用车类型预测模型建立、信息提供方法及装置与流程

本发明实施例涉及信息处理技术，尤其涉及一种用车类型预测模型建立、信息提供方法及装置。

背景技术：

用车业务发展到现在，已经展现出多种产品形态，比如专车、快车、顺风车、多人拼车、甚至是日租车、时租车等。日益丰富的用车产品形态在给用户带来更多选择的同时，也同时给我们机会去了解每种用车产品都是哪些人在用，都用到了哪些场景下，以便能够更好地优化对应的产品服务，并把更好的用车服务在恰当的时机推送给恰当的用户，从而达到扩展用户规模、提升产品口碑和服务体验的目的。因此，各类用车类型的使用场景的判别至关重要。

然而，当前关于各类用车产品的使用场景，一般是专门由用户研究相关人员通过访谈和抽样问卷调查等传统方法进行分析得出，即邀请部分老用户到指定场所进行深入访谈或者干脆定向或随机发放调查问卷，根据访谈记录或问卷回收结果进行各种统计分析。

上述方法虽然是用户研究的主流方法，但是却具有成本高、时效性差、主观性强等缺点，且没有充分利用业务订单这一最能真实反映用户实际需求的数据，所以非常有可能因为用户研究人员的错误引导或错误的分析思路导致错误的结论。

技术实现要素：

本发明实施例提供一种用车类型预测模型建立、信息提供方法及装置，以优化现有的用车类型预测技术，提高用户用车服务信息推送的准确性。

第一方面，本发明实施例提供了一种用车类型预测模型建立方法，包括：

获取至少两个用户的历史用车订单信息；

提取与所述历史用车订单信息关联的用车场景信息；

根据与所述历史用车订单信息对应的用车类型以及所述用车场景信息，对设定预测模型进行训练，生成用车类型预测模型。

第二方面，本发明实施例还提供了一种信息提供方法，包括：

如果检测到用户搜索目标地点，获取与所述用户关联的用车场景信息；

将所述用车场景信息输入至预先训练的用车类型预测模型中，获取所述用车类型预测模型输出的用车类型，其中，所述用车类型预测模型由与至少两个用户的历史用车订单信息关联的用车场景信息以及与所述历史订单信息对应的用车类型训练生成；

将与所述用车类型关联的推荐信息提供给所述用户。

第三方面，本发明实施例还提供了一种用车类型预测模型建立装置，包括：

订单信息获取模块，用于获取至少两个用户的历史用车订单信息；

用车场景信息提取模块，用于提取与所述历史用车订单信息关联的用车场景信息；

预测模型训练模块，用于根据与所述历史用车订单信息对应的用车类型以及所述用车场景信息，对设定预测模型进行训练，生成用车类型预测模型。

第四方面，本发明实施例还提供了一种信息提供装置，包括：

用车场景信息获取模块，用于如果检测到用户搜索目标地点，获取与所述用户关联的用车场景信息；

用车类型获取模块，用于将所述用车场景信息输入至预先训练的用车类型预测模型中，获取所述用车类型预测模型输出的用车类型，其中，所述用车类型预测模型由与至少两个用户的历史用车订单信息关联的用车场景信息以及与所述历史订单信息对应的用车类型训练生成；

推荐信息提供模块，用于将与所述用车类型关联的推荐信息提供给所述用户。

第五方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序所述处理器执行所述程序时实现如本发明实施例中任一所述的用车类型预测模型建立方法。

第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的用车类型预测模型建立方法。

第七方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序所述处理器执行所述程序时实现如本发明实施例中任一所述的信息提供方法。

第八方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的信息提供方法。

本发明实施例通过获取至少两个用户的历史用车订单信息；提取与历史用车订单信息关联的用车场景信息；根据与历史用车订单信息对应的用车类型以及用车场景信息，对设定预测模型进行训练，生成用车类型预测模型，之后在用户搜索目标地点时，可以基于该目标地点以及该用车类型预测模型对用户的用车类型进行预测，并基于预测结果向用户推送匹配推荐信息的技术手段，可以解决现有技术中用车类型预测中成本高、时效性差、主观性强的技术问题，充分利用能够真实反映用户实际用车需求的历史用车订单信息，优化用车类型预测技术，提高用户用车服务信息推送的准确性。

附图说明

图1是本发明第一实施例的一种用车类型预测模型建立方法的流程图；

图2a是本发明第二实施例的一种用车类型预测模型建立方法的流程图；

图2b为本发明第二实施例提供的一种用车时间类别划分示意图；

图3是本发明第三实施例的一种用车类型预测模型建立方法的流程图；

图4是本发明第四实施例的一种信息提供方法的流程图；

图5是本发明第五实施例的一种信息提供方法的流程图；

图6是本发明第六实施例的一种用车类型预测模型建立装置的结构图；

图7是本发明第七实施例的一种计算机设备的结构示意图；

图8是本发明第九实施例的一种信息提供装置的结构图；

图9是本发明第十实施例的一种计算机设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

第一实施例

图1为本发明第一实施例提供的一种用车类型预测模型建立方法的流程图，本实施例的方法可以由用车类型预测模型建立装置来执行，该装置可通过硬件和/或软件的方式实现，并一般可集成于完成用车类型预测模型建立功能的建模服务器中，与存放地图搜索数据的数据服务器配合使用，其中，建模服务器和数据服务器可以为同一服务器或者属于同一服务器集群，也可以为不同的服务器，本实施例对此并不进行限制。本实施例的方法具体包括：

S101、获取至少两个用户的历史用车订单信息。

在本实施例中，所述历史用车订单是指网络用车平台(例如：滴滴或者U步等)已经撮合完成的用车服务中(所述用车服务包括：用户发送用车订单，司机确认接单并搭载用户到目的地，以及用户成功付费这一完整过程)，用户曾经发送至用车平台的用车订单。

其中，所述历史用车订单信息中一般包括有用户的用车类型，例如：专车、快车、顺风车或者多人拼车等，还可以包括用户出行的起始点和终点、出行的时间、天气情况等相关信息。

S102、提取与历史用车订单信息关联的用车场景信息。

在本实施例中，从获得的历史用车订单信息中提取与之关联的用车场景信息。其中，用车场景信息可以包括：出行意图场景信息和客观场景信息。出行意图场景信息反映了用户出行的目的，出行意图场景信息可以包括：用车时间类别以及起终点POI(Point Of Interest，兴趣点)类别。其中，用车时间类别是指用户出行选择用车服务的时间段的类别。示例性的，用车时间是属于工作日或节假日，用车时间段是处于早高峰还是晚高峰等。起终点POI类别具体是用户出行用车的起始地点和终点的具体类别，如酒店、饭店、医院等各个地点的属性类别。客观场景信息反映了用户出行时的客观情况，客观场景信息可以包括下述至少一项：起终点之间的距离、是否异地、天气信息及路线拥堵状况信息。起终点之间的距离指用户从起始点到终点间的路程，是否异地指的是用户此次用车是否是在平时常在的区域，天气信息是指用户出行时具体的天气情况，如晴天、雨雪、雾霾等天气状况，路线拥堵状况信息客观反映了用户出行时的交通是顺畅、方便。

S103、根据与历史用车订单信息对应的用车类型以及用车场景信息，对设定预测模型进行训练，生成用车类型预测模型。

在本实施例中，根据用户的历史用车订单信息对应的用车类型及用车场景信息，即用户在不同的用车场景对应选择的用车类型，对设定预测模型进行训练。可选的，设定预测模型可以为朴素贝叶斯模型。

其中，可以通过公式：构建该朴素贝叶斯模型；其中，class_k为第k个用车类型，k∈[1，K]，K为用车类型的总量；scene为与所有用车场景信息对应的场景向量，f^(j)为场景向量中的第j个向量元素，对应于一个用车场景信息；j∈[1，N]，N为所述场景向量中包括的向量元素总量。

在一个具体的例子中，在用车类型预测模型建立时，用车类型包括专车、顺风车，多人拼车三种用车类型，则K＝3，则k＝1，2，3。第i个历史用车订单信息中的用车场景信息对应的场景向量为：

(day_type_i,hour_type_i,start_place_type_i,end_place_type_i,start_place_attr_i,end_place_attr_i,dist_i,is_allopatry_i,weather_status_i,congestion_status_i)

其中，day_type_i表示用车日期，如是否是工作日或节假日，hour_type_i表示用车时间，如是否是早晚高峰，start_place_type_i表示起始点POI类别，end_place_type_i表示终点POI类别，start_place_attr_i表示起始点POI是否是常驻点，end_place_attr_i表示终点POI是否是常驻点，dist_i表示起终点之间的距离，is_allopatry_i表示是否异地，weather_status_i表示天气信息，congestion_status_i表示路线拥堵状况信息。f^(j)表示场景向量中的第j个向量元素，则第i个历史用车订单信息中的用车场景信息对应的场景向量可以简写为：(f_i⁽¹⁾,f_i⁽²⁾,f_i⁽³⁾,f_i⁽⁴⁾,f_i⁽⁵⁾,f_i⁽⁶⁾,f_i⁽⁷⁾,f_i⁽⁸⁾,f_i⁽⁹⁾,f_i⁽¹⁰⁾)，且场景向量中的每个场景特征是相互独立的。

同时，根据公式计算P(f^(j)|class_k)；其中，I(x)为指示函数，S_j为第j个向量元素的所有取值的个数，a_jl为第j个向量元素的取值，M为用车类型预测模型中起终点POI类别的个数之和，K为用车类型个数之和。

本发明实施例通过获取至少两个用户的历史用车订单信息；提取与历史用车订单信息关联的用车场景信息；根据与历史用车订单信息对应的用车类型以及用车场景信息，对设定预测模型进行训练，生成用车类型预测模型的技术手段，可以解决现有技术中用车类型预测中成本高、时效性差、主观性强的技术问题，充分利用能够真实反映用户实际用车需求的历史用车订单信息，优化用车类型预测技术，提高用户用车服务信息推送的准确性。

第二实施例

图2a是本发明第二实施例的一种用车类型预测模型建立方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将提取与历史用户订单信息关联的用车场景信息具体优化为：根据历史用车订单信息，获取用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息；根据用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息，调用相匹配的API(Application Programmers Interface，应用程序接口)，获取客观场景信息；根据用车时间，确定用车时间类别；将起终点信息输入至预先训练的分类器，获取与起终点信息对应的起终点POI类别。相应的，本实施例的方法具体包括：

S201、获取至少两个用户的历史用车订单信息。

S202、根据历史用车订单信息，获取用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息。

在本实施例中，用车对象的身份标识具体是指用户的身份信息；用车时间指用户上车的具体时间，如订单A的用车时间是“2016-05-08 20:16:25”，其中，用车时间可以从用户上车的时间戳中解析出具体的用车时间；车辆行驶路具体指用户从起始点到终点所走的具体行驶路线；起终点信息具体指起始点和终点的地理位置。

S203、根据用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息，调用相匹配的应用程序接口API，获取客观场景信息。

其中，客观场景信息可以包括下述至少一项：起终点之间的距离、是否异地、天气信息及路线拥堵状况信息。

在一个具体例子中，如果要获取的场景信息包括起终点之间的距离，则可以将起终点信息输入至用于进行两点之间路程计算的API接口中，获取所述起终点之间的距离；如果要获取的场景信息包括天气信息，则可以将所述用车时间以及所述起终点信息输入至用于获取天气信息的API接口中，获取所述天气信息等。

S204、根据用车时间，确定用车时间类别。

在本实施例的一个可选的实施方式中，根据用车时间，确定用车时间类别可以包括：

根据由用车时间确定的用车日期，获取第一用车时间类别，其中，第一用车时间类别包括：工作日以及节假日；根据由用车时间确定的用车时间段，获取第二用车时间类别，其中，第二用车时间类别包括：早高峰、午间、晚高峰、工作时间以及休息时间；将第一用车时间类别以及第二用车时间类别的组合作为用车时间类别。可选的，第二用车时间类别还可以包括白天、傍晚以及休息时间。

图2b为本发明第二实施例的用车时间类别划分示意图，其中210表示第一用车时间类别，220表示第二用车时间类别。示例性的，订单A的用车时间是“2016-05-08 20:16:25”，由于2016年5月8日是周日，则可以根据具体的用车时间确定用车时间类型为(节假日，傍晚)。需要说明的是，第二时间用车时间类别的时间点的具体划分仅为一个具体的示例，可以根据实际情况进行调整。可选的，还可以进一步判读用户是否拥有自有车辆，并对于限号的城市，根据用户的自有车辆的限行信息判断其对应的历史用车订单信息中的用车时间是否在其车辆限行日。

S205、将起终点信息输入至预先训练的分类器，获取与起终点信息对应的起终点POI类别。

在本实施例中，所述预先训练的分类器是指根据POI类别预先设定的分类标准构建的分类器，以能够精确地对POI进行分类。将获取的历史用车订单信息中的起终点信息输入到所述分类器中，得到起终点POI的类别。

S206、根据与历史用车订单信息对应的用车类型以及用车场景信息，对设定预测模型进行训练，生成用车类型预测模型。

本实施例的技术方案通过根据历史用车订单信息，获取用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息；根据用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息，调用相匹配的应用程序接口API，获取客观场景信息；根据用车时间，确定用车时间类别；将起终点信息输入至预先训练的分类器，获取与起终点信息对应的起终点POI类别，能够更加精确地获取用车场景中的客观场景信息和出行意图场景信息，进而可以提高用车类型预测模型的预测的准确性。

第三实施例

图3是本发明第二实施例的一种用车类型预测模型建立方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，还优选包括：确定POI类别体系，其中，POI体系中包括至少两个POI类别；对各POI类别进行同义词，和/或下位词扩展，生成与各POI类别分别对应的核心词集合；确定与各核心词集合分别对应的前置词集合以及后置词集合；根据与各POI类别分别对应核心词集合、前置词集合以及后置词集合，训练用于获取起终点POI类别的分类器；对分类器进行消歧处理。

S301、获取至少两个用户的历史用车订单信息。

S302、根据历史用车订单信息，获取用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息。

S303、根据用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息，调用相匹配的应用程序接口API，获取客观场景信息。

S304、根据用车时间，确定用车时间类别。

S305、确定POI类别体系，其中，POI体系中包括至少两个POI类别。

从获取的所有的历史用车订单信息中的起终点信息中，抽取起终点中心语形成的高置信度中心词集合，进而通过同义词归集、专家校验以及规范化，构建出动态的POI类别体系。示例性的，订单B的起始点为“场北路三泉路路口”，抽取该起始点的中心语“路口”，形成高置信度中心词集合，以构建POI类别体系。其中，POI类别体系是可以根据获取的历史用车订单信息中的不同起终点信息实时更新的，以获取更加完善的POI类别体系。

S306、对各POI类别进行同义词，和/或下位词扩展，生成与各POI类别分别对应的核心词集合。

在本实施例中，对各个POI类别进行同义词和/或下位词扩展，以形成可以覆盖绝大多数起终点用词的核心词集合。示例性的，确定的某POI的类别为“医院”，通过同义词和/或下位词的扩展，将“门诊、诊所、药店”均作为“医院”这一POI类别对应的核心词集合。又如，在描述奎科科技大厦这一“写字楼”类POI时，常会用“奎科大厦正门”等方式表达，这里“大厦”为写字楼类别的核心词扩展之一。

S307、确定与各核心词集合分别对应的前置词集合以及后置词集合。

示例性的，“奎科大厦正门”中的核心词为“大厦”，对应的，“奎科”为核心词“大厦”的前置词，“正门”为核心词“大厦”的后置词。起终点名称的基本格式为：(前置词集合).*(核心词集合).*(后置词集合)。需要说明的是，每个起终点名称中均包含核心词，可以同时包含前置词和后置词，也可以只包含其中一个。

S308、根据与各POI类别分别对应核心词集合、前置词集合以及后置词集合，训练用于获取起终点POI类别的分类器。

根据“(前置词集合).*(核心词集合).*(后置词集合)->对应POI类别”的格式确定各个核心词集合对应的POI类别，以形成起终点POI类别的分类器。

S309、对分类器进行消歧处理。

当POI分类体系特别复杂时，其中的两个以上POI类别所产生的分类器就非常容易产生歧义，导致起终点POI类别的错误映射，因此需要对分类器进行消歧处理。对分类器进行消歧处理时可以采用反向分类器进行起终点的POI类别匹配，即某起终点在某个POI类别的分类器的核心词集合中时，一旦匹配上某个分类器，则一定不映射到这个POI类别中来。示例性的，“海天大酒店旁边的写字楼”包含“酒店”和“写字楼”两个POI类别，通过对分类器进行消歧处理，“海天大酒店旁边的”为前置词，不能将其映射到“酒店”这一POI类别中，而是映射到“写字楼”这一POI类别中。

S310、将起终点信息输入至预先训练的分类器，获取与起终点信息对应的起终点POI类别。

S311、根据与历史用车订单信息对应的用车类型以及用车场景信息，对设定预测模型进行训练，生成用车类型预测模型。

本实施例的技术方案通过确定POI类别体系对各POI类别进行同义词，和/或下位词扩展，生成与各POI类别分别对应的核心词集合；确定与各核心词集合分别对应的前置词集合以及后置词集合；根据与各POI类别分别对应核心词集合、前置词集合以及后置词集合，训练用于获取起终点POI类别的分类器；对分类器进行消歧处理的技术方案，准确且全面的进行了起终点POI的分类，以精确地获取起终点信息对应的起终点POI类别，进一步提高了用车类型预测模型的预测的准确性。

作为本实施例的一个优选方案，用车场景信息还可以包括：起终点的常驻点判别信息；相应的，提取与历史用户订单信息关联的用车场景信息，还包括：根据用车对象的身份标识，提取用车对象的用户画像；获取与用户画像对应的常驻点信息；将常驻点信息与起终点信息进行匹配，获取起终点的常驻点判别信息。

用车类型预测模型建立时，除了获取起终点的POI类别外，还可以进一步判断起终点是否为用户常驻点。用户的常驻点是指用户经常出现的地方，如用户的家、公司以及其他常驻点的POI名称。基于用车对象的用户画像，可以准确地获取用户的家、公司及其他常驻点的POI名称、位置坐标以及半径。将起终点信息与常驻点信息进行匹配，以判断起终点是否为用户常驻点。通过获取起终点的常驻点判别信息，进一步优化了用车类型预测技术，提高了用户用车推送的准确性，提升了用车产品服务。

第四实施例

图4为本发明第四实施例提供的一种信息提供方法的流程图，本实施例的方法可以由信息提供装置来执行，该装置可通过硬件和/或软件的方式实现，并一般可集成于完成信息提供功能的信息提供服务器中，与用于完成用车类型预测模型建立功能的建模服务器配合使用，其中，信息提供服务器和建模服务器可以为同一服务器或者属于同一服务器集群，也可以为不同的服务器，本实施例对此并不进行限制。本实施例的方法具体包括：

S401、如果检测到用户搜索目标地点，则获取与用户关联的用车场景信息。

在本实施例中，如果检测到用户通过“XX地图”或者“XX导航”等地图类APP搜索某目标地点所在的地图位置时，获取与用户关联的用车场景信息。其中，所述用车场景信息包括：出行意图场景信息和客观场景信息；出行意图场景信息包括：用车时间类别、起终点POI类别；客观场景信息包括：起终点之间的距离、是否异地、天气信息及路线拥堵状况信息。

S402、将用车场景信息输入至预先训练的用车类型预测模型中，获取用车类型预测模型输出的用车类型。

其中，用车类型预测模型由与至少两个用户的历史用车订单信息关联的用车场景信息以及与历史订单信息对应的用车类型训练生成。

在本实施例中，将用车时间类别、起终点POI类别、起终点之间的距离、是否异地、天气信息及路线拥堵状况信息等相关的用车场景信息输入到预先训练的用车类型预测模型中，获取用车预测模型输出的用车类型，其目的是通过对用车场景的分析，判断用户在该用车场景下更适合哪一种用车服务。

S403、将与用车类型关联的推荐信息提供给用户。

将与用车类型相匹配的优惠券信息提供给用户；和/或将开启与用车类型相匹配的应用程序的提示信息提供给用户，以更加方便的满足用户多样化的用车需求。

本发明实施例提供的技术方案，通过如果检测到用户搜索目标地点，获取与用户关联的用车场景信息；将用车场景信息输入至预先训练的用车类型预测模型中，获取用车类型预测模型输出的用车类型；将与用车类型关联的推荐信息提供给用户，可以解决现有技术中用车类型预测中成本高、时效性差、主观性强的技术问题，充分利用能够真实反映用户实际用车需求的历史用车订单信息，优化用车类型预测技术，提高用户用车服务信息推送的准确性。

第五实施例

图5是本发明第五实施例的一种信息提供方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将如果检测到用户搜索目标地点，获取与用户关联的用车场景信息具体优化为：如果检测到用户搜索目标地点，则获取当前系统时间、用户的身份标识、当前地理位置信息以及目标地点；生成从地理位置信息到达目标地点的导航路线；根据用户的身份标识、当前系统时间、导航路线、当前地理位置信息以及目标地点，调用匹配的应用程序接口API,获取客观场景信息；根据当前系统时间，确定用车时间类别；将当前地理位置信息以及目标地点输入至预先训练的分类器，获取起终点POI类别。相应的，本实施例的方法具体包括：

S501、如果检测到用户搜索目标地点，则获取当前系统时间、用户的身份标识、当前地理位置信息以及目标地点。

在本实施例中，如果检测到用户通过“XX地图”或者“XX导航”等地图类APP搜索某目标地点所在的地图位置时，获取当前系统时间、用户的身份标识、当前地理位置信息以及目标地点。示例性的，如果检测到用户A通过百度地图搜索XX大厦，获取用户A的搜索的当前系统时间是2017年2月8日上午7:00，用户A的当前地理位置信息为XX家园，目标地点为XX大厦，并获取用户A的身份标识，如用户A是上班族。

S502、生成从地理位置信息到达目标地点的导航路线。

在地理位置到达目标地点路线有很多种，优选的，可以生成从地理位置到达目标地点距离最短，交通最不拥堵的导航路线。

S503、根据用户的身份标识、当前系统时间、导航路线、当前地理位置信息以及目标地点，调用匹配的应用程序接口API，获取客观场景信息。

S504、根据当前系统时间，确定用车时间类别。

在本实施例中，根据由当前系统时间确定的用车日期，获取第一用车时间类别，其中，第一用车时间类别包括：工作日以及节假日；根据由当前系统时间确定的用车时间段，获取第二用车时间类别，其中，第二用车时间类别包括：早高峰、午间、晚高峰、工作时间以及休息时间；将第一用车时间类别以及第二用车时间类别的组合作为用车时间类别。

S505、将当前地理位置信息以及目标地点输入至预先训练的分类器，获取起终点POI类别。

在本实施例中，当前地理位置信息表示用户选择的起始点，目标地点表示用户选择的终点，将其输入至预先训练的分类器中，获取起终点POI类别。

S506、将用车场景信息输入至预先训练的用车类型预测模型中，获取用车类型预测模型输出的用车类型。

S507、将与用车类型关联的推荐信息提供给用户。

本发明实施例提供的技术方案，通过如果检测到用户搜索目标地点，则获取当前系统时间、用户的身份标识、当前地理位置信息以及目标地点；生成从地理位置信息到达目标地点的导航路线；根据用户的身份标识、当前系统时间、导航路线、当前地理位置信息以及目标地点，调用匹配的应用程序接口API,获取客观场景信息；根据当前系统时间，确定用车时间类别；将当前地理位置信息以及目标地点输入至预先训练的分类器，获取起终点POI类别，能够更加精确地获取用车场景中的客观场景信息和出行意图场景信息，进而可以提高用户用车服务信息推送的准确性，更加方便的满足用户多样化需求，优化用车产品服务。

作为本实施例的一个优选方案，用车场景信息还包括：起终点的常驻点判别信息；相应的，所述如果检测到用户搜索目标地点，获取与所述用户关联的用车场景信息，包括：根据所述用户的身份标识，提取所述用户的用户画像；根据所述用户画像，获取与所述用户对应的常驻点信息；将所述常驻点信息与当前地理位置信息以及目标地点进行匹配，获取所述起终点的常驻点判别信息。通过获取起终点的常驻点判别信息，进一步优化了用车类型预测技术，提高了用户用车推送的准确性，提升了用车产品服务。

第六实施例

图6是本发明第六实施例的一种用车类型预测模型建立装置的结构图。如图6所示，所述装置包括：订单信息获取模块601、用车场景信息提取模块602以及预测模型训练模块603，其中：

订单信息获取模块601，用于获取至少两个用户的历史用车订单信息；

用车场景信息提取模块602，用于提取与所述历史用车订单信息关联的用车场景信息；

预测模型训练模块603，用于根据与所述历史用车订单信息对应的用车类型以及所述用车场景信息，对设定预测模型进行训练，生成用车类型预测模型。

本发明实施例通过获取至少两个用户的历史用车订单信息；提取与历史用车订单信息关联的用车场景信息；根据与历史用车订单信息对应的用车类型以及用车场景信息，对设定预测模型进行训练，生成用车类型预测模型的技术手段，可以解决现有技术中用车类型预测中成本高、时效性差、主观性强的技术问题，充分利用能够真实反映用户实际用车需求的历史用车订单信息，优化用车类型预测技术，提高用户用车服务信息推送的准确性。

在上述各实施例的基础上，所述用车场景信息包括：出行意图场景信息和客观场景信息；其中，

所述出行意图场景信息包括：用车时间类别以及起终点兴趣点POI类别；

所述客观场景信息包括下述至少一项：起终点之间的距离、是否异地、天气信息及路线拥堵状况信息。

在上述各实施例的基础上，所述用车场景信息提取模块，包括：

出行意图场景信息获取单元，用于根据所述历史用车订单信息，获取用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息；

客观场景信息获取单元，用于根据所述用车对象的身份标识、用车时间、车辆行驶路线以及起终点信息，调用相匹配的应用程序接口API,获取所述客观场景信息；

用车时间类别确定单元，用于根据所述用车时间，确定所述用车时间类别；

起终点POI类别获取单元，用于将所述起终点信息输入至预先训练的分类器，获取与所述起终点信息对应的起终点POI类别。

在上述各实施例的基础上，所述用车时间类别确定单元，用于：

根据由所述用车时间确定的用车日期，获取第一用车时间类别，其中，所述第一用车时间类别包括：工作日以及节假日；

根据由所述用车时间确定的用车时间段，获取第二用车时间类别，其中，所述第二用车时间类别包括：早高峰、午间、晚高峰、工作时间以及休息时间；

将所述第一用车时间类别以及所述第二用车时间类别的组合作为所述用车时间类别。

在上述各实施例的基础上，还包括：

POI类别体系确定单元，用于在所述将所述起终点信息输入至预先训练的分类器，获取与所述起终点信息对应的起终点POI类别之前，确定POI类别体系，其中，所述POI体系中包括至少两个POI类别；

核心词集合生成单元，用于对各所述POI类别进行同义词，和/或下位词扩展，生成与各所述POI类别分别对应的核心词集合；

前置词集合和后置词集合确定单元，用于确定与各所述核心词集合分别对应的前置词集合以及后置词集合；

分类器训练单元，用于根据与各所述POI类别分别对应核心词集合、前置词集合以及后置词集合，训练用于获取起终点POI类别的分类器；

分类器消歧单元，用于对所述分类器进行消歧处理。

在上述各实施例的基础上，所述用车场景信息还包括：起终点的常驻点判别信息；

所述用车场景信息提取模块，用于：

根据所述用车对象的身份标识，提取所述用车对象的用户画像；

获取与所述用户画像对应的常驻点信息；

将所述常驻点信息与所述起终点信息进行匹配，获取所述起终点的常驻点判别信息。

在上述各实施例的基础上，所述设定预测模型为朴素贝叶斯模型；

还包括，朴素贝叶斯模型构建模块，用于：

在根据与所述历史用车订单信息对应的用车类型以及所述用车场景信息，对设定预测模型进行训练，生成用车类型预测模型之前，通过公式：构建所述朴素贝叶斯模型；

其中，class_k为第k个用车类型，k∈[1，K]，K为用车类型的总量；scene为与所有用车场景信息对应的场景向量，f^(j)为场景向量中的第j个向量元素，对应于一个用车场景信息；j∈[1，N]，N为所述场景向量中包括的向量元素总量；

根据公式计算所述P(f^(j)|class_k)；

其中，I(x)为指示函数，S_j为第j个向量元素的所有取值的个数，a_jl为第j个向量元素的取值，M为用车类型预测模型中起终点POI类别的个数之和，K为用车类型个数之和。

本发明实施例所提供的用车类型预测模型建立装置可用于执行本发明任意实施例提供的用车类型预测模型建立方法，具备相应的功能模块，实现相同的有益效果。

第七实施例

图7为本发明第七实施例提供的一种计算机设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图7显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的用车类型预测模型建立方法：

获取至少两个用户的历史用车订单信息；提取与所述历史用车订单信息关联的用车场景信息；根据与所述历史用车订单信息对应的用车类型以及所述用车场景信息，对设定预测模型进行训练，生成用车类型预测模型。

第八实施例

本发明第八实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的用车类型预测模型建立方法：

获取至少两个用户的历史用车订单信息；提取与所述历史用车订单信息关联的用车场景信息；根据与所述历史用车订单信息对应的用车类型以及所述用车场景信息，对设定预测模型进行训练，生成用车类型预测模型。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

第九实施例

图8是本发明第九实施例的一种信息提供装置的结构图。如图8所示，所述装置包括：用车场景信息获取模块701、用车类型获取模块702、以及推荐信息提供模块703，其中：

用车场景信息获取模块701，用于如果检测到用户搜索目标地点，则获取与所述用户关联的用车场景信息；

用车类型获取模块702，用于将所述用车场景信息输入至预先训练的用车类型预测模型中，获取所述用车类型预测模型输出的用车类型，其中，所述用车类型预测模型由与至少两个用户的历史用车订单信息关联的用车场景信息以及与所述历史订单信息对应的用车类型训练生成；

推荐信息提供模块703，用于将与所述用车类型关联的推荐信息提供给所述用户。

本发明实施例提供的技术方案，通过如果检测到用户搜索目标地点，则获取与用户关联的用车场景信息；将用车场景信息输入至预先训练的用车类型预测模型中，获取用车类型预测模型输出的用车类型；将与用车类型关联的推荐信息提供给用户，可以解决现有技术中用车类型预测中成本高、时效性差、主观性强的技术问题，充分利用能够真实反映用户实际用车需求的历史用车订单信息，优化用车类型预测技术，提高用户用车服务信息推送的准确性。

在上述各实施例的基础上，所述用车场景信息包括：出行意图场景信息和客观场景信息；其中，

所述出行意图场景信息包括：用车时间类别以及起终点兴趣点POI类别；

所述客观场景信息包括下述至少一项：起终点之间的距离、是否异地、天气信息及路线拥堵状况信息。

在上述各实施例的基础上，所述用车场景信息获取模块，用于：

如果检测到用户搜索目标地点，则获取当前系统时间、所述用户的身份标识、当前地理位置信息以及所述目标地点；

生成从所述地理位置信息到达所述目标地点的导航路线；

根据所述用户的身份标识、当前系统时间、导航路线、当前地理位置信息以及目标地点，调用匹配的应用程序接口API,获取所述客观场景信息；

根据所述当前系统时间，确定所述用车时间类别；

将所述当前地理位置信息以及所述目标地点输入至预先训练的分类器，获取所述起终点POI类别。

在上述各实施例的基础上，所述用车场景信息还包括：起终点的常驻点判别信息；

所述用车场景信息获取模块，还用于：

根据所述用户的身份标识，提取所述用户的用户画像；

根据所述用户画像，获取与所述用户对应的常驻点信息；

将所述常驻点信息与当前地理位置信息以及目标地点进行匹配，获取所述起终点的常驻点判别信息。

在上述各实施例的基础上，所述推荐信息提供模块，用于：

将与所述用车类型相匹配的优惠券信息提供给所述用户；和/或

将开启与所述用车类型相匹配的应用程序的提示信息提供给所述用户。

本发明实施例所提供的信息提供装置可用于执行本发明任意实施例提供的信息提供方法，具备相应的功能模块，实现相同的有益效果。

第十实施例

图9为本发明实施例十提供的一种计算机设备的结构示意图。图9示出了适于用来实现本发明实施方式的示例性计算机设备13的框图。图9显示的计算机设备13仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，计算机设备13以通用计算设备的形式表现。计算机设备13的组件可以包括但不限于：一个或者多个处理器或者处理单元17，系统存储器29，连接不同系统组件(包括系统存储器29和处理单元17)的总线19。

总线19表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备13典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备13访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器29可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)31和/或高速缓存存储器33。计算机设备13可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统35可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线19相连。存储器29可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块43的程序/实用工具41，可以存储在例如存储器29中，这样的程序模块43包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块43通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备13也可以与一个或多个外部设备15(例如键盘、指向设备、显示器25等)通信，还可与一个或者多个使得用户能与该计算机设备13交互的设备通信，和/或与使得该计算机设备13能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口23进行。并且，计算机设备13还可以通过网络适配器21与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器21通过总线19与计算机设备13的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备13使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元17通过运行存储在系统存储器29中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的信息提供方法：

如果检测到用户搜索目标地点，则获取与所述用户关联的用车场景信息；将所述用车场景信息输入至预先训练的用车类型预测模型中，获取所述用车类型预测模型输出的用车类型，其中，所述用车类型预测模型由与至少两个用户的历史用车订单信息关联的用车场景信息以及与所述历史订单信息对应的用车类型训练生成；将与所述用车类型关联的推荐信息提供给所述用户。

第十一实施例

本发明实施例十一提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的信息提供方法：

如果检测到用户搜索目标地点，则获取与所述用户关联的用车场景信息；将所述用车场景信息输入至预先训练的用车类型预测模型中，获取所述用车类型预测模型输出的用车类型，其中，所述用车类型预测模型由与至少两个用户的历史用车订单信息关联的用车场景信息以及与所述历史订单信息对应的用车类型训练生成；将与所述用车类型关联的推荐信息提供给所述用户。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

显然，本领域技术人员应该明白，上述的本发明的各模块或各步骤可以通过如上所述的服务器实施。可选地，本发明实施例可以用计算机装置可执行的程序来实现，从而可以将它们存储在存储装置中由处理器来执行，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等；或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。