一种基于特定场景的下车点推荐方法及装置与流程

1.本发明属于网约车下车点推荐技术领域，具体涉及一种基于特定场景的下车点推荐方法及装置。


背景技术：

2.下车点预测是指：在已知用户所处位置和出行时刻的条件下，预测用户本次出行的目的地。目的地预测在多种场合下具有广泛应用，例如在打车场景中，当用户登录打车平台后，打车平台对用户本次的出行目的地进行预测和推荐，能帮助用户快速打车，有效提升用户的打车体验，为平台带来更多收益。
3.在相关技术中，对目的地进行预测主要通过预估模型对乘客的历史订单数据进行预测。预估模型预估用户出行各个目的地的概率，然后将概率最高的目的地确定为用户目前将要出行的目的地。然而，经申请人研究发现，现有技术存在如下问题：
4.如果用户出行该目的地的频次较少，无法满足模型建模，无法预测出乘客出行该目的地的概率。另一方面，现有技术均为乘客本身的历史记录推荐下车点，下车点推荐考虑较少，无法达到智能推荐效果。


技术实现要素：

5.本发明的目的是要解决现有的技术问题，提供一种基于特定场景的下车点推荐方法及装置。
6.为了解决上述问题，本发明按以下技术方案予以实现的：
7.第一方面，本发明提供了一种基于特定场景的下车点推荐方法，包括：
8.获取目标乘客端发起的推荐下车点请求，所述推荐下车点请求携带所述目标乘客端的位置信息和出发时刻；
9.识别与所述出发时刻关联的用车场景；
10.基于关联乘客端的历史用车订单构建预测模型；所述关联乘客端的用户与目标乘客端的用户存在关联关系；所述历史订单包括乘客信息、历史下车点、历史常用出行时刻以及历史下车点的出行频次；
11.将所述位置信息、出发时刻和用车场景输入预测模型中，得到多个高概率的推荐下车点；
12.将多个推荐下车点推送给所述目标乘客端。
13.结合第一方面，本发明提供了第一方面的第1种优选的实施方式，所述的基于特定场景的下车点推荐方法，其特征在于，所述将所述推荐下车点推送给所述目标乘客端，具体包括：
14.计算每一推荐下车点至位置信息的距离；
15.基于推荐下车点行驶至位置信息的距离，按由近到远依次排序推荐下车点；
16.将排序后的多个推荐下车点及每一推荐下车点至位置信息的距离推送给所述目
标乘客端。
17.结合第一方面，本发明提供了第一方面的第2种优选的实施方式，所述用车场景包括节日场景、工作日场景和休息日场景。
18.结合第一方面，本发明提供了第一方面的第3种优选的实施方式，所述关联关系包括朋友、情侣、同事和亲人。
19.第二方面，本发明还提供一种基于特定场景的下车点推荐装置，包括：
20.获取模块，其用于获取目标乘客端发起的推荐下车点请求，所述推荐下车点请求携带所述目标乘客端的位置信息和出发时刻；
21.识别模块，其用于识别与所述出发时刻关联的用车场景；
22.预测模型，其基于关联乘客端的历史用车订单构建预测模型；所述关联乘客端的用户与目标乘客端的用户存在关联；所述历史订单包括乘客信息、历史下车点、历史常用出行时刻以及历史下车点的出行频次；
23.输入模块，其用于将所述位置信息、出发时刻和用车场景输入预测模型中，得到多个高概率的推荐下车点；
24.推荐模块，其用于将多个推荐下车点推送给所述目标乘客端。
25.结合第二方面，本发明提供了第二方面的第1种优选的实施方式，所述推荐模块，将所述推荐下车点推送给所述目标乘客端，具体包括：
26.计算每一推荐下车点至位置信息的距离；
27.基于推荐下车点行驶至位置信息的距离，按由近到远依次排序推荐下车点；
28.将排序后的多个推荐下车点推送给所述目标乘客端。
29.结合第二方面，本发明提供了第二方面的第2种优选的实施方式，所述用车场景包括节日场景、工作日场景和休息日场景。
30.与现有技术相比，本发明的有益效果是：
31.本发明通过与目标乘客端相关联的用户的历史用车数据，在特定场景下智能推荐去用户去感兴趣的地方，市场既有方案都是通过用户自身的历史记录推荐下车点，无法达到此类智能推荐效果。本发明通过情侣/朋友/亲人等关系，通过预存模型预存乘客感兴趣的地方，而并非推送历史下车点，以此提高乘客体验，提高乘客打车效率。
附图说明
32.下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：
33.图1是本发明的基于特定场景的下车点推荐方法的流程示意图；
34.图2是本发明的基于特定场景的下车点推荐装置的组成图；
35.图3是本发明的采用gbdt算法构建预测模型的示意图。
具体实施方式
36.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
37.为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图
仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
38.所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
39.为了解决本申请背景技术中所述的至少一种技术问题，本申请实施例提供一种基于特定场景的下车点推荐方法及装置，其通过获取目标乘客端发起的推荐下车点请求，所述推荐下车点请求携带所述目标乘客端的位置信息和出发时刻；识别与所述出发时刻关联的用车场景；基于关联乘客端的历史用车订单构建预测模型；所述关联乘客端的用户与目标乘客端的用户存在关联关系；所述历史订单包括乘客信息、历史下车点、历史常用出行时刻以及历史下车点的出行频次；将所述位置信息、出发时刻和用车场景输入预测模型中，得到多个高概率的推荐下车点；将多个推荐下车点推送给所述目标乘客端。
40.本发明通过与目标乘客端相关联的用户的历史用车数据，在特定场景下智能推荐去用户去感兴趣的地方，市场既有方案都是通过用户自身的历史记录推荐下车点，无法达到此类智能推荐效果。本发明通过情侣/朋友/亲人等关系，通过预存模型预存乘客感兴趣的地方，而并非推送历史下车点，以此提高乘客体验，提高乘客打车效率。
41.基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
42.图1示出了本申请的一些实施例的基于特定场景的下车点推荐方法的流程示意图，所述基于特定场景的下车点推荐方法包括以下步骤：
43.s100：获取目标乘客端发起的推荐下车点请求，所述推荐下车点请求携带所述目标乘客端的位置信息和出发时刻。
44.在本实施例中，所述位置信息用于确定目标乘客端的乘客所在的地理区域或行政区域，以确定所推荐的下车点符合出行需求。
45.s200：识别与所述出发时刻关联的用车场景。
46.在一种实施中，所述用车场景包括节日场景、工作日场景和休息日场景。具体的，所述识别与所述出发时刻关联的用车场景，基于出发时刻的年月日及时间点，在电子日历中进行查询，以确定具体的用车场景。如2月14日的情人节，即可在日历中查询确定。
47.s300：基于关联乘客端的历史用车订单构建预测模型；所述关联乘客端的用户与目标乘客端的用户存在关联关系；所述历史订单包括乘客信息、历史下车点、历史常用出行时刻以及历史下车点的出行频次。
48.在一种实施中，所述预测模型可采用通过点击率预估模型，其预测乘客对有限个候选目的地的点击率，然后将点击率最高的目的地确定为用户目前将要出行的目的地。在另一种实施中，还可采用概率函数的预估模型，预估乘客出行各个目的地的概率，然后将概
率最高的目的地确定为乘客目前将要出行的目的地。将上述的目的地作为下车点。
49.其中，关联乘客端的用户与目标乘客端的用户存在关联关系包括朋友、情侣、同事和亲人。通过历史订单的乘客信息，即可确定关联乘客端的用户与目标乘客端的用户的关系，关联关系是计算概率的要素之一。
50.其中，关联乘客端的历史用车订单的数据来源，乘客端的用户特征标签可以通过实名认证，用户通讯录及常去的用户地点等信息来获取等，是本领域的技术人员可实现的，在此不过多说明。
51.在本发明的具体实施中，如图3所示，所述预测模型采用gbdt(梯度下降树算法，可用于分类预测)构建，并且给场景、用户关系等特征进行加权，从数据库订单数据中将下车点作为目标值(target)，用户属性作为特征(feature)作为数据来源进行训练，用户在下单时通过预测模型来获取下车点的推荐。
52.s400：将所述位置信息、出发时刻和用车场景输入预测模型中，得到多个高概率的推荐下车点。
53.s500：将多个推荐下车点推送给所述目标乘客端。
54.所述将所述推荐下车点推送给所述目标乘客端，具体包括：
55.s510：计算每一推荐下车点至位置信息的距离；
56.s520：基于推荐下车点行驶至位置信息的距离，按由近到远依次排序推荐下车点；
57.s530：将排序后的多个推荐下车点及每一推荐下车点至位置信息的距离推送给所述目标乘客端。
58.如图2所示，本申请实施例提供了一种基于特定场景的下车点推荐装置，以实现上述的乘基于特定场景的下车点推荐方法，所述装置包括：
59.获取模块，其用于获取目标乘客端发起的推荐下车点请求，所述推荐下车点请求携带所述目标乘客端的位置信息和出发时刻；
60.识别模块，其用于识别与所述出发时刻关联的用车场景；其中，所述用车场景包括节日场景、工作日场景和休息日场景。
61.预测模型，其基于关联乘客端的历史用车订单构建预测模型；所述关联乘客端的用户与目标乘客端的用户存在关联；所述历史订单包括乘客信息、历史下车点、历史常用出行时刻以及历史下车点的出行频次；其中，所述关联关系包括朋友、情侣、同事和亲人。
62.输入模块，其用于将所述位置信息、出发时刻和用车场景输入预测模型中，得到多个高概率的推荐下车点；
63.推荐模块，其用于将多个推荐下车点推送给所述目标乘客端。
64.其中，所述推荐模块，将所述推荐下车点推送给所述目标乘客端，具体包括：
65.计算每一推荐下车点至位置信息的距离；
66.基于推荐下车点行驶至位置信息的距离，按由近到远依次排序推荐下车点；
67.将排序后的多个推荐下车点及每一推荐下车点至位置信息的距离推送给所述目标乘客端。
68.以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。