The embodiment of the invention discloses a user travel information prediction method, device, device and storage medium. The method includes: acquiring the order information of the current user's rented vehicle in a set period of time, generating a forecast order sequence according to the order information; inputting the forecast order sequence into the pre trained RNN model, predicting the future travel information of the current user according to the output result of the RNN model; the future travel information includes the future travel scale and / or Types of future trips. The technical scheme of the embodiment of the invention can combine the association of multiple trips of the user when predicting the future trip information, thereby improving the accuracy of the prediction result of the future trip information of the user, thereby improving the user's use experience.
【技术实现步骤摘要】
一种用户出行信息预测方法、装置、设备及存储介质
本专利技术实施例涉及计算机
,尤其涉及一种用户出行信息预测方法、装置、设备及存储介质。
技术介绍
共享经济作为一种新的经济形态,通过共享平台这一信息载体与用户进行高频交互,通过共享平台暂时转移供给方闲置资源,提高资产利用率,为需求方提供便利,为供给方创造价值。在共享租车平台中为了给用户提供更好的服务,通常会根据用户的历史出行信息,对用户未来的出行规模以及出行类型等信息进行预测,以便针对不同出行规模,进行衣、食、住、行等出行关联信息的推荐。现有技术中对用户未来出行规模进行预测时,通常采用经验分析的方式进行确定。然而,由于用户出行行为存在一定兴趣变化和周期性,采用经验分析的方式对用户未来出行信息进行预测时预测结果的准确度较差,降低了用户的使用体验。
技术实现思路
本专利技术提供一种用户出行信息预测方法、装置、设备及存储介质,以提高预测的用户未来出行信息的准确度,进而提高用户的使用体验。第一方面,本专利技术实施例提供了一种用户出行信息预测方法,包括:获取当前用户在设定时间段的租用车辆的订单信息,并根据所述订单信息生成预测订单序列;将所述预测订单序列输入至预先训练好的循环神经网络RNN模型中,根据所述RNN模型的输出结果预测所述当前用户的未来出行信息;所述未来出行信息包括未来出行规模和/或未来出行类型。第二方面,本专利技术实施例还提供了一种用户出行信息预测装置,包括:预测订单序列生成模块, ...
【技术保护点】
1.一种用户出行信息预测方法,其特征在于,包括:/n获取当前用户在设定时间段的租用车辆的订单信息,并根据所述订单信息生成预测订单序列;/n将所述预测订单序列输入至预先训练好的循环神经网络RNN模型中,根据所述RNN模型的输出结果预测所述当前用户的未来出行信息;所述未来出行信息包括未来出行规模和/或未来出行类型。/n
【技术特征摘要】
1.一种用户出行信息预测方法,其特征在于,包括:
获取当前用户在设定时间段的租用车辆的订单信息,并根据所述订单信息生成预测订单序列;
将所述预测订单序列输入至预先训练好的循环神经网络RNN模型中,根据所述RNN模型的输出结果预测所述当前用户的未来出行信息;所述未来出行信息包括未来出行规模和/或未来出行类型。
2.根据权利要求1所述的方法,其特征在于,在将所述预测订单序列输入至预先训练好的循环神经网络RNN模型中之前,还包括:
对预先设定的RNN模型进行模型训练;
相应的,对预先设定的RNN模型进行模型训练,包括:
获取不同历史用户租用车辆的历史订单信息,并根据所述历史订单信息生成历史订单序列;其中,各所述历史用户对应的历史订单序列中包含至少两个订单信息;
将所述历史订单序列作为训练样本,对预先设定的RNN模型进行模型训练。
3.根据权利要求2所述的方法,其特征在于,所述历史订单信息包括订单金额、车型座位数、租用天数、起租时间、和出行地点中的至少一种。
4.根据权利要求3所述的方法,其特征在于,根据所述历史订单信息生成历史订单序列,包括:
针对每一历史用户,采用滑动窗口在所述历史用户对应的历史订单信息中选取固定时段对应的候选订单信息;
统计各候选订单信息中包含的订单数量,以确定最大订单数量值,并对各候选订单信息进行序列填充,以使各候选订单信息中所包含的订单数量与所述最大订单数量值相等;
将填充后的各候选订单信息拼接组合,得到所述历史订单序列。
5.根据权利要求3所述的方法,其特征在于,根据所述历史订单信息生成历史订单序列,包括:
若所述历史订单信息为数值型,则对不同历史用户对应的所述历史订单信息进行归一化处理,并根据处理后的历史订单信息生成所述历史订单序列;
若所述历史订单信息为...
【专利技术属性】
技术研发人员:李斓,朱思涵,罗欣,
申请(专利权)人:上海新共赢信息科技有限公司,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。