CN111882112B - 一种预测到达时间的方法和系统 - Google Patents
一种预测到达时间的方法和系统 Download PDFInfo
- Publication number
- CN111882112B CN111882112B CN202010620622.XA CN202010620622A CN111882112B CN 111882112 B CN111882112 B CN 111882112B CN 202010620622 A CN202010620622 A CN 202010620622A CN 111882112 B CN111882112 B CN 111882112B
- Authority
- CN
- China
- Prior art keywords
- time interval
- data
- machine learning
- travel
- expected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000010801 machine learning Methods 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 21
- 239000000758 substrate Substances 0.000 claims 1
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000003190 augmentative effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 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
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种预测到达时间的方法和系统。该方法包括获取行驶路径及其关联特征；行驶路径包括出发地、目的地以及至少一个途径地，行驶路径关联特征至少反映行驶路径的道路特征和/或交通信息；对行驶路径关联特征进行处理，以确定预计行驶时间区间，基于出发时间以及预计行驶时间区间或预计到达时间区间。
Description
技术领域
本申请涉及交通技术领域，特别涉及一种确定预计到达时间的方法和系统。
背景技术
随着利用互联网技术的按需运输服务变得越来越流行。例如，在线网约车服务。在按需运输服务中，服务请求者想要知道ETA(Estimated Time of Arrival，预估到达时间)，并根据ETA来安排自己的时间。目前，对于ETA的预测是一个确定的时间点数值，但是由于堵车或路况差等情况，实际的到达时间与预估到达时间之间总是会有偏差。久而久之，由于预估到达时间的数据不准确，会使预估到达时间的参考性也随之降低，这对于服务请求者具体安排时间很不方便。因此有必要提供能够为服务请求者更准确确定预计到达时间的方法和系统，以提升用户体验，帮助用户合理安排时间。
发明内容
本申请实施例之一提供一种预测行驶时间的方法，该方法由至少一个处理器执行，该方法可以包括获取行驶路径及其关联特征；行驶路径可以包括出发地、目的地以及至少一个途径地，行驶路径关联特征可以至少反映行驶路径的道路特征和/或交通信息；对行驶路径关联特征进行处理，以确定预计行驶时间区间或预计达到时间区间。
本申请实施例之一提供一种预测行驶时间的系统，该系统可以包括：第一获取模块，该模块可以用于获取行驶路径及其关联特征；行驶路径可以包括出发地、目的地以及至少一个途径地，行驶路径关联特征可以至少反映行驶路径的道路特征和/或交通信息；确定模块，该模块可以对所述行驶路径关联特征进行处理，以确定预计行驶时间区间或预计达到时间区间。
本申请实施例之一提供一种可预测行驶时间的装置，该装置可以包括至少一个处理器以及至少一个存储器；该至少一个存储器可以用于存储计算机指令；该至少一个处理器可以用于执行计算机指令中的至少部分指令以实现本申请的操作。
本申请实施例之一提供一种计算机可读存储介质，存储介质存储有计算机指令，当计算机指令中的至少部分指令被处理器执行时，实现本申请的操作。
本申请实施例之一提供一种预测行驶时间的提示方法，该方法可以包括：获取出发地和目的地；输出与出发点和目的地相关联的预计行驶时间区间或预计到达时间区间；输出方式可以包括显示和/或声音提示。
本申请实施例之一提供一种预测行驶时间的提示系统，该系统可以包括：第二获取模块，该模块可以用于获取出发地和目的地；输出模块，该模块可以用于输出与出发点和目的地相关联的预计行驶时间区间或预计到达时间区间；输出方式可以包括显示和/或声音提示。
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是根据本申请一些实施例所示的确定预计行驶时间系统的应用场景示意图；
图2是根据本申请的一些实施例所示的示例性系统框图；
图3是根据本申请的一些实施例所示的用于确定预计行驶时间区间的示例性流程图；
图4是根据本申请的一些实施例所示的模型训练过程；
图5是根据本申请的一些实施例所示的模型训练过程；
图6是根据本申请的一些实施例所示的客户端侧的示例性系统框图；以及
图7是根据本申请的一些实施例所示的客户端侧的示例性流程图。
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“模块”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。
本申请的实施例可以应用于不同环境下的运输系统以及导航服务系统，不同环境下的运输系统包括但不限于陆地、海洋、航空、航天等或其任意组合。该运输系统中的使用的交通工具可包括出租车、私家车、顺风车、公共汽车、火车、动车、高铁、地铁、船只、飞机、太空船、热气球、无人驾驶车辆等，或其任意组合。所述运输系统也可以包括应用管理和/或分配的任一运输系统，例如，打车服务、导航服务、发送和/或接收快递的系统。打车服务可以包括出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。打车服务可以在打车应用(APP)界面输出预计到达时间区间或预计行驶时间区间，输出的方式可以是显示和\或声音提示。导航服务可以包括各类电子地图，包括但不限于百度地图、高德地图、腾讯地图等。导航服务可以在导航应用(APP)界面上输出预计到达时间区间或预计行驶时间区间，输出方式可以是显示和\或声音提示。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。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，其他类似的预测行驶时间的系统。
本申请描述的“乘客”、“乘客端”、“用户终端”、“顾客”、“请求者”、“服务请求者”、“消费者”、“消费方”、“使用请求者”等是可以互换的，是指需要或者订购服务的一方，可以是个人，也可以是实体或工具。同样地，本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的，是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外，本申请描述的“用户”可以是需要或者订购服务的一方，也可以是提供服务或者协助提供服务的一方。
本申请涉及用于确定预计到达时间(ETA)区间或预计行驶时间区间的方法和系统。从终端设备接收包括出发地和目的地的服务请求。基于出发地和目的地，可以确定行驶路线，进而确定与行驶路线相关联的输入特征与输出特征。基于输入特征与输出特征，可以确定机器学习模型。基于机器学习模型，可以确定预计行驶时间的波动区间。预测行驶时间的波动区间，即预测大概的行驶时间处于怎样的波动范围。通过出发时间和预计行驶时间的波动区间可以提供预计到达时间的波动区间，进而方便服务请求者具体安排时间。
图1是根据本申请一些实施例所示的用于确定预计行驶时间的系统的应用场景示意图。
如图1所示，系统100可以确定预计行驶时间和/或预计到达时间，并通过终端将所述预计行驶时间和/或预计到达时间输出给请求者。例如，系统100可以确定接单司机从出发点到目的地的预计行驶时间。系统100可以是用于运输服务的在线运输服务平台，例如打车服务、导航服务、司机服务、车辆配送服务、拼车服务、公交服务、代驾服务和班车服务等。系统100可以包括服务器110、网络120、请求者终端130、提供者终端140、车辆终端150和数据库160。服务器110可以包括处理设备112。
在一些实施例中，服务器110可以用于处理与服务请求相关的信息和/或数据。例如，在用于打车和/或导航的服务请求的应用场景中，服务器110可以从请求者终端130接收服务请求，并处理该服务请求以向请求者终端130输出预计行驶时间区间和/或预计达到时间区间。
在一些实施例中，服务器110可以是单个处理设备，也可以是包括多个处理设备的处理设备组。处理设备组可以是经由接入点连接到网络120的集中式处理设备组，或者经由至少一个接入点分别连接到网络120的分布式处理设备组。在一些实施例中，服务器110可以本地连接到网络120或者与网络120远程连接。例如，服务器110可以经由网络120访问存储在请求者终端130、提供者终端140和/或数据库160中的信息和/或数据。又例如，数据库160可以用作服务器110的后端数据存储器。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等，或其任意组合。
在一些实施例中，服务器110可以包括处理设备112。处理设备112可以处理与本申请中描述的至少一个功能相关的信息和/或数据。在一些实施例中，处理设备112可以执行系统100的主要功能。在一些实施例中，处理设备112可以处理反映系统100的数据，以确定预计行驶时间区间和/或预计到达时间区间。在一些实施例中，处理设备112可以执行与本申请中描述的方法和系统相关的其他功能。在一些实施例中，处理设备112可包括至少一个处理单元(例如，单核处理设备或多核处理设备)。仅作为示例，处理设备112包括中央处理单元(CPU)、专用集成电路(ASIC)、专用应用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等，或其任意组合。
在一些实施例中，网络120可以促进信息和/或数据的交换。在一些实施例中，系统100中的至少一个组件(例如，服务器110、请求者终端130、提供者终端140、数据库160)可以经由网络120将信息和/或数据发送到系统100中的其他组件。例如，处理设备112在生成预计行驶时间区间后，可以经由网络120将预计行驶时间区间发送至服务提供者终端140。
在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括至少一个网络接入点。例如，网络120可以包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2……通过系统100的至少一个部件可以连接到网络120以交换数据和/或信息。
在一些实施例中，请求者终端130可以包括移动设备130-1、平板电脑130-2、笔记本电脑130-3、以及车载设备130-4等，或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配件等，或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强型虚拟现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HoloLensTM或Gear VRTM等。在一些实施例中，车载装置130-4可以包括车载计算机、车载电视等。在一些实施例中，请求者终端130可以是具有定位技术的设备，用于定位用户和/或请求者终端130的位置。在一些实施例中，请求者终端可以具有输入和/或输出功能。
在一些实施例中，提供者终端140可以与请求者终端130类似或者相同的设备。
在一些实施例中，提供者终端140可以是具有用于确定提供者或者提供者终端140位置的定位技术的装置。在一些实施例中，请求者终端130和/或提供者终端140可以与另一定位设备通信以确定请求者、请求者终端130、提供者和/或提供者终端140的位置。在一些实施例中，请求者终端130和/或提供者终端140可以将定位信息发送到服务器110。
车辆终端150可以获取提供者终端140提供的数据和/或信息。
在一些实施例中，车辆终端150可以是移动装置、平板电脑、笔记本电脑、行车记录仪等独立于车辆的终端设备，也可以是车辆内置装置。在一些实施例中，提供者终端140和/或车辆终端150终端可与其他定位装置通讯以确定服务请求者、提供者终端140或车辆终端150的位置。在一些实施例中，提供者终端140和/或车辆终端150可将定位信息发送至服务器110。
数据库160可以储存数据和/或指令。例如，可以存储服务请求信息和定位信息等。
在一些实施例中，数据库160可以存储处理设备112可以执行的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的示例性方法。在一些实施例中，数据库160可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，所述数据库160可在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等，或其任意组合。
应当注意的是，上述有关系统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系统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。
图2是根据本申请的一些实施例所示的用于确定预计行驶时间示例性系统框图。
如图2所示，系统200可以包括第一获取模块210、确定模块220和训练模块230。
第一获取模块210可以用于获取行驶路径及其关联特征；所述行驶路径包括出发地、目的地以及至少一个途径地，行驶路径关联特征至少反映所述行驶路径的道路特征和/或交通信息。在一些实施例中，第一获取模块210还用于接收服务请求；所述服务请求至少包括所述出发地和目的地；基于所述出发地和目的地确定所述行驶路径。
确定模块220用于对行驶路径关联特征进行处理，以确定预计行驶时间区间。在一些实施例中，确定模块220还可以用于基于预计行驶时间区间和与服务请求关联的时间信息确定预计到达时间区间。在一些实施例中，确定模块220还可以用于通过机器学习模型处理行驶路径关联特征，以获取与预计行驶时间区间相关联的第一数据与第二数据。
训练模块230用于获取训练样本集，所述训练样本集包括多个历史行驶路径及其关联特征，以及与所述多个历史行驶路径对应的实际行驶时间；将多个历史行驶路径关联特征作为输入数据，将与所述历史行驶路径对应的实际行驶时间作为输出数据或者参考标准训练初始机器学习模型，获得训练好的机器学习模型。
应当理解，图2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，以上对于系统200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，图2中披露的第一获取模块210、确定模块220以及训练模块230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。又例如预测行驶时间系统200还可以通信模块，用来与其他部件通信。在一些实施例中，训练模块230可以设置在服务器侧的处理器中，也可以设置在客户端的处理器中，或者，部分训练模块设置在服务器侧的处理器中，另一部分训练模块设置在客户端侧的处理器中，因此用虚线表示。在一些实施例中，训练模块230也可以省略。预测行驶时间系统200中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。
图3是根据本申请的一些实施例所示的用于确定预计行驶时间区间方法的示例性流程图。如图3所示，用于确定预计行驶时间区间的方法可以包括：
步骤310，获取行驶路径及其关联特征。步骤310可以由图2中的第一获取模块210实现。
在一些实施例中，行驶路径可以包括出发地、目的地以及至少一个途径地。在一些实施例中，第一获取模块210可以获取包含出发地和目的地的服务请求。在一些实施例中，服务请求可以来自请求者终端或提供者终端。例如，在打车请求服务的应用场景中，请求者终端可以发起打车的服务请求，提供者终端可以发起提供打车的服务请求。服务请求信息包括但不限于出发地和目的地、服务车辆类型等。服务车辆类型包括但不限于快车、专车、出租车等。确定模块220可以通过路径规划算法基于出发地和目的地确定行驶路径。在一些实施例中，可以基于出发地、目的地以及一个或多个途径地来表征所述行驶路径。在一些实施例中，可以基于多个途径地将一条行驶路径划分为多条子路径。获取子路径的关联特征，可以获得整个行驶路径的关联特征。
行驶路径关联特征可以至少反映所述行驶路径的道路特征和/或交通信息。道路特征可以包括但不限于行驶路线的道路名称、道路编号、道路等级(例如，高速道路或市区道路等)、道路限速等级、道路长度、道路宽度、道路的车道数等。交通信息可以包括行驶路径上红绿灯路段的数目、非红黄绿灯路段的数目、当前道路的交通拥堵度、道路是否收费、道路施工信息、道路实时通行速度、交通管制信息等。例如，第一获取模块210可以获取路段在当前时间的交通拥堵度或未来时段的预计交通拥堵度。交通拥堵度可以反映路段的拥堵情况。
在一些实施例中，行驶路径关联特征还可以包括与服务请求关联的时间信息、服务提供者特征以及服务请求者特征中的至少一种或多种的组合。在一些实施例中，时间信息可以是下单时间，也可以是出发时间，或者是请求时间。在一些实施例中，服务提供者特征可以包括提供者的ID(身份信息)、年龄、性别、历史开车风格中的一种或组合。在一些实施例中，请求者特征可以包括请求者选择自己喜欢的路段，或让司机开快点或者慢点。
在一些实施例中，第一获取模块210可以通过至少一个处理器获取行驶路径及关联特征。例如在打车服务场景下，服务请求者通过客户端的输入向服务器发出具有出发地和目的地的服务请求，通过出发地和目的地进而能够确定出与之对应的至少一条行驶路径及其关联特征。可以获取具有出发地和目的地的服务请求。
在一些实施例中，处理器可以设置在服务器侧；也可以设置在客户端侧；或者处理部分步骤的处理器设置在服务器上，处理另一部分步骤的处理器设置在客户端上。
步骤320，处理行驶路径关联特征，以获得第一数据和第二数据。步骤320可以由图2中的确定模块220实现。
在一些实施例中，处理行驶路径关联特征的处理方式可以包括采用机器学习模型进行处理，也可以采用判断条件方式进行处理。在一些实施例中，如果采用机器学习模型进行处理的话，会提升处理效率和准确度。其中，在一些实施例中，机器学习模型可以包括第一机器学习模型和第二机器学习模型，基于行驶路径关联特征和第一学习模型确定第一数据；基于路径关联特征和第二学习模型确定第二数据。在另一些实施例中，机器学习模型可以包括一个第三机器学习模型，可以理解，在另一些实施例中，可以使用一个机器学习模型同时获得第一数据与第二数据。机器学习模型可以包括但不限于神经网络模型、回归模型等。处理方式也可以是其他方式，比如设置判断条件对数据进行处理，可以根据行使路径及车辆行驶的平均速度直接输出一个初始时间区间，或者输出能够表示一个区间的两个数值。再基于行驶路径关联特征对所述初始时间区间进行调整，例如延长或缩短一定时间。仅作为示例，服务提供者的开车风格偏稳重以及红绿灯数目较多，可以将初始时间区间延长3到5分钟，然后输出预计行驶时间区间。关于机器学习模型进行处理的更多描述，可参见本说明书的其他部分，如图5。
在一些实施例中，第一数据和/或第二数据也可以是区间值，也可以是点值。例如，在一些实施例中，第一数据可以是点值，第二数据可以是区间值。在一些实施例中，两个数据可以都是点值。
在一些实施例中，第一数据和第二数据可以是同一个确定模块确定的；也可以是两个不同的模块分别确定的。在一些实施例中，第一数据和第二数据可以通过同一个机器学习模型确定；在一些实施例中，也可以通过两个不同的机器学习模型分别确定。例如，可以通过一个机器学习模型(例如，神经网络模型)确定第一数据和第二数据，也可以通过两个机器学习模型(例如，神经网络模型和回归模型)分别确定第一数据和第二数据。
步骤330，确定预计行驶时间区间。该步骤可以由图2中的确定模块220实现。
在一些实施例中，预计行驶时间指的是从出发地行驶到目的地的时间，该行驶时间是一个时间段，可以用一个数值表示。预计行驶时间区间是指从出发点到目的地行驶可能花费的时间的波动范围，该波动范围可以用两个数据来反映或计算。例如，预计行驶时间区间可以通过第一数据和第二数据确定。
在一些实施例中，预计行驶时间区间可以表示为闭区间或开区间，该区间具有第一端点值和第二端点值，第一端点值可以为预计行驶时间区间的最小值，第二端点值可以为预计行驶时间区间的最大值。在一些实施例中，第一数据和第二数据分别表示预计行驶时间区间的第一端点值和第二端点值。例如，第一数据是3，第二数据是6，得到区间(3，6)。
在一些实施例中，第一数据可以表示预计行驶时间区间的中心点值，第二数据可以表示预计行驶时间区间的波动幅度。中心点值加上或者减去波动幅度可以得到预计行驶时间的最大值和最小值。例如，第一数据是6，第二数据是2，得到区间(4，8)，其中，预计行驶时间的最小值为4，最大值为8。例如，第一数据是4，第二数据是区间(1,2)，得到的预计行驶时间区间为(3,6)，即预计行驶时间的最小值为3，最大值为9。例如，第一数据是(1,2)，第二数据是4，得到的预计行驶时间区间为(5,7)，即预计行驶时间的最小值为5，最大值为7。
步骤340，确定预计到达时间区间。该步骤可以由图2中的确定模块220实现。
在一些实施例中，预计行驶时间区间是指从出发点到目的地行驶可能花费的时间的波动范围。在一些实施例中，基于出发时间和“预计行驶时间区间”可以得到“预计到达时间区间”。预计行驶时间区间为行驶时间段的波动区间。预计达到时间区间为到达时刻的波动区间。例如，打车和导航场景中，出发时间为10点整，预计行驶时间区间为15至20分钟，而预计达到时间区间为10点15分至10点20分。
在一些实施例中，出发时间可以包括司乘相遇时间，也可以包括乘客上车时间，也可以包括司机接到乘客后的实际出发时间也可以包括乘客点击上车的时间，也可以包括司机点击行程开始的时间等。只要该时间信息能够表示要出发或快要出发，都可以视为本申请中的出发时间。
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，在一些实施例中，可以省略步骤340，也可以合并步骤330和步骤340。在一些实施例中，步骤330和/或340可以在同一设备上执行，也可以在不同设备上执行。
图4是根据本申请的一些实施例所示的用于确定第一和第二机器学习模型的示例性过程的流程图。在一些实施例中，过程400可以通过训练模块230在服务器侧和/或客户端侧执行。
在如图4所示的实施例中，机器学习模型可以通过以下方法获取。
至少一个处理器先获取训练样本集，训练样本集可以包括多条历史行驶路径及其关联特征，以及与多条历史行驶路径对应的实际到达时间。为了获取训练样本集，至少一个服务器需要从数据中获取多个历史订单，进而获取多个历史订单中的多个历史行驶路径，然后得到历史订单中与历史行驶路径相关联的关联特征以及每个历史行驶路径对应的实际到达时间。然后选择两个初始机器学习模型，即第一初始机器学习模型和第二初始机器学习模型，在一些实施例中，可以设置第一初始机器学习模型输出中心点，设置第二初始机器学习模型输出波动幅度。将从历史订单中获取到的关联特征分别作为两个初始机器学习模型的输入数据，把实际行驶时间作为输出数据或参考标准，对两个初始机器学习模型进行联合训练。在一些实施例中，可以通过惩罚机制训练初始机器学习模型。
在一些实施例中，机器学习模型中的惩罚机制包括对目标函数的求导，具体地，可以结合如下公式(1)进行理解。
其中，ETA表示预计到达时间区间，ETA可以由第一初始模型和第二初始模型的输出共同得到；ATA表示实际到达时间；为目标函数，表示预计到达时间区间与实际到达时间之间误差最小；mean表示预计到达时间区间的波动中心，range表示预计到达时间区间的波动幅度；loss function表示对/>的求导结果。
当|mean-ATA|＜range，即预测的值覆盖到实际值时，loss function对目标函数的求导值为0，可以说明模型训练得较好，不需要调整参数，即不做惩罚。当|mean-ATA|＞range，即预测的值未覆盖到实际值，做惩罚，所述惩罚的过程可以包括基于对目标函数的求导结果调整对应机器学习模型的模型参数，以优化机器学习模型。
在一些实施例中，可以改变训练样本的参考标准从而使得机器学习模型输出的是预估行驶时间区间。例如，训练样本集可以包括多条历史行驶路径及其关联特征，以及与多条历史行驶路径对应的实际出发时间及实际到达时间。可以基于每条历史行驶路径对应的实际出发时间及实际到达时间确定对应的实际行驶时间。将历史行驶路径的关联特征作为模型的输入数据，将实际行驶时间作为参考标准，按照前述类似的方法，则可获得输出预计行驶时间区间波动中心的第一机器学习模型，以及输出预计行驶时间区间波动幅度的第二机器学习模型。
图5是根据本申请的一些实施例所示的用于确定第三机器学习模型的示例性过程的流程图。
图5是另一实施例中机器学习模型的训练过程，具体方法与图4中实施例的训练方法类似，不同之处在于本实施例中是对单一的初始模型训练，以获得能同时输出与预计到达时间区间相关的第一数据与第二数据的机器学习模型。第三机器学习模型的获取方法大概如下：至少一个处理器先获取训练样本集，训练样本集可以包括多条历史行驶路径及其关联特征，以及与多条历史行驶路径对应的实际到达时间。为了获取训练样本集，至少一个服务器需要从数据中获取多个历史订单，进而获取多个历史订单中的多个历史行驶路径，然后得到历史订单中与历史行驶路径相关联的关联特征以及每个历史行驶路径对应的实际到达时间。然后选择一个初始机器学习模型，即第三初始机器学习模型，并将从历史订单中获取到的关联特征作为输入数据，把实际行驶时间作为输出数据或参考标准，都放到第三初始机器学习模型中，以训练第三初始机器学习模型。
同样的，改变训练样本的参考标准，训练得到的第三初始机器学习模型可以输出与预计行驶时间区间相关的第一数据及第二数据。
一种可预测行驶时间的装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现本申请的操作。
一种计算机可存储介质，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现本申请的操作。
图6是根据本申请的一些实施例所示的客户端侧的示例性系统框图。
如图6所示，系统600可以包括第二获取模块610和输出模块620。系统600可以在请求者终端130上实现。
第二获取模块610用于获取出发地目的地。
输出模块620用于输出与出发点和目的地相关联的预计行驶时间区间或预计到达时间，所述输出方式包括显示和/或声音提示。在一些实施例中，输出模块620还可以用于输出所述预计行驶时间区间或预计到达时间的第一端点值以及第二端点值。在一些实施例中，输出模块620还可以用于输出所述预计行驶时间区间或预计到达时间的中心点值，以及所述预计行驶时间区间或预计到达时间的波动幅度。
应当理解，图6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。
图7是根据本申请的一些实施例所示的客户端侧的流程700的示例性流程图。流程700可以包括步骤710和步骤720。
步骤710，获取出发地和目的地。
在一些实施例中，步骤710可以由第二获取模块610实现。在一些实施例中，第二获取模块610通过请求者在客户端输入的服务请求的相关数据来获取出发地和目的地。在一些实施例中，第二获取模块610可以通过客户端上的定位装置自动获取客户端发出服务请求时的位置，将其作为出发地。
在一些实施例中，请求者(例如，乘客)可以通过不同的输入方式在客户端输入服务请求的相关数据。输入方式可以包括但不限于文字输入(例如，手写输入、打字输入)、选择输入、语音输入、扫描标记输入。在一些实施例中，输入信息的选择可以由请求者或请求者终端执行。在一些实施中，请求者可以通过在请求者终端显示的地图上指示(例如，通过点击、拖曳等)出发点和/或目的地的方式来输入相关数据。在一些实施例中，可以通过请求者终端获取周围环境的图像、图片，从而确定出发地和/或目的地。在一些实施例中，可以通过请求者终端获取环境声音，从而确定出发地和/或目的地。应当注意的是，输入方式可以是上述一种或多种组合。输入方式也可以是其他方式，本申请在此不做限定。
步骤720，输出预计行驶时间区间或预计到达时间区间。
在一些实施例中，步骤720可以由输出模块620实现。在一些实施例中，请求者终端和提供者终端可以通过网络将出发地及目的地发送给服务器，并通过网络获取服务器返回的预计行驶时间区间以进行显示。在一些实施例中，预计行驶时间区间可以通过任何合适的通信协议(例如，超文本传输协议(HTTP)、地址解析协议(ARP)、动态主机配置协议(DHCP)、文件传输协议(FTP)等)来发送和/或接收。在一些实施例中，可以通过请求者接口将预计行驶时间区间显示在请求者终端，以便请求者进行后续的操作或安排。在一些实施例中，预计行驶时间区间可以通过文本、图像、音频、视频等方式显示。
在一些实施例中，步骤720可以包括输出预计行驶时间区间的第一端点值以及第二端点值。例如，(3，7)表示预计行驶3分钟到7分钟之间。或者，可以输出预计行驶时间区间的中心点值，以及预计行驶时间区间的波动幅度。例如，(5，2)表示预计行驶3分钟到7分钟之间。
在一些实施例中，还可以通过输出预计到达时间区间的方式来显示预计行驶时间区间。例如，在导航服务场景下，导航APP页面不输出行驶时间，仅输出到达时间，例如，基于确定的出发地和目的地，预计10点30分到11点之间到达目的地。在一些实施例中，请求者终端和提供者终端可以通过网络将出发地及目的地发送给服务器，并通过网络获取服务器返回的预计到达时间区间以进行显示。在一些实施例中，请求者终端和提供者终端可以基于出发时间以及服务器返回的预计行驶时间区间确定预计达到时间区间。
应当注意的是，上述有关流程700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700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，任何能够确定预计行驶时间区间的输出方式均在本申请范围内。
本申请实施例可能带来的有益效果包括但不限于：可以得到覆盖了实际到达时间的合理的预计行驶时间区间和预计到达时间区间。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、Visual Basic、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 (12)
1.一种预测行驶时间的方法，所述方法由至少一个处理器执行，其特征在于，所述方法包括：
获取行驶路径及其关联特征；所述行驶路径包括出发地、目的地以及至少一个途径地，行驶路径关联特征至少反映所述行驶路径的道路特征和/或交通信息；
对所述行驶路径关联特征进行处理，以确定预计行驶时间区间或预计到达时间区间，包括：
通过机器学习模型处理所述行驶路径关联特征，以获取与所述预计行驶时间区间或所述预计到达时间区间相关联的第一数据与第二数据，所述机器学习模型包括第一机器学习模型和第二机器学习模型，所述第一机器学习模型和所述第二机器学习模型联合训练，所述第一数据为所述预计行驶时间区间或所述预计到达时间区间的第一端点值，所述第二数据为所述预计行驶时间区间或所述预计到达时间区间的第二端点值；或者，
所述第一数据为所述预计行驶时间区间或所述预计到达时间区间的中心点值，所述第二数据为所述预计行驶时间区间或所述预计到达时间区间的波动幅度；
其中，所述预计行驶时间区间是指从所述出发地到所述目的地行驶可能花费的时间的波动范围。
2.根据权利要求1所述的方法，其特征在于，所述获取行驶路径包括：
接收服务请求；所述服务请求至少包括所述出发地和所述目的地；
基于所述出发地和所述目的地确定所述行驶路径。
3.根据权利要求2所述的方法，其特征在于，所述行驶路径关联特征还包括与所述服务请求关联的时间信息、服务提供者特征以及服务请求者特征中的至少一种或多种的组合。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：基于所述预计行驶时间区间和所述与所述服务请求关联的时间信息确定所述预计到达时间区间。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述行驶路径关联特征和所述第一机器学习模型确定所述第一数据；
基于所述行驶路径关联特征和所述第二机器学习模型确定所述第二数据。
6.根据权利要求1所述的方法，其特征在于，
所述机器学习模型包括第三机器学习模型，所述方法还包括：
基于所述行驶路径关联特征和所述第三机器学习模型确定所述第一数据和所述第二数据。
7.根据权利要求1所述的方法，其特征在于，所述机器学习模型通过以下方法获取：
获取训练样本集；所述训练样本集包括多个历史行驶路径及其关联特征，以及与所述多个历史行驶路径对应的实际到达时间；
将多个历史行驶路径关联特征作为输入数据，将与所述历史行驶路径对应的实际到达时间作为输出数据或者参考标准训练初始机器学习模型，获得训练好的机器学习模型。
8.一种预测行驶时间的系统，其特征在于，所述系统包括：
第一获取模块，用于获取行驶路径及其关联特征；所述行驶路径包括出发地、目的地以及至少一个途径地，行驶路径关联特征至少反映所述行驶路径的道路特征和/或交通信息；
确定模块，对所述行驶路径关联特征进行处理，以确定预计行驶时间区间或预计到达时间区间，包括：
通过机器学习模型处理所述行驶路径关联特征，以获取与所述预计行驶时间区间或所述预计到达时间区间相关联的第一数据与第二数据，所述机器学习模型包括第一机器学习模型和第二机器学习模型，所述第一机器学习模型和所述第二机器学习模型联合训练，所述第一数据为所述预计行驶时间区间或所述预计到达时间区间的第一端点值，所述第二数据为所述预计行驶时间区间或所述预计到达时间区间的第二端点值；或者，
所述第一数据为所述预计行驶时间区间或所述预计到达时间区间的中心点值，所述第二数据为所述预计行驶时间区间或所述预计到达时间区间的波动幅度；
其中，所述预计行驶时间区间是指从所述出发地到所述目的地行驶可能花费的时间的波动范围。
9.一种可预测行驶时间的装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现权利要求1~8中任意一项所述的方法。
10.一种计算机可存储介质，其特征在于，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如权利要求1~8中任意一项所述的方法。
11.一种预测行驶时间的提示方法，其特征在于，所述方法包括：
获取出发地和目的地；
输出与所述出发地和所述目的地相关联的预计行驶时间区间或预计到达时间区间；所述输出的方式包括显示和/或声音提示，其中，所述与所述出发地和所述目的地相关联的预计行驶时间区间或预计到达时间区间的获取包括：
通过机器学习模型处理行驶路径关联特征，以获取与所述预计行驶时间区间或所述预计到达时间区间相关联的第一数据与第二数据，所述机器学习模型包括第一机器学习模型和第二机器学习模型，所述第一机器学习模型和所述第二机器学习模型联合训练，所述第一数据为所述预计行驶时间区间或所述预计到达时间区间的第一端点值，所述第二数据为所述预计行驶时间区间或所述预计到达时间区间的第二端点值；或者，
所述第一数据为所述预计行驶时间区间或所述预计到达时间区间的中心点值，所述第二数据为所述预计行驶时间区间或所述预计到达时间区间的波动幅度；
其中，所述预计行驶时间区间是指从所述出发地到所述目的地行驶可能花费的时间的波动范围。
12.一种预测行驶时间的提示系统，其特征在于，包括：
第二获取模块，用于获取出发地和目的地；
输出模块，用于输出与所述出发地和所述目的地相关联的预计行驶时间区间或预计到达时间区间；所述输出的方式包括显示和/或声音提示，其中，所述与所述出发地和所述目的地相关联的预计行驶时间区间或预计到达时间区间的获取包括：
通过机器学习模型处理行驶路径关联特征，以获取与所述预计行驶时间区间或所述预计到达时间区间相关联的第一数据与第二数据，所述机器学习模型包括第一机器学习模型和第二机器学习模型，所述第一机器学习模型和所述第二机器学习模型联合训练，所述第一数据为所述预计行驶时间区间或所述预计到达时间区间的第一端点值，所述第二数据为所述预计行驶时间区间或所述预计到达时间区间的第二端点值；或者，
所述第一数据为所述预计行驶时间区间或所述预计到达时间区间的中心点值，所述第二数据为所述预计行驶时间区间或所述预计到达时间区间的波动幅度；
其中，所述预计行驶时间区间是指从所述出发地到所述目的地行驶可能花费的时间的波动范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010620622.XA CN111882112B (zh) | 2020-07-01 | 2020-07-01 | 一种预测到达时间的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010620622.XA CN111882112B (zh) | 2020-07-01 | 2020-07-01 | 一种预测到达时间的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111882112A CN111882112A (zh) | 2020-11-03 |
| CN111882112B true CN111882112B (zh) | 2024-05-10 |
Family
ID=73157403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010620622.XA Active CN111882112B (zh) | 2020-07-01 | 2020-07-01 | 一种预测到达时间的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882112B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113053155B (zh) * | 2020-12-23 | 2022-03-08 | 沈阳世纪高通科技有限公司 | 一种基于预测路况确定预计到达时间的导航方法 |
| CN114170828B (zh) * | 2021-11-22 | 2024-09-03 | 珠海小可乐科技有限公司 | 一种基于居住位置与车辆位置推荐路线的系统及实现方法 |
| CN114706937A (zh) * | 2022-06-07 | 2022-07-05 | 山东科技大学 | 智能交通路径生成方法、电子设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011111348A1 (ja) * | 2010-03-08 | 2011-09-15 | パナソニック株式会社 | 利用開始区間予測装置及び利用開始区間予測方法 |
| CN104572391A (zh) * | 2013-10-16 | 2015-04-29 | 深圳市腾讯计算机系统有限公司 | 监控告警策略配置方法及装置、监控告警方法及装置 |
| CN106448142A (zh) * | 2016-11-24 | 2017-02-22 | 郑州玄机器人有限公司 | 一种带有预计行驶时间的网络约车方法、终端及系统 |
| CN107563566A (zh) * | 2017-09-18 | 2018-01-09 | 东南大学 | 一种基于支持向量机的公交站间运行时间区间预测方法 |
| CN107945507A (zh) * | 2016-10-13 | 2018-04-20 | 腾讯科技（深圳）有限公司 | 行程时间预测方法及装置 |
| 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 |
| CN110782648A (zh) * | 2018-12-03 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 确定预计到达时间的系统和方法 |
| CN110889558A (zh) * | 2019-11-29 | 2020-03-17 | 北京世纪高通科技有限公司 | 路况预测方法及装置 |
| CN111247394A (zh) * | 2017-10-24 | 2020-06-05 | 索尼半导体解决方案公司 | 信息处理装置和信息处理方法 |
-
2020
- 2020-07-01 CN CN202010620622.XA patent/CN111882112B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011111348A1 (ja) * | 2010-03-08 | 2011-09-15 | パナソニック株式会社 | 利用開始区間予測装置及び利用開始区間予測方法 |
| CN104572391A (zh) * | 2013-10-16 | 2015-04-29 | 深圳市腾讯计算机系统有限公司 | 监控告警策略配置方法及装置、监控告警方法及装置 |
| CN107945507A (zh) * | 2016-10-13 | 2018-04-20 | 腾讯科技（深圳）有限公司 | 行程时间预测方法及装置 |
| CN106448142A (zh) * | 2016-11-24 | 2017-02-22 | 郑州玄机器人有限公司 | 一种带有预计行驶时间的网络约车方法、终端及系统 |
| 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 |
| CN107563566A (zh) * | 2017-09-18 | 2018-01-09 | 东南大学 | 一种基于支持向量机的公交站间运行时间区间预测方法 |
| CN111247394A (zh) * | 2017-10-24 | 2020-06-05 | 索尼半导体解决方案公司 | 信息处理装置和信息处理方法 |
| CN110782648A (zh) * | 2018-12-03 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 确定预计到达时间的系统和方法 |
| CN110889558A (zh) * | 2019-11-29 | 2020-03-17 | 北京世纪高通科技有限公司 | 路况预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于随机森林的航空器到达时刻预测;郑志祥;张军峰;朱海波;;航空计算技术(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111882112A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109478275B (zh) | 分配服务请求的系统和方法 | |
| KR101960140B1 (ko) | 자율 주행 차량 내에서 증강 가상 현실 콘텐츠를 제공하는 시스템 및 방법 | |
| JP6680798B2 (ja) | 推奨サービス位置を推奨するシステム及び方法 | |
| CN111882112B (zh) | 一种预测到达时间的方法和系统 | |
| JP2019527871A (ja) | 到着予定時刻を決定するシステム及び方法 | |
| CN108713326B (zh) | 分配按需服务请求的系统及方法 | |
| US20210140774A1 (en) | Systems and methods for recommending pick-up locations | |
| CN109313036B (zh) | 路线规划的系统及方法 | |
| EP3571684B1 (en) | Systems and methods for providing a navigation route | |
| CN110249357B (zh) | 用于数据更新的系统和方法 | |
| JP2019511020A (ja) | 到着時間を推定するための方法およびシステム | |
| TWI703516B (zh) | 用於預估到達時間的方法以及系統 | |
| CN110839346A (zh) | 用于分配服务请求的系统和方法 | |
| CN109429520B (zh) | 用于检查作弊服务订单的方法、系统、设备及可读介质 | |
| JP2018530022A (ja) | 個人別コンテンツを推奨するためのシステム及び方法 | |
| CN110782648B (zh) | 确定预计到达时间的系统和方法 | |
| CN111433795A (zh) | 一种确定线上到线下服务的预估到达时间的系统和方法 | |
| CN111861622B (zh) | 一种确定上车点推荐模型的方法和系统 | |
| CN112041858B (zh) | 提供出行建议的系统和方法 | |
| CN110945557B (zh) | 用于确定到达的预估时间的系统和方法 | |
| CN105631640A (zh) | 在电子日历中表示到达事件和/或离开事件的行程时间 | |
| CN111859178A (zh) | 一种推荐上车点的方法和系统 | |
| CN112270427A (zh) | 一种推荐上车点的方法和系统 | |
| WO2021129585A1 (zh) | 一种为用户提供定位点推荐的方法和系统 | |
| CN111932341A (zh) | 一种确定拼车订单的方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |