CN111868763A - 优化和预测共享车辆环境中的资源可用性 - Google Patents
优化和预测共享车辆环境中的资源可用性 Download PDFInfo
- Publication number
- CN111868763A CN111868763A CN201880091047.XA CN201880091047A CN111868763A CN 111868763 A CN111868763 A CN 111868763A CN 201880091047 A CN201880091047 A CN 201880091047A CN 111868763 A CN111868763 A CN 111868763A
- Authority
- CN
- China
- Prior art keywords
- location
- time
- bicycle
- resource availability
- query
- 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
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 35
- 238000003032 molecular docking Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000006855 networking Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 22
- 238000013528 artificial neural network Methods 0.000 abstract description 19
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 16
- 230000007246 mechanism Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000001413 cellular effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 239000004984 smart glass Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000002269 spontaneous effect Effects 0.000 description 3
- 101000629635 Homo sapiens Signal recognition particle receptor subunit alpha Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 102000049521 human SRPRA Human genes 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007407 health benefit Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021110 pickles Nutrition 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62H—CYCLE STANDS; SUPPORTS OR HOLDERS FOR PARKING OR STORING CYCLES; APPLIANCES PREVENTING OR INDICATING UNAUTHORIZED USE OR THEFT OF CYCLES; LOCKS INTEGRAL WITH CYCLES; DEVICES FOR LEARNING TO RIDE CYCLES
- B62H3/00—Separate supports or holders for parking or storing cycles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62H—CYCLE STANDS; SUPPORTS OR HOLDERS FOR PARKING OR STORING CYCLES; APPLIANCES PREVENTING OR INDICATING UNAUTHORIZED USE OR THEFT OF CYCLES; LOCKS INTEGRAL WITH CYCLES; DEVICES FOR LEARNING TO RIDE CYCLES
- B62H5/00—Appliances preventing or indicating unauthorised use or theft of cycles; Locks integral with cycles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q2240/00—Transportation facility access, e.g. fares, tolls or parking
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
人工智能自行车共享系统或其他车辆共享系统能够基于历史数据(包括各种利用率统计)来提供有用的自行车可用性预测。当用户使用自行车共享系统时,可随时间变化收集历史数据。例如,历史数据可包括在各种位置和时间的可用自行车的数量,以及与位置和时间相关联的情境数据。情境数据可包括关于天气、当地事件、季节、一周中某天或一年中某天、新闻事件以及可能或可能不影响自行车利用率的其他环境因素的数据。在一些实施例中,可使用历史数据作为训练数据来训练诸如机器学习模型(例如,神经网络)的模型,使得所述模型可预测某个未来时间和位置的自行车可用性。
Description
背景技术
随着城市变得越来越复杂并且人口继续增长并变得更加流动,对运输和相关基础设施的需求增加。另外,随着生活方式变得越来越活跃,人们和地点的联系变得比以往任何时候都更紧密。人们通常出于各种原因(诸如工作、社交和娱乐等等)而需要在城市内和城市之间出行。出行的频率和安排也可能有很大变化,不论是日常通勤、安排的事件还是自发的行程。无论距离、目的地或出行时间如何,人们都希望能够行动自由并且在期望的时间处于期望的位置。因此,运输和移动系统是实现这种可能生活方式的基础。在城市和市郊地区,运输模式共享程序(诸如自行车(“bike”)共享程序)已变得司空见惯。此类程序实质上提供了一种服务,通过这种服务,自行车可在短期内供个人共享使用,诸如用于出租或借用。然而,常规的自行车共享系统具有导致次优用户体验和次优利用效率的各种缺点。例如,用户可能难以知道在某个时间和位置是否有自行车可用。当用户计划从某个自行车站点借用自行车却在到达自行车站点时发现所有自行车都已被检出时,可能会出现这种情况。这使得用户难以完成出行计划。
附图说明
将参考附图描述根据本公开的各种实施例,在附图中:
图1示出了可在其中实施本系统和方法的示例性运输环境。
图2示出了根据本公开的各种实施例的具有基于站点的人工智能的智能自行车共享系统的示例。
图3示出了根据本公开的各种实施例的具有基于自行车的人工智能的智能自行车共享系统的示例。
图4示出了根据各种实施例的用户装置上的用于优化和预测车辆可用性的示例性用户界面。
图5示出了根据各种实施例的用于优化和预测停靠点可用性的示例性用户界面。
图6示出了根据各种实施例的用于为车辆共享环境提供资源可用性预测的示例性系统实现方式的图。
图7示出了根据本公开的各种实施例的用于预测车辆共享环境中的资源可用性的示例性过程。
图8示出了根据本公开的各种实施例的用于预测并更新车辆共享环境中的资源可用性的示例性过程。
图9示出了根据本公开的各种实施例的本公开的一个或多个装置的一组基本部件。
具体实施方式
在以下描述中,将描述各种实施例。出于解释的目的,将阐述具体的配置和细节,以便提供对实施例的透彻理解。然而,本领域技术人员还将明白,可以在没有具体细节的情况下实践实施例。此外,可以省略或简化公知的特征,以便不使所描述的实施例变得模糊。
根据本公开的各种实施例的系统和方法可克服用于车辆共享的常规方法中经历的前述和其他缺陷中的一者或多者。具体地,各种实施例提供预测共享车辆环境中的车辆或停靠点的可用性,并且利用此类预测来做出推荐或以其他方式优化共享车辆环境的用户体验和利用率。
人工智能自行车共享系统或其他车辆共享系统能够基于历史数据(包括各种利用率统计)来提供有用的自行车可用性预测。当用户使用自行车共享系统时,可随时间变化收集历史数据。例如,历史数据可包括在各种位置和时间的可用自行车的数量,以及与位置和时间相关联的情境数据。情境数据可包括关于天气、当地事件、季节、一周中某天或一年中某天、新闻事件以及可能直接或间接地潜在影响自行车利用率的其他环境因素的数据。在一些实施例中,可使用历史数据作为训练数据来训练诸如机器学习模型(例如,神经网络)的模型,使得所述模型可预测某个未来时间和位置的自行车可用性。在各种实施例中,可使用附加类型的数据(诸如当前可用性和当前用户需求)来确定自行车可用性预测。
在各种实施例中,用户可使用用户装置(例如,智能电话)在某个时间和某个位置请求自行车可用性预测。在接收到请求时,可使用受训练的模型来处理时间和位置以确定所述时间和位置的自行车可用性预测。自行车可用性预测可以被进一步处理并且以各种形式呈现给用户。例如,自行车可用性预测可被呈现为在所述时间和位置有至少一辆自行车可用的可能性。在另一个示例中,自行车可用性预测可被呈现为在所述时间和位置可用的自行车的估计数量。另外,在各种实施例中,可向用户做出推荐以优化他们预约自行车的机会。例如,如果针对请求的时间和位置的自行车可用性预测相对较低或不利,则所述推荐可包括针对具有更有利的可用性预测的替代时间(例如,比初始请求时间晚20分钟)或替代位置(附近位置)的建议。在各种实施例中,自行车共享系统还可包括有限数量的停靠点。因此,自行车共享系统还能够基于历史数据来预测停靠点的可用性,并且使用如上文关于预测自行车的可用性所描述的类似技术来提供推荐。
尽管本公开中所示的示例描述了自行车共享系统,但是在此提供的系统和方法适用于任何类型的车辆或移动资源,诸如汽车、飞机、船、手推车、踏板车、机动自行车或踏板车、滑板车、平衡车等等。
各种其他特征和应用可基于上述技术和当前公开的技术来实施,并且因此可实践上述技术和当前公开的技术。因此,根据各种实施例的方法改进了自行车共享系统的技术。传统的自行车共享技术包括用于基于用户认证或支付认证从停靠站点检出(例如,解锁)自行车的机制。本公开提供了一种人工智能联网自行车共享系统,所述人工智能联网自行车共享系统配备有专用传感器、网络对接装置和其他电子器件,其使得用户能够接收最新信息以及甚至未来可用性预测,所述未来可用性预测可使得他们能够更好地计划他们的通勤。下文关于各种实施例呈现了各种其他应用、过程和用途,其中的每一者改进了在其上实施它们的计算装置的操作和性能。
图1示出了根据各种实施例的可在其中实施当前系统和方法的示例性运输环境100。如图1所示,许多类型的运输和移动模式在各个城市中是可用的,这通常取决于城市的某些特性,诸如人口规模和密度、人口分布、地形等等。运输和移动模式的一些示例可包括个人拥有的车辆102、公共运输系统(诸如公共汽车104和列车106)、共享自行车108和步行110。城市通常可具有主要运输模式或几种模式的组合。
例如,在人口相对较不密集的大城市中,私人汽车可能是主要运输模式。由于利用效率低,此类城市倾向于具有较不完善的公共运输系统(例如,公共汽车、通勤列车)。例如,开发、维护和操作此类系统的成本可能超过它们为社区提供的益处。在此类城市中,由于感兴趣的位置可能相距较远,因此步行和骑自行车也不太常见。因此,此类城市中的人口严重依赖私人汽车。然而,诸如在典型的工作通勤时间(也称为“高峰时间”)期间以及当存在导致一大批人诸如为了音乐会或体育赛事而聚集在很小的区域中时,可能存在由于道路上或区域中的汽车数量而易于发生道路拥堵的某些时间或位置。另外,尤其是当用于工作通勤时,私人汽车很少满负荷使用,从而导致在空间和能量方面的效率损失。
相反,人口密集的城市倾向于具有更具多模态移动性的环境。例如,除了私人汽车之外,人口密集的城市也倾向于具有更完善的公共运输系统,并且人口倾向于更依赖于公共运输。目的地(例如,办公室、家庭、餐厅)可能更靠近在一起,并且更多的人可能居住在公共汽车站、地铁站等附近,使得这种运输手段又有用又方便。然而,公共运输通常按固定的时间表和固定的路线运行,并且具有固定的上车/下车位置。这意味着人们必须围绕此类因素进行计划,包括计划他们的时间表、确定哪些目的地方便以及甚至他们想要居住的地方。例如,一些公共汽车仅在某些操作时间期间运行,并且因此在非工作时间期间不可作为选项使用。常规运输的不灵活性也会影响企业和房地产利用率。例如,由于便利,位于靠近地铁站或其他公共运输访问点的商家可能增加了人流量或光顾量。类似地,至少对于一些人来说,更靠近此类公共运输访问点的住宅楼也可能是更期望的。实际上,常规运输的固定本质以及人口对运输的依赖可能导致这些人口密集的城市在这些访问点周围变得更加集群化,而不是均匀地利用整个城市的空间。通勤列车提供了用于在几个城市内和之间出行的手段,并且在城市中和之间是普遍存在的,其中人群可能居住在一个城市并且在另一个城市工作或者其他人群频繁地在城市之间出行。然而,与其他形式的常规公共运输一样,通勤列车通常根据设定站之间的设定时间表来运行。
人口密集的城市也可能更有利于步行,因为目的地可能通常在很短的步行距离内。步行还提供了独立性、能量节省和健康的附加益处。然而,城市和社区的行人安全性和便利性可能会有所不同。例如,指定的人行道和其他铺砌的行人路径可为行人提供更好的环境,并且因此更多的人可考虑将步行作为实用的出行形式。另外,天气也可能影响行人。例如,恶劣天气可能使有时甚至不可能短距离步行。另外,诸如如果一个人携带大件或重物或穿着不舒适的鞋子、目的地更远等等,则可能存在使步行特别困难的其他情况。因此,尽管步行在某些类型的环境中可能是一种可用的移动形式,但是可能难以一直依赖它。类似于步行,自行车提供了允许人们相对独立地出行同时节省能量并获得健康益处的方案的一种替代方案。然而,人们可能没有空间存放自行车,或者可能没有足够频繁地使用自行车来保证拥有一辆自行车。共享自行车已经成为在需要时提供对自行车的共享访问的流行手段。例如,如图1所示,用户可为特定行程从自行车站点租用或借出自行车,并且将自行车归还到其目的地的另一个自行车站点,或者在从行程返回时归还到原始自行车站点。
随着人口的增长和生活方式变得越来越活跃,人们和地点的联系变得比以往任何时候都更紧密。人们通常出于各种原因(诸如工作、社交、娱乐等等)而需要在城市内和城市之间出行。此类出行的距离可能差异很大,诸如几个街区、跨越城镇、遍及全国或甚至出国。出行的频率和安排也可能有很大变化,诸如日常通勤、安排的事件和自发的行程。无论距离、目的地或出行时间如何,人们都希望在其期望的时间在期望的位置周围自由移动和处于期望位置处。因此,运输和移动系统是实现这种可能生活方式的基础。然而,常规的移动手段在很大程度上是旧系统,其可能不再适合于满足当前和未来城市及其人口的需求。例如,随着人们变得更加紧密联系,由于大型集会(诸如针对有组织的活动)、通过社交媒体快速鼓动的自发集会以及现代社会特有的其他现象,因此通常可能有交通涌入某些区域。运输系统和模态需要足够稳健以处理不断变化的需求,从而重新定义现有基础设施的约束并且仍在现有基础设施的约束内工作。然而,随着人口的增长,更多土地用于建造房屋、办公室和零售空间以满足人口不断增加的需求。因此,需要附加运输来支持人口的移动性,而可供运输的空间却较少。例如,较少的空间可供停靠,而汽车的数量可能会增加。此类资源约束意味着必须设计和创新运输和移动技术以提高效率,从而提供满足当前和未来人口需求的动态服务,同时减少这样做所需的资源。
本公开涉及用于自行车共享系统以及其他车辆共享系统的技术。现有的自行车共享系统108通常包括容纳多辆自行车114的站点112。用户可在站点112处与自助服务终端116交互以租用或借出可用自行车114中的一者(如果有的话)。例如,用户可刷卡(例如,信用卡、会员卡、识别卡)以解锁自行车。相反,当用户用完自行车时,他们可通过将自行车停靠回站点来归还自行车。然而,可能出现以下情况:用户到达自行车站点的意图是得到自行车,却发现没有自行车可用,从而破坏了他们的计划。类似地,用户可能想要在他们到达其目的地时将他们的自行车归还到站点,但发现站点已满并且没有停靠点可用。因此,用户可能必须找到的另一个站点,所述另一个站点可能更远并且不知道在所述站点处是否有停靠点可用。本公开的各种实施例提供了一种人工智能自行车共享系统,所述人工智能自行车共享系统用于优化和预测共享车辆环境中的车辆或停靠点的可用性,并且利用此类预测来做出推荐或以其他方式优化共享车辆环境的用户体验和利用率。
图2示出了根据各种实施例的具有基于站点的人工智能的智能自行车共享系统200的示例。人工智能自行车共享系统200可包括多个自行车共享站点202,所述多个自行车共享站点位于不同的地理位置,诸如社区的各个部分、城市或跨越遍及国家的多个区域。自行车站点连接到一种或多种网络204,诸如因特网、蜂窝网络、局域网(LAN)、以太网、Wi-Fi或专用网络以及其他此类选项。自行车共享站点202可收集关于自行车利用率和与相应站点相关联的其他参数的各种数据。从多个自行车站点收集的此类数据以及相应的元数据可由计算服务器214使用以确定可用于优化人工智能自行车共享系统200的各种利用率统计、模式和其他见解。用户装置216(诸如智能电话、平板电脑、可穿戴装置(例如,智能手表、智能眼镜、智能手环等)、个人计算机等)可通过一种或多种网络204与各个自行车站点202和/或计算服务器214通信,从而允许用户提供关于自行车共享系统200的输入信息并接收输出信息。
在各种实施例中,人工智能自行车共享系统200的自行车共享站点202可包括用于容纳多辆自行车208的停靠部分206。在一些实施例中,停靠部分206可具有特定数量的停靠点210,并且因此可容纳最大数量的自行车208。在一些其他实施例中,停靠部分206不具有单独限定的停靠点。停靠部分可包括用于将自行车208锁定到自行车共享站点202的锁定机构。在一些实施例中,每个停靠点都有一个锁定机构以用于将一辆自行车锁定到自行车共享站点202。在该示例中,锁定机构可将常规自行车锁定到自行车站点,其中自行车不需要特定或对应的硬件。因此,在该实施例中,人工智能自行车共享系统的自行车208可为不包括特殊硬件或电子装置的常规自行车。在一些实施例中,停靠部分206可不包括锁定机构,使得可自由地使用自行车。具体地,在此类实施例中,可将自行车208移除并归还,而无需将其从自行车共享站点202解锁。在此类实施例中,自行车208和/或自行车站点可包括各种传感器装置以检测自行车何时从站点移除、自行车何时归还给站点,以及自行车在站点的总体可用性以及其他利用率数据。
自行车共享站点202可包括自助服务终端部分212以促进检出或检入自行车。在一些实施例中,自行车共享站点202可包括一个自助服务终端,所述自助服务终端控制自行车站点的所有停靠点的锁定和解锁。在一些其他实施例中,每个停靠点可包括其自己的自助服务终端。自助服务终端212可包括接口,诸如人机界面,所述人机界面可包括用户对接部件的组合,诸如显示器、小键盘、按钮、触摸屏、音频输出、传声器、相机等。自助服务终端212还可包括各种支付或身份验证装置,诸如投币式或现金插口、用于读取信用卡、借记卡、账户卡或其他类型的磁卡的磁卡读取器。自助服务终端212还可包括近场通信(NFC)读取器、蓝牙以及各种其他无线通信接口和装置。自助服务终端212还可包括一个或多个生物识别特征,诸如指纹识别、面部识别等。
自助服务终端部分212可使得用户能够通过执行一个或多个动作来检出自行车,所述一个或多个动作诸如在读卡器处输入账户信息、刷卡、轻敲或握持卡片或其他适当的装置和/或物体、存入现金等等。如果由用户以输入的认证参数(例如,账号、口令)、信用卡或账户卡的形式提供的信息被认证,则其他装置(例如,电话、智能手表),自行车208可从自行车共享站点202解锁并且用户可使用自行车208。在一些实施例中,存入所需量的现金也可使自行车被解锁。
在一些其他实施例中,自行车站点202可包括不包括人类对接部件的无线通信接口。更确切地,在此类实施例中,自行车站点202可直接通过无线通信协议与用户装置216通信。例如,用户装置216可包括由用户携带的移动装置。用户装置216可具有安装在其上的特定软件应用程序(即,“app”)以用于在用户与自行车共享站点202之间提供用户界面。用户可以通过app在用户装置216上执行某些动作,诸如检出和/或检入自行车208。在一些实施例中,app可与用户的账户相关联和/或连接到支付形式,诸如信用卡凭证(例如,信用卡号)或银行账户凭证(例如,账号、银行代号)或其他第三方支付平台。在一些实施例中,可诸如通过基于接近度的感测被动地执行认证和用户识别。例如,携带这种装置的用户可接近自行车站点,并且当所述装置在自行车站点的信号检测范围内时,自行车站点可检测所述装置并且接收从所述装置发射的信号。所述信号可包括认证参数,由此使用户被认证并且自行车变为被解锁了。
在任何上述实施例中,在其他实施例中,人工智能自行车共享系统可跨越多个自行车共享站点202收集各种类型的数据。例如,每个自行车共享站点202可收集关于自行车何时检入或检出以及由谁检入或检出的数据。在一些实施例中,人工智能自行车共享系统中的每辆自行车208包括唯一标识符,使得自行车共享站点202可识别哪辆自行车正在被检出或检入。因此,可跟踪特定自行车208的行程。例如,可检测到自行车A在第一位置的自行车站点处被检出,并且在稍后时间在第二位置的另一自行车站点处被检入,并且因此可推断出自行车A用于从第一位置到第二位置的行程。从自行车站点收集的数据可包括元数据,诸如自行车站点标识符和时间戳,并且可包括地理位置以及其他元数据或与其相关联。
计算环境214可经由一种或多种网络204接收从自行车站点收集的数据和元数据。至少一种网络204可包括任何适当网络,包括内联网、因特网、蜂窝网络、局域网(LAN)或任何其他此类网络或组合,并且可经由有线和/或无线连接实现通过网络进行的通信。在各种实施例中,计算环境214可包括具有一个或多个处理器和存储元件的一个或多个服务器以用于存储和处理从自行车共享站点202接收的数据并利用所述数据执行各种功能,诸如基于所提供的凭证来认证用户、执行交易、记录和分析自行车使用数据、跟踪自行车的位置以及其他计算机功能。在各种实施例中,一个或多个数据分析模型(例如,基于受训练的机器学习的模型)可存储在计算环境中并且用于基于各种数据进行确定或预测。在一些实施例中,计算环境214可包括分布式计算系统或“云计算”环境,其中计算和存储可跨越资源网络(诸如服务器和存储装置)分布,所述资源和网络可根据需要快速配置。
在各种实施例中,可经由与一种或多种网络204连接的用户装置216来提供对人工智能自行车共享系统的用户界面。用户装置216可包括用户可通过其观看、收听或读取内容的装置,并且包括至少一种形式的输入(诸如键盘、按钮或触摸屏)以及至少一种形式的输出(诸如显示器或扬声器)。用户装置216可包括各种计算装置,诸如智能电话、平板计算机、可穿戴计算机(例如,智能眼镜或手表)、台式计算机或笔记本计算机等。用户装置216可包括可操作以进行以下各项的任何适当的电子装置:通过适当的网络发送和接收请求、消息或其他此类信息并且将信息传回到所述装置的用户。在该示例中,用户装置216可通过至少一种网络204与服务器计算环境214进行通信。用户能够利用用户装置216来与人工智能自行车共享系统交互,诸如查看与各种自行车站点202(诸如当前可用的自行车)相关的更新或数据等。用户还可能能够通过用户装置216检出自行车或检入自行车,访问他们的账户以及其他交互。在一些实施例中,软件应用程序(“app”)可安装在用户装置216上,以专门用于提供用于与人工智能自行车共享系统交互的用户界面。
图3示出了根据各种实施例的具有基于自行车的人工智能的智能自行车共享系统300的示例。人工智能自行车共享系统300可包括多辆联网自行车302。自行车连接到一种或多种网络304,诸如因特网、蜂窝网络、局域网(LAN)、以太网、Wi-Fi或专用网络以及其他此类选项。自行车302可收集关于自行车利用率、地理位置、所采用的路线以及其他信息的各种数据。从多辆自行车站点收集的此类数据以及相应的元数据可由计算服务器306使用以确定可用于优化人工智能自行车共享系统300的各种利用率统计、模式和其他见解。用户装置308(诸如智能电话、平板电脑、可穿戴装置、个人计算机等)可通过一种或多种网络304与各辆自行车302和/或计算服务器306通信,从而允许用户提供关于自行车共享系统300的输入信息并接收输出信息。
在各种实施例中,人工智能自行车共享系统300可能是无桩的,其中自行车302不需要停靠在各个停靠点处,如上文关于图2中的自行车站点202所描述的。更确切地,自行车302可停靠在指定的划区、常规的停车位和自行车托架或自行车可能所处的任何地方。自行车302可各自包括处理器、网络通信接口和位置跟踪装置,诸如全球定位系统(GPS)单元。这些部件允许自行车收集数据并通过一种或多种网络传送数据。例如,GPS单元跟踪自行车302的地理位置,从而允许知道自行车302的当前位置以及行驶路径。
在一些实施例中,自行车302可包括将自行车锁定到某个结构的锁定机构。例如,自行车302可被锁定到指定结构。在一些其他实施例中,锁定机构可锁定自行车的功能,从而在不必将其锁定到结构的情况下使其无法使用。例如,锁定机构可锁定自行车的车轮、齿轮、链条或自行车的便于用户骑自行车所需要的任何其他部件。在各种实施例中,可在执行用户认证过程时释放自行车的锁定机构,所述用户认证过程可采用许多形式。
自行车302可包括接口,诸如人机界面,所述人机界面可包括用户对接部件的组合,诸如用户可以通过其输入凭证(例如,用户名、口令、密码)的键盘或触摸屏。在一些实施例中,凭证可以为生物识别数据的形式,诸如指纹、视网膜扫描等。在一些实施例中,自行车302可包括用于接受卡片(例如,信用卡、借记卡、账户卡或其他类型的会员卡/识别卡)或其他基于信号的令牌(例如,钥匙扣、智能电话、可穿戴装置、RFID装置)的检测器或读取器。自行车302上的检测器或读取器可包括近场通信(NFC)读取器、蓝牙以及各种其他无线通信接口和装置。自行车302上的接口可使得用户能够通过执行一个或多个动作来解锁或以其他方式检出自行车,所述一个或多个动作诸如在读卡器处输入账户信息、刷卡、轻敲或握持卡片、呈现智能电话或其他用户装置等等。如果用户被成功认证,则可将自行车302解锁并且用户可使用自行车。在一些实施例中,自行车302上的检测器可为基于接近度的传感器,所述传感器可检测范围内的基于信号的令牌并自动解锁自行车。用户身份也可通过令牌来识别。在各种实施例中,自行车可包括作为人机界面的一部分的各种输出装置,诸如用于向用户呈现各种信息的扬声器、显示器、触觉反馈装置等等。
在一些其他实施例中,自行车302可包括不包括人类对接部件的无线通信接口。更确切地,在某些此类实施例中,自行车302可通过无线通信协议与用户装置308通信。在其他此类实施例中,自行车302可通过一种或多种网络304与计算环境306通信,而不是直接与用户装置308通信。例如,用户装置308可包括由用户携带的移动装置。用户装置308可具有安装在其上的特定软件应用程序(即,“app”)以用于在用户与自行车302之间提供用户界面。用户可以通过app在用户装置上执行某些动作,以检出和/或检入自行车。在一些实施例中,app可与用户的账户相关联和/或连接到支付形式,诸如信用卡凭证(例如,信用卡号)或银行账户凭证(例如,账号、银行代号)或其他第三方支付平台。在一些实施例中,可诸如通过基于接近度的感测被动地执行认证和用户识别。例如,装置可发射携带这种装置的用户可接近自行车站点,并且当所述装置在自行车站点的信号检测范围内时,自行车站点可检测所述装置并且接收从所述装置发射的信号。所述信号可包括认证参数,由此使用户被认证并且自行车变为被解锁了。在其他实施例中,用户装置308可向计算环境306提交请求,所述请求包括凭证和位置或用户想要解锁的特定自行车。计算机环境可认证所述请求并且向待解锁自行车传输指令。
如所描述的,自行车302可包括各种传感器、处理器和其他电子装置以收集和传输数据。例如,可检测到用户何时签出或解锁自行车以及与用户相关联的身份或账户,以及用户何时签入自行车以供另一用户使用。另外,也可知道自行车在这些事件期间以及在任何其他时间的位置。各种其他类型的数据也可被检测到,并且可用于提供各种有用的见解或执行各项任务。
计算环境306可经由一种或多种网络304接收从自行车收集的数据和元数据。至少一种网络304可包括任何适当网络,包括内联网、因特网、蜂窝网络、局域网(LAN)或任何其他此类网络或组合,并且可经由有线和/或无线连接实现通过网络进行的通信。在各种实施例中,计算环境306可包括具有一个或多个处理器和存储元件的一个或多个服务器以用于存储和处理从自行车站点接收的数据并利用所述数据执行各种功能,诸如基于所提供的凭证来认证用户、执行交易、记录和分析自行车使用数据、跟踪自行车的位置以及其他计算机功能。在各种实施例中,一个或多个数据分析模型(例如,基于受训练的机器学习的模型)可存储在计算环境中并且用于基于各种数据进行确定或预测。在一些实施例中,计算环境可包括分布式计算系统或“云计算”环境,其中计算和存储可跨越资源网络(诸如服务器和存储装置)分布,所述资源和网络可根据需要快速配置。
在各种实施例中,如所提及的,可经由用户装置308来提供对人工智能自行车共享系统300的用户界面。用户装置308可包括用户可通过其观看、收听或读取内容的装置,并且包括至少一种形式的输入(诸如键盘、按钮或触摸屏)以及至少一种形式的输出(诸如显示器或扬声器)。用户装置308可包括各种计算装置,诸如智能电话、平板计算机、可穿戴计算机(例如,智能眼镜或手表)、台式计算机或笔记本计算机等。用户装置308可包括可操作以进行以下各项的任何适当的电子装置:通过适当的网络发送和接收请求、消息或其他此类信息并且将信息传回到所述装置的用户。在该示例中,用户装置308可以通过至少一种网络304与服务器计算环境306进行通信。用户能够利用用户装置308来与人工智能自行车共享系统交互,诸如查看与各种自行车站点(诸如当前可用的自行车)相关的更新或数据等。用户还可能能够通过用户装置检出自行车或检入自行车,访问他们的账户以及其他交互。在一些实施例中,软件应用程序(“app”)可安装在用户装置上,以专门用于提供用于与人工智能自行车共享系统交互的用户界面。
本公开提供了一种人工智能车辆共享系统,诸如图2和图3的自行车共享系统,所述人工智能车辆共享系统能够基于历史数据(包括各种利用率统计)来提供有用的车辆可用性预测。当用户使用车辆共享系统时,可随时间变化收集历史数据。例如,历史数据可包括在各种位置和时间的可用车辆的数量,以及与位置和时间相关联的情境数据。在一些实施例中,如果车辆已经被检入但尚未被检出,则车辆可能是可用的,而如果车辆已经被检出但尚未被检入,则车辆可能是不可用的。如果车辆被检出进行维护等,则车辆也可能不可用。情境数据可包括关于天气、当地事件、季节、一周中某天或一年中某天、新闻事件以及可能直接或间接地影响车辆利用率的其他环境因素的数据。在一些实施例中,可使用历史数据作为训练数据来训练诸如机器学习模型(例如,神经网络)的模型,使得所述模型可预测某个未来时间和位置的车辆可用性。在各种实施例中,可使用附加类型的数据(诸如当前可用性、需求以及其他当前状况)来确定车辆可用性预测。
图4示出了根据各种实施例的用户装置402上的用于优化和预测车辆可用性的示例性用户界面400。具体地,用户可通过所述界面进行对车辆可用性预测的请求,所述请求可通过用户装置访问。所述界面可通过与车辆共享系统(诸如上面参考图2和图3所描述的那些)相关联的网站或应用程序来提供。所述界面可提供界面元素404,所述界面元素提示用户选择他们想要检出车辆的时间406和位置408。因此,用户可在他们选择的某个时间和某个位置请求车辆可用性预测。在接收到请求时,可通过上述受训练的模型来处理时间和位置以确定所述时间和位置的车辆可用性预测412。车辆可用性预测412可进行进一步处理并且以各种形式呈现给用户。例如,车辆可用性预测412可被呈现为在所述时间和位置存在至少一辆车辆可用的可能性。在另一个示例中,车辆可用性预测412可被呈现为在所述时间和位置可用的车辆的估计数量。在一些实施例中,所述界面可包括密度图410,所述密度图示出了车辆在选定时间和位置的预测可用性。另外,在各种实施例中,可向用户做出推荐以优化他们得到车辆的机会。例如,如果针对请求的时间和位置的车辆可用性预测相对较低或不利,则所述推荐可包括针对具有更有利的可用性预测的替代时间(例如,比初始请求时间晚20分钟)或车辆位置(附近位置)的建议。
图5示出了根据各种实施例的用于优化和预测停靠点可用性的示例性用户界面500。用户界面500可被设置在用户装置502上。在各种实施例中,车辆共享系统可包括有限数量的停靠点。因此,车辆共享系统还能够基于历史数据来预测停靠点的可用性,并且使用如上文关于预测车辆的可用性所描述的类似技术来提供关于车辆停靠的推荐。例如,用户可选择他们想要在车辆共享环境中停靠车辆的时间504和位置506。所述界面可提供包括选定位置的实时地图视图508。在一些实施例中,实时地图视图可指示在选定位置处或附近的一个或多个停靠站点510或停靠区。在一些实施例中,基于用户的当前位置和到选定位置的估计行驶时间来计算时间,而非用户提供他们想要停靠车辆的时间。估计行驶时间可至少部分地基于用户的历史行为数据(诸如平均行驶速度和当前交通状况)来确定。
在一些实施例中,可显示每个停靠站点的可用停靠点512的当前数量,并且可在地图视图上提供通向最佳停靠站点的路线。可基于与选定位置的接近度和停靠站点的停靠点可用性预测来确定最佳停靠站点。在一些实施例中,可使用以跨越各个时间和位置的历史停靠点可用性数据训练的神经网络来确定停靠点可用性预测。停靠点可用性预测还可考虑当前观察到的状况,诸如当前可用停靠点的数量和当前正在前往所述位置的途中以要将车辆停靠在停靠点中或从停靠点中移除(例如,签出)车辆的用户的数量。在一些实施例中,当用户正在前往所述位置的途中时,当前状况可改变,并且可基于更新的当前状况来重新计算停靠点可用性预测。因此,在一些实施例中,用户的最佳停靠站点可改变,并且地图视图被更新以将用户引导到更新的最佳停靠站点。
图6示出了根据各种实施例的用于为车辆共享环境提供资源可用性预测的示例性系统实现方式的图600。资源可指代可具有可用状态和不可用状态的车辆、停靠点或任何其他此类资源。在各种实施例中,用户可使用用户装置602来请求和获得期望时间和位置的资源可用性预测或推荐。在示例中,用户装置能够跨越一种或多种网络604向资源可用性预测系统606发送和接收信息,诸如请求、呼叫和数据。这可包括对资源可用性预测的请求、对资源类型(例如,车辆或停靠点)的选择、对用户想要利用资源的期望时间和位置的选择以及其他选项和信息。用户装置602可通过一种或多种网络604接收所请求的资源可用性预测、对更佳时间或位置的推荐、当前资源可用性数据以及其他信息。在一些实施例中,用户装置602可包括具有网络连接性的任何类型的计算装置,包括智能电话、平板电脑、智能手表、智能眼镜、其他可穿戴装置、个人计算机、笔记本计算机等。一种或多种网络604可包括任何适当的网络,诸如因特网、局域网(LAN)、蜂窝网络、以太网、Wi-Fi、蓝牙、射频或其他此类有线和/或无线网络。在一些实施例中,多个用户装置602可通过不同类型的网络访问资源可用性预测系统。资源可用性预测系统606可包括用于执行本文描述的各种功能的任何适当的资源,并且可包括各种服务器、数据存储区以及已知的或用于从整个网络(或从“云”)提供内容的其他此类部件。
在各种实施例中,资源可用性预测系统606可包括接口608、预测模型610和推荐层612。系统606还可包括历史数据数据库614和情境数据数据库616。此类模块和数据库可在一个或多个装置(包括物理装置、虚拟装置或两者)上共同地、单独地或以任何组合来实施。信息可通过在其上实施模块和数据库的物理和/或虚拟装置在模块和数据库中的任一者之间传递。
玩家匹配系统606的接口层608可包括联网接口,所述联网接口可促进用户装置与资源可用性预测系统606之间的通信。由资源可用性预测系统606接收的请求可通过接口层608接收。示例性请求可包括对用户选择的时间和位置的资源可用性预测的请求。接口层608还可将来自资源可用性预测系统606的输出(诸如可用性预测、推荐、更新和通知等)提供给用户装置。所述接口还可促进资源可用性预测系统与各个车辆或车辆站点之间的通信。例如,由各个车辆或车辆站点收集的数据(例如,利用率数据)可被传输到资源可用性预测系统,在所述资源可用性预测系统中通过接口接收所述数据。在所示的示例中,请求通过一种或多种网络从用户装置发送并在接口处接收。在一些实施例中,所述请求包括一组查询条件(例如,时间值、位置值、资源类型)。将查询条件输入到预测模型中以确定针对查询条件的资源可用性预测。在各种实施例中,可基于存储在历史数据数据库614中的历史数据来训练模型610。
预测模型610可接收查询条件620并确定资源可用性预测618。预测模型610可包括各种类型的模型,包括机器学习模型,诸如以历史数据训练的神经网络。可使用其他类型的机器学习模型,诸如决策树模型、相关联的规则模型、包括深度神经网络的神经网络、归纳学习模型、支持向量机、集群模型、回归模型、贝叶斯网络、遗传模型、各种其他监督或无监督机器学习技术等等。预测模型610可包括各种其他类型的模型,包括各种确定性模型、非确定性模型和概率模型。例如,预测模型610包括被训练为确定选定时间和位置的资源可用性预测的一种或多种神经网络。如所提及的,可以历史数据614训练模型,所述历史数据可包括例如跨越许多时间和位置的资源可用性统计的记录。另外,历史数据还可包括与相应时间和位置相关联的情境数据616。情境数据可包括关于在某个时间和位置发生何事的数据,诸如天气状况、事件、新闻、季节信息、一周中某天或一年中某天以及其他因素。由于此类因素可能影响资源可用性,因此预测模型610还可考虑该情境数据。在一些实施例中,包括情境数据616的历史数据614可构成用于训练模型的训练数据。在某些此类实施例中,训练数据可包括大量示例性输入-输出对。例如,特定输入-输出对可包括作为时间、位置以及与时间和位置相关联的各种情境数据的输入。所述输出可包括所述时间和位置处的可用资源(例如,车辆、停靠点)的数量。给定足够大数量的此类示例性输入-输出对,可训练模型以基于某个输入来估计输出。具体地,所述模型可在给定某些条件620(例如,时间、位置和情境数据)的情况下估计资源可用性预测618。
所述神经网络可为回归模型或分类模型。在回归模型的情况下,神经网络的输出是表示可用性预测结果的连续值范围上的值。在分类模型的情况下,神经网络的输出是分类到一个或多个离散类别中。例如,关于获得资源(例如,车辆、停靠点)的可能性,表示可用性预测的输出可被分类为“差”、“良”或“好”。预测模型可输出估计的资源可用性预测,所述估计的资源可用性预测可经由接口传输到用户装置。在一些实施例中,估计的可用性可以各种形式呈现,诸如在选定时间和位置处有至少一个选定资源(例如,车辆、停靠点)可用的可能性,或者在所述选定时间和位置的可用资源的估计数量。预测可被表示为分数、百分比、置信水平、评级以及其他形式。
在一些实施例中,在推荐层612中使用从模型610输出的可用性预测,所述推荐层基于可用性预测为用户生成推荐622。例如,如果针对请求的时间和位置的车辆可用性预测相对较低或不利,则推荐622可包括针对具有更有利的可用性预测的替代时间(例如,比初始请求时间晚20分钟)或车辆位置(附近位置)的建议。如果针对所请求的时间和位置的可用性预测是可接受的,则推荐可为保持所述时间和位置。可经由接口608和一种或多种网络604将推荐622传输到用户装置602。
图7示出了根据各种实施例的用于训练和使用神经网络以预测车辆共享环境中的资源可用性的示例性过程700。应当理解,对于本文所讨论的任何过程,在各种实施例的范围内可存在以类似或替代顺序或者并行地执行的附加的、更少的或替代步骤。在该示例中,获得702从车辆共享系统收集的历史数据并将其用作训练数据以训练704神经网络或其他机器学习模型。所述车辆共享系统可包括多个资源,并且所述历史数据包括关于相应时间和位置处的资源可用性数据的数据。在一些实施例中,历史数据还包括与相应时间和位置相关联的情境数据,诸如天气、当地事件以及其他环境因素。在一些实施例中,车辆共享系统包括有桩式自行车共享系统,所述自行车共享系统包括多个停靠站点和多辆自行车,并且查询的位置与一个或多个停靠站点相关联。在一些实施例中,车辆共享系统包括具有地理定位、处理和联网能力的无桩自行车(dockless bicycle)。在此类实施例中,无桩自行车可位于多个地理区域中并在其中移动,并且查询位置与区域中的一者或多者相关联。
使用历史数据来训练704神经网络以预测给定时间和位置的车辆可用性。因此,在训练了神经网络之后,可从用户装置接收706对资源可用性预测的查询。所述查询可包括当前或未来的时间和位置。例如,当操作用户装置的用户选择他们想要检出车辆的某个时间和某个位置并且因此检查所述时间和位置的可用性预测时,可生成查询。通过受训练的神经网络处理708由用户选择的查询时间和位置,所述神经网络基于历史数据确定710针对查询时间和位置的可用性预测。在一些实施例中,获得与查询时间和位置相关联的情境数据并将其用于确定710可用性预测。例如,可能在查询时间和位置处发生体育赛事,这可能会影响可用性预测。具体地,历史数据可包括在类似的体育赛事期间的并且用于确定当前可用性预测的自行车利用率和/或可用性的记录。然后可基于所确定的可用性预测生成712响应并且将响应提供714给用户装置。
图8示出了根据各种实施例的用于预测车辆共享环境中的停靠可用性的示例性过程800。在该示例中,可诸如从用户装置接收802或者基于来自用户装置的请求来生成对与车辆共享系统相关联的资源可用性预测的查询。所述查询可包括当前或未来的时间和位置以用于可用性预测。例如,当操作用户装置的用户选择他们想要检出车辆的某个时间和某个位置并且因此检查所述时间和位置的可用性预测时,可生成查询。在一些实施例中,可基于发起查询的当前位置和时间来确定查询时间。可计算从用户的当前位置和选定位置开始的估计行驶时间,并且用于实际查询的时间是加到当前时间的估计行驶时间。因此,资源可用性预测将基于预期用户到达所述位置的时间。
在各种实施例中,车辆共享系统包括一种或多种类型的多辆车辆,各辆车辆在给定时间具有可用状态或不可用状态,并且其中资源可用性预测包括对在所述时间和位置处的车辆可用性预测。在一些实施例中,车辆共享系统包括具有地理定位、处理和联网能力的无桩自行车。在此类实施例中,无桩自行车可位于多个地理区域中并在其中移动,并且查询位置与区域中的一者或多者相关联。在各种实施例中,车辆共享系统包括多个车辆停靠点,其中各个车辆停靠点与多个位置中的一者相关联并且在给定时间具有可用状态或不可用状态。因此,在此类实施例中,资源可用性预测可包括对所述时间和位置处的车辆停靠点可用性的预测。在各种实施例中,车辆共享系统包括车辆和停靠点两者,并且查询可针对车辆和停靠点可用性预测中的任一者或两者。
通过被训练以基于输入时间和位置确定可用性预测的神经网络来处理804由用户选择的查询时间和位置。具体地,可使用历史数据来训练神经网络,所述历史数据包括过去的相应时间和位置处的资源可用性数据和统计。因此,使用以历史数据训练的神经网络,可针对选定时间和位置确定806资源可用性预测。在一些实施例中,历史数据包括如上所述的情境数据,并且在确定资源可用性预测时还考虑查询时间和位置的情境数据。例如,情境数据可包括天气、当地事件、季节、一周中某天、一年中某天、假日、新闻事件以及与特定时间和位置相关联的任何其他因素。
在一些实施例中,当前状况可用于确定资源可用性预测。例如,当前状况可包括针对可从其他用户装置接收的相同时间和位置的资源可用性预测的其他查询的次数。其他查询的次数可被解译为当前在所述时间和位置处对资源的当前需求的量度。因此,可至少部分地基于针对所述时间和位置接收到的其他查询的次数来确定资源可用性预测。类似地,多个其他用户可能当前正前往所述位置的途中,意图是基于与用户相关联的行为数据来利用多个资源中的资源,并且资源可用性预测可至少部分地基于当前正在途中的用户的数量。可使用各种数据来确定利用资源的意图。例如,用户当前可能正在利用共享车辆系统的车辆并且已经输入所述位置作为他们的目的地,在所述位置,他们可能将他们的车辆停靠在停靠点。可确定估计的到达时间。因此,可解译车辆将在估计的到达时间在所述位置处变得可用,并且停靠点将变得不可用,这可能影响资源可用性预测。
然后可基于所确定的可用性预测生成808信息并且将信息提供810给用户装置以便呈现给用户。在一些实施例中,所述信息包括所述多个资源中的至少一者将在所述时间和所述位置处可用的可能性分数或所述多个资源中在所述时间和所述位置处将可用的资源的估计数量。在一些实施例中,所述信息可包括基于资源可用性预测对用户的推荐。例如,诸如如果原始查询的时间和位置的资源可用性预测下降到低于某个阈值,则所述推荐可包括与较高资源可用性资源预测相关联的替代附近位置或时间窗口。在各种实施例中,可确定用户是否已成功获得资源(例如,自行车、停靠点)。如果用户已经获得资源,则过程可以停止814。如果用户尚未获得资源,则确定用于获得资源的当前状况或选定时间或位置是否已改变。如果那些当中没有一个发生改变,则维持先前确定的响应并将其提供810给用户装置。然而,如果那些当中有一个已经改变,则通过模型处理804新的一组选定的时间和位置以及当前状况,并且生成808新的响应并将其提供810给用户装置。因此,如果任何当前状况改变或者如果用户改变选定的时间或位置,则可不断地更新提供给用户装置的关于资源可用性预测的响应。
图9示出了本公开的一个或多个装置900(诸如用户装置、自行车站点和自行车)的一组基本部件。在该示例中,所述装置包括至少一个处理器902,所述至少一个处理器用于执行可存储在存储器装置或元件904中的指令。如本领域普通技术人员将明白的,所述装置可包括许多类型的存储器、数据存储装置或计算机可读介质,诸如用于由至少一个处理器902执行的程序指令的第一数据存储装置,相同或单独的存储装置可用于图像或数据,可移动存储器可用于与其他装置共享信息,并且任何数量的通信方法可用于与其他装置共享。所述装置通常将包括至少一种类型的显示元件906,诸如触摸屏、电子墨水(e-墨水)、有机发光二极管(OLED)或液晶显示器(LCD),但是所述装置可经由其他方式(诸如通过音频扬声器)输出信息。所述装置可包括至少一个通信部件908,所述至少一个通信部件可例如通过网络(诸如因特网、蜂窝网络、Wi-Fi网络、等)来实现语音和/或数据信号的有线和/或无线通信传送。所述装置可包括能够从用户接收常规输入的至少一个附加的输入装置910。该常规输入可包括例如按钮、触摸板、触摸屏、相机、传声器、小键盘、扫描仪、检测器或任何其他这样的装置或元件,其中用户可向装置输入命令。在一些实施例中,这些I/O装置甚至可通过无线红外或蓝牙或其他链路来连接。然而,在一些实施例中,此装置可能根本不包括任何按钮,并且可能仅通过视觉命令与音频命令的组合进行控制,使得用户可控制装置而不必接触装置。如所讨论的,根据所描述的实施例,可在各种环境中实施不同的方法。
因此,本说明书和附图应被视为具有说明性意义而非限制性意义。然而,显而易见的是,在不脱离如权利要求所述的本发明的更广泛精神和范围的情况下,可以进行各种修改和改变。
Claims (15)
1.一种系统,其包括:
至少一个计算装置处理器;以及
存储器装置,所述存储器装置包括指令,所述指令在由所述至少一个计算装置处理器执行时使所述系统进行以下操作:
获得从车辆共享系统收集的历史数据,所述车辆共享系统包括多个资源,并且所述历史数据包括关于相应时间和位置处的资源可用性的信息;
使用所述历史数据作为训练数据来训练机器学习模型,以生成受训练的机器学习模型以基于时间和位置对输出资源可用性预测;
从用户装置接收对资源可用性预测的查询,所述查询包括查询时间和查询位置;
通过所述受训练的机器学习模型处理所述查询时间和所述查询位置以确定所述资源可用性预测;
至少部分地基于所述资源可用性预测生成对所述查询的响应;并且
将所述响应提供给向所述用户装置。
2.根据权利要求1所述的系统,其中所述指令在被执行时进一步使所述系统进行以下操作:
获得与所述查询时间和所述查询位置相关联的情境数据,所述情境数据包括天气信息、事件信息、季节信息、一周中某天信息、一年中某天信息、假日信息和新闻信息中的一者或多者,其中所述历史数据包括与所述相应时间和位置相关联的情境数据;并且
至少部分地基于与所述查询时间和所述查询位置相关联的所述情境数据来确定所述资源可用性预测。
3.根据权利要求1所述的系统,其中所述车辆共享系统包括有桩式自行车共享系统,所述有桩式自行车共享系统包括多个停靠站点和多辆自行车,其中所述查询位置与所述多个停靠站点中的至少一者相关联。
4.根据权利要求1所述的系统,其中所述车辆共享系统包括无桩自行车共享系统,所述无桩自行车共享系统包括具有地理位置、处理和联网能力的多辆自行车,所述多辆自行车被定位在多个地理区域中并且能够移动通过所述多个地理区域,其中所述查询位置与所述多个地理区域中的至少一者相关联。
5.一种计算机实施的方法,其包括:
接收对与车辆共享系统相关联的资源可用性预测的查询,所述车辆共享系统包括多个资源,所述查询包括时间值和位置值;
通过模型处理所述时间值和所述位置值,所述模型使用历史数据进行训练,所述历史数据包括相应时间和位置处的资源可用性统计;
至少部分地基于所述时间值和所述位置值来确定所述资源可用性预测;
响应于所述查询来确定要提供给用户的信息;以及
将所述信息提供给所述用户的用户装置。
6.根据权利要求5所述的计算机实施的方法,其中所述历史数据包括与所述相应时间和位置相关联的情境数据,所述方法还包括:
获得与所述查询的所述时间值和所述位置值相关联的情境数据;以及
至少部分地基于与所述时间值和所述位置值相关联的所述情境数据来确定所述资源可用性预测。
7.根据权利要求6所述的计算机实施的方法,其中所述情境数据包括天气信息、事件信息、季节信息、一周中某天信息、一年中某天信息、假日信息和新闻信息中的至少一者。
8.根据权利要求5所述的计算机实施的方法,其中所述多个资源包括一种或多种类型的多辆车辆,各辆车辆在给定时间具有可用状态或不可用状态,并且其中资源可用性预测包括对在所述时间和位置处的车辆可用性预测。
9.根据权利要求5所述的计算机实施的方法,其中所述多个资源包括多个车辆停靠点,所述多个车辆停靠点中的各个车辆停靠点与所述多个位置中的一者相关联并且在给定时间具有可用状态或不可用状态,并且其中所述资源可用性预测包括对在所述时间和位置处的车辆停靠点可用性预测。
10.根据权利要求5所述的计算机实施的方法,其中所述资源可用性预测包括所述多个资源中的至少一者在由所述时间值指示的时间和在由所述位置值指示的位置处可用的可能性分数。
11.根据权利要求5所述的计算机实施的方法,其中所述资源可用性预测包括所述多个资源中的在由所述时间值指示的时间和在由所述位置值指示的位置处可用的资源的估计数量。
12.根据权利要求5所述的计算机实施的方法,其还包括:
基于所述资源可用性预测来确定针对所述用户的推荐,所述推荐包括与较高资源可用性资源预测相关联的替代位置或替代时间中的一者。
13.根据权利要求5所述的计算机实施的方法,其还包括:
从多个装置接收针对与由所述时间值指示的时间相同的时间和与由所述位置值指示的位置相同的位置处的资源可用性预测的多次查询;
至少部分地基于所述次查询的次数来确定当前需求的度量;以及
至少部分地基于所述当前需求的度量来确定所述资源可用性预测。
14.根据权利要求5所述的计算机实施的方法,其还包括:
确定在前往由所述位置值指示的位置的途中将要利用所述多个资源中的资源的用户的数量;以及
至少部分地基于所述用户数量来确定所述资源可用性预测。
15.根据权利要求5所述的计算机实施的方法,其还包括:
确定所述用户装置的位置;
确定从所述位置到由所述位置值指示的位置的行驶时间;以及
至少部分地基于所述行驶时间来确定所述资源可用性预测。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2018/022844 WO2019177620A1 (en) | 2018-03-16 | 2018-03-16 | Optimizing and predicting availability of resources in a shared vehicle environment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111868763A true CN111868763A (zh) | 2020-10-30 |
Family
ID=67907954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880091047.XA Pending CN111868763A (zh) | 2018-03-16 | 2018-03-16 | 优化和预测共享车辆环境中的资源可用性 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200410375A1 (zh) |
CN (1) | CN111868763A (zh) |
DE (1) | DE112018007119T5 (zh) |
WO (1) | WO2019177620A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034740A (zh) * | 2021-02-26 | 2021-06-25 | 山东浪潮质量链科技有限公司 | 一种共享单车解锁方法、设备及存储介质 |
CN113095636A (zh) * | 2021-03-25 | 2021-07-09 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015535993A (ja) | 2012-09-25 | 2015-12-17 | スクート ネットワークス, インコーポレイテッドScoot Networks, Inc. | 車両アクセス調節システムおよび方法 |
WO2019204144A1 (en) * | 2018-04-16 | 2019-10-24 | Bird Rides, Inc. | On-demand rental of electric vehicles |
WO2019204145A1 (en) | 2018-04-20 | 2019-10-24 | Bird Rides, Inc. | Remotely controlling use of an on-demand electric vehicle |
US11527980B2 (en) | 2018-07-09 | 2022-12-13 | Shimano Inc. | Electronic device and human-powered vehicle system |
US11597470B2 (en) | 2018-07-09 | 2023-03-07 | Shimano Inc. | Human-powered vehicle component, mobile electronic device, and equipment for human-powered vehicle |
US11527981B2 (en) | 2018-07-09 | 2022-12-13 | Shimano Inc. | Human-powered vehicle control device, electronic device, and human-powered vehicle control system |
US11731723B2 (en) * | 2018-07-09 | 2023-08-22 | Shimano Inc. | Rider recognition device for human-powered vehicle and control system of human-powered vehicle |
US11263690B2 (en) | 2018-08-20 | 2022-03-01 | Bird Rides, Inc. | On-demand rental of electric vehicles |
US11410089B2 (en) * | 2018-08-30 | 2022-08-09 | International Business Machines Corporation | Dynamic booking system for shared dockless bikes using trajectory position |
US11439870B2 (en) * | 2018-12-06 | 2022-09-13 | International Business Machines Corporation | Equipment use tracking and availability prediction |
CN109649542B (zh) * | 2019-01-07 | 2024-04-16 | 九号智能(常州)科技有限公司 | 电动车 |
US11733046B2 (en) | 2019-10-07 | 2023-08-22 | Lyft, Inc. | Multi-modal transportation proposal generation |
US11226208B2 (en) | 2019-10-07 | 2022-01-18 | Lyft, Inc. | Transportation route planning and generation |
US10746555B1 (en) * | 2019-10-07 | 2020-08-18 | Lyft, Inc. | Multi-modal transportation route deviation detection and correction |
US11733049B2 (en) | 2019-10-07 | 2023-08-22 | Lyft, Inc. | Multi-modal transportation system |
WO2021074044A1 (de) * | 2019-10-13 | 2021-04-22 | WATERMAN Charging System GmbH | Verbindungsvorrichtung zum verbinden eines kleinfahrzeugs mit einer basisstation |
US20210107579A1 (en) * | 2019-10-14 | 2021-04-15 | Trek Bicycle Corporation | Vehicle station system |
FR3102875B1 (fr) * | 2019-10-31 | 2023-10-20 | El Hadj Mohamed Ait | Procédé de sécurisation d’une location d’un engin de locomotion et/ou d’équipements de protection pour un utilisateur d’engin de locomotion |
CN111143769B (zh) * | 2019-12-09 | 2023-05-09 | 深圳市市政设计研究院有限公司 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
CN111190982B (zh) * | 2019-12-25 | 2024-03-22 | 航天信息股份有限公司 | 一种基于大数据的共享单车管理方法及系统 |
US20210302175A1 (en) * | 2020-03-31 | 2021-09-30 | Lyft, Inc. | Multi-modal route generation system |
CN111489039B (zh) * | 2020-04-15 | 2023-05-19 | 悉地(苏州)勘察设计顾问有限公司 | 共享单车总量预测方法及系统 |
US11620588B2 (en) * | 2020-06-23 | 2023-04-04 | Capital One Services, Llc | Methods and systems for determining alternative plans |
KR20220046938A (ko) * | 2020-10-08 | 2022-04-15 | 현대모비스 주식회사 | 교통시스템 및 그 운영방법 |
CN112329986A (zh) * | 2020-10-13 | 2021-02-05 | 厦门市交通研究中心 | 一种共享单车的停放管理方法、装置及设备 |
CN112528156B (zh) * | 2020-12-24 | 2024-03-26 | 北京百度网讯科技有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
CN113240898B (zh) * | 2021-04-30 | 2022-11-22 | 云上青海大数据产业有限公司 | 一种大数据信息采集方法 |
US20220374804A1 (en) * | 2021-05-18 | 2022-11-24 | Hewlett-Packard Development Company, L.P. | Resource availability prediction |
CN113393093A (zh) * | 2021-05-27 | 2021-09-14 | 摩拜(北京)信息技术有限公司 | 基于网格的车辆调度方法和服务器 |
CN113903122B (zh) * | 2021-09-30 | 2023-04-11 | 宁波小遛共享信息科技有限公司 | 共享车辆的临时锁定方法、装置及计算机设备 |
ES2929233A1 (es) * | 2021-11-10 | 2022-11-25 | Garcia Carlos Villegas | Metodo y sistema de gestion de aparcamiento para vehiculos de micromovilidad compartidos |
CN114580178B (zh) * | 2022-03-09 | 2022-08-30 | 中国科学院地理科学与资源研究所 | 一种蚊虫分布预测方法、装置、设备和存储介质 |
CN114819536A (zh) * | 2022-04-02 | 2022-07-29 | 北京阿帕科蓝科技有限公司 | 一种车辆调度方法 |
Family Cites Families (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6453298B2 (en) * | 1998-07-10 | 2002-09-17 | Honda Giken Kogyo Kabushiki Kaisha | Method of operating a vehicle redistribution system based upon predicted ride demands |
JP4042840B2 (ja) * | 2001-07-06 | 2008-02-06 | 富士通株式会社 | 需要情報集積システム及び需要情報集積方法 |
WO2008157443A2 (en) * | 2007-06-13 | 2008-12-24 | Intrago Corporation | Shared vehicle management system |
US20120265434A1 (en) * | 2011-04-14 | 2012-10-18 | Google Inc. | Identifying Parking Spots |
US9002767B2 (en) * | 2012-01-10 | 2015-04-07 | Kenneth E. Pringle | System and method for managing electrified parking space utilization |
US20140122190A1 (en) * | 2012-10-31 | 2014-05-01 | Ouri Wolfson | System and methods for detection and selection of a resource among available resources |
CN104937650B (zh) * | 2012-12-21 | 2017-12-05 | 泊知港有限公司 | 用于定位可用停车位的系统及方法 |
US20150242944A1 (en) * | 2013-09-20 | 2015-08-27 | Eugene S. Willard | Time dependent inventory asset management system for industries having perishable assets |
WO2015143097A1 (en) * | 2014-03-18 | 2015-09-24 | Berns Landon | Determining parking status and parking availability |
US9267812B1 (en) * | 2014-08-15 | 2016-02-23 | Telecommunication Systems, Inc. | Parking option |
US10922746B2 (en) * | 2014-09-05 | 2021-02-16 | Clutch Technologies, Llc | System and method for scoring the fit of a vehicle for a given flip request |
US10580081B2 (en) * | 2014-09-05 | 2020-03-03 | Clutch Technologies, Llc | System and method for dynamic insurance coverage in a subscription vehicle service |
US20200065908A1 (en) * | 2014-09-05 | 2020-02-27 | Clutch Technologies, Llc | System and method for dynamic insurance coverage in a subscription vehicle service |
US9767690B2 (en) * | 2014-11-19 | 2017-09-19 | Uber Technologies, Inc. | Parking identification and availability prediction |
US20160189098A1 (en) * | 2014-12-30 | 2016-06-30 | Here Global B.V. | Method and apparatus for providing access to contextually relevant vehicles for delivery purposes |
US20160217510A1 (en) * | 2015-01-22 | 2016-07-28 | Charlottesville Parking Center, Inc. | Apparatus, method, and computer-readable medium that transmit accumulated total measure to an external device |
SG11201706156SA (en) * | 2015-01-30 | 2017-08-30 | Singapore Univ Of Tech And Design | Vehicles, vehicle controller systems, methods for controlling a vehicle, and methods for controlling a plurality of vehicles |
SG11201706602RA (en) * | 2015-02-13 | 2017-09-28 | Beijing Didi Infinity Tech And Dev Co Ltd | Methods and systems for transport capacity scheduling |
US10354531B1 (en) * | 2015-09-25 | 2019-07-16 | Apple Inc. | System and method for identifying available parking locations |
US11138524B2 (en) * | 2016-03-11 | 2021-10-05 | Uber Technologies, Inc. | Cascaded boosted predictive models |
US11176500B2 (en) * | 2016-08-16 | 2021-11-16 | Teleport Mobility, Inc. | Interactive real time system and real time method of use thereof in conveyance industry segments |
US11182709B2 (en) * | 2016-08-16 | 2021-11-23 | Teleport Mobility, Inc. | Interactive real time system and real time method of use thereof in conveyance industry segments |
US11367088B2 (en) * | 2016-11-11 | 2022-06-21 | Jpmorgan Chase Bank, N.A. | System and method for providing data science as a service |
US11562382B2 (en) * | 2016-11-11 | 2023-01-24 | Jpmorgan Chase Bank, N.A. | System and method for providing data science as a service |
US20180174454A1 (en) * | 2016-12-21 | 2018-06-21 | Mastercard International Incorporated | Method and system for predicting parking space availability using multi-factor analytics |
US10343631B2 (en) * | 2016-12-28 | 2019-07-09 | Uber Technologies, Inc. | Decreasing autonomous vehicle power consumption |
WO2018156112A1 (en) * | 2017-02-22 | 2018-08-30 | Ford Motor Company | Smart vehicle parking apparatus and related methods |
US9953539B1 (en) * | 2017-03-28 | 2018-04-24 | Nec Corporation | Method and system for providing demand-responsive dispatching of a fleet of transportation vehicles, and a mobility-activity processing module for providing a mobility trace database |
US20180300660A1 (en) * | 2017-04-18 | 2018-10-18 | Lyft, Inc. | Systems and methods for provider claiming and matching of scheduled requests |
CN107040895B (zh) * | 2017-05-12 | 2018-02-02 | 北京帮带西东网络科技有限公司 | 基于无桩车辆的电子围栏控制方法 |
US10169996B2 (en) * | 2017-05-17 | 2019-01-01 | Here Global B.V. | Method and apparatus for estimation of waiting time to park |
US10762447B2 (en) * | 2017-05-23 | 2020-09-01 | Uatc, Llc | Vehicle selection for on-demand transportation services |
US11282009B2 (en) * | 2017-05-23 | 2022-03-22 | Uatc, Llc | Fleet utilization efficiency for on-demand transportation services |
US11080806B2 (en) * | 2017-05-23 | 2021-08-03 | Uber Technologies, Inc. | Non-trip risk matching and routing for on-demand transportation services |
US20180349792A1 (en) * | 2017-05-31 | 2018-12-06 | Here Global B.V. | Method and apparatus for building a parking occupancy model |
US10032368B1 (en) * | 2017-06-01 | 2018-07-24 | Here Global B.V. | Method and apparatus for measurement of parking duration from anonymized data |
US20180374004A1 (en) * | 2017-06-27 | 2018-12-27 | Jacques Eone | Parking inventory and reservation management system for flexible parking subscriptions |
US20190026671A1 (en) * | 2017-07-20 | 2019-01-24 | DTA International FZCO | Device, System, and Method for Optimizing Taxi Dispatch Requests |
US10459444B1 (en) * | 2017-11-03 | 2019-10-29 | Zoox, Inc. | Autonomous vehicle fleet model training and testing |
RU2681963C1 (ru) * | 2017-11-07 | 2019-03-14 | Общество С Ограниченной Ответственностью "Яндекс" | Система и способ для определения наличия парковки |
US11386789B1 (en) * | 2017-11-10 | 2022-07-12 | Lyft, Inc. | Using a predictive request model to optimize provider resources |
US20190146508A1 (en) * | 2017-11-14 | 2019-05-16 | Uber Technologies, Inc. | Dynamic vehicle routing using annotated maps and profiles |
US10726644B2 (en) * | 2017-12-22 | 2020-07-28 | Lyft, Inc. | Fleet maintenance management for autonomous vehicles |
US10670411B2 (en) * | 2017-12-29 | 2020-06-02 | Lyft Inc. | Efficient matching of service providers and service requests across a fleet of autonomous vehicles |
US11663561B2 (en) * | 2017-12-29 | 2023-05-30 | Lyft, Inc. | Charge scheduling across a fleet of autonomous vehicles (AVs) |
US11704608B2 (en) * | 2017-12-29 | 2023-07-18 | Lyft, Inc. | Session-based transportation dispatch |
US11158020B2 (en) * | 2017-12-29 | 2021-10-26 | Lyft, Inc. | Assigning rides based on probability of provider acceptance |
US10853862B2 (en) * | 2017-12-31 | 2020-12-01 | Lyft, Inc. | In-vehicle vending inventory tracking |
US11168995B2 (en) * | 2018-03-15 | 2021-11-09 | Waymo Llc | Managing a fleet of vehicles |
-
2018
- 2018-03-16 CN CN201880091047.XA patent/CN111868763A/zh active Pending
- 2018-03-16 WO PCT/US2018/022844 patent/WO2019177620A1/en active Application Filing
- 2018-03-16 DE DE112018007119.7T patent/DE112018007119T5/de active Pending
- 2018-03-16 US US16/980,923 patent/US20200410375A1/en active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034740A (zh) * | 2021-02-26 | 2021-06-25 | 山东浪潮质量链科技有限公司 | 一种共享单车解锁方法、设备及存储介质 |
CN113095636A (zh) * | 2021-03-25 | 2021-07-09 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
CN113095636B (zh) * | 2021-03-25 | 2024-01-23 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019177620A1 (en) | 2019-09-19 |
US20200410375A1 (en) | 2020-12-31 |
DE112018007119T5 (de) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200410375A1 (en) | Optimizing and predicting availability of resources in a shared vehicle environment | |
JP6918087B2 (ja) | オン・デマンドサービスの情報を提供する方法及びシステム | |
US10820148B2 (en) | Geohash-related location predictions | |
US11615710B2 (en) | Providing indicators of availability in a shared vehicle environment | |
EP3660757A1 (en) | Method and apparatus for booking of a shared vehicle | |
US11880899B2 (en) | Proximity-based shared transportation reservations | |
US20190051174A1 (en) | Travel path and location predictions | |
WO2016127918A1 (zh) | 一种运力调度方法及系统 | |
WO2016119749A1 (zh) | 一种订单分配系统及方法 | |
CN110869953A (zh) | 推荐交通出行服务的系统和方法 | |
US10794714B2 (en) | Self-driving vehicle systems and methods | |
US11343636B2 (en) | Automatic building detection and classification using elevator/escalator stairs modeling—smart cities | |
US20210082075A1 (en) | Systems and methods for matching transportation devices based on conversion probability | |
US20210108939A1 (en) | Personalized mobility as a service | |
Rajkumar et al. | An improved public transportation system for effective usage of vehicles in intelligent transportation system | |
TW202143162A (zh) | 用於預測車輛的目的地位置之方法 | |
EP4020368A1 (en) | Transportation operator collaboration for enhanced user experience and operational efficiency | |
US20210406709A1 (en) | Automatic building detection and classification using elevator/escalator/stairs modeling-mobility prediction | |
US20210150419A1 (en) | Systems and methods for determining rideable vehicle locations | |
US11521023B2 (en) | Automatic building detection and classification using elevator/escalator stairs modeling—building classification | |
US11494673B2 (en) | Automatic building detection and classification using elevator/escalator/stairs modeling-user profiling | |
WO2019182555A1 (en) | Customizing resources in a shared vehicle environment | |
US20210342760A1 (en) | Systems and methods for utilizing constrained modes of transportation | |
US20210090075A1 (en) | Apparatus, systems, and methods for requesting transportation via a transportation key | |
US11128982B1 (en) | Automatic building detection and classification using elevator/escalator stairs modeling |
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 |