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Uniqoi和Uniqai分别表示Uniqo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DWo: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分别表示上车地点所处网格在上车前一小时、上车时、上车后一小时的平均动态价格系数,并将其排列成向量DPo=(DPo,‑1,DPo,0,DPo,+1);
下车地点方圆N内的平均动态价格系数向量DPd:用DPd,‑1,DPd,0,DPd,+1分别表示下车地点所在网格在下车前一小时、下车时、下车后一小时的平均动态价格系数,并将其排列成向量DPd=(DPd,‑1,DPd,0,DPd,+1)。
8.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,乘客出行意图挖掘具体包括:构造输入特征向量、特征量交织以及构造线性模型;
构造输入特征向量具体为:
基于获得的四种上下文信息及相应特征量,首先对这些特征量进行归一化;在归一化中,计算每个特征量的Z‑score:对于某个特征量Xi,计算其均值 和标准差σi,则Xi对应的Z‑score为 并使用Xzi作为Xi的归一化值;
将每个特征量均进行归一化后,将所有的特征量组成输入特征向量 即:
9.根据权利要求8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,使用线性模型进行乘客出行意图挖掘,采用特征量交织的方法对特征量进行扩展,以描述特征量间的非线性关系;特征量交织具体为:将任意特征量xa和xb相乘,并以xc=xaxb作为新的特征量加入线性模型;相乘过程分为以下两种情况:两个特征量之中至少一个是标量,假设xa是标量,则xc=xaxb,且xc的维度和xb一样;
两个特征量均为向量 ,假设xa和xb的维度分 别为da和db ,且则 的 维 度是d c=d ad b ,且
在进行特征量交织时,既可将任意两个特征量进行交织,也可将三个或多个特征量进行交织,构成高维度的复合特征量;
对获得的四种上下文信息及相应特征量进行特征量交织,获得新的输入特征向量记为
10.根据权利要求9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,构造线性模型具体为:构造一个逻辑回归模型,基于输入特征向量 对每一种可能的乘客出行意图,求解二分类问题;
在逻辑回归模型中,输入特征向量先经过一个线性模型,该线性模型的输出再经过一个sigmoid激活函数,最后生成一个概率 作为输出,即为乘客出行意图是某种特定的目的的概率;
定义一个超参数分类阈值pth,模型基于pth和 确定乘客出行意图是否为某种特定的目的;用 表示二分类器的输出,令 表示乘客出行意图是该种特定的目的, 表示乘客出行意图不是该种特定的目的,则有:在逻辑回归模型中,损失函数使用二分类交叉熵,即损失函数L关于ω的关系为:其中,ω是线性模型的系数向量,λ为L2正则化参数,是sigmoid激活函数的输出;p表示真值,在训练逻辑回归模型时,如果乘客出行意图是该种特定的目的,则p=1,反之则p=
0。