CN112989229B - 出行路线的推荐方法、装置、计算机设备及存储介质 - Google Patents
出行路线的推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112989229B CN112989229B CN202110473737.5A CN202110473737A CN112989229B CN 112989229 B CN112989229 B CN 112989229B CN 202110473737 A CN202110473737 A CN 202110473737A CN 112989229 B CN112989229 B CN 112989229B
- Authority
- CN
- China
- Prior art keywords
- travel
- account
- target
- information
- mode
- 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 85
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000006399 behavior Effects 0.000 claims description 62
- 239000013598 vector Substances 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 6
- 230000001351 cycling effect Effects 0.000 claims description 5
- 230000001976 improved effect Effects 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 21
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000013145 classification model Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 13
- 230000004927 fusion Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000013439 planning Methods 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000013475 authorization Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012384 transportation and delivery 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种出行路线的推荐方法、装置、计算机设备及存储介质,应用于交通领域。本申请通过获取目标特征之后,基于目标特征确定出各个出行方式的选择概率,并将选择概率作为对各条出行路线的一个影响因素,结合各条出行路线的出行成本信息,综合确定出各个出行方式下各条出行路线的推荐权重,使得在基于推荐权重推荐目标出行路线时,不会局限于选择概率最大的出行方式,而是多方考虑所有出行方式下所有出行路线最终的推荐权重,能够大大提升对出行路线的推荐准确度。
Description
技术领域
本申请涉及交通领域,特别涉及一种出行路线的推荐方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的发展和终端功能的多样化,用户能够通过终端访问基于位置的服务(Location Based Services,LBS),如,用户在终端的地图应用中输入出发地和目的地,服务器即可向终端推荐可供选择的出行方式及出行路线。
目前,服务器在进行出行方式及出行路线推荐时,需要经过复杂的运算,然而在实际中,用户选择出行方式时考虑的影响因素是多种多样的,例如用户以往偏好公共交通方式,服务器向用户推荐了公共交通方式以及对应的公共交通路线,但用户由于赶时间选择了打车方式,导致出行路线的推荐准确度大大降低。因此,亟需一种能够提升出行路线的推荐准确度的方法。
发明内容
本申请实施例提供了一种出行路线的推荐方法、装置、计算机设备及存储介质,能够提升出行路线的推荐准确度。
一方面,提供了一种出行路线的推荐方法,该方法包括:
响应于账号的出行推荐请求,获取所述账号的目标特征,所述出行推荐请求用于请求本次出行的出行方式以及出行路线,所述目标特征用于表征所述账号的账号信息以及所述本次出行相关的交通状况信息之间的关联;
基于所述目标特征,确定多种出行方式分别对应的多个选择概率,所述选择概率用于表征所述账号预计选择对应出行方式的可能性;
基于所述多个选择概率、所述多种出行方式下的多个出行路线的出行成本信息,确定所述多个出行路线的多个推荐权重,所述推荐权重用于表征所述账号在选择对应出行方式的情况下预计选择对应出行路线的可能性;
基于所述多个推荐权重,向所述账号推荐目标出行方式及目标出行路线。
一方面,提供了一种出行路线的推荐装置,该装置包括:
获取模块,用于响应于账号的出行推荐请求,获取所述账号的目标特征,所述出行推荐请求用于请求本次出行的出行方式以及出行路线,所述目标特征用于表征所述账号的账号信息以及所述本次出行相关的交通状况信息之间的关联;
第一确定模块,用于基于所述目标特征,确定多种出行方式分别对应的多个选择概率,所述选择概率用于表征所述账号预计选择对应出行方式的可能性;
第二确定模块,用于基于所述多个选择概率、所述多种出行方式下的多个出行路线的出行成本信息,确定所述多个出行路线的多个推荐权重,所述推荐权重用于表征所述账号在选择对应出行方式的情况下预计选择对应出行路线的可能性;
推荐模块,用于基于所述多个推荐权重,向所述账号推荐目标出行方式及目标出行路线。
在一种可能实施方式中,所述第一确定模块用于:
将所述目标特征输入出行方式推荐模型,通过所述出行方式推荐模型对所述目标特征进行加权,对加权后的特征进行指数归一化,得到所述多个选择概率,所述出行方式推荐模型用于基于目标特征确定选择概率。
在一种可能实施方式中,所述装置还包括训练模块,所述训练模块用于:
获取多个样本账号的多个样本目标特征以及多个分类标签;
将所述多个样本目标特征输入初始推荐模型,通过所述初始推荐模型确定所述多个样本账号对所述多种出行方式的多个选择概率,其中,一个样本账号对应于所述多种出行方式的多个选择概率;
对所述多个样本账号,将选择概率最高的出行方式获取为多个预测标签;
基于所述多个分类标签和所述多个预测标签,获取本次迭代过程的损失函数值,迭代训练所述初始推荐模型直到符合停止条件,得到所述出行方式推荐模型。
在一种可能实施方式中,所述获取模块包括:
确定单元,用于基于所述出行推荐请求,确定所述账号的出发位置和目标位置;
第一获取单元,用于获取所述账号的账号信息以及所述出发位置和所述目标位置之间的交通状况信息;
提取单元,用于基于所述账号信息和所述交通状况信息,提取得到所述目标特征。
在一种可能实施方式中,所述账号信息包括与所述账号关联的用户资料信息、与所述账号关联的车辆信息、与所述账号关联且除了车辆之外的资产信息或者所述账号的历史行为信息中的至少一项;所述交通状况信息包括交通路况信息、交通灯信息或者道路信息中的至少一项。
在一种可能实施方式中,所述提取单元用于:
对所述用户资料信息、所述车辆信息、所述资产信息、所述历史行为信息和所述交通状况信息进行特征提取,得到用户资料特征、车辆特征、资产特征、历史行为特征和交通状况特征;
将所述交通状况特征、所述车辆特征和所述历史行为特征融合,得到第一特征;
将所述第一特征、所述用户资料特征和所述资产特征融合,得到所述目标特征。
在一种可能实施方式中,所述出行成本信息包括所述多个出行路线中多个路口节点的多个出行费用参数和所述多个路口节点的多个出行时间参数。
在一种可能实施方式中,所述第二确定模块包括:
第二获取单元,用于对任一路口节点,基于所述任一路口节点的出行费用参数、出行时间参数以及所述任一路口节点对应的选择概率,获取所述任一路口节点的权重向量;
第三获取单元,用于对任一出行路线,基于所述任一出行路线所包含的多个路口节点的多个权重向量,获取所述任一出行路线的推荐权重。
在一种可能实施方式中,所述第三获取单元包括:
第一获取子单元,用于对所述任一出行路线所包含的多个路口节点,获取所述多个路口节点的权重向量中的出行费用参数的第一和值;
所述第一获取子单元,还用于获取所述多个路口节点的权重向量中的出行时间参数的第二和值;
所述第一获取子单元,还用于获取所述多个路口节点的权重向量中的出行费用参数与出行时间参数之间的乘积的第三和值;
第二获取子单元,用于基于所述第一和值、所述第二和值、所述第三和值和所述任一出行路线对应的选择概率,获取所述任一出行路线的推荐权重。
在一种可能实施方式中,所述第二获取子单元用于:
获取所述选择概率与所述第三和值相乘得到的第一数值;
获取所述第一和值和所述第二和值相乘得到的第二数值;
将所述第一数值与所述第二数值相除,得到所述任一出行路线的推荐权重。
在一种可能实施方式中,所述推荐模块用于:
按照从大到小的顺序,对所述多个推荐权重进行排序,将排序位于首位的推荐权重所对应的出行路线确定为所述目标出行路线;
将所述目标出行路线所对应的出行方式确定为所述目标出行方式。
在一种可能实施方式中,所述多种出行方式包括打车方式、驾车方式、公共交通方式、步行方式、骑行方式或者拒绝使用导航中的至少一项。
一方面,提供了一种计算机设备,该计算机设备包括一个或多个处理器和一个或多个存储器,该一个或多个存储器中存储有至少一条计算机程序,该至少一条计算机程序由该一个或多个处理器加载并执行以实现如上述出行路线的推荐方法。
一方面,提供了一种存储介质,该存储介质中存储有至少一条计算机程序,该至少一条计算机程序由处理器加载并执行以实现如上述出行路线的推荐方法。
一方面,提供一种计算机程序产品或计算机程序,所述计算机程序产品或所述计算机程序包括一条或多条程序代码,所述一条或多条程序代码存储在计算机可读存储介质中。计算机设备的一个或多个处理器能够从计算机可读存储介质中读取所述一条或多条程序代码,所述一个或多个处理器执行所述一条或多条程序代码,使得计算机设备能够执行上述出行路线的推荐方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过获取目标特征之后,基于目标特征确定出各个出行方式的选择概率,并将选择概率作为对各条出行路线的一个影响因素,结合各条出行路线的出行成本信息,综合确定出各个出行方式下各条出行路线的推荐权重,使得在基于推荐权重推荐目标出行路线时,不会局限于选择概率最大的出行方式,而是多方考虑所有出行方式下所有出行路线最终的推荐权重,能够大大提升对出行路线的推荐准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还能够根据这些附图获得其他的附图。
图1是本申请实施例提供的一种出行路线的推荐方法的实施环境示意图;
图2是本申请实施例提供的一种出行路线的推荐方法的流程图;
图3是本申请实施例提供的一种出行路线的推荐方法的流程图;
图4是本申请实施例提供的一种出行方式推荐模型的训练流程图;
图5是本申请实施例提供的一种出行方式推荐模型的原理性流程图;
图6是本申请实施例提供的一种出行路线的推荐方法的原理性流程图;
图7是本申请实施例提供的一种出行路线的推荐装置的结构示意图;
图8是本申请实施例提供的一种计算机设备的结构示意图;
图9是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。
本申请中术语“至少一个”是指一个或多个,“多个”的含义是指两个或两个以上,例如,多个第一位置是指两个或两个以上的第一位置。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括音频处理技术、计算机视觉技术、自然语言处理技术以及机器学习/深度学习等几大方向。
让计算机能听、能看、能说、能感觉,是未来人机交互的发展方向,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。本申请实施例提供的出行方式的推荐方法涉及人工智能的机器学习技术。
以下,对本申请实施例所涉及的术语进行解释说明。
智能交通系统(Intelligent Traffic System,ITS):又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems,IVICS):简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
电子地图(Electronic map):即数字地图,是利用计算机技术,以数字方式存储和查阅的地图,是地图制作和应用的一个系统,是由电子计算机控制所生成的地图,是基于数字制图技术的屏幕地图,是可视化的实地图。电子地图储存资讯的方法,一般使用向量式图像储存,地图比例可放大、缩小或旋转而不影响显示效果。能够在计算机屏幕上可视化是电子地图的根本特征。电子地图的特点至少包括:1)可以快速存取显示;2)可以实现动画;3)可以将地图要素分层显示;4)利用虚拟现实技术将地图立体化、动态化,令用户有身临其境之感;5)利用数据传输技术可以将电子地图传输到其他地方;6)可以实现图上的长度、角度、面积等的自动化测量。
导航系统:通常导航系统是一些基础功能的集合,包括:定位、目的地选择、路径计算和路径指导等。系统在其较高的性能系列中也提供彩色地图显示。所有这些功能要求有一个道路网的数字化地图,它通常存储在CDROM(Compact Disc Read-Only Memory,只读光盘)中。
出行方式:指用户从选定的出发位置(可能是用户当前所在位置或者用户输入的其他位置)到选定的目标位置所支持采用的交通方式,包括但不限于打车方式、驾车方式、公共交通方式、步行方式、骑行方式等,在本申请实施例中还涉及一种出行方式是“拒绝使用导航”,指用户在终端的地图应用中点击了某种出行方式但并没有使用该出行方式的导航功能。
出行方式推荐:出行方式推荐是一项面向用户的、基于LBS的业务,通常在出行方式推荐过程中还伴随着出行路线推荐。出行方式推荐指根据出发位置(即出发点、起点)与目标位置(即目的地、终点)之间的距离、交通路况信息(即路面交通状况)、交通出行费用、油耗、交通出行时间等各类可能的影响因素,在地图应用中对驾车、打车、公共交通、步行、骑行等多种出行方式选择一种目标出行方式进行推荐。
出行偏好:指用户在历史出行过程中曾经选择过的多种出行方式所体现出的用户偏好,比如,用户在过去的1个月内出行了共计20次,其中15次选择了公共交通方式,5次选择了打车,那么即可推测出用户的历史出行偏好为公共交通方式。
出行路线推荐:在每种出行方式下,根据用户的出行偏好以及其他影响因素,通过路径规划算法为用户预测出的最优的目标出行路线,不同的路径规划算法会考虑不同的影响因素。
指数归一化(Softmax)算法:将一个含任意实数的K维向量Z压缩到另一个K维实向量f(Z)中,使得f(Z)中每一个元素的范围都在(0,1)之间,并且所有元素的和为1,其中K大于或等于1。Softmax算法概率计算公式如下:
其中,e为自然底数,k为K维向量Z的任一维度,1≤k≤K,x为第k个维度的元素取值,xT为x的转置,Y表示标签(label)变量,j为第j类标签,wj表示第j类标签的权重,wk表示第k个维度的权重。在出行推荐场景中,上述标签变量可以设置为多种出行方式,或者多条出行路线。
最优化算法:给定一个函数f(x),寻找一个元素x0使得函数值f(x0)最小化或者最大化的方法,称为最优化算法。最优化算法包括但不限于:梯度下降法、牛顿法、拟牛顿法、共轭梯度法等。
图算法:利用节点之间的关系来推断复杂系统的结构和变化的一种方法,本申请实施例中涉及的图算法节点均为路口节点,也即根据车辆网系统收集的路测数据,以每个路段中的每个路口作为一个节点,以此来便于进行精细地路径规划。
近年来,随着车联网技术及ITS系统的发展,用户能够通过终端访问LBS服务,如,用户在终端的地图应用中输入出发地和目的地,服务器即可向终端推荐可供选择的出行方式及出行路线。
目前,服务器在进行出行方式及出行路线推荐时,通常是先收集用户的历史出行偏好的点击行为样本,训练得到一个出行方式的推荐模型,利用出行方式的推荐模型来预测本次的最优出行方式,再根据时间、距离、限速的约束条件,进一步基于最优化算法,预测在上述出行方式下的最优出行路线,然后将最优出行方式和最优出行路线及导航信息推荐至终端。
一方面,在上述推荐方案中,先根据历史出行偏好预测出最优出行方式,再预测最优出行方式下的最优出行路线,然而在实际中,用户很可能考虑了一些影响因素之后,做出偏离历史出行偏好的选择,例如用户以往偏好公共交通方式,服务器向用户推荐了公共交通方式以及对应的公共交通路线,但用户由于赶时间选择了打车方式,导致出行路线的推荐准确度大大降低。
另一方面,由于在预测最优出行路线时,会引入时间、距离、限速的约束条件,上述约束条件针对步行、骑行等非驾驶类出行场景,不会影响到出行路线的选择情况,反而会徒增模型算法的复杂度,降低了对步行、骑行等场景的预测准确度。此外,由于约束条件仅考虑了时间、距离、限速,但在实际决策时,用户往往还会考虑到出行成本(即包括时间成本和费用成本),此类算法并未考虑到出行成本对用户选择出行路线的影响。
另一方面,由于上述算法仅考虑了每种出行方式下每条出行路线的总体选择问题,但在实际决策中,根据每条出行路线中每个路口节点的不同,也可能会对用户的出行路线选择造成影响,比如用户选择公共交通方式时,通常会考虑到换乘站的人流量,最终选择一条绕路不多但人流量较小的出行路线,而这一影响因素无法被上述算法纳入对出行路线的预测中。
另一方面,在上述推荐方案中,每种出行方式下可供选择的出行路线的数量是固定且相等的,比如每种出行方式下可供选择的出行路线均为6条,但在实际决策中每种出行方式下的出行路线的数量是动态变化的,因此无法模拟出真实场景下预测出行路线的情况。
有鉴于此,本申请实施例提供一种出行路线的推荐方法,既考虑了用户出行偏好对出行方式的选择影响,也考虑了出行成本(包括时间成本和费用成本)对出行方式及出行路线的选择影响,通过对时间成本和费用成本分别进行比例化标准处理,消除时间成本和费用成本的量纲影响,使得综合计算的出行路线的推荐权重具有统一性和代表性。进一步地,在向用户推荐出行方式及出行路线时,采用统一选择的方式,即将用户选择某一出行方式的选择概率作为一个影响因素,纳入到对该出行方式下的每条出行路线计算推荐权重的过程中,综合决策出推荐权重最大的出行路线作为目标出行路线,下面进行详述。
图1是本申请实施例提供的一种出行路线的推荐方法的实施环境示意图。参见图1,在该实施环境中包括终端101和服务器102,其中,终端101和服务器102均为计算机设备的一种示例性说明。
终端101安装和运行有支持电子地图的应用程序,该应用程序包括但不限于:地图应用、出行服务应用、导航应用、打车应用、共享单车应用、旅行应用、点评应用、社交应用、购物应用或者支付应用中至少一种,本申请实施例不对应用程序的类型进行具体限定。用户可以在终端101上启用该应用程序,并在该应用程序中设定出发位置和目标位置之后,向服务器102发送出行推荐请求,该出行推荐请求至少携带该出发位置、该目标位置以及登录该终端的账号的账号标识。
终端101可以通过有线或无线通信方式与服务器102进行直接或间接地连接,本申请实施例在此不对连接方式进行限制。
服务器102用于为上述应用程序提供后台服务,服务器102包括一台服务器、多台服务器、云计算平台或者虚拟化中心中的至少一种。可选地,服务器102承担主要计算工作,终端101承担次要计算工作;或者,服务器102承担次要计算工作,终端101承担主要计算工作;或者,服务器102和终端101两者之间采用分布式计算架构进行协同计算。
在一些实施例中,服务器102是独立的物理服务器,或者是多个物理服务器构成的服务器集群或者分布式系统,或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一些实施例中,终端101是智能手机、车载终端、智能语音交互设备、智能家电、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、MP3(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、电子书阅读器等,但并不局限于此。
本领域技术人员可以知晓,上述终端101的数量可以更多或更少。比如上述终端101可以仅为一个,或者上述终端101为几十个或几百个,或者更多数量。本申请实施例对终端101的数量和设备类型不加以限定。
图2是本申请实施例提供的一种出行路线的推荐方法的流程图。参见图2,该实施例应用于计算机设备,以下仅以计算机设备为服务器为例进行说明,该实施例包括下述步骤。
201、服务器响应于账号的出行推荐请求,获取该账号的目标特征,该出行推荐请求用于请求本次出行的出行方式以及出行路线,该目标特征用于表征该账号的账号信息以及该本次出行相关的交通状况信息之间的关联。
在一些实施例中,该出行推荐请求由登录该账号的终端触发发送,该出行推荐请求至少携带本次出行的出发位置、本次出行的目标位置以及登录该账号的账号标识。也即是说,终端上安装有支持电子地图的应用程序,用户可在该应用程序中登录该账号后,与服务器建立会话连接,在用户指定该出发位置和该目标位置之后,基于用户对路线或者导航功能选项的触发操作,在已建立的会话中向服务器发送该出行推荐请求。
可选地,该应用程序包括但不限于:地图应用、出行服务应用、导航应用、打车应用、共享单车应用、旅行应用、点评应用、社交应用、购物应用或者支付应用中至少一种,本申请实施例不对应用程序的类型进行具体限定。
可选地,该出发位置即出发地,可以是终端当前所处的地理位置,或者,还可以是用户手动输入的地理位置。可选地,该目标位置即目的地,可以是用户手动输入的地理位置,或者,还可以是用户从多个历史地理位置中快捷选择的地理位置。
在一个示例性场景中,以该应用程序为地图应用为例,用户可以仅在地图应用中输入所欲到达的目标位置,并点击路线或者导航功能选项,此时由于并未指定出发位置,终端会默认将自身当前所在的地理位置获取为出发位置,从而向服务器发送该出行推荐请求。可选地,在这种情况下,也可以由终端在出行推荐请求中仅携带目标位置和账号标识,并将出发位置置为空、默认值或者缺省值,服务器在接收到该出行推荐请求之后,解析该出行推荐请求,若解析后的出行推荐请求中出发位置的字段为空、默认值或者缺省值,则获取终端当前所在的地理位置为出发位置,并进行后续的出行方式及出行路线的推荐流程。
可选地,如果用户并不想搜索从自身当前所处的地理位置到目标位置的出行路线,那么用户可以在地图应用中手动输入所欲出发的出发位置,比如用户输入出发位置的名称后,在该名称对应的位置列表中选择对应的位置,或者用户点击历史出行中的出发位置列表并从该出发位置列表中选择对应的位置,或者用户通过快捷键选择上一个行程中的目标位置作为本次出行的出发位置,或者还可以通过语音指令、手势指令等方式自定义指定任一出发位置,本申请实施例不对出发位置的选择方式进行具体限定。
在一些实施例中,服务器在获取该目标特征时,可以执行如下操作:服务器基于该出行推荐请求,确定该账号的出发位置和目标位置;服务器获取该账号的账号信息以及该出发位置和该目标位置之间的交通状况信息;服务器基于该账号信息和该交通状况信息,提取得到该目标特征。
可选地,该出行推荐请求中的第一字段携带该出发位置、第二字段携带该目标位置,服务器在接收到任一请求时,解析该请求(如解密、解压缩等操作),对解析后的请求读取请求头字段,若该请求头字段携带出行推荐标识,则将该请求确定为出行推荐请求,接着分别读取该第一字段和第二字段,得到该出发位置和该目标位置。
在一种可能实施方式中,若该第一字段为空、默认值或者缺省值,服务器可以获取该终端当前所在的地理位置,并将该地理位置确定为该出发位置,需要说明的是,服务器在获取该地理位置时需要经过用户的充分授权,比如,服务器向终端请求该地理位置,终端显示授权弹窗,在用户点击该授权弹窗中的确认选项后,终端向服务器返回该地理位置。
可选地,该出行推荐请求中的第三字段(如User用户字段)携带该账号的账号标识,服务器基于上述方式解析识别到该出行推荐请求之后,读取该出行推荐请求的第三字段,得到该账号标识,接着以该账号标识为索引,从账号信息库中读取与该账号标识对应的账号信息,即可得到该账号的账号信息。
可选地,该账号信息包括与该账号关联的用户资料信息、与该账号关联的车辆信息、与该账号关联且除了车辆之外的资产信息或者该账号的历史行为信息中的至少一项。其中,该用户资料信息用于表征与该账号关联的用户的个人信息,例如性别、年龄、收入、工作性质等;该车辆信息用于表征该用户是否拥有车辆,例如该车辆信息是一个布尔型数值,取值为True(或者1)时表示有车,取值为False(或者0)时表示无车,在该用户有车的情况下,该车辆信息还可以包括车辆品牌、车辆型号、车牌归属地、车辆油耗等;该资产信息包括该用户除了车辆之外的资产信息,例如是否有房、年收入、年支出、月收入、月支出、负债情况、贷款情况等;该历史行为信息用于表征用户在历史出行中所做出的互动行为信息,例如点击行为信息、活跃行为信息、消费行为信息、出行行为信息、出行费用信息、等车时长信息等。需要说明的是,上述账号信息均是经过用户充分授权才可获知的信息。
在一个示例中,以应用程序为出行服务应用或出行服务小程序(即其他应用程序内的嵌入式程序)为例,该点击行为信息包括用户点击该应用程序的点击次数、取消次数、退出次数等,以及用户点击该应用程序内每个功能模块的点击次数、取消次数、退出次数等,该活跃行为信息包括用户在该应用程序的活跃次数、活跃天数、活跃时长、最近一次活跃时间以及应用程序的注册时长等,该消费行为信息包括用户在应用程序内每个功能模块的消费次数、消费天数、消费金额以及消费金额占所有模块的总消费金额的比例等,该出行行为信息包括用户使用每种出行方式开启导航的次数、退出导航的次数、经常导航的目标位置、历史出行中目标位置与出发位置之间的距离信息、用户使用频次最高的出行方式的点击次数及切换次数等,该出行费用信息包括用户的加油费、公共交通费(如公交票价、地铁票价)、打车费、骑行费、平均步行时长等,该等车时长为用户使用公共交通方式或者打车方式出行时所花费的等车时长。
可选地,服务器在获取该出发位置和该目标位置之后,可从车辆网、ITS或者IVICS的路测数据库中读取该出发位置和该目标位置之间的交通状况信息,可选地,该交通状况信息包括交通路况信息、交通灯信息或者道路信息中的至少一项。其中,该交通路况信息包括电子地图上显示的出发位置和目标位置之间的道路拥堵情况(如严重拥堵、拥堵、行车缓慢或者行车畅通),该交通灯信息包括每条出行路线上的道路交通灯个数及交通灯等待时长等,该道路信息包括每条出行路线上的道路名称、每条出行路线包含的至少一个路段、每个路段包括的至少一个路口、每个路段的限速、每个路段的平均耗时、公共交通方式的出行路线中出发位置与目标位置的站数、公共交通车辆的等待时长等。
在一些实施例中,由于该目标特征用于表征该账号信息以及该交通状况信息之间的关联,因此在获取该目标特征时,服务器可以对该账号信息进行提取得到账号特征、对该交通状况信息进行特征提取得到交通状况特征,并将该账号特征与该交通状况特征进行融合,得到该目标特征。可选地,在提取账号特征和交通状况特征时,可以使用独热编码或者embedding(嵌入)处理等方式,本申请实施例对具体采用哪种提取方式不进行具体限定。可选地,在融合账号特征和交通状况特征时,可以采用拼接、按元素相加、按元素相乘、双线性汇合等方式,本申请实施例对具体采用哪种融合方式不进行具体限定。
在上述过程中,通过分别对该账号信息和该交通状况信息进行特征提取后,再对提取得到的账号特征和交通状况特征进行融合,能够大大简化目标特征的获取流程,提高目标特征的获取效率。
在一些实施例中,在获取该目标特征时,服务器可以对该用户资料信息、该车辆信息、该资产信息、该历史行为信息和该交通状况信息分别进行特征提取,得到用户资料特征、车辆特征、资产特征、历史行为特征和交通状况特征;将该交通状况特征、该车辆特征和该历史行为特征融合,得到第一特征;将该第一特征、该用户资料特征和该资产特征融合,得到该目标特征。
可选地,服务器在对该用户资料信息、该车辆信息、该资产信息、该历史行为信息和该交通状况信息分别进行特征提取时,可以使用独热编码或者嵌入处理等方式,本申请实施例对具体采用哪种提取方式不进行具体限定。
可选地,服务器在对该交通状况特征、该车辆特征和该历史行为特征进行融合时,由于该交通状况特征包括交通路况特征、交通灯特征或者道路特征中至少一项,而该车辆特征包括是否有车特征、该历史行为特征包括点击行为特征、活跃行为特征、消费行为特征、出行行为特征、出行费用特征(如车辆油耗特征)、等车时长特征等,服务器可以将该交通状况特征所包含的每一个特征分别与该车辆特征和该历史行为特征两者一共所包含的每一个特征进行交叉相乘(也即向量叉乘以获取向量积),得到多个交叉特征,接着,将该多个交叉特征进行拼接(concat),得到该第一特征,以简化获取第一特征时的计算量。可选地,除了拼接方式之外,服务器也可对该多个交叉特征进行按元素相加、按元素相乘、双线性汇合等,得到该第一特征,以降低获取到的第一特征的维度。
在一些实施例中,服务器在对该第一特征、该用户资料特征和该资产特征进行融合时,可以对该第一特征、该用户资料特征和该资产特征进行拼接,得到该目标特征,以简化获取该目标特征时的计算量。可选地,除了拼接方式之外,服务器也可对该第一特征、该用户资料特征和该资产特征进行按元素相加、按元素相乘、双线性汇合等,得到该第一特征,以降低获取到的目标特征的维度。
在上述过程中,通过将交通状况特征与车辆特征和历史行为特征融合,并将融合得到的第一特征再与用户资料特征和资产特征融合,最终得到目标特征,使得目标特征能够将账号信息和交通状况信息进行有效关联,能够极大地提升目标特征的丰富度。
202、服务器基于该目标特征,确定多种出行方式分别对应的多个选择概率,该选择概率用于表征该账号预计选择对应出行方式的可能性。
在一些实施例中,该多种出行方式至少包括打车方式、驾车方式、公共交通方式、步行方式、骑行方式或者拒绝使用导航中的至少一项。其中,拒绝使用导航是指用户在终端的地图应用中点击了某种出行方式但并没有使用该出行方式的导航功能。
在一些实施例中,服务器在确定多个选择概率时,可以调用已训练好的出行方式推荐模型,该出行方式推荐模型是基于多个样本账号的多个样本目标特征以及多个分类标签(即用户在历史出行中实际选择出行方式)训练所得的机器学习模型,该出行方式推荐模型用于基于输入的目标特征确定输出的多个选择概率,其中,每个选择概率对应于一种出行方式。
在一些实施例中,服务器在调用出行方式推荐模型预测时,可以将该目标特征输入出行方式推荐模型,通过该出行方式推荐模型对该目标特征进行加权,对加权后的特征进行指数归一化,得到该多个选择概率。
可选地,该出行方式推荐模型可以是一个多分类模型,从而能够利用单个模型来预测多个选择概率,简化选择概率的获取流程。该多分类模型的模型结构包括但不限于:DNN(Deep Neural Networks,深度神经网络)、MLP(Multi-Layer Perceptron,多层感知机)、CNN(Convolutional Neural Networks,卷积神经网络)等,本申请实施例对此不进行具体限定。
可选地,该出行方式推荐模型还可以包括多个二分类子模型,每个二分类子模型对应于一种出行方式,每个二分类子模型用于基于目标特征确定对应出行方式的选择概率,从而能够针对不同的出行方式进行有针对性的专门预测。
在一个示例性场景中,该出行方式推荐模型为一个Softmax多分类模型,在该Softmax多分类模型中包括多个隐藏层,服务器可以将该目标特征输入该多个隐藏层,通过该多个隐藏层对该目标特征进行加权处理,其中,该多个隐藏层之间具有串联的连接关系,也即第一个隐藏层以该目标特征为输入,并将第一个隐藏层加权后的特征输入到第二隐藏层中,以此类推,每个隐藏层都以上一个隐藏层的输出作为本隐藏层的输入,并将本隐藏层的输出继续输入到下一个隐藏层中,直到最后一个隐藏层也加权完毕,最后一个隐藏层的输出是一个维度为K的特征图(即加权后的特征),每个维度的元素取值对应于一种可供选择的出行方式,K是指该多种出行方式的总数量。接着利用Softmax函数对K维特征图进行指数归一化,即可将该K维特征图中每个维度的元素取值转变为对应出行方式的选择概率,也即,原本K维特征图中每个维度的元素取值并非是归一化的概率表示,通过Softmax函数即可将K维特征图中每个维度的元素取值转变为一个大于或等于0且小于或等于1的数值,且保证K个维度的元素取值之和为1,在经过指数归一化之后,每个维度的元素归一化取值即代表一种出行方式的选择概率。
203、服务器基于该多个选择概率、该多种出行方式下的多个出行路线的出行成本信息,确定该多个出行路线的多个推荐权重,该推荐权重用于表征该账号在选择对应出行方式的情况下预计选择对应出行路线的可能性。
在一些实施例中,该出行成本信息包括出行费用成本和出行时间成本,其中,在该多个出行路线中,每个出行路线均包括至少一个路段,由于有的路段中包含路口,而有的路段中不包含路口,针对有路口的路段,能够以每个路段所包含的每个路口作为一个节点(也即路口节点),从而能够将每个出行路线划分成多个节点所构成的有向边,以便于后续基于图算法的理论来确定每个出行路线的推荐权重。
可选地,该出行费用成本包括该多个出行路线中多个路口节点的多个出行费用参数,每个出行费用参数用于表示从上一个路口节点到本路口节点的出行费用,该出行时间成本包括该多个出行路线中多个路口节点的多个出行时间参数,每个出行时间参数用于表示从上一个路口节点到本路口节点的出行时长。
在一些实施例中,在上述既考虑时间成本又考虑费用成本的基础上,服务器可以通过下述方式来确定推荐权重:对任一路口节点,基于该任一路口节点的出行费用参数、出行时间参数以及该任一路口节点对应的选择概率,获取该任一路口节点的权重向量;对任一出行路线,基于该任一出行路线所包含的多个路口节点的多个权重向量,获取该任一出行路线的推荐权重。
在上述过程中,首先针对每个路口节点来获取每个路口节点的权重向量,又由于每个出行路线是按照多个路口节点来划分的,因此根据每个出行路线上各个路口节点的权重向量,从而能够综合获取每个出行路线的推荐权重,使得每个出行路线的推荐权重充分考虑到了对应出行方式的选择概率,以及本条出行路线上各个路口节点各自的费用成本和时间成本,能够大大提升推荐权重的准确程度。
在一些实施例中,服务器也可以仅考虑时间成本或者仅考虑费用成本,来选择性的建模各个路口节点的权重向量,并根据建模后的各个路口节点的权重向量,来获取最终每条出行路线的推荐权重,从而能够大大简化推荐权重的计算复杂度。
在一些实施例中,服务器在确定每个路口节点的权重向量时,对每个路口节点,获取该路口节点的出行费用参数和出行时间参数之后,可以确定该路口节点所在的出行路线,进一步确定该出行路线所对应出行方式的选择概率,将该出行费用参数、出行时间参数和选择概率构成一个权重向量,该权重向量中包括该出行费用参数、出行时间参数和选择概率这三个元素。
在一些实施例中,服务器在获取推荐权重时,可以对该任一出行路线所包含的多个路口节点,获取该多个路口节点的权重向量中的出行费用参数的第一和值;获取该多个路口节点的权重向量中的出行时间参数的第二和值;获取该多个路口节点的权重向量中的出行费用参数与出行时间参数之间的乘积的第三和值;基于该第一和值、该第二和值、该第三和值和该任一出行路线对应的选择概率,获取该任一出行路线的推荐权重。
在一些实施例中,对每条出行路线,服务器确定该出行路线所包含的各个路口节点,将各个路口节点的权重向量中的出行费用参数相加,得到该第一和值,将各个路口节点的权重向量中的出行时间参数相加,得到该第二和值,然后将各个路口节点的权重向量中的出行费用参数和出行时间参数相乘,得到各个路口节点的总成本参数,将各个路口节点的总成本参数相加,得到该第三和值。
在一些实施例中,对每条出行路线,服务器获取该出行路线所对应的选择概率与该第三和值相乘得到的第一数值;获取该第一和值和该第二和值相乘得到的第二数值;将该第一数值与该第二数值相除,得到该任一出行路线的推荐权重。在上述过程中,通过乘除运算能够消除最终每条出行路线的推荐权重的量纲,使得每条出行路线的推荐权重具有更高的准确程度。
在一些实施例中,对每条出行路线,服务器还可以仅将每条出行路线上各个路口节点的出行时间参数与出行成本参数相乘,得到各个路口节点的总成本参数,将各个路口节点的总成本参数相加,得到该第三和值,再将该选择概率与该第三和值相乘所得的数值确定为该出行路线的推荐权重,从而能够简化推荐权重的计算复杂度。
204、服务器基于该多个推荐权重,向该账号推荐目标出行方式及目标出行路线。
在一些实施例中,服务器可以按照从大到小的顺序,对该多个推荐权重进行排序,将排序位于首位的推荐权重所对应的出行路线确定为该目标出行路线;将该目标出行路线所对应的出行方式确定为该目标出行方式。
在一些实施例中,服务器还可以按照从大到小的顺序,对该多个推荐权重进行排序,确定排序位于前目标位的推荐权重所对应的目标数量个出行路线,从该目标数量个出行路线中随机选择一个作为该目标出行路线;将该目标出行路线所对应的出行方式确定为该目标出行方式。其中,该目标数量为任一大于或等于1的整数。
在一些实施例中,服务器还可以获取该多个推荐权重中的最大推荐权重,将该最大推荐权重所对应的出行路线确定为该目标出行路线;将该目标出行路线所对应的出行方式确定为该目标出行方式。
在一些实施例中,服务器还可以获取该多个推荐权重中大于权重阈值的至少一个推荐权重,从该至少一个推荐权重所对应的至少一个出行路线中,随机选择一个作为该目标出行路线;将该目标出行路线所对应的出行方式确定为该目标出行方式。其中,该权重阈值为任一大于或等于0的数值。
上述所有可选技术方案,能够采用任意结合形成本公开的可选实施例,在此不再一一赘述。
本申请实施例提供的方法,通过获取目标特征之后,基于目标特征确定出各个出行方式的选择概率,并将选择概率作为对各条出行路线的一个影响因素,结合各条出行路线的出行成本信息,综合确定出各个出行方式下各条出行路线的推荐权重,使得在基于推荐权重推荐目标出行路线时,不会局限于选择概率最大的出行方式,而是多方考虑所有出行方式下所有出行路线最终的推荐权重,能够大大提升对出行路线的推荐准确度。
进一步地,这种出行路线的推荐方案能够更好地模拟出用户实际决策时考虑多方因素的思维模式,且约束条件并非是简单的时间、距离、限速,除了用户出行偏好之外,还引入了出行成本(包括时间成本或者费用成本中至少一项)的考量,使得模型算法更能够贴近真实应用场景。此外,通过对时间成本和费用成本分别进行比例化标准处理,消除时间成本和费用成本的量纲影响,使得综合计算的出行路线的推荐权重具有统一性和代表性。
进一步地,参与到排序的出行路线的数量是根据每种出行方式各自实际的路线数量来确定的,且通过出行成本和出行时间的最小化,去除掉相关技术中固定刻板的约束条件,使得最终选择的目标出行路线和目标出行方式更加符合真实决策的出行情况,使得推荐过程具有更高的智能性。
图3是本申请实施例提供的一种出行路线的推荐方法的流程图,请参考图3,该实施例应用于计算机设备,以下仅以计算机设备为服务器为例进行说明,该实施例包括下述步骤。
301、服务器基于账号的出行推荐请求,确定该账号的出发位置和目标位置,该出行推荐请求用于请求本次出行的出行方式以及出行路线。
可选地,该出行推荐请求中的第一字段携带该出发位置、第二字段携带该目标位置,服务器在接收到任一请求时,解析该请求(如解密、解压缩等操作),对解析后的请求读取请求头字段,若该请求头字段携带出行推荐标识,则将该请求确定为出行推荐请求,接着分别读取该第一字段和第二字段,得到该出发位置和该目标位置。
在一种可能实施方式中,若该第一字段为空、默认值或者缺省值,服务器可以获取该终端当前所在的地理位置,并将该地理位置确定为该出发位置,需要说明的是,服务器在获取该地理位置时需要经过用户的充分授权,比如,服务器向终端请求该地理位置,终端显示授权弹窗,在用户点击该授权弹窗中的确认选项后,终端向服务器返回该地理位置。
302、服务器获取该账号的账号信息以及该出发位置和该目标位置之间的交通状况信息。
可选地,该出行推荐请求中的第三字段(如User用户字段)携带该账号的账号标识,服务器基于上述方式解析识别到该出行推荐请求之后,读取该出行推荐请求的第三字段,得到该账号标识,接着以该账号标识为索引,从账号信息库中读取与该账号标识对应的账号信息,即可得到该账号的账号信息。
可选地,该账号信息包括与该账号关联的用户资料信息、与该账号关联的车辆信息、与该账号关联且除了车辆之外的资产信息或者该账号的历史行为信息中的至少一项。
其中,该用户资料信息用于表征与该账号关联的用户的个人信息,例如性别、年龄、收入、工作性质等;该车辆信息用于表征该用户是否拥有车辆,例如该车辆信息是一个布尔型数值,取值为True(或者1)时表示有车,取值为False(或者0)时表示无车,在该用户有车的情况下,该车辆信息还可以包括车辆品牌、车辆型号、车牌归属地、车辆油耗等;该资产信息包括该用户除了车辆之外的资产信息,例如是否有房、年收入、年支出、月收入、月支出、负债情况、贷款情况等;该历史行为信息用于表征用户在历史出行中所做出的互动行为信息,例如点击行为信息、活跃行为信息、消费行为信息、出行行为信息、出行费用信息、等车时长信息等。需要说明的是,上述账号信息均是经过用户充分授权才可获知的信息。
在一个示例中,以应用程序为出行服务应用或出行服务小程序(即其他应用程序内的嵌入式程序)为例,该点击行为信息包括用户点击该应用程序的点击次数、取消次数、退出次数等,以及用户点击该应用程序内每个功能模块的点击次数、取消次数、退出次数等,该活跃行为信息包括用户在该应用程序的活跃次数、活跃天数、活跃时长、最近一次活跃时间以及应用程序的注册时长等,该消费行为信息包括用户在应用程序内每个功能模块的消费次数、消费天数、消费金额以及消费金额占所有模块的总消费金额的比例等,该出行行为信息包括用户使用每种出行方式开启导航的次数、退出导航的次数、经常导航的目标位置、历史出行中目标位置与出发位置之间的距离信息、用户使用频次最高的出行方式的点击次数及切换次数等,该出行费用信息包括用户的加油费、公共交通费(如公交票价、地铁票价)、打车费、骑行费、平均步行时长等,该等车时长为用户使用公共交通方式或者打车方式出行时所花费的等车时长。
可选地,服务器在获取该出发位置和该目标位置之后,可从车辆网、ITS或者IVICS的路测数据库中读取该出发位置和该目标位置之间的交通状况信息,可选地,该交通状况信息包括交通路况信息、交通灯信息或者道路信息中的至少一项。
其中,该交通路况信息包括电子地图上显示的出发位置和目标位置之间的道路拥堵情况(如严重拥堵、拥堵、行车缓慢或者行车畅通),该交通灯信息包括每条出行路线上的道路交通灯个数及交通灯等待时长等,该道路信息包括每条出行路线上的道路名称、每条出行路线包含的至少一个路段、每个路段包括的至少一个路口、每个路段的限速、每个路段的平均耗时、公共交通方式的出行路线中出发位置与目标位置的站数、公共交通车辆的等待时长等。
303、服务器基于该账号信息和该交通状况信息,提取得到该账号的目标特征,该目标特征用于表征该账号的账号信息以及该本次出行相关的交通状况信息之间的关联。
在一些实施例中,服务器可以对该用户资料信息、该车辆信息、该资产信息、该历史行为信息和该交通状况信息进行特征提取,得到用户资料特征、车辆特征、资产特征、历史行为特征和交通状况特征;将该交通状况特征、该车辆特征和该历史行为特征融合,得到第一特征;将该第一特征、该用户资料特征和该资产特征融合,得到该目标特征。
可选地,服务器在对该用户资料信息、该车辆信息、该资产信息、该历史行为信息和该交通状况信息分别进行特征提取时,可以使用独热编码或者嵌入处理等方式,本申请实施例对具体采用哪种提取方式不进行具体限定。
可选地,服务器在对该交通状况特征、该车辆特征和该历史行为特征进行融合时,由于该交通状况特征包括交通路况特征、交通灯特征或者道路特征中至少一项,而该车辆特征包括是否有车特征、该历史行为特征包括点击行为特征、活跃行为特征、消费行为特征、出行行为特征、出行费用特征(如车辆油耗特征)、等车时长特征等,服务器可以将该交通状况特征所包含的每一个特征分别与该车辆特征和该历史行为特征两者一共所包含的每一个特征进行交叉相乘(也即向量叉乘以获取向量积),得到多个交叉特征,接着,将该多个交叉特征进行拼接(concat),得到该第一特征,以简化获取第一特征时的计算量。可选地,除了拼接方式之外,服务器也可对该多个交叉特征进行按元素相加、按元素相乘、双线性汇合等,得到该第一特征,以降低获取到的第一特征的维度。
在一些实施例中,服务器在对该第一特征、该用户资料特征和该资产特征进行融合时,可以对该第一特征、该用户资料特征和该资产特征进行拼接,得到该目标特征,以简化获取该目标特征时的计算量。可选地,除了拼接方式之外,服务器也可对该第一特征、该用户资料特征和该资产特征进行按元素相加、按元素相乘、双线性汇合等,得到该第一特征,以降低获取到的目标特征的维度。
在上述过程中,通过将交通状况特征与车辆特征和历史行为特征融合,并将融合得到的第一特征再与用户资料特征和资产特征融合,最终得到目标特征,使得目标特征能够将账号信息和交通状况信息进行有效关联,能够极大地提升目标特征的丰富度。
上述步骤301-303,示出了服务器响应于账号的出行推荐请求,获取该账号的目标特征的一种可能实施方式。在另一些实施例中,由于该目标特征用于表征该账号信息以及该交通状况信息之间的关联,因此在获取该目标特征时,服务器可以对该账号信息进行提取得到账号特征、对该交通状况信息进行特征提取得到交通状况特征,并将该账号特征与该交通状况特征进行融合,得到该目标特征。
可选地,在提取账号特征和交通状况特征时,可以使用独热编码或者嵌入处理等方式,本申请实施例对具体采用哪种提取方式不进行具体限定。可选地,在融合账号特征和交通状况特征时,可以采用拼接、按元素相加、按元素相乘、双线性汇合等方式,本申请实施例对具体采用哪种融合方式不进行具体限定。
在上述过程中,通过分别对该账号信息和该交通状况信息进行特征提取后,再对提取得到的账号特征和交通状况特征进行融合,能够大大简化目标特征的获取流程,提高目标特征的获取效率。
在一个示例性场景中,假设将该账号信息划分为用户相关信息和车辆相关信息,那么用户相关信息包括该用户资料信息和该资产信息,将用户相关信息对应的用户相关特征记为U1,而车辆相关信息则包括该车辆信息和该历史行为信息,将车辆相关信息对应的车辆相关特征记为U2,此外还将该交通状况信息对应的交通状况特征记为I。在这种情况下,将交通状况特征中的每个特征Ii(表示I的第i个特征)与车辆相关特征中的每个特征(表示U2的第j个特征)进行交叉相乘(也即向量叉乘以获取向量积),可以得到多个交叉特征,将该多个交叉特征进行拼接得到该第一特征,再将该第一特征与该用户相关特征U1进行拼接,得到该目标特征X,记为:。
304、服务器将该目标特征输入出行方式推荐模型,通过该出行方式推荐模型对该目标特征进行加权,对加权后的特征进行指数归一化,得到多种出行方式分别对应的多个选择概率。
其中,该选择概率用于表征该账号预计选择对应出行方式的可能性,每个选择概率对应于一种出行方式。
可选地,该多种出行方式包括打车方式、驾车方式、公共交通方式、步行方式、骑行方式或者拒绝使用导航中的至少一项。
可选地,该出行方式推荐模型用于基于目标特征确定选择概率,该出行方式推荐模型是基于多个样本账号的多个样本目标特征以及多个分类标签(即用户在历史出行中实际选择出行方式)训练所得的机器学习模型。
可选地,该出行方式推荐模型可以是一个多分类模型,从而能够利用单个模型来预测多个选择概率,简化选择概率的获取流程。该多分类模型的模型结构包括但不限于:DNN、MLP、CNN等,本申请实施例对此不进行具体限定。
可选地,该出行方式推荐模型还可以包括多个二分类子模型,每个二分类子模型对应于一种出行方式,每个二分类子模型用于基于目标特征确定对应出行方式的选择概率,从而能够针对不同的出行方式进行有针对性的专门预测。
在一个示例性场景中,该出行方式推荐模型为一个Softmax多分类模型,在该Softmax多分类模型中包括多个隐藏层,服务器可以将该目标特征输入该多个隐藏层,通过该多个隐藏层对该目标特征进行加权处理,其中,该多个隐藏层之间具有串联的连接关系,也即第一个隐藏层以该目标特征为输入,并将第一个隐藏层加权后的特征输入到第二隐藏层中,以此类推,每个隐藏层都以上一个隐藏层的输出作为本隐藏层的输入,并将本隐藏层的输出继续输入到下一个隐藏层中,直到最后一个隐藏层也加权完毕,最后一个隐藏层的输出是一个维度为K的特征图(即加权后的特征),每个维度的元素取值对应于一种可供选择的出行方式,K是指该多种出行方式的总数量。接着利用Softmax函数对K维特征图进行指数归一化,即可将该K维特征图中每个维度的元素取值转变为对应出行方式的选择概率,也即,原本K维特征图中每个维度的元素取值并非是归一化的概率表示,通过Softmax函数即可将K维特征图中每个维度的元素取值转变为一个大于或等于0且小于或等于1的数值,且保证K个维度的元素取值之和为1,在经过指数归一化之后,每个维度的元素归一化取值即代表一种出行方式的选择概率。
其中,e为自然底数,表示在第T+1次出行中分类标签Y为第k种出行方式下预测样本的选择概率P,表示Softmax层中第k种出行方式的权重矩阵,表示预测样本的用户相关特征,表示预测样本的车辆相关特征,表示预测样本的交通状况特征,表示向量叉乘运算,表示向量拼接运算。
在对多个账号的出行推荐请求进行批处理时,Softmax多分类模型的输出可以表示为一个选择概率序列:。其中,n表示账号数量,k表示出行方式数量,共涉及到6种出行方式,k=1表示打车方式,k=2表示驾车方式,k=3表示公共交通方式,k=4表示步行方式,k=5表示骑行方式,k=0表示拒绝使用导航。
上述步骤304,也即服务器基于该目标特征,确定多种出行方式分别对应的多个选择概率的一种可能实施方式,通过调用出行方式推荐模型来预测该多个选择概率,能够提升选择概率的准确程度。
305、服务器基于该多个选择概率、该多种出行方式下的多个出行路线的出行成本信息,确定该多个出行路线的多个推荐权重,该推荐权重用于表征该账号在选择对应出行方式的情况下预计选择对应出行路线的可能性。
上述步骤305与上述步骤203类似,这里不做赘述。
在一个示例性实施例中,上述步骤305可视为一个基于图算法的路径规划模型,该路径规划模型包括以下示例性的数据处理阶段。
(b)图算法构建阶段:将(a)中输入的数据按路口节点进行组合,得到每个路口节点的权重向量:,表示第u个用户在第k种出行方式下第i条出行路线中第j个路口节点的权重向量。对每个路口节点执行上述操作,从而得到每个用户在各种出行方式下每条出行路线中每个路口节点的个性化权重向量。
(c)路线权重计算阶段:输入每个路口节点的权重向量,通过如下公式:
在上述过程中,通过采用账号对每种出行方式的选择概率与比例化的出行费用成本和出行时间成本的乘积,能够快速计算出账号对每种出行方式下每条出行路线的推荐权重,能够避免动态规划方法下带来的大量计算,极大提升计算效率。
(d)出行方式及对应路线推荐阶段:将(c)得到的每个用户在每种出行方式下各条出行路线的推荐权重所构成的集合进行从大到小的顺序进行排序。选择每个用户最大的推荐权重所对应的出行方式和出行路线作为目标出行方式和目标出行路线,即:
最后,形成最有可能符合用户偏好的目标出行方式及对应的目标出行路线方案(i,k)进入导航模式,并推荐给用户u所对应的终端。
306、服务器按照从大到小的顺序,对该多个推荐权重进行排序,将排序位于首位的推荐权重所对应的出行路线确定为目标出行路线,将该目标出行路线所对应的出行方式确定为该目标出行方式。
可选地,上述步骤306可采用下述任一方式进行替换,下面进行详述。
方式一、服务器按照从大到小的顺序,对该多个推荐权重进行排序,确定排序位于前目标位的推荐权重所对应的目标数量个出行路线,从该目标数量个出行路线中随机选择一个作为该目标出行路线;将该目标出行路线所对应的出行方式确定为该目标出行方式。其中,该目标数量为任一大于或等于1的整数。
方式二、服务器获取该多个推荐权重中的最大推荐权重,将该最大推荐权重所对应的出行路线确定为该目标出行路线;将该目标出行路线所对应的出行方式确定为该目标出行方式。
方式三、服务器获取该多个推荐权重中大于权重阈值的至少一个推荐权重,从该至少一个推荐权重所对应的至少一个出行路线中,随机选择一个作为该目标出行路线;将该目标出行路线所对应的出行方式确定为该目标出行方式。其中,该权重阈值为任一大于或等于0的数值。
307、服务器向该账号推荐该目标出行方式及该目标出行路线。
在一些实施例中,服务器将该目标出行方式及该目标出行路线封装在出行推荐响应中,向终端发送该出行推荐响应,以使得终端在接收到该出行推荐响应之后,可以在应用程序的电子地图中显示该目标出行路线,并标注对应的目标出行方式,方便用户进行出行参考。
上述步骤306-307,示出了服务器基于该多个推荐权重,向该账号推荐目标出行方式及目标出行路线的一种可能实施方式,服务器能够基于该推荐权重向终端进行精准的出行方式及出行路线的推荐,而并非单纯依赖于用户的历史出行偏好及固定的时间、距离、限速约束条件,大大提升了出行路线的推荐准确程度。
上述所有可选技术方案,能够采用任意结合形成本公开的可选实施例,在此不再一一赘述。
本申请实施例提供的方法,通过获取目标特征之后,基于目标特征确定出各个出行方式的选择概率,并将选择概率作为对各条出行路线的一个影响因素,结合各条出行路线的出行成本信息,综合确定出各个出行方式下各条出行路线的推荐权重,使得在基于推荐权重推荐目标出行路线时,不会局限于选择概率最大的出行方式,而是多方考虑所有出行方式下所有出行路线最终的推荐权重,能够大大提升对出行路线的推荐准确度。
图4是本申请实施例提供的一种出行方式推荐模型的训练流程图,请参考图4,该实施例应用于计算机设备,以下仅以计算机设备为服务器为例进行说明,该实施例包括下述步骤。
401、服务器获取多个样本账号的多个样本目标特征以及多个分类标签。
由于目标特征不仅与样本账号的账号信息相关,还与不同行程中的交通状况信息相关,因此服务器对每个样本账号的每次历史出行,均需要获取与每个样本账号的每次历史出行对应的样本目标特征。
可选地,对每个样本账号的每次历史出行,服务器获取与该样本账号的该历史出行对应的样本目标特征的方式,与上述步骤201中获取待推荐的账号的目标特征的方式类似,这里不做赘述。由于目标特征具有丰富的表达能力,能够有效提升出行方式推荐模型的推荐效果。
可选地,对每个样本账号的每次历史出行,服务器采集该样本账号在该历史出行中最终点击的出行方式作为该历史出行所对应的分类标签。可选地,分类标签包括Y=0,1,2,3,4,5共6类,Y=1表示打车方式,Y=2表示驾车方式,Y=3表示公共交通方式,Y=4表示步行方式,Y=5表示骑行方式,Y=0表示拒绝使用导航。
402、服务器将该多个样本目标特征输入初始推荐模型,通过该初始推荐模型确定该多个样本账号对该多种出行方式的多个选择概率,其中,一个样本账号对应于该多种出行方式的多个选择概率。
上述步骤402与上述步骤202类似,这里不做赘述。
403、服务器对该多个样本账号,将选择概率最高的出行方式获取为多个预测标签。
可选地,对每个样本账号的每次历史出行,初始推荐模型均会输出一个选择概率序列,服务器将该选择概率序列中选择概率最高的出行路线所对应的出行方式,作为该样本账号在本次历史出行的预测标签。
404、服务器基于该多个分类标签和该多个预测标签,获取本次迭代过程的损失函数值,迭代训练该初始推荐模型直到符合停止条件,得到该出行方式推荐模型。
在一些实施例中,服务器在迭代训练该初始推荐模型时,可以采取下述方式:
对每个样本账号的第T次历史出行,使用T期的分类标签与T-1期的目标特征构成T期的样本,对T期的全量样本账号重复执行上述操作,得到T期的全量样本。接着,对全量样本按一定比例随机切分为训练样本(比例为)和测试样本(比例为1-),例如,按照通用经验将样本随机切分为训练样本:测试样本 = 8:2(即,按8:2的比例随机切分训练样本和测试样本)。同理,对T期的用户相关特征U1、车辆相关特征U2和交通状况特征I进行处理,得到预测样本。
其中,e为自然底数,表示在第T次出行中分类标签Y为第k种出行方式下预测样本的选择概率P,表示Softmax层中第k种出行方式的权重矩阵,表示预测样本的用户相关特征,表示预测样本的车辆相关特征,表示预测样本的交通状况特征,表示向量叉乘运算,表示向量拼接运算。
采用梯度下降法等最优化算法即可迭代训练出出行方式推荐模型W。
在模型测试阶段中,服务器向出行方式推荐模型W输入测试样本,计算得到用户在每一分类标签的选择概率,并计算测试样本下的查全率、查准率、AUC(Area UnderROC,指ROC曲线与坐标轴形成的面积)等评估指标,其中,ROC曲线是指接受者操作特性(Receiver Operating Characteristic)曲线。技术人员可设置至少一项评估指标的停止条件,当模型达标即符合停止条件后,保存出行方式推荐模型W,否则重复上述步骤402-404,直到模型达标即符合停止条件后,再保存最终的出行方式推荐模型W。
可选地,该停止条件可以是损失函数值小于损失阈值,或者,该停止条件还可以是任一评估指标高于评估阈值,或者,该停止条件还可以是迭代次数超过目标次数,其中,该损失阈值是任一大于或等于0且小于或等于1的数值,该评估阈值的取值范围取决于不同评估指标各自的取值范围,该目标次数可以任一大于或等于1的整数。
图5是本申请实施例提供的一种出行方式推荐模型的原理性流程图,请参考图5,在步骤501中,服务器输入特征数据:T-1次历史出行的样本账号信息、交通状况信息及T次历史出行的出行方式的分类标签;在步骤502中,服务器进行样本处理:根据输入的特征数据,整理提取到每个样本账号在T-1次历史出行的样本目标特征,也即将样本账号信息划分为用户相关信息和车辆相关信息,将车辆相关信息的车辆相关特征与交通状况信息的交通状况特征进行交叉相乘(也即向量叉乘以获取向量积)后,得到多个交叉特征,将多个交叉特征拼接得到第一特征,将第一特征与用户相关信息的用户相关特征进行拼接,得到样本目标特征;在步骤503中,服务器输入处理后的T次历史出行的预测样本,使用Softmax六分类模型进行训练,并代入测试样本,计算查全率、查准率和AUC,如果模型的三项指标均达到评估标准即符合停止条件,则保存Softmax六分类模型为出行方式推荐模型W,否则重复步骤502-503直到符合停止条件;在步骤504中,输出保存的出行方式推荐模型W。
上述所有可选技术方案,能够采用任意结合形成本公开的可选实施例,在此不再一一赘述。
本申请实施例提供的方法,通过基于多分类及图算法,迭代训练得到出行方式推荐模型,使得出行方式推荐模型能够精准地预测出用户对每种出行方式的选择概率,多种出行方式的多个选择概率均可以投入到后续路径规划流程中,以预测出用户最有可能选择的目标出行路线,从而大大提高了出行路线的推荐准确度。
图6是本申请实施例提供的一种出行路线的推荐方法的原理性流程图,如图6所示,这一推荐方法包括出行方式的选择概率计算阶段601和出行方式及出行路线的推荐阶段602。在出行方式的选择概率计算阶段601中,服务器收集用户的出行偏好点击行为样本及其他相关信息,生成账号的目标特征,输入至Softmax多分类模型中计算每种出行方式的选择概率。在出行方式及出行路线的推荐阶段602中,输入每条出行路线中每个路口节点的出行费用参数、出行时间参数及对应的选择概率,构建图算法,接着计算每条出行路线的推荐权重,最后选择最优的目标出行方式及对应的目标出行路线(i,k),然后获取目标出行路线的导航数据,并将导航数据推送至登录账号的终端。
图7是本申请实施例提供的一种出行路线的推荐装置的结构示意图,请参考图7,该装置包括:
获取模块701,用于响应于账号的出行推荐请求,获取该账号的目标特征,该出行推荐请求用于请求本次出行的出行方式以及出行路线,该目标特征用于表征该账号的账号信息以及该本次出行相关的交通状况信息之间的关联;
第一确定模块702,用于基于该目标特征,确定多种出行方式分别对应的多个选择概率,该选择概率用于表征该账号预计选择对应出行方式的可能性;
第二确定模块703,用于基于该多个选择概率、该多种出行方式下的多个出行路线的出行成本信息,确定该多个出行路线的多个推荐权重,该推荐权重用于表征该账号在选择对应出行方式的情况下预计选择对应出行路线的可能性;
推荐模块704,用于基于该多个推荐权重,向该账号推荐目标出行方式及目标出行路线。
本申请实施例提供的装置,通过获取目标特征之后,基于目标特征确定出各个出行方式的选择概率,并将选择概率作为对各条出行路线的一个影响因素,结合各条出行路线的出行成本信息,综合确定出各个出行方式下各条出行路线的推荐权重,使得在基于推荐权重推荐目标出行路线时,不会局限于选择概率最大的出行方式,而是多方考虑所有出行方式下所有出行路线最终的推荐权重,能够大大提升对出行路线的推荐准确度。
在一种可能实施方式中,该第一确定模块702用于:
将该目标特征输入出行方式推荐模型,通过该出行方式推荐模型对该目标特征进行加权,对加权后的特征进行指数归一化,得到该多个选择概率,该出行方式推荐模型用于基于目标特征确定选择概率。
在一种可能实施方式中,基于图7的装置组成,该装置还包括训练模块,该训练模块用于:
获取多个样本账号的多个样本目标特征以及多个分类标签;
将该多个样本目标特征输入初始推荐模型,通过该初始推荐模型确定该多个样本账号对该多种出行方式的多个选择概率,其中,一个样本账号对应于该多种出行方式的多个选择概率;
对该多个样本账号,将选择概率最高的出行方式获取为多个预测标签;
基于该多个分类标签和该多个预测标签,获取本次迭代过程的损失函数值,迭代训练该初始推荐模型直到符合停止条件,得到该出行方式推荐模型。
在一种可能实施方式中,基于图7的装置组成,该获取模块701包括:
确定单元,用于基于该出行推荐请求,确定该账号的出发位置和目标位置;
第一获取单元,用于获取该账号的账号信息以及该出发位置和该目标位置之间的交通状况信息;
提取单元,用于基于该账号信息和该交通状况信息,提取得到该目标特征。
在一种可能实施方式中,该账号信息包括与该账号关联的用户资料信息、与该账号关联的车辆信息、与该账号关联且除了车辆之外的资产信息或者该账号的历史行为信息中的至少一项;该交通状况信息包括交通路况信息、交通灯信息或者道路信息中的至少一项。
在一种可能实施方式中,该提取单元用于:
对该用户资料信息、该车辆信息、该资产信息、该历史行为信息和该交通状况信息进行特征提取,得到用户资料特征、车辆特征、资产特征、历史行为特征和交通状况特征;
将该交通状况特征、该车辆特征和该历史行为特征融合,得到第一特征;
将该第一特征、该用户资料特征和该资产特征融合,得到该目标特征。
在一种可能实施方式中,该出行成本信息包括该多个出行路线中多个路口节点的多个出行费用参数和该多个路口节点的多个出行时间参数。
在一种可能实施方式中,基于图7的装置组成,该第二确定模块703包括:
第二获取单元,用于对任一路口节点,基于该任一路口节点的出行费用参数、出行时间参数以及该任一路口节点对应的选择概率,获取该任一路口节点的权重向量;
第三获取单元,用于对任一出行路线,基于该任一出行路线所包含的多个路口节点的多个权重向量,获取该任一出行路线的推荐权重。
在一种可能实施方式中,基于图7的装置组成,该第三获取单元包括:
第一获取子单元,用于对该任一出行路线所包含的多个路口节点,获取该多个路口节点的权重向量中的出行费用参数的第一和值;
该第一获取子单元,还用于获取该多个路口节点的权重向量中的出行时间参数的第二和值;
该第一获取子单元,还用于获取该多个路口节点的权重向量中的出行费用参数与出行时间参数之间的乘积的第三和值;
第二获取子单元,用于基于该第一和值、该第二和值、该第三和值和该任一出行路线对应的选择概率,获取该任一出行路线的推荐权重。
在一种可能实施方式中,该第二获取子单元用于:
获取该选择概率与该第三和值相乘得到的第一数值;
获取该第一和值和该第二和值相乘得到的第二数值;
将该第一数值与该第二数值相除,得到该任一出行路线的推荐权重。
在一种可能实施方式中,该推荐模块704用于:
按照从大到小的顺序,对该多个推荐权重进行排序,将排序位于首位的推荐权重所对应的出行路线确定为该目标出行路线;
将该目标出行路线所对应的出行方式确定为该目标出行方式。
在一种可能实施方式中,该多种出行方式包括打车方式、驾车方式、公共交通方式、步行方式、骑行方式或者拒绝使用导航中的至少一项。
上述所有可选技术方案,能够采用任意结合形成本公开的可选实施例,在此不再一一赘述。
需要说明的是:上述实施例提供的出行路线的推荐装置在推荐出行路线时,仅以上述各功能模块的划分进行举例说明,实际应用中,能够根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的出行路线的推荐装置与出行路线的推荐方法实施例属于同一构思,其具体实现过程详见出行路线的推荐方法实施例,这里不再赘述。
图8是本申请实施例提供的一种计算机设备的结构示意图,以计算机设备为终端800为例进行说明,终端800可以从服务器中下载该出行方式推荐模型,使得终端800能够在本地完成对出行方式及出行路线的规划,以节约与服务器之间的通信开销。
可选地,该终端800的设备类型包括:智能手机、平板电脑、MP3播放器(MovingPicture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端800包括有:处理器801和存储器802。
可选地,处理器801包括一个或多个处理核心,比如4核心处理器、8核心处理器等。可选地,处理器801采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。在一些实施例中,处理器801包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器801集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器801还包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
在一些实施例中,存储器802包括一个或多个计算机可读存储介质,可选地,该计算机可读存储介质是非暂态的。可选地,存储器802还包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器802中的非暂态的计算机可读存储介质用于存储至少一个程序代码,该至少一个程序代码用于被处理器801所执行以实现本申请中各个实施例提供的出行路线的推荐方法。
在一些实施例中,终端800还可选包括有:外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间能够通过总线或信号线相连。各个外围设备能够通过总线、信号线或电路板与外围设备接口803相连。具体地,外围设备包括:射频电路804、显示屏805、摄像头组件806、音频电路807、定位组件808和电源809中的至少一种。
外围设备接口803可被用于将I/O(Input /Output,输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中,处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上;在一些其他实施例中,处理器801、存储器802和外围设备接口803中的任意一个或两个在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路804用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路804包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。可选地,射频电路804通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路804还包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏805用于显示UI(User Interface,用户界面)。可选地,该UI包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时,显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号能够作为控制信号输入至处理器801进行处理。可选地,显示屏805还用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏805为一个,设置终端800的前面板;在另一些实施例中,显示屏805为至少两个,分别设置在终端800的不同表面或呈折叠设计;在再一些实施例中,显示屏805是柔性显示屏,设置在终端800的弯曲表面上或折叠面上。甚至,可选地,显示屏805设置成非矩形的不规则图形,也即异形屏。可选地,显示屏805采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件806用于采集图像或视频。可选地,摄像头组件806包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件806还包括闪光灯。可选地,闪光灯是单色温闪光灯,或者是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,用于不同色温下的光线补偿。
在一些实施例中,音频电路807包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器801进行处理,或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的,麦克风为多个,分别设置在终端800的不同部位。可选地,麦克风是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。可选地,扬声器是传统的薄膜扬声器,或者是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅能够将电信号转换为人类可听见的声波,也能够将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路807还包括耳机插孔。
定位组件808用于定位终端800的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。可选地,定位组件808是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源809用于为终端800中的各个组件进行供电。可选地,电源809是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时,该可充电电池支持有线充电或无线充电。该可充电电池还用于支持快充技术。
在一些实施例中,终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于:加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。
在一些实施例中,加速度传感器811检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器811用于检测重力加速度在三个坐标轴上的分量。可选地,处理器801根据加速度传感器811采集的重力加速度信号,控制显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还用于游戏或者用户的运动数据的采集。
在一些实施例中,陀螺仪传感器812检测终端800的机体方向及转动角度,陀螺仪传感器812与加速度传感器811协同采集用户对终端800的3D动作。处理器801根据陀螺仪传感器812采集的数据,实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
可选地,压力传感器813设置在终端800的侧边框和/或显示屏805的下层。当压力传感器813设置在终端800的侧边框时,能够检测用户对终端800的握持信号,由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在显示屏805的下层时,由处理器801根据用户对显示屏805的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器814用于采集用户的指纹,由处理器801根据指纹传感器814采集到的指纹识别用户的身份,或者,由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器801授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。可选地,指纹传感器814被设置终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商Logo时,指纹传感器814能够与物理按键或厂商Logo集成在一起。
光学传感器815用于采集环境光强度。在一个实施例中,处理器801根据光学传感器815采集的环境光强度,控制显示屏805的显示亮度。具体地,当环境光强度较高时,调高显示屏805的显示亮度;当环境光强度较低时,调低显示屏805的显示亮度。在另一个实施例中,处理器801还根据光学传感器815采集的环境光强度,动态调整摄像头组件806的拍摄参数。
接近传感器816,也称距离传感器,通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中,当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时,由处理器801控制显示屏805从亮屏状态切换为息屏状态;当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时,由处理器801控制显示屏805从息屏状态切换为亮屏状态。
本领域技术人员能够理解,图8中示出的结构并不构成对终端800的限定,能够包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图9是本申请实施例提供的计算机设备的结构示意图,该计算机设备900可因配置或性能不同而产生比较大的差异,该计算机设备900包括一个或一个以上处理器(CentralProcessing Units,CPU)901和一个或一个以上的存储器902,其中,该存储器902中存储有至少一条计算机程序,该至少一条计算机程序由该一个或一个以上处理器901加载并执行以实现上述各个实施例提供的出行路线的推荐方法。可选地,该计算机设备900还具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该计算机设备900还包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括至少一条计算机程序的存储器,上述至少一条计算机程序可由终端中的处理器执行以完成上述各个实施例中的出行路线的推荐方法。例如,该计算机可读存储介质包括ROM(Read-Only Memory,只读存储器)、RAM(Random-Access Memory,随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory,只读光盘)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,包括一条或多条程序代码,该一条或多条程序代码存储在计算机可读存储介质中。计算机设备的一个或多个处理器能够从计算机可读存储介质中读取该一条或多条程序代码,该一个或多个处理器执行该一条或多条程序代码,使得计算机设备能够执行以完成上述实施例中的出行路线的推荐方法。
本领域普通技术人员能够理解实现上述实施例的全部或部分步骤能够通过硬件来完成,也能够通过程序来指令相关的硬件完成,可选地,该程序存储于一种计算机可读存储介质中,可选地,上述提到的存储介质是只读存储器、磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (24)
1.一种出行路线的推荐方法,其特征在于,所述方法包括:
响应于账号的出行推荐请求,确定所述账号的出发位置和目标位置,所述出行推荐请求用于请求本次出行的出行方式以及出行路线;
获取所述账号的账号信息以及所述出发位置和所述目标位置之间的交通状况信息;
基于所述账号信息和所述交通状况信息,提取得到所述账号的目标特征,所述目标特征用于表征所述账号的账号信息以及所述本次出行相关的交通状况信息之间的关联;
基于所述目标特征,确定多种出行方式分别对应的多个选择概率,所述选择概率用于表征所述账号预计选择对应出行方式的可能性;
基于所述多个选择概率、所述多种出行方式下的多个出行路线的出行成本信息,确定所述多个出行路线的多个推荐权重,所述推荐权重用于表征所述账号在选择对应出行方式的情况下预计选择对应出行路线的可能性;
基于所述多个推荐权重,向所述账号推荐目标出行方式及目标出行路线。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标特征,确定多种出行方式分别对应的多个选择概率包括:
将所述目标特征输入出行方式推荐模型,通过所述出行方式推荐模型对所述目标特征进行加权,对加权后的特征进行指数归一化,得到所述多个选择概率,所述出行方式推荐模型用于基于目标特征确定选择概率。
3.根据权利要求2所述的方法,其特征在于,所述出行方式推荐模型的训练过程包括:
获取多个样本账号的多个样本目标特征以及多个分类标签;
将所述多个样本目标特征输入初始推荐模型,通过所述初始推荐模型确定所述多个样本账号对所述多种出行方式的多个选择概率,其中,一个样本账号对应于所述多种出行方式的多个选择概率;
对所述多个样本账号,将选择概率最高的出行方式获取为多个预测标签;
基于所述多个分类标签和所述多个预测标签,获取本次迭代过程的损失函数值,迭代训练所述初始推荐模型直到符合停止条件,得到所述出行方式推荐模型。
4.根据权利要求1所述的方法,其特征在于,所述账号信息包括与所述账号关联的用户资料信息、与所述账号关联的车辆信息、与所述账号关联且除了车辆之外的资产信息或者所述账号的历史行为信息中的至少一项;所述交通状况信息包括交通路况信息、交通灯信息或者道路信息中的至少一项。
5.根据权利要求4所述的方法,其特征在于,所述基于所述账号信息和所述交通状况信息,提取得到所述目标特征包括:
对所述用户资料信息、所述车辆信息、所述资产信息、所述历史行为信息和所述交通状况信息进行特征提取,得到用户资料特征、车辆特征、资产特征、历史行为特征和交通状况特征;
将所述交通状况特征、所述车辆特征和所述历史行为特征融合,得到第一特征;
将所述第一特征、所述用户资料特征和所述资产特征融合,得到所述目标特征。
6.根据权利要求1所述的方法,其特征在于,所述出行成本信息包括所述多个出行路线中多个路口节点的多个出行费用参数和所述多个路口节点的多个出行时间参数。
7.根据权利要求6所述的方法,其特征在于,所述基于所述多个选择概率、所述多种出行方式下的多个出行路线的出行成本信息,确定所述多个出行路线的多个推荐权重包括:
对任一路口节点,基于所述任一路口节点的出行费用参数、出行时间参数以及所述任一路口节点对应的选择概率,获取所述任一路口节点的权重向量;
对任一出行路线,基于所述任一出行路线所包含的多个路口节点的多个权重向量,获取所述任一出行路线的推荐权重。
8.根据权利要求7所述的方法,其特征在于,所述对任一出行路线,基于所述任一出行路线所包含的多个路口节点的多个权重向量,获取所述任一出行路线的推荐权重包括:
对所述任一出行路线所包含的多个路口节点,获取所述多个路口节点的权重向量中的出行费用参数的第一和值;
获取所述多个路口节点的权重向量中的出行时间参数的第二和值;
获取所述多个路口节点的权重向量中的出行费用参数与出行时间参数之间的乘积的第三和值;
基于所述第一和值、所述第二和值、所述第三和值和所述任一出行路线对应的选择概率,获取所述任一出行路线的推荐权重。
9.根据权利要求8所述的方法,其特征在于,所述基于所述第一和值、所述第二和值、所述第三和值和所述任一出行路线对应的选择概率,获取所述任一出行路线的推荐权重包括:
获取所述选择概率与所述第三和值相乘得到的第一数值;
获取所述第一和值和所述第二和值相乘得到的第二数值;
将所述第一数值与所述第二数值相除,得到所述任一出行路线的推荐权重。
10.根据权利要求1所述的方法,其特征在于,所述基于所述多个推荐权重,向所述账号推荐目标出行方式及目标出行路线包括:
按照从大到小的顺序,对所述多个推荐权重进行排序,将排序位于首位的推荐权重所对应的出行路线确定为所述目标出行路线;
将所述目标出行路线所对应的出行方式确定为所述目标出行方式。
11.根据权利要求1所述的方法,其特征在于,所述多种出行方式包括打车方式、驾车方式、公共交通方式、步行方式、骑行方式或者拒绝使用导航中的至少一项。
12.一种出行路线的推荐装置,其特征在于,所述装置包括:
获取模块,包括:确定单元、第一获取单元和提取单元;
所述确定单元,用于响应于账号的出行推荐请求,确定所述账号的出发位置和目标位置,所述出行推荐请求用于请求本次出行的出行方式以及出行路线;
所述第一获取单元,用于获取所述账号的账号信息以及所述出发位置和所述目标位置之间的交通状况信息;
所述提取单元,用于基于所述账号信息和所述交通状况信息,提取得到所述账号的目标特征,所述目标特征用于表征所述账号的账号信息以及所述本次出行相关的交通状况信息之间的关联;
第一确定模块,用于基于所述目标特征,确定多种出行方式分别对应的多个选择概率,所述选择概率用于表征所述账号预计选择对应出行方式的可能性;
第二确定模块,用于基于所述多个选择概率、所述多种出行方式下的多个出行路线的出行成本信息,确定所述多个出行路线的多个推荐权重,所述推荐权重用于表征所述账号在选择对应出行方式的情况下预计选择对应出行路线的可能性;
推荐模块,用于基于所述多个推荐权重,向所述账号推荐目标出行方式及目标出行路线。
13.根据权利要求12所述的装置,其特征在于,所述第一确定模块用于:
将所述目标特征输入出行方式推荐模型,通过所述出行方式推荐模型对所述目标特征进行加权,对加权后的特征进行指数归一化,得到所述多个选择概率,所述出行方式推荐模型用于基于目标特征确定选择概率。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括训练模块,所述训练模块用于:
获取多个样本账号的多个样本目标特征以及多个分类标签;
将所述多个样本目标特征输入初始推荐模型,通过所述初始推荐模型确定所述多个样本账号对所述多种出行方式的多个选择概率,其中,一个样本账号对应于所述多种出行方式的多个选择概率;
对所述多个样本账号,将选择概率最高的出行方式获取为多个预测标签;
基于所述多个分类标签和所述多个预测标签,获取本次迭代过程的损失函数值,迭代训练所述初始推荐模型直到符合停止条件,得到所述出行方式推荐模型。
15.根据权利要求12所述的装置,其特征在于,所述账号信息包括与所述账号关联的用户资料信息、与所述账号关联的车辆信息、与所述账号关联且除了车辆之外的资产信息或者所述账号的历史行为信息中的至少一项;所述交通状况信息包括交通路况信息、交通灯信息或者道路信息中的至少一项。
16.根据权利要求15所述的装置,其特征在于,所述提取单元用于:
对所述用户资料信息、所述车辆信息、所述资产信息、所述历史行为信息和所述交通状况信息进行特征提取,得到用户资料特征、车辆特征、资产特征、历史行为特征和交通状况特征;
将所述交通状况特征、所述车辆特征和所述历史行为特征融合,得到第一特征;
将所述第一特征、所述用户资料特征和所述资产特征融合,得到所述目标特征。
17.根据权利要求12所述的装置,其特征在于,所述出行成本信息包括所述多个出行路线中多个路口节点的多个出行费用参数和所述多个路口节点的多个出行时间参数。
18.根据权利要求17所述的装置,其特征在于,所述第二确定模块包括:
第二获取单元,用于对任一路口节点,基于所述任一路口节点的出行费用参数、出行时间参数以及所述任一路口节点对应的选择概率,获取所述任一路口节点的权重向量;
第三获取单元,用于对任一出行路线,基于所述任一出行路线所包含的多个路口节点的多个权重向量,获取所述任一出行路线的推荐权重。
19.根据权利要求18所述的装置,其特征在于,所述第三获取单元包括:
第一获取子单元,用于对所述任一出行路线所包含的多个路口节点,获取所述多个路口节点的权重向量中的出行费用参数的第一和值;
所述第一获取子单元,还用于获取所述多个路口节点的权重向量中的出行时间参数的第二和值;
所述第一获取子单元,还用于获取所述多个路口节点的权重向量中的出行费用参数与出行时间参数之间的乘积的第三和值;
第二获取子单元,用于基于所述第一和值、所述第二和值、所述第三和值和所述任一出行路线对应的选择概率,获取所述任一出行路线的推荐权重。
20.根据权利要求19所述的装置,其特征在于,所述第二获取子单元用于:
获取所述选择概率与所述第三和值相乘得到的第一数值;
获取所述第一和值和所述第二和值相乘得到的第二数值;
将所述第一数值与所述第二数值相除,得到所述任一出行路线的推荐权重。
21.根据权利要求12所述的装置,其特征在于,所述推荐模块用于:
按照从大到小的顺序,对所述多个推荐权重进行排序,将排序位于首位的推荐权重所对应的出行路线确定为所述目标出行路线;
将所述目标出行路线所对应的出行方式确定为所述目标出行方式。
22.根据权利要求12所述的装置,其特征在于,所述多种出行方式包括打车方式、驾车方式、公共交通方式、步行方式、骑行方式或者拒绝使用导航中的至少一项。
23.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求11任一项所述的出行路线的推荐方法。
24.一种存储介质,其特征在于,所述存储介质中存储有至少一条计算机程序,所述至少一条计算机程序由处理器加载并执行以实现如权利要求1至权利要求11任一项所述的出行路线的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473737.5A CN112989229B (zh) | 2021-04-29 | 2021-04-29 | 出行路线的推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473737.5A CN112989229B (zh) | 2021-04-29 | 2021-04-29 | 出行路线的推荐方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989229A CN112989229A (zh) | 2021-06-18 |
CN112989229B true CN112989229B (zh) | 2021-07-30 |
Family
ID=76336554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110473737.5A Active CN112989229B (zh) | 2021-04-29 | 2021-04-29 | 出行路线的推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989229B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435968B (zh) * | 2021-06-23 | 2024-02-02 | 南京领行科技股份有限公司 | 网约车派单方法、装置、电子设备及存储介质 |
KR20220143956A (ko) | 2021-07-20 | 2022-10-25 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 출행 방식을 추천하는 방법, 장치, 전자 기기 및 저장 매체 |
CN113434777A (zh) * | 2021-07-20 | 2021-09-24 | 北京百度网讯科技有限公司 | 出行方式的推荐方法、装置、电子设备及存储介质 |
CN113554496B (zh) * | 2021-09-22 | 2022-02-11 | 中航信移动科技有限公司 | 基于行程的信息推荐数据处理系统 |
CN114139044A (zh) * | 2021-10-27 | 2022-03-04 | 北京达佳互联信息技术有限公司 | 账户推送方法、装置、服务器及存储介质 |
CN114459492B (zh) * | 2021-12-17 | 2024-05-28 | 高德软件有限公司 | 确定推荐路线的方法、装置、设备、存储介质及产品 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5914249B2 (ja) * | 2012-08-10 | 2016-05-11 | クラリオン株式会社 | 経路計算システム、ナビゲーション装置および経路計算方法 |
CN106156084A (zh) * | 2015-03-31 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 路线查询方法、装置和系统 |
CN108064025A (zh) * | 2017-11-23 | 2018-05-22 | 努比亚技术有限公司 | 一种路线规划方法、移动终端以及计算机可读存储介质 |
CN111044058A (zh) * | 2018-10-11 | 2020-04-21 | 北京嘀嘀无限科技发展有限公司 | 路线规划方法及路线规划装置、计算机设备和存储介质 |
CN109883437A (zh) * | 2019-03-04 | 2019-06-14 | 长沙理工大学 | 一种出行路线推荐方法、装置及其系统 |
CN110288849B (zh) * | 2019-07-29 | 2020-05-29 | 电子科技大学 | 一种基于混合交通模式的出行路线推荐方法 |
CN111238522B (zh) * | 2020-03-20 | 2021-10-08 | 深圳云天励飞技术有限公司 | 出行路线的规划方法及相关装置 |
CN112069401A (zh) * | 2020-08-26 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种出行方式的推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-04-29 CN CN202110473737.5A patent/CN112989229B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112989229A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112989229B (zh) | 出行路线的推荐方法、装置、计算机设备及存储介质 | |
CN111897996B (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN112069414A (zh) | 推荐模型训练方法、装置、计算机设备及存储介质 | |
CN111552888A (zh) | 内容推荐方法、装置、设备及存储介质 | |
CN113515942A (zh) | 文本处理方法、装置、计算机设备及存储介质 | |
CN112749728A (zh) | 学生模型训练方法、装置、计算机设备及存储介质 | |
CN111368116B (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
CN111611490A (zh) | 资源搜索方法、装置、设备及存储介质 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
CN111931075B (zh) | 一种内容推荐方法、装置、计算机设备及存储介质 | |
CN114282587A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN114281936A (zh) | 分类方法、装置、计算机设备及存储介质 | |
CN113570510A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114691860A (zh) | 文本分类模型的训练方法、装置、电子设备及存储介质 | |
CN111753813A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112765470B (zh) | 内容推荐模型的训练方法、内容推荐方法、装置及设备 | |
CN113486260B (zh) | 互动信息的生成方法、装置、计算机设备及存储介质 | |
CN111414496B (zh) | 基于人工智能的多媒体文件的检测方法和装置 | |
CN111275300B (zh) | 路网数据处理方法、装置、设备及存储介质 | |
CN114281937A (zh) | 嵌套实体识别模型的训练方法、嵌套实体识别方法及装置 | |
CN113762585A (zh) | 数据的处理方法、账号类型的识别方法及装置 | |
CN112818243A (zh) | 导航路线的推荐方法、装置、设备及存储介质 | |
CN114764480A (zh) | 群组类型识别方法、装置、计算机设备及介质 | |
CN111259252A (zh) | 用户标识识别方法、装置、计算机设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40046520 Country of ref document: HK |