CN112005078A - 利用环境意识的路线选择 - Google Patents

Abstract

诸如运输管理服务的提供商可以基于各种环境度量评估潜在的路线选择解决方案。环境度量可包括可能影响路线选择解决方案的合意性的潜在的路线选择解决方案的各个方面，诸如对所预测天气事件的天气暴露。所述评估可以基于指示乘坐者的与所述环境度量有关的偏好的权重。这些权重可以通过调查、评价或以其他方式分析历史数据和乘坐者响应来确定。

Description

利用环境意识的路线选择

背景技术

随着导航应用和服务的出现和激增，人们越来越多地转向这些应用和服务以将他们引导到其目的地。虽然传统的街道地图和交通地图可为任何人提供地形，但导航应用能帮助人们找到到其目的地的最快路线。这些导航应用和服务在最小化行程持续时间和成本方面是有效的，但是随着乘客变得更加熟悉区域的道路和公共交通而不太有用。

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示出可实现各种实施例的示例性乘坐请求环境。

图2A和图2B示出根据各种实施例的可在某个时间段内针对服务区域确定的示例性起始位置和目的地位置以及用于服务这些位置的路线。

图3示出根据各种实施例的可经由目标函数平衡的示例性服务度量。

图4示出可用于实现各种实施例的方面的示例性系统。

图5示出根据各种实施例可利用的用于确定一组行程请求的路线选择解决方案的示例性过程。

图6示出根据各种实施例可利用的用于优化所建议路线选择解决方案的示例性过程。

图7A、图7B和图7C示出根据各种实施例可提供的示例性请求和容量数据。

图8A、图8B、图8C和图8D提供根据各种实施例可利用的用于基于预期需求来主动定位容量的方法。

图9示出可用于实现各种实施例的预测性方面的示例性系统。

图10示出根据各种实施例可利用的用于主动定位容量的示例性过程。

图11示出根据各种实施例可利用的用于确定主动放置的示例性过程。

图12示出用于评估潜在的路线选择解决方案的示例性过程。

图13A至图13B描绘根据各种实施例的基于环境度量来改变示例性城市地图中的示例性路线。

图14A至图14B示出根据各种实施例的用于确定乘坐者配置文件的示例性技术。

图15示出根据各种实施例的可用于提交行程请求并接收路线选项的示例性计算装置。

图16示出可用于实现各种实施例的各方面的计算装置的示例性部件。

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，阐述了具体的配置和细节，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，可在没有这些具体细节的情况下实践这些实施例。此外，可省略或简化公知的特征，以免使所描述的实施例模糊不清。

本文所描述且建议的方法涉及基于潜在的路线选择解决方案的环境度量来评估潜在的路线选择解决方案请求。潜在的路线选择解决方案可以是对行程请求的响应。所述行程请求可涉及人、动物、包裹、或其他对象或乘客从起始位置到目的地位置的运输。所述行程请求还可包括至少一个时间分量。诸如运输服务的提供商可在评估潜在的路线选择解决方案以服务客户行程请求时利用目标函数来平衡各种度量。目标函数可基于环境度量来评估潜在的路线选择解决方案。环境度量可包括路线的物理度量、预测要在路线期间发生的天气事件、在路线期间预计的公共事件(诸如游行或体育赛事)等。过程可使用历史数据来确定环境度量与乘坐者响应之间的关系。所述关系可指示某个环境度量是乘坐者所优选的或乘坐者不优选的。目标函数可提供例如乘坐者体验与提供商经济性之间的折衷，考虑了诸如环境度量、乘坐者便利性、运营效率和已确认行程上的递送的能力的度量。可应用一个或多个优化过程，所述优化过程可改变目标函数的分量值或权重，以便试图提高针对每个所提议路线选择解决方案生成的质量分数。过程可修改潜在的路线选择解决方案以便使其质量分数最大化。可至少部分地基于所提议路线选择解决方案的所得质量分数来选择路线选择解决方案以用于实现。

根据本文所包含的教导和建议，如本领域普通技术人员将明白，在各种实施例的范围内也可使用各种其他此类函数。

图1示出可实现各种实施例的各方面的示例性环境100。在该示例中，用户可使用例如在客户端计算装置110上执行的应用来请求从起始位置到目的地位置的运输。在各种实施例的范围内也可使用用于提交请求的各种其他方法，诸如通过消息传送或电话机制。此外，所述请求中的至少一些可从正在运输或计划要运输的对象接收，或者代表所述对象而接收。例如，客户端装置可用于提交针对对象、包裹或其他可递送物的初始请求，然后可能从例如对象、或者装置或与所述装置相关联的机制接收后续请求。可使用其他通信来代替请求，如可涉及指令、呼叫、命令和其他数据传输。对于本文所讨论的各种实施例，除非另有说明，否则“客户端装置”不应被狭义地解释为常规计算装置，并且根据各种实施例，能够接收、传输或处理数据和通信的任何装置或部件都可用作客户端装置。

可使用能够同时运输一个或多个乘坐者的车辆100(或其他对象)来提供运输。虽然如本文所用的乘坐者将通常指代人类乘客，但是应当理解，各种实施例中的“乘坐者”还可以指代非人类乘坐者或乘客，所述非人类乘坐者或乘客可包括动物或无生命对象，诸如要递送的包裹。在该示例中，共乘服务使用至少一种类型的车辆提供路线，所述车辆包括供驾驶员102使用的空间和供多达最大数量的乘坐者使用的座位或其他容量。应当理解，可使用具有不同数量或配置的容量的各种类型的车辆，并且在各种实施例的范围内也可利用没有专用驾驶员的自主车辆。也可使用诸如智能自行车或个人运输车辆的车辆，所述车辆可包括仅供单个乘坐者或有限数量的乘客使用的座位容量。对于给定路线上的给定车辆，多个可用座位106(或其他乘坐者位置)可能被乘坐者占用，而另一数量的座位108可能未被占用。在一些实施例中，诸如包裹或递送物的对象同样也可占用可用的乘坐空间。为了提高所提供的乘坐经济性，在至少一些实施例中可期望在行程的整个长度期间具有尽可能接近满的占用率。这种情形导致非常少的未售出座位，这提高了运营效率。一种实现高占用率的方式可能是仅提供固定路线，其中所有乘客在固定的起始位置处上车并在固定的目的地位置处下车，没有乘客在中间位置处上车或下车。

在本示例中，给定用户可手动地或从一组所建议位置116以及其他此类选项(诸如通过从地图118或其他接口元件选择)输入起始位置112和目的地位置114。在其他实施例中，诸如机器学习算法或人工智能系统的源可基于相关信息(诸如历史用户活动、当前位置等)选择适当位置。这种系统可使用历史乘坐数据进行训练，并且可使用最近的乘坐和乘坐者数据以及其他此类选项随时间推移而学习并改进。后端系统或其他提供商服务可获取此信息并试图将请求与在适当时间具有容量的具体车辆匹配。已知出于此类目的，可期望选择将在该时间位于起始位置附近的车辆，以便使开销(诸如燃料和驾驶员成本)最小化。如所提及的，容量可包括供人类乘坐者使用的座位或供要运输的包裹或对象使用的足够可用容积以及其他此类量度的容量。

然而，这种方法可能并不是对于所有情形都是最优的，因为可能难以让足够的用户或对象提供商同意在具体时间处或在特定时间窗口内处于具体起始位置，这可能导致相对低的占用率或容量利用率，并且因此导致低运营效率。此外，这种方法可能导致提供较少的乘坐，这可能减少总体收入。此外，需要多个用户行进到具体、固定的起始位置可能致使那些用户利用其他运输手段，如可涉及无需另外努力的出租车或专用共乘车辆。因此，在至少一些实施例中，可期望将乘坐者便利性作为因素考虑到要提供的路线的选择中。然而，对于一个乘坐者来说可能方便的事情对于其他乘坐者来说可能并不方便。例如，在一个乘坐者的房屋前接载他或她可能给现有路线增加了另外的停留点和另外的路线距离，这对于已在该路线上或已被分配到该路线的乘坐者来说可能是不可接受的。此外，不同的乘坐者可能更喜欢在不同的时间从不同的位置离开，以及在最大允许时间量内到达其目的地，这样使得各种乘坐者的利益至少在某种程度上相互抵触，并与乘坐提供商的利益相抵触。另外，某些环境度量(诸如所需的站立量、暴露于恶劣天气和宜人的视野)可能会增强或恶化乘坐者体验。因此，在至少一些实施例中，可期望使各种乘坐者的相对体验与用于具体乘坐、路线或其他运输选项的共乘服务的经济性平衡。虽然这种方法将可能阻止乘坐提供商使每次乘坐的利润最大化，但是可存在某种妥协，所述妥协使得服务能够在向服务的各种乘坐者或用户(最低限度地)提供令人满意的服务的同时获利。这种方法可改进乘坐者体验并导致更高的客流量水平，这可在适当地管理的情况下增加收入和利润。

图2A和图2B示出根据各种实施例的可用于提供这种服务的一种示例性方法。在图2A的示例性绘图200中，一组起始点202和目的地点204指示在某个确定的时间段内一个或多个用户想要在其之间行进的位置。如图所示，存在用户可能想要被递送到或对象要被递送到的位置的集群，如可能对应于城镇中心、城市位置或多个不同企业或其他目的地所在的其他区。然而，起点位置可能是不太集群的，诸如可涉及乘坐者住所可能所在的郊区或农村区域。所述集群也可能全天变化，诸如人们在早晨从家行进到其工作地点，而晚上通常沿相反方向行进的情况。在这些时段之间可能几乎没有集群，或者所述集群可能主要是针对市区内的位置。从经济上讲，多乘坐者车辆服务为每个人提供所确定路线的专用车辆可能是不切实际的，因为这样每辆车的总体占用率将会非常低。然而，确保每一车辆的满占用率可能负面地影响然后可能不得不具有更长路线和行进时间的各个乘坐者的体验以便适应另外的乘坐者，这可能致使他们选择其他运输手段。类似地，需要大量乘客在同一起始位置会合可能对于那些乘客中的至少一些来说是不方便的，所述那些乘客中的至少一些然后可能选择替代性行进选项。

因此，在至少一些实施例中，可期望提供平衡或至少考虑这些和其他此类因素的路线和运输选项。作为示例，图2B的绘图250示出可在某个时间段内提供以便满足各种乘坐者请求的路线252的选择。所述路线可能不包括或不对应于每个精确的起始位置和目的地位置，但是可能在大多数情况下处于那些位置的可接受距离内。可能存在以下情形：起始位置或目的地位置不被服务或在特定时间服务；路线选项可能不可用，但是在一些实施例中，可以所确定价格提供专用、有限容量的车辆以及其他此类选项。此外，虽然路线可能无法使每一车辆能够具有满占用率，但是每一车辆的乘客的数量可足以为共乘服务提供至少充分的收益率或效率。由这种服务提供的路线252可随时间推移或甚至在不同的当日时间发生变化，但是可以充分地设定成使得乘坐者可在其通勤或行进期间具有至少某一水平的确定性。虽然这可能不提供其他行进选项的灵活性，但是其可以潜在的较低成本点提供行进确定性，这对服务的许多潜在用户来说可能是期望的。然而，如所提及的，这种服务还可利用其他乘坐选项提供增加的灵活性，这可能给潜在的乘坐者带来更高的价格。

为了确定要提供的路线以及用于提供那些路线的车辆(或车辆类型)，可考虑各种因素，如本文所讨论和建议的。然后，可优化这些因素的函数，以便相对于其他可用路线选择选项提供改进的客户体验或运输对象的运输体验，同时还提供提高的收益率或至少提供提高的运营效率。可基于其他可用数据随时间推移而更新优化方法和路线产品，如可涉及最近的乘坐数据、客流量请求、交通模式、建筑更新等。在一些实施例中，基于人工智能的方法(如可包括机器学习或经训练的神经网络)例如可以用于基于根据如本文其他地方所讨论的数据确定的各种趋势和关系进一步优化函数。

根据各种实施例的方法可利用至少一个目标函数来确定用于一个或多个服务或覆盖区的一组车辆或其他运输机制的路线选项。可应用至少一个优化算法来调整所考虑的各种因素，以便改进目标函数的结果，诸如以便最小化或最大化一组路线选项的分数。所述优化不仅可应用于例如特定的路线和车辆，而且还可应用于未来的计划路线、各个乘坐者或包裹以及其他此类因素。目标函数可用作路线选择解决方案质量、所提议路线选择选项组或过去的路线选择的总体度量。目标函数用作平衡各种重要因素的期望的编码，如可包括乘坐者的便利性或体验，以及给定区域的服务递送效率和具体行程的服务质量(QoS)合规性、以及其他此类选项。对于在给定时间段内的多个给定起始位置和目的地位置，可应用目标函数并为每个所提议路线选择解决方案给出分数(诸如优化路线分数)，这可用于选择最优路线选择解决方案。在一些实施例中，将选择具有最高路线分数的路线选择选项，而在其他实施例中，可存在用于使所得分数最大化或最小化或生成排名以及各种其他评分、排名或选择标准的方法。在一些实施例中，也可选择具有最低分数的路线选择选项，诸如在优化函数可基于成本的量度(其可能期望尽可能低)对诸如利益的量度(其可能期望尽可能高)的因素以及其他此类选项来进行优化。在其他实施例中，所选选项可能不具有最优目标分数，但是具有可接受的目标分数，同时满足一个或多个其他乘坐选择标准，诸如可涉及运营效率或最低限度的乘坐者体验等。在一个实施例中，目标函数接受乘坐者的便利性、递送确认行程的能力、车队的运营效率和当前需求作为输入。在一些实施例中，将存在可随时间推移诸如通过机器学习来学习的这些项中的每一个的权重。构成这些项或值中的每一个的因素或数据也可随时间推移变化或更新。

分量度量(诸如乘坐者的便利性、环境度量、QoS合规性和服务递送效率)可服务至少两个目的。例如，所述度量可帮助确定关键性能指标(KPI)值，在一些实施例中，所述KPI值可用于计划服务区域和测量其运营性能。性能度量(诸如KPI)可帮助评估各种活动的成功，其中可基于特定组织的各种目的或目标选择相关的KPI。也可使用各种其他类型的度量。例如，可考虑选择服务部署的位置，诸如可选择服务区域(例如，城市)的位置，并且可能期望开发或应用被确定为特定服务区域最优或至少为定制的部署或选择方法。此外，这些度量可帮助提供路线选择系统的实时优化目的，其可用于提议或选择针对各种请求的路线。在一些实施例中，优化可能需要针对当前活动的服务窗口的部分数据集计算所述度量，所述当前活动的服务窗口可对应于各种实施例中的固定或可变时间段。

作为示例，乘坐者的便利性分数可考虑各种因素。一种因素可以是从乘坐者的所请求起始点到所选路线的起始点的距离。可使用任何相关方法执行评分，诸如其中精确匹配的分数为1.0，并且大于最大或指定距离的任何距离都得到分数0.0。最大距离可对应于用户愿意步行或行进到起始位置的最大距离、或所有用户的平均最大距离、以及其他此类选项。对于包裹，这可包括提供商愿意行进以使那些包裹运输到其相应目的地的距离。这些因素之间的函数也可以变化，诸如可利用线性或指数函数。例如，在一些实施例中，在所请求起始位置与所提议起始位置之间的中途处的起始位置可能被分配0.5的便利性分数，而在其他方法中，可能获得0.3或更少的便利性分数。针对时间可以采用类似的方法，其中所请求接载与所提议接载之间的时间长度可与所应用的便利性分数成反比。也可考虑各种其他因素，如可包括乘坐长度、停留点的数量、目的地时间、预期交通量、以及其他此类因素。便利性值本身可以是这些因素和其他此类因素的加权组合。

优化或至少考虑乘坐者的便利性度量可帮助确保提供给乘坐者的行程至少是竞争性便利的。虽然乘坐者便利性可以是主观的，但是所述度量可着眼于客观度量，以确定所述便利性相对于其他可用的运输手段是否是有竞争力的。可以考虑可使用可用数据来客观确定或计算的任何适当因素。这些因素可包括例如有能力(或没有能力)提供各种行程选项。所述因素还可包括相对于由乘坐者针对路线请求的一个或多个时间的出发或到达时间的差。在一些实施例中，乘坐者可提供目标时间，而在其他实施例中，乘坐者可提供时间窗口或可接受范围、以及其他此类选项。另一种因素可涉及相对行程延迟(根据预计或基于类似路线的历史数据)。例如，通过某些高交通量位置的某些路线可能具有可变到达时间，所述可变到达时间可作为因素考虑到用于通过该区域或那些位置的潜在路线的便利性分数中。另一种因素可涉及用户针对给定路线所需的步行(或非路线行进)。如所提及的，这可包括所请求起点与所提议起点之间的距离以及所请求目的地与所提议目的地之间的距离。如果适当，还可考虑转移车辆所需的任何步行。

也可考虑各种其他因素，其中确定对便利性的影响可能是困难的，但是确定度量本身相对简单。例如，可考虑当前计划的座位或对象容量利用率。虽然从提供商的角度来看可期望具有满占用率或容量利用率，但是如果乘坐者具有某种伸展的能力，或者如果不是车辆中的每个座位都被占用，则乘坐者可能更舒适。类似地，虽然这种方法可能不影响总体乘坐长度，但是任何原路返回或在沿着路线的先前位置处的另外的停留点可能对于各种乘坐者来说是令人沮丧的，这样使得可在乘坐者的便利性中考虑这些因素以及停留点的总数量和其他此类因素。路径的偏离也可作为因素考虑进去，因为有时为了交通量、通行费或其他目的而采用一定位置周围的具体路径可能有益处，但是在某些情况下，这也可能对于用户来说有点令人沮丧。

可与乘坐者便利性度量一起考虑但可能更难以测量的另一种因素是特定位置的合意性(或如本文所讨论的其他这种环境度量)。在一些实施例中，分数可由提供商的雇员确定，而在其他实施例中，分数可基于各种乘坐者的评价或反馈以及其他此类选项来确定。可在评估位置的合意性时考虑各种因素，如可涉及与地点相关联的地形或交通的类型。例如，平坦的位置可以得到比陡坡上的位置更高的分数。此外，智能基础设施的可用性、接近度和类型也可以影响分数，因为接近智能基础设施或由智能基础设施管理的位置可以比没有这样的接近度的区域位置分数更高，因为这些区域可以提供更加高效且环境友好的运输选项，以及其他此类优点。类似地，具有很少步行交通量的位置可能比靠近繁忙的十字路口或有轨电车轨道的位置得到更高的分数。在一些实施例中，可考虑安全度量，如可基于数据(诸如犯罪统计、可见度、照明和客户评价、以及其他此类选项)确定。也可考虑各种其他因素，如可涉及列车线路、零售店、咖啡店等的接近度。在至少一些实施例中，这些和其他因素的加权函数可用于确定所提议路线选项的乘坐者的便利性分数。

可用于各种实施例中的另一个分量度量涉及服务质量(QoS)合规性。如所提及的，QoS合规性或类似度量可用于确保便利性在整个路线的递送过程中保持不受影响。可存在应用于给定路线的各种QoS参数，并且与那些参数的任何偏差可能负面地影响针对路线确定的服务质量。一些因素的影响可以是二元的，诸如由系统取消行程。行程被取消或至少部分地被执行，这可以指示符合QoS项。如果行程的其他方面(诸如到达时间或行进长度)收到影响，则修改路线也可能影响QoS合规性分数。要考虑的其他因素是到达时间是否超过最迟承诺到达时间以及超过多少。此外，因素可涉及起始位置或目的地位置是否被重新分配，以及乘坐者是否必须在停留点中的任一个处等待过长的一段时间。当确定QoS合规性分数时，还可考虑车辆的重新分配、容量超出、车辆性能问题和其他因素。在一些实施例中，当如本文讨论的那样选择所提议路线时，可考虑基于这些因素的路线的历史执行。

关于服务递送效率，所述效率可针对具体服务区域(或服务区域组)确定。这种因素可帮助确保至少从成本或资源角度来看车队运营是高效的，并且可以用于提议或生成各种主要运营模型的不同解决方案。在一些实施例中，效率可基于车辆分配因素的组合确定，如可涉及静态和动态分配。对于静态车辆分配，车辆可在服务窗口的整个持续时间内调拨到服务区域，其中假定人工成本是固定的。对于动态车辆分配，车辆可按需进入和退出服务。这可提供服务车辆的较高利用率，但是也可能导致可变人工成本。然而，这种方法可以最小化行驶距离和服务时间，这可以降低燃料和维护成本以及减少车辆磨损。这种方法还可能潜在地增加管理车辆、驾驶员和递送服务所需的其他此类资源的复杂性。

关于服务效率(或等效)度量，可考虑各种因素。这些因素可包括例如计划但尚未行驶的乘坐者里程(或其他距离)，其可与计划但尚未行驶的车辆里程进行比较。所述比较可提供座位密度的量度。车辆里程还可与“最优”乘坐者里程的量度进行比较，所述“最优”乘坐者里程可基于预期容量和其他此类值按比例分配。车辆里程与最优乘坐者里程之间的比较可提供路线选择效率的量度。例如，作为服务的一部分，车辆不仅沿着乘客路线行进，而且必须行进到起始位置并从目的地位置行进，以及潜在地行进到驻停位置和其他此类位置并从驻停位置和其他此类位置行进。车辆行进的里程超过最优乘坐者里程可提供低效率的量度。将最优乘坐者里程与诸如计划但尚未行驶的车辆小时的度量进行比较可提供服务效率的量度。与仅仅是距离相反，服务效率度量考虑驾驶员时间(以及因此薪水，以及交通中的时间和其他此类因素，这降低了总体效率。因此，在至少一些实施例中，效率度量可包括诸如为乘坐做准备所需的时间等因素，所述准备包括使车辆准备就绪(清洁、放置水瓶或杂志、充填汽油等)以及行驶到起始位置并等待乘客上车。类似地，度量可考虑完成乘坐(诸如行驶到驻停位置并驻停车辆、清洁并检查车辆等)所需的时间。效率还可能潜在地考虑车辆的其他维护相关因素，诸如每日或每周的清洗、内部清洁、维修检查等。车辆小时还可与乘坐者的数量相比较，所述车辆小时可针对具体服务区域在某个时间段内按比例分配给计划数量的乘坐者。该比较可提供车队利用率的量度，因为可将车辆小时的可用座位数量与乘坐者数量进行比较以确定占用率和其他此类度量。然后，可以使用用于组合这些因素的权重和函数将这些和其他值组合成总体服务效率度量，其可以用于对使用其他度量(诸如便利性或QoS度量)所提供的各种选项进行评分或排名。

在一些情形下，某些度量(诸如最优乘坐者里程和最优距离)用作效率的量度可能是有问题的。例如，依赖行程的计划或实际距离作为所提供的服务质量的量化可以潜在地导致乘坐者体验的降级。这可能是由以下事实导致的：需要普通乘坐者行进更长的距离可能导致更好的车辆利用率，但是这对于较短行程的用户来说可能不是最优的。然后，距离度量的优化可能具有抵消任何服务质量度量增益的负面影响。因此，根据各种实施例的方法可以利用路线选择系统的行为的度量不变量。在一些实施例中，可以计算所请求行程的理想里程。这可以假定从起点驾驶具体类型的车辆到目的地，而没有任何另外的停留点或偏离。然后，“最优”路线可以至少部分地基于在针对理想路线的所请求行程时间处的所预测交通或延迟来确定。然后，这可以有利地用作所提供的服务的量度。

示例性路线确定系统可以考虑已经计划或正在计划的行程以及当前正在进行的行程。出于确定各种选项的影响的目的，所述系统还可以依赖过去发生的路线和行程。对于正在进行的行程，可以利用诸如剩余持续时间和距离的信息。使用计划路线的信息使路线选择系统能够集中于服务窗口的仍可受影响的部分，通常会及时进行。对于按比例分配且计划但尚未行驶的路线，最优距离可能难以直接评定，因为所述路线尚未实际行驶。在一些实施例中，为了接近尚未行驶的最优距离，路线选择系统可以按比例分配总的最优距离，以表示尚未行驶的计划距离的部分。

图3示出根据各种实施例可利用的一组示例性服务递送效率度量300。该示例示出可以平衡计划车辆里程与计划车辆小时的方法，并且使用这些来确定用于确定服务效率的“最优”乘坐者里程302。最优里程可以按比例分配给尚未行驶的计划里程。车辆里程度量304可以不同于沿着多个不同维度的车辆小时度量306。例如，针对车辆里程的车辆到服务区域的分配可以是静态的，而针对车辆小时的分配可以是动态的。此外，基于车辆里程的方法的优化目的可以是路线选择效率，而基于车辆小时的方法的优化目的可以是总体服务效率。另一种类型的优化度量在本文中称为“改良(made good)”度量。对于车辆里程，这可以是占用率改良(OMG)度量，并且对于车辆小时，这可以是速度改良(VMG)或类似的值。这些“改良”度量可以提供是否达到具体优化目的的指示，并且可以做出平衡以确保在满足该目的的同时平衡两个度量，以便以足够的平均速度提供充分的占用率(以及因此提供运营效率)(来提供运营效率以及客户服务满意度)。不同的目标函数可以基于服务目的优先考虑参数(或参数的组合)，但是可以试图确保度量均满足指定服务标准。

如所提及的，在一些实施例中，路线优化系统可以试图利用这种目标函数，以便确定和比较各种路线选择选项。图4示出根据各种实施例的可以用于确定和管理车辆路线选择的示例性系统400。在此系统中，各种用户可以使用在各种类型的计算装置402上执行的应用来通过至少一个网络404提交要由服务提供商环境408的接口层406接收的路线请求。计算装置可以是已知的或用于提交电子请求的任何适当装置，如可包括台式计算机、笔记本计算机、智能电话、平板计算机和可穿戴计算机以及其他此类选项。一个或多个网络可包括用于传输请求的任何适当网络，如可包括使用有线或无线连接的公共和专用网络的任何选择或组合，诸如互联网、蜂窝数据连接、WiFi连接、局域网连接(LAN)等。服务提供商环境可包括已知的或用于接收和处理电子请求的任何资源，如可包括各种计算机服务器、数据服务器和网络基础设施，如本文其他地方所讨论的。接口层可包括接口(诸如应用编程接口)、路由器、负载平衡器以及可用于接收请求或其他通信并将接收到的请求或其他通信路由到服务提供商环境的其他部件。可以使用能够服务存储在内容存储库412或其他此类位置中的内容(诸如网页或地图瓦片)的一个或多个内容服务器提供接口和要通过那些接口显示的内容。

请求的信息可以被引导到路线管理器414，诸如可包括在一个或多个计算资源上执行的代码，所述路线管理器414被配置为使用与运输服务相关联的车辆池或车队中的各种车辆管理要提供的路线的各方面。路线管理器可以分析请求的信息，确定来自路线数据存储设备416的具有可以匹配请求标准的容量的可用的计划路线，并且可以向对应的装置402提供回一个或多个选项以供潜在乘坐者选择。要建议的适当路线可以基于各种因素，诸如与请求的起始位置和目的地位置的接近度、在所确定时间窗口内的可用性等。在一些实施例中，客户端装置402上的应用可以替代地呈现用户可以从中进行选择的可用选项，并且请求可以替代地涉及在特定计划时间获得用于具体计划路线的座位。

然而，如所提及的，在一些实施例中，用户可以建议路线信息或提供对应于用户将期望的路线的信息。这可包括例如起始位置、目的地位置、期望接载时间和期望下车时间。也可以提供其他值，如可涉及最大持续时间或行程长度、最大停留点数量、允许偏差等。在一些实施例中，这些值中的至少一些可以具有由一个或多个路线标准指定的最大或最小值或允许范围。还可以存在各种适当的规则或策略，所述规则或策略规定如何允许这些值随着(诸如针对具体类型的用户或位置的)各种情况或情形而改变。路线管理器414可以接收若干此类请求，并且可以试图确定满足各种请求的最佳路线选择。在该示例中，路线管理器可以与路线生成模块418一起工作，所述路线生成模块418可以从各种请求获取输入并提供可以满足那些请求的一组路线选项。这可包括具有不同数量的车辆、不同的车辆选择或放置的选项以及用于使各种客户在期望时间或接近期望时间到达其近似目的地的不同选项。应当理解，在一些实施例中，客户还可以请求不允许存在偏离的具体位置和时间，并且路线管理器可能需要确定可接受的路线选择选项，或者在不满足最低标准的情况下拒绝该请求。在一些实施例中，可以为每个请求提供选项，并且定价管理器422可以使用来自价格存储库424的定价数据和指南确定具体请求的成本，然后用户可以接受或拒绝所述成本。

在该示例中，路线生成模块418可以基于接收到的在指定的时间段内针对指定区域的请求生成一组路线选择选项。路线优化模块420可以响应于各种请求而使用提供的路线选择选项执行优化过程，以确定要提供的一组适当的路线。在动态路线选择系统中，可以针对每个接收到的请求或针对一批请求执行这种优化，其中用户提交请求，并且然后在稍后的时间处接收路线选择选项。这可以用于以下情形：其中车辆服务试图至少具有最小车辆占用率或想要给用户提供关于路线的确定性，在一些实施例中，这可能需要针对每条具体计划路线的最低限度数量的乘坐者。在各种实施例中，将目标函数应用于每条潜在路线，以便生成路线“质量”分数或其他此类值。然后，可以分析各种选项的值以确定要选择的路线选择选项。在一个实施例中，路线优化模块420应用目标函数以确定路线质量分数，并且然后可以选择提供最高总体总质量分数或最高平均总质量分数的一组选项。根据本文所包含的教义和建议，如本领域普通技术人员将理解，也可以使用各种其他方法。

在至少一些实施例中，目标函数可以独立于优化算法的特定实现方式来实施。这种方法可以使函数能够基于具体输入用作不同方法的比较度量。此外，这种方法使得能够利用各种优化算法，所述优化算法可以将不同的优化方法应用于各种路线选择选项，以试图开发另外的路线选择选项和潜在解决方案，这不仅可以帮助提高效率，而且可以潜在地提供对各种选项及其影响或相互关系的另外见解。在一些实施例中，可以利用优化控制台，所述优化控制台显示各种优化算法的结果，并使用户能够比较各种结果和因素，以试图确定要实施的解决方案，所述解决方案可能不一定提供最佳总体分数。例如，可能存在可接受的各种因素的最小值或最大值，或者提供商可能对各种因素设定具体的值或目标，并且查看对总体值的影响并基于结果选择选项。在一些实施例中，用户也可以在应用任何优化之前观察目标函数的结果，以便观察各种因素变化对总体分数的影响。这种方法还使用户或提供商能够在选择或实施新的优化算法之前对其进行测试，以便确定相对于现有算法的所预测性能和灵活性。

此外，这种方法使算法能够随时间推移而自动演进，如可使用随机实验或基于各种启发法来完成。随着这些算法演进，目标函数的值可以用作新一代算法的适合性或值的量度。算法可以随着服务区域和客流量需求改变而随时间推移改变，并且鉴于相同或类似的条件而进行改进。这种方法还可用于预期未来变化及其对服务的影响以及各种因素将如何改变。这可以帮助确定增加更多车辆、重新定位驻停位置等的需要。

在一些实施例中，包含人工智能的方法(诸如利用机器学习的那些方法)可以与优化算法一起使用，以进一步随时间推移而提高性能。例如，各种因素的升降可能导致客流量水平、客户评价等以及实际成本和定时的改变，所述改变例如可以反馈到机器学习算法中以学习要与优化函数一起使用的适当权重、值、范围或因素。在一些实施例中，优化函数本身可由考虑各种因素和历史信息以生成适当函数并基于最近结果和反馈数据随时间推移使该函数演进的机器学习过程产生，因为机器学习模型被进一步训练并能够开发和识别新的关系。

可以根据各种实施例使用各种定价方法，并且在至少一些实施例中，定价可以用作优化的度量。例如，在一些实施例中，成本因素可以结合一种或多种收入或收益率因素来评估。例如，第一乘坐选项可能具有比第二乘坐选项更高的成本，但是可能还能够识别更高的收入并产生更高的满意度。具有很少中间停留点乃至几乎没有中间停留点的针对专门用户的某些路线可能具有相对高的每乘坐者成本，但是那些乘坐者可能愿意为服务支付另外费用。类似地，作为结果，所生成的乘坐者体验值可能较高。因此，此乘坐选项具有更高成本的事实不应当必定使其被确定为比具有更低成本而且具有更低收入的其他乘坐选项更低的值选项。在一些实施例中，可以存在同样作为因素考虑到目标函数和优化算法中的定价参数和选项。可以存在各种定价算法，其确定路线选项将需要向各个乘坐者收取多少费用。定价可以与客户满意度和支付那些费用的意愿以及其他此类因素平衡。定价同样还可以考虑各种其他因素，诸如代币、信用币、折扣、每月乘坐通行证等。在一些实施例中，还可能存在不同类型的乘坐者，诸如支付基本费用的客户和为更高的服务水平支付另外费用的客户。在各种路线选项的评估和优化中可以考虑这些各种因素。

图5示出根据各种实施例可利用的用于确定一组用户请求的路线选择的示例性过程500。应当理解，对于本文所讨论的此过程和其他过程，除非另有说明，否则在各种实施例的范围内可以存在以类似或替代性步骤或者并行地执行的另外的、更少的或替代性步骤。在该示例中，从或为了运输服务的各种潜在客户接收502各种行程请求。该示例中的请求涉及对于至少一个指定服务区域或区的某个未来时间段，其中运输将针对一个或多个人员、动物、包裹或其他对象或乘客发生。在许多实施例中，可以通过在计算装置上执行的应用提交请求，但是也可以使用其他请求机制。为了确定如何最佳地服务请求，该示例性过程首先确定504用于服务请求的可用车辆容量。这可包括例如确定在指定的未来时间段内哪些车辆或运输机制可用于该服务区域，以及在该段时间内那些车辆的可用座位或其他容量。如所提及的，在一些实施例中，各种车辆的座位中的至少一些可以已经调拨或指派给具体路线、乘坐者、包裹或其他此类选项。

至少部分地基于各种可用车辆和容量，可以确定506一组潜在的路线选择解决方案。这可包括例如使用一种或多种路线确定算法，所述路线确定算法被配置为分析各种起始位置和目的地位置以及乘客的数量和每个乘客的对应时间窗口，并生成用于服务各种请求的一组路线选择解决方案。潜在的解决方案可以试图基于例如共同或接近的起始位置和目的地位置或可以由具体车辆的单一路线服务的位置来将车辆指派给客户。在一些实施例中，路线选择算法可以使用可用车辆和容量潜在地分析用于服务请求的所有可能的组合，并且可以提供满足具体标准的任何或所有选项，诸如至少最小利用率或收益率，或至多与各种客户请求的参数的最大允许偏差(平均的或其他的)。例如，这可包括诸如所请求起始位置与所建议接载点之间的距离、与所请求时间的偏差等的值。在一些实施例中，可以提供所有潜在的解决方案以用于后续分析。

在该示例性过程中，可以使用平衡各种因素(诸如提供商效率和客户满意度)或至少考虑那些因素的目标函数分析508各种潜在的路线选择解决方案，如本文其他地方所讨论的。使用函数分析的或至少满足具体最低标准的每个潜在的路线选择解决方案可以被提供将解决方案的相关值插入到目标函数中而生成的路线选择质量分数。这可包括例如确定各种质量因素的加权组合，如本文所讨论的。在一些实施例中，可以选择具有最佳(例如，最高或最低)质量分数的解决方案以用于实施。然而，在该示例中，相对于潜在解决方案中的至少一些执行510至少一个优化程序。在一些实施例中，过程可能针对所有潜在解决方案执行，而在其他实施例中，仅解决方案的一个子组将经历优化程序，其中具有在可接受的范围之外的质量分数的解决方案可能不被考虑用于优化以便节省时间和资源。优化过程可以试图提高各种解决方案的质量分数。如本文所讨论的，优化过程可以试图调整解决方案的各种参数，诸如调整接载时间、每条路线的停留点、容量分布等。如所提及的，在一些实施例中可以应用多个优化程序，其中算法可以查看不同因素或可调整范围等。不同的优化算法还可以针对不同因素优化或优先化不同因素，诸如不同的QoS或效率分量、收益率、乘坐者舒适性等。

在优化之后，各种所提议解决方案中的至少一些可以具有更新的质量分数。所提议解决方案中的一些还可以基于例如不可接受的质量分数或没有能力充分地服务足够数量的未决请求以及其他此类因素从考虑中排除。然后，可以从剩余解决方案选择512具体的路线选择解决方案，其中可以至少部分地基于优化的质量分数选择解决方案。例如，如果针对诸如收益率或客户满意度评分的因素优化，则可以期望选择具有最高分数的选项。如果针对诸如成本的因素优化，则可能期望选择具有最低分数的选项。也可以利用其他选项，诸如以选择最接近目标数(例如，零)的分数。如所提及的，也可以考虑其他因素。例如，可能选择某一解决方案，其具有接近最佳质量分数的分数，但是具有好得多的收益率或客户满意度值，或者满足一个或多个其他此类目的或标准。一旦确定了解决方案，就可以基于被确定在或接近某个未来时间段可用于确定区的车辆和座位以及其他潜在选项来指派514适当容量。这可包括例如确定路线和停留点以及将具有适当容量的车辆分配给具体路线。针对某些路线的具体类型的车辆的分配还可以在路线选择选项中进行指定，例如，因为可能存在在城镇中达到更佳汽油里程的某些类型的车辆以及在公路上达到更佳汽油里程的一些类型的车辆，使得运营成本也可以按车辆的类型进行分类。在一些实施例中，具体车辆还可能归因于针对具体里程目标的服务，其也可以与其他因素(诸如每里程的成本、所利用的汽油、燃料或动力的类型等)一样作为因素被考虑。然后，可以将关于选择的路线选择选项的信息提供514给特定客户，诸如与接收到的请求相关联的那些。信息可以向用户指示各种方面，诸如接载的时间和位置、正采用的路线、到达目的地的位置和大概时间和潜在地关于具体车辆和驾驶员的信息、以及其他此类选项。

图6示出根据各种实施例的可以用于优化潜在的路线选择解决方案的示例性过程600。在该示例中，诸如通过使用关于图5讨论的过程获得602一组所提议路线选择解决方案。潜在的路线选择解决方案可以提供不同选项以用于服务各种客户的一组乘坐或行程请求以及其他此类选项。一旦获得了解决方案，就可以分析和/或优化解决方案以试图确定接收到的和/或预期的请求的最佳可用解决方案。在该示例中，将选择604路线选择解决方案中的至少一个子组以用于分析。这可包括满足最低标准(诸如能够服务至少最小百分比的请求)或满足所请求行程的最小变化以及其他此类选项的解决方案。对于要分析的给定解决方案，可以确定各种值，所述值的选择呈现在此流程图中。虽然为了简化说明而串行地示出，但是应当理解，在各种实施例的范围内，也可以并行地或以其他顺序进行确定。

在该示例中，针对潜在的路线选择解决方案确定606至少一个乘坐者便利性值。如所提及的，诸如乘坐者便利性的度量可以用于确保提供给乘坐者的行程是竞争性便利的，或至少与由竞争性服务提供的便利性一致。可以使用任何适当机制确定竞争性服务的类型，并在适当时更新所述竞争性服务的类型。产品是否是竞争性便利的可以基于多种因素，诸如可涉及距离、时间、容量、延迟等的变化。在该示例中，基于多个不同参数的加权函数计算乘坐者便利性值，其中相对权重可以至少部分地基于每种因素的确定影响。乘坐者便利性值中的主要因素可以是没有能力提供任何行程选项。例如，没有能力在确定的时间窗口内提供在请求的起始位置或目的地位置的最大允许距离内的路线选项，以及有能力提供不超过最大延迟时间或停留点数量等的选项。另一种因素可以是是否可以提供在请求的指定时间范围内的接载和递送时间、以及指示从请求的接载或递送到预期的接载或递送的时间差的因素，所述时间差负面地影响便利性确定。如本文其他地方所提及的，其他因素可以涉及请求的起始位置与提供的起始位置之间的步行或行进距离，以及针对目的地位置的步行或行进距离。还可以关于客户的实际起点或目的地确定所述距离而不管客户的请求位置如何。因素还可以涉及计划容量或座位利用率、沿着路线原路返回的量、起始或目的地位置的合意性、以及与最优路径的偏离以及其他这类选项。

至少一个乘坐者便利性值可以是如本文所讨论的环境度量。另外地或替代地，除了在步骤606中确定至少一个乘坐者便利性值之外，可以确定和评估其他环境度量。例如，基于所确定外部等待时段的所确定天气，在所提议路线选择解决方案期间乘坐者是否可能会淋雨，以及等待时段是否有雨淋。

另外，可以针对路线选择解决方案确定608至少一个服务质量(QoS)值。这种度量可以帮助确保便利性在整个运输服务的递送过程中在可能或实际的程度上保持不受影响。所述值可能受到各种因素的影响，如可涉及行程的全部或一部分的取消，如果服务不能够递送，则所述取消可以对总体QoS值具有最大影响。其他因素也可涉及先前指示的执行，如可涉及违反承诺最迟到达时间，这可以基于在承诺的到达之后的时间量，或在一些实施例中，基于是否满足承诺时间，可以是二元的。类似的因素可涉及是否改变或重新分配接载或下车位置、乘客是否必须在车辆上等待、是否重新分配车辆或者是否错过了最迟承诺接载时间。在一些实施例中，路线的历史执行可以用于提供这种度量的数据，并且还可以按车辆、当日时间、驾驶员、车辆的类型等进行分类。

此外，可以针对所提议路线选择选项确定610至少一个服务递送效率值。包含这种度量可以帮助确保车队操作也是高效的。如所提及的，在一些实施例中，这可以使用至少两种不同的运营模型(诸如可以基于静态和动态车辆分配)来确定。对于静态车辆分配，车辆可以调拨到服务区域达服务周期的整个持续时间，使得人工成本是固定的，并且可以试图最小化行驶距离而不考虑服务时间的长度。另一种模型可以利用动态车辆分配，其中车辆可以按需进入和退出服务，使得人工成本是可变的。因此，可以试图使服务时间以及行驶距离最小化。一些方法使用两种方法的组合，由此存在具有静态分配的多辆车辆和按需可用于动态分配的其他车辆。本文其他地方详细讨论了用于确定最优值以用于各种服务递送效率计算的方法。

一旦确定了各种度量值，就可以应用目标函数以分析612值并生成所提议路线选择解决方案的质量分数。独立于计算或作为计算的一部分，可以关于所确定路线选择选项执行614至少一个优化过程，以试图提高相关联的质量分数。如所提及的，这可以涉及在允许范围或方差内改变度量值中的一些及其分量值、以及权重和其他方面。如果有更多所提议路线选择解决方案要考虑，则过程可以继续。一旦已经评估和/或优化了所提议解决方案，就可以至少部分地基于具有最佳质量分数的路线选择解决方案选择618该解决方案。这可包括例如最高或最低分数或者另一个这样的分数，如本文其他地方所讨论和建议的。如所提及的，在一些实施例中，优化过程可能不被执行或可能被离线执行，以便试图改进用于后续确定的目标函数。

各种实施例可以至少在某些情况下通过在各种路线选择确定中考虑预期需求来进一步改进或优化这种方法。如所提及的，确定路线和匹配车辆可以为一组具体的乘坐或行程提供最优解决方案。然而，通常情况是，在这些乘坐之后，车辆的放置对于要提供的下一组乘坐而言将不是最优的。作为示例，图7A示出用于未来的乘坐请求的一组起始位置702，以及具有容量来服务那些乘坐请求的车辆的当前位置704。未来的乘坐请求都可涉及某个未来时间段或当前需求以及其他此类选项。各种车辆的位置704可以在最后的目的地位置附近，或者可以是在最后一个行程或目的地之后车辆驻停的位置，以及其他此类选项。

图7B示出乘坐请求或未来需求以及车辆位置或可用容量的相同分布720，但是出于说明目的没有地图数据。如图所示，车辆的位置704相对于起点位置702在某种程度上是随机分布的。这可能导致一些车辆不得不行进很长的距离才能到达其分配的起始位置，这可能导致额外的成本和更低的利用率，如本文其他地方所更详细讨论的。因此，在这个时间点上需求的分布与容量的分布不匹配的事实是某种效率低下。如图所示，可能存在需求量高的区722，所述区722几乎没有容量定位，使得所有车辆都不得不来自该位置之外。例如，这可能发生在下午高峰时间诸如城镇中心等位置，那里许多人从一个小区前往分散在大区周围的目的地。

然而，对于这种情形，可以通过预期需求并将预期需求包括在车辆的路线选择中来提高效率。可以使用至少两种不同的方法来改进这一点。第一种方法涉及将车辆主动定位到预期需求的位置。例如，如在图7C的示例性分布740中所示，车辆可以被主动地定位成使得车辆在各个区上的密度或分布与预期需求的分布相匹配或相似。以这种方式，可以显著减少要行驶的平均距离和到达起始位置的时间。此外，可以通过例如在驾驶员轮班期间移动车辆来减少人工成本。如果驾驶员快要结束他或她的轮班并且车辆将被移动到具体位置，则驾驶员可以在轮班结束时将车辆移向该位置，使得下一轮班开始将车辆移动到起点时将不会产生另外的成本。然而，也可以考虑其他因素，诸如可用的驻停位置、在那些位置中的任一个处驻停的成本、行驶到那些位置所产生的另外的距离或时间等。在该示例中，被检查区722中对容量的需求密度平衡得多。因此，即使实际需求最终与预期需求略有不同，满足这些请求的容量的位置仍将被方便得多地布置。

为了提供进一步的优化，根据各种实施例的方法将在将车辆分配或主动地定位以用于即将到来的路线之前，考虑那些车辆在已分配或计划路线结束时会位于何处。在分析某个时间段内的各种路线选择选项时，也可以考虑此信息。作为示例，图8A示出示例性情形的位置数据800，其中乘坐请求要求要在两个起点位置802与两个目的地位置804之间采用的路线。仅仅使用如先前所讨论的主动定位方法可能导致两辆可用车辆806被定位在两个起点位置802附近，使得所述车辆将能够在适当时间处并且以最小的另外成本和努力来快速地服务那些请求。在图8B中示出一个示例性解决方案820，其中第一车辆822在第一起点位置附近移动并沿循到相关目的地的某条路线。第二车辆824执行类似的路线以到达第二目的地。然而，在该示例中，显示了两个未来的乘坐请求的起点位置826。图8B所示的路线导致两辆车辆最终都离随后的起点目的地很远的距离。如果然后将这两辆车辆都定位为服务未来的请求的路线，则每辆车辆最终将行驶大量另外的时间和距离来服务另外的请求。根据相对定时，这也可能最终会延迟后续请求的开始时间。

根据各种实施例的方法在分配当前或计划的路线时，试图至少部分地基于在具体路线结束时车辆会定位在何处来考虑和/或预测该未来需求。作为示例，考虑图8C所示的替代路线解决方案840。在该示例中，将第一车辆822分配给未来需求的在远距离处的两个起点位置826，使得仅该车辆必须行驶全距离。该车辆822还避免了行进到当前计划路线中的一条的位置所需的另外距离。然后，第二车辆824可以在时间允许的情况下服务当前的两个请求，其中相应目的地位置804相对较近。这也显著减少了第二车辆必须行进的距离，因为第二车辆将不必行进长距离到随后的起点位置826。因此，在优化和选择各种路线选择解决方案时，不仅基于预期需求主动地定位车辆可能是有优势的，而且考虑完成具体路线的车辆的未来位置也可能是有优势的。这种方法的目的可以是在较长的时间段内而不是在具体的时间点或相对较短的时间段内优化成本、效率和其他因素。

图8D示出根据各种实施例可利用的将未来容量和车辆位置并入密度匹配中的一种示例性方法。分布860对应于服务区域，所述服务区域被分成量化区阵列。可以利用任何适当的量化或区选择方法，如可以基于距离、人口、平均需求等。在该示例中，空心圆表示未来乘坐的起点位置，实心圆表示在先前时间段内在该区中结束的目的地，并且x标记对应于在未来需求的时间该区中的车辆(或座位容量)。在该示例中，可能希望预期每个区的需求，并试图使可用容量尽可能接近预期需求。排除成本和其他问题，理想的优化可能会使每个区的可用容量与预期需求完全匹配。例如，一个区的可用容量可以考虑到由于车辆的先前目的地而无论如何被预期为在该区中的那些车辆的数量，并且可以确定可以主动移入该区中的容量的量。这种方法可以与优化算法一起使用，以确定每个区的目标容量以及所预测容量，并且在优化过程内试图主动移动车辆以使各个区的可用性与容量匹配。所述优化还可以平衡各种因素，诸如是要优先考虑跨区的平衡，还是要优先考虑与区内目标的偏离以及其他此类因素。在一些实施例中，也可以考虑需求的概率。例如，如果某人在某个时间点有50％的机会提交针对某个具体位置的乘坐请求，则可以将该位置的需求设置为0.5而不是1.0。然后，跨区的所预测需求可以是这些分数需求的汇总或统计组合。

为了确定某个时间点的预期需求，根据各种实施例的方法可以分析过去在至少所确定时间段内接收到的请求、所服务路线以及其他方面的历史数据。可以对这些值进行衰减、加权或以其他方式加以考虑，以使最新数据比遥远过去的数据等具有更大的影响力。还可以针对具体时间段或发生时间(诸如工作日、周末、季节、事件、高峰期等)分析所述数据。在某个未来时间段内，诸如在夏季某个星期三10：00，对于未列出重大事件的具体地理区，可以对历史数据进行分析，以预测跨该区的需求以及其他值(诸如可用容量、进行中的路线等)。在至少一些实施例中，历史信息也可以用于训练一个或多个机器学习模型，所述一个或多个机器学习模型然后可以在一组给定的条件下针对给定时间段提供所预测需求，诸如可涉及当时发生的事件等。

作为示例，用于服务区域(即，所定义地理区)的历史数据可包括关于具体时间段内所请求的乘坐的信息，包括起点位置和目的地位置。所述历史数据还可包括与那些请求相关联的信息，诸如所请求的最大停留点数量、到达时间窗口以及所请求的车辆或服务的类型，以及本文所讨论和建议的其他此类请求选项。所述历史数据还可包括关于乘坐者类型(人、动物、包裹等)以及容纳该乘坐者所需的容量的类型或量的信息。所述历史数据还可包括实际需求的数据(包括哪些路线被实际分配和递送，包括各个行程或路段)以及定时和其他此类信息。所述历史数据还可包括执行数据，诸如及时性、所产生的里程数、所产生的时间量、所使用的车辆类型、停留点偏差等。所述历史信息还可以标识要考虑的任何特殊条件，诸如事故、施工或事件流量，它们可能已经影响了潜在值，以便确定是否在预测中考虑那些具体值。历史数据还可包括历史环境度量和乘坐者对相应路线的响应；例如，历史数据可以指定某条路线拥挤并且乘客对其体验给予负面评价。可以从许多不同来源中的任一个获得历史数据，诸如特定提供商过去的数据、第三方数据、从手机或其他机制获得的用户数据等。

可以对数据进行处理以在一些实施例中确定例如对服务区域内的一组区中的每个区的所预测需求量，或者在其他实施例中确定需求分布或其他此类所预测需求映射。这可包括关于所预测位置和请求数量的信息，使得可以试图为每个所预测行程提供足够的容量。如所提及的，可以通过可能性因子来修改乘坐者的数量，使得如果两个人有50％的机会提交对特定区域的请求，则可以将需求值1.0(或另一统计确定的数字)用于当时对该位置的容量需求。在一些实施例中，这也可以基于对该位置和该时段的平均需求，其中允许分数需求。例如，可以计算出平均需求为2.3个人，这在至少一些实施例中可以事先观察2-3人的容量将被主动地移动到该位置(或其附近)。对于包裹，可以利用总体容量大小以及预期的单个包裹大小，其中分数需求还部分地基于需求的概率。如所提及的，可以采用类似的方法来预期所预测需求的目的地，所述目的地可以用于选择路线、分配车辆以及采取如本文所讨论和建议的其他此类动作。

图9示出根据各种实施例的示例性系统900，所述系统900类似于图4的系统，但是其包括被配置为预测需求并提供主动车辆移动的另外部件。在该示例中，所述系统可包括至少一个需求模拟子系统902、装置或部件，其可以试图预测对具体服务区域的需求，如本文所讨论和建议的。需求模拟器可以确定模拟参数，诸如当日时间(例如，十五分钟的窗口)、工作日、季节以及特殊事件或计划的事件发生(例如，施工)，所述模拟参数可以用于运行模拟。模拟器902可以从历史需求数据存储库904中获得相关数据，并且可以使用一种或多种预测算法或过程来分析该数据，以针对该特定时间和位置来预测需求(以及可能本文中所讨论的其他值)。如所提及的，在一些实施例中，可以代替地使用机器学习或训练的模型，其可以接受时间和条件输入并且相应地提供所预测需求和相关值。

在一些实施例中，需求模拟器902可以将预测信息提供给路线生成和/或优化部件418、420，所述部件418、420可以利用该信息来至少部分地基于所预测需求来确定车辆的路线选择。这包括：主动移动车辆；基于所预测目的地分配路线和车辆等。在一些实施例中，可以使用错误请求生成器906或可以提交与所预测需求相对应的用户请求的其他这样的系统或服务，来将这种功能注入现有系统中。这可能会使系统在做出路线选择(和其他)决策时考虑所预测需求，因为系统会将这些请求视为实际请求。在该示例中，路线生成模块418可以基于在指定时间段内针对指定区域所接收到的和错误请求生成一组路线选择选项。所述路线生成模块还可以确定如何改变目标函数所测量的可用容量的状态。

在一些实施例中，错误请求生成器906或其他这类子系统可以被配置为然后在适当的时间(诸如当满足取消标准时)取消乘坐，以便防止系统试图在错误路线上的递送。可能使用各种取消标准，诸如可涉及距错误路线起点位置的距离、错误路线开始时间之前的时间量、排定时间或实际路线请求的接收以及其他此类选项。所使用的标准可以至少部分地取决于位置的类型或可用容量的量，并且可以诸如通过使用机器学习或其他此类方法，随时间推移动态地学习或更新那些标准的值或阈值。可以主动放置车辆，然后在取消路线时，系统可以使用系统已经使用的其他车辆放置逻辑将车辆引导到适当的附近位置。在一些实施例中，还可以存在一种用于确保实际乘坐请求优先于用于车辆定位和其他这类目的的这些错误乘坐请求的机制。例如，可以使用特殊的代码或标识符，所述特殊的代码或标识符可以使请求被视为低优先级，使得其他请求或路线类型可以优先。在其他实施例中，错误请求生成器906或路线管理器414可以监控实际请求，并且如果需要，可以提交取消错误请求的请求。在各种实施例的范围内，也可以利用各种其他选项。路线选择和放置也可以随时间推移进行监控和更新，诸如以考虑跨服务区域的实际需求的变化。从车队管理器430发送到各种车辆434的指令或信息在许多情况下可以与针对实际乘坐请求的指令或信息相同，而在其他实施例中，所述信息可以指示所述路线是针对主动放置的，使得驾驶员可以注意到定时和其他问题可能不如请求的其他类型的那么关键。

如所提及的，可以针对多种不同的服务区域执行投影和分析，这些服务区域的大小可能非常大，或者由于交通或其他条件而可能需要花费大量时间来穿越。在一些位置中，可能有数量有限的驻停设施可供服务提供商的车辆使用，使得主动定位可能至少在某种程度上限于基于预测选择最优驻停设施。在设施距所预测起始位置远(在时间或距离方面)的一些实施例中，也可以考虑各种其他因素或选项。这些可包括例如付费路边驻停、员工住宅驻停、自主车辆的连续行驶以及其他此类选项。对于涉及另外成本的选项(诸如付费驻停)，可以将该成本考虑到优化和路线选择过程中。在一些实施例中，不主动定位车辆可能是更具成本效益的，其中主动定位将涉及另外的成本、驾驶员加班等。各种方法可以试图至少部分地基于所预计需求来确定具有更好的车辆停放位置的优选的端到端解决方案。

在各种实施例中，还可以试图保持容量密度随时间推移的一致性。例如，在一些实施例中，针对具体长度的时间段(诸如针对15分钟的间隔)分析需求。这种方法可能意味着一个小时内可能有四个非常不同的需求密度或分布。尽管可能需要将需求与容量密度进行匹配，但是使一些车辆每小时移动多达四次以实现密度匹配可能并不具成本效益。因此，方法可以寻找某个时间段内的需求密度，并试图以这样的方式放置车辆：在延长的时间段内，容量密度可以对应于需求密度。例如，在接近人们下班时的高峰时段，闹市区可能会有高需求，而在其他时间需求低。基于这种需求波动，每小时将汽车移入和移出区域可能不切实际。然而，基于成本，如果预期接下来的45分钟需求将很少，并且在附近区可能会有需求，则将一些车辆从该区域移出可能会有好处。这些和其他因素可以在优化和路线选择方法中加以考虑，使得主动定位和密度匹配不会导致过多的车辆移动和另外的成本。在许多实施例中，仅将车辆主动地放置在利益证明放置合理的地方，如可以使用可以将诸如运营效率的度量考虑在内的目标函数或如本文所述的其他过程或算法确定。如所提及的，在至少一些实施例中，在主动移动车辆之前也可能需要最小的距离或利益，因为基于所预测需求的小波动将车辆移动几个街区可能不能证明该动作是合理的。还可以考虑诸如车辆的磨损以及损坏或事故的风险的因素，使得在移动任何具体车辆之前可能需要预测至少最小量的利益。车辆空车行驶的每一里程都可能生成另外的成本。

如所提及的，也可以考虑所预测需求的各个目的地和时间窗口。例如，对特定的九人区块的所预测需求并不一定意味着应该主动定位一辆具有九个可用座位的客货车，因为所请求路线可能有很大不同，并且实际上无法由单一车辆提供服务。类似地，在该位置主动定位九辆不同的车辆可能并不具成本效益。因此，除了用于主动放置确定的座位密度或车辆密度之外，可以至少部分基于该位置需要的所预测路线数量来执行主动放置和路线选择。因此，密度匹配可以试图将适当的座位容量放置在某一位置以与需求容量匹配，并使用预测为一条或多条相关联路线所需的适当数量和/或类型的车辆来提供该座位容量。

因此，一些方法可以试图达到与服务区域的“零”状态相对应的最优状态，在所述最优状态下，容量密度等于指定时间段内的需求密度，所述需求包括实际需求和所预测需求两者。其他方法可以试图达到最优状态，在所述最优状态下，车辆被主动地移动以试图将容量密度与需求密度匹配到这样的程度，即车辆移动满足诸如本文中其他地方关于目标函数和其他此类方法所讨论的那些标准的标准。例如，当车辆没有主动为行程或路线服务时，该车辆可以驻停在附近位置处、移动到所预期未来需求的位置或移动到所确定中间位置，以及其他此类选项，其中在至少一些实施例中，所选选项对应于总体所选路线选择解决方案。在一些实施例中，当分配未来路线或修改现有路线等时，当前服务路线的车辆的路线选择选项也可以考虑所预测需求。

当预测需求时，需求可以被表达为一组记录，其中每个记录可包括多个不同字段中的任一个。这些字段可包括例如星期几、接载时间窗口、起点位置或标识符、目的地位置或标识符、乘坐者数量、发生概率和平均预订提前时间以及其他此类选项。在至少一些实施例中，可以假设需求记录是独立的，并且未能实现的所预测需求将不被结转。此外，在至少一些实施例中，实际需求超过所预测需求不会减少未来的所预测需求。可以在服务窗口启动时针对窗口的整个长度执行所预测需求注入。在一些实施例中，对于较长的服务窗口，可以考虑受约束的时间范围。撤回可以紧挨在已经声明记录的时间间隔之前的需求记录的提前时间之前执行，以及其他此类选项。预测性需求也可以按停留点对停留点确定，其与点对点不同，其中所述点可以是任何已标识的地理位置。在一些实施例中，诸如步行或其他第三方运输的移动可能不被考虑用于预测放置。

在一些实施例中，可以修改或开发目标函数以包括与预测需求有关的各种因素。这些可涉及新的度量或构成目标函数的各种现有度量的因素。例如，关于各种乘坐者便利性因素，对于主动放置，可以降低对时间匹配的敏感性，以及对于不能提供与主动放置有关的具体行程选项，可以降低惩罚。可以假定恒定的步行时间用于相对行程延迟取消以及恒定的长度。关于QoS因素，除了可以保留但减少行程计算的惩罚之外，这些因素可能都不适用于与错误路线相对应的主动放置行程。服务递送效率因素可能仍然全部适用于主动放置路线。因此，相比于基于服务质量，更多地基于运营效率度量来确定和优化主动放置，这是因为除非主动路线的服务影响实际计划的路线的开始等，否则不会有主动乘坐者受到主动路线的服务的影响。

图10示出根据各种实施例可利用的用于主动定位车辆作为运输服务提供的一部分的示例性过程1000。在该示例中，可以获得1002在某一未来时间段内并且关于所指定服务区域的实际请求数据。如本文所讨论和建议的，可以通过一组接收到的行程请求以及其他选项来获得实际请求数据。另外，可以获得1004该服务区域的历史需求数据，其中所述数据至少包括与时间段类型有关的历史数据。例如，这可包括诸如可涉及一天中的具体时间、一周中的一天、一年中的月份、季节、事件日期等的类型。应当理解，可以以任何具体顺序或同时获得实际请求和历史需求数据，并且在一些实施例中，历史数据可以由提供商在延长的时间段内进行维护。历史需求还可包括关于以下的信息：所运输的类型或乘坐者，诸如人或包裹，以及运输该乘坐者所需的容量的量，诸如用于两个人请求的两个座位或包裹的体积数据，以及其他此类选项。至少部分地基于实际需求和所预测需求，可以确定1006服务区域的各个区的所预测需求。例如，这可以是针对基于密度或请求动态地确定的区，或者可以是基于距离或其他标准的固定的量化区。为了在该示例中主动地定位车辆，可以生成1008多个主动请求，可以将所述多个主动请求作为实际乘坐请求提交以进行处理。这样的方法可以使系统基于实际请求和主动请求的组合来执行路线选择和优化。

一旦提交了，系统就可以处理请求，如本文其他地方所讨论。例如，为了确定如何最好地选择和定位车辆，可以确定可用容量的量度。这可包括例如车辆的数量、可用座位的数量或可用容量的量、或具有具体容量的车辆的数量以及其他此类选项。一旦确定了可用容量和所预测总需求，就可以试图分派容量以更紧密地匹配或对应于所预测需求。在该示例中，可以确定在被分析的时间段之前各种车辆的所预测位置。在一些实施例中，这可包括例如分析当前分配的路线以及所预测或所预期路线，以试图确定在相应时间之前每一车辆的可能位置。在一些实施例中，这还可包括确定车辆将处于该位置的时间，以便提供该车辆可能能够被主动定位的时间窗口。这也可以帮助确定所预期成本，诸如可涉及人工、驻停和里程等。

如本文其他地方所讨论的，可以确定1010一组潜在的路线选择解决方案，其包括不仅提供实际需求，而且提供所预期需求并且至少部分地基于该所预期需求来主动定位车辆。这可以使用如本文其他地方所讨论的路线建议和/或优化算法来执行。可以使用目标函数或其他这样的机制来分析1012所提议路线选择解决方案的至少一个子组，以确定质量分数或其他这样的值或量度。如所提及的，目标函数可包括至少部分地基于所预测需求和主动定位能力的各种客户和运营效率度量的值。然后可以至少部分地基于相应的路线质量分数来选择1014路线选择解决方案，如本文中其他地方所讨论的。然后可以将相关的路线选择数据传输1016到受影响的车辆，以便使那些车辆在所确定时间移动到所确定位置，在一些情况下，这可以对应于主动放置。在一些实施例或情形下，可能发生到与车辆或车辆的驾驶员相关联的计算装置的传输，以及其他此类选项。在一些实施例中，关于计划路线或所预测路线的信息也可以被传输到潜在客户的装置，以便使那些客户能够请求具体路线、时间、停留点或其他此类选项。

图11示出根据各种实施例可利用的用于确定车辆的主动放置的示例性过程1100。在该示例中，至少部分地基于历史数据来确定1102对服务区域的所预测需求。如所提及的，相关数据可涉及对应的时间段，包括一天中的时间、一周中的一天或事件发生，以及其他此类选项。在该示例中，所预测需求至少部分地涉及预期将从客户接收到的乘坐或运输请求。这可以基于经训练的神经网络或预测模型以及其他此类选项。对于各种所预期请求，可以确定1104信息，如可涉及接收到该请求的概率以及针对该请求要提交的可能的乘坐者数量。该信息可以用于确定1106服务区域的一组量化区中的每个区的座位需求，其中座位需求可以至少部分地基于应用于座位请求的概率而为分数的，如本文所讨论的。另外，可以确定1108满足所预期座位需求所需的所预期路线数量，因为可能的目的地变化在仍然满足用于路线确定的各种标准的同时通常将不能使用单一车辆来服务。

除了确定所预期需求之外，还可以对容量执行对应的分析。在该示例中，可以至少部分地基于所预期座位需求来确定1110每个区的目标容量，其中目标容量可包括多个座位和/或车辆，并且在至少一些实施例中，可期望与所预期的座位和车辆需求尽可能接近地对应。为了确定移动到具体区的容量，可以确定1112已经针对具体时间段指派给该区的容量。这可包括例如已经被指派来为该区提供乘坐的车辆、目的地在该区中的车辆、预计要在该区驻停的车辆等。至少部分地基于目标容量与所指派的可用容量之间的差异，可以确定1114要指派给各个区的另外容量。使用本文其他地方所讨论的方法，可以利用目标函数来提议、优化和/或评估各种路线选择解决方案，以便选择1116适当的路线选择选项，这可涉及将车辆主动放置在服务区域的各个区中，以便使可用容量更紧密地匹配或对应于所预期需求。然后，可以将所选解决方案的信息发送1118到受影响的车辆或与所述车辆或驾驶员相关联的装置，以便使那些车辆在适当的时间移动到指示的位置。如所讨论的，可能期望随时间推移使移动平稳并限制移动，以及期望确保该过程仍然满足各种运营效率标准。

图12示出根据各种实施例的用于评估路线的示例性过程1200。示例性过程1200的原理可以应用于图10的步骤1012。在该示例中，为运输服务的潜在客户获得1202行程请求。在一些实施例中，行程请求由需求模拟器902生成。

可以针对行程请求确定1202潜在的路线选择解决方案。应当理解，潜在的路线选择解决方案可以服务单个行程请求或多个行程请求。在适当情况下，潜在的路线选择解决方案可以类似于“行进指南(travel itinerary)”，例如，指定乘客步行到停留点、在车辆之间转移等。在适当情况下，潜在的路线选择解决方案可以类似于“公共汽车网络地图”，包括多辆车辆的车辆路线、停留点和时间表。应当理解，潜在的路线选择解决方案可以是“指南”概念、“网络地图”概念、单独车辆的时间表和停留点安排以及本文所公开或暗示的其他概念中的任一者的组合。

可以确定1206潜在的路线选择解决方案的环境度量。环境度量可具有与单个特性有关的值，诸如道路的颠簸程度、所预测降雪量、车辆上的噪声水平等的描述。在一些实施例中，环境度量可表示多个其他环境度量之间的交互(诸如如果存在所预测降雪并且潜在的路线选择解决方案包括外部路段)。一些环境度量是布尔值，即，它们是活动的或不活动的。布尔环境度量的示例包括停留点是否具有长凳、车辆是否可供轮椅通行以及车辆是否是公共汽车。一些环境度量可表示环境特性将表现的预测；例如，如果有0.85％的机会在某个车辆上有座位可用。一些环境度量可表示事物的程度，诸如车辆中的温度、噪声水平或距离。在一些实施例中，围绕均值对环境度量进行标准化，使得如果路线对于相关环境度量是典型的，则环境度量可表示为零或空值。可以将环境度量存储在车辆、车辆类型、路线、停留点、位置等的数据库中。在一些实施例中，可以使用传感器、调查、预测引擎等来动态地计算和调整环境度量。

环境度量表示乘坐者在使用潜在的路线选择解决方案的路线行进时将遇到的环境条件。环境度量可以基于天气条件、天气暴露、乘坐条件、阶梯、污染、噪声等。环境度量可以基于在潜在的路线选择解决方案之前、期间或之后发生的公共事件，诸如体育赛事、集会、游行和假日。一些环境度量可以使乘坐者体验不太愉快，而其他环境度量增强乘坐者体验。

环境度量可以基于天气条件。天气条件可以针对乘客将所在的位置以及相应的时间。例如，运输服务可以预测潜在的路线选择解决方案的某个位置处的未来时间的天气条件。天气条件可包括温度、阳光照射(诸如阴天或晴天)、降水(例如，雨、雪、雨夹雪或冰雹)、风、空气质量(例如，污染)、花粉计数等。

运输服务可以基于天气条件来确定天气暴露。天气暴露可以意味着天气将对乘客(或乘客的潜在的路线选择解决方案)产生多少影响。例如，如果运输服务针对潜在的路线选择解决方案预测在转移点和时间处的降雪，则运输服务可以评估该停留点是否暴露于雪(例如，是否被覆盖)。运输服务可以确定地下火车几乎没有天气暴露；在楼梯上步行很高程度地暴露于雪和冰天气；步行暴露于雨、风或极端温度；行驶暴露于冰和雪天气等。在一些实施例中，乘客可能想要在特定时间到达目的地，并且提早到达可能需要乘客在外面等待；在此类情形下，运输服务可能会惩罚过早到达的潜在的路线选择解决方案，尤其是如果过早到达会使乘客经受天气暴露。在一些实施例中，运输服务可以使用卫星图像来确定特定区域的暴露(例如，以标识停留点是否被覆盖或未被覆盖或者除雪发生的速度如何)。

环境度量可以基于安全度量。安全度量可以基于与隐私、人身安全或乘客财产安全有关的问题。某些车辆可以提供具有私人舱室、着色窗户、单独座椅等的更好的隐私。运输服务可以为利用离散车辆的潜在的路线选择解决方案(例如，那些没有以某种方式引起注意的品牌)提供更好的分数。可以基于安全人员、安全摄像机、锁、其他乘客、漫游者等的存在或缺乏来评估安全度量。安全度量可以基于呼叫求助电话的存在。可以基于照明(例如，所预期阳光、所预期月光或人造光)以及位置的总体清洁度来评估安全度量。运输服务可以基于相应位置的犯罪报告来评估安全度量。例如，某个火车站可能更容易被人窃取，停车场可能有更多的窃贼，并且公共汽车站可能有来自本地游荡者的干扰问题。可以基于一天中的时间来评估安全度量，因为在一个时间段期间看起来安全的某些区域在另一个时间段期间看起来不安全。安全度量可以基于车辆或区域的繁忙程度、基于来自运输服务的历史或所预期客流量信息。

环境度量可以基于可用食物选项。可用食物选项可包括由运输模式(例如，在火车、飞机或船上)、在站处、沿着路线(例如，沿着行驶部分的快餐店)等提供的食物。可用食物选项可包括食物的成本、食物的类型(例如，意大利、韩国、美国、BBQ)、食物的饮食考虑因素(例如，食物选项是否是洁食、清真、严格素食、素食、有机、本地来源、或过敏考虑因素)。某些食物选项可具有与它们相关联的时间，例如，去食品供应商、订购、接收食物和食用食物所需的时间。运输服务可以基于当乘客将在那里时食物供应商预计有多繁忙来确定所预计时间。运输服务可以基于获得食物将绕行多远以及可用的时间(例如，中途停留的时间)来确定乘客是否有足够的时间来获得食物。在一些实施例中，乘坐请求可包括对沿着潜在的路线选择解决方案的食物的期望。

环境度量可以基于潜在的路线选择解决方案的可达性度量。可达性度量可以基于潜在的路线选择解决方案的阶梯的数量以及乘客是否必须登上或爬下阶梯(例如，“三个向上阶梯梯段和两个向下阶梯梯段”)、路径的坡度(其可以是特别适用于轮椅用户和运送轮式货物的人)、车辆的高度(例如，进入公共汽车)以及步行距离。体力消耗量可包括路段的高度增益或损耗。运输服务可以对在行进期间由便携式电子装置记录的关于乘客的“步数”的量进行计数，以估计潜在的路线选择解决方案的路段的物理条件。类似地，运输服务可以通过乘客电话上的应用程序并且在乘客同意的情况下，基于电话的取向来确定乘客在等待位置处的站立和就坐量。

可达性度量还可包括与残疾乘客相关的因素。例如，一些潜在的路线选择解决方案可能更适合盲人(例如，如果他们具有指示安全区域的可听注意事项或截断的圆顶砖)、聋人(例如，如果他们具有视觉标牌)、具有移动性约束的那些人(例如，如果电梯或自动扶梯可用，或者预计在相应时间可用)、具有大小要求的那些人、具有同伴动物的那些人或具有焦虑的那些人(例如，如果潜在的路线选择解决方案不包括在桥梁上行驶、在公路上行驶、在拥塞区域中骑行、或不具有混乱的转移)。可达性度量可以基于与乘坐者相关的语言信息(例如，口语或标牌中的语言是否对应于乘坐者的语言)。可达性度量可包括潜在的路线选择解决方案是轮椅还是婴儿车友好的。

潜在的路线选择解决方案度量可以基于体力消耗量，所述体力消耗量可以基于总消耗量(例如，乘客在潜在的路线选择解决方案期间将“燃烧”多少热量)或在任何时间的消耗量(例如，单独部分的难度)。体力消耗量可以基于潜在的路线选择解决方案的物理条件和乘客的度量。体力消耗量可以基于乘客的年龄、健康水平、获得锻炼的期望和货物(例如，如果乘客正在放行李或沉重的背包)。体力消耗量可以基于乘客所需的站立时间量，诸如站在公共汽车、火车上或在停留点等待时。运输服务可以基于乘客上车所在位置的客流量数据来确定乘客将无法在车辆上找到座位的可能性。一些潜在的路线选择解决方案可包括慢跑或快走路段，这可以影响潜在的路线选择解决方案的体力消耗量。

一些乘客可能希望运动，因此可能更喜欢15分钟步行而不是15分钟站立，特别是如果具有步行部分的潜在的路线选择解决方案使他们更快地到达目的地。运输服务可以使用乘客的电话(或其他便携式电子装置)确定乘客是活动的或期望活动的(例如，乘客具有一定数量的每日“步数”的目标)并且相应地对潜在的路线选择解决方案进行加权。

环境度量可以基于舒适度度量。例如，运输服务可以确定车辆上的加热或空调的质量(例如，一些车辆可能变冷而一些地下地铁路段可能变热)。舒适度度量可以基于腿部空间的量、净空(例如，天花板有多高)、座椅的宽度、扶手的可用性、气味或噪声度量等。舒适度度量可以基于车辆或位置的清洁程度。舒适度度量可以基于路段的平缓或颠簸，这可以通过记录车辆针对该路段的加速度计读数来确定。

舒适度度量可以基于客流量配置文件。在行进时，人们通常期望与正在寻找类似行进体验的人一起行进。客流量配置文件可以指示乘客在一定路段内与他人不交往(例如，为了工作或学习)、乘客在一定路段内是健谈的(例如，对于朋友分组)、或者路段是家庭友好的(例如，没有酒精或成人媒体存在，并且精力充裕的孩子不是干扰)。运输服务可以基于一天中的时间来确定行程的每个路段的客流量配置文件(例如，在通勤时间期间乘坐地铁的行程将可能更像商务，而夜间的相同行程将更活跃)。

舒适度度量可以基于车辆是否可能嘈杂。一些车辆被设计成具有声学阻尼，并且因此对于希望拥有安静行程的乘客来说可能更舒适。舒适度度量可以指示火车在地下或转弯的位置更容易产生噪声。运输服务可以确定一些路段更可能有嘈杂的人(例如，离开学校的儿童)。

舒适度度量可以基于车辆或等待位置的座椅度量。例如，座椅可以斜倚，具有更多的净空或腿部空间，并且具有柔软的垫子。座椅度量可以基于乘客将能够获得座椅的可能性。

环境度量可以基于无线连接。在乘客行进时，乘客可能想要使用例如802.11(Wi-Fi)协议或蜂窝网络的便携式电子装置的网络连接。无线连接可以指示信号强度、可用带宽、运营商(诸如蜂窝电话提供商或WiFi网络)、无线协议(例如，HSPA+、LTE或802.11变体)和可靠性。在一些实施例中，车辆可能提供无线连接(例如，公共汽车、火车或飞机)，但是在例如进入隧道或上升/下降(对于飞机)时具有盲区，运输服务可以将所述盲区并入环境度量。在一些实施例中，无线连接是有成本的(或具有免费服务层和付费服务层)，并且运输服务可以在评估潜在的路线选择解决方案时并入无线连接的成本。

可以获得1208多条历史路线的历史路线数据。

环境度量可以与多条历史路线1210中的至少一者相关联。与路线相关联可以意味着环境度量适用于路线。在一些实施例中，环境适用于所有路线，即使它对于一些路线是不活动的(具有空或零值)。

可以确定1212对多条历史路线的乘坐者响应。在乘坐路线之后，乘坐者可以各种方式提供响应。乘坐者响应可包括乘坐者对路线进行评分(例如，留下1-5星排名)。乘坐者响应可包括乘坐者为驾驶员留下小费。乘坐者响应可包括乘坐者在未来时间踏上相同或类似路线。类似地，乘坐者响应可包括乘坐者取消相同或类似路线上的未来行程。乘坐者响应可包括乘坐者在专用评论通道中或在社交媒体上对路线进行评论。可以分析此类评论以确定与路线相关联的观点。乘坐者响应可包括乘坐者邀请其他人(例如，经由SMS或社交网络的朋友)加入运输服务或采用类似路线。乘坐者响应可包括在路线之后给予乘坐者的调查。

在一些实施例中，乘坐者响应可以基于乘坐者在他们的电话(或其他个人电子装置)上评价他们的行进指南。这可以指示不耐烦、困惑或担心。与个人电子装置的其他交互可以用作乘坐者响应；例如，如果乘坐者连接到由交通服务提供的网络，则所述交通服务可以确定所述乘坐者正在传输大量数据。这可能指示乘坐者已放松。隐私策略可以确保未经允许不误处理或收集乘坐者数据。

可以计算环境度量与乘坐者响应之间的关系，从而得到环境度量1214的权重。环境度量的权重可以指示环境度量对乘坐体验的影响。在一些实施例中，通过将环境度量乘以它们相应的权重并将结果相加来对潜在的路线选择解决方案进行评分。环境度量与乘坐者响应之间的关系可以从各种统计和分析框架导出。在一些实施例中，可以使用联合环境度量，例如，如果路线选择解决方案将在接载位置遇到雨并且接载位置缺乏雨水遮挡物的话。这些联合度量也可以被认为是推导环境度量，并且可以与乘坐者响应具有确定的关系。在一些实施例中，所述关系可以是一个环境度量与另一个环境度量之间的关系；例如，相较于具有可用食物选项更偏好清洁度。当环境度量是替代方案时，这可能特别有意义。

因为单独乘坐者的历史数据的样本大小可能太小而无法确定单独乘坐者与环境度量之间的关系，所以可以将乘坐者集合在一起作为群体。集合的群体可以基于乘坐者的所确定动机(诸如通勤者或外出就餐的人)、乘坐者的所确定人口统计(诸如年龄或性别)或乘坐者的发起方。同事可能具有类似的环境度量偏好，因此基于雇主发起方来集合群体可能是有益的。

替代或除集合群体中的乘坐者之外，所进行的单独行程可以构成环境度量关系推导的样本分组。这可以帮助捕获对乘坐者的情境偏好，其中乘坐者在一个情境中具有一组偏好(例如，在早晨重视安静地乘坐)并且在另一个情境中具有另一组偏好(例如，在晚上重视网络连接)。替代地或除集合单独行程之外，可以创建推导环境度量以捕获类似的关系。例如，可以利用与路线的具体时间段和颠簸程度有关的环境度量。然后可以跨较大样本大小的行程分析所推导环境度量，并且在具体时间段期间未发生的那些将不会影响所推导环境度量的加权。应当理解，所推导环境度量被认为是一种类型的环境度量。

乘坐者可能陈述对某个环境特性的偏好，但是对所述特性表现出不同的偏好。例如，乘坐者可能会说他们强烈喜欢较短行程，但历史数据表明乘坐者对路线的选择是基于路线价格而不是行程长度。某些环境度量可能更容易受到所陈述偏好与实际偏好之间的不匹配的影响；这些可以被标识，并且当确定权重时，所陈述偏好对环境度量的影响可能更小。

在一些实施例中，可以基于历史路线信息来确定环境度量的权重。替代地或除使用单独行程数据之外，可以基于路线的使用或收入来分析整体地路线。例如，历史数据可以指定路线、各种环境度量和客流量数据，并且通过分析历史数据，系统可能确定当下雨时，某条路线的客流量增加而另一条路线的客流量减少。可以针对每条路线确定不同的环境度量权重。环境度量和路线交互可以被认为是推导环境度量。当难以确认路线和环境度量交互的原因的具体确定时，这可能特别有用。在一些实施例中，可以基于环境度量可能如何影响区域中的交通需求来评估潜在的路线选择解决方案。例如，恶劣天气或公共事件可能导致对交通的需求增加。

可以基于环境度量和环境度量的权重来评估1216潜在的路线选择解决方案。在一些实施例中，独立地评估每个潜在的路线选择解决方案。替代地或另外地，可以将一组潜在的路线选择解决方案评估为分组，其中考虑潜在的路线选择解决方案与其相应的环境度量之间的交互。例如，如果存在诸如音乐会结束的公共事件，则许多人可能拥塞该区域，如果独立地评估多条路线，则由于相应车辆的潜在过度拥塞，所述路线可能各自被给予低分；然而，如果联合地评估它们，则该组路线的组合容量可以缓解潜在的过度拥塞。如果潜在的路线选择解决方案与多个乘坐请求相关联，则可以基于每个乘坐请求的乘坐者配置文件来评估所述潜在的路线选择解决方案。因为乘坐者可能具有不同的偏好(其可以表示为在步骤1214中从历史数据提取的权重)，所以他们可能对路线选择解决方案进行不同的评分。

该评估可包括确定乘客将分配给每个潜在的路线选择解决方案的值。每个度量可以增大或减小相应的潜在路线选择解决方案的总值。一些因素(诸如天气条件和总行程时间)处理概率，交通服务可以基于乘客对每个可能结果的评价(由其相应概率加权)来确定潜在的路线选择解决方案给乘客的预计值。当评估潜在的路线选择解决方案时，运输服务可以确定评估准确地匹配乘客将如何评价潜在的路线选择解决方案的置信度水平。可以放气小于所确定置信度水平的潜在的路线选择解决方案。

在一些实施例中，生成多个潜在的路线选择解决方案，并且选择评估最高的潜在的一个或多个路线选择解决方案。替代地或另外地，可以反复地修改潜在的路线选择解决方案，直到确定最佳路线选择解决方案。例如，可以对所提议路线选择解决方案进行影响单个环境度量或少量环境度量的较小修改，并且如果所得评估改善，则可以进行另一个这样的修改，否则可以撤消修改，并且可以尝试相反的较小修改(如果适用的话)。例如，可以向前或向后调整所提议路线选择解决方案的开始时间，直到评估稳定为止，然后可以修改所提议路线选择解决方案的另一个特征(例如，停留点的位置、车辆的大小或类型等)。可以依次优化所提议路线选择解决方案的每个特征。然后，所述过程可以依次重复优化相同的特征，直到实现稳定的优化或已经经过一定数量的反复。在一些实施例中，评估可以标识影响评估潜在的路线选择解决方案的环境度量。这些环境度量可以与潜在的路线选择解决方案的某些特征相关联。例如，犯罪环境度量可能取决于潜在的路线选择解决方案的时间。可以调整这些相关特征(例如，将潜在的路线选择解决方案移动到更早的时间)，使得相应的环境度量被减小或移除。

一些环境度量(诸如天气)可能会发生变化。随着环境度量改变(或其相关的置信度分数或发生概率改变)，可以再次执行评估。还可以确定新的所提议路线选择解决方案。在一些实施例中，对某些环境度量的改变可以触发对所提议路线选择解决方案的重新评估。触发重新评估所需的变化量可以特定于每个度量。在一些实施例中，只有对路由选择解决方案的评分相当重要的对所确定环境度量的改变能够触发重新评估。例如，如果所提议路线选择解决方案因为它提供了更好的躲避所预测雷暴的遮蔽物而得分高于其他路线选择解决方案，则如果稍后的预测确定雷暴不太可能，则可以触发所提议路线选择解决方案的重新评估并生成新的所提议路线选择解决方案。类似地，如果对所提议路线选择解决方案具有显著影响的环境度量发生变化，则可以重新评估先前省略的潜在的路线选择解决方案。

图13A至图13B描绘根据各种实施例的基于环境度量来改变示例性城市地图1300中的示例性路线1302。图1所描绘的“晴朗天气路线”可以是根据何时有晴朗天气的路线选择解决方案，而“多雨天气路线”可以是关于何时有雨的路线选择解决方案。示例性路线1302可以响应于环境度量以便优化如本文所讨论的乘坐者体验。应当理解，多雨天气路线可以是在车辆穿越路线时对路线1302的修改。例如，如果车辆从停留点1304_a行进到1304_i并且当前在停留点1304_b处，则环境度量可以充分改变以保证将路线1302从晴朗天气路线修改为多雨天气路线。应当理解，此类路线选择解决方案不需要是预定义的，并且可以基于本文所公开的优化技术来动态地计算。

可以根据环境度量来移除或添加停留点1302。例如，在图13A中，示例性路线1302具有各种停留点(例如，停留点1304_a-1304_i)，其可以表示路线1302的典型配置。然而，在恶劣天气期间，可能需要调整某些停留点或路段。例如，停留点可能暴露于诸如雨、极端温度、风、雪等环境条件。因此，在多雨天气路线中，已经移除停留点1304_c、1304_e和1304_f。这些停留点可以被移除，因为它们例如暴露于雨中，并且在那些停留点处等待的乘客将被淋湿。因此，可以鼓励那些乘客去其他停留点(例如，1304_d或1304_b)，在那里他们可以保持干燥。在一些实施例中，使乘客移动到更好的停留点可能是不切实际的或弄巧成拙的(例如，如果乘坐者将像他们等待一样湿行到另一个停留点)。类似地，可以添加停留点以减小乘坐者必须在要素中步行才能到达最近停留点的距离。在一些实施例中，可以考虑相应步行的环境度量，使得与被遮蔽的那些部分相比，在外部的步行部分被赋予更大的权重。以这种方式，如果要使用该停留点的乘坐者可以在不暴露于要素的情况下到达另一个被遮盖的停留点，则可以移除未遮盖的停留点。

环境度量可以确定应将某些停留点添加到路线。例如，乘坐者可能更期望在更靠近他们的目的地处下车。可以在他们的目的地处或附近添加停留点。在一些实施例中，可以添加目的地停留点而不添加接载停留点。因为路线的安排可能因天气或交通而变化，所以更靠近乘坐者的接载位置的所添加停留点可能使他们由于在要素中等待而不是他们步行到提供遮蔽物的停留点而暴露于更恶劣的天气。因此，为接载添加停留点可能不如为下车添加停留点最佳。

环境度量可以指示应当通过采用不同的路径来调节路线。在图13A中，路线1302经过停留点1304_f，而在图13B中，路线1302经过1304_x。这可能是因为多雨天气通常会导致附近停留点1304_f交通拥堵，即近1304_f的区在下雨(例如，如果有积水)期间是危险的，或者如果有需求的下降要经过1304_f。所述变化可以是因为与1304_f相比，停留点1304_x提供了更好的遮蔽物。

图14A至图14B示出根据各种实施例的用于确定乘坐者配置文件的示例性技术。如图14A所示，乘坐者可以完成表格以透露乘坐者的偏好。乘坐者可能不会自觉地意识到他们对每个环境度量有多大的评价，因此可能难以为每个环境度量分配权重。可以向乘坐者呈现表格，使得乘坐者可以标识出他们更喜欢哪个。例如，示例性表格1400向乘坐者呈现具有相应的成本、行进时间和相关环境度量的5个路线选项。然后，乘坐者可以对路线进行排名。当已经对足够多的路线进行排名时，系统然后可以基于路线的不同特性以及它们如何排名来确定乘坐者配置文件。例如，排名为“2”的路线和排名为“3”的路线是类似的，不同之处在于“3”包括向上阶梯并且比包括向下阶梯的“2”的费用少$0.50。因此，乘坐者配置文件可以指示乘坐者重视沿着阶梯向下优于沿着阶梯向上至少$0.50。类似地，乘坐者配置文件可以指示乘坐者相较于良好的座椅更重视安静的环境和/或无线连接，因为排名为“3”的路线优先于排名为“4”的路线。排名为“1”的路线是优选的，尽管存在安全问题、暴露于雨水、楼下步行以及价格昂贵。这可以指示与其他考虑因素相比，乘坐者更喜欢较短的行程(5:00而不是20:00)。

尽管示例表格1400涉及使乘坐者对不同的真实或假设路线进行排名，但是用于使乘坐者指示其偏好的其他技术也是可设想的。例如，乘坐者可以输入每个环境度量或路线特性的货币值，诸如指示乘坐者将愿意为无线连接支付一定的金额。在一些实施例中，乘坐者可以通过选择并乘坐所提议路线来指示他们的偏好。其他所提议路线可能次于乘坐者的所选路线。指示乘坐者偏好的其他方式可包括乘坐者是否与朋友“共享”路线、是否是路线的回头客、未来是否选择其他路线等。

呈现一个乘坐者偏好，无论是通过表格还是通过不太直接的手段，系统都可以分析数据以确定乘坐者配置文件和各种偏好的特定权重。换句话说，系统可以确定哪些环境度量对于具体乘坐者或乘坐者分组更重要。

图14B示出根据各种实施例的示例性乘坐者配置文件1450。在系统确定乘坐者配置文件之后，系统可以向乘坐者表示配置文件。在示例性乘坐者配置文件1450中，确定路线的行进时间比价格更重要，并且确定乘坐者对连接性、舒适度、天气和阶梯具有中等偏好。在一些实施例中，如果乘坐者认为这是不准确的，则他们可以修改其乘坐者配置文件。向所述乘坐者呈现乘坐者配置文件可以通知乘坐者为什么向乘坐者呈现路线。例如，可以呈现路线，并且如果乘坐者询问，则可以向乘坐者呈现乘坐者配置文件和关于选择该路线的原因的解释。

由于单独乘坐者的数据量可能有限，因此乘坐者配置文件可以基于类似乘坐者(诸如相同人口统计的乘坐者)的数据。这可以通过基于一组其他类似乘坐者的数据来向乘坐者分配默认配置文件来实现。随着获得有关单独乘坐者的更多数据，可以修改默认配置文件。经修改的乘坐者配置文件或乘坐者配置文件与群体配置文件之间的差异可以存储在服务器上。

乘坐者可能认为他们具有某些偏好，但表现出其他偏好。例如，乘坐者可能希望他们高度评价自己的时间，但实际上他们会随时间推移选择舒适度。至少由于这个原因，重要的是不向乘坐者展示乘坐者配置文件。另外，乘坐者配置文件可能难以表示为简单的权重或变量。例如，乘坐者配置文件可以是具有大量节点的人工神经网络。除了向乘坐者呈现大量节点的困难之外，精确地确定那些节点表示什么可能被证明是困难的。

在一些实施例中，乘坐者配置文件可以表达系统对配置文件准确地对乘坐者的偏好进行建模的确定程度。例如，当正在学习乘坐者的偏好时，配置文件可以指示其具有较低的置信度分数，而稍后它可以具有较高的置信度分数。乘坐者配置文件可具有与个人偏好有关的置信度分数；即，配置文件可具有与乘坐者的环境度量的权重有关的置信度分数。

在一些实施例中，乘坐者的偏好可以改变。例如，乘坐者可以开始避开带阶梯的路线或在雨中等待。当检测到这种改变时，系统可以提示乘坐者这种改变是否是暂时的(例如，乘坐者正在携带大包裹)还是反映乘坐者的优先级的转变。偏好的临时改变可以被忽略或者对乘坐者的配置文件的影响较小。使系统检测行为的变化可能为运输服务提供更好地检测乘坐者的需求或期望的机会。例如，如果乘坐者开始避开阶梯，则运输服务可以推断出机动性最近对于乘坐者来说是一个问题，并且可以确保“跪撑”公共汽车为乘坐者提供路线。系统还可以通知驾驶员乘坐者可能存在移动性问题，使得驾驶员可以辅助乘坐者。

图15示出根据各种实施例可使用的示例性计算装置1500。虽然示出了便携式计算装置(例如，智能电话或平板计算机)，但是应当理解，可以根据本文所讨论的各种实施例使用能够接收、处理和/或传送电子数据的任何装置。所述装置可包括例如台式计算机、笔记型计算机、智能装置、物联网(IoT)装置、视频游戏机或控制器、可穿戴计算机(例如智能手表、眼镜或接触件)、电视机顶盒以及便携式媒体播放器等。在该示例中，计算装置1500具有覆盖各种内部部件的外壳1502以及能够在装置的操作期间接收用户输入的显示屏1504(诸如触摸屏)。这些也可以是另外的显示器或输出部件，并且并非所有计算装置都将包括如本领域已知的显示屏。所述装置可包括一个或多个联网或通信部件1506，诸如可包括用于支持诸如蜂窝通信、Wi-Fi通信、

通信等的技术的至少一个通信子系统。也可能有用于经由陆线或其他物理联网或通信部件进行连接的有线端口或连接。

图16示出一组示例性部件，其可包括计算装置1600(诸如关于图15描述的装置)以及用于其他目的的计算装置(诸如应用服务器和数据服务器)。所示示例性装置包括至少一个主处理器1602，所述主处理器1602用于执行存储在所述装置上的物理存储器1604(诸如动态随机存取存储器(DRAM)或快闪存储器，以及其他这类选项)中的指令。如本领域普通技术人员将明白，所述装置也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，诸如硬盘驱动器或用作装置的数据存储装置1606的固态存储器。用于由至少一个处理器1602执行的应用指令可以由数据存储装置1606进行存储，然后根据装置1600的操作的需要加载到存储器1604中。在一些实施例中，处理器还可具有用于临时存储要处理的数据和指令的内部存储器。所述装置还可以支持可用于与其他装置共享信息的可移除存储器。所述装置将还包括用于为装置供电的一个或多个电力部件1610。电力部件可包括例如用于使用可再充电电池为装置供电的电池隔室、内部电源或用于接收外部电力的端口、以及其他此类选项。

计算装置可包括至少一种类型的显示元件1608(诸如触摸屏、有机发光二极管(OLED)或液晶显示器(LCD))或与所述至少一种类型的显示元件1608进行通信。一些装置可包括多个显示元件，如还可包括LED、投影仪等。装置可包括至少一个通信或联网部件1612，如可实现各种类型的数据或其他电子通信的发射和接收。通信可通过任何适当类型的网络(诸如互联网、内联网、局域网(LAN)、5G或其他蜂窝网络、或Wi-Fi网络)发生，或者可以利用传输协议(诸如

或NFC等)。所述装置可包括能够从用户或其他源接收输入的至少一个另外的输入装置1614。该输入装置可包括例如按钮、拨号盘、滑动块、触摸板、轮、操纵杆、键盘、鼠标、轨迹球、相机、传声器、小键盘、或其他此类装置或部件。在一些实施例中，各种装置同样还可以通过无线或其他此类链路连接。在一些实施例中，装置可能通过视觉命令与音频命令的组合或手势进行控制，使得用户可以控制装置而不必接触装置或物理输入机制。

各种实施例所使用的大多数功能将在计算环境中进行操作，所述计算环境可以由或代表服务提供商或实体(诸如共乘提供商或其他此类企业)操作。可能存在专用计算资源或者指派为多租户或云环境的一部分的资源。所述资源可以利用多个操作系统和应用中的任一者，并且可包括多个工作站或服务器。各种实施例利用用于使用多种可商购协议(诸如TCP/IP或FTP等)中的任一者支持通信的至少一个常规网络。如所提及的，示例性网络包括例如局域网、广域网、虚拟专用网络、互联网、内联网及其各种组合。用于托管诸如共乘服务的产品的服务器可被配置为响应于来自用户装置的请求而执行程序或脚本，诸如通过执行可以被实现为以任何适当编程语言编写的一个或多个脚本或程序的一个或多个应用。一个或多个服务器还可包括用于服务数据请求并执行其他此类操作的一个或多个数据库服务器。环境还可包括多种数据存储设备和其他存储器和存储介质中的任一者，如上面所讨论的。在系统包括计算机化装置的情况下，每个这样的装置可包括可经由总线或其他此类机制电耦接的硬件元件。示例性元件包括：如先前所讨论的，至少一个中央处理单元(CPU)，以及一个或多个存储装置，诸如磁盘驱动器、光学存储装置和固态存储装置(诸如随机存取存储器(RAM)或只读存储器(ROM))、以及可移除介质装置、存储卡、闪存卡等。此类装置还可包括或利用用于存储可由装置的至少一个处理器执行的指令的一个或多个计算机可读存储介质。示例性装置还可包括多个软件应用、模块、服务、或位于存储器中的其他元件，包括操作系统和各种应用程序。应当理解，替代性实施例可具有与上述实施例不同的许多变体。

各种类型的非暂时性计算机可读存储介质可以用于各种目的，如本文所讨论和建议的。这包括例如存储可由至少一个处理器执行以致使系统执行各种操作的指令或代码。介质可以对应于各种类型的介质中的任一种，包括在一些实现方式中可以是可移除的易失性存储器和非易失性存储器。介质可以存储各种计算机可读指令、数据结构、程序模块以及其他数据或内容。介质的类型包括例如RAM、DRAM、ROM、EEPROM、快闪存储器、固态存储器和其他存储器技术。也可以使用其他类型的存储介质，如可包括光学(例如，蓝光或数字通用光盘(DVD))存储装置或磁性存储装置(例如，硬盘驱动器或磁带)以及其他此类选项。基于本文所提供的公开和教导，本领域普通技术人员将理解用于实现各种实施例的其他方式和/或方法。

应以说明性意义而不是限制性意义来理解本说明书和附图。然而，明显的是，在不脱离如权利要求所阐述的各种实施例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 (20)

1.一种计算机实现的方法，其包括：

获得行程请求；

针对所述行程请求确定潜在的路线选择解决方案；

针对所述潜在的路线选择解决方案确定环境度量；以及

基于所述环境度量评估所述潜在的路线选择解决方案。

2.如权利要求1所述的计算机实现的方法，其还包括：

确定所述环境度量的权重，其中所述基于所述环境度量评估所述潜在的路线选择解决方案的步骤使用所述环境度量的所述权重来执行。

3.如权利要求2所述的计算机实现的方法，其中确定所述环境度量的权重包括：

获得多条历史路线的历史路线数据；

确定所述环境度量与多条历史路线中的至少一者相关联；

确定对所述多条历史路线的乘坐者响应；以及

计算所述环境度量与所述乘坐者响应之间的关系，其中所述权重是基于所述关系。

4.如权利要求3所述的计算机实现的方法，其中所述乘坐者响应是所述乘坐者在稍后的时间采用所述相应的历史路线。

5.如权利要求1所述的计算机实现的方法，其中确定所述潜在的路线选择解决方案的所述环境度量是基于所述路线选择解决方案的度量、所述潜在的路线选择解决方案的时间段和所预计公共事件。

6.如权利要求1所述的计算机实现的方法，其还包括：

基于所述环境度量修改所述潜在的路线选择解决方案。

7.如权利要求1所述的计算机实现的方法，其中确定所述环境度量包括：

确定所述潜在的路线选择解决方案包括等待段、一天中的等待时间和等待位置，其中所述等待位置与遮蔽物的量相关联；

针对所述一天中的等待时间和所述等待位置确定所预测天气度量；以及

基于所述所预测天气度量和所述遮蔽物的量确定气候暴露的量。

8.如权利要求1所述的计算机实现的方法，其中所述至少一个环境度量包括可达性度量、安全度量或所预测天气度量中的至少一者。

9.如权利要求1所述的计算机实现的方法，其还包括：

基于所述至少一个环境度量确定针对所述相应的潜在的路线选择解决方案的所预期需求。

10.如权利要求9所述的计算机实现的方法，其中所述至少一个环境度量与公共事件的发生有关。

11.如权利要求1所述的计算机实现的方法，其中所述行程请求是未来时间段的模拟行程请求。

12.如权利要求1所述的计算机实现的方法，其中获得行程请求包括接收所述行程请求，所述行程请求用于乘客的未来运输。

13.如权利要求14所述的计算机实现的方法，其还包括：

确定所述乘客的与所述环境度量有关的偏好；并且

其中评估所述潜在的路线选择解决方案进一步基于所述偏好。

14.一种系统，其包括：

至少一个处理器；以及

存储器，所述存储器包括指令，所述指令在由所述至少一个处理器执行时致使所述系统来：

获得多条历史路线的历史路线数据；

针对所述多条历史路线确定一个或多个环境度量；

确定对所述多条历史路线的乘坐者响应；

基于所述乘坐者响应确定所述一个或多个环境度量的权重；

获得具有所述一个或多个环境度量中的至少一者的潜在的路线选择解决方案；并且

基于所述一个或多个环境度量中的至少一者的所述权重评估所述潜在的路线选择解决方案。

15.如权利要求14所述的系统，其中所述一个或多个环境度量中的至少一者包括所预测天气度量，并且其中所述指令在被执行时进一步致使所述系统来：

确定所述潜在的路线选择解决方案包括等待段、一天中的等待时间和等待位置，其中所述等待位置与遮蔽物的量相关联；并且

基于所述所预测天气度量和所述遮蔽物的量确定气候暴露的量。

16.如权利要求15所述的系统，其中所述指令在被执行时进一步致使所述系统来：

基于所述一个或多个环境度量中的所述至少一者确定针对所述潜在的路线选择解决方案的所预期需求。

17.如权利要求14所述的系统，其中所述一个或多个环境度量中的所述至少一者包括可达性度量或安全度量中的至少一者。

18.一种非暂时性计算机可读存储介质，其包括指令，所述指令在由计算装置的至少一个处理器执行时致使所述至少一个处理器来：

获得多条历史路线的历史路线数据；

针对所述多条历史路线确定一个或多个环境度量；

确定对所述多条历史路线的乘坐者响应；

基于所述乘坐者响应确定所述一个或多个环境度量的权重；

获得具有所述一个或多个环境度量中的至少一者的潜在的路线选择解决方案；并且

基于所述一个或多个环境度量中的至少一者的所述权重评估所述潜在的路线选择解决方案。

19.如权利要求18所述的非暂时性计算机可读存储介质，其中所述一个或多个环境度量中的至少一者包括所预测天气度量，并且其中所述指令在被执行时进一步致使所述至少一个处理器来：

确定所述潜在的路线选择解决方案包括等待段、一天中的等待时间和等待位置，其中所述等待位置与遮蔽物的量相关联；并且

基于所述所预测天气度量和所述遮蔽物的量确定气候暴露的量。

20.如权利要求18所述的非暂时性计算机可读存储介质，其中所述指令在被执行时进一步致使所述至少一个处理器来：基于所述一个或多个环境度量中的所述至少一者确定针对所述潜在的路线选择解决方案的所预期需求。

Images