CN114076606A - 用于提供从出发地点到目标地点的旅程路线或旅程路线所需时间的方法与计算机系统 - Google Patents

Abstract

本发明的实施例涉及在运输系统中制作路线计划。此方法接收路线要求，包括起始位置与结束位置。此方法根据车辆数据建立运输系统模型。此模型运用可以在两个位置之间运输的车辆或步行的任何一种选择来提出两个位置之间的“潜在预期旅行”。在给予车辆的预期等待期间与行驶持续时间之下，此方法可使用这些选择中的任一来决定预计的最小旅程时间。此方法以可扩展的方式组合了对不同位置的期望。因此，针对现今最大都市区之一计算出的路线计划达成了最短预期行程的所需时间，并满足了其他要求。其他实施例包括应用此方法的一种计算机系统与一种计算机服务。

Description

用于提供从出发地点到目标地点的旅程路线或旅程路线所需 时间的方法与计算机系统

分案申请

本申请为申请号201880039978.5、申请日2018年11月7日、题为“用于提供从出发地点到目标地点的旅程路线或旅程路线所需时间的方法与计算机系统”的分案申请。

相关专利申请的交叉引用

本发明申请主张如下述申请的优先权，且其内容均可引用并合并于此：

背景技术

本发明有关于在都市区做路线规划。路线规划的目标是如何使用来自不同的运输服务供货商的车辆来决定如何从一地点旅行至另一地点。除了其它要求以外，通常需要使旅行时间尽可能地缩短，或在指定时间离开。路线通常对包括步行路径和车辆行驶路径的行程者下指令。

发明内容

本发明的实施例包括用于计算路线的方法，达成和执行此方法的电脑系统，以及允许用户执行路线查询并接收路线以作为响应的电脑服务。

根据本发明的一实施例，提供一种用于产生路线计划的方法。此方法接受路线的源头与目标位置的形式的查询，而其他的要求可包括离开时间与抵达期限。此方法建立了仿真车辆统计特性的图形(graph)。其中一个方面是“潜在边”(prospect edge)，其使用车辆和步行的选择范围中的任何一种来仿真从一个位置旅行到另一个位置。于一实施例中，那个边模拟两地点之间的一个预期最少旅行时间。此方法针对查询，使用图形或其依附于特定查询的扩充来产生路线计划的响应。

根据本发明的一实施例，提供了一种用于产生路线计划的计算机系统。此系统是硬件和软件的组合。它自多个数据提供者获得有关于运输系统的信息并在多个地点之间游走。此系统建立多个图形来仿真运输系统，并计算图形中的最短路径以产生路线计划。

根据本发明的一实施例，其提供一种用于产生路线计划的计算机服务。此服务允许用户通过包括智能型手机之装置上的用户接口来指定查询，并在装置上显示产生的路线计划。

在这所呈现的本发明的实施例仅用于说明目的，而非意在详尽无遗。在不脱离实施例的范畴和精神下，许多修改和变化对于本领域一般技术人员而言是显而易见的。

在本发明中提供的数据检索，处理操作等是以计算机系统或服务来实行，而不是任何未实现的任何智力步骤或抽象概念。

除非从上下文中另外清楚的表示，所陈述的用语“第一”、“第二”、“该”和类似的用语并非在任何限定的意义下使用，其目的仅用于区分。除非从上下文中另外清楚的表示，单数形式的表达也包括复数形式。

附图说明

本发明所包括的附图举例说明了本发明实施例的各种特征和优点：

图1：绘示根据本发明的一实施例的图形G0；

图2：绘示根据本发明的一实施例的用于建立图形G0的处理流程；

图3：绘示根据本发明的一实施例的从c到c’的旅行，包括步行，等待，乘坐公共汽车和步行；

图4：绘示根据本发明的一实施例的从c到c’的旅行，其有关于一条公交车线但是两种旅行方式；

图5：绘示根据本发明的一实施例的两条公交车线，每条公交车线提供从c到c’的不同旅行方式；

图6：绘示根据本发明的实施例的从c到c’的旅行，包括步行，等待，乘坐地铁和步行；

图7：绘示根据本发明的一实施例的从c到c’的三种选择的潜在边。

图8：绘示根据本发明的一实施例的从c到c’的两个选择的潜在边，给出了在行程者在c到达之时间的条件下给予的持续时间随机变量；

图9：绘示根据本发明的一实施例之用于在等待持续时间和固定行进持续时间的间隔模型下计算潜在边的伪代码；

图10：绘示当根据本发明的一实施例已知查询中的来源时，图形G1如何利用来自来源的边缘来延伸图形G0；

图11：绘示根据本发明的一实施例，当查询中的目标已知时，图形G2如何将具有潜在边的图形G0延伸到目标；

图12：绘示根据本发明的一实施例，当在查询时显示目标时从倒数第二站牌/车站继续潜在预期旅行的计算选择的范例；

图13：绘示根据本发明的一实施例的用于回答路线查询的计算机系统的处理流程；

图14：绘示根据本发明的一实施例的响应使用者的智能型手机上的计算机服务的查询以呈现路线的范例。

具体实施方式

详细描述

城市交通系统由车辆组成，例如地铁和公共汽车。行程者的共同目标是决定在大城市区域中的特定位置到其他位置的最快路线。路线可使用车辆的时间表以及预期的出发时间或抵达期限加以计算，例如可由在线地图服务的主要提供商来得知。然而实际上，一些车辆并不完全遵循时间表，例如因为交通因素。与先前技术相反地，本发明提供一种如何使用遵循时间表与不遵循时间表的车辆之混合方式来计算路线。本发明利用路线相似性和等待持续时间来改善路线结果。

让我们用一个简单的例子来说明这些改进。考虑沿公交车路线连续两个公车站b₁和 b₂，车程平均需要20分钟。进一步假设公交车平均每24分钟到达b₁。对于随机到达b₁的行程者，平均前往b₁的行程时间为32分钟(等待加上乘坐)。现在假设还有其他公交车也在这两个公车站之间行驶。在同样的时间假设下，假设这些公交车彼此独立，平均出行时间缩短4分钟。一般情况下，n个公交车路线的平均值为20+24/(n+1)分钟。这仅仅是因为行程者可以登上一辆先到达b₁的公交车。

然而，一个正常的大都市比我们简单的例子要复杂得多：可能会有复杂的路线重叠模式，车辆的到达和速度模式也不同。甚至不需在严格定义下的路线重叠来达成改进，因为行程者可能会在车辆停靠站之间行走。交通系统可能会随着时间的推移而演变，例如地铁时刻表的变化和公交车线路的增加。此外，我们希望使用有效率的路线计算方法，以便计算机能够快速回答许多种路线查询，即使是在最大的大都市地区。

4.1模型大纲

我们介绍了一个用于计算路线或路线持续时间的运输系统模型。

我们假设运输系统由两种类型的车辆组成:(1)遵循固定时程表的车辆，在一天中预定的时间出发和到达，例如按照工作日的时程表；我们把这种车称为地铁，称它的停靠站为地铁站(subway stations)。(2)出发和到达时间不固定的车辆；我们称这种车为公交车，它的停靠站公车站(bus stops)。地铁站和公车站都有固定的地理位置，所以我们可以确定它们之间的步行方式。公交车被分类公交车线。公交车线的任何公交车都可以沿着固定的公车站顺序行驶，通常会一直开到公交车线的终点公车站。

实际上，有些公交车可能会相当准时到达，致使看起来似乎不符合我们的模式。例如，假设按照固定的时程表从公交车线路的第一个公车站派出的公交车，在抵达交通难以预测的大都市地区前，此公交车可能会准时到达前几个站。当行程者在乘坐地铁后到达这些第一个公车站之一时，公交车的等待时间是可以预测的，地铁-步行-公交车的总时间也是可以预测的。我们可通过概念地加上地铁来表示这种多车的地铁-步行-公交车旅行来模拟这种情况。同样的，当车程同步或相当准时的时候，我们可以将公交车-步行-地铁、公交车-步行- 通公交车地铁-公交车-地铁以及其他组合概念化。为了简化提供的陈述方式，我们在本发明说明的剩下的部分保留了固定时刻表之地铁和非固定时刻表之公交车的假设。

我们的方法并不局限于导引行程者去乘坐公共汽车或地铁。相反地，我们的方法比较笼统，涵盖了现实中会出现的多种车辆。例如，这些车辆可包括:地铁、公交车、电车、火车、出租车、共享箱型车、汽车、自驾车、渡船、飞机、送货摩托车、货运卡车或货柜卡车。我们的方法生成的路线可用于导引任何物件。例如，这些对象包括:人、货物、包裹、信件或食品。我们有时把这个对象称为行程者。

传输系统是通过一组有向图来模拟的，每个有向图由顶点和边组成。每个顶点表示一个公车站、一个地铁站或一个辅助实体。其他可表示为顶点的例子包括火车站、出租车站、共享货车接送地点、停车场、自驾车接送或落客地点、站台、楼层、港口、轮渡或航站楼、机场或装卸码头。任一边都表示等待、从一个位置到另一个位置的旅行或辅助实体。在一实施例中，边具有等待或移动时间的权重(weight)。在其他实施例中，权重是随机变量(random variable)。在其他实施例中，一些随机变量是有条件的(conditioned)，例如，对一天中的时间、假日/非假日的日子类型等进行了调整。在其他实施例中，一些随机变量可能与其他随机变量相关(correlated)。

于一实施例中，我们从历史数据中确定随机变量的“概率分布”(probabilitydistribution)。例如，我们测量指定公交车线的公交车在一个月内从指定的公车站b1到指定的公车站b2所需的时间，并确定从这一个月的样本中旅行持续时间的经验分布。在其他示例中，我们测量给定公交车线的公交车在一段时间内从给定公车站的到达或离开时间，并确定公交车线的公交车在工作日的每一分钟的等待时间的经验分布。在其他示例中，我们使用由公交车司机报告的传送间隔来确定平均等待时间。在其他示例中，一辆公交车的目前位置是用于计算出更准确的公交车等待时间。

我们方法中使用的一些随机变量为非平凡的(non-trivial)。一个简单的随机变量只有一个概率为1的值。任何其他随机变量都是非平凡的(non-trivial)。

任何图形的目标都是来帮助响应任何的查询，以查出任两个地理位置之间的路线或路线时间。路线的起点称为(source)，终点称为(target)。位置由路线系统的应用决定。例如，这些地点可以是商业企业、公共汽车和地铁站本身、公园中的任意地点，也可以是全球定位系统确定的人员目前的位置。在一个实施例中，我们将通过迪杰斯特拉(Dijkstra)的最短路径算法或A*(A star)搜索算法应用于图形或对这些算法进行一些调整来搜索路线，稍后将讨论这些算法。

在一些实施例中，我们添加了对于路线的限制。例如包括:车辆类型、车辆停靠类型、车辆转换次数限制、等待时间限制、步行持续时间限制、可能只适合特定车辆的一种被导引的对象、旅行费用的限制、离开源头的时间点、到达目标的时间点或在最晚日期前抵达的预期概率。

在一个实施例中，我们的方法计算出具有最小期望时间的路线或路线时间。然而，我们的方法比较概略，还计算出速度大致最快或可为非最快的路线或路线时间，但排除了在指定之最晚日期后才到达的风险。

我们的发明建立了几个图形来响应路线查询。一些实施例是根据查询延伸出具有额外顶点和边的图形。

4.2图形G0

称作G0的图形表示公车站与地铁站之间的路线。下面是对其结构的详细说明。图1是解释图形G0的示意图，图2是解释图形G0的建构步骤流程示意图。

4.2.1修正的时刻表

第一组顶点和边表示遵循固定时程表的车辆的路线。由于时程表是固定的，我们可以使用已知的算法来计算两个位置之间的最快路径，这可能涉及多个于其中行走的车辆的排序。因此，我们使用单一的边来撷取这种从一个源头到一个目标的多车辆旅行。

我们加入的顶点模拟了不需要等待的登上地铁，就好像行程者以离开地铁来表定他们抵达车站的时间。我们为每个地铁站s引入两个顶点:

SUBWAY_FROM_s

以及

SUBWAY_STATION_s

对于任何两个不同的站s和s’，我们有一个边

SUBWAY_FROM_s→SUBWAY_STATION_s’

表示从s到s’的乘车时间，可能涉及换乘地铁和步行(例如从车站首先乘坐地铁A到B站，然后步行到C站，然后乘坐地铁D到站s’)；边标示为RideManyGetOff。在一实施例中，边是用来衡量工作日上午尖峰时间的最小乘车时间。在其他实施例中，我们对多个时间窗口中的每个窗口都使用随机变量。在其他实施例中，随机变量以行程者到达s的时间或从s位置出发的时间为条件。

我们模拟一个情况是当行程者在旅行中稍晚到达地铁站而可能需要等待地铁。对于任意两个不同的站s’与s”，我们增加一个顶点：

SUBWAY_FROM_TO_s’_s”

表示从s’到s”有一个边

SUBWAY_STATION_s’→SUBWAY_FROM_TO_s’_s”

标号WaitGetOn代表登上从s’到s”行驶的地铁上的等待时间。在一个实施例中，考虑到在工作日上午尖峰时间随机到达s”的情况下，边的权重被设定为将行程者运输到最早的地铁的平均等待时间。在其他实施例中，权重设置为任何地铁从s’到s”的平均到达时间的一半。在其他实施例中，我们对多个时间窗口中的每个窗口都使用随机变量。在其他实施例中，随机变量以行程者在s’的位置的到达时间或到达时间的分布为条件。

我们加入边

SUBWAY_FROM_TO_s’_s”→SUBWAY_STATION_s”

标号RideManyGetOff代表从s’到s”的乘车时间，可能涉及改变地铁和步行。在一个实施例中，边的设置为工作日上午尖峰时间的平均最短程车时间的权重。在其他实施例中，我们对多个时间窗口中的每个窗口都使用随机变量。在其他实施例中，随机变量以行程者到达的时间为条件，或从s”的位置出发的时间。

4.2.2未修正的时刻表

第二组顶点和边表示不遵循固定时程表的车辆的路线。

对于每个公交车线，我们加入了多个点来模拟其公车站以及在公车站的公交车。较前面的假设是公交车外的一个行程者，较后方的一个行程者则在公交车中，令b₁,...,b_n为n 个沿着公交车线e连续的公车站(包括经请求的站)。然后我们增加了点

BUS_STOP_b_k

以及

BUS_AT_BUS_STOP_b_k_k_e，

对于每一个k而言，1≤k≤n。两个公交车可共享一个公车站。有一个边

BUS_AT_BUS_STOP_b_k_k_e→BUS_STOP_b_k

标号GetOff是指在这个公车站的公交车；边没有任何权重。相反的方向有一个边

BUS_STOP_b_k→BUS_AT_BUS_STOP_b_k_k_e

标号WaitGetOn代表在b_k公车站等待公交车线e的公交车出发前的时间。在一实施例中，在工作日上午尖峰时间，边的权重设置为公交车线e的平均到达时间的一半，这对公交车线的每个公车站都是一样的。在其他实施例中，我们对多个时间窗口和公交车线的车站都使用随机变量。在其他实施例中，随机变量是以行程者在b_k位置的到达时间或到达时间的分布为条件的。

为了在同一公交车模拟旅行，我们增加了边

BUS_AT_BUS_STOP_b_k_k_e→BUS_AT_BUS_STOP_b_k+1_k+1_e

标号RideSame的代表经由公交车线e从公车站b_k到下一个公车站b_k+1的车程。在一个实施例中，边用于衡量工作日上午尖峰时间这些公车站之间的平均车程时间。在其他实施例中，我们对多个时间窗口和公交车线的车站都使用随机变量。在其他实施例中，随机变量的条件是公交车在b_k位置的到达时间，或从b_k位置出发的时间。

4.2.3步行

我们使用步行来连接公车站与地铁车站的点

在本发明的这一部分和其他部分中，我们允许对步行的各种要求。在一实施例中，我们使用以每小时4公里作为最短时间的步行的特定速度。在其他实施例中，重点在于适用于每条步行路径的要求之随机变量，包括速度每小时6公里的速度，避免楼梯，避免黑暗的街道。在其他实施例中，我们只允许在最多固定总时间内行走，例如一小时。在其他实施例中，步行是忽略任何障碍的直线。在其他实施例中，步行可以包括通过电梯、动作路径、电梯或手扶梯等行进。

我们加入线

BUS_STOP_b→BUS_STOP_b’,

BUS_STOP_b→SUBWAY_STATION_s,

SUBWAY_STATION_s→BUS_STOP_b,以及

SUBWAY_STATION_s→SUBWAY_STATION_s’,

对于任何b、b’、s、s’，在要求允许的情况下。每个边都被标记为Walk，其权重表示步行的持续时间。

4.2.4局限

接下来，我们添加辅助顶点，以可在沿着路线上的第一次等待模拟一个限制。在一实施例中，等待是零，其模拟一个行程者走到站或车站的时间够早但非较早而能赶上将离开的公交车。在其他实施例中，等待取决于旅行的开始时间其模拟行程者在特定时间开始旅行，例如早上8点离开家。

我们根据地理位置的接近程度，将公车站和地铁站聚集在一起。在一实施例中，我们将聚集半径固定为2米。在其他实施例中，我们根据路线系统用户所需的资源质量权重选择聚集的数量。在其他实施例中，聚集半径为0米，在这种情况下，聚集是公车站和地铁站的简单副本。

对于每个聚集c，我们添加一个顶点

STOPSTATION_CLUSTER_SOURCE_c

并添加将聚集连接到其公交车和地铁的边:

STOPSTATION_CLUSTER_SOURCE_c→BUS_AT_BUS_STOP_b_k_k_e

以及

STOPSTATION_CLUSTER_SOURCE_c→SUBWAY_FROM_s

当b_k或s在群集c中时。边缘被标记为FirstWaitGetOn。在一实施例中，边的权重为0。在其他实施例中，边缘的权重是一个随机变量，表示车辆(公交车e或地铁)的等待时间，其条件是行程者到达顶点位置(公车站b_k或地铁站s)的时间。在其他实施例中，权重通过c和b_k或s之间的步行时间而增加，例如当聚集半径很大时。

注意图形中的不平常路径是从：

STOPSTATION_CLUSTER_SOURCE_c

将会刚好通过边FirstWaitGetOn一次。

我们添加其他辅助顶点。我们如前述聚集公车站和地铁站，并为每个聚集群c添加一个顶点

STOPSTATION_CLUSTER_TARGET_c

以及边

BUS_STOP_b→STOPSTATION_CLUSTER_TARGET_c和

SUBWAY_STATION_s→STOPSTATION_CLUSTER_TARGET_c，

对于每一个b与s，当在聚集c时，边被标记为Zero且权重为0。于一实施例中，权重随着步行时间增加，例如当聚集半径很大时。

顶点的介绍

STOPSTATION_CLUSTER_TARGET_c

可在当有许多路线目标位置时，帮助缩小图形的尺寸。在其他实施例中，我们可以将这些有多个边的顶点取代掉，而这些对于任何的b与s合适时的边由

BUS_STOP_b

以及

SUBWAY_STATION_s

往目标。

到目前为止，此图形仿真了旅行的时间，是由

STOPSTATION_CLUSTER_SOURCE_c

往

STOPSTATION_CLUSTER_TARGET_c’

对于任何c和c’，例如已登上第一辆公交车或地铁而无需等待或等待，并且在行程者依序下车或离开地铁后，任何接续的车程都需等待乘车。

4.2.5潜在边

接下来，我们添加辅助顶点和边缘，以反映旅行过程中由于使用了几辆车中任何一的改善。改善的原因可能是等待任何车辆的时间较短，或任何车辆的车程时间较短。

等待上车的时间可以通过假设行程者在随机时间到达站/车站来模拟，因为使用非固定时程表的车辆具有随机性。如果图形路径上有两个连续的RideManyGetOff车程边，则这些边可以替换为一个RideManyGetOff边。

我们引入了一个潜在边(prospect edge)，它使用几种车辆中的一种来表示两个地点之间的旅行。在一实施例中，边的权重是这些选择中预期最小行程时间的值。

在本段落中，由潜在边连接的两个位置靠近车辆停靠站。然而，这我们的方法并不以此为限。事实上，在后面的段落中，我们描述了一个潜在边，它的可在一个任意的位置结束而可能远离任何车辆停靠点。通常，潜在边可以连接图形中任意的两个顶点。但是，为了示范起见，在本段落我们将重点介绍车辆停靠点附近的潜在边。

相似于前述，我们根据地理接近程度聚集了公车站与地铁站。在指定两个不同的聚集c和c’下，我们考虑任何从c到c’的方式，通过步行，然后是乘坐公交车，再来是步行，这两个步行的长度均可为0。例如，图3描述了从c步行至顶点

BUS_STOP_b

且从那里有一个图形路径其系涉及具有WaitGetOn边、RideSame与GetOff的公交车线e，而结束在一个顶点

BUS_STOP_b’

然后一个步行自

BUS_STOP_b’

至c’。让T是一个随机变量，表示从c到c’的行程持续时间，使用从c到b和从b’到c’的步行，以及由图形路径仿真的从b到b’的公交车乘坐。此变量只是沿路径的图形边缘的随机变量的总和，再加上两个前、后行走的随机变数。它的分布可以从组成分布中建立。在一实施例中，我们将随机变量作为从c出发时间的条件。

在一实施例中，这个随机变数T在一个区间[x,y]上均匀分布，其中此区间的内容为 x＝(从c到b最小的步行时间)

+(沿着路径边缘的预期RideSame时间总和)

+(从b’到c’的最小步行时间)，以及

y＝x+2(预期WaitGetOn时间)

在其他实施例中，提示由随机变数的标准偏差的多样性进行调整。在其他实施例中，我们认为c、b、b’、c’仅当从c到b和从b’到c’的步行持续时间最多是固定的量时间，例如一小时。在其他实施例中，任何步行的长度都可以为零长度(选择性的步行)。在其他实施例中，我们需要从c到b或从b’到c’的最短持续时间。在其他实施例中，步行可以有4.2.3节中所述的实施例。在其他实施例中，随机变量T是不固定的。在其他实施例中，随机变量T是以行程者到达c的到达时间为条件的。

对于固定公交车线e而言，可能有很多选择从c到c’，因为行程者可以在此公交车线的各个公车站下车，并在剩下的旅行中使用步行方式。例如图4通过展示另外的车程而扩展了图3，多去了一个站

BUS_STOP_b”

这会增加总行程时间，但会减少总步行时间。在一实施例中，在这些备选方案中，我们采用了期望最低的随机变量T。让我们表示这个变量T_c,c′,e。这是公交车线e的固定随机变量，以及开始和结束聚集c和c’。此变量表示通过公交车线随机到达c到c’的最快行程。在一个实施例中，当T_c,c′,e的备选项在间隔时均匀分布时，最低期望备选项只是其间隔中值最小的候选项。在其他实施例中，我们对多个时间窗口中的每一个窗口都使用一个变量，例如，为了在尖峰时间撷取到更高的公交车频率，以及更高的道路交通。在其他实施例中，随机变量以行程者到达c位置的时间为条件。

让我们考虑所有的公交车线e₁至e_n，其可帮助将行程者由c运输到c’。请注意，组成的步行和公车站可能会有所不同。例如，图5显示了两条公交车线e₁和e₂，每一公交车线使用不同的公车站，并且具有不同的步行时间。如前面的定义，让

到

是各自最快的行程时间随机变量。

我们可以计算

的变数的预期最小值。这个期望模拟了旅行期间由"哪一辆公交车能让我更快地到达那里"。在一实施例中，不同公交车线的随机变数是独立的。即

是独立于

为任何二个不同的公交车线e_i和e_j。在其他实施例中，随机变量在共同的间隔[x,y]上是独立的均匀。然后，可选择的最小值为(y+n·x)/(n+1)。在其他实施例中，我们通过数学公式、近似积分、随机抽样或其他接近算法或预期最小值的启发式计算期望。当使用近似算法时，我们的方法不再产生最短的路径，而是产生大致最短的路径。

现在我们讨论如何将地铁包括到预期的最小行程时间的计算中。类似于公交车，让 T_{c,c′,s,s′}是一个随机变量的最快的行程时间从c到c’使用步行和地铁骑行。如图6所示，从c 到s的步行，图形中的路径

SUBWAY_STATION_s

→SUBWAY_FROM_TO_s_s’

→SUBWAY_STATION_s’

和从s’到c’的步行。可以从成分分布中建立此变量的分布。在一实施例中，我们将随机变量从c出发的时间作为条件。

于一实施例中，T_{c,c′,s,s′}均匀地分布在一个区间[x,y]，其中

间隔提示是

x＝(从c到s最小的步行时间)

+(图形路径上的预期RideManyGetOff时间总和)

+(从s’到c’的最小步行时间)，以及

y＝x+2(在图形路径上的预期WaitGetOn时间)

在其他实施例中，提示由随机变数的标准偏差的多样性进行调整。在其他实施例中，我们将步行持续时间从c限制为s，从s’到c’到最多一个固定的时间，例如一个小时。在其他实施例中，任何步行(可选的步行)都可以为零长度。在其他实施例中，我们需要从c到s或从s’到c’的最短持续时间。在其他实施例中，步行可以有4.2.3节中所述的实施例。在其他实施例中，T_{c,c′,s,s′}是不均匀的。在其他实施例中，T_{c,c′,s,s′}的条件是行程者在c的位置之到达的时间。在其他实施例中，我们对多个时间窗口中的每个窗口都使用一个变量。

一个复杂的问题是，地铁随机变量是成对依存的，因为它们来自固定的地铁时刻表。这可能会复杂化从c到c’的预期最小行程时间的计算。

让我们考虑所有可以帮助行程者从c到c’的地铁行程，并让s₁、s₁’,…,s_m、s’_m当作m个进出地铁站，并具有各自的随机变量

至

在一实施例中，任何一个地铁的随机变量连同所有公交车线随机变量是独立的。在这种情况下，我们可以计算公交车和地铁的预期最小行驶时间为最小的最小值，将一个地铁行程于一时间点加入公交车行程的集合中，并将其表示为P(c,c’)，如下面的公式所示：

我们把P(c,c’)称为潜在(prospect travel)，因为其为牵涉到一些从c到c’旅行的机会性 (opportunistically)运输选择(choices)。我们把m+n组成的随机变数

与

称为选择。

在一实施例中，

在一个时间间隔的是固定的，而

也是。在这种情况下，我们计算一个预期的最小E[min T_i]，对于一定数量的T_i，其在一个间隔[x_i,y_i]内是固定的。

为了举例，图7显示了牵涉到三种选择的c到c’：

·具有等待平均在[0,900]以及步行与车程1700的公交车线e’

·具有等待平均在[0,3600]以及步行与车程1000的公交车线e”

·具有等待平均在[0,300]以及步行与车程2200的地铁

在这种情况下,最低预期旅行时间为2150＝min{2150,2800,2350}，这并不反映旅行“以较快者为准”的改进。然而，预期的最小值低于:P(c,c’)＝1933。

在其他范例中，图8说明了概率分布的条件是行程者到达c(潜在边的源头)的时间。从c到c’有两种选择，一种是乘坐公交车，另一种是乘坐地铁。每个选择都有自己的等待、步行和骑行的条件概率分布。

如果P(c,c’)的值低于最低预期值

旅程时间就会因潜在预期旅行而增加。在此情况时，我们对图形增加了：顶点

PROSPECT_CLUSTER_SOURCE_c

以及

PROSPECT_CLUSTER_TARGET_c’

边

PROSPECT_CLUSTER_SOURCE_c→PROSPECT_CLUSTER_TARGET_c’

标号AvgMinWalkWaitRideWalk具有P(c,c’)的权重。我们也自聚集c的公交车与地铁站到顶点添加了边

PROSPECT_CLUSTER_SOURCE_c

且边来自顶点

PROSPECT_CLUSTER_TARGET_c’

到公交车和地铁站在聚集c’；这些边标记为零，并且具有0权重。在一实施例中，只有当潜在边的权重之函数P(c,c’)导致的增加高于一个阈值时，例如至少10秒时，我们才会添加潜在边。

我们指出，我们的方法不要求行程者登上第一个抵达的运输选择，仅因随后的选择即使需要更长的等待，也可能会更快到达目的地(考虑快车对普通公交车)。我们的方法甚至不需要在同一站上公交车，因为行程者可能会步行到其他车站，例如预计从那里出发的快车。

定义1，在一实施例中，潜在预期旅行被以下定义：

·任意两位置c与c’

·任意随机变量T₁,...,T_k的数量k≥2，每一代表从c到c’的旅行时间

·变量k是独立的、非独立的或任意相关的

·任何变量k都可以以行程者到达c位置的时间A为条件；时间A可能是一个随机变量。潜在预期旅行的时间是最小值min(T₁,...,T_k)，这本身就是一个随机变量。潜在边的权重之函数是此最小P(c,c’)＝E[min(T₁,...,T_k)]的预期值。

在其他实施例中，随机变量T_i在一个区间上均匀分布。在一个实施例中，随机变量T_i的条件是在特定时间窗口内的c到达时间，或在c处到达时间的概率分布。

在一实施例中，为了确定随机变数T₁,...,T_k，我们确定一个车辆停靠点的清单，以及从c到c的步行时间，以及从这些停靠点到c’的车辆停靠点和步行时间的清单，然后对于两个清单上的每一对车辆停靠点，我们确定一个旅行时间随机变量。

在一实施例中，我们计算随机变量min(T₁,...,T_k)上的各种统计信息。一个是已经提到的预期值。但我们也计算了一个概率质量，它可以用来确定到达时间，可以用特定的概率来实现。为了计算这些统计数据，我们使用了几种方法，包括采样、封闭式公式、近似积分和其他近似算法或启发式算法。

在一实施例中，我们预先计算潜在预期旅行的因素并进行储存，以便在需要确定潜在预期旅行时，我们可以从储存中检索此因素，并避免从头开始计算此因素。这类因素的例子包括：一对车辆停靠点之间行驶时间的随机变量；预期最小为两个或两个以上的行程的时间随机变量；至少两个旅行时间随机变量的概率分布；或一对车辆停靠点之间的路径或行驶持续时间。

到目前为止，我们已经定义了如何计算指定c和c’的潜在边。我们将这一定义应用于所有对不同的c和c’，这决定了通过潜在边以及其为何权重，哪些前景聚集连接，哪些不连接。

在一实施例中，我们不考虑c和c’对的二次数，而是执行图形遍历。在一个实施例中，我们使用“正向”遍历其自顶点

PROSPECT_CLUSTER_SOURCE_c,

对于每一个c朝向每个顶点

PROSPECT_CLUSTER_TARGET_c’

这是可以通过步行。在此遍历过程中,我们确定导致

PROSPECT_CLUSTER_TARGET_c’,

对每个c’而言，一旦我们确定了特定c’的所有此类路径,我们就计算了选择介于

PROSPECT_CLUSTER_SOURCE_c

以及

PROSPECT_CLUSTER_TARGET_c’，

因此可以计算这些选择的预期最小值(有关进一步的示例,请参见图9)。因为我们将探勘限制在图形中的可到达部分,所以我们通常可以更有效地计算潜在边。在一实施例中，我们使用遍历的"向后"的对称方法其系从顶点

PROSPECT_CLUSTER_TARGET_c’，

针对每一个c’，向后到每个顶点

PROSPECT_CLUSTER_SOURCE_c

其可通过一个“反向”路径，步行-公交车/地铁-步行来到达。

图9说明了将潜在边添加到图形G0的过程的实施例，在这种情况下，任何等待持续时间都均匀地分布在一个时间间隔[0，2WaitGetOn]上，并且乘坐时间是确定的。

4.3图形G0的延伸

我们描述了图形G0的扩展。每个扩展对于特定类型的路线查询都很有用。

4.3.1事先已知源头

在一些实施例中，路线查询的源头位置是事先知道的。例如，假设我们有兴趣从大都会地区的每个餐厅找到最短的路线，并且餐厅的位置是已知的。这可以通过扩展图形G0的说明来达成。

在一实施例中，针对每一这样的源头s，我们加入了顶点

SOURCE_s

可见图10的说明。在一实施例中，我们加入了边其自

SOURCE_s

到任何公车站与地铁站聚集

STOPSTATION_CLUSTER_SOURCE_c

其在图形G0中。边被标记为Walk，且其权重表示步行的时间。在其他实施例中，我们使用一个最短时间的步行其为最极端的阈值，或使用其他在4.2.3节中的实施例。

产生的图形表示为G1(包括G0)。G1可用于计算最短路径其可来自任何的

SOURCE_s

到任何的 STOPSTATION_CLUSTER_TARGET_c

于一实施例中，当查询发布时，一些路径已事先被计算、储存与自储存器产生。

在其他实施例中，当目标已预先知道时，我们使用对称方法：对于每个目标t，我们添加一个顶点

TARGET_t,

以及加入一个边自任何

STOPSTATION_CLUSTER_TARGET_c

到任何

TARGET_t

其标记为Walk。最终的图形表示为G1’。

4.3.2目标已预先知道

在一些实施例中，路线查询的目标位置是事先知道的，我们将具有潜在边的G0扩展到目标。

针对每一目标，我们加入了顶点

TARGET_t

可见图11的说明。在一实施例中，我们从任何公车站和地铁站聚集中加入了边

STOPSTATION_CLUSTER_TARGET_c

在图形G0中，且至

TARGET_t

边被标记为Walk，且其权重表示步行时间。在其他实施例中，我们使用一个最短时间的步行其为最极端的阈值，或使用其他在4.2.3节中的实施例。

我们根据相似于4.2.5节的程序加入潜在边。特别地，是从任何

PROSPECT_CLUSTER_SOURCE_c

到任何

TARGET_t

我们决定了所有两种从c到t的路径：

(1)通过公交车搭配步行的行程：自c到b步行，图形路径为

BUS_STOP_b

→BUS_AT_BUS_STOP_b_i_e

...

→BUS_AT_BUS_STOP_b’_j_e

→BUS_STOP_b’

→STOPSTATION_CLUSTER_TARGET_c”

→TARGET_t,

(2)地铁搭配步行的行程：从c步行到s’，图形路径为

SUBWAY_STATION_s’

→SUBWAY_FROM_TO_s’_s”

→SUBWAY_STATION_s”

→STOPSTATION_CLUSTER_TARGET_c’

→TARGET_t.

在其他实施例中，我们使用持续时间最多为阈值的最短步行，或4.2.3节中的其他实施例。我们定义了沿着每个路径的行程时间的随机变量，如4.2.5节中所示。

在一实施例中，我们假设类型(1)是独立的随机变量，而类型(2)是非独立的。然后，我们计算预期的最小行程持续时间，通过考虑所有类型(1)的随机变量池(适当地删除重复的公交车线)，一次添加一类型(2)的随机变量，如公式1中的P(c,c’)。在其他实施例中，我们使用潜在客户旅行的定义1。这定义了P(c,t)，称为从c到t的潜在预期旅行。

当旅行时间超过最低预期时，我们会增加一个边其自

PROSPECT_CLUSTER_SOURCE_c

到

TARGET_t

标号AvgMinWalkWaitRideWalk具有权重之函数P(c,t)。我们使用相似于这些我们使用在边的实施例，此边自

PROSPECT_CLUSTER_SOURCE_c

至

PROSPECT_CLUSTER_TARGET_c’

已定义过的。

在一实施例中，我们使用"正向"或"向后"图形遍历，如4.2.5节中所述，以加快潜在边之间的计算，潜在边介于

PROSPECT_CLUSTER_SOURCE_c

与

TARGET_t之间

对于所有的c与t而言。在其他实施例中，当计算G0中的潜在客户边缘时，可以将此遍历合并为一遍历。

产生的图形表示为G2(包括G0)。G2可用于计算来自任何

STOPSTATION_CLUSTER_SOURCE_c

至任何

TARGET_t

在一实施例中，在设置查询时，对某些路径进行预先计算、储存和从储存中检索。

在其他实施例中，当源头已事先知道时，我们使用对称法：对于每一源头，我们加入了顶点

SOURCE_s

并计算一个潜在边其自任何

SOURCE_s

至任何

PROSPECT_CLUSTER_TARGET_c

产生的图形称为G2’。

4.3.3在当查询已送出，目标已知之下的源头显示

在某些实施例中，路线查询的目标位置是事先知道的，但只有在提出查询时才会显示源头。

在一实施例中，我们使用4.3.2节中的图形G2来计算最短路程。

当一个查询(s,t)送出时，我们决定自s位置的步行其至每一

STOPSTATION_CLUSTER_SOURCE_c

在一实施例中，我们使用的最短步行是最极端的阈值，从而产生源头位置附近的车辆停靠点清单，或4.2.3节中的其他实施例。我们还决定一个最短的旅行续程其自

STOPSTATION_CLUSTER_SOURCE_c

至图形G2中的 TARGET_t

在一实施例中，我们预先计算的最短路径自每一

STOPSTATION_CLUSTER_SOURCE_c

至每一

TARGET_t

并储存结果。在提出查询时，我们会从储存中查找这些结果。在其他实施例中，我们在G2 中使用图形最短路径算法来计算查询时的持续时间。

我们找出一个聚集c其最小化了从s到c的步行时间，和从c到t的旅行时间的总和。此最小值是从s到t的最短行程时间。

于其他实施例中，只有在提出查询时，我们才会使用对称方法。然后，我们不会产生源头位置附近的车辆停靠站列表，而是产生目标位置附近的车辆停靠站清单。

于其他实施例中，我们使用图形G1’取代图形G2。

4.3.4在当查询已送出，源头已知之下的目标显示

在某些实施例中，路线查询的源头位置是事先知道的，但只有在提出查询时才会显示目标。

在一实施例中，4.3.1节中的图形G1是用于计算最短的路程时间。但是，我们需要为目标计算潜在边。此计算比4.3.2节更复杂，因为目标事先未知。

我们回顾针对每一G0中的潜在边是如何计算出选择的。针对每一聚集c与c’，令choices(c,c’)为用于针对边计算P(c,c’)的这些选择，边自G0中的 PROSPECT_CLUSTER_SOURCE_c

至

PROSPECT_CLUSTER_TARGET_c’

有可能choices(c,c’)只有一个选择(例如，一辆公共汽车，或乘坐地铁)。即使由于缺乏足够的效益而未在G0中添加前景边缘，也会定义出choices(c,c’)。

让我们送出查询其为(s,t)，并针对图形G1中的源头

SOURCE_s

和可能在图形中不表示之任意目标位置t。

从s到t的最短路径可能只涉及一个公交车线或只有地铁。在这种情况下，我们不需要考虑潜在边。我们采用图形G1，并进一步扩展它。我们添加顶点

TARGET_t

以及边自

STOPSTATION_CLUSTER_TARGET_c

针对任何c，至

TARGET_t

这些边的每一个都标示为Walk，且其权重是一个步行时间。在一实施例中，任何边代表一个在一最极端阈值的最短的步行时间，或其他在4.2.3节中的实施例。我们计算一个最短路径其自

SOURCE_s

至

TARGET_t

在产生的图形中，用A(s,t)表示路径的长度。此长度是一个从s到t最短行程时间的备选。

还有其他备选。也有可能是涉及更多车辆的最短路径。在这种情况下，沿着小路有一个倒数第二个停靠站/车站。为了因应这种情况，我们计算到t的潜在边t。图12可说明了这一过程。为了简化说明，图式绘示了单一潜在聚集(每个聚集只有一个公车站，或者只有一个地铁站)。

为了计算到t的潜在边，我们由图形G1开始。我们在倒数第二个停靠站列举了旅程表的各个部分。具体来说，我们决定一个最短旅程时间其自

SOURCE_s

至

PROSPECT_CLUSTER_SOURCE_c,

针对每一个c，我们称这其间为shortest(s→c)。例如，在图12中在边上的值900，边自

SOURCE_s

至

SUBWAY_STATION_s₁

称为一个最短的旅行期间其自

SOURCE_s

至

PROSPECT_CLUSTER_SOURCE_s₁。

请注意，此行程可能会通过图形G1中的潜在边。在一实施例中，可以在查询设置之前预先计算和储存此持续时间，并从储存中查找查询。

通过使用潜在边和步行方式，我们决定旅程如何从每个倒数第二个停靠站/车站继续行驶到目标t。针对每一

PROSPECT_CLUSTER_SOURCE_c，

我们决定从c移动到t的选择，首先去一个中继点

PROSPECT_CLUSTER_TARGET_c’，

称为选项choices(c,c’)，然后被从c’到t的步行跟随。在一实施例中，我们只考虑最短行走c’到t的时间其为最极端的一个阈值，或其他如4.2.3节中的实施例。例如，在图12中，选项 choices(b₁,b₀)被描述为

BUS_STOP_b₁

至

BUS_STOP_b₀

--有两种选择:公交车线e”其具有在[0,900]上固定的等待时间和行驶时间1600，而公交车线 e”’具有在[0,3600]上固定的等时间和行驶持续时间1000。要花240以由步行接续其自

BUS_STOP_b₀

至

TARGET_t。

因为位于c的行程者可以选择任何c’作为延续，我们结合在所有c’的选择。这种组合构成了从c到t的旅行选择。例如，在图12有其他的边其来自

BUS_STOP_b₁；

边并往

BUS_STOP_b₂.

选项choices(b₁,b₂)描述边只有一个选择：具有在[0,300]上的固定等待时间与旅行时间300的公交车线e’。要花500以由步行来接续其自

BUS_STOP_b₂

至

TARGET_t.

选项choices(b₁,b₀)与选项choices(b₁,b₂)的结合产生了三种选择(公交车线e’、e”和e”’)。这些选择都是从

BUS_STOP_b₁

至

TARGET_t。

一使用这些选择的预期最小旅行时间为2636。

我们需要消除同一公交车线的重复公交车形成，如4.2.5节中的。例如，在图12中，行程者可自

SUBWAY_STATION_s₁离开

使用相同的公交车线e”，但要去两个不同的位置：

BUS_STOP_b₂

与

SUBWAY_STATION_s₀。

对于在c的任何公交车线，我们只保留这条预计行程从c到t的具有最低预期行驶时间的公交车线的选择(取消在c的公交车线的任何其他选择)。例如，在图12中，我们取消了至

SUBWAY_STATION_s₀的选择因为有更高的期望。我们在其余的选择中计算出预期的最小行程时间，P(c,t)，就像我们在第4.2.5节如何计算出P(c,c’)一样。

最短的路径可通过任何c，所以我们从c中计算出一个最小，并称他为B(s,t)

B(s,t)＝min_c{shortest(s→c)+P(c,t)}.

例如，在图12中，最小的B(SOURCE_s,TARGET_t)＝2445，其为min{2636,2445}，因为对于行程者来说，前往倒数第二的 SUBWAY_STATION_s₁

更有利而非前往倒数第二的 BUS_STOP_b₁。

这个数量表示从s到t的最短行程时间，涉及一个倒数第二的的车辆。B(s,t)是另一个从s到t的行程时间最短之备选。

最后，查询的回应是这两个备选中的最小：min{A(s,t),B(s,t)}。

例如，在图12中查询的响应仍是2445，因为我们无法通过使用一种车辆来缩短自

SOURCE_s

经过

BUS_STOP_b₀

往

TARGET_t之旅程

因为这个旅程是A(SOURCE_s,TARGET_t)＝3000+240。

于其他实施例中，我们使用图形G2’来取代使用图形G1。

在其他实施例中，当只在提出查询时才显示源头时，我们使用对称法其从源头计算潜在边。然后，我们不考虑到达目标前的倒数第二站和最后一站，而是考虑从源头出发后的第一站和第二站。例如在图12中，查询的响应仍然是2445，因为我们不能只使用一辆从源头出发的车辆来缩短行程。

4.3.5查询时显示源头与目标

当查询的源头和目标事先都未知时，我们选择并组合前面几节的方法。在一个实施例中，我们决定步行其自源头的位置到

STOPSTATION_CLUSTER_SOURCE_c，

针对每一c，然后旅行自

STOPSTATION_CLUSTER_SOURCE_c

至目标t(牵涉或不牵涉到倒数第二个选择)。我们回应一个最小的总和其在c之间选择。在一个实施例中，我们使用一个最短的步行其具有的期间是在最极端的阈值，或其他如4.2.3节中的实施例。

4.4变化

许多修改和变化，在不背离实施例的范围和精神下，对于本领域中具有普通技能的人士来说是显而易见的。我们提出了几个变化的说明。

在一个实施例中，我们使用了潜在边的更一般的概念。当旅行涉及多个车辆和等待时，图形中的最短路径搜索可能会遍历多个潜在边，而这些沿路径的潜在边将共同虚拟出一个以上的等待和行程序列。为了撷取这种多样性，在一实施例中，我们使用了一个更通用的深度潜在边的概念，它最多提取一个序列，最多等待和行程。例如，路(path)以下形式c-walk1-wait1-bus1-walk2-wait2-bus2-walk3-c’可虚拟为如深度-2自c至c’的潜在边。在一个实施例中，我们将大于1的d的(depth-d prospect edge)添加到图形中。

在一实施例中，我们的方法建立了指定出发时间的路线。例如，当行程者希望在周二上午8点开始旅行时，可以考虑这种情况。在这里，除了旅行的头源位置和目标位置以外，路线查询也指定出发时间。在一实施例中，源头是一个

STOPSTATION_CLUSTER_SOURCE_s，

而目标是一个

STOPSTATION_CLUSTER_TARGET_t。

我们修改图形G0，如图1。因为在这即使第一个行程也可能牵涉到等待，我们移除边 FirstWaitGetOn与

SUBWAY_FROM_s

顶点，但加了边其自每一

STOPSTATION_CLUSTER_SOURCE_c

至

BUS_STOP_b

以及

SUBWAY_STATION_s，

针对任何聚集c中的b与s。在一实施例中，我们采用迪杰斯特拉(Dijkstra)的最短路径算法来使用潜在边：针对每一顶点

PROSPECT_CLUSTER_SOURCE_c，

我们保持了一个在顶点的行程者的最低的已知预期到达时间，并利用这段时间来条件化等待，步行与行程时间随机变量来计算潜在边以对每一

PROSPECT_CLUSTER_TARGET_c’。

从而使用已计算的边权中，我们更新了在

PROSPECT_CLUSTER_SOURCE_c’的最低已知预期抵达时间。间在其他实施例中，舍弃了保持或更新一个最低的在每一

PROSPECT_CLUSTER_SOURCE_c

或在每一

PROSPECT_CLUSTER_TARGET_c，

的已知预期抵达时间，我们维护或更新到达时间的概率分布。在其他实施例中，我们采用其他最短路径算法，例如以类似的方式使用A*(Astar)搜索算法。在其他实施例中，例如，当出发时间为“现在/即将”时，条件随机变量是使用查询时运输系统的状态计算的，以提供更准确的等待和乘坐持续时间分布。

在一实施例中，我们的方法构造指定到达截止日期的路线。例如，当行程者希望在周二上午9点之前到达目标时，可以考虑这种情况。这相当于在上午9点离开目标，但可以追溯到时间和空间。这可以简单地通过我们的任何图形(公交车和地铁在相反的时间和空间中行驶)的适当反向构造来模拟。

在一实施例中，我们确定在截止日期之前满足所需到达概率p的潜在旅行。在考虑从c到c’的潜在边时，我们使用一个随机变量A表示行程者在c处的到达时间。然后，给出k随机变量T₁,...,T_k从c到c’的行程持续时间的使用选择，我们使用潜在旅行确定到达时间的分布，min(A+T₁,...,A+T_k)。然后我们决定哪个时间t这个分布的质量是所需的概率p。

在一实施例中，我们报告沿最短路径的车辆，或沿路径的每个点到达/离开的时间。可以简单地读出图形中的路径和路径上的潜在边选择。

在一实施例中，我们以伴随后端服务器之有限的储存与受限的通讯回答存储空间的路线查询。例如这可针对关心隐私的使用者而应用在移动电话上。在这种情况下，我们在图形 G0中使用了适当数量的聚集。类似的技术可以在我们的其他图形中使用。

在一实施例中，我们对路线答案提出了要求，包括最长步行时间、最大换乘次数、最长等待时间、对特定类型车辆的限制(例如，仅使用快速公交车和地铁)。我们的发明通过对图形进行适当的修改和在图形上使用最短路径算法来达成这些要求。

在一实施例中，我们的方法应用于不完美的图形。例如，边WaitGetOn项的权重可能无法准确地反映地铁的预期等待时间，可能是因为我们错误地估计了持续时间，或者在大都市地区并不存在有顶点和边的，也许因为公交车线刚刚被市政府取消，但是我们的方法还不能警示取消，或者我们抽样的最小选择的期望有一个大的误差，或使用近似的数学公式/算法。这些只是几个不完美的非详尽的例子。在任何情况下，我们的方法仍然可以应用。它只会产生一些错误的路线。

在一实施例中，我们自图形移除了非必要的顶点与边。例如我们瓦解了在图G0中的“通过”顶点

SUBWAY_AVG_FROM_TO_s’_s”

，是通过融合来的边与去的边。

在一实施例中，我们方法的步骤应用于其他命令。例如，在构造图形G0时，我们可以反转4.2.1和4.2.2中描述的顺序:首先添加非固定时刻表车辆的顶点和边缘，然后添加固定时刻表车辆的顶点和边缘。

在一个实施例中，我们将方法并行化。例如，不是计算潜在边其依序来自每一

PROSPECT_CLUSTER_SOURCE_c

我们可以考虑任何两个c₁和c₂，并计算潜在边其自

PROSPECT_CLUSTER_SOURCE_c₁

同时计算的潜力边其来自

PROSPECT_CLUSTER_SOURCE_c₂。

5、计算机系统

本发明的其中一实施例为回答查询的计算机系统。

在一实施例中，系统针对在位置之间的最短路径的查询而回答，在指定离开时间下：任何查询都是以(源头、目标、minuteOfDay)形式进行的。答案的形式是具有时间和选择的路线。本实施例的说明可见于图13中。

我们在描述中使用的术语(module)。在本技艺中的人士可以知道其涵义是提供一些特定功能的计算机(子)系统。我们选择将计算机系统划分为特定模块是示例性的，而非必要的。本领域的普通技术人员会注意到，此系统可在不偏离发明的范围之下，由其他方式组成模块。

系统的一个模块1202从多个数据源1201读取有关大都市传输系统的信息。此模块确定哪些车辆、路线或其部分被认定为固定的时刻表，以及哪些是非固定的时刻表。此模块计算固定时刻表车辆的路线。此模块还计算了非固定时刻表车辆的等待和车程时间的分布。

输出传递给计算潜在边的模块1204。此模块查询有关从多个数据源1203遍历的信息。对于选定的潜在聚集c和c’以及在c的行程者到达的时间，此模块使用行程者到达时间在c 的随机变量计算出潜在边和选择的权重之函数P(c,c’)。结果储存在储存1205中。

模块1202与1204连续地运行。因此，此系统保持了新的交通系统模型。

同时，其他模块1206预先计算出最短路径。此模块构造的图形其有时通过读取的潜在边1205和从的非目标边1202来链接位置。对图形应用最短路径算法，以计算窗体中选定查询的路径(站/车站源头聚集、站/车站目标聚集、minuteOfDay)。结果将被储存，以便以后需要时可以从储存1207中查找结果。

同时，回答查询模块1208回答查询。当查询(源、目标、minuteOfDay)抵达1209，模块将依照4节计算最短路径。模块接触1203决定源头和目标之间的步行，以及站/车站聚集。模块查找来自1207的相关预先计算的最短路径。当需要但还无法取得时，模块会从模块1206请求最短路径，并可能将产生的最短路径储存在储存1207中，以供将来使用。模块1208还查找自1205来的选项和时间。这些步行、最短路径和选项组合在一起，可产生对于查询1210的答案。

本发明的某些方面可以采取硬件实施例、软件实施例或两者的组合的形式。本发明的步骤，包括任何流程图的方块，可以不按顺序执行，部分同时执行，也基于功能性与优化而从暂存盘中提供服务。一些方面上可以采取顺序系统或并行分布式系统的形式，其中每个组件都包含某些方面，可能与其他组件重叠，并且组件可以通信，例如使用任何类型的网络。对本发明的各个方面执行操作的计算机程序可以用任何程序设计语言编写，包括C++、 JAVA或JavaScript。任何程序都可以在任意硬件平台上执行，包括中央处理单元(CPU)、图形处理单元(GPU)以及相关的内存和存储设备。程序可以在一个或多个软件平台上执行本发明的某些方面，包括但不限于:智能手机其运行Android或iOS操作系统，或网络浏览器，包括Firefox、Chrome、Internet Explorer或Safari。

6、计算机服务

本发明的实施例之一是通过面对使用者的设备(如智能手机应用程序或网页)向用户提供计算机服务。对于本领域任何有普通技能的人来说，这项发明都将是显而易见的，这项发明并不局限于这些设备。同样明显的是，我们的图式中的服务呈现在不偏离本发明的范围下，可进行修改(包括重新排列、重设大小、改变颜色、形状、添加或删除组件)。

在一实施例中，通过智能手机应用程序连接此服务。用户通过与智能手机上的应用程序，指定出发时间、源和目标而与用户接口互动。然后，此服务产生路线，并在智慧手机上呈现路线的表示形式。图14说明了上午8点从A到L的查询的示范结果。

在一实施例中，服务报告当前哪个选择产生的行程时间最短。在一实施例中，系统突显了这一更快的选择(由路线上的1401说明)，或通过选择显示行驶持续时间，或叙述正等待的时间(由D附近的1402说明)。在一实施例中，根据车辆的现在位置计算出这种更快的选择。在一实施例中，当用户正靠近所选位置时，将呈现此报告；例如，当使用者即将离开A时，服务可能会呈现在现在条件下，通过D和E到达F的速度更快，而非通过B和C。

在一实施例中，此服务描述了位置选项中每个选项的现在等待时间(由f附近的1403 表示)，或者每个选项的预期行驶持续时间(由1404说明)。这可以说明使用者自己决定选择哪种选择，即使不是最佳选择。

在一实施例中，服务报告一个位置上所有选项的预期等待时间。持续时间是预期的等待时间，假设使用者将登上达到预期最小行程持续时间的选择(由1405近H所示)。在一个实施例中，当车辆位置不确定时将呈现此报告，例如，在道路上的一段路线其远离用户现在位置时。这将通知使用者他们将在等待车辆的站/车站等待多长的时间。

在一实施例中，服务报告两个位置之间的潜在旅行时间(由路线上的1406说明)。这是第4节中的值P(c,c’)。

在一个实施例中，服务至少使用以下一种方式响应使用者：

1.在地图上呈现的源头位置；

2.在地图上呈现的目标位置；

3.地图上呈现的路线上任何停靠点的位置；

4.在地图上呈现的路线上的一系列位置；

5.名称、地址或标识符：源头位置、目标位置或沿路线的任何停靠点；

6.离开时间；

7.离开时间范围；

8.抵达时间；

9.抵达时间范围；

10.在截止日前抵达的机率；

11.沿两个或多个选项在地图上呈现的两个位置之间移动的位置序列；

12.针对在任何选择的步行因素的方向；

13.任何选择中的等待因素的位置或持续时间；

14.在任何选择的路程因素的方向；

15.至少两个选择中的预期最小等待时间；

16.至少两个选项中的当前最小等待时间；

17.选择或选择的任何组成部分的预期旅行时间；或至少两种选择的预期最小旅行时间；

18.选择或选择中任何组件的目前行驶时间；或至少两种选择之间的最小旅行时间；

19.至少两个选择中的任何选择、选择或最低限度的选择的预期出发时间或预期到达时间；

20.当前出发时间或当前到达时间：至少两个选择中的选择、选择或最小组件中的任何组件； 21.在任何选择中的任何车辆的名字或标识符；

22.任何车辆在任何选择中的任何停靠站的名称、地址或标识符；

23.任何选择中任何车辆的现在位置；或

24.根据车辆目前的位置，从两个或两个以上的选择中进行的选择最快的呈现。

7、申请专利范围

本领域的技术人员应注意，可以在不偏离本发明的范围下进行各种修改，并且可以使用本质上等效的组件进行替换。此外，在不偏离其范围下，特定的情况可适用发明的定义。因此，尽管发明已如提供的实施例进行描述，但本发明不应仅限于这些实施例。相反地，本发明将包括所附申请专利范围内的所有实施例。

Claims (2)

1.一种为从源头位置到目标位置的旅程提供路线的指示信息的方法，所述方法包括：

(a)接收包括所述源头位置和所述目标位置的请求；

(b)生成所述信息；以及

(c)利用所述信息响应所述请求；

所述方法其特征在于：

(d)确定两个或多个潜在路线，其中每个潜在路线：

i.具有旅行时间，所述旅行时间是数学随机变量，

ii.描述从所述源头位置到所述目标位置的旅行，以及

iii.是包括在所述路线中的旅行选择；以及

(e)当生成所述信息时使用所述两个或多个潜在路线的最小旅行时间。

2.一种为从源头位置到目标位置的旅程提供路线的指示信息的方法，所述方法包括：

(a)接收包括所述源头位置和所述目标位置的请求；

(b)生成所述信息；以及

(c)利用所述信息响应所述请求；

所述方法其特征在于：

(d)确定一图形路线，所述图形路线是在距离所述源头位置于第一阈值处的图形顶点与距离所述目标位置于第二阈值处的图形顶点之间，

其中所述图形路线是包括在一图形中，所述图形包括：

i.多个图形顶点，其包括至少两个表示位置的图形顶点，以及

ii.多个图形边，其包括至少两个表示旅行时间的图形边；

其中所述图形路线包括至少一个图形潜在边，

其中每个图形潜在边：

iii.包括在所述多个图形边里面，以及

iv.自所述图形潜在边的初始顶点导向所述图形潜在边的目标顶点，所述初始顶点和所述目标顶点两者均包括在所述多个图形顶点里面；

(e)确定两个或多个潜在路线，其中每个潜在路线：

i.具有旅行时间，所述旅行时间是数学随机变量，

ii.描述从所述初始顶点的位置到所述目标顶点的位置的旅行时间，以及

iii.是包括在所述路线中的旅行选择；以及

(f)当生成所述信息时使用所述两个或多个潜在路线的最小旅行时间。

Images