CN112116151A - 一种接驾时间预估方法和系统 - Google Patents
一种接驾时间预估方法和系统 Download PDFInfo
- Publication number
- CN112116151A CN112116151A CN202010981429.9A CN202010981429A CN112116151A CN 112116151 A CN112116151 A CN 112116151A CN 202010981429 A CN202010981429 A CN 202010981429A CN 112116151 A CN112116151 A CN 112116151A
- Authority
- CN
- China
- Prior art keywords
- pickup
- time
- information
- request
- terminal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000000977 initiatory effect Effects 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 71
- 238000009826 distribution Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000005587 bubbling Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及交通运输领域,特别涉及一种接驾时间预估方法和系统。其包括接收接驾请求发起终端的接驾请求;获取所述订单中的位置信息和时间信息;基于接驾时间预估模型对所述位置信息和所述时间信息进行处理,得到预计接驾时间;将所述预计接驾时间发送至所述接驾请求发起终端。
Description
技术领域
本申请涉及交通运输领域,特别涉及一种接驾时间预估方法和系统。
背景技术
在线按需运输服务,例如网约车,变得越来越流行。通常,运输服务应用平台的用户,希望获得更准确的接到预计接驾时间。当预计接驾时间和实际接驾时间出入较大的情况下,会给用户带来较差的体验。
发明内容
本申请实施例之一提供一种接驾时间预估方法,其包括:接收接驾请求发起终端的接驾请求;获取所述订单中的位置信息和时间信息;基于接驾时间预估模型对所述位置信息和所述时间信息进行处理,得到预计接驾时间;将所述预计接驾时间发送至所述接驾请求发起终端。
本申请实施例之一提供一种接驾时间预估系统,其包括:接收模块,用于接收接驾请求发起终端的接驾请求;提取模块,用于获取所述订单中的位置信息和时间信息;处理模块,用于基于接驾时间预估模型对所述位置信息和所述时间信息进行处理,得到预计接驾时间;发送模块,用于将所述预计接驾时间发送至所述接驾请求发起终端。
本申请实施例之一提供一种接驾时间预估装置,其包括至少一个存储介质以及至少一个处理器;所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令,以实现上述接驾时间预估方法。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行接驾时间预估方法。
本申请实施例之一提供一种接驾时间预估模型的训练方法,其包括获取训练样本,所述训练样本包括历史订单及所述历史订单在平台内的相关数据;提取每个训练样本的至少一个特征信息,所述特征信包括训练样本对应的运力分布特征和供需分布特征;所述供需特征用于反映接驾请求发起终端附近接驾请求的发起和所述请求的响应情况;所述运力分布特征用于反映接驾请求发起终端周边的待接驾终端的分布情况;确定每个训练样本的标签值;所述标签值包括接驾终端的实际应答时长和/或接驾终端的实际接驾时长;基于所述训练样本的特征信息以及所述训练样本的标签值训练所述接驾时间预估模型,调整模型参数,得到训练好的接驾时间预估模型;所述训练好的接驾时间预估模型用于确定新接驾请求对应的预计接驾时间。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的一种接驾时间预估系统的应用场景示意图;
图2是根据本申请一些实施例所示的一种接驾时间预估方法的示例性流程图;
图3是根据本申请一些实施例所示的接驾时间预估模型训练过程的示例性流程图;
图4是根据本申请一些实施例所示的接驾时间预估模型训练过程的示意图;
图5为本申请一些实施例提供的一种接驾时间预估系统的示例性系统框图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本申请一些实施例所示的一种接驾时间预估系统的应用场景示意图。
如图1所示,在应用场景100中可以包括车辆终端110、用户终端140、服务平台160和网络150。服务平台160包括处理器120和存储设备130。
在一些实施例中,接驾时间预估系统100的一个或者多个组件可以通过网络150传送数据至接驾时间预估系统100的其他组件。例如,处理器120可以通过网络150获取用户终端140、车辆终端110中的信息和/或数据,或者可以通过网络150将信息和/或数据发送到用户终端140和车辆终端110。
在一些实施例中,车辆终端110可以包括定位装置,定位装置可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(Wi-Fi)定位技术等或其任意组合。
同样,用户终端140也包括定位装置,车辆终端110通过用户终端140定位装置提供的位置信息,行驶至目标位置完成接驾。
在一些实施例中,车辆终端110和用户终端140可以分别将自己车辆或用户数据保存于存储设备130中,并且,当每一次行驶完成后,通过网络120,将此次订单以历史订单的形式储存于存储设备130中。
在一些实施例中,服务平台160可以是网约车平台、O2O平台或交通运输平台等平台中的一个或多个。
上述方式仅为方便理解,本系统亦可以其他可行的操作方式实施本说明书中的方法。
在一些实施例中,车辆终端110、用户终端140以及其他可能的系统组成部分中可以包括存储设备130。
在一些实施例中,车辆终端110、用户终端140以及其他可能的系统组成部分中可以包括处理器120。
在一些实例中,可以在不同的设备上分别进行不同的功能,比如数据的筛选、查询、预处理、模型的训练、模型的执行等等,本说明书对此不作限制。
车辆终端110可以用于数据获取、处理和/或输出、定位等功能。车辆终端110可以包含一个或多个子功能设备(例如单个传感设备或多个传感设备组成的传感系统设备)。在一些实施例中,车辆终端110可以包括出租车、私家车、顺风车、公共汽车、火车、动车、高铁、地铁、船舶、飞机、宇宙飞船、热气球、无人驾驶车辆等中的一种或几种的组合。
处理器120可以处理从其他设备或系统组成部分中获得的数据和/或信息。在一些实施例中,处理器可以基于这些数据、信息和/或处理结果执行程序指令,以执行一个或多个本申请中描述的功能。在一些实施例中,处理器120可以包含一个或多个子处理设备(例如,单核处理设备或多核多芯处理设备)。仅作为示例,处理器120可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
存储设备130可以用于存储数据和/或指令。存储设备130可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备130可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的,大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,所述存储设备130可在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
数据指对信息的数字化表示,可以包括各种类型,比如二进制数据、文本数据、图像数据、视频数据等。指令指可控制设备或器件执行特定功能的程序。
用户终端140指用户所使用的一个或多个终端设备或软件。用户终端140可以包括处理单元、显示单元、输入/输出单元、感知单元、定位单元、存储单元等。感知单元可以包括但不限于光传感器、距离传感器、加速度传感器、陀螺仪传感器、声音探测器等或其任意组合。
在一些实施例中,用户终端140可以是移动设备140-1、平板计算机140-2、膝上型计算机140-3、台式计算机140-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中,使用用户终端140的可以是一个或多个用户,可以包括直接使用服务的用户,也可以包括其他相关用户。
在一些实施例中,移动装置140-1可包括可穿戴设备和智能移动装置等或其任意组合。在一些实施例中,可穿戴智能设备包括:智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中,智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、手持终端(POS)等或其任意组合。
上述示例仅用于说明所述用户终端140设备范围的广泛性而非对其范围的限制。
网络150可以连接系统的各组成部分和/或连接系统与外部资源部分。网络150使得各组成部分之间,以及与系统之外其他部分之间可以进行通讯,促进数据和/或信息的交换。在一些实施例中,网络150可以是有线网络或无线网络中的任意一种或多种。例如,网络150可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式,也可以是采取多种方式。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中,网络150可以包括一个或以上网络接入点。例如,网络150可以包括有线或无线网络接入点,例如基站和/或网络交换点150-1、150-2、…,通过这些进出系统100的一个或多个组件可连接到网络150上以交换数据和/或信息。
在本申请中,术语“乘客”、“请求者”和“接驾请求者”是可以互换的,其是指请求或订购服务的个人、实体或工具。在本申请中,术语“用户”可以表示可以请求服务、预定服务、提供服务或促进该服务提供的个体、实体或工具。例如,用户可以是乘客、司机、操作者等或其任意组合。
本申请中的术语“服务请求”、“请求服务”、“请求”和“订单”可互换使用以指可由乘客、服务请求者、客户、司机、提供者、服务提供者等或其任何组合发起的请求。服务请求可以被乘客、服务请求者、客户、司机、提供者或服务提供者中的任何一个接受。所述服务请求可以是收费的或免费的。
本申请中的术语“待接驾终端”和“车辆终端”可以交换使用,其表示服务提供者所使用的用于提供服务或促进提供服务的移动终端。本申请中的术语“接驾请求发起终端”和“乘客终端”可互换使用,以指代由服务请求者用于请求或订购服务的移动终端。
ETA(Estimated Time of Arrival)是指服务提供者到达服务订单的起始位置的预估到达时间,该预估到达时间可能受到各种因素的影响。EDA(Estimated Distance ofArrival)是指预估到达距离。泛指给定起点,终点等信息时,车辆从起点到达终点预计需要行驶多长距离。
在网约车、O2O、交通运输等场景下,首先由乘客选择起点和终点、点击发单,服务平台160根据车辆信息进行派单或司机通过抢单完成接单,然后司机行驶至乘客起点进行接驾。针对乘客在选择起点和终点后,点击发单前的场景或乘客发单后暂时没有被接单的场景,在一些实施例中被称为冒泡场景。在该场景下的ETA又可以称为接驾时间。
在冒泡场景下,乘客输入了起点与终点,平台展示接驾时间和预估价给乘客。接驾时间的准确与否直接影响了用户发单意愿,如接驾时间展示为4分钟,但是司机实际接驾花费8分钟,那么就会给乘客造成极差的接驾体验,影响用户的留存,同时由于展示的接驾时间与司机实际行驶时长严重不符,乘客发单后也会有很大概率取消本次叫车需求,增加平台成本。
冒泡场景下,相较于接单后的司机接驾场景,该场景没有具体的接驾司机信息和接驾路线信息,因此无法根据特定司机和路线进行接驾时间的预估。在一些实施例中,为了使接驾时间更加准确,平台从数据库筛选出距离乘客最近的一辆空车,然后计算该车辆的预计接驾时间,并将该预计接驾时间发送乘客,但该方法主要存在的缺陷在于,最终接驾的车辆不一定是距离乘客最近的车辆,且未考虑司机应答过程产生的时长的问题。
在一些实施例中,针对上述缺陷,提供了一种基于机器学习模型的接驾时间预估系统100,该系统100充分考虑分单策略的倾向性,乘客周围的供需信息和司机接单时长等因素。
图2是根据本申请一些实施例所示的一种接驾时间预估方法的示例性流程图。
如图2所示的接驾时间预估方法200,在一些实施例中可以由图1中的服务平台160执行。
步骤210,接收接驾请求发起终端的接驾请求。在一些实施例中,步骤210可以由接收模块510执行。
在一些实施例中,接驾请求可以是一个行程订单,该订单可以是快车订单、拼车订单或专车订单等。行程订单中可以包括行程的起点、行程的终点、出发时间和乘车人数等。
在一些实施例中,乘车人可能会根据接驾所需要的时间来判断是否需要发起行程订单或者行程目的地还没有确定,期望先查看附近空车情况,以规划行程安排,因此,在一些实施例中,接驾请求还可以是由接驾发起终端发送的一段包含预计乘车位置和预计乘车时间的数据。
步骤220,获取所述接驾请求中的位置信息和时间信息。在一些实施例中,步骤220可以由提取模块520执行。
在一些实施例中,位置信息可以表示为维度和经度的坐标,例如(N:34°31’,E:69°12’),获取位置信息的方式可以包括全球的定位系统(GPS)、全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WIFI)定位技术等或上述举例的任意组合。在一些实施例中,出发地点可以用地点的描述,例如麦当劳商店,而不是纬度和经度坐标来显示。在一些实施例中,时间信息中可以是当地时间,还可以是格林尼治标准时间。
在一些实施例中,由步骤210相关描述可以看出,根据接驾请求的不同,位置信息可以是行程的起点或预计乘车位置,在一些实施例中,位置信息还可以是请求发起终端的位置。时间信息可以是出发时间或预计乘车时间,如在下午13:30用户可以选择立即出发,也可以指定出行时间为下午13:30之后(如下午13:45等),在一些实施例中,位置信息还可以是请求发起终端发送预计接驾位置时自动添加的时间,而无需用户选取或输入。
步骤230,基于接驾时间预估模型对所述位置信息和所述时间信息进行处理,得到预计接驾时间。在一些实施例中,步骤230可以由处理模块530执行。
在一些实施例中,平台将获取到的位置信息和时间信息输入接驾时间预估模型,得到一个能够反映从接驾请求发起至待接驾的车辆到达乘车者上车位置所需的预计接驾时间。
在一些实施例中,该预计接驾时间受到司机接单所需的时间、司机接单后行驶至乘车者上车位置所需的时间、交通情况、司机驾驶习惯等等因素影响。通过统计研究发现,司机接驾时间很大程度上取决于司机接单所需的时间以及司机接单后行驶至上车位置所需的时间。
在一些实施例中,经过接驾时间预估模型可以是梯度提升决策树(GBDT)模型。所述梯度增强可以是梯度下降算法。GBDT的建模过程可以将弱“学习者”以迭代的方式组合成一个强大的学习者。在梯度增强中1≤m≤M的每个阶段,可能至少有一个不完美的模型Fm。M是GBDT模型中使用特征的数量。在一些实施例中,梯度提升算法可以通过增加预估器H的新模型来确定模型Fm,以提供更好的模型Fm+1=Fm(X)+H(X)来确定新模型。每个Fm+1可以学习在损失函数的负梯度中纠正其前一Fm。损失函数越大,模型中Fm出现错误的可能性就越大。在其他一些实施例中,接驾时间预估模型还可以是分类与回归树(CART)模型或分解机器(FM)模型等。
图3是根据本申请一些实施例所示的接驾时间预估模型训练过程的示例性流程图。
图4是根据本申请一些实施例所示的接驾时间预估模型训练过程的示意图。
在一些实施例中,接驾时间预估模型通过以下方法训练获得,在一些实施例中,该训练方法300可以由训练模块550执行。
步骤310,获取训练样本,所述训练样本包括历史订单及所述历史订单在平台内的相关数据。
在一些实施例中,平台在日常运行中可以获取大量历史订单,历史订单中包括可以包括用于接驾花费的时间、服务提供者信息、历史订单的历史出发地点、历史订单的路线信息、与历史订单相关的交通信息等。
在一些实施例中,还可以获取历史订单在平台内的相关数据,如根据历史订单内乘客和司机的ID信息,在平台内关联乘客或司机的其他信息,如乘客出行频率、乘客常用上车位置、司机车型信息和司机累积完成订单数等。
在一些实施例中,获取训练样本还包括将取消订单和异常订单从所述历史订单中剔除;将剩余历史订单及所述剩余历史订单在平台内的相关数据作为训练样本。
在一些实施例中,取消订单通常指未完成接驾的订单,由于其并未完成接驾,故订单内不包含接驾时间相关的信息,因此该订单不适合作为训练样本。异常单通常指接驾时间相关信息中某一个或多个过大或过小的情况,如乘客发单或平台派单后,上车位置附近迟迟没有司机接单,因此导致的接驾时间很长的情况,或上车位置附近(如100米内)有空车并且接单,因此接驾时间非常短的情况等。在接驾时间相关信息中某一个或多个过大或过小的情况下,订单中接驾时间相关的信息没有参考价值,将其作为训练样本可能会增大模型训练时的噪声,因此将上述取消订单和异常订单剔除后,将剩余接驾时间相关数据具备参考价值的历史订单及相关数据作为训练样本。
步骤320,提取每个训练样本的至少一个特征信息,所述特征信包括训练样本对应的运力分布特征和供需分布特征。
在一些实施例中,基于训练样本进行特征提取和构造,所提取的特征期望全面、客观的描述冒泡场景的情况。
在一些实施例中,供需特征用于反映接驾请求发起终端附近接驾请求的发起和所述请求的响应情况。具体的,供需特征可以包括乘客上车位置附近1公里内前1分钟发起的接驾请求数量、前1分钟司机接单数量和前1分钟内所进行接驾所花费的时间。在一些实施例中,还可以获取附近3公里内前1分钟发起的接驾请求数量、前1分钟司机接单数量和前1分钟内所进行接驾所花费的时间或附近1公里内前3分钟发起的接驾请求数量、前3分钟司机接单数量和前3分钟内所进行接驾所花费的时间等,可以理解的是,获取的数据范围根据模型的情况可以进行调整。在一些实施例中,进一步的,对所获取的数据基于时间或空间进行聚合,继续采用前述示例,基于空间的聚合可以理解为,对于所获取的数据可以分别基于1公里和3公里做空间聚合,即分别提取一定时间内1公里内接驾请求数量和接单数量、1公里以外且3公里以内的接驾请求数量和接单数量等,以此作为供需特征之一;同理可知基于时间聚合的方式,在此不再赘述。
在一些实施例中,运力分布特征用于反映接驾请求发起终端周边的待接驾终端的分布情况。在一些实施例中,具体的,运力分布特征包括接驾请求发起终端特定范围内的所有接驾终端和待接驾终端的数量。所有接驾终端和待接驾终端的数量可以理解为一定范围内无论是否载有乘客的所有车辆的数量。载有乘客的车辆有可能会在附近位置将乘客送达从而结束订单,因此所有接驾终端和待接驾终端的数量相对于上述供需特征,更加侧重于体现车辆的分布情况。需要说明的是,请求发起终端特定范围可以是1公里、3公里或5公里范围内等,在一些实施例中,该特定范围可以与供需特征中附近接驾请求的发起和所述请求的响应情况选择同样的范围。
在一些实施例中,运力分布特征还包括,获取接驾请求发起终端附近至多k个待接驾终端的预估接驾时间和预估接驾距离;基于所述待接驾终端与所述接驾请求发起终端之间的距离对所述预估接驾时间和预估接驾距离分桶;基于所述预估接驾距离计算接驾距离方差和/或中位数。
在一些实施例中,获取接驾请求发起终端附近至多k个待接驾终端的预估接驾时间和预估接驾距离。其中k个可以是5个、10个、12个等,由于最终接驾的车辆可能不是距离接驾请求发起终端最近的车辆,但大概率是附近k辆待接驾终端中的一个,因此获取这些待接驾终端的预估接驾时间和预估接驾距离并进行分桶。基于所述待接驾终端与所述接驾请求发起终端之间的距离进行分桶的意义在于,保证了每个维度的特征在空间物理意义上的一致性。仅作为示例,假设分别有乘客A和乘客B发单,乘客A附近一共有3辆能够接驾的空车,而乘客B附近有10辆能够接驾的空车,此时所获取的乘客A附近车辆中的第三辆车和乘客B附近车辆中的第三辆车的物理意义是不同的,而根据距离进行特征分桶保证了每个维度的一致性,其中分桶的依据可以是根据车辆距离较为模糊的分类为较近、适中、较远的方式,还可以是依据直线距离分类为1公里以内、1~3公里、3公里以上的方式。需要说明的是,分桶的依据和数量可以根据需要进行调整,以上方式仅作为示例,此外分桶算法是为了将数据离散化,在其他具体实施方式中,还可以是其他数据离散化处理方式,本示例不意在限制本说明书范围。
在一些实施例中,基于所述预估接驾距离计算接驾距离方差和/或中位数。接驾距离方差和/或中位数一定程度上能够刻画出接驾请求发起终端周围车辆是否分布均衡,如接驾距离方差或中位数较大时,可以认为周围车辆分布较为不均,在一些实施例中,接驾距离方差和中位数统计量可以择一使用也可以同时使用。
在一些实施例中,所述特征信息还包括距离特征;所述距离特征用于反映多个待接驾终端与接驾请求发起终端之间的球面距离。在前述特征中获取的预估接驾距离信息中,含有路况等其他信息的影响,距离特征从另一角度体现待接驾终端与接驾请求发起终端之间的距离关系。由于经线纬线实质上都是圆,因此在此处通过球面距离表示乘客和车辆之间的距离,通常,球面距离还可以称之为直线距离。在一些实施例中,多个待接驾终端可以选择与运力分布特征中k值相同的数量,也可以选取其他数量的待接驾终端,如5个、7个或10个等。在一些实施例中,该球面距离可以通过乘客和司机的经纬度信息计算得到。
在一些实施例中,所述特征信息包括时空特征;所述时空特征用于至少反映所述接驾请求发起的时间信息、星期信息、所述请求发起终端的位置或城市信息中的一个或多个。通过时空特征,更加全面的对模型进行训练,仅作为示例,时间信息能够在一定程度上为模型刻画早晚高峰信息;星期信息能够在一定程度上为模型刻画工作日和周末信息;位置信息和城市信息能够在一定程度上为模型刻画如热门商圈、CBD(中央商务区)等信息。
在一些实施例中,所述特征信息包括司机特征;所述司机特征用于分别反映所述接驾请求发起终端最近的多个待接驾终端的预估接驾时间和预估接驾距离的最小值。在一些实施例中,多个待接驾终端可以选择与运力分布特征中k值相同的数量,也可以选取其他数量的待接驾终端,如5个、7个或10个等。多个待接驾终端对应多个预估接驾时间和预估接驾距离,取预估接驾时间和预估接驾距离的最小值,原因在于实际接驾过程中,预估接驾时间和预估接驾距离对实际接驾时间影响更大。进一步的,在一些实施例中,由于模型对预计接驾时间的预估是发生在司机接单前的,故为了减少司机驾驶习惯等因素对预估接驾时间的干扰,司机特征中预估接驾时间和预估接驾距离的最小值可以不是来自同一个司机。
在一些其他实施例中,特征信息还可以包括天气信息、政策信息、价格信息和评价信息等,其均为平台内能够获取的特征,在此不一一举例。
步骤330,确定每个训练样本的标签值;所述标签值包括接驾终端的实际应答时长和/或接驾终端的实际接驾时长。
在一些实施例中,实际接驾时间受多个因素影响,针对本说明中针对的司机还未接单的冒泡场景下,接驾时间主要受到接驾终端的实际应答时长和接驾终端的实际接驾时长的影响。同时在训练样本中,均包括历史订单的接驾终端的实际应答时长和接驾终端的实际接驾时长,故通过接驾终端的实际应答时长和接驾终端的实际接驾时长构造标签值。需要说明的是,在一些实施例中,可以通过接驾终端的实际应答时长或接驾终端的实际接驾时长构造标签值,为了便于描述,本实施例采用标签值Label=接驾终端的实际应答时长+接驾终端的实际接驾时长,即接驾终端的实际应答时长和接驾终端的实际接驾时长直接相加。
步骤340,基于所述训练样本的特征信息以及所述训练样本的标签值训练所述接驾时间预估模型,调整模型参数,得到训练好的接驾时间预估模型。
在一些实施例中,建立初始接驾时间预估模型,将特征信息输入模型中得到预测值,通过损失函数调节预测值与标签值之间的差异,使差异最小化,得到接驾时间预估模型,在一些实施例中,损失函数根据模型中使用算法的不同以及特征信息的不同,可以相应调整,在此不做限制。
在一些实施例中,所述训练好的接驾时间预估模型用于确定新接驾请求对应的预计接驾时间。在一些实施例中,当新的接驾请求被司机接单后,还可以通过其他模型根据司机或车型的其他特征更新预计接驾时间。
在一些实施例中,本说明书的一些实施例中,还提供了一种接驾时间预估模型的训练方法,该方法可以基于步骤310~340所述的训练方法得到训练好的接驾时间预估模型。
步骤240,将所述预计接驾时间发送至所述接驾请求发起终端。
在一些实施例中,基于接驾时间预估模型得到预计接驾时间,并将时间发送至接驾请求发起终端供用户参考。在一些实施例中,预计接驾时间可以是当地时间(如预计15:30上车)还可以是时长(如预计5分钟后上车后)。
应当注意的是,上述图2~图4中有关流程的描述仅仅是为了示例和说明,而不限定本说明书的一些实施例的适用范围。对于本领域技术人员来说,在本说明书的一些实施例的指导下可以对流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图5为本申请一些实施例提供的一种接驾时间预估系统的示例性系统框图。
如图5所示,一种接驾时间预估系统500可以包括接收模块510、提取模块520、处理模块530、发送模块540和训练模块550。这些模块也可以作为应用程序或一组由处理引擎读取和执行的指令实现。此外,模块可以是硬件电路和应用/指令的任何组合。例如,当处理引擎或处理器执行应用程序/一组指令时,模块可以是处理器的一部分。
接收模块510可以用于接收接驾请求发起终端的接驾请求。
关于接驾请求的更多描述可以在本说明书的其他地方(如步骤210及其相关描述中)找到,在此不作赘述。
提取模块520可以用于获取所述订单中的位置信息和时间信息。
关于位置信息和时间信息的更多描述可以在本说明书的其他地方(如步骤220及其相关描述中)找到,在此不作赘述。
处理模块530可以用于基于接驾时间预估模型对所述位置信息和所述时间信息进行处理,得到预计接驾时间。
关于接驾时间预估模型的更多描述可以在本说明书的其他地方(如步骤230及其相关描述中)找到,在此不作赘述。
发送模块540可以用于将所述预计接驾时间发送至所述接驾请求发起终端。
关于预计接驾时间的更多描述可以在本说明书的其他地方(如步骤240及其相关描述中)找到,在此不作赘述。
在一些实施例中,处理模块530中所述接驾时间预估模型包括梯度提升迭代决策树模型。
在一些实施例中,还包括训练模块550,其中:获取训练样本,所述训练样本包括历史订单及所述历史订单在平台内的相关数据;提取每个训练样本的至少一个特征信息,所述特征信包括训练样本对应的运力分布特征和供需分布特征;所述供需特征用于反映接驾请求发起终端附近接驾请求的发起和所述请求的响应情况;所述运力分布特征用于反映接驾请求发起终端周边的待接驾终端的分布情况;确定每个训练样本的标签值;所述标签值包括接驾终端的实际应答时长和/或接驾终端的实际接驾时长;基于所述训练样本的特征信息以及所述训练样本的标签值训练所述接驾时间预估模型,调整模型参数,得到训练好的接驾时间预估模型;所述训练好的接驾时间预估模型用于确定新接驾请求对应的预计接驾时间。
关于模型训练的更多描述可以在本说明书的其他地方(如步骤310~340及其相关描述中)找到,在此不作赘述。
在一些实施例中,训练模块550还包括将取消订单和异常订单从所述历史订单中剔除。
在一些实施例中,训练模块550其中所述运力分布特征包括所述接驾请求发起终端特定范围内的所有接驾终端和待接驾终端的数量。
在一些实施例中,训练模块550其包括:获取接驾请求发起终端附近至多k个待接驾终端的预估接驾时间和预估接驾距离;基于所述待接驾终端与所述接驾请求发起终端之间的距离对所述预估接驾时间和预估接驾距离分桶;基于所述预估接驾距离计算接驾距离方差和/或中位数。
在一些实施例中,训练模块550其中所述特征信息包括距离特征;所述距离特征用于反映多个待接驾终端与接驾请求发起终端之间的球面距离。
在一些实施例中,训练模块550其中所述特征信息包括时空特征;所述时空特征用于至少反映所述接驾请求发起的时间信息、星期信息、所述请求发起终端的位置或城市信息中的一个或多个。
在一些实施例中,训练模块550其中所述特征信息包括司机特征;所述司机特征用于分别反映所述接驾请求发起终端最近的多个待接驾终端的预估接驾时间和预估接驾距离的最小值。
应当理解,图5所示的装置及其模块可以利用各种方式来实现。例如,在一些实施例中,装置及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行装置,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和装置可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的装置及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例可能带来的有益效果包括但不限于:(1)通过构造运力分布特征和供需分布特征等特征,更加全面的反应接驾场景中的各个影响因素;(2)通过机器学习基于大量特征训练模型,能够在实际使用中更加准确的给出预计接驾时间。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (13)
1.一种接驾时间预估方法,其包括:
接收接驾请求发起终端的接驾请求;
获取所述订单中的位置信息和时间信息;
基于接驾时间预估模型对所述位置信息和所述时间信息进行处理,得到预计接驾时间;
将所述预计接驾时间发送至所述接驾请求发起终端。
2.如权利要求1所述的方法,其中:
所述接驾时间预估模型包括梯度提升迭代决策树模型。
3.如权利要求1所述方法,所述接驾时间预估模型通过以下方法训练获得:
获取训练样本,所述训练样本包括历史订单及所述历史订单在平台内的相关数据;
提取每个训练样本的至少一个特征信息,所述特征信包括训练样本对应的运力分布特征和供需分布特征;所述供需特征用于反映接驾请求发起终端附近接驾请求的发起和所述请求的响应情况;所述运力分布特征用于反映接驾请求发起终端周边的待接驾终端的分布情况;
确定每个训练样本的标签值;所述标签值包括接驾终端的实际应答时长和/或接驾终端的实际接驾时长;
基于所述训练样本的特征信息以及所述训练样本的标签值训练所述接驾时间预估模型,调整模型参数,得到训练好的接驾时间预估模型;所述训练好的接驾时间预估模型用于确定新接驾请求对应的预计接驾时间。
4.如权利要求3所述的方法,所述获取训练样本包括:
将取消订单和异常订单从所述历史订单中剔除;
将剩余历史订单及所述剩余历史订单在平台内的相关数据作为训练样本。
5.如权利要求3所述的方法,其中:
所述运力分布特征包括所述接驾请求发起终端特定范围内的所有接驾终端和待接驾终端的数量。
6.如权利要求5所述的方法,所述运力分布特征包括:
获取接驾请求发起终端附近至多k个待接驾终端的预估接驾时间和预估接驾距离;
基于所述待接驾终端与所述接驾请求发起终端之间的距离对所述预估接驾时间和预估接驾距离分桶;
基于所述预估接驾距离计算接驾距离方差和/或中位数。
7.如权利要求3所述的方法,其中:
所述特征信息包括距离特征;所述距离特征用于反映多个待接驾终端与接驾请求发起终端之间的球面距离。
8.如权利要求3所述的方法,其中:
所述特征信息包括时空特征;所述时空特征用于至少反映所述接驾请求发起的时间信息、星期信息、所述请求发起终端的位置或城市信息中的一个或多个。
9.如权利要求3所述的方法,其中:
所述特征信息包括司机特征;所述司机特征用于分别反映所述接驾请求发起终端最近的多个待接驾终端的预估接驾时间和预估接驾距离的最小值。
10.一种接驾时间预估系统,其包括:
接收模块,用于接收接驾请求发起终端的接驾请求;
提取模块,用于获取所述订单中的位置信息和时间信息;
处理模块,用于基于接驾时间预估模型对所述位置信息和所述时间信息进行处理,得到预计接驾时间;
发送模块,用于将所述预计接驾时间发送至所述接驾请求发起终端。
11.一种接驾时间预估装置,所述装置包括至少一个存储介质以及至少一个处理器;所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令,以实现权利要求1至9中任一项所述的接驾时间预估方法。
12.一种计算机可读存储介质,所述存储介质存储有计算机指令,当所述计算机指令被处理器执行时,实现如权利要求1至9中任一项所述的接驾时间预估方法。
13.一种接驾时间预估模型的训练方法,其包括:
获取训练样本,所述训练样本包括历史订单及所述历史订单在平台内的相关数据;
提取每个训练样本的至少一个特征信息,所述特征信包括训练样本对应的运力分布特征和供需分布特征;所述供需特征用于反映接驾请求发起终端附近接驾请求的发起和所述请求的响应情况;所述运力分布特征用于反映接驾请求发起终端周边的待接驾终端的分布情况;
确定每个训练样本的标签值;所述标签值包括接驾终端的实际应答时长和/或接驾终端的实际接驾时长;
基于所述训练样本的特征信息以及所述训练样本的标签值训练所述接驾时间预估模型,调整模型参数,得到训练好的接驾时间预估模型;所述训练好的接驾时间预估模型用于确定新接驾请求对应的预计接驾时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981429.9A CN112116151A (zh) | 2020-09-17 | 2020-09-17 | 一种接驾时间预估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981429.9A CN112116151A (zh) | 2020-09-17 | 2020-09-17 | 一种接驾时间预估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116151A true CN112116151A (zh) | 2020-12-22 |
Family
ID=73799791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981429.9A Pending CN112116151A (zh) | 2020-09-17 | 2020-09-17 | 一种接驾时间预估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116151A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202016004260U1 (de) * | 2015-07-14 | 2016-08-17 | Sonnenschein Personenbeförderung GmbH | System zur Koordination mehrerer Fahrzeuge |
CN109146280A (zh) * | 2018-08-14 | 2019-01-04 | 北京三快在线科技有限公司 | 一种推送信息的方法、装置及系统 |
CN109313742A (zh) * | 2017-05-16 | 2019-02-05 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的方法及系统 |
CN109886442A (zh) * | 2017-12-05 | 2019-06-14 | 北京嘀嘀无限科技发展有限公司 | 预估接驾时长方法及预估接驾时长系统 |
CN110414703A (zh) * | 2019-07-29 | 2019-11-05 | 北京三快在线科技有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN110543968A (zh) * | 2019-07-30 | 2019-12-06 | 北京三快在线科技有限公司 | 预计送达时间确定方法、装置、电子设备及存储介质 |
CN111415024A (zh) * | 2019-01-04 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种到达时间预估方法以及预估装置 |
-
2020
- 2020-09-17 CN CN202010981429.9A patent/CN112116151A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202016004260U1 (de) * | 2015-07-14 | 2016-08-17 | Sonnenschein Personenbeförderung GmbH | System zur Koordination mehrerer Fahrzeuge |
CN109313742A (zh) * | 2017-05-16 | 2019-02-05 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的方法及系统 |
CN109886442A (zh) * | 2017-12-05 | 2019-06-14 | 北京嘀嘀无限科技发展有限公司 | 预估接驾时长方法及预估接驾时长系统 |
CN109146280A (zh) * | 2018-08-14 | 2019-01-04 | 北京三快在线科技有限公司 | 一种推送信息的方法、装置及系统 |
CN111415024A (zh) * | 2019-01-04 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种到达时间预估方法以及预估装置 |
CN110414703A (zh) * | 2019-07-29 | 2019-11-05 | 北京三快在线科技有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN110543968A (zh) * | 2019-07-30 | 2019-12-06 | 北京三快在线科技有限公司 | 预计送达时间确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11449908B2 (en) | Method and system for determining transport service fee | |
CN109155104B (zh) | 推荐估计到达时间的系统和方法 | |
CN109478364B (zh) | 确定预计到达时间的方法及系统 | |
US20200134648A1 (en) | Methods and systems for preventing user churn | |
US20200269851A1 (en) | System and method for determining safety score of driver | |
CN109478275B (zh) | 分配服务请求的系统和方法 | |
CN110678885B (zh) | 用于运力调度的系统和方法 | |
CN114944059B (zh) | 确定预估到达时间的方法与系统 | |
CN109791731B (zh) | 一种预估到达时间的方法和系统 | |
CN111862585B (zh) | 用于交通预测的系统和方法 | |
JP7066008B2 (ja) | 走行サービスを推奨するためのシステムおよび方法 | |
WO2018205561A1 (en) | Systems and methods for processing an abnormal order | |
WO2018209551A1 (en) | Systems and methods for determining an estimated time of arrival | |
US20200193357A1 (en) | Systems and methods for allocating service requests | |
CN112236787A (zh) | 用于生成个性化目的地推荐的系统和方法 | |
CN111433795A (zh) | 一种确定线上到线下服务的预估到达时间的系统和方法 | |
US20200167812A1 (en) | Systems and methods for determining a fee of a service request | |
CN112041858A (zh) | 提供出行建议的系统和方法 | |
CN111954891B (zh) | 一种跨业务的共享汽车资源复用方法 | |
CN113330467A (zh) | 基于车辆的状态信息控制终端的方法、系统和介质 | |
CN112116151A (zh) | 一种接驾时间预估方法和系统 | |
CN113052397B (zh) | 上车信息的确定方法、装置、电子设备和存储介质 | |
CN112106089A (zh) | 数字钱包 |
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 |