(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211178745.8 (22)申请日 2022.09.27 (71)申请人 暨南大学 地址 510632 广东省广州市天河区黄埔大 道西601号 (72)发明人 郭穗鸣　邓宝莹　陈超　廖成武　 徐恪　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 杜柱东 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) G06F 16/951(2019.01) G06F 16/9537(2019.01)G06N 3/04(2006.01) (54)发明名称 一种基于动态定价机制的乘客出行意图挖 掘方法 (57)摘要 本发明公开了一种基于动态定价机制的乘 客出行意图挖掘方法， 方法包括以下步骤： 城市 网格划分， 将城市划分为相同大小的若干网格； 获取多源城市数据， 获取乘客出行订单数据、 动 态价格系数、 POI数据以及公共交通分布数据； 特 征提取和上下文扩展， 基于多源城市数据， 进行 特征提取， 构成特征量， 对特征量进行扩展， 以使 其能表述关于乘客出行意图的上下文信息； 乘客 出行意图挖掘， 使用线性模型进行乘 客出行意图 挖掘。 本发 明考虑了动态定价机制对乘客出行意 图挖掘的影 响， 将乘客出行意图挖掘问题转化为 多个二分类问题， 具有较高的准确率。 权利要求书4页 说明书9页 附图1页 CN 115545759 A 2022.12.30 CN 115545759 A 1.一种基于动态定价机制的乘客出 行意图挖掘方法， 其特 征在于， 包括以下步骤： 城市网格划分， 将城市划分为相同大小的若干网格； 获取多源城市数据， 获取乘客出行订单记录数据、 动态价格系数、 POI数据以及公共交 通分布数据； 特征提取和上下文扩展， 基于多源城市数据， 进行特征提取， 构成特征量， 对特征量进 行扩展， 以使其能表述关于乘客出 行意图的上 下文信息； 乘客出行意图挖掘， 使用线性模型进行乘客出 行意图挖掘。 2.根据权利要求1所述的一种基于动态定价机制的乘客出行意图挖掘方法， 其特征在 于， 乘客出 行订单记录数据包括乘客上 下车的时间地 点； 动态价格系数具体为， 每个网格内每小时所有订单的平均动态价格系数； 动态价格系 数可通过群智感知的方法， 鼓励司机上传接载订单的动态价格系数； 动态价格系数还可通过在城市的不同地区部署多个模拟终端的方法， 收集得到； POI数据具体为， 乘客上下车地点方圆N内的POI向量； POI数据从在线地图上通过网络 爬虫获得； 在 线地图服务将POI分为若干类别， 给定一个地点， 该地点方圆N内的不同类别的 POI数量， 是对该地点的地理特征的一个综合描述， 该地点方圆N内的不同类别的POI数量构 成POI向量； 其中， N的值 根据实际实施情况和数据决定； 公共交通分布数据 具体为， 乘客上下车地点方圆N内的公共交通分布向量； 公共交通分 布数据从在线地图上通过网络 爬虫获得； 采用A＝{A1， A2， ...， A9}表示乘客出行意图， 其中A1至A9分别表示娱乐、 户外、 购物、 用 餐、 教育、 交通、 通勤回家、 生活健康以及通勤上班这9类出 行意图； 采用po＝(lngo， lato， to)表示乘客上车时的经度、 纬度以及时间， 采用pd＝(lngd， latd， td)表示乘客下 车时的经度、 纬度以及时间； 采用POIo表示上车地点方圆N内不同类别的POI数量组成的向量， 采用POId表示下车地 点方圆N内的不同类比的POI数量组成的向量； 采用BMo表示上车地点方圆N内的公共交通的站点数量、 线路数量组成的向量， 采用BMd 表示下车地点方圆N内的公共交通的站点数量、 线路数量组成的向量。 3.根据权利要求2所述的一种基于动态定价机制的乘客出行意图挖掘方法， 其特征在 于， 所述基于动态定价机制的乘客出行意图挖掘方法， 基于获取 的乘客出行订单记录的上 下车的时间地点、 动态价格系数、 上下车地点方圆N内的POI向量以及上下车地点方圆N内的 公共交通分布向量， 给定一个输入特征向量 预测概率 即对于任 意乘客订单， 给定对应的输入特征 向量 预测该订单的乘客出行意图y是任意一个可能的 出行意图 的概率； 基于得到的概率， 最大的概率所对应的那个出行意图， 即任意乘客订单所对应的乘客 出行意图。 4.根据权利要求2所述的一种基于动态定价机制的乘客出行意图挖掘方法， 其特征在 于， 上下文扩展具体为： 基于多源城市数据， 进行特征提取， 构 成特征量， 对特征量进行扩展以使其能表述关于 乘客出行意图的上下文信息， 包括基本订单信息、 空间上下文、 时间上下文、 动态价格上下权　利　要　求　书 1/4 页 2 CN 115545759 A 2文这四种上 下文信息； 基本订单信息， 包括以下 特征量： 订单持续时间Tod： 从乘客上车至 下车所经历的时间， 用td和to分别表示下车、 上车时间， 则Tod＝td‑to； 订单距离Dod： 从乘客上 车至下车所经历的距离 。 5.根据权利要求4所述的一种基于动态定价机制的乘客出行意图挖掘方法， 其特征在 于， 空间上下文， 空间上下文信息描述了与乘客上车、 下车地点相关的信息， 包括以下特征 量： 上下车地点方圆N内的公共交通分布向量BMo、 BMd； 上下车地点方圆N内的POI向量POIo、 POId； 上下车地点方圆N内的POI独特性向量Uniqo和Uniqa： 对于第i类POI， 用Ni表示这一类 POI在全城的总数， 用N表示所有POI在全城的总数， 用POIoi和POIai分别表示POIo和POId的第 i个分量， 用Un iqoi和Uniqai分别表示Un iqo和Uniqd的第i个分量， 则： 上下车地点方圆N内的POI距离向量Disto和Distd： 用POI距离向量来表示每一类POI距 离上车或下车地点的最近距离， 对于第i类POI， 用dminoi或dmindi表示所有属于这一类的 POI距离上车或下车地点的最近距离， 用Distoi和Distdi表示Disto和Dist_d的第i个分量， 则： 6.根据权利要求4所述的一种基于动态定价机制的乘客出行意图挖掘方法， 其特征在 于， 时间上下文， 时间上下文信息描述了与乘客上车、 下车时间相关的信息， 包括以下特征 量： 上车时间属于一周的第几天D Wo： 该特征量描述的是乘客乘车当天为星期几， DWo具体为 一个七维向量， 其中只有一个维度是1， 另外六个维度为0， DWo＝[1， 0， 0， 0， 0， 0， 0]表示周 一； 上车和下车时间所对应的时间段TSo和TSd： 将一天划分为4个等长的时间段， 第1至第4 时间段分别为[4am， 10am)， [10am， 4pm)， [4pm， 10pm)和[10pm， 4am)； TSo和TSd为一个四维向 量， 其中只有一个维度是1， 另外三个维度均为0， TSo＝[0， 1， 0， 0]表示上车时间位于第2个 时间段， 即[10am， 4pm)。 7.根据权利要求4所述的一种基于动态定价机制的乘客出行意图挖掘方法， 其特征在 于， 动态价格上 下文， 包括以下 特征量： 上车地点方圆N内的平均动态价格系数向量DPo： 用DPo，‑1， DPo， 0， DPo， +1分别表示上车地权　利　要　求　书 2/4 页 3 CN 115545759 A 3