上车点推荐方法、装置、设备以及产品

摘要: 本技术涉及智能交通,尤其涉及一种上车点推荐方法、装置、设备以及产品。背景技术:1、随着共享出行的普及,网约车上车点推荐已成为提升用户体验与系统效率的关键环节,现...
上车点推荐方法、装置、设备以及产品

本技术涉及智能交通,尤其涉及一种上车点推荐方法、装置、设备以及产品。

背景技术:

1、随着共享出行的普及,网约车上车点推荐已成为提升用户体验与系统效率的关键环节,现有上车点推荐技术多聚焦于司机端的调度优化,通过分析历史订单数据、路网拓扑及实时供需状态,为司机规划接驾路线或推荐热点区域,主流方法包括基于协同过滤的个性化推荐模型(如mplrec)、基于图神经网络的时空预测模型以及基于强化学习的动态调度策略,这些技术通常依赖于大量用户历史轨迹数据,并将路网抽象为静态图结构,利用距离或历史平均速度等指标评估上车点可用性。

2、然而,上述技术在实际应用中存在明显缺陷,首先,现有方法高度依赖用户历史行为数据,对于低频出行用户或进入陌生区域的冷启动场景,因缺乏局部轨迹而无法生成精准推荐,且中心化模型难以从海量异构数据中提取通用模式以补全稀疏数据,其次,不同城市及功能分区(如cbd与住宅区)的空间数据呈非独立同分布特性,统一算法框架难以适配区域间的显著差异,再者,现有技术侧重长期历史规律的学习,对突发事故、极端天气引发的高频脉冲反应迟钝,导致推荐位置在实际环境中不可达或预估接客时间偏差较大,最后,静态路网建模忽略了道路实时通行能力的动态变化,使推荐结果的稳定性与实用性严重不足。

3、上述内容仅用于辅助理解本技术的技术方案,并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种上车点推荐方法、装置、设备以及产品,旨在解决网约车场景下,由于存在空间异构以及动态环境干扰,无法实现精准的上车点推荐的技术问题。

2、为实现上述目的,本技术提出一种上车点推荐方法,所述上车点推荐方法包括:

3、接收乘客的用车请求,解析所述用车请求得到用户实时位置以及实时上下文;

4、通过所述用户实时位置以及实时上下文查询预先构建的候选上车锚点库,得到候选锚点节点以及所述候选锚点节点对应的高频流输入特征与低频流输入特征;

5、通过预先构建的双流时空图神经网络对所述高频流输入特征以及低频流输入特征进行特征提取,得到高频扰动特征以及低频规律特征,并对所述高频扰动特征以及低频规律特征进行融合,得到融合特征;

6、根据所述融合特征进行上车点推荐分析,得到推荐上车点列表。

7、在一实施例中,所述通过所述用户实时位置以及实时上下文对预先构建的候选上车锚点库进行查询,得到高频流输入特征以及低频流输入特征的步骤之前,所述方法还包括:

8、获取历史订单数据、gps轨迹数据、兴趣点poi密度数据以及路网拓扑数据;

9、通过所述路网拓扑数据对城市核心区域进行空间网格划分,得到若干候选上车锚点节点,并基于所述若干候选上车锚点节点的坐标构建空间索引;

10、通过所述poi密度数据对所述若干候选上车锚点节点进行poi编码,得到poi语义特征;

11、通过所述历史订单数据统计所述若干候选上车锚点节点在目标时间窗口内的订单需求,得到所述若干候选上车锚点节点的历史需求模式信息;

12、通过所述gps轨迹数据统计若干候选上车锚点节点之间的车辆转移记录,得到所述若干候选上车锚点节点的流量转移模式信息;

13、根据时段划分规则生成所述若干候选上车锚点节点的基础时间编码;

14、将所述基础时间编码、poi语义特征以及历史需求模式信息进行拼接,得到低频流基础特征,将所述gps轨迹数据中的历史速度动态以及所述流量转移模式信息进行拼接,得到高频流基础特征;

15、根据锚点节点标识,通过所述空间索引、低频流基础特征以及高频流基础特征构建得到候选上车锚点库。

16、在一实施例中,所述通过所述用户实时位置以及实时上下文查询预先构建的候选上车锚点库,得到候选锚点节点以及所述候选锚点节点对应的高频流输入特征与低频流输入特征的步骤包括:

17、根据所述用户实时位置,通过所述候选上车锚点库中的空间索引进行节点搜索,得到候选锚点节点;

18、通过所述候选锚点节点在所述候选上车锚点库中提取目标低频流基础特征以及目标高频流基础特征;

19、通过所述实时上下文中的实时信息生成实时时间编码,并将所述目标低频流基础特征中的基础时间编码替换为所述实时时间编码,得到低频流输入特征;

20、通过所述实时上下文中的实时速度动态替换所述目标高频流基础特征中的历史速度动态,得到高频流输入特征。

21、在一实施例中,所述通过预先构建的双流时空图神经网络对所述高频流输入特征以及低频流输入特征进行特征提取,得到高频扰动特征以及低频规律特征的步骤之前,所述方法还包括:

22、根据快速傅里叶变换以及多尺度卷积构建得到低频流提取子模块,所述快速傅里叶变换用于对输入的低频流输入特征进行周期识别并将识别得到的时间序列重塑为二维矩阵,所述多尺度卷积用于提取所述二维矩阵的低频规律特征;

23、根据离散小波变换构建得到高频流提取子模块,所述离散小波变换用于对输入的高频流输入特征进行分解以得到高频扰动特征;

24、根据图注意力网络的图注意力卷积构建得到双图卷积子模块,所述图注意力卷积用于对低频规律特征以及高频扰动特征组成的图结构进行特征聚合;

25、根据特征线性调制机制构建得到门控融合子模块,所述特征线性调制机制用于对所述双图卷积子模块输出的低频特征与高频特征的融合权重进行动态调节;

26、通过历史样本数据对所述低频流提取子模块、高频流提取子模块、双图卷积子模块以及门控融合子模块进行联合训练,得到双流时空图神经网络。

27、在一实施例中,所述通过预先构建的双流时空图神经网络对所述高频流输入特征以及低频流输入特征进行特征提取,得到高频扰动特征以及低频规律特征的步骤包括:

28、通过所述低频流提取子模块对所述低频流输入特征进行周期识别以及多尺度卷积,得到低频规律特征;

29、通过所述高频流提取子模块对所述高频流输入特征进行信号分解,得到高频扰动特征;

30、根据所述低频规律特征以及所述候选锚点节点之间的地理相似性、兴趣点语义相似性、需求同步相似性以及时间周期相似性,构建得到低频功能相似性图,并通过所述双图卷积子模块对所述低频功能相似性图进行特征聚合,得到低频空间聚合特征;

31、根据所述高频扰动特征以及所述候选锚点节点之间的流量转移矩阵以及物理可达性,构建得到高频流动图,并通过所述双图卷积子模块对所述高频流动图进行特征聚合,得到高频空间聚合特征。

32、在一实施例中,所述对所述高频扰动特征以及低频规律特征进行融合,得到融合特征的步骤包括:

33、通过所述门控融合子模块计算所述高频空间聚合特征的绝对值之和能量,得到所述候选锚点节点的高频能量;

34、通过所述门控融合子模块对所述高频能量进行滑动窗口统计以及标准化,并通过sigmoid函数将标准化后的高频能量映射为门控值;

35、通过所述门控融合子模块将所述门控值与所述高频空间聚合特征进行逐元素相乘,得到相乘结果,并将相乘结果与所述低频空间聚合特征相加,得到融合特征。

36、在一实施例中,所述根据所述融合特征进行上车点推荐分析,得到推荐上车点列表的步骤包括:

37、通过多任务预测头对所述融合特征进行预测,得到所述候选锚点节点的需求强度、供给密度、预测速度以及预计等待时间;

38、根据所述用户实时位置计算所述候选锚点节点的步行时间,并根据所述预测速度以及目的地距离计算行程时间以及动态行程费用;

39、对所述预计等待时间、步行时间、动态行程费用以及行程时间进行多目标加权评分,得到评分结果;

40、根据评分结果对候选锚点节点进行排序,得到推荐上车点列表。

41、此外,为实现上述目的,本技术还提出一种上车点推荐装置,所述上车点推荐装置包括:

42、解析模块,用于接收乘客的用车请求,解析所述用车请求得到用户实时位置以及实时上下文;

43、查询模块,用于通过所述用户实时位置以及实时上下文查询预先构建的候选上车锚点库,得到候选锚点节点以及所述候选锚点节点对应的高频流输入特征与低频流输入特征;

44、融合模块,用于通过预先构建的双流时空图神经网络对所述高频流输入特征以及低频流输入特征进行特征提取,得到高频扰动特征以及低频规律特征,并对所述高频扰动特征以及低频规律特征进行融合,得到融合特征;

45、分析模块,用于根据所述融合特征进行上车点推荐分析,得到推荐上车点列表。

46、此外,为实现上述目的,本技术还提出一种上车点推荐设备,所述设备包括:存储器、处理器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,所述计算机程序配置为实现如上文所述的上车点推荐方法的步骤。

47、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的上车点推荐方法的步骤。

48、此外,为实现上述目的,本技术还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如上文所述的上车点推荐方法的步骤。

49、本技术提出的一个或多个技术方案,至少具有以下技术效果:

50、本技术实施例提出的一种上车点推荐方法、装置、设备以及产品,通过接收乘客的用车请求,解析所述用车请求得到用户实时位置以及实时上下文;通过所述用户实时位置以及实时上下文查询预先构建的候选上车锚点库,得到候选锚点节点以及所述候选锚点节点对应的高频流输入特征与低频流输入特征;通过预先构建的双流时空图神经网络对所述高频流输入特征以及低频流输入特征进行特征提取,得到高频扰动特征以及低频规律特征,并对所述高频扰动特征以及低频规律特征进行融合,得到融合特征;根据所述融合特征进行上车点推荐分析,得到推荐上车点列表。由此,针对空间异构,预先构建候选上车锚点库并提取低频流输入特征,利用双流时空图神经网络中的低频流提取子模块学习不同区域的长期周期规律,使模型能够适应cbd与住宅区等功能分区的差异化需求,针对动态环境干扰,提取高频流输入特征并通过高频流提取子模块捕捉突发事故、极端天气引发的瞬时脉冲,再通过融合机制将低频规律与高频扰动动态结合,使推荐结果既能反映区域固有特征,又能实时响应环境变化,从而实现精准的上车点推荐,解决了网约车场景下,由于存在空间异构以及动态环境干扰,无法实现精准的上车点推荐的问题,提高了上车点推荐的效率。