JP2023513469A - 個人化された地上輸送処理およびユーザ意図予測のためのシステムおよび方法 - Google Patents
個人化された地上輸送処理およびユーザ意図予測のためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2023513469A JP2023513469A JP2022546639A JP2022546639A JP2023513469A JP 2023513469 A JP2023513469 A JP 2023513469A JP 2022546639 A JP2022546639 A JP 2022546639A JP 2022546639 A JP2022546639 A JP 2022546639A JP 2023513469 A JP2023513469 A JP 2023513469A
- Authority
- JP
- Japan
- Prior art keywords
- data
- travel
- user
- destination
- intent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 title description 10
- 230000015654 memory Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 230000003190 augmentative effect Effects 0.000 claims description 24
- 238000002372 labelling Methods 0.000 claims description 22
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 description 35
- 238000010801 machine learning Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 20
- 230000006854 communication Effects 0.000 description 20
- 238000003860 storage Methods 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 16
- 235000013353 coffee beverage Nutrition 0.000 description 13
- 235000016213 coffee Nutrition 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 235000013305 food Nutrition 0.000 description 9
- 239000000047 product Substances 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013434 data augmentation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 244000107946 Spondias cytherea Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013410 fast food Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001272996 Polyphylla fullo Species 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
-
- 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
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- 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
- G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0265—Vehicular advertisement
- G06Q30/0266—Vehicular advertisement based on the position of the vehicle
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
- G06Q50/43—Business processes related to the sharing of vehicles, e.g. car sharing
- G06Q50/47—Passenger ride requests, e.g. ride-hailing
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Social Psychology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Computer Networks & Wireless Communication (AREA)
Abstract
本開示は、ユーザがルートに沿って移動している間に旅行の意図または目的地を予測するための方法およびシステムを提供する。本方法は、(a)ルートの開始地理的位置およびユーザの識別情報に関するデータを受信するステップと、(b)ユーザの識別情報に関するデータに少なくとも部分的に基づいて訓練されたクラシファイアを取得するステップと、(c)訓練されたクラシファイアを使用して、開始地理的位置に基づいて旅行の意図または目的地を予測するステップと、(d)ユーザが上記ルートの少なくとも一部分に沿って地上乗り物で移動している間に、1または複数の取引オプションを電子デバイス上でユーザに提示するステップであって、1または複数の取引オプションが(c)で予測された旅行の意図または目的地に基づいて識別される、ステップとを含み得る。【選択図】図17
Description
関連出願の相互参照
本出願は、2020年2月3日に出願された米国特許仮出願第62/969,472号の優先権を主張するものであり、同仮出願は、その全体が参照により本明細書に組み込まれる。
本出願は、2020年2月3日に出願された米国特許仮出願第62/969,472号の優先権を主張するものであり、同仮出願は、その全体が参照により本明細書に組み込まれる。
スマートフォン、タブレットコンピュータ、および他のポータブルデバイスなどのモバイルコンピューティングデバイスのコンピューティング能力の急速な拡大、ならびにモバイルデバイス用のソフトウェアプログラムアプリケーション(または「アプリ(app)」)の数および進歩の伸びにより、個人の生産性の分野におけるデバイス、アプリ、および関連プラットフォームへの個人の依存が大幅に増加している。例えば、アプリは、会議のスケジューリング、移動ルートの決定、輸送モードの選択、および他の機能に広く使用されている。
ピアツーピアカーシェアリングおよびライドヘイリングサービス(例えば、Uber(登録商標)およびLyft(登録商標))の消費者の採用など、モビリティサービスの出現および受け入れは、輸送アプリケーションおよびモバイルアプリケーションの組み合わせを促進している。次世代モビリティは、自律乗り物および自動化乗り物、電動乗り物、ならびにオンデマンドシェアードモビリティおよびそれらが可能にするユースケースに関連している。人間の介入なしに動作することができる自律乗り物は、急速に改善している。そのような乗り物が自律的または自動化されるにつれて、輸送中に乗客またはユーザに商業的および取引上の機会が提示されることがある。
本明細書では、完全自律無人乗り物などの乗り物と共に使用するための製品またはサービスを提供するための方法およびシステムの必要性が認識されている。有益なことに、そのような製品またはサービスは、乗り物のユーザにとって時間およびリソースの両方の節約を容易にすることができる。加えて、そのような製品またはサービスは、それらの製品またはサービスを提供する企業が、乗り物の輸送環境内で個人化された仕方で最終消費者とより直接的に関与することを可能にすることができる。
本開示は、カスタマイズされた収益化可能な運転者および/または乗客中心のサービスを用いて、個人化された輸送中心の体験を生成するためのシステムおよび方法を提供する。例えば、本開示のシステムおよび方法は、限られた位置データに基づいて旅行の意図または目的地を予測するように使用または構成され得る。個人化された移動中心の体験は、例えば、自律乗り物、ライドヘイリングサービス、フリートベースサービス、マイクロトランジット(例えば、フリートベースの需要応答型輸送)、鉄道輸送、および/または地上大量輸送乗り物など、任意の輸送モードで提供され得る。旅行の意図または目的地は、最小限の人間の介入で機械学習システムを使用して生成、予測、推定、または決定され得る。提供されるシステムおよび方法は、ホテルおよびホスピタリティ、レストランおよびダイニング、観光およびエンターテイメント、ヘルスケア、サービス提供などの産業における無人/運転者のいない乗り物のための一連の新規ユースケースを可能にし得る。
一態様では、ユーザがルートに沿って移動している間に旅行の意図または目的地を予測するための方法が提供される。提供されるシステム/方法のユーザは、運転者、ライドヘイリングサービスの運転者などのサービス運転者、乗客、または乗り物によって輸送される任意のユーザであってもよい。本方法は、(a)ルートの開始地理的位置およびユーザのプロファイルに関するデータを受信するステップと、(b)ユーザのプロファイルに関するデータに少なくとも部分的に基づいて訓練されたクラシファイアを取得するステップと、(c)訓練されたクラシファイアを使用して、開始地理的位置に基づいて旅行の意図または目的地を予測するステップと、(d)ユーザがルートの少なくとも一部分に沿って乗り物で移動している間に、1または複数の取引オプションを電子デバイス上でユーザに提示するステップであって、1または複数の取引オプションが(c)で予測された旅行の意図または目的地に基づいて識別される、ステップとを含み得る。
いくつかの実施形態では、開始地理的位置が、全地球測位システム(Global Positioning System、GPS)データの形態で受信される。いくつかの実施形態では、開始地理的位置が、電子デバイスの地理的位置を部分的に使用して決定され、地理的位置が、全地球測位システムまたは信号三角測量によって決定される。いくつかの実施形態では、開始地理的位置が、電子デバイス上のグラフィカルユーザインターフェース(graphical user interface、GUI)を介してユーザによって入力される。
いくつかの実施形態では、ソートされていない地理空間データが、無相関のGPSデータを含む。いくつかの場合では、1または複数の訓練データセットが、複数の旅行データレコードのクラスタ解析を使用して取得されたラベル付与されたデータを含む。いくつかの例では、本方法は、ソートされていないまたは無相関のGPSデータを1または複数の個人識別情報と関連付けることによって、複数の旅行データレコードを生成するステップをさらに含む。いくつかの例では、複数の旅行データレコードが、対応する個人識別情報のソーシャルデータ、輸送データ、または購入データによって拡張される。
いくつかの実施形態では、クラシファイアを訓練するステップが、1または複数のラベル付与規則に基づいて旅行のセグメントのためのラベルを作成するステップを含む。いくつかの実施形態では、本方法は、移動ルートの1または複数の部分の輸送モードを予測するステップをさらに含む。いくつかの場合では、輸送モードが、自律乗り物、ライドヘイリングサービス、鉄道輸送、および/または地上大量輸送乗り物を含む。いくつかの実施形態では、本方法は、旅行中に新規位置データを受信すると、旅行の意図または目的地を更新するステップをさらに含む。
本開示の別の態様は、1または複数のコンピュータプロセッサによって実行されると上記または本明細書の他の場所に記載の方法のいずれかを実施する機械実行可能コードを含む非一時的コンピュータ可読媒体を提供する。
本開示の別の態様は、ユーザの旅行の意図または目的地を予測するシステムを提供する。システムは、1または複数のコンピュータプロセッサと、それに結合されたコンピュータメモリとを備える。コンピュータメモリは、1または複数のコンピュータプロセッサによって実行されると上記または本明細書の他の場所に記載の方法のいずれかを実施する機械実行可能コードを含む。いくつかの実施形態では、1または複数のプロセッサが、命令のセットを実行して、(a)移動ルートの開始地理的位置およびユーザの識別情報に関するデータを受信し、(b)(i)ユーザの識別情報に関するデータ、および(ii)ソートされていない地理空間データを含む1または複数の訓練データセットに少なくとも部分的に基づいてクラシファイアを訓練し、(c)(b)で訓練されたクラシファイアを使用して、開始地理的位置に少なくとも部分的に基づいて旅行の意図または目的地を予測し、(d)ユーザが移動ルートの少なくとも一部分に沿って乗り物で移動している間に、1または複数の取引オプションを電子デバイス上でユーザに提示し、1または複数の取引オプションが(c)で予測された旅行の意図または目的地に少なくとも部分的に基づいて識別されるように構成される。
いくつかの実施形態では、開始地理的位置が、全地球測位システム(GPS)データの形態で受信される。いくつかの実施形態では、開始地理的位置が、電子デバイスの地理的位置を部分的に使用して決定され、地理的位置が、全地球測位システムまたは信号三角測量によって決定される。いくつかの実施形態では、開始地理的位置が、電子デバイス上のグラフィカルユーザインターフェース(GUI)を介してユーザによって入力される。
いくつかの実施形態では、ソートされていない地理空間データが、無相関のGPSデータを含む。いくつかの場合では、1または複数の訓練データセットが、複数の旅行データレコードのクラスタ解析を使用して取得されたラベル付与されたデータを含む。いくつかの例では、1または複数のプロセッサが、ソートされていないまたは無相関のGPSデータを1または複数の個人識別情報と関連付けることによって、複数の旅行データレコードを生成するようにさらに構成される。いくつかの例では、複数の旅行データレコードが、対応する個人識別情報のソーシャルデータ、輸送データ、または購入データによって拡張される。いくつかの実施形態では、1または複数のプロセッサが、1または複数のラベル付与規則に基づいて旅行のセグメントのラベルを作成することによってクラシファイアを訓練するように構成される。いくつかの実施形態では、1または複数のプロセッサが、移動ルートの1または複数の部分の輸送モードを予測するようにさらに構成される。いくつかの場合では、輸送モードが、自律乗り物、ライドヘイリングサービス、鉄道輸送、および/または地上大量輸送乗り物を含む。いくつかの実施形態では、1または複数のプロセッサが、旅行中に新規位置データを受信すると、旅行の意図または目的地を更新するようにさらに構成される。
本開示の追加的な態様および利点は、以下の詳細な説明を読めば、当業者には容易に明らかになるはずであり、以下の詳細な説明では、本開示の例示的な実施形態のみが図示および説明される。理解されるように、本開示は、他の異なる実施形態が可能であり、そのいくつかの詳細は、すべて本開示から逸脱することなく、様々な明白な点で修正が可能である。したがって、図面および説明は、本質的に例示と見なされるべきであり、限定と見なされるべきではない。
参照による組み込み
本明細書で言及されるすべての刊行物、特許、および特許出願は、あたかも各個々の刊行物、特許、または特許出願が参照により組み込まれることが具体的かつ個別に示されているかのように、参照により本明細書に組み込まれる。参照により組み込まれる刊行物および特許または特許出願が本明細書に含まれる開示と矛盾する限り、本明細書は、そのような矛盾する材料に取って代わるおよび/または優先することを意図している。
本明細書で言及されるすべての刊行物、特許、および特許出願は、あたかも各個々の刊行物、特許、または特許出願が参照により組み込まれることが具体的かつ個別に示されているかのように、参照により本明細書に組み込まれる。参照により組み込まれる刊行物および特許または特許出願が本明細書に含まれる開示と矛盾する限り、本明細書は、そのような矛盾する材料に取って代わるおよび/または優先することを意図している。
本発明の新規な特徴は、添付の特許請求の範囲に詳細に記載されている。本発明の特徴および利点のより良い理解は、本発明の原理が利用される例示的な実施形態を説明する以下の詳細な説明および添付の図面(本明細書では「図(Figure)」および「図(FIG.)」も加えて)を参照することによって得られる。
本明細書では様々な実施形態が図示および説明されるが、そのような実施形態が例として提供されているに過ぎないことは当業者には明らかなはずである。当業者であれば、本開示から逸脱することなく、多数の変形、変更、および置換を行うことができる。本明細書に記載の実施形態に対する様々な代替形態が使用され得ることを理解されたい。
本明細書で使用する場合、「自律的に制御される」、「自動運転」、「自律」、および「無人」という用語は、乗り物を説明する際に使用される場合、一般に、それ自体がすべての運転タスクを実行し、ルートの少なくとも一部分に沿って運転環境を監視することができる乗り物を指す。自律乗り物は、自律乗り物に乗っている人間の介入なしに、ある地点から別の地点に移動することができる。いくつかの場合では、自律乗り物とは、自動運転に関する米国運輸省道路交通***(National Highway Traffic Safety Administration、NHTSA)の定義に規定されているような能力を有する乗り物、特に、NHTSAの定義のレベル4「乗り物上の自動運転システム(Automated Driving System、ADS)は、特定の状況で、それ自体がすべての運転タスクを実行し、その運転環境を監視し、本質的にすべての運転を行うことができる。人間はそれらの状況に注意を払う必要はない」、またはNHTSAの定義のレベル5「乗り物上の自動運転システム(ADS)は、すべての状況ですべての運転を行うことができる。人間の乗員は単なる乗客であり、運転に関与する必要はない」に規定されているような能力を有する乗り物を指し得る。いくつかの場合では、自動化乗り物は、NHTSAの定義のレベル2「乗り物上の先進運転者支援システム(advanced driver assistance system、ADAS)は、ある状況下で、それ自体が操舵と制動/加速との両方を同時に実際に制御することができる。人間の運転者は、常に最大限の注意を払い続けなければならず(「運転環境を監視しなければならない」)、残りの運転タスクを実行しなければならない」、またはNHTSAの定義のレベル3「乗り物上の自動運転システム(ADS)は、ある状況下で、それ自体が運転タスクのあらゆる側面を実行することができる。これらの状況では、人間の運転者は、ADSが要請するときはいつでも運転を引き継げるように備えていなければならない。他のすべての状況では、人間の運転者が運転タスクを実行する」に規定されているような能力を有する乗り物を指し得る。自動化乗り物はまた、レベル2のADASを改善するためにAIが使用されるレベル2+自動運転機能を有するが、一貫した運転者による制御が依然として必要であるものを含むことができる。
本明細書で使用される場合、「乗用乗り物」という用語は、一般に、自動車またはトラックなどの乗客のために使用される乗り物を指すが、大量輸送乗り物は除く。
本明細書で使用される場合、「大量輸送乗り物」という用語は、一般に、1または複数の乗客グループを輸送することができる、列車またはバスなどの複数乗客乗り物を指す。
本明細書で使用される場合、「旅行」という用語は、一般に、第1の位置から第2の位置までにかかる総時間および/または(1または複数の)ルートを指す。旅行は、1または複数のルートを含むことができる。「ルート」という用語は、一般に、ユーザが第1の位置から第2の位置に移動することを可能にする1または複数の方向のセットを指す。ルートは、1または複数のセグメントを有することができる。セグメントは、ルートのうち、乗り込む地点と降りる地点までのルートの一部分の部分を指してもよい。
本明細書で使用される場合、「コンテキスト情報」という用語は、一般に、地理的位置および/またはイベントに関連付けられた任意の情報を指す。コンテキスト情報は、そのような地理的位置および/またはイベントを示す、またはこれに関連する情報から導出することができる。
本明細書で使用される場合、「ラベル付与されたデータ」または「ラベル付与されたデータセット」という用語は、一般に、教師あり学習を使用してモデルを訓練するために使用される一対のデータセットを指す。本明細書で提供される方法は、クラスタ解析地上モビリティ解析および目的地/意図予測システムによって抽出された意図または目的地をラベル付与されたデータセットの一部分として利用することができる。あるいは、本明細書で提供される方法は、機械学習方法が既存のシステムで利用可能であり得る既存のデータセットを訓練して適用することを可能にするペアリングされていない訓練手法を利用することができる。
「少なくとも(at least)」、「よりも大きい(greater than)」、または「以上(greater than or equal to)」という用語が一連の2つ以上の数値の第1の数値に先行するときはいつでも、「少なくとも」、「よりも大きい」、または「以上」という用語は、その一連の数値の各数値に適用される。例えば、1、2、または3以上は、1以上、2以上、または3以上に等しい。
「以下(no more than)」、「よりも小さい(less than)」、または「以下(less than or equal to)」という用語が一連の2つ以上の数値の第1の数値に先行するときはいつでも、「以下」、「よりも小さい」、または「以下」という用語は、その一連の数値の各数値に適用される。例えば、3、2、または1以下は、3以下、2以下、または1以下に等しい。
本明細書で使用される場合、「1つの(a)」、「1つの(an)」、および「その(the)」という用語は、文脈上明確に別段の指示のない限り、一般に、単数および複数の指示対象を指す。
本開示は、地上モビリティ解析を実行し、1または複数のユーザの旅行の目的地/意図を予測するように使用または構成され得るシステムおよび方法を提供する。本開示のシステムおよび方法は、全地球測位システム(GPS)データなどの位置データに少なくとも部分的に基づいてユーザの意図および/または目的地を予測するように使用または構成され得る。いくつかの場合では、予測された目的地は、例えば事故を回避するために特定のルートを取るようにユーザ(例えば、運転者)に指示する、ユーザのための個人化された輸送計画をさらに生成して、個人化されたモビリティデータ、ルーティングデータ、スケジューリングデータ、交通データ、および他の形態またはタイプのデータを処理、推薦、および/またはユーザに提示するために使用されてもよい。いくつかの例では、機械学習技法が、旅行の意図または目的地を予測するために利用され得る。いくつかの例では、機械学習技法はまた、予測された意図/目的地、移動スケジュール(例えば、開始時間、終了時間)、輸送中の物品、サービス、およびコンテンツの取引ベースの購入のオプション、乗り物のタイプ(例えば、セダンまたはバンなどの自律乗り物のタイプ、ブランド)、輸送モードのタイプ(例えば、自律乗り物、公共交通機関(列車、路面電車、または都市バスなど)、シャトル、ライドシェアリング、ライドヘイリング、共同旅行または私的旅行、ウォーキング、自転車、電動スクータ、タクシーなど)などを含む個人化された輸送計画を作成するために利用され得る。
意図/目的地予測能力は、運転者および/または乗客の収益化プラットフォームにおいて利用または実施され得る。運転者および/または乗客の収益化としては、例えば、a)輸送中の、予測された意図または目的地に関連する物品、例えば、ガソリン、食べ物、コーヒー、サービス、駐車、およびコンテンツ(例えば、運転者または乗客の目的地である美術館で展示されているアーティストの作品に関するポットキャスト)の取引ベースの購入、b)コンテンツにアクセスするためのサブスクリプション、例えば、音楽ストリーミングサービス、ニュースサービス、コンシェルジュサービスなどへの年間サブスクリプション、c)輸送中、および燃料補給所、レストラン、コーヒーショップなどで乗り物が断続的に停止したときの、物品、サービス、およびコンテンツの取引ベースの購入(例えば、エネルギー会社などの充電ステーション運営者が、コーヒーショップチェーンと提携して、乗り物に燃料を補給している間に購入する乗客にコーヒー飲料の割引を提供することができる)、ならびにd)ロイヤルティポイントの償還(例えば、自動車製造業者およびモビリティサービスの乗り物群の運営者が、ロイヤルティポイントがこれらおよび他の産業がそのようなプログラムを使用するのとほぼ同じ方法で償還され得る航空会社やホテルチェーンによって使用されるものと同様のシステムを使用して、自らの顧客にロイヤルティに報いることができる)に関連する活動およびサービスが挙げられる。
機械学習アルゴリズムを含む人工知能が、旅行の意図または目的地を予測するための予測モデルを訓練するために使用されてもよい。機械学習アルゴリズムは、例えばニューラルネットワークであり得る。本明細書の実施形態で使用され得るニューラルネットワークの例としては、ディープニューラルネットワーク、畳み込みニューラルネットワーク(convolutional neural network、CNN)、および再帰型ニューラルネットワーク(recurrent neural network、RNN)が挙げられる。いくつかの場合では、機械学習アルゴリズムによって訓練されたモデルは、ユーザデバイスまたは地上モビリティ解析および目的地/意図予測システムで事前訓練されて実装されてもよく、事前訓練されたモデルは、実装環境の経時的な変化(例えば、顧客/ユーザデータ、センサデータ、モデル性能、サードパーティデータなどの変化)に適応するために、予測モデルまたは予測モデルの構成要素(例えば、クラシファイア)の継続的な調整を含み得る継続的な再訓練を受けてもよい。
地上モビリティ解析および目的地/意図予測のための方法およびシステム
本開示は、地上モビリティ解析を実行し、1または複数のユーザの旅行の目的地/意図を予測するように使用または構成され得るシステムおよび方法を提供する。本開示のシステムおよび方法は、位置データに少なくとも部分的に基づいてユーザの意図および/または目的地を予測するように使用または構成され得る。いくつかの実施形態では、位置データは、全地球測位システム(GPS)データを含み得る。GPSデータは、ソートされていないデータであってもよいし、ユーザと無相関であってもよい(例えば、非識別データ)。提示されるシステムおよび方法は、ソートされていない位置データを処理し、ユーザに関連付けられた旅行の意図または目的地を識別し得る。旅行、ならびに対応するユーザおよび意図は、展開時に旅行の意図または目的地を決定/推測するためのクラシファイアを訓練するための訓練データセットを生成するために使用され得る。旅行の意図および/または目的地は、リアルタイムの位置データまたは限られた位置データ(例えば、旅行開始位置の位置)に基づいて旅行中に予測され得る。代替的または追加的に、旅行の開始前に、新規/次の旅行について意図および/または目的地が予測され得る。
ユーザは、本明細書に記載のシステムに事前登録されてもよいし、本明細書に記載のシステムによって提供される1または複数のモビリティサービスにサブスクリプションを行ってもよい。ユーザは、モビリティサービスの有望なリクエスタであってもよい。ユーザは、旅行中にシステムによって提供される取引オプションを受信するために、ユーザモバイルアプリケーションを利用することができる。アプリケーションは、予測された意図または目的地に基づいて、1または複数の取引サービスまたは収益化可能な運転者および/または乗客中心のサービスオプションをユーザに提供することができる。ユーザは、アプリケーションを介して予測された意図または目的地に関連するサービスまたは取引オファーを提示されてもよい。ユーザは、アプリケーションを介して旅行中にサービスにアクセスしたり取引を実行したりすることができる。ユーザは、旅行中にシステムによって提供されるモビリティサービスおよびユーザ体験サービスを含む1または複数のサービスを使用して、および/またはそれにアクセスしながら、第1の位置から第2の位置に輸送されてもよい。提供されるシステム/方法のユーザは、上述のように、運転者、ライドヘイリングサービスの運転者などのサービス運転者、乗客、または乗り物によって輸送される任意のユーザであってもよい。
図1は、地上モビリティ解析および目的地/意図予測システム101が動作され得るネットワーク環境100の一例を概略的に示す。地上モビリティ解析および目的地/意図予測システム101は、1または複数のネットワーク110を介して複数のユーザデバイス103と相互作用することができる。地上モビリティ解析および目的地/意図予測システム101は、移動中に個別化されたサービス/製品を提供することを含む、個人化された輸送体験を提供するための個人輸送プラットフォームに結合されてもよく、またはその一部であってもよい。いくつかの実施形態では、複数のユーザデバイス103のうちのユーザデバイスが、ユーザに関連付けられたデバイスであり得る。いくつかの実施形態では、ユーザデバイスが複数のユーザによって使用され得る。例えば、ユーザデバイスは、乗り物の内部にある、または乗り物に結合された組み込みデバイスまたはシステムであってもよい。いくつかの実施形態では、2つ以上のユーザデバイスが単一のユーザに関連付けられ得る。
いくつかの実施形態では、地上モビリティ解析および目的地/意図予測システム101は、ユーザが移動ルートを閲覧するためのユーザインターフェースを提供するように、またはユーザデバイス103を介した旅行中の予測された旅行の意図/目的地に関連する1または複数の取引オプションと相互作用するように構成され得る。いくつかの場合では、ユーザインターフェースは、ユーザデバイス上または乗り物内のディスプレイ上にレンダリングされたGUIを備えてもよい。地上モビリティ解析および目的地/意図予測システムは、旅行開始位置などの限られた位置データに基づいて旅行の意図または目的地を予測するように構成されてもよい。旅行の意図または目的地は、限られた位置データ(例えば、旅行開始位置のGPSデータ)および/または個人データ(例えば、個人ID)に基づいて機械学習ベースのモデルを使用して生成され得る。地上モビリティ解析および目的地/意図予測システムは、限られたリアルタイムデータに基づいて旅行の意図/目的地を改善された予測精度で予測するように構成されてもよい。旅行の意図または目的地の予測は、旅行が進行するにつれて動的に更新および/または改善されてもよい。意図および目的地の予測に関する詳細は、本明細書で後述する。
いくつかの場合では、地上モビリティ解析および目的地/意図予測システムは、個人輸送計画システムに結合されてもよく、個人輸送計画システムは、移動ルート、移動中の1または複数のセグメントまたは1または複数の停止の出発時間および到着時間のスケジュール、移動ルートのセグメントの輸送モード(例えば、輸送のタイプ、乗り物のタイプ/ブランド、乗り物の構成など)、ならびに移動中の1または複数のサービスまたは収益化可能な運転者および/または乗客中心のサービス(例えば、目的地に関連するデジタルサービス、取引イベント、またはビジネス活動)を含む個人化された輸送計画を生成するように構成される。いくつかの例では、個人化された輸送計画はまた、自律乗り物を使用して少なくとも1つのセグメントを通してユーザを輸送することを含むことができる。いくつかの場合では、個人化された輸送計画または個人化された輸送計画の少なくとも一部分(例えば、輸送モード)は、旅行の意図/目的地の更新された予測に基づいて動的に更新されてもよい。
個人化された輸送計画は、ユーザに関連するデータおよび/または取引サービスに関連するデータに基づいて生成されてもよい。ユーザに関連するデータとしては、個人識別情報(ID)、ユーザの選好、輸送履歴、または購入履歴などの履歴データが挙げられる。そのようなデータは、モバイルアプリケーション(例えば、マッピングアプリケーション、ナビゲーションアプリケーション、電子メール、テキストメッセージ、ソーシャルネットワークアプリ、個人健康アプリなど)、ソーシャルネットワークソフトウェア、モビリティサービスプロバイダ(例えば、Uber(登録商標)およびLyft(登録商標))、ベンダ、ビジネスエンティティ(例えば、ファーストフード、レストラン、コーヒーショップ、ホスピタリティ、コンビニエンスストア、燃料補給所、劇場など)、コンテンツプロバイダ(例えば、Apple Music(登録商標)、ビデオ、ゲームなど)などのサードパーティサービスプロバイダ、デジタル仮想アシスタント、Alexa(登録商標)などのスマートホームデバイス、双方向音声応答(interactive voice response、IVR)システム、Facebook(登録商標)チャネル、Twilio SMSチャネル、Skype(登録商標)チャネルなどのソーシャルメディアチャネルおよびメッセンジャーAPI、ならびに様々な他のソースなどの様々なデータソースから収集されてもよい。取引サービスに関連するデータとしては、ユーザによる以前の取引サービスまたはサードパーティサービスプロバイダからのデータの拒否または承諾が挙げられる。個人化された輸送計画は、予測された意図または目的地に少なくとも部分的に基づいて、機械学習ベースのモデルを使用して生成され得る。入力データは、上述のように様々なデータから導出されたデータであってもよい。例えば、入力データとしては、ソーシャルグラフ、購入グラフ、輸送グラフ、人口統計情報、気象データ、ベンダまたはサービスプロバイダのカタログ、および他の様々なものが挙げられる。モデルの出力は、移動ルート、移動ルートの1または複数のセグメントのスケジュール(例えば、出発時間、到着時間など)、各セグメントの輸送モード(例えば、乗り物、車のタイプ)、および移動中の1または複数の取引オプションまたはサービスであってもよい。いくつかの場合では、取引オファーは、システムによってリアルタイムでユーザに提供されてもよい。例えば、サービスオファーに対する拒否を示すユーザ入力を受信すると、新規取引オファーが選択され、リアルタイムでユーザに提供されてもよい。
本明細書で使用される場合、リアルタイムとは、一般に、コンピュータプロセッサなどによる、1秒未満、10分の1秒未満、100分の1秒未満、1ミリ秒未満、またはそれ未満の応答時間を指す。また、リアルタイムとは、第2のイベントの発生に対する第1のイベントの同時または実質的に同時の発生を指すこともできる。
地上モビリティ解析および目的地/意図予測システム101は、1または複数のサーバ105と、関連データを格納または取得するように構成され得る1または複数のデータベースシステム107、109とを備え得る。関連データとしては、処理されたGPSデータ、旅行データ、拡張された旅行データ、拡張された個人データレコード(旅行の意図、旅行のタイプ、ユーザセグメント化などに関連する追加データでラベル付与されたもの)、ユーザプロファイルデータ(例えば、ユーザの選好、身元、年齢、性別、連絡先情報、人口統計データ、格付けなどの個人データ)、履歴データ(例えば、ソーシャルグラフ、輸送履歴、輸送サブスクリプション計画データ、購入または取引履歴、ロイヤルティプログラム、および本明細書の他の箇所に記載されているような様々な他のデータが挙げられる。いくつかの場合では、地上モビリティ解析および目的地/意図予測システム101は、1または複数の位置データサービス、オントロジナレッジベース、地図、気象、または交通アプリケーションプログラムインターフェース(application program interface、API)もしくは地図データベースなどの1または複数の外部システムまたはデータソースからデータを得る、または(例えば、1または複数のネットワーク110を介して)通信することができる。いくつかの例では、地上モビリティ解析および目的地/意図予測システム101は、1または複数の外部システム(例えば、位置データソース、モビリティサービスプロバイダ、自律乗り物配車システム、ファーストフード、レストラン、コーヒーショップ、ホスピタリティ、コンビニエンスストア、燃料補給所、劇場、デジタルサービスプロバイダなどのサードパーティの収益化可能な運転者および/または乗客中心のサービスエンティティ)と通信するデータベースシステム107、109からデータを取得することができる。いくつかの場合では、データベースは、気象、交通、公共交通機関、全地球測位システム(GPS)入力またはログ、計画データ、個人データ、および外部データソースから取得された他のデータなどの情報のためのテーブルまたはレコードを維持する同期データベースであってもよい。
構成要素(例えば、サーバ、データベースシステム、ユーザデバイス、外部システムなど)のそれぞれが、1または複数のネットワーク110またはある構成要素から別の構成要素へのデータの送信を可能にする任意のタイプの通信リンクを介して互いに動作可能に接続されてもよい。例えば、それぞれのハードウェア構成要素は、1または複数のネットワークとの一方向および/または双方向通信を可能にするネットワークアダプタを備えることができる。例えば、サーバおよびデータベースシステムは、関連データを送信および/または受信するために、1または複数のネットワーク110を介してユーザデバイス103および/またはデータソースと通信することができる。
サーバ(例えば、サーバ105)は、ウェブサーバ、モバイルアプリケーションサーバ、エンタープライズサーバ、または任意の他のタイプのコンピュータサーバを含むことができ、コンピューティングデバイス(例えば、ユーザデバイス、他のサーバ)からの要求(例えば、HTTP、またはデータ伝送を開始することができる他のプロトコル)を受け入れ、要求されたデータをコンピューティングデバイスに提供するようにプログラムされたコンピュータとすることができる。サーバは、単一のサーバ、または複数のコンピュータもしくは複数のデータセンタにわたる分散サーバであってもよい。サーバは、例えば、限定するものではないが、ウェブサーバ、ニュースサーバ、メールサーバ、メッセージサーバ、広告サーバ、ファイルサーバ、アプリケーションサーバ、交換サーバ、データベースサーバ、プロキシサーバ、本明細書に記載の機能もしくはプロセスを実行するのに適した別のサーバ、またはそれらの任意の組み合わせなど、様々なタイプのものであってもよい。加えて、サーバは、データを配信するための、無料放送、ケーブル、衛星、および他の放送設備などの放送設備とすることができる。サーバは、データネットワーク(例えば、クラウドコンピューティングネットワーク)内のサーバであってもよい。
サーバは、1または複数のプロセッサ、(1または複数の)プロセッサによって実行されるソフトウェア命令を格納する1または複数のメモリデバイス、およびデータなどの様々なコンピューティング構成要素を含むことができる。サーバは、1または複数のプロセッサと、プログラム命令を格納するための少なくとも1つのメモリとを有することができる。(1または複数の)プロセッサは、特定の命令のセットを実行することができる単一または複数のマイクロプロセッサ、フィールドプログラマブルゲートアレイ(field programmable gate array、FPGA)、またはデジタルシグナルプロセッサ(digital signal processor、DSP)とすることができる。コンピュータ可読命令は、フレキシブルディスク、ハードディスク、CD-ROM(Compact Disk-Read Only Memory、コンパクトディスク読み出し専用メモリ)、MO(Magneto-Optical、光磁気)、DVD-ROM(Digital Versatile Disk-Read Only Memory、デジタル多用途ディスク-読み出し専用メモリ)、DVD RAM(Digital Versatile Disk-Random Access Memory、デジタル多用途ディスク-ランダムアクセスメモリ)、または半導体メモリなどの有形の非一時的コンピュータ可読媒体に格納することができる。あるいは、本方法は、例えば、ASIC、専用コンピュータ、または汎用コンピュータなどのハードウェア構成要素、またはハードウェアとソフトウェアとの組み合わせで実施することができる。
1または複数のデータベース107、109は、任意の適切なデータベース技法を利用してもよい。例えば、構造化照会言語(structured query language、SQL)または「NoSQL」データベースを利用して、処理済み/生GPSデータ、ユーザプロファイルデータ、履歴データ、旅行の意図/目的地、地図、または他のデータを予測するために使用される予測モデルまたはアルゴリズムを格納することができる。データベースのいくつかは、アレイ、ハッシュ、(リンクされた)リスト、構造体、構造化テキストファイル(例えば、XML)、テーブル、JavaScriptオブジェクトノーテーション(JavaScript Object Notation、JSON)、NOSQLおよび/またはこれらに類似するものなどの様々な標準データ構造を使用して実装されてもよい。そのようなデータ構造は、メモリおよび/または(構造化された)ファイルに格納することができる。別の代替形態では、オブジェクト指向データベースが使用されてもよい。オブジェクトデータベースは、共通の属性によって一緒にグループ化および/またはリンクされるいくつかのオブジェクトコレクションを含むことができ、それらは、いくつかの共通属性によって他のオブジェクトコレクションに関連付けられてもよい。オブジェクト指向データベースは、オブジェクトが単なるデータ片ではなく、所与のオブジェクト内にカプセル化された他のタイプの機能を有し得ることを除いて、リレーショナルデータベースと同様に機能する。いくつかの実施形態では、データベースは、データを表現および格納するためにノード、エッジ、およびプロパティを有する意味的クエリのためのグラフ構造を使用するグラフデータベースを含み得る。本発明のデータベースがデータ構造として実装される場合、本発明のデータベースの使用は、本発明の構成要素などの別の構成要素に統合されてもよい。また、データベースは、データ構造、オブジェクト、および関係構造の混合として実装されてもよい。データベースは、標準的なデータ処理技法によって統合および/または分散されてもよい。データベースの一部、例えばテーブルは、エクスポートおよび/またはインポートされ、これにより分散化および/または統合され得る。
いくつかの実施形態では、地上モビリティ解析および目的地/意図予測システム101は、データをユーザに効率的に送達するためにデータベースを構築し得る。例えば、地上モビリティ解析および目的地/意図予測システム101は、データを抽出、変換、およびロード(ETL)するためのカスタマイズされたアルゴリズムを提供することができる。いくつかの実施形態では、地上モビリティ解析および目的地/意図予測システム101は、大規模データベースに適合される、容易にスケーラブルである、クエリおよびデータ取得において効率的である、または他のデータ構造を使用する場合と比較してメモリ要件が低減される、効率的なデータベースモデルを提供するために、独自仕様のデータベースアーキテクチャまたはデータ構造を使用してデータベースを構築し得る。
1または複数のデータベース(例えば、拡張された個人データベース)は、取引に関連し得る様々なアプリケーションまたはエンティティによってアクセスされ得るが、いくつかの状況では、そのような様々なアプリケーションまたはエンティティは取引に関連しなくてもよい。いくつかの場合では、拡張された個人データベースに格納されたデータは、アプリケーションプログラミングインターフェース(API)を介して他のアプリケーションによって利用またはアクセスされ得る。様々なアプリケーションによってアクセスされるデータは、予測された意図/目的地、予測された輸送モード、および/または個人データレコードなどのシステムによって管理されるデータを含むことができる。データベースへのアクセスは、APIレベルごと、データレベル(例えば、データのタイプ)ごと、アプリケーションレベルごと、または他の許可ポリシーにしたがって許可されてもよい。
地上モビリティ解析および目的地/意図予測システム101は、ネットワーク内のどこにでも実装することができる。地上モビリティ解析および目的地/意図予測システム101は、ネットワーク内の1もしくは複数のサーバ、ネットワーク内の1もしくは複数のデータベース、乗り物に組み込まれるか乗り物に結合された1もしくは複数の電子デバイス、または1もしくは複数のユーザデバイス上に実装されてもよい。例えば、地上モビリティ解析および目的地/意図予測システム101は、分散アーキテクチャ(例えば、地上モビリティ解析および目的地/意図予測システム101またはその動作を実装または実行するために一緒に集合的に機能する複数のデバイス)または複製方式(例えば、それぞれが地上モビリティ解析および目的地/意図予測システム101またはその動作を独立型システムとして実装または実行する複数のデバイス)で実装されてもよい。地上モビリティ解析および目的地/意図予測システム101は、ネットワーク環境100内の上述のコンポーネントのうちの1または複数におけるソフトウェア、ハードウェア、またはソフトウェアとハードウェアとの組み合わせを使用して実装されてもよい。
複数のユーザデバイス103のうちのユーザデバイスが、電子デバイスであってもよい。ユーザデバイスは、開示された実施形態と一致する1または複数の動作を実行するように構成されたコンピューティングデバイスであってもよい。ユーザデバイスの例としては、モバイルデバイス、スマートフォン/携帯電話、タブレット、携帯情報端末(personal digital assistant、PDA)、スマートウェアラブルデバイス、スマートウォッチ、ラップトップもしくはノートブックコンピュータ、デスクトップコンピュータ、メディアコンテンツプレーヤ、テレビセット、ビデオゲームステーション/システム、仮想現実システム、拡張現実システム、マイクロフォン、またはユーザが移動ルートを見て、トランザクションもしくはサービス関連情報と相互作用し、移動に関連する他の情報を表示することを可能にするように構成された任意の電子デバイスが挙げられるが、これらに限定されない。ユーザデバイスは、ハンドヘルドオブジェクトであってもよい。ユーザデバイスは携帯可能であってもよい。ユーザデバイスは、人間のユーザによって携行されてもよい。いくつかの場合では、ユーザデバイスは、人間のユーザから遠隔に配置されてもよく、ユーザは、無線および/または有線通信を使用してユーザデバイスを制御することができる。ユーザデバイスは、ユーザが装着したウェアラブルデバイスと通信するコンピューティングデバイスであってもよい。いくつかの場合では、ウェアラブルデバイスは、ユーザの活動、ユーザのバイタルサイン(例えば、血圧および心拍数)または健康状態を監視するように構成されてもよい。いくつかの場合では、ユーザデバイスは、乗り物に結合された、または車両に搭載された電子デバイスであってもよい。
いくつかの実施形態では、ユーザデバイスは、デバイス/ユーザの位置を検出することが可能であり得る。ユーザデバイスは、ユーザデバイスの瞬間的な位置または位置情報を提供するために、デバイスに搭載された1または複数のセンサを有することができる。いくつかの実施形態では、瞬間位置情報は、位置センサ(例えば、全地球測位システム(GPS))、慣性センサ(例えば、加速度計、ジャイロスコープ、慣性計測ユニット(IMU))、高度センサ、姿勢センサ(例えば、コンパス)、圧力センサ(例えば、気圧計)、フィールドセンサ(例えば、磁力計、電磁センサ)、および/または他のセンサ情報(例えば、Wi-Fiデータ)などのセンサによって供給され得る。ユーザデバイスの位置は、移動ルートの出発地を特定するために使用することができる。追加的または代替的に、関心のある場所(例えば、旅行の出発地、旅行中の立ち寄り地)の位置は、ユーザインターフェースを介して位置を手動で入力することなどによって、ユーザデバイス103を介してユーザによって提供されてもよい。
ユーザデバイスは、ネットワーク内の1または複数の他の構成要素との通信を可能にし得る通信ユニットを備えることができる。いくつかの例では、通信ユニットは、単一の通信モジュール、または複数の通信モジュールを含むことができる。いくつかの例では、ユーザデバイスは、単一の通信リンクまたは複数の異なるタイプの通信リンクを使用して、ネットワーク環境内の1または複数の構成要素と相互作用することが可能であり得る。ユーザデバイス103は、ネットワーク110を介して上述のデータを要求し取得することによって、地上モビリティ解析および目的地/意図予測システム101と相互作用することができる。
ユーザデバイスは、開示された実施形態と一致する1または複数の動作のための命令を提供し得る非一時的コンピュータ可読媒体を実行することができる1または複数のプロセッサを備えることができる。ユーザデバイスは、1または複数の動作を実行するためのコード、ロジック、または命令を含む非一時的コンピュータ可読媒体を備える1または複数のメモリストレージデバイスを備えることができる。
いくつかの実施形態では、ユーザは、ユーザデバイス103を利用して、ユーザデバイス上で実行される、および/またはユーザデバイスによってアクセスされる1または複数のソフトウェアアプリケーション(すなわち、クライアントソフトウェア)によって地上モビリティ解析および目的地/意図予測システム101と相互作用することができ、ユーザデバイス103および地上モビリティ解析および目的地/意図予測システム101は、クライアント-サーバ関係を形成し得る。例えば、ユーザデバイス103は、地上モビリティ解析および目的地/意図予測システム101によって提供される専用モバイルアプリケーションを実行することができる。
いくつかの実施形態では、クライアントソフトウェア(すなわち、ユーザデバイス103にインストールされたソフトウェアアプリケーション)は、様々なタイプのモバイルデバイス用のダウンロード可能なモバイルアプリケーションとして利用可能であり得る。あるいは、クライアントソフトウェアは、様々なウェブブラウザによって実行するために、1または複数のプログラミング言語およびマークアップ言語の組み合わせで実装されてもよい。例えば、クライアントソフトウェアは、Chrome、Mozilla Firefox、Internet Explorer、Safari、および任意の他の互換性のあるウェブブラウザなどの、JavaScriptおよびHTMLレンダリングをサポートするウェブブラウザで実行することができる。クライアントソフトウェアアプリケーションの様々な実施形態は、複数のプラットフォームにわたって様々なデバイスのためにコンパイルされてもよく、それぞれのネイティブプラットフォームのために最適化されてもよい。いくつかの場合では、サードパーティユーザインターフェースまたはAPIが、モバイルアプリケーションに統合され、フロントエンドユーザインターフェース(例えば、グラフィカルユーザインターフェース内のもの)に統合され得る。サードパーティユーザインターフェースは、サードパーティサーバによってホストされてもよい。サードパーティサーバは、相手先商標製造業者(original equipment manufacturer、OEM)、ホテルおよびホスピタリティ、レストランおよびダイニング、観光およびエンターテイメント、サービス配信、ならびに本明細書の他の箇所に記載されているような様々な他のエンティティなど、ある範囲のサードパーティエンティティによって提供され得る。いくつかの場合では、APIまたはサードパーティのリソース(例えば、地図サービスプロバイダ、モビリティサービスプロバイダ、デジタルサービスプロバイダ、Starbucks、McDonalds、Ticketmasterなど)を使用して、ユーザとの取引を提供および実行することができる。いくつかの場合では、1または複数のサードパーティサービスは、ユーザが使い慣れたフロントエンドユーザ体験でそのようなサービスにアクセスすることができるように、地上モビリティ解析および目的地/意図予測システム101によって呼び出され、ユーザアプリケーションに統合されてもよい。いくつかの場合では、上述のサービスのうちの1または複数が、地上モビリティ解析および目的地/意図予測システム101の内蔵構成要素であってもよく、サードパーティエンティティをアウトソースすることなくユーザに提供されてもよい。いくつかの場合では、サードパーティサービスプロバイダから取得されたデータは、輸送中のユーザに対する予測された意図に関連する取引オファーを決定するために使用され得るベンダ/サービスカタログを形成するために、地上モビリティ解析および目的地/意図予測システム101によって編成および格納されてもよい。いくつかの場合では、地上モビリティ解析および目的地/意図予測システム101は、グラフィカルユーザインターフェース(GUI)を提供してもよい。GUIは、ユーザが、グラフィカル要素と相互作用し、輸送中に移動ルートおよび移動スケジュールなどの情報を閲覧することによって、予測された目的地に関連する1または複数の取引オファー/オプション、情報、サービスにアクセスし、受け入れ、拒否し、選択することを可能にすることができる。
ユーザデバイスは、ディスプレイを備えてもよい。ディスプレイは、スクリーンであってもよい。ディスプレイは、タッチスクリーンであってもよい。あるいは、ディスプレイはタッチスクリーンでなくてもよい。ディスプレイは、発光ダイオード(light-emitting diode、LED)スクリーン、OLEDスクリーン、液晶ディスプレイ(liquid crystal display、LCD)スクリーン、プラズマスクリーン、または任意の他のタイプのスクリーンであってもよい。ディスプレイは、アプリケーションを介して(例えば、ユーザデバイス上で実行されるアプリケーションプログラミングインターフェース(API)を介して)レンダリングされたユーザインターフェース(UI)またはグラフィカルユーザインターフェース(GUI)を表示するように構成されてもよい。例えば、GUIは、ユーザが取引オファーを承諾または拒否し、予測された意図/目的地、移動ルート、および取引オプションに関連する情報を見ることを可能にするグラフィック要素を示すことができる。
ネットワーク110は、個人輸送管理システム101、ユーザデバイス103、およびネットワークの他の構成要素の間の通信経路であってもよい。ネットワークは、無線通信システムおよび/または有線通信システムの両方を使用するローカルエリアネットワークおよび/またはワイドエリアネットワークの任意の組み合わせを含むことができる。例えば、ネットワーク110は、インターネットおよび携帯電話ネットワークを含むことができる。一実施形態では、ネットワーク110は、標準的な通信技術および/またはプロトコルを使用する。したがって、ネットワーク110は、イーサネット(登録商標)、802.11、ワールドワイドインターオペラビリティフォーマイクロウェーブアクセス(worldwide interoperability for microwave access、WiMAX)、2G/3G/4Gもしくはロングタームエボリューション(Long Term Evolution、LTE)移動通信プロトコル、赤外線(IR)通信技術、および/またはWi-Fiなどの技術を使用するリンクを含むことができ、無線、有線、非同期転送モード(asynchronous transfer mode、ATM)、InfiniBand、PCI Express Advanced Switching、またはそれらの組み合わせとすることができる。ネットワーク110上で使用される他のネットワークプロトコルとしては、マルチプロトコルラベルスイッチング(multiprotocol label switching、MPLS)、伝送制御プロトコル/インターネットプロトコル(transmission control protocol/Internet protocol、TCP/IP)、ユーザデータグラムプロトコル(User Datagram Protocol、UDP)、ハイパーテキスト転送プロトコル(hypertext transport protocol、HTTP)、シンプルメール転送プロトコル(simple mail transfer protocol、SMTP)、ファイル転送プロトコル(file transfer protocol、FTP)などが挙げられる。ネットワークを介して交換されるデータは、バイナリ形式(例えば、ポータブルネットワークグラフィックス(Portable Networks Graphics、PNG))、ハイパーテキストマークアップ言語(hypertext markup language、HTML)、拡張可能マークアップ言語(extensible markup language、XML)などの画像データを含む技術および/またはフォーマットを使用して表すことができる。加えて、リンクの全部または一部は、セキュアソケットレイヤ(secure sockets layers、SSL)、トランスポートレイヤセキュリティ(transport layer security、TLS)、インターネットプロトコルセキュリティ(Internet Protocol security、IPsec)などの従来の暗号化技術を使用して暗号化することができる。別の実施形態では、ネットワーク上のエンティティは、上記のものの代わりに、またはそれに加えて、カスタムおよび/または専用データ通信技術を使用することができる。ネットワークは、無線、有線、またはそれらの組み合わせであってもよい。
旅行の目的地または意図を予測するためのシステムは、本明細書で説明および図示されるような複数の構成要素を備えることができる。図2~図18は、限られた位置データに基づいて目的地または意図を集合的に予測する機能および動作を実行するように構成されたシステムの様々な構成要素を概略的に示す。いくつかの実施形態では、システムの様々な構成要素は、旅行識別エンジン、関心地点(POI)割り当てエンジン、デバイスID-個人IDコンバータ、個人データ拡張エンジン、自動旅行ラベル付与エンジン、機械学習(ML)クラスタリングシステム、個人セグメント化エンジン、データベース、および様々な他の構成要素を備え得る。
いくつかの実施形態では、システムの1または複数の構成要素(例えば、旅行クラシファイア)は、ソートされていない、または無相関の位置データを使用して展開され得る。いくつかの実施形態では、地上モビリティ解析および目的地/意図予測システムによって生成および管理される個人データレコードは、ソートされていない、または無相関の位置データから抽出されたデータを含み得る。いくつかの場合では、ソートされていないまたは無相関の位置データは、システムの旅行識別エンジンによって処理されて、複数の個々の旅行を出力することができる。図2は、いくつかの実施形態による、位置データを処理するための旅行識別エンジン210を概略的に示す。
いくつかの実施形態では、位置データ201はGPSデータを含み得る。いくつかの場合では、GPSデータは、対応するGPS情報を含む複数のレコードまたはデータセットを含むことができる。例えば、テーブルが、対応する座標データ(例えば、緯度、経度)、タイムスタンプ、名寄せ、およびデバイスIDなどの他の情報を含む各レコードのエントリで維持されてもよい。位置レコードのデータエントリは、任意の適切なデータ構造を含むことができる。例えば、データ構造は、上述したように複数のデータフィールドを含むことができる。データ構造は、生データフォーマットまたはデータが取得されるデータソースに依存し得る。
位置データ201は、1または複数のデータソースから取得することができる。位置データは、全球測位衛星システム(Global Navigation Satellite System、GNSS)、セルラー三角測量、補助GPS(assisted-GPS、A-GPS)、ディファレンシャル全地球測位システム(differential global positioning system、DGPS)などの適切な位置ベースの技術を利用して取得することができる。
いくつかの実施形態では、位置データは、少なくとも地理的位置情報と、デバイスIDなどの識別子とを含み得る。データソースに応じて、識別子は、例えば、広告識別子(Identifier for Advertising、IDFA)またはAndroid広告ID(Android Advertising I、AAID)であってもよい。
位置データの複数のレコードは、ストリームまたはバッチで1または複数のデータソースから取得することができる。位置データは、時空間点測定値などの時系列データであってもよい。いくつかの場合では、位置データの複数のレコードまたはデータセットは、時系列にストリーミングまたは編成されない可能性があるソートされていないものであり得る。複数のレコードまたはデータセットは、1または複数のデバイス/個人に関連付けられた複数の旅行に関連付けられてもよい。いくつかの場合では、位置データの複数のレコードまたはデータセットは、個人または旅行に関する明示的な情報を含まなくてもよい。
位置データは、1または複数の個々の旅行221-1、221-2、221-3を識別するために旅行識別エンジン210によって処理され得る。いくつかの場合では、1または複数の個々の旅行は、旅行データベース220に格納されてもよい。旅行は、ストリップの出発地に対応する位置データセットと旅行の目的地に対応する位置データセットとを少なくとも含む順序付き位置データレコードのシーケンスを含むことができる。旅行は、旅行の出発地地理的位置/開始時間、旅行の目的地地理的位置/終了時間、および旅行が関連付けられているデバイスIDを含む旅行情報が識別されるように、任意の適切な方法を使用して複数の位置データセットから識別され得る。1または複数の固有の旅行が識別され、デバイスIDに関連付けられ得る。例えば、異なる開始/終了時間における異なる旅行221-1、221-2が識別されて、同じデバイスIDに関連付けられてもよい。
いくつかの実施形態では、旅行の出発地および/または目的地の地理的位置は、関心点(POI)などの位置コンテキストデータを割り当てられ得る。図3は、いくつかの実施形態による、システムのPOI割り当てエンジン303を示す。POI割り当てエンジン303は、少なくとも個々の旅行の出発地および目的地に位置コンテキストデータを割り当てるために旅行データベース301に結合することができる。いくつかの場合では、旅行中の1または複数の中間位置点(例えば、途中の立ち寄り地)に位置コンテキストデータを割り当てることができる。そのような位置コンテキストデータは、旅行に沿った目的地、出発地、または立ち寄り地の識別情報と関連付けられてもよい。位置コンテキストデータとしては、例えば、コーヒーショップ、空港、会場、レストラン、スタジアム、劇場、歯科診療所などが挙げられる。旅行データベース301は、図2で説明したような旅行データベースと同じであり得る。
いくつかの場合では、POI割り当てエンジンは、旅行データベース301から1または複数の旅行を取得し、クラウドソーシング手法を使用して収集された位置コンテキストデータを割り当てることができる。例えば、POI割り当てエンジンは、ローカルビジネス、ランドマーク、および関心点(POI)データを収集するために、1または複数のサードパーティデータソース307-1、307-2、307-3に結合されてもよい。一例として、POIデータは、それに関連付けられたジオタグを有することができ、POI割り当てエンジンは、POIデータを検索して、旅行の出発地または目的地の地理座標(例えば、旅行開始緯度/経度、旅行終了緯度/経度)との良好な一致を見つけることができる。ベストマッチ(例えば、旅行開始POI、旅行終了POI)のPOIデータが返され得る。
いくつかの場合では、1または複数のサードパーティデータソース307-1、307-2、307-3は、POIデータを提供するために他のデータソースを介して選択されてもよい。例えば、複数の候補POIが同じ位置または住所に関連付けられている場合、システムは、選択基準に基づいて複数の候補POIから1つのPOIを選択することができる。いくつかの場合では、選択基準はユーザ固有であってもよい。例えば、履歴ユーザデータ(例えば、ユーザの輸送、購入、および/または取引履歴、ユーザのソーシャル活動など)に基づいて複数の候補POIからPOIを選択することができる。代替的または追加的に、POIデータは、複数の候補POIの組み合わせであってもよい。例えば、POIデータは、同じ地理的地点に属するすべてのPOIに関する集約情報(例えば、街路名、ランドマーク基準、地域名など)であってもよい。他の例では、「スイート番号、街路名、地域コード」などのいかなるフォーマットにも従わない構造化されていない住所を有するPOIは、同じ地理的位置に属する他のPOIの情報によって補足されてもよい。
いくつかの場合では、位置コンテキストデータは、オントロジナレッジベース305などの様々な他のデータソースによって拡張されてもよい。例えば、いくつかのPOIは、オントロジナレッジベースによって提供される追加の属性(例えば、空港はターミナルにターミナル番号、航空会社を有する)で補完されてもよい。オントロジナレッジベース305は、1または複数の個人、組織によって手動で展開されてもよいし、外部システムまたはリソースからインポートされてもよいし、ユーザと協働する(例えば、自然言語テキストから輸送用語を抽出する)機械学習システムを使用して部分的に学習されてもよい。次いで、POIデータ311、313で補足された旅行データセット310が、旅行データベース301に逆に取り込ませてもよい。
上述のように、元の/生の位置データは、個人に関連付けられていなくてもよい。いくつかの実施形態では、システムのデバイスID-個人IDコンバータが、デバイスIDに基づいて位置データを個人と相関させるために使用され得る。図4は、いくつかの実施形態による、デバイスID-個人IDコンバータ401を概略的に示す。
デバイスID-個人IDコンバータ401は、1または複数のデバイスIDと個人IDとを対応付けるように構成されてもよい。デバイスID-個人IDコンバータ401は、デバイスIDデータを処理し、デバイスIDを個人識別子と相関させることができる。個人識別子413は、適切な名寄せ(identity resolution)方法を使用して取得され得る個人の識別情報に対応することができる。名寄せ方法は、異なる識別情報属性およびマッチングアルゴリズムを包含し得る。例えば、個人識別情報属性、ソーシャル行動属性、およびソーシャル関係属性などの識別情報関連データは、一対比較、推移閉包、および集合的クラスタリングなどのマッチングアルゴリズムによって処理されて、個人の識別情報を抽出することができる。識別情報関連データおよびデバイスIDは、さらに処理され、個人データレコード411を形成するために関連付けられ得る。個人データレコードのエントリ413は、個人IDおよびデバイスIDなどの複数のデータフィールドを含むことができる。次いで、個人データレコード411が個人データベース410に格納され得る。いくつかの場合では、認識されていないデバイスID403は、別個のデータベースに格納されてもよい。
いくつかの実施形態では、個人データレコードは、追加の個人データで拡張され得る。図5は、個人データレコードを拡張して拡張された個人データベース420を形成するように構成された個人データ拡張エンジン500を概略的に示す。いくつかの実施形態では、個人データ拡張エンジンは、個人データレコードを拡張するために、複数のデータソースからユーザデータ(例えば、人口統計データ、購入データ、ソーシャルグラフなど)を取得し、旅行データベース301から旅行データを取得し得る。
ユーザデータは、身元、年齢、性別、連絡先情報、人口統計データなどの個人に関する個人データを含むことができる。そのようなデータは、他のデータソースまたはサードパーティアプリケーションから抽出されてもよい。いくつかの場合では、個人データはまた、ユーザの選好を含んでもよい。ユーザの選好は、移動の選好および取引/サービスの選好の両方を含むことができる。移動の選好は、システムによって取得された様々なパラメータのうちの1または複数から導出され、個人化された移動ルートを生成するために、または輸送モードを予測するために使用され得る。例えば、「最速ルート」の選好などの移動の選好は、2地点間の(時間的に)最速なルートを優先することを示す。「最短ルート」の選好は、2地点間の最短(距離)ルートを優先することを示し得る。「最も燃料効率の良いルート」の選好は、燃料節約を優先することを示し得る。移動の選好は、例えば、勾配の大きな変化(例えば、丘)または勾配の小さな変化(例えば、平坦)を望む可能性があるサイクリスト、歩行者、ランナー、ハイカー、およびスイマーに特に関連し得る「労力」を優先することを示し得る。移動の選好は、様々な景色の良い地点、都市の景色よりも緑の多さなどを有するルートを優先すること、美術館、劇場、芝居小屋などを優先すること、買い物の機会を含むルートを優先すること、食べ物を優先すること、交通量の多いルートが目的地までの最も速い経路であっても交通渋滞を回避するためのユーザによる選好、および様々な他の選好を示すことができる。移動の選好としては、ユーザが好む輸送モード(例えば、自律乗り物、公共交通機関(列車、路面電車、または都市バスなど)、シャトル、ライドシェアリング、ライドヘイリング、共同旅行または私的旅行、ウォーキング、自転車、電動スクータ、タクシーなど)、または乗り物内のユーザ体験(例えば、音楽、ゲームへのアクセス)などを含むことができる。移動の選好は、移動ルート、ルートのセグメント、セグメントの輸送モード、および/または移動ルート中の立ち寄り地(例えば、美しい眺め、レストラン、コーヒーショップなど)を決定するために使用されてもよい。そのようなユーザの選好は、ユーザによって入力されてもよい、および/または他のデータソースまたは履歴データから抽出されてもよい。
購入データは、旅行中または旅行の終了時に行われたユーザの任意の購入または取引履歴を含むことができる。購入または取引は、乗り物ではなくてもよい任意の場所で(例えば、目的地で)実行されてもよい。購入または取引は、乗り物内または客室内取引であってもよい。
いくつかの場合では、ソーシャルデータは、とりわけ、車載共有を容易にするために、様々なユーザまたは乗り物間の関係を描写することができる。いくつかの場合では、ソーシャルデータは、ユーザと他の個人およびエンティティ(例えば、家族、会社、友人など)、道路ネットワーク、およびコミュニティ内の潜在的な待ち合わせ場所との関係を示すことができる。いくつかの場合では、ソーシャルデータは、カーシェアリングを促進し、推薦される乗り物および位置を提供し、共通の関心およびモビリティ活動に基づいてカーシェアリングのパートナーを提案するために使用され得る。いくつかの場合では、ソーシャルデータは、旅行の位置および/またはスケジュールを予測または推薦するために使用され得る。例えば、ユーザがユーザとビジネス上の取引関係にある人と会うようにスケジュールされる場合、到着時間は、ビジネスミーティングの選好に基づいてスケジュールされてもよい。ソーシャルデータは、ソーシャルネットワーク(例えば、Facebook、Twitter、LinkedInなど)、過去の通信(例えば、電子メール、SMS、ビデオチャットなど)、クラブの共通の会員資格、組織の共通の会員資格、共通の会員資格および社会、家族関係、共通の雇用主、共通の職場などから取得することができる。
いくつかの場合では、追加のユーザデータが、旅行の少なくともセグメントの輸送モードを予測するために使用され得る。例えば、ユーザデータは、ユーザに関連付けられた過去の輸送データから収集された輸送モード(例えば、自律乗り物、公共交通機関(列車、路面電車、または都市バスなど)、シャトル、ライドシェアリング、ライドヘイリング、共同旅行または私的旅行、ウォーキング、自転車、電動スクータ、タクシーなど)を含むことができる。
個人データ拡張エンジン500は、個人データベース410内の個人データレコードを、ユーザデータ(例えば、人口統計データ、購入データ、ソーシャルグラフなど)および旅行データベース301から取得した旅行データで拡張し、それによって拡張された個人データレコードを生成するように構成されてもよい。いくつかの実施形態では、旅行データおよび個人データは、デバイスIDに基づいて統合され得る。いくつかの実施形態では、個人データ拡張エンジン500は、異なるデータベース(すなわち、旅行データベース、個人データベース)を統合するのに適した技法を採用し得る。例えば、マッチしたデバイスIDに基づいて複数の個人データレコードのうちの1つに旅行データを組み込むことによって、旅行データベースは、個人データベース内の複数のレコードと統合されてもよい。次いで、統合された個人データレコードは、拡張された個人データレコードとして拡張された個人データベース420に保存されてもよい。例えば、拡張された個人データレコードは、個人ID、デバイスID、および対応する旅行データ(例えば、POIでタグ付けされた一連の位置データ)などのデータフィールドを含むことができる。
いくつかの実施形態では、拡張された個人データレコードは、追加の意図または目的地関連情報でさらに更新および拡張され得る。図6は、意図または目的地に関連するラベルで拡張された個人データベース420に格納されたデータをさらに拡張するように構成された自動旅行ラベル付与エンジン600を概略的に示す。
いくつかの実施形態では、目的地の意図は、活動に関連するコンテキスト情報、または目的地から推測される意図であり得る。例えば、スーパーマーケットの意図は食品の買い物であってもよく、平日の朝の旅行に関連付けられた意図は毎日の通勤であってもよく、食品、ガソリンなどに関連付けられた意図は買い物であってもよく、スポーツアリーナ、劇場に関連付けられた意図はエンターテイメントであってもよい。そのような意図は、意図ラベルのリストを格納するラベル付与規則ナレッジベース610から得ることができる。自動旅行ラベル付与エンジン600は、各旅行の目的地をラベル付与規則ナレッジベース610によって提供される意図ラベルでラベル付与することができる。次いで、拡張された個人データレコードは、各旅行に関連付けられた目的地の意図を組み込むことによって更新されてもよい。
いくつかの実施形態では、拡張された個人データレコードは、意図によって旅行をグループ化するためのシステムの旅行セレクタによって処理され得る。旅行のグループは、機械学習ベースのクラスタリングシステムによってさらに処理され、目的地によってさらにクラスタリングされてもよい。図7は、意図に基づいて拡張された個人データベース420から取得された複数の旅行をグループ化するように構成された旅行セレクタ700を概略的に示す。例えば、同じ意図ラベルを有する旅行を一緒にグループ化することができる。同じ意図(例えば、仕事するために通信する)を有する旅行は、同じ目的地を有していてもいなくてもよい。
いくつかの場合では、意図によってグループ化された旅行は、機械学習ベースのクラスタリングシステムによってさらに処理される。機械学習ベースのクラスタリングシステムは、旅行に対してクラスタ解析を実行して、意図のセットに対する旅行の自然なグループ化を決定することができる。例えば、同じクラスタの旅行は、同じ目的地を有することができ、異なる出発地、途中の立ち寄り地、または開始/終了時間を有することができる。いくつかの場合では、同じクラスタに属する旅行のセットは、意図に加えて共通の1または複数の特性(例えば、出発地、輸送モード、途中の立ち寄り地)を有することができる。いくつかの場合では、1または複数の共通の特性は、旅行または旅行のセグメントのラベルとして識別および使用され得る。
いくつかの場合では、クラスタに関連付けられたラベルは、クラシファイアを訓練するための訓練データセットの一部として使用されてもよい。ラベルは、旅行データとペアリングするための訓練データセットの一部として使用することができる。ラベルは、1または複数の個人、組織によって手動で作成されてもよいし、外部システムまたはリソースからインポートされてもよい。ラベル(例えば、個人の車、朝の旅行、直接通勤など)は、上述のように、機械学習ベースのクラスタリングシステムによって生成された自然クラスタリングに基づいて識別され得る。
図8は、旅行のクラスタの一例を示す。旅行のセットは、「個人の車を使用した通勤」クラスタに含まれてもよい。旅行のセットは、同じ目的地および同じ意図を有することができるが、途中の立ち寄り地は異なっていてもよい。
いくつかの実施形態では、旅行のセグメントは、拡張されたデータでラベル付与され得る。図9は、ラベル付与規則ナレッジベースが、旅行のセグメントに対して作成されたラベルで更新されることを示す。ラベルは、1または複数の個人、組織によって手動で作成されてもよいし、外部システムまたはリソースからインポートされてもよい。ラベル(例えば、個人の車、朝の旅行、直接通勤など)は、上述のように、機械学習ベースのクラスタリングシステムによって生成された自然クラスタリングに基づいて識別され得る。
いくつかの実施形態では、旅行または旅行のセグメントのために作成されたラベルは、拡張された個人データレコードを補足するために使用され得る。図10は、上述のようなクラスタ解析を使用して取得されたラベルで旅行をラベル付与するように構成された自動旅行ラベル付与エンジン1000を概略的に示す。自動旅行ラベル付与エンジン1000は、図6で説明された自動旅行ラベル付与エンジンと同じであり得る。自動旅行ラベル付与エンジン1000は、旅行または旅行の1もしくは複数のセグメントを自動的にラベル付与することができる。いくつかの場合では、ラベル付与は、ラベル付与規則ナレッジベース610から取得されたラベル付与規則に基づいて実行されてもよい。ラベル付与規則は、1または複数の個人、組織によって手動で展開されてもよいし、外部システムまたはリソースからインポートされてもよいし、ユーザと協働する(例えば、自然言語テキストから輸送用語を抽出する)機械学習システムを使用して部分的に学習されてもよい。以下は、ラベル付与規則ナレッジベース610に格納された例示的な規則である。
規則1:trip_start_timeが午前5:00よりも後であり、trip_end_timeが午後12:00よりも前である場合、label=”“morning_trip”(ここでは、ローカル時間帯で午前、午後を計算する)
規則2:trip_type=“毎日の通勤”かつintermediate_stop_durationが>5分かつ<20分であり、かつin_trip_POI_type=“コーヒーショップ”である場合、label=“通勤時のコーヒーショップ”
追加ラベルで拡張された旅行は、拡張された個人データベースに格納され得る。図10に示すように、拡張された個人データレコードは、図6に示す拡張された個人データレコードと比較して、追加ラベル(例えば、朝、直接通勤、自宅から、オフィスまで、個人の車など)を含む。
図11は、異なる追加ラベルを有する拡張された個人データレコードの例を示す。例に示す2つの拡張された個人データレコードは、同じ意図、1つのキャラクタが異なる(例えば、直接通勤、通勤時のコーヒー)複数の共通の特性(例えば、朝、自宅から、オフィスまで、個人の車)を有する。
いくつかの実施形態では、複数の拡張された個人データレコードは、機械学習ベースの旅行アブストラクタを訓練するために使用され得る。図12は、いくつかの実施形態による、システムの旅行アブストラクタ1200を概略的に示す。旅行アブストラクタは、追加ラベルを含む拡張された個人データレコードを使用して訓練されたクラシファイアであってもよい。旅行アブストラクタは、旅行データを処理し、旅行の目的地に関連付けられた意図を予測することができる。機械学習アルゴリズムなどの人工知能を使用して、旅行アブストラクタを訓練することができる。機械学習アルゴリズムは、例えばニューラルネットワークであり得る。ニューラルネットワークの例としては、ディープニューラルネットワーク、畳み込みニューラルネットワーク(convolutional neural network、CNN)、および再帰型ニューラルネットワーク(recurrent neural network、RNN)が挙げられる。いくつかの場合では、機械学習アルゴリズムによって訓練されたモデルは、システムで事前訓練されて実装されてもよく、事前訓練されたモデルは、実装環境の経時的な変化(例えば、顧客/ユーザデータ、利用可能なラベル付与されたデータ、モデル性能、サードパーティデータなどの変化)に適応するために、予測モデルまたは予測モデルの構成要素(例えば、クラシファイア)の継続的な調整を含む継続的な再訓練を受けてもよい。
いくつかの実施形態では、旅行クラシファイアは、旅行の意図に対応し得る。図13は、旅行クラシファイアナレッジベース1300に格納された複数の旅行クラシファイアを概略的に示す。いくつかの場合では、モデルをトレーニングすることは、モデルタイプ(例えば、CNN、RNN、勾配ブースティングクラシファイアまたはリプレッサなど)を選択すること、モデルのアーキテクチャ(例えば、層、ノード、ReLU層などの数)を選択すること、パラメータを設定すること、訓練データを作成すること(例えば、データをペアリングすること、入力データベクトルを生成すること)、およびモデルを作成するために訓練データを処理することを含むことができる。訓練されたモデルは、旅行クラシファイアナレッジベースから取得された試験データを使用して試験および最適化されてもよい。試験結果は、予測モデルが性能要件を満たすか否かを判定するために、性能特性と比較されてもよい。性能が良好である、すなわち性能要件が満たされる場合、モデルは旅行クラシファイアナレッジベースに挿入されてもよい。
図21は、上述のようなシステムおよび方法によって処理された拡張された旅行データセット2100の例を示す。図示の例では、拡張された旅行データセット2100は、少なくとも無相関のGPSデータを使用して生成され得る。1または複数の拡張された旅行が、デバイスID2101などのデバイスに関連付けられ得る。各拡張された旅行としては、例えば、デバイスID2101、旅行の出発地のPOI/名称(例えば、ワンストップフーズ(one stop foods)、ガルターライフセンター(Galter LifeCenter))などの旅行の出発地に関する予測または抽出された情報2103、POIのカテゴリ(例えば、食料品店、オフィスビルディング、ガイ、レストラン)2105、出発地の住所2107、目的地のPOI(例えば、自宅、CTA-Harrisonなど)などの旅行の目的地に関する予測または抽出された情報2109、予測されたPOIのカテゴリ(例えば、自宅、地下鉄の駅など)2111、目的地の住所2113、旅行の予測されたモダリティ(例えば、自動車、ライドシェアリングなど)2115、旅行の開始時間、および様々な情報が挙げられる。図示の例では、拡張された旅行データのリストのエントリ/行は、旅行または旅行のセグメントであってもよい。
いくつかの実施形態では、個人/ユーザがセグメント化され、セグメント/クラスタに編成され得る。図14は、個人データベース内の個人をセグメント化するように構成された個人セグメント化エンジン1400を概略的に示す。個人セグメント化によって、システムはユーザの特定のセグメントをターゲットにして、それらのユーザに関連し得る(例えば、最も関連性があることが判明した)オファーを行うことを可能にし得る。個人またはユーザは、任意の適切なセグメント化技法を使用してセグメント化(または1もしくは複数のセグメントに編成)され得る。例えば、セグメント化技法は、固定されたセグメント化規則1410に基づくことができる。ユーザは、上述のように、地理(または地理的位置)、(1または複数の)ソーシャルグラフ、(1または複数の)購入グラフ、(1または複数の)輸送グラフ、人口統計情報、(1または複数の)ユーザの選好、(1または複数の)インストールされたモバイルアプリケーション、またはユーザプロファイルデータから抽出された他の(1または複数の)ユーザ属性または(1または複数の)特性などの1または複数の属性に基づいてグループ化されてもよい。同じグループ内のユーザは、1もしくは複数のユーザ属性またはユーザ特性(例えば、年齢、性別、地理的位置、ソーシャルグラフ、頻繁に飛行機を利用する人、頻繁な食品の買い物客など)を共有することができる。個人は、1または複数のセグメントに属してもよい。いくつかの場合では、セグメントは、新規データが収集されるにつれて自動的に継続的に拡張および更新されてもよい。いくつかの実施形態では、新規セグメントは、新規ユーザ(またはユーザの分類)がシステムに加わるかサブスクリプションを行うと作成され得る。いくつかの場合では、セグメントは離散的であってもよい。他の場合では、2つまたはセグメントは重複してもよく、共通性または特性のセットを共有してもよい。
いくつかの場合では、セグメント化技法は、履歴データ(例えば、ユーザプロファイルデータ)から抽出されたパターンに基づいてもよい。パターンは、機械学習アルゴリズムを使用して抽出されてもよい。いくつかの場合では、パターンのセットが、最初に生成されてよく、アルゴリズムが、実現可能であり、かつ所望の結果を最大化するセグメントへのパターンの最適な割り当てを識別するために利用されてもよい。所望の結果は、選択された顧客がサービスを受け入れる可能性が最も高くなるように、適切な時間および/または場所で適切に選択された顧客(例えば、顧客のグループ)に送信される予測された目的地に関連する少数のサービスまたは取引オプションを提供することであり得る。初期のパターンのセットは、決定木または他のパターン識別アルゴリズムなどの任意の適切な方法を使用して生成されてもよい。いくつかの場合では、セグメントへのパターンの最適な割り当てを識別するためのアルゴリズムは、訓練された機械学習アルゴリズム(例えば、サポートベクトルマシンまたはニューラルネットワーク)であってもよい。
いくつかの実施形態では、ラベルが、ユーザセグメントに対して作成され得る。図15は、ユーザセグメントラベル(例えば、運転が好き、頻繁に飛行機を利用する人、イタリア料理が好き、スポーツ好きなど)の例を示す。ラベルは、1または複数の個人、組織によって手動で作成されてもよいし、外部システムまたはリソースからインポートされてもよい。代替的または追加的に、ユーザセグメント化のためのラベル(例えば、運転が好き、頻繁に飛行機を利用する人、イタリア料理が好き、スポーツ好きなど)は、上述のように機械学習手法を使用して識別されてもよい。いくつかの場合では、ユーザセグメント化のためのラベルが、拡張された個人データベース内の拡張された個人データレコードを補完するために使用されてもよい。
図16は、すべてのラベルを有し、ユーザセグメント化にしたがって編成された例示的な拡張された個人データレコード1600を示す。拡張された個人データレコードは、定期的に(例えば、毎時、毎日、毎週など)、またはデータベースに追加されている新規データの検出時に、システムによって管理、維持、および更新されてもよい。拡張された個人データレコードは、クラシファイアを継続的に訓練し、それによって性能を改善するための訓練データセットを形成するために使用されてもよい。上述のように、訓練データセットは、クラスタリングシステムを使用して取得された意図または目的地を含むラベル付与されたデータであってもよい。
システムは、ユーザの計画/スケジュールデータ(例えば、カレンダ、電子メールなど)に依拠することなく、将来の旅行の意図を予測することが可能であり得る。システムは、リアルタイムの位置データまたは限られた位置データに基づいて、現在の旅行の見込まれる目的地を予測することが可能であり得る。例えば、訓練されたクラシファイアは、リアルタイムの位置データに基づいて意図および/または輸送モードの予測を行うために配備され得る。いくつかの場合では、予測された意図および/または輸送モードは、旅行の出発地の位置データに基づいて生成されてもよい。いくつかの場合では、予測された意図および/または輸送モードは、旅行中に生成され、流れ込む新規位置データとして更新されてもよい。
図17は、いくつかの実施形態による、システムの新規旅行意図プレディクタ1700を概略的に示す。新規旅行意図プレディクタ1700は、旅行クラシファイアナレッジベース1300からダウンロードされた1または複数の訓練されたクラシファイアを使用して、リアルタイムの位置データに基づいて旅行の目的地および/または意図の予測を行うことができる。新規旅行意図プレディクタ1700は、拡張された個人データベース420および旅行クラシファイアナレッジベース1300に結合されて、適切なクラシファイアをダウンロードし、対応する拡張された個人データレコードを取得して、リアルタイム位置データと共に入力データセットを形成することができる。いくつかの場合では、個人ID、旅行開始位置(例えば、出発地GPS位置)、旅行が進行するにつれて更新された位置データ、または輸送モードなどのリアルタイムデータを受信すると、新規旅行意図プレディクタ1700は、拡張された個人データベース420から対応する拡張された個人データレコードを取得し、顧客セグメント、旅行タイプなどのデータを抽出してリアルタイムデータを補足し、それによって旅行クラシファイアナレッジベース1300からダウンロードされたクラシファイアによって処理される入力データセットを形成することができる。
図18は、旅行中に収集された新規データとして旅行の目的地または意図の予測を継続的に生成および更新する例示的なプロセスを示す。例に示すように、新規旅行意図プレディクタは、出発地位置データ(例えば、旅行開始位置)を受信すると、最初に3つの予測された意図、例えば、朝の仕事に向かう旅行、空港への旅行、食べ物の買い物のための朝の旅行を生成することができる。いくつかの場合では、旅行中に新規位置データが収集されると、予測された意図が精緻化されて更新されてもよい。例えば、旅行が進行し、コーヒーショップでの停止を示す位置データが収集されると、予測された意図は食べ物の買い物として更新され、予測された目的地はスーパーマーケットである。
いくつかの実施形態では、提供されるシステムは、データ処理の少なくとも一部分がエッジで実行され得るエッジインテリジェンスパラダイムを採用し得る。例えば、データ処理および推論は、ユーザデバイスに配備された新規旅行意図プレディクタによって実行されてもよい。いくつかの例では、機械学習モデルまたはクラシファイアは、クラウド上で構築および訓練され、旅行クラシファイアナレッジベース1300に格納および維持され、エッジデバイスまたはエッジシステム(例えば、ハードウェアアクセラレータ)上で実行されてもよい。本開示のシステムおよび方法は、リアルタイムの現場での旅行の目的地および意図の予測を可能にする効率的で高度にスケーラブルな意図予測プラットフォームを提供することができる。
予測された意図または旅行の目的地は、様々なアプリケーションで使用され得る。例えば、予測された意図または目的地は、取引オファーを提供するため、移動を容易にするためのサービスのため、予測された目的地に関連するオファーを提供するため、および様々な他のことのために使用されてもよい。例えば、予測された意図または目的地は、高速なルート、駐車、または利用可能な輸送モダリティに関する情報を提供することによって、ユーザが意図された目的地に移動するのを容易にするために使用されてもよい。別の例では、予測された意図または目的地は、予測された目的地(例えば、スーパーマーケット)または目的地の近くのサービス(例えば、スーパーマーケットのコーヒーショップ)によって提供される商品に対する割引などの目的地に関連するオファーを提供するために使用されてもよい。さらなる例では、予測された意図または目的地は、ユーザを予測された目的地からそらすためにユーザの当初の意図に影響を与えるために使用されてもよい(例えば、割引の提供、競合するサービスプロバイダによって提供されるサービス)。
図19は、ユーザの旅行の意図を予測する例示的なプロセス1900を示す。図示の例では、複数の個々の旅行を作成するためにGPSデータなどの位置データを取得して解析し得る(動作1901)。リアルタイム位置データは、ユーザデバイス(例えば、ユーザデバイス上のセンサ)、またはユーザデバイス上で動作するマッピングおよびナビゲーションアプリケーションなどのユーザアプリケーションから取得され得る。POIが、識別されて、旅行終了位置および/または旅行開始位置に割り当てられ得る(動作1903)。個人旅行データは、1または複数の個々の旅行を個人IDと関連付けることによって作成され得る(動作1905)。個人旅行データは、追加ユーザデータで拡張され得る(動作1907)。拡張された個人旅行データは、旅行の意図を識別するためにクラスタリングされる(動作1909)。1または複数の旅行クラシファイアが、拡張された個人旅行データを使用して訓練される(動作1911)。旅行クラシファイアが実行され得、新規旅行の前、旅行の開始時、または旅行中に、旅行の意図、目的地、または輸送モードが予測され得る(動作1913)。いくつかの場合では、予測された意図/目的地に関連する1または複数のオファー/サービスがユーザインターフェース上でユーザに表示されてもよい。
図19はいくつかの実施形態による方法を示しているが、当業者であれば、様々な実施形態に多くの適応があることを認識するはずである。例えば、動作は任意の順序で実行され得る。動作のいくつかは除外されてもよく、動作のいくつかは1つのステップで同時に実行されてもよく、動作のいくつかは繰り返されてもよく、動作のいくつかは他の動作のサブステップを含んでもよい。いくつか場合では、1または複数の商取引オプションを提供するタイミングは、ユーザの現在の地理的位置および/または旅行時間に基づき得る。本方法はまた、本明細書で提供される本開示の他の態様にしたがって修正されてもよい。
個人の旅行データが、様々なインサイト情報を抽出するために解析されてもよい。そのようなインサイト情報は、個人に関連付けられた各旅行の予測された意図に少なくとも部分的に基づいて抽出されてもよい。図22は、ユーザに関連付けられた旅行から抽出されたインサイトデータの例を示す。例えば、個人に関連付けられた複数の予測された旅行の意図は、旅行が発生した都市または位置に基づいて解析されてもよい。例えば、居住都市で発生した個人の旅行を解析してもよく、旅行の意図によって編成された旅行の回数を示す図2210が生成されてもよい。同様に、旅行の意図によって編成された訪問都市における旅行の回数を示すために、図2220が提供されてもよい。そのような図は、有益なことに、異なる都市における個人の移動パターンに関するインサイトを提供することができる。いくつかの実施形態では、個人に関連付けられた旅行のモダリティを示すプロットも生成され得る。例えば、プロット2230は、居住都市で異なるモダリティ(例えば、自家用乗り物、レンタカー、ライドヘイリング、ウォーキング、複合など)を使用した旅行の回数を示すことができ、別のプロット2240は、訪問都市で異なるモダリティを使用した旅行の回数を示すことができる。このインサイトは、有益なことに、街、都市、州、国、または任意のレベルのサービス努力としてモビリティの測定値を提供することができる。例えば、そのような測定値は、自動車製造業者、乗り物保険会社、都市、国、州、および国の政府、小売業者(例えば、スーパーマーケット、ホームセンタ、百貨店など)、ホスピタリティサービス会社(例えば、ホテル、レストラン、コーヒーショップチェーン)、および/またはモビリティサービス会社/組織によって、モビリティおよび他のタイプの輸送関連サービスが消費者によってどの程度良好に受け取られるかを理解するために使用され得る。
いくつかの実施形態では、個人データベースは、個人に関する予測されたインサイト(例えば、移動の選好)および/またはインサイトに基づいて予測された推薦でさらに拡張され得る。図23は、インサイトジェネレータ2305および推薦エンジン2307を備えるシステムの一例を示す。旅行者データベース2301は、上述のように個人データベースと同一とすることができる。例えば、旅行者データベースは、上述のように、サードパーティデータを取り込み2301、旅行作成およびユーザセグメント化2303を実行することによって生成されたユーザセグメントのラベル、旅行、人口統計特性、旅行のタイプ、および他の様々なデータを含む拡張された個人データレコードを格納することができる。拡張された個人データレコードは、インサイトジェネレータ2305および推薦エンジン2307によって生成されたインサイトデータをさらに含んでもよい。インサイトジェネレータ2305および推薦エンジン2307は、個人の好みおよび輸送サービスに関連する推薦のセットを予測するための1または複数の機械学習アルゴリズムにより訓練されたモデルを備えることができる。
図24は、インサイトジェネレータ2405を概略的に示す。いくつかの場合では、インサイトジェネレータ2405は、1または複数のユーザの選好に関するインサイトを予測するように訓練されてもよい。1または複数のユーザの選好は、好ましいモダリティ、好ましい目的地のタイプ、宿泊タイプ、または好ましいレストラン、価格ポイント、ブランド志向などのような様々な他の好ましいサービスなどの個人の移動の選好に関連し得る。例えば、インサイトジェネレータ2405は、1または複数の機械学習ベースのモデル2407と輸送オントロジ2403とを備え、旅行者データベース2401からの個人データレコードを処理してユーザの選好を予測し、予測されたユーザの選好で個人データレコードを拡張し、拡張された個人データレコードを旅行者データベース2409に格納することができる。図25は、輸送オントロジ2403の一例を示す。いくつかの場合では、インサイトジェネレータは、個人に関連付けられたセグメント化ラベルを予測するためのユーザセグメント化において説明されたように、1または複数の機械学習ベースのモデルまたは機械学習技法を利用することができる。いくつかの場合では、インサイトジェネレータは、セグメント化ラベル、他の個人データ、および異なるオントロジに基づいて推論を行って、ユーザに関する追加のインサイトを生成することができる。
いくつかの場合では、推薦エンジンは、個人の予測された選好および個人の旅行の予測された意図に少なくとも部分的に基づいて推薦を生成するように訓練されてもよい。例えば、推薦エンジンは、旅行中に推薦(例えば、レストラン、次の旅行セグメントのモダリティなどの推薦)を生成するように訓練されてもよい。
図26および図27は、個人に関するインサイトデータの例を示す。インサイトデータは、個人に関連付けられた拡張された旅行2601、2603から抽出されてもよい。インサイトデータは、上述のように、インサイトジェネレータおよび/または推薦エンジンによって生成されてもよい。例えば、異なる都市(居住都市2601、訪問都市2603)の個人に関連付けられた拡張された旅行が個人に関するさらなるインサイトを抽出するために処理されてもよい。例えば、拡張された旅行データ内の予測された意図、モダリティ、または他の情報に基づいて、好ましいモダリティ2605(例えば、個人乗り物、ライドシェアリング、歩行)、好ましいホテル価格帯2607(例えば、中価格帯)、好ましい料理2609、ペルソナ2611(例えば、活発な生活習慣の旅行者、食好き、健康およびフィットネスなど)、好ましいレストラン価格帯2613、トップブランド(例えば、Peets、Targetなど)、および様々な他のインサイトなどのユーザの選好のインサイトが推測されてもよい。推測されるユーザの選好はまた、好ましい外食日数2601、特定の都市におけるレストランへの好ましいモダリティ2703、2705(例えば、デンバーではライドシェアリング、シカゴでは自動車)、好ましいビジネス旅行日数2707、好ましい旅行滞在場所、好ましい旅行レストラン2711、または好ましい旅行モダリティ2713などのPOI選好を含むことができる。いくつかの場合では、そのようなインサイトデータが、特定の都市または予測される旅行で提供される推薦されるレストラン、ホテル、サービスなどのさらなる予測2715を行うことができる。
いくつかの場合では、旅行者のコホートに関するインサイトが提供されてもよい。図28は、特定の地理的位置からの頻繁なビジネス旅行者に関するインサイトデータの一例を示す。インサイトデータは、特定の位置から頻繁に出張するユーザ2801、各個人に関連付けられた特定の位置からの旅行回数2805、および個人に関連付けられたデバイスID2803を含むことができる。そのようなインサイトは、無相関の旅行を個人と関連付け、旅行の意図を予測することなど、上述の方法およびシステムを使用して生成され得る。
提供された方法およびシステムはまた、ユーザのコホートに関連付けられた旅行に関して推測を行うために利用されてもよい。図29は、コホートまたはユーザに関する推論またはインサイトの例を示す。例えば、ユーザのコホート(例えば、特定の都市の旅行者)に関連付けられた旅行のカテゴリ頻度(例えば、レストラン、国立公園、ジム)を示す図2601が生成されてもよい。いくつかの場合では、居住都市2920または訪問都市2930などのユーザのコホートに関連付けられた旅行のモダリティに関する分布図が生成されてもよい。
コンピュータシステム
本明細書に記載のシステム、システムの様々な構成要素、またはプロセスは、1または複数のプロセッサによって実施され得る。いくつかの実施形態では、プロセッサは、コンピュータシステムの処理ユニットであり得る。図20は、地上モビリティ解析および意図予測システムを実装するようにプログラムまたは構成されたコンピュータシステム2001を示す。コンピュータシステム2001は、本開示の様々な態様を調整することができる。コンピュータシステム2001は、ユーザの電子デバイス、または電子デバイスに対して遠隔に配置されたコンピュータシステムとすることができる。電子デバイスは、モバイル電子デバイスとすることができる。
本明細書に記載のシステム、システムの様々な構成要素、またはプロセスは、1または複数のプロセッサによって実施され得る。いくつかの実施形態では、プロセッサは、コンピュータシステムの処理ユニットであり得る。図20は、地上モビリティ解析および意図予測システムを実装するようにプログラムまたは構成されたコンピュータシステム2001を示す。コンピュータシステム2001は、本開示の様々な態様を調整することができる。コンピュータシステム2001は、ユーザの電子デバイス、または電子デバイスに対して遠隔に配置されたコンピュータシステムとすることができる。電子デバイスは、モバイル電子デバイスとすることができる。
コンピュータシステム2001は、シングルコアもしくはマルチコアプロセッサ、または並列処理のための複数のプロセッサとすることができる中央処理ユニット(central processing unit、CPU、本明細書では「プロセッサ」および「コンピュータプロセッサ」とも)2005を備える。コンピュータシステム2001はまた、メモリまたはメモリロケーション2010(例えば、ランダムアクセスメモリ、読み出し専用メモリ、フラッシュメモリ)と、電子ストレージユニット2015(例えば、ハードディスク)と、1または複数の他のシステムと通信するための通信インターフェース2020(例えば、ネットワークアダプタ)と、キャッシュ、他のメモリ、データストレージ、および/または電子ディスプレイアダプタなどの周辺デバイス2025とを備える。メモリ2010、ストレージユニット2015、インターフェース2020、および周辺デバイス2025は、マザーボードなどの通信バス(実線)を介してCPU2005と通信する。ストレージユニット2015は、データを格納するためのデータストレージユニット(またはデータリポジトリ)とすることができる。コンピュータシステム2001は、通信インターフェース2020の助けによりコンピュータネットワーク(「ネットワーク」)2030に動作可能に結合され得る。ネットワーク2030は、インターネット、インターネットおよび/もしくはエクストラネット、またはインターネットと通信するイントラネットおよび/もしくはエクストラネットとすることができる。いくつかの場合では、ネットワーク2030は、電気通信ネットワークおよび/またはデータネットワークである。ネットワーク2030は、クラウドコンピューティングなどの分散コンピューティングを可能にし得る1または複数のコンピュータサーバを含むことができる。いくつかの場合では、ネットワーク2030は、コンピュータシステム2001の助けにより、コンピュータシステム2001に結合されたデバイスがクライアントまたはサーバとして動作することを可能にし得るピアツーピアネットワークを実装することができる。
CPU2005は、プログラムまたはソフトウェアで具現化され得る一連の機械可読命令を実行することができる。命令は、メモリ2010などのメモリロケーションに格納され得る。命令は、CPU2005を対象とすることができ、CPU2005は、その後、本開示の方法を実施するようにCPUをプログラムまたは構成することができる。CPU2005によって実行される動作の例としては、フェッチ、復号、実行、およびライトバックが挙げられる。
CPU2005は、集積回路などの回路の一部とすることができる。システム2001の1または複数の他の構成要素が回路に含まれてもよい。いくつかの場合では、回路は、特定用途向け集積回路(application specific integrated circuit、ASIC)である。
ストレージユニット2015は、ドライバ、ライブラリ、および保存されたプログラムなどのファイルを格納することができる。ストレージユニット2015は、ユーザデータ、例えば、ユーザの選好およびユーザプログラムを格納することができる。いくつかの場合では、コンピュータシステム2001は、イントラネットまたはインターネットを介してコンピュータシステム2001と通信するリモートサーバ上に位置するなど、コンピュータシステム2001の外部にある1または複数の追加のデータストレージユニットを備えることができる。
コンピュータシステム2001は、ネットワーク2030を介して1または複数のリモートコンピュータシステムと通信することができる。例えば、コンピュータシステム2001は、ユーザ(例えば、ユーザデバイス)のリモートコンピュータシステムと通信することができる。リモートコンピュータシステムの例としては、パーソナルコンピュータ(例えば、ポータブルPC)、スレートもしくはタブレットPC(例えば、Apple(登録商標)iPad(登録商標)、Samsung(登録商標)Galaxyタブ)、電話、スマートフォン(例えば、Apple(登録商標)iPhone(登録商標)、Android対応デバイス、Blackberry(登録商標))、または携帯情報端末が挙げられる。ユーザは、ネットワーク2030を介してコンピュータシステム2001にアクセスすることができる。
本明細書に記載の方法は、例えばメモリ2010または電子ストレージユニット2015などのコンピュータシステム2001の電子ストレージロケーションに格納された機械(例えば、コンピュータプロセッサ)実行可能コードによって実施され得る。機械実行可能コードまたは機械可読コードは、ソフトウェアの形態で提供され得る。使用中、コードはプロセッサ2005によって実行され得る。いくつかの場合では、コードは、ストレージユニット2015から取得され、プロセッサ2005による容易なアクセスのためにメモリ2010に格納され得る。いくつかの状況では、電子ストレージユニット2015を除外することができ、機械実行可能命令がメモリ2010に格納される。
コードは、コードを実行するように適合されたプロセッサを有する機械で使用するために事前コンパイルされ、構成されてもよいし、ランタイム中にコンパイルされてもよい。コードは、コードが事前にコンパイルされて、またはコンパイルされたままで実行されることを可能にするように選択され得るプログラミング言語で供給されてもよい。
コンピュータシステム2001など、本明細書で提供されるシステムおよび方法の態様は、プログラミングで具現化されてもよい。本技法の様々な態様は、典型的には機械(またはプロセッサ)実行可能コードおよび/またはある種の機械可読媒体上に担持されるかそれに具現化される関連データの形態の「製品(products)」または「製品(articles of manufacture)」と考えることができる。機械実行可能コードは、メモリ(例えば、読み出し専用メモリ、ランダムアクセスメモリ、フラッシュメモリ)またはハードディスクなどの電子ストレージユニットに格納され得る。「ストレージ」タイプの媒体は、コンピュータ、プロセッサなどの有形メモリ、または様々な半導体メモリ、テープドライブ、ディスクドライブなど、ソフトウェアプログラミングのためにいつでも非一時的ストレージを提供することができる関連モジュールのいずれかまたはすべてを含むことができる。ソフトウェアの全部または一部が、インターネットまたは様々な他の電気通信ネットワークを介して通信されることがあってもよい。そのような通信は、例えば、あるコンピュータまたはプロセッサから別のコンピュータまたはプロセッサへの、例えば管理サーバまたはホストコンピュータからアプリケーションサーバのコンピュータプラットフォームへのソフトウェアのロードを可能にすることができる。よって、ソフトウェア要素を支承することができる別のタイプの媒体は、ローカルデバイス間の物理インターフェースにわたって、有線および光の地上ネットワークを介して、および様々なエアリンクを介して使用されるような、光波、電気の波、および電磁波を含む。有線または無線リンク、光リンクなど、そのような波を搬送する物理的要素もまた、ソフトウェアを支承する媒体と考えることができる。本明細書で使用される場合、非一時的で有形の「ストレージ」媒体に限定されない限り、コンピュータまたは機械の「可読媒体」などの用語は、実行のためにプロセッサに命令を提供することに関与する任意の媒体を指す。
したがって、コンピュータ実行可能コードなどの機械可読媒体は、有形ストレージ媒体、搬送波媒体、または物理伝送媒体を含むがこれらに限定されない多くの形態を取ることができる。不揮発性ストレージ媒体は、例えば、図面に示すデータベースなどを実装するために使用され得るなど、任意の(1または複数の)コンピュータなどのストレージデバイスのいずれかなどの光学または磁気ディスクを含む。揮発性ストレージ媒体は、そのようなコンピュータプラットフォームのメインメモリなどのダイナミックメモリを含む。有形伝送媒体は、同軸ケーブル、コンピュータシステム内にバスを備える配線を含む、銅ワイヤおよび光ファイバを含む。搬送波伝送媒体は、電気信号もしくは電磁信号、または無線周波数(RF)および赤外線(IR)データ通信中に生成されるものなどの音波もしくは光波の形態を取ることができる。したがって、コンピュータ可読媒体の一般的な形態は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、CD-ROM、DVDもしくはDVD-ROM、任意の他の光学媒体、パンチカード紙テープ、穴のパターンを有する任意の他の物理的記憶媒体、RAM、ROM、PROMおよびEPROM、FLASH(登録商標)-EPROM、任意の他のメモリチップもしくはカートリッジ、データもしくは命令を搬送する搬送波、そのような搬送波を搬送するケーブルもしくはリンク、またはコンピュータがプログラミングコードおよび/もしくはデータを読み取ることができる任意の他の媒体を含む。これらの形態のコンピュータ可読媒体の多くは、1または複数の命令の1または複数のシーケンスを実行のためにプロセッサに搬送することに関与することができる。
コンピュータシステム2001は、例えば、本明細書の他の箇所に記載されているようなグラフィカルユーザインターフェースを提供するためのユーザインターフェース(user interface、UI)2040を備える電子ディスプレイ2035を備え得る、またはそれと通信し得る。UIの例としては、グラフィカルユーザインターフェース(GUI)およびウェブベースのユーザインターフェースが挙げられるが、これらに限定されない。
本開示の方法およびシステムは、1または複数のアルゴリズムによって実施され得る。アルゴリズムは、中央処理ユニット2005によって実行されるとソフトウェアによって実施され得る。例えば、アルゴリズムは、輸送計画エンジンなどの訓練されたモデルであり得る。
本明細書では本発明の好ましい実施形態が図示および説明されてきたが、そのような実施形態が例として提供されているに過ぎないことは当業者には明らかなはずである。本明細書内で提供される特定の例によって本発明が限定されることは、意図されていない。本発明を上述の明細書を参照して説明してきたが、本明細書の実施形態の説明および例示は、限定的な意味で解釈されることを意味しない。いまや当業者であれば、本発明から逸脱することなく、多数の変形、変更、および置換に想到するはずである。さらに、本発明のすべての態様は、様々な条件および変数に依存する本明細書に記載の特定の描写、構成、または相対的な割合に限定されないことを理解されたい。本明細書に記載の本発明の実施形態に対する様々な代替形態が、本発明を実施する際に使用され得ることを理解されたい。したがって、本発明は、任意のそのような代替形態、修正形態、変形形態、または均等物も包含するものとすることが企図されている。以下の特許請求の範囲が本発明の範囲を定義し、これらの特許請求の範囲内の方法および構造ならびにそれらの均等物がそれによって包含されることが意図されている。
Claims (24)
- ユーザの旅行の意図または目的地を予測するための方法であって、
(a)移動ルートの開始地理的位置および前記ユーザの識別情報に関するデータを受信するステップと、
(b)(i)前記ユーザの前記識別情報に関する前記データ、および(ii)ソートされていない地理空間データを含む1または複数の訓練データセットに少なくとも部分的に基づいてクラシファイアを訓練するステップと、
(c)(b)で訓練された前記クラシファイアを使用して、前記開始地理的位置に少なくとも部分的に基づいて前記旅行の意図または前記目的地を予測するステップと、
(d)前記ユーザが前記移動ルートの少なくとも一部分に沿って乗り物で移動している間に、1または複数の取引オプションを電子デバイス上で前記ユーザに提示するステップであって、前記1または複数の取引オプションが(c)で予測された前記旅行の意図または前記目的地に少なくとも部分的に基づいて識別される、ステップと
を含む、方法。 - 前記開始地理的位置が、全地球測位システム(GPS)データの形態で受信される、請求項1に記載の方法。
- 前記開始地理的位置が、前記電子デバイスの地理的位置を部分的に使用して決定され、前記地理的位置が、全地球測位システムまたは信号三角測量によって決定される、請求項1に記載の方法。
- 前記開始地理的位置が、前記電子デバイス上のグラフィカルユーザインターフェース(GUI)を介して前記ユーザによって入力される、請求項1に記載の方法。
- 前記ソートされていない地理空間データが、無相関のGPSデータを含む、請求項1に記載の方法。
- 前記1または複数の訓練データセットが、複数の旅行データレコードのクラスタ解析を使用して取得されたラベル付与されたデータを含む、請求項5に記載の方法。
- 前記ソートされていないまたは無相関のGPSデータを1または複数の個人識別情報と関連付けることによって、前記複数の旅行データレコードを生成するステップをさらに含む、請求項6に記載の方法。
- 前記複数の旅行データレコードが、対応する個人識別情報のソーシャルデータ、輸送データ、または購入データによって拡張される、請求項6に記載の方法。
- 前記クラシファイアを訓練するステップが、1または複数のラベル付与規則に基づいて旅行のセグメントのためのラベルを作成するステップを含む、請求項1に記載の方法。
- 前記移動ルートの1または複数の部分の輸送モードを予測するステップをさらに含む、請求項1に記載の方法。
- 前記輸送モードが、自律乗り物、ライドヘイリングサービス、鉄道輸送、および/または地上大量輸送乗り物を含む、請求項10に記載の方法。
- 前記旅行中に新規位置データを受信すると、前記旅行の意図または前記目的地を更新するステップをさらに含む、請求項1に記載の方法。
- ユーザの旅行の意図または目的地を予測するためのシステムであって、
命令のセットを格納するためのメモリと、
前記命令のセットを実行して、
(a)移動ルートの開始地理的位置および前記ユーザの識別情報に関するデータを受信し、
(b)(i)前記ユーザの前記識別情報に関する前記データ、および(ii)ソートされていない地理空間データを含む1または複数の訓練データセットに少なくとも部分的に基づいてクラシファイアを訓練し、
(c)(b)で訓練された前記クラシファイアを使用して、前記開始地理的位置に少なくとも部分的に基づいて前記旅行の意図または前記目的地を予測し、
(d)前記ユーザが前記移動ルートの少なくとも一部分に沿って乗り物で移動している間に、1または複数の取引オプションを電子デバイス上で前記ユーザに提示し、前記1または複数の取引オプションが(c)で予測された前記旅行の意図または前記目的地に少なくとも部分的に基づいて識別される
ように構成された1または複数のプロセッサと
を備える、システム。 - 前記開始地理的位置が、全地球測位システム(GPS)データの形態で受信される、請求項13に記載のシステム。
- 前記開始地理的位置が、前記電子デバイスの地理的位置を部分的に使用して決定され、前記地理的位置が、全地球測位システムまたは信号三角測量によって決定される、請求項13に記載のシステム。
- 前記開始地理的位置が、前記電子デバイス上のグラフィカルユーザインターフェース(GUI)を介して前記ユーザによって入力される、請求項13に記載のシステム。
- 前記ソートされていない地理空間データが、無相関のGPSデータを含む、請求項13に記載のシステム。
- 前記1または複数の訓練データセットが、複数の旅行データレコードのクラスタ解析を使用して取得されたラベル付与されたデータを含む、請求項17に記載のシステム。
- 前記1または複数のプロセッサが、前記ソートされていないまたは無相関のGPSデータを1または複数の個人識別情報と関連付けることによって、前記複数の旅行データレコードを生成するようにさらに構成される、請求項18に記載のシステム。
- 前記複数の旅行データレコードが、対応する個人識別情報のソーシャルデータ、輸送データ、または購入データによって拡張される、請求項18に記載のシステム。
- 前記1または複数のプロセッサが、1または複数のラベル付与規則に基づいて旅行のセグメントのラベルを作成することによって前記クラシファイアを訓練するように構成される、請求項13に記載のシステム。
- 前記1または複数のプロセッサが、前記移動ルートの1または複数の部分の輸送モードを予測するようにさらに構成される、請求項13に記載のシステム。
- 前記輸送モードが、自律乗り物、ライドヘイリングサービス、鉄道輸送、および/または地上大量輸送乗り物を含む、請求項22に記載のシステム。
- 前記1または複数のプロセッサが、前記旅行中に新規位置データを受信すると、前記旅行の意図または前記目的地を更新するようにさらに構成される、請求項13に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062969472P | 2020-02-03 | 2020-02-03 | |
US62/969,472 | 2020-02-03 | ||
PCT/US2021/015020 WO2021158390A1 (en) | 2020-02-03 | 2021-01-26 | Systems and methods for personalized ground transportation processing and user intent predictions |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023513469A true JP2023513469A (ja) | 2023-03-31 |
Family
ID=77199606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022546639A Pending JP2023513469A (ja) | 2020-02-03 | 2021-01-26 | 個人化された地上輸送処理およびユーザ意図予測のためのシステムおよび方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220341746A1 (ja) |
EP (1) | EP4100911A4 (ja) |
JP (1) | JP2023513469A (ja) |
KR (1) | KR20220131936A (ja) |
CN (1) | CN115053254A (ja) |
WO (1) | WO2021158390A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11054268B2 (en) * | 2018-11-05 | 2021-07-06 | Palo Alto Research Center Incorporated | User behavior influence in transportation systems |
EP3877867A4 (en) | 2018-11-08 | 2022-07-27 | Evangelos Simoudis | VEHICLE DATA MANAGEMENT SYSTEMS AND METHODS |
DE102021103806A1 (de) * | 2021-02-18 | 2022-08-18 | 4.screen GmbH | System sowie Verfahren zum Priorisieren von Navigationszielen von Fahrzeugen |
EP4377922A1 (en) * | 2021-09-07 | 2024-06-05 | Volkswagen Aktiengesellschaft | A method for providing an automatic logbook for a driver of a vehicle, a system, a vehicle, an electronic control device and a computer program product |
CN115100858B (zh) * | 2022-06-20 | 2024-05-07 | 上海海事大学 | 一种共享单车与私人单车出行方式识别方法和*** |
US20240202266A1 (en) * | 2022-12-20 | 2024-06-20 | Amadeus S.A.S. | Computing resource optimization engine based on contextual linkage in a knowledge graph |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8392116B2 (en) * | 2010-03-24 | 2013-03-05 | Sap Ag | Navigation device and method for predicting the destination of a trip |
KR102440472B1 (ko) * | 2016-07-20 | 2022-09-07 | 인포뱅크 주식회사 | 원격 자율 주행 제어 장치 및 방법 |
US9900747B1 (en) * | 2017-05-16 | 2018-02-20 | Cambridge Mobile Telematics, Inc. | Using telematics data to identify a type of a trip |
US20190019254A1 (en) * | 2017-07-14 | 2019-01-17 | Allstate Insurance Company | Distributed data processing systems for processing remotely captured sensor data |
US20210182993A1 (en) * | 2017-10-24 | 2021-06-17 | Metropia, Inc. | Targeted traffic campaign management system |
US20200290647A1 (en) * | 2017-12-20 | 2020-09-17 | Intel Corporation | Coordinated autonomous driving |
US20190186939A1 (en) * | 2017-12-20 | 2019-06-20 | Nio Usa, Inc. | Intelligent trip prediction in autonomous vehicles |
US11118918B2 (en) * | 2017-12-31 | 2021-09-14 | Cellepathy Inc. | Enhanced navigation instruction |
US11054270B1 (en) * | 2018-02-01 | 2021-07-06 | Facebook, Inc. | Generating catalogs of navigation information |
US11120349B1 (en) * | 2018-03-06 | 2021-09-14 | Intuit, Inc. | Method and system for smart detection of business hot spots |
US20190288852A1 (en) * | 2018-03-15 | 2019-09-19 | Ca, Inc. | Probabilistic device identification |
US20200372590A1 (en) * | 2019-05-24 | 2020-11-26 | International Business Machines Corporation | Optimized transportation selection |
WO2021006359A1 (ko) * | 2019-07-05 | 2021-01-14 | 엘지전자 주식회사 | 자율주행시스템에서 장난감 장치를 활용한 차량 제어 방법 및 이를 위한 장치 |
KR20190095198A (ko) * | 2019-07-26 | 2019-08-14 | 엘지전자 주식회사 | 자율 주행 시스템과 그 미디어 재생 방법 |
KR102220950B1 (ko) * | 2019-07-31 | 2021-02-26 | 엘지전자 주식회사 | 자율 주행 시스템에서 차량을 제어하기 위한 방법 및 장치 |
-
2021
- 2021-01-26 EP EP21751366.2A patent/EP4100911A4/en active Pending
- 2021-01-26 JP JP2022546639A patent/JP2023513469A/ja active Pending
- 2021-01-26 WO PCT/US2021/015020 patent/WO2021158390A1/en unknown
- 2021-01-26 CN CN202180012352.7A patent/CN115053254A/zh active Pending
- 2021-01-26 KR KR1020227026936A patent/KR20220131936A/ko unknown
-
2022
- 2022-07-08 US US17/811,438 patent/US20220341746A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4100911A4 (en) | 2024-02-28 |
EP4100911A1 (en) | 2022-12-14 |
KR20220131936A (ko) | 2022-09-29 |
CN115053254A (zh) | 2022-09-13 |
WO2021158390A1 (en) | 2021-08-12 |
US20220341746A1 (en) | 2022-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200363220A1 (en) | Systems and methods for personalized ground transportation | |
US20220341746A1 (en) | Systems and methods for personalized ground transportation processing and user intent predictions | |
JP6918087B2 (ja) | オン・デマンドサービスの情報を提供する方法及びシステム | |
US20230236033A1 (en) | Method for Generating Personalized Transportation Plans Comprising a Plurality of Route Components Combining Multiple Modes of Transportation | |
WO2016138863A1 (zh) | 一种订单配对***及方法 | |
US9294878B2 (en) | Method and apparatus for providing hub-based indexing and services | |
JP5937733B1 (ja) | 情報提供装置、情報提供プログラムおよび情報提供方法 | |
US9689680B2 (en) | Method and apparatus for approaches to provide for combining contexts related to items of interest and navigation | |
JP2019505867A (ja) | オン・デマンド・サービスに関するサービスリクエストを分配するためのシステムおよび方法 | |
US20150363748A1 (en) | Method and apparatus for time-based notification during an event | |
US11408744B2 (en) | Interactive routing information between users | |
US10972900B2 (en) | Method and apparatus for providing selected access to user mobility data based on a quality of service | |
US11830055B2 (en) | Dynamic delivery of crowdsourced travel planning information | |
US11847179B2 (en) | Curated result finder | |
US20160050535A1 (en) | Determining recipient location | |
US20150370903A1 (en) | Delivering Personalized Information | |
JP2022517052A (ja) | 個人体験旅程 | |
US20180174058A1 (en) | Providing dynamic and personalized recommendations | |
CN112050822B (zh) | 用于生成行驶路线的方法、***和装置 | |
Aarella et al. | itour2. 0: A smart tourism application for independent mobility of tourists | |
Ku et al. | Digital convergence services for situation-aware POI touring | |
Cheng et al. | Practical context awareness information system for wireless vehicular networks based on a core telematics platform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20230419 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20230421 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240125 |