CN112232596B - 一种多式联运中转城市优化方法、系统、终端与存储介质 - Google Patents
一种多式联运中转城市优化方法、系统、终端与存储介质 Download PDFInfo
- Publication number
- CN112232596B CN112232596B CN202011234621.8A CN202011234621A CN112232596B CN 112232596 B CN112232596 B CN 112232596B CN 202011234621 A CN202011234621 A CN 202011234621A CN 112232596 B CN112232596 B CN 112232596B
- Authority
- CN
- China
- Prior art keywords
- city
- transit
- features
- cities
- scheme
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 72
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000010009 beating Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种多式联运中转城市优化方法、系统、终端及存储介质，其技术方案要点是收集全量的车次信息，依据车次信息通过聚类的方法重建站点到城市的映射关系；依据映射关系离线组装出中转方案，获取其离线特征并存储；实时获取并更新其线上特征；训练XGB模型获得精准推荐模型，将离线特征与线上特征组合成组装特征，精准推荐模型依据组装特征对中转城市打分；获取用户中转方案请求，依据映射关系调用所有中转城市的得分；根据得分对中转方案进行排序，形成推荐方案。本申请具有可以最大化优化运输资源的配置，得到实时更新的最优的中转城市的效果。
Description
技术领域
本申请涉及计算机机器学习领域，尤其是涉及一种多式联运中转城市优化方法、系统、终端与存储介质。
背景技术
多式联运是指一种由两种及其以上的交通工具相互衔接、转运而共同完成的运输过程，其核心是筛选出最合适的中转节点。随着现代客运与物流的飞速发展，为发挥不同交通工具在距离、价格、效率等方面的比较优势，需要提供针对多式联运场景的换乘服务，如飞机转火车、火车转汽车、汽车转轮渡等。而在多式联运线路的规划中，中转城市的选择是最重要的一环，直接关系到用户出行方案的耗时、价格以及距离范围，
目前常用的中转城市的筛选方法，包括基于椭圆形距离公式排序和基于历史创单数量排序两种方法，其中椭圆形距离公式是指以出发站和到达站为椭圆的两个圆心，以中转站为椭圆边上的点，计算中转站到出发站和到达站之间的距离的总长与长轴的比值，通常以距离最短为最优；而根据历史创单数量排序则是根据用户搜索线路的历史创单数据进行排序推荐。
上述中的相关技术存在以下缺陷：椭圆形距离公式仅以距离作为判断的标准，没有考虑时间、价格等因素。例如有些中转城市，总距离可能更长，但时间上较短，也可能是较优的选择。且椭圆形距离公式是静态的，城市间距具有空间不变性，但是车次和余票的信息是动态变化的，若待中转城市的运输资源消耗完，但是中转方案选取了该中转城市，由于该中转城市无法进一步提供服务，不利于最优化地利用全局交通网络资源。
发明内容
为了优化全局交通运输资源的配置，得到实时更新的最优的中转方案，本申请提供一种多式联运中转城市优化方法、系统、终端与存储介质。
第一方面，本申请提供一种多式联运中转城市优化方法，采用如下的技术方案：
一种多式联运中转城市优化方法，包括：
收集全量的、不同交通工具的车次信息，依据车次信息通过聚类的方法重建站点到城市的映射关系；
依据站点到城市的映射关系离线组装出全量的中转方案，设计离线特征，然后获取中转方案对应的中转城市的离线特征并存储；
设计线上特征，实时获取并更新对应中转城市的线上特征；
获取用户对中转城市的历史查询数据，使用历史查询数据训练XGB模型，训练完成后获得精准推荐模型；
将离线特征与线上特征组合形成组装特征，使用精准推荐模型依据组装特征对中转城市打分；
获取用户发送的中转方案查询请求，依据站点到城市的映射关系异步调用所有满足用户中转方案查询请求的中转方案对应的中转城市的得分；
对所查询的中转城市的实时余票信息进行检索，依据中转城市的最新得分对中转方案进行排序，基于排序形成推荐方案输出给用户。
通过采用上述技术方案：用户在确定出发地和到达地后，通过线上接口向服务器后台发送查询请求，服务器后台调出全量的中转方案及离线特征，再从调用对应中转城市的实时线上特征，组合后使用精准推荐模型对组装特征进行打分排序，排序完成后向用户输出推荐方案，保证了用户获得足量的可选方案，降低了因出行方案不足，导致用户的出行受到影响的可能性，同时为用户智能化地对线路进行评分和排序，降低了用户出行方案的选择困难，使得用户在出行时得以获得不同交通工具在距离、价格和效率等方面的综合的优势，进而获得最佳的出行体验；
另一方面，实时地对中转城市的交通资源进行更新，避免了因信息更新不及时导致对中转城市的评分出现偏差，保证了评分的实时性，便于对中转方案做出调整，提高了交通资源的利用效率，实现了交通资源的最优化配置。
可选的，所述车次信息设置为全量的，即全国所有城市之间的、包括不同交通工具的以及同一车次的不同座席的车次信息；
其中，聚类的方法设置为划分聚类法，将每个城市下的所有站点的集合进行切分并形成多个子集合，并以所述子集合作为城市与站点之间的新的映射层。
通过采用上述技术方案，在进行方案聚类时不仅包括了所有城市之间的所有的车次信息，同时还包括了不同交通工具的班次信息，提高了用户可选方案的数量，扩大了满足用户出行的方案范围，提高了用户获得理想出行方案的概率，降低了因方案不足导致用户出行受到影响的可能性，同时也促使各地的交通资源灵活配置，提高了交通资源的利用率；
另一方面，提高了用户对目的地定位的精准性，使用户得以精确到达距离目的地最近的站点，提高用户的出行体验，同时将出发地和到达地同时进行聚类，增加了用户出行方案的选择范围，提高了用户获得最佳出行方案的可能性；对城市进行更细的切分使得用户进行目的地和出发地选择时得以做出精确地选择，使得路线查询得以从用户周边的站点开始，降低了方案规划的计算量，加快了服务器后台的响应速度，提高了用户的查询响应速度，提升了用户的查询体验。
可选的，所述依据站点到城市的映射关系离线组装出全量的中转方案，设计离线特征，然后获取中转方案对应的中转城市的离线特征并存储，具体包括：
依据重建的站点到城市的映射关系对出发城市与中转城市之间、中转城市与到达城市之间的所有车次做笛卡尔积，以此组装获得全量的中转方案；其中，每个中转方案均包括出发城市、中转城市、到达城市、出发时间以及对应的到达时间；
设计离线特征，所述离线特征包括对应于中转城市的各个维度的特征，各个维度的特征具体包括历史维度的特征、线路维度的特征、不同车次维度的特征以及组装方案信息维度的特征；
获取每一所述中转城市的所有离线特征并存储；
获取历史维度的特征缺失的中转城市的信息，对每一缺失了历史维度的特征的中转城市均进行初始打分，并将初始打分的分数对应相应的中转城市进行存储。
通过采用上述技术方案，对出发城市、中转城市、到达城市做笛卡尔积，保证了方案选择的充分性，使得用户得以在全量的中转方案中进行选择，避免了用户因方案缺失导致出行计划受到影响，同时向用户返回详细的出行方案信息，便于用户对方案进行选择和判断。
另一方面，以完善的多方面的离线特征去判断中转城市的质量，不仅仅参考历史的售票信息，同时参考线路、组装方案等维度的问题，使得每个中转城市获得综合化的多方面的准确评分，避免了单一片面的评价，导致评分的偶然性，增强了评分对中转城市判断的效用；对于历史记录较少的缺少评分数据的中转城市，进行初始化评分，便于对该中转城市进行初始化地判断，同时使其得以加入中转城市中组成中转方案，增大了用户可选择的方案数量，提高了用户出行的便利性，解决了模型冷启动的问题；
另一方面，依据线上反馈的信息实时地更新中转城市的线上特征的得分，便于对中转城市的交通资源的变化进行掌握，避免了因信息滞后出现所选方案没有余票，导致出行方案出现不可实施的可能性，实现了线上打分的实时性。
可选的，通过线上接口获取用户对中转城市的历史查询数据，
其中，所述获取的历史查询数据包括用户查询的中转城市，中转城市的车票信息以及用户浏览之后是创单还是离开。
通过采用上述技术方案，根据线上回收的历史查询数据对XGB模型进行训练，保证了用于训练的充足数据量，有利于形成高效的精准推荐模型，提高了XGB模型与中转城市的特性计算的契合度，进而保证了对中转城市特性计算的准确度。
可选的，所述打分具体为，初始化的打分以及推断打分；
其中，由于缺少线上特征，所述初始化的打分以中转城市的离线特征为依据；
其中，所述重新推断打分由中转城市的余票变动触发，触发后使用精准推荐模型基于由中转城市的离线特征和最新的线上特征组合而成的组装特征对中转城市进行打分。
通过采用上述技术方案，以离线特征作为依据进行初始打分，提高了初始打分对中转城市评分的精确性；模型的推断打分由余票的变动来触发，降低了精准推荐模型工作时的计算量，提高了模型的工作效率。
可选的，通过线上接口获取用户发送的中转方案请求；
其中，用户发送的中转方案请求具体包括：出发城市、到达城市、出发日期；
将用户查询的出发城市和到达城市映射为对应站点的集合，将出发和到达都重新映射之后，形成一个新的联合查询的key，一个key代表一个分组，然后使用布隆过滤器过滤中转城市，过滤得到的中转城市加上出发和到达城市作为一个新key，去查询对应的得分。
通过采用上述技术方案，使用布隆过滤器对中转方案进行一定的过滤，降低了XGB模型的计算量，提高了模型的工作效率，以出发城市、中转城市和到达城市作为对象进行方案的查询，实现了先选择后组装，提高了方案组装的效率，扩大了用户可选方案的数量，提高了用户选择到所需方案的可能性，提高了为用户推荐服务的质量，实现了资源的最优配置。
可选的，基于得分对中转城市进行排序后，依据排序向用户输出多个排序靠前的可选的推荐方案；
其中，推荐方案的内容具体包括出发站点、中转站点、到达站点、第一乘出发时间、到达中转站点时间、第二乘出发时间以及第二乘到达时间等。
通过采用上述技术方案，对用户输出的出行方案包含信息的车次信息，体现出拼接得到的符合价格、距离和耗时等多方面的换乘服务需求的出行方案，便于用户对方案进行选择，提高了用户的查询体验。
第二方面，本申请提供一种多式联运中转城市优化系统，采用如下的技术方案：
一种多式联运中转城市优化系统，包括：
信息处理模块，收集全量的、不同交通工具的车次信息，依据车次信息通过聚类的方法重建站点到城市的映射关系；
特征获取模块，依据站点到城市的映射关系离线组装出全量的中转方案，设计离线特征，然后获取中转方案对应的中转城市的离线特征并存储；设计线上特征，实时获取并更新对应中转城市的线上特征；
模型打分模块，获取用户对中转城市的历史查询数据，使用历史查询数据训练XGB模型，训练完成后获得精准推荐模型；将离线特征与线上特征组合形成组装特征，使用精准推荐模型依据组装特征对中转城市打分；
请求响应模块，获取用户发送的中转方案查询请求，依据站点到城市的映射关系异步调用所有满足用户中转方案查询请求的中转方案对应的中转城市的得分；
方案推荐模块，对所查询的中转城市的实时余票信息进行检索，依据中转城市的最新得分对中转方案进行排序，基于排序形成推荐方案输出给用户。
通过采用上述技术方案，用户通过线上接口向服务器终端查询基于出发地和到达地的中转方案；服务器后台根据用户的请求从线上数据库A中调用所有可能的中转城市及其离线特征，如中转城市不足、即从线上数据库C中对具有初始分数的中转城市进行调用；将线上数据库B中对应中转城市的线上特征提取出来与离线特征进行组装，对组装形成的组装特征进行打分，根据得分对中转城市进行排序；服务器后台向用户的线上接口发生推荐的中转方案，便于用户获得全量的中转方案选择，并为用户对中转城市做实时更新的评分，便于用户进行选择，有利于各个城市之间的交通资源的配置优化。
第三方面，本申请提供一种智能终端，采用如下的技术方案：
一种智能终端，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述方法的计算机程序。
通过采用上述技术方案，智能终端中的处理器可以根据存储器中存储的相关计算机程序，实现上述多式联运中转城市优化选择方法，进而为用户提供全量的优质的中转方案，有利于优化城市之间的交通资源配置，促进交通运输的发展。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行上述方法的计算机程序。
通过采用上述技术方案，能够存储相应的程序，进而为用户提供全量的优质的中转方案，有利于优化城市之间的交通资源配置，促进交通运输的发展。
综上所述，本申请包括以下至少一种有益技术效果：
1.用户在确定出发地和到达地后，通过线上接口向服务器后台发送查询请求，服务器后台从线上数据库中调出全量的中转方案及离线特征，再从线上数据库B中调用中转城市的实时线上特征，组合后进行打分排序，排序完成后向用户输出推荐方案，保证了用户获得足量的可选方案，降低了因出行方案不足，导致用户的出行受到影响的可能性，同时为用户智能化地对线路进行评分和排序，降低了用户出行方案的选择困难，使得用户在出行时得以获得不同交通工具在距离、价格和效率等方面的综合的优势，进而获得最佳的出行体验；
2.对中转城市的评分基于离线特征和线上特征，将不同属性的特征分别存储，便于统一的更新和调用，提高了方案评分生成的效率，同时线上实时地根据票务信息进行更新，便于对城市之间的交通资源进行优化的配置和调用，有利于城市之间交通运输的发展；
3.精准推荐模型对中转城市的推断打分由余票的变更触发，降低了服务器的运算量，提高了运算效率，同时采用布隆过滤器对可能性低的方案进行一定的过滤，减免了服务器进行不必要的计算，提高了服务器的有效工作效率。
附图说明
图1是本申请实施例中示出的一种多式联运中转城市优化方法的流程框图。
图2是本申请实施例中示出的一种多式联运中转城市优化方法的算法流程图。
图3是本申请实施例中示出的一种多式联运中转城市优化方法的异步系统的流程框图。
图4是本申请实施例中示出的一种多式联运中转城市优化方法的系统框图。
附图标记说明：1、信息处理模块；2、特征获取模块；21、离线特征子模块；22、在线特征子模块；3、模型打分模块；31、线上实时打分子模块；32、组装打分子模块；4、请求响应模块；5、方案推荐模块。
具体实施方式
以下结合附图1-4对本申请作进一步详细说明。
本申请实施例公开一种多式联运中转城市优化方法。参照图1，一种多式联运中转城市优化方法包括以下步骤：
S100、收集全量的、不同交通工具的车次信息，依据车次信息通过聚类的方法重建站点到城市的映射关系；
其中车次信息包括全量的、涉及不同交通工具的信息，具体的还包括车次的到达-出发时间、车次的余票信息以及车上不同座席的余票的信息。
其中重建站点到城市之间的映射关系具体为，对不同的站点进行聚类，聚类法设置为划分聚类法，具体为：
将城市下的所有站点划分为多个小的集合，其中，在查询余票时，一个集合定义为集合中的任一站点都存在：当查询任意站点到某目的站点的方案时，能返回该目的站点到集合中其他站点的车次，扩大了用户在进行路径查询时可以检索到的方案数量。通过上述划分方法，将站点映射到新的城市ID，新的城市ID为原有城市下更细分的小的集合，其规则为，优先以名称进行匹配，然后是行政区域匹配。
举例说明：当用户查询城市A到城市B的出行方案时，返回的车次信息不仅包括城市A到城市B，还包括城市A周边的城市C和城市D到城市B的车次信息，则城市A、城市C以及城市D则为一个新的小的集合。
S200、依据站点到城市的映射关系离线组装出全量的中转方案，设计离线特征，然后获取中转方案对应的中转城市的离线特征并存储在Redis数据库中；
其中离线组装全量的中转方案具体为，第一乘到达城市与第二乘出发城市相同，得到所有可能的出行线路，同时在组装时加入过滤逻辑，对满足过滤逻辑的中转方案进行保留，过滤逻辑包括：
①中转时间大于30分钟，小于12小时；
②第一乘车次与第二乘车次不得相同；
③同一种交通方式，跨站换乘中转时间大于1小时；
④出发城市不能与中转城市相同，目的地城市不能与中转城市相同，出发城市不能与目的地城市相同；
⑤同一线路同一车型的方案，总耗时不得超过3倍；
⑥同一线路经过不同中转城市的距离以离心率限制c/a。
其中离线特征包括关于中转城市的多个维度的特征，多个维度的特征具体包括，
历史维度的特征：历史平均中转时间、历史创单率、历史点击率以及历史点击排序等，更具体的，上述历史维度的时间特征参照时间包括前一周的、前一个月的、前三个月的和前半年的；
线路维度的特征：出发站经纬度、到达站经纬度、中转距离以及离心率等；
不同车次维度的特征：出发站到达站距离、中转时间比值、直达车次数量等；
组装方案信息维度的特征：前十个方案单位时间的价格、单位距离的时间、单位距离的价格、合理总方案数量、方案总时长等。
S300、设计线上特征，实时获取并更新对应中转城市的线上特征；
其中线上特征设计为对中转方案执行中的影响因素，影响因素具体包括：
第一乘的车票信息：第一乘的有票车次信息，余票数量，第一乘的出发、到达时间等；
第二乘的车票信息：第二乘的有票车次信息，余票数量，第二乘的出发、到达时间等；
用户访问数据：2小时内曝光量、2小时内创单量、2小时内被搜索次数等。
S400、获取用户对中转城市的历史查询数据，使用历史查询数据训练XGB模型，训练完成后获得精准推荐模型；
结合图2和图3，其中训练XGB模型具体包括：回收线上曝光的包含离线特征和线上特征的历史查询数据，以历史查询数据作为XGB模型的训练集，历史查询数据具体包括离线特征以及用户访问的结果是创单还是离开等线上特征，以历史查询数据所属的车次映射到站点与站点的连接关系，采用随机抽样的方法控制训练集正负样本比为1:10，训练xgboost分类器，参数设置为树深度5，树的个数500，步长0.1，正则项系数0.05，最终训练获得精准推荐模型。
S500、将离线特征与线上特征组合形成组装特征，使用精准推荐模型依据组装特征对中转城市打分；
具体的，打分包括初始打分以及推断打分。其中，由于缺失线上特征，中转城市的组合特征中仅含有离线特征，以中转城市的离线特征为依据获取中转城市初始打分的分数。进一步，精准推荐模型的推断打分由线上反馈的余票变动信息触发，具体的，当余票信息发生变化时，对应的中转城市的线上特征更新，此时会将更新后的线上特征与离线特征组装形成最新的组装特征，并调用精准推荐模型对最新的组装特征进行打分，获得对应中转城市最新的分数。需要说明的是，用户如果访问后并没有购买车票或在同一次访问中购买又退回了车票，即余票是保持不变的，则对应中转城市的线上特征并无变化，不触发推断打分。从另一方面来说，若对每一次用户访问均进行打分的话，则将浪费巨大的运算资源，因此本实施例使用余票的变动触发打分，减少了模型的计算量，提高了模型的有效运算效率，同时保证了分数实时更新，使用户获得最为精准的评分。
S600、获取用户发送的中转方案查询请求，依据站点到城市的映射关系异步调用所有满足用户中转方案查询请求的中转方案对应的中转城市的得分；
结合图3，其中异步调用所有满足用户中转方案查询请求的中转方案对应的中转城市的得分具体为：获取与用户的中转方案查询请求对应的出发城市和到达城市，并映射到S100中重建后的新的集合中，形成一个新的用于在Redis数据库中进行调用的key，对全国范围内所有可能的中转城市进行调用。然后依据上述过滤逻辑使用布隆过滤器过滤中转城市，过滤得到的中转城市加上出发和到达城市组合形成中转方案，然后调用中转方案对应的得分；
S700、对所查询的中转城市的实时余票信息进行检索，依据中转城市的最新得分对中转方案进行排序，基于排序形成推荐方案输出给用户；
结合图3，其中基于得分对中转城市进行排序后，向用户输出的推荐方案有多个且可选，推荐方案的内容具体包括出发站点、中转站点、到达站点、第一乘出发时间、到达中转站点时间、第二乘出发时间以及第二乘到达时间等。将包含有上述详细的车次信息的推荐方案反馈给用户，便于用户根据自身的需要进行方案选择，如：价格、时间和距离等，有利于获得满足用户需求的方案，提高了用户的使用体验。
基于上述方法，本申请实施例还公开了一种多式联运中转城市优化系统，参照图4，包括：
信息处理模块1，收集全量的、不同交通工具的车次信息，依据车次信息通过聚类的方法重建站点到城市的映射关系；
特征获取模块2，依据站点到城市的映射关系离线组装出全量的中转方案，设计离线特征，然后获取中转方案对应的中转城市的离线特征并存储；设计线上特征，实时获取并更新对应中转城市的线上特征，具体包括：
离线特征子模块21：获取并存储中转城市的离线特征，并每日进行更新；
在线特征子模块22：获取中转城市的线上特征，并依据线上反馈的数据实时更新；
模型打分模块3，获取用户对中转城市的历史查询数据，使用历史查询数据训练XGB模型，训练完成后获得精准推荐模型，将离线特征与线上特征组合形成组装特征，使用精准推荐模型依据组装特征对中转城市打分，具体包括；
线上实时打分子模块31：对从线上数据库中收集到的余票变动信息进行响应，并对有变动的中转城市的线上特征进行更新；
组装打分子模块32：依据中转城市的离线特征和线上特征的组合而成的组装特征采用XGB模型对中转城市进行打分，并输出其得分。
请求响应模块4，获取用户发送的中转方案请求，依据站点到城市的映射关系异步调用所有满足用户中转方案查询请求的中转方案对应的中转城市的得分；
方案推荐模块5，对所查询的中转城市的实时余票信息进行检索，依据中转城市的最新得分对中转方案进行排序，基于排序形成推荐方案输出给用户。
本申请实施例还公开一种智能终端，智能终端包括存储器和处理器，存储器上存储有能够被处理器加载并执行如上述的多式联运中转城市优化方法的计算机程序。
本申请实施例还公开一种计算机可读存储介质，其存储有能够被处理器加载并执行如上述的多式联运中转城市优化方法的计算机程序，该计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案，而非对申请的保护范围进行限制。显然，所描述的实施例仅仅是本申请部分实施例，而不是全部实施例。基于这些实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请所要保护的范围。
Claims (6)
1.一种多式联运中转城市优化方法，其特征在于，包括：
收集全量的、不同交通工具的车次信息，依据车次信息通过聚类的方法重建站点到城市的映射关系；
依据站点到城市的映射关系离线组装出全量的中转方案，设计离线特征，然后获取中转方案对应的中转城市的离线特征并存储；
设计线上特征，实时获取并更新对应中转城市的线上特征；
获取用户对中转城市的历史查询数据，使用历史查询数据训练XGB模型，训练完成后获得精准推荐模型；
将离线特征与线上特征组合形成组装特征，使用精准推荐模型依据组装特征对中转城市打分；
获取用户发送的中转方案查询请求，依据站点到城市的映射关系异步调用所有满足用户中转方案查询请求的中转方案对应的中转城市的得分；
对所查询的中转城市的实时余票信息进行检索，依据中转城市的最新得分对中转方案进行排序，基于排序形成推荐方案输出给用户；
所述车次信息设置为全量的，即全国所有城市之间的、包括不同交通工具的以及同一车次的不同座席的车次信息；
其中，聚类的方法设置为划分聚类法，将每个城市下的所有站点的集合进行切分并形成多个子集合，并以所述子集合作为城市与站点之间的新的映射层；
所述依据站点到城市的映射关系离线组装出全量的中转方案，设计离线特征，然后获取中转方案对应的中转城市的离线特征并存储，具体包括：
依据重建的站点到城市的映射关系对出发城市与中转城市之间、中转城市与到达城市之间的所有车次做笛卡尔积，以此组装获得全量的中转方案；其中，每个中转方案均包括出发城市、中转城市、到达城市、出发时间以及对应的到达时间；
设计离线特征，所述离线特征包括对应于中转城市的各个维度的特征，各个维度的特征具体包括历史维度的特征、线路维度的特征、不同车次维度的特征以及组装方案信息维度的特征；
获取每一所述中转城市的所有离线特征并存储；
获取历史维度的特征缺失的中转城市的信息，对每一缺失了历史维度的特征的中转城市均进行初始打分，并将初始打分的分数对应相应的中转城市进行存储；
所述将每个城市下的所有站点的集合进行切分并形成多个子集合，并以所述子集合作为城市与站点之间的新的映射层具体包括：
将城市下的所有站点划分为多个小的集合，其中，在查询余票时，一个集合定义为集合中的任一站点都存在，当查询任意站点到某目的站点的方案时，能返回该目的站点到集合中其他站点的车次；基于此，将站点映射到新的城市ID，新的城市ID为原有城市下更细分的小的集合，其规则为，优先以名称进行匹配，然后是行政区域匹配；
所述历史维度的特征包括前一周的、前一个月的、前三个月的和前半年的历史平均中转时间、历史创单率、历史点击率以及历史点击排序；所述线路维度的特征包括出发站经纬度、到达站经纬度、中转距离以及离心率；所述不同车次维度的特征包括出发站到达站距离、中转时间比值以及直达车次数量；所述组装方案信息维度的特征包括前十个方案单位时间的价格、单位距离的时间、单位距离的价格、合理总方案数量以及方案总时长；
所述打分具体为初始化的打分以及推断打分；其中，由于缺少线上特征，所述初始化的打分时是以中转城市的离线特征为依据获取；其中，所述推断打分由中转城市的余票变动触发，触发后使用精准推荐模型基于由中转城市的离线特征和最新的线上特征组合而成的组装特征对中转城市进行打分。
2.根据权利要求1所述的一种多式联运中转城市优化方法，其特征在于，
通过线上接口获取用户对中转城市的历史查询数据，
其中，所述获取的历史查询数据包括用户查询的中转城市，中转城市的车票信息以及用户浏览之后是创单还是离开。
3.根据权利要求1所述的一种多式联运中转城市优化方法，其特征在于，
通过线上接口获取用户发送的中转方案请求；
其中，用户发送的中转方案请求具体包括：出发城市、到达城市、出发日期；
将用户查询的出发城市和到达城市映射为对应站点的集合，将出发和到达都重新映射之后，形成一个新的联合查询的key，一个key代表一个分组，然后使用布隆过滤器过滤中转城市，过滤得到的中转城市加上出发和到达城市作为一个新key，去查询对应的得分。
4.根据权利要求1所述的一种多式联运中转城市优化方法，其特征在于，
基于得分对中转城市进行排序后，依据排序向用户输出多个排序靠前的可选的推荐方案；
其中，推荐方案的内容具体包括出发站点、中转站点、到达站点、第一乘出发时间、到达中转站点时间、第二乘出发时间以及第二乘到达时间等。
5.一种智能终端，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。
6.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011234621.8A CN112232596B (zh) | 2020-11-07 | 2020-11-07 | 一种多式联运中转城市优化方法、系统、终端与存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011234621.8A CN112232596B (zh) | 2020-11-07 | 2020-11-07 | 一种多式联运中转城市优化方法、系统、终端与存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112232596A CN112232596A (zh) | 2021-01-15 |
| CN112232596B true CN112232596B (zh) | 2023-11-24 |
Family
ID=74122827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011234621.8A Active CN112232596B (zh) | 2020-11-07 | 2020-11-07 | 一种多式联运中转城市优化方法、系统、终端与存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232596B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222201A (zh) * | 2021-05-26 | 2021-08-06 | 车巴达（苏州）网络科技有限公司 | 联程出行方式的推送方法、装置、存储介质及电子设备 |
| CN116011915B (zh) * | 2023-01-16 | 2023-09-05 | 中国人民解放军军事科学院系统工程研究院 | 一种多式联运方案生成方法及装置 |
| CN116091173B (zh) * | 2023-03-13 | 2023-07-07 | 浙江飞猪网络技术有限公司 | 中转方案推荐、交通票务中转方案查询方法、设备和介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3046058A1 (en) * | 2015-01-15 | 2016-07-20 | Nextop Italia SRL Semplificata | Method and electronic travel route building system, based on an intermodal electronic platform |
| CN106528720A (zh) * | 2016-11-02 | 2017-03-22 | 中铁程科技有限责任公司 | 换乘站推荐方法和换乘站推荐系统 |
| CN107024217A (zh) * | 2016-02-01 | 2017-08-08 | 北京迈维出行科技有限公司 | 城际交通的路线规划的方法、装置及系统 |
| CN108710963A (zh) * | 2018-03-30 | 2018-10-26 | 东莞产权交易中心 | 一种长途火车票分段购买路径规划系统及路径规划方法 |
| CN110276008A (zh) * | 2019-06-13 | 2019-09-24 | 南京邮电大学 | 一种基于用户旅行决策过程的景点推荐方法及装置 |
| CN111382217A (zh) * | 2018-12-29 | 2020-07-07 | 北京奇虎科技有限公司 | 一种目的地推荐方法和装置 |
| CN111461835A (zh) * | 2020-04-01 | 2020-07-28 | 苏州创旅天下信息技术有限公司 | 一种行程方案推荐方法、系统、智能终端及存储介质 |
| CN111797283A (zh) * | 2020-07-08 | 2020-10-20 | 深圳市活力天汇科技股份有限公司 | 一种基于无向加权图的空铁中转方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160203422A1 (en) * | 2015-01-14 | 2016-07-14 | Nextop Italia Srl Semplificata | Method and electronic travel route building system, based on an intermodal electronic platform |
| US11126957B2 (en) * | 2018-10-31 | 2021-09-21 | International Business Machines Corporation | Supply chain forecasting system |
| US20200320151A1 (en) * | 2019-01-09 | 2020-10-08 | Lawrence Philips | System and Method of Generating Destination Recommendations Based on Smart Destination Scoring Methodology |
| CN111442778A (zh) * | 2019-01-16 | 2020-07-24 | 百度在线网络技术（北京）有限公司 | 出行方案推荐方法、装置、设备及计算机可读存储介质 |
| EP3683742A1 (en) * | 2019-01-18 | 2020-07-22 | Naver Corporation | Method for computing at least one itinerary from a departure location to an arrival location |
-
2020
- 2020-11-07 CN CN202011234621.8A patent/CN112232596B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3046058A1 (en) * | 2015-01-15 | 2016-07-20 | Nextop Italia SRL Semplificata | Method and electronic travel route building system, based on an intermodal electronic platform |
| CN107024217A (zh) * | 2016-02-01 | 2017-08-08 | 北京迈维出行科技有限公司 | 城际交通的路线规划的方法、装置及系统 |
| CN106528720A (zh) * | 2016-11-02 | 2017-03-22 | 中铁程科技有限责任公司 | 换乘站推荐方法和换乘站推荐系统 |
| CN108710963A (zh) * | 2018-03-30 | 2018-10-26 | 东莞产权交易中心 | 一种长途火车票分段购买路径规划系统及路径规划方法 |
| CN111382217A (zh) * | 2018-12-29 | 2020-07-07 | 北京奇虎科技有限公司 | 一种目的地推荐方法和装置 |
| CN110276008A (zh) * | 2019-06-13 | 2019-09-24 | 南京邮电大学 | 一种基于用户旅行决策过程的景点推荐方法及装置 |
| CN111461835A (zh) * | 2020-04-01 | 2020-07-28 | 苏州创旅天下信息技术有限公司 | 一种行程方案推荐方法、系统、智能终端及存储介质 |
| CN111797283A (zh) * | 2020-07-08 | 2020-10-20 | 深圳市活力天汇科技股份有限公司 | 一种基于无向加权图的空铁中转方法 |
Non-Patent Citations (2)
| Title |
|---|
| 优化多式联运问题的一种广义最短路方法研究;张运河;林柏梁;梁栋;高红艳;;铁道学报(04);24-28 * |
| 铁路中转换乘站推荐系统设计与Matlab实现;霍雷刚;钟雅婷;李永玉;邱莹莹;严伟民;;软件导刊(05);148-151 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112232596A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232596B (zh) | 一种多式联运中转城市优化方法、系统、终端与存储介质 | |
| US11514782B2 (en) | Utilizing determined optimized time windows for precomputing optimal path matrices to reduce computer resource usage | |
| CN107423837A (zh) | 旅游路线的智能规划方法及系统 | |
| CN105303487A (zh) | 一种行程服务方法和装置 | |
| CN110390415A (zh) | 一种基于用户出行大数据进行出行方式推荐的方法及系统 | |
| EP2657893A1 (en) | System and method of categorizing and ranking travel option search results | |
| US10962377B2 (en) | Utilizing a geo-locator service and zone servers to reduce computer resource requirements for determining high quality solutions to routing problems | |
| WO2012126038A1 (en) | Logistics sourcing improvements | |
| US20220004307A1 (en) | Virtual Power Plant Optimization Method and System | |
| US20200225046A1 (en) | Geographic routing engine | |
| WO2022052896A1 (zh) | 排序、交易方法、计算机装置及存储介质 | |
| US20190287151A1 (en) | Product delivery system and method | |
| CN112989194B (zh) | 一种车联网用户请求与服务偏好融合的推荐方法及系统 | |
| US11293770B2 (en) | Geographic routing engine | |
| CN116069959A (zh) | 确定展示数据的方法和装置 | |
| US11359925B2 (en) | Utilizing estimated traversal values to accelerate the determination of high quality solutions to routing problems | |
| Shi et al. | Auction-Based Order-Matching Mechanisms to Maximize Social Welfare in Real-Time Ride-Sharing | |
| CN117610747A (zh) | 基于智能算法的卷烟送货线路的优化方法 | |
| Zheng | Order Dispatch for Online Car-Hailing Services | |
| CN115293712A (zh) | 基于物联网的数据信息处理系统及方法 | |
| CN115713213A (zh) | 一种基于人机协同的群智任务分配方法 | |
| Wisniewski | A semi-Markov theory of consumer response: new theoretical properties, simulation testing, and empirical application |
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 |