出行方案推荐方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术实施例提供一种出行方案推荐方法、装置、设备及计算机可读存储介质。本发明专利技术实施例的方法，通过综合考虑了用户的多样性、出行环境在时空上的多样性、以及用户出行偏好的动态性，训练得到出行方案分类模型，通过根据用户的用户画像信息和出行方式分布信息，当前的出行环境特征信息，以及本次出行的起始点和终止点的特征信息，生成出行特征向量；将所述出行特征向量输入出行方案分类模型，计算备选出行方案的得分；根据所述备选出行方案的得分，向所述用户推荐出行方案，提高了出行方案推荐的精度和稳定性，出行方案的推荐更加准确，效果更好。

【技术实现步骤摘要】
出行方案推荐方法、装置、设备及计算机可读存储介质
本专利技术实施例涉及信息推荐
，尤其涉及一种出行方案推荐方法、装置、设备及计算机可读存储介质。
技术介绍
随着电子地图技术的不断发展，人们出行时对电子地图导航功能的依赖越来越强，电子地图客户端依据用户提供的始发点和终止点，能够为用户推荐多种不同出行方案，例如，多个不同出行方式的出行方案等。目前，在向用户推荐出行方案时，通常是按照出行方案的总时长，向用户推荐“最快”的出行方案；或者按照出行方案的总价格，推荐“花费最少”的出行方案。但是，由于用户和出行环境的多样性，现有的出行方案推荐方法的推荐精度低，且稳定性差，无法满足用户需求。
技术实现思路
本专利技术实施例提供一种出行方案推荐方法、装置、设备及计算机可读存储介质，用以解决现有的出行方案推荐方法的推荐精度低，且稳定性差，无法满足用户需求的问题。本专利技术实施例的一个方面是提供一种出行方案推荐方法，包括：根据用户的用户画像信息和出行方式分布信息，当前的出行环境特征信息，以及本次出行的起始点和终止点的特征信息，生成出行特征向量；将所述出行特征向量输入出行方案分类模型，计算备选出行方案的得分，所述出行方案分类模型是采用训练集训练得到的；根据所述备选出行方案的得分，向所述用户推荐出行方案。本专利技术实施例的另一个方面是提供一种出行方案推荐装置，包括：特征提取模块，用于根据用户的用户画像信息和出行方式分布信息，当前的出行环境特征信息，以及本次出行的起始点和终止点的特征信息，生成出行特征向量；推荐处理模块，用于将所述出行特征向量输入出行方案分类模型，计算备选出行方案的得分，所述出行方案分类模型是采用训练集训练得到的；所述推荐处理模块还用于根据所述备选出行方案的得分，向所述用户推荐出行方案。本专利技术实施例的另一个方面是提供一种出行方案推荐设备，包括：存储器，处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时实现上述所述的方法。本专利技术实施例的另一个方面是提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的方法。本专利技术实施例提供的出行方案推荐方法、装置、设备及计算机可读存储介质，通过综合考虑了用户的多样性、出行环境在时空上的多样性、以及用户出行偏好的动态性，训练得到出行方案分类模型，通过根据用户的用户画像信息和出行方式分布信息，当前的出行环境特征信息，以及本次出行的起始点和终止点的特征信息，生成出行特征向量；将所述出行特征向量输入出行方案分类模型，计算备选出行方案的得分；根据所述备选出行方案的得分，向所述用户推荐出行方案，提高了出行方案推荐的精度和稳定性，出行方案的推荐更加准确，效果更好。附图说明图1为本专利技术实施例一提供的出行方案推荐方法流程图；图2为本专利技术实施例二提供的出行方案推荐方法流程图；图3为本专利技术实施例二提供的出行方案推荐的框架图；图4为本专利技术实施例二提供的多源异构数据融合的流程图；图5为本专利技术实施例三提供的出行方案推荐装置的结构示意图；图6为本专利技术实施例四提供的出行方案推荐装置的结构示意图；图7为本专利技术实施例五提供的出行方案推荐设备的结构示意图。通过上述附图，已示出本专利技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本专利技术实施例构思的范围，而是通过参考特定实施例为本领域技术人员说明本专利技术的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术实施例的一些方面相一致的装置和方法的例子。本专利技术实施例所涉及的术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本专利技术的实施例进行描述。实施例一图1为本专利技术实施例一提供的出行方案推荐方法流程图。本专利技术实施例针对现有的出行方案推荐方法的推荐精度低，且稳定性差，无法满足用户需求的问题，提供了出行方案推荐方法。本实施例中的方法应用于出行方案推荐设备，该出行方案推荐设备可以是终端设备，可以是智能手机、平板电脑、AR设备等运行有电子地图客户端的移动终端，也可以是服务器等，在其他实施例中，该方法还可应用于其他设备，本实施例以终端设备为例进行示意性说明。如图1所示，该方法具体步骤如下：步骤S101、根据用户的用户画像信息和出行方式分布信息，当前的出行环境特征信息，以及本次出行的起始点和终止点的特征信息，生成出行特征向量。本实施例的一种应用场景为：终端设备接收用户输入的出行方案查询请求(例如，导航请求等等)，该出行方案查询请求至少包括该用户的用户标识(例如用户ID等)、起始点和终止点。相应于用户的出行方案查询请求，终端设备首先获取本次出行的特征数据：用户的用户画像信息和出行方式分布信息、当前的出行环境特征信息、以及本次出行的起始点和终止点的特征信息，然后根据本次出行的特征数据生成出行特征向量。考虑到用户的多样性，不同的用户可能具有不同的出行偏好。例如，对于收入级别和消费级别较低的用户，相较于采用打车方式的出行方案，可能更倾向于选择才步行、骑行和公共交通等方式的出行方案；已婚人员则由于可能拥有私家车的原因，可能更倾向于选择驾车出行等。本实施例中，将用户画像信息作为影响用户选择出行方案的一个重要因素，具有相似画像信息的用户可能具有相似的出行偏好。用户画像信息可以包括：性别、年龄、工作类型、受教育程度、收入级别、消费级别和婚姻状况等等。由于用户的偏好信息不是一成不变的，往往会随着时间不断变化。本实施例中，将用户的出行方式分布信息作为影响用户选择出行方案的一个重要因素。除了能够建模用户自然的随时间变化的动态偏好外，也是对用户画像和环境特征信息的一种补充。例如，用户画像信息中，一个无车的用户被错误记录为车主，通过近期的出行方式分布信息可以对这类错误进行修正；另一方面，随着天气转冷，用户选择步行的比例会明显高于骑行，这类分布特征在一定程度上也能够弥补环境特征的缺失或不准确的情况。出行方式分布信息可以是用户在近期的一个时间段内的出行方式分布信息，具体可以包括以各种出行方式出行的次数和以各出行方式出行次数所占的比例等。例如，出行方式分布信息可以包括：步行次数，骑行次数、公交次数、驾车次数、打车次数、步行比例、骑行比例、公交比例、驾车比例、打车比例等本文档来自技高网...

【技术保护点】
1.一种出行方案推荐方法，其特征在于，包括：/n根据用户的用户画像信息和出行方式分布信息，当前的出行环境特征信息，以及本次出行的起始点和终止点的特征信息，生成出行特征向量；/n将所述出行特征向量输入出行方案分类模型，计算备选出行方案的得分，所述出行方案分类模型是采用训练集训练得到的；/n根据所述备选出行方案的得分，向所述用户推荐出行方案。/n

【技术特征摘要】
1.一种出行方案推荐方法，其特征在于，包括：
根据用户的用户画像信息和出行方式分布信息，当前的出行环境特征信息，以及本次出行的起始点和终止点的特征信息，生成出行特征向量；
将所述出行特征向量输入出行方案分类模型，计算备选出行方案的得分，所述出行方案分类模型是采用训练集训练得到的；
根据所述备选出行方案的得分，向所述用户推荐出行方案。


2.根据权利要求1所述的方法，其特征在于，所述将所述出行特征向量输入出行方案分类模型，计算备选出行方案的得分之前，还包括：
获取多条历史出行数据，并对所述历史出行数据进行特征预处理；
根据预处理后的每条所述历史出行数据，生成对应的样本数据，得到由所述多条历史出行数据对应的样本数据组成的训练集；
利用所述训练集对预设分类模型进行模型训练，得到所述出行方案分类模型。


3.根据权利要求2所述的方法，其特征在于，获取多条历史出行数据，包括：
获取多条历史出行信息，所述历史出行信息至少包括：用户标识、起始点、终止点和出行时间；
获取每条所述历史出行信息的用户标识对应的用户画像信息和出行方式分布信息，每条所述历史出行信息的出行时间对应的出行环境特征信息，每条所述历史出行信息的起始点和终止点的特征信息，以及每条所述历史出行信息对应的方案选择真值数据，得到每条历史出行信息对应的历史出行数据。


4.根据权利要求3所述的方法，其特征在于，所述对所述历史出行数据进行特征预处理，包括：
对所述历史出行数据中的类别型特征进行独热编码处理；
对所述历史出行数据中的数值型特征进行异常值处理；
对经过异常值处理后的历史出行数据的数值型特征进行归一化处理。


5.根据权利要求3所述的方法，其特征在于，所述根据预处理后的某一条所述历史出行数据，生成对应的样本数据，包括：
对该条所述历史出行数据中的用户画像信息和出行方式分布信息、出行环境特征信息、起始点和终止点的特征信息，生成该条所述历史出行数据对应的出行特征向量；
根据该条所述历史出行数据中的方案选择真值数据，生成该条所述历史出行数据对应的出行特征向量的标签；
将该条所述历史出行数据对应的出行特征向量及其标签，作为一条样本数据。


6.根据权利要求5所述的方法，其特征在于，所述对该条所述历史出行数据中的用户画像信息和出行方式分布信息、出行环境特征信息、起始点和终止点的特征信息，生成该条所述历史出行信息对应的出行特征向量，包括：
将该条所述历史出行信息对应的用户画像信息和出行方式分布信息、出行环境特征信息、起始点和终止点的特征信息，拼接生成该条所述历史出行信息对应的原始特征向量；
对所述原始特征向量中的空值特征进行数据补全，得到所述出行特征向量。


7.根据权利要求6所述的方法，其特征在于，所述对所述原始特征向量中的空值特征进行数据补全，得到所述出行特征向量，包括：
根据所述原始特征向量中的非空值特征构成的非空值特征向量，计算所述非空值特征向量与其他历史出行数据对应的特征向量的余弦相似度；
确定对应的特征向量与所述非空值特征向量的余弦相似度最大的K个所述其他历史出行数据，作为所述原始特征向量的K个最临近数据，其中K为正整数；
对于所述原始特征向量的空值特征，用所述K个最临近数据中对应特征值的均值或者众数进行填充。


8.根据权利要求4所述的方法，其特征在于，所述对所述...

【专利技术属性】
技术研发人员：刘浩，张攀攀，段建国，熊辉，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11