CN112734235A - 基于综合评价的个性化乘车点推荐方法及系统 - Google Patents

Abstract

本发明公开一种基于综合评价的个性化乘车点推荐方法及系统，为实现乘车点的个性化推荐，依据司乘信息及订单生成时间，将乘车点推荐划分为日间推荐模式与夜间推荐模式，综合分析各推荐模式下的乘车点选取方案并结合司乘匹配度，综合考虑乘车点的距离收益，拥堵系数，安全系数及历史推荐热度等关键因素，建立综合评价指标，将综合评价指标高的乘车点推荐给乘客。本申请的方法和系统严格控制各乘车点的订单量，实现同时间段同乘车点的合理定量分配，避免由于个别乘车点订单堆积而造成的交通拥堵。

Description

基于综合评价的个性化乘车点推荐方法及系统

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于综合评价的个性化乘车点推荐方法及系统。

背景技术

近年来，网约车出行已成为人们所青睐的出行方式，而基于位置的服务也大幅度提高了乘客与司机的出行体验感。乘车点位置的智能推荐在缓解城市交通压力的同时也减少了司乘双方的等待时间与沟通成本。但现存乘车点推荐方法相对简单，不能实现基于不同用户信息与订单情景下的个性化推荐。无法权衡乘客与司机的各自利益，且不能保证所推荐乘车点的有效性与安全性。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于综合评价的个性化乘车点推荐方法及系统。

为解决上述技术问题，本发明所采取的技术方案是：一种基于综合评价的个性化乘车点推荐方法，过程如下：

步骤1：将乘客的订单按订单发起时间的先后顺序进行排序，从而判定订单适用于日间推荐模式还是夜间推荐模式；

步骤2：将按时间先后顺序排序好的订单按照时段划分为多个订单子集，

步骤3：将同一时间段内订单按照乘客当前叫车位置及性别筛选附近距离乘客1km以内的所有候选空载司机，计算司乘匹配度，将匹配度最高的司机匹配给当前乘客，生成乘客和司机对，过程如下：

步骤3.1：根据司机的历史得分及司乘性别相似度计算司乘匹配度，公式如下：

其中，d_cp为司机位置与乘客叫车位置的距离；c_r为司机的历史得分；g_cp为乘客与司机性别的相似度，同性相似度为1，异性相似度0；

分别为d_cp、c_r、g_cp所占权重值；

步骤3.2：判断订单发起的时间段是否在6～18点之间，若是则设置

若不是则设置

步骤3.3：将匹配度最高的司机匹配给当前乘客。

步骤4：设计个性化乘车点推荐模型计算步骤3选中的乘客和司机对与各候选上车点之间的目标函数值作为乘客和司机对对于各候选上车点的评价指标；

所述个性化乘车点推荐模型，通过对时空轨迹数据集的归纳和分析进行乘车点挖掘，在挖掘到乘车点后，再考虑拥堵系数、距离收益、安全系数和历史热度建立个性化乘车点推荐模型，模型的目标函数如下：

其中，

表示对于用户m与司机n来说候选乘车点i的评价指标；J_i表示乘车点i的拥堵系数；

表示对于用户m与司机n来说在乘车点i的距离收益；S_i表示乘车点i的安全系数；H_i表示乘车点i的历史推荐热度，即该乘车点被推荐的次数；μ_J，μ_D，μ_S，μ_H分别为J_i，

S_i，H_i的权重；

所述μ_J，μ_D，μ_S，μ_H的大小受时间段的影响；

当时间段为6～18点时，认为处于日间模式，权重大小顺序为：μ_J＞μ_D＞μ_S＞μ_H；否则认为处于夜间模式，权重大小顺序为：μ_S＞μ_D＞μ_J＞μ_H。

乘车i点的拥堵系数的计算公式为：

其中，

表示该乘车点的平均速度；q_a表示该时段该乘车点的排单量；τ_v与τ_q分别表示

与q_a的权重；

乘车点i的距离收益计算公式为：

其中，

表示乘客m到上车点i的步行距离；

表示司机n到上车点i的接驾距离；Z_ie表示乘车点i到乘客目的地的距离；ε_W，ε_C，ε_z分别为

Z_ie的权重；

乘车点i的安全系数S_i表示乘车点i是否处于监控所覆盖范围内，如果处于监控范围则有S_i＝1，否则S_i＝0；

乘车点i的历史推荐热度H_i即该乘车点被推荐的次数，即车乘车点i每被分配一次其历史推荐热度数值加1。

所述通过对时空轨迹数据集的归纳和分析进行乘车点挖掘的过程如下：

S1：在时空轨迹数据集中筛选出载客状态发生变化的点，将载客状况发生变化的点视为乘车点；

S2：利用点线结合的匹配算法对所挖掘的乘车点进行路网匹配；

所述点线结合的匹配算法为通过预设误差半径r，获得以待匹配轨迹点为圆心的误差圆，则误差圆内的点为待匹配的候选点，路段为待匹配的候选路段；计算待匹配轨迹点的运动方向与候选路段各自行驶方向的夹角角度，将待匹配轨迹点匹配到路段上，再计算与该路段上候选点的距离，距离最近的点作为路网上的乘车点。

所述S2的过程如下：

S2.1：将待匹配轨迹点匹配到相应路段上，其路段匹配函数如下：

R＝α_r×r+α_l×l

其中，α_r和α_l分别为r和l的权重；r为待匹配轨迹点的运动方向与候选路段各自行驶方向的夹角角度的倒数；l为待匹配轨迹点向各待匹配路段所作垂线的长度；

S2.2：计算匹配到路段上的轨迹点与其他候选点的距离，其距离计算公式如下：

lon＝lon₂-lon₁

lat＝lat₂-lat₁

其中，lon₁与lat₁为待匹配轨迹点的经度与纬度；lat₂与lat₂为候选点的经度与纬度；R为地球半径；

S2.3：距离最近的点作为路网上的乘车点。

步骤5：同时结合评价指标和低均值优先算法对乘客进行优先推荐筛选，过程如下：

步骤5.1：对订单子集内每名乘客的候选点依据候选点的评价指标进行降序排列；且评价指标最高的点作为乘客的第一推荐候选点；

步骤5.2：将有相同第一推荐候选点的乘客归为一个子集合，采用低均值优先算法对子集内的乘客进行优先推荐筛选；

所述低均值优先算法过程为：将第一推荐候选点的乘客归为一个子集合，计算子集合内所有乘客各自候选点评价指标的均值，优先将该候选点分配给均值最低的乘客作为该乘客的最佳乘车点；

步骤5.3：依次动态循环步骤5.2，直至订单子集内所有乘客乘车点分配完毕；

步骤5.4：计算同时段内各个乘车点的排单量，即乘车点每被分配1次其排单量加1，若被分配乘客已经前往该乘车点乘车离开则该乘车点排单量减1，并以约束控制乘车点的排单量，若乘车点的排单量超过其预设阈值，则在该时段内该乘车点将不再作为候选点进行推荐，其公式如下所示：

其中，

为乘车点的排单量；

步骤5.5：若该时段乘客乘车点分配完毕，将所有乘车点排单量置0，进行下一时间段筛选与分配。

步骤6：依次动态执行步骤4和步骤5，直到该时段订单子集内的所有乘客乘车点分配完毕。

另一方面，本申请还根据上述基于综合评价的个性化乘车点推荐方法设计一种基于综合评价的个性化乘车点推荐系统，包括：判定模块、订单划分模块、司机匹配模块、选择模块、计算模块和推荐模块；

所述判定模块通过对时间的判断，来判别该订单适用于白天推荐模式还是夜间推荐模式从而确定个性化乘车点推荐模型中的权值大小顺序和司机匹配模块中的权值大小顺序；

所述订单划分模块对接收的乘客订单按其订单发起时间进行时段划分；

所述司机匹配模块实时更新乘客端与司机端的动态信息，为发起订单需求的乘客端匹配好最佳的空载司机；将匹配结果推送至乘客端设备与司机端设备；

所述选择模块基于司机匹配模块得到的司机与乘客的匹配结果，筛选乘客步行距离阈值内的候选乘车点；

所述计算模块根据个性化乘车点推荐模型计算各候选点的综合评价指标，并依据评价指标大小进行升序排列；

所述推荐模块，向乘客端设备推荐评价指标高的候选点作为最佳乘车点，并且服务器端依据低均值优先算法实现同时段同乘车点的合理有效分配。

采用上述技术方案所产生的有益效果在于：

1、本发明提供的方法中对于历史乘车点的挖掘，通过对时空轨迹数据集的归纳与分析，挖掘出具有有效性与可达性的乘车点；

2、本发明提供的方法中设计的个性化乘车点推荐模型，综合考虑乘车点的距离收益，拥堵系数，安全系数及历史推荐热度等关键因素，建立综合评价指标，将综合评价指标高的乘车点推荐给乘客；其中还考虑了日间和夜间模式，分配不同的权重，从而实现乘车点的个性化推荐；

3、本发明提供的基于综合评价的个性化乘车点推荐方法及系统，依据司乘信息及订单生成时间，将乘车点推荐划分为日间推荐模式与夜间推荐模式。并严格控制各乘车点的订单量，实现同时间段同乘车点的合理定量分配，避免由于个别乘车点订单堆积而造成的交通拥堵。

4、本发明对乘客与司机整体进行考虑，综合衡量乘客与司机对于所选乘车点的影响，避免所推荐乘车点存在的司乘偏袒性问题。

5、本发明将乘客乘车安全系数纳入乘车点推荐的考虑范围，使所推荐乘车点在大幅度减少乘客与司机的沟通时间的同时，有效提升乘客乘车的安全性。

附图说明

图1为本发明实施例中基于综合评价的个性化乘车点推荐方法的流程图；

图2为本发明实施例中利用个性化乘车点推荐模型中计算乘客和司机对对于各候选上车点的评价指标的流程图；

图3为本发明实施例中基于综合评价的个性化乘车点推荐系统的结构框图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本实施例的方法如下所述：一种基于综合评价的个性化乘车点推荐方法，过程如下：

步骤1：将乘客的订单按订单发起时间的先后顺序进行排序，从而判定订单适用于日间推荐模式还是夜间推荐模式，如下所示：

t₁≤t₂≤t₃≤……≤t_n

其中，

到

为t₁到t_n时刻的订单，且t₁到t_n严格按照时间顺序进行升序排列。

步骤2：将按时间先后顺序排序好的订单按照时段划分为多个订单子集，如下所示：

T＝{T₁，T₂，T₃，……，T_N}

其中，T₁到T_N为划分的各个时段，

为T₁时段内的订单集合。

步骤3：将同一时间段内订单按照乘客当前叫车位置及性别筛选附近距离乘客1km以内的所有候选空载司机，计算司乘匹配度，将匹配度最高的司机匹配给当前乘客，生成乘客和司机对，过程如下：

步骤3.1：根据司机的历史得分及司乘性别相似度计算司乘匹配度，公式如下：

其中，d_cp为司机位置与乘客叫车位置的距离；c_r为司机的历史得分；g_ep为乘客与司机性别的相似度，同性相似度为1，异性相似度0；

分别为d_cp、c_r、d_cp所占权重值；

步骤3.2：判断订单发起的时间段是否在6～18点之间，若是则设置

若不是则设置

步骤3.3：将匹配度最高的司机匹配给当前乘客。

步骤4：设计个性化乘车点推荐模型计算步骤3选中的乘客和司机对与各候选上车点之间的目标函数值作为乘客和司机对对于各候选上车点的评价指标，过程如图2所示；

所述个性化乘车点推荐模型，通过对时空轨迹数据集的归纳和分析进行乘车点挖掘，在挖掘到乘车点后，再考虑拥堵系数、距离收益、安全系数和历史热度建立个性化乘车点推荐模型，模型的目标函数如下：

其中，

表示对于用户m与司机n来说候选乘车点i的评价指标；J_i表示乘车点i的拥堵系数；

表示对于用户m与司机n来说在乘车点i的距离收益；S_i表示乘车点i的安全系数；H_i表示乘车点i的历史推荐热度，即该乘车点被推荐的次数；μ_J，μ_D，μ_S，μ_H分别为J_i，

S_i，H_i的权重；

所述μ_J，μ_D，μ_S，μ_H的大小受时间段的影响；

当时间段为6～18点时，认为处于日间模式，权重大小顺序为：μ_J＞μ_D＞μ_S＞μ_H；否则认为处于夜间模式，权重大小顺序为：μ_S＞μ_D＞μ_J＞μ_H。

乘车i点的拥堵系数的计算公式为：

其中，

表示该乘车点的平均速度；q_a表示该时段该乘车点的排单量；τ_v与τ_q分别表示

与q_a的权重；

乘车点i的距离收益计算公式为：

其中，

示乘客m到上车点i的步行距离；

表示司机n到上车点i的接驾距离；Z_ie表示乘车点i到乘客目的地的距离；ε_W，ε_C，ε_z分别为

Z_ie的权重；

乘车点i的安全系数S_i表示乘车点i是否处于监控所覆盖范围内，如果处于监控范围则有S_i＝1，否则S_i＝0；

乘车点i的历史推荐热度H_i即该乘车点被推荐的次数，即车乘车点i每被分配一次其历史推荐热度数值加1。

所述通过对时空轨迹数据集的归纳和分析进行乘车点挖掘的过程如下：

S1：在时空轨迹数据集中筛选出载客状态发生变化的点，将载客状况发生变化的点视为乘车点；

例如，在时空轨迹数据中，同一出租车ID下的轨迹数据严格按照时间顺序排列，即每一个出租车ID下的数据都是当前出租车在当天的完整轨迹。且数据集中，属性passager表示出租车当前的载客状态，其中1表示载客，0表示空载。两次相邻采集的数据点其载客状态由0转变为1时，我们称此过程为一次乘车事件，而使乘车事件发生的点即为乘车点。

S2：利用点线结合的匹配算法对所挖掘的乘车点进行路网匹配；

所述点线结合的匹配算法为通过预设误差半径r，获得以待匹配轨迹点为圆心的误差圆，则误差圆内的点为待匹配的候选点，路段为待匹配的候选路段；计算待匹配轨迹点的运动方向与候选路段各自行驶方向的夹角角度，将待匹配轨迹点匹配到路段上，再计算与该路段上候选点的距离，距离最近的点作为路网上的乘车点。

所述S2的过程如下：

S2.1：将待匹配轨迹点匹配到相应路段上，其路段匹配函数如下：

R＝α_r×r+α_l×l

其中，α_r和α_l分别为r和l的权重；r为待匹配轨迹点的运动方向与候选路段各自行驶方向的夹角角度的倒数；l为待匹配轨迹点向各待匹配路段所作垂线的长度；

S2.2：计算匹配到路段上的轨迹点与其他候选点的距离，其距离计算公式如下：

lon＝lon₂-lon₁

lat＝lat₂-lat₁

其中，lon₁与lat₁为待匹配轨迹点的经度与纬度；lon₂与lat₂为候选点的经度与纬度；R为地球半径，等于6371km；

S2.3：距离最近的点作为路网上的乘车点。

步骤5：同时结合评价指标和低均值优先算法对乘客进行优先推荐筛选，过程如下：

步骤5.1：对订单子集内每名乘客的候选点依据候选点的评价指标进行降序排列；且评价指标最高的点作为乘客的第一推荐候选点；

步骤5.2：将有相同第一推荐候选点的乘客归为一个子集合，采用低均值优先算法对子集内的乘客进行优先推荐筛选；

所述低均值优先算法过程为：将第一推荐候选点的乘客归为一个子集合，计算子集合内所有乘客各自候选点评价指标的均值，优先将该候选点分配给均值最低的乘客作为该乘客的最佳乘车点；

步骤5.3：依次动态循环步骤5.2，直至订单子集内所有乘客乘车点分配完毕；

步骤5.4：计算同时段内各个乘车点的排单量，即乘车点每被分配1次其排单量加1，若被分配乘客已经前往该乘车点乘车离开则该乘车点排单量减1，并以约束控制乘车点的排单量，若乘车点的排单量超过其预设阈值，则在该时段内该乘车点将不再作为候选点进行推荐，其公式如下所示：

其中，

为乘车点的排单量；

步骤5.5：若该时段乘客乘车点分配完毕，将所有乘车点排单量置0，进行下一时间段筛选与分配。

步骤6：依次动态执行步骤4和步骤5，直到该时段订单子集内的所有乘客乘车点分配完毕。

另一方面，本申请还根据上述基于综合评价的个性化乘车点推荐方法设计一种基于综合评价的个性化乘车点推荐系统，其结构如图3所示，包括：判定模块、订单划分模块、司机匹配模块、选择模块、计算模块和推荐模块；

所述判定模块通过对时间的判断，来判别该订单适用于白天推荐模式还是夜间推荐模式从而确定个性化乘车点推荐模型中的权值大小顺序和司机匹配模块中的权值大小顺序；

所述订单划分模块对接收的乘客订单按其订单发起时间进行时段划分；

所述司机匹配模块实时更新乘客端与司机端的动态信息，为发起订单需求的乘客端匹配好最佳的空载司机；将匹配结果推送至乘客端设备与司机端设备；

所述选择模块基于司机匹配模块得到的司机与乘客的匹配结果，筛选乘客步行距离阈值内的候选乘车点；

所述计算模块根据个性化乘车点推荐模型计算各候选点的综合评价指标，并依据评价指标大小进行升序排列；

所述推荐模块，向乘客端设备推荐评价指标高的候选点作为最佳乘车点，并且服务器端依据低均值优先算法实现同时段同乘车点的合理有效分配。

Claims (8)

1.一种基于综合评价的个性化乘车点推荐方法，其特征在于，包括如下步骤：

步骤1：将乘客的订单按订单发起时间的先后顺序进行排序，从而判定订单适用于日间推荐模式还是夜间推荐模式；

步骤2：将按时间先后顺序排序好的订单按照时段划分为多个订单子集；

步骤3：将同一时间段内订单按照乘客当前叫车位置及性别筛选附近距离乘客1km以内的所有候选空载司机，计算司乘匹配度，将匹配度最高的司机匹配给当前乘客，生成乘客和司机对；

步骤4：设计个性化乘车点推荐模型计算步骤3选中的乘客和司机对与各候选上车点之间的目标函数值作为乘客和司机对对于各候选上车点的评价指标；

步骤5：同时结合评价指标和低均值优先算法对乘客进行优先推荐筛选；

步骤6：依次动态执行步骤4和步骤5，直到该时段订单子集内的所有乘客乘车点分配完毕。

2.根据权利要求1所述的基于综合评价的个性化乘车点推荐方法，其特征在于：所述步骤3的过程如下：

步骤3.1：根据司机的历史得分及司乘性别相似度计算司乘匹配度，公式如下：

其中，d_cp为司机位置与乘客叫车位置的距离；c_r为司机的历史得分；g_cp为乘客与司机性别的相似度，同性相似度为1，异性相似度0；

分别为d_cp、c_r、g_cp所占权重值；

步骤3.2：判断订单发起的时间段是否在6～18点之间，若是则设置

若不是则设置

步骤3.3：将匹配度最高的司机匹配给当前乘客。

3.根据权利要求1所述的基于综合评价的个性化乘车点推荐方法，其特征在于：所述个性化乘车点推荐模型，通过对时空轨迹数据集的归纳和分析进行乘车点挖掘，在挖掘到乘车点后，再考虑拥堵系数、距离收益、安全系数和历史热度建立个性化乘车点推荐模型，模型的目标函数如下：

其中，

表示对于用户m与司机n来说候选乘车点i的评价指标；J_i表示乘车点i的拥堵系数；

表示对于用户m与司机n来说在乘车点i的距离收益；S_i表示乘车点i的安全系数；H_i表示乘车点i的历史推荐热度，即该乘车点被推荐的次数；μ_J，μ_D，μ_S，μ_H分别为J_i，

S_i，H_i的权重；

乘车i点的拥堵系数的计算公式为：

其中，

表示该乘车点的平均速度；q_a表示该时段该乘车点的排单量；τ_v与τ_q分别表示

与q_a的权重；

乘车点i的距离收益计算公式为：

其中，

表示乘客m到上车点i的步行距离；

表示司机n到上车点i的接驾距离；Z_ie表示乘车点i到乘客目的地的距离；ε_W，ε_C，ε_z分别为

Z_ie的权重；

乘车点i的安全系数S_i表示乘车点i是否处于监控所覆盖范围内，如果处于监控范围则有S_i＝1，否则S_i＝0；

乘车点i的历史推荐热度H_i即该乘车点被推荐的次数，即车乘车点i每被分配一次其历史推荐热度数值加1。

4.根据权利要求3所述的基于综合评价的个性化乘车点推荐方法，其特征在于：所述μ_J，μ_D，μ_S，μ_H的大小受时间段的影响；

当时间段为6～18点时，认为处于日间模式，权重大小顺序为：μ_J＞μ_D＞μ_S＞μ_H；否则认为处于夜间模式，权重大小顺序为：μ_S＞μ_D＞μ_J＞μ_H。

5.根据权利要求3所述的基于综合评价的个性化乘车点推荐方法，其特征在于：所述通过对时空轨迹数据集的归纳和分析进行乘车点挖掘的过程如下：

S1：在时空轨迹数据集中筛选出载客状态发生变化的点，将载客状况发生变化的点视为乘车点；

S2：利用点线结合的匹配算法对所挖掘的乘车点进行路网匹配；

所述点线结合的匹配算法为通过预设误差半径r，获得以待匹配轨迹点为圆心的误差圆，则误差圆内的点为待匹配的候选点，路段为待匹配的候选路段；计算待匹配轨迹点的运动方向与候选路段各自行驶方向的夹角角度，将待匹配轨迹点匹配到路段上，再计算与该路段上候选点的距离，距离最近的点作为路网上的乘车点。

6.根据权利要求5所述的基于综合评价的个性化乘车点推荐方法，其特征在于，所述S2的过程如下：

S2.1：将待匹配轨迹点匹配到相应路段上，其路段匹配函数如下：

R＝α_r×r+α_l×l

其中，α_r和α_l分别为r和l的权重；r为待匹配轨迹点的运动方向与候选路段各自行驶方向的夹角角度的倒数；l为待匹配轨迹点向各待匹配路段所作垂线的长度；

S2.2：计算匹配到路段上的轨迹点与其他候选点的距离，其距离计算公式如下：

lon＝lon₂-lon₁

lAt＝lat₂-lat₁

其中，lon₁与lat₁为待匹配轨迹点的经度与纬度；lon₂与lat₂为候选点的经度与纬度；R为地球半径；

S2.3：距离最近的点作为路网上的乘车点。

7.根据权利要求1所述的基于综合评价的个性化乘车点推荐方法，其特征在于：所述步骤5的过程如下：

步骤5.1：对订单子集内每名乘客的候选点依据候选点的评价指标进行降序排列；且评价指标最高的点作为乘客的第一推荐候选点；

步骤5.2：将有相同第一推荐候选点的乘客归为一个子集合，采用低均值优先算法对子集内的乘客进行优先推荐筛选；

所述低均值优先算法过程为：将第一推荐候选点的乘客归为一个子集合，计算子集合内所有乘客各自候选点评价指标的均值，优先将该候选点分配给均值最低的乘客作为该乘客的最佳乘车点；

步骤5.3：依次动态循环步骤5.2，直至订单子集内所有乘客乘车点分配完毕；

步骤5.4：计算同时段内各个乘车点的排单量，即乘车点每被分配1次其排单量加1，若被分配乘客已经前往该乘车点乘车离开则该乘车点排单量减1，并以约束控制乘车点的排单量，若乘车点的排单量超过其预设阈值，则在该时段内该乘车点将不再作为候选点进行推荐，其公式如下所示：

其中，

为乘车点的排单量；

步骤5.5：若该时段乘客乘车点分配完毕，将所有乘车点排单量置0，进行下一时间段筛选与分配。

8.根据权利要求1所述的基于综合评价的个性化乘车点推荐方法设计一种基于综合评价的个性化乘车点推荐系统，其特征在于，包括：判定模块、订单划分模块、司机匹配模块、选择模块、计算模块和推荐模块；

所述判定模块通过对时间的判断，来判别该订单适用于白天推荐模式还是夜间推荐模式从而确定个性化乘车点推荐模型中的权值大小顺序和司机匹配模块中的权值大小顺序；

所述订单划分模块对接收的乘客订单按其订单发起时间进行时段划分；

所述司机匹配模块实时更新乘客端与司机端的动态信息，为发起订单需求的乘客端匹配好最佳的空载司机；将匹配结果推送至乘客端设备与司机端设备；

所述选择模块基于司机匹配模块得到的司机与乘客的匹配结果，筛选乘客步行距离阈值内的候选乘车点；

所述计算模块根据个性化乘车点推荐模型计算各候选点的综合评价指标，并依据评价指标大小进行升序排列；

所述推荐模块，向乘客端设备推荐评价指标高的候选点作为最佳乘车点，并且服务器端依据低均值优先算法实现同时段同乘车点的合理有效分配。

Images