CN113722614B - 上车位置的确定方法、装置和服务器 - Google Patents
上车位置的确定方法、装置和服务器 Download PDFInfo
- Publication number
- CN113722614B CN113722614B CN202110894829.0A CN202110894829A CN113722614B CN 113722614 B CN113722614 B CN 113722614B CN 202110894829 A CN202110894829 A CN 202110894829A CN 113722614 B CN113722614 B CN 113722614B
- Authority
- CN
- China
- Prior art keywords
- candidate
- user
- type data
- data
- determining
- 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 83
- 238000012216 screening Methods 0.000 claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本说明书提供了上车位置的确定方法、装置和服务器。在一个实施例中,可以先获取并根据用户当前位置的定位数据,确定出多个第一候选位置;再根据当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;其中,上述图像型数据至少包括:包含有第一候选位置的区域地图图片;然后可以同时根据上述字段型数据和图像型数据两种不同维度的数据,确定出用户针对各个第一候选位置的接受概率;再根据上述接受概率,从多个第一候选位置中筛选出该用户较大概率会接受的第二候选位置作为该用户的上车位置。从而能够较为精准地确定出针对性较强的、用户大概率会接受的上车位置,并及时地推送给用户,减少了误差,提高了用户的使用体验。
Description
技术领域
本说明书属于智能出行技术领域,尤其涉及上车位置的确定方法、装置和服务器。
背景技术
当用户需要乘车出行,通常会通过手机等设备向相关网络平台的服务器发起乘车请求,这时服务器会基于相应算法为该用户生成并提供合适的上车位置进行推荐。
但是,基于现有的上车位置确定方法,服务器生成并提供给用户选择的上车位置往往不够精准、合适,导致用户的接受概率较低,进而影响用户的使用体验。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书提供了一种上车位置的确定方法、装置和服务器,能够较为精准地确定出用户大概率会接受的上车位置,并及时地推送给用户,以减少误差,提高用户的使用体验。
本说明书实施例提供了一种上车位置的确定方法、装置和服务器是这样实现的:
一种用户的上车位置的确定方法,包括:获取用户当前位置的定位数据;根据所述当前位置的定位数据,确定出多个第一候选位置;根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
一种用户的上车位置的确定方法,包括:获取用户当前位置的定位数据;根据所述当前位置的定位数据,确定出多个第一候选位置;检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理,得到合并后的第一候选位置;从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
一种用户的上车位置的确定装置,包括:获取模块,用于获取用户当前位置的定位数据;确定模块,用于根据所述当前位置的定位数据,确定出多个第一候选位置;处理模块,用于根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;筛选模块,用于根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
一种用户的上车位置的确定装置,包括:获取模块,用于获取用户当前位置的定位数据;确定模块,用于根据所述当前位置的定位数据,确定出多个第一候选位置;检测模块,用于检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;处理模块,用于在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理,得到合并后的第一候选位置;筛选模块,用于从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述用户的上车位置的确定方法的相关步骤。
一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现上述用户的上车位置的确定方法的相关步骤。
本说明书提供的一种上车位置的确定方法、装置和服务器,基于该方法,在根据用户当前位置的定位数据确定出多个第一候选位置之后,可以先根据当前位置的定位数据、第一候选位置,获取至少包括包含有第一候选位置的区域地图图片的图像型数据,以及诸如第一候选位置的环境特征、当前位置的环境特征、用户的画像特征等相关的字段型数据;再同时根据上述图像型数据和字段型数据两种不同维度的数据,确定出用户针对各个第一候选位置的接受概率;进而可以根据上述接受概率,较为精准地确定出针对性较强的、用户大概率会接受的第二候选位置,作为适合用户的上车位置,并及时地推送给了对应用户,减少了误差,提高了用户的使用体验。
附图说明
为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本说明书的一个实施例提供的一种上车位置的确定方法的流程示意图;
图2是在一个场景示例中,应用本说明书实施例提供的上车位置的确定方法的一种实施例的示意图;
图3是在一个场景示例中,应用本说明书实施例提供的上车位置的确定方法的一种实施例的示意图;
图4是在一个场景示例中,应用本说明书实施例提供的上车位置的确定方法的一种实施例的示意图;
图5是在一个场景示例中,应用本说明书实施例提供的上车位置的确定方法的一种实施例的示意图;
图6是在一个场景示例中,应用本说明书实施例提供的上车位置的确定方法的一种实施例的示意图;
图7是在一个场景示例中,应用本说明书实施例提供的上车位置的确定方法的一种实施例的示意图;
图8是在一个场景示例中,应用本说明书实施例提供的上车位置的确定方法的一种实施例的示意图;
图9是本说明书的一个实施例提供的另一种上车位置的确定方法的流程示意图;
图10是本说明书的一个实施例提供的服务器的结构组成示意图;
图11是本说明书的一个实施例提供的上车位置的确定装置的结构组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
考虑到现有的上车位置的推荐方法往往是单纯地采用路径最短策略,找出与用户当前位置最近的位置作为上车位置推荐给用户。由于上述方法没有综合、全面地考虑用户个体的习惯、偏好等特征,以及当前位置和上车位置具体的环境特征,导致所确定并推荐给用户的上车位置的针对性往往较差,对用户而言不够精准、匹配,用户的接受概率较低,使得用户的使用体验相对较差。
针对上述问题,参阅图1所示,本说明书实施例提供了一种上车位置的确定方法,其中,该方法具体应用于服务器一侧。具体实施时,该方法可以包括以下内容:
S101:获取用户当前位置的定位数据;
S102:根据所述当前位置的定位数据,确定出多个第一候选位置;
S103:根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;
S104:根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
在一些实施例中,所述字段型数据具体可以包括以下至少之一:第一候选位置的环境特征、当前位置的环境特征、用户的画像特征等等。具体所获取并使用的相关的字段型数据可以包括上述所列举的数据中的一种或多种的数据组合。当然,上述所列举的字段型数据只是一种示意性说明。具体实施时,根据具体情况和处理需求,上述字段型数据还可以包括其他内容字段型数据。
在一些实施例中,所述图像型数据进一步还可以包括:当前位置的环境图片、第一候选位置的环境图片等其他内容的图像型数据。
通过上述实施例,具体实施时,可以先获取诸如第一候选位置的环境特征、当前位置的环境特征,或用户的画像特征等的字段型数据,以及至少包括包含有第一候选位置的区域地图图片的图像型数据这两种不同维度类型的数据;进而可以同时根据上述两种不同维度的数据,确定出参考价值较高、准确度较好的,用户针对各个第一候选位置的接受概率;再根据上述接受概率,精准地找出针对该用户有较大概率会接受、适合该用户的上车位置推送给用户,从而可以提高所确定的上车位置的精度,提高用户对所推送的上车位置的接受概率,提高用户的使用体验。
在一些实施例中,上述用户的上车位置的确定方法具体可以应用于网络平台(例如,XX顺风车,或者YY打车等网络平台)的服务器侧。
其中,上述服务器具体可以包括一种应用于网络平台一侧,能够实现数据传输、数据处理等功能的后台负责数据处理的服务器。具体的,所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者,所述服务器也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施例中,并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
在一些实施例中,在获取用户当前位置的定位数据之前,所述方法具体实施时,还可以包括以下内容:接收用户通过终端设备发起的乘车请求;其中,所述乘车请求至少携带有用户当前位置的定位数据。
相应的,在根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置之后,所述方法还可以包括:将所述第二候选位置反馈至终端设备;其中,所述终端设备用于在乘车订单的设置页面中向用户展示出所述第二候选位置;所述终端设备还用于获取并根据用户所选中的第二候选位置,或用户自定义输入的上车位置生成对应的乘车订单。
在本实施例中,上述终端设备具体可以包括一种应用于用户一侧,能够实现数据采集、数据传输等功能的前端设备。具体的,所述终端设备例如可以为台式电脑、平板电脑、笔记本电脑、智能手机等电子设备。或者,所述终端设备也可以为能够运行于上述电子设备中的软件应用。例如,可以是在智能手机上运行的某乘车服务APP(XX顺风车APP,或者YY打车应用等)。
在一些实施例中,上述用户当前位置的定位数据具体可以包括用户当前所在位置的卫星定位数据。例如,用户当前所在位置的经纬坐标等。
在一些实施例中,上述乘车请求除了携带有用户当前位置的定位数据外,还可以携带有用户的身份标识(例如,用户的注册手机号、用户的用户名、用户的注册邮箱等)等其他相关信息。
具体的,例如,可以参阅图2所示,当用户需要乘车服务(例如,顺风车服务,或者出租车服务等)时,可以先点击打开安装在自己的智能手机等终端设备上相关的乘车服务APP,以发起乘车请求,与该乘车服务的网络平台的服务器进行交互。
具体的,可以参阅图3所示,当用户点击打开乘车服务器APP(例如,XX顺风车)时,会触发该智能手机采集用户当前位置的定位数据(例如,当前位置的经纬度坐标),并生成至少携带有的用户当前位置的定位数据乘车请求。智能手机可以通过网络将上述乘车请求发送至网络平台的服务器。相应的,服务器可以接收用户通过智能手机发起的乘车请求。进一步,服务器可以通过对该乘车请求进行解析,获取乘车请求所携带的用户当前位置的定位数据。
在一些实施例中,服务器可以先根据当前位置的定位数据,结合地图数据和预设的参考数据集,确定出多个位于当前位置附近的、用户可能会接受的上车位置,作为第一候选位置。
在一些实施例中,上述根据所述当前位置的定位数据,确定出多个第一候选位置,具体实施时,可以包括以下内容:
S1:根据所述当前位置的定位数据和相应的地图数据,确定出与所述当前位置的距离小于预设的第一距离阈值的多个候选路段;
S2:根据所述多个候选路段,通过查询预设的参考数据集,确定出多个第一候选位置;其中,所述第一候选位置至少与一个候选路段对应;所述预设的参考数据集为预先根据用户的历史操作记录聚类得到的;所述预设的参考数据集包含有与多个路段分别对应的多个历史上车位置组。
通过上述实施例,可以结合相应的地图数据和预设的参考数据集,初步筛选出多个用户可能会接受的第一候选位置,以便后续可以基于上述多个第一候选位置进行进一步的筛选,以找到更为精准、匹配的上车位置。
在一些实施例中,上述预设的参考数据集具体可以理解为一种预先根据大量平台用户的历史操作记录聚类得到的数据集。其中,上述预设的参考数据集包含有多个历史上车位置组。每一个历史上车位置组对应一个路段,包含有所对应路段的历史上被用户较为频繁地选择作为上车位置的一个或多个位置数据。
在一些实施例中,具体实施时,可以先根据当前位置的定位数据,查询相应的地图数据,找到与该当前位置的距离较近,例如,与路段的中心点的距离小于预设的第一距离阈值的一个或多个路段,作为候选路段。其中,上述预设的第一距离阈值具体可以是预先对基于大量用户的历史操作记录所提取出的用户当时所在位置与最终上车位置所属路段之间的关系进行统计和学习所得到的。
具体的,例如,参阅图4所示,可以根据当前位置的定位数据,从地图数据中找到4个与当前位置较近的路段,包括:路段1、路段2、路段3和路段4,作为4个候选路段。
接着,可以通过查询预设的参考数据集,找到与路段1、路段2、路段3和路段4的路段标识分别对应的4个历史上车位置组:历史上车位置组1、历史上车位置组2、历史上车位置组3和历史上车位置组4。并根据上述4个历史上车位置组中所包含的位置数据,确定出多个第一候选位置。
具体的,例如,可以参阅图5所示。根据上述4个历史上车位置组,找到与4个路段分别对应的多个位置,作为多个第一候选位置。
在一些实施例中,具体实施时,可以从各个历史上车位置组中分别筛选历史上选择频率最高的三个位置数据所对应的位置作为第一候选位置。
在一些实施例中,上述根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率,具体实施时,可以包括以下内容:调用预设的预测模型处理所述字段型数据和图像型数据,以得到用户针对第一候选位置的接受概率。
在一些实施例中,具体实施前,所述方法还可以包括以下内容:获取预设的历史时间段内(例如,最近3个月等)不同用户的历史操作记录;基于所述预设的历史时间段内不同用户的历史操作记录,进行聚类处理,得到多个类簇。其中,每一个类簇对应一个路段,每一个类簇包含有一个或多个位置数据。根据所述多个类簇,构建预设的参考数据集。
在一些实施例中,在预设的历史时间段中,服务器可以利用当时的预测模型,根据用户当时的位置定位数据,生成并向终端设备推送多个候选的上车位置,供用户选择;同时,通过采集用户当时针对上述多个候选的上车位置的选择操作,获取该用户的历史操作记录。
在一些实施例中,服务器在通过上述方式采集用户的历史操作记录的同时,还可以采集在预设的历史时间段内其他的关联数据,例如,当时用户的画像特征、当时的位置的环境特征、当时的候选的上车位置的环境特征,以及当时的时间信息等等,以便后续使用。
在一些实施例中,具体构建预设的参考数据集时,可以根据用户的历史操作记录,抽取在预设的历史时间段内被用户选择的历史上车位置的定位数据;确定并获取上述历史上车位置所对应路段的路段标识;组合历史上车位置的定位数据和所对应路段的路段标识,得到多个组合数据。其中,每个组合数据包含有一个历史上车位置的定位数据,以及该历史上车位置所对应的路段的路段标识。再对多个组合数据进行聚类处理,得到与多个路段分别对应的多个类簇。
进一步,还可以对各个类簇中的历史上车位置的定位数据的历史选择频率进行统计,将各个类簇中的历史上车位置的定位数据按照选择频率由高到低的顺序排列。此外,还可以删除各个类簇中历史选择频率小于预设的频率阈值的历史上车位置的定位数据。从而可以得到效果较好、参考价值较高的预设的参考数据集。
在一些实施例中,具体进行聚类处理时,可以先根据GeoHash算法(一种地址编码算法)将历史上车位置的定位数据由原本二维的经纬度坐标先转换为一维的字符串;再进行聚类处理。从而可以获得更好的聚类效果。
在一些实施例中,在通过上述方式得到预设的参考数据集和关联数据后,可以将上述预设的参考数据集和关联数据保存在Redis存储介质中,以便后续能较为高效地进行读取使用。
在一些实施例中,具体实施前,还可以先获取上一个预设的历史内不同用户的历史操作记录,并根据上一个预设的历史内不同用户的历史操作记录对已有的预设的参考数据集进行更新,得到精度更高的更新后的预设的参考数据集。进而后续可以使用上述更新后的预设的参考数据集来代替已有的预设的参考数据集,从而可以确定出准确度更高的第一候选位置。
在一些实施例中,在确定出第一候选位置之后,进一步可以获取包含有诸如多个第一候选位置中的各个第一候选位置的环境特征、当前位置的环境特征,或用户的画像特征等字段型数据,同时获取至少包括包含有第一候选位置的区域地图图片的图像型数据;再调用预先训练好的预设的预测模型同时处理上述字段型数据和图像型数据,以确定出用户针对各个第一候选位置的接受概率。
在一些实施例中,所述第一候选位置的环境特征具体可以包括以下至少之一:第一候选位置的周边建筑物(例如,车站、商场、办公楼、高速路、步行道等)、第一候选位置所在区域的区域类型(例如,商业区、居民区、办公区等)、第一候选位置的预设范围内的交通标识(例如,红绿灯、禁止停车标识、人行横道标识等)等。
当然,需要说明的是,上述所列举的环境特征只是一种示意性说明。具体实施时,根据具体情况和处理需求,上述环境特征还可以包括其他类型的环境特征。对此,本说明书不作限定。
在一些实施例中,类似的,所述当前位置的环境特征具体可以包括以下至少之一:当前位置的周边建筑物、当前位置所在区域的区域类型、当前位置的预设范围内的交通标识等。
在一些实施例中,具体实施前,网络平台的服务器可以预先汇总统计各个位置的环境特征,并将与各个位置对应的环境特征保存在地图数据中。相应的,具体实施时,服务器可以根据当前位置的定位数据、第一候选位置的定位数据,查询地图数据,以获取当前位置的环境特征、第一候选位置的环境特征。
在一些实施例中,具体实施时,服务器也可以根据当前位置的定位数据、第一候选位置的定位数据,在线采集并根据相应位置的环境图片,以获取对应位置的环境特征。
在一些实施例中,上述用户的用户画像特征具体可以包括以下至少之一:用户的年龄、用户的性别、用户的职业、用户的习惯、用户的喜好等。
在一些实施例中,具体实施时,服务器可以根据用户的身份标识通过查询用户注册信息数据;和/或,对该用户的历史操作记录、历史行为数据进行统计,以获取该用户的画像特征。
在一些实施例中,上述包含有第一候选位置的区域地图图片具体可以包括:包含有第一候选位置的局部区域的地图截图。具体实施时,可以根据地图数据,在地图上先定位出第一候选位置;再以第一候选位置为中心,确定出预设范围的局部区域;截取局部区域的地图截图,作为上述包含有第一候选位置的区域地图图片。
在本实施例中,需要说明的是,上述包含有第一候选位置的区域地图图片往往会隐含有某些字段型数据无法表达,但又会影响到用户是否选择该第一候选位置作为上车位置的影响因素(例如,第一候选位置的空间结构)。
具体的,例如,用户通过观察包含有第一候选位置的区域地图图片,发现:在该地图图片中第一候选位置在宏观上处于多个路段的交汇口。基于该影响因素,在这样的位置上,一方面,用户上车会更加方便;另一方面,来往经过的车辆相对会更多,相对会有更多车辆的司机会愿意承接该单为该乘客提供乘车服务,因此,司机的接单率会相对更高,用户的等待时间会相对更短。正是考虑到上述影响因素,用户最终才选择了将上述第一候选位置作为上车位置。
但是,上述影响因素仅基于字段型数据往往很难准确获取得到,容易被忽略遗漏。
在本实施例,通过引入并利用包含有第一候选位置的区域地图图片这种图像型数据,与第一候选位置的环境特征、当前位置的环境特征,或画像特征字段型数据组合,可以更加全面、准确地分析影响用户选择上车位置的影响因素,进而可以更加准确地确定出用户针对第一候选位置的接受概率。
在一些实施例中,上述预设的预测模型具体可以理解为一种预先训练好的,能够同时处理并根据输入模型的图像型数据和字段型数据,确定并输出用户针对第一候选位置的接受概率的神经网络模型。
在一些实施例中,可以参阅图6所示,所述预设的预测模型至少包含有并联的第一网络结构和第二网络结构,其中,所述第一网络结构用于接入并处理字段型数据(例如,第一候选位置的环境特征、当前位置的环境特征,或用户的画像特征等),输出对应的字段特征;所述第二网络结构用于接入并处理图像型数据(例如,包含有第一候选位置的区域地图图片等),输出对应的图像特征。
具体实施时,例如,服务器可以将多个第一候选位置中的某一个第一候选位置的环境特征,与当前位置的环境特征、用户的画像特征,以及包含有该第一候选位置的区域地图图片作为模型输入,输入至预设的预测模型中,并运行该预设的预测模型。预设的预测模型具体运行时,可以将该第一候选位置的环境特征、当前位置的环境特征、用户的画像特征输入至第一网络结构中,并通过第一网络结构所包括的两层隐神经单元,提取出对应字段特征。同时,还可以将包含有该第一候选位置的区域地图图片输入至第二网络结构中;并通过第二网络结构先通过antoencoder的方式获得embeding向量;再通过隐神经单元基于该embeding向量,提取出对应的图像特征。最后,可以综合上述字段特征和图像特征,计算并输出该用户针对该第一候选位置的接受概率。
按照上述方式,服务器可以利用预设的预测模型同时处理相关的字段型数据和图像型数据,以确定出该用户针对多个第一候选位置中的各个第一候选位置的接受概率。
在一些实施例中,具体实施前,所述方法还包括以下内容:
S1:获取预设的历史时间段内不同用户的历史操作记录,以及相应的关联数据;其中,所述历史操作记录包括用户针对预设的历史时间段内所推送的上车位置的操作记录;所述关联数据包括用户在对预设的时间段内鄋推送的上车位置操作时的用户的画像特征、所在位置的环境特征、候选的上车位置的环境特征等信息;
S2:根据所述历史操作记录,结合相应的关联数据,构建对应的正样本数据和负样本数据;
S3:利用正样本数据和负样本数据对初始模型进行模型训练,以得到符合要求的预设的预测模型;其中,所述初始模型包括至少包含有并联的初始的第一网络结构和初始的第二网络结构。
在本实施例中,具体实施时,可以将用户选中的候选的上车位置,以及相应的关联数据的组合作为正样本数据,将用户没有选中的候选的上车位置,以及相应的关联数据的组合作为负样本数据。
通过上述实施例,可以充分利用预设的历史时间段内不同用户的历史操作记录,预先训练得到符合要求的、精度较高的预设的预测模型。
在一些实施例中,具体实施时,还可以每间隔预设的时间段,获取上一个预设的时间段内不同用户的历史操作记录,对预设的预测模型进行训练和更新,以得到精度相对更高的预设的预测模型。
在一些实施例中,具体实施时,可以根据用户针对各个第一候选位置的接受概率,从多个第一候选位置中,进一步筛选出接受概率排序靠前的预设个数个(例如,接受概率排序靠前的3个)符合要求的第二候选位置,作为针对该用户的、大概率会接受的上车位置。
在一些实施例中,在根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置之后,所述方法具体实施时,还可以包括以下内容:将所述第二候选位置反馈至终端设备;其中,所述终端设备用于在乘车订单的设置页面中向用户展示出所述第二候选位置;所述终端设备还用于获取并根据用户所选中的第二候选位置,或用户自定义输入的上车位置生成对应的乘车订单。
具体的,可以参阅图7所示,终端设备在响应用户点击打开乘车服务器APP操作,打开乘车服务器APP后,在向用户所展示的乘车订单的设置页面中,具体可以展示出服务器所确定出的多个第二候选位置。例如,可以在乘车订单的设置页面中展出接受概率最大的3个第二候选位置作为推荐的上车位置,供用户选择。
用户可以在该乘车订单的设置页面中,根据具体情况,以及自己的习惯、偏好,点击选中其中的一个第二候选位置,作为上车位置。相应的,终端设备可以接收并响应用户上述的选择操作,获取并根据用户所选中的第二候选位置作为上车位置,生成对应乘车订单,并将该乘车订单发送给服务器。其中,上述乘车订单中还包含有用户设置的目的地位置。
当然,如果用户发现乘车订单的设置界面中所展示的多个第二候选位置都不符合要求,这时,用户还可以通过乘车订单的设置界面中的自定义输入框,自定义输入其他的上车位置。相应的,终端设备可以接收并响应用户上述的自定义操作,获取并根据用户自定义输入的上车位置,生成对应乘车订单,并将该乘车订单发送给服务器。
进一步,服务器可以将上述乘车订单提供给当前位置附近匹配的车辆司机,以提醒车辆司机接单。接单的车辆司机可以根据该乘车订单,驾驶车辆行驶到指定的上车位置处,以便乘客可以顺利上车。
在一些实施例中,又考虑到如果最终向用户推送的多个上车位置中存在临近的属于同质点的上车位置,对用户而言显然没有意义的,并且还会浪费一个上车位置的推送名额,影响用户的使用体验。因此,可以考虑先进行同质点检测,对属于同质点的上车位置进行合并,以为用户推送相对更加多样、有差异化的上车位置,进一步提高用户的使用体验。
在一些实施例中,在根据所述当前位置的定位数据,确定出多个第一候选位置之后,所述方法具体实施时,还可以包括以下内容:
S1:检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;
S2:在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理。
在本实施例中,上述同质点具体可以理解为距离较近、差异性较小的不同的第一候选位置。上述相对差异可以理解为不同第一候选位置相互之间的位置距离差异。上述预设的差异阈值可以理解为一个位置距离的极小值,例如,0.1米等。
在本实施例中,对属于同质点的多个第一候选位置进行合并处理时,可以根据预设的参考数据集,确定属于同质点的多个第一候选位置的历史选择频率,只保留其中一个历史选择频率最高的第一候选位置。
在一些实施例中,上述检测所述第一候选位置中是否存在同质点,具体实施时,可以包括以下内容:
S1:获取各个第一候选位置所对应的候选路段的中心点的定位数据;
S2:根据各个第一候选位置所对应的候选路段的中心点的定位数据,计算不同第一候选位置所对应的候选路段之间的中心点距离;
S3:检测是否存在不同第一候选位置所对应的候选路段之间的中心点距离小于等于预设的第二距离阈值;
S4:在检测到存在不同第一候选位置所对应的候选路段之间的中心点距离小于等于预设的第二距离阈值的情况下,确定所述第一候选位置中存在同质点,并将中心点距离小于等于预设的第二距离阈值的候选路段所对应的第一候选位置确定为同质点。
其中,上述预设的第二距离阈值具体可以是预先对基于大量用户的历史操作记录所提取出的用户的上车位置和相关路段之间的关系进行统计和学习所得到的。
具体的,参阅图8所示,通过上述方式可以判断出与路段3对应的多个第一候选位置和与路段4对应的多个第一候选位置属于同质点。即,可以将原本与路段3对应的多个第一候选位置和与路段4对应的多个第一候选位置视为与同一个路段对应的第一候选位置。这样,后续可以对与路段3和路段4对应的多个第一候选位置进行合并处理,以避免向用户推送属于同质点的上车位置,进一步提高了用户的使用体验。
在一些实施例中,具体实施时,也可以在筛选出多个第二候选位置之后,再对第二候选位置进行同质点检测,并对属于同质点的第二候选位置进行合并处理;再将合并后的第二候选位置推送给用户,供用户选择。
由上可见,基于本说明书实施例提供的上车位置的确定方法,具体实施前,可以预先训练得到至少包含有并联的第一网络结构和第二网络结构,能够同时处理字段型数据和图像型数据的预设的预测模型;具体实施时,在根据用户当前位置的定位数据确定出多个第一候选位置之后,可以调用上述预设的预测模型同时处理所获取的包括诸如第一候选位置的环境特征、当前位置的环境特征、用户的画像特征等的字段型数据,以及至少包括包含有第一候选位置的区域地图图片的图像型数据这两种不同类型的数据,得到参考价值较高、效果较好的,用户针对各个第一候选位置的接受概率;进而可以根据上述接受概率,较为精准地确定出针对性较强的、用户大概率会接受的第二候选位置,作为用户的上车位置,并及时地推送给了对应用户,减少了误差,提高了用户的使用体验。
参阅图9所示,本说明书实施例提供了另一种用户的上车位置的确定方法,其中,该方法具体应用于服务器一侧。具体实施时,该方法可以包括以下内容:
S901:获取用户当前位置的定位数据;
S902:根据所述当前位置的定位数据,确定出多个第一候选位置;
S903:检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;
S904:在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理,得到合并后的第一候选位置;
S905:从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
在一些实施例中,上述从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,具体实施时,可以包括以下内容:根据当前位置的定位数据、合并后的第一候选位置,获取相关的字段型数据(例如,合并后的第一候选位置的环境特征、当前位置的环境特征,以及用户的画像特征等中字段型数据的一个或多个);调用预设的预测模型处理所述字段型数据,以获得用户针对合并后的第一候选位置的接受概率;根据所述接受概率,从多个合并后的第一候选位置中筛选出符合要求的第二候选位置。
在一些实施例中,所使用的预设的预测模型具体还可以为至少包含有并联的第一网络结构和第二网络结构的神经网络模型;其中,所述第一网络结构用于接入并处理相关的字段型数据,输出对应的字段特征;所述第二网络结构用于接入并处理图像型数据,输出对应的图像特征。
相应的,从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,具体实施时,可以包括:根据当前位置的定位数据、合并后的第一候选位置,获取相关的字段型数据(例如,合并后的第一候选位置的环境特征、当前位置的环境特征,以及用户的画像特征等中的一个或多个)和图像型数据(例如,包含有合并后的第一候选位置的区域地图图片);并调用预设的预测模型处理所述字段型数据和图像型数据,以获得用户针对合并后的第一候选位置的接受概率。
通过上述实施例,可以更加精准地确定出用户针对各个合并后的第一候选位置的接受概率。
由上可见,基于本说明书实施例提供的上车位置的确定方法,可以先检测并合并较为临近、差异较小的属于同质点的第一候选位置;再基于合并后的第一候选位置进一步筛选出用户接受概率较大,且具有差异性、较为多样化的符合要求的第二候选位置,作为用户的上车位置,推送给用户,以提高用户的使用体验。
在一个具体的场景示例中,参阅图2所示,可以应用本说明书实施例提供的用户的上车位置的确定方法,来自动生成并向用户推送多个合适的上车位置,以生成具体的乘车订单。
具体实施时,当用户需要乘车服务时,可以通过点击安装于智能手机(一种终端设备)的XX顺风车APP,发起触发操作。智能手机可以响应用户的触发操作,在打开XX顺风车APP的同时,获取并利用该用户当前位置的定位数据,以及该用户的身份标识,生成携带有当前位置的定位数据、该用户的身份标识的乘车请求。智能手机可以通过手机网络将该乘车请求发送至XX顺风车网络平台的服务器。
相应的,服务器接收并获取该乘车请求。
首先,服务器可以通过解析该乘车请求,获取用户当前位置的定位数据和用户的身份标识。
接着,服务器可以响应该乘车请求,先根据当前位置的定位数据和相应的地图数据,确定出与当前位置的距离小于预设的第一距离阈值的多个候选路段;并根据多个候选路段,通过查询预设的参考数据集,确定出多个第一候选位置。其中,所述第一候选位置至少与一个候选路段对应;所述预设的参考数据集为预先根据用户的历史操作记录聚类得到的;所述预设的参考数据集包含有与多个路段分别对应的多个历史上车位置组。
然后,服务器可以检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理。
其中,具体进行同质点检测时,服务器可以获取各个第一候选位置所对应的候选路段的中心点的定位数据;根据各个第一候选位置所对应的候选路段的中心点的定位数据,计算不同第一候选位置所对应的候选路段之间的中心点距离;检测是否存在不同第一候选位置所对应的候选路段之间的中心点距离小于等于预设的第二距离阈值;在检测到存在不同第一候选位置所对应的候选路段之间的中心点距离小于等于预设的第二距离阈值的情况下,确定所述第一候选位置中存在同质点,并将中心点距离小于等于预设的第二距离阈值的候选路段所对应的第一候选位置确定为同质点。
进一步,服务器可以根据用户的身份标识,查询获取用户的画像特征;根据当前位置的定位数据,以及多个第一候选位置,查询获取第一候选位置的环境特征、当前位置的环境特征,以及包含有第一候选位置的区域地图图片。
进而,服务器可以调用预设的预测模型通过处理所述第一候选位置的环境特征、包含有第一候选位置的区域地图图片、当前位置的环境特征,以及用户的画像特征,以获得用户针对各个第一候选位置的接受概率。其中,上述预设的预测模型至少包含有并联的第一网络结构和第二网络结构;所述第一网络结构用于接入并处理包括第一候选位置的环境特征、当前位置的环境特征,以及用户的画像特征的字段数据,输出对应的字段特征;所述第二网络结构用于接入并处理包含有第一候选位置的区域地图图片的图像数据,输出对应的图像特征。
最后,服务器可以根据用户针对各个第一候选位置的接受概率,从多个第一候选位置中筛选出接受概率排序靠前的预设个数个符合要求的第二候选位置,作为针对该用户的、大概率会接受的上车位置,并将上述多个第二候选位置的定位数据发送至智能手机。
相应的,智能手机接收并获取多个第二候选位置的定位数据。
智能手机在响应用户的触发操作,打开XX顺风车APP后,可以在所展示的乘车订单的设置页面中进一步展示出供用户选中的多个第二候选位置。
用户可以根据具体情况和自己的习惯、偏好,在智能手机所展示的乘车订单的设置页面中已展示的多个第二候选位置中选出符合要求的第二候选位置,同时设置目的地位置。
相应的,智能手机可以接收并响应用户的上述操作,确定出用户选中的第二候选位置作为用户的上车位置,并获取用户的目的地位置;进而可以生成携带有用户的上车位置和目的地位置的乘车订单;再通过手机网络发送给服务器。
服务器可以将该乘车订单分发给用户当前位置附近相匹配的车辆司机。接单的车辆司机可以根据乘车订单中的上车位置,驾驶车辆前往指定位置,等待乘客上车。
本说明书实施例还提供一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取用户当前位置的定位数据;根据所述当前位置的定位数据,确定出多个第一候选位置;根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
为了能够更加准确地完成上述指令,参阅图10所示,本说明书实施例还提供了另一种具体的服务器,其中,所述服务器包括网络通信端口1001、处理器1002以及存储器1003,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口1001,具体可以用于获取用户当前位置的定位数据。
所述处理器1002,具体可以用于根据所述当前位置的定位数据,确定出多个第一候选位置;根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
所述存储器1003,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口1001可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的端口,也可以是负责进行FTP数据通信的端口,还可以是负责进行邮件数据通信的端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器1002可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器1003可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供另一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取用户当前位置的定位数据;根据所述当前位置的定位数据,确定出多个第一候选位置;检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理,得到合并后的第一候选位置;从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
本说明书实施例还提供了一种基于上述用户的上车位置的确定方法的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取用户当前位置的定位数据;根据所述当前位置的定位数据,确定出多个第一候选位置;获取第一候选位置的环境特征、包含有第一候选位置的区域地图图片、当前位置的环境特征,以及用户的画像特征;并调用预设的预测模型处理所述第一候选位置的环境特征、包含有第一候选位置的区域地图图片、当前位置的环境特征,以及用户的画像特征,以获得用户针对第一候选位置的接受概率;根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
本说明书实施例还提供了另一种基于上述用户的上车位置的确定方法的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取用户当前位置的定位数据;根据所述当前位置的定位数据,确定出多个第一候选位置;检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理,得到合并后的第一候选位置;从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机可读存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
参阅图11所示,在软件层面上,本说明书实施例还提供了一种用户的上车位置的确定装置,该装置具体可以包括以下的结构模块:
获取模块1101,具体可以用于获取用户当前位置的定位数据;
确定模块1102,具体可以用于根据所述当前位置的定位数据,确定出多个第一候选位置;
处理模块1103,用于根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;
筛选模块1104,具体可以用于根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
在一些实施例中,所述确定模块1102具体可以包括以下的结构单元:
第一确定单元,具体可以用于根据所述当前位置的定位数据和相应的地图数据,确定出与所述当前位置的距离小于预设的第一距离阈值的多个候选路段;
第二确定单元,具体可以用于根据所述多个候选路段,通过查询预设的参考数据集,确定出多个第一候选位置;其中,所述第一候选位置至少与一个候选路段对应;所述预设的参考数据集为预先根据用户的历史操作记录聚类得到的;所述预设的参考数据集包含有与多个路段分别对应的多个历史上车位置组。
在一些实施例中,所述字段型数据具体可以包括以下至少之一:第一候选位置的环境特征、当前位置的环境特征、用户的画像特征等等。
在一些实施例中,所述第一候选位置的环境特征包括以下至少之一:第一候选位置的周边建筑物、第一候选位置所在区域的区域类型、第一候选位置的预设范围内的交通标识等。
在一些实施例中,所述处理模块1103具体实施时,可以通过调用预设的预测模型处理所述字段型数据和图像型数据,以得到用户针对第一候选位置的接受概率。
在一些实施例中,所述预设的预测模型至少包含有并联的第一网络结构和第二网络结构,其中,所述第一网络结构用于接入并处理字段型数据,输出对应的字段特征;所述第二网络结构用于接入并处理图像型数据,输出对应的图像特征。
在一些实施中,所述装置具体还包括检测模块和合并模块。其中,所述检测模块具体可以用于检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置。所述合并模块,具体可以用于在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理。
在一些实施例中,所述检测模块具体可以按照以下程序执行:获取各个第一候选位置所对应的候选路段的中心点的定位数据;根据各个第一候选位置所对应的候选路段的中心点的定位数据,计算不同第一候选位置所对应的候选路段之间的中心点距离;检测是否存在不同第一候选位置所对应的候选路段之间的中心点距离小于等于预设的第二距离阈值;在检测到存在不同第一候选位置所对应的候选路段之间的中心点距离小于等于预设的第二距离阈值的情况下,确定所述第一候选位置中存在同质点,并将中心点距离小于等于预设的第二距离阈值的候选路段所对应的第一候选位置确定为同质点。
在一些实施例中,所述装置在获取用户当前位置的定位数据之前,还可以用于接收用户通过终端设备发起的乘车请求;其中,所述乘车请求至少携带有用户当前位置的定位数据;
相应的,所述装置在根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置之后,还可以用于将所述第二候选位置反馈至终端设备;其中,所述终端设备用于在乘车订单的设置页面中向用户展示出所述第二候选位置;所述终端设备还用于获取并根据用户所选中的第二候选位置,或用户自定义输入的上车位置生成对应的乘车订单。
需要说明的是,上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本说明书实施例还提供了另一种用户的上车位置的确定装置,具体可以包括以下的结构模块:
获取模块,具体可以用于获取用户当前位置的定位数据;
确定模块,具体可以用于根据所述当前位置的定位数据,确定出多个第一候选位置;
检测模块,具体可以用于检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;
处理模块,具体可以用于在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理,得到合并后的第一候选位置;
筛选模块,具体可以用于从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
由上可见,基于本说明书实施例提供的上车位置的确定装置,能够较为精准地确定出针对性较强的、用户大概率会接受的第二候选位置,作为用户的上车位置,并及时地推送给了对应用户,减少了误差,提高了用户的使用体验。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机可读存储介质中。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (14)
1.一种用户的上车位置的确定方法,其特征在于,包括:
获取用户当前位置的定位数据;
根据所述当前位置的定位数据,确定出多个第一候选位置;
根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;所述字段型数据包括以下至少之一:第一候选位置的环境特征、当前位置的环境特征、用户的画像特征;
根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
2.根据权利要求1所述的方法,其特征在于,根据所述当前位置的定位数据,确定出多个第一候选位置,包括:
根据所述当前位置的定位数据和相应的地图数据,确定出与所述当前位置的距离小于预设的第一距离阈值的多个候选路段;
根据所述多个候选路段,通过查询预设的参考数据集,确定出多个第一候选位置;其中,所述第一候选位置至少与一个候选路段对应;所述预设的参考数据集为预先根据用户的历史操作记录聚类得到的;所述预设的参考数据集包含有与多个路段分别对应的多个历史上车位置组。
3.根据权利要求2所述的方法,其特征在于,所述第一候选位置的环境特征包括以下至少之一:第一候选位置的周边建筑物、第一候选位置所在区域的区域类型、第一候选位置的预设范围内的交通标识。
4.根据权利要求1所述的方法,其特征在于,根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率,包括:
调用预设的预测模型处理所述字段型数据和图像型数据,以得到用户针对第一候选位置的接受概率。
5.根据权利要求4所述的方法,其特征在于,所述预设的预测模型至少包含有并联的第一网络结构和第二网络结构;其中,所述第一网络结构用于接入并处理字段型数据,输出对应的字段特征;所述第二网络结构用于接入并处理图像型数据,输出对应的图像特征。
6.根据权利要求1所述的方法,其特征在于,在根据所述当前位置的定位数据,确定出多个第一候选位置之后,所述方法还包括:
检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;
在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理。
7.根据权利要求6所述的方法,其特征在于,检测所述第一候选位置中是否存在同质点,包括:
获取各个第一候选位置所对应的候选路段的中心点的定位数据;
根据各个第一候选位置所对应的候选路段的中心点的定位数据,计算不同第一候选位置所对应的候选路段之间的中心点距离;
检测是否存在不同第一候选位置所对应的候选路段之间的中心点距离小于等于预设的第二距离阈值;
在检测到存在不同第一候选位置所对应的候选路段之间的中心点距离小于等于预设的第二距离阈值的情况下,确定所述第一候选位置中存在同质点;并将中心点距离小于等于预设的第二距离阈值的候选路段所对应的第一候选位置确定为同质点。
8.根据权利要求1所述的方法,其特征在于,在获取用户当前位置的定位数据之前,所述方法还包括:
接收用户通过终端设备发起的乘车请求;其中,所述乘车请求至少携带有用户当前位置的定位数据;
相应的,在根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置之后,所述方法还包括:
将所述第二候选位置反馈至终端设备;其中,所述终端设备用于在乘车订单的设置页面中向用户展示出所述第二候选位置;所述终端设备还用于获取并根据用户所选中的第二候选位置,或用户自定义输入的上车位置,生成对应的乘车订单。
9.一种用户的上车位置的确定方法,其特征在于,包括:
获取用户当前位置的定位数据;
根据所述当前位置的定位数据,确定出多个第一候选位置;
检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;
在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理,得到合并后的第一候选位置;
从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置;包括:根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;所述字段型数据包括以下至少之一:第一候选位置的环境特征、当前位置的环境特征、用户的画像特征。
10.根据权利要求9所述的方法,其特征在于,从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,包括:
获取相关的字段型数据;
调用预设的预测模型处理所述字段型数据,以获得用户针对合并后的第一候选位置的接受概率;
根据所述接受概率,从多个合并后的第一候选位置中筛选出符合要求的第二候选位置。
11.一种用户的上车位置的确定装置,其特征在于,包括:
获取模块,用于获取用户当前位置的定位数据;
确定模块,用于根据所述当前位置的定位数据,确定出多个第一候选位置;
处理模块,用于根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;所述字段型数据包括以下至少之一:第一候选位置的环境特征、当前位置的环境特征、用户的画像特征;
筛选模块,用于根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置。
12.一种用户的上车位置的确定装置,其特征在于,包括:
获取模块,用于获取用户当前位置的定位数据;
确定模块,用于根据所述当前位置的定位数据,确定出多个第一候选位置;
检测模块,用于检测所述第一候选位置中是否存在同质点;其中,所述同质点包括相对差异小于预设的差异阈值的多个第一候选位置;
处理模块,用于在检测到存在同质点的情况下,对属于同质点的多个第一候选位置进行合并处理,得到合并后的第一候选位置;
筛选模块,用于从所述合并后的第一候选位置中筛选出符合要求的第二候选位置,作为用户的上车位置;其中,筛选模块具体用于根据所述当前位置的定位数据、第一候选位置,获取相关的字段型数据和图像型数据;并根据所述字段型数据和图像型数据,确定出用户针对第一候选位置的接受概率;根据所述接受概率,从多个第一候选位置中筛选出符合要求的第二候选位置;其中,所述图像型数据至少包括:包含有第一候选位置的区域地图图片;所述字段型数据包括以下至少之一:第一候选位置的环境特征、当前位置的环境特征、用户的画像特征。
13.一种服务器,其特征在于,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至8,或9至10中任一项所述方法的步骤。
14.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被执行时实现权利要求1至8,或9至10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110894829.0A CN113722614B (zh) | 2021-08-05 | 2021-08-05 | 上车位置的确定方法、装置和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110894829.0A CN113722614B (zh) | 2021-08-05 | 2021-08-05 | 上车位置的确定方法、装置和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722614A CN113722614A (zh) | 2021-11-30 |
CN113722614B true CN113722614B (zh) | 2024-05-07 |
Family
ID=78674853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110894829.0A Active CN113722614B (zh) | 2021-08-05 | 2021-08-05 | 上车位置的确定方法、装置和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722614B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106595678A (zh) * | 2016-11-10 | 2017-04-26 | 广州市沃希信息科技有限公司 | 一种乘客定位方法及系统 |
CN107665476A (zh) * | 2016-07-28 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 一种为乘客提供上车地点的方法和装置 |
CN110308468A (zh) * | 2019-05-09 | 2019-10-08 | 百度在线网络技术(北京)有限公司 | 地点推荐方法和装置 |
CN110909096A (zh) * | 2019-10-31 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 推荐上车点确定方法及装置、存储介质、电子设备 |
CN111127282A (zh) * | 2018-10-31 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 用于确定推荐位置的系统和方法 |
CN111259229A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种问题推荐方法及装置 |
CN111651687A (zh) * | 2020-01-10 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 上车点信息推送方法及装置、下车点信息推送方法及装置 |
CN111859183A (zh) * | 2020-06-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、系统、装置及存储介质 |
CN111861643A (zh) * | 2020-06-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种乘车位置的推荐方法、装置、电子设备及存储介质 |
CN112182431A (zh) * | 2020-09-22 | 2021-01-05 | 汉海信息技术(上海)有限公司 | 参考地点推荐方法、装置、设备以及存储介质 |
CN112800338A (zh) * | 2021-03-04 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 下车点的推荐方法、装置、电子设备和计算机程序产品 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11531349B2 (en) * | 2019-06-21 | 2022-12-20 | Volkswagen Ag | Corner case detection and collection for a path planning system |
US11663378B2 (en) * | 2019-07-16 | 2023-05-30 | Here Global B.V. | Method, apparatus, and system for providing traffic simulations in a smart-city infrastructure |
-
2021
- 2021-08-05 CN CN202110894829.0A patent/CN113722614B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665476A (zh) * | 2016-07-28 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 一种为乘客提供上车地点的方法和装置 |
CN106595678A (zh) * | 2016-11-10 | 2017-04-26 | 广州市沃希信息科技有限公司 | 一种乘客定位方法及系统 |
CN111127282A (zh) * | 2018-10-31 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 用于确定推荐位置的系统和方法 |
CN111259229A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种问题推荐方法及装置 |
CN110308468A (zh) * | 2019-05-09 | 2019-10-08 | 百度在线网络技术(北京)有限公司 | 地点推荐方法和装置 |
CN110909096A (zh) * | 2019-10-31 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 推荐上车点确定方法及装置、存储介质、电子设备 |
CN111651687A (zh) * | 2020-01-10 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 上车点信息推送方法及装置、下车点信息推送方法及装置 |
CN111859183A (zh) * | 2020-06-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、系统、装置及存储介质 |
CN111861643A (zh) * | 2020-06-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种乘车位置的推荐方法、装置、电子设备及存储介质 |
CN112182431A (zh) * | 2020-09-22 | 2021-01-05 | 汉海信息技术(上海)有限公司 | 参考地点推荐方法、装置、设备以及存储介质 |
CN112800338A (zh) * | 2021-03-04 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 下车点的推荐方法、装置、电子设备和计算机程序产品 |
Non-Patent Citations (4)
Title |
---|
Andre Carrel et al..Quantifying transit travel experiences from the users’ perspective with high-resolution smartphone and vehicle location data Methodologies, validation, and example analyses.《Transportation Research Part C: Emerging Technologies》.2015,224-239. * |
Quantifying transit travel experiences from the users’ perspective with high-resolution smartphone and vehicle location data Methodologies, validation, and example analyses;Andre Carrel et al.;《Transportation Research Part C: Emerging Technologies》;20150416;224-239 * |
基于注意力机制的网约车需求短时预测模型研究;郭雅婷;《中国优秀硕士学位论文全 文数据库 工程科技II辑》;20210215;C034-987 * |
基于注意力机制的网约车需求短时预测模型研究;郭雅婷;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20210215;C034-987 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722614A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A trajectory clustering approach based on decision graph and data field for detecting hotspots | |
US9253251B2 (en) | System and method for determining a vehicle proximity to a selected address | |
Kwak et al. | Seeing is believing: Sharing real-time visual traffic information via vehicular clouds | |
US11645564B2 (en) | Method and system for smart detection of business hot spots | |
CN110796323A (zh) | 车辆的调度方法、装置、终端及计算机可读存储介质 | |
CN107220308B (zh) | Poi的合理性的检测方法及装置、设备及可读介质 | |
CN107767153B (zh) | 一种数据处理方法及装置 | |
CN112749825A (zh) | 预测车辆的目的地的方法和装置 | |
CN111382217A (zh) | 一种目的地推荐方法和装置 | |
JP7541051B2 (ja) | 交通状況の視覚化を改善するための方法 | |
CN112989188A (zh) | 推荐订单的确定方法、装置和服务器 | |
CN107463941A (zh) | 一种车主身份识别方法及装置 | |
CN113899355A (zh) | 地图更新方法、装置、云端服务器和共享骑行设备 | |
CN111339409A (zh) | 地图展示方法与系统 | |
CN111191127A (zh) | 一种基于关联分析算法的旅行推荐方法和系统 | |
CN113722614B (zh) | 上车位置的确定方法、装置和服务器 | |
CN111711668A (zh) | 基于poi的实时推送服务的方法、装置、计算机设备 | |
CN118613737A (zh) | 确定移动设备的位置的方法和设备 | |
US10129699B1 (en) | Automated tiered event display system | |
CN113704643B (zh) | 确定目标物体状态的方法、装置、电子设备以及存储介质 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN112883291A (zh) | 目的地位置的推荐方法、装置和服务器 | |
CN114007186A (zh) | 定位方法及相关产品 | |
CN110458459B (zh) | 交通数据的可视化分析方法、装置、设备及可读存储介质 | |
JP6843662B2 (ja) | モビリティデータ処理装置、モビリティデータ処理方法、及びモビリティデータ処理システム |
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 |