CN111931079A - 推荐网约车上车点的方法及系统 - Google Patents
推荐网约车上车点的方法及系统 Download PDFInfo
- Publication number
- CN111931079A CN111931079A CN202010704697.6A CN202010704697A CN111931079A CN 111931079 A CN111931079 A CN 111931079A CN 202010704697 A CN202010704697 A CN 202010704697A CN 111931079 A CN111931079 A CN 111931079A
- Authority
- CN
- China
- Prior art keywords
- historical
- point
- points
- boarding
- current passenger
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013316 zoning Methods 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
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)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种推荐网约车上车点的方法及系统,属于通信技术领域。所述方法包括:选取下单位置点与当前乘客的位置点近邻的历史乘客的的历史上车点;选取所述近邻的历史乘客的历史上车点中同侧的历史上车点,其中,所述下单位置点和所述当前乘客的位置点在所述同侧的历史上车点处道路的同侧;推荐所述同侧的历史乘客的历史上车点为所述乘客的上车点。本发明用于乘客和司机可达上车点推荐。
Description
技术领域
本发明涉及通信技术领域,具体地涉及一种推荐上车点的方法、一种推荐上车点的系统、一种用于网约车的装置、一种电子设备和一种计算机可读存储介质。
背景技术
移动互联网的迅猛发展及智能终端的普及,给人们的生活带来了极大的便利。随着城市交通的日益拥堵,网约车等共享出行方式大行其道。乘客上车点位置的确定对于用户出行的便利性有重要影响。特别对于在一个不熟悉的地方打车的乘客来讲,可能并不知道该在哪里上车,如果设定的上车点不合适,则司机很难找到或车根本到不了,可能造成乘客与司机多次沟通也无法上车,特别在寒冷的冬季或者炎热的夏季,容易引发双方矛盾,严重影响用车体验。现有的确定上车点的方案主要有以下三种:
1)选取当前乘客周围产生的历史订单中离当前乘客位置最近或最热门的上车点进行推荐;
2)先对当前乘客周围产生的历史订单中的上车点进行聚类,然后在聚类中心附近推荐上车点;
3)事先将地图划分为很多固定的区域,首先确定乘客当前位置所在区域,然后推荐该区域内的历史订单中最热门或距离乘客当前位置最近的上车点。
而上述推荐上车点的方法各有弊端:
现有方案1)确定的上车点可能不适合该乘客,比如在中间有护栏的道路的对面,虽然距离很近,但该乘客却过不去;
现有方案2)确定的聚类中心,车辆往往不可达,比如一个小区有东南西北四个门,这四个门的聚类中心在小区的中心附近,显然车辆无法到达;
现有方案3)采用划分固定区域的方法,不可避免地存在边界问题,比如乘客其实离区域A的上车点很近,但该乘客刚好出了区域A的边界而被划到了区域B,而区域B对应的上车点可能离该乘客很远或根本过不去。
发明内容
本发明的目的是提供一种推荐网约车上车点的方法及系统,解决现有方案推荐的上车点存在乘客不可达或车辆不可达等技术问题。
为了实现上述目的,本发明实施例提供一种推荐上车点的方法,该方法包括:
选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点;
选取所述近邻的历史乘客的历史上车点中同侧的历史上车点,其中,所述下单位置点和所述当前乘客的位置点在所述同侧的历史上车点处道路的同侧;
推荐所述同侧的历史上车点为所述当前乘客的上车点。
具体的,所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点,包括:
通过KNN算法模型选取下单位置点与当前乘客的位置点最近邻的历史乘客的历史上车点,将所述最近邻的历史乘客的历史上车点作为初始候选上车点;
比较所述当前乘客的位置点和与所述初始候选上车点对应的下单位置点的距离是否小于等于第一距离阈值;
选取小于等于所述第一距离阈值的初始候选上车点为与所述当前乘客的位置点最近邻的历史乘客的历史上车点。
具体的,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点中的所述KNN算法模型的距离度量和任意两个位置点的距离计算均为同一计算式,所述计算式为:
d=arccos(min(1,(sin(A_lat)*sin(B_lat)+cos(A_lat)*cos(B_lat)*cos(B_long-A_long))))*R
其中,d为第一位置点A(A_long,A_lat)和第二位置点B(B_long,B_lat)的两点直线距离且d的单位为千米,arccos为反余弦函数且arccos返回弧度值,min为取最小值函数,R为地球半径且R的单位为千米,
A_long、B_long分别为所述第一位置点A(A_long,A_lat)的经度、所述第二位置点B(B_long,B_lat)的经度,
A_lat、B_lat分别为所述第一位置点A(A_long,A_lar)的纬度、所述第二位置点B(B_long,B_lat)的纬度。
具体的,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点中,其中还进行以下任意一项数据处理操作:
将待输入所述KNN算法模型的样本的下单位置点转换为地理编码字符串数据,并选取所述当前乘客的位置点处预设区域范围内的地理编码字符串数据,将与选取的地理编码字符串数据对应的下单位置点所关联的历史订单更新为输入所述KNN算法模型的样本;
对待输入所述KNN算法模型的样本进行比例采样,将比例采样后获得的样本更新为输入所述KNN算法模型的样本。
具体的,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点中,其中,
所述KNN算法模型的k参数优选为10~15。
具体的,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点中,其中,
所述第一距离阈值取为50米至200米。
具体的,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点之后,且在所述选取所述近邻的历史乘客的历史上车点中同侧的历史上车点之前,该方法还包括:
根据与所述近邻的历史乘客的历史上车点中任意一个历史上车点对应的车辆轨迹数据,判断与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧。
具体的,所述根据与所述近邻的历史乘客的历史上车点中任意一个历史上车点对应的车辆轨迹数据,判断与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧,包括:
在与所述近邻的历史乘客的历史上车点中任意一个历史上车点对应的车辆轨迹数据上,选取任意的第三位置点和第四位置点构成有向线段;
计算由与所述任意一个历史上车点对应的下单位置点与所述有向线段构成的第一面积量,并计算由所述当前乘客的位置点与所述有向线段构成的第二面积量;
通过判断所述第一面积量与所述第二面积量的乘积是否大于等于0,确定与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧。
具体的,在所述计算由与所述任意一个历史上车点对应的下单位置点与所述有向线段构成的第一面积量,并计算所述当前乘客的位置点与所述有向线段构成的第二面积量中的计算所用的式子为:
SP(A1,A2,P)=(A1_long-P_long)*(A2_lat-P_lat)-(A1_lat-P_lat)*(A2_long-P_long)
其中,SP(A1,A2,P)为当前面积量,A1为第三位置点,A2为第四位置点,P为当前位置点,
A1_long、A2_long、P_long分别为所述第三位置点A1的经度、所述第四位置点A2的经度、所述当前位置点P的经度,
A1_lat、A2_lat、P_lat分别为所述第三位置点A1的纬度、所述第四位置点A2的纬度、所述当前位置点P的纬度。
具体的,该方法还包括:
选取所述近邻的历史乘客的历史上车点中两侧的历史上车点,其中,与所述两侧的历史上车点中任意一个历史上车点对应的下单位置点和所述当前乘客的位置点在所述两侧的历史上车点中任意一个历史上车点处道路的两侧;
判断所述两侧的历史上车点与所述当前乘客的位置点的步行路径的长度是否小于等于第二距离阈值或所述步行路径的预计步行时间是否小于等于时间阈值;
增加地推荐所述步行路径的长度小于等于所述第二距离阈值的或所述步行路径的预计步行时间小于等于所述时间阈值的两侧的历史上车点为所述当前乘客的上车点。
具体的,该方法还包括:
根据所述当前乘客的位置点与推荐的所述当前乘客的上车点中各上车点的直线距离,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
具体的,该方法还包括:
根据所述当前乘客的位置点与推荐的所述当前乘客的上车点中各上车点的步行路径和预计步行时间,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
具体的,该方法还包括:
根据推荐的所述当前乘客的上车点中各上车点的实际被使用频数或被选择概率,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
具体的,该方法还包括:
记录所述当前乘客的实际上车点,统计与所述当前乘客的实际上车点属于推荐的所述当前乘客的上车点的推荐事件对应的推荐成功率。
本发明实施例提供一种推荐上车点的系统,该系统包括:
第一选择模块,用于选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点;
第二选择模块,用于选取所述近邻的历史乘客的历史上车点中同侧的历史上车点,其中,所述下单位置点和所述当前乘客的位置点在所述同侧的历史上车点处道路的同侧;
推荐模块,用于推荐所述同侧的历史上车点为所述当前乘客的上车点。
本发明实施例提供一种用于网约车的装置,该装置包括:
通信终端,被配置为具有前述的系统或所述系统中任意至少一个模块。
再一方面,本发明实施例提供一种电子设备,该电子设备包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,所述至少一个处理器通过执行所述存储器存储的指令实现前述的方法。
又一方面,本发明实施例提供一种计算机可读存储介质,存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行前述的方法。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1为本发明实施例的示例性主要处理流程示意图;
图2为本发明实施例的示例性推荐乘客上车点位置示意图;
图3为本发明实施例的示例性推荐乘客上车点位置示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
实施例1
本发明实施例提供了推荐上车点的方法,该方法包括:
选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点,即选取与当前乘客的位置点近邻的下单位置点,及与所述下单位置点对应的历史乘客的历史上车点,下单位置点、历史乘客(即历史乘客的标识符,如用户编号等)和历史上车点可以由历史订单数据提供,每个历史乘客的历史订单数据中关联对应的下单位置点和历史上车点;
选取所述近邻的历史乘客的历史上车点中同侧的历史上车点,其中,所述下单位置点和所述当前乘客的位置点在所述同侧的历史上车点处道路的同侧,即,与所述同侧的历史上车点中任意一个历史上车点对应的下单位置点和所述当前乘客的位置点,在所述同侧的历史上车点中所述任意一个历史上车点处道路的同侧;
推荐所述同侧的历史上车点为所述乘客的上车点。
在一些具体实施中,如图1,该方法可以具体包括定位数据采集,KNN算法模型建立筛选历史上车点,乘客可达性判断,推荐上车点评估排序和订单生成等步骤。
乘客可以有终端设备(或通信终端),该终端设备可以具有定位系统,定位系统可以采集位置数据,位置数据为二元组,如(经度,纬度),定位系统可以反馈乘客的位置点;终端设备根据业务场景的不同,可以是任何内置定位系统的设备或装置,如该终端设备可以是乘客手机和平板等;定位系统可以是任何可给出用户位置信息的系统,如我国的北斗导航系统(BeiDou Navigation Satellite System,简称BDS)或美国的全球定位系统(GlobalPositioning System,GPS),或通过无线热点或移动通信基站进行定位的系统,只要能以经度和纬度形式提供位置信息即可;此外乘客的位置点也可以是手工输入的位置点;近邻的历史上车点可以是正整数个,可以构成点集或列表等;乘客的位置点和历史上车点均可以是具有经度和维度位置信息的位置点。
对于道路的同侧和两侧(不同侧),示例性地,可预先对道路的不同侧进行数值标记,然后可以确定的历史上车点所选中的道路处,通过判断下单位置点所对应的数值标记和当前乘客的位置点所对应的数值标记是否一致,从而可以选取出具备同侧特征或两侧特征的历史上车点。
KNN算法(K-Nearest Neighbors algorithm,或称为K-近邻算法,或称为最近邻居法)是一种用于分类和回归的非参数统计方法,KNN算法的核心思想是如果一个样本在特征空间中的k(可选择的最近邻个数参数)个最相邻的样本中的大多数属于某一个类别,则该被判断样本也属于该类别,并具有该类别上样本的特性,KNN算法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
以当前的乘客所在城市的所有或部分历史订单数据为样本,以历史订单数据对应的历史乘客的下单时实际位置点(即下单位置点)坐标经度和纬度为特征,以历史订单数据的实际上车点或乘客输入的出发地(历史上车点可以是实际上车点或乘客输入的出发地,如果出发地和实际上车点不一致,则优先选择实际上车点)为标记,采用KNN算法模型(具备初始参数和配置参数),找出k个与当前乘客最近邻的历史订单,由这些历史订单数据的实际上车点或历史乘客输入的出发地(如果出发地和实际上车点不一致,则优先选择实际上车点)组成推荐上车点初始候选列表,该初始候选列表可以由多个初始候选上车点组成。
然后分别计算上述k个与当前乘客最近邻的订单对应的乘客下单时实际地址与当前乘客的距离,并与预设的第一距离阈值(如50米)进行比较,排除距离大于该预设距离阈值的订单,其中,在本发明实施例中,两个位置点之间的直线距离计算及KNN算法模型中的距离度量均使用以下计算式:
d=arccos(min(1,(sin(A_lat)*sin(B_lat)+cos(A_lat)*cos(B_lat)*cos(B_long-A_long))))*R
式中,d(单位:千米)为第一位置点A(A_long,A_lat)和第二位置点B(B_long,B_lat)的两点直线距离,arccos为反余弦函数且返回弧度值,min为取最小值函数,R为地球半径(单位:千米,这里可以假设地球为正球体,数值可以取6371),
A_long、B_long分别为所述第一位置点A(A_long,A_lat)的经度、所述第二位置点B(B_long,B_lat)的经度,
A_lat、B_lat分别为所述第一位置点A(A_long,A_lat)的纬度、所述第二位置点B(B_long,B_lat)的纬度;
第一位置点和第二位置点两个位置点可以是当前乘客的位置点和与被筛选的历史上车点对应的下单位置点,或者当前乘客的位置点和筛选出历史上车点(可用于推荐上车点的排序),或者是两个被筛选的历史上车点(可用于推荐上车点的排序)等,在本发明实施例中需要计算任意距离时均可以使用该计算式。
优选的,对于使用KNN算法模型,如果历史样本过多,会造成该模型运行时间过长,无法满足实时性要求,可以采用多种措施,缩小样本规模,减少模型运行时间,比如,采用GeoHash快速选取当前乘客周围一定范围内的订单作为样本,或对样本按一定比例进行采样;具体的,可以将待输入所述KNN算法模型的样本的下单位置点转换为地理编码字符串数据,并可以选取所述当前乘客的位置点处预设区域范围内的地理编码字符串数据,可以将与选取的地理编码字符串数据对应的下单位置点所关联的历史订单更新为输入所述KNN算法模型的样本,或者,可以对待输入所述KNN算法模型的样本进行比例采样(例如取出待输入的所有样本中50%、30%等比例的样本),可以将比例采样后获得的样本更新为输入所述KNN算法模型的样本。
优选的,对于KNN算法模型中k值的选取,对KNN算法模型的输出结果影响比较大,因为对于一般的分类或回归问题,是按照选出的k个最近邻样本的标记进行投票或取平均值,所以,k的不同取值对结果有较大的影响;但这里是分别取各个样本的实际上车点或乘客输入的出发地,则k值的选取并不会对结果造成很大影响;可以取一个较大的数(如k=10),以便于进一步筛选。
优选的,第一距离阈值用于限制历史订单对应的乘客下单地址和当前乘客的距离,该值的设定需要综合考虑历史订单数量和实际的打车场景,取值太小则可能找不到最近邻,太大则可能失去推荐意义;可以在50米~200米之内比较合理,这里取100米,根据线上实际运行效果看,在98%的概率下可以成功推荐上车点,能满足业务需求;如果在该距离阈值内找不到最近邻,即对于过于稀疏的历史上车点样本,则可在KNN模型得到的k个最近邻中,取下单位置点或上车点离当前乘客最近的三个订单,将该三个订单的实际上车点或乘客输入的出发地下发给乘客,由当前乘客自己选择。
接着,可以判断筛选的历史上车点对于当前乘客而言是否是可达的,对留下来的历史订单的历史上车点进行新一轮筛选,确定各个上车点对当前乘客是否可达。前述步骤中筛选出来的历史订单所对应的历史上车点,虽然它们对应的乘客下单地址离当前乘客的距离很近,而在很多情况中,这些订单对应的实际上车点或乘客输入的出发地对当前乘客来讲是也是可达的合适上车点。但也不能完全排除在一些条件下,对当前乘客来说是不可达的。比如历史订单乘客下单时的位置和当前乘客所在位置正好位于道路的两边,推荐上车点在道路靠近历史订单乘客的一侧,又恰好路的中间有护栏,当前乘客就无法到达该推荐上车点。所以需要判断筛选出来的历史上车点对当前用户是否可达。
本发明实施例提供了判断可达性的方法,该方法通过判断历史订单乘客的下单位置和当前乘客位置是否在推荐上车点处车辆行驶路线的同一侧来判断当前乘客是否可以到达上车点。如果在同一侧,则可以确定可达。其中,可以使用几何学中判断某一点在直线的左右侧的方法,定义:平面上的三点P1(x1,y1),P2(x2,y2),P3(x3,y3)的面积量:
S(P1,P2,P3)=|y1 y2 y3|=(x1-x3)*(y2-y3)-(y1-y3)*(x2-x3)
当三点P1P2P3逆时针时S(P1,P2,P3)为正的,当三点P1P2P3顺时针时S(P1,P2,P3)为负的。
例如,令矢量的起点为A1,终点为B1,矢量A1B1方向为从起点A1指向终点B1,判断的点为C1,
如果S(A1,B1,C1)为正数,则C1在矢量A1B1的左侧;
如果S(A1,B1,C1)为负数,则C1在矢量A1B1的右侧;
如果S(A1,B1,C1)为0,则C1在直线A1B1上。
因此,该判断可达性的方法,可有:
在与所述近邻的历史乘客的历史上车点中任意一个历史上车点对应的车辆轨迹数据上,选取任意的第三位置点和第四位置点构成有向线段;
计算由与所述任意一个历史上车点对应的下单位置点与所述有向线段构成的第一面积量,并计算由所述当前乘客的位置点与所述有向线段构成的第二面积量;
通过判断所述第一面积量与所述第二面积量的乘积是否大于等于0,确定与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧。
若处于同侧,则可以视被判断的历史上车点对当前乘客是可达的,其中,计算所用的式子为:
SP(A1,A2,P)=(A1_long-P_long)*(A2_lat-P_lat)-(A1_lat-P_lat)*(A2_long-P_long)
其中,SP(A1,A2,P)为当前面积量,A1为第三位置点,A2为第四位置点,P为当前位置点,
A1_long、A2_long、P_long分别为所述第三位置点A1的经度、所述第四位置点A2的经度、所述当前位置点P的经度,
A1_lat、A2_lat、P_lat分别为所述第三位置点A1的纬度、所述第四位置点A2的纬度、所述当前位置点P的纬度。
例如,选取历史订单对应的车辆到达上车点前,先后上传的轨迹数据中的两个位置点的经纬度坐标:A1(A1_long,A1_lat)和A2(A2_long,A2_lat),则有向线段A1A2即代表了车的行驶方向或道路具体一侧,其中,根据车辆轨迹可以判断行驶方向,例如分解轨迹后根据分解方向上增量位移变化大小判断出行驶方向,有多种现有方式,这里不在赘述。可以设当前位置点P(P_long,P_lat)分别为历史订单乘客的下单位置点B(B_long,B_lat),以及为当前乘客的位置点C(C_long,C_lat),分别计算以下面积量:
S1(A1,A2,B)=(A1_long-B_long)*(A2_lat-B_lat)-(A1_lat-B_lat)*(A2_long-B_long)
S2(A1,A2,C)=(A1_long-C_long)*(A2_lat-C_lat)-(A1_lat-C_lat)*(A2_long-C_long)
根据几何学原理,如果S1(A1,A2,B)*S2(A1,A2,C)≥0,则表示B、C两点在直线A1A2的同一侧(如果积为0,则表明至少有一点在直线A1A2上,在此业务场景下,也可以认为两点在同一侧),否则如果S1(A1,A2,B)*S2(A1,A2,C)<0,则表示B、C两点在直线A1A2的两侧。
如果经上述判断,当前乘客和历史订单乘客下单地址在上车点所在道路同侧,则可以确定该上车点对当前乘客是可达的。
如果可达推荐上车点达到预设的数目,则本步骤终止,而如果可达推荐上车点没有达到预设的数目,需要将曾视为不具有可达性的位置点再做进一步判断。
即便当前乘客和历史订单乘客下单地址(下单位置点)分布在道路两侧的那些上车点未必也是不可达,比如有人行横道或人行天桥可以过去。这时可以调用导航服务商提供的步行路径规划API接口,获取从当前乘客所在位置到推荐上车点的步行导航距离和/或导航时间,并判断是否小于预设的第二距离阈值(如300米)和或预设的时间阈值(如5分钟)。如果小于相关阈值,则可以确定该上车点对当前乘客是可达的。
由于筛选出来的历史订单对应的乘客下单地址离当前乘客的距离很近,在绝大多数情况下,会在推荐上车点道路的同侧,所以只需要判断是否同侧,即可确定是否可达。而判断是否同侧在本地计算即可完成,不需请求第三方地图服务商的导航接口,运行效率很高。而对剩下的少部分不同侧的情况才需要请求第三方地图服务商的导航接口,由于需要计算的位置点占比不高,因此,本发明实施例处理订单非常高效。此时,可以输出当前乘客可达的推荐上车点列表。
然后,可以进行确定最佳推荐上车点或推荐上车点列表的步骤。可以根据打分策略,对上一步生成的推荐上车点列表中的各个上车点进行打分,按得分从高到低进行排序,选取得分最高的一个或多个上车点形成最终推荐列表,下发到乘客终端设备,以供乘客选择。排序有多种算法可以选择,包括,但不限于直接插入排序,希尔排序,冒泡排序,快速排序,归并排序,堆排序等。
打分策略可以根据具体的业务场景和运营策略考虑一种或多种因素,比如,可以只考虑当前乘客位置和上车点之间的直线距离(此时不需要请求导航接口,比较高效),直线距离越小,得分越高;也可以综合考虑当前乘客位置到达各上车点的步行导航时间,导航距离,历史订单中该上车点的被选择概率和实际被使用频数等因素。作为示例,下面给出一种计算得分的策略:
其中,score为得分,D为当前乘客的位置点到达推荐上车点的步行导航(步行路径)距离(单位:千米),t为步行导航时间(单位:小时,预计步行时间),t为调节步行导航距离D和步行导航时间t的权重的系数,0≤a≤1。不难发现,导航距离和导航时间越小,得分越高,能够实现不同上车点的排序。
进一步地,本发明实施例提供了一种服务器,该服务器可以接收从乘客终端发来的具有最终选择的上车点的出行需求信息,并据此出行需求信息生成订单,然后调用派单模型进行派单;同时该服务器可以记录乘客的实际选择的上车点,统计推荐成功率,并定期根据积累的反馈数据和统计信息,不断改进推荐模型,提高推荐成功率,以便更好的服务广大乘客。
如图2,道路Rd1有车道线203和路边线205,道路Rd1中有车道隔离带或护栏204,道路Rd2与道路Rd1一致,除了车道线226和路边线,道路Rd2也具有护栏227,当前乘客206根据终端设备207获得定位的位置点208,位置点208处于道路Rd1的内侧Rd1_in(内侧可以是相对当前乘客206,也即道路一侧)和道路Rd2的内侧Rd2_in,当前乘客206的目的地方向可以是与车辆202行驶方向一致,对于现有方案1)可能推荐道路Rd1外侧Rd1_out的历史上车点201,而由于护栏204的存在,当前乘客206无法到达历史上车点201,对于现有方案2)可能推荐聚类中心位置点218(对于订单中不同目的地的乘客,路边线205附近可有大量历史上车点,从而聚类中心可以在位置点218),而该位置点218车辆无法到达,对于现有方案3),由于当前乘客206处于划区边界线209内,可能推荐本区域内的历史上车点219和228,然而由于建筑(210至215)区域的存在,则可能导致到达历史上车点219会经过遥远的步行路径217,并且由于护栏227,导致本区域内另一个历史上车点228是无法到达的;
本发明实施例考虑同侧的历史上车点,划区边界线等不会影响历史上车点的选择,例如历史订单中的下单位置点可以在建筑213附近,因此可以推荐历史上车点220以及历史上车点集221和222,当前乘客206若选择历史上车点220为上车点,仅需要通过步行路径216到达历史上车点220,司机225通过终端设备224观察当前乘客206所选择的上车点220也是容易到达的、且是明确清楚的位置点,司机225所驾驶网约车223则能很快在上车点220处接到当前乘客206。
如图3,当前乘客206若无法通过道路Rd1前往目的地,同侧的历史上车点数目太少,则可以选择对侧的历史上车点,若判断步行路径距离小于第二距离阈值时,则可以通过道路Rd2的人行天桥223跨越到外侧Rd2_out,从而也可以推荐可达的历史上车点集221和222。
总体上地,针对现有方案的缺陷,本发明实施例使用KNN算法模型从历史订单中确定乘客下单地址(乘客下单时的实际定位位置,而非订单中记录的出发地或实际上车点)离当前乘客位置最近的一个或多个订单,将这些订单的实际上车点或乘客输入的出发地(如果出发地和实际上车点不一致,则优先选择实际上车点)作为候选推荐上车点,以供进一步筛选。在新一轮筛选中,对每个推荐上车点,判断当前乘客和历史订单中的乘客是否处在该上车点的同一侧,如果处于同一侧,既然该上车点对历史乘客是可达的,则其对于当前乘客来说大概率也是可达的。如果有多个上车点满足条件,则可以按照一定策略,对各个上车点进行打分,按得分从高到低进行排序,选取得分最高的一个或多个上车点形成最终推荐列表,下发到乘客终端,以供乘客选择。打分策略可以根据具体的业务场景和运营策略考虑一种或多种因素,比如,可以只考虑当前乘客位置和上车点之间的直线距离(此时不需要请求导航接口,比较高效),直线距离越小,得分越高;也可以综合考虑当前乘客位置到达和上车点的步行导航时间,导航距离,历史订单中该上车点的选择概率等因素。
效果上地,本发明实施例采用了KNN算法,找到历史订单中乘客实际下单地址与当前乘客位置直线距离最短的一个或多个最近邻,既然以前离当前乘客位置很近的用户在推荐的上车点上过车,说明推荐的上车点在大概率条件下对当前乘客也是可达的,并且不会太难走;与现有方法3(将地图划分为若干固定区域)相比,由于距离计算是将当前乘客位置作为起点进行的,无论当前乘客在哪或朝哪里移动,都不存在边界问题;与现有方法2(聚类)相比,推荐上车点采用的是过去乘客实际的上车点或出发地,不会出现车辆无法到达上车点的情况,并且本发明实施例推荐的上车点也更容易找到。
本发明实施例为了确保推荐上车点对当前乘客是可达的,采用了以判断当前乘客和历史订单乘客是否在上车点车辆行驶路线(或道路)的同一侧的方法,作为主要推荐方式,以调用导航接口,获取当前乘客到上车点的步行导航距离和或导航时间的方法为辅助推荐方式,高效且可靠地确保了推荐上车点的可达性,能够避免现有方法1(选周围最近或最常用的上车点)推荐的上车点可能对当前乘客而言是不可达的情况。
本发明实施例实现的推荐上车点功能上线后,统计表明,最佳推荐上车点(得分最高,排在推荐列表第一位)的乘客采纳比例为76.3%,前三个推荐上车点(排在推荐列表前三位)的采纳(三个任选其一)比例为95.7%,上车前司乘平均通话数和通话时长也有了明显下降。
实施例2
本发明实施例与实施例1属于同一发明构思,本发明实施例提供了推荐上车点的系统,该系统包括:
第一选择模块,用于选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点;
第二选择模块,用于选取所述近邻的历史乘客的历史上车点中同侧的历史上车点,其中,所述下单位置点和所述当前乘客的位置点在所述同侧的历史上车点处道路的同侧;
推荐模块,用于推荐所述同侧的历史上车点为所述当前乘客的上车点。
可选的,所述第一选择模块具体用于通过KNN算法模型选取下单位置点与当前乘客的位置点最近邻的历史乘客的历史上车点,将所述最近邻的历史乘客的历史上车点作为初始候选上车点;
所述第一选择模块具体用于比较所述当前乘客的位置点和与所述初始候选上车点对应的下单位置点的距离是否小于等于第一距离阈值;
所述第一选择模块具体用于选取小于等于所述第一距离阈值的初始候选上车点为与所述当前乘客的位置点最近邻的历史乘客的历史上车点。
可选的,所述第一选择模块还设有距离计算组件,所述距离计算组件被配置为具有如下计算式:
d=arccos(min(1,(sin(A_lat)*sin(B_lat)+cos(A_lat)*cos(B_lat)*cos(B_long-A_long))))*R
其中,d为第一位置点A(A_long,A_lat)和第二位置点B(B_long,B_lat)的两点直线距离且d的单位为千米,arccos为反余弦函数且arccos返回弧度值,min为取最小值函数,R为地球半径且R的单位为千米,
A_long、B_long分别为所述第一位置点A(A_long,A_lat)的经度、所述第二位置点B(B_long,B_lat)的经度,
A_lat、B_lat分别为所述第一位置点A(A_long,A_lat)的纬度、所述第二位置点B(B_long,B_lat)的纬度。
可选的,所述第一选择模块具体用于将待输入所述KNN算法模型的样本的下单位置点转换为地理编码字符串数据,并选取所述当前乘客的位置点处预设区域范围内的地理编码字符串数据,将与选取的地理编码字符串数据对应的下单位置点所关联的历史订单更新为输入所述KNN算法模型的样本,
或者,对待输入所述KNN算法模型的样本进行比例采样,将比例采样后获得的样本更新为输入所述KNN算法模型的样本,其中,所述KNN算法模型的k参数一般应选取一个较大的值(如10),以便进一步筛选,所述第一距离阈值取为50米至200米。
可选的,该系统还包括判断模块,所述判断模块用于根据与所述近邻的历史乘客的历史上车点中任意一个历史上车点对应的车辆轨迹数据,判断与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧。
可选的,所述判断模块具体用于在与所述近邻的历史上车点中任意一个历史上车点对应的车辆轨迹数据上,选取任意的第三位置点和第四位置点构成有向线段;
所述判断模块具体用于计算由与所述任意一个历史上车点对应的下单位置点与所述有向线段构成的第一面积量,并计算由所述当前乘客的位置点与所述有向线段构成的第二面积量;
所述判断模块具体用于通过判断所述第一面积量与所述第二面积量的乘积是否大于等于0,确定与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧。
可选的,所述判断模块还设有面积量计算组件,所述面积量计算组件被配置为具有如下映射的式子:
SP(A1,A2,P)=(A1_long-P_long)*(A2_lat-P_lat)-(A1_lat-P_lat)*(A2_long-P_long)
其中,SP(A1,A2,P)为当前面积量,A1为第三位置点,A2为第四位置点,P为当前位置点,
A1_long、A2_long、P_long分别为所述第三位置点A1的经度、所述第四位置点A2的经度、所述当前位置点P的经度,
A1_lat、A2_lat、P_lat分别为所述第三位置点A1的纬度、所述第四位置点A2的纬度、所述当前位置点P的纬度。
可选的,该系统还包括第三选择模块,所述第三选择模块用于选取所述近邻的历史乘客的历史上车点中两侧的历史上车点,其中,与所述两侧的历史上车点中任意一个历史上车点对应的下单位置点,和所述当前乘客的位置点,在所述两侧的历史上车点中任意一个历史上车点处道路的两侧;
所述判断模块具体用于判断所述两侧的历史上车点与所述当前乘客的位置点的步行路径的长度是否小于等于第二距离阈值或所述步行路径的预计步行时间是否小于等于时间阈值;
所述推荐模块具体用于增加地推荐所述步行路径的长度小于等于所述第二距离阈值的或所述步行路径的预计步行时间小于等于所述时间阈值的两侧的历史上车点为所述当前乘客的上车点。
可选的,所述推荐模块还具体用于根据所述当前乘客的位置点与推荐的所述当前乘客的上车点中各上车点的直线距离,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
可选的,所述推荐模块还具体用于根据所述当前乘客的位置点与推荐的所述当前乘客的上车点中各上车点的步行路径和预计步行时间,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
可选的,所述推荐模块还具体用于根据推荐的所述当前乘客的上车点中各上车点的实际被使用频数或被选择概率,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
可选的,该系统还包括优化模块,所述优化模块用于记录所述当前乘客的实际上车点,统计与所述当前乘客的实际上车点属于推荐的所述当前乘客的上车点的推荐事件对应的推荐成功率。
实施例3
本发明实施例与本发明实施例1和2均为同一发明构思,本发明实施例提供了用于网约车的装置,该装置包括:通信终端(或终端设备),被配置为具有实施例2所述的系统,例如,安装有具有实施例2所述的系统中模块功能的应用程序的手机、智能手表或平板电脑等。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (18)
1.一种推荐上车点的方法,其特征在于,该方法包括:
选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点;
选取所述近邻的历史乘客的历史上车点中同侧的历史上车点,其中,所述下单位置点和所述当前乘客的位置点在所述同侧的历史上车点处道路的同侧;
推荐所述同侧的历史上车点为所述当前乘客的上车点。
2.根据权利要求1所述的推荐上车点的方法,其特征在于,所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点,包括:
通过KNN算法模型选取下单位置点与当前乘客的位置点最近邻的历史乘客的历史上车点,将所述最近邻的历史乘客的历史上车点作为初始候选上车点;
比较所述当前乘客的位置点和与所述初始候选上车点对应的下单位置点的距离是否小于等于第一距离阈值;
选取小于等于所述第一距离阈值的初始候选上车点为与所述当前乘客的位置点最近邻的历史乘客的历史上车点。
3.根据权利要求2所述的推荐上车点的方法,其特征在于,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点中的所述KNN算法模型的距离度量和任意两个位置点的距离计算均为同一计算式,所述计算式为:
d=arccos(min(1,(sin(A_lat)*sin(B_lat)+cos(A_lat)*cos(B_lat)*cos(B_long-A_long))))*R
其中,d为第一位置点A(A_long,A_lat)和第二位置点B(B_long,B_lat)的两点直线距离且d的单位为千米,arccos为反余弦函数且arccos返回弧度值,min为取最小值函数,R为地球半径且R的单位为千米,
A_long、B_long分别为所述第一位置点A(A_long,A_lat)的经度、所述第二位置点B(B_long,B_lat)的经度,
A_lat、B_lat分别为所述第一位置点A(A_long,A_lat)的纬度、所述第二位置点B(B_long,B_lat)的纬度。
4.根据权利要求2或3所述的推荐上车点的方法,其特征在于,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点中,其中还进行以下任意一项数据处理操作:
将待输入所述KNN算法模型的样本的下单位置点转换为地理编码字符串数据,并选取所述当前乘客的位置点处预设区域范围内的地理编码字符串数据,将与选取的地理编码字符串数据对应的下单位置点所关联的历史订单更新为输入所述KNN算法模型的样本;
对待输入所述KNN算法模型的样本进行比例采样,将比例采样后获得的样本更新为输入所述KNN算法模型的样本。
5.根据权利要求2中任意一项所述的推荐上车点的方法,其特征在于,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点中,其中,
所述KNN算法模型的k参数优选为10~15。
6.根据权利要求2所述的推荐上车点的方法,其特征在于,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点中,其中,
所述第一距离阈值取为50米至200米。
7.根据权利要求1所述的推荐上车点的方法,其特征在于,在所述选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点之后,且在所述选取所述近邻的历史乘客的历史上车点中同侧的历史上车点之前,该方法还包括:
根据与所述近邻的历史乘客的历史上车点中任意一个历史上车点对应的车辆轨迹数据,判断与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧。
8.根据权利要求7所述的推荐上车点的方法,其特征在于,所述根据与所述近邻的历史乘客的历史上车点中任意一个历史上车点对应的车辆轨迹数据,判断与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧,包括:
在与所述近邻的历史乘客的历史上车点中任意一个历史上车点对应的车辆轨迹数据上,选取任意的第三位置点和第四位置点构成有向线段;
计算由与所述任意一个历史上车点对应的下单位置点与所述有向线段构成的第一面积量,并计算由所述当前乘客的位置点与所述有向线段构成的第二面积量;
通过判断所述第一面积量与所述第二面积量的乘积是否大于等于0,确定与所述任意一个历史上车点对应的下单位置点和所述当前乘客的位置点是否在所述任意一个历史上车点处道路的同侧。
9.根据权利要求8所述的推荐上车点的方法,其特征在于,在所述计算由与所述任意一个历史上车点对应的下单位置点与所述有向线段构成的第一面积量,并计算所述当前乘客的位置点与所述有向线段构成的第二面积量中的计算所用的式子为:
SP(A1,A2,P)=(A1_long-P_long)*(A2_lat-P_lat)-(A1_lat-P_lat)*(A2_long-P_long)
其中,SP(A1,A2,P)为当前面积量,A1为第三位置点,A2为第四位置点,P为当前位置点,
A1_long、A2_long、P_long分别为所述第三位置点A1的经度、所述第四位置点A2的经度、所述当前位置点P的经度,
A1_lat、A2_lat、P_lat分别为所述第三位置点A1的纬度、所述第四位置点A2的纬度、所述当前位置点P的纬度。
10.根据权利要求1、7至9中任意一项所述的推荐上车点的方法,其特征在于,该方法还包括:
选取所述近邻的历史乘客的历史上车点中两侧的历史上车点,其中,与所述两侧的历史上车点中任意一个历史上车点对应的下单位置点和所述当前乘客的位置点在所述两侧的历史上车点中任意一个历史上车点处道路的两侧;
判断所述两侧的历史上车点与所述当前乘客的位置点的步行路径的长度是否小于等于第二距离阈值或所述步行路径的预计步行时间是否小于等于时间阈值;
增加地推荐所述步行路径的长度小于等于所述第二距离阈值的或所述步行路径的预计步行时间小于等于所述时间阈值的两侧的历史上车点为所述当前乘客的上车点。
11.根据权利要求10所述的推荐上车点的方法,其特征在于,该方法还包括:
根据所述当前乘客的位置点与推荐的所述当前乘客的上车点中各上车点的直线距离,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
12.根据权利要求10所述的推荐上车点的方法,其特征在于,该方法还包括:
根据所述当前乘客的位置点与推荐的所述当前乘客的上车点中各上车点的步行路径和预计步行时间,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
13.根据权利要求10所述的推荐上车点的方法,其特征在于,该方法还包括:
根据推荐的所述当前乘客的上车点中各上车点的实际被使用频数或被选择概率,对推荐的所述当前乘客的上车点进行排序,获得所述当前乘客的上车点推荐列表。
14.根据权利要求1所述的推荐上车点的方法,其特征在于,该方法还包括:
记录所述当前乘客的实际上车点,统计与所述当前乘客的实际上车点属于推荐的所述当前乘客的上车点的推荐事件对应的推荐成功率。
15.一种推荐上车点的系统,其特征在于,该系统包括:
第一选择模块,用于选取下单位置点与当前乘客的位置点近邻的历史乘客的历史上车点;
第二选择模块,用于选取所述近邻的历史乘客的历史上车点中同侧的历史上车点,其中,所述下单位置点和所述当前乘客的位置点在所述同侧的历史上车点处道路的同侧;
推荐模块,用于推荐所述同侧的历史上车点为所述当前乘客的上车点。
16.一种用于网约车的装置,其特征在于,该装置包括:
通信终端,被配置为具有权利要求15所述的系统或所述系统中任意至少一个模块。
17.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至14中任意一项权利要求所述的方法。
18.一种计算机可读存储介质,存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行权利要求1至14中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704697.6A CN111931079A (zh) | 2020-07-21 | 2020-07-21 | 推荐网约车上车点的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704697.6A CN111931079A (zh) | 2020-07-21 | 2020-07-21 | 推荐网约车上车点的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931079A true CN111931079A (zh) | 2020-11-13 |
Family
ID=73314153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010704697.6A Withdrawn CN111931079A (zh) | 2020-07-21 | 2020-07-21 | 推荐网约车上车点的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931079A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711720A (zh) * | 2020-12-31 | 2021-04-27 | 广州宸祺出行科技有限公司 | 一种降低出行成本的上车点推荐方法及系统 |
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 |
CN114819413A (zh) * | 2022-06-24 | 2022-07-29 | 中运科技股份有限公司 | 一种网约车定制客运路线的推荐系统及方法 |
US20240166243A1 (en) * | 2021-06-09 | 2024-05-23 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Automatic driving-based riding method, apparatus and device, and storage medium |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108805320A (zh) * | 2017-05-02 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 一种信息显示方法及装置 |
WO2019227292A1 (en) * | 2018-05-28 | 2019-12-05 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending pick-up locations |
-
2020
- 2020-07-21 CN CN202010704697.6A patent/CN111931079A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108805320A (zh) * | 2017-05-02 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 一种信息显示方法及装置 |
WO2019227292A1 (en) * | 2018-05-28 | 2019-12-05 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending pick-up locations |
Non-Patent Citations (1)
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 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711720A (zh) * | 2020-12-31 | 2021-04-27 | 广州宸祺出行科技有限公司 | 一种降低出行成本的上车点推荐方法及系统 |
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 |
US20240166243A1 (en) * | 2021-06-09 | 2024-05-23 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Automatic driving-based riding method, apparatus and device, and storage medium |
CN114819413A (zh) * | 2022-06-24 | 2022-07-29 | 中运科技股份有限公司 | 一种网约车定制客运路线的推荐系统及方法 |
CN114819413B (zh) * | 2022-06-24 | 2022-09-23 | 中运科技股份有限公司 | 一种网约车定制客运路线的推荐系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12018951B1 (en) | Dynamic geolocation optimization of pickup locations using location scores | |
CN111931079A (zh) | 推荐网约车上车点的方法及系统 | |
CN109000668B (zh) | 基于车联网的实时智能导航方法 | |
CN105070044B (zh) | 一种基于乘客预约的定制公交合乘车辆动态调度方法 | |
CN108648496B (zh) | 一种用于城市智能化的系统及方法 | |
CN108362293B (zh) | 一种基于关键点技术的车辆轨迹匹配方法 | |
US10120381B2 (en) | Identifying significant locations based on vehicle probe data | |
TWI515411B (zh) | 用於路線個人化之方法與系統 | |
US9074904B1 (en) | Method for solving carpool matching problem and carpool server using the same | |
CN102622877B (zh) | 利用路况信息及行驶速度的公交到站判断系统及判断方法 | |
CN105023456B (zh) | 基于交通信号灯信号变化自适应智能线路规划方法 | |
CN109556622B (zh) | 一种兴趣点查找方法和装置 | |
US20150142484A1 (en) | Carpool service providing method and carpool server using the same | |
CN103177562B (zh) | 一种获取交通状态预测所需信息的方法及装置 | |
CN106971516A (zh) | 一种安防系统的警情处理线路规划方法及系统 | |
CN109816979B (zh) | 考虑公交车到站频率和乘车舒适度的公交线路推荐方法 | |
US20170241796A1 (en) | Navigation device, navigation method and storage medium | |
CN102819950A (zh) | 一种交通工具搭载辅助决策的系统和方法 | |
CN112380448A (zh) | 车辆数据处理方法、装置、计算机设备和存储介质 | |
CN110766944A (zh) | 一种基于车辆轨迹大数据挖掘的停车位推荐方法 | |
CN113532459A (zh) | 一种预测式导航路线规划方法及系统 | |
CN111829538A (zh) | 交通安全导航方法、存储介质及电子设备 | |
JP2019219845A (ja) | 車両管理システムおよび車両管理方法 | |
CN110827562A (zh) | 使用公共交通提供路线引导的车辆和方法 | |
Hakeem et al. | On-The-Fly Curbside Parking Assignment. |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201113 |
|
WW01 | Invention patent application withdrawn after publication |