CN109313742A - 确定预估到达时间的方法及*** - Google Patents
确定预估到达时间的方法及*** Download PDFInfo
- Publication number
- CN109313742A CN109313742A CN201780036609.6A CN201780036609A CN109313742A CN 109313742 A CN109313742 A CN 109313742A CN 201780036609 A CN201780036609 A CN 201780036609A CN 109313742 A CN109313742 A CN 109313742A
- Authority
- CN
- China
- Prior art keywords
- logic circuit
- departure place
- executed
- described processor
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/58—Departure time prediction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及用于确定预计到达时间的***和方法。所述***可以所述方法以执行逻辑电路以获得与终端装置相关的出发地点和与出发地点有关的信息的方法。所述信息可能包括一个或多个服务提供者。所述***可以执行所述逻辑电路来获得经过训练的机器学习模型。所述***可执行所述逻辑电路以基于信息和机器学习模型来确定一个或多个服务提供者中一个服务提供者到达出发地点的预计到达时间。
Description
技术领域
本申请总体上涉及机器学习,尤其涉及用于确定到达出发地点的预估到达时间(ETA)的***和方法。
背景技术
在线按需运输服务,例如网约车,变得越来越流行。通常,运输服务应用平台的用户(例如,滴滴出行TM),希望获得更准确的接到用户的预计到达时间(ETA)。目前,用于接载的ETA主要基于在服务提供者再接收到来自用户的服务请求之后,用户与服务提供者之间的距离来确定。在这种情况下,用户在发送请求服务之前不知道需要一个长的接载预计时间。因此,在在线按需运输服务期间,用户体验可能不令人满意。
发明内容
根据本申请的示例性实施例,一种***可以包括至少一个计算机可读存储介质以及与所述计算机可读存储介质通信的至少一个处理器,所述计算机可读存储介质包括用于提供按需服务的一组指令所述。当执行所述组指令时,所述至少一个处理器可以指示执行以下步骤中的一个或多个步骤。所述至少一个处理器可以执行所述至少一个处理器中的逻辑电路以获得与终端装置相关的出发地点。所述至少一个处理器可以执行所述至少一个处理器的逻辑电路以获得与所述出发地点有关的信息,所述信息包括一个或多个服务提供者的信息。所述至少一个处理器可以执行所述至少一个处理器的逻辑电路以获得经过训练的机器学习模型。所述至少一个处理器可以执行其中的逻辑电路,以基于所述信息和所述经过训练的机器学习模型来确定所述一个或多个服务提供者到达所述出发地点的预计到达时间。
根据申请的另一个方面,一种方法可以包括以下操作中的一个或多个操作。在线按需服务平台中的至少一个设备可以具有至少一个处理器。所述至少一个处理器可以执行所述至少一个处理器中的逻辑电路以获得与终端装置相关的出发地点。所述至少一个处理器可以执行所述至少一个处理器的逻辑电路以获得与所述出发地点有关的信息,所述信息包括一个或多个服务提供者的信息。所述至少一个处理器中执行逻辑电路以获得经过训练的机器学习模型。所述至少一个处理器可以执行至少一个处理器中的逻辑电路,以基于所述信息和所述经过训练的机器学习模型来确定所述一个或多个服务提供者到达所述出发地点的预计到达时间。
根据申请的另一方面,一种非暂时性机器可读存储介质可以包括指令。当来自请求者终端的在线按需平台中的至少一个处理器访问所述非暂时性机器可读存储介质时,所述指令可以使得至少一个处理器执行以下执行中的至少一个。所述指令可以使所述至少一个处理器执行所述至少一个处理器中的逻辑电路以获得与终端装置相关的出发地点。所述指令可以使所述至少一个处理器执行所述至少一个处理器中的逻辑电路以获得与所述出发地点有关的信息,所述信息包括一个或多个服务提供者的信息。指令可以使得至少一个处理器执行至少一个处理器中的逻辑电路以获得一个经过训练的机器学习模型。指令可以使得至少一个处理器执行所述至少一个处理器中的逻辑电路以基于信息和经过训练的机器学习模型来确定一个或多个服务提供者到达出发地点的预计到达时间。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性的实施例将结合参考图示进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的组件符号表示相同的结构,其中:
图1是根据本申请的一些实施例所示的一种示例性按需服务***的框图;
图2是根据本申请的一些实施例所示的一种计算设备的示例性硬件和软件组成的示意图;
图3是根据本申请的一些实施例所示的服务请求者的终端装置上的示例性用户界面;
图4A是根据本申请的一些实施例所示的一种示例性处理器的框图;
图4B是根据本申请的一些实施例所示的一种示例性确定模块的框图;
图5是根据本申请的一些实施例所示的一种用于确定到达出发地点的ETA示例性过程的流程图;
图6是根据本申请的一些实施例所示的一种用于确定经过训练的机器学习模型的示例性过程的流程图;以及
图7是根据本申请的一些实施例所示的一种示例性移动设备的示例性硬件和/或软件组件的示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请,并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲,对本申请披露的实施例进行的各种修改是显而易见的,并且本文中定义的通则在不背离本申请的精神及范围的情况下,可以适用于其他实施例及应用。因此,本申请不限于所示的实施例,而是符合与申请专利范围一致的最广泛范围。
本文中所使用的术语仅用于描述特定示例性实施例,并不限制本申请的范围。如本文使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。一般说来,术语“包括”与“包含”仅提示包括已明确标识特征、整数、步骤、操作、元素、和/或组件,而不排除可以存在和添加其他一个或多个特征、整数、步骤、操作、元素、组件、和/或其组合。
在考虑了作为本申请一部分的附图的描述内容后,本申请的特征和特点以及操作方法、结构的相关元素的功能、各部分的组合、制造的经济性变得显而易见。然而,应当理解,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例的。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,流程图的操作不一定按照顺序来精确地执行。相反,可以按照倒序执行或同时处理各种步骤。此外,可以将一个或多个其他操作添加到这些流程中,或从这些流程中移除一个或多个操作。
此外,虽然本申请中的***和方法主要描述的是关于分配一组可共享的订单,但是仍然应当理解的是,这仅仅是一个示例性实施例。本申请的***和方法可以能适用于其他任一种按需服务。例如,本申请的***和方法可以应用于不同环境下的运输***,包括陆地、海洋、航空航天等中的一种或多种组合。所述运输***的车辆可以包括出租车、私家车、顺风车、公交车、火车、子弹火车、高铁、地铁、船舶、飞机、飞船、热气球、无人驾驶车辆等中的一种或多种组合。所述运输***也可以包括用于管理和/或分配的任一种运输***,例如,接收和/或送快递的***。本申请的***和方法的应用可以包括网页、浏览器插件、客户端、客制***、内部分析***、人工智能机器人等中的一种或多种组合。
本申请中的术语“乘客”,“请求者”、“服务请求者”和“客户”可用于表示请求或订购服务的个人或实体或工具,并且可以互换使用。另外,本申请中的术语“司机”,“提供者”,“服务提供者”和“供应者”可用于指代可提供服务或促进提供服务的个体、实体或工具,并且可以互换使用。本申请中的术语“用户”表示可以请求服务、预定服务、提供服务或促进所述服务提供的个体、实体或工具。例如,用户可以是乘客、司机、执行者等或类似的主体或上述举例的任意组合。在本申请中,“乘客”、“用户设备”、“用户终端”和“乘客终端”可以互换使用,并且“司机”和“司机终端”可以互换使用。
本申请中的术语“服务请求”和“订单”用于表示由一乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应者等或其任意组合发起的请求,并且可以互换使用。服务请求可以由乘客,请求者,服务请求者,客户,司机,提供者,服务提供者、供应者等主体中的任何一个接受。所述服务请求可以是收费的或免费的。
本申请中使用的定位技术可以包括全球定位***(GPS)、全球卫星导航***(GLONASS)、北斗导航***(COMPASS)、伽利略定位***、准天顶卫星***(QZSS)、无线保真(WiFi)定位技术等中的一种或多种组合。以上定位技术中的一个或多个可以在本申请中交换使用。
本申请一方面涉及用于确定接载的ETA的在线***和方法。为此,在线按需运输服务平台可以首先获得与终端装置相关的出发地点,并且基于经过训练的机器学习模型和与出发地点相关的信息来确定在出发地点处接载用户的预计到达时间。经过训练的机器学习模型可以利用与所述按需运输服务有关的多个历史日期来训练。因此,本申请可以使用经过训练的机器学习模型,基于与出发地点有关的信息来提供对接载的ETA更准确的预估。用户可以基于所述预估的ETA来确定是否请求服务。更准确的ETA预估可以提高叫车订单的成功率并改善该服务的用户体验。
应当注意的是,所述技术问题和解决方案源于线上按需运输服务。该服务是一种只存在于后网络时代的新型服务形式。它为使用者(例如,服务请求者)和服务提供方(例如,司机)提供了仅在后网络时代才可能实现的技术方案。在前网络时代,当用户在街上招呼出租车时,出租车服务的请求和接受只可能发生在乘客和看到该乘客的出租车司机之间。如果乘客通过电话呼叫出租车,该服务的请求和接受只发生在乘客和一个服务提供者(例如,出租车客运业或者代理商)之间。此外,乘客不能获取到达出发地点的ETA。然而,线上出租车允许一个使用者实时地和自动地向与该用户相距一段距离的大量的单个服务提供方(例如,出租车司机)分配服务请求。它还允许多个服务提供方同时地并实时地对该服务请求进行回应。此外,在线按需服务***和乘客可以获得到达出发地点的ETA。乘客可以在发送请求之前基于ETA确定是否要求服务。因此,通过网络,在线按需运输服务***可以为用户及服务提供方提供一个更加高效的运输服务平台,这在传统的前网络时代的运输服务***中是不会出现的。
图1是根据一些实施例所示的一种示例性按需服务***100的框图。例如,按需服务***100可以是一个为运输服务提供的在线运输服务平台,例如叫车服务、驾驶服务、快运汽车、共乘服务、巴士服务、司机雇佣和接送服务。按需服务***100可以是包括服务器110、网络120、用户设备130、司机终端140和数据库150的在线平台。服务器110可以包括处理引擎112。
在一些实施例中,服务器110可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的(例如,服务器110可以是分布式***)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以经由网络120访问存储在用户设备130,司机终端140和/或数据库150中的信息和/或数据。又例如,服务器110可以直接连接到用户设备130,驾驶终端140和/或数据库150以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、小区云、分布式云、内部云、多层云等或其任何组合。在一些实施例中,服务器110可以在如本申请图2所示的包含一个或多个组件的计算装置200上实现。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请中描述的至少一个功能。例如,处理引擎112可以基于从用户设备130获得的与出发地点有关的信息来确定用于接载的ETA。在一些实施例中,处理引擎112可以包括至少一个处理引擎(例如,单核处理引擎或多核处理器)。仅作为示例,处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,按需服务***100的一个或者多个部分(例如服务器110、用户设备130、司机终端140和数据库150)可以通过网络120传送信息至按需服务***100的其他元件。例如,服务器110可以经由网络120将ETA发送到用户设备130。在一些实施例中,网络120可以是任何类型的有线或无线网络或其组合。仅作为示例,网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网(WAN)、无线局域网络(WLAN)、城域网(MAN)、公用电话交换网(PSTN)、蓝牙网络、无线局域网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中,网络120可以包括至少一个网络接入点。例如,网路120可以包括有线或无线网路接入点,如基站和/或网路接入点120-1、120-2、……,通过该网络接入点,按需服务***100的一个或多个组件可以连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求者可以是用户设备130的用户。在一些实施例中,用户设备130的用户可以是不同于服务请求者的人。例如,用户设备130的用户A可以使用用户设备130发送针对用户B的服务请求,或者从服务器110接收服务和/或信息或指令。在一些实施例中,提供者可以是司机终端140的用户。在一些实施例中,司机终端140的用户可以是除提供者之外的人。例如,司机终端140的用户C可以使用司机终端140接收针对用户D的服务请求,和/或来自服务器110的信息或指令。
在一些实施例中,用户设备130可以包括移动设备130-1、平板电脑130-2、手提电脑130-3、机动车辆中的内置设备130-4等,或者任何它们的组合。在一些实施例中,移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、混合现实设备等或其任何组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电气设备的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任何组合。在一些实施例中,可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配件等或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等或其任何组合。在一些实施例中,虚拟现实设备和/或混合现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、混合现实头盔、混合现实眼镜、混合现实补丁等或其任意组合。例如,虚拟现实设备和/或混合现实设备可以包括Google眼镜、Oculus Rift头戴式显示装置、全息透镜、VR头盔等。在一些实施例中,机动车辆中的内置设备130-4可以包括车载计算机、车载电视等。在一些实施例中,用户设备130可以是为服务请求者和/或用户设备130的存储订单的设备。在一些实施例中,用户设备130可以是具有定位服务请求者和/或用户设备130的位置的定位技术的设备。
在一些实施例中,司机终端140可以与用户设备130类似或相同。在一些实施例中,司机终端140可以是用于存储司机和/或司机终端140的订单的设备。在一些实施例中,司机终端140可以是具有定位服务提供者和/或司机终端140位置的定位技术的设备。在一些实施例中,用户设备130和/或司机终端140可以与其他定位设备通信以确定服务请求者,用户设备130,司机和/或司机终端140的位置。在一些实施例中,用户设备130和/或司机终端140可以向服务器110发送定位信息。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从用户设备130和/或从司机终端140获得的数据。在一些实施例中,数据库150可以存储与用户设备130和/或司机终端140相关的出发地点的信息。所述与出发地点相关的信息可以包括出发地点的周围区域中的服务提供者信息、订单信息或交通信息。数据库150可以经由网络120从基于位置的服务应用程序(例如,滴滴出行TM等)或第三方(例如,交通出发,地图应用程序等)获得与出发地点有关的信息。在一些实施例中,数据库150可以存储数据和/或指令,服务器110可以执行或使用所述数据和/或指令以执行本公开中描述的示例性方法。在一些实施例中,数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任何组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的易失性读写存储器可以包括随机存取存储器(RAM)。示例性的RAM可以包括动态RAM(DRAM)、双倍数据速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。示例性ROM可以包括屏蔽式堆读内存(MROM)、可编程存储器(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能盘ROM等。在一些实施例中,数据库150可以在云平台上实现。仅仅作为范例,该云平台可以包括私有云、公共云、混合云、小区云、分布式云、内部云、多层云等中的一种或多种组合。
在一些实施例中,数据库150可以连接到网络120以与按需服务***100中的一个或多个组件(例如,服务器110、用户设备130、司机终端140等)进行通信。按需服务***100中的一个或多个组件可以通过网路120获取储存在资料库150中的资料或指令。在一些实施例中,数据库150可以直接连接到按需服务***100(例如,服务器110、用户设备130、司机终端140等)中的一个或多个组件或与其通信。在一些实施例中,数据库150可以是服务器110的一部分。
在一些实施例中,按需服务***100的一个或多个组件(例如,服务器110、用户设备130、司机终端140等)可以拥有访问数据库150的许可。在一些实施例中,当满足至少一个条件时,按需服务***100的一个或多个组件可以读取和/或修改与服务请求者、司机和/或公共相关的信息。例如,在一次服务后,服务器110可以读取和/或修改至少一个用户的信息。又例如,当从用户设备130接收到服务请求时,司机终端140可以访问与服务请求者有关的信息,但司机终端140可以不修改服务请求者的相关信息。
在一些实施例中,按需服务***100的一个或多个组件之间的信息交换可以通过请求一个服务来实现。服务请求的对象可以是任一产品。在一些实施例中,该产品可以是有形产品或无形产品。该有形产品可以包括食物、药物、日用品、化学产物、电器用品、衣服、汽车、住宅、奢侈品等中的一种或多种组合。该无形产品可以包括服务产品、金融产品、知识产品、互联网产品等中的一种或多种组合。互联网产品可以包括一个人主机产品、全球网产品、移动上网产品、商用主机产品、嵌入式产品等中的一种或多种组合。移动上网产品可以是应用在移动终端上的软件、程序、***等中的一种或多种组合。移动终端可以包括平板计算机、膝上型计算机、移动电话、个人数字助理(PDA)、智能手表、销售点(POS)装置、机上计算机、机上电视、可穿戴装置等中的一种或多种组合。例如,产品可以是在计算机或移动电话上使用的任一软件和/或应用程序。该软件和/或应用程序可以与社交、购物、运输、娱乐、学习、投资等中的一种或多种组合相关联。在一些实施例中,与运输相关联的软件和/或应用程序可以包括旅游软件和/或应用程序、车辆调度软件和/或应用程序、地图软件和/或应用程序等。对于车辆调度和/或应用程序,车辆可以是马、马车、人力车(例如,独轮手推车、脚踏车、三轮车等)、汽车(例如,出租车、公交车、私人汽车或类似物)、火车、地铁、船只、航空器(例如,飞机、直升机、航天飞机、火箭、热气球等)等中的一种或多种组合。
本领域普通技术人员应当理解,当按需服务***100中的一个组件运行时,该组件可以通过电信号和/或电磁信号运行。例如,当用户设备130处理诸如确定、识别或选择对象之类的任务时,用户设备130可以运行其处理器中的逻辑电路来处理这样的任务。当用户设备130向服务器110发送服务请求时,用户设备130的处理器可以生成编码该请求的电信号。然后,用户设备130的处理器可以将电信号发送到输出端口。如果用户设备130经由有线网络与服务器110通信,则输出端口可以物理连接到电缆,所述电缆进一步将电信号传输到服务器110的输入端口。如果用户设备130经由无线网络与服务器110通信,则用户设备130的输出端口可以是至少一根天线,其将电信号转换为电磁信号。类似地,用户设备130可以通过其处理器中的逻辑电路的执行来处理任务,并且经由电信号或电磁信号从服务器110接收指令和/或服务请求。在诸如用户设备130、司机终端140和/或服务器110的电子设备内,当其处理器处理指令、发出指令,和/或执行动作时,所述指令和/或动作通过电信号执行。例如,当处理器从存储介质检索或保存数据时,它可以向存储介质的读/写设备发送电信号,该读/写设备可以在存储介质中读取或写入结构化数据。结构化数据可以通过电子设备的总线以电信号的形式发送到处理器。这里,电信号可以指一个电信号、一系列电信号和/或多个离散电信号。
图2是根据本申请的一些实施例所示的计算装置200的示例性硬件和软件的示意图。服务器110、用户设备130和/或司机终端140可以在计算装置200上实现。例如,处理引擎112可以在计算设备200上实现并且被配置为执行本公开中公开的处理引擎112的功能。
计算装置200可以是通用计算机或特殊用途计算机,二者可以用来实现本申请的按需***。计算装置200可以用来实现本申请所描述的按需服务的任意部件。例如,处理引擎112可以通过其硬件、软件程序、固件或其任意组合在计算设备200上实现。图中为了方便起见只绘制了一台计算机,但是本实施例所描述的提供按需服务所需要的信息的相关计算机功能可以以分布的方式、由一些相似的平台所实施的,以分散***的处理负荷。
例如,计算设备200可以包括连接到与其连接的网络和从与其连接的网络连接的COM端口250,以便于数据通信。计算设备200还可以包括一个或多个处理器形式的处理器220,用于执行程序指令。示例性计算机平台可以包括内部通信总线210、不同形式的程序存储器和数据存储器,例如磁盘270、只读存储器(ROM)230或随机存取存储器(RAM)240,用于由计算机处理和/或发送的各种数据文件。示例性计算机平台还可以包括存储在ROM 230,RAM 240和/或要由处理器220执行的其他类型的非暂时性存储介质中的程序指令。本公开的方法和/或过程可以被实现为程序指令。计算设备200还包括I/O组件260,其支持计算机和其中的其他组件之间的输入/输出。计算设备200还可以经由网络通信接收编程和数据。
计算设备200还可以包括与硬盘通信的硬盘控制器、与按键/键盘通信的键盘/键盘控制器、与串行***设备通信的串行接口控制器、与并行***设备通信的并行接口控制器、与显示器通信的显示控制器等,或者它们的任意组合。
仅仅为了说明,计算装置200中仅示例性描述了一个CPU和/或处理器。然而,需要注意的是,本申请中的计算装置200可以包括多个CPU和/或处理器,因此本申请中描述的由一个CPU和/或处理器实现的执行和/或方法也可以共同地或独立地由多个CPU和/或处理器实现。例如,在本申请中,如果计算装置200的中央处理单元和/或处理器执行步骤A和步骤B,应当理解的是步骤A和步骤B可以由计算装置200的两个不同的中央处理单元和/或处理器共同或分别执行(例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B)。
图3是根据本申请的一些实施例所示的用户界面300在服务请求者终端装置上的示例性用户界面。终端装置可以是用户设备(例如,移动设备等)。参照图3,用户界面300可以表示出与出发地点图标312相关的至少一个元素。
用户界面300可以包括出发地点图标(例如,出发地点图标312、出发地点图标314等)、服务提供者图标(例如,服务提供者图标332、服务提供者图标334和服务提供者图标336)、道路地图、消息图标(例如消息图标320)等或其任何组合。
出发地点图标可以表示与操控用户设备的用户(例如,乘客)相关的出发地点。服务提供者图标可以表示与服务提供者(例如,驾驶出租车的出租车司机)的终端装置(例如,司机终端140)相关的位置。消息图标可以显示预计到达时间(ETA)。在一些实施例中,消息图标320可以以时间长度(例如,5分钟、0分钟)的形式或以精确时间的形式(例如,下午10:00)来显示ETA。
在一些实施例中,用户可以在用户界面300上输入和/或选择出发地点。例如,用户可以选择与出发地点图标312有关的地点作为出发地点。在一些实施例中,按需服务***100可以确定终端装置的位置并且将位置显示为用户界面300上的出发地点。
在一些实施例中,终端装置可以从服务器(例如,按需服务***100的服务器)接收数据(例如,ETA),并将数据显示在用户界面300上。数据可以以文本、声音、图形等或其任何组合的形式显示。例如,如图3所示,ETA可以以数字(例如,5)和单位(例如,分钟)的形式显示在消息图标320上。
图4A是根据本申请的一些实施例所示的示例性处理器400的框图。处理器400可以在服务器110、用户设备130、司机终端140和/或数据库150中实现。处理器400可以包括获取模块410、确定模块420和通信模块430。图4B是根据本申请的一些实施例所示的示例性确定模块420的框图。确定模块420可以包括模型确定单元421、特征确定单元423和预计到达时间确定单元425。
通常,这里使用的词语“模块”是指体现在硬件或固件中的逻辑,或者指软件指令的集合。此处描述的模块可以作为软件和/或硬件实施,并且可以存储于任意类型的非暂时性计算机可读介质或其它存储设备中。在一些实施例中,软件模块可以被编译并链接至可执行程序。可以理解的是,软件模块可以从其它模块或自身调用,和/或可以基于检测到的事件或中断被调用。被配置为在计算设备上执行的软件模块可以提供于计算机可读介质,诸如光盘、数字视频盘、闪存驱动器、磁盘或任何其他有形介质,或者作为数字下载(可以最初以压缩或可安装格式被存储,其在执行之前需要安装、解压缩或解密)。这样的软件代码可以部分地或全部地存储在执行计算设备的存储设备上,以便由计算设备执行。软件指令可以嵌入固件,例如可擦可编程只读存储器。可以进一步理解的是,硬件模块可以被包括在连接逻辑电路,例如门和触发器,和/或可以包括在可编程单元,例如可编程门阵列或处理器中。这里描述的模块或计算设备功能优选地被实现为软件模块,但是可以用硬件或固件来表示。在一般情况下,这里所述的模块是指逻辑模块,无论其物理组织或存储如何,所述逻辑模块可以与其它模块结合或分割成多个子模块。
获取模块410可以被配置为获取与终端装置相关的出发地点。终端装置(例如,用户设备130)可以被配置为发送服务请求。出发地点可以是与服务请求相关的开始地点。终端装置可以位于当前位置。出发地点可以与终端装置的当前位置相同或不同。
在一些实施例中,出发地点可以是与终端装置(例如,用户设备130)相关的当前位置。例如,按需服务***100可以监视终端装置的状态(例如,应用的使用状态),并基于该状态将终端的当前位置确定为出发地点。
在一些实施例中,出发地点可以是与终端装置(例如,用户设备130)相关的当前位置相距一定距离的接载位置。例如,用户可以使用终端为不同于终端装置当前位置的朋友请求服务。那么出发地点可以是朋友的地点。
在一些实施例中,出发地点可以表示为维度和经度的坐标(例如(N:34°31’,E:69°12’))可以包括全球的定位***(GPS)、全球导航卫星***(GLONASS)、罗盘导航***(COMPASS)、伽利略定位***、准天顶卫星***(QZSS)、无线保真(WIFI)定位技术等或上述举例的任意组合。在一些实施例中,出发地点可以用地点的描述,例如麦当劳商店,而不是纬度和经度坐标来显示。
获取模块410可以被配置为获取与出发地点相关的信息。与出发地点有关的所述信息可以是时间信息、服务提供者信息、订单信息,交通信息等,或其任何组合。
在一些实施例中,与所述出发地点相关的时间信息可以是接载时间或服务请求时间。例如,在下午5:30,用户可以输入具有指定时间的出发地点,该指定时间在下午5:30之后(例如,下午6:00等)。又例如,按需服务***100可以确定与出发地点相关的当前时间。
在一些实施例中,与出发地点相关的服务提供者信息可以包括出发地点的特定范围内的服务提供者的数量、服务提供者的车辆信息(例如,车辆的颜色、车辆的车牌、车辆的类型、车辆的里程率、车辆的燃料消耗和车辆的剩余油)、服务提供者的个体信息(例如,年龄、驾驶年限和驾驶证号码)等,或其任意组合。
在一些实施例中,与出发地点相关的订单信息可以包括历史订单信息、当前订单信息和与出发地点相关的潜在订单信息。例如,订单信息可以包括在出发地点或出发地点的特定范围内发出的多个历史订单。又例如,订单信息可以包括多个订单,所述多个订单是在从当前时间起的时间范围内,在出发地点处或者在出发地点的特定范围内发出。作为又一示例,所述订单信息可以包括多个潜在订单,其中按需服务应用可以在位于出发地点附近的用户终端中被打开。所述订单的开始地点和出发地点可以相同或不同。例如,所述订单可以是开始地点与出发地点相同的订单。又例如,所述订单可以是开始地点在与出发地点相关的区域中(例如,在以出发地点为中心的半径为50米的圆形区域内)的订单。
订单信息可以包括时间信息(例如,接载时间、服务提供者的到达时间、交通灯的等待时间和交通堵塞时间)、订单分配信息、服务提供者信息、服务请求者信息等或其任意组合。例如,与历史订单相关的历史订单信息可以包括用于接载的历史到达时间,服务提供者信息、历史订单的历史出发地点、历史订单的路线信息、与历史订单相关的交通信息。
在一些实施例中,与出发地点相关的交通信息可以包括交通灯数量、道路拥堵状况、是否存在事故或建造等,或其任意组合。
确定模块420可以确定经过训练的机器学习模型。在一些实施例中,经过训练的机器学习模型可以由模型确定单元421确定。经过训练的机器学习模型可以是监督学习模型、无监督模型和强化学习模型。经过训练的机器学习模型可以是回归模型、分类模型和聚类模型。例如,回归模型可以是因子分解机(FM)模型、梯度提升决策树(GBDT)模型、神经网络(NN)模型或其他深度学习模型。
确定模块420可以从与出发地点有关的信息中提取特征。在一些实施例中,所述特征可以由特征确定单元423提取。在一些实施例中,提取的特征可以包括位置属性、时间属性、订单属性、交通属性等,或其任何组合。时间属性可以是接载的历史到达时间或时间段(例如,高峰时间、清晨、午夜等)。订单属性可以是订单数量。选定区域中订单的密度。交通属性可以是交通灯的数量、道路拥堵的状况。
确定模块420可以确定服务提供者到达出发地点的预计到达时间(ETA)。在一些实施例中,ETA可以由预计到达时间确定单元425确定。如这里所使用的,ETA可以指服务提供者从他/她的当前位置驾驶到接载地点(例如,用户的出发地点)的时间。在一些实施例中,ETA可以是服务提供者到达目的地位置的时间长度(例如,10分钟),即服务请求者的等待时间。在一些实施例中,ETA可以是服务提供者可能到达的确切时间(例如,晚上10点10分)。
通信模块430可以被配置为向终端装置(例如,用户设备130)发送信息。该信息可以是ETA、服务提供者信息、位置信息等,或其任何组合。例如,通信模块430可以将纬度和经度数据发送到用户设备130以将用户设备130定位在地图上。又例如,通信模块430可以在用户下订单服务之前将ETA发送到用户设备130。
通信模块430可以被配置为从终端装置(例如,用户设备130)接收信息。例如,通信模块430可以从用户设备130接收位置信息。位置信息可以是用户设备130的当前位置或由用户选择的位置。例如,通信模块430可以从用户设备130接收应用程序使用状态信息(例如,是否启动应用程序)。
应当注意,以上关于处理器400的描述仅出于说明目的,并不意图限制本申请的范围。对于本领域技术人员而言,在本申请内容的指导下,可作出各种变化和修改。然而,变化和修改不会超出本申请的范围。例如,由处理器400获取的部分或全部数据可以由用户设备130处理。又例如,可以设置训练模块(图4中未示出),并且训练模块可以训练机器学习模型。诸如此类的变形,均在本申请的保护范围之内。
图5是根据本申请的一些实施例所示的用于确定到达出发地点的ETA的示例性过程500的流程图。过程500可以由图1到图4中介绍的按需服务***100执行。例如,过程500可以被实现为存储在按需***的非临时性存储介质中的一个或多个指令。当按需服务***的处理器400执行该组指令时,该组指令可以指示处理器400执行该过程的以下步骤。
在510中,处理器400(例如,获取模块410)可以获得与终端装置(例如,用户设备130)相关的出发地点。所述出发地点可以是终端装置的位置。出发地点可以是通过终端装置选择的地点。
在一些实施例中,出发地点可以由终端装置的用户手动输入或从多个记录中选择。所述多个记录可以包括与用户有关的位置(例如,用户在上周被选择的位置)。在一些实施例中,用户可以通过移动代表出发地点的图标(例如,如图3所示的出发地点图标312)来确定出发地点。
在一些实施例中,处理器400可以在与出发地点相关的用户确定服务请求之前获得出发地点。例如,当终端的用户启动安装在终端装置中的按需服务应用(例如滴滴出行TM)时,获取模块410可以自动获取终端装置(例如,用户设备130)的当前位置。
在一些实施例中,在510中,处理器400可以将当前位置作为出发地点的地址,包括商场名称、道路、标志性地标、住宅区、大厦、超市等,或其任何组合的名称。
在520中,处理器400(例如,获取模块410)可以获得与出发地点有关的信息。所述与出发地点有关的信息可以是时间信息、服务提供者信息、订单信息、交通信息等,或其任何组合。
所述服务提供者信息可以是与出发地点有关区域内的服务提供者相关的信息。例如,该区域可以是以出发地点为中心、具有预设半径(例如,5公里)的圆形区域。又例如,该区域可以是以出发地点为中心、具有预设边长(例如5千米)的正方形区域。所述区域的以上示例仅用于说明目的,并且本公开不旨在进行限制。该区域可以是任何几何形状。此外,该区域可以基于行政区划来确定,例如在华盛顿特区内。
与出发地点相关的交通信息可以是与出发地点相关地区的交通信息。
在530中,处理器400可以获得经过训练的机器学习模型。
所述经过训练的机器学习模型可以被训练,用作在用户发送服务请求之前确定到达出发地点的ETA。在一些实施例中,经过训练的机器学习模型可以是分解机器(FM)模型。FM模型可以基于从与出发地点有关的信息中提取的特征来确定ETA。度d等于2时的FM的模型方程定义为:
其中,参数W0是全局偏差,x是特征(例如,Xi是第i个特征,Xj是第j个特征),参数Wi是Xi的第i个特征的强度,n是特征的数量,参数<Vi,Vj>是第i个特征和第j个特征之间的相互作用,是ETA的最终预测结果。在本申请中,训练FM模型的过程可以是用于确定方程(1)中参数的过程。FM模型也可以允许高阶相互作用的高质量参数预计(d≥2)。
在一些实施例中,经过训练的机器学习模型可以是梯度提升决策树(GBDT)模型。所述梯度增强可以是梯度下降算法。所述GBDT的建模过程可以将弱“学习者”以迭代的方式组合成一个强大的学习者。在梯度增强中1≤m≤M的每个阶段,可能至少有一个不完美的模型Fm。M是GBDT模型中使用特征的数量。在一些实施例中,梯度提升算法可以通过增加预估器h的新模型来确定模型Fm,以提供更好的模型Fm+1=Fm(X)+h(X)来确定新模型。每个Fm+1可以学习在损失函数的负梯度中纠正其前一Fm。损失函数越大,模型Fm出现错误的可能性就越大。关于确定经过训练的机器学习模型的过程和/或方法的详细描述将在图6中示出。
在540中,处理器400(例如,确定模块420)可以基于信息和经过训练的机器学习模型来确定到达出发地点ETA。
在一些实施例中,处理器400(例如,确定模块420)可以从与出发地点有关的信息中提取至少一个特征。所述至少一个特征可以包括位置属性(例如,历史订单的出发地点)、服务提供者属性(例如,区域中的服务提供者的数量)、时间属性(例如,接载时间),交通属性(例如,交通信号灯的数量)等。经过训练的机器学习模型可以分析特征。处理器400可以基于分析结果来确定以到达出发地点的ETA。在一些实施例中,处理器400可以在从终端装置(例如,用户设备130)接收服务请求之前确定ETA。
在一些实施例中,所述经训练的机器学习模型可以将与出发地点相关的当前信息与从与出发地点相关的历史订单中提取的多个历史信息进行比较。多个历史订单中每一个历史订单的历史信息可以包括用于接载乘客的历史到达时间。所述经过训练的机器学习模型可以确定是否存在与当前信息匹配的历史信息。响应于存在与当前信息相匹配的历史信息的决定,可以将与所述历史信息对应的接载的历史到达时间用作参数以训练经过训练的机器学习模型。
在550中,处理器400(例如,通信模块430)可以发送要显示的ETA给所述终端装置(例如,用户设备130)。
所述终端可以将ETA显示为准确的时间(例如,上午10点10分,下午10点10分或23点11分),(例如5分钟或2分钟)等或其任何组合。例如,ETA可以以图3所示的文本形式显示。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种修改和变化。然而,变化和修改不会超出本申请的范围。在一些实施例中,部分步骤可以减少或者增加。例如,可以在示例性过程/方法500的其他地方添加至少一个其他选项(例如,存储过程)。又例如,处理器400可以在520或530中从出发地点和与出发有关的信息中提取至少一个特征。诸如此类的变形,均在本申请的保护范围之内。
图6是根据本申请的一些实施例所示的用于确定经过训练的机器学习模型的示例性过程600的流程图。过程600可以由图1和2中介绍的按需服务***执行。例如,过程600可以被实现为存储在按需***的非临时性存储介质中的至少一个指令。当按需服务***的处理器400执行该组指令时,该组指令可以指示处理器400执行该过程的以下步骤。在一些实施例中,过程500的步骤530可以基于确定经过训练的机器学习模型的过程600来执行。
在610中,处理器400(例如,确定模块420)可以在训练学习模型之前初始化初始机器学习模型。
在620中,处理器400(例如,获取模块410)可以获得多个历史订单。处理器400可以从用户设备130、司机终端140或数据库150获得所述多个历史订单。
在一些实施例中,所述多个历史订单可以是与准确时间或相同时间段相关的历史订单。所述时间段可以是任何长度,例如多年(例如,最近三年、最近两年等)、一年(例如,去年、当年、最近一年等)、半年(例如最近六个月、当年上半年等)、四分之一年(例如最近三个月、本年度第二季度等)等等。
在一些实施例中,所述多个历史订单可以是与出发地点相关区域有关的历史订单。所述历史订单的开始地点可能在该地区。例如,所述多个历史订单可以是海淀区的历史订单。
在一些实施例中,可基于条件来确定所述多个历史订单。例如,该条件可能是与多个历史订单相关的服务类型是汽车共享。又例如,该条件可能是与多个历史订单相关的车辆的类型是运动型多用途车。
历史订单可以包括与历史订单有关的历史信息。与历史订单相关的历史信息可以包括历史位置信息(例如,历史出发地点)、历史时间信息(例如,拾取的历史到达时间)、历史订单信息(例如历史订单数量)、历史交通信息(例如,红绿灯的历史数量)等。可以从存储在数据库150中的历史订单和数据获得所述与历史订单相关的历史信息。
在630中,处理器400(例如,确定模块420)可以从多个历史订单中的每一个订单中提取至少一个特征。所述至少一个特征可以包括位置属性、时间属性、订单属性、交通属性等。所述至少一个特征还可以包括在每个历史订单进行交易之前的服务提供者的历史数量。
在一些实施例中,处理器400可以从与多个历史订单中的每一个相关的历史信息中提取至少一个特征。
在640中,处理器400(例如,确定模块420)可以基于所提取的与多个历史订单相关的特征训练初始机器学习模型。
所述提取的特征可以被输入到启动的初始机器学习模型。所述启动的机器学习可以分析所述提取的特征以修改初始机器学习的参数。
在一些实施例中,从历史信息中提取的特征可以生成对应于每个历史信息的历史特征数据。处理器400可以在步骤640和/或650中针对不同阶段使用不同组中的历史特征数据。例如,处理器400可以使用历史特征数据来训练和/或测试初始机器学习模型。
在650中,处理器400(例如,确定模块420)可以根据训练结果确定经过训练的机器学习模型。
在一些实施例中,确定过程可以包括确定经过训练的机器学习模型是否满足收敛条件。收敛条件可以包括确定误差是否小于阈值。例如,处理器400可以选择在640中获得的一些历史特征数据作为测试数据。测试数据可以是在640中未用于训练初始机器学习模型的历史特征数据。处理器400可以基于测试数据来确定ETA。然后,处理器400可以基于由经过训练的机器学习模型确定的ETA和测试数据中接载的历史到达时间来确定误差。响应于确定误差小于阈值,处理器400可以在650中确定经过训练的机器学习模型。响应于确定误差不小于阈值,处理器400可以再次返回到630。
需要注意的是,上述描述仅是为了说明,并不构成对本申请范围的限制。对于本领域技术人员而言,在本申请内容的指导下,可作出多种变化和修改。然而,变化和修改不会超出本申请的范围。在一些实施例中,部分步骤可以减少或增加。例如,可以在示例性过程/方法600的其他地方增加一个或多个其他选项(例如,存储过程)。又例如,处理器400可以在640中启动初始机器学习模型。诸如此类的变形,均在本申请的保护范围之内。
图7是根据本申请的一些实施例所示的可以执行用户设备130或司机终端140的示例性移动设备700的示例性硬件和/或软件组件的示意图。如图7所示,所述移动设备700可以包括通信平台710、显示器720、图形处理单元(GPU)730、中央处理单元(CPU)740、I/O750、内存760和存储器790。在一些实施例中,任何其他合适的组件,包括但不限于***总线或控制器(未示出),也可以被包括在移动设备700中。在一些实施例中,移动操作***770(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一个或多个应用程序780可以从存储器790被加载到内存760中以便由CPU740执行。应用程序780可以包括浏览器或任何其他合适的移动应用程序,用于接收和呈现监测按需服务的信息或来自,例如处理引擎112的其他信息。与信息流的用户交互可以经由I/O 750实现并且经由网络120被提供给处理引擎112和/或按需服务***100的其他组件。
为了执行不同的模块、单元以及在前述披露中所描述的他们的功能,计算机硬件平台可以被用作以上描述的至少一个元素的硬件平台。具有用户接口元素的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端装置。若计算机被适当的程序化,计算机亦可用作服务器。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域普通技术人员可以理解的是,本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“***”。此外,本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python等,或类似的常规程序编程语言,如"C"编程语言、Visual Basic、Fortran2003、Perl、COBOL 2002、PHP、ABAP、动态编程语言如Python、Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网络(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非申请专利范围中明确说明,本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件装置实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或行动装置上安装所描述的***。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (20)
1.一种***,包括:
至少一个计算机可读存储介质,其包括一组用于管理服务供应的指令;和
与所述至少一个存储介质通信的至少一个处理器,其中当执行所述指令集时,所述至少一个处理器被指示为:
执行所述至少一个处理器中的逻辑电路以获得与终端装置相关的出发地点;
执行所述至少一个处理器中的逻辑电路以获得与所述出发地点相关的信息,所述信息包括关于一个或多个服务提供者的信息;
执行所述至少一个处理器中的逻辑电路以获得经过训练的机器学习模型;和
执行所述至少一个处理器中的逻辑电路以基于所述信息和经过训练的机器学习模型确定所述一个或多个服务提供者到达出发地点的预计到达时间。
2.如权利要求1所述的***,其特征在于,至少一个处理器被进一步指示为:
执行所述至少一个处理器中的逻辑电路以发送与所述一个或多个服务提供者相对应的预计到达时间给所述终端装置进行显示。
3.如权利要求1所述的***,其特征在于,与出发地点有关的信息还包括下述中的至少一个:
所述一个或多个服务提供者的数量,
与所述一个或多个服务提供者有关的车辆类型,
与一个或多个服务提供者相关的司机档案,
与所述出发地点相关的订单分配,或
与所述出发地点相关的交通信息。
4.如权利要求1所述的***,其特征在于,经过训练的机器学习模型通过实施如下步骤确定:
执行所述至少一个处理器中的逻辑电路以初始化初始机器学习模型;
执行所述至少一个处理器中的逻辑电路以获得多个历史订单;
执行所述至少一个处理器中的逻辑电路以提取所述多个历史订单中的每一个历史订单中的至少一个特征;
执行所述至少一个处理器中的逻辑电路以基于所提取的与多个历史订单相关的特征训练所述初始机器学习模型;以及
执行所述至少一个处理器中的逻辑电路以基于训练结果确定经过训练的机器学习模型。
5.如权利要求4所述的***,其特征在于,所述至少一个特征包括时间属性、位置属性、订单属性、或交通属性中的至少一个。
6.如权利要求4所述的***,其特征在于,所述多个历史订单是与出发地点有关的区域相关的历史订单。
7.如权利要求1所述的***,所述机器学习模型包括分解机器(FM)模型、梯度增强决策树(GBDT)模型或神经网络(NN)模型。
8.一种在至少一个设备上执行的方法,所述至少一个设备中的每个设备具有至少一个处理器、存储器和连接到网络的通信平台,所述方法包括:
执行所述至少一个处理器中的逻辑电路以获得与终端装置相关的出发地点;
执行所述至少一个处理器中的逻辑电路以获得与所述出发地点相关的信息,所述信息包括关于一个或多个服务提供者的信息;
执行所述至少一个处理器中的逻辑电路以获得机器学习模型;以及
执行所述至少一个处理器中的逻辑电路以基于所述信息和所述机器学习模型来确定所述多个服务提供者到达出发地点的预计到达时间。
9.如权利要求8所述的方法,该方法进一步包括:
执行所述至少一个处理器中的逻辑电路以发送与所述一个或多个服务提供者相对应的预计到达时间给所述终端装置进行显示。
10.如权利要求8所述的方法,其特征在于,与出发地点有关的信息还包括下述中的至少一个:
多个服务提供者的数量,
与多个服务提供者相关的车辆类型,
与多个服务提供者相关的司机档案,
与出发地点相关的订单分配,或
与出发地点相关的交通信息。
11.如权利要求8所述的方法,其特征在于,经过训练的机器学习模型通过实施如下步骤确定:
执行所述至少一个处理器中的逻辑电路以初始化机器学习模型;
执行所述至少一个处理器中的逻辑电路以获得多个历史订单;
执行所述至少一个处理器中的逻辑电路以提取所述多个历史订单中的每一个历史订单中的至少一个特征;
执行所述至少一个处理器中的逻辑电路以基于提取的与多个历史订单相关的特征来训练机器学习模型;以及
执行所述至少一个处理器中的逻辑电路以基于训练结果确定机器学习模型。
12.如权利要求11所述的方法,其特征在于,所述至少一个特征包括时间属性、位置属性、订单属性、或交通属性中的至少一个。
13.如权利要求11所述的方法,其特征在于,所述多个历史订单是与关于出发地点有关的区域相关的历史订单。
14.如权利要求8所述的方法,其中的机器学习模型包括分解机器(FM)模型,梯度增强决策树(GBDT)模型或神经网络(NN)模型。
15.一种包括可执行指令的非暂时性计算机可读介质,所述可执行指令在至少一个处理器运行时使所述至少一个处理器执行一个方法,该方法包括:
执行所述至少一个处理器中的逻辑电路以获得与终端装置相关的出发地点;
执行所述至少一个处理器中的逻辑电路以获得与出发地点相关的信息,所述信息包括关于一个或多个服务提供者的信息;
执行所述至少一个处理器中的逻辑电路以获得机器学习模型;以及
运行所述至少一个处理器中的逻辑电路以基于所述信息和机器学习模型来确定所述一个或多个服务提供者中的一个服务提供者到达出发地点的预计到达时间。
16.如权利要求15所述的非暂时性计算机可读介质,其特征在于,至少一个处理器被进一步指示为:
执行所述至少一个处理器中的逻辑电路以发送与所述一个或多个服务提供者相对应的预计到达时间给所述终端装置进行显示。
17.如权利要求15所述的非暂时性计算机可读介质,其特征在于,与出发地点有关的信息还包括下述中的至少一个:
所述一个或多个服务提供者的数量,
与所述一个或多个服务提供者有关的车辆类型,
与所述一个或多个服务提供者有关的司机档案,
与所述出发地点相关的订单分配,或
与所述出发地点相关的交通信息。
18.如权利要求15所述的非暂时性计算机可读介质,其特征在于,经过训练的机器学习模型通过实施如下步骤确定:
执行所述至少一个处理器中的逻辑电路以初始化初始机器学习模型;
执行所述至少一个处理器中的逻辑电路以获得多个历史订单;
执行所述至少一个处理器中的逻辑电路以提取所述多个历史订单中的每一个历史订单中的至少一个特征;
执行所述至少一个处理器中的逻辑电路以基于所提取的与多个历史订单相关的特征训练所述初始机器学习模型;以及
执行所述至少一个处理器中的逻辑电路以基于训练结果确定经过训练的机器学习模型。
19.如权利要求15所述的非暂时性计算机可读介质,其特征在于,所述至少一个特征包括时间属性、位置属性、订单属性、或交通属性中的至少一个。
20.如权利要求15所述的非暂时性计算机可读介质,其特征在于,所述多个历史订单是与所述出发地点有关的区域相关的历史订单。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/084496 WO2018209551A1 (en) | 2017-05-16 | 2017-05-16 | Systems and methods for determining an estimated time of arrival |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109313742A true CN109313742A (zh) | 2019-02-05 |
Family
ID=64273019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780036609.6A Pending CN109313742A (zh) | 2017-05-16 | 2017-05-16 | 确定预估到达时间的方法及*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200042885A1 (zh) |
CN (1) | CN109313742A (zh) |
TW (1) | TW201901474A (zh) |
WO (1) | WO2018209551A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853349A (zh) * | 2019-10-24 | 2020-02-28 | 杭州飞步科技有限公司 | 车辆调度方法、装置及设备 |
CN111563639A (zh) * | 2019-02-14 | 2020-08-21 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和*** |
CN111784475A (zh) * | 2020-07-06 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种订单信息处理方法、***、装置及存储介质 |
CN111859170A (zh) * | 2019-09-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 出发地信息的确定方法、装置、电子设备及存储介质 |
CN111860903A (zh) * | 2019-09-18 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种确定预估到达时间的方法和*** |
CN111882112A (zh) * | 2020-07-01 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种预测到达时间的方法和*** |
CN112116151A (zh) * | 2020-09-17 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 一种接驾时间预估方法和*** |
CN113011672A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 物流时效预测方法、装置、电子设备及存储介质 |
CN113409596A (zh) * | 2020-06-28 | 2021-09-17 | 节时科技(深圳)有限公司 | 一种全自动智能控流交通***及智能交通控流方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260092A (zh) * | 2018-12-03 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 用于预测对象到达时间的***和方法 |
CN111757272B (zh) * | 2020-06-29 | 2024-03-05 | 北京百度网讯科技有限公司 | 地铁拥堵程度的预测方法、模型训练方法和装置 |
US11864057B2 (en) * | 2020-10-06 | 2024-01-02 | Uber Technologies, Inc. | Location determination based on historical service data |
US11586662B2 (en) * | 2021-03-05 | 2023-02-21 | Microsoft Technology Licensing, Llc | Extracting and surfacing topic descriptions from regionally separated data stores |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103188598A (zh) * | 2011-12-27 | 2013-07-03 | 中国电信股份有限公司 | 智能群呼抢答约车方法、***及出租车约车平台 |
CN106097702A (zh) * | 2016-01-21 | 2016-11-09 | 深圳市十方联智科技有限公司 | 智能交通调度方法和*** |
CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 提供叫车服务的方法和装置 |
CN106448142A (zh) * | 2016-11-24 | 2017-02-22 | 郑州玄机器人有限公司 | 一种带有预计行驶时间的网络约车方法、终端及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9863777B2 (en) * | 2013-02-25 | 2018-01-09 | Ford Global Technologies, Llc | Method and apparatus for automatic estimated time of arrival calculation and provision |
US9267805B2 (en) * | 2013-06-07 | 2016-02-23 | Apple Inc. | Modeling significant locations |
CN103646561B (zh) * | 2013-12-24 | 2016-03-02 | 重庆大学 | 基于道路异常区域评估的路径选择方法及*** |
TWI569226B (zh) * | 2014-02-12 | 2017-02-01 | Chunghwa Telecom Co Ltd | Logistics Delivery Arrival Time Estimation System and Method with Notification Function |
US10650317B2 (en) * | 2015-09-21 | 2020-05-12 | Google Llc | Detecting and correcting potential errors in user behavior |
US9792575B2 (en) * | 2016-03-11 | 2017-10-17 | Route4Me, Inc. | Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints |
-
2017
- 2017-05-16 CN CN201780036609.6A patent/CN109313742A/zh active Pending
- 2017-05-16 WO PCT/CN2017/084496 patent/WO2018209551A1/en active Application Filing
-
2018
- 2018-05-15 TW TW107116458A patent/TW201901474A/zh unknown
-
2019
- 2019-10-09 US US16/596,830 patent/US20200042885A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103188598A (zh) * | 2011-12-27 | 2013-07-03 | 中国电信股份有限公司 | 智能群呼抢答约车方法、***及出租车约车平台 |
CN106097702A (zh) * | 2016-01-21 | 2016-11-09 | 深圳市十方联智科技有限公司 | 智能交通调度方法和*** |
CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 提供叫车服务的方法和装置 |
CN106448142A (zh) * | 2016-11-24 | 2017-02-22 | 郑州玄机器人有限公司 | 一种带有预计行驶时间的网络约车方法、终端及*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563639A (zh) * | 2019-02-14 | 2020-08-21 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和*** |
CN111860903A (zh) * | 2019-09-18 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种确定预估到达时间的方法和*** |
CN111859170A (zh) * | 2019-09-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 出发地信息的确定方法、装置、电子设备及存储介质 |
CN110853349A (zh) * | 2019-10-24 | 2020-02-28 | 杭州飞步科技有限公司 | 车辆调度方法、装置及设备 |
CN113409596A (zh) * | 2020-06-28 | 2021-09-17 | 节时科技(深圳)有限公司 | 一种全自动智能控流交通***及智能交通控流方法 |
CN111882112A (zh) * | 2020-07-01 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种预测到达时间的方法和*** |
CN111882112B (zh) * | 2020-07-01 | 2024-05-10 | 北京嘀嘀无限科技发展有限公司 | 一种预测到达时间的方法和*** |
CN111784475A (zh) * | 2020-07-06 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种订单信息处理方法、***、装置及存储介质 |
CN112116151A (zh) * | 2020-09-17 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 一种接驾时间预估方法和*** |
CN113011672A (zh) * | 2021-03-29 | 2021-06-22 | 上海寻梦信息技术有限公司 | 物流时效预测方法、装置、电子设备及存储介质 |
CN113011672B (zh) * | 2021-03-29 | 2024-04-19 | 上海寻梦信息技术有限公司 | 物流时效预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
TW201901474A (zh) | 2019-01-01 |
WO2018209551A1 (en) | 2018-11-22 |
US20200042885A1 (en) | 2020-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020201991B2 (en) | Systems and methods for recommending an estimated time of arrival | |
CN109313742A (zh) | 确定预估到达时间的方法及*** | |
US11449908B2 (en) | Method and system for determining transport service fee | |
TWI673659B (zh) | 用於確定預估到達時間的電子系統和方法及相關的非暫時性電腦可讀取媒體 | |
TWI670677B (zh) | 用於推薦預估到達時間的系統和方法 | |
CN109478364B (zh) | 确定预计到达时间的方法及*** | |
US11546729B2 (en) | System and method for destination predicting | |
CN110140135A (zh) | 信息处理方法、信息处理***和信息处理装置 | |
TWI675184B (zh) | 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體 | |
CN108934181A (zh) | 用于路径搜索的***和方法 | |
CN109074396A (zh) | 推荐个性化内容的***和方法 | |
CN110537212A (zh) | 确定预估到达时间的***与方法 | |
CN109417767A (zh) | 用于确定预估到达时间的***和方法 | |
CN110431573A (zh) | 订单分配优化的***和方法 | |
CN108780562A (zh) | 更新服务序列的***和方法 | |
CN109791731A (zh) | 一种预估到达时间的方法和*** | |
CN109923373A (zh) | 用于确定车辆参考方向的***和方法 | |
CN111433795A (zh) | 一种确定线上到线下服务的预估到达时间的***和方法 | |
CN110402370A (zh) | 用于确定服务请求的推荐信息的***和方法 | |
CN109716715A (zh) | 用于馈送流发送的***和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |