JP2020531933A - オーダーを割振るためのシステムおよび方法 - Google Patents

Abstract

オーダーを割振るためのシステムおよび方法が提供される。方法は、サービス要求者と関連付けられたオーダーのターゲットとするオーダー特徴を抽出するステップと、サービス要求者のターゲットとする要求者特徴を抽出するステップと、サービス提供者のターゲットとする提供者特徴を抽出するステップと、ターゲットとする事象が発生する確率を決定するための予測モデルを取得するステップと、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、およびターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象の発生確率を決定するステップとを含む。【選択図】図５

Description

本開示は、概して、人工知能を使用してオンライン・ツー・オフライン・サービスのタクシー配車オーダーを処理するためのシステムおよび方法に関し、特に、ターゲットとする事象の発生確率に基づいてオーダーを割振るためのシステムおよび方法に関する。

オンライン・タクシー配車サービスなど、インターネット技術を利用したオンライン・ツー・オフライン・サービスは、その利便性からますます人気が高まっている。しかしながら、乗客がオンライン・ツー・オフライン・サービス・プラットフォームを通じてタクシー配車サービスを要求するとき、オンライン・ツー・オフライン・サービス・プラットフォームは、ある事象（例えば、悪意のある事象）の可能性を考慮せずに、その乗客にサービス供給することにドライバーを割り当てることがあり、それによりサービス品質ならびに／または乗客および／もしくはドライバーの経験に影響を及ぼす。したがって、オーダーを割振るための好適なシステムおよび方法を提供することが望ましい。

本開示の１つの態様において、ターゲットとする事象の発生確率を決定するための１つまたは複数の電子デバイスのシステムが提供される。本システムは、少なくとも１つのストレージ・デバイス、および少なくとも１つのストレージ・デバイスと通信状態にある少なくとも１つのプロセッサを備え得る。少なくとも１つのストレージ・デバイスは、オペレーション・システムを含み、ターゲットとする事象の発生確率を決定するためのオペレーション・システムと互換性がある命令の第１のセットを含み得る。オペレーション・システムおよび命令のセットを実行するとき、少なくとも１つのプロセッサは、サービス要求者と関連付けられたオーダーのターゲットとするオーダー特徴を抽出することと、サービス要求者のターゲットとする要求者特徴を抽出することと、サービス提供者のターゲットとする提供者特徴を抽出することと、ターゲットとする事象が発生する確率を決定するための予測モデルを取得することと、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、およびターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象の発生確率を決定することとを行うように指示され得る。

いくつかの実施形態において、予測モデルを取得するために、少なくとも１つのプロセッサは、トレーニング・データを取得するようにさらに指示され得る。トレーニング・データは、各々においてターゲットとする事象が発生しなかった複数の正サンプル、および各々においてターゲットとする事象が発生した複数の負サンプルを含み得る。複数の正サンプルおよび複数の負サンプルの各々は、履歴取引データ、および履歴取引データに対応する履歴事象データを含み得る。少なくとも１つのプロセッサは、複数の正サンプルおよび複数の負サンプルの履歴取引データから複数の候補特徴を抽出するようにさらに指示され得る。複数の正サンプルおよび複数の負サンプルの各々について、少なくとも１つのプロセッサは、特徴選択アルゴリズムを使用して複数の候補特徴から１つまたは複数のターゲットとする特徴を決定するようにさらに指示され得る。少なくとも１つのプロセッサは、複数の正サンプルの１つまたは複数のターゲットとする特徴、複数の負サンプルの１つまたは複数のターゲットとする特徴、ならびに複数の正サンプルおよび複数の負サンプルの履歴事象データに基づいて、予測モデルを生成するようにさらに指示され得る。

いくつかの実施形態において、予測モデルを取得するために、少なくとも１つのプロセッサは、複数の正サンプルおよび複数の負サンプルに基づいて、トレーニング・データが不均衡なサンプル構成を含むことを決定することと、トレーニング・データが不均衡なサンプル構成を含むという決定に応答して、サンプル平衡化技術を使用してトレーニング・データに基づいてサンプル構成を平衡化することとを行うようにさらに指示され得る。

いくつかの実施形態において、サンプル平衡化技術は、複数の正サンプルをアンダーサンプリング(ｕｎｄｅｒ−ｓａｍｐｌｉｎｇ)することを含み得る。

いくつかの実施形態において、サンプル平衡化技術は、複数の負サンプルをオーバーサンプリング（ｏｖｅｒ−ｓａｍｐｌｉｎｇ）することをさらに含み得る。

いくつかの実施形態において、サンプル構成を平衡化するために、少なくとも１つのプロセッサは、ｋ近傍法（ＫＮＮ）技術を使用して複数の合成サンプルを決定することと、複数の合成サンプルを負サンプルに指定することとを行うようにさらに指示され得る。

いくつかの実施形態において、ＫＮＮ技術を使用して複数の合成サンプルを決定するために、少なくとも１つのプロセッサは、複数の負サンプルの各々について負サンプルの１つまたは複数のターゲットとする特徴に基づいて特徴ベクトルを生成するようにさらに指示され得る。特徴ベクトルの各々について、少なくとも１つのプロセッサは、ＫＮＮ技術を使用して特徴ベクトルの第１の数の最近傍を決定することと、オーバーサンプリング・レートに従って第１の数の最近傍から第２の数の最近傍を選択することと、特徴ベクトルおよび第２の数の最近傍に基づいて特徴ベクトルに関して合成サンプルを生成することとを行うようにさらに指示され得る。

いくつかの実施形態において、少なくとも１つのストレージ・デバイスは、オーダーを割振るためのオペレーション・システムと互換性がある命令の第２のセットをさらに含み得る。少なくとも１つのプロセッサが命令の第２のセットを実行するとき、少なくとも１つのプロセッサは、１つまたは複数のターゲットとするサービス要求者と関連付けられた１つまたは複数の要求者端末から１つまたは複数のターゲットとするオーダーを取得することと、１つまたは複数のオーダーを受諾することが可能である複数の候補サービス提供者を特定することと、１つまたは複数のターゲットとするサービス要求者の各々を複数の候補サービス提供者の各々と関連付けることによって、候補要求者−提供者ペアを決定することと、候補要求者−提供者ペアの各々について、ターゲットとする事象が発生する発生確率を決定するために命令の第１のセットを実行することと、ターゲットとする事象の発生確率および対応する候補要求者−提供者ペアに少なくとも部分的に基づいて、１つまたは複数のターゲットとするオーダーを割振ることとを行うようにさらに指示され得る。

いくつかの実施形態において、予測モデルは、ｅＸｔｒｅｍｅ 勾配ブースティング（Ｘｇｂｏｏｓｔ）モデルを含み得る。

いくつかの実施形態において、ターゲットとする事象は、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、または強盗のうちの少なくとも１つを含む。

本開示の別の態様において、ターゲットとする事象の発生確率を決定するための方法が提供される。本方法は、少なくとも１つのストレージ・デバイス、および少なくとも１つのストレージ・デバイスと通信状態にある少なくとも１つのプロセッサを有する１つまたは複数の電子デバイスに実装され得る。本方法は、サービス要求者と関連付けられたオーダーのターゲットとするオーダー特徴を抽出するステップと、サービス要求者のターゲットとする要求者特徴を抽出するステップと、サービス提供者のターゲットとする提供者特徴を抽出するステップと、ターゲットとする事象が発生する確率を決定するための予測モデルを取得するステップと、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、およびターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象の発生確率を決定するステップとを含み得る。

いくつかの実施形態において、予測モデルを取得するステップは、トレーニング・データを取得するステップであって、トレーニング・データは、各々においてターゲットとする事象が発生しなかった複数の正サンプルおよび各々においてターゲットとする事象が発生した複数の負サンプルを含み、複数の正サンプルおよび複数の負サンプルの各々が、履歴取引データ、および履歴取引データと関連付けられた履歴事象データを含む、ステップと、複数の正サンプルおよび複数の負サンプルの履歴取引データから複数の候補特徴を抽出するステップと、複数の正サンプルおよび複数の負サンプルの各々について、特徴選択アルゴリズムを使用して複数の候補特徴から１つまたは複数のターゲットとする特徴を決定するステップと、複数の正サンプルの１つまたは複数のターゲットとする特徴、複数の負サンプルの１つまたは複数のターゲットとする特徴、ならびに複数の正サンプルおよび複数の負サンプルの履歴事象データに基づいて、予測モデルを生成するステップとを含み得る。

いくつかの実施形態において、予測モデルを取得するステップは、複数の正サンプルおよび複数の負サンプルに基づいて、トレーニング・データが不均衡なサンプル構成を含むことを決定するステップと、トレーニング・データが不均衡なサンプル構成を含むという決定に応答して、サンプル平衡化技術を使用してトレーニング・データに基づいてサンプル構成を平衡化するステップとをさらに含み得る。

いくつかの実施形態において、サンプル構成を平衡化するステップは、ｋ近傍法（ＫＮＮ）技術を使用して複数の合成サンプルを決定するステップと、複数の合成サンプルを負サンプルに指定するステップとをさらに含み得る。

いくつかの実施形態において、ＫＮＮ技術を使用して複数の合成サンプルを決定するステップは、複数の負サンプルの各々について負サンプルの１つまたは複数のターゲットとする特徴に基づいて特徴ベクトルを生成するステップをさらに含み得る。いくつかの実施形態において、特徴ベクトルの各々について、ＫＮＮ技術を使用して複数の合成サンプルを決定するステップは、ＫＮＮ技術を使用して特徴ベクトルの第１の数の最近傍を決定するステップと、オーバーサンプリング・レートに従って第１の数の最近傍から第２の数の最近傍を選択するステップと、特徴ベクトルおよび第２の数の最近傍に基づいて特徴ベクトルに関して合成サンプルを生成するステップとをさらに含み得る。

いくつかの実施形態において、本方法は、１つまたは複数のターゲットとするサービス要求者と関連付けられた１つまたは複数の要求者端末から１つまたは複数のターゲットとするオーダーを取得するステップと、１つまたは複数のオーダーを受諾することが可能である複数の候補サービス提供者を特定するステップと、１つまたは複数のターゲットとするサービス要求者の各々を複数の候補サービス提供者の各々と関連付けることによって、候補要求者−提供者ペアを決定するステップと、候補要求者−提供者ペアの各々について、ターゲットとする事象が発生する発生確率を決定するステップと、ターゲットとする事象の発生確率および対応する候補要求者−提供者ペアに少なくとも部分的に基づいて、１つまたは複数のターゲットとするオーダーを割振るステップとをさらに含み得る。

本開示の別の態様において、非一時的コンピュータ可読媒体が提供される。非一時的コンピュータ可読媒体は、オペレーション・システムを含み、ターゲットとする事象の発生確率を決定するためのオペレーション・システムと互換性がある命令の少なくとも１つのセットを含み得る。１つまたは複数の電子デバイスの少なくとも１つのプロセッサによって実行されるとき、命令の少なくとも１つのセットは、少なくとも１つのプロセッサに、サービス要求者と関連付けられたオーダーのターゲットとするオーダー特徴を抽出することと、サービス要求者のターゲットとする要求者特徴を抽出することと、サービス提供者のターゲットとする提供者特徴を抽出することと、ターゲットとする事象が発生する確率を決定するための予測モデルを取得することと、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、およびターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象の発生確率を決定することとを行うように指示する。

本開示の別の態様において、ターゲットとする事象の発生確率を決定するための１つまたは複数の電子デバイスの人工知能システムが提供される。人工知能システムは、サービス要求システムに対応する少なくとも１つの第１の情報交換ポートを含み得、サービス要求システムは、１つまたは複数の要求者端末と、少なくとも１つの第１の情報交換ポートおよび１つまたは複数の要求者端末間のワイヤレス通信を通じて、関連付けられる。人工知能システムはまた、サービス提供システムに対応する少なくとも１つの第２の情報交換ポートを含み得、サービス提供システムは、１つまたは複数の提供者端末と、少なくとも１つの第２の情報交換ポートおよび１つまたは複数の提供者端末間のワイヤレス通信を通じて、関連付けられる。人工知能システムは、オペレーション・システムを含み、ターゲットとする事象の発生確率を決定するためのオペレーション・システムと互換性がある命令の第１のセットを含む少なくとも１つのストレージ・デバイスをさらに含み得る。人工知能システムは、少なくとも１つのストレージ・デバイスと通信状態にある少なくとも１つのプロセッサをさらに含み得、オペレーション・システムおよび命令の第１のセットを実行するとき、少なくとも１つのプロセッサが、オーダーのターゲットとするオーダー特徴を抽出することと、オーダーと関連付けられたサービス要求者のターゲットとする要求者特徴を抽出することと、サービス提供者と関連付けられた提供者端末を特定することと、サービス提供者のターゲットとする提供者特徴を抽出することと、ターゲットとする事象が発生する確率を決定するための予測モデルを取得することと、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、およびターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象の発生確率を決定することとを行うようにさらに指示され得る。

本開示の別の態様において、ターゲットとする事象の発生確率を決定するための方法が提供される。本方法は、１つまたは複数の要求者端末と通信する少なくとも１つの第１の情報交換ポート、１つまたは複数の提供者端末と通信する少なくとも１つの第２の情報交換ポート、少なくとも１つのストレージ・デバイス、および少なくとも１つのストレージ・デバイスと通信状態にある少なくとも１つのプロセッサを有する１つまたは複数の電子デバイスに実装され得る。本方法は、少なくとも１つの第１の情報交換ポートを介して要求者端末からサービス要求者のオーダーを取得するステップと、オーダーのターゲットとするオーダー特徴を抽出するステップと、オーダーと関連付けられたサービス要求者のターゲットとする要求者特徴を抽出するステップと、サービス提供者と関連付けられた提供者端末を特定するステップと、サービス提供者のターゲットとする提供者特徴を抽出するステップと、ターゲットとする事象が発生する確率を決定するための予測モデルを取得するステップと、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、およびターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象の発生確率を決定するステップとを含み得る。

本開示の別の態様において、非一時的コンピュータ可読媒体が提供される。非一時的コンピュータ可読媒体は、オペレーション・システムを含み、ターゲットとする事象の発生確率を決定するためのオペレーション・システムと互換性がある命令の少なくとも１つのセットを含み得る。１つまたは複数の電子デバイスの少なくとも１つのプロセッサによって実行されるとき、命令の少なくとも１つのセットは、少なくとも１つのプロセッサに、少なくとも１つの第１の情報交換ポートを介して要求者端末からサービス要求者のオーダーを取得することと、オーダーのターゲットとするオーダー特徴を抽出することと、オーダーと関連付けられたサービス要求者のターゲットとする要求者特徴を抽出することと、サービス提供者と関連付けられた提供者端末を特定することと、サービス提供者のターゲットとする提供者特徴を抽出することと、ターゲットとする事象が発生する確率を決定するための予測モデルを取得することと、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、およびターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象の発生確率を決定することとを行うように指示する。

本開示の別の態様において、オーダーを割振るための人工知能システムが提供される。人工知能システムは、事象予測モジュールおよびオーダー割振りモジュールを含み得る。事象予測モジュールは、オーダーについてターゲットとする事象の発生確率を決定するように構成され得る。オーダー割振りモジュールは、ターゲットとする事象の発生確率に基づいてオーダーを割振るように構成され得る。

いくつかの実施形態において、事象予測モジュールは、オーダー特徴抽出ユニット、要求者特徴抽出ユニット、提供者特徴抽出ユニット、モデル決定ユニット、および事象予測ユニットを含み得る。オーダー特徴抽出ユニットは、オーダーのターゲットとするオーダー特徴を抽出するように構成され得る。要求者特徴抽出ユニットは、オーダーと関連付けられたサービス要求者のターゲットとする要求者特徴を抽出するように構成され得る。提供者特徴抽出ユニットは、サービス提供者のターゲットとする提供者特徴を抽出するように構成され得る。モデル決定ユニットは、ターゲットとする事象が発生する確率を決定するための予測モデルを取得するように構成され得る。事象予測ユニットは、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、およびターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象の発生確率を決定するように構成され得る。

追加の特徴は、以下に続く説明において一部は明記されるものとし、一部は以下および添付の図面の説明時に当業者には明らかになるものとし、または、例の製作および運用によって学習され得る。本開示の特徴は、以下に論じられる詳細な例に明記される方法論、手段、および組合せの様々な態様の実践または使用により実現および達成され得る。

本開示は、例示的な実施形態に関してさらに説明される。これらの例示的な実施形態は、図面を参照して詳細に説明される。図面は縮尺通りではない。これらの実施形態は、非限定的な例示的な実施形態であり、同様の参照番号は、図面のいくつかの視点を通して同様の構造を表す。

本開示のいくつかの実施形態に従う、例示的な人工知能システムのブロック図である。 本開示のいくつかの実施形態に従う、例示的なコンピューティング・デバイスの例示的なハードウェアおよび／またはソフトウェアを示す概略図である。 本開示のいくつかの実施形態に従う、例示的なモバイル・デバイスの概略図である。 本開示のいくつかの実施形態に従う、例示的な処理デバイスを示すブロック図である。 本開示のいくつかの実施形態に従う、例示的な事象予測モジュールを示すブロック図である。 本開示のいくつかの実施形態に従う、例示的なモデル決定ユニットを示すブロック図である。 本開示のいくつかの実施形態に従う、例示的なオーダー割振りモジュールを示すブロック図である。 本開示のいくつかの実施形態に従う、予測モデルを使用してターゲットとする事象が発生する発生確率を決定するための例示的なプロセスを示すフローチャートである。 本開示のいくつかの実施形態に従う、予測モデルを生成するための例示的なプロセスを示すフローチャートである。 本開示のいくつかの実施形態に従う、平衡化サンプルを生成するための例示的なプロセスを示すフローチャートである。 本開示のいくつかの実施形態に従う、合成サンプルを生成するための例示的なプロセスを示すフローチャートである。 本開示のいくつかの実施形態に従う、不均衡なサンプル構成を示す概略図である。 本開示のいくつかの実施形態に従う、オーダーを割り当てるための例示的なプロセスを示すフローチャートである。

以下の説明は、当業者が本開示を活用することができるように提示され、特定の用途およびその要件の文脈において提供される。開示される実施形態に対する様々な修正は、当業者には容易に明らかであるものとし、本明細書に規定される一般原理は、本開示の趣旨および範囲から逸脱することなく他の実施形態および応用に適用され得る。したがって、本開示は、示される実施形態に限定されないが、特許請求の範囲と一致する最も広い範囲が与えられるものとする。

本明細書で使用される用語は、特定の実施形態例を説明する目的のためのものであり、限定することは意図されない。本明細書で使用される場合、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈が別途明確に示さない限り、複数形も同様に含むことが意図され得る。「備える（ｃｏｍｐｒｉｓｅｓ、ｃｏｍｐｒｉｓｉｎｇ）」、および／または「含む（ｉｎｃｌｕｄｅｓ、ｉｎｃｌｕｄｉｎｇ）」という用語は、本開示において使用される場合、述べられた特徴、整数、ステップ、動作、要素、および／またはコンポーネントの存在を指定するが、１つまたは複数の他の特徴、整数、ステップ、動作、要素、コンポーネント、および／またはそれらのグループを除外しない。

これらおよび他の特徴ならびに本開示の特性だけでなく、構造の関連要素の動作および機能の方法ならびに部品の組合せおよび製造の経済もまた、添付の図面を参照して、以下の説明の検討時に明らかになり得、これらのすべてが本明細書の部分を形成する。しかしながら、図面は例証および説明の目的のためだけのものであり、本開示の範囲を制限することは意図されないということが明示的に理解されるものとする。図面は縮尺通りではないことが理解される。

本開示において使用されるフローチャートは、システムが本開示のいくつかの実施形態に従って実施する動作を示す。フローチャートの動作は順番通りに実施されなくてもよいことが明示的に理解されるものとする。反対に、動作は、逆の順番、または同時に実施されてもよい。さらには、１つまたは複数の他の動作がフローチャートに追加されてもよい。１つまたは複数の動作が、フローチャートから削除されてもよい。

さらには、本開示に開示されるシステムおよび方法は、オンライン・ツー・オフライン・サービス・システムのオーダーを割振ることに関して主に説明されるが、これは単に１つの例示的な実施形態にすぎないことも理解されるべきである。本開示のシステムまたは方法は、任意の他のタイプのオンライン・ツー・オフライン・サービス・プラットフォームのユーザに適用されてもよい。例えば、本開示のシステムまたは方法は、陸地、海洋、航空宇宙、もしくは同様のもの、またはそれらの任意の組合せを含む異なる輸送システムにおけるユーザに適用されてもよい。輸送システムの車両は、タクシー、自家用車、ヒッチ、バス、列車、新幹線、高速鉄道、地下鉄、船、航空機、宇宙船、熱気球、無人車両、もしくは同様のもの、またはそれらの任意の組合せを含み得る。輸送システムはまた、管理および／または分配を応用する任意の輸送システム、例えば、速達を送信および／または受信するためのシステムを含み得る。本開示のシステムまたは方法の応用シナリオは、ウェブページ、ブラウザのプラグイン、クライアント端末、カスタム・システム、内部分析システム、人工知能ロボット、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

本開示におけるロケーション（例えば、サービス要求者の現在のロケーション、サービス提供者の現在のロケーション）は、ワイヤレス・デバイス（例えば、要求者端末、提供者端末など）に埋め込まれた測位技術によって獲得され得る。本開示で使用される測位技術は、全地球測位システム（ＧＰＳ）、グローバル・ナビゲーション衛星システム（ＧＬＯＮＡＳＳ）、コンパス・ナビゲーション・システム（ＣＯＭＰＡＳＳ）、Ｇａｌｉｌｅｏ測位システム、準天頂衛星システム（ＱＺＳＳ）、ワイヤレス・フィデリティ（Ｗｉ−Ｆｉ）測位技術、もしくは同様のもの、またはそれらの任意の組合せを含み得る。上記測位技術のうちの１つまたは複数は、本開示においては同義に使用され得る。例えば、ＧＰＳベースの方法およびＷｉＦｉベースの方法は、ワイヤレス・デバイスを位置特定するための測位技術として一緒に使用され得る。

本開示の態様は、サービス提供者がオーダーと関連付けられたサービス要求者にサービス供給するときにターゲットとする事象の発生確率（本明細書ではターゲットとする事象の発生確率とも称される）を決定するためのシステムおよび方法に関する。この目的のため、システムは、オーダーのターゲットとするオーダー特徴、サービス要求者のターゲットとする要求者特徴、サービス提供者のターゲットとする提供者要求者特徴を抽出し得る。次いで、システムは、ターゲットとする事象の発生確率を決定するための予測モデルを取得し得る。予測モデルは、トレーニング・データを使用してトレーニングされ得る。トレーニング・データは、複数の正サンプルおよび複数の負サンプルを含み得る。いくつかの実施形態において、正サンプルおよび負サンプルは不均衡である。システムは、サンプル平衡化技術を使用して平衡化サンプルを決定し得る。最後に、システムは、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、および／またはターゲットとする提供者特徴に基づいて、予測モデルを使用してターゲットとする事象の発生確率を決定し得る。予測モデルをトレーニングするために使用されるサンプルが平衡化されるため、システムは、予測モデルを使用してターゲットとする事象の発生確率を予測する精度を改善し得る。システムはまた、複数のオーダーを取得し、そのように決定されたターゲットとする事象の発生確率に基づいてオーダーを割振り得る。ターゲットとする事象の発生確率がオーダーを割振る際に考慮されるため、システムは、ターゲットとする事象の可能性を低減し得、それによりサービス品質ならびに／またはサービス要求者および／もしくはサービス提供者の経験を改善する。

オンライン・タクシー配車サービスなどのオンライン・ツー・オフライン・サービスは、ポスト・インターネット時代においてのみ根差したサービスの新しい形態であることに留意されたい。それは、ポスト・インターネット時代においてのみ調達することができるユーザ端末の詳細情報を提供する。それは、ポスト・インターネット時代においてのみ調達することができる技術ソリューションをサービス要求者およびサービス提供者に提供する。プレ・インターネット時代では、サービス要求者（例えば、乗客）が街路でタクシーを配車するとき、タクシー要求および受託は、その乗客とその乗客を目にした１人のタクシードライーバーとの間にのみ発生する。乗客が電話によりタクシーを配車する場合、サービス要求および受託は、乗客と１つのサービス提供者（例えば、１つのタクシー会社または代理店）との間にのみ発生し得る。しかしながら、オンライン・タクシーは、サービスのユーザがリアルタイムかつ自動的にサービス要求をユーザから距離の離れた膨大な数の個々のサービス提供者（例えば、タクシー）に配信することを可能にする。それは、複数のサービス提供者が同時にかつリアルタイムでサービス要求に応答することも可能にする。したがって、インターネットにより、オンライン・ツー・オフライン・サービス・システムは、従来のプレ・インターネット輸送サービス・システムにおいては出会うことが決してなかったのであろうサービス要求者およびサービス提供者にとってはるかに効率的な取引プラットフォームを提供し得る。システムがサービス要求者からのオーダーを受信すると、システムは、異なるサービス提供者がサービス要求者にサービス供給するときのターゲットとする事象の発生確率を決定し得る。次いで、システムは、ターゲットとする事象の発生確率に基づいてサービス要求者にサービス供給するための好適なサービス提供者を選択して、オーダーの割振りをより理にかなったものにし得る。

図１は、本開示のいくつかの実施形態に従う、例示的なオンライン・ツー・オフライン・サービス人工知能システムのブロック図である。例えば、オンライン・ツー・オフライン・サービス人工知能システム（本明細書では人工知能システムまたはＡＩシステムとも称される）１００は、タクシー配車サービス、お抱え運転手サービス、エクスプレス・カー・サービス、カープール・サービス、バス・サービス、ドライバー雇用、およびシャトル・サービスなどの輸送サービスのためのオンライン輸送サービス・プラットフォームであり得る。人工知能システム１００は、サーバ１１０、ネットワーク１２０、要求者端末１３０、提供者端末１４０、およびストレージ・デバイス１５０を含み得る。サーバ１１０は、処理デバイス１１２を含み得る。

いくつかの実施形態において、サーバ１１０は、単一サーバ、またはサーバ・グループであり得る。サーバ・グループは、集中または分散され得る（例えば、サーバ１１０は、分散システムであってもよい）。いくつかの実施形態において、サーバ１１０は、ローカルまたはリモートであり得る。例えば、サーバ１１０は、要求者端末１３０、提供者端末１４０、および／またはストレージ・デバイス１５０に格納された情報および／またはデータにネットワーク１２０を介してアクセスし得る。別の例として、サーバ１１０は、情報および／またはデータにアクセスするために要求者端末１３０、提供者端末１４０、および／またはストレージ・デバイス１５０に直接接続され得る。いくつかの実施形態において、サーバ１１０は、クラウド・プラットフォームに実装され得る。単に例にすぎないが、クラウド・プラットフォームは、プライベート・クラウド、パブリック・クラウド、ハイブリッド・クラウド、コミュニティ・クラウド、分散クラウド、インタークラウド、マルチクラウド、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、サーバ１１０は、本開示においては図２に例証される１つまたは複数のコンポーネントを有するコンピューティング・デバイスに実装され得る。

いくつかの実施形態において、サーバ１１０は、処理デバイス１１２を含み得る。処理デバイス１１２は、本開示において説明されるサーバ１１０の１つまたは複数の機能を実施するためにサービス要求に関する情報および／またはデータを処理し得る。例えば、処理デバイス１１２は、サービス提供者がサービス要求者にサービス供給するときのターゲットとする事象の発生確率を決定し得る。ターゲットとする事象は、悪意のある事象、例えば、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、強盗などを含み得る。別の例として、処理デバイス１１２はまた、ターゲットとする事象の発生確率を決定するための予測モデルをトレーニングし得る。さらに別の例として、処理デバイス１１２はまた、ターゲットとする事象の発生確率に少なくとも部分的に基づいて１つまたは複数のオーダーを割振り得る。

いくつかの実施形態において、処理デバイス１１２は、１つまたは複数の処理デバイス（例えば、シングルコア処理デバイスまたはマルチコア・プロセッサ）を含み得る。単に例にすぎないが、処理デバイス１１２は、中央処理ユニット（ＣＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け命令セット・プロセッサ（ＡＳＩＰ）、グラフィック処理ユニット（ＧＰＵ）、物理処理ユニット（ＰＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、プログラマブル論理デバイス（ＰＬＤ）、コントローラ、マイクロコントローラ・ユニット、縮小命令セット・コンピュータ（ＲＩＳＣ）、マイクロプロセッサ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

ネットワーク１２０は、情報および／またはデータの交換を促進し得る。いくつかの実施形態において、人工知能システム１００（例えば、サーバ１１０、要求者端末１３０、提供者端末１４０、および／またはストレージ・デバイス１５０）内の１つまたは複数のコンポーネントは、ネットワーク１２０を介して情報および／またはデータを人工知能システム１００内の他のコンポーネントに伝送し得る。例えば、サーバ１１０は、ネットワーク１２０を介して要求者端末１３０からサービス要求データを取得／獲得し得る。いくつかの実施形態において、ネットワーク１２０は、任意のタイプのワイヤードもしくはワイヤレス・ネットワーク、またはそれらの組合せであり得る。単に例にすぎないが、ネットワーク１２０は、ケーブル・ネットワーク、ワイヤライン・ネットワーク、光ファイバー・ネットワーク、テレ・コミュニケーション・ネットワーク、イントラネット、インターネット、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、ワイヤレス・ローカル・エリア・ネットワーク（ＷＬＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、公衆交換電話網（ＰＳＴＮ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）ネットワーク、ＺｉｇＢｅｅ（商標）ネットワーク、ニア・フィールド通信（ＮＦＣ）ネットワーク、汎欧州デジタル移動電話方式（ＧＳＭ、登録商標）ネットワーク、符号分割多元アクセス（ＣＤＭＡ）ネットワーク、時分割多元アクセス（ＴＤＭＡ）ネットワーク、汎用パケット無線サービス（ＧＰＲＳ）ネットワーク、ＧＳＭ革新のための強化データレート（ＥＤＧＥ）ネットワーク、広帯域符号分割多元アクセス（ＷＣＤＭＡ、登録商標）ネットワーク、高速ダウンリンク・パケット・アクセス（ＨＳＤＰＡ）ネットワーク、ロング・ターム・エボリューション（ＬＴＥ）ネットワーク、ユーザ・データグラム・プロトコル（ＵＤＰ）ネットワーク、伝送制御プロトコル／インターネット・プロトコル（ＴＣＰ／ＩＰ）ネットワーク、ショート・メッセージ・サービス（ＳＭＳ）ネットワーク、ワイヤレス・アプリケーション・プロトコル（ＷＡＰ）ネットワーク、超広帯域（ＵＷＢ）ネットワーク、赤外線、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、サーバ１１０は、１つまたは複数のネットワーク・アクセス・ポイントを含み得る。例えば、サーバ１１０は、基地局および／またはインターネット相互接続点１２０−１、１２０−２…などのワイヤードまたはワイヤレス・ネットワーク・アクセス・ポイントを含み得、それらを介して人工知能システム１００の１つまたは複数のコンポーネントが、データおよび／または情報を交換するためにネットワーク１２０に接続され得る。

要求者端末１３０は、オンライン・ツー・オフライン・サービスを要求するために乗客によって使用され得る。例えば、要求者端末１３０のユーザは、自分自身または別のユーザのためのサービス要求を伝送するか、あるいはサービスおよび／またはサーバ１１０からの情報もしくは命令を受信するために要求者端末１３０を使用し得る。提供者端末１４０は、オンライン・ツー・オフライン・サービスに応答するためにドライバーによって使用され得る。例えば、提供者端末１４０のユーザは、要求者端末１３０からのサービス要求、および／またはサーバ１１０からの情報もしくは命令を受信するために提供者端末１４０を使用し得る。いくつかの実施形態において、「ユーザ」、「乗客」、「顧客」、「サービス要求者」、および「サービス要求者」という用語は、同義に使用され得、また「ユーザ」、「ドライバー」、および「サービス提供者」という用語は、同義に使用され得る。いくつかの実施形態において、ユーザは、特定の状況に従ってサービス要求者またはサービス提供者を指し得る。いくつかの実施形態において、「ユーザ端末」、「乗客端末」、「要求者端末」、および「要求者端末」という用語は、同義に使用され得る。いくつかの実施形態において、「ユーザ端末」、「ドライバー端末」、および「提供者端末」という用語は、同義に使用され得る。

いくつかの実施形態において、要求者端末１３０は、モバイル・デバイス１３０−１、タブレット・コンピュータ１３０−２、ラップトップ・コンピュータ１３０−３、自動車両内のビルトイン・デバイス１３０−４、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、モバイル・デバイス１３０−１は、スマート・ホーム・デバイス、ウェアラブル・デバイス、スマート・モバイル・デバイス、仮想現実デバイス、拡張現実デバイス、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、スマート・ホーム・デバイスは、スマート照明デバイス、インテリジェント電気装置の制御デバイス、スマート監視デバイス、スマート・テレビジョン、スマート・ビデオ・カメラ、インターフォン、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、ウェアラブル・デバイスは、スマート・ブレスレット、スマート・フットギア、スマート・グラス、スマート・ヘルメット、スマート・ウォッチ、スマート衣類、スマート・バックパック、スマート・アクセサリ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、スマート・モバイル・デバイスは、スマートフォン、携帯情報端末（ＰＤＡ）、ゲーミング・デバイス、ナビゲーション・デバイス、ポイント・オブ・セール（ＰＯＳ）デバイス、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、仮想現実デバイスおよび／または拡張現実デバイスは、仮想現実ヘルメット、仮想現実グラス、仮想現実パッチ、拡張現実ヘルメット、拡張現実グラス、拡張現実パッチ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。例えば、仮想現実デバイスおよび／または拡張現実デバイスは、Ｇｏｏｇｌｅ Ｇｌａｓｓ、Ｏｃｕｌｕｓ Ｒｉｆｔ、Ｈｏｌｏｌｅｎｓ、Ｇｅａｒ ＶＲなどを含み得る。いくつかの実施形態において、自動車両内のビルトイン・デバイス１３０−４は、搭載コンピュータ、搭載テレビジョンなどを含み得る。いくつかの実施形態において、要求者端末１３０は、ユーザおよび／または要求者端末１３０の位置を特定するための測位技術を有するワイヤレス・デバイスであり得る。

いくつかの実施形態において、要求者端末１３０は、少なくとも１つのネットワーク・ポートをさらに含み得る。少なくとも１つのネットワーク・ポートを介して、要求者端末１３０は、ネットワーク１２０を介して人工知能システム１００内の１つまたは複数のコンポーネント（例えば、サーバ１１０、ストレージ・デバイス１５０）へ情報を送信するように、および／またはそこから情報を受信するように構成され得る。いくつかの実施形態において、要求者端末１３０は、図２に例示される１つまたは複数のコンポーネントを有するコンピューティング・デバイス２００に、または本開示において図３に例示される１つまたは複数のコンポーネントを有するモバイル・デバイス３００に実装され得る。

いくつかの実施形態において、提供者端末１４０は、モバイル・デバイス１４０−１、タブレット・コンピュータ１４０−２、ラップトップ・コンピュータ１４０−３、自動車両内のビルトイン・デバイス１４０−４、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、モバイル・デバイス１４０−１は、スマート・ホーム・デバイス、ウェアラブル・デバイス、スマート・モバイル・デバイス、仮想現実デバイス、拡張現実デバイス、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、提供者端末１４０は、要求者端末１３０に類似しているか、またはそれと同じデバイスであってもよい。いくつかの実施形態において、提供者端末１４０は、ドライバーおよび／または提供者端末１４０の位置を特定するための測位技術を有するワイヤレス・デバイスであり得る。いくつかの実施形態において、要求者端末１３０および／または提供者端末１４０は、乗客、要求者端末１３０、ドライバー、および／または提供者端末１４０の位置を決定するために、他の測位デバイスと通信し得る。いくつかの実施形態において、要求者端末１３０および／または提供者端末１４０は、測位情報をサーバ１１０に伝送し得る。

いくつかの実施形態において、提供者端末１４０は、少なくとも１つのネットワーク・ポートをさらに含み得る。少なくとも１つのネットワーク・ポートを介して、提供者端末１４０は、ネットワーク１２０を介して人工知能システム１００内の１つまたは複数のコンポーネント（例えば、サーバ１１０、ストレージ・デバイス１５０）へ情報を送信するように、および／またはそこから情報を受信するように構成され得る。いくつかの実施形態において、提供者端末１４０は、図２に例示される１つまたは複数のコンポーネントを有するコンピューティング・デバイス２００に、または本開示において図３に例示される１つまたは複数のコンポーネントを有するモバイル・デバイス３００に実装され得る。

ストレージ・デバイス１５０は、データおよび／または命令を格納し得る。いくつかの実施形態において、ストレージ・デバイス１５０は、要求者端末１３０および／または提供者端末１４０から取得／獲得されたデータを格納し得る。いくつかの実施形態において、ストレージ・デバイス１５０は、サーバ１１０が本開示に説明される例示的な方法を実施するために実行または使用し得るデータおよび／または命令を格納し得る。いくつかの実施形態において、ストレージ・デバイス１５０は、大容量ストレージ・デバイス、リムーバブル・ストレージ・デバイス、揮発性読取りおよび書込みメモリ、読取り専用メモリ（ＲＯＭ）、もしくは同様のもの、またはそれらの任意の組合せを含み得る。例示的な大容量ストレージ・デバイスは、磁気ディスク、光学ディスク、ソリッドステート・ドライブなどを含み得る。例示的なリムーバブル・ストレージ・デバイスは、フラッシュ・ドライブ、フロッピー・ディスク、光学ディスク、メモリ・カード、ＺＩＰディスク、磁気テープなどを含み得る。例示的な揮発性読取りおよび書込みメモリは、ランダム・アクセス・メモリ（ＲＡＭ）を含み得る。例示的なＲＡＭは、ダイナミックＲＡＭ（ＤＲＡＭ）、ダブル・デート・レート同期ダイナミックＲＡＭ（ＤＤＲ ＳＤＲＡＭ）、スタティックＲＡＭ（ＳＲＡＭ）、サイリスタＲＡＭ（Ｔ−ＲＡＭ）、およびゼロキャパシタＲＡＭ（Ｚ−ＲＡＭ）などを含み得る。例示的なＲＯＭは、マスクＲＯＭ（ＭＲＯＭ）、プログラマブルＲＯＭ（ＰＲＯＭ）、消去可能プログラマブルＲＯＭ（ＰＥＲＯＭ）、電気的消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ）、コンパクト・ディスクＲＯＭ（ＣＤ−ＲＯＭ）、およびデジタル多用途ディスクＲＯＭなどを含み得る。いくつかの実施形態において、ストレージ・デバイス１５０は、クラウド・プラットフォームに実装され得る。単に例にすぎないが、クラウド・プラットフォームは、プライベート・クラウド、パブリック・クラウド、ハイブリッド・クラウド、コミュニティ・クラウド、分散クラウド、インタークラウド、マルチクラウド、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

いくつかの実施形態において、ストレージ・デバイス１５０は、他のデバイスまたは人工知能システム１００内のコンポーネントと通信するために少なくとも１つのネットワーク・ポートを含み得る。例えば、ストレージ・デバイス１５０は、少なくとも１つのネットワーク・ポートを介して人工知能システム１００内の１つまたは複数のコンポーネント（例えば、サーバ１１０、要求者端末１３０、提供者端末１４０など）と通信するためにネットワーク１２０に接続され得る。人工知能システム１００内の１つまたは複数のコンポーネントは、ネットワーク１２０を介してストレージ・デバイス１５０内に格納されたデータまたは命令にアクセスし得る。いくつかの実施形態において、ストレージ・デバイス１５０は、オンデマンド・サービス・システム１００内の１つまたは複数のコンポーネント（例えば、サーバ１１０、要求者端末１３０、提供者端末１４０など）に直接接続され得るか、または複数のコンポーネントと通信し得る。いくつかの実施形態において、ストレージ・デバイス１５０は、サーバ１１０の部分であり得る。

いくつかの実施形態において、人工知能システム１００内の１つまたは複数のコンポーネント（例えば、サーバ１１０、要求者端末１３０、提供者端末１４０など）は、ストレージ・デバイス１５０へアクセスするための許可を有し得る。いくつかの実施形態において、人工知能システム１００内の１つまたは複数のコンポーネントは、１つまたは複数の条件を満たすときに乗客、ドライバー、および／または公衆に関する情報を読取る、および／または修正し得る。例えば、サーバ１１０は、サービス後に１つまたは複数のユーザの情報を読取る、および／または修正し得る。別の例として、提供者端末１４０は、要求者端末１３０からサービス要求を受信するときに乗客に関する情報にアクセスすることができるが、提供者端末１４０は、乗客の関連情報を修正することはできない。

いくつかの実施形態において、オンライン・ツー・オフライン・サービス人工知能システム１００の１つまたは複数のコンポーネント（例えば、サーバ１１０、要求者端末１３０、提供者端末１４０、またはストレージ・デバイス１５０）は、ワイヤードおよび／またはワイヤレス通信を介して、電子および／または電磁信号の形態で互いと通信し得る。いくつかの実施形態において、人工知能システム１００は、サービス要求システムに対応する少なくとも１つの第１の情報交換ポート、およびサービス提供システムに対応する少なくとも１つの第２の情報交換ポートをさらに含み得る。サービス要求システムは、要求者端末１３０およびネットワーク１２０を含み得る。サービス提供システムは、提供者端末１４０およびネットワーク１２０を含み得る。少なくとも１つの第１の情報交換ポートを介して、サービス要求に関する情報（例えば、電子信号および／または電磁信号の形態にある）は、人工知能システム１００内の任意の電子デバイス間で交換され得る。例えば、少なくとも１つの第１の情報交換ポートを介して、サーバ１１０は、サーバ１１０と提供者端末１３０との間のワイヤレス通信を通じて要求者端末１３０からオーダーを受信し得る。少なくとも１つの第２の情報交換ポートを介して、情報（例えば、電子信号および／または電磁信号の形態にある）は、人工知能システム１００内の任意の電子デバイス間で交換され得る。例えば、少なくとも１つの第２の情報交換ポートを介して、サーバ１１０は、割振られたオーダーの情報を含む電磁信号を、ワイヤレス通信により提供者端末１４０に送信し得る。いくつかの実施形態において、少なくとも１つの第１の情報交換ポートおよび／または少なくとも１つの第２の情報交換ポートは、アンテナ、ネットワーク・インターフェース、ネットワーク・ポート、もしくは同様のもの、またはそれらの任意の組合せのうちの１つまたは複数であり得る。例えば、少なくとも１つの第１の情報交換ポートおよび／または少なくとも１つの第２の情報交換ポートは、情報を伝送および／または受信するためにサーバ１１０に接続されたネットワーク・ポートであり得る。

いくつかの実施形態において、人工知能システム１００内の１つまたは複数のコンポーネントの情報交換は、サービスを要求することによって達成され得る。サービス要求の目的は、任意のプロダクトであってもよい。いくつかの実施形態において、プロダクトは、有形プロダクト、無形プロダクト、サービスなどであってもよい。有形プロダクトは、食品、薬品、日用品、化学製品、電化製品、衣類、車、家、贅沢品、もしくは同様のもの、またはそれらの任意の組合せを含み得る。無形プロダクトは、金融プロダクト、知識プロダクト、インターネット・プロダクト、もしくは同様のもの、またはそれらの任意の組合せを含み得る。インターネット・プロダクトは、個人用ホスト・プロダクト、ウェブ・プロダクト、モバイル・インターネット・プロダクト、商用ホスト・プロダクト、埋め込みプロダクト、もしくは同様のもの、またはそれらの任意の組合せを含み得る。モバイル・インターネット・プロダクトは、モバイル端末のソフトウェア、プログラム、システム、もしくは同様のもの、またはそれらの任意の組合せにおいて使用され得る。モバイル端末は、タブレット・コンピュータ、ラップトップ・コンピュータ、モバイル・フォン、携帯情報端末（ＰＤＡ）、スマート・ウォッチ、ポイント・オブ・セール（ＰＯＳ）デバイス、搭載コンピュータ、搭載テレビジョン、ウェアラブル・デバイス、もしくは同様のもの、またはそれらの任意の組合せを含み得る。例えば、プロダクトは、コンピュータまたはモバイル・フォン内で使用される任意のソフトウェアおよび／またはアプリケーションであってもよい。ソフトウェアおよび／またはアプリケーションは、社交、ショッピング、輸送、エンターテイメント、学習、投資、もしくは同様のもの、またはそれらの任意の組合せに関し得る。いくつかの実施形態において、輸送に関するソフトウェアおよび／またはアプリケーションは、移動用ソフトウェアおよび／またはアプリケーション、車両スケジューリング・ソフトウェアおよび／またはアプリケーション、マッピング・ソフトウェアおよび／またはアプリケーションなどを含み得る。車両スケジューリング・ソフトウェアおよび／またはアプリケーションにおいて、車両は、運搬車、人力車（例えば、手押し一輪車、自転車、三輪車など）、車（例えば、タクシー、バス、自家用車など）、列車、地下鉄、船、航空機（例えば、飛行機、ヘリコプター、スペース・シャトル、ロケット、熱気球など）、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

当業者は、人工知能システム１００の要素が実施するとき、要素は電気信号および／または電磁信号を通じて実施するということを理解するものとする。例えば、要求者端末１３０がサービス要求を送信することなどのタスクを処理するとき、要求者端末１３０は、そのようなタスクを実施するために、そのプロセッサ内の論理回路を動作させ得る。要求者端末１３０がサービス要求をサーバ１１０へ伝送するとき、サーバ１１０のプロセッサは、サービス要求を符号化する電気信号を生成し得る。サーバ１１０のプロセッサは、次いで、この電気信号をサーバ１１０と関連付けられた第１のターゲットとするシステム（例えば、サービス要求システム）の少なくとも１つの第１の情報交換ポートに伝送し得る。サーバ１１０は、ワイヤード・ネットワークを介してサービス要求システムと通信し得、少なくとも１つの第１の情報交換ポートは、ケーブルに物理的に接続され得、このケーブルが、電気信号を要求者端末１３０の入力ポート（例えば、情報交換ポート）にさらに伝送し得る。サーバ１１０がワイヤレス・ネットワークを介してサービス要求システムと通信する場合、サービス要求システムの少なくとも１つの第１の情報交換ポートは、電気信号を電磁信号へと変換し得る１つまたは複数のアンテナであってもよい。同様に、提供者端末１４０は、そのプロセッサ内の論理回路の動作を通じてタスクを処理し、電気信号または電磁信号の形態でサーバ１１０からの命令および／またはサービス要求を受信し得る。サーバ１１０のプロセッサは、オーダーの割振りの情報を符号化する電気信号を生成し、その電気信号をサーバ１１０と関連付けられた第２のターゲットとするシステム（例えば、サービス提供システム）の少なくとも１つの第２の情報交換ポートに伝送し得る。サーバ１１０は、ワイヤード・ネットワークを介してサービス提供システムと通信し得、少なくとも１つの第２の情報交換ポートは、ケーブルに物理的に接続され得、このケーブルが、電気信号を提供者端末１４０の入力ポート（例えば、情報交換ポート）にさらに伝送し得る。サーバ１１０がワイヤレス・ネットワークを介してサービス提供システムと通信する場合、サービス提供システムの少なくとも１つの第２の情報交換ポートは、電気信号を電磁信号へと変換し得る１つまたは複数のアンテナであってもよい。要求者端末１３０、提供者端末１４０、および／またはサーバ１１０などの電子デバイス内で、それらのプロセッサが命令を処理するとき、命令を伝送するとき、および／またはアクションを実施するとき、命令および／またはアクションは、電気信号を介して行われる。例えば、プロセッサが、ストレージ媒体からデータを取り出すとき、またはストレージ媒体にデータを保存するとき、それは、ストレージ媒体内の構造化データを読取るおよび／または書込むことができるストレージ媒体の読取り／書込みデバイスに電気信号を伝送し得る。構造化データは、電子デバイスのバスを介して電気信号の形態でプロセッサに伝送され得る。ここでは、電気信号は、１つの電気信号、一連の電気信号、および／または複数の離散電気信号を指し得る。

図２は、コンピューティング・デバイスの例示的なハードウェアおよびソフトウェア・コンポーネントを示す概略図であり、このコンピューティング・デバイス上に、サーバ１１０、要求者端末１３０、および／または提供者端末１４０が、本開示のいくつかの実施形態に従って実装され得る。例えば、処理デバイス１１２は、コンピューティング・デバイス２００に実装され得、本開示に開示された処理デバイス１１２の機能を実施するように構成され得る。

コンピューティング・デバイス２００は、本開示のためのオンライン・ツー・オフラインシステムを実装するために使用され得る。コンピューティング・デバイス２００は、本明細書に説明されるようなオンライン・ツー・オフライン・サービスの任意のコンポーネントを実装し得る。図２では、１つのみのそのようなコンピュータデバイスが単に便宜上示される。当業者は、本明細書に説明されるようなオンライン・ツー・オフライン・サービスに関するコンピュータ機能が、処理負荷を分散させるために、いくつかの類似したプラットフォーム上に分散形式で実装され得ることを本出願の提出時に理解するものとする。

コンピューティング・デバイス２００は、例えば、データ通信を促進するためにそこに接続されるネットワークと相互に接続されるＣＯＭポート２５０を含み得る。コンピューティング・デバイス２００はまた、プログラム命令を実行するためのプロセッサ（例えば、プロセッサ２２０）を１つまたは複数のプロセッサの形態で含み得る。例えば、プロセッサは、その中にインターフェース回路および処理回路を含み得る。インターフェース回路は、バス２１０から電子信号を受信するように構成され得、電子信号は、処理回路が処理するための構造化データおよび／または命令を符号化する。処理回路は、論理計算を行い、次いで、電子信号として符号化された結論、結果、および／または命令を決定し得る。例示的なコンピュータ・プラットフォームは、内部通信バス２１０、コンピュータによって処理および／または伝送されるべき様々なデータ・ファイルのための、異なる形態のプログラム・ストレージおよびデータ・ストレージ、例えば、ディスク２７０、および読取り専用メモリ（ＲＯＭ）２３０、またはランダム・アクセス・メモリ（ＲＡＭ）２４０を含み得る。例示的なコンピュータ・プラットフォームはまた、プロセッサ２２０によって実行されるべき、ＲＯＭ２３０、ＲＡＭ２４０、および／または他のタイプの非一時的ストレージ媒体に格納されたプログラム命令を含み得る。本開示の方法および／またはプロセスは、プログラム命令として実装され得る。コンピューティング・デバイス２００はまた、コンピュータとその中の他のコンポーネントとの間の入力／出力をサポートする、Ｉ／Ｏコンポーネント２６０を含み得る。コンピューティング・デバイス２００はまた、ネットワーク通信を介してプログラミングおよびデータを受信し得る。

単に例証にすぎないが、１つのみのプロセッサ２２０が、コンピューティング・デバイス２００においては説明される。しかしながら、本開示におけるコンピューティング・デバイス２００はまた、複数のプロセッサを含み得、したがって本開示に説明されるように１つのプロセッサ２２０によって実施される動作および／または方法ステップはまた、複数のプロセッサによって合同でまたは別個に実施され得ることに留意されたい。例えば、本開示において、コンピューティング・デバイス２００のプロセッサ２２０がステップＡおよびステップＢの両方を実行する場合、ステップＡおよびステップＢはまた、コンピューティング・デバイス２００において２つの異なるプロセッサによって合同でまたは別個に実施され得る（例えば、第１のプロセッサがステップＡを実行し、第２のプロセッサがステップＢを実行するか、または第１および第２のプロセッサが合同でステップＡおよびＢを実行する）ことを理解されたい。

図３は、例示的なデバイスの例示的なハードウェアおよびソフトウェア・コンポーネントを示す概略図であり、このデバイス上に、要求者端末１３０、および／または提供者端末１４０が、本開示のいくつかの実施形態に従って実装され得る。デバイスは、乗客またはドライバーのモバイル・フォンなど、モバイル・デバイスであってもよい。デバイスはまた、ドライバーが運転する車両に搭載された電子デバイスであってもよい。図３に例証されるように、デバイス３００は、通信プラットフォーム３１０、ディスプレイ３２０、グラフィック処理ユニット（ＧＰＵ）３３０、中央処理ユニット（ＣＰＵ）３４０、Ｉ／Ｏ３５０、メモリ３６０、およびストレージ・デバイス３９０を含み得る。ＣＰＵは、インターフェース回路、およびプロセッサ２２０に類似した処理回路を含み得る。いくつかの実施形態において、システムバスまたはコントローラ（図示されない）を含むがこれらに限定されない任意の他の好適なコンポーネントがまた、デバイス３００に含まれ得る。いくつかの実施形態において、モバイル・オペレーティング・システム３７０（例えば、ｉＯＳ（商標）、Ａｎｄｒｏｉｄ（商標）、Ｗｉｎｄｏｗｓフォン（商標）など）、および１つまたは複数のアプリケーション３８０が、ＣＰＵ３４０によって実行されるためにストレージ・デバイス３９０からメモリ３６０にロードされ得る。アプリケーション３８０は、オンライン・ツー・オフライン・サービスに関する情報もしくは他の情報をサーバ１１０から受信およびレンダリングし、オンライン・ツー・オフライン・サービスに関する情報もしくは他の情報をサーバ１１０に伝送するための、ブラウザまたは任意の他の好適なモバイルアプリを含み得る。情報ストリームとのユーザ・インタラクションは、Ｉ／Ｏ３５０を介して達成され、ネットワーク１２０を介してサーバ１１０および／またはオンライン人工知能システム１００の他のコンポーネントに提供され得る。

様々なモジュール、ユニット、および本開示に説明されるそれらの機能性を実装するため、コンピュータ・ハードウェア・プラットフォームは、本明細書に説明される要素のうちの１つまたは複数のハードウェア・プラットフォームとして使用され得る（例えば、人工知能システム１００へのオンライン、および／または図１〜図９に関して説明される人工知能システム１００の他のコンポーネント）。そのようなコンピュータのハードウェア要素、オペレーティング・システム、およびプログラミング言語は、本質的に従来型であり、当業者は、本明細書に説明されるようにオーダーを割振るためにそれらの技術を適合させるためにそれらに十分に精通していると推定される。ユーザ・インターフェース要素を有するコンピュータは、パーソナル・コンピュータ（ＰＣ）または他のタイプのワーク・ステーションもしくは端末デバイスを実装するために使用され得るが、コンピュータは、適切にプログラムされた場合にはサーバとしても機能し得る。当業者は、そのようなコンピュータ設備の構造、プログラミング、一般動作に精通していると考えられ、その結果、図面は自明であるものとする。

図４Ａは、本開示のいくつかの実施形態に従う、例示的な処理デバイスを示すブロック図である。いくつかの実施形態において、処理デバイス１１２は、事象予測モジュール４１０および／またはオーダー割振りモジュール４２０を含み得る。事象予測モジュール４１０は、１つのサービス要求者を１つのサービス提供者と関係付けることによって要求者−提供者ペアを決定し得る。事象予測モジュール４１０は、サービス提供者がサービス要求者にサービス供給するときのターゲットとする事象の発生確率を予測し得る。ターゲットとする事象の発生確率（本明細書では、ターゲットとする事象の発生確率とも称される）は、サービス提供者がサービス要求者にサービス供給するときにターゲットとする事象が発生する確率を反映し得る。ターゲットとする事象は、悪意のある事象、例えば、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、強盗などを含み得る。

オーダー割振りモジュール４２０は、オーダーと関連付けられたターゲットとする事象の発生確率に少なくとも部分的に基づいてオーダーを割振り得る。いくつかの実施形態において、オーダー割振りモジュール４２０は、例えば、サービス提供者のロケーションとターゲットとするオーダーの開始ロケーションとの間の距離、サービス提供者のロケーションからターゲットとするオーダーの開始ロケーションまで移動する時間の長さ、交通情報、提供者特徴（例えば、サービス提供者のサービス・タイプ、サービス提供者の車両タイプ、サービス提供者のサービス・スコアなど）、サービス提供者の要望（例えば、サービス要求者の性別、サービス提供者が好むまたは受諾するオーダーの目的地）、サービス要求者の要望（例えば、サービス提供者の性別）などを含む、他の因子にさらに基づいてターゲットとするオーダーを割振り得る。いくつかの実施形態において、オーダー割振りモジュール４２０は、ターゲットとするオーダーをどのように割振るかを決定するために、発生確率およびそのような他の因子に重みを割り当て得る。いくつかの実施形態において、同じターゲットとするオーダーについて、ターゲットとする事象の発生確率、およびそのような他の因子のうちの１つまたは複数に割り当てられた重みは、同じであり得るか、または異なり得る。いくつかの実施形態において、ターゲットとするオーダーと関連付けられたターゲットとする事象の発生確率に割り当てられた重みは、そのような他の因子のうちの１つまたは複数に割り当てられた重みよりも大きくてもよい。いくつかの実施形態において、異なるターゲットとするオーダーについて、ターゲットとするオーダーと関連付けられたターゲットとする事象の発生確率に割り当てられた重みは、同じであり得るか、または異なり得る。

処理デバイス１１２内のモジュールは、ワイヤード接続またはワイヤレス接続を介して、互いに接続され得るか、または互いと通信し得る。ワイヤード接続は、メタル・ケーブル、光ケーブル、ハイブリッド・ケーブル、もしくは同様のもの、またはそれらの任意の組合せであってもよい。ワイヤレス接続は、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ（商標）ネットワーク、ＺｉｇＢｅｅ（商標）ネットワーク、ニア・フィールド通信（ＮＦＣ）、もしくは同様のもの、またはそれらの任意の組合せであってもよい。いくつかの実施形態において、処理デバイス１１２はまた、他のモジュールを含み得る。いくつかの実施形態において、事象予測モジュール４１０およびオーダー割振りモジュール４２０は、サーバ１１０内の異なるプロセッサに実装され得る。いくつかの実施形態において、事象予測モジュール４１０およびオーダー割振りモジュール４２０は、サーバ１１０内のシングル・プロセッサに実装され得る。

図４Ｂは、本開示のいくつかの実施形態に従う、例示的な事象予測モジュールを示すブロック図である。事象予測モジュール４１０は、オーダー特徴抽出ユニット４１１、要求者特徴抽出ユニット４１２、提供者特徴抽出ユニット４１３、モデル決定ユニット４１４、および／または事象予測ユニット４１５を含み得る。

オーダー特徴抽出ユニット４１１は、オーダーの特徴を抽出し得る。いくつかの実施形態において、オーダー特徴抽出ユニット４１１は、オーダーのターゲットとするオーダー特徴を抽出し得る。ターゲットとするオーダー特徴は、オーダーのターゲットとする事象の発生確率の予測と高度に相関していると見なされ得る。オーダー抽出ユニット４１１は、オーダーに関する情報からターゲットとするオーダー特徴を抽出し得る。オーダーに関する情報は、オーダーの開始ロケーション、オーダーの目的地、開始ロケーションから目的地までのルート、ルート沿いの近隣地域、オーダーの開始時間、オーダーの推定された到着時間、オーダーのタイプ、オーダーに関するサービス・タイプ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。オーダーのタイプは、リアルタイム・オーダー、または未来時のためのサービスの予約（または、本明細書では予約と称される）を含み得る。サービス・タイプは、タクシー・サービス、エクスプレス・サービス、特別な便宜を図った自動車サービス（例えば、車椅子乗車可能、チャイルド・シート付き、特定の収容可能人数など）、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

要求者特徴抽出ユニット４１２は、サービス要求者に関する特徴を抽出し得る。いくつかの実施形態において、要求者特徴抽出ユニット４１２は、サービス要求者のターゲットとする要求者特徴を抽出し得る。要求者特徴抽出ユニット４１２は、サービス要求者に関する情報からターゲットとする要求者特徴を抽出し得る。サービス要求者に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、サービス要求者の電話のブランド、職業、プロフィール画像、書類番号（例えば、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、趣味／嗜好、サービス要求者によってよくアクセスされるロケーション（例えば、ホテル、ゲスト・ハウス、バー、カラオケ・テレビジョン（ＫＴＶ）クラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって行われ、その後キャンセルされたオーダーの数、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって報告されたクレームの数および／もしくは頻度またはサービス提供者によって報告されたクレームの数および／もしくは頻度、犯罪記録、サービス要求者によるもしくはサービス要求者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報、または同様のもの、あるいはそれらの任意の組合せを含み得る。

提供者特徴抽出ユニット４１３は、サービス提供者に関する特徴を抽出し得る。いくつかの実施形態において、提供者特徴抽出ユニット４１３は、サービス提供者のターゲットとする提供者特徴を抽出し得る。提供者特徴抽出ユニット４１３は、サービス提供者に関する情報からターゲットとする提供者特徴を抽出し得る。サービス提供者に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、サービス提供者の電話のブランド、職業、電子メール・アドレス、プロフィール画像、書類番号（例えば、運転免許番号、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、車両タイプ、車両年数、ライセンス・プレート、人工知能システム１００における証明状態、運転経験、交通違反記録、趣味／嗜好、サービス提供者によってよくアクセスされるロケーション（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス提供者によって受諾され、続いてキャンセルされたオーダーの数、サービス提供者によって報告されたクレームの数および／もしくは頻度またはサービス要求者によって報告されたクレームの数および／もしくは頻度、犯罪記録、評価、サービス提供者によるもしくはサービス提供者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報、または同様のもの、あるいはそれらの任意の組合せを含み得る。

モデル決定ユニット４１４は、ターゲットとする事象が発生する確率を決定するための予測モデルを決定し得る。いくつかの実施形態において、モデル決定ユニット４１４はまた、人工知能システム１００のストレージ・デバイス（例えば、ストレージ・デバイス１５０、ＲＯＭ２３０、ＲＡＭ２４０）から予測モデルを取得し得る。モデル決定ユニット４１４は、１つまたは複数の機械学習アルゴリズムを使用して予測モデルをトレーニングし得る。機械学習アルゴリズムは、ニューラル・ネットワーク・アルゴリズム、回帰アルゴリズム、決定木アルゴリズム、深層学習アルゴリズム、もしくは同様のもの、またはそれらの任意の組合せを含み得る。単に例にすぎないが、予測モデルは、ｅＸｔｒｅｍｅ 勾配ブースティング（Ｘｇｂｏｏｓｔ）モデルであってもよい。

事象予測ユニット４１５は、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、および／またはターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象が発生する発生確率を決定し得る。

事象予測モジュール４１０のユニットは、ワイヤード接続またはワイヤレス接続を介して、互いに接続され得るか、または互いと通信し得る。ワイヤード接続は、メタル・ケーブル、光ケーブル、ハイブリッド・ケーブル、もしくは同様のもの、またはそれらの任意の組合せであってもよい。ワイヤレス接続は、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ（商標）ネットワーク、ＺｉｇＢｅｅ（商標）ネットワーク、ニア・フィールド通信（ＮＦＣ）、もしくは同様のもの、またはそれらの任意の組合せであってもよい。事象予測モジュール４１０のユニットのうちの２つ以上が、単一のユニットへと組み合わされてもよく、またユニットのうちの任意の１つが、２つ以上のサブユニットに分割されてもよい。例えば、オーダー特徴抽出ユニット４１１、要求者特徴抽出ユニット４１２、および／または提供者特徴抽出ユニット４１３は、オーダー、サービス要求者、および／またはサービス提供者に関する特徴（例えば、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、ターゲットとする提供者特徴）を抽出するために単一のユニットに統合され得る。いくつかの実施形態において、事象予測モジュール４１０はまた、他のユニットを含み得る。例えば、事象予測モジュール４１０は、人工知能システム１００の他のモジュールまたはユニット、例えば、要求者端末１３０、提供者端末１４０、ストレージ１４０などと通信するための通信ユニットを含み得る。

図４Ｃは、本開示のいくつかの実施形態に従う、例示的なモデル決定ユニットを示すブロック図である。いくつかの実施形態において、モデル決定ユニット４１４は、トレーニング・データ取得サブユニット４１４−１、特徴抽出ユニットサブユニット４１４−２、特徴選択サブユニット４１４−３、モデル決定サブユニット４１４−４、および／またはサンプル平衡化サブユニット４１４−５を含み得る。

トレーニング・データ取得サブユニット４１４−１は、ストレージ・デバイス１５０またはサーバ１１０内の別のストレージ・デバイスまたは人工知能システム１００の外部のストレージ・デバイスからトレーニング・データを取得し得る。トレーニング・データは、オンライン・ツー・オフライン・サービス・プラットフォーム上で発生する複数の履歴取引に関する履歴データであってもよい。複数の履歴取引の各々は、サービス要求者によって開始され、サービス提供者によって受諾された履歴オーダーに関係し得る。したがって、各履歴取引に関する情報は、履歴オーダー、サービス要求者、および対応するサービス提供者に関係し得る。トレーニング・データはまた、複数の履歴取引の各々に対応する履歴事象データを含み得る。履歴事象データは、事象が発生したかどうか、事象のタイプ（または本明細書では事象タイプと称される）、事象の深刻度（または本明細書では事象程度と称される）、もしくは同様のもの、またはそれらの任意の組合せを含み得る。事象タイプは、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、強盗などを含み得る。事象程度は、非常に深刻、深刻、普通、軽微、非常に軽微などを含み得る。トレーニング・データは、複数の正サンプルおよび複数の負サンプルを含み得る。正サンプルは、ターゲットとする事象が発生しなかったサンプルを指し得る。負サンプルは、ターゲットとする事象が発生したサンプルを指し得る。

特徴抽出サブユニット４１４−２は、トレーニング・データから複数の候補特徴を抽出し得る。候補特徴は、候補オーダー特徴、候補要求者特徴、および候補提供者特徴を含み得る。特徴抽出サブユニット４１４−２は、履歴オーダーに関する情報から候補オーダー特徴を抽出し得る。特徴抽出サブユニット４１４−２は、履歴オーダーと関連付けられたサービス要求者に関する情報から候補要求者特徴を抽出し得る。特徴抽出サブユニット４１４−２は、履歴オーダー内の、サービスに応答した、サービスを受諾した、および／またはサービスを提供したサービス提供者に関する情報から候補提供者特徴を抽出し得る。

特徴選択サブユニット４１４−３は、特徴選択アルゴリズムを使用して複数の候補特徴から１つまたは複数のターゲットとする特徴を決定し得る。特徴選択アルゴリズムは、前進特徴選択、後進特徴除去、再帰特徴除去などを含み得る。特徴選択サブユニット４１４−３は、ターゲットとする特徴を決定するために特徴選択アルゴリズムを使用して特徴を追加することまたは特徴を削除することを通じて、予測モデルの精度、再現率、および／または正解率を決定し得る。

モデル決定サブユニット４１４−４は、特徴選択サブユニット４１４−３から複数の正サンプルの１つまたは複数のターゲットとする特徴および複数の負サンプルの１つまたは複数のターゲットとする特徴を取得し得る。モデル決定サブユニット４１４−４は、トレーニング・データ取得サブユニット４１４−１から複数の正サンプルおよび複数の負サンプルの履歴事象データを取得し得る。モデル決定サブユニット４１４−４は、複数の正サンプルの１つまたは複数のターゲットとする特徴、複数の負サンプルの１つまたは複数のターゲットとする特徴、ならびに／または複数の正サンプルおよび複数の負サンプルの履歴事象データに基づいて予測モデルを生成し得る。例えば、モデル決定サブユニット４１４−４は、正サンプルの１つまたは複数のターゲットとする特徴および複数の負サンプルの１つまたは複数のターゲットとする特徴を予測モデル（本明細書では初期予測モデルとも称される）に入力し、ターゲットとする特徴に対応する予測結果を生成し得、次いで、モデル決定サブユニット４１４−４は、複数の正サンプルおよび複数の負サンプルの履歴事象データを用いた予測結果に基づいて損失関数を生成し得る。次いで、モデル決定サブユニット４１４−４は、損失関数が条件を満足するかどうかを決定し得る。いくつかの実施形態において、この条件は、損失関数が既定のしきい値より小さいかどうかであり得る。損失関数が既定のしきい値よりも小さいとき、モデル決定サブユニット４１４−４は、初期予測モデルを予測モデルに指定し得、すなわち、予測モデルは十分にトレーニングされている。損失関数が既定のしきい値よりも大きいとき、モデル決定サブユニット４１４−４は、初期予測モデルを修正し、トレーニング・データを使用し得るか、または異なるトレーニング・データを取得して、更新予測モデルが条件を満たすまで更新予測モデルを生成し得る。いくつかの実施形態において、損失関数が既定のしきい値に等しいとき、モデル決定サブユニット４１４−４は、条件が満足されると見なし、初期予測モデルを予測モデルに指定し得る。いくつかの実施形態において、損失関数が既定のしきい値に等しいとき、モデル決定サブユニット４１４−４は、モデル決定サブユニット４１４−４は、満足されないと見なし、更新予測モデルが条件を満たすまで更新予測モデルを生成するために予測モデルをトレーニングし続け得る。いくつかの実施形態において、本開示が、パラメータをしきい値と比較し、パラメータおよびしきい値の値に基づいて決定を行う（パラメータがしきい値より大きい／しきい値より高い／しきい値超であるとき、結論Ａを決定し、パラメータがしきい値より小さい／しきい値より低い／しきい値より未満であるとき、結論Ａとは異なる結論Ｂを決定する）ことに関するとき、パラメータがしきい値に等しい場合はいずれかのやり方に分類され得る。

サンプル平衡化サブユニット４１４−５は、トレーニング・データが不均衡なサンプル構成を含むかどうかを決定し得る。例えば、サンプル平衡化サブユニット４１４−５は、正サンプルの数および負サンプルの数を取得し得る。サンプル平衡化サブユニット４１４−５は、正サンプルの数と負サンプルの数との比（本明細書ではサンプル比とも称される）を生成し得る。サンプル平衡化サブユニット４１４−５は、サンプル比が比しきい値を超えるかどうかを決定し得る。サンプル平衡化サブユニット４１４−５が、サンプル比が比しきい値を超えることを決定するとき、サンプル平衡化サブユニット４１４−５は、トレーニング・データが不均衡なサンプル（または本明細書では不均衡なサンプル構成とも称される）を含むことを決定し得る。いくつかの実施形態において、サンプル平衡化サブユニット４１４−５は、サンプル平衡化技術を使用してトレーニング・データに基づいてサンプル構成を平衡化し得る。

モデル決定ユニット４１４のサブユニットは、ワイヤード接続またはワイヤレス接続を介して、互いに接続され得るか、または互いと通信し得る。ワイヤード接続は、メタル・ケーブル、光ケーブル、ハイブリッド・ケーブル、もしくは同様のもの、またはそれらの任意の組合せであってもよい。ワイヤレス接続は、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ（商標）ネットワーク、ＺｉｇＢｅｅ（商標）ネットワーク、ニア・フィールド通信（ＮＦＣ）、もしくは同様のもの、またはそれらの任意の組合せであってもよい。モデル決定ユニット４１４のサブユニットのうちの２つ以上が、単一のサブユニットへと組み合わされてもよく、サブユニットのうちの任意の１つが、２つ以上のコンポーネントに分割されてもよい。例えば、特徴抽出サブユニット４１４−２は、３つのコンポーネント、例えば、オーダー特徴抽出コンポーネント、要求者特徴抽出コンポーネント、提供者特徴抽出コンポーネントに分割されてもよい。オーダー特徴抽出コンポーネントは、履歴オーダーに関する情報から候補オーダー特徴を抽出し得る。要求者特徴抽出コンポーネントは、履歴オーダーと関連付けられたサービス要求者に関する情報から候補要求者特徴を抽出し得る。提供者特徴抽出コンポーネントは、履歴オーダーに対応するサービス提供者に関する情報から候補提供者特徴を抽出し得る。いくつかの実施形態において、特徴抽出サブユニット４１４−２および特徴選択サブユニット４１４−３は単一のユニットへと統合され得る。いくつかの実施形態において、特徴抽出サブユニット４１４−２、オーダー特徴抽出ユニット４１１、要求者特徴抽出ユニット４１２、および／または提供者特徴抽出ユニット４１３は、オーダー、サービス要求者、および／またはサービス提供者に関する特徴を抽出するために単一のユニットへと統合され得る。

図４Ｄは、本開示のいくつかの実施形態に従う、例示的なオーダー割振りモジュールを示すブロック図である。いくつかの実施形態において、オーダー割振りモジュール４２０は、オーダー情報取得ユニット４２１、要求者情報取得ユニット４２２、提供者情報取得ユニット４２３、要求者−提供者ペア決定ユニット４２４、および／またはオーダー割振りユニット４２５を含み得る。

オーダー情報取得ユニット４２１は、１つまたは複数のサービス要求者端末１３０から、割振られるべき１つまたは複数のターゲットとするオーダーに関する情報を取得し得る。ターゲットとするオーダーの各々に関する情報は、ターゲットとするオーダーの開始ロケーション、ターゲットとするオーダーの目的地、ターゲットとするオーダーの開始ロケーションから目的地までのルート、ターゲットとするオーダーのルート沿いの近隣地域、ターゲットとするオーダーの開始時間、ターゲットとするオーダーの推定された到着時間、ターゲットとするオーダーのタイプ、ターゲットとするオーダーに関するサービス・タイプ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。ターゲットとするオーダーのタイプは、リアルタイム・オーダー、または未来時におけるサービスの予約を含み得る。サービス・タイプは、タクシー・サービス、エクスプレス・サービス、特別な便宜を図った自動車サービス（例えば、車椅子乗車可能、チャイルド・シート付き、特定の収容可能人数など）、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

要求者情報取得ユニット４２２は、１つまたは複数のターゲットとするオーダーと関連付けられたサービス要求者に関する情報を取得し得る。例えば、要求者情報取得ユニット４２２はまた、ストレージ・デバイス１５０、サーバ１１０内の別のストレージ・デバイス、またはシステム１００の外部のストレージ・デバイスからサービス要求者に関する情報を取得し得る。サービス要求者に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、サービス要求者の電話のブランド、職業、プロフィール画像、書類番号（例えば、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、趣味／嗜好、サービス要求者によってよくアクセスされるロケーション（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって行われ、その後キャンセルされたオーダーの数、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって報告されたクレームの数および／もしくは頻度またはサービス提供者によって報告されたクレームの数および／もしくは頻度、犯罪記録、サービス要求者によるもしくはサービス要求者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報、または同様のもの、あるいはそれらの任意の組合せを含み得る。

提供者情報取得ユニット４２３は、１つまたは複数のターゲットとするオーダーを受諾することが可能である複数の候補サービス提供者を特定し得る。提供者情報取得ユニット４２３はまた、複数の候補サービス提供者に関する情報を取得し得る。いくつかの実施形態において、提供者情報取得ユニット４２３は、ストレージ・デバイス１５０またはサーバ１１０内の他のストレージ・デバイスから複数の候補サービス提供者に関する情報を取得し得る。複数の候補サービス提供者の各々に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、候補サービス提供者の電話のブランド、職業、電子メール・アドレス、プロフィール画像、書類番号（例えば、運転免許番号、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、車両タイプ、車両年数、ライセンス・プレート、人工知能システム１００における証明状態、運転経験、交通違反記録、趣味／嗜好、サービス提供者によってよくアクセスされるロケーション（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス提供者によって受諾され、続いてキャンセルされたオーダーの数、サービス提供者によって報告されたクレームの数および／もしくは頻度またはサービス要求者によって報告されたクレームの数および／もしくは頻度、犯罪記録、評価、候補サービス提供者によるもしくは候補サービス提供者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報、または同様のもの、あるいはそれらの任意の組合せを含み得る。

いくつかの実施形態において、オーダー割振りモジュール４２０はまた、要求者−提供者ペア決定ユニット４２４を含み得る。オーダー割振りモジュール４２０は、１つまたは複数のターゲットとするサービス要求者の各々を複数の候補サービス提供者の各々と関連付けることによって、候補要求者−提供者ペアを決定し得る。要求者−提供者ペア決定ユニット４２４はまた、事象予測モジュール４１０、または処理デバイス１１２の他のコンポーネントに実装され得ることに留意されたい。オーダー割振りユニット４２５は、事象予測モジュール４１０から候補要求者−提供者ペアに関するターゲットとする事象の発生確率を取得し得る。オーダー割振りユニット４２５は、ターゲットとする事象発生確率および対応する候補要求者−提供者ペアに少なくとも部分的に基づいてターゲットとするオーダーを割振り得る。いくつかの実施形態において、オーダー割振りユニット４２５は、例えば、サービス提供者のロケーションとターゲットとするオーダーの開始ロケーションとの間の距離、サービス提供者のロケーションからターゲットとするオーダーの開始ロケーションまで移動する時間の長さ、交通情報、提供者特徴（例えば、サービス提供者のサービス・タイプ、サービス提供者の車両タイプ、サービス提供者のサービス・スコアなど）、サービス提供者の要望（例えば、サービス要求者の性別、サービス提供者が好むまたは受諾するオーダーの目的地など）、サービス要求者の要望（例えば、サービス提供者の性別）などを含む、他の因子に従ってターゲットとするオーダーをサービス提供者に割振るかどうか決定し得る。いくつかの実施形態において、オーダー割振りユニット４２５は、ターゲットとするオーダーをどのように割振るかを決定するために、ターゲットとする事象の発生確率、およびそのような他の因子のうちの１つまたは複数に重みを割り当て得る。いくつかの実施形態において、同じターゲットとするオーダーについて、ターゲットとする事象の発生確率、およびそのような他の因子のうちの１つまたは複数に割り当てられた重みは、同じであり得るか、または異なり得る。いくつかの実施形態において、ターゲットとするオーダーと関連付けられたターゲットとする事象の発生確率に割り当てられた重みは、そのような他の因子のうちの１つまたは複数に割り当てられた重みよりも大きくてもよい。いくつかの実施形態において、異なるターゲットとするオーダーについて、ターゲットとするオーダーと関連付けられたターゲットとする事象の発生確率に割り当てられた重みは、同じであり得るか、または異なり得る。

オーダー割振りモジュール４２０のユニットは、ワイヤード接続またはワイヤレス接続を介して、互いに接続され得るか、または互いと通信し得る。ワイヤード接続は、メタル・ケーブル、光ケーブル、ハイブリッド・ケーブル、もしくは同様のもの、またはそれらの任意の組合せであってもよい。ワイヤレス接続は、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ（商標）ネットワーク、ＺｉｇＢｅｅ（商標）ネットワーク、ニア・フィールド通信（ＮＦＣ）、もしくは同様のもの、またはそれらの任意の組合せであってもよい。

図５は、本開示のいくつかの実施形態に従う、ターゲットとする事象が発生する発生確率を決定するための別の例示的なプロセスを示すフローチャートである。いくつかの実施形態において、プロセス６５０は、図１に例証されるように人工知能システム１００内で実施され得る。例えば、プロセス５００は、ストレージ・デバイス１５０および／もしくは他のストレージ・デバイス（例えば、ＲＯＭ２３０、ＲＡＭ２４０）に命令の形態で格納され得、サーバ１１０（例えば、サーバ１１０内の処理デバイス１１２、サーバ１１０内の処理デバイス１１２のプロセッサ２２０、サーバ１１０内の処理デバイス１１２の１つまたは複数のモジュール）によって呼び出され得、ならびに／またはサーバ１１０によって実行され得る。

５１０において、処理デバイス１１２（例えば、オーダー特徴抽出ユニット４１１）は、サービス要求者と関連付けられたオーダーのターゲットとするオーダー特徴を抽出し得る。オーダー特徴抽出ユニット４１１は、オーダーに関する情報からターゲットとするオーダー特徴を抽出し得る。オーダーに関する情報は、オーダーの開始ロケーション、オーダーの目的地、開始ロケーションから目的地までのルート、近隣地域ルート、オーダーの開始時間、オーダーの推定された到着時間、オーダーのタイプ、オーダーに関するサービス・タイプ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。オーダーのタイプは、リアルタイム・オーダー、または未来時のためのサービスの予約を含み得る。サービス・タイプは、タクシー・サービス、エクスプレス・サービス、特別な便宜を図った自動車サービス（例えば、車椅子乗車可能、チャイルド・シート付き、特定の収容可能人数など）、もしくは同様のもの、またはそれらの任意の組合せを含み得る。ターゲットとする特徴は、ターゲットとする事象の発生確率の予測と高度に相関し得る。

いくつかの実施形態において、サービス要求システムの要求者端末１３０は、少なくとも１つの第１の情報交換ポートを介して、オーダーをサーバ１１０に送信および／または伝送し得る。要求者端末１３０は、ワイヤレス通信を通じてサーバ１１０と情報を交換し得る。サービス要求システムは、要求者端末１３０およびネットワーク１２０を含み得る。少なくとも１つの第１の情報交換ポートは、ネットワーク１２０を介して要求者端末１３０とサーバ１１０との間の通信を促進し得る。例えば、少なくとも１つの第１の情報交換ポートは、サーバ１１０に接続された、および／またはサーバ１１０と通信状態にある１つまたは複数のネットワークＩ／Ｏポート（例えば、アンテナ）であり得る。サービス要求システムに対応するか、またはサービス要求システムと通信状態にある少なくとも１つの第１の情報交換ポートは、オーダーを処理デバイス１１２に伝送し得る。

５２０において、処理デバイス１１２（例えば、要求者特徴抽出ユニット４１２）は、サービス要求者のターゲットとする要求者特徴を抽出し得る。いくつかの実施形態において、要求者特徴抽出ユニット４１２は、サービス要求者に関する情報からターゲットとする要求者特徴を抽出し得る。サービス要求者に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、サービス要求者の電話のブランド、職業、プロフィール画像、書類番号（例えば、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、趣味／嗜好、犯罪記録、サービス要求者によってよくアクセスされるロケーション（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって行われたがその後キャンセルされたオーダーの数、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって報告されたクレームの数および／もしくは頻度またはサービス提供者によって報告されたクレームの数および／もしくは頻度、サービス要求者によるもしくはサービス要求者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報、または同様のもの、あるいはそれらの任意の組合せを含み得る。

５３０において、処理デバイス１１２（例えば、提供者特徴抽出ユニット４１３）は、サービス提供者のターゲットとする要求者特徴を抽出し得る。ターゲットとするオーダー特徴ターゲットとする提供者特徴、およびターゲットとする要求者特徴は、オーダーのターゲットとする事象の発生確率の予測と高度に相関していると見なされ得る。いくつかの実施形態において、提供者特徴抽出ユニット４１３は、サービス提供者に関する情報からターゲットとする提供者特徴を抽出し得る。サービス提供者に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、サービス提供者の電話のブランド、職業、電子メール・アドレス、プロフィール画像、書類番号（例えば、運転免許番号、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、車両タイプ、車両年数、ライセンス・プレート、人工知能システム１００における証明状態、運転経験、交通違反記録、趣味／嗜好、サービス提供者によってよくアクセスされるロケーション（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス提供者によって受諾され、続いてキャンセルされたオーダーの数、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス提供者によって報告されたクレームの数および／もしくは頻度またはサービス要求者によって報告されたクレームの数および／もしくは頻度、犯罪記録、評価、サービス提供者によるもしくはサービス提供者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報、または同様のもの、あるいはそれらの任意の組合せを含み得る。サービス・スコアは、サービス提供者によってサービス供給される１つまたは複数のサービス要求者のフィードバックに基づいて決定されるサービス提供者のサービス品質を反映し得る。サービス・スコアは、数字（例えば、０〜１００、０〜１０など）、文字（例えば、Ａ、Ｂ、Ｃ、Ｄ…）などであり得る。

５４０において、処理デバイス１１２（例えば、モデル決定ユニット４１４）は、ターゲットとする事象が発生する確率を決定するための予測モデルを取得し得る。いくつかの実施形態において、処理デバイス１１２は、人工知能システム１００のストレージ・デバイス（例えば、ストレージ・デバイス１５０、ＲＯＭ２３０、ＲＡＭ２４０）から予測モデルを取得し得る。

ターゲットとする事象は、悪意のある事象、例えば、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、強盗などであり得る。いくつかの実施形態において、予測モデルは、前もってトレーニングされ得る。いくつかの実施形態において、予測モデルは、リアルタイムでトレーニングおよび／または更新され得る。モデル決定ユニット４１４は、１つまたは複数の機械学習アルゴリズムを使用して予測モデルをトレーニングし得る。機械学習アルゴリズムは、ニューラル・ネットワーク・アルゴリズム、回帰アルゴリズム、決定木アルゴリズム、深層学習アルゴリズム、もしくは同様のもの、またはそれらの任意の組合せを含み得る。ニューラル・ネットワーク・アルゴリズムは、リカレント・ニューラル・ネットワーク、パーセプトロン・ニューラル・ネットワーク、ホップフィールド・ネットワーク、自己組織化マップ（ＳＯＭ）、または学習ベクトル量子化（ＬＶＱ）などを含み得る。回帰アルゴリズムは、ロジスティック回帰、ステップワイズ回帰、多変量適応型回帰スプライン、局所推定スキャッター・プロット平滑化などを含み得る。決定木アルゴリズムは、分類および回帰木（ＣＡＲＴ）アルゴリズム、遂次反復二分器３（ＩＤ３）アルゴリズム、Ｃ４．５、カイ二乗自動相互作用検出（ＣＨＡＩＤ）、決定株、ランダム・フォレスト、多変量適応型回帰スプライン（ＭＡＲＳ）、勾配ブースティングマシン（ＧＢＭ）アルゴリズム、勾配ブースト決定木（ＧＢＤＴ）アルゴリズム、ｅＸｔｒｅｍｅ 勾配ブースティング（Ｘｇｂｏｏｓｔ）アルゴリズムなどを含み得る。深層学習アルゴリズムは、制限ボルツマン・マシン（ＲＢＮ）、深層信念ネットワーク（ＤＢＮ）、畳み込みネットワーク、積層自己符号化器などを含み得る。いくつかの実施形態において、予測モデルは、図６と関係して説明される１つまたは複数の動作を実施することによって取得され得る。

５５０において、処理デバイス１１２（例えば、事象予測ユニット４１５）は、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、および／またはターゲットとする提供者特徴に基づいて予測モデルを使用してターゲットとする事象が発生する発生確率を決定し得る。例えば、処理デバイス１１２は、ターゲットとするオーダー特徴、ターゲットとする要求者特徴、および／またはターゲットとする提供者特徴に基づいてベクトル空間内に特徴ベクトルを生成し得る。特徴ベクトルは、予測モデルの入力として使用され得る。予測モデルの出力は、ターゲットとする事象の発生確率であり得る。

いくつかの実施形態において、ターゲットとする事象の発生確率は、数字として表され得る（例えば、０〜１００、０〜１０など）。いくつかの実施形態において、ターゲットとする事象の発生確率は、文字として表され得る（例えば、Ａ、Ｂ、Ｃ、Ｄ…）。ターゲットとする事象の発生確率は、サービス提供者がサービス要求者にサービス供給するときのターゲットとする事象が発生する確率、およびサービス要求者をサービス提供者とペアリングする合理性を反映し得る。簡潔性のため、サービス提供者によってサービス供給され得るサービス提供者およびサービス要求者は、要求者−提供者ペアと称され得る。例えば、ターゲットとする事象の発生確率が、例えば０〜１００の数字で表され、小さい数字が低いターゲットとする事象の発生確率に対応し、大きい数字が高いターゲットとする事象の発生確率に対応する場合、ターゲットとする事象の発生確率が３０の要求者−提供者ペアは、ターゲットとする事象の発生確率が６０の要求者−提供者ペアと比較してより合理的であり得る。別の例として、ターゲットとする事象の発生確率が、増大するターゲットとする事象の発生確率に対応するＡ、Ｂ、Ｃ、またはＤ…で表される場合、ターゲットとする事象の発生確率が「Ａ」の要求者−提供者ペアは、ターゲットとする事象の発生確率が「Ｃ」の要求者−提供者ペアと比較してより合理的であり得る。

ターゲットとする事象の発生確率に基づいて、処理デバイス１１２は、サービス要求者と関連付けられたオーダーをサービス提供者に割振るかどうかを決定し得る。ターゲットとする事象の発生確率に基づいてオーダーを割振るプロセスは、本開示の他の場所において見られ得る。例えば、図９およびその関連説明を参照されたい。

ターゲットとする事象が発生するターゲットとする事象の発生確率を決定するためのプロセス５００についての上の説明は、単に例であり、限定することが意図されないことに留意されたい。いくつかの実施形態において、プロセス５００は、説明されない１つまたは複数の追加の動作を伴って、および／または論じられる動作のうちの１つまたは複数を伴わずに達成され得る。加えて、図５に例証されかつ下に説明されるようなプロセス５００の動作の順序は、限定することを意図されない。例えば、動作５１０−５３０は同時に実施され得る。別の例として、動作５４０は、動作５１０−５３０の前に実施され得る。

図６は、本開示のいくつかの実施形態に従う、予測モデルを生成するための例示的なプロセスを示す別のフローチャートである。いくつかの実施形態において、プロセス６００は、図１に例証されるように人工知能システム１００内で実施され得る。例えば、プロセス６００は、ストレージ・デバイス１５０および／もしくは他のストレージ・デバイス（例えば、ＲＯＭ２３０、ＲＡＭ２４０）に命令の形態で格納され得、サーバ１１０（例えば、サーバ１１０内の処理デバイス１１２、サーバ１１０内の処理デバイス１１２のプロセッサ２２０、サーバ１１０内の処理デバイス１１２の１つまたは複数のモジュール）によって呼び出され得、ならびに／またはサーバ１１０によって実行され得る。いくつかの実施形態において、プロセス６００およびプロセス５００は、処理デバイス１１２の同じプロセッサ内、または処理デバイス１１２の異なるプロセッサ内で実施され得る。

６１０において、処理デバイス１１２（例えば、トレーニング・データ取得サブユニット４１４−１）は、トレーニング・データを取得し得る。いくつかの実施形態において、トレーニング・データ取得サブユニット４１４−１は、ストレージ・デバイス１５０またはサーバ１１０内の他のストレージ・デバイスまたは人工知能システム１００の外部のストレージ・デバイスからトレーニング・データを取得し得る。トレーニング・データは、オンライン・ツー・オフライン・サービス・プラットフォーム上で発生する複数の履歴取引に関する履歴データであってもよい。複数の履歴取引の各々は、サービス要求者によって開始され、サービス提供者によって受諾された履歴オーダーに関係し得る。したがって、各履歴取引に関する情報は、履歴オーダー、サービス要求者、および対応するサービス提供者に関係し得る。トレーニング・データはまた、複数の履歴取引の各々に対応する履歴事象データを含み得る。履歴事象データは、事象が発生したかどうか、事象タイプ、事象程度、もしくは同様のもの、またはそれらの任意の組合せを含み得る。事象タイプは、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、強盗などを含み得る。事象程度は、非常に深刻、深刻、普通、軽微、非常に軽微などを含み得る。

トレーニング・データは、複数の正サンプルおよび複数の負サンプルを含み得る。正サンプルは、ターゲットとする事象が発生しなかったサンプルを指し得る。負サンプルは、ターゲットとする事象が発生したサンプルを指し得る。「正サンプル」および「負サンプル」という用語は、例証の目的のみのためにそのように規定され、限定することを意図されないことに留意されたい。

複数の正サンプルおよび複数の負サンプルの各々は、履歴取引データ、および履歴取引データに対応する履歴事象データを含み得る。

６２０において、処理デバイス１１２（例えば、特徴抽出サブユニット４１４−２）は、複数の正サンプルおよび複数の負サンプルの履歴取引データから複数の候補特徴を抽出し得る。候補特徴は、候補オーダー特徴、候補要求者特徴、および候補提供者特徴を含み得る。特徴抽出サブユニット４１４−２は、履歴オーダーに関する情報から候補オーダー特徴を抽出し得る。特徴抽出サブユニット４１４−２は、履歴オーダーと関連付けられたサービス要求者に関する情報から候補要求者特徴を抽出し得る。特徴抽出サブユニット４１４−２は、履歴オーダーに対応するサービス提供者に関する情報から候補提供者特徴を抽出し得る。候補オーダー特徴は、各履歴オーダーの開始ロケーション、各履歴オーダーの目的地、各履歴オーダーの開始ロケーションから目的地までのルート、各履歴オーダーのルート沿いの近隣地域、各履歴オーダーの開始時間、各履歴オーダーの推定された到着時間、各履歴オーダーのリアルタイムの到着、各履歴オーダーのタイプ、各履歴オーダーに関するサービス・タイプ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。候補要求者特徴は、サービス要求者に関する情報を含み得る。サービス要求者に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、サービス要求者の電話のブランド、職業、プロフィール画像、書類番号（例えば、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、趣味／嗜好、サービス要求者によってよくアクセスされる場所（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって行われ、その後キャンセルされたオーダーの数、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって報告されたクレームの数および／もしくは頻度またはサービス提供者によって報告されたクレームの数および／もしくは頻度、犯罪記録、サービス要求者によるもしくはサービス要求者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報から抽出される特徴、または同様のもの、あるいはそれらの任意の組合せを含み得る。候補提供者特徴は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、サービス提供者の電話のブランド、職業、電子メール・アドレス、プロフィール画像、書類番号（例えば、運転免許番号、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、車両タイプ、車両年数、ライセンス・プレート、人工知能システム１００における証明状態、運転経験、交通違反記録、趣味／嗜好、サービス提供者によってよくアクセスされる場所（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス提供者によって受諾され、続いてキャンセルされたオーダーの数、および／またはサービス提供者によって報告されたクレームの数および／もしくは頻度またはサービス要求者によって報告されたクレームの数および／もしくは頻度、犯罪記録、評価、サービス提供者によるもしくはサービス提供者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報から抽出される特徴、または同様のもの、あるいはそれらの任意の組合せを含み得る。

いくつかの実施形態において、候補特徴の次元は膨大である場合があり、候補特徴の部分のみが、ターゲットとする事象の発生確率の予測と高度に相関している。処理デバイス１１２は、予測モデルをトレーニングするために、ターゲットとする事象の発生確率の予測に高度に関連した特徴を選択し得る。特徴選択により、予測モデルは、簡略化され得、かつ正確であり得、トレーニング時間はより短くなり得、また予測モデルの過剰適合は低減され得る。

したがって、６３０において、処理デバイス１１２（例えば、特徴選択サブユニット４１４−３）は、特徴選択アルゴリズムを使用して複数の候補特徴から１つまたは複数のターゲットとする特徴を決定し得る。特徴選択アルゴリズムは、前進特徴選択、後進特徴選択、再帰特徴除去などを含み得る。特徴選択サブユニット４１４−３は、ターゲットとする特徴を決定するために特徴選択アルゴリズムを使用して特徴を追加することまたは特徴を削除することを通じて、予測モデルの精度、再現率、および／または正解率を決定し得る。ターゲットとする特徴は、１つまたは複数のターゲットとするオーダー特徴、１つまたは複数のターゲットとする要求者特徴、および／または１つまたは複数のターゲットとする提供者特徴を含み得る。

６４０において、処理デバイス１１２（例えば、モデル決定サブユニット４１４）は、複数の正サンプルの１つまたは複数のターゲットとする特徴、複数の負サンプルの１つまたは複数のターゲットとする特徴、ならびに／または複数の正サンプルおよび複数の負サンプルの履歴事象データに基づいて予測モデルを生成し得る。例えば、モデル決定サブユニット４１４−４は、予測モデル（本明細書では初期予測モデルとも称される）に基づいて、正サンプルの１つまたは複数のターゲットとする特徴および複数の負サンプルの１つまたは複数のターゲットとする特徴に基づく予測結果を生成し得、次いで、モデル決定サブユニット４１４−４は、複数の正サンプルおよび複数の負サンプルの履歴事象データを用いた予測結果に基づいて損失関数の値を決定し得る。次いで、モデル決定サブユニット４１４−４は、予測モデルが損失関数に関する基準に基づいて満足であるかどうかを決定し得る。いくつかの実施形態において、損失関数の値が既定のしきい値よりも小さいとき、モデル決定サブユニット４１４−４は、初期予測モデルを予測モデルに指定し得、すなわち、予測モデルは十分にトレーニングされており、満足である。損失関数の値が既定のしきい値を超えるとき、モデル決定サブユニット４１４−４は、初期予測モデルを修正し、トレーニング・データを使用し得るか、または異なるトレーニング・データを取得して、更新予測モデルが基準を満足するまで更新予測モデルを生成し得る。

予測モデルを決定するためのプロセス６００についての上の説明は、単に例であり、限定することが意図されないことに留意されたい。いくつかの実施形態において、プロセス６００は、説明されない１つまたは複数の追加の動作を伴って、および／または論じられる動作のうちの１つまたは複数を伴わずに達成され得る。例えば、６１０においてトレーニング・データを取得した後、処理デバイス１１２は、例えば、異常データを削除する、不完全なデータを完全にする、またはそれを削除するなど、トレーニング・データを処理し得る。別の例として、処理デバイス１１２はまた、予測モデルの性能にアクセスするために、トレーニング・データと独立したテスト・データを取得し得る。さらに別の例として、処理デバイス１１２は、予測モデルをトレーニングするための交差検証（例えば、ｋ分割交差検証）を実施し得る。

いくつかの実施形態において、トレーニング・データは、２つ以上のタイプの事象に関するデータを含み得る。プロセス６００はまた、トレーニング・データを２つ以上のグループに分割することを含み得る。各グループは、事象タイプに対応し得る。各グループについて、処理デバイス１１２は、対応する事象の発生確率を予測するためにサブモデルを決定し得る。次いで、処理デバイス１１２は、２つ以上のサブモデルを予測モデルに指定し得る。処理デバイス１１２が予測モデルを使用するとき、処理デバイス１１２は、事象タイプの各々について発生確率を生成し得る。例えば、処理デバイス１１２は、殺人の発生確率が３０であり、セクシャル・ハラスメントの発生確率が４５であり、強盗の発生確率が１７であることを決定し得る。

いくつかの実施形態において、処理デバイス１１２はまた、２つ以上のサブモデルに異なる重みを割り当てることによって予測モデルを決定し得る。処理デバイス１１２が予測モデルを使用するとき、処理デバイス１１２は、異なる事象タイプについての全体的な予測を決定し得る。例えば、処理デバイス１１２は、１つまたは複数の事象のタイプの発生確率に基づいて悪意のある事象の発生確率が４０であることを決定し得る。

いくつかの実施形態において、処理デバイス１１２は、予測モデルをオフラインでトレーニングし得る。例えば、処理デバイス１１２は、トレーニング・データを使用して断定（ｐｒｅｄｉｃａｔｉｏｎ）モデルを前もって生成し、予測モデルを将来の使用のために人工知能システム１００のストレージ・デバイス（例えば、ストレージ・デバイス１５０、ＲＯＭ２３０、ＲＡＭ２４０）に格納し得る。例えば、処理デバイス１１２は、人工知能システム１００（例えば、サービス要求システム、サービス提供システム、サーバ１１０、もしくは同様のもの、またはそれらの組合せ）の少なくとも一部分へのトラフィックが低い（例えば、しきい値を下回る）オフピーク時間中に断定モデルを生成し得る。いくつかの実施形態において、処理デバイス１１２は、リアルタイム・オーダーまたは予約の形態でのサービスに対する個別のリアルタイム要求に応答することなくそれから独立して、断定モデルを生成し得る。処理デバイス１１２が、サービス提供者がサービス要求者にサービス供給するときのターゲットとする事象の発生確率を決定するとき、処理デバイス１１２は、予測モデルを人工知能システム１００のストレージ・デバイス（例えば、ストレージ・デバイス１５０、ＲＯＭ２３０、ＲＡＭ２４０）から直接取得し得る。処理デバイス１１２は、予測モデルを定期的または不定期に更新し得る。いくつかの実施形態において、処理デバイス１１２は、人工知能システム１００のストレージ・デバイス（例えば、ストレージ・デバイス１５０、ＲＯＭ２３０、ＲＡＭ２４０）に更新された予測モデルを格納し得る。

いくつかの実施形態において、トレーニング・データは、不均衡な構成を有し得る。例えば、トレーニング・データは、負サンプルよりも正サンプルを多く含み得（すなわち、トレーニング・データは不均衡である）、モデルの性能（例えば、予測精度）は、トレーニング・データが不均衡である場合には貧しい場合がある。したがって、いくつかの実施形態において、予測モデルをトレーニングするために平衡化トレーニング・データ（平衡化サンプルとも称される）を使用することが望ましい。

図７は、本開示のいくつかの実施形態に従う、平衡化サンプルを生成するための例示的なプロセスを示すフローチャートである。いくつかの実施形態において、プロセス７００は、図１に例証されるように人工知能システム１００内で実施され得る。例えば、プロセス７００は、ストレージ・デバイス１５０および／もしくは他のストレージ・デバイス（例えば、ＲＯＭ２３０、ＲＡＭ２４０）に命令の形態として格納され得、サーバ１１０（例えば、サーバ１１０内の処理デバイス１１２、サーバ１１０内の処理デバイス１１２のプロセッサ２２０、サーバ１１０内の処理デバイス１１２の１つまたは複数のモジュール）によって呼び出され得、ならびに／またはサーバ１１０によって実行され得る。

７１０において、処理デバイス１１２（例えば、トレーニング・データ取得サブユニット４１４−１）は、トレーニング・データを取得し得る。トレーニング・データは、複数の正サンプルおよび複数の負サンプルを含み得る。

７２０において、処理デバイス１１２（例えば、サンプル平衡化サブユニット４１４−５）は、トレーニング・データが不均衡なサンプル構成を含むかどうかを決定し得る。例えば、サンプル平衡化サブユニット４１４−５は、正サンプルの数Ｍ_ｐ、および負サンプルの数Ｍ_ｎを取得し得る。サンプル平衡化サブユニット４１４−５は、多数派サンプルの数と少数派サンプルの数との比（本明細書ではサンプル比とも称される）を生成し得る。本明細書で使用される場合、トレーニング・データ内の正サンプルと負サンプルとの間では、より高いサンプル数を有するサンプルのタイプが多数派サンプルと称され得、より低いサンプル数を有するサンプルのタイプが、少数派サンプルと称され得る。例えば、正サンプルのサンプル数がトレーニング・データの負サンプルのサンプル数より高いとき、すなわち、トレーニング・データ内に負サンプルより正サンプルの方が多いとき、正サンプルは多数派サンプルと称され、負サンプルは少数派サンプルと称される。別の例として、正サンプルのサンプル数がトレーニング・データの負サンプルのサンプル数より低いとき、すなわち、トレーニング・データ内に負サンプルより正サンプルの方が少ないとき、正サンプルは少数派サンプルと称され、負サンプルは多数派サンプルと称される。正サンプルのサンプル数が負サンプルのサンプル数より大きいとき（すなわち、正サンプルが多数派サンプルであり、負サンプルが少数派である）、サンプル比は、Ｍ_ｐ／Ｍ_ｎと称され得、負サンプルのサンプル数が正サンプルのサンプル数より大きいとき（すなわち、正サンプルが少数派サンプルであり、負サンプルが多数派サンプルである）、サンプル比は、Ｍ_ｎ／Ｍ_ｐと称され得る。サンプル平衡化サブユニット４１４−５は、サンプル比が比しきい値を超えるかどうかを決定し得る。比しきい値は、１０以上であってもよい。例えば、比しきい値は、１０〜２０、２１〜３０、３１〜４０、または４０超であってもよい。

サンプル平衡化サブユニット４１４−５が、サンプル比が比しきい値を超えることを決定するとき、サンプル平衡化サブユニット４１４−５は、トレーニング・データが不均衡なサンプル構成を含むことを決定し得、このときサンプル平衡化サブユニット４１４−５は、７３０において、サンプル平衡化技術を使用してトレーニング・データに基づいてサンプル構成を平衡化し得る。いくつかの実施形態において、サンプル平衡化技術は、正サンプルおおび負サンプルに異なる重みを割り当てることを含み得る。いくつかの実施形態において、サンプル平衡化技術は、トレーニング・データを再サンプリングすること、例えば、少数派サンプルをオーバーサンプリングすること、および／または多数派サンプルをアンダーサンプリングすることを含み得る。いくつかの実施形態において、ターゲットとする事象が発生しなかった正サンプルが多数派サンプルであり、ターゲットとする事象が発生した負サンプルが少数派サンプルである。このとき、サンプル平衡化サブユニット４１４−５は、負サンプルをオーバーサンプリングし得、および／または正サンプルをアンダーサンプリングし得る。

いくつかの実施形態において、サンプル平衡化サブユニット４１４−５は、アンダーサンプリング・レートに基づいて正サンプルをアンダーサンプリングし得る。アンダーサンプリング・レートは、サンプル比に基づいて決定され得る。例えば、負サンプルの数が既定の数より大きいとき、アンダーサンプリング・レートは、サンプル比にほぼ等しい値であり得る。既定の数が１０００であり、負サンプルの数が１２００であり、正サンプルの数が１２０００００である（すなわち、サンプル比は１０００である）とすると、サンプル平衡化サブユニット４１４−５は、例えば正サンプル１０００ごとに１つをランダムに選択することによって、正サンプルをアンダーサンプリングし得る。

いくつかの実施形態において、サンプル平衡化サブユニット４１４−５は、負サンプルをオーバーサンプリングし得る。いくつかの実施形態において、負サンプルは、例えば、負サンプルのすべてまたは部分をコピーするよって、オーバーサンプリングされ得る。いくつかの実施形態において、負サンプルは、例えば、複数の合成サンプルを、例えばｋ近傍法（ＫＮＮ）技術を使用して生成し、複数の合成サンプルの少なくとも一部分を負サンプルに指定することによって、オーバーサンプリングされ得る。

本開示において、トレーニング・データは、データ空間内にあり得る。データ空間は、点がサンプル（例えば、正サンプル、負サンプル）を表し得る空間を指し得る。いくつかの実施形態において、処理デバイス１１２は、特徴空間内に合成サンプルを生成し得る。特徴空間は、点が特徴ベクトルを表し得る空間を指し得る。特徴ベクトルの次元は、任意の値、例えば、１０、２０、３０、４０などであり得る。図８Ｂは、平衡化サンプルを示す概略図である。図８Ｂに示されるように、×記号は、正サンプル、または正サンプルに対応する特徴ベクトルに対応し、○記号は、負サンプル、または負サンプルに対応する特徴ベクトルに対応する。

図８Ａは、本開示のいくつかの実施形態に従う、特徴空間においてＫＮＮ技術を使用して合成サンプルを生成するための例示的なプロセスを示すフローチャートである。いくつかの実施形態において、プロセス８００は、図１に例証されるように人工知能システム１００内で実施され得る。例えば、プロセス８００は、ストレージ・デバイス１５０および／もしくは他のストレージ・デバイス（例えば、ＲＯＭ２３０、ＲＡＭ２４０）に命令の形態として格納され得、サーバ１１０（例えば、サーバ１１０内の処理デバイス１１２、サーバ１１０内の処理デバイス１１２のプロセッサ２２０、サーバ１１０内の処理デバイス１１２の１つまたは複数のモジュール）によって呼び出され得、ならびに／またはサーバ１１０によって実行され得る。

８１０において、処理デバイス１１２（例えば、サンプル平衡化サブユニット４１４−５）は、負サンプルの１つまたは複数のターゲットとする特徴（本明細書ではターゲットとする負サンプルとも称される）に基づいてターゲットとする特徴ベクトルを生成し得る。ターゲットとする特徴ベクトルの次元は、負サンプルのターゲットとする特徴の数と同じであってもよい。

いくつかの実施形態において、処理デバイス１１２はまた、トレーニング・データ内の負サンプルに対応する特徴ベクトルおよび／またはトレーニング・データ内の正サンプルに対応する特徴ベクトル内の特徴を正規化し得る。次いで、処理デバイス１１２は、正規化された特徴を使用して任意の２つの特徴ベクトル間の距離（例えば、ユークリッド距離、ミンコフスキー距離など）を決定し得る。

８２０において、処理デバイス１１２（例えば、サンプル平衡化サブユニット４１４−５）は、トレーニング・データ内の負サンプルに対応する特徴ベクトルの各々とターゲットとする特徴ベクトルとの間の距離に基づいて、ターゲットとする特徴ベクトルについて、ＫＮＮ技術を使用して特徴ベクトルの第１の数の最近傍を決定し得る。第１の数は、任意の好適な値、例えば、５、６、７などであり得る。

いくつかの実施形態において、サンプル平衡化サブユニット４１４−５は、ターゲットとする負サンプルに近い負サンプルに対応する特徴ベクトルおよびターゲットとする負サンプルに近い正サンプルに対応する特徴ベクトルの両方から第１の数の最近傍を決定し得る。いくつかの実施形態において、サンプル平衡化サブユニット４１４−５は、負サンプルに対応する特徴ベクトルのみから第１の数の最近傍を決定し得る。図８Ｂに示されるように、第１の数は５であり、負サンプルの特徴ベクトル（Ｎ１）（本明細書ではターゲットとする特徴ベクトルとも称される）について、サンプル平衡化サブユニット４１４−５は、５つの最近傍Ｎ１、Ｎ３、Ｎ４、Ｎ５、およびＮ６を決定し得、この５つの最近傍のすべてが、５つの負サンプルに対応する特徴ベクトルである。

８３０において、ターゲットとする特徴ベクトルについて、処理デバイス１１２（例えば、サンプル平衡化サブユニット４１４−５）は、８２０において決定された第１の数の最近傍から第２の数の最近傍を決定し得る。いくつかの実施形態において、第２の数は、既定の数、例えば、１、２、３などであり得る。いくつかの実施形態において、第２の数は、オーバーサンプリング・レートに基づいて決定され得、例えば、第２の数は、オーバーサンプリング・レートに最も近い整数であり得る。例えば、負サンプルの数が１００であり負サンプルのターゲットとする数が２００である（すなわち、オーバーサンプリング・レートが２００％である）場合、サンプル平衡化サブユニット４１４−５は、第２の数が２であるべきと決定し得る。

いくつかの実施形態において、サンプリング平衡化サブユニット４１４−５は、第１の数の最近傍から第２の数の最近傍をランダムに選択し得る。いくつかの実施形態において、サンプル平衡化サブユニット４１４−５は、第１の数の最近傍の各々とターゲットとする特徴ベクトルとの間の距離に基づいて第２の数の最近傍を選択し得る。例えば、サンプル平衡化サブユニット４１４−５は、第１の数の最近傍（例えば、Ｎ１、Ｎ３、Ｎ４、Ｎ５、Ｎ６）の各々とターゲットとする特徴ベクトル（例えば、Ｎ１）との間の距離に基づいて第２の数の最近傍を選択し得、次いで、第１の数の最近傍（例えば、Ｎ１、Ｎ３、Ｎ４、Ｎ５、Ｎ６）から１つまたは複数の最小距離に対応する第２の数の最近傍を選択し得る。２つの特徴ベクトル間の距離は、２つの特徴ベクトル間の類似度を示し得る。

８４０において、ターゲットとする特徴ベクトルについて、処理デバイス１１２（例えば、サンプル平衡化サブユニット４１４−５）は、ターゲットとする特徴ベクトルおよびターゲットとする特徴ベクトルに対応する第２の数の最近傍に基づいてターゲットとする特徴ベクトルに対する１つまたは複数の合成特徴ベクトルを生成し得る。

いくつかの実施形態において、ターゲットとする特徴ベクトルの第２の数の最近傍の各々について、サンプル平衡化サブユニット４１４−５は、最近傍（例えば、特徴ベクトルＮ５）とターゲットとする特徴ベクトル（例えば、特徴ベクトルＮ１）との間の差分を決定し得る。次いで、サンプル平衡化サブユニット４１４−５は、この差分に０〜１の間の係数を掛けて、合成特徴ベクトルを決定し得る。合成特徴ベクトルに対応するサンプルは、本明細書では合成サンプルと称され得る。図８Ｂに示されるように、差分は、Ｎ５とＮ１との間の線分として表され得、合成特徴ベクトルは、線分内に点（▲として示される）として表され得る。▲記号は、データ空間内の合成サンプルまたは特徴空間内の合成特徴ベクトルを表し得ることに留意されたい。

いくつかの実施形態において、サンプル平衡化サブユニット４１４−５は、２つの特定のサンプル（例えば、２つの負サンプル、または１つの正サンプルおよびターゲットとする負サンプル）に対応する２つの特定の特徴ベクトルをつなぐ線分内の２つ以上の合成特徴ベクトルを決定し得る。例えば、サンプル平衡化サブユニット４１４−５は、２つの特定の特徴ベクトルの差分に０〜１の間の２つ以上の係数を掛けて、２つ以上の合成特徴ベクトルを決定し得る。例えば、Ｎ５およびＮ１をつなぐ線分について、サンプル平衡化サブユニット４１４−５は、２つ以上の合成特徴ベクトルに対応する線分内の２つ以上の点を選択し得る。いくつかの実施形態において、係数は、０〜１の間でランダムに選択され得る。いくつかの実施形態において、複数の係数が、２つの特定のサンプルに対応する２つの特定の特徴ベクトルをつなぐ線分内の複数の合成特徴ベクトルを決定するために使用される場合、係数は、互いから等しく離間され得るか、または互いから等しく離間され得ない。例えば、２つの係数は、２つの負サンプルに対応する２つの特定の特徴ベクトルをつなぐ線分内の２つの合成特徴ベクトルを決定するために使用され、係数は、１／３および２／３、または１／３および１／４などであり得る。

ＫＮＮ技術を使用してターゲットとする負サンプルのための合成サンプルを生成するためのプロセスについての上の説明は、単に例であり、限定することが意図されないことに留意されたい。いくつかの実施形態において、サンプル平衡化サブユニット４１４−５は、他の技術を使用して、ターゲットとする負サンプルのための１つまたは複数の合成サンプルを生成し得る。例えば、サンプル平衡化サブユニット４１４−５は、ある領域（例えば、ターゲットとする特徴ベクトルに中心がある半径を有する円形領域）を決定し得る。この半径は、例えば、トレーニング・データ内の負サンプルの数、トレーニング・データ内の正サンプルの数、トレーニング・データに関するサンプル比などを含む、様々な因子のうちの１つまたは複数に従って、固定され得るか、または調整可能であり得る。いくつかの実施形態において、異なるターゲットとする特徴ベクトルについては、半径が異なり得る。領域内のサンプルは、負サンプル、正サンプル、または両方を含み得る。次いで、サンプル平衡化サブユニット４１４−５は、領域内のサンプル（例えば、負サンプルのみ、または負サンプルおよび正サンプルの両方）に基づいて合成サンプルを決定し得る。

いくつかの実施形態において、ターゲットとするサンプルに基づいて合成サンプルを決定するために、サンプル平衡化サブユニット４１４−５は、動作８２０を実施することなくトレーニング・データ内のサンプル（例えば、負サンプル、正サンプル）に対応する特徴ベクトル（例えば、ターゲットとするサンプルのターゲットとする特徴ベクトル付近の１つ）とターゲットサンプルに対応するターゲットとする特徴ベクトルとの間の距離に基づいて、ターゲットとする特徴ベクトルの特定の数の（例えば、第２の数の）最近傍を直接選択し得る。

図８Ａは、ターゲットとする負サンプルのための合成サンプルを決定するためのプロセス８００を示す。平衡サンプル構成を生成するために、処理デバイス１１２は、トレーニング・データ内の負サンプルのうちの少なくともいくつかの各々についてプロセス８００を実施し得る。

トレーニング・データ内の負サンプルのうちの少なくともいくつかのすべての特徴ベクトルに対応する合成特徴ベクトルに対応する合成サンプルが生成されるとき、サンプル平衡化サブユニット４１４−５は、サンプル構成が平衡化されるように、合成特徴ベクトルに対応するサンプルを負サンプルに指定し得る。次いで、処理デバイス１１２は、平衡化サンプルを使用して予測モデルをトレーニングし得る。いくつかの実施形態において、合成サンプルの合成特徴ベクトルは、元のトレーニング・データ内の実際のサンプルの特徴ベクトルのみに基づくが、別の合成サンプルの合成特徴ベクトルには基づかずに、生成され得る。

図９は、本開示のいくつかの実施形態に従う、オーダーを割振るための例示的なプロセスを示すフローチャートである。いくつかの実施形態において、プロセス９００は、図１に例証されるように人工知能システム１００内で実施され得る。例えば、プロセス９００は、ストレージ・デバイス１５０および／もしくは他のストレージ・デバイス（例えば、ＲＯＭ２３０、ＲＡＭ２４０）に命令の形態として格納され得、サーバ１１０（例えば、サーバ１１０内の処理デバイス１１２、サーバ１１０内の処理デバイス１１２のプロセッサ２２０、サーバ１１０内の処理デバイス１１２の１つまたは複数のモジュール）によって呼び出され得、ならびに／またはサーバ１１０によって実行され得る。

９１０において、処理デバイス１１２（例えば、オーダー情報取得ユニット４２１）は、１つまたは複数のサービス要求者端末から、割振られるべき１つまたは複数のターゲットとするオーダーを取得し得る。１つまたは複数のサービス要求者端末は、１つまたは複数のサービス要求者と関連付けられ得る。ターゲットとするオーダーの各々に関する情報は、ターゲットとするオーダーの開始ロケーション、ターゲットとするオーダーの目的地、ターゲットとするオーダーの開始ロケーションから目的地までのルート、ターゲットとするオーダーのルート沿いの近隣地域、ターゲットとするオーダーの開始時間、ターゲットとするオーダーの推定された到着時間、ターゲットとするオーダーのタイプ、ターゲットとするオーダーに関するサービス・タイプ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。ターゲットとするオーダーのタイプは、リアルタイム・オーダー、または未来時のためのサービスの予約を含み得る。サービス・タイプは、タクシー・サービス、エクスプレス・サービス、特別な便宜を図った自動車サービス（例えば、車椅子乗車可能、チャイルド・シート付き、特定の収容可能人数など）、もしくは同様のもの、またはそれらの任意の組合せを含み得る。要求者情報取得ユニット４２２はまた、１つまたは複数のターゲットとするオーダーと関連付けられたサービス要求者に関する情報を取得し得る。例えば、要求者情報取得ユニット４２２はまた、ストレージ・デバイス１５０またはサーバ１１０内の他のストレージ・デバイスまたは人工知能システム１００の外部ストレージ・デバイスからサービス要求者に関する情報を取得し得る。サービス要求者に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、サービス要求者の電話のブランド、職業、プロフィール画像、書類番号（例えば、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、趣味／嗜好、サービス要求者によってよくアクセスされるロケーション（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって行われ、その後キャンセルされたオーダーの数、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、サービス要求者によって報告されたクレームの数および／もしくは頻度またはサービス提供者によって報告されたクレームの数および／もしくは頻度、犯罪記録、サービス要求者によるもしくはサービス要求者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報、または同様のもの、あるいはそれらの任意の組合せを含み得る。

いくつかの実施形態において、サービス要求システムの１つまたは複数の要求者端末１３０は、少なくとも１つの第１の情報交換ポートを介して、１つまたは複数のターゲットとするオーダーを含む電子信号をサーバ１１０に送信および／または伝送し得る。１つまたは複数の要求者端末１３０は、ワイヤレス通信を通じてサーバ１１０と情報を交換し得る。サービス要求システムは、１つまたは複数の要求者端末１３０およびネットワーク１２０を含み得る。少なくとも１つの第１の情報交換ポートは、ネットワーク１２０を介した１つまたは複数の要求者端末１３０の各々とサーバ１１０との間の通信を促進し得る。例えば、少なくとも１つの第１の情報交換ポートは、サーバ１１０に接続された、および／またはサーバ１１０と通信状態にある１つまたは複数のネットワークＩ／Ｏポート（例えば、アンテナ）であり得る。サービス要求システムに対応するか、またはサービス要求システムと通信状態にある少なくとも１つの第１の情報交換ポートは、１つまたは複数のターゲットとするオーダーを含む電子信号を処理デバイス１１２に伝送し得る。

９２０において、処理デバイス１１２（例えば、提供者情報取得ユニット４２３）は、１つまたは複数のターゲットとするオーダーを受託することが可能である複数の候補サービス提供者を特定し得る。いくつかの実施形態において、処理デバイス１１２は、提供者端末の測位モジュールを通じて複数のサービス提供者のロケーションをリアルタイムで取得し得る。次いで、処理デバイスは、オーダーを受託することが可能であり、かつターゲットとするオーダーの各々の開始ロケーション周辺の既定の範囲（例えば、２キロメートル）内にいる候補サービス提供者を特定し得る。提供者情報取得ユニット４２３はまた、複数の候補サービス提供者に関する情報を取得し得る。例えば、提供者情報取得ユニット４２３はまた、ストレージ・デバイス１５０、またはサーバ１１０内のもしくは人工知能システム１００の外部の他のストレージ・デバイスから複数の候補サービス提供者に関する情報を取得し得る。複数の候補サービス提供者の各々に関する情報は、表示名（例えば、ニックネーム）、年齢、性別、電話番号、候補サービス提供者の電話のブランド、職業、電子メール・アドレス、プロフィール画像、書類番号（例えば、運転免許番号、身分証明書番号など）、サードパーティ・アカウント（例えば、電子メール・アカウント）、車両タイプ、車両年数、ライセンス・プレート、人工知能システム１００における証明状態、運転経験、交通違反記録、趣味／嗜好、候補サービス提供者によってよくアクセスされるロケーション（例えば、ホテル、ゲスト・ハウス、バー、ＫＴＶクラブなど）、これまでの、もしくは特定の期間内（例えば、先週、先月、昨年など）の、候補サービス提供者によって受諾され、続いてキャンセルされたオーダーの数、候補サービス提供者によって報告されたクレームの数および／もしくは頻度またはサービス要求者によって報告されたクレームの数および／もしくは頻度、犯罪記録、評価、候補サービス提供者によるもしくは候補サービス提供者に関する、フォーラム、ブログ、もしくはソーシャル・ネットワークに投稿された情報、または同様のもの、あるいはそれらの任意の組合せを含み得る。

オーダー割振りモジュール４２０が１つまたは複数のオーダーの情報、１つまたは複数のターゲットとするオーダーと関連付けられたサービス要求者の情報、および複数の候補サービス提供者の情報を取得するとき、オーダー割振りモジュール４２０は、ターゲットとする事象の発生確率を決定するためにその情報を事象予測モジュール４１０に送信し得る。

９３０において、処理デバイス１１２（例えば、要求者−提供者ペア決定ユニット４２４）は、１つまたは複数のターゲットとするサービス要求者の各々を複数の候補サービス提供者の各々と関連付けることによって、候補要求者−提供者ペアを決定し得る。要求者−提供者ペア決定ユニットは、事象予測モジュール４１０、オーダー割振りモジュール４２０、または処理デバイス１１２の部分であり得る。例えば、割振られるべきターゲットとするオーダーの数がＭ１であり、候補サービス提供者の数がＭ２であるとすると、要求者−提供者ペア決定ユニットは、Ｍ１×Ｍ２個の候補要求者−提供者ペアを生成する。

９４０において、処理デバイス１１２（例えば、事象予測モジュール４１０）は、候補要求者−提供者ペアの各々についてターゲットとする事象が発生するターゲットとする事象の発生確率を決定し得る。ターゲットとする事象は、悪意のある事象、例えば、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、強盗などを含み得る。ターゲットとする事象の発生確率の決定についての詳細説明は、本開示内の他の場所において見られ得る。例えば、図５およびその関連説明を参照されたい。

候補要求者−提供者ペアのすべてに対応するターゲットとする事象の発生確率が決定されると、オーダー割振りモジュール４２０は、事象予測モジュール４１０からターゲットとする事象の発生確率を取得し得る。次いで９５０において、オーダー割振りモジュール４２０（例えば、オーダー割振りユニット４２５）は、ターゲットとする事象発生確率および対応する候補要求者−提供者ペアに少なくとも部分的に基づいてターゲットとするオーダーを割振り得る。いくつかの実施形態において、オーダー割振りモジュール４２０（例えば、オーダー割振りユニット４２５）は、例えば、サービス提供者のロケーションとターゲットとするオーダーの開始ロケーションとの間の距離、サービス提供者のロケーションからターゲットとするオーダーの開始ロケーションまで移動する時間の長さ、交通情報、提供者特徴（例えば、サービス提供者のサービス・タイプ、サービス提供者の車両タイプ、サービス提供者のサービス・スコアなど）、サービス提供者の要望（例えば、サービス要求者の性別、サービス提供者が好むまたは受諾する目的地など）、サービス要求者の要望（例えば、サービス提供者の性別）などを含む、他の因子に従ってターゲットとするオーダーをサービス提供者に割振るかどうか決定し得る。いくつかの実施形態において、オーダー割振りモジュール４２０（例えば、オーダー割振りユニット４２５）は、ターゲットとするオーダーをどのように割振るかを決定するために、ターゲットとする事象の発生確率、およびそのような他の因子に重みを割り当て得る。いくつかの実施形態において、同じターゲットとするオーダーについて、ターゲットとする事象の発生確率、およびそのような他の因子のうちの１つまたは複数に割り当てられた重みは、同じであり得るか、または異なり得る。いくつかの実施形態において、ターゲットとするオーダーと関連付けられたターゲットとする事象の発生確率に割り当てられた重みは、そのような他の因子のうちの１つまたは複数に割り当てられた重みよりも大きくてもよい。いくつかの実施形態において、異なるターゲットとするオーダーについて、ターゲットとするオーダーと関連付けられたターゲットとする事象の発生確率に割り当てられた重みは、同じであり得るか、または異なり得る。

いくつかの実施形態において、処理デバイス１１２は、サービス提供システムに対応する少なくとも１つの第２の情報交換ポートを介して、割振られたターゲットとするオーダーの情報を含む第２の電子信号を複数のサービス提供者と関連付けられた１つまたは複数の提供者端末に送信および／または伝送し得る。１つまたは複数の提供者端末１４０は、ワイヤレス通信を通じてサーバ１１０と情報を交換し得る。サービス提供システムは、１つまたは複数の提供者端末１４０およびネットワーク１２０を含み得る。少なくとも１つの第２の情報交換ポートは、１つまたは複数の提供者端末１４０とサーバ１１０との間の通信を促進し得る。例えば、少なくとも１つの第２の情報交換ポートは、サーバ１１０に接続された、および／またはサーバ１１０と通信状態にある１つまたは複数のネットワークＩ／Ｏポート（例えば、アンテナ）であり得る。

したがって、処理デバイス１１２がオーダーを割振るとき、ターゲットとする事象の発生確率を考慮することは、割振りをより合理的にし、ターゲットとする事象（例えば、悪意のある事象）の可能性を低減し得、それは、サービス提供者および／またはサービス要求者の身の安全および／または財産の安全を保護し、社会の安定を維持することに役立ち得る。

基本概念をこのように説明してきたが、上記詳細な開示が例のみを目的として提示されることが意図され、限定しないことは、この詳細な開示を読んだ後に当業者にとっては明白であり得る。様々な代替、改善、および修正は、本明細書内に明示的には述べられていないが、発生し得、当業者にとっては意図される。これらの代替、改善、および修正は、本開示によって示唆されることが意図され、本開示の例示的な実施形態の趣旨および範囲内である。

さらには、特定の用語が、本開示の実施形態を説明するために使用されている。例えば、「１つの実施形態」、「実施形態」、および／または「いくつかの実施形態」という用語は、その実施形態と関連して説明される特定の特徴、構造、または特性が本開示の少なくとも１つの実施形態に含まれることを意味する。したがって、本明細書の様々な部分における「実施形態」または「１つの実施形態」または「代替実施形態」への２つ以上の言及は、必ずしもすべて、同じ実施形態を指しているわけではないことが強調され、理解されるものとする。さらに、特定の特徴、構造、または特性は、本開示の１つまたは複数の実施形態において好適に組み合わせられ得る。

さらに、本開示の態様は、任意の新規のおよび有用なプロセス、機械、製造、もしくは構成、またはそれらの任意の新規のおよび有用な改善を含むいくつかの特許性のある分類または文脈のいずれかにおいて、本明細書内で例証および説明され得ることが当業者によって理解されるものとする。したがって、本開示の態様は、全体的にハードウェア、全体的にソフトウェア（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）に実装され得るか、またはソフトウェアおよびハードウェアを組み合わせた実装形態であり得、これらはすべて、本明細書内では概して「ユニット」、「モジュール」、または「システム」と称され得る。さらには、本開示の態様は、コンピュータ可読プログラム・コードが中に埋め込まれた１つまたは複数のコンピュータ可読媒体に埋め込まれたコンピュータ・プログラム・プロダクトの形態をとり得る。

非一時的コンピュータ可読信号媒体は、例えば、ベースバンド内に、または搬送波の部分として、コンピュータ可読プログラム・コードが中に埋め込まれている伝搬されたデータ信号を含み得る。そのような伝搬された信号は、電磁気、光、もしくは同様のもの、またはそれらの任意の好適な組合せを含む、様々な形態のいずれかをとり得る。コンピュータ可読信号媒体は、コンピュータ可読ストレージ媒体ではなく、かつ命令実行システム、装置、もしくはデバイスによる使用、またはそれらに関連した使用のために、プログラムを通信、伝搬、または輸送し得る任意のコンピュータ可読媒体であり得る。コンピュータ可読信号媒体上に埋め込まれたプログラム・コードは、ワイヤレス、ワイヤライン、光ファイバーケーブル、ＲＦ、もしくは同様のもの、または上記の任意の好適な組合せを含む、任意の適切な媒体を使用して伝送され得る。

本開示の態様のための動作を実行するためのコンピュータ・プログラム・コードは、Ｊａｖａ（登録商標）、Ｓｃａｌａ、Ｓｍａｌｌｔａｌｋ、Ｅｉｆｆｅｌ、ＪＡＤＥ、Ｅｍｅｒａｌｄ、Ｃ＋＋、Ｃ＃、ＶＢ、ＮＥＴ、Ｐｙｔｈｏｎ、もしくは同様のものなどのオブジェクト指向言語、「Ｃ」プログラミング言語、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｆｏｒｔｒａｎ２００３、Ｐｅｒｌ、ＣＯＢＯＬ２００２、ＰＨＰ、ＡＢＡＰなどの従来の手続き型プログラミング言語、Ｐｙｔｈｏｎ、Ｒｕｂｙ、およびＧｒｏｏｖｙなどの動的プログラミング言語、または他のプログラミング言語を含む１つまたは複数のプログラミング言語の任意の組合せで記述され得る。プログラム・コードは、全体的にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロン・ソフトウェア・パッケージとして、部分的にユーザのコンピュータ上かつ部分的にリモート・コンピュータ上で、または全体的にリモート・コンピュータもしくはサーバ上で実行され得る。後者のシナリオにおいて、リモート・コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）もしくはワイド・エリア・ネットワーク（ＷＡＮ）を含む任意のタイプのネットワークによってユーザのコンピュータに接続され得るか、あるいはこの接続は、外部コンピュータ（例えば、インターネット・サービス・プロバイダを使用してインターネットによって）へと、もしくはクラウド・コンピューティング環境内で作製され得るか、またはＳｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ（ＳａａＳ）などのサービスとして提供され得る。

さらには、処理要素もしくはシーケンスの列挙された順序、または数字、文字、もしくは他の記号表示の使用は、特許請求の範囲内で明示され得る場合を除いて、特許請求されるプロセスおよび方法を任意の順序に制限することを意図されない。上の開示は、開示の様々な有用な実施形態であると現在見なされるものについて様々な例を通じて論じるが、そのような詳細はその目的のためだけのものであり、添付の特許請求の範囲は、開示される実施形態に限定されず、逆に、開示される実施形態の趣旨および範囲内である修正形態および等価の配置を網羅することが意図されるということが理解される。例えば、上に説明される様々なコンポーネントの実装形態はハードウェア・デバイスに埋め込まれ得るが、それはまた、ソフトウェア・オンリー・ソリューション、例えば、既存のサーバまたはモバイル・デバイス上のインストールとして実装されてもよい。

同様に、本開示の実施形態の上記説明において、様々な特徴は、様々な発明の実施形態のうちの１つまたは複数の理解を助ける開示を合理化するという目的のために、時には単一の実施形態、図、またはそれらの説明に一緒にされるということを理解されたい。しかしながら、開示の本方法は、特許請求される主題が各請求項に明示的に列挙されるよりも多くの特徴を必要とするという意図を反映するものとして解釈されるべきではない。むしろ、発明の実施形態は、単一の上記開示された実施形態のすべての特徴に満たずに存する。

いくつかの実施形態において、本出願の特定の実施形態を説明し、特許請求するために使用される、量、性質などを表現する数字は、「約」、「およそ」、または「実質的に」という用語によっていくつかの場合においては修正されるものと理解されるべきである。例えば、「約」、「およそ」、または「実質的に」は、別途記載されない限り、それが説明する値の±２０％の変動を示し得る。したがって、いくつかの実施形態において、明細書および添付の特許請求の範囲に明記される数値パラメータは、特定の実施形態によって得られることが求められる所望の性質に応じて変化し得る近似値である。いくつかの実施形態において、数値パラメータは、報告された有効桁の数の観点から、および一般的な四捨五入技術を適用することによって、構築されるべきである。本出願のいくつかの実施形態の幅広い範囲を明記する数値範囲およびパラメータは近似値であるにもかかわらず、特定の例において明記される数値は、実践可能な程度に正確に報告される。

本明細書内で言及される、特許、特許出願、特許出願の刊行物、ならびに、記事、書籍、明細書、刊行物、物事、および／または同様のものなどの他の資料の各々は、それらと関連付けられた任意の訴訟ファイル履歴、本文書と一致しないもしくは矛盾する、それらのいずれか、または、現在もしくは今後本文書と関連付けられた特許請求の幅広い範囲に関して限定の影響を有し得るそれらのいずれかを除き、あらゆる目的のためにその全体がこれによって本明細書に組み込まれる。例として、組み込まれる資料のいずれかと関連付けられた用語の説明、定義、および／または使用と、本文書と関連付けられるものとの間にいかなる不一致または矛盾も存在すべきではなく、本文書内の用語の説明、定義、および／または使用が優位であるものとする。

最後に、本明細書に開示される本出願の実施形態は、本出願の実施形態の原理の例証であるということが理解されるものとする。採用され得る他の修正形態は、本出願の範囲内であり得る。したがって、例として、限定ではなく、本出願の実施形態の代替構成は、本明細書内の教示に従って利用され得る。したがって、本出願の実施形態は、まさに示されるようにおよび説明される通りのものに限定されない。

Claims (44)

1. ターゲットとする事象の発生確率を決定するための１つまたは複数の電子デバイスのシステムであって、
   オペレーション・システムを含み、ターゲットとする事象の発生確率を決定するための前記オペレーション・システムと互換性がある命令の第１のセットを含む少なくとも１つのストレージ・デバイスと、
   前記少なくとも１つのストレージ・デバイスと通信状態にある少なくとも１つのプロセッサであって、前記オペレーション・システムおよび前記命令のセットを実行するとき、前記少なくとも１つのプロセッサが、
   サービス要求者と関連付けられたオーダーのターゲットとするオーダー特徴を抽出することと、
   前記サービス要求者のターゲットとする要求者特徴を抽出することと、
   サービス提供者のターゲットとする提供者特徴を抽出することと、
   前記ターゲットとする事象が発生する確率を決定するための予測モデルを取得することと、
   前記ターゲットとするオーダー特徴、前記ターゲットとする要求者特徴、および前記ターゲットとする提供者特徴に基づいて前記予測モデルを使用して前記ターゲットとする事象の前記発生確率を決定することと、を行うように指示される、少なくとも１つのプロセッサと
   を備える、システム。
2. 前記予測モデルを取得するために、前記少なくとも１つのプロセッサが、
   トレーニング・データを取得することであって、前記トレーニング・データが、各々において前記ターゲットとする事象が発生しなかった複数の正サンプルおよび各々において前記ターゲットとする事象が発生した複数の負サンプルを含み、前記複数の正サンプルおよび前記複数の負サンプルの各々が、履歴取引データおよび前記履歴取引データに対応する履歴事象データを含む、トレーニング・データを取得することと、
   前記複数の正サンプルおよび前記複数の負サンプルの前記履歴取引データから複数の候補特徴を抽出することと、
   前記複数の正サンプルおよび前記複数の負サンプルの各々について、特徴選択アルゴリズムを使用して前記複数の候補特徴から１つまたは複数のターゲットとする特徴を決定することと、
   前記複数の正サンプルの前記１つまたは複数のターゲットとする特徴、前記複数の負サンプルの前記１つまたは複数のターゲットとする特徴、ならびに前記複数の正サンプルおよび前記複数の負サンプルの前記履歴事象データに基づいて、前記予測モデルを生成することと、を行うようにさらに指示される、請求項１に記載のシステム。
3. 前記予測モデルを取得するために、前記少なくとも１つのプロセッサが、
   前記複数の正サンプルおよび前記複数の負サンプルに基づいて、前記トレーニング・データが不均衡なサンプル構成を含むことを決定することと、
   前記トレーニング・データが不均衡なサンプル構成を含むという決定に応答して、サンプル平衡化技術を使用して前記トレーニング・データに基づいて前記サンプル構成を平衡化することと、を行うようにさらに指示される、請求項２に記載のシステム。
4. 前記サンプル平衡化技術が、前記複数の正サンプルをアンダーサンプリングすることを含む、請求項３に記載のシステム。
5. 前記サンプル平衡化技術が、前記複数の負サンプルをオーバーサンプリングすることを含む、請求項３または４に記載のシステム。
6. 前記サンプル構成を平衡化するために、前記少なくとも１つのプロセッサが、
   ｋ近傍法（ＫＮＮ）技術を使用して複数の合成サンプルを決定することと、
   前記複数の合成サンプルを負サンプルに指定することと、を行うようにさらに指示される、請求項５に記載のシステム。
7. 前記ＫＮＮ技術を使用して前記複数の合成サンプルを決定するために、前記少なくとも１つのプロセッサが、
   前記複数の負サンプルの各々について、前記負サンプルの前記１つまたは複数のターゲットとする特徴に基づいて特徴ベクトルを生成することと、
   前記特徴ベクトルの各々について、
   前記ＫＮＮ技術を使用して前記特徴ベクトルの第１の数の最近傍を決定することと、
   オーバーサンプリング・レートに従って前記第１の数の最近傍から第２の数の最近傍を選択することと、
   前記特徴ベクトルおよび前記第２の数の最近傍に基づいて前記特徴ベクトルに関して合成サンプルを生成することと、とを行うように指示される、請求項６に記載のシステム。
8. 前記少なくとも１つのストレージ・デバイスが、オーダーを割振るための前記オペレーション・システムと互換性がある命令の第２のセットをさらに含み、前記少なくとも１つのプロセッサが前記命令の第２のセットを実行するとき、前記少なくとも１つのプロセッサが、
   １つまたは複数のターゲットとするサービス要求者と関連付けられた１つまたは複数の要求者端末から１つまたは複数のターゲットとするオーダーを取得することと、
   前記１つまたは複数のオーダーを受諾することが可能である複数の候補サービス提供者を特定することと、
   前記１つまたは複数のターゲットとするサービス要求者の各々を前記複数の候補サービス提供者の各々と関連付けることによって、候補要求者−提供者ペアを決定することと、
   候補要求者−提供者ペアの各々について、前記命令の第１のセットを実行して、前記ターゲットとする事象が発生する発生確率を決定することと、
   前記ターゲットとする事象の前記発生確率および対応する候補要求者−提供者ペアに少なくとも部分的に基づいて前記１つまたは複数のターゲットとするオーダーを割振ることと、を行うようにさらに指示される、請求項１に記載のシステム。
9. 前記予測モデルが、ｅＸｔｒｅｍｅ 勾配ブースティング（Ｘｇｂｏｏｓｔ）モデルである、請求項１〜８のいずれか一項に記載のシステム。
10. 前記ターゲットとする事象が、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、または強盗のうちの少なくとも１つを含む、請求項１〜９のいずれか一項に記載のシステム。
11. 少なくとも１つのストレージ・デバイス、および前記少なくとも１つのストレージ・デバイスと通信状態にある少なくとも１つのプロセッサを有する１つまたは複数の電子デバイスに実装された、ターゲットとする事象の発生確率を決定するための方法であって、
    サービス要求者と関連付けられたオーダーのターゲットとするオーダー特徴を抽出するステップと、
    前記サービス要求者のターゲットとする要求者特徴を抽出するステップと、
    サービス提供者のターゲットとする提供者特徴を抽出するステップと、
    前記ターゲットとする事象が発生する確率を決定するための予測モデルを取得するステップと、
    前記ターゲットとするオーダー特徴、前記ターゲットとする要求者特徴、および前記ターゲットとする提供者特徴に基づいて前記予測モデルを使用して前記ターゲットとする事象の前記発生確率を決定するステップと
    を含む、方法。
12. 前記予測モデルを取得するステップが、
    トレーニング・データを取得するステップであって、前記トレーニング・データが、各々において前記ターゲットとする事象が発生しなかった複数の正サンプルおよび各々において前記ターゲットとする事象が発生した複数の負サンプルを含み、前記複数の正サンプルおよび前記複数の負サンプルの各々が、履歴取引データおよび前記履歴取引データに対応する履歴事象データを含む、ステップと、
    前記複数の正サンプルおよび前記複数の負サンプルの前記履歴取引データから複数の候補特徴を抽出するステップと、
    前記複数の正サンプルおよび前記複数の負サンプルの各々について、特徴選択アルゴリズムを使用して前記複数の候補特徴から１つまたは複数のターゲットとする特徴を決定するステップと、
    前記複数の正サンプルの前記１つまたは複数のターゲットとする特徴、前記複数の負サンプルの前記１つまたは複数のターゲットとする特徴、ならびに前記複数の正サンプルおよび前記複数の負サンプルの前記履歴事象データに基づいて、前記予測モデルを生成するステップと、を含む、請求項１１に記載の方法。
13. 前記予測モデルを取得するステップが、
    前記複数の正サンプルおよび前記複数の負サンプルに基づいて、前記トレーニング・データが不均衡なサンプル構成を含むことを決定するステップと、
    前記トレーニング・データが不均衡なサンプル構成を含むという決定に応答して、サンプル平衡化技術を使用して前記トレーニング・データに基づいて前記サンプル構成を平衡化するステップと、を含む、請求項１２に記載の方法。
14. 前記サンプル平衡化技術が、前記複数の正サンプルをアンダーサンプリングすることを含む、請求項１３に記載の方法。
15. 前記サンプル平衡化技術が、前記複数の負サンプルをオーバーサンプリングすることを含む、請求項１３または１４に記載の方法。
16. 前記サンプル構成を平衡化するステップが、
    ｋ近傍法（ＫＮＮ）技術を使用して複数の合成サンプルを決定するステップと、
    前記複数の合成サンプルを負サンプルに指定するステップと、をさらに含む、請求項１５に記載の方法。
17. 前記ＫＮＮ技術を使用して前記複数の合成サンプルを決定するステップが、
    前記複数の負サンプルの各々について、前記負サンプルの前記１つまたは複数のターゲットとする特徴に基づいて特徴ベクトルを生成するステップと、
    前記特徴ベクトルの各々について、
    前記ＫＮＮ技術を使用して前記特徴ベクトルの第１の数の最近傍を決定するステップと、
    オーバーサンプリング・レートに従って前記第１の数の最近傍から第２の数の最近傍を選択するステップと、
    前記特徴ベクトルおよび前記第２の数の最近傍に基づいて前記特徴ベクトルに関して合成サンプルを生成するステップと、を含む、請求項１６に記載の方法。
18. １つまたは複数のターゲットとするサービス要求者と関連付けられた１つまたは複数の要求者端末から１つまたは複数のターゲットとするオーダーを取得するステップと、
    前記１つまたは複数のオーダーを受諾することが可能である複数の候補サービス提供者を特定するステップと、
    前記１つまたは複数のターゲットとするサービス要求者の各々を前記複数の候補サービス提供者の各々と関連付けることによって、候補要求者−提供者ペアを決定するステップと、
    前記候補要求者−提供者ペアの各々について、前記ターゲットとする事象が発生する発生確率を決定するステップと、
    前記ターゲットとする事象の前記発生確率および対応する候補要求者−提供者ペアに少なくとも部分的に基づいて前記１つまたは複数のターゲットとするオーダーを割振るステップと、をさらに含む、請求項１１に記載の方法。
19. 前記予測モデルが、ｅＸｔｒｅｍｅ 勾配ブースティング（Ｘｇｂｏｏｓｔ）モデルである、請求項１１〜１８のいずれか一項に記載の方法。
20. 前記ターゲットとする事象が、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、または強盗のうちの少なくとも１つを含む、請求項１１〜１９のいずれか一項に記載の方法。
21. オペレーション・システムを含み、ターゲットとする事象の発生確率を決定するための前記オペレーション・システムと互換性がある命令の少なくとも１つのセットを備える、非一時的コンピュータ可読媒体であって、１つまたは複数の電子デバイスの少なくとも１つのプロセッサによって実行されるとき、前記命令の少なくとも１つのセットが、前記少なくとも１つのプロセッサに、
    サービス要求者と関連付けられたオーダーのターゲットとするオーダー特徴を抽出することと、
    前記サービス要求者のターゲットとする要求者特徴を抽出することと、
    サービス提供者のターゲットとする提供者特徴を抽出することと、
    前記ターゲットとする事象が発生する確率を決定するための予測モデルを取得することと、
    前記ターゲットとするオーダー特徴、前記ターゲットとする要求者特徴、および前記ターゲットとする提供者特徴に基づいて前記予測モデルを使用して前記ターゲットとする事象の前記発生確率を決定することと、を行うように指示する、非一時的コンピュータ可読媒体。
22. ターゲットとする事象の発生確率を決定するための１つまたは複数の電子デバイスの人工知能システムであって、
    サービス要求システムに対応する少なくとも１つの第１の情報交換ポートであって、前記サービス要求システムが、１つまたは複数の要求者端末と、前記少なくとも１つの第１の情報交換ポートおよび前記１つまたは複数の要求者端末間のワイヤレス通信を通じて、関連付けられた、少なくとも１つの第１の情報交換ポートと、
    サービス提供システムに対応する少なくとも１つの第２の情報交換ポートであって、前記サービス提供システムが、１つまたは複数の提供者端末と、前記少なくとも１つの第２の情報交換ポートと前記１つまたは複数の提供者端末との間のワイヤレス通信を通じて、関連付けられた、少なくとも１つの第２の情報交換ポートと、
    オペレーション・システムを含み、ターゲットとする事象の発生確率を決定するための前記オペレーション・システムと互換性がある命令の第１のセットを含む少なくとも１つのストレージ・デバイスと、
    前記少なくとも１つのストレージ・デバイスと通信状態にある少なくとも１つのプロセッサであって、前記オペレーション・システムおよび前記命令の第１のセットを実行するとき、前記少なくとも１つのプロセッサが、
    前記少なくとも１つの第１の情報交換ポートを介して前記サービス要求システムと関連付けられた要求者端末からサービス要求者のオーダーを取得することと、
    前記オーダーのターゲットとするオーダー特徴を抽出することと、
    前記オーダーと関連付けられた前記サービス要求者のターゲットとする要求者特徴を抽出することと、
    サービス提供者と関連付けられた提供者端末を特定することと、
    前記サービス提供者のターゲットとする提供者特徴を抽出することと、
    前記ターゲットとする事象が発生する確率を決定するための予測モデルを取得することと、
    前記ターゲットとするオーダー特徴、前記ターゲットとする要求者特徴、および前記ターゲットとする提供者特徴に基づいて前記予測モデルを使用して前記ターゲットとする事象の前記発生確率を決定することと、を行うようにさらに指示される、少なくとも１つのプロセッサと
    を備える、システム。
23. 前記予測モデルを取得するために、前記少なくとも１つのプロセッサが、
    トレーニング・データを取得することであって、前記トレーニング・データが、各々において前記ターゲットとする事象が発生しなかった複数の正サンプルおよび各々において前記ターゲットとする事象が発生した複数の負サンプルを含み、前記複数の正サンプルおよび前記複数の負サンプルの各々が、履歴取引データおよび前記履歴取引データに対応する履歴事象データを含む、取得することと、
    前記複数の正サンプルおよび前記複数の負サンプルの前記履歴取引データから複数の候補特徴を抽出することと、
    前記複数の正サンプルおよび前記複数の負サンプルの各々について、特徴選択アルゴリズムを使用して前記複数の候補特徴から１つまたは複数のターゲットとする特徴を決定することと、
    前記複数の正サンプルの前記１つまたは複数のターゲットとする特徴、前記複数の負サンプルの前記１つまたは複数のターゲットとする特徴、ならびに前記複数の正サンプルおよび前記複数の負サンプルの前記履歴事象データに基づいて、前記予測モデルを生成することと、を行うようにさらに指示される、請求項２２に記載のシステム。
24. 前記予測モデルを取得するために、前記少なくとも１つのプロセッサが、
    前記複数の正サンプルおよび前記複数の負サンプルに基づいて、前記トレーニング・データが不均衡なサンプル構成を含むことを決定することと、
    前記トレーニング・データが不均衡なサンプル構成を含むという決定に応答して、サンプル平衡化技術を使用して前記トレーニング・データに基づいて前記サンプル構成を平衡化することと、を行うようにさらに指示される、請求項２３に記載のシステム。
25. 前記サンプル平衡化技術が、前記複数の正サンプルをアンダーサンプリングすることを含む、請求項２４に記載のシステム。
26. 前記サンプル平衡化技術が、前記複数の負サンプルをオーバーサンプリングすることを含む、請求項２４または２５に記載のシステム。
27. 前記サンプル構成を平衡化するために、前記少なくとも１つのプロセッサが、
    ｋ近傍法（ＫＮＮ）技術を使用して複数の合成サンプルを決定することと、
    前記複数の合成サンプルを負サンプルに指定することと、を行うようにさらに指示される、請求項２６に記載のシステム。
28. 前記ＫＮＮ技術を使用して前記複数の合成サンプルを決定するために、前記少なくとも１つのプロセッサが、
    前記複数の負サンプルの各々について、前記負サンプルの前記１つまたは複数のターゲットとする特徴に基づいて特徴ベクトルを生成することと、
    前記特徴ベクトルの各々について、
    前記ＫＮＮ技術を使用して前記特徴ベクトルの第１の数の最近傍を決定することと、
    オーバーサンプリング・レートに従って前記第１の数の最近傍から第２の数の最近傍を選択することと、
    前記特徴ベクトルおよび前記第２の数の最近傍に基づいて前記特徴ベクトルに関して合成サンプルを生成することと、とを行うように指示される、請求項２７に記載のシステム。
29. 前記少なくとも１つのストレージ・デバイスが、オーダーを割振るための前記オペレーション・システムと互換性がある命令の第２のセットをさらに含み、前記少なくとも１つのプロセッサが前記命令の第２のセットを実行するとき、前記少なくとも１つのプロセッサが、
    前記少なくとも１つの第１の情報交換ポートを介して、前記１つまたは複数の要求者端末から、１つまたは複数のターゲットとするサービス要求者と関連付けられた１つまたは複数のターゲットとするオーダーを含む第１の電子信号を取得することと、
    前記１つまたは複数のターゲットとするオーダーを受諾することが可能である複数の候補サービス提供者を特定することと、
    前記１つまたは複数のターゲットとするサービス要求者の各々を前記複数の候補サービス提供者の各々と関連付けることによって、候補要求者−提供者ペアを決定することと、
    前記候補要求者−提供者ペアの各々について、前記命令の第１のセットを実行して、前記ターゲットとする事象が発生する発生確率を決定することと、
    前記発生確率および対応する候補要求者−提供者ペアに少なくとも部分的に基づいて前記１つまたは複数のターゲットとするオーダーを割振ることと、
    前記少なくとも１つの第２の情報交換ポートを介して、割振られた前記ターゲットとするオーダーの情報を含む第２の電子信号を、前記複数のサービス提供者と関連付けられた前記１つまたは複数の提供者端末に送信することと、を行うようにさらに指示される、請求項２２に記載のシステム。
30. 前記予測モデルが、ｅＸｔｒｅｍｅ 勾配ブースティング（Ｘｇｂｏｏｓｔ）モデルである、請求項２２〜２９のいずれか一項に記載のシステム。
31. 前記ターゲットとする事象が、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、または強盗のうちの少なくとも１つを含む、請求項２２〜３０のいずれか一項に記載のシステム。
32. １つまたは複数の要求者端末と通信する少なくとも１つの第１の情報交換ポート、１つまたは複数の提供者端末と通信する少なくとも１つの第２の情報交換ポート、少なくとも１つのストレージ・デバイス、および前記少なくとも１つのストレージ・デバイスと通信状態にある少なくとも１つのプロセッサを有する１つまたは複数の電子デバイスに実装された、ターゲットとする事象の発生確率を決定するための方法であって、
    前記少なくとも１つの第１の情報交換ポートを介して要求者端末からサービス要求者のオーダーを取得するステップと、
    前記オーダーのターゲットとするオーダー特徴を抽出するステップと、
    前記オーダーと関連付けられた前記サービス要求者のターゲットとする要求者特徴を抽出するステップと、
    サービス提供者と関連付けられた提供者端末を特定するステップと、
    前記サービス提供者のターゲットとする提供者特徴を抽出するステップと、
    前記ターゲットとする事象が発生する確率を決定するための予測モデルを取得するステップと、
    前記ターゲットとするオーダー特徴、前記ターゲットとする要求者特徴、および前記ターゲットとする提供者特徴に基づいて前記予測モデルを使用して前記ターゲットとする事象の前記発生確率を決定するステップと
    を含む、方法。
33. 前記予測モデルを取得するステップが、
    トレーニング・データを取得するステップであって、前記トレーニング・データが、各々において前記ターゲットとする事象が発生しなかった複数の正サンプルおよび各々において前記ターゲットとする事象が発生した複数の負サンプルを含み、前記複数の正サンプルおよび前記複数の負サンプルの各々が、履歴取引データおよび前記履歴取引データに対応する履歴事象データを含む、ステップと、
    前記複数の正サンプルおよび前記複数の負サンプルの前記履歴取引データから複数の候補特徴を抽出するステップと、
    前記複数の正サンプルおよび前記複数の負サンプルの各々について、特徴選択アルゴリズムを使用して前記複数の候補特徴から１つまたは複数のターゲットとする特徴を決定するステップと、
    前記複数の正サンプルの前記１つまたは複数のターゲットとする特徴、前記複数の負サンプルの前記１つまたは複数のターゲットとする特徴、ならびに前記複数の正サンプルおよび前記複数の負サンプルの前記履歴事象データに基づいて、前記予測モデルを生成するステップと、を含む、請求項３２に記載の方法。
34. 前記予測モデルを取得するステップが、
    前記複数の正サンプルおよび前記複数の負サンプルに基づいて、前記トレーニング・データが不均衡なサンプル構成を含むことを決定するステップと、
    前記トレーニング・データが不均衡なサンプル構成を含むという決定に応答して、サンプル平衡化技術を使用して前記トレーニング・データに基づいて前記サンプル構成を平衡化するステップと、を含む、請求項３３に記載の方法。
35. 前記サンプル平衡化技術が、前記複数の正サンプルをアンダーサンプリングすることを含む、請求項３４に記載の方法。
36. 前記サンプル平衡化技術が、前記複数の負サンプルをオーバーサンプリングすることを含む、請求項３４または３５に記載の方法。
37. 前記サンプル構成を平衡化するステップが、
    ｋ近傍法（ＫＮＮ）技術を使用して複数の合成サンプルを決定するステップと、
    前記複数の合成サンプルを負サンプルに指定するステップと、をさらに含む、請求項３６に記載の方法。
38. 前記ＫＮＮ技術を使用して前記複数の合成サンプルを決定するステップが、
    前記複数の負サンプルの各々について、前記負サンプルの前記１つまたは複数のターゲットとする特徴に基づいて特徴ベクトルを生成するステップと、
    前記特徴ベクトルの各々について、
    前記ＫＮＮ技術を使用して前記特徴ベクトルの第１の数の最近傍を決定するステップと、
    オーバーサンプリング・レートに従って前記第１の数の最近傍から第２の数の最近傍を選択するステップと、
    前記特徴ベクトルおよび前記第２の数の最近傍に基づいて前記特徴ベクトルに関して合成サンプルを生成するステップと、を含む、請求項３７に記載の方法。
39. 前記少なくとも１つの第１の情報交換ポートを介して、前記１つまたは複数の要求者端末から、１つまたは複数のターゲットとするサービス要求者と関連付けられた１つまたは複数のターゲットとするオーダーを含む第１の電子信号を取得するステップと、
    前記１つまたは複数のターゲットとするオーダーを受諾することが可能である複数の候補サービス提供者を特定するステップと、
    前記１つまたは複数のターゲットとするサービス要求者の各々を前記複数の候補サービス提供者の各々と関連付けることによって、候補要求者−提供者ペアを決定するステップと、
    前記候補要求者−提供者ペアの各々について、前記ターゲットとする事象が発生する発生確率を決定するステップと、
    前記ターゲットとする事象の前記発生確率および対応する候補要求者−提供者ペアに少なくとも部分的に基づいて前記１つまたは複数のターゲットとするオーダーを割振るステップと、
    前記少なくとも１つの第２の情報交換ポートを介して、割振られた前記ターゲットとするオーダーの情報を含む第２の電子信号を、前記複数のサービス提供者と関連付けられた前記１つまたは複数の提供者端末に送信するステップと、をさらに含む、請求項３２に記載の方法。
40. 前記予測モデルが、ｅＸｔｒｅｍｅ 勾配ブースティング（Ｘｇｂｏｏｓｔ）モデルである、請求項３２〜３９のいずれか一項に記載の方法。
41. 前記ターゲットとする事象が、暴行、セクシャル・ハラスメント、殺人、酩酊、レイプ、または強盗のうちの少なくとも１つを含む、請求項３２〜４０のいずれか一項に記載の方法。
42. オペレーション・システムを含み、ターゲットとする事象の発生確率を決定するための前記オペレーション・システムと互換性がある命令の少なくとも１つのセットを備える、非一時的コンピュータ可読媒体であって、１つまたは複数の電子デバイスの少なくとも１つのプロセッサによって実行されるとき、前記命令の少なくとも１つのセットが、少なくとも１つのプロセッサに、
    少なくとも１つの情報交換ポートを介して要求者端末からサービス要求者のオーダーを取得することと、
    オーダーのターゲットとするオーダー特徴を抽出することと、
    前記オーダーと関連付けられた前記サービス要求者のターゲットとする要求者特徴を抽出することと、
    サービス提供者と関連付けられた提供者端末を特定することと、
    前記サービス提供者のターゲットとする提供者特徴を抽出することと、
    前記ターゲットとする事象が発生する確率を決定するための予測モデルを取得することと、
    前記ターゲットとするオーダー特徴、前記ターゲットとする要求者特徴、および前記ターゲットとする提供者特徴に基づいて前記予測モデルを使用して前記ターゲットとする事象の前記発生確率を決定することと、を行うように指示する、非一時的コンピュータ可読媒体。
43. オーダーを割振るための人工知能システムであって、
    オーダーについてターゲットとする事象の発生確率を決定するように構成された事象予測モジュールと、
    前記ターゲットとする事象の前記発生確率に基づいて前記オーダーを割振るように構成されたオーダー割振りモジュールと
    を備える、人工知能システム。
44. 前記事象予測モジュールが、
    オーダーのターゲットとするオーダー特徴を抽出するように構成されたオーダー特徴抽出ユニットと、
    前記オーダーと関連付けられたサービス要求者のターゲットとする要求者特徴を抽出するように構成された要求者特徴抽出ユニットと、
    サービス提供者のターゲットとする提供者特徴を抽出するように構成された提供者特徴抽出ユニットと、
    前記ターゲットとする事象が発生する確率を決定するための予測モデルを取得するように構成されたモデル決定ユニットと、
    前記ターゲットとするオーダー特徴、前記ターゲットとする要求者特徴、および前記ターゲットとする提供者特徴に基づいて前記予測モデルを使用して前記ターゲットとする事象の前記発生確率を決定するように構成された事象予測ユニットと、を備える、請求項４３に記載のシステム。