一种用户出行信息预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种用户出行信息预测方法、装置、设备及存储介质。该方法包括：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。本发明专利技术实施例的技术方案在进行未来出行信息预测时能够结合用户多次出行的关联性，进而提高了对用户未来出行信息的预测结果的准确度，从而提升了用户的使用体验。

A method, device, equipment and storage medium for user travel information prediction

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，用于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；未来出行信息预测模块，用于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。第三方面，本专利技术实施例还提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面实施例所提供的一种用户出行信息预测方法。第四方面，本专利技术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，其特征在于，该程序被处理器执行时实现如第一方面实施例所提供的一种用户出行信息预测方法。本专利技术实施例通过获取当前用户在设定时间段的租用车辆的订单信息，并根据订单信息生成预测订单序列；将预测订单序列输入至预先训练好的RNN(RecurrentNeuralNetwork，循环神经网络)模型中，根据RNN模型的输出结果预测当前用户的未来出行信息；未来出行信息包括未来出行规模和/或未来出行类型。上述技术方案通过基于当前用户的订单信息进行预测订单序列的生成，并将预测订单序列输入至RNN模型中，根据模型输出结果进行未来出行规模和未来出行类型的预测，使得在进行未来出行信息预测时能够结合用户多次出行的关联性，进而提高了对用户未来出行信息的预测结果的准确度，从而提升了用户的使用体验。附图说明图1是本专利技术实施例一中的一种用户出行信息预测方法的流程图；图2是本专利技术实施例二中的一种用户出行信息预测方法的流程图；图3A是本专利技术实施例三中的一种用户出行信息预测方法的流程图；图3B是本专利技术实施例三中的滑动窗口选取订单序列示意图；图3C是本专利技术实施例三中的RNN模型整体架构示意图；图3D是本专利技术实施例三中的隐变量弱标签聚类分析示意图；图4是本专利技术实施例四中的一种用户出行信息预测装置的结构图；图5是本专利技术实施例五中的一种电子设备的结构图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一中的一种用户出行信息预测方法的流程图，本专利技术实施例适用于共享租车平台基于用户的历史出行信息对用户即将产生的出行规模以及出行类型等进行预测的情况。该方法由用户出行信息预测装置执行，该装置采用软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中，其中电子设备可以是服务器或个人电脑。如图1所示的一种用户出行信息预测方法，包括：S110、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。其中，订单信息包括租用车辆的订单金额、车型座位数、租用天数、起租时间和出行地点等中的至少一种。其中，设定时间段可以由技术人员根据需要或经验值自行设定，在该设定时间段内，当前用户的租用车辆的订单信息中所包含的订单数量至少为1。需要说明的是，订单信息还可以包括其他与用户出行类型或规模相关联的其他信息，在此不再赘述。其中，订单信息可以电子设备本地、与电子设备所关联的其他存储设备或云端中；相应的，获取当前用户在设定时间段的租用车辆的订单信息，可以是在电子设备本地、与电子设备所关联的其他存储设备或云端中，进行订单信息的查找获取。示例性地，可以根据当前用户的用户标识(例如用户登录共享租车平台的账号信息)以及当前时间，进行设定时间段内租用车辆的订单信息的查找获取。由于订单信息中可以包含数值型的属性信息(例如订单金额、车型座位数、以及租用天数等)，还可以包括非数值型的属性信息(例如起租时间、以及出行地点等)。由于不同用户的行为频率和基数不同，为了提高预测结果的准确度，需要对订单信息进行归一化处理。若订单信息包含数值型的属性信息，诸如订单金额、车型座位数、以及租用天数等，则根据订单信息生成预测订单序列，可以是对订单信息进行归一化处理，并根据归一化处理后的订单信息生成预测订单序列。在对数值型的属性信息进行归一化处理时，可以在订单信息所包含的各订单中，确定订单信息所在属性类别对应的最值信息，并根据所确定的最值信息进行离差标准化；还可以在订单信息所包含的各订单中，确定订单信息所在属性类别对应的最值信息和均值信息，并根据所确定的最值信息和均值信息进行离差标准化；或者还可以在订单信息所包含的各订单中，确定订单信息所在属性类别对应的均值和标准差，并根据所确定的均值和标准差进行均值标准化。其中，属性类别包括订单金额、车型座位数、以及租用天数等。示例性地，若订单信息包括车型座位数，则获取订单信息所包含的不同订单中车型座位数对应的最大值和最小值；针对每一订单中的车型座位数，确定车型座位数与最小值的浮动差值，并确定浮动差值与最大值和最小值之间的差值的比值，将确定的比值作为归一化处理后得到的车型座位数。或者，获取订单信息所包含的不同订单中车型座位数对应的最大值、最小值和平均值；针对每一订单中的车型座位数，确定车型座位数与平均值的浮动差值，并确定浮动差值与最大值和最小值之间的差值的比值，将确定的比值作为归一化处本文档来自技高网...

【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