CN109716383A - 利用机器学习技术进行价格预估的系统和方法 - Google Patents
利用机器学习技术进行价格预估的系统和方法 Download PDFInfo
- Publication number
- CN109716383A CN109716383A CN201780057385.7A CN201780057385A CN109716383A CN 109716383 A CN109716383 A CN 109716383A CN 201780057385 A CN201780057385 A CN 201780057385A CN 109716383 A CN109716383 A CN 109716383A
- Authority
- CN
- China
- Prior art keywords
- price
- history
- estimated
- processor
- order
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 63
- 238000010801 machine learning Methods 0.000 title description 9
- 238000003860 storage Methods 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 25
- 238000012545 processing Methods 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000006854 communication Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011521 glass Substances 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- -1 commodity Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
系统可以包括至少一个计算机可读存储介质以及与所述计算机可读存储介质通信的至少一个处理器,所述至少一个计算机可读存储介质包括用于提供按需服务的一组指令。当执行所述指令集时,所述至少一个处理器可以用于:接收来自用户终端的服务请求;确定所述服务请求的至少一个路线;并且基于所述至少一个路线和至少一个价格预估模型来确定所述服务请求的预估价格。其特征在于,为了确定预估的价格,所述处理器可以进一步用于:基于所述路线提取所述服务请求的一个或以上特征;并使用所述价格预估模型处理所述服务请求的特征。
Description
技术领域
本申请总体上涉及机器学习。具体地,本申请涉及使用机器学习技术来预估运输服务的价格的方法、系统和媒体。
背景技术
按需服务,如在线乘车服务和送货服务,由于其便利性而变得越来越流行。提供这些服务的服务平台可能需要处理大量复杂的数据,并进行海量计算以自动处理和满足用户需求。为向百万使用者提供可扩展且实时的服务,此类服务平台可能需要使用图形识别技术、机器学习技术、数据挖掘技术、预测分析、使用者行为分析、云端计算技术及其他计算技术以执行处理和计算。
发明内容
根据本申请的一个方面,系统可以包括至少一个计算机可读存储介质,所述计算机可读存储介质包括用于提供按需服务的一组指令,以及与所述计算机可读存储介质通信的至少一个处理器。当执行所述指令集时,所述至少一个处理器可以用于:接收来自用户终端的服务请求;确定所述服务请求的至少一个路线;并且基于所述至少一个路线和至少一个价格预估模型来确定所述服务请求的预估价格。在一些实施例中,为了确定预估的价格,所述处理器可以进一步用于:基于所述路线提取所述服务请求的一个或以上特征;并使用所述价格预估模型处理所述服务请求的特征。
在一些实施例中,所述处理器可以进一步用于:获得历史订单信息和与至少一个历史订单相关的交通信息;基于所述历史订单信息确定至少两个历史实际价格;根据所述交通信息和所述历史订单信息中的至少一个,确定所述历史实际价格对应的至少两个历史预估价格;并且基于所述至少两个历史实际价格和所述至少两个历史预估价格生成所述至少一个价格预估模型。
在一些实施例中,所述预估价格可以包括价格或价格范围中的至少一个。
在一些实施例中,为了确定所述服务请求的预估价格,所述处理器可以进一步被指示使用所述价格预估模型来处理与用户相关的所述至少一个路线和至少一个历史订单。
在一些实施例中,为了确定与历史实际价格对应的历史预估价格,所述处理器可以进一步用于:基于所述交通信息和所述历史订单信息中的至少一个将所述历史实际价格分类为至少两个第一集合;确定所述第一集合历史实际价格的至少两个第一平均值;并基于所述至少两个第一平均值确定所述历史预估价格。
在一些实施例中,为了确定与历史实际价格对应的历史预估价格,所述处理器可以进一步用于:确定所述第一集合的至少两个残差,其中残差表示历史实际价格与历史预估价格之间的差异;以及基于所述交通信息或所述历史订单信息中的至少一个将所述残差分类为至少两个第二集合。
在一些实施例中,为了确定与历史实际价格对应的历史预估价格,所述处理器可以进一步用于:确定所述第二集合残差的至少两个第二平均值;以及基于所述至少两个第一平均值和所述至少两个第二平均值确定所述历史预估价格。
在一些实施例中,所述至少一个处理器可以进一步用于:分析与所述历史订单信息有关的至少两个历史订单中的每一个的粗略预估价格和实际价格;基于所述分析确定最小系数和最大系数;以及确定每个所述历史订单的最大预估价格和最小预估价格。
在一些实施例中,为了生成所述至少一个价格预估模型,所述至少一个处理器可以进一步用于:基于所述最小预估价格生成第一价格预估模型;以及基于所述最大预估价格生成第二价格预估模型。
在一些实施例中,所述交通信息可以包括至少一个交通灯、距离、上车地点的纬度和经度或路线的路段数量中的至少一个。
在一些实施例中,所述价格预估模型可以包括梯度提升决策树(GBDT)模型。
根据本申请的另一方面,一种用于提供按需服务的方法可以包括:接收来自用户终端的服务请求;确定所述服务请求的至少一个路线;并且基于所述至少一个路线和至少一个价格预估模型来确定所述服务请求的预估价格。在一些实施例中,确定所述预估价格可以包括:基于所述路线提取所述服务请求的一个或以上特征;以及使用所述价格预估模型处理所述服务请求的特征。
在一些实施例中,该方法还可以包括确定与服务请求相关的至少一个路线;以及基于所述至少一个路线和所述价格预估模型来确定所述服务请求的预估价格。
在一些实施例中,确定所述服务请求的预估价格可以包括使用所述价格预估模型来处理与用户相关的所述至少一个路线和至少一个历史订单。
在一些实施例中,确定与历史实际价格对应的历史预估价格可以包括:基于所述交通信息和所述历史订单信息中的至少一个将所述历史实际价格分类为至少两个第一集合;确定所述第一集合历史实际价格的至少两个第一平均值;以及基于所述至少两个第一平均值确定所述历史预估价格。
在一些实施例中,确定与历史实际价格对应的历史预估价格可以进一步包括:确定所述第一集合的至少两个残差,其中残差表示历史实际价格与历史预估价格之间的差异;以及基于所述交通信息或所述历史订单信息中的至少一个将所述残差分类为至少两个第二集合。
在一些实施例中,确定与历史实际价格对应的历史预估价格还可以包括:确定所述第二集合残差的至少两个第二平均值;以及基于所述至少两个第一平均值和所述至少两个第二平均值确定所述历史预估价格。
在一些实施例中,该方法可以进一步包括:分析与所述历史订单信息有关的至少两个历史订单中的每一个的粗略预估价格和实际价格;基于所述分析确定最小系数和最大系数;以及确定每个历史订单的最大预估价格和最小预估价格。
在一些实施例中,生成至少一个价格预估模型可以包括:基于所述最小预估价格生成第一价格预估模型;并基于所述最大预估价格生成第二价格预估模型。
根据本申请的另一方面,一种非暂时性机器可读存储介质可以包括指令,所述指令在由在线按需服务平台的至少一个处理器访问时使所述至少一个处理器执行以下操作:接收来自用户终端的服务请求;确定所述服务请求的至少一个路线;以及基于所述至少一个路线和至少一个价格预估模型来确定所述服务请求的预估价格。在一些实施例中,为了确定预估的价格,所述处理器可以进一步用于:基于所述路线提取所述服务请求的一个或以上特征;以及使用所述价格预估模型处理所述服务请求的特征。
附图说明
根据下面给出的详细描述以及本申请的各种实施例的附图,将更全面地理解本申请。然而,附图不应被认为是将本申请限制于特定实施例,而是仅用于解释和理解。
图1是根据本申请的一些实施例所示的示例性按需服务系统的模块图。
图2是根据本申请的一些实施例所示的示例性计算装置的硬件和/或软件组件的示意图。
图3是根据本申请的一些实施例所示的示例性处理引擎的模块图。
图4是根据本申请的一些实施例所示的价格预估的示例性过程的流程图。
图5是根据本申请的一些实施例所示的预处理历史订单信息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预处理历史订单信息的示例性模型的示意图。
图7是根据本申请的一些实施例所示的生成价格预估模型的示例性过程的流程图。
图8是根据本申请的一些实施例所示的用于对历史订单进行分类的示例性数据结构的示意图。
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,对本申请揭露的实施例进行的各种修改是显而易见的,并且本申请定义的通则可以适用于其他实施例和应用,而不背离本申请的精神和范围。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。
按需运输服务,如搭乘服务,已变得越来越流行。当在线运输服务的服务器通过用户终端接收到请求者的服务请求(例如,请求顺风车)时,服务器可以向用户提供建议路线和预估价格。价格预估的先前解决方案利用公式来预估订单的价格。例如,传统运输服务通过将与订单有关的建议路线的预估距离和/或预估时间乘以费率来确定预估价格。但是实际价格或订单可能受到至少两个因素影响,例如可能与建议的路线不同的实际路线、实现订单消耗的实际时间、实际交通条件等。因此,先前解决方案无法提供准确的价格预估。本申请的各方面通过提供用于使用机器学习技术进行价格预估和/或优化的机制(例如,方法、系统、媒体等)来解决上述缺陷。
本申请所使用的术语仅为了描述特定示例性实施例,并不限制本申请的范围。如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。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、和/或部件,而不排除可以存在和添加其他一个或以上特征、整数、步骤、操作、元素、部件、和/或其组合。
所述系统和方法可用在其他环境中,例如其他的服务提供系统。根据以下对附图的描述,本申请所述的和其他的特征、操作方法、相关组件的功能和经济的结构更加显而易见,这些都构成说明书的一部分。然而,应当理解,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例的。
本申请中使用了流程图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,流程图中的操作不一定按照顺序来执行。相反,这些操作可以以相反的顺序或同时执行。而且,可以将一个或以上其他操作添加到流程图。一个或以上操作也可能会从流程图中删除。
此外,尽管本申请中的系统和方法主要关于调度车辆进行描述,但是应该理解的是,这仅仅是一个示例性实施例。本申请的系统或方法可以应用于任何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的运输系统,包括陆地、海洋、航空航天等或上述举例的任意组合。所述运输系统涉及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、无人驾驶车辆等或上述举例的任意组合。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场景可以包括网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等或上述举例的任意组合。
本申请中的术语“乘客”、“请求者”、“服务请求者”和“客户”可用于表示请求或订购服务的个人、实体或工具,并且可互换使用。此外,本申请中的术语“司机”、“提供者”、“服务提供者”和“供应者”可用于表示提供服务或协助提供服务的个人、实体或工具,并且可互换使用。在本申请中,术语“用户”可以表示可以请求服务、预定服务、提供服务或促进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”可互换使用,“司机”和“司机终端”可互换使用。
本申请中的术语“请求”表示由乘客、请求者、服务请求者、客户、司机、提供者、服务提供者、供应方等或上述举例的任意组合所发起的请求。所述服务请求可以被乘客、请求者、服务请求者、客户、司机、提供者、服务提供者、供应方中的任意一个接受。所述服务请求可以是收费的或免费的。本申请中的术语“订单”表示乘客(或请求者、服务请求者、客户等)和司机(或提供者、服务提供者或供应方等)关于所述服务请求达成一致意愿。
本申请中的位置和/或旅行起点可以通过嵌入客户终端的定位技术来获取。本申请中使用的定位技术可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WiFi)定位技术等或上述举例的任意组合。以上定位技术中的一个或以上可以在本申请中交换使用。
本申请的一个方面涉及用于预估响应于服务请求,预估价格的在线系统和方法。根据本申请,所述系统和方法可以确定服务请求的预估价格。预估的价格可以包括值和/或值的范围(也被称为“价格范围”)。
需要注意的是,在线按需运输服务,例如在线预定出租车,是起源于后互联网时代的一种新的服务方式。它提供给用户的技术解决方案,只有在后互联网时代才产生。在互联网时代之前,当用户在街上招呼出租车时,出租车请求和接受发生在乘客和出租车司机之间。一般来说,出租车司机可以根据他/她的经验向乘客提供预估的价格。但是,预估价格可能与计价器系统产生的价格不同。在线出租车系统允许服务请求者预约服务并将预订分发给远离用户的服务提供者(例如出租车)。用户和服务提供者都可以根据预订接收由价格预估系统确定的预估价格。因此,通过互联网,所述在线按需运输系统可以为用户和服务提供方提供一个更加高效的交易平台,这在互联网时代之前的传统运输服务系统中是无法实现的。价格预估为请求者和服务提供者提供了高效的服务。
图1是根据本申请的一些实施例所示的示例性按需服务系统100的模块图。例如,按需服务系统100可以是一个提供运输服务的在线运输服务平台,如出租车呼叫、代驾服务、快递车辆、共乘、公交车服务、司机招聘和接送服务。按需服务系统100可以包括服务器110、网络120、乘客终端130、司机终端140和数据库150。服务器110可以包括处理引擎112。
服务器110可以被配置为处理与服务请求相关的信息和/或数据。例如,服务器110可以从乘客终端130接收服务请求,并且处理所述请求以分配司机终端140向乘客终端130的用户提供服务。在一些实施例中,服务器110可以是一个单个的服务器或者一个服务器群。所述服务器群可以是集中式的或分布式的(例如,服务器110可以是分布式的系统)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络120访问储存于乘客终端130、司机终端140和/或数据库150中的信息和/或数据。再例如,服务器110可以直接连接到乘客终端130、司机终端140和/或数据库150以访问储存的信息和/或数据。在一些实施例中,服务器110可以在云平台上实现。仅仅作为示例,所述云端平台可以包括私有云、公共云、混合云、小区云、分布云、跨云、多云等或上述举例的任意组合。在一些实施例中,服务器110可以在一个如本申请中图2所示的,具有一个或以上部件的计算装置上实现。
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描述的一个或以上功能。例如,处理引擎112可以接收来自乘客终端130的服务请求,和/或生成服务请求的预估价格。在一些实施例中,处理引擎112可以包括一个或以上处理引擎(例如,单核处理器或多核处理器)。仅作为范例,处理引擎112可包括中央处理器(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、精简指令集计算器(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,系统100中的一个或以上部件(例如,服务器110、乘客终端130、司机终端140和数据库150)可以通过网络120向/从系统100中的其他部件发送/接收信息和/或数据。例如,服务器110可以通过网络120从乘客终端130获取/得到服务请求。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。仅仅作为示例,网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网路(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、无线个域网、近场通讯(NFC)网络、全球行动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短信息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等中的一种,或类似或其任意组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2、……,通过接入点,按需服务系统100的一个或以上部件可以连接到网络120以交换数据和/或信息。
乘客终端130可被乘客用于请求按需服务。例如,乘客终端130的使用者可以使用乘客终端130为自己或其他使用者发送服务请求,或从服务器110接收服务和/或信息或指令。在一些实施例中,术语“使用者”和“乘客终端”可以互换使用。
在一些实施例中,乘客终端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、机动车内建装置130-4等中的一种,或类似或其任意组合。在一些实施例中,移动装置130-1可包括智能家居装置、可穿戴设备、智能移动装置、虚拟现实装置、增强实境装置等或其任意组合。在一些实施例中,智能家居装置可以包括智能照明装置、智能电器的控制装置、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,可穿戴设备可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配件等或其任意组合。在一些实施例中,智能移动装置可以包括智能电话、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,虚拟现实装置和/或增强实境装置可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或上述举例的任意组合。例如,虚拟实境装置和/或增强实境装置可以包括Google Glass、Oculus Rift、Hololens、Gear VR等。在一些实施例中,机动车内建装置130-4可以包括车载计算机、车载电视等。仅仅作为示例,乘客终端130可以包括控制器(例如,遥控器)。
在一些实施例中,乘客终端130可以是具有定位技术的装置,用来确定用户和/或乘客终端130的位置。在一些实施例中,乘客终端130可以与其他定位设备通信以确定用户和/或乘客终端130的位置。在一些实施例中,乘客终端130可以向服务器110发送定位信息。
司机终端140可以被司机用来与服务器100和乘客终端130进行通信。在一些实施例中,司机终端140可以是管理和/或控制至少一个车辆的终端。例如,司机终端140可以是控制多个车辆的平台。在一些实施例中,司机终端140可以是一个与乘客终端130类似或者相同的装置。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以储存从乘客终端130和/或司机终端140获得的数据。在一些实施例中,数据库150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150可以包括大容量储存器、可移式储存器、挥发性读写内存、只读存储器(ROM)等或上述举例的任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移式储存器可以包括快闪驱动器、软盘、光盘、记忆卡、压缩碟、磁带等。示例性的挥发性读写内存可以包括随机存取内存(RAM)。示例性的随机存取内存可以包括动态随机存取内存(DRAM)、双倍速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、闸流体随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性的只读存储器可以包括掩蔽型只读存储器(MROM)、可程序只读存储器(PROM)、可清除可程序只读存储器(EPROM)、电子可抹除可程序只读存储器(EEPROM)、压缩盘只读存储器(CD-ROM)和数字通用磁盘只读存储器等。在一些实施例中,数据库150可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、小区云、分布云、跨云、多云等或上述举例的任意组合。
在一些实施例中,数据库150可以与网络120连接以与系统100中的一个或以上部件(例如,服务器110、乘客终端130、司机终端140等)通讯。系统100中的一个或以上部件可以通过网络120访问储存于数据库150中的数据或指令。在一些实施例中,数据库150可以直接与系统100中的一个或以上部件(例如,服务器110、乘客终端130、司机终端140等)连接或通讯。在一些实施例中,数据库150可以是服务器110的一部分。
在一些实施例中,系统100的一个或以上部件(例如,服务器110、乘客终端130、司机终端140等)可以拥有访问数据库150的许可。在一些实施例中,当满足一个或以上条件时,系统100的一个或以上部件可以读取和/或修改与乘客、司机和/或公众相关的信息。例如,在完成一个服务后,服务器110可以读取和/或修改一个或以上用户的信息。又例如,当从乘客终端130接收到一个服务请求时,司机终端140可以获取所述乘客相关信息,但所述司机终端140不可修改所述乘客相关信息。
在一些实施例中,系统100中的一个或以上部件的信息交换可以通过请求一个服务的方式实现。服务请求的对象可以是任何产品。在一些实施例中,所述产品可以是有形产品或无形产品。有形产品可以包括食品、医药、商品、化学产品、电器、衣物、小汽车、房屋、奢侈品等或类似或上述举例的任意组合。无形产品可以包括服务产品、金融产品、知识产品、互联网产品等或上述举例的任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或上述举例的任意组合。移动互联网产品可以用于移动终端的软件、程序、系统等或上述举例的任意组合。移动终端可以包括平板计算机、膝上型计算机、移动手机、掌上计算机(PDA)、智能手表、POS机、车载计算机、车载电视、随身装置等或上述举例的任意组合。例如,产品可以是用于计算机或移动手机中的任意的软件和/或应用程序。软件和/或应用程序可以与社交、购物、交通、娱乐、学习、投资等或上述举例的任意组合相关。在一些实施例中,与交通相关的软件和/或应用程序可以包括出行软件和/或应用程序、交通工具调度软件和/或应用程序、地图软件和/或应用程序等。在交通工具调度软件和/或应用程序中,交通工具可以包括马、马车、人力车(例如独轮手推车、自行车、三轮车等)、汽车(例如,出租车、公交车、私家车等)、列车、地铁、船舶、航空器(例如,飞机、直升机、航天飞机、火箭、热气球等)等或上述举例的任意组合。
图2是根据本申请的一些实施例所示的计算装置200的示例性硬件和软件的示意图。服务器110、乘客终端130和/或司机终端140可以在计算装置200上实现。例如,处理引擎112可以在计算装置200上实现,并被配置为执行本申请中所揭露的处理引擎112的功能。
在一些实施例中,计算装置200可以是专用计算机。计算装置200可以用于实现本申请的按需服务系统。计算装置200可以实现所述的按需服务的任意组件。在图1和图2中,为方便起见只绘制了一台计算装置。在提交本申请时,本领域的普通技术人员将理解,与所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,以分散处理负荷。
例如,计算装置200可以包括与网络连接的通讯端口250,以实现数据通讯。计算装置200可以包括中央处理单元(CPU,或处理器)220,可以以一个或以上处理器的形式执行程序指令示例性的计算装置可以包括内部通信总线210、不同形式的程序存储器和数据存储器,例如,磁盘270、只读存储器(ROM)230或随机存取存储器(RAM)240,用于存储由计算装置处理和/或传输的各类数据文件。示例性计算机平台还可以包括存储在ROM 230、RAM 240和/或其他类型的非暂时性存储介质中的由CPU/处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算装置200还包括输入/输出组件260,用于支持计算机与其他部件例如用户接口280之间的输入/输出。计算装置200也可以通过网络通讯接收程序设计和数据。
为了方便起见,计算装置200仅绘制了一个CPU/处理器220。然而,应该注意的是,本申请中的计算装置200也可以包括多个CPU/处理器,因此本申请中描述的由一个CPU/处理器220实现的操作和/或方法步骤也可以共同地或独立地由多个CPU/处理器执行。例如,在本申请中,如果计算装置200的CPU/处理器220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200的两个不同的CPU/处理器共同地或独立地执行(例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B)。
图3是根据本申请的一些实施例所示的示例性处理引擎112的模块图。处理引擎112可以包括获取模块310、建模模块320、价格预估模块330和发送模块340。这些模块可以包括处理引擎112的全部或部分的硬件电路。这些模块还可以实现为由处理引擎112读取和执行的应用程序或指令集。此外,这些模块可以是硬件电路和应用程序/指令的组合。例如,当处理引擎112正在执行应用程序/指令集时,模块可以是处理引擎112的一部分。
获取模块310可以被配置为从用户设备(例如,乘客终端130、司机终端140等)、数据库150和/或任何其他设备获取信息。该信息可以包括与用户设备相关的任何信息。例如,获取模块310可以获取与用户设备相关的定位信息。所述定位信息可以包括例如Wi-Fi数据、GPS信号等。所述定位信息可以包括关于用户设备的一个或以上位置的信息。作为另一示例,该信息可以包括关于一个或以上订单的信息,诸如与一个或以上当前订单相关的信息(也称为“当前订单信息”)、与一个或以上历史订单相关的信息(也称为“历史订单信息”)等。当前订单可以包括即将要完成的订单。历史订单可以是已经完成和/或先前发出的订单。与特定订单相关的信息可以包括例如与所述订单相关联的用户信息(例如,发起所述订单的乘客、接受或拒绝所述订单的司机、被分配所述订单的司机等)、天气信息、交通信息、时间信息、位置信息、地图信息、价格信息、路线信息等。
建模模块320可以被配置为生成用于执行价格预估和/或优化的价格预估模型。例如,建模模块320可以使用一种或多种机器学习技术训练初始价格预估模型。可用于训练价格预估模型的示例性机器学习方法可包括梯度提升决策树(GBDT)算法、决策树算法、随机森林算法、逻辑回归算法、支持向量机(SVM)算法、朴素贝叶斯算法、K-a最近邻算法、K-means算法、AdaBoost算法、神经网络算法、马尔可夫链算法等,或其任意组合。
在一些实施例中,价格预估模型可以包括一个或以上决策树。所述一个或以上决策树可以是回归树。建模模块320可以将每个决策树与标签相关联。建模模块320可以基于一个或以上其他决策树的输出来确定特定决策树的标签。例如,建模模块320可以基于与其他决策树相关联的一个或以上残差来确定特定决策树的标签。每个残差可以表示预估值和实际值之间的差。在一些实施例中,残差可以表示预估值和与其他决策树相关联的实际值之间的差的组合。
在一些实施例中,建模模块320可以基于历史实际价格来确定价格预估模型的第一决策树的第一标签。例如,历史实际价格可以用作第一标签。历史实际价格可以涉及一个或以上特定用户(例如,乘客)、订单等。建模模块320可以基于其他历史订单信息来确定第一决策树的一个或以上第一特征。例如,第一特征可以是和/或包括路线的一个或以上特征、路线的一个或以上路段的特征等。建模模块320可以对第一特征进行分类以产生第一预估价格。第一个预估价格可以对应于路线。建模模块320然后可以基于第一预估价格来确定价格预估模型的第二决策树的第二标签。例如,建模模块320可以确定第一预估价格和第一实际历史价格之间的残差并且将残差用作第二标签。建模模块320还可以基于历史订单信息生成第二决策树的第二特性。建模模块320然后可以对第二特性进行分类并且为第二决策树生成第二预估价格。第二预估价格可以用于确定下一个决策树的标签。建模模块320可以以迭代方式执行上述操作以构建价格预估模型。价格预估模型可以基于优化算法构建。
在一些实施例中,建模模块320可以基于从获取模块310接收的信息来生成一个或以上价格预估模型。例如,可以基于历史订单信息、当前订单信息、交通信息、天气信息、时间信息、位置信息、地图信息等或其任意组合来生成价格预估模型。当用户请求订单时,处理器220可以使用价格预估模型来预估订单的价格。
在一些实施例中,建模模型320可以响应于请求,周期性地、在任意时间和/或以任何其他方式生成价格预估模型。价格预估模型可以在线或离线被训练。
价格预估模块330可以被配置为对由用户请求的服务请求执行价格预估和/或优化。例如,价格预估模块330可以使用由建模模块320生成的价格预估模型来确定一个或以上预估价格。每个预估价格可能是一个值或一系列值。更具体地说,例如,价格预估模块330可以生成服务请求(例如,当前订单)的一个或以上特征。价格预估模块330可以使用价格预估模块来处理特征以产生服务请求的预估价格。在一些实施例中,所述服务请求的所述特征可以包括路线。价格预估模块330可以基于与服务请求相关联的第一位置(例如,上车地点)和第二地点(例如,目的地)来确定所述路线。所述路线可以使用任何合适的路线规划技术来确定。服务请求的特征还可以包括关于与服务请求相关联的用户(例如,发起服务订单的乘客)的信息,诸如与用户有关的历史订单信息。价格预估模块330可以提供关于路线的数据、与用户有关的历史订单信息,和/或所述服务请求的任何其他特征作为价格预估模型的输入以产生预估价格。
在一些实施例中,建模模块320和/或价格预估模块可以执行图4、图5和图7所示过程400、500和700的一个或以上部分。
发送模块340可以被配置为向一个或以上用户设备或任何其他设备发送与系统100相关的信息。例如,发送模块340可以向用户设备发送预估价格。又例如,发送模块340可以将关于价格预估模型的数据发送给用户设备。
处理引擎112中的模块可以通过有线连接或无线连接以互相连接或互相通讯。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙TM、ZigBeeTM网络、近场通讯(NFC)等或其任意组合。两个或以上模块可以合并成一个模块,以及任意一个模块可以被拆分成两个或以上单元。例如,获取模块310可以作为一个模块集成在发送模块340中,该模块可以从无线电装置获得定位请求并将默认位置发送到无线电装置。又如,建模模块320可以拆分为收集单元、训练单元和建立单元三个单元,以分别实现建模模块320的功能。
图4是根据本申请的一些实施例所示的价格预估的示例性过程400的流程图。在一些实施例中,过程400可以由图1中所示的系统100来实现。例如,流程400可以以指令的形式储存在数据库150和/或内存(如ROM 230、RAM 240等)中,并且被服务器110(如服务器110中的处理引擎112、服务器110中的处理引擎112中的处理器220或者如图3中所示的处理引擎112中的一个或以上组件)调用和/或执行。
在402中,处理器220可以获得历史订单信息和交通信息。在一些实施例中,历史订单信息可以包括与一个或以上历史订单相关的任何信息(例如,先前发出和/或完成的订单)。所述历史订单可以涉及位置、一个或以上特定乘客等。位置可以包括城市、城镇、国家、街道、城市的一个或以上部分(例如城市的商业区、城市中的区域等)或任何其他位置。处理器220可以是在线按需服务平台(例如系统100)的服务器的处理器。在一些实施例中,所述历史订单信息可以包括与一个或以上历史订单有关的任何信息,诸如历史订单的数量、与历史订单相关的通勤的数量、在特定时间段(例如在早晨和/或晚上高峰时间期间)内发出的订单的数量、历史实际价格与历史预估价格之间的比较、与订单相关的时间信息、历史订单的粗略预估价格、与历史订单相关的成本、为历史订单收取的票价(例如,基本费用、每分钟成本、每英里成本、预订费用、附加费等)等。与订单相关的时间信息可以包括订单发生的时间和订单花费时间。
订单的粗略预估价格可以基于与订单有关的信息来确定,例如乘车距离、与订单有关的时间信息(例如,与订单发出相对应的时间)、与订单有关的行驶时间、上车地点、目的地等。所述粗略预估可以基于一个或以上计算机实现的规则来确定。例如,粗略预估的价格可以通过用费率(例如每英里的成本)乘以乘车距离来确定。又例如,粗略预估的价格可以通过乘坐时间乘以费率(例如,每分钟费用)来确定。再例如,粗略预估的价格可以通过在票价上增加附加费来确定。所述附加费可包括与距离有关的费用、与时间有关的费用、夜间驾驶费用、长途驾驶费用等或其任意组合。与时间有关的费用可能是基于订单花费时间的费用。例如,订单花费的时间少于10分钟,与时间有关的费用可能是固定价格。当订单花费的时间超过10分钟时,与时间有关的费用可能会基于订单花费时间增加。所述历史信息可以被存储在数据库150中。
在一些实施例中,从上车地点到目的地的路线可以包括一个或以上路段。路线中的每个路段可以对应于路线的至少一部分。该路线可以基于一个或以上预定的计算机实施规则被分割成多个路段。所述交通信息可以包括路线信息和路段信息。所述路线信息可以包括路线中包括的多个路段、包括在路线中的交通灯的数量、包括在路线中的用于左转的交通灯的数量、包括在路线中的用于右转的交通灯的数量等等。所述路段信息可以包括路段的道路距离、路段端点的纬度和经度、或者路线分段中使用的路段的任何其他特征等或其任意组合。所述道路距离可以是与两个位置之间的直线距离不同的距离。所述道路距离可以是车辆可以经过的实际距离。上车地点的纬度和经度可以从在线数字地图数据库获得。在一些实施例中,交通信息可以被存储在数据库150中。
在404中,处理器220可以预处理历史订单信息。例如,处理器220可以预处理历史订单信息(例如,历史实际价格、历史预估价格)以确定粗略预估价格和/或粗略预估价格的范围(也被称为“预估价格范围”)。所述预估的价格范围可以包括最小预估价格和最大预估价格。所述预估价格范围和/或粗略预估价格可以通过执行下述结合图6描述的一个或以上操作来确定。在一些实施例中,步骤404可以被省略。
在406中,处理器220可以基于该生成至少一个价格预估模型。在一些实施例中,所述价格预估模型可以使用GBTD算法来生成。在一些实施例中,所述至少一个价格预估模型可以包括预估价格模型、最大预估价格模型和最小预估价格模型等。所述价格预估模型可以是用于预估订单价格的机器学习模型。在一些实施例中,需要订单的预估价格值。处理器220可以使用价格预估模型来提供准确的预估价格。在一些实施例中,需要订单的预估价格值的范围。处理器220可以使用两个价格预估模型来提供最小预估价格和最大预估价格。最小预估价格和预估价格可构成订单的预估价格值的范围。
在408中,处理器220可以获得与订单请求有关的信息。所述订单请求可以从用户终端传输而来。所述订单请求可以由用户发起。在一些实施例中,与订单请求有关的信息可以包括与用户信息相关联的当前订单信息。当前订单信息可以包括上车地点、目的地、用户指定的上车时间、用户指定的特定路线等。所述用户信息可以包括用户名、用户标识符、用户终端等或其任意组合。
在410中,处理器220可以确定与所述订单请求有关的一个或以上路线。在一些实施例中,可以基于当前订单信息来确定路线。例如,处理器220可以确定从上车地点到目的地的至少一条路线。在一些实施例中,所述路线可以包括满足一个或以上条件的一个或以上路线。例如,所述路线可以包括与特定行驶时间(例如,最短行驶时间、第二最短行驶时间、小于阈值的行驶时间等)相关联的路线。又例如,路线可以包括与特定距离(例如,最短距离、第二最短距离等)相关联的路线。
在412中,处理器220可以确定每条路线的预估价格。在一些实施例中,至少一个路线中的每一个路线的价格预估可由处理器220使用在406中生成的价格预估模型来确定。例如,处理器220可以基于与订单请求有关的信息提取订单请求的一个或以上特征。订单的特征可以包括例如出发地点、目的地、出发地点和目的地之间的距离、从出发地点到目的地的路线之间的交通信号灯的数量、与订单请求相关的时间(例如,满足订单请求的时间点或时间段)、天气信息等。处理器220可以基于所述特征和生成的价格预估模型来确定订单的预估价格。例如,处理器220可以将该特征与包含在价格预估模型中的分类特征进行比较以确定分类规则。并且基于分类规则,处理器220可以提供预估的价格。在一些实施例中,分类规则可以是链接一组分类特征的路线。路线的末端可能会连接到一个价格。处理器220可以确定订单的路线并且确定连接到所述路线的价格,以作为所述订单的预估价格。关于路线确定的更多细节可以在本申请的其他地方披露(例如,在图8的描述中)。在一些实施例中,至少一个路线中的每一个路线的价格预估可以是预估价格。在一些实施例中,所述至少一个路线中的每一个路线的预估价格可以是预估的价格范围。
图5是根据本申请的一些实施例所示的预处理历史订单信息的示例性过程500的流程图。在一些实施例中,过程500可以在如图1所示的系统100中实现。例如,过程500可以以指令储存在数据库150和/或内存(如ROM 230、RAM 240等)中,并且被服务器110(如服务器110中的处理引擎112、服务器110中的处理引擎112中的处理器220或者图3中处理引擎112中的一个或以上组件)调用和/或执行。
在502中,处理器220可以为至少两个历史订单中的每一个历史订单确定第一价格和第二价格。所述第一价格可能是历史订单的实际价格(也称为“历史实际价格”)。历史实际价格可能是用户为历史订单实际支付的价格。在一些实施例中,一个历史实际价格可以对应于至少两个历史订单。可以为所述历史订单生成至少两个第一价格。第二价格可以包括历史订单的历史预估价格。所述历史预估价格可能是粗略预估价格。在一些实施例中,可以为所述历史订单生成至少两个第二价格。
在504中,处理器220可以基于所述第一价格和所述第二价格来确定第一系数和第二系数。所述第一系数可以用于基于历史实际价格确定最小预估价格。所述第二系数可以用于基于历史实际价格确定最大预估价格。所述第一系数可以是最小系数。用于确定最大预估价格的所述第二系数可以是最大系数。在一些实施例中,可以使用一个或以上历史订单来确定所述第一系数和第二系数。对于历史订单的不同部分,可以获得不同的第一系数和第二系数。在504中,可以将第一系数的平均值和第二系数的平均值视为第一系数和第二系数。例如,具有历史实际价格为12元的历史订单可以用于确定第一组第一系数和第二系数。具有历史实际价格为100元的历史订单可以用于确定第二组第一系数和第二系数。在504中,可以将第一组中的第一系数和第二组中的第一系数的平均值视为第一系数。在504中,可以将第一组中的第二系数和第二组中的第二系数的平均值视为第二系数。
在506中,处理器220可以为每个历史订单确定第一预估价格和第二预估价格。第一预估价格可以是历史实际价格的最小粗略预估价格。第二预估价格可以是历史实际价格的最大粗略预估价格。最小粗略预估价格和最大粗略预估价格可以形成历史实际价格的粗略预估价格的范围。在一些实施例中,第一预估价格可以通过将历史实际价格与第一系数相乘来确定。第二预估价格可以通过将历史实际价格与第二系数相乘来确定。
图6是根据本申请的一些实施例所示的用于预处理历史订单信息的示例性模型的示意图。如图所示,可以使用统计直方图602和分布曲线604来描述预处理。历史订单的一部分可能会被分析。例如,在该图中,可以分析与特定历史实际价格(例如,12.5元)相关联的历史订单。图中的横轴可以代表历史价格,纵轴可以代表历史价格的计数。历史价格的计数可以指具有该历史价格的订单的数量。统计直方图602可以表示与历史实际价格相关联的历史订单相关的预估价格的分布。分布曲线604可以表示统计直方图602的曲线拟合。粗略预估价格的范围可以基于历史实际价格和分布曲线604来确定。例如,对应于统计直方图602的分布曲线604可能具有峰值价格(12.2元)。可以确定粗略预估价格D的范围以确定第一系数和第二系数。分布曲线604的粗略预估价格的范围可以包括最低价格和最高价格。第一系数可以是基于最低价格和历史实际价格确定的最小系数。第二系数可以是基于最高价格和历史实际价格确定的最大系数。
在一些实施例中,处理器220可以确定最低价格和历史实际价格之间的宽度D1(也被称为第一宽度)。所述第一宽度可以表示最低价格和历史实际价格之间的差异。处理器220可以确定最高价格和历史实际价格之间的宽度D2(也被称为“第二宽度”)。所述第二宽度可以表示最高价格和历史实际价格之间的差异。在一些实施例中,第一宽度和第二宽度的值可以相同或不同。
在一些实施例中,预估价格的范围可以基于比例值来确定。所述比例值可以表示预估价格范围下的覆盖面积与整个分布曲线604的面积的比率。示例性比例值可以包括20%、40%、60%、70%、80%和90%等。例如,比例值可以被确定为60%。至少两个历史价格范围可以具有60%的比例值。处理器220可以以历史价格范围的最小宽度作为预估价格范围的范围(诸如11.2至13.5)。最低价格和最高价格可以是11.2和13.5。
在一些实施例中,预估价格的范围可以具有固定宽度(诸如历史实际价格的20%)。例如,历史实际价格可能是12.5。确定的价格范围的宽度可以定为2.5。至少两个历史价格范围可以具有2.5的固定宽度。处理器220可以将具有最大预估价格的历史价格范围确定为预估价格范围,例如11.1至13.6。最低预估价格为11.1元,最高预估价格为13.6元。
图7是根据本申请的一些实施例所示的生成价格预估模型的示例性过程700的流程图。在一些实施例中,过程700可以在如图1所示的系统100中实现。当处理器220被要求提供预估价格时,它可以生成价格预估模型。当处理器220被要求提供预估价格的范围时,它可以使用过程700生成两个价格预估模型。价格预估模型之一可用于确定最小预估价格。另一个可以用于确定最大预估价格。最小预估价格和最大预估价格可以构成预估价格的范围。当处理器220需要提供预估价格和预估价格范围时,它可以生成三个价格预估模型。
在704中,处理器220可以将一个或以上历史价格设置为价格预估模型的初始树标签。例如,处理器220可以基于历史价格确定价格预估的第一决策树的标签。在一些实施例中,历史价格可以是基于历史订单信息获得的历史实际价格。在一些实施例中,历史价格可以包括在过程500中确定的最小粗略预估价格和/或最大粗略预估价格。在历史价格包括最小粗略预估价格的一些实施例中,处理器220可以生成价格预估模型以提供最小预估价格。在历史价格包括最大粗略预估价格的一些实施例中,处理器220可以生成价格预估模型以提供最大预估价格。最小预估价格和最大预估价格可用于确定每个订单的预估价格范围。
在706中,处理器220可以将历史订单信息和交通信息的一个或以上特征设置为分类特征。
在一些实施例中,所述分类特征可以用于将包含在初始树标签中的历史价格分类为至少两个分支。分支可能是满足分类特征的历史价格。在一些实施例中,历史订单信息的一个或以上特征可以包括上车地点、目的地、订单的距离、订单的预估时间等。在一些实施例中,交通信息可以包括路线信息和路段信息。路线信息可以包括路线中包括的多个路段、包括在路线中的交通灯的数量、包括在路线中的用于左转的交通灯的数量、包括在路线中的用于右转的交通灯的数量等等。所述路段信息可以包括路段的道路距离、路段端点的纬度和经度,或者路线分段中使用的路段的任何其他特征等或其任意组合。例如,当分类特征是订单的距离时,例如5公里,距离为5公里的订单可以被分类为分支。
在708中,处理器220可以确定一个或以上预估价格。在一些实施例中,每个分支可具有可用于确定预估价格的分类历史价格。在一些实施例中,分支中仅包括一个历史价格。所述一个历史价格可以被认为是该分支的预估价格。在一些实施例中,两个或以上历史价格可以被包括在分支中。所述历史价格的平均值可以被认为是预估价格。对于每个分支,预估价格可能被确定。
在710中,处理器220可以确定与预估价格相关联的残差。在一些实施例中,每个残差可以表示每个分支的一个或以上历史价格与预估价格之间的差值。例如,历史价格可能是12元,预估价格可能是10.5。处理器220可以将残差确定为1.5,作为历史价格和预估价格之间的差值。又例如,历史价格可能是15,预估价格可能是17.2。处理器220可以将残差确定为-2.2。
在712中,处理器220可以确定是否满足预定标准。预定标准可以包括用于结束过程700的一个或以上条件。例如,所述预定标准可以包括执行过程700迭代次数的阈值。具体地,例如,处理器220可以响应于确定执行过程700已达阈值迭代次数来确定满足预定标准。可选地,处理器220可以响应于确定执行过程700未达阈值迭代次数来确定不满足预定标准。
又例如,所述预定标准可以包括损失函数的值小于阈值。更具体地,例如,处理器220可以响应于确定损失函数的值小于阈值而确定不满足预定标准。或者,处理器220可以响应于确定损失函数的值大于或等于阈值而确定满足预定标准。所述损失函数可以是用于测量预估价格与历史价格之间的偏差的函数。损失函数可以表示残差的平均值(例如算术平均值、几何平均值、加权平均值等)。
在一些实施例中,响应于确定满足所述预定标准,处理器220可进行至步骤716。或者,处理器200可以响应于确定不满足预定标准而前进到步骤714。
在714中,处理器220可以将残差设置为新的树标签。例如,处理器220可以将在步骤710中确定的残差设置为价格预估模型的下一个决策树的树标签。新的树标签可用于训练价格预估模型的下一个决策树。处理器220然后可以循环回到步骤706。例如,处理器220可以设置历史订单信息和交通信息的一个或以上特征作为下一个决策树的分类特征。
在716中,处理器220可以获得训练的价格预估模型。处理器220可以输出和/或存储通过执行如上所述的步骤704-714训练的价格预估模型。在一些实施例中,训练价格预估模型可以用于响应于订单请求提供预估价格。在训练的价格预估模型中,可能有至少两个分类树可以被视为各种链接。订单请求中的特征可以与所述链接进行比较以提供预估价格。
图8是根据本申请的一些实施例所示的用于对历史订单进行分类的示例性数据结构的示意图。802可以表示价格预估模型的第一树标签(例如,结合图7描述的价格预估模型)。一个或以上历史价格(例如,如图8所示的9、14、15和22)可以被包括在第一树标签中。历史价格可能包括一个或以上历史实际价格。在一些实施例中,历史价格可以包括一个或以上预处理的历史价格(例如,如上所述的最小预估价格和/或最大预估价格)。
804-1和804-2可以表示与第一树标签对应的分类特征(例如,在704中确定的分类特征)。所述分类特征可以包括上述的历史订单信息和交通信息。例如,分类特征可以包括第一距离(例如3千米的距离)和第二距离(例如5千米的距离)。历史价格(9、14、15和22)可以基于与历史订单有关的信息而被分类为多个分支。例如,对应于第一距离的订单(例如,9和15)可以被分类为第一分支。又例如,对应于第二距离的订单(14和22)可以被分类为第二分支。
806-1和806-2可以表示基于804-1和804-2分类特征的历史价格的分类分支。在一些实施例中,第一树标签的分支也可以指第一集合。可以确定第一集合的历史价格的至少两个第一平均值。可以为每个第一集合确定预估的价格。例如,分支806-1的预估价格是12。在一些实施例中,分支可以包含两个或以上历史价格。例如,第一树标签802中的两个或以上历史价格可以被分类为基于分类特征(例如,距离)的分支。更具体地,例如,分类在同一分支中的历史订单可具有相同的距离、相似的距离等。在一些实施例中,当两个距离之间的差异不大于阈值时,两个距离可被认为是相似的。
基于分支,可以确定一个或以上残差。如上所述,每个残值的值可以是分支中的预估价格与对应的历史实际价格之间的差值。例如,在分支806-1中,历史价格是9和15。相应的预估价格是12。处理器220然后可以确定分支806-1的残差为-3和3。
808可以表示价格预估模型的第二树标签。可以将与第一树标签对应的分支的残差设置为第二树标签808。例如,第二树标签中的历史价格设置的残差可以是-3、-4、3和4。处理器220可以提取残差并将它们设置为第二树标签。
810-1和810-2可以表示用于对第二树标签中的残差进行分类的分类特征。在一些实施例中,分类特征810-1和810-2可以不同于分类特征804-1和804-2。例如,分类特征804-1和804-2可以是上车地点和/或距离。用于对第二树标签中的残差进行分类的分类特征810-1和810-2可以是订单花费的时间、交通灯数量、天气等等。例如,当分类特征810-1是交通灯数量例如3,则与具有3个交通灯的历史订单相关的残差可以被分类同一分支。
812-1和812-2可以表示第二棵树的分支。在一些实施例中,第二树标签的分支可以指代第二集合。可以确定第一树标签的残差的至少两个第二平均值。第二树标签的残差可以由处理器220确定。第二树标签的残差可以基于第一树标签的残差来确定。例如,第二树标签可以包括-3、-4、3和4。分支812-1和812-2(第二集合)的平均值可以是-3.5和3.5。那么,第二树标签的残差可以是0.5、-0.5、-0.5和0.5。
在一些实施例中,可以满足预定标准,并且价格预估模型可以通过如图中所示的两次分类来训练。可以确定历史价格和预估价格之间的关系。例如,历史价格9可以被分类到分支812-1。历史价格9的预估价格是12和-3.5的和8.5。如上所述,包括804-1和810-1的路线可以对应于可以确定价格为8.5的分类规则。类似地,包括804-1和810-2的路线可以对应于可以确定价格为15.5的分类规则。包括804-2和810-1的路线可以对应于可以确定价格为14.5的分类规则。包括804-2和810-2的路线可以对应于可以确定价格为21.5的分类规则。在这种情况下,如果订单具有804-1和810-1的相同特征,则处理器220可以确定包括804-1和810-1的路线并且将订单的预估价格确定为8.5。
本申请的实施例还涉及一种计算机可读介质和/或机器可读存储介质,其上存储了体现本申请描述的一种或多种方法和/或功能的一组或多组指令(例如,由获取模块310、建模模块320、价格预估模块330和发送模块340执行的指令)。在一些实施例中,计算机可读介质和/或机器可读存储介质可以包括当被处理器(或计算设备)访问时使处理器执行一个或以上过程和/或方法的指令(例如,结合图3-图8所描述的一个或以上过程)。
例如,计算机可读介质和/或机器可读存储介质可以包括指令,所述指令由实现获取模块310的一个或以上处理器访问时,使处理器从用户设备(例如,乘客终端130、驾驶员终端140等)、数据库150和/或任何其他设备获得信息。在一些实施例中,指令由处理器访问时,可以使处理器执行可以由获取模块310执行的任何操作,如以上结合图3所描述的。
又例如,计算机可读介质和/或机器可读存储介质可以包括指令,所述指令由实现建模模块320的一个或以上处理器访问时,使处理器生成一个或以上价格预估模型以用于执行价格预估和/或优化。在一些实施例中,所述指令由处理器访问时,可以使处理器执行可以由建模模块310执行的一个或以上操作,如以上结合图3和图5-8所描述的。
再例如,计算机可读介质和/或机器可读存储介质可以包括指令,所述指令由实现价格预估模块330的一个或以上处理器访问时,使处理器执行价格预估和/或优化用户所请求的服务请求。在一些实施例中,所述指令由处理器访问时,可以使处理器执行可以由价格预估模块330执行的一个或以上操作,如以上结合图3所描述的。
再例如,计算机可读介质和/或机器可读存储介质可以包括指令,所述指令由实现发送模块340的一个或以上处理器访问时,使处理器发送与系统100有关的信息到一个或以上用户设备或任何其他设备。在一些实施例中,所述指令由处理器访问时,可以使处理器执行可以由发送模块340执行的一个或以上操作,如以上结合图3所描述的。
这里,计算机可读介质包括以机器(例如,计算机)可读形式存储或传输信息的任何机制。例如,在一些实施例中,计算机可读介质可以是暂时的或非暂时的。例如,非暂时性的计算机可读介质可以包括例如磁介质(如硬盘、软盘等)、光介质(如光盘、数字视频盘、蓝光盘等)、半导体介质(如闪存、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)等)等任何在传播过程中所记录的数据不会稍纵即逝或者缺乏持久性的有形介质。再例如,暂时性的计算机可读介质可以包括网络信号、连接器、导体、光纤、电路等任何在传播过程中所记录的数据稍纵即逝并且缺乏持久性的无形介质。
本申请还涉及用于执行所述操作的装置。该装置可以为了所需目的专门构造,或者可以包括通过计算机中存储的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可以存储在计算机可读存储介质中,包括但不限于任何类型的软盘、光盘、CD-ROM和磁盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡或适用于存储电子指令的任何类型的介质。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并没有明确说明,本领域普通技术人员可以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、修正仍属本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的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良。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可以表现为位于一个或以上计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
Claims (20)
1.一种系统,包括:
至少一个计算机可读存储介质,所述计算机可读存储介质包括用于提供按需服务的一组指令;及
与所述计算机可读存储介质通信的至少一个处理器,其特征在于,当执行该组指令时,所述至少一个处理器用于:
接收来自用户终端的服务请求;
确定所述服务请求的至少一个路线;以及
基于所述至少一个路线和至少一个价格预估模型来确定所述服务请求的预估价格,其中,为了确定所述预估价格,所述处理器进一步用于:
基于所述路线提取所述服务请求的一个或以上特征;以及
使用所述价格预估模型处理所述服务请求的所述一个或以上特征。
2.根据权利要求1所述的系统,其特征在于,所述处理器进一步用于:
获得历史订单信息和与至少一个历史订单相关的交通信息;
基于所述历史订单信息确定至少两个历史实际价格;
根据所述交通信息和所述历史订单信息中的至少一个,确定所述历史实际价格对应的至少两个历史预估价格;以及
基于所述至少两个历史实际价格和所述至少两个历史预估价格生成所述至少一个价格预估模型。
3.根据权利要求1所述的系统,其特征在于,所述预估价格包括价格或价格范围中的至少一个。
4.根据权利要求1所述的系统,其特征在于,为了确定所述服务请求的所述预估价格,所述处理器进一步被指示使用所述价格预估模型来处理与用户相关的所述至少一个路线和至少一个历史订单的数据。
5.根据权利要求2所述的系统,其特征在于,为了确定与所述历史实际价格对应的所述历史预估价格,所述处理器进一步用于:
基于所述交通信息和所述历史订单信息中的至少一个将所述历史实际价格分类为至少两个第一集合;
确定所述第一集合的所述历史实际价格的至少两个第一平均值;以及
基于所述至少两个第一平均值确定所述历史预估价格。
6.根据权利要求5所述的系统,其特征在于,为了确定与所述历史实际价格对应的所述历史预估价格,所述处理器进一步用于:
确定所述第一集合的至少两个残差,其中所述残差表示所述历史实际价格与所述历史预估价格之间的差异;以及
基于所述交通信息或所述历史订单信息中的至少一个将所述残差分类为至少两个第二集合。
7.根据权利要求6所述的系统,其特征在于,为了确定与所述历史实际价格对应的所述历史预估价格,所述处理器进一步用于:
确定所述第二集合的残差的至少两个第二平均值;以及
基于所述至少两个第一平均值和所述至少两个第二平均值确定所述历史预估价格。
8.根据权利要求2所述的系统,其特征在于,所述至少一个处理器进一步用于:
分析与所述历史订单信息有关的至少两个历史订单中的每一个的粗略预估价格和实际价格;
基于所述分析确定最小系数和最大系数;以及
确定每个所述历史订单的最大预估价格和最小预估价格。
9.根据权利要求8所述的系统,其特征在于,为了生成所述至少一个价格预估模型,所述至少一个处理器进一步用于:
基于所述最小预估价格生成第一价格预估模型;以及
基于所述最大预估价格生成第二价格预估模型。
10.根据权利要求1所述的系统,其特征在于,所述交通信息包括至少一个交通灯、距离、上车地点的纬度和经度或路线的路段数量中的至少一个。
11.根据权利要求1所述的系统,其特征在于,所述价格预估模型包括梯度提升决策树(GBDT)模型。
12.一种提供按需服务的方法,包括:
由处理器接收来自用户终端的服务请求;
确定所述服务请求的至少一个路线;以及
基于所述至少一个路线和至少一个价格预估模型来确定所述服务请求的预估价格,其特征在于,确定所述预估价格包括:
基于所述路线提取所述服务请求的一个或以上特征;以及
使用所述价格预估模型处理所述服务请求的所述一个或以上特征。
13.根据权利要求12所述的方法,还包括:
获得历史订单信息和与至少一个历史订单相关的交通信息;
基于所述历史订单信息确定至少两个历史实际价格;
根据所述交通信息和所述历史订单信息中的至少一个,确定所述历史实际价格对应的至少两个历史预估价格;以及
基于所述至少两个历史实际价格和所述至少两个历史预估价格生成所述至少一个价格预估模型。
14.根据权利要求12所述的方法,其特征在于,所述预估价格包括价格或价格范围中的至少一个。
15.根据权利要求12所述的方法,其特征在于,确定所述服务请求的所述预估价格包括使用所述价格预估模型来处理与用户相关的所述至少一个路线和至少一个历史订单。
16.根据权利要求13所述的方法,其特征在于,确定与所述历史实际价格对应的所述历史预估价格包括:
基于所述交通信息和所述历史订单信息中的至少一个将所述历史实际价格分类为至少两个第一集合;
确定所述第一集合的所述历史实际价格的至少两个第一平均值;以及
基于所述至少两个第一平均值确定所述历史预估价格。
17.根据权利要求16所述的方法,其特征在于,确定与所述历史实际价格对应的所述历史预估价格还包括:
确定所述第一集合的至少两个残差,其中所述残差表示所述历史实际价格与所述历史预估价格之间的差异;以及
基于所述交通信息或所述历史订单信息中的至少一个将所述残差分类为至少两个第二集合。
18.根据权利要求17所述的方法,其特征在于,确定与所述历史实际价格对应的所述历史预估价格还包括:
确定所述第二集合残差的至少两个第二平均值;以及
基于所述至少两个第一平均值和所述至少两个第二平均值确定所述历史预估价格。
19.根据权利要求13所述的方法,还包括:
分析与所述历史订单信息有关的至少两个历史订单中的每一个的粗略预估价格和实际价格;
基于所述分析确定最小系数和最大系数;以及
确定每个所述历史订单的最大预估价格和最小预估价格。
20.一种非暂时性机器可读存储介质包括指令,所述指令在由在线按需服务平台的至少一个处理器访问时,使所述至少一个处理器:
接收来自用户终端的服务请求;
确定所述服务请求的至少一个路线;以及
基于所述至少一个路线和至少一个价格预估模型来确定所述服务请求的预估价格,其特征在于,为了确定所述预估价格,所述处理器进一步用于:
基于所述路线提取所述服务请求的一个或以上特征;以及
使用所述价格预估模型来处理所述服务请求的一个或以上特征。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/087223 WO2018223272A1 (en) | 2017-06-05 | 2017-06-05 | Systems and methods for price estimation using machine learning techniques |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109716383A true CN109716383A (zh) | 2019-05-03 |
Family
ID=64566725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780057385.7A Pending CN109716383A (zh) | 2017-06-05 | 2017-06-05 | 利用机器学习技术进行价格预估的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200104889A1 (zh) |
CN (1) | CN109716383A (zh) |
TW (1) | TWI703526B (zh) |
WO (1) | WO2018223272A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815346A (zh) * | 2020-04-10 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 预估结算数据的方法、装置、存储介质及电子设备 |
CN111861616A (zh) * | 2019-09-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种订单信息显示方法及装置 |
CN113902209A (zh) * | 2021-10-20 | 2022-01-07 | 中国联合网络通信集团有限公司 | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 |
CN115081695A (zh) * | 2022-06-08 | 2022-09-20 | 深圳市栋森工程项目管理有限公司 | 一种基于bim模型工程预算方法、系统及终端设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210256443A1 (en) * | 2019-11-19 | 2021-08-19 | Shashank Srivastava | Methods and systems for supply chain network optimization |
TWI718809B (zh) * | 2019-12-16 | 2021-02-11 | 財團法人工業技術研究院 | 收益預測方法、收益預測系統及圖案化使用者介面 |
DE102021124226A1 (de) | 2021-09-20 | 2023-03-23 | Ford Global Technologies Llc | KI (Künstliche Intelligenz)-unterstütztes System und Verfahren zur automatisierten Rechnungsstellung und Bezahlung |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814201A (zh) * | 2010-05-31 | 2010-08-25 | 深圳市凯立德计算机系统技术有限公司 | 一种出租车费用计算方法和导航设备 |
CN104599002A (zh) * | 2015-02-13 | 2015-05-06 | 北京嘀嘀无限科技发展有限公司 | 预测订单价值的方法及设备 |
CN104794886A (zh) * | 2014-08-12 | 2015-07-22 | 北京东方车云信息技术有限公司 | 网络租车系统中打车费用预估系统和方法 |
CN105117790A (zh) * | 2015-07-29 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 车费预估方法及装置 |
CN105678568A (zh) * | 2015-12-29 | 2016-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种确定优惠信息的方法及装置 |
CN106030626A (zh) * | 2013-12-11 | 2016-10-12 | 天巡有限公司 | 用于提供诸如飞机票价可用性的票价可用性的方法和系统 |
CA2892061A1 (en) * | 2015-05-22 | 2016-11-22 | Jasim A. Hijres | Online negotiator broker for real estate long term property rentals, sales and car sales |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101073166B1 (ko) * | 2005-03-07 | 2011-10-12 | 주식회사 현대오토넷 | 네비게이션시스템을 이용한 택시미터 및 택시 요금 계산 방법 |
CN102339481A (zh) * | 2010-07-27 | 2012-02-01 | 成都宇达电通有限公司 | 基于导航地图的出租车费用预估系统及方法 |
TWI503675B (zh) * | 2010-11-15 | 2015-10-11 | Alibaba Group Holding Ltd | The method of predicting the number of user actions of the word and the device |
AU2016250168A1 (en) * | 2015-04-13 | 2017-10-26 | Uber Technologies, Inc. | Fare determination system for on-demand transport arrangement service |
-
2017
- 2017-06-05 CN CN201780057385.7A patent/CN109716383A/zh active Pending
- 2017-06-05 WO PCT/CN2017/087223 patent/WO2018223272A1/en active Application Filing
-
2018
- 2018-05-21 TW TW107117255A patent/TWI703526B/zh active
-
2019
- 2019-12-02 US US16/699,864 patent/US20200104889A1/en not_active Abandoned
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814201A (zh) * | 2010-05-31 | 2010-08-25 | 深圳市凯立德计算机系统技术有限公司 | 一种出租车费用计算方法和导航设备 |
CN106030626A (zh) * | 2013-12-11 | 2016-10-12 | 天巡有限公司 | 用于提供诸如飞机票价可用性的票价可用性的方法和系统 |
CN104794886A (zh) * | 2014-08-12 | 2015-07-22 | 北京东方车云信息技术有限公司 | 网络租车系统中打车费用预估系统和方法 |
CN104599002A (zh) * | 2015-02-13 | 2015-05-06 | 北京嘀嘀无限科技发展有限公司 | 预测订单价值的方法及设备 |
CA2892061A1 (en) * | 2015-05-22 | 2016-11-22 | Jasim A. Hijres | Online negotiator broker for real estate long term property rentals, sales and car sales |
CN105117790A (zh) * | 2015-07-29 | 2015-12-02 | 北京嘀嘀无限科技发展有限公司 | 车费预估方法及装置 |
CN105678568A (zh) * | 2015-12-29 | 2016-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种确定优惠信息的方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861616A (zh) * | 2019-09-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种订单信息显示方法及装置 |
CN111861616B (zh) * | 2019-09-30 | 2024-09-13 | 北京嘀嘀无限科技发展有限公司 | 一种订单信息显示方法及装置 |
CN111815346A (zh) * | 2020-04-10 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 预估结算数据的方法、装置、存储介质及电子设备 |
CN113902209A (zh) * | 2021-10-20 | 2022-01-07 | 中国联合网络通信集团有限公司 | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 |
CN115081695A (zh) * | 2022-06-08 | 2022-09-20 | 深圳市栋森工程项目管理有限公司 | 一种基于bim模型工程预算方法、系统及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2018223272A1 (en) | 2018-12-13 |
TW201905802A (zh) | 2019-02-01 |
US20200104889A1 (en) | 2020-04-02 |
TWI703526B (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020201991B2 (en) | Systems and methods for recommending an estimated time of arrival | |
US11449908B2 (en) | Method and system for determining transport service fee | |
TWI670677B (zh) | 用於推薦預估到達時間的系統和方法 | |
US11085792B2 (en) | Systems and methods for determining estimated time of arrival | |
EP3320531B1 (en) | System and method for determining the vehicle load status | |
CN109716383A (zh) | 利用机器学习技术进行价格预估的系统和方法 | |
JP2019511020A (ja) | 到着時間を推定するための方法およびシステム | |
TW201741993A (zh) | 確定運輸服務路線之系統及方法 | |
CN110741225B (zh) | 确定目标站点的系统和方法 | |
CN111862585A (zh) | 用于交通预测的系统和方法 | |
CN112236787A (zh) | 用于生成个性化目的地推荐的系统和方法 | |
CN108885726A (zh) | 服务时间点预测系统和方法 | |
US11580451B2 (en) | Systems and methods for determining estimated time of arrival | |
CN111367575A (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
WO2019128477A1 (en) | Systems and methods for assigning service requests | |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |