TWI703516B - 用於預估到達時間的方法以及系統 - Google Patents
用於預估到達時間的方法以及系統 Download PDFInfo
- Publication number
- TWI703516B TWI703516B TW107115972A TW107115972A TWI703516B TW I703516 B TWI703516 B TW I703516B TW 107115972 A TW107115972 A TW 107115972A TW 107115972 A TW107115972 A TW 107115972A TW I703516 B TWI703516 B TW I703516B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- model
- historical
- state data
- route
- Prior art date
Links
Images
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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
- G08G1/096827—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed onboard
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
- G08G1/09685—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route where the complete route is computed only once and not updated
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Social Psychology (AREA)
- Game Theory and Decision Science (AREA)
Abstract
提供一種與目標路線相關的ETA確定方法。所述方法包括獲取與使用者相關的目標路線;確定與所述目標路線相關的特徵資料,所述特徵資料包括對應於至少部分的所述目標路線的第一特徵資料;獲取預估模型,所述預估模型包括第一子模型以及第二子模型;根據所述第一特徵資料以及所述第一子模型,確定第一單元狀態資料以及第一隱藏狀態資料;根據所述第一單元狀態資料以及所述第一隱藏狀態資料確定第一向量;根據所述第一向量以及所述第二子模型確定第二單元狀態資料以及第二隱藏狀態資料;以及根據所述第二單元狀態資料以及所述第二隱藏狀態資料確定與所述目標路線相關的ETA。
Description
本申請涉及機器學習領域,特別涉及運用機器學習技術預估到達時間的方法以及系統。
本申請主張2017年6月22日遞交的申請號PCT/CN2017/089518的國際申請的優先權,其全部內容以引用方式被包含於此。
許多基於位置的服務及/或應用程式,例如Web地圖服務、導航服務以及線上隨選運輸服務,需要精確的預估到達時間(Estimated Time of Arrival,ETA)以提供服務。例如,地圖服務需要即時自動更新車輛的ETA,以向使用者提供地圖服務的駕駛導引、導航建議、定位資訊等資訊。
根據本申請的一個態樣,提供了一種系統。所述系統可以包括至少一個電腦可讀取儲存媒體,包括用來預估到達時間的一組指令;至少一個處理器,與所述至少一個電腦可讀取儲存媒體通訊,當執行所述一組指令時,所述至少一個處理器用於:獲取與使用者相關的目標路線;確定與所述目標路線相關的特徵資料,所述特徵資料包括對應於至少部分的所述目標路線的第一特徵資料;獲取用來預估到達時間的預估模型,所述預估模型包括第一子模型
以及第二子模型;根據所述第一特徵資料以及所述第一子模型,確定第一單元狀態資料以及第一隱藏狀態資料;根據所述第一單元狀態資料以及所述第一隱藏狀態資料,確定第一向量;根據所述第一向量以及所述第二子模型,確定第二單元狀態資料以及第二隱藏狀態資料;以及根據所述第二單元狀態資料以及所述第二隱藏狀態資料確定與所述目標路線相關的預估到達時間(ETA)。
根據本申請的另一個態樣,提供了一種方法。所述方法可以包括,通過處理器獲取與使用者相關的目標路線;由所述處理器確定與所述目標路線相關的特徵資料,所述特徵資料可以包括與對應於至少部分的所述目標路線的第一特徵資料;由所述處理器獲取用來預估到達時間的預估模型,所述預估模型包括第一子模型以及第二子模型;根據所述第一特徵資料以及所述第一子模型,由所述處理器確定第一單元狀態資料以及第一隱藏狀態資料;根據所述第一單元狀態資料以及所述第一隱藏狀態資料,由所述處理器確定第一向量;根據所述第一向量以及所述第二子模型,由所述處理器確定第二單元狀態資料以及第二隱藏狀態資料;以及根據所述第二單元狀態資料以及所述第二隱藏狀態資料,由所述處理器確定與所述目標路線相關的預估到達時間(ETA)。
本申請的另一個態樣,提供了一種系統。所述系統可以包括路線獲取模組,用於獲取以及使用者相關的目標路線;特徵提取模組,用於提取與所述目標路線相關的特徵資料,其中所述特徵資料可以包括對應於至少部分的所述目標路線的第一特徵資料;時間預估模組用於:獲取用於預估到達時間的預估模型,所述預估模型可以包括第一子模型以及第二子模型;根據所述第一特徵資料以及所述第一子模型,確定第一單元狀態資料以及第一隱藏狀態資料;根據所述第一單元狀態資料以及所述第一隱藏狀態資料,確定第一向量;根據所述第一向量以及所述第二子模型,確定第二單元狀態資料以及第二隱藏
狀態資料;根據所述第二單元狀態資料以及所述第二隱藏狀態資料確定與所述目標路線相關的預估到達時間(ETA)。
在一些實施例中,所述系統可以進一步包括用於生成所述預估模型的模型確定模組。
本申請的另一個態樣,提供了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,包括至少一組指令,所述指令用於發起終端以及隨選運輸平臺之間的連接,其中當所述一組指令被電子終端的至少一個處理器執行時,所述一組指令引導所述至少一個處理器執行以下行為:獲取與使用者相關的目標路線;確定與所述目標路線相關的特徵資料,所述特徵資料包括對應於至少部分的所述目標路線的第一特徵資料;獲取用來預估到達時間的預估模型,所述預估模型包括第一子模型以及第二子模型;根據所述第一特徵資料以及所述第一子模型,確定第一單元狀態資料以及第一隱藏狀態資料;根據所述第一單元狀態資料以及所述第一隱藏狀態資料,確定第一向量;根據所述第一向量以及所述第二子模型,確定第二單元狀態資料以及第二隱藏狀態資料;以及根據所述第二單元狀態資料以及所述第二隱藏狀態資料確定與所述目標路線關的預估到達時間(ETA)。
在一些實施例中,所述第一子模型可以包括長短期記憶(long short term memory,LSTM)神經網路模型。
在一些實施例中,所述第二子模型可以包括長短期記憶(LSTM)神經網路模型。
在一些實施例中,所述特徵資料可以進一步包括與所述目標路線相關的第二特徵資料,並且所述方法可以進一步包括根據所述第一單元狀態資料、所述第一隱藏狀態資料以及所述第二特徵資料,確定所述第一向量。
在一些實施例中,所述預估模型可以進一步包括第三子模型,
以及與所述目標路線相關的所述ETA的確定,與所述目標路線相關的所述ETA的確定可以進一步包括根據所述第二單元狀態資料以及所述第二隱藏狀態資料確定第二向量;以及根據所述第二向量以及所述第三子模型確定與所述目標路線相關的所述ETA。
在一些實施例中,所述第三子模型可以包括多層感知器(multi-layer perceptron,MLP)神經網路模型。
在一些實施例中,與至少部分的所述目標路線相關的所述第一特徵資料可以包括與至少部分的所述目標路線相關的至少一個速度資料;至少部分的所述目標路線的起始點;至少部分的所述目標路線的終點;至少部分的所述目標路線的距離;與至少部分的所述目標路線相關的交通資料;與至少部分的所述目標路線相關的時間資料;或者與至少部分的所述目標路線相關的出行方式。
在一些實施例中,與所述目標路線相關的所述第二特徵資料可以包括與所述目標路線相關的速度資料、所述目標路線的起始位置、所述目標路線的目的地、所述目標路線的距離、與所述目標路線相關的交通資料、與所述目標路線相關的時間資料、或者與所述目標路線相關的出行方式中的至少一個。
在一些實施例中,所述方法可以進一步包括獲取多個歷史路線以及與所述多個歷史路線相關的歷史到達時間資料;確定所述多個歷史路線中的每個歷史路線的歷史特徵資料,其中所述歷史特徵資料可以包括對應於至少部分的所述多個歷史路線中的所述每個歷史路線的第一訓練特徵資料;以及根據所述第一訓練特徵資料以及所述多個歷史路線相關的所述歷史到達時間資料,生成所述預估模型。
在一些實施例中,所述歷史特徵資料可以進一步包括與所述多
個歷史路線中的所述每個歷史路線對應的第二訓練特徵資料,所述方法可以進一步包括至少部分根據所述第二訓練特徵資料,生成所述預估模型。
在一些實施例中,所述方法可以進一步包括獲取所述多個歷史路線的結束時間;根據所述多個歷史路線的結束時間的時間順序,排列所述多個歷史路線;以及根據排列後的所述多個歷史路線,生成所述預估模型。
在一些實施例中,為了生成所述預估模型,所述方法可以進一步包括從所述多個歷史路線中,識別一個或多個第一訓練路線以及一個或多個第二訓練路線;提取與所述一個或多個第一訓練路線相關的第一歷史特徵資料以及第一歷史到達時間資料;根據所述第一歷史特徵資料以及所述第一歷史到達時間確定第一ETA確定模型;提取與所述一個或多個第二訓練路線相關的第二歷史特徵資料以及第二歷史到達時間資料;以及根據所述第二歷史特徵資料以及所述第二歷史到達時間,修正所述第一ETA確定模型,以確定第二ETA確定模型。根據所述第一ETA確定模型或所述第二ETA確定模型中的至少一個,判斷匹配條件是否滿足;以及響應於判斷所述匹配條件被滿足,則確定所述第二ETA確定模型為所述預估模型。在一些實施例中,所述方法進一步包括根據所述第一ETA確定模型或所述第二ETA確定模型中的至少一個,確定損失函數;判斷所述損失函數是否收斂於第一值;
在一些實施例中,所述方法可以進一步包括,從所述多個歷史路線中,選擇一個或多個第三歷史路線;提取與所述一個或多個第三歷史路線相關的第三歷史特徵資料以及第三歷史到達時間資料;確定與所述一個或多個第三歷史路線相關的歷史到達時間預估資料;根據與所述一個或多個第三歷史路線相關的所述歷史到達時間,確定誤差;判斷所述誤差是否小於第二數值。
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查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對以下描述的具體實施例的各種態樣的方法、手段以及組合的實踐或使用得以實現以及得到。
100:隨選服務系統
110:伺服器
112:處理引擎
120:網路
120-1:網際網路交換點
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
160:定位系統
160-1:衛星
160-2:衛星
160-3:衛星
200:計算裝置
210:內部通信匯流排
220:處理器
230:唯讀記憶體
240:隨機存取記憶體
250:通訊埠
260:I/O
270:硬碟
300:處理器
310:路線獲取模組
312:目標路線獲取單元
314:歷史路線獲取單元
320:特徵提取模組
322:第一特徵提取單元
324:第二特徵提取單元
330:模型確定模組
332:對比單元
334:修正單元
340:時間預估模組
342:模型獲取單元
344:狀態資料確定單元
346:ETA確定單元
400:流程
410:步驟
420:步驟
430:步驟
500:流程
510:步驟
520:步驟
530:步驟
540:步驟
550:步驟
560:步驟
570:步驟
575:輸入門
580:遺忘門
590:輸出門
600:流程
610:步驟
620:步驟
630:步驟
700:流程
710:步驟
720:步驟
730:步驟
740:步驟
750:步驟
760:步驟
770:步驟
780:步驟
790:步驟
800:行動裝置
810:通信平臺
820:顯示器
830:圖形處理單元
840:中央處理器
850:I/O
860:記憶體
870:移動作業系統
880:應用程式
890:儲存器
在此處所提供的圖式是為了進一步理解本申請,並構成本申請的一部分。本申請的示意性實施例及其說明用於解釋本申請,但並不作為對本申請的限定。圖中,同一參考符號表示相同的部件。
圖1係根據本申請的一些實施例所示的隨選運輸服務的示例性系統的方塊圖;圖2係根據本申請的一些實施例所示的示例性計算裝置的方塊圖;圖3A係根據本申請的一些實施例所示的用於預估到達時間的示例性處理器的方塊圖;圖3B係根據本申請的一些實施例所示的示例性路線獲取模組的方塊圖;圖3C係根據本申請的一些實施例所示的示例性特徵提取模組的方塊圖;圖3D係根據本申請的一些實施例所示的示例性模型獲取模組的方塊圖;圖3E係根據本申請的一些實施例所示的示例性時間預估模組的方塊圖;圖4係根據本申請的一些實施例所示的用於確定與目標路線相關的預估到達時間的示例性流程的流程圖;圖5A係根據本申請的一些實施例所示的用於確定與目標路線相
關的預估到達時間的另一示例性流程的流程圖;圖5B係根據本申請的一些實施例所示的示例性LSTM方塊的方塊圖;圖6係根據本申請一些實施例所示的用於確定預估模型的示例性流程的流程圖;圖7係根據本申請一些實施例所示的確定預估模型的另一種示例性流程的流程圖;以及圖8係根據本申請的一些實施例所示的示例性可行動裝置的示意圖。
下述描述是為了使本領域普通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。對於本領域的普通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書中所示,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,雖然本申請系統以及方法描述的主要是關於分配一組可分享的訂單,應該理解的是,這只是一個示例性的實施例。本申請的系統或方法可以用於任何其他類型的隨選服務。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,術語「乘客」和「乘客終端」可以交換使用,而且術語「司機」和「司機終端」可以交換使用。
在本申請中,術語「服務」、「請求」、「服務請求」和可以交換使用,其表示由乘客、請求者、服務請求者、客戶、司機、提供者、服務提供者、供應方或類似物或其任意組合所發起的請求。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、供應方中的任一個接受。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。
本申請的一態樣涉及用於確定與路線相關的預估到達時間(ETA)的線上系統以及方法。為此,系統可以首先獲取與服務請求者相關的路線;然後提取與該路線相關的特徵資料;接著,獲取用於確定預估到達時間的預估模型。然後,根據該預估模型以及該特徵資料,確定與路線相關的預估到達時間。由於該特徵資料包括對應於路線鏈路的特徵資料,它可以提高與路線相關的預估到達時間的準確性。
需要注意的是,線上隨選運輸服務,例如線上呼叫計程車(包括呼叫計程車結合服務),是只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,線上計程車允許一個使用者即時
地和自動地向與該使用者相距一段距離的大量的個別服務提供者(例如,計程車)分配服務請求。它同時允許複數個服務提供者同時地和即時地對該服務請求進行回應。因此,通過網際網路,所述線上隨選運輸系統可以為使用者和服務提供者提供一個更加高效的交易平臺,這在傳統的網際網路時代之前的運輸服務系統中是無法達到的。當系統從乘客處接收到訂單,該系統可以確定與該訂單相關的預估到達時間。根據該預估到達時間,乘客可以規劃他或她的時間。根據預估到達時間,系統可以將該訂單與其他訂單結合到一起並且將該綁定後的結果發送給司機以使得訂單的分配更加合理。
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的方塊圖。例如,隨選服務系統100可以是一個針對交通服務,例如計程車呼叫服務、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、接駁服務的在線運輸服務平臺。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、一儲存器150以及定位系統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/或資料儲存器150直接連接,並且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可以在圖2中描述的包
含了一個或者多個元件的計算裝置200上執行。
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伺服器110的一個或者多個功能。例如,處理引擎112可以用來獲取多個歷史隨選服務並且確定到達指定位置的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可包括一中央處理器(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、儲存器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接收服務請求。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的使用者可以為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 Glass、Oculus Rift、HoloLens或Gear VR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。例如,儲存器150可以儲存多個歷史路線以及與特定區域相相關的地圖資料。在一些實施例中,儲存器150可包括一大容量儲存器、可抽取式儲存器、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,資料儲存器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可包括一大容量儲存器、可抽取式儲存器、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,資料儲存器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。
定位系統160可以確定與物件相關的資訊,物件可以是,例如,一個或多個服務請求者終端130,提供者終端140等。資訊可以包括位置、海拔、速度或物件的加速度或當前時間。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可以是全球定位系統(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。位置可以是座標的形式,例如,緯度以及經度等。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以及衛星160-3。衛星160-1至160-3可以單獨地或共同地確定上述資訊。衛星定位系統160可以通過無線連接向網路120、請求者終端130或提供者終端140發送上述資訊。
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)可以被允許存取儲存器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/或公共相關聯的資訊。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可行動終端上的軟體、程式、系統或類似物或其任意組合。可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。
本領域普通具有通常知識者應當理解,當隨選服務系統100中的一個元件進行操作時,該元件可以通過電訊號及/或電磁訊號執行操作。例如,當請求者終端130處理任務時,例如確定、修改或者選擇物件時,請求者終端130可以運行其中處理器中的邏輯電路來執行此種任務。當服務請求者終端130向伺服器110發出服務請求時,服務請求者終端130的處理器可以產生編碼請求的電訊號。然後,服務請求者終端130的處理器可以將電訊號發送至一個輸出埠。如果服務請求者終端130通過有線網路與伺服器110通訊,則輸出埠可以物理連接至纜線,所述纜線可以進一步將電訊號傳輸至伺服器110的一個輸入埠。如果服務請求者終端130通過無線網路與伺服器110通訊,服務請求者終端130的輸出埠可以是一個或多個天線,所述天線可以將電訊號轉換為電磁訊號。相似地,服務提供者終端140可以通過其中處理器中的邏輯電路的操作來處理任務,以及通過電訊號或電磁訊號從伺服器110接收指令及/或服務請求。
在電子裝置中,如服務請求者終端130、服務提供者終端140及/或伺服器110,當其處理器處理指示、發出指令及/或執行操作時,指令及/或操作通過電訊號來執行。例如,當處理器從儲存媒體檢索或獲取資料時,可以將電訊號發送給儲存媒體的讀/寫裝置,讀/寫裝置可讀取儲存媒體中的結構化資料或將結構化資料寫入儲存媒體中。結構化資料可以以電訊號的形式經由電子裝置的匯流排傳輸至處理器。此處,電訊號可以指一個電訊號、一系列電訊號及/或多個離散的電訊號。
圖2係根據本申請的一些實施例所示的計算裝置200的示例性硬體以及軟體元件的示意圖。伺服器110、請求者終端130及/或提供者終端140可以通過計算裝置200實現。例如,處理引擎112可以在計算裝置200上實施並執行本申請所揭露的處理引擎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
實現本申請的隨選系統。計算裝置200可以用於實現本申請描述的隨選服務的任意元件。例如,處理引擎112可以在計算裝置200上,通過其硬體、軟體程式、韌體,或其組合來執行。
計算裝置200,例如,可以包括連接到網路以及來自與其連接的網路的通訊埠250,以促進資料通訊。計算裝置200還可以包括用於執行程式指令的處理器220。示例性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以及資料儲存器,例如,硬碟270以及唯讀記憶體(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。示例性計算裝置也可以包括儲存於ROM 230、RAM 240及/或其他形式的非暫時性儲存媒體中的,可由處理器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施。計算裝置200還包括支援電腦以及其中的其他元件之間輸入/輸出的元件260。計算裝置200也可以通過網路通訊接收程式以及資料。
僅為說明,圖2中只描述了一個處理器。多個處理器也被考慮其中。因此如本申請中所描述的由一個處理器執行的操作及/或方法步驟也可以由多個處理器聯合或單獨執行。例如,如果在本申請中,計算裝置200的處理器執行步驟A以及步驟B,應當理解的是步驟A以及步驟B也可以由計算裝置200中的兩個不同的處理器共同或獨立執行(例如,第一處理器執行步驟A,第二處理器執行步驟B或者第一以及第二處理器共同執行步驟A以及步驟B)。
圖3A係根據本申請的一些實施例所示的用於預估到達時間的示例性處理器的方塊圖。處理器300可與電腦可讀取儲存器(例如,儲存器150、服務請求者終端130,或提供者終端140)通訊,且可執行儲存於電腦可讀取儲存媒體中的指令。在一些實施例中,處理器300可以包括路線獲取模組310、特徵提取模組320、模型確定模組330以及時間預估模組340。
路線獲取模組310可以獲取與使用者及/或多個歷史路線相關的
目標路線。在一些實施例中,目標路線可以與使用者(例如,乘客)經服務請求者終端130發佈的訂單相關。在一些實施例中,目標路線可以包括從一個位置到一個或多個其他位置的路線。在一些實施例中,歷史路線可以是已經完成的訂單。多個歷史路線與多個司機相關。在一些實施例中,歷史路線可以包括任何兩個位置之間的路線。路線獲取模組310可以通過請求者終端130或提供者終端140獲取目標路線或多個歷史路線。路線獲取模組310可以從儲存器150獲取歷史路線。
特徵提取模組320可以提取與路線(例如,目標路線或多個歷史路線)相關的特徵資料。與路線相關的特徵資料可以包括與路線的一個或多個鏈路相關的特徵資料。在一些實施例中,特徵資料也可以包括與整個路線相關的特徵資料。
模型確定模組330可以訓練預估模型來預估達到時間。例如,模型確定模組330可以根據多個歷史路線訓練預估模型來預估到達時間。
時間預估模組340可以確定預估到達時間(ETA)。例如,時間預估模組340可以根據預估模型確定與目標路線相關的ETA。
圖3B係根據本申請的一些實施例所示的示例性路線獲取模組310的方塊圖。路線獲取模組310可以包括目標路線獲取單元312以及歷史路線獲取單元314。
目標路線獲取單元312可以獲取與使用者相關的目標路線。目標路線可以包括從一個位置到一個或多個其他位置的路線。目標路線獲取單元312可以通過請求者終端130或提供者終端140獲取目標路線。
歷史路線獲取單元314可以獲取多個歷史路線。多個歷史路線可以包括任何兩個位置之間的路線。歷史路線獲取單元314可以從儲存器150獲取多個歷史路線。在一些實施例中,歷史路線獲取單元314可以從多個歷史路線
中獲取一個或多個第一訓練路線或一個或多個第二訓練路線。
圖3C係根據本申請的一些實施例所示的示例性特徵提取模組320的方塊圖。特徵提取模組320可以包括第一特徵提取單元322以及第二特徵提取單元324。
第一特徵提取單元322可以提取與目標路線相關的第一特徵資料或與多個歷史路線相關的第一訓練特徵資料。與目標路線相關的第一特徵資料可以包括目標路線的每一鏈路的對應的特徵。與多個歷史路線相關的第一訓練特徵資料可以包括多個歷史路線的每一鏈路對應的特徵資料。
第二特徵提取單元324可以獲取與目標路線相關的第二特徵資料以及與多個歷史路線相關的第二訓練特徵資料。與目標路線相關的第二特徵資料可以包括與整個目標路線相關的特徵資料。與多個歷史路線相關的第二訓練特徵資料可以包括與多個歷史路線的每一歷史路線相關的特徵資料。
圖3D係根據本申請的一些實施例所示的示例性模型確定模組330的方塊圖。模型確定模組330可以包括對比單元332以及修正單元334。
對比單元332可以將匹配結果以及預定值進行對比。例如,對比元件410可以將訓練預估模型期間生成的誤差或損失函數與預定值進行對比,以判斷是否完成訓練。
修正單元334可以修正預估模型的參數。在一些實施例中,預估模型可以包括第一子模型、第二子模型以及第三子模型。修正單元334可以修正對應於第一子模型的參數、對應於第二子模型的參數以及對應於第三子模型的參數。
圖3E係根據本申請的一些實施例所示的示例性時間預估模組340的方塊圖。時間預估模組340可以包括模型獲取單元342、狀態資料確定單元344,以及ETA確定單元346。
模型獲取單元342可以從儲存器150中獲取預估模型。
狀態資料確定單元344可以確定第一單元狀態資料、第一隱藏狀態資料、第二單元狀態資料以及第二隱藏狀態資料。在一些實施例中,狀態資料確定單元344可以根據與目標路線相關的第一特徵資料以及第一子模型確定第一單元狀態資料以及第一隱藏狀態資料。狀態資料確定單元344可以根據與目標路線相關的第二特徵資料以及第二子模型確定第二單元狀態資料以及第二隱藏狀態資料。
ETA確定單元346可以確定與目標路線相關的ETA。在一些實施例中,ETA確定單元346可以根據第二單元狀態資料、第二隱藏狀態資料以及第三子模型確定與目標路線相關的ETA。
圖4係根據本申請的一些實施例所示的用於確定與目標路線相關的預估到達時間的示例性流程400的流程圖。在一些實施例中,用於確定與目標路線相關的預估到達時間的流程400可在如圖1所示的系統100中實施。在一些實施例中,流程400可作為儲存於儲存器150中的一組或多組指令並由處理引擎112或處理器300調用及/或執行。在一些實施例中,流程400可在使用者終端及/或伺服器中實施。
在410,處理器300(例如,路線獲取模組310)可以獲取與目標路線相關的資訊。所述目標路線可以是從一個位置到一個或多個其他位置的路線。在一些實施例中,目標路線可以是使用者(例如,乘客)經請求者終端130發佈的訂單的路線。訂單可以包括起始位置以及目的地。目標路線可以為起始位置與目的地之間的路線。
在一些實施例中,與目標路線相關的資訊及/或資料可以包括起始位置、目的地、起始時間、目標路線的鏈路數量、目標路線的距離、與目標路線相關的時間資料、交通資料、與目標路線相關的使用者資料、與目標路線
相關的速度資料、與目標路線相關的出行方式資料等或其任意組合。目標路線的距離可以包括起始位置與目的地之間的距離。在一些實施例中,本申請中的兩個位置之間的距離可以指兩個位置之間的路線長度。時間資料可以包括年、月、日(例如,工作日、週末、假日)等。交通資料可以包括交通訊息、平均交通速度、載具流量等或其任意組合。與目標路線相關的使用者資料可以包括可提供與目標路線相關的服務的一個或多個使用者的資訊及/或資料,如可以完成與目標路線相關的服務訂單的司機。使用者資料可以包括,例如,使用者識別碼、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、駕駛執照號碼、認證狀態、使用者習慣/偏好(例如,駕駛速度)、額外服務能力(額外特徵如汽車行李箱的大小、全景天窗)等或其任意組合。與目標路線相關的速度資料可以包括目標路線的最大速度限制、目標路線的最小速度限制、與使用者相關的平均行駛速度。與出行方式相關的載具可以包括馬、馬車、人力車(例如,自行車、三輪車等)、汽車(例如,計程車、巴士、私人汽車等)、列車、地鐵、船隻、航空器(例如,飛機、直升飛機、太空船、火箭、熱氣球等)或類似物或其任意組合。與目標路線相關的資訊及/或資料可以儲存於一個或多個使用者終端(例如,一個或多個請求者終端130或一個或多個提供者終端140)中。在一些實施例中,與目標路線相關的資訊及/或資料可以儲存於儲存器150中。與目標路線相關的資訊及/或資料可以進一步地被伺服器110通過網路120存取。
在420,處理器300(例如,時間預估模組340中的模型獲取單元342)可以獲取預估模型,預估模型用於確定與目標路線相關的ETA。在一些實施例中,預估模型可以提前生成及/或訓練,並儲存在儲存裝置(例如,儲存器150)中。處理器300可以從儲存器150中獲取預估模型。可選地,預估模型可被即時訓練及/或更新。預估模型可以使用一種或多種機器學習技術來訓練。在
一些實施例中,預估模型可以通過執行圖6以及圖7中描述的一個或多個流程獲得。
在430,處理器300(例如,時間預估模組340)可以根據預估模型,確定與目標路線相關的ETA。在一些實施例中,處理器300可以確定針對目標路線的行駛時間。針對目標路線的行駛時間可以指從起始位置行駛到路線的目的地需要花費的總的時間。然後處理器300可以根據行駛時間以及與目標路線相關的起始時間來確定ETA。在一些實施例中,該起始時間可由使用者通過使用者終端指定。
在一些實施例中,處理器300可針對多個使用者(例如,可提供運輸服務的多個活躍司機)確定與訂單路線相關的ETA。根據與使用者相關的使用者資料(例如,不同司機的平均駕駛速度可能不同),可以為不同的使用者確定不同的ETA。例如,處理器300可以為相同目標路線的第一使用者以及第二使用者分別確定第一ETA以及第二ETA。當與第一使用者相關的第一駕駛速度(例如,平均駕駛速度)大於與第二使用者相關的第二駕駛速度時,第一ETA可能小於第二ETA。在一些實施例中,當不考慮與不同使用者相關的使用者資料時,處理器300可確定與目標訂單相關的ETA。
在一些實施例中,根據ETA,處理器300可以確定出合適的使用者(例如,司機)來完成目標訂單。在一些實施例中,處理器300可以確定與當前司機正在執行的訂單(本文中亦稱為「當前訂單」)的路線相關的ETA。
根據與當前訂單的路線相關的ETA,處理器300可以確定新訂單是否適合分配給當前司機來完成。
在一些實施例中,根據與兩個或兩個以上訂單中的至少一個訂單相關的至少一個ETA,處理器300可以確定兩個或兩個以上的訂單是否可以組合。例如,處理器300可以通過第一服務請求者以及第二服務請求者的終端分
別從第一服務請求者接收第一訂單以及從第二服務請求者接收第二訂單。第一訂單可以包括第一起始位置、第一目的地位置及第一起始時間。第二訂單可以包括第二起始位置、第二目的地位置及第二起始時間。第一起始時間早於第二起始時間。處理器300可以確定與第一起始位置與第一目的地之間的路線相關的第一ETA。處理器300還可確定與第二目的地與第二起始位置之間的路線相關的第二ETA。處理器300可根據第一ETA,或第二ETA,或兩者來確定是否組合第一訂單與第二訂單。若處理器300確定可將第一訂單與第二訂單組合,則處理器300可將第一訂單及第二訂單分配給同一司機。
圖5A是根據本申請的一些實施例所示的用於確定與目標路線相關的ETA的另一示例性流程的流程圖。在一些實施例中,流程500可以在圖1所示的系統100中執行。在一些實施例中,流程500可以作為儲存於儲存器150中的一個或多個指令並由處理引擎112或處理器300調用及/或執行。在一些實施例中,流程500可在使用者終端及/或伺服器中實施。
在510,處理器300(例如,路線獲取模組310)可以獲取與使用者相關的目標路線。在一些實施例中,目標路線可以包括從一個位置到一個或多個其他位置的路線。在一些實施例中,目標路線可與使用者(例如,乘客)經請求者終端130發佈的訂單相關。訂單可以包括起始位置以及目的地。處理器300可以根據起始位置以及目的地確定路線。
在520,處理器300(例如,特徵提取模組320)可以提取與目標路線相關的特徵資料。根據與目標路線相關的數位地圖資料(例如,目標路線的數位地圖),目標路線可被分成一個或多個鏈路。目標路線的每個鏈路可以是目標路線的一部分。在一些實施例中,根據一個或多個預定電腦實施規則,目標路線可被分為多個鏈路。在一些實施例中,使用不同技術,目標路線可以被分為多個鏈路。
在一些實施例中,目標路線的特徵資料可以包括第一特徵資料。特徵提取模組320中的第一特徵提取單元322可以提取與目標路線相關的第一特徵資料。與目標路線相關的第一特徵資料可以包括對應於每一鏈路的特徵資料。對應於鏈路的特徵資料可以包括鏈路的起始點、鏈路的結束點、與鏈路相關的識別資料(例如,標識)、與鏈路相關的一個或多個交通訊號燈、與鏈路相關的一個或多個交叉路口資料、鏈路的距離、與鏈路相關的時間資料、與鏈路相關的交通資料、與鏈路相關的使用者資料、與鏈路相關的速度資料、與鏈路相關的出行方式資料等或其任意組合。鏈路的識別資料可以包括可用於識別鏈路的任何資訊,如鏈路的獨特識別符。每一鏈路的距離可以包括從每一鏈路的起始點到結束點之間的距離。在一些實施例中,兩個位置之間的距離可以指兩個位置之間的路線長度。每一鏈路的時間資料可以包括年、月、日(例如,工作日、週末、假日)、時刻等。與每一鏈路相關的交通資料可包括堵塞狀況、平均交通速度、人流量、載具流量等或其任意組合。與每一鏈路相關的使用者資料包括可以完成與鏈路相關的訂單的使用者的資訊及/或資料。關於使用者的資訊及/或資料可以包括使用者識別符、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、駕駛執照號碼、認證狀態、使用者習慣/偏好(通常的駕駛速度)、額外服務能力(如汽車行李箱的大小、全景天窗等額外特徵)等或其任意組合。與每一鏈路相關的速度資料可以包括每一鏈路的最大速度限制、每一鏈路的最小速度限制、與每一鏈路中的使用者相關的平均行駛速度。與相關每一鏈路的出行方式相關的載具可以包括馬、馬車、人力車(例如,自行車、三輪車等)、汽車(例如,計程車、巴士、私人汽車等)、列車、地鐵、船隻、航空器(例如,飛機、直升飛機、太空船、火箭、熱氣球等)等或其任意組合。與每一鏈路相關的一個或多個交通訊號燈的資料可以包括鏈路的交通訊號燈的數量、鏈路的交通訊號
燈的狀態等。與每一鏈路相關的一個或多個交叉路口的資料可以包括鏈路的交叉路口的數量、鏈路的交叉路口的交通資料等。
在一些實施例中,目標路線的第一特徵資料可以是對應於目標路線的每一鏈路的特徵資料按照時間順序組成的時間序列。
在一些實施例中,特徵資料可以進一步包括第二特徵資料。在特徵提取模組320中的第二特徵提取單元324可以提取與目標路線相關的第二特徵資料。目標路線的第二特徵資料可以包括整個目標路線的特徵資料。例如,第二特徵資料可以包括目標路線的起始位置、目標路線的目的地、目標路線的距離,與目標路線相關的一個或多個交通訊號燈的資料、目標路線的鏈路數量、目標路線中的一個或多個交叉路口的資料、與目標路線相關的時間資料、交通資料、與目標路線相關的使用者資料、與目標路線相關的速度資料、與目標路線相關的出行方式資料或類似物或其任意組合。目標路線的距離可以指目標路線的起始位置與目的地之間的距離。與目標路線相關的時間資料可以包括年、月、日(例如,工作日、週末、假日)、時刻等。與目標路線相關的交通資料可以包括交通訊息、平均交通速度、載具流量等或其任意組合。與目標路線相關的使用者資料可以包括可提供與目標路線相關的服務的一個或多個使用者的資訊及/或資料,如可以完成與目標路線相關的服務訂單的司機。與目標路線相關的使用者資料可以包括,例如,使用者識別碼、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、執照號碼、認證狀態、使用者習慣/偏好、額外服務能力(額外特徵如汽車行李箱的大小、全景天窗)等或其任意組合。與目標路線相關的速度資料可以包括目標路線的最大速度限制、目標路線的最小速度限制、與目標路線中的使用者相關的平均行駛速度。與目標路線相關的出行方式相關的載具可以包括馬、馬車、人力車(例如,自行車、三輪車等)、汽車(例如,計程車、巴
士、私人汽車)、列車、地鐵、船隻、航空器(例如,飛機、直升飛機、太空船、火箭、熱氣球)等或其任意組合。與目標路線相關的一個或多個交通訊號燈的資料可以包括目標路線中的交通訊號燈數量、目標路線中的交通訊號燈狀態等。與目標路線相關的一個或多個交叉路口的資料可以包括目標路線中的交叉路口的數量、目標路線中的交叉路口的交通資料等。
在530,處理器300(例如,時間預估模組340中的模型獲取單元342)可以獲取預估模型。在一些實施例中,預估模型可以通過執行圖6以及圖7中描述的一個或多個操作獲得
在一些實施例中,預估模型可以包括第一子模型以及第二子模型。第一子模型及/或第二子模型可以包括迴圈神經網路模型、卷積神經模型、隱藏馬可夫模型、感知器神經網路模型、霍普菲爾網路模型、自組織映射(self-organizing map,SOM)或學習向量量化(learning vector quantization,LVQ)等或其任意組合。迴圈神經網路模型可以包括長短期記憶(LSTM)神經網路模型、分層迴圈神經網路模型、雙向迴圈神經網路模型、第二序列迴圈神經網路模型、全迴圈網路模型、回聲狀態網路模型、多時間尺度迴圈神經網路(multiple timescales recurrent neural network,MTRNN)模型等。在一些實施例中,第一子模型可以與第二子模型不同。在一些實施例中,第一子模型可以與第二子模型相同。例如,第一子模型以及第二子模型都可以包括長短期記憶神經網路模型。
LSTM神經網路模型可以根據LSTM神經網路模型的一組參數,接收特徵向量的輸入序列並且為輸入序列生成輸出序列。LSTM神經網路模型的一組參數可以通過執行圖6以及圖7中描述的一個或多個操作被訓練。
圖5B示出了LSTM的示例性方塊圖。在一些實施例中,LSTM神經網路模型可以包括一個或多個LSTM模組,為了清楚起見,圖5B僅示出了一
個LSTM模組。在一些實施例中,LSTM模組可以包括輸入門575、遺忘門580以及輸出門590。LSTM模組可以接收xt、LSTM輸出ht-1以及單元狀態值ct-1。
LSTM模組可以生成LSTM輸出ht以及為xt的單元狀態值ct。在一些實施例中,xt可以是對應於目標路線的第t條鏈路的特徵資料。LSTM輸出ht-1可以是對應於目標路線的第(t-1)條鏈路的LSTM模組的輸出。單元狀態值c t-1 可以是對應於目標路線的第(t-1)條鏈路的單元狀態值。在一些實施例中,x t 可以是向量。在一些實施例中,向量可以是單元狀態值以及LSTM輸出的結合。在一些實施例中,向量可以是對應於目標路線的單元狀態值、LSTM輸出、以及第二特徵資料的組合。
一些實施例中,LSTM神經網路模型可以根據方程(1)-(3)確定所述單元狀態值c t ,以及根據以下所述方程(1)-(5)確定所述LSTM輸出h t :i t =σ(W i x t +W i h t-1 +b i ) (1)
f t =σ(W f x t +W f h t-1 +b f ) (2)
c t =f t c t-1 +i t ×tanh(W c x t +W c h t-1 +b c ) (3)
o t =σ(W o x t +W f h t-1 +b o ) (4)
h t =o t ×tanh(c t ) (5)其中i t 表示輸入門的結果,f t 表示遺忘門的結果,ot表示輸出門的結果,c t 表示對應於x t 的單元狀態值,c t-1 表示對應於x t-1 的單元狀態值,σ表示sigmoid函數,tanh表示雙曲正切函數,符號「+」表示元素添加操作,符號「×」表示元素乘法,W i 、W f 、W c 以及W o 是LSTM模組的權重矩陣,b i 、b f 、b c 以及b o 是偏差參數。在一些實施例中,LSTM神經網路模型的一組參數可以包括偏差參數以及權重矩陣。
在540,處理器300(例如,時間預估模組340中的狀態資料確定
單元344)可以根據第一子模型以及第一特徵資料確定第一單元狀態資料以及第一隱藏狀態資料。在一些實施例中,處理器300可以根據第一子模型處理第一特徵資料以輸出第一單元狀態資料以及第一隱藏狀態資料。更具體地說,例如,對應於目標路線的多個鏈路的特徵資料可以按照從起始位置到目的地的時間序列輸入到第一子模型中。
在一些實施例中,可以基於多個鏈路的標識,使用第一子模型(例如,長短期記憶(LSTM)神經網路模型),按照確定的順序,處理對應於目標路線的多個鏈路的特徵資料。例如,目標路線的每一鏈路可以擁有一個標識(例如,特定的建築物或監控裝置)。與目標路線的多個鏈路相關的時間順序可以根據載具經過多個鏈路中的每個鏈路相關的特定的建築物或監控裝置的每個時間點來確定。處理器300可以通過處理對應於目標路線的第一鏈路(x 1 )、初始隱藏狀態資料h 0 、初始單元狀態資料c 0 的特徵資料,使用第一子模型生成第一輸出h 1 以及第一單元狀態值c 1 。第二子模型中的初始隱藏狀態資料h 0 及/或初始單元狀態資料c 0 可以是通過隨選服務系統100設置的預設資料或通過隨選服務系統100的操作員設置的預設資料。然後,對應於目標路線的第二鏈路(x 2 )、第一單元狀態值c 1 以及第一輸出h1的特徵資料可以輸入第一子模型中以生成第二輸出h 2 以及第二單元狀態值c 2 。第一輸出h 1 以及第二輸出h 2 可以根據方程(1)-(5)確定。第一單元狀態值c 1 以及第二單元狀態值c 2 可以根據方程(1)-(3)確定。目標路線的其他鏈路的特徵資料可以用類似方式進行處理。目標路線可以包括N條鏈路。N是從1到100的整數或者大於100的整數。N的值可以是10、20、30等。當對應於目標路線的最後一個鏈路(x N )、第(N-1)個單元狀態值(c N-1 )以及第(N-1)個輸出(h N-1 )的特徵資料被輸入第一子模型中,可以生成第一子模型的最後輸出(h N )以及第一子模型的最後一個單元狀態值(c N )。在一些實施例中,第一隱藏狀態資料可以是第一子模型的
最後一個輸出(h N ),第一單元狀態資料可以是第一子模型的最後一個單元狀態值(c N )。
在550,處理器300可以根據第一單元狀態資料以及第一隱藏狀態資料,確定第一向量。在一些實施例中,第一向量可以是組合第一單元狀態資料以及第一隱藏狀態資料確定的向量。第一向量也可以根據對應於目標路線的第二特徵資料確定。
在560,處理器300(例如,時間預估模組340中的狀態資料確定單元344)可以根據第一向量以及第二子模型確定第二單元狀態資料以及第二隱藏狀態資料。第二子模型可以是包括一個LSTM模組的LSTM神經網路模型,如圖5B所示。在一些實施例中,處理器300可以通過處理第一向量產生第二單元狀態資料以及第二隱藏狀態資料,第一向量是使用第二子模型產生的。在一些實施例中,第二子模型可以接收初始隱藏狀態資料(標記為h' 0 )以及初始單元狀態資料(標記為c' 0 )。在第二子模型中的初始隱藏狀態資料h' 0 及/或初始單元狀態資料c' 0 可以是通過隨選服務系統100設置的預設資料或通過隨選服務系統100的操作員設置的預設資料。僅作為示例,處理器300可以通過處理第一向量、初始隱藏狀態資料h' 0 、以及初始單元狀態資料c' 0 ,生成第二子模型的輸出(例如,標記為h' 1 )以及第二子模型的單元狀態值(例如,標記為c' 1 )。第二子模型的輸出可以根據方程(1)-(5)確定。第二子模型的單元狀態值可以根據方程(1)-(3)確定。第一向量可以以x' 1 輸入。第二隱藏狀態資料可以是第二子模型的輸出(h' 1 )。第二單元狀態資料可以是第二子模型的單元狀態值(c' 1 )。
在570,處理器300(例如,時間預估模組340中的ETA確定單元346)可以根據第二單元狀態資料以及第二隱藏狀態資料確定與目標路線相關的ETA。在一些實施例中,預估模型可以包括第三子模型。處理器300可以將在
550中生成的第二單元狀態資料以及第二隱藏狀態資料組合到第二向量中。處理器300可以向第三子模型中輸入第二向量,以確定與目標路線相關的ETA。在一些實施例中,處理器300可以根據第二單元狀態資料以及第二隱藏狀態資料,首先確定從目標路線的起始位置到目的地的行駛時間。然後,處理器300可以根據與目標路線相關的行駛時間以及起始時間確定ETA。
圖6係根據本申請一些實施例所示的一種確定預估模型的示例性流程600的流程圖。在一些實施例中,流程600可以在圖1所示的系統100中執行。在一些實施例中,流程600可以作為儲存於儲存器150中的一個或多個指令,並由處理引擎112或處理器300調用及/或執行。在一些實施例中,流程600可在使用者終端及/或伺服器中實施。
在610,處理器300(例如,路線獲取模組310中的歷史路線獲取單元314)可以獲取多個歷史路線。歷史路線在本文中也可以被稱為訓練路線。在一些實施例中,處理器300可以從儲存器150獲取多個歷史路線。多個歷史路線中的每個歷史路線可以包括從一個位置到一個或多個其他位置的路線。
在一些實施例中,多個歷史路線可以根據一個或多個歷史訂單獲取。在一些實施例中,歷史訂單可與線上服務平臺的特定使用者相關(例如,運輸服務平臺中的一定數量的司機、在特定時間可提供服務的司機)。多個歷史路線可以包括一定時間週期內的路線,例如,最近兩個月、最近六個月、最近十個月、最近一年、最近兩年。多個歷史路線可以包括週末或工作日的路線。再例如,多個歷史路線可以包括處於一天中給定時間段(例如,早晨、下午、夜晚)的訂單。多個歷史路線可以包括在一個或多個特定位置(例如,城市、城市的行政區域)的路線。在一些實施例中,與每個訓練路線相關的鏈路的數量可以滿足一個或多個條件。例如,鏈路的數量可以小於第一臨界值。再例如,鏈路的數量可以大於第二臨界值。又例如,鏈路的數量可在一定範圍(例如,第一臨界
值與第二臨界值之間的範圍)之內。還例如,與每個訓練路線相關的鏈路的最大數量以及與訓練路線相關的鏈路的最小數量之間的差值不超過預設臨界值。
預設臨界值可以為任何合理的值。
處理器300可以從儲存器150,獲取關於多個歷史路線的資訊及/或資料。與多個歷史路線相關的資訊及/或資料還可由伺服器110經網路120存取。在一些實施例中,與多個歷史路線相關的資訊及/或資料可儲存於使用者終端(例如,請求者終端130或提供者終端140)中。例如,與多個歷史路線相關的資訊及/或資料,通常可被生成並記錄於基於位置服務(location-based service,LBS)的應用程式(例如,服務提供程式、駕駛程式、地圖程式、導航程式、社交媒體程式)中。再例如,與多個歷史路線相關的資訊及/或資料可以由LBS應用程式下載的歷史地圖資料進行記錄。
在一些實施例中,與多個歷史路線的每個歷史路線相關的資訊及/或資料可以包括歷史路線的特徵資料(本文中也稱為「歷史特徵資料」)。
歷史特徵資料可以包括對應於與多個歷史路線每個歷史線路相關的路線的一個或多個鏈路的特徵資料(本文中也稱為「第一訓練特徵資料」)。與歷史路線相關的第一訓練特徵資料可以包括與歷史路線的每個鏈路對應的特徵資料。對應於歷史路線的鏈路的特徵資料可以包括歷史路線的鏈路相關的起始點以及歷史路線的鏈路的終點。對應於鏈路的特徵資料可以包括與歷史路線的鏈路相關的標識資料(例如,識別字)、與歷史路線的鏈路相關的一個或多個交通訊號燈資料、與歷史路線的鏈路相關的一個或多個交叉路口資料、與歷史路線的鏈路相關的時間資料、與歷史路線的鏈路相關的交通資料、與歷史路線的鏈路相關的使用者資料、歷史路線的鏈路的距離、與歷史路線的鏈路相關的速度資料、與歷史路線的鏈路相關的出行方式等或其任意組合。歷史路線的鏈路的標識資料可以包括用於識別歷史路線的鏈路的任何資訊,例如歷史路線的鏈路的
唯一標識。與歷史路線的每一鏈路相關的時間資料可以包括年、月、日(例如,工作日、週末、假日)等。與歷史路線的每一鏈路相關的交通資料可以包括交通訊息、平均交通速度、載具流量等或其任意組合。與歷史路線的每一鏈路相關的使用者資料可以包括使用者的資訊及/或資料,該使用者可以完成與歷史路線的鏈路相關的訂單。使用者的資訊及/或資料可以包括身份識別符、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、執照號碼、認證狀態、使用者習慣/偏好(例如,駕駛速度)、額外服務能力(如汽車行李箱的大小、全景天窗等額外特徵)等或其任意組合。歷史路線的每一鏈路的距離可以包括從歷史路線的每一鏈路的起始點到結束點之間的距離。在一些實施例中,本申請中的兩個位置之間的距離可以指兩個位置之間的路線長度。與歷史路線的每一鏈路相關的速度資料可以包括歷史路線的每一鏈路的最大速度限制以及歷史路線的每一鏈路的最小速度限制、與歷史路線的每一鏈路中的使用者相關的平均駕駛速度。與歷史路線的每一鏈路相關的出行方式相關的載具可以包括馬、馬車、人力車(例如,自行車、三輪車等)、汽車(例如,計程車、巴士、私人汽車等)、列車、地鐵、船隻、航空器(例如,飛機、直升飛機、太空船、火箭、熱氣球等)等或其任意組合。與歷史路線的每一鏈路相關的交通訊號燈的資料可以包括鏈路的交通訊號燈的數量、鏈路的交通訊號燈的狀態等。與歷史路線的每一鏈路相關的一個或多個交叉路口資料可以包括歷史路線相關的鏈路的交叉路口數量、歷史路線的鏈路的交叉路口的交通資料等。
在一些實施例中,歷史特徵資料也可以包括與多個歷史路線中的每個歷史路線相關的特徵資料(本文中也稱為「第二訓練特徵資料」)。與歷史路線相關的第二訓練特徵資料可以包括歷史路線的起始位置、歷史路線的目的地、與歷史路線相關的一個或多個交通訊號燈的資料、歷史路線的鏈路數
量、歷史路線中的一個或多個交叉路口的資料、與歷史路線相關的時間資料、交通資料、與歷史路線相關的使用者資料、歷史路線的距離、與歷史路線相關的速度資料、與歷史路線相關的出行方式資料等或其任意組合。時間資料可以包括年、月、日(例如,工作日、週末、假日),時刻等。交通資料可以包括交通訊息、平均交通速度、載具流量或類似物或其任意組合。與歷史路線相關的使用者的資料可以包括可以駕駛載具完成目標路線的使用者的資訊及/或資料,例如,使用者識別符、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、執照號碼、認證狀態、使用者習慣/偏好(例如,駕駛速度)、額外服務能力(如汽車行李箱的大小、全景天窗等額外特徵)等或其任意組合。歷史路線的距離可以包括歷史路線的起始位置與目的地之間的距離。與歷史路線相關的速度資料可以包括歷史路線的最大速度限制、歷史路線的最小速度限制、歷史路線中與使用者相關的平均行駛速度。與出行方式相關的載具可以包括馬、馬車、人力車(例如,自行車、三輪車等)、汽車(例如,計程車、巴士、私人汽車等)、列車、地鐵、船隻、航空器(例如,飛機、直升飛機、太空船、火箭、熱氣球等)或類似物或其任意組合。一個或多個交通訊號燈的資料可以包括交通訊號燈的數量、交通訊號燈的狀態等。一個或多個交叉路口的資料可以包括交叉路口的數量、交叉路口的交通資料等。
處理器300還可以獲取與多個歷史路線中的每個歷史路線相關的到達時間(本文中也稱為「歷史到達時間資料」)。與多個歷史路線的每一歷史路線相關的到達時間資料可以是完成歷史路線的實際時間。
在620,處理器300可以根據多個歷史路線的資料生成訓練資料。在一些實施例中,訓練資料可以包括與訓練路線相關的歷史特徵資料以及歷史到達時間資料。在630,處理器300(例如,模型確定模組330)可以根據
訓練資料生成預估模型。在一些實施例中,多個訓練路線可以用於以隨機順序訓練預估模型。在一些實施例中,多個訓練路線可以用於按照多個訓練路線的結束時間的時間順序,訓練預估模型。訓練路線的結束時間可以是訓練路線完成時的時間點。例如,處理器300可以進一步包括排序模組。處理器300(例如,排序模組)可以在獲取多個訓練路線後,根據訓練路線的結束時間的時間順序排列訓練路線。處理器300然後可以使用按照訓練路線的結束時間排序後的訓練路線,回饋以及訓練初始模型,以生成預估模型。可選地,610中,處理器300可以根據多個歷史路線的結束時間,獲取多個歷史路線。然後,處理器300可以根據得到的時間,使用訓練路線回饋以及訓練初始模型,以生成預估模型。僅作為示例,擁有較早結束時間的訓練路線的歷史特徵資料可以比擁有較晚結束時間的訓練路線的歷史特徵資料,更早地被輸入到初始模型中。
圖7係根據本申請的一些實施例所示的一種確定預估模型的示例性流程的流程圖。在一些實施例中,用來確定預估模型的流程700可以在圖1所示的系統100中執行。在一些實施例中,流程700可以作為儲存於儲存器150中的一個或多個指令,並由處理引擎112或處理器300調用及/或執行。在一些實施例中,流程700可在使用者終端及/或伺服器中實施。
在710,處理器300(例如,路線獲取模組310中的歷史路線獲取單元314)可以獲取多個歷史路線。例如,通過執行描述的與步驟610相連的一個或多個步驟。
在720,處理器300(例如,路線獲取模組310中的歷史路線獲取單元314)可以根據多個歷史路線,獲取一個或多個第一訓練路線。在一些實施例中,處理器300可以從多個歷史路線中選擇一個或多個路線作為第一訓練路線。例如,處理器300可以從多個歷史路線中選擇特定時間段(例如,一年、一個月、一天)發生的一個或多個路線作為第一訓練路線。每一歷史路線
可以對應一個結束時間。在一些實施例中,處理器300可以在獲取多個歷史路線後,根據歷史路線的結束時間的時間順序,排列多個歷史路線。第一訓練路線可以是對應於多個最早結束時間的路線。例如,多個歷史路線的結束時間在時間週期A、B、C內。時間週期A比時間週期B要早,以及時間週期B比時間週期C要早。第一訓練路線可以包括對應於時間週期A的路線。
在730,處理器300(例如,特徵提取模組320)可以提取與一個或多個第一訓練路線相關的第一歷史特徵資料以及第一歷史到達時間資料。在一些實施例中,第一歷史特徵資料可以包括對應於一個或多個第一訓練路線中的每個路線的一個或多個鏈路的特徵資料。在一些實施例中,第一歷史特徵資料也可以包括對應於一個或多個第一訓練路線中的每個路線的特徵資料。第一歷史到達時間資料可以包括對應於一個或多個第一訓練路線中的每個路線的歷史到達時間。
在740,處理器300(例如,模型確定模組330)可以根據第一歷史特徵資料以及第一歷史到達時間確定第一ETA確定模型。
第一ETA確定模型可以包括第一子模型、第二子模型、以及第三子模型。第一子模型以及第二子模型可以包括迴圈神經網路模型、卷積神經模型、隱藏馬可夫模型、感知器神經網路模型、霍普菲爾網路模型、自組織映射(SOM)或學習向量量化(LVQ)等或其任意組合。迴圈神經網路模型可以包括長短期記憶(LSTM)神經網路模型、分層迴圈神經網路模型、雙向迴圈神經網路模型、第二序列迴圈神經網路模型、全迴圈網路模型、回聲狀態網路模型、多時間尺度迴圈神經網路(MTRNN)模型等。第三子模型可以包括多層感知器神經網路模型。
在一些實施例中,在處理器300確定第一ETA確定模型前,處理器300可以從儲存裝置(例如,儲存器150)中獲取帶有一組初始化參數的初始
ETA確定模型。在一些實施例中,一個或多個第一訓練路線可以根據一個或多個第一訓練路線的結束時間,按照時間順序排序。第一歷史特徵資料可以根據一個或多個第一訓練路線的結束時間的時間順序被輸入到初始ETA確定模型。
僅作為示例,擁有較早結束時間的第一訓練路線的歷史特徵資料可以比擁有較晚結束時間的第一訓練路線的歷史特徵資料,更早地被輸入到初始模型中。對於第一訓練路線中的每個路線,處理器300可以預估到達時間資料。在一些實施例中,處理器300(例如,模型確定模組330中的修正單元334)可以根據與第一訓練路線相關的預估到達時間資料以及第一歷史到達時間資料,修正初始ETA確定模型的至少一個初始化參數,以確定第一ETA確定模型。
在750,處理器300(例如,路線獲取模組310)可以根據多個歷史路線,獲取一個或多個第二訓練路線。在一些實施例中,處理器300可以從歷史路線中選擇一個或多個路線作為第二訓練路線。在一些實施例中,第二訓練路線的結束時間可以比第一訓練路線的結束時間晚。
在760,處理器300(例如,特徵提取模組320)可以提取與一個或多個第二訓練路線相關的第二歷史特徵資料以及第二歷史到達時間資料。在一些實施例中,第二歷史特徵資料可以包括對應於一個或多個第二訓練路線的每個路線的一個或多個鏈路的特徵資料。在一些實施例中,第二歷史特徵資料也可以包括對應於一個或多個第二訓練路線中的每個路線的特徵資料。第二歷史到達時間資料可以包括對應於一個或多個第二訓練路線中的每個路線的歷史到達時間。
在770,處理器300(例如,模型確定模組330)可以根據第二歷史特徵資料以及第二歷史到達時間資料,確定第二ETA確定模型。在一些實施例中,處理器300(例如,模型確定模組330中的修正單元334)可以根據第二特徵資料以及第二歷史到達時間資料,修正第一ETA確定模型中的至少一個參
數,以確定第二ETA確定模型。在一些實施例中,根據一個或多個第二訓練路線的結束時間,第二歷史特徵資料可以被輸入到第一ETA確定模型中。僅作為示例,擁有較早結束時間的第二訓練路線的歷史特徵資料可以比擁有較晚結束時間的第二訓練路線的歷史特徵資料,更早地被輸入到第一ETA確定模型中。
在780,處理器300(例如,模型確定模組330中的對比單元332)可以判斷匹配條件是否得到滿足。在一些實施例中,如果判斷匹配條件滿足,則處理器300可確定第二ETA確定模型為預估模型。如果判斷匹配條件不滿足,則處理器300可再一次執行步驟750至步驟780,以獲取用於訓練模型的新的訓練路線,從而確定預估模型。
在一些實施例中,匹配條件可以包括確定損失函數是否收斂於第一值。根據第一ETA確定模型或第二ETA確定模型中的至少一個,可以確定損失函數。例如,如果損失函數收斂於第一值,在790中,處理器300可以確定第二ETA確定模型為預估模型。如果損失函數不收斂於第一值,處理器300可以再返回到750。
在一些實施例中,匹配條件可包括判斷誤差是否小於第二值。
該誤差可以根據多個歷史路線中的一個或多個第三歷史路線(也稱為「測試路線」)以及第二ETA確定模型確定。第一訓練路線以及第二訓練路線與一個或多個第三歷史路線可以不同。處理器300(例如,特徵提取模組320)可以提取與測試路線(本文中也稱為「第三歷史特徵資料」)相關的特徵資料以及與一個或多個第三歷史路線(本文中也稱為「第三歷史到達時間資料」)相關的到達時間。第三歷史特徵資料可以包括對應於與一個或多個第三路線中的每個路線相關的一個或多個鏈路的特徵資料以及對應於一個或多個第三路線中的每個路線的特徵資料。根據第三歷史特徵資料以及第二ETA確定模型,處理器300可以確定與一個或多個第三歷史路線相關的ETA。然後處理器300可以確定與一個
或多個第三路線相關的ETA以及與一個或多個第三路線相關的第三歷史到達時間之間的誤差。如果誤差小於第二值,則在790中,處理器300可將第二ETA確定模型確定為預估模型。如果誤差不小於第二值,則處理器300可返回到750。
在一些實施例中,匹配條件可以包括判斷誤差是否小於第二值,及判斷損失函數是否收斂於第一值。第二值及損失函數可以是任何合理的值。
應當注意,以上關於確定預估模型的流程700的描述僅為示例,並不構成對本申請的限制。在一些實施例中,流程700中的一些步驟可以被改變。例如,在710中,處理器300可以根據多個歷史路線的結束時間的時間順序,直接獲取多個歷史路線。然後處理器300可以根據720中獲得的時間,選擇第一訓練路線。在750,處理器300可以選擇在第一訓練路線之後獲得的一個或多個訓練路線。
圖8係根據本申請的一些實施例所示的示例性行動裝置800的硬體及/或軟體組件的示意圖。在行動裝置800上,請求者終端130或提供者終端140可以根據本申請的一些實施例被實現。如圖8所示,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、中央處理器(CPU)840、輸入/輸出850、記憶體860、儲存器890。在一些實施例中,任何其他合適的元件,包括但不限於系統匯流排或控制器(未示出),亦可包括於行動裝置800內。在一些實施例中,移動作業系統870(例如,iOSTM、AndroidTM、Windows PhoneTM)以及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可以包括流覽器或其他任何合適的移動應用程式,移動應用程式用於接收以及呈現與監控隨選服務或從,例如處理引擎112,獲取的相關的資訊。使用者以及資訊流的互動可以通過輸入/輸出850實現,並且通過網路120向處理引擎112及/或隨選服務系統100的其他元
件提供。
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元素的硬體平臺。具有使用者介面元素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的普通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,本領域的普通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,本領域的普通具有通常知識者可以理解,本申請的各方面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,本申請的各個方面可以完全由硬體執行、可以完全由軟體(包括韌體、常駐軟體、微代碼等)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,本申請的各方面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能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、裝置或裝置以實現通訊、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。
本申請各方面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
正和等價組合。例如,雖然以上所描述的系統組件可以通過硬體裝置實現,但是也可以只通過軟體的解決方案得以實現,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,申請對象的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:網際網路交換點
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
160:定位系統
160-1:衛星
160-2:衛星
160-3:衛星
Claims (25)
- 一種用於預估到達時間的系統,包括:至少一個電腦可讀取儲存媒體,包括用來預估到達時間的一組指令;以及至少一個處理器,與所述至少一個電腦可讀取儲存媒體通訊,其中,當執行所述一組指令時,所述至少一個處理器用於:獲取與使用者相關的目標路線;確定與所述目標路線相關的特徵資料,所述特徵資料包括對應於至少部分的所述目標路線的第一特徵資料;獲取訓練好的用來預估到達時間的預估模型,所述預估模型包括第一子模型以及第二子模型;根據所述第一特徵資料以及所述第一子模型,確定第一單元狀態資料(cell state data)c以及第一隱藏狀態資料h;根據所述第一單元狀態資料c以及所述第一隱藏狀態資料h,確定第一向量;根據所述第一向量以及所述第二子模型,確定第二單元狀態資料c'以及第二隱藏狀態資料h';以及根據所述第二單元狀態資料c'以及所述第二隱藏狀態資料h'確定與所述目標路線相關的預估到達時間(Estimated Time of Arrival,ETA)。
- 如申請專利範圍第1項之系統,其中,所述特徵資料進一步包括對應於所述目標路線的第二特徵資料,以及所述至少一個處理器進一步用於:根據所述第一單元狀態資料c、所述第一隱藏狀態資料h以及所述第二特徵資料,確定所述第一向量。
- 如申請專利範圍第1項之系統,其中,所述預估模型進一步包括第三子模型,以及為了確定與所述目標路線相關的預估到達時間(ETA),所 述至少一個處理器進一步用於:根據所述第二單元狀態資料c'以及所述第二隱藏狀態資料h',確定第二向量;以及根據所述第二向量以及所述第三子模型,確定與所述目標路線相關的所述預估到達時間。
- 如申請專利範圍第3項之系統,其中,所述第三子模型包括多層感知器(multi-layer perceptron,MLP)神經網路模型。
- 如申請專利範圍第1項之系統,其中,為了獲取所述預估模型,所述至少一個處理器進一步用於:獲取多個歷史路線以及與所述多個歷史路線相關的歷史到達時間資料;確定所述多個歷史路線中的每個歷史路線的歷史特徵資料,其中所述歷史特徵資料包括對應於至少部分的所述多個歷史路線中的所述每個歷史路線的第一訓練特徵資料;以及根據所述第一訓練特徵資料以及與所述多個歷史路線相關的所述歷史到達時間資料,生成所述預估模型。
- 如申請專利範圍第5項之系統,其中,所述歷史特徵資料進一步包括與所述多個歷史路線中的所述每個歷史路線對應的第二訓練特徵資料,以及所述至少一個處理器進一步用於:至少部分根據所述第二訓練特徵資料,生成所述預估模型。
- 如申請專利範圍第5項之系統,其中,所述至少一個處理器進一步用於:獲取所述多個歷史路線中的所述每個歷史路線的結束時間;根據所述多個歷史路線的結束時間的時間順序,排列所述多個歷史路線;以及 根據排列後的所述多個歷史路線,生成所述預估模型。
- 如申請專利範圍第5項之系統,其中,所述至少一個處理器進一步用於:從所述多個歷史路線中,獲取一個或多個第一訓練路線以及一個或多個第二訓練路線;提取與所述一個或多個第一訓練路線相關的第一歷史特徵資料以及第一歷史到達時間資料;根據所述第一歷史特徵資料以及所述第一歷史到達時間資料,確定第一預估到達時間確定模型;提取與所述一個或多個第二訓練路線相關的第二歷史特徵資料以及第二歷史到達時間資料;以及根據所述第二歷史特徵資料以及所述第二歷史到達時間資料,修正所述第一預估到達時間確定模型,以確定第二預估到達時間確定模型。
- 如申請專利範圍第8項之系統,其中,所述至少一個處理器進一步用於:根據所述第一預估到達時間確定模型或所述第二預估到達時間確定模型中的至少一個,判斷匹配條件是否滿足;以及如果判斷所述匹配條件滿足,則確定所述第二預估到達時間確定模型為所述預估模型。
- 如申請專利範圍第9項之系統,其中,為了判斷匹配條件是否滿足,所述至少一個處理器用於:根據所述第一預估到達時間確定模型或所述第二預估到達時間確定模型中的至少一個,確定損失函數;判斷所述損失函數是否收斂於第一值;以及 如果判斷所述損失函數收斂於所述第一值,運行所述至少一個處理器中的邏輯電路來確定所述匹配條件得到滿足。
- 如申請專利範圍第1項之系統,其中,所述第一子模型包括長短期記憶(long short term memory,LSTM)神經網路模型。
- 如申請專利範圍第1項之系統,其中,所述第二子模型包括長短期記憶(LSTM)神經網路模型。
- 一種在計算裝置上實施的方法,所述計算裝置包含處理器、儲存媒體以及連接至網路的通訊平臺,所述方法包括:通過所述處理器獲取與使用者相關的目標路線;通過所述處理器確定與所述目標路線相關的特徵資料,所述特徵資料包括對應於至少部分的所述目標路線的第一特徵資料;通過所述處理器獲取訓練好的用來預估到達時間的預估模型,所述預估模型包括第一子模型以及第二子模型;根據所述第一特徵資料以及所述第一子模型,通過所述處理器確定第一單元狀態資料c以及第一隱藏狀態資料h;根據所述第一單元狀態資料c以及所述第一隱藏狀態資料h,通過所述處理器確定第一向量;根據所述第一向量以及所述第二子模型,通過所述處理器確定第二單元狀態資料c'以及第二隱藏狀態資料h';以及根據所述第二單元狀態資料c'以及所述第二隱藏狀態資料h',通過所述處理器確定與所述目標路線相關的預估到達時間(ETA)。
- 如申請專利範圍第13項之方法,其中,所述特徵資料進一步包括對應於所述目標路線的第二特徵資料,以及所述方法進一步包括:根據所述第一單元狀態資料c、所述第一隱藏狀態資料h以及所述第二特徵 資料,確定所述第一向量。
- 如申請專利範圍第13項之方法,其中,所述預估模型進一步包括第三子模型,並且與所述目標路線相關的所述預估到達時間的確定進一步包括:根據所述第二單元狀態資料c'以及所述第二隱藏狀態資料h'確定第二向量;以及根據所述第二向量以及所述第三子模型,確定與所述目標路線相關的所述預估到達時間。
- 如申請專利範圍第15項之方法,其中,所述第三子模型包括多層感知器(MLP)神經網路模型。
- 如申請專利範圍第13項之方法,其中,所述預估模型由一流程產生,所述流程包括:獲取多個歷史路線以及與所述多個歷史路線相關的多個歷史到達時間資料;確定所述多個歷史路線中的所述每個歷史路線的歷史特徵資料,其中所述歷史特徵資料包括對應於至少部分的所述多個歷史路線中的所述每個歷史路線的第一訓練特徵資料;以及根據所述第一訓練特徵資料以及與所述多個歷史路線相關的所述歷史到達時間資料,生成所述預估模型。
- 如申請專利範圍第17項之方法,其中,所述歷史特徵資料進一步包括對應於所述多個歷史路線中的所述每個歷史路線的第二訓練特徵資料,以及所述方法進一步包括:至少部分根據所述第二訓練特徵資料,生成所述預估模型。
- 如申請專利範圍第17項之方法,進一步包括: 獲取所述多個歷史路線中的所述每個歷史路線的結束時間;根據所述多個歷史路線的所述結束時間的時間順序,排列所述多個歷史路線;以及根據排列後的所述多個歷史路線,生成所述預估模型。
- 如申請專利範圍第17項之方法,進一步包括:從所述多個歷史路線中,獲取一個或多個第一訓練路線以及一個或多個第二訓練路線;提取與所述一個或多個第一訓練路線相關的第一歷史特徵資料以及第一歷史到達時間資料;根據所述第一歷史特徵資料以及所述第一歷史到達時間資料,確定第一預估到達時間確定模型;提取與所述一個或多個第二訓練路線相關的第二歷史特徵資料以及第二歷史到達時間資料;以及根據所述第二歷史特徵資料以及所述第二歷史到達時間資料,修正所述第一預估到達時間確定模型,以確定第二預估到達時間確定模型。
- 如申請專利範圍第20項之方法,進一步包括:根據所述第一預估到達時間確定模型或所述第二預估到達時間確定模型中的至少一個,判斷匹配條件是否滿足;以及如果判斷所述匹配條件滿足,則確定所述第二預估到達時間確定模型為所述預估模型。
- 一種用於預估到達時間的系統,包括:路線獲取模組,用於獲取與使用者相關的目標路線;特徵提取模組,用於提取與所述目標路線相關的特徵資料,其中所述特徵資料包括對應於至少部分的所述目標路線的第一特徵資料;以及 時間預估模組用於:獲取訓練好的用來預估到達時間的預估模型,所述預估模型包括第一子模型以及第二子模型;根據所述第一特徵資料以及所述第一子模型,確定第一單元狀態資料c以及第一隱藏狀態資料h;根據所述第一單元狀態資料c以及所述第一隱藏狀態資料h,確定第一向量;根據所述第一向量以及所述第二子模型,確定第二單元狀態資料c'以及第二隱藏狀態資料h';以及根據所述第二單元狀態資料c'以及所述第二隱藏狀態資料h'確定與所述目標路線相關的預估到達時間(ETA)。
- 如申請專利範圍第22項之系統,其中,所述特徵資料進一步包括對應於所述目標路線的第二特徵資料,以及所述時間預估模組進一步用於:根據所述第一單元狀態資料c、所述第一隱藏狀態資料h以及所述第二特徵資料,確定所述第一向量。
- 如申請專利範圍第22項之系統,其中,所述系統進一步包括模型確定模組,所述模型確定模組用於生成所述預估模型。
- 一種非暫時性電腦可讀取媒體,包括至少一組指令,所述一組指令用於發起終端以及隨選運輸平臺之間的連接,其中當所述一組指令被所述終端的至少一個處理器執行時,所述一組指令引導所述至少一個處理器執行以下步驟:獲取與使用者相關的目標路線;確定與所述目標路線相關的特徵資料,所述特徵資料包括對應於至少部分的所述目標路線的第一特徵資料; 獲取用來預估到達時間的預估模型,所述預估模型包括第一子模型以及第二子模型;根據所述第一特徵資料以及所述第一子模型,確定第一單元狀態資料c以及第一隱藏狀態資料h;根據所述第一單元狀態資料c以及所述第一隱藏狀態資料h,確定第一向量;根據所述第一向量以及所述第二子模型,確定第二單元狀態資料c'以及第二隱藏狀態資料h';以及根據所述第二單元狀態資料c'以及所述第二隱藏狀態資料h'確定與所述目標路線相關的預估到達時間(ETA)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
??PCT/CN2017/089518 | 2017-06-22 | ||
PCT/CN2017/089518 WO2018232684A1 (en) | 2017-06-22 | 2017-06-22 | METHODS AND SYSTEMS FOR ESTIMATING TIME OF ARRIVAL |
WOPCT/CN2017/089518 | 2017-06-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201909039A TW201909039A (zh) | 2019-03-01 |
TWI703516B true TWI703516B (zh) | 2020-09-01 |
Family
ID=64737490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107115972A TWI703516B (zh) | 2017-06-22 | 2018-05-10 | 用於預估到達時間的方法以及系統 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11079244B2 (zh) |
EP (1) | EP3635706B1 (zh) |
CN (1) | CN109791731B (zh) |
AU (1) | AU2017419266B2 (zh) |
TW (1) | TWI703516B (zh) |
WO (1) | WO2018232684A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10816351B1 (en) * | 2017-07-14 | 2020-10-27 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
US11037055B2 (en) * | 2017-10-30 | 2021-06-15 | DoorDash, Inc. | System for dynamic estimated time of arrival predictive updates |
US20200019841A1 (en) * | 2018-07-12 | 2020-01-16 | Vmware, Inc. | Neural network model for predicting usage in a hyper-converged infrastructure |
CN109974735B (zh) * | 2019-04-08 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 到达时间的预估方法、装置及计算机设备 |
CN110414731B (zh) * | 2019-07-23 | 2021-02-02 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
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*** |
CN114365205A (zh) * | 2019-09-19 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 确定在线到离线服务中的预估到达时间的***和方法 |
CN111178628B (zh) * | 2019-12-30 | 2023-09-19 | 沈阳民航东北凯亚有限公司 | 一种行李到达时间预测方法及装置 |
CN111860906B (zh) * | 2020-04-24 | 2024-04-26 | 北京嘀嘀无限科技发展有限公司 | 一种确定预估到达时间的方法和*** |
CN113920771A (zh) * | 2021-09-23 | 2022-01-11 | 中铁二十局集团有限公司 | 停车位分配方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706888A (zh) * | 2009-04-30 | 2010-05-12 | 北京世纪高通科技有限公司 | 一种旅行时间预测的方法 |
US20110302116A1 (en) * | 2010-06-03 | 2011-12-08 | Naoki Ide | Data processing device, data processing method, and program |
US20140278028A1 (en) * | 2013-03-15 | 2014-09-18 | Vivint, Inc. | Security system with traffic monitoring |
CN104346926A (zh) * | 2013-07-31 | 2015-02-11 | 国际商业机器公司 | 行驶时间预测方法和装置、以及相关终端设备 |
US20150241242A1 (en) * | 2014-02-21 | 2015-08-27 | Iteris, Inc. | Short-term travel-time prediction modeling augmented with radar-based precipitation predictions and scaling of same |
CN106652534A (zh) * | 2016-12-14 | 2017-05-10 | 北京工业大学 | 一种预测公交车到站时间的方法 |
CN106875670A (zh) * | 2017-03-07 | 2017-06-20 | 重庆邮电大学 | Spark平台下基于GPS数据的出租车调配方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566479A (zh) * | 2008-04-25 | 2009-10-28 | 佛山市顺德区顺达电脑厂有限公司 | 导航装置以及利用导航规划路径预估耗费总时间的计算方法 |
US20090313072A1 (en) * | 2008-06-12 | 2009-12-17 | Ford Motor Company | Computer-based vehicle order tracking system |
US8532920B2 (en) * | 2010-01-22 | 2013-09-10 | Blackberry Limited | Automatic origin determination for faster route request initiation and resulting system response time |
US9177473B2 (en) * | 2010-07-07 | 2015-11-03 | International Business Machines Corporation | Vehicle arrival prediction using multiple data sources including passenger bus arrival prediction |
CN102708879A (zh) | 2011-11-01 | 2012-10-03 | 张锦堂 | 个性化数字邮票 |
CN102708679B (zh) * | 2012-05-29 | 2016-12-14 | 孙健 | 一种城市信号交叉口短时交通流预测方法 |
US20140088865A1 (en) * | 2012-09-27 | 2014-03-27 | Siemens Industry, Inc. | Apparatus and method for predicting arrival times in a transportation network |
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 |
CN107769055A (zh) | 2014-05-25 | 2018-03-06 | 湖南国奥电力设备有限公司 | 配电自动化柜及其应用 |
TWI522974B (zh) | 2014-10-06 | 2016-02-21 | Chunghwa Telecom Co Ltd | 到站時間預測系統與方法 |
CN105096643B (zh) * | 2015-09-02 | 2017-08-29 | 重庆大学 | 基于多线路前车运行数据的实时公交到站时间预测方法 |
US10234300B2 (en) * | 2015-11-13 | 2019-03-19 | Here Global B.V. | Private and personalized estimation of travel time |
CN105740226A (zh) * | 2016-01-15 | 2016-07-06 | 南京大学 | 使用树形神经网络和双向神经网络实现中文分词 |
CN106096767A (zh) | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106251642B (zh) * | 2016-09-18 | 2018-10-26 | 北京航空航天大学 | 一种基于实时公交车gps数据的公交路链速度计算方法 |
-
2017
- 2017-06-22 AU AU2017419266A patent/AU2017419266B2/en active Active
- 2017-06-22 WO PCT/CN2017/089518 patent/WO2018232684A1/en unknown
- 2017-06-22 CN CN201780017206.7A patent/CN109791731B/zh active Active
- 2017-06-22 EP EP17914899.4A patent/EP3635706B1/en active Active
-
2018
- 2018-05-10 TW TW107115972A patent/TWI703516B/zh active
-
2019
- 2019-12-13 US US16/713,049 patent/US11079244B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706888A (zh) * | 2009-04-30 | 2010-05-12 | 北京世纪高通科技有限公司 | 一种旅行时间预测的方法 |
US20110302116A1 (en) * | 2010-06-03 | 2011-12-08 | Naoki Ide | Data processing device, data processing method, and program |
US20140278028A1 (en) * | 2013-03-15 | 2014-09-18 | Vivint, Inc. | Security system with traffic monitoring |
CN104346926A (zh) * | 2013-07-31 | 2015-02-11 | 国际商业机器公司 | 行驶时间预测方法和装置、以及相关终端设备 |
US20150241242A1 (en) * | 2014-02-21 | 2015-08-27 | Iteris, Inc. | Short-term travel-time prediction modeling augmented with radar-based precipitation predictions and scaling of same |
CN106652534A (zh) * | 2016-12-14 | 2017-05-10 | 北京工业大学 | 一种预测公交车到站时间的方法 |
CN106875670A (zh) * | 2017-03-07 | 2017-06-20 | 重庆邮电大学 | Spark平台下基于GPS数据的出租车调配方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3635706B1 (en) | 2021-11-17 |
US11079244B2 (en) | 2021-08-03 |
AU2017419266A1 (en) | 2020-01-23 |
EP3635706A4 (en) | 2020-05-06 |
AU2017419266B2 (en) | 2021-04-01 |
CN109791731A (zh) | 2019-05-21 |
US20200116504A1 (en) | 2020-04-16 |
TW201909039A (zh) | 2019-03-01 |
CN109791731B (zh) | 2021-12-07 |
EP3635706A1 (en) | 2020-04-15 |
WO2018232684A1 (en) | 2018-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI703516B (zh) | 用於預估到達時間的方法以及系統 | |
CN109478275B (zh) | 分配服务请求的***和方法 | |
TWI676783B (zh) | 用於預估到達時間之方法及系統 | |
CN109478364B (zh) | 确定预计到达时间的方法及*** | |
CN108701279B (zh) | 用于确定未来运输服务时间点的预测分布的***和方法 | |
TWI689744B (zh) | 用於確定預估到達時間的系統和方法及相關的非暫時性機器可讀取儲存媒體 | |
US11546729B2 (en) | System and method for destination predicting | |
JP6687772B2 (ja) | サービス時点を予測するシステム及び方法 | |
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 | |
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 | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
TW201903704A (zh) | 用於推薦預估到達時間的系統和方法 | |
TW201901474A (zh) | 用於確定預估到達時間的系統和方法 | |
AU2017270456A1 (en) | Systems and methods for distributing request for service | |
CN112236787A (zh) | 用于生成个性化目的地推荐的***和方法 | |
EP3717871B1 (en) | Systems and methods for path determination | |
TW201921262A (zh) | 用於命名接載位置的方法和系統 | |
TW202101310A (zh) | 用於線上到線下服務的系統、方法和電腦可讀取媒體 | |
WO2019195996A1 (en) | Systems and methods for vehicle scheduling | |
CN110945557A (zh) | 用于确定到达的预估时间的***和方法 | |
WO2019158066A1 (en) | Systems and methods for information display | |
WO2020151725A1 (zh) | 一种位置预测方法以及装置 |