CN114041129A - 确定上车点名称的系统和方法 - Google Patents
确定上车点名称的系统和方法 Download PDFInfo
- Publication number
- CN114041129A CN114041129A CN201980097892.2A CN201980097892A CN114041129A CN 114041129 A CN114041129 A CN 114041129A CN 201980097892 A CN201980097892 A CN 201980097892A CN 114041129 A CN114041129 A CN 114041129A
- Authority
- CN
- China
- Prior art keywords
- interest
- point
- points
- candidate points
- 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.)
- Pending
Links
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
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)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请披露了确定上车点名称的系统和方法。所述方法包括获取对象的当前位置(510)。该方法包括基于对象的当前位置,确定至少一个上车点(520)。所述方法包括基于至少一个上车点从至少两个兴趣点中选择至少两个候选兴趣点(530)。所述方法包括通过使用训练后的兴趣点模型,确定至少两个候选兴趣点中的每一个候选兴趣点的分数(540)。所述方法包括基于至少两个候选兴趣点的分数,从至少两个候选兴趣点确定目标兴趣点(550)。所述方法包括指定目标兴趣点的名称作为相应上车点的名称(560)。
Description
技术领域
本申请总体上涉及在线服务平台,更具体地,涉及确定上车点名称的系统和方法。
背景技术
随着互联网技术的发展,在线服务,例如,在线出租车服务等,开始在人们日常生活中发挥重要的作用。当对象(例如,乘客)发起服务请求时,提供在线出租车服务的系统可以在地图上建议一个或多个上车点。但是,在某些情况下,对象可能不喜欢基于地图中的图形显示选择上车点,而更喜欢基于包括上车点名称的文本进行选择。向用户提供合适的上车点名称,以为用户指引方向,可以提高用户体验。因此,期望提供一种确定上车点名称的系统和方法,以提高在线服务平台的用户体验。
发明内容
根据本申请的一方面,一种方法可以包括由至少一个处理器执行的一个或以上以下操作。所述方法可以包括获取对象的当前位置。所述方法还可以包括基于所述对象的所述当前位置,确定至少一个上车点。所述方法还可以包括基于所述至少一个上车点和至少两个兴趣点的特征信息,从所述至少两个兴趣点中选择至少两个候选兴趣点。所述至少两个兴趣点的特征信息的至少一部分是基于至少两个历史订单确定的。所述方法还可以包括基于所述至少两个候选兴趣点的特征信息,通过使用训练后的兴趣点模型,确定所述至少两个候选兴趣点中的每一个候选兴趣点的分数。所述方法可以进一步包括基于所述至少两个候选兴趣点的所述分数,从所述至少两个候选兴趣点中确定目标兴趣点。所述方法还可以进一步包括指定所述目标兴趣点的名称作为相应上车点的名称。
在一些实施例中,所述至少两个兴趣点的所述特征信息包括全局特征或与路段有关的局部特征中的至少一个。
在一些实施例中,所述全局特征包括名称特征、分类特征、统计特征、品牌特征或兴趣点与上车点之间的距离中的至少一个。
在一些实施例中,所述与路段有关的局部特征包括局部统计特征、与历史上车位置有关的局部特征、与历史出发位置有关的局部特征或兴趣点相对于路段的方向中的至少一个。
在一些实施例中,所述品牌特征包括一级品牌、二级品牌和非品牌。所述方法还可以包括基于所述至少两个兴趣点的所述特征信息,确定所述至少两个候选兴趣点中是否包括一级品牌兴趣点。
在一些实施例中,所述方法还可以包括响应于确定所述至少两个候选兴趣点不包括所述一级品牌兴趣点,确定第一组候选兴趣点。
在一些实施例中,所述方法还包括响应于确定所述至少两个候选兴趣点中包括所述一级品牌兴趣点,确定第二组候选兴趣点和第三组候选兴趣点。所述第二组候选兴趣点包括所述一级品牌兴趣点。所述第三组候选兴趣点包括所述一级品牌兴趣点、二级品牌兴趣点或非品牌兴趣点中的至少一个。
在一些实施例中,所述方法还可以包括获取至少两个历史订单。所述方法还可以包括将所述兴趣点与所述至少两个历史订单中的至少一个历史订单相关联。所述方法还可以包括基于路段信息和与所述兴趣点相关联的所述至少一个历史订单,将所述兴趣点与至少一个路段相关联。所述方法还可以包括基于与所述兴趣点相关联的所述至少一个历史订单,确定所述兴趣点的与所述至少一个路段中的每个路段相关联的局部特征。所述方法还可以包括基于所述兴趣点的与所述至少一个路段中的每个路段相关联的所述局部特征,确定所述兴趣点的全局特征。
在一些实施例中,所述训练后的兴趣点模型通过一个训练过程确定。所述训练过程包括获取初始兴趣点模型。所述训练过程还可以包括获取至少两个训练样本,其中所述至少两个训练样本包括与至少两个历史订单相关联的历史信息。所述训练过程还可以包括提取所述至少两个训练样本中的每个训练样本的样本特征。所述训练过程还可以包括基于所述样本特征,通过对所述初始兴趣点模型进行训练,确定所述训练后的兴趣点模型。
在一些实施例中,所述方法还可以包括基于所述至少两个候选兴趣点的所述特征信息,修正所述至少两个候选兴趣点中的至少一个候选兴趣点的分数。
在一些实施例中,所述方法还可以包括获取所述对象的语音数据。所述方法还可以包括通过分析所述对象的所述语音数据,确定提及的兴趣点。所述方法还可以包括根据所述对象的位置,确定所述提及的兴趣点的置信度。
在一些实施例中,所述方法还可以包括向与所述对象相关联的终端发送信号,以指示所述终端显示所述相应上车点的所述名称,从而将所述对象指引到所述相应上车点。
根据本申请的另一方面,一种方法可以包括由至少一个处理器执行的以下一个或以上操作。所述方法可以包括获取对象的当前位置。所述方法可以包括显示至少一个上车点。所述方法可以包括显示所述至少一个上车点的名称。
根据本申请的另一方面,一种系统可以包括至少一个存储介质存储一组指令,以及与所述至少一个存储介质通信的至少一个处理器。当执行所述存储的一组指令时,所述至少一个处理器使所述系统获取对象的当前位置。所述至少一个处理器还可以使所述系统基于所述对象的所述当前位置,确定至少一个上车点。所述至少一个处理器还可以使所述系统基于所述至少一个上车点和至少两个兴趣点的特征信息,从所述至少两个兴趣点中选择至少两个候选兴趣点。所述至少两个兴趣点的特征信息的至少一部分是基于至少两个历史订单确定的。所述至少一个处理器还可以使所述系统基于所述至少两个候选兴趣点的特征信息,通过使用训练后的兴趣点模型,确定所述至少两个候选兴趣点中的每一个候选兴趣点的分数。所述至少一个处理器还可以使所述系统基于所述至少两个候选兴趣点的所述分数,从所述至少两个候选兴趣点中确定目标兴趣点。所述至少一个处理器还可以使所述系统指定所述目标兴趣点的名称作为相应上车点的名称。
根据本申请的另一方面,一种系统可以包括至少一个存储介质存储一组指令,以及与所述至少一个存储介质通信的至少一个处理器。当执行所述存储的一组指令时,所述至少一个处理器使所述系统获取对象的当前位置。所述至少一个处理器可以使所述系统显示至少一个上车点。所述至少一个处理器还可以使所述系统显示所述至少一个上车点的名称。
根据本申请的另一方面,一种非暂时性计算机可读介质存储指令,当所述指令由至少一个处理器执行时,所述指令使所述至少一个处理器实现一种方法。所述方法可以包括获取对象的当前位置。所述方法还可以包括基于对象的当前位置确定至少一个上车点。所述方法还可以包括基于所述至少一个上车点和与至少两个兴趣点相关联的特征信息,从所述至少两个兴趣点中选择至少两个候选兴趣点。所述至少两个兴趣点的特征信息的至少一部分是基于至少两个历史订单确定的。所述方法还可以包括基于与所述至少两个候选兴趣点相关联的特征信息,通过使用训练后的兴趣点模型来确定所述至少两个候选兴趣点中的每一个的分数。所述方法还可以进一步包括基于所述至少两个候选兴趣点的分数从所述至少两个候选兴趣点确定目标兴趣点。所述方法还可以进一步包括指定目标兴趣点的名称作为相应上车点的名称。
本申请的一部分附加特性可以在以下描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各个方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例,在这些实施例中,各图中相同的编号表示相似的结构,其中:
图1是根据本申请的一些实施例所示的示例性在线服务系统的示意图;
图2是根据本申请的一些实施例所示的示例性计算设备的示例性硬件和/或软件组件的示意图;
图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图;
图4是根据本申请的一些实施例所示的示例性处理引擎的模块图;
图5是根据本申请的一些实施例所示的确定上车点的名称的示例性过程的流程图;
图6是根据本申请的一些实施例所示的确定与兴趣点相关联的特征信息的至少一部分的示例性过程的流程图;
图7是根据本申请的一些实施例所示的确定提及的兴趣点的置信度的流程图;
图8是根据本申请的一些实施例所示的确定训练后的兴趣点模型的示例性过程的流程图;
图9是根据本申请的一些实施例所示的确定与兴趣点相关联的特征信息的至少一部分的示例性过程的示意图;
图10是根据本申请的一些实施例所示的示例性第一组候选兴趣点的示意图;
图11是根据本申请的一些实施例所示的示例性第二组候选兴趣点的示意图;以及
图12是根据本申请的一些实施例所示的示例性第三组候选兴趣点的示意图。
具体实施方式
提供以下描述是为了使本领域技术人员能够制造和使用本申请,并且在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲,显然可以对所披露的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请不限于所示的实施例,而是被赋予与权利要求一致的最宽范围。
本申请中所使用的术语仅出于描述特定示例实施例的目的,而非限制性的。如本申请使用的单数形式“一”、“一个”及“所述”同样可以包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本申请中使用的术语“包括”、“包括”和/或“包括”、“包含”、“包含”和/或“包含”仅提示存在所述特征、整数、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其它特征、整数、步骤、操作、组件、部件和/或其组合的情况。
本申请的这些和其他特征、特性,以及操作方法、所述系统的各种组件、结构相关元件的功能、部件组合和制造经济性,在参考附图考虑以下描述后,可能会变得更加明显,所有附图均构成本申请的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
本申请中使用的流程图说明了根据本申请的一些实施例实现的系统的操作。应明确理解,流程图的操作可不按顺序实施。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中。也可以从流程图中删除一个或以上操作。
此外,虽然本申请中公开的系统和方法主要是关于在线运输服务的描述,但是还应当理解,这只是一个示例性实施例。本申请的系统和方法可以应用于任何其他种类的按需服务。例如,本申请的系统和方法可以应用于不同环境的运输系统,包括陆地(例如,公路或非公路)、水(例如,河、湖泊或海洋)、空气、航空航天等,或其任何组合。运输系统的交通工具可以包括出租车、私家车、便车、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、轮船、飞机、宇宙飞船、热气球、无人驾驶车辆等,或其任何组合。运输系统还可以包括用于管理和/或分发的任何运输系统,例如,用于发送和/或接收快递的系统。本申请的系统和方法的应用可以包括移动设备(例如,智能手机或平板电脑)应用程序、网页、浏览器插件、客户端、定制系统、内部分析系统、人工智能机器人等,或其任何组合。
本申请中的术语“乘客”、“请求者”、“申请者”、“服务请求者”、“服务申请者”和“顾客”可以互换使用,用于指代请求或订购服务的个人、实体或工具。此外,本申请中的术语“司机”、“提供者”、“服务提供者”和“供应商”可以互换使用,用于指代提供服务或促进提供服务的个人、实体或工具。本申请中的术语“用户”用于指可以请求服务、订购服务、提供服务或促进服务提供的个人、实体或工具。在本申请中,术语“请求者”和“请求者终端”可以互换使用,术语“提供者”和“提供者终端”可以互换使用。
本申请中的术语“请求”、“服务”、“服务请求”和“订单”可以交替使用,以指代由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应商等或其任何组合发起的请求。根据上下文,服务请求可以由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者或供应商中的任何一方接受。在一些实施例中,司机、提供者、服务提供者或供应商可以接受服务请求。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以基于全球定位系统(GPS)、全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线网络(WiFi)定位技术等或其任意组合。以上定位系统中的一个或以上可以在本申请中交换使用。
本申请的一个方面涉及确定上车点名称的系统和方法。根据本申请的一些系统和方法,处理引擎可以获取对象(例如,用户)的当前位置。处理引擎可以基于对象的当前位置确定至少一个上车点。处理引擎可以基于至少一个上车点和与至少两个兴趣点相关联的特征信息从至少两个兴趣点中选择至少两个候选兴趣点。与至少两个兴趣点相关联的特征信息的至少一部分可以基于至少两个历史订单来确定。处理引擎可以基于与至少两个候选兴趣点相关联的特征信息,通过使用训练后的兴趣点模型来确定至少两个候选兴趣点中的每一个候选兴趣点的分数。处理引擎可以基于至少两个候选兴趣点的分数从至少两个候选兴趣点中确定目标兴趣点。处理引擎可以将目标兴趣点的名称指定为相应上车点的名称。根据本申请的一些系统和方法,处理引擎可以进一步向与对象相关联的终端(例如,请求者终端)发送信号,以指示终端显示相应上车点的名称,从而将对象指引到相应上车点。因此,上车点的名称可以基于与对象相关联的历史行为来确定,从而可以改善用户体验。
需要指出的是,在线交通服务,例如包括出租车叫车组合服务在内的在线出租车叫车服务,是一种仅植根于后互联网时代的新型服务形式。它为用户和服务提供者提供了只有在后互联网时代才能提出的技术解决方案。在前互联网时代,当一名乘客在街上叫出租车时,出租车请求和接受只发生在乘客和一名看到乘客的出租车司机之间。如果乘客通过电话呼叫出租车,服务请求和接受只发生在乘客和一个服务提供者(例如,一家出租车公司或代理商)之间。然而,在线出租车允许服务的用户自动实时地向远离用户的大量单个服务提供者(例如,出租车)分发服务请求。它还允许至少两个服务提供者同时且实时地响应服务请求。因此,通过互联网,在线交通系统可以为用户和服务提供者提供一个更高效的交易平台,而这在传统的前互联网交通服务系统中是永远不会遇到的。
图1是根据本申请的一些实施例所示的示例性在线服务系统的示意图。例如,在线服务系统100可以是用于例如出租车叫车、司机服务、送货车辆、快车、拼车、公共汽车服务、司机租用、接送服务等运输服务的在线运输服务平台。
在线服务系统100可以包括服务器110、网络120、一个或以上客户终端(例如,一个或以上请求者终端130、一个或以上提供者终端140)和存储设备150。
在一些实施例中,服务器110可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的(例如,服务器110可以是分布式系统)。在一些实施例中,服务器110可以是本地的,也可以是远程的。例如,服务器110可以经由网络120访问存储在一个或以上客户终端(例如,一个或以上请求者终端130、一个或以上提供者终端140)和/或存储设备150中的信息和/或数据。作为另一示例,服务器110可以直接连接到一个或以上客户终端(例如,一个或以上请求者终端130、一个或以上提供者终端140)和/或存储设备150以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实施。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中,服务器110可以在包括图2所示的一个或以上组件的计算设备200上实现。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理信息和/或数据以执行本申请中描述的一个或以上功能。例如,处理引擎112可以获取对象的当前位置。作为另一示例,处理引擎112可以基于对象的当前位置确定至少一个上车点。作为又一示例,处理引擎112可以基于至少一个上车点和与至少两个兴趣点相关联的特征信息从至少两个兴趣点中选择至少两个候选兴趣点。作为又一示例,处理引擎112可以基于与至少两个候选兴趣点相关联的特征信息,通过使用训练后的兴趣点模型来确定至少两个候选兴趣点中的每一个候选兴趣点的分数。作为又一示例,处理引擎112可以基于至少两个候选兴趣点的分数从至少两个候选兴趣点中确定目标兴趣点。作为又一示例,处理引擎112可以将目标兴趣点的名称指定为相应上车点的名称。
在一些实施例中,处理引擎112可以包括一个或以上处理引擎(例如,信号核心处理引擎或多核处理器)。仅作为示例,处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任何组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,在线服务系统100中的一个或以上组件(例如,服务器110、一个或以上请求者终端130、一个或以上提供者终端140或存储设备150)可以经由网络120向在线服务系统100中的其他组件发送信息和/或数据。例如,处理引擎112可以经由网络120从一个或以上客户终端(例如,一个或以上请求者终端130、一个或以上提供者终端140)和/或存储设备150获取对象的当前位置。作为另一示例,处理引擎112可以经由网络120从一个或以上客户终端(例如,一个或以上请求者终端130、一个或以上提供者终端140)和/或存储设备150获取至少两个历史订单。作为另一示例,处理引擎112可以经由网络120从存储设备150获取初始兴趣点模型或训练后的兴趣点模型。作为另一示例,处理引擎112可以获取对象的语音数据。作为又一示例,处理引擎112可以向与对象相关联的终端(例如,请求者终端130)发送信号,以指示终端显示上车点的名称。在一些实施例中,网络120可以是任何类型的有线或无线网络,或其任何组合。仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内部网、因特网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN),公共电话交换网络(PTSN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等,或其任何组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或因特网交换点120-1、120-2…通过这些接入点,在线服务系统100的一个或以上组件可以连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求者可以是请求者终端130的用户。在一些实施例中,请求者终端130的用户可以是除服务请求者之外的人。例如,请求者终端130的用户A可以使用请求者终端130为用户B发送服务请求,或者从服务器110接收服务确认和/或信息或指令。在一些实施例中,服务提供者可以是提供者终端140的用户。在一些实施例中,提供者终端140的用户可以是除服务提供者之外的人。例如,提供者终端140的用户C可以使用提供者终端140从服务器110接收用户D的服务请求和/或信息或指令。
在一些实施例中,请求者终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车载设备130-4等,或其任意组合。在一些实施例中,移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电气设备的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等,或其组合。在一些实施例中,可穿戴设备可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配件等,或其任意组合。在一些实施例中,智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等,或任何组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括谷歌眼镜、Oculus Rift、HoloLens、Gear VR等。在一些实施例中,车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中,请求者终端130可以是具有用于定位服务请求者和/或请求者终端130的位置的定位技术的设备。
在一些实施例中,提供者终端140可以与请求者终端130类似,或者与请求者终端130相同。在一些实施例中,提供者终端140可以是具有用于定位司机和/或提供者终端140的位置的定位技术的设备。在一些实施例中,请求者终端130和/或提供者终端140可以与其他定位设备通信以确定服务请求者、请求者终端130、服务提供者和/或提供者终端140的位置。在一些实施例中,请求者终端130和/或提供者终端140可以将定位信息发送至服务器110。
存储设备150可以存储数据和/或指令。例如,数据可以是训练后的兴趣点模型、一个或以上训练样本、一个或以上历史订单等,或其组合。在一些实施例中,存储设备150可以存储从一个或以上客户终端(例如,一个或以上请求者终端130、一个或以上提供者终端140)获取的数据。例如,存储设备150可以存储由处理引擎112确定的至少两个候选兴趣点。作为另一示例,存储设备150可以存储由处理引擎112确定的训练后的兴趣点模型。作为另一示例,存储设备150可以存储由处理引擎112确定的目标兴趣点。作为又一示例,存储设备150可以存储由处理引擎112确定的与至少两个兴趣点相关联的特征信息。在一些实施例中,存储设备150可以储存服务器110用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。例如,存储设备150可以存储处理引擎112可执行或使用的基于至少一个上车点和与至少两个兴趣点相关联的特征信息从至少两个兴趣点中选择至少两个候选兴趣点的指令。作为另一示例,存储设备150可以存储处理引擎112可以执行或使用的基于与至少两个候选兴趣点相关联的特征信息,通过使用训练后的兴趣点模型来确定至少两个候选兴趣点中的每个兴趣点的分数的指令。作为又一示例,存储设备150可以存储处理引擎112可以执行或使用的基于至少两个候选兴趣点的分数从至少两个候选兴趣点中确定目标兴趣点的指令。作为又一示例,存储设备150可以存储处理引擎112可以执行或使用的确定训练后的兴趣点模型的指令。
在一些实施例中,存储设备150可以包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可以包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDRSDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模型只读内存(MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中,存储设备150可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备150可以连接到网络120以与在线服务系统100中的一个或以上组件(例如,服务器110、一个或以上客户终端)通信。在线服务系统100中的一个或以上组件可以经由网络120访问存储在存储设备150中的数据和/或指令。在一些实施例中,存储设备150可以直接连接到在线服务系统100中的一个或以上组件(例如,服务器110、一个或以上客户终端)或与之通信。在一些实施例中,存储设备150可以是服务器110的一部分。
在一些实施例中,在线服务系统100的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140)可以具有访问存储设备150的权限。在一些实施例中,在满足一个或以上条件时,在线服务系统100的一个或以上组件可以读取和/或修改与服务请求者、服务提供者和/或公众有关的信息。例如,在服务完成后,服务器110可以读取和/或修改一个或以上服务请求者的信息。作为另一示例,提供者终端140可以在从请求者终端130接收服务请求时访问与服务请求者相关的信息,但是提供者终端140可以不修改与服务请求者的相关信息。
在一些实施例中,可以通过请求服务来实现在线服务系统100的一个或以上组件的信息交换。服务请求的对象可以为任何产品。在一些实施例中,产品可以是有形产品或非物质产品。有形产品可以包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、奢侈品等或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、互联网产品等或其任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或其任意组合。移动互联网产品可以包括用于移动终端的软件、程序、系统等或其任意组合。移动终端可以包括平板计算机、膝上型计算机、移动电话、个人数字助理(PDA)、智能手表、POS设备、车载计算机、车载电视、可穿戴设备等或其任意组合。例如,产品可以是在计算机或移动电话上使用的任何软件和/或应用程序。该软件和/或应用程序可以与社交、购物、交通、娱乐、学习、投资等或其任意组合相关。在一些实施例中,与运输有关系统软件和/或应用程序可以包括出行软件和/或应用程序、车辆调度软件和/或应用程序、地图软件和/或应用程序等。在车辆调度软件和/或应用程序中,车辆可以包括马、马车、人力车(例如,自行车、三轮车)、汽车(例如,出租车、公共汽车、私家车)、火车、地铁、船只、飞行器(例如,飞机、直升机、航天飞机、火箭、热气球)等,或其任何组合。
本领域的普通技术人员应当理解,当在线服务系统100的元件(或组件)执行时,该元件可以通过电信号和/或电磁信号执行。例如,当请求者终端130向服务器110发送服务请求时,请求者终端130的处理器可以生成对该请求进行编码的电信号。然后,请求者终端130的处理器可以将电信号发送到输出端口。如果请求者终端130通过有线网络与服务器110通信,则输出端口可以物理地连接到电缆,电缆进一步可以将电信号发送到服务器110的输入端口。如果请求者终端130通过无线网络与服务器110通信,则请求者终端130的输出端口可以是一个或以上天线,其将电信号转换为电磁信号。类似地,提供者终端140可以通过其处理器中的逻辑电路的操作来处理任务,并且经由电信号或电磁信号从服务器110接收指令和/或服务请求。在电子设备中,例如请求者终端130、提供者终端140和/或服务器110,当其处理器处理指令、发送指令、和/或执行动作时,指令和/或动作通过电信号进行。例如,当处理器从存储介质(例如,存储设备150)检索或保存数据时,它可以向存储介质的读/写设备发送电信号,该读/写设备可以读取或写入存储介质中的结构化数据。该结构化数据可以通过电子设备的总线,以电信号的形式传输至处理器。此处,电信号可以指一个电信号、一系列电信号和/或至少两个不连续的电信号。
应当注意,在线服务系统100的提供仅仅是为了说明的目的,并不限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修改。例如,在线服务系统100还可以包括数据库、信息源等。作为另一示例,在线服务系统100可以在其他设备上实现以实现类似或不同的功能。然而,这些变化和修改不脱离本申请的范围。
图2是根据本申请的一些实施例所示的示例性计算设备的示例性硬件和/或软件组件的示意图。在一些实施例中,服务器110、请求者终端130和/或提供者终端140可以在计算设备200上实现。例如,处理引擎112可以在计算设备200上实现,并且被配置为执行本申请中披露的处理引擎112的功能。
计算设备200可以用于实现如本申请所述的在线服务系统100的任何组件。例如,处理引擎112可以通过其硬件、软件程序、固件或其组合在计算设备200上实现。尽管仅示出了一台这样的计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现与本申请所描述的在线服务相关的计算机功能,以分配处理负载。
计算设备200可以包括连接到和来自与其连接的网络的通信端口250,以促进数据通信。计算设备200还可以包括处理器220,其形式为一个或以上,例如逻辑电路,用于执行程序指令。例如,处理器220可以包括其中的接口电路和处理电路。接口电路可以被配置为从总线210接收电信号,其中,电信号编码由处理电路处理的结构化数据和/或指令。处理电路可以进行逻辑计算,然后将结论、结果和/或指令编码成电信号。然后,接口电路可以经由总线210从处理电路发出电信号。
计算设备200还可以包括不同形式的程序存储和数据存储,包括例如硬盘270、只读存储器(ROM)230或随机存取存储器(RAM)240,用于存储将由计算设备200处理和/或发送的各种数据文件。计算设备200还可以包括存储在只读存储器230、随机存取存储器240和/或将由处理器220执行的其他类型的非暂时性存储介质中的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还可以包括输入/输出组件260,支持计算机和其他组件之间的输入/输出。计算设备200还可以通过网络通信来接收编程和数据。
仅出于说明目的,图2中仅描述了一个处理器,其还可以包括多个处理器,因此,如本申请中所述的由一个处理器执行的操作和/或步骤也可以由多个处理器联合或单独执行。例如,如果在本申请中计算设备200的处理器同时执行操作A和操作B,则应当理解,操作A和操作B也可以由计算设备200中的两个不同中央处理器和/或处理器共同或单独执行(例如,第一处理器执行操作A,第二处理器执行操作B,或者第一和第二处理器共同执行操作A和B)。
图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图。在一些实施例中,可以在移动设备300上实现请求者终端130或提供者终端140。如图3所示,移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出350、内存360、移动操作系统(OS)370和存储器390。在一些实施例中,任何其他合适的组件,包括但不限于系统总线或控制器(未示出),也可包括在移动设备300内。
在一些实施例中,移动操作系统370(如,iOSTM、AndroidTM、Windows PhoneTM)和一个或以上应用380可以从存储器390加载到内存360中以便由中央处理单元340执行。应用380可以包括浏览器或任何其他合适的移动应用,用于接收和呈现与在线服务相关的信息或来自在线服务系统100的其他信息。可以通过输入/输出350实现用户与信息流的交互,并经由网络120提供给处理引擎112和/或在线服务系统100的其他组件。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本申请中描述的一个或以上组件的硬件平台。具有用户接口元素的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若计算机被适当的程序化,计算机亦可用作服务器。
图4是根据本申请的一些实施例所示的示例性处理引擎的模块图。在一些实施例中,处理引擎112可以包括获取模块410、上车点确定模块420、候选兴趣点选择模块430、分数确定模块440、目标兴趣点确定模块450、名称确定模块460、传输模块470、训练模块480、特征确定模块490和置信度模块495。
获取模块410可被配置为获取与在线服务系统100相关联的数据和/或信息。例如,获取模块410可以获取对象的当前位置。作为另一示例,获取模块410可以获取对象的语音数据。作为又一示例,获取模块410可以获取至少两个历史订单。作为又一示例,获取模块410可以获取初始兴趣点模型。
上车点确定模块420可以被配置为确定一个或以上上车点。在一些实施例中,上车点确定模块420可以基于对象的当前位置确定一个或以上上车点。例如,上车点确定模块420可以确定以对象的当前位置为中心,位于预定范围(例如,500米)内的一个或以上预设上车点作为一个或以上上车点。
候选兴趣点选择模块430可被配置为确定一个或以上候选兴趣点。在一些实施例中,候选兴趣点选择模块430可以基于一个或以上上车点和与至少两个兴趣点相关联的特征信息从至少两个兴趣点中选择一个或以上候选兴趣点。例如,候选兴趣点选择模块430可以确定第一组候选兴趣点。作为另一示例,候选兴趣点选择模块430可以确定第二组候选兴趣点和第三组候选兴趣点。
分数确定模块440可被配置为确定候选兴趣点的分数。在一些实施例中,分数确定模块440可以基于与至少两个候选兴趣点相关联的特征信息,通过使用训练后的兴趣点模型来确定至少两个候选兴趣点中的每个候选兴趣点的分数。
目标兴趣点确定模块450可以被配置为确定目标兴趣点。在一些实施例中,目标兴趣点确定模块450可以基于至少两个候选兴趣点的分数从至少两个候选兴趣点中确定目标兴趣点。例如,目标兴趣点确定模块450可以根据其分数以降序排列至少两个候选兴趣点。目标兴趣点确定模块450可以确定具有最高分数的候选兴趣点作为目标兴趣点。
名称确定模块460可以被配置为确定上车点的名称。例如,名称确定模块460可以将目标兴趣点的名称指定为相应的上车点的名称。
传输模块470可以被配置为将信号发送到在线服务系统100的一个或以上组件。例如,传输模块470可以将信号发送到与对象相关联的终端(例如,请求者终端130),以指示终端显示相应的上车点的名称。
训练模块480可以被配置为确定训练后的兴趣点模型。在一些实施例中,训练模块480可以通过训练初始兴趣点模型来确定训练后的兴趣点模型。例如,训练模块480可以获取至少两个训练样本。作为另一示例,训练模块480可以提取至少两个训练样本中的每一个训练样本的样本特征。作为又一示例,训练模块480可以基于样本特征训练初始兴趣点模型。关于确定训练后的兴趣点模型的更多描述可以在本申请的其他地方找到(例如,图8及其描述)。
特征确定模块490可以被配置为确定与兴趣点相关联的特征信息。例如,特征确定模块490可以将兴趣点与至少两个历史订单中的至少一个历史订单相关联。作为另一示例,特征确定模块490可以基于路段信息和与兴趣点相关联的至少一个历史订单将兴趣点与至少一个路段相关联。作为又一示例,特征确定模块490可以基于与兴趣点相关联的至少一个历史订单来确定兴趣点的与路段相关联的局部特征。作为又一示例,特征确定模块490可以基于兴趣点的与至少一个路段相关联的局部特征来确定兴趣点的全局特征。
置信度模块495可以被配置为确定提及的兴趣点的置信度。例如,置信度模块495可以通过分析对象的语音数据来确定提及的兴趣点。作为又一示例,置信度模块495可以基于对象的当前位置确定提及的兴趣点的置信度。
处理引擎112中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等或其任何组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通信(NFC)等或其任意组合。两个或以上模块可以被组合为单个模块。所述模块中的任一个模块可以被分成两个或以上单元。在一些实施例中,可以添加或省略一个或以上模块。例如,处理引擎112还可以包括用于存储与至少两个兴趣点相关联的信息和/或数据(例如,特征信息)的存储模块(未示出)。作为另一示例,训练模块480可以是不必要的,可以从存储设备(例如,存储器150),例如本申请其他地方公开的存储设备,中获取训练后的兴趣点模型。在一些实施例中,一个或以上模块可以组合成单个模块。例如,目标兴趣点确定模块450和名称确定模块460可以组合为单个模块,该模块可以确定目标兴趣点并将目标兴趣点的名称指定为相应上车点的名称。
图5是根据本申请的一些实施例所示的确定上车点的名称的示例性过程的流程图。在一些实施例中,流程500可以通过存储在只读存储器230或随机存取存储器240中的一组指令(例如,应用程序)来实现。处理器220和/或图4中的模块可以执行一组指令,并且当执行指令时,处理器220和/或模块可以被配置以执行流程500。以下所示流程的操作仅出于说明的目的。在一些实施例中,流程500可以利用未描述的一个或以上附加操作和/或省略所讨论的一个或以上操作来完成。另外,图5中所示和下面描述的流程的操作的顺序并非旨在限制。
在510中,处理引擎112(例如,获取模块410)可以获取对象的当前位置。
在一些实施例中,对象可以是经由在线服务系统100使用在线服务(例如,在线出租车叫车服务)的服务请求者(例如,乘客)。在一些实施例中,对象的当前位置(也称为出发位置)可以是当对象发起服务请求时对象所处的地理位置(例如,经度和纬度坐标)。如本申请所使用的,服务请求可以是对任何基于位置的服务的请求。在一些实施例中,服务请求可以是对运输服务(例如,出租车服务、送货服务、叫车服务)的请求。
在一些实施例中,处理引擎112可以从在线服务系统100的一个或以上组件获取对象的地理位置。例如,对象可以携带一个或以上具有定位功能的传感器,并且处理引擎112可以从一个或以上传感器获取对象的地理坐标。具体地,处理引擎112可以经由安装在对象携带的请求者终端130上的GPS设备和/或惯性测量单元(IMU)传感器获取对象的地理坐标。
处理引擎112可以连续地或周期性地从一个或以上传感器(例如,GPS设备)获取对象的地理坐标。附加地或替代地,具有定位功能的传感器(例如,GPS设备)可以连续地或周期性地经由网络120向在线服务系统100的存储设备(例如,存储设备115)发送对象的地理坐标。处理引擎112可以访问存储设备并检索对象的一个或以上地理坐标。
在520中,处理引擎112(例如,上车点确定模块420)可以基于对象的当前位置确定至少一个上车点。
如本申请所使用的,上车点可以指服务提供者(例如,司机)可以接载服务请求者(例如,乘客)的位置。在一些实施例中,处理引擎112可以基于对象的当前位置(例如,地理坐标)和至少两个预设上车点的位置来确定一个或以上上车点。例如,可以沿道路每100米设置一个预设上车点。处理引擎112可以以对象的当前位置为中心,确定位于预定范围(例如,500米)内的一个或以上预设上车点作为一个或以上上车点。
在一些实施例中,至少两个预设上车点和相应的地理坐标可以存储在在线服务系统100的存储设备(例如,存储设备150)或外部数据库(例如,上车点数据库902)中。处理引擎112可以访问存储设备或外部数据库,并基于对象的地理坐标和至少两个预设上车点的地理坐标检索一个或以上上车点。
在530中,处理引擎112(例如,候选兴趣点选择模块430)可以基于至少一个上车点和与至少两个兴趣点相关联的特征信息,从至少两个兴趣点中选择至少两个候选兴趣点。
如本申请所使用的,兴趣点可以指位置名称或企业名称。在一些实施例中,与兴趣点相关联的特征信息可以包括全局特征、与路段相关联的路段特征等,或其任何组合。全局特征可以包括名称特征、分类特征、统计特征、品牌特征、兴趣点与上车点之间的距离、附加特征等,或其任何组合。
兴趣点的名称特征可以包括门、出口/入口、站(例如,公共汽车站、地铁站)、交叉口等,或其任何组合。兴趣点的分类特征可以包括社区、医院、学校、酒店、商店、银行等,或其任何组合。兴趣点的品牌特征可以包括品牌兴趣点、非品牌兴趣点等。品牌兴趣点可以包括一级品牌兴趣点和二级品牌兴趣点。如本申请所使用的,“品牌兴趣点”可以指与兴趣点相关联的商业名称与商标相关。例如,品牌兴趣点可以包括肯德基、西夫韦超市、梅西商场等。非品牌兴趣点可以包括海淀汽车站、绿园社区等。如本申请所使用的,“一级品牌兴趣点”可以指兴趣点具有相对较高的热度,“二级品牌兴趣点”可以指兴趣点具有相对较低的热度。例如,一级品牌兴趣点的热度可以大于热度阈值,二级品牌兴趣点的热度可以低于热度阈值。
在一些实施例中,兴趣点和上车点之间的距离可以是从兴趣点到上车点的直线距离或行进距离。例如,处理引擎112可以确定从兴趣点到上车点的路线,并且通过确定从兴趣点到上车点的路线的长度来确定兴趣点和上车点之间的距离。
兴趣点的统计特征可以包括兴趣点的热度、在特定时间段内兴趣点被对象检索或选择为起始位置或目的地的次数、在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数等,或其任何组合。在一些实施例中,当对象发起服务请求时,处理引擎112可以推荐一个或以上默认兴趣点作为起始位置或目的地,对象可以修改一个或以上默认兴趣点以确定特定兴趣点作为起始位置或目的地。如本申请所使用的,起始位置可以指当对象发起服务请求时,对象通过终端设备(例如,请求者终端130)输入/选择以启动服务(例如,在线出租车叫车服务)的位置。如本申请所使用的,目的地可以指当对象发起服务请求时,对象通过终端设备(例如,请求者终端130)输入/选择以结束服务(例如,在线出租车招呼服务)的位置。
如本申请所使用的,兴趣点的热度可以指示兴趣点的流行程度。在一些实施例中,兴趣点的热度可以与特定时间段内兴趣点被对象检索或选择作为起始位置或目的地的次数、特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数等相关联。例如,处理引擎112可以确定与在特定时间段内兴趣点被对象检索或选择作为起始位置的第一次数(例如,N1)相对应的第一权重(例如,W1)、与在特定时间段内兴趣点被对象检索或选择作为目的地的第二次数(例如,N2)相对应的第二权重(例如,W2)、与在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置的第三次数(例如,N3)相对应的第三权重(例如,W3)、以及与在特定时间段内兴趣点被对象从默认兴趣点修改为目的地的第四次数(例如,N4)相对应的第四权重(例如,W4)。处理引擎112可以基于第一权重、第二权重、第三权重、第四权重、第一次数、第二次数、第三次数和第四次数来确定兴趣点的热度。处理引擎112可以确定兴趣点的热度为W1×N1+W2×N2+W3×N3+W4×N4(W1+W2+W3+W4=1)。
在一些实施例中,兴趣点的附加特征可以与对象的历史下车位置和对象的历史目的地相关联。如本申请所使用的,下车位置可以指对象实际结束服务的位置。例如,下车位置可以是乘客实际下车的位置。在一些实施例中,下车位置可以与目的地相同或不同。在一些实施例中,当对象输入/选择兴趣点作为目的地并在与目的地不同的特定下车位置结束服务(例如下车)时,处理引擎112可以将特定下车位置确定为兴趣点的附加特征。也就是说,兴趣点可以作为特定下车位置的名称。
与路段相关联的局部特征可以包括局部统计特征、与历史上车位置相关联的局部特征、与历史出发位置相关联的局部特征、兴趣点相对于路段的方向等,或其任何组合。
如本申请所使用的,“路段”可以是地图中道路或街道的单位。路段可以对应于地图上的一段道路或街道。在一些实施例中,道路可以包括一个或以上路段。一个或以上路段可以通过一个或以上节点逐个连接。例如,可以通过手动标注映射等方式将长安街映射到地图上的五个路段。五个路段可以通过其节点逐一连接,构成长安街。在一些实施例中,区域(例如,北京市朝阳区)可以包括至少两条道路。因此,区域的道路网可以表示为路段的集合。在一些实施例中,路段可以对应于一个或两个行驶方向。如本申请所使用的,“路段的行驶方向”可以指对象(例如,车辆)可以在对应于路段的道路上行驶的方向。例如,对应于单向道路的路段可以包括一个行驶方向,而对应于双向道路的路段可以包括两个行驶方向。
在一些实施例中,处理引擎112可以在在线服务系统100的存储设备(例如,存储设备150)或外部数据库(例如,路段数据库905、节点-路段表906)中存储至少两个路段、对应于至少两个路段中的每个路段的一个或以上节点、以及对应于至少两个路段中的每个路段的一个或两个行驶方向。处理引擎112可以访问存储设备或外部数据库,并检索与至少两个路段相关联的信息。
在一些实施例中,兴趣点可以对应于一个或以上路段。在一些实施例中,处理引擎112可以基于与至少两个历史订单相关联的信息来确定与兴趣点相对应的一个或以上路段。关于确定与兴趣点相对应的一个或以上路段的更多描述可以在本申请的其他地方找到(例如,图6及其描述)。
兴趣点相对于路段的方向可以指示兴趣点位于路段的哪一侧(例如,右侧、左侧)。在一些实施例中,处理引擎112可以基于兴趣点的位置和对应于路段的行驶方向来确定兴趣点相对于路段的方向。
与路段相关联的兴趣点的局部统计特征可以包括与路段相关联的兴趣点的热度、与路段相关联的兴趣点的相似性加权热度、相似性大于相似性阈值(例如,0.8)的与路段相关联的兴趣点的热度、相似性大于相似性阈值(例如,0.8)的与路段相关联的兴趣点的加权热度等,或其任何组合。
与历史上车位置相关联的兴趣点的局部特征可以包括与历史上车位置相关联的兴趣点的热度、与历史上车位置相关联的在特定时间段内兴趣点被对象检索或选择作为起始位置或目的地的次数,与历史上车位置相关联的在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数等,或其任何组合。如本申请所使用的,上车位置可以指对象实际启动服务的位置。例如,上车位置可以是对象实际上车的位置。在一些实施例中,上车位置可以与起始位置相同或不同。
与历史出发位置相关联的局部特征可以包括与历史出发位置相关联的兴趣点的热度、与历史出发位置相关联的兴趣点的加权热度、与历史出发位置相关联的在特定时间段内兴趣点被对象检索或选择作为起始位置或目的地的次数、与历史出发位置相关联的在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数等,或其任何组合。如本申请所使用的,出发位置(也称为对象的当前位置)可以指当对象通过终端设备(例如,请求者终端130)发起服务请求时对象所处的位置。在一些实施例中,出发位置可以与上车位置(或起始位置)相同或与上车位置(或起始位置)不同。
在一些实施例中,处理引擎112可以基于至少两个历史订单确定与兴趣点相关联的特征信息(例如,统计特征、局部统计特征、与历史上车位置相关联的局部特征、与历史出发位置相关联的局部特征)的至少一部分。关于与兴趣点相关联的至少一部分特征信息以及确定与兴趣点相关联的至少一部分特征信息的更多描述可以在本申请的其他地方找到(例如,图6及其描述)。
在一些实施例中,处理引擎112可以基于一个或以上上车点的位置以及与至少两个兴趣点相关联的特征信息,从至少两个兴趣点中选择至少两个候选兴趣点。在一些实施例中,对于至少一个上车点中的每个上车点,处理引擎112可以根据空间索引方法确定位于以每个上车点的位置为中心的特定范围(例如,50米、100米)内的一个或以上第一兴趣点。示例性空间索引方法可以包括Geohash、HHCode、网格、Z阶、四叉树、八叉树、UB树、R树等。例如,处理引擎112可以根据R树空间索引方法确定一个或以上第一兴趣点。如本申请所使用的,R树可以指用于空间访问方法的树数据结构,即,用于索引多维信息,例如地理坐标、矩形或多边形。作为另一示例,处理引擎112可以根据网格空间索引方法确定一个或以上第一兴趣点。如本申请所使用的,网格或方格可以指将流形或二维曲面规则细分为一系列连续单元,然后可为其分配唯一标识符并用于空间索引目的。
处理引擎112可以基于至少两个第一兴趣点中的每个第一兴趣点的名称特征、分类特征和/或统计特征,从至少两个第一兴趣点中确定至少两个候选兴趣点。例如,处理引擎112可以将热度大于热度阈值的第一兴趣点确定为候选兴趣点。作为另一示例,处理引擎112可以将名称特征或分类特征不是村庄、街道、厕所等的第一兴趣点确定为候选兴趣点。作为又一示例,处理引擎112可以将具有相对较高位置可见性的第一兴趣点确定为候选兴趣点。如本申请所使用的,“兴趣点的相对高位置可见性”可以指当对象位于上车点时,对象(例如,乘客)容易看到兴趣点。在一些实施例中,位于建筑物的地下室楼层或第10层的兴趣点可以具有相对较低的位置可见性。
在一些实施例中,至少两个兴趣点和相应的特征信息可以存储在在线服务系统100的存储设备(例如,存储设备150)或外部数据库(例如,兴趣点数据库901)中。处理引擎112可以访问存储设备或外部数据库,并基于一个或以上上车点的位置以及与至少两个兴趣点相关联的特征信息从至少两个兴趣点中选择至少两个候选兴趣点。
在一些实施例中,处理引擎112可以基于与至少两个候选兴趣点相关联的品牌特征来确定至少两个候选兴趣点中是否包括一级品牌兴趣点。响应于确定至少两个候选兴趣点中不包括一级品牌兴趣点,处理引擎112可以确定第一组候选兴趣点,如图10所示。响应于确定至少两个候选兴趣点中包括一个或以上第一品牌兴趣点,处理引擎112可以确定第二组候选兴趣点和第三组候选兴趣点。第二组候选兴趣点可以包括一个或以上一级品牌兴趣点,如图11所示。第三组可以包括一个或以上一级品牌兴趣点、一个或以上二级品牌兴趣点和一个或以上非品牌兴趣点,如图12所示。
在一些实施例中,处理引擎112可以对至少两个候选兴趣点的特征信息的至少一部分执行归一化操作。
例如,处理引擎112可以对至少两个候选兴趣点的全局特征(例如,统计特征)执行归一化操作。至少两个候选兴趣点中的每个候选兴趣点的归一化结果可以反映在从至少两个候选兴趣点中确定目标兴趣点时,至少两个候选兴趣点中的每个候选兴趣点的重要性。在一些实施例中,可以根据等式(1)执行归一化操作:
作为另一示例,处理引擎112可以对至少两个候选兴趣点的与特定路段相关联的局部特征(例如,局部统计特征)执行归一化操作。至少两个候选兴趣点中的每个候选兴趣点的归一化结果可以反映在从至少两个候选兴趣点中确定目标兴趣点时,至少两个候选兴趣点中的每个候选兴趣点的与特定路段相关联的重要性。在一些实施例中,可以根据等式(2)执行归一化操作:
其中POIlink normalizedi是指第i个候选兴趣点的归一化结果;
作为又一示例,处理引擎112可以对特定候选兴趣点的与至少两个路段相关联的局部特征(例如,局部统计特征)执行归一化操作。至少两个路段中的每个路段的归一化结果可以反映至少两个路段中的每个路段的重要性。在一些实施例中,可以根据等式(3)执行归一化操作:
在540中,处理引擎112(例如,分数确定模块440)可以基于与至少两个候选兴趣点相关联的特征信息,通过使用训练后的兴趣点模型,确定至少两个候选兴趣点中的每一个候选兴趣点的分数。
在一些实施例中,可以通过训练初始兴趣点模型来确定训练后的兴趣点模型。训练后的兴趣点模型可以包括用于基于输入数据(例如,与候选兴趣点相关联的特征信息、与候选兴趣点相关联的特征信息的归一化结果、如图7所述的提及的兴趣点的置信度)生成输出结果(例如,候选兴趣点的分数)的一个或以上算法。
在一些实施例中,初始兴趣点模型可以是监督学习模型。处理引擎112可以基于至少两个训练样本训练初始兴趣点模型。在一些实施例中,至少两个训练样本可以包括用于监督学习模型的示例性输入和指示对应于示例性输入的期望输出的标签。训练监督学习模型的过程可以使初始兴趣点模型能够学习将输入映射到相应输出的一般规则。用于训练监督机器学习模型的示例性算法可以包括梯度增强决策树(GBDT)算法、决策树算法、随机森林算法、逻辑回归算法、支持向量机(SVM)算法、朴素贝叶斯算法、AdaBoost算法,K最近邻(KNN)算法、马尔可夫链算法等,或其任何组合。
关于确定训练后的兴趣点模型的更多描述可以在本申请的其他地方找到(例如,图8及其描述)。
在550中,处理引擎112(例如,目标兴趣点确定模块450)可以基于至少两个候选兴趣点的分数从至少两个候选兴趣点中确定目标兴趣点。
在一些实施例中,如果处理引擎112确定第一组候选兴趣点,如结合操作530所述,则处理引擎112可以根据其分数降序排列第一组中的至少两个候选兴趣点。处理引擎112可以确定分数最高的候选兴趣点作为目标兴趣点。
在一些实施例中,如果处理引擎112确定第二组候选兴趣点和第三组候选兴趣点,如结合操作530所述,则处理引擎112可以根据其分数分别降序排列第二组候选兴趣点和第三组候选兴趣点中的至少两个候选兴趣点。处理引擎112可以确定在第二组候选兴趣点中分数最高的第一候选兴趣点,以及在第三组候选兴趣点中分数最高的第二候选兴趣点。处理引擎112可以基于第一候选兴趣点和第二候选兴趣点的特征信息从第一候选兴趣点和第二候选兴趣点中选择目标兴趣点。例如,处理引擎112可以从第一候选兴趣点和第二候选兴趣点中选择具有更高热度的候选兴趣点作为目标兴趣点。
在560中,处理引擎112(例如,名称确定模块460)可以将目标兴趣点的名称指定为相应上车点的名称。例如,如果目标兴趣点的名称是“肯德基海淀店”,则处理引擎112可以确定相应上车点的名称是“肯德基海淀店”。
在570中,处理引擎112(例如,传输模块470)可以向与对象相关联的终端发送信号,以指示终端显示相应上车点的名称,从而将对象指引到相应上车点。
在一些实施例中,处理引擎112可以向请求者终端130发送信号,以指示请求者终端130的可视界面显示相应上车点的名称。对象可以在上车点名称的指引下前往上车点。
应当注意的是,以上描述仅出于说明的目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修改。然而,这些变化和修改不脱离本申请的范围。
在一些实施例中,处理引擎112可以基于至少两个候选兴趣点的特征信息修改至少两个候选兴趣点中至少一个候选兴趣点的分数。在一些实施例中,处理引擎112可以基于至少两个候选兴趣点的特征信息(例如,名称特征、分类特征、候选兴趣点与上车点之间的距离、候选兴趣点相对于路段的方向)修改第一组候选兴趣点和第三组候选兴趣点中的至少两个候选兴趣点中的一个或以上候选兴趣点(例如,前3个、前5个、前1%、前5%)的分数。
例如,如果候选兴趣点的名称特征(或分类特征)包括车站(例如,公共汽车站、地铁站)、十字路口或大门,则处理引擎112可以修改候选兴趣点的分数。作为另一示例,如果候选兴趣点位于路段的左侧,则处理引擎112可以修改候选兴趣点的分数。作为又一示例,如果候选兴趣点和上车点之间的距离大于距离阈值,则处理引擎112可以修改候选兴趣点的分数。
在一些实施例中,处理引擎112可以基于与至少两个候选兴趣点相关联的继承关系修改至少两个候选兴趣点中的一个或以上候选兴趣点(例如,前3个、前5个、前1%、前5%)的分数。在一些实施例中,兴趣点(也称为子兴趣点)可以对应于零个、一个或以上父兴趣点。如本申请所使用的,“子兴趣点和父兴趣点”可以指在子兴趣点和父兴趣点之间存在继承关系(例如,地理位置、空间位置、从属关系)。例如,父兴趣点可以是“朝阳社区”,子兴趣点可以包括“朝阳社区北门”、“朝阳社区南门”、“朝阳社区东门”、“朝阳社区西门”。在一些实施例中,如果在至少两个候选兴趣点中存在继承关系,则处理引擎112可以修改候选父兴趣点或候选子兴趣点的分数。
在一些实施例中,处理引擎112可以根据预设规则通过降低一个或以上候选兴趣点的分数来修改一个或以上候选兴趣点的分数。预设规则可以由对象手动设置,或者由在线服务系统100的一个或以上组件确定。
图6是根据本申请的一些实施例所示的确定与兴趣点相关联的特征信息的至少一部分的示例性过程的流程图。在一些实施例中,流程600可以通过存储在只读存储器230或随机存取存储器240中的一组指令(例如,应用程序)来实现。处理器220和/或图4中的模块可以执行一组指令,并且当执行指令时,处理器220和/或模块可以被配置以执行流程600。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程600可以利用未描述的一个或以上附加操作和/或省略所讨论的一个或以上操作来完成。另外,图6中所示和下面描述的流程的操作的顺序并非旨在限制。
在610中,处理引擎112(例如,获取模块410)可以获取至少两个历史订单。
历史订单可以指已完成的订单。在一些实施例中,与历史订单相关联的信息可以包括订单号、历史起始位置、历史目的地、历史出发位置、历史上车位置、历史下车位置、用户身份信息(例如,身份证(ID)、电话号码、用户名)等,或其任何组合。
在一些实施例中,处理引擎112可以经由网络120从在线服务系统100的一个或以上组件(例如,请求者终端130、提供者终端140、存储设备150)或者从外部源(例如,数据库)获取与至少两个历史订单相关联的信息。
在620中,处理引擎112(例如,特征确定模块490)可以将兴趣点与至少两个历史订单中的至少一个历史订单相关联。
在一些实施例中,处理引擎112可以基于与至少两个历史订单相关联的信息来确定与兴趣点相关联的一个或以上历史订单。例如,处理引擎112可以将以兴趣点作为历史起始位置的一个或以上历史订单确定为与兴趣点相关联的一个或以上历史订单。作为另一示例,处理引擎112可以将以兴趣点作为历史目的地的一个或以上历史订单确定为与兴趣点相关联的一个或以上历史订单。作为又一示例,处理引擎112可以确定位于以兴趣点为中心的特定范围(例如,45米)内的一个或以上历史上车位置。处理引擎112可以将对应的历史订单确定为与兴趣点相关联的一个或以上历史订单。作为又一示例,处理引擎112可以确定位于以兴趣点为中心的特定范围(例如,100米)内的一个或以上历史出发位置。处理引擎112可以将对应的历史订单确定为与兴趣点相关联的一个或以上历史订单。
在630中,处理引擎112(例如,特征确定模块490)可以基于路段信息和与兴趣点相关联的至少一个历史订单将兴趣点与至少一个路段相关联。
在一些实施例中,路段信息可以包括与特定区域中的至少两个路段相关联的信息。例如,路段信息可以包括与至少两个路段的每个路段相关联的一个或以上节点、与至少两个路段中的每个路段相关联的一个或两个行驶方向等,或其任何组合。在一些实施例中,路段信息可以存储在在线服务系统100的存储设备(例如,存储设备150)或外部数据库(例如,路段数据库905、节点-路段表906)中。处理引擎112可以访问存储设备或外部数据库并检索路段信息。
在一些实施例中,处理引擎112可以基于兴趣点的位置和路段信息来确定与兴趣点相关联的一个或以上路段。例如,处理引擎112可以确定位于以兴趣点的位置为中心的特定范围(例如,100米)内的至少两个节点。处理引擎112可以确定与至少两个节点相关联的至少两个第一路段。处理引擎112可以基于与兴趣点相关联的一个或以上历史订单从至少两个第一路段中确定一个或以上第二路段。例如,处理引擎112可以确定与对象的历史上车位置相关联的一个或以上第二路段。作为另一示例,处理引擎112可以确定与对象的历史下车位置相关联的一个或以上第二路段。如本申请所使用的,“与历史上车位置(或历史下车位置)相关联的路段”可以指历史上车位置(或历史下车位置)位于路段上。处理引擎112可以确定一个或以上第二路段作为与兴趣点相关联的一个或以上路段。
在640中,处理引擎112(例如,特征确定模块490)可以基于与兴趣点相关联的至少一个历史订单,确定与至少一个路段中的每个路段相关联的兴趣点的局部特征。
与路段相关联的局部特征可包括局部统计特征、与历史上车位置相关联的局部特征、与历史出发相关联的局部特征等,或其任何组合。
与路段相关联的兴趣点的局部统计特征可以包括与路段相关联的兴趣点的热度、与路段相关联的兴趣点的相似性加权热度、相似性大于预设阈值(例如,0.8)的与路段相关联的兴趣点的热度、相似性大于预设阈值(例如,0.8)的与路段相关联的兴趣点的加权热度等,或其任何组合。
在一些实施例中,处理引擎112可以基于与兴趣点相关联的一个或以上历史订单来确定与路段相关联的局部统计特征。例如,处理引擎112可以从与兴趣点相关联的一个或以上历史订单中确定第一组历史订单。第一组历史订单的历史出发位置可以位于路段上。处理引擎112可以通过分析第一组历史订单,确定在特定时间段内兴趣点被对象检索或选择为历史起始位置(或历史目的地)的次数、在特定时间段内兴趣点被对象从默认兴趣点修改为历史起始位置(或历史目的地)的次数。处理引擎112可以基于在特定时间段内兴趣点被对象检索或选择为历史起始位置(或历史目的地)的次数和在特定时间段内兴趣点被对象从默认兴趣点修改为历史起始位置(或历史目的地)的次数,确定与路段相关联的兴趣点的热度。
处理引擎112可以基于特定兴趣点和与路段相关联的至少两个兴趣点中的每个兴趣点之间的相似性、与路段关联的特定兴趣点的热度、以及与路段相关联的至少两个兴趣点的热度,确定与路段相关联的特定兴趣点的相似性加权热度、相似性大于预设阈值(例如,0.8)的与路段相关联的特定兴趣点的热度、相似性大于预设阈值(例如,0.8)的与路段相关联的特定兴趣点的加权热度。如本申请所使用的,“第一兴趣点和第二兴趣点之间的相似性”可以指第一兴趣点和第二兴趣点之间的相关性。在一些实施例中,处理引擎112可以通过匹配第一兴趣点和第二兴趣点的每个字符来确定第一兴趣点和第二兴趣点之间的相似性。第一兴趣点的字符和第二兴趣点的字符之间的较高相似性可以对应于第一兴趣点和第二兴趣点之间的较高相关性。
例如,假设第一兴趣点和特定兴趣点之间的第一相似性为0.6,第二兴趣点和特定兴趣点之间的第二相似性为0.9,与路段相关联的第一兴趣点的热度为100,与路段相关联的第二兴趣点的热度为200,并且与路段相关联的特定兴趣点的热度为50,处理引擎112可以确定与路段相关联的特定兴趣点的相似性加权热度为290(即,100×0.6+200×0.9+50=290)。类似地,处理引擎112可以确定相似性大于预设阈值(例如,0.8)的与路段相关联的特定兴趣点的加权热度可以为230(即,200×0.9+50=230)。处理引擎112可以确定相似性大于预设阈值(例如,0.8)的与路段相关联的特定兴趣点的热度可以为250(即,200+50=250)。
与历史上车位置相关联的兴趣点的局部特征可以包括与历史上车位置相关联的兴趣点的热度、与历史上车位置相关联的在特定时间段内兴趣点被对象检索或选择作为起始位置或目的地的次数、与历史上车位置相关联的在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数等,或其任何组合。
在一些实施例中,处理引擎112可以确定位于以兴趣点为中心的特定范围(例如,45米)内的一个或以上历史上车位置。处理引擎112可以将对应的历史订单确定为与兴趣点相关联的一个或以上历史订单,如结合操作620所述。在一些实施例中,处理引擎112可以从与兴趣点相关联的一个或以上历史订单中确定第二组历史订单。第二组历史订单的历史出发位置可以位于路段上。处理引擎112可以通过分析第二组历史订单,确定与历史上车位置相关联的在特定时间段内兴趣点被对象检索或选择为起始位置或目的地的次数、与历史上车位置相关联的在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数。处理引擎112可以基于与历史上车位置相关联的在特定时间段内兴趣点被对象检索或选择为起始位置或目的地的次数和与历史上车位置相关联的在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数,确定与历史上车位置相关联的兴趣点的热度。
与历史出发位置相关联的局部特征可以包括与历史出发位置相关联的兴趣点的热度、与历史出发位置相关联的兴趣点的加权热度、与历史出发位置相关联的在特定时间段内兴趣点被对象检索或选择作为起始位置或目的地的次数、与历史出发位置相关联的在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数等,或其任何组合。
在一些实施例中,处理引擎112可以确定位于以兴趣点为中心的特定范围(例如,100米)内的一个或以上历史出发位置。处理引擎112可以将对应的历史订单确定为与兴趣点相关联的一个或以上历史订单,如结合操作620所述。在一些实施例中,处理引擎112可以从与兴趣点相关联的一个或以上历史订单中确定第三组历史订单。第三组历史订单的历史出发位置可以位于路段上。处理引擎112可以通过分析第三组历史订单,确定与历史出发位置相关联的在特定时间段内兴趣点被对象检索或选择作为起始位置或目的地的次数、与历史出发位置相关联的在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数。处理引擎112可以基于与历史出发位置相关联的在特定时间段内兴趣点被对象检索或选择作为起始位置或目的地的次数和与历史出发位置相关联的在特定时间段内兴趣点被对象从默认兴趣点修改为起始位置或目的地的次数,确定与历史出发位置相关联的兴趣点的热度和与历史出发位置相关联的兴趣点的加权热度。
在650中,处理引擎112(例如,特征确定模块490)可以基于兴趣点的与至少一个路段中的每个路段相关联的局部特征,确定兴趣点的全局特征。
在一些实施例中,处理引擎112可以将兴趣点的与一个或以上路段中的每个路段相关联的局部特征的总和确定为兴趣点的全局特征。例如,假设兴趣点与五个路段相关联,并且与第一路段、第二路段、第三路段、第四路段和第五路段相关联的兴趣点的热度分别为50、80、100、120、60,则处理引擎112可以确定兴趣点的热度为410(即,50+80+100+120+60=410)。
应当注意的是,以上描述仅出于说明的目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修改。然而,这些变化和修改不脱离本申请的范围。
图7是根据本申请的一些实施例所示的确定兴趣点置信度的流程图。在一些实施例中,流程700可以通过存储在只读存储器230或随机存取存储器240中的一组指令(例如,应用程序)来实现。处理器220和/或图4中的模块可以执行一组指令,并且当执行指令时,处理器220和/或模块可以被配置以执行流程700。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程700可以利用未描述的一个或以上附加操作和/或省略所讨论的一个或以上操作来完成。另外,图7中所示和下面描述的流程的操作的顺序并非旨在限制。
在710中,处理引擎112(例如,获取模块410)可以获取对象的语音数据。
在一些实施例中,处理引擎112可以从存储设备(例如,存储设备150)获取对象(例如,乘客)的语音数据和/或服务提供者(例如,司机)的语音数据。在一些实施例中,处理引擎112可以从设备(例如,请求者终端130、提供者终端140)获取语音数据。例如,设备可以经由I/O端口,例如,请求者终端130和/或提供者终端140的麦克风,获取乘客的语音数据和/或司机的语音数据。
在720中,处理引擎112(例如,置信度模块495)可以通过分析对象的语音数据,确定提及的兴趣点。
在一些实施例中,处理引擎112可以基于语音识别模型(例如,N-gram模型)通过分析对象的语音数据和/或服务提供者的语音数据,确定提及的兴趣点。示例性N-gram模型可以包括基于类的N-gram模型、基于主题的N-gram模型、基于缓存的N-gram模型、跳过N-gram模型等。N-gram可以指来自文本或语音的给定样本的n个项目(例如,音素、音节、字母和单词)的连续序列。N-gram模型可以是一种概率语言模型,用于基于单词的N–1个先前单词的出现来预测所述单词的出现。
在一些实施例中,处理引擎112可以根据N-gram模型通过分析语音数据,将具有最高概率的兴趣点确定为提及的兴趣点。在一些实施例中,处理引擎112可以根据N-gram模型通过分析语音信息,确定概率高于概率阈值的至少两个兴趣点。处理引擎112可以基于至少两个兴趣点的特征信息从至少两个兴趣点中确定提及的兴趣点。例如,处理引擎112可以将与对象的当前位置之间具有最短距离的兴趣点确定为提及的兴趣点。作为另一示例,处理引擎112可以将具有最高热度的兴趣点确定为提及的兴趣点。作为另一示例,处理引擎112可以将包括在如结合操作530所述的至少两个候选兴趣点中的兴趣点确定为提及的兴趣点。
仅作为示例,假设对象(例如,乘客)和服务提供者(例如,司机)的语音数据是:“我在肯德基,嗯,你知道这里的肯德基吗,我不知道肯德基,你可以定位在肯德基,好的,我在购物中心的肯德基,但我”处理引擎112可以确定提及的兴趣点可以是“肯德基(金科)”。
在730中,处理引擎112(例如,置信度模块495)可以基于对象的当前位置确定提及的兴趣点的置信度。
如本申请所使用的,提及的兴趣点的置信度可以指示在确定目标兴趣点时提及的兴趣点的重要性。提及的兴趣点的较高置信度可以对应于在确定目标兴趣点时提及的兴趣点的较高重要性。在一些实施例中,处理引擎112可以基于提及的兴趣点的位置、对象的当前位置和服务提供者的位置,确定提及的兴趣点的置信度。例如,处理引擎112可以确定从服务提供者到对象的路线。处理引擎112可以基于提及的兴趣点与从服务提供者到对象的路线之间的距离来确定提及的兴趣点的置信度。例如,提及的兴趣点与从服务提供者到对象的路线之间的较短距离可以对应于提及的兴趣点的较高置信度。在一些实施例中,提及的兴趣点与从服务提供者到对象的路线之间的距离可以是提及的兴趣点与从服务提供者到对象的路线之间的最短距离。
应当注意的是,以上描述仅出于说明的目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修改。然而,这些变化和修改不脱离本申请的范围。在一些实施例中,可以在流程700中添加一个或以上操作。例如,可以在操作720之前添加获取服务提供者的语音数据的操作。作为另一示例,可以在操作730之前添加获取服务提供者的位置的操作。在一些实施例中,服务提供者的位置可以随时间而改变。在一些实施例中,服务提供者的至少两个位置和对应于至少两个位置中的每个位置的时间点可以存储在在线服务系统100的存储设备(例如,存储设备150)中。处理引擎112可以访问存储设备并基于获取服务提供者的语音数据时的时间点检索服务提供者的位置。
图8是根据本申请的一些实施例所示的确定训练后的兴趣点模型的示例性过程的流程图。在一些实施例中,流程800可以被实现为存储在存储只读存储器230或随机存取存储器240中的一组指令(例如,应用程序)。处理器220和/或图4中的模块可以执行指令集,并且当执行指令时,处理器220和/或模块可以被配置为执行流程800。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程800可以通过一个或以上未描述的附加操作和/或省略所讨论的一个或以上操作来完成。另外,图8中所示和下面描述的流程的操作的顺序并非旨在限制。
在810中,处理引擎112(例如,获取模块410)可以获取初始兴趣点模型。
在一些实施例中,初始兴趣点模型可以是监督学习模型。例如,初始兴趣点模型可以包括初始卷积神经网络(CNN)模型、初始递归神经网络(RNN)模型等。初始兴趣点模型可以包括一个或以上初始参数,初始参数可以是在线服务系统100的默认设置,或者可以根据不同情况调整。
处理引擎112可以经由网络120从本申请其他地方披露的存储设备(例如,存储设备150)和/或外部数据源(未示出)获取初始兴趣点模型。
在820中,处理引擎112(例如,训练模块480)可以获取至少两个训练样本。至少两个训练样本可以包括与至少两个历史订单相关联的信息。
历史订单可以指已完成的订单。在一些实施例中,与历史订单相关联的信息可以包括订单号、历史起始位置、历史目的地、历史出发位置、历史上车位置、历史下车位置、用户身份信息(例如,身份证(ID)、电话号码、用户名)、与历史出发位置相关联的一个或以上历史上车点、与一个或以上历史上车点相关联的至少两个历史候选兴趣点、与相应历史上车点相关联的历史目标兴趣点、历史提及的兴趣点的置信度等,或其任何组合。
在一些实施例中,处理引擎112可以经由网络120从在线服务系统100的一个或以上组件(例如,请求者终端130、提供者终端140、存储设备150)或者从外部源(例如,数据库)获取与至少两个历史订单相关联的信息。
在830中,处理引擎112(例如,训练模块480)可以提取至少两个训练样本中的每个训练样本的样本特征。
在一些实施例中,样本特征可以包括至少两个历史候选兴趣点的历史特征信息、历史提及的兴趣点的置信度、至少两个历史候选兴趣点的历史特征信息的归一化结果等,或其任何组合。至少两个历史候选兴趣点的历史特征信息可以包括历史全局特征、与路段相关联的历史局部特征,如结合操作530所述。
在一些实施例中,处理引擎112可以为至少两个训练样本中的每个训练样本确定样本标签。如本申请所使用的,样本标签是预定范围(例如,0~1)内的值,并且可以与训练样本的一个或以上特征,例如,对象的历史上车点与历史上车位置之间的距离,相关联。在一些实施例中,对象的历史上车点与历史上车位置之间的距离越长,样本标签值可以越低。
在840中,处理引擎112(例如,训练模块480)可以基于样本特征训练初始兴趣点模型。
在一些实施例中,处理引擎112可以将至少两个训练样本中的每个训练样本的样本特征和样本标签输入到初始兴趣点模型中,以更新初始兴趣点模型的初始参数。
在850中,处理引擎112(例如,训练模块480)可以确定是否满足预设条件。
例如,处理引擎112可以确定初始兴趣点模型的损失函数,并基于至少两个样本特征和至少两个样本标签确定损失函数的值。进一步地,处理引擎112可以确定损失函数的值是否小于损失阈值。响应于确定损失函数的值小于损失阈值,可以确定满足预设条件。
作为另一示例,处理引擎112可以确定初始兴趣点模型的准确率是否大于准确率阈值。响应于确定准确率小于准确率阈值,可以确定满足预设条件。
作为另一示例,处理引擎112可以确定迭代次数是否大于计数阈值。响应于确定迭代次数大于计数阈值,可以确定满足预设条件。
响应于确定满足预设条件,在860中,处理引擎112可以将初始兴趣点模型指定为训练后的兴趣点模型,这意味着训练过程已经完成。
响应于确定不满足预设条件,处理引擎112可以返回操作810执行流程800以更新至少两个初始参数(即,更新初始兴趣点模型),直到确定满足条件为止。
应当注意的是,以上描述仅出于说明的目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修改。然而,这些变化和修改不脱离本申请的范围。
图9是根据本申请的一些实施例所示的确定与兴趣点相关联的特征信息的至少一部分的示例性过程的示意图。在一些实施例中,流程900可以说明确定与结合图5中的过程500、图6中的流程600和图7中的流程700所述的兴趣点(例如,候选兴趣点)相关联的特征信息(例如,统计特征)的至少一部分的过程。
如图9所示,在911中,处理引擎112可以获取至少两个兴趣点的至少部分特征信息(例如,名称特征、分类特征、品牌特征),如结合操作530所述。例如,处理引擎112可以从兴趣点数据库901和/或品牌兴趣点数据库903获取至少两个兴趣点的至少部分特征信息(例如,名称特征、分类特征、品牌特征)。在912中,处理引擎112可以基于存储在上车点数据库902中的上车点信息,确定至少两个第一兴趣点,如结合操作530所述。例如,处理引擎112可以确定是否有上车点位于以兴趣点的位置为中心的特定范围内(例如,100米)。响应于确定在以兴趣点的位置为中心的特定范围(例如,100米)内存在一个或以上上车点,处理引擎112可以将所述兴趣点确定为第一兴趣点。在913中,处理引擎112可以基于至少两个第一兴趣点的特征信息(例如,名称特征、分类特征、品牌特征)的至少一部分来确定至少两个候选兴趣点,如结合操作530所述。在910中,处理引擎112可以网格化至少两个候选兴趣点,如结合操作530所述。例如,处理引擎112可以根据网格空间索引方法对至少两个候选兴趣点进行网格化。
在921中,处理引擎112可以获取与至少两个历史订单相关联的信息,如结合操作610所述。在922中,处理引擎112可以将至少两个历史订单中的每一个历史订单与一个或以上新路段相关联。在一些实施例中,可以更新与至少两个路段相关联的路段信息。例如,一个路段可以被删除或被分成两个或以上新路段。旧路段和对应的新路段之间的关系可以存储在新路段-旧路段表904中。处理引擎112可以基于与至少两个历史订单相关联的信息和新路段-旧路段表904,将至少两个历史订单中的每一个历史订单与一个或以上新路段相关联。在923中,处理引擎112可以确定与历史出发位置相关联的统计特征。在920中,处理引擎112可以将至少两个候选兴趣点中的每个候选兴趣点与至少两个历史订单中的至少一个历史订单相关联,如结合操作620所述。
在930中,处理引擎112可以基于存储在路段数据库905中的路段信息,将至少两个候选兴趣点中的每个候选兴趣点与至少一个路段相关联,如结合操作630所述。例如,在931中,处理引擎112可以根据网格空间索引方法,基于路段信息,对与至少两个路段相关联的至少两个节点进行网格化。位于与候选兴趣点相同网格中的一个或以上节点可以被指定为与候选兴趣点相关联的一个或以上节点。处理引擎112可以基于节点-路段表906将与候选兴趣点相关联的一个或以上节点对应的一个或以上路段,确定为与候选兴趣点相关联的一个或以上路段。
在940中,处理引擎112可以确定至少两个候选兴趣点中的每个候选兴趣点的与至少一个路段中的每个路段相关联局部特征,如结合操作640所述。在950中,处理引擎112可以确定至少两个候选兴趣点中的每个候选兴趣点的全局特征,如结合操作650所述。
图10是根据本申请的一些实施例所示的示例性第一组候选兴趣点的示意图。图11是根据本申请的一些实施例所示的示例性第二组候选兴趣点的示意图。图12是根据本申请的一些实施例所示的示例性第三组候选兴趣点的示意图。
在一些实施例中,处理引擎112可以基于与至少两个候选兴趣点相关联的品牌特征,确定至少两个候选兴趣点是否包括一级品牌兴趣点,如结合操作530所述。响应于确定至少两个候选兴趣点中不包括一级品牌兴趣点,处理引擎112可以确定第一组候选兴趣点。如图10所示,第一组候选兴趣点可以包括一个或以上二级品牌兴趣点和一个或以上非品牌兴趣点,例如,二级品牌兴趣点-1、二级品牌兴趣点-1、非品牌兴趣点-1、…、二级品牌兴趣点-N和非品牌兴趣点-N。
响应于确定至少两个候选兴趣点中包括一级品牌兴趣点,处理引擎112可以确定第二组候选兴趣点和第三组候选兴趣点。如图11所示,第二组候选兴趣点可以包括至少两个一级品牌兴趣点,例如,一级品牌兴趣点-1、一级品牌兴趣点-2、一级品牌兴趣点-3、…、和一级品牌兴趣点-N。如图12所示,第三组候选兴趣点可以包括至少两个一级品牌兴趣点、一个或以上二级品牌兴趣点和一个或以上非品牌兴趣点,例如,一级品牌兴趣点-1、二级品牌兴趣点-1、非品牌兴趣点-1、一级品牌兴趣点-2、…、一级品牌兴趣点-N、二级品牌兴趣点-N,和非品牌兴趣点-N。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说明,但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本申请中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改进。因此,本申请的各个方面可以全部由硬件、全部由软件(包括固件、常驻软件、微代码等)或组合的软件和硬件实现来实现,这些软件和硬件实现在本文中通常被称为“模块”、“单元”、“组件”、“设备”或“系统”。此外,本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号,例如,在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF等,或任何上述介质的组合。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写,包括如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等的面向对象程序设计语言、如C程序设计语言、Visual Basic、Fortran 2103、Perl、COBOL2002、PHP、ABAP的常规程序化程序设计语言、如Python、Ruby和Groovy的动态程序设计语言或其它程序设计语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后一种情况下,远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者可以与外部计算机建立连接(例如,通过使用网络服务提供商的网络)或在云计算环境中或作为服务提供,例如,软件服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,尽管上述各种组件的实现可以体现在硬件设备中,但也可以实现为纯软件解决方案,例如,在现有服务器或移动设备上的安装。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请的实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。然而,本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。相反,发明的主体应具备比上述单一实施例更少的特征。
Claims (27)
1.一种方法,在具有至少一个处理器和至少一个存储设备的计算设备上实现,所述方法包括:
获取对象的当前位置;
基于所述对象的所述当前位置,确定至少一个上车点;
基于所述至少一个上车点和至少两个兴趣点的特征信息,从所述至少两个兴趣点中选择至少两个候选兴趣点,其中,所述至少两个兴趣点的特征信息的至少一部分是基于至少两个历史订单确定的;
基于所述至少两个候选兴趣点的特征信息,通过使用训练后的兴趣点模型,确定所述至少两个候选兴趣点中的每一个候选兴趣点的分数;
基于所述至少两个候选兴趣点的所述分数,从所述至少两个候选兴趣点中确定目标兴趣点;以及
指定所述目标兴趣点的名称作为相应上车点的名称。
2.根据权利要求1所述的方法,其特征在于,所述至少两个兴趣点的所述特征信息包括全局特征或与路段有关的局部特征中的至少一个。
3.根据权利要求2所述的方法,其特征在于,所述全局特征包括名称特征、分类特征、统计特征、品牌特征或兴趣点与上车点之间的距离中的至少一个。
4.根据权利要求2或3所述的方法,其特征在于,所述与路段有关的局部特征包括局部统计特征、与历史上车位置有关的局部特征、与历史出发位置有关的局部特征或兴趣点相对于路段的方向中的至少一个。
5.根据权利要求3所述的方法,其特征在于,所述品牌特征包括一级品牌、二级品牌和非品牌,所述基于所述至少一个上车点和至少两个兴趣点的特征信息,确定至少两个候选兴趣点,包括:
基于所述至少两个兴趣点的所述特征信息,确定所述至少两个候选兴趣点中是否包括一级品牌兴趣点。
6.根据权利要求5所述的方法,其特征在于,所述基于所述至少一个上车点和至少两个兴趣点的特征信息,确定至少两个候选兴趣点,还包括:
响应于确定所述至少两个候选兴趣点不包括所述一级品牌兴趣点,
确定第一组候选兴趣点。
7.根据权利要求5所述的方法,其特征在于,所述基于所述至少一个上车点和至少两个兴趣点的特征信息,确定至少两个候选兴趣点,还包括:
响应于确定所述至少两个候选兴趣点包括所述一级品牌兴趣点,
确定第二组候选兴趣点和第三组候选兴趣点,其中,所述第二组候选兴趣点包括所述一级品牌兴趣点,所述第三组候选兴趣点包括所述一级品牌兴趣点、二级品牌兴趣点或非品牌兴趣点中的至少一个。
8.根据权利要求1至7中任一项权利要求所述的方法,其特征在于,兴趣点的特征信息的至少一部分根据一种方法确定,所述方法包括:
获取至少两个历史订单;
将所述兴趣点与所述至少两个历史订单中的至少一个历史订单相关联;
基于路段信息和与所述兴趣点相关联的所述至少一个历史订单,将所述兴趣点与至少一个路段相关联;
基于与所述兴趣点相关联的所述至少一个历史订单,确定所述兴趣点的与所述至少一个路段中的每个路段相关联的局部特征;以及
基于所述兴趣点的与所述至少一个路段中的每个路段相关联的所述局部特征,确定所述兴趣点的全局特征。
9.根据权利要求1至8中任一项权利要求所述的方法,其特征在于,所述训练后的兴趣点模型通过一个训练过程确定,所述训练过程包括:
获取初始兴趣点模型;
获取至少两个训练样本,其中所述至少两个训练样本包括与至少两个历史订单相关联的历史信息;
提取所述至少两个训练样本中的每个训练样本的样本特征;以及
基于所述样本特征,通过对所述初始兴趣点模型进行训练,确定所述训练后的兴趣点模型。
10.根据权利要求1至9中任一项权利要求所述的方法,其特征在于,所述方法还包括:
基于所述至少两个候选兴趣点的所述特征信息,修正所述至少两个候选兴趣点中的至少一个候选兴趣点的分数。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述对象的语音数据;
通过分析所述对象的所述语音数据,确定提及的兴趣点;以及
根据所述对象的位置,确定所述提及的兴趣点的置信度。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
向与所述对象相关联的终端发送信号,以指示所述终端显示所述相应上车点的所述名称,从而将所述对象指引到所述相应上车点。
13.一种方法,在具有至少一个处理器和至少一个存储设备的计算设备上实现,所述方法包括:
获取对象的当前位置;
显示至少一个上车点;以及
显示所述至少一个上车点的名称。
14.一种系统,包括:
至少一个存储介质存储一组指令;
与所述至少一个存储介质通信的至少一个处理器,当执行所述存储的一组指令时,所述至少一个处理器使所述系统:
获取对象的当前位置;
基于所述对象的所述当前位置,确定至少一个上车点;
基于所述至少一个上车点和至少两个兴趣点的特征信息,从所述至少两个兴趣点中选择至少两个候选兴趣点,其中,所述至少两个兴趣点的特征信息的至少一部分是基于至少两个历史订单确定的;
基于所述至少两个候选兴趣点的特征信息,通过使用训练后的兴趣点模型,确定所述至少两个候选兴趣点中的每一个候选兴趣点的分数;
基于所述至少两个候选兴趣点的所述分数,从所述至少两个候选兴趣点中确定目标兴趣点;以及
指定所述目标兴趣点的名称作为相应上车点的名称。
15.根据权利要求14所述的系统,其特征在于,所述至少两个兴趣点的所述特征信息包括全局特征或与路段有关的局部特征中的至少一个。
16.根据权利要求15所述的系统,其特征在于,所述至少两个兴趣点的所述特征信息包括全局特征或与路段有关的局部特征中的至少一个。
17.根据权利要求15或16中任一权利要求所述的系统,其特征在于,所述与路段有关的局部特征包括局部统计特征、与历史上车位置有关的局部特征、与历史出发位置有关的局部特征或兴趣点相对于路段的方向中的至少一个。
18.根据权利要求16所述的系统,所述品牌特征包括一级品牌、二级品牌和非品牌,所述基于所述至少一个上车点和至少两个兴趣点的特征信息,确定至少两个候选兴趣点,包括:
基于所述至少候选兴趣点的所述特征信息,确定所述至少两个候选兴趣点中是否包括一级品牌兴趣点。
19.根据权利要求18所述的系统,所述基于所述至少一个上车点和至少两个兴趣点的特征信息,确定至少两个候选兴趣点,还包括:
响应于确定所述至少两个候选兴趣点不包括所述一级品牌兴趣点,
确定第一组候选兴趣点。
20.根据权利要求18所述的系统,其特征在于,所述基于所述至少一个上车点和至少两个兴趣点的特征信息,确定至少两个候选兴趣点,还包括:
响应于确定所述至少两个候选兴趣点包括所述一级品牌兴趣点,
确定第二组候选兴趣点和第三组候选兴趣点,其中,所述第二组候选兴趣点包括所述一级品牌兴趣点,所述第三组候选兴趣点包括所述一级品牌兴趣点、二级品牌兴趣点或非品牌兴趣点中的至少一个。
21.根据权利要求14至20中任意一个权利要求所述的系统,其特征在于,兴趣点的特征信息的至少一部分根据一种方法确定,所述方法包括:
获取至少两个历史订单;
将所述兴趣点与所述至少两个历史订单中的至少一个历史订单相关联;
基于路段信息和与所述兴趣点相关联的所述至少一个历史订单,将所述兴趣点与至少一个路段相关联;
基于与所述兴趣点相关联的所述至少一个历史订单,确定所述兴趣点的与所述至少一个路段中的每个路段相关联的局部特征;以及
基于所述兴趣点的与所述至少一个路段中的每个路段相关联的所述局部特征,确定所述兴趣点的全局特征。
22.根据权利要求14至21中任意一个权利要求所述的系统,其特征在于,所述训练后的兴趣点模型通过一个训练过程确定,所述训练过程包括:
获取初始兴趣点模型;
获取至少两个训练样本,其中所述至少两个训练样本包括与至少两个历史订单相关联的历史信息;
提取所述至少两个训练样本中的每个训练样本的样本特征;以及
基于所述样本特征,通过对所述初始兴趣点模型进行训练,确定所述训练后的兴趣点模型。
23.根据权利要求14至22中任意一个权利要求所述的系统,所述至少一个处理器使所述系统:
基于所述至少两个候选兴趣点的所述特征信息,修正所述至少两个候选兴趣点中的至少一个候选兴趣点的分数。
24.根据权利要求14所述的系统,至少一个处理器使系统:
获取所述对象的语音数据;
通过分析所述对象的所述语音数据,确定提及的兴趣点;以及
根据所述对象的位置,确定所述提及的兴趣点的置信度。
25.根据权利要求14所述的系统,其特征在于,至少一个处理器使系统:
向与所述对象相关联的终端发送信号,以指示所述终端显示所述相应上车点的所述名称,从而将所述对象指引到所述相应上车点。
26.一种系统,包括:
至少一个处理器,其中当执行一组设备指令时,所述至少一个处理器使系统:
获取对象的当前位置;
显示至少一个上车点;以及
显示所述至少一个上车点的名称。
27.一种非暂时性计算机可读介质,存储指令,当所述指令由至少一个处理器执行时,所述指令使所述至少一个处理器实现一种方法,包括:
获取对象的当前位置;
基于对象的当前位置确定至少一个上车点;
基于所述至少一个上车点和与至少两个兴趣点相关联的特征信息,从所述至少两个兴趣点中选择至少两个候选兴趣点,其中,基于至少两个历史订单确定与所述至少两个兴趣点相关联的特征信息的至少一部分;
基于与所述至少两个候选兴趣点相关联的特征信息,通过使用训练后的兴趣点模型来确定所述至少两个候选兴趣点中的每一个的分数;
基于所述至少两个候选兴趣点的分数从所述至少两个候选兴趣点确定目标兴趣点;以及
指定目标兴趣点的名称作为相应上车点的名称。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/115323 WO2021087663A1 (en) | 2019-11-04 | 2019-11-04 | Systems and methods for determining name for boarding point |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114041129A true CN114041129A (zh) | 2022-02-11 |
Family
ID=75848688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980097892.2A Pending CN114041129A (zh) | 2019-11-04 | 2019-11-04 | 确定上车点名称的系统和方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114041129A (zh) |
WO (1) | WO2021087663A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114579890A (zh) * | 2022-04-26 | 2022-06-03 | 阿里巴巴(中国)有限公司 | 上车点名称推荐方法、装置、设备及存储介质 |
CN114648279A (zh) * | 2022-05-13 | 2022-06-21 | 深圳依时货拉拉科技有限公司 | 候选装卸货点位推荐方法、装置、计算机设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420781B (zh) * | 2021-05-25 | 2023-08-08 | 北京百度网讯科技有限公司 | 品牌识别方法、装置、设备、存储介质和程序产品 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045858B (zh) * | 2015-07-10 | 2018-04-13 | 湖南科技大学 | 基于投票的出租车载客点推荐方法 |
CN106446157B (zh) * | 2016-09-22 | 2020-01-21 | 北京百度网讯科技有限公司 | 行程目的地推荐方法和装置 |
CN106920038A (zh) * | 2017-02-20 | 2017-07-04 | 北京百度网讯科技有限公司 | 无人驾驶车辆的调度方法、装置、设备及存储介质 |
CN108537351B (zh) * | 2017-03-02 | 2020-09-22 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的确定方法及装置 |
US10480954B2 (en) * | 2017-05-26 | 2019-11-19 | Uber Technologies, Inc. | Vehicle routing guidance to an authoritative location for a point of interest |
CN109062928A (zh) * | 2018-06-11 | 2018-12-21 | 北京嘀嘀无限科技发展有限公司 | 一种提示推荐上车点的方法及系统 |
CN109325185B (zh) * | 2018-07-16 | 2020-01-03 | 北京三快在线科技有限公司 | 一种确定上车点的方法、装置、设备及存储介质 |
CN109146280B (zh) * | 2018-08-14 | 2021-07-30 | 北京三快在线科技有限公司 | 一种推送信息的方法、装置及系统 |
-
2019
- 2019-11-04 CN CN201980097892.2A patent/CN114041129A/zh active Pending
- 2019-11-04 WO PCT/CN2019/115323 patent/WO2021087663A1/en active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114579890A (zh) * | 2022-04-26 | 2022-06-03 | 阿里巴巴(中国)有限公司 | 上车点名称推荐方法、装置、设备及存储介质 |
CN114579890B (zh) * | 2022-04-26 | 2022-07-29 | 阿里巴巴(中国)有限公司 | 上车点名称推荐方法、装置、设备及存储介质 |
CN114648279A (zh) * | 2022-05-13 | 2022-06-21 | 深圳依时货拉拉科技有限公司 | 候选装卸货点位推荐方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021087663A1 (en) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10948301B2 (en) | Systems and methods for recommending an estimated time of arrival | |
CN112868036B (zh) | 位置推荐的系统和方法 | |
CN109478364B (zh) | 确定预计到达时间的方法及系统 | |
US10922778B2 (en) | Systems and methods for determining an estimated time of arrival | |
US20200011692A1 (en) | Systems and methods for recommending an estimated time of arrival | |
CN110537212B (zh) | 确定预估到达时间的系统与方法 | |
US20200050938A1 (en) | Systems and methods for improvement of index prediction and model building | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
JP6632723B2 (ja) | サービスの順序列を更新するためのシステム及び方法 | |
JP2018538584A (ja) | サービスの要求を分配するシステム及び方法 | |
CN110999331B (zh) | 一种命名接载位置的方法和系统 | |
CN112154473A (zh) | 用于推荐上车点的系统和方法 | |
US20200151390A1 (en) | System and method for providing information for an on-demand service | |
CN114041129A (zh) | 确定上车点名称的系统和方法 | |
CN111861622A (zh) | 一种确定上车点推荐模型的方法和系统 | |
CN111859174A (zh) | 一种确定推荐上车点的方法和系统 | |
CN112243487A (zh) | 用于按需服务的系统和方法 | |
US20220248170A1 (en) | Methods and systems for recommending pick-up points | |
CN111382369B (zh) | 用于确定与地址查询相关的相关兴趣点的系统和方法 | |
CN110651266A (zh) | 为按需服务提供信息的系统及方法 | |
WO2022087767A1 (en) | Systems and methods for recommending pick-up locations | |
CN113924460A (zh) | 确定服务请求的推荐信息的系统和方法 |
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 |