CN109155104A - 推荐估计到达时间的系统和方法 - Google Patents

推荐估计到达时间的系统和方法 Download PDF

Info

Publication number
CN109155104A
CN109155104A CN201780019074.1A CN201780019074A CN109155104A CN 109155104 A CN109155104 A CN 109155104A CN 201780019074 A CN201780019074 A CN 201780019074A CN 109155104 A CN109155104 A CN 109155104A
Authority
CN
China
Prior art keywords
eta
route
model
global characteristics
section
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.)
Granted
Application number
CN201780019074.1A
Other languages
English (en)
Other versions
CN109155104B (zh
Inventor
王征
孙书娟
叶杰平
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 CN109155104A publication Critical patent/CN109155104A/zh
Application granted granted Critical
Publication of CN109155104B publication Critical patent/CN109155104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • 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
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开涉及基于ETA模型确定一个路线的估计到达时间ETA(estimated time of arrival)的系统和方法。所述系统可以执行如下方法：获取一个与具有至少一个路段的至少一条路线相关的第一信号(310)；基于所述第一信号，生成和保存至少一个全局特征向量和至少一个与所述至少一条路线相关的历史使用时间的第一结构化数据(320)；基于所述至少一个全局特征向量和所述至少一个历史使用时间，通过训练模型生成估计到达时间ETA模型的第二结构化数据(330)；以及将所述ETA模型的第二结构化数据保存在所述至少一个非短暂性的计算机可读存储介质中(340)。

Description

推荐估计到达时间的系统和方法
交叉引用
本申请要求2016年4月18日递交的申请号为CN 201610242067.5的中国申请的优先权，其内容以引用方式被包含于此。
技术领域
本申请涉及用于确定路线的估计到达时间ETA(estimated time of arrival)的系统和方法，尤其涉及使用ETA模型来确定ETA的系统和方法。
背景技术
随着互联网技术的发展，网上打车服务和送餐服务等按需服务在人们的日常生活中发挥着重要的作用。例如，交通运输的按需运输服务可以被用户(例如乘客)大量使用。通过在线按需服务平台，用户可以通过安装在用户设备(如智能电话终端)中的应用程序，以按需服务的形式请求按需服务。
发明内容
根据本申请的一个方面，一个系统可以包括至少一个非短暂性的计算机可读存储介质，和至少一个与所述至少一个非短暂性的计算机可读存储介质相互通信的请求方终端的在线按需服务平台的处理器。所述非短暂性的计算机可读存储介质包括一组用于确定计划路线的估计到达时间的指令。当所述至少一个处理器执行所述一组指令时，所述至少一个处理器可以执行一个或以上以下操作。所述至少一个处理器可以获取一个与具有至少一个路段的至少一条路线相关的第一电信号。所述至少一个处理器可以基于所述第一电信号，生成和保存至少一个全局特征向量和至少一个与所述至少一条路线相关的历史使用时间的第一结构化数据。所述至少一个处理器可以基于所述至少一个全局特征向量和所述至少一个历史使用时间，通过训练模型生成估计到达时间ETA(estimated time of arrival)模型的第二结构化数据。所述至少一个处理器可以将所述ETA模型的第二结构化数据保存在所述至少一个非短暂性的计算机可读存储介质中。
根据本申请的一个方面，一种方法可以包括一个或以上如下操作。至少一个来自请求方客户端的在线按需服务平台的计算机服务器可以获取一个与具有至少一个路段的至少一条路线相关的第一电信号。所述至少一个计算机服务器可以基于所述第一电信号，生成和保存至少一个全局特征向量和至少一个与所述至少一条路线相关的历史使用时间的第一结构化数据。所述至少一个计算机服务器可以基于所述至少一个全局特征向量和所述至少一个历史使用时间，通过训练模型生成估计到达时间ETA(estimated time ofarrival)模型的第二结构化数据。所述至少一个计算机服务器可以将所述ETA模型的第二结构化数据保存在所述至少一个非短暂性的计算机可读存储介质中。
根据本申请的另一个方面，一个非短暂性的计算机可读存储介质可以包括指令。当被来自请求方终端的在线按需服务平台的至少一个处理器访问时，所述指令可以驱使至少一个处理器执行一个或以上以下操作。所述指令可以驱使至少一个处理器获取一个与具有至少一个路段的至少一条路线相关的第一电信号。所述指令可以驱使至少一个处理器基于所述第一电信号，生成和保存至少一个全局特征向量和至少一个与所述至少一条路线相关的历史使用时间的第一结构化数据。所述指令可以驱使至少一个处理器基于所述至少一个全局特征向量和所述至少一个历史使用时间，通过训练模型生成估计到达时间ETA(estimated time of arrival)模型的第二结构化数据。所述指令可以驱使至少一个处理器将所述ETA模型的第二结构化数据保存在所述至少一个非短暂性的计算机可读存储介质中。
附图说明
本申请根据示例性实施例进行了进一步的描述。这些示例性实施例参照附图详细描述。这些实施例是非限制性示例性实施例，其中类似的参考编号在附图的至少两个视图中表示相似的结构，并且其中：
图1是根据本发明提供的一种按需服务系统的示意图；
图2是根据本发明提供的一种处理引擎的示例性模块图；
图3是根据本发明提供的一种确定运输服务的ETA的方法的示例性流程图；
图4是根据本发明提供的一种确定计划路线的ETA的方法的示例性流程图；
图5是根据本发明提供的一种基于ETA子模型确定ETA的方法的示例性流程图；
图6是根据本发明提供的一个与全局特征向量相关的图表示意图；
图7是根据本发明提供的一个ETA模型的决策树示意图；
图8是根据本发明提供的一个ETA模型的人工神经网络示意图；
图9是根据本发明提供的一个预测ETA的物理模型示意图；
图10是根据本发明提供的一个计算装置的硬件和/或软件的组件示意图；以及
图11是根据本发明提供的一个应用用户终端的移动装置的硬件和/或软件的组件示意图。
具体实施方式
以下描述是为使本领域相关技术人员能够制作及使用本披露，并且在文中提供了一个特殊申请及其要求。对披露的实施例的各种改进，对于本领域相关技术人员而言是显而易见的，并且在不背离本披露的原则及范围的前提下，这里定义的一般性原则可应用于其他实施例及申请中。因此，本披露不受展示的实施例限制，而应与权利要求最宽广的理解一致。
本申请所使用的术语仅为了描述特定范例性实施例，并不限制本申请的范围。将进一步理解，术语“包括”、“包含”、“含有”和/或“囊括”在本说明书中使用时，指定所陈述的特征、整数、步骤、操作、元素和/或组件的存在，但不排除存在或添加一个或以上其他特征、整数、步骤、操作、元素、组件和/或它们的组合。
根据以下对附图的描述，本申请所述的和其他的特征、操作方法、相关组件的功能和经济的结构更加显而易见，这些都构成说明书的一部分。然而，应当理解，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。
本发明中使用的流程图说明了根据本发明中的一些实施例的系统实现的操作。要清楚地理解，流程图的操作可能不按顺序执行。相反，操作可以以反转顺序实现，或者同时执行。此外，可以将一个或以上其他操作添加到流程图中，也可以从流程图中删除一个或以上操作。
此外，虽然本发明中的系统和方法主要是以分配运输服务的请求来描述的，但也应该理解，本发明不旨在限制。本发明的系统或方法可应用于任何其他类型的按需服务。例如，本发明的系统或方法可应用于不同环境的运输系统，包括陆地、海洋、航空航天等，或它们的任何组合。运输系统的车辆可以包括出租车、私人车、挂车、公共汽车、火车、动车、高铁、地铁、船只、飞机、宇宙飞船、热气球、无人驾驶车辆等，或它们的任何组合。运输系统还可以包括用于管理和/或分配的任何运输系统，例如，用于发送和/或接收快件的系统。本发明的系统或方法的应用可以在用户设备上实现，并且包括网页、浏览器插件、客户终端、定制系统、内部分析系统、人工智能机器人等，或者它们的任何组合。
本发明中的“乘客”、“请求者”、“服务请求者”和“客户”一词可互换地使用，以指可请求或订购服务的个人、实体或工具。此外，本发明中的术语“驾驶员”、“提供者”和“服务提供者”可以互换地使用，以指可以提供服务或促进提供服务的个人、实体或工具。
本发明中的“服务请求”和“请求”一词可互换地使用，以指由乘客、服务请求者、客户、驾驶员、提供者、服务提供者等，或其任何组合发起的请求。服务请求可被乘客、服务请求者、顾客、驾驶员、提供者或服务提供者中的任何一个接受。服务请求可以是收费的或免费的。
本发明中的“服务提供终端”和“驾驶员终端”一词可互换地使用，指的是由服务提供者使用以提供服务或促进提供服务的移动终端。本发明中的“服务请求终端”和“乘客终端”是可互换使用的，指服务请求者用来请求或订购服务的移动终端。
本发明中使用的定位技术可基于全球定位系统GPS、全球导航卫星系统GLONASS、罗盘导航系统COMPASS、伽利略定位系统、准天顶卫星系统QZSS、无线保真Wi-Fi定位技术，或诸如此类，或它们的任何组合。上述定位系统中的一个或以上可以在本发明中互换使用。
本发明的一个方面涉及基于ETA模型确定用于路线的估计到达时间ETA的在线系统和方法。该系统和方法采取包括至少一个路段作为整体的路线，并获得其全局特征向量。因此，全局特征不仅包括每个单独路段的特征，而且还包括相邻道路或相邻道路之间不同路段之间的相互作用关系。在获得多条路线的全局特征向量之后，系统和方法可以通过多条路线的全局特征向量和车辆通过多条路线行驶的历史行驶时间来训练ETA模型。然后，训练的ETA模型可用于确定实际驾驶员的ETA。
应指出，在线按需交通服务，如在线预约出租车，是植根于后互联网时代的新兴服务。为后互联网时代的乘客和驾驶员提供了技术解决方案。在前互联网时代，当乘客叫来出租车时，乘客可能不知道到达目的地或地点的估计到达时间。如果乘客通过电话呼叫出租车，那么服务提供者(例如司机、出租车公司、邮局、递送公司或代理人等)可能难以估计到达乘客目的地的时间。然而，在线按需运输系统可以基于ETA的模型和从计划路线获得的计划特征向量来确定乘客的到达时间估计。通过训练全局特征向量和历史使用时间，在线按需交通系统可以提供ETA模型或ETA子模型用于计划路线。例如乘客或驾驶员的用户可以在确定运输服务的服务请求(例如，呼叫出租车)前，利用ETA模型或ETA子模型中使用ETA模型来预测ETA。用于训练ETA模型或ETA子模型的全局特征向量可以从与至少一个路段相关联的信号获得。因此，通过互联网，在线按需交通系统可以为传统的前互联网交通服务系统中的乘客和驾驶员提供一个更方便和高效的交易平台。
图1是根据本发明提供的一种按需服务系统的示意图。按需服务系统100可以包括一个服务器110、一个网络120、一个服务请求终端130、一个服务提供终端140、一个车辆150、一个数据库160和一个导航系统170。
按需服务系统100可以提供至少两个服务。示例性服务可以包括出租车服务、司机服务、快车服务、拼车服务、公共汽车服务、驾驶员租用服务和接送服务。在一些实施例中，按需服务可以是任何在线服务，例如预订用餐、购物等，或其任意组合。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式系统)。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访问存储在服务请求终端130、服务提供终端140和/或数据库160中的信息和/或数据。作为另一个示例，服务器110可以直接连接到服务请求终端130、服务提供终端140和/或数据库160，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现。仅以示例的方式，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等，或它们的任何组合。在一些实施例中，服务器110可以在计算设备1000上实现，该计算设备具有在本发明中的图10所示的一个或以上组件。
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可以处理与服务请求相关的信息和/或数据，以执行本发明中描述的一个或以上功能。例如，处理引擎112可以响应于从服务请求终端130接收到的服务请求来确定一个或以上候选服务提供终端。在一些实施例中，处理引擎112可以包括一个或以上处理引擎(例如，单核处理引擎或多核处理器)。仅举例来说，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、可编程逻辑器件PLD、控制器、微控制器单元、精简指令集计算机RISC、微处理器等，或它们的任意组合。
网络120可促进信息和/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、服务请求终端130、服务提供终端140、车辆150、数据库160和导航系统170)可以通过网络120向按需服务系统100中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从服务请求终端130接收服务请求。在一些实施例中，网络120可以是任何类型的有线或无线网络，或它们的组合。仅仅举例来说，网络120可以包括有线网络、有线网络、光纤网络、远程通信网络、内联网、因特网、局域网LAN、广域网WAN、无线局域网WLAN、城域网MAN、公用电话交换网PSTN、蓝牙网络、ZigBee网络、近场通信NFC网络等，或它们的任何组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或因特网交换点120-1、120-2……，通过该网络，按需服务系统100的一个或以上组件可以连接到网络120以交换数据和/或信息。
在一些实施例中，乘客可以是服务请求终端130的所有者。在一些实施例中，服务请求终端130的所有者可以是除了乘客之外的其他人。例如，服务请求终端130的所有者A可以使用服务请求终端130向乘客B发送服务请求，或者从服务器110接收服务确认和/或信息或指令。在一些实施例中，服务提供者可以是服务提供终端140的用户。在一些实施例中，服务提供终端140的用户可以是除服务提供者之外的其他人。例如，服务提供终端140的用户C可以使用服务提供终端140来接收服务提供者D的服务请求，和/或来自服务器110的信息或指令。在一些实施例中，“乘客”和“乘客终端”可以互换使用，并且“服务提供者”和“服务提供终端”可以互换使用。在一些实施例中，服务提供终端可以与一个或以上服务提供者(例如，夜班服务提供者或日班服务提供者)相关联。
在一些实施例中，服务请求终端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、车辆130-4中的内置设备等，或者它们的任何组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或者它们的任何组合。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，或者它们的任何组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配件等，或者它们的任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理PDA、游戏设备、导航设备、销售点POS设备等，或者它们的任何组合。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、虚拟现实贴片、增强现实头盔、增强现实眼镜、增强现实贴片等，或者它们的任何组合。例如，虚拟现实设备和/或增强现实设备可以包括谷歌眼镜、虚拟现实眼镜、全息透镜、虚拟现实头盔等。在一些实施例中，车辆130-4中的内置设备可以包括车载计算机、车载电视等。服务请求终端130可以是具有定位技术的装置，用于定位乘客和/或服务请求终端130的位置。
服务提供终端140可以包括至少两个服务提供终端140-1、140-2、…、140-n。在一些实施例中，服务提供终端140可以类似于或与服务请求终端130相同的设备。在一些实施例中，可以定制服务提供终端140，以便能够实现在线按需传输服务。在一些实施例中，服务提供终端140可以是具有定位技术的设备，用于定位服务提供者、服务提供终端140和/或与服务提供终端140相关联的车辆150。在一些实施例中，服务请求终端130和/或服务提供终端140可以与其他定位设备通信，以确定乘客、服务请求终端130、服务提供者和/或服务提供终端140的位置。在一些实施例中，服务请求终端130和/或服务提供终端140可以周期性地将定位信息发送到服务器110。在一些实施例中，服务提供终端140也可以周期性地将可用性状态发送到服务器110。可用性状态可指示与服务提供终端140相关联的车辆150是否可用于承载乘客。例如，服务请求终端130和/或服务提供终端140可以每隔三十分钟向服务器110发送定位信息和可用性状态。作为另一个例子，服务请求终端130和/或服务提供终端140可以在用户登录到与在线按需运输服务相关联的移动应用时，向服务器110发送定位信息和可用性状态。
在一些实施例中，服务提供终端140可以对应于一个或以上车辆150。车辆150可携带乘客并前往目的地。车辆150可以包括至少两个车辆150-1、150-2、…、150-n。一辆车辆可以对应于一种类型的服务(例如出租车服务、司机服务、快车服务、拼车服务、公共汽车服务、驾驶员租用服务和接送服务)。
数据库160可以存储数据和/或指令。在一些实施例中，数据库160可以存储从服务请求终端130和/或服务提供终端140获得的数据。在一些实施例中，数据库160可以存储服务器110可以执行或使用的数据和/或指令，以执行本发明中描述的示例性方法。在一些实施例中，数据库160可以包括大容量存储、可移动存储、易失性读写存储器、只读存储器ROM等，或者它们的任何组合。示例性海量存储可以包括磁盘、光盘、固态驱动器等。示例性可移动存储可以包括闪存驱动器、软盘、光盘、存储卡、邮政磁盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器RAM。示例性RAM可以包括动态RAM、双倍速率同步动态RAM、静态RAM、晶闸管RAM和零电容RAM等。示例性ROM可以包括掩模ROM、可编程ROM、可擦除可编程ROM，电可擦除可编程ROM、光盘ROM和数字通用磁盘ROM等。在一些实施例中，数据库160可以在云平台上实现。仅以示例的方式，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等，或它们的任何组合。
在一些实施例中，数据库160可以连接到网络120与按需服务系统100中的一个或以上组件(例如，服务器110、服务请求终端130、服务提供终端140等)通信。按需服务系统100中的一个或以上组件可以通过网络120访问存储在数据库160中的数据或指令。在一些实施例中，数据库160可以直接连接到或与按需服务系统100(例如，服务器110、服务请求终端130、服务提供终端140等)中的一个或以上组件通信。在一些实施例中，数据库160可以是服务器110的一部分。
导航系统170可确定与对象相关联的信息，例如服务请求终端130、服务提供终端140、车辆150等中的一个或以上。在一些实施例中，导航系统170可以是全球定位系统GPS、全球导航卫星系统GONASS、罗盘导航系统COMPASS、北斗导航卫星系统、伽利略定位系统、准天顶卫星系统QZSS等。该信息可包括物体的位置、仰角、速度或加速度；或当前时间。导航系统170可以包括一个或以上卫星，例如卫星170-1、卫星170-2和卫星170-3。卫星170-1至170-3可以独立或联合地确定上述信息。卫星导航系统170可以通过无线连接将上述信息发送到网络120、服务请求终端130、服务提供终端140或车辆150。
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、服务请求终端130、服务提供终端140等)可以具有访问数据库160的权限。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中的一个或以上组件可以读取和/或修改与乘客、服务提供者和/或公众相关的信息。例如，服务器110可以在服务完成后读取和/或修改一个或以上乘客的信息。作为另一个示例，服务器110可以在完成服务之后读取和/或修改一个或以上服务提供者的信息。
在一些实施例中，按需服务系统100中的一个或以上组件的信息交换可以通过请求服务来发起。服务请求的对象可以是任何产品。在一些实施例中，产品可以包括食品、药品、商品、化学产品、电器、服装、汽车、住房、奢侈品等，或者它们的任何组合。在一些其他实施例中，产品可以包括服务产品、金融产品、知识产品、互联网产品等，或者它们的任何组合。互联网产品可以包括单个主机产品、网络产品、移动互联网产品、商业主机产品、嵌入式产品等，或者它们的任何组合。移动互联网产品可以在移动终端、程序、系统等的软件中使用，或者它们的任何组合。移动终端可以包括平板电脑、膝上型计算机、移动电话、个人数字助理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，或者它们的任何组合。例如，产品可以是计算机或移动电话中使用的任何软件和/或应用程序。软件和/或应用可涉及社交、购物、运输、娱乐、学习、投资等，或它们的任何组合。在一些实施例中，与运输相关的软件和/或应用程序可以包括行驶软件和/或应用程序、车辆调度软件和/或应用程序、映射软件和/或应用程序等。在车辆调度软件和/或应用程序中，车辆可以一匹马、一辆马车、一辆人力车(例如，手推车、自行车、三轮车等)、汽车(例如，出租车、公共汽车、私家车等)、火车、地铁、船只、飞机(例如飞机、直升机、航天飞机、火箭、热气球等)，或它们的任何组合。
本领域的普通技术人员将理解，当按需服务系统100的一个元件执行时，该元件可以通过信号和/或电磁信号来执行。例如，当服务请求终端130向服务器110发送服务请求时，服务请求终端130的处理器可以生成对请求进行编码的信号。服务请求终端130的处理器随后可以将信号发送到输出端口。如果服务请求终端130通过有线网络与服务器110通信，则输出端口可以物理地连接到电缆，该电缆进一步将信号发送到服务器110的输入端口。如果服务请求终端130通过无线网络与服务器110通信，则服务请求终端130的输出端口可以是一个或以上天线，其将信号转换为电磁信号。类似地，服务提供终端140可以通过信号或电磁铁信号从服务器110接收指令和/或服务请求。在诸如服务请求终端130、服务提供终端140和/或服务器110的电子设备内，当处理器处理指令、发出指令和/或执行动作时，指令和/或动作通过信号进行。例如，当处理器从存储介质检索或保存数据时，它可以将信号发送到存储介质的读/写设备，该存储介质可以读取或写入存储介质中的结构化数据。结构化数据可以通过电子设备的总线以信号的形式传输到处理器。这里，信号可以指一个信号、一系列信号和/或至少两个离散信号。
图2是根据本发明提供的一种处理引擎的示例性模块图。处理引擎112可以包括获取模块210、分析模块220、确定模块230和预测模块240。每个模块可以是被设计为执行以下操作的硬件电路、存储在一个或以上存储介质中的指令集、和/或硬件电路和一个或以上存储介质的任意组合。
获取模块210可被配置为从在线按需服务系统100获得与路线相关联的道路相关数据。在一些实施例中，道路相关数据作为信号被发送。例如，道路相关数据可以被替代或等同于如本发明其他地方所描述的编码道路相关数据的信号或信号。该路线可对应于运输服务或货物递送服务。运输服务可以包括出租车服务、司机服务、快车服务、拼车服务、公共汽车服务、短期司机租赁服务、接送服务等，或它们的任何组合。该路线可以由至少一个用户终端或在线按需传输平台(例如系统100)的服务器生成。至少一个用户终端可以与至少一个服务提供者相关联，例如驾驶员或服务请求者，例如乘客。例如，在发送对运输服务的请求之后，乘客终端可以从该平台生成或从地图中获得用于运输服务的路线。在一些实施例中，路线可以被记录和/或存储在在线按需服务系统100中。例如，在运输服务期间，在线按需服务系统100可以通过网络120记录与路线相关的任何信息，并将该信息存储在数据库160或在线按需服务系统100中的任何组件中。
在一些实施例中，获取模块210可以获取与按需服务系统100中的多条路线相关联的道路相关数据。例如，获取模块210可以获取在按需服务平台中用于拼车服务的过去6个月中生成的多条路线。在一些实施例中，至少两个路线可以进一步被划分成不同的簇。例如，可以根据车辆的类型、服务的类型、路线的区域或路线的时段来划分路线。车辆的类型可以包括私家车、出租车、卡车、摩托车、自主车、电动汽车、自行车等，或者它们的任何组合。服务类型可包括货物服务、邮政服务、食品订单服务、公共汽车服务、搭便车服务、特殊汽车服务、快车服务、车辆租赁服务、驾驶服务、司机等，或其任何组合。路线的区域可以是地图中的地理位置和/或行政区域，至少部分路线位于其中。路线的时段可以是路线的开始时间和/或结束时间所属的时间段。仅仅举例来说，一天(从上午0点到下午24点)可以被划分成至少两个时段。仅仅举例来说，时段可以包括上午0时至早上2时、上午2时至上午4时、下午23时至下午24时。在一些实施例中，时段可根据其他信息来确定，例如，休假、工作日、高峰时间、天气等，或它们的任何组合。当路线的开始时间或结束时间属于一个时段(例如，上午8点到下午10点)，该路线可以属于该时段(例如，上午8点到下午10点)。在一些实施例中，一个路线可以属于一个时段。在一些其他实施例中，一条路线可以属于至少两个时段。
分析模块220可被配置为确定路线的全局特征向量和历史行驶使用时间。
全局特征向量可以是描述路线整体特性的数学表达式(例如向量)。例如，该路线可以包括至少一个路段。全局特征向量不仅可以包括路线中各个路段的特征，还可以反映反映不同路段之间的相互作用的特征。
在一些实施例中，全局特征向量可以是具有一个单列或一个行的向量。全局特征向量可以对应于N维坐标系。每个维度可以与路线的一个项或特征相关联。在一些实施例中，全局特征向量可以包括至少一个路段中的至少两个之间的关系。在一些实施例中，全局特征向量的项或特征可以排除路线与其他路线的交互关系。例如，全局特征向量可以根据一条单一路线来确定。在一些实施例中，全局特征向量的项或特征可以包括不同路线之间的交互关系。例如，可以根据两条或多条路线(例如，数百条路线、数百万条路线或数十亿条路线等)确定目标路线的全局特征向量，其中道路条件可能影响目标路线的路线。可以通过分析模块220进一步分析全局特征向量，或者用于建立包括至少两个训练实例的训练集。训练集可用于通过使用例如机器学习方法来在确定模块230中训练或建立模型。
在一些实施例中，全局特征向量可以包括至少两个项或特征(例如，几百万个项或特征)，包括例如交通状态、行驶距离、起始时间、起始位置、目的地位置、卫星定位采样点顺序、道路特定路段上的行驶距离、路段数、有交通灯的十字路口数、无交通灯的十字路口数、车辆状态等，或其任意组合。交通状态可以包括实时的道路速度或估计的道路速度。行驶距离可以包括路线的总距离，或者在每个路段中的距离。开始时间可以包括乘客已被搭载的时间，或者用户(例如，驾驶员)已经接收或确认服务请求的时间。起始位置可以是乘客被拾起的位置，或者是乘客等待司机的位置。卫星定位采样点的序列可以是包括由卫星确定的车辆位置(例如，通过GPS系统)的序列。在指定的道路上的行车距离可以是车辆在指定的道路上行驶的距离，例如公路、本地道路、一流道路、二级公路、第三级公路等。路段的数量可以是一个道路中的路段总数。尤特。车辆状态可以包括对运输服务请求、响应概率、驾驶员偏好、车辆类型、车辆中当前乘客数量、车辆的最大乘客容量的访问状态(例如，可接受服务请求的可用性)。车辆的颜色、驾驶员的服务水平、车辆的当前速度、或与车辆等有关的任何信息，或它们的任何组合。
在一些实施例中，全局特征向量可以基于或至少部分基于来自另一系统(例如，天气预报系统、交通引导系统或交通无线系统等)的离线信息来确定。离线信息可以包括天气条件、交通事故信息、交通拥堵状况、交通限制或与路线相关的任何信息。天气状况可包括实时天气信息、基本实时天气信息、天气预报信息等。处理引擎112可从数据库160、天气状况平台(例如天气预报网站)、交通向导平台、和/或任何其他能够提供这些信息的装置中获取信息，以确定全局特征向量。例如，全局特征向量可以基于与路线相关联的数据和与路线相关的天气条件来确定。
在一些实施例中，路线的历史经过时间(例如，“历史使用时间”)可以是在路线上发生的历史经过记录，例如，通过路线行驶的每辆车辆的记录总时间(从起始位置到终点位置或目的地)。在一些实施例中，总体时间可以进一步包括，例如，步行时间、骑自行车时间、骑乘时间、驾驶时间、飞行时间、运送时间等，或其任何组合。
在一些实施例中，分析模块220可以生成和保存与路线相关联的全局特征向量和历史使用时间的结构数据。结构化数据可以基于B-树或哈希表构造或检索。
确定模块230可被配置为基于全局特征向量和历史使用时间来确定估计到达时间ETA的模型的结构化数据。ETA模型可用于预测ETA。在一些实施例中，ETA的模型可以作为应用程序存储，该应用可以在用户终端(例如，驾驶员终端)或在线平台(例如，网站)中使用。例如，ETA的模型可以发送到可以用作运输服务的驾驶员终端的智能手机，并且驾驶员可以登录应用程序，以便从一个位置到另一个位置预测ETA。作为另一个示例，该模型可以存储在在线按需服务系统100(例如，数据库160)中，乘客可以通过网络120或有线连接下载或使用ETA的在线模型。在一些实施例中，ETA的模型可以存储在存储介质中。例如，ETA的模型可以存储在非临时的计算机可读存储介质(例如，通用串行总线闪存盘)中，其可以由在线按需服务系统100或用户终端(例如，乘客终端)使用。
在一些实施例中，ETA的模型可以安装在另一系统中以预测ETA。例如，ETA的模型可以安装在赛车游戏系统中以预测ETA。作为另一个例子，ETA模型可以应用在玩具车控制系统中，用于确定玩具车的ETA。作为另一个例子，ETA的模型可以进一步用于驾驶模拟器，以在驾驶模拟器中训练赛车驾驶员或宇航员。作为另一个例子，ETA模型可以在公共云中使用，并且可以访问公共云的用户可以使用ETA模型。
预测模块240可被配置为确定与具有至少一个路段的计划路线相关联的道路相关数据的第二信号的ETA。用于计划路线的ETA可用于确定从计划路线的起始位置到结束位置的使用时间。例如，在起始位置和结束位置之间的计划路线的ETA可以预测为5分钟、2小时或1天等。
在某些实施例中，ETA可以动态地确定。例如，ETA可以基于天气条件(例如，霾或雷雨)或交通事故信息动态地调整。作为另一个例子，ETA可以在车辆改变其行驶模式时动态地调整。例如，车辆可以包括至少两种模式：无自动化模式、驾驶员辅助模式、部分自动化模式、条件自动化模式、高自动化模式和全自动化模式。ETA可以在车辆从这些模式中的一个切换到另一个模式时动态地调整。
处理引擎112中的模块可以通过有线连接或无线连接彼此连接或通信。所述有线连接可以包括金属电缆、光缆、混合电缆等，或者它们的任何组合。无线连接可以包括局域网LAN、广域网WAN、蓝牙、ZigBee、近场通信NFC等，或者它们的任何组合。在一些实施例中，任意两个模块可以组合为单个模块，并且其中的任何一个模块可以被划分为两个或更多单元。
图3是根据本发明提供的一种确定运输服务的ETA的方法的示例性流程图。过程和/或方法300可以由在线按需服务系统100执行。例如，过程和/或方法300可以被实现为存储在数据库160中的一组指令(例如，应用程序)。处理引擎112可以执行该指令集，并且可以相应地指示在在线按需服务平台中执行过程和/或方法300。该平台可以是通过因特网连接按需服务提供商和请求者的基于互联网的平台。
在步骤310中，处理引擎112可以获取与具有至少一个路段的路线相关的编码道路相关数据的信号。在一些实施例中，道路相关数据可以由处理引擎112使用信号来编码。该路线可以具有至少一个路段。路段可以基于道路、交通灯、城市、省份、国家、地理条件、与道路或路线等相关的交通标识或其任何组合来划分，或至少部分地划分。例如，道路路段可以根据道路等级划分。道路的等级可以包括一级公路、二级公路、第三级公路、局部道路段等，或它们的任何组合。
作为另一个例子，道路部分可以基于交通灯和/或公路出口等进行划分。因此，路线可以包括第一道路部分、第二道路部分、第三部分、第N道路部分。彼此相邻的两个路段可以与至少一个交通灯相连。
作为另一个例子，可以根据地理条件划分道路路段。例如，河流、桥梁、铁路、收费站等，或其任何组合可用于将与其相邻的道路划分为两个路段。
在一些实施例中，路段的数据不仅可以受到同一路线中的另一路段的影响，也会受到来自另一路线的路段的影响。例如，路线中的路段可以直接或间接地与来自同一和/或不同路线的另一路段相关。例如，与路段相关联的第一道路相关数据(例如，在第一路线的第一路段发生的车辆碰撞)可能影响与另一路段相关联的第二道路的相关数据(例如，第二路线的第二路段的交通)。作为另一个例子，一个单一路线可以包括两个路段，这些路段可以由交通灯连接。第一路段中的交通事故可能影响第二路段的行驶速度，或者第一路段中的交通堵塞(例如，交通事故造成的交通堵塞)可能蔓延到第二路段，随后在第二路段造成交通堵塞。作为另一个例子，如果高速公路包括由绿色屏障连接的两条相反路线，则在第一路线中的一个路段中的车辆限制可能导致在与第一路线相反的第二路线中的另一路段中发生交通堵塞。
在一些实施例中，路段和/或路线之间的关系可以通过函数、参数、值、阈值、向量、权重、常数等来量化，或者它们的任何组合。仅以示例的方式，相邻的两个路段可以具有指定为0.7～0.9的权重关系，并且两个路段彼此分开可以被指定权重为0.1～0.3。
在一些实施例中，处理引擎112可以根据地图获得多条路线。地图可以包括导航地图、卫星地图、行政地图、基于道路的地图、基于地铁的地图、基于铁路的地图、地形图、公路地图、旅游地图等，或它们的任何组合。在一些实施例中，地图可以被集成、修改或改变。例如，导航地图、卫星地图和基于道路的地图可以被集成为修改地图。在一些实施例中，处理引擎112可以根据对应于城市或地区的地图获得多条路线。例如，可以根据对应于纽约或纽约长岛地区的地图获得多条路线。作为另一个例子，处理引擎112可以根据美国公路系统的地图在时段内获得所有路线。
在一些实施例中，这些路线可以直接或间接地相互影响。例如，如果暴风雪袭击美国西海岸，华盛顿州的多条航线的速度可能会减慢，这可能会影响爱达荷州的多条航线的速度。作为另一个例子，新建的道路可能影响(例如，增加交通条件)靠近新建道路的多条路线。
在一些实施例中，与路线相关联的道路相关数据可以包括请求数据、订单数据、交易数据、地图数据、交通系统的数据、天气相关数据、用户数据、路线中测量的任何数据等，或它们的任何组合。在一些实施例中，道路相关数据可以通过量化获得。例如，街道名称可以基于查找街道名称和相应号码的查找表被量化为数字。在一些实施例中，道路相关数据可以基于或至少部分地分析路线。例如，在国家假日期间，城市条例可能会限制ABC大街的交通限制，或者，ABC大街可能会经历非常繁忙的交通。因此，处理引擎112可以确定向ABC大道设置交通限制，并获得与ABC大道中的交通限制相对应的道路相关数据。作为另一个例子，如果处理引擎112获得用户的ID号(例如驾驶员的驾驶执照号和驾驶员的社会安全号)，则处理引擎112可以根据身份证号码从数据库获得用户的用户数据(例如，公安部建立的公共安全网络数据库)。
可由驾驶员终端或乘客终端生成与路线相关的道路相关数据的信号。例如，信号可以由移动设备1100实现的驾驶员终端发送，并且信号可以由处理引擎112接收。在一些实施例中，信号可以通过有线连接或有线连接传输。例如，处理引擎112可以经由网络120从数据库160获得信号。
在步骤320中，处理引擎112可以基于道路相关数据的信号确定和保存全局特征向量的第一结构化数据和与路线相关的历史使用时间。全局特征向量和/或历史使用时间的结构化数据的结构化数据可以基于B-树或哈希表由处理引擎112构造或检索。在一些实施例中，结构化数据可以被存储或保存为数据库160中的数据库的形式。全局特征向量和历史使用时间可用于生成多个训练样本。多个训练样本可以形成训练集，该训练集可用于发现潜在的预测关系或建立预测模型。
在一些实施例中，全局特征向量可以包括多个项或特征，包括例如交通状态、行驶距离、起始时间、起始位置、目的地位置、卫星定位采样点的序列、在指定等级道路上的行驶距离、路段的数量、有交通灯的十字路口数、无交通灯的十字路口数、车辆状态等，或其任意组合。交通状态可以包括实时的道路速度或估计的道路速度。行驶距离可以包括路线的总距离，或者在每个路段中的距离。开始时间可以包括乘客已被搭载的时间，或者用户(例如，驾驶员)已经接收或确认服务请求的时间。起始位置可以是乘客被拾起的位置，或者是乘客等待司机的位置。卫星定位采样点的序列可以是包括车辆位置的序列。车辆位置可以由卫星(例如，通过GPS系统)确定。在指定等级的道路上的行车距离可以是车辆在指定的道路上行驶的距离，例如公路、本地道路、一流道路、二级道路、第三级道路等。路段的数量可以是一条道路的总路段数。车辆状态可以包括对运输服务请求、响应概率、驾驶员偏好、车辆类型、车辆中当前乘客数量、车辆的最大乘客容量的访问状态(例如，可接受服务请求的可用性)、车辆的颜色、驾驶员的服务水平、车辆的当前速度等，或它们的任何组合。
在一些实施例中，全局特征向量可以包括综合特征向量。可以从具有相互关系的路段确定综合特征向量。在一些实施例中，综合特征向量可以与来自同一和/或不同路线的至少一个路段关联。例如，可以从一个单一路线中的路段确定综合特征向量。作为另一个例子，可以从两条或多条路线(例如两条相邻路线)中的路段确定综合特征向量。
在一些实施例中，可以基于区域或地图内的所有道路部分(例如导航地图)确定综合特征向量。例如，导航地图被安装在驾驶员终端中。导航地图可以具有例如200个路段，并且处理引擎112可以从200个路段确定综合特征向量。在一些实施例中，区域或地图的大小可以由驾驶员、乘客或处理引擎112调整或修改。例如，处理引擎112可以获得与北京行政区划图中的3500个路段相关的道路相关数据。作为另一个例子，处理引擎112可以通过将北京的行政区划图的大小缩小到感兴趣的区域来选择300个路段。作为另一个示例，处理引擎112可以将区域或地图划分为两个或更多个子区域(例如，10个相等的子区域)。每个子区域中的路段可以用来确定综合特征向量。在一些实施例中，处理引擎112可以根据子区域确定两个或更多综合特征向量(例如，10个综合特征向量)。
在一些实施例中，全局特征向量可以表示为具有一列或一行的向量。例如，全局特征向量可以是表示为1×N行列式(例如，1×25行列式)的行向量。作为另一个例子，全局特征向量可以是可以表示为N×1行列式(例如，200×1行列式)的列向量。在一些实施例中，全局特征向量可以对应于N维坐标系。N维坐标系统可以与路线的N项或特征相关联。在一些实施例中，可以由处理引擎112处理一个或多个全局特征向量。例如，可以将三个全局特征向量(例如，三行向量)集成到3×N行列式中。作为另一个例子，N个全局特征向量(例如，N×1×N行向量)可以被集成到N×N行列式中。
与每个路段相关的道路相关数据可以包括请求数据、订单数据、交易数据、地图数据、交通系统的数据、天气相关数据、用户数据等，或它们的任何组合。全局特征向量可以进一步包括表示地图中路段关系的数据。路段关系可以包括地图中任意两个路段之间的关系，或者地图中任意三个或更多路段之间的关系。任意两个路段之间的关系的数量可以是27的平方。表示地图中路段关系的数据可以表示为函数、参数、值、阈值、向量、权重、常数等，或它们的任何组合。表示路段关系的数据可以由公式(例如，皮尔逊积差相关系数)确定。在一些实施例中，表示路段关系的数据可以基于具有M列和M行的矩阵生成，其中M可以是任何整数，表示地图中的二十七条路段。矩阵可以被稀疏地描述为：
其中对角线位置的值，例如，第二列和第二行，可以是1。这可能代表第二路段与自身有100％的相关性。在第一列和第二行中的值可以是0.2，这可以表示第二路段与第一路段具有20％相互作用关系。矩阵中的大多数值可以是0，这可以表示对应的两个路段是不相关的。
在步骤330中，处理引擎112可以基于全局特征向量和历史使用时间确定估计到达时间ETA模型的第二结构化数据。
在一些实施例中，处理引擎112可以使用机器学习方法来确定ETA的模型。在一些实施例中，机器学习方法可以包括决策树算法、关联规则算法、人工神经网络算法、深度学习算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯网络算法、强化学习算法、表示学习算法、相似性和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等，或它们的任何组合。
在一些实施例中，处理引擎112可以使用决策树算法来确定ETA的模型。决策树算法可以包括迭代二分法算法、分类回归树算法、ID3后继函数算法、卡方自动交互检测器算法、条件推理树算法等，或者它们的任何组合。
在一些实施例中，ETA模型可以以结构化数据的形式保存在存储介质中。ETA模型的结构化数据可以由处理引擎112基于B-树或哈希表构造或检索。在一些实施例中，结构化数据可以被存储或保存为数据库160中的数据库的形式。
在步骤340中，处理引擎112可以在非暂时性计算机可读存储介质中保存ETA模型的第二结构化数据。在一些实施例中，处理引擎112可以将ETA模型的结构化数据发送到电子设备，以计算计划路线的ETA。非暂时性计算机可读存储介质可以包括通用串行总线闪存盘、硬盘、固态盘、CD ROM和/或任何计算机可读的暂时或非暂存存储器。例如，处理引擎112可以将ETA模型的结构化数据保存在硬盘中，驱动终端可以读取硬盘并获得ETA模型的结构化数据。
ETA模型可作为结构化数据存储并作为应用程序的一组指令实现并安装在电子设备中。电子设备可以包括智能手机、个人数字助理PDA、平板电脑、笔记本电脑、个人计算机PCB、游戏台便携式PSP、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(例如谷歌眼镜、虚拟现实眼镜、全息透镜、虚拟现实头盔等)或它们的任何组合。在一些实施例中，电子设备可以是在线按需服务系统100(例如，数据库160)的组件。电子设备可以通过网络120通过在线按需服务系统100中的任何组件下载ETA的模型。在一些实施例中，电子设备可以从非暂时性计算机可读存储介质(例如，通用串行总线闪存盘、硬盘、固态盘、CDROM和/或任何计算机可读的暂时或非暂存存储器等)获得ETA的模型。
图4是根据本发明提供的一种确定计划路线的ETA的方法的示例性流程图。该过程和/或方法400可以由在线按需服务系统100执行。例如，过程和/或方法400可以被实现为存储在数据库160中的一组指令(例如，应用程序)。处理引擎112可以执行该指令集，并且可以相应地通过接收和/或发送信号来引导在线按需服务平台中的过程和/或方法400。该平台可以是通过因特网连接按需服务提供者和请求者的基于互联网的平台。
在步骤410中，处理引擎112可以获取具有至少一个路段的路线。
在一些实施例中，处理引擎112可以选择基于道路的地图(例如，基于北京的道路地图)，并获得与基于道路的地图相关的路线。该路线可由在线按需服务系统100在一段时间内(例如，过去三个月或最后半年)记录。例如，驾驶员可以从在线按需服务系统100获得服务请求。服务请求可以由乘客使用乘客终端发送。在由驾驶员确认服务请求之后，在线按需服务系统100可以开始记录与对应于服务请求的路线相关联的道路相关数据。在一些实施例中，处理引擎112可以根据北京的基于道路的地图在期间内记录数以百万计的路线或数十亿条路线。在一些实施例中，任何两条路线可以相互关联。例如，纽约第五大道发生的交通事故可能会堵塞交通。为了避免第五大道上的交通堵塞，越来越多的司机可能从第五大道转向纽约第一百三十八大道。当大量车辆在第五大道和第一百三十八大街之间行驶时，第五大道和第一百三十八大道之间的所有道路可能会出现严重的交通状况(例如，低速行驶)。在一些实施例中，路线可以包括至少一个路段。多个路段可包括两个交通灯之间的路段、不同等级道路之间的路段、由桥梁连接的路段、由河流分隔的路段、由铁路轨道分隔的路段、具有固定距离的路段(例如，一英里)，或两公里，不同行政区域(例如不同城市、不同省份或不同国家)的路段、对应于乘客的每一个乘客的路段、具有相同或不同道路属性的任何路段，或类似的，或其任何组合。例如，该路线可以包括具有相似道路特性的至少一个路段(例如，50个路段)。例如，该路线可以包括两个交通灯之间的部分路段。该路段的路况，例如道路宽度、速度限制、条件等，可与整个此路段相同。因此，该路段可以被描述为单个路段。
路线的至少一个路段可以彼此直接或间接相关。例如，如果第一路段与第二路段相连，则第一路段可能与第二路段有关系。第一路段中的速度可影响或与第二路段中相关的速度。作为另一个例子，第一路线中的路段可以与第二路线中的路段相关。如果第一路线中的路段紧挨着或接近在第二路线中的路段，则在第一路线中的路段中的交通事故可能影响第二路线中的路段速度。还有一个例子，如果一个大型活动(例如奥运会或世博会)在一个地区或一个城市举办，那么在该地区或城市中的多个路段的大量交通可能会影响附近地区或附近城市的路段速度。
在一些实施例中，路段和/或路线之间的关系可以通过函数、参数、值、阈值、向量、权重、常数等来量化，或者它们的任何组合。仅以示例的方式，相邻的两个路段可以具有指定为0.7～0.9的权重的关系，并且两个路段彼此分开可以被指定为权重为0.1～0.3。
在步骤420中，处理引擎112可以基于路线获取道路相关数据的信号。在一些实施例中，道路相关数据可以由处理引擎112使用信号来编码。
处理引擎112可从数据库160或在线按需服务系统100中的任何组件获取道路相关数据。在一些实施例中，可以从用户终端(例如，服务请求终端130或服务提供终端140)获得与道路相关的数据。例如，处理引擎112可以通过分析请求、服务请求、交易、导航信息、用户终端中的电子地图等，或其任何组合，从驾驶员终端或乘客终端获取道路相关数据。
在步骤430中，处理引擎112可以基于道路相关数据的信号确定和保存全局特征向量的第一结构化数据。在一些实施例中，处理引擎112可以使用与道路相关的数据来构造数据库、数据表、矩阵、序列、集合、可以组织数据等的任何表达式，或它们的任何组合。例如，如果从驾驶员终端获得道路相关数据，则处理引擎112可以使用与道路相关的数据来生成包括例如N列和N行的稀疏矩阵。在一些实施例中，稀疏矩阵可以包括项或特征，包括例如开始位置、目的地、起始时间、等待时间、交易时间、性别、客户评论、驾驶体验等，或者它们的任何组合。处理引擎112可以从稀疏矩阵中选择一个或多个项或特征来确定全局特征向量。
在一些实施例中，处理引擎112可基于道路相关数据确定综合特征向量。例如，与驾驶员终端导航地图内的所有路段相关的道路相关数据可用于确定综合特征向量。作为另一个例子，道路相关数据可以与至少一个可以彼此具有关系的路段相关联。与相关道路路段相关的道路相关数据可用于确定综合特征向量。根据本发明，可以确定用于确定综合特征向量的方法或过程。
在步骤440中，处理引擎112可以基于道路相关数据的信号确定和保存历史使用时间的第一结构化数据。处理引擎112可以直接从道路相关数据获得历史使用时间。例如，处理引擎112可以从数据库160获得历史使用时间。作为另一个例子，处理引擎112可以通过计算起始时间和结束时间之间的时间来确定历史使用时间。在一些实施例中，历史使用时间可以对应于全局特征向量，并且全局特征向量及其对应的历史使用时间可以被确定为机器学习期间的训练样本。例如，可以将全局特征向量中的每一个确定为输入，并且在机器学习期间可以将其相应的历史确定为标签。作为另一个例子，可以使用数百万个全局特征向量及其对应的数百万历史使用时间来训练ETA模型。
在一些实施例中，全局特征向量和历史使用时间可以是结构化数据的形式。全局特征向量和/或历史使用时间的结构化数据的结构化数据可以基于B-树或哈希表由处理引擎112构造或检索。在一些实施例中，结构化数据可以被存储或保存为数据库160中的数据库的形式。
在步骤450中，处理引擎112可以基于全局特征向量和历史使用时间确定ETA模型的第二结构化数据。在一些实施例中，可以使用数百万个全局特征向量和数百万个历史使用时间来训练ETA模型。处理引擎112可用于编程语言来实现ETA模型的训练过程。编程语言可以包括C语言、Java编程语言、PHP编程语言、JavaScript编程语言、C++编程语言、Python编程语言、Shell编程语言、Ruby编程语言、Objective-C编程语言、C#编程语言或诸如此类，或其任何组合。在一些实施例中，训练ETA模型的过程可以由计算机软件来实现，所述计算机软件包括矩阵实验室Matlab、快速算法、Orange软件、开源计算机视觉库OpenCV、统计产品和服务解决方案SPAA、统计分析系统SAS，或诸如此类，或它们的任何组合。每个计算机软件(例如，MATLAB)可以包括用于训练模型的多个算法。
在一些实施例中，ETA的模型可以是结构化数据的形式。ETA模型的结构化数据可以由处理引擎112基于B-树或哈希表构造或检索。在一些实施例中，结构化数据可以被存储或保存为数据库160中的数据库的形式。
在步骤460中，处理引擎112可以获取与计划路线相关的编码道路相关数据的信号。计划路线可以对应于乘客使用出租车或私家车生成的请求。在线按需服务系统100可以接收请求并基于请求的内容(例如，起始位置、开始时间或目的地等)确定计划路线。在一些实施例中，当驾驶员确认或接收来自在线按需服务系统100的服务请求时，可以从驾驶员终端获得计划的路线。在一些实施例中，当乘客建立对运输服务的请求并确认从在线按需服务系统100发送的服务请求时，可以从乘客终端获得计划的路线。在一些实施例中，处理引擎112可以获得多个计划的路线，其可以对应于地图(例如，基于北京的道路地图)，并且多个计划路线可以彼此直接或间接相关。在一些实施例中，计划的路线可以包括如本发明其他地方所述的至少一个路段，例如，在步骤310和/或步骤410中。
在步骤470中，处理引擎112可以基于道路相关数据的信号确定计划全局特征向量。在一些实施例中，计划的全局特征向量可以具有N个维度，其中N可以对应于从计划的路线获得的N个项或特征。例如，如果处理引擎112可以从计划路线中选择2000个项或特征，则可以将包括2000列或2000行的向量确定为计划路线的计划全局特征向量
在某些实施例中，计划全局特征向量的维数可以小于全局特征向量的维数。如果遗漏了计划路线中的一个或多个项或特征，则对应于计划路线的计划全局特征向量的维数可能减小，并且计划的全局特征向量的维数将会减小(例如，具有R列或R行的向量，其中R可能小于N))。在一些实施例中，如果遗漏了计划路线中的一个或多个项或特征，则处理引擎112可以确定仍然具有N列或N行的计划全局特征向量；并且对应于缺失项的列或行可以由默认值(例如，空)来描述。
在步骤480中，处理引擎112可以基于ETA模型和计划全局特征向量确定计划路线ETA。处理引擎112可以将计划的全局特征向量确定为ETA模型的输入；ETA的模型可以根据输入而产生相应输出。例如，如果驾驶员向在线按需服务系统100发送使用出租车的请求，则可以确定具有一个或多个路段的计划路线。处理引擎112可以根据计划的路线来确定具有N维的计划全局特征向量；并且处理引擎112可以通过将计划的全局特征向量输入到ETA的模型中来进一步确定计划路线的ETA。在一些实施例中，步骤480可以在电子设备中实现，例如智能手机、个人数字助理PDA、平板电脑、膝上型计算机、车载计算机、便携式游戏机PSP、智能眼镜、智能手表、可穿戴设备、虚拟显示设备，显示增强的设备(例如谷歌眼镜、虚拟现实眼镜、全息透镜、虚拟现实头盔)等，或它们的任何组合。
图5是根据本发明提供的一种基于ETA子模型确定ETA的方法的示例性流程图。过程和/或方法500可由在线按需服务系统100执行。例如，过程和/或方法500可以被实现为存储在数据库160中的一组指令(例如，应用程序)。处理引擎112可以执行该指令集，并且可以相应地指示在在线按需服务平台中执行过程和/或方法500。该平台可以是通过因特网连接按需服务提供者和请求者的基于互联网的平台。
在步骤510中，处理引擎112可以获取具有至少一个路段的路线。关于路线的更多描述可以在本发明的其他地方找到，例如，在步骤310和/或步骤410中。
在步骤520中，处理引擎112可以确定路线的场景。该场景可以包括路线的区域或路线的时段。路线的区域可基于路线的开始位置、路线的目的地、经过或通过行政区划的路线等，或其任意组合来确定。例如，如果处理引擎112可以将地图划分为区域(例如，拥挤区域、中央商务区CBD、火车站周围的区域等)，则与该路线相关联的驾驶员可以在起始位置搭载乘客；起始位置可以是在CBD区域中，处理引擎112可以将路线的场景确定为CBD区域。在一些实施例中，处理引擎112可以收集具有相同或相似场景的路线(例如，在火车站周围的区域)。例如，处理引擎112可以在过去3天内获得CBD区域中的路线。作为另一个例子，处理引擎112可以在繁忙时间(例如上午7点到上午9点)收集路线。
在步骤530中，处理引擎112可以基于路线获取道路相关数据的信号。在一些实施例中，道路相关数据可以由处理引擎112使用信号来编码。处理引擎112可以从用户终端(例如，驾驶员终端或乘客终端)或在线按需服务系统100中的任何组件获得与道路相关的数据。例如，处理引擎112可以从驾驶员终端接收与具有相同或相似场景(例如，靠近北京西站)的路线相关的道路相关数据。例如，处理引擎112可以从数据库160获得在繁忙时间(例如上午7时至早上9时)与路线相关的道路相关数据。
在步骤540中，处理引擎112可以基于道路相关数据的信号确定和保存全局特征向量和历史使用时间的第一结构化数据。与路线相关联的全局特征向量可以对应于与同一路线相关联的历史使用时间；场景中的每个全局特征向量(例如，在CBD区域中)和对应的历史使用时间可以被确定为训练样本；并且训练样本可以用来形成可用于确定估计到达时间的子模型的训练集。与相同或相似场景相关联的训练集可以包括成百上千的训练样本，或者成千上万的训练样本。
在一些实施例中，全局特征向量和历史使用时间可以是结构化数据的形式。全局特征向量和/或历史使用时间的结构化数据的结构化数据可以基于B-树或哈希表由处理引擎112构造或检索。在一些实施例中，结构化数据可以被存储或保存为数据库160中的数据库的形式。
在步骤550中，处理引擎112可以基于全局特征向量和历史使用时间确定ETA子模型的第二结构化数据。ETA的子模型可以是用于预测具有相同场景的计划路线的ETA的模型。ETA的子模型可以包括决策树、关联规则、人工神经网络、深度学习、归纳逻辑编程、支持向量机、聚类、贝叶斯网络、强化学习、表示学习、相似性和度量学习，稀疏字典学习、遗传算法、基于规则的机器学习等，或它们的任何组合。在一些实施例中，ETA的子模型可以通过修改或更新ETA的模型来确定。在一些实施例中，ETA的一个或多个子模型可用于合成ETA模型或ETA的新子模型。在一些实施例中，ETA的至少一个子模型可用于预测计划路线的ETA。例如，ETA的第一子模型可以确定计划路线的第一ETA，ETA的第二子模型可以确定相同的计划路线的第二ETA。处理引擎112可以通过计算ETA的第一子模型和ETA的第二子模型的数学平均值来确定用于计划路线的第三ETA。例如，处理引擎112可以基于ETA的第一子模型和ETA的第二子模型来确定ETA的合成子模型。ETA的合成子模型可以用来确定ETA。
在一些实施例中，ETA的子模型可以是结构化数据的形式。ETA的子模型的结构化数据可以基于B-树或哈希表由处理引擎112构造或检索。在一些实施例中，结构化数据可以被存储或保存为数据库160中的数据库的形式。
在步骤560中，处理引擎112可以获取具有至少一个路段的计划路线。计划路线可对应于或属于一个场景。例如，乘客可以向在线按需服务系统100发送使用私家车的请求。处理引擎112可以基于对私家车的使用请求来确定计划的路线；并且处理引擎112可以进一步确定步骤570中的计划路线的场景。
在一些实施例中，处理引擎112可以确定具有相同或不同场景的一个或多个计划路线。在一些实施例中，处理引擎112可以确定一个或多个场景用于一个计划的路线。例如，如果计划的路线在繁忙时间(例如上午7时至上午9时)通过CBD区域，则处理引擎112可以确定计划路线可能属于的两个场景。
在步骤580中，处理引擎112可以基于计划路线确定计划全局特征向量。在一些实施例中，计划的全局特征向量可以具有N个维度，并且可以由向量表示，其中N可以是任意整数。稀疏矩阵可以显示N列或N行，其中N可以对应于从计划路线获得的N个项或特征。例如，如果处理引擎112从计划路线选择50个项，则可以将包括50列或50行的向量确定为计划路线的计划全局特征向量；并且计划的全局特征向量可以是具有50维的向量。
在步骤590中，处理引擎112可以基于ETA的子模型、计划的全局特征向量和计划路线的场景来确定计划路线的ETA。在一些实施例中，乘客可以在紧急时刻向在线按需服务系统100发送使用出租车的请求。处理引擎112可确定计划路线和与计划路线相关的场景；可基于计划路线确定计划的全局特征向量；处理引擎112可以基于与计划路线相关联的场景，选择可由与场景(例如，在高峰时间)相关联的训练集训练的ETA子模型；并且处理引擎112可以将计划的全局特征向量输入到ETA的子模型，以在生成计划路线在高峰时间的ETA。
在一些实施例中，处理引擎112可以将ETA发送到驾驶员终端、乘客终端和/或在线按需服务系统100的任何组件(例如，数据库160)。乘客终端可以在用户界面中显示，以便于乘客确定是否确认服务请求。在一些实施例中，ETA可以发送给驾驶员，该驾驶员可以决定是否选择用于服务请求的计划路线(例如，驾驶员可以根据与计划路线不同的另一路线驾驶出租车)。
图6是根据本发明提供的一个与全局特征向量相关的图表示意图。处理引擎112可以从驾驶员终端获得道路相关数据。在一些实施例中，道路相关数据可以作为信号发送。道路相关数据可以包括文本数据、数字数据、图像数据、视频数据、语音数据和/或分类数据。处理引擎112可以将文本数据、图像数据、视频数据、语音数据和分类数据转换为数字数据。处理引擎112可以进一步基于与路线相关联的数字数据构造全局特征向量和历史使用时间。在一些实施例中，处理引擎112可以在构建全局特征向量和历史使用时间之后变换道路相关数据。
例如，处理引擎112可以收集与三条路线相关联的道路相关数据，这些路线分别表示3条路线ID：1,2和3(如610所示)。与路线ID相关联的道路相关数据中的每一个可以包括行驶距离620、交通灯数630、道路宽度640、车辆类型650、驾驶等级660和历史使用时间670。处理引擎112可以基于道路相关数据中的每一个构造全局特征向量。全局特征向量中的项或特征可以分别包括行驶距离620、交通灯的数量630、道路宽度640、车辆的类型650和驾驶等级660。处理引擎112还可以将全局特征向量中的文本数据和/或分类数据(例如出租车、私家车等)转换为数字数据。例如，出租车和私家车可以分别转换为1和2。在一些实施例中，在训练ETA模型之前，处理引擎112可以将全局特征向量中的数字数据转换为二进制数据。全局特征向量可以对应于历史使用时间670。例如，历史使用时间可以用作标签来训练模型。全局特征向量和相应的历史使用时间可以形成训练集。处理引擎112可以通过确定输入作为全局特征向量并确定输出作为对应的历史使用时间来训练ETA模型。
图7是根据本发明提供的一个ETA模型的决策树示意图。决策树可以包括分类树、回归树或分类和回归树。构造决策树的算法可以包括迭代二分法算法、分类回归树算法、ID3后继函数算法、卡方自动交互检测器算法、条件推理树算法。在构造决策树700期间，处理引擎112可以使用信息增益来确定在决策树700中首先决定哪个变量或项。信息增益可以表示为公式(2)：
Gain＝infobeforesplit–infoaftersplit， (2)
其中Gain表示增益信息；infobeforespli表示在分裂之前的熵；而infoaftersplit表示分裂后的熵。
熵可表示为公式(3)：
其中H(T)表示具有n值的变量T的熵；Pi表示T为i时的概率。
例如，处理引擎112可以确定每个变量的信息增益(例如，驾驶距离、交通灯数量、道路宽度和是否已搭载乘客)；处理引擎112可以选择具有最大i的变量(例如，驾驶距离)。处理引擎112可以将行驶距离确定为第一分割以对比决策树700。其他交通变量，如交通灯的数量、道路宽度，以及是否已经拾起乘客，都可以根据相应的信息增益分开。如图7所示，可以使用行驶距离首先分割决策树700。如果行驶距离等于或大于10，则决策树700可以通过交通灯的数量进一步划分；如果交通灯的数量等于或大于1，则决策树700可以通过是否搭载乘客而进一步分裂；并且如果乘客已被搭载，ETA可由公式(4)计算：
ETA＝f1(X1)+f2(X2)， (4)
其中f1表示行驶距离的函数；f2表示交通灯的数量的函数。如果乘客没有被搭乘，ETA可以通过公式(5)计算：
ETA＝f1(X1)+f2(X2)+30， (5)
其中f1表示行驶距离的函数；f2表示交通灯的数量的函数。如果行驶距离大于等于0.5，小于等于10，则决策树700可以通过道路宽度进一步分割，例如，如果道路宽度等于12，ETA可以通过公式(6)计算：
ETA＝f1(X1)-X1/20， (6)
其中f1表示行驶距离的函数。如果道路宽度等于10，ETA可以通过公式(7)计算：
ETA＝f1(X1)+X1/20， (7)
其中f1表示行驶距离的函数。
如果行驶距离小于0.5，ETA可为3分钟。在一些实施例中，决策树700可以基于上述公式中的一个输出一个数字。例如，决策树700可以基于公式(7)将ETA输出为32分钟。
图8是根据本发明提供的一个ETA模型的人工神经网络示意图。ANN 800可以包括输入层810、隐藏层820和输出层830。输入层810可以由一个或多个人工神经元组成，它们可以彼此连接以形成网状结构。如图8所示，输入层810可以包括人工神经元X1、人工神经元X2、人工神经元X3、…、人工神经元Xn。在一些实施例中，输入层810中的多个人工神经元可以对应于代表全局特征向量的矩阵的列的数目。例如，如果对应于N项或特征的全局特征向量被表示为具有N列或N行的向量，则输入层810中的人工神经元的数目可以等于N(例如，2000)。隐藏层820可以包括三个人工神经元、人工神经元Z1、人工神经元Z2和人工神经元Z3。隐藏层820中的每个人工神经元可以与输入层810中的每个人工神经元连接；隐藏层820中的每个人工神经元可以与输出层830中的人工神经元相连接。例如，人工神经元可以分别与人工神经元X1、人工神经元X2、人工神经元X3、…和人工神经元Xn连接。隐藏层820中的每个人工神经元可以包括求和函数。求和函数可以是阈值函数或限制函数。例如，隐藏层中的求和函数可以表示为公式(8)：
其中O代表人工神经元输出到输出层830中的人工神经元；f表示激活函数；wj表示隐含层820中的人工神经元之间的权重；xj表示从输入层中的人工神经元Xj到隐藏层820人工神经元的输入；以及θ表示阈值。输出层830可以包括至少一个人工神经元。输出层830中的至少一个人工神经元可以与隐藏层820中的每个人工神经元连接。例如，输出层830中的一个人工神经元可以分别与人工神经元Z1、人工神经元Z2和人工神经元Z3连接。输出层830中的每个人工神经元还可以包括如公式(8)的求和函数。例如，在输出层830中的人工神经元中的激活函数可以是公式(9)中表示的阶跃函数：
例如，激活函数可以表示为具有连续函数值的函数(例如，公式(4))。在输出层830中具有激活功能的人工神经元可以输出用于路线或计划路线的ETA。
应当注意，图8中所描述的ANN 800仅仅是为了说明目的而提供的，而不是旨在限制本发明的范围。对于本领域普通技术人员，在不脱离本发明原则的情况下，可以对上述方法和系统的应用形式和细节进行各种修改和改变。例如，隐藏层820的数量可以是两个或更多。作为另一个例子，ANN 800可以进一步包括卷积层和/或池化层。卷积层和池化层可以交替地布置在隐藏层820中。作为另一个例子，可以通过深度学习方法修改或训练ANN 800。
图9是根据本发明提供的一个预测ETA的物理模型示意图。处理引擎112可以获得在基于道路的地图中描述的路线900(如图9所示的具有连续的线)。路线900包括10个路段(例如，第一路段、第二路段、…和第十路段)和9个交通灯(例如，第一个交通灯、第二个交通灯、……和第九个交通灯)。两个相邻路段与一个或多个交通灯相连。通过每个路段的时间可以根据路段中的每一个速度来确定。例如，通过第一路段的时间可以被确定为T1，通过第二路段的时间可以被确定为T2；…；并且通过第十路段的时间可以被确定为T10。通过每个交通灯的时间可以被确定为L1、L2、…和L9。
处理引擎112可通过增加通过每个路段的时间和通过每个交通灯的次数来确定路线900的ETA。在一些实施例中，处理引擎112可以基于路线900中的路段和基于道路的地图中的其他路段来确定路线900的ETA。路线900中的路段可以直接或间接地与基于道路的地图中的其他路段相关。例如，对应于T22的路段(如图9中用虚线示出)可能与路线900中的路段(例如，第一路段)有关系，并且与T22相对应的路段中的速度可能影响第一路段或在路线900中任何其他路段的速度。在一些实施例中，处理引擎112可以基于道路中的路段和基于道路的地图中的其他路段确定全局特征向量。由全局特征向量训练的ETA模型可用于预测如图9所示的基于道路的地图中的任何路线的ETA。
图10是根据本发明提供的一个计算装置1000的硬件和/或软件的组件示意图，其中服务器110、服务请求终端130和/或服务提供终端140可以被应用于该计算装置1000上。例如，处理引擎112可以在计算设备1000上实现，并且被配置为执行本发明中公开的处理引擎112的功能。
计算设备1000可以是通用计算机或专用计算机，两者可用于实现本发明的按需服务系统。计算设备1000可用于实现如本文所述的按需服务的任何组件。例如，处理引擎112可以通过其硬件、软件程序、固件或其任何组合在计算设备1000上实现。虽然只有一个这样的计算机被示出，为了方便起见，本文所描述的与按需服务有关的计算机功能可以以分布式方式在多个类似平台上实现，以分发处理负载。
例如，计算设备1000可以包括连接到和连接到其上的网络的通信端口1050，以便于数据通信。计算设备1000还可以包括中央处理器CPU1020，其具有一个或多个处理器的形式，用于执行程序指令。示例性计算机平台可以包括内部通信总线1010、程序存储和数据存储，这些不同形式例如磁盘1070、只读存储器ROM1030或随机存取存储器RAM1040，用于由计算机处理和/或传输的各种数据文件。示例性计算机平台还可以包括存储在ROM 1030、RAM1040和/或由CPU 1020执行的其他类型的非短暂性存储介质中的程序指令。本发明的方法和/或过程可以作为程序指令来实现。计算设备1000还包括输入/输出组件1060，支持计算机和其他组件之间的输入/输出，例如用户界面元素1080。计算设备1000还可以通过网络通信接收程序和数据。
仅为了说明，在计算设备1000中仅描述了一个CPU和/或处理器。然而，应当注意的是，本发明中的计算设备1000还可以包括多个CPU和/或处理器，因此，如本发明中所描述的，由一个CPU和/或处理器执行的操作和/或方法步骤也可以联合或单独执行。由多个CPU和/或处理器组成。例如，如果在本发明中，计算设备1000的CPU和/或处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的CPU和/或处理器在计算设备1000中共同或单独地执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一和第二处理器联合执行步骤A和B)。
图11是根据本发明提供的一个应用用户终端的移动装置的硬件和/或软件的组件示意图。如图11所示，移动设备1100可以包括通信平台1110、显示器1120、图形处理单元GPU1130、中央处理单元CPU1140、输入/输出1150、内存1160和存储器1190。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备1100中。在一些实施例中，移动操作系统1170(例如，IOS、Android、Windows Phone等)和一个或多个应用程序1180可以从存储器1190加载到内存1160中，以便由CPU 1140执行。应用程序1180可以包括浏览器或任何其他合适的移动应用程序，用于接收和处理来自处理引擎112的与图像处理或其他信息有关的信息。可以通过输入/输出1150实现与信息流的用户交互，并经由网络120提供给在线按需服务系统100的处理引擎112和/或其他组件。
为了实现本发明中所描述的各种模块、单元和它们的功能，计算机硬件平台可以用作本文描述的一个或多个元素的硬件平台。具有用户接口元件的计算机可用于实现个人计算机PC或任何其他类型的工作站或终端设备。如果适当编程，计算机也可以充当服务器。
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，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。这类修改、改进和修正在本申请中被建议，所以所述类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。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，本申请的一个或多个实施例中的某些特征、结构或特点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以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以被称为“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表现为位于一个或多个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可以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。所述传播信号可以有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。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，所述介质可以通过连接至一个指令执行系统、装置或装置以实现通信、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、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
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设计语言编写，包括面向对象程序设计语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化程序设计语言如C程序设计语言、Visual Basic、Fortran2003、Perl、COBOL 2002、PHP、ABAP，动态程序设计语言如Python、Ruby和Groovy，或其他程序设计语言等。所述程序设计编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，比如局域网络LAN或广域网络WAN，或连接至外部计算机(例如通过因特网)，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，本申请所述处理元素和序列的顺序、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，所述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装置实现，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，从而帮助对一个或多个发明实施例的理解，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 (20)

1.一个系统，包括：
至少一个非短暂性的计算机可读存储介质，包括一组指令；
至少一个与所述至少一个非短暂性的计算机可读存储介质相互通信的处理器，其中当执行所述指令时，所述至少一个处理器可以：
获取一个与具有至少一个路段的至少一条路线相关的第一电信号；
基于所述第一电信号，生成和保存至少一个全局特征向量和至少一个与所述至少一条路线相关的历史使用时间的第一结构化数据；
基于所述至少一个全局特征向量和所述至少一个历史使用时间，通过训练模型生成估计到达时间ETA模型的第二结构化数据；以及
将所述ETA模型的第二结构化数据保存在所述至少一个非短暂性的计算机可读存储介质中。
2.根据权利要求1所述的系统，其特征在于，所述至少一个全局特征向量中的至少两个被统一到一个行列式中。
3.根据权利要求2所述的系统，其特征在于，所述至少一个全局特征向量包括一个综合特征向量，其中所述综合特征向量包括指示至少一个路段中的至少两个之间的关系的特征。
4.根据权利要求3所述的系统，其特征在于，所述至少一个路段中的至少两个彼此分开。
5.根据权利要求3所述的系统，其特征在于，所述综合特征向量包括至少一个交通状态，所述交通状态包括实时道路速度或估计的道路速度。
6.根据权利要求1所述的系统，其特征在于，所述ETA模型包括回归模型、决策树模型、人工神经网络模型、支持向量回归模型、受限玻尔兹曼机器模型或遗传算法中的至少一个。
7.根据权利要求1所述的系统，其特征在于，所述ETA模型包括至少两个ETA子模型，所述至少两个ETA子模型对应至少一个时段或地图中区域。
8.根据权利要求1所述的系统，其特征在于，所述至少一个处理器可以进一步地：
接收一个与具有至少一个路段的至少一条计划路线相关的第二电信号；
基于所述第二电信号，生成和保存与所述计划路线相关的至少一个计划全局特征向量的第三结构化数据；以及
基于所述计划全局特征向量和所述ETA模型，执行所述ETA模型的第二结构化数据，以确定一个对应于所述计划路线的ETA。
9.根据权利要求7所述的系统，其特征在于，所述为了确定对应于计划路线的ETA，所述至少一个处理器可以进一步地：
确定所述计划路线的起始时间的时段；以及
基于所述起始时间，选择对应于时段的ETA子模型。
10.根据权利要求7所述的系统，其特征在于，所述为了确定对应于计划路线的ETA，所述至少一个处理器可以进一步地：
确定所述计划路线的起点位置或终点位置；以及
基于所述起点位置或终点位置，选择对应于地图中区域的ETA子模型。
11.一种实现于计算装置上的方法，所述计算装置具有至少一个处理器，至少一个非短暂性的计算机可读存储介质，和一个与网络连接的通信平台，所述方法包括：
获取一个与具有至少一个路段的至少一条路线相关的第一电信号；
基于所述第一电信号，生成和保存至少一个全局特征向量和至少一个与所述至少一条路线相关的历史使用时间的第一结构化数据；
基于所述至少一个全局特征向量和所述至少一个历史使用时间，通过训练模型生成估计到达时间ETA模型的第二结构化数据；以及
将所述ETA模型的第二结构化数据保存在所述至少一个非短暂性的计算机可读存储介质中。
12.根据权利要求11所述的方法，其特征在于，所述至少一个全局特征向量中的至少两个被统一到一个行列式中。
13.根据权利要求12所述的方法，其特征在于，所述至少一个全局特征向量包括一个综合特征向量，其中所述综合特征向量包括指示至少一个路段中的至少两个之间的关系的特征。
14.根据权利要求13所述的方法，其特征在于，所述至少一个路段中的至少两个彼此分开。
15.根据权利要求13所述的方法，其特征在于，所述综合特征向量包括至少一个交通状态，所述交通状态包括实时道路速度或估计的道路速度。
16.根据权利要求11所述的方法，其特征在于，所述ETA模型包括回归模型、决策树模型、人工神经网络模型、支持向量回归模型、受限玻尔兹曼机器模型或遗传算法中的至少一个。
17.根据权利要求11所述的方法，其特征在于，所述ETA模型包括至少两个ETA子模型，所述至少两个ETA子模型对应至少一个时段或地图中区域。
18.根据权利要求11所述的方法，其特征在于，所述方法进一步包括：
接收一个与具有至少一个路段的至少一条计划路线相关的第二电信号；
基于所述第二电信号，生成和保存与所述计划路线相关的至少一个计划全局特征向量的第三结构化数据；以及
基于所述计划全局特征向量和所述ETA模型，执行所述ETA模型的第二结构化数据，以确定一个对应于所述计划路线的ETA。
19.根据权利要求17所述的方法，其特征在于，所述确定对应于计划路线的ETA，进一步包括：
确定所述计划路线的起始时间的时段；以及
基于所述起始时间，选择对应于时段的ETA子模型。
20.一个非短暂性的计算机可读存储介质，存储有计算机指令，当被来自请求方终端的在线按需服务平台的至少一个处理器访问时，驱使至少一个处理器：
获取一个与具有至少一个路段的至少一条路线相关的第一电信号；
基于所述第一电信号，生成和保存至少一个全局特征向量和至少一个与所述至少一条路线相关的历史使用时间的第一结构化数据；
基于所述至少一个全局特征向量和所述至少一个历史使用时间，通过训练模型生成估计到达时间ETA模型的第二结构化数据；以及
将所述ETA模型的第二结构化数据保存在所述至少一个非短暂性的计算机可读存储介质中。
CN201780019074.1A 2016-04-18 2017-04-18 推荐估计到达时间的系统和方法 Active CN109155104B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN2016102420675 2016-04-18
CN201610242067.5A CN107305742A (zh) 2016-04-18 2016-04-18 用于确定预计到达时间的方法和设备
PCT/CN2017/080850 WO2017181932A1 (en) 2016-04-18 2017-04-18 Systems and methods for recommending an estimated time of arrival

Publications (2)

Publication Number Publication Date
CN109155104A true CN109155104A (zh) 2019-01-04
CN109155104B CN109155104B (zh) 2022-04-05

Family

ID=60115596

Family Applications (3)

Application Number Title Priority Date Filing Date
CN201610242067.5A Pending CN107305742A (zh) 2016-04-18 2016-04-18 用于确定预计到达时间的方法和设备
CN202210619190.XA Pending CN114973677A (zh) 2016-04-18 2016-04-18 用于确定预计到达时间的方法和设备
CN201780019074.1A Active CN109155104B (zh) 2016-04-18 2017-04-18 推荐估计到达时间的系统和方法

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN201610242067.5A Pending CN107305742A (zh) 2016-04-18 2016-04-18 用于确定预计到达时间的方法和设备
CN202210619190.XA Pending CN114973677A (zh) 2016-04-18 2016-04-18 用于确定预计到达时间的方法和设备

Country Status (13)

Country Link
US (3) US10254119B2 (zh)
EP (1) EP3365878A4 (zh)
JP (1) JP2019507316A (zh)
KR (1) KR20180075613A (zh)
CN (3) CN107305742A (zh)
AU (2) AU2017253916B2 (zh)
BR (1) BR112018009623A2 (zh)
GB (1) GB2558502B (zh)
HK (1) HK1252213A1 (zh)
PH (1) PH12018550059A1 (zh)
SG (1) SG11201804005WA (zh)
TW (1) TWI638320B (zh)
WO (1) WO2017181932A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712398A (zh) * 2019-01-22 2019-05-03 江苏智通交通科技有限公司 高速公路行程时间估计模型参数优化方法
CN109974735A (zh) * 2019-04-08 2019-07-05 腾讯科技（深圳）有限公司 到达时间的预估方法、装置及计算机设备
CN110826782A (zh) * 2019-10-25 2020-02-21 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、可读存储介质和电子设备
CN110836675A (zh) * 2019-10-25 2020-02-25 北京航空航天大学 一种基于决策树的自动驾驶搜索决策方法
WO2020164161A1 (en) * 2019-02-14 2020-08-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for estimated time of arrival (eta) determination
CN111860906A (zh) * 2020-04-24 2020-10-30 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
CN112614187A (zh) * 2020-12-31 2021-04-06 深圳市优必选科技股份有限公司 回环检测方法、装置、终端设备和可读存储介质
TWI748514B (zh) * 2020-06-12 2021-12-01 中華電信股份有限公司 車流推估方法與系統
CN114373277A (zh) * 2021-12-01 2022-04-19 深圳优美创新科技有限公司 一种基于智能穿戴设备的儿童监控方法、系统及移动终端

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107305742A (zh) 2016-04-18 2017-10-31 滴滴（中国）科技有限公司 用于确定预计到达时间的方法和设备
EP3418998A1 (en) * 2017-06-22 2018-12-26 Nokia Technologies Oy Road traffic management
US10816351B1 (en) * 2017-07-14 2020-10-27 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10557713B1 (en) * 2017-07-14 2020-02-11 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US11037055B2 (en) * 2017-10-30 2021-06-15 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
JP6965426B2 (ja) * 2017-11-23 2021-11-10 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド 到着時間を推定するためのシステムおよび方法
WO2019100279A1 (en) * 2017-11-23 2019-05-31 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for estimating arrival time
CN109886442A (zh) * 2017-12-05 2019-06-14 北京嘀嘀无限科技发展有限公司 预估接驾时长方法及预估接驾时长系统
CN108053673B (zh) * 2017-12-08 2020-03-31 深圳壹账通智能科技有限公司 一种路况预报方法、存储介质和服务器
WO2019113875A1 (en) * 2017-12-14 2019-06-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for optimizing order allocation
JP6991053B2 (ja) * 2017-12-14 2022-01-12 フォルシアクラリオン・エレクトロニクス株式会社 車載装置、情報提示方法
CN108253955B (zh) * 2017-12-27 2020-12-22 重庆柚瓣家科技有限公司 基于户外引导型行走机器人的老人出行辅助系统
US10802489B1 (en) 2017-12-29 2020-10-13 Apex Artificial Intelligence Industries, Inc. Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips
CN108417029B (zh) * 2018-02-11 2020-11-06 东南大学 基于自适应多任务深度学习的城市路网行程时间估计方法
CN108564364B (zh) * 2018-03-12 2019-06-14 重庆小富农康农业科技服务有限公司 一种基于区块链技术和用户精准画像的农村养殖大数据征信系统
CN110363320B (zh) * 2018-03-26 2022-06-07 腾讯大地通途（北京）科技有限公司 一种预测估计到达时间的方法、装置和计算设备
CN110361019B (zh) * 2018-04-11 2022-01-11 北京搜狗科技发展有限公司 用于预测导航时间的方法、装置、电子设备及可读介质
CN110826741A (zh) 2018-08-14 2020-02-21 北京高德云图科技有限公司 一种网络约车和发票开具方法、系统和装置
US10921147B1 (en) * 2018-08-29 2021-02-16 Amazon Technologies, Inc. Customer and merchant location-based ETA determination
US11681929B2 (en) * 2018-10-02 2023-06-20 Honeywell International Inc. Methods and systems for predicting a remaining useful life of a component using an accelerated failure time model
CN111160594B (zh) * 2018-11-07 2022-05-06 腾讯大地通途（北京）科技有限公司 一种到达时间的预估方法、装置及存储介质
US10970668B2 (en) 2018-11-15 2021-04-06 DoorDash, Inc. Depot dispatch protocol for autonomous last-mile deliveries
CN111199642B (zh) * 2018-11-16 2021-08-03 北京嘀嘀无限科技发展有限公司 预测通行时长的方法和系统
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
CN111260092A (zh) * 2018-12-03 2020-06-09 北京嘀嘀无限科技发展有限公司 用于预测对象到达时间的系统和方法
CN109489679B (zh) * 2018-12-18 2019-12-17 成佳颖 一种导航路径中的到达时间计算方法
US20210357764A1 (en) * 2019-01-11 2021-11-18 Google Llc Reducing errors introduced by model updates
CN111862657B (zh) * 2019-04-24 2022-09-09 北京嘀嘀无限科技发展有限公司 一种确定路况信息的方法及装置
KR102070120B1 (ko) * 2019-05-08 2020-01-28 서울대학교산학협력단 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템
WO2020243963A1 (en) * 2019-06-06 2020-12-10 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining recommended information of service request
CN110349420B (zh) * 2019-07-01 2020-12-18 福建睿思特科技股份有限公司 一种基于数据分析的智能路况管理系统
CN110751395B (zh) * 2019-10-21 2023-07-04 中国民航信息网络股份有限公司 一种旅客行程状态确定方法、装置及服务器
US11366434B2 (en) 2019-11-26 2022-06-21 Apex Artificial Intelligence Industries, Inc. Adaptive and interchangeable neural networks
US11367290B2 (en) 2019-11-26 2022-06-21 Apex Artificial Intelligence Industries, Inc. Group of neural networks ensuring integrity
US10956807B1 (en) 2019-11-26 2021-03-23 Apex Artificial Intelligence Industries, Inc. Adaptive and interchangeable neural networks utilizing predicting information
US10691133B1 (en) * 2019-11-26 2020-06-23 Apex Artificial Intelligence Industries, Inc. Adaptive and interchangeable neural networks
CN111141302B (zh) * 2019-12-26 2023-10-27 斑马网络技术有限公司 车辆驾驶到达时间的预估方法、装置及电子设备
US11430335B2 (en) * 2020-01-31 2022-08-30 Here Global B.V. Method and apparatus for providing large scale vehicle routing
CN111353009B (zh) * 2020-02-03 2021-10-26 百度在线网络技术（北京）有限公司 建立路线耗时预估模型、预估路线耗时的方法及对应装置
CN111326015A (zh) * 2020-03-27 2020-06-23 北京骑胜科技有限公司 一种停车点推荐方法及装置
TWI798583B (zh) * 2020-09-01 2023-04-11 中華電信股份有限公司 加速模擬軟體的模擬結果的產生的電子裝置和方法
CN112382082B (zh) * 2020-09-30 2022-06-14 银江技术股份有限公司 一种拥堵区域交通运行状态预测方法及系统
US11933615B2 (en) * 2021-01-26 2024-03-19 Ubkang (Qingdao) Technology Co., Ltd. Estimated time of arrival calculating method and system and mobile machine using the same
CN113902427B (zh) * 2021-12-09 2022-10-04 腾讯科技（深圳）有限公司 一种预估到达时间的确定方法、装置、设备及存储介质
CN116662815B (zh) * 2023-07-28 2023-11-10 腾讯科技（深圳）有限公司 时间预测模型的训练方法以及相关设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6317686B1 (en) * 2000-07-21 2001-11-13 Bin Ran Method of providing travel time
JP2003296891A (ja) * 2002-04-01 2003-10-17 I Transport Lab Co Ltd 旅行時間推計装置およびその方法、コンピュータプログラム
CN1484206A (zh) * 2003-08-13 2004-03-24 倚天资讯股份有限公司 行车自动派遣系统及方法
CN101634569A (zh) * 2009-09-01 2010-01-27 中兴通讯股份有限公司 利用行车时间确定行车路线的方法与装置
CN101706888A (zh) * 2009-04-30 2010-05-12 北京世纪高通科技有限公司 一种旅行时间预测的方法
US20110112760A1 (en) * 2008-12-03 2011-05-12 Alexandru Serbanescu Method of creating map data comprising transit times for intersections
CN102110365A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于时空关系的路况预测方法和系统
CN103065469A (zh) * 2012-12-14 2013-04-24 中国航天系统工程有限公司 行程时间的确定方法和装置
US20140058652A1 (en) * 2012-08-27 2014-02-27 International Business Machines Corporation Traffic information processing
US20140244143A1 (en) * 2013-02-25 2014-08-28 Ford Global Technologies, Llc Method and Apparatus for Automatic Estimated Time of Arrival Calculation and Provision
EP2854117A1 (en) * 2005-10-10 2015-04-01 TomTom International B.V. A method of and a navigation device for time-dependent route planning
CN104882020A (zh) * 2015-06-05 2015-09-02 刘光明 预测交通状况和行车时间
US20160069695A1 (en) * 2013-04-17 2016-03-10 Tom Tom Navigation B.V. Methods and apparatus for providing travel information

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU4465900A (en) * 1999-04-17 2000-11-02 Idmicro, Inc. Method and system for providing an estimated time of arrival for a bus
DE19928082C2 (de) * 1999-06-11 2001-11-29 Ddg Ges Fuer Verkehrsdaten Mbh Filterungsverfahren zur Bestimmung von Reisegeschwindigkeiten bzw. -zeiten und Domänen-Restgeschwindigkeiten
JP2001229495A (ja) * 2000-02-16 2001-08-24 Toshiba Corp 運送方法およびシステム、受付処理システムならびにコンピュータが読取り可能な記憶媒体
JP2002032889A (ja) * 2000-07-14 2002-01-31 Dis System Hanbai Kk タクシー手配システム
US7221287B2 (en) 2002-03-05 2007-05-22 Triangle Software Llc Three-dimensional traffic report
EP1350714A1 (en) * 2002-03-19 2003-10-08 Campagnolo Srl Hollow crank arm for a bicycle, and process for manufacturing the same
EP1640691B1 (en) * 2004-09-24 2015-05-06 Aisin Aw Co., Ltd. Navigation systems, methods, and programs
JP2006134158A (ja) * 2004-11-08 2006-05-25 Denso Corp 区間旅行時間情報収集システム及び車載装置
JP2007249845A (ja) * 2006-03-17 2007-09-27 Fujitsu Ltd 交通状況推定プログラムおよび交通状況推定方法
US7739040B2 (en) * 2006-06-30 2010-06-15 Microsoft Corporation Computation of travel routes, durations, and plans over multiple contexts
US7739031B2 (en) * 2006-09-05 2010-06-15 Nissan Technical Center North America, Inc. Vehicle on-board unit
JP4932524B2 (ja) 2006-10-20 2012-05-16 日本電気株式会社 旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラム
JP2008116364A (ja) * 2006-11-06 2008-05-22 Matsushita Electric Ind Co Ltd ナビゲーション装置、ナビゲーション方法、及びナビゲーションプログラム
WO2009008178A1 (ja) * 2007-07-12 2009-01-15 Panasonic Corporation 旅程提示装置および旅程提示方法
JP2009064283A (ja) * 2007-09-07 2009-03-26 Omron Corp 交通情報提供システムおよび交通情報提供方法
CN101388143B (zh) * 2007-09-14 2011-04-13 同济大学 基于浮动车数据的公交到站时间预测方法
US9310214B1 (en) * 2008-01-24 2016-04-12 Blackberry Corporation System and method for dynamically redefining road segment boundaries
DE102009043309A1 (de) * 2009-02-26 2010-09-16 Navigon Ag Verfahren und Navigationseinrichtung zur Ermittlung der voraussichtlichen Fahrzeit
CN102081859B (zh) * 2009-11-26 2014-10-01 上海遥薇(集团)有限公司 一种公交车到站时间预测模型控制方法
ATE549711T1 (de) 2009-12-29 2012-03-15 Research In Motion Ltd System und verfahren zum senden einer ankunftszeitschätzung
CN103134504A (zh) * 2011-12-05 2013-06-05 奚伟祖 城市最佳路径导航的人工智能算法
US9239989B2 (en) 2012-03-28 2016-01-19 General Electric Company Computer-implemented system with adaptive cognitive features and method of using the same
CN103377552B (zh) * 2012-04-13 2016-03-16 日立(中国)研究开发有限公司 交通信息预测装置及方法、终端设备及服务器
JP2013257667A (ja) * 2012-06-11 2013-12-26 Toshiba Corp 交通管制システムおよび交通管制システムの情報提供方法
CN104050512A (zh) 2013-03-15 2014-09-17 Sap股份公司 基于多粒度地图的运输时间估计
CN103308054A (zh) * 2013-05-20 2013-09-18 江苏新科软件有限公司 一种导航路径旅行时间测算方法
CN104346926B (zh) 2013-07-31 2017-09-12 国际商业机器公司 行驶时间预测方法和装置、以及相关终端设备
US9709413B2 (en) 2013-12-12 2017-07-18 Cellco Partnership Directions based on predicted future travel conditions
TWI569226B (zh) * 2014-02-12 2017-02-01 Chunghwa Telecom Co Ltd Logistics Delivery Arrival Time Estimation System and Method with Notification Function
US9581455B2 (en) * 2014-05-06 2017-02-28 Elwha Llc Systems and methods for providing at least a portion of a travel plan that calls for at least one transportation vehicle unit
CN104123841B (zh) * 2014-08-14 2016-08-24 苏州大学 一种车辆到站时间的获取方法及系统
US20160196527A1 (en) 2015-01-06 2016-07-07 Falkonry, Inc. Condition monitoring and prediction for smart logistics
CN104794927B (zh) * 2015-04-29 2017-05-17 贵州中科汉天下信息技术有限公司 一种公交车到站时间预测方法
US20170270790A1 (en) * 2015-05-15 2017-09-21 New York City Transit Authority Vehicle Prediction Module
CN107305742A (zh) 2016-04-18 2017-10-31 滴滴（中国）科技有限公司 用于确定预计到达时间的方法和设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6317686B1 (en) * 2000-07-21 2001-11-13 Bin Ran Method of providing travel time
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
JP2003296891A (ja) * 2002-04-01 2003-10-17 I Transport Lab Co Ltd 旅行時間推計装置およびその方法、コンピュータプログラム
CN1484206A (zh) * 2003-08-13 2004-03-24 倚天资讯股份有限公司 行车自动派遣系统及方法
EP2854117A1 (en) * 2005-10-10 2015-04-01 TomTom International B.V. A method of and a navigation device for time-dependent route planning
US20110112760A1 (en) * 2008-12-03 2011-05-12 Alexandru Serbanescu Method of creating map data comprising transit times for intersections
CN101706888A (zh) * 2009-04-30 2010-05-12 北京世纪高通科技有限公司 一种旅行时间预测的方法
CN101634569A (zh) * 2009-09-01 2010-01-27 中兴通讯股份有限公司 利用行车时间确定行车路线的方法与装置
CN102110365A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于时空关系的路况预测方法和系统
US20140058652A1 (en) * 2012-08-27 2014-02-27 International Business Machines Corporation Traffic information processing
CN103065469A (zh) * 2012-12-14 2013-04-24 中国航天系统工程有限公司 行程时间的确定方法和装置
US20140244143A1 (en) * 2013-02-25 2014-08-28 Ford Global Technologies, Llc Method and Apparatus for Automatic Estimated Time of Arrival Calculation and Provision
US20160069695A1 (en) * 2013-04-17 2016-03-10 Tom Tom Navigation B.V. Methods and apparatus for providing travel information
CN104882020A (zh) * 2015-06-05 2015-09-02 刘光明 预测交通状况和行车时间

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712398B (zh) * 2019-01-22 2021-05-28 江苏智通交通科技有限公司 高速公路行程时间估计模型参数优化方法
CN109712398A (zh) * 2019-01-22 2019-05-03 江苏智通交通科技有限公司 高速公路行程时间估计模型参数优化方法
WO2020151293A1 (zh) * 2019-01-22 2020-07-30 江苏智通交通科技有限公司 高速公路行程时间估计模型参数优化方法
WO2020164161A1 (en) * 2019-02-14 2020-08-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for estimated time of arrival (eta) determination
CN109974735B (zh) * 2019-04-08 2021-02-02 腾讯科技（深圳）有限公司 到达时间的预估方法、装置及计算机设备
CN109974735A (zh) * 2019-04-08 2019-07-05 腾讯科技（深圳）有限公司 到达时间的预估方法、装置及计算机设备
CN110836675A (zh) * 2019-10-25 2020-02-25 北京航空航天大学 一种基于决策树的自动驾驶搜索决策方法
CN110826782A (zh) * 2019-10-25 2020-02-21 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、可读存储介质和电子设备
CN111860906A (zh) * 2020-04-24 2020-10-30 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
CN111860906B (zh) * 2020-04-24 2024-04-26 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
TWI748514B (zh) * 2020-06-12 2021-12-01 中華電信股份有限公司 車流推估方法與系統
CN112614187A (zh) * 2020-12-31 2021-04-06 深圳市优必选科技股份有限公司 回环检测方法、装置、终端设备和可读存储介质
CN112614187B (zh) * 2020-12-31 2024-03-26 深圳市优必选科技股份有限公司 回环检测方法、装置、终端设备和可读存储介质
CN114373277A (zh) * 2021-12-01 2022-04-19 深圳优美创新科技有限公司 一种基于智能穿戴设备的儿童监控方法、系统及移动终端

Also Published As

Publication number Publication date
CN114973677A (zh) 2022-08-30
SG11201804005WA (en) 2018-11-29
BR112018009623A2 (pt) 2019-01-15
WO2017181932A1 (en) 2017-10-26
US20190204087A1 (en) 2019-07-04
GB2558502B (en) 2022-10-26
CN109155104B (zh) 2022-04-05
EP3365878A4 (en) 2018-10-31
AU2020201991B2 (en) 2021-04-08
AU2017253916A1 (en) 2018-05-31
AU2020201991A1 (en) 2020-04-09
US20180259345A1 (en) 2018-09-13
EP3365878A1 (en) 2018-08-29
KR20180075613A (ko) 2018-07-04
GB2558502A8 (en) 2018-08-22
PH12018550059A1 (en) 2018-11-12
US20190257658A1 (en) 2019-08-22
GB201807706D0 (en) 2018-06-27
CN107305742A (zh) 2017-10-31
US10948301B2 (en) 2021-03-16
AU2017253916B2 (en) 2019-12-19
TWI638320B (zh) 2018-10-11
GB2558502A (en) 2018-07-11
HK1252213A1 (zh) 2019-05-24
JP2019507316A (ja) 2019-03-14
US10254119B2 (en) 2019-04-09
TW201738811A (zh) 2017-11-01

Similar Documents

Publication Publication Date Title
CN109155104A (zh) 推荐估计到达时间的系统和方法
US10922778B2 (en) Systems and methods for determining an estimated time of arrival
TWI670677B (zh) 用於推薦預估到達時間的系統和方法
CN109478364B (zh) 确定预计到达时间的方法及系统
US11449908B2 (en) Method and system for determining transport service fee
CN110140135A (zh) 信息处理方法、信息处理系统和信息处理装置
US11085792B2 (en) Systems and methods for determining estimated time of arrival
TWI675184B (zh) 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體
JP2018538584A (ja) サービスの要求を分配するシステム及び方法
CN108701403A (zh) 用于展示与服务请求相关的标识的系统及方法
CN108780562A (zh) 更新服务序列的系统和方法
CN109791731A (zh) 一种预估到达时间的方法和系统
CN110249357A (zh) 用于数据更新的系统和方法
CN110402370A (zh) 用于确定服务请求的推荐信息的系统和方法
CN114041129A (zh) 确定上车点名称的系统和方法
CN109716715A (zh) 用于馈送流发送的系统和方法
CN113924460B (zh) 确定服务请求的推荐信息的系统和方法
WO2022087767A1 (en) Systems and methods for recommending pick-up locations

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