CN110168313B - 用于预估到达时间的方法及*** - Google Patents
用于预估到达时间的方法及*** Download PDFInfo
- Publication number
- CN110168313B CN110168313B CN201780083059.3A CN201780083059A CN110168313B CN 110168313 B CN110168313 B CN 110168313B CN 201780083059 A CN201780083059 A CN 201780083059A CN 110168313 B CN110168313 B CN 110168313B
- Authority
- CN
- China
- Prior art keywords
- historical
- data
- characteristic data
- model
- trips
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Atmospheric Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Social Psychology (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
Abstract
提供了用于确定与目标行程相关的预估到达时间的方法及***。该方法包括:由处理器提取与目标行程相关的样本特性数据,其中,所述样本特性数据包括对应于与所述目标行程相关的路径的第一特征数据,及对应于所述路径的链路的第二特征数据;获取用于预估到达时间的预测模型;以及根据所述预测模型及所述样本特性数据,由所述处理器确定与所述目标行程相关的预估到达时间ETA。
Description
交叉引用
本申请要求2017年1月10日提交的编号为201710016048.5的中国申请的优先权,其全部内容以引用的方式包含于此。
技术领域
本申请主要涉及机器学习和地图服务,尤其涉及使用机器学习技术来预估到达时间的***及方法。
背景技术
许多基于位置的服务和/或应用(例如web地图服务、导航服务和在线按需运输交通服务)可能需要精确的预估到达时间(estimated time of arrival,ETA)来提供服务。例如,地图服务可能需要实时自动更新车辆的ETA,以向用户提供地图服务的驾驶指导、导航建议、定位信息及其它信息。
发明内容
根据本申请的一个方面,提供了一种***。所述***可以包括计算机可读存储介质及与所述计算机可读存储介质通信的处理器。所述计算机可读存储介质存储用于确定与行程相关的预估到达时间的指令集。当执行所述指令集时,所述处理器用于:提取与目标行程相关的样本特性数据,其中,所述样本特性数据包括对应于与所述目标行程相关的路径的第一特征数据及对应于所述路径的链路的第二特征数据;获取用于预估到达时间的预测模型;根据所述预测模型及所述样本特性数据,确定与所述目标行程相关的预估到达时间(ETA)。
根据本申请的另一个方面,提供了一种方法。所述方法可以包括一个或以上以下操作。所述处理器可以提取与目标行程相关的样本特性数据,其中,所述样本特性数据包括对应于与所述目标行程相关的路径的第一特征数据及对应于所述路径的链路的第二特征数据。所述处理器可以获取用于预估到达时间的预测模型。所述处理器可以根据所述预测模型及所述第二特征数据,确定隐状态信息(hidden state information)。所述处理器可以根据所述预测模型及所述第一特征数据,确定与所述目标行程相关的预估到达时间(ETA)。
在一些实施例中,所述路径的所述链路对应于所述路径的至少一部分。
在一些实施例中,确定与所述目标行程相关的预估到达时间可以进一步包括:根据所述预测模型及所述第二特征数据,确定隐状态信息。以及至少部分根据所述隐状态信息,确定与所述目标行程相关的所述预估到达时间。
在一些实施例中,所述方法可以进一步包括获取一个或以上历史行程;根据与所述一个或以上历史行程相关的链路的数据,将所述一个或以上历史行程分为一组或一组以上,其中所述一个或以上历史行程与包含所述链路的至少两个路径相关联;针对所述一组或一组以上历史行程中的各组历史行程,提取历史特性数据及历史到达时间数据;根据所述历史特性数据及所述历史到达时间数据,生成所述训练数据;以及根据所述训练数据确定所述预测模型。
在一些实施例中,为确定所述预测模型,该方法可以进一步包括从所述一个或以上历史行程中,识别第一组中的至少两个训练行程及第二组中的至少两个训练行程;提取与所述第一组中的至少两个训练行程相关的第一历史特性数据及第一历史到达时间数据;根据所述第一历史特性数据及所述第一历史到达时间数据,确定第一ETA确定模型;提取与所述第二组中的至少两个训练行程相关的第二历史特性数据及第二历史到达时间数据;根据所述第二历史特性数据及所述第二历史到达时间数据,修改所述第一ETA确定模型以确定第二ETA确定模型;根据所述第一ETA确定模型或所述第二ETA确定模型中的至少一个,确定是否满足匹配条件;以及响应于确定满足所述匹配条件,将所述第二ETA确定模型确定为所述预测模型。在一些实施例中,该方法进一步包括根据所述第一ETA确定模型或所述第二ETA确定模型中的至少一个,确定损失函数;以及确定所述损失函数是否收敛于第一值。
在一些实施例中,所述方法可以进一步包括从所述一个或以上历史行程中,选择第三组中的至少两个历史行程;根据与所述第三组中的至少两个历史行程相关的第三历史特性数据及第三历史到达时间数据,确定误差;以及确定所述误差是否小于第二值。
在一些实施例中,所述预测模型包含时间序列模型或回归模型中的至少一个。
在一些实施例中,所述时间序列模型包含循环神经网络。在一些实施例中,所述回归模型包含多层感知器。
本申请的一部分附加特征将在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实例的生产或操作的了解,本申请的一部分附加特征对于本领域普通技术人员会变得清楚。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本文提供的图用于进一步理解本申请,并构成本申请的一部分。本申请的示例性实施例和描述被用来解释本申请,这些实施例并非旨在限制性的。在这些附图中,相同的符号表示相同的结构。
图1是根据本申请的一些实施例所示的示例性按需运输服务***的框图;
图2是根据本申请的一些实施例所示的示例性计算装置的框图;
图3是根据本申请的一些实施例所示的用于预估到达时间的示例性处理器的框图;
图4是根据本申请的一些实施例所示的示例性训练单元的框图;
图5是根据本申请的一些实施例所示的用于确定与目标行程相关的预估到达时间的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另一用于确定与目标行程相关的预估到达时间的示例性过程的流程图;
图7A是根据本申请的一些实施例所示的用于确定预测模型的示例性过程的流程图;
图7B是根据本申请的一些实施例所示的用于确定训练数据的示例性过程的流程图;以及
图8是根据本申请的一些实施例所示的用于确定预测模型的示例性过程的流程图。
具体实施方式
下述描述是为了使本领域的普通技术人员能制造和使用本申请,并且该描述是在特定的应用场景及其要求的背景下提供的。对于本领域的普通技术人员来说,对本申请披露的实施例进行的各种修改是显而易见的。另外,在不偏离本申请的原则和范围的情况下,本申请中所定义的通则可以适用于其他实施例和应用场景。因此,本申请并不限于所披露的实施例,而是符合与申请专利范围一致的最宽泛的范围。
此处使用的术语仅仅用来描述特定的示例性实施例,并且不具有限定性。如本申请和申请专利范围中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可以包括复数。还应当理解,本申请中所使用的术语“包括”与“包含”仅提示已明确标识的特征、整体、步骤、操作、组件(element)和/或部件(component),而不排除可以存在和添加其他一个或以上特征、整体、步骤、操作、组件、部件和/或其组合的情况。
根据以下对附图的描述,本申请所述的和其他的特征、特性、操作方法、相关组件结构的功能、部件的组合和经济的产品更加显而易见,这些都构成说明书的一部分。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一些实施例所示的***所执行的操作。应当理解,流程图中的操作不一定按照顺序来执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中,或从这些流程图移除一步或多步操作。
此外,虽然本申请描述的***和方法主要是关于处理服务订单,应该理解,这只是一个示例性的实施例。本申请的***和方法可适用于其他任何类型的按需服务。例如,本申请的***和方法可以应用于包括陆地、海洋、航空航天等中的一种或其任意组合的不同环境的运输***。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、动车、高铁、地铁、船只、飞机、宇宙飞船、热气球、无人驾驶车辆等中的一种或其任意组合。所述运输***也可以包括用于管理和/或分配的任一运输***,例如,发送和/或接收快递的***。本申请的***和方法的应用场景可以包括网页、浏览器插件、用户终端、定制***、内部分析***、人工智能机器人等中的一种或其任意组合。
在本申请中,术语“乘客”、“请求者”、“服务请求者”和“顾客”可以交换使用,其表示可以请求或订购服务的个体、实体。此外,在本申请中,术语“司机”、“提供者”、“服务提供者”和“供应方”也可以交换使用,其表示可以提供服务或协助提供服务的个体、实体或工具。在本申请中,术语“用户”可以表示用于请求服务、订购服务、提供服务或协助提供服务的个体、实体。例如,用户可以是乘客、司机、操作者等中的一种或其任意组合。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,“司机”和“司机终端”可以互换使用。
术语“服务请求”表示由用户(例如乘客、请求者、操作者、服务请求者、顾客、司机、提供者、服务提供者、供应方)所发起的请求。所述服务请求可以与介于两个或以上位置之间的行程相关。在一些实施例中,所述行程可以包含订单,所述订单是由在出租车运输服务***中的乘客所发起。所述服务请求可以是收费的或免费的。
该***可以应用于很多领域,例如出租车运输服务、驾驶应用程序、分发应用程序、地图应用程序或导航应用程序。
根据本申请的一些实施例,服务请求可以是用一个或以上机器学***滑估计(locally estimated scatterplot smoothing)等。排序算法可以包括***排序、选择排序、合并排序、锥形排序(heap sort)、气泡排序(bubble sort)、希尔排序(shell sort)、梳排序(comb sort)、计数排序(counting sort)、桶排序(bucket sort)、基数排序(radixsort)等中的一种或其任意组合。基于实例的算法可以包括k-最近邻(k-nearestneighbor,KNN)算法、学***均单依赖估计量(averaged one-dependence estimator,AODE)或贝叶斯认知网络(Bayesian belief network,BBN)等。基于核(kernel-based)的算法可以包括支持向量机(SVM)、径向基底函数(radial basis function,RBF)或线性判别分析(lineardiscriminate analysis,LDA)等。聚类算法可以包括k均值聚类算法、模糊c均值聚类算法、分层聚类算法、高斯聚类算法、基于MST的聚类算法、核k-均值聚类算法、基于密度的聚类算法(density-based clustering algorithm)等。关联规则算法可以包括Apriori算法或Eclat算法等。深度学***方回归(partial least square regression,PLS)、Sammon映射,多维尺度分析(multi-dimensional scaling,MDS)或投影追踪(Projection Pursuit)等。
本申请的一方面涉及用于确定行程(例如,由乘客发起的订单)的预估到达时间的在线***和方法。为此,该***可以首先从与服务请求者相关联的终端获得该行程,然后提取与该行程相关的特性数据。接着,***获得用于确定预估到达时间的预测模型。根据所述预测模型和所述特性数据确定与该行程有关的预估到达时间。由于该特性数据包括与该行程相关的路径的特征数据和路径中的至少一个链路的特征数据,所以可以提高与行程有关的到达时间的预估精度。
需要注意,所述技术问题和解决方案源于在线按需运输服务。该在线按需运输服务是一种只存在于后互联网时代的新形式的服务形式。它为用户(如:服务请求者)和服务提供者(如:司机)提供了仅在后互联网时代才可能实现的技术解决方案。在前互联网时代,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,出租车服务的请求和接受只可能发生在该乘客和一个服务提供者(如:出租车公司或代理商)之间。然而,在线呼叫出租车允许一个服务用户实时自动地向距离该用户一段距离的大量的服务提供者(如:出租车)发布服务请求,并且还可以允许至少两个服务请求者同时实时地对该服务请求进行响应。因此,通过互联网,所述在线按需运输服务***可以为用户及服务提供者提供一个更加高效的交易平台,这在传统的前互联网运输服务***中是从未发生过的。当***从乘客接收到订单(行程),该***可以确定与该订单相关的预估到达时间。根据该预估到达时间,该乘客可以规划他或她的时间。根据该预估到达时间,该***可以将该订单与其他订单绑定到一起,并且将该绑定后的结果发送给司机以使得订单的分配更加合理。
图1是根据一些实施例所示的示例性按需服务***100的框图。例如,按需服务***100可以是为运输服务,如出租车呼叫服务、驾驶服务、快捷汽车、共乘、公交车服务、代驾服务和班车服务而提供的在线运输服务平台。该按需服务***100可以是包括服务器110、网络120、一个或以上用户终端(例如,一个或以上乘客终端130、司机终端140)和数据存储器150的在线平台。该服务器110可以包括处理引擎112。应该注意,图1中所示的按需服务***仅仅是示例性的,并不旨在限制本申请的范围。在一些实施例中,按需服务***100可以包括乘客终端130或司机终端140。例如,在导航***中,用户可以使用安装在他/她的终端中的导航应用程序在两个位置之间导航他/她的行程,并且该***可以确定与该行程相关的预估到达时间。“乘客”和“服务提供者/司机/司机终端”的使用是针对在线运输服务平台。当使用“服务请求者”、“用户”、“用户终端”、“终端”或“用户设备”时,视为针对包括在线运输服务和导航服务在内的所有基于位置的服务(location-based service,LBS)。
在一些实施例中,服务器110可以是单一服务器或者服务器组。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可以通过网络120访问存储在一个或以上用户终端(如:一个或以上乘客终端130、司机终端140)和/或数据存储器150中的信息和/或数据。再例如,服务器110可以直接连接到一个或以上用户终端(如:一个或以上乘客终端130、司机终端140)和/或数据存储器150以访问存储在其中的信息和/或数据。在一些实施例中,服务器110可以在一个云端平台上实现。仅仅作为示例,云端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其任意组合。在一些实施例中,服务器110可以在图2中描述的包含了一个或以上部件的计算装置200上执行。
在一些实施例中,服务器110可以包括处理引擎112。该处理引擎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一个或以上功能。例如,处理引擎112可以根据从一个或以上乘客终端130获取的服务请求来确定预估到达时间信息。在一些实施例中,处理引擎112可以包括一个或以上处理引擎(例如,单核处理引擎或多核处理器)。仅仅作为示例,处理引擎112可以包括中央处理单元(CPU)、特定应用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等中的一种或其任意组合。
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中的一个或以上部件(例如,服务器110、一个或以上乘客终端130、一个或以上司机终端140和数据存储器150)可以通过网络120向按需服务***100的其他部件发送信息和/或数据。例如,服务器110可以通过网络120从乘客终端130获取/得到服务请求。在一些实施例中,网络120可以是任意形式的有线网络或无线网络,或其任意组合。仅仅作为示例,网络120可以包括电缆网络、线缆网络、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)、城域网络(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括一个或以上网络交换点。例如,网络120可以包括有线或无线网络交换点,如基站和/或互联网交换点120-1、120-2、……,通过该互联网交换点,按需服务***100的一个或以上部件可以连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求者可以是乘客终端130的用户。在一些实施例中,乘客终端130的用户可以是服务请求者以外的其他人。例如,乘客终端130的用户A可以使用乘客终端130,为用户B发送服务请求或从服务器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的用户可以是提供者外的其他人。例如,司机终端140的用户C可以使用司机终端140,为用户D接收一个服务请求和/或从服务器110接收信息或指令。
在一些实施例中,乘客终端130可以包括移动装置130-1、平板计算机130-2、膝上型计算机130-3、机动车辆内置装置130-4等中的一种或其任意组合。在一些实施例中,移动装置130-1可以包括智能家居装置、可穿戴装置、智能移动装置、虚拟现实装置、增强实境装置等中的一种或其任意组合。在一些实施例中,智能家居装置可以包括智能照明装置、智能电器控制装置、智能监测装置、智能电视、智能摄像机、对讲机等中的一种或其任意组合。在一些实施例中,可穿戴装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配饰等中的一种或其任意组合。在一些实施例中,该智能移动装置可以包括智能电话、个人数字助理(PDA)、游戏设备、导航装置、POS装置等中的一种或其任意组合。在一些实施例中,虚拟现实装置和/或增强实境装置可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等中的一种或其任意组合。例如,虚拟现实装置和/或增强实境装置可以包括Google Glass、Oculus Rift、Hololens、Gear VR等。在一些实施例中,机动车辆内置装置130-4可以包括车载计算机、车载电视等。在一些实施例中,乘客终端130可以是具有定位技术的装置。所述定位技术可以用于确定请求者和/或乘客终端130的位置。
在一些实施例中,司机终端140可以是一个与乘客终端130类似或者相同的装置。在一些实施例中,司机终端140可以是具有用来确定司机或者司机终端140位置的定位技术的装置。在一些实施例中,乘客终端130和/或司机终端140可以与一个或以上其他定位装置通信以确定请求者、乘客终端130、司机和/或司机终端140的位置。在一些实施例中,乘客终端130和/或司机终端140可以将定位信息发送至服务器110。
数据存储器150可以存储数据和/或指令。在一些实施例中,数据存储器150可以存储从一个或以上用户终端(例如,一个或以上乘客终端130和/或司机终端140)获得的数据。在一些实施例中,数据存储器150可以存储供服务器110执行或使用的数据和/或指令,服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的示例性方法。在一些实施例中,数据存储器150可以包括大容量存储器、可移动存储器、挥发性读写内存、只读存储器(ROM)或类似物其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性的可移除存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩碟、磁带等。示例性的挥发性读写内存可以包括随机存取存储器(RAM)。示例性的随机存取存储器可以包括动态随机存取存储器(DRAM)、双倍速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性的只读存储器可以包括掩膜式只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、带电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字通用磁盘只读存储器等。在一些实施例中,数据存储器150可以在一个云端平台上实现。仅仅作为示例,云端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其任意组合。
在一些实施例中,数据存储器150可以与网络120连接以与按需服务***100中的一个或以上部件(例如,服务器110、一个或以上用户终端等)通信。按需服务***100中的一个或以上部件可以通过网络120访问存储于数据存储器150中的数据或指令。在一些实施例中,数据存储器150可以直接与按需服务***100中的一个或以上部件(例如,服务器110、一个或以上用户终端等)连接或通信。在一些实施例中,数据存储器150可以是服务器110的一部分。
在一些实施例中,按需服务***100的一个或以上部件(例如,服务器110、一个或以上用户终端等)具有访问数据存储器150的权限。在一些实施例中,当满足一个或以上条件时,按需服务***100的一个或以上部件可以读取和/或修改与服务请求者、司机和/或公众相关的信息。例如,在完成一个服务后,服务器110可以读取和/或修改一个或以上用户的信息。又例如,当从乘客终端130接收到一个服务请求时,司机终端140可以访问所述请求者的相关信息,但司机终端140不能修改所述服务请求者的相关信息。
在一些实施例中,按需服务***100中的一个或以上部件之间的信息交换,可以通过请求服务来实现。所述服务请求的客体可以是任何产品。在一些实施例中,所述产品可以是一个有形产品或一个无形产品。有形产品可以包括食品、医药、日用品、化学产品、电器、衣物、汽车、房屋、奢侈品等中的一种或其任意组合。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其任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等中的一种或其任意组合。移动互联网产品可以是应用在移动终端上的软件、程序、***等中的一种或其任意组合。移动终端可以包括平板计算机、膝上型计算机、移动电话、掌上计算机(PDA)、智能手表、POS装置、车载计算机、车载电视、可穿戴装置等中的一种或其任意组合。例如,所述产品可以是用于计算机或移动电话中的任意的软件和/或应用程序。软件和/或应用程序可以与社交、购物、交通、娱乐、学习、投资等中的一种或其任意组合相关。在一些实施例中,与交通相关的软件和/或应用程序可以包括出行软件和/或应用程序、交通工具调度软件和/或应用程序、地图软件和/或应用程序等。在交通工具调度软件和/或应用程序中,交通工具可以包括马、马车、人力车(例如手推车、自行车、三轮车等)、汽车(例如,出租车、公交车、私人汽车等)、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)等中的一种或其任意组合。
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部件的框图,其上可以实现本申请所述服务器110、一个或以上用户终端(例如,一个或以上乘客终端130、司机终端140)相应的功能。例如,处理引擎112可以在计算装置200上执行并被配置为完成本申请中所披露的处理引擎112的功能。
计算装置200可以是通用计算机或专用计算机。这两种计算机都可以用来实现本申请所披露的按需服务***100。计算装置200可以用来实现当前所描述的按需服务***100的任意部件。例如,处理引擎112可以在计算装置200上通过其硬件、软件程序、固件或其组合实现。图中为了方便起见只描述了一台计算机,但是本申请所描述的与按需服务相关的计算机功能可以以分布式的方式由一组相似的平台所实施,以分散处理负载。
例如,计算装置200可以包括与网络连接的通信接口250,以促进数据通信。计算装置200还可以包括处理器220用来执行程序指令,该处理器220以一个或以上处理器的形式存在。示例性的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和只读存储器(ROM)230或随机存取存储器(RAM)240,能够用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算机平台还可以包括存储于只读存储器230、随机存取存储器240和/或其他类型的非暂时存储介质中的能够被处理器220执行的程序指令。本申请披露的方法和/或过程可以以程序指令的方式来实现。计算装置200还包括输入/输出部件260,用于支持计算机与此处其他部件例如用户接口组件280之间的输入/输出。计算装置200也可以通过网络通信接收程序和数据。
计算装置200还可以包括与硬盘通信的硬盘控制器、与数字小键盘/键盘通信的数字小键盘/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其任意组合。
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,应当理解,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/或处理器执行的操作和/或方法步骤也可以由多个CPU和/或处理器共同或者分别执行。例如,在本申请中,如果计算装置200的CPU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也可以由计算装置200的两个不同的CPU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,或者第一和第二处理器共同执行步骤A和步骤B)。
图3是根据本申请的一些实施例所示的用于预估到达时间的示例性处理器300的框图。处理器300可以与计算机可读存储器(例如,数据存储器150、乘客终端130或司机终端140等)通信,且可执行存储于计算机可读存储介质中的指令。处理器300可以包括获取单元310、分组单元320、提取单元330、训练单元340及确定单元350。
获取单元310可以获取与服务请求者相关联的服务请求。服务请求可以包括与至少两个司机相关的目标行程或一个或以上历史行程的信息。在一些实施例中,目标行程可以与用户(例如,乘客)通过乘客终端130发起的订单相关联。在一些实施例中,目标行程可以包括两个或以上位置之间的行程。在一些实施例中,历史行程可以指一个或以上已完成的订单。在一些实施例中,历史行程可以包括任何两个位置之间的行程。获取单元310可以通过乘客终端130或司机终端140获取目标行程或历史行程。获取单元310可以从数据存储器150获取历史行程。
分组单元320可以将获取单元310获取的一个或以上历史行程分为一组或一组以上。在一些实施例中,分组单元320可以根据与一个或以上历史行程相关的路径的链路数据(例如,与历史订单相关的路径的链路的数量),将一个或以上历史行程分为一组或一组以上。
提取单元330可以提取与获取单元310获取的目标行程相关或一个或以上历史行程相关的数据。例如,提取单元330可以提取与目标行程相关的特性数据(亦称为“样本特性数据”)。再例如,提取单元330可以提取与一个或以上历史行程相关的历史特性数据及历史到达时间数据。在一些实施例中,提取单元330可以根据一个或以上历史行程,提取至少两个训练行程。所述至少两个训练行程可用于训练用于预估到达时间的预测模型。
训练单元340可以通过提取单元330提取的数据训练模型。例如,训练单元340可以根据一个或以上历史行程,训练用于预估到达时间的预测模型。
确定单元350可以确定用于预估到达时间的预测模型。例如,确定单元350可以确定与目标行程相关的预估到达时间。
图4是根据本申请的一些实施例的示例性训练单元400的框图。根据本申请的一些实施例,训练单元400可以包括比较部件410和修正部件420。
比较部件410可以将比较匹配结果与预定值。例如,比较部件410还可以将训练预测模型期间生成的误差或损失函数与预定值进行比较,以确定是否完成训练。
修正部件420可以修改预测模型的参数。在一些实施例中,预测模型包括时间序列模型及回归模型。在训练预测模型的过程中,修正部件420可以修改对应于时间序列模型的参数及对应于回归模型的参数。
图5是根据本申请的一些实施例所示的用于确定与目标行程相关的预估到达时间的示例性过程500的流程图。在一些实施例中,用于确定与目标行程相关的预估到达时间的过程500可以在图1所示的***100中实施。在一些实施例中,过程500可以作为存储于数据存储器150中的一组或一组以上指令集并由处理引擎112或处理器300调用和/或执行。在一些实施例中,过程500可以在用户终端和/或服务器上实现。
在510,处理器300(例如,获取单元310)可以获取与目标行程相关的信息。目标行程可以是一个或以上位置之间的行程。在一些实施例中,目标行程可以是用户(例如,乘客)通过乘客终端130发起的订单。该订单可以涉及起始位置及目的地。目标行程可以是该起始位置与该目的地之间的行程。在一些实施例中,与目标行程相关联的信息和/或数据可以包括起始位置、目的地、从该起始位置至该目的地之间的路径、起始时间、与目标行程相关的日期数据、交通数据、与目标行程相关的用户数据、与目标行程相关的出行模式(travelmode)数据等中的一种或其任意组合。在一些实施例中,从起始位置至目的地之间的路径可以包括一个或以上链路。路径中的各个链路可以对应于路径中的至少一部分。日期数据可以包括年、月、日(例如,工作日、周末、节假日)等。交通数据可以包括道路拥堵状况、平均交通速度、人流量、运输工具流量等中的一种或其任意组合。与目标行程相关的用户数据可以包括可以提供与目标行程相关的服务的一个或以上用户(例如可以完成与目标行程相关的服务订单的司机)的信息和/或数据。用户数据可以包括例如用户标识符、姓名、别名、性别、年龄、电话号码、职业、等级、使用时间、驾驶经验、运输工具使用时间、车牌号码、驾驶执照号码、认证状态、用户习惯/偏好(例如,驾驶速度)、额外服务能力(如汽车行李箱的大小、全景天窗等额外特征)等中的一种或其任意组合。与出行模式相关的运输工具可以包括马、马车、人力车(例如,自行车、三轮车等)、汽车(例如,出租车、公交车、私人汽车等)、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)等中的一种或其任意组合。与目标行程相关的信息和/或数据可以存储于一个或以上用户终端(例如,一个或以上乘客终端130或一个或以上司机终端140)。在一些实施例中,与目标行程相关的信息和/或数据可以存储于数据存储器150。与目标行程相关的信息和/或数据可以进一步由服务器110通过网络120访问。
在520,处理器300可以获取用于预估到达时间的预测模型。在一些实施例中,该预测模型可以是提前训练好的模型。可替代地或另外,该预测模型可以实时训练和/或更新。该预测模型可以使用一种或多种机器学习技术来训练。在一些实施例中,预测模型可以通过执行图7A至图8中描述的一个或以上操作来确定。
在530,处理器300(例如,确定单元350)可以根据预测模型,确定与目标行程相关的预估到达时间。在一些实施例中,处理器300可以首先确定针对目标行程的路径的行程时间。随后,处理器300可以根据与目标行程相关的行程时间及起始时间,确定该预估到达时间。在一些实施例中,该起始时间可以由用户通过用户终端指定。在一些实施例中,处理器300可以针对至少两个用户(例如,可以提供运输服务的至少两个活跃司机)确定与订单相关的预估到达时间。根据与用户相关的用户数据(例如,驾驶速度),针对不同用户可以确定不同的预估到达时间。例如,处理器300可以分别针对第一用户与第二用户确定第一预估到达时间及第二预估到达时间。当与第一用户相关联的第一驾驶速度(例如,平均驾驶速度)大于与第二用户相关联的第二驾驶速度时,第一预估到达时间可以早于第二预估到达时间。在一些实施例中,当不考虑与不同用户相关联的不同用户数据时,处理器300可以确定与目标订单相关的统一的预估到达时间。
在一些实施例中,根据预估到达时间,处理器300可以确定出可以完成该目标订单的合适用户(例如,司机)。在一些实施例中,处理器300可以确定与当前司机正在执行的订单(本文中亦称为“当前订单”)相关的ETA。根据与当前订单相关的ETA,处理器300可以确定新订单是否适于分配给当前司机。
在一些实施例中,根据与两个或两个以上订单中的至少一个订单相关的至少一个ETA,处理器300可以确定是否可以组合所述两个或两个以上的订单。例如,处理器300可以接收第一订单(目标订单)及第二订单。第一订单可以对应于第一起始位置、第一目的地及第一起始时间。第二订单可以对应于第二起始位置、第二目的地及第二起始时间。第一起始时间早于第二起始时间。处理器300可以确定与第一起始位置与第一目的地之间的路径相关的第一ETA。处理器300还可以确定与第一目的地与第二起始位置之间的路径相关的第二ETA。处理器300可以根据第一ETA或第二ETA中的至少一个,确定是否组合该第一订单与第二订单。若处理器300确定可以将第一订单与第二订单组合在一起,则处理器300可以将第一订单及第二订单分配给同一司机。
图6是根据本申请的一些实施例所示的另一用于确定与目标行程相关的预估到达时间的示例性过程600的流程图。在一些实施例中,过程600可以在图1所示的***100上执行。在一些实施例中,过程600可以作为存储于数据存储器150中的一个或以上指令并由处理引擎112或处理器300调用和/或执行。在一些实施例中,过程600可以在用户终端和/或服务器上实现。
在610,处理器300(例如,提取单元330)可以提取目标行程的特性数据(亦称为“样本特性数据”)。在一些实施例中,所述样本特性数据可以包括第一特征数据和及第二特征数据。本文中使用的第一特征数据可以指与目标行程的路径相关联的一个或以上特征的数据。例如,第一特征数据可以包括该路径的起始位置、路径的目的地、与路径相关的一个或以上红绿灯数据、路径的链路数量、路径中一个或以上交叉路口的数据、与路径相关的时间数据、交通数据、与路径相关的用户数据、与路径相关的出行模式数据等中的一种或其任意组合。时间数据可以包括年、月、日(例如,工作日、周末、节假日)、时间点等。交通数据可以包括道路拥堵状况、平均交通速度、人流量、运输工具流量等中的一种或其任意组合。与目标行程相关的用户数据可以包括可以提供与目标行程相关的服务的一个或以上用户(例如可以完成与目标行程相关的服务订单的司机)的信息和/或数据。用户数据可以包括例如用户标识符、姓名、别名、性别、年龄、电话号码、职业、等级、使用时间、驾驶经验、运输工具使用时间、车牌号码、驾驶执照号码、认证状态、用户习惯/偏好(例如,驾驶速度)、额外服务能力(如汽车行李箱的大小、全景天窗等额外特征)等中的一种或其任意组合。与出行模式相关的运输工具可以包括马、马车、人力车(例如,自行车、三轮车等)、汽车(例如,出租车、公交车、私人汽车等)、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)等中的一种或其任意组合。与路径相关的一个或以上红绿灯数据可以包括红绿灯的数量、红绿灯的状态等。一个或以上交叉路口的数据可以包括交叉路口的数量、交叉路口的交通数据等。
在一些实施例中,本文中使用的第二特征数据可以指与目标行程的路径中的一个或以上链路相关联的一个或以上特征的数据。根据与路径相关的地图数据(例如,该路径的地图),路径可以被分成一个或以上部分。各链路可以对应于该路径的一部分。在一些实施例中,根据一个或以上预定计算机实施规则,所述路径可以分为至少两个链路。在一些实施例中,使用不同技术,路径可以被分为多组链路。与目标行程相关的第二特征数据可以包括对应于路径的各链路的特征数据。对应链路的特征数据可以包括与路径相关的识别数据(例如,链路标识)、与路径相关的一个或以上红绿灯数据、与路径相关的一个或以上交叉路口的数据、与路径相关的时间数据、与路径相关的交通数据、与路径相关的用户数据、与路径相关的出行模式数据等中的一种或其任意组合。链路的识别数据可以包括可用于识别链路的任何信息,例如链路的独特标识符。与路径的各链路相关的时间数据可以包括年、月、日(例如,工作日、周末、节假日)、时间点等。与路径的各链路相关的交通数据可以包括道路拥堵状况、平均交通速度、人流量、运输工具流量等中的一种或其任意组合。与路径的各链路相关的用户数据可以包括可以完成与路径相关的订单的用户信息和/或数据(例如,由提供针对包括链路在内的路径的运输服务)。用户的信息和/或数据可以包括用户标识符、姓名、别名、性别、年龄、电话号码、职业、等级、使用时间、驾驶经验、运输工具使用时间、车牌号码、驾驶执照号码、认证状态、用户习惯/偏好(例如,驾驶速度)、额外服务能力(如汽车行李箱的大小、全景天窗等额外特征)等中的一种或其任意组合。与路径的各链路相关的出行模式的运输工具可以包括马、马车、人力车(例如,自行车、三轮车等)、汽车(例如,出租车、公交车、私人汽车等)、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)等中的一种或其任意组合。与路径的各链路相关的一个或以上红绿灯的数据可以包括该链路的红绿灯数量、该链路的红绿灯状态等。与路径的各链路相关的一个或以上交叉路口数据可以包括该链路的交叉路口的数量、该链路的交叉路口的交通数据等。在一些实施例中,目标行程的第二特征数据可以是一个时间序列,该时间序列是按照时间顺序由对应于路径的各链路的特征数据所组成的。在一些实施例中,处理器300可以针对该路径的一个或以上链路生成一个或以上特征向量。例如,处理器可以根据链路的标识、用户标识符(例如,司机的标识符)等,生成第一特征向量。在一些实施例中,第一特征向量可以为嵌入向量。再例如,处理器可以根据一个或以上例如与路径相关的时间信息、一周内某一天的编号等的离散特征生成第二特征向量。在一些实施例中,处理器300可处理第二特征向量以生成独热(one-hot)向量。再例如,处理器可以根据一个或以上例如与路径相关的实时速度、与路径相关的ETA等数字特征,生成第三特征向量。在一些实施例中,目标行程的第二特征数据可以包括第一特征向量、第二特征向量和/或第三特征向量中的一个或以上。
在620,处理器(例如,获取单元310)可以获取预测模型。在一些实施例中,该预测模型可以包括时间序列模型及回归模型。该时间序列模型可以包括循环神经网络、卷积神经网络、隐藏马可夫模型、感知器神经网络、霍普菲尔网络、自组织映像(SOM)或学***滑估计等中的一种或其任意组合。
在630,处理器300(例如,确定单元350)可以根据预测模型,确定隐状态信息。在一些实施例中,处理器300可以根据预测模型(例如,时间序列模型)及所述第二特征数据,确定所述隐状态信息。例如,处理器300可以根据该预测模型(例如,时间序列模型)处理第二特征数据,以输出该隐状态信息。更具体而言,例如,可以在所述时间序列模型中按照时间顺序输入对应于时间序列中路径的链路的特征数据。处理器300可以使用该时间序列模型(例如,循环神经网络)处理对应于第一条链路的特征数据,生成第一个输出。随后,可以将对应于时间序列中第二条链路的特征数据及第一个输出,输入该时间序列模型中以生成第二个输出。其他链路的特征数据可以用类似方式进行处理。当对应于最后的一条链路的特征数据输入到时间序列模型时,将生成最后一个输出。在一些实施例中,隐状态信息可以是时间序列模型的最后一个输出。在一些实施例中,可以根据链路的标识所确定的顺序,将链路的特征数据使用该时间序列模型(例如,循环神经网络)进行处理。
在640,处理器300(例如,确定单元350)可以根据所述隐状态信息、特性数据和/或预测模型,确定与目标行程相关的预估到达时间。在一些实施例中,可以将630生成的隐状态信息及与该目标行程相关的第一特征数据输入回归模型,以确定与该目标行程相关的预估到达时间。该回归模型可以包括多层感知器神经网络。
图7A是根据本申请的一些实施例所示的用于确定预测模型的示例性过程700的流程图。在一些实施例中,过程700可以在图1所示的***100中执行。在一些实施例中,过程700可以作为存储于数据存储器150中的一个或以上指令并由处理引擎112或处理器300调用和/或执行。在一些实施例中,过程700可以在用户终端和/或服务器上实现。
在710,处理器300(例如,获取单元310)可以获取与一个或以上历史行程相关的信息。所述历史行程可以与一个或以上历史订单相关。各历史行程可以包括一个或以上位置之间的行程。在一些实施例中,历史订单可以与在线服务平台的特定用户相关联(例如,运输服务平台中的确定数量的司机、在特定时间可用于提供服务的司机)。历史行程可以包括特定时段(例如近两个月、近六个月、近十个月、近一年、近两年等)的行程。历史行程可以包括处于周末或工作日的行程。再例如,历史行程可以包括处于某一天给定时间(例如,早晨、下午、夜晚)的订单。历史行程可以包括在一个或以上特定位置(例如,城市、城市的行政区域)的行程。
处理器300可以从数据存储器150获取一个或以上历史行程的数据。与一个或以上历史行程相关的信息和/或数据还可以由服务器110通过网络120进行访问。在一些实施例中,与一个或以上历史行程相关的信息和/或数据可以存储于用户终端(例如,乘客终端130或司机终端140)。例如,与历史行程相关的信息和/或数据通常可以被生成并记录于基于位置的服务(LBS)的应用程序(例如,驾驶应用程序、地图应用程序、导航应用程序、社交媒体应用程序等)。再例如,与一个或以上历史行程相关的信息和/或数据可以由LBS应用程序下载的历史地图信息进行记录。
在一些实施例中,与一个或以上历史行程相关的信息和/或数据可以包括历史行程的特性数据(本文中亦称为“历史特性数据”)。历史特性数据可以包括对应于与历史行程相关的路径的一个或以上特征相关的数据(本文中亦称为“第一历史特征数据”),和/或对应于与历史行程相关的一个或以上链路的一个或以上特征相关的数据(本文中亦称为“第二历史特征数据”)。与历史行程相关的第一历史特征数据可以包括与历史行程相关的路径的起始位置、与历史行程相关的路径的目的地、与历史行程相关的路径的一个或以上红绿灯的数据、与历史行程相关的路径的链路的数量、与历史行程相关的路径中的一个或以上交叉路口的数据、与历史行程的路径相关的时间数据、交通数据、与历史行程的路径相关的用户数据、与历史行程的路径相关的出行模式数据等或其任意组合。时间数据可以包括年、月、日(例如,工作日、周末、节假日)、时间点等。交通数据可以包括道路拥堵状况、平均交通速度、人流量、运输工具流量等中的一种或其任意组合。与路径相关的用户数据可以包括可驾驶运输工具执行目标行程的用户的信息和/或数据,例如,用户标识符、姓名、别名、性别、年龄、电话号码、职业、等级、使用时间、驾驶经验、运输工具使用时间、车牌号码、驾驶执照号码、认证状态、用户习惯/偏好(例如,驾驶速度)、额外服务能力(如汽车行李箱的大小、全景天窗等额外特征)等中的一种或其任意组合。与出行模式相关的运输工具可以包括马、马车、人力车(例如,自行车、三轮车等)、汽车(例如,出租车、公交车、私人汽车等)、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)等中的一种或其任意组合。一个或以上红绿灯的数据可以包括红绿灯的数量、红绿灯的状态等。一个或以上交叉路口的数据可以包括交叉路口的数量、交叉路口的交通数据等。
在一些实施例中,与历史行程相关的第二历史特征数据可以包括历史行程的路径的一个或以上链路的数据。在一些实施例中,与历史行程相关的第二历史特征数据可以包括对应于与历史行程相关的路径的各链路的特征数据。对应于与历史行程相关的路径的链路的特征数据可以包括与路径相关的识别数据(例如,链路标识)、与路径相关的一个或以上红绿灯数据、与路径相关的一个或以上交叉路口的数据、与路径相关的时间数据、与路径相关的交通数据、与路径相关的用户数据、与路径相关的出行模式数据等中的一种或其任意组合。链路的识别数据可以包括可用于识别链路的任何信息,例如链路的独特标识符。与路径的各链路相关的时间数据可以包括年、月、日(例如,工作日、周末、节假日)、时间点等。与历史行程的路径的各链路相关的交通数据可以包括道路拥堵状况、平均交通速度、人流量、运输工具流量等中的一种或其任意组合。与历史行程的路径的各链路相关的用户数据可以包括可以完成与路径相关的订单的用户信息和/或数据(例如,由提供针对包括链路在内的路径的运输服务)。用户的信息和/或数据可以包括用户标识符、姓名、别名、性别、年龄、电话号码、职业、等级、使用时间、驾驶经验、运输工具使用时间、车牌号码、驾驶执照号码、认证状态、用户习惯/偏好(例如,驾驶速度)、额外服务能力(如汽车行李箱的大小、全景天窗等额外特征)等中的一种或其任意组合。与历史行程的路径的各链路相关的出行模式的运输工具可以包括马、马车、人力车(例如,自行车、三轮车等)、汽车(例如,出租车、公交车、私人汽车等)、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)等中的一种或其任意组合。与历史行程的路径的各链路相关的红绿灯的数据可以包括该链路的红绿灯的数量、该链路的红绿灯的状态等。与历史行程的路径的各链路相关的一个或以上交叉路口的数据可以包括该链路的交叉路口的数量、链路的交叉路口的交通数据等。
在一些实施例中,处理器300可以针对与历史行程相关的路径的一个或以上链路生成一个或以上特征向量。例如,处理器300可以根据链路的标识、用户标识符(例如,司机的标识符)等,生成第一历史特征向量。在一些实施例中,第一历史特征向量可以为嵌入向量(embedding vector)。再例如,处理器300可以根据一个或以上例如与路径相关的时间信息、一周内某一天的编号等离散特征生成第二历史特征向量。在一些实施例中,处理器300可处理第二历史特征向量以生成独热向量。再例如,处理器300可以根据一个或以上例如与路径相关的实时速度、与路径相关的ETA等数值特征生成第三历史特征向量。在一些实施例中,历史行程的第二历史特征数据可以包括该第一历史特征向量、第二历史特征向量和/或第三历史特征向量中的一个或以上。
处理器300还可以获取与各历史行程相关的到达时间(本文中亦称为“历史到达时间数据”)。与各历史行程相关的到达时间可以为完成该历史行程的实际时间。
在720,处理器300可以根据一个或以上历史行程的数据(例如,历史特性数据及历史到达时间数据),生成训练数据。在一些实施例中,训练数据可以包括与所述历史行程相关的历史特性数据及历史到达时间数据。在一些实施例中,训练数据可以包括从一个或以上历史行程(本文中亦称为“训练行程”)提取的数据。所述训练行程可以根据任何合适标准从所述历史行程中进行选择。例如,处理器300可以从一个或以上历史行程中选择出现于特定时间段(例如,一年、一个月、一天)的历史行程作为训练行程。再例如,处理器300可以从一个或以上历史行程中选择出现于特定位置(例如,某个城市、某个城市的某个行政区域)的历史行程作为训练行程。在一些实施例中,训练数据可以包括与所述训练行程相关的历史特性数据及历史到达时间数据。在一些实施例中,与所述训练数据相关的历史特性数据可以包括与训练行程相关的路径数据、与训练行程相关的一个或以上链路数据、与训练行程相关的实际到达时间数据等。
在一些实施例中,与各训练行程相关的路径的链路的数量可以满足一个或以上条件。例如,链路的数量可以小于第一阈值。再例如,链路的数量可以大于第二阈值。又例如,链路的数量可以在一定的范围(例如,所述第一阈值与所述第二阈值之间的范围)之内。还例如,与训练行程相关的路径的链路的最大数量和与训练行程相关的路径的链路的最小数量之间的差值不超过预设阈值。所述预设阈值可以为任何合理的值。
在730,处理器300(例如,确定单元350)可以根据所述训练数据,确定所述预测模型。根据所述预测模型,处理器300可以通过执行过程500和/或600中的一步或多步操作,确定与目标行程相关的预估到达时间。
图7B是根据本申请的一些实施例的用于生成训练数据的示例性过程701的流程图。在一些实施例中,过程701可以在图1所示的***100中执行。在一些实施例中,过程701可以作为存储于数据存储器150中的一个或以上指令并由处理引擎112或处理器300调用和/或执行。在一些实施例中,过程701可以在用户终端和/或服务器上实现。
在715,处理器300(例如,分组单元320)可以根据与一个或以上历史行程相关的链路,将一个或以上历史行程分为一组或一组以上。在一些实施例中,对应于所述历史行程的路径可以包括不同数量的链路。处理器300可以根据与历史行程相关联的链路的数量,将历史行程划分为一组或一组以上。各组可以对应于特定数量的链路和/或数量范围内的链路。在一些实施例中,可以根据与历史行程相关的链路的最大数量和/或与历史行程相关的链路的最小数量,确定链路的一个或以上数量范围。例如,可以将链路的最大数量与链路的最小数量之间的范围分割为一个或以上部分,以此来确定一个或以上范围。例如,链路的数量可以划分为三个范围(例如,[1,10]、[11,20]、[21,30])。随后,处理器300(例如,分组单元320)可以相应地根据链路的数量,将历史行程分为三组(例如,组A、组B及组C)。例如,链路数量范围为[1,10]的历史行程可以确定为组A;链路数量范围为[11,20]的历史行程可以确定为组B;链路数量范围为[21,30]的历史行程可以确定为组C。
在725,处理器300(例如,提取单元330)可以针对一组或一组以上历史行程中的各组历史行程,提取历史特性数据及历史到达时间数据。
在735,处理器300可以根据历史特性数据及历史到达时间数据,针对一组或一组以上历史行程的各组历史行程,生成训练数据。处理器300可以根据组内的历史特性数据及历史到达时间数据,确定预测模型。在一些实施例中,处理器300可以针对各组确定一个ETA确定模型。在一些实施例中,处理器300可以根据所有组的历史特性数据及历史到达时间数据,确定一个ETA确定模型。例如,用于训练预测模型的过程可以包括几个阶段。在不同阶段,可以使用对应于不同组的历史特性数据及历史到达时间数据。在一些实施例中,处理器300可以提取来自各组的历史特性数据及历史到达时间数据中的一部分,以生成训练数据。
根据本申请的一些实施例,处理器300(例如,确定单元350)可以根据所述训练数据,确定所述预测模型。根据所述预测模型,处理器300可以确定与所述目标行程相关的预估到达时间(例如,由执行过程500和/或600中描述的一个或以上操作)。
图8是根据本申请的一些实施例所示的用于确定预测模型的示例性过程800的流程图。在一些实施例中,用于确定预测模型的过程800可以在图1所示的***100中执行。在一些实施例中,过程800可以作为存储于数据存储器150中的一个或以上指令并由处理引擎112或处理器300调用和/或执行。在一些实施例中,过程800可以在用户终端和/或服务器上实现。
在810,处理器300(例如,获取单元310)可以获取一个或以上历史行程。例如,通过执行步骤710中描述的一项或多项操作。
在820,处理器300可以根据一个或以上历史行程,获取一个或以上初始训练行程(本文中亦称为“第一组中的至少两个训练行程”)。在一些实施例中,处理器300可以从历史行程中选择一个或以上行程作为初始训练行程。在一些实施例中,处理器300可以将所述一个或以上历史行程划分为一组或一组以上。随后,处理器300可以将一组中的历史行程选为初始训练行程。例如,历史行程可以通过执行步骤715描述的一项或多项操作来划分。在一些实施例中,处理器300可以从一组或一组以上中选择一个或以上历史行程,以生成初始训练行程。
在830,处理器300(例如,提取单元330)可以根据初始训练行程,生成初始训练数据。在一些实施例中,初始训练数据可以包括与初始训练行程相关的特性数据(本文中亦称为“第一历史特性数据”)及与初始训练行程相关的到达时间(本文中亦称为“第一历史到达时间数据”)。
在840,处理器300(例如,确定单元350)可以根据初始训练数据,确定第一ETA确定模型。第一ETA确定模型可以包括时间序列模型或回归模型中的至少一个。提前训练的时间序列模型可以包括循环神经网络、卷积神经网络、隐藏马可夫模型、感知器神经网络、霍普菲尔网络、自组织映像(SOM)或学***滑估计等中的一种或其任意组合。
在850,处理器300(例如,获取单元310)可以根据一个或以上历史行程,获取一个或以上更新的训练行程(亦称为“第二组中的至少两个训练行程”)。处理器300可以通过执行820中描述的一项或多项操作来确定第二组中的至少两个训练行程。
在860,处理器300可以根据更新的训练行程,生成更新的训练数据。更新的训练数据可以包括与更新的训练行程相关的历史特性数据及与更新的训练行程相关的历史到达时间数据。
在870,处理器300(例如,确定单元350)可以根据更新的训练数据,确定第二ETA确定模型。在一些实施例中,处理器300(例如,训练单元340中的修正部件420)可以根据第二历史特性数据和第二历史到达时间数据,修改第一ETA确定模型(例如,时间序列模型或回归模型中的至少一个)的至少一个参数,以确定第二ETA确定模型。例如,处理器300可以根据第一ETA确定模型以及与更新的训练行程相关的历史特性数据,针对第二组中的至少两个训练行程中的各训练行程确定预估到达时间。随后,处理器300可以比较第二组中的至少两个训练行程的预估到达时间与第二历史到达时间数据。处理器300可以根据所述比较内容,生成一比较结果。所述比较结果可以指示第二组中的至少两个训练行程的预估到达时间与第二历史到达时间之间的差值。处理器300可以根据比较结果确定是否修改第一ETA确定模型中的参数,并确定用于修改第一ETA确定模型中的至少一个参数的调整值。在一些实施例中,响应于确定第二组中的至少两个训练行程的预估到达时间与第二历史到达时间数据之间的相对较大的差值,处理器300可以生成相对较大的调整值。类似地,响应于确定第二组中的至少两个个训练行程的预估到达时间与第二历史到达时间数据之间的相对较小的差值,处理器300可以生成相对较小的调整值。
在880,处理器300可以确定是否满足匹配条件。在一些实施例中,若满足该匹配条件,则处理器300可以将第二ETA确定模型确定为预测模型。若不满足匹配条件,则处理器300可再执行850至880以获取用于训练模型的新的训练数据,从而确定预测模型。
在一些实施例中,所述匹配条件可以包括确定损失函数是否收敛为第一值。该损失函数可以根据第一ETA确定模型和/或第二ETA确定模型来确定。例如,若该损失函数收敛为第一值,则处理器300可以在890将第二ETA确定模型确定为预测模型。若损失函数没有收敛到第一值,则处理器300可以返回850。
在一些实施例中,所述匹配条件可以包括确定误差是否小于第二值。可以根据来自一个或以上历史行程的第三组中的至少两个历史行程(亦称为“测试行程”)及第二ETA确定模型确定该误差。例如,处理器300可以从一个或以上历史行程中选择第三组中的至少两个历史行程。第三组中的至少两个历史行程可以与初始训练行程及更新的训练行程不同。处理器300(例如,提取单元330)可以提取与测试行程相关的特性数据(本文中亦称为“第三历史特性数据”)及与第三组中的至少两个历史行程相关的到达时间(本文中亦称为“第三历史到达时间数据”)。第三历史特性数据可以包括对应于与第三组中的至少两个历史行程的每个历史行程相关的路径的特征数据,及与第三组中的至少两个历史行程的每个历史行程相关的路径的一个或以上链路的特征数据。根据第三历史特性数据及第二ETA确定模型,处理器300(例如,确定单元350)可以确定与第三组中的至少两个历史行程相关的预估到达时间。随后,处理器300可以确定与第三组中的至少两个历史行程相关的预估到达时间和与第三组中的至少两个历史行程相关的第三历史到达时间数据之间的误差。若所述误差小于第二值,则处理器300可以在890将第二ETA确定模型确定为预测模型。若所述误差不小于第二值,则处理器300可以返回至850。
在一些实施例中,所述匹配条件可以包括确定所述误差是否小于第二值并且确定所述损失函数是否收敛为第一值。第二值及损失函数可以是任何合理的值。
上文已对基本概念做了描述,显然,对于阅读此详细披露后的本领域普通技术人员来讲,上述详细披露旨在作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域普通技术人员可以对本申请进行各种修改、改进和修正。这类修改、改进和修正在本申请中被建议,所以所述修改、改进、修正仍属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。例如,术语“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、结构或特性。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“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,本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域普通技术人员可以理解,本申请的各方面可以通过若干具有可以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过程、机器、产品或物质的组合,或对他们的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“模块”、“单元”、“部件”、“装置”或“***”。此外,本申请的各方面可以表现为内嵌于一个或以上计算机可读介质中的计算机程序产品,所述计算机程序产品包括内嵌于其中的计算机可读程序编码。
计算机可读讯号介质可以包含一个内嵌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。所述传播信号可以有多种表现形式,包括电磁形式、光形式或类似物或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质的外的任何计算机可读介质,所述介质可以通过连接至一个指令执行***、设备或装置以实现通信、传播或传输供使用的程序。嵌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、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序设计语言编写,包括面向对象程序设计语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化程序设计语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态程序设计语言例如Python、Ruby和Groovy,或其他程序设计语言。所述程序设计编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。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(例如通过互联网服务提供者),或在云端计算环境中,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,本申请所述处理组件和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请过程和方法顺序至任何的顺序。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,所述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,虽然以上所描述的各种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,例如在现有的服务器或移动装置上安装所描述的软件。
同理,应当注意的是,为了简化本申请披露的描述,从而帮助对一个或以上发明实施例的理解,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申请专利范围中提及的特征多。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 (16)
1.一种用于预估到达时间的***,其包括:
计算机可读存储介质,存储用于预估到达时间的指令集;以及
与所述计算机可读存储介质通信的处理器,其特征在于,当执行所述指令集时,所述处理器用于:
提取与目标行程相关的样本特性数据,其中,所述样本特性数据包括对应于与所述目标行程相关的路径的第一特征数据及对应于所述路径的链路的第二特征数据;
获取用于预估到达时间的预测模型;以及
根据所述预测模型及所述样本特性数据,确定与所述目标行程相关的预估到达时间ETA;
其中,为确定所述预测模型,所述处理器用于:
从一个或以上历史行程中,识别第一组中的至少两个训练行程及第二组中的至少两个训练行程;
提取与所述第一组中的至少两个训练行程相关的第一历史特性数据及第一历史到达时间数据;
根据所述第一历史特性数据及所述第一历史到达时间数据,确定第一ETA确定模型;
提取与所述第二组中的至少两个训练行程相关的第二历史特性数据及第二历史到达时间数据;以及
根据所述第二历史特性数据及所述第二历史到达时间数据,修改所述第一ETA确定模型以确定第二ETA确定模型。
2.根据权利要求1所述的***,其特征在于,所述路径的所述链路对应于所述路径的至少一部分。
3.根据权利要求1所述的***,其特征在于,为确定与所述目标行程相关的所述预估到达时间,所述处理器进一步用于:
根据所述预测模型及所述第二特征数据,确定隐状态信息;以及
至少部分根据所述隐状态信息,确定与所述目标行程相关的所述预估到达时间。
4.根据权利要求1所述的***,其特征在于,为获取所述预测模型,所述处理器进一步用于:
根据与所述一个或以上历史行程相关的链路的数据,将所述一个或以上历史行程分为一组或一组以上,其中所述一个或以上历史行程与包含所述链路的至少两个路径相关联;
针对所述一组或一组以上历史行程中的各组历史行程,提取历史特性数据及历史到达时间数据;
根据所述历史特性数据及所述历史到达时间数据,生成训练数据;以及
根据所述训练数据,确定所述预测模型。
5.根据权利要求1所述的***,其特征在于,为确定所述预测模型,所述处理器进一步用于:
根据所述第一ETA确定模型或所述第二ETA确定模型中的至少一个,确定是否满足匹配条件;以及
响应于确定满足所述匹配条件,将所述第二ETA确定模型确定为所述预测模型。
6.根据权利要求5所述的***,其特征在于,为确定是否满足所述匹配条件,所述处理器用于:
根据所述第一ETA确定模型或所述第二ETA确定模型中的至少一个,确定损失函数;以及
确定所述损失函数是否收敛于第一值。
7.根据权利要求5所述的***,其特征在于,为确定是否满足所述匹配条件,所述处理器用于:
从所述一个或以上历史行程中,选择第三组中的至少两个历史行程;
根据与所述第三组中的至少两个历史行程相关的第三历史特性数据及第三历史到达时间数据,确定误差;以及
确定所述误差是否小于第二值。
8.根据权利要求1所述的***,其特征在于,所述预测模型包含时间序列模型或回归模型中的至少一个。
9.根据权利要求8所述的***,其特征在于,所述时间序列模型包含循环神经网络。
10.根据权利要求8所述的*** ,其特征在于,所述回归模型包含多层感知器。
11.一种用于预估到达时间的方法,其包含:
由处理器提取与目标行程相关的样本特性数据,其中,所述样本特性数据包括对应于与所述目标行程相关的路径的第一特征数据及对应于所述路径的链路的第二特征数据;
获取用于预估到达时间的预测模型;以及
根据所述预测模型及所述样本特性数据,由所述处理器确定与所述目标行程相关的预估到达时间ETA;
其中,为确定所述预测模型包括:
从一个或以上历史行程中,识别第一组中的至少两个训练行程及第二组中的至少两个训练行程;
提取与所述第一组中的至少两个训练行程相关的第一历史特性数据及第一历史到达时间数据;
根据所述第一历史特性数据及所述第一历史到达时间数据,确定第一ETA确定模型;
提取与所述第二组中的至少两个训练行程相关的第二历史特性数据及第二历史到达时间数据;以及
根据所述第二历史特性数据及所述第二历史到达时间数据,修改所述第一ETA确定模型以确定第二ETA确定模型。
12.根据权利要求11所述的方法,其特征在于,所述路径的所述链路对应于所述路径的至少一部分。
13.根据权利要求11所述的方法,其特征在于,确定与所述目标行程相关的所述预估到达时间进一步包括:
根据所述预测模型及所述第二特征数据,确定隐状态信息;以及
至少部分根据所述隐状态信息,确定与所述目标行程相关的所述预估到达时间。
14.根据权利要求11所述的方法,其进一步包括:
根据与所述一个或以上历史行程相关的链路的数据,将所述一个或以上历史行程分为一组或一组以上,其中所述一个或以上历史行程与包含所述链路的至少两个路径相关联;
针对所述一组或一组以上历史行程中的各组历史行程,提取历史特性数据及历史到达时间数据;以及
根据所述历史特性数据及所述历史到达时间数据,生成训练数据;以及
根据所述训练数据,确定所述预测模型。
15.根据权利要求11所述的方法,其进一步包括:
根据所述第一ETA确定模型或所述第二ETA确定模型中的至少一个,确定是否满足匹配条件;以及
响应于确定满足所述匹配条件,将所述第二ETA确定模型确定为所述预测模型。
16.根据权利要求15所述的方法,其特征在于,确定是否满足所述匹配条件包含:
根据所述第一ETA确定模型或所述第二ETA确定模型中的至少一个,确定损失函数;以及
确定所述损失函数是否收敛于第一值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710016048.5A CN108288096B (zh) | 2017-01-10 | 2017-01-10 | 用于估算行程时间、模型训练的方法及装置 |
CN2017100160485 | 2017-01-10 | ||
PCT/CN2017/086530 WO2018129850A1 (en) | 2017-01-10 | 2017-05-31 | Method and system for estimating time of arrival |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110168313A CN110168313A (zh) | 2019-08-23 |
CN110168313B true CN110168313B (zh) | 2022-10-25 |
Family
ID=62819425
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710016048.5A Active CN108288096B (zh) | 2017-01-10 | 2017-01-10 | 用于估算行程时间、模型训练的方法及装置 |
CN201780083059.3A Active CN110168313B (zh) | 2017-01-10 | 2017-05-31 | 用于预估到达时间的方法及*** |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710016048.5A Active CN108288096B (zh) | 2017-01-10 | 2017-01-10 | 用于估算行程时间、模型训练的方法及装置 |
Country Status (8)
Country | Link |
---|---|
US (1) | US10816352B2 (zh) |
EP (1) | EP3479306B1 (zh) |
JP (1) | JP6677802B2 (zh) |
CN (2) | CN108288096B (zh) |
AU (2) | AU2017317611A1 (zh) |
GB (1) | GB2564181A (zh) |
TW (1) | TWI676783B (zh) |
WO (1) | WO2018129850A1 (zh) |
Families Citing this family (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11201811174XA (en) * | 2017-06-13 | 2019-03-28 | Beijing Didi Infinity Technology & Development Co Ltd | Systems and methods for determining estimated time of arrival |
US10557713B1 (en) * | 2017-07-14 | 2020-02-11 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
US10816351B1 (en) * | 2017-07-14 | 2020-10-27 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
US10801850B2 (en) * | 2017-08-09 | 2020-10-13 | Curbside Inc. | Arrival predictions based on destination specific model |
US11037055B2 (en) * | 2017-10-30 | 2021-06-15 | DoorDash, Inc. | System for dynamic estimated time of arrival predictive updates |
US10915853B2 (en) * | 2018-02-28 | 2021-02-09 | DoorDash, Inc. | System for dynamic effort-based delivery value predictive updates |
US10473478B1 (en) * | 2018-06-21 | 2019-11-12 | Visa International Service Association | System, method, and computer program product for machine-learning-based traffic prediction |
CN110956299B (zh) * | 2018-09-26 | 2022-08-30 | 北京嘀嘀无限科技发展有限公司 | 一种到达时间预估方法及装置 |
FR3086622B1 (fr) * | 2018-09-28 | 2022-06-24 | Renault Sas | Dispositif de planification d'un chemin et/ou d'une trajectoire d'un vehicule automobile |
CN109408498B (zh) * | 2018-10-09 | 2022-12-13 | 厦门理工学院 | 基于特征矩阵决策树的时间序列特征识别与分解方法 |
CN111047044B (zh) * | 2018-10-11 | 2022-02-01 | 腾讯大地通途(北京)科技有限公司 | Eta模型的训练方法、eta预估方法、装置及设备 |
CN111160594B (zh) * | 2018-11-07 | 2022-05-06 | 腾讯大地通途(北京)科技有限公司 | 一种到达时间的预估方法、装置及存储介质 |
CN110782648B (zh) * | 2018-12-03 | 2022-02-18 | 北京嘀嘀无限科技发展有限公司 | 确定预计到达时间的***和方法 |
CN109489679B (zh) * | 2018-12-18 | 2019-12-17 | 成佳颖 | 一种导航路径中的到达时间计算方法 |
CN109740811A (zh) * | 2018-12-28 | 2019-05-10 | 斑马网络技术有限公司 | 通行速度预测方法、装置和存储介质 |
CN111415024A (zh) * | 2019-01-04 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种到达时间预估方法以及预估装置 |
CN111435088A (zh) * | 2019-01-15 | 2020-07-21 | 北京嘀嘀无限科技发展有限公司 | 一种道路匹配方法、装置、电子设备及存储介质 |
CN111461379A (zh) * | 2019-01-21 | 2020-07-28 | 北京嘀嘀无限科技发展有限公司 | 一种位置预测方法以及装置 |
CN111461380A (zh) * | 2019-01-21 | 2020-07-28 | 北京嘀嘀无限科技发展有限公司 | 一种位置预测方法以及装置 |
CN111721306B (zh) * | 2019-03-20 | 2022-07-05 | 北京嘀嘀无限科技发展有限公司 | 道路匹配方法、装置、电子设备及可读存储介质 |
CN109974735B (zh) * | 2019-04-08 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 到达时间的预估方法、装置及计算机设备 |
CN111862657B (zh) * | 2019-04-24 | 2022-09-09 | 北京嘀嘀无限科技发展有限公司 | 一种确定路况信息的方法及装置 |
CN111858786B (zh) * | 2019-06-06 | 2023-12-22 | 北京嘀嘀无限科技发展有限公司 | 用于在路径规划中提供通行时间置信度的***和方法 |
CN110298500B (zh) * | 2019-06-19 | 2022-11-08 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
CN111862585B (zh) * | 2019-07-23 | 2021-11-02 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的***和方法 |
TWI724515B (zh) * | 2019-08-27 | 2021-04-11 | 聯智科創有限公司 | 機器學習服務提供方法 |
WO2021051329A1 (en) * | 2019-09-19 | 2021-03-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining estimated time of arrival in online to offline services |
JP7272238B2 (ja) * | 2019-11-07 | 2023-05-12 | トヨタ自動車株式会社 | 情報処理装置、情報処理システム、およびプログラム |
CN110954119B (zh) * | 2019-11-11 | 2022-02-18 | 广东振业优控科技股份有限公司 | 一种基于大数据的城市道路机动车最优线路诱导方法 |
CN111143835B (zh) * | 2019-11-18 | 2021-12-31 | 深圳供电局有限公司 | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 |
TWI736048B (zh) * | 2019-12-05 | 2021-08-11 | 中華電信股份有限公司 | 計算預測旅行時間的電子裝置和方法 |
CN111343726B (zh) * | 2020-02-27 | 2023-03-24 | 中国联合网络通信集团有限公司 | 用户调度方法及装置 |
SG11202113325VA (en) * | 2020-03-11 | 2021-12-30 | Grabtaxi Holdings Pte Ltd | Method of predicting fare and fare prediction data system |
CN111813640A (zh) * | 2020-03-25 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 用于预测用户行为的方法、装置、电子设备和存储介质 |
CN111860931A (zh) * | 2020-03-31 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种到达时长提醒方法、装置、设备和存储介质 |
CN111832797B (zh) * | 2020-04-10 | 2024-06-04 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN111860906B (zh) * | 2020-04-24 | 2024-04-26 | 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*** |
CN113554206B (zh) * | 2020-04-26 | 2024-05-07 | 百度在线网络技术(北京)有限公司 | 等车时间预估方法、装置、设备及存储介质 |
JP7251535B2 (ja) * | 2020-09-11 | 2023-04-04 | トヨタ自動車株式会社 | 配車システム、配車サーバ、及び配車方法 |
GB2599710A (en) * | 2020-10-09 | 2022-04-13 | Daimler Ag | A method for determining a personalized estimated time of arrival of a motor vehicle as well as a corresponding assistance system |
CN112532692B (zh) * | 2020-11-09 | 2024-07-16 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置、存储介质 |
CN112529305A (zh) * | 2020-12-16 | 2021-03-19 | 北京交通大学 | 一种基于深度学习的快递员揽件顺序预测方法 |
US20220194404A1 (en) * | 2020-12-23 | 2022-06-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for warning drivers in orders with high risk |
US20220207478A1 (en) * | 2020-12-29 | 2022-06-30 | Uber Technologies, Inc. | Reinforcement learning model optimizing arrival time for on-demand delivery services |
CN112907953B (zh) * | 2021-01-27 | 2022-01-28 | 吉林大学 | 一种基于稀疏gps数据的公交行程时间预测方法 |
US20220301043A1 (en) * | 2021-03-17 | 2022-09-22 | Volvo Car Corporation | Rental vehicle system optimization |
US20230004931A1 (en) * | 2021-06-30 | 2023-01-05 | Transportation Ip Holdings, Llc | Systems and methods for estimating time of arrival of vehicle systems |
US20230029497A1 (en) * | 2021-07-28 | 2023-02-02 | Ford Global Technologies, Llc | Stranded motorist assistance system |
KR20230070901A (ko) * | 2021-11-15 | 2023-05-23 | 현대자동차주식회사 | 내비게이션 경로의 도착예정시간 제공 장치 및 그 방법 |
KR102573988B1 (ko) * | 2021-11-29 | 2023-09-01 | 연세대학교 산학협력단 | 딥러닝 기반의 노면 상태 모니터링 시스템 및 모니터링 방법 |
CN114222300B (zh) * | 2022-02-23 | 2022-04-26 | 南京理工大学 | 一种车载控制器局域网络入侵检测方法及设备 |
US20230368121A1 (en) * | 2022-05-11 | 2023-11-16 | Global Spatial Technology Solutions Inc. | System and method for enhanced estimated time of arrival for vessels |
DE102022114218B3 (de) | 2022-06-07 | 2023-09-14 | Audi Aktiengesellschaft | Verfahren zum Schätzen einer Zeitangabe eines Eintritts eines zukünftigen Ereignisses, insbesondere eines Verkehrsereignisses, sowie Kraftfahrzeug |
WO2024035340A1 (en) * | 2022-08-11 | 2024-02-15 | Grabtaxi Holdings Pte. Ltd. | Vehicle speed or travel time estimation |
WO2024054153A1 (en) * | 2022-09-05 | 2024-03-14 | Grabtaxi Holdings Pte. Ltd. | Method and system for estimating a time of arrival of a driver at a location |
WO2024103052A1 (en) * | 2022-11-11 | 2024-05-16 | The Regents Of The University Of Michigan | Vehicle repositioning determination for vehicle pool |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
WO2012062760A1 (en) * | 2010-11-08 | 2012-05-18 | Tomtom Development Germany Gmbh | Navigation apparatus and method |
CN104008473A (zh) * | 2014-02-12 | 2014-08-27 | 中华电信股份有限公司 | 具有通知功能的物流配送到达时间预估***及方法 |
CN104637334A (zh) * | 2015-02-10 | 2015-05-20 | 中山大学 | 一种公交车到站时间实时预测方法 |
CN105469602A (zh) * | 2015-12-31 | 2016-04-06 | 北京航空航天大学 | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 |
CN105631707A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 基于决策树的广告点击率预估方法与应用推荐方法及装置 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3099934B2 (ja) * | 1994-09-08 | 2000-10-16 | 株式会社東芝 | 走行所要時間予測装置 |
JPH1079096A (ja) * | 1996-09-03 | 1998-03-24 | Toshiba Corp | 経路選択支援情報提供装置 |
JP3529619B2 (ja) * | 1998-04-22 | 2004-05-24 | 株式会社東芝 | 走行所要時間予測装置 |
US6317088B1 (en) | 2000-06-02 | 2001-11-13 | Joyce Y. Lindsay | Satellite antenna deicing device |
JP3753423B2 (ja) * | 2002-03-15 | 2006-03-08 | 財団法人生産技術研究奨励会 | 走行所要時間予測装置及び方法 |
JP4255007B2 (ja) | 2003-04-11 | 2009-04-15 | 株式会社ザナヴィ・インフォマティクス | ナビゲーション装置、およびその旅行時間算出方法 |
US7739040B2 (en) * | 2006-06-30 | 2010-06-15 | Microsoft Corporation | Computation of travel routes, durations, and plans over multiple contexts |
US7739031B2 (en) * | 2006-09-05 | 2010-06-15 | Nissan Technical Center North America, Inc. | Vehicle on-board unit |
US8577594B2 (en) | 2006-10-25 | 2013-11-05 | Motorola Mobility Llc | Apparatus and method for route navigation of multiple destinations |
CN101673463B (zh) * | 2009-09-17 | 2011-12-14 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
JP2011099798A (ja) * | 2009-11-09 | 2011-05-19 | Hitachi Ltd | 渋滞範囲予測方法および装置 |
CN102081859B (zh) | 2009-11-26 | 2014-10-01 | 上海遥薇(集团)有限公司 | 一种公交车到站时间预测模型控制方法 |
US9037519B2 (en) * | 2012-10-18 | 2015-05-19 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
US9122987B2 (en) | 2013-01-17 | 2015-09-01 | Mitsubishi Electric Research Laboratories, Inc. | Method for predicting future travel time using geospatial inference |
US9020754B2 (en) * | 2013-03-22 | 2015-04-28 | Here Global B.V. | Vehicle arrival prediction |
JP6336570B2 (ja) * | 2013-04-17 | 2018-06-06 | トムトム ナビゲーション ベスローテン フエンノートシャップTomTom Navigation B.V. | 移動情報を提供する方法及び装置 |
US9752886B2 (en) * | 2013-06-27 | 2017-09-05 | Sap Se | Mobile trip planner and live route update system |
TWI525009B (zh) | 2013-11-11 | 2016-03-11 | 緯創資通股份有限公司 | 車輛預警系統及車輛預警方法 |
US10175054B2 (en) | 2015-01-11 | 2019-01-08 | Microsoft Technology Licensing, Llc | Predicting and utilizing variability of travel times in mapping services |
JP6363534B2 (ja) * | 2015-03-04 | 2018-07-25 | 株式会社Nttドコモ | 経路探索装置、経路探索システム、経路探索方法及びプログラム |
WO2016174745A1 (ja) * | 2015-04-28 | 2016-11-03 | 株式会社日立製作所 | 到着時刻予測装置、到着時刻予測システム及びプログラム |
US10019671B2 (en) * | 2015-06-12 | 2018-07-10 | Conduent Business Services, Llc | Learning mobility user choice and demand models from public transport fare collection data |
US10234300B2 (en) * | 2015-11-13 | 2019-03-19 | Here Global B.V. | Private and personalized estimation of travel time |
CN105679021B (zh) * | 2016-02-02 | 2018-11-06 | 招商局重庆交通科研设计院有限公司 | 基于交通大数据的行程时间融合预测及查询方法 |
US10072938B2 (en) * | 2016-04-29 | 2018-09-11 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for determining and providing a personalized ETA with privacy preservation |
CN106017496A (zh) * | 2016-05-25 | 2016-10-12 | 南京信息职业技术学院 | 一种基于路况的实时导航方法 |
CN105894848A (zh) * | 2016-06-29 | 2016-08-24 | 合肥民众亿兴软件开发有限公司 | 一种基于网络的公交车到站时间预测方法 |
-
2017
- 2017-01-10 CN CN201710016048.5A patent/CN108288096B/zh active Active
- 2017-05-31 AU AU2017317611A patent/AU2017317611A1/en not_active Abandoned
- 2017-05-31 JP JP2018512392A patent/JP6677802B2/ja active Active
- 2017-05-31 WO PCT/CN2017/086530 patent/WO2018129850A1/en active Application Filing
- 2017-05-31 EP EP17844615.9A patent/EP3479306B1/en active Active
- 2017-05-31 GB GB1803663.2A patent/GB2564181A/en not_active Withdrawn
- 2017-05-31 CN CN201780083059.3A patent/CN110168313B/zh active Active
-
2018
- 2018-01-03 TW TW107100204A patent/TWI676783B/zh active
- 2018-03-20 US US15/927,073 patent/US10816352B2/en active Active
-
2019
- 2019-12-09 AU AU2019279920A patent/AU2019279920B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
WO2012062760A1 (en) * | 2010-11-08 | 2012-05-18 | Tomtom Development Germany Gmbh | Navigation apparatus and method |
CN103262136A (zh) * | 2010-11-08 | 2013-08-21 | 通腾发展德国公司 | 导航设备和方法 |
CN104008473A (zh) * | 2014-02-12 | 2014-08-27 | 中华电信股份有限公司 | 具有通知功能的物流配送到达时间预估***及方法 |
CN104637334A (zh) * | 2015-02-10 | 2015-05-20 | 中山大学 | 一种公交车到站时间实时预测方法 |
CN105631707A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 基于决策树的广告点击率预估方法与应用推荐方法及装置 |
CN105469602A (zh) * | 2015-12-31 | 2016-04-06 | 北京航空航天大学 | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
US10816352B2 (en) | 2020-10-27 |
JP2019511020A (ja) | 2019-04-18 |
JP6677802B2 (ja) | 2020-04-08 |
GB2564181A (en) | 2019-01-09 |
EP3479306B1 (en) | 2021-01-13 |
AU2019279920B2 (en) | 2021-07-29 |
WO2018129850A1 (en) | 2018-07-19 |
US20180209808A1 (en) | 2018-07-26 |
CN108288096A (zh) | 2018-07-17 |
TW201829982A (zh) | 2018-08-16 |
EP3479306A1 (en) | 2019-05-08 |
AU2017317611A1 (en) | 2018-07-26 |
CN110168313A (zh) | 2019-08-23 |
AU2019279920A1 (en) | 2020-01-16 |
EP3479306A4 (en) | 2019-07-24 |
CN108288096B (zh) | 2020-08-21 |
GB201803663D0 (en) | 2018-04-25 |
TWI676783B (zh) | 2019-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110168313B (zh) | 用于预估到达时间的方法及*** | |
CN109155104B (zh) | 推荐估计到达时间的***和方法 | |
CN109478275B (zh) | 分配服务请求的***和方法 | |
CN109478364B (zh) | 确定预计到达时间的方法及*** | |
CN109416878B (zh) | 用于推荐预计到达时间的***和方法 | |
CN108934181B (zh) | 用于路径搜索的***和方法 | |
CN109791731B (zh) | 一种预估到达时间的方法和*** | |
CN114944059B (zh) | 确定预估到达时间的方法与*** | |
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 | |
CN111862585B (zh) | 用于交通预测的***和方法 | |
TWI724958B (zh) | 用於線上到線下服務的系統、方法和電腦可讀取媒體 | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
CN112236787A (zh) | 用于生成个性化目的地推荐的***和方法 | |
CN110839346A (zh) | 用于分配服务请求的***和方法 | |
CN112154473A (zh) | 用于推荐上车点的***和方法 | |
CN114041129A (zh) | 确定上车点名称的***和方法 | |
JP2021526696A (ja) | オンライン・オンデマンドサービス・プラットフォームからのデータを処理するためのシステムおよび方法 | |
CN109948822B (zh) | 一种地理区域内网约车供需缺口预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |