CN114341595A - 处理路线信息 - Google Patents
处理路线信息 Download PDFInfo
- Publication number
- CN114341595A CN114341595A CN201980098033.5A CN201980098033A CN114341595A CN 114341595 A CN114341595 A CN 114341595A CN 201980098033 A CN201980098033 A CN 201980098033A CN 114341595 A CN114341595 A CN 114341595A
- Authority
- CN
- China
- Prior art keywords
- route
- service provider
- destination
- prediction
- data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 14
- 230000015654 memory Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 82
- 238000004891 communication Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 39
- 230000004044 response Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 15
- 230000004083 survival effect Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种包括处理器和存储器的服务器装置,该服务器装置被配置为在该处理器的控制下执行存储在该存储器中的指令:建立包括指示多条路线的数据的路线数据记录,每条所述路线在起始位置与相应的目的地之间,由此每个相应的目的地具有从所述起始位置到该目的地的至少一条路线;处理该路线数据记录以确定指示构成每条路线的区的区数据记录;以及将区数据记录与预测数据记录组合,以基于对构成该路线的每个区中的工作概率或预期收入的预测,对构成到每个目的地的每条所述路线的路线数据进行评分。
Description
技术领域
本发明属于通信和管理的一般领域。一个方面涉及按需服务提供者的上下文,如出租车类服务、自行车、送货车辆。这些服务提供者本质上是移动的。
背景技术
更有效地运送人员和货物正成为越来越重要的目标。最近,按需服务的提供有所增长,由此,货物和人两者都可以以比以前的技术更少的延迟来移动或被移动。按需服务提供者可以是驾驶车辆的人,也可以是无人驾驶车辆。当用户要求服务提供者移动到目的地位置时,很可能不会立即获得来自该目的地位置或该位置附近的新“工作”。
在这一点上,解释了“激增(surge)”的概念。激增可能发生在出现服务提供者短缺、或者相反出现服务用户过多的情况下。激增是指改变定价以使得工作的成本增加,通常是乘以设定的倍增因子。因此,例如,通常需要花费$5的工作可能会增加到$8。潜在用户可以获得定价信息,以便急需服务的那些潜在用户可以支付激增费用,而其他人可能会选择因价格过高而不再进一步提出请求,或等待激增情况消除和恢复正常的成本。
本文使用的其他术语:
机器学习:在数据分析领域中,机器学习是一种用于设计复杂模型和算法以进行预测的方法;在商业用途中,这称为预测分析。这些分析模型使研究人员、数据科学家、工程师和分析师能够通过从数据中的历史关系和趋势中学习来“产生可靠、可重复的决策和结果”并发现“隐藏的见解”。
存活分析:存活分析是统计学的一个分支,用于分析一个或多个事件(如生物有机体死亡和机械系统故障)发生之前的预期持续时间。
优化:优化是从某一组可用的替代方案中选择最佳元素(关于某种标准)。
US 2017/0227370 A披露了一种行驶协调系统,其向提供者提供信息以减少行程之间的等待时间。将地区划分为多个区并为每个区生成一个评分。可以通过估计区的等待时间(其可以通过等待时间的模型来确定)来生成区评分。等待时间的模型可以使用对等待时间有贡献的因素,如一个区中的提供者数量和行程请求率。每个区的区评分在地理地区的路线地图上显示给提供者。行驶协调系统还提供了使用区评分来减少在行驶至目的地期间接收指派请求的等待时间的路线。行驶协调系统识别目的地并生成到达目的地的候选路线。基于路线评分来选择路线。
发明内容
在一方面,披露了一种用于引导移动服务提供者的技术,包括根据服务提供者将找到工作的预测来从多个目的地中选择目的地。
该技术可以包括处理路线信息以确定多个候选目的地中的每一个的工作预测。
在第二方面,披露了一种用于引导服务提供者借助于所选路线前往所选目的地的技术,其中,目的地和路线是根据以下预测来选择的:作为遵循该路线的结果而完成的工作将具有高收入。
在第三方面,提供了一种针对移动服务提供者处理路线信息的方法,其中,考虑多个候选目的地,路线和目的地是通过根据沿着到多个目的地中的每个目的地的每条路线找到工作的预测概率对每条路线进行评分来确定的。
在第四方面,提供了一种针对服务提供者处理路线信息的方法,该方法包括预测沿着从起始位置(即,服务提供者的当前位置)到不同目的地的路线找到工作的概率并使用该概率根据对沿着每条路线的工作的收入的预测来对每条路线进行评分。
一个实施例将到每个潜在目的地的每条路线分成多个段,并使用存活分析(即,预测到达按需目标位置之前的持续时间)来确定在沿路线通行期间或到达目的地时获得工作的可能性。在实施例中,预测考虑了提供者预期在所考虑的路线的各个段中花费的时间长度以及进入连续段的时间。
实施例使用历史数据和实时数据来预测每个段周围区域中的状况。这些预测可以针对所有路线和目的地重复,并且向目标提供者发送具有最高预测结果的路线和目的地的消息。
在第五方面,披露了一种包括处理器和存储器的服务器装置,该服务器装置被配置为在该处理器的控制下执行存储在该存储器中的指令:生成包括指示多条路线的数据的路线数据记录,每条所述路线在起始位置与相应的目的地之间,由此每个相应的目的地具有从所述起始位置到该目的地的至少一条路线;处理该路线数据记录以确定指示构成每条路线的区的区数据记录;以及将区数据记录与预测数据记录组合,以基于对构成该路线的每个区中的工作概率的预测,对构成到每个目的地的每条所述路线的路线数据进行评分。
在另一方面,存在一种处理用于服务提供者在由多个区构成的地理区域中的潜在移动的路线信息的方法,该方法包括选择所述多个区中的多个区作为目标区,对于每个目标区确定从当前服务提供者通信设备位置到相应目标区中的相应关注点的相应路线;对于每条路线,识别在当前位置与相应目标区中的相应关注点之间行驶的轨迹段;以及基于对每个所述轨迹段中的工作可能性的预测,对到每个目标区的每条路线进行评分。
在另一方面,存在一种用于针对位于由多个区构成的地理区域内的服务提供者处理路线信息的方法,每个区具有相应的目的地;该方法包括建立多条路线,所述路线中的每一条在当前服务提供者通信设备位置与相应目的地之间,由此,每个相应目的地具有从所述当前服务提供者通信设备位置到该目的地的至少一条路线;确定构成每条路线的轨迹段;以及基于对构成该路线的每个轨迹段中的工作可能性的预测,对到每个目的地的每条所述路线进行评分。
在又一方面,提供了一种针对由多个区构成的地理区域内的服务提供者的路线信息的方法,每个区具有相应的目的地;该方法包括以下步骤:-建立多条路线,每条所述路线在起始位置与相应的目的地之间,由此每个相应的目的地具有从所述起始位置到该目的地的至少一条路线;确定构成每条路线的轨迹段;以及基于对从构成该路线的每个轨迹段中的工作得到的收入的预测,对到每个目的地的每条所述路线进行评分。
在又一方面,提供了一种被配置为运行机器学习算法的计算机系统,该算法被配置为访问存储装置以读取存储在其中的数据,并根据已读取的存储数据调整参数值的预测。
所存储的数据可以保存在数据仓库中。
在实施例中,机器学习算法访问数据仓库以按单元格确定服务提供者的身份,并使用来自数据仓库的信息来预测每个单元格中的供应、需求和激增。
可以将当前数据与所存储的数据一起考虑,使得该算法具有更新要用于形成后续预测的数据的效果。
在一系列实施例中,当服务提供者指示服务提供者已变为空闲或将要变为空闲时,服务器使用机器学习过程的结果来评估位置和到服务可能请求的位置的路线和/或遵循该路线可能获得的收入。
在实施例中,该结果包括对于到每个位置的每条路线找到工作的概率或所获得的预期收入。
在一些实施例中,机器学习算法学习服务提供者不愿意或被预测为不愿意从空闲的提供者车辆位置驾驶到的单元格的位置。
在实施例中,多个存活模型用于基于每个单元格或子区域中的供应、需求和激增来预测工作概率和/或收入。
在一些实施例中,不失一般性地,每个区是相应的地理散列。在其他实施例中,设想了其他类型的区,例如非矩形区,如六边形。
实施例的一些其他特征在本文所附的从属权利要求中叙述。
实施例的优点在于改进处理可用数据并将其传送到多个在线提供者中的每一个的方式,以便提高最大化工作/占用/收入结果的可能性。
附图说明
图1示出了通信系统的示意图;
图2示出了地理地区的示意性表示;
图3示出了图2的地理地区,其中具有空闲的服务提供者和潜在的目标目的地;
图4示出了重定位路线示例;
图5示出了表,展示了计算第一地理散列(geohash)的所有第一层邻居地理散列的工作概率和预期收入;
图6示出了第一地理散列的第一层邻居地理散列的地图;
图7示出了确定车辆将在其中行驶以完成路线的单元格的说明性示例;以及
图8示出了用于管理服务提供者的过程的部分流程图。
具体实施方式
首先参考图1,展示了用于引导服务提供者的系统100。系统100包括服务器装置102、服务提供者通信设备104、用户通信设备106和在该实施例中是数据仓库202的数据存储装置。这些设备通过实施例如互联网通信协议的相应的通信链路110、112、114、204而在通信网络108(例如,互联网)中连接。通信设备104、106能够通过其他通信网络(比如公共交换电话网络(PSTN网络),包括移动蜂窝通信网络)来通信,但是为了清楚起见,从图1中省略这些通信网络。
服务器装置102可以是如图1中示意性展示出的单个服务器,或者可以具有由服务器装置102执行并且跨多个服务器部件分布的功能。在图1的示例中,服务器装置102可以包括多个单独的部件,包括但不限于:一个或多个微处理器116、用于加载可执行指令120的存储器118(例如,如RAM等易失性存储器),可执行指令定义了服务器装置102在处理器116的控制下执行的功能。服务器装置102还包括允许服务器通过通信网络108进行通信的输入/输出模块122。用户接口124被提供用于用户控制,并且可以包括例如常规外围计算设备,比如显示监视器、计算机键盘等。
服务提供者通信设备104可以包括多个单独的部件,包括但不限于:一个或多个微处理器128、用于加载可执行指令132的存储器130(例如,如RAM等易失性存储器),可执行指令定义了服务提供者通信设备104在处理器128的控制下执行的功能。服务提供者通信设备104还包括允许服务提供者通信设备104通过通信网络108传送数据记录的输入/输出模块134。数据记录(例如文件)包括一个或多个字段,这些字段包括代表本文讨论的各个参数的数据。如下文进一步详细描述的,路线数据记录包括例如表示一条或多条路线的数据字段。起始位置可以由“起始位置”数据字段中的数据表示,目的地位置可以由“目的地位置”数据字段中的数据表示,等等。在附图中展示并在下文描述的表中,数据字段可以包括代表表的单元格中展示的值的数据,并且多个数据字段(例如,整行或一组多行)可以用于形成数据记录。
用户接口136被提供用于用户控制。如果服务提供者通信设备104是例如智能电话或平板设备,则用户接口136将具有在许多智能电话和其他手持设备中普遍存在的触摸面板显示器。可替代地,如果服务提供者通信设备是例如常规台式计算机或膝上型计算机,则用户接口可以具有例如常规外围计算设备,比如显示监视器、计算机键盘等。
用户通信设备106可以是例如具有与服务提供者通信设备104的硬件架构相同或相似的硬件架构的智能电话或平板设备。
在该实施例中,数据仓库202经由通信链路204直接连接到服务器装置102,但这不是必需的。经由通信网络108的连接也是可能的。
在一个实施例中,服务提供者通信设备104被配置为定期将代表服务提供者状态的数据记录推送到服务器装置102。在其他实施例中,服务器装置102向服务提供者通信设备轮询状态信息。这样的信息可以包括数据字段/记录,其包括代表服务提供者通信设备104的位置、服务提供者当前是否活跃、如果是的话在提供者变得不活跃之前有多长时间等数据。在任一情况下,来自服务提供者通信设备104的数据记录被传送至服务器装置102并且被存储在数据仓库202中的相关位置中。数据仓库202中的历史数据可以用于预测未来状况,如在给定的即将到来的时段和任何给定区域中请求服务的用户的可能数量、在该时间段内可用的服务提供者的可能数量以及他们可能的地理分布。
在该实施例的使用中,用户与用户通信设备106进行交互以输入请求服务的数据记录。该数据记录被传递到服务器102,服务器从接收到的数据记录中提取数据并将该数据存储在数据仓库202中。在实施例中,这种数据包括特定用户通信设备106的身份、该设备的位置、请求服务的时间、服务的目的地等等。在实施例中,服务器装置102将包括某些用户数据的数据记录传递到特定服务提供者通信设备104,例如工作的性质、位置和目的地可以传递到所有服务提供者设备104。在实施例中,根据存储在数据仓库202中的数据,这种数据仅传递给满足特定标准的服务提供者。一个实施例中的标准包括服务提供者通信设备的位置,无论具有该设备的服务提供者是被占用还是空闲。
在实施例中,由服务器执行匹配过程,使得用户从服务提供者处获得所请求的服务。这由系统记录,并且数据与时间和日期信息一起存储在数据仓库202中。在某一时刻,一个或多个服务提供者可能会变得空闲,其中,空闲意味着准备好并愿意接受服务请求。在实施例中,这一事实也与现在空闲的服务提供者的日期和时间以及位置一起被记录到数据仓库202中。
参考图2,由以4×4矩阵布置的16个区构成的地理地区的示意性表示。选择这个矩阵大小是为了简化解释——真实的地理地区可能有更多的区。在下文中,这些区主要被称为“单元格(cell)”,对范围没有任何意图限制。每个单元格包含相应的位置,本文称为关注点(POI)。在一个实施例中,每个关注点是在设置路线选择系统时选择的相应单元格中的单个位置。为方便起见,该图中的单元格被显示为从1到16编号,并且在单元格C13中是服务提供者车辆V(为清楚起见,图中省略了车辆V的指示)。
在另一实施例中,每个单元格中有许多POI。基于不同的条件,为特定的服务提供者选择每个单元格的特定POI:服务提供者到那里的距离和时间;POI附近和/或处的预测需求;现在有多少服务提供者在POI附近和/或处;该模型建议多少服务提供者前往该POI,这避免了太多服务提供者被发送到同一个POI;服务提供者是否可以停留在POI处和/或附近。
在实施例中,服务器102运行机器学习过程,该过程访问数据仓库202中的数据记录/字段以按单元格访问服务提供者的身份,并使用来自数据仓库202的信息来预测每个单元格中的供应、需求和激增。在实施例中,当服务提供者指示服务提供者已变为空闲或将要变为空闲时,服务器使用机器学习过程的结果来评估位置和到服务可能请求的位置的路线和/或遵循该路线可能获得的收入。实施例中的结果包括对每个单元格中每条路线的起始时间和在每个单元格中花费的持续时间的估计。在一些实施例中,机器学习算法学习服务提供者不愿意驾驶到或被预测为不愿意从空闲的提供者车辆位置驾驶到的单元格的位置。
在机器学习过程的非限制性示例中,服务器采取以下步骤中的一些或全部:
i)预测多个地理区域中的每一个的供应、需求和激增。例如,对于构成市的一组区域或区,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,或者可能是可调整的,因此,如果需求异常低,系统会相应地更改时段。预测算法可以包括比如双季节性Holt-Winters(DSHW)、自回归积分移动平均(ARIMA)等时间序列模型,或诸如递归神经网络(RNN)、长短期记忆(LSTM)等ML模型。
ii)对于每个空闲服务提供者,找到候选POI和到候选POI的前K条驾驶路线。
iii)将K条路线划分成轨迹段,允许多条路线共享一个或多个轨迹段。
iv)对于每个轨迹段,使用路线制定距离、实时交通信息、行驶速度等来预测所述轨迹段的起始时间和在所述轨迹段中花费的时间。
v)使用存活分析技术,如Cox的风险模型和Aalen的加性风险模型,基于预测的起始时间和在相应段中花费的时间、服务提供者的预测的供应和需求以及评级、服务提供者的优先级、纬度、经度、一周中的某天、一天中的小时、公共假期与否等来确定在每个轨迹段中获得工作的可能性。
vi)对于每个轨迹段,基于获得工作的预测概率、历史数据中的每次行程平均票价、每公里平均汽油成本、每分钟平均驾驶员收入、路线制定距离和预测花费时间、以及预测激增来预测每个轨迹的预期收入。
vii)使用实际结果(例如基于实际使用的路线或轨迹段)更新用于形成预测的数据。
在实施例中,服务器102使用多个存活模型来基于每个子区域中的供应、需求和激增来预测工作概率和/或收入。
如图2所示,当前描述的实施例的所有单元格具有相同的大小和形状,但这只是为了便于解释和理解。其并非概念的基础。在一些实施例中,单元格具有单一的固定大小。在其他实施例中,基于时间和位置对单元格进行调整,例如市中心的较小单元格和郊区周围的较大单元格。同样,在交通状况随时间显著变化的情况下,一些实施例中的单元格大小被改变以进行应对——例如,CBD可能在周末缺乏交通,因此与工作日高峰时段使用的相对较小的单元格相比,可以使用更大的单元格。优点之一是无需针对大量仅具有较小供应和需求的相似单元格计算指标,从而节省了最终评分的计算。
在系统针对人类服务提供者的情况下,在一个实施例中,POI被选择为服务提供者已知或对服务提供者来说明显的某处。其不必是具有社会意义或其他意义的位置,例如,可以只是停车场。如上所述,当前空闲的服务提供者车辆V位于地区(C13)的左上角单元格中。在这个简化的实施例中,这仅考虑了一个这样的空闲服务提供者车辆,而在实施例中,在不同的单元格中可能存在相当多的空闲服务提供者车辆,尽管不一定是这样。在一些实施例中,被预测为很快变为空闲的提供者车辆也被考虑,并且包括在术语“空闲服务提供者车辆”中。在一些实施例中,作为服务提供者操作的人类驾驶员或骑手具有请求本文描述的操作的能力,例如,使用专用按钮或通过与服务提供者通信设备上的GUI交互。
执行预测步骤以预测特定时间段内所有单元格的需求、服务提供者的供应和激增,即,从基本票价计算最终票价的乘数。时间段通常是即将到来的时段,其持续时间通常对应于服务提供者车辆到达最远区所需的时间长度。在本实施例中,仅在车辆变为空闲或请求本文描述的操作时才针对每个空闲的服务提供者车辆实施预测步骤。
在另一实施例中,连续地或基本上连续地进行预测步骤。连续地进行的预测可以包括供应、需求和激增。应当注意,预测不仅适用于该模型,还可以用于整个系统。就POI的建议而言,在一个实施例中,仅响应于服务提供者变得空闲或服务提供者按下按钮来请求这种支持才执行候选路线评分。在一个实施例中,相同服务提供者的结果在一个时间窗口(例如5分钟)内被缓存,即,如果相同服务提供者在相同时间窗口内请求该结果,则将给出相同结果而不更新计算。
在一系列实施例中,做出哪些单元格是候选目的地单元格的决策,其中,“候选目的地单元格”是指距空闲服务提供者的位置足够近的单元格。在该系列实施例的一个成员中,使用机器学习算法来做出该决策,以确定服务提供者不愿意或被预测为不愿意从空闲的提供者车辆位置驾驶到的单元格。在另一实施例中,该决策是凭经验得出的,因此例如驾驶经过4个单元格被认为是极限。
在下一步骤中,任何过于偏远的区都将被排除在考虑之外。在本示例中,区C4因距C13太远而被排除。
在另一实施例中,所有单元格都被考虑在内,即所有单元格都不会因太长而无法到达或太远而被排除。
参考图3,单元格C13中的位置“起点(START)”是服务提供者变得空闲的点。
下一步骤是识别从起始位置到每个关注点的最多达设定数量的路线。这可以通过使用专有的路线查找应用程序来执行,或者可以由任何其他路线查找应用程序来执行。
为简单起见,图2和图3中考虑了单个关注点POI 2。应当理解,这仅用于解释。在实际示例中,在关注每个候选服务提供者车辆期间,所有未排除的目的地都被考虑。
如图3所示,POI 2位于单元格C2中。识别出从起点到POI 2的两条路线。路线的数量可以基于环境和位置的性质来确定。如果可能有大量替代路线,则可能需要限制设定数量。在该实施例中,这两条路线是专有路线查找器提供的两种替代路线。
系统确定每条路线在哪些单元格中行进,并且在一些实施例中预测在每条路线上行进时在每个单元格中花费的时间长度。
应当注意,第一条路线由段S0(单元格C13中的起始段)、S1、S2、S3和S4(单元格C2中的最后一段)构成。第二条路线由段S5、S6、S7、S8和S9构成。在实施例中,“段”是跨特定单元格的路线部分,但还可以理解,段可以以替代方式来定义。例如,跨特定单元格的路线可以包括多于一个段,这些段在该单元格的中间点相遇。
这意味着第一条路线在C13、C14、C10、C6和C2中行驶,第二条路线在C13、C9、C5、C1和C2中行驶。
如果图3的尺寸是准确的,那么横穿单元格C9的路线段S6的长度大于横穿单元格C14的路线段S1的长度。有可能在C9中花费的时间比在C14中花费的时间长,但是如果段S6是快速公路而S1是城镇中交通繁忙的缓慢旅程,则不一定如此。
尽管段S0和S5位于同一个单元格C13中,但在本实施例中,这两个段的“评分”未必相同。事实上,它们不太可能相同。这是因为当驾驶员在段S0上开车时他在单元格C13中花费的时间长度很可能与当他在段S5上开车时将在单元格C13中花费的时间长度不同。
为此,本实施例涉及例如使用机器学习算法基于一天中的时间、一周中的某天、历史道路行驶速度、实时交通状况、天气等来预测在每个单元格中花费的持续时间。
同样,在路线2上行驶的驾驶员可能会在与驾驶员在路线1(在S4处进入C2)上行驶时的到达时间不同的时间进入段S9(单元格C2)。那么在段S9上花费的时间长度也可能不同于在段S4上的时间长度。
本实施例将这些因素考虑在内,例如通过机器学习算法。
在本实施例中,每次建立路线时(即,每次服务提供者变为空闲时),针对单元格中的距离和时间来确定路线。在其他实施例中,每条路线的参数可以在其第一次建立之后被存储。在后一种情况下,如果后续服务提供者在C13处变为空闲,则只需从存储器中取得到C2的这两条路线。还可以在系统设置过程期间以分段形式创建路线。
在一些实施例中,仅需要识别单元格边界,因为当路线到达这样的边界时,即到达一个段的结束和下一个段的开始。
在一些实施例中,路线由专有路线查找应用程序或从路线查找供应商(例如谷歌地图)提供。在这种情况下,可以沿路线找到中间点列表。即使可能没有连续路径可用,也可以关于沿该路线的点所处的单元格来识别出这些点,这对于该系统来说就足够了。如果单元格是由地理散列(geohash)定义的,那么路线查找提供者或其他API可以返回每个点所属的地理散列。
可替代地,转向图7,如果起点A在单元格1中,则服务器装置会经过中间点,直到发现路线上的点位于新单元格中(例如,点A1)。列出路线经过的单元格的过程一直持续到端点单元格(单元格B)为止。
另一方面,如果系统本身定义了单元格,则可以知道一个点是否属于一个单元格。然后可以使用上述过程,像“地理散列”一样处理单元格。
对于每条路线,系统对相应路线段所在的单元格中的估计收入和服务提供者将在其中获得工作的概率进行评分。每个单元格中工作可能性的评分至少部分基于预测的供应、需求、以及预测在相关单元格中花费的路线段的持续时间。
然后,系统使用计算出的路线段值来计算整条路线(包括第一个单元格和最后一个单元格)的工作概率、以及该路线的预期收入。对路线进行排名,并选择具有最高预测概率或最高预测收入的路线。
通过像图3这样简单的设置,排名将是通过使用针对C13的预测供应、需求和激增而留在C13中获得工作的概率与针对通往POI 2的这两条路线中的每条路线的预测之间的比较。
在另一种布置中,将考虑多个目的地单元格,每个目的地单元格具有从空闲服务提供者所在的起始位置到目的地单元格的一条或多条路线。
在服务提供者是人类驾驶员的情况下,下一步骤是向相关驾驶员的通信设备发送消息以告知他/她(并且在该实施例中仅他/她)推荐的目的地POI和到该POI的优选路线。在使用自主车辆的情况下,在实施例中,该消息替代地直接控制车辆的目的地和路线。
为了清楚起见,应当注意,每个单元格都被包括在构成路线的每组段中。还应当注意,如上所述,一条路线可以前往起始单元格内的位置。例如,如果用户在起始单元格中的火车站结束他们的路线并且本系统预测在同样在起始单元格中的购物中心找到工作的概率很高,则服务提供者可以简单地接收通过移动到购物中心或其周围而留在起始单元格中等待工作的消息。
在一个实施例中,存活分析用于基于每个路线段中的供应、需求和激增预测来估计工作概率。
现在将描述在特定实施例中使用的详细技术的示例。
在该实施例中,单元格被定义为地理散列。可以将地理散列视为使用字母数字字符串表示位置(世界上任何地方)的便捷方式。较小的单元格使用较长的字符串定义,每个添加的字符定义一个单元格,其大小为前一个单元格大小的三十二分之一。
不同长度的地理散列的单元格大小如下;应当注意,随着远离赤道移动,单元格宽度减小(在两极处为0):
地理散列的大小(以及在其他实施例中,以其他方式定义的区或单元格的大小)根据如人口密度、服务提供者数量等特征来选择。在一个实施例中,使用6的地理散列长度。在不同城市的实施例中,会有不同的单元格大小。并且对于同一个市,如上所述,在一些实施例中,基于时间和位置选择不同的单元格大小。
地理散列是矩形,但本发明不限于此,并且在其他实施例中可以设想其他形状。
在当前描述的实施例中,单元格被分开为使得每个单元格内的情况是类似的。每个子区域可以是一个地理散列或一些地理散列或某个特定区域的组合。
在实施例中,服务器102使用多个机器学习算法来预测每个单元格中的供应、需求和激增。
每个单元格中路线的起始时间也是由机器学习算法估计的。例如,服务提供者在9:00开始从地点A移动到地点B,并通过单元格1、2、3,直到到达B。例如,如果在9:04到达单元格2,且在9:06到达单元格3,并且在9:10到达目的地B,那么服务器102针对区域2的供应、需求和激增预测是从9:04到9:06。
在实施例中,服务器102使用多个存活模型来基于每个子区域中的供应、需求和激增来预测工作概率。对于上述示例,区域2中的工作概率是Pbar 1×P[9.04-9.06],其中:
“Pbar 1”是服务提供者在区域1中未获得工作的概率;并且
P[9.04-9.06]是服务提供者从9:04到9:06获得工作的概率(并且其中,服务提供者从9:04到9:06获得工作的概率是根据存活模型预测的)。
如果服务提供者遵守前往推荐的地点B,则更新供应图。
对于上述示例,服务提供者将从9:04到9:06位于区域2中。应该记住,在任何时候,用户都可能在沿推荐路线的单元格中变得活跃,并且之前空闲的服务提供者可以选择接受该用户请求的工作。
本实施例使用大小可变的异构表数据结构进行数据分析,例如Python packagePandas中的DataFrame、R中的Data Frame、Scala中的Dataframe。
图4示出了重定位路线示例。每个网格表示一个地理散列,并且不同地理散列内的不同路线段用不同的颜色表示。路线被分成多个段,这样每个段都属于一个且仅属于一个地理散列(单元格)。从服务提供者当前位置到目的地(即,目标地理散列中的POI)的这条路线中有5个路线段。
为了估计服务提供者在停留在同一个单元格时他在等待时间t内获得工作的概率,该概率表示为F(t),在存活分析中也称为寿命分布函数。那么存活函数为S(t)=1-F(t)。在该实施例中,存活模型通过从例如来自数据仓库202的历史数据、通过使用存储在其中的特征数据进行训练,其中,“特征数据”包括地理散列的汇总需求和供应、驾驶员评级、驾驶员优先级、是否是中央商务区、是否是工作日、是否是高峰时段等中的一些或全部。考虑到这些特征,工作概率表示为F(t;x),其中,x是特征向量。
表达pi是服务提供者在第i个路线段(沿路线的第i个单元格)内当他等待持续时间(ti-ti-1)后获得工作的条件概率,假设在ti-1之前没有工作出现。(即,服务提供者在进入第(i-1)个单元格之前还没有得到工作)。
令xi是第i个路线段的特征向量,然后对于第一个单元格(单元格1),p1由p1=F(t1-t0;x1)得出。
然后对于下一个地理散列,p2由p2=(1-p1)F(t2-t1;x2)得出,
p3=(1-p1-p2)F(t3-t2;x3),
……,
T是持续时间,在一些实施例中被选择为服务提供者可能行驶以寻找工作的最长时间。
令
si(t)是在时间t时第i个路线段(沿路线的第i个单元格)上的激增,
di、ti分别是从当前位置到第i个路线段的最后一个点的距离和时间,
f是每个工作的平均基本票价,c是每公里的平均燃料成本,并且
v是每秒的平均收入。特别地,设d0=0、t0=0、tn=T。
T是给定的最大截止持续时间,例如,服务提供者可能行驶以寻找工作的最长时间。因此,例如在特定应用中,T=10分钟。当且仅当服务提供者可以在T=10分钟内到达并且路线距离小于或等于给定阈值时,任何特定单元格才会被视为与空闲服务提供者的位置相邻的候选相邻单元格。或者换言之:“T是大于任何候选相邻单元格的任何到达时间的给定停止时间”。如果服务提供者无法在T=10分钟内到达单元格A,则根本不会考虑单元格A。可以理解,10分钟只是一个示例,其他持续时间也是可能的。
到目的地地理散列的一条路线的预期收入E由下式给出
其中,ri是第i个路线段内的估计收入,
ri=f×si(ti)-c×(di-di-1)-v×(ti-ti-1)
图5示出了计算地理散列的所有第一层邻居地理散列的工作概率和预期收入的示例。在该示例中,从当前位置到每个目的地仅找到一条路线。该表按预期收入降序排序。
在图6的地图中,每个地理散列的中心被设置为相应的目的地POI;该地图对应于图5的表。参考这两个图,可以看出目的地3在15分钟内获得工作的概率最高,但目的地1的预期收入最高。靠近起点的目的地4的工作概率相对较低,并且预期收入相对较低。
当计算一个单元格(例如地理散列)的需求和供应时,可能需要汇总邻居地理散列中的数量,因为服务提供者可能会在相邻单元格中得到工作。
为了训练存活回归模型,系统将可用在线等待时间计算为每个服务提供者在给定时间窗口内的实际等待时间。另外,服务提供者在等待时间期间可能会也可能不会得到工作。当服务提供者在等待时间t期间没有得到工作并且系统只知道服务提供者获得工作的等待时间至少为t时,就会发生审查。事实上,所使用的存活回归模型可以处理审查。
如上所述,预期收入是以离散方式计算的。
可替代地,也可以以连续方式来计算每条路线的预期收入,
其中,r(t)是在时间t的估计收入,并且F(t)是服务提供者在等待时间t内获得工作的概率。
现在参考图8,示出了在服务器102中运行的过程的实施例的流程图的一部分的示意图。
框502表示在使用中由服务提供者通信设备104推送到服务器装置102的类型的输入数据记录。输入数据记录502包含保存指示发起该数据记录的服务提供者通信设备104的信息的字段,以及比如当前位置、是否空闲、到当前工作结束的预测时间等项的字段。
输入数据记录502被传递到服务器的决策过程504,该决策过程测试服务提供者数据字段是否指示提供者已经变得空闲。如果发现提供者空闲,则决策过程504将数据包传递到路线建议过程510,并将来自服务器装置的其他数据传递到数据仓库202。如果提供者不空闲,则决策过程504将包括当前服务提供者位置数据的数据包传递到数据仓库202以存储在其中。
如果决策过程504将数据记录传递到路线建议过程510,则数据记录由此传递到单元格确定过程514,该单元格确定过程确定指示多个候选目的地单元格的一组数据记录。
在该实施例中,候选目的地单元格是系统所监视的所有单元格的子集,例如,被认为距空闲服务提供者的位置不太远的单元格。“不太远”参数由输入到单元格确定过程514的参数或由该单元格确定过程保存的参数设置。
包含指示每个候选目的地单元格和发起数据记录502的服务提供者通信设备的字段的数据记录被传递到定位过程516,该定位过程确定每个候选目的地单元格中的关注点(POI),并提供指示每个目的地的目的地数据记录。
目的地数据记录然后被传递到路线查找器应用程序540,该路线查找器应用程序返回包括到每个POI的路线细节的路线数据记录。目的地路线记录被传递到路线拆解过程518。路线拆解过程518提供包括单元格数据记录的拆解路线数据记录,该单元格数据记录包含相应路线所经过的一组单元格。单元格数据记录被传递到路线组装过程522。
定位过程516还将包含指示发起消息的服务提供者通信设备的信息的数据记录部分传递到路线分段过程518。路线拆解过程518将指示发起消息的服务提供者通信设备的信息传递给路线组装过程522。
路线组装过程522从预测过程520接收包括对每个单元格的工作概率的预测的预测数据记录,该预测过程访问数据仓库202并使用历史数据和其他数据以使其能够预测比如每个单元格的供应、需求和可能的收费金额等特征。
预测数据记录在路线组装过程522中与来自路线拆解过程518的分段信息组合,以针对每条路线提供对预测的工作概率以及来自该路线上产生的工作的预期收入的评分。
在一个实施例中,预测过程基本上始终发生。在另一实施例中,仅在必要时才进行预测过程,例如服务提供者变为空闲或接收到呼叫该支持的请求时。在这种情况下,可以减少预测的计算,因为将只考虑路线中的地理散列,即,候选目的地POI,而不是到所有POI的路线上的那些地理散列。
这些估计连同指示发起消息的服务提供者通信设备的信息然后被应用于比较过程524,该比较过程对路线进行排名以便选择具有最高工作预测或最高预测收入的路线并馈送到输出过程526。输出过程使用从比较过程524提供的信息使有关所选路线的数据输出到发起消息的服务提供者通信设备。在实施例中,该路线数据仅被提供给发起空闲消息的服务提供者通信设备。
在服务提供者是人类驾驶员的情况下,该路线数据采用允许服务提供者通信设备将驾驶员的注意力吸引到建议路线的形式。这可能是视觉显示、或语音建议。数据可以以立即显示在服务提供者车辆的导航设备上的形式输出。当自主车辆是服务提供车辆时,由输出过程发送的数据通常被格式化以命令车辆移动到决定的目的地。
在一系列实施例中,系统仅考虑在目的地处的等待时间,因为假设服务提供者将按正常行驶速度直接前往目的地。告诉人类驾驶员在中间单元格等待可能很困难。在其他实施例中,例如但不仅限于那些所谓的“无人驾驶车辆”的实施例,如果会提高工作或有利可图的工作的机会,则给出在中间位置停下的指示。
对于人类服务提供者,所发送的消息包括等待时间的预测,例如,告诉提供者如果您在特定目的地等待大约5分钟,则他/她可以预期获得工作。然而,不保证在5分钟内得到工作。
向驾驶员示出的不同目的地的等待时间会有所不同。但是当计算出最优路线时,需要有一个截止时间T,以便对所有路线公平。
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 (25)
1.一种用于处理路线信息的服务器装置,该服务器装置包括处理器和存储器,该服务器装置被配置为在该处理器的控制下执行存储在该存储器中的指令:
a.生成包括指示多条路线的数据的路线数据记录,每条所述路线在起始位置与相应的目的地之间,由此每个相应的目的地具有从所述起始位置到该目的地的至少一条路线;
b.处理该路线数据记录以确定指示构成每条路线的路线段的分段数据记录,每个路线段位于相应的区中;以及
c.将该分段数据记录与预测数据记录组合,该预测数据记录包括构成该路线的每个区的相应预测值,以便基于构成该路线的每个区中的相应预测值对构成到每个目的地的每条所述路线的路线数据进行评分。
2.根据权利要求1所述的服务器装置,其中,该预测数据记录包括对相应区中的工作可能性的预测。
3.根据权利要求1或2所述的服务器装置,其中,该预测数据记录包括对相应区中的可能收入的预测。
4.根据权利要求1所述的服务器装置,进一步被配置为处理服务提供者通信设备的输入数据记录以确定该输入数据记录是否包含指示该服务提供者变为空闲的数据,并且响应于此,启动所述生成路线数据记录的步骤。
5.根据权利要求4所述的服务器装置,进一步被配置为将指示具有最高评分的路线的数据发送到所述服务提供者通信设备。
6.根据任一前述权利要求所述的服务器装置,能够操作以输出指示至少一个已评分路线的数据以在服务提供者设备处显示。
7.一种在服务器装置中执行以用于针对由多个区构成的地理区域内的服务提供者处理路线信息的方法,每个区具有相应的目的地;该方法包括在该服务器装置的处理器的控制下的以下步骤:
a.建立多条路线,每条所述路线在起始位置与相应的目的地之间,由此每个相应的目的地具有从所述起始位置到该目的地的至少一条路线;
b.确定构成每条路线的路线段,每个路线段位于相应的区中;以及
c.基于对构成该路线的每个区中的相应值的预测,对到每个目的地的每条所述路线进行评分。
8.根据权利要求7所述的方法,其中,该值包括对相应区中的工作可能性的预测。
9.根据权利要求7所述的方法,其中,该值包括对相应区中的可能收入的预测。
10.根据权利要求7、8或9所述的方法,包括预测在包括所述起始位置的区中的工作概率和可能收入中的至少一项。
11.根据权利要求7、8、9或10所述的方法,包括预测在包括每个相应目的地的区中的工作概率和可能收入中的至少一项。
12.根据权利要求7所述的方法,进一步包括从已评分路线中确定具有最高评分的路线。
13.根据权利要求12所述的方法,进一步包括将指示具有最高评分的路线的数据传送到服务提供者设备以供其显示。
14.根据权利要求13所述的方法,进一步包括响应于从服务提供者通信设备接收到的消息,启动所述建立多条路线的步骤。
15.根据权利要求12所述的方法,进一步包括仅将指示具有最高评分的路线的数据发送到所述服务提供者通信设备。
16.根据权利要求12所述的方法,其中,所述消息包括指示该服务提供者通信设备所在的区的数据。
17.根据权利要求7至16中任一项所述的方法,进一步包括确定在所述建立多条路线的步骤中使用的候选目的地并且忽略不是候选目的地的目的地,所述确定候选目的地的步骤包括预测从该起始位置开始的旅程时间并且选择具有小于预定时间的预测旅程时间的那些目的地作为候选目的地。
18.根据权利要求12所述的方法,其中,对每条路线进行评分的步骤包括对每个区进行评分以确定该区中的工作的概率,并且将这些概率相加以获得路线评分。
19.根据权利要求12所述的方法,其中,对每条路线进行评分的步骤包括对每个区进行评分以确定对该区中的可能收入的预测,并且将这些概率相加以获得路线评分。
20.根据权利要求7至19中任一项所述的方法,进一步包括通过预测所有区的用户数量和可用服务提供者的数量来形成工作概率预测的步骤。
21.根据权利要求7至20中任一项所述的方法,进一步包括通过预测所有区的服务请求数量和可用服务提供者的数量来形成可能收入预测的步骤。
22.根据权利要求14所述的方法,进一步包括找到所有候选区,其中,候选区是与起始位置的距离小于给定阈值的区;并基于历史预订和从该起始位置到每个候选区中的关注点(POI)的至多前k个驾驶轨迹来找到该关注点。
23.根据权利要求7至16中任一项所述的方法,其中,每个区都是相应的地理散列。
24.一种用于针对由多个区构成的地理区域内的移动服务提供者处理路线信息的方法,每个区具有相应的目的地;该方法包括以下步骤:-建立多条路线,每条所述路线在起始位置与相应的目的地之间,由此每个相应的目的地具有从所述起始位置到该目的地的至少一条路线;确定构成每条路线的区;以及基于对从构成该路线的每个区中的工作得到的收入的预测,对到每个目的地的每条所述路线进行评分。
25.一种在服务器装置中执行以用于针对由多个区构成的地理区域内的移动服务提供者处理路线信息的方法,每个区具有相应的目的地;该方法包括在该服务器装置的处理器的控制下的以下步骤:-
a.建立多条路线,每条所述路线在起始位置与相应的目的地之间,由此每个相应的目的地具有从所述起始位置到该目的地的至少一条路线;
b.确定构成每条路线的区;以及
c.基于对构成该路线的每个区中的工作概率或预期收入的预测,对到每个目的地的每条所述路线进行评分。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/SG2019/050319 WO2020263176A1 (en) | 2019-06-27 | 2019-06-27 | Processing route information |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114341595A true CN114341595A (zh) | 2022-04-12 |
Family
ID=74060681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980098033.5A Pending CN114341595A (zh) | 2019-06-27 | 2019-06-27 | 处理路线信息 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220327483A1 (zh) |
EP (1) | EP3990864A4 (zh) |
JP (1) | JP7291252B2 (zh) |
KR (1) | KR20220020965A (zh) |
CN (1) | CN114341595A (zh) |
TW (1) | TW202107406A (zh) |
WO (1) | WO2020263176A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220335361A1 (en) * | 2021-04-20 | 2022-10-20 | At&T Intellectual Property I, L.P. | Territory Assignment Optimization |
US20220391784A1 (en) * | 2021-06-06 | 2022-12-08 | International Business Machines Corporation | Computer automated multi-objective scheduling advisor |
US11747153B1 (en) | 2022-07-21 | 2023-09-05 | Travelshift ehf. | Apparatus and associated method for determining a travel itinerary |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1692671A (zh) * | 2002-10-10 | 2005-11-02 | 松下电器产业株式会社 | 信息取得方法、信息提供方法及信息取得装置 |
US20110238289A1 (en) * | 2010-03-24 | 2011-09-29 | Sap Ag | Navigation device and method for predicting the destination of a trip |
CN102483333A (zh) * | 2009-07-09 | 2012-05-30 | 通腾科技股份有限公司 | 使用具有路线搜索加速数据的地图数据的导航装置 |
CN105829831A (zh) * | 2013-11-12 | 2016-08-03 | 三菱电机株式会社 | 用于在行进期间预测目的地的方法 |
CN106919993A (zh) * | 2015-12-25 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种基于历史数据的高准确性默认目的地预测方法及装置 |
CN107123258A (zh) * | 2016-02-24 | 2017-09-01 | 滴滴(中国)科技有限公司 | 订单分配方法及装置 |
US20170359197A1 (en) * | 2014-05-01 | 2017-12-14 | Elizabeth B. Stolfus | Providing dynamic routing alternatives based on determined traffic conditions |
US20170363435A1 (en) * | 2016-02-08 | 2017-12-21 | Uber Technologies, Inc. | Selecting a Route to a Destination Based on Zones |
CN107633680A (zh) * | 2016-07-12 | 2018-01-26 | 阿里巴巴集团控股有限公司 | 出行数据的获取方法、装置、设备和系统 |
CN107798411A (zh) * | 2016-09-07 | 2018-03-13 | 北京嘀嘀无限科技发展有限公司 | 一种班车路线的评测处理方法及服务器 |
US20180225796A1 (en) * | 2017-02-08 | 2018-08-09 | Uber Technologies, Inc. | Resource Allocation in a Network System |
US20180374032A1 (en) * | 2017-06-27 | 2018-12-27 | Uber Technologies, Inc. | Match-based route navigation system |
US20190154454A1 (en) * | 2017-11-22 | 2019-05-23 | Uber Technologies, Inc. | Dynamic route recommendation and progress monitoring for service providers |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3722229B2 (ja) * | 2002-10-10 | 2005-11-30 | 松下電器産業株式会社 | 情報取得方法、情報提示方法、および情報取得装置 |
US9109909B2 (en) * | 2009-07-09 | 2015-08-18 | Tomtom International B.V. | Navigation devices |
JP2012043296A (ja) * | 2010-08-20 | 2012-03-01 | Ntt Docomo Inc | 需要予測システム及び需要予測方法 |
US20150227890A1 (en) * | 2014-02-07 | 2015-08-13 | Kristin Kaye Bednarek | Communications system and smart device apps supporting segmented order distributed distribution system |
US9904900B2 (en) * | 2015-06-11 | 2018-02-27 | Bao Tran | Systems and methods for on-demand transportation |
CN107103383B (zh) * | 2017-03-28 | 2020-07-14 | 大连理工大学 | 一种基于打车热点的动态拼车调度方法 |
US11308536B1 (en) * | 2018-03-19 | 2022-04-19 | DoorDash, Inc. | Managing item options for distribution efficiency |
CN108846524A (zh) * | 2018-08-01 | 2018-11-20 | 广州大学 | 一种打车需求量预测方法及装置 |
-
2019
- 2019-06-27 EP EP19934837.6A patent/EP3990864A4/en active Pending
- 2019-06-27 CN CN201980098033.5A patent/CN114341595A/zh active Pending
- 2019-06-27 US US17/620,536 patent/US20220327483A1/en active Pending
- 2019-06-27 WO PCT/SG2019/050319 patent/WO2020263176A1/en active Application Filing
- 2019-06-27 JP JP2021576481A patent/JP7291252B2/ja active Active
- 2019-06-27 KR KR1020227001555A patent/KR20220020965A/ko active Search and Examination
-
2020
- 2020-06-29 TW TW109121922A patent/TW202107406A/zh unknown
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1692671A (zh) * | 2002-10-10 | 2005-11-02 | 松下电器产业株式会社 | 信息取得方法、信息提供方法及信息取得装置 |
CN102483333A (zh) * | 2009-07-09 | 2012-05-30 | 通腾科技股份有限公司 | 使用具有路线搜索加速数据的地图数据的导航装置 |
US20110238289A1 (en) * | 2010-03-24 | 2011-09-29 | Sap Ag | Navigation device and method for predicting the destination of a trip |
CN105829831A (zh) * | 2013-11-12 | 2016-08-03 | 三菱电机株式会社 | 用于在行进期间预测目的地的方法 |
US20170359197A1 (en) * | 2014-05-01 | 2017-12-14 | Elizabeth B. Stolfus | Providing dynamic routing alternatives based on determined traffic conditions |
CN106919993A (zh) * | 2015-12-25 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种基于历史数据的高准确性默认目的地预测方法及装置 |
US20170363435A1 (en) * | 2016-02-08 | 2017-12-21 | Uber Technologies, Inc. | Selecting a Route to a Destination Based on Zones |
CN107123258A (zh) * | 2016-02-24 | 2017-09-01 | 滴滴(中国)科技有限公司 | 订单分配方法及装置 |
CN107633680A (zh) * | 2016-07-12 | 2018-01-26 | 阿里巴巴集团控股有限公司 | 出行数据的获取方法、装置、设备和系统 |
CN107798411A (zh) * | 2016-09-07 | 2018-03-13 | 北京嘀嘀无限科技发展有限公司 | 一种班车路线的评测处理方法及服务器 |
US20180225796A1 (en) * | 2017-02-08 | 2018-08-09 | Uber Technologies, Inc. | Resource Allocation in a Network System |
US20180374032A1 (en) * | 2017-06-27 | 2018-12-27 | Uber Technologies, Inc. | Match-based route navigation system |
US20190154454A1 (en) * | 2017-11-22 | 2019-05-23 | Uber Technologies, Inc. | Dynamic route recommendation and progress monitoring for service providers |
Also Published As
Publication number | Publication date |
---|---|
JP7291252B2 (ja) | 2023-06-14 |
TW202107406A (zh) | 2021-02-16 |
EP3990864A1 (en) | 2022-05-04 |
JP2022542776A (ja) | 2022-10-07 |
US20220327483A1 (en) | 2022-10-13 |
WO2020263176A1 (en) | 2020-12-30 |
EP3990864A4 (en) | 2023-01-25 |
KR20220020965A (ko) | 2022-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
Al-Abbasi et al. | Deeppool: Distributed model-free algorithm for ride-sharing using deep reinforcement learning | |
US20230044760A1 (en) | Systems and methods for recommending transportation services | |
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
US20180314998A1 (en) | Resource Allocation in a Network System | |
JP2022099235A (ja) | MaaSアーキテクチャにおけるフリート車両の充電、燃料注入、および駐車のオーバヘッドの最適化 | |
CN114341595A (zh) | 处理路线信息 | |
KR20210052499A (ko) | e-헤일링(e-hailing) 서비스 | |
He et al. | Spatio-temporal capsule-based reinforcement learning for mobility-on-demand coordination | |
Zhang et al. | Online cruising mile reduction in large-scale taxicab networks | |
KR20210155209A (ko) | 승차 수요 이력 데이터에 대한 클러스터링 기법을 통한 승객 탑승 예상 지역 결정 방법, 이에 사용되는 관리 장치 및 승차 수요 이력 데이터에 대한 클러스터링 기법을 통한 승객 탑승 예상 지역 결정 방법을 실행시키는 프로그램이 기록된 기록 매체 | |
Sayarshad et al. | Optimizing dynamic switching between fixed and flexible transit services with an idle-vehicle relocation strategy and reductions in emissions | |
CA3053089A1 (en) | Dynamic selection of geo-based service options in a network system | |
Dai et al. | A balanced assignment mechanism for online taxi recommendation | |
Zeng et al. | Review of shared online hailing and autonomous taxi services | |
Liu et al. | Mining top-n high-utility operation patterns for taxi drivers | |
Wang et al. | Large-scale intelligent taxicab scheduling: A distributed and future-aware approach | |
Pouls et al. | Adaptive forecast-driven repositioning for dynamic ride-sharing | |
US20210342760A1 (en) | Systems and methods for utilizing constrained modes of transportation | |
Xu et al. | Design and analysis of ride-sourcing services with auxiliary autonomous vehicles for transportation hubs in multi-modal transportation systems | |
Liu et al. | A cost-effective sequential route recommender system for taxi drivers | |
Makhdomi et al. | Towards a Greener and Fairer Transportation System: A Survey of Route Recommendation Techniques | |
Rahaman | Context-aware mobility analytics and trip planning | |
Hu et al. | @ ME: A Fine-grained Route Recommendation System to Grab Impatient Passengers |
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 |