CN107111794B - 预测和利用地图服务中出行时间的可变性 - Google Patents

预测和利用地图服务中出行时间的可变性 Download PDF

Info

Publication number
CN107111794B
CN107111794B CN201580072885.9A CN201580072885A CN107111794B CN 107111794 B CN107111794 B CN 107111794B CN 201580072885 A CN201580072885 A CN 201580072885A CN 107111794 B CN107111794 B CN 107111794B
Authority
CN
China
Prior art keywords
travel
route
trip
travel time
variability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201580072885.9A
Other languages
English (en)
Other versions
CN107111794A (zh
Inventor
D·伍德亚德
E·J·霍维茨
G·诺根
P·B·科驰
D·拉兹
M·格尔德兹米特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Microsoft Technology Licensing LLC
Original Assignee
Microsoft Technology Licensing LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Microsoft Technology Licensing LLC filed Critical Microsoft Technology Licensing LLC
Publication of CN107111794A publication Critical patent/CN107111794A/zh
Application granted granted Critical
Publication of CN107111794B publication Critical patent/CN107111794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

用于预测在特定时间处的行程的出行时间的可变性的系统可以利用包括与行程相关联的潜在变量的机器学习模型。机器学习模型可以从基于从移动设备报告的基于位置的测量的历史行程数据被训练。一旦被训练，机器学习模型可以被利用用于预测出行时间的可变性。一种处理可以包括：接收与行程相关联的起点、目的地和开始时间；获得从起点向目的地行进的候选路线；以及至少部分地基于机器学习模型预测针对候选路线中的个体候选路线的出行时间的概率分布。一个或多个路线可以基于预测的概率分布被推荐，并且可以提供针对所推荐的路线的出行时间的测量。

Description

预测和利用地图服务中出行时间的可变性
背景技术
计算机驱动的地图服务帮助用户定位兴趣点(例如，特定的建筑物、地址等)等。许多地图服务还提供路线规划应用，其可以建议从起点到目的地的最快或最理想的路线，并且有时甚至提供针对这些路线的预测的出行时间(例如，驾驶时间、步行时间等)。这些预测出行时间通常表示可以从历史行程数据获得的平均(平均)出行时间。
尽管平均出行时间提供了相当准确的出行时间的预测，但用于预测实际出行时间它不是完全准确的。换句话说，平均出行时间永远不会一直给出完美的准确结果。至少对于车辆出行，这可能是部分由于在出行时间中由驾驶员习惯/行为的差异、交通信号的未知定时、以及不可观测的交通、道路和/或天气状况(仅命名有助于驾驶时间可变性的几个因素)引起的相当大的可变性。使用平均出行时间作为出行时间的预测不考虑出行时间的可变性，这进而负面影响用户体验。例如，如果预测的出行时间被低估，则用户可能迟到，而如果预测的出行时间被高估，则用户可能早于必要时离开，或者可能期待第三方地图服务，希望找到具有更低的预计出行时间的路线。因此，由于出行时间预测的不准确性，建议具有低平均出行时间但出行时间中高可变性的路线的地图服务可能导致差的用户体验。
发明内容
本文描述了用于预测从起点在起始时间处开始并在目的地结束的行程的出行时间的可变性的技术和系统。最初，由于各种不确定性，人们可以将特定路线的出行时间认为是具有可变性的数量(即给定路线上的未来出行时间是随机变量)。机器学习模型可以从历史行程数据进行训练，并且被用于预测在特定时间沿着从起点到目的地的给定路线的出行时间(的概率分布)的可变性(随机变量)。特别地，机器学习模型方法通过使用与行程相关联的潜在变量(或“随机效应”)来解决本文中被称为的“依赖性问题”，从而对构成该行程的连续路段的相互依赖性进行建模。
“依赖性问题”是指统一构成路线的不同路段(在下文中“路段”可以与“链路”互换地使用)上的驾驶时间彼此密切相关的观测。例如，如果一个人在路线的第一路段上比通常更快地驾驶车辆，则你可能期望该人在路线上的其他路段上同样比通常更快地驾驶车辆。同样地，驾驶员在行程的第一路段上经历的拥堵级别与驾驶员在第二路段、第三路段等上经历的拥堵级别密切相关。因此，依赖性问题表示：即使在考虑一天中的时间和其他解释因素之后，沿着路线的个体路段的出行时间是相关的。
本文公开的技术和系统使用机器学习方法来对行程本身内的路线路段上的出行时间的相互依赖性进行建模，和在诸如整个道路网络的特定路段网络中的所有路段上的相互依赖性进行建模相反。在“Hofleitner,A.,Herring,R.,Abbeel,P.,and Bayen,A.,Learning the dynamics of arterial traffic from probe data using a dynamicBayesian network.IEEE Transactions on Intelligent Transportation Systems,pp.1679-1693,2012a”中描述的方法采用后一种方案来预测驾驶时间的可变性；即他们考虑在整个道路图中代表每条道路路段上的交通拥堵的级别的潜在变量。当在具有复杂交通动态的高度相互连接的道路网络中实现预测时，Hofleitner系统是计算密集型的，使得这种方案仅适用于小型道路网络。
本文公开的技术和系统使用机器学习模型，该机器学习模型包括与给定行程相关联的潜在变量，从而忽略不是所考虑的行程的一部分的网络中的剩余路段。因为潜在变量与行程而不是整个道路图相关联，因此本文公开的系统比对跨在整个道路网络中的所有路段的依赖性进行建模的系统(诸如上述Hofleitner系统)是计算上更高效。
此外，通过对行程内的路段相互依赖进行建模，可以对高度互连路段和复杂的交通动态(例如，商业规模的路线图)的大型网络进行出行时间可变性的准确预测。本文公开的技术和系统提供了对上述依赖问题的综合解决方案，其导致更高精度驾驶时间可变性预测，以进一步改善用户体验。
此外，通过使用与行程而不是与道路网络相关联的潜在变量，同时在同一链路上出行的实体(例如，车辆)不需要具有相同的潜在变量值。对于上述Hofleitner的方法不是这种情况。由于潜在变量捕获(除了其它方面)车辆所经历的拥堵程度，所以本文描述的机器学习模型反映了在同一路段/链路上的不同车道中出行的车辆可以经历不同级别的拥堵，影响他们的个体出行时间的事实。例如，当车辆排队起来进入特定的出口或转弯时或者当高占用车辆(HOV)车道可用时，这会发生。
包括与行程相关联的潜在变量的机器学习模型可以从如通过从移动设备的基于位置的测量所报告的历史行程数据进行训练。一旦训练，该模型可用于预测出行时间可变性。
在一些实施例中，预测行程的出行时间的可变性的计算机实现方法包括接收与行程相关联的起点、目的地和开始时间；获得从起点向目的地行进的候选路线；至少部分地基于包括与行程相关联的潜在变量的机器学习模型，预测候选路线中的个体候选路线的出行时间的概率分布。
行程的出行时间的预测可变性可以被并入地图服务输出。例如，地图服务输出可以至少部分地基于概率分布从满足或最小化标准(例如，出行时间的指定百分位数)的候选路线中推荐一个或多个路线。地图服务输出可以进一步提供针对基于预测概率分布的所推荐的一个或多个路线的出行时间的测量；例如，报告出行时间的指定百分位数。通过考虑出行时间的可变性，可以建议对于用户通常比通过最小化平均驾驶时间获得的路线更期望的路线。此外，本文公开的系统和技术可以通过例如减少用户迟到和/或过早离开的机会来改善用户体验。在某些情况下，出行时间的可变性的高精度预测诸如在协调紧急车辆的到达可能是非常有价值的，其可以显著地提高关键患者(例如心脏病人)的存活率。
本发明内容提供以简化的形式介绍概念的选择，其在以下具体实施方式中进一步描述。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。
附图说明
参照附图描述具体实施方式。在附图中，附图标记的最左边的数字标示附图标记首次出现的附图。不同附图中相同的附图标记指示相似或相同的项目。
图1是具有包括与行程相关的潜在变量(“随机效应”)的机器学习模型的计算机驱动的地图系统的示例架构的示意图。
图2是用于预测出行时间的可变性的系统的示意图。
图3是用于基于出行时间可变性预测在显示器上提供地图服务输出的示例图形用户界面的屏幕呈现。
图4是构建可以被实现以预测在特定时间处的行程的出行时间的概率分布的机器学习模型的示例过程的流程图。
图5是预测行程的出行时间的概率分布的示例过程的流程图。
具体实施方式
本文描述的是用于预测行程的出行时间的可变性的技术和系统。尽管主要在车辆出行并且特别是在汽车(例如，轿车)中出行的驾驶时间的方面讨论示例，但是应当理解，本文公开的技术和系统可以应用于可以以某种方式被跟踪的任何形式的出行(诸如非车辆出行(例如，经由移动或可穿戴式计算设备进行跟踪的行走或跑步))或任何形式的车辆出行(包括但不限于公共交通(例如公共汽车、火车等)、航空出行、海上或水上出行等)。此外，本文公开的技术和系统可适用于涉及计算机驱动的路线规划的任何类型的地图服务中的实现，包括但不限于消费者地图服务、商业地图服务(例如，用于出租车、公共交通等的地图服务)、应急车队管理、车队决策支持系统(如车队调度软件)等。
示例系统
图1是计算机驱动地图系统的示例架构100的示意图，架构100包括机器学习模型102，其包括与行程相关联的潜在变量104(或“随机效应104”)，其允许用于解决上述“依赖性问题”以提供出行时间可变性的高精度预测。可以根据历史行程数据106来训练机器学习模型102，以便做出出行时间可变性的这种预测，其中可变性预测可以采取出行时间的概率分布的形式。应当理解，架构100仅仅是合适的计算机驱动地图系统的一个示例，并且本文所描述的技术不限于使用图1的系统100的性能。
系统100可以包括与用户110相关联的计算设备108(“客户端设备108”)。计算设备108可以被实现为任何类型的计算设备，包括但不限于移动电话(例如，智能手机)、膝上型计算机、便携式数字助理(PDA)、电子书(电子书)阅读器、便携式游戏机、便携式媒体播放器、游戏机、机顶盒(STB)、智能电视(TV)、个人计算机、膝上型计算机、车载计算机(例如，导航单元)等。用户110还可以与他使用的用于从一个位置运输到另一个位置的车辆112相关联。应当理解，尽管图1中被示出为与车辆112分离，但是计算设备108可以作为诸如导航系统的车载计算机的一部分集成在车辆112本身中。
如果用户110期望在其车辆112中从起点114出行到目的地116，则用户110可以利用计算设备108，以便在地图上找到目的地116并且/或者计划路线以使得从起点114到目的地116。图1图示了在一些情况下，如何可以存在从起点114到目的地116的多条候选路线(例如路线118A和路线118B)。因此，计算设备108可以包括一个或多个处理器120和一个或多个形式的计算机可读存储器122，其存储具有预测部件126的地图应用124，除了被存储在存储器122中的其它可能的模块或程序之外。处理器120可以被配置为执行存储在存储器122中的指令、应用、引擎或程序。在一些实施例中，处理器120可以包括硬件处理器，其包括但不限于硬件中央处理单元(CPU)、现场可编程门阵列(FPGA)、复合可编程逻辑器件(CPLD)、专用集成电路(ASIC)、片上系统(SoC)或其组合。
计算设备108还可以包括附加数据存储设备，诸如可移动存储装置和/或不可移动存储装置。计算机可读介质可以包括至少两种类型的计算机可读介质，即计算机存储介质和通信介质。存储器122、可移动存储装置和/或不可移动存储装置都是计算机存储介质的示例。计算机存储介质可以包括用于诸如计算机可读指令、数据结构、程序模块或其他数据的信息的存储的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EEPROM)、闪速存储器或其它存储器技术、光盘只读存储器CD-ROM)、DVD或其他光学存储器、磁带盒、磁带、磁盘存储装置或其他磁存储设备、或可用于存储所需信息、并且可由计算设备108访问的任何其他非传输介质。任何这样的计算机存储介质可以是计算设备108的一部分。通常，计算机存储介质可以包括当由处理器120执行时执行本文所述的各种功能和/或操作的计算机可执行指令。
相比之下，通信媒体体现了计算机可读指令、数据结构、程序模块或诸如载波的调制数据信号中的或其他传输机制中的其他数据。如本文所定义的计算机存储介质不包括通信介质。
计算设备108还可以包括用于与计算设备108进行接口连接的一个或多个输入设备。这样的输入设备可以包括但不限于麦克风、指点设备(例如，鼠标、操纵杆等)、物理按钮、遥控器、像机、触摸屏显示器和/或任何其它合适的输入设备。例如，用户110可以向计算设备108的触摸屏显示器提供触摸输入以指定目的地116，供地图应用程序124使用以规划路线118。
地图应用程序124可以利用由用户110指定的信息(例如，目的地116、行程的开始时间、偏好等)以及任何其他上下文信息、诸如时间、天气条件、交通信息、等等，以使用被配置为访问机器学习模型102、用于做出这种预测的预测部件126来规划路线并预测那些路线的出行时间可变性。特别地，计算设备108可以包括一个或多个通信连接，其允许计算设备108经由网络130与一个或多个远程计算资源128(例如，一个或多个服务器)进行通信(发送数据到/接收数据来自)。网络126可以表示多种不同类型的有线和/或无线网络(诸如有线网络、因特网、局域网、移动电话网络、广域网或这种网络的组合)中的任何一种或组合。
利用通过网络130访问机器学习模型102，预测部件126可以利用机器学习模型102对从起点114运行到目的地116的候选路线118做出出行时间可变性预测，以在指定的时间(例如，当前时间、或用户110指定的行程的未来开始时间)完成行程。可以经由计算设备108的一个或多个输出设备(例如但不限于显示器、扬声器、打印机等)向用户110输出一个或多个推荐路线118。例如，计算设备108的显示器可以提供作为地图应用124的一部分的地图上的推荐路线118的视觉输出。此外，驾驶时间的测量可以由地图应用124输出。驾驶时间的这种测量可以包括但不限于预计驾驶时间、驾驶时间的范围、驾驶时间的百分比等等。显示器上的输出的形式可以是基于文本的、图形化的或在显示器上提供输出的任何其它合适的方式。
转向远程计算资源128，将更详细地讨论构建机器学习模型102、训练(和更新/重新训练)机器学习模型102以及测试机器学习模型102的特征。通常，维护历史行程数据106和机器学习模型102的远程计算资源128被示为包括一个或多个处理器132和一个或多个形式的计算机可读存储器132，其可以包括参照计算设备108的处理器120和计算机可读存储器122的上文描述的任一指定形式。
存储器134可以包括地图数据136，其包括关于诸如城市的区域的地理、地理特征和/或领土边界的任何合适的信息。地图数据136中的地理特征可以包括道路网络，道路网络包括主要道路(例如高速公路、城市快速公路等)。道路网络数据库可以根据道路的性质和主要用途将道路分为不同级别(例如，0级-高速公路、1级–快速公路、2级-主干道路)。与道路相似的其他地理特征(例如小径、路径(例如，自行车路径)等)可被存储为路段(segment)的网络并且类似于道路网络分类。在这个意义上，地图数据136在本文可以被描述为包括关于路段的网络内的路线的数据，其中多个路段可以构成两个兴趣点之间的特定路线。此外，道路可以包括多个路段或个体路段。图1示出了路线118A包括三个路段“A、B和C”，并且路线118B包括三个路段“D、E和F”。任何两个路段之间的接合点可以表示交叉点或决策点，其中用户110可以选择多个可能方向之一从该连接点行进。
存储器134还可以包括上述历史行程数据106(或“移动性数据106”)。可以以各种方式收集历史行程数据106，但是通常可以从实际上围绕某个区域出行的用户(例如用户110)的设备收集。这可以通过从任何合适类型的移动计算设备(例如，移动电话、车辆的导航单元等)报告的收集数据来实现。在一些实施例中，图1的计算设备108可以包括当计算设备108(由用户110携带)围绕一个区域移动时，通过网络130报告基于位置的测量和数据的这些移动计算设备中的一个。在一些实施例中，这些基于位置的测量可以包括从移动设备(例如，移动电话、导航单元等)的GPS接收器获得的全球定位系统(GPS)数据，并且该GPS数据可以包括坐标位置(例如，纬度和经度坐标)、移动设备的速度、航向和/或当进行基于位置的测量时的时间戳。然而，基于位置的测量不限于GPS数据，因为可以使用其他类型的数据来获得关于与移动设备或用户相关联的位置和/或速度和/或时间的信息，以及除了移动计算设备之外的来源可以另外地或备选地用于从移动设备收集数据。例如，可以与获得在得到关于特定实体的出行时间的信息中是有用的基于位置的测量有关的使用蜂窝塔数据(“ping”)、无线网络或接入点数据(例如，WiFi设备)、道路仪表(例如，传感器、照相机等)或任何其它类似的位置收集/发射设备。应当理解，报告基于位置的测量的移动设备不必执行地图应用(例如地图应用124)以便报告基于位置的测量，因为移动设备就可以周期性地报告(实时地或分批地)与移动设备相关联的基于位置的测量序列，只要移动设备通电。此外，跟踪用户位置的任何数据可以被匿名化以掩盖或隐藏用户的身份。包括在数据中的任何标识信息可能需要用户同意才能获得该数据。
然后可以基于基于位置的测量来确定与移动设备相关联的出行时间(持续时间测量)以及可能的其他统计。可以相对频繁地报告基于位置的测量，以给出地图数据136内的任何特定路线的出行时间的详细图片。在一些实施例中，在地图数据136中的路线的每个路段上的移动设备的出行时间根据从移动设备收集的数据进行观测或估计。从大量移动设备收集这样的数据可以创建历史行程数据106的大型数据库。此外，地图数据136中的个体路段可以与取决于移动设备穿过该路段的一天中的时间、或星期几的不同移动设备和/或相同或不同的设备的多个不同的驾驶时间相关联。例如，市区的乘客很容易认识到，在工作日的高峰时段的道路路段的驾驶时间可能与在午夜(或周末期间)相同路段的驾驶时间是明显不同的。
历史行程数据106还可以包括针对十字路口的驾驶时间，其中与十字路口相关联的时间可能大大不同于给定变化的上下文。根据一个示例，圣诞购物季节期间中午在购物中心附近的一个十字路口左转，与在星期二午夜在同一十字路口左转相比时，可能花费显著更多的时间。在一些实施例中，历史行程数据106还可以包括附加的上下文数据，诸如天气条件、事件数据(例如专业足球游戏)以及可用于标识驾驶时间中的模式并且形成与附加的上下文数据的关联的类似的上下文数据。
建立机器学习模型
可以使用机器学习技术来构建图1的机器学习模型102，以便从先前观测到的历史行程数据106准确地确定如何准确地预测出行时间可变性(即出行时间的概率分布)。如本文所使用的机器学习可能属于与允许计算机从观测集中“学习”预测或解释模型的技术的开发有关的人工智能。图1的机器学习模型102可以是基于监督机器学习、半监督机器学习或无监督机器学习的任何合适类型的机器学习模型。在一些实施例中，可以利用任何合适的机器学习方法用于优化出行时间的可变性的预测，诸如图形或概率模型、神经网络、支持向量机、随机森林、决策树或其他机器学习算法。可以利用任何合适的学习方法，诸如极大似然估计、最大后验估计或矩的方法或非参数估计。可以利用任何合适的计算方法，例如期望最大化(EM)、期望条件最大化(ECM)、变异贝叶斯或蒙特卡罗方法。
机器学习模型102表示出行时间可变性的预测模型，其捕获地图中的各个道路路段上的出行时间(例如驾驶时间)的概率分布(在路段级别或链接级别的可变性)，以及与行程相关联的整个路线上的出行时间的概率分布(行程级别的可变性)。根据从历史行程数据106估计的一些未知数量，模型102捕获概率分布。模型102还捕获不同路段上的出行时间的关系。特别地，模型102包括捕获特定行程的不同路段上的出行时间的关系(概率依赖性)的术语(在本文中称为“潜在变量”或“随机效应”104)，其适当地解决了“依赖性问题。”
机器学习模型102还被设计为解释可变性一些的来源影响整个行程(例如驾驶员的习惯/行为、车辆特性等)而可变性的其他的来源是局部的(例如，由于火车穿越、施工等的延迟)的事实。因此，包括在机器学习模型102中的潜在变量104表示与行程相关联并且影响沿着行程的出行时间可变性的未测量或不可观测(隐藏)量或条件。行程相关联的潜在变量104可以采取各种形式，包括但不限于：(i)个体连续值的“行程效应”，其捕获在构成路线118的所有道路路段上特定行程比通常行程更快或更慢的程度；(ii)“自回归”效应，其捕获路线118中针对彼此靠近的路段的出行速度趋于相似的事实；和(iii)捕获例如链路上的拥堵级别的潜在的分类变量，其依赖性可以跨链路被建模。个体道路路段的出行时间的概率分布以及那些驾驶时间的概率依赖性可以取决于一天中的时间、星期几、观测到的交通状况、天气情况以及的其他因素，以在模型102中指定的方式。
为了对出行时间可变性建模，针对每个行程i∈I中采用的路线的估计可以利用历史出行数据106，意味着所穿过的链路(或路段)的序列Ri(使得Ri,k是针对每个k∈{1,…,|Ri|}的网络链路的集合
Figure BDA0001344970060000112
的元素)，针对每个链路Ri,k穿过的距离di,k(使得针对除了行程的第一个和最后一个链路之外的所有链路，di,k等于链路Ri,k的长度)和每个链路Ri,k上的出行时间Ti,k。获得该估计被称为“地图匹配”。
已经获得Ti,k的数值，Ti,k的模型可以表示为几个因子的乘积，如等式(1)所示：
Figure BDA0001344970060000111
在等式(1)中，Ei和Si,k分别是与行程和行程链路对相关联的正值潜在变量104(或“随机效应104”)。潜在变量Ei是前面提到的“行程效应”，该形程效应捕获到行程i可能具有例如比行程中每个链接上的平均速度快10％的速度。这可能是例如由于驾驶员习惯/行为、车辆特性等引起的。潜在变量Ei可以取任何正值。例如，对于每一个行程i，存在驾驶员在构成路线118的所有路段上比平常驾驶得快或比平常驾驶得慢的趋势。这个不可观测的数量可以在历史行程数据106中的每次历史行程中被估计。例如，如果在特定时间在从起点114到目的地116的历史行程数据106中观测到特定的过去行程，则基于行程的出行时间，可以估计行程效应Ei，并且可以确定在行程的所有段上用户开车比通常快5％。针对历史行程数据106中其他历史行程以类似方式估计该不可观测量。在预测未来行程的出行时间的可变性时，将行程效应Ei视为不确定性的来源，并且预测部件126对这个未知数量进行集成以预测路线118的出行时间的可变性。由于该行程效应Ei可以取任何值，所以它具有分布(参见下面的等式(2))。
潜在变量Si,k表示在考虑行程效应Ei之前链路上的出行速度。等式(1)的模型将路线Ri上的出行时间的可变性分解为两种类型：由Si,k捕获的链路级可变性和由Ei捕获的和行程级可变性。Ei可以以各种方式进行建模，诸如log-t分布、γ分布或非参数规范。如何对Ei进行建模的一个示例是以下针对未知变量τ2：
log(Ei)～N(0，τ2） (2)
潜在变量Si,k捕获局部可变性，例如由于本地交通状况或链路Ri,k上的结构。Si,k可以被建模为影响行程i中的链路Ri,k的穿过的不可观测的离散拥堵状态Qi,k∈{1,…,Q}的函数。该拥堵状态Qi,k取决于行程，并且是上述分类潜在变量的一个示例，捕获针对路线中彼此接近的路段的出行速度趋向于相似的事实。以这种方式，对于同时穿过相同链路Ri,k的两次行程，Qi,k可以不同。对Qi,k的条件，可以用对数正态分布对Si,k进行建模，如下：
Figure BDA0001344970060000121
在等式(3)中，针对
Figure BDA0001344970060000122
的μj,q和
Figure BDA0001344970060000123
是与在条件
Figure BDA0001344970060000124
下链路j上的出行速度相关联的未知参数。
让b(i,k)∈B是行程i开始穿过链路Ri,k的一周的时间段(例如，星期一上午交通高峰时段)。时间段可以以任何合适的方式定义。例如，一组时间段可以包括：(i)AM高峰时段-工作日7-9AM；(ii)PM高峰时段–工作日3-6PM；(iii)夜间-星期日至星期四晚上7PM-6AM、星期五晚上8PM-9AM、星期六晚上9PM-9AM；(iv)工作日白天–工作日的剩余时间；和(v)周末白天-周末的剩余时间。可以如下使用针对拥堵状态Qi,k的Markov模型：
Figure BDA0001344970060000125
Figure BDA0001344970060000126
Figure BDA0001344970060000127
是在时间段b∈B期间在链路j上开始的行程的初始拥堵状态的未知概率向量，并且pj,b是在时间段b期间在链路j上的、以行程的先前链路中的拥堵状态为条件的拥堵状态的转移矩阵。该模型捕获了链路拥堵的趋势遵循每周周期(例如在工作日高峰时段期间具有较高的拥堵概率)的事实。它还提供了第二种方式以捕获跨链路的驾驶时间的依赖(除了行程效应之外)。这个Qi,k的规范产生针对log(Si,k)的(非标准的)高斯混合模型：
Figure BDA0001344970060000128
这种混合模型是非标准的，因为Si,k不被直接观测，并且由于对拥堵状态Qi,k的马尔科夫(Markov)模型。为了具有统计可识别性，并且执行对混合分量q的解释作为增加的拥堵级别，可以对每个
Figure BDA0001344970060000131
和
Figure BDA0001344970060000132
放置限制μj,q-1≤μj,q。
由等式(1)-(4)表示的统计模型是足够灵活的，以捕获广泛的行为。然而，并不是所有的网络链路
Figure BDA0001344970060000133
都将具有足够的数据(根据具有Ri,k＝j的链路遍历i,k的数量)，以准确估计链路特定参数μj,q,
Figure BDA0001344970060000134
Figure BDA0001344970060000135
和pj,b。对于具有非常少的数据的链路j，可以使用每个道路类别
Figure BDA0001344970060000136
中的个体参数集合，道路类别包括道路分类(例如，“高速公路”、“主干”或“街道”)和速度限制的组合。对于每个j，使得nj≡|{i∈I,k∈{1,…,|Ri|}:j＝Ri,k}|作为链路j的遍历次数。定义最小数量m的遍历，对于具有nj<m的链路，等式(5)可以被如下指定：
Figure BDA0001344970060000137
Figure BDA0001344970060000138
这里,对于
Figure BDA0001344970060000139
的μc,q,
Figure BDA00013449700600001310
Figure BDA00013449700600001311
和pj,c是与道路类别c相关联的参数。
机器学习模型102集成了由于例如车道之间的结构或速度差异引起的行程级别可变性(例如驾驶员效应)和链路级别的可变性。结合车辆在穿过链路时保持恒定速度(或沿着跨链路的特定速度曲线)的假设，它为行程期间的所有时间提供了车辆位置的真实模型。针对此原因，机器学习模型102可以用于在穿过该路线时给出路线的剩余出行时间的路线预测。机器学习模型102还捕获每周周期、速度限制和道路分类的影响，这被认为与驾驶速度强相关联。
虽然本文提供了与行程相关联的潜在变量104的特定示例，但是应当理解，机器学习模型102可以将额外的潜在变量104并入本文所描述的那些变量中。通常，在模型102中可以利用与行程相关联的跨行程的路段/链路上的建模驾驶时间的依赖性的任何合适类型的潜在变量104，而不改变系统的基本特征。
训练机器学习模型
在构建机器学习模型102之后，模型训练部件138可以使用历史行程数据106来训练机器学习模型102以做出出行时间可变性的准确预测。特别地，从历史行程数据106中学习了指定个体路段上的出行时间的概率分布的未知数量、这些驾驶时间彼此的概率依赖性、以及诸如一天中的时间的附加因素的影响。在一些实施例中，模型训练部件138针对感兴趣的每个地理区域(诸如特定的城市或甚至大陆)训练机器学习模型102。在这个意义上，机器学习模型102可以是区域特定的。对于每个这样的区域，历史行程数据106的子集(通常是最近收集的数据的集合)在学习过程中不被使用，而是代之以被保留用于在评估预测的质量中使用。
训练/学习过程可以以各种方式完成。计算上高效的一种合适的方案是基于最大后验(MAP)估计。对于参数机器学习模型102，这可以涉及获得参数的近似MAP估计。期望条件最大化(ECM)方案可被用于在训练期间获取MAP估计。ECM与期望最大化(EM)密切相关，但允许在参数向量可以被划分为子向量的情况下的闭合形式更新，如果剩余参数已知则每个子向量将具有封闭形式的EM更新。
为了标记简单，可以丢弃等式(5)中常用参数的使用；处理这些的扩展是直接的。现在考虑观测数据由变换值
Figure BDA0001344970060000141
构成，其中
Figure BDA0001344970060000142
是在链路穿过i,k期间的对数平均速度。为了估计感兴趣的未知量
Figure BDA0001344970060000143
最大后验(MAP)估计器可以在在参数空间的支持上是统一的(不可积分的)先验分布
Figure BDA0001344970060000144
下使用。无界参数空间上的这种统一先验通常用于存在很少或没有与参数值有关的先验信息的情况中。在此统一先验下获得MAP估计器也对应于最大化观测数据的密度乘以关于θ的随后随机效应104的密度的乘积：
Figure BDA0001344970060000145
拥堵状态Qi,k不出现在参数矢量θ或表达式(6)中；拥堵状态Qi,k可以被视为丢失数据(在EM的术语中)，并且表达式
Figure BDA0001344970060000146
是对这些丢失数据的积分。因此，最大化表达式(6)的目标是重要的，激励ECM的使用。
虽然EM和ECM通常被应用于获得似然函数的(局部)最大化，但是它们也可用于获得后验密度的(局部)最大化。对于EM，这可以通过在每次迭代中最大化完整数据对数似然加上对数先验密度的期望来实现，而不仅仅是完整的数据对数似然。对于ECM，可以以剩余参数为条件对每个参数子向量执行此操作。
可以通过将参数向量划分为三个子向量
Figure BDA0001344970060000151
θ2＝({logEi}i∈I)和θ3＝τ2来应用ECM。首先，可以推导出以θ[-2]≡(θ1,θ3)为条件的θ2的更新等式。使用EM的术语，由等式(1)-(4)表示的模型中的缺失数据是
Figure BDA0001344970060000152
以及完整数据对数似然是：
Figure BDA0001344970060000153
在表达式(7)中，只有最后一项取决于{logEi}i∈I，所以在更新θ2期间可以忽略剩余的项。另外，由于表达式(6)被最大化，所以可以添加来自{logEi}i∈I的随机效应密度的对数的相关项，以产生：
Figure BDA0001344970060000154
可以关于以观测数据和当前参数估计
Figure BDA0001344970060000155
为条件的丢失数据的分布
Figure BDA0001344970060000156
来采取表达式(8)的期望。由于表达式(8)是涉及至多一个Qi,k值的项的总和，所以这个期望是仅针对每个
Figure BDA0001344970060000157
和
Figure BDA0001344970060000158
的
Figure BDA0001344970060000159
的函数。由于可以针对{Qi,k}使用马尔科夫(Markov)模型(参见等式(4))，可以使用隐马尔可夫模型的前向-后向算法为每个
Figure BDA00013449700600001510
和
Figure BDA00013449700600001511
计算
Figure BDA00013449700600001512
由于执行以
Figure BDA00013449700600001513
为条件的θ2的更新，所以θ2可以被视为未知参数，并且将
Figure BDA0001344970060000161
视为已知。关注表达式(8)中的特定项产生如下：
Figure BDA0001344970060000162
为了最大化表达式(8)的期望，对于每个i∈I，以下可以相对于log Ei被最大化，其中
Figure BDA0001344970060000163
且
Figure BDA0001344970060000164
Figure BDA0001344970060000165
这产生了更新的估计：
Figure BDA0001344970060000166
在其中例如针对所有j和q的
Figure BDA0001344970060000167
相等的特殊情况下，
Figure BDA0001344970060000168
大约是
Figure BDA0001344970060000169
与其在模型下的期望之间的差在k∈{1,…,|Ri|}上的平均，其是对于行程效应潜在变量104的合理估计器。在i和k之间并行地计算φi,k(q)后，可以在i∈I上并行地进行
Figure BDA00013449700600001610
的计算。
以θ[-1]为条件的θ1的更新是针对每个
Figure BDA00013449700600001611
的高斯混合模型参数的非标准EM更新。为了导出这一点，请注意，表达式(7)中的所有项均是θ1的函数，因此与此更新相关。首先，可以考虑这些项的期望，记住由于执行以
Figure BDA00013449700600001612
为条件的θ1的更新，所以θ1可以被视为未知参数，
Figure BDA00013449700600001613
可以被视为已知常数。还定义针对每一个
Figure BDA00013449700600001614
和
Figure BDA0001344970060000171
的
Figure BDA0001344970060000172
(可以使用前向后向算法计算的另一个数量)，可以获得以下内容：
Figure BDA0001344970060000173
Figure BDA0001344970060000174
Figure BDA0001344970060000175
Figure BDA0001344970060000176
Figure BDA0001344970060000177
Figure BDA0001344970060000178
Figure BDA0001344970060000179
上述第一项是唯一涉及
Figure BDA00013449700600001710
的项。因此，为了获得
Figure BDA00013449700600001711
的更新表达式，可以最大化以下内容：
Figure BDA00013449700600001712
这产生以下更新：
Figure BDA00013449700600001713
也就是说，上述表达式产生在时间段b期间对于首先穿过链路j的所有行程i的分配概率φi,1(q)的平均值。类似地，
Figure BDA00013449700600001714
的更新是：
Figure BDA00013449700600001715
高斯混合模型中EM的标准计算表明，μj,q和
Figure BDA00013449700600001716
的更新为：
Figure BDA00013449700600001717
Figure BDA00013449700600001718
类似地，以
Figure BDA00013449700600001719
为条件的针对θ3＝τ2的更新为：
Figure BDA0001344970060000181
如本文所述的训练机器学习模型102可以有助于历史行程数据106内的模式、趋势等的标识，以便估计模型102中的其他变量中的潜在变量104。
在一些实施例中，模型训练部件138可以用新接收的历史行程数据106来更新或重新训练机器学习模型102。更新可以周期性地被执行(例如，每天一次、每周一次等)，或更新可以在诸如用户发起的指令的触发时、或者在自从最近的训练或更新发生接收新的历史行程数据106的阈值量时等发生。
再次参考图1，计算机可读存储器134还可以包括模型测试器140，其被配置为在其完全被指定和训练之后测试或检查模型102以确保系统如期望工作。例如，机器学习模型102可以在特定上下文中进行训练，使得它不能很好地用于预测新的和不同的上下文中的出行时间可变性。模型102的测试可以通过将经训练的机器学习模型102应用于历史行程数据106的一部分(称为“测试数据”)来完成，以执行测试数据中的个体行程的出行时间可变性的预测。也就是说，历史行程数据106的一部分可以用于训练模型102，而可以保留历史行程数据106的剩余部分或另一部分(称为测试数据)(即，不用于训练模型102)用于测试模型102，并且对于测试数据中的每个行程，可以从机器学习模型102获得出行时间的预测概率分布。该预测可以与行程的观测到的出行时间进行比较，并且基于预测与实际观测出行时间的比较来评估预测的质量。以这种方式，可以评估模型102在预测出行时间的可变性方面的准确性，并且基于测试结果，可以采取步骤来改善机器学习模型102的性能。这可以涉及重建或者修改模型102本身，或者通过用更新的历史行程数据106来重新训练模型102。
模型测试器140可以以各种方式测量用于预测出行时间的可变性的机器学习模型102的精度或质量。例如，模型测试器140可以生成一组数字测量和/或图形摘要，用于评估机器学习模型102的性能。数字测量和/或图形摘要可以包括但不限于行程的预测的平均驾驶时间和观测的驾驶时间之间平均差异，使用概率分布获得的驾驶时间的预测间隔的质量的数值测量，或预测概率分布的质量的数值和图形测量等。用于在预测出行时间可变性中评估机器学习模型102性能的至少一种类型的数值测量是从模型102获得的出行时间的95％间隔预测的精度的测量。可以通过使间隔的下限和上限取预测出行时间分布的不同分位数来获得间隔预测(例如，可以以0.25和0.975分位数、或0和0.95分位数来获得95％间隔)。另一种类型的数值测量是从模型中获得的出行时间的点(“最佳”个体)预测的精确度的测量。为了获得点预测，可以使用如蒙特卡罗近似的预测出行时间分布的几何平均。替代地，可以使用预测出行时间分布的中位数，或者预测的出行时间分布的算术平均值来获得点预测。
模型测试器140可以周期性地(例如，每周、每月等)测试模型102，以检查对于给定区域的预测仍然是准确的。在其他实施例中，模型102的测试可以在诸如用户发起的指令的触发时、或者自从最后的训练或更新发生接收到新的历史行程数据106的阈值量时等发生。预测
在图1中，当在计算设备108上执行时，地图应用124的预测部件126可以利用经训练的机器学习模型102结合预测对应于在指定时间从起点114到目的地116的行程的个体路线118的出行时间的概率分布。出行时间概率分布的预测可以表示从一组观测的推论。该组观测可以包括经由到计算设备108的用户输入获得的信息，诸如所接收的目的地，以及可能与行程相关联的指定的未来开始时间。可以从计算设备108的传感器和/或网络130上的远程资源获得其他观测，诸如当前时间(一天中的时间和日期)、计算设备108的当前位置或定位、以及其他上下文数据，诸如可以通过网络130从远程资源获得的天气状况、交通状况等。预测是概率性的，因为它针对出行时间的随机变量计算随机变量的概率分布。在一些实施例中，由预测部件126计算的概率分布包括方差、四分位数范围和/或预测间隔。
当对模型102进行训练时，对于每个i和k，时间段b(i,k)是已知的。然而，当进行预测时，只有与行程中的第一链路Ri,1相关联的时间b(i,1)是已知的。当进行预测时，可以估计行程i开始穿过每个链路Ri,k的时间t(i,k)，并且然后可以将b(i,k)估计为t(i,k)落入的时间段。为了针对每个k∈{2,…,|Ri|}估计t(i,k)，可以使用行程的已知开始时间t(i,1)，加上穿过路线上至链路Ri,k的所需的预测平均(几何平均)时间：
Figure BDA0001344970060000201
此数量以封闭形式是不可用的。我们用蒙特卡罗对其进行估计。
应当理解，尽管图1示出了经由网络130与远程计算资源128通信的计算设备108的具体实现，但架构100并不限于此。例如，在一些实施例中，可以省略网络130，并且图1的各种部件和设备可以被实现为个体的、集成的设备，而不需要网络130本身，诸如可用作客户端计算设备以维护模型102并且还执行行程时间可变性的预测的高性能计算系统。预测部件126可以驻留在远程计算资源128上，这可能相当于系统的更多的瘦客户端实现。
图2是用于预测出行时间的可变性并基于可变性预测来输出路线建议和/或驾驶时间的测量的系统200的示意图。系统200可以被实现为地图服务的一部分，其包括被配置为在图1的计算设备108上执行的地图应用。系统200可以包括预测部件126和包括与行程相关联的潜在变量104(或“随机效应104”)的机器学习模型102。在图2的场景中，机器学习模型102已经被图1的模型训练部件138训练。
系统200可以包括输入部件202，其被配置为以与行程相关联的至少起点114、目的地116以及开始时间(例如，当前时间或未来时间)的形式接收输入。一些输入可以经由计算设备108处的用户输入来接收，诸如在执行地图应用124时用户110输入目的地116。其他输入可以通过计算设备108经由计算设备108上的传感器、或经由网络130从远程资源来获得。在一些实施例中，输入可以包括附加的上下文数据，例如天气状况、交通状况、路况等。
系统200还可以包括路线生成器204，其被配置为获得从起点114到目的地116行进的候选路线118的集合。在一些实施例中，由路线生成器204获得的候选路线118可以基于与个体候选路线118相关联的平均驾驶时间。可以从机器学习模型102或从其他来源获得针对个体路线118的平均驾驶时间的数据。在一些实施例中，由路线生成器204获得的候选路线118可以基于其他数据，诸如开始时间(其可以包括一天中的时间和星期几(例如，日期))，沿着个体路线118所在的收费站的存在(以及可能的数量)、以及与路线相关联的其他类似数据。
由路线生成器204生成的候选路线118的集合可以相对较大。例如，候选路线118的集合可以在数百个路线118或更多的数量级上。尽管由路线生成器204获得潜在的大量候选路线118，但是使用诸如与个体路线118相关联的平均驾驶时间的度量来获得候选路线118大型集合在计算上是相对高效的。
给定来自路线生成器204的候选路线118的集合，预测部件126可以至少部分地基于包括与行程相关联的潜在变量104的机器学习模型102来预测候选路线118中的个体路线的出行时间的概率分布206。图2图示了正态(或高斯)分布形式的示例概率分布206，尽管由预测部件126确定的概率分布206不受此限制。特别地，可以使用由本文中所述的模型所暗示的概率分布。
图2还图了概率分布206可以包括出行时间的百分位数208。例如，给定路线118A的预测概率分布206可以指定路线118A的出行时间(例如驾驶时间)的第70个百分位数为12分钟。用于不同路线118B的预测概率分布206可以将路线118B的出行时间的第70个百分位数指定为10分钟。应当理解，除了百分位数208之外，可以从概率分布206中收集对路线规划应用有用的大量信息。此外，由于与行程相关联的潜在变量104，因为它们捕获在行程的候选路线118的个体道路路段的出行时间之间的关系，由预测部件126做出的出行时间可变性(概率分布206)的预测将提供高精度预测，其可以改善关于地图服务和应用124的客户体验。以这种方式，概率分布预测可以被用于地图服务输出中的路线推荐和出行时间报告。
因此，系统200还可以包括排名器210，其被配置为根据至少部分地基于候选路线118中的个体候选路线的出行时间可变性预测(即，出行时间的概率分布206)的标准来对由路线生成器204获得的候选路线118进行排名。也就是说，该标准可以用于从候选路线118的集合中评估、排名和选择路线。例如，候选路线118可以根据出行时间的指定百分位数(诸如出行时间的第70个百分位数或第80个百分位数)进行排名。百分位数208的选择控制路线选择的保守性。例如，特别是诸如冷藏卡车或混凝土运送车的防风险应用，可以使用较高的百分位数。另一种可能的排名标准是在指定时间之前车辆将到达目的地116的概率。如果路线选择基于最小化标准，则排名可以从出行时间的百分点208的最低值到最高值，例如候选集合中的所有路线118中的最低值被排名最高。具有最佳排名的一个或多个路线118(例如，驾驶时间的第70个百分位数的最低值，或者在30分钟内达到的最高概率)可以由输出部件212推荐给用户110。
在一些实施例中，路线排名和选择可以基于附加标准，例如最小化预测的平均驾驶时间、最小化集成预期的平均驾驶时间连同路线期望的其他测量(诸如路线是否具有收费站)的另一路线标准等。
在一些实施例中，用于路线排名和选择的标准可以基于用户风险容忍的用户说明。例如，地图应用124可以向用户界面提供交互式工具，该交互工具允许用户110控制他们所期望的预测的保守性，和/或在路线选择中他们希望的预测的保守性。例如，用户界面可以具有滑动条，其中用户110移动条以指定对于他们晚到10分钟比早到10分钟更坏或更好。在其他示例中，交互式工具可以提供多个选择选项或类似的选择机制，以允许用户110指定风险规避(或风险容忍)级别。地图应用124(经由排名器210)可以将该测量转换为用于路线选择标准和/或所报告的出行时间标准的百分位数208。也就是说，路线选择和出行时间报告的标准可以根据用户110指定的风险容忍进行调整。以这种方式，输出部件212，如果提供行程时间的个体测量/值作为输出，则可以提供出行时间的第80个百分点作为到更风险规避的人的输出(意味着如果他们依赖该预测，则风险规避的用户只有在20％的时间晚到)，而提供出行时间的第60个百分位给更具风险容忍的人(意味着如果风险容忍的用户依赖于该预测，则风险容忍的用户将在40％的时间内晚到)。路线推荐可以以类似的方式运行，以基于用户110愿意承担的风险级别来推荐路线。
输出部件212可以提供至少部分地基于预测概率分布206的任何合适类型的输出。例如，满足或最小化标准的一个或多个路线118可被推荐给用户110。对于每个推荐路线118，输出还可以包括可以基于出行时间的预测概率分布206的相应路线118的出行时间的一些测量。例如，出行时间的测量可以包括总结出行时间中的可变性的个体预测出行时间(例如，出行时间的特定百分位数208)。在一些实施例中，输出部件212可以经由计算设备108的输出部件向用户110揭示其提供的出行时间的实际百分位数。在其他实施例中，输出部件212可以给出相同概念的更简单的图形或数字显示。
附加地或备选地，为了向用户110提供个体预测的出行时间，输出部件212可以提供推荐路线上出行时间的可变性的测量。一种方案是向用户提供可能的出行时间的(范围)上的下限和上限(例如，“驾驶时间预计在45和55分钟之间”)。这些下限和上限可以使用各种间隔估计方法从预测分布206获得。在一些实施例中，可以获得通过使用该分布206的2.5和97.5百分位数来包含预测出行时间分布206的95％(或90％、或99％等)的间隔。此外，通过使用具有较高或较低概率的间隔可以控制这些下限和上限的保守性；关于99％的时间，99％的间隔是正确的(实际驾驶时间落在下限和上限之间)，并且关于90％的时间，90％的间隔是正确的。
向用户110图示在推荐路线118上的出行时间的可变性的另一种方案是提供视觉(例如，图形)显示，例如直方图、时钟上的图形表示等。图3是用于基于出行时间可变性预测在诸如计算设备108的显示器的显示器上提供地图服务输出的示例图形用户界面(GUI)300的屏幕呈现。在图3的示例中，用户110可能已经指定起点114和目的地之间的行程的至少目的地116。推荐路线118可以作为多个候选路线118中的路线118输出给用户，该路线沿着路线最小化驾驶时间的第80百分位数，该路线是从候选路线118中的每一个的驾驶时间的概率分布的预测确定的。
除了推荐路线118之外，GUI 300可以提供基于路线118的出行时间的预测概率分布206的出行时间302的测量。图3所示的出行时间302的测量包括可能的出行时间的范围(例如，17到20分钟的驾驶时间)。图3还示出了向用户提供预测出行时间302基于可变性预测的指示304的示例。在该示例中，指示304是对用户110说明“驾驶时间范围包括针对推荐路线118的预测出行时间分布206的95％”。GUI 300还可以包括预测出行时间302的测量的视觉表示306。例如，视觉表示306可以包括表示用户110可以期望到达目的地116的到达时间范围的时钟的图形表示。
GUI 300还示出了交互式工具308，其可以向用户110提供调整其风险容忍以调谐驾驶时间预测302的输出的能力。例如，交互式工具308向用户110提供如果他想要更保守的出行时间估计则将条向右滑到“风险规避”，或如果他对更自由的出行时间估计没问题则将条向左滑到“风险容忍”的能力。
示例过程
图4和图5图示了可以被执行以执行本文所描述的技术的示例过程。过程被图示为逻辑流程图中的框的集合，其表示可以以硬件、软件或其组合实现的一系列操作。在软件的上下文中，框表示存储在一个或多个计算机可读存储介质上的计算机可执行指令，其当由一个或多个处理器执行时，执行所述操作。通常，计算机可执行指令包括执行特定功能或实现特定抽象数据类型的例程、程序、对象、部件、数据结构等。其中描述的操作的顺序不旨在被解释为限制，并且任何数量的所述框可以以任何顺序和/或并行组合以实现该过程。此外，在一些实施例中，可以完全省略该过程的一个或多个框。
图4是构建和训练机器学习模型102的示例过程400的流程图，该机器学习模型102可以被实现为预测在指定时间内的行程的出行时间的概率分布206。为了方便起见，参考图1的架构100和图2的系统200来描述过程400。
在402处，诸如远程计算资源128的计算设备可以接收历史行程数据106(或移动性数据106)。历史行程数据106可以来自任何合适的来源，诸如向维护和操作远程计算资源128的实体销售或租赁数据的第三方数据聚合器。历史行程数据106可以源自移动设备或其他位置感知设备，报告基于位置的测量至少包括位置数据和时间数据。例如，历史行程数据106可以包括出行时间信息或从其中可以导出出行时间的信息。例如，来自移动电话的GPS数据通常包括位置、航向、速度和时间戳，该时间戳在报告周期性测量时导出在路线上的出行时间可能是有用的。
在404处，可以指定包括与行程相关联的潜在变量104的机器学习模型102。例如，包括在机器学习模型102中的潜在变量104可以包括但不限于：“行程效应”，其捕获在构成路线118的所有路段上特定行程比通常更快或更慢的程度；“自回归”效应，其捕获对于在路线118中彼此靠近的路段出行速度趋于相似的事实；和/或捕获例如链路上的拥堵级别的潜在分类变量，其依赖性可以跨链路被建模。
在406处，模型训练部件138可以使用历史行程数据106来训练机器学习模型102。对于参数模型，训练可以包括估计模型的参数，包括模型中包括的潜在变量104。
图5是预测行程的出行时间的概率分布206的示例过程500的流程图。为了方便起见，参考图1的架构100和图2的系统200来描述过程500。
在502处，输入部件202可以接收与行程相关联的至少一个起点114、目的地116和开始时间。在一些实施例中，可以在502处接收其他行程细节，诸如上下文数据(例如天气状况、交通状况等)。
在504处，路线生成器204可以获得从起点114行进到目的地116的候选路线118。由路线生成器204的候选路线选择可以部分地基于与可以从模型102获得的个体候选路线相关联的平均出行时间。
在506处，预测部件126可以至少部分地基于包括与行程相关联的随机效应104的机器学习模型102来预测候选路线118中的个体候选路线的出行时间的概率分布206。与行程相关联的随机效应104的使用通过捕获行程的不同路段上的出行时间的关系来解决“依赖问题”。
在一些实施例中，机器学习模型102可以被用于更新出行时间预测路线。例如，当用户110在路线118上出行时，预测部件126可以将用户110的当前位置视为新预测的出行时间可变性的起点。也就是说，基于路线118上的用户110的当前位置，路线118的其余部分可以被视为好像在进行实时的、更新的出行时间可变性预测中本身中的或本身的路线。在一些实施例中，可以评估过去的出行的路段以确定出行时间、速度或与过去出行的路段相关联的其他有用信息，然后基于行程的过去出行路段的评估来更新预测。
在508处，输出部件212(可能使用排名器210)至少部分地基于在506处预测的概率分布206，从候选路线118中推荐满足或最小化标准的一个或多个路线118。例如，针对在508处的推荐可以选择最小化出行时间的第80个百分位数的路线118。
在510处，输出部件212可以提供推荐路线118的出行时间的测量。在至少一些情况下，这可以包括指示概率分布206的使用的测量。例如，测量可以提供基于驾驶时间的第80个分位数的出行时间的估计，以及可能的它是驾驶时间的第80个百分位数的指示。
本文描述的环境和个体元件当然可以包括许多其它逻辑、程序化和物理部件，其中附图中所示的那些仅仅是与本文讨论有关的示例。
本文描述的各种技术在所给出的示例中被假设为将在计算机可执行指令或软件(诸如程序模块)的一般上下文中实现，该指令或软件被存储在计算机可读存储装置中并由一个或多个计算机或诸如附图中所图示的那些的其他设备的处理器执行。通常，程序模块包括进程、程序、对象、部件、数据结构等，并且定义用于执行特定任务或实现特定抽象数据类型的操作逻辑。
其他架构可以用于实现所描述的功能，并且旨在在本公开的范围内。此外，虽然上文为了讨论的目的而定义了责任的具体分配，但是根据具体情况，各种功能和责任可以以不同的方式被分布和划分。
类似地，软件可以以各种方式并且使用不同的手段被存储和分布，并且上述特定的软件存储装置和执行配置可以以许多不同的方式变化。因此，实现上述技术的软件可以分布在各种类型的计算机可读介质上，不限于具体描述的存储器的形式。
示例一：一种用于预测针对行程的出行时间的可变性并利用用于路线规划的预测可变性的系统，该系统包括：一个或多个处理器；以及存储器，存储由一个或多个处理器可执行的指令，所述存储器包括：输入部件，用于接收与所述行程相关联的起点、目的地和开始时间；路线生成器，用于获得从起点向目的地行进的候选路线；预测部件，至少部分地基于包括与该行程相关联的潜在变量的机器学习模型来预测针对候选路线中的个体候选路线的出行时间的概率分布；以及输出部件，用于：至少部分地基于标准来从候选路线中推荐一个或多个路线，该标准至少部分地基于概率分布；以及提供针对所推荐的一个或多个路线中的个体路线的出行时间的测量。
示例二：根据示例1所述的系统，还包括排名器，用于在输出部件推荐一个或多个路线之前，根据最小化标准的路线排名候选路线。
示例三：根据前述示例(单独的或组合的)中任一项所述的系统，其中标准包括以下各项中的至少一个：出行时间的百分位数、或在指定时间之前到达目的地将发生的概率。
示例四：根据前述示例(单独的或组合的)中任一项所述的系统，其中被包括在机器学习模型中的潜在变量包括捕获在行程的不同路段上的出行时间的概率依赖性的未观测量。
示例五：根据前述示例(单独的或组合的)中任一项所述的系统，其中潜在变量包括以下各项中的至少一项：捕获出行时间的行程级别可变性的潜在变量，作为在构成针对行程的路线的所有路段上特定行程比通常更快或更慢的程度；捕获出行时间的路段级别可变性的潜在变量，作为在路线中彼此靠近的针对行程的路线的路段上出行速度相似的趋势；或捕获路段上的拥堵级别的潜在变量。
示例六：根据前述示例(单独的或组合的)中任一项所述的系统，其中出行时间的测量包括出行时间的范围。
示例七：根据前述示例(单独的或组合的)中任一项所述的系统，其中出行时间的范围被描绘在系统的显示器上的图形表示中。
示例八：根据前述示例(单独的或组合的)中任一项所述的系统，还包括用户界面，用于提供调整针对用户的风险规避级别的交互式虚拟工具的，所述风险规避级别在风险的所述级别的调整时引起标准的调整。
示例九：一种计算机实现的方法，包括：接收与所述行程相关联的起点、目的地和开始时间；获得从起点向目的地行进的候选路线；至少部分地基于包括与所述行程相关联的随机效应的机器学习模型来预测候选路线中的个体路线的出行时间的概率分布；至少部分地基于标准来从候选路线中推荐一个或多个路线，该标准至少部分地基于该概率分布；以及提供针对所推荐的一个或多个路线中的个体路线的出行时间的测量。
示例十：根据示例九所述的方法，其中所述标准包括以下各项中的至少一个：出行时间的百分位数、或到达目的地将在指定时间之前发生的概率。
示例十一：根据前述示例(单独的或组合的)中任一项所述的计算机实现的方法，其中被包括在机器学习模型中的潜在变量包括捕获在行程的不同路段上的出行时间的概率依赖性的未观测量。
示例十二：根据前述示例(单独的或组合的)中任一项所述的计算机实现的方法，其中潜在变量包括以下各项中的至少一项：捕获出行时间的行程级别可变性的潜在变量，作为在构成针对行程的路线的所有路段上特定行程比通常更快或更慢的程度；捕获出行时间的路段级别可变性的潜在变量，作为针对在路线中彼此靠近的针对行程的路线的路段出行速度相似的趋势；或捕获路段上的拥堵水平的潜在变量。
示例十三：根据前述示例(单独的或组合的)中任一项所述的计算机实现的方法，其中出行时间的测量包括出行时间的范围。
示例十四：根据前述示例(单独的或组合的)中任一项所述的计算机实现的方法，还包括：经由用户界面提供用于调整针对用户的风险规避水平的交互式虚拟工具；经由交互式虚拟工具接收风险水平的调整；以及基于调整来向上或向下调整标准。
示例十五：一种训练机器学习模型以被用于预测行程的出行时间的概率分布的计算机实现方法，所述方法包括：接收至少部分地基于从移动设备报告的基于位置的测量的历史行程数据，基于位置的测量的个体基于位置的测量至少包括位置数据和时间数据；以及使用历史行程数据来训练机器学习模型，机器学习模型包括与从起点到目的地的行程相关联的潜在变量。
示例十六：根据示例十五所述的计算机实现的方法，还包括通过将机器学习模型应用于未用于训练机器学习模型的历史行程数据的一部分来测试机器学习模型在预测出行时间的概率分布方面的性能。
示例十七：根据前述示例(单独的或组合的)中任一项所述的计算机实现方法，其中机器学习模型的性能通过以下各项中的至少一项来测量：行程时间的95％间隔预测的精度的测量；或行程时间的点预测的精度的测量。
示例十八：根据前述示例(单独的或组合的)中任一项所述的计算机实现方法，用自从训练后的新接收的历史行程数据来周期性地重新训练机器学习模型。
示例十九：根据前述示例(单独的或组合的)中任一项所述的方法，其中所述重新训练在阈值量的新接收的历史行程数据的接收时发生。
示例二十：根据前述示例(单独的或组合的)中任一项所述的计算机实现的方法，其中在机器学习模型中包括的潜在变量包括捕获在行程的不同路段上的出行时间的概率依赖性的未观测量。
示例二十一：一种用于预测行程的出行时间的可变性并利用路线规划的预测可变性的系统，该系统包括：用于执行计算机可执行指令的部件(例如，处理器，包括例如硬件处理器，诸如中央处理单元(CPU)、片上系统(SoC)等)；以及用于存储计算机可执行指令的部件(例如，存储器、诸如RAM、ROM、EEPROM、闪存等的计算机可读存储介质)，所述用于存储的部件包括：用于接收以与行程相关联的起点、目的地和开始时间的形式输入的部件；用于生成从起点向目的地行进的候选路线的部件；用于至少部分地基于包括与所述行程相关联的潜在变量的机器学习模型来预测针对所述候选路线中的个体候选路线的出行时间的概率分布的部件；以及用于提供以下形式的输出的部件：至少部分地基于标准来从候选路线中推荐一个或多个路线，该标准至少部分地基于概率分布；以及提供所推荐的一个或多个路线中的个体路线的出行时间的测量。
示例二十二：根据示例二十一所述的系统，还包括用于提供交互式虚拟工具的部件，交互式虚拟工具用于调整在风险的水平的调整时导致标准的调整的用户的风险规避水平。
结论
最后，尽管各种实施例已经用特定于结构特征和/或方法动作的语言来描述，但是应当理解，附加表示中定义的主题不一定限于所描述的具体特征或动作。相反，具体特征和动作被公开为实现所要求保护的主题的示例形式。

Claims (20)

1.一种用于预测针对行程的出行时间的可变性并且利用经预测的所述可变性用于路线规划的系统，所述系统包括：
显示器；
一个或多个处理器；以及
存储器，存储指令，所述指令在由所述一个或多个处理器执行时，使得所述一个或多个处理器执行方法，所述方法包括：
接收与所述行程相关联的起点、目的地和开始时间；
接收从所述起点向所述目的地行进的一个或多个候选路线，每个候选路线包括多个个体路线路段；
使用机器学习模型来生成每个候选路线的出行时间的测量的可变性，其中，所述机器学习模型：
捕获所述候选路线内的每个个体路线路段的出行时间的可变性；
捕获所述候选路线的出行时间的可变性；以及
捕获所述候选路线内的连续个体路线路段上的出行时间的相互依赖性，所述相互依赖性包括一个或多个潜在变量，所述一个或多个潜在变量捕获所述个体路线路段上的所述出行时间的关系；
基于标准，从所述候选路线中推荐一个或多个路线，所述标准是至少部分地基于出行时间的所述测量的所述可变性的；以及
使得在所述显示器上呈现用户界面，所述用户界面被配置为：
图形地显示所推荐的一个或多个路线；并且
图形地显示针对所推荐的一个或多个路线的出行时间的测量。
2.根据权利要求1所述的系统，所述方法还包括：
在图形地显示所推荐的一个或多个路线之前，根据使所述标准最小化的路线来排名所述候选路线。
3.根据权利要求1所述的系统，其中所述标准包括以下各项中的至少一项：出行时间的百分位数、或在指定时间之前到达所述目的地将发生的概率。
4.根据权利要求1所述的系统，其中被包括在所述机器学习模型中的所述潜在变量包括捕获在所述行程的不同路段上的出行时间的概率依赖性的未观测量。
5.根据权利要求1所述的系统，其中所述潜在变量包括以下各项中的至少一项：
捕获出行时间的行程级别可变性的潜在变量，作为在构成针对所述行程的所述候选路线的候选路线的所有路段上出行速度比通常更快或更慢的程度；
捕获出行时间的路段级别可变性的潜在变量，作为针对在所述候选路线中彼此靠近的针对所述候选路线的路段出行速度相似的趋势；或
捕获组成所述候选路线的所述路段上的拥堵级别的潜在变量。
6.根据权利要求1所述的系统，其中出行时间的所述测量包括出行时间的范围。
7.根据权利要求1所述的系统，所述用户界面还被配置为：提供用于调整针对用户的风险规避级别的交互式虚拟工具，所述风险规避级别在风险的所述级别调整时，引起所述标准的调整。
8.一种计算机实现的方法，包括：
接收与行程相关联的起点、目的地和开始时间；
获得从所述起点向所述目的地行进的一个或多个候选路线，每个候选路线包括多个个体路线路段；
至少部分地基于机器学习模型来预测每个候选路线的出行时间的测量的可变性，其中，所述机器学习模型：
捕获所述候选路线内的每个个体路线路段的出行时间的可变性；
捕获所述候选路线的出行时间的可变性；以及
捕获所述候选路线内的连续个体路线路段上的出行时间的相互依赖性，所述相互依赖性包括一个或多个潜在变量，所述一个或多个潜在变量捕获所述个体路线路段上的所述出行时间的关系；
至少部分地基于标准来从所述候选路线中推荐一个或多个路线，所述标准是至少部分地基于出行时间的所述测量的所述可变性的；以及
提供针对所推荐的所述一个或多个路线的出行时间的测量。
9.根据权利要求8所述的计算机实现的方法，其中所述标准包括以下各项中的至少一项：出行时间的百分位数、或在指定时间之前到达所述目的地将发生的概率。
10.根据权利要求8所述的计算机实现的方法，其中所述一个或多个潜在变量包括捕获在所述行程的不同路段上的出行时间的概率依赖性的未观测量。
11.根据权利要求8所述的计算机实现的方法，其中所述一个或多个潜在变量包括以下各项中的至少一项：
捕获出行时间的行程级别可变性的潜在变量，作为在构成针对所述行程的所述候选路线的候选路线的所有路段上的出行速度比通常更快或更慢的程度；
捕获出行时间的路段级别可变性的潜在变量，作为针对在所述候选路线中彼此靠近的针对所述候选路线的路段出行速度相似的趋势；或
捕获构成所述候选路线的所述路段上的拥堵级别的潜在变量。
12.根据权利要求8所述的计算机实现的方法，其中出行时间的所述测量包括出行时间的范围。
13.根据权利要求8所述的计算机实现的方法，还包括：
经由用户界面提供用于调整针对用户的风险规避级别的交互式虚拟工具；
经由所述交互式虚拟工具来接收风险的所述级别的调整；以及
基于所述调整来向上或向下调整所述标准。
14.根据权利要求13所述的计算机实现的方法，其中所述用户界面还被配置为：提供用于调整针对用户的风险规避级别的交互式虚拟工具，所述风险规避级别在风险的所述级别调整时，引起所述标准的调整。
15.一种训练被用于预测行程的出行时间的概率分布的机器学习模型的计算机实现的方法，所述方法包括：
接收历史行程数据，所述历史行程数据至少部分地基于从移动设备报告的基于位置的测量，所述基于位置的测量的个体基于位置的测量包含至少位置数据和时间数据；以及
使用所述历史行程数据训练机器学习模型以生成一个或多个候选路线的出行时间的概率分布，其中，对所述机器学习模型的所述训练包括：
捕获所述候选路线内的每个个体路线路段的出行时间的可变性；
捕获所述候选路线的出行时间的可变性；以及
捕获所述候选路线内的连续个体路线路段上的出行时间的相互依赖性，所述相互依赖性包括一个或多个潜在变量，所述一个或多个潜在变量捕获所述个体路线路段上的所述出行时间的关系。
16.根据权利要求15所述的计算机实现的方法，还包括：
通过将所述机器学习模型应用于未被用于训练所述机器学习模型的部分历史行程数据，在预测出行时间的概率分布中测试所述机器学习模型的性能。
17.根据权利要求16所述的计算机实现的方法，其中所述机器学习模型的性能是由以下各项中的至少一项测量的：
出行时间的95％间隔预测的精度的测量；
出行时间的点预测的精度的测量。
18.根据权利要求15所述的计算机实现的方法，用自从所述训练起新接收的历史行程数据周期性地重新训练所述机器学习模型。
19.根据权利要求18所述的计算机实现的方法，其中所述重新训练在阈值量的所述新接收的历史行程数据的接收时发生。
20.根据权利要求15所述的计算机实现的方法，其中包括在所述机器学习模型中的所述潜在变量包括捕获在所述行程的不同路段上的出行时间的概率依赖性的未观测量。
CN201580072885.9A 2015-01-11 2015-12-28 预测和利用地图服务中出行时间的可变性 Active CN107111794B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562102077P 2015-01-11 2015-01-11
US62/102,077 2015-01-11
US14/684,108 2015-04-10
US14/684,108 US10175054B2 (en) 2015-01-11 2015-04-10 Predicting and utilizing variability of travel times in mapping services
PCT/US2015/067550 WO2016111857A1 (en) 2015-01-11 2015-12-28 Predicting and utilizing variability of travel times in mapping services

Publications (2)

Publication Number Publication Date
CN107111794A CN107111794A (zh) 2017-08-29
CN107111794B true CN107111794B (zh) 2021-06-22

Family

ID=55346187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580072885.9A Active CN107111794B (zh) 2015-01-11 2015-12-28 预测和利用地图服务中出行时间的可变性

Country Status (4)

Country Link
US (1) US10175054B2 (zh)
EP (1) EP3243168A1 (zh)
CN (1) CN107111794B (zh)
WO (1) WO2016111857A1 (zh)

Families Citing this family (96)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9849870B2 (en) * 2013-07-11 2017-12-26 Toyota Jidosha Kabushiki Kaisha Hybrid vehicle having switch control function of travel mode based on map information
US20210009136A1 (en) * 2014-03-03 2021-01-14 Inrix, Inc. Presenting geographic search results using location projection and time windows
EP3114574A4 (en) * 2014-03-03 2018-03-07 Inrix, Inc. Traffic obstruction detection
US9680665B2 (en) * 2014-04-24 2017-06-13 Futurewei Technologies, Inc. Apparatus and method for dynamic hybrid routing in SDN networks to avoid congestion and balance loads under changing traffic load
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
US10956855B1 (en) * 2015-08-16 2021-03-23 Palidian Incorporated Integrated multi-location scheduling, routing, and task management
US10547971B2 (en) 2015-11-04 2020-01-28 xAd, Inc. Systems and methods for creating and using geo-blocks for location-based information service
US10761495B2 (en) * 2015-12-18 2020-09-01 International Business Machines Corporation Dynamic and reconfigurable system management
US11348033B2 (en) * 2016-07-22 2022-05-31 Sri International Computational analysis of observations for determination of feedback
CN107665375A (zh) * 2016-07-29 2018-02-06 滴滴（中国）科技有限公司 代驾司机到达代驾乘客位置的时间预估方法及装置
CN106384509A (zh) * 2016-10-08 2017-02-08 大连理工大学 考虑出租车运营状态下的城市道路行程时间分布估算方法
CN108062865B (zh) 2016-11-08 2022-09-16 北京嘀嘀无限科技发展有限公司 停车方向提示方法及装置
US10515390B2 (en) 2016-11-21 2019-12-24 Nio Usa, Inc. Method and system for data optimization
CN106530698A (zh) * 2016-11-22 2017-03-22 青岛理工大学 一种考虑出口转向的城市道路行程时间的估计方法
US10163339B2 (en) * 2016-12-13 2018-12-25 Sap Se Monitoring traffic congestion
CN108288096B (zh) 2017-01-10 2020-08-21 北京嘀嘀无限科技发展有限公司 用于估算行程时间、模型训练的方法及装置
US10471829B2 (en) 2017-01-16 2019-11-12 Nio Usa, Inc. Self-destruct zone and autonomous vehicle navigation
US10286915B2 (en) 2017-01-17 2019-05-14 Nio Usa, Inc. Machine learning for personalized driving
CN108665699B (zh) * 2017-03-30 2020-04-03 杭州海康威视数字技术股份有限公司 一种预测车辆出现地点的方法及装置
SG11201811659PA (en) 2017-04-27 2019-01-30 Beijing Didi Infinity Technology & Development Co Ltd Systems and methods for determining an estimated time of arrival
US10429200B1 (en) * 2017-05-15 2019-10-01 Uber Technologies, Inc. Determining adjusted trip duration using route features
JP6959504B2 (ja) * 2017-06-06 2021-11-02 富士通株式会社 移動時間出力プログラム、移動時間出力装置、及び移動時間出力方法
EP3586285A1 (en) * 2017-06-13 2020-01-01 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for recommending an estimated time of arrival
US10234302B2 (en) 2017-06-27 2019-03-19 Nio Usa, Inc. Adaptive route and motion planning based on learned external and internal vehicle environment
US10557713B1 (en) * 2017-07-14 2020-02-11 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10816351B1 (en) * 2017-07-14 2020-10-27 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10078337B1 (en) 2017-07-14 2018-09-18 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10837790B2 (en) 2017-08-01 2020-11-17 Nio Usa, Inc. Productive and accident-free driving modes for a vehicle
US10801850B2 (en) * 2017-08-09 2020-10-13 Curbside Inc. Arrival predictions based on destination specific model
DE102017217412A1 (de) * 2017-09-29 2019-04-04 Robert Bosch Gmbh Verfahren, Vorrichtung und Computerprogramm zum Betreiben eines Robotersteuerungssystems
US10635109B2 (en) 2017-10-17 2020-04-28 Nio Usa, Inc. Vehicle path-planner monitor and controller
US10935978B2 (en) 2017-10-30 2021-03-02 Nio Usa, Inc. Vehicle self-localization using particle filters and visual odometry
US10606274B2 (en) 2017-10-30 2020-03-31 Nio Usa, Inc. Visual place recognition based self-localization for autonomous vehicles
CN107845261B (zh) * 2017-11-03 2020-05-12 北京理工大学 一种基于张量融合交通信息的汽车全局工况动态重构方法
CN113865606B (zh) * 2017-11-23 2024-08-20 北京嘀嘀无限科技发展有限公司 估计到达时间的系统和方法
WO2019112566A1 (en) * 2017-12-05 2019-06-13 Google Llc Machine learning model for predicting speed based on vehicle type
US11274935B2 (en) 2017-12-05 2022-03-15 Google Llc Landmark-assisted navigation
US11346679B2 (en) 2017-12-05 2022-05-31 Ford Global Technologies, Llc Method and apparatus for route characteristic determination and presentation
US10663313B2 (en) * 2017-12-15 2020-05-26 Google Llc Providing traffic warnings to a user based on return journey
KR101974109B1 (ko) * 2017-12-21 2019-04-30 그제고스 말레비치 출발지 위치로부터 목적지 위치로의 여정에 대한 루트 또는 루트 소요 시간을 제공하기 위한 방법 및 컴퓨터 시스템
CN107941234A (zh) * 2017-12-21 2018-04-20 广东欧珀移动通信有限公司 出行路线的推荐方法、装置、存储介质及移动终端
CN108229879B (zh) * 2017-12-26 2021-01-05 拉扎斯网络科技（上海）有限公司 一种行程时长预估方法、装置及存储介质
CN108286980B (zh) * 2017-12-29 2021-04-02 广州通易科技有限公司 一种预测目的地和推荐驾驶路线的方法
CN108062858A (zh) * 2018-01-09 2018-05-22 吉旗（成都）科技有限公司 一种结合历史任务计算预计到达时间的算法
CN108180922B (zh) * 2018-01-26 2021-10-12 百度在线网络技术（北京）有限公司 一种导航时间测评方法、装置、设备和介质
US20190268721A1 (en) * 2018-02-26 2019-08-29 Hewlett Packard Enterprise Development Lp Producing information relating to locations and mobility of devices
JP2019157652A (ja) * 2018-03-07 2019-09-19 トヨタ自動車株式会社 内燃機関の制御装置
CN112041858B (zh) * 2018-05-22 2024-08-06 北京嘀嘀无限科技发展有限公司 提供出行建议的系统和方法
CN108645422A (zh) * 2018-06-20 2018-10-12 郑州云海信息技术有限公司 一种车辆用户行为特征的分析方法、系统及装置
US11410020B2 (en) * 2018-07-06 2022-08-09 Geet Garg Machine learning models for predicting time in traffic
US11526811B1 (en) * 2018-07-12 2022-12-13 Intuit, Inc. Method for predicting trip purposes using unsupervised machine learning techniques
US11853909B1 (en) * 2018-08-13 2023-12-26 Grubhub Holdings Inc. Prediction of travel time and determination of prediction interval
US11134359B2 (en) 2018-08-17 2021-09-28 xAd, Inc. Systems and methods for calibrated location prediction
US11172324B2 (en) 2018-08-17 2021-11-09 xAd, Inc. Systems and methods for predicting targeted location events
US10349208B1 (en) * 2018-08-17 2019-07-09 xAd, Inc. Systems and methods for real-time prediction of mobile device locations
US11146911B2 (en) 2018-08-17 2021-10-12 xAd, Inc. Systems and methods for pacing information campaigns based on predicted and observed location events
JP6562431B1 (ja) * 2018-09-19 2019-08-21 カラクリ株式会社 サーバ装置、システム、方法およびプログラム
US11715111B2 (en) * 2018-09-25 2023-08-01 Capital One Services, Llc Machine learning-driven servicing interface
CN110956299B (zh) * 2018-09-26 2022-08-30 北京嘀嘀无限科技发展有限公司 一种到达时间预估方法及装置
JP7330758B2 (ja) * 2018-10-05 2023-08-22 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 情報処理方法、及び、情報処理システム
CA3118783A1 (en) * 2018-11-13 2020-05-22 Magna International Inc. System and method for vehicle routing using big data
DE102018129704B4 (de) * 2018-11-26 2023-10-05 Bayerische Motoren Werke Aktiengesellschaft Vorbereitung eines Kraftfahrzeugs auf einen Betrieb
CN110782648B (zh) * 2018-12-03 2022-02-18 北京嘀嘀无限科技发展有限公司 确定预计到达时间的系统和方法
RU2753174C1 (ru) * 2019-02-06 2021-08-12 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для предоставления электронному устройству рекомендуемого элемента цифрового контента
MX2021003935A (es) * 2019-02-27 2021-06-08 Walmart Apollo Llc Monitor de activos de arreglo flexible de transporte y clasificación automatizada (fast).
SG11202112357PA (en) * 2019-05-17 2021-12-30 Aioi Nissay Dowa Insurance Services Usa Corp Systems and method for calculating liability of a driver of a vehicle
US20220157167A1 (en) * 2019-05-20 2022-05-19 Schlumberger Technology Corporation System for offsite navigation
CN111858786B (zh) * 2019-06-06 2023-12-22 北京嘀嘀无限科技发展有限公司 用于在路径规划中提供通行时间置信度的系统和方法
KR102628004B1 (ko) * 2019-06-28 2024-01-23 구글 엘엘씨 파라미터 간의 계산된 트레이드-오프를 고려하여 내비게이션 경로 생성 및 카풀 옵션 식별
AU2020314375B2 (en) * 2019-07-17 2024-01-11 Aerostar International, Llc Lateral propulsion systems and architectures for high altitude balloons
CN111860903B (zh) * 2019-09-18 2024-09-24 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系统
CN111651686B (zh) * 2019-09-24 2021-02-26 北京嘀嘀无限科技发展有限公司 一种测试处理方法、装置、电子设备及存储介质
US11868145B1 (en) 2019-09-27 2024-01-09 Amazon Technologies, Inc. Selecting safe flight routes based on localized population densities and ground conditions
JP7276067B2 (ja) * 2019-10-16 2023-05-18 株式会社デンソー 走行支援システム、走行支援方法、及びプログラム
US11657704B2 (en) * 2020-03-25 2023-05-23 Blackberry Limited Event data collections for accidents
US11579611B1 (en) 2020-03-30 2023-02-14 Amazon Technologies, Inc. Predicting localized population densities for generating flight routes
US11277326B2 (en) 2020-03-31 2022-03-15 Netflix, Inc. Techniques for detecting changes to circuit delays in telecommunications networks
CN111653088B (zh) * 2020-04-21 2022-02-01 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
US11640764B1 (en) 2020-06-01 2023-05-02 Amazon Technologies, Inc. Optimal occupancy distribution for route or path planning
CN111879322B (zh) * 2020-06-22 2022-07-05 北京嘀嘀无限科技发展有限公司 一种定位精度的预测方法和系统
US20220018674A1 (en) * 2020-07-14 2022-01-20 Here Global B.V. Method, apparatus, and system for providing transportion logistics based on estimated time of arrival calculation
EP3971780A1 (en) * 2020-07-24 2022-03-23 Tata Consultancy Services Limited Method and system for dynamically predicting vehicle arrival time using a temporal difference learning technique
US11994395B2 (en) * 2020-07-24 2024-05-28 Bayerische Motoren Werke Aktiengesellschaft Method, machine readable medium, device, and vehicle for determining a route connecting a plurality of destinations in a road network, method, machine readable medium, and device for training a machine learning module
US20220108247A1 (en) * 2020-10-01 2022-04-07 Cubic Corporation Transit system for adjusting duration to reconcile assignment of resources
CN112380398B (zh) * 2020-11-12 2024-01-26 北京交通大学 一种空港旅客多交通方式换乘出行链构建装置
US11386362B1 (en) * 2020-12-16 2022-07-12 Wm Intellectual Property Holdings, L.L.C. System and method for optimizing waste / recycling collection and delivery routes for service vehicles
US20210108929A1 (en) * 2020-12-22 2021-04-15 Yi Zhang Dynamic selection of autonomous vehicle stopping points
CN112633592B (zh) * 2020-12-30 2023-07-18 鱼快创领智能科技(南京)有限公司 基于机器学习聚类算法的车辆常跑路线计算方法及系统
US11126910B1 (en) * 2021-03-10 2021-09-21 Samsara Inc. Models for stop sign database creation
US11610413B1 (en) * 2021-03-16 2023-03-21 Lytx, Inc. Driver identification using updating cluster analysis
TWI813971B (zh) * 2021-03-24 2023-09-01 國立中央大學 個人化道路風險預測系統、方法與使用者設備
KR20220138263A (ko) * 2021-04-05 2022-10-12 현대자동차주식회사 교통정보 예측 장치 및 그 방법
US20230206753A1 (en) * 2021-12-27 2023-06-29 Here Global B.V. Method, apparatus, and system for traffic prediction based on road segment travel time reliability
CN116431253A (zh) * 2021-12-29 2023-07-14 北京嘀嘀无限科技发展有限公司 一种估计到达时间的方法和系统
US20230298315A1 (en) * 2022-03-18 2023-09-21 Robert Bosch Gmbh System and method for improving robustness of pretrained systems in deep neural networks utilizing randomization and sample rejection
CN117726049B (zh) * 2024-02-08 2024-04-26 中航信移动科技有限公司 一种区域步行时长确定方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1657693A2 (en) * 2004-11-16 2006-05-17 Microsoft Corporation Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data
WO2013123512A1 (en) * 2012-02-16 2013-08-22 Ims Solutions, Inc. Traffic portal enquiry and alert system
CN103994768A (zh) * 2014-05-23 2014-08-20 北京交通大学 动态时变环境下寻求全局时间最优路径的方法
CN104011763A (zh) * 2011-12-27 2014-08-27 英特尔公司 情境和历史数据合并到路线确定中
CN104050883A (zh) * 2014-07-03 2014-09-17 王道钢 电子智能导向标识及其智能导向的方法

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7202776B2 (en) * 1997-10-22 2007-04-10 Intelligent Technologies International, Inc. Method and system for detecting objects external to a vehicle
US6768944B2 (en) * 2002-04-09 2004-07-27 Intelligent Technologies International, Inc. Method and system for controlling a vehicle
US7085637B2 (en) * 1997-10-22 2006-08-01 Intelligent Technologies International, Inc. Method and system for controlling a vehicle
US6370475B1 (en) * 1997-10-22 2002-04-09 Intelligent Technologies International Inc. Accident avoidance system
US6720920B2 (en) * 1997-10-22 2004-04-13 Intelligent Technologies International Inc. Method and arrangement for communicating between vehicles
US6526352B1 (en) * 2001-07-19 2003-02-25 Intelligent Technologies International, Inc. Method and arrangement for mapping a road
DE19643454C2 (de) * 1996-10-10 2003-08-21 Mannesmann Ag Verfahren und Vorrichtung zur Übermittlung von Daten zur Verkehrslagebeurteilung
US5913917A (en) * 1997-08-04 1999-06-22 Trimble Navigation Limited Fuel consumption estimation
US9177476B2 (en) * 1997-10-22 2015-11-03 American Vehicular Sciences Llc Method and system for guiding a person to a location
US6317686B1 (en) 2000-07-21 2001-11-13 Bin Ran Method of providing travel time
US6937853B2 (en) * 2000-12-21 2005-08-30 William David Hall Motion dispatch system
US7221287B2 (en) * 2002-03-05 2007-05-22 Triangle Software Llc Three-dimensional traffic report
GB0220062D0 (en) * 2002-08-29 2002-10-09 Itis Holdings Plc Traffic scheduling system
US7206837B2 (en) * 2002-11-04 2007-04-17 Avaya Technology Corp. Intelligent trip status notification
JP3876838B2 (ja) * 2003-01-17 2007-02-07 トヨタ自動車株式会社 車両用高加速時変速制御装置
WO2005013063A2 (en) 2003-07-25 2005-02-10 Landsonar, Inc. System and method for determining recommended departure time
US7233861B2 (en) 2003-12-08 2007-06-19 General Motors Corporation Prediction of vehicle operator destinations
US7454288B2 (en) * 2005-07-29 2008-11-18 Gm Global Technology Operations, Inc. System and method for clustering probe vehicles for real-time traffic application
GB0520576D0 (en) * 2005-10-10 2005-11-16 Applied Generics Ltd Using traffic monitoring information to provide better driver route planning
US8700296B2 (en) 2006-03-03 2014-04-15 Inrix, Inc. Dynamic prediction of road traffic conditions
US7706964B2 (en) 2006-06-30 2010-04-27 Microsoft Corporation Inferring road speeds for context-sensitive routing
US7739040B2 (en) 2006-06-30 2010-06-15 Microsoft Corporation Computation of travel routes, durations, and plans over multiple contexts
US8385946B2 (en) * 2007-06-28 2013-02-26 Apple Inc. Disfavored route progressions or locations
US7948400B2 (en) 2007-06-29 2011-05-24 Microsoft Corporation Predictive models of road reliability for traffic sensor configuration and routing
US8024111B1 (en) 2008-04-02 2011-09-20 Strategic Design Federation W, Inc. Travel route system and method
US8358224B2 (en) * 2009-04-02 2013-01-22 GM Global Technology Operations LLC Point of interest location marking on full windshield head-up display
US8781718B2 (en) 2012-01-27 2014-07-15 Pelmorex Canada Inc. Estimating time travel distributions on signalized arterials
US20150141043A1 (en) * 2013-08-23 2015-05-21 Cellepathy Ltd. Corrective navigation instructions
US9217649B1 (en) * 2012-10-11 2015-12-22 The Arizona Board Of Regents On Behalf Of The University Of Arizona Systems and methods for providing topographical graphs and travel routes based on perceived exertion
US9752886B2 (en) 2013-06-27 2017-09-05 Sap Se Mobile trip planner and live route update system
US9714831B2 (en) * 2014-07-07 2017-07-25 Microsoft Technology Licensing, Llc Travel path identification based upon statistical relationships between path costs
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
KR102534792B1 (ko) * 2015-02-10 2023-05-19 모빌아이 비젼 테크놀로지스 엘티디. 자율 주행을 위한 약도

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1657693A2 (en) * 2004-11-16 2006-05-17 Microsoft Corporation Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data
CN104011763A (zh) * 2011-12-27 2014-08-27 英特尔公司 情境和历史数据合并到路线确定中
WO2013123512A1 (en) * 2012-02-16 2013-08-22 Ims Solutions, Inc. Traffic portal enquiry and alert system
CN103994768A (zh) * 2014-05-23 2014-08-20 北京交通大学 动态时变环境下寻求全局时间最优路径的方法
CN104050883A (zh) * 2014-07-03 2014-09-17 王道钢 电子智能导向标识及其智能导向的方法

Also Published As

Publication number Publication date
US20160202074A1 (en) 2016-07-14
EP3243168A1 (en) 2017-11-15
CN107111794A (zh) 2017-08-29
US10175054B2 (en) 2019-01-08
WO2016111857A1 (en) 2016-07-14

Similar Documents

Publication Publication Date Title
CN107111794B (zh) 预测和利用地图服务中出行时间的可变性
Chen et al. Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach
US10810486B2 (en) Neural network computing systems for predicting vehicle requests
Yang et al. Travel cost inference from sparse, spatio temporally correlated time series using markov models
RU2406158C2 (ru) Способы предсказания пунктов назначения из частичных траекторий, применяющие способы моделирования открытого и замкнутого мира
Hofleitner et al. Arterial travel time forecast with streaming data: A hybrid approach of flow modeling and machine learning
Xu et al. Mining the situation: Spatiotemporal traffic prediction with big data
US9349150B2 (en) System and method for multi-task learning for prediction of demand on a system
US10019671B2 (en) Learning mobility user choice and demand models from public transport fare collection data
US20160125307A1 (en) Air quality inference using multiple data sources
Rossi et al. Vehicle trajectory prediction and generation using LSTM models and GANs
Murphy et al. Risky planning on probabilistic costmaps for path planning in outdoor environments
Zhang et al. Machine learning approach for spatial modeling of ridesourcing demand
Gómez et al. Evaluation of trade-offs between two data sources for the accurate estimation of origin–destination matrices
Zheng et al. Modeling taxi driver search behavior under uncertainty
Tabibiazar et al. Kernel-based modeling and optimization for density estimation in transportation systems using floating car data
Li et al. Ridesplitting demand prediction via spatiotemporal multi-graph convolutional network
Mohammadi et al. Probabilistic prediction of trip travel time and its variability using hierarchical Bayesian learning
Samal et al. Predicting the least air polluted path using the neural network approach
Afandizadeh et al. Prediction of traffic flow based on calendar data on suburban roads (case study: chalus road)
Rahaman Context-aware mobility analytics and trip planning
Barua A naïve bayes classifier approach to incorporate weather to predict congestion at intersections
Allahviranloo et al. Mobility knowledge discovery to generate activity pattern trajectories
Tang et al. An adaptive deep multi-task learning approach for citywide travel time collaborative estimation
Zhang et al. A clustering-aided ensemble method for predicting ridesourcing demand in Chicago

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant