CN112070288A - 出发时间预估方法、装置、设备以及存储介质 - Google Patents
出发时间预估方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112070288A CN112070288A CN202010873745.4A CN202010873745A CN112070288A CN 112070288 A CN112070288 A CN 112070288A CN 202010873745 A CN202010873745 A CN 202010873745A CN 112070288 A CN112070288 A CN 112070288A
- Authority
- CN
- China
- Prior art keywords
- user
- time
- information
- staying
- stay
- 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 52
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
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)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种出发时间预估方法、装置、设备以及存储介质,涉及数据处理技术领域,尤其涉及人工智能、自动驾驶、智能交通、智能搜索等技术。具体实现方案为:若根据用户的定位信息识别到用户停留,则根据用户的定位信息确定用户的停留位置;根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长;根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。根据本申请的技术实现了对用户出发时间的预估。
Description
技术领域
本申请涉及数据处理技术领域,尤其人工智能、自动驾驶、智能交通、智能搜索等技术,具体涉及一种出发时间预估方法、装置、设备以及存储介质。
背景技术
出行用户所处的出行环境中的道路、拥堵、公交、天气等外部环境信息会随时空变化持续动态变化。出行产品要为用户提供最优的出行时机、出行方式、出行路线等,就需要根据行程出发时间,持续计算用户行程的完整环境信息,为用户提供优选的出行决策选项并及时通知用户。
如果能预估出出行者的行车出发时间,将可以提前对用户进行行程的充分计算,从而提高出行者使用出行产品的用户体验。
发明内容
本公开提供了一种出发时间预估方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种出发时间预估方法,包括:
若根据用户的定位信息识别到用户停留,则根据用户的定位信息确定用户的停留位置;
根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长;
根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
根据本公开的另一方面,提供了一种出发时间预估装置,包括:
位置确定模块,用于若根据用户的定位信息识别到用户停留,则根据用户的定位信息确定用户的停留位置;
停留时长确定模块,用于根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长;
出发时间确定模块,用于根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
根据本公开的又一方面,提供了一种电子设备,其中,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本申请实施例中任一项所述的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本申请实施例中任一项所述的方法。
根据本申请的技术实现了对用户出发时间的预估。
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一种出发时间预估方法的流程图;
图2是本申请实施例提供的另一种出发时间预估方法的流程图;
图3是本申请实施例提供的又一种出发时间预估方法的流程图;
图4是本申请实施例提供的又一种出发时间预估方法的流程图
图5是本申请实施例提供的一种出发时间预估方法的层次结构示意;
图6是本申请实施例提供的一种出发时间预估装置的示意图;
图7是根据本申请实施例的出发时间预估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。
图1是本申请实施例提供的一种出发时间预估方法的流程图。本申请实施例可以适用于在用户停留某位置后,预估该用户离开该位置,出发去其他位置的时间的情况。该方法可以由一种出发时间预估装置来执行。该装置可以由软件和/或硬件的方式实现。参见图1,本申请实施例提供的出发时间预估方法包括:
S110、若根据用户的定位信息识别到用户停留,则根据用户的定位信息确定用户的停留位置。
其中,定位信息是实时定位信息,用于对用户实时停留位置的离开时间进行预估。
用户的定位信息可以由用户的手持终端获取,也可以由用户驾驶的车辆终端获取。
该定位信息可以是连续的,也可以是间断的。
具体地,用户的停留位置可以是某位置区域(AOI)或某位置点(POI)。
在一个实施例中,根据用户的定位信息,识别到用户停留,可以包括:若连续获得的定位信息关联的位置相同,则确定用户发生了停留。
根据用户的定位信息确定用户的停留位置,可以包括:基于用户的定位坐标进行反向地理位置解析计算,召回用户的停留位置。
S120、根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长。
其中,用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,包括:
用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的任一种,以及,用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的任意组合。
此种解释的保护范围确定方式同样适用于本申请实施中其他具有相同连接结构的句子。
剩余停留时长是指从当前时间到用户离开停留位置的时间长度。
在一个实施例中,用户所处的空间场景信息可以包括:用户所在城市、该城市是否是常驻城市、用户对该城市的熟悉程度、停留位置的功能属性类型、停留位置所属的店面类型、停留位置的面积、停留位置关联兴趣点的营业时间和停留位置的停留时长信息中的至少一种。
其中,停留位置的停留时长信息包括不同人群在停留位置的停留时长信息,在停留位置关联的区域面积大于设定面积阈值的情况下,用户在停留位置关联区域内的不同具体位置的停留时长信息和停留位置所属类型对应的停留时长信息中的至少一种。
用户所处的时间场景信息可以包括:停留位置关联兴趣点的营业时间和/或当前时间信息。
其中,当前时间信息包括:当前时间是否是节假日、当前时间是否是白天和当前时间的所属时间段中的至少一种。
历史轨迹信息包括:用户在到达停留位置前的轨迹形态、行驶速度、行驶方向、与停留位置之间的距离和到达所述停留位置的时间差中的至少一种。
具体以时间发生顺序对获得的每个定位点进行上述历史轨迹信息的统计,得到时序空间的统计特征。利用时序空间的统计特征预估用户在所述停留位置的剩余停留时长。
出行方式信息可以包括驾车、公交、骑行和步行等中的至少一种出行方式的相关特征。例如不同出行方式的轨迹形态特征等。
预估用户到达停留位置的时间信息可以包括:从历史定位点到达停留位置的时长和/或用户在停留位置的已停留时长。
其中,从历史定位点到达停留位置的时长和用户在停留位置的已停留时长均可以通过用户的连续定位信息或用户的间断定位信息确定。
用户个性化信息可以包括:用户在不同时间场景下的出行规律、用户在不同空间场景下的出行规律和用户的个人属性信息中的至少一种。
可选地,可以通过匹配用户所处的空间场景信息和用户在不同空间场景下的出行规律,确定用户在停留位置的剩余停留时长;也可以通过匹配用户所处的时间场景信息和用户在不同时间场景下的出行规律,确定用户在停留位置的剩余停留时长;还可以根据历史定位点到达停留位置的时长确定到达停留位置的到达时间,根据到达时间和用户在停留位置的已停留时长,确定用户在停留位置的剩余停留时长。
S130、根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
具体地,在当前时间的基础上加上剩余停留时长,得到用户离开停留位置的出发时间。
本申请实施例的技术方案,通过利用用户个性化信息对在停留位置的剩余停留时长进行预估,相比基于大多数人的出行时间进行剩余停留时长的预估,本申请实施例可以满足用户的个性化需求,进而提高出发时间的预估准确率。
图2是本申请实施例提供的另一种出发时间预估方法的流程图。本方案是在上述实施例的基础上,对步骤“根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长”的具体优化。参见图2,本方案包括:
S210、若根据用户的定位信息,识别到用户停留,则根据用户的定位信息确定用户的停留位置。
S220、将用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种输入预先训练的分类模型。
其中该分类模型中的不同类别表示不同停留时长。
S230、根据模型输出,确定目标类别,并将目标类别对应的停留时长作为用户在所述停留位置的剩余停留时长。
其中,目标类别是指用户当前所属的类别。
S240、根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
本方案通过将不同停留时长作为不同类别,将预测停留时间问题转化为机器学习的多分类或多个二分类问题,以提高停留时间的确定效率。
图3是本申请实施例提供的又一种出发时间预估方法的流程图。本方案是在上述实施例的基础上,对方案的进一步扩展。参见图3,本方案包括:
S310、若根据用户的定位信息,识别到用户停留,则根据用户的定位信息确定用户的停留位置。
S320、根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长。
S330、根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
S340、根据确定的出发时间和预估的至少一个目的地进行导航路线规划,得到至少一条导航路径。
本方案对上述目的地的预估方法不做限定,可以是现有技术中的任意目的地预估方法。
S350、响应用户的导航请求,将所述至少一条导航路径推送给用户。
在一个实施例中,导航请求的触发可以是用户对地图应用的点击。
本方案通过在接收到用户的导航请求之前,利用预估的出发时间进行路线规划,在接收到用户的导航请求后直接将规划的导航路径发送给用户,从而为用户提前进行更完备的出行决策计算。
通过在接收到用户的导航请求后直接将规划的导航路径发送给用户,从而减少用户的手动操作,避免分散用户注意力,提升出行安全。
通过根据确定的出发时间和预估的至少一个目的地进行导航路线规划,从而动态适应用户行程变化。
为给用户进行优质建议的提供,所述根据确定的出发时间和预估的至少一个目的地进行导航路线规划,得到至少一条导航路径之后,所述方法还包括:
检测所述至少一条导航路径在所述出发时间的第一拥堵度;
若检测到的第一拥堵度大于设定拥堵度阈值,则确定所述至少一条导航路径在其他时间的第二拥堵度,其中所述其他时间是指当前时间和所述出发时间之间的时间;
根据所述第二拥堵度和所述第一拥堵度,从所述出发时间和所述其他时间中确定目标出发时间;
基于所述目标出发时间对用户进行提醒。
其中,第一拥堵度是指导航路径在出发时间的拥堵程度。
第二拥堵度是指导航路径在其他时间的拥堵程度。
基于该技术特征,本方案通过比较出发时间导航路径的拥堵程度和其他时间导航路径的拥堵程度,从而将拥堵程度较小的时间推送给用户,为用户避免拥堵。
图4是本申请实施例的提供的又一种出发时间预估方法的流程图。本方案是在上述实施例的基础上,以定位信息是间断的为例,提出的一种可选方案。参见图4,本方案包括:
S410、若根据用户的定位信息识别到用户停留,则根据用户的定位信息确定用户的停留位置。
其中,定位信息是间断的。
S420、利用间断的定位信息,确定用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种。
在一个实施例中,根据接收的距离当前时间最近的定位信息关联的定位坐标确定用户所处的空间场景信息。
根据接收的距离当前时间最近的定位信息关联的定位时间确定用户所处的时间场景信息。
根据间断的定位信息的轨迹形态,确定用户在到达所述停留位置之前的历史轨迹信息和用户的出行方式信息。
根据间断的定位信息确定用户个性化信息。
在一个实施例中,利用间断的定位信息,确定预估用户到达所述停留位置的时间信息,包括:
确定历史定位点与停留位置之间的距离;
根据确定的距离和用户在历史定位点的行驶速度,确定用户从历史定位点到达停留位置的时长;
在历史定位点关联的历史时间的基础上,加上用户从历史定位点到达停留位置的时长,得到用户到达停留位置的时间;
根据当前时间和用户到达停留位置的时间,确定用户在停留位置的已停留时长;
其中从历史定位点到达停留位置的时长和用户在停留位置的已停留时长均属于预估用户到达停留位置的时间信息。
S430、根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长。
S440、根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
本方案通过利用间断的定位信息进行出发时间预估,从而使得本方案无需客户端与服务器保持长连接通信,进而减少通信开销,提高方案的可行性。
图5是本申请实施例提供的一种出发时间预估方法的层次结构示意图。本方案是在上述方案的基础上,提供的一种可选方案。参见图5,本方案包括定位召回、特征工程、模型选取和智能业务四部分,具体描述如下:
(1)定位召回:实时分析定位流,实时识别停留;在识别到用户停留后,基于用户定位进行反向地理位置解析计算,召回用户的停留位置。
(2)特征工程:
位置类特征:指用户所处的空间场景信息,包括用户所在城市、该城市是否是常驻城市、用户对该城市的熟悉程度、所述停留位置的功能属性类型、所述停留位置所属的店面类型、所述停留位置的面积、所述停留位置关联兴趣点的营业时间和所述停留位置的停留时长信息。可选地,可以根据用户所处的空间场景扩展用户位置类特征。
时间类特征:指用户当前所处的时间场景信息,包括所述停留位置关联兴趣点的营业时间和/或当前时间信息,其中当前时间信息包括当前时间是否是节假日、当前时间是否是白天和当前时间所属的时间段。可选地,可以通过对用户当前时间场景的精细化细分,为用户扩展当前时间类特征。
历史轨迹特征包括时序空间的统计特征。时序空间的统计特征以时间发生顺序对获得的每个定位点进行历史轨迹信息的统计得到。历史轨迹信息包括:用户在到达所述停留位置前的轨迹形态、行驶速度、行驶方向、与所述停留位置之间的距离和到达所述停留位置的时间差。
出行方式特征包括:驾车、公交、骑行、步行等出行方式相关特征。
时间预估特征包括:从历史定位点到达停留位置的时长和用户在停留位置的已停留时长等特征。
个性化特征包括:用户在不同时间场景下的出行规律、用户在不同空间场景下的出行规律和用户的个人属性信息。
(3)模型选取:将预测出发时间转化为等价命题预测用户剩余停留时长,也即预测用户在n分钟内离开的概率。当n取不同值时,即可转化为机器学习的多分类或多个二分类问题,转化为目标函数最优化问题。
可选地,可以采用线性模型(LR)、树形模型(GBDT、XGBoost)或神经网络模型(DNN)等机器学习算法,通过对用户定位样本的学习,即可预测对不同剩余停留时长的概率。
(4)智能化业务扩展:基于定位事件召回后触发预测,根据以上特征工程生产特征,实时计算得到预测结果。该方案支持通过主动通知、被动查询两种方式的服务业务。预测使用的实时特征及预测结果,可以根据业务订阅权限主动通知业务。业务方也可以根据查询权限进行低时延、高并发查询。业务方可直接使用预测结果按规则执行业务逻辑,也可以使用以上特征和预测结果,融入自身业务模型,根据具体业务目标进行二次预测。
本方案通过当用户停留在某个位置区域或位置点时,预估出用户剩余停留时长,或预估用户在n分钟内离开的概率,也即预估出发时间。该方案具有以下有益效果:
(1)个性化:基于用户的个性化特征预测出发时间。
(2)性能高:通过停留点快速召回。
(3)覆盖率高:基于用户稀疏定位即可触发主动计算,无需大量连续定位。因此可以覆盖大量用户。
(4)支持扩展:输出预测概率值及特征组,便于业务根据自身偏好扩展调整,特别适合智能化业务接入。
图6是本申请实施例提供的一种出发时间预估装置的示意图。参见图6本申请实施例提供的出发时间预估装置600包括:位置确定模块601、停留时长确定模块602和触发时间模块603。
其中,位置确定模块601,用于若根据用户的定位信息识别到用户停留,则根据用户的定位信息确定用户的停留位置;
停留时长确定模块602,用于根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长;
出发时间确定模块603,用于根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
本申请实施例的技术方案,通过利用用户个性化信息对在停留位置的剩余停留时长进行预估,相比基于大多数人的出行时间进行剩余停留时长的预估,本申请实施例可以满足用户的个性化需求,进而提高出发时间的预估准确率。
又因为本申请实施例适用的用户的定位信息可以是间断的,所以本申请实施例无需客户端与服务器保持长连接通信,从而减少了通信开销,提高了方案的可行性。
进一步地,所述停留时长确定模块,包括:
信息输入单元,用于将用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种输入预先训练的分类模型,其中所述分类模型中的不同类别表示不同停留时长;
时长确定单元,用于根据模型输出确定目标类别,并将目标类别对应的停留时长作为用户在所述停留位置的剩余停留时长。
进一步地,所述根据确定的剩余停留时长确定用户离开所述停留位置的出发时间之后,所述装置还包括:
导航模块,用于根据确定的出发时间和预估的至少一个目的地进行导航路线规划,得到至少一条导航路径;
路径推送模块,用于响应用户的导航请求,将所述至少一条导航路径推送给用户。
进一步地,所述根据确定的出发时间和预估的至少一个目的地进行导航路线规划,得到至少一条导航路径之后,所述装置还包括:
第一拥堵检测模块,用于检测所述至少一条导航路径在所述出发时间的第一拥堵度;
第二拥堵检测模块,用于若检测到的第一拥堵度大于设定拥堵度阈值,则确定所述至少一条导航路径在其他时间的第二拥堵度,其中所述其他时间是指当前时间和所述出发时间之间的时间;
时间确定模块,用于根据所述第二拥堵度和所述第一拥堵度,从所述出发时间和所述其他时间中确定目标出发时间;
用户提醒模块,用于基于所述目标出发时间对用户进行提醒。
进一步地,所述用户所处的时间场景信息包括:所述停留位置关联兴趣点的营业时间和/或当前时间信息,其中当前时间信息包括当前时间是否是节假日、当前时间是否是白天和当前时间所属的时间段中的至少一种;进一步地,所述用户所处的时间场景信息包括:所述停留位置关联兴趣点的营业时间和/或当前时间信息,其中当前时间信息包括当前时间是否是节假日、当前时间是否是白天和当前时间所属的时间段中的至少一种;
所述历史轨迹信息包括:用户在到达所述停留位置前的轨迹形态、行驶速度、行驶方向、与所述停留位置之间的距离和到达所述停留位置的时间差中的至少一种;
预估用户到达所述停留位置的时间信息包括:从历史定位点到达所述停留位置的时长和/或用户在所述停留位置的已停留时长;
用户个性化信息包括用户在不同时间场景下的出行规律、用户在不同空间场景下的出行规律和用户的个人属性信息中的至少一种。
进一步地,所述定位信息是间断的;
所述装置还包括:
信息确定模块,用于所述根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长之前,利用间断的定位信息,确定用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种。
进一步地,所述信息确定模块,包括:
距离确定单元,用于确定历史定位点与停留位置之间的距离;
第一时长确定单元,用于根据确定的距离和用户在历史定位点的行驶速度,确定用户从历史定位点到达停留位置的时长;
时间计算单元,用于在历史定位点关联的历史时间的基础上,加上用户从历史定位点到达停留位置的时长,得到用户到达停留位置的时间;
第二时长确定单元,用于根据当前时间和用户到达停留位置的时间,确定用户在停留位置的已停留时长;
其中所述从历史定位点到达停留位置的时长和所述用户在停留位置的已停留时长均属于预估用户到达所述停留位置的时间信息。
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出发时间预估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出发时间预估方法。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出发时间预估方法。
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出发时间预估方法对应的程序指令/模块(例如,附图6所示的位置确定模块601、停留时长确定模块602和触发时间模块603)。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出发时间预估方法。
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出发时间预估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出发时间预估电子设备。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。
出发时间预估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7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,以及产生与出发时间预估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。
根据本申请的技术实现了对用户出发时间的预估。
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,本发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 (18)
1.一种出发时间预估方法,包括:
若根据用户的定位信息识别到用户停留,则根据用户的定位信息确定用户的停留位置;
根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长;
根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
2.根据权利要求1所述的方法,其中,所述根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长,包括:
将用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种输入预先训练的分类模型,其中所述分类模型中的不同类别表示不同停留时长;
根据模型输出确定目标类别,并将目标类别对应的停留时长作为用户在所述停留位置的剩余停留时长。
3.根据权利要求1或2所述的方法,所述根据确定的剩余停留时长确定用户离开所述停留位置的出发时间之后,所述方法还包括:
根据确定的出发时间和预估的至少一个目的地进行导航路线规划,得到至少一条导航路径;
响应用户的导航请求,将所述至少一条导航路径推送给用户。
4.根据权利要求3所述的方法,所述根据确定的出发时间和预估的至少一个目的地进行导航路线规划,得到至少一条导航路径之后,所述方法还包括:
检测所述至少一条导航路径在所述出发时间的第一拥堵度;
若检测到的第一拥堵度大于设定拥堵度阈值,则确定所述至少一条导航路径在其他时间的第二拥堵度,其中所述其他时间是指当前时间和所述出发时间之间的时间;
根据所述第二拥堵度和所述第一拥堵度,从所述出发时间和所述其他时间中确定目标出发时间;
基于所述目标出发时间对用户进行提醒。
5.根据权利要求1或2所述的方法,其中,所述用户所处的空间场景信息,包括:用户所在城市、该城市是否是常驻城市、用户对该城市的熟悉程度、所述停留位置的功能属性类型、所述停留位置所属的店面类型、所述停留位置的面积、所述停留位置关联兴趣点的营业时间和所述停留位置的停留时长信息中的至少一种。
6.根据权利要求1或2所述的方法,其中,所述用户所处的时间场景信息包括:所述停留位置关联兴趣点的营业时间和/或当前时间信息,其中当前时间信息包括当前时间是否是节假日、当前时间是否是白天和当前时间所属的时间段中的至少一种;
所述历史轨迹信息包括:用户在到达所述停留位置前的轨迹形态、行驶速度、行驶方向、与所述停留位置之间的距离和到达所述停留位置的时间差中的至少一种;
预估用户到达所述停留位置的时间信息包括:从历史定位点到达所述停留位置的时长和/或用户在所述停留位置的已停留时长;
用户个性化信息包括:用户在不同时间场景下的出行规律、用户在不同空间场景下的出行规律和用户的个人属性信息中的至少一种。
7.根据权利要求1或2所述的方法,其中,所述定位信息是间断的;
所述根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长之前,所述方法还包括:
利用间断的定位信息,确定用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种。
8.根据权利要求7所述的方法,其中,所述利用间断的定位信息,确定预估用户到达所述停留位置的时间信息,包括:
确定历史定位点与停留位置之间的距离;
根据确定的距离和用户在历史定位点的行驶速度,确定用户从历史定位点到达停留位置的时长;
在历史定位点关联的历史时间的基础上,加上用户从历史定位点到达停留位置的时长,得到用户到达停留位置的时间;
根据当前时间和用户到达停留位置的时间,确定用户在停留位置的已停留时长;
其中所述从历史定位点到达停留位置的时长和所述用户在停留位置的已停留时长均属于预估用户到达所述停留位置的时间信息。
9.一种出发时间预估装置,包括:
位置确定模块,用于若根据用户的定位信息识别到用户停留,则根据用户的定位信息确定用户的停留位置;
停留时长确定模块,用于根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长;
出发时间确定模块,用于根据确定的剩余停留时长确定用户离开所述停留位置的出发时间。
10.根据权利要求9所述装置,其中,所述停留时长确定模块,包括:
信息输入单元,用于将用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种输入预先训练的分类模型,其中所述分类模型中的不同类别表示不同停留时长;
时长确定单元,用于根据模型输出确定目标类别,并将目标类别对应的停留时长作为用户在所述停留位置的剩余停留时长。
11.根据权利要求9或10所述装置,其中,所述装置还包括:
导航模块,用于所述根据确定的剩余停留时长确定用户离开所述停留位置的出发时间之后,根据确定的出发时间和预估的至少一个目的地进行导航路线规划,得到至少一条导航路径;
路径推送模块,用于响应用户的导航请求,将所述至少一条导航路径推送给用户。
12.根据权利要求11所述装置,其中,所述装置还包括:
第一拥堵检测模块,用于所述根据确定的出发时间和预估的至少一个目的地进行导航路线规划,得到至少一条导航路径之后,检测所述至少一条导航路径在所述出发时间的第一拥堵度;
第二拥堵检测模块,用于若检测到的第一拥堵度大于设定拥堵度阈值,则确定所述至少一条导航路径在其他时间的第二拥堵度,其中所述其他时间是指当前时间和所述出发时间之间的时间;
时间确定模块,用于根据所述第二拥堵度和所述第一拥堵度,从所述出发时间和所述其他时间中确定目标出发时间;
用户提醒模块,用于基于所述目标出发时间对用户进行提醒。
13.根据权利要求9或10所述装置,其中,所述用户所处的时间场景信息包括:所述停留位置关联兴趣点的营业时间和/或当前时间信息,其中当前时间信息包括当前时间是否是节假日、当前时间是否是白天和当前时间所属的时间段中的至少一种。
14.根据权利要求9或10所述装置,其中,所述用户所处的时间场景信息包括:所述停留位置关联兴趣点的营业时间和/或当前时间信息,其中当前时间信息包括当前时间是否是节假日、当前时间是否是白天和当前时间所属的时间段中的至少一种;
所述历史轨迹信息包括:用户在到达所述停留位置前的轨迹形态、行驶速度、行驶方向、与所述停留位置之间的距离和到达所述停留位置的时间差中的至少一种;
预估用户到达所述停留位置的时间信息包括:从历史定位点到达所述停留位置的时长和/或用户在所述停留位置的已停留时长;
用户个性化信息包括用户在不同时间场景下的出行规律、用户在不同空间场景下的出行规律和用户的个人属性信息中的至少一种。
15.根据权利要求9或10所述的装置,其中,所述定位信息是间断的;
所述装置还包括:
信息确定模块,用于所述根据用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种,预估用户在所述停留位置的剩余停留时长之前,利用间断的定位信息,确定用户所处的空间场景信息、用户所处的时间场景信息、用户在到达所述停留位置之前的历史轨迹信息、用户的出行方式信息、预估用户到达所述停留位置的时间信息和用户个性化信息中的至少一种。
16.根据权利要求15所述的装置,其中,所述信息确定模块,包括:
距离确定单元,用于确定历史定位点与停留位置之间的距离;
第一时长确定单元,用于根据确定的距离和用户在历史定位点的行驶速度,确定用户从历史定位点到达停留位置的时长;
时间计算单元,用于在历史定位点关联的历史时间的基础上,加上用户从历史定位点到达停留位置的时长,得到用户到达停留位置的时间;
第二时长确定单元,用于根据当前时间和用户到达停留位置的时间,确定用户在停留位置的已停留时长;
其中所述从历史定位点到达停留位置的时长和所述用户在停留位置的已停留时长均属于预估用户到达所述停留位置的时间信息。
17.一种电子设备,其中,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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010873745.4A CN112070288B (zh) | 2020-08-26 | 2020-08-26 | 出发时间预估方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010873745.4A CN112070288B (zh) | 2020-08-26 | 2020-08-26 | 出发时间预估方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070288A true CN112070288A (zh) | 2020-12-11 |
CN112070288B CN112070288B (zh) | 2024-04-05 |
Family
ID=73659030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010873745.4A Active CN112070288B (zh) | 2020-08-26 | 2020-08-26 | 出发时间预估方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070288B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905912A (zh) * | 2021-03-30 | 2021-06-04 | 第四范式(北京)技术有限公司 | 配时方案确定方法及装置 |
CN113407839A (zh) * | 2021-06-22 | 2021-09-17 | 北京百度网讯科技有限公司 | 出行方式的确定方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008041480A1 (fr) * | 2006-09-28 | 2008-04-10 | Panasonic Corporation | Dispositif et procédé pour prévoir une destination |
CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN105224994A (zh) * | 2014-07-03 | 2016-01-06 | 富士通株式会社 | 预测停留时间的装置和方法、确定投递路径的设备和方法 |
CN108389070A (zh) * | 2018-01-17 | 2018-08-10 | 链家网(北京)科技有限公司 | 一种客户行为特征分析方法、服务器及系统 |
JP2019066056A (ja) * | 2017-09-28 | 2019-04-25 | Necネッツエスアイ株式会社 | ユーザ空間環境管理システム、ユーザ空間環境管理方法及びユーザ空間環境管理プログラム |
CN111367872A (zh) * | 2018-12-25 | 2020-07-03 | 北京嘀嘀无限科技发展有限公司 | 用户行为分析方法、装置、电子设备及存储介质 |
-
2020
- 2020-08-26 CN CN202010873745.4A patent/CN112070288B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008041480A1 (fr) * | 2006-09-28 | 2008-04-10 | Panasonic Corporation | Dispositif et procédé pour prévoir une destination |
CN105224994A (zh) * | 2014-07-03 | 2016-01-06 | 富士通株式会社 | 预测停留时间的装置和方法、确定投递路径的设备和方法 |
CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
WO2017031856A1 (zh) * | 2015-08-25 | 2017-03-02 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
JP2019066056A (ja) * | 2017-09-28 | 2019-04-25 | Necネッツエスアイ株式会社 | ユーザ空間環境管理システム、ユーザ空間環境管理方法及びユーザ空間環境管理プログラム |
CN108389070A (zh) * | 2018-01-17 | 2018-08-10 | 链家网(北京)科技有限公司 | 一种客户行为特征分析方法、服务器及系统 |
CN111367872A (zh) * | 2018-12-25 | 2020-07-03 | 北京嘀嘀无限科技发展有限公司 | 用户行为分析方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘春 等: "1-14", 山东理工大学学报(自然科学版), vol. 30, no. 2, 31 March 2016 (2016-03-31) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905912A (zh) * | 2021-03-30 | 2021-06-04 | 第四范式(北京)技术有限公司 | 配时方案确定方法及装置 |
CN112905912B (zh) * | 2021-03-30 | 2024-02-02 | 第四范式(北京)技术有限公司 | 配时方案确定方法及装置 |
CN113407839A (zh) * | 2021-06-22 | 2021-09-17 | 北京百度网讯科技有限公司 | 出行方式的确定方法、装置、设备和存储介质 |
CN113407839B (zh) * | 2021-06-22 | 2024-04-02 | 北京百度网讯科技有限公司 | 出行方式的确定方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112070288B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131233B (zh) | 识别更新道路的方法、装置、设备和计算机存储介质 | |
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 | |
CN111486861B (zh) | 一种路径规划方法、装置、设备和介质 | |
CN111210656B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN112560609A (zh) | 路况预估方法、建立路况预估模型的方法及对应装置 | |
CN112581763A (zh) | 道路事件检测的方法、装置、设备和存储介质 | |
CN110660219A (zh) | 停车场停车预测方法和装置 | |
CN112070288B (zh) | 出发时间预估方法、装置、设备以及存储介质 | |
CN112069275A (zh) | 一种目的地预测方法、装置、电子设备及存储介质 | |
CN112129315B (zh) | 用于推荐停车场的方法、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 | |
CN113160607A (zh) | 停车位导航方法、装置、电子设备、存储介质及产品 | |
CN111814648A (zh) | 一种站口拥堵情况确定方法、装置、设备及存储介质 | |
CN113160693B (zh) | 一种道路路口的处理方法、装置、设备和存储介质 | |
CN111915608A (zh) | 建筑物提取方法、装置、设备和存储介质 | |
CN111609863A (zh) | 导航信息生成方法、装置、电子设备和存储介质 | |
CN110930187A (zh) | 店铺到访人群挖掘方法、装置、设备和介质 | |
CN114238361A (zh) | 地图路网数据的更新方法、装置、电子设备和存储介质 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN109446437B (zh) | 信息挖掘方法、装置、服务器及存储介质 | |
CN110751853A (zh) | 停车位数据的有效性识别方法和装置 | |
CN112819497A (zh) | 转化率预测方法、装置、设备和存储介质 | |
CN111753037B (zh) | 信息表征方法、装置、电子设备及存储介质 | |
CN110542428B (zh) | 驾驶路线质量评估方法及装置 |
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 |