CN108701279B - 用于确定未来运输服务时间点的预测分布的系统和方法 - Google Patents

用于确定未来运输服务时间点的预测分布的系统和方法 Download PDF

Info

Publication number
CN108701279B
CN108701279B CN201680083128.6A CN201680083128A CN108701279B CN 108701279 B CN108701279 B CN 108701279B CN 201680083128 A CN201680083128 A CN 201680083128A CN 108701279 B CN108701279 B CN 108701279B
Authority
CN
China
Prior art keywords
service time
variance
determining
time points
distribution
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
CN201680083128.6A
Other languages
English (en)
Other versions
CN108701279A (zh
Inventor
张凌宇
程维
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN108701279A publication Critical patent/CN108701279A/zh
Application granted granted Critical
Publication of CN108701279B publication Critical patent/CN108701279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及用于确定未来运输服务时间点的预测分布的系统和方法。系统可以执行所述方法以获得在预设区域中发生的运输服务请求的历史服务时间点；确定所述历史服务时间点的方差，根据所述方差确定所述预设区域或未来运输服务时间点的预测分布；并将所述预测分布存储在数据库中。

Description

用于确定未来运输服务时间点的预测分布的系统和方法
本申请要求于2016年3月3日提交的申请号为201610122417.4的中国申请的优先权，其内容以引用的方式被包含于此。
本申请一般涉及用于按需服务的系统和方法，并且具体地，涉及用于确定未来运输服务时间点的预测分布的系统和方法。
背景技术
随着互联网技术的发展，如在线出租车服务等按需运输服务变得愈来愈流行。在交通高峰期对运输服务的需求可能很大，而在空闲期间，需求可能很小。在某些情况下，可能难以有效地满足对运输服务的需求。
发明内容
根据本申请的一方面，一种系统可以包括一个或以上存储介质以及被配置为与所述存储介质通讯的一个或以上处理器。所述一个或以上存储介质可以包括用于确定未来运输服务时间点的预测分布的一组指令。当所述一个或以上处理器执行所述一组指令时，所述一个或以上处理器可以用于执行以下操作中的一个或以上。所述一个或以上处理器可以获得在预设区域中发生的运输服务请求的历史服务时间点。所述一个或以上处理器可以确定所述历史服务时间点的方差。所述一个或以上处理器可以基于所述方差确定所述预设区域中的未来运输服务时间点的预测分布。所述一个或以上处理器可以将所述预测分布存储在数据库中。
在一些实施例中，所述一个或以上处理器可以从用户终端接收与第一预定时间段相关联的运输服务频率的请求。所述一个或以上处理器可以通过将所述第一预定时间段应用于所述预测分布来获得运输服务频率结果。所述一个或以上处理器可以将所述运输服务频率结果发送到所述用户终端。
在一些实施例中，所述一个或以上处理器可以确定所述历史服务时间点的平均服务时间点。所述一个或以上处理器可以确定所述历史服务时间点的数量。所述一个或以上处理器可以基于所述历史服务时间点的所述平均服务时间点和所述历史服务时间点的数量来确定所述历史服务时间点的方差。
在一些实施例中，所述一个或以上处理器可以确定第二预定时间段内的历史运输服务请求的数量可以小于第一阈值，这样未来运输服务时间点的所述预测分布的准确度低于第二阈值。所述一个或以上处理器可以确定与所述历史服务时间点的数量有关的校正系数。所述一个或以上处理器可以将所述校正系数应用于所述历史服务时间点的所述方差，以增加预测精度。
在一些实施例中，所述校正系数可以是经验值。
在一些实施例中，所述一个或以上处理器可以确定与所述方差相关的波动范围。所述一个或以上处理器可以基于所述波动范围确定未来运输服务时间点的所述预测分布。
在一些实施例中，所述一个或以上处理器可以确定所述历史服务时间点的标准差。所述一个或以上处理器可以基于所述方差、所述标准差和所述历史服务时间点的数量来确定与所述方差相关的分布模型。所述一个或以上处理器可以基于所述分布模型确定与所述方差相关的所述波动范围。
在一些实施例中，所述分布模型可以是与至少两个正态分布变量的平方和相关的分布模型。
在一些实施例中，所述一个或以上处理器可以基于与所述方差相关的所述波动范围来获得至少两个方差值。所述一个或以上处理器可以基于所述至少两个方差值中的每一个来确定所述未来运输服务时间点的第一预测分布。所述一个或以上处理器可以基于所述未来运输服务时间点的所述至少两个第一预测分布来确定未来运输服务时间点的第二预测分布。
在一些实施例中，所述一个或以上处理器可以确定所述历史服务时间点的期望。
所述一个或以上处理器可以基于所述期望和所述方差值确定所述正态分布。所述一个或以上处理器可以基于所述正态分布确定未来运输服务时间点的第一预测分布。
在一些实施例中，所述一个或以上处理器可以对所述未来运输服务时间点的至少两个第一预测分布进行加权。所述一个或以上处理器可以基于所述加权结果确定所述未来运输服务时间点的第二预测分布。
根据本申请的另一个方面，一种方法可以包括一个或以上的下述操作的。计算机服务器可以获得在预设区域发生的运输服务请求的历史服务时间点。所述计算机服务器可以确定所述历史服务时间点的方差。所述计算机服务器可以基于所述方差确定所述预设区域中的所述未来运输服务时间点的预测分布。所述计算机服务器可以将所述预测分布存储在数据库中。在一些实施例中，所述计算机服务器可以从所述用户终端接收与第一预定时间段相关联的运输服务频率的请求。所述计算机服务器可以通过将所述第一预定时间段应用于所述预测分布来获得运输服务频率结果。所述计算机服务器可以将所述运输服务频率结果发送到所述用户终端。
在一些实施例中，所述计算机服务器可以确定所述历史服务时间点的平均服务时间点。所述计算机服务器可以确定历史服务时间点的数量。所述计算机服务器可以基于所述历史服务时间点的所述平均服务时间点和所述历史服务时间点的数量来确定所述历史服务时间点的方差。
在一些实施例中，所述计算机服务器可以确定在所述第二预定时间段内的所述历史运输服务请求的数量可以小于第一阈值，这样所述未来运输服务时间点的预测分布的准确度低于第二阈值。所述计算机服务器可以确定与所述历史服务时间点的数量有关的校正系数。所述计算机服务器可以将所述校正系数应用于所述历史服务时间点的方差以增加预测精度。
在一些实施例中，所述校正系数可以是经验值。
在一些实施例中，所述计算机服务器可以确定与所述方差相关的波动范围。所述计算机服务器可以基于所述波动范围确定所述未来运输服务时间点的预测分布。
在一些实施例中，所述计算机服务器可以确定所述历史服务时间点的标准差。所述计算机服务器可以基于所述方差、所述标准差和所述历史服务时间点的数量来确定与所述方差相关的分布模型。所述计算机服务器可以基于所述分布模型确定与所述方差相关的波动范围。
在一些实施例中，所述分布模型可以是与至少两个正态分布变量的平方和相关的分布模型。
在一些实施例中，所述计算机服务器可以基于与所述方差相关的所述波动范围获得至少两个方差值。所述计算机服务器可以基于所述至少两个方差值中的每一个来确定所述未来运输服务时间点的第一预测分布。所述计算机服务器可以基于所述未来运输服务时间点的至少两个第一预测分布来确定所述未来运输服务时间点的第二预测分布。
在一些实施例中，所述计算机服务器可以确定所述历史服务时间点的期望。所述计算机服务器可以基于所述期望和所述方差值确定正态分布。所述计算机服务器可以基于所述正态分布所述确定未来运输服务时间点的第一预测分布。
在一些实施例中，所述计算机服务器可以对所述未来运输服务时间点的所述至少两个第一预测分布进行加权。所述计算机服务器可以基于加权结果确定所述未来运输服务时间点的第二预测分布。
本申请的一部分附加特性可以在下面的描述中进行说明，通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各个方面的方法、手段及组合的实践或使用得以实现和达到。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，在图示多种视图下，相同的编号表示相同的结构，其中：
图1是根据本申请的一些实施例所示的示例性按需服务系统的示意图；
图2是根据本申请的一些实施例所示的按需服务系统中的示例性计算设备的框图；
图3是根据本申请的一些实施例所示的示例性处理引擎的示意图；
图4是根据本申请的一些实施例所示的用于确定未来运输服务时间点的预测分布的示例性流程/方法的流程图；
图5是根据本申请的一些实施例所示的用于确定未来运输服务时间点的预测分布的示例性流程/方法的流程图；
图6-A和6-B是根据本申请的一些实施例所示的未来运输服务时间点的示例性预测分布的示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲，对本申请披露的实施例进行的各种修改是显而易见的，并且本文中定义的通则在不背离本申请的精神及范围的情况下，可以适用于其他实施例及应用。因此，本申请不限于所示的实施例，而是符合与权利要求一致的最广泛范围。
本文中所使用的术语仅用于描述特定示例性实施例，并不限制本申请的范围。如本文所使用的“一”、“一个”、“所述”、“该”等词语并非特指单数，也可包括复数形式，除非上下文明确提示例外情形。应该被理解的是，本申请中的术语“包括”和/或“包含”仅提示包括特征、整数、步骤、操作、元件和/或部件，但是不排除一个或多个特征、整数、步骤、操作、元件、部件和/或其组合的存在和添加。
在考虑了作为本申请一部分的附图的描述内容后，本申请的特征和特点以及操作方法、结构的相关元素的功能、各部分的组合、制造的经济性变得显而易见。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例的。
本申请中使用了流程图用于说明根据本申请的实施例的系统所执行的操作。应当理解的是，流程图的操作不一定按照顺序来精确地执行。相反，可以按照倒序执行或同时处理各种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。同时，也可以将一个或以上其他操作添加到这些流程图中，或者从这些流程图中移除某一步或数步操作。
此外，尽管主要关于确定目标车辆/提供者来描述本申请中的系统和方法，但是还应该理解，这仅是一个示例性实施例。本申请的系统和方法能适用于其他任一种按需服务。例如，本申请的系统和方法可以应用于不同的运输系统，包括陆地、海洋、航空航天等或类似或上述举例的任意组合。运输系统的车辆可以包括出租车、私家车、顺风车、公交车、火车、动车、高铁、地铁、船舶、飞机、飞船、热气球、无人驾驶车辆或类似物或其任意组合。运输系统还可以包括应用管理和/或分发的任何运输系统，例如，用于发送和/或接收快递的系统。本申请的系统或方法的应用场景可以包括网页、浏览器的插件、客户端、定制系统、内部分析系统、人工智能机器人等或其任意组合。
本申请中的术语“乘客”、“请求者”、“服务请求者”和“客户”可用于表示请求或订购服务的个人、实体或工具，并且可互换使用。此外，本申请中的术语“司机”、“提供者”、“服务提供者”和“供应者”可用于表示提供服务或协助提供服务的个人、实体或工具，并且可互换使用。在本申请中，术语“用户”可以表示可以请求服务、预定服务、提供服务或促进服务提供的个体、实体或工具。例如，使用者可以是乘客、司机、操作员等或其任意组合。在本申请中，“乘客”和“乘客终端”可互换使用，
“司机”和“司机终端”可互换使用。
本申请中的术语“服务请求”和“订单”可以用于表示由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应者等或其任意组合发起的请求，并且可以互换使用。服务请求可以由乘客、请求者、服务请求者、顾客、提供者、服务提供者或供应者中的任何一个接受。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WiFi)定位技术等或上述举例的任意组合。以上定位技术中的一个或以上可以在本申请中交换使用。
本申请的一方面提供了用于基于运输服务请求的历史服务时间点来确定未来运输服务时间点的预测分布的在线系统和方法。
需要注意的是，在线按需运输服务，例如在线预定出租车，是起源于后互联网时代的一种新的服务方式。它为使用者和服务提供者提供了仅在后互联网时代才可能实现的技术方案。在互联网时代之前，当一个使用者在街道上需要一辆出租车时，出租车预定请求和接受只可能在乘客和一个看见该乘客的出租车司机之间发生。如果乘客通过电话呼叫出租车，服务请求和接受可能仅在乘客与服务提供者(例如出租车公司或代理商)之间发生。然而，在线预定租车允许该服务的使用者实时地和自动地向与该用户相距一段距离的大量的单个服务提供者(例如，出租车)分发服务请求。它同时允许至少两个服务提供者同时地和实时地对该服务请求进行响应。因此，通过互联网，在线按需运输系统可以为用户和服务提供者提供一个更加高效的交易平台，这在传统的互联网时代之前的运输服务系统中是无法达到的。
图1是根据一些实施例所示的一种示例性按需服务系统100的模块图。按需服务系统100可以是在线按需运输服务系统，包括服务器110、网络120、请求者终端130、提供者终端140和数据库150。服务器110可以包括处理引擎112。
在一些实施例中，服务器110可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络120存取储存请求者终端130、提供者终端140和/或数据库150中的信息和/或数据。又例如，服务器110可以直接连接到请求者终端130、提供者终端140和/或数据库150以存取储存的信息和/或数据。在一些实施例中，服务器110可以在云端平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、小区云、分布云、内部云、多云等或上述举例的任意组合。在一些实施例中，服务器110可以在图2中描述的包含了一个或以上组件的计算设备200上执行。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可处理与服务请求相关联的信息和/或数据来执行在本申请中描述的一个或以上功能。例如，处理引擎112可以基于历史服务时间点确定未来运输服务时间点的预测分布。在一些实施例中，处理引擎112可包括一个或以上处理引擎(例如，单核处理引擎或多核处理引擎)。仅作为示例，处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息及/或数据的交换。在一些实施例中，按需服务系统100中的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140和数据库150)可以通过网络120向按需服务系统100中的其他组件发送信息和/或数据。例如，服务器110可以通过网络120从请求者终端130获得/获取服务请求。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或其组合。仅作为示例，网络120可以是电缆网络、有线网络、光纤网络、电信网络、内联网、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公用电话交换网络(PSTN)、蓝牙网络、紫蜂(Zigbee)网络、近场通讯网络(NFC)等或其任意组合。在一些实施例中，网络120可以包括一个或以上网络交换点。例如，网络120可以包括有线或无线网络交换点，如基站和/或因特网交换点120-1、120-2等等，通过交换点，按需服务系统100的一个或以上部件可以连接到网络120以交换数据和/或信息。
在一些实施例中，请求者可以是请求者终端130的用户。在一些实施例中，请求者终端130的使用者可以是请求者之外的其他人。例如，请求者终端130的使用者A可以使用请求者终端130为使用者B发送一个服务请求或从服务器110接收服务和/或信息或指示。在一些实施例中，提供者可以是提供者终端140的用户。在一些实施例中，提供者终端130的用户可以为除该提供者之外的其他人。例如，提供者终端140的用户C可以使用提供者终端140从服务器110接收用户D和/或数据或指令的服务请求。在一些实施例中，“请求者”和“请求者终端”可以交换使用，“提供者”和“提供者终端”可以交换使用。
在一些实施例中，请求者终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、机动车辆内置装置130-4等或上述举例的任意组合。在一些实施例中，移动设备130-1可包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备或类似物或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。在一些实施例中，移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、膝上型计算机、台式计算机等或上述举例的任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、OculusRiftTM、HololensTM、GearVRTM等。在一些实施例中，机动车辆内置设备130-4包括车载计算机或车载电视等。在一些实施例中，请求者终端130可以是带有定位技术的设备，定位技术可以用于定位请求者和/或请求者终端130的位置。
在一些实施例中，提供者终端140可以是与请求者终端130相似或相同的设备。在一些实施例中，提供者终端140可以是具有用来确定提供者及/或提供者终端140位置的定位技术的设备。在一些实施例中，请求者终端130和/或提供者终端140可以与其他定位设备通讯来确定请求者、请求者终端130、提供者和/或提供者终端140的位置。在一些实施例中，请求者终端130和/或提供者终端140可以将定位信息发送至服务器110。数据库150可以存储数据和/或指令。
在一些实施例中，数据库150可以存储从请求者终端130和/或提供者终端140获得的数据。在一些实施例中，数据库150可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的示例性方法。在一些实施例中，数据库150可以包括大容量存储器、可移式存储器、易失性读写存储器、只读存储器(ROM)等或上述举例的任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移式存储器可包括快闪驱动器、软盘、光盘、记忆卡、压缩磁盘、磁带等。示例性的易失性读写存储器可以包括随机存储器(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩蔽型ROM(MROM)、可编程ROM(PROM)、可擦可编程ROM(EPROM)、电可擦可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能磁盘ROM等。在一些实施例中，数据库150可以在云平台上实现。在一些实施例中，储存器140可以在云端平台上实施。仅作为示例，云端平台可以包括私有云、公用云、混合云、社区云、分布式云、内部云、多云等或其任意组合。
在一些实施例中，数据库150可以与网络120连接以与按需服务系统100中的一个或以上部件(例如，服务器110、请求者终端130、提供者终端140等)通信。按需服务系统100中的一个或以上部件可以通过网络120存取存储于数据库150中的数据或指令。在一些实施例中，数据库150可以直接与按需服务系统100的一个或以上部件(例如，服务器110、请求者终端130、提供者终端140等)连接或通讯。在一些实施例中，数据库150可以是服务器110的一部分。
在一些实施例中，按需服务系统100的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140等)可以被允许访问数据库150。在一些实施例中，当满足一个或以上条件时，按需服务系统100的一个或以上部件可以读取和/或修改与请求者、提供者和/或公众相关的信息。例如，在完成一个服务后，服务器110可以读取和/或修改一个或以上用户的信息。再例如，当从请求者终端130接收到一个服务请求时，提供者终端140可以访问与请求者相关的信息，但提供者终端140无法修改请求者的相关信息。
在一些实施例中，按需服务系统100的一个或以上组件的信息交换可以通过请求服务的方式实现。服务请求的客体可以是任一产品。在一些实施例中，产品可以是有形产品或无形产品。有形产品可以包括食品、医药、商品、化学产品、电器、衣物、小汽车、房屋、奢侈品等或上述举例的任意组合。无形产品可以包括服务产品、金融产品、知识产品、互联网产品等中的一种，或类似或其任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或上述举例的任意组合。移动互联网产品可以用于移动终端的软件、程序、系统等或上述举例的任意组合。移动终端可以包括平板计算机、膝上型计算机、移动手机、掌上计算机(PDA)、智能手表、销售点(POS)设备、车载计算机、车载电视、可穿戴设备等或上述举例的任意组合。例如，产品可以是在计算机或移动电话上使用的任一软件和/或应用。软件和/或应用可以与社交、购物、运输、娱乐、学习、投资等或其任意组合相关。在一些实施例中，与运输相关联的软件和/或应用可以包括旅游软件和/或应用程序、车辆调度软件和/或应用程序、地图软件和/或应用程序等。对于车辆调度软件和/或应用程序，车辆可以是马、马车、人力车(例如，独轮手推车、脚踏车、三轮车等)、汽车(例如，出租车、公交车、私人汽车或类似物)、火车、地铁、船、航空器(例如，飞机、直升机、航天飞机、火箭、热气球等)或类似物或其任意组合。
图2是根据申请的一些实施例所示的计算设备200的示例性硬件和软件元件的框图，其上可以实现本申请服务器110、请求者终端130和/或提供者终端140相应的功能。例如，处理引擎112可以在计算设备200上实施并执行本申请所披露的处理引擎112的功能。
计算设备200可以是通用计算机或专用计算机，二者均可以用来实现本申请的按需服务系统100。计算设备200可以被用于实现当前描述的按需服务的任一元件。例如，处理引擎112可以在所述计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见，图中只绘出一台计算机，但文中描述的与按需服务的相关的计算机功能可以以分散方式在一组相似的平台上实施，以分散处理负载。
例如，计算设备200可以包括与网络相连接并促进数据通讯的通讯(COM)端口250。计算设备200可以包括一个中央处理器(CPU)220，可以以一个或以上处理器的形式执行程序指令。示例性的计算机平台可以包括内部总线210、不同形式的程序存储器和数据存储器，例如，磁盘270、只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算机平台可以包括程序指令，程序指令可以存储在ROM 230、RAM 240和/或其他类型的非暂时性的存储介质中以由CPU220执行。本申请的方法和/或流程可以以程序指令的方式实施。计算设备200还包括输入/输出组件260，用于支持计算机与此处其他部件例如用户接口元件280之间的输入/输出。计算设备200也可以通过网络通讯接收程序设计和数据。
仅仅为了说明，计算设备200中仅示例性描述了一个CPU和/或处理器。然而，需要注意的是，本申请中计算设备200可以包括至少两个CPU和/或处理器，因此本申请中描述的由一个CPU和/或处理器实现的操作和/或方法也可以共同地或独立地由至少两个CPU和/或处理器实现。例如，在本申请中，如果计算设备200的中央处理单元和/或处理器执行步骤A和步骤B，应当理解的是步骤A和步骤B可以由计算设备200的两个不同的中央处理单元和/或处理器共同或分别执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B)。
图3是根据本申请的一些实施例的示例性处理引擎的示意图。处理引擎112可以包括获取模块302、确定模块304和预测模块306。
获取模块302可以用于获取预设区域内发生的运输服务请求的历史服务时间点。其中，服务时间点可以指请求者希望使用运输服务的开始时间。预设区域可以指行政区域(例如，城市中的区域)或地理区域(例如，在距定义的位置的特定半径(例如，500m、800m、1000m内)。
确定模块304可以被配置为确定历史服务时间点的方差。例如，确定模块304可以基于无偏估计方法来估计历史服务时间点的方差。确定模块304还可以确定与方差相关的分布模型。通过分布模型，确定模块304可以确定具有不同概率的方差的可能值。确定模块304还可以基于分布模型确定与方差相关的波动范围。波动范围可以表明方差值可以变化的范围。波动范围可包括起始值和结束值。例如，波动范围可以是(3,5)或[3,5]。起始值为3，结束值为5。
预测模块306可以被配置为基于方差确定预设区域中的未来运输服务时间点的预测分布。未来运输服务时间点的预测分布指的是用户可以从中获取可能的未来运输服务时间点出现在预设区域内的一个或以上的时间点的分布。
处理引擎112中的模块可以通过有线连接或无线连接以互相连接或互相通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、紫蜂(ZigBee)网络、近场通讯(NFC)等或上述举例的任意组合。两个或以上模块可以合并成一个模块，以及任意一个模块可以被拆分成两个或以上单元。例如，确定模块304和预测模块306可以集成为单个模块，其可以确定方差并确定未来运输服务时间点的预测分布。
图4是根据本申请的一些实施例的用于预设区域确定在预设区域内未来运输服务时间点的预测分布的示例性流程/方法400的流程图。流程/方法400可以由按需服务系统100执行。例如，流程/方法400可以被实现为存储于存储ROM 230或RAM 240的一组指令(例如，一个应用)。CPU 210可以执行这组指令，并且可以相应地指示执行过程/方法400。
在步骤402中，处理引擎112可以获取在预设区域内发生的运输服务请求的历史服务时间点。
服务时间点可以指请求者希望使用运输服务的开始时间。运输服务请求可以包括实时请求和/或预约请求。其中，实时请求可能表明请求者希望在此刻或对本领域普通人员来说合理靠近此刻的一个限定时间内使用运输服务。例如，若定义好的时间短于阈值(如1分钟、5分钟、10分钟或20分钟)，请求可认为实时请求。预约请求可以指请求者希望在定义好的时间使用运输服务，该时间对于本领域的普通人来说是合理地远离当前时刻。例如，如果定义好的时间长于阈值，例如20分钟、2小时或1天等，则服务请求可以认为是预约请求。在一些实施例中，处理引擎112可以基于时间阈值来定义实时请求或预约请求。该时间阈值可以是按需服务系统100的默认设置，或可以根据不同的情况进行调整。例如，在交通高峰期，时间阈值可能相对较小(例如，10分钟)，而在空闲时间段(例如，上午10:00-12:00)，时间阈值可能相对较大(例如，1小时)。
在一些实施例中，这里使用的“历史”可以指过去的预设时间段。例如，处理引擎112可以在获取从过去的当前时刻起的一个月内的历史服务时间点。又例如，处理引擎112可以获取在过去的特定时间段内(例如，去年的圣诞假期)的历史服务时间点。
预设区域可以是按需服务系统100的默认设置，或者可以根据不同情况进行调整。例如，对于中等城市或小城市，预设区域可以是整个城市，而对于大城市(例如，北京)，预设区域可以是地区或城市中地区的定义好的部分。
在步骤404中，处理引擎112可以确定历史服务时间点的方差。
其中，方差可以表明一组随机变量值的分散程度。在本申请中，方差可以指示历史服务时间点的分散程度。应当注意，在本申请中，“方差”、“标准差”或“期望”可以指根据“方差”、
“标准差”或“”的公式或估计值确定的特定值。
处理引擎112可以基于无偏估计方法确定历史服务时间点的方差。其中，对于待估计的参数，无偏估计方法可以指，该参数的估计值的期望等于该参数的实际值。例如，无偏估计方法可表示为如下：
E(M′)＝M (1)
其中，M指的是待估计的参数(或参数的实际值)，M'指的是参数的估计值，E(M')指的是参数的估计值的期望值。其中，期望可以指估计值的可能值的概率加权平均值。例如，估计值可以包括如下描述的至少两个可能值：
M′＝{m1,m2,…,mn} (2)
其中，至少两个可能值可以对应于至少两个可能性，例如，p1、p2和pn等。此外，估计值的期望可以表示为如下：
E(M′)＝p1m1+p2m2+…+pnmn (3)
在一些实施例中，如果历史服务时间点的数量大于或等于第一阈值(例如，100)，则处理引擎112可以根据如下所示的公式(4)确定第一方差：
Figure BDA0001787440800000221
其中，D1(X)指的是第一方差，X指的是包含历史服务时间点的集合，ti指的是第i个历史服务时间点，
Figure BDA0001787440800000222
指的是历史服务时间点的平均服务时间点，以及n指历史服务时间点的数量。
在一些实施例中，如果历史服务时间点的数量小于第一阈值但是大于或等于第二阈值(例如，10)，则根据公式(4)确定历史服务时间的方差可能是不准确的。不准确的方差可能导致未来运输服务时间点的预测分布的准确度可能低于准确度阈值(例如，70％)。其中，“准确度”可以指预测的分布与参考分布之间的误差，并且参考分布可以指基于历史服务时间点的实际方差或者历史服务时间点的方差值的默认值确定的分布。为了提高准确度，处理引擎112可以根据如下所示的公式(5)确定第二方差：
Figure BDA0001787440800000231
其中，D2(X)指的是第二方差。
在一些实施例中，为了确定如上所示的公式(5)，处理引擎112可以根据如下所示的公式(6)确定第一方差的期望。应该说明的是，在这种情况下，“第一方差”指的是历史服务时间点的方差的估计值。
Figure BDA0001787440800000232
其中，E(D1(X))指的是第一方差的期望，E(ti 2)是指历史服务时间点的平方的期望，以及
Figure BDA0001787440800000233
是指期望是指平均服务时间点的平方的期望。
对于本领域普通人来说，众所周知：
Figure BDA0001787440800000234
其中，
Figure BDA0001787440800000241
是指历史服务时间点的平均服务时间点的第一方差。
根据如上所示的公式(7)，处理引擎112可以进一步确定：
Figure BDA0001787440800000242
其中，μ0是指历史服务时间点的期望的实际值，σ0是指历史服务时间点的标准偏差的实际值。
进一步地，根据如上所示的公式(6)和公式(8)，处理引擎112可以通过如下确定第一方差的期望：
Figure BDA0001787440800000243
如下所示，可以看出，当历史服务时间点的数量足够大时，第一方差的期望可能接近实际标准差的平方：
Figure BDA0001787440800000244
根据如上所示的公式(10)，处理引擎112可以根据如下所示的公式(11)或公式(12)确定第一方差的期望与实际标准差之间的关系：
Figure BDA0001787440800000245
Figure BDA0001787440800000246
返回公式(4)和公式(5)，可以看出第二方差可能与第一方差有关：
Figure BDA0001787440800000251
从公式(12)可以看出，第二方差的期望等于历史服务时间点的标准差的平方。因此，当历史服务时间点的数量小于第一阈值但是大于或等于第二阈值(例如，10)时，根据公式(5)确定历史服务时间点的方差比根据公式(4)确定历史服务时间点的方差可能更准确。
在一些实施例中，历史服务时间点的数量可以小于第二阈值(例如，10)。在这种情况下，根据公式(4)或公式(5)确定历史服务时间点的方差可能是不准确的。处理引擎112可以考虑采用校正系数并根据如下所示的公式(14)确定第三方差：
Figure BDA0001787440800000252
其中，D3(X)指的是第三方差，η指的是校正系数。校正系数可以是按需服务系统100的默认设置(例如，经验值)，或者可以根据不同的情况进行调整。例如，处理引擎112可以根据如下所示的公式(15)确定校正系数：
Figure BDA0001787440800000253
在步骤406中，处理引擎112可以基于第一方差、第二方差或第三方差来确定预设区域内的未来运输服务时间点的预测分布。
例如，处理引擎112可以基于历史服务时间点和第一方差、第二方差或第三方差的期望来确定预测分布。在预测分布中，水平坐标可以指服务时间点，垂直坐标可以指对应于该服务时间点的概率。例如，预测分布可以是正态分布(例如，图6-A中所示的正态分布609a、或图6-B中所示的正态分布609b)。
在处理引擎112确定未来运输服务时间点的预测分布之后，处理引擎112可以将预测分布的数据发送到数据库150或发送到本申请其他地方公开的任何存储设备(例如，ROM230、RAM 240)。在一些实施例中，根据预测分布，处理引擎112可以确定运输服务频率大于频率阈值(例如，80％)的特定时间间隔。其中，运输服务频率可以指与运输服务请求可能出现的服务时间点相对应的概率。处理引擎112还可以在特定时间间隔之前向预设区域中的至少两个提供者提供通知，以通知至少两个提供者运输服务峰值可能出现在预设区域内。
在一些实施例中，用户(例如，请求者、提供者)可以通过用户终端(例如，请求者终端130、提供者终端140)向服务系统100发送在预设的未来时间段((例如，今年的圣诞节假期))内出现的服务请求频率的请求。当处理引擎112接收到请求，处理引擎112可以将未来时间段应用于预测分布，获得未来时间段对应的运输服务频率的预测结果，并将该结果发送到用户终端。
在一些实施例中，用户还可以向按需服务系统100发送请求以预测运输服务频率在预定范围内的未来时间段。因此，处理引擎112可以将预定的运输服务频率范围应用于预测分布并获得用户的结果时间段。例如，用户可以发送对运输服务频率大于频率阈值(例如，80％)的时间间隔的请求。处理引擎112可以应用预测分布，确定将发生大于频率阈值的下一个运输服务频率的时间间隔(例如，9:00-10:00AM)，并将时间间隔发送到用户终端。
图5是根据本申请的一些实施例的用于确定未来运输服务时间点的预测分布的示例性流程/方法500的流程图。流程和/或方法500可以由按需服务系统100执行。例如，流程/方法500可以通过存储在ROM 230或RAM 240中的一组指令(例如，一个应用)来实现。中央处理单元220可以执行改组指令并相应地执行流程和/或方法500。
在步骤502中，处理引擎112可以确定与方差相关的分布模型。
其中，分布模型可以表示具有不同概率的方差的可能值。
如步骤404，在一些情况下，根据公式(4)、公式(5)或公式(14)确定的方差可能是不准确的。例如，如果在历史服务时间点的获取期间发生错误(例如，缺少一个或以上服务时间点)，则根据公式(4)、公式(5)或公式(14)确定的方差可能偏离实际方差的实际值。因此，为了提高准确性，处理引擎112可以确定与方差相关的分布模型，并基于分布模型确定方差的可能值。
例如，对于第二方差，处理引擎112可以根据如下所示的公式(16)确定与第二方差相关的方差参数：
Figure BDA0001787440800000281
其中，G指的是与第二方差有关的方差参数。
众所周知，历史服务时间点可能遵循第一正态分布。处理引擎112还可以基于第一正态分布确定与历史服务时间点相关的时间参数：
Figure BDA0001787440800000282
其中，Zi是指与历史服务时间点相关的第i个时间参数，ti是指第i个历史服务时间点，μ是指历史服务时间点的期望，σ是指历史服务时间的标准差。可以看出，与历史服务时间点相关的时间参数遵循标准正态分布(此后称该时间参数的分布为“第二正态分布”)。
处理引擎112还可以确定与历史服务时间点相关的时间参数对应的第一列矩阵，如下所示：
Figure BDA0001787440800000283
其中，Z表示第一列矩阵，n表示历史服务时间点的数量。
处理引擎112可以根据如下所示的公式(19)确定第二方差和时间参数之间的关系：
Figure BDA0001787440800000284
Figure BDA0001787440800000291
其中，
Figure BDA0001787440800000292
是指时间参数的平均值。
处理引擎112还可以根据如下所示的公式(20)确定第二列矩阵，其中，第二列矩阵的元素遵循第三正态分布：
Y＝A·Z (20)
其中，Y指的是如下所示的第二列矩阵：
Figure BDA0001787440800000293
A表示n阶正交矩阵(以下称为“第三矩阵”)，类似于下图所示的第一列矩阵：
Figure BDA0001787440800000294
根据如上所示的公式(20)、公式(21)和公式(22)，处理引擎112可以通过如下确定第二列矩阵的元素：
Figure BDA0001787440800000295
其中，Yi指的是第二列矩阵的第i个元素，aij指的是放置在第三矩阵中的第i行和第j列中的元素，Zj指的是第j个时间参数。
可以看出，第一列矩阵包括n个时间参数，对于第一列矩阵中的任何两个时间参数，两个时间参数彼此独立。因此，处理引擎112可以确定：
cov(Zi,Zj)＝δij (24)
其中，Zi指的是第一列矩阵中的第i个时间参数，Zj指的是第一列矩阵中的第j个时间参数，cov(Zi,Zj)指的是两个时间参数的协方差，而δij指的是克罗内克函数。对于克罗内克函数，如果i的值等于j的值，则克罗内克函数的值为1，而如果值i不等于j的值，则克罗内克函数的值为0。
处理引擎112可以通过如下确定第二列矩阵中的任何两个元素的协方差：
Figure BDA0001787440800000301
其中，Ys指的是第二列矩阵中的第s个元素，Yt指的是第二列矩阵中的第t个元素。可以看出，第二列矩阵中的任何两个元素彼此独立。
处理引擎112还可以根据如下所示的公式(26)确定第二列矩阵中的元素的平方和：
Figure BDA0001787440800000311
对于第二列矩阵中的第一元素，处理引擎112可以确定：
Figure BDA0001787440800000312
根据公式(19)、公式(23)和公式(26)，处理引擎112可以通过如下修改第二方差：
Figure BDA0001787440800000313
根据公式(28)，处理引擎112可以通过如下确定方差参数与第二列矩阵中的元素之间的关系：
Figure BDA0001787440800000314
很明显，方差参数的分布等同于第二列矩阵中元素的分布，即方差参数的分布模型等价于(n-1)正态分布变量(这里简称Yi)的分布模型。
在步骤504中，处理引擎112可以基于分布模型确定与方差相关的波动范围。
例如，处理引擎112可以根据如下所示的公式(30)确定波动范围：
Figure BDA0001787440800000315
处理引擎112可以将等式(30)变换为如下：
Figure BDA0001787440800000316
其中，a是指分布模型的置信系数，
Figure BDA0001787440800000321
是指当方差参数的值为
Figure BDA0001787440800000322
时的分布模型的概率，和
Figure BDA0001787440800000323
是指当方差参数的值为
Figure BDA0001787440800000324
时分布模型的概率。其中，分布模型的置信系数可以表明分布模型的可靠性程度。
根据公式(30)和公式(31)，处理引擎112还可以通过如下确定波动范围：
Figure BDA0001787440800000325
其中，F指的是与第二方差相关的波动范围。波动范围可以表明方差的值可以变化的范围。
应当注意，提供与第二方差相关的波动范围是为了说明的目的，而不是为了限制本申请的范围。例如，可以对第一方差或第三方差进行类似的流程或操作。
在步骤506中，处理引擎112可以基于与方差相关的波动范围获得至少两个方差值。例如，波动范围可以是[p,q]。处理引擎112可以选择范围在[p,q]内的至少两个方差值。
在步骤508中，对于至少两个方差值中的每一个，处理引擎112可以基于该方差值确定未来运输服务时间点的第一预测分布。如步骤406所述，处理引擎112可以基于方差值和历史服务时间点的期望来确定未来运输服务时间点的第一预测分布(例如，正态分布)。处理引擎112可以基于至少两个方差值确定至少两个第一预测分布。
在步骤510中，处理引擎112可以基于至少两个第一预测分布确定未来运输服务时间点的第二预测分布。处理引擎112可以将至少两个第一预测分布的组合确定为第二预测分布。例如，处理引擎112可以对未来运输服务时间点的至少两个第一预测分布进行加权，并基于加权结果确定未来运输服务时间点的第二预测分布。
图6-A和6-B是根据本申请的一些实施例的未来运输服务时间点的示例性预测分布的示意图。
如图6-A所示，处理引擎112可以基于波动范围确定第一方差值，并基于第一方差值和历史服务时间点的期望来确定第四正态分布609a。如图6-B所示，处理引擎112可以基于波动范围确定第二方差值，并基于第二方差值和历史服务时间点的期望来确定第五正态分布609b。处理引擎112可以在波动范围内随机选择第一方差值或第二方差值。例如，如果波动范围是[u1,un]，则处理引擎112可以从波动范围中选择方差值ua和方差值ub，并且基于方差值ua确定第四正态分布609a和基于方差值ub确定第五正态分布609b。
如图6-A或图6-B所示，水平坐标表示可能的未来运输服务时间点，垂直坐标表示对应于未来运输服务时间的概率。
在一些情况下，用户(例如，请求者或提供者)或处理引擎112可以定义概率阈值605。对于第一正态分布609a，处理引擎112可以确定第一间隔607a，其中，第一间隔607a中的对应于可能的未来运输服务时间点的概率大于概率阈值605。对于第二正态分布609b，处理引擎112可以确定第二间隔609b，其中，第二间隔609b中与可能的未来运输服务时间点相对应的概率大于概率阈值605。
处理引擎112可以进一步处理第一间隔607a和第二间隔607b，例如，确定第一间隔607a和第二间隔607b的并集或交集，对第一间隔607a和第二间隔607b进行平均或进行加权。
例如，第一间隔607a可以是[8:00,9:30]，第二间隔607b可以是[9:00,10:00]。处理引擎112可以确定第一间隔607a和第二间隔607b的并集为[8:00,10:00]。又例如，处理引擎112可确定第一间隔607a和第二间隔607b的交集为[9:00,9:30]。又例如，处理引擎112可确定第一间隔607a和第二间隔607b的平均值为[8:30,9:45]。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定术语来描述本申请的实施例。例如，“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可以呈现为位于一个或以上计算机可读介质中的计算机产品，该产品具有计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、缆线、光纤电缆、RF、或者前述任何合适组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过互联网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，否则处理元素或序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (18)

1.一种系统，包括：
一个或以上存储介质，包括用于确定未来运输服务时间点的预测分布的一组指令；以及
一个或以上处理器，被配置为与所述一个或以上存储介质通信，其中，当执行所述一组指令时，所述一个或以上处理器用于：
获取在预设区域内发生的运输服务请求的历史服务时间点；
确定所述历史服务时间点的方差；
根据所述方差确定所述预设区域内未来运输服务时间点的预测分布，其中，为了基于所述方差确定未来运输服务时间点的所述预测分布，所述一个或以上处理器用于：
确定与所述方差相关的波动范围；
基于与所述方差相关的所述波动范围获得至少两个方差值；
对于所述至少两个方差值中的每一个，基于所述方差值确定未来运输服务时间点的第一预测分布；以及
根据未来运输服务时间点的所述至少两个第一预测分布，确定未来运输服务时间点的所述预测分布；以及
将所述预测分布存储在数据库中。
2.根据权利要求1所述的系统，其特征在于，所述一个或以上处理器进一步用于：
从用户终端接收与第一预定时间段相关联的运输服务频率的请求；
通过将所述第一预定时间段应用于所述预测分布来获得运输服务频率结果；以及
将所述运输服务频率结果发送到所述用户终端。
3.根据权利要求1所述的系统，其特征在于，为了确定所述历史服务时间点的方差，所述一个或以上处理器用于：
确定所述历史服务时间点的平均服务时间点；
确定所述历史服务时间点的数量；以及
根据所述历史服务时间点的所述平均服务时间点和所述历史服务时间点的数量确定所述历史服务时间点的方差。
4.根据权利要求3所述的系统，其特征在于，为了确定所述历史服务时间点的所述方差，所述一个或以上处理器进一步用于：
确定在第二预定时间段内的所述历史运输服务请求的数量小于第一阈值，这样未来运输服务时间点的所述预测分布的准确度低于第二阈值；
确定与所述历史服务时间点的数量有关的校正系数；以及
将所述校正系数应用于所述历史服务时间点的所述方差，以增加预测精度。
5.根据权利要求4所述的系统，其特征在于，所述校正系数是经验值。
6.根据权利要求1所述的系统，其特征在于，为了确定与所述方差相关的所述波动范围，所述一个或以上处理器用于：
确定所述历史服务时间点的标准差；
根据所述方差、所述标准差和所述历史服务时间点的数量，确定与所述方差相关的分布模型；以及
基于所述分布模型确定与所述方差相关的所述波动范围。
7.根据权利要求6所述的系统，其特征在于，所述分布模型是与至少两个正态分布变量的平方和相关的分布模型。
8.根据权利要求1所述的系统，其特征在于，为了基于所述方差值确定未来运输服务时间点的所述第一预测分布，所述一个或以上处理器用于：
确定所述历史服务时间点的期望；
根据所述期望和所述方差值确定正态分布；以及
根据所述正态分布确定未来运输服务时间点的所述第一预测分布。
9.根据权利要求1所述的系统，其特征在于，为了根据未来运输服务时间点的所述至少两个第一预测分布，确定未来运输服务时间点的所述预测分布，所述一个或以上处理器用于：
对未来运输服务时间点的所述至少两个第一预测分布进行加权；以及
根据所述加权结果确定未来运输服务时间点的所述预测分布。
10.一种方法，包括：
由计算机服务器获取在预设区域内发生的运输服务请求的历史服务时间点；
由所述计算机服务器确定所述历史服务时间点的方差；
由所述计算机服务器根据所述方差确定所述预设区域内未来运输服务时间点的预测分布，其中，所述根据所述方差确定所述预设区域内未来运输服务时间点的所述预测分布包括：
由所述计算机服务器确定与所述方差相关的波动范围；
由所述计算机服务器基于与所述方差相关的所述波动范围获得至少两个方差值；
对于所述至少两个方差值中的每一个，由所述计算机服务器，基于所述方差值确定未来运输服务时间点的第一预测分布；以及
由所述计算机服务器根据未来运输服务时间点的所述至少两个第一预测分布，确定未来运输服务时间点的所述预测分布；以及
通由所述计算机服务器，将所述预测分布存储在数据库中。
11.根据权利要求10所述的方法，其特征在于，所述方法进一步包括：
由所述计算机服务器从用户终端接收与第一预定时间段相关联的运输服务频率的请求；
由所述计算机服务器，通过将所述第一预定时间段应用于所述预测分布来获得运输服务频率结果；以及
由所述计算机服务器将所述运输服务频率结果发送到所述用户终端。
12.根据权利要求10所述的方法，其特征在于，所述确定所述历史服务时间点的所述方差包括：
由所述计算机服务器确定所述历史服务时间点的平均服务时间点；
由所述计算机服务器确定所述历史服务时间点的数量；以及
由所述计算机服务器根据所述历史服务时间点的所述平均服务时间点和所述历史服务时间点的数量确定所述历史服务时间点的方差。
13.根据权利要求12所述的方法，其特征在于，所述确定所述历史服务时间点的所述方差包括：
由所述计算机服务器确定在第二预定时间段内的所述历史运输服务请求的数量小于第一阈值，这样未来运输服务时间点的所述预测分布的准确度低于第二阈值；
由所述计算机服务器确定与所述历史服务时间点的数量有关的校正系数；以及
由所述计算机服务器，将所述校正系数应用于所述历史服务时间点的所述方差，以增加预测精度。
14.根据权利要求13所述的方法，其特征在于，所述校正系数是经验值。
15.根据权利要求10所述的方法，其特征在于，所述确定与所述方差相关的所述波动范围包括：
由所述计算机服务器确定所述历史服务时间点的标准差；
由所述计算机服务器根据所述方差、所述标准差和所述历史服务时间点的数量，确定与所述方差相关的分布模型；以及
由所述计算机服务器基于所述分布模型确定与所述方差相关的波动范围。
16.根据权利要求15所述的方法，其特征在于，所述分布模型是与所述至少两个正态分布变量的平方和相关的分布模型。
17.根据权利要求10所述的方法，其特征在于，所述基于所述方差值确定未来运输服务时间点的所述第一预测分布包括：
由所述计算机服务器确定所述历史服务时间点的期望；
由所述计算机服务器根据所述期望和所述方差值确定正态分布；以及
由所述计算机服务器根据所述正态分布确定未来运输服务时间点的所述第一预测分布。
18.根据权利要求10所述的方法，其特征在于，所述根据未来运输服务时间点的所述至少两个第一预测分布，确定未来运输服务时间点的所述预测分布包括：
由所述计算机服务器对未来运输服务时间点的所述至少两个第一预测分布进行加权；以及
由所述计算机服务器基于所述加权结果确定未来运输服务时间点的所述预测分布。
CN201680083128.6A 2016-03-03 2016-12-14 用于确定未来运输服务时间点的预测分布的系统和方法 Active CN108701279B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN2016101224174 2016-03-03
CN201610122417.4A CN107153882B (zh) 2016-03-03 2016-03-03 乘客打车时刻分布区间的预测方法和系统
PCT/CN2016/109915 WO2017148202A1 (en) 2016-03-03 2016-12-14 Systems and methods for determining predicted distribution of future transportation service time point

Publications (2)

Publication Number Publication Date
CN108701279A CN108701279A (zh) 2018-10-23
CN108701279B true CN108701279B (zh) 2022-04-05

Family

ID=59742489

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201610122417.4A Active CN107153882B (zh) 2016-03-03 2016-03-03 乘客打车时刻分布区间的预测方法和系统
CN201680083128.6A Active CN108701279B (zh) 2016-03-03 2016-12-14 用于确定未来运输服务时间点的预测分布的系统和方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201610122417.4A Active CN107153882B (zh) 2016-03-03 2016-03-03 乘客打车时刻分布区间的预测方法和系统

Country Status (12)

Country Link
US (2) US10740701B2 (zh)
EP (1) EP3320493A1 (zh)
JP (2) JP6737805B2 (zh)
KR (1) KR20180013852A (zh)
CN (2) CN107153882B (zh)
AU (2) AU2016395338A1 (zh)
BR (1) BR112017021479A2 (zh)
GB (1) GB2553455A (zh)
MY (1) MY184334A (zh)
PH (1) PH12017550108A1 (zh)
SG (1) SG11201708267YA (zh)
WO (1) WO2017148202A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10190886B2 (en) 2017-01-04 2019-01-29 Uber Technologies, Inc. Network system to determine a route based on timing data
US11416792B2 (en) 2017-04-19 2022-08-16 Uber Technologies, Inc. Network system capable of grouping multiple service requests
CA3080498A1 (en) * 2017-11-02 2019-05-09 Uber Technologies, Inc. Computing system to implement network delivery service
US11436554B2 (en) 2017-11-02 2022-09-06 Uber Technologies, Inc. Network computer system to implement predictive time-based determinations for fulfilling delivery orders
CN108154296A (zh) * 2017-12-22 2018-06-12 中国联合网络通信集团有限公司 网约车调度方法及系统、运营商平台
CN110443472A (zh) * 2018-05-02 2019-11-12 北京嘀嘀无限科技发展有限公司 为用户提供出行服务的方法及装置
US11816179B2 (en) 2018-05-09 2023-11-14 Volvo Car Corporation Mobility and transportation need generator using neural networks
US11429987B2 (en) * 2018-05-09 2022-08-30 Volvo Car Corporation Data-driven method and system to forecast demand for mobility units in a predetermined area based on user group preferences
CN110945484B (zh) * 2018-06-08 2024-01-19 北京嘀嘀无限科技发展有限公司 数据存储中异常检测的系统和方法
US11410089B2 (en) 2018-08-30 2022-08-09 International Business Machines Corporation Dynamic booking system for shared dockless bikes using trajectory position
US11449917B2 (en) 2018-09-05 2022-09-20 Uber Technologies, Inc. Network computing system for providing interactive menus and group recommendations
US11397911B2 (en) 2018-11-15 2022-07-26 Uber Technologies, Inc. Network computer system to make effort-based determinations for delivery orders
CN110246329A (zh) * 2019-04-07 2019-09-17 武汉理工大学 一种出租车载客数量预测方法
US11568342B1 (en) * 2019-08-16 2023-01-31 Lyft, Inc. Generating and communicating device balance graphical representations for a dynamic transportation system
US11216770B2 (en) 2019-09-13 2022-01-04 Uber Technologies, Inc. Optimizing service requests in transport supply-constrained sub-regions
US11587001B2 (en) * 2020-01-15 2023-02-21 International Business Machines Corporation Rebalancing autonomous vehicles according to last-mile delivery demand
US20210295224A1 (en) * 2020-03-23 2021-09-23 Lyft, Inc. Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices
JP7272988B2 (ja) * 2020-03-27 2023-05-12 トヨタ自動車株式会社 情報処理装置、情報処理方法、及び、システム
KR102282530B1 (ko) * 2020-12-17 2021-07-27 한화생명보험(주) 압축된 긱서비스 제공 방법 및 장치
CN113610123B (zh) * 2021-07-23 2024-01-23 上海德衡数据科技有限公司 基于物联网的多源异构数据融合方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599088A (zh) * 2015-02-13 2015-05-06 北京嘀嘀无限科技发展有限公司 基于订单的调度方法和调度系统
CN104636874A (zh) * 2015-02-12 2015-05-20 北京嘀嘀无限科技发展有限公司 检测业务异常的方法及设备
CN105279572A (zh) * 2015-09-16 2016-01-27 北京城建设计发展集团股份有限公司 城市轨道交通客流密集度指数计算与发布系统

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6317720B1 (en) 1998-06-16 2001-11-13 Honda Giken Kogyo Kabushiki Kaisha Shared vehicle deployment and reallocation using predicted and current demand location and transit data
JP3728694B2 (ja) * 2001-12-25 2005-12-21 つばめ交通協同組合 車両運行支援システム
US7415433B2 (en) * 2003-08-04 2008-08-19 Paul Huneault Method and apparatus for the topographical mapping of investment risk, safety and efficiency
EA011308B1 (ru) * 2004-03-05 2009-02-27 Н. Калеб Эйвери Способ и система для оптимального установления цены и размещения средств
US20080059273A1 (en) 2006-02-21 2008-03-06 Dynamic Intelligence Inc. Strategic planning
JP2008052455A (ja) 2006-08-23 2008-03-06 Fujitsu Ten Ltd 需要予測装置およびプログラム
WO2009003139A1 (en) * 2007-06-27 2008-12-31 Cadence Design Systems, Inc. Robust design using manufacturability models
US20100095232A1 (en) 2008-10-15 2010-04-15 Daniel Measurement And Control, Inc. Calculating and plotting statistical data
JP5232298B2 (ja) 2009-04-23 2013-07-10 株式会社エヌ・ティ・ティ・ドコモ 移動手段需要予測支援サーバ、移動手段供給システム、及び移動手段需要予測データ作成方法
CN101808336A (zh) * 2009-04-30 2010-08-18 清华大学 一种认知无线电网络中主用户的定位方法及系统
JP5171793B2 (ja) * 2009-11-20 2013-03-27 株式会社エヌ・ティ・ティ・ドコモ 事象検知装置及び事象検知方法
AU2010325793B2 (en) * 2009-12-04 2015-03-12 Uber Technologies, Inc. System and method for arranging transport amongst parties through use of mobile devices
US8798897B2 (en) * 2010-11-01 2014-08-05 International Business Machines Corporation Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models
JP2012108748A (ja) * 2010-11-18 2012-06-07 Sony Corp データ処理装置、データ処理方法、およびプログラム
US9424515B2 (en) * 2011-12-05 2016-08-23 FasterFare, LLC Predicting taxi utilization information
CN103247167A (zh) * 2012-02-14 2013-08-14 北京掌城科技有限公司 一种获取空驶出租车信息的方法
JPWO2014042147A1 (ja) * 2012-09-12 2016-08-18 日本電気株式会社 データ集中予測装置、データ集中予測方法、及びそのプログラム
US20140180576A1 (en) 2012-12-24 2014-06-26 Anthony G. LaMarca Estimation of time of arrival based upon ambient identifiable wireless signal sources encountered along a route
JP5725068B2 (ja) 2013-03-25 2015-05-27 トヨタ自動車株式会社 車両制御装置、車両制御方法及び車両制御システム
US20150278759A1 (en) 2014-03-26 2015-10-01 Go Taxi Truck, LLC System and Method for Vehicle Delivery Tracking Service
GB2539852B (en) 2014-04-24 2021-02-17 Beijing Didi Infinity Technology & Dev Co Ltd System and method for managing supply of service
CN103985247B (zh) * 2014-04-24 2016-08-24 北京嘀嘀无限科技发展有限公司 基于城市叫车需求分布密度的出租车运力调度系统
WO2015198593A1 (ja) * 2014-06-25 2015-12-30 日本電気株式会社 情報処理装置、処理方法とそのプログラムを格納した記録媒体
US10628758B2 (en) * 2014-10-28 2020-04-21 Fujitsu Limited Transportation service reservation method, transportation service reservation apparatus, and computer-readable storage medium
CN105139089A (zh) * 2015-08-20 2015-12-09 北京嘀嘀无限科技发展有限公司 一种平衡出行供需的方法及设备
CN104636674B (zh) 2015-03-17 2017-06-09 浪潮集团有限公司 一种用于受损数据恢复的线性估计方法
US10360521B2 (en) * 2015-06-12 2019-07-23 Sap Se Dynamic location recommendation for public service vehicles
CN105203942B (zh) * 2015-09-09 2018-09-18 航天科工防御技术研究试验中心 一种基于性能退化量分布参数的电路寿命预测方法
US10223649B2 (en) * 2015-10-16 2019-03-05 Sap Se System and method of multi-objective optimization for transportation arrangement
JP2021132571A (ja) * 2020-02-27 2021-09-13 澁谷工業株式会社 細胞培養システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636874A (zh) * 2015-02-12 2015-05-20 北京嘀嘀无限科技发展有限公司 检测业务异常的方法及设备
CN104599088A (zh) * 2015-02-13 2015-05-06 北京嘀嘀无限科技发展有限公司 基于订单的调度方法和调度系统
CN105279572A (zh) * 2015-09-16 2016-01-27 北京城建设计发展集团股份有限公司 城市轨道交通客流密集度指数计算与发布系统

Also Published As

Publication number Publication date
US10740701B2 (en) 2020-08-11
CN107153882B (zh) 2021-10-15
EP3320493A4 (en) 2018-05-16
SG11201708267YA (en) 2017-11-29
US20180039920A1 (en) 2018-02-08
GB201716362D0 (en) 2017-11-22
PH12017550108A1 (en) 2018-02-26
EP3320493A1 (en) 2018-05-16
JP7063951B2 (ja) 2022-05-09
MY184334A (en) 2021-04-01
BR112017021479A2 (pt) 2018-09-25
JP2020173856A (ja) 2020-10-22
GB2553455A (en) 2018-03-07
US20200334591A1 (en) 2020-10-22
JP6737805B2 (ja) 2020-08-12
AU2016395338A1 (en) 2017-12-14
CN107153882A (zh) 2017-09-12
AU2016102431A4 (en) 2020-01-02
KR20180013852A (ko) 2018-02-07
US11348042B2 (en) 2022-05-31
JP2019504370A (ja) 2019-02-14
WO2017148202A1 (en) 2017-09-08
CN108701279A (zh) 2018-10-23

Similar Documents

Publication Publication Date Title
CN108701279B (zh) 用于确定未来运输服务时间点的预测分布的系统和方法
CN109478275B (zh) 分配服务请求的系统和方法
JP6687772B2 (ja) サービス時点を予測するシステム及び方法
US20200011676A1 (en) Systems and methods for route searching
AU2017101872A4 (en) Systems and methods for distributing request for service
CN110832284B (zh) 用于目的地预测的系统和方法
US11398002B2 (en) Systems and methods for determining an estimated time of arrival
US11017662B2 (en) Systems and methods for determining a path of a moving device
EP3365864B1 (en) Systems and methods for updating sequence of services
TW201901474A (zh) 用於確定預估到達時間的系統和方法
WO2019195996A1 (en) Systems and methods for vehicle scheduling
CN110832513B (zh) 用于按需服务的系统和方法
CN111860926B (zh) 用于预测服务需求信息的系统和方法

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