CN109416878A - 用于推荐预计到达时间的系统和方法 - Google Patents

用于推荐预计到达时间的系统和方法 Download PDF

Info

Publication number
CN109416878A
CN109416878A CN201780018651.5A CN201780018651A CN109416878A CN 109416878 A CN109416878 A CN 109416878A CN 201780018651 A CN201780018651 A CN 201780018651A CN 109416878 A CN109416878 A CN 109416878A
Authority
CN
China
Prior art keywords
model
wdl
traffic
eigenvector
user
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
CN201780018651.5A
Other languages
English (en)
Other versions
CN109416878B (zh
Inventor
孙书娟
包新启
王征
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 CN109416878A publication Critical patent/CN109416878A/zh
Application granted granted Critical
Publication of CN109416878B publication Critical patent/CN109416878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096811—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed offboard

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本申请揭示了用于确定交通服务订单的预计到达时间(ETA)的系统和方法。所述系统可执行所述方法以获取至少一个第一特征向量，所述至少一个第一特征向量与历史交通服务订单的至少一个非量化特征有关；获取至少一个第二特征向量，所述至少一个第二特征向量与该历史交通服务订单的至少一个量化特征有关；通过训练混合模型获得已训练的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一个第一特征向量是所述第一模型的输入，所述至少一个第二特征向量是所述第二模型的输入；指示所述至少一个存储介质存储所述已训练的混合模型。

Description

用于推荐预计到达时间的系统和方法
技术领域
本发明一般涉及为交通服务订单确定预计到达时间(ETA)的系统和方法，尤其是，涉及通过混合模型确定所述预计到达时间的系统和方法，所述混合模型包括第一模型和第二模型。
背景技术
随着网络科技的发展，按需服务，如在线打车服务和运送服务等，在人们的日常生活中起着重要的作用。例如，在线打车已被普通人(如乘客)频繁使用。通过在线按需服务平台，使用者可以通过安装在使用者设备(如智能手机终端)中的应用以按需服务的形式请求按需服务。
发明内容
根据本申请的一方面，提供一种系统。所述系统可包括至少一个非暂时性计算机可读存储介质和至少一个处理器，所述至少一个非暂时性计算机可读存储介质与所述至少一个处理器进行通讯。所述至少一个非暂时性计算机可读存储介质包括一组指令集。当所述至少一个处理器执行该组指令时，所述至少一个处理器可配置为执行以下操作中之一项或多项操作。所述至少一个处理器可获取第一电信号，所述第一电信号编码至少一个第一特征向量的数据，所述至少一个第一特征向量与历史交通服务订单的至少一个非量化特征有关。所述至少一个处理器可获取第二电信号，所述第二电信号编码至少一个第二特征向量的数据，所述至少一个第二特征向量与历史交通服务订单的至少一个量化特征有关。所述至少一个处理器可操作至少一个处理器的逻辑电路，以通过训练混合模型获得已训练的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一个第一特征向量是所述第一模型的输入，所述至少一个第二特征向量是所述第二模型的输入。所述至少一个处理器可发送第三电信号以指示所述至少一个存储介质将所述已训练的混合模型的结构化数据存储其中。
根据本申请的另一方面，一种方法可包括以下操作中之一项或多项操作。在线按需服务平台的至少一个计算服务器可获取第一电信号，所述第一电信号编码至少一个第一特征向量的数据，所述至少一个第一特征向量与历史交通服务订单的至少一个非量化特征有关。在线按需服务平台的至少一个计算服务器可获取第二电信号，所述第二电信号编码至少一个第二特征向量的数据，所述至少一个第二特征向量与历史交通服务订单的至少一个量化特征有关。在线按需服务平台的至少一个计算服务器可操作至少一个处理器的逻辑电路，以通过训练混合模型来获得已训练的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一个第一特征向量是所述第一模型的输入，所述至少一个第二特征向量是所述第二模型的输入。在线按需服务平台的至少一个计算服务器可发送第三电信号以指示所述至少一个存储介质将所述已训练的混合模型的结构化数据存储其中。
根据本申请的另一方面，非暂时性机器可读存储介质可包含指令集。当所述非暂时性机器可读存储介质被在线按需服务平台的至少一个处理器访问时，所述指令集可指示至少一个处理器执行以下操作中之一项或多项。所述指令集可指示至少一个处理器获取第一电信号，所述第一电信号编码至少一个第一特征向量的数据，所述至少一个第一特征向量与历史交通服务订单的至少一个非量化特征有关。所述指令集可指示至少一个处理器获取第二电信号，所述第二电信号编码所述至少一个第二特征向量的数据，所述至少一个第二特征向量与历史交通服务订单的至少一个量化特征有关。所述指令集可指示至少一个处理器操作所述至少一个处理器的逻辑电路，以通过训练混合模型获得已训练的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一个第一特征向量是所述第一模型的输入，所述至少一个第二特征向量是所述第二模型的输入。所述指令集可指示至少一个处理器发送第三电信号以指示所述至少一个存储介质将所述已训练的混合模型的结构化数据存储其中。
附图说明
本申请以示例性实施例的方式来进一步描述。这些示例性实施例参考附图来详细的描述。这些实施例是非限制性的示例性实施例，其中相同的组件符号表示在附图的多个图式中相似的结构，并且其中：
图1是根据本申请的一些实施例所示的示例性的按需服务是统的框图；
图2是根据本申请的一些实施例所示的示例性的处理引擎的框图；
图3是根据本申请的一些实施例所示的示例性的移动装置的示例性硬件和/或软件组件的示意图；
图4是根据本申请的一些实施例所示的示例性的用于预估交通服务订单的预计到达时间的物理模型的示意图；
图5是根据本申请的一些实施例所示的示例性的处理引擎的框图；
图6是根据本申请的一些实施例所示的一种用于确定交通服务订单预计到达时间的示例性过程；
图7是根据本申请的一些实施例所示的一种用于确定预计到达时间的混合模型的示例性过程；以及
图8是根据本申请的一些实施例所示的示例性的预计到达时间的WDL模型的示意图。
具体实施方式
下述描述是为了使本领域普通技术人员能制造和使用本申请，并且该描述是在特定的应用及其要求的背景下提供的。对于本领域的普通技术人员来说，显然可以对所披露的实施例作出各种改变。另外，在不偏离本申请的精神和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请并不限于所披露的实施例，而应被给予与申请专利范围一致的最宽泛的范围。
此处使用的术语仅仅用来描述特定的示意性实施例，并且不具有限定性。如本申请和申请专利范围书中所示，除非上下文明确提示例外情形，“一”、”“一个”、”“一种”及/或”“该”等词并非特指单数，也可以包括复数。应该被理解的是，本申请中所使用的术语”“包括”与”“包含”仅提示已明确标识的特征、整数、步骤、操作、元素，及/或组件，而不排除可以存在和添加其他一个或多个特征、整数、步骤、操作、元素、组件，及/或其组合。
根据以下对附图的描述，本申请所述的和其他的特征、特色，以及相关结构元素的功能和操作方法，以及制造的经济和部件组合更加显而易见，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。
本申请中使用了流程图用来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。此外，可以将一个或多个其他操作添加到这些流程中，或从这些流程中移除一个或多个操作。
此外，虽然本申请的系统和方法的描述主要是关于分配交通服务的请求，应该理解的是，并不旨在限制本申请。本申请的系统或方法还可应用于其他类型的按需服务。例如，本申请的系统和方法可以应用于不同环境下的运输系统，包括陆地、海洋、航空航天等，或其任意组合。所述运输系统的车辆可以包括出租车、私家车、顺风车、公交车、列车、动车、高铁、地铁、船舶、飞机、飞船、热气球、无人驾驶车辆等，或其任意组合。所述运输系统也可以包括用于管理及/或分配的任一种运输系统，例如，接收及/或送快递的系统。本申请的系统和方法的应用可以包括网页、浏览器插件、客户端、客制系统、内部分析系统、人工智能机器人等，或其任意组合。
在本申请中，术语“乘客”、“请求者”、“服务请求者”和“客户”可以交换使用，其表示可以请求或预定服务的个体、实体或工具。在本申请中，术语“司机”、“提供者”和“服务提供者”也可以交换使用，其表示可以提供服务或促进该服务提供的个体、实体或工具。
在本申请中，术语“服务”、“服务请求”、“请求”和“订单”可以交换使用，其表示由乘客、服务请求者、客户、司机、提供者、服务提供者等，或其任意组合所发起的请求。所述服务请求可以被乘客、服务请求者、客户、司机、提供者、服务提供者中的任一个接受。所述服务请求可以是收费的或免费的。
在本申请中，“服务提供终端”和“司机终端”可以交换使用，其表示由服务提供者用来提供服务或促进该服务提供的移动终端。在本申请中，“服务请求终端”和“乘客终端”可以交换使用，其表示由服务请求者用来提供请求或预订服务的移动终端。
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，或其任意组合。以上定位技术中的一个或多个可以在本申请中交换使用。
本申请的一方面关于使用预计到达时间的混合模型为交通服务订单确定预计到达时间(ETA)的在线系统和方法。所述预计到达时间的混合模型可包括两个组件：第一模型，如线性回归模型；第二模型，如深度神经网络模型。所述线性回归模型处理如用户的性别、地址的信息等非量化特征。所述深度神经网络模型处理量化特征，如温度、道路宽度、司机的表现分数等。
应当理解的是，本申请提供的系统和方法是关于训练预计到达时间模型的。训练所述预计到达时间模型需要历史交通、驾驶记录的大数据以及地区的地图信息。本领域的普通技术人员应该理解，在提交本申请时，没有网络是无法收集大数据。因此，预计到达时间和使用大数据训练预计到达时间模型都是根植于互联网技术领域中的技术解决方案。
图1是根据本申请的一些实施例所示的示例性的按需服务系统100的框图。例如，按需服务系统100可以是一个用于运输服务的在线运输服务平台。该按需服务系统100可以包括服务器110、网络120、请求者终端130、提供者终端140、车辆150、存储设备160以及以导航系统170。
所述按需服务系统100可提供多项服务。示例性的服务可以包括打车服务、汽车司机服务、快捷汽车、共乘服务、巴士服务、司机雇佣和班车服务。在一些实施例中，按需服务可以是任何一种在线服务，如外卖、购物等，或其任意组合。
在一些实施例中，服务器110可以是单一服务器或服务器组。所述服务器组可以是集中式或分布式的(例如，服务器110可以是一分布式系统)。在一些实施例中，服务器110可以是区域的或远程的。例如，服务器110可通过网络120存取储存在请求者终端130、提供者终端140和/或存储设备160中的信息和/或数据。在另一范例中，服务器110可与请求者终端130、提供者终端140和/或存储设备160直接连接，以存取储存在其中的信息和/或数据。在一些实施例中，服务器110可在一云端平台上执行。仅仅作为范例，所述云端平台可以包括私有云、公共云、混合云、小区云、分布式云、内部云、多层云等，或其任意组合。在一些实施例中，服务器110可在计算设备200上执行，所述计算设备200含有本申请图2中所示的一个或多个组件。
在一些实施例中，服务器110可包含一处理引擎112。该处理引擎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揭示的一个或者多个功能。例如，处理引擎112可基于请求者终端130的位置信息确定一个或多个候选服务提供商终端。在一些实施例中，处理引擎112可包括一个或者多个处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为范例，处理引擎112可包括一中央处理器(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(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可以促进信息和/或数据的交换。一些实施例中，按需服务系统100的一个或者多个组件(例如服务器110、请求者终端130、提供者终端140、车辆150、存储设备160和导航系统170)可以通过网络120递送信息至按需服务系统100的其他组件。例如，服务器110可以通过网络120从请求者终端130获取服务请求。在一些实施例中，网络120可以是任意形式的有线或者无线网络，或其任意组合。仅作为范例，网络120可以是一缆线网络、缆线网络、光纤网络、电信网络、内部网络、因特网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、都会局域网络(MAN)、公用电话交换网(PSTN)、蓝牙网络、紫蜂(Zig Bee)网络、近距离通讯(NFC)等，或其任意组合。在一些实施例中，网络120可包括一个或者多个网络接入点。例如，网络120可包括有线或无线网络接入点比如基站及/或因特网交换点120-1、120-2……。通过这些网络接入点，按需服务系统100的一个或多个组件可以连接至网络120以交换信息及/或数据。
在一些实施例中，请求者可以是请求者终端130的一使用者。在一些实施例中，请求者终端130的使用者可以是除乘客之外的其他人。例如，请求者终端130的使用者A可以通过请求者终端130为乘客B发送服务请求，或从服务器110处接收服务及/或信息或指令。在一些实施例中，提供者可以是提供者终端140的一服务提供者。在一些实施例中，提供者终端140的使用者可以为除该提供者之外的其他人。例如，提供者终端140的使用者C可以是提供者D通过提供者终端140接收服务请求及/或从服务器110处接收信息或指令。在一些实施例中，“乘客”和“乘客终端”可互换使用，“提供者”和“提供者终端”可互换使用。在一些实施例中，提供者终端可以与一个或多个服务提供者相关联(如，夜班提供者或白班提供者)。
在一些实施例中，请求者终端130可以包括移动装置130-1、平板计算机130-2、膝上型计算机130-3、在机动车辆中之内建装置130-4等，或其任意组合。在一些实施例中，移动装置130-1可包括一智能家居装置、可穿戴设备、智能移动装置、虚拟现实装置、扩增实境装置等，或其任意组合。在一些实施例中，智能家居装置可包括一智能照明装置、智能电器控制装置、智能监测装置、智能电视、智能视讯摄影机、对讲机等，或其任意组合。在一些实施例中，该可穿戴设备可包括一智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配饰等，或其任意组合。在一些实施例中，该智能移动装置可包括智能电话、个人数字助理(PDA)、游戏设备、导航装置、销售点(POS)装置等，或其任意组合。在一些实施例中，该虚拟现实装置及/或扩增实境装置可包括一虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、扩增实境头盔、扩增实境眼镜、扩增实境补丁等，或其任意组合。例如，该虚拟现实装置及/或扩增实境装置可包括Google眼镜、Oculus Rift、HoloLens或Gear VR等。在一些实施例中，在机动车辆中之内建装置可包括一机载计算机或一机载电视等。在一些实施例中，请求者终端130可以是具有用来确定请求者及/或请求者终端130位置的定位技术的装置。
提供者终端140可以包括多个提供者终端140-1、140-2、……、140-n。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，或与请求者终端130相同的装置。在一些实施例中，提供者终端140可以是具有用来执行在线按需交通服务。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、提供者终端140和/或与提供者终端140有关的车辆150位置的定位技术的装置。在一些实施例中，请求者终端130及/或提供者终端140可以与其他定位装置通讯来确定乘客、请求者终端130、提供者及/或提供者终端140的位置。在一些实施例中，请求者终端130及/或提供者终端140可以向服务器110递送定位信息。在一些实施例中，提供者终端140也可以定期地发送服务器110的可用性状态。该可用性状态可表示与提供者终端140有关的车辆150是否可用于载客。例如，请求者终端130和/或提供者终端140可以每隔30分钟将定位信息和可用性状态发送给服务器110。又例如，每当用户登入到与在线按交通服务系统相关的移动应用时，请求者终端130和/或提供者终端140可以将定位信息和可用性状态发送给服务器110。
在一些实施例中，提供者终端140可对应一个或多个车辆150。车辆150可载乘客并前往目的地。车辆150可包括多个车辆150-1、150-2……150-n。一个车辆可对应一种服务(如，打车服务、汽车司机服务、快捷汽车、共乘服务、司机雇佣、班车服务)。
存储设备160可以存储数据和/或指令。在一些实施例中，存储设备160可以储存从请求者终端130及/或提供者终端140处获取的数据。在一些实施例中，存储设备160可以储存服务器110用来执行或使用来完成本申请揭示的示例性方法的数据和/或指令。在一些实施例中，存储设备160可以包括一大容量储存器、可移式储存器、挥发性读写内存、唯读内存(ROM)等，或其任意组合。示例性的大容量储存器可以包括一磁盘、光盘、固态硬盘等。示例性可移式储存器可包括一闪存碟、软磁盘、光盘、记忆卡、压缩碟、磁带等。示例性的挥发性读写内存可包括一随机存取内存(RAM)。示例性的RAM可包括一动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可包括一屏蔽ROM(MROM)、可程序ROM(PROM)、可清除可程序ROM(PEROM)、电子可抹除可程序ROM(EEPROM)、光盘ROM或数字通用磁盘ROM等。在一些实施例中，存储设备160可在云端平台上执行。仅仅作为范例，该云端平台可以包括私有云、公共云、混合云、小区云、分布式云、内部云、多层云或其任意组合。
在一些实施例中，存储设备160可以与网络120相连接并与按需服务系统100的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140等)进行通讯。按需服务系统100的一个或多个组件可以通过网络120存取储存在存储设备160中的数据或指令。在一些实施例中，存储设备160可以与按需服务系统100的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140等)直接连接或直接通讯。在一些实施例中，存储设备160可以是服务器110的一部分。
导航系统170可以确定与目标有关的信息，例如，请求者终端130、提供者终端、车辆150等中的一个或多个。在一些实施例中，导航系统170可以是全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(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。该信息可以包括目标物的位置、海拔、速度、或加速度，或者当前时间。导航系统170可以包括一个或多个卫星，例如，卫星170-1、卫星170-2、以及卫星170-3。卫星170-1通过卫星170-3可单独地或独立地确定上述提及的信息。导航系统170可通过无线连接将上述提及的信息发送到网络120、请求者终端130、提供者终端140、或车辆150。
在一些实施例中，按需服务系统100(如服务器110、请求者终端130、提供者终端140等)中的一个或多个组件可以允许访问存储设备160。在一些实施例中，当满足一个或多个条件时，按需服务系统100的一个或多个组件可以读取和/或修改与乘客、提供者和/或公共相关联的信息。例如，服务器110可以在某一服务完成后读取和/或修改一个或多个用户的信息。在另一范例中，服务器110可以在服务完成后读取和/或修改一个或多个提供者的信息。
在一些实施例中，按需服务系统100的一个或多个组件之间的信息交换可以通过请求一个服务来实现。服务请求的对象可以是任一产品。在一些实施例中，该产品可以包括食物、药物、日用品、化学产物、电器用品、衣服、汽车、住宅、奢侈品等，或其任意组合。在一些其他实施例中，该无形产品可以包括一服务产品、金融产品、知识产品、因特网产品等，或其任意组合。因特网产品可以包括一个人主机产品、Web产品、移动上网产品、商用主机产品、嵌入式产品等，或其任意组合。移动上网产品可以是应用在可移动终端上的软件、程序、系统等，或其任意组合。可移动终端可以包括一平板计算机、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)装置、机载计算机、机载电视、可穿戴设备等，或其任意组合。例如，产品可以是在计算机或移动电话上使用的任一软件及/或应用程序。该软件及/或应用程序可以与社交、购物、运输、娱乐、学习、投资等，或其任意组合相关联。在一些实施例中，与运输相关联的软件及/或应用程序可以包括一旅游软件及/或应用程序、车辆排程软件及/或应用程序、地图软件及/或应用程序等。对于车辆排程软件及/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、公交车等)、列车、地铁、船只、航空器(例如，飞机、直升机、航天飞机、火箭、热气球等)等，或其任意组合。
本领域技术人员理解的是，当按需服务系统100中的一个组件(或组件)运行时，该组件可以通过电信号和/或电磁信号来运行。例如，当请求者终端130向服务器110发出服务请求时，请求者终端130的处理器可生成编码请求的电信号。然后请求者终端130的处理器可发送电信号至输出端。如果请求者终端130通过有线网络与服务器110通信，输出端可进一步连接到缆线，该缆线进一步将该电信号输送到服务器110的输入端。如果请求者终端130通过无线网络与服务器110通信，请求者终端130的输出端可以是一个或多个天线，该天线将电信号转换成电磁信号。相似地，提供者终端130可通过电信号或电信号接收来自服务器110的指令和/或服务请求。在诸如请求者终端130、提供者终端140和/或服务器110的电设备中，当其中的处理器处理指令、发送指令，和/或执行动作时，该指令和/或动作可以通过电信号实施。例如，当处理器检索或存储存储介质中的数据时，该处理器可向存储介质的读/写设备发送电信号，其中，该存储介质的读/写设备可以读取或写入存储介质中的结构化数据。该结构化数据可通过电设备的总线以电信号的形式被传输到该处理器上。在此，电信号可以指一个电信号、一系列电信号、和/或多个离散的电信号。
图2是根据本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组件的示意图，其上可以实现本申请所述服务器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上执行并配置为完成本申请所揭示的处理引擎112的功能。
所述计算设备200可以是通用计算机或专用计算机，两者均可用于实施本申请的按需服务系统。该计算设备200可用于执行在此描述的用于按需服务的任意组件。例如，处理引擎112可通过其硬件、软件程序、固件等，或其任意组合在计算设备200上执行。为方便起见，虽然仅显示一个计算机，在此描述的与按需服务相关的计算功能可以在多个相似平台上以分布式方式执行，以分散处理负载。
例如，计算设备200可包括连接到网络的通信端口250以促进数据通信。计算设备200也可包括以一个或多个处理器形式存在的中央处理单元(CPU)220，用于执行程序指令。示例性计算机平台可包括内部通信总线210，不同形式的程序存储和数据存储，例如，磁盘270、唯读内存(ROM)230，或随机存取内存(RAM)240，通过计算机用于处理和/或传输各种数据文件。示例性计算机平台还可包括存储在ROM 230、RAM 240，和/或非暂时性存储介质其他形式，以通过CPU 220被执行。本申请揭示的方法和/或流程可以按照程序指令执行。计算设备200还可包括支持在计算机之间进行输入/输出的I/O组件260，以及其他如用户接口组件280的其他组件。计算设备200还可通过网络通信接收程序或数据。
仅仅为了说明，计算设备200中仅描述了一个CPU和/或处理器。然而，应当理解的是，本申请揭示的计算设备200还可包括多个CPU和/或处理器，因此本申请描述的操作步骤是由一个CPU和/或一个处理器执行，也可以由多个CPU和/或多个处理器共同地或单独地执行。例如，在本揭露中，如果计算设备200中的CPU和/或处理器都执行操作A和操作B，则应该理解，操作A和操作B也可以由计算设备200中的两个不同的CPU和/或处理器共同地或单独地执行(例如，第一处理器执行操作A并且第二处理器执行操作B，或者第一处理器和第二处理器共同执行操作A和B)。
图3是根据本申请的一些实施例所示的示例性的移动装置300的示例性硬件和/或软件组件的示意图。如图3所示，移动装置300可包括一通讯平台310、一显示器320、一图形处理单元(GPU)330、一中央处理单元(CPU)340、一I/O 350、一内存360、一储存器390。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(未显示)，亦可包括于移动装置300内。在一些实施例中，一运行操作系统370(例如，iOSTM、AndroidTM、WindowsPhoneTM等)和一个或多个应用程序380可从储存器390加载至内存360以藉由CPU 340执行。应用程序380可包括浏览器，或用于接收和呈现与图像处理相关的信息或来自处理引擎112的其他信息的任何其他合适的移动app。与所述信息流的用户互动可通过I/O350实现，并通过网络120提供给处理引擎112及/或按需服务系统100的其他组件。
为了实施本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述之一个或多个元素的硬件平台。具有用户接口元素的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端装置。若计算机被适当的程序化，计算机亦可用作服务器。
图4是根据本申请的一些实施例所示的用于预计交通服务订单预计到达时间的示例性物理模型的示意图。
处理引擎112可以确定路线400(如图4中用粗体和实线所示的)，该路线400与基于道路的地图中描述的交通服务订单对应。仅仅作为示范例，路线400可以包括10个道路路段(如，第一道路路段、第二道路路段、……和第十道路路段)和9个红绿灯(如，第一红绿灯、第二红绿灯、……和第九红绿灯)。两个邻近的道路路段(如，一个道路链或一个链)直接彼此连接或通过一个或多个红绿灯连接(如，一个红绿灯链，或一个链)。例如，图4中，链T1和链T2由红绿灯L1连接。车辆或其他物体穿过每个道路路段的时间可以基于在道路路段中速度中每个速度确定。处理引擎112可通过将穿过每个道路路段的时间和穿过每个红绿灯的时间加和来确定路线400的预计到达时间。另选地，处理引擎112可以将路线400作为一个整体，采用不同的模型确定路线400的预计到达时间。
在一些实施例中，处理引擎112可根据预计到达时间模型确定路线400的预计到达时间。预计到达时间模型可基于一个或多个历史服务订单的数据训练而来。例如，处理引擎112可从与历史服务订单相关的数据中提取一个或多个特征向量。每个特征向量可与历史服务订单的一个或多个特征或项目有关，如历史订单的起始位置、结束位置、起始时间、结束时间、红绿灯数目、历史持续时间，或本申请其他地方描述的任何其他特征。
然后处理引擎112可以基于特征向量训练预计到达时间模型。本文中使用的术语“历史服务订单”可表示在任何时刻或预定时间段内(如某年以前、某月以前、某天以前等)已经完成的服务请求。按需服务系统100可将该服务请求以及服务中的数据作为该历史服务订单保存在存储组件中(如存储设备160)。
在一些实施例中，预计到达时间模型可与单个链(例如，T1、T2……T10、L1、L2……L9)有关，并通过加和所有时间来确定预计到达时间。在一些实施例中，预计到达时间模型可由全局视角中的特征向量(以下简称“全局特征向量”)来训练。全局特征向量不仅可以包含单个链的特征，而且也可以包含描述不同链之间相互作用的特征。然后预计到达时间模型可根据基于道路的地图中的总路线的特征来确定预计到达时间，而不是仅仅考虑单个道路路段的特征。
在一些实施例中，预计到达时间模型可以是包括第一模型和第二模型的预计到达时间混合模型。预计到达时间混合模型可基于与一个或多个历史交通服务订单有关的数据来训练。例如，第一模型可以以第一特征向量作为输入，第二模型可以以第二特征向量作为输入。第一特征向量可包括非量化特征，第二特征向量可包括量化特征。进一步地，第一特征向量可仅包括非量化特征，第二特征向量可仅包括量化特征。本文中，量化特征是指历史服务订单的可量化的和被量化的特征。例如，道路宽度是一个用来描述道路情况的特征，该特征是可以定量测定的，因此是量化特征(如用3米、10米等数字的描述)。非量化特征可以指历史服务订单的不能定量测定特征。例如，一个特定使用者的ID可以是历史服务订单中出现的特征，或者是未出现在历史服务订单的特征。因此没有办法使用数字衡量用户的ID。相应地，用户的ID是非量化特征。
处理引擎112可以提取与历史服务订单的非量化特征关联的第一特征向量，以及量化特征有关的第二特征向量。然后，处理引擎112可以基于该第一特征向量和第二特征向量来训练预计到达时间混合模型。第一特征向量可以是第一模型的训练输入，第二特征向量可以是第二模型的训练输入。
在一些实施例中，任何两个链可以彼此关联。例如，在纽约曼哈顿第五大道中发生的事故可能会阻塞在该地的交通。为避开第五大道的交通，越来越多的司机可能从第五大道转向纽约的第一百三十八大道。随着大量的车辆运行在第五大道和第一百三十八大道之间，第五大道和第一百三十八大道之间的所有大道的路线可以形成一个交通繁忙的状态(如慢速)。因此，第五大道的交通情况可影响其周围道路和街道的交通情况。
处理引擎112可基于数据确定预计到达时间，该数据是关于路线400中道路路段和其他道路地图中的道路路段，路线400中的道路路段可以直接或间接地与其他道路地图中的道路路段相关联。例如，对应T22的道路路段(图4中用虚线显示)可能与路线400中道路路段(第一道路路段)有关；以及对应T22的道路路段中的速度可以影响所述第一道路路段或路线400中任何其他的道路路段中的速度。处理引擎112可基于路线中的道路路段和其他道路地图的道路路段确定全局特征向量。如图4所示，在基于道路的地图中，通过全局特征向量训练的预计到达时间模型可以用于估计任何与服务请求相关的路线的预计到达时间。
图5是根据本申请的一些实施例所示的示例性的处理引擎112的框图。处理引擎112可包括获取模块510、训练模块520、确定模块530，以及通信模块540。各模块可包括用于执行以下动作的硬件电路、存储于一个或多个内存介质中的一组指令集，及/或所述硬件电路及一个或多个储存介质的任何组合。
获取模块510可以被配置为获得与交通服务订单相关的数据。交通服务订单可与交通服务相关，如打车服务、汽车司机服务、快捷汽车、共乘服务、巴士服务、司机雇佣和班车服务、邮政服务、食物订购服务。交通服务订单可以指在任意时刻(例如，当前)或在预定时间段内(如某年以前、某月以前、某天以前等)已经完成的服务请求。
与交通服务订单相关的数据可包括订单信息、交易信息、用户信息、地图信息、路线信息、车辆信息、天气信息、交通信息、政策信息、新闻信息等，或其任意组合。
在一些实施例中，获取模块510可获得编码在一个或多个电信号中的数据。在一些实施例中，获取模块510可通过网络120从请求者终端130或存储设备160中获得数据。另外地或另选地，获取模块510可从另一系统(如天气情况平台、交通导引平台、交通广播平台、政策平台、新闻平台，和/或任何其他系统)中获得至少部分所述数据。
训练模块520可用于确定和/或获得预计到达时间的模型(也称预计到达时间模型)。预计到达时间模型可用于确定交通服务订单的预计到达时间。训练模块520可以是基于与一个或多个历史交通服务订单相关的数据生成的预计到达时间模型。
在一些实施例中，所述预计到达时间模型可以是包含至少两个模型的混合模型。在一些实施例中，训练模块520可以基于机器学习方法(如人工神经网络算法、深度学习算法、判定树算法、关联规则算法、归纳逻辑程序设计算法)确定和/或训练预计到达时间混合模型。在一些实施例中，训练模块520可基于损失函数(例如，预计到达时间混合模型生成的估计预计到达时间和历史交通服务订单的实际到达时间之间的差异)确定预计到达时间混合模型。
确定模块530可用于确定与交通服务订单相关的一个或多个特征向量。在一些实施例中，特征向量可表示为一列或一行的向量。例如，特征向量可以是按照1×N行列式表达的行向量(如1×108行列式)。在一些实施例中，特征向量可对应N维坐标系。N维坐标系可与历史交通服务订单的N个项目或特征相关。在一些实施例中，确定模块530可一次处理一个或多个第一特征向量。例如，可以将m个第一特征向量(如，三个行向量)集成到1×mN的向量或mxN的矩阵中，其中m为整数。
在一些实施例中，确定模块530可用于确定与非量化特征相关的第一特征向量，以及与交通服务订单的量化特征相关的第二特征向量。非量化特征可以指历史服务订单的无法定量测定的特征。量化特征可以指历史服务订单的可量化的和被量化的特征。
通信模块540可用于将与交通服务订单相关的预计到达时间发送至至少一个请求者终端130和/或提供者终端140，以用于显示。在一些实施例中，预计到达时间可能通过用户界面(未显示)在至少一个终端上显示。在一些实施例中，预计到达时间可能以，例如，文本、图像、音频、视频等格式显示。在一些实施例中，通信模块508可能通过合适的通讯协议(例如，超文本传输协议(HTTP)、地址解析协议(ARP)、动态主机配置协议(DHCP)、文件传输协议(FTP)等)将预计到达时间递送至该至少一个终端。
处理引擎112的模块可通过有线连接或无线连接将彼此连接或通信。有线连接可包括金属缆线、光缆、混合缆线等，或其任意组合。无线连接可包括局域网络(LAN)、广域网络(WAN)、蓝牙、ZigBee、近距离通讯(NFC)等，或其任意组合。在一些实施例中，任两个模块可组合为单个模块，任一个模块可分成两个或两个以上单元。
图6是根据本申请的一些实施例所示的一种用于确定交通服务订单的预计到达时间的示例性过程600。过程600可由按需服务系统100执行。例如，过程600可实施为储存在存储设备160中的一组指令(例如，应用程序)。处理引擎112可执行该组指令，进而可相应地被指示为在在线按需服务平台上用于执行过程600。所述平台可以是一种通过互联网连接按需服务的提供者和请求者的基于互联网的平台。
在610，处理引擎112(如获取模块510)可获得与历史交通服务订单相关的第一数据。
所述历史交通服务订单可与交通服务有关，如打车服务、汽车司机服务、快捷汽车、共乘服务、巴士服务、司机雇佣、班车服务、邮政服务、食物订购服务。历史交通服务订单可以指在任意时刻或预定时间段内(如某年以前、某月以前、某天以前等)已经完成的服务请求。
与历史交通服务订单相关的第一数据可以包括订单信息、交易信息、用户信息、地图信息、路线信息、车辆信息、天气信息、交通信息、政策信息、新闻信息等，或其任意组合。在一些实施例中，所述第一数据可由处理引擎112使用一个或多个电信号来编码。
处理引擎112可从按需服务系统100中的存储设备(如存储设备160)中获得第一数据。在一些实施例中，第一数据可以从用户终端(如请求者终端130、提供者终端140)获得。例如，处理引擎112可通过分析请求、服务请求、交易、导航信息、用户终端的电子地图等，或其任意组合来从司机终端或乘客终端获得第一资料。
在一些实施例中，处理引擎112可从另一系统中获得至少一部分第一数据。另一系统可以包括但不限于天气情况平台、交通导引平台、交通广播平台、政策平台、新闻平台和/或任何包括与历史交通服务订单相关的信息的其他系统。例如，处理引擎112可从交通导引平台获得交通信息(如交通事故信息、交通情况信息、交通限制信息)。又例如，处理引擎112可从天气预报网站获得天气信息(如实时的天气信息、近乎实时的天气信息、天气预报信息)。
在一些实施例中，处理引擎112可根据历史交通服务订单的特征或特性来获得第一数据。所述历史交通服务订单的特征可以包括但不限于时间段、地区、天气、日期(如工作日、周末或假期)。例如，假设历史交通服务订单发生在一天的预设时间段内，处理引擎112可获得与一天的预设时间段对应的第一数据。又例如，假设历史交通服务订单发生在预设城市中，处理引擎112可获得与预设城市对应的第一数据。
在一些实施例中，处理引擎112可获得与多个历史交通服务订单相关的第一数据。所述多个历史交通服务订单可以是按需服务系统100中历史交通服务订单的随机子集。另选地，所述多个历史交通服务订单可根据历史交通服务订单的特征(如，日期、时间段、地区、天气、日期)从按需服务系统100中的历史交通服务订单中选择。例如，所选的多个历史交通服务订单全部发生在某城市(如纽约)或某地区(如纽约长岛区)中。又例如，所选的多个历史交通服务订单全部发生在一天中的某时间段(如，早上7:00至早上9:00、工作日、周末)期间内。再例如，所选的历史交通服务订单全部发生在具有某种天气情况的日子中(如雨天、晴天等)。
在620，处理引擎112(如确定模块530)可以确定与历史交通服务订单的非量化特征相关的第一特征向量。
在一些实施例中，所述第一特征向量可以包括多个历史交通服务订单的非量化特征。进一步地，在一些实施例中，所述第一特征向量可以仅仅包括多个非量化特征。
非量化特征可以是未根据幅度描述的特征(如未通过幅值测量)或者是不能根据该幅度进行描述的特征，因此该特征不是量化的或者不能被量化。例如，用户的性别仅仅定性地描述为男性或女性。不能用幅值量化地描述为多少百分比的男性/女性，和/或用户是什么程度的男性/女性。在一些实施例中，非量化特征可以以非实值表达(如字母、字符串、代码、图表)的格式来描述。在一些实施例中，非量化特征也可被称为稀疏特征。
非量化特征可以包括但不限于非量化的用户特征、非量化的交易特征、非量化的路线特征、非量化的交通特征、非量化的新闻特征、非量化的车辆特征。非量化的用户特征可包括司机的ID、司机的性别(如男性)、司机的偏好(如偏好于晚上工作)、司机的评价(如耐心的)、乘客的姓名、乘客的性别、乘客的偏好等，或其任意组合。非量化的交易特征可包括支付方式等。非量化的路线特征可包括起始位置的地名(如时代广场)、上车位置的地名、目的地的地名、路线中的道路名、道路种类(如高速)、以及城市名等，或其任意组合。非量化的天气特征可包括对天气的描述(如雨天、热天)、空气质量等级(如良好)等，或其任意组合。非量化的天气特征可包括交通情况的描述(交通阻塞)、交通事故信息、以及交通限制等，或其任意组合。非量化的新闻特征可包括事件如音乐会、展览、比赛、促销等，或其任意组合的描述。非量化的车辆特征可以包括车型、车辆的颜色、车辆的品牌等，或其任意组合。
在一些实施例中，第一特征向量可被表达为一行或一列的向量。例如，特征向量可以是按照1×N行列式表达的行向量(如1×108行列式)。在一些实施例中，特征向量可对应N维坐标系。N维坐标系可与历史交通服务订单的N个项目或特征相关。在一些实施例中，处理引擎112可以一次处理一个或多个第一特征向量。例如，可以将m个第一特征向量(如，三个行向量)集成到1×mN的向量或mxN的矩阵中，其中m为整数。
在一些实施例中，处理引擎112可以确定历史服务订单相关的第一特征向量的结构化数据。所述第一特征向量的结构化数据可由处理引擎112根据B-树、哈希表等来构建或检索。在一些实施例中，结构化数据可以以数据库的形式存储或保存在存储设备160中。第一特征向量可用于生成多个训练样本。所述多个训练样本可形成训练集，所述训练集可用于发现潜在的预测关系或用于建立估计模型。
在630，处理引擎112(如确定模块530)可以确定与历史交通服务订单的量化特征相关的第二特征向量。
在一些实施例中，第二特征向量可包括多个历史交通服务订单的量化特征。进一步地，在一些实施例中，第二特征向量可仅仅包括多个量化特征。
所述可量特征可以是可通过幅度测定的特征，因此该特征通过实值表达(如数值、数学公式、数学模型等)来描述。相应地，量化特征可以是实际用一个或多个值来量化的可量化特征。量化特征可包括量化用户特征、量化交易特征、量化路线特征、量化天气特征、量化交通特征、量化新闻特征、量化车辆特征等，或其任意组合。
量化用户特征可包括司机的历史交通服务订单数目、由乘客评价的司机表现评分、乘客的历史交通服务订单数目、由司机评价的乘客表现评分等，或其任意组合。量化交易特征可包括预计费用、单价(如每单位距离的价格)、实际费用等，或其任意组合。量化特征路线特征可包括起始位置的坐标、起始时间、到达时间、持续时间、路程的距离、十字路口数目、有红绿灯的十字路口数目、无红绿灯的十字路口数目、小路的数目等，或其任意组合。量化天气特征可包括空气质量指数、温度、能见度、湿度、气压、风速、PM2.5指数等，或其任意组合。量化交通特征可包括车流量、交通事故数目、速度(如平均速度、瞬时速度)等，或其任意组合。量化新闻特征可包括事件的数目，如音乐会数目、比赛数目等，或其任意组合。量化车辆特征可包括车座数目、后备箱体积、负载量(如车辆可载产品的重量)等，或其任意组合。
在一些实施例中，如操作620所描述的，第二特征向量可由一列或一行的向量表示。在一些实施例中，如操作620所描述的，处理引擎112可以确定与历史服务订单相关的第二特征向量的结构化数据。
在640，处理引擎112(如训练模块520)可通过训练混合模型来确定和/或获得预计到达时间(ETA)混合模型。所述混合模型包括至少两个模型。所述至少两个模型可以是应用同一数学理论的模型。另选地，所述至少两个模型可以是应用不同数学理论的不同种类的模型。出于说明目的，本申请采用包含两种不同类型的模型的混合模型作为示例。
例如，所述混合模型可包括第一模型和第二模型。第一模型可采用第一特征向量(如非量化特征)作为输入；第二模型可采用第二特征因素(如量化特征)作为其输入。进一步地，第一模型可以是线性回归模型，第二模型可以是深度神经网络模型。分别如610和620所述的，第一特征向量可以是非实值特征向量，第二特征向量可以是实值特征向量。
在一些实施例中，处理引擎112可将与非量化特征相关的第一特征向量转变为二元特征向量。另外地或另选地，处理引擎112可将该二元特征向量输入第一训练模型中。特征向量中非量化特征对应的值可在二元特征向量中记为0或1。出于说明目的，假设非量化特征是司机的性别，对应于男性的值在特征向量中可为0，以及对应于女性的值在特征向量中可为1。
在一些实施例中，与非量化特征相关的第一特征向量可以被转变为实值向量，进而将其输入第二模型中训练。第一特征向量的转变可以根据非量化特征与实值之间对应的关系来执行。非量化特征与实值之间的对应关系可以记录在表格、图片、数学表达式等中。例如，司机的职业和实值之间的对应关系可以记录在职业和其对应的实值的对应表格(如查找表)中，所述对应表格存储于存储设备(如存储设备160)中。处理引擎112可从数据库中检索所述对应关系，并根据所述对应关系将与司机的职业相关的特征向量转变为实值特征向量。
在一些实施例中，处理引擎112可基于机器学习方法确定和/或训练预计到达时间混合模型。机器学习方法可包括人工神经网络算法、深度学习算法、判定树算法、关联规则算法、归纳逻辑程序算法、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、相似度度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等，或其任意组合。
在一些实施例中，预计到达时间混合模型可包括多个子混合模型。所述多个子混合模型中的每一个可对应于历史服务订单发生的和交付的预设场景。例如，所述预设场景可以是预设日期、一天中的时间段、地图中的地区、天气等，或其任意组合。例如，预计到达时间混合模型的第一子混合模型可对应于雨天。又例如，预计到达时间混合模型的第二子混合模型可对应于早上9:00至早上10:00。又例如，预计到达时间混合模型的第三子混合模型可对应于纽约市曼哈顿的工作日。
预计到达时间混合模型的子混合模型可以根据具有对应的特征的历史交通服务订单相关的数据来确定。例如，对应于雨天的第一子混合模型可以根据雨天发生的历史交通服务订单相关的数据来确定。又例如，对应于早上9:00至早上10:00的第二子混合模型可以根据具有对应的特征的历史交通服务订单相关的数据来确定，其中，该历史交通服务订单的起始时间和/或结束时间是在早上9:00至早上10:00。又例如，对应于纽约市曼哈顿的工作日的第三子混合模型可以根据具有对应的特征的历史交通服务订单相关的数据来确定，其中，所述历史交通服务订单发生在工作日，以及其起始位置或结束位置是在曼哈顿。
在一些实施例中，混合模型可以是Wide and Deep Learning(WDL)模型，该WDL模型包括和/或结合线性回归模型和深度神经网络(DNN)模型。与非量化特征相关的第一特征向量可以是线性回归模型的训练输入，与量化特征相关的第二特征向量可以是深度神经网络模型的训练输入。在一些实施例中，处理引擎112可基于损失函数(如预计到达时间混合模型生成的估计预计到达时间和历史交通服务订单的实际到达时间之间的差异)确定预计到达时间混合模型。在一些实施例中，可以使用线性回归模型和深度神经网络模型的输出的加权和作为预测值，或者使用它们的输出的对数的加权和作为预测值，以结合线性回归模型和深度神经网络模型。关于确定预计到达时间混合模型的更多描述可在本申请的其他地方找到(如图7及其描述)。关于WDL模型的更多模型可以在本申请的其他地方找到(如图8及其描述)。
在650，处理引擎112(如获取模块510)可获得与交通服务订单相关的第二数据。
交通服务订单可以是如610所描述的任何一个交通服务订单，所述交通服务订单的预计到达时间待确定。交通服务订单可以是实时交通服务订单、预约交通服务订单、待处理的交通服务订单。实时交通服务订单可以是要求提供者立刻或基本上立刻处理和开始服务的交通服务订单，和/或是请求者希望在当前时间或者预定时间接收服务的交通服务订单，所述预定时间对本领域普通技术人员来说相当接近当前时间。预约交通服务订单可指不要求提供者立刻开始服务，和/或请求者希望和/或期望在预定时间接收服务的交通服务订单，所述预定时间对本领域普通技术人员来说距离当前时间相当长。待处理交通服务订单可以是正在进行的交通服务订单，其当前由服务提供者正在处理。
与交通服务订单相关的第二数据可包括订单信息、交易信息、用户信息、地图信息、路线信息、车辆信息，和任何其他相关信息等，或其任意组合。处理引擎112可从按需服务系统100中的存储设备(如存储设备160)或另一系统(如，天气情况平台、交通导引平台、新闻平台)中获得第二数据。在一些实施例中，第二数据可以是结构数据，其由处理引擎112编码在一个或多个电信号中。与交通服务订单相关的第二数据可基本类似于610所描述的与交通服务订单相关的第一数据，在此不再赘述。
在660，处理引擎112(如确定模块530)可以确定与历史交通服务订单的非量化特征相关的第三特征向量。操作660可由基本类似于620的方式执行，在此不再赘述。
在670，处理引擎112(如确定模块530)可以确定与交通服务订单的量化特征相关的第四特征向量。操作670可由基本类似于630的方式执行，在此不再赘述。
在680，处理引擎112(如确定模块530)可以基于第三特征向量、第四特征向量以及包括第一模型和第二模型的预计到达时间混合模型来确定交通服务订单的预计到达时间。处理引擎112可将第三特征向量输入第一模型，将第四特征向量输入第二模型，来确定交通服务订单的预计到达时间。在一些实施例中，操作580可在电子设备上实施，如智能手机、个人数字助理(PDA)、平板计算机、笔记本电脑、计算机(车载计算机)、游戏便携站(PSP)、智能眼镜、智能手表、可穿戴设备、虚拟显示器设备、显示增强型设备(如GoogleTM眼镜、OculusRift、HoloLens或Gear VR)等，或其任意组合。
应当理解的是，上述过程600的描述仅仅是为说明的目的提供的，并不旨在限制本申请的范围。对于本领域的技术人员来说，可在不背离本申请原则的情况下对上述方法和系统的应用形式和细节作出各种修正和改变。
然而，这些修正和改变也落入本申请的范围内。在一些实施例中，可加入或省略一个或多个操作。例如，可省略操作650至680。又例如，可在680后执行附加操作，将交通服务订单的预计到达时间通过网络120发送到至少一个终端(如，请求者终端130、提供者终端140)。在一些实施例中，流程600中的操作顺序可以改变。例如，可以同时或者以任何顺序执行620和630。
在一些实施例中，620之前，处理引擎112可以确定与历史交通服务订单特征相关的特征向量。所述特征向量可以包括历史交通服务订单的非量化特征和量化特征。处理引擎112可以基于特征向量确定与非量化特征关联的第一特征向量，以及与量化特征相关的第二特征向量。
在一些实施例中，如640所描述的，预计到达时间混合模型可包括多个子混合模型。每一个子混合模型可对应日期、一天中的时间段、地图中的地区、天气等，或其任意组合。在680，处理引擎112可选择对应于交通服务订单的子混合模型，并可根据第三特征向量、第四特征向量和所选的子混合模型确定交通服务订单的预计到达时间。对应于交通服务订单的子混合模型可基于交通服务订单的特征(如日期、一天中的时间段、地图中的地区、天气等)来选择。例如，处理引擎112可以确定交通服务订单起始位置的地区或交通服务订单结束位置所在的地区，并根据该起始位置或结束位置来选择对应于地图中的该地区的预计到达时间子混合模型。又例如，处理引擎112可确定交通服务订单的起始时间结束时间所在的时间段，并根据起始时间和结束时间确定与该时间段对应的预计到达时间子混合模型。
图7是根据本申请的一些实施例所示的一种用于确定预计到达时间的混合模型的示例性过程700。过程700可由按需服务系统100执行。例如，过程700可实施为储存在存储设备160中的一组指令(例如，应用程序)。处理引擎112可执行该组指令，进而可相应地被指示为在在线按需服务平台上执行过程700。所述平台可以是一种通过互联网连接按需服务的提供者和请求者的基于互联网的平台。在一些实施例中，过程700可以是图6所示操作640中的一个实施例。
在710，处理引擎112(如训练模块520)可以获得与历史交通服务订单相关的数据。操作710可以通过基本类似于图6中所描述的610的方式执行。在此不再赘述。
在720，处理引擎112(如训练模块520)可以确定与历史交通服务订单非量化特征相关的第一特征向量。操作720可以通过基本类似于图6中所描述的620的方式执行，在此不再赘述。
在730，处理引擎112(如训练模块520)可以确定与历史交通服务订单量化特征相关的第二特征向量。操作730可以通过基本类似于图6中所描述的630的方式执行。在此不再赘述。
在740，处理引擎112(如训练模块520)可获得历史交通服务订单的实际到达时间(ATA)。处理引擎112可以通过网络120从存储设备160中获得历史交通服务订单的实际到达时间。所述历史交通服务订单的实际到达时间可以是提供者让乘客下车的时间点。
在750，处理引擎112(如训练模块520)可以获得包括第一模型和第二模型的混合模型。所述混合模型可以包括由按需服务系统100设置的默认值或者可以在不同条件下进行调整。所述混合模型可以以是WDL模型，该WDL模型包括图8所示的线性回归模型和深度神经网络模型。所述WDL模型可以包括多个初始参数，例如，核的数目、每个核的大小、处理层的数目、第一模型和第二模型的权重等。混合模型的初始参数可以包括按需服务系统100设置的默认值或可在不同条件下进行调整。
在760，基于历史交通服务订单的混合模型、第一特征向量和第二特征向量，处理引擎112可以确定和/或选择历史交通服务订单的样本预计到达时间。处理引擎112可以将第一特征向量输入第一模型中、将第二特征向量输入第二模型中，以及可以基于所述多个参数确定样本预计到达时间。在一些实施例中，结合操作640所描述的，第一特征向量可以转变成实值向量并被输入第二模型中。在一些实施例中，样本预计到达时间可以以是第一模型的输出和第二模型的输出的加权和。
在770，处理引擎112(如训练模块520)可以基于实际到达时间和样本预计到达时间确定损失函数。损失函数可以显示混合模型的准确率。在一些实施例中，处理引擎112可以基于实际到达时间和样本预计到达时间之间的差异确定损失函数。实际到达时间和样本预计到达时间之间的差异可以基于算法来确定，所述算法包括，例如，平均绝对百分比误差(MAPE)、均方误差(MSE)、均方根误差(RMSE)等，或其任意组合。仅作为示例，处理引擎112可根据下文所描述的方程(1)，基于平均绝对百分比误差来确定损失函数：
其中，ETAs指样本预计到达时间。
在780，处理引擎112(如训练模块520)可以确定损失函数(实际到达时间和样本预计到达时间之间的差异)的值是否小于阈值。所述阈值可以是按需服务系统100设置的默认值或者可在不同条件下进行调整。
响应于损失函数的值小于阈值的确定结果，在790中，处理引擎112可以将混合模型存储为已训练的预计到达时间混合模型。在一些实施例中，处理引擎112可以将已训练的预计到达时间混合模型存储为结构化数据。预计到达时间混合模型的结构化数据可以由处理引擎112根据B-树或哈希表构建或检索。在一些实施例中，结构化数据可以以数据库的形式存储或保存在存储设备160中。
另一方面，响应于损失函数的值大于或等于阈值的确定结果，处理引擎112可以返回至750执行流程700以更新混合模型，直至损失函数的值小于阈值。例如，处理引擎112可以更新多个初始参数(如核函数数目、每个核函数的带宽、处理层数目、第一模型和第二模型的权重)。进一步地，如果处理引擎112根据已更新的参数确定损失函数的值小于阈值，那么处理引擎112可以将已更新的混合模型存储为流程790已训练的混合模型。另一方面，如果处理引擎112基于已更新的参数确定损失函数的值大于阈值，那么处理引擎112可以仍返回750执行流程700，以进一步更新参数。步骤750-780的迭代会持续进行，直至处理引擎112基于最新已更新的参数确定损失函数的值小于阈值，并且处理引擎112可以将已更新的初始混合模型存储为已训练的神经网络模型。
图8是根据本申请的一些实施例所示的示例性的预计到达时间的WDL模型的示意图。所述WDL模型可包括宽度组件(图8中所示的最左侧的组件)和深度组件(图8中所示的最右侧的组件)。
在一些实施例中，所述宽度组件可以是线性回归模型，深度组件可以是深度神经网络模型。WDL模型可包括第一输入层810和输出层840。深度神经网络模型可以进一步包括第二输入层820和隐藏层830。第二输入层820还可以被称为深度神经网络模型的密集嵌入。第一输入层810、第二输入层820以及输出层840分别可以包括一个或多个人工神经元(如图8所示的圆圈)。在一些实施例中，第一输入层810可以以是稀疏、非实值特征向量(如与历史交通服务订单非量化特征相关的第一特征向量)的输入层。第二输入层820可以以是密集、实值特征向量(如与历史交通服务订单量化特征相关的第二特征向量)的输入层。
线性回归模型可以用下述方程(2)来描述：
y＝wTx+b, 方程(2)
其中x＝[x1；x2；…,xd]指包括d个特征的特征向量；W＝[w1；w2；…；wd]指与线性回归模型相关的参数；b是线性回归模型的偏置；以及y指线性回归模型的输出。
如图6所述，输入线性回归模型中的特征向量可以是第一特征向量，所述第一特征向量与历史交通服务订单的非量化特征有关。在一些实施例中，所述第一特征向量可转换为二元第一特征向量，进一步被输入线性回归模型中。所述二元第一特征向量可以基于下述转换方程(3)来确定：
其中，Cki指布尔变量，当第i特征包含在第k变量中时，所述布尔变量等于1，否则等于0。
仅仅是示范例，对于如司机的性别的二元非量化特征来说，司机的性别是女性时转换方程(如性别＝女性)可等于1，司机的性别是男性时转换方程则等于0。或者，司机的性别是女性时转换方程(如性别＝女性)可等于0，司机的性别是男性时转换方程(如性别＝女性)则等于1。
在深度神经网络模型中，第i层的每个人工神经元可以与第(i-1)层的每个人工神经元连接，以及第i层的每个人工神经元可以与第(i+1)层的每个人工神经元连接。
深度神经网络模型的输入第二输入层的特征向量可包括第二特征向量，该第二特征向量与图6中所描述的历史交通服务订单的量化特征相关。所述第二特征向量可以是实值向量。另外地或另选地，深度神经网络模型中，输入第二输入层的特征向量可以包括与非量化特征相关的已转换的第一特征向量。结合图6所描述的操作640，可以基于非量化特征与实值之间对应的关系将第一特征向量转换为实值向量，以此构建已转换的第一特征向量。
所述第二特征向量或已转换的第一特征向量可被随机初始化，并进一步被输入至第二输入层。第二特征向量或已转换的第一特征向量的值可在训练中确定，以使混合模型的损失函数(如图7所描述的)最小化。第二特征向量或已转换的第一特征向量可以向前被输入深度神经网络模型的隐藏层。最后隐藏的输出向量可以是深度神经网络模型的输出。每个隐藏层可执行下述方程(4)：
a(l+1)＝f(W(l)a(l)+b(l)) 方程(4),
其中，l指层数；f指激活函数(如ReLU激活函数)；a(l)指第l层的输出向量；b(l)指第l层深度神经网络模型的偏置；W(l)指第l层深度神经网络模型的权重。
线性回归模型和深度神经网络模型的输出的加权和可以作为预测值，以将所述两者模型进行结合，所述预测值可以进一步提供给用于训练的损失函数。另选地，可以使用线性回归模型和深度神经网络模型的输出对数几率的加权和，以将该两者模型结合为预测值，进一步，该预测值输出给损失函数用于训练。
在训练中，与线性回归模型相关的参数、与深度神经网络模型相关的参数及其两者和的权重均可以被优化。在一些实施例中，可以利用mini-batch随机优化，将梯度从输出中同时反向传播给线性回归模型和WDL模型，以训练线性回归模型和深度神经网络模型。例如，WDL模型可基于Follow-the-regularized-leader(FTRL)算法来训练。
应当理解的是，图8所示的WDL模型仅仅是为说明的目的提供的，并不旨在限制本申请的范围。对于本领域的技术人员来说，可在不背离本申请原则的情况下对上述方法和系统的应用形式和细节作出各种修正和改变。例如，深度神经网络模型可以有任何隐藏层数。又例如，深度神经网络模型可通过深度学习方法来修正或训练。
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。
此外，本申请使用了特定术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“单元”、“模块”、或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括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。该传播信号可能有多种表现形式，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，该介质可以通过连接至一个指令执行系统、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、光纤缆线、射频信号等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语言、Visual Basic、Fortran 2003、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。该程序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(例如通过使用网络服务供应商的因特网)，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，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)

1.一种系统，包含：
至少一个非暂时性计算机可读存储介质，所述至少一个非暂时性计算机可读介质包括一组指令集；
至少一个处理器，所述至少一个处理器与所述至少一个非暂时性计算机可读存储介质进行通讯，其中，在执行所述组指令集时，所述至少一个处理器被指示为：
获取至少一个第一特征向量，所述至少一个第一特征向量与历史交通服务订单的至少一个非量化特征有关；
获取至少一个第二特征向量，所述至少一个第二特征向量与所述历史交通服务订单的至少一个量化特征有关；
通过训练混合模型来获得已训练的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一个第一特征向量是所述第一模型的输入，所述至少一个第二特征向量是所述第二模型的输入；以及
指示所述至少一个存储介质存储所述已训练的混合模型。
2.根据权利要求1所述的系统，其中所述混合模型是预计到达时间(ETA)的WDL(WDL)模型；
所述第一模型是线性回归模型；以及
所述第二模型是深度神经网络模型。
3.根据权利要求2所述的系统，其中所述预计到达时间的WDL模型包括多个WDL子模型，所述多个WDL子模型的每个WDL子模型对应一天中的时间段或地图中的地区中的至少一个。
4.根据权利要求2所述的系统，其中为了获取已训练的预计到达时间的WDL模型，所述至少一个处理器进一步被指示为：
获取所述历史交通服务订单的实际到达时间(ATA)；
获取所述WDL模型；
基于所述WDL模型、所述第一特征向量，和所述第二特征向量，确定所述历史交通服务订单的样本预计到达时间；
基于所述实际到达时间和样本预计到达时间，确定损失函数；
确定所述损失函数的值是否小于阈值；以及
响应于损失函数的值小于所述阈值的确定结果，将所述WDL模型存储为所述已训练的预计到达时间的WDL模型。
5.根据权利要求4所述的系统，其中所述损失函数是平均绝对百分比误差(MAPE)函数。
6.根据权利要求1所述的系统，其中所述至少一个非量化特征包括用户的ID、用户的性别、用户的偏好、用户的评价、支付方式、起始位置的地名、上车位置的地名、目的地的地名、路线中的道路名、道路种类、城市名、天气的描述、空气质量等级、交通情况的描述、交通限制、事件的描述、车型、车辆的颜色，或者车辆的品牌中的至少一种。
7.根据权利要求1所述的系统，其中，所述至少一个量化特征包括用户历史行程服务订单数目、用户的表现评分、预计费用、单价、实际费用、起始位置的坐标、起始时间、到达时间、持续时间、路程的距离、十字路口数目、有红绿灯的十字路口数目、无红绿灯的十字路口数目、小路数目、空气质量指数、温度、能见度、湿度、气压、风速、PM2.5指数、交通量、交通事故数目、速度、事件数目、车座数目、后备箱体积，或负载量中的至少一个。
8.一种藉由计算设备实施的方法，所述计算设备包括至少一个处理器、至少一个非暂时性计算机可读存储介质，和连接至网络的通讯平台，所述方法包括：
获取至少一个第一特征向量，所述至少一个第一特征向量与历史交通服务订单的至少一个非量化特征有关；
获取至少一个第二特征向量，所述至少一个第二特征向量与所述历史交通服务订单的至少一个量化特征有关；
通过训练混合模型获得已训练的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一个第一特征向量是所述第一模型的输入，所述至少一个第二特征向量是所述第二模型的输入；以及
指示所述至少一个存储介质存储所述已训练的混合模型。
9.根据权利要求8所述的方法，其中所述混合模型是预计到达时间(ETA)的WDL(WDL)模型；
所述第一模型是线性回归模型；以及
所述第二模型是深度神经网络模型。
10.根据权利要求9所述的方法，其中所述预计到达时间的WDL模型包括多个WDL子模型，所述多个WDL子模型的每个WDL子模型对应一天中的时间段或地图中的地区中的至少一个。
11.根据权利要求9所述的方法，其中为了获取已训练的预计到达时间的WDL模型，所述至少一个处理器进一步被指示为：
获取所述历史交通服务订单的实际到达时间(ATA)；
获取所述WDL模型；
基于所述WDL模型，所述第一特征向量，和所述第二特征向量，确定所述历史交通服务订单的样本预计到达时间；
基于所述实际到达时间和样本预计到达时间，确定损失函数；
确定所述损失函数的值是否小于阈值；以及
响应于损失函数的值小于所述阈值的确定结果，将所述WDL模型存储为所述已训练的预计到达时间的WDL模型。
12.根据权利要求11所述的方法，其中所述损失函数是平均绝对百分比误差函数。
13.根据权利要求8所述的方法，其中所述至少一个非量化特征包括用户的ID、用户的性别、用户的偏好、用户的评价、支付方式、起始位置的地名、上车位置的地名、目的地的地名、路线中的道路名、道路种类、城市名、天气的描述、空气质量等级、交通情况的描述、交通限制、事件的描述、车型、车辆的颜色，或者车辆的品牌中的至少一种。
14.根据权利要求8所述的方法，其中，所述至少一个量化特征包括用户历史行程服务订单数目、用户的表现评分、预计费用、单价、实际费用、起始位置的坐标、起始时间、到达时间、持续时间、路程的距离、十字路口数目、有红绿灯的十字路口数目、无红绿灯的十字路口数目、小路数目、空气质量指数、温度、能见度、湿度、气压、风速、PM2.5指数、交通量、交通事故数目、速度、事件数目、车座数目、后备箱体积，或负载量中的至少一个。
15.一种非暂时性计算机可读存储介质，所述非暂时性计算机可读介质包含指令集，在被至少一个处理器访问时，所述至少一个处理器被指示为：
获取至少一个第一特征向量，所述至少一个第一特征向量与历史交通服务订单的至少一个非量化特征有关；
获取至少一个第二特征向量，所述至少一个第二特征向量与所述历史交通服务订单的至少一个量化特征有关；
通过训练混合模型获得已训练的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一个第一特征向量是所述第一模型的输入，所述至少一个第二特征向量是所述第二模型的输入；以及
指示所述至少一个存储介质存储所述已训练的混合模型。
16.根据权利要求15所述的非暂时性计算机可读介质，其中所述混合模型是预计到达时间(ETA)的WDL(WDL)模型；
所述第一模型是线性回归模型；以及
所述第二模型是深度神经网络模型。
17.根据权利要求16所述的非暂时性计算机可读介质，其中为了获取已训练的预计到达时间的WDL模型，所述至少一个处理器进一步被指示为：
获取所述历史交通服务订单的实际到达时间(ATA)；
获取所述WDL模型；
基于所述WDL模型，所述第一特征向量，和所述第二特征向量，确定所述历史交通服务订单的样本预计到达时间；
基于所述实际到达时间和样本预计到达时间，确定损失函数；
确定所述损失函数的值是否小于阈值；以及
响应于损失函数的值小于所述阈值的确定结果，将所述WDL模型存储为所述已训练的预计到达时间的WDL模型。
18.根据权利要求17所述的非暂时性计算机可读介质，其中所述损失函数是平均绝对百分比误差函数。
19.根据权利要求15所述的非暂时性计算机可读介质，其中所述至少一个非量化特征包括用户的ID、用户的性别、用户的偏好、用户的评价、支付方式、起始位置的地名、上车位置的地名、目的地的地名、路线中的道路名、道路种类、城市名、天气的描述、空气质量等级、交通情况的描述、交通限制、事件的描述、车型、车辆的颜色，或者车辆的品牌中的至少一种。
20.根据权利要求15所述的非暂时性计算机可读介质，其中，所述至少一个量化特征包括用户历史行程服务订单数目、用户的表现评分、预计费用、单价、实际费用、起始位置的坐标、起始时间、到达时间、持续时间、路程的距离、十字路口数目、有红绿灯的十字路口数目、无红绿灯的十字路口数目、小路数目、空气质量指数、温度、能见度、湿度、气压、风速、PM2.5指数、交通量、交通事故数目、速度、事件数目、车座数目、后备箱体积，或负载量中的至少一个。
CN201780018651.5A 2017-06-13 2017-06-13 用于推荐预计到达时间的系统和方法 Active CN109416878B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/088048 WO2018227368A1 (en) 2017-06-13 2017-06-13 Systems and methods for recommending an estimated time of arrival

Publications (2)

Publication Number Publication Date
CN109416878A true CN109416878A (zh) 2019-03-01
CN109416878B CN109416878B (zh) 2022-04-12

Family

ID=64659710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780018651.5A Active CN109416878B (zh) 2017-06-13 2017-06-13 用于推荐预计到达时间的系统和方法

Country Status (5)

Country Link
US (1) US20200011692A1 (zh)
EP (1) EP3586285A1 (zh)
CN (1) CN109416878B (zh)
TW (1) TWI670677B (zh)
WO (1) WO2018227368A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263973A (zh) * 2019-05-15 2019-09-20 阿里巴巴集团控股有限公司 预测用户行为的方法及装置
CN111784475A (zh) * 2020-07-06 2020-10-16 北京嘀嘀无限科技发展有限公司 一种订单信息处理方法、系统、装置及存储介质
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
CN111862585A (zh) * 2019-07-23 2020-10-30 北京嘀嘀无限科技发展有限公司 用于交通预测的系统和方法
CN111860903A (zh) * 2019-09-18 2020-10-30 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
CN112541246A (zh) * 2019-09-20 2021-03-23 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
CN112686418A (zh) * 2019-10-18 2021-04-20 北京京东振世信息技术有限公司 一种履约时效预测方法和装置
CN113112059A (zh) * 2021-03-31 2021-07-13 亿海蓝（北京）数据技术股份公司 船舶靠泊时间预测方法及系统
CN113313439A (zh) * 2020-02-26 2021-08-27 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10816351B1 (en) * 2017-07-14 2020-10-27 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US11015952B1 (en) 2017-09-27 2021-05-25 United Services Automobile Association (Usaa) Systems and methods for transportation management
US11037055B2 (en) * 2017-10-30 2021-06-15 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
CN111598642A (zh) * 2019-02-21 2020-08-28 北京嘀嘀无限科技发展有限公司 一种风险判定方法、系统、装置及存储介质
CN110569227B (zh) * 2019-08-09 2020-08-14 阿里巴巴集团控股有限公司 模型参数确定方法、装置和电子设备
US20220034667A1 (en) * 2020-07-30 2022-02-03 Here Global B.V. Method, apparatus, and computer program product for estimating a time-of-arrival at a destination
KR20220073896A (ko) * 2020-11-26 2022-06-03 현대자동차주식회사 차량의 주행 제어 장치 및 방법
CN113011672B (zh) * 2021-03-29 2024-04-19 上海寻梦信息技术有限公司 物流时效预测方法、装置、电子设备及存储介质
US20220343248A1 (en) * 2021-04-26 2022-10-27 GoBrands, Inc. Systems and methods of predicting estimated times of arrival based on historical information
TWI773507B (zh) * 2021-09-01 2022-08-01 國立陽明交通大學 預測系統可靠度之方法與裝置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI452540B (zh) * 2010-12-09 2014-09-11 Ind Tech Res Inst 影像式之交通參數偵測系統與方法及電腦程式產品
CN102646332B (zh) * 2011-02-21 2014-03-12 日电（中国）有限公司 基于数据融合的交通状态估计装置和方法
US8909476B2 (en) * 2012-03-22 2014-12-09 Here Global B.V. Method and apparatus for recommending content based on a travel route
TWI522974B (zh) * 2014-10-06 2016-02-21 Chunghwa Telecom Co Ltd 到站時間預測系統與方法
JP6437815B2 (ja) * 2014-12-22 2018-12-12 株式会社ゼンリンデータコム 情報処理システム、及び情報処理方法
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
US10769742B2 (en) * 2015-01-20 2020-09-08 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for providing information for an on-demand service
SG11201706188YA (en) * 2015-01-29 2017-08-30 Beijing Didi Infinity Tech And Dev Co Ltd Order allocation system and method
US20160284349A1 (en) * 2015-03-26 2016-09-29 Binuraj Ravindran Method and system of environment sensitive automatic speech recognition
US10019671B2 (en) * 2015-06-12 2018-07-10 Conduent Business Services, Llc Learning mobility user choice and demand models from public transport fare collection data
EP3335160A1 (en) * 2015-08-14 2018-06-20 Qualcomm Incorporated Using normalized confidence values for classifying mobile device behaviors
CN106485935B (zh) * 2016-12-26 2019-04-05 重庆西楚智捷科技有限公司 一种基于gps预测公交到站时间的方法
WO2018228541A1 (en) * 2017-06-16 2018-12-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for allocating service requests
WO2019089985A1 (en) * 2017-11-01 2019-05-09 Avis Budget Car Rental, LLC Connected user communication and interface system with shuttle tracking application
CA3028278A1 (en) * 2017-11-23 2019-05-23 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for estimating arrival time
US11704608B2 (en) * 2017-12-29 2023-07-18 Lyft, Inc. Session-based transportation dispatch

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263973A (zh) * 2019-05-15 2019-09-20 阿里巴巴集团控股有限公司 预测用户行为的方法及装置
CN110263973B (zh) * 2019-05-15 2024-02-02 创新先进技术有限公司 预测用户行为的方法及装置
CN111862585B (zh) * 2019-07-23 2021-11-02 北京嘀嘀无限科技发展有限公司 用于交通预测的系统和方法
CN111862585A (zh) * 2019-07-23 2020-10-30 北京嘀嘀无限科技发展有限公司 用于交通预测的系统和方法
CN111860903A (zh) * 2019-09-18 2020-10-30 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
CN112541246A (zh) * 2019-09-20 2021-03-23 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
CN112686418A (zh) * 2019-10-18 2021-04-20 北京京东振世信息技术有限公司 一种履约时效预测方法和装置
CN113313439A (zh) * 2020-02-26 2021-08-27 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
CN113313439B (zh) * 2020-02-26 2024-04-05 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
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
CN111784475A (zh) * 2020-07-06 2020-10-16 北京嘀嘀无限科技发展有限公司 一种订单信息处理方法、系统、装置及存储介质
CN113112059A (zh) * 2021-03-31 2021-07-13 亿海蓝（北京）数据技术股份公司 船舶靠泊时间预测方法及系统

Also Published As

Publication number Publication date
EP3586285A4 (en) 2020-01-01
US20200011692A1 (en) 2020-01-09
TWI670677B (zh) 2019-09-01
CN109416878B (zh) 2022-04-12
EP3586285A1 (en) 2020-01-01
TW201903704A (zh) 2019-01-16
WO2018227368A1 (en) 2018-12-20

Similar Documents

Publication Publication Date Title
CN109416878A (zh) 用于推荐预计到达时间的系统和方法
AU2020201991B2 (en) Systems and methods for recommending an estimated time of arrival
US10989548B2 (en) Systems and methods for determining estimated time of arrival
US11085792B2 (en) Systems and methods for determining estimated time of arrival
TWI673659B (zh) 用於確定預估到達時間的電子系統和方法及相關的非暫時性電腦可讀取媒體
CN108934181A (zh) 用于路径搜索的系统和方法
CN110140135A (zh) 信息处理方法、信息处理系统和信息处理装置
CN109791731A (zh) 一种预估到达时间的方法和系统
CN109313742A (zh) 确定预估到达时间的方法及系统
CN114041129A (zh) 确定上车点名称的系统和方法
WO2022087767A1 (en) Systems and methods for recommending pick-up locations
CN113924460A (zh) 确定服务请求的推荐信息的系统和方法

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