CN110520913A - 确定预估到达时间的系统和方法 - Google Patents

确定预估到达时间的系统和方法 Download PDF

Info

Publication number
CN110520913A
CN110520913A CN201780089655.2A CN201780089655A CN110520913A CN 110520913 A CN110520913 A CN 110520913A CN 201780089655 A CN201780089655 A CN 201780089655A CN 110520913 A CN110520913 A CN 110520913A
Authority
CN
China
Prior art keywords
eta
service
service order
model
measurement parameter
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
CN201780089655.2A
Other languages
English (en)
Other versions
CN110520913B (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 CN110520913A publication Critical patent/CN110520913A/zh
Application granted granted Critical
Publication of CN110520913B publication Critical patent/CN110520913B/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
    • 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
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了用于处理按需服务的至少一个服务请求的系统和方法。所述系统可以执行以下方法：获取多个示例服务订单，所述多个示例服务订单中的每个示例服务订单可以包括与测量参数的多个单元的一单元相关联的特征；将所述多个示例服务订单聚类为示例服务订单的多个子集，示例服务订单的相同子集中的每个示例服务订单的特征可以与测量参数的相同单元相关联；对于示例服务订单的多个子集中的每一个，使用示例服务订单的子集训练预估到达时间的第一模型(第一ETA模型)并将结构数据存储在至少一个存储介质中，所述结构数据编码多个第一ETA模型。

Description

确定预估到达时间的系统和方法
技术领域
本申请一般涉及一种确定服务请求的预估到达时间(ETA)的系统和方法，尤其是涉及使用机器学习技术训练ETA模型以及使用ETA模型来确定ETA的系统和方法。
背景技术
许多基于位置的服务和/或应用程序，例如Web地图服务、导航服务和在线即时运输服务，可能需要精确的预估到达时间(ETA)来提供服务。例如，地图服务可能需要实时自动更新车辆的ETA，以向用户提供地图服务的驾驶指导、导航建议、位置信息和其他信息。
发明内容
根据本申请的一个方面，提供了一种电子系统。电子系统可包括至少一个非暂时性计算机可读存储介质和为与所述至少一个非暂时性计算机可读存储介质通讯的至少一个处理器。该至少一个非暂时性计算机可读存储介质包括一组用于执行的指令。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的一项或多项。所述至少一个处理器可获取多个示例服务订单。在一些实施例中，所述多个示例服务订单的每个示例服务订单包括测量参数的多个单元的一单元相关联的特征。所述至少一个处理器可将所述多个示例服务订单聚类为示例服务订单的多个子集。在一些实施例中，相同子集中的每个示例服务订单的所述特征与所述测量参数的相同单元相关联。所述至少一个处理器可使用所述示例服务订单的多个子集的每个子集训练第一预估到达时间模型(第一ETA模型)。所述至少一个处理器可将结构数据存储在所述至少一个存储介质中，所述结构数据编码所述多个第一ETA模型。
在一些实施例中，所述测量参数包括时间。在一些实施例中，所述测量参数的多个单元的每个单元包括预定时间段。在一些实施例中，所述特征包括与所述多个示例服务订单中的示例服务订单有关的开始时间或结束时间中的至少一个。
在一些实施例中，所述测量参数包括位置坐标。在一些实施例中，所述测量参数的多个单元的每个单元包括预定地理区域。在一些实施例中，所述特征包括与所述多个示例服务订单中的示例服务订单有关的起始位置或结束位置中的至少一个。
在一些实施例中，至少一个处理器可获取包括所述特征的服务请求。所述至少一个处理器可确定所述测量参数的多个单元中的目标单元，所述目标单元与所述服务请求的所述特征相关联。所述至少一个处理器可从多个所述第一ETA模型中选择至少一个第二ETA模型。所述至少一个处理器可基于所述至少一个第二ETA模型确定所述服务请求的目标ETA。所述至少一个处理器可将所述目标ETA发送给所述服务请求的请求人。
在一些实施例中，所述至少一个处理器可基于所述至少一个第二ETA模型确定所述服务请求的至少一个候选ETA。所述至少一个处理器可基于所述至少一个候选ETA确定所述服务订单的ETA。
在一些实施例中，所述至少一个处理器可确定所述至少一个候选ETA的组合。
在一些实施例中，所述至少一个处理器可在至少一个所述至少一个候选ETA中应用权重。
在一些实施例中，所述至少一个处理器可以确定所述多个第一ETA模型的多个准确性分数。所述至少一个处理器可基于所述多个准确性分数确定所述至少一个第二ETA模型。
根据本申请的另一个方面，提供了一种方法。所述方法可以获取多个示例服务订单；将所述多个示例服务订单聚类为示例服务订单的多个子集；使用所述示例服务订单的多个子集的每个子集训练第一预估到达时间模型(第一ETA模型)；将结构数据存储在所述至少一个存储介质中，所述结构数据编码所述多个第一ETA模型。在一些实施例中，所述多个示例服务订单的每个示例服务订单包括与测量参数的多个单元中的一个单元相关联的特征。在一些实施例中，相同子集中的每个示例服务订单的所述特征与所述测量参数的相同单元相关联。
在一些实施例中，所述方法可以进一步包括获取包括所述特征的服务请求；确定所述测量参数的多个单元中的目标单元，所述目标单元与所述服务请求的所述特征相关联；从多个所述第一ETA模型中选择至少一个第二ETA模型；基于所述至少一个第二ETA模型确定所述服务请求的目标ETA；将所述目标ETA发送给所述服务请求的请求者。
在一些实施例中，所述方法可进一步包括基于所述至少一个第二ETA模型确定所述服务请求的至少一个候选ETA和基于所述至少一个候选ETA确定所述服务订单的ETA。
在一些实施例中，所述方法可进一步包括确定所述至少一个候选ETA的组合。
在一些实施例中，所述方法可进一步包括在至少一个所述至少一个候选ETA中应用权重。
在一些实施例中，所述方法可进一步包括确定所述多个第一ETA模型的多个准确性分数和基于所述多个准确性分数确定所述至少一个第二ETA模型。
根据本申请的第三个方面，提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质可体现为计算机程序产品。所述计算机程序产品可以包括执行指令。所述指令可以使计算机设备实现一种方法。所述计算机设备可以获取多个示例服务订单。在一些实施例中，所述多个示例服务订单的每个示例服务订单包括与测量参数的多个单元的一单元相关联的特征。所述计算设备可将所述多个示例服务订单聚类为示例服务订单的多个子集。在一些实施例中，相同子集中的每个示例服务订单的所述特征与所述测量参数的相同单元相关联。所述计算设备可使用所述示例服务订单的多个子集的每个子集训练第一预估到达时间模型(第一ETA模型)。所述计算设备可将结构数据存储在所述至少一个存储介质中，所述结构数据编码所述多个第一ETA模型。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的介绍或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过实践或使用以下实例中详细讨论的方法、手段及组合的各个方面来实现和获取。
附图说明
本申请将结合示例性实施例进行进一步描述。这些示例性实施例将结合参考图示进行详细描述。这些实施例是非限制性的示例性实施例，在图示多种视图下的实施例中，相似的编号表示相似的结构，并且其中：
图1是根据本申请的一些实施例所示的按需服务系统的示意图；
图2是根据本申请的一些实施例所示的一种计算装置的示例性硬件和/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一种示例性移动设备的示例性硬件及/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用于预测ETA的示例性实体模型的示意图；
图5-A是根据本申请一些实施例所示的一种示例性处理引擎的框图；
图5-B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6-A是根据本申请一些实施例所示的一种确定ETA模型的示例性过程的流程图；
图6-B是根据本申请一些实施例所示的用于确定与现在服务请求有关的ETA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示例性全局特征向量相关联的表格；
图8是根据本申请的一些实施例所示的示例性决策树作为ETA模型的示意图；以及
图9是根据本申请的一些实施例所示的示例性人工神经网络(ANN)作为ETA模型的示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲，对本申请披露的实施例进行的各种修改是显而易见的，并且本文中定义的通则在不背离本申请的精神及范围的情况下，可以适用于其他实施例及应用。因此，本申请不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。
本文中所使用的术语仅用于描述特定示例性实施例，并不限制本申请的范围。如本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、元素和/或部件，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、部件和/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、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用于说明根据本申请的实施例的系统所执行的操作。应当明确理解，流程图中的操作可以不按顺序实施。相反，可以按照倒序或同时处理各种步骤。而且，可以将一个或多个其他操作添加到流程图中。一个或多个操作也可以会从流程图中删除。
此外，虽然本申请的系统和方法的描述主要关于分配交通运输服务请求，应该理解的是，这只是一个示例性的实施例。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还可应用于包括陆地、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、巴士、列车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、无人驾驶车辆等或其任意组合。运输系统还可以包括用于经营及/或分配的任何运输系统，例如用于发送及/或接收快递的系统。本申请的不同实施例应用场景可以包括网页、浏览器插件、客户端、定制系统、企业内部分析系统与人工智能机器人等中的一种或几种的组合。
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，其表示可以请求或订购服务的个体、实体或工具。在本申请中，术语"司机"、"提供者"、以及"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“服务请求”和“订单”可以交换使用，其表示由乘客、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、服务请求者、客户、司机、提供者、服务提供者中的任何一个接受。服务请求可以是收费的或免费的。
本申请中的术语“服务提供者终端”和“司机终端”可以交换使用，其表示服务提供者所使用的用于提供服务或促进服务提供的移动终端。本申请中的术语“服务请求者终端”和“乘客终端”可以交换使用，其表示服务请求者所使用的用于请求或订购服务的移动终端。
本申请中使用的定位技术可以基于全球定位系统(GPS)，全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WiFi)定位技术等或其任意组合。上述定位技术中的一种或多种可以在本申请中互换使用。
本申请的一个方面涉及在线系统和方法，用于为与服务请求相关联的路线确定预估到达时间(ETA)。在一些实施例中，所述系统和方法可以获取多个示例服务订单。在一些实施例中，所述多个示例服务订单的每个示例服务订单包括与测量参数的多个单元的一单元相关联的特征。所述系统和方法可将所述多个示例服务订单聚类为示例服务订单的多个子集。在一些实施例中，相同子集中的每个示例服务订单的所述特征与所述测量参数的相同单元相关联。例如，所述系统和方法可以基于所述特征(例如，空间特征和/或时间特征)将多个示例服务订单聚类为一个或多个子集。示例服务订单的多个子集中的每个子集，系统和方法可以使用所述子集训练用于ETA预测的第一模型(也称为“第一ETA模型)。所述系统和方法可以基于多个第一ETA模型确定与所述服务请求相关的目标ETA。例如，所述系统和方法可以从所述多个第一ETA模型中选择至少一个第二ETA模型。所述系统和方法可以使用所述至少一个第二ETA模型确定至少一个候选ETA。所述系统方法可以基于所述至少一个候选ETA确定与服务请求相关的目标ETA(例如，通过确定加权平均和/或所述至少一个候选ETA的任何其他组合)。
需要注意的是，在线按需交通运输服务，如在线出租车呼叫，是一起源于后互联网时代的新兴服务。它为乘客和司机提供了在后互联网时代才可能实现的技术解决方案。在前互联网时代，当乘客呼叫出租车时，该乘客无法获悉到达目的地或者地点的预估时间。如果乘客通过电话呼叫了一辆出租车，对于服务提供者(如，司机、出租车公司、邮局、快递公司或代理商等)来说，很难为乘客预计到达目的地的时间。然而，基于ETA模型和从计划服务请求获取的计划特征向量，在线按需交通运输系统可以为乘客确定预估到达时间。通过训练全局特征向量和历史时长，在线按需交通运输系统可以为计划服务请求提供ETA模型。在确认交通运输服务(例如，呼叫一辆出租车)的服务请求之前，用户(例如，乘客或司机)可以使用所述ETA模型来预测ETA。用于训练ETA模型的全局特征向量可以从与至少一个路段相关的电信号中获取。因此，通过互联网，在线按需交通运输系统可以给乘客和司机提供一个更方便和高效的交易平台，这在传统的前互联网交通运输服务系统中是从未遇到的。
图1是根据本生情的一些实施例所示的一种示例性按需服务系统100的示意图。例如，所述按需服务系统100可以是一提供运输服务的在线运输服务平台。所述按需服务系统100可以包括服务器110、网络120、服务请求者终端130、服务提供者终端140、车辆150、存储器160和导航系统170。
按需服务系统100可以提供多种服务。示例性的服务可以包括出租车呼叫服务、代驾服务、快递服务、拼车服务、公交车服务、司机招聘服务和接送服务。在一些实施例中，按需服务可以是任意在线服务，如订餐、购物等或其任意组合。
在一些实施例中，服务器110可以是一单一服务器或一服务器组。服务器组可以是集中式的或分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络120访问存储在服务请求者终端130、服务提供者终端140和/或存储器160中的信息和/或数据。再例如，服务器110可以直接连接到服务请求者终端130、服务提供者终端140和/或存储器160以访问存储的信息和/或数据。在一些实施例中，服务器110可以在一个云平台上实现。仅仅举个例子，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，所述服务器110可以在具有本发明中的图2中所示的一个或多个组件的计算设备上实现。
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可以确定灯循环模式以确定交通状况。在一些实施例中，所述处理引擎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可以包括中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(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)、可编程逻辑设备(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，按需服务系统100中的一个或多个部件(例如，服务器110、服务请求者终端130、服务提供者终端140、车辆150、存储器160和导航系统170)可以通过网络120向按需服务系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络120从服务请求者终端130接收服务请求。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为范例，网络120可以是电缆网络、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(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、ZigBee网络、近场通讯(NFC)等或其任意组合。在一些实施例中，网络120可以包括一个或多个网络交换点。例如，网络120可以包括有线或无线网络交换点，如基站和/或因特网交换点120-1、120-2、…，通过交换点，按需服务系统100的一个或多个部件可以连接到网络120以交换数据和/或信息。
在一些实施例中，乘客可以是服务请求者终端130的所有者。在一些实施例中，服务请求者终端130的所有者可以是乘客以外的其他人。例如，服务请求者终端130的所有者A可以使用服务请求者终端130为乘客B发送一个服务请求或从服务器110接收服务和/或信息或指示。在一些实施例中，服务提供者可以是服务提供者终端140的用户。在一些实施例中，服务提供者终端140的使用者可以是服务提供者外的其他人。例如，服务提供者终端140的用户C可以使用服务提供者终端140为用户D接收服务请求和/或从服务器110接收信息或指示。在一些实施例中，“乘客”和“乘客终端”可以交换使用，“服务提供者”和“服务提供者终端”可以交换使用。在一些实施例中，所述服务提供者终端可以与一个或多个服务提供者(例如，夜班服务提供商或白班服务提供商)相关。
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、笔记本电脑130-3、车辆内建装置130-4等或上述举例的任意组合。在一些实施例中，移动装置130-1可以包括智能家居装置，可穿戴装置、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，智能家居设备可以包括智能照明设备、智能电器的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或上述举例的任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强型虚拟现实头盔、增强型虚拟现实眼镜、增强型虚拟现实补丁等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleTM Glass、Oculus Rift、HoloLens、Gear VR等。在一些实施例中，车辆内建装置130-4可以包括车载电脑、车载电视等。在一些实施例中，服务请求者终端130可以是具有用于定位乘客和/或服务请求者终端130的位置的定位技术的设备。
服务提供者终端140可以包括多个服务提供者终端140-1、140-2、……、140-n。在一些实施例中，服务提供者终端140可以是与服务请求者终端130类似或者相同的装置。在一些实施例中，服务提供者终端140可以被定制为能够实现所述在线按需运输服务。在一些实施例中，服务提供着终端140可以是一个带有定位技术的装置，该定位技术可以用于定位服务提供者、服务提供者终端140和/或与服务提供者终端相关的车辆150的位置。在一些实施例中，服务请求者终端130和/或服务提供者终端140可以与其他定位装置通信以确定乘客、服务请求者终端130、服务提供者和/或服务提供者终端140的位置。在一些实施例中，服务请求者终端130和/或服务提供者终端140可以周期性地将该定位信息发送至服务器110。在一些实施例中，服务提供者终端140也可以周期性地将可用状态发送至服务器110。所述可用状态可以表明与服务提供者终端140相关的车辆150是否可以接载乘客。例如，服务请求者终端130和/或服务提供者终端140可以每30分钟将所述定位信息和所述可用状态发送至服务器110。又例如，服务请求者终端130和/或服务提供者终端140可以在每次用户登录与按需交通运输服务系统相关的移动应用程序时将定位信息和可用状态发送至服务器110。
在一些实施例中，服务提供者终端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。车辆150可以包括多个车辆150-1、150-2、……、150-n。一个车辆可以对应一种类型的服务(例如，出租车呼叫服务、代驾服务、快递服务、拼车服务、公交车服务、司机招聘服务和接送服务)。
存储器160可以储存数据及/或指令。在一些实施例中，存储器160可以存储从服务请求者终端130和/或服务提供者终端140获取的数据。在一些实施例中，存储器160可以存储服务器110用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，存储器160可包括大容量存储器、可移动存储器、易失性读写内存、只读存储器(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括快闪驱动器、软盘、光盘、记忆卡、压缩碟、磁带等。示例性的易失性读写内存可以包括随机存取内存(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(tZ-RAM)等。示例性ROM可包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、带电可擦除可编程ROM(EEPROM)、光盘ROM或数字通用磁盘ROM等。在一些实施例中，存储器160可以在云平台上实施。仅作为示例，云端平台可以包括私有云、公用云、混合云、社区云、分布式云、内部云、多层云等或其任意组合。
在一些实施例中，存储器160可以与网络120连接以与按需服务系统100的一个或多个部件(例如，服务器110、服务请求者终端130、服务提供者终端140等)通信。按需服务系统100的一个或多个组件可以通过网络120访问存储在存储器160中的数据或指令。在一些实施例中，存储器160可以直接与按需服务系统100的一个或多个部件(例如，服务器110、服务请求者终端130、服务提供者终端140等)连接或通信。在一些实施例中，存储器160可以是服务器110的一部分。
导航系统170可以确定与对象相关的信息，例如，一个或多个服务请求者终端130、服务提供者终端140、车辆150等。在一些实施例中，导航系统170可以是全球定位系统(GPS)、全球导航卫星系统(GLONASS)、指南针导航系统(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。所述信息可包括对象的位置、海拔、速度、加速度或当前时间。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和卫星170-3。卫星170-1至170-3可以独立地或共同地确定上述信息。卫星导航系统170可以通过无线连接将上述信息发送至网络120、服务请求者终端130、服务提供者终端140或车辆150。
在一些实施例中，按需服务系统100的一个或多个部件(例如，服务器110、服务请求者终端130、服务提供者终端140等)可以拥有访问存储器160的权限。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的一个或多个部件可以读取和/或修改与乘客、服务提供者和/或公众相关的信息。例如，一个服务完成后，服务器110可以读取和/或修改一个或多个乘客的信息。又例如，一个服务完成后，服务器110可以读取和/或修改一个或多个服务提供者的信息。
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为任何产品。在一些实施例中，所述产品可以包括食品、医药、商品、化学产品、电器、衣物、小汽车、房屋、奢侈品等或上述举例的任意组合。在一些实施例中，所述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。所述移动互联网产品可以用于移动终端的软件、程序、系统等或类似或其任意组合。所述移动终端可以包括平板计算机、笔记本电脑、移动电话、个人数字助理(PDA)、智能手表、销售点装置(POS)、车载电脑、车载电视、可穿戴装置等或其任意组合。例如，所述产品可以是在计算机或移动电话上使用的任一软件和/或应用程序。所述软件和/或应用程序可涉及社交、购物、交通、娱乐、学习、投资等或其任意组合。在一些实施例中，所述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。在所述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、公共汽车、私家车等)、火车、地铁、船舶、飞行器(例如，飞机、直升机、航天飞机、火箭、热气球等)等其任意组合。
本领域普通技术人员应当理解，当按需服务系统100中的组件执行时，该组件可以通过电信号和/或电磁信号执行操作。例如，当服务请求者终端130向服务器110发出服务请求时，服务请求者终端130的处理器可以产生一个编码该请求的电信号。随后，服务请求者终端130的处理器可将所述电信号发给输出端口。如果服务请求者终端130通过有线网络与服务器110通讯，则所述输出端口可以物理连接至电缆，所述电缆可以进一步将所述电信号传输至服务器110的输入端口。如果服务请求者终端130通过无线网络与服务器110通讯，服务请求者终端130的输出端口可以是一个或多个天线，所述天线可以将电信号转换为电磁信号。类似地，服务提供者终端130可以通过电信号或者电磁信号从服务器110接收指令和/或服务请求。在电子装置中，如服务请求者终端130、服务提供者终端140和/或服务器110，当其处理器处理指令、发出指令和/或执行操作时，该指令和/或该操作通过电信号来执行。例如，当处理器从存储介质检索或获取数据时，可以将电信号发送给所述存储介质的读/写装置，所述读/写装置可读取所述存储介质中的结构数据或将结构数据写入存储介质中。所述结构数据可以电信号的形式经由电子装置的总线传输至所述处理器。此处，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一个计算装置200的示例性硬件和软件的示意图。服务器110、服务请求者终端130和/或服务提供者终端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上实施并执行本申请所披露的处理引擎112的功能。
计算装置200可以是通用计算机或专用计算机，两者都可以被用于实现本申请公开的按需服务系统。计算装置200可以用来实现本申请所描述的按需服务的任意部件。例如，处理引擎112可以在计算装置200上通过其硬件、软件程序、固件或其组合实现。虽然只示出了一个这样的计算机，但为了方便起见，与在此描述的按需服务相关的计算机功能可以以分布式的方式在多个类似平台上实现，以分散处理负载。
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可以包括中央处理器(CPU)220(或处理器220)，可以以一个或多个处理器的形式执行程序指令。示例性的计算机平台可以包括一个内部通讯总线210、不同形式的程序存储器和数据存储器，例如，硬盘270、只读存储器(ROM)230或随机存取存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算机平台也可以包括存储在只读存储器230、随机存取存储器240和/或其他类型的非暂态存储介质中的由中央处理器220(或存储器220)执行的程序指令。本申请公开的方法及/或过程可以作为程序指令来实施。计算装置200也包括输入/输出部件260，用于支持计算机与此处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和数据。
CPU 220(或处理器220(例如，逻辑电路))可以用于执行计算机指令。例如，CPU220(或处理器220)可在其中包括接口电路和处理电路。接口电路可以被配置成从总线210接收电信号，其中电信号对所述处理电路处理的结构数据和/或指令进行编码。处理电路可进行逻辑计算，然后确定编码为电信号的结论、结果和/或指令。然后，所述接口电路可以经由总线210从所述处理电路发送电信号。
仅仅为了说明，计算装置200中仅示例性描述了一个CPU和/或处理器。然而，需要注意的是，本申请中的计算装置200可以包括多个CPU和/或处理器，因此本申请中描述的由一个CPU和/或处理器实现的操作和/或方法也可以共同地或独立地由多个CPU和/或处理器实现。例如，在本申请中，如果计算装置200的中央处理单元和/或处理器执行步骤A和步骤B，应当理解的是步骤A和步骤B可以由计算装置200的两个不同的中央处理单元和/或处理器共同或分别执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B)。
图3是根据本申请的一些实施例所示的示例性移动装置300的示例性软件和/或硬件的示意图。如图3所示，所述移动装置300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出接口350、内存360和存储器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(未示)，也可被包括于移动装置300内。在一些实施例中，移动操作系统370(例如，iOSTM、AndroidTM、Windows PhoneTM等)，和一个或多个应用程序380可从存储器390加载到内存360中以便由中央处理单元340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于接收及呈现与图像处理相关的信息或处理引擎112中的其他信息。用户交互信息流可以经由输入/输出350获取，并经由网络120提供给处理引擎112和/或在线按需服务系统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组件的硬件平台。具有用户界面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。如果适当编程，计算机也可用作服务器。
图4是根据本申请的一些实施例所示的用于预测ETA的示例性实体模型的示意图。处理引擎112可以基于道路地图的描述确定路线400(如图4中实线所示)。仅仅举个例子，所述路线400可包括10个路段(例如，第一路段、第二路段、…、和第十路段)和9个交通灯(例如，第一交通灯、第二交通灯、…、和第九交通灯)。两个相邻路段通过一个或多个交通灯相连。基于每一路段的速度，可以确定车辆和其他物体穿过每个路段的时间。例如，通过第一路段的时间可以被确定为T1；通过第二路段的时间可以被确定为T2；……；和通过第十路段的时间可以被确定为T10。通过每个交通灯的时间可以被确定为L1、L2、……、L9。处理引擎112可以将每个路段的时间和通过每个交通灯的时间相加来确定路线400的ETA。
在一些实施例中，处理引擎112可以基于ETA模型确定路线400的ETA。所述ETA模型可以基于关于一个或多个示例服务订单的数据来训练。例如，处理引擎112可以从示例服务订单有关的数据中提取一个或多个特征向量。每个特征向量可以与示例服务订单的一个或多个特征相关联，包括例如历史订单的开始位置(例如，也被称为“历史开始位置”)、结束位置(也被称为“历史结束位置”)、历史订单的开始时间(也被称为“历史开始时间”)、历史订单的结束时间(例如，也被称为“历史结束时间”)、交通灯数量、历史持续时间或本发明其他地方公开的任何其他特征。处理引擎112可以基于所述特征向量训练ETA模型。如本文所使用的，术语“示例服务订单”可指在任何时间(例如，几年前、几个月前、几天前等)已完成的服务请求。所述按需服务系统100可以将该服务请求作为示例服务订单保存到存储组件(例如，所述存储器160)在一些实施例中，所述ETA模型可以与单个路段，例如，T1、T2、…、T10、L1、L2、…、L9相关联，并且累积所有时间以确定ETA。在一些实施例中，可以通过全局视点中的特征向量(以下称为“全局特征向量”)训练所述ETA模型。例如，它可以根据道路地图中整个路线的特征确定ETA，而不仅仅考虑每个单独路段的特征。
在一些实施例中，任意两条路线可以为彼此相关的。例如，纽约第5大道的事故可以导致其交通阻塞。为了避开第5大道的交通阻塞，越来越多司机从纽约第5大道转到第138大道。当大量的车辆行驶在第5大道和第138大道之间时，第5大道和第138大道之间的所有路线都将变得十分拥挤(例如，缓慢的速度)。
处理引擎112可以基于路线400的路段及其他道路地图中的其他路段的数据确定路线400的ETA。路线400的路段可以直接或间接地与道路地图中的其他路段相关。例如，对应于T22的路段(如图4中虚线所示)可以与路线400中的路段(例如，第一路段)相关；该对应T22的路段的速度可能影响路线400中第一路段或其他任意路段的速度。处理引擎112可以基于路线的路段和道路地图中的其他路段确定所述全局特征向量。由所述全局特征向量训练的ETA模型，可以用于预测如图4所示的道路地图中的服务请求有关的任意路线的ETA。
图5-A是根据本申请一些实施例所示的一种示例性处理引擎112的框图。处理引擎112可以包括获取模块502、训练模块504、确定模块506和通信模块508。每个模块都可以是一用于执行下述操作的硬件电路、一组存储于一个或多个存储介质的指令和/或该硬件电路和一个或多个存储介质的组合。
获取模块502可以用于获取与终端的服务请求相关的电信号编码数据(以下称为“数据”)。例如，获取模块502可以经由网络120从服务请求者终端130获取与服务请求相关的数据。服务请求可以是对运输服务的请求(例如，出租车呼叫服务、代驾服务、快车服务、拼车服务、公交车服务、司机招聘服务和接送服务、邮政服务、食品订单服务等)。与服务请求相关的数据可以包括开始位置、结束位置、开始位置和结束位置之间的路线、开始时间、结束时间、费用或与服务请求有关的其他信息。在一些实施例中，获取模块504也可以获取与多个示例服务订单相关的电信号编码数据。在一些实施例中，所述多示例服务订单中的每一个包括与测量参数的多个单元的一单元相关联的特征。
训练模块504可以用于生成一个或多个用于预测ETA的模型(也被称为ETA模型)。所述一个或多个ETA模型可以被用于确定由获取模块502获取的与一个或多个服务订单相关的ETA。训练模块504可以基于与一个或多个示例服务订单有关的数据(例如，获取模块502提供的与示例服务订单有关的数据)来生成一个或多个ETA模型。例如，训练模块504可以处理与示例服务订单相关的数据并确定数据的一个或多个子集。在一些实施例中，训练模块504可以基于与示例服务订单相关的一个或多个特征将与示例服务订单相关的数据聚类到子集中。每个子集可以对应于，例如，一个或多个特定特征(例如，空间特征、时间特征)。然后，训练模块504可以基于这些子集来确定一个或多个ETA模型。例如，训练模块504可以从多个子集中提取一个或多个全局特征向量和/或历史持续时间，相应地训练多个ETA模型。多个ETA模型可以被传输到确定模块506或者可以被存储在本发明在别处公开的任何存储组件(例如，存储器160)。
确定模块506可以用于基于所述多个ETA模型确定与服务请求有关的目标ETA。例如，所述确定模块506可以基于与所述服务请求相关的数据和所述多个ETA模型来确定至少一个候选ETA。确定模块506可以根据一些算法或功能基于至少一个候选ETA的组合来确定与服务请求有关的目标ETA。又例如，确定模块506可以根据一些算法或功能生成一个完整的ETA模型。然后，所述完整的ETA模型可以被用于确定与服务请求相关的目标ETA。目标ETA可以被存储在本发明在别处公开的任何存储组件(例如，存储器160)。
通信模块508可以用于向至少一个服务请求者终端130和/或服务提供者终端140发送与服务请求有关的目标ETA以进行显示。在一些实施例中，目标ETA可以经由用户界面(未示出)显示在至少一个终端上。在一些实施例中，目标ETA可以以例如文本、图像、音频、视频等的格式显示。在一些实施例中，通信模块508可以经由合适的通信协议(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)等将目标ETA传输到至少一个终端。
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缆线、光缆线、混合缆线等或上述举例的任意组合。无线连接可包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee网络、近距离通讯(NFC)或类似物或其任意组合。在一些实施例中，任意两个模块可以合并成一模块，并且任意一模块可以被拆分成两个或者多个单元。
图5-B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。如图5-B所示，确定模块506可以包括时间区间确定单元510、地理区域确定单元512和ETA确定单元514。每个单元都可以是一用于执行下述操作的硬件电路、一组存储于一个或多个存储媒体的指令和/或该硬件电路和一个或多个存储媒体的组合。
时间区间确定单元510可以用于确定对应于一个或多个服务请求的时间区间。时间区间确定单元可以基于与一个或多个示例服务订单和/或当前服务请求相关联的开始时间和/或结束时间来确定时间区间。
地理区域确定单元512可以用于确定对应于一个或多个服务请求的地理区域。例如，地理区域确定单元512可以基于与一个或多个示例服务订单和/或当前服务请求相关联的开始位置、中间位置(例如，开始位置和结束位置之间的位置)、结束位置和/或开始位置和结束位置之间的路线等来确定地理区域。
ETA确定单元514可以用于基于至少一个ETA模型确定与当前服务请求相关的ETA。ETA确定单元514可以基于至少一个ETA模型来确定至少一个ETA。ETA确定单元514可以基于至少一个ETA来确定与当前服务请求相关的ETA。
确定模块506中的单元可以经由有线连接或无线连接互相连接或彼此通信。有线连接可以包括金属缆线、光缆、混合缆线等中的一种，或类似或其任意组合。无线连接可包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee网络、近距离通讯(NFC)等或其任意组合。在一些实施例中，任意两个单位可以合并成一模块，并且任意一模块可以被拆分成两个或者多个单元。
图6-A是根据本申请一些实施例所示的一种确定ETA模型的示例性过程的流程图。流程600A可以由在线按需服务系统100执行。例如，步骤600A可以被实现为存储在存储器160中的一组指令(例如，应用程序)。处理引擎112可以执行指令集并可以相应地通过接收和/或发送电信号指示在一在线按需服务平台中执行流程600A。该平台可以为一基于互联网的平台，其通过互联网连接随选服务提供者和请求者。
在602中，处理引擎112可以获取多个示例服务订单。处理引擎112可以从存储器160或在线按需服务系统100中的任意组件获取多个示例服务订单。在一些实施例中，多个示例服务订单可以从用户终端(例如，服务请求者终端130或服务提供者终端140)获取。例如，处理引擎112可以从司机终端或乘客终端中通过分析请求、服务请求、交易、导航信息、用户终端中的电子地图等或其任意组合的方式获取多个示例服务订单。
按需服务系统100可以将该多个示例服务订单保存到存储组件(例如，所述存储器160)。在一些实施例中，多个示例服务订单可以包括历史开始位置、历史结束位置、历史开始时间、历史开始位置之间的历史路线和/或历史持续时间。历史起始位置可以是接到乘客的位置、或乘客等待司机的位置。历史结束位置可可以是服务提供者让乘客下车的地方。历史持续时间可以是与示例服务订单相关联的服务提供者将乘客从历史开始位置送到历史结束位置所花费的时间。
在一些实施例中，多个示例服务订单中的每一个包括与测量参数的多个单元中的一单元相关联的特征。测量参数可以包括诸如时间、位置坐标等参数。在一些实施例中，每个单元可以包括预定的时间段。预定时间段可以与多个示例服务订单的示例服务订单的历史开始时间、历史结束时间和/或历史持续时间相关联。特征包括与所述多个示例服务订单中的示例服务订单有关的开始时间或结束时间中的至少一个。在一些实施例中，测量参数的多个单元中的每个单元包括预定地理区域。位置坐标可以是，例如，包括x方向和y方向的二维坐标。位置坐标可以与多个示例服务订单中的示例服务订单的历史开始位置、经过的历史位置和/或历史结束位置相关联。特征可以包括与所述多个示例服务订单中的示例服务订单有关的开始位置或结束位置中的至少一个。每个单元还可以包括预定时间段和预定地理区域。
特征与多个示例服务订单的相关联，特征可以包括多个第一时间特征(例如，时间的测量参数)和/或多个第一空间特征(例如，位置坐标的测量参数)。多个第一时间特征可以表示多个示例服务订单已经由请求者发起和/或由服务提供者完成的多个时间区间。处理引擎112(例如，时间区间确定单元510)可以基于与多个示例服务订单中的至少一个相关联的历史开始时间、历史结束时间和/或历史持续时间中的至少一个来确定多个第一时间特征中的每一个。例如，处理引擎112可以确定在多个时间区间中的每个时间区间中发起和/或完成的多个示例服务订单的一部分。如果多个示例服务订单的历史开始时间和/或历史结束时间是从一天开始的，那么时间区间可以是0到1点、1点到2点、2点到3点、…、22点到23点和/或20点到0点。仅仅举个例子，如果示例服务订单在晚上9点35分开始并在晚上10点20分结束，则可以根据开始时间认为属于晚上9点到10点的时间区间，或根据结束时间认为属于晚上10点到11点的时间区间。在一些实施例中，处理引擎112可以选择一个时间区间或将示例服务订单同时分配到两个时间区间。
需要注意的是以上对于时间区间的过描述只是示例性的，不应被视为是对本发明的公开范围的限制。多个时间区间中的每一个的长度可以相同或不同。例如，多个时间区间中的每个时间区间的长度可以是0.5小时、1小时、1.5小时、1.8小时等。又例如，两个相邻时间区间可以重叠或连续。
多个第一空间特征可以表示与所述多个示例服务订单相关联的多个地理区域(例如，多个位置的坐标)。处理引擎112(例如，地理区域确定单元512)可以基于与多个示例服务订单中的至少一个相关联的历史开始位置、经过的历史位置和/或历史结束时间中的至少一个来确定多个第一空间特征中的每一个。地理区域的大小可以包括但不限于路线、社区、地区、城市、州、省等或其任何组合。不同地理区域的大小可能相同或不同。在一些实施例中，处理引擎112可以确定在多个地理区域中的每一个中发起和/或完成的多个示例服务订单中的一部分。
在604中，处理引擎112(例如，确定模块506、时间区间确定单元510、地理区域确定单元512等)可以将多个示例服务订单聚类为示例服务订单的多个子集。相同子集中的每个示例服务订单的所述特征可以与测量参数的相同单元相关联。与测量参数相关联的时间和/或位置坐标可以形成测量参数的多个单元。每个单元可对应于时间区间(即，预定时间段)和/或位置坐标。
如同步骤602中所描述的，处理引擎112可基于所述多个第一时间特征和/或所述多个第一空间特征确定所述多个子集。为了确定每个子集，处理引擎112可以从与多个第一时间特征相关联的多个时间区间确定第一时间区间。处理引擎112可以选择在第一时间区间中发起和/或完成的多个示例服务订单的第一部分。处理引擎112可以将与多个示例服务订单的第一部分相关的数据确定为每个子集。例如，处理引擎112可以确定与在下午22点至23点之间发起和/或完成的多个示例服务订单的第一部分有关的数据作为子集。因此，所述子集可以对应于下午22点至23点的单元。
在一些实施例中，处理引擎112可以从与多个第一空间特征相关的多个地理区域确定与地理坐标相关的第一地理区域。处理引擎112可以选择在第一地理区域中发起和/或完成的多个示例服务订单的第二部分。处理引擎112可以将与多个示例服务订单的第二部分相关的数据确定为每个子集。例如，处理引擎112可以将与在北京市发起和/或完成的多个示例服务订单的第二部分有关的数据确定为子集。因此，所述子集可以对应于北京的单元。
在一些实施例中，处理引擎112可以基于所述多个第一时间特征和所述多个第一空间特征两者确定每个子集。处理引擎112可以确定在时间区间和地理区域中发起和/或完成的多个示例服务订单的第三部分。例如，为了确定每个子集，处理引擎112可以选择对应于第一时间区间和第一地理区域的多个示例服务订单的第三部分。处理引擎112可以将与多个示例服务订单的第三部分相关的数据确定为每个子集。例如，处理引擎112可以确定在下午22点至23点之间以及在北京市发起和/或完成的多个示例性服务订单的第三部分相关的数据，并将其作为子集。因此，所述子集可以对应于下午22点至23点以及北京的单元。
在一些实施例中，处理引擎112可基于所述多个子集的每一个确定多个全局特征向量和历史持续时间。对于与多个子集的每一个相关联的每一个示例服务订单，处理引擎112可以确定全局特征向量的结构数据和与示例服务订单相关的历史持续时间的结构数据。处理引擎112基于B树、散列表等可以构造或检索全局特征向量的结构数据和/或历史持续时间的结构数据。在一些实施例中，结构数据可以以数据库的形式存储或保存在存储器160中。全局特征向量和历史持续时间可以用于产生多个训练样本。所述多个训练样本可以形成训练集，可以用于发现潜在的预测关系或建立预测模型。
在一些实施例中，全局特征向量可以包括多个项或特征，例如，交通状态、行驶距离、起始时间、起始位置、结束位置、卫星定位采样点序列、指定等级道路上的行驶距离、路段数量、具有交通灯的十字路口数量、没有交通灯的十字路口数量、车辆状态等或其任意组合。交通状态可以包括实时道路速度或估计的道路速度。行驶距离可以包括历史路线的总距离或每一路段的距离。起始时间可以包括接到乘客的时间或用户(例如，司机)已经接收到或确认服务请求的时间。历史起始位置可以是接到乘客的位置，或乘客等待司机的位置。卫星定位采样点的序列可以是包括车辆位置的序列。车辆位置可以由卫星确定(例如，通过GPS系统)。指定等级道路上的行驶距离可以为车辆在指定等级的道路(例如，如高速公路、地方公路、一级道路、二级道路、三级道路等)上的行驶距离。路段的数量可以为一条路线中路段的总数量。车辆状态可以包括交通服务请求的访问状态(例如，接受服务请求的可用性)、响应概率、司机偏好、车型、车辆当前乘客数量、车辆的最大乘客量、车辆颜色、司机服务等级、车辆当前速度等或其任意组合。
在一些实施例中，全局特征向量可以被表示为具有一行或者一列的向量。例如，全局特征向量可以为一行向量，表示为1×N的行列式(例如，1×25的行列式)。再如，全局特征向量可以为一列向量，表示为N×1的行列式(例如，200×1的行列式)。在一些实施例中，全局特征向量可以对应N维坐标系。所述N维坐标系可以与路线的N项或特征相关。在一些实施例中，处理引擎112可以处理一个或多个全局特征向量。例如，三个全局特征向量(例如，三个行向量)可以被整合为一3×N的行列式。再如，N个全局特征向量(例如，N个1×N的行向量)可以被整合为一N×N的行列式。全局特征向量可以结合图7详细描述。
在606中，对于示例服务订单的多个子集的每一个子集，处理引擎112可以使用示例服务订单的子集训练预估到达时间的第一模型(第一ETA模型)。处理引擎112可以使用多个子集来生成多个第一ETA模型的结构数据。更具体地，例如，如结合步骤604所描述的，处理引擎112可以基于多个全局特征向量和与多个子集的每一个相关联的历史持续时间的结构数据来确定多个第一ETA模型的子集。
在一些实施例中，处理引擎112可以使用机器学习方法来确定ETA模型。例如，处理引擎112可以使用子集作为训练数据训练ETA模型。在一些实施例中，该机器学习方法可以包括决策树算法、关联规则算法、人工神经网络算法、深度学习算法、归纳逻辑编程算法、支持向量机算法、类聚算法、贝叶斯网络算法、强化学习算法、表示学习算法、相似度和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等或其任意组合。
在一些实施例中，处理引擎112可使用决策树算法来确定ETA模型。所述决策树算法可以包括迭代二叉树3代算法、分类和递归树算法、ID3后继算法、卡方自动交互检测器算法、条件推理树算法等或其任意组合。
在一些实施例中，处理引擎112可以确定用于第一ETA模型的一个或多个准确性分数并可以将所述准确性分数与所述第一ETA模型相关联。每个准确性分数可以表示预测准确性和/或一个或多个第一ETA模型的预测误差。每个准确性分数可以包括可表示预测准确性和/或预测误差的一个或多个数字、符号、字符等。例如，每个准确性分数可以包括指示与使用模型生成的ETA有关的预测误差的一个或多个数值。又例如，每个准确性分数可以包括分级量表(例如，1、2、3、a、b、c)。在一些实施例中，处理引擎112可以为每个第一ETA模型确定准确性分数。例如，对于与子集关联的每个示例服务订单，处理引擎112可以基于对应于子集的第一ETA模型来确定预测持续时间。处理引擎112可以确定预测持续时间和与每个示例服务订单相关联的历史持续时间之间的差。可以根据不同的算法来确定差值，所述算法包括，例如，平均绝对误差百分比(MAPE)、均方误差(MSE)、均方根误差(RMSE)等或其任何组合。仅仅举个例子，处理引擎112可基于等式(1)基于MAPE确定与对应于子集的第一ETA模型相关联的准确性分数。
其中，tr代表与示例服务订单相关的历史持续时间；tp代表预测持续时间。
在608中，处理引擎112可将结构数据存储在至少一个存储介质中，所述结构数据编码多个第一ETA模型。ETA模型的结构数据可以由处理引擎112基于B树或散列表构建或检索。在一些实施例中，结构数据可以作为数据库的形式存储在存储器160中。
图6-B是根据本申请一些实施例所示的用于确定与服务请求有关的目标ETA的示例性的流程图。流程600B可以由在线按需服务系统100执行。例如，流程600B可以被实现为存储在存储器160中的一组指令(例如，应用程序)。处理引擎112可以执行指令集并可以相应地通过接收和/或发送电信号指示在一在线按需服务平台中执行步骤600B。所述平台可以为基于互联网的平台，其通过互联网连接按需服务提供者和请求者。
在610中，处理引擎112可以获取包括的所述特征的当前服务请求。处理引擎112可以确定与当前服务请求相关联的第二电信号编码数据(以下称为“第二数据”)。处理引擎112可以经由网络120从所述服务请求者终端130获取与当前服务请求相关的第二数据。所述当前服务请求可以是对于交通服务的请求(例如，出租车呼叫服务、代驾服务、快车服务、拼车服务、公交车服务、司机招聘服务和接送服务、邮政服务、食品订单服务等)。处理引擎112可以基于第二数据(例如，也被称为“第二特征”)确定所述特征。第二特征可以与和当前服务请求相关联的时间和/或位置坐标相关联。在一些实施例中，处理引擎112可以基于与当前服务请求有关的开始位置和结束位置之间的开始位置、结束位置、开始时间和/或路线来确定第二特征。第二特征可以包括第二时间特征和/或第二空间特征。例如，第二时间特征可以与时间区间相关联。又例如，第二空间特征可以与包括开始位置、结束位置和/或开始位置与结束位置之间的路线的地理区域相关联。
当前服务请求可以是经由服务请求者终端130通过服务请求者刚刚发送的请求。处理引擎112可以确定与当前服务请求相关的ETA，并发送ETA相关数据到服务请求者终端130。处理引擎112还可以发送ETA相关数据给至少一个服务提供者终端140。
在一些实施例中，与当前服务请求相关的路线可以包括至少一个路段。多个路段可以包括两个红绿灯之间的路段、不同等级道路之间的路段、由桥梁连接的路段、被河流分割的路段、铁路轨道分割的路段、具有固定距离的路段(例如，1英里或2公里)、不同行政区域中的路段(例如，不同城市、不同省份或不同国家)、对应于每个乘客的上车点的路段、任意具有相同或不同道路性质的路段等或其任意组合。
在一些实施例中，处理引擎112可以基于与当前服务请求相关联的第二数据确定第二全局特征向量。在一些实施例中，结合604中的第一全局特征向量所描述的，第二全局特征向量可以具有N个维度，其中N可以对应于从第二数据获取的N个项或特征。例如，如果处理引擎112可以从第二数据中选取2000个项或特征，包括2000列或2000行的向量可以被确定为第二数据的第二全局特征向量。
在一些实施例中，第二全局特征向量的维度可以少于全局特征向量的维度。如果第二数据中的一个或多个项或特征丢失，第二全局特征向量的维度对应第二数据可能减小，并且第二全局特征向量具有降低的维度(例如，具有R列或R行的向量，其中R可能小于N)。在一些实施例中，如果第二数据中的一个或多个项或特征丢失，处理引擎112可以确定仍具有N列或N行的第二全局特征向量；并且对应于丢失项的列或行可以通过一默认值(例如，空值)描述。
在612中，处理引擎112(例如，ETA确定单元514)可以确定与服务请求的特征相关联的多个测量参数单元的目标单元。在一些实施例中，处理引擎112可以基于第二时间特征/或空间特征确定与服务请求的特征相关联的目标单元。例如，所述目标单元可以对应于与当前服务请求相关联的开始时间。又例如，所述目标单元可以对应于地理区域，所述地理区域包括与当前服务请求相关联的开始位置、结束位置和/或开始位置和结束位置之间的路线。又例如，目标单元可以对应于与当前服务请求相关联的开始时间和地理区域。
在步骤614中，处理引擎112可以从多个第一ETA模型中选择至少一个第二ETA模型。处理引擎112可以基于多个第一ETA模型和与当前服务请求相关联的第二数据(例如，开始时间、开始位置、结束位置、与当前服务请求相关联的第二全局特征向量、多个第一ETA模型的准确性分数等)确定至少一个第二ETA模型。
在一些实施例中，处理引擎112可以从多个第一ETA模型中，基于选取机制从多个第一模型中选取至少一个第二ETA模型(也被称为“选定的ETA模型”)。例如，处理引擎112可以基于与第一ETA模型相关联的准确性分数进行选取。更具体地说，处理引擎112可以选取与特定准确性分数相关联的一个或多个第一ETA模型作为至少一个第二模型。在一些实施例中，处理引擎112可以选取与大于阈值的准确性分数相关联的一个或多个第一ETA模型作为至少一个第二模型。在一些实施例中，处理引擎112可以基于准确性分数进行排序，并且基于排序(例如，前五个第一模型、前10％的第一ETA模型)选取一定数量的第一模型作为至少一个第二模型。
在一些实施例中，处理引擎112可以基于准确性分数从多个第一ETA模型中确定至少一个第二ETA模型。处理引擎112可以基于准确性分数对多个第一ETA模型排序。处理引擎112可以确定排序结果。所述排序结果可以包括通过准确性分数(例如，最高准确性分数、第二最高准确性分数、最低准确性分数等)对多个第一ETA模型排序的任何信息。处理引擎112可以基于排序结果确定至少一个第二ETA模型。例如，处理引擎112可以基于排序结果识别准确性分数中的第一准确性分数(例如，最高准确性分数、第二高准确性分数、最低准确性分数等)。处理引擎112可以从多个第一ETA模型中选取与第一准确性分数(例如，最高准确性分数、第二高准确性分数、最低准确性分数等)相关联的至少一个第一ETA模型中作为至少一个第二ETA模型。
又例如，处理引擎112可以基于目标单元从多个第一ETA模型中选取至少一个第二ETA模型。结合步骤606中所表述的，至少一个第二ETA模型可以对应于目标单元。
在一些实施例中，处理引擎112可以比较第二空间特征，以确定第二空间特征是否与第一空间特征的至少一个相匹配。例如，处理引擎112可以识别与第二空间特征匹配的第一空间特征，并且可以选取与识别的空间特征对应的至少一个第二ETA模型。
在一些实施例中，处理引擎112可以基于第二数据确定开始位置、中间位置(例如，开始位置和结束位置之间的位置)和/或结束位置。结合602中的描述，处理引擎112(例如，地理区域确定单元512)可以基于开始位置、经过的位置和/或结束位置从多个地理区域中确定多个第一地理区域。处理引擎112可以确定第二地理区域，第二地理区域包括与当前服务请求相关联的开始位置、经过的位置和/或结束位置。处理引擎112可以确定与当前服务请求相关联的第二地理区域，第二地理区域与多个第一地理区域的至少一个相匹配。例如，与当前服务请求相关联的第二地理区域和多个第一地理区域中的至少一个可以相同或重叠。
在一些实施例中，处理引擎112可以确定多个第一地理区域中的至少一个可以是北京市，处理引擎112可以确定对应于北京市的第一ETA模型作为至少一个第二ETA模型。因此，目标单元可以对应于北京市。
在一些实施例中，处理引擎112可以比较第二时间特征以确定第二时间特征是否与多个第一时间特征中的至少一个相匹配。例如，处理引擎112可以识别与第二时间特征匹配的第一时间特征，并且可以选取与识别的时间特征对应的至少一个第二模型。在一些实施例中，处理引擎112可以基于第二数据确定开始时间。结合步骤602中所描述的，处理引擎112(例如，时间区间确定单元510)可以基于开始时间、从多个时间区间中确定多个第二时间区间。例如，处理引擎112可以识别与开始时间匹配的多个第二时间区间。所述开始时间可以是位于多个第二时间区间中的至少一个，或是接近多个第二时间区间中的至少一个的预定时间。所述预定时间可以是默认设置或在不同条件下进行调整。所述预定时间可以是任意时间跨度，如5分钟、10分钟、30分钟、1小时、2小时、3小时等。
在一些实施例中，处理引擎112可确定当前服务请求的开始时间为晚上7点和晚上8点之间，所述处理引擎112可对应于三个时间区间确定三个第一ETA模型作为至少一个第二ETA模型，时间区间包括晚上6点至晚上7、晚上7点至晚上8点以及晚上8点至晚上9点。又例如，如果当前服务请求的开始时间在晚上7点至晚上8点之间，则处理引擎112可以对应于三个时间区间确定三个第一ETA模型，作为至少一个第五ETA模型，三个时间区间包括最后三个星期一的晚上7点至晚上8点。因此，目标单元可对应于晚上7点到8点之间的时间区间。处理引擎112可基于与目标单元相关的一个或多个相邻单元来确定至少一个第二ETA模型。
在一些实施例中，处理引擎112可以确定与第一时间特征中的至少一个匹配的第二时间特征，和与第一时间特征的至少一个匹配的第二空间特征。处理引擎112可以基于所述确定来确定至少一个第二ETA模型。例如，处理引擎112可以选取与匹配的第一空间特征(一个或多个)和第一时间特征(一个或多个)相对应的ETA模型。在一些实施例中，处理引擎112可以从多个第一ETA模型中确定至少一个第二ETA模型，所述多个第一ETA模型基于与当前服务请求相关联的开始时间、开始位置、经过的位置和/或结束的一个或多个组合来确定。处理引擎112(例如，时间区间确定单元510、地理区域确定单元512等)可以从多个时间区间和多个第三地理区域中确定多个第三时间区间，多个第三地理区域来自基于一个或多个组合的多个地理区域。处理引擎112可以基于多个第三时间区间和多个第三地理区域，从多个第一ETA模型中确定至少一个第二ETA模型。例如，处理引擎112可以选取对应于三个时间区间和对应于北京市的三个第一个ETA模型作为至少一个第二ETA模型，三个时间区间包括下午6点至晚上7点、晚上7点至晚上8点以及晚上8点至晚上9点。因此，目标单元可以对应于晚上7点至8点之间的时间区间和北京市。处理引擎112可以基于与目标单元相关的一个或多个相邻单元来确定至少一个第二ETA模型。
在616中，处理引擎112(例如，ETA确定单元514)可基于至少一个第二ETA模型确定当前服务请求的目标ETA。仅通过示例，当选取三个第一ETA模型作为至少一个第二ETA模型时，处理引擎112可以通过向它们指定三个对应的权重来组合三个第一模型以生成综合模型。
处理引擎112可以确定第二全局特征向量作为至少一个第二ETA模型的输入。所述至少一个第二ETA模型可以根据所述输入确定输出。例如，如果驾驶员将当前的出租车服务请求发送给在线按需服务系统100，则可以确定与当前服务请求有关的数据。处理引擎112可以根据与当前服务请求相关的数据确定具有N个维度的第二全局特征向量。处理引擎112可以通过将第二全局特征向量输入到至少一个第二ETA模型中来进一步确定当前服务请求的ETA。在一些实施例中，步骤612可以被电子设备实现，电子设备为诸如智能电话、个人数字助理(PDA)、平板电脑、膝上型计算机、计算机(车载电脑)、便携式游戏站(PSP)、智能电话眼镜、智能手表、可穿戴设备、虚拟显示设备、显示增强设备(例如GoogleTM Glass、OculusRift、HoloLens或Gear VR)等或其任何组合。
在一些实施例中，处理引擎112(例如ETA确定单元514)可以基于至少一个第二ETA模型确定与当前服务请求相关的目标单元。处理引擎112可以基于至少一个第二ETA模型和与当前服务请求相关联的第二数据来确定至少一个候选ETA。处理引擎112可以基于至少一个候选ETA的组合(例如，使用一个或多个第一ETA模型和/或至少一个第二ETA模型生成的多个候选ETA)来确定与当前服务请求相关的目标ETA。在一些实施例中，候选ETA的组合可以通过对一个或多个候选ETA应用权重来确定。例如，与当前服务请求相关的ETA可以是至少一个候选ETA的加权平均值，至少一个候选ETA的加权平均值等。
在618中，处理引擎112可以将目标ETA发送至当前服务请求的请求者。例如，处理引擎112可以将目标ETA发送至对应的请求者的终端。终端可以是服务请求者终端130或服务提供者终端140。处理引擎112可以将目标ETA以文本、图片、音频、视频等的形式发送至至少一个终端。在一些实施例中，ETA可以显示在至少一个服务提供者终端140上。
图7是根据本申请的一些实施例所示的示例性全局特征向量相关联的表格。处理引擎112可以从驾驶员终端获取与一个或多个示例服务订单有关的数据。在一些实施例中，与一个或多个服务请求相关的数据可以作为电信号来传输。与一个或多个示例服务订单有关的数据可以包括文本数据、数字数据、图像数据、视频数据、语音数据和/或分类数据。处理引擎112可以将文本数据、图像数据、视频数据、语音数据和分类数据转换为数字数据。处理引擎112可以基于与一个或多个服务请求相关联的数字数据进一步构造全局特征向量和历史持续时间。
例如，处理引擎112可以获取与三个路线相关联的数据，三个路线被表示为3个路线ID：分别为1、2和3(如710所示)。这三条路线可能与三个示例服务订单相关联。与路线ID相关联的每个数据可以包括与变量名称X1、X2、X3、X4、Xn相对应的驾驶距离720、交通信号灯数量730、道路宽度740、开始时间的时间区间750、开始位置的区域760和历史持续时间770。处理引擎112可以基于每个数据构造全局特征向量。全局特征向量中的项或特征可以包括驾驶距离720、交通灯的数量730、道路宽度740、开始时间的时间区间750以及开始位置的区域760。处理引擎112可以进一步地将全局特征向量中的文本数据和/或分类数据(例如，出租车、私家车等)转换为数字数据。例如，开始时间的时间区间750可以由平均值标示。那么ID 1、2和3的时间区间可以是7.5、8.5和9.5。又例如，开始位置的区域760可以由不同的值来标示，例如A＝1、B＝6.5和C＝4。在一些实施例中，在训练ETA模型之前，处理引擎112可将全局特征向量中的数字数据转换成二进制数据。如图7所示，可以用g＝(X1、X2、X3、X4、...、Xn)的形式确定若干示例性全局特征向量。例如，ID1的全局特征向量可以是g1＝(3、2、12、7.5、1)，ID2的全局特征向量可以是g2＝(0.7、0、10、8.5、6.5)，并且ID3的全局特征向量可以是g3＝(12、6、10、9.5、4)。每个全局特征向量可以对应于770中的一个历史持续时间。历史持续时间可以被用作训练模型的标签。全局特征向量和相应的历史持续时间可以形成训练集。处理引擎112可以通过将全局特征向量确定为输入并将预测持续时间确定为输出来训练ETA模型。处理引擎112可以基于预测持续时间和历史持续时间(例如，通过确定准确性分数)来确定训练的ETA模型的预测准确性。
图8是根据本申请的一些实施例所示的示例性决策树作为ETA模型的示意图。所述决策树可以包括分类决策树、回归决策树或分类和回归决策树。用于构建决策树的算法可以包括迭代二叉树3代算法、分类和递归树算法、ID3后继算法、卡方自动交互检测器算法或条件推理树算法。在构建决策树800时，处理引擎112可以使用信息增益确定哪个变量或项可以作为决策树800的第一项。信息增益可以被表达为公式(2)：
Gain＝infobeforesplit–infoaftersplit, (2)
其中，Gain表示信息增益；infobeforesplit表示分裂之前的熵；infoaftersplit表示分裂之后的熵。
熵可以表示为公式(3)：
其中，H(T)表示具有n个值的变量T的熵；Pi表示T的值为i的概率。
例如，处理引擎112可确定每个变量的信息增益(例如，驾驶距离、起始时间的时间区间、道路宽度和开始位置的区域)。处理引擎112可以选取具有最大信息增益的变量(例如驾驶距离)。处理引擎112可以将驾驶距离确定为第一次分裂来构建决策树800。其他变量如开始时间的时间区间、道路宽度和开始位置的区域，可以基于其对应的信息增益来用于后续的分裂。如图8所示，可以首先使用驾驶距离来分裂决策树800。如果驾驶距离等于或大于10，则可以通过开始时间的时间区间将决策树800进一步分裂。如果开始时间的时间区间在上午7点到上午8点之间，则可以通过开始位置的区域进一步分裂决策树800。如果开始位置的区域是B，则可以通过公式(4)计算ETA：
ETA＝f1(X1)+f2(X2) (4)
其中f1表示驾驶距离的函数；f2表示开始时间的时间区间的函数。如果开始位置的区域是A，则可以通过公式(5)计算ETA
ETA＝f1(X1)+f2(X2)+30 (5)
其中f1表示驾驶距离的函数；f2表示开始时间的时间区间的函数。
如果驾驶距离大于等于0.5公里，并且小于等于10公里，可以通过道路宽度进一步地分裂决策树800，例如，如果道路宽度等于10米，ETA可以通过公式(6)进行计算：
ETA＝f1(X1)-X1/20 (6)
其中f1代表驾驶距离的函数。如果道路宽度等于12米，ETA可以通过公式(7)进行计算：
ETA＝f1(X1)+X1/20 (7)
其中f1代表驾驶距离的函数。
如果驾驶距离小于0.5公里，ETA可以为3分钟。在一些实施例中，决策树800可以基于上述公式之一输出数值。例如，决策树800可以基于公式(7)输出ETA为32分钟。
图9是根据本申请的一些实施例所示的示例性人工神经网络(ANN)作为ETA模型的示意图。所述ANN 900可以包括输入层910、隐藏层920和输出层930。所述输入层910由一个或多个互相连接形成网状结构的人工神经元构成。如图9所示，输入层910可以包括人工神经元X1、人工神经元X2、人工神经元X3、……、人工神经元Xn。在一些实施例中，输入层910中的人工神经元的数量可以与代表全局特征向量的矩阵中的列或行的数量对应。例如，如果对应N项或特征的全局特征向量表示为具有N列或N行的向量，则输入层910中人工神经元的数量可以等于N(例如，2000)。
隐藏层920可以包括3个人工神经元，人工神经元Z1、人工神经元Z2和人工神经元Z3。隐藏层920中的每个人工神经元可以与输入层910中的每个人工神经元相连；并且隐藏层920中的每个人工神经元与输出层930中的人工神经元相连。例如，该人工神经元可以分别与人工神经元X1、人工神经元X2、……、人工神经元Xn相连接。隐藏层920中的每个人工神经元可以包括求和函数。所述求和函数可以为阈值函数或极限函数。例如，所述隐藏层中求和函数可以表示为公式(8)：
其中O表示人造神经元到输出层930中的人造神经元的输出；f表示激活函数；wj表示隐藏层920中的人造神经元之间的权重；xj代表将来自输入层910中的人造神经元Xj输入隐藏层920中的人造神经元；以及θ代表阈值。
输出层930可以包括至少一个人工神经元。输出层930中的每个人工神经元可以与隐藏层920中的每个人工神经元相连。例如，输出层930中的一人工神经元可以分别与人工神经元Z1、人工神经元Z2和人工神经元Z3相连。输出层930中的每一人工神经元还可以包括如公式(8)所示的求和函数。例如，输出层930中人工神经元的激活函数可以为阶梯函数，如公式(9)所示：
例如，激活函数可以被表示为具有连续函数值的函数(如公式(4))。输出层930中具有激活函数功能的人工神经元可以输出服务请求的ETA。
应当指出的是，图9中所描述的ANN 900，仅仅是为了说明目的而提供，并不构成对本发明公开范围的限制。对于本领域普通技术人员来说，在不背离本申请原则的前提下，可以对上述方法及系统的应用进行各种形式和细节的改进和改变。例如，隐藏层920的数量可以为2或更多。再如，ANN 900可以进一步包括卷积层和/或池化层。所述卷积层和池化层可以交替地置于隐藏层920中。再如，ANN 900可以通过深度学习的方法进行修改或训练。
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，本领域技术人员可能会对本申请进行各种修改、改进和修正。这些修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定术语来描述本申请的实施例。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“实施例”、“一个实施例”或“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，本领域具有通常知识者可以理解，本申请的各态样可以通过若干具有可以专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。因此，本申请的实施例可以在纯硬件或纯软件中实施，其中软件包括但不限于操作系统、常驻软件或微代码等；也可以在同时包含硬件和软件的“系统”、“模块”、“子模块”、“单元”等中实施。此外，本申请的各态样可以表现为位于一个或多个计算机可读媒体中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可以包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。所述传播讯号可以有多种表现形式，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，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、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python或类似的常规程序编程语言，如“C”编程语言、Visual Basic、Fortran1703、Perl、COBOL 1702、PHP、ABAP，动态编程语言如Python、Ruby和Groovy或其它编程语言。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(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，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装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动装置上安装所描述的系统。
同理，应当注意的是，为了简化本申请公开的表述，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，这种公开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，要求保护的主题可能少于单个前述公开的实施例的全部特征。

Claims (20)

1.一种电子系统，包括：
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存储介质包括一组指令集；
至少一个处理器，所述处理器被配置为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，当执行所述指令集时，所述至少一个处理器被指示为执行以下操作：
获取多个示例服务订单，所述多个示例服务订单的每个示例服务订单包括与测量参数的多个单元的一单元相关联的特征；
将所述多个示例服务订单聚类为示例服务订单的多个子集，相同子集中的每个示例服务订单的所述特征与所述测量参数的相同单元相关联；
对于示例服务订单的多个子集中的每个子集，使用所述示例服务订单的子集训练第一预估到达时间模型(第一ETA模型)；以及
将结构数据存储在所述至少一个存储介质中，所述结构数据编码所述多个第一ETA模型。
2.如权利要求1所述的电子系统，其特征在于，所述测量参数包括时间；所述测量参数的多个单元的每个单元包括预定时间段；以及
所述特征包括与所述多个示例服务订单中的示例服务订单有关的开始时间或结束时间中的至少一个。
3.如权利要求1所述的电子系统，其特征在于，所述测量参数包括位置坐标；
所述测量参数的多个单元的每个单元包括预定地理区域；以及
所述特征包括与所述多个示例服务订单中的示例服务订单有关的起始位置或结束位置中的至少一个。
4.如权利要求1所述的电子系统，其特征在于，所述至少一个处理器还进一步被指示为执行以下操作：
获取包括所述特征的服务请求；
确定所述测量参数的多个单元中的目标单元，所述目标单元与所述服务请求的所述特征相关联；
从多个所述第一ETA模型中选择至少一个第二ETA模型；
基于所述至少一个第二ETA模型确定所述服务请求的目标ETA；以及
将所述目标ETA发送给所述服务请求的请求者。
5.如权利要求4所述的电子系统，其特征在于，所述至少一个处理器还进一步被指示为执行以下操作：
基于所述至少一个第二ETA模型确定所述服务请求的至少一个候选ETA；以及
基于所述至少一个候选ETA确定所述服务订单的ETA。
6.如权利要求5所述的电子系统，其特征在于，为了确定所述服务请求的ETA，所述至少一个处理器还进一步被指示为确定所述至少一个候选ETA的组合。
7.如权利要求6所述的电子系统，其特征在于，为了确定所述至少一个候选ETA的所述组合，所述至少一个处理器进一步被配置为在至少一个所述至少一个候选ETA中应用权重。
8.如权利要求4所述的电子系统，其特征在于，所述处理器还进一步被指示为执行以下操作：
确定所述多个第一ETA模型的多个准确性分数；以及
基于所述多个准确性分数确定所述至少一个第二ETA模型。
9.一种方法，包括：
由至少一个处理器，获取多个示例服务订单，所述多个示例服务订单的每个示例服务订单包括与测量参数的多个单元的一单元相关联的特征；
将所述多个示例服务订单聚类为示例服务订单的多个子集，相同子集中的每个示例服务订单的所述特征与所述测量参数的相同单元相关联；
对于示例服务订单的多个子集中的每个子集，使用所述示例服务订单的子集训练第一预估到达时间模型(第一ETA模型)；以及
将结构数据存储在所述至少一个存储介质中，所述结构数据编码所述多个第一ETA模型。
10.如权利要求9所述的方法，其特征在于，所述测量参数包括时间；
所述测量参数的多个单元的每个单元包括预定时间段；以及
所述特征包括与所述多个示例服务订单中的示例服务订单有关的开始时间或结束时间中的至少一个。
11.如权利要求9所述的方法，其特征在于，所述测量参数包括位置坐标；
所述测量参数的多个单元的每个单元包括预定地理区域；以及
所述特征包括与所述多个示例服务订单中的示例服务订单有关的起始位置或结束位置中的至少一个。
12.如权利要求9所述的方法，其特征在于，所述方法进一步包括：
获取包括所述特征的服务请求；
确定所述测量参数的多个单元中的目标单元，所述目标单元与所述服务请求的所述特征相关联；
从多个所述第一ETA模型中选择至少一个第二ETA模型；
基于所述至少一个第二ETA模型确定所述服务请求的目标ETA；以及
将所述目标ETA发送给所述服务请求的请求人。
13.如权利要求12所述的方法，其特征在于，所述方法进一步包括：
基于所述至少一个第二ETA模型确定所述服务请求的至少一个候选ETA；以及
基于所述至少一个候选ETA确定所述服务订单的ETA。
14.如权利要求13所述的方法，其特征在于，确定所述服务请求的ETA进一步包括确定所述至少一个候选ETA的组合。
15.如权利要求14所述的方法，其特征在于，确定所述至少一个候选ETA的组合进一步包括在至少一个所述至少一个候选ETA中应用权重。
16.如权利要求12所述的方法，其特征在于，将所述多个示例服务订单聚类为示例服务订单的多个子集进一步包括：
确定所述多个第一ETA模型的多个准确性分数；以及
基于所述多个准确性分数确定所述至少一个第二ETA模型。
17.一种实现计算机程序产品的非暂时性计算机可读存储介质，所述计算机程序产品包含一组指令，所述指令配置为使计算机：
获取多个示例服务订单，所述多个示例服务订单的每个示例服务订单包括与测量参数的多个单元的一单元相关联的特征；
将所述多个示例服务订单聚类为示例服务订单的多个子集，相同子集中的每个示例服务订单的所述特征与所述测量参数的相同单元相关联；
对于示例服务订单的多个子集中的每个子集，使用所述示例服务订单的子集训练第一预估到达时间模型(第一ETA模型)；以及
将结构数据存储在所述至少一个存储介质中，所述结构数据编码所述多个第一ETA模型。
18.如权利要求17所述的介质，其特征在于，所述测量参数包括时间；
所述测量参数的多个单元的每个单元包括预定时间段；以及
所述特征包括与所述多个示例服务订单中的示例服务订单有关的开始时间或结束时间中的至少一个。
19.如权利要求17所述的介质，其特征在于，所述测量参数包括位置坐标；
所述测量参数的多个单元的每个单元包括预定地理区域；以及
所述特征包括与所述多个示例服务订单中的示例服务订单有关的起始位置或结束位置中的至少一个。
20.如权利要求17所述的介质，其特征在于，所述计算机进一步被配置为：
获取包括所述特征的服务请求；
确定所述测量参数的多个单元中的目标单元，所述目标单元与所述服务请求的所述特征相关联；
基于多个所述第一ETA模型选择至少一个第二ETA模型；
基于所述至少一个第二ETA模型确定所述服务请求的目标ETA；将所述目标ETA发送给所述服务请求的请求者。
CN201780089655.2A 2017-06-12 2017-06-12 确定预估到达时间的系统和方法 Active CN110520913B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/087879 WO2018227325A1 (en) 2017-06-12 2017-06-12 Systems and methods for determining an estimated time of arrival

Publications (2)

Publication Number Publication Date
CN110520913A true CN110520913A (zh) 2019-11-29
CN110520913B CN110520913B (zh) 2022-04-05

Family

ID=64564122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780089655.2A Active CN110520913B (zh) 2017-06-12 2017-06-12 确定预估到达时间的系统和方法

Country Status (4)

Country Link
US (1) US10922778B2 (zh)
CN (1) CN110520913B (zh)
TW (1) TWI673659B (zh)
WO (1) WO2018227325A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582559A (zh) * 2020-04-21 2020-08-25 腾讯科技（深圳）有限公司 一种到达时间的预估方法及装置
CN111598370A (zh) * 2019-02-21 2020-08-28 北京嘀嘀无限科技发展有限公司 一种女性安全风险防范方法和系统
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
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

Families Citing this family (11)

* 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
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
KR20200046145A (ko) * 2018-10-15 2020-05-07 펑션베이(주) 예측 모델 훈련 관리 시스템, 예측 모델 훈련 관리 방법, 예측 모델 학습 관리를 위한 마스터 장치 및 슬레이브 장치
US20220122011A1 (en) * 2019-02-07 2022-04-21 Volvo Truck Corporation Method and system for operating a fleet of vehicles
US11587018B2 (en) 2019-06-28 2023-02-21 Convey, Llc Intermediated shipping logistics system for facilitating delivery appointment scheduling with outsourced carrier systems
TWI719696B (zh) * 2019-11-01 2021-02-21 財團法人工業技術研究院 臉部影像重建方法與系統
US11775922B2 (en) * 2020-04-28 2023-10-03 Intuit Inc. Logistic recommendation engine
US20220074751A1 (en) * 2020-09-04 2022-03-10 Here Global B.V. Method, apparatus, and system for providing an estimated time of arrival with uncertain starting location
US11551182B2 (en) * 2020-09-22 2023-01-10 Convey, Llc Systems and methods for AI-based detection of delays in a shipping network
US20220164667A1 (en) * 2020-11-24 2022-05-26 Qualcomm Incorporated Transfer learning for sound event classification

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110002598A (ko) * 2009-07-02 2011-01-10 중앙대학교 산학협력단 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법
CN103201754A (zh) * 2010-11-18 2013-07-10 索尼公司 数据处理设备、数据处理方法以及程序
CN103262136A (zh) * 2010-11-08 2013-08-21 通腾发展德国公司 导航设备和方法
CN104123841A (zh) * 2014-08-14 2014-10-29 苏州大学 一种车辆到站时间的获取方法及系统
CN104517155A (zh) * 2013-09-26 2015-04-15 Sap欧洲公司 用于动态路径优化的系统和方法
CN104637334A (zh) * 2015-02-10 2015-05-20 中山大学 一种公交车到站时间实时预测方法
US20150228188A1 (en) * 2014-02-10 2015-08-13 Here Global B.V. Adaptive Traffic Dynamics Prediction
EP2950293A2 (en) * 2014-05-30 2015-12-02 LG CNS Co., Ltd. Method and apparatus for estimating an arrival time of a transportation vehicle
CN105243441A (zh) * 2015-09-29 2016-01-13 联想(北京)有限公司 一种处理方法和装置、控制方法和装置及电子设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU4465900A (en) * 1999-04-17 2000-11-02 Idmicro, Inc. Method and system for providing an estimated time of arrival for a bus
US7512487B1 (en) * 2006-11-02 2009-03-31 Google Inc. Adaptive and personalized navigation system
US9239989B2 (en) * 2012-03-28 2016-01-19 General Electric Company Computer-implemented system with adaptive cognitive features and method of using the same
CN103377552B (zh) * 2012-04-13 2016-03-16 日立(中国)研究开发有限公司 交通信息预测装置及方法、终端设备及服务器
US9002085B1 (en) 2013-10-22 2015-04-07 Eyenuk, Inc. Systems and methods for automatically generating descriptions of retinal images
DE102015207415A1 (de) 2015-04-23 2016-10-27 Adidas Ag Verfahren und Gerät zum Verknüpfen von Bildern in einem Video einer Aktivität einer Person mit einem Ereignis
US20170270790A1 (en) * 2015-05-15 2017-09-21 New York City Transit Authority Vehicle Prediction Module
CN106056950A (zh) * 2016-06-30 2016-10-26 大连楼兰科技股份有限公司 基于obd设备的车联网周边信息推送系统及方法
US10200457B2 (en) * 2016-10-26 2019-02-05 Uber Technologies, Inc. Selective distribution of machine-learned models
CN106528874B (zh) * 2016-12-08 2019-07-19 重庆邮电大学 基于Spark内存计算大数据平台的CLR多标签数据分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110002598A (ko) * 2009-07-02 2011-01-10 중앙대학교 산학협력단 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법
CN103262136A (zh) * 2010-11-08 2013-08-21 通腾发展德国公司 导航设备和方法
CN103201754A (zh) * 2010-11-18 2013-07-10 索尼公司 数据处理设备、数据处理方法以及程序
CN104517155A (zh) * 2013-09-26 2015-04-15 Sap欧洲公司 用于动态路径优化的系统和方法
US20150228188A1 (en) * 2014-02-10 2015-08-13 Here Global B.V. Adaptive Traffic Dynamics Prediction
EP2950293A2 (en) * 2014-05-30 2015-12-02 LG CNS Co., Ltd. Method and apparatus for estimating an arrival time of a transportation vehicle
CN104123841A (zh) * 2014-08-14 2014-10-29 苏州大学 一种车辆到站时间的获取方法及系统
CN104637334A (zh) * 2015-02-10 2015-05-20 中山大学 一种公交车到站时间实时预测方法
CN105243441A (zh) * 2015-09-29 2016-01-13 联想(北京)有限公司 一种处理方法和装置、控制方法和装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
IOANNIS PAROLAS等: "Prediction of Vessels’ Estimated Time of Arrival(ETA) Using Machine Learning-A Port of Rotterdam Case Study", 《TECHNISCHE INFORMATIONSBIBLIOTHEK(TIB) GERMAN NATIONAL LIBRARY OF SCIENCE AND TECHNOLOGY》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598370A (zh) * 2019-02-21 2020-08-28 北京嘀嘀无限科技发展有限公司 一种女性安全风险防范方法和系统
CN111582559A (zh) * 2020-04-21 2020-08-25 腾讯科技（深圳）有限公司 一种到达时间的预估方法及装置
CN111582559B (zh) * 2020-04-21 2024-02-20 腾讯科技（深圳）有限公司 一种到达时间的预估方法及装置
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
CN111784475B (zh) * 2020-07-06 2024-09-13 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

Also Published As

Publication number Publication date
WO2018227325A1 (en) 2018-12-20
US20180357736A1 (en) 2018-12-13
TWI673659B (zh) 2019-10-01
CN110520913B (zh) 2022-04-05
TW201903659A (zh) 2019-01-16
US10922778B2 (en) 2021-02-16

Similar Documents

Publication Publication Date Title
AU2020201991B2 (en) Systems and methods for recommending an estimated time of arrival
CN110520913A (zh) 确定预估到达时间的系统和方法
TWI670677B (zh) 用於推薦預估到達時間的系統和方法
CA3027062C (en) Systems and methods for determining estimated time of arrival
JP6538196B2 (ja) サービスの要求を分配するシステム及び方法
EP3330917A1 (en) Method and system for determining traffic service fees
US20180330225A1 (en) System and method for determining vehicle load status
CN110537212B (zh) 确定预估到达时间的系统与方法
US20200049522A1 (en) Methods and systems for route planning
CN110140135A (zh) 信息处理方法、信息处理系统和信息处理装置
CN108934181A (zh) 用于路径搜索的系统和方法
CN109313742A (zh) 确定预估到达时间的方法及系统
CN109791731A (zh) 一种预估到达时间的方法和系统
CN110431573A (zh) 订单分配优化的系统和方法
CN109313036A (zh) 路线规划的系统及方法
CN109716383A (zh) 利用机器学习技术进行价格预估的系统和方法
CN111415024A (zh) 一种到达时间预估方法以及预估装置
CN114041129A (zh) 确定上车点名称的系统和方法

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