CN111353632A - 用于车辆调度和路线选择的系统及方法 - Google Patents
用于车辆调度和路线选择的系统及方法 Download PDFInfo
- Publication number
- CN111353632A CN111353632A CN201911335631.8A CN201911335631A CN111353632A CN 111353632 A CN111353632 A CN 111353632A CN 201911335631 A CN201911335631 A CN 201911335631A CN 111353632 A CN111353632 A CN 111353632A
- Authority
- CN
- China
- Prior art keywords
- data
- fleet
- traffic
- algorithm
- vehicles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 112
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 45
- 230000015654 memory Effects 0.000 claims description 68
- 206010039203 Road traffic accident Diseases 0.000 claims description 10
- 238000012502 risk assessment Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 47
- 238000012545 processing Methods 0.000 description 44
- 238000003860 storage Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 28
- 230000008901 benefit Effects 0.000 description 25
- 230000006870 function Effects 0.000 description 21
- 238000007726 management method Methods 0.000 description 20
- 230000008859 change Effects 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 17
- 238000013500 data storage Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000001413 cellular effect Effects 0.000 description 8
- 230000000670 limiting effect Effects 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000013515 script Methods 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 241000258963 Diplopoda Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0297—Fleet control by controlling means in a control room
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/06—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了“用于车辆调度和路线选择的系统及方法”。公开了用于优化路线中的车辆调度以进行车队管理的系统、方法和计算机可读介质。示例性方法可以包括:确定与车队的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;使用所述一个或多个参数执行至少一种第一基于人工智能(AI)的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
Description
技术领域
本公开涉及用于车辆调度和路线选择的系统、方法及计算机可读介质。
背景技术
对于世界上许多城市和自治区来说,车流拥堵是日益严重的问题。车流拥堵可能会导致时间浪费、附加能耗以及因车辆排放过多而造成的污染。另一方面,车流量可能具有时间不对称性,因为在高峰时段期间道路上可能有大量的车辆,而在非高峰时段中车辆的数量要少得多。
发明内容
本发明针对如何公开用于优化路线中的车辆调度以进行车队管理的系统、方法和计算机可读介质。示例性方法可以包括:确定与车队的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;使用所述一个或多个参数执行至少一种第一基于人工智能(AI)的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
附图说明
图1示出了根据本公开的一个或多个实施例的用于车队管理的示例性非限制性系统的框图。
图2A示出了根据本公开的示例性实施例的平台框架的图式。
图2B示出了根据本公开的示例性实施例的算法工作流的图式。
图3提供了根据本公开的示例性实施例的几个计算实体的示意图。
图4示出了可以与本公开的示例性实施例结合使用的用户装置的说明性示意图。
图5示出了根据本公开的示例性实施例的速度-密度图的曲线。Treiber M、Kesting A.,《车流量动力学》,“车流量动力学:数据、模型和仿真”,柏林海德尔堡施普林格出版社,2013(Treiber M,Kesting A.Traffic flow dynamics.Traffic Flow Dynamics:Data,Models and Simulation,Springer-Verlag Berlin Heidelberg.2013)。
图6示出了根据本公开的示例性实施例的表示与各种运营时间表相关联并处于各种运营时间表下的行驶时间和边际社交行驶时间的曲线的图式。
图7示出了根据本公开的示例性实施例的表示与各种运营时间表相关联并处于各种运营时间表下的行驶时间和边际社交行驶时间的另一曲线的图式。
图8示出了根据本公开的示例性实施例的用于实施车队管理的各方面的示例性流程的图式。
图9示出了根据本公开的示例性实施例的用于一个或多个服务器的示例性服务器架构的图示。
图10示出了可以结合本公开的示例性实施例使用的云计算环境的图式。
具体实施方式
本文描述了本公开的实施例。然而,应理解,所公开的实施例仅仅是示例并且其他实施例可以呈现各种和替代形式。附图不一定按比例绘制;一些特征可能被放大或最小化以示出特定部件的细节。因此,本文公开的具体结构和功能细节并不解释为限制性,而仅仅解释为用于教导所属领域技术人员以各种方式采用本发明的代表性基础。如所属领域一般技术人员将理解,参考任何一个附图示出并描述的各个特征可以与一个或多个其他附图中所示的特征相结合以产生未明确示出或描述的实施例。所示特征的组合提供用于典型应用的代表性实施例。然而,对于特定应用或实现方式来说,可以期望与本公开的教导一致的特征的各个组合和修改。
在各个方面,车流量可能具有时间不对称性,因为在高峰时段期间道路上可能有大量的车辆,而在非高峰时段中车辆的数量要少得多。具体地,对于运行非时间敏感任务的车辆的车队(以下简称为车队),将行驶时间提前或延迟以避开高峰时段车流可以节省时间、节省燃料并减少事故风险。此外,诸如市政府的各种实体可能寻求促进重新调度车队运营时间以便减少高峰时段车流并同时减少排放以及事故。
在各个实施例中,尽管对于给定环境(例如,城市)在宏观水平(例如,车流量水平)下可能难以观察到由于重新调度一辆车或一个车队以避开高峰时段而导致的车流减少,但是可以在微观水平(例如,单一车辆水平)下观察到益处。因此,对于车队本身和它们部署在其中的环境(例如,城市)来说,重新调度车队可能具有各种益处。
在各个实施例中,重新调度车队的运营时间表可能会影响与车队有关的许多参数。例如,就用户(例如,车辆驾驶员和/或客户)的不便和潜在财务损失而言,可能存在诸多成本。相比之下,用户(例如,车队管理者、管理实体、驾驶员和/或客户)可能不清楚重新调度的益处,至少是因为所实现的益处可以取决于几个因素,包括但不限于车队的当前时间表、路线、道路基础设施、车流状况、其组合等。因此,在没有计算工具和移动性数据支持的情况下,车队调度可能以试错法(trial-and-error technique)执行,这可能引发各种相关成本并且可能花费大量时间。此外,尽管付出了很多努力,但是例如至少由于所观察和分析的试验次数有限以及由于数据嘈杂,手动调度仍然可能不是最佳的。
另外,可能存在各种筹运和/或导航工具,所述工具可以用于提供行驶时间估计值以用于车队调度目的。然而,此类运筹和/或导航工具可能无法评估车队时间表优化的其他附带益处,例如,就给定区域的节能和/或事故风险降低度量而言,其他附带益处是可量化的益处。此外,此类工具可能无法评估车队重新调度对车队运营的环境(例如,车队运营的城市)的影响。另一方面,对于诸如城市的相对较大环境,运营重新调度的益处可以取决于本文描述的各种因素。此外,如果仅少量车辆(例如,车辆中的多辆车)调整其时间表,则可能难以观察到各种感兴趣参数(包括但不限于宏观水平的车流、排放和/或事故数据)的相对细微变化。此外,此类宏观水平的益处不仅可能来自车队中重新调度的车辆,而且还可能来自环境中的其他车辆,随着高峰时段车流减少和道路拥堵程度降低,所述其他车辆可能由此而更加顺畅地运行。
在各个方面,在诸如管理实体(例如,城市)的用户与车队运营商之间可能没有明确的通信信道,这可能使得管理实体和车队运营商难以协作地确定车队时间表。在各种实施例中,通过使用移动性大数据并通过构建如本文所述的基于人工智能(AI)的分析算法,可以生成通信信道以服务于车队运营商和管理实体。
图1示出了根据本公开的一个或多个实施例的用于车队管理的示例性非限制性系统的框图。本公开中描述的系统(例如,系统100等)、设备和/或过程的各方面可以构成体现在机器中(例如,体现在与一个或多个机器相关联的一个或多个计算机可读介质(mediums/media)中的机器可执行部件。这样的部件在由一个或多个机器(例如,计算机、计算装置、虚拟机等)执行时可以所述机器执行所描述的操作。
系统100可以可选地包括服务器装置、一种或多种网络以及一个或多个装置(未示出)。系统100还可以包括至少一个处理器102或以其他方式与其相关联,所述至少一个处理器执行存储在存储器104中的计算机可执行部件。系统100还可以包括系统总线106,所述系统总线可以耦合各种部件,包括但不限于数据部件110、处理部件114和分析部件116。系统100可以是可以通信地耦合到装置的任何合适的计算装置或计算装置集合,所述计算装置或计算装置集合的非限制性示例可以包括但不限于服务器计算机、计算机、移动计算机、大型计算机、自动化测试系统、网络存储装置、通信装置、web服务器装置、网络交换装置、网络路由装置、网关装置、网络集线器装置、网桥装置、控制系统或任何其他合适的计算装置。装置可以是可以与系统100传送信息的任何装置和/或可以采用由系统100提供的信息的任何其他合适的装置。应明白,系统100、部件、模型或装置可以配备有通信部件(未示出),所述通信部件使得能够通过一种或多种网络在系统、部件、模型、装置等之间进行通信。
如所指出的,本公开的实施例是针对使用移动性数据和基于AI的分析算法量化车队运营时间表对车队运营和对应环境(例如,城市)的影响来进行车队运营时间表优化。其他实施例是针对为车队运营商和管理实体提供调整车辆运营时间表以在感兴趣环境中实现最佳车流量的装置。
一方面,在本公开的实施例中,数据部件110可以使用一种或多种类型的数据,包括但不限于道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据、其组合等。在另一个实施例中,处理部件114可以使用基于AI的分析算法,所述基于AI的分析算法可以被配置为当另一辆车加入给定路线时计算多个道路上车辆的边际社交行驶时间成本(将在下面进一步描述)。在一个实施例中,由于车队重新调度,边际社交行驶时间可以与各种环境参数(例如,城市交通拥堵程度、排放和事故发生率变化)相关。因此,与处理部件114通信的任何分析部件116都可以确定车队级重新调度对可以被建模和计算的附加参数的影响,所述附加参数包括但不限于劳动时间、能量成本、事故风险等。在另一个实施例中,可以将所确定的信息呈现给一个或多个用户(例如,城市管理实体和车队运营管理者)以提供通信信道以协作地优化给定车辆组(例如,车队)的运营时间表。
在一些方面,与车队相比,各种环境(例如,城市、自治区等)可以从车队时间表更改中不成比例地受益,因为车队运营商可能面临因车队重新调度而带来的附加业务运营不便。因此,可以使用本公开的各种实施例(例如,使用分析部件116)来确定表示重新调度对车队和环境的影响的量化结果,并且生成可以用于帮助用户实现两个实体的最佳折衷的信息。例如,诸如车队运营商的第一用户可以更改车队时间表以例如在减少车流拥堵、排放和事故方面实现城市的社交益处。作为回报,诸如城市管理实体的第二用户能够向车队提供激励(例如,停车特权、折扣等)以补偿由于重新调度而导致的车队的附加业务成本。可以通过本公开的各种实施例来促进此类益处,所述益处包括但不限于由系统提供的信息、由系统生成的分析见解、由系统提供的通信信道、其组合等。
在一个实施例中,各种部件(例如,数据部件110、处理部件114和分析部件116和/或其他部件)可以直接连接或经由一种或多种网络连接。此类网络可以包括有线和无线网络,包括但不限于蜂窝网络、广域网(WAN)(例如,因特网)或局域网(LAN),所述网络的非限制性示例包括蜂窝、WAN、无线保真(Wi-Fi)、Wi-Max、无线LAN(WLAN)、无线电通信、微波通信、卫星通信、光通信、声波通信或任何其他合适的通信技术。此外,已经关于几个部件之间的交互描述了前述系统和/或装置。应明白,此类系统和部件可以包括其中指定的那些部件或子部件、一些指定部件或子部件和/或附加部件。子部件也可以被实施为与其他部件通信耦合而不是包括在父部件中的部件。更进一步地,可以将一个或多个部件和/或子部件组合为单个部件以提供聚合功能性。为了简洁起见,所述部件还可以与在本文中未具体描述但是所属领域技术人员已知的一个或多个其他部件交互。
此外,所执行的一些过程可以由专用计算机执行以在其特定背景中实施与各种类型的神经网络有关的定义任务。本主题的计算机处理系统、方法设备和/或计算机程序产品可以用于解决由于技术、计算机网络、因特网等的进步而引起的新问题。
本文所述的装置和系统(及其各种部件)的实施例可以采用人工智能(AI)来促进自动化本文所述的一个或多个特征(例如,生成路线和车队时间表、生成与路线和车队时间表的影响有关的各种参数等)。所述部件可以采用各种基于AI的方案来实施本文公开的各种实施例/示例。为了提供或帮助本文描述的众多确定(例如,确定、确认、推断、计算、预测、预后、估计、推导、预报、检测、计算),本文描述的部件可以检查它被授予访问权限的数据的整体或子集并且可以提供根据经由事件和/或数据捕获的一组观察推算或确定系统状态、环境等。例如,确定可以用于识别特定的背景或动作,或者可以生成例如对状态的概率分布。所述确定可以是概率性的-也就是说,基于对数据和事件的考虑来计算对感兴趣状态的概率分布。确定还可以指代用于由一组事件和/或数据构成更高级事件的技术。
此类确定可能导致由一组观察到的事件和/或存储的事件数据构造新事件或动作,而不论事件是否在时间上紧密接近以及不论事件和数据是否来自一个或多个事件和数据源。本文公开的部件可以结合执行与所要求保护的主题相结合的自动和/或确定的动作采用经显式训练的(例如,经由训练数据)以及经隐式训练的(例如,经由观察行为、偏好、历史信息、接收外部信息等)各种分类方案和/或系统(例加,支持向量机、神经网络、专家系统、贝叶斯置信网络、模糊逻辑、数据融合引擎等)。因此,分类方案和/或系统可以用于自动学习和执行许多功能、动作和/或确定。
分类器可以将输入属性向量z=(z1,z2,z3,z4,...,zn)映射到输入属于某个类别的置信度,如f(z)=置信度(类别)规定。这样的分类可以采用基于概率和/或统计的分析(例加,考虑到分析实用程序和成本)来确定要自动执行的动作。支持向量机(SVM)可以是可以采用的分类器的示例。SVM通过在可能输入空间中找到超曲面来进行操作,其中超曲面尝试将触发标准与非触发事件分开。直观地,这使得分类适用于接近但与训练数据不同的测试数据。其他有向和无向模型分类方法包括例加朴素贝叶斯、贝叶斯网络、决策树、神经网络、模糊逻辑模型和/或可以采用提供不同独立性模式的概率分类模型。如本文使用的分类还包括用于开发优先级模型的统计回归。
图2A示出了根据本公开的示例性实施例的平台框架的图式。具体地,图2A示出了平台200,所述平台可以用于托管车流相关数据、运行算法以生成对车流模式的分析见解以便于重新调度、向城市和车队两者显示结果以及在城市与车队之间提供通信信道。具体地,移动性数据202部件可以获得并提供地图数据和历史车流数据。在另一个实施例中,可以可选地提供包括车队远程信息处理数据204的附加数据。在一个实施例中,如果车队远程信息处理数据204可用,则可以将车队远程信息处理数据204馈送到移动性数据202中,并且可以使用一种或多种算法206(将在下文进一步描述)来确定车队行程并向用户通知重新调度的潜在节省(例如,节省成本、节省时间等)。在另一个实施例中,如果车队远程信息处理数据204不可用,则平台200对于通过单独web或软件界面将路线输入到系统的车队仍然有用。在另一个实施例中,车队远程信息处理数据204还可以用作表明车队正在按照时间表运营并且有助于所要求保护的社交益处的证据,并且市政府可以使用远程信息处理数据204来监测车队重新调度的影响。
在各个实施例中,算法206可以使用移动性数据202和/或车队远程信息处理数据204来量化对各种度量的影响,所述量度包括但不限于对城市和车队的经济、社交和环境度量;算法206可以生成建议的重新调度选项。在一些实施例中,算法206无法提供单个最优计划,因为这些度量之间的权衡可能很复杂。相反,算法206可以输出用于各种可行的重新调度时间的量化成本和度量,并且遵从用户(例如,城市和车队运营商)来选择给定的重新调度时间。
在另一个实施例中,城市界面208和车队界面212可以包括算法输出,所述算法输出可以通过包括但不限于软件用户界面、一个或多个网页、移动应用程序、其组合等的界面显示给用户(例如,城市和车队运营商)。
在一个实施例中,城市车队通信信道210可以包括例如基于算法206的输出来促进用户(例如,城市和车队运营商)协作的装置。在另一个实施例中,城市-车队通信信道210可以允许城市向车队运营商和用户提供适当的激励(资金、停车特权、其组合等)以重新调度运营。例如,这可能是由于以下事实:分析结果指示一个用户(例如,城市)可能比另一个用户(例如,车队)获得更多益处。
在各个实施例中,城市-车队通信信道210可以通过多种方式来实施。具体地,一个用户(例如,城市)可以使用城市-车队通信信道210广播一个或多个一般策略。其他用户(例如,车队)可以使用城市-车队通信信道210来提交路线和重新调度提议,并且可以向第一用户提供反馈。城市和车队还可以基于数据(例如,移动性数据202和/或车队远程信息处理数据204)和各种分析结果在城市-车队通信信道210上进行协商以实现更好的协作。城市-车队通信信道210也可以被扩展以服务于其他一般的城市-车队通信需求。
图2B示出了根据本公开的示例性实施例的算法工作流的图式。在各个实施例中,图式201的时间222输入可以包括需要优化的变量。在各个实施例中,图式201的成本和度量(例如,车队的劳动时间成本250、车队的能量成本和安全度量252、城市的能量、CO2输出、排放和安全度量254,和/或城市的拥堵度度量256)可以与一个或多个因素(例如,包括但不限于经济、环境、社交益处和政治等的因素)相关,并且用户(例如,车队和城市运营商)能够在内部交易调度时间和相关益处以优化其个人益处。因此,图式201中所示的算法无法提供单个最佳时间222。相反,所述算法可以为不同的可行时间确定量化成本和度量,并且可以允许用户(例如,城市和车队运营商)找到适合他们的解决方案。图式201右侧的成本和度量(例如,车队的劳动时间成本250、车队的能量成本和安全度量252、城市的能量、CO2、排放和安全度量254和/或城市的拥堵度量256)可以包括绝对值(例如,总能耗),或者可以包括相对值(例如,如果将车队调度为比其正常运营时间早一小时,则可以节省行驶时间)。
在各个实施例中,在下面进一步描述算法A1 232、A2 234、A3 242、A4 244、A5 246和A6 248。在另一个实施例中,时间222可以指代车队行驶的开始时间,并且可以用作将由算法优化的变量。在另一个实施例中,各种算法(将要讨论的)可以确定并使用不同时间以便在不同的重新调度运营下为用户(例如,城市和车队)计算度量。
在一个实施例中,历史车流数据224可以指代在不同时间在各个路段上的平均车速数据(例如,历史数据)。历史车流数据224可以从第三方供应商购买,或者可以例如使用车辆远程信息处理数据来生成。
在另一个实施例中,车队路线226可以指代从车队远程信息处理全球定位系统(GPS)数据确定的路线信息,或者可以指代用户(例如,车队管理者)通过系统界面输入的建议路线。在各个实施例中,车队远程信息处理GPS数据可以采用包括噪声的经度和纬度坐标信息的形式。在另一个实施例中,可以使用任何合适的地图匹配算法来将车队远程信息处理GPS数据转换成地图上的一系列路段。在一个实施例中,路段的车流速度228可以包括在不同时间的关于路段的历史车流数据以及时间戳;此外,可以获得行驶时路段的车流速度。
在一个实施例中,路段的速度-密度图230可以指代路段的属性,而与车流状况无关。在另一个实施例中,车流密度越高,车流速度就可能越慢。在道路开始变得拥堵之前,速度可以保持与自由车流速度几乎相同。在某个时刻之后,车流速度可能会随着密度的增加而开始显著降低。下文结合图5示出并描述了示例性速度-密度图230。此外,对于不同道路,速度-密度图230可以略有变化。在另一个实施例中,可以针对单独道路获得速度-密度图230数据。然而,如果无法获得这种单独道路的数据,则可以使用可能在特定路段的限速或自由车流速度下达到饱和的速度-密度图来近似表示速度-密度图230。
在一个实施例中,单一车辆行驶时间238可以指代当车辆在给定时间开始行程时在给定路线上的行驶时间。在另一个实施例中,边际社交行驶时间240可以指代由于一辆车在道路上而在给定环境中用于其他车辆的附加行驶时间。在另一个实施例中,边际社交行驶时间240可以表示微视图(例如,单一车辆级行为)变化与宏视图(例如,城市级影响)变化之间的链接。如下面在图5的速度-密度图中所示,当另一车辆加入道路时,除非车流仍然畅通无阻,否则道路车流密度可能会增加,平均车流速度可能会降低。在另一个实施例中,速度降低可能使道路上的其他车辆花费附加行驶时间。然后,该附加行驶时间可以与诸如总能耗、排放和事故发生率等的各种成本度量相关。具体地,算法A2 234可以在不需要额外的传感器或道路基础设施支持的情况下用于使用可用移动性数据来计算道路上其他车辆的总附加行驶时间。
在一个实施例中,车队的劳动时间成本250可以指代与驾驶和行驶相关联的量化劳动时间成本。在另一个实施例中,车队的能量成本和安全度量252可以指代燃料和/或电成本以及在给定时间在给定路线上行驶的车辆发生事故的风险的量化指标。另一方面,城市的能量、CO2、排放和安全度量254可以指代描述燃料/电力消耗、CO2排放、一般排放和事故的城市级变化的量化指标。此外,城市的拥堵度量256可以指代城市的量化指标以评估道路拥堵水平是否已经改变。
在各个实施例中,A1 232包括用于单一车辆行驶时间估计的算法。可以使用任何合适的估计到达时间(ETA)算法来完成这种估计。在另一个实施例中,使用历史车流数据,所述估计可以包括路段上的行驶时间的总和加上交通信号灯和转弯位置中的时间补偿。
在各个实施例中,A2 234包括用于边际社交行驶时间估计的算法。具体地,如果另一车辆被引导到道路,则边际社交行驶时间可以指代其他车辆的附加行驶时间。所述算法的推导详细地解释如下。一方面,总社交行驶时间可以通过首先确定单一车辆行驶时间来确定。具体地,在路段上的单一车辆行驶时间可以被计算为
其中t可以指代单一车辆行驶时间,V可以指代路段上的平均速度,并且L可以指代路段长度。
在另一个实施例中,车流密度和速度关系可以如下。当道路拥堵时,另一车辆加入道路可能会影响其他车辆的行驶时间。考虑这种影响的一个步骤是找到车流密度与路段速度之间的关系。此外,道路的车流速度-密度图(例如,参见图5和以下相关描述)可以具有以下关系
V=f(ρ)
其中ρ可以指代每个车道的车流密度。此外,f(·)可以指代单调递减函数,这意味着道路上的车辆越多,其余车辆的速度可能就越慢。在一个实施例中,该函数对于不同类型的道路可以略有不同,并且可以从车流仿真或现实世界数据中获得。
在一个实施例中,在长度为L且车流密度为ρ的单车道路段上,该路段上的车辆总数可以被表示为
M=ρL,
其中M可以指代车辆数量。
在许多情况下,实时车流密度ρ可能无法直接获得。然而,此类值可以使用平均速度数据和f(ρ)的逆函数来近似估计,如下式表示
ρ=f-1(V)
在一个实施例中,可以确定全车辆行驶时间。具体地,当车流密度恒定时,所有M个车辆都可以行驶通过长度为L且当前车流密度为ρ的道路边缘;因此,这些受影响车辆的总时间可以被计算为
在一个实施例中,边际社交行驶时间可以如下确定。首先,可以确定对车流密度的干扰以及对全车辆行驶时间的影响。具体地,在当前车流密度ρ0的变化很小时,全车辆行驶时间也将改变。下面的偏导数(partial derivative)可以将这种关系描述为:
在另一个实施例中,如果另一车辆加入道路,则全车辆行驶时间变化可以确定如下。具体地,所有车辆的数量可以与车流密度成比例。当另一车辆加入该路段时,车流密度变化可以被表示为
因此,全车辆行驶时间变化可以被表示为
其中ΔT可以指代与道路网络图上的道路边缘相关联的总行驶时间成本。此外,ΔT中的第一项t可以指代单一车辆行驶时间,它可以近似等于所加入车辆的行驶时间。第二项可以指代加入所有其他车辆的时间,它可以是边际社交行驶时间ΔTs,被表示为:
一方面,因为f′(ρ0)可能总是为非正的,所以边际社交行驶时间可能总是为非负的。
在各个实施例中,A3 242表示用于劳动时间成本估计的算法。具体地,劳动时间成本可以与车辆行驶时间有关。此外,车队的实际成本可以与用户之间的工作合同、总工作时间和加班工时、其组合等相关。在另一个实施例中,如果确定车辆行驶时间,则可以使用为单独车队设计的一个或多个定制估计器来计算各种其他参数。
在各个实施例中,A4 244可以表示用于确定车队能量成本和事故风险的统计分析技术和/或一种或多种机器学习算法。具体地,A4 244可以包括使用统计分析或机器学习算法来使单一车辆行驶时间变化与能量成本和/或事故变化风险相关的技术。在另一个实施例中,通过使用描述移动性的大数据,可以构建模型来使用车队运营参数来描述度量Me(见下文),所述车队运营参数包括行驶时间Tf、行驶距离Df、速度变化Vstd、描述道路或区域信息的参数Rf、其组合等。具体地,Me可以由下式给出
Me=Ff(Tf,Df,Vstd,Rf,...),
其中Me可以表示能量成本或事故风险,而Ff可以表示统计模型或机器学习结果。
在另一个实施例中,如果单一车辆行驶时间变化被确定为ΔTf,则度量变化ΔMe可以近似表示为
在各个实施例中,A5 246可以表示用于统计分析或机器学习以确定城市能量成本、CO2输出、排放和事故的算法。具体地,A5 246可以类似于A4,因为所述算法可以使用统计分析或机器学习算法来将边际社交行驶时间与城市能量成本、CO2、排放和事故风险变化中的一者或多者相关联。利用移动性大数据,可以构建模型来使用城市级移动性参数描述度量Mec,所述参数包括总行驶时间Tc、总行驶距离Dc、速度变化Vstdc、描述道路或区域信息的参数Rc以及其他因素。具体地,
Mec=Fc(Tc,Dc,Vstd,Rc,...),
其中Mec可以是能量成本、CO2输出、排放、事故风险,而Fc可以表示统计模型或机器学习算法。
在各个实施例中,如果边际社交行驶时间变化ΔTs可以被确定,则度量变化可以近似表示为
在各个实施例中,A6 248包括用于拥堵估计的算法。具体地,边际社交行驶时间变化可以被认为是城市拥堵水平的相对指标。此外,当边际社交行驶时间减少时,车辆可以在道路上花费更少时间,这可能意味着可以降低拥堵水平并且可以改善车流状况。此外,边际社交行驶时间的差异可以告知公众可以为行驶节省多少时间。
在各个方面,本公开的实施例是针对调度时间优化。在另一个实施例中,除了调度时间优化之外,还可以例如通过使用任何合适的路线优化技术来优化路线。
图3提供了根据本公开的一个实施例的可以用于执行队列调度和路线选择的几个计算实体的示意图。此外,图3中的计算实体可以结合与上文结合图1至图2示出和描述的一个或多个部件来使用。通常,术语计算实体、计算机、实体、装置、系统和/或本文中可互换使用的类似词语可以指代例如一个或多个计算机、计算实体、台式计算机、移动电话、平板电脑、平板手机、笔记本、膝上型计算机、分布式系统、加密狗、相机、腕带、可穿戴物品/装置、自助服务终端、输入终端、服务器或服务器网络、刀片式服务器、网关、交换机、处理装置、处理实体、机顶盒、中继器、路由器、网络接入点、基站等和/或适于执行本文描述的功能、操作和/或过程的装置或实体的任何组合。此类功能、操作和/或过程可以包括例如传输、接收、操作、处理、显示、存储、确定、创建/生成、监测、评估、比较和/或可互换地使用的类似术语。在一个实施例中,可以对数据、内容、信息和/或本文可互换地使用的类似术语执行这些功能、操作和/或过程。
如所指示的,在一个实施例中,系统300还可以包括用于诸如通过传送数据、内容、信息和/或本文可互换地使用的类似术语与各种计算实体进行通信的一个或多个通信接口320,所述数据、内容、信息和/或类似术语可以被传输、接收、操作、处理、显示、存储等。例如,系统300可以与用户装置和/或各种其他计算实体进行通信。
如图3中所示,在一个实施例中,系统300可以包括经由例如总线与系统300内的其他元件进行通信的一个或多个处理元件305(也被称为处理器、处理电路和/或在本文中可互换地使用的类似术语)或与其通信。如应理解,可以通过多种不同方式来体现处理元件305。例如,处理元件305可以被体现为一个或多个复杂可编程逻辑装置(CPLD)、微处理器、多核处理器、协同处理实体、专用指令集处理器(ASIP)、微控制器和/或控制器。此外,处理元件305可以被体现为一个或多个其他处理装置或电路。术语电路可以指代整个硬件实施例或硬件与计算机程序产品的组合。因此,处理元件305可以被体现为集成电路、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、硬件加速器、其他电路等。因此,如应理解,处理元件305可以被配置用于特定用途,或者被配置成执行存储在易失性或非易失性介质中或者以其他方式可被处理元件305访问的指令。因此,无论是通过硬件或计算机程序产品来配置,还是通过其组合来配置,处理元件305在被相应地配置时都能够执行根据本公开的实施例的步骤或操作。
在一个实施例中,系统300还可以包括非易失性介质(也被称为非易失性存储装置、存储器、记忆存储装置、存储器电路和/或本文可互换地使用的类似术语)或与其进行通信。在一个实施例中,非易失性存储装置或存储器可以包括一个或多个非易失性存储装置或存储器介质310,包括但不限于硬盘、ROM、PROM、EPROM、EEPROM、快闪存储器、MMC、SD存储卡、记忆棒、CBRAM、PRAM、FeRAM、NVRAM、MRAM、RRAM、SONOS、FJG RAM、千足虫存储器、赛道存储器等。如应认识到,非易失性存储装置或存储器介质可以存储数据库、数据库实例、数据库管理系统、数据、应用程序、程序、程序模块、脚本、源代码、目标代码、字节代码、编译代码、解译代码、机器代码、可执行指令等。术语数据库、数据库实例、数据库管理系统和/或本文可互换地使用的类似术语可以指代使用一种或多种数据库模型(诸如层次数据库模型、网络模型、关系模型、实体-关系模型、对象模型、文档模型、语义模型、图解模型等)存储在计算机可读存储介质中的记录或数据的集合。
在一个实施例中,系统300还可以包括易失性介质(也被称为易失性存储装置、存储器、记忆存储装置、存储器电路和/或本文可互换地使用的类似术语)或与其进行通信。在一个实施例中,易失性存储装置或存储器还可以包括一个或多个易失性存储装置或存储器介质315,包括但不限于RAM、DRAM、SRAM、FPM DRAM、EDO DRAM、SDRAM、DDR SDRAM、DDR2SDRAM、DDR3 SDRAM、RDRAM、TTRAM、T-RAM、Z-RAM、RIMM、DIMM、SIMM、VRAM、高速缓冲存储器、寄存器存储器等。如应认识到,易失性存储装置或存储器介质可以用于存储由例如处理元件305执行的数据库、数据库实例、数据库管理系统、数据、应用程序、程序、程序模块、脚本、源代码、目标代码、字节代码、编译代码、解译代码、机器代码、可执行指令等的至少各部分。因此,数据库、数据库实例、数据库管理系统、数据、应用程序、程序、程序模块、脚本、源代码、目标代码、字节代码、编译代码、解译代码、机器代码、可执行指令等可以用于在处理元件305和操作系统的帮助下控制系统300的某些方面的操作。
如所指示的,在一个实施例中,系统300还可以包括用于诸如通过传送数据、内容、信息和/或本文可互换地使用的类似术语与各种计算实体进行通信的一个或多个通信接口320,所述数据、内容、信息和/或类似术语可以被传输、接收、操作、处理、显示、存储等。可以使用有线数据传输协议执行这种通信,所述有线数据传输协议诸如光纤分布式数据接口(FDDI)、数字用户线(DSL)、以太网、异步传输模式(ATM)、帧中继、有线数据服务接口规范(DOCSIS)或任何其他有线传输协议。类似地,系统300可以被配置为使用多种协议中的任一种经由无线外部通信网络进行通信,所述协议诸如通用分组无线服务(GPRS)、通用移动电信系统(UMTS)、码分多址2000(CDMA2000)、CDMA2000 1X(1xRTT)、宽带码分多址(WCDMA)、时分同步码分多址(TD-SCDMA)、长期演进(LTE)、演进型通用陆地无线接入网(E-UTRAN)、演进数据优化(EVDO)、高速分组接入(HSPA)、高速下行链路分组接入(HSDPA)、IEEE 802.11(Wi-Fi)、直连Wi-Fi、802.16(WiMAX)、超宽带(UWB)、红外(IR)协议、近场通信(NFC)协议、Zigbee、蓝牙协议、无线通用串行总线(USB)协议和/或任何其他无线协议。
尽管未示出,但是系统300可以包括一个或多个输入元件或与其通信,所述输入元件诸如键盘输入、鼠标输入、触摸屏/显示器输入、运动输入、移动输入、音频输入、定点装置输入、操纵杆输入、小键盘输入等。系统300还可以包括一个或多个输出元件(未示出)或与其通信,所述输出元件诸如音频输出、视频输出、屏幕/显示器输出、运动输出、移动输出等。
如应明白,一个或多个系统300部件可以远离其他系统300部件定位,诸如在分布式系统中。此外,可以组合一个或多个部件,并且执行本文所述功能的其他部件可以包括在系统300中。因此,系统300可以适于适应各种需求和情况。如应认识到,提供这些架构和描述仅出于示例性目的,并且不限于各个实施例。
用户可以是个人、家庭、公司、组织、实体、组织内的部门、组织和/或个人的代表等。在一个示例中,用户可以是雇员、居民、客户等。例如,用户可以操作用户装置(例如,在下文结合图4示出和描述的用户装置400),所述用户装置包括在功能上与系统300类似的一个或多个部件。
图4提供了表示可以与本公开的实施例结合使用的用户装置或系统的其他装置的说明性示意图。具体地,此类用户装置和/或系统的装置可以用于确定车流信息,执行本文描述的基于AI的算法的各方面,经由用户装置向用户显示并收集反馈、其组合等。在各个实施例中,本文描述的算法可以至少部分地在用户装置上运行,并且可以与运行算法并确定相关信息的集中式服务器进行通信。图4提供了表示可以与本公开的实施例结合使用的用户装置400(例如,智能电话)或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)的说明性示意图。通常,术语装置、系统、计算实体、实体和/或本文中可互换地使用的类似词语可以指代例如一个或多个计算机、计算实体、台式计算机、移动电话、平板电脑、平板手机、笔记本、膝上型计算机、分布式系统、游戏机(例如,Xbox、Play Station、Wii)、手表、眼镜、钥匙扣、射频识别(RFID)标签、耳机、扫描仪、相机、腕带、自助服务终端、输入终端、服务器或服务器网络、刀片式服务器、网关、交换机、处理装置、处理实体、机顶盒、中继器、路由器、网络接入点、基站等和/或适于执行本文描述的功能、操作和/或过程的装置或实体的任何组合。用户装置400可以由各方操作。如图4中所示,用户装置400或系统300的其他装置(例如,相机、GPS接收器、超声接收器、微控制器等)可以包括天线412、发射器404(例如,无线电)、接收器406(例如,无线电)和分别向发射器404和接收器406提供信号并从其中接收信号的处理元件408(例如,CPLD、微处理器、多核处理器、协同处理实体、ASIP、微控制器和/或控制器)。
分别提供给发射器404和从接收器406接收的信号可以包括根据适用无线系统的空中接口标准的信令信息。在这方面,用户装置400或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)可能能够使用一种或多种空中接口标准、通信协议、调制类型和接入类型进行操作。更具体地,用户装置400(例如,智能电话)或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)可以根据诸如上文关于系统300描述的多种无线通信标准和协议中的任一者进行操作。在特定实施例中,用户装置400可以根据多个无线通信标准和协议来操作,所述无线通信标准和协议诸如UMTS、CDMA2000、1xRTT、WCDMA、TD-SCDMA、LTE、E-UTRAN、EVDO、HSPA、HSDPA、Wi-Fi、直连Wi-Fi、WiMAX、UWB、IR、NFC、蓝牙、USB等。类似地,用户装置400可以经由网络接口420根据诸如上文关于网络300描述的多个有线通信标准和协议进行操作。
经由这些通信标准和协议,用户装置400(例如,智能电话)或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)可以使用诸如非结构化补充服务数据(USSD)、短消息服务(SMS)、多媒体消息服务(MMS)、双音多频信令(DTMF)和/或用户身份模块拨号器(SIM拨号器)的概念与各种其他实体进行通信。用户装置400还可以例如将更改、附件和更新下载到其固件、软件(例如包括可执行指令、应用程序、程序模块)和操作系统。
根据一个实施例,用户装置400(例如,智能电话)或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)可以包括位置确定方面、装置、模块、功能性和/或本文可互换地使用的类似词语。例如,用户装置400(例如,智能电话)或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)可以包括户外定位方面,诸如适于获取例如纬度、经度、海拔、地理编码、路线、方向、航向、速度、世界时间(UTC)、日期和/或其他各种信息/数据的定位模块。在一个实施例中,定位模块可以通过识别可见卫星的数量和这些卫星的相对位置来获取数据,有时被称为星历表数据。卫星可以是各种不同的卫星,包括近地轨道(LEO)卫星系统、国防部(DOD)卫星系统、欧盟伽利略定位系统、中国指南针导航系统、印度区域导航卫星系统等。替代地,可以通过对用户装置400的位置进行三角测量与包括蜂窝塔、Wi-Fi接入点等的各种其他系统相结合来确定位置信息。类似地,用户装置400可以包括室内定位方面,诸如适于获取例如纬度、经度、高度、地理编码、路线、方向、航向、速度、时间、日期和/或各种其他信息/数据的定位模块。一些室内系统可以使用各种定位技术,包括RFID标签、室内信标或发射器、Wi-Fi接入点、蜂窝塔、附近计算装置(例如智能电话、膝上型计算机)等。例如,此类技术可以包括iBeacon、云台(Gimbal)接近信标、低功耗蓝牙(BLE)发射器、NFC发射器等。这些室内定位方面可以用于多种环境中以确定数英寸或数厘米以内某人或某物的位置。
用户装置400(例如,智能电话)或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)也可以包括用户界面(其可以包括耦合到处理元件408的显示器416)和/或用户输入接口(其耦合到处理元件408)。例如,用户界面可以是在用户装置400上执行和/或可经由用户装置访问以如本文所述的那样与系统300交互和/或导致显示来自系统的信息的用户应用程序、浏览器、用户界面和/或本文可互换地使用的类似词语。用户输入接口可以包括允许用户装置400接收数据的多个装置或接口中的任一者,诸如小键盘418(硬或软)、触摸显示器、语音或运动接口或其他输入装置。在包括小键盘418的实施例中,小键盘418可以包括(或导致显示)常规数字(0至9)和相关键(#、*)以及用于操作用户装置400的其他键,并且可以包括全套字母键或可以被激活以提供全套字母数字键的一组键。除了提供输入之外,用户输入界面还可以用于例如激活或停用某些功能,诸如屏幕保护程序和/或睡眠模式。
用户装置400(例如,智能电话)或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)也可以包括易失性存储装置或存储器422和/或非易失性存储装置或存储器424,它们可以被嵌入和/或可以是可移除的。例如,非易失性存储器可以是ROM、PROM、EPROM、EEPROM、快闪存储器、MMC、SD存储卡、记忆棒、CBRAM、PRAM、FeRAM、NVRAM、MRAM、RRAM、SONOS、FJG RAM、千足虫存储器、赛道存储器等。易失性存储器可以是RAM、DRAM、SRAM、FPM DRAM、EDO DRAM、SDRAM、DDR SDRAM、DDR2 SDRAM、DDR3 SDRAM、RDRAM、TTRAM、T-RAM、Z-RAM、RIMM、DIMM、SIMM、VRAM、高速缓冲存储器、寄存器存储器等。易失性和非易失性存储装置或存储器可以存储数据库、数据库实例、数据库管理系统、数据、应用程序、程序、程序模块、脚本、源代码、目标代码、字节代码、编译代码、解译代码、机器代码、可执行指令等以实施用户装置400的功能。如所指示的,这可以包括常驻在实体上或者可通过浏览器或用于与系统300和/或各种其他计算实体进行通信的其他用户界面访问的用户应用程序。
在另一个实施例中,用户装置400(例如,智能电话)或系统300的其他装置(例如,相机、GPS接收器、超声波接收器、微控制器等)可以包括相与如上文更详细描述的系统300相同或类似的一个或多个部件或功能性。如应认识到,提供这些架构和描述仅出于示例性目的,并且不限于各个实施例。
图5示出了根据本公开的示例性实施例的速度-密度图的曲线。具体地,速度-密度图500可以包括y轴502,所述y轴以公里每小时为单位表示速度大小。此外,速度-密度图500可以包括x轴504,所述x轴可以每公里每车道车辆数为单位表示车辆密度。此外,诸如速度-密度图500的速度-密度图的曲线可以因不同道路而略有变化。在另一个实施例中,可以针对给定区域中的单独道路获得用于确定速度-密度图500的数据。然而,如果无法获得这种单独道路的数据,则可以使用在特定路段的限速或自由车流速度下达到饱和的一个速度-密度图来近似表示实际速度-密度图。在各个实施例中,可以从一个或多个用户装置(例如,在上文结合图4示出和描述的用户装置400)获得用于生成速度-密度图500的数据。
如速度-密度图500中所示,当另一车辆加入道路时,除非车流畅通无阻,否则道路车流密度可能会增加,平均车流速度可能会降低。在另一个实施例中,速度降低可能使道路上的其他车辆花费附加行驶时间。此外,该附加行驶时间可以与各种成本度量相关,所述成本度量包括但不限于总能耗、排放和事故发生率等,如本文中例如在上文关于图2A和图2B所进行各种描述的。具体地,图2B的算法A2 234可以在不需要额外的传感器或道路基础设施支持的情况下用于使用可用移动性数据来计算道路上其他车辆的总附加行驶时间。
在各个实施例中,道路的车流速度-密度图500可以表示以下数学关系:
V=f(ρ)
其中ρ可以指代每个车道的车流密度。此外,f(·)可以指代单调递减函数。因此,道路上的车辆越多,道路上的其余车辆就可能越慢。这种函数基于不同类型的道路可以略有不同,并且可以从车流仿真或现实世界数据中获得。
在以下描述中,示例性数据和输出在下文进行描述并且与图6和图7的图式有关。具体地,图6示出了根据本公开的示例性实施例的表示与各种运营时间表相关联并处于各种运营时间表下的行驶时间和边际社交行驶时间的曲线的图式。提供了平台应用程序的示例,所述平台应用程序示出了上文图2的A1 232和A2 234的实施结果。此外,提供使用图2的简化的A3 242和A6 248进行的分析。
具体地,算法A1 232和A2 234可以应用于在市区中运行的两个不同车队跨越一周持续时间的数据。一方面,车队A可以包括可以共同行驶约23,000km的63辆车。车队B可以包括共同行驶约7,000km的16辆车。在另一个实施例中,两个车队运营特性可以在时间和区域方面不同。此外,数据(例如,车队远程信息处理数据、第三方历史车流数据等)可以用于分析。
在各个实施例中,在图6中示出了在不同运营时间表下的车队A的车队行驶时间606和边际社交行驶成本时间608。具体地,y轴602可以小时为单位表示行驶行驶时间和边际社交行驶时间,而x轴604可以小时为单位表示更改时间,所述更改时间可以表示相对于车队运行的实际运营时间的相对调度时间变化。
图7示出了根据本公开的示例性实施例的表示与各种运营时间表相关联并处于各种运营时间表下的行驶时间和边际社交行驶时间的另一曲线的图式。在各个实施例中,在图7中示出了在不同运营时间表下的车队B的车队行驶时间706和边际社交行驶成本时间708。具体地,y轴702可以小时为单位表示行驶行驶时间和边际社交行驶时间,而x轴704可以小时为单位表示更改时间,所述更改时间可以表示相对于车队运行的实际运营时间的相对调度时间变化。
图6的图示600和图7的图示700指示对于车队A和B两者,城市可以通过比车队更早地进行重新调度而获得更大的时间益处(例如,边际社交时间成本的更大幅减少)。具体地,对于车队A,如果运营更改提前少于约2小时,则益处可能会相对较小,而如果时间表更改提前大于约2小时,则益处可能会快速增长。对于B车队,即使更改提前了半小时,也可以实现时间益处(例如,为车队节省了大约10个小时,而为城市节省了大约30个小时)。因此,这些结果指示:(1)重新调度车队的益处可能是复杂的并且取决于几个复杂变量,并且可能需要使用移动性数据进行逐案分析,并且(2)城市可能会获得比车队本身相对更大的益处。因此,可能希望量化对每个用户(例如,城市和车队运营商)的益处,并在城市与车队之间创建通信信道以促进重新调度,从而为双方带来更好的净益处。
图8示出了根据本公开的示例性实施例的用于实施车队管理的各方面的示例性流程的图式。在框802处,过程800包括确定与车队中的至少一个第一车辆的一条或多条路线相关联的车流数据并根据车流数据确定一个或多个参数。在另一个实施例中,数据部件(例如,上文结合图1示出和描述的数据部件110)可以确定车流数据。此外,车流数据还可以包括任何合适的数据,包括但不限于道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。车流数据包括历史车流数据和近实时车流数据。
在框804处,过程800包括使用一个或多个参数执行至少一种第一基于AI的算法以确定与一个或多个第二车辆相关联的社交行驶时间。在一个实施例中,处理部件(例如,上文结合图1示出和描述的处理部件114)可以确定第一基于AI的算法。此外,至少一种第一基于AI的算法可以包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。在另一个实施例中,一个或多个参数可以包括一系列路段、与路段相关联的车流速度或与路段相关联的速度-密度图中的至少一者。
在框806处,过程800包括至少部分地基于社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。此外,一个或多个影响参数可以包括劳动成本、能量成本或安全度量中的一者或多者。在另一个实施例中,一个或多个影响参数可以包括能量成本、排放成本、安全度量或与车队相关联的环境的拥堵程度中的一者或多者。在各个实施例中,第二基于AI的算法可以由上述处理部件执行,或者可以由分析部件(例如,类似于上文图1的分析部件116)执行。在另一个实施例中,第二基于AI的算法可以包括劳动时间成本估计算法、车队能量成本和事故风险评估算法、城市能量成本估计算法、排放和事故评估算法或拥堵估计算法中的一者或多者。在一个实施例中,确定与一个或多个第二车辆相关联的社交行驶时间可以包括确定在另一车辆加入一条或多条路线中的一条路线时与一个或多个第二车辆相关联的边际社交行驶时间成本。在其他实施例中,可以将与一个或多个参数相关联的信息或者一个或多个影响参数显示给一个或多个用户(例如,城市实体和/或车队运营人员)。
图9是根据本公开的一个或多个实施例的用于一个或多个服务器900的示例性服务器架构的示意图。图9的示例中所示的服务器900可以对应于服务器,所述服务器可以由车辆在与车辆或用户装置相关联的网络上使用。此外,服务器900可以用于执行本文所述的任何算法,并且可以从车辆(例如,车辆940)的各种装置收集信息,以便实施本文所述的任何技术(例如,用于车队管理和调度的基于AI的算法)。此外,车辆940可以表示车队中的一辆车,如本文中进行各种描述。在一个实施例中,服务器900可以包括可以用于存储和传输信息的基于云的服务器。在各种实施例中,一些或所有单独的部件可以是可选的和/或不同的。在一些实施例中,图9中描述的服务器中的至少一者可以位于自主车辆中。
服务器900可以与车辆940、一个或多个第三方服务器944以及一个或多个用户装置950进行通信。车辆940可以与一个或多个用户装置950进行通信。此外,服务器900、车辆940、第三方服务器944和/或用户装置950可以被配置为经由一种或多种网络942进行通信。车辆940可以另外经由诸如蓝牙或近场通信的连接协议与用户装置950进行无线通信。这样的网络942可以包括但不限于任何一种或多种不同类型的通信网络,诸如例如有线网络、公共网络(例如,因特网)、专用网络(例如,帧中继网络)、无线网络、蜂窝网络、电话网络(例如,公共交换电话网络),或任何其他合适的专用或公共分组交换或电路交换网络。此外,这样的网络可以具有与其相关联的任何合适的通信范围,并且可以包括例如全球网络(例如,因特网)、城域网(MAN)、广域网(WAN)、局域网(LAN)或个人局域网(PAN)。另外,这样的网络可以包括用于通过任何合适类型的介质传输网络流量的通信链路和相关联的联网装置(例如,链路层交换机、路由器等),所述介质包括但不限于同轴电缆、双绞线(例如,双绞铜线)、光纤、混合光纤同轴(HFC)介质、微波介质、射频通信介质、卫星通信介质或其任何组合。
在说明性配置中,服务器900可以包括一个或多个处理器902、一个或多个存储器装置904(在本文中也被称为存储器904)、一个或多个输入/输出(I/O)接口906、一个或多个网络接口908、一个或多个传感器或传感器接口910、一个或多个收发器912、一个或多个可选显示部件914、一个或多个可选扬声器/相机/传声器916和数据存储装置920。服务器900还可以包括功能性地耦合服务器900的各种部件的一根或多根总线918。服务器900还可以包括一个或多个天线930,所述天线可以包括但不限于用于向蜂窝网络基础设施发射信号或从蜂窝网络基础设施接收信号的蜂窝天线、用于向接入点(AP)发射Wi-Fi信号或从接入点(AP)接收Wi-Fi信号的天线、用于从全球导航卫星系统(GNSS)卫星接收GNSS信号的GNSS天线、用于发射或接收蓝牙信号的蓝牙天线、用于发射或接收近场通信(NFC)信号的NFC天线,等等。在下文中将更详细地描述这些各种部件。
一根或多根总线918可以包括系统总线、存储器总线、地址总线或消息总线中的至少一者,并且可以允许在服务器900的各种部件之间交换信息(例如,数据(包括计算机可执行代码)、信令等)。一根或多根总线918可以包括但不限于存储器总线或存储器控制器、外围总线、加速图形端口等等。一根或多根总线918可以与任何合适的总线架构相关联。
服务器900的存储器904可以包括易失性存储器(当被供电时保持其状态的存储器),诸如随机存取存储器(RAM),和/或非易失性存储器(即使在未被供电时也保持其状态的存储器),诸如只读存储器(ROM)、快闪存储器、铁电RAM(FRAM)等等。如本文中所使用的术语持久性数据存储装置可以包括非易失性存储器。在某些示例性实施例中,易失性存储器可以实现比非易失性存储器更快的读/写访问。然而,在某些其他示例性实施例中,某些类型的非易失性存储器(例如,FRAM)可以实现比某些类型的易失性存储器更快的读/写访问。
数据存储装置920可以包括可移除的存储装置和/或不可移除的存储装置,包括但不限于磁存储装置、光盘存储装置和/或磁带存储装置。数据存储装置920可以提供计算机可执行指令和其他数据的非易失性存储。
数据存储装置920可以存储可以加载到存储器904中并且可由处理器902执行以使得处理器902执行或发起各种操作的计算机可执行代码、指令等。数据存储装置920可以另外存储可以被复制到存储器904以供处理器902在执行计算机可执行指令期间使用的数据。更具体地,数据存储装置920可以存储一个或多个操作系统(O/S)922;一个或多个数据库管理系统(DBMS)924;以及一个或多个程序模块、应用程序、引擎、计算机可执行代码、脚本等。这些部件中的一些或全部部件可以是子部件。被描绘为存储在数据存储装置920中的任何部件都可以包括软件、固件和/或硬件的任何组合。软件和/或固件可以包括可以被加载到存储器904中以供处理器902中的一个或多个执行的计算机可执行代码、指令等。被描绘为存储在数据存储装置920中的任何部件都可以支持参考本公开中先前命名的对应部件描述的功能性。
处理器902可以被配置为访问存储器904并执行加载在其中的计算机可执行指令。例如,处理器902可以被配置为执行服务器900的各种程序模块、应用程序、引擎等的计算机可执行指令,以使得或促进根据本公开的一个或多个实施例执行各种操作。处理器902可以包括能够接受数据作为输入、根据存储的计算机可执行指令处理输入数据并生成输出数据的任何合适的处理单元。处理器902可以包括任何类型的合适处理单元。
现在参考被描绘为存储在数据存储装置920中的其他说明性部件,O/S 922可以从数据存储装置920加载到存储器904中,并且可以提供在服务器900上执行的其他应用软件与服务器900的硬件资源之间的接口。
DBMS 924可以加载到存储器904中,并且可以支持用于访问、检索、存储和/或操纵存储在存储器904中的数据和/或存储在数据存储装置920中的数据的功能性。DBMS 924可以使用各种数据库模型中的任一种(例如,关系模型、对象模型等),并且可以支持各种查询语言中的任一种。
现在参考服务器900的其他说明性部件,输入/输出(I/O)接口906可以促进服务器900从一个或多个I/O装置接收输入信息以及促进将信息从服务器900输出到一个或多个I/O装置。I/O装置可以包括各种部件中的任何一种,诸如具有触摸表面或触摸屏的显示器或显示屏;用于产生声音的音频输出装置,诸如扬声器;音频捕获装置,诸如传声器;图像和/或视频捕获装置,诸如相机;触觉单元;等等。I/O接口906还可以包括与天线930中的一个或多个的连接,以经由无线局域网(WLAN)(诸如Wi-Fi)无线电、蓝牙、ZigBee和/或无线网络无线电(诸如能够与诸如长期演进(LTE)网络、WiMAX网络、3G网络、ZigBee网络等无线通信网络通信的无线电)连接到一种或多种网络。
服务器900还可以包括一个或多个网络接口908,服务器900可以经由所述网络接口与各种其他系统、平台、网络、装置等等中的任一者进行通信。网络接口908可以实现例如经由一种或多种网络与一个或多个无线路由器、一个或多个主机服务器、一个或多个web服务器等进行通信。
传感器/传感器接口910可以包括任何适当类型的感测装置接口或者能够与其对接,所述感测装置接口诸如例如惯性传感器、力传感器、热传感器、光电管等等。
显示部件914可以包括一个或多个显示层,诸如LED或LCD层、触摸屏层、保护层和/或其他层。可选相机916可以是被配置为捕获环境光或图像的任何装置。可选扬声器/传声器916可以是被配置为接收模拟声音输入/输出或语音数据的任何装置。扬声器/传声器916可以包括用于捕获或发出声音的扬声器和传声器。
应明白,在图9中被描绘为存储在数据存储装置920中的程序模块、应用程序、计算机可执行指令、代码等仅仅是示例性的而不是穷举的,并且被描述为由任何特定模块支持的处理可以替代地分布在多个模块上或由不同模块执行。
还应明白,在不脱离本公开的范围的情况下,服务器900可以包括除了所描述或描绘的那些之外的备选和/或附加硬件、软件或固件部件。
用户装置950可以包括一个或多个计算机处理器952、一个或多个存储装置954以及一个或多个应用程序,诸如应用程序956。其他实施例可以包括不同部件。
处理器952可以被配置为访问存储器954并执行加载在其中的计算机可执行指令。例如,处理器952可以被配置为执行装置的各种程序模块、应用程序、引擎等的计算机可执行指令,以使得或促进根据本公开的一个或多个实施例执行各种操作。处理器952可以包括能够接受数据作为输入、根据存储的计算机可执行指令处理输入数据并生成输出数据的任何合适的处理单元。处理器952可以包括任何类型的合适处理单元。
存储器954可以包括易失性存储器(当被供电时保持其状态的存储器),诸如随机存取存储器(RAM),和/或非易失性存储器(即使在未被供电时也保持其状态的存储器),诸如只读存储器(ROM)、快闪存储器、铁电RAM(FRAM)等等。如本文中所使用的术语持久性数据存储装置可以包括非易失性存储器。在某些示例性实施例中,易失性存储器可以实现比非易失性存储器更快的读/写访问。然而,在某些其他示例性实施例中,某些类型的非易失性存储器(例如,FRAM)可以实现比某些类型的易失性存储器更快的读/写访问。
现在参考用户装置950支持的功能性,应用程序956可以是处理器952可执行的移动应用程序,所述移动应用程序可以用于呈现选项和/或接收与所公开的实施例有关的信息的用户输入。另外,用户装置950可以经由网络942和/或直接连接(可以是无线或有线连接)与车辆940进行通信。用户装置950可以包括相机、扫描仪、生物读取器等以捕获用户的生物特征数据,在生物特征日期执行特定处理步骤,诸如从所捕获的生物特征数据中提取特征,然后将这些提取的特征传送到一个或多个远程服务器,诸如基于云的服务器中的一者或多者。
应明白,在图9中被描绘为存储在数据存储装置920中的程序模块、应用程序、计算机可执行指令、代码等仅仅是示例性的而不是穷举的,并且被描述为由任何特定模块支持的处理可以替代地分布在多个模块上或由不同模块执行。
还应明白,在不脱离本公开的范围的情况下,服务器900可以包括除了所描述或描绘的那些之外的备选和/或附加硬件、软件或固件部件。
图10示出了可以结合本公开的示例性实施例使用的云计算环境的图式。如所提及的,结合本公开使用的一个或多个数据库可以包括存储或托管在云计算平台上的数据库。例如,数据库可以包括车流数据、远程信息处理数据等,并且可以进一步用于运行本文所述的一种或多种基于AI的算法。应理解,尽管本公开包括关于云计算的详细描述,但是本文所述的教导的实施不限于云计算环境。相反,本发明的实施例能够结合现在已知或后续开发的任何其他类型的计算环境来实施。
云计算是一种服务交付模型,其用于实现对可配置计算资源(例如,网络、网络带宽、服务器、处理、存储器、存储装置、应用程序、虚拟机和服务)的共享池的便捷、按需网络访问,所述可配置计算资源可以通过最少的管理工作或与服务提供商的交互来快速配置和发布。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。
特性如下:
按需自助服务:云消费者可以根据需要自动单方面提供计算功能,诸如服务器时间和网络存储,而无需与服务提供商进行人工交互。
宽带网络接入:通过网络提供功能,并通过标准机制访问功能,所述标准机制促进异构瘦客户端或胖客户端平台(例如,移动电话、膝上型计算机和PDA)的使用。
资源池:提供商的计算资源汇集在一起以使用多租户模型为多个消费者提供服务,其中根据需求动态分配和重新分配不同的物理和虚拟资源。存在位置独立感,因为消费者通常不控制或不了解所提供的资源的确切位置,但是能够指定更高抽象级别(例如,国家、州或数据中心)处的位置。
快速弹性:可以快速地且弹性地提供功能,在一些情况下可以自动提供功能以快速向外扩展并快速发布功能以快速向内扩展。对于消费者来说,可用于提供的功能通常表现为无限的,并可以随时购买任何的数量。
可计量的服务:云系统通过在适合服务类型的某种抽象级别(例如,存储、处理、带宽和活动用户账户)上利用计量功能来自动控制和优化资源使用。可以监测、控制和报告资源使用,从而为所利用的服务的提供商和消费者两者提供透明性。
服务模型如下:
软件即服务(SaaS):提供给消费者的功能是使用在云基础设施上运行的提供商的应用程序。可以通过诸如web浏览器(例如,基于web的电子邮件)等瘦客户端接口从各种客户端装置访问应用程序。消费者不管理或控制底层云基础设施,包括网络、服务器、操作系统、存储甚至单独的应用程序功能,其中可能的例外是有限的用户特定应用程序配置设置。
平台即服务(PaaS):提供给消费者的功能是将使用由提供商支持的编程语言和工具创建的消费者创建或获取的应用程序部署到云基础设施上。消费者不管理或控制底层云基础设施,包括网络、服务器、操作系统或存储,而是控制已部署的应用程序以及可能的应用程序托管环境配置。
基础设施即服务(IaaS):提供给消费者的能力是提供处理、存储、网络和其他基本计算资源,其中消费者能够部署和运行可以包括操作系统和应用程序的任意软件。消费者不管理或控制底层云基础设施,而是控制操作系统、存储、部署的应用程序,以及可能有限地控制选定网络部件(例如,主机防火墙)。
部署模型如下:
私有云:仅为组织操作云基础设施。它可以由组织或第三方管理,并且可以存在于本地或外部。
社区云:云基础设施由几个组织共享,并支持共享关注点(例如,任务、安全要求、策略和合规性考虑因素)的特定社区。它可以由组织或第三方管理,并且可以存在于本地或外部。
公共云:云基础设施可供一般公众或大型行业组织使用,并由销售云服务的组织所有。
混合云:云基础设施由两个或多个云(私有云、社区云或公共云)组成,这些云仍然是独特的实体,但通过标准化或专有技术绑定在一起,从而实现数据和应用程序的可移植性(例如,用于云之间的负载平衡的云爆发)。
云计算环境是面向服务的,关注无状态、低耦合、模块化和语义互操作性。云计算的核心是包括互连节点网络的基础设施。
现在参考图10,描绘了说明性云计算环境1000。为了简洁起见,省略了在本文描述的其他实施例中采用的类似元件的重复描述。如所示,云计算环境1000包括一个或多个云计算节点1002,云消费者所使用的本地计算装置(诸如例如个人数字助理(PDA)或蜂窝电话1004、台式计算机1006、膝上型计算机1008和/或汽车计算机系统1010)可以与所述云计算节点进行通信。节点1002可以彼此通信。它们可以在一个或多个网络中物理地或虚拟地分组(未示出),诸如例如如上所述的私有云、社区云、公共云或混合云或者它们的组合。这允许云计算环境1000提供基础设施即服务、平台即服务和/或软件即服务,因此,云消费者不需要维护本地计算装置上的资源的服务。应理解,图10中所示的计算装置1004至1010的类型仅意图为说明性的,并且计算节点1002和云计算环境1000可以通过任何类型的网络和/或网络可寻址连接(例如,使用web浏览器)与任何类型的计算机化装置通信。
图1至图10的方法、过程流和用例的一个或多个操作可以通过具有图9至图10中所描绘的说明性配置的装置或者更具体地通过可在这种装置上执行的一个或多个引擎、程序模块、应用程序等来执行。然而,应明白,可以结合许多其他装置配置来实施此类操作。
在图1至图10的说明性方法和过程流和图式中描述和描绘的操作可以按在本公开的各种示例性实施例中所需要的任何合适的顺序来实施或执行。另外,在某些示例性实施例中,操作的至少一部分可以并行实施。此外,在某些示例性实施例中,与结合图1至图10中描绘和描述的那些操作相比,可以执行更少、更多或不同的操作。
尽管已经描述了本公开的特定实施例,但是所属领域普通技术人员将认识到,许多其他修改和替代实施例都在本公开的范围内。例如,关于特定装置或部件描述的任何功能性和/或处理能力可以由任何其他装置或部件执行。此外,尽管已经根据本公开的实施例描述了各种说明性实现方式和架构,但是所属领域普通技术人员将明白,对本文描述的说明性实现方式和架构的许多其他修改也在本公开的范围内。
框图和流程图的框支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合,以及用于执行指定功能的程序指令装置。还应理解,框图和流程图中的每个框以及框图和流程图中的框的组合可以由执行指定功能、元件或步骤的基于专用硬件的计算机系统、或专用硬件和计算机指令的组合来实施。
软件部件可以用各种编程语言中的任何一种进行编码。说明性编程语言可以是较低级编程语言,诸如与特定硬件架构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件部件可能需要在由硬件架构和/或平台执行之前由汇编器转换成可执行机器代码。
软件部件可以存储为文件或其他数据存储结构。类似类型或功能相关的软件部件可以一起存储,诸如例如,存储在特定目录、文件夹或存储库中。软件部件可以是静态的(例如,预先建立的或固定的)或动态的(例如,在执行时创建或修改)。
通过各种机制中的任何一种可以调用其他软件部件或其他软件部件可以调用所述软件部件。被调用的或调用软件部件可以包括其他定制开发的应用软件、操作系统功能性(例如,装置驱动程序、数据存储(例如,文件管理)程序、其他常见程序和服务等)或第三方软件部件(例如,中间件、加密或其他安全软件、数据库管理软件、文件传输或其他网络通信软件、数学或统计软件、图像处理软件和格式转换软件)。
与特定解决方案或系统相关联的软件部件可以常驻在单个平台上并在其上执行,或者可以跨多个平台分布。多个平台可以与一个以上的硬件供应商、底层芯片技术或操作系统相关联。此外,与特定解决方案或系统相关联的软件部件最初可以用一种或多种编程语言编写,但是也可以调用用另一种编程语言编写的软件部件。
可以将计算机可执行程序指令加载到专用计算机或其他特定机器、处理器或其他可编程数据处理设备上以产生特定机器,使得在计算机、处理器或其他可编程数据处理设备上执行指令使得执行在流程图中指定的一个或多个功能或操作。这些计算机程序指令还可被存储在计算机可读存储介质(CRSM)中,所述计算机可读存储介质在执行时可以指导计算机或其他可编程数据处理设备以特定方式起作用,使得存储在计算机可读存储介质中的指令产生包括实施在流程图中指定的一个或多个功能或操作的指令装置的制品。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上,以使得在计算机或其他可编程设备上执行一系列操作元件或步骤以产生计算机实施的过程。
尽管已经用结构特征和/或方法动作特定的语言描述了实施例,但是应理解,本公开不必限于所描述的具体特征或动作。相反,将具体特征和动作公开为实施实施例的说明性形式。除非另有具体陈述或另外在上下文中如使用的那样理解,条件性语言(诸如尤其是“可以(can)”、“可能(could)”、“可能(might)”或“可以(may)”)通常表达某些实施例可以包括而其他实施例不包括某些特征、元件和/或步骤。因此,这种条件性语言一般不旨在暗示特征、元件和/或步骤无论如何都是一个或多个实施例所必需的,或者一个或多个实施例在有或没有用户输入或提示的情况下都一定包括用于决定任何特定实施例中是否包括或将会执行此类特征、元件和/或步骤的逻辑。
本公开的示例性实施例可以包括以下示例中的一者或多者:
在示例1中,描述了一种装置,所述装置包括:至少一个存储器,其包括计算机可执行指令;以及一个或多个计算机处理器,其被配置为访问所述至少一个存储器并执行所述计算机可执行指令以:确定与车队的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;使用所述一个或多个参数执行至少一种第一基于人工智能(AI)的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
在示例2中,所述车流数据可以包括道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。
在示例3中,所述一个或多个影响参数可以包括劳动成本、能量成本或安全度量中的一者或多者。
在示例4中,所述一个或多个影响参数可以包括能量成本、排放成本、安全度量或与所述车队相关联的环境的拥堵程度中的一者或多者。
在示例5中,所述至少一种第一基于AI的算法可以包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。
在示例6中,所述至少一种第二基于AI的算法可以包括劳动时间成本估计算法、车队能量成本和事故风险评估算法、城市能量成本估计算法、排放和事故评估算法或拥堵估计算法中的一者或多者。
在示例7中,所述一个或多个参数可以包括一系列路段、与所述路段相关联的车流速度或与所述路段相关联的速度-密度图中的至少一者。
在示例8中,所述车流数据可以包括历史车流数据和近实时车流数据。
在示例9中,示例1的所述一个或多个计算机处理器可以被配置为执行所述计算机可执行指令以确定与所述一个或多个第二车辆相关联的所述社交行驶时间,还包括用于确定在另一车辆加入所述一条或多条路线中的一条路线时与所述一个或多个第二车辆相关联的边际社交行驶时间成本的计算机可执行指令。
在示例10中,所述一个或多个计算机处理器可以被配置为执行用于使与所述一个或多个参数相关联的信息或者所述一个或多个影响参数显示给一个或多个用户的所述计算机可执行指令。
在示例11中,描述了一种方法,所述方法包括:确定与车队的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;使用所述一个或多个参数执行至少一种第一基于AI的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
在示例12中,所述数据还可以包括道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。
在示例13中,所述一个或多个影响参数可以包括劳动成本、能量成本或安全度量中的一者或多者。
在示例14中,所述一个或多个影响参数可以包括能量成本、排放成本、安全度量或与所述车队相关联的环境的拥堵程度中的一者或多者。
在示例15中,所述至少一种第一基于AI的算法可以包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。
在示例16中,描述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以存储计算机可执行指令,所述计算机可执行指令在由处理器执行时使所述处理器执行包括以下步骤的操作:确定与车队的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;使用所述一个或多个参数执行至少一种第一基于人工智能(AI)的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
在示例17中,所述车流数据还可以包括道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。
在示例18中,所述一个或多个影响参数可以包括劳动成本、能量成本或安全度量中的一者或多者。
在示例19中,所述一个或多个影响参数可以包括能量成本、排放成本、安全度量或与所述车队相关联的环境的拥堵程度中的一者或多者。
在示例20中,所述至少一种第一基于AI的算法可以包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。
根据本发明,提供了一种装置,所述装置具有:至少一个存储器,其包括计算机可执行指令;以及一个或多个计算机处理器,其被配置为访问所述至少一个存储器并执行所述计算机可执行指令以:确定与车队的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;使用所述一个或多个参数执行至少一种第一基于人工智能(AI)的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
根据一个实施例,所述车流数据还包括道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。
根据一个实施例,所述一个或多个影响参数包括劳动成本、能量成本或安全度量中的一者或多者。
根据一个实施例,所述一个或多个影响参数包括能量成本、排放成本、安全度量或与所述车队相关联的环境的拥堵程度中的一者或多者。
根据一个实施例,所述至少一种第一基于AI的算法包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。
根据一个实施例,所述至少一种第二基于AI的算法包括劳动时间成本估计算法、车队能量成本和事故风险评估算法、城市能量成本估计算法、排放和事故评估算法或拥堵估计算法中的一者或多者。
根据一个实施例,所述一个或多个参数包括一系列路段、与所述路段相关联的车流速度或与所述路段相关联的速度-密度图中的至少一者。
根据一个实施例,所述车流数据包括历史车流数据和近实时车流数据。
根据一个实施例,被配置为执行所述计算机可执行指令以确定与所述一个或多个第二车辆相关联的所述社交行驶时间的所述一个或多个计算机处理器还包括用于确定在另一车辆加入所述一条或多条路线中的一条路线时与所述一个或多个第二车辆相关联的边际社交行驶时间成本的计算机可执行指令。
根据一个实施例,所述一个或多个计算机处理器被配置为执行用于使与所述一个或多个参数相关联的信息或者所述一个或多个影响参数显示给一个或多个用户的所述计算机可执行指令。
根据本发明,描述了一种方法,所述方法具有:确定与车队的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;使用所述一个或多个参数执行至少一种第一基于AI的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
根据一个实施例,所述车流数据还包括道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。
根据一个实施例,所述一个或多个影响参数包括劳动成本、能量成本或安全度量中的一者或多者。
根据一个实施例,所述一个或多个影响参数包括能量成本、排放成本、安全度量或与所述车队相关联的环境的拥堵程度中的一者或多者。
根据一个实施例,所述至少一种第一基于AI的算法包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。
根据本发明,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存储计算机可执行指令,所述计算机可执行指令在由处理器执行时使所述处理器执行操作,所述非暂时性计算机可读介质具有:确定与车队的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;使用所述一个或多个参数执行至少一种第一基于人工智能(AI)的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
根据一个实施例,所述车流数据还包括道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。
根据一个实施例,所述一个或多个影响参数包括劳动成本、能量成本或安全度量中的一者或多者。
根据一个实施例,所述一个或多个影响参数包括能量成本、排放成本、安全度量或与所述车队相关联的环境的拥堵程度中的一者或多者。
根据一个实施例,所述至少一种第一基于AI的算法包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。
Claims (15)
1.一种装置,其包括:
至少一个存储器,其包括计算机可执行指令;以及
一个或多个计算机处理器,其被配置为访问所述至少一个存储器并执行所述计算机可执行指令以:
确定与车队中的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;
使用所述一个或多个参数执行至少一种第一基于人工智能(AI)的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及
至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
2.如权利要求1所述的装置,其中所述车流数据还包括道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。
3.如权利要求1所述的装置,其中所述一个或多个影响参数包括劳动成本、能量成本或安全度量中的一者或多者。
4.如权利要求1所述的装置,其中所述一个或多个影响参数包括能量成本、排放成本、安全度量或与所述车队相关联的环境的拥堵程度中的一者或多者。
5.如权利要求1所述的装置,其中所述至少一种第一基于AI的算法包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。
6.如权利要求1所述的装置,其中所述至少一种第二基于AI的算法包括劳动时间成本估计算法、车队能量成本和事故风险评估算法、城市能量成本估计算法、排放和事故评估算法、或拥堵估计算法中的一者或多者。
7.如权利要求1所述的装置,其中所述一个或多个参数包括一系列路段、与所述路段相关联的车流速度、或与所述路段相关联的速度-密度图中的至少一者。
8.如权利要求1所述的装置,其中所述车流数据包括历史车流数据和近实时车流数据。
9.如权利要求1所述的装置,其中被配置为执行所述计算机可执行指令以确定与所述一个或多个第二车辆相关联的所述社交行驶时间的所述一个或多个计算机处理器还包括:用于确定在另一车辆加入所述一条或多条路线中的一条路线时与所述一个或多个第二车辆相关联的边际社交行驶时间成本的计算机可执行指令。
10.如权利要求1所述的装置,其中所述一个或多个计算机处理器被配置为执行用于使与所述一个或多个参数相关联的信息或者所述一个或多个影响参数显示给一个或多个用户的所述计算机可执行指令。
11.一种方法,其包括:
确定与车队中的至少一个第一车辆的一条或多条路线相关联的车流数据并根据所述车流数据确定一个或多个参数;
使用所述一个或多个参数执行至少一种第一基于AI的算法以确定与一个或多个第二车辆相关联的社交行驶时间;以及
至少部分地基于所述社交行驶时间来执行至少一种第二基于AI的算法以确定一个或多个影响参数。
12.如权利要求11所述的方法,其中所述车流数据还包括道路地图数据、历史车流速度数据、道路速度-密度数据、车队远程信息处理数据、车流密度数据、排放数据和交通事故数据。
13.如权利要求11所述的方法,其中所述一个或多个影响参数包括劳动成本、能量成本或安全度量中的一者或多者。
14.如权利要求11所述的方法,其中所述一个或多个影响参数包括能量成本、排放成本、安全度量或与所述车队相关联的环境的拥堵程度中的一者或多者。
15.如权利要求11所述的方法,其中所述至少一种第一基于AI的算法包括单一车辆行驶时间估计器算法或边际社交行驶时间估计器算法中的一者或多者。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/230,525 | 2018-12-21 | ||
US16/230,525 US20200201357A1 (en) | 2018-12-21 | 2018-12-21 | Systems and methods for vehicle scheduling and routing |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353632A true CN111353632A (zh) | 2020-06-30 |
Family
ID=70969290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335631.8A Pending CN111353632A (zh) | 2018-12-21 | 2019-12-20 | 用于车辆调度和路线选择的系统及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200201357A1 (zh) |
CN (1) | CN111353632A (zh) |
DE (1) | DE102019135333A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700024A (zh) * | 2021-01-12 | 2021-04-23 | 中铁大桥局集团有限公司 | 一种山区施工便道行车调度与安全监管方法及系统 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11587049B2 (en) | 2019-11-22 | 2023-02-21 | At&T Intellectual Property I, L.P. | Combining user device identity with vehicle information for traffic zone detection |
US11495124B2 (en) * | 2019-11-22 | 2022-11-08 | At&T Intellectual Property I, L.P. | Traffic pattern detection for creating a simulated traffic zone experience |
CN111765903B (zh) * | 2020-06-29 | 2022-08-09 | 阿波罗智能技术(北京)有限公司 | 自动驾驶车辆的测试方法、装置、电子设备和介质 |
US20220083924A1 (en) * | 2020-09-16 | 2022-03-17 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Measuring Social Cost of Ridesharing Service |
CN113532449B (zh) * | 2021-06-21 | 2023-11-21 | 阿波罗智联(北京)科技有限公司 | 智能交通路网获取方法、装置、电子设备及存储介质 |
CN115271276B (zh) * | 2022-09-30 | 2023-02-03 | 广东工业大学 | 联合宏微观需求响应式车辆调度方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8983649B2 (en) * | 2007-02-16 | 2015-03-17 | Boomerang Systems, Inc. | Automated storage system and transport vehicle |
TWI611279B (zh) * | 2015-08-31 | 2018-01-11 | 國立臺北科技大學 | 自動駕駛車輛的派遣系統 |
US20180046869A1 (en) * | 2016-08-10 | 2018-02-15 | Surround.IO Corporation | Method and Apparatus for Providing Information Via Collected and Stored Metadata Using Inferred Attentional Model |
US20180182239A1 (en) * | 2016-12-28 | 2018-06-28 | Richard G. J. Baverstock | Systems and methods for realtime macro traffic infrastructure management |
US20180233035A1 (en) * | 2017-02-10 | 2018-08-16 | Nec Europe Ltd. | Method and filter for floating car data sources |
US10768002B2 (en) * | 2017-10-26 | 2020-09-08 | International Business Machines Corporation | Assessing personalized risk for a user on a journey |
US11397906B1 (en) * | 2018-10-16 | 2022-07-26 | Amazon Technologies, Inc. | Predicting demand for route generation |
JP7355695B2 (ja) * | 2020-04-02 | 2023-10-03 | トヨタ自動車株式会社 | 交通システム、運行管理装置、および、運行管理方法 |
US20220019946A1 (en) * | 2020-07-20 | 2022-01-20 | UST Global Inc | Systems and methods for generating and updating travel itineraries |
US20220083924A1 (en) * | 2020-09-16 | 2022-03-17 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Measuring Social Cost of Ridesharing Service |
US11624625B2 (en) * | 2021-01-28 | 2023-04-11 | Electriphi Inc | System and method for evaluation of a route score for an electric vehicle and electric vehicle fleets |
-
2018
- 2018-12-21 US US16/230,525 patent/US20200201357A1/en not_active Abandoned
-
2019
- 2019-12-19 DE DE102019135333.5A patent/DE102019135333A1/de active Pending
- 2019-12-20 CN CN201911335631.8A patent/CN111353632A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700024A (zh) * | 2021-01-12 | 2021-04-23 | 中铁大桥局集团有限公司 | 一种山区施工便道行车调度与安全监管方法及系统 |
CN112700024B (zh) * | 2021-01-12 | 2023-10-24 | 中铁大桥局集团有限公司 | 一种山区施工便道行车调度与安全监管方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20200201357A1 (en) | 2020-06-25 |
DE102019135333A1 (de) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353632A (zh) | 用于车辆调度和路线选择的系统及方法 | |
US10360800B2 (en) | Warning driver of intent of others | |
CN111656735B (zh) | 使用硬件在环即服务(hilaas)测试嵌入式系统和应用程序 | |
US9754485B2 (en) | Traffic prediction and real time analysis system | |
US10272921B2 (en) | Enriched connected car analysis services | |
US11748596B2 (en) | Context based vehicular traffic prediction | |
US10252461B2 (en) | Cognitive-based driving anomaly detection based on spatio-temporal landscape-specific driving models | |
US10768002B2 (en) | Assessing personalized risk for a user on a journey | |
US11030905B2 (en) | Stop purpose classification for vehicle fleets | |
US11868929B2 (en) | Optimizing engagement of transportation providers | |
US10775178B2 (en) | Spatio-temporal re-routing of navigation | |
US10247566B2 (en) | Electronic navigation system | |
US11285961B2 (en) | Predictive car wash services for a vehicle based on anticipated routes of travel | |
US20230056115A1 (en) | Method of Collecting Data from Fleet of Vehicles | |
US20220164912A1 (en) | Dynamically adjusting a pool of transportation provider devices in a prioritized-dispatch mode using availability indicators | |
US10730527B2 (en) | Implementing cognitive state recognition within a telematics system | |
US10834524B2 (en) | Delegating cloud-side roles to devices | |
US20210004728A1 (en) | Determining arrival of transportation providers to pickup locations utilizing a hiking distance predictor model | |
US20210295224A1 (en) | Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices | |
US10783782B1 (en) | Vehicle management | |
Skhosana et al. | An intelligent machine learning-based real-time public transport system | |
US20230267622A1 (en) | Object trail analytics | |
Barceló | ITS and Smart Cities | |
WO2023092221A1 (en) | Traffic management systems and methods |
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 |