CN112380443B - 导乘推荐方法、装置、计算机设备和存储介质 - Google Patents

导乘推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112380443B
CN112380443B CN202011337952.4A CN202011337952A CN112380443B CN 112380443 B CN112380443 B CN 112380443B CN 202011337952 A CN202011337952 A CN 202011337952A CN 112380443 B CN112380443 B CN 112380443B
Authority
CN
China
Prior art keywords
target user
information
guide
characteristic
user
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
Application number
CN202011337952.4A
Other languages
English (en)
Other versions
CN112380443A (zh
Inventor
周江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aibee Technology Co Ltd
Original Assignee
Beijing Aibee Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aibee Technology Co Ltd filed Critical Beijing Aibee Technology Co Ltd
Priority to CN202011337952.4A priority Critical patent/CN112380443B/zh
Publication of CN112380443A publication Critical patent/CN112380443A/zh
Application granted granted Critical
Publication of CN112380443B publication Critical patent/CN112380443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q10/04—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种导乘推荐方法、装置、计算机设备和存储介质。所述方法包括：采集目标用户的人脸特征信息，根据目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；根据目标用户标识，获取目标用户特征标签信息；接收目标用户输入的出行需求信息，并根据出行需求信息，确定目的地属性信息；根据目标用户标识、目标用户特征标签信息、目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。采用本方法能够提高用户出站效率。

Description

导乘推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及大数据处理技术领域，特别是涉及一种导乘推荐方法、装置、计算机设备和存储介质。
背景技术
随着交通业、旅游业的快速发展，目前的机场、高铁站、火车站人流量大幅增长，为了提高机场、高铁站、火车站等出行站点的场内吞吐量，减缓场内拥堵，在各出行站点内均设置有场内提示标志以及人工咨询服务。
然而，针对出行乘客不同出站导乘需求，仅有的场内标识以及人工咨询服务，无法针对每一位乘客的行为偏好提供准确、全面的优选导乘方式信息，进而无法满足乘客快速出站需求。
发明内容
基于此，有必要针对上述技术问题，提供一种导乘推荐方法、装置、计算机设备和存储介质。
一种导乘推荐方法，所述方法包括：
采集目标用户的人脸特征信息，根据所述目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；
根据所述目标用户标识，获取目标用户特征标签信息；
接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息；
根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。
在其中一个实施例中，所述根据所述目标用户标识，获取目标用户特征标签信息，包括：
根据所述目标用户标识，在特征标签库中查询并获取当前目标用户特征标签信息，所述当前目标用户特征标签信息为当前更新周期内目标用户特征标签。
在其中一个实施例中，所述方法还包括：
获取每一更新周期内的目标用户特征数据，并根据所述每一更新周期内的所述目标用户特征数据以及预设的更新算法更新所述目标用户特征标签信息，得到所述每一更新周期对应的目标用户特征标签信息。
在其中一个实施例中，所述获取每一更新周期内的目标用户特征数据，并根据所述每一更新周期内的所述目标用户特征数据以及预设的更新算法更新所述目标用户特征标签信息，得到所述每一更新周期对应的目标用户特征标签信息，包括：
在每一更新周期初始时刻，根据所述目标用户标识获取所述更新周期内的目标用户特征数据；
针对所述更新周期内的目标用户特征数据中包含的新增频次类型数据，根据累加算法，对原始频次类型数据进行累加更新，并根据更新后的频次类型数据生成所述更新周期对应的目标用户特征标签信息；
根据所述更新周期内的目标用户特征数据中包含的新增分类数据以及预设的分类预测模型和回归预测模型，生成所述更新周期对应的目标用户特征标签信息，并将所述更新周期对应的目标用户特征标签信息更新至特征标签库中。
在其中一个实施例中，所述接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息，包括：
接收所述目标用户输入的出行需求信息，所述出行需求信息携带有目的地位置信息；
根据所述目的地位置信息，确定站点与目的地间的不同导乘方式；
获取所述站点的室内地图数据，根据导乘推荐设备所处位置信息，确定所述导乘推荐设备所处位置与所述不同导乘方式的用户乘车位置间的室内导航路线距离，并根据预设的用户步行速度，计算得到用户步行所需第一预估时间；
获取所述不同导乘方式的用户乘车位置与所述目的地间对应的预估行驶时长，作为第二预估时间；
将所述第一预估时间与对应的所述第二预估时间相加，得到所述不同导乘方式的出行预估时长。
在其中一个实施例中，所述根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果，包括：
获取用户交互特征数据，所述用户交互特征数据包括用户点击行为数据信息和用户导航行为数据信息；
将所述用户标识信息、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据输入预设的点击导航概率模型，进行出行方式概率预测，按照出行方式概率由大到小的顺序，输出所述目标用户的出站导乘推荐结果。
在其中一个实施例中，所述方法还包括：
接收导乘方式乘车位置的摄像设备识别并采集的目标用户的人脸特征信息，所述摄像设备对应有导乘方式标识；
将所述目标用户人脸特征信息与对应的所述导乘方式标识以及所述目标用户标识进行匹配，生成包含所述目标用户标识与导乘方式的出站导乘执行结果；
将所述出站导乘执行结果与所述出站导乘推荐结果进行比对，得到所述出站导乘推荐结果的评分。
一种导乘推荐装置，所述装置包括：
采集模块，用于采集目标用户的人脸特征信息，根据所述目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；
获取模块，用于根据所述目标用户标识，获取目标用户特征标签信息；
确定模块，用于接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息；
推荐模块，用于根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集目标用户的人脸特征信息，根据所述目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；
根据所述目标用户标识，获取目标用户特征标签信息；
接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息；
根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
采集目标用户的人脸特征信息，根据所述目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；
根据所述目标用户标识，获取目标用户特征标签信息；
接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息；
根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。
上述导乘推荐方法、装置、计算机设备和存储介质，采集目标用户的人脸特征信息，根据所述目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；根据所述目标用户标识，获取目标用户特征标签信息；接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息；根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。采用本方法，可以根据用户具备的标签特征信息以及用户的交互行为，给出基于用户行为偏好的出站导乘推荐结果，进而提高用户出站效率和站点乘客吞吐量。
附图说明
图1为一个实施例中导乘推荐方法的流程示意图；
图2为一个实施例中更新目标用户特征标签的步骤的流程示意图；
图3为一个实施例中构建目标用户特征标签的流程示意图；
图4为一个实施例中确定目的地属性的流程示意图；
图5为一个实施例中目标用户执行具体导乘方式的目的地属性信息示意图；
图6为一个实施例中根据特性信息得到目标用户导乘推荐结果的流程图；
图7为一个实施例中CTCVR模型的具体处理过程的流程图；
图8为一个实施例中导乘推荐结果的评价方法的流程示意图；
图9为一个实施例中导乘推荐装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种导乘推荐方法，本实施例以该方法应用于导乘推荐终端设备（也可简称为计算机设备或者导乘推荐设备）进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括导乘推荐终端和服务器的系统，并通过终端和服务器的交互实现。该导乘推荐终端设备可以应用于机场、高铁站和火车站等需要进行乘客导乘出站的场景下，具体的，本实施例中，该方法包括以下步骤：
步骤101，采集目标用户的人脸特征信息，根据目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识。
在实施中，在进行用户账号注册时，将用户的人脸特征信息采集注册到人脸数据库，形成线下ID（Identity document，身份标识），构建与用户线上ID的对应关系，当目标用户需要进行导乘推荐时，计算机设备通过摄像头当场采集目标用户的人脸特征信息，根据该目标用户的人脸特征信息，在人脸数据库的人脸特征信息（线下ID）与用户标识（用户线上ID）的对应关系中，查询并确定目标用户标识（目标用户线上ID），进而无需登录操作，实现目标用户线上ID与线下ID间的数据打通。
可选的，目标用户线上ID可以为目标用户的身份证号码，还包括目标用户姓名、性别、住址等信息。
步骤102，根据目标用户标识，获取目标用户特征标签信息。
在实施中，计算机设备根据目标用户标识（目标用户线上ID），获取目标用户特征标签信息，其中，目标用户特征标签信息根据目标用户的特征数据构建而成，可以表征目标用户的行为偏好。
步骤103，接收目标用户输入的出行需求信息，并根据出行需求信息，确定目的地属性信息。
在实施中，计算机设备接收目标用户输入的出行需求信息，该出行需求信息包括出行目的地信息，因此，计算机设备根据该出行需求信息确定目的地属性信息，其中，目的地属性信息可以包括到达目的地的出行方式、到达目的地的出行距离、到达目的地的预估出行时长和对应的出行价格。
步骤104，根据目标用户标识、目标用户特征标签信息、目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。
在实施中，计算机设备根据获取到的目标用户标识（目标用户线上ID）、目标用户特征标签信息、对应的目的地属性信息以及用户交互特征数据，进行目标用户不同出行方式的概率计算，将得到的不同出行方式概率结果，作为出站导乘推荐结果。其中，用户交互特征数据包含用户应用导乘推荐方法时执行的点击（触发）行为数据和导航行为数据。
上述导乘推荐方法中，采集目标用户的人脸特征信息，根据目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；根据目标用户标识，获取目标用户特征标签信息；接收目标用户输入的出行需求信息，并根据出行需求信息，确定目的地属性信息；根据目标用户标识、目标用户特征标签信息、目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。采用本方法，可以根据用户自身的标签特征信息以及用户的交互行为，为用户提供准确地基于用户行为偏好的出站导乘推荐结果，进而提高用户出站效率和站点的乘客吞吐量。
在一个实施例中，步骤102具体为根据目标用户标识，在特征标签库中查询并获取当前目标用户特征标签信息，当前目标用户特征标签信息为当前更新周期内目标用户特征标签。
在实施中，在将人脸特征信息与目标用户标识进行数据打通之后，计算机设备根据该目标用户标识（目标用户线上ID），在特征标签数据库中查询并获取当前周期内的目标用户特征标签信息，其中的当前周期内的目标用户特征标签信息为目标用户使用导乘推荐时在所处的更新周期内的目标用户特征标签。
在一个实施例中，步骤102还包括：获取每一更新周期内的目标用户特征数据，并根据每一更新周期内的目标用户特征数据以及预设的更新算法更新目标用户特征标签信息，得到每一更新周期对应的目标用户特征标签信息。
在实施中，由于用户的特征数据记录不断累积更新，计算机设备预设有更新周期，进而在每一更新周期内计算机设备重新获取目标用户特征数据，并根据每一更新周期内的目标用户特征数据以及预设的更新算法更新目标用户特征标签信息，使得在每一更新周期都对应有更新的目标用户特征标签信息。
在一个实施例中，如图2所示，上述获取每一更新周期内的目标用户特征数据，并根据每一更新周期内的目标用户特征数据以及预设的更新算法更新目标用户特征标签信息，得到每一更新周期对应的目标用户特征标签信息，具体处理过程如下所示：
步骤201，在每一更新周期初始时刻，根据目标用户标识获取更新周期内的目标用户特征数据。
在实施中，计算机设备在每一更新周期初始时刻，根据目标用户标识（目标用户线上ID）获取更新周期内的目标用户特征数据（即目标用户当前最新数据）。
步骤202，针对更新周期内的目标用户特征数据中包含的新增频次类型数据，根据累加算法，对原始频次类型数据进行累加更新，并根据更新后的频次类型数据生成更新周期对应的目标用户特征标签信息。
在实施中，目标用户特征数据在数据内容上包括：用户出行数据和用户消费数据；在数据类型上包含：频次数据和分类数据，其中，频次数据为需要进行频次统计或数量统计的数据，分类数据为可以对目标用户进行等级划分的数据，然后，计算机设备针对当前更新周期内的目标用户特征数据中包含的新增频次数据，根据累计算法，在原始频次数据的基础上进行累计更新，并根据更新后的频次数据生成当前更新周期对应的目标用户特征标签信息（频次类型的目标用户特征标签）。
具体的，出行数据中的频次数据可以为：不同出行方式的出行次数、不同行程区间对应的出行次数等，消费数据中的频次数据可以为：不同店铺的消费次数、不同商品类别的消费次数等，本申请实施例对于目标用户特征数据具体包含的内容不做限定。因此，对应的目标用户的特征标签可以为：国内出行频次标签、国际出行频次标签、店铺消费频次标签，业态消费频次标签等。
可选的，计算机设备预先设定的更新周期可以为一天、一周或者一个月，本申请实施例不做限定。
步骤203，根据更新周期内的目标用户特征数据中包含的新增分类数据以及预设的分类预测模型和回归预测模型，生成更新周期对应的目标用户特征标签信息，并将更新周期对应的目标用户特征标签信息更新至特征标签库中。
在实施中，计算机设备根据更新周期内的目标用户特征数据中包含的新增分类数据以及预设的分类预测模型和回归预测模型，生成当前更新周期对应的目标用户特征标签信息，并将更新周期对应的目标用户特征标签信息更新至特征标签库中。
例如，如图3所示，出行数据中的分类数据可以为：出行能力分类数据（根据全场用户的出行消费金额进行比例划分，判断目标用户出行能力），消费数据中的分类数据可以为：消费能力分类数据（根据预设时间段内全场用户消费金额进行比例划分，判断目标用户消费能力）。分类数据的具体内容在本申请实施例中不做限定。
可选的，计算机设备获取到更新周期内的目标用户对应的新增分类数据后，可以采用GBDT、Xgboost、LightGBM等模型进行分类预测和回归预测等；其中，分类预测包括：二分类预测或者多分类预测，例如，按照预设比例将用户出行能力划分为高、中、低等级，进而对目标用户出行能力进行分类预测。将分类预测的结果，生成更新周期对应的当前目标用户特征标签信息（分类类型的目标用户特征标签），具体的，目标用户特征标签可以为：用户出行能力预测标签、用户出行回归预测标签、用户消费能力分类预测标签、用户折扣敏感分类预测标签、用户消费金额回归预测标签等等，最后，计算机设备可以将当前目标用户特征标签信息更新至特征标签库中。
在一个实施例中，如图4所示，目的地属性信息可以包括：出行方式信息、出行距离信息、预估出行价格信息和预估出行时长信息，则步骤103的具体处理过程如下所示：
步骤1031，接收目标用户输入的出行需求信息，出行需求信息携带有目的地位置信息。
在实施中，计算机设备接收目标用户输入的出行需求信息，其中，该出行需求信息里携带有目的地位置信息。
步骤1032，根据目的地位置信息，确定站点与目的地间的不同导乘方式。
在实施中，计算机设备根据目的地位置信息，可以确定出站点与目的地的行程区间内全部可能的导乘方式。
步骤1033，获取站点的室内地图数据，根据导乘推荐设备所处位置信息，确定导乘推荐设备所处位置与不同导乘方式的用户乘车位置间的室内导航路线距离，并根据预设的用户步行速度，计算得到用户步行所需第一预估时间。
在实施中，计算机设备将站点与目的地间的行程进一步划分，划分为站点内用户所处位置（也即导乘推荐设备所处位置）与用户乘车位置间的步行距离以及用户乘车位置与目的地间的行程距离，由于站点与目的地间可能存在多种不同的出行方式（也可称为导乘方式），因此针对每一种出行方式的用户乘车位置，计算机设备获取站点的室内地图数据，根据室内地图数据确定出用户所处位置（导乘推荐设备所处位置）与用户不同乘车位置间的导航路线距离，然后，计算机设备根据预设的用户步行速度，通过预估模型（例如，GBDT、Xgboost、LightGBM）计算得到每一种出行方式对应的用户步行距离所需的第一预估时间。
具体的，如图5所示，站点为机场站点，则目标用户从站点出站到达目的地间的距离可以分为两部分，目标用户所处位置到达导乘的乘车位置间的距离和导乘的乘车位置到达目的地间的距离，以目标用户选择的导乘方式为快轨为例，则根据上述方法目标用户所处位置到达快轨乘车位置的步行预估时间为3分钟。
可选的，楼内步行时长预估计算时除了考虑用户所处位置（导乘推荐设备所处位置）与不同导乘方式乘车位置间的距离、预设的用户步行速度等特征信息之外，还可以包括：站点室内人流量信息、所处时间段信息、调度区域等待用户数和天气信息等，进而根据这些信息进行第一预估时间的计算。
可选的，如图5所示，如果所选的出行方式为类似快轨、地铁、公交等公共交通方式，计算机设备可以获取公共交通方式的调度信息，获取公共交通工具预计到达乘车位置的时间，进而第一预估时间中不仅包括目标用户由室内到达乘车位置的步行预估时间（3分钟），还包括目标用户候车时间（8分钟）。
通过计算室内目标用户所处位置与不同导乘方式乘车位置间的步行预估时间（还包括不同导乘方式的候车时间），进而计算乘车位置与目的地间的行程预估时间，使得得到的不同导乘方式预估出行时间更加准确，也更具实际性。
步骤1034，获取不同导乘方式的用户乘车位置与目的地间对应的预估行驶时长，作为第二预估时间。
在实施中，计算机设备获取不用导乘方式的用户乘车位置与目的地间对应的预估行驶时长，作为第二预估时间。
可选的，用户乘车位置与目的地间的预估行驶时长可以在其他道路导航平台直接调取，也可以获取用户乘车位置与目的地间的导航路线距离，利用与计算第一预估时间相同的方法，预估行驶时长，将得到的行驶时长作为第二预估时间。具体的，如图5所示，目标用户在快轨上的时间为25分钟，在地铁2号线上的时间为26分钟，因此，第二预估时间为51分钟。
步骤1035，将第一预估时间与对应的第二预估时间相加，得到不同导乘方式的出行预估时长。
在实施中，计算机设备针对每一种不同的导乘方式，将得到的第一预估时间与第二预估时间相加，得到每一种导乘方式的出行预估时长。例如，如图5所示，目标用户选择的其中一种导乘方式为：目标用户所处位置—快轨乘车位置（3分钟）—（候车8分钟）快轨行驶时间（25分钟）-地铁2号线行驶时间（26分钟）—目的地，因此，得到的目标用户的一种导乘方式的出行预估时长为62分钟。
可选的，针对每一种不同的导乘方式，目的地属性信息还包括到达目的地的预估出行价格信息，因此，针对不同导乘方式的价格计算规则，根据出行距离和预估的导乘时间，得到不同导乘方式的预估出行价格，最后，计算机设备可以输出显示的目标用户不同导乘方式的目的地属性信息为：出行方式信息、出行距离信息（室内步行距离与导航路线行驶距离之和）、预估出行价格信息和预估出行时长信息。
本实施例中，根据用户输入的出行需求信息，确定目标用户的目的地信息，进而根据目的地信息，确定多种导乘方式以及每种导乘方式对应的预估出行时间和出行价格（即目的地属性信息），能够对不同的导乘方式进行多种维度的评估，提高导乘推荐的准确性。
在一个实施例中，如图6所示，步骤104的具体处理过程如下所示：
步骤1041，获取用户交互特征数据，用户交互特征数据包括用户点击行为数据信息和用户导航行为数据信息。
在实施中，计算机设备获取用户交互特征数据，其中，用户交互特征数据包括用户点击行为数据信息和用户导航行为数据信息。
步骤1042，将用户标识信息、目标用户特征标签信息、目的地属性信息以及用户交互特征数据输入预设的点击导航概率模型，进行出行方式概率预测，按照出行方式概率由大到小的顺序，输出目标用户的出站导乘推荐结果。
在实施中，计算机设备将用户标识信息（用户线上ID）、目标用户特征标签信息（用户出行能力预测标签、用户出行回归预测标签、用户消费能力分类预测标签、用户折扣敏感分类预测标签、用户消费金额回归预测标签等）、目的地属性信息（出行方式信息、出行距离信息、预估出行价格信息和预估出行时长信息）以及用户交互特征数据（用户点击行为序列和用户导航行为序列等）输入至预设的点击导航概率模型（CTCVR模型），进行不同导乘出行方式概率预测，并按照出行方式概率由大到小的顺序，输出目标用户的出站导乘推荐结果，该出站导乘推荐结果显示形式可以为：用户—出行方式—得分。
具体的，本方法中用于估计目标用户对不同导乘方式的偏好程度，可以采用预设的点击导航概率模型（CTCVR模型）进行计算，具体的CTCVR模型如下所示：
其中，p(*|*)为条件概率表达式，CTR为用户点击率模型，CVR为用户导航率模型，y表示用户点击行为，z为用户导航行为，CTCVR模型计算过程可以分别预估CTR和CVR，再得到CTCVR；也可以直接针对CTCVR进行建模计算，两种方式底层技术一致，所得结果相同，本申请实施例不再赘述。
可选的，CTCVR模型基于机器学习、深度学习的CTR相关模型，可以但不限于为GBDT、FM、DeepFM、Wide&Deep、NFFM模型。
具体的，CTCVR模型的各层处理方式，如图7所示，将上述全部目标用户的特征信息（Field）输入至稀疏层（Sparse Features）得到第一层输出结果，并输入至稠密嵌入层（Dense Embeddings），在进一步将Dense Embeddings层输出结果加入特殊情况下的目标用户特征（LR part），进行特征复杂化(Bi-interaction-Concatation Layer)，进而将复杂化后的用户特征输入至隐藏层（Hidden Layer）由隐藏层进行处理，最后得到输出结果进行模型输出。
在一个实施例中，如图8所示，导乘推荐方法还包括：
步骤801，接收导乘方式乘车位置的摄像设备识别并采集的目标用户的人脸特征信息，摄像设备对应有导乘方式标识。
在实施中，在针对目标用户进行导乘推荐之后，还需要根据目标用户的具体执行效果对推荐结果进行评价，具体的，在不同导乘方式的乘车位置处均设置有摄像设备，计算机设备接收某一导乘方式乘车位置的摄像设备利用特征搜索技术识别并采集的目标用户的人脸特征信息，则该导乘方式为目标用户选中的目标导乘方式，其中，导乘方式乘车位置的摄像设备对应存储有导乘方式标识，因此，当某一导乘方式乘车位置的摄像设备采集到目标用户的人脸特征信息后，将目标用户的人脸特征信息打上对应的导乘方式标识。
步骤802，将目标用户人脸特征信息与对应的导乘方式标识以及目标用户标识进行匹配，生成包含目标用户标识与导乘方式的出站导乘执行结果。
在实施中，计算机设备将目标用户人脸特征信息与对应的导乘方式标识以及目标用户标识进行匹配，生成包含目标用户标识与导乘方式的出站导乘执行结果（即目标用户实际选中的导乘方式）。
步骤803，将出站导乘执行结果与出站导乘推荐结果进行比对，得到出站导乘推荐结果的评分。
在实施中，计算机设备将出站导乘执行结果与在先给出的出站导乘推荐结果进行比对，根据预设的评分规则，得到出站导乘推荐结果的评分，例如，若出站导乘执行结果与出站导乘推荐结果中的最优推荐一致，则本次推荐结果为优，对应评分为10分，若出站导乘执行结果对应为出站导乘推荐结果中的次优推荐，则本次推荐结果为良，评分为8分，以此类推，具体评分规则本申请实施例不做限定。
应该理解的是，虽然图1，图2，图4，图6和图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1，图2，图4，图6和图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种导乘推荐装置900，包括：采集模块910、获取模块920、确定模块930和推荐模块940，其中：
采集模块910，用于采集目标用户的人脸特征信息，根据目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识。
获取模块920，用于根据目标用户标识，获取目标用户特征标签信息。
确定模块930，用于接收目标用户输入的出行需求信息，并根据出行需求信息，确定目的地属性信息。
推荐模块940，用于根据目标用户标识、目标用户特征标签信息、目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。
在其中一个实施例中，获取模块920具体用于根据目标用户标识，在特征标签库中查询并获取当前目标用户特征标签信息，当前目标用户特征标签信息为当前更新周期内目标用户特征标签。
在其中一个实施例中，获取模块920还具体用于获取每一更新周期内的目标用户特征数据，并根据每一更新周期内的目标用户特征数据以及预设的更新算法更新目标用户特征标签信息，得到每一更新周期对应的目标用户特征标签信息。
在其中一个实施例中，获取模块920还具体用于在每一更新周期初始时刻，根据目标用户标识获取更新周期内的目标用户特征数据；
针对更新周期内的目标用户特征数据中包含的新增频次类型数据，根据累加算法，对原始频次类型数据进行累加更新，并根据更新后的频次类型数据生成更新周期对应的目标用户特征标签信息；
根据更新周期内的目标用户特征数据中包含的新增分类数据以及预设的分类预测模型和回归预测模型，生成更新周期对应的目标用户特征标签信息，并将更新周期对应的目标用户特征标签信息更新至特征标签库中。
在其中一个实施例中，确定模块930具体用于接收目标用户输入的出行需求信息，出行需求信息携带有目的地位置信息；
根据目的地位置信息，确定站点与目的地间的不同导乘方式；
获取站点的室内地图数据，根据导乘推荐设备所处位置信息，确定导乘推荐设备所处位置与不同导乘方式的用户乘车位置间的室内导航路线距离，并根据预设的用户步行速度，计算得到用户步行所需第一预估时间；
获取不同导乘方式的用户乘车位置与目的地间对应的预估行驶时长，作为第二预估时间；
将第一预估时间与对应的第二预估时间相加，得到不同导乘方式的出行预估时长。
在其中一个实施例中，推荐模块940具体用于获取用户交互特征数据，用户交互特征数据包括用户点击行为数据信息和用户导航行为数据信息；
将用户标识信息、目标用户特征标签信息、目的地属性信息以及用户交互特征数据输入预设的点击导航概率模型，进行出行方式概率预测，按照出行方式概率由大到小的顺序，输出目标用户的出站导乘推荐结果。
在其中一个实施例中，该导乘推荐装置900还包括：
接收模块，用于接收导乘方式乘车位置的摄像设备识别并采集的目标用户的人脸特征信息，摄像设备对应有导乘方式标识；
生成模块，用于将目标用户人脸特征信息与对应的导乘方式标识以及目标用户标识进行匹配，生成包含目标用户标识与导乘方式的出站导乘执行结果；
评分模块，用于将出站导乘执行结果与出站导乘推荐结果进行比对，得到出站导乘推荐结果的评分。
上述导乘推荐装置中，采集模块910，采集目标用户的人脸特征信息，根据目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；获取模块920，根据目标用户标识，获取目标用户特征标签信息；确定模块930，接收目标用户输入的出行需求信息，并根据出行需求信息，确定目的地属性信息；推荐模块940，根据目标用户标识、目标用户特征标签信息、目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。采用本装置，可以根据用户自身的标签特征信息以及用户的交互行为，为用户提供准确地基于用户行为偏好的出站导乘推荐结果，进而提高用户出站效率和站点的乘客吞吐量。
关于导乘推荐装置900的具体限定可以参见上文中对于导乘推荐方法的限定，在此不再赘述。上述导乘推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种导乘推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
采集目标用户的人脸特征信息，根据目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；
根据目标用户标识，获取目标用户特征标签信息；
接收目标用户输入的出行需求信息，并根据出行需求信息，确定目的地属性信息；
根据目标用户标识、目标用户特征标签信息、目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据目标用户标识，在特征标签库中查询并获取当前目标用户特征标签信息，当前目标用户特征标签信息为当前更新周期内目标用户特征标签。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取每一更新周期内的目标用户特征数据，并根据每一更新周期内的目标用户特征数据以及预设的更新算法更新目标用户特征标签信息，得到每一更新周期对应的目标用户特征标签信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在每一更新周期初始时刻，根据目标用户标识获取更新周期内的目标用户特征数据；
针对更新周期内的目标用户特征数据中包含的新增频次类型数据，根据累加算法，对原始频次类型数据进行累加更新，并根据更新后的频次类型数据生成更新周期对应的目标用户特征标签信息；
根据更新周期内的目标用户特征数据中包含的新增分类数据以及预设的分类预测模型和回归预测模型，生成更新周期对应的目标用户特征标签信息，并将更新周期对应的目标用户特征标签信息更新至特征标签库中。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
接收目标用户输入的出行需求信息，出行需求信息携带有目的地位置信息；
根据目的地位置信息，确定站点与目的地间的不同导乘方式；
获取站点的室内地图数据，根据导乘推荐设备所处位置信息，确定导乘推荐设备所处位置与不同导乘方式的用户乘车位置间的室内导航路线距离，并根据预设的用户步行速度，计算得到用户步行所需第一预估时间；
获取不同导乘方式的用户乘车位置与目的地间对应的预估行驶时长，作为第二预估时间；
将第一预估时间与对应的第二预估时间相加，得到不同导乘方式的出行预估时长。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取用户交互特征数据，用户交互特征数据包括用户点击行为数据信息和用户导航行为数据信息；
将用户标识信息、目标用户特征标签信息、目的地属性信息以及用户交互特征数据输入预设的点击导航概率模型，进行出行方式概率预测，按照出行方式概率由大到小的顺序，输出目标用户的出站导乘推荐结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
接收导乘方式乘车位置的摄像设备识别并采集的目标用户的人脸特征信息，摄像设备对应有导乘方式标识；
将目标用户人脸特征信息与对应的导乘方式标识以及目标用户标识进行匹配，生成包含目标用户标识与导乘方式的出站导乘执行结果；
将出站导乘执行结果与出站导乘推荐结果进行比对，得到出站导乘推荐结果的评分。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
采集目标用户的人脸特征信息，根据目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；
根据目标用户标识，获取目标用户特征标签信息；
接收目标用户输入的出行需求信息，并根据出行需求信息，确定目的地属性信息；
根据目标用户标识、目标用户特征标签信息、目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据目标用户标识，在特征标签库中查询并获取当前目标用户特征标签信息，当前目标用户特征标签信息为当前更新周期内目标用户特征标签。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取每一更新周期内的目标用户特征数据，并根据每一更新周期内的目标用户特征数据以及预设的更新算法更新目标用户特征标签信息，得到每一更新周期对应的目标用户特征标签信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在每一更新周期初始时刻，根据目标用户标识获取更新周期内的目标用户特征数据；
针对更新周期内的目标用户特征数据中包含的新增频次类型数据，根据累加算法，对原始频次类型数据进行累加更新，并根据更新后的频次类型数据生成更新周期对应的目标用户特征标签信息；
根据更新周期内的目标用户特征数据中包含的新增分类数据以及预设的分类预测模型和回归预测模型，生成更新周期对应的目标用户特征标签信息，并将更新周期对应的目标用户特征标签信息更新至特征标签库中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
接收目标用户输入的出行需求信息，出行需求信息携带有目的地位置信息；
根据目的地位置信息，确定站点与目的地间的不同导乘方式；
获取站点的室内地图数据，根据导乘推荐设备所处位置信息，确定导乘推荐设备所处位置与不同导乘方式的用户乘车位置间的室内导航路线距离，并根据预设的用户步行速度，计算得到用户步行所需第一预估时间；
获取不同导乘方式的用户乘车位置与目的地间对应的预估行驶时长，作为第二预估时间；
将第一预估时间与对应的第二预估时间相加，得到不同导乘方式的出行预估时长。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取用户交互特征数据，用户交互特征数据包括用户点击行为数据信息和用户导航行为数据信息；
将用户标识信息、目标用户特征标签信息、目的地属性信息以及用户交互特征数据输入预设的点击导航概率模型，进行出行方式概率预测，按照出行方式概率由大到小的顺序，输出目标用户的出站导乘推荐结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
接收导乘方式乘车位置的摄像设备识别并采集的目标用户的人脸特征信息，摄像设备对应有导乘方式标识；
将目标用户人脸特征信息与对应的导乘方式标识以及目标用户标识进行匹配，生成包含目标用户标识与导乘方式的出站导乘执行结果；
将出站导乘执行结果与出站导乘推荐结果进行比对，得到出站导乘推荐结果的评分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种导乘推荐方法，其特征在于，所述方法包括：
采集目标用户的人脸特征信息，根据所述目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；
根据所述目标用户标识，在特征标签库中查询并获取当前目标用户特征标签信息；所述当前目标用户特征标签信息为当前更新周期内目标用户特征标签；
接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息；
根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果；
其中，所述方法还包括：
在每一更新周期初始时刻，根据所述目标用户标识获取所述更新周期内的目标用户特征数据；
针对所述更新周期内的目标用户特征数据中包含的新增频次类型数据，根据累加算法，对原始频次类型数据进行累加更新，并根据更新后的频次类型数据生成所述更新周期对应的目标用户特征标签信息；
根据所述更新周期内的目标用户特征数据中包含的新增分类数据以及预设的分类预测模型和回归预测模型，生成所述更新周期对应的目标用户特征标签信息，并将所述更新周期对应的目标用户特征标签信息更新至特征标签库中。
2.根据权利要求1所述的方法，其特征在于，所述接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息，包括：
接收所述目标用户输入的出行需求信息，所述出行需求信息携带有目的地位置信息；
根据所述目的地位置信息，确定站点与目的地间的不同导乘方式；
获取所述站点的室内地图数据，根据导乘推荐设备所处位置信息，确定所述导乘推荐设备所处位置与所述不同导乘方式的用户乘车位置间的室内导航路线距离，并根据预设的用户步行速度，计算得到用户步行所需第一预估时间；
获取所述不同导乘方式的用户乘车位置与所述目的地间对应的预估行驶时长，作为第二预估时间；
将所述第一预估时间与对应的所述第二预估时间相加，得到所述不同导乘方式的出行预估时长。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果，包括：
获取用户交互特征数据，所述用户交互特征数据包括用户点击行为数据信息和用户导航行为数据信息；
将所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据输入预设的点击导航概率模型，进行出行方式概率预测，按照出行方式概率由大到小的顺序，输出所述目标用户的出站导乘推荐结果。
4.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：
接收导乘方式乘车位置的摄像设备识别并采集的目标用户的人脸特征信息，所述摄像设备对应有导乘方式标识；
将所述目标用户人脸特征信息与对应的所述导乘方式标识以及所述目标用户标识进行匹配，生成包含所述目标用户标识与导乘方式的出站导乘执行结果；
将所述出站导乘执行结果与所述出站导乘推荐结果进行比对，得到所述出站导乘推荐结果的评分。
5.一种导乘推荐装置，其特征在于，所述装置包括：
采集模块，用于采集目标用户的人脸特征信息，根据所述目标用户的人脸特征信息在人脸特征信息与用户标识的对应关系中，确定目标用户标识；
获取模块，用于根据所述目标用户标识，在特征标签库中查询并获取当前目标用户特征标签信息；所述当前目标用户特征标签信息为当前更新周期内目标用户特征标签；
确定模块，用于接收所述目标用户输入的出行需求信息，并根据所述出行需求信息，确定目的地属性信息；
推荐模块，用于根据所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据，得到出站导乘推荐结果；
其中，所述获取模块还具体用于在每一更新周期初始时刻，根据所述目标用户标识获取所述更新周期内的目标用户特征数据；
针对所述更新周期内的目标用户特征数据中包含的新增频次类型数据，根据累加算法，对原始频次类型数据进行累加更新，并根据更新后的频次类型数据生成所述更新周期对应的目标用户特征标签信息；
根据所述更新周期内的目标用户特征数据中包含的新增分类数据以及预设的分类预测模型和回归预测模型，生成所述更新周期对应的目标用户特征标签信息，并将所述更新周期对应的目标用户特征标签信息更新至特征标签库中。
6.根据权利要求5所述的装置，其特征在于，所述确定模块，具体用于接收所述目标用户输入的出行需求信息，所述出行需求信息携带有目的地位置信息；
根据所述目的地位置信息，确定站点与目的地间的不同导乘方式；
获取所述站点的室内地图数据，根据导乘推荐设备所处位置信息，确定所述导乘推荐设备所处位置与所述不同导乘方式的用户乘车位置间的室内导航路线距离，并根据预设的用户步行速度，计算得到用户步行所需第一预估时间；
获取所述不同导乘方式的用户乘车位置与所述目的地间对应的预估行驶时长，作为第二预估时间；
将所述第一预估时间与对应的所述第二预估时间相加，得到所述不同导乘方式的出行预估时长。
7.根据权利要求5所述的装置，其特征在于，所述推荐模块，具体用于获取用户交互特征数据，所述用户交互特征数据包括用户点击行为数据信息和用户导航行为数据信息；
将所述目标用户标识、所述目标用户特征标签信息、所述目的地属性信息以及用户交互特征数据输入预设的点击导航概率模型，进行出行方式概率预测，按照出行方式概率由大到小的顺序，输出所述目标用户的出站导乘推荐结果。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
接收模块，用于接收导乘方式乘车位置的摄像设备识别并采集的目标用户的人脸特征信息，所述摄像设备对应有导乘方式标识；
生成模块，用于将所述目标用户人脸特征信息与对应的所述导乘方式标识以及所述目标用户标识进行匹配，生成包含所述目标用户标识与导乘方式的出站导乘执行结果；
评分模块，用于将所述出站导乘执行结果与所述出站导乘推荐结果进行比对，得到所述出站导乘推荐结果的评分。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202011337952.4A 2020-11-25 2020-11-25 导乘推荐方法、装置、计算机设备和存储介质 Active CN112380443B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011337952.4A CN112380443B (zh) 2020-11-25 2020-11-25 导乘推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011337952.4A CN112380443B (zh) 2020-11-25 2020-11-25 导乘推荐方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112380443A CN112380443A (zh) 2021-02-19
CN112380443B true CN112380443B (zh) 2024-03-15

Family

ID=74587650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011337952.4A Active CN112380443B (zh) 2020-11-25 2020-11-25 导乘推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112380443B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081762B (zh) * 2022-08-24 2022-11-01 北京交通大学 基于城市轨道交通的乘客一体化智慧出行方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108061558A (zh) * 2017-11-30 2018-05-22 深圳中兴网信科技有限公司 智能路线导航方法、装置、服务器、移动终端和存储介质
CN110849384A (zh) * 2019-11-08 2020-02-28 腾讯科技（深圳）有限公司 导航路线生成方法、装置、可读存储介质和计算机设备
CN111310055A (zh) * 2020-03-06 2020-06-19 汉海信息技术(上海)有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN111427932A (zh) * 2020-04-02 2020-07-17 南方科技大学 出行预测方法、装置、设备和存储介质
CN111811518A (zh) * 2020-07-22 2020-10-23 绍兴市侨陆智能科技有限公司 应用于客运服务场所的智能路径规划方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108061558A (zh) * 2017-11-30 2018-05-22 深圳中兴网信科技有限公司 智能路线导航方法、装置、服务器、移动终端和存储介质
CN110849384A (zh) * 2019-11-08 2020-02-28 腾讯科技（深圳）有限公司 导航路线生成方法、装置、可读存储介质和计算机设备
CN111310055A (zh) * 2020-03-06 2020-06-19 汉海信息技术(上海)有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN111427932A (zh) * 2020-04-02 2020-07-17 南方科技大学 出行预测方法、装置、设备和存储介质
CN111811518A (zh) * 2020-07-22 2020-10-23 绍兴市侨陆智能科技有限公司 应用于客运服务场所的智能路径规划方法及系统

Also Published As

Publication number Publication date
CN112380443A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
US11022454B2 (en) Transportation system reconstruction
CN106875066B (zh) 用车出行行为的预测方法、装置、服务器以及存储介质
Wang et al. Moving destination prediction using sparse dataset: A mobility gradient descent approach
CN110849384B (zh) 导航路线生成方法、装置、可读存储介质和计算机设备
WO2018151670A1 (en) Trajectory analysis with mode of transport analysis
CN112749825B (zh) 预测车辆的目的地的方法和装置
CN112380448B (zh) 车辆数据处理方法、装置、计算机设备和存储介质
CN110674208B (zh) 用于确定用户的职住地信息的方法和装置
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
Rohilla et al. Random Forest with harmony search optimization for location based advertising
CN112556717B (zh) 出行方式筛选方法和出行路线推荐方法和装置
Bonnetain et al. Can we map-match individual cellular network signaling trajectories in urban environments? Data-driven study
CN113570867A (zh) 一种城市交通状态预测方法、装置、设备及可读存储介质
JP2012043296A (ja) 需要予測システム及び需要予測方法
CN111339409A (zh) 地图展示方法与系统
CN112380443B (zh) 导乘推荐方法、装置、计算机设备和存储介质
CN112699201B (zh) 导航数据处理方法、装置、计算机设备和存储介质
Putri et al. A distributed system for finding high profit areas over big taxi trip data with MognoDB and spark
Rahaman Context-aware mobility analytics and trip planning
US10341978B2 (en) Mobile management system, mobile management server, mobile management method and mobile management program
CN113643091A (zh) 景点推荐方法、装置、设备及存储介质
Fu et al. Activity-travel pattern inference based on multi-source big data
CN113051490A (zh) 新增兴趣点预测模型训练、新增兴趣点预测方法及装置
WO2016067460A1 (ja) 交通行動推定システム、交通シミュレーションシステム、交通行動推定方法
Jiang et al. LibCity: A Unified Library Towards Efficient and Comprehensive Urban Spatial-Temporal Prediction

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