一种层次化的出租车载客推荐方法及系统技术方案

本发明专利技术公开了一种层次化的出租车载客推荐方法及系统，本发明专利技术包括划分网格区域，并将出租车的历史载客点和POI映射到网格区域中，从网格区域中提取时空特征向量X并构建时空上下文矩阵；将时空上下文矩阵输入到极深因子分解机模型xDeepFM中进行训练得到司机

【技术实现步骤摘要】
一种层次化的出租车载客推荐方法及系统


[0001]本专利技术涉及出租车载客推荐技术，具体涉及一种层次化的出租车载客推荐方法及系统。

技术介绍

[0002]出租车每天经常在城市里旅行，已成为智能交通系统中不可缺少的组成部分。出租车在线预定平台，如DiDi和UBER，不仅提供在线预订服务，而且还记录出租车的GPS数据。这些数据促使了许多基于位置的服务(location
‑
based services，LBS)，例如，出租车载客区域、载客点、载客路线推荐。它们在有效提高出租车司机的利润和降低油耗方面起着重要作用。
[0003]相比于传统的推荐系统，出租车载客区域推荐目前还面临一些新的挑战。首先，GPS数据更新速度带来的挑战。每天持续更新的大量GPS数据，要求大量的存储资源和较长的计算时间。除此之外，中国的快速城镇化使得道路更新速度快，在出租车载客推荐系统中使用长时间的GPS数据将引入较多噪声。例如，原有道路已废除或变化、新增多条主干道路等。这些噪声可能大幅降低推荐准确率。可是，使用最近的短期GPS数据，则面临数据稀疏问题。为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种层次化的出租车载客推荐方法，其特征在于，包括：1)将城区划分网格区域，并从出租车的原始GPS轨迹中挖掘出历史载客点和POI；2)将历史载客点和POI映射到划分好的网格区域中，从网格区域中提取时空特征向量X并构建时空上下文矩阵；3)将时空上下文矩阵输入到极深因子分解机模型xDeepFM中进行训练，通过训练好的极深因子分解机模型xDeepFM得到司机
‑
时间段
‑
网格区域载客概率数据，再结合司机当前的时空信息，获取司机载客概率最高且较近的推荐网格区域，并作为第一层次的推荐结果输出；4)对推荐网格区域内的历史载客点进行时空分析，获取代表乘客聚集地的推荐候选载客点，并作为第二层次的推荐结果输出。2.根据权利要求1所述的层次化的出租车载客推荐方法，其特征在于，步骤2)中从网格区域中提取的时空特征向量X包括：司机特征D，用于区分司机，且经过one
‑
hot编码；时间特征T，订单在一天内对应的时间段，且经过one
‑
hot编码；网格特征G，用于区分网格区域，且经过one
‑
hot编码；网格属性特征A，包括历史载客点数量、POI数量、平均载客时长、平均载客距离、各类POI类型占比、网格的几何中心位置，且经过归一化；构建的时空上下文矩阵由时空特征向量X和目标变量Y构成，其中目标变量Y为司机在该时段发生在该网格的载客次数。3.根据权利要求2所述的层次化的出租车载客推荐方法，其特征在于，步骤3)包括：3.1)将时空上下文矩阵输入到极深因子分解机模型中进行训练，得到训练好的极深因子分解机模型xDeepFM，训练好的极深因子分解机模型xDeepFM生成司机
‑
时间段
‑
网格区域载客概率数据，所述司机
‑
时间段
‑
网格区域载客概率数据描述了司机在各个时间段里对每个网格区域的载客概率；3.2)结合司机当前的时空信息，包括司机当前的所在的网格区域及其相邻的8个网格区域在内的9个网格区域、司机当前的时间段；3.3)根据所述9个网格区域、司机当前的时间段，与司机
‑
时间段
‑
网格区域载客概率数据进行匹配，得到所述9个网格区域的载客概率，并将9个网格区域中载客概率最高的网格区域作为最终得到的推荐网格区域，并将推荐网格区域作为第一层次的推荐结果输出。4.根据权利要求3所述的层次化的出租车载客推荐方法，其特征在于，步骤4)包括：4.1)首先将一天划分为不同时间段，将推荐网格区域内的历史载客点根据其时间属性划分到相对应的时间段中；然后对不同时间段内的历史载客点，根据其空间地理位置，对推荐区域内的历史载客点进行空间聚类分析，得到...

【专利技术属性】
技术研发人员：刘毅志，刘宇轩，王雪松，廖祝华，赵肄江，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：