CN112703517A - 电子叫车服务 - Google Patents
电子叫车服务 Download PDFInfo
- Publication number
- CN112703517A CN112703517A CN201880097531.3A CN201880097531A CN112703517A CN 112703517 A CN112703517 A CN 112703517A CN 201880097531 A CN201880097531 A CN 201880097531A CN 112703517 A CN112703517 A CN 112703517A
- Authority
- CN
- China
- Prior art keywords
- data
- service provider
- service
- service providers
- region
- 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 claims abstract description 114
- 230000008569 process Effects 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 230000001373 regressive effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012384 transportation and delivery Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3438—Rendez-vous, i.e. searching a destination where several users can meet, and the routes to this destination for these users; Ride sharing, i.e. searching a route such that at least two users can share a vehicle for at least part of the route
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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]
- G06Q30/0611—Request for offers or quotes
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
Abstract
示例实施例总体上涉及用于管理服务提供商和服务请求的方法、系统和设备。该方法包括:针对每个所标识地理地区,得出在特定的即将到来的时间段内的服务请求预测和服务提供商预测。该方法包括:针对每个所标识地理地区,确定该地理地区在该特定的即将到来的时间段期间是否将处于供给过剩状态。该方法包括:针对被确定为在该特定的即将到来的时间段期间处于该供给过剩状态的每个所标识地理地区:确定可用服务提供商的数量M;在该地理地区中选择至少M个可用服务提供商;以及仅向所选的可用服务提供商提供通知。每个通知可以包括移出该地理地区并移动到另一地理地区中的特定位置的消息。
Description
技术领域
本发明属于运输领域。一些实施例涉及用于管理运输服务提供商的方法和设备。
背景技术
US 20140011522涉及一种用于提供按需服务信息的方法。针对给定的地理地区,一个或多个处理器确定请求按需服务的多个请求者中的每个请求者的位置信息以及可以提供按需服务的多个服务提供商中的每个服务提供商的位置信息。标识给定地理地区的多个子地区。至少部分地基于请求者和服务提供商的位置信息,确定与一个或多个子地区相比,多个服务提供商对一个或多个其他子地区供给不足。标识供给不足的子地区的信息被提供给一个或多个服务提供商设备。
发明内容
在所附独立权利要求中叙述了本发明的各方面,而在从属权利要求中叙述了一些实施例的一些特征。
在一方面,披露了一种管理运输服务提供商的方法,该方法包括:-实时接收第一数据流,该第一数据流包括指示多个服务提供商中的每个服务提供商的数据,所述数据包括对所述服务提供商中的每个服务提供商的标识的指示、相应服务提供商的可用性数据以及对每个相应服务提供商的位置的指示;处理该第一数据流和存储的历史供给/需求数据,以提供在给定时间对在包括多个地理区域的地区上的服务提供商的数量和服务请求的数量的预测,其中,该预测是按区域进行的;使用可用性标准过滤该第一数据流以提供指示候选服务提供商的输出数据,其中,指示每个候选服务提供商的数据包括对与每个候选服务提供商的位置相关联的相应候选服务提供商的标识的指示;将指示候选服务提供商的数据与所预测的服务提供商的数量和服务请求的数量进行组合,并且利用这些数据计算候选服务提供商从其当前区域移动到每个不同区域的距离/时间矩阵,从而确定有资格从其当前区域移动到相应新区域的一组候选服务提供商;以及仅向每个有资格的服务提供商输出相应的通知,该通知包括对新区域中新位置的指示,由此至少一些区域中的服务提供商的数量向服务请求的数量趋近。
在另一方面,披露了一种用于管理运输服务提供商的设备,该设备包括
数据存储装置和在所存储指令的控制下操作的处理器,这些指令用于:-实时接收第一数据流,该第一数据流包括指示多个服务提供商中的每个服务提供商的数据,该数据包括对每个服务提供商的标识的指示、相应服务提供商的可用性数据以及对每个该相应服务提供商的位置的指示;从该存储装置中读取历史供给/需求数据;处理该第一数据流和该历史供给/需求数据,以提供对在包括多个地理区域的地区上的服务提供商的数量和服务请求的数量的预测,其中,该预测是按区域进行的;使用可用性标准过滤该第一数据流以输出指示候选服务提供商的数据,其中,指示每个候选服务提供商的数据包括对与每个候选服务提供商的位置相关联的相应候选服务提供商的标识的指示;将指示候选服务提供商的数据与所预测的服务提供商的数量和服务请求的数量进行组合,并且利用这些数据计算候选服务提供商从其当前区域移动到每个不同区域的距离/时间矩阵,从而确定有资格从其当前区域移动到相应新区域的一组候选服务提供商;并且仅向每个有资格的服务提供商输出相应的通知,该通知包括对新区域中新位置的指示,由此至少一些区域中的服务提供商的数量向服务请求的数量趋近。
还披露了一种管理多个服务提供商和服务请求的方法。该方法可以包括标识多个地理地区。该方法可以包括:针对所标识地理地区中的每个地理地区,得出服务请求预测。每个服务请求预测可以包括对在即将到来的第一时间段内将接收的针对该地理地区的服务请求的数量的预测。该方法还可以包括:针对所标识地理地区中的每个地理地区,得出服务提供商预测。每个服务提供商预测可以包括对在即将到来的第一时间段期间该地理地区中将可以接受服务请求的服务提供商的数量的预测。该方法还可以包括:针对所标识地理地区中的每个地理地区,确定该地理地区在即将到来的第一时间段期间是否将处于供给过剩状态。当在即将到来的第一时间段内针对每个地理地区的服务提供商预测至少超出在即将到来的第一时间段内针对该地理地区的服务请求预测第一阈值时,该地理地区在即将到来的第一时间段期间可能处于供给过剩状态。该方法还可以包括:针对被确定为在即将到来的第一时间段期间处于供给过剩状态的每个所标识地理地区,确定该地理地区中的可用服务提供商的数量M。数量M可以是当从在即将到来的第一时间段内针对该地理地区的服务提供商预测中减去时将使得该地理地区不会处于供给过剩状态的量。该方法还可以包括:针对被确定为在即将到来的第一时间段期间处于供给过剩状态的每个所标识地理地区,在该地理地区中选择至少M个可用服务提供商。对每个可用服务提供商的选择可以基于一个或多个预定标准。
该方法可以进一步包括:针对被确定为在即将到来的第一时间段期间处于供给过剩状态的每个所标识地理地区,仅向所选的可用服务提供商提供通知。每个通知可以包括移出该地理地区的消息。每个通知可以包括移动到一个或多个其他地理地区中的消息。
还披露了一种管理多个服务提供商和服务请求的方法。该方法可以包括标识多个地理地区,该多个地理地区包括第一地理地区和第二地理地区。该方法可以包括得出针对该第一地理地区和该第二地理地区中的每个地理地区的服务请求预测。每个服务请求预测可以包括对在即将到来的第一时间段内将接收的针对该地理地区的服务请求的数量的预测。例如,每个服务请求预测可以包括但不限于以下各项中的一项或多项:对在即将到来的第一时间段期间将接收的针对该地理地区的服务请求的数量的预测;对在即将到来的第一时间段期间将接收的针对该地理地区的服务请求的数量的预测,这些服务请求请求立即提供服务和/或在即将到来的第一时间段期间提供服务;对在即将到来的第一时间段之前将接收的针对该地理地区的服务请求的数量的预测,这些服务请求请求在即将到来的第一时间段期间提供服务;和/或已经接收到的针对该地理地区的服务请求的数量,此类接收到的服务请求请求立即提供服务(但尚未匹配到可用服务提供商)和/或在即将到来的第一时间段期间提供服务。该方法还可以包括得出针对该第一地理地区和该第二地理地区中的每个地理地区的服务提供商预测。每个服务提供商预测可以包括对在即将到来的第一时间段期间该地理地区中将可以接受服务请求的服务提供商的数量的预测。该方法还可以包括:针对所标识地理地区中的每个地理地区,确定该地理地区在即将到来的第一时间段期间将处于需求过剩状态、供给过剩状态还是正常状态。当服务请求预测至少超过服务提供商预测第一阈值时,可以确定为需求过剩状态。当服务提供商预测至少超过服务请求预测第二阈值时,可以确定为供给过剩状态。当既未预测出需求过剩状态也未预测出供给过剩状态时,可以确定为正常状态。该方法可以进一步包括:响应于该第一地理地区被确定为在即将到来的第一时间段期间处于供给过剩状态,确定数量M。数量M可以是当从在即将到来的第一时间段内针对该第一地理地区的服务提供商预测中减去时将使得该第一地理地区从供给过剩状态变为正常状态的量。该方法可以进一步包括:响应于该第一地理地区被确定为在即将到来的第一时间段期间处于供给过剩状态,基于一个或多个预定标准在该第一地理地区中选择至少M个可用服务提供商。每个所选可用服务提供商可以是被预测为可能在即将到来的第一时间段内在该第一地理地区中接受服务请求的服务提供商。该方法可以进一步包括:响应于该第二地理地区被确定为在即将到来的第一时间段期间处于需求过剩状态,确定数量N。数量N可以是当添加到在即将到来的第一时间段内针对该第二地理地区的服务提供商预测中时将导致该第二地理地区从需求过剩状态变为正常状态的量。该方法可以进一步包括向所选的可用服务提供商中的每个可用服务提供商提供移出第一地理地区的通知。替代性地或另外地,每个通知可以包括移动到一个或多个其他地理地区中的消息。
在另一示例性实施例中,描述了一种管理多个服务提供商和服务请求的方法。该方法可以包括标识多个地理地区,该多个地理地区包括第一地理地区、第二地理地区和一个或多个中间地理地区。该方法还可以包括得出针对所标识地理地区中的每个地理地区的服务请求预测。每个服务请求预测可以包括对在即将到来的第一时间段内将接收的针对该地理地区的服务请求的数量的预测。该方法还可以包括得出针对所标识地理地区中的每个地理地区的服务提供商预测。每个服务提供商预测可以包括对在即将到来的第一时间段期间该地理地区中将可以接受服务请求的服务提供商的数量的预测。该方法还可以包括:针对所标识地理地区中的每个地理地区,确定该地理地区在即将到来的第一时间段期间将处于需求过剩状态、供给过剩状态还是正常状态。当服务请求预测至少超过服务提供商预测第一阈值时,可以确定为需求过剩状态。当服务提供商预测至少超过服务请求预测第二阈值时,可以确定为供给过剩状态。当既未预测出需求过剩状态也未预测出供给过剩状态时,可以确定为正常状态。该方法还可以包括:响应于该第一地理地区被确定为在即将到来的第一时间段期间处于供给过剩状态,该第二地理地区被确定为在即将到来的第一时间段期间处于需求过剩状态,并且中间地理地区在即将到来的第一时间段期间具有一个或多个可用服务提供商,基于一个或多个预定标准在该第一地理地区中选择至少一个可用服务提供商。每个所选可用服务提供商可以是被预测为可能在即将到来的第一时间段内在该第一地理地区中接受服务请求的服务提供商。该方法还可以包括:响应于该第一地理地区被确定为在即将到来的第一时间段期间处于供给过剩状态,该第二地理地区被确定为在即将到来的第一时间段期间不处于供给过剩状态,并且一个或多个中间地理地区在即将到来的第一时间段期间不处于供给过剩状态,基于一个或多个预定标准在一个或多个中间地理地区中选择至少一个服务提供商。在一个或多个中间地理地区中的选择的每个服务提供商可以是被预测为可能在即将到来的第一时间段内在一个或多个中间地理地区中接受服务请求的服务提供商。该方法还可以包括:响应于该第一地理地区被确定为在即将到来的第一时间段期间处于供给过剩状态,该第二地理地区被确定为在即将到来的第一时间段期间处于需求过剩状态,并且中间地理地区在即将到来的第一时间段期间具有可用服务提供商,仅向在该第一地理地区中选择的一个或多个可用服务提供商提供移出该第一地理地区并移动到在即将到来的第一时间段期间具有一个或多个可用服务提供商的一个或多个中间地理地区中的通知。该方法还可以包括:响应于该第一地理地区被确定为在即将到来的第一时间段期间处于供给过剩状态,该第二地理地区被确定为在即将到来的第一时间段期间处于需求过剩状态,并且中间地理地区在即将到来的第一时间段期间具有一个或多个可用服务提供商,仅向在即将到来的第一时间段期间具有一个或多个可用服务提供商的一个或多个中间地理地区中选择的一个或多个服务提供商提供移出其地理地区和/或移动到第二地理地区中的通知。
本文所述技术的实施可以提供显著的技术优势,即,通过仅向需要的人提供通知消息从而避免了混乱,同时使所传送的数据量最小化从而提供了高效且有效的操作。消息的内容可以是比如为了将服务提供商的移动时间和/或距离减小到接近最佳的最小值。
附图说明
为了更彻底的理解本披露、示例实施例及其优点,现在参考以下结合附图进行的描述,其中相同的附图标记表示相同的特征,并且:
图1是可配置为发送服务请求的用户设备的示例的图示;
图2是服务提供商计算设备的示例的图示;
图3是用于管理服务提供商和服务请求的系统的示例实施例的图示;
图4A是多个地理地区的示例实施例的图示;
图4B是多个地理地区的另一示例实施例的图示;
图4C是具有预测状态的多个地理地区的另一示例实施例的图示;
图5是处理器和具有其数据流的数据仓库的高度示意图;
图6示出了历史空间时间需求供给数据的示例;
图7示出了服务提供商简档数据的示例;
图8A示出了服务请求数据的示例;
图8B示出了服务提供商实时状态数据的示例;
图9示出了第三方实时数据的示例;
图10示出了预测的空间时间需求供给数据的示例;
图11A示出了服务提供商实时状态数据的示例;
图11B示出了候选服务提供商数据的示例;
图12示出了历史汇总时间-空间数据的示例;
图13示出了优化结果的示例;
图14示出了所显示通知的示例;
图15示出了示例消息,包含下发时间、接收该消息的服务提供商的ID、以及该消息的内容(在“目的地”和“出发地”方面);以及
图16示出了分组的高度示意图。
具体实施方式
最近的历史已经见证了运输相关服务的增长,这些服务可以从用户设备直接或间接地进行搜索、比价、比较、请求、预约、预订或取消。
在该文献的背景下,术语“运输相关服务”包括公共交通、出租车、私家车租赁、豪华轿车服务、班车、拼车、送货。
图1中示出了充当用户设备的智能电话上的GUI(图形用户界面)的说明性示例。
所展示的GUI具有:部分111,该部分用于针对所请求的服务输入起始或起点位置;部分112,该部分用于针对所请求的服务输入目的地位置;用于选择服务类型(例如,出租车、私家车、拼车或合伙乘车(car-pool)、班车、公共汽车、送货等)的部分;地图,该地图可以包括对用户的计算设备的当前位置的指示、对所请求的服务的起始或起点位置的指示、对所请求的服务的终点或目的地位置的指示、或对一个或多个可用服务提供商的位置的指示;支付方式;用于提交服务请求的按钮;估计票价或保证票价;估计到达时间或保证到达时间;常用的起点位置和目的地位置;促销活动;到其他特征和功能的链接。
本发明决不限于这种界面或任何其他界面。示出界面是为了帮助理解。
服务提供商还可以在服务提供商设备上使用软件应用(比如移动应用、小工具或互联网网站),以使服务提供商能够(除其他事项外)接收、接受、忽略或拒绝经由通信网络已经接收的服务请求。
图2中示出了显示服务提供商GUI(图形用户界面)的智能电话的说明性示例。
所展示的服务提供商GUI具有:弹出或通知部分121,该弹出或通知部分可以提供一个或多个通知,比如匹配到服务提供商或可以被服务提供商接受的(多个)新服务请求;部分122,该部分允许服务提供商接受新服务请求;地图,该地图可以包括对服务提供商的计算设备的当前位置的指示、对所接收或接受的服务请求的起始或起点位置的指示、和/或对所接收或接受的服务请求的终点或目的地位置的指示;导航部分,该导航部分用于提供使服务提供商从服务提供商的计算设备的当前位置行进到另一位置(例如,目的地、服务请求的起点位置、用户的计算设备的位置等)的一个或多个方向等。
如稍后将描述的,结合本发明的服务提供商GUI的实施例可配置为显示其他字段,例如,服务提供商应该移动位置的通知字段、以及允许服务提供商GUI的用户接受这种提议的字段。参见例如图14。
本发明决不限于这种界面或任何其他界面。示出界面是为了帮助理解。
用于管理运输相关服务的当前方法包括:接收服务请求;在用户位置(或用户提供的起始或起点位置)附近搜索合适且可用的服务提供商;以及将合适且可用的服务提供商匹配到服务请求。尽管这种方法通常已经能够使服务请求匹配到合适且可用的服务提供商,但是可能会遇到包括供给(可用服务提供商)或需求(接收到的服务请求)的效率低下或非最佳失衡的问题。
出于说明性目的,针对给定的较大地理地区(例如,地区、区、镇、市、州、省等),可以存在和/或预先分派或预先指定图4A所展示的地理地区402a至402o和图4C所展示的地理地区402a至402s。尽管在图4A和图4C中展示的地理地区被示出为在大小和/或形状上被均匀地划分,但是在本披露中应当理解,地理地区的大小和/或形状可以不同,比如图4B所展示的地理地区402。
作为失衡状况的示例性说明,比如说地理地区402a中的可用服务提供商的数量超过了接收到的服务请求(例如,在地区402a中接收到的具有起始位置的服务请求)的数量。在这种情况下,以下称为“供给过剩状态”或“需求不足状态”,地区402a中存在的可用服务提供商在延长时间段内可以保持可用但未匹配到服务请求。
作为失衡状况的另一示例说明,地区402s中具有起始位置的服务请求的数量超过了地区402s中可用服务提供商的数量。在这种情况下,以下称为“需求过剩状态”或“供给不足状态”,即,该特定地理地区(例如,地理地区402s)中可能存在的具有起始位置的许多服务请求将在延长时间段内仍未匹配到可用服务提供商。
用于管理服务请求和服务提供商的系统的示例实施例
作为概述,图3中展示了用于管理多个服务请求的系统100的示例实施例,并且现在将对其进行描述。系统100包括一个或多个处理器150。如本披露中所使用的,在适用时,对处理器的提及还可以指代、适用于或包括计算设备、服务器、基于云的计算等,或者处理器、计算设备、服务器、基于云的计算等的功能。系统100包括一个或多个数据库(例如,数据库140)。如本披露中所使用的,当适用时,对数据库的提及也可以指代、适用于或包括数据库系统、数据库管理系统、基于云的计算、基于云的存储、存储系统和设备、区块链相关技术和系统等。系统100包括多个用户设备110,用于发送服务请求、发送计算设备的位置(例如,起始位置或当前位置),和/或用于在本披露中描述的动作、过程和/或功能中的一个或多个。系统100还包括服务提供商设备120,该服务提供商设备可配置为或被配置为接收服务请求、发送位置(例如,服务提供商设备的当前位置)、接收与服务请求的匹配通知、接收如本披露中所述的其他通知,和/或在本披露中描述的动作、过程和/或功能中的一个或多个。在一些示例实施例中,服务提供商设备120与服务提供商的车辆相关联或集成,或者是执行服务提供商的服务的自主或半自主车辆的一部分。处理器150、数据库140、用户设备110和服务提供商设备120经由一个或多个网络130彼此通信,该一个或多个网络比如互联网、万维网、一个或多个专用网络等。在一些示例实施例中,这种通信还可以是用户设备110与服务提供商设备120之间的直接或间接通信,比如在街边叫车(street-hailing)服务的情况下(例如,直接或视线范围、Wi-Fi范围内、蓝牙范围内、音频信号范围内或由用户亲自对服务提供商进行叫车)。
在实施例中使用时,(多个)处理器150在空闲状态下循环,直到从用户设备110接收到用户请求为止。该请求导致处理器中断,然后处理器借助于接收状态从用户请求中获取数据。该数据形成实时参数数据流,如下面将要描述的。在该实施例和一些其他实施例中,服务提供商设备120运行一个或多个软件应用,当服务提供商改变其状态时,这些软件应用使这些服务提供商设备向(多个)处理器150推送数据。状态改变的示例是服务提供商连线或载客/卸客或从不可用状态变为可用状态时的情况。在一些实施例中,相同或不同的应用定期或不定期地(例如,以标准间隔)对处理器请求进行响应,以将数据(例如,服务提供商的状态和位置)发送回处理器。从服务提供商设备推送的数据导致处理器的空闲状态中断,并且然后处理器借助于接收状态从服务提供商设备获取数据,这些数据形成了实时参数数据流,如下面将要描述的。另一方面,在一些实施例中,布置了处理器对服务提供商设备的请求以中断服务提供商设备的处理器,使得该设备将所需数据返回到系统处理器。
参考图3,系统具有用户设备110和服务提供商设备120。用户设备供用户(例如,发送服务请求的用户)使用,并且服务提供商设备供提供用户或用户设备所请求的服务的用户使用。用户设备和提供商设备通常都是智能电话,但可以是任何计算设备、移动计算设备、处理器、控制器等,其可配置为或被配置为执行信息处理、经由有线和/或无线通信进行通信、或本披露中描述的任何其他动作、过程或功能。设备110、120可以可配置为或被配置为通过3G网络、4G网络、4G LTE网络等(比如经由安装在设备110、120中的SIM卡等)来执行无线通信。附加地或替代性地,设备110、120可以可配置为或被配置为经由WLAN(比如Wi-Fi网络和Li-Fi网络)或经由其他形式(比如蓝牙、NFC和其他形式的无线信号)来执行无线通信。
用户设备110可以(例如,经由安装在设备上的比如移动应用等软件)可配置为或被配置为与处理器150进行无线通信或经由有线进行通信,并且这种通信可以包括发送服务请求、发送位置、查看可用服务提供商和费用、以及接收通知。这种服务请求通常是使用分组通信系统来发送的,该分组通信系统具有指示分组目的地的报头字段和包含实际数据内容的有效载荷字段。
服务提供商设备120可以(例如,经由安装在服务提供商计算设备上的比如移动应用等软件)可配置为或被配置为与处理器150进行无线通信或经由有线进行通信,并且这种通信可以包括接收需要服务的服务请求、发送位置、接收通知、接收对服务请求的匹配请求、以及接受服务请求。
在示例实施例中,设备110、120包括移动计算设备、智能电话、移动电话、PDA、平板机、平板计算机、便携式计算机、膝上型计算机、笔记本计算机、超极本、阅读器、电子设备、媒体播放器、专业设备(例如,用于与系统100或其部分进行通信和/或在其中进行操作的专用或专业设备)、智能扬声器、数字助理、部分或整体一起交互的多个计算设备、以及其他专用计算设备和行业特定的计算设备。本文所描述的设备110、120还可以是可穿戴计算设备,包括手表(比如Apple Watch)、眼镜等。设备110、120可以包括联网计算环境中的虚拟机、计算机、节点、实例、主机或机器。这种联网环境或云可以是通过通信信道连接的机器的集合,这些通信信道促进机器之间的通信并允许机器共享资源。这种资源可以包含用于运行实例的任何类型的资源,包括硬件(比如服务器、客户端、大型计算机、网络、网络存储装置、数据源、存储器、中央处理单元时间、科学仪器、以及其他计算设备)以及软件、软件许可证、可用的网络服务、以及其他非硬件资源、或其组合。
在一些情况下,用户设备和服务提供商设备具有相似的形式,但这不是必需的。
示例1:-参考图4C,预测地理地区402f处于供给过剩状态,并且预测地理地区402k处于需求过剩状态。可以预测地理地区402f的多余可用服务提供商的数量M,并且可以预测地理地区402k所需的服务提供商的数量N。如果M>N,则可以向在地理地区402f中选择的数量为N的多余可用服务提供商提供建议/请求移动到地理地区402k的通知121'。另一方面,如果M<N,则可以向在地理地区402f中选择的数量为M的多余可用服务提供商提供建议/请求移动到地理地区402k的通知121'。
示例2:-继续参考图4C,预测地理地区402f处于供给过剩状态,预测地理地区402g处于正常状态,并且预测地理地区402h处于需求过剩状态。可以预测地理地区402f的多余可用服务提供商的数量M,并且可以预测地理地区402h所需的服务提供商的数量N。在这种情况下,建议地区402f中的一些服务提供商移动到地区402h,从而穿过地区402g。如果M>N,则可以向在地理地区402f中选择的数量为N的多余可用服务提供商提供建议/请求移动到地理地区402h中的特定位置的通知121'。另一方面,如果M<N,则可以向在地理地区402f中选择的数量为M的多余可用服务提供商提供建议/请求移动到地理地区402h中的特定位置的通知121'。在地理地区402f与地理地区402h之间的行进距离和/或行进时间使得多余的可用服务提供商可能不会或不太可能从地理地区402f行进到地理地区402h的情况下,为了提高可用服务提供商被匹配到服务请求的机会,示例实施例在(例如,链路或链中的)多于一个可用服务提供商之间“共享”、“划分”或“分解”行进距离或时间。在这种情况下,建议地区402f中的多余服务提供商移动到地区402g,并且只要地区402g中存在可用服务提供商,就建议来自该地区的一些服务提供商移动到地区402h。
应当注意,为了使本披露的教导是适用的,没有必要使任何地区都处于正常状态。例如,在地区402g和402f都处于供给过剩状态的情况下,可以建议服务提供商从供给过剩地区402g和供给过剩地区402f转移。可以建议402f中的多个服务提供商移动到地区402g,以代替来自地区402g的已被建议移动到地区402h的服务提供商中的一些但并非全部。服务提供商可能会从供给过剩地区移动到需求过剩地区中,但是该需求过剩地区中的其他服务提供商会移动到另一个需求过剩地区。这完全取决于系统选择如何向服务提供商通知这些服务提供商的预测分布。
显然,在任何地区中可能被建议移动的大多数服务提供商由该地区中的多个预测服务提供商组成;移动的提供商数量不可能超过存在的数量。
一般原则是,目的是,在已经预期或预测到失衡的情况下通过建议某些可用服务提供商处于他们可以移动到的地方的一个或多个位置(其中,这种移动会降低总体失衡),在供给与需求之间建立更好的平衡。由于预测的供给过剩易于使服务提供商在某些时间段内没有任何工作,因此很可能会激励服务提供商遵循这种建议。
行进距离或时间的划分、分解或共享可以提高地理地区402f中的多余可用服务提供商同意移出“供给过剩状态”的地理地区402f的可能性或机会。应当理解,在本披露中,可以使用任何数量的中间地理地区(例如,中间地理地区402g)来实现对供给-需求失衡的优化或平衡。还应当理解,在本披露中,每个中间地理地区(例如,中间地理地区402g)可以是具有物理地定位于供给过剩状态的地理地区(例如,地理地区402f)与需求过剩状态的地理地区(例如,地理地区402h)之间的一个或多个部分的地理地区。替代性地或另外地,每个中间地理地区(例如,中间地理地区402g)可以是具有物理地定位成与供给过剩状态的地理地区(例如,地理地区402f)和/或需求过剩状态的地理地区(例如,地理地区402h)邻近的一个或多个部分的地理地区。替代性地或另外地,每个中间地理地区(例如,中间地理地区402g)可以是不具有物理地定位于供给过剩状态的地理地区(例如,地理地区402f)与需求过剩状态的地理地区(例如,地理地区402h)之间和/或定位成与其邻近的一个或多个部分的地理地区。
在M>N的情况下,也可以将在地理地区402f中选择的数量为N的多余可用服务提供商划分为一个或多个其他中间地理地区,比如中间地理地区402l和/或中间地理地区402b。
在M<N的情况下,也可以将在地理地区402f中选择的数量为M的多余可用服务提供商(均匀地或不均匀地)划分为一个或多个其他中间地理地区,比如中间地理地区402l和/或中间地理地区402b。
这种划分可以基于几个因素来确定,这些因素包括但不限于一个或多个中间地理地区中的可用服务提供商的预测数量、在预测中间地理地区处于供给过剩状态之前可以将多少个可用服务提供商添加到每个中间地理地区中等。
示例3:-继续参考图4C,地区402被示出为预测的供给过剩。预测地区402b至402d以及402p至402r处于正常状态,并且预测402s处于需求过剩状态。系统计算对地区402a中M个多余服务提供商的预测,而系统预测地区402s中需要N个服务提供商以实现平衡。
在一个实施例中,如果从402a到402s总共需要M个,则系统通知所有M个服务提供商。如果仅需要N个服务提供商(N>M),则在一个实施例中,系统仅通知地区402a中的N个服务提供商。如前所述,该通知是关于在这种情况下移动到地区402s(例如,移动到地区402s中的特定位置)的建议。
如通过观察附图可以看出,完成所建议的移动将涉及到驾驶通过几个“正常状态”的地区,并且服务提供商可能不愿意驾驶这么长的路。
在一个实施例中,通过建议地区402a中的多余服务提供商仅移动到其下一个地区或中间地区(例如,地区402b或402q、或者可能是这两者)来改善平衡状态。然后,建议这种中间地区中的服务提供商继续前进,或者直接前进到最终地区402s,或者前进到中间地区(例如,402c、402r)。
如前所述,目的是改善预测或预测的服务提供商与预测或预测的服务请求之间的平衡。将认识到,与此相反的方面是,缺乏工作的服务提供商将更少,而将匹配的服务请求将更多。
数据流
现在参考图5,系统100的一部分中的数据流的实施例的示意性框图具有一起形成监控/控制装置的数据库(在该实施例中为数据仓库901)和处理装置950。
在叫车或类似出租车的服务的上下文中描述了该实施例,但是本发明不限于这种上下文。读者会很容易想到其他应用的示例,例如,货物的取货和送货情况、公共交通、出租车、私家车租赁、豪华轿车服务、班车、拼车和送货。
下文描述的实施例并不旨在限制本发明的范围。对于本领域读者显而易见的是,其他装置也将是可能的。
术语“数据仓库”可能需要一些解释。在本说明书中的含义是对不同类型或不同来源的数据进行存储的数据存储装置。本领域技术人员将清楚的是,在其他实施例中可以使用其他存储器或存储系统。
一般而言,在该实施例中,处理装置950由运行存储在存储器(未示出)中的程序的指令的处理器组成。该程序使处理器提供本说明书中确定的操作。在实施例中,处理器也执行其他任务,例如,将服务请求与服务提供商进行匹配。
数据仓库901包含按其功能指定的地区,并且该功能进而设置存储在每个地区中的数据的性质。这些地区包括服务请求和服务提供商数据存储装置903、服务提供商简档存储装置905、按地区时间的历史需求和供给存储装置907(为简单起见,在本文中被称为“历史供给/需求存储装置”)、按地区时间的预测需求和供给存储装置909(在本文中被称为“预测供给/需求存储装置”)、第三方数据存储装置911、历史汇总时间-空间数据存储装置913和服务提供商接收消息存储装置915。
该处理装置执行四个过程,即过滤和选择过程953、预测过程951、优化过程955和通知消息过程957。
数据仓库被连接为从与图3的用户设备110相对应的服务请求者设备801接收服务请求数据流101,并将从中得到的数据传递给服务请求和服务提供商数据存储装置903。来自与图3中的服务提供商设备120相对应的服务提供商设备803的数据流102流向服务请求和服务提供商数据存储装置903。来自其中的数据作为流103被提取到数据仓库的历史供给/需求存储装置907。
来自服务提供商设备803的数据流104传递到服务提供商简档存储装置905,参见图7。
来自服务提供商设备的数据流、或者是由于在那些设备上运行的应用而产生的数据流例如经由互联网以无线方式被发送。在实施例中,由服务提供商设备发出的数据的形式是作为分组,这些分组具有指示分组的目的地的报头以及携带系统操作所需的字段的有效载荷。
服务提供商设备803还分别向预测过程951以及过滤和选择过程953提供数据流201、302。从通知过程957到每个所选服务提供商803的另一数据流通道是501,这次是允许来自处理装置950的输出到达这种所选服务提供商。
来自服务提供商简档存储装置905的数据作为数据流301被输入到过滤和选择过程953。
除了从服务提供商设备803接收数据流201,预测过程951还从数据仓库901的历史供给/需求存储装置907和第三方数据存储装置911接收数据202。预测过程951将数据流204提供给预测供给/需求存储装置909,并从这里将数据流401提供给优化过程955。
优化过程955从过滤和选择过程953接收数据流400,并且从预测供给/需求存储装置909接收上述流401。该优化过程进一步从数据仓库950的历史汇总时间-空间数据存储装置913接收流403。该优化过程向服务提供商接收消息存储装置915提供数据流406,并向通知消息过程957提供另一数据流404。
通知过程消息过程957从通知消息过程957接收数据流502。
数据流101来自用户通信设备801(例如,移动电话),并在用户希望提出服务请求时由在用户设备上运行的应用产生。服务请求者的应用通常以带有指示目的地(在当前实施例中是监控/控制装置)的报头的分组的形式无线地输出消息。有效载荷由服务请求者的(用户的)信息组成,并且在一个实施例中,这包括:user_id;request_id;request_time、乘车位置、下车位置、请求时间、一天中的某一小时、一周中的某一天、is_request_allocated、is_request_ignored;is_request_cancelled;is_request completed;票价;促销活动。图8A中示出了数据流101的示例。数据流101从用户设备801经由通信网络传递到服务请求和服务提供商数据存储装置903。在实施例中,仅以时间-空间格式汇总服务请求信息。
图16中示出了分组170的一部分的示例,其中,部分171是分组报头,并且元素172至177是有效载荷字段。对于流101的以上示例,有效载荷字段172携带“user_id”;173携带“request_id”,依此类推。
数据流102、104、201和302从运行服务提供商应用的服务提供商设备803输出。在一个实施例中,该应用被配置为每当服务提供商与他/她的设备803交互时就输出(推送)包括至少一个数据流的消息。同样,在该实施例中,如果服务提供商的设备正在操作,则应用定期(例如,每秒一次)地推送输出。在另一实施例中,监控/控制单元定期(例如,每秒一次)地从如前所述的服务提供商应用中提取服务提供商数据。
在一些实施例中,如果服务提供商关闭应用或关闭设备,则在重新打开app之前,不会传输来自该设备的其他数据。在这种情况下,“GPS位置”和“可用于服务”被记录为车辆的位置以及服务提供商在其当前时间戳(即,数据收集时)的状态。
在一个实施例中,仅偶尔(例如,每天一次、每周一次)使用源自服务提供商设备803的数据流102和104中的数据来更新存储装置905、907。这是因为数据流102、104包含的数据相对不变。
假设一整天都有一系列服务提供商的位置和可用性数据,则实施例每15分钟(例如,5:00、5:15、5:30,以此类推)使用快照来估计在每15分钟的时间间隔内每个地理地区有多少服务提供商(供给)是可用的。
服务提供商应用对各种刺激做出响应,并且还存储一些永久性数据或半永久性数据。半永久性数据包括例如服务提供商的ID。永久性数据(即,不断变化的数据)包括比如位置、当前可用性、到达目的地的时间等项。
在实施例中,来自服务提供商设备的输入数据流是:
数据流102:service_provider_id;is_available_for_service;GPS位置(纬度,经度)。该数据定期地(如上所述)、实时或近实时地被输出。如果服务提供商设备被关闭或应用被禁用,则数据仓库所存储的数据是最后收集的数据。否则,数据就是实时收集的,但由于其需要预处理因而不能直接使用。
利用数据流101和102,服务提供商的状态和位置信息以空间-时间格式汇总以提供数据流103,见下文。
例如,对于每个服务请求(或对应地为服务提供商),乘车位置(对应地为服务提供商的位置)可以按地区进行映射。需求被定义为在该地区的开始时间与结束时间之间未分配请求的数量,而供给被定义为在该地区的开始时间与结束时间之间可用服务提供商的数量。
表格作为历史需求和供给被存储在存储装置907中,以用作用于预测引擎951的输入。
数据流104:是服务提供商简档信息,例如,提供商ID;服务提供商的平均遵从率(ACR);平均在线时数;每周平均乘车次数;是出租车驾驶员;在平台上的年龄;平均接受率;平均取消率。该数据是在最近X周内在服务提供商级别汇总的,X是可配置的,例如,8周以提供汇总输出301。
数据流201:服务提供商的实时状态数据,包括其当前可用性状态;GPS(位置);当前工作的目的地(如果被占用);到达目的地的时间(如果被占用);自服务提供商接收到他的上一次通知以来的时间。
数据流302:服务提供商的实时数据,包括其当前可用性状态、GPS、当前工作的目的地(如果被占用)、到达目的地的时间(如果被占用)、自服务提供商接收到他的上一次通知以来的时间。
历史供给/需求存储装置
在图6中以表格形式示出了历史供给/需求存储装置907的内容的示例。此处示出的数据形成到预测过程951的数据流202。可以看出,其包括对历史需求(服务请求的数量)和供给(服务提供商的数量)的指示。如图所示,每个区域都存在明显的失衡。
在这种特定情况下,以空间-时间格式对服务提供商的状态和位置信息进行汇总。在最左侧的一列示出了该位置,这里是CBD(中央商务区),一直到位置“金文泰”。示出的时间段是两个15分钟(过去)的时间段(4:30-4:45以及4:45-5:00)。对于每个服务请求(或对应地为服务提供商),可以将乘车位置(对应地为服务提供商的位置)按地区进行映射。
可用服务提供商的数量在给定时间戳(例如,结束时间)处进行计数。这是因为服务提供商的可用性状态可以在15分钟的时间窗口期间切换。为此,以最近时间戳处的可用服务提供商的数量作为近似值。
需求被定义为在该地区的开始时间与结束时间之间未分配请求的数量,而供给被定义为在该地区的开始时间与结束时间之间可用服务提供商的数量。该表格被存储为历史需求和供给。
图7中以表格形式示出了对服务提供商简档存储装置905的内容的提取。由于空间约束,并未示出所有列,在其他实施例中可能收集和存储有其他字段或数据。
图7示出了四个服务提供商,其标识如下:1111、203、884和1842。当然,在实际情况下,不可能仅涉及四个提供商,但是此处选择此数量是为了易于说明。贯穿本文档,将使用这四个提供商作为示例。为简单起见,有时会将这四个提供商如图中所示的那样称为提供商A、B、C和D,其中,A对应于1111,B对应于203,C对应于884,并且D对应于1842。
对图7中所示数据的一些注解:提供商A和D是经许可的出租车驾驶员。提供商B和C不是。提供商D使用该系统的时间最长(3年),但遵从率最低,即遵从提供给他/她的提议服务请求最少(仅完成了传递给他/她的请求的15%)。
图7所示的数据变化相对较慢,并且因此在一些实施例中仅偶尔进行更新。
预测过程
预测过程951可以访问数据流201、202、203。
以上描述了并在图8中示出了流201。在该实施例中,该流携带与流302相同的数据。
如可以看出,近实时地示出了每个提供商的纬度和经度。提供商A在线(t=逻辑真)并且不可用(f=逻辑假)。提供商A的目的地为区域“乌节”,并且估计到达时间将为20秒内。通知已在28分钟前发送(并且通过在提供商设备上运行的app得到)。
提供商B不在线并且不可用。上次通知是18小时前。
提供商C和D都在线且都可用,并且因此没有目的地。
流202:历史需求和供给数据。可以在每个所选时间间隔(例如,15分钟)使用每个地理地区的前8周历史需求和供给数据。参见表6以及存储装置907的前述描述。
在图9中以表格形式示出了在第三方数据存储装置911中存储的数据的示例,即,流203。
第三方数据(比如天气状况、重大事件、MRT(运输)故障新闻等),很可能是实时消耗的。例如,从气象公司调用API以获取实时天气状况和/或未来15分钟的预测天气状况,以及从Twitter获取mrt故障新闻等)。
采用的方法:
根据数据流202中的历史供给/需求失衡数据(图6),预测器过程951使用比如双季节性霍尔特-温特(DSHW)、差分自回归移动平均(ARIMA)等时间序列预测技术来进行需求和供给预测,以预测由系统覆盖的每个区域在一个或多个即将到来的时间间隔内的失衡情况。
添加数据流201(实时提供商信息)和203(第三方信息)允许预测器进程951使用比如递归神经网络(RNN)、长短期记忆(LSTM)等机器学习技术来进行需求和供给预测。
图10中示出了预测器过程951输出到预测供给/需求存储装置909的数据流204的示例。
在本实施例中,预测多个地理地区中的每个地理地区(例如,构成市的一组地区或区域)的供给和需求。进行预测的时间段可以不同,可以是固定时间段(比如说,一个市为15分钟而另一个市为30分钟(取决于交通状况或该市特定的其他参数)),或者可以是可变/可选择时间段。“可变时间段”是指可以不受任何约束而变化的时间段。“可选择时间段”是指有大量的时间段值可供选择,因此,例如,在正午可能会选择15分钟的时段,但在高峰时段可能会选择10分钟的时段,并且在半夜可能会选择30分钟的时段。时段可能是时间相关的,或者可能是适应性的,因此,如果需求异常低,系统会相应地更改时段。
过滤和选择过程
过滤和选择过程953接收数据流302(服务提供商的实时数据,比如其当前可用性状态、GPS、当前工作的目的地(如果被占用)、自服务提供商接收到他的上一次通知以来的时间),并从服务提供商简档存储装置905接收服务提供商简档数据流301(参见图7)。
实施例中的过滤和选择过程在以下条件下对实时数据流302进行操作:-
1)过滤掉其app报告其在特定时间段(例如,半小时)内已接收到“移动”通知的服务提供商;
2)过滤掉在一定时间段(例如,15分钟)内被占用且无法结束当前工作的服务提供商;
3)选择处于在线状态且可工作的服务提供商;
4)基于供给预测选择处于离线状态但可能很快会在线的服务提供商;
5)基于供给预测选择当前在线但不可工作的、但可以很快可用的服务提供商;
6)基于预订信息和估计,选择被占用但可以很快完成工作的服务提供商。
如上所述,过滤和选择过程953对实时数据流302执行其过程,并且该过程的结果的示例在图11A中可见。
优化过程955通常使用服务提供商简档数据301来在已被选择的服务提供商之间进行优先级排序。因此,如果通过选择过程将两个服务提供商都选择为用于进行单个工作,则简档数据将首先选择两个服务提供商之一,因此,例如,相较于遵从率较低的驾驶员,遵从率较高的驾驶员将被选为候选提供商。另外,可以使用该数据流301中的其他一些参数,例如:该驾驶员之前是否已经是出租车驾驶员、该驾驶员是否是“新”驾驶员等。对于出租车驾驶员,他们可能对高需求位置有经验和了解,因此不会按照通知进行操作。对于“新”驾驶员,他可能不清楚需求模式,因此可能需要更多的指导。
在一个实施例中,过滤和选择过程953使用所选服务提供商的标识来获取简档数据流301中的数据,以便关于每个所选服务提供商的简档信息都被传递到下一阶段(优化),在该阶段可以进行优先级排序。
数据流302的输入与图8所示的流201相同。从中可以看出,提供商A离他的目的地较近(20秒),并且之后是可用的。然而,他在28分钟前接收到了他的上一次通知,因此他被过滤掉了。提供商D当前处于空闲状态,并且可以视为可以工作。然而,他在17分钟前接收到通知,该过程的逻辑将他排除在外。
提供商B当前处于离线状态并且不可用,但没有被条件1或2过滤掉。他既不是按条件3或5(不在线)入选的,也不是按条件9(未被占用)入选的。而是,他是按条件4入选的。在该实施例中,对服务提供商每天何时在线(从离线)的情况的历史数据进行存储。如果发现服务提供商总是在某些时间在特定地区离线,则在适当的时间向这些服务提供商发送通知。
(这是通过使用机器学习模型预测具有常规模式的当前离线服务提供商将很快上线的概率来实现的)。图11A中示出了对数据流302进行的这些逻辑运算的结果。
图11B中示出了输出数据流400的示例:这示出了有资格接收四处移动的通知的候选服务提供商及其位置(纬度、经度和到地理地区的映射)。该数据流400被馈送到优化过程955,
作为进一步示例,如果服务提供商正在服务于预订请求并且离目的地很远,则他没有资格获得通知(条件2)。如果服务提供商正在服务于预订请求并且接近目的地(例如,30秒内完成),则他将有资格获得通知(条件6)。
优化过程
优化过程955接收数据流400、401和403:
401:预测的需求和供给。参见图10以及前述描述,示出了每个区域的失衡。这对应于移动到低供给地区中的期望度的量度。
400:有资格接收通知并四处移动的候选服务提供商及其当前位置。参见图11B及以上。
403:历史汇总时间-空间数据;比如在给定时间段内在每个地理地区找到下一份工作的平均时间或概率、平均价格乘数(增幅)、平均票价或平均收入。示例如图12所示。
图12以表格形式示出了数据流403的示例。这在某种程度上对应于对不同地区的服务提供商的吸引力。
使用这些数据流中的数据,优化过程:
i)使用GPS数据和候选服务提供商的当前位置GPS,基于地理地区的位置来计算候选服务提供商从其当前位置移动到每个不同地理地区的距离/时间矩阵。
ii)计算候选服务提供商移动到每个地理地区的预期通知遵从概率矩阵,换言之,是对在发送/接收通知的情况下每个候选服务提供商将移动的可能性的估计。
iii)计算移动到每个不同地理地区的服务提供商候选者的找到下一份工作的平均概率矩阵。
iv)计算移动到每个不同地理地区的服务提供商候选者的预期收入矩阵。
可以将优化过程设置为具有选自以下各项的一个或多个目标:
a)最小化整个地区(国家、城市等)的总供给-需求失衡
b)最小化所有服务提供商候选者的总驾驶距离
c)最小化所有服务提供商候选者找到下一份工作的平均时间
d)最大化所有服务提供商候选者找到下一份工作的平均概率
f)最大化重新分配之后所有服务提供商候选者的预期收入
约束包括:
i)每个服务提供商候选者的驾驶距离均不超过其自己意愿移动的距离阈值(根据历史数据得出)。
ii)每个服务提供商候选者被发送到的地理地区不超过N个(我们为服务提供商候选者提供了N个潜在目的地以供选择)
iii)不能发送超过每个地理地区内的可用服务提供商候选者的数量
在一些实施例中,可以细化优化过程955以允许对以下各项中的一项或多项进行优先级排序:
通知遵从率高的服务提供商。
新注册的、不熟悉供给需求的整体情况的非出租车服务提供商。
自上次完成以来,空闲时间较长且离线时间非常短的活跃服务提供商。
供给重新分配问题基本上属于资源分配问题的类别。该问题通常在混合整数规划中提出,并且已经证明该重新分配问题可以等效地表述为最小流成本问题。其他表述(比如线性回归或二部图(网络))也适用。
为了求解数学模型,它需要特定的优化技能和知识,而不是随机猜测。对于混合整数规划,分支定界(Branch&Bound)算法是一种替代的基本选择。由于最小成本流问题可以作为线性规划来解决,因此可以对其应用任何相关算法。
输出:
通常,模型的输出是一个由0和1组成的矩阵。“0”指示服务提供商候选者未被重定位到特定地区,反之亦然。
如果服务提供商候选者的对应输出全为零值,则不会通知该候选者。
优化过程的示例在图13中可见。参考该图,可以看出,没有通知提供商A进行移动;通知提供商B从当前位置“金文泰”移动到地区“裕廊”东;通知提供商C从“体育馆”移动到“乌节”,并且提供商D没有接收到任何通知,因此仍留在地区“淡滨尼”。
可将结果作为数据流405提供给服务提供商接收消息存储装置915,并将其作为数据流404提供给通知消息过程957。
通知消息过程957接收输入的数据流404(优化结果)。该通知消息过程仅向这些提供商(此处为B和C)生成输出,以通知他们要移动的建议。将被通知该建议的每个提供商仅接收针对他/她定制的消息。这是自动生成的并被发射到相关的服务提供商设备,其中,到达地区=非空。
服务提供商设备上的应用接收通知过程957的输出,并根据其创建消息。例如,这可以是显示在服务提供商设备的GUI上的消息,如图14所示。该消息具有三个交互区域,用户可以在其中进行交互,例如,按压触摸屏或类似操作。
按压“在地图上查看”将在其导航系统中的地图上向服务提供商显示所建议的目的地。
按压“接受”按钮,其将直接引导至导航系统,即可给出到达目的地的建议路线。
按压“取消”按钮可使服务提供商在对推荐的目的地不感兴趣的情况下忽略该通知。
消息内容经由数据流502供应给进行存储的服务提供商接收消息存储装置915——参见图15。
消息的内容可以用于A/B测试,以验证通知文本是否可以对塑造服务提供商在遵从性方面的行为产生影响。
在另一实施例中,该消息可以是语音消息。在又一实施例中,提供了文本消息和语音或其他可听消息两者。
应当注意,上述数据流的具体细节仅仅是这种流的实施例。可能存在使用附加或替代性数据流或所讨论的数据流包含替代性或附加字段的其他实施例。
应当理解,仅通过示例的方式描述了本发明。在不脱离所附权利要求的精神和范围的情况下,可以对本文描述的技术进行各种修改。所披露的技术包括可以以独立方式或彼此组合的形式提供的技术。因此,关于一种技术描述的特征也可以以与另一种技术组合来呈现。
Claims (15)
1.一种管理运输服务提供商的方法,该方法包括:-
提供商数据接收步骤:实时接收第一数据流,该第一数据流包括指示多个服务提供商中的每个服务提供商的数据,该数据包括对每个服务提供商的标识的指示、相应服务提供商的可用性数据以及对每个该相应服务提供商的位置的指示;
预测步骤:处理该第一数据流和存储的历史供给/需求数据,以提供对在包括多个地理区域的地区上的服务提供商的数量和服务请求的数量的预测,其中,该预测是按区域进行的;
过滤和选择步骤:使用可用性标准过滤该第一数据流以输出指示候选服务提供商的数据,其中,指示每个候选服务提供商的数据包括对与每个候选服务提供商的位置相关联的相应候选服务提供商的标识的指示;
优化步骤:将指示候选服务提供商的数据与所预测的服务提供商的数量和服务请求的数量进行组合,并且利用这些数据计算候选服务提供商从其当前区域移动到每个不同区域的距离/时间矩阵,从而确定有资格从其当前区域移动到相应新区域的一组候选服务提供商;以及
通知步骤:仅向每个有资格的服务提供商输出相应的通知,该通知包括对新区域中新位置的指示,由此至少一些区域中的服务提供商的数量向服务请求的数量趋近。
2.如权利要求1所述的方法,进一步包括实时接收请求数据流,该请求数据流包括指示请求者、请求时间、乘车位置和下车位置的数据中的至少一些。
3.如权利要求1所述的方法,进一步包括:-
实时接收请求数据流,该请求数据流具有指示请求者、请求时间、乘车位置和下车位置的数据中的至少一些;以及
存储所述请求数据流和该第一数据流中的数据。
4.如权利要求1所述的方法,进一步包括处理接收到的服务请求数据、服务提供商的状态和位置信息,并将结果存储为历史需求和供给数据。
5.如权利要求1所述的方法,其中,该预测步骤包括对历史供给和需求失衡数据应用预测过程,以预测由系统覆盖的每个区域在一个或多个即将到来的时间间隔内的失衡情况。
6.如权利要求5所述的方法,其中,该预测过程采用比如双季节性霍尔特-温特(DSHW)、差分自回归移动平均(ARIMA)等时间序列预测技术之一来进行需求和供给预测。
7.如权利要求5所述的方法,其中,该预测步骤包括使用比如递归神经网络(RNN)、长短期记忆(LSTM)等机器学习技术来进行需求和供给预测。
8.如权利要求7所述的方法,其中,该预测步骤另外包括使用来自存储外部供应数据的第三方数据存储装置的数据。
9.如权利要求1所述的方法,其中,该优化步骤包括接收预测的需求和供给数据、指示候选服务提供商的标识的数据、以及历史汇总时间-空间数据。
10.如权利要求9所述的方法,其中,该历史汇总时间-空间数据包括在给定时间段在每个地理地区找到下一份工作的平均时间或概率、平均价格乘数(增幅)、平均票价或平均收入中的至少一个。
11.如权利要求1所述的方法,其中,该优化步骤计算以下各项中的一项或多项:
i)候选服务提供商移动到每个地理地区的预期通知遵从概率矩阵;
ii)移动到每个不同地理地区的服务提供商候选者的“找到下一份工作的平均概率”矩阵;以及
iii)移动到每个不同地理地区的服务提供商候选者的“预期收入”矩阵。
12.如权利要求1所述的方法,其中,该优化步骤可被控制为实现选自以下各项的一个或多个目标:
i)最小化整个地区(国家、城市等)的总供给-需求失衡;
ii)最小化所有服务提供商候选者的总驾驶距离;
iii)最小化所有服务提供商候选者找到下一份工作的平均时间;以及
iv)最大化所有服务提供商候选者找到下一份工作的平均概率。
13.一种用于管理运输服务提供商的设备,该设备包括数据存储装置和在所存储指令的控制下操作的处理器,这些指令用于:-
实时接收第一数据流,该第一数据流包括指示多个服务提供商中的每个服务提供商的数据,该数据包括对每个服务提供商的标识的指示、相应服务提供商的可用性数据以及对每个该相应服务提供商的位置的指示;
从该存储装置中读取历史供给/需求数据,处理该第一数据流和该历史供给/需求数据,以提供对在包括多个地理区域的地区上的服务提供商的数量和服务请求的数量的预测,其中,该预测是按区域进行的;
使用可用性标准过滤该第一数据流以输出指示候选服务提供商的数据,其中,指示每个候选服务提供商的数据包括对与每个候选服务提供商的位置相关联的相应候选服务提供商的标识的指示;
将指示候选服务提供商的数据与所预测的服务提供商的数量和服务请求的数量进行组合,并且利用这些数据计算候选服务提供商从其当前区域移动到每个不同区域的距离/时间矩阵,从而确定有资格从其当前区域移动到相应新区域的一组候选服务提供商;并且
仅向每个有资格的服务提供商输出相应的通知,该通知包括对新区域中新位置的指示,由此至少一些区域中的服务提供商的数量向服务请求的数量趋近。
14.一种计算机程序或计算机程序产品,包括用于实施如权利要求1至12中任一项所述的方法的指令。
15.一种存储有指令的非暂态存储介质,这些指令在被处理器执行时使该处理器执行如权利要求1至12之一所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/SG2018/050443 WO2020046200A1 (en) | 2018-08-31 | 2018-08-31 | E-hailing service |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112703517A true CN112703517A (zh) | 2021-04-23 |
Family
ID=69643716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880097531.3A Pending CN112703517A (zh) | 2018-08-31 | 2018-08-31 | 电子叫车服务 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20210341299A1 (zh) |
EP (1) | EP3844692A4 (zh) |
JP (1) | JP7253041B2 (zh) |
KR (1) | KR20210052499A (zh) |
CN (1) | CN112703517A (zh) |
PH (1) | PH12021550399A1 (zh) |
SG (1) | SG11202101911WA (zh) |
WO (1) | WO2020046200A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180225796A1 (en) * | 2017-02-08 | 2018-08-09 | Uber Technologies, Inc. | Resource Allocation in a Network System |
US11748789B2 (en) * | 2019-06-26 | 2023-09-05 | Lyft, Inc. | Dynamically adjusting transportation provider pool size |
US20210192663A1 (en) * | 2019-12-19 | 2021-06-24 | Lyft, Inc. | Systems and methods for communicating a predicted match to an offline transportation provider device |
US20210192583A1 (en) * | 2019-12-19 | 2021-06-24 | Lyft, Inc. | Systems and methods for determining a pre-request transportation match between transportation requestor devices and transportation provider devices |
WO2021183039A1 (en) * | 2020-03-11 | 2021-09-16 | Grabtaxi Holdings Pte. Ltd. | Method of predicting fare and fare prediction data system |
WO2021186211A1 (en) * | 2020-03-17 | 2021-09-23 | Pt Aplikasi Karya Anak Bangsa | Methods, systems, and devices for managing service requests and pricing policies for services provided by service providers to users |
JP2021157492A (ja) * | 2020-03-27 | 2021-10-07 | 株式会社日立製作所 | 配置計画装置及びその方法 |
KR20200079443A (ko) * | 2020-06-15 | 2020-07-03 | 현 이 | 전자 상거래 촉진 방법 및 시스템 |
US20220036411A1 (en) * | 2020-07-31 | 2022-02-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for joint optimization of pricing and coupons in ride-hailing platforms |
DE102020134093A1 (de) * | 2020-12-18 | 2022-06-23 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Berücksichtigung von Vorausbuchungen und Spontanbuchungen bei einem Fahrzeug-Pooling System |
US20230130825A1 (en) * | 2021-10-27 | 2023-04-27 | Accenture Global Solutions Limited | Secure logistical resource planning |
CN118435207A (zh) * | 2021-12-10 | 2024-08-02 | 格步计程车控股私人有限公司 | 缺少可用服务提供者情况下的服务请求分配系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032928A1 (en) * | 2015-02-13 | 2018-02-01 | Beijing Didi Infinity Technology And Development C O., Ltd. | Methods and systems for transport capacity scheduling |
CN107657353A (zh) * | 2017-11-09 | 2018-02-02 | 东峡大通(北京)管理咨询有限公司 | 租赁物的调度方法及系统 |
WO2018146622A1 (en) * | 2017-02-08 | 2018-08-16 | Uber Technologies, Inc. | Dynamic selection of geo-based service options in a network system |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010039833A (ja) | 2008-08-06 | 2010-02-18 | Act Systems:Kk | 需要発生予測システム、需要発生予測装置、および需要発生予測方法 |
JP5744966B2 (ja) | 2012-05-30 | 2015-07-08 | 治 増田 | タクシーの最適配置システム |
US9066206B2 (en) | 2012-07-03 | 2015-06-23 | Uber Technologies, Inc. | System and method for providing dynamic supply positioning for on-demand services |
JP6210189B2 (ja) | 2013-03-25 | 2017-10-11 | 日本電気株式会社 | 車両位置制御装置、プログラム及び方法 |
JP6205310B2 (ja) | 2014-05-30 | 2017-09-27 | 東京瓦斯株式会社 | 配送計画装置、配送計画システム、配送計画方法、及びプログラム |
JP2016075972A (ja) | 2014-10-02 | 2016-05-12 | シャープ株式会社 | 端末装置及びプログラム |
KR20180003831A (ko) * | 2016-07-01 | 2018-01-10 | 서강대학교산학협력단 | 위치 정보를 이용하여 서비스 차량의 배차를 관리하는 장치 및 방법 |
JP6362240B1 (ja) | 2017-04-06 | 2018-07-25 | 株式会社イサナ | 物流システム及び物流方法 |
US10559211B2 (en) * | 2017-11-27 | 2020-02-11 | Uber Technologies, Inc. | Real-time service provider progress monitoring |
-
2018
- 2018-08-31 CN CN201880097531.3A patent/CN112703517A/zh active Pending
- 2018-08-31 EP EP18931945.2A patent/EP3844692A4/en not_active Withdrawn
- 2018-08-31 KR KR1020217009131A patent/KR20210052499A/ko not_active Application Discontinuation
- 2018-08-31 US US17/271,260 patent/US20210341299A1/en active Pending
- 2018-08-31 WO PCT/SG2018/050443 patent/WO2020046200A1/en active Application Filing
- 2018-08-31 JP JP2021510421A patent/JP7253041B2/ja active Active
- 2018-08-31 SG SG11202101911WA patent/SG11202101911WA/en unknown
-
2021
- 2021-02-26 PH PH12021550399A patent/PH12021550399A1/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032928A1 (en) * | 2015-02-13 | 2018-02-01 | Beijing Didi Infinity Technology And Development C O., Ltd. | Methods and systems for transport capacity scheduling |
WO2018146622A1 (en) * | 2017-02-08 | 2018-08-16 | Uber Technologies, Inc. | Dynamic selection of geo-based service options in a network system |
CN107657353A (zh) * | 2017-11-09 | 2018-02-02 | 东峡大通(北京)管理咨询有限公司 | 租赁物的调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2022514134A (ja) | 2022-02-10 |
KR20210052499A (ko) | 2021-05-10 |
EP3844692A1 (en) | 2021-07-07 |
PH12021550399A1 (en) | 2021-12-06 |
US20210341299A1 (en) | 2021-11-04 |
EP3844692A4 (en) | 2022-05-04 |
JP7253041B2 (ja) | 2023-04-05 |
SG11202101911WA (en) | 2021-03-30 |
WO2020046200A1 (en) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112703517A (zh) | 电子叫车服务 | |
US10956861B2 (en) | Apparatus and method for predictive dispatch for geographically distributed, on-demand services | |
US11162803B2 (en) | Providing alternative routing options to a rider of a transportation management system | |
US11625629B2 (en) | Systems and methods for predicting user behavior based on location data | |
US10346889B1 (en) | Determining courier effort for deliveries | |
US20170169366A1 (en) | Systems and Methods for Adjusting Ride-Sharing Schedules and Routes | |
US20150176997A1 (en) | Adaptive transportation framework | |
US11392861B2 (en) | Systems and methods for managing a vehicle sharing facility | |
US20180225796A1 (en) | Resource Allocation in a Network System | |
GB2535718A (en) | Resource management | |
US20200363221A1 (en) | Systems and methods for providing an integrated public and/or private transportation service | |
US11790240B1 (en) | Machine learning networks, architectures and techniques for determining or predicting demand metrics in one or more channels | |
CN110544055A (zh) | 订单处理方法和装置 | |
AU2018217973A1 (en) | Dynamic selection of geo-based service options in a network system | |
US20240187324A1 (en) | Decentralized computing networks, architectures and techniques for processing events across multiple channels | |
CN113256388B (zh) | 无人车上待售商品的预告方法 | |
US20220397408A1 (en) | Content Delivery In Real-Time Guided Navigation | |
US11501337B2 (en) | Route-based information slotting based on predicted acceptance | |
Roosmalen | Forecasting bus ridership with trip planner usage data: A machine learning application | |
Makhdomi et al. | Towards a Greener and Fairer Transportation System: A Survey of Route Recommendation Techniques | |
CN113905070B (zh) | 一种服务提供方法和系统 | |
US11800323B2 (en) | Vehicle mobility patterns based on user location data | |
Anzenhofer et al. | Analyzing the Impact of Demand Management in Rural Shared Mobility-on-Demand Systems | |
WO2019145960A1 (en) | System and method for optimizing deliveries allocation for a fleet of vehicles | |
CN116108278A (zh) | 业务数据处理、信息推荐方法、装置、电子设备和介质 |
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 |