CN109478364A - 确定预计到达时间的方法及系统 - Google Patents

确定预计到达时间的方法及系统 Download PDF

Info

Publication number
CN109478364A
CN109478364A CN201780017052.1A CN201780017052A CN109478364A CN 109478364 A CN109478364 A CN 109478364A CN 201780017052 A CN201780017052 A CN 201780017052A CN 109478364 A CN109478364 A CN 109478364A
Authority
CN
China
Prior art keywords
feature
history
route
learning model
machine learning
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
CN201780017052.1A
Other languages
English (en)
Other versions
CN109478364B (zh
Inventor
仲小伟
王子腾
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 CN109478364A publication Critical patent/CN109478364A/zh
Application granted granted Critical
Publication of CN109478364B publication Critical patent/CN109478364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • 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
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Social Psychology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本申请涉及用于确定预计到达时间的方法和系统。该方法包括：从终端设备接收包括出发地和目的地的服务请求；基于所述出发地和所述目的地确定路线；确定与所述路线相关联的第一特征；确定迁移学习模型；基于所述第一特征和所述迁移学习模型确定第二特征；以及基于所述第二特征确定预计到达时间。

Description

确定预计到达时间的方法及系统
技术领域
本申请涉及用于确定预计到达时间的系统和方法，具体地，涉及基于机器学习确定预计到达时间的系统和方法。
背景技术
利用互联网技术的按需运输服务，例如在线出租车呼叫服务，由于其便捷性而变得越来越流行。在按需运输服务中，在确定出发地和目的地之后，服务请求者可能想知道预计到达时间(全称：Estimated Time of Arrival，简称：ETA)和/或预估价格。根据ETA和/或预估价格，服务请求者可以决定是否发送该服务请求。因此有必要提供能够为服务请求者提供更准确ETA和/或预估价格的系统和方法。
发明内容
根据本申请的一个方面，提供了一种系统。所述系统包括：至少一个计算机可读存储介质，包括用于管理服务提供的一组指令。所述至少一个处理器可以与所述至少一个存储介质通信。当执行所述一组指令时，所述至少一个处理器可以从终端设备接收包括出发地和目的地的服务请求。所述至少一个处理器可以基于所述出发地和所述目的地来确定路线。所述至少一个处理器可以确定与所述路线相关联的第一特征。所述至少一个处理器可以确定迁移学习模型。所述至少一个处理器可以基于所述第一特征和所述迁移学习模型确定第二特征。所述至少一个处理器可以根据所述第二特征确定预计到达时间。
根据本申请的另一方面，提供了一种方法。所述方法涉及确定预计到达时间的方法。所述方法在至少一个设备上实现，所述每个设备包括至少一个处理器、存储器和连接到网络的通信平台。所述至少一个处理器可以从终端设备接收包括出发地和目的地的服务请求。所述至少一个处理器可以基于出发地和目的地确定路线、与所述路线相关联的第一特征以及迁移学习模型。所述至少一个处理器可以基于所述第一特征和所述迁移学习模型来确定第二特征。所述至少一个处理器可以基于所述第二特征确定预计到达时间。
根据本申请的另一方面，一种非暂时性机器可读存储介质，包括一组指令。当请求者终端由在线按需服务平台的至少一个处理器访问非暂时性机器可读存储介质时，所述指令可以使得所述至少一个处理器执行以下操作中的一个或多个。所述指令可以使所述至少一个处理器通过无线网络获得包括当前默认服务位置的按需服务的请求。所述指令可以使得所述至少一个处理器从终端设备接收包括出发地和目的地的服务请求。所述指令可以使所述至少一个处理器基于出发地和目的地确定路线。所述指令可以使所述至少一个处理器确定与所述路线相关联的第一特征。所述指令可以使所述至少一个处理器确定迁移学习模型。所述指令可以使所述至少一个处理器基于所述第一特征和所述迁移学习模型来确定第二特征。所述指令可以使所述至少一个处理器基于所述第二特征来确定预计到达时间。
在一些实施例中，基于第二特征来确定预计到达时间还可以包括一个或多个操作。所述至少一个处理器可以确定机器学习模型。所述至少一个处理器可以基于所述第二特征和所述机器学习模型确定预计到达时间。
在一些实施例中，确定机器学习模型可以进一步包括一个或多个操作。所述至少一个处理器可以获得多个历史订单。对于所述多个历史订单中的每一个，所述至少一个处理器可以确定与所述多个历史订单中的每一个相关联的第二历史路线。所述至少一个处理器可以确定与所述第二历史路线相关联的第二历史特征。所述至少一个处理器可以确定与所述多个历史订单中的每一个相关联的历史到达时间。所述至少一个处理器可以基于所述第二历史特征、与所述多个历史订单中的每一个相关联的所述历史到达时间训练所述机器学习模型，并且基于所述训练确定机器学习模型。
在一些实施例中，所述至少一个处理器可以基于第二特征确定预估价格。
在一些实施例中，基于第二特征确定第一预估价格还可以包括一个或多个操作。所述至少一个处理器可以确定机器学习模型。所述至少一个处理器可以基于所述第二特征和所述机器学习模型确定所述预估价格。
在一些实施例中，机器学习模型的确定还可以包括一个或多个操作。所述至少一个处理器可以获得多个历史订单。对于所述多个历史订单中的每一个，所述至少一个处理器可以确定与所述多个历史订单中的每一个相关联的第二历史路线、与所述第二历史路线相关联的第二历史特征以及与所述多个历史订单中的每一个相关联的历史价格。所述至少一个处理器可以基于所述第二历史特征、与所述多个历史订单中的每一个相关联的所述历史价格来训练机器学习模型。所述至少一个处理器可以基于所述训练来确定机器学习模型。
在一些实施例中，基于出发地和目的地确定路线可以进一步包括基于地图信息确定路线。
在一些实施例中，迁移学习模型的确定还可以包括一个或多个操作。所述至少一个处理器可以获得多个历史订单。对于所述多个历史订单中的每一个，所述至少一个处理器可以确定与所述多个历史订单中的每一个相关联的第一历史路线。所述至少一个处理器可以确定与所述第一历史路线相关联的第一历史特征，与所述多个历史订单中的每一个相关联的第二历史路线以及与历史路线相关联的第二历史特征。所述至少一个处理器可以基于所述第一历史特征和所述第二历史特征来训练所述迁移学习模型，并且基于所述训练来确定所述迁移学习模型。
在一些实施例中，与路线相关联的第一特征可以包括订单特征、地图特征、司机特征或交通特征中的至少一个。
在一些实施例中，第二特征可以包括位置特征、时间特征、司机特征或交通特征中的至少一个。
其他特征将在接下来的描述中部分阐述，并且对于本领域技术人员来说，在查阅下文和附图时将部分地变得显而易见，或者可以通过示例的生产或操作而被学习。本申请的特征可以通过实践或使用在下面讨论的详细示例中阐述的方法、手段和组合的各个方面来实现和获得。
附图说明
本申请通过示例性实施例进行进一步描述。这些示例性实施例将参考附图进行详细描述。这些实施例是非限制性的示例性实施例，其中相同的附图标记在附图的多个视图中表示相似的结构，并且其中：
图1是根据本申请的一些实施例所示的一种示例性按需服务系统的示意图；
图2描绘了可以在其上实现本申请的移动设备的架构；
图3是根据本申请一些实施例所示的一种示例性计算设备的示意图；
图4A是根据本申请的一些实施例所示的一种示例性处理引擎的模块图；
图4B是根据本申请的一些实施例所示的一种示例性确定模块的模块图；
图5是根据本申请的一些实施例所示的用于确定ETA和/或预估价格的示例性过程的流程图；
图6是根据本申请的一些实施例所示的用于确定迁移学习模型的示例性过程的流程图；
图7是根据本申请的一些实施例所示的用于确定机器学习模型的示例性过程的流程图；以及
图8是根据本申请的一些实施例所示的呈现预计到达时间和/或预估价格的示例性用户界面的示意图。
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场景及其要求的背景下提供的。对于本领域的普通技术人员来讲，对本申请披露的实施例进行的各种修改是显而易见的，并且在不背离本申请的精神和范围之下，本申请定义的通则可以适用于其他实施例和应用。因此，本申请不限于所示的实施例，而是符合与权利要求一致的最广泛范围。
本申请所使用的术语仅为了描述特定实施例，并不限制本申请的范围。如本文所使用的，除非上下文另外清楚地指出，否则单数形式“一”，“一个”和“该”也可以包括复数形式。应当理解的是，如在本说明书中所示，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、元件和/或部件，但并不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、部件和/或其组合的情况。
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、相关元件的功能和制造的经济更加显而易见，这些都构成本申请的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应该理解的是，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。应该理解的是，流程图的操作可以不按顺序执行。相反，这些操作可以以相反的顺序或同时执行。此外，可以将一个或多个其他操作添加到流程图中。一个或多个操作可以从流程图中删除。
此外，虽然本申请中的系统和方法主要是关于分配一组可共享订单，应该理解的是，这只是一个示例性实施例。本申请的系统和方法可以适用于其他任一种按需服务。例如，本申请的系统和方法可以应用于不同环境下的运输系统，包括陆地、海洋、航空航天等或其任意组合。该运输系统中的使用的交通工具可包括出租车、私家车、顺风车、公共汽车、火车、动车、高铁、地铁、船只、飞机、太空船、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应用管理和/或分配的任一运输系统，例如，发送和/或接收快递的系统。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、定制系统、内部分析系统、人工智能机器人或类似物或其任意组合。
本申请中的术语“乘客”、“请求者”、“服务请求者”和“客户”可互换使用，用于表示请求或订购服务的个人、实体或工具。而且，本申请中的术语“驱动程序”、“提供者”、“服务提供者”和“供应者”可互换地用于指代可提供服务或促进服务提供的个体、实体或工具服务。在本申请中，术语“用户”可以表示可以请求服务、预定服务、提供服务或促进所述服务提供的个体、实体或工具。例如，用户可以是乘客、司机、操作者等或上述举例的任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，而且“司机”和“司机终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换用于表示由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应者等或其任意组合发起的请求。服务请求可以由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者或供应者中的任何一个接受。所述服务请求可以是收费的或免费的。
本申请中使用的定位技术可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WiFi)定位技术等或其任意组合。上述定位技术中的一种或者多种可在本申请中互换使用。
根据本申请的一个方面，提供了用于确定预计到达时间(ETA)的系统和方法。系统收到来自终端设备的服务请求。所述系统根据所述服务请求确定路线。所述系统确定与所述路线相关的第一个特征。所述系统确定迁移学习模型。所述系统基于第一特征和迁移学习模型确定第二特征。所述系统基于第二特征确定对应于服务请求的ETA和/或预估价格。所述系统根据所述服务请求将ETA和/或预估的价格传输到终端设备。所述系统应用机器学习模型并结合第二个特征来确定ETA和/或预估价格。通过提供更准确的ETA和/或预估价格，单一需求服务的用户体验得到改善。
应当注意的是，网上按需运输服务，如包括出租车联程服务在内的在线出租车，是基于后互联网时代的一种新型服务形式。它为只在后互联网时代增长的用户和服务提供者提供技术解决方案。在前互联网时代，当用户在街上打车时，出租车服务的请求和接受只可能发生在乘客和看到该乘客的出租车司机之间。如果乘客通过电话呼叫出租车，该服务的请求和接受只发生在乘客和一个服务提供者(例如，出租车客运公司或者代理商)之间。然而，在线预定出租车允许一个使用者实时地和自动地向与该用户相距一段距离的大量个体服务提供方(例如，出租车)分配服务请求。它也允许多个服务提供方同时地和实时地对该服务请求进行响应。因此，通过互联网，该在线按需运输服务系统可以为用户及服务提供方提供一个更加高效的运输服务平台，其在前互联网时代的运输服务系统中是难以实现的。
图1是根据一些实施例的示例性基于位置的服务提供系统100的示意图。例如，基于位置的服务提供系统100可以用于出租车呼叫、司机服务、配送车辆、拼车、公共汽车服务、司机雇用和班车服务等运输服务的在线运输服务平台。基于位置的服务提供系统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和数据库160。服务器110可以包括处理引擎112。
在一些实施例中，服务器110可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的(例如，服务器110可以是分布式系统)。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可以经由网络120访问存储在请求者终端130、提供者终端140和/或数据库160中的信息和/或数据。作为另一示例，服务器110可以直接连接到请求者终端130、提供者终端140和/或数据库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。仅作为示例，该云平台可以包括私有云、公用云、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可以拥有图4所示的本申请中的一个或多个组件。
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/或数据以执行本申请中描述的一个或多个功能。例如，处理引擎112可基于从请求者终端130获取的服务请求来确定参考信息。在一些实施例中，处理引擎112可以包括一个或多个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，基于位置的服务提供系统100(例如服务器110、请求者终端130、提供者终端140、车辆150、数据库160)中的一个或多个组件可以通过网络120发送信息和/或数据到基于位置的服务提供系统100中的其他组件。例如，服务器110可以通过网络120从请求者终端130获得/获取服务请求。在一些实施例中，网络120可以是任何类型的有线、无线网络或其组合。仅作为一个示例，网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网(WAN)、无线局域网络(WLAN)接口、城域网(MAN)、公用电话交换网(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中，网络120可以包括一个或多个网络交换点。例如，网络120可以包括有线或无线网络交换点，如基站和/或互联网交换点120-1、120-2、……，通过基站可以将基于位置的服务提供系统100的一个或多个组件连接到网络120以交换数据和/或信息。
在一些实施例中，请求者可以是请求者终端130的用户。在一些实施例中，请求者终端130的用户可以是请求者以外的人。例如，请求者终端130的用户A可以使用请求者终端130向用户B发送服务请求，或者从服务器110接收服务和/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的用户。在一些实施例中，提供者终端140的用户可以是除提供者之外的某人。例如，提供者终端140的用户C可以使提供者终端140接收对用户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，“请求者”和“请求者终端”可以互换使用，“提供者”和“提供者终端”可以互换使用。
在一些实施例中，请求者终端130可以包括移动设备130-1、平板电脑130-2、笔记本电脑130-3、机动车辆130-4中的内置设备等，或者以上任意组合。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、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电气设备的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴装置可以包括手镯、鞋袜、眼镜、头盔、手表、衣服、背包、智能配件等或任意组合。在一些实施例中，移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售终端(POS)、笔记本电脑、台式电脑等或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实装置和/或增强现实装置可以包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中，机动装置130-4中的内置装置可以包括车载计算机/车载电视等。在一些实施例中，请求者终端130可以是具有定位技术的设备，以用于定位请求者和/或请求者终端130的位置。
提供者设备140可以包括多个司机设备140-1、140-2、...、140-3、140-4。在一些实施例中，提供者终端140可以是与请求者终端130相似或相同的设备。在一些实施例中，提供者终端140可以是利用定位技术来定位提供者终端140(例如服务提供者)和/或提供者终端140的用户的位置的设备。在一些实施例中，请求者终端130和/或提供者终端140可以与一个或多个其他定位设备通信以确定请求者、请求者终端130、提供方和/或提供者终端140的位置。在一些实施例中，请求者终端130和/或提供者终端140可以将定位信息发送给服务器110。
在一些实施例中，提供者终端140可以对应一个或多个车辆150。车辆150可以接载乘客并送至目的地。该车辆150可以包括多个车辆150-1、150-2、...、150-n。一辆车可以对应一种车辆类型。车辆类型可以包括出租车、豪华车、快车、公共汽车、班车等。
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可以存储从请求者终端130和/或提供者终端140获取的数据。在一些实施例中，数据库160可以储存供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的示例性方法。在一些实施例中，数据库160可以包括大容量储存器、可移动储存器、易失性读写内存器、只读存储器(ROM)等或上述举例的任意组合。示例性大容量存储器可以包括磁盘、光盘、固态硬盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的易失性读写存储器可以包括随机存取存储器(RAM)。示例性的RAM可以包括动态RAM(DRAM)、双倍数据速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流管RAM(T-RAM)和零电容器RAM(Z-RAM)等。示例性的ROM可以包括屏蔽式ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能盘ROM等。在一些实施例中，数据库160可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、中间云、多云等或其任意组合。
在一些实施例中，数据库160可以连接到网络120以与基于位置的服务提供系统100中的一个或多个组件(例如服务器110，请求者终端130，提供者终端140等)进行通信。基于位置的服务提供系统100中的一个或多个组件可以通过所述网络120访问数据库中的数据或指令。在一些实施例中，数据库160可以直接与基于位置的服务提供系统100中的一个或多个组件(例如服务器110，请求者终端130，提供者终端140等)连接或通信。在一些实施例中，数据库160可以是服务器110的一部分。
在一些实施例中，基于位置的服务提供系统100中的一个或多个组件(例如服务器110，请求者终端130，提供者终端140等)可以具有访问数据库160的权限。在一些实施例中，当满足一个或多个条件时，基于位置的服务提供系统100中的一个或多个组件可以读取和/或修改与请求者、提供者和/或公众有关的信息。例如，服务完成后，服务器110可以读取和/或修改一个或多个用户的信息。又例如，提供者终端140可以在请求者终端130接收到服务请求时访问与请求者有关的信息，但提供者终端140可以不修改请求者的相关信息。
在一些实施例中，可以通过请求服务来实现基于位置的服务提供系统100的一个或多个组件的信息交换。所述服务请求的客体可以是任何产品。在一些实施例中，所述产品可以是有形产品或无形产品。该有形产品可以包括食物、药物、日用品、化学产品、电器用品、衣服、汽车、住宅、奢侈品等或其任意组合。该无形产品可以包括服务产品、金融产品、知识产品、互联网产品等或其任意组合。互联网产品可以包括个人主机产品、网络产品、移动互联网产品、商用主机产品、嵌入式产品等或其任意组合。移动互联网产品可以用于移动终端、程序、系统等或上述举例的任意组合。移动终端可以包括平板电脑、笔记本电脑、移动电话、个人数字助理(PDA)、智能手表、销售终端(POS)、车载计算机、车载电视、可穿戴设备等或其任意组合。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/或应用可以涉及社交、购物、运输、娱乐、学习、投资等，或者它们的任意组合。在一些实施例中，与运输相关的软件和/或应用程式可以包括出行软件和/或应用程式、车辆调度软件和/或应用程序、地图软件和/或应用程序等。在车辆调度软件和/或应用程序中，车辆可以包括马、马车、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、飞行器(例如，飞机、直升机、航天飞机、火箭、热气球等)等或其任意组合。
本领域普通技术人员将理解，当基于位置的服务提供系统100的元件执行时，该元件可以通过电信号和/或电磁信号执行。例如，当请求者终端130处理诸如确定、识别或选择对象之类的任务时，请求者终端130可以操作其处理器中的逻辑电路来处理这样的任务。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的处理器可以生成编码该请求的电信号。请求者终端130的处理器然后可以将电信号发送到输出端口。如果请求者终端130经由有线网络与服务器110通信，则输出端口可以物理连接到电缆，电缆进一步将电信号传输到服务器110的输入端口。如果请求终端130通过无线网络与服务器110进行通信，则请求终端130的输出端口可以是一个或多个天线，将电信号转换为电磁信号。类似地，提供者终端130可以通过其处理器中的逻辑电路的操作来处理任务，并且经由电信号或电磁信号从服务器110接收指令和/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的电子设备内，当其处理器处理指令，发出指令和/或执行动作时，指令和/或动作通过电信号进行。例如，当处理器从存储介质检索或保存数据时，它可以向存储介质的读/写设备发送电信号，该读/写设备可以在存储介质中读取或写入结构化数据。结构化数据可以通过电子设备的总线以电信号的形式发送到处理器。这里，电信号可以指一个电信号、一系列电信号和/或多个离散电信号。
图2描述的是可以用于实现本申请的移动设备的架构。在该示例中，其上呈现和与来自调度系统的服务订单或其他信息相关的信息的用户设备是移动设备200，包括但不限于智能电话、平板电脑、音乐播放器、经手持游戏机、全球定位系统(GPS)接收器和可穿戴计算设备(例如眼镜、手表等)，或者任何其它形式。该示例中的移动设备200包括通信单元210，诸如无线通信天线、显示器220、一个或多个图形处理单元(GPU)230、一个或多个中央处理单元(CPU)240、一个或多个输入/输出(I/O)设备250、存储器260和储存器290。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)，也可以被包括在移动设备200中。如图2所示，移动操作系统270，例如iOS、Android、Windows Phone等，以及一个或多个应用程序280可以从储存器290加载到存储器260中以便由CPU 240执行。应用程序280可以包括浏览器或任何其他合适的移动应用程序，用于从移动设备200上的基于位置的服务提供系统接收和呈现与服务订单或其他信息有关的信息。用户与信息流的交互可以经由I/O设备250来实现并且例如经由网络被提供给基于位置的服务提供系统100和/或系统100的其它组件。
为了实现各个模块、单元以及在本申请中所描述的其功能，计算机硬件平台可以被用作以上描述的一个或多个元素的硬件平台(例如，基于位置的服务提供系统100和/或图1-8中描述的基于位置的服务提供系统100的其他组件)。这种计算机的硬件元件、操作系统和编程语言是常见的，并且假定本领域的技术人员对此非常熟悉以使这些技术适用于如本文所述的服务供应的管理。具有用户接口元件的计算机可以用于实现个人计算机(PC)或其他类型的工作站或终端设备，但是如果适当地编程，计算机也可以充当服务器。相信本领域的技术人员熟悉这种计算机设备的结构、编程和一般操作，因此附图应该是不言自明的。
图3是示出根据本申请的一些实施例的其上可以实现服务器110、请求者终端130和/或提供者终端140的计算设备300的示例性硬件和软件组件的示意图。例如，处理引擎112可以在计算设备300上实现并且被配置为执行本申请中公开的处理引擎112的功能。
计算设备300可以是通用计算机或专用计算机；两者都可以用于实施本申请的基于位置的服务提供系统。计算设备300可以用于实现如本文所述的基于位置的服务的任何组件。例如，处理引擎112可以通过其硬件、软件程序、固件或其任意组合在计算设备300上实现。图中为了方便起见只绘制了一台计算机，与在此描述的按需服务相关的计算机功能可以以分布式方式在多个类似的平台上实现，以分配处理负载。
例如，计算设备300可以包括连接到与之连接的网络的COM端口350，以便于数据通信。计算设备300还可以包括一个或多个处理器(例如，逻辑电路)形式的用于执行程序指令的处理器(例如，处理器320)。例如，处理器可以包括接口电路和处理电路。接口电路可以被配置为从总线310接收电子信号，其中电子信号对用于处理电路处理的结构化数据和/或指令进行编码。处理电路可以进行逻辑计算，然后确定编码为电子信号的结论、结果和/或指令。然后接口电路可以通过总线310从处理电路发出电子信号。示例性计算机平台可以包括总线310、不同形式的程序存储器和数据存储器，例如磁盘370、只读存储器(ROM)330或随机存取存储器(RAM)340，用于由计算机处理和/或发送的各种数据文件。示例性计算机平台还可以包括存储在ROM 330、RAM 340和/或要由处理器320执行的其他类型的非暂态存储介质中的程序指令。本申请的方法和/或过程可以作为程序指令执行。计算设备300还包括I/O组件360，其支持计算机与其中的其他组件(例如用户接口元件380)之间的输入/输出。计算设备300还可以经由网络通信接收程序和数据。
仅仅为了说明，计算设备300中仅示出一个处理器。然而，应该注意的是，本申请中的计算设备300还可以包括多个处理器，因此由本申请中描述的一个处理器执行的操作和/或方法步骤也可以由多个处理器共同或分别执行。例如，在本申请中，如果计算装置300的处理器执行步骤A和步骤B，应当理解的是步骤A和步骤B可以由计算装置300中的两个的处理器共同或分别执行(例如，第一处理器执行步骤A并且第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B)。
图4A是根据本申请一些实施例的示例性处理引擎112的模块图。图4B是根据本申请一些实施例的示例性确定模块420的示意图。
如图4A所示，处理引擎112可以包括获取模块410、确定模块420和通信模块430。如图4B所示，确定模块420可以包括路线确定单元421、特征确定单元423、模型确定单元425和参数确定单元427。
获取模块410可以被配置为获取一个或多个服务请求。获取模块410可以经由网络120从终端(例如，请求者终端130)获取服务请求。在一些实施例中，服务请求可以是对运输服务的请求。服务请求可以包括但不限于订单信息，用户信息等或其任意组合。
订单信息可以包括但不限于出发地、起点、目的地、终点、出发时间、到达时间、可接受的等待时间、乘客数量、行李信息、里程信息、请求的座位数、请求的车辆类型、是否有宠物、用户习惯/偏好(例如车辆类型、车辆大小、车辆负载等)、是否同意与其他人分享交通工具等等，或其任意组合。
用户信息可以是与请求运输服务的请求者相关联的信息。用户信息可以包括但不限于姓名、昵称、性别、照片、国籍、年龄、出生日期、联系信息(电话号码、移动电话号码、社交媒体账户信息(例如，微信TM账户、QQTM账号、LinkedinTM等)、其他可以联系上该用户的方式等)、位置信息(例如坐标信息、方向信息、运动状态信息等)、职业、等级、使用时间等或其任意组合。
在一些实施例中，获取模块410还可以被配置为获取一个或多个历史订单。历史订单可以存储在数据库160中。历史订单可以包括但不限于历史订单信息、历史用户信息等或其任意组合。
历史订单信息可以包括但不限于订单号、出发地、起点、目的地、终点、出发时间、到达时间、可接受的等待时间、乘客数量、行李信息、行驶里程信息、是否有宠物、用户习惯/偏好(例如，车辆类型、容量大小、车辆的负载等)、是否与他人共享交通、由消费者提出的价格、由服务提供者调整的价格、由系统调整的价格、奖励使用条件、支付条款(例如现金支付、借记卡支付、在线支付、汇款支付等)、订单完成状态、天气状况、环境状况、道路状况(例如由于安全性道路建设或其他原因造成的道路封闭)、交通状况等或其任意组合。
历史用户信息可以是与订单的服务请求者或服务提供者相关联的信息。历史用户信息可以包括但不限于姓名、昵称、性别、照片、国籍、年龄、出生日期、联系人信息(电话号码、移动电话号码、社交媒体账户信息(例如微信TM账号、QQTM账号、LinkedinTM等)、可以联系到该用户的其他方式等)、位置信息(例如坐标信息、方向信息、运动状态信息等)、职业、等级、使用时间、驾驶经验、车龄、车辆类型、车辆状况、车牌号码、驾驶证号码、认证状态、用户习惯/偏好、额外服务的特征(例如后备箱尺寸、全景天窗、其他额外特征等)等或其任意组合。
确定模块420可以被配置为基于服务请求的出发地和目的地来确定路线。具体而言，路线可以由路线确定单元421确定。该路线可以是从起点到终点的行驶路线。起点可以是乘客的上车地点。终点可以是乘客的下车地点。该路线可以是计划路线(如图8所示的路线840)或实际路线(如图8所示的路线830)。
确定模块420可以被配置为确定与路线相关联的特征。具体而言，特征可以由特征确定单元423确定。特征可以包括但不限于与第一路线相关的第一特征、与第二路线相关的第二特征、与第二历史路线相关的第二历史特征等或其任意组合。在一些实施例中，第二特征可以是基于第一特征确定。特征可以包括但不限于订单特征、地图特征、司机特征、交通特征、位置特征、时间特征等或其任意组合。关于特征的更多细节可以在图5和相关描述中找到。
确定模块420可以进一步确定模型。具体的，该模型可以由模型确定单元425确定。模型可以包括但不限于迁移学习模型、机器学习模型等或其任意组合。迁移学习模型可以用于确定与第二路线相关的第二特征(例如预估的实际特征)。机器学习模型可用于确定对应于服务请求的预计到达时间(ETA)和/或预估价格。在一些实施例中，可以使用多个历史订单来训练迁移学习模型和/或机器学习模型。
确定模块420还可以进一步确定对应于服务请求的ETA和/或预估价格。具体而言，预计到达时间和/或预估价格可以由参数确定单元427确定。在一些实施例中，ETA和/或预估价格可以基于第二特征和机器学习模型来确定。仅作为示例，预计到达时间和/或预估价格可以由其他模型确定，包括但不限于迁移学习模型、深度学习模型、数据挖掘模型、神经网络模型、线性拟合模型、非线性拟合模型等或其任意组合。
通信模块430可以用于通过网络120将预计到达时间和/或预估价格发送到终端(例如请求者终端130)。在一些实施例中，可以在请求者终端130上呈现预计到达时间和/或预估价格。请求者终端130可以使用任何适当的内容形式，例如文本、图像、视频内容、音频内容、图形等来呈现服务请求和/或参考信息。
在一些实施例中，通信模块430可以从请求者终端130接收响应。通信模块430还可以将服务请求和/或与服务请求相关的任何数据发送给一个或多个提供者终端。
应该注意的是，上面关于处理引擎112的描述是为了说明的目的而提供的，并不旨在限制本申请的范围。对于本领域技术人员而言，可以根据本申请的技术构思进行各种变化和修改。然而，这些变化和修改不会脱离本申请的范围。例如，模型确定单元425可以包括可确定迁移学习模型的第一确定子单元(图中未示出)和可确定机器学习模型的第二确定子单元(图中未示出)。诸如此类的变化，均在本申请的保护范围之内。
图5是根据本申请的一些实施例所示的确定预计到达时间和/或预估价格的示例性过程和/或方法500的流程图。该流程和/或方法500可以由基于位置的服务提供系统100来执行。例如，该流程和/或方法500可以作为一组指令(例如应用)储存在存储器ROM 330或RAM 340中。处理器320可以执行该组指令并且可以相应地执行该流程和/或方法500。
在步骤510中，处理引擎112可以从终端设备接收包括出发地和目的地的服务请求。特别地，步骤510可以由获取模块410(如图4A所示)执行。
可以从请求者终端(例如图1所描述的请求者终端130)接收服务请求。该服务请求可以是任何基于位置的服务请求。在一些实施例中，该服务请求可以是运输服务的请求(例如出租车服务)。该服务请求可以是实时请求、预约请求等或其任意组合。如上文所述，实时请求可以包括请求者期望在当前时刻或在普通人所认为的合理接近当前时刻的设定时间内接收的服务。例如，如果所设定的时间在从当前时刻开始的一个时间段内，如距离当前时刻5分钟内，从当前时刻起10分钟内，或者距离当前时刻20分钟内等，则服务请求可以是实时请求。预约请求可以包括请求者期望在相对于当前时刻的未来时间里接收的服务。例如，如果在某未来时间之后(比当前时刻晚预设时间段)安排服务，则该服务请求可以是预约请求。预设时间段可以是当前时刻之后20分钟，当前时刻之后2小时或当前时刻之后1天。在一些实施例中，处理引擎110可以基于时间阈值来定义实时请求或预约请求。该时间阈值可以是基于位置的服务提供系统100的默认设置，或者可以根据不同情况进行调整。例如，在交通高峰期，时间阈值可以设置为相对较小(例如10分钟)，而在非高峰期(例如上午10：00-12：00)，时间阈值可以设置为相对较大(例如1小时)。
服务请求可以包括出发地和目的地。出发地可以是终端设备(例如请求者终端130)的当前位置。在一些实施例中，出发地可以是不同于终端设备当前位置的地点。例如，如果是为请求者以外的用户(例如请求者的朋友或亲戚)请求服务，则出发地可以是该用户的当前位置或由用户所指定的位置。又例如，出发地可以是请求者指定的任何地点。出发地和/或目的地可以通过各种方式获得，包括但不限于通过请求者终端130手动输入、根据历史输入记录选择、根据系统建议选择、GPS技术等或其任意组合。出发地和/或目的地可以表示为位置的描述、位置的地址、位置的经纬度坐标、对应于地图中位置的点等或其任意组合。
在步骤520中，处理引擎112可以基于出发地和目的地来确定路线。具体地，步骤520可以由线路确定单元421(如图4B所示)执行。
该路线可以是从起点(例如乘客上车的位置)到终点(例如乘客下车的位置)的行驶路线。起点可以对应于出发地。起点和出发地可以相同或不同。终点可以对应于目的地。终点和目的地可以相同或不同。例如，当车辆不能到达出发地和/或目的地(例如建筑物、广场、公园)时，起点可以是靠近出发地和/或目的地位置的地方。
在一些实施例中，路线可根据地图数据或导航数据确定。通过地图数据或导航数据，从出发地到目的地的一条或多条路线可以被确定。例如2D地图、3D地图、地理地图、在线地图、虚拟地图等等，可用于确定该路线。
该路线可以根据多个模型语言进行确定。例如，该语言可以是斯坦福研究所问题解决(STRIPS)语言、动作描述语言(ADL)、规划领域定义语言(PDDL)等或其任意组合。
该路线也可以根据路线规划技术进行确定。路线规划技术可以包括，例如机器学习技术、人工智能技术、模板匹配技术、人工势场技术等或其任意组合。例如，用于路线规划的算法可以是双向A算法、A*算法、样本算法等或其任意组合。在一些实施例中，路线可以基于在历史订单中完成的多条路线来确定。例如，如果路线A被确定为在多个历史订单中从出发地到目的地的最常用的路线，则路线A可以被推荐给请求者作为从相同出发地到相同目的地的路线。
在一些实施例中，可以确定一条或多条路线并推荐给请求者，并且可以从该一条或多条路线中选择一条路线。路线选择可以由用户(例如请求者终端130的请求者)或处理引擎110执行。在一些实施例中，可以基于时间相关标准、服务成本相关标准、来自一个或多个路线的路径相关标准来选择路线。例如，该路线可以在一个或多个路线中以最短里程、最短时间、最少服务成本等来选择。
在步骤530中，处理引擎112可以确定与路线相关联的第一特征。具体地，步骤530可以由特征确定单元423(如图4B所示)执行。第一特征可以包括但不限于订单特征、地图特征、司机特征、交通特征等或其任意组合。
订单特征可以从与路线相关联的一个或多个订单中提取。例如，运输服务订单的起点可以与该路线的出发地相同。订单特征可以包括但不限于出发地、起点、目的地、终点、出发时间、到达时间、乘客数量、行李信息、里程信息、在路线出发地附近的多个订单、在路线出发地附近的订单密度等或其任意组合。例如，如果路线是从清华大学到国家图书馆，订单特征可以是过去一小时内从清华大学到国家图书馆的订单数量。
地图特征可以显示在与路线有关的地图上。地图可以是3D(三维)地图或2D地图。根据当前时间和地点，与地图相关的信息可以实时更新。该地图可以在终端设备的一个或多个移动应用程序中实现。地图特征可以包括但不限于道路信息、交通信号信息、路线长度等或其任意组合。道路信息可以包括但不限于交叉口的数量、交叉口的分布等。例如，从清华大学到国家图书馆的路线的地图特征可以包括10个交通信号和6个交叉口。
司机特征可以是与路线出发地附近的司机相关联的信息。司机特征可以包括但不限于靠近出发地的多个可用司机，可用司机的概况(例如可用司机的习惯/偏好)，对应于可用司机的车辆的类型等或其任意组合。例如，司机特征可以表明在出发地(清华大学)附近有8名司机可以接受服务订单。
交通特征可以是与路线有关的交通信息。交通特征可包括但不限于路线连接顺序、路线宽度、路线的路况、路线的车辆信息、道路拥挤信息、限制信息、道路修理、交通事故、天气状况等或其任意组合。例如，交通特征可能表明在从清华大学到国家图书馆的路线上，存在导致道路拥堵的交通事故。
在步骤540中，处理引擎112可以确定迁移学习模型。具体地，可以由模型确定单元425(如图4B所示)来确定迁移学习模型。
迁移学习可以解决从与训练实例不同但相关的分布中预测测试实例的问题。迁移学习可以包括但不限于归纳迁移学习、直推式迁移学习、无监督迁移学习等。在归纳迁移学习设置中，目标任务与源任务不同，无论源域和目标域是否相同。在直推式迁移学习设置中，目标任务与源任务相同，而源域和目标域不同。在无监督迁移学习设置中，类似于归纳迁移学习设置，目标任务与源任务不同但相关。然而，无监督迁移学习聚焦于解决目标领域的无监督学习任务，如聚类、降维和密度预估。在这种情况下，训练中源域和目标域都没有可用的标签数据。
在本申请中，迁移学习模型可以应用于根据路线相关特征(例如，第一特征)来确定预估的实际特征(例如，第二特征)。迁移学习模型可以是一种大规模深度学习模型。迁移学习模型可以根据历史订单确定和/或训练。更多关于迁移学习的细节模型可以参见图6及其相关描述。
在步骤550中，处理引擎112可以基于第一特征和迁移学习模型来确定第二特征。具体地，步骤550可以由特征确定单元423(如图4B所示)执行。
第二特征可以是与预估的实际路线有关的预估的实际特征。第二特征可以包括但不限于位置特征、时间特征、与预估的实际路线相关联的司机特征、与预估的实际路线相关联的交通特征、与预估的实际路线相关联的其他特征等或其任意组合。位置特征可以包括但不限于出发地(或起点)、目的地(或终点)等的信息或其任意组合。时间特征可以包括但不限于时间段、工作日、到达时间等或其任意组合。与预估的实际路线相关联的司机特征可以包括但不限于驾驶偏好、车辆速度、司机是否根据导航指南行驶等或其任意组合。与预估的实际路线相关联的交通特征可以包括但不限于实际行驶路线、路线关联序列、路线长度、路线宽度、路线路况(例如实时路况如车流量、车辆密度、车速等；非实时路况如交通信号数量、单向或双向街道、交叉路口信息等)、路线的车辆信息、道路拥挤信息、限制信息等或其任意组合。与预估的实际路线相关的其他特征可以包括但不限于道路修理、交通事故、天气条件等或其任意组合。
在步骤560中，处理引擎112可以确定机器学习模型。具体地，步骤560可以由模型确定单元425(如图4B所示)执行。
机器学习模型可以是监督学习模型、无监督学习模型和强化学习模型。在监督式学习中，计算机可能会有一个由“教师”给出的示例输入及其所需输出，目标可以是学习将输入映射到输出的一般规则。在无监督学习中，没有给该学习算法赋予标签，而是由其自身去寻找输入的结构。无监督学习本身可以是一个目标(发现数据中的隐藏模式)或者达到目的的手段(特征学习)。在强化学习中，计算机程序与其必须执行特定目标(例如驾驶车辆或与对手玩游戏)的动态环境进行交互。该程序可以在其问题空间导航时以奖励和惩罚的方式提供反馈。在本申请中，机器学习模型可以被配置为基于第二特征来确定预计到达时间和/或预估价格。机器学习模型可以根据历史订单来确定和/或训练。机器学习模型和机器学习模型的训练的更多细节可以参见图7及其相关描述。
在步骤570中，处理引擎112可以基于第二特征和机器学习模型来确定与服务请求相对应的预计到达时间(ETA)和/或预估价格。具体地，步骤570可以由参数确定单元427(如图4B所示)执行。
ETA可以是到达时间的预估值。ETA可以表示为时间段、时间点或其组合。在本实施例中，ETA可以是在从出发地到目的地的路线上花费的时间周期。作为另一个例子，ETA也可以是到达目的地的时间点。在一些实施例中，ETA的计算可以从当前时间或指定的时间点开始。预估价格可以是服务请求者在服务完成后需要向服务提供者支付的服务费用。在本实施例中，预估价格可基于特征来确定，所述特征包括但不限于路线的里程、花费在路线上的时间、一天中的时间段、天气状况等或其任意组合。在一些实施例中，预估价格可以基于预计到达时间来确定。
在步骤580中，处理引擎112可以响应于服务请求向终端设备(例如，请求者终端130)发送预计到达时间和/或预估价格。具体地，步骤580可以由通信模块430(如图4A所示)执行。在知道ETA和/或预估价格的情况下，服务请求者可以判断是否发送服务请求。
应当注意的是，上述描述仅是为了说明，并不构成对本申请范围的限制。对于本领域技术人员而言，在本申请内容的指导下，可做出多种变化和修改。然而，此类变化和修改不会背离本申请的范围。例如，可以在示例性过程/方法500中添加一个或多个其他步骤(例如存储步骤)。对于另一示例，步骤560可以省略或独立执行。作为另一示例，步骤580可以省略或独立执行。仅仅为了说明，ETA和/或预估价格可以基于与路线和一个或多个历史订单相关联的第一特征来确定。例如，如果路线类似于历史订单中的某路线，则ETA和/或预估价格可以被确定为历史订单的到达时间和/或价格。
图6是根据本申请一些实施例所示的用于确定迁移学习模型的示例性过程的流程图。该过程和/或方法600可以由基于位置的服务提供系统100执行。例如，过程和/或方法600可以实现为存储在存储器ROM 330或RAM 340中的一组指令(例如，应用)。处理器320可以执行该组指令，并且可以相应地执行该过程和/或方法600。
在步骤610中，处理引擎112可以启动迁移学习模型。在一些实施例中，迁移学习模型可以存储在存储器ROM 330或RAM 340中。迁移学习模型可以是经过预先训练的模型，并且已经用于处理历史服务请求。或者，迁移学习模型可以包括需要训练的一个或多个参数。如本实施例中，迁移学习模型可以定义如下：给定源域DS和学习任务TS，目标域DT和学习任务TT，迁移学习旨在使用DS和TS中的知识帮助提高DT中目标预测函数fT(·)的学习，其中DS≠DT或TS≠TT。
域D由两部分组成：特征空间χ和边缘概率分布X＝{x1,…,xn}∈χ，其中xi是与某些文档对应的第i项向量，X是特定的学习样本。一般而言，如果两个域不同，那么它们可能具有不同的特征空间或不同的边缘概率分布。
给定一个特定的域D＝{χ,P(X)}，一个任务由两部分组成：标签空间Y和目标预测函数f(·)(用T＝{Y,f(·)}表示)，该目标预测函数是不可被观察的，但是可以从训练数据中学习出来，训练数据由数对{xi,yi}组成，其中xi∈X且yi∈Y。函数f(·)可用于预测新实例x的相应标签f(x)。具体而言，源域数据可以被表示为其中是数据实例，是相应的类标签。类似地，目标域数据可以表示为 其中输入属于χT，是相应的输出。在大多数情况下，0≤nT≤nS。
在步骤620中，处理引擎112可以获取多个历史订单。具体地，步骤620可以由如图4A所示的获取模块410执行。订单可以存储在数据库160或其他存储器(例如，请求者终端130中的存储器)中。订单可以由获取模块410经由网络120获得。
在步骤630中，处理引擎112可以确定与该多个历史订单中的每一个相关联的第一历史路线。具体地，第一历史路线可以由路线确定单元421(如图4B所示)确定。
第一历史路线可以是由按需服务从一个或多个推荐路线中选择的计划路线。第一历史路线可以是从起点(例如乘客上车的位置)到终点(例如乘客下车的位置)的计划行驶路线。起点可以对应于出发地。起点和出发地可以相同或不同。终点可以对应于目的地。终点和目的地可以相同或不同。例如，当车辆(例如建筑物、广场、公园)无法到达出发地和/或目的地时，起点可以是在出发地和/或目的地地点附近的地方。
在一些实施例中，可以基于地图数据或导航数据来确定第一历史路线。利用地图数据或导航数据，可以确定从出发地到目的地的一条或多条路线。例如，2D地图、3D地图、地理地图、在线地图、虚拟地图等可以用于确定该路线。
可以基于多种建模语言来确定第一历史路线。例如，该语言可以是斯坦福研究所问题解决(STRIPS)语言、动作描述语言(ADL)、规划领域定义语言(PDDL)等或其任意组合。
第一历史路线可以基于路线规划技术来确定。路线规划技术可以包括机器学习技术、人工智能技术、模板匹配技术、人工势场技术等或其任意组合。例如，在路线规划中使用的算法可以是双向A算法、A*算法、样本算法等或其任意组合。
在步骤640中，处理引擎112可以确定与第一历史路线相关联的第一历史特征。具体地，步骤640可以由特征确定单元423(如图4B所示)执行。第一历史特征可以包括但不限于订单特征、地图特征、司机特征、交通特征等或其任意组合。第一历史特征可以类似于图5所示的步骤530中描述的第一特征。
在步骤650中，处理引擎112可以确定与多个历史订单中的每一个相关联的第二历史路线。具体地，步骤650可以由如图4B所示的路线确定单元421执行。第二历史路线可以从历史订单的数据中获取。
在一些实施例中，第二历史路线可以是历史订单中的实际路线。在本实施例中，实际路线是与历史订单相关联的实际行驶路线。实际路线和计划路线可以相同或不同。例如，历史订单的服务提供者可以沿着计划路线行驶。又例如，历史订单的服务提供者可以不沿着计划路线行驶，而是沿着他/她自己确定的路线行驶。
在步骤660中，处理引擎112可以确定与第二历史路线相关联的第二历史特征。具体地，步骤660可以由特征确定单元423(如图4B所示)执行。第二历史特征可以是与第二历史路线相关的特征。第二历史特征可以是与实际路线相关的实际特征。例如，第二历史特征(或实际特征)可以包括但不限于位置特征、时间特征、与实际路线相关联的司机特征、与实际路线相关联的交通特征、与该实际路线相关联的其他特征等或其任意组合。第二历史特征可以类似于图5所示的步骤550中描述的第二特征。
在步骤670中，处理引擎112可以基于第一历史特征和第二历史特征训练迁移学习模型。具体地，步骤670可以由模型确定单元425(如图4B所示)执行。
迁移学习模型可以包括一个或多个映射规则。如这里所使用的，一个或多个映射规则可以是第一历史特征和第二历史特征之间的一个或多个关系。在一些实施例中，一个或多个映射规则可用于基于第一特征确定第二特征。例如，如果第一历史特征是A，第二历史特征是B，则映射规则可以被确定为A→B。“→”可以表示A和B之间存在关系(例如，A可以等于B或者A可以是B的函数)。其中A和/或B可以包括一个或多个特征。在这种情况下，如果第一特征是A，则可以基于第一特征和映射规则将第二特征确定为B。
在步骤680中，处理引擎112可以基于训练来确定迁移学习模型。迁移学习模型可以存储在数据库160或其他存储器(例如，ROM 330或RAM 340)中。在一些实施例中，可以基于空间特征来确定迁移学习模型。例如，可以针对每个城市确定迁移学习模型。多个城市间的迁移学习模式可以相同也可以不同。在一些实施例中，可以基于时间特征来确定迁移学习模型。例如，可以每月确定一次迁移学习模型。在一些实施例中，可以基于特定用户组来确定迁移学习模型。例如，可以基于二十岁至四十岁之间的用户组来确定迁移学习模型。
应当注意的是，上述描述仅是为了说明，并不构成对本申请范围的限制。对于本领域技术人员而言，在本申请内容的指导下，可做出多种变化和修改。然而，此类变化和修改不会背离本申请的范围。例如，可以在示例性过程/方法600中添加一个或多个其他可选步骤(例如，存储步骤)。具体地，可以在步骤620之后添加选择操作，使得只有满足条件的订单(例如完整订单、易接收的订单)才可以被选择。可以在步骤670之后添加修改操作(例如去噪操作、简化操作等)，从而可以改善迁移学习模型。
图7是根据本申请的一些实施例所示的确定机器学习模型的示例性过程的流程图。该过程和/或方法700可以由基于位置的服务提供系统100执行。例如，过程和/或方法700可以实现为存储在存储器ROM 330或RAM340中的一组指令(例如，应用)。处理器320可以执行该指令，并且可以相应地执行该过程和/或方法700。
在步骤710中，处理引擎112可以启动机器学习模型。在一些实施例中，该机器学习模型可以存储在存储器ROM 330或RAM 340中。
在步骤720中，处理引擎112可以获取多个历史订单。具体地，步骤720可以由如图4A所示的获取模块410执行。历史订单可以存储在数据库160或其他存储器(例如请求者终端130中的存储器)中。订单可以由获取模块410经由网络120获得。在一些实施例中，历史订单可以是某城市的订单、某时间段内的订单、某车辆类型的订单等或者以上任意组合。
在步骤730中，处理引擎112可以确定与多个历史订单中的每一个相关联的第二历史路线。第二历史路线可以是历史订单中的实际路线。第二历史路线可以从存储器(例如数据库160)中获取。
在步骤740中，处理引擎112可以确定与第二历史路线相关联的第二历史特征。具体地，步骤660可以由特征确定单元423(如图4B所示)执行。第二历史特征可以是与第二历史路线相关的特征。第二历史特征可以是与实际路线相关的实际特征。例如，第二历史特征(或实际特征)可以包括但不限于位置特征、时间特征、与实际路线相关联的司机特征、与实际路线相关联的交通特征、与实际路线相关联的其他特征等或它们的任意组合。第二历史特征可以类似于图5所示的步骤550中描述的第二特征。
在步骤750中，处理引擎112可以确定与多个历史订单中的每一个相关联的历史到达时间和/或历史价格。历史到达时间可以是到达时间的值。历史到达时间可以表示为时间段、时间点或其组合。例如，历史到达时间可以是从出发地到目的地的路线上所花费的时间。作为另一个例子，历史到达时间也可以是到达目的地的时间点。历史价格可以是服务请求者在服务完成时支付给服务提供者的服务费。例如，如果从清华大学到国家图书馆的历史订单耗时70分钟，花费147元，那么与订单相关的历史到达时间可以是70分钟，历史价格可以是147元。
在步骤760中，处理引擎112可以基于与多个历史订单中的每一个相关联的第二历史特征、历史到达时间和/或历史价格来训练机器学习模型。具体地，步骤760可以由模型确定单元425(如图4B所示)执行。
在一些实施例中，机器学习模型可以包括一个或多个确定规则。如这里所使用的，一个或多个确定规则可以是第二历史特征与历史到达时间或历史价格之间的一个或多个关系。所述一个或多个确定规则可用于基于第二特征确定ETA和/或预估价格。例如，第二特征可以是道路拥堵程度，确定规则之一可以是ETA和/或预估价格可以与道路拥堵程度的大小成比例关系。在一些实施例中，机器学习模型可以由训练算法训练。训练算法可以包括但不限于FM(因式分解机)、GBDT(梯度提升决策树)、神经网络、深度神经网络、人工神经网络、反向传播神经网络、遗传算法、蚁群算法、粒子群算法、蜂群算法等或其任意组合。
在步骤770中，可以基于训练确定机器学习模型。机器学习模型可以存储在数据库160或其他存储器(例如ROM 330或RAM 340)中。在一些实施例中，机器学习模型可以基于空间特征来确定。例如，可以针对每个城市确定机器学习模型。多个城市的机器学习模型相互间可以相同也可以不同。在一些实施例中，机器学习模型可以基于时间特征来确定。例如，机器学习模型可以每个月确定一次。在一些实施例中，机器学习模型可以基于特定用户组来确定。例如，机器学习模型可以基于20至40岁之间的用户组来确定。
应当注意的是，上述描述仅是为了说明，并不构成对本申请范围的限制。对于本领域技术人员而言，在本申请内容的指导下，可做出多种变化和修改。然而，此类变化和修改不会背离本申请的范围。例如，可以在示例性过程/方法700中添加一个或多个其他可选步骤(例如存储步骤)。特别地，在步骤770之后，可以根据每个特征在确定机器学习模型中的重要性和/或依赖性来分配权重。作为另一个例子，在步骤760中可以训练两个模型，其中一个可以是用于时间的机器学习模型，另一个可以是用于价格的模型。
图8是根据本申请一些实施例所示的用于呈现ETA和/或预估价格的示例性用户界面的示意图。用户界面可以由一个或多个终端(例如提供者终端、请求者终端等)呈现。用户界面可以包括用于呈现与服务请求相关的信息(例如交通信息、天气信息、时间信息、位置信息、价格信息等)的一个或多个用户界面元素(也称为“UI元素”)。每个UI元素可以是和/或包括例如一个或多个按钮、图标、复选框、消息框、文本字段、数据字段、搜索字段等。
例如，如图8所示，用户界面800可以包括虚线840，用于呈现起点(例如出发地)820和终点(例如目的地)810之间的计划路线。计划路线可以从多个推荐路线(图中未示出)中选择。用户界面800还可以包括实线830，用于呈现起点820和结束点810之间的实际路线(例如按历史订单的实际路线)。此外，用户界面可以包括用于呈现与服务请求相关的时间信息和/或价格信息的UI元素850。例如，时间信息可以呈现为ETA(例如22分钟)。价格信息可以被呈现为预估价格(例如34元)。在一些实施例中，可以选择UI元素850的文本字段，并且可以呈现细节信息。细节信息可以包括但不限于里程、预估等待时间、每公里价格、附加费用、服务费等或者它们的任意组合。
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变更、改进和修改。这些变更、改进和修改在本申请中被建议，并且在本申请的示例性实施例的精神和范围内。
同时，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”、“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，应当注意的是，本说明书中在不同部分两次或多次提到的“实施例”或“一个实施例”或“替代实施例”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，本领域普通技术人员可以理解，本申请的各方面可以通过若干具有可以专利性的种类或上下文进行说明和描述，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、微代码等)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“单元”、“模块”或“系统”。此外，本申请的各方面可以表现为包含在一个或多个计算机可读介质中的计算机程序产品，所述计算机可读介质具有体现在其上的计算机可读程序代码。
计算机可读信号介质可以包含一个内含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。该传播信号可以采用多种形式中的任何形式，包括电磁形式、光形式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，并且可以通信、传播或传输用于指令执行系统、装置或设备使用的或与之相关联的程序。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、光纤缆线、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语言编写，包括面向对象的编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如“C”语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。所述程式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。在后一种情况下，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(WAN)，或连接至外部计算机(例如通过互联网)，或在云计算环境中或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元件和序列的顺序、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。尽管上述申请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改和等价组合。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，例如在现有服务器或移动设备上安装。
同理，应当理解的是，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，实施例的特征可以少于上述披露的单个实施例的全部特征。

Claims (20)

1.一种系统，包括：
至少一个计算机可读存储介质，包括用于管理服务提供的一组指令；以及
与所述至少一个存储介质通信的至少一个处理器，当执行所述一组指令时，所述至少一个处理器被配置为：
从终端设备接收包括出发地和目的地的服务请求；
基于所述出发地和所述目的地确定路线；
确定与所述路线相关联的第一特征；
确定迁移学习模型；
基于所述第一特征和所述迁移学习模型确定第二特征；以及
基于所述第二特征确定预计到达时间。
2.根据权利要求1所述的系统，其中基于所述第二特征确定所述预计到达时间还包括：
确定机器学习模型；以及
基于所述第二特征和所述机器学习模型确定所述预计到达时间。
3.根据权利要求2所述的系统，其中确定所述机器学习模型还包括：
获取多个历史订单；
对于所述多个历史订单中的每一个，
确定与所述多个历史订单中的每一个相关联的第二历史路线；
确定与所述第二历史路线相关联的第二历史特征；
确定与所述多个历史订单中的每一个相关联的历史到达时间；以及
基于所述第二历史特征、与所述多个历史订单中的每一个相关联的历史到达时间训练所述机器学习模型；以及
基于所述训练确定所述机器学习模型。
4.根据权利要求1所述的系统，所述至少一个处理器被配置为：
基于所述第二特征确定预估价格。
5.根据权利要求4所述的系统，其中基于所述第二特征确定所述第一预估价格还包括：
确定机器学习模型；以及
基于所述第二特征和所述机器学习模型确定所述预估价格。
6.根据权利要求1所述的系统，其中基于所述出发地和所述目的地确定所述路线还包括：
根据地图信息确定所述路线。
7.根据权利要求1所述的系统，其中确定所述迁移学习模型还包括：
获取多个历史订单；
对于所述多个历史订单中的每一个，
确定与所述多个历史订单中的每一个相关联的第一历史路线；
确定与所述第一历史路线相关联的第一历史特征；
确定与所述多个历史订单中的每一个相关联的第二历史路线；
确定与所述历史路线相关联的第二历史特征；以及
基于所述第一历史特征和所述第二历史特征训练所述迁移学习模型；以及
基于所述训练确定迁移学习模型。
8.根据权利要求1所述的系统，与所述路线相关联的所述第一特征包括以下中的至少一个：订单特征、地图特征、司机特征、或交通特征。
9.根据权利要求1所述的系统，所述第二特征包括以下中的至少一个：位置特征、时间特征、司机特征、或交通特征。
10.一种在至少一个设备上实现的方法，每个所述设备包括至少一个处理器、存储器和连接到网络的通信平台，所述方法包括：
所述至少一个处理器从终端设备接收包括出发地和目的地的服务请求；
所述至少一个处理器基于所述出发地和所述目的地确定路线；
所述至少一个处理器确定与所述路线相关联的第一特征；
所述至少一个处理器确定迁移学习模型；
所述至少一个处理器基于所述第一特征和所述迁移学习模型确定第二特征；以及
所述至少一个处理器基于所述第二特征确定预计到达时间。
11.根据权利要求10所述的方法，所述至少一个处理器基于所述第二特征确定所述预计到达时间还包括：
所述至少一个处理器确定机器学习模型；以及
所述至少一个处理器基于所述第二特征和所述机器学习模型确定所述预计到达时间。
12.根据权利要求11所述的方法，所述至少一个处理器确定所述机器学习模型还包括：
获取多个历史订单；
对于所述多个历史订单中的每一个，
确定与所述多个历史订单中的每一个相关联的第二历史路线；
确定与所述第二历史路线相关联的第二历史特征；
确定与所述多个历史订单中的每一个相关联的历史到达时间；以及
基于所述第二历史特征、与所述多个历史订单中的每一个相关联的历史到达时间训练所述机器学习模型；以及
基于所述训练确定所述机器学习模型。
13.根据权利要求10所述的方法，还包括：
所述至少一个处理器基于所述第二特征确定预估价格。
14.根据权利要求13所述的方法，所述至少一个处理器基于所述第二特征确定所述第一预估价格还包括：
所述至少一个处理器确定机器学习模型；以及
所述至少一个处理器基于所述第二特征和所述机器学习模型确定所述预估价格。
15.根据权利要求14所述的方法，所述至少一个处理器确定所述机器学习模型还包括：
获取多个历史订单；
对于所述多个历史订单中的每一个，
确定与所述多个历史订单中的每一个相关联的第二历史路线；
确定与所述第二历史路线相关联的第二历史特征；
确定与所述多个历史订单中的每一个相关联的历史价格；以及
基于所述第二历史特征、与所述多个历史订单中的每一个相关联的历史价格训练所述机器学习模型；以及
基于所述训练确定所述机器学习模型。
16.根据权利要求10所述的方法，所述至少一个处理器基于所述出发地和所述目的地确定所述路线还包括：
基于地图信息确定所述路线。
17.根据权利要求10所述的方法，所述至少一个处理器确定所述迁移学习模型还包括：
所述至少一个处理器获得多个历史订单；
对于所述多个历史订单中的每一个，
确定与所述多个历史订单中的每一个相关联的第一历史路线：
确定与所述第一历史路线相关联的第一历史特征；
确定与所述多个历史订单中的每一个相关联的第二历史路线；
确定与所述历史路线相关联的第二历史特征；以及
基于所述第一历史特征和所述第二历史特征训练所述迁移学习模型；以及
基于所述训练确定迁移学习模型。
18.根据权利要求10所述的方法，与所述路线相关联的所述第一特征包括以下中的至少一个：订单特征、地图特征、司机特征、或交通特征。
19.根据权利要求10所述的方法，所述第二特征包括以下至少一个：位置特征、时间特征、司机特征、或交通特征。
20.一种非暂时性机器可读介质，其上记录有用于向用户推荐个性化内容的信息，当机器读取该信息时，所述机器执行以下操作：
从终端设备接收包括出发地和目的地的服务请求；
基于所述出发地和所述目的地确定路线；
确定与所述路线相关联的第一特征；
确定迁移学习模型；
基于所述第一特征和所述迁移学习模型确定第二特征；以及
基于所述第二特征确定预计到达时间。
CN201780017052.1A 2017-06-13 2017-06-13 确定预计到达时间的方法及系统 Active CN109478364B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/088089 WO2018227389A1 (en) 2017-06-13 2017-06-13 Systems and methods for determining estimated time of arrival

Publications (2)

Publication Number Publication Date
CN109478364A true CN109478364A (zh) 2019-03-15
CN109478364B CN109478364B (zh) 2022-04-15

Family

ID=64659675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780017052.1A Active CN109478364B (zh) 2017-06-13 2017-06-13 确定预计到达时间的方法及系统

Country Status (9)

Country Link
US (1) US10989548B2 (zh)
EP (1) EP3455840A4 (zh)
JP (1) JP2019527871A (zh)
CN (1) CN109478364B (zh)
AU (2) AU2017417171A1 (zh)
CA (2) CA3077984C (zh)
SG (1) SG11201811174XA (zh)
TW (1) TW201907338A (zh)
WO (1) WO2018227389A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934687A (zh) * 2019-03-21 2019-06-25 娄奥林 一种优化匹配打车软件的方式方法
CN110244713A (zh) * 2019-05-22 2019-09-17 江苏大学 一种基于人工势场法的智能车辆换道轨迹规划系统及方法
CN110516830A (zh) * 2019-08-23 2019-11-29 青岛海尔科技有限公司 智能家居操作系统的控制方法及智能家居操作系统
CN111242334A (zh) * 2020-01-10 2020-06-05 武汉理工大学 一种交通预约出行方法、系统和存储介质
CN111667083A (zh) * 2020-06-11 2020-09-15 北京白龙马云行科技有限公司 网约车预估价确定方法和装置
CN111754766A (zh) * 2019-03-29 2020-10-09 本田技研工业株式会社 信息获取装置
CN111833090A (zh) * 2020-01-20 2020-10-27 北京嘀嘀无限科技发展有限公司 拼车订单的处理方法、装置、设备及存储介质
CN112525213A (zh) * 2021-02-10 2021-03-19 腾讯科技（深圳）有限公司 Eta的预测方法、模型训练方法、装置及存储介质

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2975002C (en) 2015-01-27 2020-09-29 Beijing Didi Infinity Technology And Development Co., Ltd. Methods and systems for providing information for an on-demand service
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
US10915853B2 (en) * 2018-02-28 2021-02-09 DoorDash, Inc. System for dynamic effort-based delivery value predictive updates
CN110210625B (zh) * 2019-05-20 2023-04-07 平安科技（深圳）有限公司 基于迁移学习的建模方法、装置、计算机设备和存储介质
WO2020263176A1 (en) * 2019-06-27 2020-12-30 Grabtaxi Holdings Pte. Ltd. Processing route information
US20210049714A1 (en) * 2019-08-13 2021-02-18 Fulcrum Global Technologies Inc. System and method for optimizing travel arrangements for a constraint-limited group
CN110633307B (zh) * 2019-08-19 2022-05-10 北京建筑大学 城市公共自行车接驳地铁时空分析方法
US20210081893A1 (en) * 2019-09-14 2021-03-18 Oracle International Corporation Interactive representation of a route for product transportation
CN111832789B (zh) * 2019-09-24 2024-09-06 北京嘀嘀无限科技发展有限公司 位置确定方法、模型训练方法、装置、设备和存储介质
US12056634B2 (en) * 2019-11-19 2024-08-06 Nippon Telegraph And Telephone Corporation Calculation method, calculation apparatus and program
US11443335B2 (en) * 2019-12-19 2022-09-13 Beijing Didi Infinity Technology And Development Co., Ltd. Model-based deep reinforcement learning for dynamic pricing in an online ride-hailing platform
US20220051115A1 (en) * 2020-08-12 2022-02-17 Allstate Insurance Company Control Platform Using Machine Learning for Remote Mobile Device Wake Up
CN112183859B (zh) * 2020-09-28 2024-04-05 上海寻梦信息技术有限公司 路由配置表更新方法、装置、电子设备以及存储介质
US20220101273A1 (en) * 2020-09-30 2022-03-31 Commonwealth Edison Company Methods and systems for forecasting estimated time of restoration during service interruption
CN113280828B (zh) * 2021-05-17 2022-11-22 建信金融科技有限责任公司 一种路径规划方法、装置、设备和存储介质
US20220391784A1 (en) * 2021-06-06 2022-12-08 International Business Machines Corporation Computer automated multi-objective scheduling advisor
KR20230023925A (ko) * 2021-08-11 2023-02-20 현대자동차주식회사 택시 차량의 단말 시스템 및 이의 동작 방법
CN113759927B (zh) * 2021-09-16 2023-09-05 重庆邮电大学 基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法
DE102021124226A1 (de) 2021-09-20 2023-03-23 Ford Global Technologies Llc KI (Künstliche Intelligenz)-unterstütztes System und Verfahren zur automatisierten Rechnungsstellung und Bezahlung
CN114822061B (zh) * 2022-03-30 2023-11-28 阿里巴巴（中国）有限公司 到达时间预估方法、装置、电子设备及计算机程序产品
CN115345716B (zh) * 2022-10-17 2023-03-24 北京永辉科技有限公司 订单履约时长的预估方法、系统、介质及电子设备
CN115830896A (zh) * 2022-11-17 2023-03-21 云控智行科技有限公司 一种车道推荐方法、装置及设备
SE2251477A1 (en) * 2022-12-16 2024-06-17 Instabee Group AB Computer-implemented methods, computer programs and data processing systems for determining a travel duration
CN117550273B (zh) * 2024-01-10 2024-04-05 成都电科星拓科技有限公司 基于蜂群算法的多搬运机器人协作方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1871499A (zh) * 2003-09-30 2006-11-29 株式会社建伍 引导路线搜索装置和引导路线搜索方法
CN101794396A (zh) * 2010-03-25 2010-08-04 西安电子科技大学 基于迁移网络学习的遥感图像目标识别系统及方法
CN101995253A (zh) * 2009-08-14 2011-03-30 晨星软件研发(深圳)有限公司 卫星导航装置及其相关导航方法
CN102087709A (zh) * 2009-12-04 2011-06-08 索尼公司 学习设备、学习方法以及程序
CN102298608A (zh) * 2010-06-16 2011-12-28 索尼公司 信息处理装置、信息处理方法和程序
US20130116882A1 (en) * 2007-05-03 2013-05-09 Hughes Telematics, Inc. Methods, systems, and apparatuses for telematics navigation
US20150046083A1 (en) * 2013-08-08 2015-02-12 Accenture Global Services Limited Dynamic eta and sta transportation system
CN104798420A (zh) * 2012-12-24 2015-07-22 英特尔公司 基于沿路线遇到的周围的可识别无线信号源估计到达时间
CN105303817A (zh) * 2015-09-16 2016-02-03 北京嘀嘀无限科技发展有限公司 一种出行方式的规划方法及装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002032889A (ja) * 2000-07-14 2002-01-31 Dis System Hanbai Kk タクシー手配システム
US6700506B1 (en) 2000-09-14 2004-03-02 Everyday Wireless, Inc. Bus arrival notification system and methods related thereto
JP4098526B2 (ja) * 2002-01-10 2008-06-11 株式会社アイ・トランスポート・ラボ 交通情報提供システム及びその方法、交通情報提供プログラム
JP2007140745A (ja) * 2005-11-16 2007-06-07 Sumitomo Electric Ind Ltd 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
US7739040B2 (en) * 2006-06-30 2010-06-15 Microsoft Corporation Computation of travel routes, durations, and plans over multiple contexts
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
US20130132246A1 (en) * 2010-12-06 2013-05-23 Uber Technologies, Inc. Providing a summary or receipt for on-demand services through use of portable computing devices
CN103562680B (zh) * 2011-06-03 2016-06-29 苹果公司 用于比较和选择备选导航路线的设备与方法
JP2012251954A (ja) 2011-06-06 2012-12-20 Denso It Laboratory Inc 目的地推定装置及びそれを含むナビゲーションシステム、目的地推定方法、及び目的地推定プログラム
US9709413B2 (en) * 2013-12-12 2017-07-18 Cellco Partnership Directions based on predicted future travel conditions
CN103956043B (zh) 2014-04-29 2016-04-20 南京理工大学 基于移动终端的车辆出行路径辅助系统
CA2975002C (en) * 2015-01-27 2020-09-29 Beijing Didi Infinity Technology And Development Co., Ltd. Methods and systems for providing information for an on-demand service
KR20160126296A (ko) 2015-04-23 2016-11-02 에스케이텔레콤 주식회사 경로안내장치 및 그 동작 방법
US10234300B2 (en) * 2015-11-13 2019-03-19 Here Global B.V. Private and personalized estimation of travel time
TWI720956B (zh) 2015-11-17 2021-03-11 美創資通股份有限公司 主動式交通需求管理與行為誘導的方法與系統
CN105894359A (zh) * 2016-03-31 2016-08-24 百度在线网络技术（北京）有限公司 订单推送方法、装置及系统
CN108288096B (zh) * 2017-01-10 2020-08-21 北京嘀嘀无限科技发展有限公司 用于估算行程时间、模型训练的方法及装置
US20180225796A1 (en) * 2017-02-08 2018-08-09 Uber Technologies, Inc. Resource Allocation in a Network System

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1871499A (zh) * 2003-09-30 2006-11-29 株式会社建伍 引导路线搜索装置和引导路线搜索方法
US20130116882A1 (en) * 2007-05-03 2013-05-09 Hughes Telematics, Inc. Methods, systems, and apparatuses for telematics navigation
CN101995253A (zh) * 2009-08-14 2011-03-30 晨星软件研发(深圳)有限公司 卫星导航装置及其相关导航方法
CN102087709A (zh) * 2009-12-04 2011-06-08 索尼公司 学习设备、学习方法以及程序
CN101794396A (zh) * 2010-03-25 2010-08-04 西安电子科技大学 基于迁移网络学习的遥感图像目标识别系统及方法
CN102298608A (zh) * 2010-06-16 2011-12-28 索尼公司 信息处理装置、信息处理方法和程序
CN104798420A (zh) * 2012-12-24 2015-07-22 英特尔公司 基于沿路线遇到的周围的可识别无线信号源估计到达时间
US20150046083A1 (en) * 2013-08-08 2015-02-12 Accenture Global Services Limited Dynamic eta and sta transportation system
CN105303817A (zh) * 2015-09-16 2016-02-03 北京嘀嘀无限科技发展有限公司 一种出行方式的规划方法及装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934687A (zh) * 2019-03-21 2019-06-25 娄奥林 一种优化匹配打车软件的方式方法
CN111754766B (zh) * 2019-03-29 2023-02-03 本田技研工业株式会社 信息获取装置
CN111754766A (zh) * 2019-03-29 2020-10-09 本田技研工业株式会社 信息获取装置
CN110244713A (zh) * 2019-05-22 2019-09-17 江苏大学 一种基于人工势场法的智能车辆换道轨迹规划系统及方法
CN110244713B (zh) * 2019-05-22 2023-05-12 江苏大学 一种基于人工势场法的智能车辆换道轨迹规划系统及方法
CN110516830A (zh) * 2019-08-23 2019-11-29 青岛海尔科技有限公司 智能家居操作系统的控制方法及智能家居操作系统
CN110516830B (zh) * 2019-08-23 2023-06-20 青岛海尔科技有限公司 智能家居操作系统的控制方法及智能家居操作系统
CN111242334A (zh) * 2020-01-10 2020-06-05 武汉理工大学 一种交通预约出行方法、系统和存储介质
CN111833090A (zh) * 2020-01-20 2020-10-27 北京嘀嘀无限科技发展有限公司 拼车订单的处理方法、装置、设备及存储介质
CN111833090B (zh) * 2020-01-20 2024-08-20 北京嘀嘀无限科技发展有限公司 拼车订单的处理方法、装置、设备及存储介质
CN111667083A (zh) * 2020-06-11 2020-09-15 北京白龙马云行科技有限公司 网约车预估价确定方法和装置
CN112525213B (zh) * 2021-02-10 2021-05-14 腾讯科技（深圳）有限公司 Eta的预测方法、模型训练方法、装置及存储介质
CN112525213A (zh) * 2021-02-10 2021-03-19 腾讯科技（深圳）有限公司 Eta的预测方法、模型训练方法、装置及存储介质

Also Published As

Publication number Publication date
CA3077984A1 (en) 2018-12-13
CN109478364B (zh) 2022-04-15
CA3077984C (en) 2023-08-08
EP3455840A4 (en) 2019-07-31
WO2018227389A1 (en) 2018-12-20
CA3027062A1 (en) 2018-12-13
AU2020259040A1 (en) 2020-11-26
SG11201811174XA (en) 2019-03-28
EP3455840A1 (en) 2019-03-20
US10989548B2 (en) 2021-04-27
US20190107404A1 (en) 2019-04-11
AU2017417171A1 (en) 2019-01-17
CA3027062C (en) 2020-06-09
JP2019527871A (ja) 2019-10-03
TW201907338A (zh) 2019-02-16

Similar Documents

Publication Publication Date Title
CN109478364A (zh) 确定预计到达时间的方法及系统
TWI670677B (zh) 用於推薦預估到達時間的系統和方法
US10254119B2 (en) Systems and methods for recommending an estimated time of arrival
US11449908B2 (en) Method and system for determining transport service fee
EP3320420B1 (en) Systems and methods for recommending recommended service location
US11546729B2 (en) System and method for destination predicting
US11085792B2 (en) Systems and methods for determining estimated time of arrival
CN110140135A (zh) 信息处理方法、信息处理系统和信息处理装置
US20210140774A1 (en) Systems and methods for recommending pick-up locations
CN109313742A (zh) 确定预估到达时间的方法及系统
CA3028479A1 (en) System and method for determining safety score of driver
CN109313775A (zh) 用于分发服务请求的系统和方法
US20200300650A1 (en) Systems and methods for determining an estimated time of arrival for online to offline services
CN109791731A (zh) 一种预估到达时间的方法和系统
CN108780562A (zh) 更新服务序列的系统和方法
CN110402370A (zh) 用于确定服务请求的推荐信息的系统和方法
CN109716715A (zh) 用于馈送流发送的系统和方法
WO2019153944A1 (en) Systems and methods for secured communication of service information

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