-
公开(公告)号:CN111461489A
公开(公告)日:2020-07-28
申请号:CN202010147489.0
申请日:2020-03-05
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了一种路线生成方法、装置、电子设备及介质,通过获取全量用户的出行特征信息,根据全量用户的出行特征信息,从全量用户中筛选出潜在用户集合,即具有乘坐定制巴士的潜在需求的用户,然后根据潜在用户集合中所有潜在用户在预设区域的历史出行起止点对,生成定制巴士路线。
-
公开(公告)号:CN117236621A
公开(公告)日:2023-12-15
申请号:CN202311234290.1
申请日:2023-09-22
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/0631 , G06Q50/30
Abstract: 本说明书的实施例提供一种车辆排班方法及系统,所述方法包括:响应于接收到目标线路对应的排班请求,获得所述目标线路对应的排班需求数据,所述目标线路对应有N个候选车辆,通过预设排班模型基于所述排班需求数据进行车辆排班处理得到排班结果,所述排班结果包括:多个车次的发车时刻以及所述N个候选车辆与所述多个车次之间的对应关系,其中,所述预设排班模型被配置为对所述多个车次的发车时刻以及所述对应关系进行联合求解,进而输出所述排班结果。
-
公开(公告)号:CN113450557A
公开(公告)日:2021-09-28
申请号:CN202010213838.4
申请日:2020-03-24
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种针对车辆客流量的预测模型进行更新的方法和装置,在针对车辆客流量的预测模型的训练过程中,通过矩阵方式代替数学表达式的运算方式,充分利用矩阵和向量的数学特征,完成运算和客流量汇总过程,从而避免了数学表达式中难以使用优化算法等问题,加快收敛速度,提高模型训练效率。进一步地,利用向量的特点,可以将损失函数定义为向量一致性,即使减少样本数据量,也不影响预测模型的准确度,进一步降低模型训练过程中的计算成本。
-
公开(公告)号:CN117238162A
公开(公告)日:2023-12-15
申请号:CN202311241134.8
申请日:2023-09-22
Applicant: 支付宝(杭州)信息技术有限公司
Inventor: 刘晔诚
IPC: G08G1/123 , G06N3/0464
Abstract: 本说明书提供的车辆排班方法和系统,在获得待排班线路的排班所需数据之后,基于待排班线路上待进行车辆排班的多个车辆对应的车次,采用预先训练的发车概率预测模型预测各个发车时刻变量中每个发车时刻变量下的各个车次的发车概率,并基于每个发车时刻变量下的各个车次的发车概率和排班所需数据进行车辆排班,以获得多个发车时刻以及车次与发车时刻之间的对应关系。该方案中每个发车时刻变量下的各个车次的发车概率可以帮助确定车辆排班过程中待求解的部分未知量,从而减少待求解的未知量的数量,提高计算效率,进而提高车辆排班效率。
-
公开(公告)号:CN115731734A
公开(公告)日:2023-03-03
申请号:CN202211401418.4
申请日:2022-11-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G08G1/0968 , G08G1/01 , G08G1/065
Abstract: 本发明公开了一种基于交通出行量数据处理进行出行线路规划的方法,其包括步骤:获取用户报活点并提取用户报活点特征;基于用户报活点特征,从用户报活点中筛选出用户停留点;基于用户停留点获取交通出行量数据,所述交通出行量数据包括用户起点、用户终点以及用户起点和用户终点之间的交通出行量;对交通出行量数据进行聚合,确定出行线路的起点、终点、起点和数;对各所述中间站点区域内选择的若干个中间站点进行寻优,以从各中间站点区域内筛选出覆盖交通出行量最大的中间站点位置;基于出行线路的起点、终点以及中间站点位置输出出行线路路径。相应地,本发明还公开了基于交通出行量数据处理进行出行线路规划的系统。
-
公开(公告)号:CN113450557B
公开(公告)日:2022-06-28
申请号:CN202010213838.4
申请日:2020-03-24
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种针对车辆客流量的预测模型进行更新的方法和装置,在针对车辆客流量的预测模型的训练过程中,通过矩阵方式代替数学表达式的运算方式,充分利用矩阵和向量的数学特征,完成运算和客流量汇总过程,从而避免了数学表达式中难以使用优化算法等问题,加快收敛速度,提高模型训练效率。进一步地,利用向量的特点,可以将损失函数定义为向量一致性,即使减少样本数据量,也不影响预测模型的准确度,进一步降低模型训练过程中的计算成本。
-
-
-
-
-