TW201842472A - 用於確定預估到達時間的系統和方法 - Google Patents

用於確定預估到達時間的系統和方法 Download PDF

Info

Publication number
TW201842472A
TW201842472A TW107114156A TW107114156A TW201842472A TW 201842472 A TW201842472 A TW 201842472A TW 107114156 A TW107114156 A TW 107114156A TW 107114156 A TW107114156 A TW 107114156A TW 201842472 A TW201842472 A TW 201842472A
Authority
TW
Taiwan
Prior art keywords
historical
determining
neural network
network model
service
Prior art date
Application number
TW107114156A
Other languages
English (en)
Inventor
羅卿
王征
Original Assignee
大陸商北京嘀嘀無限科技發展有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 大陸商北京嘀嘀無限科技發展有限公司 filed Critical 大陸商北京嘀嘀無限科技發展有限公司
Publication of TW201842472A publication Critical patent/TW201842472A/zh

Links

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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Navigation (AREA)

Abstract

一種用於確定預估到達時間(ETA)的方法可以包括從終端獲得服務請求，以及確定與所述服務請求有關的參考圖像。所述方法也可以包括獲得經訓練的神經網路模型。所述方法還可以包括基於所述參考圖像和所述經訓練的神經網路模型來確定與所述服務請求有關的ETA，以及將所述ETA發送至所述終端。

Description

用於確定預估到達時間的系統和方法
本申請涉及一種用於隨選服務的數位規劃之系統和方法，具體涉及一種用於確定與隨選服務的服務請求有關的預估到達時間(estimated time of arrival，ETA)的系統和方法。
本申請主張2017年4月27日提交的編號為PCT/CN2017/082163的國際申請的優先權，其內容以引用方式被包含於此。
隨著網際網路技術的發展，隨選服務如線上計程車呼叫服務和運送服務等隨選服務變得愈來愈流行。對於一個包括起點和目的地的請求，提供隨選服務的系統可以推薦一個從起點到目的地的路線，並且基於沿著推薦路線上的交通資訊來確定預估到達時間(ETA)。但是，在某些情況下，除了沿著推薦路線上的交通資訊外，ETA可能會受到遠離於推薦路線的其它交通資訊的影響。
根據本申請的一個態樣，提供一種用於確定預估到達時間(ETA)的系統。所述系統可以包括儲存裝置以及至少一個處理器，所述儲存裝置包括一組指令，所述至少一個處理器用以與所述儲存裝置通信並且執行所述指令以 使系統執行以下操作中的一個或多個操作。所述系統可以從終端獲取服務請求。所述系統可以確定與所述服務請求有關的參考圖像。所述系統可以獲取經訓練的神經網路模型。所述系統可以基於所述參考圖像和所述經訓練的神經網路模型來確定與所述服務請求有關的ETA。所述系統可以將所述ETA發送至所述終端。
根據本申請的一個態樣，提供一種用於確定ETA的方法。所述方法可以包括以下操作中的一個或多個操作。可以從終端中獲取服務請求。可以確定與所述服務請求有關的參考圖像。可以獲得經訓練的神經網路模型。可以基於所述參考圖像和所述經訓練的神經網路模型來確定與所述服務請求有關的ETA。可以將所述ETA發送至所述終端。
根據本申請的另一個態樣，提供一種包括可執行指令的非暫時性電腦可讀取媒體。當由至少一個處理器執行時，所述可執行指令可以使所述媒體實現包括以下操作中的一個或多個操作的方法。可以從終端獲取服務請求。可以確定與所述服務請求有關的參考圖像。可以獲得經訓練的神經網路模型。可以基於所述參考圖像和所述經訓練的神經網路模型來確定與所述服務請求有關的ETA。可以將所述ETA發送至所述終端。
在一些實施例中，所述ETA可以儲存在儲存裝置中。
在一些實施例中，可以獲得與服務請求有關的第一基本圖像。基於所述基本圖像可以確定與服務請求有關的特徵圖像。基於所述基本圖像和所述特徵圖像可以獲得與服務請求有關的路線通道。基於所述基本圖像、所述特徵圖像、以及所述路線通道可以確定與服務請求有關的參考圖像。
在一些實施例中，可以獲得與服務請求有關的地理資訊。基於所述地理資訊可以確定第一基本圖像。
在一些實施例中，可以獲得多個歷史服務訂單。可以獲得與多個 歷史服務訂單相關的第二基本圖像。基於所述第二基本圖像可以確定與多個歷史服務訂單相關的多個歷史特徵圖像。基於所述第二基本圖像和所述多個歷史特徵圖像可以確定與多個歷史服務訂單相關的多個歷史路線通道。基於第二基本圖像、多個歷史特徵圖像、以及多個歷史路線通道可以確定與多個歷史服務訂單相關的多個樣本圖像。基於多個樣本圖像可以確定經訓練的神經網路模型。
在一些實施例中，可以獲得多個歷史服務訂單的多個實際到達時間(actual time of arrival，ATA)。可以獲得初始神經網路模型。基於所述初始神經網路模型和多個樣本圖像可以確定多個樣本ETA。基於所述多個ATA和多個樣本ETA可以確定損失函數。可以確定損失函數的值是否小於一個臨界值。回應於確定損失函數的值小於臨界值，可以將所述初始神經網路模型指定為經訓練的神經網路模型。
在一些實施例中，回應於確定所述損失函數的值大於或等於臨界值，可以更新初始神經網路模型。
在一些實施例中，所述初始神經網路模型是卷積神經網路模型。
在一些實施例中，可以確定與多個歷史服務訂單相關的交通資訊。基於所述交通資訊可以確定多個歷史特徵圖像。
在一些實施例中，所述交通資訊可以被歸一化。基於歸一化的交通資訊可以確定與多個歷史服務訂單相關的多個歷史特徵圖像。
在一些實施例中，所述交通資訊可以包括與多個歷史服務訂單相關的車速資訊及/或與多個歷史服務訂單相關的車流量資訊。
在一些實施例中，對於所述多個歷史服務訂單中的每一個歷史服務訂單，可以在多個歷史服務訂單中的每一個歷史服務訂單所對應的歷史特徵圖像上確定與多個歷史服務訂單中的每一個歷史服務訂單相關的歷史路線。可以對歷史特徵圖像上的歷史路線指定值。基於指定的值和歷史特徵圖像可以確 定與多個歷史服務訂單中的每一個歷史服務訂單相對應的歷史路線通道。
在一些實施例中，所述歷史特徵圖像上的歷史路線的值可以是-1及/或255。
另外的特徵將在接下來的描述中部分地闡述，並且對於本領域具有通常知識者在檢閱下文和附圖時將部分地變得顯而易見，或者可以通過示例的生產或操作而被學習。本申請的特徵可以通過實踐或使用在下面討論的詳細示例中闡述的方法、手段和組合的各個態樣來實現和獲得。
100‧‧‧隨選服務系統
110‧‧‧伺服器
112‧‧‧處理引擎
120‧‧‧網路
120-1、120-2‧‧‧網際網路交換點
130‧‧‧請求者終端
130-1‧‧‧移動裝置
130-2‧‧‧平板電腦
130-3‧‧‧膝上型電腦
130-4‧‧‧內建裝置
140‧‧‧提供者終端
140-1‧‧‧移動裝置
140-2‧‧‧平板電腦
140-3‧‧‧膝上型電腦
140-4‧‧‧內建裝置
150‧‧‧儲存器
200‧‧‧計算裝置
210‧‧‧通訊匯流排
220‧‧‧處理器
230‧‧‧唯讀記憶體(ROM)
240‧‧‧隨機存取記憶體(RAM)
250‧‧‧COM埠
260‧‧‧I/O
270‧‧‧磁碟
302‧‧‧獲取模組
304‧‧‧訓練模組
306‧‧‧確定模組
308‧‧‧通信模組
400‧‧‧流程
402‧‧‧步驟
404‧‧‧步驟
406‧‧‧步驟
408‧‧‧步驟
410‧‧‧步驟
500‧‧‧流程
502‧‧‧步驟
504‧‧‧步驟
506‧‧‧步驟
508‧‧‧步驟
600‧‧‧流程
602‧‧‧步驟
604‧‧‧步驟
606‧‧‧步驟
608‧‧‧步驟
610‧‧‧步驟
612‧‧‧步驟
613‧‧‧步驟
614‧‧‧步驟
616‧‧‧步驟
618‧‧‧步驟
620‧‧‧步驟
622‧‧‧步驟
700‧‧‧卷積神經網路(CNN)模型
702‧‧‧輸入層
704‧‧‧卷積層
704a、704b、704c‧‧‧內核
706‧‧‧池化層
706a、706b、706c‧‧‧池化節點
708‧‧‧完全連接層
708a、708b、708c‧‧‧連接節點
710‧‧‧輸出層
本申請以示例性實施例的方式來進一步描述。這些示例性實施例參考至圖式而被詳細地描述。這些示例性實施例是非限定性的示例性實施例，其中相同的元件符號代表整個圖式的數個視圖之相似結構，並且其中：圖1係根據本申請的一些實施例所示的示例性隨選服務系統的示意圖；圖2係根據本申請的一些實施例所示的一種示例性計算裝置的示意圖；圖3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4係根據本申請一些實施例所示的一種用於確定與服務請求有關的ETA的示例性流程的流程圖；圖5係根據本申請一些實施例所示的一種用於確定與服務請求有關的參考圖像的示例性流程的流程圖；圖6-A和圖6-B係根據本申請一些實施例所示的一種用於確定經訓練的神經網路模型的示例性流程的流程圖；以及 圖7係根據本申請一些實施例所示的一種示例性卷積神經網路(convolutional neural network，CNN)模型的示意圖。
下述描述是為了使本領域具有通常知識者能製造和使用本申請，並且該描述是在特定的應用及其要求的背景下提供的。對於本領域具有通常知識者來說，顯然可以對所揭露的實施例作出各種改變。另外，在不偏離本申請的精神和範圍的情況下，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，本申請並不限於所揭露的實施例，而應被給予與申請專利範圍一致的最寬泛的範圍。
此處使用的術語僅僅用來描述特定的示意性實施例，並且不具有限定性。如本申請和申請專利範圍中所示，除非上下文明確提示例外情形，「一」、「一個」、「一種」及/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「包含」僅提示已明確標識的特徵、整數、步驟、操作、元素、及/或組件，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、組件、及/或其組合。
根據以下對附圖的描述，本申請所述的和其他的特徵、特色，以及相關結構元素的功能和操作方法，以及製造的經濟和部件組合更加顯而易見，這些都構成說明書的一部分。然而，應當理解，附圖僅僅是為了說明和描述的目的，並不旨在限制本申請的範圍。應當理解的是，附圖並不是按比例的。
本申請中使用了流程圖用來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，可以按照倒序執行或同時處理各種步驟。此外，可以將一個或多個其他操作添加到這些流程中，或從這些流程中移除一個或多個操作。
同時，雖然本申請中揭露的系統和方法的描述主要是關於確定預估到達時間，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環境下的運輸系統，包括陸地、海洋、航空航太或類似物或其任意組合。所述運輸系統的車輛可以包括計程車、私家車、順風車、公車、列車、子彈列車、高鐵、地鐵、船舶、飛機、飛船、熱氣球、無人駕駛車輛或類似物或其任意組合。所述運輸系統也可以包括用於管理及/或分配的任一種運輸系統，例如，接收及/或送快遞的系統。本申請的系統和方法的應用可以包括網頁、瀏覽器外掛程式、用戶端、客制系統、內部分析系統、人工智慧機器人或類似物或其任意組合。
在本申請中，術語「乘客」、「請求者」、「服務請求者」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」、「提供者」、「服務提供者」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「使用者」可以表示可以請求服務、預定服務、提供服務或促進該服務提供的個體、實體或工具。例如，使用者可以是乘客、司機、操作者或類似物或其任意組合。在本申請中，「乘客」和「乘客終端」可以交換使用，而且「司機」和「司機終端」可以交換使用。
在本申請中，術語「服務請求」是指由乘客、請求者、服務請求者、使用者、司機、提供者、服務提供者、供應商等發起的請求或者其任何組合。該服務請求可被乘客、請求者、服務請求者、顧客、司機、提供者、服務提供者或者供應者接受。服務請求可以是計費的也可是免費的。
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)定位技術或類似物或其任意組合。以上定位技術中的一個或多個可以在本申請中交換使用。
本申請的一態樣提供了基於經訓練的神經網路模型來確定與隨選服務的服務請求相關的ETA之線上系統和方法。此外，該系統和方法可以將ETA發送至與服務請求相關的終端。該系統和方法可以獲得多個歷史服務訂單，並且基於多個歷史服務訂單來確定經訓練的神經網路模型。例如，該系統和方法可以確定與多個歷史服務訂單有關的多個樣本圖像，並且基於初始神經網路模型和多個樣本圖像來確定經訓練的神經網路模型。
需要注意的是，線上隨選運輸服務，例如線上呼叫計程車(包括計程車運輸服務)，是起源於後網際網路時代的一種新的服務方式。它為使用者和服務提供者提供了只在後網際網路時代才可能實現的技術方案。在網際網路時代之前，當使用者在街道上呼叫一輛計程車時，計程車預定請求和接受只能在乘客和一個看見該乘客的計程車司機之間發生。如果乘客通過電話招呼一輛計程車，計程車預定請求和接受只能在該乘客和服務提供者(例如，計程車公司或代理人)之間發生。然而，線上計程車允許使用者將其服務請求即時地且自動地分發給與該使用者相距一段距離的大量服務提供者。它同時允許多個服務提供者同時地且即時地對該服務請求進行回應。與此同時，在現代社會中，計程車服務已成為一個規模巨大的產業。數百萬乘客每天通過線上計程車呼叫平臺乘坐計程車。只有通過網際網路的幫助才能研究乘客乘計程車的行為。因此，通過乘客的線上計程車呼叫活動來預測計程車呼叫服務，也是一種根植於網際網路後時代的新型服務。
圖1係根據本申請的一些實施例所示的示例性隨選服務系統的示意圖。例如，隨選服務系統100可以是一個用於運輸服務的線上運輸服務平臺，運輸服務則例如是計程車呼叫服務、駕駛服務、貨物遞送服務、汽車司機服務、 快捷汽車服務、共乘服務、公車服務、短期司機出租服務、接駁服務。該隨選服務系統100可以是一包含一伺服器110、一網路120、一請求者終端130、一提供者終端140以及一儲存器150的線上平臺。該伺服器110可包含一處理引擎112。
在一些實施例中，伺服器110可以是一單一伺服器或一伺服器組。該伺服器組可以是集中式或分散式的(例如，伺服器110可以是一分散式系統)。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可通過網路120存取儲存在請求者終端130、提供者終端140及/或儲存器150內的資訊及/或資料。在另一範例中，伺服器110可與請求者終端130、提供者終端140及/或儲存器150相連接，以存取儲存在其中的資訊及/或資料。在一些實施例中，伺服器110可在一雲端平臺上執行。僅僅作為範例，該雲端平臺可以包括一私有雲、公共雲、混合雲、社區雲、分散式雲、內部雲、多層雲或類似物或其任意組合。在一些實施例中，伺服器110可以在具有本申請的圖2中示出的一個或多個元件的計算裝置200上實現。
在一些實施例中，伺服器110可包含一處理引擎112。該處理引擎112可處理與服務請求相關聯的資訊及/或資料來執行在本申請中揭示的一個或者多個功能。例如，處理引擎112可以基於經訓練的神經網路模型來確定與隨選服務的服務請求相關的ETA。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，單核心處理引擎或多核心處理器)。僅作為範例，處理引擎112可包括一中央處理器(CPU)、特定應用積體電路(ASIC)、特定應用指令集處理器(ASIP)、影像處理器(GPU)、物理運算處理單元(PPU)、數位訊號處理器(DSP)、現場可程式閘陣列(FPGA)、可程式邏輯裝置(PLD)、控制器、微控制器單元、精簡指令集電腦(RISC)、微處理器或類似物或其任意組合。
網路120可以促進資訊及/或資料的交換。在一些實施例中，隨選服務系統100的一個或者多個組件(例如伺服器110、請求者終端130、提供者終 端140和儲存器150)可以通過網路120傳送資訊至隨選服務系統100的其他組件例如，伺服器110可以通過網路120從請求者終端130獲取服務請求。在一些實施例中，網路120可以是任意形式的有線或者無線網路，或其任意組合。僅作為範例，網路120可以是一電纜網路、纜線網路、光纖網路、電信網路、內部網路、網際網路、區域網路(LAN)、廣域網路(WAN)、無線區域網路(WLAN)、都會區域網路(MAN)、公用交換電話網路(PSTN)、藍牙網路，紫蜂(ZigBee)網路、近場通訊(NFC)或類似物或其任意組合。在一些實施例中，網路120可包括一個或者多個網路進接點。例如，網路120可包括有線或無線網路進接點比如基站及/或網際網路交換點120-1、120-2...。通過該網路進接點，隨選服務系統100的一個或多個組件可以連接至網路120以交換資訊及/或資料。
在一些實施例中，請求者可以是請求者終端130的一使用者。在一些實施例中，請求者終端130的使用者可以是除該請求者之外的其他人。例如，請求者終端130的使用者A可以通過請求者終端130為使用者B發送服務請求，或從伺服器110處接收服務及/或資訊或指令。在一些實施例中，提供者可以是提供者終端140的一使用者。在一些實施例中，提供者終端140的使用者可以是除該提供者之外的其他人。例如，提供者終端140的使用者C可以為使用者D通過提供者終端140接收服務請求及/或從伺服器110處接收資訊或指令。在一些實施例中，「請求者」和「請求者終端」可互換使用，「提供者」和「提供者終端」可互換使用。
在一些實施例中，請求者終端130可以包括一行動裝置130-1、平板電腦130-2、膝上型電腦130-3、在機動車輛中之內建裝置130-4或類似物或其任意組合。在一些實施例中，行動裝置130-1可包括一智慧居家裝置，可穿戴裝置、智慧行動裝置、虛擬實境裝置、擴增實境裝置或類似物或其任意組合。在一些實施例中，智慧居家裝置可包括一智慧照明裝置、智慧電器控制裝置、智 慧監測裝置、智慧電視、智慧視訊攝影機、對講機或類似物或其任意組合。在一些實施例中，該可穿戴裝置可包括一智慧手鐲、智慧鞋襪、智慧眼鏡、智慧頭盔、智慧手錶、智慧衣服、智慧背包、智慧附件或類似物或其任意組合。在一些實施例中，該智慧行動裝置可包括一智慧型電話、個人數位助理(PDA)、遊戲裝置、導航裝置、銷售點(POS)裝置或類似物或其任意組合。在一些實施例中，該虛擬實境裝置及/或擴增實境裝置可包括一虛擬實境頭盔、虛擬實境眼鏡、虛擬實境補丁、擴增實境頭盔、擴增實境眼鏡、擴增實境補丁或類似物或其任意組合。例如，該虛擬實境裝置及/或擴增實境裝置可包括Google GlassTM，RiftConTM，FragmentsTM，Gear VRTM等。在一些實施例中，在機動車輛中之內建裝置可包括一機載電腦或一機載電視等。在一些實施例中，請求者終端130可以是具有用來確定請求者及/或請求者終端130位置的定位技術的裝置。
在一些實施例中，提供者終端140可以是與請求者終端130相似，或與請求者終端130相同的裝置。在一些實施例中，提供者終端140可以是具有用來確定提供者及/或提供者終端140位置的定位技術的裝置。在一些實施例中，請求者終端130及/或提供者終端140可以與其他定位裝置通訊來確定請求者、請求者終端130、提供者及/或提供者終端140的位置。在一些實施例中，請求者終端130及/或提供者終端140可以向伺服器110傳送定位資訊。
儲存器150可以儲存資料及/或指令。在一些實施例中，儲存器150可以儲存從請求者終端130及/或提供者終端140處獲取的資料。在一些實施例中，儲存器150可以儲存伺服器110用來執行或使用來完成本申請揭示的示例性方法的資料及/或指令。在一些實施例中，儲存器150可以包括一大容量儲存器、抽取式儲存器、揮發性讀寫記憶體、唯讀記憶體(ROM)或類似物或其任意組合。示例性的大容量儲存器可以包括一磁碟、光碟、固態硬碟等。示例性抽取式儲存器可包括一快閃驅動器、軟碟、光碟、記憶卡、壓縮碟、磁帶等。示例 性的揮發性讀寫記憶體可包括一隨機存取記憶體(RAM)。示例性的RAM可包括一動態RAM(DRAM)、雙倍速率同步動態RAM(DDR SDRAM)、靜態RAM(SRAM)、閘流體RAM(T-RAM)和零電容RAM(Z-RAM)等。示例性的ROM可包括一遮罩ROM(MROM)、可程式ROM(PROM)、可抹除可程式ROM(PEROM)、電子可抹除可程式ROM(EEPROM)、光碟ROM(CD-ROM)或數位通用磁碟ROM等。在一些實施例中，儲存器150可在一雲端平臺上執行。僅僅作為範例，該雲端平臺可以包括一私有雲、公共雲、混合雲、社區雲、分散式雲、內部雲、多層雲或類似物或其任意組合。
在一些實施例中，儲存器150可以與網路120相連接並與隨選服務系統100的一個或多個組件(例如，伺服器110、請求者終端130、提供者終端140等)進行通訊。隨選服務系統100的一個或多個組件可以通過網路120存取儲存在儲存器150中的資料或指令。在一些實施例中，儲存器150可以與隨選服務系統100的一個或多個組件(例如，伺服器110、請求者終端130、提供者終端140等)直接連接或直接通訊。在一些實施例中，儲存器150可以是伺服器110的一部分。
在一些實施例中，隨選服務系統100的一個或多個組件(例如，伺服器110、請求者終端130、提供者終端140等)可以存取儲存器150。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的一個或多個組件可以讀取及/或修改與請求者、提供者及/或公眾相關聯的資訊。例如，伺服器110可以在某一服務後讀取及/或修改一個或多個使用者的資訊。在另一範例中，當提供者終端140從請求者終端130接收到一個服務請求時，提供者終端140可以存取與請求者相關聯的資訊，但是不能修改請求者的相關資訊。
在一些實施例中，隨選服務系統100的一個或多個組件之間的資訊交換可以通過請求一個服務來實現。服務請求的物件可以是任一產品。在一 些實施例中，該產品可以是一有形產品或一無形產品。該有形產品可以包括食物、藥物、日用品、化學產物、電器用品、衣服、汽車、住宅、奢侈品或類似物或其任意組合。該無形產品可以包括一服務產品、金融產品、知識產品、網際網路產品或類似物或其任意組合。網際網路產品可以包括一個人主機產品、Web產品、行動上網產品、商用主機產品、嵌入式產品或類似物或其任意組合。行動上網產品可以是應用在行動終端上的軟體、程式、系統或類似物或其任意組合。行動終端可以包括一平板電腦、膝上型電腦、行動電話、個人數位助理(PDA)、智慧手錶、銷售點(POS)裝置、機上電腦、機上電視、可穿戴裝置或類似物或其任意組合。例如，產品可以是在電腦或行動電話上使用的任一軟體及/或應用程式。該軟體及/或應用程式可以與社交、購物、運輸、娛樂、學習、投資或類似物或其任意組合相關聯。在一些實施例中，與運輸相關聯的軟體及/或應用程式可以包括一旅遊軟體及/或應用程式、載具排程軟體及/或應用程式、地圖軟體及/或應用程式等。對於載具排程軟體及/或應用程式，載具可以是馬、馬車、人力車(例如，獨輪手推車、腳踏車、三輪車等)、汽車(例如，計程車、公車、私人汽車或類似物)、列車、地鐵、船隻、航空器(例如，飛機、直升機、太空梭、火箭、熱氣球等)或類似物或其任意組合。
應當注意的是，圖1中所示的應用場景僅被提供用於說明的目的，而不意圖限制本申請的範圍。例如，隨選服務系統100可用作導航系統。導航系統可以包括使用者終端(例如，請求者終端130或提供者終端140)和伺服器(例如，伺服器110)。使用者可以經由使用者終端來輸入起點、目的地及/或開始時間。導航系統可以相應地根據本申請中描述的流程及/或方法基於起點、目的地及/或開始時間來確定ETA。
圖2係根據本申請的一些實施例所示的一種示例性計算裝置200的示例性硬體和軟體元件的示意圖，其上可以實現本申請所述伺服器110、請求 者終端130及/或提供者終端140相應的功能。例如，處理引擎112可以在計算裝置200上實現並且被配置為執行本申請中揭露的處理引擎112的功能。
計算裝置200可以是通用電腦或專用電腦，兩者都可以用於實現本申請的隨選服務系統。計算裝置200可以被用來實現這裡所描述的隨選服務系統的任何元件。例如，處理引擎112可以通過其硬體、軟體程式、固件，或其組合在計算裝置200上實現。雖然只示出了一個這樣的電腦，但為了方便起見，與在此描述的隨選服務相關的電腦功能可以以分散式的方式在多個類似平臺上實現，以指定分配處理負載。
例如，計算裝置200可以包括連接到與之連接的網路的COM埠250，以促使資料通訊。計算裝置200還可以包括處理器(例如處理器220)，以一個或多個處理器的形式，用於執行程式指令。示例性計算裝置可以包括內部通訊匯流排210，用於連接儲存不同形式資料的儲存器，包括例如磁碟270和唯讀記憶體(ROM)230，或隨機存取記憶體(RAM)240，用於由計算裝置處理及/或傳輸各種資料檔案。示例性計算裝置還可以包括儲存在ROM 230、RAM 240，及/或由處理器220執行的其他類型非暫態儲存媒體中的程式指令。本申請的方法及/或流程可被實現為程式指令。計算裝置200還包括支援電腦和其他元件之間輸入/輸出的I/O元件260。計算裝置200也可以通過網路通信接收程式設計和資料。
僅僅為了說明，在計算裝置200中僅描述了一個處理器。然而，應該注意的是，本申請中的計算裝置200還可以包括多個處理器，如同由本揭示中所描述的一個處理器所執行的操作及/或方法操作，也可以由多個處理器聯合地或單獨地執行。例如，如果在本申請中計算裝置200的處理器執行操作A和操作B兩者，則應該理解，操作A和操作B也可以由計算裝置中的兩個或更多個不同的處理器共同地或單獨地執行(例如，第一處理器執行操作A並且第二處理器 執行操作B，或者第一處理器和第二處理器共同執行操作A和B)。
圖3係根據本申請的一些實施例所示的一種示例性處理引擎112的方塊圖。處理引擎112可以包括獲取模組302、訓練模組304、確定模組306和通信模組308。
獲取模組302可以用於獲取服務請求。獲取模組302可以通過網路120從請求者終端130獲取服務請求。服務請求可以是對運輸服務(例如，計程車服務)的請求。服務請求可以包括與服務有關的起點、目的地、及/或開始時間。在一些實施例中，獲取模組302可以確定與服務請求有關的參考圖像(例如，灰度圖像)。與服務請求有關的參考圖像可以指示與服務請求有關的地理資訊、交通資訊、及/或路線資訊。
訓練模組304可以被配置為獲取或確定用於與服務請求有關的ETA的經訓練的神經網路模型。訓練模組304可以基於多個歷史服務訂單確定經訓練的神經網路模型。例如，訓練模組304可以確定與多個歷史服務訂單相關的基本圖像、多個歷史特徵圖像和多個歷史路線通道。訓練模組304可以進一步基於基本圖像、多個歷史特徵圖像和多個歷史路線通道確定多個樣本圖像。訓練模組304可以獲得初始神經網路模型並基於多個樣本圖像訓練初始神經網路模型。經訓練的神經網路模型可以被傳輸到確定模組306或者可以被儲存在本申請中其他地方揭露的任何儲存器(例如，儲存器150)。
確定模組306可以被配置為基於經訓練的神經網路模型確定與服務請求有關的ETA。如結合獲取模組302所描述的，確定模組306可以基於與服務請求相關的參考圖像和經訓練的神經網路模型來確定ETA。在一些實施例中，獲取模組302可以將服務請求發送到確定模組306，並且確定模組306可以確定與服務請求有關的參考圖像。
通信模組308可以被配置為向請求者終端130及/或提供者終端 140發送與服務請求有關的ETA以進行顯示。在一些實施例中，ETA可以通過使用者介面(未示出)而顯示在請求者終端130及/或提供者終端140上。在一些實施例中，ETA可以以例如文本、圖像、音訊和視頻等格式顯示。在一些實施例中，通信模組308可以通過合適的通訊協定(例如，超文字傳輸協定(HTTP)，位址解析協定(ARP)，動態主機組態協定(DHCP)，檔案傳輸協定(FTP))將ETA發送至請求者終端130及/或提供者終端140。
處理引擎112中的模組可以通過有線連接或無線連接彼此連接或通信。有線連接可以包括金屬纜線、光纜、混合纜線等，或其任何組合。無線連接可以包括區域網路(LAN)、廣域網路(WAN)、藍牙、ZigBee和近場通信(NFC)等或其任何組合。兩個或更多個模組可以合併成單個模組，並且任何一個模組可以被分成兩個或更多個單元。例如，獲取模組302和確定模組306可以組合為單個模組，其既可以獲得服務請求，又可以基於經訓練的神經網路模型確定與服務請求有關的ETA。作為另一示例，處理引擎112可以包括用於儲存服務請求、經訓練的神經網路模型、ETA及/或與服務請求相關的任何資訊的儲存模組(未示出)。
圖4係根據本申請一些實施例所示的一種用於確定與服務請求有關的ETA的示例性流程的流程圖。流程400可以由隨選服務系統100執行。例如，流程400可以被實現為儲存在儲存器ROM 230或RAM 240中的一組指令(例如，應用程式)。處理器220可以執行該組指令，並且當執行指令時，其可以被配置為執行流程400。下述流程的操作僅是示例性的。在一些實施例中，流程400可以在新增一個或多個未描述的附加操作或省略一個或多個已描述的操作的情況下完成。另外，圖4中所示的和下文描述的流程操作順序非意欲限定。
在402，處理引擎112可以從請求者終端130獲得服務請求。服務請求可以是對運輸服務(例如，計程車服務)的請求。服務請求可以包括起點、 目的地和開始時間等。如這裡所使用的，起點通常是指服務提供者可以接載請求者的位置。目的地通常是指服務提供者可以讓請求者下車的位置。開始時間通常是指請求者希望使用運輸服務的時間點。
服務請求可以包括即時請求、預約請求、及/或針對一種或多種類型的服務的任何其他請求。如本文所使用的，對於本領域具有通常知識者，即時請求可以指請求者希望在當前或在合理地接近當前時刻的限定時間使用運輸服務。例如，當限定時間短於一臨界值(如1分鐘、5分鐘、10分鐘或20分鐘)時，請求可視為即時請求。預約請求可以指請求者希望預先安排運輸服務的請求(例如，在對於本領域的普通人來說遠離當前時刻的限定時間)。例如，當限定時間長於一臨界值(如20分鐘、2小時、1天等)時，請求可視為預約請求。在一些實施例中，處理引擎112可以基於時間臨界值定義即時請求或預約請求。時間臨界值可以是隨選服務系統100預設設置的，或者可以在不同情況下進行調整。例如，在交通高峰期，時間臨界值可相對較小(例如，10分鐘)，而在空閒時期(例如，上午10：00-12：00)，時間臨界值可相對較大(例如，1小時)。
在404，處理引擎112可以確定與服務請求有關的參考圖像。與服務請求有關的參考圖像可以是包括多個像素的灰度圖像。多個像素可以對應於從0到255的範圍內的多個像素值。在一些實施例中，處理引擎112可以基於與服務請求有關的參考資訊來確定參考圖像。與服務請求相關的參考資訊可以包括與服務請求相關的地理資訊、交通資訊及/或路線資訊。
在406，處理引擎112可以獲得或確定經訓練的神經網路模型。在一些實施例中，處理引擎112可以基於多個歷史服務訂單訓練初始神經網路模型以確定經訓練的神經網路模型。例如，處理引擎112可以確定與多個歷史服務訂單對應的多個樣本圖像，並且基於多個樣本圖像進一步訓練初始神經網路模型。
在一些實施例中，經訓練的神經網路模型可以是與深度學習相關 的卷積神經網路(CNN)模型。CNN模型可以包括圖7中所示的多個處理層(例如，輸入層、卷積層、池化層、完全連接層和輸出層)。
在408，處理引擎112可以基於與服務請求有關的參考圖像和經訓練的神經網路模型確定與服務請求有關的ETA。例如，處理引擎112可以接收與服務請求相關的參考圖像，並且基於CNN模型對參考圖像執行卷積。處理引擎112可以進一步基於卷積確定與服務請求有關的ETA。
在410，處理引擎112可以通過網路120將ETA發送到請求者終端130及/或提供者終端140。在一些實施例中，處理引擎112可以將ETA保存到如本申請其他地方揭露的儲存器(例如，儲存器150)中。
應注意，上述描述僅出於說明性目的，並不意欲限制本申請的範圍。對於熟習此項技術者，可在不背離本申請之原則的情況下對上述方法和系統之應用形式及細節作出各種修改和改變。然而，此些變形和修改亦落於本申請之範圍內。例如，可以在示例性流程400中的其他地方添加一個或多個其他可選步驟(例如，儲存步驟)。在儲存步驟中，處理引擎112可將服務請求、與服務請求有關的參考圖像、經訓練的神經網路模型及/或ETA儲存在本申請的其他地方揭露的儲存器(例如，儲存器150)中。
在一些實施例中，流程400的步驟404可以基於圖5中所示的用於確定與服務請求有關的參考圖像示例性流程500來執行。流程500可以由隨選服務系統100執行。例如，流程500可以實現儲存在儲存器ROM 230或RAM 240中的一組指令(例如，應用程式)。處理器220可以執行該組指令，並且在執行指令時可以將其配置為執行流程500。以下所示流程的操作旨僅是示例性的。在一些實施例中，示例性流程500可以在新增一個或多個未描述的附加操作或省略一個或多個已描述的操作的情況下完成。此外，圖5中所示的流程500中的操作順序和下文描述的操作的順序非意欲限定。
在502，處理引擎112可以獲得與服務請求有關的基本圖像。基本圖像可以是指與服務請求有關的地理資訊的圖像。例如，服務請求可以包括起點和目的地。起點可以位於區域A中(例如，城市A、城市A的一部分)並且該目的地可以位於區域B中(例如，城市B、城市B的一部分)。區域A可以與區域B相同或不同。如果區域A與區域B相同，則基本圖像可以是顯示該區域的地理資訊的圖像。如果區域A與區域B不同，則基本圖像可以是顯示區域A和區域B的組合的地理資訊的圖像。為了方便，在本申請中，區域A和區域B可以指代相同的區域(例如，北京、中國)。地理資訊可以包括與建築物(例如，學校、辦公樓和市場)有關的資訊、與道路或街道有關的資訊等。與建築物有關的資訊可以包括例如建築物的位置、建築物的分佈和建築物的密度。與道路或街道有關的資訊可以包括道路或街道的數量、道路或街道的分佈、道路或街道的密度、道路或街道的寬度和道路或街道的長度等。
在一些實施例中，基本圖像可以是二維(2D)灰度圖像。灰度圖像可以包括多個像素。多個像素中的每一個可以具有在從0到255的範圍內的灰度值。灰度值可以表示相應像素的亮度。在一些實施例中，處理引擎112可以從地圖服務提供者(例如，Google地圖TM、騰訊地圖TM和百度地圖TM)中獲得基本圖像。
在504中，處理引擎112可以確定與服務請求有關的特徵圖像。特徵圖像可以指與服務請求有關的交通資訊。交通資訊可以包括交通速度、交通流量和交通密度等。處理引擎112可以從儲存器150，地圖服務提供者(例如，Google地圖TM、騰訊地圖TM和百度地圖TM)及/或可以提供與服務請求有關的交通資訊的任何其他裝置及/或服務提供者。
例如，回應於接收到的即時請求，處理引擎112可以基於即時請求確定起點A和目的地B。處理引擎112可存取儲存器150以獲得與起點A及/或目 的地B(例如，起點A和目的地B所在的城市)相關的區域即時交通狀態。
作為另一示例，回應於接收到的預約請求，處理引擎112可基於預約請求確定起點C、目的地D和下週一晚上7：00的開始時間。處理引擎112可存取儲存器150以獲取在過去的週一與起點C及/或目的地D相關聯的區域(例如，起點C和目的地D所在的城市)晚上7：00左右的歷史交通資訊(例如，過去的兩個週一、過去的三個週一和過去的四個週一)。
在一些實施例中，特徵圖像可以包括多個通道。多個通道中的每一個可以包括一種類型的交通資訊。例如，特徵圖像可以包括第一通道和第二通道。第一通道可對應於交通速度，第二通道可對應於交通流量。交通速度通常是指在特定位置的車輛的平均速度(例如，30km/h，40km/h，50km/h)。交通流量通常是指每單位通過特定位置的車輛數量(例如，每小時，每分鐘)。
在一些實施例中，特徵圖像可以是灰度圖像。處理引擎112可以將交通資訊歸一化到一個數值範圍(例如，從0到255的數值範圍)。例如，對於第一通道，處理引擎112可以根據歸一化演算法將交通速度歸一化到數值範圍。歸一化演算法可以包括最小-最大歸一化演算法、z-分數歸一化演算法等或其組合。
在一些實施例中，特徵圖像可以被指定為在基本圖像上方的層。特徵圖像可以是包括多個像素的2D灰度圖像。特徵圖像的大小可以與基本圖像的大小相同。特徵圖像的多個像素因此可以對應於基本圖像的多個像素。
在506，處理引擎112可以基於基本圖像和特徵圖像來確定與服務請求有關的路線通道。在一些實施例中，路線通道可以被指定為在特徵圖像上方的層。在一些實施例中，路線通道可以被指定為特徵圖像的通道。處理引擎112可以基於服務請求的起點和目的地來確定推薦路線。推薦路線可以是沿著道路或街道的至少一部分的路線。處理引擎112可以確定對應於推薦路線的多個像 素，並且進一步將值(例如，-1、255)賦給多個像素中的每一個。處理引擎112可以基於與推薦路線相對應的多個像素和特徵圖像上的指定值來確定路線通道。在一些實施例中，指定值可以在數值範圍內(例如，-1到50、-1到100、150到255和200到255)。
在508，處理引擎112可以基於基本圖像、特徵圖像和路線通道來確定與服務請求有關的參考圖像。處理引擎112可以將基本圖像、特徵圖像和路線通道組合為與服務請求相關的參考圖像。
應注意，上述關於流程500的描述僅出於說明性目的，並不意欲限制本申請的範圍。對於熟習此項技術者，可在不背離本申請之原則的情況下對上述方法和系統之應用形式及細節作出各種修改和改變。然而，此些變形和修改亦落於本申請之範圍內。例如，可以在示例性流程500中的其他地方添加一個或多個其他可選步驟(例如，儲存步驟)。作為另一示例，步驟502和步驟504可以被合併為單個步驟，其中處理引擎112可以既確定基本圖像又確定特徵圖像。
回到圖4，在一些實施例中，流程400的步驟406可以基於圖6中所示的確定經訓練的神經網路模型的示例性流程600來執行。流程600可以由隨選服務系統100執行。例如，流程600可以被實現為儲存在儲存器ROM 230或RAM 240上的一組指令(例如，應用程式)。處理器220可以執行該組指令，並且在執行指令時可以將其配置為執行流程600。下述流程的操作僅是示例性的。在一些實施例中，流程600可以在新增一個或多個未描述的附加操作或省略一個或多個已描述的操作的情況下完成。另外，圖6中所示的和下文描述的流程操作順序非意欲限定。
在602，處理引擎112可以獲得多個歷史服務訂單。在一些實施例中，處理引擎112可以通過網路120從儲存器150獲得多個歷史服務訂單。在一些 實施例中，處理引擎112可以從處理引擎112中的儲存模組(未示出)獲得多個歷史服務訂單。處理引擎112可以在一段時間內(例如，過去1個月、過去2個月)獲取多個歷史服務訂單。此處所用的術語「歷史服務訂單」通常是指已經完成的服務請求。例如，請求者可以將針對服務(例如，運輸服務)的服務請求發送到隨選服務系統100。服務提供者可以接受服務請求並將該服務提供給請求者，指示服務請求已經完成。隨選服務系統100可以將該服務請求作為歷史服務訂單保存到儲存器(例如，儲存器150)中，該儲存器可以包括歷史起點、歷史目的地、歷史開始時間、歷史到達時間(也稱為「實際到達時間」)等。
在604，處理引擎112可以獲得與多個歷史服務訂單相關的基本圖像。如結合步驟502所描述的，基本圖像可以是指多個歷史服務訂單的歷史起點及/或歷史目的地位於其中的區域的地理資訊的圖像。在一些實施例中，與多個歷史服務訂單相關的基本圖像可以與結合步驟502描述的基本圖像相同。在一些實施例中，當新資訊可用時(例如，新建的建築物)，可以更新區域的地理資訊。在這種情況下，與多個歷史服務訂單相關的基本圖像可以與結合步驟502描述的基本圖像不同。應該注意的是，該區域的地理資訊在特定時間段內可以保持不變，並且為了方便，在本申請中，結合步驟604和502描述的基本圖像可以指代相同的圖像。
在606，處理引擎112可以基於基本圖像確定與多個歷史服務訂單有關的多個歷史特徵圖像。對於多個歷史服務訂單中的每一個歷史服務訂單，處理引擎112可以確定與每個歷史服務訂單對應的歷史特徵圖像。如結合步驟504所描述的，歷史特徵圖像可以包括與歷史服務訂單有關的歷史交通資訊。處理引擎112可以從儲存器150、地圖服務提供者(例如，Google地圖TM、騰訊地圖TM和百度地圖TM)及/或可以提供交通資訊的任何其他裝置及/或服務來獲取歷史交通資訊。例如，對於特定的歷史服務訂單，處理引擎112可以基於所述特定歷 史服務訂單確定起點M、目的地N、開始時間T和到達時間T'。處理引擎112可以存取儲存器150以獲取與開始時間T、到達時間T'或者開始時間T與到達時間T'之間的時間點有關的歷史交通資訊。所述開始時間T、到達時間T'或者開始時間T與到達時間T'之間的時間點與起點M及/或目的地N相關的地區(例如，城市)相關聯。
如步驟504所描述的，多個歷史特徵圖像中的每一個可以包括多個通道(例如，用於交通速度的通道、用於交通流量的通道)。處理引擎112可基於歸一化演算法將歷史交通資訊歸一化到一個數值範圍內(例如，從0到255的值範圍)。
在608，處理引擎112可以基於基本圖像和多個歷史特徵圖像來確定與多個歷史服務訂單有關的多個歷史路線通道。如結合步驟506所描述的，對於多個歷史服務訂單中的每一個，處理引擎112可以獲得從歷史起點到歷史目的地的歷史路線。處理引擎112可以對歷史路線指定值(例如，-1、255)，並且基於對應特徵圖像上的歷史路線進一步產生歷史路線通道。
在610，處理引擎112可以基於基本圖像、多個歷史特徵圖像和多個歷史路線通道來確定與多個歷史服務訂單有關的多個樣本圖像。對於多個歷史服務訂單中的每一個歷史服務訂單，處理引擎112可以確定樣本圖像。處理引擎112可以將基本圖像、對應的歷史特徵圖像以及與歷史服務訂單相關的對應的歷史路線通道組合為樣本圖像。
在612，處理引擎112可以獲得多個歷史服務訂單的多個實際到達時間(ATA)。處理引擎112可以通過網路120從儲存器150獲得多個ATA。對於多個歷史服務訂單中的每一個歷史服務訂單，ATA可以是服務提供者讓乘客下車的時間點。
處理引擎112可以繼續節點A 613並且執行圖6-B中所示的從節點 A 613開始的至少一些步驟。
在614，處理引擎112可以獲得初始的神經網路模型。初始神經網路模型可以是隨選服務系統100預設設置的，或者可以在不同情況下進行調整的。初始神經網路模型可以是圖7中所示的CNN模型。CNN模型可以包括多個參數，例如，內核的數量，內核的大小，處理層的數量等。初始神經網路模型的參數(這裡稱為「初始參數」)可以包括隨選服務系統100預設設置的或者可以在不同情況下進行調整的。
在616，處理引擎112可以基於初始神經網路模型和多個樣本圖像來確定多個樣本ETA。處理引擎112可將多個樣本圖像輸入到初始神經網路模型，並基於多個初始參數確定多個樣本ETA。
在618，處理引擎112可以基於多個ATA和多個樣本ETA確定損失函數。損失函數可以指示初始神經網路模型的準確度。在一些實施例中，處理引擎112可以基於多個ATA和多個樣本ETA之間的差異來確定損失函數。
在620，處理引擎112可以確定損失函數的值(例如，多個ATA與多個樣本ETA之間的差)是否小於臨界值。臨界值可以是隨選服務系統100預設設置的，或者可以在不同情況下調整的。
回應於確定損失函數的值小於臨界值，處理引擎112可以在622中將初始神經網路模型指定為經訓練的神經網路模型。另一方面，回應於確定損失函數的值大於或等於臨界值，處理引擎112可以執行流程600以返回到614更新初始神經網路模型，直到損失函數小於臨界值。例如，處理引擎112可以更新多個初始參數(例如，內核的數量、內核的大小和處理層的數量)。此外，如果在更新的參數下處理引擎112損失函數的值小於臨界值，則處理引擎112可以在步驟622中將更新的初始神經網路模型指定為經訓練的神經網路模型。另一方面，如果在更新的參數下處理引擎112損失函數的值大於或等於臨界值，則處理 引擎112仍然可以執行流程600以返回到614進一步更新參數。步驟614至620的反覆運算可以持續進行，直到在最新的參數下處理引擎112確定損失函數的值小於臨界值，並且處理引擎112可以將更新的初始神經網路模型指定為經訓練的神經網路模型。
需要注意的是，上述描述僅是為了說明，並不構成對本申請範圍的限制。對於本領域具有通常知識者而言，可以在本申請的導引下進行多種變化和修改。凡在本申請的精神和原則之內所作的任何修改、等同替換、改進等，均應在本申請的保護範圍之內。例如，可以在示例性流程600中的其他地方添加一個或多個其他可選步驟(例如，儲存步驟)。在儲存步驟中，處理引擎112可以將經訓練的神經網路模型儲存在本申請中其他地方揭露的儲存器(例如儲存器150)中。
圖7係根據本申請一些實施例所示的卷積神經網路(CNN)模型的示意圖。CNN模型可以包括輸入層702、卷積層704、池化層706、完全連接層708和輸出層710。
如步驟402和404所描述的，處理引擎112可以確定與服務請求有關的參考圖像。與服務請求有關的參考圖像可以被表示為包括多個元素的矩陣。矩陣中的多個元素中的每一個可以對應於參考圖像的像素值。處理引擎112可以經由輸入層702將參考圖像輸入到CNN模型。此外，可以在卷積層704中處理與服務請求有關的參考圖像。
卷積層704可以包括多個內核(例如，704a、704b和704c)。在一些實施例中，在卷積層704中，處理引擎112可以提取與服務請求有關的參考圖像的特徵。例如，多個內核中的每一個可以接收參考圖像的一部分，處理引擎112可以對參考圖像的該部分執行卷積並且進一步提取對應於參考圖像的該部分的特徵。該功能可能涉及交通資訊、地理資訊等。
池化層706可以包括多個池化節點(例如，706a、706b和706c)。多個池化節點可用於減少資料處理的計算需求並提高資料處理的速度。例如，處理引擎112可以減少與池化層706中的與服務請求有關的參考圖像對應的矩陣的空間大小。
完全連接層708可以包括多個連接節點(例如，708a、708b、708c和708d)。如圖7所示，多個連接節點可以連接到多個池化節點。在完全連接層708中，處理引擎112可以基於參考圖像的特徵來確定與多個連接節點相對應的多個向量，並且進一步根據多個加權係數對多個向量進行加權。在一些實施例中，CNN模型可以包括多個連接層。
在輸出層710中，處理引擎112可以基於在完全連接層708中獲得的多個向量和多個加權係數來確定與服務請求有關的ETA。
應注意，上述CNN模型的描述僅出於說明性目的，並不意欲限制本申請的範圍。對於熟習此項技術者，可在不背離本申請之原則的情況下對上述方法和系統之應用形式及細節作出各種修改和改變。然而，這些變形和修改亦落於本申請之範圍內。例如，與CNN模型相關聯的多個參數(例如，內核的數量、內核的大小和層的數量)可以在不同情況下調整。
上文已對基本概念做了描述，顯然，對於已閱讀此詳細揭露的本領域具有通常知識者來講，上述詳細揭露僅作為示例，而並不構成對本申請的限制。雖然此處並沒有明確說明，本領域具有通常知識者可能會對本申請進行各種變更、改良和修改。該類變更、改良和修改在本申請中被建議，並且該類變更、改良、修改仍屬於本申請示範實施例的精神和範圍。
同時，本申請使用了特定術語來描述本申請的實施例。如「一個實施例」、「一實施例」、及/或「一些實施例」意指與本申請至少一個實施例相關所描述的一特定特徵、結構或特性。因此，應強調並注意的是，本說明書中在 不同部分兩次或多次提到的「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、結構或特性可以進行適當的組合。
此外，本領域具有通常知識者可以理解，本申請的各個態樣可以通過若干具有可專利性的種類或情況進行說明和描述，包括任何新的和有用的流程、機器、產品或物質的組合，或對他們的任何新的和有用的改良。相應地，本申請的各個態樣可以完全由硬體執行、可以完全由軟體(包括韌體、常駐軟體、微代碼等)執行、也可以由硬體和軟體組合執行。以上硬體或軟體均可被稱為「單元」、「模組」或「系統」。此外，本申請的各個態樣可能表現為內含於一個或多個電腦可讀取媒體中的電腦程式產品，該電腦可讀取媒體具有內含於其上之電腦可讀取程式編碼。
電腦可讀取訊號媒體可包括一個內含有電腦程式編碼的傳播資料訊號，例如在基帶上或作為載波的一部分。所述傳播訊號可能有多種形式，包括電磁形式、光形式或類似物、或合適的組合形式。電腦可讀取訊號媒體可以是除電腦可讀取儲存媒體之外的任何電腦可讀取媒體，該媒體可以通過連接至一個指令執行系統、裝置或設備以實現通訊、傳播或傳輸供使用的程式。內含於電腦可讀取訊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、纜線、光纖電纜、RF、或類似媒體、或任何上述媒體的合適組合。
本申請各個態樣操作所需的電腦程式碼可以用一種或多種程式語言的任意組合編寫，包括物件導向程式設計語言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python或類似物，常規程式化程式設計語言如「C」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或類似物。該程式碼可以完全在使用者電腦上運行、或作為獨立的套裝軟體在使用 者電腦上運行、或部分在使用者電腦上運行部分在遠端電腦上運行、或完全在遠端電腦或伺服器上運行。在後種情況下，遠端電腦可以通過任何網路形式與使用者電腦連接，例如，區域網路(LAN)或廣域網路(WAN)，或連接至外部電腦(例如通過使用網路服務供應商(ISP)之網際網路)，或在雲端計算環境中，或作為服務使用如軟體即服務(SaaS)。
此外，除非請求項中明確說明，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，並非意欲限定本申請流程和方法的順序。儘管上述揭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，附加的請求項並不僅限於揭露的實施例，相反，請求項意欲覆蓋所有符合本申請實施例精神和範圍的修正和均等組合。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決方案得以實現，如在現有的伺服器或行動載具上安裝所描述的系統。
同理，應當注意的是，為了簡化本申請揭示的表述，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併至一個實施例、附圖或對其的描述中。但是，這種揭示方法並不意味著本申請對象所需要的特徵比每個請求項中涉及的特徵多。實際上，所要求保護的標的之特徵要少於上述揭露的單個實施例的全部特徵。

Claims (27)

  1. 一種用於確定預估到達時間(Estimated Time of Arrival，ETA)的系統，該系統包括：包括一組指令的儲存裝置；和至少一個處理器，所述至少一個處理器被配置為與所述儲存裝置進行通信並執行所述一組指令以使所述系統：從終端獲取服務請求；確定與所述服務請求有關的參考圖像；獲取經訓練的神經網路模型；基於所述參考圖像和所述經訓練的神經網路模型來確定與所述服務請求有關的ETA；以及將所述ETA發送至所述終端。
  2. 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被配置為執行所述一組指令以使所述系統將所述ETA儲存在所述儲存裝置中。
  3. 如申請專利範圍第1項之系統，其中，為了確定與所述服務請求相關的參考圖像，所述至少一個處理器被配置為執行所述一組指令以使所述系統：獲取與所述服務請求有關的第一基本圖像；基於所述基本圖像確定與所述服務請求有關的特徵圖像；基於所述基本圖像和所述特徵圖像來獲取與所述服務請求有關的路線通道；以及基於所述基本圖像、所述特徵圖像、和所述路線通道確定與所述服務請求有關的所述參考圖像。
  4. 如申請專利範圍第3項之系統，其中，為了獲得與所述服務請求 相關的第一基本圖像，所述至少一個處理器被配置為執行所述一組指令以使所述系統：獲取與所述服務請求相關的地理資訊；以及基於所述地理資訊確定所述第一基本圖像。
  5. 如申請專利範圍第1項之系統，其中，所述經訓練的神經網路模型是根據用於確定經訓練的神經網路模型的流程來產生的，所述流程包括：獲取多個歷史服務訂單；獲取與所述多個歷史服務訂單有關的第二基本圖像；基於所述第二基本圖像來確定與所述多個歷史服務訂單有關的多個歷史特徵圖像；基於所述第二基本圖像和所述多個歷史特徵圖像來確定與所述多個歷史服務訂單相關的多個歷史路線通道；基於所述第二基本圖像、所述多個歷史特徵圖像、和所述多個歷史路線通道來確定與所述多個歷史服務訂單有關的多個樣本圖像；以及基於所述多個樣本圖像來確定所述經訓練的神經網路模型。
  6. 如申請專利範圍第5項之系統，其中，用於產生經訓練的神經網路模型的流程進一步包括：獲得所述多個歷史服務訂單的多個實際到達時間(Actual Time of Arrival，ATA)；獲得初始神經網路模型；基於所述初始神經網路模型和所述多個樣本圖像來確定多個樣本ETA；基於所述多個ATA和所述多個樣本ETA確定損失函數；確定所述損失函數的值是否小於臨界值；以及回應於確定所述損失函數的值小於所述臨界值，將所述初始神經網路模型 指定為所述經訓練的神經網路模型。
  7. 如申請專利範圍第6項之系統，其中用於產生經訓練的神經網路模型的流程進一步包括：回應於確定所述損失函數的值大於或等於所述臨界值，更新所述初始神經網路模型。
  8. 如申請專利範圍第6項之系統，其中，所述初始神經網路模型是卷積神經網路模型。
  9. 如申請專利範圍第5項之系統，其中，確定與所述多個歷史服務訂單有關的多個歷史特徵圖像包括：確定與所述多個歷史服務訂單有關的交通資訊；以及基於所述交通資訊確定所述多個歷史特徵圖像。
  10. 如申請專利範圍第9項之系統，其中，確定與所述多個歷史服務訂單有關的多個歷史特徵圖像包括：歸一化所述交通資訊；以及基於歸一化的交通資訊來確定與所述多個歷史服務訂單有關的多個歷史特徵圖像。
  11. 如申請專利範圍第9項之系統，其中，所述交通資訊包括與所述多個歷史服務訂單有關的車速資訊或與所述多個歷史服務訂單有關的車流量資訊。
  12. 如申請專利範圍第5項之系統，其中，確定與所述多個歷史服務訂單有關的多個歷史路線通道包括：對於所述多個歷史服務訂單中的每一個歷史服務訂單，在與所述多個歷史服務訂單中的每一個歷史服務訂單相對應的歷史特徵圖像上確定與所述多個歷史服務訂單中的每一個歷史服務訂單相關的歷 史路線，對所述歷史特徵圖像上的所述歷史路線指定值，以及基於指定的值和所述歷史特徵圖像來確定與所述多個歷史服務訂單中的每一個歷史服務訂單相對應的歷史路線通道。
  13. 如申請專利範圍第12項之系統，其中，所述歷史特徵圖像上的歷史路線的值是-1或255。
  14. 一種用於確定預估到達時間(ETA)的方法，包括：由一個處理器從終端獲取服務請求；由所述處理器確定與所述服務請求有關的參考圖像；由所述處理器獲取經訓練的神經網路模型；由所述處理器基於所述參考圖像和所述經訓練的神經網路模型來確定與所述服務請求有關的ETA；以及由所述處理器將所述ETA發送至所述終端。
  15. 如申請專利範圍第14項之方法，進一步包括將所述ETA儲存在儲存裝置中。
  16. 如申請專利範圍第14項之方法，其中，確定與所述服務請求有關的參考圖像包括：獲取與所述服務請求有關的第一基本圖像；基於所述基本圖像確定與所述服務請求有關的特徵圖像；基於所述基本圖像和所述特徵圖像來獲取與所述服務請求有關的路線通道；以及基於所述基本圖像、所述特徵圖像、和所述路線通道確定與所述服務請求有關的所述參考圖像。
  17. 如申請專利範圍第16項之方法，其中，獲取與所述服務請求有 關的第一基本圖像包括：獲得與所述服務請求有關的地理資訊；以及基於所述地理資訊確定所述第一基本圖像。
  18. 如申請專利範圍第14項之方法，其中，所述經訓練的神經網路模型是根據用於確定經訓練的神經網路模型的流程來產生的，所述流程包括：獲取多個歷史服務訂單；獲取與所述多個歷史服務訂單有關的第二基本圖像；基於所述第二基本圖像來確定與所述多個歷史服務訂單有關的多個歷史特徵圖像；基於所述第二基本圖像和所述多個歷史特徵圖像來確定與所述多個歷史服務訂單有關的多個歷史路線通道；基於所述第二基本圖像、所述多個歷史特徵圖像、和所述多個歷史路線通道來確定與所述多個歷史服務訂單有關的多個樣本圖像；以及基於所述多個樣本圖像來確定所述經訓練的神經網路模型。
  19. 如申請專利範圍第18項之方法，其中，用於產生經訓練的神經網路模型的流程進一步包括：獲取所述多個歷史服務訂單中的多個實際到達時間(Actual Times of Arrival，ATA)；獲得初始神經網路模型；基於所述初始神經網路模型和所述多個樣本圖像來確定多個樣本ETA；基於所述多個ATA和所述多個樣本ETA確定損失函數；確定所述損失函數的值是否小於臨界值；以及回應於確定所述損失函數的值小於所述臨界值，將所述初始神經網路模型指定為所述經訓練的神經網路模型。
  20. 如申請專利範圍第19項之方法，其中，用於產生經訓練的神經網路模型的流程進一步包括：回應於確定所述損失函數的值大於或等於所述臨界值，更新所述初始神經網路模型。
  21. 如申請專利範圍第19項之方法，其中，所述初始神經網路模型是卷積神經網路模型。
  22. 如申請專利範圍第18項之方法，其中，確定與所述多個歷史服務訂單有關的多個歷史特徵圖像包括：確定與所述多個歷史服務訂單有關的交通資訊；以及基於所述交通資訊確定所述多個歷史特徵圖像。
  23. 如申請專利範圍第22項之方法，其中，確定與所述多個歷史服務訂單有關的多個歷史特徵圖像包括：歸一化所述交通資訊；以及基於歸一化的交通資訊來確定與所述多個歷史服務訂單有關的多個歷史特徵圖像。
  24. 如申請專利範圍第22項之方法，其中，所述交通資訊包括與所述多個歷史服務訂單有關的車速資訊或與所述多個歷史服務訂單有關的車流量資訊。
  25. 如申請專利範圍第22項之方法，其中，確定與所述多個歷史服務訂單有關的多個歷史路線通道包括：對於所述多個歷史服務訂單的每一個歷史服務訂單，在與所述多個歷史服務訂單中的每一個歷史服務訂單相對應的歷史特徵圖像上確定與所述多個歷史服務訂單中的每一個歷史服務訂單相關的歷史路線， 對所述歷史特徵圖像上的所述歷史路線指定值，以及基於指定的值和所述歷史特徵圖像來確定與所述多個歷史服務訂單中的每一個歷史服務訂單相對應的歷史路線通道。
  26. 如申請專利範圍第25項之方法，其中，所述歷史特徵圖像上的歷史路線的值是-1或255。
  27. 一種包括可執行指令的非暫時性電腦可讀取媒體，當由至少一個處理器執行時，使所述媒體實現一種方法，所述方法包括：從終端獲取服務請求；確定與所述服務請求有關的參考圖像；獲取經訓練的神經網路模型；基於所述參考圖像和所述經訓練的神經網路模型來確定與所述服務請求有關的ETA；以及將所述ETA發送至所述終端。
TW107114156A 2017-04-27 2018-04-26 用於確定預估到達時間的系統和方法 TW201842472A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/CN2017/082163 WO2018195847A1 (en) 2017-04-27 2017-04-27 Systems and methods for determining an estimated time of arrival
??PCT/CN2017/082163 2017-04-27

Publications (1)

Publication Number Publication Date
TW201842472A true TW201842472A (zh) 2018-12-01

Family

ID=63918666

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107114156A TW201842472A (zh) 2017-04-27 2018-04-26 用於確定預估到達時間的系統和方法

Country Status (10)

Country Link
US (1) US11398002B2 (zh)
EP (1) EP3461310B1 (zh)
JP (1) JP6876071B2 (zh)
CN (2) CN109417767B (zh)
AU (2) AU2017411519B2 (zh)
CA (1) CA3030580C (zh)
HU (1) HUE051292T2 (zh)
SG (1) SG11201811659PA (zh)
TW (1) TW201842472A (zh)
WO (1) WO2018195847A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018195847A1 (en) * 2017-04-27 2018-11-01 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining an estimated time of arrival
US11037055B2 (en) * 2017-10-30 2021-06-15 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
US10872305B2 (en) 2017-10-30 2020-12-22 DoorDash, Inc. Depot dispatch protocol for aggregating on-demand deliveries
US11449962B2 (en) * 2018-07-03 2022-09-20 Lyft, Inc. Systems and methods for transport cancellation using data-driven models
CN111860903A (zh) * 2019-09-18 2020-10-30 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和***
KR20210042717A (ko) * 2019-10-10 2021-04-20 삼성전자주식회사 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치
CN111105141B (zh) * 2019-11-23 2023-06-02 同济大学 一种需求响应型公交调度方法
CN111239715B (zh) * 2020-01-13 2023-04-04 哈尔滨工业大学 一种联合灰色关联和神经网络的指纹定位方法
CN111899061B (zh) * 2020-03-10 2024-04-16 北京畅行信息技术有限公司 订单推荐方法、装置、设备及存储介质
CN111582543A (zh) * 2020-04-01 2020-08-25 北京百度网讯科技有限公司 预测模型的生成方法、估计到达时间确定方法及装置
CN111784475A (zh) * 2020-07-06 2020-10-16 北京嘀嘀无限科技发展有限公司 一种订单信息处理方法、***、装置及存储介质
CN111861178B (zh) * 2020-07-13 2024-06-07 北京嘀嘀无限科技发展有限公司 服务匹配模型的训练方法、服务匹配方法、设备及介质
CN111881375A (zh) * 2020-07-28 2020-11-03 北京嘀嘀无限科技发展有限公司 一种顺路订单分配方法、装置、电子设备及可读存储介质
CN112785083B (zh) * 2021-02-04 2022-05-10 腾讯科技（深圳）有限公司 到达时间的预估方法、装置、电子设备以及存储介质

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3238178B2 (ja) * 1990-12-27 2001-12-10 株式会社東芝 学習機械の学習法
JP2007311854A (ja) * 2006-05-16 2007-11-29 Sun Corp サーバ装置、および文字データの中継方法
US20090030885A1 (en) 2007-07-26 2009-01-29 Ridecharge Method and system for on-demand and scheduled services relating to travel and transportation
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
CA2724883C (en) * 2009-12-29 2015-01-27 Research In Motion Limited System and method of sending an arrival time estimate
EP2556335A2 (en) * 2010-04-08 2013-02-13 Way Better Ltd. Public transport optimization
US9135624B2 (en) * 2010-09-23 2015-09-15 Intelligent Mechatronic Systems Inc. User-centric traffic enquiry and alert system
CN102436598B (zh) 2011-09-08 2014-04-02 崔志明 一种基于交通图像信息的车辆最优路径挖掘方法
US8670934B2 (en) 2011-12-16 2014-03-11 Toyota Jidosha Kabushiki Kaisha Journey destination endpoint determination
TW201328340A (zh) * 2011-12-27 2013-07-01 Hon Hai Prec Ind Co Ltd 乘客攔車提示系統及方法
US9157748B2 (en) * 2012-07-31 2015-10-13 Flatiron Apps LLC System and method for hailing taxicabs
CN102810258B (zh) 2012-07-31 2018-08-21 中兴通讯股份有限公司 一种根据交通状况导航的方法及***
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
US20140180576A1 (en) 2012-12-24 2014-06-26 Anthony G. LaMarca Estimation of time of arrival based upon ambient identifiable wireless signal sources encountered along a route
CN103942229B (zh) * 2013-01-22 2017-05-03 日电（中国）有限公司 目的地预测设备和方法
CN104217605B (zh) * 2013-05-31 2017-05-10 张伟伟 一种公交车到站时间测算方法和装置
CN104243900A (zh) * 2013-06-21 2014-12-24 中兴通讯股份有限公司 车辆到站时间预报***及方法
CN104575072A (zh) * 2013-10-29 2015-04-29 西安景行数创信息科技有限公司 一种基于云平台的智能出租车辅助选路装置
TWI598829B (zh) 2014-08-25 2017-09-11 華邦電子股份有限公司 資料分析系統以及方法
TWI522974B (zh) * 2014-10-06 2016-02-21 Chunghwa Telecom Co Ltd 到站時間預測系統與方法
US9619753B2 (en) * 2014-12-30 2017-04-11 Winbond Electronics Corp. Data analysis system and method
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
SG11201706149XA (en) * 2015-01-27 2017-08-30 Beijing Didi Infinity Tech And Dev Co Ltd Methods And Systems For Providing Information For An On-Demand Service
JP6417272B2 (ja) * 2015-05-01 2018-11-07 株式会社ゼンリン 情報処理装置、および、コンピュータプログラム
CN106203667B (zh) * 2015-05-06 2019-12-10 北京千方信息科技集团有限公司 一种公交到站信息评测方法和装置
CN104900063B (zh) 2015-06-19 2017-10-27 中国科学院自动化研究所 一种短程行驶时间预测方法
US20160378303A1 (en) * 2015-06-23 2016-12-29 Todd Crilley Mobile device system for hailing a taxi cab
US20190316926A1 (en) * 2016-02-03 2019-10-17 Kevin Sunlin Wang Method and system for providing an individualized eta in the transportation industry
US10088846B2 (en) * 2016-03-03 2018-10-02 GM Global Technology Operations LLC System and method for intended passenger detection
CN106205125A (zh) * 2016-07-27 2016-12-07 安徽聚润互联信息技术有限公司 一种救护车抵达时间实时预测***及方法
CN106156531B (zh) * 2016-08-04 2020-09-01 复旦大学 基于低采样历史轨迹的行程时间估计方法
CN106205126B (zh) * 2016-08-12 2019-01-15 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
CN106384507A (zh) * 2016-09-20 2017-02-08 宁波大学 基于稀疏检测器的行程时间实时估计方法
CN109644256B (zh) * 2016-09-22 2021-04-09 苹果公司 车载视频***
US10636108B2 (en) * 2016-09-30 2020-04-28 Lyft, Inc. Identifying matched requestors and providers
CN106355921A (zh) * 2016-11-10 2017-01-25 安徽云看信息技术有限公司 一种基于路程时间的打车方法
US10554783B2 (en) * 2016-12-30 2020-02-04 Lyft, Inc. Navigation using proximity information
US10817775B2 (en) * 2017-01-12 2020-10-27 International Business Machines Corporation Neural network computing systems for predicting vehicle requests
CN110799947A (zh) * 2017-04-17 2020-02-14 移动眼视力科技有限公司 用于误差校正的***和方法
WO2018195847A1 (en) * 2017-04-27 2018-11-01 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining an estimated time of arrival
US10837788B1 (en) * 2018-05-03 2020-11-17 Zoox, Inc. Techniques for identifying vehicles and persons
EP3844672A1 (en) * 2018-09-26 2021-07-07 Five AI Limited Structure annotation
KR102306161B1 (ko) * 2019-04-30 2021-09-29 엘지전자 주식회사 존 기반 모빌리티 서비스 추천 및 동적 하차위치 설정 ui/ux를 이용한 통합 관제 시스템 및 이의 제어 방법

Also Published As

Publication number Publication date
EP3461310A1 (en) 2019-04-03
EP3461310B1 (en) 2020-06-17
JP2020504344A (ja) 2020-02-06
CA3030580A1 (en) 2018-11-01
HUE051292T2 (hu) 2021-03-01
AU2020239623B2 (en) 2022-04-14
AU2020239623A1 (en) 2020-10-15
JP6876071B2 (ja) 2021-05-26
CN112036645A (zh) 2020-12-04
AU2017411519A1 (en) 2019-01-24
US11398002B2 (en) 2022-07-26
SG11201811659PA (en) 2019-01-30
US20190188818A1 (en) 2019-06-20
AU2017411519B2 (en) 2020-06-25
EP3461310A4 (en) 2019-04-03
WO2018195847A1 (en) 2018-11-01
CN109417767B (zh) 2020-09-18
CN112036645B (zh) 2024-04-26
CN109417767A (zh) 2019-03-01
CA3030580C (en) 2021-06-29

Similar Documents

Publication Publication Date Title
TW201842472A (zh) 用於確定預估到達時間的系統和方法
TWI696976B (zh) 用於監控隨選服務的系統、方法及非暫態電腦可讀取媒體
TWI675184B (zh) 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體
JP2019507400A (ja) オンデマンドサービスのための情報を提供するシステム及び方法
US10739469B2 (en) Systems and methods for determining a path of a moving device
KR20180013852A (ko) 미래의 운송 서비스 시점의 예측된 분포를 결정하기 위한 시스템들 및 방법들
JP2020115375A (ja) サービス時点を予測するシステム及び方法
US11580451B2 (en) Systems and methods for determining estimated time of arrival
CN110402370B (zh) 用于确定服务请求的推荐信息的***和方法
CN110785627B (zh) 一种用于路径确定的***和方法
TW201818342A (zh) 確定與車輛相關的參考方向的系統和方法
TW201903660A (zh) 區域劃分系統和方法
US11640763B2 (en) Systems and methods for recommending a pickup location