CN114610961A - 上车点推荐方法、装置、计算机设备和存储介质 - Google Patents

上车点推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114610961A
CN114610961A CN202210334735.2A CN202210334735A CN114610961A CN 114610961 A CN114610961 A CN 114610961A CN 202210334735 A CN202210334735 A CN 202210334735A CN 114610961 A CN114610961 A CN 114610961A
Authority
CN
China
Prior art keywords
user
boarding
point
points
historical
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
Application number
CN202210334735.2A
Other languages
English (en)
Inventor
杨照璐
陶言祺
强成仓
石立臣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yishi Huolala Technology Co Ltd
Original Assignee
Shenzhen Yishi Huolala Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yishi Huolala Technology Co Ltd filed Critical Shenzhen Yishi Huolala Technology Co Ltd
Priority to CN202210334735.2A priority Critical patent/CN114610961A/zh
Publication of CN114610961A publication Critical patent/CN114610961A/zh
Pending legal-status Critical Current

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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results
    • 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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种上车点推荐方法、装置、计算机设备和存储介质。所述方法包括：接收用户发送的上车点推荐请求；上车点推荐请求包括用户的用户标识和当前位置；根据用户的当前位置进行H3网格映射，获取用户的当前位置对应的H3标识；根据用户标识和H3标识从存储系统获取对应的候选上车点，根据获取到的候选上车点确定推荐上车点；向用户推荐推荐上车点。本申请实施例能够稳定、高效地向用户推荐上车点，进而提升乘客上车体验与司机接驾效率。

Description

上车点推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及上车点推荐领域，特别是涉及一种上车点推荐方法、装置、计算机设备和存储介质。
背景技术
近年来，随着网约车行业的迅速发展，各打车公司的竞争越来越激烈，用户打车体验越来越受网约车平台、司机、乘客多方的关注，提升乘客上车体验与司机接驾效率是一个各打车平台亟待提高的问题。
发明内容
本申请针对上述不足或缺点，提供了一种上车点推荐方法、装置、计算机设备和存储介质，本申请实施例能够稳定、高效地向用户推荐上车点，进而提升乘客上车体验与司机接驾效率。
本申请根据第一方面提供了一种上车点推荐方法，在一个实施例中，该方法包括：
接收用户发送的上车点推荐请求；上车点推荐请求包括用户的用户标识和当前位置；
根据用户的当前位置进行H3网格映射，获取用户的当前位置对应的H3标识；
根据用户标识和H3标识从存储系统获取对应的候选上车点，根据获取到的候选上车点确定推荐上车点；
向用户推荐推荐上车点。
在一个实施例中，根据获取到的候选上车点确定推荐上车点，包括：
确定获取到的候选上车点的数量；
响应于该数量不超过预设阈值，将获取到的候选上车点确定为推荐上车点；
响应于该数量超过预设阈值，从获取到的候选上车点中筛选推荐上车点，其中，筛选得到的推荐上车点的数量等于预设阈值。
在一个实施例中，从获取到的候选上车点中筛选推荐上车点，包括：
使用排序模型为获取到的各个候选上车点进行打分；
根据各候选上车点的得分从获取到的候选上车点中筛选推荐上车点。
在一个实施例中，接收用户发送的上车点推荐请求之前还包括：
获取用户的目标历史订单，目标历史订单的数量为多个，目标历史订单包括历史上车点；
根据各目标历史订单中的历史上车点进行H3网格映射，获取各目标历史订单中的历史上车点对应的H3标识；
根据获取到的H3标识进行上车点聚合处理，得到多个历史上车点集合，上述多个历史上车点集合一一对应于多个目标H3网格；
对各历史上车点集合进行聚类，根据各历史上车点集合的聚类结果得到各目标H3网格对应的候选上车点；
将用户标识以及各目标H3网格对应的候选上车点关联存储至存储系统。
在一个实施例中，对各历史上车点集合进行聚类，根据各历史上车点集合的聚类结果得到各目标H3网格对应的候选上车点，包括：
对各历史上车点集合进行聚类，得到各历史上车点集合的初始聚类中心和多个离群点；
将各初始聚类中心替换与其距离最近的历史上车点，得到各历史上车点集合的聚类中心；
将各历史上车点集合的聚类中心和部分离群点，作为与其对应的目标H3网格对应的候选上车点。
在一个实施例中，将用户标识以及各目标H3网格对应的候选上车点关联存储至存储系统，包括：
将用户标识分别和各目标H3网格对应的候选上车点，以键值对的形式存储至存储系统；其中，在将用户标识和任一目标H3网格对应的候选上车点，以键值对的形式存储至存储系统时，以用户标识和任一目标H3网格对应的H3标识作为键，以任一目标H3网格对应的候选上车点作为值。
在一个实施例中，获取用户的目标历史订单，包括：
确定预设时间窗口；
从用户的全部历史订单中获取目标历史订单，目标历史订单是指下单时间处于预设时间窗口内的历史订单。
本申请根据第二方面提供了一种上车点推荐装置，在一个实施例中，该装置包括：
请求接收模块，用于接收用户发送的上车点推荐请求；上车点推荐请求包括用户的用户标识和当前位置；
网格映射模块，用于根据用户的当前位置进行H3网格映射，获取用户的当前位置对应的H3标识；
推荐上车点确定模块，用于根据用户标识和H3标识从存储系统获取对应的候选上车点，根据获取到的候选上车点确定推荐上车点；
推荐模块，用于向用户推荐推荐上车点。
本申请根据第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的实施例的步骤。
本申请根据第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一方法的实施例的步骤。
在本申请实施例中，通过接收用户发送的包括用户的用户标识和当前位置的上车点推荐请求，根据用户的当前位置进行H3网格映射，获取用户的当前位置对应的H3标识，根据用户标识和H3标识从存储系统获取对应的候选上车点，根据获取到的候选上车点确定推荐上车点，并向用户推荐该推荐上车点。本申请实施例能够稳定、高效地向用户推荐上车点，进而提升乘客上车体验与司机接驾效率。
附图说明
图1为一个实施例中一种上车点推荐方法的流程示意图；
图2一个实施例中的为用户在各H3网格上构建候选上车点的流程示意图；
图3一个实施例中向用户推荐上车点的整体流程示意图；
图4为一个实施例中一种上车点推荐装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请提供了一种上车点推荐方法。在一个实施例中，上述上车点推荐方法包括如图1所示的步骤，下面以该方法应用于网约车平台的服务器为例进行说明。
S110：接收用户发送的上车点推荐请求。
其中，用户是指乘客。上车点推荐请求包括用户的用户标识(可以写成user_id)和当前位置(可以写成location)。
S120：根据用户的当前位置进行H3网格映射，获取用户的当前位置对应的H3标识。
其中，H3是美国优步公司(Uber Technologies Inc)使用的六边形网格DGGS(Discrete Global Grid System，全球离散网格系统)结构。
本实施例通过对用户的当前位置进行H3网格映射，即将用户的当前位置映射到对应的H3网格中，得到对应的H3标识(可以写成h3_id)
S130：根据用户标识和H3标识从存储系统获取对应的候选上车点，根据获取到的候选上车点确定推荐上车点。
上述的候选上车点和推荐上车点可以是指兴趣点(point of interest，可简称为POI)。存储系统可以基于PIKA(指360奇虎公司开源的一款类redis存储系统)来实现。
其中，可以根据用户标识和H3标识来拼装得到key(指键值对中的键)，然后利用该key从存储系统中获取对应的value(指键值对中的值)。获取的value即是候选上车点，其中，候选上车点的数量可以是一个或多个。在从存储系统获取到对应的候选上车点之后，根据获取到的候选上车点确定出推荐上车点，其中推荐上车点的数量为一个或多个。
在一个可能的实施方式中，上述的根据获取到的候选上车点确定推荐上车点，包括：确定获取到的候选上车点的数量；响应于该数量不超过预设阈值，将获取到的候选上车点确定为推荐上车点；响应于该数量超过预设阈值，从获取到的候选上车点中筛选推荐上车点，其中，筛选得到的推荐上车点的数量等于预设阈值。上述预设阈值可以根据不同情况进行灵活调整，本实施例对此不进行限定。
在一个可能的实施方式中，上述的从获取到的候选上车点中筛选推荐上车点，包括：使用排序模型为获取到的各个候选上车点进行打分；根据各候选上车点的得分从获取到的候选上车点中筛选推荐上车点。其中，排序模型可以有多种实现方式，比如，可以使用deepFM模型来作为排序模型。
S140：向用户推荐推荐上车点。
确定出推荐上车点之后，可以将推荐上车点的相关信息发送给用户，如发送到用户终端上的应用程序进行显示。
本申请实施例将用户的行为(如上车行为)与不同区域(即网格)进行关联，当服务器在接收用户发送的包括用户的用户标识和当前位置的上车点推荐请求之后，即根据用户的当前位置进行H3网格映射来获取用户的当前位置对应的H3标识，进而可以根据用户标识和H3标识从存储系统获取对应的候选上车点，以及根据获取到的候选上车点确定推荐上车点，最后能够稳定、高效地向用户推荐上车点，进而提升乘客上车体验与司机接驾效率。
在一个实施例中，如图2所示，上述的接收用户发送的上车点推荐请求之前还包括：
S210：获取用户的目标历史订单，目标历史订单的数量为多个，目标历史订单包括历史上车点。
S220：根据各目标历史订单中的历史上车点进行H3网格映射，获取各目标历史订单中的历史上车点对应的H3标识。
S230：根据获取到的H3标识进行上车点聚合处理，得到多个历史上车点集合，上述多个历史上车点集合一一对应于多个目标H3网格。
S240：对各历史上车点集合进行聚类，根据各历史上车点集合的聚类结果得到各目标H3网格对应的候选上车点。
S250：将用户标识以及各目标H3网格对应的候选上车点关联存储至存储系统。
其中，上述的获取用户的目标历史订单，包括：确定预设时间窗口；从用户的全部历史订单中获取目标历史订单，目标历史订单是指下单时间处于预设时间窗口内的历史订单。上述的预设时间窗口可以根据具体应用场景进行灵活设置，本实施例不进行具体限定，比如，预设时间窗口可以设置为30天，60天等等。
其中，上述的对各历史上车点集合进行聚类，根据各历史上车点集合的聚类结果得到各目标H3网格对应的候选上车点，包括：对各历史上车点集合进行聚类，得到各历史上车点集合的初始聚类中心和多个离群点；将各初始聚类中心替换与其距离最近的历史上车点，得到各历史上车点集合的聚类中心；将各历史上车点集合的聚类中心和部分离群点，作为与其对应的目标H3网格对应的候选上车点。
其中，上述的将用户标识以及各目标H3网格对应的候选上车点关联存储至存储系统，包括：将用户标识分别和各目标H3网格对应的候选上车点，以键值对的形式存储至存储系统；其中，在将用户标识和任一目标H3网格对应的候选上车点，以键值对的形式存储至存储系统时，以用户标识和任一目标H3网格对应的H3标识作为键，以任一目标H3网格对应的候选上车点作为值。
以下通过一个具体应用的实施例(以下称为应用例)对上述实施例进行说明。
请参见图3，其中示出了本应用例中的向用户推荐上车点的整体流程。
需要说明的是，上车点数据构建是上车点推荐的基础，为上车点推荐提供基础的候选点位(候选点位即上述的候选上车点)的集合，候选点位的数据质量可以从覆盖率、实效性及准确性等几个方面进行评估。此外考虑到下游点位推荐场景，与候选点位相关的基础属性及针对候选点位的相关统计信息，对推荐效果起到非常重要的作用，因此保证候选点位的相对稳定性也是值得注意的方面。
本应用例着重挖掘用户在不同区域的个性化上车行为，既考虑了路网、POI数据缺失导致无推荐点的情况，又能保证候选点位数据与候选点位的相关特征的相对稳定。
如图3所示，本应用例分为离线生产及在线存储两个部分，以下对各部分进行说明。
1、离线处理：通过H3网格将用户的活跃地理区域离散化，将用户的目标历史订单的信息离散化到不同的H3网格，然后对用户在不同H3网格内的历史上车点进行聚合，采用聚类算法获得聚类中心点，并用在与聚类中心点距离小于某个阈值范围内的历史上车点替代聚类中心点。其中，上述阈值范围可以根据实际情况自行调整，目标历史订单是基于预设时间窗口获取的，预设时间窗口可以灵活调整。
具体地，在离线处理部分，根据用户在预设时间窗口内的目标历史订单，以每个目标历史订单中的上车点(称为历史上车点)将每个目标历史订单映射到对应的H3网格得到h3_id，然后以用户的user_id和h3_id为key，聚合得到用户在不同H3网格区域内的历史上车点集合，然后用聚类算法对用户的各历史上车点集合进行聚类，计算出用户在各H3网格区域内的聚类中心点及部分离群点。其中，对每个聚类中心点采用就近策略，将其替换为与其距离最近的历史上车点，这样就可以保证在历史上车点集合增加的情况下，始终采用已知的点位作为候选上车点，而非采用新生成的聚类中心点，从而可以保证候选上车点的稳定性，并且与候选上车点相关的统计信息和特征都能得到很好的复用。最终得到用户在某个区域内的所有候选上车点(即替换后的聚类中心点及部分离群点)。然后以user_id,h3_id为key，以候选上车点为value将数据推送到PIKA进行存储。由于PIKA存储采用硬盘存储，其在存储成本及性能等综合方面有较好的优势，其自身存储特性也保证了可以持久保留历史推荐上车点的数据，而在候选上车点召回方面的覆盖率也会更高。
2、在线存储：当用户在用户端打开应用程序时，会根据用户的当前位置请求推荐上车点，服务器会计算与用户的当前位置对应的h3_id，然后根据user_id，h3_id生成key，从PIKA中取到该key所对应的候选上车点。应理解，候选上车点可能有一个或多个，聚类中心点表达了该用户在该网格区域的个性化行为，而部分离群点位也能反映出用户在该区域上车选择的多样性。
本应用例通过离线数据积累结合线上PIKA存储的方案设计，能够尽可能提高候选上车点的覆盖性，非常适合用于基于用户的个性化点位推荐场景。此外，如果结合兴趣点和路网数据，本应用例同样适用于通用上车点的推荐场景。
进一步地，在实现上述离线生产及在线存储之后，可以评估推荐效果。
其中，在评估阶段，可以定义了30米(30米仅为示例)定点率的指标以及100米(100米仅为示例)不定点率指标，30米定点率指标的含义是推荐点(系统推荐位置)和计费点(用户真实的上车位置)的距离在30米之内称之为定点，同理，100米不定点率指标的含义是推荐点和计费点的距离在100米之外称之为不定点。
经过离线和在线的评估，本应用例能够在响应用户的上车点推荐请求时，根据用户的当前位置召回相应的用户个性化上车点，最终可以提升用户在交互时的点位选择体验以及用户上车时的上车体验，对30米定点率有大幅度提升。
图1为一个实施例中上车点推荐方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于相同的发明构思，本申请还提供了一种上车点推荐装置。在本实施例中，如图4所示，该上车点推荐装置包括以下模块：
请求接收模块110，用于接收用户发送的上车点推荐请求；上车点推荐请求包括用户的用户标识和当前位置；
网格映射模块120，用于根据用户的当前位置进行H3网格映射，获取用户的当前位置对应的H3标识；
推荐上车点确定模块130，用于根据用户标识和H3标识从存储系统获取对应的候选上车点，根据获取到的候选上车点确定推荐上车点；
推荐模块140，用于向用户推荐推荐上车点。
在一个实施例中，推荐上车点确定模块，用于：
确定获取到的候选上车点的数量；
响应于该数量不超过预设阈值，将获取到的候选上车点确定为推荐上车点；
响应于该数量超过预设阈值，从获取到的候选上车点中筛选推荐上车点，其中，筛选得到的推荐上车点的数量等于预设阈值。
在一个实施例中，推荐上车点确定模块，还用于：
使用排序模型为获取到的各个候选上车点进行打分；
根据各候选上车点的得分从获取到的候选上车点中筛选推荐上车点。
在一个实施例中，上述装置还包括：
历史订单获取模块，用于获取用户的目标历史订单，目标历史订单的数量为多个，目标历史订单包括历史上车点；
映射模块，用于根据各目标历史订单中的历史上车点进行H3网格映射，获取各目标历史订单中的历史上车点对应的H3标识；
聚合处理模块，用于根据获取到的H3标识进行上车点聚合处理，得到多个历史上车点集合，上述多个历史上车点集合一一对应于多个目标H3网格；
聚类模块，用于对各历史上车点集合进行聚类，根据各历史上车点集合的聚类结果得到各目标H3网格对应的候选上车点；
存储模块，用于将用户标识以及各目标H3网格对应的候选上车点关联存储至存储系统。
在一个实施例中，聚类模块，用于：
对各历史上车点集合进行聚类，得到各历史上车点集合的初始聚类中心和多个离群点；
将各初始聚类中心替换与其距离最近的历史上车点，得到各历史上车点集合的聚类中心；
将各历史上车点集合的聚类中心和部分离群点，作为与其对应的目标H3网格对应的候选上车点。
在一个实施例中，存储模块，用于：
将用户标识分别和各目标H3网格对应的候选上车点，以键值对的形式存储至存储系统；其中，在将用户标识和任一目标H3网格对应的候选上车点，以键值对的形式存储至存储系统时，以用户标识和任一目标H3网格对应的H3标识作为键，以任一目标H3网格对应的候选上车点作为值。
在一个实施例中，历史订单获取模块，用于：
确定预设时间窗口；
从用户的全部历史订单中获取目标历史订单，目标历史订单是指下单时间处于预设时间窗口内的历史订单。
关于上车点推荐装置的具体限定可以参见上文中对于上车点推荐方法的限定，在此不再赘述。上述上车点推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户标识、H3标识两者和候选上车点的对应关系等数据，具体存储的数据还可以参见上述方法实施例中的限定。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种上车点推荐方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述任一方法实施例中提供的方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一方法实施例中提供的方法中的步骤。
本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种上车点推荐方法，其特征在于，所述方法包括：
接收用户发送的上车点推荐请求；所述上车点推荐请求包括所述用户的用户标识和当前位置；
根据所述用户的当前位置进行H3网格映射，获取所述用户的当前位置对应的H3标识；
根据所述用户标识和所述H3标识从存储系统获取对应的候选上车点，根据获取到的候选上车点确定推荐上车点；
向所述用户推荐所述推荐上车点。
2.如权利要求1所述的方法，其特征在于，所述根据获取到的候选上车点确定推荐上车点，包括：
确定获取到的候选上车点的数量；
响应于所述数量不超过预设阈值，将获取到的候选上车点确定为推荐上车点；
响应于所述数量超过预设阈值，从获取到的候选上车点中筛选推荐上车点，其中，筛选得到的推荐上车点的数量等于所述预设阈值。
3.如权利要求2所述的方法，其特征在于，所述从获取到的候选上车点中筛选推荐上车点，包括：
使用排序模型为获取到的各个候选上车点进行打分；
根据各候选上车点的得分从获取到的候选上车点中筛选推荐上车点。
4.如权利要求1所述的方法，其特征在于，所述接收用户发送的上车点推荐请求之前还包括：
获取所述用户的目标历史订单，所述目标历史订单的数量为多个，所述目标历史订单包括历史上车点；
根据各所述目标历史订单中的历史上车点进行H3网格映射，获取各所述目标历史订单中的历史上车点对应的H3标识；
根据获取到的H3标识进行上车点聚合处理，得到多个历史上车点集合，所述多个历史上车点集合一一对应于多个目标H3网格；
对各所述历史上车点集合进行聚类，根据各所述历史上车点集合的聚类结果得到各目标H3网格对应的候选上车点；
将所述用户标识以及各目标H3网格对应的候选上车点关联存储至所述存储系统。
5.如权利要求4所述的方法，其特征在于，所述对各所述历史上车点集合进行聚类，根据各所述历史上车点集合的聚类结果得到各目标H3网格对应的候选上车点，包括：
对各所述历史上车点集合进行聚类，得到各所述历史上车点集合的初始聚类中心和多个离群点；
将各所述初始聚类中心替换与其距离最近的历史上车点，得到各所述历史上车点集合的聚类中心；
将各所述历史上车点集合的聚类中心和部分离群点，作为与其对应的目标H3网格对应的候选上车点。
6.如权利要求4所述的方法，其特征在于，所述将所述用户标识以及各目标H3网格对应的候选上车点关联存储至所述存储系统，包括：
将所述用户标识分别和各目标H3网格对应的候选上车点，以键值对的形式存储至所述存储系统；其中，在将所述用户标识和任一目标H3网格对应的候选上车点，以键值对的形式存储至所述存储系统时，以所述用户标识和所述任一目标H3网格对应的H3标识作为键，以所述任一目标H3网格对应的候选上车点作为值。
7.如权利要求4所述的方法，其特征在于，所述获取所述用户的目标历史订单，包括：
确定预设时间窗口；
从所述用户的全部历史订单中获取目标历史订单，所述目标历史订单是指下单时间处于所述预设时间窗口内的历史订单。
8.一种上车点推荐装置，其特征在于，所述装置包括：
请求接收模块，用于接收用户发送的上车点推荐请求；所述上车点推荐请求包括所述用户的用户标识和当前位置；
网格映射模块，用于根据所述用户的当前位置进行H3网格映射，获取所述用户的当前位置对应的H3标识；
推荐上车点确定模块，用于根据所述用户标识和所述H3标识从存储系统获取对应的候选上车点，根据获取到的候选上车点确定推荐上车点；
推荐模块，用于向所述用户推荐所述推荐上车点。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202210334735.2A 2022-03-31 2022-03-31 上车点推荐方法、装置、计算机设备和存储介质 Pending CN114610961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210334735.2A CN114610961A (zh) 2022-03-31 2022-03-31 上车点推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210334735.2A CN114610961A (zh) 2022-03-31 2022-03-31 上车点推荐方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114610961A true CN114610961A (zh) 2022-06-10

Family

ID=81866065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210334735.2A Pending CN114610961A (zh) 2022-03-31 2022-03-31 上车点推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114610961A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795184A (zh) * 2023-02-06 2023-03-14 北京合思信息技术有限公司 一种基于rpa的场景化上车点推荐方法和装置
CN115936817A (zh) * 2022-12-30 2023-04-07 北京白驹易行科技有限公司 一种乘客订单起点聚合方法、装置及计算机设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936817A (zh) * 2022-12-30 2023-04-07 北京白驹易行科技有限公司 一种乘客订单起点聚合方法、装置及计算机设备
CN115936817B (zh) * 2022-12-30 2024-02-20 北京白驹易行科技有限公司 一种乘客订单起点聚合方法、装置及计算机设备
CN115795184A (zh) * 2023-02-06 2023-03-14 北京合思信息技术有限公司 一种基于rpa的场景化上车点推荐方法和装置

Similar Documents

Publication Publication Date Title
CN114610961A (zh) 上车点推荐方法、装置、计算机设备和存储介质
CN109857592B (zh) 数据恢复控制方法、服务器及存储介质
CN110750267B (zh) 业务信息更新方法、装置、计算机设备和存储介质
CN111325416A (zh) 预测叫车平台的用户流失的方法和装置
JP5480755B2 (ja) 需要予測システム及び需要予測方法
CN110414570B (zh) 图像分类模型生成方法、装置、设备和存储介质
US20220019717A1 (en) Model creation device, model creation method, and program
CN114490566B (zh) 集群数据迁移方法、装置、计算机设备及存储介质
CN113156243A (zh) 故障预测方法和预测系统
CN110955591B (zh) 系统性能评估方法、装置、计算机设备和存储介质
CN111860858A (zh) 一种模型更新参数的确定方法、确定装置及可读存储介质
CN115856694B (zh) 电池寿命预测方法、装置、计算机设备和存储介质
CN113570004B (zh) 一种乘车热点区域预测方法、装置、设备及可读存储介质
CN111866051B (zh) 一种资源信息的分配方法、装置、设备及介质
US11301782B2 (en) Method and arrangement for determining a current location speed-limit in a road-vehicle
CN113448747A (zh) 数据传输方法、装置、计算机设备和存储介质
CN112767697A (zh) 基于交通冲突预测的交通安全评价方法、系统及装置
CN112884052A (zh) 结构模态参数提取方法、装置、计算机设备及存储介质
CN117556187B (zh) 基于深度学习的云数据修复方法、系统及可读存储介质
CN116701993A (zh) 能耗异常监测方法、装置、电子设备及存储介质
CN114153598A (zh) spark离线计算性能的调优方法、装置及存储介质
CN111783012A (zh) 互联网产品监控方法、装置、服务器及可读存储介质
CN115660230A (zh) 用户生命周期预测方法、装置、系统、设备和存储介质
CN116112751A (zh) 数据处理方法、装置、电子设备及存储介质
CN113935688A (zh) 订单价值分层方法、计算机可读存储介质及计算机设备

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