[发明专利]一种层次化的出租车载客推荐方法及系统

说明书

本发明公开了一种层次化的出租车载客推荐方法及系统，本发明包括划分网格区域，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‑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；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。本发明能够将司机载客概率最高且较近的推荐网格区域、代表乘客聚集地的推荐候选载客点，能够得到更精准的推荐位置，提高载客推荐的性能，有利于提高司机载客效率及出租车司机收入。

技术领域

本发明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。

背景技术

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。

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。为了应对该问题，矩阵分解技术被广泛应用。而矩阵分解技术缺乏对上下文信息的有效利用。因此，研究者开始关注因子分解机等模型。其次，GPS数据中隐含的知识与规律有待进一步深入挖掘，例如，其中包含了大量的时空上下文。在出租车巡航过程中，司机对于载客区域的选择会随着时间和空间信息的变化而变化。比如，上午上班时间居民住宅区有大量出行需求；而晚上11点以后娱乐区经常出现大量乘客。因此，如何很好地把时空上下文融合到载客区域推荐也是目前面临的一个重要问题。

如何提升出租车推荐服务的载客效率仍旧为主要的解决方案。将载客区域推荐与载客点推荐、载客路线推荐结合进行推荐，从而提升载客概率。为空载出租车司机推荐不同时段内的载客热点区域。由此司机在推荐区域上巡航载到乘客的概率更高。然而，区域推荐具有一定的空间范围。为了能够得到更精准的推荐位置，进行出租车分层载客推荐是十分有必要的。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种层次化的出租车载客推荐方法及系统，本发明能够将司机载客概率最高且较近的推荐网格区域作为第一层次的推荐结果输出、代表乘客聚集地的推荐候选载客点作为第二层次的推荐结果输出，能够得到更精准的推荐位置，提高载客推荐的性能，给司机提供个性化的推荐，有利于提高司机载客效率及出租车司机收入。

为了解决上述技术问题，本发明采用的技术方案为：

一种层次化的出租车载客推荐方法，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。