CN111861619A - 一种共享车辆的推荐方法和*** - Google Patents
一种共享车辆的推荐方法和*** Download PDFInfo
- Publication number
- CN111861619A CN111861619A CN201911300793.8A CN201911300793A CN111861619A CN 111861619 A CN111861619 A CN 111861619A CN 201911300793 A CN201911300793 A CN 201911300793A CN 111861619 A CN111861619 A CN 111861619A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- vehicle
- shared
- characteristic data
- 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 66
- 238000012549 training Methods 0.000 claims description 59
- 238000012163 sequencing technique Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 description 13
- 230000004048 modification Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及提供一种共享车辆的推荐方法和***。所述方法包括:获取用户特征数据,所述用户特征数据至少包括用户属性;获取当前订单数据,所述当前订单数据至少包括以下中的一种:用户起点信息、与用户起点相关联的共享车辆场站数据和与用户起点相关联的场站中所有共享车辆的数据;以及,基于用户特征数据和当前订单数据,向用户推荐共享车辆。本申请所披露的共享车辆推荐方法,可以根据用户属性采取不同的匹配方式为用户匹配车辆,从而可以为用户推荐匹配度更高的共享车辆,提升了用户满意度。
Description
技术领域
本申请涉及出行领域,特别涉及一种共享车辆的推荐方法和***。
背景技术
共享汽车的公共服务模式被越来越多的人接受和使用。然而,不同收入、社会背景和驾驶***台页面上看到的基本上都是同一车型,这就造成批量投放的车型闲置浪费,因此,有必要提供一种共享车辆的推荐方法和***。
发明内容
本申请的一个方面提供一种共享车辆的推荐方法。所述方法包括:获取用户特征数据,所述用户特征数据至少包括用户属性;获取当前订单数据,所述当前订单数据至少包括以下中的一种:用户起点信息、与用户起点相关联的共享车辆场站数据和与用户起点相关联的场站中所有共享车辆的数据;以及,基于所述用户特征数据和所述当前订单数据,向所述用户推荐共享车辆。
本申请的另一方面提供一种共享车辆的推荐***。所述***包括:第一获取模块、第二获取模块和推荐模块;其中:所述第一获取模块,用于获取用户特征数据,所述用户特征数据至少包括用户属性;所述第二获取模块,用于获取当前订单数据,所述当前订单数据至少包括以下中的一种:用户起点信息、与用户起点相关联的共享车辆场站数据和与用户起点相关联的场站中所有共享车辆的数据;所述推荐模块,用于基于所述用户特征数据和所述当前订单数据,向所述用户推荐共享车辆。
本申请的另一方面提供一种共享车辆的推荐装置,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现本申请任一实施例所述的方法。
本申请的另一方面提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行本申请任一实施例所述的方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请的一些实施例所示的按需服务***100的应用场景示意图。
图2是根据本申请的一些实施例所示的示例性计算设备200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是根据本申请一些实施例所示的共享车辆推荐***的模块图。
图5是根据本申请一些实施例所示的共享车辆推荐方法的示例性流程图。
图6是根据本申请一些实施例所示的推荐共享车辆方法的示例性流程图。
图7是根据本申请又一实施例所示的推荐共享车辆方法的示例性流程图。
图8是根据本申请又一实施例所示的推荐共享车辆方法的示例性流程图。
图9是根据本申请一些实施例所示的匹配模型训练方法的示例性流程图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请的实施例可以应用于不同的运输***,例如,出租车、专车、顺风车、巴士、代驾等。本申请描述的“乘客”、“乘客端”、“用户终端”、“顾客”、“需求者”、“服务需求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的,是指需要或者订购服务的一方,可以是个人,也可以是工具。同样地,本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的,是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外,本申请描述的“用户”可以是需要或者订购服务的一方,也可以是提供服务或者协助提供服务的一方。
图1是根据本申请的一些实施例所示的按需服务***100的应用场景示意图。按需服务***100可以基于用户特征数据和当前订单数据向用户推荐共享车辆,从而使推荐的共享车辆更符合用户的偏好,降低车辆闲置率,提高资源利用效率。按需服务***100可以是用于互联网或者其它网络的服务平台。例如,按需服务***100可以是为交通运输提供服务的线上服务平台。在一些实施例中,按需服务***100可以应用于网约车服务,例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。在一些实施例中,按需服务***100还可以应用于代驾、快递、外卖等。在另一些实施例中,按需服务***100还可以应用于出行(如旅游)服务领域。按需服务***100可以包括一个服务器110、一个或一个以上服务请求者终端120、存储设备130、网络150和信息源140。服务器110可以包括处理引擎112。
在一些实施例中,服务器110可以是一个单个的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如,服务器110可以是一个分布式的***)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络150访问存储在存储设备130、服务请求者终端120中的信息和/或数据。再例如,服务器110可以直接连接到存储设备130、服务请求者终端120以访问存储的信息和/或数据。在一些实施例中,服务器110可以在一个云平台上实现。仅仅举个例子,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或上述举例的任意组合。在一些实施例中,服务器110可以在与本申请图2所示的计算设备上实现。例如,服务器110可以在如图2所示的一个计算设备200上实现,包括计算设备200中的一个或多个部件。在一些实施例中,处理引擎112可处理与共享车辆推荐有关的数据和/或信息以执行一个或多个本申请中描述的功能。例如,处理引擎112可以处理与用户发起的服务请求相关的信息和/或数据执行本申请中的一个或以上功能。在一些实施例中,处理引擎112可以获取用户特征数据。在一些实施例中,处理引擎112可以获取当前订单数据。在一些实施例中,处理引擎112可以基于用户订单数据和当前订单数据,向用户推荐共享车辆,例如将共享车辆信息推送到请求者终端120。
在一些实施例中,服务请求者终端120的使用者可以是服务请求者本人。在一些实施例中,服务请求者终端120的使用者可以是除服务请求者以外的其他人。例如,在共享车辆服务中,服务请求者终端120的使用者可以是用车人本人,也可以是用车人的亲戚、朋友等帮用车人下单的人。又例如,在外卖服务中,服务请求者终端120的使用者可以是外卖配送员。再例如,在网约车服务中,服务请求者终端120的使用者可以是网约车司机。
在一些实施例中,服务请求者终端120可以包括但不限于台式电脑120-1、笔记本电脑120-2,车载内置设备120-3、移动设备120-4等或其任意组合。在一些实施例中,车载内置设备120-3可以包括但不限于个车载电脑、车载抬头显示(HUD)、车载自动诊断***(OBD)等或其任意组合。在一些实施例中,移动设备120-4可以包括但不限于智能手机、个人数码助理(Personal Digital Assistance,PDA)、平板电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备、显示增强设备等或其任意组合。在一些实施例中,服务请求者终端120可以将运输服务需求发送至按需服务***100中的一个或多个设备中。例如,服务请求者终端120可以将运输服务需求发送至服务器110进行处理。
在一些实施例中,服务请求者终端120可以是一带有定位功能的装置,以确定服务请求者终端120的位置。在一些实施例中,定位功能可以基于与全球定位***(GPS)、全球导航卫星***(GLONASS)、指南针导航***(COMPASS)、北斗导航卫星***、伽利略定位***、准天顶卫星***(QZSS)等相关的定位技术实现。在一些实施例中,用户终端120可以实时将定位信息发送至服务器110。
存储设备130可以存储数据和/或指令。在一些实施例中,存储设备130可以存储从服务请求者终端120获得的数据。在一些实施例中,存储设备130可以存储供服务器110执行或使用的数据和/或指令,服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的示例性方法。在一些实施例中,存储设备130可以与网络150连接以实现与按需服务***100中的一个或多个部件(例如,服务器110、服务请求者终端120等)之间的通信。按需服务***100的一个或多个部件可以通过网络150访问存储在存储设备130中的数据或指令。在一些实施例中,存储设备130可以直接与按需服务***100的一个或多个部件(例如,服务器110、服务请求者终端120等)连接或通信。在一些实施例中,存储设备130可以是服务器110的一部分。
网络150可以促进信息和/或数据的交换。在一些实施例中,按需服务***100中的一个或多个部件(例如,服务器110、存储设备130和服务请求者终端120等)可以通过网络150向按需服务***100中的其他部件发送信息和/或数据。例如,服务器110可以通过网络150从服务请求者终端120获取/得到数据信息。在一些实施例中,网络150可以是有线网络或无线网络中的任意一种,或其组合。例如,网络150可以包括电缆网络、有线网络、光纤网络、远程通信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中,网络150可以包括一个或多个网络接入点。例如,网络150可能包括有线或无线网络接入点,如基站和/或互联网交换点150-1、150-2等等。通过接入点,按需服务***100的一个或多个部件可能连接到网络150以交换数据和/或信息。
信息源140是为按需服务***100提供其他信息的一个源。信息源140可以用于为***提供与订单信息相关的信息,例如,服务时间、服务地点、法律法规信息、新闻信息、生活资讯、生活指南信息等。信息源140可以是一个单独的中央服务器的形式存在,也可以是以多个通过网络连接的服务器的形式存在,还可以是以大量的个人设备形式存在。当信息源140以大量个人设备形式存在时,这些设备可以通过一种用户生成内容(user-generatedcontents)的方式,例如向云端服务器上传文字、语音、图像、视频等,从而是云端服务器连通与其连接的众多个人设备一起组成信息源140。
图2是根据本申请的一些实施例所示的示例性计算设备200的示意图。服务器110和存储设备130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上实现并被配置为实现本申请中所披露的功能。
计算设备200可以包括用来实现本申请所描述的***的任意部件。例如,处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机,但是本申请所描述的与按需服务***100相关的计算功能可以以分布的方式、由一组相似的平台所实施,以分散***的处理负荷。
计算设备200可以包括与网络连接的通信端口250,用于实现数据通信。计算设备200可以包括一个处理器(例如,CPU)220,可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括,例如,硬盘270、只读存储器(ROM)230或随机存取存储器(RAM)240,用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存取存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。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也包括输入/输出部件260,用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。
为理解方便,图2中仅示例性绘制了一个处理器。然而,需要注意的是,本申请中的计算设备200可以包括多个处理器,因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如,如果在本申请中,计算设备200的处理器执行步骤1和步骤2,应当理解的是,步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行(例如,第一处理器执行步骤1,第二处理器执行步骤2,或者第一和第二处理器共同地执行步骤1和步骤2)。
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。
如图3所示,移动设备300可以包括通信单元310、显示单元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、存储器370和传感器380。在一些实施例中,任何其他合适的组件,包括但不限于***总线或控制器(未显示),亦可包括于移动设备300内。
在一些实施例中,移动操作***362(例如,IOSTM、AndroidTM、Windows PhoneTM等)和一个或多个应用程序364可以从存储器370加载到内存360中以便由CPU340执行。应用程序364可以包括浏览器或任何其他合适的移动应用程序,用于发送与交通运输服务相关联的数据/信息,并接收和呈现来自按需服务***100的处理或其他相关的信息。例如,应用程序364可以是在线网约车出行平台(例如,滴滴出行TM),用户(例如,服务请求者)可以通过应用程序364请求交通运输服务,并将请求信息发送至后台服务器端。用户与信息流的交互可以经由输入/输出350来实现并且经由网络150被提供给服务器110和/或按需服务***100的其他组件。
为了实现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所描述的一个或以上组件的硬件平台。具有用户接口组件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装置。若计算机被适当的程序化,计算机亦可充当***。
图4是根据本申请一些实施例所示的共享车辆推荐***的模块图。如图4所示,该***可以包括第一获取模块410、第二获取模块420和推荐模块430。
第一获取模块410可以用于获取用户特征数据,所述用户特征数据至少包括用户属性。在一些实施例中,用户属性可以包括用户为新用户或用户不为新用户。在一些实施例中,若用户不为新用户,用户特征数据还可以包括用户基本特征、驾驶习惯数据和历史订单数据。在一些实施例中,若用户为新用户,用户特征数据可以不包括除用户属性之外的其他用户特征数据。在一些实施例中,若用户为新用户,用户特征数据还可以包括用户基本特征和/或驾驶习惯数据。关于获取用户特征数据的更多描述可以在本申请的其他地方(如流程图5及其相关描述中)找到,在此不作赘述。
第二获取模块420可以用于获取当前订单数据,所述当前订单数据至少包括用户起点信息、与用户起点相关联的共享车辆场站数据和与用户起点相关联的场站中所有共享车辆的数据。关于获取当前订单数据的更多描述可以在本申请的其他地方(如流程图5及其相关描述中)找到,在此不作赘述。
推荐模块430可以用于基于用户特征数据和当前订单数据,向用户推荐共享车辆。
在一些实施例中,若用户不为新用户时,推荐模块430可以用于基于用户特征数据和当前订单数据,确定与用户起点相关联的场站中所有共享车辆与用户匹配的排序结果;并基于排序结果,向用户推荐共享车辆。关于推荐共享车辆的更多描述可以在本申请的其他地方(如流程图6及其相关描述中)找到,在此不作赘述。
在一些实施例中,若用户为新用户且不包括除用户属性之外的其他用户特征数据时,推荐模块430可以用于获取与用户起点相关联的场站中所有共享车辆历史使用率;并对所有共享车辆历史使用率进行排序,得到排序结果;以及基于排序结果,向用户推荐共享车辆。关于推荐共享车辆的更多描述可以在本申请的其他地方(如流程图7及其相关描述中)找到,在此不作赘述。
在一些实施例中,若用户为新用户且用户特征数据还包括用户基本特征和/或驾驶习惯数据时,推荐模块430可以用于获取其他用户的用户特征数据和偏好车辆评分;并利用协同过滤算法处理用户特征数据和其他用户的用户特征数据,得到其他用户与该用户相似率的排列结果;还可以用于基于相似率的排列结果和偏好车辆评分,得到偏好车辆的排列结果;并基于偏好车辆的排列结果,筛选出与用户起点相关联的场站中的匹配共享车辆;还可以用于对匹配共享车辆按偏好车辆的排列结果进行排序,得到排序结果;以及基于排序结果,向该用户推荐共享车辆。关于推荐共享车辆的更多描述可以在本申请的其他地方(如流程图8及其相关描述中)找到,在此不作赘述。
在一些实施列中,推荐模块430还可以用于设定车辆推荐阈值,并且基于排序结果和车辆推荐阈值,向用户推荐共享车辆。
在一些实施列中,推荐模块430还可以用于基于排序结果和车辆推荐阈值,优先向用户展示排序结果靠前的共享车辆。
在一些实施例中,该***400还可以包括匹配模型训练模块440。在一些实施例中,匹配模型训练模块440可以用于获取用户特征数据、历史订单数据及用户与共享车辆的匹配率样本,还可以将用户与共享车辆的匹配率标记作为参考匹配率。在一些实施例中,匹配模型训练模块440还可以用于基于用户特征数据样本、历史订单数据样本及标记结果训练初始模型得到匹配模型。
在一些实施例中,匹配模型训练模块440,还可以用于获取用户浏览所述推荐的共享车辆、查看所述推荐的共享车辆性能指标、选择所述推荐的共享车辆的数据;并可以将用户浏览推荐的共享车辆、查看推荐的共享车辆性能指标、选择推荐的共享车辆的数据作为训练样本训练匹配模型。关于匹配模型训练的更多描述可以在本申请的其他地方(如流程图9及其相关描述中)找到,在此不作赘述。
应当理解,图4所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于推荐上车点***及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,***400还可以包括存储模块,用于存储来自第一获取模块410、第二获取模块420、推荐模块430、机器和匹配模型训练模块440中的数据。又例如,匹配模型训练模块440可以从***400中移除,或者将匹配模型训练模块440设置在另一***中。诸如此类的变形,均在本申请的保护范围之内。
图5是根据本申请一些实施例所示的共享车辆推荐方法的示例性流程图。如图5所示,该共享车辆的推荐方法500可以包括:
步骤510,获取用户特征数据,所述用户特征数据至少包括用户属性。具体的,该步骤510可以由第一获取模块410执行。
在一些实施例中,用户属性可以包括用户为新用户或用户不为新用户。在一些实施例中,新用户可以包括除用户属性外没有其他用户特征数据的用户,还可以包括除用户属性外还存在用户基本特征和/或驾驶习惯数据的用户。在一些实施例中,若用户不为新用户,用户特征数据还可以包括用户基本特征、驾驶习惯数据和历史订单数据。
在一些实施例中,用户基本特征可以包括性别、年龄、职业、征信记录、教育程度和/或身高。
在一些实施例中,驾驶习惯数据可以包括驾驶行为习惯、对车辆颜色的偏好、对车辆性能的偏好和/或用车频率。在一些实施例中,驾驶行为习惯可以包括是否起步快或是否常使用急刹车。在一些实施例中,对车辆颜色的偏好可以包括喜欢某种颜色(如,白色或黑色)的车辆。在一些实施例中,对车辆性能的偏好可以包括喜欢燃油经济性好的车辆、喜欢操控稳定性强的车辆或喜欢安全性高的车辆。在一些实施例中,用车频率可以包括年用车次数、月用车次数或周用车次数。
在一些实施例中,历史订单数据可以包括与历史订单相关的车辆数据、服务时间、行程起始点、行程目的地和/或行程路径。在一些实施例中,与历史订单相关的车辆数据可以包括车辆颜色、车辆类型、车辆性能、车辆品牌、车牌号码和/或车辆出厂日期。在一些实施例中,服务时间可以包括用车开始时间、用车结束时间和/或用车时长。
在一些实施例中,第一获取模块410可以通过网络150访问存储于存储设备130中的信息和/或资料以获取用户特征数据。在一些实施例中,第一获取模块410可以通过接口获取该用户特征数据。在一些实施例中,第一获取模块410还可以通过其他方式获取该用户特征数据,本申请对此不作限制。
步骤520,获取当前订单数据。具体的,该步骤520可以由第二获取模块420执行。
在一些实施例中,当前订单数据至少可以包括用户起点信息、与用户起点相关联的共享车辆场站数据以及与用户起点相关联的场站中所有共享车辆的数据。在一些实施例中,用户起点信息可以包括用车人当前的位置坐标。
在一些实施例中,共享车辆是指供租赁的车辆,用户可以短期内租赁车辆,并按时间或里程付费。在一些实施例中,共享车辆场站可以包括专门用于停靠共享车辆的场地(如,停车场)。在一些实施例中,与用户起点相关联的共享车辆场站可以包括距离用户起点一定阈值(如,300米或500米)范围内的所有共享车辆场站,或者距离用户起点最近的3-5个共享车辆场站。在一些实施例中,与用户起点相关联的共享车辆场站数据可以包括共享车辆场站的位置、共享车辆场站中车辆的数量、共享车辆场站距离用户起点的距离或共享车辆场站距离用户起点的路程及路况等。
在一些实施例中,与用户起点相关联的场站中所有共享车辆的数据可以包括与用户起点相关联的场站中的车辆颜色、车辆类型、车辆性能、车辆品牌、车牌号码、车辆出厂日期、车辆当前电量或油量等。
在一些实施例中,当用户通过服务请求者终端发送用车服务请求时,第二获取模块420可以获取该用车服务请求中的用户起点信息,并通过网络150访问存储于存储设备130中的信息和/或资料以获取与用户起点相关联的共享车辆场站数据和与用户起点相关联的场站中所有共享车辆的数据。在一些实施例中,第二获取模块420可以通过接口获取该当前订单数据。在一些实施例中,第二获取模块420还可以通过其他方式获取该当前订单数据,本申请对此不作限制。
步骤530,基于用户特征数据和当前订单数据,向用户推荐共享车辆。具体的,该步骤530可以由推荐模块430执行。
在一些实施例中,若用户不为新用户,向用户推荐共享车辆可以包括根据共享车辆与用户的匹配结果进行推荐。具体的,可以基于用户特征数据和当前订单数据,确定与用户起点相关联的场站中所有共享车辆与用户匹配的排序结果;并基于排序结果,向用户推荐共享车辆。在一些实施例中,确定共享车辆与用户进行匹配的排序结果可以是通过共享车辆的数据和用户特征数据进行匹配得到的。例如,可以根据用户特征数据,在与用户起点相关联的场站中挑选出符合用户要求的共享车辆,符合用户特征数据越多的共享车辆,用户选择该共享车辆的可能性就越大,匹配后的排序结果就越靠前。在一些实施例中,确定与用户起点相关联的场站中所有共享车辆与用户匹配的排序结果可以通过匹配模型进行计算。关于确定共享车辆与用户匹配的排序结果的更多描述可以在本申请的其他地方(如流程图6及其相关描述中)找到,在此不作赘述。
在一些实施例中,若用户为新用户且不包括除用户属性之外的其他用户特征数据,向用户推荐共享车辆可以包括根据共享车辆历史使用率进行推荐。具体的,可以获取与用户起点相关联的场站中所有共享车辆历史使用率;并对所有共享车辆历史使用率进行排序,得到排序结果;以及基于排序结果,向用户推荐共享车辆。关于向用户推荐共享车辆的更多描述可以在本申请的其他地方(如流程图7及其相关描述中)找到,在此不作赘述。
在一些实施例中,用户为新用户且用户特征数据还包括用户基本特征和/或驾驶习惯数据,向用户推荐共享车辆可以包括根据用户与其他用户的相似率和其他用户的偏好车辆评分进行推荐。具体的,可以获取其他用户的用户特征数据和偏好车辆评分;并利用协同过滤算法处理该用户的用户特征数据和其他用户的用户特征数据,得到该用户与其他用户相似率的排列结果;然后基于相似率的排列结果和偏好车辆评分,得到偏好车辆的排列结果;并基于偏好车辆的排列结果,筛选出与所述用户起点相关联的场站中的匹配共享车辆;进而对匹配共享车辆按偏好车辆的排列结果进行排序,得到排序结果;以及基于排序结果,向该用户推荐共享车辆。关于向用户推荐共享车辆的更多描述可以在本申请的其他地方(如流程图8及其相关描述中)找到,在此不作赘述。
在一些实施例中,基于排序结果向用户推荐共享车辆还可以包括根据设定条件向用户推荐共享车辆。具体的,可以设定车辆推荐阈值(如,3或5);并基于排序结果和车辆推荐阈值,向用户推荐共享车辆。例如,将排序结果为前5的共享车辆作为推荐车辆展示给用户以供用户选择。在一些实施例中,还可以优先向用户展示排序结果靠前的共享车辆。例如,最先展示排序结果第一的共享车辆,然后依次展示排序结果第二、第三、第四和第五的共享车辆。
在一些实施例中,向用户展示共享车辆的方式可以包括弹窗、列表或滑动框等方式。在一些实施例中,弹窗展示可以包括在服务请求者终端120的界面上弹出推荐窗口。在一些实施例中,弹窗的形式可以包括手势窗体。例如,握拳大拇指向上并带有“推荐”字样的手势窗体。在一些实施例中,待用户点击推荐弹窗后,可以继续向用户展示推荐的车辆数据(如,车辆图片、车辆品牌、车辆型号、车辆排序结果或场站数据等),用户左右滑动窗口可以浏览所有的推荐车辆;用户点击车辆图片后可以查看车辆的详细性能指标。在一些实施例中,车辆数据页面还可以设置确定按钮,用户可以选择愿意租赁的车辆点击确定按钮并完成租赁。
在一些实施例中,列表展示可以包括按照车辆的排序结果,在服务请求者终端120的界面上以列表的形式按顺序展示车辆数据。例如,在列表中从上往下,依次展示排序结果为前五的共享车辆。在一些实施例中,列表中的车辆数据可以包括车辆品牌、车辆型号、车辆出厂日期、车辆排序结果或场站数据等。
在一些实施例中,滑动框展示可以包括按照车辆的排序结果,在服务请求者终端120的界面上以滑动框的形式展示车辆数据。例如,在服务请求者终端120的界面上,上半部分展示车辆在场站中的位置、场站数据,下半部分展示车辆数据(如,车辆颜色、车辆品牌、车辆型号或车辆排序结果)。
在一些实施例中,推荐模块430可以根据预先设置的展示方式向用户推荐车辆。在一些实施例中,预先设置的展示方式可以为***默认设置,也可以为用户预先选择的展示方式。
在一些实施例中,还可以获取用户浏览推荐的共享车辆、查看推荐的共享车辆性能指标、选择推荐的共享车辆等数据,以作为训练样本对匹配模型进行迭代更新。关于匹配模型训练方法的更多细节可以参见图9及其相关描述。在一些实施例中,推荐模块430可以获取用户浏览推荐的共享车辆、查看推荐的共享车辆性能指标、选择推荐的共享车辆等数据,并通过网络150发送给匹配模型训练模块,或存储在存储设备130中,以作为匹配模型的训练样本。
应当注意的是,上述有关流程500的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程500进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,步骤510和步骤520可以合并为一个步骤,可以同时获取用户特征数据和当前订单数据。又例如,车辆推荐阈值可以根据用户实际需要进行调整,不限于实施例中所列举的情形。
图6是根据本申请一些实施例所示的推荐共享车辆方法的示例性流程图。如图6所示,该推荐共享车辆方法600可以包括:
步骤610,基于用户特征数据和当前订单数据,确定与用户起点相关联的场站中所有共享车辆与所述用户匹配的排序结果。具体的,该步骤610可以由推荐模块430执行。
在一些实施例中,与用户起点相关联的场站中所有共享车辆与用户匹配的排序结果可以包括共享车辆与用户匹配的匹配率的排序结果。在一些实施例中,确定与用户起点相关联的场站中所有共享车辆与用户匹配的排序结果可以通过匹配模型得到匹配率后获得。具体的,可以利用匹配模型处理用户特征数据和当前订单数据,得到与用户起点相关联的场站中所有共享车辆与所述用户的匹配率;对所述匹配率进行排序,得到排序结果。例如,可以将用户特征数据和与用户起点相关联的场站中所有共享车辆的数据输入匹配模型,输出共享车辆与用户的匹配率,匹配率越高则表示该共享车辆符合用户特征数据的程度越高,用户选择该共享车辆的可能性会越大,即:符合用户特征数据越多的共享车辆,进行匹配的排序结果就越靠前,被用户选择的机率越高。在一些实施例中,匹配率可以指共享车辆满足用户要求或期望的程度,例如,当所述匹配率大于80%时,可以认为该共享车辆满足用户的要求或期望;当所述匹配率小于60%时,可以认为该共享车辆不满足用户的要求或期望;当所述匹配率为60%~80%时,可以认为该共享车辆基本满足用户的要求或期望。在一些实施例中,所述匹配模型可以包括关联模型、聚类模型、分类模型、回归模型、矩阵分解模型、神经网络、图模型以及隐语义模型。关于所述匹配模型训练方法更多描述可以在本申请的其他地方(如流程图9及其相关描述中)找到,在此不作赘述。
在一些实施例中,推荐模块430可以通过网络150访问存储于存储设备130中的匹配模型,并基于用户特征数据和当前订单数据,确定与用户起点相关联的场站中所有共享车辆与所述用户匹配的排序结果。
步骤620,基于排序结果,向所述用户推荐共享车辆。具体的,该步骤620可以由推荐模块430执行。
关于步骤620的具体细节可以参见图5中步骤530及其相关描述,在此不作赘述。
应当注意的是,上述有关流程600的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程600进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,匹配率大于90%时,为满足用户的要求或期望;匹配率为80%~90%时,为基本满足用户的要求或期望;匹配率小于80%时,为不满足用户的要求或期望。又例如,匹配率可以使用0.1、0.2、0.5、0.8、0.9、1进行表示。
图7是根据本申请又一实施例所示的推荐共享车辆方法的示例性流程图。如图7所示,该推荐共享车辆方法700可以包括:
步骤710,获取与用户起点相关联的场站中所有共享车辆历史使用率。具体的,该步骤710可以由推荐模块430执行。
在一些实施例中,共享车辆的历史使用率可以是该共享车辆的使用次数与该场站中所有共享车辆的使用次数总和之比。在一些实施例中,共享车辆的历史使用率还可以是该共享车辆的使用次数与共享车辆平台中所有共享车辆的使用次数总和之比。共享车辆的历史使用率可以根据共享车辆平台中历史订单数据中的所有车辆的使用情况统计得出。
在一些实施例中,当用户为新用户且不包括除用户属性之外的其他用户特征数据时,推荐模块430可以通过网络150访问存储于存储设备130中的信息和/或资料以获取与用户起点相关联的场站中所有共享车辆历史使用率。在一些实施例中,推荐模块430可以通过接口获取共享车辆历史使用率。在一些实施例中,推荐模块430还可以通过其他方式获取共享车辆历史使用率,本申请对此不作限制。
步骤720,对所有共享车辆历史使用率进行排序,得到排序结果。具体的,该步骤720可以由推荐模块430执行。
在一些实施例中,可以对所有共享车辆历史使用率按大小进行排序。在一些实施例中,推荐模块430可以对与用户起点相关联的场站中所有共享车辆的历史使用率进行排序,得到排序结果。
步骤730,基于排序结果,向用户推荐共享车辆。具体的,该步骤730可以由推荐模块430执行。
关于步骤730的具体细节可以参见图5中步骤530及其相关描述,在此不作赘述。
应当注意的是,上述有关流程700的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程700进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,步骤710中共享车辆的历史使用率还可以是该共享车辆的使用次数与运营区域内所有场站中所有共享车辆的使用次数总和之比。
图8是根据本申请又一实施例所示的推荐共享车辆方法的示例性流程图。如图8所示,该推荐共享车辆方法800可以包括:
步骤810,获取其他用户的用户特征数据和偏好车辆评分。具体的,该步骤810可以由推荐模块430执行。
在一些实施例中,当用户为新用户且用户特征数据还包括用户基本特征和/或驾驶习惯数据时,可以获取其他用户的用户特征数据和偏好车辆评分。关于用户特征数据可以参见图5及其相关描述,在此不作赘述。所述其他用户与所述用户的用户特征数据具有一定的相似性,通过用户特征数据进行关联可以得到所述用户的车辆的偏好。
在一些实施例中,所述其他用户的偏好车辆评分可以是根据所述其他用户对车辆各方面偏好的统计数据综合得出的评分,所述其他用户对车辆各方面偏好可以包括对车辆颜色的偏好、对车辆性能的偏好、对车辆类型的偏好等。在一些实施例中,对车辆颜色的偏好可以包括喜欢某种颜色(如,白色或黑色)的车辆。在一些实施例中,对车辆性能的偏好可以包括喜欢燃油经济性好的车辆、喜欢操控稳定性强的车辆或喜欢安全性高的车辆。在一些实施例中,对车辆类型的偏好可以包括喜欢商务车或小型轿车。
在一些实施例中,推荐模块430可以通过网络150访问存储于存储设备130中的信息和/或资料以获取其他用户的用户特征数据和偏好车辆评分。
步骤820,利用协同过滤算法处理用户特征数据和其他用户的用户特征数据,得到所述其他用户与所述用户相似率的排列结果。具体的,该步骤820可以由推荐模块430执行。
在一些实施例中,利用协同过滤算法处理所述用户特征数据和所述其他用户的用户特征数据,可以包括比较所述用户的用户特征数据和所述其他用户的用户特征数据之间的相似性,从而计算所述用户与所述其他用户的相似率。在一些实施例中,所述其他用户与所述用户相似率的排列结果可以包括按相似率从大到小依次排序的结果,或者按相似率从小到大依次排序的结果。
在一些实施例中,推荐模块430可以通过网络150访问存储于存储设备130中的协同过滤算法,以利用协同过滤算法处理用户特征数据和其他用户的用户特征数据,得到所述其他用户与所述用户相似率的排列结果。
步骤830,基于相似率的排列结果和偏好车辆评分,得到所述偏好车辆的排列结果。具体的,该步骤830可以由推荐模块430执行。
在一些实施例中,所述偏好车辆的排列结果可以包括对偏好车辆综合评分按照从大到小依次排序的结果,或者照从小到大依次排序的结果。在一些实施例中,所述偏好车辆的排列结果可以包括基于相似率的排列结果和偏好车辆评分得到的车辆综合评分的排序结果。具体的,可以通过相似率和偏好车辆的评分进行加权或者相乘等计算规则对所述偏好车辆进行综合评分,得到所述偏好车辆的排列结果。在一些实施例中,推荐模块430可以基于相似率的排列结果和偏好车辆评分,得到所述偏好车辆的排列结果。
步骤840,基于偏好车辆的排列结果,筛选出与用户起点相关联的场站中的匹配共享车辆。具体的,该步骤840可以由推荐模块430执行。
在一些实施例中,所述匹配共享车辆可以包括与用户起点相关联的场站中可以使用的、且与上述偏好车辆排序结果中车辆相同或者相似(例如,相似度在90%以上)的共享车辆。在一些实施例中,推荐模块430可以基于偏好车辆的排列结果,筛选出与用户起点相关联的场站中的匹配共享车辆。
步骤850,对匹配共享车辆按偏好车辆的排列结果进行排序,得到排序结果。具体的,该步骤850可以由推荐模块430执行。
在一些实施例中,所述匹配共享车辆的排序可以按照偏好车辆的综合评分由大到小,或者由小到大的顺序进行排序。在一些实施例中,基于偏好车辆的排列结果,推荐模块430可以将匹配共享车辆根据相应的综合评分进行排序,得到匹配共享车辆的排序结果。
步骤860,基于所述排序结果,向所述用户推荐共享车辆。具体的,该步骤860可以由推荐模块430执行。
关于步骤860的具体细节可以参见图5中步骤530及其相关描述,在此不作赘述。
应当注意的是,上述有关流程800的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程800进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,步骤830可以进一步包括计算所述偏好车辆的综合评分的步骤等。
图9是根据本申请一些实施例所示的匹配模型训练方法的示例性流程图。如图9所示,该匹配模型训练方法900可以包括:
步骤910,获取用户特征数据、历史订单数据及用户与共享车辆的匹配率样本;其中,将用户与共享车辆的匹配率标记作为参考匹配率。具体的,该步骤910可以由匹配模型训练模块440执行。
在一些实施例中,训练样本可以包括一定数量的用户特征数据、历史订单数据、用户与共享车辆匹配率样本,训练样本用于训练匹配模型。关于用户特征数据、历史订单数据的具体描述参见图5中步骤510及其相关描述,在此不作赘述。关于用户与共享车辆匹配率的具体描述参见图6中步骤610及其相关描述,在此不作赘述。
在一些实施例中,步骤910还可以包括对获取的训练样本进行预处理,使其符合训练的要求。所述预处理可以包括格式转换、归一化、标识等。
在一些实施例中,训练样本的标识可以通过人工或计算机程序进行。比如,可以通过计算机程序计算用户与车辆的匹配率,并将用户与共享车辆的匹配率标记作为参考匹配率。
在一些实施例中,匹配模型训练模块440可以通过网络150访问存储于存储设备130中的信息和/或资料以获取训练样本。在一些实施例中,匹配模型训练模块440可以通过接口获取训练样本。在一些实施例中,匹配模型训练模块440还可以通过其他方式获取训练样本,本申请对此不作限制。
步骤920,基于用户特征数据样本、历史订单数据样本及标记结果训练初始模型得到所述匹配模型。具体的,该步骤920可以由匹配模型训练模块440执行。
在一些实施例中,所述初始模型可以包括回归模型。在一些实施例中,回归模型可以包括线性回归(Linear Regression)、逻辑回归(Logistic Regression)、多项式回归(Polynomial Regression)、逐步回归(Stepwise Regression)、岭回归(RidgeRegression)、套索回归(Lasso Regression)、弹性回归(ElasticNet Regression)、回归树(Regression Tree)和支持向量回归(support vector regression)。
在一些实施例中,所述初始模型的训练可以包括:1)将样本数据划分为训练集、验证集、测试集。可以对数据按一定的比例随机地进行划分,例如,所述比例可以是训练集85%、验证集10%、测试集5%。2)将训练集中的样本数据输入待训练的初始模型中进行训练,当训练满足一定条件时,例如,训练次数达到预设值,或损失函数的值小于预定值,所述模型训练过程可以停止,并获取训练后的匹配模型。3)将验证集中的样本数据输入上述训练后的匹配模型中进行计算,获得输出结果。4)对比验证集中样本数据在3)中的输出结果与相应样本数据的标识(例如,参考匹配率),获取对比结果。在一些实施例中,所述对比结果可以包括输出结果与标签标识匹配,或者不匹配。所述匹配可以指输出结果与标签标识差距在2%以内,否者视为不匹配。若对比结果满足验证要求(可根据实际需要,自行设定,如,可设定验证集中95%以上的样本数据经训练后的模型得到的输出结果与相应标签标识匹配),则转入步骤5)进行测试。否则,则认为模型的验证不达要求(例如,预测准确率低)。经训练后的模型的参数可以被调整,并基于调整参数后的模型,再次执行步骤2)。5)将测试集中的样本数据输入训练后的模型进行计算,获得输出结果。6)对比测试集中样本数据在步骤5)中的输出结果与相应样本数据的标识,判断训练结果是否达到要求(可根据实际需要,自行设定,如,可设定测试集中98%以上的样本数据经训练后的模型得到的输出结果与相应标签标识匹配,则认为训练结果达到要求,否认认为训练结果未达到要求)。如果训练结果未达到要求,则重新准备样本数据或者重新划分训练集、验证集、测试集,进行继续训练,直至通过模型测试。
对上述说明的步骤和实施方法,可以进行各种变化,比如可以按其他方法或比例划分训练集、验证集和测试集,可以忽略其中某些步骤,可以增加其他步骤等。
在一些实施例中,还可以将用户浏览推荐的共享车辆、查看推荐的共享车辆性能指标、选择推荐的共享车辆的数据作为训练样本数据训练匹配模型,对模型进行迭代更新。例如,新用户且不包括除用户属性之外的其他用户特征数据,在用户使用车辆之后将数据作为训练样本对模型进行更新后,当该用户再次使用共享车辆平台时,共享车辆推荐的准确性将提升。
在一些实施例中,匹配模型训练模块440可以通过网络150访问存储于存储设备130中的信息和/或资料以基于用户特征数据样本、历史订单数据样本及标记结果训练初始模型得到所述匹配模型。
应当注意的是,上述有关流程900的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程900进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,流程900的步骤920可以进一步细分为步骤920模型训练、步骤930模型验证、步骤940模型测试等步骤。又例如,划分比例可以是训练集90%、验证集7%、测试集3%。
本申请实施例可能带来的有益效果包括但不限于:(1)根据用户属性采取不同的匹配方式为用户匹配车辆,可以为用户推荐匹配度更高的共享车辆,提升了用户满意度;(2)使用用户在选择共享车辆过程中的浏览数据和选择的车辆数据对匹配模型进行迭代更新,可以更准确地为用户匹配车辆。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域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。如“一个实施例”、“一实施例”、和/或“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、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个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工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储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***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编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、或类似介质,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编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编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。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(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、或其他名称的使用,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,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,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。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (24)
1.一种共享车辆的推荐方法,其特征在于,所述方法包括:
获取用户特征数据,所述用户特征数据至少包括用户属性;
获取当前订单数据,所述当前订单数据至少包括以下中的一种:用户起点信息、与用户起点相关联的共享车辆场站数据和与用户起点相关联的场站中所有共享车辆的数据;
以及,基于所述用户特征数据和所述当前订单数据,向所述用户推荐共享车辆。
2.如权利要求1所述的方法,其特征在于,所述用户属性包括所述用户为新用户或所述用户不为新用户;
若所述用户不为新用户:
所述用户特征数据还包括用户基本特征、驾驶习惯数据和历史订单数据;
若所述用户为新用户:
所述用户特征数据不包括除用户属性之外的其他用户特征数据;或
所述用户特征数据还包括用户基本特征和/或驾驶习惯数据。
3.如权利要求2所述的方法,其特征在于,所述用户基本特征包括以下中的至少一个:性别、年龄、职业和征信记录;
所述驾驶习惯数据包括以下中的至少一个:驾驶行为习惯、对车辆颜色的偏好和对车辆性能的偏好;
所述历史订单数据包括以下中的至少一个:与历史订单相关的车辆数据、服务时间、行程起始点、行程目的地和行程路径。
4.如权利要求2所述的方法,其特征在于,所述基于所述用户特征数据和所述当前订单数据,向所述用户推荐共享车辆包括:
若所述用户不为新用户:
基于所述用户特征数据和所述当前订单数据,确定所述与用户起点相关联的场站中所有共享车辆与所述用户匹配的排序结果;
基于所述排序结果,向所述用户推荐共享车辆。
5.如权利要求4所述的方法,其特征在于,所述基于所述用户特征数据和所述当前订单数据,确定所述与用户起点相关联的场站中所有共享车辆与所述用户匹配的排序结果包括:
利用匹配模型处理所述用户特征数据和所述当前订单数据,得到所述与用户起点相关联的场站中所有共享车辆与所述用户的匹配率;
对所述匹配率进行排序,得到排序结果。
6.如权利要求2所述的方法,其特征在于,所述基于所述用户特征数据和所述当前订单数据,向所述用户推荐共享车辆包括:
若所述用户为新用户且不包括除用户属性之外的其他用户特征数据:
获取所述与用户起点相关联的场站中所有共享车辆历史使用率;
对所述所有共享车辆历史使用率进行排序,得到排序结果;
基于所述排序结果,向所述用户推荐共享车辆。
7.如权利要求2所述的方法,其特征在于,所述基于所述用户特征数据和所述当前订单数据,向所述用户推荐共享车辆包括:
若所述用户为新用户且所述用户特征数据还包括用户基本特征和/或驾驶习惯数据:
获取其他用户的用户特征数据和偏好车辆评分;
利用协同过滤算法处理所述用户特征数据和所述其他用户的用户特征数据,得到所述其他用户与所述用户相似率的排列结果;
基于所述相似率的排列结果和所述偏好车辆评分,得到所述偏好车辆的排列结果;
基于所述偏好车辆的排列结果,筛选出所述与用户起点相关联的场站中的匹配共享车辆;
对所述匹配共享车辆按所述偏好车辆的排列结果进行排序,得到排序结果;
基于所述排序结果,向所述用户推荐共享车辆。
8.如权利要求4~7中任一项所述的方法,其特征在于,所述基于所述排序结果,向所述用户推荐共享车辆包括:
设定车辆推荐阈值;
基于所述排序结果和所述车辆推荐阈值,向所述用户推荐共享车辆。
9.如权利要求8所述的方法,其特征在于,所述基于所述排序结果和所述车辆推荐阈值,向所述用户推荐共享车辆还包括:
基于所述排序结果和所述车辆推荐阈值,优先向所述用户展示排序结果靠前的共享车辆。
10.如权利要求5所述的方法,其特征在于,所述匹配模型包括回归模型;
所述匹配模型通过以下方法获得:
获取用户特征数据、历史订单数据及用户与共享车辆的匹配率样本;其中,将所述用户与共享车辆的匹配率标记作为参考匹配率;
基于所述用户特征数据样本、所述历史订单数据样本及标记结果训练初始模型得到所述匹配模型。
11.如权利要求10所述的方法,其特征在于,所述方法还包括:
获取用户浏览所述推荐的共享车辆、查看所述推荐的共享车辆性能指标、选择所述推荐的共享车辆的数据;
将所述用户浏览所述推荐的共享车辆、查看所述推荐的共享车辆性能指标、选择所述推荐的共享车辆的数据作为训练样本训练所述匹配模型。
12.一种共享车辆的推荐***,其特征在于,所述***包括第一获取模块、第二获取模块和推荐模块;其中:
所述第一获取模块,用于获取用户特征数据,所述用户特征数据至少包括用户属性;
所述第二获取模块,用于获取当前订单数据,所述当前订单数据至少包括以下中的一种:用户起点信息、与用户起点相关联的共享车辆场站数据和与用户起点相关联的场站中所有共享车辆的数据;
所述推荐模块,用于基于所述用户特征数据和所述当前订单数据,向所述用户推荐共享车辆。
13.如权利要求12所述的***,其特征在于,所述用户属性包括所述用户为新用户或所述用户不为新用户;
若所述用户不为新用户:
所述用户特征数据还包括用户基本特征、驾驶习惯数据和历史订单数据;
若所述用户为新用户:
所述用户特征数据不包括除用户属性之外的其他用户特征数据;或
所述用户特征数据还包括用户基本特征和/或驾驶习惯数据。
14.如权利要求13所述的***,其特征在于,
所述用户基本特征包括以下中的至少一个:性别、年龄、职业和征信记录;
所述驾驶习惯数据包括以下中的至少一个:驾驶行为习惯、对车辆颜色的偏好和对车辆性能的偏好;
所述历史订单数据包括以下中的至少一个:与历史订单相关的车辆数据、服务时间、行程起始点、行程目的地和行程路径。
15.如权利要求13所述的***,其特征在于,若所述用户不为新用户,所述推荐模块还用于:
基于所述用户特征数据和所述当前订单数据,确定所述与用户起点相关联的场站中所有共享车辆与所述用户匹配的排序结果;
基于所述排序结果,向所述用户推荐共享车辆。
16.如权利要求15所述的***,其特征在于,所述推荐模块还用于:
利用匹配模型处理所述用户特征数据和所述当前订单数据,得到所述与用户起点相关联的场站中所有共享车辆与所述用户的匹配率;
对所述匹配率进行排序,得到排序结果。
17.如权利要求13所述的***,其特征在于,若所述用户为新用户且不包括除用户属性之外的其他用户特征数据,所述推荐模块还用于:
获取所述与用户起点相关联的场站中所有共享车辆历史使用率;
对所述所有共享车辆历史使用率进行排序,得到排序结果;
基于所述排序结果,向所述用户推荐共享车辆。
18.如权利要求13所述的***,其特征在于,若所述用户为新用户且所述用户特征数据还包括用户基本特征和/或驾驶习惯数据,所述推荐模块还用于:
获取其他用户的用户特征数据和偏好车辆评分;
利用协同过滤算法处理所述用户特征数据和所述其他用户的用户特征数据,得到所述其他用户与所述用户相似率的排列结果;
基于所述相似率的排列结果和所述偏好车辆评分,得到所述偏好车辆的排列结果;
基于所述偏好车辆的排列结果,筛选出所述与用户起点相关联的场站中的匹配共享车辆;
对所述匹配共享车辆按所述偏好车辆的排列结果进行排序,得到排序结果;
基于所述排序结果,向所述用户推荐共享车辆。
19.如权利要求15~18中任一项所述的***,其特征在于,所述推荐模块还用于:
设定车辆推荐阈值;
基于所述排序结果和所述车辆推荐阈值,向所述用户推荐共享车辆。
20.如权利要求19所述的***,其特征在于,所述推荐模块还用于:
基于所述排序结果和所述车辆推荐阈值,优先向所述用户展示排序结果靠前的共享车辆。
21.如权利要求16所述的***,其特征在于,所述匹配模型包括回归模型;
所述***还包括匹配模型训练模块,所述匹配模型训练模块用于:
获取用户特征数据、历史订单数据及用户与共享车辆的匹配率样本;其中,将所述用户与共享车辆的匹配率标记作为参考匹配率;
基于所述用户特征数据样本、所述历史订单数据样本及标记结果训练初始模型得到所述匹配模型。
22.如权利要求21所述的***,其特征在于,所述匹配模型训练模块还用于:
获取用户浏览所述推荐的共享车辆、查看所述推荐的共享车辆性能指标、选择所述推荐的共享车辆的数据;
将所述用户浏览所述推荐的共享车辆、查看所述推荐的共享车辆性能指标、选择所述推荐的共享车辆的数据作为训练样本训练所述匹配模型。
23.一种共享车辆的推荐装置,其特征在于,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现如权利要求1~11中任一项所述的方法。
24.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行如权利要求1~11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300793.8A CN111861619A (zh) | 2019-12-17 | 2019-12-17 | 一种共享车辆的推荐方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300793.8A CN111861619A (zh) | 2019-12-17 | 2019-12-17 | 一种共享车辆的推荐方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861619A true CN111861619A (zh) | 2020-10-30 |
Family
ID=72970926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911300793.8A Pending CN111861619A (zh) | 2019-12-17 | 2019-12-17 | 一种共享车辆的推荐方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861619A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819578A (zh) * | 2021-01-29 | 2021-05-18 | 湖南安蓉科技有限公司 | 区域出行车辆座位共享*** |
CN113779391A (zh) * | 2021-09-02 | 2021-12-10 | 广东好太太智能家居有限公司 | 基于建模的智能锁开锁推荐方法、***、装置及存储介质 |
CN113822709A (zh) * | 2021-09-15 | 2021-12-21 | 摩拜(北京)信息技术有限公司 | 一种出行数据的处理方法、装置及服务器 |
WO2024058706A1 (en) * | 2022-09-15 | 2024-03-21 | Hitachi, Ltd. | Server and method for facilitating recommending vehicle |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016206715A (ja) * | 2015-04-15 | 2016-12-08 | パーク二四株式会社 | レコメンド情報管理サーバおよびコンピュータプログラム |
CN108537567A (zh) * | 2018-03-06 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
CN110046927A (zh) * | 2019-02-27 | 2019-07-23 | 山东开创云软件有限公司 | 一种共享汽车的数据分析方法及装置 |
CN110458663A (zh) * | 2019-08-06 | 2019-11-15 | 上海新共赢信息科技有限公司 | 一种车辆推荐方法、装置、设备及存储介质 |
-
2019
- 2019-12-17 CN CN201911300793.8A patent/CN111861619A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016206715A (ja) * | 2015-04-15 | 2016-12-08 | パーク二四株式会社 | レコメンド情報管理サーバおよびコンピュータプログラム |
CN108537567A (zh) * | 2018-03-06 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
CN110046927A (zh) * | 2019-02-27 | 2019-07-23 | 山东开创云软件有限公司 | 一种共享汽车的数据分析方法及装置 |
CN110458663A (zh) * | 2019-08-06 | 2019-11-15 | 上海新共赢信息科技有限公司 | 一种车辆推荐方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819578A (zh) * | 2021-01-29 | 2021-05-18 | 湖南安蓉科技有限公司 | 区域出行车辆座位共享*** |
CN113779391A (zh) * | 2021-09-02 | 2021-12-10 | 广东好太太智能家居有限公司 | 基于建模的智能锁开锁推荐方法、***、装置及存储介质 |
CN113822709A (zh) * | 2021-09-15 | 2021-12-21 | 摩拜(北京)信息技术有限公司 | 一种出行数据的处理方法、装置及服务器 |
WO2024058706A1 (en) * | 2022-09-15 | 2024-03-21 | Hitachi, Ltd. | Server and method for facilitating recommending vehicle |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11127067B1 (en) | Systems, methods, and devices for measuring similarity of and generating recommendations for unique items | |
Lavieri et al. | Modeling individual preferences for ownership and sharing of autonomous vehicle technologies | |
CN111861619A (zh) | 一种共享车辆的推荐方法和*** | |
US10689002B2 (en) | System and method for determining safety score of driver | |
US20200134648A1 (en) | Methods and systems for preventing user churn | |
Rauh et al. | Understanding the impact of electric vehicle driving experience on range anxiety | |
US12008626B1 (en) | Systems, methods, and devices for measuring similarity of and generating recommendations for unique items | |
Shin et al. | Consumer preferences and willingness to pay for advanced vehicle technology options and fuel types | |
US10692122B2 (en) | Method and system for facilitating purchase of vehicles by buyers and/or sale of vehicles by sellers | |
US20130080345A1 (en) | Systems and methods for sharing vehicle information in a distributed network | |
Nguyen-Phuoc et al. | The formation of passenger loyalty: Differences between ride-hailing and traditional taxi services | |
CN107862339B (zh) | 用于输出信息的方法和装置 | |
CN111859173A (zh) | 一种上车点推荐方法和*** | |
CN111861647A (zh) | 一种推荐上车点的方法和*** | |
CN111861618A (zh) | 一种上车点推荐方法和*** | |
US20240078567A1 (en) | System and methods for predicting rental vehicle use preferences | |
US20200211122A1 (en) | Artificial intelligent systems and methods for recommending at least one insurance company | |
US20210042817A1 (en) | Methods and systems for order allocation | |
CN111932341A (zh) | 一种确定拼车订单的方法和*** | |
US20220156819A1 (en) | Vehicle listing generation and optimization system | |
CN111831935A (zh) | 一种兴趣点排序方法、装置、电子设备及存储介质 | |
Wang et al. | What is the elasticity of sharing a ridesourcing trip? | |
CN111881369B (zh) | 一种推荐上车点名称准确性检测方法和*** | |
Khaloei et al. | Analyzing the effect of autonomous ridehailing on transit ridership: competitor or desirable first-/last-mile connection? | |
CN115169757A (zh) | 旅客升舱预测方法、旅客升舱预测模型获得方法及装置 |
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 |