[发明专利]一种利用动态价格预测减少网约车费用的乘车推荐系统

说明书

技术领域

本发明涉及出行时空数据挖掘，推荐系统领域，特别是网约车订单时空数据挖掘。

背景技术

Uber和Didi等网约车平台作为新兴的按需点播服务(RoD)日益受到关注，作为传统出租车服务的一种补充，RoD服务以清洁、便利、灵活性和动态价格合理等特点吸引乘客，另一方面吸引了那些想要利用闲置汽车而不想申请执照的司机。RoD服务的核心和独特特征是动态定价，它反映了该服务控制特定位置的供应(车辆数量)和需求(请求数量)的措施，使供需达到均衡。在传统的出租车服务中，出行价格是随着行程长短变化的，乘客可以根据生活经验大致判断行程费用，但在RoD服务中，乘客的行程费用浮动较大，有时候在发生大事件或天气恶劣的时候，动态价格会变得非常高(高达正常价格的5到10倍)。这使得用户在得到RoD服务平台返回的一个预测价格的时候，会产生思想上的负担和焦虑，是否可以走一段距离或者等一段时间来获得更低的价格，具体地说，往哪里走多远？等多长时间？目前多个研究中指出，城市中人们的移动具有较强的规律性，人们总是在特定地点特定时间出行，而动态价格又是与乘车供需情况强关联，这就为区域动态价格的预测提供了可能。同时，应对上述问题要求本系统能够为网约车用户实时提供信息，包括乘车地点周边一定范围内的所有区域在此时间点以及未来一段时间内的所有乘车费用，最终向用户推荐可选的且费用更低的乘车方案。通过本系统，用户可以减少对乘车价格的不确定性而产生的焦虑，同时也节省了出行开支。

发明内容

本发明是一种利用动态价格预测减少网约车费用的乘车推荐系统，针对用户在城市中某一时间地点的网约车乘车需求，提供行程费用预测以及减少费用的乘车方案推荐。具体地说，当用户在RoD服务平台上发出乘车请求的时候，本系统根据请求的时间地点，预测出包括该地点周边一定范围内的所有区域，在此时间点以及未来一段时间内的所有乘车费用(乘车费用＝原始价格*动态价格倍率)，最后将预测信息和减少费用的乘车方案提供给用户。首先，本系统将城市细分成多个方格区域，在寻找区域特性的阶段，引入了更具代表性的功能区进行分析，如图2。通过对功能区上的网约车历史数据的分析，得出RoD服务的动态价格在不同的区域随时间呈现出不同的变化特性，如图3，在其变化的周期性强弱基础上，使用真实熵和法诺不等式计算出某一区域的价格可预测性。

然后，系统针对不同价格可预测性大小的区域，选取马尔可夫链预测器和神经网络预测器进行区域动态价格的倍率预测。马尔可夫链预测器使用区域的网约车历史订单数据进行训练，神经网络预测器则使用网约车历史数据和对应时间地点的天气数据进行训练。

最后，系统预测出乘车费用并推荐减少费用的乘车方案，即该用户原地等一段时间或者移动一段距离可以得到更低的乘车价格。系统详情见图1。

具体而言，本发明，一种利用动态价格预测减少网约车费用的乘车推荐系统的方案为：

一种利用动态价格预测减少网约车费用的乘车推荐系统，其特征是：城市区域价格可预测性模块、预测器训练模块和乘车方案推荐模块；

所述的城市区域价格可预测性模块，是基于城市地理数据和网约车历史数据，为不同的城市子区域计算其动态价格的可预测性，从而为该区域选择合适的预测器；

所述的预测器训练模块，是根据各个区域的价格可预测性大小，分别选取不同的训练器模型，并根据该区域上的网约车历史数据训练相应的预测器模型；

所述的乘车方案推荐模块，是在给出一个具体乘车需求的时间地点的情况下，通过预测器预测包括该乘车点周边一定范围内的所有区域在此刻及下一时间段的乘车费用，通过综合比较，用户可以选择最适合的乘车方案，如走一段距离或等一段时间。

根据权利要求1所述的一种利用动态价格预测减少网约车费用的乘车推荐系统，所述的城市区域价格可预测性模块包括以下步骤：

步骤1：在城市中划出具有代表性的功能区，同时根据城市地理数据将城市细分成多个等方格区域；

步骤2：使用步骤1中划出的各个区域上的网约车历史数据，计算动态价格的真实熵；

步骤3：根据每个区域在步骤2中计算出的熵值，使用法诺不等式计算出该区域的动态价格可预测性。

根据权利要求1所述的一种利用动态价格预测减少网约车费用的乘车推荐系统，预测器可以预测动态价格在1.0-1.6这个区间内的7个倍率，所述的预测器训练模块包括以下步骤：

步骤1：构建马尔可夫链预测器，使用价格可预测性高区域的网约车历史数据进行训练；

步骤2：收集各区域对应时间的天气数据；