CN111784475A - 一种订单信息处理方法、系统、装置及存储介质 - Google Patents
一种订单信息处理方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN111784475A CN111784475A CN202010639875.1A CN202010639875A CN111784475A CN 111784475 A CN111784475 A CN 111784475A CN 202010639875 A CN202010639875 A CN 202010639875A CN 111784475 A CN111784475 A CN 111784475A
- Authority
- CN
- China
- Prior art keywords
- order
- batch
- orders
- determining
- road
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000010365 information processing Effects 0.000 title claims abstract description 11
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000004044 response Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 22
- 238000013135 deep learning Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种订单信息处理方法、系统、装置及存储介质。所述方法可以包括以下至少一种操作:实时获取至少两个订单及与所述至少两个订单分别相关的路段数据,所述路段数据至少包括所述订单当前时刻所涉及的路段数量;基于所述路段数量,根据至少两个预设区间将所述至少两个订单划分为至少两个批次;对于每一个批次,基于该批次对应的预设区间将该批次中每个订单表示为第一数学表示;基于所述第一数学表示将所述订单表示为第二数学表示。本申请所披露的方法,可以在到达时间预估的计算中有效地减少订单的冗余信息,提升计算效率,并满足计算时效性的要求。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种订单信息处理方法、系统、装置及存储介质。
背景技术
网约车平台在进行ETA(预估到达时间)计算时,会涉及到和订单关联的大量的路段信息,而其中很多信息是冗余且无效的。在使用当前路段信息的编码方式计算ETA时,由于夹带大量冗余数据,使得计算过于复杂,且效率低下。
发明内容
本申请的一个方面提供一种订单信息处理方法,所述订单表示方法包括:实时获取至少两个订单及与所述至少两个订单分别相关的路段数据,所述路段数据至少包括所述订单当前时刻所涉及的路段数量;基于所述路段数量,根据至少两个预设区间将所述至少两个订单划分为至少两个批次;对于每一个批次,基于该批次对应的预设区间将该批次中每个订单确定为第一数学表示;基于所述第一数学表示将所述订单确定为第二数学表示。
在一些实施例中,所述订单表示方法进一步包括:确定所述批次的密度,所述密度为该批次内的订单的量占所获取的订单总量的百分比;确定所述密度是否大于第一阈值;响应于所述密度大于所述第一阈值,将该批次对应的预设区间划分为至少两个调整区间,并将所述路段数量落入同一个调整区间内的订单指定为一个新的批次。
在一些实施例中,所述订单表示方法进一步包括:确定所述密度是否小于第二阈值;响应于所述密度小于所述第二阈值,将该批次与依次相邻的一个或多个批次进行合并;所述合并后的批次的密度大于所述第二阈值,且小于所述第一阈值。
在一些实施例中,所述第一数学表示至少包括一维数组,所述数组的长度为订单所属的批次对应的预设区间的最大值。
在一些实施例中,所述将订单确定为一个数组,包括:确定所述订单当前时刻所涉及的路段数量与所述订单所在的批次对应的预设区间的最大值之间的差值;使用第一数量的第一数值和第二数量的第二数值组成确定所述订单的数组;所述第一数量与所述路段数量相等,所述第二数量与所述差值相等。
在一些实施例中,所述第二数学表达至少包括矩阵,所述基于所述第一数学表示将所述订单表示为第二数学表示,包括:获取与所述订单相关的路段的向量表示;基于所述数组以及所述路段的向量表示,确定所述订单的矩阵表示。
在一些实施例中,所述订单的第二数学表示能够用于到达时间预估。
本申请的另一方面提供一种订单信息处理系统,所述系统包括获取模块、划分模块以及确定模块,所述获取模块,用于实时获取至少两个订单及与所述至少两个订单分别相关的路段数据;所述路段数据至少包括所述订单当前时刻所涉及的路段数量;所述划分模块,用于基于所述路段数量,根据至少两个预设区间将所述至少两个订单划分为至少两个批次;所述确定模块,用于基于该批次对应的预设区间将每一个批次中每个订单确定为第一数学表示;以及,用于基于所述第一数学表示将所述订单确定为第二数学表示。
在一些实施例中,所述划分模块进一步用于:确定所述批次的密度,所述密度为该批次内的订单的量占所获取的订单总量的百分比;确定所述密度是否大于第一阈值;响应于所述密度大于所述第一阈值,将该批次对应的预设区间划分为至少两个调整区间,并将所述路段数量落入同一个调整区间内的订单指定为一个新的批次。
在一些实施例中,所述划分模块进一步用于:确定所述密度是否小于第二阈值;响应于所述密度小于所述第二阈值,将该批次与依次相邻的一个或多个批次进行合并;所述合并后的批次的密度大于所述第二阈值,且小于所述第一阈值。
在一些实施例中,所述第一数学表示至少包括一维数组,所述数组的长度为订单所属的批次对应的预设区间的最大值。
在一些实施例中,所述确定模块进一步用于:确定所述订单当前时刻所涉及的路段数量与所述订单所在的批次对应的预设区间的最大值之间的差值;使用第一数量的第一数值和第二数量的第二数值组成确定所述订单的数组;所述第一数量与所述路段数量相等,所述第二数量与所述差值相等。
在一些实施例中,所述第二数学表达至少包括矩阵,所述获取模块,进一步用于获取与所述订单相关的路段的向量表示;所述确定模块,进一步用于基于所述数组以及所述路段的向量表示,确定所述订单的矩阵表示。
本申请的另一方面提供一种订单表示装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述指令被所述处理器执行时,导致所述装置实现本申请任一实施例所述订单信息信息处理方法对应的操作。
本申请的另一方面提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行本申请任一实施例所述订单信息处理方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请的一些实施例所示的订单表示方法的示例性流程图;
图2是根据本申请的一些实施例所示的划分订单批次的示例性流程图;
图3是根据本申请的一些实施例所示的订单的数组表示的示例性流程图;
图4是根据本申请的一些实施例所示的订单的矩阵表示的示例性流程图;
图5是根据本申请的一些实施例所示的示例性处理设备的框图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
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,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请的系统和方法可以能适用于其他任一种按需服务。例如,本申请的系统和方法可以应用于不同环境下的运输系统,包括陆地、海洋、航空航天等中的一种或多种组合。所述运输系统的车辆可以包括出租车、私家车、顺风车、公交车、火车、子弹火车、高铁、地铁、船舶、飞机、飞船、热气球、无人驾驶车辆等中的一种或多种组合。所述运输系统也可以包括用于管理和/或分配的任一种运输系统,例如,接收和/或送快递的系统。本申请的系统和方法的应用可以包括网页、浏览器插件、客户端、客制系统、内部分析系统、人工智能机器人等中的一种或多种组合。应当理解的是,本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。例如,其他类似的按需服务系统,可以是是出租车呼叫服务、驾驶服务、货物递送服务、汽车司机服务、快捷汽车服务、共乘服务、公交车服务、短期司机出租服务、接驳服务等。
图1是根据本申请的一些实施例所示的订单表示方法的示例性流程图。在一些实施例中,流程100可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图1所示的用于订单表示的流程100中的一个或多个操作可以通过图5所示的处理设备500实现。例如,流程100可以以指令的形式存储在存储设备中,并由处理设备500执行调用和/或执行。如图1所示,流程100可以包括以下至少一个操作:
步骤110,实时获取至少两个订单及与所述至少两个订单分别相关的路段数据。步骤110可以由获取模块510执行。
在一些实施例中,所述订单可以为网约车服务订单、家政服务订单、快递订单、外卖订单等服务型订单。获取模块510可以通过网络从至少一个用户终端实时获取所述订单。所述用户终端可以是服务请求者终端,也可以是服务提供者终端,其具有下发/接收订单的功能。在一些实施例中,在获取所述至少两个订单时,可以获取与所述订单相关的订单信息。所述订单信息可以包括服务请求者信息、服务请求者提出服务需求的时间、服务地点、服务提供者信息、路段数据等。以网约车为例,订单信息可以包括乘客的个人信息(比如年龄、性别、证件号、联系方式等)、乘客的信用信息、乘客约车的时间、乘客上车的地点、终点、行车轨迹、经过路段的link数据、司机的个人信息(比如年龄、性别、证件号、联系方式等)、司机的信用信息、订单完成时间等信息。
在一些实施例中,在获取所述至少两个订单时,可以仅获取与所述订单相关的路段数据。所述路段是指指一条道路中的一段。某条道路与其他道路之间会有交点,且该道路本身存在起点和/或终点。所述路段可以是指该道路上两个相邻交点之间的一段,或起点或终点与与其相邻的交点之间的一段。每个路段的长度可以是相同或不同。在一些实施例中,所述订单的路段数据可以包括当前时刻与订单相关的路段的数量、路段的长度、路段的位置(例如,某设定坐标系下的坐标值、经纬度值等)、路段的走向、路段所属的道路级别(例如,高速公路一级、二级、三级等)、路段的车流量、路段的人流量等。在一些实施例中,所述路段数据可以至少包括所述订单当前时刻所涉及的路段数量。
步骤120,基于所述路段数量,根据至少两个预设区间将所述至少两个订单划分为至少两个批次。步骤120可以由划分模块520执行。
在一些实施例中,所述预设区间可以是预先设定的一个数值范围,例如,0-10。所述数值范围可以根据经验设定,也可以根据数学算法设定,本申请不做具体限定。每一个批次可以对应了一个预设区间。当所述路段数量落入到某一个预设区间内时,所对应的订单可以被划分至该预设区间内。例如,假定第一批次对应的预设区间为0~10,第二批次对应的预设区间为11~30,第三批次对应的预设区间为31~50,第一批次对应的预设区间为大于50。若所述订单当前时刻所涉及的路段数量为8,则该订单将被划分至第一批次。在一些实施例中,所述预设区间是可以调整的。应当注意的是,所述订单划分与经过路段的先后顺序无关,只与路段的数量有关。
在一些实施例中,所述至少两个批次可以进行进一步的调整。例如,如果一个批次中的订单数量较多(例如,批次中的订单占所获取的订单总量的80%以上),可以将这个批次进行细分。又例如,如果一个批次中的订单数量较少(例如,批次中的订单占所获取的订单总量的20%以下)或者为零,可以与相邻的批次进行合并,具体有关批次的调整的详细说明请参考本发明中图2中的介绍。
步骤130,基于所述批次对应的预设区间将该批次中每个订单确定为第一数学表示。步骤130可以由确定模块530执行。
在一些实施例中,所述第一数学表示可以包括数组。所述数组可以是由相同类型的元素的集合所组成的数据结构,可以包括一维数组、二维数组(也叫矩阵)、三维数组等多维数组。所述元素可以包括数字、字母、标识符等。在一些实施例中,所述数组为一维数组。所述一维数组也可以成为单维数组,是一种线性数组,其中元素的访问是以行或列索引的单一下标表示。在一些实施例中,所述一维数组的长度可以根据预设区间数量的最大值进行设定。所述长度可以是指所述一维数组中所包含元素的个数。例如,假定所述批次对应的预设区间为0~10,则所述一维数组的长度可以是10。在一些实施例中,所述一维数组的元素可以设为0或1。所述订单在当前时刻所涉及的路段在所述一维数组中对应的元素可以被设为1,其余缺少的元素可以用0进行补全。仅作为示例,某一批次对应的预设区间为1~7,被划入该批次的订单只有1个,可以命名为订单A。订单A当前时刻所涉及的路段有两个,分别为L1和L2。则在表示该订单的一位数组中,元素“1”有两个。同时“0”则需要补入5个元素“0”,以满足所要求的7个元素。最终,该订单将被表示为数组[1,1,0,0,0,0,0]。具体有关订单的数组表示请参考本发明中图3中的介绍。
步骤140,基于所述第一数学表示将所述订单确定为第二数学表示。步骤140可以由确定模块530执行。
在一些实施例中,第二数学表示可以包括矩阵。所述矩阵可以用于后续ETA的计算、行驶路径的推荐等。通常,与订单对应的路段可以用一个多维(例如,二维、三维等)的向量表示。在一些实施例中,确定模块530可以用表示路段的多维向量替换表示订单的所述数组中对应与路段的元素,以得到一个多维的矩阵,并将该多维的矩阵作为所述订单的表示。例如,某一订单当前时刻所涉及的路段为3个,分别表示为L1、L2、以及L3。被划分的批次是路段数量为3~5的区间的批次,数组补全之后为[L1,L2,L3,0,0],如果每个路段用一个向量来描述,比如维度是3的一个向量,该订单便可以转换为一个矩阵,例如,5*3或3*5的矩阵,具体有关订单的矩阵表示请参考本发明中图4中的介绍。
在一些实施例中,所述矩阵可以用于深度学习框架的矩阵计算。在一些实施例中,深度学习框架可以包括但不限于TensorFlow、Keras、PyTorch、MXNet、Caffe、Caffe2、Theano、FastAI、CNTK、Gluon、Torch、Deeplearning4j、Chainer、CNN、RNN、GPU等。在一些实施例中,所述矩阵可以在上述的深度学习框架中进行各种线性变换或者非线性变换。所述线性变换是指一个向量空间V到期自身的映射且保持加法运算和数量乘法运算,所述非线性变换是指每个输出值的变化量与其相应的输入值的变化量之比不是常数的转换。在一些实施例中,将所述用矩阵表示的相关订单的数据输入到深度学习框架中,经过一系列的运算,最终可以得到订单的ETA或者推荐路径。
应当注意的是,上述有关流程100的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程100进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,可以在流程100中的其他地方添加一个或以上其他可选步骤(例如,存储步骤、预处理步骤)。还例如,流程100中的所有步骤可以在包括一组指令的计算机可读介质中实现。指令可以以电子流或电信号的形式传输。
图2是根据本申请的一些实施例所示的划分订单批次的示例性流程图。在一些实施例中,流程200可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图2所示的用于划分订单批次的流程200中的一个或多个操作可以通过图5所示的处理设备500(例如,划分模块520)实现。例如,流程200可以以指令的形式存储在存储设备中,并由处理设备500执行调用和/或执行。如图2所示,流程200可以包括以下至少一个操作。
步骤210,确定所述批次的密度。
在一些实施例中,所述密度可以用来表示各个批次中订单的疏密程度和/或订单数量的多少。在将订单分批的过程中,可能会出现订单分布不均衡的问题。例如,有些批次的订单数量较多,而有些批次的订单数量较少。即,有的批次的密度较大,而有的批次的密度较小在一些实例中,所述密度可以表示为该批次内的订单的数量占所获取的订单总量的百分比。例如,获取的订单总量为20个,被分为了两个批次。第一批次内有5个订单,第二批次内有15个订单。那么,第一批次的密度为25%(5/20),第二个批次的密度为75%(15/20)。
步骤220,确定所述密度是否大于第一阈值。
在一些实施例中,所述第一阈值可以是预先设定好的固定数值,例如,0.6、0.65、0.7、0.75、0.8、0.85、0.9等,也可以基于各个批次的密度的实际情况来调整,本申请不做具体限定。若所述密度大于所述第一阈值,流程200可以行进至步骤230。否则,流程200可以行进至步骤240。
步骤230,将所述批次对应的预设区间划分为至少两个调整区间,并将所述路段数量落入同一个调整区间内的订单指定为一个新的批次。
在一些实施例中,所述调整区间可以是指将所述批次对应的预设区间进一步划分得到的至少两个子区间。所述调整区间的划分可以是对所述批次对应的预设区间的平均划分,例如,将预设区间为0~15的批次划分为0~5、6~10以及11~15三个长度相等的子区间。所述调整区间的划分也可以是对所述批次对应的预设区间的随机处理,例如,将预设区间为0~15的批次划分为0~3、4~9以及10~15三个长度不等的子区间。在一些实施例中,划分模块520可以统计该批次订单的路段数量分布,并基于该分布划分调整区间。例如,划分模块520统计路段数量为0~20的预设区间中,包括0~5的路段数量的订单占该批次订单数量的30%,包括6~10的路段数量的订单占该批次订单数量的30%,包括11~20的路段数量的订单数量占该批次订单数量的40%。则该预设区间可以划分为0~5、6~10、11~20三个调整区间。
步骤240,确定所述密度是否小于第二阈值。
在一些实施例中,所述第二阈值可以是预先设置的固定数值,例如,0.01、0.05、0.1、0.15、0.2等,也可以基于各个批次的密度来调整。若所述密度小于所述第二阈值,流程200可以行进至步骤250。否则,流程200执行完毕,所述订单的批次划分将完成。应当注意的是,步骤240中可以是确定原有批次的密度,也可以是确定经过步骤230所得到的新的批次的密度。
步骤250,将所述批次与依次相邻的一个或多个批次进行合并。
在一些实施例中,相邻的批次可以是指批次对应的预设区间是相邻的。例如,对应于预设区间0~5的批次与对应于6~10的批次是相邻的。所述合并可以是将相邻的两个预设区间组成一个新的合并区间。同时,与被合并的两个预设区间相对应的订单批次合并成一个新的批次,该批次对应于合并区间。该合并区间内的订单数量为原来两个预设区间的订单数量之和。在一些实施例中,合并可以分多次完成。例如,首先合并相邻的两个预设区间和相应的批次。如果获取的合并区间的订单数量依然小于第二阈值,则继续合并与上次合并后得到的合并区间相邻的下一个预设区间。直至合并区间内的订单数量大于第二阈值。
应当注意的是,上述有关流程200的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程200进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,在步骤230中,可以判断新批次的密度是否小于第二阈值。响应于新批次的密度小于第二阈值,跳转到步骤250中对划分后的新批次进行合并。又例如,在步骤250中,可以继续判断合并后的新的批次的密度是否大于第一阈值。响应于合并后的新的批次的密度大于第一阈值,跳转到步骤230中对合并后新批次进行划分。又例如,可以在流程200中的其他地方添加一个或以上其他可选步骤(例如,存储步骤、预处理步骤)。还例如,流程200中的所有步骤可以在包括一组指令的计算机可读介质中实现。指令可以以电子流或电信号的形式传输。
图3是根据本申请的一些实施例所示的订单的数组表示的示例性流程图。在一些实施例中,流程300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图4所示的用于订单的数组表示的流程300中的一个或多个操作可以通过图5所示的处理设备500(例如,确定模块530)实现。例如,流程300可以以指令的形式存储在存储设备中,并由处理设备500执行调用和/或执行。如图3所示,流程300可以包括以下至少一个操作。
步骤310,确定所述订单当前时刻所涉及的路段数量与所述订单所在的批次对应的预设区间的最大值之间的差值。
在一些实施例中,所述差值可以是所述订单所在的批次对应的预设区间的最大值减去所述订单所涉及的路段数量得到的。例如,某一订单B当前时刻所涉及的路段数量为8,订单B所在的批次为1~10,则订单B所在批次的预设区间的最大值10减去对应的路段数量8,得到的数值2即为所述差值。又例如,某一批次的预设区间为9~15,所述区间内存在两个订单,分别为订单C和订单D,订单C所涉及的路段数量为10,订单D所涉及的路段数量为12,则订单C的差值为15-10=5,订单D的差值为15-12=3。
步骤320,使用第一数量的第一数值和第二数量的第二数值组成表示所述订单的数组。
在一些实施例中,所述第一数量可以是所述订单所涉及的路段数量,所述第二数量可以是步骤310中得到的差值。例如,某一订单B当前时刻所涉及的路段数量为8,订单B所在的批次为1~10,所述差值为10-8=2,则所述第一数量为8,所述第二数量为2。所述第一数值可以是用来表示所述订单涉及的路段。所述第二数值可以是用来表示用以补全的路段。在一些实施例中,所述第一数值可以设置为1,所述第二数值可以设置为0。具体的,所述“1”表示订单中涉及的路段,所述“0”表示用以补全的,但订单中没有涉及的路段。例如,某一订单B当前时刻所涉及的路段数量为8,对应的路段为L1至L8(包括L1、L2、L3…L8),订单B所在的批次为1~10,经过补全后,订单B的数组表示为[1,1,1,1,1,1,1,1,0,0],共有10个元素,分别为8个“1”和2个“0”,其中8个“1”表示订单B所涉及的路段有8个,2个“0”是用来补全订单B未涉及的路段。又例如,某一批次的预设区间为9~15,所述区间内存在两个订单,分别为订单C和订单D,订单C所涉及的路段数量为10,对应的路段为L1至L10(包括L1、L2、L3…L10),订单D所涉及的路段数量为12,对应的路段为L1至L12(包括L1、L2、L3…L12),经过补全后,订单C的数组表示为[1,1,1,1,1,1,1,1,1,1,0,0,0,0,0],订单D的数组表示为[1,1,1,1,1,1,1,1,1,1,1,1,0,0,0]。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,可以在流程300中的其他地方添加一个或以上其他可选步骤(例如,存储步骤、预处理步骤)。还例如,流程300中的所有步骤可以在包括一组指令的计算机可读介质中实现。指令可以以电子流或电信号的形式传输。
图4是根据本申请的一些实施例所示的订单的矩阵表示的示例性流程图。在一些实施例中,流程400可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图4所示的用于订单的矩阵表示的流程400中的一个或多个操作可以通过图5所示的处理设备500实现(例如,确定模块530)。例如,流程400可以以指令的形式存储在存储设备中,并由处理设备400执行调用和/或执行。如图4所示,流程400可以包括以下至少一个操作。
步骤410,获取与所述订单相关的路段的向量表示。
在一些实施例中,所述向量表示可以是使用一个N维的向量来表示的一个路段在地图上的位置信息。在一些实施例中,向量表示的内容可以为道路编号、最高限速、车道数目、起始点路口编号、终点路口编号、是否双向等信息或其它任意组合。例如,L1(21,6,4,7,8,1)表示编号为21的道路,限速6km/h,4车道路段,起点路口7,终点路口8,双向车道。在一些实施例中,在获取了所述订单在当前时刻所涉及的路段数据后,确定模块530可以通过读取处理设备500的内部存储器或外界存储设备中所预先存储的与路段相关的信息来获取所述路段的向量表示。
步骤420,基于所述数组以及所述路段的向量表示,确定所述订单的矩阵表示。
在一些实施例中,所述矩阵表示可以是使用一个M×N的矩阵来表示的当前订单涉及的路线集合。其中M是用来表示订单的数组的长度,N是路段向量表示的维度。在一些实施例中,可以使用所述订单的数组与及包含的路段的向量相乘得到所述订单的矩阵。例如,一个订单涉及的路段为L1、L2、L3,被划分在预设区间为3~5的批次中。该订单用数组表示为[L1,L2,L3,0,0]。其中每个路段(L1、L2、L3)用6维的向量(道路编号、最高限速、车道数目、起始点路口编号、终点路口编号、是否双向)来表示。该订单的矩阵表示为一个5×6的矩阵:
在一些实施例中,所述订单的矩阵表示可以用于深度学习框架的矩阵计算。深度学习框架可以包括但不限于TensorFlow、Keras、PyTorch、MXNet、Caffe、Caffe2、Theano、FastAI、CNTK、Gluon、Torch、Deeplearning4j、Chainer、CNN、RNN、GPU等。对矩阵的计算可以包括线性变换,例如,使用线性函数归一化(Min-Max Scaling)对矩阵进行线性变换,使数据映射到[0,1]的范围。对矩阵的计算也可以包括非线性变换,例如,通过sigmoid函数对矩阵进行降维操作。在一些实施例中,订单的矩阵表示可以作为深度学习框架的输入,深度学习框架输出可以是预估到达时间(ETA)。
应当注意的是,上述有关流程400的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程400进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,矩阵表示也可以是一个N×M的矩阵,其中,M是用来表示订单的数组的长度,N是路段向量表示的维度。又例如,可以在流程400中的其他地方添加一个或以上其他可选步骤(例如,存储步骤、预处理步骤)。还例如,流程400中的所有步骤可以在包括一组指令的计算机可读介质中实现。指令可以以电子流或电信号的形式传输。
图5是根据本申请的一些实施例所示的示例性处理设备的框图。如图5所示,处理设备500可以包括获取模块510、划分模块520以及确定模块530。
获取模块510可以用于实时获取至少两个订单及与至少两个订单分别相关的路段数据。在一些实施例中,获取模块510可以通过网络从至少一个用户终端实时获取所述订单。在一些实施例中,订单的路段数据可以包括当前时刻与订单相关的路段的数量、路段的长度、路段的位置(例如,某设定坐标系下的坐标值、经纬度值等)、路段的走向、路段所属的道路级别(例如,高速公路一级、二级、三级等)、路段的车流量、路段的人流量等。在一些实施例中,路段数据可以至少包括所述订单当前时刻所涉及的路段数量。在一些实施例中,获取模块510进一步用于获取与所述订单相关的路段的向量表示。
划分模块520可以用于基于路段数量,根据至少两个预设区间将所述至少两个订单划分为至少两个批次。在一些实施例中,所述预设区间可以是预先设定的一个数值范围,例如,0-10。所述数值范围可以根据经验设定,也可以根据数学算法设定,本申请不做具体限定。每一个批次可以对应了一个预设区间。当所述路段数量落入到某一个预设区间内时,所对应的订单可以被划分至该预设区间内。在一些实施例中,所述至少两个批次可以进行进一步的调整。
确定模块530可以用于基于该批次对应的预设区间将每一个批次中每个订单表示为第一数学表示。在一些实施例中,所述第一数学表示可以包括数组。所述数组可以是由相同类型的元素的集合所组成的数据结构,可以包括一维数组、二维数组(也叫矩阵)、三维数组等多维数组。所述元素可以包括数字、字母、标识符等。所述数组的长度为该批次对应的预设区间的最大值。
确定模块530还可以用于基于数组将订单表示为第二数学表示。在一些实施例中,所述第二数学表示可以包括矩阵。所述矩阵可以用于后续ETA的计算、行驶路径的推荐等。在一些实施例中,确定模块530可以用表示路段的多维向量替换表示订单的所述数组中对应与路段的元素,以得到一个多维的矩阵,并将该多维的矩阵作为所述订单的表示。在一些实施例中,所述矩阵可以用于深度学习框架的矩阵计算,并且可以在深度学习框架中进行各种线性变换或者非线性变换。在一些实施例中,将所述用矩阵表示的相关订单的数据输入到深度学习框架中,经过一系列的运算,最终可以得到订单的ETA或者推荐路径。
应当理解,图5所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于候选项显示、确定系统及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,例如,图5中披露的获取模块510、划分模块520、确定模块530可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,获取模块510、划分模块520可以是两个模块,也可以是一个模块同时具有订单数据获取和批次划分的功能。又例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
本申请实施例可能带来的有益效果包括但不限于:(1)基于历史订单中的路段数量,将订单划分为多个批次,通过比对实时订单中的路段数量,将相似的路段数量划分到同一个批次,可以有效减少ETA计算过程中大量无关的数据信息,从而提高ETA的计算效率;(2)对于每一个批次中的每个订单,将订单表示为数组,并基于数组将订单表示为矩阵,可以使高维稀疏型数据呈现更便于计算的分布状态,可以满足ETA预测的时效性要求。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。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(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,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。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (10)
1.一种订单信息处理方法,其特征在于,所述方法包括:
实时获取至少两个订单及与所述至少两个订单分别相关的路段数据;所述路段数据至少包括所述订单当前时刻所涉及的路段数量;
基于所述路段数量,根据至少两个预设区间将所述至少两个订单划分为至少两个批次;
对于每一个批次,基于该批次对应的预设区间将该批次中每个订单确定为第一数学表示;基于所述第一数学表示将所述订单确定为矩阵第二数学表示。
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
确定所述批次的密度,所述密度为该批次内的订单的量占所获取的订单总量的百分比;
确定所述密度是否大于第一阈值;
响应于所述密度大于所述第一阈值,将该批次对应的预设区间划分为至少两个调整区间,并将所述路段数量落入同一个调整区间内的订单指定为一个新的批次。
3.根据权利要求2所述的方法,其特征在于,所述方法进一步包括:
确定所述密度是否小于第二阈值;
响应于所述密度小于所述第二阈值,将该批次与依次相邻的一个或多个批次进行合并;所述合并后的批次的密度大于所述第二阈值,且小于所述第一阈值。
4.根据权利要求1所述的方法,其特征在于,所述第一数学表示至少包括一维数组,所述数组的长度为订单所属的批次对应的预设区间的最大值。
5.根据权利要求4所述的方法,其特征在于,所述将订单确定为一个数组,包括:
确定所述订单当前时刻所涉及的路段数量与所述订单所在的批次对应的预设区间的最大值之间的差值;
使用第一数量的第一数值和第二数量的第二数值组成确定所述订单的数组;所述第一数量与所述路段数量相等,所述第二数量与所述差值相等。
6.根据权利要求5所述的方法,其特征在于,所述第二数学表达至少包括矩阵,所述基于所述第一数学表示将所述订单确定为第二数学表示,包括:
获取与所述订单相关的路段的向量表示;
基于所述数组以及所述路段的向量表示,确定所述订单的矩阵表示。
7.根据权利要求1所述的方法,其特征在于,所述订单的第二数学表示能够用于到达时间预估。
8.一种订单信息处理系统,其特征在于,所述系统包括获取模块、划分模块以及确定模块,
所述获取模块,用于实时获取至少两个订单及与所述至少两个订单分别相关的路段数据;所述路段数据至少包括所述订单当前时刻所涉及的路段数量;
所述划分模块,用于基于所述路段数量,根据至少两个预设区间将所述至少两个订单划分为至少两个批次;
所述确定模块,用于基于该批次对应的预设区间将每一个批次中每个订单确定为第一数学表示;以及,用于基于所述第一数学表将所述订单确定为第二数学表示。
9.一种订单表示装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述指令被所述处理器执行时,导致所述装置实现如权利要求1至7中任一项所述订单信息处理方法对应的操作。
10.一种计算机可读存储介质,其特征在于所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如权利要求1至7中任意一项所述订单信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639875.1A CN111784475A (zh) | 2020-07-06 | 2020-07-06 | 一种订单信息处理方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639875.1A CN111784475A (zh) | 2020-07-06 | 2020-07-06 | 一种订单信息处理方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784475A true CN111784475A (zh) | 2020-10-16 |
Family
ID=72758859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010639875.1A Pending CN111784475A (zh) | 2020-07-06 | 2020-07-06 | 一种订单信息处理方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784475A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748923A (zh) * | 2016-08-29 | 2018-03-02 | 北京三快在线科技有限公司 | 订单处理方法、装置及服务器 |
CN109002905A (zh) * | 2018-06-25 | 2018-12-14 | 北京嘀嘀无限科技发展有限公司 | 预估到达时间的方法及系统 |
CN109313742A (zh) * | 2017-05-16 | 2019-02-05 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的方法及系统 |
CN109416878A (zh) * | 2017-06-13 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 用于推荐预计到达时间的系统和方法 |
CN109417767A (zh) * | 2017-04-27 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
CN110520913A (zh) * | 2017-06-12 | 2019-11-29 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的系统和方法 |
CN110702129A (zh) * | 2019-05-31 | 2020-01-17 | 北京嘀嘀无限科技发展有限公司 | 用于路径规划的系统和方法 |
CN111860903A (zh) * | 2019-09-18 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种确定预估到达时间的方法和系统 |
-
2020
- 2020-07-06 CN CN202010639875.1A patent/CN111784475A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748923A (zh) * | 2016-08-29 | 2018-03-02 | 北京三快在线科技有限公司 | 订单处理方法、装置及服务器 |
CN109417767A (zh) * | 2017-04-27 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
CN109313742A (zh) * | 2017-05-16 | 2019-02-05 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的方法及系统 |
CN110520913A (zh) * | 2017-06-12 | 2019-11-29 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的系统和方法 |
CN109416878A (zh) * | 2017-06-13 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 用于推荐预计到达时间的系统和方法 |
CN109002905A (zh) * | 2018-06-25 | 2018-12-14 | 北京嘀嘀无限科技发展有限公司 | 预估到达时间的方法及系统 |
CN110702129A (zh) * | 2019-05-31 | 2020-01-17 | 北京嘀嘀无限科技发展有限公司 | 用于路径规划的系统和方法 |
CN111860903A (zh) * | 2019-09-18 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种确定预估到达时间的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109416878B (zh) | 用于推荐预计到达时间的系统和方法 | |
CN108934181B (zh) | 用于路径搜索的系统和方法 | |
CN109155104B (zh) | 推荐估计到达时间的系统和方法 | |
CN110168313B (zh) | 用于预估到达时间的方法及系统 | |
CN110537212B (zh) | 确定预估到达时间的系统与方法 | |
CN110520913B (zh) | 确定预估到达时间的系统和方法 | |
CN111862585B (zh) | 用于交通预测的系统和方法 | |
US20200050938A1 (en) | Systems and methods for improvement of index prediction and model building | |
CN110691957A (zh) | 基于深度卷积神经网络的路径规划系统和方法 | |
US20210042622A1 (en) | Systems and methods for providing a travelling suggestion | |
CN111861618A (zh) | 一种上车点推荐方法和系统 | |
CN111507732A (zh) | 用于识别相似轨迹的系统和方法 | |
CN115053237A (zh) | 载具意图预测神经网络 | |
CN110839346A (zh) | 用于分配服务请求的系统和方法 | |
CN112270427A (zh) | 一种推荐上车点的方法和系统 | |
CN110782648A (zh) | 确定预计到达时间的系统和方法 | |
CN111784475A (zh) | 一种订单信息处理方法、系统、装置及存储介质 | |
Garlick et al. | Real-time optimal trajectory planning for autonomous vehicles and lap time simulation using machine learning | |
US20210209461A1 (en) | Methods for neural network sparsity channel generation and inference | |
CN109948822B (zh) | 一种地理区域内网约车供需缺口预测方法 | |
US20210271997A1 (en) | Method and system to generate placement data of road signs | |
CN111858788A (zh) | 一种拼车上车点的推荐方法和系统 | |
Conejero et al. | When Does Chaos Appear While Driving? Learning Dynamical Systems Via Car-Following Models | |
CN110832811B (zh) | 用于发送空间数据的系统和方法 | |
CN117870706A (zh) | 路径更新方法、装置和车载终端 |
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 |