CN110956294B - 一种排队时间预估方法以及装置 - Google Patents

一种排队时间预估方法以及装置 Download PDF

Info

Publication number
CN110956294B
CN110956294B CN201811123008.1A CN201811123008A CN110956294B CN 110956294 B CN110956294 B CN 110956294B CN 201811123008 A CN201811123008 A CN 201811123008A CN 110956294 B CN110956294 B CN 110956294B
Authority
CN
China
Prior art keywords
time
queuing
model
previous
current
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
CN201811123008.1A
Other languages
English (en)
Other versions
CN110956294A (zh
Inventor
张智标
肜博辉
闫奎名
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
Priority to CN201811123008.1A priority Critical patent/CN110956294B/zh
Publication of CN110956294A publication Critical patent/CN110956294A/zh
Application granted granted Critical
Publication of CN110956294B publication Critical patent/CN110956294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种排队时间预估方法以及装置，该方法包括：在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对当前订单的前一次模型预估排队时间；基于前一次模型预估排队时间和在前一次监听到用户端发生排队时间预估触发事件后提供给用户端的排队模拟时间，生成从前一次监听到用户端发生针对当前订单的排队时间预估触发事件到当前监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间流速；根据前一次提供给用户端的排队模拟时间和时间流速，生成当前排队模拟时间，并发送给用户端。本申请实施例能够使得最终呈现给用户的排队等待时间是随着时间不断降低，避免用户对得到的预估排队等待时间的信任度降低的问题。

Description

一种排队时间预估方法以及装置
技术领域
本申请涉及计算机应用技术领域，具体而言，涉及一种排队时间预估方法以及装置。
背景技术
用户通过网约车平台约车的时候，首先会生成订单信息，并将订单信息发送给网约车平台；在订单信息中携带有用户的出发地和目的地；网约车平台在接收到订单信息后，会根据用户的出发地、目的地、当前的运力等因素进行车辆调度，并对用户的需要排队等待的约车时间进行预估。
网约车平台在对用户需要排队等待的约车等待时间进行预估的时候，一般是基于时间预估模型进行。由于等待时间预估模型的鲁棒性以及现实环境的不断变化，在一次排队等待过程中，在不同时刻通过等待时间预估模型得到的预估排队等待时间是不一样的，会出现上下波动的情况，这样，用户在某次排队过程中，在下一时刻得到的预估排队等待时间可能会大于之前得到的预估排队等待时间，使得平台提供的预估排队等待时间失去用户体验价值。
发明内容
有鉴于此，本申请实施例的目的在于提供一种排队时间预估方法以及装置，能够使得最终呈现给用户的排队等待时间是随着时间不断降低，从而避免了由于在后得到的预估排队等待时间大于在先得到的预估排队等待时间导致的用户对所得到的预估排队等待时间的信任度降低的问题。
第一方面，本申请实施例提供了一种排队时间预估方法，该方法包括：
在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对所述当前订单的前一次模型预估排队时间；
基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成从前一次监听到所述用户端发生针对当前订单的排队时间预估触发事件到当前监听到所述用户端发生针对当前订单的排队时间预估触发事件之间的时间流速；
根据所述前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，并发送给所述用户端。
一种可能的实施方式中，根据以下步骤确定所述前一次模型预估排队时间：
将所述当前订单在所述用户端前一次发生排队时间预估触发事件时，在预设订单特征下的特征值输入预先训练的排队时间预估模型，得到所述前一次模型预估排队时间。
一种可能的实施方式中，通过下述方式获取所述预先训练的排队时间预估模型：
确定进行排队时间预测所基于的预测模型；
获取不同区域范围内的样本订单在预设订单特征下的特征值，以及每个所述样本订单的实际排队时间；
将样本订单在所述预设订单特征下的特征值作为所述预测模型的输入值，并将所述样本订单的实际排队时间作为所述预测模型的输出值，训练与每个区域范围分别对应的排队时间预估模型。
一种可能的实施方式中，所述预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
一种可能的实施方式中，所述订单特征包括：出发地落入的第一子区域、目的地落入的第二子区域、出发地和目的地之间的距离、所述第一子区域中的约车总人数、所述第一子区域中的当前空余的网约车数量、所述第一子区域中道路拥堵率、天气状况中至少一种。
一种可能的实施方式中，所述基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成时间流速，包括：
根据所述前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值；
根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速。
一种可能的实施方式中，所述根据前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值，包括：
根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，确定所述第一监听时间和所述第二监听时间之间的时间间隔；
根据所述时间间隔，确定第一遗忘系数以及第二遗忘系数；所述第一遗忘系数和所述第二遗忘系数的和为1；且所述时间间隔越小，所述第一遗忘系数越大；
根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值。
一种可能的实施方式中，所述根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值，包括：
计算所述第一遗忘系数与所述第二时间惩罚值的第一乘积；以及
计算所述前一次模型预估排队时间与前一次提供给所述用户端的排队模拟时间之间的差值；并计算所述差值与所述第二遗忘系数的第二乘积；
将所述第一乘积和所述第二乘积的和，作为所述第一时间惩罚值。
一种可能的实施方式中，根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速，包括：
将所述扩张系数与所述第一时间惩罚值的乘积，作为双曲正切函数的输入值，并将所述双曲正切函数的输出值与预设补充流速的和，作为所述时间流速。
一种可能的实施方式中，所述根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，包括：
根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间；
将所述待选排队模拟时间与预设排队时间阈值之间的较大者，作为所述当前排队模拟时间。
一种可能的实施方式中，所述根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间，包括：
确定当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差；
根据所述时间差以及所述时间流速，计算排队模拟时间差；
根据前一次提供给所述用户端的排队模拟时间与所述排队模拟时间差，计算所述待选排队模拟时间。
一种可能的实施方式中，在监听到用户端发生针对当前订单的排队时间预估触发事件之前，还包括：
接收用户端发送的所述当前订单的订单信息；
基于所述预先训练的排队时间预估模型，对接收到所述订单信息时的排队时间进行预估，得到初始的模型预估排队时间，并发送给用户端。
第二方面，本申请实施例还提供一种排队时间预估装置，该装置包括：
获取模块，用于在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对所述当前订单的前一次模型预估排队时间；
时间流速生成模块，用于基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成从前一次监听到所述用户端发生针对当前订单的排队时间预估触发事件到当前监听到所述用户端发生针对当前订单的排队时间预估触发事件之间的时间流速；
排队模拟时间生成模块，用于根据所述前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，并发送给所述用户端。
一种可能的实施方式中，所述获取模块，用于根据以下步骤确定所述前一次模型预估排队时间：
将所述当前订单在所述用户端前一次发生排队时间预估触发事件时，在预设订单特征下的特征值输入预先训练的排队时间预估模型，得到所述前一次模型预估排队时间。
一种可能的实施方式中，还包括：模型训练模块，用于通过下述方式获取所述预先训练的排队时间预估模型：
确定进行排队时间预测所基于的预测模型；
获取不同区域范围内的样本订单在预设订单特征下的特征值，以及每个所述样本订单的实际排队时间；
将样本订单在所述预设订单特征下的特征值作为所述预测模型的输入值，并将所述样本订单的实际排队时间作为所述预测模型的输出值，训练与每个区域范围分别对应的排队时间预估模型。
一种可能的实施方式中，所述预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
一种可能的实施方式中，所述订单特征包括：出发地落入的第一子区域、目的地落入的第二子区域、出发地和目的地之间的距离、所述第一子区域中的约车总人数、所述第一子区域中的当前空余的网约车数量、所述第一子区域中道路拥堵率、天气状况中至少一种。
一种可能的实施方式中，所述时间流速生成模块，用于采用下述步骤基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成时间流速：
根据所述前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值；
根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速。
一种可能的实施方式中，所述时间流速生成模块，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值：
根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，确定所述第一监听时间和所述第二监听时间之间的时间间隔；
根据所述时间间隔，确定第一遗忘系数以及第二遗忘系数；所述第一遗忘系数和所述第二遗忘系数的和为1；且所述时间间隔越小，所述第一遗忘系数越大；
根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值。
一种可能的实施方式中，所述时间流速生成模块，用于采用下述步骤根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值：
计算所述第一遗忘系数与所述第二时间惩罚值的第一乘积；以及
计算所述前一次模型预估排队时间与前一次提供给所述用户端的排队模拟时间之间的差值；并计算所述差值与所述第二遗忘系数的第二乘积；
将所述第一乘积和所述第二乘积的和，作为所述第一时间惩罚值。
一种可能的实施方式中，所述时间流速生成模块，用于采用下述步骤根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速：
将所述扩张系数与所述第一时间惩罚值的乘积，作为双曲正切函数的输入值，并将所述双曲正切函数的输出值与预设补充流速的和，作为所述时间流速。
一种可能的实施方式中，所述排队模拟时间生成模块，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间：
根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间；
将所述待选排队模拟时间与预设排队时间阈值之间的较大者，作为所述当前排队模拟时间。
一种可能的实施方式中，所述排队模拟时间生成模块，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间：
确定当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差；
根据所述时间差以及所述时间流速，计算排队模拟时间差；
根据前一次提供给所述用户端的排队模拟时间与所述排队模拟时间差，计算所述待选排队模拟时间。
一种可能的实施方式中，所述获取模块，还用于在监听到用户端发生针对当前订单的排队时间预估触发事件之前：
接收用户端发送的所述当前订单的订单信息；
基于所述预先训练的排队时间预估模型，对接收到所述订单信息时的排队时间进行预估，得到初始的模型预估排队时间，并发送给用户端。
第三方面，本申请实施例还提供一种网络侧设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如第一方面任一所述的排队时间预估方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面任一所述的排队时间预估方法的步骤。
本申请实施例可以在每次监听到用户端发生针对当前订单的排队时间预估触发事件后，基于前一次模型预估排队时间和在前一次监听到用户端发生排队时间预估触发事件后提供给用户端的排队模拟时间，生成从前一次监听到用户端发生针对当前订单的排队时间预估触发事件到当前监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间流速，该时间流速能够表征呈现给用户的排队模拟时间相对于现实时间的变化速度，然后根据该时间流速来控制当前排队模拟时间，这样通过历史数据来控制时间流速，根据时间流速来确定当前呈现的排队模拟时间，使得最终呈现给用户的排队模拟时间是随着时间延长不断降低的，从而避免了由于在后得到的预估排队等待时间大于在先得到的预估排队等待时间导致的用户对所得到的预估排队等待时间的信任度降低的问题。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种排队时间预估方法的示意图；
图2示出了本申请实施例所提供的排队时间预估方法中，排队时间预估模型的训练方法的示意图；
图3示出了本申请实施例所提供的排队时间预估方法中，生成时间流速的具体方法的示意图；
图4示出了本申请实施例所提供的排队时间预估方法中，生成当前排队模拟时间的具体方法的示意图；
图5示出了本申请实施例所提供的一种排队时间预估装置的示意图；
图6示出了本申请实施例所提供的一种网络侧设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在相关技术中，等待时间预估模型在对约车等待时间进行预估的时候，要基于预估时刻的现实状况进行。而现实状况会随着时间的变化而发生变化，且变化也具有一定的随机性，导致在不同时刻基于相同等待时间预估模型得到的排队等待时间也会出现上下波动的情况。而每一次得到的预估排队等待时间都会通过用户端显示给用户。如果下一时刻得到的预估排队等待时间大于之前得到的预估排队等待时间，就会降低用户对所得到的预估排队等待时间的信任度，从而使得平台提供的预估排队等待时间失去用户体验价值。
基于此，本申请提供的一种排队时间预估方法以及排队时间预估装置，可以在每次监听到用户端发生针对当前订单的排队时间预估触发后，基于前一次模型预估排队时间和在前一次监听到用户端发生排队时间预估触发事件后提供给用户端的排队模拟时间，生成从前一次监听到用户端发生针对当前订单的排队时间预估触发事件到当前监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间流速，该时间流速能够表征呈现给用户的排队模拟时间相对于现实时间的变化速度，然后根据该时间流速来控制当前排队模拟时间，这样通过历史数据来控制时间流速，根据时间流速来确定当前呈现的排队模拟时间，使得最终呈现给用户的排队模拟时间是随着时间不断降低，从而避免了由于在后得到的预估排队等待时间大于在先得到的预估排队等待时间导致的用户对所得到的预估排队等待时间的信任度降低的问题。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种排队时间预估方法进行详细介绍。本申请实施例中，执行该排队时间预估方法的主体可以是网约车平台的服务器，也可以是独立于网约车平台的服务器，为网约车平台的服务器提供排队时间预估服务的其它设备。本申请实施例中的用户端，是指安装在终端设备中的应用软件；该应用软件能够调用终端设备的无线通信功能，与网约车平台的服务器进行无线通信，以实现数据的交互。下面以执行主体为网约车平台的服务器为例，对本申请技术方案加以说明。
实施例一
参见图1所示，本申请实施例一提供的排队时间预估方法包括如下步骤S101～S105所示：
实施例一
S101：接收用户端发送的当前订单的订单信息。
S102：基于预先训练的排队时间预估模型，对接收到所述订单信息时的排队时间进行预估，得到初始的模型预估排队时间，并发送给用户端。
在具体实现的时候，用户在使用用户端约车的时候，首先要通过用户端生成订单，并将订单的订单信息发送给服务器。其中，该订单信息中，携带有用户的出发地和目的地。
服务器在接收到订单后，会将该订单中在多个预设订单特征下的特征值，例如用户的出发地、目的地、当前出发地附近空载网约车的数量、其它用户目的地在该用户出发地附近的订单数量、出发地附近的道路拥堵情况等信息，输入至预先训练好的排队时间预估模型，对接收到该订单信息时的排队时间进行预估，得到初始的模型排队预估时间，并将该初始的模型排队预估时间发送给用户端。
用户端在接收到服务器发送的初始的模型排队预估时间后，将该初始的模型排队预估时间显示给用户。
该初始的模型排队预估时间，即为用户在生成订单信息向服务器发送后，服务器向用户端第一次反馈的排队等待时间。
服务器在生成初始的模型排队预估时间之后，会对用的换是否发生针对当前订单的排队时间预估触发时间进行监听。
S103：在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对所述当前订单的前一次模型预估排队时间。
在具体实现的时候，服务器在向用户端发送了初始的模型预估排队时间后，会对用户端发生的针对当前订单的排队时间预估触发事件进行监听。
具体地，排队时间预估触发事件包括如下任意一种。
其一：用户端的进入事件。
此处，用户端的进入事件可以包括以下几种情况中任意一种：
(1)用户端从未启动状态进入到启动状态。
此处，用户端在进入启动状态后，会首先检测当前是否存在排队中的订单。如果存在，则对当前存在的排队中的订单进行恢复；在恢复的时候，由于要向用户显示当前的排队时间，用户端首先向服务器发送排队订单恢复请求。
服务器在接收到用户端发送的排队订单恢复请求后，基于本申请实施例提供的排队时间预估方法，获得当前排队模拟时间，并将该当前排队模拟时间发送给用户端。
(2)用户端从后台运行状态进入到前台运行状态。
此时，用户端在由后台运行状态进入到前台运行状态之前，已经进入了启动状态，并且存在排队中的订单。此时，用户端在进入到前台运行状态后，会刷新向用户显示的排队时间。在刷新之前，用户端首先向服务器发送排队时间预估请求。
服务器在接收到用户端发送的排队时间预估请求后，基于本申请实施例提供的排队时间预估方法，获得当前排模拟时间，并将该当前排队模拟时间发送给用户端。
用户端在接收到服务器发送的当前排队模拟时间后，基于当前排队模拟时间，刷新向用户显示的排队时间。
其二：用户端处于前台运行状态的时候，会周期性的向服务器发送排队时间预估请求。
服务器在接收到用户端发送的排队时间预估请求后，同样基于本申请实施例提供的排队时间预估方法，获得当前排模拟时间，并将该当前排队模拟时间发送给用户端。
用户端在接收到服务器发送的当前排队模拟时间后，基于当前排队模拟时间，周期性的刷新向用户显示的排队时间。
具体地，本申请实施例通过下述方式获取针对所述订单的前一次模型预估排队时间：
将所述当前订单在所述用户端前一次发生排队时间预估触发事件时，在预设订单特征下的特征值输入预先训练的排队时间预估模型，得到所述前一次模型预估排队时间。
此处，排队时间预估模型是提前训练好的。
具体地，参见图2所示，本申请实施例提供一种排队时间预估模型的训练方法，该方法包括：
S201：确定进行排队时间预测所基于的预测模型。
S202：获取不同区域范围内的样本订单在预设订单特征下的特征值，以及每个所述样本订单的实际排队时间。
S203：将样本订单在所述预设订单特征下的特征值作为所述预测模型的输入值，并将所述样本订单的实际排队时间作为所述预测模型的输出值，训练与每个区域范围分别对应的排队时间预估模型。
在具体实现的时候，预测模型可以采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
在确定模预测模型的时候，除了要确定模型的种类以外，还要模型中的输入变量和输出变量。在本申请中，输出变量即为模型预估排队时间。输入变量也即样本订单在预设订单特征下的特征值。该预设订单特征可以根据实际的需要确定。
例如，订单特征包括：出发地落入的第一子区域、目的地落入的第二子区域、出发地和目的地之间的距离、所述第一子区域中的约车总人数、所述第一子区域中的当前空余的网约车数量、所述第一子区域中道路拥堵率、天气状况中至少一种。
此处，出发地落入的第一子区域和目的地落入的第二子区域可以有以下几种确定方式：
其一：预先将预设的区域范围划分成多个子区域。出发地落入的子区域即为第一子区域，目的地落入的子区域，即为第二子区域。
其二：根据出发地即时确定第一子区域，并根据目的地即时确定第二子区域。
如将以出发地为圆心，以第一预设距离为半径确定的圆形区域，为第一子区域；以目的地为圆心，以第二预设距离为半径确定的圆形区域，为第二子区域。
在确定了出发地落入的子区域和第二出发地落入的子区域之后，可以将出发地落入到第一子区域中所有正在排队的订单的数量，作为第一子区域中的约车总人数。
另外，订单特征还可以包括其他特征，如当前订单在出发地落入第一子区域中所有正在排队的订单中的排队位置、目的地落入第一子区域中且预计在预设时间内能够将用户送达目的地的正在执行的订单的数量等。
在获取了样本订单在预设订单特征下的特征值后，将样本订单在所述预设订单特征下的特征值作为所述预测模型的解释变量的值，输入至模型，模型通过输入值进行求解，得到被解释变量的值，也即模型预估排队时间，然后将模型预估排队时间和对应的实际排队时间比对结果，训练预测模型。
针对不同的预测模型，具有不同的模型训练方法，但是其原理是类似的。
例如，对于逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型而言，训练模型的过程，实际上是使用多个样本订单在预设订单特征下的特征值，以及对应的实际排队时间，求解模型中未知参数的过程。
其中，基础预测模型中的参数可以为：与每个解释变量对应的权重系数，和附加系数。对模型训练的过程，即为对权重系数和附加系数进行求解的过程，也即：将各个样本订单在预设订单特征下的特征值作为解释变量的值，并将每个样本订单对应的实际排队时间作为被解释变量的值，代入预测模型，计算预测模型中各个解释变量的权重系数和所述预测模型的附加系数，最终得到训练后的排队时间预估模型。
具体地，在训练预测模型的时候，可以根据样本订单在预设订单特征下的特征值构成解释变量矩阵，并根据每个解释变量的参数构成参数矩阵，根据样本订单的实际排队时间构成被解释变量矩阵，然后基于构成的解释变量矩阵、参数矩阵以及被解释变量矩阵，对参数矩阵进行求解，从而得到排队时间预估模型。
针对深度学习模型而言，需要预先构建深度学习网络，然后将样本订单在预设订单特征下的特征值输入到深度学习网络，将样本订单的实际排队时间作为参考结果，对深度学习网络进行有监督的训练，得到排队时间预估模型。
针对决策树模型而言，训练模型的过程，实际上是使用样本订单在预设订单特征下的特征值以及对应的实际排队时间构建决策树的过程。
另外，在本申请实施例中，为了保证排队时间预估模型的精确度，在基于训练数据训练排队时间预估模型之后，还包括：对训练得到的排队时间预估模型进行测试的过程。
以及，由于模型在使用过程中，可能会发生精度随着时间不断下降的情况，因此在本申请另一实施例中，还可以周期性的或者不定期的基于新生成的订单，对排队时间预估模型进行更新或者进行再训练，以保证排队时间预估模型的精度不会随着时间的推移而下降。
服务器在接收到用户端发送的订单信息后，首先会确定当前订单信息中携带的出发地所落入的区域范围，然后根据当前订单信息中携带的出发地落入的区域范围，确定与该区域范围对应的排队时间预估模型，然后基于该排队时间预估模型，对当前订单的排队时间进行预估，生成初始的模型预估排队时间，并将该初始的模型预估排队时间发送给用户端。
服务器在首次监听到用户端发生了针对当前订单的排队时间预估触发事件后，由于服务器在首次监听到用户端发生了针对当前订单的排队时间预估触发事件之前，会生成初始的模型预估排队时间，因此，此时服务器所获取的针对当前订单的前一次模型预估排队时间，即为该初始的模型预估排队时间。此时，用户端接收到订单信息可以视作一次特殊的针对当前订单的排队时间预估触发事件。
若服务器并非首次监听到用户端发生的针对当前订单的排队时间预估触发事件，则将当前订单在用户端前一次发生排队时间预估触发事件时，在预设订单特征下的特征值输入预先训练的排队时间预估模型，得到前一次模型预估排队时间。
需要注意的是，基于排队时间预估模型生成前一次模型预估排队时间间，可以在前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后马上进行，也可以在本次监听到用户端发生针对当前订单的排队时间预估触发事件后进行。
在获取了前一次模型预估排队时间后，还包括：
S104：基于前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成从前一次监听到所述用户端发生针对当前订单的排队时间预估触发事件到当前监听到所述用户端发生针对当前订单的排队时间预估触发事件之间的时间流速。
在具体实现的时候，时间流速是指排队模拟时间变化值和实际时间变化值之间的比值。
在本申请实施例中，实际时间变化值是指本次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第一监听时间，与前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间之间的差值。排队模拟时间变化值，是指本次监听到用户端发生针对所述当前订单的排队时间预估触发事件后向用户端反馈的当前排队模拟时间，与前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件后向用户反馈的排队模拟时间之间的变化值。该时间流速，是以当前时间为终结，并以前一次监听到用户端发生针对当前订单的排队时间预估触发事件的时间为起始的一段时间段内，用户端呈现给用户的排队模拟时间相对于显示时间的变化速度。因此，该时间流速要基于历史数据获得。
向用户端发送的当前排队模拟时间，即为用户端本次向用户显示的排队时间。基于当前排队模拟时间、前一次提供给用户端的排队模拟时间以及时间流速之间存在上述关系，因此为了获得当前排队模拟时间，首先要获得当前时间流速。然后根据获得的当前时间流速，本次监听到用户端发生针对当前订单的排队时间预估触发事件的第一监听时间与前一次监听到用户端发生针对当前订单的排队时间预估触发事件的第二监听时间之间的差值，以及前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件后向用户反馈的排队模拟时间，生成当前排队模拟时间。
例如，假若根据全一次模型预估排队时间和前一次提供给用户端的排队模拟时间确定的时间流速为0.5，前一次反馈给用户端的排队模拟时间为100秒，且本次监听到用户端发生针对所述当前订单的排队时间预估触发事件的时间与前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的时间之间的差值为10秒，那么本次向用户反馈的当前排队模拟时间满足：100-10×0.5＝95秒。
本申请实施例中，是基于前一次模型预估排队时间和在前一次监听到用户端发生排队时间预估触发事件后提供给用户端的排队模拟时间来确定的。
具体地，参见图3所示，本申请实施例提供一种基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成时间流速的具体方法，该方法包括：
S301：根据所述前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值。
此处，可以采用下述步骤生成第一时间惩罚值：
根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，确定所述第一监听时间和所述第二监听时间之间的时间间隔；
根据所述时间间隔，确定第一遗忘系数以及第二遗忘系数；所述第一遗忘系数和所述第二遗忘系数的和为1；且所述时间间隔越小，所述第一遗忘系数越大；
根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值。
在具体实现的时候，可以采用下述步骤根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值：
计算所述第一遗忘系数与所述第二时间惩罚值的第一乘积；以及
计算所述前一次模型预估排队时间与前一次提供给所述用户端的排队模拟时间之间的差值；并计算所述差值与所述第二遗忘系数的第二乘积；
将所述第一乘积和所述第二乘积的和，作为所述第一时间惩罚值。
也即，第一时间惩罚值Pt-Δt满足：
Pt-Δt＝βΔt×Pt-Δt-Δt′+(1-βΔt)×(Tt-Δt-Ot-Δt)。
其中：t表示当前监听到用户端发生针对当前订单的排队时间预估触发事件的第一监听时间；到Δt表示第一监听时间和所述第二监听时间之间的时间间隔；t-Δt表示前一次监听到用户端发生针对当前订单的排队时间预估触发事件的第二监听时间；βΔt表示第一遗忘系数；1-βΔt表示第二遗忘系数，且第一遗忘系数与第一监听时间和第二监听时间之间的时间间隔相关，时间间隔越小，第一遗忘系数越大，表征第二时间惩罚值对第一时间惩罚值的影响越大；时间间隔越大，则第一遗忘系数越小，表征第二时间惩罚值对第一时间惩罚值的影响越小。
Tt-Δt表示前一次模型预估排队时间；Ot-Δt表示前一次提供给用户端的排队模拟时间；
Pt-Δt-Δt′表示第二时间惩罚值，t′表示前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，与前一次的前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件的第三监听时间之间的时间间隔。
这里，需要注意的是，假若当前监听到用户端发生针对当前订单的排队时间预估触发事件为首次监听到用户端发生针对当前订单的排队时间预估触发事件，则前一次提供给用户端的排队模拟时间，即为S102中向用户端发送的初始的模型预估排队时间。第二时间惩罚值，为服务器在接收到用户端发送的当前订单的订单信息，基于预先训练的排队时间预估模型，对接收到所述订单信息时的排队时间进行预估，得到初始的模型预估排队时间后，对时间惩罚值进行的初始赋值。
此处，由于用户在排队的初期心态较好，为了给排队后期的模拟等待时间预留变化空间，可以将时间惩罚值的初始赋值设置为一个较大的正向初始赋值，也即，在排队初期，时间流速相对保守，模拟等待时间的变化较小。后期的时间流速基于历史情况来确定。
类似地，在另外一种实施例中，还可以确定三个遗忘系数：第一遗忘系数、第二遗忘系数和第三遗忘系数；具体地：
首先根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，确定所述第一监听时间和所述第二监听时间之间的第一时间间隔，根据该第一时间间隔确定第一遗忘系数；
根据当前监听到的用户端发生所述排队时间预估触发事件的第一监听时间，和前一次的前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第三监听时间，确定第一监听时间和第三监听时间之间的第二时间间隔，根据该第二时间间隔确定第三遗忘系数；
根据第一遗忘系数和第三遗忘系数，确定第二遗忘系数；第一遗忘系数、第二遗忘系数和第三遗忘系数之间的和为1。
然后根据所述第一遗忘系数、所述第二遗忘系数、第三遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，以及前一次的前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第三时间惩罚值生成第一时间惩罚值。
计算过程与上述类似，在此不再赘述。
S302：根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速。
此处，可以采用下述步骤生成时间流速：
将所述扩张系数与所述第一时间惩罚值的乘积，作为双曲正切函数的输入值，并将所述双曲正切函数的输出值与预设补充流速的和，作为所述时间流速。
也即，时间流速St满足：
St＝tanh(α×Pt-Δt)+γ。
其中，α为扩张系数；Pt-Δt表示第一时间惩罚值；γ为预设补充流速。
这里，由于双曲正切函数的输出区间为(-1,1)。为了使得当前排队模拟时间小于前一次排队模拟时间，就要保证所得到的时间流速为正值，因此γ的值大于等于1。当γ值等于1时，时间流速St的取值区间为(0，2)。
在生成时间流速后，本申请实施例一提供的排队时间预估方法还包括：
S105：根据所述前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，并发送给所述用户端。
在具体实现的时候，参见图4所示，本申请实施例可以采用下述步骤生成当前排队模拟时间：
S401：根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间。
在具体实现的时候，可以采用下述步骤获得待选排队模拟时间：
确定当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差；
根据所述时间差以及所述时间流速，计算排队模拟时间差；
根据前一次提供给所述用户端的排队模拟时间与所述排队模拟时间差，计算所述待选排队模拟时间。
此处，确定当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差，与上述根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，所确定所述第一监听时间和所述第二监听时间之间的时间间隔一致。
在确定了当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差之后，要根据该时间差和通过S104获得的时间流速，计算排队模拟时间差。
在确定了排队模拟时间差后，就能够基于前一次提供给用户端的排队模拟时间和该排队模拟时间差，计算当前排队模拟时间。然后根据前一次提供给所述用户端的排队模拟时间与所述排队模拟时间差，计算所述待选排队模拟时间。
其中，当前排队模拟时间前一次提供给所述用户端的排队模拟时间Ot满足：Ot＝Ot-Δt-St×Δt；
其中，St表示时间流速，Δt表示第一监听时间和所述第二监听时间之间的时间间隔，也即当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差；St×Δt表示排队模拟时间差；Ot-Δt表示前一次提供给所述用户端的排队模拟时间。
S402：将所述待选排队模拟时间与预设排队时间阈值之间的较大者，作为所述当前排队模拟时间。
此处，由于在确定当前排队模拟时间的时候，所确定的模拟时间差很可能会大于或者等于前一次提供给用户端的排队模拟时间。但实际上，此时用户很可能还处于排队时间。如果直接将前一次提供给用户端的排队模拟时间和模拟时间差的差值作为当前排队模拟时间，则会造成向用户显示的排队时间已经表征用户约到网约车，甚至超出了预计的排队等待时间，而用户还需要等待一定时间的情况，这会同样会降低用户感受。因此，在本申请实施例中，会设置一排队时间阈值。将前一次提供给用户端的排队模拟时间和模拟时间差的差值作为待选排队模拟时间，并将该待选排队模拟时间与该排队时间阈值进行比对，如果待选排队模拟时间大于该排队时间阈值，则将该待选排对时间作为当前排队模拟时间发送给用户端。如果该待选排队模拟时间小于或者等于该排毒时间阈值，则将该排队时间阈值作为当前排队模拟时间发送给用户端。
另外，在本申请另一实施例中，可以不执行上述S101-S102的步骤，也即直接执行S103的步骤：在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对所述当前订单的前一次模型预估排队时间；其中，所述前一次模型预估排队时间为在前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后，基于预先训练的排队时间预估模型确定的。
本申请实施例可以在每次监听到用户端发生针对当前订单的排队时间预估触发事件后，基于前一次模型预估排队时间和在前一次监听到用户端发生排队时间预估触发事件后提供给用户端的排队模拟时间，生成从前一次监听到用户端发生针对当前订单的排队时间预估触发事件到当前监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间流速，该时间流速能够表征呈现给用户的排队模拟时间相对于现实时间的变化速度，然后根据该时间流速来控制当前排队模拟时间，这样通过历史数据来控制时间流速，根据时间流速来确定当前呈现的排队模拟时间，使得最终呈现给用户的排队模拟时间是随着时间延长不断降低的，从而避免了由于在后得到的预估排队等待时间大于在先得到的预估排队等待时间导致的用户对所得到的预估排队等待时间的信任度降低的问题。
基于同一发明构思，本申请实施例中还提供了与排队时间预估方法对应的排队时间预估装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述排队时间预估方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
实施例二
参见图5所示，本申请实施例提二供的排队时间预估装置包括：
获取模块51，用于在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对所述当前订单的前一次模型预估排队时间；
时间流速生成模块52，用于基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成从前一次监听到所述用户端发生针对当前订单的排队时间预估触发事件到当前监听到所述用户端发生针对当前订单的排队时间预估触发事件之间的时间流速；
排队模拟时间生成模块53，用于根据所述前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，并发送给所述用户端。
本申请实施例可以在每次监听到用户端发生针对当前订单的排队时间预估触发事件后，基于前一次模型预估排队时间和在前一次监听到用户端发生排队时间预估触发事件后提供给用户端的排队模拟时间，生成从前一次监听到用户端发生针对当前订单的排队时间预估触发事件到当前监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间流速，该时间流速能够表征呈现给用户的排队模拟时间相对于现实时间的变化速度，然后根据该时间流速来控制当前排队模拟时间，这样通过历史数据来控制时间流速，根据时间流速来确定当前呈现的排队模拟时间，使得最终呈现给用户的排队模拟时间是随着时间延长不断降低的，从而避免了由于在后得到的预估排队等待时间大于在先得到的预估排队等待时间导致的用户对所得到的预估排队等待时间的信任度降低的问题。
一种可能的实施方式中，所述获取模块51，用于根据以下步骤确定所述前一次模型预估排队时间：
将所述当前订单在所述用户端前一次发生排队时间预估触发事件时，在预设订单特征下的特征值输入预先训练的排队时间预估模型，得到所述前一次模型预估排队时间。
一种可能的实施方式中，还包括：模型训练模块54，用于通过下述方式获取所述预先训练的排队时间预估模型：
确定进行排队时间预测所基于的预测模型；
获取不同区域范围内的样本订单在预设订单特征下的特征值，以及每个所述样本订单的实际排队时间；
将样本订单在所述预设订单特征下的特征值作为所述预测模型的输入值，并将所述样本订单的实际排队时间作为所述预测模型的输出值，训练与每个区域范围分别对应的排队时间预估模型。
一种可能的实施方式中，所述预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
一种可能的实施方式中，所述订单特征包括：出发地落入的第一子区域、目的地落入的第二子区域、出发地和目的地之间的距离、所述第一子区域中的约车总人数、所述第一子区域中的当前空余的网约车数量、所述第一子区域中道路拥堵率、天气状况中至少一种。
一种可能的实施方式中，所述时间流速生成模块52，用于采用下述步骤基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成时间流速：
根据所述前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值；
根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速。
一种可能的实施方式中，所述时间流速生成模块52，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值：
根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，确定所述第一监听时间和所述第二监听时间之间的时间间隔；
根据所述时间间隔，确定第一遗忘系数以及第二遗忘系数；所述第一遗忘系数和所述第二遗忘系数的和为1；且所述时间间隔越小，所述第一遗忘系数越大；
根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值。
一种可能的实施方式中，所述时间流速生成模块52，用于采用下述步骤根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值：
计算所述第一遗忘系数与所述第二时间惩罚值的第一乘积；以及
计算所述前一次模型预估排队时间与前一次提供给所述用户端的排队模拟时间之间的差值；并计算所述差值与所述第二遗忘系数的第二乘积；
将所述第一乘积和所述第二乘积的和，作为所述第一时间惩罚值。
一种可能的实施方式中，所述时间流速生成模块52，用于采用下述步骤根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速：
将所述扩张系数与所述第一时间惩罚值的乘积，作为双曲正切函数的输入值，并将所述双曲正切函数的输出值与预设补充流速的和，作为所述时间流速。
一种可能的实施方式中，所述排队模拟时间生成模块53，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间：
根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间；
将所述待选排队模拟时间与预设排队时间阈值之间的较大者，作为所述当前排队模拟时间。
一种可能的实施方式中，所述排队模拟时间生成模块53，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间：
确定当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差；
根据所述时间差以及所述时间流速，计算排队模拟时间差；
根据前一次提供给所述用户端的排队模拟时间与所述排队模拟时间差，计算所述待选排队模拟时间。
一种可能的实施方式中，所述获取模块51，还用于在监听到用户端发生针对当前订单的排队时间预估触发事件之前：
接收用户端发送的所述当前订单的订单信息；
基于所述预先训练的排队时间预估模型，对接收到所述订单信息时的排队时间进行预估，得到初始的模型预估排队时间，并发送给用户端。
实施例三
对应于图1中的排队时间预估方法，本申请实施例三还提供了一种网络侧设备600，如图6所示，本申请实施例提供的网络侧设备600包括：
处理器601、存储器602和总线603，存储器602存储有所述处理器可执行的机器可读指令，当所述网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被处理器执行时执行如下处理：
在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对所述当前订单的前一次模型预估排队时间；
基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成从前一次监听到所述用户端发生针对当前订单的排队时间预估触发事件到当前监听到所述用户端发生针对当前订单的排队时间预估触发事件之间的时间流速；
根据所述前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，并发送给所述用户端。
在另一种实施方式中，上述处理器601执行的处理中，根据以下步骤确定所述前一次模型预估排队时间：
将所述当前订单在所述用户端前一次发生排队时间预估触发事件时，在预设订单特征下的特征值输入预先训练的排队时间预估模型，得到所述前一次模型预估排队时间。
在另一种实施方式中，上述处理器601执行的处理中，通过下述方式获取所述预先训练的排队时间预估模型：
确定进行排队时间预测所基于的预测模型；
获取不同区域范围内的样本订单在预设订单特征下的特征值，以及每个所述样本订单的实际排队时间；
将样本订单在所述预设订单特征下的特征值作为所述预测模型的输入值，并将所述样本订单的实际排队时间作为所述预测模型的输出值，训练与每个区域范围分别对应的排队时间预估模型。
在另一种实施方式中，上述处理器601执行的处理中，所述预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
在另一种实施方式中，上述处理器601执行的处理中，所述订单特征包括：出发地落入的第一子区域、目的地落入的第二子区域、出发地和目的地之间的距离、所述第一子区域中的约车总人数、所述第一子区域中的当前空余的网约车数量、所述第一子区域中道路拥堵率、天气状况中至少一种。
在另一种实施方式中，上述处理器601执行的处理中，所述基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成时间流速，包括：
根据所述前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值；
根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速。
在另一种实施方式中，上述处理器601执行的处理中，所述根据前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值，包括：
根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，确定所述第一监听时间和所述第二监听时间之间的时间间隔；
根据所述时间间隔，确定第一遗忘系数以及第二遗忘系数；所述第一遗忘系数和所述第二遗忘系数的和为1；且所述时间间隔越小，所述第一遗忘系数越大；
根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值。
在另一种实施方式中，上述处理器601执行的处理中，所述根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值，包括：
计算所述第一遗忘系数与所述第二时间惩罚值的第一乘积；以及
计算所述前一次模型预估排队时间与前一次提供给所述用户端的排队模拟时间之间的差值；并计算所述差值与所述第二遗忘系数的第二乘积；
将所述第一乘积和所述第二乘积的和，作为所述第一时间惩罚值。
在另一种实施方式中，上述处理器601执行的处理中，根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速，包括：
将所述扩张系数与所述第一时间惩罚值的乘积，作为双曲正切函数的输入值，并将所述双曲正切函数的输出值与预设补充流速的和，作为所述时间流速。
在另一种实施方式中，上述处理器601执行的处理中，所述根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，包括：
根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间；
将所述待选排队模拟时间与预设排队时间阈值之间的较大者，作为所述当前排队模拟时间。
在另一种实施方式中，上述处理器601执行的处理中，所述根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间，包括：
确定当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差；
根据所述时间差以及所述时间流速，计算排队模拟时间差；
根据前一次提供给所述用户端的排队模拟时间与所述排队模拟时间差，计算所述待选排队模拟时间。
在另一种实施方式中，上述处理器601执行的处理中，在监听到用户端发生针对当前订单的排队时间预估触发事件之前，还包括：
接收用户端发送的所述当前订单的订单信息；
基于所述预先训练的排队时间预估模型，对接收到所述订单信息时的排队时间进行预估，得到初始的模型预估排队时间，并发送给用户端。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的排队时间预估方法的步骤。
本申请实施例所提供的路线规划方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的排队时间预估方法的步骤，具体可参见上述方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (26)

1.一种排队时间预估方法，其特征在于，该方法包括：
在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对所述当前订单的前一次模型预估排队时间；
基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成从前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件到当前监听到所述用户端发生针对所述当前订单的排队时间预估触发事件之间的时间流速；
根据所述前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，并发送给所述用户端。
2.根据权利要求1所述的方法，其特征在于，根据以下步骤确定所述前一次模型预估排队时间：
将所述当前订单在所述用户端前一次发生排队时间预估触发事件时，在预设订单特征下的特征值输入预先训练的排队时间预估模型，得到所述前一次模型预估排队时间。
3.根据权利要求2所述的方法，其特征在于，通过下述方式获取所述预先训练的排队时间预估模型：
确定进行排队时间预测所基于的预测模型；
获取不同区域范围内的样本订单在预设订单特征下的特征值，以及每个所述样本订单的实际排队时间；
将样本订单在所述预设订单特征下的特征值作为所述预测模型的输入值，并将所述样本订单的实际排队时间作为所述预测模型的输出值，训练与每个区域范围分别对应的排队时间预估模型。
4.根据权利要求3所述的方法，其特征在于，所述预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
5.根据权利要求3所述的方法，其特征在于，所述订单特征包括：出发地落入的第一子区域、目的地落入的第二子区域、出发地和目的地之间的距离、所述第一子区域中的约车总人数、所述第一子区域中的当前空余的网约车数量、所述第一子区域中道路拥堵率、天气状况中至少一种。
6.根据权利要求1所述的方法，其特征在于，所述基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成时间流速，包括：
根据所述前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值；
根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速。
7.根据权利要求6所述的方法，其特征在于，所述根据前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值，包括：
根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，确定所述第一监听时间和所述第二监听时间之间的时间间隔；
根据所述时间间隔，确定第一遗忘系数以及第二遗忘系数；所述第一遗忘系数和所述第二遗忘系数的和为1；且所述时间间隔越小，所述第一遗忘系数越大；
根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值，包括：
计算所述第一遗忘系数与所述第二时间惩罚值的第一乘积；以及
计算所述前一次模型预估排队时间与前一次提供给所述用户端的排队模拟时间之间的差值；并计算所述差值与所述第二遗忘系数的第二乘积；
将所述第一乘积和所述第二乘积的和，作为所述第一时间惩罚值。
9.根据权利要求6所述的方法，其特征在于，根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速，包括：
将所述扩张系数与所述第一时间惩罚值的乘积，作为双曲正切函数的输入值，并将所述双曲正切函数的输出值与预设补充流速的和，作为所述时间流速。
10.根据权利要求1所述的方法，其特征在于，所述根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，包括：
根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间；
将所述待选排队模拟时间与预设排队时间阈值之间的较大者，作为所述当前排队模拟时间。
11.根据权利要求10所述的方法，其特征在于，所述根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间，包括：
确定当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差；
根据所述时间差以及所述时间流速，计算排队模拟时间差；
根据前一次提供给所述用户端的排队模拟时间与所述排队模拟时间差，计算所述待选排队模拟时间。
12.根据权利要求1所述的方法，其特征在于，在监听到用户端发生针对当前订单的排队时间预估触发事件之前，还包括：
接收用户端发送的所述当前订单的订单信息；
基于预先训练的排队时间预估模型，对接收到所述订单信息时的排队时间进行预估，得到初始的模型预估排队时间，并发送给用户端。
13.一种排队时间预估装置，其特征在于，该装置包括：
获取模块，用于在监听到用户端发生针对当前订单的排队时间预估触发事件后，获取针对所述当前订单的前一次模型预估排队时间；
时间流速生成模块，用于基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成从前一次监听到所述用户端发生针对当前订单的排队时间预估触发事件到当前监听到所述用户端发生针对当前订单的排队时间预估触发事件之间的时间流速；
排队模拟时间生成模块，用于根据所述前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间，并发送给所述用户端。
14.根据权利要求13所述的装置，其特征在于，所述获取模块，用于根据以下步骤确定所述前一次模型预估排队时间：
将所述当前订单在所述用户端前一次发生排队时间预估触发事件时，在预设订单特征下的特征值输入预先训练的排队时间预估模型，得到所述前一次模型预估排队时间。
15.根据权利要求14所述的装置，其特征在于，还包括：模型训练模块，用于通过下述方式获取所述预先训练的排队时间预估模型：
确定进行排队时间预测所基于的预测模型；
获取不同区域范围内的样本订单在预设订单特征下的特征值，以及每个所述样本订单的实际排队时间；
将样本订单在所述预设订单特征下的特征值作为所述预测模型的输入值，并将所述样本订单的实际排队时间作为所述预测模型的输出值，训练与每个区域范围分别对应的排队时间预估模型。
16.根据权利要求15所述的装置，其特征在于，所述预测模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型中任意一种。
17.根据权利要求15所述的装置，其特征在于，所述订单特征包括：出发地落入的第一子区域、目的地落入的第二子区域、出发地和目的地之间的距离、所述第一子区域中的约车总人数、所述第一子区域中的当前空余的网约车数量、所述第一子区域中道路拥堵率、天气状况中至少一种。
18.根据权利要求13所述的装置，其特征在于，所述时间流速生成模块，用于采用下述步骤基于所述前一次模型预估排队时间和在前一次监听到所述用户端发生所述排队时间预估触发事件后提供给所述用户端的排队模拟时间，生成时间流速：
根据所述前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值；
根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速。
19.根据权利要求18所述的装置，其特征在于，所述时间流速生成模块，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间，以及所述前一次模型预估排队时间，生成第一时间惩罚值：
根据当前监听到用户端发生所述排队时间预估触发事件的第一监听时间，和前一次监听到用户端发生针对所述当前订单的排队时间预估触发事件的第二监听时间，确定所述第一监听时间和所述第二监听时间之间的时间间隔；
根据所述时间间隔，确定第一遗忘系数以及第二遗忘系数；所述第一遗忘系数和所述第二遗忘系数的和为1；且所述时间间隔越小，所述第一遗忘系数越大；
根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值。
20.根据权利要求19所述的装置，其特征在于，所述时间流速生成模块，用于采用下述步骤根据所述第一遗忘系数、所述第二遗忘系数、前一次模型预估排队时间、前一次提供给所述用户端的排队模拟时间，以及前一次监听到所述用户端发生针对所述当前订单的排队时间预估触发事件后确定的第二时间惩罚值，生成第一时间惩罚值：
计算所述第一遗忘系数与所述第二时间惩罚值的第一乘积；以及
计算所述前一次模型预估排队时间与前一次提供给所述用户端的排队模拟时间之间的差值；并计算所述差值与所述第二遗忘系数的第二乘积；
将所述第一乘积和所述第二乘积的和，作为所述第一时间惩罚值。
21.根据权利要求18所述的装置，其特征在于，所述时间流速生成模块，用于采用下述步骤根据所述第一时间惩罚值以及预设的扩张系数，生成所述时间流速：
将所述扩张系数与所述第一时间惩罚值的乘积，作为双曲正切函数的输入值，并将所述双曲正切函数的输出值与预设补充流速的和，作为所述时间流速。
22.根据权利要求13所述的装置，其特征在于，所述排队模拟时间生成模块，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成当前排队模拟时间：
根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间；
将所述待选排队模拟时间与预设排队时间阈值之间的较大者，作为所述当前排队模拟时间。
23.根据权利要求22所述的装置，其特征在于，所述排队模拟时间生成模块，用于采用下述步骤根据前一次提供给所述用户端的排队模拟时间和所述时间流速，生成待选排队模拟时间：
确定当前监听到用户端发生针对当前订单的排队时间预估触发事件与前一次监听到用户端发生针对当前订单的排队时间预估触发事件之间的时间差；
根据所述时间差以及所述时间流速，计算排队模拟时间差；
根据前一次提供给所述用户端的排队模拟时间与所述排队模拟时间差，计算所述待选排队模拟时间。
24.根据权利要求13所述的装置，其特征在于，所述获取模块，还用于在监听到用户端发生针对当前订单的排队时间预估触发事件之前：
接收用户端发送的所述当前订单的订单信息；
基于预先训练的排队时间预估模型，对接收到所述订单信息时的排队时间进行预估，得到初始的模型预估排队时间，并发送给用户端。
25.一种网络侧设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至12任一所述的排队时间预估方法的步骤。
26.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至12任一所述的排队时间预估方法的步骤。
CN201811123008.1A 2018-09-26 2018-09-26 一种排队时间预估方法以及装置 Active CN110956294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811123008.1A CN110956294B (zh) 2018-09-26 2018-09-26 一种排队时间预估方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811123008.1A CN110956294B (zh) 2018-09-26 2018-09-26 一种排队时间预估方法以及装置

Publications (2)

Publication Number Publication Date
CN110956294A CN110956294A (zh) 2020-04-03
CN110956294B true CN110956294B (zh) 2021-03-23

Family

ID=69964313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811123008.1A Active CN110956294B (zh) 2018-09-26 2018-09-26 一种排队时间预估方法以及装置

Country Status (1)

Country Link
CN (1) CN110956294B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111988478A (zh) * 2020-09-02 2020-11-24 深圳壹账通智能科技有限公司 一种呼入管理方法、装置、服务器及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971170A (zh) * 2014-04-17 2014-08-06 北京百度网讯科技有限公司 一种用于对特征信息的变化进行预测的方法和装置
CN108491951A (zh) * 2018-01-25 2018-09-04 北京三快在线科技有限公司 一种外卖配送时间的预测方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6678613B2 (en) * 2001-09-21 2004-01-13 International Business Machines Corporation Method and apparatus for notifying a user of an appointment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971170A (zh) * 2014-04-17 2014-08-06 北京百度网讯科技有限公司 一种用于对特征信息的变化进行预测的方法和装置
CN108491951A (zh) * 2018-01-25 2018-09-04 北京三快在线科技有限公司 一种外卖配送时间的预测方法、装置及电子设备

Also Published As

Publication number Publication date
CN110956294A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
US11410103B2 (en) Cognitive ride scheduling
CN112000459B (zh) 一种用于服务的扩缩容的方法及相关设备
JP7423517B2 (ja) 配達注文を叶えるために予測時間ベース判定を実行するネットワークコンピュータシステム
US20160300318A1 (en) Fare determination system for on-demand transport arrangement service
US20190208365A1 (en) System and method for managing a mass gathering
CN109120451B (zh) 基于物联网的设备评估方法、设备及计算机可读存储介质
US20200342418A1 (en) Vehicle service center dispatch system
CN111325416A (zh) 预测叫车平台的用户流失的方法和装置
US11222532B2 (en) Traffic control support system, traffic control support method, and program recording medium
US20210069901A1 (en) Control device, control method, and program
CN112435469B (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
US20150294223A1 (en) Systems and Methods for Providing Information for Predicting Desired Information and Taking Actions Related to User Needs in a Mobile Device
CN103885793A (zh) 确定合适的应用的方法、应用确定系统以及应用确定单元
CN113326641B (zh) 路径规划方法、装置、计算机设备及存储介质
CN112256550A (zh) 存储容量预测模型生成方法、存储容量预测方法
CN108307312B (zh) 一种拥堵提示方法、服务器、客户端及存储介质
CN111669727A (zh) 利用移动出行代理管理车辆
KR20190090738A (ko) 사용자 행동 예측 방법 및 사용자 행동 예측 장치
CN110956294B (zh) 一种排队时间预估方法以及装置
CN104616173A (zh) 预测用户流失的方法以及设备
WO2015066029A2 (en) Predicting rental car availability
US20220185135A1 (en) Intelligent Preconditioning for High Voltage Electric Vehicle Batteries
US20220164912A1 (en) Dynamically adjusting a pool of transportation provider devices in a prioritized-dispatch mode using availability indicators
EP3608779A1 (en) Method for processing a predetermined computing task by means of a distributed, vehicle-based computing system as well as computing system, server device, and motor vehicle
US20220004869A1 (en) Event prediction device, event prediction method, and event prediction program

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