CN110945557B - 用于确定到达的预估时间的系统和方法 - Google Patents

用于确定到达的预估时间的系统和方法 Download PDF

Info

Publication number
CN110945557B
CN110945557B CN201780093476.6A CN201780093476A CN110945557B CN 110945557 B CN110945557 B CN 110945557B CN 201780093476 A CN201780093476 A CN 201780093476A CN 110945557 B CN110945557 B CN 110945557B
Authority
CN
China
Prior art keywords
arrival
estimated
model
sub
nodes
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.)
Active
Application number
CN201780093476.6A
Other languages
English (en)
Other versions
CN110945557A (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 CN110945557A publication Critical patent/CN110945557A/zh
Application granted granted Critical
Publication of CN110945557B publication Critical patent/CN110945557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本申请涉及用于确定预估到达时间(ETA)的方法和系统。该方法可以包括获取与按需服务订单有关的特征数据；获取并行计算框架；基于特征数据和并行计算框架确定全局预估到达时间模型；并基于全局预估到达时间模型确定目标路线的预估到达时间。

Description

用于确定到达的预估时间的系统和方法
技术领域
本申请一般涉及用于确定预估到达时间(ETA)的方法和系统，更具体地，涉及用于通过在并行计算框架上实现决策树模型来确定预估到达时间的方法和系统。
背景技术
按需运输服务，例如在线出租车叫车服务，为人们的日常生活提供了很多便利。通过在线按需服务平台，用户可以通过安装在他/她的智能电话中的应用请求按需服务。在线按需服务平台可以基于该请求提供从起始位置到目的地的路线的预估到达时间(ETA)。然而，预估到达时间的产生通常是缓慢且不准确的。
发明内容
根据本申请的一个方面，提供了一个系统。该系统可以包括至少一个存储介质和至少一个处理器，其配置为与至少一个存储介质通信。所述至少一个存储介质可以包括一指令集。当至少一个存储介质执行该指令集时，可以指示该至少一个处理器执行以下操作中的一个或至少两个。所述至少一个处理器可以从用户设备接收起始位置和目的地。所述至少一个处理器可以获取全局预估到达时间模型。为了生成全局预估到达时间模型，至少一个处理器可以获取与按需服务有关的特征数据。所述至少一个处理器可以确定至少两个子预估到达时间模型。所述至少一个处理器可以获取包括至少两个工作节点的并行计算框架，并且所述至少两个工作节点中的每个工作节点可以与所述至少两个子预估到达时间模型中的子预估到达时间模型相关联。至少一个处理器可以将特征数据分配给至少两个工作节点。所述至少一个处理器可以基于所述特征数据训练所述至少两个子预估到达时间模型。所述至少一个处理器可以基于所述至少两个训练后的子预估到达时间模型生成全局预估到达时间模型。此外，至少一个处理器可以基于全局模型确定连接起始位置和目的地的目标路线的预估到达时间，并将确定的预估到达时间发送给用户设备。
在一些实施例中，至少一个处理器可以基于分裂规则将至少两个工作节点中的每个工作节点分裂成根节点和至少两个叶节点。
在一些实施例中，至少一个处理器可以将至少两个叶节点分类为至少两个组，并基于至少两个叶节点确定至少一个栅栏。所述至少一个栅栏配置在所述至少两个叶节点中的两个叶节点之间。
在一些实施例中，至少一个栅栏可以防止至少两个工作节点同时执行第一组叶节点和第二组叶节点。
在一些实施例中，并行计算框架可以包括Spark框架、Hadoop、Phoenix、Disco或Mars中的至少一个。
在一些实施例中，至少一个处理器可以确定至少两个工作节点的数量，并基于至少两个工作节点的数量将特征数据分配到至少两个工作节点上。在至少两个工作节点中的每个工作节点上分配的特征数据可以是不同的。
在一些实施例中，至少两个工作节点可以包括第一工作节点，操作以第一特征数据为输入的第一子预估到达时间模型；第二工作节点，操作以第二特征数据为输入的第二子预估到达时间模型。第一工作节点可以将第一特征数据发送到第二工作节点。
在一些实施例中，全局预估到达时间模型包括极限梯度增强(XGboost)模型。
根据本申请的另一方面，提供一种方法。所述方法可以包括一个或至少两个以下操作。处理器可以从用户设备接收起始位置和目的地。处理器可以获取全局预估到达时间模型。为了生成全局预估到达时间模型，处理器可以获取与按需服务有关的特征数据。处理器可以确定至少两个子预估到达时间模型。处理器可以获取包括至少两个工作节点的并行计算框架，并且至少两个工作节点中的每个工作节点与至少两个子预估到达时间模型中的子预估到达时间模型相关联。处理器可以将特征数据分配给至少两个工作节点。处理器可以基于特征数据训练至少两个子预估到达时间模型。处理器可以基于至少两个训练后的子预估到达时间模型生成全局预估到达时间模型。此外，处理器可以基于全局模型确定用于连接起始位置和目的地的目标路线的预估到达时间，并将确定的预估到达时间发送到用户设备。
根据本申请的另一方面，提供了一种非暂时性计算机可读介质。非暂时性计算机可读介质可以包括使至少一个处理器实现方法的可执行指令。所述方法可以包括一个或至少两个下述操作。至少一个处理器可以从用户设备接收起始位置和目的地。至少一个处理器可以获取全局预估到达时间模型。为了生成全局预估到达时间模型，至少一个处理器可以获取与按需服务有关的特征数据。至少一个处理器可以确定至少两个子预估到达时间模型。所述至少一个处理器可以获取包括至少两个工作节点的并行计算框架，并且所述至少两个工作节点中的每个工作节点与所述至少两个子预估到达时间模型中的子预估到达时间模型相关联。至少一个处理器可以将特征数据分配给至少两个工作节点。至少一个处理器可以基于特征数据训练至少两个子预估到达时间模型。所述至少一个处理器可以基于所述至少两个训练后的子预估到达时间模型生成全局预估到达时间模型。此外，至少一个处理器可以基于全局模型确定用于连接起始位置和目的地的目标路线的预估到达时间，并将确定的预估到达时间发送到用户设备。
附图说明
本申请以示例性实施例的方式来进一步描述。这些示例性实施例参考至图式而被详细地描述。这些实施例是非限制性的示例性实施例，其中相同的组件符号代表整个附图中的相似结构，并且其中：
图1是根据本申请的一些实施例所示的示例性在线按需服务系统100的框图；
图2是根据本申请的一些实施例所示的计算设备200的示例性硬件和软件组件的示意图；
图3-A是根据本申请的一些实施例所示的示例性处理引擎112的框图。
图3-B是根据本申请的一些实施例所示的示例性并行计算框架的示意图；
图4是根据本申请的一些实施例所示的用于确定预估到达时间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用于确定预估到达时间的示例性过程的流程图；
图6-A是根据本申请的一些实施例所示的示例性训练数据和训练后的模型的示意图；
图6-B是根据本申请的一些实施例所示的模型的结构的示意图；
图6-C、图6-D和图6-E是根据本申请的一些实施例所示的示例性训练数据和训练后的模型的示意图；
图7-A、图7-B和图7-C是根据本申请的一些实施例所示的模型的结构的示意图；以及
图8是根据本申请的一些实施例所示的用于发送预估到达时间的示例性过程的流程图。
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程序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程序。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。
本申请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。如本文所使用的“一”、“一个”、“”等词语并非特指单数，也可包括复数形式，除非上下文明确提示例外情形。还应当理解，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、整体、步骤、操作、元件和/或部件，而不排除可以存在和添加其他一个或多个特征、整体、步骤、操作、元件、部件和/或其组合的情况。
在考虑了作为本申请的一部分的附图描述内容后，本申请的特征和特点以及操作方法、结构的相关元素的功能、各部分的组合、制造的经济性变得显而易见。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，附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，流程图的操作不一定按照顺序来精确地执行。相反，可以按照倒序执行或同时处理各种步骤。此外，可以将一个或多个其他操作添加到这些流程图中。从这些流程图中移除一个或多个操作。
此外，尽管描述本申请中的系统和方法主要关于确定按需服务订单中的路线的预估到达时间(ETA)，但是还应当理解，这仅是一个示例性实施例。本申请的系统或方法可以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、航空航天等或上其任意组合。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、无人驾驶车辆等或其任意组合。运输系统也可以包括应用程序管理和/或分配的任何运输系统，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程序场景可以包括网页、浏览器外挂程式、客户终端、定制系统、内部分析系统、人工智慧机器人等或其任意组合。
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。同样地，术语“司机”、“提供者”、“供应者”、“服务提供者”、“服务者”等也是可以互换的，是指提供服务或者协助提供服务的个人、工具或者其他实体等。在本申请中，术语“用户”表示可以请求服务、预定服务、提供服务或促进服务提供的个体、实体，或工具。例如，用户可以为乘客、司机、操作员等或其任意组合。在本发明中，术语“乘客”和“乘客终端”可以互换使用，并且术语“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“服务请求”可以互换使用，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、供应者等或其任意组合发起的请求。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、或供应方中的任一个接受。服务请求可以是计费的也可是免费的。
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用于确定按需服务订单的目标路线的预估到达时间的系统和方法，例如出租车服务、货物递送服务、司机服务、快车服务、拼车服务、巴士服务、短期司机租赁服务、班车服务等。在一些实施例中，服务器可以获取与按需服务订单有关的特征数据。特征数据可以包括但不限于与起始位置和/或目的地有关的数据、从起始位置到目的地的预估到达时间、从起始位置到目的地的实际到达时间、交通数据(例如，按需订单中的交通信号灯、道路类型、交通状况等)、用户信息数据(例如，乘客偏好、驾驶员偏好等)等。特征数据可以是与历史订单相关的历史数据和/或与当前订单相关的实时数据。服务器可以配置并行计算框架。并行计算框架可以包括Spark框架、Hadoop、Phoenix、Disco、Mars等或其任何组合。并行计算框架可以包括管理器节点和至少两个工作节点。服务器可以将特征数据分配给工作节点，并且可以基于所分配的特征数据在每个工作节点上生成子预估到达时间模型。可以基于决策树算法生成子预估到达时间模型，例如极限梯度增强(ExtremeGradient Boosting,XGboost)、梯度增强决策树(Gradient Boosting Decision Tree,GBDT)、随机森林等。在一些实施例中，服务器还可以基于一个或至少两个子预估到达时间模型生成全局预估到达时间模型。此外，服务器可以获取目标路线并基于全局预估到达时间模型生成与目标路线相对应的预估到达时间。
图1是根据本申请的一些实施例所示的示例性在线按需服务系统100的框图。例如，按需服务系统100可以是在线运输服务平台，用来提供运输服务，例如出租车呼叫服务、驾驶服务、快运汽车服务、共享服务、巴士服务、司机雇佣以及短途运输服务。按需服务系统100可以是在在线平台，包括服务器110，网络120，请求者终端130，提供者终端140，存储器150和定位系统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可以是单个的服务器或者服务器群。服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。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访问存储在请求者终端130、提供者终端140和/或存储器150内的信息和/或数据。再例如，服务器110可以连接到服务请求者终端130，提供者终端140和/或存储器150以访问所存储的信息和/或数据。在一些实施例中，服务器110可以在云端平台上执行。仅作为示例，云端平台可以包括私有云、公共云、混合云、社区云、分散式云、跨云、多云等或其任意组合。在一些实施例中，服务器110可以在本发明图2中描述的包含了一个或多个组件计算装置200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，以执行本申请中描述的服务器110的一个或多个功能。例如，处理引擎112可以收集至少两个历史按需服务和/或当前按需服务的信息，并确定目标路线的预估到达时间。在一些实施例中，处理引擎112可包括一个或者多个处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理引擎112可以包括中央处理器(CPU)、特定应用程序集成电路(ASIC)、特定应用程序指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，按需服务系统100的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140、存储器150以及定位系统160)可以通过网络120将信息和/或数据发送至按需服务系统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。仅作为示例，网络120可以包括电缆网络、缆线网络、光纤网络、电信网络、内部网络、因特网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网络(MAN)、公用电话交换网络(PSTN)、蓝牙网络、ZigBee网络、近距离通信(NFC)网络等或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或因特网交换点120-1、120-2、…，按需服务系统100的一个或多个组件可以通过以上交换点连接到网络120，以在它们之间交换数据和/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的用户可以为除请求者之外的其他人。例如，请求者终端130的用户A可以通过请求者终端130为用户B发送服务请求，或从服务器110处接收服务和/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的用户可以为除该提供者之外的其他人。例如，提供者终端140的用户C可以为用户D通过提供者终端140接收服务请求和/或从服务器110处接收信息或指令。在一些实施例中，“请求者”和“请求者终端”可互换使用，“提供者”和“提供者终端”可互换使用。
在一些实施例中，请求者终端130可以包括移动装置130-1、平板电脑130-2、便携式电脑130-3、机动车辆里的内置装置130-4等或其任意组合。在一些实施例中，移动装置130-1可包括智能家居装置、可穿戴装置、智能移动装置、虚拟现实装置、增强现实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、智能监控装置、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、智能服装、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)、游戏装置、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/或增强现实装置可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强现实头盔、增强现实眼镜、增强现实补丁等或其任意组合。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，该机动车辆130-4中的内建装置可包括机载计算机或机载电视等。在一些实施例中，请求者终端130可以是具有用来确定请求者和/或请求者终端130位置的定位技术的装置。
在一些实施例中，提供者终端140可以是与请求者终端130相似或相同的装置。在一些实施例中，提供者终端140可以是具有定位技术的装置，用来确定提供者和/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可以与其他定位装置通信，以确定请求者、请求者终端130、提供者和/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可以向服务器110传送定位信息。
存储器150可以存储数据和/或指令。在一些实施例中，存储器150可以存储从请求者终端130和/或提供者终端140处获取的数据。在一些实施例中，存储器150可以存储服务器110可以实施或使用的用来执行本发明中描述的示例性方法的数据和/或指令。在一些实施例中，存储器150可以存储按需服务订单的特征数据(例如，预估到达时间)。在一些实施例中，存储器150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任何组合。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闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机访问存储器(RAM)。示例性RAM可以包括动态RAM(DRAM)、双倍数据率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)，和零电容RAM(Z-RAM)等。示例性ROM可以包括掩模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)、数字多功能盘ROM等。在一些实施例中，存储器150可以在云端平台上实现。仅作为示例，云端平台可以包括私有云、公共云、混合云、社区云、分散式云、跨云、多云等或其任意组合。
在一些实施例中，存储器150可以连接到网络120，以与按需服务系统100的一个或多个组件(例如，服务器110、服务请求者终端130、提供者终端140)通信。按需服务系统100的一个或多个组件可以通过网络120访问存储器150存储的数据或指令。在一些实施例中，存储器150可以与按需服务系统100的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140)直接连接或者通信。在一些实施例中，存储器150可以是服务器110的一部分。
在一些实施例中，按需服务系统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)可访问存储器150。在一些实施例中，当满足一个或多个条件时，按需服务系统100的一个或多个组件可以读取和/或修正与请求者、提供者和/或公众相关的信息。例如，服务器110在完成服务后，可以读取和/或修正一个或多个用户的信息。再比如，当提供者终端140从请求者终端130接收到一个服务请求时，提供者终端140可以访问与请求者相关的信息，但是提供者终端140不能修改请求者的相关信息。
在一些实施例中，可以通过请求服务的方式来实现按需服务系统100的一个或多个组件的信息交换。服务请求的对象可以为任何产品。在一些实施例中，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、汽车、房屋、奢侈品等，或其任意组合。无形产品可以包括服务产品、金融产品、知识产品、因特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、网站产品、移动因特网产品、商业主机产品、嵌入式产品等或其任意组合。移动因特网产品可以用于移动终端的软件、程序、系统等或其任意组合。移动终端可以包括平板电脑、手提电脑、移动电话、个人数字助理(PDA)、智能手表、POS装置、车载电脑、车载电视、可穿戴装置等或其任意组合。例如，产品可以是在计算机或移动电话上使用的任何软件和/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、投资等或其任意组合相关。在一些实施例中，与运输有关的软件和/或应用程序，可以包括旅行软件和/或应用程序、车辆调度软件和/或应用程序、定位软件和/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、运输车、人力车(例如，手推车、自行车、三轮车)、汽车(例如，出租车、公共汽车、私家车)、火车、地铁、船舶、航空器(例如，飞机、直升飞机、航天飞机、火箭、热气球)等，或其任意组合。
图2是根据本申请的一些实施例所示的可以在其上实现服务器110、请求者终端130和/或提供者终端140的计算设备200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200上实现，并且配置为执行本申请中公开的处理引擎112的功能。
计算设备200可以用于实现本申请的按需系统。计算设备200可以被用于实现当前描述的按需服务系统的任一元件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了简洁起见，图中只绘制了一台计算机，但是本实施例所描述的提供按需服务所需要的信息的相关计算设备功能是可以由分布式模式中的一组类似平台来实现，以分散系统的处理负荷。
计算设备200可以包括通信终端250，其可以与能够实现数据通信的网络连接。。计算设备200还可以包括处理器220(例如，逻辑电路)，其被配置用于执行计算机指令。。例如，处理器220可以包括其中的接口电路和处理电路。接口电路可以被配置为从总线210接收电子信号，其中电子信号对用于处理的处理电路的结构化数据和/或指令进行编码。处理电路可以进行逻辑计算，然后确定结论、结果和/或编码为电子信号的指令。然后，接口电路可以经由总线210从处理电路发出电子信号。
所述计算机指令可以包括例如执行在此描述的特定功能的常规、程序、对象、组件、数据结构、过程、模块和功能。例如，处理器220可以获取与按需服务订单相关的特征数据(例如，预估到达时间、从起始位置到目的地的距离、交通信号灯、道路类型等)。在一些实施例中，处理器220可以包括一个或多个硬件处理器，诸如微控制器、微处理器、精简指令集计算机(Reduced Instruction Set Computer，RISC)、特定应用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、特定应用指令集处理器(Application-SpecificInstruction-Set Processor，ASIP)、中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics ProcessingUnit，PPU)、微控制器单元、数字信号处理器(Digital Signal Processor，DSP)、现场可程序门阵列(Field Programmable Gate Array，FPGA)、高阶RISC机器(Advanced RISCMachine，ARM)、可程序逻辑装置(Programmable Logic Device，PLD)、能够执行一个或多个功能的任何电路或处理器或类似物，或其任何组合。示例性的计算机平台可以包括一个内部总线210、不同形式的程序内存和数据存储器，例如，磁盘270和只读存储器(Read OnlyMemory，ROM)230或随机存取内存(Random-Access Memory，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储存于只读存储器230、随机存取内存240和/或其他类型的非暂时储存介质中的供处理器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。计算设备200还包括I/O组件260，支持计算机和其他组件(例如，用户界面元件)之间的输入/输出。计算设备200也可以通过网络通信接收程序设计和数据。
仅仅为了说明，在计算设备200中仅描述了一个处理器。然而，应该注意的是，本申请中的计算装置200还可以包括多个处理器，如同由本公开中所描述的一个处理器所执行的操作及/或方法操作，也可以由多个处理器联合地或单独地执行。例如，如果在本申请中，计算设备200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也可以由计算设备200的两个不同的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，或者第一和第二处理器共同地执行步骤A和步骤B)。
图3-A是根据本申请的一些实施例所示的示例性处理引擎112的框图。所述处理引擎112可以包括获取模块302、确定模块304以及控制模块306。每个模块都可以是用于执行下述操作的硬件电路、存储于一个或至少两个存储介质的一组指令和/或该硬件电路和一个或至少两个存储介质的组合。
获取模块302可以被配置为获取与按需服务订单相关的特征数据。按需服务订单可以包括但不限于出租车服务订单、货物递送服务订单、司机服务订单、快车服务订单、拼车服务订单、公交服务订单、短期驾驶员租赁服务订单和班车服务订单。特征数据可包括与起始位置和/或目的地有关的数据、从起始位置到目的地的预估到达时间、从起始位置到目的地的实际到达时间、交通数据(例如，在按需订单中的交通信号灯、道路类型、交通状况等)、用户信息数据(例如，乘客偏好、驾驶员偏好等)等或其任何组合。特征数据可以是与历史订单相关的历史数据和/或与当前订单相关的实时数据。获取模块302可以经由网络120从存储器150获取特征数据。可以将特征数据发送到确定模块304或控制模块306以进一步处理。
获取模块302可以配置为访问并行计算框架。在一些实施例中，获取模块302可以通过调用相应的应用程序接口(Application Program Interface，API)来访问本地并行计算框架。或者，获取模块302可以经由GIS应用服务器(例如，ArcIMS、ArcGISServer等)访问远程并行框架。并行计算框架可以包括Spark框架、Hadoop、Phoenix、Disco、Mars等或其任何组合。并行计算框架可以包括管理器节点和至少两个工作节点(如图3-B所示)。至少两个工作节点可以同时工作并共享工作负载，从而可以减少计算时间。管理器节点可以控制和监督至少两个工作节点。获取模块302还可以发送电子信号以将特征数据分配给管理器节点和/或至少两个工作节点。在一些实施例中，分配给不同工作节点的特征数据可以是不同的。例如，可以基于其特征将特征数据分类为多种类型，可以在同一工作节点上分配相同类型的特征数据，或者可以基于工作节点的数量将特征数据划分为至少两个数据集。可以将每个数据集分配给其中一个工作节点中。在一些实施例中，获取模块302可以在至少两个工作节点上均匀地分配特征数据或者设备可以基于至少两个工作节点的属性来调整特征数据的分配(例如，计算能力、内存大小、速度等)。
确定模块304可以被配置为确定目标路线的预估到达时间。在一些实施例中，可以从获取模块302获取目标路线。或者，可以从获取模块302获取起始位置和目的地，并且确定模块304可以基于起始位置和目的地生成目标路线。更具体地，可以基于起始位置和目的地生成至少两个路线，并且确定模块304可以从至少两个路线中选择目标路线。目标路线可以是具有最短距离、最少交通信号灯、最佳道路状况、最小数量的车辆等的路线。
在一些实施例中，确定模块304可以基于特征数据和并行计算框架在由获取模块302访问的并行计算框架的每个工作节点上训练子模型。确定模块304还可以基于一个或至少两个子模型生成全局模型。全局模型的类型可以与一个或至少两个子模型的类型相同或不同。确定模块304可以基于全局模型确定目标路线的预估到达时间。
指示模块306可以被配置为将目标路线的预估到达时间发送到用户设备(例如，请求者终端、提供者终端)。在一些实施例中，指示模块306可以经由网络120使用任何合适的通信协议以消息的形式发送目标的预估到达时间。合适的通信协议可以包括超文本传输协议(Hypertext Transfer Protocol，HTTP)、地址解析协议(Address ResolutionProtocol，ARP)、动态主机配置协议(Dynamic Host Configuration Protocol，DHCP)、文件传输协议(File Transfer Protocol，FTP)。在一些实施例中，指示模块306可以经由网络120向请求者终端130发送与按需服务的请求有关的信息。与按需服务的请求有关的信息可以包括起始位置、目的地、目标路线、目标路线的预估到达时间等或其任何组合。
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(Local Area Network，LAN)、广域网路(Wide Area Network，WAN)、蓝牙、ZigBee网络、近场通讯(Near Field Communication，NFC)等或上述举例的任意组合。两个或至少两个模块可以合并为一个单个模块，以及任何一个模块可以被分裂为两个或至少两个单元。
图3-B是根据本申请的一些实施例所示的示例性并行计算框架的示意图。并行计算框架可以包括Spark框架、Hadoop、Phoenix、Disco、Mars等或其任何组合。如图3-B所示，并行计算框架可以包括管理器312和至少两个工作节点314(例如，工作节点314-1,314-2,314-3等)。管理器312和工作者节点314可以经由网络120彼此通信。管理器312可以控制工作节点314。例如，管理器312可以在并行计算框架上接收要处理的任务。管理器312可以将作业划分为至少两个子任务，并将至少两个子任务分配给至少两个工作节点314。
在一些实施例中，管理器312可以监督工作节点314的状态(例如，工作节点的资源利用)。例如，当管理器312发现一些工作节点314被破坏或者没有执行他们的子任务时，管理器312可以用新的工作节点替换损坏的工作节点以执行被破坏的工作节点的子任务。在一些实施例中，每个工作节点314可以基于特征数据确定子预估到达时间模型。在一些实施例中，每个子预估到达时间模型可以被分成根节点和至少两个叶节点。叶节点可以被分类为至少两个组。在一些实施例中，管理者可以在至少两个组中的两个组之间配置栅栏。栅栏可以防止工作节点同时执行第一组的叶节点和第二组的叶节点。管理器可以基于至少两个子预估到达时间模型生成全局预估到达时间模型。关于栅栏的详细描述可以在本申请的其他地方找到。参见图7及其描述。
图4是根据本申请的一些实施例所示的用于确定预估到达时间的示例性过程的流程图。过程和/或方法400可以由在线按需服务系统100(例如，服务器110、处理引擎112等)中的处理器执行。例如，过程和/或方法400可以实现为存储在非暂时性计算机可读存储介质(例如，存储器150)中的一指令集(例如，应用程序)。处理器可以执行该指令集，并且因此可以通过接收和/或发送电子信号来执行该过程和/或方法400。在一些实施例中，过程400的至少一部分可以由图2中所示的计算设备200执行。
在402中，处理器(例如，获取模块302和/或处理电路)可以获取与按需服务订单有关的特征数据。按需服务订单可以包括但不限于出租车服务订单、货物递送服务订单、司机服务订单、快车服务订单、拼车服务订单、公交服务订单、短期驾驶员租赁服务订单和班车服务订单。特征数据可包括与起始位置和/或目的地有关的数据、从起始位置到目的地的预估到达时间、从起始位置到目的地的实际到达时间、交通数据(例如，在按需订单相关的交通信号灯、道路类型、交通状况等)和用户信息数据(例如，乘客偏好、驾驶员偏好等)等或其任何组合。特征数据可以是与历史订单相关的历史数据和/或与当前订单相关的实时数据。
在404中，处理器(例如，获取模块302和/或处理电路)可以获取并行计算框架。并行计算框架可以是本地和/或远程并行计算框架。并行计算框架可以是Spark框架、Hadoop、Phoenix、Disco或Mars之一。并行计算框架可以包括管理器和至少两个工作节点(如图3-B所示)。在一些实施例中，处理器可以加载编码并行计算框架的结构化数据以访问并行计算框架。在并行计算框架中，管理器312和/或工作节点314可以在服务器110、计算设备200等上实现。管理器312和工作节点314可以经由网络120彼此通信。管理器312可以从处理引擎112接收任务。管理器312可以将任务划分为至少两个子任务，并将至少两个子任务分配给至少两个工作节点314(例如，314-1、314-2、314-3)。
在406中，处理器(例如，确定模块304和/或处理电路)可以基于特征数据和并行计算框架来确定全局预估到达时间模型。在一些实施例中，全局模型可以是适用于并行计算的决策树模型，诸如XGboost、GBDT、随机森林等或其任何组合。当确定全局预估到达时间模型时，设备可以首先确定至少两个工作节点，然后将特征数据分配到至少两个工作节点上。至少两个工作节点中的每个工作节点上所分配的特征数据可以是不同的。例如，特征数据可以是不同时段中的历史按需服务订单。例如，处理器可以将第一组特征数据(例如，7：00-8：00am)分配给第一工作节点314-1，并分配第二组特征数据(例如，9：00-10：00am)到第二工作节点314-2。在一些实施例中，工作者节点314可以各自基于所分配的特征数据训练子预估到达时间模型。例如，第一工作节点314-1可以通过输入第一组特征数据来训练第一子预估到达时间模型。第二工作节点314-2可以通过输入第二组特征数据来训练第二子预估到达时间模型。在一些实施例中，工作者节点可以在模型训练之前、期间或之后彼此交换信息。交换的信息可以与分配的特征数据或模型有关。例如，第一工作节点314-1可以将所分配的特征数据或特征数据的概要信息发送到第二工作节点314-2。作为另一示例，第二工作节点314-2可以将训练后的第二子预估到达时间模型发送到第一工作节点314-1。在一些实施例中，通过彼此交换信息，至少两个工作节点可以生成全局预估到达时间模型。更具体地，可以基于至少两个训练后的子预估到达时间模型来确定全局预估到达时间模型。
在408中，处理器(例如，确定模块304和/或处理电路)可以基于全局预估到达时间模型确定目标路线的预估到达时间。目标路线可以是从起始位置到目的地的路线。在一些实施例中，目标路线可以对应于按需服务订单。例如，目标路线可以是从按需服务订单的起始位置到订单的目的地的推荐路线。可以从用户设备(例如，请求者终端130、提供者终端140)接收起始位置和目的地。在一些实施例中，处理器可以基于路线规划算法生成目标路线。或者，处理器可以直接从存储介质(例如，存储器150)获取目标路线。在一些实施例中，处理器可以将目标路线输入到全局预估到达时间模型，并且全局预估到达时间模型可以响应地输出目标路线的预估到达时间。
图5是根据本申请的一些实施例所示的用于确定预估到达时间的示例性过程的流程图。过程和/或方法500可以由在线按需服务系统100(例如，服务器110、处理引擎112等)中的处理器执行。例如，过程和/或方法500可以实现为存储在非暂时性计算机可读存储介质(例如，存储150)中的一组指令(例如，应用程序)。设备可以执行该组指令，并且因此可以通过接收和/或发送电子信号来执行该过程和/或方法500。在一些实施例中，过程500的至少一部分可以由图2中所示的计算设备200执行。
在502中，处理器(例如，获取模块302和/或处理电路)可以获取与按需服务订单有关的特征数据。按需服务订单可以包括但不限于出租车服务订单、货物递送服务订单、司机服务订单、快车服务订单、拼车服务订单、公交服务订单、短期司机租赁服务订单和班车服务订单。特征数据可包括与起始位置和/或目的地有关的数据、从起始位置到目的地的预估到达时间、从起始位置到目的地的实际到达时间、按需订单中的交通数据(例如，交通信号灯、道路类型、交通状况等)和用户信息数据(例如，乘客偏好、驾驶员偏好等)等或其任何组合。特征数据可以是与历史订单相关的历史数据和/或与当前订单相关的实时数据。
在504中，处理器(例如，获取模块302和/或处理电路)可以获取Spark框架。Spark框架可以是快速大规模数据处理引擎。Spark框架可以是并行计算框架。或者，可以在504中获取类似的并行计算框架，例如Hadoop、Phoenix、Disco或Mars。Spark框架可以包括管理器和至少两个工作节点(如图3-B所示)。在一些实施例中，处理器可以加载编码Spark框架的结构化数据以访问Spark框架。在Spark框架中，管理器312和/或工作节点314可以在计算设备200上实现。管理器312和工作节点314可以经由网络120彼此通信。管理器312可以被配置为从处理引擎112接收任务。管理器312可以将作业划分为至少两个子任务，并且可以将子任务分配给至少两个工作节点314(例如，314-1、314-2、314-3)。
在506中，处理器(例如，获取模块302和/或处理电路)可以使用Spark框架将一个或至少两个子预估到达时间模型与一个或至少两个工作节点相关联。在一些实施例中，处理器可以配置Spark框架中的管理器和/或至少两个工作节点以训练一个或至少两个子预估到达时间模型，其中至少两个工作节点中的每个工作节点与子预估到达时间模型中的一个相关联。例如，第一工作节点314-1可以配置为训练第一子预估到达时间模型、第二工作节点314-2可以配置为训练第二子预估到达时间模型、第三工作节点314-3可以配置为训练第三子预估到达时间模型。
在508中，处理器(例如，获取模块302和/或处理电路)可以将特征数据分配给一个或至少两个相关联的工作节点。在一些实施例中，处理器可以确定至少两个工作节点的数量，并基于该数量将特征数据分配给至少两个工作节点。在一些实施例中，处理器可以将特征数据均匀地分配给至少两个工作节点，或者设备可以基于至少两个工作节点的属性来调整特征数据的分配(例如，计算能力、内存大小、速度等)。在一些实施例中，至少两个工作节点中的每个工作节点所分配的特征数据可以是不同的。例如，处理器可以将特征数据分为至少两个组。设备可以将至少两个特征数据组中的每组特征数据由分配给工作节点之一。例如，处理器可以将第一组特征数据分配给第一工作节点314-1。处理器可以将第二组特征数据分配给第二工作节点314-2。处理器可以将第三组特征数据分配给第三工作节点314-3。应当理解，对于本领域普通技术人员来说，可以改变分配特征数据的方式。所有这些变化都在本申请的保护范围内。
在一些实施例中，可以根据一个或至少两个的标准对特征数据进行分类。例如，处理器可以基于与时间相关的标准对特征数据进行分类，例如，特征数据是在过去六个月中还是在过去一周中，特征数据是否在一天的特定时段中等。作为另一示例，设备可以基于与地理位置相关的标准对特征数据进行分类。例如，可以基于街道、街区、城市、城镇、国家等对特征数据进行分组。
在510中，处理器(例如，确定模块304和/或处理电路)可以基于特征数据确定一个或至少两个的子预估到达时间模型。在一些实施例中，子预估到达时间模型可以是决策树模型之一，诸如XGboost、GBDT、随机森林等或其任何组合。决策树模型可以是树形结构预测模型。每个决策树模型可以包括一个根节点和至少两个叶节点。可以通过特征数据训练模型来获取子预估到达时间模型。当训练模型时，至少两个工作节点中的每个工作节点可以通过基于分裂规则分裂特征数据来生成决策树。分裂规则可以是目标函数。目标函数的值可以取决于测量模型对训练数据的拟合程度的训练损失以及测量模型复杂性的正则化项。训练损失可包括平方损失或逻辑损失等。关于生成子预估到达时间模型的详细方法可以在本申请的其他地方找到。参见图6及其描述。
在一些实施例中，工作节点314可以各自基于所分配的特征数据训练子预估到达时间模型。例如，第一工作节点314-1可以通过输入第一组特征数据来训练第一子预估到达时间模型。第二工作节点314-2可以通过输入第二组特征数据来训练第二子预估到达时间模型。在一些实施例中，工作节点可以在模型训练之前、期间或之后彼此交换信息。交换的信息可以与分配的特征数据或模型有关。例如，第一工作节点314-1可以将所分配的特征数据或特征数据的概要信息发送到第二工作节点314-2。作为另一示例，第二工作节点314-2可以将训练的第二子预估到达时间模型发送到第一工作节点314-1。
在512中，处理器(例如，确定模块304和/或处理电路)可以基于一个或至少两个训练后的子预估到达时间模型生成全局预估到达时间模型。例如，第一工作节点314-1可以训练第一子预估到达时间模型、第二工作节点314-2可以训练第二子预估到达时间模型、第三工作节点314-3可以训练第三子预估到达时间模型。处理器可以基于第一子预估到达时间模型、第二子预估到达时间模型和第三子预估到达时间模型来确定全局预估到达时间模型。
在514中，处理器(例如，确定模块304和/或处理电路)可以基于全局预估到达时间模型确定目标路线的预估到达时间。目标路线可以是从起始位置到目的地的路线。在一些实施例中，目标路线可以对应于按需服务订单。例如，目标路线可以是从按需服务订单的起始位置到订单的目的地的推荐路线。可以从用户设备(例如，请求者终端130、提供者终端140)接收起始位置和目的地。在一些实施例中，处理器可以基于路线规划算法生成目标路线。或者，处理器可以直接从存储介质(例如，存储器150)获取目标路线。在一些实施例中，处理器可以将目标路线输入到全局预估到达时间模型，并且全局预估到达时间模型可以响应地输出目标路线的预估到达时间。在一些实施例中，处理器还可以将预估到达时间发送到用户设备(例如，请求者终端130、提供者终端140)。
图6-A是根据本申请的一些实施例所示的示例性训练数据和训练后模型的示意图。如图6-A所示，横轴可以表示汽车的数量，而纵轴可以表示预估到达时间(ETA)。在一些实施例中，可以基于历史订单获取训练数据610(例如，点610-A、点610-B)。例如，在线按需服务系统100(例如，处理引擎112)中的设备可以获取至少两个历史订单。至少两个历史订单中的每一个可以包括特征数据(例如，起始位置、目的地、从起始位置到目的地的计划路线、计划路线的预估到达时间、真实路线、实时到达、用户偏好等)。设备可以从至少两个历史订单中提取汽车数量和预估到达时间，并基于提取的信息生成训练数据610。若在历史订单中不包括预估到达时间，设备可以提取实际到达时间并基于实际到达时间和汽车数量生成训练数据。在一些实施例中，训练数据610可以以点、表、关系、图形等的形式存在。或者，训练数据610可以以电子信号的形式存在。设备可以基于训练数据610训练模型(或子预估到达时间模型)，并且模型可以响应于训练数据610生成至少两个内部参数或结构(例如，树)。然后，当将汽车数量的值输入到训练模型中时，模型可以输出相应的预估到达时间。在一些实施例中，由训练数据610训练的模型可以与其他训练模型组合。例如，可以训练至少两个子预估到达时间模型。训练后的子预估到达时间模型中的每一个可以对应于特征和预估到达时间之间的关系。可以组合至少两个子预估到达时间模型以生成全局预估到达时间模型。全局预估到达时间模型可以是混合模型，其可以基于至少两个特征数据的输入生成预估到达时间。在一些实施例中，训练数据610可以对应于不同时间段的相同路线。在一些其他实施例中，训练数据610可以对应于相同或不同时间段的不同路线。
图6-B是根据本申请的一些实施例所示的模型的结构的示意图。如图6-B所示，树结构模型620可以由系统100的设备基于结合图6-A的训练数据610生成。树形结构模型620可以包括根节点630，其对应于训练数据的特征(例如，汽车的数量)。根节点630可以被分裂成至少两个叶节点640(例如，叶节点640-A、640-B和640-C)。可以基于与训练数据的特征相关的分裂规则来生成每个叶节点630。例如，可以基于汽车数量小于或等于a的分裂规则来获取叶节点640-A。在一些实施例中，设备可以为叶节点640中的每个叶节点生成预测分数(例如，A、B和C)。预测分数可以对应于训练数据的另一特征(例如，ETA)。
图6-C是根据本申请的一些实施例所示的示例性训练数据和训练后的模型示意图。在一些实施例中，数据点650可以与数据点610相同，并且段660可以对应于叶节点640。例如，分裂位置a和b可以对应于分裂规则中的值，并且每个片段(例如，A、B和C)中的高度可以对应于结合图6-B所示的预测分数。
在一些实施例中，可以通过多种方式分裂模型，并且每种分裂方式可以对应于特定的分裂位置和预测得分。每种分裂方式也可以对应于特定的片段。例如，图6-D和图6-E可以各自对应于通过除了图6-B中的分裂方式之外的分裂方式的训练模型。在一些实施例中，可以从多种分裂方式中选择最佳分裂方式。更具体地，可以基于如下的目标函数来确定最佳分裂方式：
obj(Θ)＝L(Θ)+Ω(Θ) (1)
其中，obj(Θ)可以表示目标函数，L(Θ)可以表示训练损失，用于测量模型对训练数据的拟合程度，并且Ω(Θ)可以表示测量模型复杂度的正则化项。在一些实施例中，最佳分裂方式可以使目标函数obj(Θ)具有最小值。如图6-D所示，670可具有过量的片段(步骤)。670中的片段可以对训练数据具有良好拟合(例如，L(Θ)小)但可能较复杂(例如，Ω(Θ)大)，因此导致目标函数的值大。相反，如图6-E所示，680可能没有足够的片段来描述训练数据的趋势。680中的片段可以是简单的(例如，Ω(Θ)小)但是对训练数据具有不良拟合(例如，L(Θ)大)，因此也导致目标函数的值大。如图6-C所示，由于片段660在拟合程度和复杂度之间具有良好的平衡，因此Ω(Θ)和L(Θ)可以都相当小。因此，以图6-C所示的方式分裂的模型的目标函数的值可以很小，并且可以选择图6-C中的分裂模型分裂方式作为分裂的最佳方式。然后，可以基于最佳分裂方式来分裂模型，并且可以生成训练后的模型。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。本领域技术人员能够理解，本申请所披露的内容可以出现多种变型和改进。例如，可以基于其他特征生成训练数据610。又例如，可以通过除图6-C、图6-D和图6-E中所示的分裂之外的其他分裂方式来分裂模型，并且分裂的方式比图6-C更好。可以选择图6-C作为分裂的最佳方式。再例如，每个叶节点可以进一步分成至少两个叶节点。诸如此类的变形，均在本申请的保护范围之内。
图7-A、图7-B和图7-C是根据本申请的一些实施例所示的模型的结构的示意图。在一些实施例中，模型710、720和730均可表示为训练后的子模型。更具体地，模型710、720和730可以分别对应于工作节点314-1、314-2和314-3。如本申请中其他地方所述，模型710、720和730可以由在线按需服务系统100的设备(例如，处理引擎112)组合以生成全局模型。
如图7-A所示，节点711可以是与第一特征(例如，行驶距离)相关的根节点。根节点711可以由模型710(或工作节点314-1)分成至少两个叶节点712(例如，叶节点712-1和叶节点712-2)。可以基于与第一特征相关的分裂规则来获取至少两个叶节点712中的每个叶节点。例如，可以基于行驶距离小于或等于500m的分裂规则来获取叶节点712-1。换言之，可以将具有小于或等于500m的行驶距离的模型710的输入数据处理到叶节点712-1。类似地，可以基于行驶距离大于500m的分裂规则来获取叶节点712-2。在一些实施例中，至少两个叶节点712可各自与特征相关。例如，叶节点712-1与道路类型相关，叶节点712-2与交通信号灯相关。基于与对应特征相关的分裂规则，每个叶节点712可以进一步分裂成至少两个叶节点713。例如，叶节点712-1可以基于与道路类型相关的分裂分裂规则被分裂分裂成叶节点713-1和叶节点713-2(例如，输入数据是否是单向道路或双向道路)。叶节点712-2可以基于与道路类型相关的分裂规则被分裂分裂成叶节点713-3和叶节点713-4(例如，输入数据的交通信号灯的数量是否超过或少于三)。
类似于模型710、模型720和模型730是分别由根节点721和根节点731的分裂生成的树形结构模型。例如，可以基于与根节点721的特征(例如，行驶距离)相关的分裂规则在根节点721的分裂第一分裂中生成叶节点722(例如，叶节点722-1、722-2和722-3)。又例如，可以基于与叶节点732-1的特征(例如，交通信号灯)相关的分裂规则在根节点731的分裂第二分裂中生成叶节点733(例如，叶节点733-1和叶节点733-2)。
在一些实施例中，在线按需系统100(例如，服务器110)的设备可以将叶节点分类为至少两个组。例如，叶节点712可以在根节点711的分裂第一分裂中生成，并且可以被分类为第一组。又例如，叶节点723可以在根节点721的第二分裂(或叶节点722的分裂)中生成，并且可以被分类为第二组。在一些实施例中，不同模型中的叶节点可以被分类到相同的组中。例如，叶节点712、722和732可以被分类为第一组，因为它们全部在其对应的根节点的第一次分裂中分别生成。类似地，叶节点713、723和733可以被分类为第二组，因为它们全部在其对应的根节点的分裂第二分裂中分别生成。
在一些实施例中，在线按需系统100的设备(例如，服务器110)可以在至少两个叶节点组中的两个之间配置一个或至少两个栅栏。例如，栅栏740可以在第一组叶节点(例如，在根节点的第一分裂中生成的叶节点712、722和732)与第二组叶节点(例如，在根节点的第二分裂中生成的叶节点713、723和733)之间进行配置。在根节点的分裂第二分裂中生成的节点713、723和733。在一些实施例中，栅栏740可以同步模型的分裂过程。例如，模型710、720和730可以分别在根节点711、721和731上执行多次分裂分裂以生成至少两个叶节点组。每组叶节点可以对应于分裂分裂的时间。栅栏740可以迫使较快的模型等待较慢的模型，使得所有模型处于分裂分裂的同一时间。换句话说，栅栏740可以防止模型710、720和730同时分裂分裂第一组叶节点和第二组叶节点。例如，如果根节点711的分裂分裂比根节点721和731的分裂分裂更早完成，则栅栏可以强制模型710等待直到根节点721和731的分裂完成，然后执行进一步分裂分裂叶节点712并生成叶节点713。
图8是根据本申请的一些实施例的用于发送预估到达时间的示例性过程的流程图。过程和/或方法800可以由在线按需服务系统100中的处理器(例如，处理引擎112、服务器110等)执行。例如，过程和/或方法800可以实现为存储在非暂时性计算机可读存储介质(例如，存储器150)中的一组指令(例如，应用程序)。处理器可以执行该组指令，并且因此可以处理器通过接收和/或发送电子信号来执行该过程和/或方法800。在一些实施例中，过程800的至少一部分可以由图2中所示的计算设备200执行。
在802中，处理器(例如，获取模块302和/或处理电路)可以从用户设备接收请求。例如，处理器可以经由网络120从请求方终端130接收请求。该请求可以包括起始位置、目的地、出发时间(例如，当前时刻、约会时间)等。
在804中，处理器(例如，确定模块304和/或处理电路)可以确定全局预估到达时间模型。在一些实施例中，全局预估到达时间模型可以响应于该请求生成预估到达时间。全局预估到达时间模型可以是适合于并行计算的一个或至少两个决策树模型，诸如XGboost、GBDT、随机森林等，或其任何组合。处理器可以基于至少两个子预估到达时间模型确定全局预估到达时间模型。至少两个子预估到达时间模型可以由设备基于来自并行计算框架上的历史按需服务订单和/或当前按需服务订单的特征数据来训练。并行计算框架可以是Spark框架、Hadoop、Phoenix、Disco或Mars之一。并行计算框架可以包括管理器和至少两个工作节点。例如，处理器可以加载编码包括至少两个工作节点的并行计算框架的结构化数据，其中至少两个工作节点中的每个工作节点与至少两个子预估到达时间模型中的一个相关联。处理器可以发送电子信号以将特征数据分配给至少两个工作节点。并行计算框架上的每个工作节点可以基于特征数据训练相应的子预估到达时间模型。然后可以基于至少两个训练后的子预估到达时间模型生成全局预估到达时间模型。
在806中，处理器(例如，确定模块304和/或处理电路)可以基于起始位置、目的地和全局预估到达时间模型来确定预估到达时间。在一些实施例中，处理器可以基于路线规划算法生成从起始位置到目的地的多条路线。处理器可以基于全局预估到达时间模型生成与至少两个路线相对应的至少两个预估到达时间。或者，处理器可以从至少两个路线中选择目标路线。目标路线可以是具有最短距离、最少交通信号灯、最佳路况、最小数量车辆等的路线。处理器可以仅生成与目标路线相对应的预估到达时间。
在808中，处理器(例如，控制模块306和/或处理电路)可以将编码所确定的预估到达时间的信号发送到用户设备。用户设备可以是请求者终端130和/或提供者终端140。所确定的预估到达时间可以经由一个或至少两个用户界面(图中未示出)呈现在请求者终端130和/或提供者终端上。在一些实施例中，可以经由网络120使用任何合适的通信协议以消息的形式发送和/或接收所确定的预估到达时间。合适的通信协议可以包括超文本传输协议(HTTP)、地址解析协议(ARP)、动态主机配置协议(DHCP)、文件传输协议(FTP)。网络120可以是任何类型的有线或无线网络，或其任何组合。应当理解，有线网络可以是任何电子信号，并且无线网络可以是任何无线信号。
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，本领域的普通技术人员可能会对本申请进行各种变化、改进和修正。这些变化、改进和修正已被本申请所暗示或间接提出，均包含在本申请实施例的精神或范围之内。
同时，本申请使用了特定术语来描述本申请的实施例。例如，术语“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、或特征。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特征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制程、机器、产品或物质的组合，或对其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(包括固体、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被称为“单元”、“模块”或“系统”。此外，本申请的各种态样可以表现为位于一个或多个计算机可读介质中的计算机产品，产品包括计算机可读程序编码。
计算机可以读信号介质可以包括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。此类传播讯号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。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、设备或装置以实现通信、传播或传输供使用的程序。位于计算器可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、缆线、光纤电缆、RF、或类似介质、或任何上述介质的合适组合。
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、Fortran2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy或其它编程语言。程序代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上运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算器可以通过任何网络形式与用户计算器连接，例如，局域网络(LAN)或广域网(WAN)，或连接至外部计算器(例如通过因特网)，或在云端计算环境中，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，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围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，应当理解的是，为了简化本申请揭示的表述，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。相反，要求主体应具备比上述单一实施例更少的特征。

Claims (11)

1. 一种用于确定预估到达时间(ETA)的系统，其特征在于，包括：
至少一个存储介质，包括一指令集；以及
至少一个处理器配置为与所述至少一个存储介质通信，其中当执行所述指令集时，所述至少一个处理器用于：
从用户设备接收起始位置和目的地；
从存储介质获取全局预估到达时间模型，其中为了生成所述全局预估到达时间模型，
所述至少一个处理器还用于：
获取与按需服务相关的特征数据；
确定至少两个子预估到达时间模型；
获取包括至少两个工作节点的并行计算框架，其中所述至少两个工作节点中的每个工作节点与所述至少两个子预估到达时间模型的子预估到达时间模型相关联；
将所述特征数据分配给所述至少两个工作节点；
基于所述特征数据训练所述至少两个子预估到达时间模型；以及
基于所述至少两个训练后的子预估到达时间模型生成所述全局预估到达时间模型；其中，为了生成所述全局预估到达时间模型，
所述至少一个处理器还用于：
将所述至少两个工作节点中的每个工作节点分裂为根节点和至少两个叶节点；
将所述至少两个叶节点分类为至少两个组；以及
在至少两个组中的两个组之间配置栅栏；
所述至少一个栅栏防止所述至少两个工作节点同时执行第一组所述叶节点和第二组所述叶节点，以便同步所述至少两个子预估达到时间模型的分裂过程；
根据所述全局预估到达时间模型确定连接所述起始位置和所述目的地的目标路线的预估到达时间；以及
将所述确定的预估到达时间发送到所述用户设备。
2. 根据权利要求1所述的系统，其特征在于，所述并行计算框架包括 Spark框架、Hadoop、Phoenix、Disco或Mars中的至少一个。
3. 根据权利要求1所述的系统，其特征在于，为了将所述特征数据分配给所述至少两个工作节点，所述至少一个处理器还用于：
确定所述至少两个工作节点的数量；以及
基于所述至少两个工作节点的数量将所述特征数据分配到所述至少两个工作节点上，其中，在所述至少两个工作节点的每个工作节点上分配的特征数据不同。
4.根据权利要求1所述的系统，其特征在于，所述至少两个工作节点包括：
第一工作节点，操作以第一特征数据为输入的第一子预估到达时间模型；
第二工作节点，操作以第二特征数据为输入的第二子预估到达时间模型；以及
所述第一工作节点将所述第一特征数据发送到所述第二工作节点。
5.根据权利要求1所述的系统，其特征在于，所述全局预估到达时间模型包括极限梯度增强(XGboost)模型。
6.一种确定预估到达时间(ETA)的方法，包括：
由至少一个计算机服务器通过网络从用户设备接收起始位置和目的地；
通过所述至少一个计算机服务器从存储介质获取全局预估到达时间模型，其中所述全局预估到达时间模型是根据过程生成的，所述过程包括：
获取与按需服务相关的特征数据；
确定至少两个子预估到达时间模型；
获取包括至少两个工作节点的并行计算框架，其中所述至少两个工作节点中的每个工作节点与所述至少两个子预估到达时间模型的子预估到达时间模型相关联；
将所述特征数据分配给所述至少两个工作节点；
基于所述特征数据训练所述至少两个子预估到达时间模型；以及
基于所述至少两个训练后的子预估到达时间模型生成所述全局预估到达时间模型；其中，生成所述全局预估到达时间模型的过程还包括：
将所述至少两个工作节点中的每个工作节点分裂成根节点和至少两个叶节点；
将所述至少两个叶节点分类为至少两个组；以及
在至少两个组中的两个组之间配置栅栏；
所述至少一个栅栏防止所述至少两个工作节点同时执行第一组所述叶节点和第二组所述叶节点，以便同步所述至少两个子预估达到时间模型的分裂过程；
通过所述至少一个计算机服务器，基于所述全局预估到达时间模型确定用于连接所述起始位置和所述目的地的目标路线的预估到达时间；以及
通过所述至少一个计算机服务器通过所述网络发送所述确定的预估到达时间到所述用户设备。
7.根据权利要求6所述的方法，其特征在于，所述并行计算框架包括Spark框架、Hadoop、Phoenix、Disco或Mars中的至少一个。
8. 根据权利要求6所述的方法，其特征在于，将所述特征数据分配给所述至少两个工作节点包括：
确定所述至少两个工作节点的数量；以及
基于所述至少两个工作节点的数量将所述特征数据分配到所述至少两个工作节点上，其中，在所述至少两个工作节点的每个工作节点上分配的特征数据不同。
9.根据权利要求6所述的方法，其特征在于，所述至少两个工作节点包括：
第一工作节点，操作以第一特征数据为输入的第一子预估到达时间模型；
第二工作节点，操作以第二特征数据为输入的第二子预估到达时间模型；以及
所述第一工作节点将所述第一特征数据发送到所述第二工作节点。
10.根据权利要求6所述的方法，其特征在于，所述全局预估到达时间模型包括极限梯度增强(XGboost)模型。
11.一种非暂时性计算机可读介质，包括用于确定预估到达时间(ETA)的至少一个指令集，其中当由电子终端的至少一个处理器执行时，所述至少一个指令集指示所述至少一个处理器执行以下行为：
从用户设备接收起始位置和目的地；
从存储介质获取全局预估到达时间模型，其中所述全局预估到达时间模型是根据过程生成的，所述过程包括：
获取与按需服务相关的特征数据；
确定至少两个子预估到达时间模型；
获取包括至少两个工作节点的并行计算框架，其中所述至少两个工作节点中的每个工作节点与所述至少两个子预估到达时间模型的子预估到达时间模型相关联；
将所述特征数据分配给所述至少两个工作节点；
基于所述特征数据训练所述至少两个子预估到达时间模型；以及
基于所述至少两个训练后的子预估到达时间模型生成所述全局预估到达时间模型；其中，生成所述全局预估到达时间模型的过程还包括：
将所述至少两个工作节点中的每个工作节点分裂成根节点和至少两个叶节点；
将所述至少两个叶节点分类为至少两个组；以及
在至少两个组中的两个组之间配置栅栏；
所述至少一个栅栏防止所述至少两个工作节点同时执行第一组所述叶节点和第二组所述叶节点，以便同步所述至少两个子预估达到时间模型的分裂过程；
基于所述全局预估到达时间模型确定连接所述起始位置和所述目的地的目标路线的预估到达时间；以及
将所述确定的预估到达时间发送到所述用户设备。
CN201780093476.6A 2017-07-28 2017-07-28 用于确定到达的预估时间的系统和方法 Active CN110945557B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/095045 WO2019019189A1 (en) 2017-07-28 2017-07-28 SYSTEMS AND METHODS FOR ESTIMATED ARRIVAL TIME DETERMINATION

Publications (2)

Publication Number Publication Date
CN110945557A CN110945557A (zh) 2020-03-31
CN110945557B true CN110945557B (zh) 2023-08-01

Family

ID=65039425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780093476.6A Active CN110945557B (zh) 2017-07-28 2017-07-28 用于确定到达的预估时间的系统和方法

Country Status (4)

Country Link
US (1) US11580451B2 (zh)
CN (1) CN110945557B (zh)
TW (1) TW201921299A (zh)
WO (1) WO2019019189A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346107B (zh) * 2017-12-28 2020-11-10 创新先进技术有限公司 一种社交内容风险识别方法、装置以及设备
US11625640B2 (en) * 2018-10-05 2023-04-11 Cisco Technology, Inc. Distributed random forest training with a predictor trained to balance tasks
US20210133677A1 (en) * 2019-10-31 2021-05-06 Walmart Apollo, Llc Apparatus and methods for determining delivery routes and times based on generated machine learning models
CN112241808A (zh) * 2020-09-28 2021-01-19 四川省交通运输发展战略和规划科学研究院 路面技术状况预测方法、装置、电子设备及存储介质
CN112509358A (zh) * 2020-11-19 2021-03-16 湖南湘江智能科技创新中心有限公司 一种基于人车站云协同的盲人乘车方法
CN114579063B (zh) * 2022-05-07 2022-09-02 浙江口碑网络技术有限公司 Od数据的存储及读取方法、装置、存储介质及计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
JP2010272142A (ja) * 2010-08-27 2010-12-02 Nippon Telegr & Teleph Corp <Ntt> 旅行時間推計方法，旅行時間推計装置，その方法を実装した旅行時間推計プログラム及びそのプログラムを格納した媒体、旅行時間予測方法，旅行時間予測装置，その方法を実装した旅行時間予測プログラム及びそのプログラムを格納した媒体
CN103258421A (zh) * 2012-02-15 2013-08-21 日立(中国)研究开发有限公司 用于提供交通信息服务的中心服务器以及方法
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
CN106250461A (zh) * 2016-07-28 2016-12-21 北京北信源软件股份有限公司 一种基于Spark框架利用梯度提升决策树进行数据挖掘的算法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6230151B1 (en) 1998-04-16 2001-05-08 International Business Machines Corporation Parallel classification for data mining in a shared-memory multiprocessor system
US7432826B2 (en) 2005-06-16 2008-10-07 Global Traffic Technologies, Llc Traffic preemption system with headway management
US7739031B2 (en) * 2006-09-05 2010-06-15 Nissan Technical Center North America, Inc. Vehicle on-board unit
WO2009008178A1 (ja) * 2007-07-12 2009-01-15 Panasonic Corporation 旅程提示装置および旅程提示方法
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
CN104121918A (zh) * 2013-04-25 2014-10-29 北京搜狗信息服务有限公司 一种实时路径规划的方法和系统
US9349150B2 (en) * 2013-12-26 2016-05-24 Xerox Corporation System and method for multi-task learning for prediction of demand on a system
CN105303817B (zh) * 2015-09-16 2019-01-29 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
CN105185115B (zh) * 2015-09-07 2018-04-06 华迪计算机集团有限公司 一种交通预测方法和预测系统
CN105303617A (zh) 2015-11-27 2016-02-03 中山大学 一种面向四边形割分下递归曲面生成方法及其装置
CN105550374A (zh) 2016-01-29 2016-05-04 湖南大学 Spark云服务环境下面向大数据的随机森林并行机器学习方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
JP2010272142A (ja) * 2010-08-27 2010-12-02 Nippon Telegr & Teleph Corp <Ntt> 旅行時間推計方法，旅行時間推計装置，その方法を実装した旅行時間推計プログラム及びそのプログラムを格納した媒体、旅行時間予測方法，旅行時間予測装置，その方法を実装した旅行時間予測プログラム及びそのプログラムを格納した媒体
CN103258421A (zh) * 2012-02-15 2013-08-21 日立(中国)研究开发有限公司 用于提供交通信息服务的中心服务器以及方法
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
CN106250461A (zh) * 2016-07-28 2016-12-21 北京北信源软件股份有限公司 一种基于Spark框架利用梯度提升决策树进行数据挖掘的算法

Also Published As

Publication number Publication date
WO2019019189A1 (en) 2019-01-31
US20200160225A1 (en) 2020-05-21
TW201921299A (zh) 2019-06-01
US11580451B2 (en) 2023-02-14
CN110945557A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN110945557B (zh) 用于确定到达的预估时间的系统和方法
CN109478275B (zh) 分配服务请求的系统和方法
CN109074622B (zh) 确定运输服务路线的系统及方法
CN112036645B (zh) 用于确定预估到达时间的系统和方法
CN108701279B (zh) 用于确定未来运输服务时间点的预测分布的系统和方法
CN111862585B (zh) 用于交通预测的系统和方法
JP2019511020A (ja) 到着時間を推定するための方法およびシステム
JP6503474B2 (ja) 移動デバイスの経路を求めるシステム及び方法
CN112236787B (zh) 用于生成个性化目的地推荐的系统和方法
CN109791731B (zh) 一种预估到达时间的方法和系统
CN111507732B (zh) 用于识别相似轨迹的系统和方法
JP2018533778A (ja) 共有可能な注文を割り当てるためのシステムおよび方法
TWI675184B (zh) 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體
JP6632723B2 (ja) サービスの順序列を更新するためのシステム及び方法
JP2018538584A (ja) サービスの要求を分配するシステム及び方法
CN110839346A (zh) 用于分配服务请求的系统和方法
CN110782648B (zh) 确定预计到达时间的系统和方法
TW201903660A (zh) 區域劃分系統和方法
CN111433795A (zh) 一种确定线上到线下服务的预估到达时间的系统和方法
CN116562585A (zh) 用于分配服务请求的系统和方法
CN112243487A (zh) 用于按需服务的系统和方法
CN111954891B (zh) 一种跨业务的共享汽车资源复用方法
CN111489214A (zh) 订单分配方法、条件设置方法、装置及电子设备
CN110832513B (zh) 用于按需服务的系统和方法
CN111860926B (zh) 用于预测服务需求信息的系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant