CN113570492A - 老人用车服务***及其运行方法 - Google Patents
老人用车服务***及其运行方法 Download PDFInfo
- Publication number
- CN113570492A CN113570492A CN202110835276.1A CN202110835276A CN113570492A CN 113570492 A CN113570492 A CN 113570492A CN 202110835276 A CN202110835276 A CN 202110835276A CN 113570492 A CN113570492 A CN 113570492A
- Authority
- CN
- China
- Prior art keywords
- information
- preference
- vector
- matrix
- common
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 176
- 238000012545 processing Methods 0.000 claims description 69
- 238000012546 transfer Methods 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 abstract description 8
- 230000007704 transition Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000009466 transformation 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
- 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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
Abstract
本申请涉及用车服务的领域,其具体地公开了一种老人用车服务***及其运行方法,其不同于一般的网约车服务商在派单时主要基于地理位置进行派单,在本申请中考虑到老人用车对于时间的敏感性较低,因此,优先考虑派送车辆是否符合老人的偏好信息。并且,如果仅基于偏好‑条件进行完全匹配,则显然会降低老人与车辆的匹配程度,因此,本申请的老人用车服务***进一步基于其它常规信息进行一定程度上的模糊匹配,通过这样的方式,可以使得待分配的老人与待匹配车辆的匹配程度更高,进而提高老年人用车服务的质量。
Description
技术领域
本发明涉及用车服务的领域,且更为具体地,涉及一种老人用车服务***、老人用车服务***的运行方法。
背景技术
网约车,即网络预约出租汽车经营服务的简称,是指以互联网技术为依托构建服务平台,接入符合条件的车辆和驾驶员,通过整合供需信息,提供非巡游的预约出租汽车服务的经营活动。在移动互联网时代,网约车已成为大多数人打车出行的重要途径。
但是,网约车在极大的便利普通人群出行的同时,渐渐显现出了对老年人群体的不友好,有相当一部分老年人,他们文化水平有限且不会使用智能手机,其中还有一部分老年人的视力听力衰退且身体健康也欠佳,这样会使得老人们在打车时不仅无法享受网约车带来的便利,反而还会因此更难通过传统召车方式出行。并且,不同于一般的网约车服务商在派单时主要基于地理位置进行派单,老人用车对于时间的敏感性较低而且对车辆具有特殊的偏好。因此,如何在老年人打车时,兼顾他们基础信息的同时并根据他们不同的喜好和身体条件状况进行不同的车辆匹配是需要考虑的问题。
因此,期待一种老人用车服务***以对待分配的老人与待匹配车辆是否匹配进行准确地判断。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种老人用车服务***、老人用车服务***的运行方法,其不同于一般的网约车服务商在派单时主要基于地理位置进行派单,在本申请中考虑到老人用车对于时间的敏感性较低,因此,优先考虑派送车辆是否符合老人的偏好信息。并且,如果仅基于偏好-条件进行完全匹配,则显然会降低老人与车辆的匹配程度,因此,本申请的老人用车服务***进一步基于其它常规信息进行一定程度上的模糊匹配,通过这样的方式,可以使得待分配的老人与待匹配车辆的匹配程度更高,进而提高老年人用车服务的质量。
根据本申请的一个方面,提供了一种老人用车服务***,其包括:
常用信息获取单元,用于获取待分配老人的常用信息,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址;
常用特征向量构造单元,用于将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量;
偏好信息单元,用于获取待分配老人的偏好信息,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静;
偏好向量构造单元,用于将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量;
关联单元,用于基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵;
神经网络单元,用于使用卷积神经网络从所述关联矩阵获得关联特征图;
空间映射单元,用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成;
转移矩阵计算单元,用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异;
邻域处理单元,用于对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理;以及
车辆匹配分析单元,用于将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
在上述老人用车服务***中,所述常用特征向量构造单元,进一步用于:将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值;将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值;将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值。
在上述老人用车服务***中,所述偏好向量构造单元,进一步用于:将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值,以获得由多个特征值构成的偏好向量。
在上述老人用车服务***中,所述关联单元,进一步用于:将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。
在上述老人用车服务***中,所述邻域处理单元,进一步用于:以如下公式对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵;所述公式为:
在上述老人用车服务***中,所述卷积神经网络以如下公式对所述关联矩阵进行处理以生成关联特征图;其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络的输入,fi为第i层卷积神经网络的输出,Ni为第i层卷积神经网络的卷积核,且Bi为第i层卷积神经网络的偏置向量,active表示非线性激活函数。
在上述老人用车服务***中,所述车辆匹配分析单元,进一步用于:将所述分类矩阵通过一个或多个全连接层以获得分类特征向量;将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率;以及,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。
根据本申请的另一方面,一种老人用车服务***的运行方法,其包括:
获取待分配老人的常用信息,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址;
将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量;
获取待分配老人的偏好信息,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静;
将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量;
基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵;
使用卷积神经网络从所述关联矩阵获得关联特征图;
将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成;
计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异;
对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理;以及
将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
在上述老人用车服务***的运行方法中,将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量,包括:将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值;将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值;将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值。
在上述老人用车服务***的运行方法中,将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量,包括:将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值,以获得由多个特征值构成的偏好向量。
在上述老人用车服务***的运行方法中,基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵,包括:将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。
在上述老人用车服务***的运行方法中,对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理,包括:以如下公式对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵;所述公式为:
在上述老人用车服务***的运行方法中,将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配,包括:将所述分类矩阵通过一个或多个全连接层以获得分类特征向量;将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率;以及,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。
与现有技术相比,本申请提供的老人用车服务***、老人用车服务***的运行方法,其不同于一般的网约车服务商在派单时主要基于地理位置进行派单,在本申请中考虑到老人用车对于时间的敏感性较低,因此,优先考虑派送车辆是否符合老人的偏好信息。并且,如果仅基于偏好-条件进行完全匹配,则显然会降低老人与车辆的匹配程度,因此,本申请的老人用车服务***进一步基于其它常规信息进行一定程度上的模糊匹配,通过这样的方式,可以使得待分配的老人与待匹配车辆的匹配程度更高,进而提高老年人用车服务的质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的老人用车服务***的应用场景图。
图2为根据本申请实施例的老人用车服务***的框图。
图3为根据本申请实施例的老人用车服务***的运行方法的流程图。
图4为根据本申请实施例的老人用车服务***的运行方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,在本申请的老人用车服务***中,网约车服务商需要记录手表特征码对应的老人,及其姓名、年龄、性别、身体状态、家庭住址、常用地址等常用信息,以及由其监护人设置的乘车偏好,包括是否乘坐轮椅、是否畏寒畏热、是否要求安静等偏好信息,并在派单时,根据老人信息筛选合适的车辆进行派单。
因此,在本申请的老人用车服务***中,不同于一般的网约车服务商在派单时主要基于地理位置进行派单,在本申请的老人用车服务***中,考虑到老人用车对于时间敏感性较低,优先考虑派送车辆是否符合如上所述的老人偏好信息。
具体地,在基于老人偏好和车辆条件所进行的匹配过程中,本申请的老人用车服务***可以将偏好信息和车辆条件信息数字化为由0和1组成的向量,例如在老人方面,乘坐轮椅为1,不乘坐轮椅为0,而在车辆方面,具有轮椅安放位为1,不具有轮椅安放位为0。但是,如果基于偏好-条件进行完全匹配,则显然会降低匹配度,反而使得服务质量下降,因此,本申请的老人用车服务***进一步基于其它常规信息进行一定程度上的模糊匹配。
首先,获取待分派老人的常用信息,包括姓名、年龄、性别、身体状态、家庭住址、常用地址,并将每项信息通过编码器转换为特征值,以获得用于表达常用信息的常用特征向量。然后,将常用特征向量与通过如上所述的方式构造的偏好向量的转置进行相乘,以便得到用于表达常用信息与偏好信息之间的关联的关联矩阵。接下来,为了挖掘出常用信息与偏好信息之间的深层次的关联关系,例如年龄、性别、身体状态等都影响老人是否畏寒微热,而家庭住址、常用地址等可以根据所在环境判定老人是否要求安静,将关联矩阵输入卷积神经网络以得到关联特征图。
然后,分别将关联特征图与待分配老人的偏好向量和待匹配车辆的车辆条件向量相乘,以将偏好信息和车辆条件信息映射到关联特征的特征空间中,以获得偏好特征向量和车辆条件特征向量。并且,由于为了表示偏好信息与车辆条件信息在关联特征层面上的差异,所以不适于直接使用偏好特征向量和车辆条件特征向量计算差分向量,在本申请中,使用偏好特征向量与车辆条件特征向量之间的转移矩阵。即,令偏好特征向量为A,车辆条件特征向量为B,则转移矩阵W满足A=W*B。
进一步地,为了使得通过使用转移矩阵W的分类结果尽可能地与特征值位置无关,对转移矩阵进行邻域处理,即:
这里,邻域处理包括邻域均值和差分矩阵,以保证排列不变性,从而得到处理后的转移矩阵,即分类矩阵。然后,将该分类矩阵通过分类器以得到分类结果,该分类结果表示待分派老人与待匹配车辆是否匹配。
基于此,本申请提出了一种老人用车服务***,其包括:常用信息获取单元,用于获取待分配老人的常用信息,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址;常用特征向量构造单元,用于将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量;偏好信息单元,用于获取待分配老人的偏好信息,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静;偏好向量构造单元,用于将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量;关联单元,用于基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵;神经网络单元,用于使用卷积神经网络从所述关联矩阵获得关联特征图;空间映射单元,用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成;转移矩阵计算单元,用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异;邻域处理单元,用于对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理;以及,车辆匹配分析单元,用于将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
图1图示了根据本申请实施例的老人用车服务***的应用场景图。如图1所示,在该应用场景中,首先,从移动终端设备(例如,如图1中所示意的T)获取待分配老人的常用信息和偏好信息,例如,从通过老人手持的智能手机中获取待分配老人的常用信息和偏好信息,以及,获取待匹配的车辆(例如,如图1中所示意的V)的条件信息;然后,将所述待分配老人的常用信息和偏好信息以及待匹配的车辆条件信息输入至部署有老人用车服务算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够以老人用车服务算法对所述待分配老人的常用信息和偏好信息以及待匹配的车辆条件信息进行处理,以生成用于表示待分配的老人与待匹配车辆是否匹配的分类结果。
在该应用场景中,所述待分配老人的常用信息包括但不局限于姓名、年龄、性别、身体状态、家庭住址和常用地址等。所述待分配老人的偏好信息包括但不局限于是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静等。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的老人用车服务***的框图。如图2所示,根据本申请实施例的老人用车服务***200,包括:常用信息获取单元210,用于获取待分配老人的常用信息,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址;常用特征向量构造单元220,用于将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量;偏好信息单元230,用于获取待分配老人的偏好信息,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静;偏好向量构造单元240,用于将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量;关联单元250,用于基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵;神经网络单元260,用于使用卷积神经网络从所述关联矩阵获得关联特征图;空间映射单元270,用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成;转移矩阵计算单元280,用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异;邻域处理单元290,用于对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理;以及,车辆匹配分析单元300,用于将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
具体地,在本申请实施例中,所述常用信息获取单元210和常用特征向量构造单元220,用于获取待分配老人的常用信息,并将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量。也就是,首先,通过云存储端获取待分配老人的常用信息,在一个具体示例中,所述常用信息包括但不局限于姓名、年龄、性别、身体状态、家庭住址和常用地址等;然后,再将所述获得的待分配老人的常用信息中的各项信息数据输入第一编码器,以通过所述第一编码器对所述常用信息中的各项信息进行编码,以获得由多个特征值构成的常用特征向量。
应可以理解,本申请需要融合常用信息与偏好信息,以得到两者之间的关联性特征,因此,就需要将获取的待分配老人的常用信息转变为计算机能够识别的语言信息,也就是对所述待分配老人的常用信息中的各项信息进行编码,以获得由多个特征值构成的所述常用特征向量。
更具体地,在本申请一个示例中,所述常用特征向量构造单元,进一步用于:首先,将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值,应可以理解,所述姓名、家庭住址和常用地址的常用信息数据属于文本数据,是非结构化数据,因此,在本申请的实施例中,需要通过诸如词袋模型、主题模型和词嵌入模型之类的转换器将其转化为结构化的数据。然后,将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值,应可以理解,所述性别和身体状态的常用信息数据属于类别型数据,例如,男可以表示为1,女表示为0。最后,将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值,应可以理解,年龄本身就是数字数据但属于十进制,而计算机为2进制,因此,在本申请的实施例中,需要将其进行从十进制到2进制的数据转化。
具体地,在本申请实施例中,所述偏好信息单元230和偏好向量构造单元240,用于获取待分配老人的偏好信息,并将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量。也就是,首先获取待分配老人的偏好信息,在一个具体示例中,所述待分配老人的偏好信息包括但不局限于是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静等;然后,再将所述待分配老人的偏好信息中的各项信息数据分别通过第二编码器以转化为特征值,以通过所述第二编码器对所述偏好信息中的各项信息进行编码,以获得由多个特征值构成的偏好向量。
应可以理解,本申请考虑到老人用车对于时间敏感性较低,因此,在本申请的技术方案中,优先考虑派送车辆是否符合如上所述的老人偏好信息。并且本申请融合了常用信息与偏好信息,以得到两者之间的关联性特征,因此,需要将获取的待分配老人的偏好信息转变为计算机能够识别的语言信息,也就是对所述待分配老人的偏好信息中的各项信息进行编码,以获得由多个特征值构成的所述偏好特征向量。
更具体地,在本申请一个示例中,所述偏好向量构造单元,进一步用于:将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值,以获得由多个特征值构成的偏好向量。应可以理解,这里,所述待分配老人的偏好信息中的各项信息都属于类别型数据,例如,在老人否乘坐轮椅方面,乘坐轮椅为1,不乘坐轮椅为0。
具体地,在本申请实施例中,所述关联单元250,用于基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵。在一个具体示例中,所述关联单元,进一步用于:将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。这里,所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得的所述关联矩阵表示融合了每个待分配老人的所述常用信息和所述偏好信息之间的关联性特征。
特别地,在一个变形实施例中,也可以将常用特征向量先转化到概率空间中,例如,将常用特征向量输入Sigmoid函数中,应可以理解,偏好向量是由0和1组成的向量,将常用特征向量也转化到0到1的概率空间中便于后续计算。
具体地,在本申请实施例中,所述神经网络单元260,用于使用卷积神经网络从所述关联矩阵获得关联特征图。应可以理解,为了挖掘出常用信息与偏好信息之间的深层次的关联关系,例如年龄、性别、身体状态等都影响老人是否畏寒微热,而家庭住址、常用地址等可以根据所在环境判定老人是否要求安静,因此,在本申请的技术方案中,以卷积神经网络对所述获得的关联矩阵进行处理,以提取出所述关联矩阵中的局部特征在高维空间中的特征分布表示,以得到关联特征图。
更具体地,在本申请一个具体示例中,所述卷积神经网络以如下公式对所述关联矩阵进行处理以生成关联特征图;
其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络的输入,fi为第i层卷积神经网络的输出,Ni为第i层卷积神经网络的卷积核,且Bi为第i层卷积神经网络的偏置向量,active表示非线性激活函数。
具体地,在本申请实施例中,所述空间映射单元270,用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成。应可以理解,在本申请的技术方案中,考虑到如果仅基于偏好-条件进行完全匹配,则显然会降低匹配度,反而使得服务质量下降,因此,在本申请中进一步基于其它常规信息进行一定程度上的模糊匹配。
也就是,分别将所述关联特征图与所述待分配老人的偏好向量和所述待匹配车辆的车辆条件向量相乘,以获得偏好特征向量和车辆条件特征向量。这里,所述关联特征图与所述待分配老人的偏好向量相乘表示将所述偏好信息映射到所述关联特征的特征空间中,以得到融合了所述偏好信息与所述关联特征的关联信息,以得到偏好特征向量。所述关联特征图与所述待匹配车辆的车辆条件向量相乘表示将所述待匹配车辆的车辆条件信息映射到所述关联特征的特征空间中,以得到融合了所述待匹配车辆的车辆条件信息与所述关联特征的关联信息,以得到车辆条件特征向量。
具体地,在本申请实施例中,转移矩阵计算单元280,用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异。应可以理解,由于为了表示所述偏好信息与所述车辆条件信息在关联特征层面上的差异,所以不适于直接使用偏好特征向量和车辆条件特征向量计算差分向量,因此,在本申请的技术方案中,使用偏好特征向量与车辆条件特征向量之间的转移矩阵。例如,在本申请的一个具体示例中,令偏好特征向量为A,车辆条件特征向量为B,则转移矩阵W满足A=W*B。
具体地,在本申请实施例中,邻域处理单元290,用于对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理。应可以理解,为了使得通过使用转移矩阵W的分类结果尽可能地与特征值位置无关,因此,在本申请的技术方案中,需要对所述转移矩阵进行邻域处理。也就是,对所述转移矩阵进行邻域处理,其中,邻域处理包括邻域均值处理和差分矩阵处理,以保证排列不变性,从而得到处理后的转移矩阵,即分类矩阵。
更具体地,在本申请的实施例中,所述邻域处理单元,进一步用于:以如下公式对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵;
所述公式为:
具体地,在本申请实施例中,车辆匹配分析单元300,用于将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。在一个具体示例中,所述车辆匹配分析单元,进一步用于:首先,将所述分类矩阵通过一个或多个全连接层以获得分类特征向量,也就是,首先,通过一个或多个全连接层作为编码器对所述分类矩阵进行编码以充分利用所述分类矩阵中每个位置信息,以生成分类特征向量。然后,将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率。最后,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果,具体地,当所述第一概率大于第二概率时,所述分类结果为待分配的老人与待匹配车辆匹配;当所述第一概率小于第二概率时,所述分类结果为待分配的老人与待匹配车辆不匹配。
综上,基于本申请实施例的所述老人用车服务***200被阐明,其不同于一般的网约车服务商在派单时主要基于地理位置进行派单,在本申请中考虑到老人用车对于时间的敏感性较低,因此,优先考虑派送车辆是否符合老人的偏好信息。并且,如果仅基于偏好-条件进行完全匹配,则显然会降低老人与车辆的匹配程度,因此,本申请的老人用车服务***进一步基于其它常规信息进行一定程度上的模糊匹配,通过这样的方式,可以使得待分配的老人与待匹配车辆的匹配程度更高,进而提高老年人用车服务的质量。
如上所述,根据本申请实施例的老人用车服务***200可以实现在各种终端设备中,例如老人用车服务算法的服务器等。在一个示例中,根据本申请实施例的老人用车服务***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该老人用车服务***200可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该老人用车服务***200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该老人用车服务***200与该终端设备也可以是分立的设备,并且该老人用车服务***200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了老人用车服务***的运行方法的流程图。如图3所示,根据本申请实施例的老人用车服务***的运行方法,包括步骤:S110,获取待分配老人的常用信息,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址;S120,将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量;S130,获取待分配老人的偏好信息,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静;S140,将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量;S150,基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵;S160,使用卷积神经网络从所述关联矩阵获得关联特征图;S170,将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成;S180,计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异;S190,对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理;以及,S200,将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
图4图示了根据本申请实施例的老人用车服务***的运行方法的架构示意图。如图4所示,在所述老人用车服务***的运行方法的网络架构中,首先,将所述待分配老人的常用信息(例如,如图3中所示意的IN1)中的各项信息分别通过第一编码器(例如,如图3中所示意的E1)转化为特征值(例如,如图3中所示意的P1-Pn),以获得由多个特征值构成的常用特征向量(例如,如图3中所示意的VC),其中,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址;接着,将所述待分配老人的偏好信息(例如,如图3中所示意的IN2)中的各项信息分别通过第二编码器(例如,如图3中所示意的E2)以转化为特征值(例如,如图3中所示意的Q1-Qn),以获得由多个特征值构成的偏好向量(例如,如图3中所示意的VP),其中,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静;然后,基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵(例如,如图3中所示意的IM);接着,使用卷积神经网络(例如,如图3中所示意的CNN)从所述关联矩阵获得关联特征图(例如,如图3中所示意的F1);然后,将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量(例如,如图3中所示意的VC)分别映射到所述关联特征图的特征空间中,以获得偏好特征向量(例如,如图3中所示意的PV)和车辆条件特征向量(例如,如图3中所示意的VV),其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息(例如,如图3中所示意的IN3)生成;接着,计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵(例如,如图3中所示意的TM);然后,对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵(例如,如图3中所示意的CM);以及,最后,将所述分类矩阵通过分类器(例如,如图3中所示意的分类器)以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
更具体地,在步骤S110和S120中,获取待分配老人的常用信息,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址,并将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量。也就是,具体地,在本申请实施例中,首先,获取待分配老人的常用信息;接着,将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值;然后,将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值;最后,将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值。
更具体地,在步骤S130和S140中,获取待分配老人的偏好信息,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静,并将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量。也就是,首先获取待分配老人的偏好信息;接着,将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值,以获得由多个特征值构成的偏好向量。
更具体地,在步骤S150中,基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵。也就是,将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。特别地,在一个变形实施例中,也可以将常用特征向量先转化到概率空间中,例如,将常用特征向量输入Sigmoid函数中,应可以理解,偏好向量由0和1组成的向量,因此,将常用特征向量也转化到0到1的概率空间中便于计算。
更具体地,在步骤S160中,使用卷积神经网络从所述关联矩阵获得关联特征图。也就是,以卷积神经网络对所述获得的关联矩阵进行处理,以提取出所述关联矩阵中的局部特征在高维空间中的特征分布表示,以得到关联特征图。
在本申请的一个具体示例中,所述卷积神经网络以如下公式对所述关联矩阵进行处理以生成关联特征图;其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络的输入,fi为第i层卷积神经网络的输出,Ni为第i层卷积神经网络的卷积核,且Bi为第i层卷积神经网络的偏置向量,active表示非线性激活函数。
更具体地,在步骤S170中,将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成。应可以理解,在本申请的技术方案中,考虑到如果仅基于偏好-条件进行完全匹配,则显然会降低匹配度,反而使得服务质量下降,因此,在本申请中进一步基于其它常规信息进行一定程度上的模糊匹配。也就是,分别将所述关联特征图与所述待分配老人的偏好向量和所述待匹配车辆的车辆条件向量相乘,以获得偏好特征向量和车辆条件特征向量。
更具体地,在步骤S180中,计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异。应可以理解,由于为了表示所述偏好信息与所述车辆条件信息在关联特征层面上的差异,所以不适于直接使用偏好特征向量和车辆条件特征向量计算差分向量,因此,在本申请的技术方案中,使用偏好特征向量与车辆条件特征向量之间的转移矩阵。
更具体地,在步骤S190中,对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理。也就是,以如下公式对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵;所述公式为:
更具体地,在步骤S200中,将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。也就是,将所述分类矩阵通过一个或多个全连接层以获得分类特征向量;将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率;以及,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。
综上,基于本申请实施例的所述老人用车服务***的运行方法被阐明,其不同于一般的网约车服务商在派单时主要基于地理位置进行派单,在本申请中考虑到老人用车对于时间的敏感性较低,因此,优先考虑派送车辆是否符合老人的偏好信息。并且,如果仅基于偏好-条件进行完全匹配,则显然会降低老人与车辆的匹配程度,因此,本申请的老人用车服务***进一步基于其它常规信息进行一定程度上的模糊匹配,通过这样的方式,可以使得待分配的老人与待匹配车辆的匹配程度更高,进而提高老年人用车服务的质量。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种老人用车服务***,其特征在于,包括:
常用信息获取单元,用于获取待分配老人的常用信息,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址;
常用特征向量构造单元,用于将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量;
偏好信息单元,用于获取待分配老人的偏好信息,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静;
偏好向量构造单元,用于将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量;
关联单元,用于基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵;
神经网络单元,用于使用卷积神经网络从所述关联矩阵获得关联特征图;
空间映射单元,用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成;
转移矩阵计算单元,用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异;
邻域处理单元,用于对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理;以及
车辆匹配分析单元,用于将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
2.根据权利要求1所述的老人用车服务***,其中,所述常用特征向量构造单元,进一步用于:将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值;将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值;将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值。
3.根据权利要求1所述的老人用车服务***,其中,所述偏好向量构造单元,进一步用于:将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值,以获得由多个特征值构成的偏好向量。
4.根据权利要求1所述的老人用车服务***,其中,所述关联单元,进一步用于:将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。
6.根据权利要求1所述的老人用车服务***,其中,所述卷积神经网络以如下公式对所述关联矩阵进行处理以生成关联特征图;
其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络的输入,fi为第i层卷积神经网络的输出,Ni为第i层卷积神经网络的卷积核,且Bi为第i层卷积神经网络的偏置向量,active表示非线性激活函数。
7.根据权利要求1所述的老人用车服务***,其中,所述车辆匹配分析单元,进一步用于:将所述分类矩阵通过一个或多个全连接层以获得分类特征向量;将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率;以及,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。
8.一种老人用车服务***的运行方法,其特征在于,包括:
获取待分配老人的常用信息,所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址;
将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量;
获取待分配老人的偏好信息,所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静;
将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量;
基于所述常用特征向量和所述偏好向量,构造用于表示常用信息和偏好信息之间的关联的关联矩阵;
使用卷积神经网络从所述关联矩阵获得关联特征图;
将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中,以获得偏好特征向量和车辆条件特征向量,其中,所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成;
计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵,其中,所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量,所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异;
对所述转移矩阵进行邻域处理,以获得邻域处理后的转移矩阵作为分类矩阵,所述邻域处理包括邻域均值处理和计算差分矩阵处理;以及
将所述分类矩阵通过分类器以获得分类结果,所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
9.根据权利要求8所述的老人用车服务***的运行方法,其中,将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值,以获得由多个特征值构成的常用特征向量,包括:
将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值;将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值;将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值。
10.根据权利要求8所述的老人用车服务***的运行方法,其中,将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值,以获得由多个特征值构成的偏好向量,包括:
将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值,以获得由多个特征值构成的偏好向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835276.1A CN113570492B (zh) | 2021-07-23 | 2021-07-23 | 老人用车服务***及其运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835276.1A CN113570492B (zh) | 2021-07-23 | 2021-07-23 | 老人用车服务***及其运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570492A true CN113570492A (zh) | 2021-10-29 |
CN113570492B CN113570492B (zh) | 2022-08-02 |
Family
ID=78166585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110835276.1A Active CN113570492B (zh) | 2021-07-23 | 2021-07-23 | 老人用车服务***及其运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570492B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943486A (zh) * | 2022-07-21 | 2022-08-26 | 浙江大学 | 基于磁控溅射设备使用效率最优的管理***及其管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206201A1 (en) * | 2016-01-19 | 2017-07-20 | Xerox Corporation | Smoothed dynamic modeling of user traveling preferences in a public transportation system |
CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
CN110363329A (zh) * | 2019-06-12 | 2019-10-22 | 河海大学 | 一种基于供求双边满意度匹配的网约车派单方法 |
WO2021031638A1 (zh) * | 2019-08-20 | 2021-02-25 | 南京领行科技股份有限公司 | 一种派单方法和装置 |
CN113112295A (zh) * | 2021-04-08 | 2021-07-13 | 深圳万顺叫车云信息技术有限公司 | 一种基于社区服务终端的叫车***及制造设备 |
-
2021
- 2021-07-23 CN CN202110835276.1A patent/CN113570492B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206201A1 (en) * | 2016-01-19 | 2017-07-20 | Xerox Corporation | Smoothed dynamic modeling of user traveling preferences in a public transportation system |
CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
CN110363329A (zh) * | 2019-06-12 | 2019-10-22 | 河海大学 | 一种基于供求双边满意度匹配的网约车派单方法 |
WO2021031638A1 (zh) * | 2019-08-20 | 2021-02-25 | 南京领行科技股份有限公司 | 一种派单方法和装置 |
CN113112295A (zh) * | 2021-04-08 | 2021-07-13 | 深圳万顺叫车云信息技术有限公司 | 一种基于社区服务终端的叫车***及制造设备 |
Non-Patent Citations (2)
Title |
---|
孟祥福 等: "用户-兴趣点耦合关系的兴趣点推荐方法", 《智能***学报》 * |
杜玲丽等: "考虑出行者偏好和经验的路径选择行为研究", 《公路交通科技》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943486A (zh) * | 2022-07-21 | 2022-08-26 | 浙江大学 | 基于磁控溅射设备使用效率最优的管理***及其管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113570492B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6677802B2 (ja) | 到着時間を推定するための方法およびシステム | |
US11315170B2 (en) | Methods and systems for order processing | |
CN110263160A (zh) | 一种计算机问答***中的问句分类方法 | |
CN110162700A (zh) | 信息推荐及模型的训练方法、装置、设备以及存储介质 | |
Guo et al. | iFusion: Towards efficient intelligence fusion for deep learning from real-time and heterogeneous data | |
CN112380870A (zh) | 用户意图分析方法、装置、电子设备及计算机存储介质 | |
CN113570492B (zh) | 老人用车服务***及其运行方法 | |
CN114065048A (zh) | 基于多异构图图神经网络的物品推荐方法 | |
CN111967946B (zh) | 一种基于面向用户多关系信息网络的商品推荐方法及*** | |
CN115130711A (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN113778718A (zh) | 基于动态路由的微服务资源管理方法、***和电子设备 | |
CN115374288A (zh) | 一种基于知识图谱与注意力机制的推荐方法 | |
CN117391225A (zh) | 数据处理方法、设备及介质 | |
WO2021121206A1 (zh) | 一种用于判定服务事故的责任的方法和*** | |
CN114912572A (zh) | 目标识别方法及神经网络的训练方法 | |
Huang et al. | Broad recommender system: An efficient nonlinear collaborative filtering approach | |
CN113962224A (zh) | 命名实体识别方法及其装置、设备、介质、产品 | |
CN114764469A (zh) | 一种内容推荐方法、装置、计算机设备和存储介质 | |
CN114374660A (zh) | 5g消息聊天机器人的推荐方法、装置、设备及存储介质 | |
CN111353093B (zh) | 问题推荐方法、装置、服务器及可读存储介质 | |
CN116403608A (zh) | 基于多标签纠正和时空协同融合的语音情感识别方法 | |
CN115935067A (zh) | 面向社会化推荐的语义与结构视图融合的物品推荐方法 | |
CN114996566A (zh) | 一种面向工业互联网平台的智能推荐***及方法 | |
CN111105284B (zh) | 订单处理方法、装置、m层订单处理模型、电子设备及储存介质 | |
CN111932420A (zh) | 一种基于智能服务平台的社区邻里互助方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |