CN113139139B - 用于确定上车点的方法、装置、电子设备和介质 - Google Patents
用于确定上车点的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113139139B CN113139139B CN202110470188.6A CN202110470188A CN113139139B CN 113139139 B CN113139139 B CN 113139139B CN 202110470188 A CN202110470188 A CN 202110470188A CN 113139139 B CN113139139 B CN 113139139B
- Authority
- CN
- China
- Prior art keywords
- point
- data
- interest
- candidate set
- types
- 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 47
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000003719 b-lymphocyte Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开公开了用于确定上车点的方法、装置、电子设备和介质，涉及数据处理领域，尤其涉及智能交通领域。其中，用于确定上车点的方法具体实现方案为：使用多种类型的数据生成上车点候选集合，所述上车点候选集合包括至少一个被用作上车点的候选的位置，对所述上车点候选集合中的位置进行排序；以及选取已排序的位置中排在前列的至少一个位置来作为推荐的上车点。
Description
技术领域
本公开涉及数据处理领域，尤其涉及智能交通领域，具体涉及一种用于确定上车点的方法、装置、电子设备和介质。
背景技术
传统的上车点推荐方法利用地图的兴趣点(Point of Interest，POI)采集数据作为候选集，根据乘客打车位置进行周边一定距离内召回后，根据POI的热度和距离等因素进行打分，得分最高的点就是推荐的上车点。
发明内容
本公开提供了一种用于确定上车点的方法、用于确定上车点的装置、电子设备、计算机可读存储介质、计算机程序产品。
根据本公开的一方面，提供了一种用于确定上车点的方法，包括：使用多种类型的数据生成上车点候选集合，所述上车点候选集合包括至少一个被用作上车点的候选的位置，对所述上车点候选集合中的位置进行排序；以及选取已排序的位置中排在前列的至少一个位置来作为推荐的上车点。
根据本公开的另一方面，提供了一种用于确定上车点的装置，包括：候选集合生成模块，用于使用多种类型的数据生成上车点候选集合，所述上车点候选集合包括至少一个被用作上车点的候选的位置；排序模块，用于对所述上车点候选集合中的位置进行排序；以及上车点推荐模块，用于选取已排序的位置中排在前列的至少一个位置来作为推荐的上车点。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器。所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例，通过基于多种类型的数据生成上车点候选集合，可以在向乘客推荐上车点时考虑到更多因素，从而推荐更符合乘客实际情况的上车点。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1示意性示出了根据本公开实施例的用于确定上车点的方法的流程图；
图2示意性示出了根据本公开实施例的所确定的上车点候选集合的示意图；
图3示意性示出了根据本公开实施例的所使用的deepFM模型的示意图；
图4示意性示出了根据本公开实施例的使用deepFM模型来对候选上车点进行排序的方法的示意图；
图5示意性示出了根据本公开实施例的用于确定上车点的装置的示意性框图；以及
图6示意性示出了根据本公开实施例的适于处理地图数据的计算机系统的方框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开的实施例提供了一种用于确定上车点的处理方法，该方法例如可以在服务器、客户端或者云端运行。这里的客户端可以是可执行本公开的技术方案的任何客户端，例如车辆、手机等终端设备上的客户端。这里的服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。该方法包括：使用多种类型的数据生成上车点候选集合，所述上车点候选集合包括至少一个被用作上车点的候选的位置，对所述上车点候选集合中的位置进行排序；以及选取已排序的位置中排在前列的至少一个位置来作为推荐的上车点。
图1示意性示出了根据本公开实施例的用于确定上车点的方法100的流程图。
如图1所示，该方法100可以包括以下操作S110至S130。
在操作S110，使用多种类型的数据生成上车点候选集合，上车点候选集合包括至少一个被用作上车点的候选的位置。
在操作S120，对上车点候选集合中的位置进行排序。
在操作S130，选取已排序的位置中排在前列的至少一个位置来作为推荐的上车点。
根据本公开的实施例，该多种类型的数据可以包括以下至少一项：POI数据，与路网信息有关的数据(例如，车辆实际可达的路段的数据)，历史数据(例如，某个区域的订单历史数据)。在本公开的其他实施例中，有助于确定上车点的其他任何类型的数据也可以用于本公开的实施例。
在本公开的一些实施例中，可以基于各种评价标准来进行排序操作。评价标准可以包括查询文本、兴趣点相关信息、路网相关信息、历史选择相关信息中的一项或多项。在本公开的其他实施例中，有助于确定上车点的其他任何类型的评价标准也可以用于本公开的实施例，在此不再赘述。
根据本公开的实施例，通过基于多种类型的数据生成上车点候选集合，可以在向乘客推荐上车点时考虑到更多因素，从而推荐更符合乘客实际情况的上车点。
图2示意性示出了根据本公开实施例的所确定的上车点候选集合的示意图。下面将结合图2来阐述本公开实施例中对上车点候选集合的选择。
根据本公开的实施例，使用多种类型的数据生成上车点候选集合可以是使用每种类型的数据分别生成对应的候选上车点，也可以是使用该多种类型的数据的各种组合来生成对应的候选上车点。所生成的上车点候选集合可以是一个集合，基于每种数据或每种数据组合分别生成的对应的候选上车点可以通过子集、有序排列、无序排序或其他任何适合的方式放置在该上车点候选集合中。在一些实施例中，所生成的上车点候选集合也可以是多个集合，例如基于每种数据或每种数据组合分别生成的对应的候选上车点分别对应于一个或多个集合。需要注意的是，可以采用任何适合的形式来实现本公开实施例中的上车点候选集合，本公开不受上车点候选集合的具体形式的限制。
根据本公开的实施例，多种类型的数据至少可以包括兴趣点数据。在此情况下，使用多种类型的数据生成上车点候选集合可以包括：确定乘客附近的至少一个兴趣点；以及选择该至少一个兴趣点中的车辆可达的兴趣点，来作为上车点候选集合中的针对兴趣点的元素。兴趣点通常在道路上显著的、容易发现的位置处，本实施例通过选择车辆可达的兴趣点来作为上车点候选，使得司机和乘客都能很容易地找到上车的位置。
根据本公开的实施例，“附近”一词指的是与目标的距离在可接受的范围内。例如，“乘客附近”可以指示与乘客的距离在乘客的可接受的范围内，乘客步行该距离不会产生负面的情绪。例如，在乘客附近可以指在距离乘客100米、200米、500米或1公里的范围内。当然，基于经验或数据分析的其它数值也是可能的，本公开实施例不受具体数值的限制。
可采用任何适合的方式来获取兴趣点。例如，可以选择临街可视的兴趣点。例如，可以利用地图信息来选择兴趣点(例如地标建筑，明显标识等)。例如可以依靠采集车辆在扫街模式下采集到沿街的图像，并通过图像识别技术从图像中直接提取显著特征来作为兴趣点。在图2所示的示意图中，例如可通过上述技术中的任一种得到位于公交站点处点2，并将其作为兴趣点。需要注意的是，任何适合的兴趣点获取技术都可以用于本公开实施例，本公开的范围不受具体实现方式的限制。
根据本公开的实施例，选择该至少一个兴趣点中的车辆可达的兴趣点包括：根据以下信息中的至少一项，采用分类模型来确定该至少一个兴趣点中的每一个兴趣点是否是车辆可达的：车辆轨迹、路侧建筑物高度、兴趣点处的楼层相关信息、兴趣点类别、路网相关信息，停车区域相关信息。可采用任何适用的分类模型或分类算法来实现本操作。通过分类模型，可以利用诸如机器学习来快速准确地预测出所确定的兴趣点是否是车辆可达的。需要注意的是，有助于确定某个地点是否是车辆可达的任何方式都可以用于本公开的实施例，并因此在本公开的范围之内。
根据本公开的实施例，该多种类型的数据至少可以包括路网数据，使用多种类型的数据生成上车点候选集合可以包括：基于路网数据确定乘客附近的至少一条路段；将该至少一条路段中的每一条路段划分为多个分段；以及在该多个分段中的至少一个分段中选择至少一个位置来作为上车点候选集合中的针对路网的元素。本实施例基于路网数据来确定候选上车点，充分地利用了地图的数据，使得上车点的选择更加符合实际的路网布局。
根据本公开的实施例，针对不同情况可以确定一条路段或多条路段。例如，在图2所示的示意图中，假设乘客在小区8处，而在小区8北面紧接着一条道路(点1、2、3和4所在的道路)，则可以选择该条道路作为所确定的路段。而在另一实施例中，例如如果乘客位于图2中的点4、5、6或7的附近(即，在图2所示的十字路口附近)，则可以选择形成十字路口的两条道路来作为所确定的两条路段。需要注意的是，图2仅是为了说明本公开的实施例所采用的简单示例，在其他的一些情况下(例如，更复杂的道路布局中)，也可以确定更多条路段。
在图2所示的示意图中，小区北面的路线被点1、2、3和4划分为多个分段。这些分段可被均匀划分，每个分段具有相同的长度，也可以被非均匀地划分，例如距离乘客越近分段的长度越小，或者也可以采用其他任何适用的划分方式。点1、2、3和4可以是各个分段的起点、终点、中点或其他任何特别定义的点。如图2所示，在基于路网数据的候选上车点确定中，点被确定为1、2、3和4。
根据本公开的实施例，在确定了候选上车点之后，还可以采用该候选上车点的周围环境相关信息(例如但不限于道路交叉口、公交站、兴趣点、距离、方位等信息)来综合语义化该候选上车点。例如，图2中交叉路口的命名为A路口，小区8命名为B小区，公交站2命名为C站，则点4可被语义化“XX路口东”，点3可被语义化为“B小区北门”，点2可被语义化为“公交C站”，以此类推。通过语义化，乘客与司机都能够容易地理解候选上车点的位置，减少走错位置的风险。
根据本公开的实施例，该多种类型的数据至少可以包括历史数据。使用多种类型的数据生成上车点候选集合可以包括：基于历史数据，确定在等待乘客上车时车辆停留的位置；利用聚类算法对在等待乘客上车时车辆停留的位置进行聚类，以获得一个或多个聚类中心点；以及将该一个或多个聚类中心点作为上车点候选集合中的针对历史数据的元素。由于基于历史数据来确定上车点候选，特别在历史数据较大的情况下，能够准确地判断出乘客和司机更愿意选择的上车点，使得所推荐的上车点更符合司机和乘客的预期。
这里的历史数据可以是可从中获取乘客实际上车位置的任何数据。在一些实施例，历史数据中可以是订单数据或订单相关的轨迹数据。在一些实施例中，可以用司机停车等待乘客上车的位置来等同于乘客实际上车位置。在订单相关的轨迹数据中可以获取到车辆的多个状态，例如但不限于接乘客、等待乘客上车、送乘客到目的地等。可以选取司机停车等待乘客上车的位置(轨迹点)，并将针对多个订单选取的轨迹点进行聚类，以聚类中心点作为上车点候选集合中的针对历史数据的元素。可利用任何适用的聚类算法来执行该聚类操作，本公开对此不做限制。
以上分别基于兴趣点数据、路网数据和历史数据分别阐述了如何确定上车点候选，然而根据本公开的另一些实施例，也可以使用上述一种或多种数据的组合来确定上车点候选，这种组合方式也应包括在本公开的范围之内。例如，根据本公开的实施例，该多种类型的数据还可以包括兴趣点数据或路网数据。在此情况下，将一个或多个聚类中心点作为针对历史数据的上车点候选集合中的元素可以包括：根据兴趣点数据或路网数据确定乘客附近的至少一个兴趣点或至少一个路段；将该一个或多个聚类中心点中的每一个聚类中心点绑定到所确定的一个兴趣点或一个路段；以及以所绑定的兴趣点或路段作为针对历史数据的上车点候选集合中的元素。将每一个聚类中心点绑定到所确定的一个兴趣点或一个路段可以是将该聚类中心点绑定到与其实际路程最近的兴趣点或路段，或者也可以采用其它任何适用的绑定策略。当将聚类结果与所确定的兴趣点或路段相结合时，可以获得更符合实际道路布局和/或更容易被看到的候选上车点。
根据本公开的实施例，对上车点候选集合中的位置进行排序可以包括采用deepFM模型来基于多种评价标准对上车点候选集合中的位置进行排序。
图3示意性示出了根据本公开实施例的所使用的deepFM模型的示意图。由于deepFM模型对于多特征具有良好的扩展性，使得可以利用多个评价标准来对上车点候选集合中的位置进行排序。
图4示意性示出了根据本公开实施例的使用deepFM模型来对候选上车点进行排序的方法的示意图。如图4所示，采用deepFM模型来基于多种评价标准对上车点候选集合中的位置进行排序可以包括：使用查询文本、兴趣点相关信息、路网相关信息、历史选择相关信息中的至少一项来作为deepFM模型的接入特征；以及基于所使用的接入特征，采用deepFM模型来对上车点候选集合中的位置进行排序。通过在接入特征上融合查询文本、兴趣点相关信息、路网相关信息、历史选择相关信息(例如可从中确定上车点的热度)等多纬度的排序特征，解决不同的路网结构，附近兴趣点的分布，上车点的热度等对于乘客上车点选择的影响，给乘客提供了更准确的上车候选点推荐。
参见图4，在多路召回410阶段，获得上车点候选集合。该上车点候选集合可以是使用每种类型的数据分别生成对应的候选上车点，也可以是使用该多种类型的数据的各种组合来生成对应的候选上车点。所生成的上车点候选集合可以是一个集合，基于每种数据或每种数据组合分别生成的对应的候选上车点可以通过子集、有序排列、无序排序或其他任何适合的方式放置在该上车点候选集合中。例如，在图4所示的示例图中，上车点候选集合以针对路网的候选上车点、针对兴趣点的候选上车点、基于历史信息的针对路网的候选上车点和基于历史信息的针对兴趣点的候选上车点的形式给出分别给出，但这仅是为了说明本公开实施例的技术方案而提出的示意图，并不表示这些候选上车点仅被包括在一个集合中，也不表示这些候选上车点被分别包括在多个(例如，4个)集合中。
在多路召回410阶段，可以选择适合的召回规模。例如，可将“乘客附近”定义为距离乘客500米，上车点候选集合中可以包括距离乘客位置500米以内的最多50个候选上车点。在其他实施例中，根据实际情况，也可以选择更远或更近处的更多或更少的候选上车点，本公开的范围不受这些数值的具体取值所限制。
在图4的接入特征420阶段中，可融合查询文本、兴趣点相关信息、路网相关信息、历史选择相关信息(例如可从中确定上车点的热度)等多纬度的排序特征来作为deepFM模型的接入特征，以反映这些特征对乘客上车点选择的影响。
在图4的排序430阶段，可以利用训练好的模型(在图4中例如是deepFM模型)对召回的候选上车点进行打分，按得分排序，最终在展示阶段(即图4所示的TopN推荐440阶段)中展示排在最前面的N个(TopN)上车候选点。需要注意的是，图4中示出的排序430阶段所使用的deepFM模型仅是示例，在实际的应用中也可对该模型结构中的参数进行适当修改。例如，在图4所示的结构中，密集嵌入部分中向量的维度值K＝5，然而根据不同的实际情况，该维度值也可以有其他的取值。
在对例如deepFM模型进行训练的过程中，可以采用逐点的方式计算TopN的上车候选点的召回率，即TopN的上车候选点与开始计费点(例如，乘客实际上车且司机开始计费的位置)之间的距离小于30米的上车候选点的占比。对于该N个上车候选点中的每一个上车候选点，如果有用户选择了该点则标记为1，未被选择则标记为0。在一个示例中，可将deepFM模型的K值设为3，预估值和真实标记值经过损失函数(例如log_loss函数)计算得出损失值(Loss)。虽然此处使用了召回率和损失值，然而在deepFM模型的训练过程中也可采用其他适合的指标参数来对训练进行评估。
图5示意性示出了根据本公开实施例的用于确定上车点的装置500的示意性框图。
如图5所示，该装置500包括候选集合生成模块510、排序模块520以及上车点推荐模块530。
候选集合生成模块510用于使用多种类型的数据生成上车点候选集合，该上车点候选集合包括至少一个被用作上车点的候选的位置。根据本公开的实施例，该多种类型的数据可以是POI数据，也可以是与路网信息有关的数据(例如，车辆实际可达的路段的数据)，或者也可以是历史数据(例如，某个区域的订单历史数据)。在本公开的其他实施例中，有助于确定上车点的其他任何类型的数据也可以用于本公开的实施例。。
排序模块520用于对上车点候选集合中的位置进行排序。
上车点推荐模块530用于选取已排序的位置中排在前列的至少一个位置来作为推荐的上车点。
在本公开的一些实施例中，可以基于各种评价标准来进行排序操作。评价标准可以包括查询文本、兴趣点相关信息、路网相关信息、历史选择相关信息中的一项或多项。在本公开的其他实施例中，有助于确定上车点的其他任何类型的评价标准也可以用于本公开的实施例，在此不再赘述。
根据本公开的实施例，通过基于多种类型的数据生成上车点候选集合，可以在向乘客推荐上车点时考虑到更多因素，从而推荐更符合乘客实际情况的上车点。
根据本公开的实施例，用于确定上车点的装置500与上述实施例中用于确定上车点的方法是相对应的，用于确定上车点的装置500可以用于实现用于确定上车点的方法。关于用于确定上车点的装置500的描述可以参考用于确定上车点的方法，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品，通过基于多种类型的数据生成上车点候选集合，可以在向乘客推荐上车点时考虑到更多因素，从而推荐更符合乘客实际情况的上车点。
该电子设备包括：至少一个处理器；以及与该至少一个处理器通信连接的存储器。存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行上述的方法。
计算机可读存储介质存储有计算机可执行指令，该指令在被执行时用于实现如上所述的方法。
计算机程序产品包括计算机程序，计算机程序包括计算机可执行指令，该指令在被执行时用于实现如上所述的方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如用于确定上车点的方法。例如，在一些实施例中，用于确定上车点的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用于确定上车点的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于确定上车点的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (9)
1.一种用于确定上车点的方法，包括：
使用多种类型的数据生成上车点候选集合，所述上车点候选集合包括至少一个被用作上车点的候选的位置；
对所述上车点候选集合中的位置进行排序；以及
选取已排序的位置中排在前列的至少一个位置来作为推荐的上车点，
其中，所述多种类型的数据至少包括历史数据，所述使用多种类型的数据生成上车点候选集合包括：
基于所述历史数据，确定在等待乘客上车时车辆停留的位置；
利用聚类算法对在等待乘客上车时车辆停留的位置进行聚类，以获得一个或多个聚类中心点；以及
将所述一个或多个聚类中心点作为所述上车点候选集合中的针对历史数据的元素；以及
其中，所述多种类型的数据还包括兴趣点数据或路网数据，将所述一个或多个聚类中心点作为针对历史数据的上车点候选集合中的元素包括：
根据所述兴趣点数据或所述路网数据确定乘客附近的至少一个兴趣点或至少一个路段；
将所述一个或多个聚类中心点中的每一个聚类中心点绑定到所确定的一个兴趣点或一个路段；以及
以所绑定的兴趣点或路段作为针对历史数据的上车点候选集合中的元素。
2. 根据权利要求1所述的方法，其中，所述多种类型的数据至少包括兴趣点数据，所述使用多种类型的数据生成上车点候选集合包括：
确定乘客附近的至少一个兴趣点；以及
选择所述至少一个兴趣点中的车辆可达的兴趣点，作为所述上车点候选集合中的针对兴趣点的元素。
3.根据权利要求2所述的方法，其中，选择所述至少一个兴趣点中的车辆可达的兴趣点包括：根据以下信息中的至少一项，采用分类模型来确定所述至少一个兴趣点中的每一个兴趣点是否是车辆可达的：
车辆轨迹、路侧建筑物高度、兴趣点处的楼层相关信息、兴趣点类别、路网相关信息，停车区域相关信息。
4.根据权利要求1所述的方法，所述多种类型的数据至少包括路网数据，所述使用多种类型的数据生成上车点候选集合包括：
基于所述路网数据确定乘客附近的至少一条路段；
将所述至少一条路段中的每一条路段划分为多个分段；以及
在所述多个分段中的至少一个分段中选择至少一个位置来作为所述上车点候选集合中的针对路网的元素。
5.根据权利要求1所述的方法，其中，对所述上车点候选集合中的位置进行排序包括：
采用deepFM模型来基于多种评价标准对所述上车点候选集合中的位置进行排序。
6. 根据权利要求5所述的方法，其中，采用deepFM模型来基于所述多种评价标准对所述上车点候选集合中的位置进行排序包括:
使用查询文本、兴趣点相关信息、路网相关信息、历史选择相关信息中的至少一项来作为所述deepFM的接入特征；以及
基于所使用的接入特征，采用所述deepFM模型来对所述上车点候选集合中的位置进行排序。
7.一种用于确定上车点的装置，包括：
候选集合生成模块，用于使用多种类型的数据生成上车点候选集合，所述上车点候选集合包括至少一个被用作上车点的候选的位置；
排序模块，用于对所述上车点候选集合中的位置进行排序；以及
上车点推荐模块，用于选取已排序的位置中排在前列的至少一个位置来作为推荐的上车点，
其中，所述多种类型的数据至少包括历史数据，所述使用多种类型的数据生成上车点候选集合包括：
基于所述历史数据，确定在等待乘客上车时车辆停留的位置；
利用聚类算法对在等待乘客上车时车辆停留的位置进行聚类，以获得一个或多个聚类中心点；以及
将所述一个或多个聚类中心点作为所述上车点候选集合中的针对历史数据的元素；以及
其中，所述多种类型的数据还包括兴趣点数据或路网数据，将所述一个或多个聚类中心点作为针对历史数据的上车点候选集合中的元素包括：
根据所述兴趣点数据或所述路网数据确定乘客附近的至少一个兴趣点或至少一个路段；
将所述一个或多个聚类中心点中的每一个聚类中心点绑定到所确定的一个兴趣点或一个路段；以及
以所绑定的兴趣点或路段作为针对历史数据的上车点候选集合中的元素。
8. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470188.6A CN113139139B (zh) | 2021-04-28 | 2021-04-28 | 用于确定上车点的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470188.6A CN113139139B (zh) | 2021-04-28 | 2021-04-28 | 用于确定上车点的方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113139139A CN113139139A (zh) | 2021-07-20 |
| CN113139139B true CN113139139B (zh) | 2023-09-22 |
Family
ID=76816379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110470188.6A Active CN113139139B (zh) | 2021-04-28 | 2021-04-28 | 用于确定上车点的方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139139B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863715A (zh) * | 2022-05-05 | 2022-08-05 | 一汽解放汽车有限公司 | 停车数据确定方法、装置、电子设备及存储介质 |
| CN117194391B (zh) * | 2023-11-08 | 2024-05-10 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2843644A2 (en) * | 2013-08-28 | 2015-03-04 | HERE Global B.V. | Method and apparatus for assigning vehicles to trips |
| CN110608748A (zh) * | 2018-06-14 | 2019-12-24 | 丰田自动车株式会社 | 信息处理装置及信息处理方法 |
| CN111859174A (zh) * | 2019-12-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种确定推荐上车点的方法和系统 |
| CN111859184A (zh) * | 2020-06-28 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 上车点推荐方法和系统 |
| CN111881225A (zh) * | 2020-04-01 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种修正上车点名称的方法和系统 |
| CN111932330A (zh) * | 2020-01-21 | 2020-11-13 | 北京畅行信息技术有限公司 | 服务位置推荐方法、装置、电子设备及可读存储介质 |
| CN112052269A (zh) * | 2020-08-24 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 一种推荐位置的方法及装置 |
| WO2021056303A1 (en) * | 2019-09-26 | 2021-04-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining a pick-up location |
| CN112612957A (zh) * | 2020-12-24 | 2021-04-06 | 北京百度网讯科技有限公司 | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 |
| CN112667927A (zh) * | 2021-01-04 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 用于上车点推荐的方法、装置、设备、介质和程序产品 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9304009B2 (en) * | 2014-02-04 | 2016-04-05 | Here Global B.V. | Method and apparatus for providing passenger embarkation points for points of interests |
-
2021
- 2021-04-28 CN CN202110470188.6A patent/CN113139139B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2843644A2 (en) * | 2013-08-28 | 2015-03-04 | HERE Global B.V. | Method and apparatus for assigning vehicles to trips |
| CN110608748A (zh) * | 2018-06-14 | 2019-12-24 | 丰田自动车株式会社 | 信息处理装置及信息处理方法 |
| WO2021056303A1 (en) * | 2019-09-26 | 2021-04-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining a pick-up location |
| CN111859174A (zh) * | 2019-12-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种确定推荐上车点的方法和系统 |
| CN111932330A (zh) * | 2020-01-21 | 2020-11-13 | 北京畅行信息技术有限公司 | 服务位置推荐方法、装置、电子设备及可读存储介质 |
| CN111881225A (zh) * | 2020-04-01 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种修正上车点名称的方法和系统 |
| CN111859184A (zh) * | 2020-06-28 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 上车点推荐方法和系统 |
| CN112052269A (zh) * | 2020-08-24 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 一种推荐位置的方法及装置 |
| CN112612957A (zh) * | 2020-12-24 | 2021-04-06 | 北京百度网讯科技有限公司 | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 |
| CN112667927A (zh) * | 2021-01-04 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 用于上车点推荐的方法、装置、设备、介质和程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113139139A (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460068B (zh) | 兴趣点搜索方法、可读存储介质和电子设备 | |
| CN114581180B (zh) | 一种充电站推荐方法、充电桩状态的确定方法及装置 | |
| CN113139139B (zh) | 用于确定上车点的方法、装置、电子设备和介质 | |
| CN109556622B (zh) | 一种兴趣点查找方法和装置 | |
| US20230103040A1 (en) | Vehicle travel control method and apparatus | |
| CN114036253B (zh) | 高精地图数据处理方法、装置、电子设备和介质 | |
| CN113971723B (zh) | 高精地图中三维地图的构建方法、装置、设备和存储介质 | |
| US20230106421A1 (en) | Method For Navigating Vehicle And Electronic Device | |
| CN110657813B (zh) | 优化地图中规划道路的方法和装置 | |
| CN112200336A (zh) | 一种车辆行驶路径规划的方法和装置 | |
| CN116007638B (zh) | 车辆轨迹地图匹配方法、装置、电子设备及车辆 | |
| WO2023000671A1 (zh) | 出行方式的推荐方法、装置、电子设备及存储介质 | |
| CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
| CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
| CN115171075B (zh) | 道路类型识别方法、装置及设备 | |
| CN114582125B (zh) | 道路通行方向的识别的方法、装置、设备及存储介质 | |
| CN113052397B (zh) | 上车信息的确定方法、装置、电子设备和存储介质 | |
| CN113761398B (zh) | 信息推荐方法、装置、电子设备以及存储介质 | |
| CN112735130B (zh) | 交通数据的处理方法、装置、电子设备和介质 | |
| WO2021078216A1 (zh) | 一种上车点推荐方法和系统 | |
| CN113987312A (zh) | 货运汽车装卸货停靠点的推荐方法、设备及存储介质 | |
| CN113780480A (zh) | 基于YOLOv5的多目标检测及类别识别模型的构建方法 | |
| CN112989224A (zh) | 一种检索方法、装置、电子设备和存储介质 | |
| JP7467680B2 (ja) | 移動方式の推薦方法、装置、電子機器および記憶媒体 | |
| CN114822066B (zh) | 车辆定位方法、装置、电子设备和存储介质 |
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 |