TW201738811A - 推薦預計到達時間的系統及方法 - Google Patents
推薦預計到達時間的系統及方法 Download PDFInfo
- Publication number
- TW201738811A TW201738811A TW106113183A TW106113183A TW201738811A TW 201738811 A TW201738811 A TW 201738811A TW 106113183 A TW106113183 A TW 106113183A TW 106113183 A TW106113183 A TW 106113183A TW 201738811 A TW201738811 A TW 201738811A
- Authority
- TW
- Taiwan
- Prior art keywords
- eta
- feature vector
- route
- model
- global feature
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000013598 vector Substances 0.000 claims abstract description 157
- 238000003860 storage Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 13
- 238000000547 structure data Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 description 136
- 210000002569 neuron Anatomy 0.000 description 34
- 230000008569 process Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000029305 taxis Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000004984 smart glass Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000270281 Coluber constrictor Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- ZPUCINDJVBIVPJ-LJISPDSOSA-N ***e Chemical compound O([C@H]1C[C@@H]2CC[C@@H](N2C)[C@H]1C(=O)OC)C(=O)C1=CC=CC=C1 ZPUCINDJVBIVPJ-LJISPDSOSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- OQZCSNDVOWYALR-UHFFFAOYSA-N flurochloridone Chemical compound FC(F)(F)C1=CC=CC(N2C(C(Cl)C(CCl)C2)=O)=C1 OQZCSNDVOWYALR-UHFFFAOYSA-N 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- -1 merchandise Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Educational Administration (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本披露涉及基於預計到達時間(ETA)模型確定路線的預計到達時間的系統及方法。該系統可以執行該方法以獲取一第一電訊號,該第一電訊號與至少一個路線相關,該路線具有至少一個路段;基於第一電訊號,產生並保存至少一個全域特徵向量及至少一個歷史時距的第一結構數據,該至少一個全域特徵向量及至少一個歷史時距與至少一個路線相關;基於至少一個全域特徵向量及至少一個歷史時距,訓練一ETA模型,並產生該模型的第二結構數據;繼而,可以將上述ETA模型的第二結構數據保存至至少一個非暫態電腦可讀儲存媒體中。
Description
本申請一般涉及確定路線的預計到達時間的系統及方法,尤其涉及使用預計到達時間模型確定預計到達時間的系統及方法。
本申請要求2016年4月18日提交的編號為201610242067.5的中國申請的優先權,其內容以引用方式被包括於此。
隨著互聯網技術的發展,隨選服務,如線上計程車呼叫服務及外送服務,在人們的日常生活中扮演著重要角色。例如,用戶(例如,乘客)可以大量使用隨選交通運輸服務。通過線上隨選服務平臺,用戶可以通過安裝在用戶終端(例如,智慧手機終端)中的應用程式,以隨選服務的形式提交一個隨選服務請求。
根據本申請的一方面,一系統包括至少一個非暫態電腦可讀儲存媒體及一個請求方終端的線上隨選服務平臺的至少一個處理器,被配置為與所述至少一個非暫態電腦可讀儲存媒體通訊。所述至少一個非暫態電腦可讀儲存媒體包括一組指令,用於確定一計劃路線的預計到達時間。當所述至少一個處理器執行所述一組指令時,所述至少一處理器可以執行
以下操作中的一個或多個。所述至少一個處理器可以獲取第一電訊號,所述第一電訊號可以與至少一個路線相關,所述路線具有至少一個路段。基於所述第一電訊號,所述至少一個處理器可以產生並保存至少一個全域特徵向量和至少一個歷史時距的第一結構數據,所述全域特徵向量和所述歷史時距可以與所述至少一條路線相關。所述至少一個處理器可以產生一預計到達時間模型的第二結構數據,所述模型可以基於所述至少一全域特徵向量和所述至少一歷史時距進行訓練。所述至少一個處理器可以將預計到達時間模型的第二結構數據保存於所述至少一個非暫態電腦可讀儲存媒體中。
根據本申請的進一步的方面,一方法可以包括一個或多個以下操作中的一個或多個。一請求方終端的線上隨選服務平臺的至少一個電腦伺服器可以獲取第一電訊號,所述第一電訊號可以與至少一條路線相關,所述路線具有至少一個路段。基於所述第一電訊號,所述至少一個電腦伺服器可以產生並保存至少一個全域特徵向量和至少一個歷史時距的第一結構數據,所述全域特徵向量和所述歷史時距可以與所述至少一條路線相關。所述至少一個電腦伺服器可以產生一預計到達時間模型的第二結構數據,所述模型可以基於所述至少一個全域特徵向量和所述至少一個歷史時距進行訓練。所述至少一個電腦伺服器可以將所述預計到達時間模型的所述第二結構數據保存於所述至少一個非暫態電腦可讀儲存媒體中。
根據本申請的另一方面,一非暫態機器可讀儲存媒體可以包括指令。當所述非暫態機器可讀儲存媒體被一請求方終端的線上隨選服務平臺的至少一個處理器訪問時,所述指令可以使所述至少一個處理器執行
以下操作中的一個或多個。所述指令可以使所述至少一個處理器,通過無線網路獲取一隨選服務請求,所述請求包括一現在默認的服務地點。所述指令可以使所述至少一伺服器,獲取一第一電訊號,所述第一電訊號與至少一條路線相關,所述路線具有至少一個路段。基於所述第一電訊號,所述指令可以使所述至少一處理器產生並保存至少一個全域特徵向量和至少一個歷史時距的第一結構數據,所述全域特徵向量和所述歷史時距可以與所述至少一條路線相關。所述指令可以使所述至少一個處理器產生一預計到達時間模型的第二結構數據,所述模型可以基於所述至少一個全域特徵向量和至少一個歷史時距進行訓練。所述指令可以使所述至少一個處理器將所述預計到達時間模型的所述第二結構數據保存於至少一個非暫態電腦可讀儲存媒體。
100‧‧‧隨選服務系統
110‧‧‧伺服器
112‧‧‧處理引擎
120‧‧‧網路
120-1~120-2‧‧‧互聯網交換點
130‧‧‧服務請求方終端
130-1‧‧‧行動裝置
130-2‧‧‧平板電腦
130-3‧‧‧膝上型電腦
130-4‧‧‧內建裝置
140‧‧‧服務提供方終端
150‧‧‧車輛
160‧‧‧資料庫
170‧‧‧導航系統
210‧‧‧獲取模組
220‧‧‧分析模組
230‧‧‧確定模組
240‧‧‧預測模組
310‧‧‧步驟
320‧‧‧步驟
330‧‧‧步驟
340‧‧‧步驟
410‧‧‧步驟
420‧‧‧步驟
430‧‧‧步驟
440‧‧‧步驟
450‧‧‧步驟
460‧‧‧步驟
470‧‧‧步驟
480‧‧‧步驟
510‧‧‧步驟
520‧‧‧步驟
530‧‧‧步驟
540‧‧‧步驟
550‧‧‧步驟
560‧‧‧步驟
570‧‧‧步驟
580‧‧‧步驟
590‧‧‧步驟
610‧‧‧路線ID
620‧‧‧駕駛距離
630‧‧‧紅綠燈數量
640‧‧‧路寬
650‧‧‧車型
660‧‧‧駕駛排名
670‧‧‧歷史時距
810‧‧‧輸入層
820‧‧‧隱藏層
830‧‧‧輸出層
1010‧‧‧匯流排
1020‧‧‧中央處理單元
1030‧‧‧唯讀記憶體(ROM)
1040‧‧‧隨機存取記憶體(RAM)
1050‧‧‧通訊端口
1060‧‧‧輸入/輸出
1070‧‧‧磁碟
1080‧‧‧用戶介面
1110‧‧‧通訊平臺
1120‧‧‧顯示螢幕
1130‧‧‧圖形處理單元(GPU)
1140‧‧‧中央處理單元(CPU)
1150‧‧‧輸入/輸出
1160‧‧‧記憶體
1170‧‧‧行動作業系統
1180‧‧‧應用程式
1190‧‧‧儲存媒體
本申請通過示例性實施例進行進一步描述。這些示例性實施例將通過附圖進行詳細描述。這些實施例並非限制性的,在這些實施例中,相同的編號表示相同的結構,其中:圖1係根據本申請的一些實施例所示的一種示例性隨選服務系統的方塊圖;圖2係根據本申請的一些實施例所示的一種示例性處理引擎的方塊圖;圖3係根據本申請的一些實施例所示的一種確定運輸服務的預計到達時間的示例性流程和/或方法的流程圖;圖4係根據本申請的一些實施例所示的一種確定計劃路線
的預計到達時間的示例性流程和/或方法的流程圖;圖5係根據本申請的一些實施例所示的一種基於預計到達時間子模型確定預計到達時間的示例性流程和/或方法的流程圖;圖6係根據本申請的一些實施例所示的一種與全域特徵向量相關的表格的示意圖;圖7係根據本申請的一些實施例所示的一種决策樹作為預計到達時間模型的示意圖;圖8係根據本申請的一些實施例所示的一種類神經網路作為預計到達時間模型的示意圖;圖9係根據本申請的一些實施例所示的一種用於確定預計到達時間的物理模型的示意圖;圖10係根據本申請的一些實施例所示的一種計算裝置的示例性硬體和/或軟體組件的示意圖;及圖11係根據本申請的一些實施例所示的一種示例性行動裝置的示例性硬體和/或軟體組件的示意圖。
下述描述是為了使本領域普通技術人員能製造和使用本申請,並且該描述是在特定的應用場景及其要求的背景下提供的。對於本領域的普通技術人員來說,顯然可以對所披露的實施例作出各種改變。另外,在不偏離本申請的原則和範圍的情况下,本申請中所定義的普遍原則可以適用於其他實施例和應用場景。因此,本申請並不限於所披露的實施例,而應被給予與權利要求一致的最寬泛的範圍。
此處使用的術語僅僅用於描述特定的示意性實施例,並且不具有限定性。如本申請和權利要求書中所示,除非上下文明確提示例外情形,“一”、“一個”、“一種”和/或“該”等詞並非特指單數,也可以包括複數。應該被理解的是,本申請中所使用的術語“包括”與“包括”僅提示已明確標識的特徵、整數、步驟、操作、元素和/或部件,而不排除可以存在和添加其他一個或多個特徵、整數、步驟、操作、元素、部件和/或其組合。
在考慮了作為本申請一部分的附圖的描述內容後,本申請的特徵和特點以及操作方法、結構的相關元素的功能、各部分的組合、製造的經濟性變得顯而易見。然而,應該理解的是,附圖是不按比例的,並且附圖是示意性的,不對本申請的範圍加以限制。
本申請中使用了流程圖用於說明根據本申請的實施例的系統所執行的操作。應當理解的是,流程圖的操作不一定按照順序來精確地執行。相反,可以按照倒序或同時處理各種步驟。同時,也可以將其他操作添加到這些過程中,或從這些過程移除某一步或數步操作。
同時,雖然本申請的系統和方法的描述主要關於分配交通運輸服務請求,應該理解的是,這只是一個示例性的實施例。本申請的系統和方法可以能適用於其他任一種隨選服務。例如,本申請的系統和方法可以應用於不同的運輸系統,包括陸地、海洋、航空航天等或上述舉例的任意組合。該運輸系統涉及的車輛可以包括計程車、私家車、順風車、巴士、列車、子彈列車、高鐵、地鐵、船舶、飛機、飛船、熱氣球、無人駕駛的車輛等或上述舉例的任意組合。該運輸系統也可以包括應用管理和/或分配
的任一運輸系統,例如,接收和/或送快遞的系統。本申請的系統和方法的應用場景可以包括網頁、瀏覽器插件、客戶端、訂製系統、企業內部分析系統、人工智慧機器人等或上述舉例的任意組合。
在本申請中,術語“乘客”、“請求方”、“服務請求方”和“客戶”可以交換使用,其表示可以請求或預定服務的個體、實體或工具。在本申請中,術語“司機”、“提供方”、“服務提供方”和“供應方”也可以交換使用,其表示可以提供服務或促進該服務提供的個體、實體或工具。
在本申請中,術語“服務請求”、“請求”和“訂單”可以交換使用,其表示由乘客、請求方、服務請求方、客戶、司機、提供方、服務提供方、供應方等或上述舉例的任意組合所發起的請求。該服務請求可以被乘客、請求方、服務請求方、客戶、司機、提供方、服務提供方、供應方中的任一個接受。該服務請求可以是收費的或免費的。
本申請中的術語“服務提供方終端”和“司機終端”可以交換使用,其表示服務提供方所使用的用於提供服務或促進服務提供的行動終端。本申請中的術語“服務請求方終端”和“乘客終端”可以交換使用,其表示服務請求方所使用的用於請求或預定服務的行動終端。
本申請中使用的定位技術可以包括全球定位系統(GPS)、全球衛星導航系統(GLONASS)、北斗導航系統(COMPASS)、伽利略定位系統、准天頂衛星系統(QZSS)、無線保真(WiFi)定位技術或類似等或上述舉例的任意組合。以上定位技術中的一個或多個可以在本申請中交換使用。
本申請的一方面涉及線上系統級方法,用於基於預計到達時間(ETA)模型確定一條路線的預計到達時間。該系統及方法將一條包括至少一路段的路線作為一個整體,並獲取其一個全域特徵向量。因此,所述全域特徵不僅包括各路段的特徵,還包括不同的相鄰或不相鄰路段的內在聯繫。獲取多個路線的全域特徵向量後,該系統及方法可以根據這些路線的全域特徵向量和車輛通過這些線路所需的歷史旅行時距訓練ETA模型。進而,訓練好的ETA模型可以用於確定實際司機的預計到達時間。
需要注意的是,線上隨選交通運輸服務,如線上計程車呼叫,是一起源於後互聯網時代的新興服務。它提供給乘客和司機的技術方案在後互聯網時代將得到提升。在前互聯網時代,當乘客呼叫計程車時,該乘客無法獲悉到達目的地或者一地點的預估時間。如果乘客通過電話呼叫了一輛計程車,對於服務提供方(如,司機、計程車公司、郵局、快遞公司或代理商等)來說,很難為乘客預計到達目的地的時間。然而,基於一ETA模型和一從計劃路線獲取的計劃特徵向量,線上隨選交通運輸系統可以為乘客確定一預計到達時間。通過訓練全域特徵向量和歷史時距,線上隨選交通運輸系統可以為計劃路線提供ETA模型或ETA子模型。在確認交通運輸服務(例如,呼叫一輛計程車)的服務請求之前,用戶(例如,乘客或司機)可以使用該ETA模型或者ETA子模型來預測ETA。用於訓練ETA模型或者ETA子模型的全域特徵向量可以從與至少一路段相關的電信號中獲取。因此,通過互聯網,線上隨選交通運輸系統可以給乘客和司機提供一個更方便和高效的交易平臺,這在傳統的前互聯網交通運輸服務系統中是無法滿足的。
圖1係根據一些實施例所示的一種示例性隨選服務系統100的模組圖。例如,隨選服務系統100可以是一提供運輸服務的線上運輸服務平臺。隨選服務系統100可以包括一伺服器110、一網路120、一服務請求方終端130、一服務提供方終端140、一車輛150、一個資料庫160和一個導航系統170。
隨選服務系統100可以提供多種服務。示例性的服務可以包括計程車呼叫服務、代駕服務、快遞服務、共乘服務、公車服務、司機招聘服務和接送服務。在一些實施例中,隨選服務可以是任意線上服務,如訂餐、購物等或其任意組合。
在一些實施例中,伺服器110可以是一個單個的伺服器或者一個伺服器群。該伺服器群可以是集中式的或分布式的(例如,伺服器110可以是一分布式的系統)。在一些實施例中,伺服器110可以是本地的或遠端的。例如,伺服器110可以通過網路120訪問儲存在服務請求方終端130、服務提供方終端140和/或資料庫160中的資訊和/或數據。再例如,伺服器110可以直接連接到服務請求方終端130、服務提供方終端140和/或資料庫160以訪問儲存的資訊和/或數據。在一些實施例中,伺服器110可以在一個雲平臺上實現。僅僅舉個例子,該雲平臺可以包括私有雲、公共雲、混合雲、社區雲、分布雲、跨雲、多雲或類似等或上述舉例的任意組合。在一些實施例中,伺服器110可以在一個計算裝置1000上實現,如本申請圖10所示,計算裝置1000包括一個或多個部件。
在一些實施例中,伺服器110可以包括一個處理引擎112。處理引擎112可以處理與服務請求相關的資訊和/或數據以執行本申請描述
的一個或多個功能。例如,處理引擎112可以確定一個或多個備選服務提供方終端,以響應從服務請求方終端130接收的服務請求。在一些實施例中,處理引擎112可以包括一個或多個處理引擎(例如,單晶片處理器或多晶片處理器)。僅僅舉個例子,處理引擎112可以包括一個或多個硬體處理器,例如中央處理單元(CPU)、特定應用積體電路(ASIC)、特定應用指令集處理器(ASIP)、影像處理單元(GPU)、物理運算處理單元(PPU)、數位訊號處理器(DSP)、現場可以程式閘陣列(FPGA)、可以程式邏輯裝置(PLD)、控制器、微控制器單元、精簡指令集電腦(RISC)、微處理器或類似等或上述舉例的任意組合。
網路120可以促進資訊和/或數據的交換。在一些實施例中,隨選服務系統100中的一個或多個部件(例如,伺服器110、服務請求方終端130、服務提供方終端140、車輛150、資料庫160和導航系統170)可以通過網路120向隨選服務系統100中的其他部件發送資訊和/或數據。例如,伺服器110可以通過網路120從服務請求方終端130獲取/得到服務請求。在一些實施例中,網路120可以是有線網路或無線網路中的任意一種,或其組合。僅僅舉個例子,網路120可以包括電纜網路、有線網路、光纖網路、遠端通信網路、內聯網、互聯網、局域網(LAN)、廣域網(WAN)、無線局域網(WLAN)、城域網(MAN)、公共開關電話網路(PSTN)、藍牙網路、ZigBee網路、近場通訊(NFC)網路或類似等或上述舉例的任意組合。在一些實施例中,網路120可以包括一個或多個網路接入點。例如,網路120可以包括有線或無線網路接入點,如基站和/或互聯網交換點120-1、120-2、……。通過接入點,隨選服務系統100的一個或多個部件可以連接
到網路120以交換數據和/或資訊。
在一些實施例中,請求方可以是服務請求方終端130的所有者。在一些實施例中,服務請求方終端130的所有者可以是乘客的外的其他人。例如,服務請求方終端130的所有者A可以使用服務請求方終端130為乘客B發送一個服務請求,或從伺服器110接收服務和/或資訊或指示。在一些實施例中,提供方可以是服務提供方終端140的用戶。在一些實施例中,服務提供方終端140的使用者可以是服務提供方外的其他人。例如,服務提供方終端140的用戶C可以使用服務提供方終端140為用戶D接收一個服務請求和/或從伺服器110接收資訊或指示。在一些實施例中,“乘客”和“乘客終端”可以交換使用,“服務提供方”和“服務提供方終端”可以交換使用。在一些實施例中,一個服務提供方終端可以與一個或多個服務提供方(例如,夜間服務提供者或白天服務提供者)相關。
在一些實施例中,服務請求方終端130可以包括行動裝置130-1、平板電腦130-2、膝上型電腦130-3、車輛中的內建裝置130-4或類似等或上述舉例的任意組合。在一些實施例中,行動裝置130-1可以包括智慧家居裝置、可穿戴裝置、智慧行動裝置、虛擬實境裝置、增强實境裝置或類似等或上述舉例的任意組合。在一些實施例中,智慧家居裝置可以包括智慧照明裝置、智慧電器的控制裝置、智慧監測裝置、智慧電視、智慧攝影機、對講機或類似等或上述舉例的任意組合。在一些實施例中,可穿戴裝置可以包括智慧手環、智慧鞋襪、智慧眼鏡、智慧頭盔、智慧手錶、智慧衣物、智慧背包、智慧配飾或類似等或上述舉例的任意組合。在一些實施例中,智慧行動裝置可以包括智慧手機、個人行動助理、遊戲裝置、導
航裝置、POS機或類似等或上述舉例的任意組合。在一些實施例中,虛擬實境裝置和/或增强實境裝置可以包括虛擬實境頭盔、虛擬實境眼鏡、虛擬實境眼罩、增强實境頭盔、增强實境眼鏡、增强實境眼罩或類似等或上述舉例的任意組合。例如,虛擬實境裝置和/或增强實境裝置可以包括GoogleTM Glass、Oculus Rift、HoloLens、Gear VR等。在一些實施例中,車輛中的內建裝置130-4可以包括車載電腦、車載電視等。在一些實施例中,服務請求方終端130可以是一個帶有定位技術的裝置,該定位技術可以用於定位乘客和/或服務請求方終端130的位置。
服務提供方終端140可以包括多個服務提供方終端140-1、140-2、……、140-n。在一些實施例中,服務提供方終端140可以是與服務請求方終端130類似或者相同的裝置。在一些實施例中,服務提供方終端140可以是訂製的,用於實現該線上隨選交通運輸服務。在一些實施例中,服務提供方終端140可以是一個帶有定位技術的裝置,該定位技術可以用於定位服務提供方、服務提供方終端140和/或與服務提供方終端相關的車輛150的位置。在一些實施例中,服務請求方終端130和/或服務提供方終端140可以與其他定位裝置通信以確定乘客、服務請求方終端130、服務提供方和/或服務提供方終端140的位置。在一些實施例中,服務請求方終端130和/或服務提供方終端140可以周期性地將該定位資訊發送至伺服器110。在一些實施例中,服務提供方終端140也可以周期性地將可用狀態發送至伺服器110。該可用狀態可以表明與服務提供方終端140相關的車輛150是否可以接載乘客。例如,服務請求方終端130和/或服務提供方終端140可以每30分鐘將該定位資訊和該可用狀態發送至伺服器110。又例如,服
務請求方終端130和/或服務提供方終端140可以在每次用戶登錄與隨選交通運輸服務系統相關的行動應用程式時將該定位資訊和該可用狀態發送至伺服器110。
在一些實施例中,服務提供方終端140可以對應一個或多個車輛150。車輛150可以接載乘客並送至目的地。車輛150可以包括多個車輛150-1、150-2、……、150-n。一個車輛可以對應一種類型的服務(例如,計程車呼叫服務、代駕服務、快遞服務、共乘服務、公車服務、司機招聘服務和接送服務)。
資料庫160可以儲存數據和/或指令。在一些實施例中,資料庫160可以儲存從服務請求方終端130和/或服務提供方終端140獲得的數據。在一些實施例中,資料庫160可以儲存供伺服器110執行或使用的數據和/或指令,伺服器110可以通過執行或使用該數據和/或指令以實現本申請描述的示例性方法。在一些實施例中,資料庫160可以包括大容量儲存器、可以行動儲存器、揮發性讀寫記憶體、唯讀記憶體(ROM)或類似等或上述舉例的任意組合。示例性的大容量儲存器可以包括磁碟、光碟、固態磁碟等。示例性的可以行動儲存器可以包括快閃驅動器、軟碟、光碟、記憶卡、壓縮碟、磁帶等。示例性的揮發性唯讀記憶體可以包括隨機儲存器(RAM)。示例性的隨機儲存器可以包括動態隨機儲存器(DRAM)、雙倍速率同步動態隨機儲存器(DDR SDRAM)、靜態隨機儲存器(SRAM)、閘流體隨機儲存器(T-RAM)和零電容儲存器(Z-RAM)等。示例性的唯讀記憶體可以包括掩蔽型唯讀記憶體(MROM)、可以程式唯讀記憶體(PROM)、可以清除可以程式唯讀記憶體(EPROM)、電子可以抹除可以
程式唯讀記憶體(EEPROM)、壓縮磁碟唯讀記憶體(CD-ROM)和數位通用磁碟唯讀記憶體等。在一些實施例中,資料庫150可以在一個雲平臺上實現。僅僅舉個例子,該雲平臺可以包括私有雲、公共雲、混合雲、社區雲、分布雲、跨雲、多雲或類似等或上述舉例的任意組合。
在一些實施例中,資料庫160可以與網路120連接以與隨選服務系統100的一個或多個部件(例如,伺服器110、服務請求方終端130、服務提供方終端140等)通信。隨選服務系統100的一個或多個部件可以通過網路120訪問儲存在資料庫160中的數據或指令。在一些實施例中,資料庫160可以直接與隨選服務系統100的一個或多個部件(例如,伺服器110、服務請求方終端130、服務提供方終端140等)連接或通信。在一些實施例中,資料庫160可以是伺服器110的一部分。
導航系統170可以確定與物體相關的資訊,例如,一個或多個服務請求方終端130、服務提供方終端140、車輛150等。在一些實施例中,導航系統170可以是全球定位系統(GPS)、全球衛星導航系統(GLONASS)、北斗導航系統(COMPASS)、北斗衛星導航系統、伽利略定位系統、准天定衛星系統(QZSS)等。該資訊可以包括物體的位置、海拔、速度、加速度或當前時間。導航系統170可以包括一個或多個衛星,例如,衛星170-1、衛星170-2和衛星170-3。衛星170-1至170-3可以獨立地或共同地確定上述資訊。衛星導航系統170可以通過無線連接將上述資訊發送至網路120、服務請求方終端130、服務提供方終端140或車輛150。
在一些實施例中,隨選服務系統100的一個或多個部件(例如,伺服器110、服務請求方終端130、服務提供方終端140等)可以擁有
訪問資料庫160的許可。在一些實施例中,當滿足一個或多個條件時,隨選服務系統100的一個或多個部件可以讀取和/或修改與乘客、服務提供方和/或公衆相關的資訊。例如,一個服務結束後,伺服器110可以讀取和/或修改一個或多個乘客的資訊。又例如,一個服務結束後,伺服器110可以讀取和/或修改一個或多個服務提供方的資訊。
在一些實施例中,隨選服務系統100的一個或多個部件的資訊交換可以通過請求一個服務的方式啟動。該服務請求的客體可以是任何產品。在一些實施例中,該產品可以包括食品、醫藥、商品、化學產品、電器、衣物、小汽車、房屋、奢侈品或類似等或上述舉例的任意組合。該產品可以包括服務產品、金融產品、知識產品、互聯網產品或類似等或上述舉例的任意組合。互聯網產品可以包括個人主機產品、網站產品、行動互聯網產品、商業主機產品、嵌入式產品或類似等或上述舉例的任意組合。行動互聯網產品可以用於行動終端的軟體、程式、系統或類似等或上述舉例的任意組合。行動終端可以包括平板電腦、便携式電腦、行動手機、個人數位助理(PDA)、智慧手錶、POS機、車載電腦、車載電視、可穿戴裝置或類似等或上述舉例的任意組合。例如,該產品可以是用於電腦或行動手機中的任意的軟體和/或應用程式。該軟體和/或應用程式可以與社交、購物、交通、娛樂、學習、投資或類似等或上述舉例的任意組合相關。在一些實施例中,與交通相關的軟體和/或應用程式可以包括旅行軟體和/或應用程式、交通工具調度軟體和/或應用程式、地圖軟體和/或應用程式等。在交通工具調度軟體和/或應用程式中,交通工具可以包括馬、馬車、人力車(例如獨輪手推車、自行車、三輪車等)、汽車(例如,計程車、公共汽車、私
家車等)、火車、地鐵、船舶、航空器(例如,飛機、直升機、航天飛機、火箭、熱氣球等)或類似等或上述舉例的任意組合。
本領域普通技術人員應當理解,當隨選服務系統100中的一個組件進行操作時,該組件可以通過電訊號和/或電磁訊號執行操作。例如,當服務請求方終端130向伺服器110發出一個服務請求時,服務請求方終端130的處理器可以產生一個編碼該請求的電訊號。進而,服務請求方終端130的處理器可以將該電訊號發送至一個輸出端口。如果服務請求方終端130通過一有線網路與伺服器110通訊,則該輸出端口可以物理連接至一電纜,該電纜可以進一步將該電訊號傳輸至伺服器110的一個輸入端口。如果服務請求方終端130通過一無線網路與伺服器110通訊,服務請求方終端130的輸出端口可以是一個或多個天線,該天線可以將電訊號轉換為電磁訊號。類似地,服務提供方終端|[XL1]140可以通過電訊號或者電磁訊號從伺服器110接收指令和/或服務請求。在電子裝置中,如服務請求方終端130、服務提供方終端140和/或伺服器110,當其處理器處理指令、發出指令和/或執行操作時,該指令和/或該操作通過電訊號來執行。例如,當處理器從儲存媒體中檢索或保存數據時,它可以向儲存媒體的讀/寫裝置發送電訊號,以讀或寫儲存媒體中的結構數據。該結構數據可以通過電子裝置的匯流排,以電訊號的形式傳輸至處理器。此處電訊號可以指一個電訊號、一系列電訊號和/或多個離散的電訊號。
圖2係根據本申請的一些實施例所示的示例性處理引擎112的模組圖。處理引擎112可以包括一獲取模組210、一分析模組220、一確定模組230和一預測模組240。每個模組都可以是一用於執行下述操作的硬
體電路、一組儲存於一個或多個儲存媒體的指令和/或該硬體電路和一個或多個儲存媒體的組合。
獲取模組210可以被配置為從隨選服務系統100中獲取與一條線路(或多條線路)相關聯的道路相關數據。在一些實施例中,道路相關數據可以作為電訊號進行傳輸。例如,道路相關數據可以被代替或等同於在本申請其他位置描述的電訊號或用於編碼道路相關數據的電訊號。路線可以對應於一交通運輸服務或商品送貨服務。交通運輸服務可以包括計程車呼叫服務、代駕服務、快運包裹服務、共乘服務、公車服務、短期代駕服務、接送服務或類似等或其任意組合。路線可以由至少一個用戶終端或線上隨選運輸平臺(如系統100)的伺服器產生。該至少一個用戶終端可以與至少一個服務提供方(如司機)或者服務請求方(如乘客)相關。例如,在發出交通運輸服務請求後,乘客終端可以產生或者從平臺獲取地圖中的一條路線用於運輸服務。在一些實施例中,該路線可以被記錄和/或儲存於隨選服務系統100中。例如,在運輸服務過程中,隨選服務系統100可以通過網路120記錄任何關於路線的資訊,並且將該資訊保存於資料庫160或者隨選服務系統100的任意組件中。
在一些實施例中,獲取模組210可以獲取隨選服務系統100中與多條路線相關的道路相關數據。例如,獲取模組210可以獲取隨選服務系統100中最近6個月產生的用於共乘(carpool)服務的路線。在一些實施例中,這些路線可以進一步分成不同的群集。例如,這些路線可以基於車輛類型、服務類型、線路的區域、路線的時間間隔進行分類。車輛類型可以包括私家車、計程車、卡車、摩托車、自動駕駛汽車、電車、自行車
或類似等或其任意組合。服務類型可以包括船貨服務、郵政服務、訂餐服務、公車服務、順風車服務、專車服務、快運包裹車服務、車輛租賃服務、駕駛服務、代駕服務或類似等或其任意組合。路線區域可以為地圖中的地理位置和/或行政區域,至少部分路線位於其中。路線間隔時間可以為包括路線起始時間和/或結束時間的時間期間。僅為舉例,一天(從0點至24點)可以被分成多個時間間隔。僅為舉例,該時間間隔可以包括0點至2點、2點至4點、……、23點至24點。在一些實施例中,該時間間隔可以基於其他資訊决定,例如,假期、工作日、高峰期、天氣或類似等或其任意組合。當路線的起始時間或結束時間屬一時間間隔(例如,8點至10點)時,則該路線可以相應地屬這個時間間隔(例如,8點至10點)。在一些實施例中,一條路線可以屬一時間間隔。在另一些實施例中,一條路線可以屬至少兩個時間間隔。
分析組模220可以被配置為確定一路線的全域特徵向量和歷史旅行時距。
全域特徵向量可以為一數學表達式(例如,向量),用於描述整體路線的特徵。例如,路線可以包括至少一個路段。全域特徵向量不僅包括路線中單個路段的特徵,還包括反映不同單個路段之間關係的特徵。
在一些實施例中,全域特徵向量可以是一行向量或者一列向量。全域特徵向量可以對應一N維坐標系統。每個維度可以與路線的一項或特徵相關。在一些實施例中,全域特徵向量可以包括至少兩個路段之間的相互關係。在一些實施例中,全域特徵向量的項或特徵可以排除該路線與其他路線的相互關係。例如,全域特徵向量可以根據單獨一條路線確定。
在一些實施例中,全域特徵向量的項或特徵可以包括不同路線之間的相互關係。例如,一目標路線的全域特徵向量可以根據兩條或多條路線(例如,數百條路線、數百萬條路線、數十億條路線等等)確定,其道路條件可以影響目標路線的道路條件。全域特徵向量可以由分析模組220進一步分析或用於建立一包括多個訓練樣本的訓練集。該訓練集可以由確定模組230使用,通過如一機器學習方法,訓練或建立一模型。
在一些實施例中,全域特徵向量可以包括多項或多個特徵(例如,數百萬項或特徵),例如,交通狀態、行駛距離、起始時間、起始地點、目的地、衛星定位取樣點序列、指定等級道路上的行駛距離、路段數量、具有交通信號燈的十字路口數量、沒有交通信號燈的十字路口數量、車輛狀態或類似等或其任意組合。交通狀態可以包括即時道路速度或估計的道路速度。行駛距離可以包括路線的總距離或每一路段的距離。起始時間可以包括接到乘客的時間或用戶(例如,司機)收到或確認服務請求的時間。起始地點可以包括接到乘客的地點或乘客等候司機的地點。衛星定位取樣點序列可以為一序列,包括衛星確定的(例如,通過GPS系統)車輛位置。指定等級道路上的行駛距離可以為車輛在指定等級的道路(例如,如高速公路、地方公路、一級道路、二級道路、三級道路等)上的行駛距離。路段的數量可以為一條路線中路段的總數量。車輛狀態可以包括交通服務請求的訪問狀態(例如,可以接受服務請求)、響應概率、司機偏好、車型、車輛當前乘客數量、車輛的最大乘客量、車輛顏色、司機服務等級、車輛當前速度、或任意車輛相關資訊或類似等或其任意組合。
在一些實施例中,全域向量特徵可以基於或至少部分基於其
他系統的資訊(例如,天氣預報系統、交通導向系統或交通廣播系統等)確定。離線資訊可以包括天氣資訊、交通事故資訊、交通擁堵狀况、交通管制或任何路線相關資訊。天氣資訊可以包括即時天氣資訊、基本即時天氣資訊、天氣預報資訊等。處理引擎112可以從資料庫160、天氣條件平臺(例如,天氣預報網站)、交通導向平臺和/或任何其他可以提供這些資訊的裝置獲取上述資訊以確定全域特徵向量。例如,全域特徵向量可以基於路線相關數據和路線相關的天氣條件確定。
在一些實施例中,一路線的歷史旅行時距(如“歷史時距”)可以為發生於該路線上的歷史旅行記錄,例如,記錄的每一車輛行駛於該路線(從起始位置到結束位置或目的地)上的全部時間。在一些實施例中,該全部時間可以進一步包括,如,行走時間、騎行時間、乘車時間、行駛時間、飛行時間、運送時間或類似等或其任意組合。
在一些實施例中,分析模組220可以產生並保存與該路線相關聯的全域特徵向量和歷史時距的結構數據。該結構數據可以基於B-樹或雜湊表進行構造或檢索。
確定模組230可以被配置為,基於全域特徵向量和歷史時距,確定預計到達時間(ETA)模型的結構數據。該ETA模型可以用於預測ETA。在一些實施例中,ETA模型可以儲存為一應用程式,其可以用於用戶終端(例如,司機終端)或線上平臺(例如,網站)。例如,ETA模型可以被發送至一智慧手機,該智慧手機可以用於交通運輸服務的司機終端,進而該司機可以登錄應用程式以預測從一地點到另一地點的ETA。再如,該模型可以儲存於線上隨選服務系統100(例如,資料庫160)中,乘
客可以通過網路120或有線連接下載或者使用該ETA模型。在一些實施例中,該ETA模型可以儲存於一儲存媒體中。例如,ETA模型可以儲存於一非暫態電腦可讀媒體(例如,通用串行匯流排隨身碟)中,其可以由線上隨選服務系統100或用戶終端(例如,乘客終端)使用。
在一些實施例中,ETA模型可以安裝在另一系統中以預測ETA。例如,ETA模型可以安裝在賽車視訊遊戲系統中用於預測ETA。再如,ETA模型可以應用於一玩具車手柄控制系統中以確定玩具車的ETA。再如,ETA模型可以進一步地用於一仿真駕駛裝置中,在該仿真裝置中訓練一名賽車手或者太空人。再如,該ETA可以用於一公共雲中,用戶可以訪問該雲並使用該ETA模型。
預測模組240可以被配置為確定一編碼道路相關數據的第二電訊號的ETA。道路相關數據與包括至少一個路段的計劃路線相關。計劃路線的ETA可以用於確定計劃路線中從起始位置到結束位置的一時距。例如,該計劃路線的起始地點和結束地點之間的ETA可以被預測為5分鐘、2小時或1天等。
在一些實施例中,ETA可以被動態地確定。例如,ETA可以基於天氣條件(例如,霧霾或雷陣雨)或交通事故條件被動態調整。再如,當車輛改變其駕駛模式時,ETA可以被動態調整。例如,車輛可以包括非自動駕駛模式、輔助駕駛模式、半自動駕駛模式、條件自動駕駛模式、高自動駕駛模式、全自動駕駛模式中的至少兩種模式。當車輛從其中一種模式切換成另一種模式時,ETA可以被動態地被調整。
處理引擎112中的模組可以通過有線連接或者無線連接,進
行互相連接或通訊。有線連接可以包括金屬線纜、光纖、混合電纜或類似等或其任意組合。無線連接可以包括局域網(LAN)、廣域網(WAN)、藍牙、ZigBee、近場通訊(NFC)或類似等或其任意組合。在一些實施例中,任意兩個模組可以合並成一模組,並且任意一模組可以被拆分成兩個或者多個單元。
圖3係根據本申請的一些實施例所示的確定交通運輸服務的預計到達時間的示例性流程和/或方法的流程圖。流程和/或方法300可以由線上隨選服務系統100執行。例如,流程和/或方法300可以被執行為儲存在資料庫160中的指令集(例如,一應用程式)。處理引擎112可以執行所述指令並相應地在一線上隨選服務平臺中執行流程和/或方法300。該平臺可以為一基於互聯網的平臺,其通過互聯網連接隨選服務提供方和請求方。
在步驟310中,處理引擎112可以獲取與路線相關聯的道路相關數據。在一些實施例中,道路相關數據可以由處理引擎112通過電訊號進行編碼。路線可以包括至少一個路段。該路段可以基於或部分基於道路等級、紅綠燈、城市、省、國家、地理環境、與道路或路線相關的交通標識或類似等或其任意組合進行劃分。例如,路段可以基於道路等級進行劃分。道路等級可以包括一級高速公路、二級高速公路、三級高速公路、本地路段或類似等或其任意組合。
再如,路段可以基於紅綠燈和/或高路公路出口進行劃分。相應地,一條路線可以包括第一路段、第二路段、第三路段、……、第N路段。相鄰的兩個路段可以通過至少一個紅綠燈進行連接。
再如,路段可以基於地理環境進行劃分。例如,河流、橋、鐵路、收費站或類似等或其任意組合可以用於將一條道路劃分成兩個相鄰的路段。
在一些實施例中,一路段的數據不僅可能被相同路線中的其他路段影響,而且可能被其他路線中的路段影響。例如,一條路線中的一路段可以直接地或間接地與相同和/或不同路線中的其他路段相關。例如,與一路段相關的第一道路相關數據(例如,車禍發生於第一路線的第一路段上)可能影響或關聯與另一路段相關的第二道路相關數據(例如,第二路線的第二路段的交通)。再如,一單獨的路線可以包括兩個路段,兩個路段可以由紅綠燈連接。第一路段的交通事故可能影響第二路段的行駛速度,或第一路段的交通堵塞(例如,車禍引起的交通堵塞)可能蔓延到第二路段,隨後導致第二路段的交通堵塞。再如,如果高速公路包括通過綠色屏障進行連接的兩個相反路線,第一路線中一路段的車輛管制可能導致第一路線對面的第二路線中另一路段的交通堵塞。
在一些實施例中,路段和/或路線之間的關係可以通過一函數、一參數、一值、一閾值、一向量、一權重、一常數等或其任意組合進行量化。僅為舉例,兩個相鄰路段可以具有一關係,該關係被指定一個0.7~0.9的權重,兩個互相分離的路段可以被指定一個0.1~0.3的權重。
在一些實施例中,處理引擎112可以根據地圖獲取多條路線。該地圖可以包括導航地圖、衛星地圖、行政地圖、道路地圖、地鐵地圖、鐵路地圖、地形圖、公路圖、旅游地圖或類似等或其任意組合。在一些實施例中,地圖可以被整合、修改或改變。例如,導航地圖、衛星地圖
和道路地圖可以被整合為修改的地圖。在一些實施例中,處理引擎112可以根據對應於一城市或地區的地圖獲取多條路線。例如,可以根據對應於紐約或紐約長島地區的地圖獲取這些路線。再如,處理引擎112可以根據美國公路系統的地圖獲取一時間間隔內的所有路線。
在一些實施例中,路線之間可能會直接或間接地互相影響。例如,如果一場暴風雪襲擊了美國西海岸,華盛頓州的多條線路的速度可能會下降,其可能影響愛達荷州多條路線的速度。再如,一條新建道路可能影響該新建道路附近的多條路線(例如,提高交通條件)。
在一些實施例中,與路線相關的道路相關數據可以包括請求數據、訂單數據、交易數據、地圖數據、交通系統數據、天氣相關數據、用戶數據、路線上任意測量數據或其它等或其任意組合。在一些實施例中,道路相關數據可以通過量化的方式獲取。例如,基於一查找表,街道的名字可以被量化為一數字,該查找表收錄了街道名稱和對應的數字。在一些實施例中,基於或部分基於該路線,道路相關數據可以被分析。例如,在國定節假日期間,城市條例可能對ABC大街實行交通管制,或ABC大街可能會十分擁堵。相應地,處理引擎112可以對ABC大街確定一交通管制,並獲取對應於ABC大街交通管制的道路相關數據。再如,如果處理引擎112獲取一用戶的ID號碼(例如,司機的駕照號碼和/或社保號碼),處理引擎112可以根據該ID號碼,通過一數據庫(例如,公安部建立的公共安全網路數據庫)獲取用戶的用戶數據。
司機終端或乘客終端可以產生一編碼與路線相關的道路相關數據的電訊號。例如,該電訊號可以由實施於行動裝置1100上的司機終
端傳輸,並且該電訊號可以被處理引擎112接收。在一些實施例中,該電訊號可以通過有線連接或無線連接進行傳輸。例如,處理引擎112可以通過網路120從資料庫160獲取該電訊號。
在步驟320中,處理引擎112可以基於道路相關數據,確定與路線相關的全域特徵向量和歷史時距的結構數據。處理引擎112可以基於B-樹或雜湊表,構造或檢索全域特徵向量和/或歷史時距的結構數據。在一些實施例中,結構數據可以圖書館的形式儲存於資料庫160中。全域特徵向量和歷史時距可以用於產生多個訓練樣本。多個訓練樣本可以形成一訓練集,用於發現潛在的預測關係或建立一預測模型。
在一些實施例中,全域特徵向量可以包括多個項或特徵,例如,交通狀態、行駛距離、起始時間、起始地點、目的地、衛星定位取樣點序列、指定水平道路上的行駛距離、路段數量、具有交通信號燈的十字路口數量、沒有交通信號燈的十字路口數量、車輛狀態或其它等或其任意組合。交通狀態可以包括即時道路速度或估計的道路速度。行駛距離可以包括路線的總距離或每一路段的距離。起始時間可以包括接到乘客的時間或用戶(例如,司機)收到或確認服務請求的時間。起始地點可以包括接到乘客的地點或乘客等候司機的地點。衛星定位取樣點序列可以為一序列,包括衛星確定的(例如,通過GPS系統)車輛位置。指定等級道路上的行駛距離可以為車輛在指定等級的道路(例如,如高速公路、地方公路、一級道路、二級道路、三級道路等)上的行駛距離。路段的數量可以為一條路線中路段的總數量。車輛狀態可以包括交通服務請求的訪問狀態(例如,可以接受服務請求)、響應概率、司機偏好、車型、車輛當前乘客數量、
車輛的最大乘客量、車輛顏色、司機服務等級、車輛當前速度、或任意車輛相關資訊或類似等或其任意組合。
在一些實施例中,全域特徵向量可以包括一整體特徵向量。該整體特徵向量可以從具有相互關係的路段中確定。在一些實施例中,該整體特徵向量可以與相同路線和/或不同路線中的至少一個路段相關。例如,該整體特徵向量可以由單獨一條路線的路段確定。再如,該整體特徵向量可以由兩條或多條路線(例如,兩條相鄰路線)的路段確定。
在一些實施例中,整體特徵向量可以基於一區域或一地圖(例如,導航地圖)中的所有路線確定。例如,導航地圖可以被安裝在一司機終端。該導航地圖可以具有,例如,200個路段,進而處理引擎112可以通過該200條路段確定整體特徵向量。在一些實施例中,區域或地圖的大小可以由司機、乘客或處理引擎112進行調整或改進。例如,處理引擎112可以獲取北京行政地圖內的與3500個路段相關的道路相關數據。再如,處理引擎112可以將北京行政地圖的尺寸縮小成一感興趣區域,並選擇300個路段。再如,處理引擎112可以將該區域或地圖劃分成兩個或多個子區域(例如,10個等同的子區域)。每個子區域中的路段可以用於確定整體特徵向量。在一些實施例中,處理引擎112可以根據該子區域確定兩個或多個整體特徵向量(例如,10個整體特徵向量)。
在一些實施例中,全域特徵向量可以被表示為具有一行或者一列的向量。例如,全域特徵向量可以為一列向量,表示為1×N的行列式(例如,1×25的行列式)。再如,全域特徵向量可以為一行向量,表示為N×1的行列式(例如,200×1的行列式)。在一些實施例中,全域特徵向量可以
對應一N維坐標系。該N維坐標系可以與路線的N項或特徵相關。在一些實施例中,處理引擎112可以處理一個或多個全域特徵向量。例如,三個全域特徵向量(例如,三個列向量)可以被整合為一3×N的行列式。再如,N個全域特徵向量(例如,N個1×N的列向量)可以被整合為一N×N的行列式。
例如,如圖9所示,一條路線900顯示在一基於道路的地圖上。該路線900可以包括10個路段(例如,第一路段、第二路段、……、第十路段)和9個紅綠燈(例如,第一紅綠燈、第二紅綠燈、……、第九紅綠燈)。兩個相鄰路段通過一個或多個紅綠燈相連。通過每一路段的時間可以基於在每個路段上的速度被確定。例如,通過第一路段的時間可以被確定為T1;通過第二路段的時間可以被確定為T2;……;和通過第十路段的時間可以被確定為T10。通過每個紅綠燈的時間可以被確定為L1、L2、……、L9。處理引擎112可以根據路線900中的路段確定全域特徵向量。該全域特徵向量可以包括與地圖中所有路段相關的道路相關數據,例如,全域特徵向量可以包括從第一路段到第二十七路段的道路相關數據。
與每一路段相關的道路相關數據可以包括請求數據、訂單數據、交易數據、地圖數據、交通系統數據、天氣相關數據、用戶數據或類似等或其任意組合。全域特徵向量可以進一步包括代表地圖中路段間關係的數據。路段間關係可以包括地圖中任意兩個路段之間的關係或地圖中任意三個或者更多路段之間的關係。任意兩個路段之間關係的數量可以是。代表地圖中路段間關係的數據可以表達為一公式、一參數、一值、一閾值、一向量、一權重、一常數或類似等或其任意組合。代表路段間關係
的數據可以通過一公式來確定(例如,皮爾森積矩(Pearson product-moment)相關係數)。在一些實施例中,代表路段間關係的數據可以基於一M行M列的矩陣產生,其中,M可以是任意整數,表示地圖中的27條路段。該矩陣可以稀疏地表示為,例如,
其中,對角線位置的值,例如,第二列第二行,可以是1。這代表第二路段具有100%的自相關性。第一行第二列的值可以是0.2,這代表第二路段與第一路段具有20%的互相關性。矩陣中大部分的值為0,這代表對應的兩個路段是不相關的。
在步驟330中,處理引擎112可以基於全域特徵向量和歷史時距,確定一預計到達時間(ETA)模型。
在一些實施例中,處理引擎112可以使用機器學習的方法來確定一ETA模型。在一些實施例中,該機器學習方法可以包括一决策樹演算法、一關聯規則演算法、一類神經網路演算法、一深度學習演算法、一歸納邏輯編程演算法、一支持向量機演算法、一類聚演算法、一貝式網路演算法、一强化學習演算法、一表示學習演算法、一相似性度量學習演算法、一稀疏字典學習演算法、一遺傳演算法、一基於規則的機器學習演算法等或其任意組合。
在一些實施例中,處理引擎112可以使用一决策樹演算法來確定一ETA模型。該决策樹演算法可以包括一疊代二元樹3代演算法、分
類和遞歸樹演算法、ID3後繼演算法、卡方自動交互(Chi-squared automatic interaction)檢測器演算法、條件推理樹演算法等或其任意組合。
在一些實施例中,ETA模型可以結構數據的形式保存於儲存媒體中。ETA模型的結構數據可以由處理引擎112基於B樹或雜湊表進行構造或檢索。在一些實施例中,結構數據可以圖書館的形式儲存於資料庫160中。
在步驟340中,處理引擎112可以保存ETA模型的結構數據於一非暫態電腦可讀的儲存媒體中。在一些實施例中,處理引擎112可以將ETA模型的結構數據發送至一電子裝置,用於對計劃路線估計一ETA。該非暫態電腦可讀儲存媒體可以包括通用串行匯流排隨身碟、磁碟、固態磁碟、唯讀光碟、和/或任意電腦可讀的暫時的或非暫態的記憶體。例如,處理引擎112可以將ETA模型的結構數據保存於磁碟中,並且司機終端可以讀取該磁碟以獲得該ETA模型的結構數據。
ETA模型可以被儲存為結構數據,並通過安裝在電子裝置上的應用程式的一組指令來實現。該電子裝置可以包括智慧手機、個人數位助理(PDA)、平板電腦、手提電腦、車用計算器(車載電腦)、便携式遊戲機(PSP)、智慧眼鏡、智慧手錶、可穿戴裝置、虛擬實境裝置、或實境增强裝置(如GoogleTM Glass、Oculus Rift、HoloLens、Gear VR等)或類似等或其任意組合。在一些實施例中,電子裝置可以是線上隨選服務系統100的一組件(例如,資料庫160)。電子裝置可以通過網路120,從線上隨選服務系統100的任意組件中下載ETA模型。在一些實施例中,電子裝置可以從非暫態電腦可讀媒體(例如,通用串行匯流排隨身碟、磁碟、固態磁碟、
只讀光盤和/或任意電腦可讀暫時或非暫態的記憶體等)中獲取ETA模型。
圖4係根據本申請的一些實施例所示的確定計劃路線的預計到達時間的流程和/或方法400的示例性流程圖。該流程和/或方法400可以由線上隨選服務系統100執行。例如,流程和/或方法400可以被執行為儲存在資料庫160中的一串指令(例如,一個應用程式)。處理引擎112可以執行所述指令並相應地在一線上隨選服務平臺中執行流程和/或方法400。該平臺可以為一基於互聯網的平臺,其通過互聯網連接隨選服務提供方和請求方。
在步驟410中,處理引擎112可以獲取一條具有至少一個路段的路線。
在一些實施例中,處理引擎112可以選擇一基於道路的地圖(例如,基於道路的北京地圖),並獲取與該基於道路的地圖相關的路線。該路線可以由線上隨選服務系統100在一段時期內(例如,最近3個月內或最近半年)記錄。例如,司機可以從線上隨選服務系統100中獲取一服務請求。該服務請求可以由乘客使用乘客終端發出。在該服務請求被司機確認後,線上隨選服務系統100可以開始記錄與對應於該服務請求的路線相關的道路相關數據。在一些實施例中,處理引擎112可以在此期間根據基於道路的北京地圖,記錄數百萬條路線或數十億條路線。在一些實施例中,任意兩條路線可以為彼此相關的。例如,紐約第5大道的一事故可以導致其交通阻塞。為了避開第5大道的交通阻塞,越來越多司機從紐約第5大道轉到第138大道。當大量的車輛行駛在第5大道和第138大道之間時,第5大道和第138大道之間的所有路線都將變得十分擁擠(例如,緩慢的速
度)。在一些實施例中,路線可以包括至少一個路段。多個路段可以包括兩個紅綠燈之間的路段、不同等級道路之間的路段、由橋梁連接的路段、被河流分割的路段、鐵路軌道分割的路段、具有固定距離的路段(例如,一英里或兩公里)、不同行政區域中的路段(例如,不同城市、不同省份、不同國家)、對應於每個乘客的上車點的路段、任意具有相同或不同道路性質的路段或類似等或其任意組合。例如,該路線可以包括至少一個(例如,50個路段)具有相似道路性質的路段。例如,該路線可以包括在兩個紅綠燈之間的路段。路段的道路狀况,如路寬、限速、天氣條件等,在整個路段中可以是相同的。因此,路段可以被描述成路線單獨的一部分。
路線的至少一個路段可以直接或間接的互相關聯。例如,如果第一路段與第二路段是相連的,該第一路段與該第二路段可以是相關的。第一路段的速度可能影響或與第二路線的速度相關聯。再如,第一線路的一路段可以與第二線路的一路段相關。如果第一路線中的路段與第二線路中的路段接近或相鄰,第一路線中路段上的交通事故可能影響第二路線中路段的速度。再如,如果一大型活動(例如,奧運會或世界博覽會)在一地區或城市舉行,該區域或城市中多個路段擁擠的交通可能影響附近地區或附近城市的路段速度。
在一些實施例中,路段和/或路線之間的關係可以通過一函數、一參數、一值、一閾值、一權重、一常數或類似等或其任意組合來量化。僅為舉例,兩個相鄰的路段可以具有一指定的權重0.7~0.9,兩個互相分離的路段可以具有指定權重0.1~0.3.
在步驟420中,處理引擎112可以基於具有多個路段的路
線,獲取道路相關數據。在一些實施例中,道路相關數據可以由處理引擎112使用電訊號進行編碼。
處理引擎112可以從資料庫160或線上隨選服務系統100的任意組件中,獲取道路相關數據。在一些實施例中,道路相關數據可以從用戶終端(例如,服務請求方終端130或服務提供方終端140)獲取。例如,處理引擎112可以從司機終端或乘客終端中通過分析請求、服務請求、交易、導航資訊、用戶終端中的電子地圖等或其任意組合的方式獲取道路相關數據。
在步驟430中,處理引擎112可以基於電訊號編譯的道路相關數據,確定一全域特徵向量。在一些實施例中,處理引擎112可以使用該道路相關數據構建一數據庫、一數據表、一矩陣、一序列、一組、任意組織數據的表示形式或類似等或其任意組合。例如,如果道路相關數據是從司機終端獲得的,處理引擎112可以使用該道路相關數據產生一稀疏矩陣,該稀疏矩陣包括,例如,N行和N列。在一些實施例中,該稀疏矩陣可以包括項或特徵,例如,起始地點、目的地、起始時間、等待時間、交易時間、性別、顧客評論、駕駛體驗或類似等或其任意組合。處理引擎112可以從稀疏矩陣中選擇一個或多個項或特徵確定全域特徵向量。
在一些實施例中,處理引擎112可以基於道路相關數據確定一整體特徵向量。例如,與司機終端的導航地圖中所有路段相關的道路相關數據可以被用於確定整體特徵向量。再如,道路相關數據可以與相互關聯的至少一個路段相關。與關聯道路相關的道路相關數據可以被用於確定整體特徵向量。確定整體向量的方法或過程在本申請的其他地方進行描述。
在步驟440中,處理引擎112可以基於道路相關數據,確定一歷史時距。處理引擎112可以直接從道路相關數據中獲取歷史時距。例如,處理引擎112可以從資料庫160中獲取歷史時距。再如,處理引擎112可以通過計算起始時間和結束時間之間的時間,確定該歷史時距。在一些實施例中,歷史時距可以對應於全域特徵向量,並且在機器學習的過程中,每個全域特徵向量和其對應的歷史時距可以被確定為一訓練樣本。例如,在機器學習過程中,每個全域特徵向量可以作為一輸入,其對應的歷史時距可以作為一標籤。再如,數百萬的全域特徵向量和其對應的數百萬的歷史時距可以用於訓練一ETA模型。
在一些實施例中,全域特徵向量和歷史時距可以是一種結構數據的形式。全域特徵向量和/或歷史時距的結構數據可以被處理引擎112基於B-樹或雜湊表,進行構造或檢索。在一些實施例中,該結構數據可以以圖書館的形式儲存或保存於資料庫160中。
在步驟450中,處理引擎112可以基於全域特徵向量和歷史時距,訓練一預計到達時間(ETA)模型。在一些實施例中,數百萬的全域特徵向量和數百萬的歷史時距可以被用於訓練一ETA模型。處理引擎112可以用一編程語言實現訓練ETA模型的過程。該編程語言可以包括C編程語言、Java編程語言、PHP編程語言、JavaScript編程語言、C++編程語言、Python編程語言、Shell編程語言、Ruby編程語言、Objective-C編程語言、C#編程語言等或其任意組合。在一些實施例中,訓練ETA模型的過程可以被電腦軟體執行,包括MATLAB、RapidMiner、Orange、OpenCV、統計產品和服務解决方案(SPAA)、統計分析系統(SAS)或類似等或其任意組合。
每個電腦軟體(如MATLAB)可以包括多種用於訓練模型的演算法。
在一些實施例中,ETA模型可以是一結構數據的形式。ETA模型的結構數據可以被處理引擎112基於B-數或雜湊表進行構造或檢索。在一些實施例中,該結構數據可以以圖書館的形式儲存或保存於資料庫160中。
在步驟460中,處理引擎112可以獲取一計劃路線。該計劃路線可以對應於一乘客發出的計程車或私家車的請求。線上隨選服務系統100可以接收該請求並基於請求的內容(例如,起始位置、起始時間或目的地等)確定計劃路線。在一些實施例中,當司機從線上隨選服務系統100中確認或接收服務請求時,該計劃路線可以從司機終端獲取。在一些實施例中,當乘客建立一交通運輸服務請求並確定從線上隨選服務系統100傳輸的服務請求時,該計劃路線可以從乘客終端獲取。在一些實施例中,處理引擎112可以獲取對應於一地圖(如基於道路的北京地圖)的多條計劃路線,並且這些計劃路線互相可以是直接或間接相關的。在一些實施例中,計劃路線可以包括至少一個在本申請的其他地方描述的路段,例如,在步驟310和/或步驟410。
在步驟470中,處理引擎112可以基於計劃路線確定一計劃全域特徵向量。在一些實施例中,該計劃全域特徵向量可以具有N個維度,其中N對應於從計劃路線中獲取的N個項或特徵。例如,如果處理引擎112從計劃路線中選取2000個項或特徵,一具有2000行或2000列的向量將被確定為計劃路線的計劃全域特徵向量。
在一些實施例中,計劃全域特徵向量的維度可以少於全域特
徵向量的維度。如果計劃路線中的一個或多個項或特徵丟失,則計劃路線對應的計劃全域特徵向量的維度可能减小,並且計劃全域特徵向量具有降低的維度(例如,一具有R行或R列的向量,其中R比N小)。在一些實施例中,如果計劃路線中的一個或多個項或特徵丟失,處理引擎112可以確定一仍具有N行或N列的計劃全域特徵向量;對應於丟失項的行或列可以通過一默認值描述(例如,空)。
在步驟480中,處理引擎112可以基於ETA模型和計劃全域特徵向量,確定一計劃路線的ETA。處理引擎112可以將該計劃全域特徵向量作為ETA模型的輸入;並且ETA模型可以根據該輸入得到一輸出結果。例如,如果一司機向線上隨選服務系統100發送一計程車請求,則可以確定一具有一個或多個路段的計劃路線。處理引擎112可以根據該計劃路線確定一個N維的計劃全域特徵向量;進而,處理引擎112可以進一步地通過向ETA模型輸入計劃全域特徵向量來確定計劃路線的ETA。在一些實施例中,步驟480可以由一電子裝置執行,如智慧手機、個人數位助理(PDA)、平板電腦、手提電腦、車用計算器(車載電腦)、便携式遊戲機(PSP)、智慧眼鏡、智慧手錶、可穿戴裝置、虛擬實境裝置、實境增强裝置(如GoogleTM Glass、Oculus Rift、HoloLens、Gear VR等)或類似等或其任意組合。
圖5系根據本申請的一些實施例所示的基於ETA子模型和計劃路線場景確定計劃路線ETA的示例性流程和/或方法500的流程圖。該流程和/或方法500可以由線上隨選服務系統100執行。例如,流程和/或方法500可以被執行為儲存在資料庫160中的一串指令(例如,一個應用程
式)。處理引擎112可以執行所述指令並相應地在一線上隨選服務平臺中執行流程和/或方法500。該平臺可以為一基於互聯網的平臺,其通過互聯網連接隨選服務提供方和請求方。
在步驟510中,處理引擎112可以獲取一具有至少一個路段的路線。關於路線的更多的描述可以參考本申請的其他地方,例如,在步驟310和/或步驟410中。
在步驟520中,處理引擎112可以基於路線確定一路線場景。該場景可以包括路線區域或路線時間間隔。路線區域可以基於路線的起始地點、路線的目的地、路線經過或通過的行政區劃或類似等或其任意組合確定。例如,處理引擎112可以將地圖劃分為區域(例如,擁擠的區域、商業中心區域(CBD)、火車站附近區域等),與路線相關的司機可以在起始位置接到一位乘客;該起始位置可以位於CBD區域中;處理引擎112可以確定該路線的場景為CBD區域。在一些實施例中,處理引擎112可以收集具有相同或相似場景的路線(例如,在火車站附近區域)。例如,處理引擎112可以獲取過去3天CBD區域內的路線。再如,處理引擎112可以收集高峰時間(例如,上午7點到9點)的路線。
在步驟530中,處理引擎112可以基於具有至少一個路段的路線獲取道路相關數據。在一些實施例中,該道路相關數據可以由處理引擎112使用電訊號進行編碼。處理引擎112可以從用戶終端(例如,司機終端或乘客終端)或線上隨選服務系統100的任意組件中,獲取道路相關數據。例如,處理引擎112可以從司機終端,接收具有相同或相似場景(例如,靠近北京西火車站)的路線的道路相關數據。例如,處理引擎112可
以從資料庫160,獲取高峰時間(上午7點到9點)的路線的道路相關數據。
在步驟540中,處理引擎112可以基於道路相關數據確定一全域特徵向量和一歷史時距。該與路線相關的全域特徵向量可以對應於相同路線的歷史時距。每個場景(例如,在CBD區域)中的全域特徵向量和其對應的歷史時距可以被確定為一訓練樣本;並且該訓練樣本可以用於形成一訓練集,用於確定一預計到達時間子模型。該與相同或相似場景相關聯的訓練集可以包括數百個訓練樣本或數百萬的訓練樣本。
在一些實施例中,全域特徵向量和歷史時距可以是結構數據形式。全域特徵向量和/或歷史時距的結構數據可以由處理引擎112基於B樹或雜湊表進行構造或檢索。在一些實施例中,該結構數據可以圖書館的形式儲存或保存於資料庫160中。
在步驟550中,處理引擎112可以基於全域特徵向量和歷史時距訓練一預計到達時間(ETA)子模型。該ETA子模型可以是一用於預測具有相同場景的計劃路線的ETA的模型。該ETA子模型可以包括決策樹、關聯規則、類神經網路、深度學習、歸納邏輯編程、支持向量機、類聚、貝式網路、强化學習、表示學習、相似性度量學習、稀疏字典學習、遺傳演算法、基於規則的機器學習或類似等或其任意組合。在一些實施例中,該ETA子模型可以通過改進或更新ETA模型確定。在一些實施例中,一個或多個ETA子模型可以用於合成一ETA模型或一新的ETA子模型。在一些實施例中,至少一個ETA子模型可以用於預測計劃路線的ETA。例如,第一ETA子模型可以確定計劃路線的第一ETA,第二ETA子模型可以確定相同計劃路線的第二ETA。處理引擎112可以通過計算第一ETA子模
型和第二ETA子模型的數學平均值,來確定該路線的第三ETA。例如,處理引擎112可以基於第一ETA子模型和第二ETA子模型,確定一合成的ETA子模型。該合成的ETA子模型可以用於確定一ETA。
在一些實施例中,ETA子模型可以是結構數據的形式。該ETA子模型的結構數據可以由處理引擎112基於B-樹或雜湊表進行構造或檢索。在一些實施例中,該結構數據可以圖書館的形式儲存或保存於資料庫160中。
在步驟560中,處理引擎112可以獲取電訊號編碼的道路相關數據,其與具有至少一個路段的計劃路線相關聯。該計劃路線可以對應或屬一場景。例如,一乘客可以發送一私家車請求至線上隨選服務系統100。處理引擎112可以基於該私家車請求確定一計劃路線;並且處理引擎112可以在步驟570中,進一步地確定該計劃路線的場景。
在一些實施例中,處理引擎112可以確定一個或多個具有相同或不同場景的計劃路線。在一些實施例中,處理引擎112可以為一計劃路線確定一個或多個場景。例如,如果計劃路線在高峰期(例如,上午7點到9點)通過一CBD區域,處理引擎112可以確定兩個屬該計劃路線的場景。
在步驟580中,處理引擎112可以基於計劃路線確定一計劃全域特徵向量。在一些實施例中,該計劃全域特徵向量可以包括N個維度並且可以用一向量表示,其中N可以是任意整數。稀疏矩陣可以為N行或者N列,其中N對應於從計劃路線中獲取的N個項或者特徵。例如,如果處理引擎112從計劃路線中選取50個項,一具有50行或者50列的向量可
以被確定為計劃全域特徵向量;並且該計劃全域特徵向量可以為一具有50個維度的向量。
在步驟590中,處理引擎112可以基於ETA子模型、計劃全域特徵向量和計劃路線的場景,確定計劃路線的ETA。在一些實施例中,乘客可以在高峰時間發送一計程車請求至線上隨選服務系統100。處理引擎112可以確定計劃路線和與計劃路線相關的場景;基於該計劃路線可以確定一計劃全域特徵向量;處理引擎112可以基於與計劃路線相關的場景,選取一ETA子模型,該子模型通過一與場景(例如,高峰時間)相關的訓練集訓練得到;進而,處理引擎112可以將計劃全域特徵向量作為ETA子模型的輸入,產生一高峰時間計劃路線的ETA。
在一些實施例中,處理引擎112可以將ETA發送至司機終端、乘客終端和/或線上隨選服務系統100的任意組件(例如,資料庫160)。該乘客終端可以在用戶介面進行顯示,以促進乘客確定是否確認服務請求。在一些實施例中,該ETA可以被發送給司機,司機可以决定是否選擇該計劃路線(例如,司機可以根據另外一條不同於計劃路線的路線駕駛計程車)。
圖6係根據本申請的一些實施例所示的與全域特徵向量相關聯的表格的示例性附圖。處理引擎112可以從司機終端獲取道路相關數據。在一些實施例中,道路相關數據可以電訊號的形式進行傳輸。該道路相關數據可以包括文本數據、數字數據、圖像數據、視訊數據、語音數據和/或分類數據。處理引擎112可以將文本數據、圖像數據、視訊數據、語音數據和分類數據轉換成數字數據。處理引擎112可以進一步基於與路線
相關的數字數據,構造全域特徵向量和歷史時距。在一些實施例中,在全域特徵向量和歷史時距構建後,處理引擎112可以對道路相關數據進行轉換。
例如,處理引擎112可以搜集與三條路線相關聯的道路相關數據,這三條路線的ID分別表示為:1、2和3(如610中所示)。每一個與路線ID相關的道路相關數據可以包括駕駛距離620、紅綠燈數量630、路寬640、車型650、駕駛排名660和歷史時距670。處理引擎112可以基於每個道路相關數據,構造全域特徵向量。全域特徵向量中的項或特徵可以分別包括駕駛距離620、紅綠燈數量630、路寬640、車型650和駕駛排名660。處理引擎112可以進一步地將全域特徵向量中的文本數據和/或分類數據(例如,計程車、私家車等)轉換為數字數據。例如,計程車和私家車可以分別被轉換成1和2。在一些實施例中,在訓練ETA模型之前,處理引擎112可以將全域特徵向量中的數字數據轉換成二進制數據。全域特徵向量可以與歷史時距670對應。例如,歷史時距可以作為標籤來訓練模型。全域特徵向量和對應的歷史時距可以形成一訓練集。處理引擎112可以通過將全域特徵向量作為輸入,對應的歷史時距作為輸出,訓練一ETA模型。
圖7係根據本申請的一些實施例所示的决策樹作為ETA模型的示例性附圖。該决策樹可以包括分類决策樹、迴歸决策樹及分類和迴歸决策樹。用於構建决策樹的演算法可以包括疊代二元樹3代演算法、分類和遞歸樹演算法、ID3後繼演算法、卡方自動交互檢測器演算法或條件推理樹演算法。在構建决策樹700時,處理引擎112可以使用資訊增益確定哪個變量或項可以作為决策樹700的第一項。該資訊增益可以表示為公式(2):
Gain=info beforesplit -info aftersplit , (2)其中,Gain表示資訊增益;info beforesplit 表示***之前的熵;info aftersplit 表示***之後的熵。
熵可以表示為公式(3)
其中,H(T)表示具有n個值的變量T的熵;P i 表示T的值為i的概率。
例如,處理引擎112可以確定每個變量(例如,行駛距離、紅綠燈數量、路寬和是否已經接到一乘客)的資訊增益;處理引擎112可以選擇一具有最大資訊增益的變量(例如,駕駛距離);進而,處理引擎112可以將該行駛距離作為第一次***來構建決策樹700。其他變量如紅綠燈數量、路寬、是否已經接到乘客,可以基於其對應的資訊增益來用於後續的***。如圖7所示,決策樹700可以用行駛距離來進行第一次***;如果該行駛距離大於或等於10,決策樹700可以通過紅綠燈數量來進一步地***;如果紅綠燈的數量大於或等於1,決策樹700可以通過是否已經接到一乘客來進一步***;如果已經接到一乘客,ETA可以通過公式(4)進行計算:ETA=f1(X1)+f2(X2), (4)其中f1表示行駛距離的一函數;f2表示紅綠燈數量的一函數。如果還沒有接到乘客,ETA可以通過公式(5)進行計算:ETA=f 1 (X1)+f 2 (X2)+30, (5)其中f 1 表示行駛距離的一函數;f 2 表示紅綠燈數量的一函數。
如果|[XL2]行駛距離大於等於0.5並且小於等於10,決策樹700可以通過路寬進一步地***,例如,如果路寬等於12,ETA可以通過
公式(6)進行計算:ETA=f 1 (X1)-X1/20, (6)其中f 1 代表行駛距離的一函數。如果路寬等於10,ETA可以通過公式(7)進行計算:ETA=f 1 (X1)+X1/20, (7)其中f 1 代表行駛距離的一函數。
如果行駛距離小於0.5,ETA為3分鐘。在一些實施例中,決策樹700可以基於上述其中一公式,給出一數值。例如,決策樹700可以基於公式(7)給出32分鐘的ETA。
圖8係根據本申請的一些實施例所示的類神經網路(ANN)作為ETA模型的示例性附圖。ANN 800可以包括一輸入層810、一隱藏層820和一輸出層830。輸入層810由一個或多個互相連接形成網狀結構的神經元構成。如圖8所示,輸入層810可以包括神經元X1、神經元X2、神經元X3、……、神經元Xn。在一些實施例中,輸入層810中的神經元的數量可以與代表全域特徵向量的矩陣中的行的數量對應。例如,如果對應N項或特徵的全域特徵向量表示為具有N行或N列的向量,則輸入層810神經元的數量等於N(例如,2000)。隱藏層820可以包括3個神經元,神經元Z1、神經元Z2和神經元Z3。隱藏層820中的每個神經元可以與輸入層810中的每個神經元相連;並且隱藏層820中的每個神經元與輸出層830中的神經元相連。例如,該神經元可以分別與神經元X1、神經元X2、……、神經元Xn相連接。隱藏層820中的每個神經元可以包括一和函數。該和函數可以為一閾值函數或極限函數。例如,該隱藏層中和函數可以表示為公式
(8):
其中O表示一向輸出層830中神經元的神經元輸出;f表示一激勵函數;w j 表示隱藏層820中神經元之間的權重;x j 表示從輸入層中神經元Xj到隱藏層820中的神經元的輸入;θ表示一閾值。輸出層830可以包括至少一個神經元。輸出層830中的每個神經元可以與隱藏層820中的每個神經元相連。例如,輸出層830中的一神經元可以分別與神經元Z1、神經元Z2和神經元Z3相連。輸出層830中的每一神經元還可以包括一如公式(8)所示的和函數。例如,輸出層830中神經元的激勵函數可以為一階梯函數,如公式(9)所示:
例如,激勵函數可以被表示為一具有連續函數值的函數(如公式(4))。輸出層830中具有激勵函數功能的神經元可以輸出一路線或計劃路線的ETA。
需要注意的是,圖8中對ANN 800的描述僅是為了說明,並不够成對本申請範圍的限制。對於本領域普通技術人員來說,在不背離本申請原則的前提下,可以對上述方法及系統的應用進行各種形式和細節的改進和改變。例如,隱藏層820的數量可以為2或更多。再如,ANN 800可以進一步包括一卷積層和/或一池化層。該卷積層和池化層可以交換地置於隱藏層820中。再如,ANN 800可以通過深度學習的方法進行改進或訓練。
圖9係根據本申請的一些實施例所示的用於預測ETA的物
理模型的示例性附圖。處理引擎112可以獲取在一基於道路的地圖中描述的道路900(如圖9中實線所示)。該路線900包括10個路段(例如,第一路段、第二路段、……、第十路段)和9個紅綠燈(例如,第一紅綠燈、第二紅綠燈、……、第九紅綠燈)。兩個相鄰的路段可以通過一個或多個紅綠燈相連。基於每一路段的速度,可以確定通過每一路段的時間。例如,通過第一路段的時間可以被確定為T1;通過第二路段的時間可以被確定為T2;……;和通過第十路段的時間可以被確定為T10。通過每個紅綠燈的時間可以被確定為L1、L2、……、L9。
處理引擎112可以將每個路段的時間和通過每個紅綠燈的時間相加來確定路線900的ETA。在一些實施例中,處理引擎112可以基於路線900的路段及基於道路的地圖中的其他路段,來確定路線900的ETA。路線900的路段可以直接或間接地與基於道路的地圖中的其他路段相連。例如,一對應T22的路段(如圖9中虛線所示)可以與路線900的路段(例如,第一路段)相關;該對應T22的路段的速度可能影響路線900中第一路段或其他任意路段的速度。在一些實施例中,處理引擎112可以基於路線的路段及基於道路的地圖中的其他路段,確定一全域特徵向量。基於該全域特徵向量訓練的ETA模型,可以用於預測如圖9所示的基於道路的地圖中的任意路線的ETA。
圖10係根據本申請的一些實施例所示的一計算裝置1000的示例性硬體和軟體的示意圖。伺服器110、服務請求方終端130和/或服務提供方終端140可以在計算裝置1000上實現。例如,處理引擎112可以在計算裝置1000上實現並被配置為實現本申請中所披露的功能。
計算裝置1000可以是通用電腦或特殊用途電腦,二者可以用來實現本申請的隨選系統。計算裝置1000可以用來實現本申請所描述的隨選系統的任意部件。|[XL3]例如,處理引擎112可以在計算裝置1000上通過其硬體、軟體程式、韌體或其組合實現。圖中為了方便起見只繪製了一台電腦,但是本申請所描述的與隨選服務相關的電腦功能可以分布的方式、由一組相似的平臺所實施,以分散系統的處理負荷。
例如,計算裝置1000可以包括與網路連接的通訊端口1050,用於實現數據通訊。計算裝置1000可以包括一中央處理單元(CPU)1020,可以一個或多個處理器的形式執行程式指令。示例性的電腦平臺可以包括一個內部匯流排1010、不同形式的程式儲存器和數據儲存器,例如,磁碟1070、和唯讀記憶體(ROM)1030或隨機存取記憶體(RAM)1040,用於儲存由電腦處理和/或傳輸的各種各樣的數據文件。示例性的電腦平臺可以包括儲存在唯讀記憶體1030、隨機存取記憶體1040和/或其他類型的非暫態儲存媒體中的由中央處理單元1020執行的程式指令。本申請的方法和/或流程可以程式指令的方式實現。計算裝置1000也包括輸入/輸出1060,用於支持電腦與此處其他部件例如用戶介面1080之間的輸入/輸出。計算裝置1000也可以通過網路通訊接收程式設計和數據。
為理解方便,計算裝置1000中僅示例性繪製了一個CPU和/或處理器。然而,需要注意的是,本申請中的計算裝置1000可以包括多個CPU和/或處理器,因此本申請中描述的由一個CPU和/或處理器實現的操作和/或方法也可以共同地或獨立地由多個CPU和/或處理器實現。例如,如果在本申請中,計算裝置1000的CPU和/或處理器執行步驟A和步驟B,
應當理解的是,步驟A和步驟B也可以由計算裝置1000的兩個不同的CPU和/或處理器共同地或獨立地執行(例如,第一處理器執行步驟A,第二處理器執行步驟B,或者第一和第二處理器共同地執行步驟A和步驟B)。
圖11係根據本申請的一些實施例所示的一示例性行動裝置1100的示例性軟體和/或硬體的示意圖。一用戶終端可以通過該行動裝置1100實現。如圖11所示,行動裝置1100可以包括一通訊平臺1110、一顯示螢幕1120、一圖形處理單元(GPU)1130、一中央處理單元(CPU)1140、一輸入/輸出1150、一記憶體1160和一儲存媒體1190。在一些實施例中,任意其他合適的組件,包括但不限於一系統匯流排或一控制器(未展示),也可以被包括於行動裝置1100中。在一些實施例中,一行動作業系統1170(例如,iOSTM,AndroidTM,Windows PhoneTM)和一個或多個應用程式1180可以從儲存媒體1190中下載到記憶體1160中,用於由CPU 1140執行。應用程式1180可以包括一瀏覽器或任何其他合適的行動應用程式,用於接收及呈現與圖像處理相關的資訊或處理引擎112中的其他資訊。用戶交互資訊可以經由輸入/輸出1150獲取,並經由網路120提供給處理引擎112和/或線上隨選服務系統100的其他組件。
為了實現不同的模組、單元以及在的前的披露中所描述的他們的功能,電腦硬體平臺可以被用作以上描述的一個或多個元素的硬體平臺。一台包含用戶介面元素的電腦能够被用作個人電腦(personal computer (PC))或其他類型的工作站或終端裝置,被適當程式化後也可以作為伺服器使用。
上文已對基本概念做了描述,顯然,對於本領域技術人員來
說,上述詳細披露僅僅作為示例,而並不構成對本申請的限定。雖然此處並沒有明確說明,本領域技術人員可以對本申請進行各種修改、改進和修正。該類修改、改進和修正在本申請中被建議,所以該類修改、改進、修正仍屬本申請示範實施例的精神和範圍。
同時,本申請使用了特定詞語來描述本申請的實施例。如“一個實施例”、“一實施例”、和/或“一些實施例”意指與本申請至少一個實施例相關的某一特徵、結構或特點。因此,應强調並注意的是,本說明書中在不同位置兩次或多次提及的“一實施例”或“一個實施例”或“一替代性實施例”並不一定是指同一實施例。此外,本申請的一個或多個實施例中的某些特徵、結構或特點可以進行適當的組合。
此外,本領域技術人員可以理解,本申請的各方面可以通過若干具有可以專利性的種類或情况進行說明和描述,包括任何新的和有用的工序、機器、產品或物質的組合,或對他們的任何新的和有用的改進。相應地,本申請的各個方面可以完全由硬體執行、可以完全由軟體(包括韌體、常駐軟體、微碼等)執行、也可以由硬體和軟體組合執行。以上硬體或軟體均可以被稱為“數據塊”、“模組”、“引擎”、“單元”、“組件”或“系統”。此外,本申請的各方面可以表現為位於一個或多個電腦可讀媒體中的電腦產品,該產品包括電腦可讀程式編碼。
電腦可讀信號媒體可以包含一個內含有電腦程式編碼的傳播數據信號,例如在基帶上或作為載波的一部分。該傳播信號可以有多種表現形式,包括電磁形式、光形式或類似等等、或合適的組合形式。電腦可讀信號媒體可以是除電腦可讀儲存媒體之外的任何電腦可讀媒體,該媒
體可以通過連接至一個指令執行系統、裝置或裝置以實現通訊、傳播或傳輸供使用的程式。位於電腦可讀信號媒體上的程式編碼可以通過任何合適的媒體進行傳播,包括無線電、電纜、光纖纜綫、RF、或類似媒體、或任何上述媒體的組合。
本申請各部分操作所需的電腦程式編碼可以用任意一種或多種程式設計語言編寫,包括物見導向程式設計語言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python或類似等,常規程式化程式設計語言如C程式設計語言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,動態程式設計語言如Python、Ruby和Groovy,或其他程式設計語言等。該程式設計編碼可以完全在用戶電腦上運行、或作為獨立的軟體包在用戶電腦上運行、或部分在用戶電腦上運行部分在遠端電腦運行、或完全在遠端電腦或伺服器上運行。在後種情况下,遠端電腦可以通過任何網路形式與用戶電腦連接,比如區域網路(LAN)或廣域網路(WAN),或連接至外部電腦(例如通過因特網),或在雲計算環境中,或作為服務使用如軟體即服務(SaaS)。
此外,除非權利要求中明確說明,本申請所述處理元素和序列的順序、數字字母的使用、或其他名稱的使用,並非用於限定本申請流程和方法的順序。儘管上述披露中通過各種示例討論了一些目前認為有用的發明實施例,但應當理解的是,該類細節僅起到說明的目的,附加的權利要求並不僅限於披露的實施例,相反,權利要求旨在覆蓋所有符合本申請實施例實質和範圍的修正和等價組合。例如,雖然以上所描述的系統組件可以通過硬體裝置實現,但是也可以只通過軟體的解决方案得以實現,
如在現有的伺服器或行動裝置上安裝所描述的系統。
同理,應當注意的是,為了簡化本申請披露的表述,從而幫助對一個或多個發明實施例的理解,前文對本申請實施例的描述中,有時會將多種特徵歸並至一個實施例、附圖或對其的描述中。但是,這種披露方法並不意味著本申請對象所需要的特徵比權利要求中提及的特徵多。實際上,實施例的特徵要少於上述披露的單個實施例的全部特徵。
310‧‧‧步驟
320‧‧‧步驟
330‧‧‧步驟
340‧‧‧步驟
Claims (20)
- 一種系統,包括:至少一個非暫態電腦可讀儲存媒體,包括一組指令;至少一個處理器與所述至少一個非暫態電腦可讀儲存媒體通訊,其中,當執行所述指令時,至少一個處理器用於:獲取一第一電訊號,所述第一電訊號與至少一個路線相關,所述路線具有至少一個路段;基於所述第一電訊號,產生並保存至少一個全域特徵向量及至少一個歷史時距的第一結構數據,所述至少一個全域特徵向量及所述至少一個歷史時距與所述至少一個路線相關;基於所述至少一個全域特徵向量及所述至少一個歷史時距,通過訓練一預計到達時間(ETA)模型,產生所述模型的第二結構數據;以及保存所述ETA模型的第二結構數據至所述至少一個非暫態電腦可讀儲存媒體中。
- 如申請專利範圍第1項之系統,其中,所述至少一個全域特徵向量中的至少兩個特徵向量整合於一行列式中。
- 如申請專利範圍第2項之系統,其中,所述至少一個全域特徵向量包括一整體特徵向量,其中,所述整體特徵向量包括一表明所述至少一個路段中的至少兩個路段之間的關係的特徵。
- 如申請專利範圍第3項之系統,其中,所述至少一個路段中的所述至少兩個路段是互相分離的。
- 如申請專利範圍第3項之系統,其中,所述整體特徵向量包括至少 一個交通狀態,所述交通狀態包括一即時道路速度或一估計道路速度。
- 如申請專利範圍第1項之統,其中,所述ETA模型包括迴歸模型、决策樹模型、類神經網路模型、支持向量迴歸模型、限制玻爾茲曼機(Boltzmann Machine)模型或遺傳演算法中的至少一個。
- 如申請專利範圍第1項之系統,其中,所述ETA模型包括多個ETA子模型,所述多個ETA子模型對應至少一個時間間隔或地圖中的區域。
- 如申請專利範圍第1項之系統,其中,所述至少一個處理器進一步用於:接收一第二電訊號,所述第二電訊號與一計劃路線相關,所述計劃路線具有至少一個路段;基於所述第二電訊號,產生並保存至少一個計劃全域特徵向量的第三結構數據,所述計劃全域特徵向量與所述計劃路線相關;以及基於所述計劃特徵向量及所述ETA模型,執行所述ETA模型的所述第二結構數據,以確定與所述計劃路線對應的ETA。
- 如申請專利範圍第7項之系統,其中,為確定與所述計劃路線對應的所述ETA,所述至少一個處理器進一步用於:確定所述計劃路線的起始時間的時間間隔;以及基於所述起始時間,選取所述時間間隔對應的ETA子模型。
- 如申請專利範圍第7項之系統,其中,為確定與所述計劃路線對應的所述ETA,所述至少一個處理器進一步用於:確定所述計劃路線的起始地點或結束地點的範圍;以及基於所述起始地點或所述結束地點,在地圖中選取對應所述範圍的 ETA子模型。
- 一種方法,實施於具有至少一個處理器、至少一個非暫態電腦可讀儲存媒體及一個與網路相連的通訊平臺的計算裝置上,包括:獲取一第一電訊號,所述第一電訊號與至少一個路線相關,所述路線具有至少一個路段;基於所述第一電訊號,產生並保存至少一個全域特徵向量及至少一個歷史時距的第一結構數據,所述至少一個全域特徵向量及所述至少一個歷史時距與所述至少一個路線相關;基於所述至少一個全域特徵向量及所述至少一個歷史時距,通過訓練一預計到達時間(ETA)模型,產生所述模型的第二結構數據;以及保存所述ETA模型的第二結構數據至所述至少一個非暫態電腦可讀儲存媒體中。
- 如申請專利範圍第11項之方法,其中,所述至少一個全域特徵向量中的至少兩個整合於一行列式中。
- 如申請專利範圍第12項之方法,其中,所述至少一個全域特徵向量包括一整體特徵向量,其中,所述整體特徵向量包括一表明所述至少一個路段中的至少兩個路段之間的關係的特徵。
- 如申請專利範圍第13項之方法,其中,所述至少一個路段中的所述至少兩個路段是互相分離的。
- 如申請專利範圍第13項之方法,其中,所述整體特徵向量包括至少一個交通狀態,所述交通狀態包括一即時道路速度或一估計道路速度。
- 如申請專利範圍第11項之方法,其中,所述ETA模型包括迴歸模 型、决策樹模型、類神經網路模型、支持向量迴歸模型、限制玻爾茲曼機模型或遺傳演算法中的至少一個。
- 如申請專利範圍第11項之方法,其中,所述ETA模型包括多個ETA子模型,所述多個ETA子模型對應至少一個時間間隔或地圖中的區域。
- 如申請專利範圍第11項之方法,其中,所述至少一個處理器進一步用於:接收一第二電訊號,所述第二電訊號與一計劃路線相關,所述計劃路線具有至少一個路段;基於所述第二電訊號,產生並保存至少一個計劃全域特徵向量的第三結構數據,所述計劃全域特徵向量與所述計劃路線相關;以及基於所述計劃特徵向量及所述ETA模型,執行所述ETA模型的所述第二結構數據,以確定與所述計劃路線對應的ETA。
- 如申請專利範圍第17項之方法,其中,為確定與所述計劃路線對應的所述ETA,所述至少一個處理器進一步用於:確定所述計劃路線的起始時間的時間間隔;以及基於所述起始時間,選取所述時間間隔對應的ETA子模型。
- 一非暫態電腦可讀儲存媒體,包括指令,當所述非暫態電腦可讀儲存媒體被來自請求方終端的一線上隨選服務平臺的至少一個處理器訪問時,使得所述至少一個伺服器:獲取一第一電訊號,所述第一電訊號與至少一個路線相關,所述路線具有至少一個路段;基於所述第一電訊號,產生並保存至少一個全域特徵向量及至少一個 歷史時距的第一結構數據,所述至少一個全域特徵向量及所述至少一個歷史時距與所述至少一個路線相關;基於所述至少一個全域特徵向量及所述至少一個歷史時距,通過訓練一預計到達時間(ETA)模型,產生所述模型的第二結構數據;以及保存所述ETA模型的第二結構數據至所述至少一個非暫態電腦可讀儲存媒體中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610242067.5A CN107305742A (zh) | 2016-04-18 | 2016-04-18 | 用于确定预计到达时间的方法和设备 |
??201610242067.5 | 2016-04-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201738811A true TW201738811A (zh) | 2017-11-01 |
TWI638320B TWI638320B (zh) | 2018-10-11 |
Family
ID=60115596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106113183A TWI638320B (zh) | 2016-04-18 | 2017-04-18 | 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體 |
Country Status (13)
Country | Link |
---|---|
US (3) | US10254119B2 (zh) |
EP (1) | EP3365878A4 (zh) |
JP (1) | JP2019507316A (zh) |
KR (1) | KR20180075613A (zh) |
CN (3) | CN107305742A (zh) |
AU (2) | AU2017253916B2 (zh) |
BR (1) | BR112018009623A2 (zh) |
GB (1) | GB2558502B (zh) |
HK (1) | HK1252213A1 (zh) |
PH (1) | PH12018550059A1 (zh) |
SG (1) | SG11201804005WA (zh) |
TW (1) | TWI638320B (zh) |
WO (1) | WO2017181932A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI713945B (zh) * | 2017-12-14 | 2020-12-21 | 大陸商北京嘀嘀無限科技發展有限公司 | 用於訂單分配優化的系統和方法 |
TWI798583B (zh) * | 2020-09-01 | 2023-04-11 | 中華電信股份有限公司 | 加速模擬軟體的模擬結果的產生的電子裝置和方法 |
Families Citing this family (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305742A (zh) | 2016-04-18 | 2017-10-31 | 滴滴(中国)科技有限公司 | 用于确定预计到达时间的方法和设备 |
EP3418998A1 (en) * | 2017-06-22 | 2018-12-26 | Nokia Technologies Oy | Road traffic management |
US10557713B1 (en) * | 2017-07-14 | 2020-02-11 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
US10816351B1 (en) * | 2017-07-14 | 2020-10-27 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
US11037055B2 (en) * | 2017-10-30 | 2021-06-15 | DoorDash, Inc. | System for dynamic estimated time of arrival predictive updates |
JP6965426B2 (ja) * | 2017-11-23 | 2021-11-10 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | 到着時間を推定するためのシステムおよび方法 |
CN110073426B (zh) * | 2017-11-23 | 2021-10-26 | 北京嘀嘀无限科技发展有限公司 | 估计到达时间的***和方法 |
CN109886442A (zh) | 2017-12-05 | 2019-06-14 | 北京嘀嘀无限科技发展有限公司 | 预估接驾时长方法及预估接驾时长*** |
CN108053673B (zh) * | 2017-12-08 | 2020-03-31 | 深圳壹账通智能科技有限公司 | 一种路况预报方法、存储介质和服务器 |
JP6991053B2 (ja) * | 2017-12-14 | 2022-01-12 | フォルシアクラリオン・エレクトロニクス株式会社 | 車載装置、情報提示方法 |
CN108253955B (zh) * | 2017-12-27 | 2020-12-22 | 重庆柚瓣家科技有限公司 | 基于户外引导型行走机器人的老人出行辅助*** |
US10802489B1 (en) | 2017-12-29 | 2020-10-13 | Apex Artificial Intelligence Industries, Inc. | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips |
CN108417029B (zh) * | 2018-02-11 | 2020-11-06 | 东南大学 | 基于自适应多任务深度学习的城市路网行程时间估计方法 |
CN108564364B (zh) * | 2018-03-12 | 2019-06-14 | 重庆小富农康农业科技服务有限公司 | 一种基于区块链技术和用户精准画像的农村养殖大数据征信*** |
CN110363320B (zh) * | 2018-03-26 | 2022-06-07 | 腾讯大地通途(北京)科技有限公司 | 一种预测估计到达时间的方法、装置和计算设备 |
CN110361019B (zh) * | 2018-04-11 | 2022-01-11 | 北京搜狗科技发展有限公司 | 用于预测导航时间的方法、装置、电子设备及可读介质 |
CN110826741A (zh) | 2018-08-14 | 2020-02-21 | 北京高德云图科技有限公司 | 一种网络约车和***开具方法、***和装置 |
US10921147B1 (en) * | 2018-08-29 | 2021-02-16 | Amazon Technologies, Inc. | Customer and merchant location-based ETA determination |
US11681929B2 (en) * | 2018-10-02 | 2023-06-20 | Honeywell International Inc. | Methods and systems for predicting a remaining useful life of a component using an accelerated failure time model |
CN111160594B (zh) * | 2018-11-07 | 2022-05-06 | 腾讯大地通途(北京)科技有限公司 | 一种到达时间的预估方法、装置及存储介质 |
US10970668B2 (en) | 2018-11-15 | 2021-04-06 | DoorDash, Inc. | Depot dispatch protocol for autonomous last-mile deliveries |
CN111199642B (zh) * | 2018-11-16 | 2021-08-03 | 北京嘀嘀无限科技发展有限公司 | 预测通行时长的方法和*** |
CN111260092A (zh) * | 2018-12-03 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 用于预测对象到达时间的***和方法 |
CN110782648B (zh) * | 2018-12-03 | 2022-02-18 | 北京嘀嘀无限科技发展有限公司 | 确定预计到达时间的***和方法 |
CN109489679B (zh) * | 2018-12-18 | 2019-12-17 | 成佳颖 | 一种导航路径中的到达时间计算方法 |
US20210357764A1 (en) * | 2019-01-11 | 2021-11-18 | Google Llc | Reducing errors introduced by model updates |
CN109712398B (zh) * | 2019-01-22 | 2021-05-28 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN111563639A (zh) * | 2019-02-14 | 2020-08-21 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和*** |
CN109974735B (zh) * | 2019-04-08 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 到达时间的预估方法、装置及计算机设备 |
CN111862657B (zh) * | 2019-04-24 | 2022-09-09 | 北京嘀嘀无限科技发展有限公司 | 一种确定路况信息的方法及装置 |
KR102070120B1 (ko) * | 2019-05-08 | 2020-01-28 | 서울대학교산학협력단 | 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 |
CN113924460B (zh) * | 2019-06-06 | 2024-04-26 | 北京嘀嘀无限科技发展有限公司 | 确定服务请求的推荐信息的***和方法 |
CN110349420B (zh) * | 2019-07-01 | 2020-12-18 | 福建睿思特科技股份有限公司 | 一种基于数据分析的智能路况管理*** |
CN110751395B (zh) * | 2019-10-21 | 2023-07-04 | 中国民航信息网络股份有限公司 | 一种旅客行程状态确定方法、装置及服务器 |
CN110826782B (zh) * | 2019-10-25 | 2022-10-14 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
CN110836675B (zh) * | 2019-10-25 | 2021-09-28 | 北京航空航天大学 | 一种基于决策树的自动驾驶搜索决策方法 |
US11366434B2 (en) | 2019-11-26 | 2022-06-21 | Apex Artificial Intelligence Industries, Inc. | Adaptive and interchangeable neural networks |
US10956807B1 (en) | 2019-11-26 | 2021-03-23 | Apex Artificial Intelligence Industries, Inc. | Adaptive and interchangeable neural networks utilizing predicting information |
US11367290B2 (en) | 2019-11-26 | 2022-06-21 | Apex Artificial Intelligence Industries, Inc. | Group of neural networks ensuring integrity |
US10691133B1 (en) * | 2019-11-26 | 2020-06-23 | Apex Artificial Intelligence Industries, Inc. | Adaptive and interchangeable neural networks |
CN111141302B (zh) * | 2019-12-26 | 2023-10-27 | 斑马网络技术有限公司 | 车辆驾驶到达时间的预估方法、装置及电子设备 |
US11430335B2 (en) * | 2020-01-31 | 2022-08-30 | Here Global B.V. | Method and apparatus for providing large scale vehicle routing |
CN111353009B (zh) * | 2020-02-03 | 2021-10-26 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型、预估路线耗时的方法及对应装置 |
CN111326015A (zh) * | 2020-03-27 | 2020-06-23 | 北京骑胜科技有限公司 | 一种停车点推荐方法及装置 |
CN111860906B (zh) * | 2020-04-24 | 2024-04-26 | 北京嘀嘀无限科技发展有限公司 | 一种确定预估到达时间的方法和*** |
TWI748514B (zh) * | 2020-06-12 | 2021-12-01 | 中華電信股份有限公司 | 車流推估方法與系統 |
CN112382082B (zh) * | 2020-09-30 | 2022-06-14 | 银江技术股份有限公司 | 一种拥堵区域交通运行状态预测方法及*** |
CN112614187B (zh) * | 2020-12-31 | 2024-03-26 | 深圳市优必选科技股份有限公司 | 回环检测方法、装置、终端设备和可读存储介质 |
US11933615B2 (en) * | 2021-01-26 | 2024-03-19 | Ubkang (Qingdao) Technology Co., Ltd. | Estimated time of arrival calculating method and system and mobile machine using the same |
CN114373277A (zh) * | 2021-12-01 | 2022-04-19 | 深圳优美创新科技有限公司 | 一种基于智能穿戴设备的儿童监控方法、***及移动终端 |
CN113902427B (zh) * | 2021-12-09 | 2022-10-04 | 腾讯科技(深圳)有限公司 | 一种预估到达时间的确定方法、装置、设备及存储介质 |
CN116662815B (zh) * | 2023-07-28 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 时间预测模型的训练方法以及相关设备 |
Family Cites Families (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000063866A1 (en) * | 1999-04-17 | 2000-10-26 | Idmicro, Inc. | Method and system for providing an estimated time of arrival for a bus |
DE19928082C2 (de) * | 1999-06-11 | 2001-11-29 | Ddg Ges Fuer Verkehrsdaten Mbh | Filterungsverfahren zur Bestimmung von Reisegeschwindigkeiten bzw. -zeiten und Domänen-Restgeschwindigkeiten |
JP2001229495A (ja) * | 2000-02-16 | 2001-08-24 | Toshiba Corp | 運送方法およびシステム、受付処理システムならびにコンピュータが読取り可能な記憶媒体 |
JP2002032889A (ja) * | 2000-07-14 | 2002-01-31 | Dis System Hanbai Kk | タクシー手配システム |
US6317686B1 (en) | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
US7221287B2 (en) | 2002-03-05 | 2007-05-22 | Triangle Software Llc | Three-dimensional traffic report |
EP1350714A1 (en) * | 2002-03-19 | 2003-10-08 | Campagnolo Srl | Hollow crank arm for a bicycle, and process for manufacturing the same |
JP4142886B2 (ja) * | 2002-04-01 | 2008-09-03 | 株式会社アイ・トランスポート・ラボ | 旅行時間推計装置およびその方法、コンピュータプログラム |
CN1484206A (zh) * | 2003-08-13 | 2004-03-24 | 倚天资讯股份有限公司 | 行车自动派遣***及方法 |
US7797100B2 (en) * | 2004-09-24 | 2010-09-14 | Aisin Aw Co., Ltd. | Navigation systems, methods, and programs |
JP2006134158A (ja) * | 2004-11-08 | 2006-05-25 | Denso Corp | 区間旅行時間情報収集システム及び車載装置 |
GB0520576D0 (en) * | 2005-10-10 | 2005-11-16 | Applied Generics Ltd | Using traffic monitoring information to provide better driver route planning |
JP2007249845A (ja) * | 2006-03-17 | 2007-09-27 | Fujitsu Ltd | 交通状況推定プログラムおよび交通状況推定方法 |
US7739040B2 (en) * | 2006-06-30 | 2010-06-15 | Microsoft Corporation | Computation of travel routes, durations, and plans over multiple contexts |
US7739031B2 (en) * | 2006-09-05 | 2010-06-15 | Nissan Technical Center North America, Inc. | Vehicle on-board unit |
JP4932524B2 (ja) | 2006-10-20 | 2012-05-16 | 日本電気株式会社 | 旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラム |
JP2008116364A (ja) * | 2006-11-06 | 2008-05-22 | Matsushita Electric Ind Co Ltd | ナビゲーション装置、ナビゲーション方法、及びナビゲーションプログラム |
JP4248602B2 (ja) * | 2007-07-12 | 2009-04-02 | パナソニック株式会社 | 旅程提示装置および旅程提示方法 |
JP2009064283A (ja) * | 2007-09-07 | 2009-03-26 | Omron Corp | 交通情報提供システムおよび交通情報提供方法 |
CN101388143B (zh) * | 2007-09-14 | 2011-04-13 | 同济大学 | 基于浮动车数据的公交到站时间预测方法 |
US9310214B1 (en) * | 2008-01-24 | 2016-04-12 | Blackberry Corporation | System and method for dynamically redefining road segment boundaries |
GB0822893D0 (en) * | 2008-12-16 | 2009-01-21 | Tele Atlas Bv | Advanced speed profiles - Further updates |
DE102009043309A1 (de) * | 2009-02-26 | 2010-09-16 | Navigon Ag | Verfahren und Navigationseinrichtung zur Ermittlung der voraussichtlichen Fahrzeit |
CN101706888B (zh) * | 2009-04-30 | 2012-07-18 | 北京世纪高通科技有限公司 | 一种旅行时间预测的方法 |
CN101634569B (zh) * | 2009-09-01 | 2011-12-28 | 中兴通讯股份有限公司 | 利用行车时间确定行车路线的方法与装置 |
CN102081859B (zh) * | 2009-11-26 | 2014-10-01 | 上海遥薇(集团)有限公司 | 一种公交车到站时间预测模型控制方法 |
CN102110365B (zh) | 2009-12-28 | 2013-11-06 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和*** |
EP2343694B1 (en) | 2009-12-29 | 2012-03-14 | Research In Motion Limited | System and method of sending an arrival time estimate |
CN103134504A (zh) * | 2011-12-05 | 2013-06-05 | 奚伟祖 | 城市最佳路径导航的人工智能算法 |
US9239989B2 (en) | 2012-03-28 | 2016-01-19 | General Electric Company | Computer-implemented system with adaptive cognitive features and method of using the same |
CN103377552B (zh) * | 2012-04-13 | 2016-03-16 | 日立(中国)研究开发有限公司 | 交通信息预测装置及方法、终端设备及服务器 |
JP2013257667A (ja) * | 2012-06-11 | 2013-12-26 | Toshiba Corp | 交通管制システムおよび交通管制システムの情報提供方法 |
CN103632542A (zh) * | 2012-08-27 | 2014-03-12 | 国际商业机器公司 | 交通信息处理方法、装置和相应设备 |
CN103065469B (zh) * | 2012-12-14 | 2015-02-04 | 中国航天***工程有限公司 | 行程时间的确定方法和装置 |
US9863777B2 (en) * | 2013-02-25 | 2018-01-09 | Ford Global Technologies, Llc | Method and apparatus for automatic estimated time of arrival calculation and provision |
CN104050512A (zh) | 2013-03-15 | 2014-09-17 | Sap股份公司 | 基于多粒度地图的运输时间估计 |
KR102195831B1 (ko) * | 2013-04-17 | 2020-12-29 | 톰톰 네비게이션 비.브이. | 이동 정보를 제공하기 위한 방법 및 장치 |
CN103308054A (zh) * | 2013-05-20 | 2013-09-18 | 江苏新科软件有限公司 | 一种导航路径旅行时间测算方法 |
CN104346926B (zh) | 2013-07-31 | 2017-09-12 | 国际商业机器公司 | 行驶时间预测方法和装置、以及相关终端设备 |
US9709413B2 (en) | 2013-12-12 | 2017-07-18 | Cellco Partnership | Directions based on predicted future travel conditions |
TWI569226B (zh) * | 2014-02-12 | 2017-02-01 | Chunghwa Telecom Co Ltd | Logistics Delivery Arrival Time Estimation System and Method with Notification Function |
US9581455B2 (en) * | 2014-05-06 | 2017-02-28 | Elwha Llc | Systems and methods for providing at least a portion of a travel plan that calls for at least one transportation vehicle unit |
CN104123841B (zh) * | 2014-08-14 | 2016-08-24 | 苏州大学 | 一种车辆到站时间的获取方法及*** |
US20160196527A1 (en) | 2015-01-06 | 2016-07-07 | Falkonry, Inc. | Condition monitoring and prediction for smart logistics |
CN104794927B (zh) * | 2015-04-29 | 2017-05-17 | 贵州中科汉天下信息技术有限公司 | 一种公交车到站时间预测方法 |
US20170270790A1 (en) * | 2015-05-15 | 2017-09-21 | New York City Transit Authority | Vehicle Prediction Module |
CN104882020B (zh) * | 2015-06-05 | 2017-01-25 | 刘光明 | 预测交通状况和行车时间 |
CN107305742A (zh) | 2016-04-18 | 2017-10-31 | 滴滴(中国)科技有限公司 | 用于确定预计到达时间的方法和设备 |
-
2016
- 2016-04-18 CN CN201610242067.5A patent/CN107305742A/zh active Pending
- 2016-04-18 CN CN202210619190.XA patent/CN114973677A/zh active Pending
-
2017
- 2017-04-18 JP JP2018524227A patent/JP2019507316A/ja active Pending
- 2017-04-18 CN CN201780019074.1A patent/CN109155104B/zh active Active
- 2017-04-18 TW TW106113183A patent/TWI638320B/zh active
- 2017-04-18 AU AU2017253916A patent/AU2017253916B2/en active Active
- 2017-04-18 EP EP17785416.3A patent/EP3365878A4/en not_active Withdrawn
- 2017-04-18 SG SG11201804005WA patent/SG11201804005WA/en unknown
- 2017-04-18 WO PCT/CN2017/080850 patent/WO2017181932A1/en active Application Filing
- 2017-04-18 BR BR112018009623A patent/BR112018009623A2/pt unknown
- 2017-04-18 GB GB1807706.5A patent/GB2558502B/en active Active
- 2017-04-18 KR KR1020187014925A patent/KR20180075613A/ko not_active Application Discontinuation
-
2018
- 2018-05-10 PH PH12018550059A patent/PH12018550059A1/en unknown
- 2018-05-15 US US15/980,643 patent/US10254119B2/en active Active
- 2018-09-06 HK HK18111450.0A patent/HK1252213A1/zh unknown
-
2019
- 2019-02-28 US US16/288,168 patent/US10948301B2/en active Active
- 2019-03-06 US US16/294,809 patent/US20190204087A1/en not_active Abandoned
-
2020
- 2020-03-19 AU AU2020201991A patent/AU2020201991B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI713945B (zh) * | 2017-12-14 | 2020-12-21 | 大陸商北京嘀嘀無限科技發展有限公司 | 用於訂單分配優化的系統和方法 |
TWI798583B (zh) * | 2020-09-01 | 2023-04-11 | 中華電信股份有限公司 | 加速模擬軟體的模擬結果的產生的電子裝置和方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190257658A1 (en) | 2019-08-22 |
EP3365878A1 (en) | 2018-08-29 |
CN109155104B (zh) | 2022-04-05 |
KR20180075613A (ko) | 2018-07-04 |
US20180259345A1 (en) | 2018-09-13 |
AU2020201991A1 (en) | 2020-04-09 |
PH12018550059A1 (en) | 2018-11-12 |
GB2558502B (en) | 2022-10-26 |
GB2558502A (en) | 2018-07-11 |
GB201807706D0 (en) | 2018-06-27 |
BR112018009623A2 (pt) | 2019-01-15 |
CN107305742A (zh) | 2017-10-31 |
AU2017253916B2 (en) | 2019-12-19 |
US10254119B2 (en) | 2019-04-09 |
HK1252213A1 (zh) | 2019-05-24 |
AU2017253916A1 (en) | 2018-05-31 |
AU2020201991B2 (en) | 2021-04-08 |
GB2558502A8 (en) | 2018-08-22 |
CN109155104A (zh) | 2019-01-04 |
US10948301B2 (en) | 2021-03-16 |
US20190204087A1 (en) | 2019-07-04 |
WO2017181932A1 (en) | 2017-10-26 |
TWI638320B (zh) | 2018-10-11 |
SG11201804005WA (en) | 2018-11-29 |
JP2019507316A (ja) | 2019-03-14 |
EP3365878A4 (en) | 2018-10-31 |
CN114973677A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI638320B (zh) | 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體 | |
TWI670677B (zh) | 用於推薦預估到達時間的系統和方法 | |
JP6568240B2 (ja) | 運輸サービスの料金を求める方法及びシステム | |
CN109478364B (zh) | 确定预计到达时间的方法及*** | |
TWI689744B (zh) | 用於確定預估到達時間的系統和方法及相關的非暫時性機器可讀取儲存媒體 | |
US10922778B2 (en) | Systems and methods for determining an estimated time of arrival | |
WO2016127918A1 (zh) | 一种运力调度方法及*** | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
CN110839346A (zh) | 用于分配服务请求的***和方法 | |
CN113924460A (zh) | 确定服务请求的推荐信息的***和方法 |