CN112005562B - 使用实时位置数据确定车辆拥挤度的方法、计算系统和计算机可读介质 - Google Patents

Abstract

提供了用于确定车辆拥挤度的系统和方法。一种方法可以包括：通过计算系统获得实时位置数据，该实时位置数据包括标识与多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息；通过计算系统使用车辆拥挤度模型，至少部分地基于实时位置数据，确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度；和通过计算系统将指示一个或多个交通车辆的车辆拥挤度的数据传送到特定用户计算设备。指示车辆拥挤度的数据可以包括用于在特定用户计算设备上显示一个或多个交通车辆的车辆拥挤度的信息。

Description

使用实时位置数据确定车辆拥挤度的方法、计算系统和计算 机可读介质

技术领域

本公开总体上涉及使用来自多个用户计算设备的实时位置数据来确定车辆拥挤度。更具体地，本公开涉及利用一个或多个车辆拥挤度模型以使用来自多个用户计算设备的实时位置数据确定公共交通系统车辆的实时和将来车辆拥挤度的系统和方法。

背景技术

诸如地铁和公共汽车的公共交通系统(Mass transit systems)经常具有变化的客流量模式，诸如在一周中的不同天、一年中的不同月份以及不同的季节期间。但是，个体事件(诸如天气事件、假期、音乐会、体育赛事等)可能导致特定一天、某时间和/或路线上交通系统的客流量发生显著变化。因此，特定交通车辆，诸如在特定时间离开特定地铁站的地铁列车，其本身可能具有变化数量的乘客，因此具有变化的拥挤度水平。例如，由于事件的聚集 (confluence)，特定地铁列车可能会经历减少或增加的拥挤度，从而使个体乘客难以知道特定交通车辆是否可能拥挤。

为了更好地理解一般客流量模式，一些交通系统运营商可以选择确定平均交通车辆拥挤度水平。例如，地铁系统运营商可以每年选择一个星期来来对个体交通车辆加权，以确定各种交通路线上的相对客流量模式。然而，这样的客流量模式常常反映车辆拥挤度的粗略近似，并且没有考虑可能在任何给定时间导致任何给定交通车辆的拥挤度波动的个体异常。

此外，用于获得这样的一般客流量模式的装备可能是昂贵的并且难以改装到现有的交通站中。此外，尽管某些交通系统运营商可以计数进入或离开各个交通站的乘客的数量，但这样的闸口数据(gate data)不指示乘客选择乘坐哪些具体的交通车辆，并且从而不指示具体的交通车辆的实时拥挤度。

发明内容

本公开的方面和优点将在以下描述中部分地阐述，或者可以从描述中明了，或者可以通过实践本公开的实施例而获知。

本公开的一个示例方面涉及一种用于确定交通系统车辆拥挤度的计算机实现的方法。该方法可以包括通过包括一个或多个计算设备的计算系统获得多个用户计算设备的实时位置数据。该实时位置数据可以包括标识与多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息。该方法可以进一步包括通过计算系统使用车辆拥挤度模型，至少部分地基于多个用户计算设备的实时位置数据，确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度。该方法可以进一步包括通过计算系统将指示一个或多个交通车辆的车辆拥挤度的数据传送给特定用户计算设备。指示车辆拥挤度的数据可以包括用于在特定用户计算设备上显示一个或多个交通车辆的车辆拥挤度的信息。

本公开的另一个示例方面涉及一种用于确定车辆拥挤度的计算系统。该计算系统可以包括一个或多个处理器，和一个或多个有形的非暂时性计算机可读介质，该非暂时性计算机可读介质存储指令，该指令在由一个或多个处理器执行时使计算系统执行操作。该操作可以包括获得多个用户计算设备的实时位置数据。该实时位置数据可以包括标识与多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息。所述操作还可以包括从特定用户计算设备接收对于离开第一交通站的第一交通车辆的车辆拥挤度的请求。该操作可以进一步包括至少部分地基于多个用户计算设备的实时位置数据，确定离开第一交通站的用户计算设备的第一子集。所述操作还可以包括使用车辆拥挤度模型确定与第一交通车辆关联的离开第一交通站的用户计算设备的第一子集的第一部分。该操作可以进一步包括至少部分地基于该第一部分来确定第一交通车辆的车辆拥挤度。该操作可以进一步包括提供第一交通车辆的车辆拥挤度以在特定用户计算设备上显示。

本公开的另一示例方面涉及至少一个非暂时性计算机可读介质，该非暂时性计算机可读介质存储指令，该指令在由计算设备执行时使计算设备执行操作。该操作可以包括获得多个用户计算设备的实时位置数据。该实时位置数据可以包括标识与多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息。该操作还可以包括至少部分地基于多个用户计算设备的实时位置数据，使用车辆拥挤度模型确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度。该操作还可以包括从特定用户计算设备接收对于一个或多个特定交通车辆的车辆拥挤度的请求。该操作可以进一步包括将响应传送给特定用户计算设备。该响应可以包括在特定用户计算设备上显示一个或多个特定交通车辆的车辆拥挤度。

本公开的其他方面涉及各种系统、装置、非暂时性计算机可读介质、用户界面和电子设备。

参考以下描述和所附权利要求，将更好地理解本公开的这些和其他特征、方面和优点。结合在本说明书中并构成本说明书的一部分的附图示出了本公开的实施例，并且与描述一起用于解释本公开的原理。

附图说明

在说明书中阐述了针对本领域的普通技术人员的本公开的完整且可行的描述，说明书参考了附图，在附图中：

图1描绘了根据本公开的示例方面的用于确定交通系统车辆拥挤度的示例系统的框图；

图2描绘了根据本公开的示例方面的示例机器学习拥挤度模型的框图；

图3描绘了根据本公开的示例方面的具有多个计算设备的实时位置叠加的示例交通系统的图形表示；

图4描绘了用户计算设备上用于显示车辆拥挤度的示例用户界面；以及

图5描绘了根据本公开的示例方面的用于确定车辆拥挤度的示例方法。

具体实施方式

总体上，本公开涉及用于使用从多个用户计算设备获得的实时位置数据来确定交通系统车辆拥挤度的系统和方法。例如，不同的交通系统车辆(例如公共汽车、地铁车厢)在正常运营时段的过程中可能具有变化的乘客水平。车辆拥挤度可以指示乘坐在特定交通车辆上的乘客的数量，诸如乘客的总数量或乘客容量的百分比。特别地，本公开的系统和方法可以获得位于一个或多个交通系统站的多个计算设备(诸如，智能电话)的实时位置数据。然后，车辆拥挤度模型可以用于至少部分地基于实时位置数据来确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度。例如，在一些实施方式中，机器学习车辆拥挤度模型可以用于至少部分地基于位于交通站的用户计算设备的数量来确定离开特定站的交通车辆的拥挤度。车辆拥挤度信息然后可以被传送到用户计算设备，可以在用户计算设备上显示该车辆拥挤度信息。在一些实施方式中，个体用户可以诸如通过在用户的智能电话上提交请求来请求一个或多个特定交通车辆的拥挤度信息。在一些实施方式中，个体用户可以请求将来交通车辆和/或离开用户的当前位置的交通车辆的预期拥挤度。更特别地，与多个用户关联的计算设备可以向实现本公开的计算系统周期性地提供实时位置报告。特别地，每个位置报告可以提供诸如智能电话的用户计算设备的实时位置。在一些示例中，用户计算设备的实时位置对应于交通站 (例如，地铁、公共汽车、轻轨、火车和/或城市地铁站)。例如，每个位置报告中包括的位置数据可以是地理编码(例如，纬度和经度等)、IP地址信息、 WiFi位置信息、信标访问信息、蜂窝塔(cell tower)数据或标识特定交通站或与特定交通站关联的其他信息。位置数据可以标识特定交通站，或者可以用于确定特定交通站的标识(identity)。

例如，在一些实施方式中，各种用户计算设备可以使用GPS或GIS系统提供实时位置报告。在一些实施方式中，可以使用蜂窝电话塔数据(诸如通过三角测量设备的位置)来确定个体用户计算设备的位置(例如，通过远程计算系统或该特定计算设备)。在一些实施方式中，个体用户计算设备可以连接到与特定交通站关联的WiFi网络。例如，特定交通站可以配备有一个或多个无线接入点，当个体用户计算设备足够接近交通站时，个体用户计算设备可以连接到该无线接入点。类似地，个体交通站可以配备有一个或多个信标 (例如，蓝牙低功耗信标)，当用户计算设备接近该信标时可以连接到信标。在一些实施方式中，可以由计算系统通过查询位于特定交通站的用户计算设备(诸如连接到与交通站关联的WiFi或信标的计算设备)，来获得一个或多个用户计算设备的位置数据。在一些实施方式中，当个体用户计算设备位于特定交通站时，它们可以提供位置报告。例如，个体用户计算设备可以被配置为当个体用户计算设备位于特定交通站时提供位置报告。

因此，在一些实施方式中，为了获得本文描述的技术的益处，可能要求用户允许收集和分析与用户或其设备关联的位置信息。例如，在一些实施方式中，可以向用户提供控制程序或功能(feature)是否收集这样的信息的机会。如果用户不允许收集和使用这样的信号，则用户可能无法接收本文所述技术的益处。还可以向用户提供撤消或修改同意的工具。另外，某些信息或数据可以在被存储或使用之前以一种或多种方式处理，使得个人可识别信息被去除。作为示例，计算系统可以获得实时位置数据，该实时位置数据可以指示位于特定交通站的用户计算设备的总数，而不识别任何(一个或多个) 特定用户或(一个或多个)特定用户计算设备。

计算系统可以至少部分地基于多个用户计算设备的实时位置数据，使用车辆拥挤度模型来确定一个或多个交通车辆的车辆拥挤度。

在一些实施方式中，计算系统可以首先至少部分地基于针对多个用户计算设备获得的实时位置数据来确定离开特定交通站的用户计算设备的子集 (subset)。因此，位于特定交通站的用户计算设备可以指示该特定交通站的总体拥挤度。例如，在一些实施方式中，该子集可以包括位于特定交通站和/ 或已经在该交通站的时间段小于阈值(例如，15分钟)的所有用户计算设备。例如，可以丢弃位于特定交通站比阈值更久的用户计算设备，诸如属于不离开该站的交通系统员工的用户计算设备。在一些实施方式中，计算系统可以确定离开交通系统中的每个交通站的多个用户计算设备中的相应子集。

然后，计算系统可以使用车辆拥挤度模型来确定与一个或多个交通车辆关联的离开特定站的用户计算设备的子集的相应部分。例如，在一些实施方式中，车辆拥挤度模型可以将离开特定交通站的用户计算设备分配给离开该特定交通站的一个或多个特定交通车辆(例如，地铁列车)。例如，可以使用车辆拥挤度模型将用户计算设备的第一子集的至少第一部分与第一交通车辆关联，将用户计算设备的第一子集的第二部分与第二交通车辆关联，等等。在一些实施方式中，可以使用车辆拥挤度模型将子集中的每个用户计算设备分配给相应的交通车辆/与之关联。

然后，计算系统可以至少部分地基于与每个相应的交通车辆关联的用户计算设备的相应部分来确定一个或多个交通车辆的车辆拥挤度。例如，如本文所述，可以将与特定交通车辆关联的用户计算设备的部分与历史车辆拥挤度数据、闸口数据和/或其他数据进行比较，以确定一个或多个交通车辆的拥挤度。

在一些实施方式中，车辆拥挤度模型可以是机器学习模型。例如，在一些实施方式中，可以使用历史车辆拥挤度数据和先前从多个用户计算设备获得的历史位置数据来训练机器学习模型。例如，诸如地铁系统运营商的交通系统运营商可以周期性地确定车辆拥挤度。例如，地铁系统运营商可以对离开特定站的每个地铁车厢加权，并将相应的车辆权重与闸口数据(例如，进入或离开站的乘客的入站/出站数据)进行组合，以将乘客分配给每个相应的车辆。通过这种方式，地铁系统运营商可以近似出乘坐在具体的交通车辆上的乘客的数量，并由此近似出该具体的交通车辆的拥挤度。然而，由于与获得这样的历史车辆拥挤度数据关联的费用和困难，系统运营商通常仅获得有限的拥挤度数据，诸如每个日历年一个星期的拥挤度数据。

根据本公开的示例方面，这样的历史车辆拥挤度数据可以与历史位置数据组合以训练机器学习模型。历史位置数据可以是例如在获得历史车辆拥挤度数据的时间段(例如，同一周)中从多个用户计算设备先前获得的位置数据。在一些实施方式中，历史位置数据可以包括指示起始和终止交通站(例如，与进入/登上交通系统对应的第一时间的第一站位置以及与离开交通系统 /从交通系统下来对应的随后时间的第二站位置)和/或与交通车辆路线对应的交通站之间的多个位置的数据。使用各种机器学习技术(例如，误差的反向传播)，可以训练机器学习模型以将位于由历史位置数据确定的特定交通站和 /或离开该特定交通站的用户计算设备分配给具体的交通车辆。一旦模型已经被训练以取得足够的准确性水平，就可以将针对多个用户计算设备获得的实时位置数据输入机器学习模型中，以确定离开一个或多个交通站的一个或多个车辆的车辆拥挤度。例如，机器学习模型可以学习乘客/客流量模式，并根据学习到的模式将位于和/或离开特定交通站的实时用户计算设备分配给具体的交通车辆。

此外，在一些实施方式中，可以使用第一交通系统(例如，新南威尔士州地铁)的历史车辆拥挤度数据和历史位置数据来训练机器学习模型，并且在取得足够的准确性水平时，可以将该机器学习模型应用于第二交通系统(例如，华盛顿特区地铁)。

在一些实施方式中，车辆拥挤度模型可以是加权拥挤度模型。例如，可以至少部分地基于先前从多个用户计算设备获得的历史位置数据来确定加权拥挤度模型。例如，如上所述，历史位置数据可以包括指示用户计算设备进入/登上交通站、离开交通站/从交通站下来和/或沿着特定交通路线的位置的数据。此外，历史位置数据可以包括与每个特定位置对应的时间戳数据。在一些实施方式中，历史位置数据可以与交通系统时间表匹配，以确定离开特定交通站的个体交通车辆的权重。例如，加权模型可以指示在特定时间位于特定交通站的特定百分比的用户计算设备历史上乘坐特定交通车辆(例如，70％的乘客乘坐上午8:30的黄线前往市区，而30％的乘客乘坐上午8:35的蓝线前往机场)。

在一些实施方式中，可以通过将实时位于特定站的用户计算设备的数量与历史数据(例如，平均值或中位数)进行比较来确定离开该特定站的交通车辆的拥挤度。例如，在一般的星期一早晨，特定站可以通常有20个计算设备位于交通站，这可能与离开该交通站的特定车辆上50％的乘客容量对应。因此，在有40个计算设备位于该站的星期一早晨，计算系统可以确定特定列车可能处于100％的乘客容量。

在一些实施方式中，可以进一步至少部分地基于诸如实时闸口数据的闸口数据来确定车辆拥挤度。例如，一些交通系统运营商可以获得指示进入或离开特定交通站的乘客的数量的闸口数据。例如，地铁系统运营商可以使用旋转闸机来计数进入或离开特定交通站的乘客的数量。例如，乘客可以将地铁票、通行卡、硬币或其他支付方式插入自动旋转闸机，该自动旋转闸机然后可以允许乘客进入交通站并选择要乘坐的特定交通车辆。类似地，离开交通站的乘客可以通过经过旋转闸机来被计数。然而，尽管闸口数据可以指示位于特定交通站的乘客的数量，但是闸口数据不指示乘客将登上哪些特定车辆。因此，尽管闸口数据指示站拥挤度，但其可能不指示特定车辆的拥挤度。

根据本公开的示例方面，在一些实施方式中，计算系统可以从交通系统运营商获得闸口数据，并且使用车辆拥挤度模型将乘客分配给特定车辆来确定车辆拥挤度。例如，闸口数据可以指示在特定站的乘客的数量，然后可以使用车辆拥挤度模型(例如，机器学习模型或加权拥挤度模型)将其分配给一个或多个特定车辆。

在一些实施方式中，车辆拥挤度模型可以用于确定实时车辆拥挤度。例如，实时车辆拥挤度可以指示同时乘坐特定交通车辆的乘客的数量。作为示例，实时车辆拥挤度可以是沿着行进路线来自先前交通站的在途中的交通车辆的拥挤度，或者是当前停在特定交通站的交通车辆的拥挤度。可以例如通过将当前位于特定交通站的用户计算设备进行分配和/或基于在先前交通站分配给特定交通车辆的用户计算设备来确定实时车辆拥挤度。

在一些实施方式中，车辆拥挤度模型可以用于确定预期的车辆拥挤度。预期的车辆拥挤度可以是将来时间的车辆拥挤度。作为示例，在一些实施方式中，可以至少部分地基于将当前位于特定交通站的用户计算设备分配给在将来时间将要离开该特定交通站的特定车辆来确定预期的车辆拥挤度。例如，车辆拥挤度模型可以确定位于特定交通站的一部分用户计算设备将在将来时间(例如，15分钟后)登上离开该特定交通站的特定交通车辆。在一些实施方式中，车辆拥挤度模型可以用于至少部分地基于各种关系来确定将来时间的预期的车辆拥挤度。例如，实时位置数据和/或闸口数据可以指示特定交通站没有平时拥挤(诸如由于假期)，并且因此当天晚些时候离开交通站的交通车辆可能会没有平时拥挤。

车辆拥挤度信息可以诸如根据请求提供给个体用户。例如，在一些实施方式中，用户可以访问用户的计算设备上的用户界面，以请求关于一个或多个交通车辆的信息。然后，计算系统可以诸如经由一个或多个网络接收该请求。

在一些实施方式中，用户可以至少部分地基于用户的实时位置来请求车辆拥挤度信息。例如，用户可能位于一个或多个特定交通站或接近一个或多个特定交通站，并且用户的实时位置数据可以包括在用户的请求中。例如，用户的实时位置可用于确定最近的交通站。然后，计算系统可以接收用户的实时位置数据，然后提供离开最近的交通站的一个或多个交通车辆的车辆拥挤度。

在一些实施方式中，用户可以通过例如将特定交通车辆和/或交通站输入用户的计算设备上的用户界面中来请求车辆拥挤度信息。例如，在各种实施方式中，用户可以访问交通车辆和/或交通站的收藏列表，访问用户先前使用过的交通车辆和/或交通站的列表，搜索特定交通车辆和/或交通站等。在一些实施方式中，用户可以请求实时车辆拥挤度信息和/或在将来时间段离开特定交通站的一个或多个交通车辆的期望的车辆拥挤度。

计算系统可以将车辆拥挤度信息传送给用户的计算设备。在一些实施方式中，车辆拥挤度信息可以针对一个或多个特定车辆，诸如响应于用户的请求。在一些实施方式中，可以在用户的计算设备上的用户界面中显示车辆拥挤度信息。在一些实施方式中，车辆拥挤度信息可以是例如车辆的拥挤度的图形表示(诸如在1-4个人图标的标尺(scale)上)。在其他实施方式中，可以以任何合适的方式(诸如，乘客容量的百分比等)来提供/显示车辆拥挤度。

本公开的系统和方法可以提供许多技术效果和益处。例如，本文提供的系统和方法允许多个用户计算设备的实时位置数据用于确定实时交通车辆以及在将来时间离开的交通车辆的车辆拥挤度。此外，本公开的系统和方法可以允许以有效和具有成本效益的方式确定车辆拥挤度信息。例如，本公开的系统和方法可以利用现有基础设施(例如，乘客的用户计算设备)来确定交通系统车辆拥挤度，而无需由交通系统运营商安装任何昂贵的装备。另外，可以将诸如闸口数据的现有交通系统基础设施结合到本公开的系统和方法中，这可以进一步提高实时确定的车辆拥挤度信息的准确性。

此外，在利用一个或多个机器学习模型(例如，神经网络)的实施方式中，本公开的系统和方法可以提高车辆拥挤度信息的计算效率和准确性。例如，可以在计算系统上实现机器学习车辆拥挤度模型，该机器学习车辆拥挤度模型可以使用历史车辆拥挤度数据和历史位置数据来学习交通系统的各种客流量模式。此外，一旦机器学习车辆拥挤度模型已经被训练为在第一交通系统上取得足够的准确性，该机器学习车辆拥挤度模型就可以应用于任何数量的交通系统。以这种方式，可以以有效方式确定交通系统车辆拥挤度信息。

本公开的系统方法可以进一步为交通系统的顾客提供增加的用户体验。例如，乘客可以请求特定交通车辆的车辆拥挤度信息，并且可以诸如通过选择不那么拥挤且因此更舒适的特定交通车辆来做出关于乘坐哪些特定车辆的知情决定。此外，随着时间的流逝，由于乘客可以通过选择较不拥挤的交通车辆来乘坐以选择更均匀地分布自己，因此可以提高交通系统的整体效率。

本公开的系统和方法还提供了对计算技术的改进。例如，通过利用用户计算设备和车辆拥挤度模型，与用于测量车辆拥挤度的传统方法(诸如使用专用装备)相比可以提高计算效率和准确性。特别地，计算系统可以获得多个用户计算设备的实时位置数据。该实时位置数据可以是标识与多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息。该计算系统可以至少部分地基于多个用户计算设备的实时位置数据，使用车辆拥挤度模型来确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度。例如，机器学习车辆拥挤度模型或加权拥挤度模型可以被用于将离开特定交通站的用户计算设备分配给一个或多个特定交通车辆/与一个或多个特定交通车辆关联。可以基于分配给特定交通车辆/与特定交通车辆关联的用户计算设备的数量来确定特定交通车辆的车辆拥挤度。用户可以诸如经由用户的计算设备来请求一个或多个特定交通车辆的车辆拥挤度信息。该计算系统可以将响应传送给特定用户计算设备，这可以包括在特定用户计算设备上显示一个或多个特定交通车辆的车辆拥挤度信息。

现在参考附图，将进一步详细讨论本公开的示例方面。图1描绘了根据本公开的示例方面的可以确定车辆拥挤度的示例计算系统100的框图。系统 100包括通过网络180通信地联接的一个或多个用户计算设备102/104/106、服务器计算系统130和训练计算系统150。

用户计算设备102/104/106可以是任何类型的计算设备，诸如，例如，个人计算设备(例如，膝上型计算机或台式机)、移动计算设备(例如，智能电话或平板计算机)、游戏控制台或控制器、可穿戴计算设备、嵌入式计算设备或任何其他类型的计算设备。

用户计算设备102/104/106可以包括一个或多个处理器112和存储器 114。一个或多个处理器112可以是任何合适的处理设备(例如，处理器核、微处理器、ASIC、FPGA、控制器、微控制器等)，并且可以是一个处理器或操作性地连接的多个处理器。存储器114可以包括一个或多个非暂时性计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存设备、磁盘等以及其组合。存储器114可以存储数据116和指令118，指令118可以由处理器112执行以使用户计算设备102/104/106执行操作。

在一些实施方式中，用户计算设备102/104/106可以包括用户界面120。用户可以使用用户界面120来与用户计算设备102/104/106交互，诸如请求一个或多个具体的交通车辆的车辆拥挤度信息。将参考图4更详细地讨论根据本公开的示例方面的示例用户界面120。

用户计算设备102/104/106还可以包括接收用户输入的一个或多个用户输入组件122。例如，用户输入组件122可以是对用户输入对象(例如，手指或手写笔)的触摸敏感的触敏组件(例如，触敏显示屏或触摸板)。触敏组件可以用来实现虚拟键盘。其他示例用户输入组件包括麦克风、传统键盘或用户可通过其提供用户输入的其他手段。用户输入组件122可以允许用户诸如经由用户界面120来提供用户输入。

用户计算设备102/104/106可以进一步包括位置模块124。位置模块124 可以被配置为确定、获得和/或提供指示用户计算设备102/104/106的位置的数据。在一些实施方式中，指示位置的数据可以对应于公共交通系统的交通站。例如，指示位置的数据可以被映射到公共交通系统的特定交通站。

如此，在一些实施例中，为了获得本文描述的技术的益处，可能要求用户允许收集和分析与用户或其(一个或多个)设备关联的位置数据。例如，在一些实施例中，可以向用户提供控制程序或功能是否收集这样的信息的机会。如果用户不允许收集和使用这样的信号，则用户可能无法接收本文所述技术的益处。还可以为用户提供撤消或修改同意的工具。另外，某些信息或数据可以在其被存储或使用之前以一种或多种方式处理，使得个人可识别信息被去除。

在一些实施方式中，位置模块124可以包括GPS和/或GIS模块，其接收GPS/GIS信号并计算用户计算设备102/104/106的坐标。另外，在一些实施方式中，位置模块可以包括GSM/GPRS调制解调器，该GSM/GPRS调制解调器被配置为发送指示用户计算设备102/104/106的位置的数据。在一些实施方式中，位置模块124可以被配置为提供与用户计算设备102/104/106的位置关联的地理编码数据。

在一些实施方式中，位置模块124可以包括一个或多个蜂窝通信组件。例如，位置模块124可以包括天线、接收器、芯片或被配置为通过GSM、 CDMA、AMPS、1G、2G、3G、4G、5G、LTE、GPRS和/或其他无线蜂窝网络进行通信的其他装备。在一些实施方式中，位置模块124可以被配置为通过使用一个或多个无线蜂窝网络对用户计算设备102/104/106的定位进行三角测量来确定用户计算设备102/104/106的位置。在一些实施方式中，指示用户计算设备102/104/106的位置的数据可以包括蜂窝塔数据，诸如用于诸如由服务器计算系统130对用户计算设备102/104/106的定位进行三角测量的蜂窝塔数据。

在一些实施方式中，位置模块124可以包括一个或多个WiFi无线局域网通信组件。例如，位置模块124可以包括天线、接收器、芯片或被配置为经由局域网进行无线通信的其他装备。在一些实施方式中，位置模块124可以被配置为连接到与具体的交通站关联的具体的无线接入点。例如，公共交通系统中的个体交通站可以配备有无线接入点，并且个体用户计算设备 102/104/106可以在它们足够接近时连接到该无线接入点。在一些实施方式中，指示个体用户计算设备102/104/106的位置的数据可以包括用户计算设备 102/104/106的IP地址。

在一些实施方式中，位置模块124可以包括一个或多个信标通信组件，诸如蓝牙低功耗信标通信组件。例如，位置模块124可以包括被配置为使用蓝牙低功耗接近感测来发送通用唯一标识符的组件，该通用唯一标识符可以用于确定个体用户计算设备102/104/106的位置。在一些实施方式中，个体公共交通站可以包括被配置为与用户计算设备102/104/106通信的一个或多个蓝牙低功耗信标。在一些实施方式中，指示个体用户计算设备102/104/106的位置的数据可以包括信标访问数据。

位置模块124及其关联的功能可以在控制通用处理器的硬件、固件和/ 或软件中实现。以这种方式，可以使用多种定位技术来确定个体用户计算设备102/104/106的位置，并且可以执行该技术来确定用户计算设备102/104/106 的实时位置。此外，用户计算设备102/104/106可以诸如经由网络180提供指示设备102/104/106的实时位置的数据。

用户计算设备102/104/106可以进一步包括位置历史数据126。例如，位置历史数据126可以包括在先前时间获得的指示用户计算设备102/104/106的先前位置的数据。例如，在一些实施方式中，位置模块124可以被配置为确定用户计算设备102/104/106的实时位置，并且将该位置与反映该位置被确定的时间的时间戳一起存储。在一些实施方式中，位置历史数据126可以存储在存储器114中。

系统100可以进一步包括服务器计算系统130和/或训练计算系统150。用户计算设备102/104/106可以被配置为诸如经由一个或多个网络180将实时位置数据和/或位置历史数据126提供给服务器计算系统130和/或训练计算系统150。

服务器计算系统130可以包括一个或多个处理器132和存储器134。一个或多个处理器132可以是任何合适的处理设备(例如，处理器核、微处理器、ASIC、FPGA、控制器、微控制器等)，并且可以是一个处理器或操作性地连接的多个处理器。存储器134可以包括一个或多个非暂时性计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存设备、磁盘等，以及其组合。存储器134可以存储数据136和指令138，指令138由处理器132 执行以使服务器计算系统130执行操作。

在一些实施方式中，服务器计算系统130包括一个或多个服务器计算设备或以其他方式由其实现。在服务器计算系统130包括多个服务器计算设备的情况下，这样的服务器计算设备可以根据顺序计算架构、并行计算架构或其某种组合来进行操作。

在一些实施方式中，服务器计算系统130可以存储或包括一个或多个车辆拥挤度模型。例如，服务器计算系统130可以包括一个或多个机器学习车辆拥挤度模型140和/或一个或多个加权拥挤度模型142。服务器计算系统130 可以被配置为获得多个用户计算设备102/104/106的实时位置数据，其中，该实时位置数据包括标识与多个用户计算设备102/104/106中的每一个的交通站对应的实时位置的信息。例如，用户计算设备102/104/106可以经由一个或多个网络180向服务器计算系统130提供它们的实时位置，在服务器计算系统130处可以将其存储为实时位置数据144。然后，服务器计算系统130可以使用车辆拥挤度模型140/142，以至少部分地基于多个用户计算设备 102/104/106的实时位置数据144确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度。

在一些实施方式中，服务器计算系统130可以通过至少部分地基于多个用户计算设备102/104/106的实时位置数据144首先确定离开第一交通站的用户计算设备102/104/106的第一子集来确定车辆拥挤度。例如，在一些实施方式中，可以通过确定哪些用户计算设备102/104/106已经在第一交通站的时间段小于阈值来确定离开第一交通站的用户计算设备102/104/106的第一子集。因此，可以假设已经在第一交通站比阈值更久的用户计算设备102/104/106，诸如交通系统员工的用户计算设备102/104/106，没有离开第一交通站。

在一些实施方式中，然后，服务器计算系统130可以使用车辆拥挤度模型(例如，机器学习车辆拥挤度模型140或加权拥挤度模型142)确定与第一交通车辆关联的离开第一交通站的用户计算设备102/104/106的第一子集的第一部分。例如，服务器计算系统130可以使用车辆拥挤度模型将离开第一交通站的用户计算设备102/104/106中的一个或多个分配给一个或多个特定交通车辆。在一些实施方式中，第一子集中的每个用户计算设备102/104/106 可以被分配给特定交通车辆和/或与特定交通车辆关联。

然后，服务器计算系统130可以至少部分地基于分配给第一交通车辆的用户计算设备的该部分来确定第一交通车辆的车辆拥挤度。例如，计算系统 130可以将第一部分中的计算设备102/104/106的数量与一个或多个阈值进行比较，以便确定第一交通车辆的拥挤度。

在一些实施方式中，车辆拥挤度模型可以用于确定实时车辆拥挤度。例如，计算系统130可以使用车辆拥挤度模型，以至少部分地基于多个用户计算设备102/104/106的实时位置数据，确定特定交通车辆的实时车辆拥挤度。例如，在一些实施方式中，可以至少部分地基于将当前位于特定交通站的用户计算设备102/104/106分配给位于该特定交通站的特定车辆来确定实时车辆拥挤度。

在一些实施方式中，车辆拥挤度模型可以用于确定预期的车辆拥挤度。例如，在一些实施方式中，可以至少部分地基于将当前位于特定交通站的用户计算设备分配给在将来时间将离开该特定交通站的特定车辆来确定预期的车辆拥挤度。例如，车辆拥挤度模型可以确定位于特定交通站的用户计算设备102/104/106的一部分将在将来时间(例如，15分钟后)登上离开特定交通站的特定交通车辆。

在一些实施方式中，可以至少部分地基于各种关系，使用车辆拥挤度模型来确定在将来时间的预期的车辆拥挤度。例如，实时位置数据和/或闸口数据可以指示特定交通站没有平时拥挤(诸如由于假期)，并且因此当天晚些时候离开交通站的交通车辆可能会没有平时拥挤。

在一些实施方式中，一个或多个机器学习车辆拥挤度模型140可以用于确定车辆拥挤度。机器学习车辆拥挤度模型140可以是或可以以其他方式包括各种机器学习模型，诸如神经网络(例如，深度神经网络)或其他类型的机器学习模型，包括非线性模型和/或线性模型。神经网络可以包括前馈神经网络、循环神经网络(例如，长期短期记忆循环神经网络)、卷积神经网络或其他形式的神经网络。参考图2讨论示例机器学习车辆拥挤度模型140。

一个或多个机器学习车辆拥挤度模型140可以用于确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度。例如，根据本公开的示例方面，可以由训练计算系统150训练一个或多个机器学习车辆拥挤度模型140，以至少部分地基于多个用户计算设备102/104/106的实时位置数据确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度。在一些实施方式中，服务器计算系统130可以获得多个用户计算设备102/104/106的实时位置，并且可以使用机器学习车辆拥挤度模型140来确定一个或多个交通车辆的车辆拥挤度。例如，服务器计算系统130可以从已经选择使用拥挤度服务的多个用户计算设备102/104/106获得实时位置数据144，并且可以将实时位置数据 144输入机器学习车辆拥挤度模型140中，以获得交通系统中的一个或多个特定交通车辆的车辆拥挤度。

在一些实施方式中，服务器计算系统130可以存储或包括一个或多个加权拥挤度模型142。例如，在一些实施方式中，加权拥挤度模型142可以用于至少部分地基于先前从多个用户计算设备102/104/106获得的历史位置数据146确定在一个或多个特定时间在一个或多个特定交通车辆上从一个或多个特定交通站离开的用户计算设备的权重(weighting)。例如，在一些实施方式中，加权拥挤度模型142可以分派位于特定交通站的特定用户设备102乘坐特定交通车辆的似然性(likelihood)或权重。例如，在特定时间位于特定交通站的特定用户计算设备102可能具有在第一列车上出行的70％的权重和在第二列车上出行的30％的权重。在一些实施方式中，加权拥挤度模型142 可以将位于特定交通站的个体用户计算设备102/104/106与一个或多个特定交通车辆关联/分配给一个或多个特定交通车辆。例如，离开交通站的每个计算设备102/104/106可以被分配给特定交通车辆，诸如单独地或以与特定交通车辆关联的子集。在一些实施方式中，可以使用加权拥挤度模型142将位于特定交通站的每个用户计算设备102/104/106与特定交通车辆关联和/或分配给特定交通车辆，并且可以至少部分地基于与特定交通车辆关联/分配给特定交通车辆的用户计算设备102/104/106的数量来确定该特定交通车辆的车辆拥挤度。例如，可以将分配给特定车辆的用户计算设备102/104/106的总数与历史趋势和/或各种阈值进行比较，以便确定特定交通车辆的客流量与正常相比是更拥挤还是不那么拥挤。

在一些实施方式中，可以至少部分地基于先前从多个用户计算设备获得的历史位置数据146来确定一个或多个加权拥挤度模型142。例如，多个用户计算设备102/104/106可以将个体位置历史数据126提供给服务器计算系统 130，在服务器计算系统130处可以将其存储为历史位置数据146。历史位置数据146可以包括指示用户计算设备102/104/106进入/登上交通站、离开交通站/从交通站下来和/或沿着特定交通路线的位置的数据。此外，历史位置数据146可以包括与每个特定位置对应的时间戳数据。在一些实施方式中，历史位置数据146可以与交通系统时间表匹配，以确定离开特定交通站的个体交通车辆的权重。例如，权重模型可以指示在特定时间位于特定交通站的特定百分比的用户计算设备102/104/106历史上乘坐特定交通车辆。加权拥挤度模型142可以提供如基于历史位置数据146所确定的特定用户计算设备 102/104/106乘坐特定交通车辆的权重或似然性。

在一些实施方式中，服务器计算系统130可以包括或以其他方式获得交通系统闸口数据148。例如，交通系统运营商可以使用基础设施(诸如经由旋转闸机)来确定进入和/或离开特定交通站的乘客的数量。在一些实施方式中，交通系统运营商可以将交通系统闸口数据148提供给服务器计算系统 130。在一些实施方式中，可以将交通系统闸口数据148输入机器学习车辆拥挤度模型140和/或加权拥挤度模型142中，以便确定一个或多个特定交通车辆的车辆拥挤度。例如，闸口数据148可以指示特定交通站比正常更拥挤或不那么拥挤，并且进一步地，指示特定交通车辆可能比正常更拥挤或不那么拥挤。

在一些实施方式中，服务器计算系统130可以从特定用户计算设备 102/104/106接收对于一个或多个特定交通车辆的车辆拥挤度的请求。例如，用户可以诸如通过用户界面120来请求车辆拥挤度信息。在一些实施方式中，用户可以诸如通过搜索功能、先前乘坐的交通车辆的列表和/或收藏列表来请求关于特定交通车辆的车辆拥挤度信息。在一些实施方式中，用户可以基于用户的实时位置来请求车辆拥挤度信息。例如，来自特定用户计算设备 102/104/106的请求可以包括特定用户计算设备102/104/106的实时位置数据。服务器计算系统130可以使用特定用户计算设备102/104/106的实时位置数据来确定当前交通站和/或最近的交通站，并提供当前位于交通站和/或在将来时间离开交通站的交通车辆的车辆拥挤度信息。服务器计算系统130可以将响应传送给特定用户计算设备102/104/106，该响应可以包括在特定用户计算设备102/104/106上显示车辆拥挤度信息。例如，在一些实施方式中，可以经由用户计算设备102/104/106的用户界面120显示所请求的车辆拥挤度信息。

在一些实施方式中，计算系统130可以诸如经由网络180将指示一个或多个交通车辆的车辆拥挤度的数据传送给一个或多个用户计算设备。例如，计算系统130可以在使用车辆拥挤度模型确定一个或多个车辆的车辆拥挤度后，经由网络180传送指示一个或多个交通车辆的车辆拥挤度的数据。

系统100还可以包括训练计算系统150。用户计算设备102/104/106和/ 或服务器计算系统130可以经由与通过网络180通信地联接的训练计算系统 150的交互来训练机器学习模型140。训练计算系统150可以与服务器计算系统130分离，或者可以是服务器计算系统130的一部分。

训练计算系统150包括一个或多个处理器152和存储器154。一个或多个处理器152可以是任何合适的处理设备(例如，处理器核、微处理器、ASIC、 FPGA、控制器、微控制器等)，并且可以是一个处理器或操作性地连接的多个处理器。存储器154可以包括一个或多个非暂时性计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存设备、磁盘等，以及其组合。存储器154可以存储数据156和指令158，指令158由处理器152执行以使训练计算系统150执行操作。在一些实施方式中，训练计算系统150包括一个或多个服务器计算设备或以其他方式由其实现。

训练计算系统150可以包括模型训练器160，该模型训练器160使用各种训练或学习技术(诸如，例如，误差的反向传播)来训练一个或多个机器学习车辆拥挤度模型140。在一些实施方式中，执行误差的反向传播可以包括执行通过时间的截断反向传播(truncatedbackpropagation through time)。模型训练器160可以执行多种泛化技术(例如，权重衰减、丢弃等)，以提高被训练的模型的泛化能力。

特别地，模型训练器160可以基于一组训练数据170来训练一个或多个机器学习车辆拥挤度模型140。训练数据170可以包括例如历史车辆拥挤度数据172和历史位置数据174(例如，与历史位置数据146相同/相似的历史位置数据)。举例来说，诸如地铁系统运营商的交通系统运营商可以周期性地确定具体的交通车辆的车辆拥挤度数据172。例如，地铁系统运营商可以对离开特定交通站的每个地铁车厢加权，并将相应的车辆权重与闸口数据(例如，进入或离开交通站的乘客的入站/出站数据)进行组合，以将乘客分配给离开交通站的每个相应的交通车辆。通过这种方式，地铁系统运营商可以近似出乘坐具体的交通车辆的乘客的数量，并由此近似出具体的交通车辆的拥挤度。例如，可以通过将乘坐具体的交通车辆的乘客的数量与特定交通车辆的容量进行比较来确定车辆拥挤度。在一些实施方式中，历史车辆拥挤度数据172可以表示为例如直方图，该直方图描绘根据交通时间表离开交通站的每个交通车辆的百分比容量。然而，在一般应用中，交通系统运营商可以获得有限的时间段(诸如每年一星期)的历史车辆拥挤度数据172。

可以基于从多个用户计算设备102/104/106获得的历史位置数据174进一步训练一个或多个机器学习车辆拥挤度模型140。例如，如果用户已经提供同意，则用户的位置历史数据126可以通过用户计算设备102提供给服务器计算系统130和/或训练计算系统150。例如，如本文所述，一个或多个用户计算设备102/104/106可以被配置为存储位置历史数据126，其可以包括指示在特定时间特定位置的数据。历史位置数据174可以包括与车辆拥挤度数据 172对应的用户计算设备102/104/106的位置历史数据126。例如，历史位置数据174可以包括已经提供同意并且在获得历史车辆拥挤度数据172的时间段期间位于特定交通站或行进通过特定交通站的用户计算设备102/104/106。模型训练器160可以例如通过将由历史位置数据174表示的用户计算设备 102/104/106映射/分派/分配到历史车辆拥挤度数据172来使用训练数据170，以便训练一个或多个机器学习车辆拥挤度模型140。

在一些实施方式中，一旦一个或多个机器学习车辆拥挤度模型140已经被训练为取得足够的准确性水平，就可以将多个用户计算设备102/104/106的实时位置数据输入一个或多个机器学习车辆拥挤度模型140中，以确定交通系统中的特定交通车辆的车辆拥挤度。另外，一旦已经使用第一交通系统的历史车辆拥挤度数据172和历史位置数据174训练了一个或多个机器学习车辆拥挤度模型140，就可以将该一个或多个机器学习车辆拥挤度模型140应用于第二交通系统。

模型训练器160包括用于提供期望功能的计算机逻辑。可以在控制通用处理器的硬件、固件和/或软件中实现模型训练器160。例如，在一些实施方式中，模型训练器160包括存储在存储设备上、加载到存储器中并由一个或多个处理器执行的程序文件。在其他实施方式中，模型训练器160包括一组或多组计算机可执行指令，其存储在有形的计算机可读存储介质中，诸如 RAM硬盘或光学或磁性介质中。

网络180可以是任何类型的通信网络，诸如局域网(例如，内联网)、广域网(例如，互联网)或其某种组合，并且可以包括任何数量的有线或无线链路。通常，可以使用各种通信协议(例如，TCP/IP、HTTP、SMTP、FTP)、编码或格式(例如，HTML、XML)和/或保护方案(例如，VPN、安全HTTP、 SSL)经由任何类型的有线和/或无线连接来承载通过网络180的通信。

现在参考图2，描绘了根据本公开的示例实施例的示例机器学习模型200 的框图。在一些实施方式中，机器学习模型200被训练为接收描述多个用户计算设备的实时位置的一组输入数据204，并且作为接收输入数据204的结果，提供描述车辆拥挤度的输出数据206。因此，在一些实施方式中，机器学习模型200可以包括拥挤度模型202，该拥挤度模型202可操作为确定交通系统中的特定交通车辆的拥挤度。

例如，如本文所述，可以至少部分地基于先前从多个用户计算设备 102/104/106获得的历史车辆拥挤度数据和历史位置数据来训练拥挤度模型 202。可以训练拥挤度模型202以将历史位置数据与历史车辆拥挤度数据关联，使得拥挤度模型202然后可以使用作为输入的多个用户计算设备 102/104/106的实时位置数据来确定具体的车辆拥挤度信息。

在一些实施方式中，可以至少部分地基于闸口数据来进一步训练拥挤度模型202。例如，闸口数据可以包括指示进入或离开一个或多个特定交通站的乘客的数量的数据。在一些实施方式中，可以进一步训练拥挤度模型202 以接收包括一个或多个交通站的闸口数据(例如，实时闸口数据)的输入数据204，并至少部分地基于该闸口数据来确定一个或多个交通车辆的车辆拥挤度。

在一些实施方式中，可以训练拥挤度模型202以确定实时和将来的车辆拥挤度两者。例如，拥挤度模型202可以通过例如将位于特定交通站的个体用户计算设备102/104/106实时关联/分配给特定交通车辆来确定实时车辆拥挤度。类似地，拥挤度模型202可以例如通过学习当前站拥挤度和将来时间交通车辆的车辆拥挤度之间的关系来确定将来的车辆拥挤度，当前站拥挤度由实时地位于特定站的用户计算设备102/104/106的数量确定。

现在参考图3，描绘了具有多个用户计算设备的实时位置叠加的示例交通系统300的示例图形表示。如图3所示，所描绘的交通系统300的一部分包括四个交通站310A-D。每个交通站310A-D由多条交通路线服务，如连接站310A-D的实线和虚线320A-E所表示。每条交通路线可以与例如公共交通系统的不同线路对应。例如，交通路线320A可以与地铁系统的“蓝线”对应，而交通路线320B可以与地铁系统的“黄线”对应，等等。

根据本公开的示例方面，可以通过计算系统(诸如通过服务器计算系统 130)来获得多个用户计算设备330/340的实时位置数据。每个用户计算设备 330/340的实时位置数据可以与特定交通站310A-D对应。例如，用圆点330 表示位于交通站310小于阈值时间段的用户计算设备，而用星号340表示位于交通站310且多于阈值时间段的用户计算设备。例如，交通站310B具有已经在交通站310B小于阈值时间段的五个用户计算设备330，以及已经在交通站310B多于阈值时间段的一个用户计算设备340。用户计算设备330/340可以是例如图1所描绘的用户计算设备102/104/106。

用户计算设备330/340中的每一个的实时位置数据可以由计算系统(诸如服务器计算系统130)使用，以使用车辆拥挤度模型来确定车辆拥挤度，如本文所述。例如，在一些实施方式中，计算系统可以首先至少部分地基于多个用户计算设备的实时位置数据来确定离开特定交通站310的用户计算设备的子集。例如，每个用户计算设备330/340的位置数据可以与特定交通站 310A-D对应。在一些实施方式中，计算系统可以通过确定已经在交通站310 小于阈值时间段的用户计算设备330来确定离开特定交通站310A-D的用户计算设备。例如，阈值时间段可以是基于特定交通路线上的交通车辆之间的时间的时间段(例如，交通车辆之间的时间段的两倍长)。

然后，计算系统可以使用一个或多个车辆拥挤度模型，诸如加权拥挤度模型或机器学习车辆拥挤度模型，基于离开特定交通站310A-D的用户计算设备来确定车辆拥挤度。例如，在一些实施方式中，计算系统可以使用车辆拥挤度模型以使用车辆拥挤度模型将离开特定交通站310A-D的用户计算设备的第一部分与第一交通车辆关联。例如，可以确定已经在交通站310B小于阈值时间段的五个用户计算设备330要离开交通站310B，并且可以使用车辆拥挤度模型将该五个用户计算设备330与离开交通站310B的一个或多个交通车辆关联/分配给离开交通站310B的一个或多个交通车辆。例如，车辆拥挤度模型可以确定第一部分(例如，两个用户计算设备330)与第一交通车辆 (例如，下一前往郊区的黄交通车辆)关联，第二部分(例如，一个用户计算设备330)与第二交通车辆(例如，下一前往市区的黄线交通车辆)关联，第三部分(例如，一个用户计算设备330)与第三交通车辆(例如，下一前往机场的蓝线交通车辆)关联，并且第四部分(例如，一个用户计算设备330) 与第四交通车辆(例如，通往博物馆区的将来的绿线交通车辆)关联。

在一些实施方式中，计算系统可以诸如根据请求确定与特定交通车辆关联的用户计算设备330的一部分。在一些实施方式中，计算系统可以确定与多个交通车辆(诸如当前在交通系统内运行的每个交通车辆或被调度为在特定时间段内行进通过特定交通站310的每个交通车辆)关联的用户计算设备 330的一部分。

在一些实施方式中，计算系统然后可以至少部分地基于与特定交通车辆关联的用户计算设备330的该部分来确定一个或多个特定交通车辆的车辆拥挤度。例如，在一些实施方式中，车辆拥挤度模型可以将与特定交通车辆关联的用户计算设备330的数量与一个或多个阈值进行比较。例如，该一个或多个阈值可以与不同的拥挤度范围对应，并且可以基于历史车辆拥挤度数据来确定。例如，与在特定时间离开特定交通站的特定交通车辆关联的单个用户计算设备330可以与相对低的车辆拥挤度(例如，<25％乘客容量)对应，而四个用户计算设备330可以与相对高的车辆拥挤度(例如，大约100％乘客容量)对应。以这种方式，计算系统可以至少部分地基于多个用户计算设备330/340的实时位置数据来确定一个或多个特定交通车辆的车辆拥挤度。

现在参考图4，描绘了根据本公开的示例方面的示例用户界面400。用户界面400仅描绘了用于显示车辆拥挤度信息的一个示例用户界面。可以类似地使用其他合适的用户界面。在一些实施方式中，用户界面400可以显示在诸如智能电话、膝上型计算机或其他用户计算设备102的个人计算设备上。在一些实施方式中，可以经由用户界面400接收请求车辆拥挤度信息的用户输入，然后可以将该用户输入传送给诸如服务器计算系统130的计算系统。该计算系统然后可将所请求的车辆拥挤度信息传送给用户计算设备102，可以在用户计算设备102处将车辆拥挤度信息显示在用户界面400中。

例如，在一些实施方式中，用户可以请求离开特定交通站的一个或多个特定交通车辆的车辆拥挤度信息。例如，如图4所描绘，用户可以选择特定交通站(例如，“海事博物馆站(Maritime Museum Station)”)。在一些实施方式中，来自用户的请求可以包括特定用户计算设备的实时位置数据。例如，位于海事博物馆站的用户可以发送对于离开海事博物馆站的交通车辆的车辆拥挤度的请求，该请求可以包括该用户的实时位置数据。在其他用户界面中，用户可以以其他方式(诸如访问收藏列表、搜索具体的交通车辆和/或交通站、从先前乘坐的交通车辆的列表中进行选择)来请求车辆拥挤度信息，或其他类型的请求。

在一些实施方式中，如图4所描绘，可以在用户界面400中显示多个特定交通车辆的信息。例如，如所描绘的，示出了六个交通车辆410A-F。可以通过例如交通路线(例如，“B”、“F”等)、调度的离开时间(例如，“11:15”等)、交通车辆编号(例如，“389”、“451”等)、交通站(例如“海事博物馆”) 和/或其他信息来标识特定交通车辆。在一些实施方式中，还可以经由用户界面400提供附加信息，诸如特定交通车辆是早到、准时还是延迟，交通车辆是否有障碍人士可进入或其他信息。

根据本公开的示例方面，还可以在用户界面400中显示一个或多个特定交通车辆的车辆拥挤度信息。例如，如所描绘的，可以以图形方式显示每个特定交通车辆的车辆拥挤度信息，诸如使用1-4的标尺的阴影图标。例如，如所描绘的，11:34B列车451(410B)仅是拥挤度标尺上的四个中的一个，而12:05B列车389(410D)是拥挤度标尺上的四个中的四个。每个人图标可以与特定范围(诸如，乘客容量范围(例如，0-25％的容量是四个中的一个， 25-50％的容量是四个中的两个，等等))对应。在其他实施方式中，可以以其他合适的格式来显示车辆拥挤度信息，诸如百分比(例如，“50％的容量”)、颜色(例如，红色用于非常拥挤、绿色用于稀疏拥挤)等。因此，根据本公开的示例方面，可以提供用户请求的车辆拥挤度信息以在用户计算设备102 上的用户界面400中显示。此外，车辆拥挤度信息可以包括实时车辆拥挤度信息以及在将来时间的车辆拥挤度信息。

图5描绘了根据本公开的示例方面的用于确定车辆拥挤度的示例方法 (500)的流程图。方法(500)可以由诸如图1中描绘的服务器计算系统130 的计算设备或其他计算设备来实现。另外，为了说明和讨论的目的，图5描绘了以特定顺序执行的步骤。使用本文提供的公开内容，本领域普通技术人员将理解，可以在不背离本公开的范围的情况下以各种方式来适应、重新布置、扩展、省略或修改本文讨论的任何方法的步骤。

在(502)，方法(500)可以包括获得多个用户计算设备的实时位置数据。实时位置数据可以包括标识与多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息。在一些实施方式中，实时位置数据可以包括地理编码数据、IP地址数据、WiFi访问数据、信标访问数据和/或蜂窝电话塔数据中的一个或多个。

在(504)，方法(500)可以可选地包括从特定用户计算设备接收对于离开第一交通站的第一交通车辆的车辆拥挤度的请求。例如，用户可以使用显示在用户的计算设备上的用户界面来请求关于一个或多个特定交通车辆的信息。

在一些实施方式中，来自特定用户计算设备的请求可以包括特定用户计算设备的实时位置数据。例如，用户的实时位置可用于访问离开用户所在的特定交通站的一个或多个特定交通车辆的车辆拥挤度。

在其他实施方式中，用户可以请求关于特定交通车辆和/或特定交通站的车辆拥挤度信息，访问收藏交通车辆和/或交通站的列表，访问先前乘坐的交通车辆和/或先前到访的交通站的列表，或以任何其他合适的方式请求车辆拥挤度信息。

在一些实施方式中，用户可以请求离开特定交通站的一个或多个交通车辆的实时车辆拥挤度。例如，实时车辆拥挤度可以指示每个相应的交通车辆的当前拥挤度。

在一些实施方式中，用户可以请求一个或多个特定交通车辆的预期的车辆拥挤度。例如，预期的车辆拥挤度可以指示每个相应的交通车辆在将来时间的预期的拥挤度。

然后，计算系统可以使用车辆拥挤度模型至少部分地基于多个用户计算设备的实时位置数据，确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度。在一些实施方式中，计算系统可以响应于用户请求确定一个或多个车辆的车辆拥挤度。在一些实施方式中，计算系统可以确定多个交通车辆(诸如交通系统中的每个交通车辆)的车辆拥挤度。

例如，在一些实施方式中，在(506)，方法(500)可以包括至少部分地基于实时位置数据来确定离开第一交通站的用户计算设备的第一子集。在一些实施方式中，可以通过确定已经在第一交通站的时间段小于阈值的用户计算设备的数量来确定离开第一交通站的用户计算设备的第一子集。例如，可以假设与已经位于第一交通站的时间段大于阈值的交通系统员工关联的用户计算设备不离开第一交通站。而是，可以假设已经在第一交通站的时间段小于阈值的用户计算设备是离开的用户计算设备。

在(508)，方法(500)可以包括使用车辆拥挤度模型确定与第一交通车辆关联的离开第一交通站的用户计算设备的第一子集的第一部分。例如，车辆拥挤度模型可以用于将离开的用户计算设备与一个或多个特定交通车辆关联/将离开的用户计算设备分配给一个或多个特定交通车辆。在一些实施方式中，每个离开的用户计算设备可以与特定交通车辆关联。例如，可以将离开第一交通站的用户计算设备的第一子集划分为一个或多个部分，其中，每个部分与特定交通车辆关联。

在一些实施方式中，车辆拥挤度模型可以是至少部分地基于历史车辆拥挤度数据和先前从多个用户计算设备获得的历史位置数据而被训练的机器学习模型。

在一些实施方式中，车辆拥挤度模型可以是加权拥挤度模型，其中，加权拥挤度模型包括至少部分地基于先前从多个用户计算设备获得的历史位置数据而确定的在一个或多个特定时间在一个或多个特定交通车辆上从一个或多个特定交通站离开的用户计算设备的权重。

在(510)，方法(500)可以包括至少部分地基于该第一部分来确定第一交通车辆的车辆拥挤度。例如，可以将与第一交通车辆关联的用户计算设备的数量与一个或多个阈值进行比较，以便确定第一交通车辆的车辆拥挤度。在一些实施方式中，可以基于历史车辆拥挤度数据来确定一个或多个阈值。在一些实施方式中，可以基于先前从多个用户计算设备获得的历史位置数据来确定一个或多个阈值。在一些实施方式中，可以通过车辆拥挤度模型来确定第一交通车辆的车辆拥挤度。

在一些实施方式中，方法(500)可以进一步包括获得一个或多个交通站的闸口数据，并且可以进一步至少部分地基于闸口数据来确定车辆拥挤度。闸口数据可以包括指示进入或离开一个或多个交通站的乘客的数量的数据。

在(512)，方法(500)可以包括提供第一交通车辆的车辆拥挤度以在特定用户计算设备上显示。例如，计算系统可以将响应传送给特定用户计算设备，其中，该响应包括用于在特定用户计算设备上显示第一交通车辆的车辆拥挤度的信息。在一些实施方式中，计算系统可以将一个或多个交通车辆(例如，已确定了车辆拥挤度的所有车辆)的车辆拥挤度信息传送给用户计算设备，诸如当没有接收到对于特定车辆拥挤度信息的请求时。在一些实施方式中，可以在特定用户计算设备上的用户界面中显示第一交通车辆的车辆拥挤度。

本文讨论的技术参考服务器、数据库、软件应用和其他基于计算机的系统，以及所采取的动作和发送到这样的系统和从这样的系统发送的信息。基于计算机的系统的固有灵活性允许在组件之间以及当中进行任务和功能的多种可能的配置、组合以及划分。例如，可以使用单个服务器或组合工作的多个服务器来实现本文讨论的服务器过程。数据库和应用可以在单个系统上实现，或者可以跨多个系统分布。分布式组件可以顺序或并行操作。

尽管已经针对具体的示例实施例及其方法详细描述了本主题，但是应当理解，本领域技术人员在获得前述内容的理解之后，可以容易地产生对这样的实施例的变更、变型和等效物。因此，本公开的范围是通过示例的方式而不是通过限制的方式，并且本公开不排除包括本领域普通技术人员容易明了的对本主题的这种修改、变型和/或添加。

附图

图1

102 用户计算设备

112 132 152 (一个或多个)处理器

114 134 154 存储器

116 136 156 数据

118 138 158 指令

120 用户界面

122 用户输入组件

124 位置模块

126 位置历史数据

104 106 用户计算设备

130 服务器计算系统

140 机器学习车辆拥挤度模型

142 加权拥挤度模型

114 实时位置数据

146 历史位置数据

148 交通系统闸口数据

150 训练计算系统

160 模型训练器

170 训练数据

172 车辆拥挤度数据

174 历史位置数据

图2

204 输入数据

200 机器学习模型

202 拥挤度模型

206 输出数据

图3

KEY 图例

图4

<TN:界面不翻译>

图5

502 获得多个用户计算设备的实时位置数据

504 从特定用户计算设备接收对于离开第一交通站的第一交通车辆的请求

506 至少部分地基于实时位置数据来确定离开第一交通站的用户计算设备的第一子集

508 使用车辆拥挤度模型确定与第一交通车辆关联的离开第一交通站的用户计算设备的第一子集的第一部分

510 至少部分地基于该第一部分来确定第一交通车辆的车辆拥挤度

512 提供第一交通车辆的车辆拥挤度以在特定用户计算设备上显示

Claims (20)

1.一种用于确定交通系统车辆拥挤度的计算机实现的方法，包括：

通过包括一个或多个计算设备的计算系统获得多个用户计算设备的实时位置数据，其中，所述实时位置数据包括标识与所述多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息；

通过所述计算系统使用车辆拥挤度模型，基于所述多个用户计算设备的实时位置数据，确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度；以及

通过所述计算系统将指示所述一个或多个交通车辆中的至少一个的车辆拥挤度的数据传送给特定用户计算设备，其中，指示车辆拥挤度的数据包括用于在所述特定用户计算设备上显示一个或多个交通车辆中的所述至少一个的车辆拥挤度的信息；

其中，所述车辆拥挤度模型包括基于从多个交通系统中的一个获得的历史车辆拥挤度数据和先前从多个用户计算设备获得的历史位置数据而被训练的机器学习模型。

2.根据权利要求1所述的计算机实现的方法，其中，通过所述计算系统使用车辆拥挤度模型，基于所述多个用户计算设备的实时位置数据，确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度，包括：

通过所述计算系统基于所述多个用户计算设备的实时位置数据来确定离开第一交通站的用户计算设备的第一子集；

通过所述计算系统使用所述车辆拥挤度模型确定与第一交通车辆关联的离开所述第一交通站的用户计算设备的所述第一子集的第一部分；以及

通过所述计算系统基于所述第一部分来确定所述第一交通车辆的车辆拥挤度。

3.根据权利要求2所述的计算机实现的方法，其中，通过所述计算系统基于所述多个用户计算设备的实时位置数据来确定离开所述第一交通站的用户计算设备的所述第一子集包括：通过所述计算系统确定已经在第一交通站的时间段小于阈值的用户计算设备的数量。

4.根据权利要求1所述的计算机实现的方法，还包括：

通过所述计算系统获得所述一个或多个交通站的闸口数据；其中，每个相应的交通站的闸口数据包括指示进入或离开所述相应的交通站的乘客的数量的数据；以及

其中，还基于所述一个或多个交通站的闸口数据确定离开所述一个或多个交通站的一个或多个交通车辆的车辆拥挤度。

5.根据权利要求1所述的计算机实现的方法，其中，所述实时位置数据包括地理编码数据、IP地址数据、WiFi访问数据、信标访问数据或蜂窝电话塔数据中的一个或多个。

6.根据权利要求1所述的计算机实现的方法，其中，所述方法还包括：

通过所述计算系统从特定用户设备接收对于一个或多个特定交通车辆的车辆拥挤度的请求；以及

其中，通过所述计算系统将指示所述一个或多个交通车辆中的至少一个的车辆拥挤度的数据传送给所述特定用户计算设备包括：通过所述计算系统将指示所述一个或多个特定交通车辆的车辆拥挤度的数据传送给所述特定用户计算设备。

7.根据权利要求6所述的计算机实现的方法，其中，来自所述特定用户计算设备的对于一个或多个特定交通车辆的车辆拥挤度的请求包括对于离开特定交通站的一个或多个交通车辆的实时车辆拥挤度的请求。

8.根据权利要求6所述的计算机实现的方法，其中，来自所述特定用户计算设备的对于一个或多个特定交通车辆的车辆拥挤度的请求包括对于在将来时间离开特定交通站的一个或多个交通车辆的预期的车辆拥挤度的请求。

9.根据权利要求6所述的计算机实现的方法，其中，来自所述特定用户计算设备的对于一个或多个特定交通车辆的车辆拥挤度的请求包括所述特定用户计算设备的实时位置数据。

10.一种用于确定车辆拥挤度的计算系统，包括：

一个或多个处理器；以及

一个或多个有形的非暂时性计算机可读介质，所述一个或多个有形的非暂时性计算机可读介质存储指令，所述指令在由所述一个或多个处理器执行时使所述计算系统执行操作，所述操作包括：

获得多个用户计算设备的实时位置数据，其中，所述实时位置数据包括标识与所述多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息；

从特定用户计算设备接收对于离开第一交通站的第一交通车辆的车辆拥挤度的请求；

基于所述多个用户计算设备的实时位置数据，确定离开所述第一交通站的用户计算设备的第一子集；

使用车辆拥挤度模型确定与所述第一交通车辆关联的离开所述第一交通站的用户计算设备的所述第一子集的第一部分；

基于所述第一部分来确定所述第一交通车辆的车辆拥挤度；以及

提供所述第一交通车辆的车辆拥挤度以在所述特定用户计算设备上显示；

其中，所述车辆拥挤度模型包括基于从多个交通系统中的一个获得的历史车辆拥挤度数据和先前从多个用户计算设备获得的历史位置数据而被训练的机器学习模型。

11.根据权利要求10所述的计算系统，其中，基于所述多个用户计算设备的实时位置数据来确定离开所述第一交通站的用户计算设备的所述第一子集包括：确定已经在第一交通站的时间段小于阈值的用户计算设备的数量。

12.根据权利要求10所述的计算系统，其中，所述实时位置数据包括地理编码数据、IP地址数据、WiFi访问数据、信标访问数据或蜂窝电话塔数据中的一个或多个。

13.根据权利要求10所述的计算系统，其中，所述操作还包括：

获得所述第一交通站的闸口数据；其中，所述第一交通站的闸口数据包括指示进入或离开所述第一交通站的乘客的数量的数据；以及

其中，还基于第一闸口数据来确定所述第一交通车辆的车辆拥挤度。

14.根据权利要求10所述的计算系统，其中，所述第一交通车辆包括在将来时间离开所述第一交通站的交通车辆。

15.根据权利要求10所述的计算系统，其中，来自所述特定用户计算设备的对于一个或多个特定交通车辆的车辆拥挤度的请求包括所述特定用户计算设备的实时位置数据。

16.至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质存储指令，所述指令在由计算设备执行时使所述计算设备执行操作，所述操作包括：

获得多个用户计算设备的实时位置数据，其中，所述实时位置数据包括标识与所述多个用户计算设备中的每个用户计算设备的交通站对应的实时位置的信息；

基于所述多个用户计算设备的所述实时位置数据，使用车辆拥挤度模型确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度；

从特定用户计算设备接收对于一个或多个特定交通车辆的车辆拥挤度的请求；以及

将响应传送到所述特定用户计算设备，其中，所述响应包括在所述特定用户计算设备上显示所述一个或多个特定交通车辆的车辆拥挤度；

其中，所述车辆拥挤度模型包括基于从多个交通系统中的一个获得的历史车辆拥挤度数据和先前从多个用户计算设备获得的历史位置数据而被训练的机器学习模型。

17.根据权利要求16所述的至少一个非暂时性计算机可读介质，其中，基于所述多个用户计算设备的实时位置数据，使用车辆拥挤度模型确定离开一个或多个交通站的一个或多个交通车辆的车辆拥挤度包括：

基于所述多个用户计算设备的实时位置数据来确定离开第一交通站的用户计算设备的第一子集；

使用所述车辆拥挤度模型确定与第一交通车辆关联的离开所述第一交通站的用户计算设备的所述第一子集的第一部分；以及

基于所述第一部分来确定所述第一交通车辆的车辆拥挤度。

18.根据权利要求17所述的至少一个非暂时性计算机可读介质，其中，基于所述多个用户计算设备的实时位置数据来确定离开所述第一交通站的用户计算设备的所述第一子集包括：确定已经在第一交通站的时间段小于阈值的用户计算设备的数量。

19.根据权利要求17所述的至少一个非暂时性计算机可读介质，其中，所述操作还包括：获得所述一个或多个交通站的闸口数据；其中，每个相应的交通站的闸口数据包括指示进入或离开所述相应的交通站的乘客的数量的数据；以及

其中，还基于所述一个或多个交通站的闸口数据确定离开所述一个或多个交通站的一个或多个交通车辆的车辆拥挤度。

20.根据权利要求17所述的至少一个非暂时性计算机可读介质，其中，所述实时位置数据包括地理编码数据、IP地址数据、WiFi访问数据、信标访问数据或蜂窝电话塔数据中的一个或多个。

Images