TW201901474A - 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
TW201901474A
TW201901474A TW107116458A TW107116458A TW201901474A TW 201901474 A TW201901474 A TW 201901474A TW 107116458 A TW107116458 A TW 107116458A TW 107116458 A TW107116458 A TW 107116458A TW 201901474 A TW201901474 A TW 201901474A
Authority
TW
Taiwan
Prior art keywords
processor
logic circuit
machine learning
information
learning model
Prior art date
Application number
TW107116458A
Other languages
English (en)
Inventor
仲小偉
王子騰
孟繁林
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 TW201901474A publication Critical patent/TW201901474A/zh

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/58—Departure time prediction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申請涉及用於確定預估的到達時間的系統和方法。所述系統可以運行所述方法以操作邏輯電路，以獲得與終端裝置相關的出發地點和與出發地點有關的資訊。所述資訊可以包括一個或多個服務提供者。所述系統可以操作所述邏輯電路來獲得經過訓練的機器學習模型。所述系統可操作所述邏輯電路以基於資訊和機器學習模型來確定一個或多個服務提供者中一個服務提供者到達出發地點的預估到達時間。

Description

用於確定預估到達時間的系統和方法
本申請總體上涉及機器學習，尤其涉及用於確定到達出發地點的預估到達時間（estimated time of arrival，ETA）的系統和方法。
本申請主張2017年5月16日提交之申請號為PCT/CN2017/084496的PCT申請案的優先權，其全部內容通過引用被包含於此。
線上隨選運輸服務，例如線上計程車招呼，變得愈來愈流行。通常，運輸服務應用平臺（例如滴滴出行TM ）的使用者希望獲得更準確的接載使用者的預估到達時間（ETA）。目前，用於接載的ETA主要基於在服務提供者在接收到來自使用者的服務請求之後，使用者與服務提供者之間的距離來確定。在這種情況下，使用者在發送請求服務之前不知道需要一個長的接載預估時間。因此，在線上隨選運輸服務期間，使用者體驗可能不令人滿意。
根據本申請的示例性實施例，一種系統可以包括至少一個電腦可讀取儲存媒體以及與所述電腦可讀取儲存媒體通訊的至少一個處理器，所述電腦可讀取儲存媒體包括用於提供隨選服務的一組指令。當執行所述組指令時，所述至少一個處理器可以指示運行以下操作中的一個或多個操作。所述至少一個處理器可以操作所述至少一個處理器中的邏輯電路以獲得與終端裝置相關的出發地點。所述至少一個處理器可以操作所述至少一個處理器中的邏輯電路以獲得與所述出發地點有關的資訊，所述資訊包括一個或多個服務提供者的資訊。所述至少一個處理器可以操作所述至少一個處理器中的邏輯電路以獲得經過訓練的機器學習模型。所述至少一個處理器可以操作所述至少一個處理器中的邏輯電路，以基於所述資訊和所述經過訓練的機器學習模型來確定所述一個或多個服務提供者到達所述出發地點的預估到達時間。
根據申請的另一個態樣，一種方法可以包括以下操作中的一個或多個操作。線上隨選服務平臺的至少一個裝置可以具有至少一個處理器。所述至少一個處理器可以操作所述至少一個處理器中的邏輯電路以獲得與終端裝置相關的出發地點。所述至少一個處理器可以操作所述至少一個處理器中的邏輯電路以獲得與所述出發地點有關的資訊，所述資訊包括一個或多個服務提供者的資訊。所述至少一個處理器可以操作所述至少一個處理器中的邏輯電路以獲得經過訓練的機器學習模型。所述至少一個處理器可以操作至少一個處理器中的邏輯電路，以基於所述資訊和所述經過訓練的機器學習模型來確定所述一個或多個服務提供者到達所述出發地點的預估到達時間。
根據申請的另一態樣，一種非暫時性機器可讀取儲存媒體可以包括指令。當來自請求者終端的線上隨選平臺中的至少一個處理器存取所述非暫時性機器可讀取儲存媒體時，所述指令可以使得至少一個處理器運行以下操作中的至少一個操作。所述指令可以使所述至少一個處理器操作所述至少一個處理器中的邏輯電路以獲得與終端裝置相關的出發地點。所述指令可以使所述至少一個處理器操作所述至少一個處理器中的邏輯電路以獲得與所述出發地點有關的資訊，所述資訊包括一個或多個服務提供者的資訊。所述指令可以使得至少一個處理器操作至少一個處理器中的邏輯電路以獲得經過訓練的機器學習模型。所述指令可以使得至少一個處理器操作所述至少一個處理器中的邏輯電路以基於資訊和經過訓練的機器學習模型來確定一個或多個服務提供者到達出發地點的預估到達時間。
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。還需要進一步說明的是，如說明書中使用術語「包括（comprise、comprises、comprising）」與「包含（include、includes、including）」僅說明存在所述特徵、整體、步驟、操作（operation）、組件（element）及/或部件（component），但並不排除存在或添加至少一個其他特徵、整體、步驟、操作、組件、部件及/或其組合的情況。
根據以下對附圖的描述，本申請所述的和其他的特徵、特色，以及相關結構組件的功能和操作方法，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實施的操作。應當理解的是，流程圖的操作不一定按照順序來實施。相反，可以按照倒序實施或同時實施操作。此外，可以將一個或多個其他操作添加到這些流程圖中。從這些流程圖中移除一個或多個操作。
同時，雖然本申請的系統和方法的描述主要是分配一組共享訂單，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。所述運輸系統的載具可以包括計程車、私家車、順風車、公車、列車、子彈列車、高鐵、地鐵、船舶、航空器、太空船、熱氣球、無人駕駛載具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/或遞送快遞的系統。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。
本申請中的術語「乘客」、「請求者」、「服務請求者」和「客戶」可用於表示請求或訂購服務的個人或實體或工具，並且可以互換使用。另外，本申請中的術語「司機」、「提供者」、「服務提供者」和「供應者」可用於指代可提供服務或促進提供服務的個體、實體或工具，並且可以互換使用。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」、「使用者設備」、「使用者終端」和「乘客終端」可以互換使用，並且「司機」和「司機終端」可以互換使用。
本申請中的術語「服務請求」和「訂單」用於表示由一乘客、請求者、服務請求者、顧客、司機、提供者、服務提供者、供應者或類似物或其任意組合發起的請求，並且可以互換使用。所述服務請求可以被乘客、請求者、服務請求者、客戶、司機、提供者、服務提供者、供應者中的任一個接受。所述服務請求可以是收費的或免費的。
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。
本申請一態樣涉及用於確定接載的ETA的線上系統和方法。為此，線上隨選運輸服務平臺可以首先獲得與終端裝置相關的出發地點，並且基於經過訓練的機器學習模型和與出發地點有關的資訊來確定在出發地點處接載使用者的預估到達時間。經過訓練的機器學習模型可以利用與所述隨選運輸服務有關的複數個歷史日期來訓練。因此，本申請可以使用經過訓練的機器學習模型，基於與出發地點有關的資訊來提供對接載的ETA更準確的預估。使用者可以基於所述預估的ETA來確定是否請求服務。更準確的ETA預估可以提高叫車訂單的成功率並改善該服務的使用者體驗。
應當注意的是，所述技術問題和解決方案源於線上隨選運輸服務。該服務是一種只源於後網際網路時代的新型服務形式。它為使用者（例如，服務請求者）和服務提供者（例如，司機）提供了僅在後網際網路時代才可能實施的技術方案。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，服務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。此外，乘客不能獲取到達出發地點的ETA。然而，線上計程車允許一個服務使用者即時地和自動地向與該使用者相距一段距離的大量的單個服務提供者（例如，計程車司機）分配服務請求。它還允許複數個服務提供者同時地並即時地對該服務請求進行回應。此外，線上隨選服務系統和乘客可以獲得到達出發地點的ETA。乘客可以在發送請求之前基於ETA確定是否要求服務。因此，通過網際網路，線上隨選運輸服務系統可以為使用者及服務提供者提供一個更加有效的運輸服務平臺，這在傳統的前網際網路時代的運輸服務系統中是不會出現的。
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的方塊圖。例如，隨選服務系統100可以是為運輸服務提供的線上運輸服務平臺，例如叫車服務、駕駛服務、快運汽車、共乘服務、公車服務、司機雇傭和接送服務。隨選服務系統100可以是包括伺服器110、網路120、使用者設備130、司機終端140和資料庫150的線上平臺。該伺服器110可包含處理引擎112。
在一些實施例中，伺服器110可以是單一伺服器或伺服器組。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可以經由網路120存取儲存在使用者設備130、司機終端140及/或資料庫150中的資訊及/或資料。又例如，伺服器110可以直接連接到使用者設備130，司機終端140及/或資料庫150以存取儲存的資訊及/或資料。在一些實施例中，伺服器110可在雲端平臺上實施。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可以實施在如本申請圖2所示具有一個或多個部件的計算裝置200上。
在一些實施例中，伺服器110可包含處理引擎112。處理引擎112可以處理與服務請求有關的資訊及/或資料以運行本申請中描述的至少一個功能。例如，處理引擎112可以基於從使用者設備130獲得的與出發地點有關的資訊來確定用於接載的ETA。在一些實施例中，處理引擎112可包括一個或者多個處理引擎（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的一個或者多個部件（例如伺服器110、使用者設備130、司機終端140和資料庫150）可以通過網路120發送資訊至隨選服務系統100的其他部件。例如，伺服器110可以經由網路120將ETA發送到使用者設備130。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，或其組合。僅作為範例，網路120可以包括一電纜網路、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）網路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存取點。例如，網路120可以包括有線或無線網路存取點，如基地台及/或網路交換點120-1、120-2、……，通過該網路交換點，隨選服務系統100的一個或多個部件可以連接到網路120以交換資料及/或資訊。
在一些實施例中，服務請求者可以是使用者設備130的一個使用者。在一些實施例中，使用者設備130的使用者可以是不同於服務請求者的人。例如，使用者設備130的使用者A可以使用使用者設備130發送針對使用者B的服務請求，或者從伺服器110接收服務及/或資訊或指令。在一些實施例中，提供者可以是司機終端140的使用者。在一些實施例中，司機終端140的使用者可以是除提供者之外的人。例如，司機終端140的使用者C可以使用司機終端140接收針對使用者D的服務請求，及/或來自伺服器110的資訊或指令。
在一些實施例中，使用者設備130可以包括行動裝置130-1、平板電腦130-2、手提電腦130-3、機動載具中的內建裝置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、智慧監視裝置、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，虛擬實境裝置及/或擴增實境眼鏡可以包括Google眼鏡、Oculus Rift、Hololens、Gear VR等。在一些實施例中，機動載具中的內建裝置130-4可以包括車載電腦、車載電視等。在一些實施例中，使用者設備130可以是為服務請求者及/或使用者設備130的儲存訂單的裝置。在一些實施例中，使用者設備130可以是具有定位服務請求者及/或使用者設備130的位置的定位技術的裝置。
在一些實施例中，司機終端140可以與使用者設備130類似或相同。在一些實施例中，司機終端140可以是用於儲存司機及/或司機終端140的命令的裝置。在一些實施例中，司機終端140可以是具有定位服務提供者及/或司機終端140位置的定位技術的裝置。在一些實施例中，使用者設備130及/或司機終端140可以與其他定位裝置通訊以確定服務請求者、使用者設備130、司機及/或司機終端140的位置。在一些實施例中，使用者設備130及/或司機終端140可以向伺服器110發送定位資訊。
資料庫150可以儲存資料及/或指令。在一些實施例中，資料庫150可以儲存從使用者設備130及/或從司機終端140獲得的資料。在一些實施例中，資料庫150可以儲存與使用者設備130及/或司機終端140有關的出發地點的資訊。所述與出發地點有關的資訊可以包括出發地點的周圍區域中的服務提供者資訊、訂單資訊或交通資訊。資料庫150可以經由網路120從基於位置的服務應用程式（例如滴滴出行TM 等）或協力廠商（例如，交通出發、地圖應用程式等）獲得與出發地點有關的資訊。在一些實施例中，資料庫150可以儲存資料及/或指令，伺服器110可以執行或使用所述資料及/或指令以運行本揭露中描述的示例性方法。在一些實施例中，資料庫150可以包括大容量儲存器、可移式儲存器、揮發性讀寫記憶體、唯讀記憶體（Read-only Memory，ROM）或類似物或其任意組合。示例性大容量儲存器可以包括磁碟、光碟、固態硬碟等。示例性可移式儲存器可包括隨身碟、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隨機存取記憶體（RAM）。示例性的RAM可以包括動態RAM（Dynamic RAM，DRAM）、雙倍資料速率同步動態RAM（Double Date Rate Synchronous Dynamic RAM，DDR SDRAM）、靜態RAM（Static RAM，SRAM）、閘流體RAM（Thyristor RAM，T-RAM）和零電容器RAM（Zero-capacitor RAM，Z-RAM）等。示例性ROM可以包括遮罩式ROM（Mask ROM，MROM）、可程式ROM（Programmable ROM，PROM）、可抹除可程式ROM（Erasable Programmable ROM，PEROM）、電可抹除可程式ROM（Electrically Erasable Programmable ROM，EEPROM）、光碟ROM（Compact Disk，CD-ROM）和數位多功能碟ROM（digital versatile disk ROM）等。在一些實施例中，資料庫150可以在雲端平臺上實施。僅僅作為範例，該雲端平臺可以包括私有雲、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，資料庫150可以連接到網路120以與隨選服務系統100中的一個或多個部件（例如，伺服器110、使用者設備130、司機終端140等）進行通訊。隨選服務系統100中的一個或多個部件可以通過網路120獲取儲存在資料庫150中的資料或指令。在一些實施例中，資料庫150可以直接連接到隨選服務系統100（例如，伺服器110、使用者設備130、司機終端140等）中的一個或多個部件或與其通訊。在一些實施例中，資料庫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的一個或多個部件（例如，伺服器110、使用者設備130、司機終端140等）可以擁有存取資料庫150的許可。在一些實施例中，當滿足至少一個條件時，隨選服務系統100的一個或多個部件可以讀取及/或修改與服務請求者、司機及/或公眾有關的資訊。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。又例如，當從使用者設備130接收到服務請求時，司機終端140可以存取與服務請求者有關的資訊，但司機終端140可以不修改服務請求者的相關資訊。
在一些實施例中，隨選服務系統100中的一個或多個部件之間的資訊交換可以通過請求服務來實施。服務請求的物件可以是任一產品。在一些實施例中，所述產品可以是有形產品或無形產品。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、行動網際網路產品、商用主機產品、嵌入式產品或類似物或其任意組合。行動網際網路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有關。在一些實施例中，與運輸相關的軟體及/或應用程式可以包括旅行軟體及/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。在載具排程軟體及/或應用程式中，載具可以包括馬、馬車、人力車（例如手推車、腳踏車、三輪車等）、汽車（例如，計程車、公車、私人汽車等）、列車、地鐵、船舶、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。
本領域具有通常知識者應當理解，當隨選服務系統100中的一個組件運行時，該組件可以通過電信號及/或電磁信號運行。例如，當使用者設備130處理諸如確定、識別或選擇物件之類的任務時，使用者設備130可以操作其處理器中的邏輯電路來處理這樣的任務。當使用者設備130向伺服器110發送服務請求時，使用者設備130的處理器可以生成編碼該請求的電信號。然後，使用者設備130的處理器可以將電信號發送到輸出埠。如果使用者設備130經由有線網路與伺服器110通訊，則輸出埠可以物理連接到纜線，所述纜線進一步將電信號傳輸到伺服器110的輸入輸出埠。如果使用者設備130經由無線網路與伺服器110通訊，則使用者設備130的輸出埠可以是一根或多根天線，其將電信號轉換為電磁信號。類似地，使用者設備130可以通過其處理器中的邏輯電路的操作來處理任務，並且經由電信號或電磁信號從伺服器110接收指令及/或服務請求。在諸如使用者設備130、司機終端140及/或伺服器110的電子裝置內，當其處理器處理指示、發出指令，及/或運行動作時，所述指令及/或動作通過電信號執行。例如，當處理器從儲存媒體檢索或保存資料時，它可以向儲存媒體的讀/寫裝置發送電信號，該讀/寫裝置可以在儲存媒體中讀取或寫入結構化資料。結構化資料可以通過電子裝置的匯流排以電信號的形式發送到處理器。這裡，電信號可以指一個電信號、一系列電信號及/或複數個離散電信號。
圖2係根據本申請的一些實施例所示的計算裝置200的示例性硬體和軟體部件的示意圖。伺服器110、使用者設備130及/或司機終端140可以在計算裝置200上實施。例如，處理引擎112可以在計算裝置200上實施並且被配置為運行本揭露中揭露的處理引擎112的功能。
計算裝置200可以是通用電腦或特殊用途電腦，二者可以用來實施本申請的隨選系統。計算裝置200可以用來實施本申請所描述的隨選服務的任意部件。例如，處理引擎112可以通過其硬體、軟體程式、韌體或其任意組合在計算裝置200上實施。圖中為了方便起見只繪製了一台電腦，但是本實施例所描述的隨選服務的有關電腦功能，可以以分散的方式、由一些相似的平臺所實施的，以分散系統的處理負荷。
例如，計算裝置200可以包括COM輸出埠250，該COM輸出埠250連接到與輸出埠250連接連接的網路，和從與輸出埠250連接連接的網路連接到COM輸出埠250，以促進資料通訊。計算裝置200還可以包括一個或多個處理器形式的處理器220，用於執行程式指令。示例性電腦平臺可以包括內部通訊匯流排210、不同形式的程式儲存器和資料儲存器，例如磁碟270、唯讀記憶體（ROM）230或隨機存取儲存器（RAM）240，用於由電腦處理及/或發送的各種資料檔。示例性電腦平臺還可以包括儲存在ROM 230、RAM 240及/或要由處理器220執行的其他類型的非暫時性儲存媒體中的程式指令。本揭露的方法及/或過程可以被實施為程式指令。計算裝置200還包括I/O部件260、其支援電腦和其中的其他部件之間的輸入/輸出。計算裝置200還可以經由網路通訊接收程式設計和資料。
計算裝置200還可以包括與硬碟通訊的硬碟控制器、與按鍵/鍵盤通訊的鍵盤/鍵盤控制器、與串列周邊設備通訊的串列介面控制器、與平行周邊裝置通訊的平行介面控制器、與顯示器通訊的顯示控制器或類似物或其任意組合。
僅僅為了說明，計算裝置200中僅示例性描述了一個CPU及/或處理器。然而，需要注意的是，本申請中的計算裝置200可以包括多個CPU及/或處理器，因此本申請中描述的由一個CPU及/或處理器運行的操作及/或方法步驟也可以共同地或獨立地由多個CPU及/或處理器運行。例如，在本申請中，如果計算裝置200的中央處理單元及/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可以由計算裝置200的兩個不同的中央處理單元及/或處理器共同或分別運行（例如，第一處理器執行步驟A、第二處理器執行步驟B，或者第一處理器和第二處理器共同執行步驟A和B）。
圖3係根據本申請的一些實施例所示的使用者介面300在服務請求者終端裝置上的示例性使用者介面。終端裝置可以是使用者設備（例如，行動裝置等）。參照圖3，使用者介面300可以表示出與出發地點圖示（icon）312相關的至少一個組件。
使用者介面300可以包括出發地點圖示（例如，出發地點圖示312、出發地點圖示314等）、服務提供者圖示（例如，服務提供者圖示332、服務提供者圖示334和服務提供者圖示336）、道路地圖、訊息圖示（例如訊息圖示320）或類似物或其任意組合。
出發地點圖示可以表示與操作使用者設備的使用者（例如，乘客）相關的出發地點。服務提供者圖示可以表示與服務提供者（例如，駕駛計程車的計程車司機）的終端裝置（例如，司機終端140）相關的位置。訊息圖示可以顯示預估到達時間（ETA）。在一些實施例中，訊息圖示320可以以時間長度（例如，5分鐘、0分鐘）的形式或以精確時間的形式（例如，下午10:00）來顯示ETA。
在一些實施例中，使用者可以在使用者介面300上輸入及/或選擇出發地點。例如，使用者可以選擇與出發地點圖示312有關的地點作為出發地點。在一些實施例中，隨選服務系統100可以確定終端裝置的位置並且將位置顯示為使用者介面300上的出發地點。
在一些實施例中，終端裝置可以從伺服器（例如，隨選服務系統100的伺服器）接收資料（例如，ETA），並將資料顯示在使用者介面300上。資料可以以文字、聲音、圖形或類似物或其任意組合的形式顯示。例如，如圖3所示，ETA可以以數字（例如，5）和單位（例如，分鐘）的形式顯示在訊息圖示320上。
圖4A是根據本申請的一些實施例所示的示例性處理器400的方塊圖。處理器400可以在伺服器110、使用者設備130、司機終端140及/或資料庫150中實施。處理器400可以包括獲取模組410、確定模組420和通訊模組430。圖4B是根據本申請的一些實施例所示的示例性確定模組420的方塊圖。確定模組420可以包括模型確定單元421、特徵確定單元423和預估到達時間確定單元425。
通常，這裡使用的詞語「模組」是指具體化在硬體或韌體中的邏輯，或者指軟體指令的集合。此處描述的模組可以作為軟體及/或硬體實施，並且可以儲存於任意類型的非暫時性電腦可讀取媒體或其它儲存裝置中。在一些實施例中，軟體模組可以被編譯並連結至可執行程式。可以理解的是，軟體模組可以從其它模組或自身呼叫，及/或可以基於檢測到的事件或中斷被調用。被配置為在計算裝置上執行的軟體模組可以提供於電腦可讀取媒體，諸如光碟、數位視訊碟、快閃記憶體驅動器、磁碟或任何其他有形媒體，或者作為數位下載（且可以壓縮或可安裝格式被儲存，其在執行之前需要安裝、解壓縮或解密）。這樣的軟體代碼可以部分地或全部地儲存在執行計算裝置的儲存裝置上，以便由計算裝置執行。軟體指令可以被嵌入於韌體中，例如可抹除可程式唯讀記憶體。可以進一步理解的是，硬體模組可以被包括在連接的邏輯電路（例如，閘和正反器）及/或可以包括在可程式設計單元（例如，可程式閘陣列或處理器）中。這裡描述的模組或計算裝置功能優選地被實施為軟體模組，但是可以用硬體或韌體來表示。在一般情況下，這裡所述的模組是指邏輯模組，無論其物理組織或儲存如何，所述邏輯模組可以與其它模組結合或分割成多數個子模組。
獲取模組410可以被配置為獲取與終端裝置相關的出發地點。終端裝置（例如，使用者設備130）可以被配置為發送服務請求。出發地點可以是與服務請求相關的開始地點。終端裝置可以位於當前位置。出發地點可以與終端裝置的當前位置相同或不同。
在一些實施例中，出發地點可以是與終端裝置（例如，使用者設備130）相關的當前位置。例如，隨選服務系統100可以監視終端裝置的狀態（例如，應用程式的使用狀態），並基於該狀態將終端的當前位置確定為出發地點。
在一些實施例中，出發地點可以是與終端裝置（例如，使用者設備130）相關的當前位置相距一定距離的接載位置。例如，使用者可以使用終端為不同於終端裝置當前位置的朋友請求服務。那麼出發地點可以是朋友的地點。
在一些實施例中，出發地點可以通過使用全球定位系統（GPS）、全球導航衛星系統（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表示為維度和經度的座標，例如，（N:34°31’，E:69°12’）。在一些實施例中，出發地點可以用地點的描述（例如，麥當勞商店），而不是緯度和經度座標來顯示。
獲取模組410可以被配置為獲取與出發地點有關的資訊。與出發地點有關的所述資訊可以是時間資訊、服務提供者資訊、訂單資訊、交通資訊或類似物或其任意組合。
在一些實施例中，與所述出發地點有關的時間資訊可以是接載時間或服務請求時間。例如，在下午5:30，使用者可以輸入具有指定時間的出發地點，該指定時間在下午5:30之後（例如，下午6:00等）。又例如，隨選服務系統100可以確定與出發地點相關的當前時間。
在一些實施例中，與出發地點相關的服務提供者資訊可以包括出發地點的特定範圍內的服務提供者的數量、服務提供者的載具資訊（例如，載具的顏色、載具的車牌、載具的類型、載具的里程率、載具的燃料消耗和載具的剩餘油）、服務提供者的個人資訊（例如，年齡、駕駛年資和駕駛證號碼）或類似物或其任意組合。
在一些實施例中，與出發地點有關的訂單資訊可以包括歷史訂單資訊、當前訂單資訊和與出發地點相關的潛在訂單資訊。例如，訂單資訊可以包括位於出發地點處或出發地點的特定範圍內的複數個歷史訂單。又例如，訂單資訊可以包括複數個訂單，所述複數個訂單是從當前時間起的時間範圍內之位於出發地點處或出發地點的特定範圍內的。又例如，所述訂單資訊可以包括複數個潛在訂單，其中隨選服務應用程式可以在位於出發地點附近的使用者終端中被打開。所述訂單的開始地點和出發地點可以相同或不同。例如，所述訂單可以是開始地點與出發地點相同的訂單。又例如，所述訂單可以是開始地點在與出發地點有關的區域中（例如，在以出發地點為中心的半徑為50米的圓形區域內）的訂單。
訂單資訊可以包括時間資訊（例如，接載時間、服務提供者的到達時間、交通號誌的等待時間和交通堵塞時間）、訂單分配資訊、服務提供者資訊、服務請求者資訊或類似物或其任意組合。例如，與歷史訂單相關的歷史訂單資訊可以包括用於接載的歷史到達時間、服務提供者資訊、歷史訂單的歷史出發地點、歷史訂單的路線資訊、與歷史訂單相關的交通資訊。
在一些實施例中，與出發地點有關的交通資訊可以包括交通號誌數量、道路擁堵狀況、是否存在事故或建造或類似物或其任意組合。
確定模組420可以確定經過訓練的機器學習模型。在一些實施例中，經過訓練的機器學習模型可以由模型確定單元421確定。經過訓練的機器學習模型可以是監督學習模型、無監督模型和強化學習模型。經過訓練的機器學習模型可以是回歸模型、分類模型和群聚模型。例如，回歸模型可以是分解機器（Factorization Machine，FM）模型、梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）模型、神經網路（Neural Networks，NN）模型或其他深度學習模型。
確定模組420可以從與出發地點有關的資訊中擷取特徵。在一些實施例中，所述特徵可以由特徵確定單元423擷取。在一些實施例中，擷取的特徵可以包括位置屬性、時間屬性、訂單屬性、交通屬性或類似物或其任意組合。時間屬性可以是接載的歷史到達時間或時間段（例如，高峰時間、清晨、午夜等）。訂單屬性可以是訂單數量。選定區域中訂單的密度。交通屬性可以是交通號誌的數量、道路擁堵的狀況。
確定模組420可以確定服務提供者到達出發地點的預估到達時間（ETA）。在一些實施例中，ETA可以由預估到達時間確定單元425確定。如這裡所使用的，ETA可以指服務提供者從他/她的當前位置駕駛到接載地點（例如，使用者的出發地點）的時間。在一些實施例中，ETA可以是服務提供者到達目的地位置的時間長度（例如，10分鐘），即服務請求者的等待時間。在一些實施例中，ETA可以是服務提供者可能到達的確切時間（例如，晚上10點10分）。
通訊模組430可以被配置為向終端裝置（例如，使用者設備130）發送資訊。該資訊可以是ETA、服務提供者資訊、位置資訊或類似物或其任意組合。例如，通訊模組430可以將緯度和經度資料發送到使用者設備130以將使用者設備130定位在地圖上。又例如，通訊模組430可以在使用者下訂單服務之前將ETA發送到使用者設備130。
通訊模組430可以被配置為從終端裝置（例如，使用者設備130）接收資訊。例如，通訊模組430可以從使用者設備130接收位置資訊。位置資訊可以是使用者設備130的當前位置或由使用者選擇的位置。例如，通訊模組430可以從使用者設備130接收應用程式使用狀態資訊（例如，是否啟動應用程式）。
應當注意，以上關於處理器400的描述僅出於說明目的，並不意圖限制本申請的範圍。對於本領域具有通常知識者而言，在本申請內容的導引下，可作出各種變化和修改。然而，這些變化和修改不會超出本申請的範圍。例如，由處理器400獲取的部分或全部資料可以由使用者設備130處理。又例如，可以設置訓練模組（圖4中未示出），並且訓練模組可以訓練機器學習模型。諸如此類的變形，均在本申請的範圍之內。
圖5係根據本申請的一些實施例所示的用於確定到達出發地點的ETA的示例性過程500的流程圖。過程500可以由圖1到圖4中介紹的隨選服務系統100運行。例如，過程500可以被實施為儲存在隨選系統的非暫時性儲存媒體中的一個或多個指令。當隨選服務系統的處理器400執行該組指令時，該組指令可以指示處理器400運行該過程的以下步驟。
在步驟510中，處理器400（例如，獲取模組410）可以獲得與終端裝置（例如，使用者設備130）相關的出發地點。所述出發地點可以是終端裝置的位置。出發地點可以是通過終端裝置選擇的地點。
在一些實施例中，出發地點可以由終端裝置的使用者手動輸入或從複數個記錄中選擇。所述複數個記錄可以包括與使用者相關的位置（例如，使用者在上周被選擇的位置）。在一些實施例中，使用者可以通過移動代表出發地點的圖示（例如，如圖3所示的出發地點圖示312）來確定出發地點。
在一些實施例中，處理器400可以在與出發地點相關的使用者確定服務請求之前獲得出發地點。例如，當終端的使用者啟動安裝在終端裝置中的隨選服務應用程式（例如，滴滴出行TM ）時，獲取模組410可以自動獲取終端裝置（例如，使用者設備130）的當前位置。
在一些實施例中，在步驟510中，處理器400可以將當前位置表示為出發地點的地址，包括商場名稱、道路、標誌性地標、住宅區、大廈、超市或類似物或其任意組合的名稱。
在步驟520中，處理器400（例如，獲取模組410）可以獲得與出發地點有關的資訊。所述與出發地點有關的資訊可以是時間資訊、服務提供者資訊、訂單資訊、交通資訊或類似物或其任意組合。
所述服務提供者資訊可以是與位在出發地點有關區域內的服務提供者相關的資訊。例如，該區域可以是以出發地點為中心、具有預設半徑（例如，5公里）的圓形區域。又例如，該區域可以是以出發地點為中心、具有預設邊長（例如5公里）的正方形區域。所述區域的以上示例僅用於說明目的，並且本揭露不旨在進行限制。該區域可以是任何幾何形狀。此外，該區域可以基於行政區劃來確定，例如在華盛頓特區內。
與出發地點有關的交通資訊可以是與出發地點相關地區的交通資訊。
在步驟530中，處理器400可以獲得經過訓練的機器學習模型。
所述經過訓練的機器學習模型可以被訓練，用作在使用者發送服務請求之前確定到達出發地點的ETA。在一些實施例中，經過訓練的機器學習模型可以是分解機器（FM）模型。FM模型可以基於從與出發地點有關的資訊中擷取的特徵來確定ETA。度d等於2時的FM的模型方程式定義為：（1） 其中，參數是全域偏差，是特徵（例如，是第i個特徵，是第j個特徵），參數是第i個特徵的強度，n是特徵的數量，參數是第i個特徵和第j個特徵之間的相互作用，是ETA的最終預測結果。在本申請中，訓練FM模型的過程可以是用於確定方程式（1）中參數的過程。FM模型也可以允許高階相互作用（）的高品質參數預估。
在一些實施例中，經過訓練的機器學習模型可以是梯度提升決策樹（GBDT）模型。所述梯度增強可以是梯度下降演算法。所述GBDT的建模過程可以將弱「學習者」以遞迴的方式組合成一個強大的學習者。在梯度增強中的每個階段，可能至少有一個不完美的模型。M是GBDT模型中使用特徵的數量。在一些實施例中，梯度提升演算法可以通過構建增加了預估器（estimator）h的新模型來確定模型，以提供更佳模型。每個可以從損失函數的負梯度中學習糾正其前一個。損失函數越大，模型出現錯誤的可能性就越大。關於確定經過訓練的機器學習模型的過程及/或方法的詳細描述將在圖6中示出。
在步驟540中，處理器400（例如，確定模組420）可以基於資訊和經過訓練的機器學習模型來確定到達出發地點ETA。
在一些實施例中，處理器400（例如，確定模組420）可以從與出發地點有關的資訊中擷取至少一個特徵。所述至少一個特徵可以包括位置屬性（例如，歷史訂單的出發地點）、服務提供者屬性（例如，區域中的服務提供者的數量）、時間屬性（例如，接載時間）、交通屬性（例如，交通訊號燈的數量）或類似物。經過訓練的機器學習模型可以分析特徵。處理器400可以基於分析結果來確定到達出發地點的ETA。在一些實施例中，處理器400可以在從終端裝置（例如，使用者設備130）接收服務請求之前確定ETA。
在一些實施例中，所述經訓練的機器學習模型可以將與出發地點相關的當前資訊與從與出發地點相關的歷史訂單中擷取的複數個歷史資訊進行比較。所述複數個歷史訂單中每一個歷史訂單的歷史資訊可以包括用於接載乘客的歷史到達時間。所述經過訓練的機器學習模型可以確定是否存在與當前資訊匹配的歷史資訊。回應於存在與當前資訊相匹配的歷史資訊的決定，可以將與所述歷史資訊對應的接載的歷史到達時間用作參數以訓練經過訓練的機器學習模型。
在步驟550中，處理器400（例如，通訊模組430）可以發送要顯示的ETA給所述終端裝置（例如，使用者設備130）。
所述終端可以將ETA顯示為準確的時間（例如，上午10點10分、下午10點10分或23點11分）、（例如5分鐘或2分鐘）或類似物或其任意組合。例如，ETA可以以圖3所示的文字形式顯示。
應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者來說，可以根據本申請的描述，做出各種修改和變化。然而，變化和修改不會超出本申請的範圍。在一些實施例中，部分步驟可以減少或者增加。例如，可以在示例性過程/方法500的其他地方添加至少一個其他選項（例如，儲存過程）。又例如，處理器400可以在步驟520或步驟530中從出發地點和與出發相有關的資訊中擷取至少一個特徵。諸如此類的變形，均在本申請的保護範圍之內。
圖6係根據本申請的一些實施例所示的用於確定經過訓練的機器學習模型的示例性過程600的流程圖。過程600可以由圖1至圖4中介紹的隨選服務系統運行。例如，過程600可以被實施為儲存在隨選系統的非暫時性儲存媒體中的一個或多個指令。當隨選服務系統的處理器400執行該組指令時，該組指令可以指示處理器400運行該處理的以下步驟。在一些實施例中，過程500的步驟530可以基於用於確定經過訓練的機器學習模型的過程600來運行。
在步驟610中，處理器400（例如，確定模組420）可以在訓練學習模型之前初始化初期機器學習模型。
在步驟620中，處理器400（例如，獲取模組410）可以獲得複數個歷史訂單。處理器400可以從使用者設備130、司機終端140或資料庫150獲得所述複數個歷史訂單。
在一些實施例中，所述複數個歷史訂單可以是與準確時間或相同時間段相關的歷史訂單。所述時間段可以是任何長度，例如多年（例如，最近三年、最近兩年等）、一年（例如，去年、當年、最近一年等）、半年（例如最近六個月、當年上半年等）、四分之一年（例如最近三個月、本年度第二季度等）等等。
在一些實施例中，所述複數個歷史訂單可以是與出發地點相關區域有關的歷史訂單。所述歷史訂單的開始地點可能在該地區。例如，所述複數個歷史訂單可以是海澱區的歷史訂單。
在一些實施例中，可基於條件來確定所述複數個歷史訂單。例如，該條件可能是與複數個歷史訂單相關的服務類型是汽車共享。又例如，該條件可能是與複數個歷史訂單相關的載具的類型是運動型多用途車。
歷史訂單可以包括與歷史訂單相關的歷史資訊。與歷史訂單相關的歷史資訊可以包括歷史位置資訊（例如，歷史出發地點）、歷史時間資訊（例如，接載的歷史到達時間）、歷史訂單資訊（例如歷史訂單數量）、歷史交通資訊（例如，紅綠燈的歷史數量）等。可以從儲存在資料庫150中的歷史訂單和資料獲得所述與歷史訂單相關的歷史資訊。
在步驟630中，處理器400（例如，確定模組420）可以從複數個歷史訂單中的每一個訂單中擷取至少一個特徵。所述至少一個特徵可以包括位置屬性、時間屬性、訂單屬性、交通屬性等。所述至少一個特徵還可以包括在每個歷史訂單進行交易之前的服務提供者的歷史數量。
在一些實施例中，處理器400可以從與複數個歷史訂單中的每一個訂單相關的歷史資訊中擷取至少一個特徵。
在步驟640中，處理器400（例如，確定模組420）可以基於所擷取的與複數個歷史訂單相關的特徵訓練初期機器學習模型。
所述擷取的特徵可以被輸入到初始化的初期機器學習模型。所述初始化的機器學習可以分析所述擷取的特徵以修改初期機器學習的參數。
在一些實施例中，從歷史資訊中擷取的特徵可以生成對應於每個歷史資訊的歷史特徵資料。處理器400可以在步驟640及/或步驟650中針對不同階段使用不同組中的歷史特徵資料。例如，處理器400可以使用歷史特徵資料來訓練及/或測試初期機器學習模型。
在步驟650中，處理器400（例如，確定模組420）可以根據訓練結果確定經過訓練的機器學習模型。
在一些實施例中，確定過程可以包括確定經過訓練的機器學習模型是否滿足收斂條件。所述收斂條件可以包括確定誤差是否小於臨界值。例如，處理器400可以選擇在步驟640中獲得的一些歷史特徵資料作為測試資料。測試資料可以是在步驟640中未用於訓練初期機器學習模型的歷史特徵資料。處理器400可以基於測試資料來確定ETA。然後，處理器400可以基於由經過訓練的機器學習模型確定的ETA和測試資料中接載的歷史到達時間來確定誤差。回應於確定誤差小於臨界值，處理器400可以在步驟650中確定經過訓練的機器學習模型。回應於確定誤差不小於臨界值，處理器400可以再次返回到步驟630。
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，在本申請內容的導引下，可作出多種變化和修改。然而，變化和修改不會超出本申請的範圍。在一些實施例中，部分步驟可以減少或增加。例如，可以在示例性過程/方法600的其他地方增加一個或多個其他選項（例如，儲存過程）。又例如，處理器400可以在步驟640中初始化初期機器學習模型。諸如此類的變形，均在本申請的範圍之內。
圖7係根據本申請的一些實施例所示的可以實施使用者設備130或司機終端140的示例性行動裝置700的示例性硬體及/或軟體部件的示意圖。如圖7所示，所述行動裝置700可以包括通訊平臺710、顯示器720、圖形處理單元（GPU）730、中央處理單元（CPU）740、I/O 750、記憶體760和儲存器790。在一些實施例中，任何其他合適的部件，包括但不限於系統匯流排或控制器（未示出），也可以被包括在行動裝置700中。在一些實施例中，行動作業系統770（例如，iOSTM 、AndroidTM 、Windows PhoneTM 等）和一個或多個應用程式780可以從儲存器790被載入到記憶體760中以便由CPU 740執行。應用程式780可以包括瀏覽器或任何其他合適的行動應用程式，用於接收和呈現資訊，該資訊係與監視隨選服務或例如來自像處理引擎112的其他資訊有關。與資訊流的使用者互動可以經由I/O 750實施，並且經由網路120被提供給處理引擎112及/或隨選服務系統100的其他部件。
為了實施本申請描述的各種模組、單元及其功能，電腦硬體平臺可用作本文中描述之一個或多個組件的硬體平臺。具有使用者介面組件的電腦可用於實施個人電腦（PC）或任何其他類型的工作站或終端裝置。若電腦被適當的程式化，電腦亦可用作伺服器。
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過程、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實施、可以完全由軟體（包括韌體、常駐軟體、微代碼等）實施、也可以由硬體和軟體組合實施。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具體化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具體化於其上之電腦可讀取程式編碼。
電腦可讀取訊號媒體可能包括一個具體化有電腦程式編碼的傳播資料訊號，例如在基頻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、或其任意合適的組合形式。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、裝置或設備以實施通訊、傳播或傳輸供使用的程式。具體化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介質進行傳播，包括無線電、纜線、光纖電纜、RF、或類似介質、或任何上述介質的合適組合。
本申請各態樣執行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，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB. NET、Python等、或類似的常規程式程式語言，如"C"程式語言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP、動態程式語言如Python、Ruby和Groovy或其它程式語言。該程式碼可以完全在使用者電腦上執行、或作為獨立的套裝軟體在使用者電腦上執行、或部分在使用者電腦上執行部分在遠端電腦上運行、或完全在遠端電腦或伺服器上執行。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，除非申請專利範圍中明確說明，本申請所述處理組件和序列的順序、數位字母的使用、或其他名稱的使用，並非用於限定本申請過程和方法的順序。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本申請的實施例，但應當理解的是，該類細節僅起到說明的目的，附加的申請專利範圍並不僅限於揭露的實施例，相反地，申請專利範圍旨在覆蓋所有符合本申請的實施例的精神和範圍的修正和均等組合。例如，雖然以上所描述的各種部件的實施可以具體化為硬體裝置，但是也可以只通過軟體的解決方案來實施，如在現有的伺服器或行動裝置上的安裝。
同樣應當理解的是，為了簡化本申請揭示的表述，從而幫助對一個或多個申請實施例的理解，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、圖式或對其的描述中。但是，這種揭示方法並不意味著本申請標的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。
100‧‧‧隨選服務系統
110‧‧‧伺服器
112‧‧‧處理引擎
120‧‧‧網路
120-1‧‧‧網路交換點
120-2‧‧‧網路交換點
130‧‧‧使用者設備
130-1‧‧‧行動裝置
130-2‧‧‧平板電腦
130-3‧‧‧膝上型電腦
130-4‧‧‧機動載具內建裝置
140‧‧‧司機終端
140-1‧‧‧行動裝置
140-2‧‧‧平板電腦
140-3‧‧‧膝上型電腦
140-4‧‧‧機動載具內建裝置
150‧‧‧資料庫
200‧‧‧計算裝置
210‧‧‧內部通訊匯流排
220‧‧‧處理器
230‧‧‧ROM
240‧‧‧RAM
250‧‧‧通訊輸出埠
260‧‧‧I/O介面
270‧‧‧磁碟
300‧‧‧使用者介面
312‧‧‧出發地點圖示
314‧‧‧出發地點圖示
320‧‧‧訊息圖示
332‧‧‧服務提供者圖示
334‧‧‧服務提供者圖示
336‧‧‧服務提供者圖示
400‧‧‧處理器
410‧‧‧獲取模組
420‧‧‧確定模組
421‧‧‧模型確定單元
423‧‧‧特徵確定單元
425‧‧‧預估到達時間確定單元
500‧‧‧過程
510‧‧‧步驟
520‧‧‧步驟
530‧‧‧步驟
540‧‧‧步驟
550‧‧‧步驟
600‧‧‧過程
610‧‧‧步驟
620‧‧‧步驟
630‧‧‧步驟
640‧‧‧步驟
650‧‧‧步驟
700‧‧‧示例性行動裝置
710‧‧‧通訊單元
720‧‧‧顯示器
730‧‧‧圖形處理單元
740‧‧‧中央處理單元
750‧‧‧輸入/輸出
760‧‧‧記憶體
770‧‧‧行動作業系統
780‧‧‧應用程式
790‧‧‧儲存器
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。這些實施例是非限制性的示例性實施例，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計算裝置的示例性硬體和軟體部件的示意圖； 圖3係根據本申請的一些實施例所示的服務請求者的終端裝置上的示例性使用者介面； 圖4A係根據本申請的一些實施例所示的一種示例性處理器的方塊圖； 圖4B係根據本申請的一些實施例所示的一種示例性確定模組的方塊圖； 圖5係根據本申請的一些實施例所示的一種用於確定到達出發地點的ETA示例性過程的流程圖； 圖6係根據本申請的一些實施例所示的一種用於確定經過訓練的機器學習模型的示例性過程的流程圖；以及 圖7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及/或軟體部件的示意圖。

Claims (20)

  1. 一種系統，包括： 至少一個電腦可讀取儲存媒體，其包括一組用於管理服務供應的指令；以及 與所述至少一個儲存媒體通訊的至少一個處理器，其中當執行該組指令時，所述至少一個處理器被指示為： 操作所述至少一個處理器中的邏輯電路以獲得與終端裝置相關的出發地點； 操作所述至少一個處理器中的所述邏輯電路以獲得與所述出發地點有關的資訊，所述資訊包括一個或多個服務提供者的資訊； 操作所述至少一個處理器中的所述邏輯電路以獲得經過訓練的機器學習模型；以及 操作所述至少一個處理器中的所述邏輯電路以基於所述資訊和所述經過訓練的機器學習模型確定所述一個或多個服務提供者到達所述出發地點的預估到達時間。
  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被進一步指示為： 操作所述至少一個處理器中的所述邏輯電路以發送與所述一個或多個服務提供者相對應的所述預估到達時間給所述終端裝置進行顯示。
  3. 如申請專利範圍第1項之系統，其中與所述出發地點有關的所述資訊進一步包括下述中的至少一個： 所述一個或多個服務提供者的數量， 與所述一個或多個服務提供者相關的載具類型， 與所述一個或多個服務提供者相關的司機檔案， 與所述出發地點相關的訂單分配，或 與所述出發地點相關的交通資訊。
  4. 如申請專利範圍第1項之系統，其中所述經過訓練的機器學習模型通過運行如下步驟確定： 操作所述至少一個處理器中的所述邏輯電路以初始化初期機器學習模型； 操作所述至少一個處理器中的所述邏輯電路以獲得複數個歷史訂單； 操作所述至少一個處理器中的所述邏輯電路以擷取所述複數個歷史訂單中的每一個歷史訂單中的至少一個特徵； 操作所述至少一個處理器中的所述邏輯電路以基於所述經過擷取的與複數個歷史訂單相關的特徵訓練所述初期機器學習模型；以及 操作所述至少一個處理器中的所述邏輯電路以基於訓練結果確定所述經過訓練的機器學習模型。
  5. 如申請專利範圍第4項之系統，其中所述至少一個特徵包括時間屬性、位置屬性、訂單屬性、或交通屬性中的至少一個。
  6. 如申請專利範圍第4項之系統，其中所述複數個歷史訂單是與所述出發地點有關的區域相關的歷史訂單。
  7. 如申請專利範圍第1項之系統，所述機器學習模型包括分解機器（Factorization Machine，FM）模型、梯度增強決策樹（Gradient Boosting Decision Tree，GBDT）模型或神經網路（Neural Networks，NN）模型。
  8. 一種在至少一個裝置上實施的方法，所述至少一個裝置中的每個裝置具有至少一個處理器、儲存器和連接到網路的通訊平臺，所述方法包括： 操作所述至少一個處理器中的邏輯電路以獲得與終端裝置相關的出發地點； 操作所述至少一個處理器中的所述邏輯電路以獲得與所述出發地點有關的資訊，所述資訊包括一個或多個服務提供者的資訊； 操作所述至少一個處理器中的所述邏輯電路以獲得機器學習模型；以及 操作所述至少一個處理器中的所述邏輯電路以基於所述資訊和所述機器學習模型來確定所述一個或多個服務提供者到達所述出發地點的預估到達時間。
  9. 如申請專利範圍第8項之方法，所述方法進一步包括： 操作所述至少一個處理器中的所述邏輯電路以發送與所述一個或多個服務提供者相對應的所述預估到達時間給所述終端裝置進行顯示。
  10. 如申請專利範圍第8項之方法，其中與所述出發地點有關的所述資訊進一步包括下述中的至少一個： 多個服務提供者的數量， 所述一個或與多個服務提供者相關的載具類型， 與所述一個或多個服務提供者相關的司機檔案， 與所述出發地點相關的訂單分配，或 與所述出發地點相關的交通資訊。
  11. 如申請專利範圍第8項之方法，其中所述經過訓練的機器學習模型通過運行如下步驟確定： 操作所述至少一個處理器中的所述邏輯電路以初始化機器學習模型； 操作所述至少一個處理器中的所述邏輯電路以獲得複數個歷史訂單； 操作所述至少一個處理器中的所述邏輯電路以擷取所述複數個歷史訂單中的每一個歷史訂單中的至少一個特徵； 操作所述至少一個處理器中的所述邏輯電路以基於所述經過擷取的與複數個歷史訂單相關的特徵來訓練機器學習模型；以及 操作所述至少一個處理器中的所述邏輯電路以基於訓練結果確定所述機器學習模型。
  12. 如申請專利範圍第11項之方法，其中所述至少一個特徵包括時間屬性、位置屬性、訂單屬性、或交通屬性中的至少一個。
  13. 如申請專利範圍第11項之方法，其中所述複數個歷史訂單是與所述出發地點有關的區域相關的歷史訂單。
  14. 如申請專利範圍第8項之方法，其中的機器學習模型包括分解機器（FM）模型、梯度增強決策樹（GBDT）模型或神經網路（NN）模型。
  15. 一種包括可執行指令的非暫時性電腦可讀取媒體，所述可執行指令在至少一個處理器運行時使所述至少一個處理器執行一個方法，所述方法包括： 操作所述至少一個處理器中的邏輯電路以獲得與終端裝置相關的出發地點； 操作所述至少一個處理器中的所述邏輯電路以獲得與所述出發地點有關的資訊，所述資訊包括一個或多個服務提供者的資訊； 操作所述至少一個處理器中的所述邏輯電路以獲得機器學習模型；以及 操作所述至少一個處理器中的所述邏輯電路以基於所述資訊和所述機器學習模型來確定所述一個或多個服務提供者中的一個服務提供者到達所述出發地點的預估到達時間。
  16. 如申請專利範圍第15項之非暫時性電腦可讀取媒體，其中至少一個處理器被進一步指示為： 操作所述至少一個處理器中的所述邏輯電路以發送與所述一個或多個服務提供者相對應的所述預估到達時間給所述終端裝置進行顯示。
  17. 如申請專利範圍第15項之非暫時性電腦可讀取媒體，其中與所述出發地點有關的所述資訊還包括下述中的至少一個： 所述一個或多個服務提供者的數量， 與所述一個或多個服務提供者相關的載具類型， 與所述一個或多個服務提供者相關的司機檔案， 與所述出發地點相關的訂單分配，或 與所述出發地點相關的交通資訊。
  18. 如申請專利範圍第15項之非暫時性電腦可讀取媒體，其中所述經過訓練的機器學習模型通過運行如下步驟確定： 操作所述至少一個處理器中的所述邏輯電路以初始化初期機器學習模型； 操作所述至少一個處理器中的所述邏輯電路以獲得複數個歷史訂單； 操作所述至少一個處理器中的所述邏輯電路以擷取所述複數個歷史訂單中的每一個歷史訂單中的至少一個特徵； 操作所述至少一個處理器中的所述邏輯電路以基於所述經過擷取的與複數個歷史訂單相關的特徵訓練所述初期機器學習模型；以及 操作所述至少一個處理器中的所述邏輯電路以基於訓練結果確定所述經過訓練的機器學習模型。
  19. 如申請專利範圍第15項之非暫時性電腦可讀取媒體，其中所述至少一個特徵包括時間屬性、位置屬性、訂單屬性、或交通屬性中的至少一個。
  20. 如申請專利範圍第15項之非暫時性電腦可讀取媒體，其中所述複數個歷史訂單是與所述出發地點有關的區域相關的歷史訂單。
TW107116458A 2017-05-16 2018-05-15 用於確定預估到達時間的系統和方法 TW201901474A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
??PCT/CN2017/084496 2017-05-16
PCT/CN2017/084496 WO2018209551A1 (en) 2017-05-16 2017-05-16 Systems and methods for determining an estimated time of arrival

Publications (1)

Publication Number Publication Date
TW201901474A true TW201901474A (zh) 2019-01-01

Family

ID=64273019

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107116458A TW201901474A (zh) 2017-05-16 2018-05-15 用於確定預估到達時間的系統和方法

Country Status (4)

Country Link
US (1) US20200042885A1 (zh)
CN (1) CN109313742A (zh)
TW (1) TW201901474A (zh)
WO (1) WO2018209551A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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***
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***
CN111859170A (zh) * 2019-09-24 2020-10-30 北京嘀嘀无限科技发展有限公司 出发地信息的确定方法、装置、电子设备及存储介质
CN110853349A (zh) * 2019-10-24 2020-02-28 杭州飞步科技有限公司 车辆调度方法、装置及设备
CN113409596A (zh) * 2020-06-28 2021-09-17 节时科技(深圳)有限公司 一种全自动智能控流交通***及智能交通控流方法
CN111757272B (zh) * 2020-06-29 2024-03-05 北京百度网讯科技有限公司 地铁拥堵程度的预测方法、模型训练方法和装置
CN111882112B (zh) * 2020-07-01 2024-05-10 北京嘀嘀无限科技发展有限公司 一种预测到达时间的方法和***
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
CN112116151A (zh) * 2020-09-17 2020-12-22 北京嘀嘀无限科技发展有限公司 一种接驾时间预估方法和***
US11864057B2 (en) * 2020-10-06 2024-01-02 Uber Technologies, Inc. Location determination based on historical service data
US11586662B2 (en) * 2021-03-05 2023-02-21 Microsoft Technology Licensing, Llc Extracting and surfacing topic descriptions from regionally separated data stores
CN113011672B (zh) * 2021-03-29 2024-04-19 上海寻梦信息技术有限公司 物流时效预测方法、装置、电子设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103188598B (zh) * 2011-12-27 2016-08-17 中国电信股份有限公司 智能群呼抢答约车方法、***及出租车约车平台
US9863777B2 (en) * 2013-02-25 2018-01-09 Ford Global Technologies, Llc Method and apparatus for automatic estimated time of arrival calculation and provision
US9267805B2 (en) * 2013-06-07 2016-02-23 Apple Inc. Modeling significant locations
CN103646561B (zh) * 2013-12-24 2016-03-02 重庆大学 基于道路异常区域评估的路径选择方法及***
TWI569226B (zh) * 2014-02-12 2017-02-01 Chunghwa Telecom Co Ltd Logistics Delivery Arrival Time Estimation System and Method with Notification Function
US10650317B2 (en) * 2015-09-21 2020-05-12 Google Llc Detecting and correcting potential errors in user behavior
CN106097702A (zh) * 2016-01-21 2016-11-09 深圳市十方联智科技有限公司 智能交通调度方法和***
US9792575B2 (en) * 2016-03-11 2017-10-17 Route4Me, Inc. Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints
CN106447114A (zh) * 2016-09-30 2017-02-22 百度在线网络技术（北京）有限公司 提供叫车服务的方法和装置
CN106448142A (zh) * 2016-11-24 2017-02-22 郑州玄机器人有限公司 一种带有预计行驶时间的网络约车方法、终端及***

Also Published As

Publication number Publication date
CN109313742A (zh) 2019-02-05
WO2018209551A1 (en) 2018-11-22
US20200042885A1 (en) 2020-02-06

Similar Documents

Publication Publication Date Title
TW201901474A (zh) 用於確定預估到達時間的系統和方法
CN109478275B (zh) 分配服务请求的***和方法
JP6680798B2 (ja) 推奨サービス位置を推奨するシステム及び方法
JP6737805B2 (ja) 将来の輸送サービス時点の予測分布を求めるシステム及び方法
US11398002B2 (en) Systems and methods for determining an estimated time of arrival
TW201907338A (zh) 用於確定預估到達時間的系統和方法
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
JP6687772B2 (ja) サービス時点を予測するシステム及び方法
CN108713326B (zh) 分配按需服务请求的***及方法
CN112236787B (zh) 用于生成个性化目的地推荐的***和方法
TWI704507B (zh) 用於命名接載位置的方法和系統
TWI703516B (zh) 用於預估到達時間的方法以及系統
US20200221257A1 (en) System and method for destination predicting
US20180202818A1 (en) Systems and methods for distributing request for service
CN108780156B (zh) 用于确定移动设备的路径的***和方法
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
TW201903704A (zh) 用於推薦預估到達時間的系統和方法
US20200300650A1 (en) Systems and methods for determining an estimated time of arrival for online to offline services
TW201901185A (zh) 用於確定預估到達時間的系統和方法
TW201818342A (zh) 確定與車輛相關的參考方向的系統和方法
CN110781412B (zh) 用于识别路网中孤岛区域的***和方法
WO2019232773A1 (en) Systems and methods for abnormality detection in data storage