TWI703526B - 使用機器學習技術來估價的系統和方法 - Google Patents
使用機器學習技術來估價的系統和方法 Download PDFInfo
- Publication number
- TWI703526B TWI703526B TW107117255A TW107117255A TWI703526B TW I703526 B TWI703526 B TW I703526B TW 107117255 A TW107117255 A TW 107117255A TW 107117255 A TW107117255 A TW 107117255A TW I703526 B TWI703526 B TW I703526B
- Authority
- TW
- Taiwan
- Prior art keywords
- price
- historical
- estimated
- processor
- service request
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000010801 machine learning Methods 0.000 title description 8
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims description 33
- 238000003066 decision tree Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000029305 taxis Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- -1 daily necessities Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
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,所述至少一個電腦可讀取儲存媒體包括用於提供隨選服務的一組指令。當執行該組指令時,所述至少一個處理器可以被指示為:接收來自使用者終端的服務請求;確定所述服務請求的至少一個路線;並且基於所述至少一個路線和至少一個價格預估模型來確定所述服務請求的預估價格。在一些實施例中,為了確定預估的價格,所述處理器可以進一步被指示為:基於所述路線提取所述服務請求的一個或多個特徵;並使用所述價格預估模型來處理所述服務請求的特徵。
Description
本申請總體上涉及機器學習。具體地,本申請涉及使用機器學習技術來預估運輸服務的價格的方法、系統和媒體。
本申請主張2017年6月5日提交的申請號為PCT/CN2017/087223的PCT申請的優先權,其內容以引用的方式包含於此。
隨選服務,如線上乘車服務和送貨服務,由於其便利性而變得愈來愈流行。提供這些服務的服務平臺可能需要處理大量複雜的資料,並進行大量計算以自動處理和滿足使用者需求。為了向百萬使用者提供可擴展且即時的服務,此類服務平臺可能需要使用圖形識別技術、機器學習技術、資料挖掘技術、預測分析、使用者行為分析、雲端計算技術及其他計算技術以執行處理和計算。
根據本申請的一個態樣,系統可以包括至少一個電腦可讀取儲存媒體,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,以及與所述電腦可讀取儲存媒體通訊的至少一個處理器。當執行該組指令時,所述至少一個處理器可以被指示為:接收來自使用者終端的服務請求;確定所述服務請 求的至少一個路線;並且基於所述至少一個路線和至少一個價格預估模型來確定所述服務請求的預估價格。在一些實施例中,為了確定預估的價格,所述處理器可以進一步被指示為:基於所述路線提取所述服務請求的一個或多個特徵;並使用所述價格預估模型來處理所述服務請求的特徵。
在一些實施例中,所述處理器可以進一步被指示為:獲得歷史訂單資訊和與至少一個歷史訂單相關的交通資訊;基於所述歷史訂單資訊確定多個歷史實際價格;根據所述交通資訊和所述歷史訂單資訊中的至少一個,確定與所述歷史實際價格對應的多個歷史預估價格;並且基於所述多個歷史實際價格和所述多個歷史預估價格來產生所述至少一個價格預估模型。
在一些實施例中,所述預估價格可以包括價格或價格範圍中的至少一個。
在一些實施例中,為了確定所述服務請求的預估價格,所述處理器可以進一步被指示為使用所述價格預估模型來處理與使用者相關的所述至少一個路線和至少一個歷史訂單的資料。
在一些實施例中,為了確定與歷史實際價格對應的歷史預估價格,所述處理器可以進一步被指示為:基於所述交通資訊和所述歷史訂單資訊中的至少一個將所述歷史實際價格分類為多個第一集合;確定所述第一集合的歷史實際價格的第一多個平均值;並基於所述第一多個平均值確定所述歷史預估價格。
在一些實施例中,為了確定與歷史實際價格對應的歷史預估價格,所述處理器可以進一步被指示為:確定所述第一集合的多個殘差,其中殘差表示歷史實際價格與歷史預估價格之間的差異;以及基於所述交通資訊或所述歷史訂單資訊中的至少一個將所述殘差分類為多個第二集合。
在一些實施例中,為了確定與歷史實際價格對應的歷史預估價 格,所述處理器可以進一步被指示為:確定所述第二集合的殘差的第二多個平均值;以及基於所述第一多個平均值和所述第二多個平均值來確定所述歷史預估價格。
在一些實施例中,所述至少一個處理器可以進一步被指示為:分析與所述歷史訂單資訊有關的多個歷史訂單中的每一個歷史訂單的粗略預估價格和實際價格;基於所述分析來確定最小係數和最大係數;以及確定每個所述歷史訂單的最大預估價格和最小預估價格。
在一些實施例中,為了產生所述至少一個價格預估模型,所述至少一個處理器可以進一步被指示為:基於所述最小預估價格產生第一價格預估模型;以及基於所述最大預估價格產生第二價格預估模型。
在一些實施例中,所述交通資訊可以包括至少一個交通燈、距離、上車地點的緯度和經度或路線的路段數量的這些資訊中的至少一個。
在一些實施例中,所述價格預估模型可以包括梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)模型。
根據本申請的另一態樣,一種用於提供隨選服務的方法可以包括:接收來自使用者終端的服務請求;確定所述服務請求的至少一個路線;並且基於所述至少一個路線和至少一個價格預估模型來確定所述服務請求的預估價格。在一些實施例中,確定所述預估價格可以包括:基於所述路線提取所述服務請求的一個或多個特徵;以及使用所述價格預估模型來處理所述服務請求的特徵。
在一些實施例中,所述方法還可以包括確定與服務請求相關的至少一個路線;以及基於所述至少一個路線和所述價格預估模型來確定所述服務請求的預估價格。
在一些實施例中,確定所述服務請求的預估價格可以包括使用所 述價格預估模型來處理與使用者相關的所述至少一個路線和至少一個歷史訂單的資料。
在一些實施例中,確定與歷史實際價格對應的歷史預估價格可以包括:基於所述交通資訊和所述歷史訂單資訊中的至少一個將所述歷史實際價格分類為多個第一集合;確定所述第一集合的歷史實際價格的第一多個平均值;以及基於所述第一多個平均值確定所述歷史預估價格。
在一些實施例中,確定與歷史實際價格對應的歷史預估價格可以進一步包括:確定所述第一集合的多個殘差,其中殘差表示歷史實際價格與歷史預估價格之間的差異;以及基於所述交通資訊或所述歷史訂單資訊中的至少一個將所述殘差分類為多個第二集合。
在一些實施例中,確定與歷史實際價格對應的歷史預估價格還可以包括:確定所述第二集合的殘差的第二多個平均值;以及基於所述第一多個平均值和所述第二多個平均值來確定所述歷史預估價格。
在一些實施例中,所述方法可以進一步包括:分析與所述歷史訂單資訊有關的多個歷史訂單中的每一個歷史訂單的粗略預估價格和實際價格;基於所述分析來確定最小係數和最大係數;以及確定每個歷史訂單的最大預估價格和最小預估價格。
在一些實施例中,產生至少一個價格預估模型可以包括:基於所述最小預估價格產生第一價格預估模型;並基於所述最大預估價格產生第二價格預估模型。
根據本申請的另一態樣,一種非暫時性機器可讀取儲存媒體可以包括指令,所述指令在由線上隨選服務平臺的至少一個處理器存取時使所述至少一個處理器執行以下操作:接收來自使用者終端的服務請求;確定所述服務請求的至少一個路線;以及基於所述至少一個路線和至少一個價格預估模型來 確定所述服務請求的預估價格。在一些實施例中,為了確定預估的價格,所述處理器可以進一步被指示為:基於所述路線提取所述服務請求的一個或多個特徵;以及使用所述價格預估模型來處理所述服務請求的特徵。
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‧‧‧乘客終端
130-1‧‧‧行動裝置
130-2‧‧‧平板電腦
130-3‧‧‧膝上型電腦
130-4‧‧‧機動車內建裝置
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‧‧‧機動車內建裝置
150‧‧‧資料庫
200‧‧‧計算裝置
210‧‧‧流排
220‧‧‧中央處理單元
230‧‧‧唯讀記憶體
240‧‧‧隨機存取記憶體
250‧‧‧通訊埠
260‧‧‧輸入/輸出元件
270‧‧‧磁碟
310‧‧‧獲取模組
320‧‧‧建模模組
330‧‧‧價格預估模組
340‧‧‧發送模組
400‧‧‧流程
402‧‧‧步驟
404‧‧‧步驟
406‧‧‧步驟
408‧‧‧步驟
410‧‧‧步驟
412‧‧‧步驟
414‧‧‧步驟
500‧‧‧流程
502‧‧‧步驟
504‧‧‧步驟
506‧‧‧步驟
600‧‧‧模型
602‧‧‧統計長條圖
604‧‧‧分佈曲線
700‧‧‧流程
704‧‧‧步驟
706‧‧‧步驟
708‧‧‧步驟
710‧‧‧步驟
712‧‧‧步驟
714‧‧‧步驟
716‧‧‧步驟
800‧‧‧資料結構
802‧‧‧第一樹標籤
804-1‧‧‧分類特徵
804-2‧‧‧分類特徵
806-1‧‧‧分支
806-2‧‧‧分支
808‧‧‧第二樹標籤
810-1‧‧‧分類特徵
810-2‧‧‧分類特徵
812-1‧‧‧分支
812-2‧‧‧分支
根據下面給出的詳細描述以及本申請的各種實施例的圖式,將更全面地理解本申請。然而,圖式不應被認為是將本申請限制於特定實施例,而是僅用於解釋和理解。
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價格預估的示例性流程的流程圖。
圖5係根據本申請的一些實施例所示的預處理歷史訂單資訊的示例性流程的流程圖。
圖6係根據本申請的一些實施例所示的用於預處理歷史訂單資訊的示例性模型的示意圖。
圖7係根據本申請的一些實施例所示的產生價格預估模型的示例性流程的流程圖。
圖8係根據本申請的一些實施例所示的用於對歷史訂單進行分類的示例性資料結構的示意圖。
下述描述是為了使本領域具有通常知識者能製造和使用本申請,並且該描述是在特定的應用及其要求的背景下提供的。對於本領域具有通常知識者來說,顯然可以對所揭露的實施例作出各種改變。另外,在不偏離本申請的精神和範圍的情況下,本申請中所定義的普遍原則可以適用於其他實施例和應用場景。因此,本申請並不限於所揭露的實施例,而應被給予與申請專利範圍一致的最寬泛的範圍。
隨選運輸服務,如搭乘服務,已變得愈來愈流行。當線上運輸服務的伺服器通過使用者終端接收到請求者的服務請求(例如,請求順風車)時,伺服器可以向使用者提供建議路線和預估價格。價格預估的先前解決方案利用公式來預估訂單的價格。例如,傳統運輸服務通過將與訂單有關的建議路線的預估距離及/或預估時間乘以費率來確定預估價格。但是實際價格或訂單可能受多種因素影響,例如可能與建議的路線不同的實際路線、實現訂單消耗的實際時間、實際交通條件等。因此,先前解決方案無法提供準確的價格預估。本申請的各態樣通過提供用於使用機器學習技術來估價及/或優化的機制(例如,方法、系統、媒體等)來解決上述缺陷。
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/或部件,而不排除可以存在和添加其他一個或多個特徵、整數、步驟、操作、元素、部件、及/或其組合。
所述系統和方法可用在其他環境中,例如其他的服務提供系統。 根據以下對圖式的描述,本申請所述的和其他的特徵、操作方法、相關元件的功能和經濟的結構更加顯而易見,這些都構成說明書的一部分。然而,應當理解,圖式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,流程圖中的操作不一定按照順序來執行。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。也可以從這些流程圖中移除一個或多個操作。
此外,儘管本申請中的系統和方法主要關於調度運輸工具進行描述,但是應該理解的是,這僅僅是一個示例性實施例。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的運輸系統,包括陸地、海洋、航空航太或上述舉例的任意組合。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應用管理及/或分配的任一運輸系統,例如,發送及/或接收快遞的系統。本申請的系統和方法的應用場景可以包括網頁、流覽器外掛程式、用戶端、定制系統、企業內部分析系統、人工智慧機器人或上述舉例的任意組合。
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、實體或工具,並且可互換使用。此外,本申請中的術語「司機」、「提供者」、「服務提供者」和「供應者」可用於表示提供服務或協助提供服務的個人、實體或工具,並且可互換使用。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」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。
本申請中的術語「請求」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、供應方或上述舉例的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、供應方中的任意一個接受。所述服務請求可以是收費的或免費的。本申請中的術語「訂單」表示乘客(或請求者、服務請求者、客戶等)和司機(或提供者、服務提供者或供應方等)關於所述服務請求達成一致意願。
本申請中的位置及/或旅行起點可以通過嵌入客戶終端的定位技術來獲取。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)定位技術或上述舉例的任意組合。以上定位技術中的一個或多個可以在本申請中互換使用。
本申請的一個態樣涉及用以回應於服務請求來預估價格的線上系統和方法。根據本申請,所述系統和方法可以確定服務請求的預估價格。預估的價格可以包括值及/或值的範圍(也被稱為「價格範圍」)。
需要注意的是,線上隨選運輸服務,例如線上預定計程車,是起源於後網際網路時代的一種新的服務方式。它提供給使用者的技術解決方案,只有在後網際網路時代才產生。在網際網路時代之前,當使用者在街上招呼計程車時,計程車請求和接受發生在乘客和計程車司機之間。一般來說,計程車司機可以根據他/她的經驗向乘客提供預估的價格。但是,預估價格可能與計價器系統產生的價格不同。線上計程車系統允許服務請求者預約服務並將該預約分發給遠離使用者的服務提供者(例如計程車)。使用者和服務提供者都可以根據該預約來接收由價格預估系統所確定的預估價格。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,這在網際網路時代之前的傳統運輸服務系統中是無法實現的。價格預估為請求者和服務提供者提供了高效的服務。
圖1係根據本申請的一些實施例所示的示例性隨選服務系統100的方塊圖。例如,隨選服務系統100可以是一個提供運輸服務的線上運輸服務平臺,如計程車呼叫、代駕服務、快遞運輸工具、共乘、公車服務、聘雇司機和接送服務。隨選服務系統100可以包括伺服器110、網路120、乘客終端130、司機終端140和資料庫150。伺服器110可以包括處理引擎112。
伺服器110可以被配置為處理與服務請求相關的資訊及/或資料。例如,伺服器110可以從乘客終端130接收服務請求,並且處理所述請求以分配司機終端140向乘客終端130的使用者提供服務。在一些實施例中,伺服器110可以是單個的伺服器或者伺服器組。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可以通過網路120存取儲存於乘客終端130、司機終端140及/或資料庫150中的資訊及/或資料。再例如,伺服器110可以直接連接到乘客終端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可在雲端平臺上執行。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,伺服器110可以在如本申請中圖2所示的,在具有一個或多個部件的計算裝置上實現。
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相關的資訊及/或資料以執行本申請描述的一個或多個功能。例如,處理引擎112可以接收來自乘客終端130的服務請求,及/或產生服務請求的預估價格。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)、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,系統100中的一個或多個部件(例如,伺服器110、乘客終端130、司機終端140和資料庫150)可以通過網路120向/從系統100中的其他部件發送/接收資訊及/或資料。例如,伺服器110可以通過網路120從乘客終端130獲取/得到服務請求。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。僅僅作為示例,網路120可以包括纜線網路、有線網路、光纖網路、遠端通訊網路、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)、都會區網路(MAN)、公共交換電話網路(PSTN)、藍牙網路、ZigBee網路、近場通訊(NFC)網路、全球行動通訊系統(GSM)網路、分碼多重存取(CDMA)網路、分時多重存取(TDMA)網路、通用封包無線服務(GPRS)網路、增強資料速率GSM演進(EDGE)網路、寬頻分碼多工接取(WCDMA)網路、高速下行封包接取(HSDPA)網路、長期演進(LTE)網路、使用者資料元協定(UDP)網路、傳輸控制協定/網際網路協定(TCP/IP)網路、簡訊服務(SMS)網路、無線通用通訊協定(WAP)網路、超寬頻(UWB)網路、紅外線等中的一種,或類似或其任意組合。在一些實施例中,網路120可以包括一個或多個網路接入點。例如,網路120可以包括有線或無線網路接入點,如基站及/或網際網路交換點120-1、120-2、......,通過接入點,隨選服務系統100的一個或多個部件可以連接到網路120以交換資料及/或資訊。
乘客終端130可被乘客用於請求隨選服務。例如,乘客終端130 的使用者可以使用乘客終端130為自己或其他使用者發送服務請求,或從伺服器110接收服務及/或資訊或指令。在一些實施例中,術語「使用者」和「乘客終端」可以互換使用。
在一些實施例中,乘客終端130可以包括行動裝置130-1、平板電腦130-2、膝上型電腦130-3、機動車內建裝置130-4等中的一種,或類似或其任意組合。在一些實施例中,行動裝置130-1可包括智慧居家裝置、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/或增強實境裝置可以包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些實施例中,機動車內建裝置130-4可以包括車載電腦、車載電視等。僅僅作為示例,乘客終端130可以包括控制器(例如,遙控器)。
在一些實施例中,乘客終端130可以是具有定位技術的裝置,用來確定使用者及/或乘客終端130的位置。在一些實施例中,乘客終端130可以與其他定位裝置通訊以確定使用者及/或乘客終端130的位置。在一些實施例中,乘客終端130可以向伺服器110發送定位資訊。
司機終端140可以被司機用來與伺服器100和乘客終端130進行通 訊。在一些實施例中,司機終端140可以是管理及/或控制至少一個運輸工具的終端。例如,司機終端140可以是控制多個運輸工具的平臺。在一些實施例中,司機終端140可以是一個與乘客終端130類似或者相同的裝置。
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可以儲存從乘客終端130及/或司機終端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)或上述舉例的任意組合。示例性的大容量儲存器可以包括磁碟、光碟、固態磁碟等。示例性可移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)和零電容隨機存取記憶體(Z-RAM)等。示例性的唯讀記憶體可以包括遮罩唯讀記憶體(MROM)、可程式唯讀記憶體(PROM)、可清除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光碟唯讀記憶體(CD-ROM)和數位影音光碟唯讀記憶體等。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可以與網路120連接以與系統100中的一個或多個部件(例如,伺服器110、乘客終端130、司機終端140等)通訊。系統100中的一個或多個部件可以通過網路120存取儲存於資料庫150中的資料或指令。在一些實施例中,資料庫150可以直接與系統100中的一個或多個部件 (例如,伺服器110、乘客終端130、司機終端140等)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。
在一些實施例中,系統100的一個或多個部件(例如,伺服器110、乘客終端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,當滿足一個或多個條件時,系統100的一個或多個部件可以讀取及/或修改與乘客、司機及/或公眾相關的資訊。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,當從乘客終端130接收到一個服務請求時,司機終端140可以獲取所述乘客相關資訊,但司機終端140不可修改所述乘客相關資訊。
在一些實施例中,系統100中的一個或多個部件的資訊交換可以通過請求一個服務的方式實現。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,與交通相關的軟體及/或應用程式可以包括出行軟體及/或應用程式、交通工具調度軟體及/或應用程式、地圖軟體及/或應用程式等。在交通工具調度軟體及/或應用程式中,交通工具可以包括馬、 馬車、人力車(例如獨輪手推車、自行車、三輪車等)、汽車(例如,計程車、公車、私家車等)、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)或上述舉例的任意組合。
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的示意圖。伺服器110、乘客終端130及/或司機終端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。
在一些實施例中,計算裝置200可以是專用電腦。計算裝置200可以用於實現本申請的隨選服務系統。計算裝置200可以實現所述的隨選服務的任意元件。在圖1和圖2中,為方便起見只繪製了一台計算裝置。在提交本申請時,本領域具有通常知識者將理解,與所述的隨選服務相關的電腦功能可以以分散式方式在多個類似的平臺上實現,以分散處理負荷。
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可以包括中央處理單元220(CPU,或處理器),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。示例性電腦平臺還可以包括儲存在ROM 230、RAM 240及/或其他類型的非暫時性儲存媒體中的由CPU/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現。計算裝置200還包括輸入/輸出元件260,用於支援電腦與其他部件例如使用者介面280之間的輸入/輸出。計算裝置200也可以通過網路通訊接收程式設計和資料。
為了方便起見,計算裝置200僅繪製了一個CPU/處理器220。然而,應該注意的是,本申請中的計算裝置200也可以包括多個CPU/處理器,因此 本申請中描述的由一個CPU/處理器220實現的操作及/或方法步驟也可以共同地或獨立地由多個CPU/處理器執行。例如,在本申請中,如果計算裝置200的CPU/處理器220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/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示例性處理引擎112的方塊圖。處理引擎112可以包括獲取模組310、建模模組320、價格預估模組330和發送模組340。這些模組可以包括處理引擎112的全部或部分的硬體電路。這些模組還可以實現為由處理引擎112讀取和執行的應用程式或指令集。此外,這些模組可以是硬體電路和應用程式/指令的組合。例如,當處理引擎112正在執行應用程式/指令集時,模組可以是處理引擎112的一部分。
獲取模組310可以被配置為從使用者裝置(例如,乘客終端130、司機終端140等)、資料庫150及/或任何其他裝置獲取資訊。該資訊可以包括與使用者裝置相關的任何資訊。例如,獲取模組310可以獲取與使用者裝置相關的定位資訊。所述定位資訊可以包括例如Wi-Fi資料、GPS信號等。所述定位資訊可以包括關於使用者裝置的一個或多個位置的資訊。作為另一示例,該資訊可以包括關於一個或多個訂單的資訊,諸如與一個或多個當前訂單相關的資訊(也稱為「當前訂單資訊」)、與一個或多個歷史訂單相關的資訊(也稱為「歷史訂單資訊」)等。當前訂單可以包括即將要完成的訂單。歷史訂單可以是已經完成及/或先前發出的訂單。與特定訂單相關的資訊可以包括例如與所述訂單相關的使用者資訊(例如,發起所述訂單的乘客、接受或拒絕所述訂單的司機、被分配所述訂單的司機等)、天氣資訊、交通資訊、時間資訊、位置資訊、地圖資訊、價格資訊、路線資訊等。
建模模組320可以被配置為產生用於執行價格預估及/或優化的 價格預估模型。例如,建模模組320可以使用一種或多種機器學習來技術訓練初始價格預估模型。可用於訓練價格預估模型的示例性機器學習方法可包括梯度提升決策樹(GBDT)演算法、決策樹演算法、隨機森林演算法、邏輯回歸演算法、支援向量機(Support Vector Machine,SVM)演算法、樸素貝葉斯演算法、K-a最近鄰演算法、K-means演算法、AdaBoost演算法、神經網路演算法、瑪律可夫鏈演算法或類似物或其任意組合。
在一些實施例中,價格預估模型可以包括一個或多個決策樹。所述一個或多個決策樹可以是回歸樹。建模模組320可以將每個決策樹與標籤相關。建模模組320可以基於一個或多個其他決策樹的輸出來確定特定決策樹的標籤。例如,建模模組320可以基於與其他決策樹相關的一個或多個殘差來確定特定決策樹的標籤。每個殘差可以表示預估值和實際值之間的差。在一些實施例中,殘差可以表示預估值和與其他決策樹相關的實際值之間的差的組合。
在一些實施例中,建模模組320可以基於歷史實際價格來確定價格預估模型的第一決策樹的第一標籤。例如,歷史實際價格可以用作第一標籤。歷史實際價格可以涉及一個或多個特定使用者(例如,乘客)、訂單等。建模模組320可以基於其他歷史訂單資訊來確定第一決策樹的一個或多個第一特徵。例如,第一特徵可以是及/或包括路線的一個或多個特徵、路線的一個或多個路段的特徵等。建模模組320可以對第一特徵進行分類以產生第一預估價格。第一預估價格可以對應於路線。建模模組320然後可以基於第一預估價格來確定價格預估模型的第二決策樹的第二標籤。例如,建模模組320可以確定第一預估價格和第一實際歷史價格之間的殘差並且將殘差用作第二標籤。建模模組320還可以基於歷史訂單資訊產生第二決策樹的第二特性。建模模組320然後可以對第二特性進行分類並且為第二決策樹產生第二預估價格。第二預估價格可以用於確定下一個決策樹的標籤。建模模組320可以以反覆運算方式執行上述操作以構建價格 預估模型。價格預估模型可以基於優化演算法構建。
在一些實施例中,建模模組320可以基於從獲取模組310接收的資訊來產生一個或多個價格預估模型。例如,可以基於歷史訂單資訊、當前訂單資訊、交通資訊、天氣資訊、時間資訊、位置資訊、地圖資訊或其任意組合來產生價格預估模型。當使用者請求訂單時,處理器220可以使用價格預估模型來預估訂單的價格。
在一些實施例中,建模模型320可以回應於請求,週期性地、在任意時間及/或以任何其他方式產生價格預估模型。價格預估模型可以線上或離線被訓練。
價格預估模組330可以被配置為對由使用者請求的服務請求執行價格預估及/或優化。例如,價格預估模組330可以使用由建模模組320產生的價格預估模型來確定一個或多個預估價格。每個預估價格可能是一個值或一系列值。更具體地說,例如,價格預估模組330可以產生服務請求(例如,當前訂單)的一個或多個特徵。價格預估模組330可以使用價格預估模組來處理特徵以產生服務請求的預估價格。在一些實施例中,所述服務請求的所述特徵可以包括路線。價格預估模組330可以基於與服務請求相關的第一位置(例如,上車地點)和第二地點(例如,目的地)來確定所述路線。所述路線可以使用任何合適的路線規劃技術來確定。服務請求的特徵還可以包括關於與服務請求相關的使用者(例如,發起服務訂單的乘客)的資訊,諸如與使用者有關的歷史訂單資訊。價格預估模組330可以提供關於路線的資料、與使用者有關的歷史訂單資訊,及/或所述服務請求的任何其他特徵作為價格預估模型的輸入以產生預估價格。
在一些實施例中,建模模組320及/或價格預估模組可以執行圖4、圖5和圖7所示流程400、500和700的一個或多個部分。
發送模組340可以被配置為向一個或多個使用者裝置或任何其他 裝置發送與系統100相關的資訊。例如,發送模組340可以向使用者裝置發送預估價格。又例如,發送模組340可以將關於價格預估模型的資料發送給使用者裝置。
處理引擎112中的模組可以通過有線連接或無線連接以互相連接或互相通訊。有線連接可以包括金屬纜線、光纜、混合纜線或其任意組合。無線連接可以包括區域網路(LAN)、廣域網路(WAN)、藍牙、ZigBeeTM網路、近場通訊(NFC)或其任意組合。兩個或多個模組可以合併成一個模組,以及任意一個模組可以被拆分成兩個或多個單元。例如,獲取模組310可以作為一個模組整合在發送模組340中,該模組可以從無線電裝置獲得定位請求並將預設位置發送到無線電裝置。又如,建模模組320可以拆分為收集單元、訓練單元和建立單元三個單元,以分別實現建模模組320的功能。
圖4係根據本申請的一些實施例所示的價格預估的示例性流程400的流程圖。在一些實施例中,流程400可以由圖1中所示的系統100來實現。例如,流程400可以以指令的形式儲存在資料庫150及/或記憶體(如ROM 230、RAM 240等)中,並且被伺服器110(如伺服器110中的處理引擎112、伺服器110中的處理引擎112中的處理器220或者如圖3中所示的處理引擎112中的一個或多個元件)調用及/或執行。
在402中,處理器220可以獲得歷史訂單資訊和交通資訊。在一些實施例中,歷史訂單資訊可以包括與一個或多個歷史訂單相關的任何資訊(例如,先前發出及/或完成的訂單)。所述歷史訂單可以涉及位置、一個或多個特定乘客等。位置可以包括城市、城鎮、國家、街道、城市的一個或多個部分(例如城市的商業區、城市中的區域等)或任何其他位置。處理器220可以是線上隨選服務平臺(例如系統100)的伺服器的處理器。在一些實施例中,所述歷史訂單資訊可以包括與一個或多個歷史訂單有關的任何資訊,諸如歷史訂單的數 量、與歷史訂單相關的通勤的數量、在特定時間段(例如在早晨及/或晚上高峰時間期間)內發出的訂單的數量、歷史實際價格與歷史預估價格之間的比較、與訂單相關的時間資訊、歷史訂單的粗略預估價格、與歷史訂單相關的成本、為歷史訂單收取的票價(例如,基本費用、每分鐘成本、每英里成本、預訂費用、附加費等)等。與訂單相關的時間資訊可以包括訂單發生的時間和訂單花費時間。
訂單的粗略預估價格可以基於與訂單有關的資訊來確定,例如乘車距離、與訂單有關的時間資訊(例如,與訂單發出相對應的時間)、與訂單有關的行駛時間、上車地點、目的地等。所述粗略預估可以基於一個或多個電腦實現的規則來確定。例如,粗略預估的價格可以通過用費率(例如每英里的成本)乘以乘車距離來確定。又例如,粗略預估的價格可以通過乘坐時間乘以費率(例如,每分鐘費用)來確定。再例如,粗略預估的價格可以通過在票價上增加附加費來確定。所述附加費可包括與距離有關的費用、與時間有關的費用、夜間駕駛費用、長途駕駛費用或其任意組合。與時間有關的費用可能是基於訂單花費時間的費用。例如,訂單花費的時間少於10分鐘,與時間有關的費用可能是固定價格。當訂單花費的時間超過10分鐘時,與時間有關的費用可能會基於訂單花費時間增加。所述歷史資訊可以被儲存在資料庫150中。
在一些實施例中,從上車地點到目的地的路線可以包括一個或多個路段。路線中的每個路段可以對應於路線的至少一部分。該路線可以基於一個或多個預定的電腦實施規則被分割成多個路段。所述交通資訊可以包括路線資訊和路段資訊。所述路線資訊可以包括路線中包括的多個路段、包括在路線中的交通燈的數量、包括在路線中的用於左轉的交通燈的數量、包括在路線中的用於右轉的交通燈的數量等等。所述路段資訊可以包括路段的道路距離、路段端點的緯度和經度、或者路線分段中使用的路段的任何其他特徵或其任意組 合。所述道路距離可以是與兩個位置之間的直線距離不同的距離。所述道路距離可以是運輸工具可以經過的實際距離。上車地點的緯度和經度可以從線上數位地圖資料庫獲得。在一些實施例中,交通資訊可以被儲存在資料庫150中。
在404中,處理器220可以預處理歷史訂單資訊。例如,處理器220可以預處理歷史訂單資訊(例如,歷史實際價格、歷史預估價格)以確定粗略預估價格及/或粗略預估價格的範圍(也被稱為「預估價格範圍」)。所述預估的價格範圍可以包括最小預估價格和最大預估價格。所述預估價格範圍及/或粗略預估價格可以通過執行下述結合圖6描述的一個或多個操作來確定。在一些實施例中,步驟404可以被省略。
在406中,處理器220可以產生至少一個價格預估模型。在一些實施例中,所述價格預估模型可以使用GBTD演算法來產生。在一些實施例中,所述至少一個價格預估模型可以包括預估價格模型、最大預估價格模型和最小預估價格模型等。所述價格預估模型可以是用於預估訂單價格的機器學習模型。在一些實施例中,需要訂單的預估價格值。處理器220可以使用價格預估模型來提供準確的預估價格。在一些實施例中,需要訂單的預估價格值的範圍。處理器220可以使用兩個價格預估模型來提供最小預估價格和最大預估價格。最小預估價格和最大預估價格可構成訂單的預估價格值的範圍。
在408中,處理器220可以獲得與訂單請求有關的資訊。所述訂單請求可以從使用者終端傳輸而來。所述訂單請求可以由使用者發起。在一些實施例中,與訂單請求有關的資訊可以包括與使用者資訊相關的當前訂單資訊。當前訂單資訊可以包括上車地點、目的地、使用者指定的上車時間、使用者指定的特定路線等。所述使用者資訊可以包括使用者名稱、使用者識別符、使用者終端或其任意組合。
在410中,處理器220可以確定與所述訂單請求有關的一個或多個 路線。在一些實施例中,可以基於當前訂單資訊來確定路線。例如,處理器220可以確定從上車地點到目的地的至少一條路線。在一些實施例中,所述路線可以包括滿足一個或多個條件的一個或多個路線。例如,所述路線可以包括與特定行駛時間(例如,最短行駛時間、第二最短行駛時間、小於臨界值的行駛時間等)相關的路線。又例如,路線可以包括與特定距離(例如,最短距離、第二最短距離等)相關的路線。
在412中,處理器220可以確定每條路線的預估價格。在一些實施例中,至少一個路線中的每一個路線的價格預估可由處理器220使用在406中產生的價格預估模型來確定。例如,處理器220可以基於與訂單請求有關的資訊提取訂單請求的一個或多個特徵。訂單的特徵可以包括例如出發地點、目的地、出發地點和目的地之間的距離、從出發地點到目的地的路線之間的交通訊號燈的數量、與訂單請求相關的時間(例如,滿足訂單請求的時間點或時間段)、天氣資訊等。處理器220可以基於所述特徵和產生的價格預估模型來確定訂單的預估價格。例如,處理器220可以將該特徵與包含在價格預估模型中的分類特徵進行比較以確定分類規則。並且基於分類規則,處理器220可以提供預估的價格。在一些實施例中,分類規則可以是連結一組分類特徵的路線。路線的末端可能會連接到一個價格。處理器220可以確定訂單的路線並且確定連接到所述路線的價格,以作為所述訂單的預估價格。關於路線確定的更多細節可以在本申請的其他地方揭露(例如,在圖8的描述中)。在一些實施例中,至少一個路線中的每一個路線的價格預估可以是預估價格。在一些實施例中,所述至少一個路線中的每一個路線的預估價格可以是預估的價格範圍。
圖5係根據本申請的一些實施例所示的預處理歷史訂單資訊的示例性流程500的流程圖。在一些實施例中,流程500可以在如圖1所示的系統100中實現。例如,流程500可以以指令儲存在資料庫150及/或儲存器(如ROM 230、 RAM 240等)中,並且被伺服器110(如伺服器110中的處理引擎112、伺服器110中的處理引擎112中的處理器220或者圖3中處理引擎112中的一個或多個元件)調用及/或執行。
在502中,處理器220可以為多個歷史訂單中的每一個歷史訂單確定第一價格和第二價格。所述第一價格可能是歷史訂單的實際價格(也稱為「歷史實際價格」)。歷史實際價格可能是使用者為歷史訂單實際支付的價格。在一些實施例中,一個歷史實際價格可以對應於多個歷史訂單。可以為所述歷史訂單產生多個第一價格。第二價格可以包括歷史訂單的歷史預估價格。所述歷史預估價格可能是粗略預估價格。在一些實施例中,可以為所述歷史訂單產生多個第二價格。
在504中,處理器220可以基於所述第一價格和所述第二價格來確定第一係數和第二係數。所述第一係數可以用於基於歷史實際價格確定最小預估價格。所述第二係數可以用於基於歷史實際價格確定最大預估價格。所述第一係數可以是最小係數。用於確定最大預估價格的所述第二係數可以是最大係數。在一些實施例中,可以使用一個或多個歷史訂單來確定所述第一係數和第二係數。對於歷史訂單的不同部分,可以獲得不同的第一係數和第二係數。在504中,可以將第一係數的平均值和第二係數的平均值視為第一係數和第二係數。例如,具有歷史實際價格為12元的歷史訂單可以用於確定第一組第一係數和第二係數。具有歷史實際價格為100元的歷史訂單可以用於確定第二組第一係數和第二係數。在504中,可以將第一組中的第一係數和第二組中的第一係數的平均值視為第一係數。在504中,可以將第一組中的第二係數和第二組中的第二係數的平均值視為第二係數。
在506中,處理器220可以為每個歷史訂單確定第一預估價格和第二預估價格。第一預估價格可以是歷史實際價格的最小粗略預估價格。第二預 估價格可以是歷史實際價格的最大粗略預估價格。最小粗略預估價格和最大粗略預估價格可以形成歷史實際價格的粗略預估價格的範圍。在一些實施例中,第一預估價格可以通過將歷史實際價格與第一係數相乘來確定。第二預估價格可以通過將歷史實際價格與第二係數相乘來確定。
圖6係根據本申請的一些實施例所示的用於預處理歷史訂單資訊的示例性模型的示意圖。如圖所示,可以使用統計長條圖602和分佈曲線604來描述預處理。歷史訂單的一部分可能會被分析。例如,在該圖中,可以分析與特定歷史實際價格(例如,12.5元)相關的歷史訂單。圖中的橫軸可以代表歷史價格,縱軸可以代表歷史價格的計數。歷史價格的計數可以指具有該歷史價格的訂單的數量。統計長條圖602可以表示與歷史實際價格相關的歷史訂單相關的預估價格的分佈。分佈曲線604可以表示統計長條圖602的曲線擬合。粗略預估價格的範圍可以基於歷史實際價格和分佈曲線604來確定。例如,對應於統計長條圖602的分佈曲線604可能具有峰值價格(12.2元)。可以確定粗略預估價格D的範圍以確定第一係數和第二係數。分佈曲線604的粗略預估價格的範圍可以包括最低價格和最高價格。第一係數可以是基於最低價格和歷史實際價格確定的最小係數。第二係數可以是基於最高價格和歷史實際價格確定的最大係數。
在一些實施例中,處理器220可以確定最低價格和歷史實際價格之間的寬度D1(也被稱為第一寬度)。所述第一寬度可以表示最低價格和歷史實際價格之間的差異。處理器220可以確定最高價格和歷史實際價格之間的寬度D2(也被稱為「第二寬度」)。所述第二寬度可以表示最高價格和歷史實際價格之間的差異。在一些實施例中,第一寬度和第二寬度的值可以相同或不同。
在一些實施例中,預估價格的範圍可以基於比例值來確定。所述比例值可以表示預估價格範圍下的覆蓋面積與整個分佈曲線604的面積的比率。示例性比例值可以包括20%、40%、60%、70%、80%和90%等。例如,比 例值可以被確定為60%。多個歷史價格範圍可以具有60%的比例值。處理器220可以以歷史價格範圍的最小寬度作為預估價格範圍的範圍(諸如11.2至13.5)。最低價格和最高價格可以是11.2和13.5。
在一些實施例中,預估價格的範圍可以具有固定寬度(諸如歷史實際價格的20%)。例如,歷史實際價格可能是12.5。確定的價格範圍的寬度可以定為2.5。多個歷史價格範圍可以具有2.5的固定寬度。處理器220可以將具有最大預估價格的歷史價格範圍確定為預估價格範圍,例如11.1至13.6。最低預估價格為11.1元,最高預估價格為13.6元。
圖7係根據本申請的一些實施例所示的產生價格預估模型的示例性流程700的流程圖。在一些實施例中,流程700可以在如圖1所示的系統100中實現。當處理器220被要求提供預估價格時,它可以產生價格預估模型。當處理器220被要求提供預估價格的範圍時,它可以使用流程700產生兩個價格預估模型。價格預估模型之一可用於確定最小預估價格。另一個可以用於確定最大預估價格。最小預估價格和最大預估價格可以構成預估價格的範圍。當處理器220需要提供預估價格和預估價格範圍時,它可以產生三個價格預估模型。
在704中,處理器220可以將一個或多個歷史價格設置為價格預估模型的初始樹標籤。例如,處理器220可以基於歷史價格確定價格預估的第一決策樹的標籤。在一些實施例中,歷史價格可以是基於歷史訂單資訊獲得的歷史實際價格。在一些實施例中,歷史價格可以包括在流程500中確定的最小粗略預估價格及/或最大粗略預估價格。在歷史價格包括最小粗略預估價格的一些實施例中,處理器220可以產生價格預估模型以提供最小預估價格。在歷史價格包括最大粗略預估價格的一些實施例中,處理器220可以產生價格預估模型以提供最大預估價格。最小預估價格和最大預估價格可用於確定每個訂單的預估價格範圍。
在706中,處理器220可以將歷史訂單資訊和交通資訊的一個或多個特徵設置為分類特徵。
在一些實施例中,所述分類特徵可以用於將包含在初始樹標籤中的歷史價格分類為多個分支。分支可能是滿足分類特徵的歷史價格。在一些實施例中,歷史訂單資訊的一個或多個特徵可以包括上車地點、目的地、訂單的距離、訂單的預估時間等。在一些實施例中,交通資訊可以包括路線資訊和路段資訊。路線資訊可以包括路線中包括的多個路段、包括在路線中的交通燈的數量、包括在路線中的用於左轉的交通燈的數量、包括在路線中的用於右轉的交通燈的數量等等。所述路段資訊可以包括路段的道路距離、路段端點的緯度和經度,或者路線分段中使用的路段的任何其他特徵或其任意組合。例如,當分類特徵是訂單的距離時,例如5公里,距離為5公里的訂單可以被分類為分支。
在708中,處理器220可以確定一個或多個預估價格。在一些實施例中,每個分支可具有可用於確定預估價格的分類歷史價格。在一些實施例中,分支中僅包括一個歷史價格。所述一個歷史價格可以被認為是該分支的預估價格。在一些實施例中,兩個或更多個歷史價格可以被包括在分支中。所述歷史價格的平均值可以被認為是預估價格。對於每個分支,預估價格可能被確定。
在710中,處理器220可以確定與預估價格相關的殘差。在一些實施例中,每個殘差可以表示每個分支的一個或多個歷史價格與預估價格之間的差值。例如,歷史價格可能是12元,預估價格可能是10.5。處理器220可以將殘差確定為1.5,作為歷史價格和預估價格之間的差值。又例如,歷史價格可能是15,預估價格可能是17.2。處理器220可以將殘差確定為-2.2。
在712中,處理器220可以確定是否滿足預定標準。預定標準可以包括用於結束流程700的一個或多個條件。例如,所述預定標準可以包括執行流程700反覆運算次數的臨界值。具體地,例如,處理器220可以回應於確定執行 流程700已達臨界值反覆運算次數來確定滿足預定標準。可選地,處理器220可以回應於確定執行流程700未達臨界值反覆運算次數來確定不滿足預定標準。
又例如,所述預定標準可以包括損失函數的值小於臨界值。更具體地,例如,處理器220可以回應於確定損失函數的值小於臨界值而確定不滿足預定標準。或者,處理器220可以回應於確定損失函數的值大於或等於臨界值而確定滿足預定標準。所述損失函數可以是用於測量預估價格與歷史價格之間的偏差的函數。損失函數可以表示殘差的平均值(例如算術平均值、幾何平均值、加權平均值等)。
在一些實施例中,回應於確定滿足所述預定標準,處理器220可進行至步驟716。或者,處理器200可以回應於確定不滿足預定標準而前進到步驟714。
在714中,處理器220可以將殘差設置為新的樹標籤。例如,處理器220可以將在步驟710中確定的殘差設置為價格預估模型的下一個決策樹的樹標籤。新的樹標籤可用於訓練價格預估模型的下一個決策樹。處理器220然後可以迴圈回到步驟706。例如,處理器220可以設置歷史訂單資訊和交通資訊的一個或多個特徵作為下一個決策樹的分類特徵。
在716中,處理器220可以獲得訓練的價格預估模型。處理器220可以輸出及/或儲存通過執行如上所述的步驟704-714訓練的價格預估模型。在一些實施例中,訓練價格預估模型可以用於回應於訂單請求提供預估價格。在訓練的價格預估模型中,可能有多個分類樹可以被視為各種連結。訂單請求中的特徵可以與所述連結進行比較以提供預估價格。
圖8係根據本申請的一些實施例所示的用於對歷史訂單進行分類的示例性資料結構的示意圖。802可以表示價格預估模型的第一樹標籤(例如,結合圖7描述的價格預估模型)。一個或多個歷史價格(例如,如圖8所示的9、 14、15和22)可以被包括在第一樹標籤中。歷史價格可能包括一個或多個歷史實際價格。在一些實施例中,歷史價格可以包括一個或多個預處理的歷史價格(例如,如上所述的最小預估價格及/或最大預估價格)。
804-1和804-2可以表示與第一樹標籤對應的分類特徵(例如,在704中確定的分類特徵)。所述分類特徵可以包括上述的歷史訂單資訊和交通資訊。例如,分類特徵可以包括第一距離(例如3公里的距離)和第二距離(例如5公里的距離)。歷史價格(9、14、15和22)可以基於與歷史訂單有關的資訊而被分類為多個分支。例如,對應於第一距離的訂單(例如,9和15)可以被分類為第一分支。又例如,對應於第二距離的訂單(14和22)可以被分類為第二分支。
806-1和806-2可以表示基於804-1和804-2分類特徵的歷史價格的分類分支。在一些實施例中,第一樹標籤的分支也可以指第一集合。可以確定第一集合的歷史價格的第一多個平均值。可以為每個第一集合確定預估的價格。例如,分支806-1的預估價格是12。在一些實施例中,分支可以包含兩個或多個歷史價格。例如,第一樹標籤802中的兩個或多個歷史價格可以被分類為基於分類特徵(例如,距離)的分支。更具體地,例如,分類在同一分支中的歷史訂單可具有相同的距離、相似的距離等。在一些實施例中,當兩個距離之間的差異不大於臨界值時,兩個距離可被認為是相似的。
基於分支,可以確定一個或多個殘差。如上所述,每個殘值的值可以是分支中的預估價格與對應的歷史實際價格之間的差值。例如,在分支806-1中,歷史價格是9和15。相應的預估價格是12。處理器220然後可以確定分支806-1的殘差為-3和3。
808可以表示價格預估模型的第二樹標籤。可以將與第一樹標籤對應的分支的殘差設置為第二樹標籤808。例如,第二樹標籤中的歷史價格設置 的殘差可以是-3、-4、3和4。處理器220可以提取殘差並將它們設置為第二樹標籤。
810-1和810-2可以表示用於對第二樹標籤中的殘差進行分類的分類特徵。在一些實施例中,分類特徵810-1和810-2可以不同於分類特徵804-1和804-2。例如,分類特徵804-1和804-2可以是上車地點及/或距離。用於對第二樹標籤中的殘差進行分類的分類特徵810-1和810-2可以是訂單花費的時間、交通燈數量、天氣等等。例如,當分類特徵810-1是交通燈數量例如3,則與具有3個交通燈的歷史訂單相關的殘差可以被分類同一分支。
812-1和812-2可以表示第二樹的分支。在一些實施例中,第二樹標籤的分支可以指第二集合。可以確定第一樹標籤的殘差的第二多個平均值。第二樹標籤的殘差可以由處理器220確定。第二樹標籤的殘差可以基於第一樹標籤的殘差來確定。例如,第二樹標籤可以包括-3、-4、3和4。分支812-1和812-2(第二集合)的平均值可以是-3.5和3.5。那麼,第二樹標籤的殘差可以是0.5、-0.5、-0.5和0.5。
在一些實施例中,可以滿足預定標準,並且價格預估模型可以通過如圖中所示的兩次分類來訓練。可以確定歷史價格和預估價格之間的關係。例如,歷史價格9可以被分類到分支812-1。歷史價格9的預估價格是12和-3.5的和8.5。如上所述,包括804-1和810-1的路線可以對應於可以確定價格為8.5的分類規則。類似地,包括804-1和810-2的路線可以對應於可以確定價格為15.5的分類規則。包括804-2和810-1的路線可以對應於可以確定價格為14.5的分類規則。包括804-2和810-2的路線可以對應於可以確定價格為21.5的分類規則。在這種情況下,如果訂單具有804-1和810-1的相同特徵,則處理器220可以確定包括804-1和810-1的路線並且將訂單的預估價格確定為8.5。
本申請的實施例還涉及一種電腦可讀取媒體及/或機器可讀取儲 存媒體,其上儲存了體現本申請描述的一種或多種方法及/或功能的一組或多組指令(例如,由獲取模組310、建模模組320、價格預估模組330和發送模組340執行的指令)。在一些實施例中,電腦可讀取媒體及/或機器可讀取儲存媒體可以包括當被處理器(或計算裝置)存取時使處理器執行一個或多個流程及/或方法的指令(例如,結合圖3-圖8所描述的一個或多個流程)。
例如,電腦可讀取媒體及/或機器可讀取儲存媒體可以包括指令,所述指令由實現獲取模組310的一個或多個處理器存取時,使處理器從使用者裝置(例如,乘客終端130、駕駛員終端140等)、資料庫150及/或任何其他裝置獲得資訊。在一些實施例中,指令由處理器存取時,可以使處理器執行可以由獲取模組310執行的任何操作,如以上結合圖3所描述的。
又例如,電腦可讀取媒體及/或機器可讀取儲存媒體可以包括指令,所述指令由實現建模模組320的一個或多個處理器存取時,使處理器產生一個或多個價格預估模型以用於執行價格預估及/或優化。在一些實施例中,所述指令由處理器存取時,可以使處理器執行可以由建模模組310執行的一個或多個操作,如以上結合圖3和圖5-8所描述的。
再例如,電腦可讀取媒體及/或機器可讀取儲存媒體可以包括指令,所述指令由實現價格預估模組330的一個或多個處理器存取時,使處理器執行價格預估及/或優化使用者所請求的服務請求。在一些實施例中,所述指令由處理器存取時,可以使處理器執行可以由價格預估模組330執行的一個或多個操作,如以上結合圖3所描述的。
再例如,電腦可讀取媒體及/或機器可讀取儲存媒體可以包括指令,所述指令由實現發送模組340的一個或多個處理器存取時,使處理器發送與系統100有關的資訊到一個或多個使用者裝置或任何其他裝置。在一些實施例中,所述指令由處理器存取時,可以使處理器執行可以由發送模組340執行的一 個或多個操作,如以上結合圖3所描述的。
此處,電腦可讀取媒體包括以機器(例如,電腦)可讀取形式儲存或傳輸資訊的任何機制。例如,在一些實施例中,電腦可讀取媒體可以是暫時的或非暫時的。例如,非暫時性的電腦可讀取媒體可以包括例如磁媒體(如硬碟、軟碟等)、光媒體(如光碟、DVD、藍光光碟等)、半導體媒體(如快閃記憶體、電子可程式唯讀記憶體(EPROM)、電子可清除可程式唯讀記憶體(EEPROM)等)等任何在傳播流程中所記錄的資料不會稍縱即逝或者缺乏持久性的有形媒體。再例如,暫時性的電腦可讀取媒體可以包括網路信號、連接器、導體、光纖、電路等任何在傳播流程中所記錄的資料稍縱即逝並且缺乏持久性的無形媒體。
本申請還涉及用於執行所述操作的裝置。該裝置可以為了所需目的專門構造,或者可以包括通過電腦中儲存的電腦程式選擇性地啟動或重新配置的通用電腦。這樣的電腦程式可以儲存在電腦可讀取儲存媒體中,包括但不限於任何類型的軟磁碟、光碟、CD-ROM和磁碟、唯讀記憶體(ROM)、隨機存取記憶體(RAM)、EPROM、EEPROM、磁卡或光卡或適用於儲存電子指令的任何類型的媒體。
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、微碼等)執行、也可以由硬體和軟體組合執行。以上硬體或軟體均可以被稱為「塊」、「模組」、「引擎」、「單元」、「元件」或「系統」。此外,本申請的各個態樣可能表現為內含於一個或多個電腦可讀取媒體中的電腦程式產品,該電腦可讀取媒體具有內含於其上之電腦可讀取程式編碼。
400‧‧‧流程
402‧‧‧步驟
404‧‧‧步驟
406‧‧‧步驟
408‧‧‧步驟
410‧‧‧步驟
412‧‧‧步驟
414‧‧‧步驟
Claims (18)
- 一種用於價格預估的系統,包括:至少一個電腦可讀取儲存媒體,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;以及與所述電腦可讀取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:接收來自使用者終端的服務請求;確定所述服務請求的至少一個路線;以及基於所述至少一個路線和至少一個價格預估模型來確定所述服務請求的預估價格,其中為了確定所述預估價格,所述處理器進一步被指示為:基於所述路線提取所述服務請求的一個或多個特徵;以及使用所述價格預估模型來處理所述服務請求的所述一個或多個特徵;所述處理器進一步被指示為:獲得歷史訂單資訊和與至少一個歷史訂單相關的交通資訊;基於所述歷史訂單資訊確定多個歷史實際價格;根據所述交通資訊和所述歷史訂單資訊中的至少一個,確定與所述歷史實際價格對應的多個歷史預估價格;以及基於所述多個歷史實際價格和所述多個歷史預估價格來產生所述至少一個價格預估模型。
- 如申請專利範圍第1項之系統,其中所述預估價格包括價格或價格範圍中的至少一個。
- 如申請專利範圍第1項之系統,其中為了確定所述服務請求的所述預估價格,所述處理器進一步被指示為使用所述價格預估模型來處理與使用 者相關的所述至少一個路線和至少一個歷史訂單的資料。
- 如申請專利範圍第1項之系統,其中為了確定與所述歷史實際價格對應的所述歷史預估價格,所述處理器進一步被指示為:基於所述交通資訊和所述歷史訂單資訊中的至少一個將所述歷史實際價格分類為多個第一集合;確定所述第一集合的所述歷史實際價格的第一多個平均值;以及基於所述第一多個平均值確定所述歷史預估價格。
- 如申請專利範圍第4項之系統,其中為了確定與所述歷史實際價格對應的所述歷史預估價格,所述處理器進一步被指示為:確定所述第一集合的多個殘差,其中所述殘差表示所述歷史實際價格與所述歷史預估價格之間的差異;以及基於所述交通資訊或所述歷史訂單資訊中的至少一個將所述殘差分類為多個第二集合。
- 如申請專利範圍第5項之系統,其中為了確定與所述歷史實際價格對應的所述歷史預估價格,所述處理器進一步被指示為:確定所述第二集合的殘差的第二多個平均值;以及基於所述第一多個平均值和所述第二多個平均值來確定所述歷史預估價格。
- 如申請專利範圍第1項之系統,其中所述至少一個處理器進一步被指示為:分析與所述歷史訂單資訊有關的多個歷史訂單中的每一個歷史訂單的粗略預估價格和實際價格;基於所述分析來確定最小係數和最大係數;以及確定每個所述歷史訂單的最大預估價格和最小預估價格。
- 如申請專利範圍第7項之系統,其中為了產生所述至少一個價格預估模型,所述至少一個處理器進一步被指示為:基於所述最小預估價格產生第一價格預估模型;以及基於所述最大預估價格產生第二價格預估模型。
- 如申請專利範圍第1項之系統,其中所述交通資訊包括至少一個交通燈、距離、上車地點的緯度和經度或路線的路段數量的這些資訊中的至少一個。
- 如申請專利範圍第1項之系統,其中所述價格預估模型包括梯度提升決策樹(gradient boosting decision tree,GBDT)模型。
- 一種用於提供隨選服務的方法,包括:由處理器接收來自使用者終端的服務請求;確定所述服務請求的至少一個路線;以及基於所述至少一個路線和至少一個價格預估模型來確定所述服務請求的預估價格,其中確定所述預估價格包括:基於所述路線提取所述服務請求的一個或多個特徵;以及使用所述價格預估模型來處理所述服務請求的所述一個或多個特徵;所述方法還包括:基於所述歷史訂單資訊確定多個歷史實際價格;根據所述交通資訊和所述歷史訂單資訊中的至少一個,確定與所述歷史實際價格對應的多個歷史預估價格;以及基於所述多個歷史實際價格和所述多個歷史預估價格產生所述至少一個價格預估模型。
- 如申請專利範圍第11項之方法,其中所述預估價格包括價格或價格範圍中的至少一個。
- 如申請專利範圍第11項之方法,其中確定所述服務請求的所述預估價格包括使用所述價格預估模型來處理與使用者相關的所述至少一個路線和至少一個歷史訂單的資料。
- 如申請專利範圍第11項之方法,其中確定與所述歷史實際價格對應的所述歷史預估價格包括:基於所述交通資訊和所述歷史訂單資訊中的至少一個將所述歷史實際價格分類為多個第一集合;確定所述第一集合的所述歷史實際價格的第一多個平均值;以及基於所述第一多個平均值確定所述歷史預估價格。
- 如申請專利範圍第14項之方法,其中確定與所述歷史實際價格對應的所述歷史預估價格進一步包括:確定所述第一集合的多個殘差,其中所述殘差表示所述歷史實際價格與所述歷史預估價格之間的差異;以及基於所述交通資訊或所述歷史訂單資訊中的至少一個將所述殘差分類為多個第二集合。
- 如申請專利範圍第15項之方法,其中確定與所述歷史實際價格對應的所述歷史預估價格進一步包括:確定所述第二集合的殘差的第二多個平均值;以及基於所述第一多個平均值和所述第二多個平均值來確定所述歷史預估價格。
- 如申請專利範圍第11項之方法,進一步包括:分析與所述歷史訂單資訊有關的多個歷史訂單中的每一個歷史訂單的粗略預估價格和實際價格;基於所述分析來確定最小係數和最大係數;以及 確定每個所述歷史訂單的最大預估價格和最小預估價格。
- 一種用於價格預估的非暫時性機器可讀取儲存媒體,其包括指令,所述指令在由線上隨選服務平臺的至少一個處理器存取時,使所述至少一個處理器:接收來自使用者終端的服務請求;確定所述服務請求的至少一個路線;以及基於所述至少一個路線和至少一個價格預估模型來確定所述服務請求的預估價格,其中為了確定所述預估價格,所述處理器進一步被指示為:基於所述路線提取所述服務請求的一個或多個特徵;以及使用所述價格預估模型來處理所述服務請求的一個或多個特徵;所述處理器進一步被指示為:獲得歷史訂單資訊和與至少一個歷史訂單相關的交通資訊;基於所述歷史訂單資訊確定多個歷史實際價格;根據所述交通資訊和所述歷史訂單資訊中的至少一個,確定與所述歷史實際價格對應的多個歷史預估價格;以及基於所述多個歷史實際價格和所述多個歷史預估價格來產生所述至少一個價格預估模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/087223 WO2018223272A1 (en) | 2017-06-05 | 2017-06-05 | Systems and methods for price estimation using machine learning techniques |
WOPCT/CN2017/087223 | 2017-06-05 | ||
??PCT/CN2017/087223 | 2017-06-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201905802A TW201905802A (zh) | 2019-02-01 |
TWI703526B true TWI703526B (zh) | 2020-09-01 |
Family
ID=64566725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107117255A TWI703526B (zh) | 2017-06-05 | 2018-05-21 | 使用機器學習技術來估價的系統和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200104889A1 (zh) |
CN (1) | CN109716383A (zh) |
TW (1) | TWI703526B (zh) |
WO (1) | WO2018223272A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861616A (zh) * | 2019-09-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种订单信息显示方法及装置 |
US20210256443A1 (en) * | 2019-11-19 | 2021-08-19 | Shashank Srivastava | Methods and systems for supply chain network optimization |
TWI718809B (zh) * | 2019-12-16 | 2021-02-11 | 財團法人工業技術研究院 | 收益預測方法、收益預測系統及圖案化使用者介面 |
CN111815346A (zh) * | 2020-04-10 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 预估结算数据的方法、装置、存储介质及电子设备 |
DE102021124226A1 (de) | 2021-09-20 | 2023-03-23 | Ford Global Technologies Llc | KI (Künstliche Intelligenz)-unterstütztes System und Verfahren zur automatisierten Rechnungsstellung und Bezahlung |
CN113902209A (zh) * | 2021-10-20 | 2022-01-07 | 中国联合网络通信集团有限公司 | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599002A (zh) * | 2015-02-13 | 2015-05-06 | 北京嘀嘀无限科技发展有限公司 | 预测订单价值的方法及设备 |
TWI503675B (zh) * | 2010-11-15 | 2015-10-11 | Alibaba Group Holding Ltd | The method of predicting the number of user actions of the word and the device |
CN105117790A (zh) * | 2015-07-29 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 车费预估方法及装置 |
US20160300318A1 (en) * | 2015-04-13 | 2016-10-13 | Uber Technologies, Inc. | Fare determination system for on-demand transport arrangement service |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101073166B1 (ko) * | 2005-03-07 | 2011-10-12 | 주식회사 현대오토넷 | 네비게이션시스템을 이용한 택시미터 및 택시 요금 계산 방법 |
CN101814201A (zh) * | 2010-05-31 | 2010-08-25 | 深圳市凯立德计算机***技术有限公司 | 一种出租车费用计算方法和导航设备 |
CN102339481A (zh) * | 2010-07-27 | 2012-02-01 | 成都宇达电通有限公司 | 基于导航地图的出租车费用预估***及方法 |
EP3080765A1 (en) * | 2013-12-11 | 2016-10-19 | Skyscanner Limited | Method and server for providing fare availabilities, such as air fare availabilities |
CN104794886A (zh) * | 2014-08-12 | 2015-07-22 | 北京东方车云信息技术有限公司 | 网络租车***中打车费用预估***和方法 |
CA2892061A1 (en) * | 2015-05-22 | 2016-11-22 | Jasim A. Hijres | Online negotiator broker for real estate long term property rentals, sales and car sales |
CN105678568A (zh) * | 2015-12-29 | 2016-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种确定优惠信息的方法及装置 |
-
2017
- 2017-06-05 CN CN201780057385.7A patent/CN109716383A/zh active Pending
- 2017-06-05 WO PCT/CN2017/087223 patent/WO2018223272A1/en active Application Filing
-
2018
- 2018-05-21 TW TW107117255A patent/TWI703526B/zh active
-
2019
- 2019-12-02 US US16/699,864 patent/US20200104889A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI503675B (zh) * | 2010-11-15 | 2015-10-11 | Alibaba Group Holding Ltd | The method of predicting the number of user actions of the word and the device |
CN104599002A (zh) * | 2015-02-13 | 2015-05-06 | 北京嘀嘀无限科技发展有限公司 | 预测订单价值的方法及设备 |
US20160300318A1 (en) * | 2015-04-13 | 2016-10-13 | Uber Technologies, Inc. | Fare determination system for on-demand transport arrangement service |
CN105117790A (zh) * | 2015-07-29 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 车费预估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20200104889A1 (en) | 2020-04-02 |
CN109716383A (zh) | 2019-05-03 |
WO2018223272A1 (en) | 2018-12-13 |
TW201905802A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI703526B (zh) | 使用機器學習技術來估價的系統和方法 | |
JP6942762B2 (ja) | 運輸サービスの料金を求める方法及びシステム | |
AU2020201991B2 (en) | Systems and methods for recommending an estimated time of arrival | |
JP6925479B2 (ja) | 共有可能な注文を割り当てるためのシステムおよび方法 | |
JP6677802B2 (ja) | 到着時間を推定するための方法およびシステム | |
CN111476588B (zh) | 订单需求预测方法、装置、电子设备及可读存储介质 | |
JP6637054B2 (ja) | オン・デマンドサービスの情報を提供する方法及びシステム | |
CN114944059B (zh) | 确定预估到达时间的方法与*** | |
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 | |
CN108713326B (zh) | 分配按需服务请求的***及方法 | |
JP2019527871A (ja) | 到着予定時刻を決定するシステム及び方法 | |
WO2016127918A1 (zh) | 一种运力调度方法及*** | |
CN112236787B (zh) | 用于生成个性化目的地推荐的***和方法 | |
TWI703516B (zh) | 用於預估到達時間的方法以及系統 | |
TWI690906B (zh) | 用於交通訊號燈配時的系統和方法 | |
JP2019532372A (ja) | ドライバーの安全性スコアを決定するためのシステムおよび方法 | |
TW201901474A (zh) | 用於確定預估到達時間的系統和方法 | |
US11580451B2 (en) | Systems and methods for determining estimated time of arrival | |
CN108885726A (zh) | 服务时间点预测***和方法 | |
JP2021506007A (ja) | オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法 | |
CN111367575A (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
CN111954891B (zh) | 一种跨业务的共享汽车资源复用方法 | |
CN114662730A (zh) | 用于增强的用户体验和操作效率的运输运营商协作 | |
Kreydenko et al. | Urban Mobility: From Traditional to Intelligent Forms of Mobility | |
WO2020151725A1 (zh) | 一种位置预测方法以及装置 |