CN112381305A

CN112381305A - 打车时长预估方法、装置、电子设备及存储介质

Info

Publication number: CN112381305A
Application number: CN202011306174.2A
Authority: CN
Inventors: 施忠琪; 王亦乐
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2020-11-20
Filing date: 2020-11-20
Publication date: 2021-02-19

Abstract

本公开提供了一种打车时长预估方法、装置、电子设备及存储介质，涉及深度学习等领域。具体实现方案为：获取当前所在位置以及当前时刻；基于所述当前所在位置以及所述当前时刻中至少之一，确定当前场景的特征信息；基于所述当前场景的特征信息，确定与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长；其中，M为大于等于1的整数。

Description

打车时长预估方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域。本公开尤其涉及深度学习领域。

背景技术

用户通常会使用打车类应用来进行下单打车的处理，一般情况下打车不太会出现用户和车辆的供需关系不平衡的状态，但是打车的车辆到达时间会受到上下班高峰期等因素的影响，这就会出现用户在需要出行的时候，无法打到车或者需要等待很久才可以打到车的情况。因此，如何为用户提供准确的预计打车时长以便于用户合理安排出行时间以及出行方式就成为需要解决的问题。

发明内容

本公开提供了一种打车时长预估方法、装置、电子设备及存储介质。

根据本公开的第一方面，提供了一种打车时长预估方法，包括：

获取当前所在位置以及当前时刻；

基于所述当前所在位置以及所述当前时刻中至少之一，确定当前场景的特征信息；

基于所述当前场景的特征信息，确定与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长；其中，M为大于等于1的整数。

根据本公开的第二方面，提供了一种打车时长预估装置，包括：

信息获取模块，用于获取当前所在位置以及当前时刻；

特征确定模块，用于基于所述当前所在位置以及所述当前时刻中至少之一，确定当前场景的特征信息；

预估模块，用于基于所述当前场景的特征信息，确定与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长；其中，M为大于等于1的整数。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行前述方法。

采用本申请，可以基于当前位置以及当前时刻，确定当前场景的特征信息，进而基于当前场景的特征信息确定M个时刻分别对应的车辆到达当前所在位置的预计打车时长。如此，可以为用户准确的提供在当前所在位置处与当前时刻相关的多个时刻下的多个预计打车时长，进而便于用户合理安排出行时间以及出行方式，提升用户的使用体验。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的打车时长预估方法流程示意图；

图2是根据本公开实施例的获取用户的当前所在位置附近的车辆的场景示意图；

图3是根据在不同的历史时段中历史打车时长的统计结果示意图；

图4是根据本公开实施例的在两个时刻下进行打车时长预估的示意图；

图5是打车场景的组成示意图；

图6是根据本公开实施例的预计打车时长的组成示意图；

图7是根据本公开实施例的打车时长预估装置组成结构示意图；

图8是用来实现本公开实施例的打车时长预估方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例提供了一种打车时长预估方法，如图1所示，包括：

S101：获取当前所在位置以及当前时刻；

S102：基于所述当前所在位置以及所述当前时刻中至少之一，确定当前场景的特征信息；

S103：基于所述当前场景的特征信息，确定与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长；其中，M为大于等于1的整数。

本发明实施例可以应用于电子设备，比如可以是智能手机、平板电脑、笔记本电脑、台式电脑等。

所述当前所在位置可以指的是用户当前所在位置，再具体可以指的是用户所使用的电子设备当前所在位置；其中，所述当前所在位置的获取方式可以是由用户使用的电子设备通过自身的GPS(Global Positioning System，全球定位系统)实时获取的。或者，所述当前所在位置还可以为用户当前在电子设备的地图应用中打车相关功能中输入的地址。

所述当前时刻的获取方式可以为用户使用的电子设备基于自身的系统时间确定的。

基于所述当前所在位置以及所述当前时刻中至少之一，可以确定当前场景的特征信息。该当前场景的特征信息的数量可以为N个，也就是当前场景的特征信息具体可以指的是所述当前场景的N个特征信息。这里，N为大于等于1的整数，可以根据实际情况来确定，比如N可以为10，或者N可以为20，本实施例不做穷举。

需要指出的是，所述当前场景的N个特征信息可以包括当前时刻和/或当前所在位置相关的当前特征，也可以包括与当前时刻和/或当前所在位置相关的历史特征。

上述与所述当前时刻相关的M个时刻，分别包括：当前时刻、当前时刻之后的M-1个时刻。

一种情况下，M＝1，也就是M-1＝0；这种情况中，所述基于所述当前场景的特征信息，确定与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长，包括：基于所述当前场景的特征信息，确定从所述当前时刻开始在所述当前所在位置的预计打车时长。

另一种情况下，M大于1，也就是M-1大于0；相应的，M-1个时刻指的是从当前时刻起未来的一个或多个时刻。其中，任意相邻的两个时刻之间的间隔可以为预设时间间隔。比如，预设时间间隔可以为5分钟，则与当前时刻相关的M个时刻包括：当前时刻、当前时刻之后的5分钟、当前时刻之后的10分钟等等。所述预设时间间隔可以根据实际情况设置，可以是15分钟，或者更长或更短，这里不做穷举。

这种情况中，所述基于所述特征信息，确定与所述当前时刻相关的M个时刻所分别对应的车辆到达所述当前所在位置的预计打车时长，包括：基于所述当前场景的特征信息，确定从所述当前时刻开始在所述当前所在位置的预计打车时长，以及确定所述当前时刻之后的M-1个时刻开始分别对应的在所述当前所在位置的预计打车时长。

在得到与所述当前时刻相关的M个时刻所分别对应的车辆到达所述当前所在位置的预计打车时长之后，还可以包括：将所述与所述当前时刻相关的M个时刻所分别对应的车辆到达所述当前所在位置的预计打车时长，展示在地图应用对应的展示界面中。举例来说，地图应用中可以提供一个打车相关的功能，用户若点击该功能，则可以为用户展示相应的展示界面，在该展示界面中可以展示从当前时刻起车辆到达当前所在位置的预计打车时长。并且，在该展示界面中还可以展示，当前时刻之后的M-1个时刻起车辆到达当前所在位置的预计打车时长。

需要指出的是，上述方案是在用户未通过电子设备的打车类应用或地图应用下单打车之前，就可以基于用户当前所在位置以及当前时刻，进行当前场景的特征信息的确定，进而分析得到在当前所在位置处与当前时刻相关的多个时刻下的多个预计打车时长。如此，可以为用户准确的提供在当前所在位置处与当前时刻相关的多个时刻下的多个预计打车时长，进而便于用户合理安排出行时间以及出行方式，提升用户的使用体验；另外，由于用户可以合理安排自身的出行时间以及出行方式，还可以从一定程度上缓解高峰时期的交通压力。

所述基于所述当前所在位置以及所述当前时刻中至少之一，确定当前场景的特征信息，包括以下至少之一：

基于所述当前所在位置以及所述当前时刻中至少之一，确定区域特征信息；

基于所述当前所在位置以及所述当前时刻中至少之一，确定运力相关特征信息；

基于所述当前所在位置以及所述当前时刻中至少之一，确定外界条件特征；

基于所述当前所在位置以及所述当前时刻中至少之一，确定历史打车时长统计特征。

也就是说，本实施例会基于用户的当前所在位置以及所述当前时刻中至少之一，确定用户所在的当前场景的N个特征信息。该N个特征信息，可以分别用于表征当前场景的当前特征，以及当前场景的历史特征。其中，当前场景的当前特征可以包括当前场景的运力相关特征信息、当前场景的外界条件特征；所述当前场景的历史特征可以包括当前场景对应的区域特征信息以及当前场景对应的历史打车时长统计特征。

进一步来说，区域特征信息可以为当前所在位置所在的当前区域的中心点、当前区域对应的区域特征信息、所述当前区域所对应的定位密度、当前区域所对应的车辆密度；该区域特征信息可以是基于当前所在位置处在当前时刻之前的第一预设时长内的历史数据确定的。

所述运力相关特征信息，可以包括当前的处于空车状态的车辆的相关特征以及当前的路况相关信息。

所述外界条件特征，可以包括当前场景所对应的时间相关特征，以及天气相关特征。需要理解的是，所述天气相关特征可以是当前所在位置所对应的省或市的范围内、当前时刻所在的时间范围内的天气特征。其中，所述当前时刻所在的时间范围可以是当前时刻所在的一天内，或者当前时刻所在的半天内，具体的可以跟电子设备可以获取到的天气预报信息的更新速度相关。

所述历史打车时长统计特征，可以是当前时刻之前的K个历史时刻所对应的历史打车时长统计特征。这里，K为大于等于1的整数。

其中，所述K个历史时刻，可以包括当前时刻的至少一天之前的相同历史时刻，比如，当前时刻为下午5点30分，至少一天可以为7天，则该历史时刻可以是一周之前的下午5点30分的历史打车时长统计特征。K个历史时刻还可以包括：在同一天内，所述当前时刻之间的一个或多个历史时刻。比如，当前时刻为下午5点30分，则同一天内，所述当前时刻之间的一个或多个历史时刻，可以是当前的5点30分之前的5点29分的历史打车时长统计特征、5点27分的历史打车时长统计特征、5点25分的历史打车时长统计特征。

进一步地，所述历史打车时长统计特征具体的可以指的是：基于当前所在位置确定当前区域，基于所述当前区域确定在所述当前时刻之前的一个或多个历史时刻分别对应的平均打车时长。举例来说，当前所在位置对应的当前区域为区域A，当前时刻为下午5点30分，则一个历史时刻可以是一周之前的下午5点30分在区域A的历史打车时长统计特征；另外的历史时刻可以包括：当前下午5点30分之前的5点29分在区域A的历史打车时长统计特征、5点27分在区域A的历史打车时长统计特征、5点25分在区域A的历史打车时长统计特征等等。

可见，基于所述当前所在位置以及所述当前时刻，可以得到综合考虑区段位置、运力、时间、天气、历史特征等当前场景的特征信息，进而基于这些特征信息进行预计打车时长的确定，可以更加全面的特征分析，得到更加准确的预计打车时长。

针对上述不同的特征信息的获取方式进行详细说明：

所述基于所述当前所在位置以及所述当前时刻中至少之一，确定区域特征信息，包括以下至少之一：

基于所述当前所在位置确定当前区域的中心点；

基于所述当前所在位置确定当前区域对应的区域属性特征；

基于所述当前所在位置确定当前区域，基于所述当前时刻之前的历史数据确定所述当前区域所对应的定位密度；

基于所述当前所在位置确定当前区域，基于所述当前时刻之前的历史数据确定所述当前区域所对应的车辆密度。

上述4个特征可以均包含在区域特征信息中，或者仅使用其中一个或多个，均在本实施例的保护范围内。

经过对同一个当前区域不同日期的打车时间分布的分析，可以得出不同区域具有不同的打车难度，同时即使在不同时间，相同区域的打车难度状态近似，因此，可以得到不同属性的当前区域具有不同统计特征的结论，基于此，可以认为不同的区域的属性跟打车时长是相关的。比如，居住小区所在的区域在早高峰时间打车相对较难，而写字楼所在的区域在下班时间打车相对较难。因此，本实施例提供基于当前所在位置确定当前区域，并基于该当前区域确定对应的区域属性特征。

其中，所述基于当前所在位置确定所述当前区域的中心点，可以是：根据当前所在位置以及预先划分好的多个预设区域来确定的。比如，可以包括：将当前所在位置的经度以及维度与预设区域进行比对，在确定当前所在位置处于一个预设区域内的情况下，将该预设区域作为所述当前所在位置对应的当前区域，并获取所述当前区域的中心点。这里，当前所在位置对应的当前区域可以通过所述当前区域的中心点来表征。其中每一个预设区域的覆盖范围及其中心点均可以为预先保存或预先设置的。

另外，在电子设备中，或电子设备的地图应用中还可以预先设置每一个预设区域以及区域属性特征之间的对应关系；相应的，在确定当前所在位置对应的当前区域后，可以根据预设区域以及区域属性特征之间的对应关系确定所述当前区域所对应的区域属性特征。其中，所述区域属性特征可以包括：住宅小区、商圈、商场、CBD、工作楼等等，这里不做穷举。

基于上述当前区域，还可以进一步确定该当前区域内在预设时长内的定位密度以及车辆密度，即基于所述当前所在位置确定当前区域，基于所述当前时刻之前的历史数据确定所述当前区域所对应的定位密度。具体可以包括：基于第一历史时长内的历史数据，确定该第一历史时长内所述当前区域内的定位量，以及第一预设范围内的总定位量；将所述当前区域内的定位量除以所述第一预设范围内的总定位量得到所述当前区域所对应的定位密度。该定位密度可以用于反映附近的潜在打车需求。这里，定位量可以由各个用户使用的电子设备历史上报的定位信息来确定。

所述第一历史时长可以根据实际情况设置，比如可以设置为多个月，相应的，所述确定所述当前区域内的定位量，可以是将多个月的所述当前区域内的定位量取平均值。或者，确定所述当前区域内的定位量，也可以是仅获取当前时刻之前的第一历史时长(比如一个月或一周)的历史数据，从中提取当前所在位置对应的当前区域内的历史定位量，将该历史定位量作为当前区域内的定位量。

所述第一预设范围可以是大于当前区域的，比如当前区域可以是某一个兴趣点对应的当前区域，或者可以是人为划分的以500m或5公里尺度的当前区域；所述第一预设范围则可以是15公里的范围，或者可以更大比如50公里范围内，又或者，可以直接以省或市作为第一预设范围。相应的，第一预设范围内的总定位量也可以是将多个月的所述第一预设范围内的定位量取平均值；或者，所述，第一预设范围内的总定位量的确定方式还可以是仅获取当前时刻之前的第一历史时长(比如一个月或一周)的历史数据，从中提取当前所在位置对应的第一预设范围内的历史定位量，将该第一预设范围内的历史定位量作为第一预设范围内的总定位量。

上述所述定位密度可以采用以下公式计算：

所述定位密度＝avg(当前区域内定位量)/sum(总定位量)；

其中avg(当前区域内定位量)，用于表示在第一历史时长内在所述当前区域内的定位总量按月取平均值得到的数值；sum(总定位量)，可以表示在第一历史时长内省内或市内的总定位量。

所述确定所述当前区域所对应的车辆密度，具体为：基于第一历史时长内的历史数据，确定该第一历史时长内所述当前区域内的总车辆数，以及第一预设范围内的总车辆数；将所述当前区域内的总车辆数除以所述第一预设范围内的总车辆数得到所述当前区域所对应的车辆密度。该车辆密度可以用于反映附近的道路路况。

其中，总车辆数中包含的车辆可以是上传了定位信息或上传了状态信息的一个或多个车辆。所述状态信息可以包括空车、接客等状态。关于第一历史时长以及第一预设范围的说明与前述相同，不做重复说明。

所述车辆密度＝avg(当前区域内的总车辆数)/sum(总车辆数)，其中avg(当前区域内的总车辆数)，用于表示在第一历史时长内在所述当前区域内的总车辆数；sum(总车辆数)，可以表示在第一历史时长内省内或市内的总车辆数。

上述当前场景对应的区域特征信息具体可以如表1所示：

表1

基于上述当前区域的中心点、定位密度、车辆密度以及区域属性特征，来表征当前所在位置对应的区域特征信息，如此使得当前场景的特征信息中包含丰富的区域特征信息，为后续进行预计打车时长的分析提供更多的特征，保证最终得到的预计打车时长更加准确。

所述基于所述当前所在位置以及所述当前时刻中至少之一，确定运力相关特征信息，包括以下至少之一：

基于所述当前所在位置以及所述当前时刻，确定在所述当前所在位置对应的当前区域内当前处于空车状态的车辆的数量；

基于所述当前所在位置以及所述当前时刻，确定在所述当前所在位置对应的当前区域内的当前车辆密度；

基于所述当前所在位置以及所述当前时刻，确定当前处于空车状态的车辆至所述当前所在位置之间的平均路径距离；

基于所述当前所在位置以及所述当前时刻，确定当前处于空车状态的车辆至所述当前所在位置之间的路径方差；

基于所述当前所在位置以及所述当前时刻，确定在所述当前所在位置对应的当前区域内的当前平均路况；

基于所述当前位置确定所述当前位置与目的地之间的距离值。

需要理解的是，运力相关特征信息可以包含上述6个特征，或者可以仅包含其中一个或多个特征，均在本实施例的保护范围内。

在当前时刻下，用户周围会存在一定数量的车辆；其中，不同的车辆可以处于不同的状态，所述状态可以包括：出车、接客、工作、空车等各种状态。基于所述当前所在位置以及所述当前时刻，确定在所述当前所在位置对应的当前区域内当前处于空车状态的车辆的数量，具体可以是：电子设备从服务器获取当前处于空车状态的车辆；再基于当前所在位置所对应的当前区域的覆盖范围，确定在当前区域内当前处于空车状态的车辆的数据。比如，如图2所示，用户可以在通过电子设备打开地图应用(也可以是其他应用，这里仅为示例性说明)的时候，为用户展示其附近的车辆；在展示用户附近的车辆的时候可以包括有用户附近的全部车辆，或者是用户附近的空车状态的车辆。

基于所述当前所在位置以及所述当前时刻，确定在所述当前所在位置对应的当前区域内的当前车辆密度，可以包括：基于当前所在位置所对应的当前区域，确定在所述当前区域内当前车辆的数量，以及在当前时刻下第二预设范围内的车辆的总数量；基于在所述当前区域内当前车辆的数量，以及第二预设范围内的车辆的总数量，计算得到当前时刻下在当前所在位置对应的当前区域内的当前车辆密度。

其中，所述当前区域内当前车辆的数量，具体可以指的是：在所述当前区域内当前处于空车状态的车辆的数量；相应的，第二预设范围内的车辆的总数量，可以指的是，在第二预设范围内，当前处于空车状态的车辆的总数量。又或者，所述当前区域内当前车辆的数量，具体可以指的是：在所述当前区域内当前处于出车状态的车辆的数量；相应的，第二预设范围内的车辆的总数量，可以指的是，在第二预设范围内，当前处于出车状态的车辆的总数量。

示例性的，所述第二预设范围可以根据实际情况设置，比如可以是与当前所在位置距离15公里内作为第二预设范围；当前车辆密度的计算公式可以是：

当前车辆密度＝当前区域内当前处于出车状态的车辆的数量/15公里内当前处于出车状态的车辆的总数量。

另外，还可以基于当前平均路径距离，方差等特征，不同路径下具有不同的路况条件，会影响车辆的调度以及到达上车点的时长。同时用户的本次打车里程(上车点到目的地的路径距离)，也是影响用户打车时长的因素。

基于所述当前所在位置以及所述当前时刻，确定当前处于空车状态的车辆至所述当前所在位置之间的平均路径距离，可以是：基于当前所在位置以及当前时刻，获取至少一个当前处于空车状态的车辆与所述当前所在位置之间的路径距离；基于全部当前处于空车状态的车辆与所述当前所在位置之间的路径距离计算平均值，将计算得到的平均值作为所述平均路径距离。

其中，获取至少一个处于空车状态的车辆与所述当前所在位置之间的路径距离的获取方式，可以是基于预设算法来搜索得到的。该预设算法可以是A*(A-Star)算法。示例性的，平均路径距离可以采用以下公式来计算：

平均路径距离＝A*算法搜索的车辆到当前所在位置的路径距离/数目。

另外，在基于全部当前处于空车状态的车辆与所述当前所在位置之间的路径距离计算平均值，将计算得到的平均值作为所述平均路径距离时，所述方法还包括：基于所述平均值，以及所述全部当前处于空车状态的车辆与所述当前所在位置之间的路径距离，计算得到路径方差。

基于所述当前所在位置以及所述当前时刻，确定在所述当前所在位置对应的当前区域内的当前平均路况，具体可以包括：获取在当前时刻中当前所在位置对应的当前区域内的当前拥堵道路的数量，以及获取当前所在位置对应的当前区域内的道路的总数量；将所述当前区域内的当前拥堵道路的数量除以当前区域内的道路的总数量得到当前平均路况。比如，可以表示为：

当前平均路况＝当前区域内的当前拥堵道路的数量/当前区域内的道路的总数量。

基于所述当前所在位置确定由当前位置至目的地的距离值可以采用预设算法来实现，该距离值还可以称为乘客里程。示例性的，所述预设算法可以是A*算法。可以将该计算公式表示为：距离值＝前所在位置到目的地A*算法距离。

所述运力相关特征信息可以如下表2所示：

表2

通过以上处理可以得到当前区域在当前时刻的空车状态的车辆的数量、当前车辆密度、平均路径距离、路径方承诺、当前平均路况以及距离值作为运力相关特征信息，如此，可以更加全面的对当前的车辆以及路况等维度进行特征提取，为后续确定预计打车时长提供更加丰富的特征，提升预计时长的准确性。

所述基于所述当前所在位置以及所述当前时刻中至少之一，确定外界条件特征，包括以下至少之一：

基于所述当前时刻确定时间相关特征；

基于所述当前时刻以及所述当前所在位置，确定天气相关特征。

时间相关特征，可以包括有当前时刻所对应的当前日期的属性、时间属性，比如，日期的属性可以包括：节假日、工作日、星期几等等，时间属性可以具体包括当前时刻的小时、分钟。

所述天气相关特征可以指的是当前是晴天、下雨、下雪、冰雹、还可以包括温度等等。

获取天气相关特征可以是：根据当前所在位置确定对应的当前区域，基于当前区域获取与当前时刻最近的天气预报信息。

示例性的，所述外界条件特征可以如下表3所示：

表3

基于统计分析历史数据发现，在某区域，基于历史打车信息所提取的一天打车时间分布图，日期的属性为工作日，以15分钟为一个分片，某个分片内的平均打车时间。统计每个月的每周工作日时间的平均打车时间，具有相似的统计分布，比如有明显的早晚高峰形态；同时每周的工作日都具有相同的规律。并且，天气也会对路况有较大的影响。因此，本实施例对外界条件特征进行提取，得到时间相关特征以及天气相关特征，从而保证最终计算得到的预计打车时间的准确性。

基于所述当前所在位置以及所述当前时刻，确定历史打车时长统计特征，包括：

基于当前所在位置确定当前区域，基于所述当前区域确定在所述当前时刻之前的K个历史时刻分别对应的平均打车时长；K为大于等于1的整数。

其中所述K个历史时刻可以是根据实际情况设置的历史时刻；K的取值也可以根据实际情况来设置，比如，可以设置为4个，则最终会确定4个历史时刻分别对应的平均打车时长。

进一步地，时间和打车时间具有强相关关系。除此之外，相同属性的区域在历史的某一时段也在一定程度上具有相似性，比如，参见图3所示，其中包含在同一个区域(或同一个较大范围，比如可以包含多个区域)对应的本周二的历史打车时长统计数据，以及上周二的历史打车时长统计数据；基于图2可以看出，两个虚线框所示的均为相对来说历史打车时长较长的时段，这两个时段的历史打车时长在不同日期的相同时段内的变化或时长是类似的。因此，本实施例提供的方案中所提取的当前场景的特征信息中可以包括有历史打车时长统计信息，以此为当前场景的预计打车时长的计算提供参考。

所述K个历史时刻中，可以有一个历史时刻为当前时刻在预设时长之前的一天中的相同时刻；所述预设时长可以是一周、或两周。举例来说，当前为周一上午9点，则一个历史时刻可以是上周一上午9点。

需要理解的是，获取为当前时刻在预设时长之前的一天中的相同时刻所对应的平均打车时长，可以是：获取该当前时刻在预设时长之前的一天中的相同时刻所对应的候选历史数据，从该候选历史数据中提取当前所在位置对应的当前区域所对应的历史打车时长，计算全部提取到的历史打车时长的平均值，得到该当前时刻在预设时长之前的一天中的相同时刻所对应的平均打车时长。

或者，还可以是：获取该当前时刻在预设时长之前的一天中的相同时刻的相关时段内的候选历史数据，从该候选历史数据中提取当前所在位置对应的当前区域所对应的历史打车时长，计算全部提取到的历史打车时长的平均值，得到该当前时刻在预设时长之前的一天中的相同时刻所对应的平均打车时长。其中，所述在预设时长之前的一天中的相同时刻的相关时段，可以是在预设时长之前的一天中的相同时刻之前的A分钟开始的时长在B分钟之内的一段时长；A和B均为整数。

另外，由于在于当前时刻较近的时间段里，打车时间的变化是相对连续和渐变的，因此，本实施例提供的方案中，K个历史时刻中还可以包括有当前时刻之前的一个或多个临近历史时刻，并且该一个或多个临近历史时刻与当前时刻之间的差值不大于预设门限值(比如可以为1小时)。示例性的，一个或多个临近历史时刻可以包括当前时刻之前的一分钟，三分钟，五分钟。

基于当前所在位置确定当前区域，基于所述当前区域确定在所述当前时刻之前的K个历史时刻分别对应的平均打车时长，具体可以包括：

从历史数据中提取在所述当前区域处的当前时刻之前的K个历史时刻分别对应的待分析历史数据；基于每一个历史时刻所对应的待分析历史数据，确定每一个历史时刻对应的平均打车时长。

所述历史打车时长统计特征的一种示例性的特征输出，可以如表4所示：

表4

通过以上处理可以得到当前区域在一个或多个历史时刻的平均打车时长，由于当前时刻与历史相同时间属性的统一时段的打车时长具备相似性，并且临近的历史时刻与当前时刻的打车时长之间也具备相关性，因此通过获取一个或多个历史时刻对应的平均打车时长，也有助于对当前时刻进行打车时长预计提供有用信息，因此，获取上述历史打车时长统计特征可以进一步保障后续确定预计打车时长的准确性。

这里，需要指出的是，本实施例提供的上述多个特征的获取，还可以是通过预先构建的打车场景状态机来实现的。比如，在打车场景状态机中可以设置多个状态节点，可以包括用户相关的下单节点、上车节点；还可以包括车辆相关的空车的出车状态节点、车辆行驶到上车地点的接客状态节点、等待用户(或乘客)的状态节点、以及到达目的地的状态节点。通过该打车场景状态机，可以基于输入的信息确定对应的特征，举例来说，输入的信息为当前所在位置以及当前时刻，可以基于该打车场景状态机获取到从当前所在位置至目的地的距离，以及获取到车辆达到当前所在位置的路径距离以及历史打车时长等等。上述打车场景状态可以获取到的特征可以并不包含前述全部特征。

进一步地，本实施例中所述基于所述相关特征信息，确定与所述当前时刻相关的M个时刻所分别对应的车辆到达所述当前所在位置的预计打车时长，包括：将所述相关特征信息输入至预设模型，得到所述预设模型输出的与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长。

其中，所述预设模型可以XGBoost回归算法模型。将所述相关特征信息输入至预设模型，由所述预设模型进行分裂拟合迭代，最终输出与所述当前时刻相关的M个时刻所分别对应的车辆到达所述当前所在位置的预计打车时长。

关于训练所述预设模型的处理中所使用的训练样本的设置，与所述预设模型所要预测的结果的数量相关，也就是跟M相关。

一种示例中，M＝2，也就是说当前时刻相关的2个时刻所分别对应的车辆到达所述当前所在位置的预计打车时长，比如图4所示，包括：当前时刻t的预计打车时长；以及当前时刻之后的15分钟(也就是t+15m)的预计打车时长。相应的，训练样本可以包括：历史时刻所对应的特征信息、以及历史时刻t对应的历史打车时长，历史时刻所对应的特征信息、以及历史时刻的15分钟后对应的历史打车时长。

需要指出的是，一个完整的打车动作是由用户行为和车辆行为共同完成。比如，如图5所示：用户行为可以包括下单(比如通过电子设备的某一个应用进行下单)和走到上车点；车辆行为包括：出车(此时可以是空车状态)，接客(行驶到上车点)，等待(即等待用户上车)，以及将用户送到目的地(此时可以如图5中可以表示为工作，用于表示车辆为工作状态)。相应的，上述预计打车时长可以是指的预计车辆到达上车点的时长。如图6所示，该预计打车时长由：用户下单至车辆接单之间的接单时间、以及司机驾驶车辆从接单的所在地点到达用户的当前所在位置(即到达用户的上车点)之间的接驾时间组成。

基于以上处理可以得到一个或多个用户分别对应的一个或多个预计打车时长，在后续处理中，还会对一个或多个用户的实际打车时长进行统计；相应的，所述方法还包括：对至少一个用户的预计打车时长以及实际打车时长进行统计，得到预计打车时长以及实际打车时长之间的误差概率。基于误差概率的分析，可以得到预测的准确度进行评估，进而可以进一步进行误差概率上报以供编程人员分析，后期还可以对模型进行调整等处理，这里不做穷举。

具体来说，可以是：从当前统计的全部候选数据中，获取并计算实际打车时长小于或等于L分钟的待分析数据的总数量，以及计算每一个待分析数据所对应的预计打车时长与实际打车时长之间的绝对误差；计算绝对误差小于或等于P分钟的待分析数据的数量；基于所述绝对误差小于或等于所述P分钟的待分析数据的数量以及所述待分析数据的总数量，计算得到误差概率。

其中，所述计算每一个待分析数据所对应的预计打车时长与实际打车时长之间的绝对误差，可以表示为：

绝对误差x_i＝abs(实际打车时长-预计打车时长)；其中，x_i即任意一个候选数据，i为大于等于1且小于等于n的整数，n可以与实际的候选数据的数量相关，这里不进行限定。

计算实际打车时长小于或等于L分钟的待分析数据的总数量之前，还可以针对每一个候选数据采用以下公式进行设置，以将实际打车时长小于或等于L分钟的候选数据的数量统计值设置为1：

即将实际打车时长小于或等于L分钟的候选数据的数量统计值设置为1；将实际打车时长大于L分钟的候选数据的数量统计值设置为0。

计算绝对误差小于或等于P分钟的待分析数据的数量之前，还可以对每一个待分析数据采用以下公式进行设置，以将绝对误差小于或等于P分值的待分析数据的数量统计值设置为1：

其中，j可以大于等于1且小于等于m，m可以与待分析数据的数量相关，这里不对其进行限定。基于上述公式可以将绝对误差小于或等于P分钟的待分析数据的数量统计值设置为1，将绝对误差大于P分钟的待分析数据的数量统计值设置为0。

基于所述绝对误差小于或等于所述P分钟的待分析数据的数量以及所述待分析数据的总数量，计算得到误差概率，可以采用以下公式表示：

其中，p表示误差概率，

表示对绝对误差小于或等于P分钟的待分析数据的数量统计值做和，得到的为绝对误差小于或等于所述P分钟的待分析数据的数量；

表示对实际打车时长小于或等于L分钟的待分析数据的数量统计值做和，得到的为实际打车时长小于或等于L分值的待分析数据的总数量。

本实施例可以通过预设模型来结合分析得到的当前场景的特征信息，直接确定一个或多个预计打车时长。从而，可以避免复杂的运算处理，仅通过一个预设模型就可以直接得到一个或多个在当前所在位置处的预计打车时长，如此提升了估计预计打车时长的计算效率。

根据本申请的实施例，本申请还提供一种打车时长预估装置，如图7所示，包括：

信息获取模块601，用于获取当前所在位置以及当前时刻；

特征确定模块602，用于基于所述当前所在位置以及所述当前时刻中至少之一，确定当前场景的特征信息；

预估模块603，用于基于所述当前场景的特征信息，确定与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长；其中，M为大于等于1的整数。

所述特征确定模块602，用于执行以下至少之一：

基于所述当前所在位置以及所述当前时刻，确定历史打车时长统计特征。

所述特征确定模块602，用于执行以下至少之一：

基于所述当前所在位置确定当前区域的中心点；

基于所述当前所在位置确定当前区域对应的区域属性特征；

所述特征确定模块602，用于执行以下至少之一：

所述特征确定模块602，用于执行以下至少之一：基于所述当前时刻确定时间相关特征；

所述特征确定模块602，用于基于当前所在位置确定当前区域，基于所述当前区域确定在所述当前时刻之前的K个历史时刻分别对应的平均打车时长；K为大于等于1的整数。

所述预估模块603，用于将所述相关特征信息输入至预设模型，得到所述预设模型输出的与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图8所示，是根据本申请实施例的打车时长预估方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图8所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的打车时长预估方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的打车时长预估方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的打车时长预估方法对应的程序指令/模块(例如，附图7所示的特征处理模块、相关性分析模块、兴趣点关联模块)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的打车时长预估方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据打车时长预估的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至打车时长预估的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

打车时长预估的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图8中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS)服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本申请实施例的技术方案，可以基于当前位置以及当前时刻，确定当前场景的特征信息，进而基于当前场景的特征信息确定M个时刻分别对应的车辆到达当前所在位置的预计打车时长。如此，可以为用户准确的提供在当前所在位置处与当前时刻相关的多个时刻下的多个预计打车时长，进而便于用户合理安排出行时间以及出行方式，提升用户的使用体验。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims

1.一种打车时长预估方法，包括：

获取当前所在位置以及当前时刻；

2.根据权利要求1所述的方法，其中，所述基于所述当前所在位置以及所述当前时刻中至少之一，确定当前场景的特征信息，包括以下至少之一：

3.根据权利要求2所述的方法，其中，所述基于所述当前所在位置以及所述当前时刻中至少之一，确定区域特征信息，包括以下至少之一：

基于所述当前所在位置确定当前区域的中心点；

基于所述当前所在位置确定当前区域对应的区域属性特征；

4.根据权利要求2所述的方法，其中，所述基于所述当前所在位置以及所述当前时刻中至少之一，确定运力相关特征信息，包括以下至少之一：

5.根据权利要求2所述的方法，其中，所述基于所述当前所在位置以及所述当前时刻中至少之一，确定外界条件特征，包括以下至少之一：

基于所述当前时刻确定时间相关特征；

6.根据权利要求2所述的方法，其中，所述基于所述当前所在位置以及所述当前时刻，确定历史打车时长统计特征，包括：

7.根据权利要求1-6任一项所述的方法，其中，所述基于所述相关特征信息，确定与所述当前时刻相关的M个时刻所分别对应的车辆到达所述当前所在位置的预计打车时长，包括：

将所述相关特征信息输入至预设模型，得到所述预设模型输出的与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长。

8.一种打车时长预估装置，包括：

信息获取模块，用于获取当前所在位置以及当前时刻；

9.根据权利要求8所述的装置，其中，所述特征确定模块，用于执行以下至少之一：

10.根据权利要求9所述的装置，其中，所述特征确定模块，用于执行以下至少之一：

基于所述当前所在位置确定当前区域的中心点；

基于所述当前所在位置确定当前区域对应的区域属性特征；

11.根据权利要求9所述的装置，其中，所述特征确定模块，用于执行以下至少之一：

12.根据权利要求9所述的装置，其中，所述特征确定模块，用于执行以下至少之一：基于所述当前时刻确定时间相关特征；

13.根据权利要求9所述的装置，其中，所述特征确定模块，用于基于当前所在位置确定当前区域，基于所述当前区域确定在所述当前时刻之前的K个历史时刻分别对应的平均打车时长；K为大于等于1的整数。

14.根据权利要求8-13任一项所述的装置，其中，所述预估模块，用于将所述相关特征信息输入至预设模型，得到所述预设模型输出的与所述当前时刻相关的M个时刻所分别对应的在所述当前所在位置的预计打车时长。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。