CN112036676A - 运输系统中乘车共享的智能按需管理 - Google Patents
运输系统中乘车共享的智能按需管理 Download PDFInfo
- Publication number
- CN112036676A CN112036676A CN202010385104.4A CN202010385104A CN112036676A CN 112036676 A CN112036676 A CN 112036676A CN 202010385104 A CN202010385104 A CN 202010385104A CN 112036676 A CN112036676 A CN 112036676A
- Authority
- CN
- China
- Prior art keywords
- transport service
- transport
- requests
- ride
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims description 43
- 238000003860 storage Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 38
- 238000012545 processing Methods 0.000 description 31
- 239000003795 chemical substances by application Substances 0.000 description 30
- 238000010801 machine learning Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 23
- 238000007726 management method Methods 0.000 description 23
- 230000015654 memory Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 230000019771 cognition Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000003924 mental process Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 102100034282 Ankyrin repeat domain-containing protein 23 Human genes 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 101000780120 Homo sapiens Ankyrin repeat domain-containing protein 23 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Abstract
本公开涉及运输系统中乘车共享的智能按需管理。通过处理器提供运输系统中的智能运输服务管理的实施例。可以根据一个或多个运输服务请求分布模型以及针对每个用户的各种参数和偏好,在多个运输服务提供者之间分配运输服务请求。运输服务请求分布模型可以保护与每个运输服务提供者相关的信息,并建议用于分发多个运输服务请求的所选择的顺序。
Description
技术领域
本发明一般而言涉及计算系统,并且更特别地涉及用于通过处理器对运输系统中的乘车共享进行智能按需管理的各种实施例。
背景技术
在当今社会中,消费者、商务人员、教育工作者和其他人员在各种环境中越来越频繁地使用各种计算网络系统。计算机和联网技术的出现使生活质量得以提高,同时增强了日常活动。计算系统可以包括物联网(IoT),它是使用现有互联网基础设施的分布在全球各地的计算设备的互连。IoT设备可以被嵌入在各种物理设备或产品中。
随着技术的巨大迈进和进步取得成果,这些技术进步可以在日常生活中发挥作用。例如,通过计算和联网技术实现的大量可用数据然后可以帮助改善运输。
发明内容
提供了用于通过处理器对运输系统中的乘车共享进行智能按需管理的各种实施例。在一个实施例中,仅作为示例,提供了一种用于通过处理器提供对运输系统中的乘车共享进行智能按需管理的方法。可以根据一个或多个运输服务请求分布模型以及针对每个用户的各种参数和偏好,在多个运输服务提供者之间分配运输服务请求。运输服务请求分布模型可以保护与每个运输服务提供者相关的信息,并建议用于分发多个运输服务请求的所选择的顺序。
附图说明
为了容易理解本发明的优点,将通过参考在附图中示出的特定实施例来对以上简要描述的本发明进行更具体的描述。要理解的是,这些附图仅描绘了本发明的典型实施例,因此不应被认为是对本发明范围的限制,将通过使用附图利用附加的特征和细节来描述和解释本发明,其中:
图1是描绘根据本发明的实施例的示例性计算节点的框图;
图2是描绘根据本发明的实施例的示例性云计算环境的附加框图;
图3是描绘根据本发明的实施例的抽象模型层的附加框图;
图4是描绘根据本发明的各方面起作用的各种用户硬件和计算组件的图;
图5是根据本发明的各方面的提供对运输系统中的乘车共享的按需管理的框图;
图6是根据本发明的各方面的提供对运输系统中的乘车共享的按需管理的方框流程图;
图7是用于通过其中可以实现本发明的各方面的处理器保护运输系统中的实体的隐私的附加示例性方法的流程图;以及
图8是用于通过其中可以实现本发明的各方面的处理器保护运输系统中的实体的隐私的附加示例性方法的流程图。
具体实施方式
计算系统可以包括称为“云计算”的大规模计算,其中资源可以经由通信系统(诸如计算机网络)进行交互和/或被访问。资源可以是在一个或多个计算设备(诸如服务器)上运行的服务和/或计算设备、存储设备、应用和/或其它计算机相关设备的软件渲染的模拟和/或仿真。例如,取决于完成请求的任务所需的处理能力、存储空间和/或其它计算资源的量,多个服务器可以传达和/或共享可以跨服务器扩展和/或收缩的信息。词语“云”暗示以这种布置进行交互的计算设备、计算机网络和/或其它计算机相关设备之间的互连图的云形状外观。
此外,物联网(IoT)是可以被嵌入在对象(尤其是电器)中并且通过网络连接的计算设备的新兴概念。IoT网络可以包括一个或多个IoT设备或“智能设备”,它们是物理对象,诸如其中嵌入有计算设备的电器。这些对象中的许多是独立可操作的设备,但它们也可以与控制系统或替代地诸如在云计算环境上运行的分布式控制系统配对。
在各种环境中,计算系统中(尤其是在云计算环境中)IoT电器的使用的大量增加为用户提供了各种有益的用途。各种IoT电器可以用于个人用途,诸如出行或锻炼,同时也可以在各种类型的车辆或导航系统中使用IoT电器用于行驶目的。例如,许多个人使用出租车或其它乘车共享服务安排从一个地方到另一个地方的通勤出行。因此,一个或多个IoT设备可以用于订购运输服务(例如,租用车辆(vehicle-for-hire)和/或乘车共享服务),以帮助行驶和快速移动到一个或多个期望的目的地。
租用车辆(例如,自动汽车(automobile))是由专业驾驶员或自我驾驶车辆(例如,自主车辆)驾驶的车辆,其工作是接载一个或多个乘客并将其运送到乘客提供的期望目的地。租用车辆的一个常见示例是出租计程车(taxicab),也被称为“出租车”。在一些地区,区分出租车和汽车服务,其中出租车被允许接载在出租车驾驶时呼叫出租车的乘客,而对于汽车服务,接载地点和时间被预先安排。但是,在大多数其它地区,不管乘客接载是预先安排的还是呼叫的,充当租用车辆的汽车都被称为出租车。乘车共享服务可以是点对点乘车共享服务,或者可以是安排共享乘车、拼车或汽车共享服务的乘车共享服务。在一方面,车辆可以是汽车、自行车、摩托车、小船、轮船、火车、飞机/飞行器、自主车辆、越野车、卡车等。
随着乘车共享公司的数量和规模不断增加,以及针对同一客户群的竞争,越来越需要以按需但分布式、隐私且公平的方式管理竞争。虽然可能需要集中协调来以最佳方式(例如,按照服务水平)将车辆分配给用户,但某些实体(例如,用于租赁服务业务的车辆)可能不希望公开关于其报价(offering)策略或车辆标识符(“ID”)或位置的任何专有信息。此外,有必要以优化和公平的方式限制每个公司的运营车辆的数量。如果资源不受限,那么可能造成交通拥挤、污染、设计和管理成本无法控制地成长。
因此,本发明提供了一种系统,该系统用于以注重隐私和公平的方式智能地确保高服务率的乘车共享请求,同时限制所需车辆的数量。在一方面,所示实施例的机制提供了对运输系统中的乘车共享的智能按需管理。可以根据一个或多个运输服务请求分布模型以及针对每个用户的各种参数和偏好,经由多个运输服务提供者之间的运输系统代理(例如,乘车共享代理)来分配运输服务请求。运输服务请求分布模型可以保护与每个运输服务提供者相关的信息,并建议用于分发多个运输服务请求的所选择的顺序。
在另一方面,本发明通过在所选择的时间段内(例如,在定义的时间窗口期间)和以分布式/所选择的顺序成批处理乘车共享请求(例如,运输服务请求),并且最优地将一个或多个乘车共享请求分配给一个或多个可用车辆来提供车辆客户分配问题(例如,线性分配问题“LAP”)的解决方案。可以应用分布式竞拍操作(或分布式竞拍算法)来确保不需要本发明的乘车共享代理来获得对实体专有信息的完整/完全访问。分布式竞拍操作可以要求每个运输服务提供者仅传达其车辆的出价(bid),其公开尚未分配的客户的两个最佳价格。分布式竞拍操作不需要公司向代理完全公开专有信息。因此,不是获得关于乘车共享服务提供者车队及其定价策略的所有信息,而是乘车共享代理将请求发送到乘车共享服务并获得最高k个报价。即,乘车共享代理仅需要k个最佳/最优成本(其中k等于或大于2,诸如,例如,k≥2),或者仅需要分布式竞拍操作的每次迭代中的k个最佳/最优成本差。在一方面,本发明为每个实体的运营车辆的实时可用数量(例如,每个公司的可用运输服务提供者的所选择的数量)提供了一定程度的公平性,这可以用于避免实体之间为争夺市场份额的激进或不期望的竞争。
在一方面,可以如下应用分布式竞拍操作(或分布式竞拍算法)。在用于分配的竞拍算法的分布式实现中,运输服务提供者向乘车共享代理发送每个专有车辆对客户的每个出价。分布式竞拍操作迭代地运行,并且未分配的车辆必须提高其出价,其给运输服务提供者带来较低的利润。在有限数量的步骤之后,车辆达到任何车辆都没有动机提高其出价的状况。最后,代理向运输服务提供者传达针对请求的车辆分配。
在另一方面,本发明提供了一种使用与多个乘车共享服务提供者通信的运输代理,以分布式、最优、注重隐私的方式同时还提供一定程度的公平性地对乘车共享进行按需管理。所示实施例的机制可以包括连接到多个乘车共享服务(例如,运输服务提供者)的运输代理。运输代理可以接收对运输服务的实时用户运输请求(例如,乘车共享)。运输代理处理用户的运输请求,以便以注重隐私和公平的方式优化共享运输提供者的车辆向用户/客户的分配。应当注意的是,“最优地”提供共享运输提供者的车辆的分配可以包括最小化用户/客户的总体成本和时间、最大化每个用户/客户的一个或多个用户定义的偏好,以及最小化运营车辆的总体成本(例如,运营车辆的总数、驾驶时间、总油耗、污染等)。而且,以“注重隐私的方式”提供共享运输提供者的车辆的分配可以包括保护与每个运输服务提供者(例如,每个乘车共享公司)相关的所选择的数据,诸如,例如,每个车辆身份和位置。公平程度可以包括和/或涉及运输代理的关于乘车共享公司的市场份额模型(例如,基于公司向代理机构支付的许可数量)。
在一方面,本发明可以从历史客户请求数据中学习对乘车共享的用户需求。可以在定义的时间段内(例如,在给定时间范围内,诸如,例如,在接下来的几个小时)预测对乘车共享的用户需求。本发明的实施例可以估计在所选择的时间段(例如,长度ΔT的时间范围或需求预测的时间范围的长度)内满足预测的用户需求所需的车辆的数量。基于运输服务请求分布模型(例如,市场份额模型),本发明可以为每个运输服务提供者建议在ΔT的时间范围内的运营车辆的最小的和公平的数量。
本发明可以接收具有用户偏好的一个或多个用户乘车共享请求,并且在定义的、所选择的和/或合适的长度δT(例如,批量处理乘车共享请求的所选择的时间/时间范围的长度)的时间窗口内成批处理用户乘车共享服务请求。乘车共享代理(例如,通过使客户ID匿名化)使那些请求匿名化,并将匿名化的请求提交给运输服务提供者。对于提交给运输服务提供者的每个用户请求,从运输服务提供者接收到的响应可以包括与每个用户请求的接载和落客地点相关联的一个或多个以用户为中心的成本向量(例如,接载的时间、到达目的地的时间、费率和/或与用户偏好的偏差)。换句话说,对于每个用户乘车共享请求批次,来自运输服务提供者的请求可以包括一个或多个以用户为中心的参数,其表达用户地点和偏好(例如,接载和运送时间窗口、最大乘车时间或到达时间)。每个运输服务提供者都会计算将其专有车辆分配给用户请求的成本。使用从运输服务提供者接收到的成本向量(例如,针对客户/用户/请求的车辆分配成本的列表),可以以最优且公平的方式解决分配问题。例如,可以通过使用分布式竞拍算法来最优地解决乘车共享请求。为了乘车共享请求分配的公平性,可以离线执行/运行分布式竞拍算法以确定满足所有请求的车辆的最小数量。然后,在一种实现方式中,公平性操作将每个公司的车辆数量限制为最小。价格调整方案给出了另一种实现方式。
因此,如本文所述,本发明提供了在多运输服务提供者环境(例如,多个实体/公司)中的乘车共享的智能按需管理。在一方面,可以收集所选择的时间段(例如,10秒)的一批或多批用户乘车共享请求。每个运输服务提供者可以通过解决“拨召乘车(dial-a-ride)”(“DARP”)问题来确定/计算在每个车辆路线中插入请求的成本,这些确定的成本与智能运输服务代理系统共享(参见图4-6)。智能运输服务代理系统为线性分配问题(“LAP”)提供了最优解决方案,并发送一个或多个车辆的乘车共享分配来服务每个乘车共享请求。智能运输服务代理系统可以将重新平衡策略用于一个或多个未服务的乘车共享请求。对每一批请求重复该处理。在一方面,智能运输服务代理系统可以向车辆提供每个乘车共享请求的一对一分配,以在动态环境中提供非常高的服务费率。因此,通过智能运输服务代理系统解决LAP,其在每个采样周期内被解决两次:首先,寻找请求到可用车辆的最佳分配,然后通过放松在每个乘车共享请求中指定的一个或多个偏好(例如,时间偏好)来重新平衡车辆以满足未服务的请求。
应当注意的是,如本文所使用的,根据本领域技术人员,术语“乘车共享”可以被广义地定义,包括各种类型的运输服务提供者(例如,“乘车共享服务”),其向用户(例如,客户/乘客)提供在以自动方式和/或由运输服务提供者的其所有者或驾驶员操作的私有车辆中出行。例如,“乘车共享”可以包括但不限于出租车服务、拼车服务、乘车共享服务,诸如例如出租车服务、等。运输服务代理(例如,乘车共享代理)也可以被称为“代理”,并且可以连接到一个或多个运输服务(例如,“乘车共享服务”)。运输服务代理可以代表一个或多个用户(例如,表示和/或用作代理/中介)行动,以预订具有相关连接的乘车共享服务的合适的乘车。公平程度(“公平性”)可以涉及向乘车共享代理支付的乘车共享服务支付费用/份额,诸如例如,当代理由公共机构拥有/管理时,并且汽车共享公司根据使得可用的车辆的数量向公共机构支付许可费。另一方面,取决于预测的需求,公平程度可以约束或“限制”每个运输服务提供者的车辆的数量。在替代方面,可以通过使用定价操作在移动即服务(“MaaS”)中使用和/或应用公平程度,定价操作诸如例如调整价格(“价格调整”),以向不必要的车辆分配/提供惩罚,从而在一个或多个运输服务提供商之间的竞争环境中实现公平性。
在这种情况下,可能需要以公平和适当的方式将实体/公司车辆分配给一个或多个用户。“运输服务请求分布模型”(例如,市场份额模型)可以是确定要分配给每个参与的运输服务提供者的总运营车队的百分比的一个或多个模型,并且可以与由公共实体机构(例如,政府机关)颁发给每个运输服务提供者的许可的数量成比例。此外,保护与多个运输服务提供者中的每个运输服务提供者相关的信息(例如,维护隐私)可以涉及并包括保护运输服务提供者(例如,“乘车共享服务”)的所选择的数据(例如,专有数据)(例如,保护车辆身份和地理位置)。
应该注意的是,如本文所描述的,术语“智能”(或“认知”)可以与可以使用机器学习来执行的诸如例如思考、推理或记忆之类的有意识的智力活动相关、可以是这种有意识的智力活动、或涉及这种有意识的智力活动。在另一方面,认知性或“认知”可以是认识的心理过程,包括诸如意识、感知、推理和判断之类的方面。机器学习系统可以使用人工推理来解释来自一个或多个数据源(例如,基于传感器的设备或其它计算系统)的数据,并学习可以通过机器学习来确定和/或推导的主题、概念和/或处理。
在另一方面,智能或“认知”可以指通过思想、经验和使用机器学习(其可以包括使用基于传感器的设备或包括音频或视频设备的其它计算系统)的一种或多种感测来获取知识和理解的心理活动或过程。智能或“认知”还可以指识别行为的模式,从而导致“学习”一个或多个事件、操作或处理。因此,随着时间的推移,智能模型可以开发语义标签以应用于观察到的行为,并使用知识域或本体来存储学得的观察到的行为。在一个实施例中,系统提供了可以从一个或多个事件、操作或过程中学到的内容中的复杂性的渐进级别。
在另一方面,术语智能可以指智能系统(例如,认知系统)。智能系统可以是专用计算机系统或一组计算机系统,其配置有硬件和/或软件逻辑(与在其上执行软件的硬件逻辑结合)以模拟人类的智能/认知功能。这些智能系统应用类人特性来传达和操纵想法,这些想法在与数字计算的固有优势结合时,可以以高度的准确性(例如,在定义的百分比范围内或高于准确性阈值)和大规模的弹性解决问题。智能系统可以执行一个或多个计算机实现的人工智能(“AI”)操作,该操作近似于人类的思考过程,并且使用户或计算系统能够以更自然的方式进行交互。智能系统可以包括人工智能逻辑(诸如例如基于自然语言处理(NLP)的逻辑)以及机器学习逻辑,其可以作为专用硬件、在硬件上执行的软件或专用硬件和在硬件上执行的软件的任意组合来提供。智能系统的逻辑可以实现(一个或多个)智能操作,其示例包括但不限于问题回答、语料库中内容的不同部分内的相关概念的标识,以及智能搜索算法,诸如互联网web页面搜索。
一般而言,这样的智能系统能够执行以下功能:1)导航人类语言和理解的复杂性;2)摄取和处理大量的结构化和非结构化数据;3)生成和评估假设;4)权衡和评估仅基于相关证据的响应;5)提供特定于情况的建议、见解、估计、确定、评估、计算和指导;6)通过机器学习处理来提高知识并在每次迭代和交互中学习;7)使得能够在影响点做出决策(上下文指导);8)与任务、处理或操作成比例的缩放;9)扩展和扩大人类的专业知识和认知;10)从自然语言中识别共鸣的类人的属性和特质;11)从自然语言中推断各种特定于语言或不可知的属性;12)记忆和回忆相关的数据点(图像、文本、语音)(例如,从数据点(图像、文本、语音)进行高度相关的重新收集(记忆和回忆));和/或13)通过基于经验模仿人类认知的情境感知操作来进行预测和感测。
下面将进一步描述本发明的附加方面和附带的益处。
首先应当理解,尽管本公开包括关于云计算的详细描述,但其中记载的技术方案的实现却不限于云计算环境,而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。
云计算是一种服务交付模式,用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源,例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括:
按需自助式服务:云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入:计算能力可以通过标准机制在网络上获取,这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池:提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者,其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下,消费者不能控制或甚至并不知晓所提供的资源的确切位置,但可以在较高抽象程度上指定位置(例如国家、州或数据中心),因此具有位置无关性。
迅速弹性:能够迅速、有弹性地(有时是自动地)部署计算能力,以实现快速扩展,并且能迅速释放来快速缩小。在消费者看来,用于部署的可用计算能力往往显得是无限的,并能在任意时候都能获取任意数量的计算能力。
可测量的服务:云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力,自动地控制和优化资源效用。可以监测、控制和报告资源使用情况,为服务提供者和消费者双方提供透明度。
服务模型如下:
软件即服务(SaaS):向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外,消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS):向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用,这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构,但对其部署的应用具有控制权,对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS):向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构,但是对操作系统、存储和其部署的应用具有控制权,对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下:
私有云:云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云:云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全参数、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云:云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云:云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成,这些云依然是独特的实体,但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的,特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图1,其中显示了云计算节点的一个例子。图1显示的云计算节点10仅仅是适合的云计算节点的一个示例,不应对本发明实施例的功能和使用范围带来任何限制。总之,云计算节点10能够被用来实现和/或执行以上所述的任何功能。
云计算节点10具有计算机系统/服务器12,其可与众多其它通用或专用计算系统环境或配置一起操作。众所周知,适于与计算机系统/服务器12一起操作的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任意系统的分布式云计算技术环境,等等。
计算机系统/服务器12可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、组件、逻辑、数据结构等。计算机系统/服务器12可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
如图1所示,云计算节点10中的计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是能够被计算机系统/服务器12访问的任意可获得的介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图1未显示,通常称为“硬盘驱动器”)。尽管图1中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,其它硬件和/或软件模块可以与计算机系统/服务器12一起操作,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本发明的上下文中,并且如本领域技术人员将认识到的,图1中描绘的各种组件可以位于移动的车辆中。例如,与示出的实施例的机制相关联的一些处理和数据存储能力可以经由本地处理组件在本地发生,而相同的组件经由网络连接到位于远程的分布式计算数据处理和存储组件以完成本发明的各种目的。再次说明,如本领域普通技术人员将认识到的,本说明旨在仅传达可能是集体完成各种发明方面的分布式计算组件的整个连接网络的子集。
现在参考图2,其中显示了示例性的云计算环境50。如图所示,云计算环境50包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点10,本地计算设备例如可以是个人数字助理(PDA)或移动电话54A,台式电脑54B、笔记本电脑54C和/或汽车计算机系统54N。云计算节点10之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点10进行物理或虚拟分组(图中未显示)。这样,云的消费者无需在本地计算设备上维护资源就能请求云计算环境50提供的基础架构即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。应当理解,图2显示的各类计算设备54A-N仅仅是示意性的,云计算节点10以及云计算环境50可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。
现在参考图3,其中显示了云计算环境50(图2)提供的一组功能抽象层。首先应当理解,图3所示的组件、层以及功能都仅仅是示意性的,本发明的实施例不限于此。如图3所示,提供下列层和对应功能:
设备层55包括物理和/或虚拟设备,其嵌入和/或具有独立的电子器件、传感器、致动器和其它对象以在云计算环境50中执行各种任务。设备层55中的每个设备将联网能力结合到其它功能抽象层,使得从设备获得的信息可以被提供给其它功能抽象层,和/或来自其它抽象层的信息可以被提供给设备。在一个实施例中,包括设备层55在内的各种设备可以结合被统称为“物联网”(IoT)的实体的网络。如本领域普通技术人员将认识到的,这样的实体的网络允许数据的相互通信、收集和分发以实现各种各样的目的。
所示的设备层55包括传感器52、致动器53、具有集成的处理、传感器和联网电子器件的“学习”恒温器56、相机57、可控制的家用插座/插孔58和可控制的电开关59,如图所示。其它可能的设备可以包括但不限于各种附加的传感器设备、联网设备、电子设备(诸如远程控制设备)、附加的致动器设备、所谓的“智能”电器(诸如冰箱或洗衣机/干衣机)以及各种各样的其它可能的互连对象。
硬件和软件层60包括硬件和软件组件。硬件组件的例子包括:主机61;基于RISC(精简指令集计算机)体系结构的服务器62;服务器63;刀片服务器64;存储设备65;网络和网络组件66。软件组件的例子包括:网络应用服务器软件67以及数据库软件68。
虚拟层70提供一个抽象层,该层可以提供下列虚拟实体的例子:虚拟服务器71、虚拟存储72、虚拟网络73(包括虚拟私有网络)、虚拟应用和操作系统74,以及虚拟客户端75。
在一个示例中,管理层80可以提供下述功能:资源供应功能81:提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取;计量和定价功能82:在云计算环境内对资源的使用进行成本跟踪,并为此提供帐单和发票。在一个例子中,该资源可以包括应用软件许可。安全功能:为云的消费者和任务提供身份认证,为数据和其它资源提供保护。用户门户功能83:为消费者和系统管理员提供对云计算环境的访问。服务水平管理功能84:提供云计算资源的分配和管理,以满足必需的服务水平。服务水平协议(SLA)计划和履行功能85:为根据SLA预测的对云计算资源未来需求提供预先安排和供应。
工作负载层90提供云计算环境可能实现的功能的示例。在该层中,可提供的工作负载或功能的示例包括:地图绘制与导航91;软件开发及生命周期管理92;虚拟教室的教学提供93;数据分析处理94;交易处理95;以及在本发明的所示实施例的上下文中,用于智能按需管理运输系统中的乘车共享的各种工作负载和功能96。另外,用于乘车共享的智能按需管理的工作负载和功能96可以包括诸如数据分析(包括来自各种车辆或环境传感器的数据收集和处理)、协作数据分析和预测数据分析功能之类的操作。本领域普通技术人员将认识到,用于运输系统中的乘车共享的智能按需管理的工作负载和功能96也可以与各种抽象层的其它部分(诸如硬件和软件60、虚拟70、管理80和其它工作负载90(例如诸如数据分析处理94)中的那些部分)结合工作以实现本发明所示实施例的各种目的。
如前所述,所示实施例的机制提供了通过处理器进行运输系统中的智能运输服务管理的新的方法。可以根据一个或多个运输服务请求分布模型以及针对每个用户的各种参数和偏好,在多个运输服务提供者之间分配运输服务请求。运输服务请求分布模型可以保护与每个运输服务提供者相关的信息,并建议用于分发多个运输服务请求的所选择的顺序。
在一方面,乘车共享服务可以涉及“旅途(trip)”或“旅程(journey)”。所谓的“旅途”或“旅程”可能是非常主观的并且取决于上下文。从最广泛可能的意义上讲,旅程可能只是从A点到B点的整个/全部出行体验。例如,旅程可以包含用户的整个出行体验(例如,从家到办公室的通勤)。在更限制性的上下文中,旅程可以包括从一个地点到另一个地点的出行的一个或多个动作或移动。旅程还可以包括与从一个地点移动到一个或多个替代地点的一个或多个行动相关的出行相关操作、一个或多个行动、事件或决策。旅程可以包括车辆内和车辆外的每个决策、体验、动作和/或移动。旅程可以包括一个或多个路线和目的地。旅程还可以包括一个或多个动作、移动、停止(临时性或永久性)、出行信息、预订、运输选项、出行的方式和/或与导航系统、娱乐系统和/或电信系统相关的一个或多个操作。
现在转到图4,示出了描绘根据所示实施例的各种机制的系统400的示例性功能组件的框图。图4图示了根据本技术的示例的在运输系统/计算环境中提供智能运输服务代理系统410的系统400。
如将看到的,在与先前在图1-3中已经描述的相同描述性意义上,许多功能块也可以被认为是功能的“模块”或“组件”。例如,图1的计算机系统/服务器12可以被包括在图4中并且可以通过分布式计算网络连接到其它计算节点(诸如车辆的计算机系统或非车辆系统,诸如交通相机、云计算网络、全球定位卫星(“GPS”)设备、车辆到车辆(“V2V”)系统、智能电话等,和/或一个或多个物联网(IoT)设备),其中可以实现附加的数据收集、处理、分析和其它功能。
在一个实施例中,计算机系统/服务器12包括智能运输服务代理系统410,该智能运输服务代理系统410可以经由网络或通信链路475与诸如例如运输服务提供者440的一个或多个运输服务提供者(例如,租用车辆提供者)通信,和/或经由一个或多个用户装备(“UE”)412(例如,诸如智能电话、计算机、平板电脑、智能手表等的IoT设备)与用户406通信。
在一方面,智能运输服务代理系统410可以是由一个或多个计算系统和服务器(为了说明方便未示出,但是可以被包括在图1-4的一个或多个组件、模块、服务、应用和/或功能中)提供的独立计算服务并且在运输服务提供者402和UE 412的外部。
在附加实施例中,智能运输服务代理系统410可以位于和本地安装在与运输服务提供者402和/或UE 412相关联的计算系统内。运输服务提供者402和UE 412可以经由一个或多个预授权操作与智能运输服务代理系统410相关联,和/或可以经由一系列认证操作而瞬时地加入到智能运输服务代理系统410,以加入智能运输服务代理系统410并授予到智能运输服务代理系统410的许可来获得对运输服务提供者402和UE 412的一个或多个IoT设备和/或计算系统的访问,从而在运输系统/租用车辆系统中请求租用车辆和/或保护用户406的隐私。
另外,智能运输服务代理系统410可以结合例如图1的处理单元16(“处理器”)和存储器28,以执行根据本发明的各个方面的各种计算、数据处理和其它功能。智能运输服务代理系统410还可以包括隐私保护组件420、租用车辆服务组件430(例如,乘车共享组件)、分配组件440和机器学习组件450,它们中的每一个都可以被控制并与处理单元16和存储器28通信。
租用车辆服务组件430(例如,乘车共享服务)可以使用户(诸如例如用户406)能够订购、订阅和/或请求和/或分派乘车共享服务/租用车辆(例如,出租车、点对点乘车共享服务等)。租用车辆服务组件430可以识别一个或多个可供出租的可用车辆,诸如,例如出租车、点对点乘车共享服务或为将乘客从一个地点运送到另一个地点收取费用的运输服务。租用车辆服务组件430可以向与请求方(例如,用户406)相关的租用车辆(例如,运输服务提供者402)提供和/或协助提供来自地图服务的地图。
在一方面,与分配组件440相关联的租用车辆服务组件430可以在所选择的时间段内从一个或多个用户(例如,用户406)接收一个或多个运输服务请求,并且每个运输服务请求可以包括一个或多个用户(例如,用户406)的一个或多个参数和偏好。与分配组件440相关联的租用车辆服务组件430可以根据一个或多个运输服务请求分布模型以及针对每个用户(诸如例如用户406)的一个或多个参数和偏好,在诸如例如运输服务提供者402的各种运输服务提供者之间分配运输服务请求。在一方面,隐私保护组件420可以使用运输服务请求分布模型来保护与每个运输服务提供者(例如,运输服务提供者402)相关的信息,并建议用于分发一个或多个运输服务请求的所选择的顺序。
机器学习组件450可以预报在所选择的时间段内多个用户的运输服务请求需求,并且估计服务所预报的数量的运输服务请求所需的运输服务提供者的数量。
机器学习组件450可以学习一个或多个用户的参数和偏好,基于历史运输服务请求数据学习一个或多个用户的运输服务请求需求,和/或学习与一个或多个运输服务请求相关的旅程所相关的一个或多个上下文因素,其中一个或多个上下文因素包括交通数据、天气数据、道路状况、道路类型或其组合。
租用车辆服务组件430可以建议用于分发多个运输服务请求的所选择的顺序以及用于服务一个或多个运输服务请求的运输服务提供者(例如,运输服务提供者402)的最小数量这两者。租用车辆服务组件430可以维持用于在所选择的时间段内服务一个或多个运输服务请求的多个运输服务提供者之间的公平程度。另外,在另一方面,租用车辆服务组件430可以通过确定一个或多个用户的一个或多个参数和偏好的优先级并最小化与运输相关的时间和成本来维持用于在所选择的时间段内服务一个或多个运输服务请求的多个运输服务提供者之间的公平程度。
机器学习组件450可以收集和/或学习一个或多个用户偏好、租用车辆参数、一个或多个事件、日常生活活动(ADL)和/或与用户相关联的其它事件。可以开发、学习和/或构建用于提供智能运输服务代理系统410的一个或多个功能的一个或多个机器学习模块,诸如例如一个或多个运输服务请求分布模型。例如,机器学习组件450可以将以下的多种组合应用到机器学习模型,以用于智能隐私保护运输操作:因素、参数、用户偏好、用户的ADL、出行偏好、出行数据(例如,乘车共享数据)、购物偏好、行为特征、车辆操作者简档、车辆操作或行为标准/值、学得的行为参数数据、温度数据、历史数据、交通数据、天气数据、道路状况、操作者的健康状态、操作者的生物特征数据、经度位置数据、纬度位置数据、经度/纬度位置数据和/或与车辆相关的其它上下文或其组合。
例如,机器学习组件450可以在用户406的所选择的地点内认知性地预测、估计和/或提供近似地点。在一方面,机器学习组件450可以从UE 406和/或运输服务提供者402收集反馈信息,以学习、识别和/或预测与用户相关的一个或多个隐私保护参数、用户偏好和/或事件(已记录的和/或未记录的),以使用智能交通服务代理系统410进行智能隐私保护服务。机器学习组件450还可以根据用户简档、行为模式、偏好、反馈等学习和/或建议每个用户的隐私保护因素。
在一方面,如本文所述,机器学习组件450的机器学习操作可以使用各种各样的方法或方法的组合来执行,诸如监督学习(例如,MCMC过滤器、卡尔曼过滤器、粒子过滤器等)、无监督学习、时间差学习、强化学习等。即,机器学习建模可以学习一个或多个物理模型的参数。机器学习建模可以用在状态空间模型的参数估计的类别中,其可以通过无监督的学习技术来完成,特别是学习上下文和/或指标。
可以与本技术一起使用的监督学习的一些非限制性示例包括卡尔曼过滤器、粒子过滤器、MCM过滤器、AODE(平均单相依(averaged one-dependence)估计器)、人工神经网络、反向传播、贝叶斯统计、朴素贝叶斯分类器、贝叶斯网络、贝叶斯知识库、基于案例的推理、决策树、归纳逻辑编程、高斯过程回归、基因表达编程、数据处理的分组方法(GMDH)、学习自动机、学习向量量化、最小消息长度(决策树、决策图等)、懒惰学习、基于实例的学习、最近邻算法、类比建模、大概近似正确(PAC)学习、下降(ripple down)规则、知识获取方法学、符号机器学习算法、子符号机器学习算法、支持向量机器、随机森林、分类器集合、引导聚合(装袋(bagging))、提升(boosting)(元算法)、序数分类、回归分析、信息模糊网络(IFN)、统计分类、线性分类器、费舍尔线性判别器、逻辑回归、感知器、支持向量机、二次分类器、k最近邻、隐马尔可夫模型和提升。可以与本技术一起使用的非监督学习的一些非限制性示例包括人工神经网络、数据聚类、期望最大化、自组织图、径向基函数网络、向量量化、生成地形图、信息瓶颈方法、IBSEAD(基于分布式自治实体系统的交互)、关联规则学习、先验算法、eclat算法、FP增长算法、层次聚类、单链接聚类、概念聚类、分区聚类、k-means算法、模糊聚类和强化学习。时间差学习的一些非限制性示例可以包括Q学习和学习自动机。关于在本段落中描述的监督、无监督、时间差或其它机器学习的任何示例的具体细节是已知的,并且在本公开的范围内。而且,当部署一个或多个机器学习模型时,可以在部署到公共环境中之前,首先在受控环境中对计算设备进行测试。而且,即使当部署在公共环境中(例如,在受控的测试环境外部)时,也可以为了遵从性监视计算设备。
另外,图4的计算系统12/计算环境可以根据数学运算或函数来执行一个或多个计算,该数学运算或函数可能涉及一个或多个数学运算(例如,使用加法、减法、除法、乘法、标准差、均值、平均值、百分比来通过解析方式或计算方式求解微分方程或偏微分方程,通过找到组合变量的最小值、最大值或类似阈值来使用统计分布进行统计建模等)。
现在转到图5,描绘了根据本发明的各个方面的用于在智能运输服务代理系统550(例如,图4的智能运输服务代理系统410)的整个上下文中使用的用于提供运输系统中的乘车共享的按需管理的示例性功能的框图。如图所示,各种功能块绘出有箭头,这些箭头指定块500的彼此之间的关系并示出了处理流程。在一方面,图1-4中描述的组件、模块、服务、应用和/或功能中的一个或多个可以在图5中使用。为了简洁起见,省略了本文描述的其它实施例中采用的类似元件、组件、模块、服务、应用和/或功能的重复描述。
此外,还看到与每个功能块500相关的描述性信息。如将看到的,在与先前在图4中已经描述的相同描述性意义上,许多功能块也可以被认为是功能的“模块”。考虑到前述内容,模块块500也可以结合到用于提供根据本发明的运输系统中的乘车共享的按需管理的系统的各种硬件和软件组件中。许多功能块500可以在分布式计算组件中或在用户设备上或在其它地方的各种组件上作为后台处理执行。
在一方面,智能运输服务代理系统550可以包括客户需求学习器510、客户请求和上下文数据512、学得的模型518、代理请求处理器514、分配组件516、客户需求预测器520、车辆车队估计器522和市场份额模型524。智能运输服务代理系统550可以与一个或多个运输服务提供者(诸如,例如乘车共享公司1、乘车共享公司2和乘车共享公司N)通信。
在一方面,客户需求学习器510可以学习一个或多个模型518(例如,“学得的模型”,诸如例如客户需求模型),以预测客户需求。客户需求学习器510可以使用客户请求和上下文数据512(例如,历史客户请求、与客户请求相关联的历史上下文数据(例如,天气、事件、一天中的时间、一周中的一天))。由客户需求学习器510学得的模型的输出可以包括一个或多个预测模型(例如,统计模型、神经网络),其可以使用时间序列操作、深度学习操作(例如,递归神经网络、长短期记忆“LSTM”网络、多层感知器网络)等来实现。
客户需求预测器520可以针对所选择的时间段(例如,给定的时间范围,诸如例如接下来的6小时)预测对乘车共享服务的客户需求530(例如,在长度δT的时间窗口/范围内的需求预测)。客户需求预测器520可以将预测时间范围、一个或多个学得的模型518(例如,从客户需求学习器510学得的一个或多个客户需求预测模型)、当前上下文数据(例如,一天中的时间、一周中的一天、天气、当天的事件)、当前和先前的客户需求数据用作输入数据。客户需求预测器520可以生成所选择的时间段(例如,输入时间范围)内的客户需求预报(或预测)作为输出,这可以使用时间序列操作、深度学习操作(例如,递归神经网络、长短期记忆“LSTM”网络、多层感知器网络)等来实现。
车辆车队估计器522可以基于从客户需求预测器520生成的客户需求预报和一个或多个市场份额模型(例如,运输服务请求分布模型)估计每个运输服务提供者(诸如,例如,乘车共享公司1、乘车共享公司2和乘车共享公司N)的运营车辆的最小数量,以建立车辆分配的公平程度。车辆车队估计器522可以将预测时间范围、来自客户需求预测器520的预测客户需求,以及从每个运输服务提供者(诸如,例如,乘车共享公司1、乘车共享公司2和乘车共享公司N)接收到的每个市场份额模型524用作输入数据。
市场份额模型524可以是确定要分配给每个参与的运输服务提供者(诸如,例如乘车共享公司1、乘车共享公司2和乘车共享公司N)的总运营车队(例如,车辆的车队)的百分比的函数,并且可以与法律或行政机构向每个运输服务提供者颁发的许可的数量成比例。
例如,如果涉及三个运输服务提供者,诸如,例如乘车共享公司1、乘车共享公司2和乘车共享公司N,并且它们分别拥有30、15和5个许可,那么它们市场份额可以分别为60%、30%和10%。市场份额模型524生成提供在输入时间范围内每个乘车共享公司的运营车辆的最少数量的输出。基于经由客户需求预测器的预测的客户需求,车辆车队估计器522可以估计所需的运营车辆的最小总数,这可以通过离线学习对于给定估计数量的请求满足100%服务率所需的车辆的数量来实现。基于车辆总数和市场份额模型524,车辆车队估计器522可以建议每个运输服务提供者(诸如,例如乘车共享公司1、乘车共享公司2和乘车共享公司N)的运营车辆的最小数量,这可以基于以下模型:每个运输服务提供者的车辆的建议数量与运输服务提供者的市场份额成比例。
在一方面,可以经由代理请求处理器514接收(作为输入)一个或多个乘车服务请求502,其中乘车服务请求502可以是在所选择的时间段(例如,长度δT的时间窗口)内的一批请求。即,一个或多个乘车服务请求502(例如,客户请求)可以通过在预定义的和所选择的时间段(例如,长度δT的时间窗口)内将实时客户请求分成批次并且准备其它系统组件(分配组件、历史数据库等)的相关请求数据来进行预处理。
一个或多个乘车服务请求502可以是在预定义的和所选择的时间段(例如,长度δT的时间窗口)内的实时客户请求流/日志。可以经由代理请求处理器514来处理一个或多个乘车服务请求502,以生成/输出一批预处理的匿名请求,包括匿名化的标识符(“ID”)、接载和落客地点和时间以及一个或多个客户偏好(例如,车辆类型、是否与其它乘客共享乘车的偏好,等等)。
一个或多个乘车服务请求502可以经由代理请求处理器514与客户请求和上下文数据512相关联并存储。在一方面,代理请求处理器514可以从一个或多个乘车服务请求502(例如,乘车共享请求)中提取任何相关的非隐私信息,并将一个或多个乘车服务请求502提交给分配组件516(例如,分配解决器/优化器),并且可以将用于分配组件516的输入的一个或多个类似请求(例如,来自从相似起点到相似目的地出行并指示愿意与其它用户共享乘车的乘客的请求)进行分组。代理请求处理器514可以联接一个或多个乘车服务请求502和上下文数据并保存为客户请求和上下文数据512。
分配组件516可以从一个或多个运输服务提供者(诸如,例如乘车共享公司1、乘车共享公司2和乘车共享公司N)接收一个或多个成本矩阵526。即,从运输服务提供者接收到的一个或多个成本向量可以用于根据公平程度在运输服务提供者之间分配一个或多个运输服务请求,同时维持运输服务提供者的受保护数据。
分配组件516可以将一个或多个匿名化乘车共享请求分派给一个或多个运输服务提供者,并且然后可以接收与每个乘车服务请求502的一个或多个最高/最佳k个乘车共享选项相关联的成本矩阵(其可以被匿名化)。分配组件516可以通过解决线性分配问题来计算/确定最优分配。因此,分配组件516可以输出504一个或多个分配,用于由一个或多个运输服务提供者服务乘车共享请求。
分配组件516可以将匿名化的乘车服务请求502提交给一个或多个运输服务提供者,诸如例如乘车共享公司1、乘车共享公司2和乘车共享公司N。即,分配组件516可以将来自各种运输服务提供者(诸如,例如,乘车共享公司1、乘车共享公司2和乘车共享公司N)的一个或多个车辆以最优、注重隐私和公平的方式分配给一个或多个乘车服务请求502。
分配组件516可以使用一批预处理的和匿名化的客户请求(例如,乘车服务请求502)作为输入来估计每个运输服务提供者的车辆的最小数量。分配组件516可以通过将(来自所述一批的)匿名化请求数据提交给运输服务提供者(诸如,例如,乘车共享公司1、乘车共享公司2和乘车共享公司N)来生成针对乘车服务请求502的最优车辆分配作为输出。
每个运输服务提供者可以将请求与运输服务提供者的车辆车队的地点进行匹配,并针对k个最佳/最优乘车共享服务请求匹配中的每一个返回(以用户为中心的)成本向量。结果可以是成本矩阵/张量575,其中每个请求或类似请求(行)的组合可以与最佳k个分配相关联的成本向量相关联,如图5所示,描绘了从图4-5的乘车共享服务接收到的成本矩阵/张量。成本向量可以包括例如指示的接载时间、到达目的地的路线时间、费率(例如,与客户请求相关联的货币值和/或费率可以被视为到达客户的路线时间)、与用户偏好的偏差等。分配组件516可以使用分布式竞拍算法执行线性分配,该分布式竞拍算法以注重隐私的方式将线性分配问题解决到最优。
应当注意的是,分配组件516不需要完整/完全访问成本矩阵Cij。分配组件516和/或代理请求处理器514可以经由分布式竞拍操作来协调各种运输服务提供者(诸如,例如,乘车共享公司1、乘车共享公司2和乘车共享公司N)之间的合作,其中可以使用竞拍出价来帮助提供公平程度。在分布式实现方式中,参与竞拍的实体(即,运输乘车共享提供者)可以仅向分配组件516和/或代理请求处理器514发送计算每个专有车辆i对客户请求j的出价B(i,j)所需的信息。赢得竞拍的迭代意味着使车辆分配给客户。参与竞拍的具有一个或多个未分配车辆的运输服务提供者可以在下一次迭代中提高其出价,从而导致运输服务提供者的利润下降。在有限或定义数量的步骤之后,车辆达到“几乎平衡”的状态,在这种情况下,任何运输服务提供者都没有动机提高其出价。该状况对应于针对请求的车辆的可行分配,该分配由代理传达给公司。换句话说,合作协议提供了一种分配解决方案,在这种分配解决方案中,任何公司都没有任何动机(通过出价更高)单方面寻找另一个用户/客户。几乎平衡的状况由等式1形式上表示,其中M是在时间t的一组用户乘车共享请求,Ci是每个车辆的容量,Cij是Rij的每次持续时间,其中Rij是车辆i的最优路线,并且B是出价:
这确保了每个车辆i为最佳当前出价价格估计的∈(足够小的常数)内的客户ji提供服务,C是一组车辆,并且表示每个车辆i。应当注意的是,在这种上下文中,“利润”被表达为带有相反符号的分配成本。在一方面,本发明不要求车辆向分配组件516和/或代理请求处理器514公开其最佳价格,而是仅公开出价。具体而言,为了在每次迭代中计算出价,分配组件516和/或代理请求处理器514需要接收未分配车辆的两个最佳回报之间的差,而不是整个分配成本矩阵(而集中式协议会需要)。
为了进一步说明,考虑通过以公平程度解决协作协议中的乘车共享请求分配来提供运输系统中的智能运输服务管理的以下示例。首先,将每个运输提供的所有可用车辆都视为未分配,并将初始车辆出价设置为零。在每次迭代中,在本地,具有未分配的车辆的每个运输服务提供者计算通过服务(即被分配给)用户/客户而获得的两个最佳可能的净回报之间的差。为了参加竞拍,具有未分配的车辆i的每个运输服务提供者可以将其出价提高所选择的量并将扰动∈提高所选择的量(即,通过服务客户而获得的两个最佳可能的净回报之间的差和扰动∈)。包括扰动以达到几乎平衡的状态。在先前迭代中分配给用户/客户的车辆不需要更新其出价。出价价格可以由每个运输服务提供者收集并发送到分配组件516和/或代理请求处理器514,其可以将每个用户/客户分配给最高车辆出价者/运输服务提供者。竞拍可以继续直到每个运输服务提供者的所有车辆被分配或者达到最大迭代次数。竞拍操作返回的分配需要进行可行性解释,其中具有无限成本的分配给请求的车辆不会将相关联的用户/客户添加到其路线中。
在一方面,分配组件516可以具有一个或多个属性:(1)注重隐私属性,以及(2)公平程度属性。对于注重隐私属性,当将一个或多个运输服务请求转发给一个或多个运输服务提供者时,分配组件516可以转发不公开用户/客户身份、用户和/或运输服务提供者的确切位置或全部偏好(例如,客户偏好的完整列表)的一个或多个匿名运输服务请求。以这种方式,分配组件516仅转发计算分配成本所需的所选择的数据。当从运输服务提供者向运输服务请求代理发送成本矩阵/张量时,在不公开用户和/或运输服务提供者的地点或全部成本信息的意义上,提交的矩阵是匿名的。而是,分配组件516仅将k个最佳/最优成本分配给由代理请求处理器514先前发送的匿名请求。
对于公平程度属性,分配模块可以通过每个运输服务提供者的车辆的最小数量的约束来强制公平程度。分配组件516可以使用一个或多个决策变量来解决以下线性分配问题,该决策变量可以是指示将请求分配给运输服务提供者车辆的二进制变量(例如,与成本矩阵中的k个成本之一匹配)。一个或多个约束可以用在公平程度上,其中,如果车辆对于客户偏好可行,那么可以将每个请求分配给该车辆,并且每个请求仅一个分配。在一方面,可以向每个运输服务提供者分配多个乘车共享请求,这取决于(例如,≤)为该选择的运输服务提供者计算的车辆的最小数量,以便最小化总体分配成本和针对所有分配的车辆的数量。
现在转到图6,描绘了根据本发明的各方面的用于在提供图4和图5的智能运输服务代理系统的整个上下文中使用的与提供乘车共享的按需管理相关的示例性功能600的框图。如图所示,各个功能块绘出有箭头,这些箭头指定块600的彼此之间的关系并示出了处理流程。此外,还看到与每个功能块600相关的描述性信息。如将看到的,在与先前在图4-5中已经描述的相同描述性意义上,许多功能块也可以被认为是功能的“模块”。考虑到前述内容,模块块600也可以结合到根据本发明的用于智能运输服务代理系统的系统的各种硬件和软件组件中。许多功能块600可以在分布式计算组件中或在用户设备上或在其它地方的各种组件上作为后台处理执行,并且执行使用用户的相机拍摄照片的一般性任务的用户通常不察觉(例如,图示501)。
从方框610开始,代理请求处理器514可以接收一个或多个乘车服务请求(“请求”)并将其分组成批次。可以将批次提交给分配组件516(例如,分配解决器/优化器),并且可以将其存储在数据库中。
在方框620中,分配组件516可以向一个或多个运输服务提供者分派一个或多个匿名化的乘车共享请求,然后可以接收与每个乘车共享请求502的一个或多个最高/最佳k个乘车共享选项相关联的成本矩阵(其可以被匿名化)。分配组件516可以通过解决线性分配问题来计算/确定最优分配。
如在方框630中,客户需求学习器510可以基于历史上下文和运输服务请求数据来学习客户需求。如在方框640中,客户乘车共享需求可以由客户需求预测器520基于历史数据(例如,历史乘车共享请求)和上下文数据(例如,天气、事件、一天中的时间、一周/一个月中的一天等)来预测。
如在方框650中,车辆车队估计器可以估计服务批次中的一个或多个运输服务请求所需的车辆的数量,并且还可以基于市场份额模型估计每个运输服务提供者的运营车辆的数量。
在方框660中,可以对可以从一个或多个运输服务提供者接收的一个或多个成本矩阵进行匿名化(例如,保护车辆细节、车辆的地点和/或位置)。
现在转到图7,描绘了用于通过处理器提供运输系统中的智能运输服务管理(例如,租用车辆服务、乘车共享服务)的方法700,其中可以实现所示实施例的各个方面。功能700可以被实现为在机器上作为指令执行的方法,其中指令被包括在至少一个计算机可读介质上或在非暂态机器可读存储介质上。功能700可以在方框702中开始。
如在方框704中,可以在所选择的时间段内从一个或多个用户接收包括一个或多个参数和偏好的一个或多个运输服务请求(例如,针对租用车辆或乘车共享服务)。如在方框706中,可以确定服务一个或多个运输服务请求所需的运输服务提供者的数量。如在方框708中,可以根据一个或多个运输服务请求分布模型以及针对一个或多个用户的一个或多个参数和偏好来在多个运输服务提供者之间分配一个或多个运输服务请求。运输服务请求分布模型可以保护与每个运输服务提供者相关的信息,并建议用于分发多个运输服务请求的所选择的顺序。如在方框710中,功能700可以结束。
现在转到图8,描绘了用于通过处理器提供运输系统中的智能运输服务管理(例如,租用车辆服务、乘车共享服务)的方法800,其中可以实现所示实施例的各个方面。功能800可以被实现为在机器上作为指令执行的方法,其中指令被包括在至少一个计算机可读介质上或在非暂态机器可读存储介质上。功能800可以在方框802中开始。
如在方框804中,可以从历史客户请求数据中学习和/或预测用户/客户对乘车共享的需求。如在方框806中,可以学习和/或预测在所选择的时间范围内用户/客户对乘车共享的需求。如在方框808中,可以估计在所选择的时间范围内满足所预测的数量的运输服务提供者需求所需的车辆的数量。
如在方框810中,可以分配每个运输服务提供者的最小数量的运营车辆,同时维持用于在时间范围内进行服务的每个运输服务提供者之间的公平程度,同时确定一个或多个用户的一个或多个参数和偏好的优先级并最小化用户/客户的与运输相关的时间和成本。如在方框812中,功能800可以结束。
在一方面,结合图7-8的至少一个方框和/或作为图7-8的至少一个方框的一部分,操作700和/或800可以包括以下中的每一个。700和/或800的操作可以在所选择的时间段内从一个或多个用户接收一个或多个运输服务请求,其中每个运输服务请求包括一个或多个用户的一个或多个参数和偏好。
700和/或800的操作可以预测/预报在所选择的时间段内多个用户的运输服务请求需求,和/或估计服务所预报的数量的运输服务请求所需的运输服务提供者的数量。
700和/或800的操作可以学习一个或多个用户的参数和偏好,基于历史运输服务请求数据学习一个或多个用户的运输服务请求需求,和/或学习与一个或多个运输服务请求相关的旅程所相关的一个或多个上下文因素,其中一个或多个上下文因素包括交通数据、天气数据、道路状况、道路类型或其组合。
700和/或800的操作可以建议用于分发多个运输服务请求的所选择的顺序以及用于服务一个或多个运输服务请求的运输服务提供者的最小数量这两者,维持用于在所选择的时间段内服务一个或多个运输服务请求的多个运输服务提供者之间的公平程度,和/或通过确定一个或多个用户的一个或多个参数和偏好的优先级并最小化与运输相关的时间和成本来维持用于在所选择的时间段内服务一个或多个运输服务请求的多个运输服务提供者之间的公平程度。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及过程式编程语言—诸如“C”语言或类似的传统编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的各种实施例的系统、方法和计算机程序产品的可能的实现方式的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表模块、段或指令的一部分,其包含用于实现(一个或多个)规定的逻辑功能的一个或多个可执行指令。在一些替代实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,示出为连续的两个方框实际上可以基本并行地执行,或者方框有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种用于通过处理器提供运输系统中的智能运输服务管理的方法,包括:
经由运输代理,根据一个或多个运输服务请求分布模型和针对多个用户中的每个用户的一个或多个参数和偏好,在多个运输服务提供者之间分配多个运输服务请求,其中所述一个或多个运输服务请求分布模型保护与所述多个运输服务提供者中的每个运输服务提供者相关的信息,并建议用于分发所述多个运输服务请求的所选择的顺序。
2.如权利要求1所述的方法,还包括在所选择的时间段内从一个或多个用户接收所述一个或多个运输服务请求,其中每个运输服务请求包括所述一个或多个用户的一个或多个参数和偏好。
3.如权利要求1所述的方法,还包括:
预报所选择的时间段内所述多个用户的运输服务请求需求;以及
估计服务所预报的数量的运输服务请求所需的运输服务提供者车辆的数量。
4.如权利要求1所述的方法,还包括:
学习所述一个或多个用户的参数和偏好;
基于历史运输服务请求数据,学习所述一个或多个用户的运输服务请求需求;以及
学习与所述一个或多个运输服务请求相关的旅程所相关的一个或多个上下文因素,其中所述一个或多个上下文因素包括交通数据、天气数据、道路状况、道路类型或其组合。
5.如权利要求1所述的方法,还包括建议用于分发所述多个运输服务请求的所选择的顺序以及用于服务所述一个或多个运输服务请求的运输服务提供者的最小数量这两者。
6.如权利要求1所述的方法,还包括维持用于在所选择的时间段内服务一个或多个运输服务请求的所述多个运输服务提供者之间的公平程度。
7.如权利要求1所述的方法,还包括通过确定所述一个或多个用户的所述一个或多个参数和偏好的优先级并最小化与运输相关的时间和成本,来维持用于在所选择的时间段内服务一个或多个运输服务请求的所述多个运输服务提供者之间的公平程度。
8.一种用于提供运输系统中的智能运输服务管理的系统,包括:
一个或多个具有可执行指令的计算机,所述可执行指令在被执行时使所述系统执行根据权利要求1-7中的任一项所述的方法的步骤。
9.一种用于通过处理器提供运输系统中的智能运输服务管理的计算机程序产品,所述计算机程序产品包括其中存储有计算机可读程序代码部分的非暂态计算机可读存储介质,所述计算机可读程序代码部分在被执行时使所述处理器执行根据权利要求1-7中的任一项所述的方法的步骤。
10.一种系统,包括单独被配置为执行根据权利要求1-7中的任一项所述的方法的每个步骤的模块。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/429,273 | 2019-06-03 | ||
US16/429,273 US11574377B2 (en) | 2019-06-03 | 2019-06-03 | Intelligent on-demand management of ride sharing in a transportation system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036676A true CN112036676A (zh) | 2020-12-04 |
Family
ID=73550955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010385104.4A Pending CN112036676A (zh) | 2019-06-03 | 2020-05-09 | 运输系统中乘车共享的智能按需管理 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11574377B2 (zh) |
CN (1) | CN112036676A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282800A (zh) * | 2021-12-22 | 2022-04-05 | 成都智元汇信息技术股份有限公司 | 一种基于MaaS的无缝组合出行方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220261827A1 (en) * | 2019-06-14 | 2022-08-18 | Beijing Didi Infinity Technology And Development Co., Ltd. | Integrating Contextual Bandit With Temporal Difference Learning For Pricing And Dispatch Of Transportation-Hailing Platform |
US11645685B2 (en) | 2019-06-26 | 2023-05-09 | Lyft, Inc. | Dynamically adjusting transportation provider pool size |
US11636334B2 (en) | 2019-08-20 | 2023-04-25 | Micron Technology, Inc. | Machine learning with feature obfuscation |
US11392796B2 (en) | 2019-08-20 | 2022-07-19 | Micron Technology, Inc. | Feature dictionary for bandwidth enhancement |
US11755884B2 (en) * | 2019-08-20 | 2023-09-12 | Micron Technology, Inc. | Distributed machine learning with privacy protection |
US11615501B2 (en) * | 2020-03-25 | 2023-03-28 | Joby Aero, Inc. | Systems and methods for generating flight plans used by a ride sharing network |
JP7453102B2 (ja) * | 2020-09-09 | 2024-03-19 | シャープ株式会社 | 移動時間予想装置および移動時間予想方法 |
WO2022162695A1 (en) * | 2021-01-27 | 2022-08-04 | Cubic Corporation | Mobility as a service (maas) platform |
CN112907188B (zh) * | 2021-03-12 | 2022-05-24 | 北京化工大学 | 一种基于自适应邻域搜索算法的共享单车搬运优化方法 |
US20220327650A1 (en) * | 2021-04-01 | 2022-10-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Transportation bubbling at a ride-hailing platform and machine learning |
CN113554387A (zh) * | 2021-06-28 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质 |
US20230186331A1 (en) * | 2021-12-13 | 2023-06-15 | International Business Machines Corporation | Generalized demand estimation for automated forecasting systems |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475466A (zh) * | 2016-01-27 | 2018-08-31 | 北京嘀嘀无限科技发展有限公司 | 用于匹配和显示服务请求和可用车辆的系统和方法 |
US20180293687A1 (en) * | 2017-04-10 | 2018-10-11 | International Business Machines Corporation | Ridesharing management for autonomous vehicles |
CN109074621A (zh) * | 2016-04-01 | 2018-12-21 | 优步技术公司 | 用于为用户配置服务车辆的运输便利系统 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8498953B2 (en) * | 2010-03-30 | 2013-07-30 | Sap Ag | Method for allocating trip sharing |
US20120078672A1 (en) * | 2010-09-29 | 2012-03-29 | IT Curves LLC | Efficient Automated Ride Sharing System |
US20150242944A1 (en) * | 2013-09-20 | 2015-08-27 | Eugene S. Willard | Time dependent inventory asset management system for industries having perishable assets |
SG10201901024TA (en) | 2014-08-04 | 2019-03-28 | Beijing Didi Infinity Technology & Development Co Ltd | Methods and systems for distributing orders |
WO2016113602A1 (en) | 2015-01-12 | 2016-07-21 | Yogesh Chunilal Rathod | Real-time presenting on-demand service providers and users or customers and facilitating them |
US10074065B2 (en) * | 2015-02-18 | 2018-09-11 | Cargo Chief Aquisition Inc. | Obtaining loads for next leg or backhaul |
US10776748B2 (en) * | 2015-02-18 | 2020-09-15 | Cargo Chief Acquisition Inc. | Communication analysis for obtaining loads |
US10067988B2 (en) * | 2015-07-21 | 2018-09-04 | Uber Technologies, Inc. | User-based content filtering and ranking to facilitate on-demand services |
US11562300B2 (en) * | 2016-06-10 | 2023-01-24 | Conduent Business Services, Llc | System and method for optimal automated booking of on-demand transportation in multi-modal journeys |
US10885472B2 (en) * | 2016-06-28 | 2021-01-05 | International Business Machines Corporation | Dynamic transportation pooling |
US20180101801A1 (en) | 2016-10-11 | 2018-04-12 | Statim Corp. | Architecture, system and method for coordinating service requests from service requestors to providers |
US20180350023A1 (en) * | 2017-06-01 | 2018-12-06 | GM Global Technology Operations LLC | System and method to condition vehicle availability on demand |
US20190156253A1 (en) * | 2017-11-22 | 2019-05-23 | United Parcel Service Of America, Inc. | Automatically generating volume forecasts for different hierarchical levels via machine learning models |
US10157396B1 (en) | 2017-12-19 | 2018-12-18 | Capital One Services, Llc | Allocation of service provider resources based on a capacity to provide the service |
US20190311629A1 (en) * | 2018-04-06 | 2019-10-10 | Lyft, Inc. | Generating and managing virtual queues at congested venues |
US20190340543A1 (en) * | 2018-05-01 | 2019-11-07 | Fleetonomy, Ltd. | System and method for optimizing vehicle fleet deployment |
US11341435B2 (en) * | 2018-06-29 | 2022-05-24 | Lyft, Inc. | Systems and methods for queueing in dynamic transportation networks |
US11634220B2 (en) * | 2018-08-06 | 2023-04-25 | At&T Intellectual Property I, L.P. | Autonomous aerial management as a service |
US20200104962A1 (en) * | 2018-09-28 | 2020-04-02 | Ford Global Technologies, Llc | Opportunistic preference collection and application |
US20200151624A1 (en) * | 2018-11-13 | 2020-05-14 | Lyft, Inc. | Systems and methods for remote provider pool check-in for dynamic transportation networks |
US10837786B2 (en) * | 2019-03-18 | 2020-11-17 | Uber Technologies, Inc. | Multi-modal transportation service planning and fulfillment |
US11137263B2 (en) * | 2019-03-27 | 2021-10-05 | Lyft, Inc. | Systems and methods for providing virtual navigation guidance |
US20200342420A1 (en) * | 2019-04-29 | 2020-10-29 | Lyft, Inc. | Intelligent management of one or more display devices of a vehicle service center |
-
2019
- 2019-06-03 US US16/429,273 patent/US11574377B2/en active Active
-
2020
- 2020-05-09 CN CN202010385104.4A patent/CN112036676A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475466A (zh) * | 2016-01-27 | 2018-08-31 | 北京嘀嘀无限科技发展有限公司 | 用于匹配和显示服务请求和可用车辆的系统和方法 |
CN109074621A (zh) * | 2016-04-01 | 2018-12-21 | 优步技术公司 | 用于为用户配置服务车辆的运输便利系统 |
US20180293687A1 (en) * | 2017-04-10 | 2018-10-11 | International Business Machines Corporation | Ridesharing management for autonomous vehicles |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282800A (zh) * | 2021-12-22 | 2022-04-05 | 成都智元汇信息技术股份有限公司 | 一种基于MaaS的无缝组合出行方法 |
CN114282800B (zh) * | 2021-12-22 | 2023-02-14 | 成都智元汇信息技术股份有限公司 | 一种基于MaaS的无缝组合出行方法 |
Also Published As
Publication number | Publication date |
---|---|
US11574377B2 (en) | 2023-02-07 |
US20200380629A1 (en) | 2020-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574377B2 (en) | Intelligent on-demand management of ride sharing in a transportation system | |
US11410103B2 (en) | Cognitive ride scheduling | |
US10839467B2 (en) | Travel mobility as a service (MaaS) | |
US11222271B2 (en) | Vehicular driving actions in the presence of non-recurrent events | |
US11423775B2 (en) | Predictive route congestion management | |
US9534914B1 (en) | Cognitive needs-based trip planning | |
US20180293687A1 (en) | Ridesharing management for autonomous vehicles | |
CN111656735B (zh) | 使用硬件在环即服务(hilaas)测试嵌入式系统和应用程序 | |
US10252461B2 (en) | Cognitive-based driving anomaly detection based on spatio-temporal landscape-specific driving models | |
TWI703516B (zh) | 用於預估到達時間的方法以及系統 | |
US11386338B2 (en) | Integrating multiple domain problem solving in a dialog system for a user | |
US20200097908A1 (en) | Vehicular implemented delivery | |
US11501157B2 (en) | Action shaping from demonstration for fast reinforcement learning | |
US20200059097A1 (en) | Providing Energy Elasticity Services Via Distributed Virtual Batteries | |
US11537872B2 (en) | Imitation learning by action shaping with antagonist reinforcement learning | |
US20210150826A1 (en) | Unmanned aerial vehicle maintenance and utility plan | |
Jäger et al. | Multi-agent simulation of a demand-responsive transit system operated by autonomous vehicles | |
Ivaschenko | Multi-agent solution for business processes management of 5PL transportation provider | |
CN111985755A (zh) | 使用机器学习技术使风险最小化 | |
US20200134764A1 (en) | Booking management system | |
US11092452B2 (en) | Cognitve analysis of vehicle routes for manual or autonomous vehicles | |
US20180109924A1 (en) | Cognitive Based Optimal Grouping of Users and Trip Planning Based on Learned User Skills | |
US20200245141A1 (en) | Privacy protection of entities in a transportation system | |
US20230214764A1 (en) | Supply chain demand uncensoring | |
Godhrawala et al. | Improving architectural reusability for resource allocation framework in futuristic cloud computing using decision tree based multi-objective automated approach |
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 |