CN112270427A - 一种推荐上车点的方法和*** - Google Patents
一种推荐上车点的方法和*** Download PDFInfo
- Publication number
- CN112270427A CN112270427A CN202011247004.1A CN202011247004A CN112270427A CN 112270427 A CN112270427 A CN 112270427A CN 202011247004 A CN202011247004 A CN 202011247004A CN 112270427 A CN112270427 A CN 112270427A
- Authority
- CN
- China
- Prior art keywords
- point
- candidate
- pick
- boarding point
- road
- 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 51
- 238000012549 training Methods 0.000 claims description 129
- 238000003860 storage Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
Abstract
本申请实施例公开了一种推荐上车点的方法和***。所述方法包括:获取目标用户的出发地;根据所述目标用户的出发地确定至少一个第一候选上车点;将所述至少一个第一候选上车点输入所述上车点推荐模型中,确定推荐上车点。本申请的上车点推荐模型可以基于候选上车点与出发地之间是否存在跨路确定推荐上车点,提高上车点的推荐合理性及用户体验。
Description
技术领域
本申请涉及公共交通服务技术领域,特别涉及一种推荐上车点的方法和***。
背景技术
近年来,在共享运输服务中,用户使用网约车平台约车时,为了避免用户和司机多绕路以及反复的电话沟通,为了帮助司机和用户快速找到对方,缩短用户等待时间,目前网约车平台都会为客户提供推荐上车点。
目前,平台推荐的上车点与用户当前定位或者输入的POI信息可能存在跨路的问题,导致推荐上车点不能满足用户的心里预期,用户可能会选择其他的上车点,而放弃平台推荐的上车点,从而降低了推荐上车点的合理率。
发明内容
本申请实施例之一提供一种推荐上车点的方法。所述方法包括:获取目标用户的出发地;根据所述目标用户的出发地确定至少一个第一候选上车点;将所述至少一个第一候选上车点输入所述上车点推荐模型中,确定推荐上车点;其中,所述上车点推荐模型至少基于所述至少一个第一候选上车点与所述目标用户的出发地之间的跨路关系确定所述推荐上车点,跨路是指两个点之间需要横穿至少一条道路。
本申请实施例之一提供一种推荐上车点的***。所述***包括:出发地获取模块,用于获取目标用户的出发地;候选上车点确定模块,用于根据所述目标用户的出发地确定至少一个第一候选上车点;推荐上车点确定模块,用于将所述至少一个第一候选上车点输入所述上车点推荐模型中,确定推荐上车点;其中,所述上车点推荐模型至少基于所述至少一个第一候选上车点与所述目标用户的出发地之间的跨路关系确定所述推荐上车点,跨路是指两个点之间需要横穿至少一条道路。
本申请实施例之一提供一种推荐上车点的装置,包括处理器,所述处理器用于执行如上所述的推荐上车点的方法。
本申请实施例之一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,当计算机读取存储介质中的计算机指令后,计算机执行如上所述的推荐上车点的方法。
本申请实施例之一提供一种训练上车点推荐模型的方法。所述方法包括:获取多组训练样本,所述多组训练样本对应多个历史订单的历史出发地,所述多组训练样本中的任意一组包含至少一条样本数据,所述至少一条样本数据中的任意一条包括对应的历史订单的历史出发地和基于所述历史出发地召回的第二候选上车点,所述样本数据的标签至少代表对应的历史订单的真实上车点和所述第二候选上车点之间的跨路关系,跨路是指两个点之间需要横穿至少一条道路;基于所述多组训练样本训练初始上车点推荐模型,得到上车点推荐模型。
本申请实施例之一提供一种训练上车点推荐模型的***,包括:第一获取模块,用于获取多组训练样本,所述多组训练样本对应多个历史订单的历史出发地,所述多组训练样本中的任意一组包含至少一条样本数据,所述至少一条样本数据中的任意一条包括对应的历史订单的历史出发地和基于所述历史出发地召回的第二候选上车点,所述样本数据的标签至少代表对应的历史订单的真实上车点和所述第二候选上车点之间的跨路关系,跨路是指两个点之间需要横穿至少一条道路;训练模块,用于基于所述多组训练样本训练初始上车点推荐模型,得到上车点推荐模型。
本申请实施例之一提供一种训练上车点推荐模型装置,包括处理器,所述处理器用于执行如上所述的训练上车点推荐模型方法。
本申请实施例之一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,当计算机读取存储介质中的计算机指令后,计算机执行如上所述的训练上车点推荐模型的方法。
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是根据本申请一些实施例所示的一种训练上车点推荐模型***的应用场景示意图;
图2是根据本申请一些实施例所示的一种推荐上车点的模块图;
图3是根据本申请一些实施例所示的一种训练上车点推荐模型方法的示例性流程图;
图4是根据本申请一些实施例所示的确定推荐上车点的示例性流程图;
图5是根据本申请一些实施例所示的确定样本数据的标签的示例性流程图;
图6是根据本申请一些实施例所示的基于跨路关系和距离关系,确定样本数据的标签的示例性流程图;
图7是根据本申请一些实施例所示的确定真实上车点与第一候选上车点之间是否存在跨路的示例性流程图;
图8是根据本申请一些实施例所示的基于上车点推荐模型从至少一个第二候选上车点中确定推荐上车点的示例性流程图。
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交通服务***,不同的交通服务***包括但不限于陆地、河道、湖泊、海洋、航空等中的一种或几种的组合。例如,人力车、代步工具、汽车(例如,小型车、巴士、大型运输车等)、轨道交通(例如,火车、动车、高铁、地铁等)、船舶、飞机、飞行器、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输***等。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制***、企业内部分析***、人工智能机器人等中的一种或几种的组合。应当理解的是,本申请的***及方法的应用场景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。例如,其他类似的引导用户停车***。
图1是根据本申请一些实施例所示的训练上车点推荐模型的***的应用场景示意图。训练上车点推荐模型的***可以训练得到上车点推荐模型,从而基于上车点推荐模型和目标用户的出发地确定推荐上车点并推荐给乘客,引导乘客选择合适的上车点。训练上车点推荐模型的***可以是用于互联网服务的线上服务平台。例如,运输服务的线上运输服务平台。在一些实施例中,训练上车点推荐模型的***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。具体的,可以为请求网约车服务的乘客提供一个或者多个合适上车位置,或者为提供服务的司机提供一个或者多个合适拾取乘客的位置。在一些实施例中,上车点推荐模型的***还可以应用于代驾、快递、外卖等服务,例如,为发送代驾、快递、外卖等服务请求的用户提供服务起始地点。训练上车点推荐模型的***的应用场景图100可以包含:服务器110、网络120、用户终端130以及数据库140。服务器110可包含处理设备112。
在一些实施例中,服务器110可以用于处理与训练上车点推荐模型相关的信息和/或数据。例如,服务器110可以获取多组训练样本。又例如,服务器110可以确定每条样本数据的标签。又例如,服务器110可以基于多组训练样本训练得到上车点推荐模型。在一些实施例中,服务器110可以用于处理基于上车点推荐模型确定推荐上车点的相关的信息和/或数据。例如,服务器110可以为发送在线打车的服务请求的用户推荐上车点,服务器110还可以从用户终端130接收服务请求,并处理该服务请求以向用户终端130推荐上车点。服务器110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如:服务器110可以是分布***)。在一些实施例中该服务器110可以是区域的或者远程的。例如,服务器110可通过网络120访问存储于用户终端130、数据库140中的信息和/或资料。在一些实施例中,服务器110可直接与用户终端130、数据库140连接以访问存储于其中的信息和/或资料。在一些实施例中,服务器110可在云平台上执行。例如,该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中,服务器110可包含处理设备112。该处理设备112可处理与服务请求有关的数据和/或信息以执行一个或多个本申请中描述的功能。例如,处理设备112可以基于多组训练样本训练得到上车点推荐模型。又例如,处理设备112可以接收用户终端130发送的用车请求信号,向用户提供推荐上车点。在一些实施例中,处理设备112可包含一个或多个子处理设备(例如,单芯处理设备或多核多芯处理设备)。仅仅作为范例,处理设备112可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进数据和/或信息的交换,数据和/或信息可以包括用户终端的位置、用户终端发起的服务请求时间、目标用户的出发地、服务目的地、历史订单、训练样本等。在一些实施例中,场景图100中的一个或多个组件(例如,服务器110、用户终端130、数据库140)可通过网络120发送数据和/或信息给其他组件。例如,将从用户终端130获取的出发地发送给服务器110,将服务器110确定的推荐上车点发送给用户终端130。在一些实施例中,网络120可是任意类型的有线或无线网络。在一些实施例中,网络120可包括一个或多个网络进出点。例如,网络120可包含有线或无线网络进出点,如基站和/或网际网络交换点120-1、120-2、…。
在一些实施例中,用户终端130可以是可显示推荐上车点页面的设备的终端,可包括手机130-1、笔记本电脑130-2、移动装置(图中未示出)、车载装置(图中未示出)等中的一种或其任意组合。在一些实施例中,用户终端130还可以具备输入功能,例如,用户输入出发地。在一些实施例中,移动装置可包括智能家居装置、可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中,用户终端130可包括具有定位功能的装置,以确定用户和/或用户终端130的位置。在一些实施例中,用户可以通过用户终端130获取推荐上车点。在一些实施例中,用户终端130可以与另一定位设备通信以确定用户终端130的位置。在一些实施例中,用户终端130可以将定位信息发送到服务器110。用户可以是服务请求者。
数据库140是用于为训练上车点推荐模型的***提供其他信息的来源。例如,数据库140可以用于提供历史订单;又例如,例如,数据库140可以用于提供训练样本等。数据库140可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。当数据库140在多个个人设备中实现时,个人设备可以生成内容(例如,被称为“用户生成内容”),例如,通过将文本、语音、图像和视频上载到云服务器。数据库140可以由多个个人设备和云服务器生成。在一些实施例中,数据库140可存储从用户终端130获取的资料,例如,用户发送服务请求时的位置信息,或用户输入的出发地。在一些实施例中,数据库140可存储供服务器110执行或使用的信息和/或指令,以执行本申请中描述的示例性方法。在一些实施例中,数据库140可包括大容量存储器、可移动存储器、挥发性读写存储器(例如,随机存取存储器RAM)、只读存储器(ROM)等或以上任意组合。在一些实施例中,数据库140可直接与场景图100中的一个或多个组件(如,服务器110、用户终端130)连接或通讯。在一些实施例中,数据库140可以是服务器110的一部分。
图2是根据本申请一些实施例所示的一种训练上车点推荐模型***的模块图。如图2所示,该训练上车点推荐模型***200可以包括出发地获取模块210、候选上车点确定模块220、推荐上车点确定模块230和训练模块240,其中,训练模块240包括训练样本获取单元242和模型训练单元244。
出发地获取模块210可以用于获取目标用户的出发地。
候选上车点确定模块220可以用于根据所述目标用户的出发地确定至少一个第一候选上车点。
推荐上车点确定模块230可以用于将所述至少一个第一候选上车点输入所述上车点推荐模型中,确定推荐上车点;其中,所述上车点推荐模型至少基于所述至少一个第一候选上车点与所述目标用户的出发地之间的跨路关系确定所述推荐上车点,跨路是指两个点之间需要横穿至少一条道路。
在一些实施例中,所述推荐上车点确定模块230可以用于基于所述至少一个第一候选上车点获取特征数据,所述特征数据至少包括:所述第一候选上车点的属性特征、所述目标用户的出发地的属性特征、所述第一候选上车点与所述目标用户的出发地的位置关系特征、所述第一候选上车点与所述目标用户的定位位置的位置关系特征的一种或多种的组合;基于所述特征数据,计算所述至少一个第一候选上车点的排序分数;基于所述至少一个第一候选上车点的排序分数确定推荐上车点。
训练样本获取单元242可以用于获取多组训练样本,多组训练样本对应多个历史订单的历史出发地,多组训练样本中的任意一组包含至少一条样本数据,至少一条样本数据中的任意一条包括对应的历史订单的历史出发地和基于历史出发地召回的第二候选上车点,样本数据的标签至少代表对应的历史订单的真实上车点和第二候选上车点之间的跨路关系,跨路是指两个点之间需要横穿至少一条道路。
在一些实施例中,训练样本获取单元242还用于获取对应的历史订单的真实上车点信息和第二候选上车点信息;基于所述真实上车点信息和所述第二候选上车点信息,确定所述真实上车点与所述第二候选上车点之间的跨路关系和/或距离关系;基于所述跨路关系和/或距离关系,确定所述样本数据的标签。
在一些实施例中,训练样本获取单元242还用于判断所述距离关系是否满足第一预设要求;响应于所述距离关系满足所述第一预设要求,判断所述真实上车点与所述第二候选上车点之间的跨路关系是否满足第一预设要求;基于判断的结果,确定所述样本的标签。
在一些实施例中,距离为球面距离。在一些实施例中,跨路关系包括:真实上车点与第二候选上车点之间是否存在跨路。
在一些实施例中,训练样本获取单元242还用于判断真实上车点与第二候选上车点是否位于同一个道路数据上;响应于不位于同一个道路数据上,真实上车点与第二候选上车点存在跨路;响应于位于同一条道路数据上,真实上车点与第二候选上车点不存在跨路。
模型训练单元244可以用于基于多个训练样本训练初始上车点推荐模型,得到上车点推荐模型。
在一些实施例中,上车点推荐模型为LambdaMART排序模型。
关于出发地获取模块210、候选上车点确定模块220、推荐上车点确定模块230和训练模块240的更多细节,参见图3-图8,在此不再赘述。
需要注意的是,以上对于候选项显示、确定***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,在一些实施例中,例如,图2中披露的出发地获取模块210、候选上车点确定模块220、推荐上车点确定模块230和训练模块240可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,出发地获取模块210、候选上车点确定模块220可以是两个模块,也可以是一个模块同时具有数据获取功能和模型训练功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
图3是根据本申请一些实施例所示的一种训练上车点推荐模型方法的示例性流程图。该流程图由训练模块240执行。如图3所示,该流程图300可以包括:
步骤302,获取多组训练样本。在一些实施例中,该步骤302可以由训练样本获取单元242执行。
在一些实施例中,多组训练样本可以从历史订单中得到。多组训练样本与多个历史订单的历史出发地对应。历史出发地是指历史订单中用户的出发地。其中,出发地可以通过用户在用户终端输入获取,也可以是通过定位装置对用户进行定位获取。可以理解地,一个历史订单中包含一个历史出发地,因此,多组训练样本实质是与多个历史出发地对应。
对于多组训练样本中的每一组,包含至少一条样本数据。由于每一组训练样本与一个历史订单的历史出发地对应,因此,每一组训练样本的至少一条样本数据与一个历史订单的历史出发地对应。具体的,每一组训练样本的至少一条训练样本中的任意一条都包括对应的历史订单的历史出发地。在一些实施例中,每一组训练样本的至少一条训练样本中的任意一条包括:对应的历史订单的历史出发地和基于该历史出发地召回的第二候选上车点。每条样本数据中第二候选上车点是基于对应的历史出发地在上车点库中召回的上车点中的一个。可以理解,每一组训练样本是由对应的历史订单的历史出发地和该历史出发地召回的至少一个上车点构成,可以从召回的至少一个车点中任选一个与对应的历史出发地组成每一组训练样本中的任意一条样本数据。可以理解,若某个历史出发地召回的上车点为N个,则该历史出发对应的训练样本可以包含N条样本数据,也可以包含N条样本数据中的至少一条。
在一些实施例中,可以基于历史出发地的名称与上车点库中上车点的名称的相似度,确定召回的上车点。也可以基于历史出发地与上车点库中上车点的距离,确定召回的上车点。还可以基于其他方式确定召回的上车点,本实施例不做限制。上车库中包含了大量的上车点,可以被存储于存储设备的数据库中。上车点库中的上车点可以是平台(例如,网约车平台)收集和整理的上车点。例如,平台将历史订单中用户实际上车的位置整理为上车点,并存储于上车点库中。
在一些实施例中,每一组训练样本中的任意一条样本数据的标签至少可以代表:对应的历史订单的真实上车点和第二候选上车点之间的位置跨路关系。其中,位置关系包括但不限于跨路关系或/和位置关系等。可以理解地,判断位置关系的真实上车点和第二候选上车点对应同一个历史订单,即,用于召回第二候选上车点的历史出发地和真实上车点来源于同一个历史订单。
跨路可以是指两个点之间需要横穿至少一条道路。跨路关系可以是两个点之间是否跨路、两个点之间跨路程度(例如,跨几条路等)、跨路导致的步行成本等。
在一些实施例中,可以根据样本数据中对应的历史订单的用户真实上车点与历史出发地召回的第二候选上车点之间的跨路关系,确定样本数据的标签。设置标签的具体方式可以自定义。示例1,若真实上车点与第二候选上车点存在跨路,设置标签为0,若真实上车点与第二候选上车点不存在扩路,设置标签为1。示例2,若真实上车点与第二候选上车点存在跨路,且跨路导致的步行成本高(例如,步行距离高于第一预设阈值),设置标签“0”,若真实上车点与第二候选上车点存在跨路,且跨路导致的步行成本低(如,步行距离低于第二预设阈值),设置标签“1”,不存在跨路,设置标签“2”。示例3,若真实上车点与第二候选上车点的距离大于第三预设阈值,设置标签“0”,若真实上车点与第二候选上车点小于第三预设阈值,且存在跨路,设置标签“1”,若真实上车点与第二候选上车点小于第三预设阈值,且不存在跨路,设置标签“2”。在一些实施例中,上述距离可以是球面距离、步行距离、直线距离等。关于确定样本数据的标签的更多细节见图5及其相关描述,在此不再赘述。
步骤304,基于所述多组训练样本训练初始上车点推荐模型,得到上车点推荐模型。具体的,该步骤304可以由模型训练单元244执行。
初始上车点推荐模型可以是还未被训练完成的模型。在一些实施例中,将多组训练样本输入初始上车点推荐模型,通过多次迭代更新模型的参数,当模型的损失函数满足预设条件时(例如,小于预设阈值或收敛),则模型训练完成,得到训练好的上车点推荐模型。
在一些实施例中,训练所用的特征数据包括但不限于:第二候选上车点的属性特征、历史出发地的属性特征、第二候选上车点与历史出发地的位置关系特征、第二候选上车点与历史订单中用户的定位位置的位置关系特征的一种或多种的组合。在一些实施例中,训练所用的特征数据还可以包括:第二候选上车点与历史出发地的跨路关系。关于属性特征和位置关系特征的具体细节参见图8及其相关描述,在此不再赘述。
在一些实施例中,初始上车点推荐模型和上车点推荐模型可以是排序模型,例如,LambdaMART、LambdaRank或RankNet等排序模型。
每组训练样本中多个样本数据的标签可以反映排序的顺序或分数的信息。如前所述的标签方式,对于“0”和“1”的标签,“1”代表排序的顺序更靠前或排序的分数更高,即推荐的可能性更高;对于“0”、“1”和“2”的标签,“2”代表排序的顺序靠前或排序的分数很高,即推荐的可能性很高;“1”代表排序的顺序较靠前或排序的分数较高,推荐的可能性较高(低于标签“2”,高于标签“0”);“0”代表排序顺序靠后或排序的分数较低,推荐的可能性低(低于标签“2”和“1”)。换言之,通过对标签设置等级,来体现上车点的排序,进一步体现推荐的可能性。从而,在训练过程中,模型可以通过样本数据的标签和特征数据进行学习,使得训练得到的上车点推荐模型可以基于用户的出发地与上车点库中上车点的跨路关系,确定真正的推荐上车点。
在一些实施例中,训练过程中,还可以调节标签值,使得损失函数收敛,得到最终的模型。在训练过程中调节模型参数的同时,多次调节标签值。继续以前述示例说明,训练过程中将真实上车点和第二候选上车点的距离小于第三预设阈值且不存在跨路的样本数据的标签“2”调节至“1.0001”,即标签变为“0”“1”“1.0001”。
在一些实施例中,上车点推荐模型基于经过添加代表跨路标签的训练样本进行训练后,可以提高与目标用户的出发地不存在跨路的第二候选上车点的排序分数,可以降低与目标用户的出发地存在跨路的第二候选上车点的排序分数。例如:当两者不存在跨路时,则该第二候选上车点加分;当两者存在跨路时,则该第二候选上车点不加分或减分。以使与目标用户的出发地不存在跨路的第二候选上车点的排序分数普遍高于存在跨路的第二候选上车点的排序分数。又例如,若存在跨路,还可以根据跨路成本确定减分的幅度。如,跨一条路的分数下降幅度小于跨两条路分数下降幅度。以上实施例可以为用户推荐更为合适的上车点。
图4是根据本申请一些实施例所示的确定推荐上车点的示例性流程图。如图4所示,该流程图400可以包括:
步骤402,获取目标用户的出发地。具体的,该步骤可以由出发地获取模块210执行。
目标用户可以是发起服务请求的用户,在一些实施例中,目标用户可以是某一个发送叫车服务请求的乘客。
目标用户的出发地可以是发起服务请求的用户的需求上车点,其中用户的需求上车点可以是两种确定方式,一种是用户输入的兴趣点(Point of interest,POI),兴趣点是指包括名称、类别、经纬度等的信息点;另一个种是对用户目前所在位置直接定位。在一些实施例中,可以先根据用户目前所在位置直接定位,将定位信息作为用户的出发地,倘若用户不会以目前所在位置作为用户的出发地,用户可以输入兴趣点,则取消将定位信息作为用户的出发地,进而将用户输入的兴趣作为用户的出发地。
在一些实施例中,根据用户发起的叫车服务请求,获取到用户输入的POI或者用户目前的位置信息。
步骤404,根据目标用户的出发地确定至少一个第一候选上车点。具体的,该步骤404可以由候选上车点确定模块220执行。第一候选上车点可以是根据目标用户的需求上车点(即用户的出发地),所召回的上车点。其中,基于目标用户的出发地,召回第一候选上车点,与前述基于历史出发地召回第二候选上车点方式可以相同,具体见图3及其相关描述。
在一些实施例中,根据用户输入的POI或者用户目前的位置信息,推荐给用户多个第一候选上车点供用户进行选择。
步骤406,将所述至少一个第一候选上车点输入上车点推荐模型中,确定推荐上车点。具体的,该步骤406可以由推荐上车点确定模块230执行。
上车点推荐模型可以是将训练样本以及训练样本标签输入到上车点推荐模型中进行训练完成后获得的模型。其中,上车点推荐模型的训练方法请参照步骤304。
如前所述,训练上车点推荐模型的训练样本的标签包含第二候选上车点和真实上车点之间跨路关系的信息,因此,在基于上车点推荐模型确定推荐上车点时,上车点推荐模型会考虑第一候选上车点与目标用户的出发地之间的跨路关系,例如,将与目标用户的出发地之间不存在跨路的第一候选上车点推荐给目标用户。又例如,将与目标用户的出发地之间跨路成本低的第一候选上车点优先推荐给目标用户。
在一些实施例中,将需要推荐给用户选择的至少一个第一候选上车点,输入至训练好的上车点推荐模型中确定多个第一候选上车点的排序结果,并根据排序结果给目标用户确定推荐上车点。在一些实施例中,可以将前排N(N为大于0的整数)个的第一候选上车点推荐给目标用户。在一些实施例中,可以将上车点推荐模型得到排序分数大于设定阈值的第一候选上车点推荐给目标用户。关于推荐上车点模型从至少一个第一候选推荐上车点中确定推荐上车点的具体细节参见图8及其相关描述,此处不再赘述。
图5是根据本申请一些实施例所示的确定样本数据的标签的示例性流程图。如图5所示,该流程图500可以包括:
步骤502,获取历史订单中的所述真实上车点信息和第二候选上车点信息。具体的,该步骤502可以由训练样本获取单元242执行。
真实上车点信息可以是一个历史订单中用户的实际上车点位置信息。第二候选上车点信息可以是第二候选上车点的位置信息。位置信息包括但不限于位置的地理名称、经纬度坐标等。
真实上车点信息可以来源于历史订单。第二候选上车点信息可以来源于上车点库。在一些实施例中,真实上车点信息和第二候选上车点信息可以直接从存储设备(例如,数据库)中读取,也可以通过接口获取。真实上车点信息和第二候选上车点信息还可以通过其他方式获取,本实施例不做限制。
步骤504,基于所述真实上车点信息和第二候选上车点信息,确定所述真实上车点与所述第二候选上车点之间的跨路关系和/或距离关系。具体的,该步骤504可以由训练样本获取单元242执行。
距离关系可以是与两点在空间上相隔或间隔的长度相关的关系。其中,距离可以是球面距离、步行距离、直线距离等。在一些实施例中,距离关系可以根据与预设阈值(例如,30m、50m、80m等)进行比较确定。例如,判断距离是否大于或小于预设阈值,从而距离关系可以是距离小于预设阈值或大于阈值等。
跨路关系的相关内容参见步骤302及其相关描述。
在一些实施例中,可以根据与样本数据对应的历史订单中的真实上车点信息和第二候选上车点信息确定真实上车点和第二选上车点之间的距离关系。例如,真实上车点信息与第二候选上车点信息之间的球面距离为34m,其中预设阈值为30m,可以确定距离关系为两者之间的距离是大于预设阈值。
在一些实施例中,可以根据与样本数据对应的历史订单中的真实上车点信息和第二候选上车点信息确定真实上车点和第二候选上车点之间的跨路关系。例如,可以判断真实上车点和第二候选上车点之间是否存在跨路。又例如,还可以在存在跨路的基础上判断跨几条路或者两点之间的步行成本(例如,步行距离或步行时间等),确定跨路成本。关于确定真实上车点和第二候选上车点之间是否存在跨路的更多细节参见图7及其相关描述。
步骤506,基于所述跨路关系和/或距离关系,确定所述样本数据的标签。具体的,步骤506可以由训练样本获取单元242执行。
在一些实施例中,每一组训练样本中的每一条样本数据可以根据与样本数据对应的历史订单中真实上车点与第二候选上车点之间的跨路关系和/或距离关系,确定样本数据的标签。例如,可以基于跨路关系确定标签,如步骤302所述的关于设置标签的示例1和示例2。又例如,可以结合跨路关系和距离关系确定标签,如步骤302所述的关于设置标签的示例3。关于基于所述跨路关系和距离关系,确定所述样本数据的标签的更多细节参见图6及其相关描述,此处不再赘述。
图6是根据本申请一些实施例所示的基于跨路关系和距离关系,确定样本数据的标签的示例性流程图。如图6所示,该流程图600可以包括:
步骤602,判断距离关系是否满足第一预设要求。该步骤602可以由训练样本获取单元242执行。
如前所述,距离关系是指与真实上车点与第二候选上车点距离相关的关系。在一些实施例中,可以先根据用户的真实上车点与第二候选上车点之间的信息判断两者之间的距离关系。例如,可以设定预设阈值(如,10m、20m等),确定两者之间的距离是否小于预设阈值。又例如,还可以设定预设阈值范围(如,30m~100m、20m~50m),确定两者之间的距离与预设阈值范围之间的关系,包括:在阈值范围内、大于阈值范围的最大值、小于阈值范围的最小值。
第一预设要求是对距离关系设定的条件,其可以根据需求设定,例如,小于预设阈值,又例如,在预设阈值范围内等。
步骤604,响应于距离关系满足第一预设要求,判断真实上车点与第二候选上车点之间的跨路关系是否满足第二预设要求。具体的,该步骤604可以由训练样本获取单元242执行。
第二预设要求是对跨路关系设置的要求,也可以自定义。例如,跨路,或者不跨路,或者跨路成本低于预设阈值等。
在一些实施例中,可以在确定距离关系满足第一预设要求的基础上,进一步判断跨路关系是否满足第二预设要求。
步骤606,基于判断的结果,确定所述样本数据的标签。具体的,该步骤606可以由训练样本获取单元242执行。
在一些实施例中,可以先基于距离关系的结果,再基于跨路关系确定样本的标签。例如,样本数据中,当真实上车点与第二候选上车点之间的位置关系大于预设阈值时,可以将该样本数据增添标签“0”;当真实上车点与第二候选上车点之间的位置关系小于预设阈值,且两者之间跨路时,可以将该样本数据增添标签“1”;当真实上车点与第二候选上车点之间的位置关系小于预设阈值,且两者之间不存在跨路时,可以将该样本数据增添标签“2”。上述中的标签也可以是其他数字,例如,“0”变为“1”,“1”变为“2”,“2”变为“3”,本实施例不做限制。
在一些实施例中,可以同时基于距离关系和跨路关系确定样本的标签。例如,当真实上车点和第二候选上车点之间的距离关系大于阈值,进一步判断两者之间是否跨路,若跨路则添加标签“0”,若不存在跨路,则标签为“1”。当两者之间的距离小于预设阈值,判断是否跨路,若跨路则添加标签“2”,若不存在跨路,则标签为“3”。
在一些实施例中,可以将越推荐的第二候选上车点对应的样本数据的标签设置值更大些,以反映推荐分数。
图7是根据本申请一些实施例所示的确定真实上车点与第二候选上车点之间是否存在跨路的示例性流程图。如图7所示,该流程700包括:
步骤702,判断所述真实上车点与所述第二候选上车点是否位于同一个道路数据上。具体的,该步骤702可以由训练样本获取单元242执行。
在一些实施例中,一条道路还可以包括两条或多条行驶路线(link),每条行驶路线可以包含多个道路点。例如,整条道路上有四条道路,行驶路线向右两条,行驶路线向左两条,则向右两条的道路属于一个link,向左的两条的道路属于另一个link。
道路数据可以是表示行驶路线(link)的数据。以上段中的例子继续说明,向右两条道路是同一个道路数据,向左两条道路是另一个道路数据。在一些实施例中,道路数据中包含多个道路点数据。具体的,每个道路点可以包含其在某设定坐标系下的坐标值。例如,该坐标值可以是地理坐标***下的经纬度值。又例如,该坐标值可以是二维地图坐标系下的横纵坐标值。再例如,该坐标值还可以是极坐标值、球面坐标值等。在一些实施例中,可以从数据库中获取道路数据。例如,可以从数据库的路网数据中获取。
在一些实施例中,可以根据获取到用户真实上车点所在位置所属的道路数据以及给用户推荐的第二候选上车点所属的道路数据,判断两个道路数据的是否相同,并基于该判断结果确定是否跨路。
步骤704,响应于不位于所述同一个道路数据上,所述真实上车点与所述第二候选上车点存在跨路。具体的,该步骤704可以由训练样本获取单元242执行。
候选上车点(例如,第一候选上车点、第二候选上车点)都是平台(例如,网约车平台)后台确定的可以用于用户上车的位置。可知,一般情况下,上车点不会在道路中间,例如,某条道路中间、两个行驶路线相同的道路之间、两个行驶方向不同的道路之间。同时,候选上车点应该遵循相应国家或地区的交通规则,例如,中国的向右停车。因此,对于只有一条道路且只有一个行驶方向时,其候选的上车点一般在行驶方向的右边。真实上车点与候选上车点相同,需要满***通规则。
在一些实施例中,可以根据真实上车点和第二候选上车点是否在同一个道路数据上,确定两者之间是否存在跨路。具体的,在上述既定交通规则的前提下,若两者不在同一个道路数据上,则两者位于道路的不同侧,则两者之间存在跨路,甚至多条跨路。
步骤706,响应于位于所述同一条道路数据上,所述真实上车点与所述第二候选上车点不存在跨路。具体的,该步骤706可以由训练样本获取单元242执行。
在一些实施例中,在上述既定违规下(即706描述的规则),若两者在同一个道路数据上,则两者位于道路的同侧,则两者之间不存在跨路。
在一些实施例中,还可以在是否存在跨路的判断结果上进一步判断跨路的成本。例如,可以根据跨几条路确定跨路成本。具体的,可以根据真实上车点所在的道路数据和第二候选上车点所在的道路数据之间存在的其他道路数据的数量确定跨路成本。其他道路数据数量越多,跨路成本越高。又例如,可以根据真实上车点和第二候选上车点之间的步行距离确定跨路成本。步行距离可以根据两个点的经纬度计算确定。
图8是根据本申请一些实施例所示的基于上车点推荐模型从至少一个第一候选上车点中确定推荐上车点的示例性流程图。如图8所示,该流程图800包括:
步骤802,基于至少一个第一候选上车点获取特征数据。具体的,该步骤802可以由推荐上车点确定模块230执行。
在一些实施例中,特征数据至少包括:第一候选上车点的属性特征、目标用户的出发地的属性特征、第一候选上车点与目标用户的出发地的位置关系特征、第一候选上车点与目标用户的定位位置的位置关系特征的一种或多种的组合。
第一候选上车点的属性特征包括但不限于上车点的热度、上车点的类型等。上车点热度是指用户在该上车点上车的频次。上车点的类型可以是代表上车点的特点,例如属于商业区、写字楼等。目标用户出发地的属性特征包括但不限于该出发地可以召回的上车点的数量、出发地的热度等。出发地的热度可以是该点被用于作为用户发起订单起点的次数。在一些实施例中,出发地和第一候选上车点的属性特征可以是某段时间或/和某段距离内的属性特征。例如,一个月内某上车点用于上车的次数、一个月内在某上车点10m范围内用于上车的次数等。
第一候选上车点与出发地的位置关系特征可以是第一候选上车点与出发地的距离、跨路关系等。其中,距离可以是球面距离、步行距离、直线距离等。跨路关系可以是是否跨路、跨路引起的步行成本等。
第一候选上车点与用户的定位位置的位置关系特征可以是第一候选上车点与用户定位位置的距离、跨路关系等。其中,距离和跨路关系的细节可以参见上段内容。
特征数据中可以包含第一候选上车点与目标用户的出发地之间的跨路关系,可以理解的,上车点推荐模型可以基于第一候选上车点与目标用户的出发地之间的跨路关系,从至少一个候选上车点确定推荐上车点。具体的,特征数据中的跨路关系可以影响推荐模型确定的推荐分数(如,步骤804所述的排序分数)。
步骤804,基于特征数据计算目标用户的出发地确定的至少一个第一候选上车点的排序分数。具体的,该步骤804可以由推荐上车点确定模块230执行。
在一些实施例中,基于至少一个第一候选上车点中的特征数据,确定第一候选上车点的排序分数。排序分数反映了每个第一候选上车点和出发地的相关程度,相关程度越大,排序分数越高。例如,具有较高历史点击率的第一候选上车点分数较高。又例如,与用户定位位置距离较近的第一候选上车点的分数较高。
步骤806,基于所述至少一个第一候选上车点的排序分数确定推荐上车点。具体的,该步骤806可以由推荐上车点确定模块230执行。
推荐上车点可以是根据用户的出发地,最终确定推荐给用户的上车点。
在一些实施例中,根据至少一个第一候选上车点的排序分数,获取到与目标用户的出发地最匹配的第一候选上车点对应的排序分数,其中,最匹配的排序分数可以是排序分数中的最高分数。将最匹配的排序分数对应的第一候选上车点作为推荐上车点。
本申请实施例可能带来的有益效果包括但不限于:(1)用于推荐上车点的上车点推荐模型基于含有代表真实上车点和候选上车点是否跨路的标签进行训练,可以降低存在跨路的候选上车点的推荐概率;(2)为乘客提供合理的上车点;(3)提高用户体验。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)
1.一种推荐上车点的方法,其特征在于,包括:
获取目标用户的出发地;
根据所述目标用户的出发地确定至少一个第一候选上车点;
将所述至少一个第一候选上车点输入所述上车点推荐模型中,确定推荐上车点;其中,所述上车点推荐模型至少基于所述至少一个第一候选上车点与所述目标用户的出发地之间的跨路关系确定所述推荐上车点,跨路是指两个点之间需要横穿至少一条道路。
2.如权利要求1所述的方法,其特征在于,所述上车点推荐模型通过以下方式获得:
获取多组训练样本,所述多组训练样本对应多个历史订单的历史出发地,所述多组训练样本中的任意一组包含至少一条样本数据,所述至少一条样本数据中的任意一条包括对应的历史订单的历史出发地和基于所述历史出发地召回的第二候选上车点,所述样本数据的标签至少代表对应的历史订单的真实上车点和所述第二候选上车点之间的跨路关系;
基于所述多组训练样本训练初始上车点推荐模型,得到所述上车点推荐模型。
3.如权利要求1所述的方法,其特征在于,所述将所述至少一个第一候选上车点输入所述上车点推荐模型中,确定推荐上车点包括:
基于所述至少一个第一候选上车点获取特征数据,所述特征数据至少包括:所述第一候选上车点的属性特征、所述目标用户的出发地的属性特征、所述第一候选上车点与所述目标用户的出发地的位置关系特征、所述第一候选上车点与所述目标用户的定位位置的位置关系特征的一种或多种的组合;
基于所述特征数据,计算所述至少一个第一候选上车点的排序分数;
基于所述至少一个第一候选上车点的排序分数确定推荐上车点。
4.一种训练上车点推荐模型的方法,其特征在于,包括:
获取多组训练样本,所述多组训练样本对应多个历史订单的历史出发地,所述多组训练样本中的任意一组包含至少一条样本数据,所述至少一条样本数据中的任意一条包括对应的历史订单的历史出发地和基于所述历史出发地召回的第二候选上车点,所述样本数据的标签至少代表对应的历史订单的真实上车点和所述第二候选上车点之间的跨路关系,跨路是指两个点之间需要横穿至少一条道路;
基于所述多组训练样本训练初始上车点推荐模型,得到上车点推荐模型。
5.如权利要求4所述的方法,其特征在于,确定所述训练数据的标签包括:
获取对应的历史订单的真实上车点信息和第二候选上车点信息;
基于所述真实上车点信息和所述第二候选上车点信息,确定所述真实上车点与所述第二候选上车点之间的跨路关系和/或距离关系;
基于所述跨路关系和/或距离关系,确定所述样本数据的标签。
6.如权利要求5所述的方法,其特征在于,基于所述跨路关系和所述距离关系,确定所述样本数据的标签包括:
判断所述距离关系是否满足第一预设要求;
响应于所述距离关系满足所述第一预设要求,判断所述真实上车点与所述第二候选上车点之间的跨路关系是否满足第二预设要求;
基于判断的结果,确定所述样本数据的标签。
7.如权利要求5所述的方法,其特征在于,所述距离为球面距离。
8.如权利要求4所述的方法,其特征在于,所述跨路关系包括:
所述真实上车点与所述第二候选上车点之间是否存在跨路。
9.如权利要求8所述的方法,其特征在于,确定所述真实上车点与所述第二候选上车点之间是否存在跨路包括:
判断所述真实上车点与所述第二候选上车点是否位于同一个道路数据上;
响应于不位于所述同一个道路数据上,所述真实上车点与所述第二候选上车点存在跨路;
响应于位于所述同一条道路数据上,所述真实上车点与所述第二候选上车点不存在跨路。
10.如权利要求4所述的方法,其特征在于,所述上车点推荐模型为LambdaMART排序模型。
11.一种推荐上车点的***,其特征在于,包括:
出发地获取模块,用于获取目标用户的出发地;
候选上车点确定模块,用于根据所述目标用户的出发地确定至少一个第一候选上车点;
推荐上车点确定模块,用于将所述至少一个第一候选上车点输入所述上车点推荐模型中,确定推荐上车点;其中,所述上车点推荐模型至少基于所述至少一个第一候选上车点与所述目标用户的出发地之间的跨路关系确定所述推荐上车点,跨路是指两个点之间需要横穿至少一条道路。
12.如权利要求11所述的***,其特征在于,所述***还包括训练模块,所述训练模块包括:
训练样本获取单元,用于获取多组训练样本,所述多组训练样本对应多个历史订单的历史出发地,所述多组训练样本中的任意一组包含至少一条样本数据,所述至少一条样本数据中的任意一条包括对应的历史订单的历史出发地和基于所述历史出发地召回的第二候选上车点,所述样本数据的标签至少代表对应的历史订单的真实上车点和所述第二候选上车点之间的跨路关系;
模型训练单元,用于基于所述多组训练样本训练初始上车点推荐模型,得到所述上车点推荐模型。
13.如权利要求11所述的***,其特征在于,所述推荐上车点确定模块用于:
基于所述至少一个第一候选上车点获取特征数据,所述特征数据至少包括:所述第一候选上车点的属性特征、所述目标用户的出发地的属性特征、所述第一候选上车点与所述目标用户的出发地的位置关系特征、所述第一候选上车点与所述目标用户的定位位置的位置关系特征的一种或多种的组合;
基于所述特征数据,计算所述至少一个第一候选上车点的排序分数;
基于所述至少一个第一候选上车点的排序分数确定推荐上车点。
14.一种训练上车点推荐模型***,其特征在于,包括:
训练样本获取单元,用于获取多组训练样本,所述多组训练样本对应多个历史订单的历史出发地,所述多组训练样本中的任意一组包含至少一条样本数据,所述至少一条样本数据中的任意一条包括对应的历史订单的历史出发地和基于所述历史出发地召回的第二候选上车点,所述样本数据的标签至少代表对应的历史订单的真实上车点和所述第二候选上车点之间的跨路关系,跨路是指两个点之间需要横穿至少一条道路;
模型训练单元,用于基于所述多组训练样本训练初始上车点推荐模型,得到上车点推荐模型。
15.如权利要求14所述的***,其特征在于,所述训练样本获取单元还用于:
获取对应的历史订单的真实上车点信息和第二候选上车点信息;
基于所述真实上车点信息和所述第二候选上车点信息,确定所述真实上车点与所述第二候选上车点之间的跨路关系和/或距离关系;
基于所述跨路关系和/或距离关系,确定所述样本数据的标签。
16.如权利要求15所述的***,其特征在于,所述训练样本获取单元还用于:
判断所述距离关系是否满足第一预设要求;
响应于所述距离关系满足所述第一预设要求,判断所述真实上车点与所述第二候选上车点之间的跨路关系是否满足第二预设要求;
基于判断的结果,确定所述样本数据的标签。
17.如权利要求15所述的***,其特征在于,所述距离为球面距离。
18.如权利要求14所述的***,其特征在于,所述跨路关系包括:
所述真实上车点与所述第二候选上车点之间是否存在跨路。
19.如权利要求18所述的***,其特征在于,所述训练样本获取单元还用于:
判断所述真实上车点与所述第二候选上车点是否位于同一个道路数据上;
响应于不位于所述同一个道路数据上,所述真实上车点与所述第二候选上车点存在跨路;
响应于位于所述同一条道路数据上,所述真实上车点与所述第二候选上车点不存在跨路。
20.如权利要求14所述的***,其特征在于,所述上车点推荐模型为LambdaMART排序模型。
21.一种推荐上车点的装置,包括处理器,其特征在于,所述处理器用于执行如权利要求1~3任一项所述的推荐上车点的方法。
22.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~3任一项所述的推荐上车点的方法。
23.一种训练上车点推荐模型装置,包括处理器,其特征在于,所述处理器用于执行如权利要求4~10任一项所述的训练上车点推荐模型方法。
24.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求4~10任一项所述的训练上车点推荐模型方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011247004.1A CN112270427A (zh) | 2020-11-10 | 2020-11-10 | 一种推荐上车点的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011247004.1A CN112270427A (zh) | 2020-11-10 | 2020-11-10 | 一种推荐上车点的方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270427A true CN112270427A (zh) | 2021-01-26 |
Family
ID=74340913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011247004.1A Pending CN112270427A (zh) | 2020-11-10 | 2020-11-10 | 一种推荐上车点的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270427A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785393A (zh) * | 2021-02-08 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
CN112991810A (zh) * | 2021-02-03 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 停车位置确定方法、装置、存储介质和电子设备 |
CN112990548A (zh) * | 2021-02-08 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN113987312A (zh) * | 2021-11-02 | 2022-01-28 | 深圳依时货拉拉科技有限公司 | 货运汽车装卸货停靠点的推荐方法、设备及存储介质 |
CN114817742A (zh) * | 2022-05-18 | 2022-07-29 | 平安科技(深圳)有限公司 | 基于知识蒸馏的推荐模型配置方法、装置、设备、介质 |
CN116340600A (zh) * | 2023-02-13 | 2023-06-27 | 北京白龙马云行科技有限公司 | 网约车上车地点的推送方法、预测模型的训练方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326799A1 (en) * | 2008-06-25 | 2009-12-31 | Expresspass Systems, Inc. | Distributed Route Segment Maintenance and Hierarchical Routing Based on Physical Vehicle Criteria |
CN103081416A (zh) * | 2010-09-08 | 2013-05-01 | 瑞典爱立信有限公司 | 以链路利用作为到平局打破机制中的反馈的多协议标签交换(mpls)的自动化业务工程 |
CN109839119A (zh) * | 2017-11-24 | 2019-06-04 | 高德软件有限公司 | 跨路桥梁桥面区域的获取方法及装置 |
US20190347674A1 (en) * | 2018-05-09 | 2019-11-14 | Volvo Car Corporation | Data-driven method and system to forecast demand for mobility units in a predetermined area based on user group preferences |
CN110672107A (zh) * | 2018-07-02 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种汇合位置推荐方法、***及计算机可读存储介质 |
CN111310055A (zh) * | 2020-03-06 | 2020-06-19 | 汉海信息技术(上海)有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN111859175A (zh) * | 2020-03-06 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和*** |
CN111859179A (zh) * | 2020-04-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、***、装置及存储介质 |
CN111861647A (zh) * | 2020-07-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和*** |
CN111859183A (zh) * | 2020-06-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、***、装置及存储介质 |
CN111881368A (zh) * | 2019-12-31 | 2020-11-03 | 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*** |
-
2020
- 2020-11-10 CN CN202011247004.1A patent/CN112270427A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326799A1 (en) * | 2008-06-25 | 2009-12-31 | Expresspass Systems, Inc. | Distributed Route Segment Maintenance and Hierarchical Routing Based on Physical Vehicle Criteria |
CN103081416A (zh) * | 2010-09-08 | 2013-05-01 | 瑞典爱立信有限公司 | 以链路利用作为到平局打破机制中的反馈的多协议标签交换(mpls)的自动化业务工程 |
CN109839119A (zh) * | 2017-11-24 | 2019-06-04 | 高德软件有限公司 | 跨路桥梁桥面区域的获取方法及装置 |
US20190347674A1 (en) * | 2018-05-09 | 2019-11-14 | Volvo Car Corporation | Data-driven method and system to forecast demand for mobility units in a predetermined area based on user group preferences |
CN110672107A (zh) * | 2018-07-02 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种汇合位置推荐方法、***及计算机可读存储介质 |
CN111881368A (zh) * | 2019-12-31 | 2020-11-03 | 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*** |
CN111310055A (zh) * | 2020-03-06 | 2020-06-19 | 汉海信息技术(上海)有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN111859175A (zh) * | 2020-03-06 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和*** |
CN111859179A (zh) * | 2020-04-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、***、装置及存储介质 |
CN111859183A (zh) * | 2020-06-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、***、装置及存储介质 |
CN111861647A (zh) * | 2020-07-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991810A (zh) * | 2021-02-03 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 停车位置确定方法、装置、存储介质和电子设备 |
CN112785393A (zh) * | 2021-02-08 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种位置推荐方法、装置及电子设备 |
CN112990548A (zh) * | 2021-02-08 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN112990548B (zh) * | 2021-02-08 | 2024-04-19 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN113987312A (zh) * | 2021-11-02 | 2022-01-28 | 深圳依时货拉拉科技有限公司 | 货运汽车装卸货停靠点的推荐方法、设备及存储介质 |
CN114817742A (zh) * | 2022-05-18 | 2022-07-29 | 平安科技(深圳)有限公司 | 基于知识蒸馏的推荐模型配置方法、装置、设备、介质 |
CN116340600A (zh) * | 2023-02-13 | 2023-06-27 | 北京白龙马云行科技有限公司 | 网约车上车地点的推送方法、预测模型的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270427A (zh) | 一种推荐上车点的方法和*** | |
JP6878629B2 (ja) | 過去の注文に基づき現在の注文に関係がある情報を決定するためのシステムおよび方法 | |
CN109074622B (zh) | 确定运输服务路线的***及方法 | |
CN109478364B (zh) | 确定预计到达时间的方法及*** | |
CN109155104B (zh) | 推荐估计到达时间的***和方法 | |
CN109416878B (zh) | 用于推荐预计到达时间的***和方法 | |
CN110168313B (zh) | 用于预估到达时间的方法及*** | |
CN109478275B (zh) | 分配服务请求的***和方法 | |
CN109313846B (zh) | 用于推荐上车点的***和方法 | |
CN110537212B (zh) | 确定预估到达时间的***与方法 | |
CN111859173A (zh) | 一种上车点推荐方法和*** | |
CN111881713A (zh) | 一种识别违停地点的方法、***、装置及存储介质 | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
CN112868036A (zh) | 位置推荐的***和方法 | |
CN111861618A (zh) | 一种上车点推荐方法和*** | |
CN111210036B (zh) | 一种确定推荐上车点的方法和*** | |
CN110839346A (zh) | 用于分配服务请求的***和方法 | |
CN111859178B (zh) | 一种推荐上车点的方法和*** | |
CN112036645A (zh) | 用于确定预估到达时间的***和方法 | |
CN111295569B (zh) | 用于生成道路地图的***和方法 | |
CN110782648B (zh) | 确定预计到达时间的***和方法 | |
KR20180073620A (ko) | 서비스의 시퀀스를 업데이트하기 위한 시스템 및 방법 | |
CN111859183A (zh) | 一种上车点推荐方法、***、装置及存储介质 | |
CN111859185A (zh) | 一种上车点推荐方法、***、装置及存储介质 | |
CN111882112B (zh) | 一种预测到达时间的方法和*** |
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 |