CN105679009B - 一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 - Google Patents
一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 Download PDFInfo
- Publication number
- CN105679009B CN105679009B CN201610078172.XA CN201610078172A CN105679009B CN 105679009 B CN105679009 B CN 105679009B CN 201610078172 A CN201610078172 A CN 201610078172A CN 105679009 B CN105679009 B CN 105679009B
- Authority
- CN
- China
- Prior art keywords
- taxi
- grid
- poi
- getting
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于出租车GPS数据挖掘的打车/接单POI推荐***及方法,将城市区域按照经纬度划分为指定大小的矩形格子;利用出租车每隔30秒发出的连续GPS记录信息,挖掘出租车在每个格子上的上车行为和下车行为;统计每个格子上的上车次数、下车次数、空驶趟数、满驶趟数,计算每个格子上的上车率和下车率,上车率作为易接单指数,综合上车次数、下车次数、空驶趟数计算得到易打车指数,根据易接单指数排序对司机进行接单地理位置推荐,根据易打车指数排序对乘客进行打车地理位置推荐。利用现有GPS数据对司机和乘客进行地理位置推荐,能够降低司机空驶概率和时间,提高乘客打到车的概率,缩短乘客等车时间。
Description
技术领域
本发明属于智能交通技术领域,特别涉及一种基于出租车GPS数据挖掘的打车/接单POI推荐***及方法。
背景技术
城市计算是计算机科学以城市为背景,跟城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域。城市计算将无处不在的感知技术、高效的数据管理和分析算法,以及新颖的可视化技术相结合,致力于提高人们的生活品质、保护环境和促进城市运转效率。智能交通是城市计算不可或缺的一个重要领域。随着城市的发展和车辆的增加,实行有效的交通控制以保证交通的高效,对能源的节省、空气污染的减缓,有着举足轻重的意义。
从20世纪70年代末以来,我国经济建设快速发展,人民生活水平不断提高,汽车保有量逐年增加,交通问题日益显现。其中,最突出的就是我国人口众多、路网不完善、道路不规范、机动车与非机动车大量存在,而交通基础设施建设还需相当长的一段时间。
目前,大多城市的出租车上已经安装了GPS设备,实时向数据中心发送当前位置信息,这些数据蕴含着城市交通***的丰富信息,充分利用出租车轨迹数据挖掘可以帮助政府了解城市道路状况,交通资源与交通需求的分布,甚至道路与交通路线规划信息;可以帮助司机推荐导航路线,改善出租车的运营策略;帮助乘客推荐等车地点和时间,提高交通服务质量。因此,近年来,智能交通领域吸引了不少科研和技术人员投入其中,希望通过计算机技术充分利用交通大数据挖掘出有用的信息,为交通优化尽一份力。
目前智能交通领域中基于出租车GPS数据的研究,多着眼于乘客打车点的推荐,本发明将同时提供司机接单点的推荐方法;同时现有发明多是基于路段或者格子进行推荐,本发明将细化到具体POI点(商圈内的商业大楼)的推荐;另外本发明将提供一套优化的打车/接单难易度的打分模型。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于出租车GPS数据挖掘的打车/接单POI推荐***及方法,充分利用出租车实时GPS数据,挖掘交通现状,提高了推荐的准确度,细化了推荐地点的粒度,从而提高司机和乘客的出行效率,减少出行成本,减少因空驶带来的能源污染。
为了实现上述目的,本发明采用的技术方案是:
一种基于出租车GPS数据挖掘的打车/接单POI推荐***,包括:
基础数据初始化模块,基于经纬度进行城市区域格子划分,并获取出租车实时GPS数据;
出租车行为挖掘模块,从出租车实时GPS数据中挖掘出租车的乘客上车行为、乘客下车行为、空驶行为以及满驶行为,同时,根据每个格子上的上车次数和空驶趟数的比值,计算得到该格子的上车率;根据每个格子上的下车次数和满驶趟数的比值,计算得到该格子的下车率;
接单难易度预测模块,以所述上车率作为相应格子的易接单指数;
打车难易度预测模块,根据空驶趟数、上车次数和下车次数计算得到易打车指数;
等客POI推荐模块,判断每个POI所属的格子,将格子的易接单指数赋给POI;将POI集合按照易接单指数由高到低排序,推荐给司机;
等车POI推荐模块,判断每个POI所属的格子,将格子的易打车指数赋给POI;将POI集合按照易打车指数由高到底排序,推荐给乘客。
所述基础数据初始化模块中,将城市按照经纬度方向,划分为指定长宽的矩形格子,作为数据统计的基础;所述出租车实时GPS数据由出租车自带GPS设备每隔一定时间(如30秒)发往中心数据库,数据包含以下信息:车牌号、当前时间、当前经纬度以及当前状态,其中当前状态包括防劫、签到、签退、空车、实车、点火以及熄火,分别用数字1~7表示,并以数字0表示无状态位。
所述出租车行为挖掘模块基于划分好的格子进行统计,首先遍历每一辆车在每个格子的连续GPS数据,当车的状态从连续空车变为实车状态则代表一次上车行为;当车的状态从连续实车变为空车则代表一次下车行为;当一辆车在某一格子上空车状态驶过,则代表一次空驶行为;当一辆车在某一格子上实车状态驶过,则代表一次满驶行为;统计每个格子上的以上四种行为的次数。
所述上车率和下车率的计算,排除城市交接班时间段。
所述打车难易度预测模块中,易打车指数公式如下:
当#OFF>0或者#UP>0时,#EXPup=#SV+#OFF-#UP;
当#OFF=0并且#UP=0时,#EXPup=0;
其中,#EXPup代表易打车指数,#SV代表空驶趟数,#OFF代表下车次数,#UP代表上车次数。
所述等客POI推荐模块中,定位出租车当前位置,司机选择推荐地理区域范围,根据当前定位和所选区域范围获取目标区域经纬度范围;根据经纬度范围求得其所属格子集合,计算目标格子的易接单指数,其中目标区域指根据所选区域范围和当前定位所确定的区域,目标格子指目标区域包含的格子集合。
所述等车POI推荐模块中,定位乘客当前位置,乘客选择推荐地理区域范围;根据当前定位和所选区域范围获取目标区域经纬度范围;根据经纬度范围求得其所属格子集合,计算目标格子的易打车指数。
所述基于出租车GPS数据挖掘的打车/接单POI推荐***还包括安卓客户端用户交互应用程序模块,该模块调用手机GPS传感器定位用户当前位置,接收司机或者乘客的范围选择输入,调用等车POI推荐算法或者调用等客POI推荐算法,进行运算,并将推荐POI在地图上进行标定,展现给用户。
本发明还提供了一种基于出租车GPS数据挖掘的打车/接单POI推荐方法,包括:
步骤1,基础数据初始化
基于经纬度,将城市区域划分为若干格子,作为数据统计的基础;同时,获取出租车的实时GPS数据,该部分数据由出租车自带GPS设备每隔一定时间(如30秒)发往中心数据库;
步骤2,出租车行为挖掘
从出租车实时GPS数据中挖掘出租车的乘客上车行为、乘客下车行为、空驶行为以及满驶行为,同时,根据每个格子上的上车次数和空驶趟数的比值,计算得到该格子的上车率;根据每个格子上的下车次数和满驶趟数的比值,计算得到该格子的下车率;
步骤3,接单及打车难易度预测
以所述上车率作为相应格子的易接单指数,指数越高越容易接单;
根据每个格子上的空驶趟数、下车次数、上车次数计算得到该格子上的易打车指数,指数越高越容易打车;
步骤4,等客及等车POI推荐
定位出租车当前位置,结合司机选择的推荐地理区域范围,获取目标区域经纬度范围;根据经纬度范围求得其所属格子集合,将目标格子的易接单指数赋给POI;将POI集合按照易接单指数由高到低排序,推荐给司机;
定位乘客当前位置,结合乘客选择的推荐地理区域范围,获取目标区域经纬度范围;根据经纬度范围求得其所属格子集合,将目标格子的易打车指数赋给POI;将POI集合按照易打车指数由高到底排序,推荐给乘客。
与现有技术相比,本发明的有益效果是:
1、提供司机和乘客双向需求的地点推荐。
现有发明多着眼于乘客打车的需求进行分析和推荐,本发明同时对司机接单的需求也进行了分析和推荐。双向行为引导比单向引导更有利于模型的优化和训练,训练和引导的最终理想结果是出租车出现地点和乘客等车地点趋向于一致,减少了出租车空驶的概率和乘客等车的时长。
2、提供更为细粒度的等车/等客地点推荐。
现有发明对打车点的推荐或者是路段或者是格子,本发明通过细化格子内包含的商业POI地址,给用户推荐具体楼宇的地点,位置更为明确,方便乘客和司机的双向精确定位。
3、更优化的打车难易度预测算法。
现有发明多是直接利用出租车空驶的次数作为打车容易指数,该做法显然在某些特殊区域存在缺陷,比如高速公路,这种地点不应该作为打车点推荐候选项。本发明涉及的打车难易度预测算法融合了下车次数和上车次数,可有效排除无效候选地点,降低推荐失效率。
附图说明
图1为本发明***整体结构图。
图2为本发明区域格子划分说明图。
图3为本发明出租车上下车行为挖掘流程图。
图4为本发明司机接单推荐流程图。
图5为本发明乘客打车推荐流程图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示,基于出租车实时GPS数据统计的城市打车/接单推荐***由基础数据初始化模块,出租车行为挖掘模块,打车难易度预测模块,接单难易度预测模块,等车POI推荐模块,等客POI推荐模块以及安卓客户端用户交互应用程序模块。
基础数据初始化模块,基于经纬度进行城市区域格子划分,该模块将城市按照经纬度方向,划分为指定长宽的矩形格子,作为数据统计的基础;出租车实时GPS数据获取,这部分数据由出租车自带GPS设备每隔30秒发往中心数据库,数据包含以下信息:车牌号、当前时间、当前经纬度、当前状态(0无状态位1防劫2签到3签退4空车5实车6点火7熄火)。
出租车行为挖掘模块,基于划分好的格子进行统计。首先遍历每一辆车在每个格子的连续GPS数据,当车的状态从连续空车变为实车状态则代表一次上车行为;当车的状态从连续实车变为空车则代表一次下车行为;当一辆车在某一格子上空车状态驶过,则代表一次空驶;当一辆车在某一格子上实车状态驶过,则代表一次满驶;程序统计每个格子上的以上四种行为的次数。根据每个格子上的上车行为次数和空驶趟数的比值,计算得到该格子的上车率;根据每个格子上的下车行为次数和满驶趟数的比值,计算得到该格子的下车率;上车率和下车率的计算,要排除城市交接班时间段,因为交接班时间段内的拒载行为带来的空驶对打车难易度没有参考意义。
打车难易度预测模块,将每个格子上的空驶趟数、下车次数、上车次数综合计算得到该格子上的乘客易打车指数。在上车次数和下车次数不全为0的情况下,易打车指数计算方法如公式#EXPup=#SV+#OFF-#UP所示,为格子上的空驶趟数加上下车次数与上车次数的差。在上车次数和下车次数全为0的情况下,易打车指数为0。特别说明,不可使用下车率和下车次数作为乘客易打车指数,因为下车率计算的是出租车在该格子上变空的概率,因为比如某热点商圈,其下车率高,下车行为次数也高,但需求大于供给,在出租车变空的瞬间立即变为实车,无法作为乘客易打车指数的指标;不可单独使用出租车空驶趟数作为乘客易打车指数,因为某些禁止停车的地段无法推荐给乘客打车,比如高速公路。因此在上车次数和下车次数均为0的情况下,易打车指数设置为0。
接单难易度预测模块,根据每个格子上的上车行为次数和空驶趟数的比值,计算得到出租车在该格子的上车率,上车率越高,代表出租车在该格子上由空车状态接到单子的概率越高,因此可直接转化为该格子的出租车易接单指数。
等车POI推荐模块,定位乘客当前位置,乘客选择推荐地理区域范围(街道、商圈、区、附近多少千米);根据乘客的当前定位和所选区域范围获取目标区域经纬度范围;根据经纬度范围求得其所属格子集合,计算目标格子的易打车指数;根据经纬度范围获取等车POI集合,判断每个POI所属的格子,将格子的易打车指数赋给POI;将POI集合按照易打车指数由高到底排序,推荐给乘客。
等客POI推荐模块,定位出租车当前位置,司机选择推荐地理区域范围(街道、商圈、区、附近多少千米);根据司机的当前定位和所选区域范围获取目标区域经纬度范围;根据经纬度范围求得其所属格子集合,计算目标格子的易接单指数;根据经纬度范围获取等客POI集合,判断每个POI所属的格子,将格子的易接单指数赋给POI;将POI集合按照易接单指数由高到低排序,推荐给司机。
安卓客户端用户交互应用程序模块,通过调用手机GPS传感器定位用户当前位置,接收司机或者乘客的范围选择输入,调用等车POI推荐算法或者调用等客POI推荐算法,进行运算,并将推荐POI在地图上进行标定,展现给用户。
本发明中各个子模块的详细介绍如下:
1、基础数据初始化模块
主要进行城市格子划分和出租车GPS实时数据获取。基于经纬度的城市区域格子划分,将城市按照经纬度方向,划分为指定长宽的矩形格子,并对每个格子编号,作为数据统计的基础;出租车实时GPS数据获取,这部分数据由出租车自带GPS设备每隔30秒发往交通局中心数据库,数据包含以下信息:车牌号、当前时间、当前经纬度、当前状态(0无状态位1防劫2签到3签退4空车5实车6点火7熄火)。比如,图2为将西安市划分为50m*50m的矩形格子,每个格子拥有自己的经纬度范围,将格子按照由西到东、由南到北依次编号,编号总数为642746。
西安市的经纬度范围如下表:
表1:西安市经纬度范围
西安市出租车总数为11728。出租车实时GPS数据包含字段如下表:
表2:出租车GPS数据字段示例
Taxi | Time | Lng | Lat | Status |
AU5382 | 2014/1/116:00 | 108.995623 | 34.357859 | 4 |
2、出租车行为挖掘模块
该模块主要用于从11728辆出租车每隔30秒发往数据中心的GPS数据中挖掘出租车的乘客上车行为、乘客下车行为、空驶行为、满驶行为。
具体如图3流程图所示,乘客上车行为带来的出租车状态的改变即由连续的空状态变为实车状态,乘客下车行为带来的出租车状态的改变即由连续的实车状态变为空车状态。空驶行为则代表该出租车在该格子上驶过的全程状态均为空,满驶行为则代表该出租车从该格子上驶过的全程状态均为实车。根据以上定义,该模块统计每个格子上的出租车的上车行为、下车行为、空驶行为、满驶行为的次数。
同时,根据每个格子上的上车行为次数和空驶趟数的比值,计算得到该格子的上车率;根据每个格子上的下车行为次数和满驶趟数的比值,计算得到该格子的下车率;上车率和下车率的计算,要排除城市交接班时间段,因为交接班时间段内的拒载行为带来的空驶对打车难易度没有参考意义。
表3:出租车行为定义说明
表4:变量定义说明
3、打车难易度预测模块
该模块主要在出租车上下车行为挖掘的数据基础上,按一定规则进行计算,得到每个格子的易打车指数。该模块的计算结果将作为后续乘客打车地点推荐模块进行推荐的依据。具体算法如下:
打车难易度预测算法,易打车指数计算方法如公式所示,
#EXPup=#SV+#OFF-#UP(#OFF>0或者#UP>0) (1)
#EXPup=0(#OFF=0并且#UP=0) (2)
其中,#EXPup代表易打车指数,其他参数如表4所示。
在上车次数和下车次数不全为0的情况下,易打车指数计算方法如上公式(1)所示,为格子上的空驶趟数加上下车次数与上车次数的差。在上车次数和下车次数全为0的情况下,易打车指数为0。
特别说明,不可使用下车率和下车次数作为乘客易打车指数,因为下车率计算的是出租车在该格子上变空的概率,因为比如某热点商圈,其下车率高,下车行为次数也高,但需求大于供给,在出租车变空的瞬间立即变为实车,无法作为乘客易打车指数的指标;不可单独使用出租车空驶趟数作为乘客易打车指数,因为某些禁止停车的地段无法推荐给乘客打车,比如高速公路。因此在上车次数和下车次数均为0的情况下,易打车指数设置为0。
4、接单难易度预测模块
该模块主要在出租车上下车行为挖掘的数据基础上,按一定规则进行计算,得到每个格子的易接单指数。该易接单指数将作为后续司机接单地点推荐模块进行推荐的依据。其具体算法如下:
接单难易度预测算法,根据每个格子上的上车行为次数和空驶趟数的比值,计算得到出租车在该格子的上车率,上车率越高,代表出租车在该格子上由空车状态接到单子的概率越高,因此可直接转化为该格子的出租车易接单指数。
5、等客POI推荐模块
如图4所示,具体步骤包括:定位出租车当前位置,司机选择推荐地理区域范围(街道、商圈、区、附近多少千米);根据司机的当前定位和所选区域范围获取目标区域经纬度范围,自动匹配区域内的概率格子,得到其所属格子集合,搜索区域内的等客POI列表(酒店、影院、饭店、剧院、商场等),并根据其所属格子的易接单指数打分,将格子的易接单指数赋给POI;将POI集合按照易接单指数由高到低排序,推荐给司机。
6、等车POI推荐模块
如图5所示,具体步骤包括:定位乘客当前位置,乘客选择推荐地理区域范围(街道、商圈、区、附近多少千米);根据乘客的当前定位和所选区域范围获取目标区域经纬度范围,自动匹配区域内的概率格子,得到其所属格子集合,搜索区域内的等车POI列表(酒店、影院、饭店、剧院、商场等),并根据其所属格子的易打车指数打分,将格子的易打车指数赋给POI;将POI集合按照易打车指数由高到底排序,推荐给乘客。
7、安卓客户端用户交互应用模块
通过调用手机GPS传感器定位用户当前位置,接收司机或者乘客的范围选择输入,调用等车POI推荐算法或者调用等客POI推荐算法,进行运算,并将推荐POI在地图上进行标定,展现给用户。
综上所述,本发明充分利用出租车车载GPS设备产生的实时地理位置信息以及车辆状态数据,挖掘出租车行为。通过对城市区域进行细粒度的划分,并基于格子进行大数据运算,得到每个格子的易打车指数和易接单指数,并充分运用计算机软件技术,通过用户可交互使用的手机端应用程序来调用算法,为乘客和司机双方提供一定的便利,节省出行时间,优化城市交通,减少因空驶带来的能源消耗和空气污染。
Claims (8)
1.一种基于出租车GPS数据挖掘的打车/接单POI推荐***,其特征在于,包括:
基础数据初始化模块,基于经纬度进行城市区域格子划分,并获取出租车实时GPS数据;
出租车行为挖掘模块,从出租车实时GPS数据中挖掘出租车的乘客上车行为、乘客下车行为、空驶行为以及满驶行为,同时,根据每个格子上的上车次数和空驶趟数的比值,计算得到该格子的上车率;根据每个格子上的下车次数和满驶趟数的比值,计算得到该格子的下车率;
接单难易度预测模块,以所述上车率作为相应格子的易接单指数;
打车难易度预测模块,根据空驶趟数、上车次数和下车次数计算得到易打车指数;
等客POI推荐模块,判断每个POI所属的格子,将格子的易接单指数赋给POI;将POI集合按照易接单指数由高到低排序,推荐给司机;
等车POI推荐模块,判断每个POI所属的格子,将格子的易打车指数赋给POI;将POI集合按照易打车指数由高到底排序,推荐给乘客。
2.根据权利要求1所述基于出租车GPS数据挖掘的打车/接单POI推荐***,其特征在于,所述基础数据初始化模块中,将城市按照经纬度方向,划分为指定长宽的矩形格子,作为数据统计的基础;所述出租车实时GPS数据由出租车自带GPS设备每隔一定时间发往中心数据库,数据包含以下信息:车牌号、当前时间、当前经纬度以及当前状态,其中当前状态包括防劫、签到、签退、空车、实车、点火以及熄火,分别用数字1~7表示,并以数字0表示无状态位。
3.根据权利要求1所述基于出租车GPS数据挖掘的打车/接单POI推荐***,其特征在于,所述出租车行为挖掘模块基于划分好的格子进行统计,首先遍历每一辆车在每个格子的连续GPS数据,当车的状态从连续空车变为实车状态则代表一次上车行为;当车的状态从连续实车变为空车则代表一次下车行为;当一辆车在某一格子上空车状态驶过,则代表一次空驶行为;当一辆车在某一格子上实车状态驶过,则代表一次满驶行为;统计每个格子上的以上四种行为的次数。
4.根据权利要求1或3所述基于出租车GPS数据挖掘的打车/接单POI推荐***,其特征在于,所述上车率和下车率的计算,排除城市交接班时间段。
5.根据权利要求1所述基于出租车GPS数据挖掘的打车/接单POI推荐***,其特征在于,所述打车难易度预测模块中,易打车指数公式如下:
当#OFF>0或者#UP>0时,#EXPup=#SV+#OFF-#UP;
当#OFF=0并且#UP=0时,#EXPup=0;
其中,#EXPup代表易打车指数,#SV代表空驶趟数,#OFF代表下车次数,#UP代表上车次数。
6.根据权利要求1所述基于出租车GPS数据挖掘的打车/接单POI推荐***,其特征在于,所述等客POI推荐模块中,定位出租车当前位置,司机选择推荐地理区域范围,根据当前定位和所选区域范围获取目标区域经纬度范围;根据目标区域经纬度范围求得其所属格子集合,计算目标格子的易接单指数,其中目标区域指根据所选区域范围和当前定位所确定的区域,目标格子指目标区域包含的格子集合。
7.根据权利要求1所述基于出租车GPS数据挖掘的打车/接单POI推荐***,其特征在于,所述等车POI推荐模块中,定位乘客当前位置,乘客选择推荐地理区域范围;根据当前定位和所选区域范围获取目标区域经纬度范围;根据目标区域经纬度范围求得其所属格子集合,计算目标格子的易打车指数,其中目标区域指根据所选区域范围和当前定位所确定的区域,目标格子指目标区域包含的格子集合。
8.一种基于出租车GPS数据挖掘的打车/接单POI推荐方法,其特征在于,包括:
步骤1,基础数据初始化
基于经纬度,将城市区域划分为若干格子,作为数据统计的基础;同时,获取出租车的实时GPS数据,该出租车实时GPS数据由出租车自带GPS设备每隔一定时间发往中心数据库;
步骤2,出租车行为挖掘
从出租车实时GPS数据中挖掘出租车的乘客上车行为、乘客下车行为、空驶行为以及满驶行为,同时,根据每个格子上的上车次数和空驶趟数的比值,计算得到该格子的上车率;根据每个格子上的下车次数和满驶趟数的比值,计算得到该格子的下车率;
步骤3,接单及打车难易度预测
以所述上车率作为相应格子的易接单指数,指数越高越容易接单;
根据每个格子上的空驶趟数、下车次数和上车次数计算得到该格子上的易打车指数,指数越高越容易打车;
步骤4,等客及等车POI推荐
定位出租车当前位置,结合司机选择的推荐地理区域范围,获取目标区域经纬度范围;根据目标区域经纬度范围求得其所属格子集合,将目标格子的易接单指数赋给POI;将POI集合按照易接单指数由高到低排序,推荐给司机;
定位乘客当前位置,结合乘客选择的推荐地理区域范围,获取目标区域经纬度范围;根据目标区域经纬度范围求得其所属格子集合,将目标格子的易打车指数赋给POI;将POI集合按照易打车指数由高到低排序,推荐给乘客;
其中目标区域指根据所选区域范围和当前定位所确定的区域,目标格子指目标区域包含的格子集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610078172.XA CN105679009B (zh) | 2016-02-03 | 2016-02-03 | 一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610078172.XA CN105679009B (zh) | 2016-02-03 | 2016-02-03 | 一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105679009A CN105679009A (zh) | 2016-06-15 |
CN105679009B true CN105679009B (zh) | 2017-12-26 |
Family
ID=56304147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610078172.XA Active CN105679009B (zh) | 2016-02-03 | 2016-02-03 | 一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105679009B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633680B (zh) * | 2016-07-12 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 出行数据的获取方法、装置、设备和*** |
CN106373387A (zh) * | 2016-10-25 | 2017-02-01 | 先锋智道(北京)科技有限公司 | 一种车辆调度方法、装置及*** |
US10559209B2 (en) * | 2016-11-10 | 2020-02-11 | Sap Se | Vehicle position planning |
CN106991525B (zh) * | 2017-03-22 | 2021-06-18 | 浙江工商大学 | 空气质量与居民出行可视分析方法与*** |
CN107133697A (zh) * | 2017-05-03 | 2017-09-05 | 百度在线网络技术(北京)有限公司 | 预估司机接单意愿的方法、装置、设备及存储介质 |
CN107507407A (zh) * | 2017-06-30 | 2017-12-22 | 百度在线网络技术(北京)有限公司 | 营运车辆服务的处理方法、装置、设备及计算机可读存储介质 |
CN110889029B (zh) * | 2018-08-17 | 2024-04-05 | 京东科技控股股份有限公司 | 城市目标推荐方法和装置 |
WO2020093242A1 (en) | 2018-11-06 | 2020-05-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for location recommendation |
CN109785612B (zh) * | 2019-03-13 | 2021-07-06 | 重庆皓石金科技有限公司 | 一种基于容易载客系数的出租汽车智能调度方法及装置 |
CN110134865B (zh) * | 2019-04-26 | 2023-03-24 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
CN111881368B (zh) * | 2019-12-31 | 2024-05-24 | 北京嘀嘀无限科技发展有限公司 | 一种确定推荐上车点的方法和*** |
CN115017427A (zh) * | 2022-08-09 | 2022-09-06 | 广州海普网络科技有限公司 | 一种地理位置信息推荐处理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004307193A (ja) * | 2003-04-10 | 2004-11-04 | Bike Kyuubin:Kk | 受発注システム |
CN102881155A (zh) * | 2012-09-29 | 2013-01-16 | 山东浪潮齐鲁软件产业股份有限公司 | 基于出租车智能终端的乘降热点区域分析的方法 |
CN103544834A (zh) * | 2013-11-14 | 2014-01-29 | 孙林 | 一种基于gps轨迹的出租车寻客策略选优方法 |
CN103578265A (zh) * | 2012-07-18 | 2014-02-12 | 北京掌城科技有限公司 | 基于出租车gps数据的打车热点获取方法 |
CN104166663A (zh) * | 2014-01-20 | 2014-11-26 | 广东工业大学 | 一种基于多维度的打车位置推荐***及其推荐方法 |
CN104361117A (zh) * | 2014-12-01 | 2015-02-18 | 北京趣拿软件科技有限公司 | 一种城市热门打车点推荐方法及*** |
CN105139637A (zh) * | 2015-07-27 | 2015-12-09 | 福建工程学院 | 一种出租车上下客地点选取的方法、***及客户端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7532899B2 (en) * | 2004-04-15 | 2009-05-12 | At&T Mobility Ii Llc | System for providing location-based services in a wireless network, such as locating sets of desired locations |
-
2016
- 2016-02-03 CN CN201610078172.XA patent/CN105679009B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004307193A (ja) * | 2003-04-10 | 2004-11-04 | Bike Kyuubin:Kk | 受発注システム |
CN103578265A (zh) * | 2012-07-18 | 2014-02-12 | 北京掌城科技有限公司 | 基于出租车gps数据的打车热点获取方法 |
CN102881155A (zh) * | 2012-09-29 | 2013-01-16 | 山东浪潮齐鲁软件产业股份有限公司 | 基于出租车智能终端的乘降热点区域分析的方法 |
CN103544834A (zh) * | 2013-11-14 | 2014-01-29 | 孙林 | 一种基于gps轨迹的出租车寻客策略选优方法 |
CN104166663A (zh) * | 2014-01-20 | 2014-11-26 | 广东工业大学 | 一种基于多维度的打车位置推荐***及其推荐方法 |
CN104361117A (zh) * | 2014-12-01 | 2015-02-18 | 北京趣拿软件科技有限公司 | 一种城市热门打车点推荐方法及*** |
CN105139637A (zh) * | 2015-07-27 | 2015-12-09 | 福建工程学院 | 一种出租车上下客地点选取的方法、***及客户端 |
Also Published As
Publication number | Publication date |
---|---|
CN105679009A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105679009B (zh) | 一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 | |
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
CN103177575B (zh) | 城区出租车动态在线调度优化***及其方法 | |
CN107067707A (zh) | 一种公交运营及乘客出行优化*** | |
CN101308029B (zh) | 路网网格匹配、路况状态信息及诱导路线信息获取方法 | |
CN107330559A (zh) | 一种多起终点多车型混载的定制公交线路规划方法 | |
CN103177561B (zh) | 公交实时路况的生成方法 | |
CN105095481A (zh) | 大规模出租车od数据可视分析方法 | |
CN105809953A (zh) | 一种基于m2m的城市交通流车路协同控制方法 | |
CN103985247A (zh) | 基于城市叫车需求分布密度的出租车运力调度*** | |
Yang et al. | An Asian model of TOD: The planning integration in Singapore | |
CN104864879A (zh) | 导航路径规划方法及装置 | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN106960406A (zh) | 一种考虑居民出行od的公交服务覆盖率计算方法 | |
CN108537391A (zh) | 一种基于出租车轨迹数据的出租车停靠站设置优化方法 | |
CN104316068A (zh) | 基于电动汽车的导航的方法、装置及*** | |
CN110458589A (zh) | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 | |
CN110222786A (zh) | 基于出行信息的动态拼车方法及*** | |
US20220005140A1 (en) | Method, apparatus, and system for providing a contextually relevant vehicle comparison | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
CN106373384B (zh) | 边远地区客运班车线路实时生成方法 | |
CN114297532B (zh) | 一种基于人群移动轨迹的高清城市功能区识别方法及*** | |
CN113177742A (zh) | 基于智能交通的公交服务方法、***、终端及存储介质 | |
CN107293142A (zh) | 基于lbs的交通信息主动推送方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |