[发明专利]一种层次化的出租车载客推荐方法及系统

权利要求书

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，得到第一组候选载客点TS[id,Lng,Lat,ts,1]，将簇的中心位置作为候选载客点的地理坐标，其中id为候选载客点的编号，(Lng,Lat)为候选载客点的地理坐标，ts为划分候选载客点相对应的时间段；

4.2)考虑推荐区域中历史载客点的地理位置，对推荐区域内的历史载客点根据其空间属性进行空间聚类分析，在聚类后的簇中，若某一时间段的历史载客点数大于设置的阈值时，保留簇到该时间段，从而得到第二组候选载客点ST[id,Lng,Lat,ts,0]，将簇的中心位置作为候选载客点的地理坐标，ts为空间聚类后簇内历史载客点超过阈值时相对应的时间段，其中id为候选载客点的编号，(Lng,Lat)为候选载客点的地理坐标；

4.3)将得到的第一组候选载客点TS[id,Lng,Lat,ts,1]、第二组候选载客点ST[id,Lng,Lat,ts,0]中距离小于预设阈值的候选载客点对合并为新的候选载客点，得到最终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。

5.根据权利要求4所述的层次化的出租车载客推荐方法，其特征在于，步骤4)之后还包括步骤5)，步骤5)包括：对推荐候选载客点的载客概率进行载客概率计算，获取载客概率最高的推荐候选载客点得到推荐载客点，并作为第三层次的推荐结果输出。