[发明专利]一种位置预测方法以及装置

权利要求书

1.一种位置预测方法，其特征在于，该方法包括：

获取待预测用户在预设历史时间段内的多个订单的订单信息；

根据所述多个订单的订单信息，构建所述待预测用户的订单特征向量序列，所述订单特征向量序列中包括与每个所述订单分别对应的订单特征向量；

根据所述待预测用户的待预测时间信息以及待预测位置信息，构建用于表征所述待预测用户的待预测时间和待预测位置的目标特征向量；

将所述订单特征向量序列和所述目标特征向量输入至预先训练的位置预测模型中，得到所述待预测用户在未来预设时间段内的位置预测结果。

2.根据权利要求1所述的方法，其特征在于，根据所述多个订单的订单信息，构建所述待预测用户的订单特征向量序列，包括：

针对每个所述订单，根据该订单的订单信息，确定该订单在多个位置影响特征下的特征值；

根据该订单在多个位置影响特征下的特征值，构建与该订单对应的订单特征向量；

根据所述多个所述订单分别对应的订单特征向量，按照订单生成时间的先后顺序构建所述订单特征向量序列。

3.根据权利要求1所述的方法，其特征在于，所述根据所述待预测用户的待预测时间信息以及待预测位置信息，构建用于表征所述待预测用户的待预测时间和待预测位置的目标特征向量，包括：

根据所述待预测时间信息以及待预测位置信息，确定所述待预测用户在多种预测时间和位置特征下的特征值；

根据所述待预测用户在多种所述预测时间和位置特征下的特征值，构建该待预测用户的目标特征向量。

4.根据权利要求3所述的方法，其特征在于，所述预测时间和位置特征包括以下特征中的多种：

用户意向前往的区域的经纬度信息，用户意向前往的区域的时间信息，用户意向前往的区域是否为家庭住址所在的区域，用户意向前往的区域是否为公司地址所在的区域。

5.根据权利要求2所述的方法，其特征在于，所述位置影响特征包括以下特征中的多种：

出发地经纬度信息、目的地经纬度信息、出发地的兴趣点POI分类信息、目的地的POI分类信息、发起订单的时间信息、出发地与用户家庭住址的距离信息、出发地与用户公司地址的距离信息、目的地与用户家庭住址的距离、目的地与用户公司地址的距离信息、订单城市是否为用户常驻城市。

6.根据权利要求1所述的方法，其特征在于，采用下述方式训练所述位置预测模型：

获取多个样本用户在目标历史时间段内的多个样本订单的样本订单信息，以及各个所述样本用户在预测历史时间段内的实际位置；

针对每个样本用户，根据该样本用户在目标历史时间段内的各个样本订单对应的样本订单信息，生成该样本用户的样本订单特征向量序列；所述样本订单特征向量序列中包括与各个样本订单对应的样本订单特征向量；

根据该样本用户的待预测历史时间信息以及待预测位置信息，生成用于表征该样本用户的待预测历史时间和待预测历史位置的目标特征向量；

基于各个所述样本用户的样本订单特征向量序列、所述样本用户的目标特征向量以及基础预测模型，确定各个所述样本用户在预测历史时间段内的位置预测结果；

将每个所述样本用户的样本订单特征向量序列和目标特征向量输入至基础预测模型中，得到每个所述样本用户的位置预测结果。

7.根据权利要求6所述的方法，其特征在于，所述将每个所述样本用户的样本订单特征向量序列和目标特征向量输入至基础预测模型中，得到每个所述样本用户的位置预测结果，包括：

针对每个所述样本用户，将该样本用户的样本订单特征向量序列中的样本订单特征向量输入至第一神经网络，获取每个所述订单特征向量对应的中间特征向量；

将所述样本用户的各个所述中间特征向量以及所述目标特征向量输入至第二神经网络，获取与各个所述中间特征向量对应的注意力分配权重，以及所述第二神经网络的指定网络层输出的变换特征向量；

基于所述样本用户的各个所述中间特征向量与所述注意力分配权重，生成融合特征向量；

将所述样本用户的融合特征向量以及所述变换特征向量输入至第三神经网络中，获取所述样本用户的位置预测结果。