CN111881369A - 一种推荐上车点名称准确性检测方法和系统 - Google Patents
一种推荐上车点名称准确性检测方法和系统 Download PDFInfo
- Publication number
- CN111881369A CN111881369A CN202010257916.0A CN202010257916A CN111881369A CN 111881369 A CN111881369 A CN 111881369A CN 202010257916 A CN202010257916 A CN 202010257916A CN 111881369 A CN111881369 A CN 111881369A
- Authority
- CN
- China
- Prior art keywords
- recommended
- point
- order
- name
- determining
- 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 55
- 238000001514 detection method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 description 39
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000012795 verification Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process 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
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 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
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005354 coacervation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 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
- 230000029305 taxis Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种推荐上车点名称准确性检测方法和系统。所述方法包括:获取多个历史运输订单;从多个历史运输订单中确定一个或多个连环单对;确定连环单对中的第一订单的下车点对应的POI区域;确定连环单对中的第二订单的推荐上车点名称对应的定位信息;判断推荐上车点名称对应的定位信息是否与POI区域相关,若相关,则确定第二订单的推荐上车点名称准确,否则,确定第二订单的推荐上车点名称不准确。本申请通过同一服务请求者或者两个同类服务请求者发送的连环单对,确定推荐上车点名称是否准确,并进行推荐上车点名称的推荐分值更改或者名称修正,从而提高了后续推送推荐上车点的准确率。
Description
技术领域
本申请涉及出行技术领域,特别涉及一种推荐上车点名称准确性检测方法和系统。
背景技术
随着互联网技术的发展,公众越来越愿意选择网约车出行。用户在使用网约车平台打车时,网约车平台可以根据用户的当前位置定位、历史打车习惯或者根据用户输入的检索词等,向用户推荐上车点。推荐上车点的名称有可能根据用户的当前位置定位自动生成的,或者是根据用户的输入,平台自动推荐的,推荐上车点的名称有可能是不准确的,比如,推荐的上车点名称是用户所在小区附近其他小区的名称,可能导致司机接驾地址有较大偏差,给司乘带来不好的用户体验。
因此,有必要提供一种推荐上车点名称准确性检测方法和系统。
发明内容
本申请实施例之一提供一种推荐上车点名称准确性检测方法。所述方法包括:获取多个历史运输订单;从所述多个历史运输订单中确定一个或多个连环单对,所述连环单对包括时间上存在先后关系的第一订单与第二订单,且第一订单的下车点与第二订单的上车点间距小于第一阈值;确定所述连环单对中的所述第一订单的下车点对应的POI区域;确定所述连环单对中的所述第二订单的推荐上车点名称对应的定位信息,所述推荐上车点名称由运输服务平台从推荐上车点名称数据库中选择并推荐;判断所述推荐上车点名称对应的定位信息是否与所述POI区域相关,若相关,则确定所述第二订单的推荐上车点名称准确,否则,确定所述第二订单的推荐上车点名称不准确。
本申请实施例之一提供一种推荐上车点名称准确性检测系统。所述系统包括:获取模块,用于获取多个历史运输订单;第一确定模块,用于从所述多个历史运输订单中确定一个或多个连环单对,所述连环单对包括时间上存在先后关系的第一订单与第二订单,且第一订单的下车点与第二订单的上车点间距小于第一阈值;处理模块,用于:确定所述连环单对中的所述第一订单的下车点对应的POI区域;确定所述连环单对中的所述第二订单的推荐上车点名称对应的定位信息,所述推荐上车点名称由运输服务平台从推荐上车点名称数据库中选择并推荐;判断所述推荐上车点名称对应的定位信息是否与所述POI区域相关,若相关,则确定所述第二订单的推荐上车点名称准确,否则,确定所述第二订单的推荐上车点名称不准确。
本申请实施例之一提供一种推荐上车点名称准确性检测装置。所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现本申请实施例中任一项所述的方法。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行本申请实施例中任一项所述的方法。
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是根据本申请的一些实施例所示的推荐上车点名称准确性检测系统的应用场景示意图;
图2是根据本申请的一些实施例所示的推荐上车点名称准确性检测系统的模块图;
图3是根据本申请的一些实施例所示的推荐上车点名称准确性检测方法的示例性流程图;
图4是根据本申请的一些实施例所示的确定POI区域名称的方法的示例性流程图;
图5是根据本申请的一些实施例所示的推荐上车点名称的推荐分值更改方法的示例性流程图;以及
图6是根据本申请的一些实施例所示的推荐上车点名称的名称修正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运输系统,例如,出租车、专车、顺风车、巴士、代驾等。本申请描述的“乘客”、“乘客端”、“乘客终端”、“顾客”、“需求者”、“服务需求者”、“服务请求者”、“消费者”、“消费方”、“使用需求者”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”、“司机终端”、“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。
图1是根据本申请一些实施例所示的推荐上车点名称准确性检测系统的应用场景示意图。
在运输服务行业中,服务平台常常会根据一些策略(如基于定位、用户习惯或用户检索词等)向用户推荐运输相关地点名称,如上车点名称,然而在一些具体场景中,服务平台的推荐策略或推荐数据库完善不足,可能导致推荐的地点名称不准确,为此,有必要提供一种推荐上车点名称准确性检测方法及系统,作为前述不足之弥补。
推荐上车点名称准确性检测系统100可以获取多个历史运输订单,并从多个历史运输订单中确定一个或多个连环单对,然后判断连环单对中第一订单的下车点对应的POI区域与第二订单的推荐上车点名称对应的定位信息是否相关,从而确定第二订单的推荐上车点名称是否准确。例如,当推荐上车点名称对应的定位信息位于POI区域,或者推荐上车点名称对应的定位信息距离POI区域小于第五阈值,确定两者相关,确定第二订单的推荐上车点名称准确;否则两者不相关,确定第二订单的推荐上车点名称不准确。推荐上车点名称准确性检测系统100还可以基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改或名称修正。推荐上车点名称准确性检测系统100可以是用于互联网或者其它网络的服务平台。例如,推荐上车点名称准确性检测系统100可以用于为交通运输提供服务的线上服务平台。在一些实施例中,推荐上车点名称准确性检测系统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,推荐上车点名称准确性检测系统100还可以应用于代驾、快递、外卖等。在另一些实施例中,推荐上车点名称准确性检测系统100还可以应用于出行(如旅游)服务领域。推荐上车点名称准确性检测系统100可以包括服务器110、网络120、服务请求者终端130、服务提供者终端140和存储设备150。
在一些实施例中,服务器110可以用于处理与服务请求有关的信息和/或数据,例如,用于处理在线打车的服务请求。具体的,服务器可以从服务请求者终端130接收服务请求,并处理该服务请求以向服务请求者终端130推荐上车点名称。又例如,服务器可以向服务提供者终端140分配服务请求。在一些实施例中,服务器110可以是单个的服务器或者服务器群组。所述服务器群可以是集中式的或分布式的(例如,服务器110可以是分布式的系统)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络120访问存储在服务请求者终端130、存储设备150中的信息和/或数据。再例如,服务器110可以直接连接到服务请求者终端130、存储设备150以访问存储的信息和/或数据。在一些实施例中,服务器110可以在一个云平台上实现。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、云之间、多重云等或上述举例的任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,推荐上车点名称准确性检测系统100中的一个或以上组件(例如,服务器110、服务请求者终端130、服务提供者终端140和存储设备150)可以通过网络120向/从推荐上车点名称准确性检测系统100中的其他组件发送/接收信息和/或数据。例如,服务器110可以通过网络120从服务请求者终端130或服务提供者终端140接收/分配服务请求。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(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等或其任意组合。在一些实施例中,推荐上车点名称准确性检测系统100可以包括一个或以上网络接入点。例如,推荐上车点名称准确性检测系统100可以包括有线或无线网络接入点,例如基站和/或无线接入点120-1、120-2、…,推荐上车点名称准确性检测系统100的一个或以上组件可以通过其连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求者终端130和/或服务提供者终端140可以是与请求直接相关的个人、工具或其他实体。服务请求者可以使用服务请求者终端130发送运输订单请求,该运输订单请求中可以包括发单时间、发单位置、起始地、目的地等数据。服务器110接收到该运输订单请求后,为该运输订单请求匹配服务提供者,然后向该服务提供者终端140发送该运输订单。服务提供者终端140接收该运输订单后去接送服务请求者,在服务提供者终端140接送服务请求者的过程中,可以产生服务请求者的上车点和下车点等相关数据。
在一些实施例中,服务请求者终端130可以包括移动设备130-1、平板电脑130-2、笔记本电脑130-3、以及机动车辆中的车载设备130-4等或其任意组合。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,可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、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/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强型虚拟现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括Google Glass、Oculus Rift、HoloLens或Gear VR等。在一些实施例中,机动车辆中的车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中,服务请求者终端130可以是具有定位技术的设备,用于定位服务请求者和/或服务请求者终端130的位置。
在一些实施例中,服务提供者终端140可以与服务请求者终端130类似或相同的设备。在一些实施例中,服务请求者终端130/服务提供者终端140可以是具有定位功能的装置。在一些实施例中,服务请求者终端130和/或服务提供者终端140可以与另一定位设备通信以确定服务请求者、服务请求者终端130、服务提供者和/或服务提供者终端140的位置。在一些实施例中,服务提供者终端140可以包括移动设备140-1、平板电脑140-2、笔记本电脑140-3、以及机动车辆中的车载设备140-4等或其任意组合。在一些实施例中,服务请求者终端130和/或服务提供者终端140可以将定位信息发送到服务器110。
存储设备150可以存储与服务请求相关的数据和/或指令。在一些实施例中,存储设备150可以存储从服务请求者终端130和/或服务提供者终端140获得/获取的数据。在一些实施例中,存储设备150可以存储历史运输订单、推荐上车点名称数据库或者准确性评估模型的训练数据及模型参数。在一些实施例中,存储设备150可以存储服务器110用于执行或使用来完成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,存储设备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、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、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。示例性的挥发性只读存储器可以包括随机存取内存(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电子可擦除可编程ROM(EPEROM)、光盘ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中,所述存储设备150可以在云平台上实现。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以与推荐上车点名称准确性检测系统100中的一个或以上组件(例如,服务器110、服务请求者终端130、服务提供者终端140)通信。推荐上车点名称准确性检测系统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可以与推荐上车点名称准确性检测系统100中的一个或以上组件(例如,服务器110、服务请求者终端130、服务提供者终端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。
图2是根据本申请一些实施例所示的推荐上车点名称准确性检测系统的模块图。该系统200可以获取多个历史运输订单,从多个历史运输订单中确定一个或多个连环单对,然后可以确定连环单对中的第一订单的下车点对应的POI区域和连环单对中的第二订单的推荐上车点名称对应的定位信息,从而可以判断推荐上车点名称对应的定位信息是否与POI区域相关,若相关,则确定所述第二订单的推荐上车点名称准确;否则,确定第二订单的推荐上车点名称不准确。如图2所示,系统200可以包括获取模块210、第一确定模块220、第二确定模块230以及处理模块240。
获取模块210可以用于获取多个历史运输订单。关于获取多个历史运输订单的更多内容可以参见步骤310的描述,在此不作赘述。
第一确定模块220可以用于从多个历史运输订单中确定一个或多个连环单对,连环单对可以包括时间上存在先后关系的第一订单与第二订单,且第一订单的下车点与第二订单的上车点间距小于第一阈值。连环单中的第一订单与第二订单来自同一服务请求者或者来自两个同类服务请求者。关于确定一个或多个连环单对的更多内容可以参见步骤320的描述,在此不作赘述。
第二确定模块230可以用于确定POI区域的名称。具体的,可以从多个历史运输订单中获取多个历史运输订单的发单位置和/或上车点,对各个发单位置和/或上车点的定位信息进行聚类,获得一个或多个定位簇,然后可以将满足预设条件的定位簇确定为POI区域,从而可以基于POI区域中的历史运输订单中的一个或多个服务请求者的与起始地相关的检索词确定POI区域的名称。关于确定POI区域的名称的更多内容可以参见图4的描述,在此不作赘述。
处理模块240可以用于:确定连环单对中的第一订单的下车点对应的POI区域,确定连环单对中的第二订单的推荐上车点名称对应的定位信息,推荐上车点名称由运输服务平台从推荐上车点名称数据库中选择并推荐,以及判断所述推荐上车点名称对应的定位信息是否与所述POI区域相关,若相关,则确定第二订单的推荐上车点名称准确,否则,确定第二订单的推荐上车点名称不准确。关于第一订单的下车点对应的POI区域、第二订单的推荐上车点名称对应的定位信息和判断两者是否相关的更多内容可以参见步骤330~步骤350的描述,在此不作赘述。
在一些实施例中,处理模块240还可以用于基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改或名称修正。关于将推荐上车点名称的推荐分值更改的更多内容可以参见图5的描述,在此不作赘述。关于将推荐上车点名称的名称修正的更多内容可以参见图6的描述,在此不作赘述。
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,以上对于推荐上车点名称准确性检测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,在一些实施例中,例如,图2中披露的获取模块210、第一确定模块220、第二确定模块230以及处理模块240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,第一确定模块220和第二确定模块230可以是两个模块,也可以是一个模块同时具有确定一个或多个连环单对和确定POI区域、POI区域的名称的功能。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推荐上车点名称准确性检测方法的示例性流程图。如图3所示,该推荐上车点名称准确性检测方法可以包括:
步骤310,获取多个历史运输订单。具体的,步骤310可以由获取模块210执行。
在一些实施例中,运输订单可以包括快车订单、拼车订单、顺风车订单。在一些实施例中,历史运输订单可以包括当前时刻之前(如,6个月、3个月、1个月、1周)的运输订单。在一些实施例中,获取多个历史运输订单还可以包括对历史运输订单中发单位置与服务请求者的起始地距离大于预设阈值的订单进行删除。关于历史运输订单中发单位置的内容可以参见步骤410的描述,在此不作赘述。预设阈值可以是服务器110的默认值,例如,1公里、2公里或3公里,也可以根据不同情况进行调整。
在一些实施例中,服务器可以获取多个历史运输订单。本申请的服务器可以指的是图1中的服务器110。
步骤320,从多个历史运输订单中确定一个或多个连环单对。具体的,步骤320可以由第一确定模块220执行。
连环单对可以包括时间上存在先后关系的第一订单与第二订单,且第一订单的下车点与第二订单的上车点间距小于第一阈值。第一订单和第二订单可以为历史运输订单。第一订单的完成时刻可以早于第二订单的开始时刻。在一些实施例中,第一订单的下车点可以为乘客的实际下车点,即乘客下车后司机会在其服务提供者终端上点击第一订单完成并结算,此时车辆的定位位置可以被确定为第一订单的下车点。第二订单的上车点可以为乘客的实际上车点,即乘客上车后司机会在服务提供者终端上点击已接到乘客并出发,此时车辆的定位位置可以被确定为第二订单的上车点。在一些实施例中,第一阈值可以是服务器110的默认值,例如,20米、30米或40米,也可以根据不同情况进行调整。
在一些实施例中,连环单中的第一订单与第二订单可以是来自同一服务请求者,也可以是来自两个同类服务请求者。两个同类服务请求者可以是在历史运输订单中至少具有一个相同或间距小于第二阈值的上车点的服务请求者,或者也可以是在历史运输订单中至少具有一个相同或间距小于第三阈值的下车点的服务请求者。在一些实施例中,第二阈值可以是服务器110的默认值,例如,10米、15米或20米,也可以根据不同情况进行调整。在一些实施例中,第三阈值可以是服务器110的默认值,例如,10米、15米或20米,也可以根据不同情况进行调整。
仅作为示例,历史运输订单O1为用户A在2020年2月1日下午19:00打车,下车点为(x1,y1),历史运输订单O2为用户A在2020年2月2日上午9:00打车,上车点为(x2,y2)。经过计算,可以确定(x1,y1)与(x2,y2)距离小于第一阈值30米,则可以将订单O1与订单O2确定为连环单对。又例如,历史运输订单O3为用户A在2020年2月10日上午10:00打车,下车点为D写字楼一号门,历史运输订单O4为用户B在2020年2月10日上午12:00打车,上车点为D写字楼一号门。而在平台记录的历史运输订单中,用户A与用户B具有若干目的地均为写字楼D的订单,则可确定用户A、B为同类用户,进而将订单O3与订单O4确定为连环单对。
在一些实施例中,服务器可以从多个历史运输订单中确定一个或多个连环单对。
步骤330,确定连环单对中的第一订单的下车点对应的POI区域。具体的,步骤330可以由处理模块240执行。
在一些实施例中,POI区域可以为多个定位点围成的封闭区域,该POI区域有对应的经纬度范围。POI区域有与之对应的POI区域的名称。POI区域可以为通过对多个历史运输订单的上车点的定位信息进行聚类后确定,POI区域的名称可以为通过POI区域中的历史运输订单中的服务请求者的检索词进行确定,关于确定POI区域和POI区域的名称的更多内容可以参见图4的详细描述,在此不作赘述。
在一些实施例中,服务器可以获取第一订单的目的地名称。第一订单的目的地名称可以是服务请求者在发送打车请求时输入或选定的目的地名称,可以理解,服务请求者为了被准确送达目的地,其输入或选定的目的地名称与真实的下车点相同或间隔不远。进一步的,服务器可以将目的地名称与多个POI区域的名称进行匹配,将名称相似度最高的POI区域的确定为第一订单的下车点对应的POI区域。具体的,可以通过文本匹配算法将目的地名称与POI区域的名称进行匹配。在一些实施例中,文本匹配算法可以包括Horspool算法、Sunday算法、Rabin-Karp算法(RK算法)、Brute Force算法(BF算法)、Knuth-Morris-Pratt算法(KMP算法)、Boyer-Moore算法。
在一些实施例中,服务器可以获取第一订单的下车点定位信息。第一订单的下车点定位信息可以包括下车点的经纬度。进一步的,服务器可以基于下车点定位信息确定其对应的POI区域,或者与其距离小于第四阈值的POI区域。具体的,服务器可以根据下车点的经纬度在某一POI区域的经纬度范围内,或者根据下车点的经纬度与某一POI区域的边界或中心的距离小于第四阈值,确定该POI区域即为第一订单的下车点对应的POI区域。可选地,若与某一POI区域的边界或中心的距离小于第四阈值的POI区域有多个,则选择与下车点距离最近的POI区域为第一订单的下车点对应的POI区域。第四阈值可以是服务器110的默认值,例如,5米、8米或10米,也可以根据不同情况进行调整。
步骤340,确定连环单对中的第二订单的推荐上车点名称对应的定位信息。具体的,步骤340可以由处理模块240执行。
第二订单的推荐上车点名称可以由运输服务平台(如,推荐上车点名称准确性检测系统100中的服务器110)从推荐上车点名称数据库中选择并推荐。具体的,运输服务平台可以基于服务请求者发送第二订单时的定位位置,或服务请求者发送第二订单时输入的检索词进行自动推荐。在一些实施例中,推荐上车点名称可以是运输服务平台推荐后服务请求者接受(即服务请求者将其作为订单的起始地)的,或者运输服务平台推送过但服务请求者未选用的。例如,历史服务订单可以对运输服务平台向服务请求者推送的推荐上车点名称进行记录,在一些实施例中,历史服务订单还可以记录有服务请求者对推荐上车点名称的处置结果,包括但不限于接受或者忽略。
在一些实施例中,推荐上车点名称有与之对应的定位信息,第二订单的推荐上车点名称对应的定位信息可以包括推荐上车点名称对应的经纬度。推荐上车点名称对应的定位信息也可以称为推荐上车点。在一些实施例中,服务器可以确定第二订单的推荐上车点名称对应的定位信息。具体的,可以获取第二订单的推荐上车点名称。推荐上车点名称可以是对应地理位置的名称。然后可以基于推荐上车点名称,确定地图数据中其对应的坐标数据。地图数据中其对应的坐标数据可以为地图数据中的经纬度。从而可以将坐标数据确定为推荐上车点名称对应的定位信息,即推荐上车点名称对应的定位信息为地图数据中的经纬度。在一些实施例中,地图数据可以是数字地图,即利用计算机技术,以数字方式存储和查阅的地图,包括但不限于谷歌地图,高德地图等。
步骤350,判断推荐上车点名称对应的定位信息是否与所述POI区域相关。具体的,步骤350可以由处理模块240执行。
在一些实施例中,服务器可以判断推荐上车点名称对应的定位信息是否与该POI区域相关。具体的,若推荐上车点名称对应的定位信息位于该POI区域,即推荐上车点名称对应的经纬度在该POI区域的经纬度范围内,可以确定推荐上车点名称对应的定位信息与该POI区域相关。或者,若推荐上车点名称对应的定位信息距离该POI区域小于第五阈值,即推荐上车点名称对应的经纬度与该POI区域的边界或中心的距离小于第五阈值,可以确定推荐上车点名称对应的定位信息与POI区域相关。第四阈值可以是服务器110的默认值,例如,10米、12米或15米,也可以根据不同情况进行调整。若推荐上车点名称对应的定位信息不位于该POI区域,或者推荐上车点名称对应的定位信息距离该POI区域不小于第五阈值,可以确定推荐上车点名称对应的定位信息与该POI区域不相关。
在一些实施例中,确定推荐上车点名称对应的定位信息与POI区域相关后,服务器可以执行步骤360:确定第二订单的推荐上车点名称准确。在一些实施例中,确定推荐上车点名称对应的定位信息与POI区域不相关,服务器可以执行步骤370:确定第二订单的推荐上车点名称不准确。
在一些实施例中,服务器还可以基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改或名称修正。将推荐上车点名称进行推荐分值更改可以是基于一定规则或基于模型进行更改。关于将推荐上车点名称进行推荐分值更改的更多内容可以参见图5的详细描述,在此不作赘述。关于将推荐上车点名称进行名称修正的更多内容可以参见图6的详细描述,在此不作赘述。将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改或名称修正后,可以提高服务器后续为服务请求者推送推荐上车点的准确性和准确度。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程300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。例如,流程300还可以包括步骤380:基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改或名称修正。又例如,第一阈值、第二阈值、第三阈值、第四阈值和第五阈值不限于流程300中列举的数值,还可以为其他值。
图4是根据本申请一些实施例所示的确定POI区域名称的方法的示例性流程图。在一些实施例中,流程400可以由第二确定模块230执行。如图4所示,该确定POI区域名称的方法可以包括:
步骤410,从多个历史运输订单中获取多个历史运输订单的发单位置和/或上车点。
在一些实施例中,多个历史运输订单可以与步骤310中的多个历史运输订单相同,也可以与步骤310中的多个历史运输订单不同。在一些实施例中,历史运输订单的发单位置可以为服务请求者发送历史运输订单时所在的定位位置(如,经纬度)。在一些实施例中,历史运输订单的上车点可以为乘客的实际上车点,即乘客上车后司机会在服务提供者终端上点击已接到乘客并出发,此时车辆的定位位置即为历史运输订单的上车点。在一些实施例中,服务器可以获取多个历史运输订单的发单位置和/或上车点。
步骤420,对各个发单位置和/或上车点的定位信息进行聚类,获得一个或多个定位簇。
在一些实施例中,各个发单位置和/或上车点的定位信息可以包括各个历史运输订单的发单位置和/或上车点的经纬度。聚类方法可以包括K-Means聚类算法、均值漂移聚类算法、具噪声基于密度的空间聚类算法、高斯混合模型的期望最大化聚类算法、凝聚层次聚类算法。定位簇可以为多个发单位置和/或上车点的经纬度的集合,这些发单位置和/或上车点的经纬度与同一个簇中其他发单位置和/或上车点的经纬度的距离较近,与其他簇中发单位置和/或上车点的经纬度的距离较远。在一些实施例中,服务器可以对各个历史运输订单的发单位置和/或上车点的定位信息进行聚类,获得一个或多个定位簇。
步骤430,将满足预设条件的定位簇确定为POI区域。
在一些实施例中,预设条件可以包括定位簇中发单位置和/或上车点的数量大于第六阈值。第六阈值可以是服务器110的默认值,例如,20、30或40,也可以根据不同情况进行调整。关于POI区域的描述可以参见步骤330,在此不作赘述。在一些实施例中,服务器可以将满足预设条件的定位簇确定为POI区域。
步骤440,基于POI区域中的历史运输订单中的一个或多个服务请求者的与起始地相关的检索词确定所述POI区域的名称。
在一些实施例中,服务请求者的与起始地相关的检索词可以为服务请求者在发送历史运输订单时为确定起始地而输入的搜索词。服务请求者输入的搜索词的方式可以为打字输入或语音输入。在一些实施例中,检索词可以包括小区名称、地址、商铺名称、建筑物名称或门牌号等。POI区域的名称可以为区别某一POI区域与其他POI区域的专属名词。在一些实施例中,第二确定模块230可以基于POI区域中的历史运输订单中的一个或多个服务请求者的与起始地相关的检索词确定POI区域的名称。例如,第二确定模块230检测出该POI区域中的多个历史运输订单的服务请求者在发单时输入的起始地检索词均包含“XX小区”,则可以将该POI区域的名称确定为“XX小区”。在一些实施例中,若一个或多个服务请求者的检索词有多种,服务器可以将检索次数最多的检索词确定为POI区域的名称。例如,第二确定模块230检测出该POI区域中的多个历史运输订单的服务请求者在发单时输入的起始地检索词中“XX小区”以及“XXX超市”的出现率较高,则可以将该POI区域的名称确定为多个,例如包括“XX小区”、“XXX超市”以及“XXX超市(XX小区店)”。
应当注意的是,上述有关流程400的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程400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。例如,预设条件还可以为定位簇中发单位置和/或上车点的经纬度的直径距离小于第七阈值(如,50米)。又例如,第六阈值还可以为其他值,如,10或50。
图5是根据本申请一些实施例所示的推荐上车点名称的推荐分值更改方法的示例性流程图。在一些实施例中,流程500可以由处理模块240执行。如图5所示,该推荐分值更改方法可以包括:
步骤510,获取不准确的推荐上车点的特征信息。
在一些实施例中,不准确的推荐上车点可以为不准确的推荐上车点名称对应的定位位置。在一些实施例中,不准确的推荐上车点的特征信息可以包括:该推荐上车点到第二订单上车点的距离、该推荐上车点的类型、推荐上车点热度、以及具有该推荐上车点的历史运输订单中到其他上车点上车订单数量的比例中一种或多种的组合。推荐上车点的类型可以包括商圈、学校、地铁站、步行街、小区等。推荐上车点热度可以为乘客在该推荐上车点上车的历史运输订单的数量,该数量越多,表示该推荐上车点热度越高。具有该推荐上车点的历史运输订单中到其他上车点上车订单数量的比例可以为服务器推送该推荐上车点后乘客到其他上车点上车的订单数量的比例。例如,服务器推送该推荐上车点的历史运输订单有5单,但其中有3单的乘客去其他上车点上车了,该比例为3/5。该比例越高,表示该推荐上车点越不准确。
在一些实施例中,服务器可以获取不准确的推荐上车点的特征信息。
步骤520,使用训练好的准确性评估模型处理特征信息,获得名称准确性分值。
在一些实施例中,名称准确性分值可以为推荐上车点的名称的准确性分值。通过名称准确性分值的大小,可以判断该推荐上车点名称是否值得被推荐。在一些实施例中,可以将特征信息输入到训练好的准确性评估模型,输出名称准确性分值。名称准确性分值可以包括5分(最优的推荐上车点名称)、4分(良好的推荐上车点名称)、3分(合格的推荐上车点名称)、2分(较差的推荐上车点名称)和1分(极差的推荐上车点名称)。
在一些实施例中,准确性评估模型训练方法可以包括获取训练样本,然后基于训练样本及标记结果训练初始模型得到准确性评估模型。
在一些实施例中,训练样本可以包括训练推荐上车点的特征信息和训练推荐上车点的名称准确性分值。训练样本可提取自历史运输订单,是与前述历史运输订单不同的历史运输订单。
在一些实施例中,训练推荐上车点的特征信息可以包括该训练推荐上车点到订单上车点的距离、该训练推荐上车点的类型、训练推荐上车点热度、以及具有该训练推荐上车点的历史运输订单中到其他上车点上车订单数量的比例中的一个或多个组合。在一些实施例中,可以对所获取的训练样本进行预处理,使其符合模型训练的要求。预处理方法可以包括格式转换、归一化、标识等。
在一些实施例中,处理模块240还可以对训练样本进行标记。具体的,可以将训练推荐上车点的名称准确性分值标记为参考评分。例如,在某一训练样本中,已知训练推荐上车点名称的评估分值为85分,则可以将该训练样本标记为85分。按照一定的映射规则将该训练样本标记为正样本或者1~5分名称准确性分值中的某一个,如将85分的推荐上车点名称的标签确定为5。在一些实施例中,训练推荐上车点名称的评估分值可以通过问卷调查的获取。例如,可以提前选取一定数量的训练推荐上车点名称,通过人工问卷调查的方式进行评分。又例如,对于某个训练推荐上车点名称的多个评分结果可以通过求均值(如,算数平均值或加权平均值)的结果作为其评估分值。在一些实施例中,训练样本的标记过程可以通过人工或计算机程序进行。
在一些实施例中,还可以将训练样本进行划分,划分为训练集和验证集。具体的,可以对训练样本按一定的比例进行划分。例如,划分比例可以是训练集80%、验证集20%。
在一些实施例中,初始模型可以包括决策模型。在一些实施例中,决策模型可以包括提升树(Boosting tree)、自适应提升树(Adaptive Boosting Tree,AdaBoost)、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、极端梯度提升树(ExtremeGradient Boosting,XGBoost)等。在一些实施例中,初始模型可以根据训练情况调整内部参数。
在一些实施例中,还可以基于模型的预测结果以及样本真实值构造损失函数,并基于损失函数的梯度值反向对模型中的参数进行调整,使模型优化。在一些实施例中,在训练过程中,可以将验证集中的样本数据输入到训练后的模型中进行计算,获得输出值(即验证结果),并根据验证结果(例如,模型处于欠拟合和/或过拟合状态)对模型参数进行调整以使模型优化。所述验证集中的数据与所述初始模型的训练数据独立同分布,且没有交集。对比样本数据的验证结果与相应样本数据的标识,判断训练结果是否达到要求。如果训练结果未达到要求,则重新准备样本数据或者重新划分训练集、验证集,进行继续训练。如果训练结果达到要求,则可以停止模型训练,并将最终的模型作为所需要的准确性评估模型输出。
在一些实施例中,服务器可以使用训练好的准确性评估模型处理特征信息,获得名称准确性分值。
步骤530,利用准确性分值更新推荐上车点名称数据库中的相应的推荐上车点名称的推荐分值。
推荐上车点名称准确性检测系统100可以预先为推荐上车点名称赋予相应的推荐分值,并将其对应存储在推荐上车点名称数据库(如,存储设备150)中。在一些实施例中,服务器可以使用模型计算得到的准确性分值直接替换相应的推荐上车点名称的推荐分值,并将替换后的推荐上车点名称的推荐分值和推荐上车点的名称对应存储在推荐上车点数据库中,从而实现利用准确性分值更新推荐上车点名称数据库中的相应的推荐上车点名称的推荐分值。在一些实施例中,服务平台会基于候选上车点的推荐分值确定一个或多个较优的目标上车点,当数据库中的推荐分值更新(如,将名称不准确的推荐上车点名称的推荐分值降低)后,被检测认为不准确的推荐上车点名称被推荐给用户的概率降低,从而提高了推荐准确性。
应当注意的是,上述有关流程500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流程500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。例如,名称准确性分值不限于步骤520中列举的分值,还可以为其他值,比如,100、90、80、…、30、20、10。
图6是根据本申请一些实施例所示的推荐上车点名称的名称修正方法的示例性流程图。在一些实施例中,流程600可以由处理模块240执行。如图6所示,该名称修正方法可以包括:
步骤610,获取第二订单的发单定位。
在一些实施例中,第二订单的发单定位可以为服务请求者发送第二订单时对应的定位位置(如,经纬度)。在一些实施例中,服务器可以通过网络120获取第二订单的服务请求者终端在发单时刻的定位信息,将其作为第二订单的发单定位。
步骤620,基于发单定位确定其对应的POI区域。
关于POI区域的描述可以参见步骤330,在此不作赘述。在一些实施例中,服务器可以基于发单定位确定其对应的POI区域。具体的,可以根据服务请求者发送第二订单时对应的经纬度在某一POI区域的经纬度范围内,确定该POI区域即为第二订单的发单定位对应的POI区域。
步骤630,修正推荐上车点的名称。
在推荐上车点名称数据库中可以存储大量的推荐上车点名称,每个推荐上车点具有名称,以区别某一推荐上车点与其他推荐上车点。在一些实施例中,服务器可以修正推荐上车点的名称。具体的,服务器可以利用发单位置对应POI区域的POI名称替换推荐上车点名称数据库中的相应的推荐上车点的名称。或者,服务器还可以利用第一订单的下车点对应的POI区域的名称替换推荐上车点名称数据库中的相应的推荐上车点的名称。或者,服务器还可以利用第二订单的上车点对应的POI区域的名称替换推荐上车点名称数据库中的相应的推荐上车点的名称。在一些实施例中,第二订单的上车点对应的POI区域的确定方法与第一订单的下车点对应的POI区域的确定方法类似,具体可以参见步骤330,在此不作赘述。
应当注意的是,上述有关流程600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流程600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。例如,步骤620中基于发单定位确定其对应的POI区域还可以为与发单定位距离小于第八阈值(如,10米)的POI区域。
本申请实施例可能带来的有益效果包括但不限于:通过同一服务请求者或者两个同类服务请求者发送的连环单对,确定推荐上车点名称是否准确,并进行相应推荐上车点名称的推荐分值更改或者名称修正,从而提高了服务器后续推送推荐上车点的准确率。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、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本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,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,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 (20)
1.一种推荐上车点名称准确性检测方法,其特征在于,所述方法包括:
获取多个历史运输订单;
从所述多个历史运输订单中确定一个或多个连环单对,所述连环单对包括时间上存在先后关系的第一订单与第二订单,且第一订单的下车点与第二订单的上车点间距小于第一阈值;
确定所述连环单对中的所述第一订单的下车点对应的POI区域;
确定所述连环单对中的所述第二订单的推荐上车点名称对应的定位信息,所述推荐上车点名称由运输服务平台从推荐上车点名称数据库中选择并推荐;
判断所述推荐上车点名称对应的定位信息是否与所述POI区域相关,若相关,则确定所述第二订单的推荐上车点名称准确,否则,确定所述第二订单的推荐上车点名称不准确。
2.如权利要求1所述的方法,其特征在于,还包括:
从多个历史运输订单中获取多个历史运输订单的发单位置和/或上车点;
对各个发单位置和/或上车点的定位信息进行聚类,获得一个或多个定位簇;
将满足预设条件的定位簇确定为POI区域;
基于POI区域中的历史运输订单中的一个或多个服务请求者的与起始地相关的检索词确定所述POI区域的名称。
3.如权利要求1所述的方法,其特征在于,所述连环单中的第一订单与第二订单来自同一服务请求者或者来自两个同类服务请求者;其中两个同类服务请求者在历史运输订单中至少具有一个相同或间距小于第二阈值的上车点或者至少具有一个相同或间距小于第三阈值的下车点。
4.如权利要求1所述的方法,其特征在于,所述确定所述连环单对中的所述第一订单的下车点对应的POI区域,包括:
获取第一订单的目的地名称;
基于所述目的地名称确定名称与之匹配的POI区域;
或者,
获取第一订单的下车点定位信息;
基于所述下车点定位信息确定其对应的POI区域,或者与其距离小于第四阈值的POI区域。
5.如权利要求1所述的方法,其特征在于,所述确定所述连环单对中的所述第二订单的推荐上车点名称对应的定位信息,包括:
获取第二订单的推荐上车点名称;
基于所述推荐上车点名称,确定地图数据中其对应的坐标数据;
将所述坐标数据确定为所述推荐上车点名称对应的定位信息。
6.如权利要求1所述的方法,其特征在于,所述判断所述推荐上车点名称对应的定位信息是否与所述POI区域相关,包括:
当推荐上车点名称对应的定位信息位于所述POI区域,或者推荐上车点名称对应的定位信息距离所述POI区域小于第五阈值,确定两者相关,否则两者不相关。
7.如权利要求1所述的方法,其特征在于,还包括:
基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改或名称修正。
8.如权利要求7所述的方法,其特征在于,所述基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改,包括:
获取所述不准确的推荐上车点的特征信息;所述特征信息包括以下中的一种或多种的组合:该推荐上车点到第二订单上车点的距离、该推荐上车点的类型、推荐上车点热度、以及具有该推荐上车点的历史运输订单中到其他上车点上车订单数量的比例;
使用训练好的准确性评估模型处理所述特征信息,获得名称准确性分值;
利用所述准确性分值更新推荐上车点名称数据库中的相应的推荐上车点名称的推荐分值。
9.如权利要求7所述的方法,其特征在于,所述基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行名称修正,包括:
获取第二订单的发单定位;
基于所述发单定位确定其对应的POI区域;
利用所述POI区域的POI名称替换推荐上车点名称数据库中的相应的推荐上车点的名称;
或者,
利用第一订单的下车点对应的POI区域的名称替换推荐上车点名称数据库中的相应的推荐上车点的名称。
10.一种推荐上车点名称准确性检测系统,其特征在于,所述系统包括:
获取模块,用于获取多个历史运输订单;
第一确定模块,用于从所述多个历史运输订单中确定一个或多个连环单对,所述连环单对包括时间上存在先后关系的第一订单与第二订单,且第一订单的下车点与第二订单的上车点间距小于第一阈值;
处理模块,用于:
确定所述连环单对中的所述第一订单的下车点对应的POI区域;
确定所述连环单对中的所述第二订单的推荐上车点名称对应的定位信息,所述推荐上车点名称由运输服务平台从推荐上车点名称数据库中选择并推荐;
判断所述推荐上车点名称对应的定位信息是否与所述POI区域相关,若相关,则确定所述第二订单的推荐上车点名称准确,否则,确定所述第二订单的推荐上车点名称不准确。
11.如权利要求10所述的系统,其特征在于,还包括第二确定模块,用于:
从多个历史运输订单中获取多个历史运输订单的发单位置和/或上车点;
对各个发单位置和/或上车点的定位信息进行聚类,获得一个或多个定位簇;
将满足预设条件的定位簇确定为POI区域;
基于POI区域中的历史运输订单中的一个或多个服务请求者的与起始地相关的检索词确定所述POI区域的名称。
12.如权利要求10所述的系统,其特征在于,所述连环单中的第一订单与第二订单来自同一服务请求者或者来自两个同类服务请求者;其中两个同类服务请求者在历史运输订单中至少具有一个相同或间距小于第二阈值的上车点或者至少具有一个相同或间距小于第三阈值的下车点。
13.如权利要求10所述的系统,其特征在于,为确定所述连环单对中的所述第一订单的下车点对应的POI区域,所述处理模块还用于:
获取第一订单的目的地名称;
基于所述目的地名称确定名称与之匹配的POI区域;
或者,
获取第一订单的下车点定位信息;
基于所述下车点定位信息确定其对应的POI区域,或者与其距离小于第四阈值的POI区域。
14.如权利要求10所述的系统,其特征在于,为确定所述连环单对中的所述第二订单的推荐上车点名称对应的定位信息,所述处理模块还用于:
获取第二订单的推荐上车点名称;
基于所述推荐上车点名称,确定地图数据中其对应的坐标数据;
将所述坐标数据确定为所述推荐上车点名称对应的定位信息。
15.如权利要求10所述的系统,其特征在于,为判断所述推荐上车点名称对应的定位信息是否与所述POI区域相关,所述处理模块还用于:
当推荐上车点名称对应的定位信息位于所述POI区域,或者推荐上车点名称对应的定位信息距离所述POI区域小于第五阈值,确定两者相关,否则两者不相关。
16.如权利要求10所述的系统,其特征在于,所述处理模块还用于:
基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改或名称修正。
17.如权利要求16所述的系统,其特征在于,为基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行推荐分值更改,所述处理模块还用于:
获取所述不准确的推荐上车点的特征信息;所述特征信息包括以下中的一种或多种的组合:该推荐上车点到第二订单上车点的距离、该推荐上车点的类型、推荐上车点热度、以及具有该推荐上车点的历史运输订单中到其他上车点上车订单数量的比例;
使用训练好的准确性评估模型处理所述特征信息,获得名称准确性分值;
利用所述准确性分值更新推荐上车点名称数据库中的相应的推荐上车点名称的推荐分值。
18.如权利要求16所述的系统,其特征在于,为基于不准确的推荐上车点名称,将推荐上车点名称数据库中的相应的推荐上车点名称进行名称修正,所述处理模块还用于:
获取第二订单的发单定位;
基于所述发单定位确定其对应的POI区域;
利用所述POI区域的POI名称替换推荐上车点名称数据库中的相应的推荐上车点的名称;
或者,
利用第一订单的下车点对应的POI区域的名称替换推荐上车点名称数据库中的相应的推荐上车点的名称。
19.一种推荐上车点名称准确性检测装置,其特征在于,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现如权利要求1~9中任一项所述的方法。
20.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行如权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257916.0A CN111881369B (zh) | 2020-04-03 | 2020-04-03 | 一种推荐上车点名称准确性检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257916.0A CN111881369B (zh) | 2020-04-03 | 2020-04-03 | 一种推荐上车点名称准确性检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881369A true CN111881369A (zh) | 2020-11-03 |
CN111881369B CN111881369B (zh) | 2024-06-21 |
Family
ID=73153978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010257916.0A Active CN111881369B (zh) | 2020-04-03 | 2020-04-03 | 一种推荐上车点名称准确性检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881369B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711698A (zh) * | 2021-03-29 | 2021-04-27 | 广州宸祺出行科技有限公司 | 一种基于标签库的下车点信息推送方法、装置及电子设备 |
CN112948482A (zh) * | 2021-04-28 | 2021-06-11 | 云景文旅科技有限公司 | 一种旅游在线服平台机器学习的数据预处理方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150219464A1 (en) * | 2014-02-04 | 2015-08-06 | Here Global B.V. | Method and apparatus for providing passenger embarkation points for points of interests |
US20170191845A1 (en) * | 2015-12-31 | 2017-07-06 | Juno Lab, Inc. | System for generating travel route to be serviced by primary transportation service and secondary transportation service |
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 |
CN110402370A (zh) * | 2017-07-19 | 2019-11-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定服务请求的推荐信息的系统和方法 |
CN110909096A (zh) * | 2019-10-31 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 推荐上车点确定方法及装置、存储介质、电子设备 |
-
2020
- 2020-04-03 CN CN202010257916.0A patent/CN111881369B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150219464A1 (en) * | 2014-02-04 | 2015-08-06 | Here Global B.V. | Method and apparatus for providing passenger embarkation points for points of interests |
US20170191845A1 (en) * | 2015-12-31 | 2017-07-06 | Juno Lab, Inc. | System for generating travel route to be serviced by primary transportation service and secondary transportation service |
CN110402370A (zh) * | 2017-07-19 | 2019-11-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定服务请求的推荐信息的系统和方法 |
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 |
CN110909096A (zh) * | 2019-10-31 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 推荐上车点确定方法及装置、存储介质、电子设备 |
Non-Patent Citations (2)
Title |
---|
康军;张凡;段宗涛;黄山;: "基于LightGBM的乘客候车路段推荐方法", 测控技术, no. 02 * |
高瞻;余辰;向郑涛;陈宇峰;: "基于网格化的出租车空载寻客路径推荐", 计算机应用与软件, no. 05 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711698A (zh) * | 2021-03-29 | 2021-04-27 | 广州宸祺出行科技有限公司 | 一种基于标签库的下车点信息推送方法、装置及电子设备 |
CN112948482A (zh) * | 2021-04-28 | 2021-06-11 | 云景文旅科技有限公司 | 一种旅游在线服平台机器学习的数据预处理方法和系统 |
CN112948482B (zh) * | 2021-04-28 | 2023-04-18 | 云景文旅科技有限公司 | 一种旅游在线服平台机器学习的数据预处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111881369B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017088828A1 (en) | Systems and methods for allocating sharable orders | |
CN108713326B (zh) | 分配按需服务请求的系统及方法 | |
CN112236787B (zh) | 用于生成个性化目的地推荐的系统和方法 | |
CN111861647A (zh) | 一种推荐上车点的方法和系统 | |
US10785595B2 (en) | Systems and methods for updating sequence of services | |
CN109313036B (zh) | 路线规划的系统及方法 | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
CN111859178B (zh) | 一种推荐上车点的方法和系统 | |
CN111881225A (zh) | 一种修正上车点名称的方法和系统 | |
CN111881368B (zh) | 一种确定推荐上车点的方法和系统 | |
CN111932341A (zh) | 一种确定拼车订单的方法和系统 | |
US11468536B2 (en) | Systems and methods for recommending a personalized pick-up location | |
CN111859173A (zh) | 一种上车点推荐方法和系统 | |
CN111861618A (zh) | 一种上车点推荐方法和系统 | |
US20200211122A1 (en) | Artificial intelligent systems and methods for recommending at least one insurance company | |
US20200167812A1 (en) | Systems and methods for determining a fee of a service request | |
WO2021052451A1 (zh) | 一种确定预估到达时间的方法和系统 | |
CN111861622A (zh) | 一种确定上车点推荐模型的方法和系统 | |
CN111881369B (zh) | 一种推荐上车点名称准确性检测方法和系统 | |
CN111882112B (zh) | 一种预测到达时间的方法和系统 | |
CN111861619A (zh) | 一种共享车辆的推荐方法和系统 | |
CN112243487A (zh) | 用于按需服务的系统和方法 | |
CN111881367A (zh) | 一种推荐上车点方法及系统 | |
US10250701B2 (en) | Method and system for determining an actual point-of-interest based on user activity and environment contexts | |
CN111859177A (zh) | 一种定位方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |