推荐上车点的系统和方法与流程

本公开一般涉及按需服务，更具体地，涉及用于在按需服务中推荐上车点的系统和方法。

背景技术：

1、随着移动互联网和在线服务应用的迅速发展，按需服务日益普及，给人们带来了极大的便利。在按需服务中，用户可以根据移动设备内置的全球定位系统(gps)提供的推荐位置来选择附近的上车点或手动指定上车点。但是，通常会出现gps定位不准确以及其他问题，导致推荐上车点偏移，导致用户体验不佳。因此，需要一种可以更准确地推荐上车点的系统和方法。

技术实现思路

1、根据本公开的一个方面，提供了一种用于推荐上车点的系统。所述系统可包括至少一个存储设备，用于存储一组指令，以及至少一个处理器，被配置为与所述至少一个存储设备通信。当执行该指令时，可以配置至少一个处理器来指示系统执行以下操作。下列操作可以包括获取并存储用户的当前位置、与所述用户的当前位置相关联的多个历史位置以及与所述用户的所述多个历史位置中的每一个相对应的一个或多个可能上车点；从所述用户的所述当前位置、所述多个历史位置以及与所述多个历史位置中的每一个相对应的所述一个或多个可能上车点中提取特征数据；将提取的所述特征数据输入上车点推荐模型，确定每个所述可能上车点的转移概率；以及基于所确定的每个所述可能上车点的所述转移概率确定所述用户的推荐上车点。

2、根据本公开的另一方面，提供了一种推荐上车点的方法。所述方法可以在具有至少一个处理器和至少一个计算机可读存储介质的计算设备上实现。所述方法可以包括获取并存储用户的当前位置、与所述用户的当前位置相关联的多个历史位置以及与所述用户的所述多个历史位置中的每一个相对应的一个或多个可能上车点；从所述用户的所述当前位置、所述多个历史位置以及与所述多个历史位置中的每一个相对应的所述一个或多个可能上车点中提取特征数据；将提取的所述特征数据输入上车点推荐模型，确定每个所述可能上车点的转移概率；以及基于所确定的每个所述可能上车点的所述转移概率确定所述用户的推荐上车点。

3、根据本公开的另一个方面，提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质可以包括用于推荐上车点的至少一组指令，其中当由计算设备的至少一个处理器执行时，所述至少一组指令使所述计算设备执行方法。所述方法可以包括获取并存储用户的当前位置、与所述用户的当前位置相关联的多个历史位置以及与所述用户的所述多个历史位置中的每一个相对应的一个或多个可能上车点；从所述用户的所述当前位置、所述多个历史位置以及与所述多个历史位置中的每一个相对应的所述一个或多个可能上车点中提取特征数据；将提取的所述特征数据输入上车点推荐模型，确定每个所述可能上车点的转移概率；以及基于所确定的每个所述可能上车点的所述转移概率确定所述用户的推荐上车点。

4、在一些实施例中，所述方法还包括将所述推荐上车点发送到所述用户的终端设备。

5、在一些实施例中，所述多个历史位置在所述用户的所述当前位置的预设距离内。

6、在一些实施例中，提取的所述特征数据包括：从所述用户的所述当前位置到每个所述可能上车点的距离，每个所述可能上车点的热度值，与所述可能上车点相关联的每个路段的热度值，与所述可能上车点相关联的每个路线的热度值，或每个所述可能上车点的历史定点率，其中，所述历史定点率是与所述可能上车点相关联的订单数量和与所有可能上车点相关联的订单数量的比值。

7、在一些实施例中，提取的所述特征数据还包括：基于使用所述可能上车点作为实际上车点的历史订单数量，计算每个所述可能上车点的热度值，基于路段上的所述可能上车点的热度值，确定与所述可能上车点相关联的每个路段的热度值，以及基于路线上的所述可能上车点的热度值，确定与所述可能上车点相关联的每个路线的热度值。

8、在一些实施例中，所述上车点推荐模型包括梯度提升决策树(gbdt)模型。

9、在一些实施例中，所述方法进一步包括通过以下方式训练上车点推荐模型：随机提取由至少一个用户下发的多个历史订单；从提取的下发订单中获取，下发订单时所述用户的位置，形成一组用户位置集合，与每个用户位置相关联的一组训练历史位置集合，以及与所述一组训练历史位置集合相对应的一组训练可能上车点集合；从所述用户位置集合、所述训练历史位置集合和所述训练可能上车点集合中提取训练特征数据；确定从每个所述用户位置到对应的每个所述训练可能上车点的训练转移概率；为每个所述训练可能上车点标记对应的训练转移概率；以及将带有标记的训练可能上车点输入模型中进行初步上车点推荐模型训练，以获得训练好的上车点推荐模型。

10、在一些实施例中，该方法还包括将与所述可能上车点对应的所述历史位置相关联的热度值，基于各自的权重进行相加，以确定所述转移概率。

11、在一些实施例中，所述权重是所述用户的所述当前位置和所述历史位置之间的距离。

12、在一些实施例中，基于所确定的所述转移概率确定所述推荐上车点，包括：从所确定的所述转移概率中确定最大转移概率；以及指定具有所述最大转移概率的可能上车点作为所述用户的推荐上车点。

13、在一些实施例中，基于历史上车点和聚类算法确定与所述多个历史位置中的每一个相对应的所述一个或多个可能上车点。

14、部分附加特征将在以下描述中进行说明，并且通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本说明书的一部分附加特性对于本领域技术人员是显而易见的。本说明书的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。

技术特征：

1.一个系统，包括：

2.根据权利要求1所述的系统，其特征在于，还包括：

3.根据权利要求1或2所述的系统，其特征在于，所述多个历史位置在所述用户的所述当前位置的预设距离内。

4.根据权利要求1-3中任一项所述的系统，其特征在于，提取的所述特征数据包括：

5.根据权利要求4所述的系统，其特征在于，还包括确定以下中的至少一个：

6.根据权利要求1-5中任一项所述的系统，其特征在于，所述上车点推荐模型包括梯度提升决策树(gbdt)模型。

7.根据权利要求1-6中任一项所述的系统，其特征在于，还包括通过以下方式训练所述上车点推荐模型：

8.根据权利要求1-7中任一项所述的系统，其特征在于，还包括：将与所述可能上车点对应的所述历史位置相关联的热度值，基于各自的权重进行相加，以确定所述转移概率。

9.根据权利要求8的系统，其特征在于，所述权重是所述用户的所述当前位置和所述历史位置之间的距离。

10.根据权利要求1-9中任一项所述的系统，其特征在于，基于所确定的所述转移概率确定所述推荐上车点，包括：

11.根据权利要求1-10中任一项所述的系统，其特征在于，基于历史上车点和聚类算法确定与所述多个历史位置中的每一个相对应的所述一个或多个可能上车点。

12.一种在设备上实现的方法，所述设备具有存储指令的至少一个计算机可读存储介质和执行所述指令为用户推荐上车点的至少一个处理器，所述方法包括：

13.根据权利要求12所述的方法，其特征在于，还包括：

14.根据权利要求12或13所述的方法，其特征在于，所述多个历史位置在所述用户的所述当前位置的预设距离内。

15.根据权利要求12-14中任一项所述的方法，其特征在于，提取的所述特征数据包括：

16.根据权利要求15所述的方法，其特征在于，还包括确定以下中的至少一个：

17.根据权利要求12-16中任一项所述的方法，其特征在于，所述上车点推荐模型包括梯度提升决策树(gbdt)模型。

18.根据权利要求12-17中任一项所述的方法，其特征在于，还包括通过以下方式训练所述上车点推荐模型：

19.根据权利要求12-18中任一项所述的方法，其特征在于，还包括：将与所述可能上车点对应的所述历史位置相关联的热度值，基于各自的权重进行相加，以确定所述转移概率。

20.根据权利要求19所述的方法，其特征在于，所述权重是所述用户的所述当前位置和所述历史位置之间的距离。

21.根据权利要求12-20中任一项所述的方法，其特征在于，基于所确定的所述转移概率确定所述推荐上车点，包括：

22.根据权利要求12-21中任一项所述的方法，其特征在于，基于历史上车点和聚类算法确定与所述多个历史位置中的每一个相对应的所述一个或多个可能上车点。

23.一种非暂时性计算机可读存储介质，包括指令，当被系统的至少一个处理器访问时，所述指令使所述系统执行方法，所述方法包括：

技术总结
本发明涉及推荐上车点的系统和方法。所述方法可以包括获取并存储用户的当前位置、与用户的当前位置相关联的多个历史位置以及与用户的多个历史位置中的每一个相对应的一个或多个可能上车点。所述方法还可以包括从用户的当前位置、多个历史位置以及与多个历史位置中的每一个相对应的一个或多个可能上车点中提取特征数据。所述方法还可以包括将提取的特征数据输入上车点推荐模型，确定每个可能上车点的转移概率。所述方法还可以包括基于所确定的每个可能上车点的转移概率确定用户的推荐上车点。

技术研发人员：刘伯龙
受保护的技术使用者：北京嘀嘀无限科技发展有限公司
技术研发日：
技术公布日：2024/1/13