停留点和所述至少一个乘客端停留点,确定真实上车点。所述真实上车点表示司机接载乘客时的实际上车位置,或者乘客和司机汇合的位置。
在一些实施例中,第二获取模块220可以确定司机端运动轨迹点的停留时间是否大于预设时间阈值,如果所述司机端运动轨迹点的停留时间大于预设时间阈值,进一步确定在所述预设时间阈值内的运动轨迹点是否可以聚成簇,如果在所述预设时间阈值内的运动轨迹点可以聚成簇,根据所述运动轨迹点确定司机端停留点。
在一些实施例中,第二获取模块220可以确定乘客端运动轨迹点的停留时间是否大于预设时间阈值,如果所述乘客端运动轨迹点的停留时间大于预设时间阈值,进一步确定在所述预设时间阈值内的运动轨迹点是否可以聚成簇,如果在所述预设时间阈值内的运动轨迹点可以聚成簇,根据所述运动轨迹点确定乘客端停留点。
在一些实施例中,第二获取模块220可以获取所述司机端运动轨迹点和所述乘客端运动轨迹点产生的多个交点,然后计算所述多个交点中的一个交点到所述司机端停留点的第一距离,以及所述多个交点中的一个交点到所述乘客端停留点的第二距离,将满足第一距离和第二距离最小的所述多个交点中的一个交点,确定为所述真实上车点。关于从每个历史订单数据中获取真实上车点的更多细节可以参见图4及其相关描述。
步骤330,根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选。具体的,步骤320可以由数据筛选模块230执行。
在一些实施例中,距离关系筛选单元232可以确定每个历史订单数据的计费点与真实上车点间的距离,然后根据所述每个历史订单数据的计费点与真实上车点间的距离,对所述多个历史订单数据进行筛选,如果所述每个历史订单数据的计费点与真实上车点间的距离大于预设距离阈值,则所述历史订单数据没有通过筛选。例如,可以根据历史订单数据中的计费点与真实上车点的位置信息,计算该计费点与该真实上车点间的距离,如果所述距离(例如,30m)大于预设距离阈值(例如,10m),则该条历史订单数据没有通过筛选,那么该条历史订单数据作为噪声样本,不参与上车点推荐模型的训练过程。在一些实施例中,所述计费点与真实上车点的位置信息可以至少包括经纬度坐标。在一些实施例中,所述距离可以是球面距离或直线距离。例如,该计费点与该真实上车点间的距离为30m,大于预设距离阈值10m,表示司机可能接驾成功且车辆开始行驶后才点击“开始行程”或“开始计费”的按钮,导致计费点与乘客实际上车点存在空间位置上的偏移,或者,也可能司机接驾成功并及时点击“开始行程”或“开始计费”的按钮,但是计费点的GPS定位发生漂移,导致上传到服务器的计费点与乘客实际上车点存在空间位置上的偏移。
在一些实施例中,跨路关系筛选单元234可以响应于所述每个历史订单数据的计费点与真实上车点间的距离不大于预设距离阈值,并根据所述每个历史订单数据的计费点和真实上车点是否位于同一路段,对所述多个历史订单数据进行筛选,如果所述每个历史订单数据的计费点和真实上车点位于同一路段,则所述历史订单数据通过筛选。例如,如果历史订单数据中的计费点与真实上车点间的距离(例如,5m)小于或等于预设距离阈值(例如,10m),可以进一步判断该计费点和该真实上车点是否位于同一路段,如果该计费点和该真实上车点位于同一路段时(比如,均在道路同侧),则该条历史订单数据通过筛选,将该条历史订单数据作为样本数据参与模型训练过程;如果该计费点和该真实上车点不位于同一路段(比如,从该计费点到该真实上车点存在跨路),则该条历史订单数据没有通过筛选,那么该条历史订单数据作为噪声样本,不参与上车点推荐模型的训练过程。
步骤340,将通过筛选的历史订单数据作为训练样本,对模型进行训练,得到上车点推荐模型。具体的,步骤320可以由模型确定模块240执行。
在一些实施例中,模型确定模块240对于通过筛选的历史订单数据,可以获取每个历史订单数据的兴趣点和上车点,然后确定每个历史订单数据的兴趣点相关特征和上车点相关特征,并根据每个历史订单数据的推荐上车点和真实上车点的空间位置关系,确定所述历史订单数据的标签,最后根据所述通过筛选的历史订单数据的兴趣点相关特征和上车点相关特征以及所述历史订单数据的标签,对排序模型进行训练,得到所述上车点推荐模型。
在一些实施例中,模型确定模块240可以获取每个历史订单数据的兴趣点。在一些实施例中,所述兴趣点可以是搜索兴趣点。例如,乘客输入搜索关键词获得相关兴趣点列表,然后从相关兴趣点列表中选择一个相关兴趣点作为搜索兴趣点,其中,相关兴趣点列表中包含至少一个相关兴趣点,所述相关兴趣点可以为与搜索关键词相关的地点。又例如,乘客可以基于乘客终端130的用户界面上的地图,通过拖动地图上的指示符(例如,大头针)来选择一个兴趣点作为搜索兴趣点。再例如,可以基于乘客定位位置自动生成的搜索兴趣点,比如,乘客的乘客定位位置为“日月光-鼎好大厦A座”,基于该定位位置可自动显示的兴趣点可以是“北四环西路辅路/善缘街(路口)”。
在一些实施例中,模型确定模块240可以确定每个历史订单数据的兴趣点相关特征和上车点相关特征,所述上车点为真实上车点或推荐上车点。所述兴趣点相关特征可以指代与搜索兴趣点相关联的特征信息。所述上车点相关特征可以指代与候选上车点相关联的特征信息。在一些实施例中,所述兴趣点相关特征可以包括但不限于兴趣点的属性特征、兴趣点与候选上车点的关系特征。其中,所述兴趣点与候选上车点的关系特征可以基于搜索兴趣点的位置信息和候选上车点的位置信息确定,可以包括跨路关系特征(例如,搜索兴趣点和候选上车点是否位于同一路段)和/或距离关系特征(例如,搜索兴趣点到候选上车点的距离)。所述兴趣点的属性特征可以包括但不限于搜索兴趣点召回的候选上车点数、搜索兴趣点的热度、搜索兴趣点最近一段时间(例如,30天、60天、90天)的检索订单量。所述兴趣点与候选上车点的关系特征可以包括但不限于最近一段时间(例如,30天、60天、90天)搜索兴趣点到候选上车点的上车次数、最近一段时间(例如,30天、60天、90天)搜索兴趣点到候选上车点的上车次数占比、最近一段时间(例如,30天、60天、90天)搜索兴趣点到候选上车点的同路段上车次数、最近一段时间(例如,30天、60天、90天)搜索兴趣点到候选上车点的同路段上车次数占比。在一些实施例中,所述上车点相关特征可以包括但不限于候选上车点的属性特征、候选上车点与乘客定位位置的关系特征。所述候选上车点与乘客定位位置的关系特征可以基于所述候选上车点的位置信息和所述乘客的定位信息确定,可以包括跨路关系特征和/或距离关系特征。所述候选上车点的属性特征可以包括但不限于候选上车点的热度、候选上车点最近一段时间(例如,30天、60天、90天、180天)的订单量、候选上车点最近一段时间(例如,30天、60天、90天、180天)的订单中上车点和计费点的偏移的中位数、候选上车点最近一段时间(例如,30天、60天、90天、180天)的订单数30米定点率。所述候选上车点与乘客定位位置的关系特征可以包括但不限于乘客定位位置到候选上车点的距离、乘客定位位置和候选上车点是否位于同一路段。
在一些实施例中,模型确定模块240可以根据每个历史订单数据的推荐上车点和真实上车点的空间位置关系,确定所述历史订单数据的标签。将通过筛选的历史订单数据作为模型的训练样本,所述训练样本可以包括正样本和负样本。所述正样本中真实上车点与推荐上车点间的距离小于或等于距离阈值(例如,30m),所述负样本中真实上车点与推荐上车点间的距离大于距离阈值(例如,30m)。所述正样本和负样本可分别用二进制值标识。例如,正样本可以设定标签为“1”,负样本可以设定标签为“0”。
在一些实施例中,模型确定模块240可以根据通过筛选的历史订单数据的兴趣点相关特征和上车点相关特征以及所述历史订单数据的标签,对排序模型进行训练,得到所述上车点推荐模型。在一些实施例中,所述排序模型可以包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-Nearest Neighbor,kNN)模型、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(Support Vector Machine,SVM)、决策树(DecisionTree,DT)模型、随机森林(Random Forests,RF)模型、回归树(Classification andRegression Trees,CART)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(LightGradient Boosting Machine,LightGBM)、梯度提升机(Gradient Boosting Machines,GBM)、LASSO(Least Absolute Shrinkage and Selection Operator,LASSO)、人工神经网络(Artificial Neural Networks,ANN)模型、LambdaMART模型等或其任意组合。优选地,所述初始的机器学习模型可以是LambdaMART模型。
图4是根据本申请一些实施例所示的从每个历史订单数据中获取真实上车点的方法的示例性流程图。
步骤410,从所述每个历史订单数据中获取司机端运动轨迹和乘客端运动轨迹。具体的,步骤410可以由运动轨迹获取单元222执行。
在一些实施例中,运动轨迹获取单元222可以根据每个历史订单数据获得司机端运动轨迹。所述司机端运动轨迹为司机(或车辆)运动过程中,通过定位技术,以一定的预设频率(例如,5s/次、10s/次)获取的司机终端(或车辆)的多个位置点拟合形成的运动曲线。特别的,所述位置点可以表示为司机端运动轨迹点。例如,可以获取司机终端的司机从接受订单的位置到司机接驾成功的位置的司机终端运动轨迹。在一些实施例中,运动轨迹获取单元222可以根据每个历史订单数据获得乘客端运动轨迹。所述乘客端运动轨迹为乘客运动过程中,通过定位技术,以一定的预设频率(例如,5s/次、10s/次)获取的乘客终端的多个位置点拟合形成的运动曲线。特别的,所述位置点可以表示为乘客端运动轨迹点。例如,可以获取从乘客终端发起服务请求的位置到司机接驾成功的位置的乘客终端运动轨迹。所述司机端运动轨迹和/或乘客端运动轨迹可以包括但不限于所述司机终端140(或车辆)和/或乘客终端130的位置信息、时间信息和速度信息等。
步骤420,根据所述司机端运动轨迹,确定至少一个司机端停留点,所述司机端停留点为司机端运动轨迹点中的一个。具体的,步骤420可以由司机端停留点确定单元224执行。
在一些实施例中,所述停留点可以表示目标对象在某个地方停留了一段时间的轨迹点。在一些实施例中,司机端停留点确定单元224可以确定司机端运动轨迹点的停留时间是否大于预设时间阈值(例如,10s、20s),如果所述司机端运动轨迹点的停留时间(例如,25s)大于预设时间阈值(例如,10s、20s),可以进一步确定在所述预设时间阈值(例如,10s、20s)内的运动轨迹点是否可以聚成簇,如果在所述预设时间阈值内的运动轨迹点可以聚成簇,则可以根据该簇确定司机端停留点,所述司机端停留点为司机端运动轨迹点中的一个。在一些实施例中,可以采用聚类算法对停留时间大于预设时间阈值的司机端运动轨迹点进行聚类。在一些实施例中,可以是基于密度的聚类算法,例如DBSCAN算法、MDCA算法、OPTICS算法、DENCLUE算法等或以上任意组合。
步骤430,根据所述乘客端运动轨迹,确定至少一个乘客端停留点,所述乘客端停留点为乘客端运动轨迹点中的一个。具体的,步骤430可以由乘客端停留点确定单元226执行。
在一些实施例中,乘客端停留点确定单元226可以确定乘客端运动轨迹点的停留时间(例如,15s)是否大于预设时间阈值(例如,5s、10s),如果所述乘客端运动轨迹点的停留时间大于预设时间阈值,确定在所述预设时间阈值(例如,5s、10s)内的运动轨迹点是否可以聚成簇,如果在所述预设时间阈值(例如,5s、10s)内的运动轨迹点可以聚成簇,则可以根据该簇确定乘客端停留点,所述乘客端停留点为乘客端运动轨迹点中的一个。在一些实施例中,可以采用聚类算法对停留时间大于预设时间阈值的乘客端运动轨迹点进行聚类。在一些实施例中,可以是基于密度的聚类算法,例如DBSCAN算法、MDCA算法、OPTICS算法、DENCLUE算法等或以上任意组合。
步骤440,根据所述至少一个司机端停留点和所述至少一个乘客端停留点,确定真实上车点。具体的,步骤440可以由真实上车点确定单元228执行。
在一些实施例中,真实上车点确定单元228可以获取所述司机端运动轨迹点和所述乘客端运动轨迹点产生的多个交点,然后计算所述多个交点中的一个交点到所述司机端停留点的第一距离,以及所述多个交点中的一个交点到所述乘客端停留点的第二距离,将满足第一距离和第二距离最小的所述多个交点中的一个交点,确定为所述真实上车点。例如,司机端运动轨迹点和乘客端运动轨迹点产生的交点有M1、M2、M3,乘客端停留点有C1、C2、C3、C4等4个点,司机端停留点有S1、S2、S3、S4等4个点,其中M2到司机端停留点的第一距离,以及M2到乘客端停留点的第二距离均最小,则将M2确定为真实上车点。
图5是根据本申请一些实施例所示的确定推荐上车点的系统的示例性流程图。所述确定推荐上车点的系统可以包括兴趣点获取模块510、候选上车点确定模块520和推荐上车点确定模块530。这些模块可以是处理设备112的至少一部分的硬件电路。这些模块也可以作为应用程序或由处理设备112读取或执行的指令实现。此外,这些模块可以是硬件电路和应用/指令的任何组合。例如,当处理设备执行应用程序/指令时,这些模块可以是处理设备112的一部分。
兴趣点获取模块510可以用于获取兴趣点。在一些实施例中,所述兴趣点可以是搜索兴趣点。例如,所述搜索兴趣点可以是由乘客通过乘客终端130输入的各种类型的文字、字母、数字、字符等或其组合。又例如,所述搜索兴趣点可以是乘客通过拖动用户界面地图上的指示符(例如,大头针)来选择的兴趣点。再例如,所述搜索兴趣点可以是基于乘客定位位置自动生成的兴趣点。
候选上车点确定模块520可以用于根据所述兴趣点确定至少一个候选上车点。在一些实施例中,候选上车点确定模块520可以根据搜索兴趣点的历史订单数据,召回所述历史订单数据中的历史上车点作为候选上车点。在一些实施例中,候选上车点确定模块520可以根据所述搜索兴趣点的位置信息,获取距离所述搜索兴趣点预设距离范围内的上车点集合作为候选上车点。
推荐上车点确定模块530可以用于利用确定的上车点推荐模型处理所述兴趣点和所述至少一个候选上车点,得到推荐上车点。在一些实施例中,推荐上车点确定模块530可以确定搜索兴趣点相关特征和至少一个候选上车点相关特征,然后将所述搜索兴趣点相关特征和所述至少一个候选上车点相关特征输入至上车点推荐模型,确定所述至少一个候选上车点中每个候选上车点的可能性得分,并根据所述至少一个候选上车点中每个候选上车点的可能性得分,将至少一个候选上车点确定为所述推荐上车点。
图6是根据本申请一些实施例所示的确定推荐上车点的方法的示例性流程图。
步骤610,获取兴趣点。具体的,步骤610可以由兴趣点获取模块510执行。
在一些实施例中,所述兴趣点可以是搜索兴趣点。在一些实施例中,搜索兴趣点可以是由乘客通过乘客终端130输入的各种类型的文字、字母、数字、字符等或其组合。当乘客在乘客终端130输入搜索兴趣点后,乘客终端130可以将该搜索兴趣点通过网络120发送给服务器110,候选上车点确定模块520可以获取该搜索兴趣点并对其进行处理。在一些实施例中,乘客输入搜索兴趣点的方式可以包括但不限于打字输入、手写输入、选择输入、语音输入、扫描输入等一种或多种的任意组合。具体地,打字输入根据语言的不同可以包括英文输入、中文输入等。选择输入可以包括从选择列表中选择兴趣点等。扫描输入可以包括扫描条形码输入、扫描文本输入、扫描图片输入、扫描二维码输入等。在一些实施例中,乘客输入的搜索兴趣点可以包括与酒店、商场、医院、小区、车站、学校、十字路口等相关的关键词。例如,搜索兴趣点可以是清华大学西门、北京协和医院门诊楼等。在一些实施例中,乘客可以基于乘客终端130的用户界面上的地图,通过拖动地图上的指示符(例如,大头针)来选择一个兴趣点作为搜索兴趣点。在一些实施例中,可以基于乘客定位位置在上车点检索栏中自动生成搜索兴趣点,比如,乘客的乘客定位位置为“日月光-鼎好大厦A座”,基于该定位位置在上车点检索栏中自动显示的兴趣点可以是“北四环西路辅路/善缘街(路口)”。
步骤620,根据所述兴趣点确定至少一个候选上车点。具体的,步骤620可以由候选上车点确定模块520执行。
在一些实施例中,候选上车点表示可以提供给乘客的预设上车位置点。所述候选上车点可以包括但不限于医院大门、学校大门、公园大门、公交车站、小区大门、景区出入口、十字路口等或其任意组合。在一些实施例中,候选上车点确定模块520可以根据搜索兴趣点的历史订单数据,召回所述历史订单数据中的历史上车点作为候选上车点。例如,可以根据乘客端发送的搜索兴趣点,获取以该搜索兴趣点作为历史搜索兴趣点的历史订单,从所述历史订单的历史上车点中确定至少一个候选上车点。在一些实施例中,候选上车点确定模块520可以获取预设时间段(例如,1个月、3个月、半年、一年)内的历史上车点。在一些实施例中,候选上车点确定模块520可以根据所述搜索兴趣点的位置信息,获取距离搜索兴趣点预设距离范围(例如,100m、200m)内的历史上车点集合,从历史上车点集合中确定至少一个候选上车点。
步骤630,利用确定的上车点推荐模型处理所述兴趣点和所述至少一个候选上车点,得到推荐上车点。具体的,步骤630可以由推荐上车点确定模块530执行。
在一些实施例中,推荐上车点确定模块530可以确定搜索兴趣点相关特征和至少一个候选上车点相关特征,然后将所述搜索兴趣点相关特征和所述至少一个候选上车点相关特征输入至上车点推荐模型,确定所述至少一个候选上车点中每个候选上车点的可能性得分,并根据所述至少一个候选上车点中每个候选上车点的可能性得分,将至少一个候选上车点确定为所述推荐上车点。
在一些实施例中,搜索兴趣点相关特征可以包括但不限于搜索兴趣点的属性特征、搜索兴趣点与候选上车点的关系特征等。其中,所述搜索兴趣点的属性特征可以包括但不限于搜索兴趣点召回的候选上车点数、搜索兴趣点的热度、搜索兴趣点最近一段时间(例如,30天、60天、90天)的检索订单量。所述搜索兴趣点与候选上车点的关系特征可以基于所述搜索兴趣点的位置信息和所述候选上车点的位置信息确定,可以包括跨路关系特征和/或距离关系特征。具体的,所述搜索兴趣点与候选上车点的关系特征可以包括但不限于最近一段时间(例如,30天、60天、90天)搜索兴趣点到候选上车点的上车次数、最近一段时间(例如,30天、60天、90天)搜索兴趣点到候选上车点的上车次数占比、最近一段时间(例如,30天、60天、90天)搜索兴趣点到候选上车点的同路段上车次数、最近一段时间(例如,30天、60天、90天)搜索兴趣点到候选上车点的同路段上车次数占比。在一些实施例中,所述候选上车点相关特征可以包括但不限于候选上车点的属性特征、候选上车点与乘客定位位置的关系特征等。其中,所述候选上车点的属性特征可以包括但不限于候选上车点的热度、候选上车点最近一段时间(例如,30天、60天、90天、180天)的订单量、候选上车点最近一段时间(例如,30天、60天、90天、180天)的订单中上车点和计费点的偏移的中位数、候选上车点最近一段时间(例如,30天、60天、90天、180天)的订单数30米定点率。所述候选上车点与乘客定位位置的关系特征可以基于所述候选上车点的位置信息和所述乘客的定位信息确定,可以包括跨路关系特征和/或距离关系特征。具体的,所述候选上车点与乘客定位位置的关系特征可以包括但不限于乘客定位位置到候选上车点的距离、乘客定位位置和候选上车点是否位于同一路段。
在一些实施例中,可能性得分(或称为“选中概率”)表示乘客将每个候选上车点作为上车点的概率。所述候选上车点的可能性得分越高,表示该候选上车点被乘客使用作为上车点的概率越大。例如,候选上车点A的可能性得分为0.4,候选上车点B的可能性得分为0.6,候选上车点C的可能性得分为0.9,表示乘客使用候选上车点C作为上车点的概率最大。在一些实施例中,推荐上车点确定模块530可以根据设定阈值的方式确定推荐上车点。所述阈值可以人工设定或者通过实验确定。所述阈值可以设定为0.6、0.7、0.8或0.9等。例如,当设定阈值为0.7时,推荐上车点确定模块260可以将可能性得分大于或等于0.7的候选上车点确定为推荐上车点。在一些实施例中,所述设定阈值可以根据不同的场景和不同的目标来调整。例如,如果搜索兴趣点是乘客经常搜索访问的,则可以将确定推荐上车点的设定阈值调高。又例如,如果搜索兴趣点不是乘客经常搜索访问的,则可以将确定推荐上车点的设定阈值调低。在一些实施例中,推荐上车点确定模块530可以根据候选上车点的可能性得分进行排序,将排序最前的前N个(例如,排序前3)候选上车点确定为推荐上车点。
本申请实施例可能带来的有益效果包括但不限于:(1)减少由于GPS漂移或司机晚计费导致的真实上车点与计费点存在空间位置上的偏移的历史订单数据作为上车点推荐模型的训练样本数量,从而提高上车点推荐模型的收敛速度和上车点推荐的准确度;(2)通过用真实上车点和计费点的空间位置关系双重校正训练样本,可以有效减少上车点推荐模型训练的噪声样本,有效减少上车点推荐不准确的情况;(3)根据本申请的方法确定的上车点推荐模型来推荐上车点,可提高推荐上车点的准确性,进而提高用户出行体验。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,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请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,本申请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,本申请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,本申请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,本申请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。
本申请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、VisualBasic、Fortran2003、Perl、COBOL2002、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处理设备上运行。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,本申请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,并非用于限定本申请流程和方法的顺序。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申请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,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,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申请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。尽管本申请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。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,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申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (24)
1.一种确定上车点推荐模型的方法,其特征在于,所述方法包括:
获取多个历史订单数据;
获取每个历史订单数据的计费点和真实上车点;
根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选;
将通过筛选的历史订单数据作为训练样本,对模型进行训练,得到上车点推荐模型。
2.根据权利要求1所述的确定上车点推荐模型的方法,其特征在于,所述方法还包括:
对于所述通过筛选的历史订单数据:
获取每个历史订单数据的兴趣点和上车点;
确定每个历史订单数据的兴趣点相关特征和上车点相关特征;
根据每个历史订单数据的推荐上车点和真实上车点的空间位置关系,确定所述历史订单数据的标签;
根据所述通过筛选的历史订单数据的兴趣点相关特征和上车点相关特征以及所述历史订单数据的标签,对初始机器学习模型进行训练,得到所述上车点推荐模型。
3.根据权利要求2所述的确定上车点推荐模型的方法,其特征在于,
所述兴趣点相关特征包括以下中的至少一个:兴趣点的属性特征、兴趣点与候选上车点的关系特征;
所述上车点相关特征包括以下中的至少一个:候选上车点的属性特征、候选上车点与乘客定位位置的关系特征。
4.根据权利要求1所述的确定上车点推荐模型的方法,其特征在于,所述根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选包括:
确定每个历史订单数据的计费点与真实上车点间的距离;
至少根据所述每个历史订单数据的计费点与真实上车点间的距离,对所述多个历史订单数据进行筛选;
其中,所述至少根据所述每个历史订单数据的计费点与真实上车点间的距离,对所述多个历史订单数据进行筛选包括:
如果所述每个历史订单数据的计费点与真实上车点间的距离大于预设距离阈值,则所述历史订单数据没有通过筛选。
5.根据权利要求4所述的确定上车点推荐模型的方法,其特征在于,所述根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选还包括:
响应于所述每个历史订单数据的计费点与真实上车点间的距离不大于预设距离阈值,根据所述每个历史订单数据的计费点和真实上车点是否位于同一路段,对所述多个历史订单数据进行筛选;
响应于所述每个历史订单数据的计费点和真实上车点位于同一路段,所述历史订单数据通过筛选。
6.根据权利要求1所述的确定上车点推荐模型的方法,其特征在于,所述获取每个历史订单数据的计费点和真实上车点包括:
从所述每个历史订单数据中获取司机端运动轨迹和乘客端运动轨迹;
根据所述司机端运动轨迹,确定至少一个司机端停留点,所述司机端停留点为司机端运动轨迹点中的一个;
根据所述乘客端运动轨迹,确定至少一个乘客端停留点,所述乘客端停留点为乘客端运动轨迹点中的一个;
根据所述至少一个司机端停留点和所述至少一个乘客端停留点,确定真实上车点。
7.根据权利要求6所述的确定上车点推荐模型的方法,其特征在于,所述根据所述司机端运动轨迹,确定至少一个司机端停留点包括:
确定司机端运动轨迹点的停留时间是否大于预设时间阈值;
响应于所述司机端运动轨迹点的停留时间大于预设时间阈值,确定在所述预设时间阈值内的运动轨迹点是否可以聚成簇;
响应于在所述预设时间阈值内的运动轨迹点可以聚成簇,根据所述运动轨迹点确定停留点。
8.根据权利要求7所述的确定上车点推荐模型的方法,其特征在于,所述根据所述至少一个司机端停留点和所述至少一个乘客端停留点,确定真实上车点包括:
获取所述司机端运动轨迹点和所述乘客端运动轨迹点产生的多个交点;
计算所述多个交点中的一个交点到所述司机端停留点的第一距离,以及所述多个交点中的一个交点到所述乘客端停留点的第二距离;
将满足第一距离和第二距离最小的所述多个交点中的一个交点,确定为所述真实上车点。
9.一种确定上车点推荐模型的系统,其特征在于,所述系统包括:
第一获取模块,用于获取多个历史订单数据;
第二获取模块,用于获取每个历史订单数据的计费点和真实上车点;
数据筛选模块,用于根据每个历史订单数据的计费点和真实上车点的空间位置关系,对所述多个历史订单数据进行筛选;
模型确定模块,用于将通过筛选的历史订单数据作为训练样本,对模型进行训练,得到上车点推荐模型。
10.根据权利要9所述的确定上车点推荐模型的系统,其特征在于,对于所述通过筛选的历史订单数据,所述模型确定模块进一步用于:
获取每个历史订单数据的兴趣点和上车点;
确定每个历史订单数据的兴趣点相关特征和上车点相关特征;
根据每个历史订单数据的推荐上车点和真实上车点的空间位置关系,确定所述历史订单数据的标签;
根据所述通过筛选的历史订单数据的兴趣点相关特征和上车点相关特征以及所述历史订单数据的标签,对初始机器学习模型进行训练,得到所述上车点推荐模型。
11.根据权利要求10所述的确定上车点推荐模型的系统,其特征在于,
所述兴趣点相关特征包括以下中的至少一个:兴趣点的属性特征、兴趣点与候选上车点的关系特征;
所述上车点相关特征包括以下中的至少一个:候选上车点的属性特征、候选上车点与乘客定位位置的关系特征。
12.根据权利要求9所述的确定上车点推荐模型的系统,其特征在于,所述数据筛选模块进一步包括距离关系筛选单元,所述距离关系筛选单元用于:
确定每个历史订单数据的计费点与真实上车点间的距离;
至少根据所述每个历史订单数据的计费点与真实上车点间的距离,对所述多个历史订单数据进行筛选;
其中,所述至少根据所述每个历史订单数据的计费点与真实上车点间的距离,对所述多个历史订单数据进行筛选包括:
如果所述每个历史订单数据的计费点与真实上车点间的距离大于预设距离阈值,则所述历史订单数据没有通过筛选。
13.根据权利要求12所述的确定上车点推荐模型的系统,其特征在于,所述数据筛选模块进一步包括跨路关系筛选单元,所述跨路关系筛选单元用于:
响应于所述每个历史订单数据的计费点与真实上车点间的距离不大于预设距离阈值,根据所述每个历史订单数据的计费点和真实上车点是否位于同一路段,对所述多个历史订单数据进行筛选;
响应于所述每个历史订单数据的计费点和真实上车点位于同一路段,所述历史订单数据通过筛选。
14.根据权利要求9所述的确定上车点推荐模型的方法,其特征在于,所述第二获取模块还包括:
运动轨迹获取单元,用于从所述每个历史订单数据中获取司机端运动轨迹和乘客端运动轨迹;
司机端停留点确定单元,用于根据所述司机端运动轨迹,确定至少一个司机端停留点,所述司机端停留点为司机端运动轨迹点中的一个;
乘客端停留点确定单元,用于根据所述乘客端运动轨迹,确定至少一个乘客端停留点,所述乘客端停留点为乘客端运动轨迹点中的一个;
真实上车点确定单元,用于根据所述至少一个司机端停留点和所述至少一个乘客端停留点,确定真实上车点。
15.根据权利要求14所述的确定上车点推荐模型的系统,其特征在于,所述司机端停留点确定单元进一步用于:
确定司机端运动轨迹点的停留时间是否大于预设时间阈值;
响应于所述司机端运动轨迹点的停留时间大于预设时间阈值,确定在所述预设时间阈值内的运动轨迹点是否可以聚成簇;
响应于在所述预设时间阈值内的运动轨迹点可以聚成簇,根据所述运动轨迹点确定停留点。
16.根据权利要求15所述的确定上车点推荐模型的系统,其特征在于,所述真实上车点确定单元进一步用于:
获取所述司机端运动轨迹点和所述乘客端运动轨迹点产生的多个交点;
计算所述多个交点中的一个交点到所述司机端停留点的第一距离,以及所述多个交点中的一个交点到所述乘客端停留点的第二距离;
将满足第一距离和第二距离最小的所述多个交点中的一个交点,确定为所述真实上车点。
17.一种确定上车点推荐模型的装置,其特征在于,包括至少一个存储介质及至少一个处理器;
所述至少一个存储介质用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令,以实现权利要求1~8中任一项所述的确定上车点推荐模型的方法。
18.一种计算机可读存储介质,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1~8中任一项所述的确定上车点推荐模型的方法。
19.一种确定推荐上车点的方法,其特征在于,所述方法包括:
获取兴趣点;
根据所述兴趣点确定至少一个候选上车点;
利用权利要求1-8任一项所述方法确定的上车点推荐模型处理所述兴趣点和所述至少一个候选上车点,得到推荐上车点。
20.根据权利要求19所述的确定推荐上车点的方法,其特征在于,所述利用权利要求1-8任一项所述方法确定的上车点推荐模型处理所述兴趣点和所述至少一个候选上车点,得到推荐上车点包括:
确定搜索兴趣点相关特征和至少一个候选上车点相关特征;
将所述搜索兴趣点相关特征和所述至少一个候选上车点相关特征输入至上车点推荐模型,确定所述至少一个候选上车点中每个候选上车点的可能性得分;
根据所述至少一个候选上车点中每个候选上车点的可能性得分,将至少一个候选上车点确定为所述推荐上车点。
21.一种确定推荐上车点的系统,其特征在于,所述系统包括:
兴趣点获取模块,用于获取兴趣点;
候选上车点确定模块,用于根据所述兴趣点确定至少一个候选上车点;
推荐上车点确定模块,用于利用权利要求1-8任一项所述方法确定的上车点推荐模型处理所述兴趣点和所述至少一个候选上车点,得到推荐上车点。
22.根据权利要求21所述的确定推荐上车点的系统,其特征在于,所述推荐上车点确定模块进一步用于:
确定搜索兴趣点相关特征和至少一个候选上车点相关特征;
将所述搜索兴趣点相关特征和所述至少一个候选上车点相关特征输入至上车点推荐模型,确定所述至少一个候选上车点中每个候选上车点的可能性得分;
根据所述至少一个候选上车点中每个候选上车点的可能性得分,将至少一个候选上车点确定为所述推荐上车点。
23.一种确定推荐上车点的装置,其特征在于,包括至少一个存储介质及至少一个处理器;
所述至少一个存储介质用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令,以实现权利要求19~20中任一项所述的确定推荐上车点的方法。
24.一种计算机可读存储介质,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19~20中任一项所述的确定推荐上车点的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400880.0A CN111861622B (zh) | 2019-12-28 | 2019-12-28 | 一种确定上车点推荐模型的方法和系统 |
PCT/CN2020/122966 WO2021078216A1 (zh) | 2019-10-23 | 2020-10-22 | 一种上车点推荐方法和系统 |
US17/660,408 US20220248170A1 (en) | 2019-10-23 | 2022-04-23 | Methods and systems for recommending pick-up points |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400880.0A CN111861622B (zh) | 2019-12-28 | 2019-12-28 | 一种确定上车点推荐模型的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861622A true CN111861622A (zh) | 2020-10-30 |
CN111861622B CN111861622B (zh) | 2024-08-06 |
Family
ID=72970840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911400880.0A Active CN111861622B (zh) | 2019-10-23 | 2019-12-28 | 一种确定上车点推荐模型的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861622B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067012A (zh) * | 2020-11-12 | 2020-12-11 | 南京领行科技股份有限公司 | 网约车接人判定方法及装置 |
CN112256983A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 导航信息处理方法、装置、电子设备及存储介质 |
CN112990548A (zh) * | 2021-02-08 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN113163330A (zh) * | 2021-03-24 | 2021-07-23 | 广州宸祺出行科技有限公司 | 一种基于关闭车门声音进行上下车推荐点校正的方法及装置 |
CN114331266A (zh) * | 2021-12-27 | 2022-04-12 | 深圳依时货拉拉科技有限公司 | 推荐模型的训练方法及装置、装卸货点推荐方法及装置 |
TWI850942B (zh) | 2023-01-03 | 2024-08-01 | 光陽工業股份有限公司 | 用於車輛租用之應用管理方法及系統 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140129132A1 (en) * | 2011-07-05 | 2014-05-08 | Toyota Jidosha Kabushiki Kaisha | Recommendation information provision system |
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 |
CN108537351A (zh) * | 2017-03-02 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的确定方法及装置 |
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 |
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 |
US20190114668A1 (en) * | 2016-09-13 | 2019-04-18 | Tencent Technology (Shenzhen) Company Limited | Application recommendation method and server |
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 |
US20210140774A1 (en) * | 2018-05-28 | 2021-05-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending pick-up locations |
-
2019
- 2019-12-28 CN CN201911400880.0A patent/CN111861622B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140129132A1 (en) * | 2011-07-05 | 2014-05-08 | Toyota Jidosha Kabushiki Kaisha | Recommendation information provision system |
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 |
US20190114668A1 (en) * | 2016-09-13 | 2019-04-18 | Tencent Technology (Shenzhen) Company Limited | Application recommendation method and server |
CN108537351A (zh) * | 2017-03-02 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的确定方法及装置 |
CN109313846A (zh) * | 2017-03-02 | 2019-02-05 | 北京嘀嘀无限科技发展有限公司 | 用于推荐上车点的系统和方法 |
US20210140774A1 (en) * | 2018-05-28 | 2021-05-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending pick-up locations |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
曲昭伟 等: "基于出租车GPS大数据的城市热点出行路段识别方法", 交通运输系统工程与信息, vol. 19, no. 02, pages 238 - 246 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067012A (zh) * | 2020-11-12 | 2020-12-11 | 南京领行科技股份有限公司 | 网约车接人判定方法及装置 |
CN112067012B (zh) * | 2020-11-12 | 2021-03-02 | 南京领行科技股份有限公司 | 网约车接人判定方法及装置 |
CN112256983A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 导航信息处理方法、装置、电子设备及存储介质 |
CN112990548A (zh) * | 2021-02-08 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN112990548B (zh) * | 2021-02-08 | 2024-04-19 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN113163330A (zh) * | 2021-03-24 | 2021-07-23 | 广州宸祺出行科技有限公司 | 一种基于关闭车门声音进行上下车推荐点校正的方法及装置 |
CN114331266A (zh) * | 2021-12-27 | 2022-04-12 | 深圳依时货拉拉科技有限公司 | 推荐模型的训练方法及装置、装卸货点推荐方法及装置 |
TWI850942B (zh) | 2023-01-03 | 2024-08-01 | 光陽工業股份有限公司 | 用於車輛租用之應用管理方法及系統 |
Also Published As
Publication number | Publication date |
---|---|
CN111861622B (zh) | 2024-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10948301B2 (en) | Systems and methods for recommending an estimated time of arrival | |
US11892312B2 (en) | Methods and systems for providing information for an on-demand service | |
CN111861622B (zh) | 一种确定上车点推荐模型的方法和系统 | |
US10979863B2 (en) | Systems and methods for recommending a destination | |
CN112868036B (zh) | 位置推荐的系统和方法 | |
KR20180006871A (ko) | 주문들을 분배하기 위한 방법들 및 시스템들 | |
CN112236787B (zh) | 用于生成个性化目的地推荐的系统和方法 | |
CN110249357B (zh) | 用于数据更新的系统和方法 | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
KR20170030379A (ko) | 사용자 선호에 맞춘 여행 큐레이션 서비스 방법 및 시스템 | |
WO2019232670A1 (en) | Systems and methods for on-demand services | |
CN111859174A (zh) | 一种确定推荐上车点的方法和系统 | |
WO2019228391A1 (en) | Systems and methods for online to offline services | |
CN111932341A (zh) | 一种确定拼车订单的方法和系统 | |
CN111881368A (zh) | 一种确定推荐上车点的方法和系统 | |
CN114041129A (zh) | 确定上车点名称的系统和方法 | |
CN110651266B (zh) | 为按需服务提供信息的系统及方法 | |
US20220248170A1 (en) | Methods and systems for recommending pick-up points | |
CN111881369A (zh) | 一种推荐上车点名称准确性检测方法和系统 | |
US10250701B2 (en) | Method and system for determining an actual point-of-interest based on user activity and environment contexts | |
CN116508013A (zh) | 用于推荐兴趣点的系统和方法 | |
CN113924460B (zh) | 确定服务请求的推荐信息的系统和方法 |
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 |