TWI675184B - 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體 - Google Patents
用於路線規劃的系統、方法及非暫時性電腦可讀取媒體 Download PDFInfo
- Publication number
- TWI675184B TWI675184B TW107114157A TW107114157A TWI675184B TW I675184 B TWI675184 B TW I675184B TW 107114157 A TW107114157 A TW 107114157A TW 107114157 A TW107114157 A TW 107114157A TW I675184 B TWI675184 B TW I675184B
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- sample
- routes
- loss function
- gan
- Prior art date
Links
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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Instructional Devices (AREA)
Abstract
本申請涉及用於為請求推薦路線的系統和方法。所述系統可以執行該方法以接收來自終端的請求,其中所述請求可包括出發位置和目的地;確定生成式對抗網路(Generative Adversarial Network,GAN)模型;基於所述GAN模型來確定從所述出發位置到所述目的地的至少一條推薦路線;以及回應於所述請求,發送所述至少一條推薦路線以在所述終端上顯示。
Description
本申請涉及一種用於隨選服務的系統和方法,尤其涉及一種基於生成式對抗網路(Generative Adversarial Network,GAN)模型來推薦路線的系統和方法。
本申請主張2017年4月27日提交的編號為PCT/CN2017/082176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,路線規劃由於其便利性而變得越來越流行。提供路線規劃服務的系統可以從駕駛員處獲取出發位置和目的地,並向駕駛員推薦從出發位置到目的地的行駛路線。當系統推薦行駛路線時,系統會分析交通狀況、距離資訊、時間資訊等。然而,由於即時情況複雜多變,推薦的路線可能無法滿足駕駛員的要求。因此,駕駛員可能不得不偏離推薦路線。
根據本申請的一個態樣,提供一種系統。所述系統可以包括至少一個儲存媒體和與所述至少一個儲存媒體通訊的至少一個處理器。所述至少一個儲存媒體可以包括用於推薦與請求相關的至少一條路線的一組指令。當所述
至少一個處理器執行該組指令時,所述至少一個處理器可以執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接收來自終端的請求,其中所述請求可以包括出發位置和目的地。所述至少一個處理器可以確定生成式對抗網路(GAN)模型。所述至少一個處理器可以基於所述GAN模型來確定從所述出發位置到所述目的地的至少一條推薦路線。回應於所述請求,所述至少一個處理器可以發送所述至少一條推薦路線以在所述終端上顯示。
在一些實施例中,所述至少一個處理器可以獲取一組樣本路線。所述至少一個處理器可以產生生成模型。所述至少一個處理器可以基於所述生成模型確定一組估計路線。所述至少一個處理器可以產生判別模型。所述至少一個處理器可以基於該組樣本路線和該組估計路線來確定所述判別模型的第一損失函數。所述至少一個處理器可以判斷所述第一損失函數的值是否小於第一臨界值。基於所述第一損失函數的值小於所述第一臨界值的判斷,所述至少一個處理器可以儲存所述判別模型。
在一些實施例中,基於所述第一損失函數的值不小於所述第一臨界值的判斷,所述至少一個處理器可以更新所述判別模型。
在一些實施例中,所述至少一個處理器可以基於該組樣本路線和該組估計路線來確定所述生成模型的第二損失函數。所述至少一個處理器可以判斷所述第二損失函數的值是否小於第二臨界值。基於所述第二損失函數的值小於所述第二臨界值的判斷,所述至少一個處理器可以儲存所述生成模型。
在一些實施例中,基於所述第二損失函數的值不小於所述第二臨界值的判斷,所述至少一個處理器可以更新所述生成模型。
在一些實施例中,至少一個處理器可以基於所述判別模型和所述生成模型來確定所述GAN模型。
在一些實施例中,該組樣本路線中的每個樣本路線可以包括樣本
出發位置、樣本目的地、所述樣本出發位置與所述樣本目的地之間的連結資訊、樣本出發時間、樣本到達時間或與該組樣本路線中的每個樣本路線相關的交通資訊之中的至少一個。
在一些實施例中,所述生成模型可以包括卷積神經網路模型、遞迴神經網路模型等。
在一些實施例中,所述判別模型可以包括卷積神經網路模型、遞迴神經網路模型等。
在一些實施例中,該組樣本路線的數目可以是256、512、1024等。
根據本申請的另一個態樣,提供一種方法。所述方法可以包括以下操作中的一個或多個操作。處理器可獲取請求。所述處理器可以接收來自終端的請求,其中所述請求可以包括出發位置和目的地。所述處理器可以確定生成式對抗網路(GAN)模型。所述處理器可以基於所述GAN模型來確定從所述出發位置到所述目的地的至少一條推薦路線。回應於所述請求,所述處理器可以發送所述至少一條推薦路線以在所述終端上顯示。
在一些實施例中,所述處理器可以獲取一組樣本路線。所述處理器可以產生生成模型。所述處理器可以基於所述生成模型確定一組估計路線。所述處理器可以產生判別模型。所述處理器可以基於該組樣本路線和該組估計路線來確定所述判別模型的第一損失函數。所述處理器可以判斷所述第一損失函數的值是否小於第一臨界值。基於所述第一損失函數的值小於所述第一臨界值的判斷,所述處理器可以儲存所述判別模型。
在一些實施例中,基於所述第一損失函數的值不小於所述第一臨界值的判斷,所述處理器可以更新所述判別模型。
在一些實施例中,所述處理器可以基於該組樣本路線和該組估計
路線來確定所述生成模型的第二損失函數。所述處理器可以判斷所述第二損失函數的值是否小於第二臨界值。基於所述第二損失函數的值小於所述第二臨界值的判斷,所述處理器可以儲存所述生成模型。
在一些實施例中,基於所述第二損失函數的值不小於所述第二臨界值的判斷,所述處理器可以更新所述生成模型。
在一些實施例中,所述處理器可以基於所述判別模型和所述生成模型來確定所述GAN模型。
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‧‧‧行動裝置
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‧‧‧行動裝置
140-2‧‧‧平板電腦
140-3‧‧‧膝上型電腦
140-4‧‧‧內建裝置
150‧‧‧資料庫
160‧‧‧定位系統
160-1、160-2、160-3‧‧‧衛星
200‧‧‧計算裝置
210‧‧‧通訊匯流排
220‧‧‧中央處理單元(CPU)
230‧‧‧唯讀記憶體(ROM)
240‧‧‧隨機存取記憶體(RAM)
250‧‧‧通訊埠
260‧‧‧I/O組件
270‧‧‧磁碟
310‧‧‧接收模組
320‧‧‧訓練模組
330‧‧‧確定模組
340‧‧‧通訊模組
400‧‧‧流程/方法
410‧‧‧步驟
420‧‧‧步驟
430‧‧‧步驟
440‧‧‧步驟
510‧‧‧獲取單元
520‧‧‧生成模型確定單元
530‧‧‧判別模型確定單元
540‧‧‧產生單元
600‧‧‧流程/方法
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
617‧‧‧步驟
618‧‧‧步驟
620‧‧‧步驟
622‧‧‧步驟
700‧‧‧GAN模型
710‧‧‧生成模型
720‧‧‧判別模型
800‧‧‧行動裝置
810‧‧‧通訊平臺
820‧‧‧顯示器
830‧‧‧圖形處理單元(GPU)
840‧‧‧中央處理單元(CPU)
850‧‧‧I/O
860‧‧‧記憶體
870‧‧‧行動作業系統
880‧‧‧應用程式
890‧‧‧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。這些示例性實施例是非限定性的示例性實施例,其中相同的組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硬體及/或軟體組件的示意圖;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係根據本申請的一些實施例所示的一種用於確定推薦路線的示例性流程/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示例性訓練模組的方塊圖;圖6係根據本申請的一些實施例所示的一種用於確定生成式對抗網路(GAN)模型的示例性流程/方法的流程圖;圖7係根據本申請的一些實施例所示的一種示例性GAN模型的示意圖;以及圖8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硬體及/或軟體組件的示意圖,該行動裝置上可以施行所述終端。
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,以及製造的經濟和組件組合更加顯而易
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。相反地,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路線規劃的系統和方法,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、使用者端、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回應於請求來推薦路線的線上系統和方法。所述系統和方法可以接收來自終端的請求,所述請求包括出發位置和目的地。回應於所述請求,所述系統和方法可以基於生成式對抗網路(GAN)模型來確定從出發位置到目的地的推薦路線。所述系統和方法還可以發送所述推薦路線以在所述終端進行顯示。本申請的系統和方法還可以基於與多個歷史訂單相關的多個樣本路線來訓練GAN模型。因此,本申請提高了路線規劃的效率和實用性。
需要注意的是,整體而言,路線規劃是深深植根於網際網路時代的技術。如果沒有即時GPS定位和終端與伺服器之間的即時通訊,就無法為包括出發位置和目的地的請求推薦路線。此外,推薦路線需要即時交通狀況資訊。因此,本申請所揭露的技術方案同樣與網際網路時代密切相關。
平臺的應用場景可以包括使用者終端(例如,請求者終端或提供者終端)和車輛(例如,計程車)。當使用者終端發出服務請求時,平臺可以獲取位置資訊(例如出發位置、目的地等)及/或參考資訊(例如交通資訊)。例如,當使用者呼叫計程車時,平臺可以獲取使用者的位置資訊,基於該位置資訊來推薦路線,並將所述推薦路線提供給計程車司機和使用者。
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100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、一資料庫150和一定位系統160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/或資料庫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/或資料庫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組件的計算裝置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可以回應於從請求者終端130獲得的請求來確定從出發位置到目的地的推薦路線。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)。僅作為示例,處理引擎112可以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)、圖形處理單元(GPU)、物理處理單元(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中的一個或多個組件(例如,伺服器110、請求者終端130、提供者終端140、資料庫150和定位系統160)可以通過網路120傳送資訊及/或資料至隨選服務系統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可以是一纜線網路、有線網路、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的使用者。在一些實施例中,請求者終端130的使用者可以是請求者以外的其他人。例如,請求者終端130的使用者A可以使用請求者終端130為使用者B發送服務請求或從伺服器110獲取服務及/或資訊或指示。在一些實施例中,提供者可以是提供者終端140的使用者。在一些實施例中,提供者終端140的使用者可以是提供者以外的其他人。例如,提供者終端140的使用者C可以使用提供者終端140為使用者D獲取服務請求及/或從伺服器110處獲取資訊或指令。在一些實施例中,「請求者」和「請求者終端」可以交換使用,「提供者」和「提供者終端」可以交換使用。
在一些實施例中,請求者終端130可以包括行動裝置130-1,平板電腦130-2,膝上型電腦130-3、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可以包括智慧居家裝置、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,該行動裝置可包括一行動電話、個人數位助理(PDA)、遊戲裝置、導航裝置、銷售點(POS)裝置、筆記型電腦、桌上型電腦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130-4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。
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
以儲存從請求者終端130及/或提供者終端140獲得的資料。在一些實施例中,資料庫150可以儲存供伺服器110執行或使用的資料及/或指令,伺服器110可以通過執行或使用所述資料及/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(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、固態磁碟等。示例性可移式儲存器可以包括快閃驅動器、軟碟、光碟、記憶卡、壓縮磁碟、磁帶等。示例性揮發性讀寫記憶體可以包括隨機存取記憶體(RAM)。示例性隨機存取記憶體可以包括動態隨機存取記憶體(DRAM)、雙倍速率同步動態隨機存取記憶體(DDR SDRAM)、靜態隨機存取記憶體(SRAM)、閘流體隨機存取記憶體(T-RAM)、零電容隨機存取記憶體(Z-RAM)等。示例性唯讀記憶體可以包括光罩式唯讀記憶體(MROM)、可程式唯讀記憶體(PROM)、可清除可程式唯讀記憶體(EPROM)、電子可清除可程式唯讀記憶體(EEPROM)、壓縮磁碟唯讀記憶體(CD-ROM)、數位通用磁碟唯讀記憶體等。在一些實施例中,資料庫150可以在雲平臺上實現。僅作為示例,所述雲平臺可以包括私有雲、公共雲、混合雲、社區雲、分佈雲、跨雲、多雲或類似物或其任意組合。
在一些實施例中,資料庫150可與網路120連接,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)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)連接或通訊。在一些實施例中,資料庫150可以是伺服器110的一部分。
定位系統160可以確定與物體(例如,一個或多個請求者終端130、一個或多個提供者終端140等)相關的資訊。資訊可以包括物件的位置、
海拔、速度或加速度,或者當前時間。例如,定位系統160可以確定請求者終端130的當前位置。在一些實施例中,定位系統160可以包括全球定位系統(GPS)、全球導航衛星系統(GLONASS)、羅盤導航系統(COMPASS)、北斗導航衛星系統、伽利略定位系統、准天頂衛星系統(QZSS)等。所述位置可以是座標形式,例如,經緯度座標。定位系統160可以包括一個或多個衛星,例如衛星160-1、衛星160-2和衛星160-3。衛星160-1至160-3可以獨立地或共同地確定上述資訊。定位系統160可以通過無線連接將上述資訊發送至網路120、請求者終端130或提供者終端140。
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)可以擁有存取資料庫150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的一個或多個組件可以讀取及/或修改與請求者、提供者及/或公眾相關的資訊。例如,在完成一個服務後,伺服器110可以讀取及/或修改一個或多個使用者的資訊。再例如,當從請求者終端130獲取到一個服務請求時,提供者終端140可以存取與請求者相關的資訊,但提供者終端140無法修改所述請求者的相關資訊。
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、運輸工具排程軟體及/或應用程式、地圖軟體及/或應用程式等。對於運輸工具排程軟體及/或應用程式,運輸工具可以是馬、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。導航系統可以基於本申請中描述的流程推薦從出發位置到目的地的路線,並將推薦的路線提供給使用者終端進行顯示。
圖2係根據本申請的一些實施例所示的一種計算裝置200的示例性硬體和軟體的示意圖。伺服器110、請求者終端130及/或提供者終端140可以在計算裝置200上實現。例如,處理引擎112可以在計算裝置200上實現,並被配置為執行本申請中所揭露的處理引擎112的功能。
計算裝置200可以是通用電腦或特殊用途電腦,二者皆可以用來實現本申請的隨選服務系統。計算裝置200可以用來實現本申請所描述的隨選服務系統的任意組件。例如,處理引擎112可以在計算裝置上通過其硬體、軟體程式、韌體或其組合實現。為了方便起見,圖中只繪製了一台電腦,但是本申請所描述的與隨選服務相關的電腦功能可以以分佈的方式、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200可以包括與網路連接的通訊埠250,以實現資料通訊。計算裝置200還可以包括中央處理單元(CPU)220,可以以一個或多個處理器的形式執行程式指令。示例性的計算裝置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或隨機存取記憶體(RAM)240,用於儲存由計算裝置處理及/或傳輸的各類資料檔案。示例性的計算裝置可以包括儲存在ROM 230、RAM 240及/或其他類型的非暫時性儲存媒體中的由CPU 220執行的程式指令。本申請的方法及/或流程可以以程式指令的方式實現。計算裝置200還包括I/O組件260,用於支援電腦與其他組件之間的I/O。計算裝置200也可以通過網路通訊獲取程式編程和資料。
為了方便起見,計算裝置200僅示例性繪製了一個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/或處理器實現的操作及/或方法也可以共同地或獨立地由多個CPU及/或處理器執行。例如,在本申請中,如果計算裝置200的CPU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CPU及/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一種示例性處理引擎112的方塊圖。處理引擎112可以包括接收模組310、訓練模組320、確定模組330和通訊模組340。
接收模組310可以被配置為接收請求。接收模組310可以通過網路120接收來自請求者終端130的請求。請求可以包括出發位置、目的地、出發時間等。在一些實施例中,接收模組310還可以獲取與請求相關的參考資訊。參考
資訊可以包括與請求相關的交通資訊、天氣資訊等。在一些實施例中,所接收的資訊(例如,請求、參考資訊等)可以被發送到其他模組(例如,確定模組330)進行進一步的處理。
訓練模組320可以被配置為訓練用於路線規劃的模型。所述模型可以是生成式對抗網路(GAN)模型。GAN模型可以包括生成模型和判別模型。訓練模組320可以基於多個樣本路線(例如,與多個歷史訂單相關的多個樣本路線)訓練GAN模型。在一些實施例中,訓練後的模型可以被發送到確定模組330。在一些實施例中,訓練後的模型可以被發送到本申請中所揭露的儲存裝置(例如,資料庫150、整合於處理引擎112中的儲存模組(未顯示))進行儲存。
在一些實施例中,可基於時間標準來選擇多個歷史訂單。例如,可以選擇一個時間段內的多個歷史訂單,所述時間段可以是過去六個月、過去一周、六個月內每天上午8:00至9:00等。在一些實施例中,可以基於空間標準來選擇多個歷史訂單。例如,可以選擇一個區域內的多個歷史訂單,所述區域可以是華盛頓特區、國會山莊周圍三英里內的區域等。在一些實施例中,可以基於一個或多個參數選擇多個歷史訂單,舉例而言,所述參數可以包括車輛類型、目的地、乘客檔案、駕駛員檔案、服務費等。
確定模組330可以被配置為,回應於所述請求,基於GAN模型來確定推薦路線。確定模組330可以從接收模組310獲取所述請求,並從訓練模組320獲取所述GAN模型。確定模組330可以發送所述推薦路線至通訊模組340。
通訊模組340可以被配置為發送推薦路線至請求者終端130及/或提供者終端140。推薦路線可以在請求者終端130及/或提供者終端140上顯示。在一些實施例中,推薦路線可以以文本、圖像、視頻內容、音訊內容、圖形或類似物或其任意組合的格式在請求者終端130及/或提供者終端140上顯示。
處理引擎112中的模組可以通過有線連接或無線連接的方式進行
相互連接或通訊。有線連接可以包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接可以包括區域網路(LAN)、廣域網路(WAN)、藍牙、ZigBee網路和近場通訊(NFC)或類似物或其任意組合。兩個或兩個以上模組可以合併為單個模組,以及任何一個模組可以拆分為兩個或兩個以上單元。例如,接收模組310可以整合到確定模組330中作為單個模組,可以獲取請求並確定推薦路線。又例如,處理引擎112可以包括儲存模組(圖3中未顯示),可以用於儲存請求、訓練模型、推薦路線及/或與請求相關的任何資訊。
圖4係根據本申請的一些實施例所示的一種用於確定推薦路線的示例性流程/方法400的流程圖。流程/方法400可以由隨選服務系統100執行。例如,流程/方法400可以被施行為儲存在ROM 230或RAM 240中的一組指令(例如,一個應用程式)。CPU 220可以執行該組指令並相應地執行所述流程/方法400。下述流程/方法的操作僅是示例性的。在一些實施例中,流程/方法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/方法操作順序非意欲限定。
在步驟410中,處理引擎112可以接收一個請求。處理引擎112可以通過網路120接收來自請求者終端130的請求。該請求可以包括出發位置、目的地、出發時間(例如,當前時間、約定時間)等。
在步驟420中,處理引擎112可以確定GAN模型。如本申請所述,GAN模型可用以回應於請求而產生路線。GAN模型可以包括生成模型和判別模型。處理引擎112可以基於歷史資訊來訓練包括初始生成模型和初始判別模型的初始GAN模型,從而確定GAN模型。例如,處理引擎112可以基於與多個歷史訂單相關的多個樣本路線來訓練初始生成模型和初始判別模型。如本申請所述,術語「歷史訂單」通常是指已經完成的請求和與其相關的資訊。例如,對於圖1所示的應用場景,請求者可以將包括出發位置和目的地的運輸服務請求發送到
隨選服務系統100。服務提供者可以接受該請求並沿著從出發位置到目的地的路線提供運輸服務。當服務提供者在目的地放下請求者之後,隨選服務系統100可以將該路線儲存在本申請所揭露的儲存裝置中。在步驟420中,該路線可以作為樣本路線來訓練GAN模型。
在步驟430中,處理引擎112可以基於GAN模型確定從出發位置到目的地的推薦路線。
在步驟440中,處理引擎112可以發送推薦路線以在請求者終端130及/或提供者終端140上顯示。推薦路線可以通過一個或多個使用者介面(未顯示)在請求者終端130及/或提供者終端140上顯示。在一些實施例中,推薦路線可以通過任何合適的通訊協定(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)等)來發送及/或獲取。
應當注意的是,上述描述僅出於說明性目的而提供,並不旨在限制本申請的保護範圍。對於本領域具有通常知識者來說,可以在本申請的導引下進行多種變化和修改。然而,這些變化和修改並不背離本申請的保護範圍。例如,一個或多個其他可選步驟(如:儲存步驟)可以被添加至示例性流程/方法400中的任意位置。
圖5係根據本申請的一些實施例所示的示例性訓練模組320的方塊圖。訓練模組320可以包括獲取單元510、生成模型確定單元520、判別模型確定單元530和產生單元540。
獲取單元510可以被配置為獲取一組樣本路線。獲取單元510可以從本申請中所揭露的儲存裝置(例如,資料庫150、整合於處理引擎112中的儲存模組(未顯示)等)中獲取該組樣本路線。如本申請所述,該組樣本路線可以是與特定時間段(例如,過去一個月)內的多個歷史訂單相關的一組樣本路
線。
生成模型確定單元520可以被配置為確定生成模型。生成模型確定單元520可以通過訓練初始生成模型來確定生成模型。初始生成模型可以是隨選服務系統100預設設置的,也可以根據不同情況進行調整。初始生成模型可以包括多個生成參數。生成模型確定單元520可以反覆運算地修改所述多個生成參數,直到修改的多個生成參數滿足預設條件。在每次反覆運算期間,生成模型確定單元520可以基於初始/更新生成模型產生一組估計路線。生成模型確定單元520可以將該組估計路線發送到判別模型確定單元530進行判別。進一步地,生成模型確定單元520可以基於判別結果修改多個生成參數。
判別模型確定單元530可以被配置為確定判別模型。判別模型確定單元530可以通過訓練初始判別模型來確定判別模型。初始判別模型可以是隨選服務系統100預設設置的,也可以根據不同情況進行調整。初始判別模型可以包括多個判別參數。判別模型確定單元530可以基於該組樣本路線和該組估計路線反覆運算地修改多個判別參數,直到修改的多個判別參數滿足預設條件。
產生單元540可以被配置為基於生成模型和判別模型來產生GAN模型。產生的GAN模型可以儲存在本申請所揭露的儲存裝置(例如,資料庫150、整合於處理引擎112中的儲存模組(未顯示)等)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,訓練模組320可以包括儲存單元(未顯示),用於儲存與生成模型和判別模型相關的任何資訊。又例如,訓練模組320中的各單元可以分別包括儲存子單元(未顯示)。再例如,生成模型確定單元520和判別模型確定單元530可以被整合為既可以確定生成模型又可以確定判別模型的單個模組。
圖6係根據本申請的一些實施例所示的一種用於確定GAN模型的示例性流程/方法600的流程圖。流程/方法600可以由隨選服務系統100執行。例如,流程/方法600可以被施行為儲存在ROM 230或RAM 240中的一組指令(例如,一個應用程式)。CPU 220可以執行該組指令並相應地執行所述流程/方法600。以下所示流程的操作僅是示例性的。在一些實施例中,示例性流程/方法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6中所示的流程/方法中的操作順序和下文描述的操作的順序非意欲限定。
在步驟602中,處理引擎112可以獲取一組樣本路線。處理引擎112可以從本申請所揭露的儲存裝置(例如,資料庫150、整合於處理引擎112中的儲存模組(未顯示)等)中獲取該組樣本路線。該組樣本路線的數量可以是隨選服務系統100預設設置的(例如,256、512、1024),也可以根據不同情況進行調整。該組樣本路線可以是與多個歷史訂單相關的一組樣本路線。
在一些實施例中,該組樣本路線中的每個樣本路線可以包括樣本出發位置、樣本目的地、樣本出發位置與樣本目的地之間的連結資訊、樣本出發時間、樣本到達時間、與每個樣本路線相關的交通資訊等。
連結資訊可以包括與樣本出發位置和樣本目的地之間的樣本路線中的多個連結(例如,道路或街道的一部分)相關的資訊。例如,連結資訊可以包括多個連結的數量、多個連結的距離等。
交通資訊可以包括交通狀況資訊、交通訊號燈資訊、多個連結的等級資訊(例如,道路或街道的等級)等。交通狀況資訊可以包括交通速度、交通流量、交通密度等。交通訊號燈資訊可以包括交通訊號燈的分佈、交通訊號燈的數量等。在一些實施例中,道路或街道的等級可以根據速度限制被分為五個等級:高速公路、一級公路、二級公路、三級公路和四級公路。在一些實
施例中,道路或街道的等級可以根據地理資訊被分為四個等級:國道、省道、縣道和鄉村道路。
在步驟604中,處理引擎112可以產生生成模型。應當注意的是,流程/方法600可以是包括一次或多次反覆運算的反覆運算流程。在第一次反覆運算時,處理引擎112可以產生初始生成模型。初始生成模型可以包括卷積神經網路(CNN)模型、遞迴神經網路(RNN)模型等。初始生成模型可以是隨選服務系統100預設設置的,也可以根據不同情況進行調整。初始生成模型可以包括一個或多個初始生成參數。
在步驟606中,處理引擎112可以基於初始生成模型和該組樣本路線確定一組估計路線。該組估計路線的數量可以與該組樣本路線的數量相同。例如,對於包括特定樣本出發位置和特定樣本目的地的特定樣本路線,處理引擎112可以確定從特定樣本出發位置到特定樣本目的地的估計路線。處理引擎112可以將交通資訊(例如,交通狀況資訊、交通訊號燈資訊等)作為參數來確定估計路線。
在步驟608中,處理引擎112可以產生判別模型。判別模型可以用於確定該組估計路線的平均機率值,該平均機率值可以用於表明該組估計路線與該組樣本路線的相似程度。如本申請所述,該平均機率值可以處於0-1之間。結合步驟602所述,在第一次反覆運算中,處理引擎112可以產生初始判別模型。初始判別模型可以包括CNN模型、RNN模型等。初始判別模型可以是隨選服務系統100預設設置的,也可以根據不同情況進行調整。初始判別模型可以包括一個或多個初始判別參數。
在步驟610中,處理引擎112可以基於該組樣本路線和該組估計路線來確定(初始)判別模型的第一損失函數。
例如,處理引擎112可以根據公式(1)確定判別模型的第一損失
函數:
其中,J (D)表示判別模型的第一損失函數(在第一次反覆運算時,則表示初始判別模型的第一損失函數,以下類似);θ (D)表示判別模型的判別參數;θ (G )表示生成模型的生成參數;x表示該組樣本路線;D(x)表示基於判別模型確定的該組樣本路線的平均機率值;x~p data 表示該組樣本路線的分佈;z表示生成模型的輸入資訊(例如,樣本出發位置、樣本目的地、交通資訊等);G(z)表示該組估計路線;D(G(z))表示基於判別模型確定的該組估計路線的平均機率值;E x~pdata 表示該組樣本路線的平均期望值(預設樣本路線的期望值接近「1」);和E z 表示該組估計路線的平均期望值(預設估計路線的期望值接近「0」)。
在步驟612中,處理引擎112可以判斷第一損失函數的值是否小於第一臨界值。第一臨界值可以是隨選服務系統100的預設設置(例如,0.5),也可以根據不同情況進行調整。
回應於第一損失函數的值小於第一臨界值的判斷,處理引擎112可以執行流程/方法600至步驟620以儲存初始判別模型。
回應於第一損失函數的值大於或等於第一臨界值的判斷,處理引擎112可以執行流程/方法600至步驟613。在步驟613中,處理引擎112可以更新初始判別模型。例如,處理引擎112可以更新初始判別模型的一個或多個判別參數。在處理引擎112更新初始判別模型之後,處理引擎112可以執行流程/方法600返回至步驟608,以產生更新的判別模型並開始下一次的反覆運算,直到第一損失函數的值小於第一臨界值。
返回步驟606,在處理引擎112基於初始生成模型確定一組估計路線之後,處理引擎112可以執行流程/方法600至步驟614。在步驟614中,處理引擎112可以基於該組樣本路線和該組估計路線來確定初始生成模型的第二損失
函數。
例如,處理引擎112可以根據公式(2)確定初始生成模型的第二損失函數:
其中,J (G)表示生成模型的第二損失函數。
在步驟616中,處理引擎112可以判斷第二損失函數的值是否小於第二臨界值。第二臨界值可以是隨選服務系統100的預設設置(例如,0.5),也可以根據不同情況進行調整。第二臨界值可以與第一臨界值相同或不同。
回應於第二損失函數的值小於第二臨界值的判斷,處理引擎112可以執行流程/方法600至步驟618以儲存初始生成模型。
回應於第二損失函數的值大於或等於第二臨界值的判斷,處理引擎112可以執行流程/方法600至步驟617。在步驟617中,處理引擎112可以更新初始生成模型。例如,處理引擎112可以更新初始生成模型的一個或多個生成參數。在處理引擎112更新初始生成模型之後,處理引擎112可以執行流程/方法600返回步驟604,以確定更新的生成模型並開始下一次的反覆運算,直到第二損失函數的值小於第二臨界值。
在步驟622中,處理引擎112可以基於(更新的)生成模型和(更新的)判別模型來確定GAN模型。處理引擎112還可以將該GAN模型儲存在本申請所揭露的儲存裝置中。
應當注意的是,流程/方法600是一個反覆運算流程。該反覆運算流程可以包括一次或多次反覆運算。在每次反覆運算期間,處理引擎112可以首先基於第一損失函數更新判別模型,然後基於第二損失函數更新生成模型。在理想情況下,處理引擎112在第一損失函數和第二損失函數達到Nashi平衡時終止所述反覆運算流程。如本申請所述,Nashi平衡可以是基於生成模型所產生的該
組估計路線與該組樣本路線幾乎相同時的平衡點。在實際操作中,處理引擎112可以在第一損失函數的值小於第一臨界值並且第二損失函數的值小於第二臨界值時終止所述反覆運算流程。
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,一個或多個其他可選步驟(例如,緩存步驟)可以被添加至示例性流程/方法600中的任意位置。
圖7係根據本申請的一些實施例所示的示例性GAN模型700的示意圖。如圖7所示,GAN模型可以包括生成模型710和判別模型720。
生成模型710可用於產生一組估計路線。產生的該組估計路線可以被發送到判別模型720進行判別。判別模型720可以用於判別該組樣本路線和由生成模型710所產生的該組估計路線。
判別模型720可以是二進位分類器。對於判別模型720,樣本路線的期望值被定義為近似等於「1」,即判別模型720傾向樣本路線與實際路線大致相同。當估計路線的期望值被定義為近似等於「0」時,判別模型720傾向判別估計路線與樣本路線完全不同。對於估計路線,基於判別模型720可以確定一個範圍(0,1)內的機率值。該機率值可以是表明特定估計路線與相應樣本路線接近程度的機率。機率值越大,估計路線越接近相應的樣本路線。
可以根據判別模型720來比較該組樣本路線和該組估計路線,並且可以確定該組估計路線的平均機率值。該組估計路線的平均機率值可以被發送到生成模型710來更新生成模型710。進一步地,基於更新的生成模型710可以產生一組更新的估計路線,並將更新的估計路線發送到判別模型720進行進一步判別。
結合步驟610和步驟614所述,處理引擎112可以基於該組樣本路線的平均期望值、該組估計路線的平均期望值、該組估計路線的平均機率值等來確定判別模型720的第一損失函數和生成模型710的第二損失函數。處理引擎112可以執行多次反覆運算直至第一損失函數的值小於第一臨界值並且第二損失函數的值小於第二臨界值,並基於多次反覆運算後的生成模型710和判別模型720確定GAN模型。
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。
圖8係根據本申請的一些實施例所示的一種示例性行動裝置800的硬體及/或軟體組件的示意圖。該行動裝置800上可以施行請求者終端130或提供者終端140。如圖8所示,所述行動裝置800可以包括通訊平臺810、顯示器820、圖形處理單元(GPU)830、中央處理單元(CPU)840、I/O 850、記憶體860、儲存器890。在一些實施例中,任何其他合適的組件,包括但不限於系統匯流排或控制器(未顯示),也可以包括於行動裝置800內。在一些實施例中,行動作業系統870(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一個或多個應用程式880可以從儲存器890載入到記憶體860中,以便由CPU 840執行。應用程式880可以包括瀏覽器,或用於接收和呈現與影像處理相關的資訊或來自處理引擎112的其他資訊的任何其他合適的行動App。資訊流的使用者交互可以經由I/O 850實現,並經由網路120提供給處理引擎112及/或隨選服務系統100的其他組件。
為了實施本申請描述的各種模組、單元及其功能,電腦硬體平台可用作本文中描述之一個或多個元件的硬體平台。具有使用者介面元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碼。
電腦可讀取訊號媒體可包括一個內含有電腦程式碼的傳播資料訊號,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,相反地,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,如安裝在現有的伺服器或行動裝置上的軟體。
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。
Claims (21)
- 一種用於路線規劃之系統,包含:至少一個儲存媒體,包括用於推薦與請求相關的至少一條路線的一組指令;以及至少一個處理器,被配置為與所述至少一個儲存媒體通訊,其中,當執行該組指令時,所述至少一個處理器用於:接收來自終端的請求,所述請求包括出發位置和目的地;確定生成式對抗網路(Generative Adversarial Network,GAN)模型;基於所述GAN模型來確定從所述出發位置到所述目的地的至少一條推薦路線;以及回應於所述請求,發送所述至少一條推薦路線以在所述終端上顯示。
- 如申請專利範圍第1項之系統,其中,為了確定所述GAN模型,所述至少一個處理器進一步用於:獲取一組樣本路線;產生生成模型;基於所述生成模型確定一組估計路線;產生判別模型;基於該組樣本路線和該組估計路線來確定所述判別模型的第一損失函數;判斷所述第一損失函數的值是否小於第一臨界值;以及基於所述第一損失函數的值小於所述第一臨界值的判斷,儲存所述判別模型。
- 如申請專利範圍第2項之系統,其中,為了確定所述GAN模型,所述至少一個處理器進一步用於:基於所述第一損失函數的值不小於所述第一臨界值的判斷,更新所述判別 模型。
- 如申請專利範圍第2項之系統,其中,為了確定所述GAN模型,所述至少一個處理器進一步用於:基於該組樣本路線和該組估計路線來確定所述生成模型的第二損失函數;判斷所述第二損失函數的值是否小於第二臨界值;以及基於所述第二損失函數的值小於所述第二臨界值的判斷,儲存所述生成模型。
- 如申請專利範圍第4項之系統,其中,為了確定所述GAN模型,所述至少一個處理器進一步用於:基於所述第二損失函數的值不小於所述第二臨界值的判斷,更新所述生成模型。
- 如申請專利範圍第4項之系統,其中,為了確定所述GAN模型,所述至少一個處理器進一步用於:基於所述判別模型和所述生成模型確定所述GAN模型。
- 如申請專利範圍第2項系統,其中,該組樣本路線中的每個樣本路線包括下列之中的至少一個:樣本出發位置,樣本目的地,所述樣本出發位置與所述樣本目的地之間的連結資訊,樣本出發時間,樣本到達時間,或與該組樣本路線中的每個樣本路線相關的交通資訊。
- 如申請專利範圍第2項之系統,其中,所述生成模型是卷積神經網路模型或者遞迴神經網路模型的其中一個。
- 如申請專利範圍第2項之系統,其中,所述判別模型是卷積神經網路模型或者遞迴神經網路模型的其中一個。
- 如申請專利範圍第2項之系統,其中,該組樣本路線的數目是256、512或1024。
- 一種用於路線規劃之方法,包括:由處理器接收來自終端的請求,所述請求包括出發位置和目的地;所述處理器確定生成式對抗網路(GAN)模型;所述處理器基於所述GAN模型來確定從所述出發位置到所述目的地的至少一條推薦路線;以及所述處理器回應於所述請求,發送所述至少一條推薦路線以在所述終端上顯示。
- 如申請專利範圍第11項之方法,其中,確定所述GAN模型包括:獲取一組樣本路線;產生生成模型;基於所述生成模型確定一組估計路線;產生判別模型;基於該組樣本路線和該組估計路線來確定所述判別模型的第一損失函數;判斷所述第一損失函數的值是否小於第一臨界值;以及基於所述第一損失函數的值小於所述第一臨界值的判斷,儲存所述判別模型。
- 如申請專利範圍第12項之方法,其中,確定所述GAN模型包括:基於所述第一損失函數的值不小於所述第一臨界值的判斷,更新所述判別模型。
- 如申請專利範圍第12項之方法,其中,確定所述GAN模型包括: 基於該組樣本路線和該組估計路線來確定所述生成模型的第二損失函數;判斷所述第二損失函數的值是否小於第二臨界值;以及基於所述第二損失函數的值小於所述第二臨界值的判斷,儲存所述生成模型。
- 如申請專利範圍第14項之方法,其中,確定所述GAN模型包括:基於所述第二損失函數的值不小於所述第二臨界值的判斷,更新所述生成模型。
- 如申請專利範圍第14項之方法,其中,確定所述GAN模型包括:基於所述判別模型和所述生成模型確定所述GAN模型。
- 如申請專利範圍第12項之方法,其中,該組樣本路線中的每個樣本路線包括下列之中的至少一個:樣本出發位置,樣本目的地,所述樣本出發位置與所述樣本目的地之間的連結資訊,樣本出發時間,樣本到達時間,或與該組樣本路線中的每個樣本路線相關的交通資訊。
- 如申請專利範圍第12項之方法,其中,所述生成模型是卷積神經網路模型或者遞迴神經網路模型的其中一個。
- 如申請專利範圍第12項之方法,其中,所述判別模型是卷積神經網路模型或者遞迴神經網路模型的其中一個。
- 如申請專利範圍第12項之方法,其中,該組樣本路線的數目是256、512或1024。
- 一種非暫時性電腦可讀取媒體,所述非暫時性電腦可讀取媒體 包括可執行指令,當由至少一個處理器執行時,所述可執行指令使所述至少一個處理器實施一種方法,所述方法包括:接收來自終端的請求,所述請求包括出發位置和目的地;確定生成式對抗網路(GAN)模型;基於所述GAN模型來確定從所述出發位置到所述目的地的至少一條推薦路線;以及回應於所述請求,發送所述至少一條推薦路線以在所述終端上顯示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/082176 WO2018195848A1 (en) | 2017-04-27 | 2017-04-27 | Systems and methods for route planning |
??PCT/CN2017/082176 | 2017-04-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201843423A TW201843423A (zh) | 2018-12-16 |
TWI675184B true TWI675184B (zh) | 2019-10-21 |
Family
ID=63920100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107114157A TWI675184B (zh) | 2017-04-27 | 2018-04-26 | 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體 |
Country Status (9)
Country | Link |
---|---|
US (1) | US10876847B2 (zh) |
EP (1) | EP3452787B1 (zh) |
JP (1) | JP6780029B2 (zh) |
CN (1) | CN109313036B (zh) |
AU (1) | AU2017411198B2 (zh) |
CA (1) | CA3027283A1 (zh) |
SG (1) | SG11201810989VA (zh) |
TW (1) | TWI675184B (zh) |
WO (1) | WO2018195848A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018192500A1 (zh) * | 2017-04-19 | 2018-10-25 | 上海寒武纪信息科技有限公司 | 处理装置和处理方法 |
US11035681B2 (en) * | 2018-07-20 | 2021-06-15 | Verizon Patent And Licensing Inc. | Preserving original route information after recalculation of a route |
CN111413957B (zh) * | 2018-12-18 | 2021-11-02 | 北京航迹科技有限公司 | 用于确定自动驾驶中的驾驶动作的***和方法 |
CN111413958B (zh) * | 2018-12-18 | 2021-09-24 | 北京航迹科技有限公司 | 用于确定自动驾驶中的驾驶路径的***和方法 |
CN110070935B (zh) * | 2019-03-20 | 2021-04-30 | 中国科学院自动化研究所 | 基于对抗神经网络的医学图像合成方法、分类方法及装置 |
CN110210933B (zh) * | 2019-05-21 | 2022-02-11 | 清华大学深圳研究生院 | 一种基于生成对抗网络的隐语义推荐方法 |
CN111931062B (zh) * | 2020-08-28 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 一种信息推荐模型的训练方法和相关装置 |
CN112907953B (zh) * | 2021-01-27 | 2022-01-28 | 吉林大学 | 一种基于稀疏gps数据的公交行程时间预测方法 |
CN113240218B (zh) * | 2021-07-13 | 2021-09-21 | 佛山市墨纳森智能科技有限公司 | 基于大数据的物流配送规划方法及*** |
CN115273456B (zh) * | 2022-06-14 | 2023-08-29 | 北京车网科技发展有限公司 | 一种两轮电动车违规行驶的判定方法、***和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201212666A (en) * | 2010-06-22 | 2012-03-16 | Research In Motion Ltd | Methods and apparatus to predict routing to maintain connectivity over a geographic area |
CN105043400A (zh) * | 2015-06-30 | 2015-11-11 | 百度在线网络技术(北京)有限公司 | 路径规划方法及装置 |
CN105683712A (zh) * | 2013-08-19 | 2016-06-15 | 通腾导航技术股份有限公司 | 用于获得多模式路线的方法及*** |
CN105829831A (zh) * | 2013-11-12 | 2016-08-03 | 三菱电机株式会社 | 用于在行进期间预测目的地的方法 |
US20170031920A1 (en) * | 2015-07-31 | 2017-02-02 | RCRDCLUB Corporation | Evaluating performance of recommender system |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7610145B2 (en) * | 2003-07-25 | 2009-10-27 | Triangle Software Llc | System and method for determining recommended departure time |
WO2008137855A2 (en) * | 2007-05-03 | 2008-11-13 | Hti Ip, Llc | Methods, systems, and apparatuses for telematics navigation |
US8392116B2 (en) * | 2010-03-24 | 2013-03-05 | Sap Ag | Navigation device and method for predicting the destination of a trip |
CN103017783B (zh) | 2012-12-05 | 2016-06-01 | 中兴通讯股份有限公司 | 导航方法及***、地图数据管理云端及其数据更新方法 |
US9702716B2 (en) * | 2013-08-28 | 2017-07-11 | Verizon Telematics Inc. | Traffic score determination |
JP6612855B2 (ja) * | 2014-09-12 | 2019-11-27 | マイクロソフト テクノロジー ライセンシング,エルエルシー | 出力分布による生徒dnnの学習 |
CN105138590A (zh) * | 2015-07-31 | 2015-12-09 | 北京嘀嘀无限科技发展有限公司 | 轨迹预测方法和装置 |
EP4030378A1 (en) * | 2015-05-10 | 2022-07-20 | Mobileye Vision Technologies Ltd. | Road profile along a predicted path |
CN105675002B (zh) * | 2016-01-27 | 2018-03-30 | 闫凯 | 一种多途经点导航路线规划方法和*** |
CN106444738B (zh) * | 2016-05-24 | 2019-04-09 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
CN109643125B (zh) * | 2016-06-28 | 2022-11-15 | 柯尼亚塔有限公司 | 用于训练自动驾驶***的逼真的3d虚拟世界创造与模拟 |
CN106296692A (zh) | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN106441316B (zh) * | 2016-09-08 | 2020-09-01 | 复旦大学 | 一种基于历史数据的单点路网匹配方法 |
US10402527B2 (en) * | 2017-01-04 | 2019-09-03 | Stmicroelectronics S.R.L. | Reconfigurable interconnect |
-
2017
- 2017-04-27 EP EP17906924.0A patent/EP3452787B1/en active Active
- 2017-04-27 CN CN201780035365.XA patent/CN109313036B/zh active Active
- 2017-04-27 SG SG11201810989VA patent/SG11201810989VA/en unknown
- 2017-04-27 AU AU2017411198A patent/AU2017411198B2/en active Active
- 2017-04-27 WO PCT/CN2017/082176 patent/WO2018195848A1/en unknown
- 2017-04-27 JP JP2018565381A patent/JP6780029B2/ja active Active
- 2017-04-27 CA CA3027283A patent/CA3027283A1/en not_active Abandoned
-
2018
- 2018-04-26 TW TW107114157A patent/TWI675184B/zh active
- 2018-12-06 US US16/212,633 patent/US10876847B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201212666A (en) * | 2010-06-22 | 2012-03-16 | Research In Motion Ltd | Methods and apparatus to predict routing to maintain connectivity over a geographic area |
CN105683712A (zh) * | 2013-08-19 | 2016-06-15 | 通腾导航技术股份有限公司 | 用于获得多模式路线的方法及*** |
CN105829831A (zh) * | 2013-11-12 | 2016-08-03 | 三菱电机株式会社 | 用于在行进期间预测目的地的方法 |
CN105043400A (zh) * | 2015-06-30 | 2015-11-11 | 百度在线网络技术(北京)有限公司 | 路径规划方法及装置 |
US20170031920A1 (en) * | 2015-07-31 | 2017-02-02 | RCRDCLUB Corporation | Evaluating performance of recommender system |
Also Published As
Publication number | Publication date |
---|---|
WO2018195848A1 (en) | 2018-11-01 |
JP2019529868A (ja) | 2019-10-17 |
EP3452787B1 (en) | 2020-12-23 |
AU2017411198A1 (en) | 2019-01-03 |
CN109313036B (zh) | 2022-04-15 |
JP6780029B2 (ja) | 2020-11-04 |
CN109313036A (zh) | 2019-02-05 |
TW201843423A (zh) | 2018-12-16 |
EP3452787A4 (en) | 2019-08-21 |
CA3027283A1 (en) | 2018-11-01 |
AU2017411198B2 (en) | 2020-11-26 |
SG11201810989VA (en) | 2019-01-30 |
US20190107405A1 (en) | 2019-04-11 |
EP3452787A1 (en) | 2019-03-13 |
US10876847B2 (en) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
TWI670677B (zh) | 用於推薦預估到達時間的系統和方法 | |
TWI673659B (zh) | 用於確定預估到達時間的電子系統和方法及相關的非暫時性電腦可讀取媒體 | |
AU2017101872A4 (en) | Systems and methods for distributing request for service | |
US11398002B2 (en) | Systems and methods for determining an estimated time of arrival | |
JP6797943B2 (ja) | サービスリクエストを割り振るシステムおよび方法 | |
US11546729B2 (en) | System and method for destination predicting | |
TW201907338A (zh) | 用於確定預估到達時間的系統和方法 | |
WO2019042194A1 (en) | INFORMATION PROCESSING METHOD, INFORMATION PROCESSING SYSTEM, AND INFORMATION PROCESSING DEVICE | |
TWI704507B (zh) | 用於命名接載位置的方法和系統 | |
TW201901474A (zh) | 用於確定預估到達時間的系統和方法 | |
CN108780562B (zh) | 更新服务序列的***和方法 | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
TW201909039A (zh) | 用於預估到達時間的方法以及系統 | |
TW201818342A (zh) | 確定與車輛相關的參考方向的系統和方法 | |
WO2019019198A1 (en) | SYSTEMS AND METHODS FOR DETERMINING SERVICE REQUEST FEES | |
WO2022126354A1 (en) | Systems and methods for obtaining estimated time of arrival in online to offline services | |
CN110832811B (zh) | 用于发送空间数据的***和方法 |