Nothing Special   »   [go: up one dir, main page]

CN113924460B - 确定服务请求的推荐信息的系统和方法 - Google Patents

确定服务请求的推荐信息的系统和方法 Download PDF

Info

Publication number
CN113924460B
CN113924460B CN201980097233.9A CN201980097233A CN113924460B CN 113924460 B CN113924460 B CN 113924460B CN 201980097233 A CN201980097233 A CN 201980097233A CN 113924460 B CN113924460 B CN 113924460B
Authority
CN
China
Prior art keywords
sample
road segment
determining
model
samples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201980097233.9A
Other languages
English (en)
Other versions
CN113924460A (zh
Inventor
仲小伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN113924460A publication Critical patent/CN113924460A/zh
Application granted granted Critical
Publication of CN113924460B publication Critical patent/CN113924460B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请涉及确定服务请求的推荐信息的系统和方法。该系统可以从终端设备接收服务请求。该服务请求包括目标位置。该系统可以基于目标位置确定多个候选路段。该系统还可以通过使用训练好的相关度确定模型确定多个候选路段和目标位置之间的多个相关度。该系统还可以基于多个相关度从多个候选路段中识别目标路段。

Description

确定服务请求的推荐信息的系统和方法
技术领域
本申请一般涉及线上到线下服务的系统和方法，更具体地，涉及确定与线上到线下服务的服务请求相关联的推荐信息的系统和方法。
背景技术
利用互联网技术的线上到线下服务(例如线上到线下运输服务)变得越来越受欢迎。提供线上到线下运输服务的系统可以获得来自请求者的包括服务位置(例如，起始位置、目的地)的服务请求并为该请求者确定推荐信息(例如，在服务位置开始或结束的推荐行驶路线)。但是，在某些情况下，服务位置可能是车辆无法停车的位置。为了确定推荐的行驶路线，系统应该确定一个合适位置或对应该服务位置的车辆可以停车的合适路段。因此，期望提供确定合适位置或对应服务请求的服务位置的合适路段的系统和方法，从而有效且准确地确定与服务请求相关联的推荐信息。
发明内容
本申请的一个方面涉及确定服务请求的推荐信息的系统。该系统可以包括存储指令集的存储介质和与所述存储介质通信耦合的处理器。该系统可以从终端设备接收服务请求。所述服务请求包括目标位置。该系统可以基于所述目标位置确定多个候选路段。该系统可以通过使用训练好的相关度确定模型确定所述多个候选路段和所述目标位置之间的多个相关度。该系统还可以基于所述多个相关度从所述多个候选路段中识别目标路段。
在一些实施例中，所述目标位置可以包括起始位置和/或目的地中的至少一个。所述目标路段可以对应于与所述目标位置相关联的路段。
在一些实施例中，该系统可以使用第一模型确定所述目标位置的第一向量表示。对于所述多个候选路段中的每一个，该系统可以使用第二模型确定所述候选路段的第二向量表示，并使用所述训练好的相关度确定模型确定所述第二表示和所述第一向量表示之间的对应相关度。
在一些实施例中，该系统可以根据所述目标路段确定与所述服务请求相关联的推荐信息。
在一些实施例中，所述推荐信息可以包括在所述目标路段对应的路段开始或结束的推荐行驶路线。
在一些实施例中，可以用训练过程确定所述训练好的相关度确定模型。所述训练过程可以包括获得多个历史行程记录。所述多个历史行程记录中的每一个包括样本点和一个或多个样本路段。所述训练过程可以包括基于所述多个历史行程记录获得多个样本。所述多个样本中的每一个包括所述样本点和所述一个或多个样本路段中的一个。所述训练过程可以包括提取所述多个样本中的每一个的特征信息。所述训练过程可以包括获得初始相关度确定模型。所述训练过程可以包括对于所述多个样本中的每一个，通过使用所述初始相关度确定模型，基于所述特征信息确定所述样本点和所述样本路段之间的样本相关度。所述训练过程可以包括确定对应于所述多个样本的多个样本相关度是否满足预设条件。所述训练过程还可以包括，响应于所述多个样本相关度满足所述预设条件，将所述初始相关度确定模型指定为所述训练好的相关度确定模型。
在一些实施例中，所述训练过程还可以包括，响应于所述多个样本相关度不满足所述预设条件，更新所述初始相关度确定模型，并重复确定所述多个样本相关度是否满足所述预设条件的步骤，直到所述多个样本相关度满足所述预设条件。
在一些实施例中，所述多个样本可以包括多个正样本和多个负样本。对于所述多个正样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点相关。对于所述多个负样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点不相关。
在一些实施例中，所述多个样本中的每一个的所述特征信息可以包括所述样本点的第一特征信息和所述样本路段的第二特征信息。所述第一特征信息可以包括所述样本点的位置信息、乘客的身份标识、司机的身份标识、和/或所述样本点的时间信息中的至少一个。所述第二特征信息包括所述样本路段的标识、路段类型、路段方向、路段夹角、和/或所述样本路段的使用频率中的至少一个。
在一些实施例中，所述训练好的相关度确定模型包括双塔深度结构化语义模(Deep Structured Semantic Model，DSSM)。
本申请的另一方面涉及在计算设备上实现的方法。所述计算设备包括至少一个处理器，至少一个存储介质和连接到网络的通信平台。该方法可以包括从终端设备接收服务请求。所述服务请求可以包括目标位置。该方法可以包括基于所述目标位置确定多个候选路段。该方法可以包括通过使用训练好的相关度确定模型确定所述多个候选路段和所述目标位置之间的多个相关度。该方法还可以包括基于所述多个相关度从所述多个候选路段中识别目标路段。
在一些实施例中，所述目标位置包括起始位置和/或目的地中的至少一个。可以所述目标路段对应于与所述目标位置相关联的路段。
在一些实施例中，该方法还可以包括使用第一模型确定所述目标位置的第一向量表示。该方法可以包括，对于所述多个候选路段中的每一个，使用第二模型确定所述候选路段的第二向量表示，并使用所述训练好的相关度确定模型确定所述第二表示和所述第一向量表示之间的对应相关度。
在一些实施例中，该方法还可以包括根据所述目标路段确定与所述服务请求相关联的推荐信息。
在一些实施例中，所述推荐信息包括在所述目标路段对应的路段开始或结束的推荐行驶路线。
在一些实施例中，可以用训练过程确定所述训练好的相关度确定模型。所述训练过程可以包括获得多个历史行程记录。所述多个历史行程记录中的每一个包括样本点和一个或多个样本路段。所述训练过程可以包括基于所述多个历史行程记录获得多个样本。所述多个样本中的每一个包括所述样本点和所述一个或多个样本路段中的一个。所述训练过程可以包括提取所述多个样本中的每一个的特征信息。所述训练过程可以包括获得初始相关度确定模型。所述训练过程可以包括，对于所述多个样本中的每一个，通过使用所述初始相关度确定模型，基于所述特征信息确定所述样本点和所述样本路段之间的样本相关度。所述训练过程可以包括确定对应于所述多个样本的多个样本相关度是否满足预设条件。所述训练过程可以包括，响应于所述多个样本相关度满足所述预设条件，将所述初始相关度确定模型指定为所述训练好的相关度确定模型。
在一些实施例中，所述训练过程还可以包括响应于所述多个样本相关度不满足所述预设条件，更新所述初始相关度确定模型，并重复确定所述多个样本相关度是否满足所述预设条件的步骤，直到所述多个样本相关度满足所述预设条件。
在一些实施例中，所述多个样本可以包括多个正样本和多个负样本。对于所述多个正样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点相关。对于所述多个负样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点不相关。
在一些实施例中，所述多个样本中的每一个的所述特征信息可以包括所述样本点的第一特征信息和所述样本路段的第二特征信息。所述第一特征信息可以包括所述样本点的位置信息、乘客的身份标识、司机的身份标识、和/或所述样本点的时间信息中的至少一个。所述第二特征信息可以包括所述样本路段的标识、路段类型、路段方向、路段夹角、和/或所述样本路段的使用频率中的至少一个。
在一些实施例中，所述训练好的相关度确定模型包括双塔深度结构化语义模型(DSSM)。
本申请的另一方面涉及确定服务请求的推荐信息的系统。该系统可以包括接收模块，候选路段确定模块，相关度确定模块和识别模块。接收模块可以被配置为从终端设备接收服务请求。所述服务请求包括目标位置。候选路段确定模块可以被配置为基于所述目标位置确定多个候选路段。相关度确定模块可以被配置为通过使用训练好的相关度确定模型确定所述多个候选路段和所述目标位置之间的多个相关度。识别模块可以被配置为基于所述多个相关度从所述多个候选路段中识别目标路段。
在一些实施例中，所述目标位置包括起始位置和/或目的地中的至少一个。所述目标路段对应于与所述目标位置相关联的路段。
在一些实施例中，相关度确定模块可以被配置为使用第一模型确定所述目标位置的第一向量表示。相关度确定模块还可以被配置为，对于多个候选路段中的每一个，使用第二模型确定候选路段的第二向量表示，并使用训练好的相关度确定模型确定第二表示与第一向量表示之间的对应相关度。
在一些实施例中，识别模块还可以被配置为根据所述目标路段确定与所述服务请求相关联的推荐信息。
在一些实施例中，所述推荐信息可以包括在所述目标路段对应的路段开始或结束的推荐行驶路线。
在一些实施例中，该系统还可以包括训练模块。所述训练模块可以被配置为获得多个历史行程记录。所述多个历史行程记录中的每一个包括样本点和一个或多个样本路段。所述训练模块可以被配置为基于所述多个历史行程记录获得多个样本。所述多个样本中的每一个包括所述样本点和所述一个或多个样本路段中的一个。所述训练模块可以被配置为提取所述多个样本中的每一个的特征信息。所述训练模块可以被配置为获得初始相关度确定模型。所述训练模块可以被配置为，对于所述多个样本中的每一个，通过使用所述初始相关度确定模型，基于所述特征信息确定所述样本点和所述样本路段之间的样本相关度。所述训练模块可以被配置为确定对应于所述多个样本的多个样本相关度是否满足预设条件。所述训练模块可以被配置为，响应于所述多个样本相关度满足所述预设条件，将所述初始相关度确定模型指定为所述训练好的相关度确定模型。
在一些实施例中，训练模块还可以被配置为，响应于所述多个样本相关度不满足所述预设条件，更新所述初始相关度确定模型，并重复确定所述多个样本相关度是否满足所述预设条件的步骤，直到所述多个样本相关度满足所述预设条件。
在一些实施例中，所述多个样本可以包括多个正样本和多个负样本。对于所述多个正样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点相关。对于所述多个负样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点不相关。
在一些实施例中，所述多个样本中的每一个的所述特征信息可以包括所述样本点的第一特征信息和所述样本路段的第二特征信息。所述第一特征信息可以包括所述样本点的位置信息、乘客的身份标识、司机的身份标识、和/或所述样本点的时间信息中的至少一个。所述第二特征信息可以包括所述样本路段的标识、路段类型、路段方向、路段夹角、和/或所述样本路段的使用频率中的至少一个。
在一些实施例中，所述训练好的相关度确定模型可以包括双塔深度结构化语义模型(DSSM)。
本申请的又一方面涉及一种非暂时性计算机可读介质，包括执行指令。当执行指令由至少一个处理器执行时，该执行指令指示所述至少一个处理器执行方法。该方法可以包括从终端设备接收服务请求。所述服务请求包括目标位置。该方法可以包括基于所述目标位置确定多个候选路段。该方法可以包括通过使用训练好的相关度确定模型确定所述多个候选路段和所述目标位置之间的多个相关度。该方法还可以包括基于所述多个相关度从所述多个候选路段中识别出目标路段。
本申请的一部分附加特征可以在以下描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特征对于本领域技术人员是明显的。本申请的特征可以通过下面讨论的详细示例中阐述的方法、手段和组合的各个方面的实践或使用来实现和获得。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构：
图1是根据本申请一些实施例所示的示例性线上到线下服务系统的示意图；
图2是根据本申请的一些实施例所示的示例性计算设备的示例性硬件和/或软件组件的示意图；
图3是根据本申请一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图；
图4是根据本申请一些实施例所示的示例性处理设备的框图；
图5是根据本申请一些实施例所示的确定与服务请求相关联的推荐信息的示例性过程的流程图；
图6是根据本申请一些实施例所示的确定与服务请求相关联的推荐行驶路线的示例性过程的示意图；
图7是根据本申请一些实施例所示的确定训练好的相关度确定模型的示例性过程的流程图；以及
图8是根据本申请一些实施例所示的相关度确定模型的示例性结构的示意图。
具体实施方式
提出以下描述以使本领域技术人员能够制造和使用本申请，并且在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲，显然可以对所披露的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与权利要求一致的最宽的范围。
本申请中所使用的术语仅出于描述特定示例实施例的目的，而非限制性的。如本申请使用的单数形式“一”、“一个”及“该”同样可以包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中使用的术语“包括”、“包含”仅提示存在所述特征、整数、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整数、步骤、操作、组件、部件和/或其组合的情况。
本申请的这些和其他特征和特点，以及操作方法，所说的系统的各种部件，结构相关元件的功能，以及零件和制造经济的组合，可能变得更加明显。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。
本申请中使用的流程图示出了根据本申请的一些实施例实现的系统的操作。应该明确理解，可以不按顺序实现流程图的操作。相反，可以按照倒序或同时处理各种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。也可以从流程图中删除一个或以上操作。
此外，虽然在本申请中公开的系统和方法主要关于线上到线下运输服务，但是还应该理解，这仅是一个示例性实施例。本申请的系统和方法可以应用于任何其他类型的按需服务。例如，本申请的系统和方法可以应用于包括陆地(例如，公路或越野)、水(例如河、湖泊或海洋)、空中、航空航天等或其任何组合的不同环境的运输系统。运输系统的车辆可包括出租车、私家车、便车、公共汽车、火车、子弹头列车、高速铁路、地铁、船、轮船、飞机、宇宙飞船、热气球、无人驾驶车辆等，或其任何组合。运输系统还可以包括用于管理和/或分配的任何运输系统，例如，用于发送和/或接收快递的系统。本申请的系统和方法的应用可以包括移动设备(例如，智能手机或pad)应用、网页、浏览器插件、客户端、定制系统、内部分析系统、人工智能机器人等，或其任何组合。
本申请中的术语“乘客”、“请求者”、“请求人”、“服务请求者”、“服务请求人”和“客户”可互换地用于指代可请求或订购服务的个人、实体或工具。此外，本申请中的术语“驾驶员”、“提供者”、“服务提供者”和“供应商”可互换使用，以指代可提供服务或促进提供服务的个人、实体或工具。本申请中的术语“用户”被用于指可请求服务、订购服务、提供服务或促进服务提供的个人、实体或工具。在本申请中，术语“请求者”和“请求终端”可以互换使用，术语“提供者”和“提供者终端”可以互换使用。
本申请中的术语“请求”、“服务”、“服务请求”和“订单”交替使用，以指代可由乘客、请求者、服务请求者、客户、驾驶员、提供者、服务提供者、供应商等或其任何组合发起的请求。根据上下文，服务请求可由乘客、请求者、服务请求者、客户、驾驶员、提供者、服务提供者或供应商中的任何一方接受。在一些实施例中，驾驶员、提供者、服务提供者或供应商接受服务请求。服务请求可以是收费的，也可以是免费的。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System，GPS)、全球导航卫星系统(Global Navigation Satellite System，GLONASS)、罗盘导航系统(Compass Navigation System，COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System，QZSS)、无线保真(Wireless Fidelity，WiFi)定位技术等或其任意组合。以上定位系统中的一个或以上可以在本申请中交换使用。
本申请的一个方面涉及确定与线上到线下服务(例如网约车服务)的服务请求相关联的推荐信息(例如，推荐行驶路线、估计到达时间)的系统和方法。当乘客向线上到线下服务系统发送服务请求时，系统可以从乘客的终端设备接收服务请求。该服务请求包括预期服务的目标位置(例如，起始位置、目的地)。根据目标位置，系统可以确定多个候选路段(例如，在目标位置的预定范围内的路段)。系统还可以通过使用训练好的相关度确定模型(例如，双塔深度结构化语义模型)确定多个候选路段和目标位置之间的多个相关度。进一步，系统可以基于多个相关度从多个候选路段中识别目标路段。此外，系统可以确定在与目标路段对应的路段开始或结束的推荐行驶路线。根据本申请的系统和方法，根据基于训练好的相关度确定模型确定的候选路段和目标位置之间的相关度，从多个候选路段中识别目标路段，从而提高了与服务请求相关联的推荐信息的确定的准确性和效率。
需要指出的是，线上到线下的运输服务，例如包括网约车组合服务在内的在线网约车服务，是一种仅植根于后互联网时代的新型服务形式。它为用户和服务提供者提供仅在后互联网时代才能提出的技术解决方案。在前互联网时代，当乘客在街上叫出租车时，出租车请求和接受只发生在乘客和看到乘客的出租车司机之间。如果乘客通过电话呼叫出租车，则服务请求和接受只能在乘客和一家服务提供商(例如，一家出租车公司或代理商)之间进行。但是，线上出租车允许服务的用户实时将服务请求自动分发到远离用户的大量服务提供者(例如，出租车)。它还允许多个服务提供者同时和实时响应服务请求。因此，通过互联网，线上到线下运输系统可以为用户和服务提供者提供更高效的交易平台，这在传统的前互联网运输服务系统中是永远不会遇到的。
图1是根据本申请一些实施例所示的示例性线上到线下服务系统的示意图。在一些实施例中，线上到线下服务系统100可以是用于运输服务的线上运输服务平台，例如网约车、司机服务、送货车辆、快车、拼车、公共汽车服务、司机租用、班车服务等。线上到线下服务系统100可以包括服务器110、网络120、请求者终端130、提供者终端140和存储设备150。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的或分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以通过网络120访问存储在请求者终端130，提供者终端140和/或存储设备150中的信息和/或数据。又例如，服务器110可以直接连接到请求者终端130，提供者终端140和/或存储设备150以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在包括图2中所示的一个或多个组件的计算设备200上实现。
在一些实施例中，服务器110可以包括处理设备112。处理设备112可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理设备112可以通过使用经过训练好的相关度确定模型识别与服务请求相关联的目标路段，并根据目标路段确定与服务请求相关的推荐信息(例如，推荐的行车路线、估计的到达时间)。在一些实施例中，处理设备112可以包括一个或以上处理设备(例如，单核处理设备或多核处理器设备)。处理设备112可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-Set Processor，ASIP)、图形处理单元(Graphics ProcessingUnit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(DigitalSignal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等，或其任何组合。在一些实施例中，处理设备112可以集成在请求者终端130或提供者终端140中。
网络120可以促进信息和/或数据交换。在一些实施例中，线上到线下服务系统100的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140或存储设备150)可以经由网络120向线上到线下服务系统100的其他组件发送信息和/或数据。例如，服务器110可以经由网络120从请求者终端130获得服务请求。在一些实施例中，网络120可以是任何类型的有线或无线网络，或其任何组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内部网、因特网、局域网(Local Area Network，LAN)、广域网(WideArea Network，WAN)、无线局域网(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公共电话交换网(Public Telephone SwitchedNetwork，PSTN)，蓝牙网络、紫蜂网络、近场通信(Near Field Communication，NFC)网络等，或其任何组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或因特网交换点120-1、120-2，…，通过它们，线上到线下服务系统100的一个或多个组件可以连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求者可以是请求者终端130的用户。在一些实施例中，请求者终端130的用户可以是除服务请求者之外的人。例如，请求终端130的用户A可以使用请求者终端130为用户B发送服务请求或从服务器110接收服务确认和/或信息或指令。在一些实施例中，服务提供者可以是提供者终端140的用户。在一些实施例中，提供者终端140的用户可以是除服务提供者之外的人。例如，提供者终端140的用户C可以使用提供者终端140为用户D接收来自服务器110服务请求和/或信息或指令。
在一些实施例中，请求者终端130可包括移动设备130-1、平板计算机130-2、笔记本电脑130-3、车辆130-4中的内置设备等，或其任何组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋履、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配饰等，或其任何组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(Personal Digital Assistance，PDA)、游戏设备、导航设备、销售点(Point of Sale，POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、OculusRiftTM、HololensTM、Gear VRTM等。在一些实施例中，车辆130-4中的内置设备可包括车载计算机、车载电视等。在一些实施例中，请求者终端130可以是具有用于定位服务请求者和/或请求者终端130的位置的定位技术的设备。
在一些实施例中，提供者终端140可以类似于请求者终端130，或者与请求者终端130相同的设备。在一些实施例中，提供者终端140可以是具有用于定位服务提供者和/或提供者终端140的位置的定位技术的设备。在一些实施例中，请求者终端130和/或提供者终端140可以与其他定位设备通信以确定服务请求者，请求者终端130，服务提供者和/或提供者终端140的位置。在一些实施例中，请求者终端130和/或提供者终端140可以向服务器110发送定位信息。
存储设备150可以存储与服务请求有关的数据和/或指令。在一些实施例中，存储设备150可以存储从请求者终端130和/或提供者终端140获得的数据。在一些实施例中，存储设备150可以储存服务器110用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备150可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(Read-Only Memory，ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(Random AccessMemory，RAM)。示例性RAM可包括动态随机存取内存(Dynamic RAM，DRAM)、双倍数据速率同步动态随机存取内存(Double Date Rate Synchronous Dynamic RAM，DDRSDRAM)、静态随机存取内存(Static RAM，SRAM)、晶闸管随机存取内存(Thyristor RAM，T-RAM)和零电容随机存取内存(Zero-Capacitor RAM，Z-RAM)等。示例性ROM可包括掩模ROM(Mask ROM，MROM)、可编程ROM(Programmable ROM，PROM)、可擦除可编程ROM(Erasable Programmable ROM，EPROM)、电可擦除可编程ROM(Electrically Erasable Programmable ROM，EEPROM)、光盘ROM(Compact Disk ROM，CD-ROM)和数字多功能磁盘ROM等。在一些实施例中，所述存储设备150可以在云平台上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备150可以连接到网络120以与线上到线下服务系统100的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140)通信。线上到线下服务系统100的一个或多个组件可以经由网络120访问存储在存储设备150中的数据和/或指令。在一些实施例中，存储设备150可直接连接到线上到线下服务系统100的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140)或与之通信。在一些实施例中，存储设备150可以是服务器110的一部分。
在一些实施例中，线上到线下服务系统100的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140)可以具有访问存储设备150的权限。在一些实施例中，当满足一个或多个条件时，线上到线下服务系统100的一个或多个组件可以读取和/或修改与服务请求者、服务提供者和/或公众有关的信息。例如，服务器110可以在服务完成之后读取和/或修改一个或多个服务请求者的信息。又例如，提供者终端140可以在从请求者终端130接收服务请求时访问与服务请求者有关的信息，但是提供者终端140可以不修改服务请求者的相关信息。
在一些实施例中，线上到线下服务系统100的一个或多个组件的信息交换可以通过请求服务来实现。服务请求的对象可以为任何产品。在一些实施例中，产品可以是有形产品或非物质产品。有形产品可以包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、奢侈品等或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、互联网产品等或其任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或其任意组合。移动互联网产品可以是用于移动终端的软件、程序、系统等或其任意组合。移动终端可以包括平板计算机、膝上型计算机、移动电话、个人数字助理(PDA)、智能手表、POS设备、车载计算机、车载电视、可穿戴设备等或其任意组合。例如，所述产品可以是在计算机或移动电话上使用的任何软件和/或应用程序。该软件和/或应用程序可以与社交、购物、交通、娱乐、学习、投资等或其任意组合相关。在一些实施例中，与运输有关系统软件和/或应用程序可以包括出行软件和/或应用程序、车辆调度软件和/或应用程序、地图软件和/或应用程序等。在车辆调度软件和/或应用程序中，车辆可包括马、马车、人力车(例如，自行车、三轮车)、汽车(例如，出租车、公共汽车、私家车)、火车、地铁、船只、飞行器(例如，飞机、直升机、航天飞机、火箭、热气球)等，或其任何组合。
本领域普通技术人员将理解，当线上到线下服务系统100的元件(或组件)执行时，该元件可以通过电信号和/或电磁信号执行。例如，当请求者终端130向服务器110发送服务请求时，请求者终端130的处理器可以生成编码请求的电信号。然后，请求终端130的处理器可以将电信号发送到输出端口。如果请求者终端130经由有线网络与服务器110通信，则输出端口可以物理地连接到电缆，电缆进一步可以将电信号发送到服务器110的输入端口。如果请求者终端130经由无线网络与服务器110通信，则请求者终端130的输出端口可以是一个或多个天线，其将电信号转换为电磁信号。类似地，提供者终端140可以通过其处理器中的逻辑电路的操作来处理任务，并经由电信号或电磁信号从服务器110接收指令和/或服务请求。在电子设备中，例如请求者终端130、提供者终端140和/或服务器110，当其处理器处理一条指令、发送一条指令和/或执行一个动作时，该指令和/或动作是通过电信号进行的。例如，当处理器从存储介质(例如，存储设备150)检索或保存数据时，它可以将电信号发送到存储介质的读/写设备，其可以在存储器中读取或写入结构化数据。该结构化数据可以通过电子设备的总线，以电信号的形式传输至处理器。此处，电信号可以指一个电信号、一系列电信号和/或多个不连续的电信号。
应当注意，图1中所示的应用场景仅用于说明目的，而不是旨在限制本申请的范围。例如，线上到线下服务100可以用作导航系统。导航系统可以包括用户终端(例如，请求者终端130或提供者终端140)和服务器(例如，服务器110)。用户可以经由用户终端输入目标位置(例如，起始位置、目的地)。因此，导航系统可以根据本申请中描述的过程和/或方法基于目标位置确定推荐信息(例如，推荐的行驶路线、估计的到达时间)。
图2是根据本申请的一些实施例所示的示例性计算设备的示例性硬件和/或软件组件的示意图。在一些实施例中，服务器110、请求者终端130和/或提供者终端140可以在计算设备200上实现。例如，处理设备112可以在计算设备200上实现并且被配置为执行本申请中公开的处理设备112的功能。
计算设备200可用于实现如本文所述线上到线下服务系统100的任何组件。例如，处理设备112可以通过其硬件、软件程序、固件或其组合在计算设备200上实现。尽管仅示出了一台这样的计算设备，但为了方便起见，本文所述的线上到线下服务相关的计算机功能可以在多个类似平台上以分布方式实现，以分散处理负载。
计算设备200可以包括串行通讯(COM)端口250，其连接到网络或从网络连接，以促进数据通信。计算设备200还可以包括处理器220，其以一个或多个处理器(例如，逻辑电路)的形式，用于执行程序指令。例如，处理器220可以包括其中的接口电路和处理电路。接口电路可以被配置为从总线210接收电信号。电信号编码处理电路处理的结构化数据和/或指令。处理电路可以进行逻辑计算，然后将结论、结果和/或指令编码成电信号。然后，接口电路可以经由总线210从处理电路发出电信号。
计算设备200还可以包括不同形式的程序存储和数据存储，包括例如磁盘270、只读存储器(ROM)230或随机存取存储器(RAM)240，用于存储由计算设备200处理和/或发送的各种数据文件。计算设备200还可以包括存储在ROM 230、RAM 240和/或由处理器220执行的其他类型的非暂时性存储介质中的程序指令。本申请的方法和/或流程可以实现为程序指令。计算设备200还可以包括输入/输出(I/O)组件260，其支持计算机与其他组件之间的输入/输出。计算设备200还可以通过网络通信来接收编程和数据。
仅用于说明，图2中仅描述了一个处理器。还可以想到多个处理器，因此如本申请中所述的由一个处理器执行的操作和/或步骤也可以由多个处理器联合或单独地执行。例如，如果在本申请中，计算设备200的处理器执行步骤a和步骤b，应该理解，步骤a和步骤b也可以由两个不同的CPU和/或处理器联合或分开地执行(例如，第一处理器执行步骤a，第二处理器执行步骤b，或者第一和第二处理器联合执行步骤a和b)。
图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图。在一些实施例中，请求者终端130或提供者终端140可以在移动设备300上实现。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O350、存储单元360、移动操作系统(Operating System，OS)370和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。
在一些实施例中，移动操作系统370(如，iOSTM、AndroidTM、Windows PhoneTM)和一个或以上应用程序380可以从存储器390加载到内存360中以便由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于从线上到线下服务系统100接收和呈现与线上到线下服务相关联的信息或其他信息。用户与信息流的交互可经由I/O 350实现，并经由网络120提供给处理设备112和/或线上到线下服务系统100的其他组件。
图4是根据本申请一些实施例所示的示例性处理设备的框图。处理设备112可以包括接收模块410、候选路段确定模块420、相关度确定模块430、识别模块440和训练模块450。
接收模块410可以被配置为经由网络120从终端设备(例如，请求者终端130)接收服务请求。服务请求可以是对运输服务(例如，出租车服务、快递服务、网约车服务)的请求。服务请求可以包括目标位置，例如，起始位置、目的地等。
候选路段确定模块420可以被配置为基于目标位置确定多个候选路段。在一些实施例中，候选路段确定模块420可以在目标位置的预定范围内识别多个可用路段，并分别确定多个可用路段和目标位置之间的多个距离(例如，直线距离、道路距离)。此外，候选路段确定模块420可以确定距离目标位置小于距离阈值的可用路段，作为多个候选路段。在一些实施例中，候选路段确定模块420可以基于预定时间段(例如，最近三个月)内的历史行程记录获得与目标位置相关联的多个历史使用路段，并分别确定多个历史使用路段的多个使用频率。此外，候选路段确定模块420可以确定使用频率高于频率阈值的历史使用路段作为多个候选路段。
相关度确定模块430可以被配置为通过使用训练好的相关度确定模型确定多个候选路段和目标位置之间的多个相关度。在一些实施例中，对于多个候选路段中的每一个，为了确定候选路段和目标位置之间的相关性，相关度确定模块430可以提取目标位置的第一特征(例如，位置信息)和候选路段的第二特征(例如，路段类型、候选路段和目标位置之间的距离)。相关度确定模块430还可以基于第一特征确定与目标位置对应的第一特征向量，以及基于第二特征确定与候选路段对应的第二特征向量。此外，相关度确定模块430可以通过使用训练好的相关度确定模型，基于第一特征向量和第二特征向量确定候选路段和目标位置之间的相关度。在一些实施例中，相关度确定模块430可以从训练模块450或本申请其他地方公开的存储设备(例如，存储设备150)获得训练好的相关度确定模型。
识别模块440可以被配置为基于多个相关度从多个候选路段识别目标路段。在一些实施例中，识别模块440可以基于预定规则从多个候选路段中选择目标路段。例如，识别模块440可以基于多个相关度从高到低排列多个候选路段。此外，识别模块440可以选择具有最高相关度的候选路段作为目标路段。在一些实施例中，在识别目标路段之后，识别模块440还可以基于目标路段确定与服务请求相关联的推荐信息。在一些实施例中，推荐信息可以包括在目标路段对应的路段开始或结束的推荐行驶路线、服务请求的估计到达时间(Estimated Time Of Arrival，ETA)等。
训练模块450可以被配置为根据训练过程基于多个样本来确定训练好的相关度确定模型。在一些实施例中，训练模块450可以获得多个历史行程记录。这些历史行程记录中的每一个包括样本点和一个或多个样本路段。此外，训练模块450可以基于多个历史行程记录获得多个样本。这些样本中的每一个包括样本点和一个或多个样本路段中的一个。可以在本申请的其他地方(例如，图7和其描述)找到对训练过程的更多描述。
在一些实施例中，处理设备112还可包括传输模块(未示出)，其可被配置为经由网络120将推荐信息发送到请求者终端130和/或提供者终端140，或将推荐信息保存到本申请其他地方公开存储设备(例如，存储设备150)中。
处理设备112中的模块可以通过有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等或其任何组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通信(NFC)等或其任意组合。两个或以上模块可以被组合为单个模块。所述模块中的任一个可以被分成两个或以上单元。例如，接收模块410和候选路段确定模块420可以组合为单个模块，其可以接收服务请求并确定多个候选路段。又例如，处理设备112可以包括用于存储与服务请求相关联的信息和/或数据(例如，多个候选路段、多个相关度、目标路段、推荐信息)的存储模块(未示出)。再例如，训练模块450可以是不必要的，并且训练好的相关度确定模型可以从本申请其他地方公开的存储设备(例如，存储设备150)获得，或者可以通过线上到线下服务100中独立的训练设备来确定。
图5是根据本申请一些实施例所示的确定与服务请求相关联的推荐信息的示例性过程的流程图。在一些实施例中，过程500可以通过存储在ROM 230或RAM 240中的一组指令(例如，应用程序)来实现。处理器220和/或图4中的模块可以执行一组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行过程500。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程500可以利用未描述的一个或以上附加操作和/或没有在此讨论的一个或以上操作来完成。另外，如图5所示和下面描述的过程的操作的顺序不是限制性的。
在510中，处理设备112(例如，接收模块410)(例如，处理器220的接口电路)可以经由网络120从终端设备(例如，请求者终端130)接收服务请求。
在一些实施例中，服务请求可以是对任何基于位置的服务的请求。在一些实施例中，服务请求可以是对运输服务(例如，出租车服务、快递服务、网约车服务)的请求。服务请求可以是实时请求、预约请求等，或其任何组合。如这里所使用的，实时请求可以包括请求者期望在当前时刻或在接近当前时刻的定义时间接收的服务。例如，如果定义时间在距离当前时刻小于时间阈值的时间段内，例如距离当前时刻5分钟、距离当前时刻10分钟、距离当前时刻20分钟等，则服务请求可以是实时请求。预约请求可以包括请求者期望在远离当前时刻的定义时间接收的服务。例如，如果定义时间在距离当前时刻大于时间阈值的时间段内，例如距离当前时刻25分钟、距离当前时刻2小时、距离当前时刻1天等，则服务请求可以是预约请求。时间阈值可以是线上到线下服务系统100的默认设置，或者可以根据不同情况进行调整。例如，在交通高峰时间，时间阈值可能相对较小(例如，10分钟)，而在非高峰时间(例如，10:00-12:00a.m.)，时间阈值可能相对较大(例如，1小时)。
在一些实施例中，服务请求可以包括目标位置，例如，起始位置、目的地等。如本文所使用的，起始位置通常指请求者希望开始服务的位置(例如，请求者希望被服务提供者接到的位置)。目的地通常是指请求者希望结束服务的位置(例如，请求者希望由服务提供者放下的位置)。在一些实施例中，起始位置可以是请求者终端130的当前位置或请求者定义的任何位置。在一些实施例中，可以以各种方式获得起始位置和/或目的地，包括但不限于通过请求者终端130手动输入、从历史输入记录中选择、从系统建议中选择、使用定位技术等，或其任何组合。在一些实施例中，起始位置和/或目的地可以表示为位置的描述、位置的地址、位置的经纬度坐标、与地图中的位置相对应的点等，或其任何组合。
在520中，处理设备112(例如，候选路段确定模块420)(例如，处理器220的处理电路)可以基于目标位置确定多个候选路段(例如，5、10、15)。此处使用的术语“路段”可指地图中道路或街道的元素(例如，一段路)。如上所述，目标位置可以包括起始位置或目的地；相应地，候选路段可以是对应于起始位置的候选开始路段或对应于目的地的候选结束路段。术语“开始路段”是指服务请求中行驶路线开始的路段，其包括与起始位置相对应的上车位置；术语“结束路段”是指服务请求中行驶路线结束的路段，其包括对应于目的地的下车位置。如这里所使用的，下车位置通常指车辆可以停下来接上服务对象(例如，请求者或货物)的位置。上车位置可以与起始位置相同或不同。例如，当起始位置是车辆无法停止的位置时，线上到线下服务系统100可以将在起始位置附近的合适位置确定为上车位置。下车位置通常指车辆可以停下来让运输服务对象(如请求者和/或货物)下车的位置。下车位置可以与目的地相同或不同。例如，当目的地是车辆无法停止的位置时，线上到线下服务系统100可以确定目的地附近的合适位置作为下车位置。
在一些实施例中，处理设备112可以识别处于目标位置的预定范围(例如，50米、100米、200米)内的多个可用路段，并分别确定多个可用路段和目标位置之间的多个距离(例如，直线距离、道路距离)。此外，处理设备112可以将与目标位置的距离小于距离阈值的可用路段确定为多个候选路段。距离阈值可以是线上到线下服务系统100的默认设置，或者可以在不同情况下调整。
在一些实施例中，处理设备112可以基于预定时段(例如，最后三个月)内的历史行程记录获得与目标位置相关联的多个历史使用路段，并分别确定多个历史使用路段的使用频率。如本文所使用的，历史使用路段是指与目标位置相关联的历史服务订单(例如，历史起始位置或历史目的地与目标位置相同的历史服务)的历史行驶路线开始或结束的路段。特定历史使用路段的使用频率是指在特定历史使用路段开始或结束的历史行驶路线(对应于与目标位置相关联的历史服务订单)的数量，或在特定历史使用路段开始或结束的历史行驶路线的数量与目标位置相关的历史服务订单的历史行驶路线总数的比率。此外，处理设备112可以将使用频率高于频率阈值的历史使用路段确定为多个候选路段。频率阈值可以是线上到线下服务系统100的默认设置，或者可以在不同的情况下调节。
在一些实施例中，在确定多个候选路段时，处理设备112还可以考虑参考信息(例如，与目标位置相关联的交通信息、请求者的偏好信息)。例如，处理设备112可以过滤出具有糟糕交通状况的可用路段或历史使用过的路段。又例如，处理设备112可以优先考虑满足请求者的偏好(例如，不穿过道路)的路段。
在530中，处理设备112(例如，相关度确定模块430)(例如，处理器220的处理电路)可以通过使用训练好的相关度确定模型确定多个候选路段和目标位置之间的多个相关度。
如本文所使用的，以特定候选路段(我们可以假设特定候选路段是候选开始路段)为例，相关度可以指示特定候选路段(或包含在特定候选路段中的特定候选上车点)可能被请求者选择为服务请求的上车点的概率。相关度越大，概率越高。
在一些实施例中，对于多个候选路段中的每一个，为了确定候选路段和目标位置之间的相关度，处理设备112可以提取目标位置的第一特征和候选路段的第二特征。处理设备112还可以基于第一特征确定与目标位置对应的第一特征向量，以及基于第二特征确定与候选路段对应的第二特征向量。此外，通过使用训练好的相关度确定模型，处理设备112可以基于第一特征向量和第二特征向量确定候选路段和目标位置之间的相关度。
在一些实施例中，目标位置的第一特征可以包括目标位置的位置信息(例如，市场、学校、办公楼、医院)、请求者的身份标识(例如，乘客)、已接受服务请求的服务提供者的身份标识(例如，司机)，与请求者相关联的GPS信息(例如，由请求者终端130上传的GPS信息)、与服务提供者相关联的GPS信息(例如，由提供者终端140上传的GPS信息)、时间信息(例如，服务请求发起时的时间点、工作日或周末)等，或其组合。候选路段的第二特征可以包括候选路段的标识、路段类型(例如，高速公路、立交桥、隧道)、路段速度(也可称为“路段交通状况”)、路段角度、与候选路段相关联的GPS信息(例如，由位于候选路段上的提供者终端140上传的GPS信息)、候选路段与目标位置之间的距离、候选路段的使用频率等，或其组合。
在一些实施例中，处理设备112可以从训练模块450或本申请其他地方公开的存储设备(例如，存储设备150)获得训练好的相关度确定模型。在一些实施例中，可以基于与多个历史行程记录相关联的多个样本确定训练好的相关度确定模型。在一些实施例中，训练好的相关度确定模型可以是双塔深度结构化语义模型(Deep Structured SemanticModel，DSSM)。可以在本申请的其他地方(例如，图7及其描述)找到训练好的相关度确定模型的更多描述。
在一些实施例中，处理设备112可以通过使用第一模型基于第一特征(或第一特征向量)确定目标位置的第一向量表示(也称为“点向量”)，并通过使用第二模型基于第二特征(或第二特征向量)确定候选路段的第二向量表示(也称为“路段向量”)。此外，处理设备112可以通过使用训练好的相关度确定模型确定第二向量表示和第一向量表示之间的对应相关度。在一些实施例中，第一模型和第二模型可以是包括在训练好的相关度确定模型(例如，图8所示的双塔DSSM)中的独立部分(例如，图8所示的点网络和路段网络)。在一些实施例中，第一模型、第二模型和训练好的相关度确定模型是可以是分别训练的独立模型。例如，第一模型可以是第一DSSM，第二模型可以是第二DSSM，训练好的相关度确定模型可以是分类器(例如，二进制分类器)。
在540中，处理设备112(例如，识别模块440)(例如，处理器220的处理电路)可以基于多个相关度从多个候选路段识别目标路段。
如操作520所述，候选路段可以是对应于起始位置的候选开始路段或对应于目的地的候选结束路段。相应地，目标路段可以是对应于包括目标上车位置的起始位置的目标开始路段或对应于包括目标下车位置的目的地的目标结束路段。
在一些实施例中，处理设备112可以基于预定规则从多个候选路段中选择目标路段。例如，处理设备112可以基于多个相关度从高到低排列多个候选路段。此外，处理设备112可以选择具有最高相关度的候选路段作为目标路段。
在一些实施例中，在识别目标路段之后，处理设备112(例如，处理器220的处理电路)还可以基于目标路段确定与服务请求相关联的推荐信息。在一些实施例中，推荐信息可以包括从在目标路段相对的路段开始或结束的推荐驾驶路线、服务请求的预计到达时间(ETA)等。例如，处理设备112可以基于起始位置，目标开始路段，目标结束路段和目的地确定推荐的行驶路线。又例如，处理设备112可以基于推荐的行驶路线和/或与服务请求相关联的交通信息(例如，交通速度、交通流量、交通密度)确定ETA。
在一些实施例中，处理设备112(例如，处理器220的接口电路)可以经由网络120将推荐信息发送到请求者终端130和/或提供者终端140。在一些实施例中，处理设备112可以将推荐信息保存到本申请其他地方公开的存储设备(例如，存储设备150)中。
应当注意的是，以上描述仅出于说明的目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本申请的范围。例如，可以在过程500中的其他地方添加一个或以上其他可选操作(例如，存储操作)。在存储操作中，处理设备112可以将与服务请求相关联的信息和/或数据(例如，多个候选路段、多个关联度、目标路段、推荐信息)存储在本申请其他地方公开的存储设备(例如，存储设备150)中。又例如，操作510和操作520可以组合成单个操作，该操作中处理设备112可以接收服务请求并确定多个候选路段。
图6是根据本申请一些实施例所示的确定与服务请求相关联的推荐行驶路线的示例性过程的示意图。如图所示，服务请求包括起始位置S和目的地D。如图5所述，在接收到服务请求之后，处理设备112可以基于起始位置S和基于目的地D的多个候选结束路段确定多个候选开始路段。此外，处理设备112可以基于多个候选开始路段和起始位置S之间的多个相关度识别与起始位置S对应的目标开始路段LS；且基于多个候选结束路段和目的地D之间的多个相关度确定对应于目的地D的目标结束路段LD。处理设备112还可以基于起始位置S，目标开始路段LS，目标结束路段LD和目的地D确定推荐的行驶路线。
图7是根据本申请的一些实施例所示的确定训练好的相关度确定模型的示例性过程的流程图。在一些实施例中，过程700可以通过存储在ROM 230或RAM 240中的一组指令(例如，应用程序)来实现。处理器220和/或训练模块450可以执行该组指令，并且在执行指令时，处理器220和/或训练模块450可以被配置为执行过程700。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程700可以利用未描述的一个或以上附加操作和/或没有在此讨论的一个或以上操作来完成。另外，如图7所示和下面描述的过程的操作的顺序不是限制性的。
在710中，处理设备112(例如，训练模块450)(例如，处理器220的接口电路或处理电路)可以获得多个历史行程记录。处理设备112可以从本申请其他地方公开的存储设备(例如，存储设备150、处理设备112中的存储模块(未示出))获取多个历史行程记录。
在一些实施例中，多个历史行程记录中的每一个可以包括已经完成的服务请求(被称为“历史服务订单”)和与其相关联的信息。例如，以图1所示的应用场景为例，请求者可以向线上到线下服务系统100发送包括运输服务的点(例如，起始位置、目的地)的服务请求。线上到线下服务系统100可以接收服务请求并确定与所述点相关联的多个候选路段(例如，多个候选开始路段、多个候选结束路段)。线上到线下服务系统100可进一步从多个候选开始路段识别开始路段(其包括上车位置)，并从多个候选结束路段识别结束路段(其包括下车位置)。线上到线下服务系统100还可以基于起始路段和结束路段来确定行驶路线。服务提供者可以接受服务请求，并沿从上车位置到下车位置的行驶路线提供运输服务。在服务提供者将请求者送到下车位置之后，线上到线下服务系统100可以存储与服务请求相关联的信息(例如，起始位置、目的地、多个候选路段、开始路段、结束路段、行驶路线、上车位置、下车位置)在本申请其他地方公开的存储设备(例如，存储设备150)中。
在一些实施例中，可以基于时间标准选择多个历史行程记录。例如，可以在预定时间段，例如，最近的一天、最近的三天、最近的一周、最近的两周、最近的一个月、最近的六个月、六个月内每天的上午8:00到上午9点等内选择多个历史行程记录。在一些实施例中，可以基于空间标准选择多个历史行程记录。例如，可以在预定地理区域(例如，城市、区)内选择多个历史行程记录。在一些实施例中，可根据一个或多个参数，例如，“请求者身份标识”、“提供者身份标识”、“起始位置”、“目的地”、“路段标识”、“路段类型”、“路段速度”、“路段角度”、“路段使用频率”等，选择多个历史行程记录。
在一些实施例中，多个历史行程记录中的每一个可以包括样本点和一个或多个样本路段。如本文所用，样本点指的是在对应历史行程记录中的历史服务订单的历史起始位置或历史目的地。一个或多个样本路段指的是对应于在对应历史行程记录中历史起始位置的历史候选起始路段或历史目的地历史候选结束路段。
在720中，处理设备112(例如，训练模块450)(例如，处理器220的处理电路)可以基于多个历史行程记录获得多个样本。多个样本中的每个包括样本点和一个或多个样本路段中的一个。
在一些实施例中，多个样本可以包括多个正样本(其可以标记为“1”)和多个负样本(可以标记为“0”)。对于正样本，样本路段与相应的历史行程记录中的样本点相关。对于负样本，样本路段与相应的历史行程记录中的样本点不相关。本文所使用的，“样本路段与样本点相关”是指与样本点相关联的历史服务订单的历史行驶路线(即，具有与样本点相同的历史起始位置或历史目的地的历史服务订单)实际开始或结束于历史行程记录中的样本路段。
在一些实施例中，处理设备112可以将多个样本划分为训练集和测试集。训练集可用于训练模型，测试集可以用于确定训练过程是否已经完成。
在730中，处理设备112(例如，训练模块450)(例如，处理器220的处理电路)可以提取多个样本中的每个样本的样本特征(也称为“特征信息”)。
在一些实施方案中，多个样本中的每一个的样本特征可以包括样本点的第一样本特征和样本路段的第二样本特征。如操作530所述，样本点的第一样本特征可以包括样本点的样本位置信息(例如，市场、学校、办公楼、医院)、发起与样本点相关联的历史服务请求的历史请求者(例如，乘客)的身份标识、为历史请求者提供历史服务的历史服务提供者(例如，驾驶员)的身份标识、时间信息(例如，历史服务请求发起时的历史时间点、工作日或周末)等，或其组合。样本路段的第二特征可以包括样本路段的标识、路段类型(例如高速公路、立交桥、隧道)、历史路段速度(也可称为“路段交通状况”)、路段角度、样本路段与样本点之间的距离、样本路段的使用频率等，或其组合。
在740中，处理设备112(例如，训练模块450)(例如，处理器220的处理电路)可以获得初始相关度确定模型。初始相关度确定模型可以包括一个或多个初始参数，其可以是线上到线下服务系统100的默认设置，或者可以在不同的情况下调整。在一些实施例中，初始相关度确定模型可以是双塔深度结构化语义模型(DSSM)。双塔DSSM可以包括完全连接(Fully Connected，FC)层、批量标准化(Batch Normalization，BN)层和BELU层。可以在本申请的其他地方(例如，图8及其描述)发现相关度确定模型的更多描述。
在750中，对于多个样本中的每一个，处理设备112(例如，训练模块450)(例如，处理器220的处理电路)可以使用初始相关度确定模型基于第一样本特征和第二样本特征确定样本点和样本路段之间的样本相关度。
在一些实施例中，对于多个样本中的每一个，处理设备112可以通过编码第一样本特征来确定与样本点对应的第一样本特征向量，并通过编码第二样本特征来确定与样本路段对应的第二样本特征向量。此外，根据初始相关度确定模型(例如，通过FC层、BN层和RELU层的处理)，处理设备112可以基于第一样本特征向量确定样本点向量，基于第二样本特征向量确定样本路段向量。如本文所使用的，第一样本特征向量的维度和第二样本特征向量的维度可以不同，并且第一样本特征向量和第二样本特征向量不可比较；相反，样本点向量和样本路段向量的维度是相同的，并且样本点向量和样本路段向量具有可比性。
在一些实施例中，处理设备112可以根据下面的公式(1)确定样本点向量和样本路段向量的点积(内积)：
其中x表示样本点向量和样本路段向量的点积，表示样本点向量，/>表示样本路段向量，θ表示样本点向量和样本路段向量之间的角度。
此外，处理设备112可以根据分类方法基于样本点向量和样本路段向量的点积确定样本相关度。
例如，处理设备112可以根据下面所示的sigmoid函数确定样本相关度：
其中，C(x)指样本点与样本路段之间的样本相关度。
又例如，处理设备112可以根据下面所示的阈值方法确定样本相关度：
其中，C(x)表示样本点和样本路段之间的样本相关度，t表示阈值，其为线上到线下服务系统100的默认设置(例如，0.5)或者可以在不同情况下调整。应当注意，提供sigmoid函数或阈值方法是为了说明的目的，在本申请中还可以使用其他分类方法(例如，softmax函数)。
在760中，处理设备112(例如，训练模块450)(例如，处理器220的处理电路)可以确定与多个样本对应的多个样本相关度是否满足预设条件。
例如，处理设备112可以确定与训练集相对应的初始相关度确定模型的第一准确率和与测试集相对应的初始相关度确定模型的第二准确率。此外，处理设备112可以确定第一准确率是否已经稳定(“稳定”是指当前迭代中的第一准确率与先前相邻迭代中的第一准确率或多个先前迭代中的多个第一精准确率基本相同(即，小于阈值)以及第二准确率是否达到最大值。本文所使用的，第一准确率和/或第二准确率可以基于与多个样本相关度相关联的一个或多个参数例如，(接近度)以及对应于多个样本的多个标签(即，“1”或“0”)确定。响应于第一准确率已经稳定并且第二准确率已经达到最大值，处理设备112可以确定多个样本相关度满足预设条件。响应于第一准确率不稳定(例如，上升)并且第二准确率未达到最大值，处理设备112可以确定多个样本相关度不满足预设条件。
又例如，处理设备112可以基于多个样本相关度和多个标签来确定初始相关度确定模型的损失函数，并基于多个样本相关度确定损失函数的值。此外，处理设备112可以确定损失函数的值是否小于损失阈值。损失函数可以是线上到线下服务100的默认设置，或者可以在不同的情况下调整。响应于确定损失函数的值小于损失阈值，处理设备112可以确定多个样本相关度满足预设条件。响应于确定损失函数的值高于或等于损失阈值，处理设备112可以确定多个样本相关度不满足预设条件。
再例如，处理设备112可以确定迭代次数是否大于计数阈值。响应于确定迭代次数大于计数阈值，处理设备112可以确定多个样本相关度满足预设条件。响应于确定迭代次数小于或等于计数阈值，处理设备112可以确定多个样本相关度不满足预设条件。
在770中，响应于确定多个样本相关度满足预设条件，处理设备112(例如，训练模块450)(例如，处理器220的处理电路)可将初始相关度确定模型指定为训练好的相关度确定模型，这意味着训练过程已经完成。
另一方面，响应于确定多个样本相关度不满足预设条件，处理设备112(例如，训练模块450)(例如，处理器220的处理电路)可执行过程700返回操作740以更新初始相关度确定模型。例如，处理设备112可以更新一个或多个初始参数以产生更新的初始相关度确定模型。此外，处理设备112(例如，训练模块450)(例如，处理器220的处理电路)可以重复确定多个样本相关度是否满足预设条件的步骤，直到多个样本相关度满足预设条件为止。响应于确定更新的相关度确定模型下的多个更新的样本相关度满足预设条件，处理设备112可以将更新的相关度确定模型指定为训练好的相关度确定模型。
应当注意的是，以上描述仅出于说明的目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本申请的范围。例如，处理设备112可以基于多个新获得的样本在特定时间间隔(例如，每月、每两个月)更新训练好的相关度确定模型。又例如，正样本和负样本可以通过操作者手动地确定或通过线上到线下服务100根据预定规则来确定。
图8是根据本申请一些实施例所示的相关度确定模型的示例性结构的示意图。如图所示，相关度确定模型可以包括点网络和路段网络。
点网络可被配置为获得点信息并基于点信息确定点向量。如结合图5和图7所述，处理设备112可以从点信息中提取点特征(即，第一特征，第一样本特征)，并通过对点特征进行编码来确定点特征向量(即，第一特征向量、第一样本特征向量)。此外，处理设备112可以通过使用点网络基于点特征向量来确定点向量。
路段网络可以被配置为获得路段信息并基于路段信息确定路段向量。如结合图5和图7所述，处理设备112可以从路段信息中提取路段特征(即，第二特征、第二样本特征)，并通过对路段特征进行编码来确定路段特征向量(即，第二特征向量、第二样本特征向量)。此外，处理设备112可以通过使用路段网络基于路段特征向量来确定路段向量。
在一些实施例中，为了确定点特征向量和/或路段特征向量，处理设备112可以将特征(例如，点特征、路段特征)分类为嵌入特征和密集特征，并通过对特征进行编码来确定点特征向量和/或路段特征向量。在一些实施例中，嵌入特征可以包括点或路段的位置信息、请求者的身份标识、服务提供者的身份标识、时间信息等。密集特征可以包括路段的使用频率、与点或路段相关联的GPS信息、点与路段之间的距离等。可以在本申请的其他地方(例如，图5、图7和其描述)发现对特征的更多描述。
在一些实施例中，点网络和路段网络都可以包括完全连接(FC)层、批量规范化(BN)层和BELU层。FC层可以被配置为对点特征向量或路段特征向量执行线性变换。BN层可以被配置为对FC层的中间结果执行归一化。BELU层可被配置为对BN层的中间结果执行非线性变换。
如上所述，点特征向量的维度和路段特征向量的维度是不同的，并且点特征向量和路段特征向量不可比较。通过三层的处理，点向量的维度和路段向量的维度相同，点向量和路段向量具有可比性。此外，处理设备112可以基于点向量和路段向量来确定点与路段之间的相关度。例如，如结合操作750所述，处理设备112可以基于点向量和路段向量之间的点积和分类方法确定点和路段之间的相关度。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。因此，本发明的各个方面可以完全由硬件、软件(包括固件、驻留软件、微代码等)或结合软件和硬件实现来实现，它们在本文中通常被称为“单元”、“模块”或“系统”。此外，本发明的各个方面可以采取计算机程序产品的形式，该计算机程序产品体现在一个或多个计算机可读介质中，其上体现有计算机可读程序代码。
计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号，例如，在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。
用于执行本公开的方面的操作的计算机程序代码可以以一种或多种编程语言的任何组合来编写，包括面向对象的编程语言，如java、斯卡拉、SimalTalk、Effele、Ju玉、埃默拉尔德、C++、Cype、VB。NET、Python等，传统的过程编程语言，如“C”编程语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言，如Python、Ruby和Groovy，或其他编程语言。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者可以与外部计算机建立连接(例如，通过使用网络服务提供商的网络)或在云计算环境中或作为服务提供，例如，软件服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但也可以实现为纯软件解决方案，例如，在现有服务器或移动设备上的安装。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (22)

1.一种确定服务请求的推荐信息的系统，其特征在于，包括：
存储指令集的存储介质；以及
与所述存储介质通信耦合的处理器，以执行所述指令集以：
从终端设备接收服务请求，所述服务请求包括目标位置；
基于所述目标位置确定多个候选路段；
通过使用训练好的相关度确定模型确定所述多个候选路段和所述目标位置之间的多个相关度，所述相关度确定模型为双塔深度结构化语义模型，包括第一模型和第二模型；其中包括：
使用所述第一模型确定所述目标位置的第一向量表示；
对于所述多个候选路段中的每一个，使用所述第二模型确定所述候选路段的第二向量表示；
使用所述相关度确定模型确定所述第二向量表示和所述第一向量表示之间的对应相关度；以及
基于所述多个相关度从所述多个候选路段中识别目标路段；
基于所述目标路段确定与服务请求相关联的包括服务请求的预计到达时间的推荐信息。
2.根据权利要求1所述的系统，其特征在于，
所述目标位置包括起始位置或目的地中的至少一个，以及
所述目标路段对应于与所述目标位置相关联的路段。
3.根据权利要求1所述的系统，其特征在于，所述推荐信息包括在所述目标路段对应的路段开始或结束的推荐行驶路线。
4.根据权利要求1-3中任一项所述的系统，其特征在于，用训练过程确定所述训练好的相关度确定模型，所述训练过程包括：
获得多个历史行程记录，所述多个历史行程记录中的每一个包括样本点和一个或多个样本路段；
基于所述多个历史行程记录获得多个样本，所述多个样本中的每一个包括所述样本点和所述一个或多个样本路段中的一个；
提取所述多个样本中的每一个的特征信息；
获得初始相关度确定模型；
对于所述多个样本中的每一个，通过使用所述初始相关度确定模型，基于所述特征信息确定所述样本点和所述样本路段之间的样本相关度；
确定对应于所述多个样本的多个样本相关度是否满足预设条件；以及
响应于所述多个样本相关度满足所述预设条件，将所述初始相关度确定模型指定为所述训练好的相关度确定模型。
5.根据权利要求4所述的系统，其特征在于，所述训练过程还包括：
响应于所述多个样本相关度不满足所述预设条件，更新所述初始相关度确定模型；以及
重复确定所述多个样本相关度是否满足所述预设条件的步骤，直到所述多个样本相关度满足所述预设条件。
6.根据权利要求4或5所述的系统，其特征在于，所述多个样本包括多个正样本和多个负样本，并且
对于所述多个正样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点相关；以及
对于所述多个负样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点不相关。
7.根据权利要求4-6中任一项所述的系统，其特征在于，所述多个样本中的每一个的所述特征信息包括所述样本点的第一特征信息和所述样本路段的第二特征信息，所述第一特征信息包括所述样本点的位置信息、乘客的身份标识、司机的身份标识、或所述样本点的时间信息中的至少一个，所述第二特征信息包括所述样本路段的标识、路段类型、路段方向、路段夹角、或所述样本路段的使用频率中的至少一个。
8.一种在计算设备上实现的确定服务请求的推荐信息的方法，具有至少一个处理器，至少一个存储介质和连接到网络的通信平台，其特征在于，所述方法包括：
从终端设备接收服务请求，所述服务请求包括目标位置；
基于所述目标位置确定多个候选路段；
通过使用训练好的相关度确定模型确定所述多个候选路段和所述目标位置之间的多个相关度，所述相关度确定模型为双塔深度结构化语义模型，包括第一模型和第二模型；其中包括：
使用所述第一模型确定所述目标位置的第一向量表示；
对于所述多个候选路段中的每一个，使用所述第二模型确定所述候选路段的第二向量表示；
使用所述相关度确定模型确定所述第二向量表示和所述第一向量表示之间的对应相关度；以及
基于所述多个相关度从所述多个候选路段中识别目标路段；
基于所述目标路段确定与服务请求相关联的包括服务请求的预计到达时间的推荐信息。
9.根据权利要求8所述的方法，其特征在于，
所述目标位置包括起始位置或目的地中的至少一个，以及
所述目标路段对应于与所述目标位置相关联的路段。
10.根据权利要求8所述的方法，其特征在于，所述推荐信息包括在所述目标路段对应的路段开始或结束的推荐行驶路线。
11.根据权利要求8-10中任一项所述的方法，其特征在于，用训练过程确定所述训练好的相关度确定模型，所述训练过程包括：
获得多个历史行程记录，所述多个历史行程记录中的每一个包括样本点和一个或多个样本路段；
基于所述多个历史行程记录获得多个样本，所述多个样本中的每一个包括所述样本点和所述一个或多个样本路段中的一个；
提取所述多个样本中的每一个的特征信息；
获得初始相关度确定模型；
对于所述多个样本中的每一个，通过使用所述初始相关度确定模型，基于所述特征信息确定所述样本点和所述样本路段之间的样本相关度；
确定对应于所述多个样本的多个样本相关度是否满足预设条件；以及
响应于所述多个样本相关度满足所述预设条件，将所述初始相关度确定模型指定为所述训练好的相关度确定模型。
12.根据权利要求11所述的方法，其特征在于，所述训练过程还包括：
响应于所述多个样本相关度不满足所述预设条件，更新所述初始相关度确定模型；以及
重复确定所述多个样本相关度是否满足所述预设条件的步骤，直到所述多个样本相关度满足所述预设条件。
13.根据权利要求11或12所述的方法，其特征在于，所述多个样本包括多个正样品和多个负样本，并且
对于所述多个正样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点相关；以及
对于所述多个负样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点不相关。
14.根据权利要求11-13中任一项所述的方法，其特征在于，所述多个样本中的每一个的所述特征信息包括所述样本点的第一特征信息和所述样本路段的第二特征信息，所述第一特征信息包括所述样本点的位置信息、乘客的身份标识、司机的身份标识、或所述样本点的时间信息中的至少一个，所述第二特征信息包括所述样本路段的标识、路段类型、路段方向、路段夹角、或所述样本路段的使用频率中的至少一个。
15.一种确定服务请求的推荐信息的系统，其特征在于，包括：
接收模块，被配置为从终端设备接收服务请求，所述服务请求包括目标位置；
候选路段确定模块，被配置为基于所述目标位置确定多个候选路段；
相关度确定模块，被配置为通过使用训练好的相关度确定模型确定所述多个候选路段和所述目标位置之间的多个相关度，所述相关度确定模型为双塔深度结构化语义模型，包括第一模型和第二模型；其中包括：
使用所述第一模型确定所述目标位置的第一向量表示；
对于所述多个候选路段中的每一个，使用所述第二模型确定所述候选路段的第二向量表示；
使用所述相关度确定模型确定所述第二向量表示和所述第一向量表示之间的对应相关度；以及
识别模块，被配置为基于所述多个相关度从所述多个候选路段中识别目标路段，基于所述目标路段确定与服务请求相关联的包括服务请求的预计到达时间的推荐信息。
16.根据权利要求15所述的系统，其特征在于，
所述目标位置包括起始位置或目的地中的至少一个，以及
所述目标路段对应于与所述目标位置相关联的路段。
17.根据权利要求15所述的系统，其特征在于，所述推荐信息包括在所述目标路段对应的路段开始或结束的推荐行驶路线。
18.根据权利要求15-17中任一项所述的系统，其特征在于，所述系统还包括训练模块，被配置为：
获得多个历史行程记录，所述多个历史行程记录中的每一个包括样本点和一个或多个样本路段；
基于所述多个历史行程记录获得多个样本，所述多个样本中的每一个包括所述样本点和所述一个或多个样本路段中的一个；
提取所述多个样本中的每一个的特征信息；
获得初始相关度确定模型；
对于所述多个样本中的每一个，通过使用所述初始相关度确定模型，基于所述特征信息确定所述样本点和所述样本路段之间的样本相关度；
确定对应于所述多个样本的多个样本相关度是否满足预设条件；以及
响应于确定所述多个样本相关度满足所述预设条件，将所述初始相关度确定模型指定为所述训练好的相关度确定模型。
19.根据权利要求18所述的系统，其特征在于，所述训练模块还被配置为：
响应于所述多个样本相关度不满足所述预设条件，更新所述初始相关度确定模型；以及
重复确定所述多个样本相关度是否满足所述预设条件的步骤，直到所述多个样本相关度满足所述预设条件。
20.根据权利要求18或19所述的系统，其特征在于，所述多个样本包括多个正样本和多个负样本，并且
对于所述多个正样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点相关；以及
对于所述多个负样本中的每一个，所述样本路段与相应的历史行程记录中的所述样本点不相关。
21.根据权利要求18-20中任一项所述的系统，其特征在于，所述多个样本中的每一个的所述特征信息包括所述样本点的第一特征信息和所述样本路段的第二特征信息，所述第一特征信息包括所述样本点的位置信息、乘客的身份标识、司机的身份标识、或所述样本点的时间信息中的至少一个，所述第二特征信息包括所述样本路段的标识、路段类型、路段方向、路段夹角、或所述样本路段的使用频率中的至少一个。
22.一种非暂时性计算机可读介质，包括执行指令，当由至少一个处理器执行时，指示所述至少一个处理器执行方法，其特征在于，所述方法包括：
从终端设备接收服务请求，所述服务请求包括目标位置；
基于所述目标位置确定多个候选路段；
通过使用训练好的相关度确定模型确定所述多个候选路段和所述目标位置之间的多个相关度，所述相关度确定模型为双塔深度结构化语义模型，包括第一模型和第二模型；其中包括：
使用所述第一模型确定所述目标位置的第一向量表示；
对于所述多个候选路段中的每一个，使用所述第二模型确定所述候选路段的第二向量表示；
使用所述相关度确定模型确定所述第二向量表示和所述第一向量表示之间的对应相关度；以及
基于所述多个相关度从所述多个候选路段中识别目标路段；
基于所述目标路段确定与服务请求相关联的包括服务请求的预计到达时间的推荐信息。
CN201980097233.9A 2019-06-06 2019-06-06 确定服务请求的推荐信息的系统和方法 Active CN113924460B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/090398 WO2020243963A1 (en) 2019-06-06 2019-06-06 Systems and methods for determining recommended information of service request

Publications (2)

Publication Number Publication Date
CN113924460A CN113924460A (zh) 2022-01-11
CN113924460B true CN113924460B (zh) 2024-04-26

Family

ID=73652614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980097233.9A Active CN113924460B (zh) 2019-06-06 2019-06-06 确定服务请求的推荐信息的系统和方法

Country Status (2)

Country Link
CN (1) CN113924460B (zh)
WO (1) WO2020243963A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023511241A (ja) * 2020-12-31 2023-03-17 商▲湯▼国▲際▼私人有限公司 ニューラルネットワークのトレーニング方法と装置、および、関連対象検出方法と装置
CN113761349A (zh) * 2021-03-01 2021-12-07 北京沃东天骏信息技术有限公司 一种推荐信息的挖掘方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008096275A (ja) * 2006-10-12 2008-04-24 Xanavi Informatics Corp ナビゲーション装置
CN104121918A (zh) * 2013-04-25 2014-10-29 北京搜狗信息服务有限公司 一种实时路径规划的方法和系统
CN104764458A (zh) * 2015-03-26 2015-07-08 腾讯科技（深圳）有限公司 一种输出导航路线信息的方法和装置
CN107305742A (zh) * 2016-04-18 2017-10-31 滴滴（中国）科技有限公司 用于确定预计到达时间的方法和设备
CN107798412A (zh) * 2016-09-07 2018-03-13 北京嘀嘀无限科技发展有限公司 一种路线推荐方法和装置
CN108537351A (zh) * 2017-03-02 2018-09-14 北京嘀嘀无限科技发展有限公司 一种推荐上车点的确定方法及装置
CN108628904A (zh) * 2017-03-23 2018-10-09 北京嘀嘀无限科技发展有限公司 一种路径编码、相似路径检索方法及装置和电子设备
CN108981729A (zh) * 2017-06-02 2018-12-11 腾讯科技（深圳）有限公司 车辆定位方法和装置
CN109313845A (zh) * 2017-02-24 2019-02-05 北京嘀嘀无限科技发展有限公司 用于提供导航路线的系统和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7082365B2 (en) * 2001-08-16 2006-07-25 Networks In Motion, Inc. Point of interest spatial rating search method and system
US10151592B2 (en) * 2016-04-28 2018-12-11 Here Global B.V. Map matching quality evaluation
CN108765933B (zh) * 2018-07-18 2021-06-04 北京三快在线科技有限公司 一种推荐上车点的方法、装置、设备及存储介质
CN109668570A (zh) * 2018-12-21 2019-04-23 斑马网络技术有限公司 行驶路线推荐方法、装置、系统以及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008096275A (ja) * 2006-10-12 2008-04-24 Xanavi Informatics Corp ナビゲーション装置
CN104121918A (zh) * 2013-04-25 2014-10-29 北京搜狗信息服务有限公司 一种实时路径规划的方法和系统
CN104764458A (zh) * 2015-03-26 2015-07-08 腾讯科技（深圳）有限公司 一种输出导航路线信息的方法和装置
CN107305742A (zh) * 2016-04-18 2017-10-31 滴滴（中国）科技有限公司 用于确定预计到达时间的方法和设备
CN107798412A (zh) * 2016-09-07 2018-03-13 北京嘀嘀无限科技发展有限公司 一种路线推荐方法和装置
CN109313845A (zh) * 2017-02-24 2019-02-05 北京嘀嘀无限科技发展有限公司 用于提供导航路线的系统和方法
CN108537351A (zh) * 2017-03-02 2018-09-14 北京嘀嘀无限科技发展有限公司 一种推荐上车点的确定方法及装置
CN109313846A (zh) * 2017-03-02 2019-02-05 北京嘀嘀无限科技发展有限公司 用于推荐上车点的系统和方法
CN108628904A (zh) * 2017-03-23 2018-10-09 北京嘀嘀无限科技发展有限公司 一种路径编码、相似路径检索方法及装置和电子设备
CN108981729A (zh) * 2017-06-02 2018-12-11 腾讯科技（深圳）有限公司 车辆定位方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于GPS终端的地图匹配方法;朱征宇;崔明;刘琳;;计算机科学(05);全文 *

Also Published As

Publication number Publication date
WO2020243963A1 (en) 2020-12-10
CN113924460A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
AU2020201991B2 (en) Systems and methods for recommending an estimated time of arrival
US11085792B2 (en) Systems and methods for determining estimated time of arrival
US10922778B2 (en) Systems and methods for determining an estimated time of arrival
CN109478364B (zh) 确定预计到达时间的方法及系统
CN109478275B (zh) 分配服务请求的系统和方法
CN112154473B (zh) 用于推荐上车点的系统和方法
CN111862585B (zh) 用于交通预测的系统和方法
WO2018209551A1 (en) Systems and methods for determining an estimated time of arrival
CN112868036A (zh) 位置推荐的系统和方法
JP7047096B2 (ja) オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法
CN112262557B (zh) 用于为线上到线下服务提供信息的系统和方法
CN110998615A (zh) 用于确定服务请求费用的系统和方法
CN113924460B (zh) 确定服务请求的推荐信息的系统和方法
WO2021051221A1 (en) Systems and methods for evaluating driving path
WO2021022487A1 (en) Systems and methods for determining an estimated time of arrival
WO2020151725A1 (zh) 一种位置预测方法以及装置
CN110832811B (zh) 用于发送空间数据的系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant