CN112069275A - 一种目的地预测方法、装置、电子设备及存储介质 - Google Patents
一种目的地预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112069275A CN112069275A CN202010872564.XA CN202010872564A CN112069275A CN 112069275 A CN112069275 A CN 112069275A CN 202010872564 A CN202010872564 A CN 202010872564A CN 112069275 A CN112069275 A CN 112069275A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- destination
- current
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010801 machine learning Methods 0.000 claims description 30
- 230000006399 behavior Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0261—Targeted advertisements based on user location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Social Psychology (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
Abstract
本申请公开了一种目的地预测方法、装置、电子设备及存储介质,涉及人工智能技术领域。具体方案为:获取用户的个性化数据和用户在当前时刻上的时空场景数据;基于用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测用户在当前时刻上的目标目的地;将目标目的地推荐给用户。本申请实施例可以有效地提高目的地预测的准确性,适用于更加普遍的出行场景,从而可以提升用户的使用体验。
Description
技术领域
本申请涉及计算机技术领域,进一步涉及人工智能技术,尤其是一种目的地预测方法、装置、电子设备及存储介质。
背景技术
目的地预测是指在基于位置的服务(Location Based Services,简称LBS)中,通过对用户使用行为历史的分析,结合当前使用场景对其未来出行目的地进行预测及推荐的技术。随着移动互联网和人工智能技术的发展,基于位置的服务类产品(如电子地图等)的个性化需求越来越多,如何能够精准地展示基于用户行为的个性化内容就显得至关重要。如果能够准确预测出用户未来出行的目的地并进行优先展现,则会缩短用户使用路径,同时还可以给用户带来智能化体验。
在现有技术中,目的地预测目前一般采用如下两种方案来解决:(1)基于用户最近使用行为进行目的地预测:将用户最近几次检索或浏览的兴趣点(Point of Interest,简称POI)作为其即将出行的目的地。(2)基于统计和规则进行目的地预测:先对用户的历史检索记录、常去地等候选目的地,根据频次基于时间、位置等场景按照某些规则进行综合排序,将排序较高的地点作为目标目的地。
上述两种方案均存在一定程度的缺陷:方案(1)仅从用户最近的出行行为中识别目的地,容易出现用户当前没有出行需求或出行条件的情况,此时对用户进行准确的推荐会带来不好的使用体验;方案(2)的排序规则只能适用于有限的场景,缺乏普适性,预测的准确性不高;另外,如果出现预测错误,还需要通过服务上的逻辑对排序结果进行人工干预,程序分支逻辑复杂,排序和服务耦合严重,不容易维护,服务鲁棒性较差。
发明内容
本申请提供了一种目的地预测方法、装置、电子设备及存储介质,可以有效地提高目的地预测的准确性,适用于更加普遍的出行场景,从而可以提升用户的使用体验。
第一方面,本申请提供了一种目的地预测方法,所述方法包括:
获取用户的个性化数据和所述用户在当前时刻上的时空场景数据;
基于所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测所述用户在所述当前时刻上的目标目的地;
将所述目标目的地推荐给所述用户。
第二方面,本申请提供了一种目的地预测装置,所述装置包括:获取模块、预测模块和推荐模块;其中,
所述获取模块,用于获取用户的个性化数据和所述用户在当前时刻上的时空场景数据;
所述预测模块,用于基于所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测所述用户在所述当前时刻上的目标目的地;
所述推荐模块,用于将所述目标目的地推荐给所述用户。
第三方面,本申请实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请任意实施例所述的目的地预测方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的目的地预测方法。
根据本申请的技术解决了现有技术中目的地预测准确性不高,并且只能适用于有限的出行场景,用户使用体验不好的技术问题,本申请提供的技术方案,可以有效地提高目的地预测的准确性,适用于更加普遍的出行场景,从而可以提升用户的使用体验。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的目的地预测方法的流程示意图;
图2是本申请实施例提供的另一种目的地预测方法的流程示意图;
图3是本申请实施例提供的机器学习模型的结构示意图;
图4是本申请实施例提供的神经网络模型的结构示意图;
图5是本申请实施例提供的目的地预测装置的结构示意图;
图6是本申请实施例提供的预测模块的结构示意图;
图7是用来实现本申请实施例的目的地预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例一提供的目的地预测方法的流程示意图,该方法可以由目的地预测装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,目的地预测方法可以包括以下步骤:
S101、获取用户的个性化数据和用户在当前时刻上的时空场景数据。
在本申请的具体实施例中,电子设备可以获取用户的个性化数据和用户在当前时刻上的时空场景数据;其中,个性化数据至少包括:用户特征数据和行为特征数据;其中,用户特征数据包括以下至少其中之一:性别、年龄、职业类别、所属行业、所在公司、收入水平、资产状况、消费水平;行为特征数据包括以下至少其中之一:检索位置、导航位置和达到位置;属性特征包括以下至少其中之一:各个候选目的地的位置坐标、兴趣点类型、位置标签。这里的兴趣点类型可以包括:生活服务、美食、购物、酒店、休闲娱乐、教育培训、汽车服务、交通设施、政府结构等。位置标签可以包括:兴趣点内/外部、兴趣点周边、入口处、出口处等。
具体地,对于上述用户特征数据和行为特征数据,用户可以预先在目的地预测方法的App上进行填写。通过对用户特征数据和行为特征数据进行详细分析,可以通过预测模型为用户推荐最适合或者可能性最大的目的地,从而可以提升用户出行效率。
进一步的,时空场景数据可以包括:时间场景数据和空间场景数据;其中,时间场景数据包括以下至少其中之一:用户所处的季节、月份、月内阶段、星期、工作日或者非工作日、白天或者黑夜、上午或者下午、早高峰或者晚高峰、特殊时段。具体地,用户所处的季节可以包括:春季、夏季、秋季、冬季;也可以包括:旱季和雨季;此外,还可以包括用户所处的季节类型,例如,全年皆夏;全年皆冬;长夏无冬;长冬无夏;四季分明;四季如春;等等。月份可以包括:1月至12月;月内阶段可以包括:月初(上旬)、月中(中旬)、月末(下旬);其中,一个月的上旬、中旬、下旬可以分别是指当月的1日至10日、11日至20日、21日至30日(31日)。星期可以包括:周一至周日;工作日可以包括:周一至周五;非工作日可以包括:周六和周日。白天可以指上午8点至晚上8点这段时间;晚上可以指晚上8点至第二天上午8点这段时间。上午可以指8点至12点;下午可以指12点至17点。特殊时段可以是根据实际情况定义的时间段,例如,特殊时段可以为交通管制时段。本申请实施例通过对用户当前时间场景的精细化细分,结合大数据群体数据分析,为用户推荐当前时间场景下最合适或者可能性最大的目的地。
进一步的,空间场景数据包括以下至少其中之一:位置场景数据、天气场景数据、行程场景数据;其中,位置场景数据包括以下至少其中之一:用户所在的国家、城市、用户处于本地或者异地、用户处于熟悉地或者非熟悉地;天气场景数据包括以下至少其中之一:晴、阴、多云、少云、小雨、中雨、大雨、阵雨、雷阵雨、暴雨、雾、霾、霜冻、风、暴风、台风、暴风雪、大雪、中雪、小雪、雨夹雪、冰雹、浮尘、扬沙;通过对天气信息的判断,为用户推荐最合适和最安全的出行方式,保证用户的出行体验。另外,行程场景数据包括以下至少其中之一:用户所在地的空间类型、用户的途经地的空间类型、用户的目的地的空间类型、用户所在地的交通状况、用户的途经地的交通状况、用户的目的地的交通状况;其中,空间类型包括以下至少其中之一:商业区、居民区、市中心、远郊、医院、学校、政府机关;交通状况包括以下至少其中之一:停车难度、打车难度、公共交通发达程度。具体地,用于处于本地是指用户当前所在的城市和用户的常住地相同;用户处于异地是指用户当前所在的城市和用户的常住地不相同。用户处于熟悉地是指用户所在的当前位置为用户的居住地、工作地、常住地或者常访地;用户处于非熟悉地是指用户所在的当前位置为用户的居住地、工作地、常住地或者常访地以外的地点。此外,停车难度可以划分为多个级别,例如,停车容易、停车比较容易、停车比较难、停车非常难等;打车难度也可以划分为多个级别,例如,打车容易、打车比较容易、打车比较难、打车非常难等。还有,公共交通发达程度可以采用评价指标进行表示,例如,投入建设水平指标、运营服务水平指标、综合效益水平指标;等等。
S102、基于用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测用户在当前时刻上的目标目的地。
在本申请的具体实施例中,电子设备可以基于用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测用户在当前时刻上的目标目的地。具体地,电子设备可以先将用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的候选目的地的属性特征输入至预先训练好的机器学习模型中;然后通过机器学习模型输出用户在当前时刻上的目标目的地;其中,机器学习模型包括但不限于:线性模型、树模型、神经网络模型。
S103、将目标目的地推荐给用户。
在本申请的具体实施例中,电子设备可以将目标目的地推荐给用户。具体地,电子设备可以只将最适合用户所选择的一个目的地推荐给用户,也可以将比较适合用户所选择的多个目的地都推荐给用户。在此不进行限定。
本申请实施例提出的目的地预测方法,先获取用户的个性化数据和用户在当前时刻上的时空场景数据;然后基于用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测用户在当前时刻上的目标目的地;再将目标目的地推荐给用户。也就是说,本申请可以在通过预先训练好的预测模型预测用户在当前时刻上的目标目的地。而在现有的目的地预测方法中,仅从用户最近的出行行为中识别目的地,或者基于统计和规则进行目的地预测。因为本申请采用了通过预先训练好的预测模型预测用户在当前时刻上的目标目的地的技术手段,克服了现有技术中目的地预测准确性不高,并且只能适用于有限的出行场景,用户使用体验不好的技术问题,本申请提供的技术方案,可以有效地提高目的地预测的准确性,适用于更加普遍的出行场景,从而可以提升用户的使用体验;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2是本申请实施例提供的另一种目的地预测方法的流程示意图。如图2所示,目的地预测方法可以包括以下步骤:
S201、获取用户的个性化数据和用户在当前时刻上的时空场景数据。
S202、将用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的候选目的地的属性特征输入至预先训练好的机器学习模型中;其中,机器学习模型包括但不限于:线性模型、树模型、神经网络模型。
在本申请的具体实施例中,电子设备可以将用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的候选目的地的属性特征输入至预先训练好的机器学习模型中;其中,机器学习模型包括但不限于:线性模型、树模型、神经网络模型。
图3是本申请实施例提供的机器学习模型的结构示意图。该模型包含一个根结点(root)、若干内部结点和若干叶结点(leaf);叶结点对应最终的判别结果,即对于是目的地的增益(gain),其他结点对应于某个特征按不同阈值的划分。每一轮开始全局样本从根结点出发,根据特征测试的结果被划分到不同的子结点中,在叶子结点得到本轮输出值并计算出残差(residuals),最终通过多轮迭代使残差不断减小,最终产生泛化能力强的模型。如图3所示,根结点为f1,内部结点为f2、f3、f4和f5;叶子节点为leaf1、leaf2、leaf3、leaf4、leaf5、leaf6、leaf7、leaf8。在本申请的具体实施例中,电子设备可以将用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的候选目的地的属性特征输入至该模型的f1中,通过逐层判断,最后将确定出某一个或者某几个叶子结点作为目标目的地。例如,假设当前结点先游走至“f1<a”;若“f1<a”的判断结果为是(yes)或者缺省(missing),则当前节点游走至“f2<b”;否则,当前节点游走至“f2<c”;若“f2<b”的判断结果为是或者缺省,则当前节点游走至“f3<d”;否则,当前节点游走至“f4<e”;若“f2<c”的判断结果为是或者缺省,则当前节点游走至“f5<f”;否则,当前结点游走至“f3<g”;若“f3<d”的判断结果为是或者缺省,则当前结点游走至leaf1;否则,当前结点游走至leaf2;若“f4<e”的判断结果为是或者缺省,则当前结点游走至leaf3;否则,当前结点游走至leaf4;若“f5<f”的判断结果为是或者缺省,则当前结点游走至leaf5;否则,当前结点游走至leaf6;若“f3<g”的判断结果为是或者缺省,则当前结点游走至leaf7;否则,当前结点游走至leaf8;其中,a、b、c、d、e、f、g分别为预先设置的门限值。需要说明的是,图3仅给出了一个树模型的示例,在具体应用中,树模型的内部结点以及叶子结点的数量可以根据实际应用场景设置,在此不进行限制。
图4是本申请实施例提供的神经网络模型的结构示意图。如图4所示,首先将输入的特征数据连接(concat)成一层作为输入层,然后输入的数据经过由若干个全连接(fullyconnected)激活层构成的隐藏层,最后经过输出层通过Softmax函数得到目标函数的结果,输出层的两个神经元输出是目的地和不是目的地的概率。此处使用的损失函数为交叉熵代价损失(cross entropy loss)函数,训练过程中的优化目标就是最小化该函数,通过梯度下降法不断调整网络参数使代价函数收敛,最终得到较优的预测模型。
S203、通过机器学习模型输出用户在当前时刻上的目标目的地。
在本申请的具体实施例中,电子设备可以通过机器学习模型输出用户在当前时刻上的目标目的地。具体地,电子设备可以先通过机器学习模型计算出各个候选目的地对应的被选中的概率值或者未被选中的概率值;然后根据各个候选目的地被选中的概率值或者未被选中的概率值,将全部的候选目的地进行排序,并根据排序结果确定出所述用户在所述当前时刻上的目标目的地。例如,当前样本包括五个特征,分别为特征1至特征5,则将特征1至特征5同时输入至预测模型中,通过预测模型可以得到一个该样本对应的概率值(包括被选中的概率值和未被选中的概率值),假设被选中表示为1,未被选中表示为0,则模型会输出该样本取值为1的概率值和取值为0的概率值;其中,取值为1的概率值和取值为0的概率值之和为1。
S204、将目标目的地推荐给用户。
在本申请的具体实施例中,电子设备在获取用户的个性化数据和用户在当前时刻上的时空场景数据之前,还可以先对预测模型进行训练。具体地,电子设备可以将预先获取的一个正样本数据或者负样本数据作为当前样本数据;若预测模型不满足预先设置的收敛条件,将当前样本数据输入至预测模型中,使用当前样本数据对预测模型进行训练;然后将当前样本数据的下一个样本数据作为当前样本数据,重复执行上述操作,直到预测模型满足收敛条件。具体地,电子设备在构建样本时,可以基于用户的检索记录、常访地和出行行为,标注用户潜在目的地正例和负例样本;然后提取目的地相关属性包括位置、目的地类型、标签等作为目的地特征;提取用户相关属相包括性别、年龄、行业、资产状况、消费水平等信息作为用户特征;提取用户相对于目的地的历史行为包括检索、导航、到达等作为行为特征;同时结合时空场景包括时间、距离等信息将上述特征格式化处理,得到训练所需特征;对于目的地预测问题进行机器学习建模,将其抽象为一个二分类问题即判别目标兴趣点是否为用户的目的地;定义求解目标h_Θ(x),其中Θ表示模型参数,x表示输入特征,所得结果为x兴趣点是用户下次出行目的地的概率;模型可选包括但不限于传统机器学习模型和深度学习模型等。在模型训练阶段,可以先定义代价函数J(Θ)衡量对目标函数求解结果与实际真值的偏差,优化目标即最小化J(Θ);将特征工程中处理的训练数据输入训练程序进行模型训练,不断调整Θ以最小化J(Θ),直到J(Θ)收敛得到效果较好的模型并保存。在训练好预测模型之后,还可以对预测模型进行评估。具体地,电子设备可以在评估数据集上进行模拟预测,评估模型的AUC和正确率等指标,同时辅以人工抽样评估对比模型效果;最后,电子设备可以针对预测模型的输入输出开发在线预测服务;将训练产出的模型文件上线到在线服务中并提供服务。本申请与以往方法最主要的区别在于引入了机器学习的方法,结合目的地属性、用户属性、用户与目的地的关系、时空属性等特征综合判别目的地是否为用户的目的地,相较于传统方法效果更好、更加稳定。
本申请实施例使用机器学习方法能够有效提升目的地预测的准确率,相比于人工规则和简单的策略,机器学习可以学习到人类难以发现的规律,从而提升预测的效果;特别是深度学习模型可以增强机器对于特征中存在的非线性关系的学习效果,在升模型准确度同时可以支持更大数据集的训练,从而减少现过拟合的情况。另外,在工程上可以将预测服务和其他服务解耦,在不改变特征的情况下每次模型升级只需上线新的模型文件,无需更改其他的程序逻辑,提升了服务的稳定性。
本申请实施例提出的目的地预测方法,先获取用户的个性化数据和用户在当前时刻上的时空场景数据;然后基于用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测用户在当前时刻上的目标目的地;再将目标目的地推荐给用户。也就是说,本申请可以在通过预先训练好的预测模型预测用户在当前时刻上的目标目的地。而在现有的目的地预测方法中,仅从用户最近的出行行为中识别目的地,或者基于统计和规则进行目的地预测。因为本申请采用了通过预先训练好的预测模型预测用户在当前时刻上的目标目的地的技术手段,克服了现有技术中目的地预测准确性不高,并且只能适用于有限的出行场景,用户使用体验不好的技术问题,本申请提供的技术方案,可以有效地提高目的地预测的准确性,适用于更加普遍的出行场景,从而可以提升用户的使用体验;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图5是本申请实施例提供的目的地预测装置的结构示意图。如图5所示,所述装置500包括:获取模块501、预测模块502和推荐模块503;其中,
所述获取模块501,用于获取用户的个性化数据和所述用户在当前时刻上的时空场景数据;
所述预测模块502,用于基于所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测所述用户在所述当前时刻上的目标目的地;
所述推荐模块503,用于将所述目标目的地推荐给所述用户。
进一步的,所述个性化数据至少包括:用户特征数据和行为特征数据;其中,所述用户特征数据包括以下至少其中之一:性别、年龄、职业类别、所属行业、所在公司、收入水平、资产状况、消费水平;所述行为特征数据包括以下至少其中之一:检索位置、导航位置和达到位置;所述属性特征包括以下至少其中之一:各个候选目的地的位置坐标、兴趣点类型、位置标签。
图6是本申请实施例提供的预测模块的结构示意图。如图6所示,所述预测模块502包括:输入子模块5021和输出子模块5022;其中,
所述输入子模块5021,用于将所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的候选目的地的属性特征输入至预先训练好的机器学习模型中;其中,所述机器学习模型包括但不限于:线性模型、树模型、神经网络模型;
所述输出子模块5022,用于通过所述机器学习模型输出所述用户在所述当前时刻上的目标目的地。
进一步的,所述输出子模块5022,具体用于通过所述机器学习模型计算出各个候选目的地对应的被选中的概率值或者未被选中的概率值;根据各个候选目的地被选中的概率值或者未被选中的概率值,将全部的候选目的地进行排序,并根据排序结果确定出所述用户在所述当前时刻上的目标目的地。
进一步的,所述装置还包括:训练模块504(图中未示出),用于将预先获取的一个正样本数据或者负样本数据作为当前样本数据;若所述预测模型不满足预先设置的收敛条件,将所述当前样本数据输入至所述预测模型中,使用所述当前样本数据对所述预测模型进行训练;将所述当前样本数据的下一个样本数据作为所述当前样本数据,重复执行上述操作,直到所述预测模型满足所述收敛条件。
上述目的地预测装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的目的地预测方法。
实施例四
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的目的地预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的目的地预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的目的地预测方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的目的地预测方法对应的程序指令/模块(例如,附图5所示的获取模块501、预测模块502和推荐模块503)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的目的地预测方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据目的地预测方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至目的地预测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
目的地预测方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与目的地预测方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,先获取用户的个性化数据和用户在当前时刻上的时空场景数据;然后基于用户的个性化数据和用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测用户在当前时刻上的目标目的地;再将目标目的地推荐给用户。也就是说,本申请可以在通过预先训练好的预测模型预测用户在当前时刻上的目标目的地。而在现有的目的地预测方法中,仅从用户最近的出行行为中识别目的地,或者基于统计和规则进行目的地预测。因为本申请采用了通过预先训练好的预测模型预测用户在当前时刻上的目标目的地的技术手段,克服了现有技术中目的地预测准确性不高,并且只能适用于有限的出行场景,用户使用体验不好的技术问题,本申请提供的技术方案,可以有效地提高目的地预测的准确性,适用于更加普遍的出行场景,从而可以提升用户的使用体验;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种目的地预测方法,所述方法包括:
获取用户的个性化数据和所述用户在当前时刻上的时空场景数据;
基于所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测所述用户在所述当前时刻上的目标目的地;
将所述目标目的地推荐给所述用户。
2.根据权利要求1所述的方法,所述个性化数据至少包括:用户特征数据和行为特征数据;其中,所述用户特征数据包括以下至少其中之一:性别、年龄、职业类别、所属行业、所在公司、收入水平、资产状况、消费水平;所述行为特征数据包括以下至少其中之一:检索位置、导航位置和达到位置;所述属性特征包括以下至少其中之一:各个候选目的地的位置坐标、兴趣点类型、位置标签。
3.根据权利要求1所述的方法,所述基于所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的候选目的地的属性特征,通过预先训练好的预测模型得到所述用户在所述当前时刻上的目标目的地,包括:
将所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的候选目的地的属性特征输入至预先训练好的机器学习模型中;其中,所述机器学习模型包括但不限于:线性模型、树模型、神经网络模型;
通过所述机器学习模型输出所述用户在所述当前时刻上的目标目的地。
4.根据权利要求3所述的方法,其特征在于,所述通过所述机器学习模型输出所述用户在所述当前时刻上的目标目的地,包括:
通过所述机器学习模型计算出各个候选目的地对应的被选中的概率值或者未被选中的概率值;
根据各个候选目的地被选中的概率值或者未被选中的概率值,将全部的候选目的地进行排序,并根据排序结果确定出所述用户在所述当前时刻上的目标目的地。
5.根据权利要求1所述的方法,在所述获取用户的个性化数据和所述用户在当前时刻上的时空场景数据之前,所述方法还包括:
将预先获取的一个正样本数据或者负样本数据作为当前样本数据;
若所述预测模型不满足预先设置的收敛条件,将所述当前样本数据输入至所述预测模型中,使用所述当前样本数据对所述预测模型进行训练;将所述当前样本数据的下一个样本数据作为所述当前样本数据,重复执行上述操作,直到所述预测模型满足所述收敛条件。
6.一种目的地预测装置,所述装置包括:获取模块、预测模块和推荐模块;其中,
所述获取模块,用于获取用户的个性化数据和所述用户在当前时刻上的时空场景数据;
所述预测模块,用于基于所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的各个候选目的地的属性特征,通过预先训练好的预测模型预测所述用户在所述当前时刻上的目标目的地;
所述推荐模块,用于将所述目标目的地推荐给所述用户。
7.根据权利要求6所述的装置,所述个性化数据至少包括:用户特征数据和行为特征数据;其中,所述用户特征数据包括以下至少其中之一:性别、年龄、职业类别、所属行业、所在公司、收入水平、资产状况、消费水平;所述行为特征数据包括以下至少其中之一:检索位置、导航位置和达到位置;所述属性特征包括以下至少其中之一:各个候选目的地的位置坐标、兴趣点类型、位置标签。
8.根据权利要求6所述的装置,所述预测模块包括:输入子模块和输出子模块;其中,
所述输入子模块,用于将所述用户的个性化数据和所述用户在当前时刻上的时空场景数据以及预先确定的候选目的地的属性特征输入至预先训练好的机器学习模型中;其中,所述机器学习模型包括但不限于:线性模型、树模型、神经网络模型;
所述输出子模块,用于通过所述机器学习模型输出所述用户在所述当前时刻上的目标目的地。
9.根据权利要求8所述的装置,所述输出子模块,具体用于通过所述机器学习模型计算出各个候选目的地对应的被选中的概率值或者未被选中的概率值;根据各个候选目的地被选中的概率值或者未被选中的概率值,将全部的候选目的地进行排序,并根据排序结果确定出所述用户在所述当前时刻上的目标目的地。
10.根据权利要求6所述的装置,所述装置还包括:训练模块,用于将预先获取的一个正样本数据或者负样本数据作为当前样本数据;若所述预测模型不满足预先设置的收敛条件,将所述当前样本数据输入至所述预测模型中,使用所述当前样本数据对所述预测模型进行训练;将所述当前样本数据的下一个样本数据作为所述当前样本数据,重复执行上述操作,直到所述预测模型满足所述收敛条件。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872564.XA CN112069275A (zh) | 2020-08-26 | 2020-08-26 | 一种目的地预测方法、装置、电子设备及存储介质 |
KR1020210023595A KR20220026999A (ko) | 2020-08-26 | 2021-02-22 | 목적지 예측 방법, 장치, 전자 기기 및 저장 매체 |
JP2021046455A JP7334205B2 (ja) | 2020-08-26 | 2021-03-19 | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム |
EP21163891.1A EP3822876A3 (en) | 2020-08-26 | 2021-03-22 | Method and apparatus for predicting destination, electronic device and storage medium |
US17/213,872 US20210239486A1 (en) | 2020-08-26 | 2021-03-26 | Method and apparatus for predicting destination, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872564.XA CN112069275A (zh) | 2020-08-26 | 2020-08-26 | 一种目的地预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069275A true CN112069275A (zh) | 2020-12-11 |
Family
ID=73658927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010872564.XA Pending CN112069275A (zh) | 2020-08-26 | 2020-08-26 | 一种目的地预测方法、装置、电子设备及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210239486A1 (zh) |
EP (1) | EP3822876A3 (zh) |
JP (1) | JP7334205B2 (zh) |
KR (1) | KR20220026999A (zh) |
CN (1) | CN112069275A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699194A (zh) * | 2020-12-29 | 2021-04-23 | 昆明理工大学 | 一种地图缩放场景下的智能地图目标预测气泡呈现方法 |
CN113360788A (zh) * | 2021-05-07 | 2021-09-07 | 深圳依时货拉拉科技有限公司 | 一种地址推荐方法、装置、设备及存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021116779A1 (de) | 2021-06-30 | 2023-01-05 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Bereitstellen eines prädizierten, aktuellen Fahrziels an einen Nutzer eines Fahrzeugs, computerlesbares Medium, System, Fahrzeug, und mobiles Endgerät |
KR102445380B1 (ko) * | 2021-11-26 | 2022-09-21 | 주식회사 로이쿠 | Poi 모델링을 통한 poi 검색 및 추천 프로세스 및 그 구동 시스템 |
CN115096324A (zh) * | 2022-05-25 | 2022-09-23 | 科大讯飞股份有限公司 | 路线推荐方法及相关装置、车机、车辆和存储介质 |
CN115631066B (zh) * | 2022-12-22 | 2023-03-07 | 成都秦川物联网科技股份有限公司 | 智慧燃气管道冻胀安全管理方法和物联网系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8170960B1 (en) * | 2006-11-22 | 2012-05-01 | Aol Inc. | User behavior-based remotely-triggered automated actions |
CN110334289A (zh) * | 2019-06-12 | 2019-10-15 | 阿里巴巴集团控股有限公司 | 出行目的地的确定方法和目标用户的确定方法 |
CN111523007A (zh) * | 2020-04-27 | 2020-08-11 | 北京百度网讯科技有限公司 | 用户感兴趣信息确定方法、装置、设备以及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010048146A1 (en) * | 2008-10-20 | 2010-04-29 | Carnegie Mellon University | System, method and device for predicting navigational decision-making behavior |
JP2012008771A (ja) | 2010-06-24 | 2012-01-12 | Sony Corp | 情報処理装置、情報処理システム、情報処理方法およびプログラム |
US9317813B2 (en) | 2013-03-15 | 2016-04-19 | Apple Inc. | Mobile device with predictive routing engine |
JP6206337B2 (ja) | 2014-06-18 | 2017-10-04 | トヨタ自動車株式会社 | 情報提供装置および情報提供方法 |
JP6543215B2 (ja) | 2016-05-12 | 2019-07-10 | 日本電信電話株式会社 | 目的地予測装置、目的地予測方法、及び目的地予測プログラム |
KR102552013B1 (ko) | 2016-12-20 | 2023-07-05 | 현대자동차 주식회사 | 목적지 예측 기반 차량 제어 방법 및 시스템 |
WO2019232776A1 (en) * | 2018-06-08 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for generating personalized destination recommendations |
US11429881B1 (en) * | 2018-07-12 | 2022-08-30 | Intuit, Inc. | Personalized grouping of travel data for review through a user interface |
JP6701275B2 (ja) | 2018-07-20 | 2020-05-27 | ヤフー株式会社 | 情報処理装置、情報提供方法及びプログラム |
JP2020094928A (ja) | 2018-12-13 | 2020-06-18 | 本田技研工業株式会社 | 経路案内装置およびその制御方法、情報処理サーバ、ならびに経路案内システム |
-
2020
- 2020-08-26 CN CN202010872564.XA patent/CN112069275A/zh active Pending
-
2021
- 2021-02-22 KR KR1020210023595A patent/KR20220026999A/ko not_active Application Discontinuation
- 2021-03-19 JP JP2021046455A patent/JP7334205B2/ja active Active
- 2021-03-22 EP EP21163891.1A patent/EP3822876A3/en active Pending
- 2021-03-26 US US17/213,872 patent/US20210239486A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8170960B1 (en) * | 2006-11-22 | 2012-05-01 | Aol Inc. | User behavior-based remotely-triggered automated actions |
CN110334289A (zh) * | 2019-06-12 | 2019-10-15 | 阿里巴巴集团控股有限公司 | 出行目的地的确定方法和目标用户的确定方法 |
CN111523007A (zh) * | 2020-04-27 | 2020-08-11 | 北京百度网讯科技有限公司 | 用户感兴趣信息确定方法、装置、设备以及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699194A (zh) * | 2020-12-29 | 2021-04-23 | 昆明理工大学 | 一种地图缩放场景下的智能地图目标预测气泡呈现方法 |
CN113360788A (zh) * | 2021-05-07 | 2021-09-07 | 深圳依时货拉拉科技有限公司 | 一种地址推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR20220026999A (ko) | 2022-03-07 |
EP3822876A2 (en) | 2021-05-19 |
JP2022020043A (ja) | 2022-01-31 |
EP3822876A3 (en) | 2021-10-20 |
US20210239486A1 (en) | 2021-08-05 |
JP7334205B2 (ja) | 2023-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069275A (zh) | 一种目的地预测方法、装置、电子设备及存储介质 | |
Yuan et al. | A survey of traffic prediction: from spatio-temporal data to intelligent transportation | |
CN111489553B (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
CN111859291B (zh) | 交通事故识别方法、装置、设备和计算机存储介质 | |
CN112561191B (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
CN112069401A (zh) | 一种出行方式的推荐方法、装置、电子设备及存储介质 | |
US9959647B1 (en) | Representation of activity in images using geospatial temporal graphs | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
WO2014194480A1 (en) | Air quality inference using multiple data sources | |
CN115879535A (zh) | 一种自动驾驶感知模型的训练方法、装置、设备和介质 | |
CN112541302A (zh) | 空气质量预测模型训练方法、空气质量预测方法及装置 | |
WO2022134478A1 (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
CN112269930A (zh) | 建立区域热度预测模型、区域热度预测的方法及装置 | |
CN112395502A (zh) | 一种页面显示方法、装置、电子设备及计算机存储介质 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
US11976935B2 (en) | Route recommendation method, electronic device, and storage medium | |
Ma et al. | Research and application of second-hand housing price prediction model based on LSTM | |
CN113741459A (zh) | 确定训练样本的方法和自动驾驶模型的训练方法、装置 | |
CN111782748B (zh) | 地图检索方法、信息点poi语义向量的计算方法和装置 | |
CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN111325249B (zh) | 图像应季判别方法、系统、电子设备和介质 | |
US20220101273A1 (en) | Methods and systems for forecasting estimated time of restoration during service interruption | |
CN115114997A (zh) | 确定空间约束特征的方法和条件随机场模型的训练方法 |
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 |