CN115456266A - 行程规划方法、装置、设备及存储介质 - Google Patents
行程规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115456266A CN115456266A CN202211066831.XA CN202211066831A CN115456266A CN 115456266 A CN115456266 A CN 115456266A CN 202211066831 A CN202211066831 A CN 202211066831A CN 115456266 A CN115456266 A CN 115456266A
- Authority
- CN
- China
- Prior art keywords
- information
- travel
- user
- trip
- planning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 58
- 230000001960 triggered effect Effects 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 16
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种行程规划方法、装置、设备及存储介质,该方法包括:响应于触发的行程推荐操作后,接收用户的第一语音信息;对所述用户的第一语音信息进行分析处理,获取用户的行程需求信息;将所述行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,所述行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。该技术方案能够更细粒度地预测多个业务场景信息和对每个业务场景信息进行多维度规划预测,生成满足用户出游偏好的出游行程,从而减少了用户出游行程的规划时间,提高了出游行程的规划效率和出游行程的满意度。
Description
技术领域
本发明一般涉及智慧旅游技术领域,具体涉及一种行程规划方法、装置、设备及存储介质。
背景技术
随着人们生活质量的不断提高,人们对于旅游业也关注颇多,越来越多的人们开始喜欢旅游,其不仅能够放松个人身心,而且能够拓宽视野,了解到各种人文地理知识。为了对用户提供更好的旅游服务,进行行程规划显得尤为重要。
目前,相关技术在对用户进行规划行程时,通过获取用户出行需求,并根据出行需求规划得到宽泛简单的行程信息,该简单行程信息例如可以是出发地、目的地、游玩天数和预算的出行票务等信息,然而由于该方法规划得到的行程信息较为宽泛,经常需要用户继续做大量的旅游攻略进行详细的行程规划,导致浪费人力且耗费成本较高。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种行程规划方法、装置、设备及存储介质,能够生成满足用户出游偏好的出游行程,从而减少了用户出游行程的规划时间,提高了出游行程的规划效率和出游行程的满意度。所述技术方案如下:
根据本申请的一个方面,提供了一种行程规划方法,该方法包括:
响应于触发的行程推荐操作后,接收用户的第一语音信息;
对用户的第一语音信息进行分析处理,获取用户的行程需求信息;
将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。
在其中一个实施例中,将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息,包括:
将行程需求信息通过行程规划模型中的特征提取模块,得到行程特征信息,行程特征信息包括以下至少一项:出游人数、出游天数、预算费用、出游类型、目的地点、出发地点及出游类型;
对行程特征信息通过行程规划模型中的分类模块进行分类处理,得到行程推荐信息。
在其中一个实施例中,对行程特征信息通过行程规划模型中的分类模块进行分类处理,得到行程推荐信息,包括:
将行程特征信息通过全连接层进行处理,得到多个业务场景信息对应的全连接向量特征;
对全连接向量特征通过激活函数进行处理,得到多个业务场景中每个业务场景信息对应的行程推荐信息。
在其中一个实施例中,多个业务场景中每个业务场景对应的行程推荐信息包括以下至少一项:
买票的业务场景信息、查找景点的业务场景信息、查找美食的业务场景信息、查找酒店的业务场景信息、出行导航的业务场景信息、打车的业务场景信息;买票的业务场景信息包括:票务信息、目的地点;查找美食的业务场景信息包括:餐厅信息、餐饮费用、餐厅类型、餐厅所用时间;查找景点的业务场景信息包括:景点费用、景点类型、景点所用时间;查找酒店的业务场景信息包括:酒店类型、酒店费用、入住时间、酒店地址;出行导航的业务场景信息包括:导航起始位置、导航终点位置、导航预估时间;打车的业务场景信息包括:打车起始位置、打车终点位置、打车预估时间、打车预估费用。
在其中一个实施例中,在得到行程推荐信息并展示之后,方法还包括:
接收用户的第二语音信息,第二语音信息包括用户对行程推荐信息的评价内容;
当第二语音信息表征用户对行程推荐信息不满意时,获取用户的行程修改信息;
基于行程修改信息对行程推荐信息进行修改更新并展示。
在其中一个实施例中,行程规划模型的训练过程包括:
获取历史出游需求信息和与历史出游需求信息对应的历史行程推荐信息;
将历史出游需求信息输入待训练特征提取模块进行特征提取处理,得到样本行程特征信息;
将样本行程特征信息输入待训练分类模块,得到历史出游需求信息的推荐结果;
根据历史出游需求信息的推荐结果与历史行程推荐信息,计算损失函数;
按照损失函数最小化,采用迭代算法迭代调整待训练特征提取模块、待训练分类模块的参数,得到行程规划模型。
在其中一个实施例中,对用户的第一语音信息进行分析处理,获取用户的行程需求信息,包括:
对用户的第一语音信息进行预处理,得到预处理后的信息;
采用预设的语音识别算法,对预处理后的信息进行语音识别处理,得到用户的行程需求信息。
根据本申请的另一方面,提供了一种行程规划装置,该装置包括:
接收模块,用于响应于触发的行程推荐操作后,接收用户的第一语音信息;
分析模块,用于对所述用户的第一语音信息进行分析处理,获取用户的行程需求信息;
推荐模块,用于将所述行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,所述行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。
根据本申请的另一方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现如上述的行程规划方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序用于实现如上述的行程规划方法。
根据本申请的另一方面,提供了一种计算机程序产品,其上包括指令,该指令被执行时实现如上述的行程规划方法。
本申请实施例中提供的行程规划方法、装置、设备及存储介质,通过响应于触发的行程推荐操作后,接收用户的第一语音信息,对用户的第一语音信息进行分析处理,获取用户的行程需求信息,将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,该行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。本申请中的技术方案相比于现有技术而言,一方面,能够基于用户的第一语音信息进行语音识别获取到用户的行程需求信息后。另一方面,通过行程规划模型对行程需求信息进行多个业务场景信息和对每个业务场景信息进行多维度规划预测,生成满足用户出游偏好的出游行程,从而减少了用户出游行程的规划时间,提高了出游行程的规划效率和出游行程的满意度。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请实施例提供的行程规划的应用系统的系统架构图;
图2为本申请实施例提供的行程规划方法的流程示意图;
图3为本申请实施例提供的得到行程推荐信息方法的流程示意图;
图4为本申请实施例提供的进行行程规划的结构示意图;
图5为本申请实施例提供的训练行程规划模型方法的结构示意图;
图6为本申请实施例提供的行程规划装置的结构示意图;
图7为本申请实施例示出的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。为了便于理解,下面对本申请实施例涉及的一些技术术语进行解释:
(1)人工智能(Artificial Intelligence,AI):是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件主要包括计算机视觉、语音处理技术、自然语言技术以及机器学习/深度学习等几大方向。
(2)机器学习(Machine Learning,ML):是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎么模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习使人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴社保、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的神经网络等技术,具体通过下述实施例进行说明。
目前,相关技术中通过获取用户需求,进行规划得到宽泛简单的行程信息,经常需要用户继续做大量的旅游攻略进行详细的行程规划,导致浪费人力且耗费成本较高。
基于上述缺陷,本申请提供了一种行程规划方法、装置、设备及存储介质,与现有技术相比,一方面,能够基于用户的第一语音信息进行语音识别获取到用户的行程需求信息后。另一方面,通过行程规划模型对行程需求信息进行多个业务场景信息和对每个业务场景信息进行多维度规划预测,生成满足用户出游偏好的出游行程,从而减少了用户出游行程的规划时间,提高了出游行程的规划效率和出游行程的满意度。
图1是本申请实施例提供的一种行程规划方法的实施环境架构图。如图1所示,该实施环境架构包括:终端10和服务器20。
其中,在行程规划领域,基于用户的行程需求信息进行行程规划的过程即可以在终端10执行,也可以在服务器20执行。例如,通过终端10获取用户的行程需求信息,可以在终端10本地进行行程规划,得到行程推荐信息并展示;也可以将用户的行程需求信息发送至服务器20,使得服务器20获取用户的行程需求信息,根据用户的行程需求信息进行行程规划,得到行程推荐信息,然后将行程推荐信息发送至终端10,以实现对用户进行出游行程推荐。
本申请实施例提供的行程规划方案,可以应用于常见的出游场景、旅游方案制定场景、旅游成本核算场景等。在上述应用场景中,通常需要获取用户的行程需求信息,然后基于行程需求信息进行行程规划分析,以得到行程推荐信息等信息,并基于这些信息进行后续的操作,例如进行旅行出游,旅游项目出行路线规划等。
另外,终端10上可以运行有操作系统,该操作系统可以包括但不限于安卓系统、IOS系统、Linux系统、Unix、windows系统等,还可以包括用户界面(User Interface,UI)层,可以通过UI层对外提供用户的行程需求信息的显示以及行程推荐信息的显示,另外,可以基于应用程序接口(Application Programming Interface,API)将行程规划所需的用户的行程需求信息发送至服务器20。
可选的,终端10可以是各类AI应用场景中的终端设备。例如,终端10可以是笔记本电脑、平板电脑、台式计算机、车载终端、移动设备等,移动设备例如可以是智能手机、便携式音乐播放器、个人数字助理、专用消息设备、便携式游戏设备等各种类型的终端,本申请实施例对此不进行具体限定。
服务器20可以是一台服务器,也可以是由若干台服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
终端10与服务器20之间通过有线或无线网络建立通信连接。可选的,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
为了便于理解和说明,下面通过图2至图7详细阐述本申请实施例提供的行程规划方法、装置、设备及存储介质。
图2所示为本申请实施例的行程规划方法的流程示意图,该方法可以由计算机设备执行,该计算机设备可以是上述图1所示系统中的服务器20或者终端10,或者,该计算机设备也可以是终端10和服务器20的结合。如图2所示,该方法包括:
S101、响应于触发的行程推荐操作后,接收用户的第一语音信息。
具体地,上述行程推荐操作可以是用户出发终端需要进行行程推荐的操作,例如可以是用户通过语音的形式触发的,也可以是用户通过在终端界面上通过输入的形式触发的,还可以是通过触屏的形式出发的。
当计算机设备响应于触发的行程推荐操作后,用户可以是通过语音方式描述自己的出行行程需求信息,从而使得计算机设备接收到用户的第一语音信息。
可选的,上述用户的第一语音信息可以是以短句的形式,也可以是以长句的形式。可以是一个用户的语音信息,也可以是多个用户的语音信息,还可以是机器人的语音信息。
S102、对用户的第一语音信息进行分析处理,获取用户的行程需求信息。
在接收到用户的第一语音信息后,可以对用户第一的语音信息进行预处理,得到预处理后的信息,然后采用预设的语音识别算法,对预处理后的信息进行语音识别处理,得到用户的行程需求信息。
其中,在对用户的第一语音信息进行预处理的过程中,可以滤除掉其中的不重要的信息以及背景噪声,并进行语音信号的端点检测,例如找到语音信息的始末,然后进行语音分频以及预加重处理,得到预处理后的信息。
可选的,上述预设的语音识别算法可以是基于动态时间规整(DTW)算法、基于非参数模型的矢量量化(VQ)算法、基于参数模型的隐马尔可夫模型(HMM)的方法、基于人工神经网络(ANN)和支持向量机等算法。
需要说明的是,上述用户的行程需求信息可以包括以下至少一项:目的地、出行日期、游玩天数、出游类型、出行费用、出游舒适程度、出游主题等。
S103、将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。
需要说明的是,上述行程规划模型是通过对样本数据进行训练,从而学习到具备行程规划能力的网络结构模型。行程规划模型是输入为用户的行程需求信息,输出为行程推荐信息,且具有对用户的行程需求信息进行行程规划的能力,是能够预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的神经网络模型。行程规划模型可以包括多层网络结构,不同层的网络结构对输入其的数据进行不同的处理,并将其输出结果传输至下一网络层,直至通过最后一个网络层进行处理,得到行程推荐信息。
作为一种可实现方式,还可以通过查询预先建立的模板行程需求信息数据库,将用户的行程需求信息与模板行程需求信息数据库中的需求特征进行比对,确定出用户的行程需求信息中与模板行程需求信息数据库中行程需求信息特征比对一致的部分,然后将该特征比对一致的部分对应的行程推荐信息确定为用户的行程需求信息对应的行程推荐信息。其中,模板行程需求信息数据库可以根据实际应用场景中的行程需求特征信息进行灵活配置,是对不同行程需求类型、行程需求形态和结构等特征的行程需求进行汇总和整理后构建的。
在其中一个实施例中,提供了将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息的具体实现方式。请参见图3所示,该方法包括:
S201、将行程需求信息通过行程规划模型中的特征提取模块,得到行程特征信息,行程特征信息包括以下至少一项:出游人数、出游天数、预算费用、出游类型、目的地点、出发地点及出游类型。
上述行程规划模型可以包括特征提取模块和分类模块,可选的,可以采用特征提取策略对行程需求信息进行特征提取处理,得到行程推荐信息。
可选的,上述特征提取策略是指根据实际应用场景预先设置的用于进行特征提取的策略,可以是训练完成得到的特征提取模块,也可以是通用的特征提取算法等。作为一种可实现方式,可以通过特征提取模块分别对行程需求信息进行特征提取,得到用户的行程特征信息。其中,该特征提取模块是通过对样本数据进行训练,从而学习到具备特征提取能力的网络结构模块。特征提取模块的输入为行程需求信息,输出为行程特征信息,且具有对行程需求信息进行特征识别和提取的能力,是能够预测行程特征信息的模块。该特征提取模块可以包括多层网络结构,不同层的网络结构对输入其的数据进行不同的处理,并将其输出结果传输至下一网络层,直至通过最后一个网络层进行处理,得到行程特征信息。
作为另一种可实现方式,在通过特征提取算法对行程需求信息进行特征提取,得到行程特征信息,该特征提取算法例如可以是采用尺度不变特征变换(Scale-InvariantFeature Transform,SIFT)算法,也可以是加速稳健特征((Speeded Up Robust Features,SURF)算法等。
需要说明的是,上述对行程需求信息进行特征提取,得到行程特征信息的各个实现方式仅仅是作为一种示例,本申请实施例对此不做限定。
本实施例中通过对行程需求信息进行特征提取处理,能够精准地得到行程特征信息,从而使得针对正确的行程特征信息获取更细粒度的行程特征信息,进而使得确定出的待行程推荐信息更准确。
S202、对行程特征信息通过行程规划模型中的分类模块进行分类处理,得到行程推荐信息。
需要说明的是,上述分类模块是通过样本学习具备行程规划能力的模块,检测网络的输入为行程特征信息,输出为行程推荐信息,是一个能够预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的神经网络模型。
作为一种可实现方式,该分类模块可以包括全连接层和激活函数,在获取到行程特征信息后,可以通过全连接层对融合特征进行处理,得到全连接向量特征,并采用激活函数对全连接向量特征进行处理,得到与用户的行程需求信息对应的分类结果,该分类结果包括多个业务场景信息种类,也可以包括在业务场景信息类型下的多个业务场景信息属性。
作为另一种可实现方式,可以相应领域的先验知识的方式,通过聚类算法对行程特征信息进行聚类处理,得到聚类结果,然后利用人工先验的要素特征知识确定融合特征中每个聚类结果的识别结果,从而得到行程推荐信息。其中,上述聚类算法可以是聚类函数,聚合函数例如可以用Mean、Pool、LSTM等。
其中,上述多个业务场景中每个业务场景对应的行程推荐信息包括以下至少一项:买票的业务场景信息、查找景点的业务场景信息、查找美食的业务场景信息、查找酒店的业务场景信息、出行导航的业务场景信息、打车的业务场景信息;买票的业务场景信息包括:票务信息、目的地点;查找美食的业务场景信息包括:餐厅信息、餐饮费用、餐厅类型、餐厅所用时间;查找景点的业务场景信息包括:景点费用、景点类型、景点所用时间;查找酒店的业务场景信息包括:酒店类型、酒店费用、入住时间、酒店地址;出行导航的业务场景信息包括:导航起始位置、导航终点位置、导航预估时间;打车的业务场景信息包括:打车起始位置、打车终点位置、打车预估时间、打车预估费用。
请参见图4所示,在接收到用户的第一语音信息3-1时,对待用户的第一语音信息3-1进行分析处理,得到用户的行程需求信息3-2,然后用户的行程需求信息3-2输入训练好的行程规划模型3-3中进行处理,得到行程推荐信息3-4并展示。
本申请实施例中本申请实施例中提供的行程规划方法,通过响应于出发的行程推荐操作后,接收用户的第一语音信息,对用户的第一语音信息进行分析处理,获取用户的行程需求信息,将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,该行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。本申请中的技术方案相比于现有技术而言,一方面,能够基于用户的第一语音信息进行语音识别获取到用户的行程需求信息后。另一方面,通过行程规划模型对行程需求信息进行多个业务场景信息和对每个业务场景信息进行多维度规划预测,生成满足用户出游偏好的出游行程,从而减少了用户出游行程的规划时间,提高了出游行程的规划效率和出游行程的满意度。
在本申请的另一实施例中,可以在得到行程推荐信息并展示之后,还提供了根据用户的满意程度及需求对行程推荐信息进行修改的具体实现方式。通过接收用户的第二语音信息,该第二语音信息包括用户对行程推荐信息的评价内容,当第二语音信息表征用户对行程推荐信息不满意时,获取用户的行程修改信息;基于行程修改信息对行程推荐信息进行修改更新并展示。当第二语音信息表征用户对行程推荐信息满意时,可以直接采用该行程推荐信息。
需要说明的是,上述评价内容包括用户对行程推荐信息是否满意的评价信息。在接收到用户的第二语音信息后,可以对其进行预处理并采用语音识别算法进行解析处理,得到用户的评价内容。然后当用户对该行程推荐信息不满意时,获取用户的行程修改信息,该行程修改信息可以包括出行时间、出行路线、出行方式、游玩项目等,基于行程修改信息对行程推荐信息进行修改更新并展示。可选的,用户可以通过用户终端与计算机设备的进行绑定关联,从而使得计算机设备在行程结束后可以给用户终端发送行程报告,多个行程表现在日历中,可查看每天的行程,形成月度总结,年度总结等。
进一步地,上述行程规划模型是一个输入为用户的行程需求信息,输出为行程推荐信息,且具有基于用户的行程需求信息进行行程规划的能力,能够预测行程推荐信息。该行程规划模型用于负责建立用户的行程需求信息与行程推荐信息之间的关系,其模型参数已处于最优的状态。其中,该行程规划模型可以包括但不限于卷积层、全连接层和激活函数,卷积层、全连接层可以包括一层,或者也可以包括多层。卷积层用于对行程需求信息进行特征提取,全连接层主要是用于对融合特征进行分类的作用。可以将融合特征通过卷积层进行处理,得到卷积特征,然后将卷积特征通过全连接层进行处理,得到全连接向量,然后将全连接向量通过激活函数进行处理,从而得到行程推荐信息,该行程推荐信息包括多个业务场景中每个业务场景信息对应的行程推荐信息。
其中,上述激活函数可以是Sigmoid函数,也可以是Tanh函数,还可以是ReLU函数,通过将全连接向量经过激活函数处理,能够将其结果映射到0~1之间。
在本申请的另一实施例中,还提供了对行程规划模型进行训练的训练过程的具体实现方式。请参见图5所示,具体包括:
S301、获取历史出游需求信息和与历史出游需求信息对应的历史行程推荐信息。
S302、将历史出游需求信息输入待训练特征提取模块进行特征提取处理,得到样本行程特征信息。
S303、将样本行程特征信息输入待训练分类模块,得到历史出游需求信息的推荐结果。
S304、根据历史出游需求信息的推荐结果与历史行程推荐信息,计算损失函数。
S305、按照损失函数最小化,采用迭代算法迭代调整待训练特征提取模块、待训练分类模块的参数,得到行程规划模型。
其中,上述该历史出游需求信息可以是多个,也可以是一个,其中,每个历史出游需求信息可以包括至少一个出游需求要素,例如该出游需求要素可以包括出游天数、出游时间、出游类型、出游主题等。该历史行程推荐信息为对应的已知行程推荐信息。其中,历史行程推荐信息可以包括每天的行程规划,包括多个业务场景以及每个业务场景的多维度规划信息。
具体的,在获取到历史出游需求信息后,可以将历史出游需求信息按照一定比例随机分为训练集和验证集,其中,训练集用于对初始行程规划模型进行训练,以得到训练好的行程规划模型,验证集用于对训练好的行程规划模型进行验证,以验证行程规划模型性能的好坏。然后分别将训练集的历史出游需求信息输入待训练行程规划模型进行特征提取处理,得到样本行程特征信息。
在确定出样本行程特征信息后,可以将样本行程特征信息输入待训练分类模块进行处理,该待训练分类模块可以包括全连接层和激活函数,将得到的样本行程特征信息输入至全连接层中,得到样本全连接向量,并使用激活函数对样本全连接向量进行处理,得到对应的输出结果。利用训练集对待构建的特征提取模块和分类模块进行训练,得到待验证的特征提取模块和分类模块。
计算机设备在训练行程规划模型的过程中,利用验证集中对待验证的特征提取模块和分类模块,按照损失函数最小化对待验证的特征提取模块和分类模块进行优化处理,得到对应的特征提取模块和分类模块,根据该验证集输入待验证的行程规划模型和历史行程推荐信息之间的差异,对待构建的特征提取模块和分类模块中的参数进行更新,以实现对特征提取模块和分类模块进行训练的目的。
可选的,上述对待验证的特征提取模块和分类模块中的参数进行更新,可以是对待构建的特征提取模块和分类模块中的权重矩阵以及偏置矩阵等矩阵参数进行更新。其中,上述权重矩阵、偏置矩阵包括但不限于是待验证的特征提取模块和分类模块中的卷积层、前馈网络层、全连接层中的矩阵参数。
本申请实施例中,可以使用损失函数计算验证集输入待验证的行程规划模型中得到的结果和历史行程推荐信息的损失值,从而对待验证的特征提取模块和分类模块中的参数进行更新。可选的,损失函数可以使用交叉熵损失函数,归一化交叉熵损失函数,或者可以使用Focalloss。
其中,通过损失函数对待验证的特征提取模块和分类模块中的参数进行更新时,可以是根据损失函数确定待验证的特征提取模块和分类模块未收敛时,通过调整模型中的参数,以使得待验证的特征提取模块和分类模块收敛,从而得到特征提取模块和分类模块。待验证的特征提取模块和分类模块收敛,可以是指待验证的特征提取模块和分类模块对验证集的推荐结果与训练数据的历史行程推荐信息之间的差值小于预设阈值,或者,推荐结果与训练数据的历史行程推荐信息之间的差值的变化率趋近于某一个较低值。当计算的损失函数较小,或者,与上一轮迭代输出的损失函数之间的差值趋近于0,则认为待验证的特征提取模块和分类模块收敛。
示例性地,当接收到用户的第一语音信息为“我想要下周二去上海玩三天,两个人,预算五千,帮我规划一下行程”,则计算机设备对用户的第一语音信息进行分析处理,获取到用户的行程需求信息包括:通过获取用户当前定位信息,例如当前位置为:深圳;根据出发时间:下周二;目的地:上海;游玩时长:3天;预算金额:5000。则将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,可以通过语音助手深入了解到的用户喜好如,某些小众喜好如咖啡店、音乐节等,通过处理规划得到的行程推荐信息示例如下:
8月2日
机票:从深圳到上海的机票,1015元,出发时间:8月2日,20:25宝安机场T3出发,22:35虹桥机场T2到达。
预约接机:接机时间:23:20,车牌号:沪Axxxx,司机联系方式:135xxxxxxxx
酒店1:酒店名:xxx,入住时间:2022年8月2日,离开时间:2022年8月3日,地址:xxxx
8月3日
早餐:商家名:xxx,距离酒店:200m,人均xx元,地址:xxx
打车:出发地:酒店地址,目的地:景点1地址
景点1:景点地址:xxx,建议游玩时长:3H
午餐:商家名:xxx,距离酒店:200m
景点:景点地址:xxx,建议游玩时长:2H
酒店2:酒店名:xxx,入住时间:2022年8月3日,离开时间:2022年8月5日,地址:xxxx。
本申请实施例一方面,能够基于用户的第一语音信息进行语音识别获取到用户的行程需求信息后。另一方面,通过行程规划模型对行程需求信息进行多个业务场景信息和对每个业务场景信息进行多维度规划预测,生成满足用户出游偏好的出游行程,从而减少了用户出游行程的规划时间,提高了出游行程的规划效率和出游行程的满意度。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
另一方面,图6为本申请实施例提供的一种行程规划装置的结构示意图。该装置可以为终端设备或服务器内的装置,如图6所示,该装置700包括:
接收模块710,用于响应于触发的行程推荐操作后,接收用户的第一语音信息;
分析模块720,用于对用户的第一语音信息进行分析处理,获取用户的行程需求信息;
推荐模块730,用于将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。
在一些实施例中,上述推荐模块730,包括:
特征提取单元731,用于将行程需求信息通过行程规划模型中的特征提取模块,得到行程特征信息,行程特征信息包括以下至少一项:出游人数、出游天数、预算费用、出游类型、目的地点、出发地点及出游类型;
分类单元732,用于对行程特征信息通过行程规划模型中的分类模块进行分类处理,得到行程推荐信息。
在一些实施例中,上述分类单元732,具体用于:
将行程特征信息通过全连接层进行处理,得到多个业务场景信息对应的全连接向量特征;
对全连接向量特征通过激活函数进行处理,得到多个业务场景中每个业务场景信息对应的行程推荐信息。
在一些实施例中,多个业务场景中每个业务场景对应的行程推荐信息包括以下至少一项:
买票的业务场景信息、查找景点的业务场景信息、查找美食的业务场景信息、查找酒店的业务场景信息、出行导航的业务场景信息、打车的业务场景信息;买票的业务场景信息包括:票务信息、目的地点;查找美食的业务场景信息包括:餐厅信息、餐饮费用、餐厅类型、餐厅所用时间;查找景点的业务场景信息包括:景点费用、景点类型、景点所用时间;查找酒店的业务场景信息包括:酒店类型、酒店费用、入住时间、酒店地址;出行导航的业务场景信息包括:导航起始位置、导航终点位置、导航预估时间;打车的业务场景信息包括:打车起始位置、打车终点位置、打车预估时间、打车预估费用。
在其中一个实施例中,在上述装置还用于:
接收用户的第二语音信息,第二语音信息包括用户对行程推荐信息的评价内容;
当第二语音信息表征用户对行程推荐信息不满意时,获取用户的行程修改信息;
基于行程修改信息对行程推荐信息进行修改更新并展示。
在其中一个实施例中,行程规划模型的训练过程包括:
获取历史出游需求信息和与历史出游需求信息对应的历史行程推荐信息;
将历史出游需求信息输入待训练特征提取模块进行特征提取处理,得到样本行程特征信息;
将样本行程特征信息输入待训练分类模块,得到历史出游需求信息的推荐结果;
根据历史出游需求信息的推荐结果与历史行程推荐信息,计算损失函数;
按照损失函数最小化,采用迭代算法迭代调整待训练特征提取模块、待训练分类模块的参数,得到行程规划模型。
在其中一个实施例中,上述分析模块,具体用于:
对用户的第一语音信息进行预处理,得到预处理后的信息;
采用预设的语音识别算法,对预处理后的信息进行语音识别处理,得到用户的行程需求信息。
可以理解的是,本实施例的行程规划装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,在此不再赘述。
另一方面,本申请实施例提供的设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现如上述的行程规划方法。
下面参考图7,图7为本申请实施例的终端设备的计算机系统的结构示意图。
如图7所示,计算机系统300包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分303加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有系统300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在机器可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分303从网络上被下载和安装,和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器,包括:接收模块、分析模块及推荐模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,接收模块还可以被描述为“用于响应于触发的行程推荐操作后,接收用户的第一语音信息”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序,当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的行程规划方法:
响应于触发的行程推荐操作后,接收用户的第一语音信息;
对所述用户的第一语音信息进行分析处理,获取用户的行程需求信息;
将所述行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,所述行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。
综上所述,本申请实施例中提供的行程规划方法、装置、设备及存储介质,通过响应于出发的行程推荐操作后,接收用户的第一语音信息,对用户的第一语音信息进行分析处理,获取用户的行程需求信息,将行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,该行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。本申请中的技术方案相比于现有技术而言,一方面,能够基于用户的第一语音信息进行语音识别获取到用户的行程需求信息后。另一方面,通过行程规划模型对行程需求信息进行多个业务场景信息和对每个业务场景信息进行多维度规划预测,生成满足用户出游偏好的出游行程,从而减少了用户出游行程的规划时间,提高了出游行程的规划效率和出游行程的满意度。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种行程规划方法,其特征在于,包括:
响应于触发的行程推荐操作后,接收用户的第一语音信息;
对所述用户的第一语音信息进行分析处理,获取用户的行程需求信息;
将所述行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,所述行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。
2.根据权利要求1所述的方法,其特征在于,将所述行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息,包括:
将所述行程需求信息通过所述行程规划模型中的特征提取模块,得到行程特征信息,所述行程特征信息包括以下至少一项:出游人数、出游天数、预算费用、出游类型、目的地点、出发地点及出游类型;
对所述行程特征信息通过所述行程规划模型中的分类模块进行分类处理,得到行程推荐信息。
3.根据权利要求2所述的方法,其特征在于,对所述行程特征信息通过所述行程规划模型中的分类模块进行分类处理,得到行程推荐信息,包括:
将所述行程特征信息通过全连接层进行处理,得到多个业务场景信息对应的全连接向量特征;
对所述全连接向量特征通过激活函数进行处理,得到多个业务场景中每个业务场景信息对应的行程推荐信息。
4.根据权利要求3所述的方法,其特征在于,所述多个业务场景中每个业务场景对应的行程推荐信息包括以下至少一项:
买票的业务场景信息、查找景点的业务场景信息、查找美食的业务场景信息、查找酒店的业务场景信息、出行导航的业务场景信息、打车的业务场景信息;所述买票的业务场景信息包括:票务信息、目的地点;所述查找美食的业务场景信息包括:餐厅信息、餐饮费用、餐厅类型、餐厅所用时间;所述查找景点的业务场景信息包括:景点费用、景点类型、景点所用时间;所述查找酒店的业务场景信息包括:酒店类型、酒店费用、入住时间、酒店地址;所述出行导航的业务场景信息包括:导航起始位置、导航终点位置、导航预估时间;所述打车的业务场景信息包括:打车起始位置、打车终点位置、打车预估时间、打车预估费用。
5.根据权利要求1所述的方法,其特征在于,在得到行程推荐信息并展示之后,所述方法还包括:
接收用户的第二语音信息,所述第二语音信息包括所述用户对所述行程推荐信息的评价内容;
当所述第二语音信息表征所述用户对所述行程推荐信息不满意时,获取用户的行程修改信息;
基于所述行程修改信息对所述行程推荐信息进行修改更新并展示。
6.根据权利要求1所述的方法,其特征在于,所述行程规划模型的训练过程包括:
获取历史出游需求信息和与所述历史出游需求信息对应的历史行程推荐信息;
将所述历史出游需求信息输入待训练特征提取模块进行特征提取处理,得到样本行程特征信息;
将所述样本行程特征信息输入待训练分类模块,得到历史出游需求信息的推荐结果;
根据所述历史出游需求信息的推荐结果与所述历史行程推荐信息,计算损失函数;
按照所述损失函数最小化,采用迭代算法迭代调整待训练特征提取模块、待训练分类模块的参数,得到所述行程规划模型。
7.根据权利要求1所述的方法,其特征在于,对所述用户的第一语音信息进行分析处理,获取用户的行程需求信息,包括:
对所述用户的第一语音信息进行预处理,得到预处理后的信息;
采用预设的语音识别算法,对所述预处理后的信息进行语音识别处理,得到用户的行程需求信息。
8.一种行程规划装置,其特征在于,所述装置包括:
接收模块,用于响应于触发的行程推荐操作后,接收用户的第一语音信息;
分析模块,用于对所述用户的第一语音信息进行分析处理,获取用户的行程需求信息;
推荐模块,用于将所述行程需求信息输入训练好的行程规划模型中进行处理,得到行程推荐信息并展示,所述行程规划模型具备预测多个业务场景信息和对每个业务场景信息进行多维度规划预测的能力。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器用于执行所述程序时实现如权利要求1-9任一项所述的行程规划方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序用于实现如权利要求1-9任一项所述的行程规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066831.XA CN115456266A (zh) | 2022-09-01 | 2022-09-01 | 行程规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066831.XA CN115456266A (zh) | 2022-09-01 | 2022-09-01 | 行程规划方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456266A true CN115456266A (zh) | 2022-12-09 |
Family
ID=84301506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211066831.XA Pending CN115456266A (zh) | 2022-09-01 | 2022-09-01 | 行程规划方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456266A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350408A (zh) * | 2023-12-04 | 2024-01-05 | 环球数科集团有限公司 | 一种基于机器学习的行程规划模型训练系统 |
CN117788226A (zh) * | 2024-02-23 | 2024-03-29 | 福建拾联乡村产业发展有限公司 | 一种数字乡村业务数据分析方法及系统 |
-
2022
- 2022-09-01 CN CN202211066831.XA patent/CN115456266A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350408A (zh) * | 2023-12-04 | 2024-01-05 | 环球数科集团有限公司 | 一种基于机器学习的行程规划模型训练系统 |
CN117350408B (zh) * | 2023-12-04 | 2024-03-01 | 环球数科集团有限公司 | 一种基于机器学习的行程规划模型训练系统 |
CN117788226A (zh) * | 2024-02-23 | 2024-03-29 | 福建拾联乡村产业发展有限公司 | 一种数字乡村业务数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210232984A1 (en) | Order allocation system and method | |
CN109074803B (zh) | 语音信息处理系统和方法 | |
CN104737523B (zh) | 通过指派用于数据群集的情境标签来管理移动装置中的情境模型 | |
CN115456266A (zh) | 行程规划方法、装置、设备及存储介质 | |
KR20180055705A (ko) | 사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 | |
WO2016138863A1 (zh) | 一种订单配对系统及方法 | |
CN117056947A (zh) | 在计算设备之间同步访问控制 | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN112182176A (zh) | 智能问答方法、装置、设备及可读存储介质 | |
CN109710760A (zh) | 短文本的聚类方法、装置、介质及电子设备 | |
US20210241770A1 (en) | Voice-Based Time-Sensitive Task Processing Over a High Generation Cellular Network | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN116932919B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN109903075B (zh) | 基于dnn的回归分布模型及其训练方法、电子设备 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 | |
Syed et al. | Neural network-based metaheuristic parameterization with application to the vehicle matching problem in ride-hailing services | |
KR101813779B1 (ko) | 신뢰 네트워크를 이용한 모바일 택시풀링 서비스 동행자 추천 방법 및 장치 | |
CN113283184B (zh) | 一种出行推荐方法、装置、计算机设备和存储介质 | |
CN111966897B (zh) | 一种出行意愿的感知方法、装置、终端及存储介质 | |
CN117132958B (zh) | 道路要素识别方法及相关装置 | |
KR102545374B1 (ko) | 뉴럴 네트워크를 이용하는 mice 이벤트 관리 방법 | |
US11187551B2 (en) | Methods and systems for recommending activities to users onboard vehicles | |
WO2023055354A1 (en) | Cost based navigation and route planning |
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 |